上篇文章 重点介绍了 TansE 算法的实现原理和核心思想：找出 h r ≈ t (相对较高的信心)三元组做预测

文末还提到，这种方法也有特定的缺陷，语义关系不能很好地处理，特别是在一对多关系模式下，如下图所示：

在替换了三元组的尾实体向量后，这些新的三元组具有较高的信誉，其中真正的三元组命中率相对较高（参考上一篇文章），但这些尾实体之间的语义关系无法判断， 因为在二维平面中，h 到 t 翻译路径之间只有一条，后续的改进方法是破坏这种翻译路径的独特性，重建向量空间（考虑关系）以改善它TransE语义识别问题…】它们无限接近数学表达，不知道四尾实体的语义联系和区别。例如，我们都得了100分，被系统划分为优秀的学生，但我和你是什么样的人，什么共同点和差异，系统不知道，它唯一知道的是我们学习关系很好，甚至认为我和你没有区别，我等于你，你等于我…，这样做的后果是正在使用mini-batch SGD更新参数，这些样本三元组放弃使用，因为它们被认为是一样的，所以这些原本属于例子的三元组不会出现在hit@10中，这直接导致预测的命中率下降，对模型的精度和实验结果都会造成影响

还有，TransE不能判断自反关系，给出一个三元组，如果在训练中，另一个三元组，当然，换头实体向量和尾实体向量只取代一个，有一种情况，取代三元组A实体向量之一，出现（我，爱，你）三元组，取代三元组B，出现（你，爱，我）三元组，事实上，这两个三元组是自反关系，如下图所示：

处理这两个三元组时，如果是 TransE 这种翻译方法可以通过计算得到错误的结果：

因此，随后出现了许多改进方法，因为这些方法是基于翻译模型，我们称之为TransX方法

如图所示，头实体向量 h 和尾实体向量 t 并非投影到 xoy 平面，但将每种关系建模成一个超平面（可以使实体及其关系之间的表达方法多样化，解决实体之间无法区分语义的缺陷），将三元组中的头实体和尾实体映射到超平面，TransH将关系解释为超平面上的翻译操作。每种关系都有两个向量，超平面范数向量 wr (用于计算映射后的实体向量) 和超平面上的平移向量 dr ：

得分函数和损失函数的设计 TransE 形式是一样的。不同的是，在损失函数中增加了约束条件，负采样方法也得到了改进：

上述替换策略，如一对多，增加了头部实体替换的可能性，从而构建负例，这是有益的。另一方面，想象一下，如果尾部实体被替换，我们文章中的第一张图片很容易，t1 替换成 t2 或 t3 或 t4.不利于识别自身特异性，或者负采样质量不高。另一个改进是三维设计。由于投影到关系超平面后建立的向量，其原向量可以不同，因此得到了改进 TransE 的固有缺陷