TransD是知识图谱表示学习中的一类翻译模型，核心思想是为每个三元组动态生成投影矩阵，而不是像TransR那样为每种关系固定一个映射矩阵。在Node.js环境下，我们可以用纯JavaScript配合基础线性代数运算来实现这一模型，便于在轻量服务中做原型验证。
TransD的基本原理
在TransD中，每个实体e拥有两个向量：一个是自身的语义向量h（或t），另一个是用于生成投影矩阵的辅助向量h_p（或t_p）。每个关系r同样拥有语义向量r和辅助向量r_p。投影矩阵是通过实体辅助向量与关系辅助向量的外积构造出来的，即 M_rh = r_p · h_p^T + I，其中I为单位矩阵。这种方式使得映射矩阵随实体和关系动态变化，参数量远小于TransR。
得到投影矩阵后，头实体和尾实体分别被映射到关系空间：h_r = M_rh · h，t_r = M_rt · t。模型假设在关系空间中满足 h_r + r ≈ t_r，因此打分函数定义为距离的相反数或负L1/L2距离。训练时使用负采样最大化正样本得分、最小化负样本得分，从而学到有效嵌入。
Node.js中的向量与矩阵工具
Node.js没有内置张量库，但我们可以用简单的数组结构自行实现向量点积、外积与矩阵向量乘法。若追求效率，也可引入如numeric.js之类的纯JS库，不过为保持依赖干净，下面示例采用原生实现，便于理解底层逻辑。
需要注意，实体和关系向量一般初始化为小规模随机数，维度常取50或100。辅助向量维度与主向量一致，这样外积才能形成方阵并加单位矩阵。以下代码展示基础运算函数：
// 向量点积
function dot(a, b) {
let s = 0;
for (let i = 0; i < a.length; i++) {
s += a[i] * b[i];
}
return s;
}
// 外积：返回 n*n 矩阵
function outer(a, b) {
let m = [];
for (let i = 0; i < a.length; i++) {
m[i] = [];
for (let j = 0; j < b.length; j++) {
m[i][j] = a[i] * b[j];
}
}
return m;
}
// 矩阵乘向量
function matVec(m, v) {
let res = new Array(v.length).fill(0);
for (let i = 0; i < m.length; i++) {
for (let j = 0; j < v.length; j++) {
res[i] += m[i][j] * v[j];
}
}
return res;
}
// 加单位矩阵
function addIdentity(m) {
for (let i = 0; i < m.length; i++) {
m[i][i] += 1;
}
return m;
}
动态映射矩阵的构造
根据TransD定义，投影矩阵由关系辅助向量与实体辅助向量外积再加单位矩阵得到。该过程对每个三元组独立进行，因此称为动态映射。下面函数接收实体辅助向量与关系辅助向量，返回投影矩阵。
由于每次计算都重新构造矩阵，TransD在训练时计算量略高于TransE，但明显低于TransR（后者需存储关系数目的方阵）。在Node.js中，我们可以用闭包缓存训练轮次中的实体向量，仅在小批次内计算映射，平衡内存与速度。
function buildProjection(entityAux, relAux) {
// entityAux: 实体辅助向量, relAux: 关系辅助向量
let m = outer(relAux, entityAux); // r_p 外积 h_p
return addIdentity(m);
}
// 示例：维度为3
let h_p = [0.1, 0.2, 0.3];
let r_p = [0.4, 0.5, 0.6];
let M = buildProjection(h_p, r_p);
console.log(M);
完整训练流程示例
下面给出一个极简训练循环：包含正样本打分、负采样替换尾实体、计算间隔损失。真实场景中需用大量三元组并多轮迭代，此处仅演示Node.js代码组织方式。
负采样时随机替换尾实体向量，保持头与关系不变，使模型区分真假三元组。学习率可设0.01，使用随机梯度下降更新向量。注意所有向量更新后需重新归一化以防数值膨胀。
let entities = {
'e1': {vec: [0.2,0.1], aux: [0.3,0.4]},
'e2': {vec: [0.5,0.2], aux: [0.1,0.6]},
'e3': {vec: [0.7,0.8], aux: [0.2,0.2]}
};
let relations = {
'r1': {vec: [0.1,0.3], aux: [0.4,0.1]}
};
function score(h, r, t) {
let Mh = buildProjection(h.aux, r.aux);
let Mt = buildProjection(t.aux, r.aux);
let h_r = matVec(Mh, h.vec);
let t_r = matVec(Mt, t.vec);
let sum = 0;
for (let i = 0; i < h_r.length; i++) {
sum += Math.abs(h_r[i] + r.vec[i] - t_r[i]);
}
return -sum; // L1距离取负
}
let pos = score(entities['e1'], relations['r1'], entities['e2']);
let negSample = entities['e3'];
let neg = score(entities['e1'], relations['r1'], negSample);
let margin = 1.0;
let loss = Math.max(0, margin - pos + neg);
console.log('正样本得分', pos, '负样本得分', neg, '损失', loss);
部署与优化建议
在Node.js服务中，可将训练好的实体与关系向量存入Redis或JSON文件，推理时加载进内存即可。由于TransD映射是动态计算的，推理接口接收三元组后现场算投影矩阵并打分，延迟通常在毫秒级，适合小规模图谱补全API。
若数据量增长，建议将向量运算改为TypedArray或引入WebAssembly线性代数模块。另外，Node.js事件循环适合I/O密集型，训练密集计算可用worker_threads分流，避免阻塞主线程。总体上，TransD在Node.js中的实现兼顾了概念清晰与工程轻便，是验证动态映射想法的好选择。