Page 285 - 《软件学报》2025年第12期

5666 软件学报 2025 年第 36 卷第 12 期

表 15 FoodOn 与 GO 多语言模型适用性验证实验结果

数据集 任务 语言模型 MRR H@1 H@5 H@10
RoBERTa 0.175 0.082 0.259 0.364
BiomedBERT 0.326 0.195 0.474 0.596
类层级关系预测 chatGLM3-6B 0.192 0.097 0.281 0.394
LLaMA-2-7B 0.211 0.112 0.299 0.416
BERT 0.345 0.212 0.492 0.618
FoodOn
RoBERTa 0.199 0.130 0.262 0.332
BiomedBERT 0.342 0.235 0.456 0.552
类属性预测 chatGLM3-6B 0.260 0.172 0.346 0.442
LLaMA-2-7B 0.231 0.149 0.313 0.390
BERT 0.354 0.256 0.465 0.548
RoBERTa 0.155 0.060 0.232 0.358
BiomedBERT 0.342 0.181 0.532 0.693
类层级关系预测 chatGLM3-6B 0.222 0.108 0.325 0.475
LLaMA-2-7B 0.056 0.016 0.071 0.131
BERT 0.277 0.146 0.412 0.565
GO
RoBERTa 0.329 0.231 0.438 0.522
BiomedBERT 0.488 0.348 0.658 0.768
类属性预测 chatGLM3-6B 0.285 0.169 0.413 0.520
LLaMA-2-7B 0.321 0.205 0.449 0.554
BERT 0.421 0.301 0.554 0.657

3.3.4 多类型 OWL 图谱适用性验证
为验证本文所提方法在面对不同垂直或通用领域 OWL 图谱时的性能表现, 本文通过知识表示学习任务对其
进行测试, 本节选取 IB2M 和 DBpedia-20k 开展相应实验, 结果如表 16、表 17 所示. 其中, IB2M 中的大多数标注
属性以中文为主, DBpedia-20k 以英语为主, 但包含了多种语言. 为了对比的公平性, 本节仅选取能够适用于多种类
型 OWL 图谱 (多语言、多领域), 同时以原始 OWL 图谱作为输入的 OWL2Vec*方法作为基线方法, 其他实验设置
参照第 3.1.2 节.

表 16 DBpedia-20k 实验结果

任务 方法 MRR H@1 H@5 H@10
OWL2Vec* 0.882 0.856 0.912 0.929
类实例预测
MSV-KRL 0.905 0.848 0.976 0.990
OWL2Vec* 0.217 0.126 0.344 0.437
类层级关系预测
MSV-KRL 0.372 0.258 0.503 0.656
OWL2Vec* 0.209 0.098 0.341 0.472
类属性预测
MSV-KRL 0.460 0.303 0.644 0.734

表 17 IB2M 实验结果

任务 方法 MRR H@1 H@5 H@10
OWL2Vec* 0.351 0.131 0.681 0.949
类实例预测
MSV-KRL 0.868 0.762 0.989 0.996
OWL2Vec* 0.216 0.073 0.317 0.488
类层级关系预测
MSV-KRL 0.380 0.268 0.488 0.610
OWL2Vec* 0.100 0.001 0.161 0.323
类属性预测
MSV-KRL 0.158 0.065 0.160 0.355
OWL2Vec* 0.155 0.123 0.192 0.227
实例对象属性预测
MSV-KRL 0.240 0.175 0.289 0.380
OWL2Vec* 0.012 0.002 0.009 0.019
实例数据属性预测
MSV-KRL 0.038 0.007 0.051 0.095