【TransE】论文浅读：translating-embeddings-for-modeling-multi-relational-data

TransE

《Translating Embeddings for Modeling Multi-relational Data》

任务

• 在低维向量空间中，将多种关系的图谱中的实体和关系在一个低维空间中进行表示，获得每个实体的表征结果。
• 提出一种易于训练的规范模型，该模型包含数量较少的参数，并且可以扩展到非常大的知识库。
• 对知识图谱中的多元关系数据进行建模，在不引入额外知识的情况下，高效的实现知识补全，关系预测。

方法（模型）

TransE：基于能量的模型，用于学习实体的低维嵌入。

1. 关系作为向量空间转变的桥梁：如果三元组(h,l,t)成立，则头实体embedding和关系embedding相加约等于尾实体的embedding。

   $h+l\approx t$

2. 利用空间传递不变形，找到一个实体和向量空间，使得整关系三元组之间的势能差值最小。

   $min(t-(h+l))$

3. 模型

• 给定一个训练集 S ，三元组表示为 $(h,l,t)$，其中 $h,t\in E,l\in L$ ，实体和关系的嵌入维度设为 k，希望 $h+l$ 与 $t$能够尽可能的相似，因此定义一个能量函数：
  d ( h + l , t ) = [ ( h + l ) − t ] 2 = ∣ ∣ h ∣ ∣ 2 2 + ∣ ∣ l ∣ ∣ 2 2 + ∣ ∣ t ∣