参数进行梯度下降时，是否有误？

[galaxyzen]

        if eg > 0:  # 大于0取原值，小于0则置0.即合页损失函数margin-based ranking criterion
            self.loss += eg
            temp_positive = 2 * self.learning_rate * (t - h - r)
            temp_negative = 2 * self.learning_rate * (t2 - h2 - r)
            if self.normal_form == "L1":
                temp_positive_L1 = [1 if temp_positive[i] >= 0 else -1 for i in range(self.dim)]
                temp_negative_L1 = [1 if temp_negative[i] >= 0 else -1 for i in range(self.dim)]
                temp_positive = np.array(temp_positive_L1) * self.learning_rate
                temp_negative = np.array(temp_negative_L1) * self.learning_rate

            # 对损失函数的5个参数进行梯度下降， 随机体现在sample函数上
            h += temp_positive
            t -= temp_positive
            r = r + temp_positive - temp_negative
            h2 -= temp_negative
            t2 += temp_negative

因为是随机替换head或者tail，当替换的是tail时，head没有被替换，实际上并不存在论文中所述的negative_head了，positive_head和negative_head实际上是一个东西，这种情况下在对positive_head求偏导时，是否应该包含两个部分 2 * (positve_head + relation - positive_tail) - 2 * (positive_head + relation - negative_tail)

[easternbob2019]

我认为你的理解有误。参数梯度下降是正确的。因为当我们进行首尾实体替换之后,目的是得到Negative triplet. 对于一个(t,h,r)，所对应的是(t1,h1,r)。当然，有可能是t1或者是h1和正样本相同。 但是你注意看损失函数是包含5个变量.所以在进行梯度下降的时候我们都要求偏导。即使positive head 和 negative head 是相同的，但他们是不同的变量。按照你的理解的话,就不应该对h2进行梯度下降了.