CN106815315A - 一种基于突发事件情景链的情景推理方法及系统 - Google Patents

一种基于突发事件情景链的情景推理方法及系统 Download PDF

Info

Publication number
CN106815315A
CN106815315A CN201611207271.XA CN201611207271A CN106815315A CN 106815315 A CN106815315 A CN 106815315A CN 201611207271 A CN201611207271 A CN 201611207271A CN 106815315 A CN106815315 A CN 106815315A
Authority
CN
China
Prior art keywords
scene
chain
similarity
node
sim
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611207271.XA
Other languages
English (en)
Inventor
佘廉
黄超
陈曦
牛皓宁
张明红
李雪峰
郝富军
王凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National School Of Administration
Huazhong University of Science and Technology
Original Assignee
National School Of Administration
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National School Of Administration, Huazhong University of Science and Technology filed Critical National School Of Administration
Priority to CN201611207271.XA priority Critical patent/CN106815315A/zh
Publication of CN106815315A publication Critical patent/CN106815315A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24564—Applying rules; Deductive queries

Abstract

本发明公开了一种基于突发事件情景链的情景推理方法及系统，利用结构化的突发事件案例库的相关信息，从突发事件情景特征出发，利用同一事件中情景的发生关系、不同事件间情景的致灾关系以及情景本身的特征相似度来度量情景链间的相似度，从案例库中挖掘到最可能发生的后续情景集合，具有较高的推理准确度。

