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！

龙图腾网获悉东华大学;上海谋乐网络科技有限公司申请的专利基于高效解码与多维特征增益的智能知识图谱融合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：CN120745773B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202510850473.9，技术领域涉及：G06N5/022；该发明授权基于高效解码与多维特征增益的智能知识图谱融合方法是由冯向阳;刘子雷;吴双励;罗清篮;张雪松;宋艾米;陈宁;尚侠;施纯利设计研发完成，并于2025-06-24向国家知识产权局提交的专利申请。

本基于高效解码与多维特征增益的智能知识图谱融合方法在说明书摘要公布了：本发明公开了基于高效解码与多维特征增益的智能知识图谱融合方法，包括如下步骤：S1、对输入的多模态数据进行图谱预处理；S2、将所述源知识图谱与目标知识图谱输入图卷积网络，结合词级与字符级特征生成实体嵌入表示；S3、基于所述源知识图谱与目标知识图谱中的三元组信息，构建结构增益矩阵，并与所述实体嵌入矩阵融合；S4、将所述结构增强后的图谱嵌入输入解码模块，采用Sinkhorn操作归一化生成实体对齐概率矩阵；S5、基于所述实体对齐概率矩阵，通过Dirichlet能量最小化策略优化实体匹配关系。本发明结合了图神经网络建模、多源异构数据结构化处理和实体表示学习与特征增强技术，实现了基于高效解码与多维特征增益的智能知识图谱融合。

本发明授权基于高效解码与多维特征增益的智能知识图谱融合方法在权利要求书中公布了：1.基于高效解码与多维特征增益的智能知识图谱融合方法，其特征在于，包括如下步骤： S1、对输入的多模态数据进行图谱预处理，构建源图谱和目标图谱的实体集、关系集与三元组集，得到源知识图谱与目标知识图谱； 所述多模态数据包括结构化文本、图像描述信息与实体属性标签，统一为标准文本数据； S2、将所述源知识图谱与目标知识图谱输入图卷积网络，结合词级与字符级特征生成实体嵌入表示，得到源图谱实体嵌入矩阵与目标图谱实体嵌入矩阵； S3、基于所述源知识图谱与目标知识图谱中的三元组信息，构建结构增益矩阵，并与所述实体嵌入矩阵融合，生成结构增强后的源图谱与目标图谱嵌入； S4、将所述结构增强后的源图谱与目标图谱嵌入输入解码模块，构建三维特征张量，通过切片与实体配对生成候选对齐特征矩阵，采用Sinkhorn操作归一化生成实体对齐概率矩阵； S5、基于所述实体对齐概率矩阵，通过Dirichlet能量最小化策略优化实体匹配关系，输出最终一致的统一知识图谱结构； 所述S2具体包括： S21、分别提取源知识图谱与目标知识图谱的实体集合，将每个实体分别表示为对应的词级向量表示和字符级向量表示，词级向量用于捕捉语义信息，字符级向量用于增强对低频词和变形词的鲁棒性； S22、通过动态门控机制对词级与字符级向量进行加权融合，生成实体的统一表示向量： g+； 其中，为融合门控向量，为融合后的实体向量，为实体的词级嵌入向量，为实体的字符级嵌入向量，为知识图谱中的一个实体，为函数，为，为，为将词级嵌入向量和字符级嵌入向量进行拼接操作，为词-字符融合权重矩阵，为一个线性变换的权重矩阵； S23、将所述实体的统一表示向量输入图卷积网络，构建多尺度结构感知的图卷积模型，通过不同阶邻接矩阵获取实体多阶邻域信息： ； 其中，为第层图卷积输出的实体嵌入矩阵，为多尺度图卷积中的阶数索引，为最大卷积阶数，为第阶邻接矩阵，为第k阶邻接矩阵对应的度矩阵，为第k阶卷积核对应的注意力系数，为第l层第k阶图卷积的权重矩阵，为非线性激活函数，为残差连接的加权系数； S24、通过图卷积网络多层迭代计算后，提取每个实体的上下文结构信息与多尺度语义特征，将源知识图谱中全部实体映射为统一嵌入空间中的高维向量表示，同时将目标知识图谱中全部实体转换为同一维度的嵌入表示，生成源图谱实体嵌入矩阵与目标图谱实体嵌入矩阵； 所述S4具体包括： S41、将结构增强后的源图谱与目标图谱嵌入表示构建为三维特征张量，所述张量以实体索引、嵌入维度和结构上下文维度构成，作为图谱特征解码模块的输入； S42、对所述三维特征张量进行切片操作，获取源图谱与目标图谱之间的候选对齐实体对，并结合实体-实体结构增益矩阵，构建对齐得分矩阵： exp 其中，为源图谱中实体与目标图谱中实体之间的匹配相似度得分，为源知识图谱中的第个实体在实体集合中的索引，为目标知识图谱中的第个实体在实体集合中的索引，为源图谱中实体的嵌入向量，为目标知识图谱中第个实体的嵌入向量，为欧氏距离，为实体对在知识图谱中的引导因子，为实体与实体的结构增益值，、为结构调节系数，为距离平衡因子，为实体和嵌入之间的欧氏距离平方，为指数函数，为； S43、对所述对齐得分矩阵应用Sinkhorn操作进行迭代归一化处理，生成近似双随机性的实体对齐概率矩阵； S44、引入狄利克雷能量最小化策略，对实体对齐概率矩阵进行优化，引导生成具有结构一致性的最终对齐结果： +； 其中，为全局能量函数值，为源图谱中的实体总数，为目标图谱中的实体总数，为实体对的结构不一致性评分，为结构约束调节因子； S45、根据所述能量函数最小化结果，输出源图谱与目标图谱的最终一对一实体对齐结果，并生成融合后的统一知识图谱； 所述S5具体包括： S51、对实体对齐结果进行校验，统计融合后图谱中所有已对齐实体对的嵌入距离分布与结构一致性分布，构建对齐质量评估指标集合； S52、根据评估指标，筛选融合结果中的低置信对齐实体对，构建置信度矩阵： ； 其中，为源知识图谱中的第个实体在实体集合中的索引，为目标知识图谱中的第个实体在实体集合中的索引，衡量实体对的结构与语义一致性，为源图谱中实体与目标图谱中实体之间的匹配相似度得分，为数值稳定因子，为源图谱中实体的嵌入向量，为目标知识图谱中第个实体的嵌入向量，为实体和嵌入之间的欧氏距离平方,为全局能量函数值； S53、根据置信度矩阵的计算结果，对置信度低于设定阈值的实体对进行筛选，构建包含所有低置信对齐实体对的数据集合，用于再训练与对齐优化过程； S54、将所述包含所有低置信对齐实体对的数据集合重新送入图谱嵌入模块和结构增益模块中进行再训练，采用动态学习率与样本重加权机制优化嵌入更新过程，得到新的嵌入表示 S55、基于更新后的嵌入表示，重新执行S42至S45步骤，获得融合后图谱的优化对齐结果，并输出最终一致的统一知识图谱结构。

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东华大学;上海谋乐网络科技有限公司，其通讯地址为：200300 上海市长宁区延安西路1882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。