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！

龙图腾网获悉昆明理工大学;云南锡业股份有限公司锡业分公司申请的专利一种锡冶炼工艺流程超关系知识图谱嵌入表示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：CN120470134B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202510984116.1，技术领域涉及：G06F16/36；该发明授权一种锡冶炼工艺流程超关系知识图谱嵌入表示方法是由王青旺;刘艺;李朝辉;沈韬;袁海滨设计研发完成，并于2025-07-17向国家知识产权局提交的专利申请。

本一种锡冶炼工艺流程超关系知识图谱嵌入表示方法在说明书摘要公布了：本发明涉及一种锡冶炼工艺流程超关系知识图谱嵌入表示方法，属于知识表示技术领域。该方法基于锡冶炼工艺流程各个阶段，收集并整理待构建的锡冶炼工艺流程领域知识文本；设置锡冶炼工艺流程超关系事实信息抽取的提示词；大语言模型根据提示词抽取待构建领域知识文本中的超关系事实，构建超关系知识图谱；整理抽取出的超关系事实作为训练集中的样本，用于训练表征模型；通过训练后的表征模型获得最终的锡冶炼工艺流程知识图谱的嵌入，用于下游任务。本发明实现了锡冶炼工艺流程的知识化表达，推进锡冶炼行业的数字化和智能化发展。

本发明授权一种锡冶炼工艺流程超关系知识图谱嵌入表示方法在权利要求书中公布了：1.一种锡冶炼工艺流程超关系知识图谱嵌入表示方法，其特征在于，包括以下步骤： Step1：基于锡冶炼工艺流程各个阶段，收集并整理待构建的锡冶炼工艺流程领域知识文本，所述各个阶段包含锡精矿的焙烧、还原熔炼、炉渣烟化、火法精炼和电解精炼阶段； Step2：设置锡冶炼工艺流程信息抽取的提示词，包含锡冶炼工艺流程超关系知识图谱中的实体类型信息集合、关系信息集合、附加信息集合； Step3：大语言模型根据提示词抽取待构建的锡冶炼工艺流程领域知识文本中的超关系事实，包含主三元组和辅助键值对，将主三元组的头实体作为第一节点、尾实体作为第二节点、关系作为第一节点与第二节点之间的边、辅助键值对中的辅助键和辅助值作为属性和属性值附加到相应的关系上，构建锡冶炼工艺流程超关系知识图谱； Step4：将超关系事实作为训练集中的样本，进行全局嵌入表示学习和局部嵌入表示学习，训练表征模型，获得最终的锡冶炼工艺流程知识图谱的嵌入，用于下游任务； 所述Step2具体为： Step2.1：构建一个提示模版，提示词中定义抽取的信息结构为超关系事实结构，每一个超关系事实由一个主三元组和n个修饰所述主三元组的辅助键值对组成，其中n为大于等于0的整数； Step2.2：根据先验知识，在提示词中加入锡冶炼工艺流程中的实体类型信息集合、关系信息集合、附加信息集合，所述实体类型信息集合包括实体类型和实体类型定义，所述关系信息集合为描述锡冶炼各阶段之间以及阶段内原料、产物和杂质之间相互作用和转换的逻辑联系，所述附加信息集合包含与实体和关系一起补充的附加信息； Step2.3：加入m个锡冶炼工艺流程领域知识文本来抽取信息的示例； Step2.4：加入输出的格式要求，以及处理不存在的信息的方法，完成提示词设置； 所述Step4具体为： Step4.1：获取锡冶炼工艺流程超关系知识图谱中的超关系事实，作为训练集中的样本，对超关系事实中各个待学习目标设置初始嵌入向量，所述待学习目标包括主三元组中的头实体、关系、尾实体以及辅助键值对中的辅助键和辅助值，表征模型的嵌入表示学习包括全局嵌入表示学习和局部嵌入表示学习，嵌入向量大小为，其中为维度大小； Step4.2：进行全局嵌入表示学习，在锡冶炼工艺流程超关系知识图谱上，使用图神经网络对主三元组和辅助键值对进行消息传递，信息聚合； 在第层隐藏层中，聚合节点和邻居节点信息，通过如下公式对辅助键值对层级信息进行聚合： 其中，为第层的辅助键值对嵌入向量，为第层的第个辅助键嵌入向量，为第层的第个辅助值嵌入向量，为第层的辅助键值对权重矩阵，大小为，为一个超关系事实中的辅助键值对集合，包含个辅助键，为中的第i个辅助键值对，； 通过如下公式对关系-辅助键值对层级信息进行聚合： ； 其中，为第层的关系-辅助键值对嵌入向量，为第层的三元组中关系嵌入向量，表示Hadamard乘积，为超参数，； 通过如下公式聚合实体-关系-辅助键值对层级信息，并通过从邻居节点聚合表示来更新节点嵌入向量，在超关系知识图谱上进行消息传递： ； 其中，为第层的头实体嵌入向量，为第层的头实体嵌入向量，为第层的尾实体嵌入向量，为第层的头实体权重矩阵，为第层的信息聚合权重矩阵，大小为，为与头实体相连的关系-尾实体对集合，为中的一个关系-尾实体对，代表关系，代表尾实体，为非线性激活函数ReLU； Step4.3：经过全局嵌入表示学习后，根据每个超关系事实进行局部嵌入表示学习，将每个超关系事实转换为输入序列，使用掩码语言建模和基于注意力机制的模型捕捉序列数据中不同位置之间的依赖关系，训练模型获得超关系事实最终嵌入； 对超关系事实进行序列查询，转换为输入序列，对应的嵌入向量为，掩码输入序列的数据，被掩码的部分用[MASK]表示，使用基于注意力机制的模型学习上下文之间的信息： ； 其中，为Transformer编码器，Transformer编码器的层数为C，，为第层输出； 对于第i个[MASK]掩码位置的嵌入向量，模型输出一个概率分布： ； 其中，和为可学习参数，大小分别为和，为掩码位置的候选标签数量，是激活函数； 使用交叉熵损失函数计算掩码位置的预测损失： ； 其中，为掩码位置的数量，为第i个掩码位置的真实标签； Step4.4：通过反向传播损失和梯度下降算法训练模型参数，对训练数据集中的多个超关系事实样本进行迭代训练，直到达到预设的迭代次数获得训练好的表征模型以及各学习目标最终独立的嵌入向量，用于下游任务。

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昆明理工大学;云南锡业股份有限公司锡业分公司，其通讯地址为：650031 云南省昆明市一二一大街文昌路68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”。

以上内容由龙图腾AI智能生成。