論文閱讀|NeurIPS 2013：（TransE）Embedding Embedding for Modeling Multi-relational Data

  摘要 我們研究了低維向量空間中多關係數據的嵌入實體和關係問題。我們的目標是提出一個易於訓練的規範模型，它將包含一組較少的參數，並且可以擴展到非常大的數據庫，因此，我們提出了TransE，該方法可以將對關係的建模在低維度的實體表徵空間上視爲一種翻譯操作。儘管它很簡單，但這個假設被證明是很強大的，因爲廣泛的實驗表明TransE在兩個知識庫上的的鏈接預測顯著優於STOA方法。此外，它還在一個擁有1M

>>阅读原文<<