Page 279 - 《软件学报》2025年第12期

5660 软件学报 2025 年第 36 卷第 12 期

3.2.2 类层级关系预测任务
面向 HeLis、FoodOn 和 GO 的类层级关系预测实验结果如表 6 和表 7 所示. 从整体结果来看, MSV-KRL 在
3 个 OWL 图谱上的绝大部分实验结果均远超其他基线方法, 且在 FoodOn、GO 和 HeLis 上的 Hits@10 指标相比
次优方法分别提升约 23%、18% 和 36%. 此外, 与 OWL2Vec*等知识表示学习方法相比, MSV-KRL 各项指标均有
较大提升. 例如, 与 OWL2Vec*相比, HeLis 在 Hits@1 指标上的性能大幅提升, 证明本文所提面向多语义视图的三
元组数据序列化策略能够很好地捕捉类层级关系信息.

表 6 FoodOn 及 GO 类层级预测任务实验结果

FoodOn GO
方法
MRR H@1 H@5 H@10 MRR H@1 H@5 H@10
[19]
TransE 0.029 0.011 0.044 0.065 0.015 0.005 0.018 0.030
[31]
DistMult 0.076 0.045 0.099 0.134 0.046 0.018 0.680 0.097
[28]
TransR 0.072 0.044 0.093 0.13 0.048 0.016 0.076 0.113
[54]
EL_Embedding 0.040 0.014 0.067 0.099 0.018 0.005 0.021 0.036
[56]
Onto2Vec 0.034 0.014 0.047 0.064 0.024 0.008 0.031 0.053
[57]
OPA2Vec 0.093 0.058 0.117 0.156 0.075 0.032 0.106 0.157
[59]
OWL2Vec v1 0.091 0.052 0.121 0.152 0.031 0.012 0.040 0.067
[64]
RDF2Vec 0.078 0.053 0.097 0.119 0.043 0.017 0.057 0.087
Transformer (all text) 0.022 0.011 0.032 0.050 0.014 0.008 0.017 0.019
Transformer (label) 0.016 0.005 0.027 0.046 0.009 0.001 0.009 0.018
Pre-trained Word2Vec 0.136 0.089 0.175 0.227 0.123 0.055 0.177 0.260
OWL2Vec* [26] 0.213 0.143 0.287 0.357 0.170 0.076 0.258 0.376
2
Box EL [23] 0.021 0.003 0.027 0.051 0.066 0.023 0.094 0.158
InME/CoME [47] 0.306 0.205 0.419 0.501 0.253 0.148 0.362 0.478
MSV-KRL 0.345 0.212 0.492 0.618 0.277 0.146 0.412 0.565

表 7 HeLis 类层级关系预测任务实验结果

方法 MRR H@1 H@5 H@10
Onto2Vec [56] 0.193 0.073 0.291 0.418
OPA2Vec [57] 0.208 0.073 0.345 0.491
RDF2Vec [64] 0.336 0.236 0.436 0.600
OWL2Vec* [26] 0.236 0.127 0.309 0.455
DGS [51] 0.013 0.000 0.000 0.000
2
Box EL [23] 0.150 0.073 0.182 0.309
MSV-KRL 0.509 0.364 0.709 0.818

从具体实验结果来看, InME/CoME 方法虽能利用类层级关系文本信息的全局和局部特征完成类层级关系的
建模, 但没有较好地处理复杂公理信息, 而 MSV-KRL 能够通过本体映射处理复杂公理信息, 因此在 FoodOn 和
2
GO 上的整体表现要优于 InME/CoME. Box EL 能够处理 OWL 图谱中概念层描述逻辑公理信息, 但在建模层级关
系信息能力上较弱, 因此在该任务中表现有待提升. RDF2Vec 仅在类层级关系数据集上训练测试, 仅能学习到概
念层中的局部信息, 导致学习到的嵌入表示能力有限, 因此在该任务上的表现与 MSV-KRL 有一定差距. 而对
DGS 而言, 该方法将概念的类层级关系、类实例关系都建模为“is_a”关系, 造成其难以将类层级关系与类实例关
系区分开, 因此在该任务上的性能表现不佳.
3.2.3 类属性预测任务
类属性预测任务在 3 个 OWL 图谱上的实验结果如表 8 所示, 由于 DGS 方法需要实例层数据, 因此无法在
FoodOn 和 GO 上展开测试. 从实验结果可知, 本文所提 MSV-KRL 方法能够较为准确地预测类属性信息, 仅在