2、TransE模型基本思想与数学原理

聊到知识图谱嵌入，TransE 绝对是个绕不开的模型。它简单、高效，很多后来的模型都是在它的基础上缝缝补补。

说白了，TransE 的核心思想特别直观：把知识图谱里的实体和关系，都映射到一个低维的向量空间里。然后，用向量之间的平移操作，来捕捉它们之间的语义联系。

你想想看，这就像玩坐标系里的点。每个实体是一个点，每个关系是一次移动。一个三元组 (头实体, 关系, 尾实体) 变成了：

头实体向量 + 关系向量 ≈ 尾实体向量

这公式干净利落。我第一次看到它时，心里就一个感觉：简单到极致，但力量惊人。

2.1 核心假设：头加关系约等于尾

TransE 最核心的假设就是 h + r ≈ t。我个人习惯把这个式子当作模型的“灵魂公式”。

用一个具体例子讲清楚：

• 三元组：(阿司匹林, 治疗, 头痛)
• 向量操作：阿司匹林 + 治疗 ≈ 头痛

如果在向量空间里，阿司匹林 这个点的位置，沿着 治疗 这个方向平移一段距离后，恰好落在 头痛 这个点的附近。

这就说明模型学对了。反之，如果是 阿司匹林 + 治疗 ≈ 发烧，那这个三元组就“有问题”，模型会给它一个很低的分数。

嗯，这里要注意，模型根本不理解“阿司匹林”是什么药。它只是在向量空间里，通过这种平移关系，学到了实体和关系的数值表示。

2.2 得分函数：三元组对不对？算一个分数

怎么判断一个三元组是真是假？TransE 用一个 得分函数 (Score Function) 来衡量。

公式长这样：

f(h, r, t) = || h + r - t ||

看到这个竖线符号了吗？这是 L1 或 L2 范数。说白了，就是计算向量 h + r 和向量 t 之间的“距离”。

距离越小，说明这个三元组越“合理”。
距离越大，说明这个三元组越“荒谬”。

举个例子：
假设真实三元组 (阿司匹林, 治疗, 头痛) 的得分是 0.3。那么一个随机拼凑的三元组 (阿司匹林, 治疗, 咳嗽) 的得分可能是 3.5。

模型的目标就是：让正确三元组的得分尽可能低，让错误三元组的得分尽可能高。

2.3 损失函数：模型如何优化

光有得分函数还不够，模型还得知道怎么“学习”。这就要靠 损失函数 (Loss Function) 了。

TransE 最常用的损失函数是 基于最大间隔的排序损失 (Margin-based Ranking Loss)。

它的逻辑是：

1. 取出一个正确的三元组 (正样本)。
2. 构造一个错误的三元组 (负样本)，比如把实体或关系随机替换掉。
3. 正样本的得分要远低于负样本的得分。

损失函数公式如下：

L = Σ max(0, γ + f(h, r, t) - f(h', r, t'))

这里面有几个关键参数：

参数	含义	项目经验
γ (gamma)	间隔超参数	我项目里多用 1.0 或 2.0，太小会导致错误三元组被误判。
f(h,r,t)	正三元组得分	当然越低越好。
f(h',r,t')	负三元组得分	希望能比正样本高出一截。

为什么会这样？
通俗解释：正样本得分是 0.5，负样本得分是 1.2，γ 设为 1.0。

代入公式算一下：
损失 = max(0, 1.0 + 0.5 - 1.2) = max(0, 0.3) = 0.3

模型还在“不满意”，因为差距不够大。它会继续调整向量，直到正负样本分数拉开。

2.4 模型框架图

下面这张图，把 TransE 的核心逻辑串起来了。建议配合上面讲的内容一起看。

2.5 为什么 TransE 在药物领域特别火

我个人总结了三点原因：

• 简单至上：只需要维护实体和关系两种向量，训练速度快，调参成本低。我在做 PK/PD 知识图谱时，数据量不大，跑 TransE 几个小时就能收敛。
• 符合直觉：药物-靶点-疾病的关系，很多天然就带有“转移”语义。比如“阿司匹林抑制COX-2”，如果把“抑制”视为一个关系向量，那么整个逻辑链就很清晰。
• 可解释性强：你能直接观察向量空间中实体的位置，理解药物之间的相似性、关系之间的平移差。

最后说一句，TransE 最大的优点也是最大的缺点。它只能处理 一对一 的关系。
当遇到“一对多”、“多对一”或者“多对多”的情况，它的表现会明显下降。但那是后面章节要讲的话题了。