许多大规模知识图谱将知识组织成两个视图：以抽象概念和常识概念组成的本体视图，和以本体概念实例化的特定实体组成的实例视图。
现有的知识图谱表示方法仅侧重于其中一个视角下的知识表示，JOIE使用跨视图关联模型（Cross-view Association Model）和内部视图模型（Intra-view Model）对知识图谱进行多方面的表示学习，得到的嵌入表示具备（1）本体视图和实例视图各自的知识结构，和（2）本体视图自身与实例间的层次结构。
许多大规模知识图谱都具备两个视图下的知识：以抽象概念（例如：Person、Artist）及概念间关系（例如：isA、livesIn）组成的本体视图，和以实例（例如：Barack Obama）与实例间关系（例如：has_award）组成的实例视图。
当前的知识表示方法大多只对两个视图中的一个进行了设计，而同时对两个视图的知识进行建模则有利于：（1）保留实例表示的丰富信息；（2）概念对实例的高度概括性，利于对极少被观察到的实例进行分类。
但联合考虑实例与概念也会带来如下挑战：（1）实例与概念、关系（实例间关系）与元关系（概念间关系）往往在词形上有很大差异但又存在语义相关，使得现有方法难以同时对次进行建模；（2）现有的实例与概念间的上下位关系（isA）就实例规模而言是很少的，而链接两个视图最重要的就是isA关系；（3）实例视图的规模比概念规模要大很多，且概念间存在层次结构。
针对以上挑战，作者提出使用跨视图关联模型（Cross-view Association Model）和内部视图模型（Intra-view Model）对知识图谱进行多方面的表示学习方法JOIE。跨视图关联模型注重将实例与概念进行关联，内部视图模型则注重实例视图内部的实例、本体视图内部的概念各自的结构学习。实验分析方面，由于现有方法大多只关注对一个视图的知识建模，缺少融合两个视图特点的公开评测数据。
所以作者从YAGO和DBpedia构建了两个更符合真实知识图谱结构的数据集YAGO26K-906和DB111K-174。数据集的相关信息统计如下：作者使用如上所述的数据集在知识图谱补全（KG Triple Completion）和实体分类（Entity Typing）两个任务上对JOIE的性能进行了评测。