想象你手里有一张巨大的“关系城市”地图。这座城市里没有马路，只有一个个闪着光的地标——“中国”“北京”“巴黎”“长城”；地标之间飘着发光的箭头，箭头上写着关系：“首都”“位于”“著名景点”。这张地图就是知识图谱，地标是实体，箭头是关系，而每条“地标 → 箭头 → 地标”的路线就是一个三元组。可问题是：地图缺了太多路，很多地标之间的箭头明明存在，却没人画上去。知识推理要做的，就是学会箭头的“脾气”，把缺失的路线自动补出来。 怎么让机器学会箭头脾气？科学家想了个聪明办法：把地标变成坐标系里的点，把关系变成“移动规则”。TransE 说：关系就是一次直线位移，从“中国”出发，沿“首都”这个箭头走一步，刚好落在“北京”上。RotatE 说：关系更像表盘上的旋转，把“中国”转到某个角度，正好对准“北京”。一个用直线搬家的方式描述世界，一个用旋转表盘的方式描述世界。这篇文将带你从地图开始，一步步看懂这两种模型如何让机器学会“指路”。

岗位关联

学懂 TransE 与 RotatE，你就掌握了知识图谱表示学习的底层逻辑——这是从事知识图谱补全、推荐系统、智能问答等 AI 工作的必备基本功，也是面试中高频考点。

目录
  1. 可视化演示
  2. 知识图谱基础：初见关系城市
  3. TransE 核心思想：把关系写成位移箭头
  4. TransE 训练机制：错题本与负样本
  5. TransE 的局限：直线箭头的地图死角
  6. RotatE 核心：把路牌换成旋转表盘
  7. 关系模式能力：对称、反对称、逆与组合
  8. 训练评估：旋转地图的考试
  9. 应用与展望：地图的自我生长
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

动态演示知识推理的核心机制，通过采集/分析/决策/反馈四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

知识推理：知识图谱 知识图谱表示学习问题定义 TransE翻译假设与能量函数 核心机制可视化 知识推理整体架构与关键组件

知识图谱基础：初见关系城市

想象你举着一张巨大的“关系城市”地图，上面没有道路，只有发光的建筑和飘动的箭头。每个建筑是一个实体，比如“中国”“北京”“故宫”；每条箭头是一种关系，比如“首都”“位于”“包含”。箭头从一座建筑指向另一座建筑，构成一条完整的路径，这就是三元组——我们记作 （头实体 h, 关系 r, 尾实体 t）。比如 (“中国”, “首都”, “北京”) 就是一条箭头从“中国”射出、标着“首都”、扎进“北京”的路线。

地图上的建筑太多了，机器没法直接“看”懂它们的名字。于是科学家做了一个关键决定：给每座建筑发一个坐标，把实体和关系都变成一组数字，这组数字就叫嵌入向量。就像城市规划局把每座建筑标上经纬度，实体从此有了数学意义上的“位置”；关系则变成连接位置的“移动规则”。有了坐标和移动规则，知识推理就不再是翻字典，而变成了纯粹的数学运算。

把整个城市坐标化之后，补全地图的任务就像在地图上做几何题：已知两个点和一个移动规则，求第三个点。接下来我们要看的 TransE，就是第一个想到用“直线平移”解决这道几何题的模型。

h, r, t ∈ Rd\mathbf{h},\ \mathbf{r},\ \mathbf{t}\ \in\ \mathbb{R}^{d}
这个公式说的是：头实体 h、关系 r、尾实体 t，都被表示成一个 d 维的实数向量，也就是 d 个数字组成的一串坐标。
  1. 头实体 h三元组里的起点，比如“中国”。
    h\mathbf{h}
  2. 关系 r连接两个实体的箭头标签，比如“首都”。
    r\mathbf{r}
  3. 尾实体 t三元组里的终点，比如“北京”。
    t\mathbf{t}
  4. d 维实数空间向量落在 d 维实数空间里，d 是嵌入维度，可以理解为坐标的“自由度”。
    Rd\mathbb{R}^{d}