Description

一种基于突发事件情景链的情景推理方法及系统
技术领域
本发明属于案例推理技术领域，更具体地，涉及一种基于突发事件情景链的情景推理方法及系统。
背景技术
利用历史案例中的经验和方案来解决当前问题，是基于案例的推理(Case-basedReasoning，CBR)的主要思想。经过二十多年的发展，CBR已经成为非常有生命力的人工智能技术之一，并在很多领域都获得了成功应用。大量的实际应用表明，案例推理相对于其他人工智能方法，有着独特的优势，尤其是存在着大量经验知识的领域，案例推理作为一种辅助决策手段，具有很强的实用性。因此，案例推理在公共安全研究中有着广阔的应用前景。
随着非常规突发事件的发生越来越频繁，当前的突发事件预警预测方法大多从突发事件案例的宏观信息(如事件类型、资源类型等)出发，利用CBR、基于规则的推理(Rule-Based Reasoning，RBR)、基于模型的推理(Model-based Reasoning，MBR)等方法，然而采用上述方法并不能将案例最原本的信息关系挖掘出来，往往只根据字面意思去检索，得到的结果往往不是极少就是不符合用户需求，这些限制条件在很大程度上使得检索推理工作难以进行下去。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于突发事件情景链的情景推理方法及系统，利用结构化的突发事件案例库的相关信息，从突发事件情景特征出发，利用同一事件中情景的发生关系、不同事件间情景的致灾关系以及情景本身的特征相似度来度量情景链间的相似度，具有较高的推理准确度。由此解决现有技术中针对当前案例推理忽略案例基本信息间关系的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于突发事件情景链的情景推理方法，包括：
(1)根据用户输入的情景获取目标情景链A1；
(2)根据预存的情景链库对目标情景链A1进行推理，其子步骤为：
(2-1)对于预存的情景链库中的每条情景链，计算情景链A2与A1之间的层次相似度：其中，m为A1情景链的层级与A2情景链的层级中的最小值，k为A1情景链的层级与A2情景链的层级中的最大值，Siml表示情景链A1与情景链A2在层次l上的节点集合之间的相似度，情景链中的每一个情景构成一个节点，每一层次中的所有节点构成一个节点集合；
(2-2)计算情景链A2与情景链A1之间的节点相似度Sim_N(A1,A2)，其子步骤为：
(2-2-1)由公式Sim_node(a,b)＝γSim_link(a,b)+δSim_p(a,b)计算两情景a、b之间的情景相似度，其中，Sim_p(a,b)为两情景a、b的特征属性相似度，Sim_link(a,b)为两情景a、b的链式关系相似度；
(2-2-2)设情景链A1的情景集合为NA1＝{a1，a2，……，ai}，情景链A2的情景集合为NA2＝{b1，b2，……，bj}，则由步骤(2-2-1)计算NA1中每一个情景与NA2中所有情景的情景相似度集合S1，S2，……，Si，其中，i表示情景链A1中的情景个数，j表示情景链A2中的情景个数；
(2-2-3)由公式：Sim_N(A1,A2)＝f(S1，S2，…，Si)/max(i，j)计算情景链A2与情景链A1之间的节点相似度，其中，f(S1，S2，…，Si)表示最大取值算法；
(2-3)由公式：Sim(A1,A2)＝αSim_H(A1,A2)+βSim_N(A1,A2)计算情景链A1和情景链A2的结构相似度，其中，α和β为调整系数且α+β＝1；
(2-4)重复步骤(2-1)～步骤(2-3)得到预存的情景链库中的每条情景链与目标情景链A1之间的结构相似度；
(3)根据预存的情景链库中的每条情景链与目标情景链A1之间的结构相似度，按照相似度从大到小的顺序选取若干个情景链进行显示。
优选地，步骤(1)具体包括以下子步骤：
(1-1)接收用户当前输入的情景，并输出提示信息，提示用户选取与该当前输入的情景关联的上一个情景；
(1-2)若接收到用户选择的与当前输入的情景关联的上一个情景的关联指令，则将该当前输入的情景作为用户选择关联的上一个情景的下一个情景组成情景链，其中用户选择关联的上一个情景属于本次匹配中用户已经输入的情景中的情景；
(1-3)若没有接收到用户选择的关联情景的关联指令，则将当前输入的情景作为新情景链的第一个情景。
优选地，在步骤(2-1)中，Siml的计算方式为：
设LA1＝{al1,al2,…,alg}表示情景链A1在层次l上的节点集合，g表示情景链A1在层次l上的节点数，LA2＝{bl1,bl2,…,blh}表示情景链A2在层次l上的节点集合，h表示情景链A2在层次l上的节点数，依次计算出集合LA1中每一节点与集合LA2中所有节点的节点相似度集合Q1,Q2,…,Qg，然后计算出Sim l＝f(Q1,Q2,…,Qg)/max(g，h)，其中，两节点之间的相似度用归一化欧式距离表示，f(Q1,Q2,…,Qg)为最大取值算法。
