(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 202210449943.7 (22)申请日 2022.04.27 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路２ 号 (72)发明人 于硕　李世豪　张丰益　夏锋　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 许明章　王海波 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/35(2019.01) G06N 5/02(2006.01) G06F 16/901(2019.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于结构特征高阶逻辑知识图谱表示 学习方法 (57)摘要 本发明属于人工智能研究领域， 提出一种基 于结构特征高阶逻辑知 识图谱表 示学习方法。 首 先， 对数据进行高阶逻辑关系特征表示， 提取图 中的节点邻域结构模体度矩阵， 将每个 关系中实 体模体度矩阵作为高阶逻辑关系特征； 其次， 图 卷积网络进行实体属性特征和 高阶逻辑关系特 征表示； 最后， 使用哈达玛积、 求和与串联三种不 同的聚合方法进行特征聚合。 本发 明融合了两种 知识图谱表 示学习特征， 从不同角度学习样本数 据后用于实体 分类、 链路预测等知识图谱下游任 务， 获得一种精度较高的高阶逻辑知识表示学习 方法， 同时可 以克服目前的知识表示学习方法， 对逆关系和复合关系等高阶逻辑关系表达能力 不足， 表示损耗大， 计算成本高， 可解释性差等问 题。 权利要求书2页 说明书9页 附图1页 CN 114741535 A 2022.07.12 CN 114741535 A 1.一种基于结构特征高阶逻辑知识图谱表示学习方法， 其特征在于， 该基于结构特征 高阶逻辑知识图谱表 示学习方法从知识图谱中， 分别挖掘高阶逻辑关系特征和实体属性特 征， 将二者进行特征聚合， 用于获得链路预测 和实体分类结果； 具体步骤如下： S1： 对知识图数据进行高阶逻辑关系特征表示： 定义模体度矩阵， 提取知识图中节点邻 域结构的模体度矩阵； 定义关系为邻域的节点属 性和网络结构， 将每个关系中实体模体度 矩阵作为高阶逻辑关系特 征； S11： 定义高频率出现的网络子结构为模体； 不同模体包含不同的关系特征； 实体模体 度为Emd， 表示该模 体的个数， 用于定义模 体表示关系特征的能力； 定 义实体为E， 模体为M， 实 体模体度矩阵为Md； 其中， n为式(1)中实体的数量， t为式(2)中的模体数量； 实体数量从小到大排序， 其中数值小于前20％的实体， 随机生成实体模体度矩阵； S12： 对实体模体度矩阵按列进行归一 化处理； S13： 知识图中的语义信息向两个方向流动， 在实体关系集合R中添加反边； 知识图中的 每个实体添加自循环； 最终获得优化后的实体关系集 合R′： 其中， Rinv为反边的集 合， 定义为： Rinv＝{r‑1|r∈R}； 是自循环的集 合； S2： 同时对实体属性特 征和高阶逻辑关系进行 特征表示； S21： 对于高阶逻辑关系特征， 定义实体关系r的特征矩阵 定义实体属 性特征矩阵Ma， 在每个关系中相同； 使用图卷积网络获得高阶逻辑关系特征和属性特征的 表示； 每个关系的单 卷积层公式如下： 其中， Wa和Ws是可学习参数； l 为神经网络的层数； |n|代 表实体个数， Hs代表实体的网络结构特征矩阵， Ha代表实体的节点属性特征， A为邻接矩阵， 代表 矩 阵中， 第i行第j列的参数； 各关系的实体更新公式如下：权　利　要　求　书 1/2 页 2 CN 114741535 A 2其中， 是第n个实体的邻居数； Ws和Wa具体为： 其中， asb， aab， Vsb， Vab是可训练的权重， B是超参数， 根据基分解， 将待学习参数的数目减 至 其中， |R′|是关系的个数， S3： 聚合实体属性特征和高阶逻辑关系特征； 采用哈达玛积、 求和聚合器与串联三种不 同的聚合方法进行 特征聚合， 获得不同的聚合效果； S31： 采用哈达玛积 聚合， 将高阶逻辑关系特征矩阵 和实体属性特征矩阵 相乘； 计算公式如下： S32： 采用串联， 将高阶逻辑关系特征矩阵与实体属性特征矩阵进行连接； 计算公式如 下： S33： 采用求和聚合器， 将高阶逻辑关系特征矩阵与实体属性特征矩阵的对应元素相 加； 计算公式如下： S4： 整体框架 知识储备的总体过程表述如下： 其中， AGG表示聚合方式。权　利　要　求　书 2/2 页 3 CN 114741535 A 3