论文标题：Knowledge Graph Embedding by Translating on Hyperplanes（2014）
TransH的目标是处理一对多/多对一/多对多关系，并且不增加模式的复杂性和训练难度。
其基本思想是将关系解释为超平面上的转换操作。每个关系都有两个向量，超平面的范数向量Wr和超平面上的平移向量(dr)。
我们把每个head向量(h)和tail向量(t)投影到超平面上，得到新的向量(h⊥和t⊥)。在这个超平面中存在一个关系(d_r)，我们可以像TransE模型一样训练它。
得分函数：
如何在超平面上计算这个投影：
其中w_r的范数约束为1。
h⊥ 是h在超平面上的投影，wrT是h在wr上的投影。这意味着我们将head/tail向量分解为两部分。
损失函数和训练方法与TransE相同。