优选地，在步骤(2-2-1)中，Sim_p(a,b)与Sim_link(a,b)的计算方式为：Sim_p(a,b)＝Σd(Same(a,b))/n，其中，Same(a,b)表示情景a与情景b中特征属性名相同的属性对，n为情景a的特征属性数与情景b的特征属性数中的最大值，Σd(Same(a,b))表示情景a与情景b中特征属性名相同的属性对的相似度之和，d表示情景a与情景b中特征属性名相同的属性对的相似度且数值类属性的相似度由归一化曼哈顿距离来度量，字符类属性的相似度为0或1；
Sim_link(a,b)＝p/q，其中，p为情景a与情景b中情景类型相同的元素对的个数，q为情景a中所有关系集合元素数量之和与情景b中所有关系集合元素数量之和中的最大值。
优选地，所述方法还包括：
若接收到用户输入的单一情景作为匹配搜索的目标情景，则将所述目标情景作为特殊情景链，将预存的情景链库中以该目标情景为父节点且存在子节点的情景链进行匹配检索，计算与所述特殊情景链之间的节点相似度，根据计算出的节点相似度的大小显示匹配结果。
按照本发明的另一方面，提供了一种基于突发事件情景链的案例情景推理系统，包括：
输入模块，用于根据用户输入的情景获取目标情景链A1；
推理模块，用于根据预存的情景链库对目标情景链A1进行推理，具体包括以下子模块：
层次相似度计算模块，用于对于预存的情景链库中的每条情景链，计算情景链A2与A1之间的层次相似度：其中，m为A1情景链的层级与A2情景链的层级中的最小值，k为A1情景链的层级与A2情景链的层级中的最大值，Siml表示情景链A1与情景链A2在层次l上的节点集合之间的相似度，情景链中的每一个情景构成一个节点，每一层次中的所有节点构成一个节点集合；
节点相似度计算模块，用于计算情景链A2与情景链A1之间的节点相似度Sim_N(A1,A2)，具体包括以下子模块：
第一计算子模块，用于由公式：Sim_node(a,b)＝γSim_link(a,b)+δSim_p(a,b)计算两情景a、b之间的情景相似度，其中，Sim_p(a,b)为两情景a、b的特征属性相似度，Sim_link(a,b)为两情景a、b的链式关系相似度；
第二计算子模块，用于由第一计算子模块计算NA1中每一个情景与NA2中所有情景的情景相似度集合S1，S2，……，Si，其中，情景链A1的情景集合为NA1＝{a1，a2，…，ai}，情景链A2的情景集合为NA2＝{b1，b2，…，bj}，i表示情景链A1中的情景个数，j表示情景链A2中的情景个数；
第三计算子模块，用于由公式：Sim_N(A1,A2)＝f(S1，S2，…，Si)/max(i，j)计算情景链A2与情景链A1之间的节点相似度，其中，f(S1，S2，…，Si)表示最大取值算法；
结构相似度计算模块，用于由公式：Sim(A1,A2)＝αSim_H(A1,A2)+βSim_N(A1,A2)计算情景链A1和情景链A2的结构相似度，其中，α和β为调整系数且α+β＝1；
推理子模块，用于得到预存的情景链库中的每条情景链与目标情景链A1之间的结构相似度；
结果显示模块，用于根据预存的情景链库中的每条情景链与目标情景链A1之间的结构相似度，按照相似度从大到小的顺序选取若干个情景链进行显示。
优选地，所述输入模块包括：
接收模块，用于接收用户当前输入的情景，并输出提示信息，提示用户选取与该当前输入的情景关联的上一个情景；
情景链建立模块，用于在接收到用户选择的与当前输入的情景关联的上一个情景的关联指令时，将该当前输入的情景作为用户选择关联的上一个情景的下一个情景组成情景链，其中用户选择关联的上一个情景属于本次匹配中用户已经输入的情景中的情景；
所述情景链建立模块，还用于在没有接收到用户选择的关联情景的关联指令时，将当前输入的情景作为新情景链的第一个情景。
优选地，Siml的计算方式为：设LA1＝{al1,al2,…,alg}表示情景链A1在层次l上的节点集合，g表示情景链A1在层次l上的节点数，LA2＝{bl1,bl2,…,blh}表示情景链A2在层次l上的节点集合，h表示情景链A2在层次l上的节点数，依次计算出集合LA1中每一节点与集合LA2中所有节点的节点相似度集合Q1,Q2,…,Qg，然后计算出Sim l＝f(Q1,Q2,…,Qg)/max(g，h)，其中，两节点之间的相似度用归一化欧式距离表示，f(Q1,Q2,…,Qg)为最大取值算法。
优选地，Sim_p(a,b)与Sim_link(a,b)的计算方式为：Sim_p(a,b)＝∑d(Same(a,b))/n，其中，Same(a,b)表示情景a与情景b中特征属性名相同的属性对，n为情景a的特征属性数与情景b的特征属性数中的最大值，∑d(Same(a,b))表示情景a与情景b中特征属性名相同的属性对的相似度之和，d表示情景a与情景b中特征属性名相同的属性对的相似度且数值类属性的相似度由归一化曼哈顿距离来度量，字符类属性的相似度为0或1；
Sim_link(a,b)＝p/q，其中，p为情景a与情景b中情景类型相同的元素对的个数，q为情景a中所有关系集合元素数量之和与情景b中所有关系集合元素数量之和中的最大值。