TransE 核心思想：把关系写成位移箭头

想象你是这座关系城市的快递员，手里有一本路牌手册。手册上写着：“从中国出发，沿'首都'箭头走一步，就能到北京。”TransE 的思路和这本手册一模一样：它认为关系就是一次位移。在向量空间里，把头实体 h 的坐标加上一个“位移向量” r，得到的结果应该和尾实体 t 的坐标重合。

用数学语言说，TransE 为每个三元组立下一条铁律：h + r ≈ t。比如，如果我们把“中国”的坐标和“首都”这个位移向量加起来，应当非常接近“北京”的坐标。反过来，如果把“北京”和“首都”加起来，绝不应该接近“中国”——因为方向反了。为了让机器能打分，TransE 又把“接近程度”翻译成一个可计算的数值：打分函数。它把平移后的位置与真实终点的距离算出来，距离越小，说明这条三元组越可信。

这样，知识推理就变成了“找最近点”：给定“中国”和“首都”，模型只要在所有实体里找出哪个坐标离“移动后的位置”最接近，就能预测出“北京”。

fr(h,t)=∥h+r−t∥f_r(h,t)=\left\| \mathbf{h} + \mathbf{r} - \mathbf{t} \right\|
这个公式的意思是：先做位移（h+r），再看位移后的位置和终点 t 之间隔了多远。距离越小，说明“从 h 沿 r 出发到达 t”这个故事越合理。
  1. 起点加位移把头实体向量与关系向量相加，得到“预期终点”的位置。
    h+r\mathbf{h} + \mathbf{r}
  2. 减去真实终点用预期终点减去真实尾实体的坐标，得到偏差向量。若二者重合，偏差为零。
    h+r−t\mathbf{h} + \mathbf{r} - \mathbf{t}
  3. 求距离取偏差向量的范数，也就是它在空间中的长度，用来衡量偏差大小。
    ∥⋅∥\left\| \cdot \right\|
  4. 打分规则分数越小，三元组成立的可能性越高；分数越大，说明这条路画错了。
    fr(h,t)→0f_r(h,t) \to 0

TransE 训练机制：错题本与负样本

地图不会自己变准确，模型需要靠“做题”来学习。想象一个备考的学生：他不仅要反复做对题（正样本），还要把错题抄进错题本反复订正。TransE 的训练也正是如此——它不断从地图上抽取真实存在的三元组作为正样本，同时故意把正确的路牌改坏，造出一些不存在的三元组作为负样本。

怎么造负样本呢？最简单的方法是负采样：拿一个真实三元组，随机把里面的头实体或尾实体换成另一个实体。比如把 (“中国”, “首都”, “北京”) 换成 (“中国”, “首都”, “巴黎”)——谁都知道这是错的。模型的任务，就是让正样本的打分变小，让负样本的打分变大，两者之间还要留出一道安全距离，这个距离叫边际 γ。于是损失函数长成了这样：

训练时，模型用梯度下降不断微调每个实体和关系向量的坐标，就像学生一遍遍订正错题。经过若干轮迭代，正样本的分数被压到接近零，负样本的分数被推到远处，地图上的路牌也就逐渐校准了。

L=∑(h,r,t)∈S ∑(h′,r,t′)∈S′ max⁡(0, γ+fr(h,t)−fr(h′,t′))\mathcal{L}=\sum_{(h,r,t)\in S}\ \sum_{(h',r,t')\in S'}\ \max\Big(0,\ \gamma + f_r(h,t)-f_r(h',t')\Big)
这个公式的意思是：对每个正样本和它对应的负样本，如果正样本分数加上 γ 仍小于负样本分数，说明模型已经分得很开，不需要更新；否则就要调整参数，把正负样本拉开。
  1. 正样本集合 S真实存在的三元组，代表“地图上已经画对的路线”。
    (h,r,t)∈S(h,r,t)\in S
  2. 负样本集合 S'被破坏后的错误三元组，代表“故意画错的路线”。
    (h′,r,t′)∈S′(h',r,t')\in S'
  3. 边际 γ一个超参数，规定正样本必须比负样本“好”多少才安全。γ 越大，要求越苛刻。
    γ+fr(h,t)−fr(h′,t′)\gamma + f_r(h,t)-f_r(h',t')
  4. 截断函数 max(0,·)只有当正负样本分得不够开时，损失才非零；已经合格的样本不再给模型添麻烦。
    max⁡(0, ⋅)\max(0,\ \cdot)
  5. 双重求和遍历所有正样本，再对每个正样本遍历其所有负样本，把损失累积起来。
    ∑(h,r,t)∈S ∑(h′,r,t′)∈S′\sum_{(h,r,t)\in S}\ \sum_{(h',r,t')\in S'}

