概念是知识表示中的重要信息，代表了一组具有共同属性的不同实例。大多数传统的知识嵌入方法将实体（包括概念和实例）以及关系同等编码为低维语义空间中的向量，忽略了概念与实例之间的差异。在本文中，我们提出了一种新的知识图谱嵌入模型——TransC，通过区分概念和实例来改进这一问题。具体而言，TransC 将知识图谱中的每个概念编码为一个球体，而每个实例则编码为同一语义空间中的向量。我们利用相对位置来建模概念与实例之间的关系（例如 instanceOf），以及概念与子概念之间的关系（例如 subClassOf）。我们在基于 YAGO 的数据集上对我们的模型进行了评估，实验结果表明 TransC 在链接预测和三元组分类任务上优于现有最先进的方法，并且能够捕捉到 instanceOf 和 subClassOf 关系的语义传递性。我们的代码和数据集可以从 https://github.com/davidlvxin/TransC 获取。