Kennisgrafen zijn het werkpaard van hedendaagse kennisbanken, van persoonlijke digitale assistenten zoals Amazon Alexa en Apple Siri, over biomedische data voor farmaceutisch onderzoek, tot publieke gelinked datasets zoals meer een meer worden vrijgegeven door overheden wereldwijd Ze stellen informatie voor als een netwerk van (onderwerp, predicaat, voorwerp) triples, waar onderwerp en voorwerp entiteiten zijn en het predicaat een relatie daartussen voorstelt Ze laten het stellen van complexe vragen, het redeneren over deze kennis, en het beantwoorden van vragen toe

 De voorbije jaren heeft onderzoek rond het inbedden van kennisgrafen hun belang verder doen groeien Deze methoden maken het mogelijk om belangrijke taken op te lossen, zoals kennisgraaf vervollediging, het bepalen of twee entiteiten in feite hetzelfde voorstellen, en omgekeerd, of een entiteit in feite overeenkomt met verschillende zaken of concepten in de reele wereld Desalniettemin staat het onderzoek rond kennisgraaf inbedding nog in zijn kinderschoenen, en de accuraatheid blijft beperkt Dit project zal bouwen op onze state-of-the-art methode CNE voor netwerk inbedding -- een inbedding techniek ontwikkeld voor gewone netwerken eerder dan voor de krachtigere kennisgrafen Het doel van dit project is om de inzichten bekomen bij het ontwikkelen van CNE te gebruiken om een nieuwe klasse van kennisgraaf inbedding methodes te maken, met superieure eigenschappen en accuraatheid op deze belangrijke taken