为了验证TransR模型的有效性需要与其他知识图谱推理模型进行对比分析。下面将详细介绍TransE、TransH

、TransD和TransR四种常见的知识图谱推理模型。

TransE是一种基于向量空间的知识图谱推理模型，其核心思想是将实体和关系映射到同一向量空间中，通过向量空间中的向量运算来推理实体和关系之间的关联关系。

具体来说，TransE将每个实体和关系表示为一个固定维度的向量，然后通过向量之间的加减乘除运算来计算实体之间的相似度和关系之间的相似度。例如，对于一个三元组(h,r,t)，TransE可以通过以下公式计算它的得分：

$$score(h,r,t)=-\left | h+r-t \right |_2$$

其中，h、r和t分别表示头实体、关系和尾实体的向量表示，$\left | \cdot \right |_2$表示L2范数。

TransE模型的优点是计算速度快，适用于大规模知识图谱推理任务。但是，TransE模型存在一些缺陷，例如无法处理复杂的关系类型和多义词问题。

TransH是一种基于超平面的知识图谱推理模型，其核心思想是将实体和关系映射到不同的超平面上，通过超平面上的投影运算来计算实体和关系之间的关联关系。

具体来说，TransH将每个实体和关系表示为一个向量和一个超平面，其中向量表示实体或关系的语义信息，超平面表示实体或关系所在的空间。然后，TransH通过对向量进行投影运算，将实体和关系映射到它们所在的超平面上，再通过超平面上的向量运算来计算实体之间的相似度和关系之间的相似度。

TransH模型的优点是可以处理复杂的关系类型和多义词问题，但是它的计算复杂度较高，不适用于大规模知识图谱推理任务。

TransD是一种基于实体描述符的知识图谱推理模型，其核心思想是将实体和关系表示为一个实体描述符和一个关系描述符，通过描述符之间的相似度计算实体和关系之间的关联关系。

具体来说，TransD将每个实体和关系表示为一个实体描述符和一个关系描述符，实体描述符表示实体的语义信息，关系描述符表示关系的语义信息。然后，TransD通过计算描述符之间的相似度来计算实体之间的相似度和关系之间的相似度。

TransD模型的优点是可以处理复杂的关系类型和多义词问题，同时计算复杂度较低，适用于大规模知识图谱推理任务。但是，TransD模型存在一些缺陷，例如对实体描述符的选择和设计需要专业领域知识支持。

TransR是一种基于关系嵌入的知识图谱推理模型，其核心思想是将实体和关系分别嵌入到不同的向量空间中，通过向量空间之间的映射来计算实体和关系之间的关联关系。

具体来说，TransR将每个实体和关系表示为一个固定维度的向量，然后将关系嵌入到一个关系向量空间中，并定义一个关系映射矩阵来映射实体向量和关系向量到同一向量空间中。然后，TransR通过向量之间的加减乘除运算来计算实体之间的相似度和关系之间的相似度。

TransR模型的优点是可以处理复杂的关系类型和多义词问题，同时可以减轻TransH模型的计算复杂度问题。但是，TransR模型的缺点是需要定义关系映射矩阵，需要专业领域知识支持。