RDF是最常用的符号语义表示模型。 RDF的基本模型是有向标记图 （Directed Labeled Graph） 。图中的每一条边对应于一个三元组（Subject-主语,Predicate-谓语,Object-宾语） 。 一个三元组对于一个逻辑表达式或关于世界的陈述 （Statement）
RDF 提供了描述客观世界事实的基本框架，但缺少类、属性等 Schema 层的定义手段。RDFS（RDF Schema）主要用于定义术语集、类集合和属性集合，主要包括如下元语： Class, subClassOf, type, Property, subPropertyOf, Domain, Range等。基于这些简单的表达构件可以构建最基本的类层次体系和属性体系。
OWL 主要在 RDFS 基础之上扩展了表示类和属性约束的表示能力，这使得可以构建更为复杂而完备的本体。
依据知识图谱嵌入表示模型建模原理将基于向量的知识表示模型划分为翻译模型、组合模型、神经网络模型。翻译模型的灵感来自 word2vec 中词汇关系的平移不变性，典型的方法包括基于向量的三角形法则和范数原理的 TransE 模型， 通过超平面转化或线性变换处理多元关系的TransH、 TransR和TransD模型，通过增加一个稀疏度参数向量解决异构多元关系的 TranSparse 模型等。
组合模型采用的是向量的线性组合和点积原理， 典型特征是将实体建模为列向量、关系建模为矩阵，然后通过头实体向量与关系矩阵的线性组合，再与尾实体进行点积来计算打分函数。 经典成员包括采用普通矩阵的 RESCAL、 采用低秩矩阵的 LFM、 采用对角矩阵的 DistMult 和采用循环矩阵的 HolE。 神经网络模型采用神经网络拟合三元组，典型模型包括采用单层线性或双线性网络的 SME、采用单层非线性网络的 SLM、NTN 和 MLP，以及采用多层网络结构的 NAM 。
