知识图谱的表⽰学习⽅法
传统的知识图谱表⽰⽅法是采⽤OWL、RDF等本体语⾔进⾏描述；随着深度学习的发展与应⽤，我们期望采⽤⼀种更为简单的⽅式表⽰，那就是【向量】，采⽤向量形式可以⽅便我们进⾏之后的各种⼯作，⽐如：推理，所以，我们现在的⽬标就是把每条简单的三元组< subject,relation, object > 编码为⼀个低维分布式向量。
【表⽰学习】 ：表学习旨在将研究对象的语义信息表⽰为稠密低维实体向量，知识表⽰学习主要是⾯对知识图谱中的试题和关系进⾏表⽰学习，使⽤建模⽅法将实体和关系在低维稠密向量空间中，然后进⾏计算和推理，即--简单说：将三元组表⽰成向量的这个过程就称为表⽰学习。
知识表⽰的⼏个代模型：翻译模型、距离模型、单层神经⽹络模型、能量模型、双线性模型、张量神经⽹络模型、矩阵分解模型。
transE模型属于翻译模型：将每个三元组实例（head,relation,tail）中的关系relation看做是从实体head到实体tail的翻译，通过不断地调整h,r和t（head，relation,tail的向量）使（h+r）尽可能的与t相等，即h+r=t.
TransE是基于实体与关系的分布式向量，受Word2vec启发，利⽤了词向量的平移不变现象。例如：C(king)-C(queen)~~C(man)-C(woman) 其中，C(W)就是word2vec学习到的词向量表⽰。
TransE定义了⼀个距离函数d(h+r，t)，它⽤来衡量h+r和t之间的距离，在实际应⽤中可以使⽤L1或L2范数，在模型的训练过程中，transE采⽤最⼤间隔⽅法，最⼩化⽬标函数，⽬标函数如下：
其中，S是知识库中的三元组即训练集，S'是负采样的三元组，通过替换h或t所得，是⼈为随机⽣成的，y是取值⼤于0的间隔距离参数，是⼀个超参数，[x]+表⽰正值函数，即x>0时；[x]+=x;当x<=0时，[x]+=0。算法模型⽐较简单，梯度更新只需要计算距离d(h+r，t)和d(h'+r，t’)。这个过程和训练⼩狗⼀样，它做对了，就给⾻头吃，做错了，就打两下。模型训练过程：
（1）⾸先，确定训练集，超参数y,学习率λ
（2）初始化关系向量与实体向量，对于每⼀个向量的每⼀个维度在[-6/√k，-6/√k]内随机取⼀个值，k为低维向量的维数，对所有的向量初始化之后要进⾏归⼀化。
（3）进⼊循环：采⽤minibatch,⼀批⼀批的训练会加快训练速度，对于每批数据进⾏负采样（将训练集中的三元组某⼀实体随机替换掉），T_batch初始为⼀个空列表，然后向其添加由元组对（原三元组，打碎的三元组）组成的列表：
拿到T_batch后进⾏训练，采⽤梯度下降进⾏调参。
TransE算法（Translating Embedding）
