一句话定义：TransE（Translating AI 词典：Embedding">Embeddings）是把知识图谱里的实体和关系都学成低维向量，并要求“头实体向量 + 关系向量 ≈ 尾实体向量”（h + r ≈ t）的一种经典表示学习方法。
原理：知识图谱由三元组（head, relation, tail）组成，比如（张三, 就职于, 某公司）。三元组都是符号，没法直接做数值计算，也没法泛化到没见过的组合。TransE 给每个实体、每个关系各分配一个向量（通常几十到几百维），然后要求关系向量 r 像一段“位移”，把 h 平移到 t 附近。
打个比方：把实体想成地图上的点，把关系想成“朝东走三公里”这样的位移指令。只要指令对了，从不同起点出发都能到达对应终点。训练时，让 h + r 尽量靠近 t，用距离衡量这种靠近程度（距离越小，三元组越可信）；同时把尾实体随机换掉，造出错的三元组，用负采样（negative sampling）配合 margin 排序损失，逼正确三元组的距离比错误三元组小出一个边界。训练完成后，可以用距离做链接预测（link prediction），补全图谱里缺失的边。
能表达什么、不能表达什么：关键在于，一个关系只对应一个固定向量，所以它只能表达“一对一”的平移。
| 关系类型 | 例子 | TransE 的表现 |
|---|---|---|
| 一对一 | （张三, 父亲, 张父） | 好 |
| 一对多 | （张三, 出演, 电影A/B/C） | 差：r 固定时 h+r 只能靠近一个点 |
| 多对一 | 多部电影同一个导演 | 差：要求多个头向量几乎相同 |
| 对称 | （A, 配偶, B）与（B, 配偶, A） | 表达不了：两条同时成立会推出 r≈0 且 h≈t |
| 传递 | 祖先、包含 | 表达不了：平移在复合下不封闭 |
它也能做简单的类比推理：h 与 t 的差向量近似承载了关系的语义，思路和 word2vec 里“国王 − 男人 + 女人 ≈ 女王”是一脉相承的。
和相邻概念的区别：TransE 是知识图谱嵌入（knowledge graph embedding）中“翻译类”模型里最早、最简单的基线。与符号逻辑相比，它牺牲了精确性和可解释性，换来可计算、可泛化；与 TransH、TransR、RotatE 等后继模型相比，差别在于为关系留了多少自由度——TransH 把实体投影到关系对应的超平面上，TransR 给每个关系一个独立空间，RotatE 把关系建模成复平面上的旋转，因而能处理对称与反对称关系。具体实现与效果以论文或官方代码页面为准。
实际意义：对从业者，TransE 的价值不在于效果最强，而在于它把“关系 = 位移”这个归纳偏置（inductive bias）讲得很清楚：一个模型能表达什么，取决于它假设了什么样的结构。做图谱补全、搜索召回、推荐解释之前，先看关系类型的分布，再决定用哪个模型，比直接套用复杂模型更划算。对普通职场人，它提供了一个直观认识：机器可以把“这句话像不像真的”换算成一个几何距离。这也解释了为什么这类方法在对称、多对多关系密集的场景里容易吃力。