优选地，所述推理模块，还用于在接收到用户输入的单一情景作为匹配搜索的目标情景时，将所述目标情景作为特殊情景链，将预存的情景链库中以该目标情景为父节点且存在子节点的情景链进行匹配检索，计算与所述特殊情景链之间的节点相似度，并由所述结果显示模块根据计算出的节点相似度的大小显示匹配结果。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要有以下的技术优点：通过将突发事件解析为多个相关联的情景构成的链式结构，且情景与情景之间的关系分为4种：次生、衍生、耦合、变异，然后利用事件的情景关系，按照情景链检索方式来度量情景链间的相似度，可以提高推理的准确度。
附图说明
图1为本发明实施例公开的一种基于突发事件情景链的情景推理方法的流程示意图；
图2为一条情景链的结构示意图；
图3为本发明实施例公开的一种基于突发事件情景链的情景推理系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
情景是对一个突发事件发生的孕育、爆发、持续、升级或消弭的过程进行的静态逻辑归纳，其涉及事件初始状态、破坏路径、持续方式及复杂程度进行的动态系统收敛。突发事件情景的知识模型可用六元组表示为S＝<B,F,H,S,P,T>，式中：B为情景的基本信息；F为情景的致灾因素的集合；H为情景的伤害的集合；S为情景的状态的集合；P为情景的行政行为的集合；T为情景的处置任务的集合。而情景链构建的数据信息来源于真实案例，一部分源于同类事件情景间发生顺序，另一部分源于不同类型事件情景间的致灾关系。
参阅图1，图1为本发明实施例公开的一种基于突发事件情景链的情景推理方法的流程示意图，在图1所示的方法中，具体包括以下步骤：
(1)根据用户输入的情景获取目标情景链A1；
在用户进行一次检索匹配操作时，需要用户依次输入一个或者多个情景，即先输入一个情景，接下来输入第二个情景，依次类推。在用户输入情景的同时，若不是首次输入的情景，则会输出提示信息，提示用户选取与该情景关联的上一个情景，以组成情景链，例如，若用户首先输入情景A，然后输入情景B关联情景A，则组成情景链A→B，若用户再次输入情景C，则情景C可以关联情景B组成情景链A→B→C，也可以关联情景A组成情景链A→C，或者不关联任何情景作为一个新情景链的第一个情景。因此，步骤(1)具体包括以下子步骤：
(1-1)接收用户当前输入的情景，并输出提示信息，提示用户选取与该当前输入的情景关联的上一个情景；
(1-2)若接收到用户选择的与当前输入的情景关联的上一个情景的关联指令，则将该当前输入的情景作为用户选择关联的上一个情景的下一个情景组成情景链，其中用户选择关联的上一个情景属于本次匹配中用户已经输入的情景中的情景；
(1-3)若没有接收到用户选择的关联情景的关联指令，则将当前输入的情景作为新情景链的第一个情景。
(2)根据预存的情景链库对目标情景链A1进行推理；
通过步骤(1)可以根据用户输入的情景得到一条或者多条待推理的目标情景链，然后可以分别对目标情景链进行推理得到推理结果，具体包括以下子步骤：
(2-1)对于预存的情景链库中的每条情景链，计算情景链A2与A1之间的层次相似度：其中，m为A1情景链的层级与A2情景链的层级中的最小值，k为A1情景链的层级与A2情景链的层级中的最大值，Siml表示情景链A1与情景链A2在层次l上的节点集合之间的相似度，情景链中的每一个情景构成一个节点，每一层次中的所有节点构成一个节点集合。
情景链中的情景关系包括次生、衍生、耦合、变异四种发生关系，如图2所示表示一个情景链，从图2可以看出，每一层次中的情景代表一个节点，一层中可以有一个或者多个节点，节点与节点之间存在次生、衍生、耦合、变异四种发生关系，除耦合关系之外，其它三种发生关系都具有单向的“父-子”关系，将每个节点表示为n＝(x,y)，x表示该节点存在x个父节点，y表示该节点存在y个子节点。如图2所示的情景链中共有节点{(0,3)、(1,1)、(1,1)、(1,2)、(1,0)、(1,0)、(1,0)、(1,0)}。
其中，层次l上的节点集合之间的相似度Siml的计算方式为：
设LA1＝{al1,al2,…,alg}表示情景链A1在层次l上的节点集合，g表示情景链A1在层次l上的节点数，LA2＝{bl1,bl2,…,blh}表示情景链A2在层次l上的节点集合，h表示情景链A2在层次l上的节点数，依次计算出集合LA1中每一节点与集合LA2中所有节点的节点相似度集合Q1,Q2,…,Qg，然后计算出Sim l＝f(Q1,Q2,…,Qg)/max(g,h)，其中，两节点之间的相似度用归一化欧式距离表示，f(Q1,Q2,…,Qg)为最大取值算法。
其中，两节点a、b之间的归一化欧氏距离为：
可选地，f(Q1,Q2,…,Qg)的一种最大取值算法为：根据每个集合的元素平均值，将集合Q1,Q2,…,Qg按照升序排序，按序依次取出当前集合Q’中的最大值元素存入集合R中，从集合Q1,Q2,…,Qg中去除Q’，并在剩余的所有集合中去除被取元素位置上的元素，重复上述步骤直至所有集合均取出元素存入R中，R集合所有元素的总和即为f(Q1,Q2,…,Qg)的值。
(2-2)计算情景链A2与情景链A1之间的节点相似度Sim_N(A1,A2)，其子步骤为：
