文章提出LiteralKG模型，用于解决动物医疗知识图谱中字面信息（数值与文本属性）与图结构的联合表示问题。该方法通过门控网络融合实体与属性特征，采用注意力机制学习三元组关系，并引入自监督预训练捕捉图结构。在包含59.5万实体的大型动物医疗图谱上，LiteralKG在疾病预测任务中召回率达93.57%，显著优于TransE、KGNN等基线模型。消融实验表明文本属性对诊断性能贡献最大，Bi-Interaction聚合器与残差连接能有效缓解异质图过平滑问题。
动物疾病早期诊断对防止疫情扩散至关重要，但传统诊断依赖专业兽医且时效性难以保障。电子医疗记录（EMR）包含丰富医疗信息，但现有知识图谱方法存在两大局限：一是忽视症状描述、药物剂量等字面信息；二是难以处理图谱的异质性与复杂关系。文章提出LiteralKG模型，通过联合学习字面属性与图结构提升诊断准确率。
从31家动物医院的8.6万份EMR构建医疗知识图谱，包含16类实体（如病历、动物、疾病）和15类关系。关键实体包含两类属性：数值型（年龄、体重）直接归一化；文本型（症状描述、医嘱）通过FastText编码为300维向量。图谱中39.2%的实体具有文本属性，14.3%具有数值属性。
设计门控网络动态融合实体与属性特征：实体向量、数值向量、文本向量经线性变换后，通过Sigmoid门控与Tanh激活生成统一表示。该机制能自适应调节不同属性贡献度，公式中门控系数μ学习数值/文本属性的显著性权重。
采用四类图神经网络聚合器处理异质关系：GCN通过求和聚合邻域特征；GraphSAGE使用拼接操作区分本体与邻域特征；Bi-Interaction结合求和与元素乘积捕捉相似性；GIN通过1d-WL同构测试区分子结构。引入残差连接与恒等映射缓解深层网络过平滑问题。
预训练阶段采用三元组损失函数：基于翻译模型的评分函数学习实体关系，最大化正样本得分并最小化负样本得分。下游疾病预测任务将医疗记录与疾病实体表示拼接，通过全连接层输出二元分类概率。采用交叉熵损失优化，预训练表示使下游任务F1值提升8.91%。
在动物疾病诊断任务中，LiteralKG的召回率（93.57%）与F1值（87.12%）均显著优于基线：比最佳基线LaGAT高3.71%召回率；比传统翻译模型TransE提升37.4%准确率。结果表明字面信息对复杂医疗关系建模至关重要。
字面信息贡献度：联合使用文本与数值属性使召回率提升6.93%，其中文本属性单独贡献率达84.43%F1值。聚合器比较：Bi-Interaction在单层结构下取得最佳效果（87.12%F1值），而GIN需4层才能达到86.12%。残差连接使GIN聚合器F1值提升1.94%，但会降低GraphSAGE性能。
自监督预训练使所有聚合器性能提升，其中Bi-Interaction的F1值提高9.35%。这表明三元组损失能有效捕捉医疗实体的潜在关联。
LiteralKG通过门控融合与注意力机制，实现了医疗知识图谱中字面信息与图结构的协同学习。在动物疾病诊断任务中，该方法显著提升了对少数类疾病的识别能力。未来将探索基于图聚类的负采样策略，进一步优化异质关系表示。