本文研究的问题是KG中的链路预测问题，首先，什么是链路预测，KG中使由许多三元组构成的，这些三元组为（h，r，t），链路预测便是在这些已知的三元组上完成KG completion工作，是对新的三元组进行预测，以达到补充KG的目的。
当然对于LP（Link Prediction）问题，已经有很多解决的方法了，最常见的便是知识图谱嵌入，为所有的实体与关系生成连续的变量空间，以满足KG中的各种关系。而本文中提出了一种SimplE Embedding方法来解决这个问题，而这个方法是在CP方法的基础上提出来的（一种张量因子分解方法）。
张量因子分解：这个概念应该是在矩形分解的基础上提出来的，一般用在做推荐，预测方面特别多，因为用来预测的矩阵一般都是稀疏矩阵，所以经过分解后便可以对原矩阵进行填充，达到预测的效果，这一点同样也应用在张量中，所以张量因子分解也是类似的功能，而CP分解只是其中的一种分解方法。
本文中提到CP分解需要为每个实体学习两个向量，分别是头向量与尾向量，在学习的时候头向量与尾向量是分开的，而本文提出的SimplE可以解决两个嵌入向量的独立性问题。
为了使学习过程效率更高，我们还对KG中的三元组的一些性质进行应用，比如对称，反对称等。
下面对于SimplE进行具体的分析：
SimplE利用一个关系的逆来处理CP中两个向量的独立性，也就是说，对于一个实体e来说有he和te两个向量，对于关系r来说有v和v-1两个向量，同时相似性方程定义为：
为什么这样就可以解决独立性问题？我个人理解应该是因为我们在计算（e1，r，e2）的score分数时，同时考虑到了每个实体的两个向量，每个关系的两个向量，这样在后面更新的时候便可以同时更新了，从而避免了独立性问题。
在学习过程中，我们之前提到必须要设置负样本，如何设置，也是一个可以探究的问题（这里不是重点），在本文中，负样本的生成比较简单，每次取出小批量的正样本后，我们随机对头向量或尾向量进行更改，生成对应的负样本。这样生成的意义也是为了学习的必要，因为学习过程中需要一个监督标志，所以我们生成对应的负样本，使得正样本的score比负样本高，以此为标准来生成对应的损失函数，从而反馈更新。
将背景知识融入到嵌入过程中，在本文中，通过利用这些背景知识，将训练集中的冗余信息可以进行去除，从而提高训练速度