傳統的知識圖譜表示方法是采用OWL、RDF等本體語言進行描述；隨着深度學習的發展與應用，我們期望采用一種更為簡單的方式表示，那就是【向量】，采用向量形式可以方便我們進行之后的各種工作，比如：推理，所以，我們現在的目標就是把每條簡單的三元組< subject, relation, object > 編碼為一個低維分布式向量。
【表示學習】 ：表學習旨在將研究對象的語義信息表示為稠密低維實體向量，知識表示學習主要是面對知識圖譜中的試題和關系進行表示學習，使用建模方法將實體和關系在低維稠密向量空間中，然后進行計算和推理，即--簡單說：將三元組表示成向量的這個過程就稱為表示學習。
知識表示的幾個代模型：翻譯模型、距離模型、單層神經網絡模型、能量模型、雙線性模型、張量神經網絡模型、矩陣分解模型。
transE模型屬於翻譯模型：將每個三元組實例（head,relation,tail）中的關系relation看做是從實體head到實體tail的翻譯，通過不斷地調整h,r和t（head，relation,tail的向量）使（h+r）盡可能的與t相等，即h+r=t.
TransE是基於實體與關系的分布式向量，受Word2vec啟發，利用了詞向量的平移不變現象。
例如：C(king)-C(queen)~~C(man)-C(woman) 其中，C(W)就是word2vec學習到的詞向量表示。
TransE定義了一個距離函數d(h+r，t)，它用來衡量h+r和t之間的距離，在實際應用中可以使用L1或L2范數，在模型的訓練過程中，transE采用最大間隔方法，最小化目標函數，目標函數如下：
其中，S是知識庫中的三元組即訓練集，S'是負采樣的三元組，通過替換h或t所得，是人為隨機生成的，y是取值大於0的間隔距離參數，是一個超參數，[x]+表示正值函數，即x>0時；[x]+=x;當x<=0時，[x]+=0。算法模型比較簡單，梯度更新只需要計算距離d(h+r，t)和d(h'+r，t’)。這個過程和訓練小狗一樣，它做對了，就給骨頭吃，做錯了，就打兩下。
模型訓練過程：
（1）首先，確定訓練集，超參數y,學習率λ
（2）初始化關系向量與實體向量，對於每一個向量的每一個維度在[-6/√k，-6/√k]內隨機取一個值，k為低維向量的維數，對所有的向量初始化之后要進行歸一化。
（3）進入循環：采用minibatch,一批一批的訓練會加快訓練速度，對於每批數據進行負采樣（將訓練集中的三元組某一實體隨機替換掉），T_batch初始為一個空列表，然后向其添加由元組對（原三元組，打碎的三元組）組成的列表：
拿到T_batch后進行訓練，采用梯度下降進行調參。
word2vec + transE 知識表示模型
TransE算法（Translating Embedding）