(2-2-1)由公式Sim_node(a,b)＝γSim_link(a,b)+δSim_p(a,b)计算两情景a、b之间的情景相似度，其中，Sim_p(a,b)为两情景a、b的特征属性相似度，Sim_link(a,b)为两情景a、b的链式关系相似度。
将情景链中的情景节点表示为a＝(Ba，Fa，Ha，Sa，Pa，Ta，type)，其中，Ba为情景的基本信息，Fa为情景的致灾因素的集合，Ha为情景的伤害的集合，Sa为情景的状态的集合，Pa为情景的行政行为的集合，Ta为情景的处置任务的集合，type为情景所代表的事件类型。
其中，Sim_p(a,b)的计算方式为：Sim_p(a,b)＝∑d(Same(a,b))/n，其中，Same(a,b)表示情景a与情景b中特征属性名相同的属性对，n为情景a的特征属性数与情景b的特征属性数中的最大值，∑d(Same(a,b))表示情景a与情景b中特征属性名相同的属性对的相似度之和，d表示情景a与情景b中特征属性名相同的属性对的相似度且数值类属性的相似度由归一化曼哈顿距离来度量，字符类属性的相似度为0或1。
其中，数值类特征属性对pa、pb的归一化曼哈顿距离为：
Sim_link(a,b)＝p/q，其中，p为情景a与情景b中情景类型相同的元素对的个数，q为情景a中所有关系集合元素数量之和与情景b中所有关系集合元素数量之和中的最大值。
(2-2-2)设情景链A1的情景集合为NA1＝{a1，a2，……，ai}，情景链A2的情景集合为NA2＝{b1，b2，……，bj}，则由步骤(2-2-1)计算NA1中每一个情景与NA2中所有情景的情景相似度集合S1，S2，……，Si，其中，i表示情景链A1中的情景个数，j表示情景链A2中的情景个数；
(2-2-3)由公式：Sim_N(A1,A2)＝f(S1，S2，…，Si)/max(i，j)计算情景链A2与情景链A1之间的节点相似度，其中，f(S1，S2，…，Si)表示最大取值算法。
(2-3)由公式：Sim(A1,A2)＝αSim_H(A1,A2)+βSim_N(A1,A2)计算情景链A1和情景链A2的结构相似度，其中，α和β为调整系数且α+β＝1。
(2-4)重复步骤(2-1)～步骤(2-3)得到预存的情景链库中的每条情景链与目标情景链A1之间的结构相似度；
(3)根据预存的情景链库中的每条情景链与目标情景链A1之间的结构相似度，按照相似度从大到小的顺序选取若干个情景链进行显示。
若根据用户输入的情景获取的待匹配情景链有多条，则分别对每条情景链按照本发明所提出的方法进行匹配搜索，最后得到与该多条情景链对应的情景链作为推理结果进行显示。
可选地，可以设置两个标志量来标记检索次数和每次检索得到的情景链，例如，第一次检索时，设检索次数为InsId1，第一次检索可能得到的输入情景链有n条，则将每条情景链依次标记为chainId1，chainId2，…，chainIdn；在进行第二次检索时，则检索次数标记为InsId2，依此类推，便于对用户的属性信息进行判断。
可选地，若用户仅输入一个情景来进行检索，则将输入的单一情景作为作为特殊情景链，计算预存的情景链库中以该单一情景为父节点且存在子节点的情景链与该特殊情景链之间的节点相似度，根据计算出的节点相似度的大小显示匹配结果。
图3为本发明实施例公开的一种基于突发事件情景链的情景推理系统的结构示意图，在图3所示的系统中包括：
输入模块，用于根据用户输入的情景获取目标情景链A1；
推理模块，用于根据预存的情景链库对目标情景链A1进行推理，具体包括以下子模块：
层次相似度计算模块，用于对于预存的情景链库中的每条情景链，计算情景链A2与A1之间的层次相似度：其中，m为A1情景链的层级与A2情景链的层级中的最小值，k为A1情景链的层级与A2情景链的层级中的最大值，Siml表示情景链A1与情景链A2在层次l上的节点集合之间的相似度，情景链中的每一个情景构成一个节点，每一层次中的所有节点构成一个节点集合；
节点相似度计算模块，用于计算情景链A2与情景链A1之间的节点相似度Sim_N(A1,A2)，具体包括以下子模块：
第一计算子模块，用于由公式：Sim_node(a,b)＝γSim_link(a,b)+δSim_p(a,b)计算两情景a、b之间的情景相似度，其中，Sim_p(a,b)为两情景a、b的特征属性相似度，Sim_link(a,b)为两情景a、b的链式关系相似度；
第二计算子模块，用于由第一计算子模块计算NA1中每一个情景与NA2中所有情景的情景相似度集合S1，S2，……，Si，其中，情景链A1的情景集合为NA1＝{a1，a2，…，ai}，情景链A2的情景集合为NA2＝{b1，b2，…，bj}，i表示情景链A1中的情景个数，j表示情景链A2中的情景个数；
第三计算子模块，用于由公式：Sim_N(A1,A2)＝f(S1，S2，…，Si)/max(i，j)计算情景链A2与情景链A1之间的节点相似度，其中，f(S1，S2，…，Si)表示最大取值算法；
结构相似度计算模块，用于由公式：Sim(A1,A2)＝αSim_H(A1,A2)+βSim_N(A1,A2)计算情景链A1和情景链A2的结构相似度，其中，α和β为调整系数且α+β＝1；
