(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 202210275049.2 (22)申请日 2022.03.21 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 陈一鸣　严丽　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 专利代理师 马玉雯 (51)Int.Cl. G06F 40/30(2020.01) G06F 40/289(2020.01) G06K 9/62(2022.01) (54)发明名称 一种RDF数据冗余语义的检测方法 (57)摘要 本发明公开了一种RDF数据冗余语义的检测 方法。 RDF是知识图谱的一种表示模型， 为实现对 以RDF表示的知识图谱进行冗余语义的检测， 本 发明在总结和分析现有的RDF冗余语义检测方法 的基础上， 改进了RDF相似度算法， 对不同语义信 息对相似度的贡献做出了权值设计， 且权值设置 是领域独立的和自动化的。 并且 该算法在语义信 息的表示中还设计了剪枝技术， 有效提高了相似 性计算的速度。 此外在相似度算法的基础上， 本 发明还提出了一种筛选候选对象的选择方法， 用 于寻找数据集中近似的候选数据。 该方法是基于 局部敏感哈希 算法的， 该算法能有效解决大规模 RDF数据线性搜索带来的时间复杂度高的问题， 具有良好的时间性能。 权利要求书2页 说明书8页 附图1页 CN 114692646 A 2022.07.01 CN 114692646 A 1.一种RDF 数据冗余语义的检测方法， 其特 征在于， 包括如下步骤： (1)设计了RDF节点语义信息表示方法； (2)提出了RDF语义信息中路径的权重设计； 对于RDF节点， 其路径的集合构成其语义信 息； 为了计算相似度， 在相似度计算中还需要设计 每条路径的权 重； (3)结合RDF语义信息和权重设计， 提出了RDF节点相似度 算法； 通过对比两个节点语义 信息中的路径相似度来综合得 出相似度评分； (4)基于局部敏感哈希算法， 提出RDF 数据聚类方法， 用于提高冗余搜索效率。 2.根据权利1要求所述的一种RDF数据冗余语义的检测方法， 其特征在于， 所述步骤(1) 中设计了RDF节点语义信息表示方法， 具体规则分为以下步骤： (1.1)找到一个子图， 该子图以目标节点为中心， 以指定的距离为半径； 通过构造一组 路径来表示子图， 并将子图视为无向图； 所述子图表示目标节点的语义信息； (1.2)然后构造一组从目标节点到其 他节点的路径， 其长度为指定的距离； (1.3)构造 完成后， 再将子图中边的方向添加到步骤(1.2)所述路径中的谓词中。 3.根据权利2要求所述的一种RDF数据冗余语义的检测方法， 其特征在于， 具有三元组 的RDF数据模 型可以看作是有向图， 其中主语和宾语是顶点， 所述谓词是主语顶点到宾语顶 点的边。 4.根据权利1要求所述的一种RDF数据冗余语义的检测方法， 其特征在于， 所述步骤(2) 中设计的RDF语义信息中路径的权 重， 为计算RDF相似度增 加了准确性， 详细步骤如下： (2.1)RDF语义信息中的权 重由路径的权 重决定； (2.2)路径的权 重由路径中的三元组决定； (2.3)分类能力强的三元组具有更大的权重， 能够很好地区分相似的节点； 三元组权重 与谓词的分类能力呈正相关； 而三元组的权重通过三元组中谓词的分类能力来计算； 对于 谓词， 它所链接的值的类型越多样， 分类就越强； 计算方法如等式(1)所示 其中“Per”表示谓词pi的分类能力。 5.根据权利1要求所述的一种RDF数据冗余语义的检测方法， 其特征在于， 所述步骤(3) 中提出的基于语义信息计算的RDF相似度算法， 详细步骤如下： (3.1)让节点uri1和uri2成为计算相似性 的两个资源； 首先需要获得节点uri1和uri2 的上下文信息表示， 所述上下文信息表示分别由paths1和paths2表示； 然后， 对于paths1 中 的每个路径， 进一 步确定以下情况： (3.1.1)当path1的最后一个元素的类型为Literal； 此时， 在paths2中搜索能够与 path1进行比较的所有可能路径； 然后计算path1和path2之间的相似性， 这是通过计算它们 最后元素之间的文本相似性来 实现的； 从所有相似性中， 最 终选择一个相似性最高的， 其中 对应的path2被视为与path1匹配； 最后将匹配项的相似性得分添加到path_score中， 并计 算两条匹配路径的权 重， 这两条匹配路径被添加到path_weight中； (3.1.2)当p ath1的最后一个元素具有URI类型； 然后， 在p aths2中搜索可能的路径， 该 路径能够与path1进行比较； 然后比较path2的最后一个元素是否与path1的最后一个元素权　利　要　求　书 1/2 页 2 CN 114692646 A 2相同； 如果它们相同， 则最后一个元素相同的path2被视为与path1匹配项； 接着将匹配项的 相似性得分添加到path_score中， 并计算两条匹配路径的权重， 这两条匹配路径被添加 到 path_weight中； 最后， total_score等于所有匹配对的相似性之和乘以相应的权 重； (3.2)当步骤(3.1.2)所述两条匹配路径深度相同， 且路径中对应位置的谓词具有可比 性时， 认为这两条路径具有可比性； 谓词的可比性意味着两个谓词 具有相同的值和相同的 方向； 如果两个谓词具有不同的值， 但其中一个谓词是本体模 型中另一个谓词的祖先， 则认 为这两个谓词具有可比性。 6.根据权利1要求所述的一种RDF数据冗余语义的检测方法， 其特征在于， 所述步骤(4) 中设计的适用于RDF冗余检测的聚类算法， 具体步骤如下： (4.1)选择以RDF资源所在三元组的主语或宾语作为资源的特征， 对RDF节点特征集进 行分词， 构造特 征矩阵； (4.2)选择维度n， 在特征矩阵上计算n行Minhash， 构造Minhash签名矩阵； 其中n为哈希 函数个数； (4.3)选择波段b和行 数r， 其中， b*r＝ n， 并设置一个阈值t； (4.4)签名矩阵采用LSH， 将资源划分为桶， 构造候选对； (4.5)检查每 个候选对的签名， 并确定组件的分数 是否至少为t； (4.6)对于具有相似签名的候选对， 检查 其相似度以证明它 们是否是重复资源。权　利　要　求　书 2/2 页 3 CN 114692646 A 3