TransE到TransR的推理模型进化

基于表示学习的知识推理把实体和关系都压缩成低维向量，让向量之间的几何关系模拟实体间的 逻辑关系。TransE 的思路最直观——把关系当作向量空间里的一种平移操作，头实体向量加上 关系向量约等于尾实体向量，简单高效，但只能处理一对一的关系，遇到一对多、多对多的关系 （比如一个人可以有多个孩子）就会把所有”孩子”挤压到同一个向量位置，产生冲突。TransR 的改进是先把实体和关系分别投影到各自独立的空间，再在关系空间里计算距离，从根本上避开 了一对多场景下的向量坍缩问题。发散：TransE 到 TransR 的改进路径，和很多机器学习模型的 迭代逻辑相通——先用一个足够简单能跑通的假设验证方向，再针对性地放松这个假设里最不 现实的约束（这里是”关系是单一线性平移”这个假设）。