Page 267 - 《软件学报》2025年第12期

5648 软件学报 2025 年第 36 卷第 12 期

或 individual) 集合. 关系 (relation) 集合 R = {r t ,r s }∪R o ∪R d , 其中 r t 表示 rdf : type 关系, r s 表示 rdfs : subClassOf 关
系, R o 表示对象属性 (object property) 关系集合, R d 表示数据属性 (data property) 关系集合. 复杂概念可由描述逻辑
算子合取 (例如 c i ⊓c j )、析取 (例如 c i ⊔c j )、存在量词 (例如 ∃r.c i ) 和全称量词 (例如 ∀r.c i ) 组合表征. D 表示数值、
文本等数据属性对应的字面量集合, L 表示概念、实例或属性所对应的标注属性信息 (annotation) 集合. 针对 O 的
c ∈ C、 v c ∈ R , v i ∈ R , v r ∈ R , 使其
d
d
d
知识表示学习旨在将所有的 i ∈ I 和 r ∈ R 嵌入为低维稠密特征空间中的向量
尽可能地向量化表征 OWL 图谱中各种概念、实例、属性及其公理的语义信息.
2.2 整体框架
本文所提出的 MSV-KRL 整体框架如图 1 所示. 该方法主要包含了 3 个阶段: 多语义视图划分、语义感知进
阶训练、多任务联合表示学习.

语义模式层
C 类层次视图 (2) 语义感知进阶训练阶段
(1) F subClassOf
多 D subClassOf {helis: CannedOrCookedFruit,
语 E D E rdfs: subClassOf, helis: SugarAndSweets,
义 视图划分 rdfs: subClassOf, helis: BasicFood}
视 类属性视图 ···
图 C 多
划 literals d e data property 视
分 object property D 图 标注属性替换
阶 E 内
段 g 类实例视图 的
实例层 literals 随 {canned or cooked fruit subclassof sugar
C D and sweets subclass of basic food}
解析为RDF图结构 typeOf typeOf 机 ···
游
c d
∃r. T ⊑ A (domain) ⊔ B (domain); 走
复 T ⊑ r. C (range) 实例对象属性视图 数
杂 据
原生 语 object c 生 自监督进阶训练
数据 object
OWL 义 <A, r, C>; <B, r, C> property property 成
知识 输入 本 e
图谱 体 A ⊑ □ r. B or □ r. B ⊑ A
映 实例数据属性视图 基于编码器架构的PLMs
射 <A, r, B> c data s
data
优 property property
化 d
··· literals
模型支撑
多任务学习 头/尾实体嵌入
(3) 多任务联合表示学习阶段
类层级预测
···
类属性预测
多视图 (helis: Cheese, rdfs: subClassOf, helis: Food)
联 输入 (helis: User, helis: consumed, helis: Meal)
合 SLAW 拼接 进阶训练微调后的 PLMs (helis: Iron_380, rdf: type, helis: Iron)
损 类实例预测 或 LLMs (helis: FOOD-4009, helis: hasNutrient,
失 helis: Iron_100)
实例对象属性 (helis: Niacin_220, helis: unit, helis: mg)
···
预测
··· 本体映射后的多语义视图
实例数据属性 三元组集合
预测 关系嵌入

图 1 MSV-KRL 整体框架

在多语义视图划分阶段, MSV-KRL 首先在 OWL2Vec*定义的本体映射策略基础上进行优化, 尤其是针对对
象属性的定义域和值域复杂语义约束, 实现 OWL 图谱到 RDF 图结构的更合理解析. 然后, 基于实体多语义空间