📚 课程目录第3章三元组与嵌入空间的概念

3、三元组与嵌入空间的概念归纳总结

好，到了第三章。前两章我们把知识图谱和TransE的来龙去脉捋了一遍，你觉得“嗯，大概知道是干什么的了”。但真正上手写代码之前，有几个底层概念必须掰开揉碎讲清楚——三元组和嵌入空间。这俩是TransE的根基，搞不懂它们，后面看公式两眼一抹黑。

我个人习惯在学任何模型前，先把“数据长什么样”、“数据要变成什么样子”想清楚。说白了，三元组就是知识图谱的原子单位；嵌入空间就是我们要把原子单位翻译过去的目标世界。今天我们就干一件事：把这两块彻底整明白。

你在建药物知识图谱时，会看到类似下面这些事实：

每个事实就是一个三元组（triple）。符号上我们记作 (h, r, t)，其中h是头实体，r是关系，t是尾实体。注意，这里的“头”和“尾”只是方向标记，不代表优先级。嗯，这里要注意：关系是有向的。比如“治疗”这个关系从药物指向疾病，反过来一般不成立（疾病不能治疗药物）。

我在项目中遇到过有人把关系理解成无向边，结果模型怎么训都不收敛。后来排查发现，框架里默认关系是有向的，但原始数据里关系写反了。所以方向性是三元组的第一条铁律。

你想想看，药物知识图谱里动辄几十万条三元组，但它们本质上都服从同一个模式：(实体 A) — 关系 R → (实体 B)。这就是TransE要喂进去的“食材”。

三元组是符号化的——阿司匹林是个字符串，治疗也是个字符串。计算机没法直接理解“阿司匹林”和“头痛”之间那层语义。怎么办？把它们映射到低维连续向量空间里。这个空间我们叫嵌入空间（embedding space）。

举个例子，假设嵌入维度是100，那么每个实体用一个100维的浮点数向量表示，每个关系也用100维的向量表示。这就好比给每个概念发了一张身份证，身份证号码不是数字，而是一串有几何含义的坐标。

嵌入空间有几个关键特性：

核心要点：Embedding space is where symbols become vectors, and relationships become arithmetic operations.

（嵌入空间就是把符号变成向量、把关系变成算术运算的地方。）

现在我们把三元组和嵌入空间串起来。TransE做了一个极其大胆的假设：

如果三元组 (h, r, t) 为真，则 h 的嵌入向量 + r 的嵌入向量 ≈ t 的嵌入向量

换句话说，头实体顺着关系方向平移一下，就应该落到尾实体附近。这个假设简洁到令人怀疑——但它确实有效。我记得第一次看到这个公式时还嘀咕：“就这？能行？”后来在药物相互作用预测任务上跑出来的结果，AUC直接干到0.85以上。嗯，简单就是美。

那么问题来了：怎么度量“≈”？我们通常用距离函数，比如L1或L2范数：

f(h, r, t) = || h + r - t ||²₂

如果 f 很小，说明三元组成立；
如果 f 很大，说明假三元组。

训练过程就是不断调整所有h、r、t的向量，让真的三元组距离小，假的三元组距离大。

⚠️ 曾经有学员问我：“为什么不用余弦相似度？”注意，TransE用的是平移假设，核心是向量加法后的差值，而不是方向对齐。余弦相似度更适合文本语义相似，但在这里会丢失平移的尺度信息。

为了让你一眼看清这三块怎么咬合的，我画了张图。它展示了从原始三元组到嵌入空间再到判断是否成立的完整链路。

假设我们有下面这个三元组：

如果这个三元组是真事实，那么理想情况是：

h + r ≈ t
# 比如（简化示意）
h = [0.2, -0.5, 0.8]
r = [0.3,  0.1, -0.2]
t = [0.5, -0.4, 0.6]   # 注意：h+r = [0.5, -0.4, 0.6]，正好等于t

但如果换成假三元组（比如“阿司匹林→治疗→胃炎”），模型会给它算出一个大分数，比如 ||h+r-t||² = 5.7，从而判定为假。

实战小技巧：刚开始调模型时，可以随机挑几个已知的真三元组，手动打印出 h+r 和 t 的向量差。如果差向量的范数比假三元组小一个数量级，说明训练正常。我曾靠这个trick揪出过一个bug——原来实体ID和向量初始化顺序没对齐，导致所有“真”三元组的分数都乱蹦。