知识图是许多AI应用程序的有用资源，但它们远没有完整性。以前的工作如TransS，TransH和TransR / CTransR将头部实体和尾部实体之间的关系重新建立起来，并且CTransR实现了最先进的性能。在这篇文章中，我们提出了一个更为细化的模型TransD，它是对TransR / CTransR的改进。在TransD中，我们使用两个矢量来表示一个命名的符号对象（实体和关系）。第一个表示一个（n）实体（关系）的含义，另一个用于动态地构造映射矩阵。与TransR / CTransR相比，TransD不仅仅考虑关系的多样性，还考虑实体。 TransD参数较少，没有矩阵向量乘法运算，因此可以应用于大规模图形。在实验中，我们对两种典型任务（包括三元组分类和链接预测）评估我们的模型。评估结果表明，我们的方法胜过了最先进的方法。
WordNet（Miller1995），Freebase（Bollacker et al。2008）和Yago（Suchanek et al。2007）等知识图在许多AI应用中发挥着重要作用，如关系提取（RE），问题回答（Q＆A ）等。它们通常包含大量的结构化数据作为三元组的形式（头部实体，关系，尾部实体）（表示为（h，r，t）），其中关系建模两个实体之间的关系。由于大多数知识图已经建立起来了，或者是（部分）自动地建立起来的，但他们十年来都是不完整的。知识图完成是基于知识图中现有的三元组来预测实体之间的关系。在过去的十年中，基于符号和逻辑的许多工作已经完成了知识图完成，但对于大规模知识图，它们既不易处理也不足以收敛。最重要的是，这个任务的强大方法是将知识图的每个元素（实体和关系）编码成一个低维嵌入向量空间。这些方法通过代数运算对知识图进行推理（参见“相关工作”一节）。