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！

龙图腾网获悉杭州电子科技大学申请的专利基于嵌入式学习的知识图谱的实体关系优化方法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：CN116910271B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202310931506.3，技术领域涉及：G06F16/36；该发明授权基于嵌入式学习的知识图谱的实体关系优化方法是由周志光;张永;马煜明;刘玉华;孟瑜炜;俞荣栋;傅骏伟设计研发完成，并于2023-07-27向国家知识产权局提交的专利申请。

本基于嵌入式学习的知识图谱的实体关系优化方法在说明书摘要公布了：本发明公开了基于嵌入式学习的知识图谱的实体关系优化方法。本发明方法将原始知识图谱的三元组视作节点，并且添加了一组虚拟的关系节点；利用加权方法保证三元组线图中两个节点的三元组中的关系越相关，这些节点之间的边的权值就越高；将三元组通过深度学习模型所获的每一关系的置信度映射成每个三元组节点对于关系节点的权重，使得在拓扑结构中分布较远的三元组通过同享相似的关系而变得更加接近。在嵌入空间中，能够捕捉实体与语义的相似性以及推断三元组关系的正确性，为可信性低的三元组进行关系推荐，并结合人机交互的方式进行三元组的关系校正，使用校正后数据对深度学习模型进行迭代优化，提升了深度学习模型的关系抽取结果的质量。

本发明授权基于嵌入式学习的知识图谱的实体关系优化方法在权利要求书中公布了：1.基于嵌入式学习的知识图谱的实体关系优化方法，其特征在于，该方法步骤包括： 步骤1设定知识图谱G＝VE,EG,TG； 三元组集合TG＝{h1,r1,t1,h2,r2,t2,…,hK,rK,tK}，K表示三元组数量；三元组中，h表示头实体，t表示头尾体，r表示头实体对尾实体的关系；实体集合VE＝{h1,t1,h2,t2,…,hK,tK}，关系集合EG＝{r1,r2,…,rK}； 构建三元组线图GL＝VL,EL,w；其中，节点集合VL中包括三元组节点和关系节点，三元组节点即为三元组集合TG中的所有三元组，关系节点即为关系集合EG中的所有关系；每个三元组节点与所有关系节点的连线即为边，EL表示边的集合，w表示边的权重，包括两个三元组节点构成的边的权重wT和三元组节点与关系节点构成的边的权重wR；如果三元组hi,ri,ti和hj,rj,tj满足即两个三元组具有相同实体，则在GL中添加一条无向边Ei,j∈EL，即两个三元组节点的连线； 步骤2设定权重wT和wR的占比α和β，α＞0，β＞0，α+β＝1，则两个三元组节点构成的边的游走概率三元组节点与关系节点构成的边的游走概率从每个三元组节点开始，按照游走概率进行游走，直到达到指定的游走长度，即游走过的三元组节点的个数，游走生成的三元组节点序列构成语料库，语料库通过word2vec算法中的Skip‑gram模型学习三元组节点之间的关系，得到每个三元组节点所对应的向量表示，即每一个词作为中心词生成背景词的联合概率； 使用t‑SNE降维算法将Skip‑gram模型学习到的向量表示投影至二维平面上，得到每个三元组的二维平面分布，所有三元组的二维平面分布构成嵌入空间； 步骤3在嵌入空间，对于具有相同头实体对尾实体的关系r的三元组，计算该部分三元组的中心坐标，与中心坐标欧式距离大于设定值的三元组即为可信性低三元组，为其推荐更可能正确的关系：计算每个关系r的中心坐标，以及可信性低三元组与中心坐标的欧式距离，按照距离值对各关系进行排名，选择欧式距离小的多个关系为该可信性低三元组的推荐关系； 步骤4用户选择一个推荐关系，更正可信性低三元组中的关系r，将更正后的数据反馈给深度学习模型进行重训练，重复步骤2和3，直至符合需求。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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。