论文解读：（TransA）TransA: An Adaptive Approach for Knowledge Graph Embedding

简介

先前的知识表示方法：TransE、TransH、TransR、TransD、TranSparse等。的损失函数仅单纯的考虑$h+r$和$t$在某个语义空间的欧氏距离，认为只要欧式距离最小，就认为$h和t$的关系为r。显然这种度量指标过于简单，虽然先前的工作在得分函数上做出了不错的改进，但训练的损失函数约束了表示的能力，因此，本文TransA模型的提出，主要对损失函数进行改进。

虽然TransA的提出是在TransD、TranSparse之前，但实践表明TransA的提出很有价值

简要信息

摘要与引言

知识表示在人工智能领域内是非常重要的任务，许多研究试图将知识库中的实体和关系表示为一个连续的向量。通过这些尝试，基于翻译模型的表示方法是通过最小化头实体到尾实体的损失函数。尽管这些策略非常成功，但其损失函数过于简单，不能够很好的表示复杂多变的知识图谱。为了解决这些问题，我们提出TransA，一种对表示向量的自适应度量方法。根据度量学习的想法提出一个更灵活的嵌入方法。实验在几个基线数据集上完成，我们的模型获得了最优效果。
 * 根据度量学习提出一个更为灵活的嵌入方法。
 最近研究均涉及到知识图谱，像问答系统等需要对图谱进行表示，现如今提出的方法有TransE、TransH等。然而这些方法的度量标准仅仅是实体之间的欧氏距离，过于简单的损失函数不能够处理复杂多变的图谱。
 （1）由于缺乏灵活的损失函数，当前的翻译模型均是应用球形等位超平面，因此越靠近中心，实体对与对应关系的向量越相似。如图所示，这是TransE模型在FreeBase上训练的向量通过PCA降维得到的图：

橘黄色的为头实体，橘黄色的线与箭头则为对应的关系向量。蓝色的叉表示正确的尾实体，红色的圆点则是错误的尾实体，可知当简单的使用欧式距离来评判，会掺和进大量错误的实体。由于图谱是复杂多变的**，这一点很难避免**

）另外，由于过于简单的损失函数，使得当前几种翻译模型在对向量的每一个维度的训练处理方法相同。如图所示：

相关工作主要贡献

TransA

自适应度量分值函数

椭球面

特征加权

实现细节

采用距离排序损失函数

可以采用拉格朗日求梯度进行最小化。

经验

度量学习没了解过，先大致了解，后续深入研究，将其全部都搞定都行啦的样子与打算。