في الآونة الأخيرة، اكتسبت الطرق العميقة للتكديس زخمًا متزايدًا بفضل القوة التمثيلية العالية للشبكات العصبية العميقة (DNNs)، مثل المشفرات التلقائية (autoencoder). تكمن الفكرة الأساسية في أن تعلم التمثيل والتكديس يمكنهما التأثير المتبادل: فتمثيل جيد يؤدي إلى تكديس جيد، في حين أن التكديس الجيد يوفر إشارات إشرافية مفيدة لتعلم التمثيل. ومن الأسئلة الحاسمة: 1) كيف يتم تحسين تعلم التمثيل والتكديس معًا؟ 2) هل يجب دائمًا أخذ خسارة إعادة البناء في المشفر التلقائي بعين الاعتبار؟ في هذه الورقة، نقترح نموذج DEKM (Deep Embedded K-Means) للإجابة على هاتين السؤالين. نظرًا لأن الفضاء المدمج الناتج عن المشفر التلقائي قد لا يحتوي على هيكل تكديسي واضح، نقترح إجراء تحويل إضافي للفضاء المدمج إلى فضاء جديد يكشف معلومات هيكل التكديس. يتم تحقيق ذلك من خلال مصفوفة تحويل متعامدة، تتضمن متجهات ذاتية لمصفوفة التشتت الداخلي لخوارزمية K-means. وتشير القيم الذاتية إلى أهمية مساهمة كل متجه ذاتي في معلومات هيكل التكديس ضمن الفضاء الجديد. ويسعى الهدف إلى تعزيز معلومات هيكل التكديس. ولتحقيق ذلك، نستبعد المُفكّك (decoder) ونقترح طريقة جشعة لتحسين التمثيل. ويتم تحسين تعلم التمثيل والتكديس بشكل متزامن عبر DEKM. وتشير النتائج التجريبية على مجموعات بيانات واقعية إلى أن DEKM تحقق أداءً من الدرجة الأولى مقارنة بالأساليب الحالية.