软件学报

作者：杨建喜，谢江村，李韧，杨小霞，肖桥，蒋仕新，贺丽荣

单位：杨建喜，重庆交通大学 信息科学与工程学院, 重庆 40007411,谢江村，重庆交通大学 信息科学与工程学院, 重庆 40007402,李韧，重庆交通大学 信息科学与工程学院, 重庆 40007403,杨小霞，重庆交通大学 交通运输学院, 重庆 40007404,肖桥，重庆交通大学 交通运输学院, 重庆 40007405,蒋仕新，重庆交通大学 信息科学与工程学院, 重庆 40007406,贺丽荣，重庆交通大学 信息科学与工程学院, 重庆 40007407

关键词：知识表示学习;OWL知识图谱;多语义视图;进阶训练;多任务学习

基金：国家自然科学基金(62003063); 重庆市教委科学技术研究重大项目(KJZD-M202300703); 重庆市自然科学基金面上项目(CSTB2023NSCQ-MSX0145); 重庆市教委科学技术研究青年项目(KJQN202200720)

针对当前OWL知识表示学习方法存在的概念层和实例层复杂语义信息联合表征能力不足等问题, 提出一种概念-属性-实例多语义视图驱动的OWL图谱知识表示学习方法(MSV-KRL). 该方法采用“多语义视图划分、语义感知自监督进阶训练、多任务联合表示学习”的3阶段架构. 首先, MSV-KRL在OWL2Vec*的基础上, 优化OWL到RDF图结构的映射策略, 提出5类细粒度语义视图划分策略. 其次, 通过语义视图内随机游走和标注属性替换策略, 生成序列化进阶训练数据, 并开展预训练模型的自监督进阶训练, 以提升其面向多语义视图上下文的适配能力. 最后, 在多任务学习框架下, 通过多语义视图预测任务联合优化损失, 实现对OWL知识图谱中概念、属性和实例复杂语义有效表示学习. 实验结果表明, MSV-KRL在多个基准数据集上的表现优于现有先进的知识表示学习方法, 且能适配于多种语言模型, 有效提升OWL复杂语义的知识表示能力.

来源：2025年第12期

《软件学报》期刊编辑部

查看软件学报杂志2025年第12期