(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 202210831885.4 (22)申请日 2022.07.15 (71)申请人 北京邮电大 学 地址 100876 北京市海淀区西土城路10号 北京邮电大 学新科研楼627室 (72)发明人 鄂海红　罗浩然　宋美娜　谭玲　 姚天宇　周庚显　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 孟洋 (51)Int.Cl. G06F 16/36(2019.01) G06F 40/295(2020.01) (54)发明名称 基于双视图超关系嵌入框架的知识图谱补 全方法 (57)摘要 本发明提出一种基于双视图超关系嵌入框 架的知识图谱补全方法， 包括， 构建基于双视图 超关系知识图谱的数据集， 数据集包括实例视图 集、 本体视图集以及跨视图链接集； 将数据集输 入DH‑KG嵌入模型， 其中， DH ‑KG嵌入模型包括 GRAN编码器、 跨视图链接 学习网络和联合学习网 络； 通过GRAN编码器进行视图内超关系学习， 通 过超图领域聚合技术 以及跨视图损失进行跨视 图联系学习， 通过联合实例视图集、 本体视图集 和跨视图连接集分别对应的损失函数进行联合 学习， 得到训练完成的DH ‑KG嵌入模型； 通过训练 完成的DH ‑KG嵌入模型进行知 识图谱的链接预测 和实体分类。 本发明通过双视图结构来联合建模 知识图谱中的超关系和实体 之间的层级关系， 从 而更好的进行链接预测 和实体分类任务。 权利要求书3页 说明书11页 附图3页 CN 115269866 A 2022.11.01 CN 115269866 A 1.一种基于双视图超关系嵌入框架的知识图谱补全方法， 其特 征在于， 包括以下步骤： 构建基于双视 图超关系知识图谱的数据集， 所述数据集包括实例视 图集、 本体视 图集 以及跨视图链接集； 将所述数据集输入DH ‑KG嵌入模型， 其中， 所述DH ‑KG嵌入模型包括GRAN编码器、 跨视图 链接学习网络和联合学习网络； 通过所述GRAN编码器进行视图内超关系学习， 通过超图领域聚合技术以及跨视图损失 进行跨视图联系学习， 通过联合实例 视图集、 本体视图集和跨视图连接集分别对应的损失 函数进行 联合学习， 得到训练完成的DH ‑KG嵌入模型； 通过所述训练完成的DH ‑KG嵌入模型进行知识图谱的链接预测 和实体分类。 2.根据权利要求1所述的方法， 其特征在于， 所述构建基于双视图超关系知识图谱的数 据集， 包括： 获取超关系知识图谱数据集， 将所述超关系知识图谱数据集中的实体作为实例视图实 体集； 根据第一预设关系获取所述实例视图实体集的尾实体集作为本体视图概念集或跨视 图连接集； 通过第二预设关系获取所述本体视图概念集的尾实体集， 并将所述本体视图概 念集的尾实体集与所述本体视图概念集的并集作为本体视图实体集； 从实例视图中获取实例视图超关系 事实集， 并从所述实例视图超关系 事实集中获取实 例视图关系集； 从本体视图中获取本体视图超关系事实集， 并从所述本体视图超关系事实 集中获取本体视图关系集； 根据所述实例视图实体集、 实例视图超关系事实集、 实例视图关系集构建实例视图， 根 据所述本体视图实体集、 本体视图超关系事实集、 本体视图关系集构建本体视图， 根据所述 实例视图、 本体视图、 跨视图连接集 生成基于双视图超关系知识图谱的数据集。 3.根据权利要求1所述的方法， 其特征在于， 所述通过所述GRAN编码器进行视图内超关 系学习， 包括： 通过GRAN模型更新实体嵌入， 利用更新后的实体嵌入进行实体或者关系预测， 并计算 出每个子视图内的损失。 4.根据权利要求3所述的方法， 其特 征在于， 所述 通过GRAN模型 更新实体嵌入， 包括： 通过GRAN模型将一个超关系事实作 为一个异构图， 然后使用mask学习策略构 建模型输 入； 通过GRAN使用边偏向的全连接注意力来学习所述异构图； 通过GRAN编码器更新所有超关系事实的实体嵌入向量； 其中， 在l层GRAN编码器更新后的节点嵌入向量GRAN_E为： X(l)＝GRAN E(X(l‑1))， 其中， 是第l层GRAN的输出 结果。 5.根据权利要求3所述的方法， 其特征在于， 所述利用更新后的实体嵌入进行实体或者 关系预测， 并计算出每 个子视图内的损失， 包括： 取出MASK位置的节点嵌入向量h， 然后进行一个两层的线性变换操作，权　利　要　求　书 1/3 页 2 CN 115269866 A 2其中 ， 与输入的嵌入向量矩阵共享参数， 而 则是可自学习的参数， 是对所有实体的预测得 分， 即在 整个事实中由v个实体； 加上标签平滑， 根据p来得 出预测值与标签之间的交叉熵损失： 其中， pt是预测出的得分向量p第个位置的值， yt是标签向量y第t个位置的值。 6.根据权利要求1所述的方法， 其特征在于， 所述通过超图领域 聚合技术以及跨视图损 失进行跨视图联系学习， 包括： 通过所述GRAN编码器， 获取所有超关系事实中实体的节点嵌入， 将所述节点嵌入输入 HGNN超图学习模型； HGNN中从(k‑1)层到第k层的消息传递过程定义如下： U(k)＝U(k‑1)+σ(WHU(k‑1)Θ(k)+b(k))， 其中， 是变换矩阵， 是第k层的偏向量， σ 是激活函数， 是知识超图的关联矩阵， 是节点的度矩阵， 是 超边的度矩阵， 是第k层的输出。 7.根据权利要求1或6所述的方法， 其特 征在于， 所述 跨视图损失， 包括： 通过映射操作将首部实体集映射到与本体视图向量空间中： 跨视图链接损失定义如下： 其中， 使用二范数来计算实体和概念在同一向量 空间中的距离偏差， t ′s是ts的负例， 并 且γ是边界参数。 8.根据权利要求1所述的方法， 其特征在于， 所述通过联合实例视 图集、 本体视 图集和 跨视图连接集分别对应的损失函数进行 联合学习， 表示 为：权　利　要　求　书 2/3 页 3 CN 115269866 A 3