网络表示学习和知识图谱表示学习的联系和区别：
都旨在对研究对象建立分布式表示，这两个任务中最火的方法TransE和DeepWalk，都是受到了word2vec启发提出来的。
网络表示学习（如node2vec之类的network representation/embedding）是受到了word2vec能自动发现隐含关系（implicit relation）的启发，重在如何充分考虑节点在网络中的复杂结构信息（如community等），不强调关系的表示；知识图谱表示学习（如TransE，TransG等等Knowledge Graph Embedding）是受到了word2vec处理文本序列、由中心词预测上下文的启发，重在如何处理实体间的显式关系上，强调关系的表示。两者可相互借鉴，比如TransNet（把Trans思想用于网络表示），比如将Random Walk思想用于知识图谱。（出处：刘知远）
知识推理：https://zhuanlan.zhihu.com/p/42340077
三个角度理解知识图谱：https://zhuanlan.zhihu.com/p/33227133
本体和实体：本体是概念的集合（如“人”、“事”、“物”、“地”、“组织”），是一个公认的概念框架，就如面向对象编程里面的类，数据管理里面的元数据；实体是本体、实例及关系的整合，比如一个具体的人小明（“人”是本体框中一个概念），小明是一个实例，小明及体现小明的本体概念 “人” 以及相关属性（性别等）的整合，叫做一个实体。我的理解就是：本体是类，实体是类的一个对象。