TransE 的局限：直线箭头的地图死角

TransE 的“直线位移”思路虽然简单，却在地图上撞上了一面墙，那就是对称关系。想象关系“相邻”：如果 A 国和 B 国相邻，那么从 A 出发沿“相邻”箭头能到 B，从 B 出发沿同一个箭头也应当能回到 A。可 TransE 要求同一个位移向量同时满足两个方向——这就像告诉快递员“从 A 向前走一步到 B，再从 B 向前走一步回 A”，除非这条路有一个环形时空，否则根本做不到。

把两个方程写在一起就能看出矛盾：h + r ≈ t 和 t + r ≈ h 同时成立，把第一个式子代入第二个，唯一的结果就是 r 必须等于零向量。这意味着“相邻”这个关系在 TransE 眼里会退化成“原地不动”，而两侧的实体向量也会被压到一起，失去区分度。

同样的问题也出现在一对多关系上：一个父亲有多个孩子，TransE 却要求同一个 r 同时指向多个不同的 t，这会把实体向量挤得互相重叠。TransE 本质上是为“一对一关系”设计的直线模型，当地图变得复杂，直线箭头就盖不住了。

h+r≈t,t+r≈h ⇒ r≈0\mathbf{h}+\mathbf{r}\approx\mathbf{t},\quad \mathbf{t}+\mathbf{r}\approx\mathbf{h}\ \Rightarrow\ \mathbf{r}\approx\mathbf{0}
这个推导说明：在 TransE 中，对称关系会把关系向量逼成零，让模型无法表达“双向可达”这类常识。
  1. 正向等式从 h 沿 r 走一步到 t，这是正向三元组的要求。
    h+r≈t\mathbf{h}+\mathbf{r}\approx\mathbf{t}
  2. 反向等式从 t 沿同一个 r 也能走回 h，这是对称关系的定义。
    t+r≈h\mathbf{t}+\mathbf{r}\approx\mathbf{h}
  3. 代入消元将两个等式联立，发现唯一自洽的解是 r 为零向量。
    r≈0\mathbf{r}\approx\mathbf{0}

RotatE 核心：把路牌换成旋转表盘

面对对称关系的死结，RotatE 换了一个思路：不当快递员了，改当表盘修理工。它把每个实体想象成表盘上的一个刻度位置，而关系不是“走一段直线”，而是“旋转一个角度”。从“中国”这个刻度出发，把表盘顺时针转“首都”这个角度，恰好落在“北京”刻度上。这样一来，对称关系就变得自然了：从 A 转到 B 是转 θ 度，从 B 转回 A 也就是再转 θ 度，恰好是转一整圈回到原位（或者转过 180° 的镜像位置）。

为了实现旋转，RotatE 把实体和关系都请进了复数空间。复数有一个神奇性质：乘以一个模长为 1 的数，就相当于在复平面上旋转。RotatE 让每个实体成为一个复数向量，让每个关系变成一串“单位旋转量”，三元组的要求变成了逐元素旋转：h 的每个分量乘以 r 的对应分量，等于 t 的对应分量。

有了“旋转”这个新工具，RotatE 不仅保留了 TransE 的表达能力，还解锁了对称、逆、组合等复杂关系模式。接下来我们看看这些“舞步”是如何在表盘上跳出来的。

