知识图谱trans系列算法介绍

1. TransE

TransE是为了解决知识图谱中关系数据而提出的算法，其核心思想是将知识图谱中的关系relation和实体entity进行向量化表示，通过不断学习调整head、relation、tail的向量表示，使head + relation尽可能与tail相等，即head + relation = tail。适用于将知识图谱中的每条知识进行低维稠密化表示。

2. TransH

3. TransR

4. TransD

TransD是为了解决知识图谱中关系数据而提出的算法，其核心思想是将知识图谱中的关系relation和实体entity进行向量化表示，通过将head、tail映射到由一组三元组中的实体和关系共同构建的空间，使head + relation尽可能与tail相等，即head projection + relation = tail projection。适用于将知识图谱中的每条知识进行低维稠密化表示，比transE算法在处理非对称关系上有更好的效果。

5. TransD在trans系列中的优势

• TransD模型对每个实体或关系使用两个向量进行表示，一个向量表示语义，另一个用来构建映射矩阵，因为不同关系关注的是实体的不同方面，且前后实体往往是完全不同类的实体，应该使用不同的映射方法。
• TransD解决了TransR中参数多、矩阵相乘耗时长、不能应用到大规模知识图谱上的缺点。使用向量相乘大大减少计算时间、减少了参数量、能够应用于大规模知识图谱。
• TransD将TransE构造为自身的特殊情况：当实体和关系的语义向量维数相等且投影向量维数为0，TransD就简化为TransE。