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！

龙图腾网获悉山东交通学院申请的专利基于关系消息传递和交互信息最大化的归纳链接预测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：CN119721229B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202411877306.5，技术领域涉及：G06N5/025；该发明授权基于关系消息传递和交互信息最大化的归纳链接预测方法是由梁新雨;司冠南;卢林楠;郝海祥;王晓亮设计研发完成，并于2024-12-19向国家知识产权局提交的专利申请。

本基于关系消息传递和交互信息最大化的归纳链接预测方法在说明书摘要公布了：本发明涉及知识图谱补全技术领域，尤其涉及一种基于互信息最大化的关系消息传递的归纳知识图谱补全方法。步骤如下：围绕目标三元组提取K‑跳封闭实体子图和一跳不封闭实体子图，然后将和分别转换为封闭关系子图和不封闭关系子图；构建本体图，根据本体图的训练结果生成本体增强的初始节点，然后通过关系消息传递计算封闭关系子图中的目标关系，通过一跳邻居聚合计算不封闭关系子图中的目标关系，最后组合成完整的子图嵌入；根据完整的子图嵌入计算监督学习损失，通过最大化互信息计算对比学习损失，得到总损失来进行联合训练。本方法研究的更优化的局部子图方法可以更好地解决真正归纳知识图谱推理中的语义问题。

