Trans系列

trans E

实体和关系映射到一个统一的空间内
目标函数是：||h+r-t||2尽可以小（以欧式距离为衡量指标）
其中负样本的构建方法，是随机替换头尾实体中的任意一个
（但这种情况，可能会出现false negative的情况，（据某些人解释，KG中一般视为开放世界假设，所以，没有在知识库中出现的，不一定是错误的））

正样本的得分尽可能小，负样本的得分尽可能高，所以loss如上，γ是一个认为设定的参数

#不足

是因为无法表达复杂关系，比如1对多时，根据transE的公式，t1约等于t2约等于t3约等于tm,这是不成立的

transH

H 是超平面的意义，每种关系都有超平面
将头、尾实体映射到关系所在的超平面空间，同样目标是使得欧几里得距离最小。
负采样的方法中，考虑了复杂关系类型（在1对多关系中，选择替换头实体构建负样本，在多对1关系中，选择替换尾实体构建负样本，尽可能降低假阳性（false negative）出现的概率）

TransH也存在一定的问题：头尾实体依然处于相同的语义空间，而每个三元组的关系可能关注头尾实体的不同属性，即每个关系对应的头尾实体应在不同的语义空间中表征，因此TransR模型由此诞生

transR

TransR作者发现TransH模型虽然有效的处理了复杂语义关系表示，但两个实体仍然处于相同的语义空间，因此不能够充分表示实体与关系的语义联系。
因为，转为空间，分别是实体空间和关系空间，

loss函数同transE模型
TransR还有一些缺点。例如引入的空间投影策略增加了计算量、头尾实体一同投影到关系空间，而未考虑到头尾实体的不同语义类型、仅将实体投影到关系空间中还不够完全提高语义表能力等。TransD模型试图改进这些不足之处。

链接：
transH:https://blog.csdn.net/qq_36426650/article/details/103336589
transR:https://blog.csdn.net/u013602059/article/details/107449193
trans系列：https://www.cnblogs.com/fengwenying/p/14561105.html#transh