(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210413638.2 (22)申请日 2022.04.15 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 李丽双　董姜媛　 (74)专利代理 机构 大连星河彩舟专利代理事务 所(普通合伙) 2126 3 专利代理师 陈玲玉　杨阳 (51)Int.Cl. G06F 16/36(2019.01) G16H 10/60(2018.01) G06N 5/02(2006.01) G06N 3/04(2006.01) G06F 40/295(2020.01)G06F 16/28(2019.01) G06K 9/62(2022.01) (54)发明名称 一种基于中文电子病历知识图谱的实体对 齐方法 (57)摘要 本发明提出一种基于中文电子病历知识图 谱的实体对齐方法。 该方法包括： 构建训练集和 测试集， 在异构医学知 识图谱上构建用于实体对 齐的训练集和测试集； 利用规则对医学知识图谱 进行推理， 补全缺失的关系， 缓解医学知识图谱 之间的结构异质性； 构建基于门控机制的双视角 图神经网络模 型， 旨在对异构医疗知识图谱进行 对齐与融合， 在兼顾准确率和人工成本的基础 上， Hits@5 的准确率高达85.4％， 有效的整合现 有的医疗资源， 推动智慧医疗的发展。 权利要求书2页 说明书7页 附图1页 CN 114722216 A 2022.07.08 CN 114722216 A 1.一种基于中文电子病历知识图谱的实体对齐方法， 其特征在于， 分别获取两个异构 医学知识图谱的实体集， 并对实体进行种子对标注， 将标注成功的实体种子对作为训练集 和测试集； 还 包括如下步骤： 步骤1， 利用规则补全知识图谱； 根据每个异构医学知识图谱中预设的规则， 合并所有规则得到规则集合K； 将规则集合 K应用于每个异构医学知识图谱， 给定一条规则κ∈K， 查找满足该规则的所有前提三元组， 并依据规则推 断出结论异构三元组， 若其不存在于原知识图谱则添加至原知识图谱， 达到 知识图谱补全的目的； 得到补全后的两个异构医学知识图谱G＝(E,R,T)和G ′＝(E′,R′, T′)， 其中E、 E ′分别代表第一实体集和第二实体集， R、 R ′分别代表第一关系集和第二关系 集， T、 T′分别代表第一三元 组集合和第二三元 组集合， e∈E,r∈R,t∈T分别代表G中任一实 体、 关系、 三元组； 步骤2， 构建基于门控机制的双视角图神经网络模型； 步骤2.1， 构建实体交 互视角网络； 根据补全后的异构医学知 识图谱中的任一实体ei和它的邻居实体的嵌入表示计算得到 自注意力分数， 利用自注意力分数聚合实体的邻居特征向量， 得到实体ei在实体交互视角 中第l层的表示； 步骤2.2， 构建 关系交互视角网络； 补全后的异构医学知识图谱G和G'的关系特征矩阵相互作用， 得到关系相似度矩阵， 然 后进行最大池化操作， 得到关系匹配 向量； 最后利用从关系匹配向量中得到的跨图匹配分 数聚合来自邻居的信息； 得到补全后的异构医学知识图谱中的任一实体ei在关系交互视角 中第l层的表示； 步骤2.3， 门控聚合； 分别对步骤2.1构建的实体交互视角网络和步骤2.2构建的关系交互视角网络门控聚 合， 分别得到实体交 互视角网络的输出hi,1和关系交 互视角网络的输出hi,2； 通过门控机制将两个视角门控聚合的输出 再聚合得到实体ei的最终表示hi； 步骤3， 计算嵌入距离； 基于步骤2.3得到的实体的最终表示， 利用d( ·)计算两个异构医学知识图谱实体间的 嵌入距离， 距离越小代表实体越相 似； 其中d( ·)为L2范式； 利用训练集中的种子对监督模 型训练， 使得对齐实体的距离逐渐 变小， 非对齐实体的距离逐渐 变大。 2.根据权利要求1所述的基于中文电子病历知识图谱的实体对齐方法， 其特征在于， 所 述步骤2.1构建实体交 互视角网络中的自注意力分数 的计算公式如下： 其中 是自注意力系数， 代表实体ej对ei的重要程度； 代表实体包括 自身在内的邻居， “||”代表向量拼接， LeakyReLU( ·)是激活函数； W1,W2和p是可训练参数。 3.根据权利要求2所述的基于中文电子病历知识图谱的实体对齐方法， 其特征在于， 所权　利　要　求　书 1/2 页 2 CN 114722216 A 2述步骤2.1构建实体交互视角网络中利用由公式(1)的自注意力分数 聚合实体ei的邻居 特征向量， 得到实体ei在实体交 互视角中第l层的表示， 计算公式如下： 其中， 是该视角网络中第l层的权 重参数， σ( ·)为激活函数， 选择为ReLU( ·)。 4.根据权利要求1所述的基于中文电子病历知识图谱的实体对齐方法， 其特征在于， 所 述步骤2.2构建 关系交互视角网络中， 关系匹配向量的计算公式为： M＝fM(fS(R,R′))             (4) 其中， fS(·)代表关系相似度计算函数， 定义为fS(R,R′)＝RTR′， R和R′分别代表待对齐 的两个医学知识图谱的关系特征矩阵； fM(·)代表最大池化操作函数； 由关系匹配向量M计 算得到跨图匹配分数 公式如下： 其中M[·]代表关系匹配度索引操作； T代 表知识图谱的三元组集 合； 利用跨图匹配分数 计算实体ei在关系交 互视角中第l层的表示， 计算公式为： 其中 是该视角网络中第l层的权 重参数， σ( ·)为激活函数， 选择为ReLU( ·)。 5.根据权利要求1所述的基于中文电子病历知识图谱的实体对齐方法， 其特征在于， 所 述步骤2.2构建关系交互视角网络中， 关系r的初始化表示由以r为关系的所有三元组的头 尾实体的嵌入表示得到， 计算公式如下： 其中Tr代表以r为关系的三元组集 合， eh和et分别代表相应的头尾实体嵌入。 6.根据权利要求1所述的基于中文电子病历知识图谱的实体对齐方法， 其特征在于， 所 述步骤2.3门控聚合中， ε层网络的门控聚合公式为： 其中ρξ( α, β )＝gξ·α +(1‑gξ)·β， gξ为可训练参数用于控制每个网络 各层输出； τ为视角 类别， 即关系交互视角或实体交 互视角； 分别利用公式(9)对步骤2.1构建的实体交互视角网络和步骤2.2构建的关系交互视角 网络门控聚合， 分别得到实体交 互视角网络的输出hi,1和关系交 互视角网络的输出hi,2； 实体ei的最终表示通过 门控机制将两个视角门控 聚合的输出再聚合得到， 计算公式如 下： hi＝g1·hi,1+(1‑g1)·hi,2            (10) 其中g1是可训练的参数用于控制两个视角的聚合。权　利　要　求　书 2/2 页 3 CN 114722216 A 3