本发明授权基于关系消息传递和交互信息最大化的归纳链接预测方法在权利要求书中公布了：1.一种基于关系消息传递和交互信息最大化的归纳链接预测方法，其特征是，包括以下步骤： S1、子图提取和转换：围绕目标三元组提取K-跳封闭实体子图和一跳不封闭实体子图，然后将和分别转换为封闭关系子图和不封闭关系子图； S1具体如下： S1.1子图提取： 围绕目标三元组分别提取K-跳封闭实体子图和一跳不封闭实体子图，将和结合进行联合归纳推理，其中，表示头实体，表示尾实体，表示头实体和尾实体之间的关系，实体和被表示为节点，关系被表示为边； S1.1.1提取K-跳封闭实体子图： 根据目标三元组中头实体计算-跳入度邻居，根据目标三元组中尾实体计算出度邻居； 找到头实体的-跳入度邻居和尾实体的-跳出度邻居之间的交集，得到共同邻居； 移除共同邻居中的孤立节点和距离目标三元组的节点和超过跳的节点，得到-跳封闭实体子图，中所有节点与目标三元组节点的距离都在最大距离范围内； 其中，-跳封闭实体子图的时间复杂度为，表示时间复杂度，表示跳数的索引，，、和分别表示-跳封闭实体子图中节点、关系和边的数量，节点和关系的嵌入向量维度均为； S1.1.2、提取一跳不封闭实体子图： 根据目标三元组中头实体计算-跳邻居，根据目标三元组中尾实体计算-跳邻居； 找到头实体的-跳邻居和尾实体的-跳邻居之间的并集，得到所有邻居节点; 将目标三元组中的头实体、尾实体、所有邻居节点，以及目标三元组中的实体和邻居节点对应的实体之间的边，共同构成的一跳不封闭实体子图子图； S2、子图消息传递：构建本体图，根据本体图的训练结果生成本体增强的初始节点，然后通过关系消息传递计算封闭关系子图中的目标关系，通过一跳邻居聚合计算不封闭关系子图中的目标关系，最后组合成完整的子图嵌入； S2具体如下： S2.1、构建本体图并生成本体增强的初始节点： S2.1.1、构建本体图： 1确定语义词汇，根据语义词汇捕捉关系的语义关系，优先选择支持推理和建模关系语义的词汇，语义词汇的关键术语包括用于描述属性之间的层次关系的“rdfs:subPropertyOf”、用于定义类之间的层次关系的“rdfs:subClassOf”、用于指定关系的头实体类型的“rdfs:domain”和用于指定关系的尾实体类型的“rdfs:range”； 2排除不相关的术语，不相关的术语指不是用于表示语义关系的术语，不相关的术语包括用于定义集合、序列和实例类型的基本语义结构； 3从NELL-995数据集中提取关系信息，并对每个关系的语义属性进行注释，和表示从数据集中提取的任意两个关系信息，从四个关键术语中选取一个关键术语对两个关系进行定义，得到RDF三元组，表示为，根据从数据集提取的关系信息和关键术语组成的RDF三元组构成本体图，RDF三元组表示资源描述框架三元组，由主体、谓语和宾语组成，主体对应关系，谓语对应关键术语，宾语对应关系； 其中，NELL-995数据集是一个自动从网络中提取的用于构建语义本体并支持知识推理与关系抽取的知识图谱子集，包含995个类别及其关系； 4推理工具OWLReasoner对本体图进行语义推理和逻辑验证，OWLReasoner是一种确保结构的一致性并进一步优化本体图的工具； S2.1.2、生成本体增强的初始节点： 将本体图作为初始节点的先验知识，通过知识图谱嵌入技术TransE对本体图进行预训练，得到关系的表示，然后通过两层全连接网络将关系嵌入投射到关系子图上，生成本体增强的的初始节点，计算过程如下： ， 其中，表示本体增强的的初始节点，角标表示初始化状态；表示第一层全连接网络的权重矩阵，表示表示第二层全连接网络的权重矩阵，表示从本体图中经过预训练得到的的节点表示； S3、联合训练：根据完整的子图嵌入计算监督学习损失，通过最大化交互信息计算对比学习损失，得到总损失来进行联合训练； S3具体如下： S3.1、监督学习： 根据关系子图的最终表示计算目标三元组的的似然得分，具体计算如下： ， 其中，表示关系权重矩阵； 然后通过监督学习损失对三元组的似然得分进行优化，替换三元组中的头实体或尾实体生成等量的负样本三元组和正样本，并确保正样本三元组的得分显著高于负样本三元组，计算过程如下： 其中，表示输入的所有目标三元组的数量，和分别表示对目标三元组进行替换后得到负三元组和正三元组，表示负三元组的似然得分，表示正三元组的似然得分，表示边界超参数，表示取最大值，表示三元组的索引，，； S3.2、交互信息最大化： 通过最大化局部与全局交互信息MI构建关系间的全局拓扑模式，覆盖子图与图层级别，首先使用读取函数获取图的全局表示，具体计算如下： ， 其中，表示第个正样本三元组的局部关系子图的嵌入，表示整个关系图的嵌入，表示输入的所有正样本三元组的数量； 然后引入双线性得分函数作为判别器，并应用Jensen-ShannonMI估计器，对关系子图嵌入和整个关系图嵌入的交互信息进行估计，从而最大化二者的互信息并判断它们是否来源于同一图，Jensen-ShannonMI估计器是一种用于估计两个随机变量之间互信息MI的方法，双线性得分函数具体如下： ， 其中，表示激活函数，表示互信息MI的得分矩阵，表示关系子图嵌入与整个关系图嵌入之间的相似度； 在通过腐败函数构建负采样关系图，具体计算如下: ， 其中，表示封闭关系图，表示封闭关系图中关系节点的初始特征，表示通过对进行逐层随机打乱得到的损坏节点初始特征，表示的邻接矩阵； 最后，通过和计算正负样本之间的对比学习损失，进而实现图嵌入的学习，具体计算如下： ， 其中，表示负样本三元组数量，表示正样本三元组数量，表示负样本关系子图的嵌入表示，表示第个负样本关系子图嵌入与整个关系图嵌入之间的相似度； S3.3、联合训练目标： 通过联合训练最小化得到最终损失，最终损失包含监督学习损失和对比学习损失，计算过程如下： ， 其中，表示用于调节监督学习损失和对比学习损失的比例的超参数。

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山东交通学院，其通讯地址为：250000 山东省济南市长清大学科技园海棠路5001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。