知识图谱表示学习是将知识图谱中的实体和关系等表示为低维的向量空间中的向量，这些向量蕴含了实体和关系的复杂信息，有利于计算机进行计算和推理。自TransE发布以来，知识图谱的表示学习引起了广大研究者的研究兴趣。NAACL 2019上发布的一篇最新的相关论文将不久之前Geoffrey E. Hinton提出的胶囊网络应用到了知识图谱表示领域，并在主流的数据集上取得了最佳的实验效果。
该论文作者认为三元组的低维表示在一定程度上和图像是类似的，虽然这并不能直观的看出。基于这个假设，作者将胶囊网络应用到了知识图谱表示学习的过程中，提出了一个新的CapsE模型，该模型能够更深度的挖掘实体和关系在地位空间中的关系。该论文在两个任务上验证了CapsE模型的实用性，分别为知识图谱的补全和个性化应用程序搜索，在这两个任务上CapsE均取得了目前最好的结果。
知识图谱补全任务旨在预测一个三元组缺失的头实体或尾实体，实验的数据集为WN18RR和FB15K-237，CapsE在这两个数据集上的实验结果显示其在FB15K-237上取得了目前最佳的结果，相对于ConvKB提升巨大，在WN18RR上也取得了不错的实验结果。这说明胶囊网络的加入显著地提升了模型的表示能力，是很有效果的。
个性化应用程序搜索任务在本文中被看做是一个搜索推荐任务，一个用户u给定一个查询q，系统需要将相关的文档d按照相关性排序给出。这样便可以将该任务简化为类似于知识图谱补全的一个任务，也就可以将CapsE应用上去了，最终的实验结果显示CapsE也取得了目前最好的结果。