TransE
Parent: ai_keywords
TransE
核心定义
TransE（Translating Embeddings）是一种基于距离的知识图谱嵌入模型，由Bordes等于2013年提出。其核心假设为：对于知识图谱中的三元组 (h, r, t)，关系 r 可视为头实体向量 h 到尾实体向量 t 的平移变换，即 h + r ≈ t。模型通过最小化基于欧氏距离（或曼哈顿距离）的损失函数，学习实体和关系的低维连续向量表示，从而实现知识图谱的数值化与链接预测。
关键技术点
- 平移假设：关系被建模为实体间的平移向量，计算复杂度低，易于大规模训练。
- 评分函数：
f(h, r, t) = ∥h + r − t∥，值越小表示三元组成立的可能性越高。 - 负采样与边际损失：采用基于合页损失（hinge loss）的训练目标，随机替换头或尾实体生成负样本，并引入边际
γ强制正例得分低于负例。 - L2正则化：训练时对实体和关系嵌入施加单位球面约束，防止过拟合与尺度膨胀。
- 局限性：无法有效处理1-N、N-1、N-N及对称/非对称关系，后续衍生出TransH、TransR等改进模型。
医学/神经科学应用场景
在首都医科大学神经病学研究中，TransE可用于构建阿尔茨海默病（AD）知识图谱。例如，整合AD相关的基因（如APOEε4等位基因）、蛋白质（β-淀粉样蛋白、tau蛋白）、药物（多奈哌齐）、病理机制（突触丢失）、症状（记忆减退）等实体及其关系（“APOEε4等位基因”与“β-淀粉样蛋白沉积”之间的“促进”关系）。通过TransE训练后，可利用向量运算进行推理：已知“A药物”“抑制”“B蛋白”，且“B蛋白”“激活”“C通路”，则可计算得到“A药物”与“C通路”之间的潜在负向关联，从而为药物重定位提供假设。此外，利用实体嵌入的余弦相似度可聚类相似患者表型（如不同认知下降轨迹），辅助精准分型与治疗策略制定。
