(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210544755.2 (22)申请日 2022.05.19 (71)申请人 华南理工大 学 地址 510641 广东省广州市天河区五山路 381号 (72)发明人 庄子聪　张平健　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 陈嘉乐 (51)Int.Cl. G06F 16/242(2019.01) G06F 16/215(2019.01) G06F 16/36(2019.01) (54)发明名称 一种基于知识图谱的电子元器件替代方法、 装置及介质 (57)摘要 本发明公开了一种基于知识图谱的电子元 器件替代方法、 装置及介质， 其中方法包括： 知识 获取部分： 获取电子元器件数据， 对电子元器件 数据进行数据清洗以及关系抽取， 获得数据集； 知识建模部分： 对电子元器件进行知识建模， 设 计电子元器件替代知识结构， 构建电子元器件替 代优选矩阵， 对电子元器件进行本体建模， 获得 知识图谱； 知识存储部分， 将数据存储到数据库 中； 链接预测部分： 基于知识图谱， 利用链接 预测 实现电子元器件替代。 本发明通过构建知识图 谱， 并将电子元器件替代视为知识图谱中的链接 预测任务， 有助于电子元器件设计师从庞大的电 子元器件库中找到合适的替代电子元器件， 成功 匹配更多合适的替代电子元器件， 可广泛应用于 电子元器件领域。 权利要求书3页 说明书18页 附图10页 CN 115080587 A 2022.09.20 CN 115080587 A 1.一种基于知识图谱的电子元器件替代方法， 其特 征在于， 包括以下步骤： 知识获取部分： 获取电子元器件数据， 对电子元器件数据进行数据清洗以及 关系抽取， 获得数据集； 知识建模部分： 对电子元器件进行知识建模， 设计电子元器件替代知识结构， 构建电子 元器件替代优选矩阵， 对电子元器件进行本体建模， 获得知识图谱； 知识存储部分： 将电子元器件信息存 储到数据库中； 链接预测部分： 基于知识图谱， 利用链接预测实现电子元器件替代。 2.根据权利要求1所述的一种基于知识图谱的电子元器件替代方法， 其特征在于， 所述 知识获取部分， 包括： 获取电子元器件数据， 从数据的唯一性及一致性两个维度对电子元器件数据进行清 洗； 对清洗后的数据进行分析， 再进行关系抽取， 获得 数据集； 将数据集划分获得训练集、 验证集及测试集。 3.根据权利要求1所述的一种基于知识图谱的电子元器件替代方法， 其特征在于， 所述 知识存储部分， 包括： 利用MySQ L、 Neo4j及Apac he Jena对电子元器件信息进行知识存 储。 4.根据权利要求1所述的一种基于知识图谱的电子元器件替代方法， 其特征在于， 所述 链接预测部分， 包括： 利用链接预测实现电子元器件替代， 将电子元器件替代为知识图谱的链接预测任务， 采用三个链接预测模型实现电子元器件替代关系的预测； 三个链接预测模型为： CoPER ‑ConvE模型、 COMPGCN模型以及AcrE模型， 其中AcrE模型包 括串行AcrE模型和并行AcrE模型。 5.根据权利要求4所述的一种基于知识图谱的电子元器件替代方法， 其特征在于， 利用 CoPER‑ConvE模型进行链接预测， 包括： 在CoPER‑ConvE模型中， 第一个预处理步骤仅应用于实体嵌入， 而关系用于生成投影层 的参数， 如下式所示： z＝Conv 2D(Reshape(es)) θ ＝g(r) 其中， z是对嵌入的合并表示， Conv  2D(Reshape(es))表示对嵌入进行整形后二维卷积， g(r)表示生成的参数， 表示预测的答案， 表示第二个到最后一个参数， θ＝[θ1； θ2]是 参数向量； 在解码过程中， 获取 预测结果中最可能的标签序列， 以实现实体识别。 6.根据权利要求 4所述的一种基于知识图谱的电子元器件替代方法， 其特 征在于， 利用 COMPGCN模型进行链接预测， 包括： COMPGCN模型的更新方程如下式所示： 权　利　要　求　书 1/3 页 2 CN 115080587 A 2其中， xu， zr分别表示节点和关系的初始特征， h表示节点的更新表示， 表示节点u和边r属于v的出边邻居集合； COMPGCN模型使用权重λ(r)＝dir (r)， 如下式所示： 转换关系表示如下： hr＝Wrelzr 其中， 是一个可学习的变换矩阵； COMP GCN模型用一组基向量的线性组合 表示关系， 设 是一组可 学习的基向量， 初始关系表示如下式所示： 其中， 是特定于关系的可 学习标量权 重， 是向量的个数。 7.根据权利要求4所述的一种基于知识图谱的电子元器件替代方法， 其特征在于， 利用 串行AcrE模型进行链接预测， 包括： 串行AcrE模型中使用二维卷积， 标准卷积运 算如下式所示： 其中，★表示卷积运算， 是第i个滤波器， 是第i个偏置向量， τ是二维整形 函数； 滤波器的输出被堆叠以形成标准卷积学习的输出， 将这个标准卷积学习的最终输出表 示为C0， 记为 F是所用滤波器的数量； 在深层网络中存在固有的消失/爆炸梯度问题， 这里用残差学习法将原始输入信息添 加回来， 以解决这些问题， 将残差学习的结果展平为特 征向量， 整个过程由下式定义： o＝Flatten(ReLU(CT+τ([e； r]) )) 其中， Flatten表示将嵌入展平为特征向量， CT表示上一空洞卷积的输出， τ([e； r])表示 对串联的e和r进行二维整形。 8.根据权利要求4所述的一种基于知识图谱的电子元器件替代方法， 其特征在于， 利用 并行AcrE模型进行链接预测， 包括： 在并行AcrE模型 下， 将不同卷积运 算产生的多个结果整合 起来， 整合过程如下式所示： 其中， C0是标准卷积的结果， Ci是第i次空洞卷积的结果， 表示结果积分运 算； 整个卷积学习的最终输出之后是一个变换操作， 将结果展平到特征向量中， 如下式所 示： c＝Flatten(W1Relu(C+τ([e； r]) )) 其中， W1是变换矩阵， Flatten表示将嵌入展平为特征 向量， C表示将不同卷积运算产生 的多个结果整合， τ([e； r])表示对串联的e和r进行二维整形； 在并行AcrE模型中， 定义的损失函数， 如下式所示：权　利　要　求　书 2/3 页 3 CN 115080587 A 3