阅读论文笔记《Translating Embeddings for Modeling Multi-relational Data》

一、模型核心原理剖析

TransE 模型旨在学习知识库中实体和关系的嵌入表示。它的核心思想十分巧妙，将实体和关系都用向量来表示。想象一下，在一个向量空间里，每个实体和关系都有自己的“位置”。当两个实体之间确实存在某种关系时，就如同在这个空间里进行一场向量的“旅行”：把头部实体的向量和关系的向量相加，得到的结果向量应该和尾部实体的向量很接近；反之，如果这两个实体之间没有这种关系，那加出来的向量和尾部实体的向量就会离得远远的。为了衡量这种“接近程度”，模型使用了损失能量函数 $d(h+l,t)$，这里的$d$可以是1范式或者2范式。同时，模型采用基于边界的排序准则损失函数，并通过生成负样本的方式来最小化损失。

为了避免模型通过不合理地增大实体嵌入向量的长度来降低损失值，还对实体嵌入向量进行了限制，要求其$L_2$范数为1。在优化过程中，模型运用小批量随机梯度下降算法，就像在复杂的地形中寻找最优路径一样，逐步调整实体和关系的嵌入向量，使得模型的预测效果越来越好。

二、实验设计与数据集选择

论文在实验方面做了精心的安排，选择了 Wordnet（WN）、Freebase（FB15K和FB1M）这些具有代表性的数据集。评估指标采用了平均排名和 hits@10，平均排名越低、hits@10越高，说明模型的性能越好。并且设置了过滤设置，以排除一些干扰因素，更准确地评估模型性能。

在实验过程中，还引入了多个基线模型进行对比，如 Unstructured、RESCAL、SE等。对于每个模型，都进行了超参数选择，以确保它们在实验中能发挥出最佳性能。这种严谨的实验设计，就像一场公平的竞赛，让各个模型在相同的条件下展示自己的“实力”，从而清晰地对比出TransE模型的优势和特点。

三、实验结果深度解读

（一）链接预测实验

从链接预测实验的整体结果来看，TransE模型的表现十分亮眼。在 Table 3 中可以看到，无论是在 WN 数据集还是 FB15K 数据集上，TransE 模型的平均排名都相对较低，hits@10 都相对较高。在 WN 数据集中，TransE 模型的平均排名在过滤设置下为 251，hits@10 达到了 89.2%；在 FB15K 数据集中，平均排名在过滤设置下为 125，hits@10 为 47.1%。与其他基线模型相比，Trans E模型在所有指标上都具有明显优势，这充分证明了它在链接预测任务中的强大能力。

（二）关系分类实验

进一步深入到关系分类的详细结果（Table 4），可以发现 TransE 模型在不同关系类别下的表现也可圈可点。在一对一关系中，预测头部和尾部实体时 hits@10 均为 43.7%；在一对多关系中预测头部实体时，hits@10 为 65.7% 。这表明 TransE 模型能够较好地处理不同类型的关系，在面对复杂的关系结构时，依然能够保持较高的预测准确率。

（三）链接预测示例

Table 5 展示了 TransE 模型在 FB15k 测试集上的链接预测结果示例。比如，当输入 “J. K. Rowling influenced by” 时，模型预测出的 “G. K. Chesterton, J. R. R. Tolkien” 等尾部实体，都与实际情况相符，体现了模型预测的合理性和准确性。虽然正确答案并不总是排名第一，但这些预测结果反映了一定的常识，让我们对模型的实际应用能力有了更直观的感受。

（四）泛化实验

在泛化实验中，通过检查各方法学习新关系的速度来测试它们对新事实的泛化能力。实验结果（Figure 1）显示，TransE 模型是学习速度最快的方法之一。仅用 10 个新关系的示例，hits@10 就已经达到 18%，并且随着提供样本数量的增加，性能单调提升。这说明 TransE 模型具有良好的泛化能力，能够快速适应新的关系数据，在面对不断更新的知识图谱时，具有很大的应用潜力。

四、模型优缺点总结

（一）优点

TransE 模型最大的优点就是在链接预测任务中表现极为优秀。它不仅能够准确地预测出实体之间的关系，而且在处理大规模数据集时，具有较高的效率和可扩展性。同时，模型的简单性使得它能够很好地泛化，在学习新关系时速度快，不需要对已经训练好的嵌入进行复杂的修改。

（二）缺点

然而，TransE 模型也并非完美无缺。当数据中头部实体、关系和尾部实体之间的三元依赖关系至关重要时，该模型可能会失效。这意味着在一些复杂的知识图谱场景中，可能需要结合其他模型或者方法来弥补 TransE 模型的不足。

五、后续工作

后续将进行论文的复现