(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 202210080718.0 (22)申请日 2022.01.24 (71)申请人 广东技术师范大学 地址 510635 广东省广州市天河区中山大 道西293号 (72)发明人 马智勇　肖政宏　夏琪　梁鑫宇　 万殷鹏　陈逊瀚　 (74)专利代理 机构 佛山市禾才知识产权代理有 限公司 4 4379 专利代理师 梁永健　朱培祺 (51)Int.Cl. G06F 16/36(2019.01) (54)发明名称 基于知识图谱节点语义属性的图嵌入方法 及系统 (57)摘要 本发明涉及图嵌入技术领域， 尤其是涉及基 于知识图谱节 点语义属性的图嵌入 方法及系统, 包括： 采集购物商城的用户信息及产品信息， 将 获取到的文本信息进行格式处理后存储， 并归档 备份； 以用户信息及产品信息作为节点， 使用词 嵌入的方法获取节点属性信息的语义特征向量； 使用句子特征提取的方法对上述语义特征向量 进行整理， 组成一个句子的语义特征矩阵； 基于 语义特征向量和语义特征矩 阵进行模型设计和 搭建； 根据模型预测连边， 补全知 识图谱； 本发明 充分利用了节 点的属性信息， 可以通过提取实体 属性信息来预测这两个实体是否有关系， 即通过 获取知识图谱的head和tail的语义信息来预测 relation， 达到预测连边、 补全知识图谱的效果。 权利要求书2页 说明书6页 附图2页 CN 114491070 A 2022.05.13 CN 114491070 A 1.基于知识图谱节点语义属性的图嵌入方法， 其特 征在于， 包括如下步骤： A.采集购物商城的用户信息及产品信息， 将获取到的文本信息进行格式处理后存储， 并归档备份； B.以用户信 息及产品信 息作为节点， 使用词嵌入的方法获取节点属性信息的语义特征 向量； C.使用句子特征提取的方法对上述语义特征向量进行整理， 组成一个句子的语义特征 矩阵； D.基于语义特 征向量和语义特 征矩阵进行模型设计和搭建； E.根据模型 预测连边， 补全知识图谱。 2.根据权利要求1所述的基于知识图谱节点语义属性的图嵌入方法， 其特征在于： 所述 D步骤中模型设计和搭建包括如下内容： d1.运用六个大小不同的卷积算子提取句子间词与词的关系， 对应得到六个特征矩阵， 并将六个特 征矩阵连接； 再 经过最大池化操作， 得到第一特 征向量； d2.将所述第一特征向量经过残差计算后得到第二特征向量， 将第一特征向量与第二 特征向量相加， 得到第三特 征向量； d3.将第三特 征向量进行粗粒度投影和细粒度投影， 得到第四特 征向量； d4.应用三个大小相同的卷积算子对第 四特征向量再次进行残差计算， 得到第五特征 向量； d5.对第五特 征向量进行随机失活和超平面投影。 3.根据权利要求2所述的基于知识图谱节点语义属性的图嵌入方法， 其特征在于： 所述 d1步骤包括用户信息的操作， 具体包括如下内容： 定义Mhead为用户信息的语义特征矩阵， Mtail为产品信息的语义特征矩阵， Mhead通过卷积 计算后的大小为(Q， 768)， 其中Q∈{2， 3， 4， 5， 6， 7}， 得到六个特 征矩阵， 如下式： Cq＝Covq(Mhead),q∈{2,3,4,5,6,7}； 其中， q表示 提取q个词之间的关系； 将这六个特 征矩阵进行拼接并进行最大池化操作后， 得到第一特 征向量： Ocov＝MaxPool([C2； C3； ...； C7])； 同理， 对Mtail依次进行 卷积计算、 矩阵拼接和最大池化， 得到对应的特 征向量。 4.根据权利要求3所述的基于知识图谱节点语义属性的图嵌入方法， 其特征在于： 所述 d2步骤将第一特征向量经过残差计算后得到第二特征向量， 将第一特征向量与第二特征向 量相加， 得到第三特 征向量： OCOV： ＝OCOV+LN(wcov*Ocov+bcov)， 其中LN为层归一 化操作， wcov和bcov为权重参数。 5.根据权利要求4所述的基于知识图谱节点语义属性的图嵌入方法， 其特征在于： 所述 d3和d4步骤具体包括如下内容： 将第三特 征向量进行粗粒度投影和细粒度投影， 如下式： Olow＝w′low*(wlow*Olow+blow)+b′low； 其中， wlow和blow为粗粒度投影的权重参数和偏置， w'low和b'low为细粒度投影的权重参 数和偏置；权　利　要　求　书 1/2 页 2 CN 114491070 A 2同时， 经过残差计算， 如下式： 其中， σ 是sigmo id函数， Cov是 卷积算子， L N是归一化操作。 6.根据权利要求5所述的基于知识图谱节点语义属性的图嵌入方法， 其特征在于： 所述 d5步骤具体包括如下内容： 将Olow投影到超平面空间中， 如下式： Oe＝whp*Olow+bhp； 其中， whp和bhp表示超平面空间中的权 重参数和偏置 。 7.根据权利要求6所述的基于知识图谱节点语义属性的图嵌入方法， 其特征在于： 所述 E步骤中预测连边， 补全知识图谱 包括如下内容： e1.将上述的实体都存放在集 合Okg中， Okg＝{Oe|e∈E}； e2.计算实体head和实体tail之间存在连边的概率Pht： 其中， 实体head对应的是用户信息， 实体tail对应的是产品信息； wlc和blc是连边预测的权 重参数和偏置， σ 是 sigmoid激活函数， Oh和Ot是实体head和实体tail投影到同一超平面的特 征向量。 8.基于知识图谱节点语义属性的图嵌入系统， 其特征在于： 包括数据采集模块、 预处理 模块、 特征提取模块、 嵌入生成模块和连接模块； 所述数据采集模块用于采集购物商城的用户信 息及产品信 息， 将获取到的文本信 息进 行格式处 理后存储， 并归档备份； 所述预处理模块用于获取节点属性信 息的语义特征向量， 将语义特征向量组成句子的 语义特征矩阵； 所述特征提取模块用于进行 卷积计算、 连接特 征矩阵和最大池化； 所述嵌入生成模块用于进行粗粒度投影和细粒度投影； 所述连接模块用于计算两个实体之间存在连边的概 率， 以预测连边。 9.一种电子设备， 包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运 行的计算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求1至7任一项所 述基于知识图谱节点语义属性的图嵌入方法的步骤。 10.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算 机程序被处理器执行时实现如权利要求1至7任一项所述基于知识图谱节点语义属 性的图 嵌入方法的步骤。权　利　要　求　书 2/2 页 3 CN 114491070 A 3