h∘r≈t,ri=eiθi,∣ri∣=1\mathbf{h}\circ\mathbf{r}\approx\mathbf{t},\qquad \mathbf{r}_i=e^{i\theta_i},\qquad |\mathbf{r}_i|=1
这个公式的意思是：RotatE 中关系向量是一个复数向量，每个分量的模长都是 1，只贡献一个旋转角度 θ，像表盘上的指针一样能转不能伸缩。
  1. 逐元素复数乘法符号 ∘ 表示把两个复数向量逐位相乘，每个维度各自旋转。
    h∘r\mathbf{h}\circ\mathbf{r}
  2. 单位旋转量关系向量的每个分量写成 e 的 iθ 次方，本质是一个单位圆上的点，决定了旋转角。
    eiθie^{i\theta_i}
  3. 模长约束每个分量的模长必须等于 1，确保关系只旋转、不拉伸，像一个只有角度的表盘指针。
    ∣ri∣=1|\mathbf{r}_i|=1
  4. 旋转完等于终点h 旋转完应该落在 t 上，偏差越小三元组越可信。
    h∘r≈t\mathbf{h}\circ\mathbf{r}\approx\mathbf{t}

关系模式能力：对称、反对称、逆与组合

如果说 TransE 只会迈着直线步子走路，那 RotatE 就像一位会跳四种交谊舞的舞者。第一种舞步是对称关系（如“相邻”）：从 A 转到 B 是转 θ 度，从 B 转到 A 也要转 θ 度。两次旋转叠加后回到原位，即旋转角必须满足 2θ 是整圈——也就是 θ 等于 0° 或 180°。0° 表示两个实体重合，180° 则表示它们在表盘上关于圆心对称，正好表达“双向相邻”。

第二种舞步是逆关系（如“位于”与“包含”）：如果“位于”是顺时针转 60°，那么它的逆关系“包含”就是逆时针转 60°。第三种是反对称关系（如“大于”）：它不能同时成立，RotatE 通过把旋转角与它的逆角区分开来自然实现。第四种是组合关系（如“祖父 = 父亲 + 父亲”）：从 A 转 θ₁ 到 B，再从 B 转 θ₂ 到 C，总旋转角就是两个角度相加。

靠着这四种舞步，RotatE 可以优雅地处理大量真实世界的关系类型，不再像 TransE 那样在对称关系上摔跟头。

r∘r=1 ⇔ ei2θ=1 ⇔ θ∈{0,π}\mathbf{r}\circ\mathbf{r}=\mathbf{1}\ \Leftrightarrow\ e^{i2\theta}=1\ \Leftrightarrow\ \theta\in\{0,\pi\}
r3=r1∘r2 ⇔ θ3=θ1+θ2\mathbf{r}_3=\mathbf{r}_1\circ\mathbf{r}_2\ \Leftrightarrow\ \theta_3=\theta_1+\theta_2
这两个公式揭示了旋转模型的核心优势：对称关系对应旋转角 0 或 π，组合关系对应旋转角相加。旋转把逻辑关系翻译成了直观的角度运算。
  1. 对称条件旋转两次回到原样，要求 r 自乘等于单位元，即角度翻倍后是整圈。
    r∘r=1\mathbf{r}\circ\mathbf{r}=\mathbf{1}
  2. 角度解单位圆上满足 2θ 为整圈的角只有 0 和 π。
    θ∈{0,π}\theta\in\{0,\pi\}
  3. 组合关系三步路的旋转角相加，对应关系向量的复数乘法。
    θ3=θ1+θ2\theta_3=\theta_1+\theta_2

训练评估：旋转地图的考试

模型学得好不好，需要一场公平的考试。想象你在关系城市里给模型出了一道题：给出起点“中国”和关系“首都”，让它从城市里所有地标中挑出终点。模型会默默给每个候选地标打分，然后把分数从小到大排个名次——正确答案“北京”排在第几名，就是它这道题的得分。真正评估时，我们不会只考一道题，而是把所有测试三元组都考一遍，然后看两个关键指标。

第一个指标叫 MRR（平均倒数排名）：对每个测试三元组看正确答案的排名 rank，取倒数后求平均。如果正确答案总是排第一，MRR 就是 1；排名越靠后，对倒数的惩罚越重。第二个指标叫 Hits@10：统计正确答案排进前 10 名的三元组占比。它更宽容，只关心“正确答案是否出现在候选名单里”。

训练时的负采样也有讲究，伯努利负采样会根据关系类型动态调整替换头实体或尾实体的概率——就像考试出题时会根据知识点的性质决定“替换主语”还是“替换宾语”，避免总出同一种错误题型。