推理子模块，用于得到预存的情景链库中的每条情景链与目标情景链A1之间的结构相似度；
结果显示模块，用于根据预存的情景链库中的每条情景链与目标情景链A1之间的结构相似度，按照相似度从大到小的顺序选取若干个情景链进行显示。
其中，各模块的具体实施方式可以参照图1中的描述，本发明实施例将不做复述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于突发事件情景链的情景推理方法，其特征在于，包括：
(1)根据用户输入的情景获取目标情景链A1；
(2)根据预存的情景链库对目标情景链A1进行推理，其子步骤为：
(2-1)对于预存的情景链库中的每条情景链，计算情景链A2与A1之间的层次相似度：其中，m为A1情景链的层级与A2情景链的层级中的最小值，k为A1情景链的层级与A2情景链的层级中的最大值，Siml表示情景链A1与情景链A2在层次l上的节点集合之间的相似度，情景链中的每一个情景构成一个节点，每一层次中的所有节点构成一个节点集合；
(2-2)计算情景链A2与情景链A1之间的节点相似度Sim_N(A1,A2)，其子步骤为：
(2-2-1)由公式Sim_node(a,b)＝γSim_link(a,b)+δSim_p(a,b)计算两情景a、b之间的情景相似度，其中，Sim_p(a,b)为两情景a、b的特征属性相似度，Sim_link(a,b)为两情景a、b的链式关系相似度；
(2-2-2)设情景链A1的情景集合为NA1＝{a1，a2，……，ai}，情景链A2的情景集合为NA2＝{b1，b2，……，bj}，则由步骤(2-2-1)计算NA1中每一个情景与NA2中所有情景的情景相似度的集合S1，S2，……，Si，其中，i表示情景链A1中的情景个数，j表示情景链A2中的情景个数；
(2-2-3)由公式：Sim_N(A1,A2)＝f(S1，S2，…，Si)/max(i，j)计算情景链A2与情景链A1之间的节点相似度，其中，f(S1，S2，…，Si)表示最大取值算法；
(2-3)由公式：Sim(A1,A2)＝αSim_H(A1,A2)+βSim_N(A1,A2)计算情景链A1和情景链A2的结构相似度，其中，α和β为调整系数且α+β＝1；
(2-4)重复步骤(2-1)～步骤(2-3)得到预存的情景链库中的每条情景链与目标情景链A1之间的结构相似度；
(3)根据预存的情景链库中的每条情景链与目标情景链A1之间的结构相似度，按照相似度从大到小的顺序选取若干个情景链进行显示。
2.根据权利要求1所述的方法，其特征在于，步骤(1)具体包括以下子步骤：
(1-1)接收用户当前输入的情景，并输出提示信息，提示用户选取与该当前输入的情景关联的上一个情景；
(1-2)若接收到用户选择的与当前输入的情景关联的上一个情景的关联指令，则将该当前输入的情景作为用户选择关联的上一个情景的下一个情景组成情景链，其中用户选择关联的上一个情景属于本次匹配中用户已经输入的情景中的情景；
(1-3)若没有接收到用户选择的关联情景的关联指令，则将当前输入的情景作为新情景链的第一个情景。
3.根据权利要求1所述的方法，其特征在于，在步骤(2-1)中，Siml的计算方式为：
设LA1＝{al1,al2,…,alg}表示情景链A1在层次l上的节点集合，g表示情景链A1在层次l上的节点数，LA2＝{bl1,bl2,…,blh}表示情景链A2在层次l上的节点集合，h表示情景链A2在层次l上的节点数，依次计算出集合LA1中每一节点与集合LA2中所有节点的节点相似度集合Q1,Q2,…,Qg，然后计算出Sim l＝f(Q1,Q2,…,Qg)/max(g，h)，其中，两节点之间的相似度用归一化欧式距离表示，f(Q1,Q2,…,Qg)为最大取值算法。
4.根据权利要求3所述的方法，其特征在于，在步骤(2-2-1)中，Sim_p(a,b)与Sim_link(a,b)的计算方式为：Sim_p(a,b)＝∑d(Same(a,b))/n，其中，Same(a,b)表示情景a与情景b中特征属性名相同的属性对，n为情景a的特征属性数与情景b的特征属性数中的最大值，∑d(Same(a,b))表示情景a与情景b中特征属性名相同的属性对的相似度之和，d表示情景a与情景b中特征属性名相同的属性对的相似度且数值类属性的相似度由归一化曼哈顿距离来度量，字符类属性的相似度为0或1；
Sim_link(a,b)＝p/q，其中，p为情景a与情景b中情景类型相同的元素对的个数，q为情景a中所有关系集合元素数量之和与情景b中所有关系集合元素数量之和中的最大值。
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述方法还包括：
若接收到用户输入的单一情景作为匹配搜索的目标情景，则将所述目标情景作为特殊情景链，将预存的情景链库中以该目标情景为父节点且存在子节点的情景链进行匹配检索，计算与所述特殊情景链之间的节点相似度，根据计算出的节点相似度的大小显示匹配结果。
6.一种基于突发事件情景链的情景推理系统，其特征在于，包括：
输入模块，用于根据用户输入的情景获取目标情景链A1；
