第 293 题：实现知识图谱的TransE训练，负采样的破坏策略。
题目
实现知识图谱的TransE训练，负采样的破坏策略。
完整讲解
一、TransE 与知识图谱
- TransE：将关系视为头实体到尾实体的平移，即 $h + r \approx t$（$h,r,t$ 为向量）。损失为 margin-based：正例 $(h,r,t)$ 的 $|h+r-t|$ 要小，负例要大；$\mathcal{L} = \sum [\gamma + |h+r-t| - |h’+r-t’|]_+$，$(h’,t’)$ 为负样本。
二、训练与负采样
- 训练：对每个正三元组 $(h,r,t)$，采样若干负样本。负样本通常由破坏正样本得到：替换头 $(h’,r,t)$ 或替换尾 $(h,r,t’)$，$h’,t’$ 从实体集中采样，保证 $(h’,r,t)$ 与 $(h,r,t’)$ 不在正例集中（否则为假负）。
- 破坏策略：随机替换（uniform）、按类型约束替换（同类型实体）、或按流行度采样（热门实体更常被采为负）；可 1:1 头尾各采若干。避免假负（破坏后仍在知识库中）可过滤或降低权重。
- 实现：每 batch 取正例，对每条生成 K 个负例（替换头或尾），算正负 margin loss 并反向；实体与关系 embedding 可初始化随机或预训练。
三、扩展
- 可结合类型信息、多跳路径做改进（TransH、TransR、RotatE 等）；负采样质量对 TransE 效果影响大，破坏策略可做均匀/类型感知/对抗采样等。
面试要点
- 能写出 TransE 的目标 $h+r\approx t$ 与 margin 损失形式；能说明负采样由「替换头或尾」得到。
- 能说清破坏策略（随机、类型、过滤假负）及实现流程（batch 正例+生成负例+margin loss）。
记忆要点
- TransE：$h+r\approx t$，margin 损失；负样本=替换头或尾，过滤假负。
- 破坏策略：随机/类型/流行度；实现 batch 正例+K 负例算 loss。