申请/专利权人：南京师范大学

申请日：2024-02-04

公开（公告）日：2024-03-12

公开（公告）号：CN117688121A

主分类号：G06F16/29

分类号：G06F16/29;G06F16/28;G06N3/042

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.29#实质审查的生效;2024.03.12#公开

摘要：本发明公开了一种SubGNN注入空间特征的地理知识图谱表示学习方法，包括通过地理实体的唯一标识符，链接地理实体的空间数据，将点、线和面地理实体统一表达为无向图中的子图；采用子图神经网络进行位置、邻居、结构空间信息特征编码，获得地理实体基于空间特征的向量表示；结合图谱本身结构的向量表示，改进融合地理空间特征向量的能量函数，在平移模型的框架下进行学习，最终得到融合空间特征的知识图谱向量表示。本申请设计了一种注入地理空间特征的知识表示学习模型，提升了地理空间知识向量表示的准确性，提高了地理知识链接预测任务的性能，从而更好服务于地理空间知识图谱的知识补全和知识推理等应用。

主权项：1.一种SubGNN注入空间特征的地理知识图谱表示学习方法，其特征在于，所述方法包括如下步骤：S1：抓取地理空间知识图谱中地理实体的矢量数据，作为获得地理实体的空间特征向量表示的基础数据；S2：设计一种在统一的空间中将点、线和面实体一致表达且保持实体空间特征完整的映射方法，将点、线和面实体统一表达为子图的形式；S3：提出基于子图神经网络的地理空间特征编码器，结合地理实体的位置、邻居与结构特征，获得地理实体基于空间特征的向量表示；S4：基于平移模型，设计融合地理实体空间特征向量的能量函数，将基于地理实体的空间特征和基于图谱本身结构特征的两种向量表示学习到同一个连续向量空间。

全文数据：

权利要求：

百度查询： 南京师范大学 SubGNN注入空间特征的地理知识图谱表示学习方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD