TransE算法

TransE算法中存在一个设定，它将关系看作是实体间的平移向量，也就是说对于一个三元组（h,r,t）对应的向量l_h，l_r，l_t，希望

l _h+l _r =l _t
这源于Mikolov等人在2013年提出的word2vec词表示学习模型，他们发现词向量空间存在着平移不变现象，如
$C(king) - C(queen) \approx C(man) - C(woman)$
其中，C(w)就是word2vec学习到的词向量表示。我们可以看到，词向量可以获取词之间的某种隐含关系。

因此TransE中，对于给定一个由三元组 (h,r,t) 组成的训练集S，其中h，t属于实体集合E，r属于关系集合L，模型学习实体和关系的向量嵌入，通过不断的调整h，r，t，使得尽量接近上面提到的平移设定。每个元组有一个energy等于相似性度量 d(h+l,t)，d代表曼哈顿距离或者欧氏距离。也就是说，当一个三元组的energy越小时，它越符合我们的期望，即l_h+l_r=l_t。我们的目标就是降低正确三元组的energy。在训练集中有如下目标函数：

(1)
其中[x] ₊表示x大于0时取原数值，小于0时取0， $\gamma$ 是一个边际参数，它是采用支持向量机（SVM）的思想，最大化正确三元组与错误三元组的距离，因此还需要构造错误三元组：
(2)

如公式(2)所示，通过随机选择实体替换头实体或者尾实体来构成错误的训练三元组。相比错误的元组，损失函数(1)更有利于降低正确元组的energy增加错误元组的energy。

优化方法选用随机梯度下降法(minibatch模型)，对h，t，t有一些附加约束，实体嵌入的欧式距离值为1(对关系嵌入没有约束)。此约束可以有效地收敛。

所有实体按照算法提出的随机方式进行初始化。算法的每次迭代，都要先归一化实体嵌入向量。然后，从训练集中选取一部分元组为样例充当minibatch的训练元组。对每个这样的元组，取样一个错误元组。然后通过一定的学习率的梯度步骤更新参数。
算法的流程如下：

参考文献
Bordes A, Usunier N, Garcia-Duran A, et al. Translating Embeddings for Modeling Multi-relational Data[C]// International Conference on Neural Information Processing Systems. Curran Associates Inc. 2013:2787-2795.