多関係データのエンティティおよび関係を低次元ベクトル空間に埋め込む問題について検討する。本研究の目的は、学習が容易でパラメータ数が少なく、非常に大きなデータベースにスケーラブルな汎用的なモデルを提案することである。そこで、エンティティの低次元埋め込みに対して関係を平行移動（translation）として解釈する手法、TransEを提案する。この仮定は単純であるが、その強力さは、2つの知識ベースにおけるリンク予測タスクにおいて、従来の最先端手法を顕著に上回る実験結果から明らかになる。さらに、100万のエンティティ、25,000の関係、1,700万以上の学習サンプルを含む大規模データセットに対しても、本手法は効果的に学習可能であることが示された。