Page 282 - 《软件学报》2025年第12期

杨建喜 等: 多语义视图驱动的 OWL 知识图谱表示学习方法 5663

表 12 HeLis 消融实验结果 (续)

任务 不同模块 MRR H@1 H@5 H@10
MSV-KRL 0.509 0.364 0.709 0.818
w/o 多视图语义划分 0.460 0.363 0.600 0.745
类层级关系预测
w/o 自监督进阶训练 0.394 0.263 0.526 0.737
w/o 多任务联合表示学习 0.203 0.091 0.273 0.509
MSV-KRL 0.396 0.333 0.500 0.583
w/o 多视图语义划分 0.257 0.200 0.300 0.400
类属性预测
w/o 自监督进阶训练 0.201 0.219 0.300 0.500
w/o 多任务联合表示学习 0.309 0.200 0.400 0.500
MSV-KRL 0.266 0.206 0.316 0.377
w/o 多视图语义划分 0.195 0.143 0.233 0.291
实例对象属性预测
w/o 自监督进阶训练 0.177 0.119 0.216 0.286
w/o 多任务联合表示学习 0.201 0.165 0.221 0.269
MSV-KRL 0.598 0.545 0.653 0.700
w/o 多视图语义划分 0.487 0.447 0.522 0.570
实例数据属性预测
w/o 自监督进阶训练 0.469 0.429 0.499 0.544
w/o 多任务联合表示学习 0.468 0.433 0.495 0.531

表 13 FoodOn 和 GO 消融实验结果

数据集 任务 不同模块 MRR H@1 H@5 H@10
MSV-KRL 0.345 0.212 0.492 0.618
w/o 多视图语义划分 0.303 0.179 0.434 0.569
类层级关系预测
w/o 自监督进阶训练 0.218 0.113 0.314 0.438
w/o 多任务联合表示学习 0.274 0.156 0.396 0.522
FoodOn
MSV-KRL 0.354 0.256 0.465 0.548
w/o 多视图语义划分 0.323 0.223 0.426 0.520
类属性预测
w/o 自监督进阶训练 0.219 0.133 0.301 0.392
w/o 多任务联合表示学习 0.341 0.243 0.444 0.542
MSV-KRL 0.277 0.146 0.412 0.565
w/o 多视图语义划分 0.262 0.129 0.396 0.553
类层级关系预测
w/o 自监督进阶训练 0.209 0.096 0.318 0.457
w/o 多任务联合表示学习 0.243 0.118 0.368 0.518
GO
MSV-KRL 0.421 0.301 0.554 0.657
w/o 多视图语义划分 0.406 0.288 0.537 0.628
类属性预测
w/o 自监督进阶训练 0.375 0.270 0.483 0.581
w/o 多任务联合表示学习 0.333 0.223 0.443 0.549

从表 12 和表 13 中 3 个 OWL 图谱中各个模块的消融实验结果整体来看, 各个模块均有助于 MSV-KRL 性能

提升. 具体而言, 当去掉多视图语义划分模块后, HeLis、FoodOn 以及 GO 本体中 9 个任务的结果都有所下降. 首
先, HeLis 中类实例预测以及类层级关系预测虽然下降幅度较小, 但仍表明多视图语义划分能够有效提升 MSV-KRL
整体性能. 其次, 类属性预测实验结果和 MSV-KRL 相比性能差距明显, 同时实例对象属性预测和实例数据属性预
测也有较大提升, 其原因是经过多视图语义划分后 MSV-KRL 能够对各类关系进行针对性的表示学习, 有效降低
噪声. 而 FoodOn 和 GO 中共 4 个任务中 GO 的类层级预测和类属性预测性能下降幅度相比于 FoodOn 的较小, 其
原因是 GO 本体的比较复杂, 因此 GO 本体中这个任务的性能差异较小, 而 FoodOn 较大. 当去掉自监督进阶训练
模块后, HeLis 中类实例预测任务差异较小, 其原因是 HeLis 中类与实例的标注属性内容自身已非常相似, 因此性