知识图谱是由实体和关系构成的。然而一些关系代表的是实体的属性，一些关系代表的是两个实体之间的关系。现存的知识表示方法把所有关系都看做关系，而所谓的一对多或者多对一的关系大部分情况下都是属性，因此建模这些关系时通常准确率不高，这篇论文把关系和属性区分开来，模型也叫KR-EAR，EAR分别表示实体，属性，关系。
举个论文中的例子，为什么说某些关系是属性。比如性别这个关系，它的尾实体是一个固有的抽象名词，男或女。因此，(entity，性别，男)那么这种类型的三元组有很多很多，主要集中于entity这个头实体不同。我们说实体应该是一个对象而不是这个抽象名词。因此性别应该当做属性来看待。职称这个也是如此，因为它的尾实体也都是一些抽象名词：教授，副教授等。可以类比于关系数据库，就明白为什么这些应该叫做属性。
我们从论文的表1也可以看到，属性几乎都是一对多的。一个尾实体对应多个头实体，而真正的关系往往是一对一的。对于这种问题，TransE以及它的扩展方法TransH等是不能有效的将实体和他们的属性做平移的。
在KR-EAR模型中，人工的为每一个实体标注出它们的属性，实体之间用关系连接。实体和关系之间的平移利用以往的transE,transH等。另外根据实体嵌入表示来推理属性。
TransE
对于每一个三元组，transE模型希望存在
，transE的能量函数定义为：
transE的问题在于不能处理一对多或者多对一的关系，更不用提多对多的关系。例如（姚明，效力于，火箭队）（哈登，效力于，火箭队）那么按照transE，姚明和哈登的表示是几乎一样的。
transH
当涉及到不同的关系时，实体应当有不同的表示。对于关系r，transH同时使用平移向量r和超平面的法向量
表示。首先将头实体向量和尾实体向量沿着关系的的法向量投影到关系r所在的超平面上，然后在超平面上做平移
尽管transH使得每一个实体在不同关系下有了不同的表示，但是它仍然假设实体和关系是在同一个语义空间中的。
transR
transR认为一个实体有多个属性，不同的关系也应该有不同的语义空间，因此应该先把实体投影到对应的关系所在的空间中，然后在那个关系空间里做平移。
然而上面的方法都是不考虑关系是否可以表示为属性，而是把所有的关系统一看待，这在处理一对多或多对一的“关系”时效果很低。而通过预先分离出来关系和属性，仅仅利用上述方法建模实体之间的关系，这就是本文KR-EAR的思想。