MRR=\frac{1}{|S|}\sum_{i=1}^{|S|}\frac{1}{rank_i},\qquadHits@10=\frac{1}{|S|}\sum_{i=1}^{|S|}\mathbb{I}[rank_i\le 10]
这两个公式分别衡量“平均排得多靠前”和“前排命中率”，是知识图谱链接预测领域最常用的两个指标。
  1. 排名 rank对每个测试三元组，模型给所有候选实体打分并排序，正确答案所在的位置就是 rank。
    rankirank_i
  2. 取倒数排名越靠前，倒数越大；第一名贡献满分 1，第十名只贡献 0.1。
    1ranki\frac{1}{rank_i}
  3. 求平均把所有测试样本的贡献加起来除以样本数，得到总体水平。
    1∣S∣∑i=1∣S∣\frac{1}{|S|}\sum_{i=1}^{|S|}
  4. 指示函数当条件成立时为 1，否则为 0，用来统计“排进前 10”的样本比例。
    I[ranki≤10]\mathbb{I}[rank_i\le 10]

应用与展望：地图的自我生长

掌握了 TransE 与 RotatE，就像给关系城市装上了自动补路的机器人。在实际工程中，链接预测是最直接的应用：搜索引擎的知识图谱经常缺边，比如某位科学家获得某个奖项的三元组缺失，模型就能根据周围实体和关系推断出缺失的关系。推荐系统更是这类模型的用武之地——把“用户-物品-标签”建模成一个迷你知识图谱，用户就是起点，交互行为就是关系，模型负责预测他下一步可能喜欢的地标。

更妙的是，旋转模型还能完成多跳推理。想象地图上有两条路：从 A 沿“父亲”到 B，再从 B 沿“父亲”到 C，那么模型可以自动推出 A 沿“祖父”能到 C。这在 TransE 里要靠向量相加，在 RotatE 里就是旋转角直接相加，直觉而优雅。

回到选型上：如果图谱关系偏简单、多是“一对一”且非对称，TransE 轻便高效，足够胜任；如果图谱里充满“相邻”“朋友”“家人”这类对称或组合关系，RotatE 的旋转表盘几乎是为它们量身定做的。地图不会自己长出路来，但有了这两种模型，机器就能在坐标与角度之间，把路一条条补出来。

(a,r1,b) ∧ (b,r2,c) ⇒ (a,r3,c),r3=r1∘r2(a,r_1,b)\ \wedge\ (b,r_2,c)\ \Rightarrow\ (a,r_3,c),\qquad \mathbf{r}_3=\mathbf{r}_1\circ\mathbf{r}_2
这个公式表示：如果两个三元组首尾相接，那么可以推出一个新的复合三元组，新关系向量由两个旧关系旋转合成。
  1. 推理前提已知两条首尾相接的路线，相当于地图上的两道箭头。
    (a,r1,b) ∧ (b,r2,c)(a,r_1,b)\ \wedge\ (b,r_2,c)
  2. 推理结论可以推出从 a 到 c 存在一条新关系 r₃，即复合关系。
    (a,r3,c)(a,r_3,c)
  3. 旋转合成新关系的向量等于两个旧关系向量逐元素相乘，对应角度相加。
    r3=r1∘r2\mathbf{r}_3=\mathbf{r}_1\circ\mathbf{r}_2

AI 应用场景

知识图谱补全：给地图补上断头路

阶段：模型推理 / 链接预测

解决的问题：大型知识图谱（如电商商品图谱、百科图谱）往往存在大量缺失关系。传统方式依赖人工规则或正则模板，覆盖低、维护难。AI 使用 TransE/RotatE 对已有三元组训练嵌入，再对可疑的候选 (h, r, ?) 打分排序，自动补全缺失路径。

具体案例：某电商平台构建“商品-品牌-品类”知识图谱时发现，“某手机→所属品牌→某品牌”的边缺失。工程师用 RotatE 训练图谱嵌入，对每个商品预测“所属品牌”关系，排在第一的候选品牌命中率达 72%，补全了超过十万条缺失边。