推理模块，用于根据预存的情景链库对目标情景链A1进行推理，具体包括以下子模块：
层次相似度计算模块，用于对于预存的情景链库中的每条情景链，计算情景链A2与A1之间的层次相似度：其中，m为A1情景链的层级与A2情景链的层级中的最小值，k为A1情景链的层级与A2情景链的层级中的最大值，Siml表示情景链A1与情景链A2在层次l上的节点集合之间的相似度，情景链中的每一个情景构成一个节点，每一层次中的所有节点构成一个节点集合；
节点相似度计算模块，用于计算情景链A2与情景链A1之间的节点相似度Sim_N(A1,A2)，具体包括以下子模块：
第一计算子模块，用于由公式：Sim_node(a,b)＝γSim_link(a,b)+δSim_p(a,b)计算两情景a、b之间的情景相似度，其中，Sim_p(a,b)为两情景a、b的特征属性相似度，Sim_link(a,b)为两情景a、b的链式关系相似度；
第二计算子模块，用于由第一计算子模块计算NA1中每一个情景与NA2中所有情景的情景相似度集合S1，S2，……，Si，其中，情景链A1的情景集合为NA1＝{a1，a2，…，ai}，情景链A2的情景集合为NA2＝{b1，b2，…，bj}，i表示情景链A1中的情景个数，j表示情景链A2中的情景个数；
第三计算子模块，用于由公式：Sim_N(A1,A2)＝f(S1，S2，…，Si)/max(i，j)计算情景链A2与情景链A1之间的节点相似度，其中，f(S1，S2，…，Si)表示最大取值算法；
结构相似度计算模块，用于由公式：Sim(A1,A2)＝αSim_H(A1,A2)+βSim_N(A1,A2)计算情景链A1和情景链A2的结构相似度，其中，α和β为调整系数且α+β＝1；
推理子模块，用于得到预存的情景链库中的每条情景链与目标情景链A1之间的结构相似度；
结果显示模块，用于根据预存的情景链库中的每条情景链与目标情景链A1之间的结构相似度，按照相似度从大到小的顺序选取若干个情景链进行显示。
7.根据权利要求6所述的系统，其特征在于，所述输入模块包括：
接收模块，用于接收用户当前输入的情景，并输出提示信息，提示用户选取与该当前输入的情景关联的上一个情景；
情景链建立模块，用于在接收到用户选择的与当前输入的情景关联的上一个情景的关联指令时，将该当前输入的情景作为用户选择关联的上一个情景的下一个情景组成情景链，其中用户选择关联的上一个情景属于本次匹配中用户已经输入的情景中的情景；
所述情景链建立模块，还用于在没有接收到用户选择的关联情景的关联指令时，将当前输入的情景作为新情景链的第一个情景。
8.根据权利要求6所述的系统，其特征在于，Siml的计算方式为：
设LA1＝{al1,al2,…,alg}表示情景链A1在层次l上的节点集合，g表示情景链A1在层次l上的节点数，LA2＝{bl1,bl2,…,blh}表示情景链A2在层次l上的节点集合，h表示情景链A2在层次l上的节点数，依次计算出集合LA1中每一节点与集合LA2中所有节点的节点相似度集合Q1,Q2,…,Qg，然后计算出Sim l＝f(Q1,Q2,…,Qg)/max(g，h)，其中，两节点之间的相似度用归一化欧式距离表示，f(Q1,Q2,…,Qg)为最大取值算法。
9.根据权利要求8所述的系统，其特征在于，Sim_p(a,b)与Sim_link(a,b)的计算方式为：Sim_p(a,b)＝∑d(Same(a,b))/n，其中，Same(a,b)表示情景a与情景b中特征属性名相同的属性对，n为情景a的特征属性数与情景b的特征属性数中的最大值，∑d(Same(a,b))表示情景a与情景b中特征属性名相同的属性对的相似度之和，d表示情景a与情景b中特征属性名相同的属性对的相似度且数值类属性的相似度由归一化曼哈顿距离来度量，字符类属性的相似度为0或1；
Sim_link(a,b)＝p/q，其中，p为情景a与情景b中情景类型相同的元素对的个数，q为情景a中所有关系集合元素数量之和与情景b中所有关系集合元素数量之和中的最大值。
10.根据权利要求6至9任意一项所述的系统，其特征在于，
所述推理模块，还用于在接收到用户输入的单一情景作为匹配搜索的目标情景时，将所述目标情景作为特殊情景链，将预存的情景链库中以该目标情景为父节点且存在子节点的情景链进行匹配检索，计算与所述特殊情景链之间的节点相似度，并由所述结果显示模块根据计算出的节点相似度的大小显示匹配结果。
CN201611207271.XA 2016-12-23 2016-12-23 一种基于突发事件情景链的情景推理方法及系统 Pending CN106815315A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611207271.XA CN106815315A (zh) 2016-12-23 2016-12-23 一种基于突发事件情景链的情景推理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611207271.XA CN106815315A (zh) 2016-12-23 2016-12-23 一种基于突发事件情景链的情景推理方法及系统

