买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉江苏科技大学申请的专利一种数控编程领域知识图谱的补全方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119311898B 。

龙图腾网通过国家知识产权局官网在2025-12-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411111930.4，技术领域涉及：G06F16/36；该发明授权一种数控编程领域知识图谱的补全方法及系统是由方喜峰;苏家宝;李笑言;刘泉泉;孔俊龙;张胜文;龚婵媛;朱成顺;张辉;张春燕设计研发完成，并于2024-08-14向国家知识产权局提交的专利申请。

本一种数控编程领域知识图谱的补全方法及系统在说明书摘要公布了：本发明公开了一种数控编程领域的少样本知识图谱补全方法，解决数控编程知识图谱指导生成的数控编程模板在实际生产过程中存在的可靠性低、局限性大、仍需编程人员重复修改以及训练实体样本较少的问题。首先设计一种基于关系路径的实体邻域信息聚合网络，通过多头自注意力机制评估和分配邻域实体的重要性，并聚合特征；然后依据实体对的语义相似性，建模语义图谱表示实体间的语义关系，输出全局语义特征；最后组合邻域聚合特征和语义特征进行链接预测。在少样本知识图谱补全的公共数据集上，通过和主流算法进行对比实验，验证了所提算法的有效性与准确性。

本发明授权一种数控编程领域知识图谱的补全方法及系统在权利要求书中公布了：1.一种数控编程领域知识图谱的补全方法，其特征在于，包括以下步骤： 1数据集采样模块对CAM知识图谱三元组进行负采样，生成负例三元组； 2实体邻域信息聚合模块引入多头自注意力机制聚合邻域特征，通过注意力函数学习基于关系路径的多跳领域实体相对于中心实体的重要性，最终得到节点在各层的聚合特征，捕捉CAM知识图谱中的结构信息； 3全局语义特征学习模块将数控编程过程中各个环节的制造信息进行词嵌入，生成CAM语义知识图谱，应用GCN对其迭代学习与优化，生成实体的全局语义特征；包括以下步骤： 31利用CAM软件提供的API函数，从数控编程案例中抽取零件工艺信息、特征尺寸信息、加工操作信息并分类存储于数据库中； 32基于抽取的CAM制造语义信息建模语义知识图谱，并迭代学习以获得实体的最优全局语义信息嵌入，使用Tokenization对CAM文本信息进行分词，组合词嵌入总和、段落和位置嵌入,作为BERT模型的输入表示； 33将经过预处理的文本数据输入预训练BERT模型中，获取文本信息的编码表示；BERT模型输出每个词向量的隐藏状态，使用隐藏状态表示实体初始语义嵌入； 34使用KNN创建初始语义知识图谱，通过余弦相似性来测量每个实体的语义特征之间的相似性，并进行相似度排序，保留前K个语义特征，将其值设置为1，其余值为0，其计算过程如式9所示： 其中，S0和A0分别是初始语义知识图谱的相似性矩阵和邻接矩阵，表示按降序排列时在相似性矩阵第i行中的位置； 35利用GCN对创建的初始语义知识图谱进行编码以获得实体表示，使用加权的余弦相似性算法计算实体对的语义相似性，通过不同的权重计算独立的相似性值；其中每个权重代表实体每一部分语义信息，其计算过程如下： 其中，Sij是实体对的相似性得分；是两个实体向量在第n个方面的余弦相似性，其每个方面表示实体对语义特征的每个部分；w是可学习的权重向量；⊙表示哈达玛乘积； 36将经过语义相似性学习后补充的语义知识图谱G与初始语义知识图谱G0相融合，生成表现实体语义特征最佳的语义知识图谱其融合过程如下式所示： ＝μfGn+1-μfG113 其中，Μ是G0的邻接矩阵；Gn和G1分别是第n次和第一次迭代优化后的语义知识图谱；将G*和G0线性组合，通过对超参数μ加权以获得最终学习后的语义知识图谱；在融合G*和G0时，使用权衡超参数λ平衡它们的占比； 37利用双层GCN编码，对语义特征Vs进行两次矩阵变换，输出最优的全局语义特征；其输出计算过程如式14所示： 其中，W0和W1为可训练的特定层权重矩阵；σ·是ReLU激活函数；是全局语义特征模块输出的全局语义特征矩阵； 4链接预测模块融合实体关系交互模块的特征向量和全局语义特征，在得分函数计算下进行候选三元组得分排序，得出最佳预测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人江苏科技大学，其通讯地址为：212000 江苏省镇江市梦溪路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。