TranE 介绍
TransE 全称 Translating Embeddings for Modeling Multi-relational Data，是知识图谱领域较早也是影响力较深远的一篇论文。
论文地址：https://proceedings.neurips.cc/paper/2013/file/1cecc7a77928ca8133fa24680a88d2f9-Paper.pdf
基础介绍
TransE 文章发表于 2013 年，跟 word2vec 是一个年代的东西（不得不说大神们水论文的速度太惊人了），算是关系抽取一个时代里程碑。
TransE 其实用一句话就能简单描述：
给定关系三元组 $(h, r, t)$，其中 h, t 代表关系的头和尾，r 代表关系，TransE 学习得到 Embedding $(e_h, e_r, e_t)$ 使得对于一个正确的三元组 $e_h + e_r \approx e_t$
模型介绍
损失函数
\[\mathcal{L}=\sum_{(h,\ell,t) \in S}{\sum_{(h',\ell,t') \in {S'_{(h,\ell,t)}}}{[\gamma + d(h+\ell,t)-d(h'+\ell,t')]_+}}\]其中 $[x]_$ 为 $max(0, x)$，$S’_{(h,l,t)}$ 表示负采样，把正确三元组中的 $h$ 或者 $t$ 进行随机替换，变成错误的三元组。
训练过程
实验结果
数据集
- Wordnet
- Freebase
参数设置
召回@10实验结果: Wordnet能到89，Freebase能到47%
