TransE [ Bordes et al., 2013] 是最具代表性的位移距离模型， 其核心思想是实体和关系间的位移假设： 三元组中头实体向量表示h与关系的向量表示r之和与尾实体向量表示 t越接近越好， 即 h + r ≈ t
TransE基于实体和关系的分布式向量表示，将每个三元组实例（head，relation，tail）中的关系relation看做从实体head到实体tail的翻译，通过不断调整h、r和t（head、relation和tail的向量），使（h + r） 尽可能与 t 相等，即 h + r = t。
代码的实现：
项目数据采用FB15数据集实现TransE模型，代码来源：https://github.com/Anery/transE
实体数据：entity2id，第一列为实体名字，第二列为实体ID
关系数据：relation2id，第一列为关联名字，第二列为关系ID
（h,t,r）数据，包括三列，第一列H实体名字，第二列T实体名字，第三列R关系名字。分为训练集，验证集和测试集
- 首先，TransE模型采用k维随机均匀分布对每个实体和每个关系进行向量初始化
- 然后，批训练数据集构建，从训练集中随机选出正面样本（h,r,t），然后基于正面样本，保持正面样本中h，r或r，t不变，改变t或h，获得负面样本，合并一起构成批训练数据集。
- 表示向量更新，采用随机梯度下降法，对批训练数据集中正面样本（h,r,t）和负样本的向量表示进行更新。update_embeddings函数中，要对correct triplet和corrupted triplet都进行更新（因为不同时替换头尾实体，所以在每步更新时重叠的实体要更新两次）
- TranE直接对向量表示进行训练，每个实体（head或tail）对应一个k维向量，每个关系对应一个k维向量，所有的k维向量即为TransE模型的参数，需要训练的参数。
TransE模型训练 ：
TransE模型的目标函数：
L1范数，也称为曼哈顿距离，使用L1范数可以衡量两个向量之间的差异性，也就是两个向量的距离
L2范数，也称为欧式距离，L2范数也可以用来衡量两个向量之间的差距
其中距离度量方式有L1范数和L2范数两种。在测试时，以⼀个三元组为例，用语料中所有实体替换当前三元组的头实体计算距离，将结果按升序排序，用正确三元组的排名情况来评估学习效果，同理，对尾实体也这样做。
度量标准选择hits@10和mean rank，前者代表命中前10的次数/总查询次数，后者代表正确结果排名之和/总查询次数。
测试结果：
超参选择：对FB15k数据集，epoch选了20，可以增加epoch来提高模型，nbatches选了400（训练最快），embedding_dim=50, learning_rate=0.01，margin=1。
参考文章：
https://blog.csdn.net/shunaoxi2313/article/details/89766467
https://blog.csdn.net/weixin_44023339/article/details/100080669