本研究探讨了不同编码技术对实体和上下文嵌入的影响，并挑战了顺序编码在表格学习中的应用。结果显示，相似度编码在性能上优于顺序编码，变压器架构在顺序编码和相似度编码方面都有改进。

DEMOTE是一种动态张量分解方法，利用神经扩散-反应过程估计每种张量模式中实体的动态嵌入。该方法通过构建多部分图编码实体之间的相关性，捕捉动态嵌入在不同实体之间的共性和个性，并使用神经网络构建每个实体的反应过程。在模拟研究和实际应用中表现出优势。

本文提出了一种基于仿真的新方法，通过知识图和实体嵌入来表示异构上下文，并使用并行运行的代理集合对需求进行上下文感知型策略的组合。评估结果表明，代理可以即时请求组合策略，以成功完成适应上下文的活动，而无需通过冗长的训练步骤和场景学习这些策略。与应用强化学习的代理不同。