将以下的HTML代码翻译成中文（保留HTML代码在结果中）：
很多研究已经投入到寻找表示大规模连接数据的方法中，比如知识图谱。这些方法被称为知识图谱嵌入（KGE），它们帮助我们在现实世界中将这些数据用于各种实际目的。
传统方法往往忽视了知识图谱的一个重要方面，即存在两种不同类型的信息：与整体结构相关的高级概念（本体视图）和具体的个体实体（实例视图）。通常，这些方法将知识图谱中的所有节点都视为单个隐藏空间中的向量。
上面的图展示了一个双视图知识图谱，包括（1）一个包含高级概念和元关系的本体视图知识图谱，（2）一个包含具体详细实例和关系的实例视图知识图谱，以及（3）这两个视图之间的连接（跨视图链接）的集合。 Concept2Box被设计用于获取双重几何嵌入。在这种方法下，每个概念都在潜在空间中表示为几何盒子，而实体则表示为点向量。
与使用单一几何表示相比，不能充分捕捉知识图谱内部两个视角之间的结构差异，并且缺乏与概念粒度相关的概率意义，作者引入了Concept2Box。这种创新方法同时嵌入知识图谱的两个视图，使用双重几何表示。概念使用盒子嵌入表示，可以学习层次结构和复杂关系，如重叠和不相交。
这些盒子的体积对应概念的粒度。相反，实体则表示为向量。为了弥合概念盒子嵌入与实体向量嵌入之间的差距，提出了一种新颖的向量到盒子距离度量，并同时学习两种嵌入。在公开可用的DBpedia知识图谱和新创建的企业知识图谱上进行的实验评估突出了Concept2Box的有效性。我们的模型旨在处理知识图谱中信息结构的差异。但在如今的知识图谱中，可能涉及多种语言，这也带来了另一个挑战。知识图谱的不同部分不仅具有不同的结构，还使用不同的语言，使其更加复杂，难于理解和处理。未来我们可以期待在这个领域的进一步发展。