Publications (1)

Publication Number Publication Date
CN106815315A true CN106815315A (zh) 2017-06-09

Family

ID=59110524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611207271.XA Pending CN106815315A (zh) 2016-12-23 2016-12-23 一种基于突发事件情景链的情景推理方法及系统

Country Status (1)

Country Link
CN (1) CN106815315A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341220A (zh) * 2017-06-28 2017-11-10 阿里巴巴集团控股有限公司 一种多源数据融合方法和装置
CN108734402A (zh) * 2018-05-23 2018-11-02 华中科技大学 基于虚拟案例的非常规突发事件应急管理决策方法及系统
CN111080139A (zh) * 2019-12-19 2020-04-28 石家庄铁道大学 一种基于hypergraph的公共安全事件情景表示方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156917A (zh) * 2011-04-06 2011-08-17 中国科学院科技政策与管理科学研究所 一种突发事件应急预案的重构方法
US20150242769A1 (en) * 2014-02-21 2015-08-27 Safety Key Solutions FZ-LLC Worksite monitoring and management systems and platforms

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156917A (zh) * 2011-04-06 2011-08-17 中国科学院科技政策与管理科学研究所 一种突发事件应急预案的重构方法
US20150242769A1 (en) * 2014-02-21 2015-08-27 Safety Key Solutions FZ-LLC Worksite monitoring and management systems and platforms

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗鹏志等: "面向事件链的突发事件建模与检索技术", 《华中科技大学学报(自然科学版)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341220A (zh) * 2017-06-28 2017-11-10 阿里巴巴集团控股有限公司 一种多源数据融合方法和装置
CN107341220B (zh) * 2017-06-28 2020-05-12 阿里巴巴集团控股有限公司 一种多源数据融合方法和装置
CN108734402A (zh) * 2018-05-23 2018-11-02 华中科技大学 基于虚拟案例的非常规突发事件应急管理决策方法及系统
CN108734402B (zh) * 2018-05-23 2021-06-11 华中科技大学 基于虚拟案例的非常规突发事件应急管理决策方法及系统
CN111080139A (zh) * 2019-12-19 2020-04-28 石家庄铁道大学 一种基于hypergraph的公共安全事件情景表示方法
CN111080139B (zh) * 2019-12-19 2021-04-13 石家庄铁道大学 一种基于hypergraph的公共安全事件情景表示方法

Similar Documents

Publication Publication Date Title
US20200212710A1 (en) Method for predicting operation state of power distribution network with distributed generations based on scene analysis
Qian et al. Fusing monotonic decision trees
CN107391542B (zh) 一种基于文件知识图谱的开源软件社区专家推荐方法
CN106503148B (zh) 一种基于多知识库的表格实体链接方法
CN105741175A (zh) 一种对在线社交网络中账户进行关联的方法
CN107291945A (zh) 基于视觉注意力模型的高精度服装图像检索方法及系统
US20230052730A1 (en) Method for predicting operation state of power distribution network with distributed generations based on scene analysis
CN103631859A (zh) 一种面向科技项目的评审专家智能推荐方法
CN105721207A (zh) 电力通信网中通信节点重要度的确定方法和装置
CN106815315A (zh) 一种基于突发事件情景链的情景推理方法及系统
CN104679818A (zh) 一种视频关键帧提取方法及系统
KR102284436B1 (ko) 인공 신경망을 이용한 소셜 네트워크 완성 방법 및 장치
CN110472226A (zh) 一种基于知识图谱的网络安全态势预测方法及装置
CN107239512A (zh) 一种结合评论关系网络图的微博垃圾评论识别方法
CN107808194A (zh) 一种基于Rete推理网络的复合推理方法
KR20210019310A (ko) 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치
CN112217674A (zh) 基于因果网络挖掘和图注意力网络的告警根因识别方法
CN110490437A (zh) 一种轨道交通系统运营风险链构建方法
CN107589936B (zh) 基于需求文本与可变性模型追踪关系的产品线可变性配置优化方法
CN109977131A (zh) 一种房型匹配系统
CN113312494A (zh) 垂直领域知识图谱构建方法、系统、设备及存储介质
CN116663662B (zh) 基于多源语义网络的地理实体多层次关系构建方法及装置
CN117272195A (zh) 基于图卷积注意力网络的区块链异常节点检测方法及系统
CN116452939A (zh) 基于多模态实体融合与对齐的社交媒体虚假信息检测方法
CN114862588A (zh) 一种面向区块链交易行为的异常检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170609

RJ01 Rejection of invention patent application after publication