买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利一种基于元学习的医学常识知识图谱自动化构建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116861001B 。

龙图腾网通过国家知识产权局官网在2025-08-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310858865.0，技术领域涉及：G06F16/36；该发明授权一种基于元学习的医学常识知识图谱自动化构建方法是由俞奎;王雨薇;李玉玲;李金迪设计研发完成，并于2023-07-13向国家知识产权局提交的专利申请。

本一种基于元学习的医学常识知识图谱自动化构建方法在说明书摘要公布了：本发明公开了一种基于元学习的医学常识知识图谱自动化构建方法，包括：1获取现有医学常识知识图谱，构建医学常识知识三元组作为模型的训练数据；2将医学常识知识三元组数据分别拆分成背景知识图谱；3构建医学常识知识图谱自动化构建模型，选取损失函数来优化模型参数和特征向量；4利用医学常识知识图谱自动化构建模型对未交互过的头实体和尾实体在未来产生交互的可能性进行评分预测，最终按照评分顺序得到知识构建结果。本发明采用基于元学习的知识图谱构建技术，通过有效地学习医学常识知识三元组向量表示，使得仅使用少量的训练数据训练模型就能精准地生成新的医学常识知识，从而在医疗诊断、临床决策和知识问答等领域做出贡献。

本发明授权一种基于元学习的医学常识知识图谱自动化构建方法在权利要求书中公布了：1.一种基于元学习的医学常识知识图谱自动化构建方法，其特征在于，是按如下步骤进行： 步骤一：获取医学常识知识图谱，并根据医学常识知识图谱中的各个实体以及各实体间的关系构建医学常识知识图谱G＝{h,r,t∈ε×R×ε}，其中，h表示头实体节点，r表示关系节点，t表示尾实体节点；ε和R分别为所述医学常识知识图谱G对应的实体节点集合和关系节点集合； 步骤二：从医学常识知识图谱G中抽取部分三元组作为背景知识图谱G′，所述背景知识图谱G′包含关系节点集合R中的部分关系节点，R中剩余的关系节点所对应的三元组作为训练知识图谱Gtrain； 步骤三：从训练知识图谱Gtrain中随机抽取第i个关系节点ri，并选取第i个关系节点ri所对应的部分三元组来构建针对关系节点ri的支撑集Si，利用第i个关系节点ri其余的三元组构建询问集Qi；再将询问集Qi中的所有尾实体均替换成与自身头实体无关联关系的实体，从而构建负询问集Qi -； 步骤四：构建交互注意编码器，并以交互的方式对支撑集Si和询问集Qi的头、尾实体的语义信息进行编码，以生成更具区分性的实体对表示； 步骤4.1：对实体语义信息进行编码，得到头实体的最终向量表示和尾实体的最终向量表示 步骤4.2：利用式7得到实体对的向量表示 式7中，和是待训练的参数，tanh是激活函数； 步骤4.3：按照步骤4.1-步骤4.2的过程得到关于第i个关系节点ri的询问集Qi的实体对向量表示 步骤五：构建自适应原型网络，通过聚合实体对向量表示来生成关系原型表示Pi； 步骤5.1：利用式8得到询问实体对和支撑集中的第j个参照实体对的相似度分数αi,j： 式8中，⊙是点积操作，代表支撑集Si中的第l个参照实体对，代表实体对的向量表示； 步骤5.2：利用式9得到与询问集相关的原型表示Pi： 式9中，αi,j是询问实体对和支撑集Si中的第j个参照实体对的相似度分数； 步骤六、由交互注意编码器和自适应原型网络构成医学常识知识模型，并基于医学常识知识图谱G与背景知识图谱G′，利用反向传播算法对所述医学常识知识模型进行训练，同时计算如式10所示的损失函数L以更新模型参数，当损失函数L不断下降直至收敛时，得到最优医学常识知识模型： 式10中，γ是边缘超参数，为询问集Qi中实体对的向量表示，为负询问集中实体对的向量表示；[·]+是铰链损失函数； 步骤七、将现有的医学常识知识图谱输入所述最优医学常识知识模型中，从而输出模型生成的新的医学常识知识三元组的可信度概率，并将概率靠前的医学常识知识三元组输出，从而实现医学常识知识图谱自动化构建。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。