我们提供了TransE、TransH、TransR和TransD四个知识图谱表示的算法。
每个算法包含两个程序。文件名不带“Bernoulli”的程序，以相同概率更换头实体和尾实体的方式生成负样本；文件名带“Bernoulli”的程序，则依据伯努利分布更换头实体和尾实体，生成负样本。（参见Knowledge Graph Embedding by Translating on Hyperplanes）
utils.py包含Triple基类，其比较操作和其他基本的算术操作，也包含了计算每个关系头尾实体比例、将关系分成1-1、1-N、N-1、N-N等四种、以及按关系种类划分三元组的方法。
data.py包含了多种生成负例三元组，以及生成一批次正样本和负样本的方法。
model.py包含了我们实现的知识表示的四个模型。
projection.py包含了TransH、TransR和TransD的投影函数。
loss.py包含了我们在算法中用到的损失函数，最重要的是边界损失函数和正交损失函数。
evaluation.py包含了评测模型性能的两个维度：meanrank（平均排名）和hits@10（前10名比率）。我们使用了多进程加速计算。
我们的程序都是用Python 3.6编写的，使用PyTorch作为深度学习框架。运行我们的程序之前，请先安装Python和PyTorch。
我们使用了hyperboard实时展示训练曲线和验证曲线。对hyperboard感兴趣的用户，请参考https://github.com/WarBean/hyperboard 。
用法：
python xxx.py [参数]
可以选择的参数如下：
-d [str]: 使用哪个数据集？可能的选择有FB13、FB15k、WN11和WN18。
-l [float]: 初始学习率，适合于TransE和TransH。默认0.001.
-l1 [float]: 第一阶段的学习率。适合TransR和TransD。默认0.001.
-l2 [float]: 第二阶段的初始学习率，如果-es参数设置大于0. 适合TransR和TransD。默认0.0005.
-es [int]: 减少学习率的次数。若设置为0，则整个过程中学习率保持一致。默认0.
-L [int]: 如果设为1，则使用L1作为距离函数，否则使用L2。默认1.
-em [int]: 实体和关系向量的维数。默认100.
-nb [int]: 每轮训练使用多少批样本。默认100.
-n [int]: 最多训练多少轮。默认1,000.
-m [float]: 边界损失函数的边界值。默认1.0.
-f [int]: 在训练、验证和测试过程中，是否将假负例过滤掉。如果设为1，则过滤。默认1.
-mo [float]: 优化器的动量。默认0.9.
-s [int]: 固定随机种子。若设为0，则随机种子不固定。默认0.
-op [int]: 使用哪种优化器。若设为0，则使用随机梯度下降（SGD）；若设为1，则使用Adam。默认1.
-p [int]: hyperboard的端口号。默认5000.
-np [int]: 评估过程中开的进程数。默认4.
测试集上的评估结果，将被写入./result/[数据集名称].txt的文本文件中，例如./result/FB15k.txt。结果包括在整个测试集上的Hits@10和MeanRank指标评估结果，以及在1-1、1-N、N-1、N-N子集上分别预测头尾的评估结果。