Jimmy Wang

我没有预训练这个模型，你可以用训练TransE的代码，训练在FB13数据集上的模型，保存为这个文件名

你好，可能是你运行的时候未打开hyperboard。 hyperboard的启动方法为：打开终端，输入hyperboard-run --port 端口号。 更多关于hyperboard的安装与使用，请参考https://github.com/WarBean/hyperboard

normloss的作用是，限制向量的模长在1以内，当向量模长大于1的时候，给予惩罚。这样可以避免学习向量的时候，简单地通过增减向量的模长就能在训练集上取得好的效果。

> 请问，这种实现方法是如何保证论文原文所说的entity norm=1？根据我的理解，代码中的normloss是在训练时对向量进行惩罚，但是Embedding layer中的weight只在初始化的时候进行了normalize，并没有保证embedding的norm始终为1。之所以提出这个问题，是由于在各种对TransE的实现版本中，一般都说norm的效果影响不大，但是似乎没有人完全使用论文中的参数，复现出和论文数据相似的结果，之前用Keras实现过一个超级慢的TransE，最近有时间想重新整理一下所有的Trans系列模型，准备采用Pytorch（所以也是才开始理解Pytorch，有理解错误的地方还望指正），希望能够在您的代码上进行重构，期待能有更多的交流！ 同学你好，normloss是一种软惩罚方法（类似软间隔支持向量机），和其他损失函数一同优化，对模长大于1的向量会施加惩罚，从而使得模型倾向于将模长限制在1以内。 在TransE的论文，模长确实总是固定为1，但TransR的论文【Learning Entity and Relation Embeddings for Knowledge Graph Completion，第三页左栏Cluster-based TransR (CTransR)小标题之上】也提到，只要将模长限制在1以内都可以（相当于将向量限制在一个半径为1的球形空间中）。这样可以避免模型简单地通过增加长度，即可提高在训练集上的效果。