推荐系统：为游客推荐下一个地标

阶段：特征表示 / 召回排序

解决的问题：传统协同过滤只利用“用户-物品”交互，冷启动严重。AI 将“用户-物品-标签-品牌”组织成语义图谱，用知识推理嵌入把用户表示成图谱中的实体向量，进而预测用户与未交互物品之间存在“点击/购买”关系的概率，作为召回依据。

具体案例：某资讯 App 将用户与文章、作者、话题构建知识图谱，用 TransE 训练后，对每个用户生成 Top-100 候选文章，再让 RotatE 对“用户→喜欢→文章”三元组打分排序。上线后 CTR 提升 18%，冷启动用户推荐效果显著改善。

医药知识发现：在药图上寻找隐藏捷径

阶段：关系预测 / 知识发现

解决的问题：药物-靶点-疾病之间的关联隐藏在大量文献中，人工整理极其耗时。AI 用知识推理模型在药物知识图谱上预测“药物→治疗→疾病”等关系，寻找传统检索难以发现的间接关联。

具体案例：某生物医药团队把药物、蛋白、疾病构建成知识图谱，用 RotatE 预测“某老药→治疗→某罕见病”的三元组，模型在公开基准上 Hits@10 达到 0.61，筛选出 37 个候选老药新用组合，其中 5 个进入体外实验验证。

Python 演示

python87 行
import numpy as np np.random.seed(42) ents = ["中国", "北京", "法国", "巴黎", "A国", "B国"]rels = ["首都", "相邻"] triples = [    ("中国", "首都", "北京"),    ("法国", "首都", "巴黎"),    ("A国", "相邻", "B国"),    ("B国", "相邻", "A国"),]  def norm(v):    return np.sqrt(np.sum(v * np.conj(v)).real)  class TransE:    def __init__(self, dim=16, margin=1.0, lr=0.1):        self.dim = dim        self.margin = margin        self.lr = lr        self.emb = {e: np.random.randn(dim) for e in ents}        self.rel = {r: np.random.randn(dim) for r in rels}     def score(self, h, r, t):        return norm(self.emb[h] + self.rel[r] - self.emb[t])     def train(self, steps=800):        for _ in range(steps):            for h, r, t in triples:                if np.random.rand() < 0.5:                    h2, t2 = str(np.random.choice(ents)), t                else:                    h2, t2 = h, str(np.random.choice(ents))                p = self.emb[h] + self.rel[r] - self.emb[t]                n = self.emb[h2] + self.rel[r] - self.emb[t2]                if norm(p) - norm(n) + self.margin > 0:                    self.emb[h] -= self.lr * p                    self.emb[t] += self.lr * p                    self.emb[h2] += self.lr * n                    self.emb[t2] -= self.lr * n                    self.rel[r] += self.lr * (n - p)  class RotatE:    def __init__(self, dim=16, margin=1.0, lr=0.1):        self.dim = dim        self.margin = margin        self.lr = lr        self.emb = {e: np.exp(1j * np.random.uniform(0, 2 * np.pi, dim)) for e in ents}        self.rel = {r: np.exp(1j * np.random.uniform(0, 2 * np.pi, dim)) for r in rels}     def score(self, h, r, t):        return np.linalg.norm(self.emb[h] * self.rel[r] - self.emb[t])     def train(self, steps=800):        for _ in range(steps):            for h, r, t in triples:                if np.random.rand() < 0.5:                    h2, t2 = str(np.random.choice(ents)), t                else:                    h2, t2 = h, str(np.random.choice(ents))                p = self.emb[h] * self.rel[r] - self.emb[t]                n = self.emb[h2] * self.rel[r] - self.emb[t2]                if np.linalg.norm(p) - np.linalg.norm(n) + self.margin > 0:                    self.emb[h] -= self.lr * p * np.conj(self.rel[r])                    self.emb[t] += self.lr * p                    self.emb[h2] += self.lr * n * np.conj(self.rel[r])                    self.emb[t2] -= self.lr * n                    self.rel[r] += self.lr * (n * np.conj(self.emb[h2]) - p * np.conj(self.emb[h]))                self.rel[r] /= np.abs(self.rel[r])  t1 = TransE()t1.train()t2 = RotatE()t2.train() print("[TransE] 关系向量长度（首都应较大，相邻被削短）:")for r in rels:    print("  %s: %.3f" % (r, norm(t1.rel[r])))print("[RotatE] 关系旋转平均相位（度）:")for r in rels:    print("  %s: %.1f" % (r, np.degrees(np.angle(t2.rel[r]).mean())))
目的：用一个迷你知识图谱对比 TransE 与 RotatE——TransE 在对称关系“相邻”上把关系向量压成接近零，而 RotatE 用接近 180° 的旋转角优雅表达对称。
  1. self.emb = {e: np.random.randn(dim) for e in ents}初始化每个实体的随机向量，相当于先给地标随便发个坐标。
  2. self.rel = {r: np.random.randn(dim) for r in rels}初始化关系向量，即给每条路先随机画一个箭头。
  3. p = self.emb[h] + self.rel[r] - self.emb[t]计算正样本的偏差向量，衡量 h+r 离 t 有多远。
  4. h2, t2 = str(np.random.choice(ents)), t随机替换头实体或尾实体来构造负样本，相当于故意画错一条路。
  5. if norm(p) - norm(n) + self.margin > 0:只有当正负样本距离不够远时才更新，类似错题本只订正做错的题。
  6. self.rel[r] /= np.abs(self.rel[r])每次更新后把关系向量强制拉回单位圆，确保它只做旋转不伸缩。
  7. np.angle(t2.rel[r]).mean()读取关系向量的平均相位角（单位弧度），乘 180/π 换算成角度，验证对称关系收敛到 180°。

