Page 281 - 《软件学报》2025年第12期

5662 软件学报 2025 年第 36 卷第 12 期

表 10 HeLis 实例数据属性预测任务实验结果

方法 MRR H@1 H@5 H@10
Onto2Vec [56] 0.001 0.000 0.000 0.001
OPA2Vec [57] 0.002 0.000 0.001 0.002
RDF2Vec [64] 0.003 0.000 0.002 0.003
OWL2Vec* [26] 0.005 0.001 0.003 0.006
DGS [51] 0.002 0.000 0.003 0.005
2
Box EL [23] 0.001 0.000 0.000 0.000
MSV-KRL 0.598 0.545 0.653 0.700

3.3 验证性实验结果
3.3.1 改进本体映射方法验证
MSV-KRL 基于 OWL2Vec*中所使用的本体映射方法进行改进, 因此在本节中对其改进前后的效果展开实验
对比, 本体映射方法验证实验结果如表 11 所示. 与 OWL2Vec*相比, 本文所提多语义视图划分策略在 HeLis、
FoodOn 和 GO 本体上均取得最佳性能, 且在公理信息较少的 FoodOn 和 GO 本体上差异尤为明显. 在具体任务方
面, 从 HeLis 各项任务的实验结果可以发现, 类实例预测和实例对象数据属性预测不同映射方法的差距较小, 而类
层级关系预测、类属性预测和实例数据属性预测由于抽取信息的缺失性能差距较大. 因此, 经过综合分析可知, 本
文所增加的各项语义信息能够有效弥补原本体映射方法信息抽取不足这一问题.

表 11 改进本体映射方法验证实验结果

数据集 任务 本体映射方法 MRR H@1 H@5 H@10
MSV-KRL 0.969 0.951 0.992 0.997
类实例预测
OWL2Vec* 0.942 0.915 0.976 0.991
MSV-KRL 0.509 0.364 0.709 0.818
类层级关系预测
OWL2Vec* 0.423 0.327 0.527 0.745
MSV-KRL 0.396 0.333 0.500 0.583
HeLis 类属性预测
OWL2Vec* 0.290 0.200 0.300 0.500
MSV-KRL 0.266 0.206 0.316 0.377
实例对象属性预测
OWL2Vec* 0.202 0.144 0.255 0.303
MSV-KRL 0.598 0.545 0.653 0.700
实例数据属性预测
OWL2Vec* 0.508 0.460 0.551 0.598
MSV-KRL 0.345 0.212 0.492 0.618
类层级关系预测
OWL2Vec* 0.058 0.018 0.081 0.126
FoodOn
MSV-KRL 0.354 0.256 0.465 0.548
类属性预测
OWL2Vec* 0.067 0.029 0.089 0.131
MSV-KRL 0.277 0.146 0.412 0.565
类层级关系预测
OWL2Vec* 0.153 0.065 0.219 0.340
GO
MSV-KRL 0.421 0.301 0.554 0.657
类属性预测
OWL2Vec* 0.297 0.209 0.389 0.468

3.3.2 消融实验
为了验证 MSV-KRL 各个模块的有效性, 本文开展了消融实验, 结果如表 12、表 13 所示.

表 12 HeLis 消融实验结果

任务 不同模块 MRR H@1 H@5 H@10
MSV-KRL 0.969 0.951 0.992 0.997
w/o 多视图语义划分 0.910 0.863 0.962 0.980
类实例预测
w/o 自监督进阶训练 0.949 0.919 0.991 0.995
w/o 多任务联合表示学习 0.946 0.915 0.984 0.994