接触TransE算法也有半年多了，从一开始的一脸懵逼到现在满脸懵逼，也算是有点收获。。。
于是，，，献丑了~
关于算法的具体实现，网上有很多，也不过多赘述，推荐几篇比较好的（不保证是原创，因为同款文章太多了。。。抄袭严重，如有知道原创的盆友，烦请告知~）
TransE算法（Translating Embedding） 这篇文章以不同的作者名出现在众多平台，，，足以见其影响力~
下面以我的思路，说一下我对TransE的简单认识
此处只要知道，知识表示学习中，有能将语义信息表示为低维稠密的实体向量的思想（不知道表述的够不够准确T^T(踏踏太菜了））
当我们将人能看懂的“文字”信息转成机器能读懂的“向量”信息，就可以对文本进行进一步处理了（比如计算相似度，聚类等)
关于算法，上文提到了一篇文章，可以学习。
此处附上算法图，并对小白提一个比较友好的建议：知道单词啥意思~ 对算法有个简单了解，然后看代码具体如何实现，配套原论文一同食用，效果更佳~ 当然，简单方法就是看别人的博客分享~正如您现在~
得到向量，就可以对文本进行进一步分析啦，比如聚类分析啦（k-means算法，K-MEDOIDS算法，Clara算法等），计算相似度啦（欧氏距离，余弦距离，曼哈顿距离等），高维向量降到二维或者三维还可以进行可视化
①TransE论文：http://papers.nips.cc/paper/5071-translating-embeddings-for-modeling-multi-relational-data.pdf
②代码实现 a：https://github.com/Anery/transE
b：上述分享文章的作者对代码进行注释 https://github.com/wuxiyu/transE
貌似这两个transE算法的准确率都不高？？？！！！
③推荐博客：transE(Translating Embedding)详解+简单python实现
https://zhuanlan.zhihu.com/p/152257102
知识图谱怎样入门？
踏踏太菜了，就说这些吧。。。踏踏也还是只萌新~