常见误区

误区既然 TransE 能把实体和关系都嵌入向量空间，那它应该什么关系都能学，包括“相邻”“朋友”这类对称关系。

正解TransE 本质上假设关系是“一对一”的直线位移。对对称关系，它会被迫把关系向量压成零向量，导致实体表示退化；对一对多关系，同一个位移向量无法同时指向多个不同终点。它擅长的是“中国→首都→北京”这类非对称、一对一的确定性关系。

为何常见：因为 TransE 简单又出名，很多入门教程只讲它的平移公式，很少强调它适用的关系类型，让人误以为它是万能的。

误区听到“RotatE 用旋转建模关系”，就以为它像陀螺一样在三维空间里转，实体嵌入是三维向量。

正解RotatE 的旋转发生在复数平面，是二维旋转，而且是在每个嵌入维度上各自独立旋转。实体被表示为复数向量，关系向量每个分量的模长为 1，只带一个角度信息。它不是立体的“陀螺”，而是多个叠在一起的“表盘”。

为何常见：“旋转”这个词很容易让人联想到三维空间，但复数乘法的几何意义是二维平面旋转，两者完全是两码事。

误区维度是模型的容量，把嵌入维度设得很大，模型表达能力更强，训练出来的推理准确率一定更高。

正解嵌入维度确实影响容量，但维度越大，参数量越多，越容易在小知识图谱上过拟合——模型把训练三元组背下来，测试时反而表现更差。实际调参中，常用维度在 64~256 之间，需要结合图谱规模和数据量一起选择。

为何常见：深度学习里“大模型更强”的直觉深入人心，但知识图谱补全通常数据稀疏，容量过大的代价会超过收益。

误区构造负样本就是把三元组的头或尾随机换掉，换谁无所谓，反正都是不存在的错误三元组。

正解随机均匀采样容易生成“假阴性”——换出来的三元组可能恰好是图谱里缺失但真实存在的事实。更合理的做法是伯努利负采样：根据关系类型动态调整替换头尾的比例，降低假阴性干扰，让训练信号更干净。

为何常见：初学者只看到负样本是“随机”生成，忽略了不同关系的头尾分布差异，直到模型训练不稳定才察觉问题。

面试题

Q1. TransE 的核心思想是什么？

单选题 · easy

  • A.用向量加法表示关系← 正确答案
  • B.用复数乘法表示关系
  • C.用矩阵乘法表示关系
  • D.用注意力机制表示关系

答案：A。TransE 把关系建模为头实体到尾实体的位移向量，打分时计算 h+r 与 t 的距离，属于向量加法。复数乘法是 RotatE 的建模方式，矩阵乘法和注意力机制都不是 TransE 的核心。

