读文献 Knowledge graph-enhanced molecular contrastive learning with functional prompt

功能提示的，知识图增强分子对比学习

a.知识图谱的构建和嵌入:

根据元素（来自元素周期表）和官能团（来自维基百科）知识构建元素知识图谱；其中元素知识用于对比学习框架的预训练，官能团知识用于提示微调（prompt tuning）

分为两步：构建知识图谱和知识图谱嵌入方法

(1)（根据元素和官能团相关知识）定义类和类的层次关系等

知识图谱：是把所有不同种类的信息连接在一起而得到的一个关系网络。（从关系的角度出发）

语义网络：语义网络是一种用实体及其语义关系来表达知识的有向图。

节点：表示实体，表示各种事物、概念、情况、属性、状态、事件、动作等。

弧：代表语义关系，表示它所连接的两个实体之间的语义联系

rdf：资源描述框架；owl:对rdf的扩展。可以用软件 protégé 编辑和查看

参考博客链接：知识图谱本体建模

实体示意图（以C原子为例，右下角为实体属性）

实体示意图

(2)将性质赋值给实体。

根据元素周期表编码一系列化学性质，作为数据属性赋值给ElenmentKG中每个实体。对于官能团，记录包含的键的类型；通过isPartOf对象属性建立元素与官能团实体之间的联系

(3)对实体之间的关系进行建模。
如 (C, inRadiusGroup1, O)表示C和O之间的关系是都在半径组1中。需要将连续的化学属性值离散化作为分组（为了捕捉原子之间的联系，可能会造成一些信息损失）

考虑到的属性包括：

hasBoilingPoint1-9，hasMeltingPoint1-9；hasConductivity1-4；hasDensity1-3；hasElectronAffinity1-5 ；hasElectronegativity1-5；hasFamily1-18；hasHardness1-4；hasHeat1-6；hasIonization1-4；hasModulus1-4；hasPeriod1-7；hasRadius1-3；hasStateGas，hasStateLiquid，hasStateSolid；hasWeight1-8；
isPartOf

 基于OWL2Vec的KG嵌入方法。

包括以下两步：

1)从ElementKG中提取语料信息（结构文档，词汇文档和组合文档）

2)基于语料库训练语言模型，得到KG嵌入

b.对比学习框架：

根据元素关系生成元素关系子图，将元素关系子图和原图对应节点连接得到增广图。原始分子图和它所生成的增广图视为“正对”，和其他所有的图都视为“负对”。最大化正对之间的一致性，最小化负对之间的一致性。

元素关系子图和原图之间并非严格的一一对应关系，它只关注元素种类，不关注每种原子的数量和连接方式，所以增广图是由原图和元素关系子图拼接形成的，否则在对比学习时会形成严重的冲突；微调时引入的官能团属性中加入了对化学键类型的描述。

c.微调：

由Element KG的官能团知识生成提示。提示生成器：

检测官能团，检索对应的实体嵌入，

构建中介体

将自注意力机制应用于中介词的嵌入和官能团实体的嵌入，获得功能提示。

将功能提示添加到每个原子节点的原始表示中，以产生提示增强的分子图，然后将其输入到预训练的图编码器中。