(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 202211062770.X (22)申请日 2022.09.01 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 王衍洋　孙书玮　唐文忠　 (74)专利代理 机构 北京天汇航智知识产权代理 事务所(普通 合伙) 11987 专利代理师 陈陈数 (51)Int.Cl. G06F 40/30(2020.01) G06F 16/35(2019.01) G06F 16/36(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于结构和语义信息自适应融合的链 接预测方法 (57)摘要 本发明公开了一种基于结构和语义信息自 适应融合的链接预测方法， 包括步骤： 模型输入 的预处理， 提取出物联数据相关的语义信息和结 构信息， 拼接语义信息和结构信息， 作为模型的 输入； 模型的训练， 根据模型的输入分别得到节 点的语义得分和结构得分， 然后根据节点的出入 度得到其权重系数， 加权求和得到损失值， 并迭 代更新模型参数； 模型的预测， 利用训练好的模 型计算节 点的语义得分和结构得分， 并根据其权 重系数得到最终得分， 进行分类， 得到链接预测 结果。 该方法的模型输入同时包含语义信息和结 构信息， 提高了预测的准确率； 根据传感器的结 构信息的丰富程度， 自适应调节两种信息的权 重， 对各类传感器都有较好的预测结果， 提高了 模型的泛化 性能。 权利要求书2页 说明书5页 附图2页 CN 115329773 A 2022.11.11 CN 115329773 A 1.一种基于结构和语义信息自适应融合的链接预测方法， 其特 征在于， 包括以下步骤： S1： 模型输入的预处理， 提取出物联数据相关的语义信 息和结构信息， 拼接语义信息和 结构信息， 作为模型的输入； S2： 模型的训练， 根据模型的输入分别得到节点的语义得分和结构得分， 然后根据节点 的出入度得到其权 重系数， 加权求和得到损失值， 并迭代更新模型参数； S3： 模型的预测， 利用训练好的模型计算节点的语义得分和结构得分， 并根据其权重系 数得到最终得分， 进行分类， 得到链接预测结果。 2.根据权利要求1所述的基于结构和语义信息自适应融合的链接预测方法， 其特征在 于， 所述步骤S1包括： S101： 根据物联 数据所组成的图谱进行处 理， 每条物联 数据组织成三元组的形式； S102： 将三元组的头实体和关系进行拼接， 然后将其输入transformer模型中得到嵌入 向量u， 将尾实体输入t ransformer模型中得到嵌入向量v， u和v作为节点的语义信息； S103： 将三元组进行初始化嵌入， 对于头实体得到初始化嵌入es， 对于关系得到初始化 嵌入r， 对于尾实体得到初始化嵌入eo， es、 r和eo作为节点的结构信息； S104： 将语义信息的嵌入和结构信息的嵌入进行拼接， 作为模型的输入部分。 3.根据权利要求2所述的基于结构和语义信息自适应融合的链接预测方法， 其特征在 于， 所述步骤S2具体包括： S201： 利用公式t＝[u； u ×v,u‑v,v]计算输入的u和v向量的语义相关性， 然后输入到多 层感知机网络当中得到语义得分sc， 并将尾实体进行负采样的替换， 即用一个错误的尾实 体替换掉 正确的尾实体， 得到语义得分 sc′： sc＝MLP([u； u ×v； u‑v； v]) sc′＝MLP([u； u ×v′； u‑v′； v′]) 其中， v′是负采样的尾实体在t ransformer模型中的向量表示， MLP为多层感知机网络； S202： 根据二元交叉熵计算负采样的尾实体和正确尾实体的损失 S203： 将输入的初 始化的结构信息嵌入， 带入下式， 得到其结构得分sd， 以及负采样的尾 实体的结构得分 sd′： sd＝W×1es×2wr×3eo sd′＝W×1es×2wr×3e′o 其中e′o是负采样的尾实体的在Tucker模型中的向量表示， ×n表示张量与矩阵的n模 积， W是Tucker分解中的核心张量， wr是关系的向量表示； S204： 根据岭回归损失计算结构得分和正确尾实体的损失 其中， λ为预设的超参数； S205： 根据节点的出入度大小， 和图谱中所有节点的平均出入度大小， 得到该节点的权 重系数： 权　利　要　求　书 1/2 页 2 CN 115329773 A 2其中α为该节点的权重系数， p为该节点的出入度大小， mp为图谱中所有节点的出入度 大小的平均值； S206： 根据权重系数得到本次训练的损失值， 然后进行反向传 播， 进行模型的参数 更新。 4.根据权利要求3所述的基于结构和语义信息自适应融合的链接预测方法， 其特征在 于， 所述步骤S3具体包括： S301： 利用训练得到的模型参数， 输入模型节点的对应的结构信息和语义信息， 即向量 u、 v、 es、 r和eo， 然后根据步骤S201和S20 3的公式计算得到节点的语义得分 sc和结构得分 sd； S302： 根据步骤S20 5计算得到的节点的权 重系数， 根据下式计算得到最终得分 s： s＝(1‑α )Rescale(sd)+α sc 其中Rescale为归一 化操作； S303： 将最终得分 s输入到一个全连接网络后， 输入softmax分类 器， 得到节点的类别。权　利　要　求　书 2/2 页 3 CN 115329773 A 3