Q2. RotatE 中实体和关系被表示在哪个空间？

单选题 · easy

  • A.实数向量空间
  • B.复数向量空间← 正确答案
  • C.概率分布空间
  • D.图卷积网络空间

答案：B。RotatE 利用复数乘法实现旋转，实体是复数向量，关系的每个分量是单位复数 e^{iθ}。实数向量空间是 TransE 的领地，概率空间和图卷积空间与 RotatE 无关。

Q3. 对称关系“相邻”在 TransE 中会迫使关系向量发生什么？

单选题 · mid

  • A.趋于零向量← 正确答案
  • B.趋于无穷向量
  • C.保持随机向量
  • D.变成正交向量

答案：A。对称关系要求 h+r≈t 和 t+r≈h 同时成立，联立可得 r≈0。TransE 无法表达“双向可达”，只能让关系向量退化，这是它的固有局限。

Q4. RotatE 对关系向量模长的约束是什么？

单选题 · mid

  • A.恒为 1← 正确答案
  • B.恒为 0
  • C.与实体相同
  • D.几乎无约束

答案：A。RotatE 的关系向量每个分量都为 e^{iθ}，模长恒为 1，所以关系只提供旋转角度，不改变实体的模长。这是“旋转而非拉伸”的关键约束。

Q5. RotatE 中关系“对称”要求旋转角满足什么条件？

单选题 · mid

  • A.旋转角为 0 或π← 正确答案
  • B.旋转角恒为π/2
  • C.旋转角为任意值
  • D.旋转角与实体无关

答案：A。对称关系要求 r∘r=1，即 e^{i2θ}=1，解得 θ=0 或 π。θ=0 表示实体重合，θ=π 表示实体关于圆心对称，两者都能表达对称关系。

Q6. RotatE 中复合关系 r3=r1∘r2 对应旋转角如何变化？

单选题 · hard

  • A.两个角度相加← 正确答案
  • B.两个角度相乘
  • C.后角减前角
  • D.两个角度相除

答案：A。复数乘法对应角度相加，e^{iθ1}×e^{iθ2}=e^{i(θ1+θ2)}。所以“祖父 = 父亲 + 父亲”这类组合关系在 RotatE 中就是旋转角直接相加。

Q7. TransE 的局限有哪些？

多选题 · mid

  • A.难以建模对称关系← 正确答案
  • B.一对多关系易冲突← 正确答案
  • C.自反关系易退化← 正确答案
  • D.能完美建模所有关系

答案：ABC。TransE 用单一位移向量表达关系，对称关系迫使向量为零，一对多（一个父亲多个孩子）让同一个 r 指向不同终点，自反关系同样退化。它并非万能的，D 错误。

Q8. 伯努利负采样比均匀负采样强在什么地方？

单选题 · mid

  • A.按关系类型替换头尾← 正确答案
  • B.删除错误的三元组数据
  • C.增大嵌入向量的维度
  • D.减少训练所需的数据量

答案：A。伯努利负采样根据关系是更偏向“替换头”还是“替换尾”来动态决定采样方式，减少假阴性样本，让训练信号更干净。它不删除数据、不改变维度，也不减少样本量。

Q9. 评估知识图谱链接预测常用的指标有哪些？

多选题 · hard

  • A.平均倒数排名 MRR← 正确答案
  • B.命中前10比例 Hits@10← 正确答案
  • C.机器翻译指标 BLEU
  • D.语言模型困惑度指标

答案：AB。MRR 衡量正确答案平均排名的倒数，Hits@10 衡量正确答案进入前 10 的比例，都是链接预测的标准指标。BLEU 用于机器翻译，困惑度用于语言模型，与知识图谱推理无关。

Q10. 若“北京→位于→中国”与“中国→首都→北京”都成立，则“位于”与“首都”的旋转角是什么关系？

单选题 · hard

  • A.互为相反数关系← 正确答案
  • B.完全相同的关系
  • C.相差九十度的关系
  • D.毫无关联的两个角

答案：A。从北京转 θ₁ 到中国，从中国转 θ₂ 到北京，两次旋转正好回到起点，所以 θ₁+θ₂=0，即“位于”和“首都”互为逆关系，旋转角互为相反数。