CN109376217A - 基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法 - Google Patents
基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法 Download PDFInfo
- Publication number
- CN109376217A CN109376217A CN201811169634.4A CN201811169634A CN109376217A CN 109376217 A CN109376217 A CN 109376217A CN 201811169634 A CN201811169634 A CN 201811169634A CN 109376217 A CN109376217 A CN 109376217A
- Authority
- CN
- China
- Prior art keywords
- dimension
- data
- typing
- entity elements
- architecture
- 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
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法;本发明特征是,对于实体元素,通过体系化全类型化维度定义的数据来度量实体元素的各个分量,然后用一个或多个分量重新描述该实体元素,进而通过所获得的新定义的实体元素来重构网络拓扑结构;本发明属于分布式计算和软件工程交叉领域。
Description
技术领域
本发明是基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法,主要用于构造最优网络拓扑结构图,属于分布式计算和软件工程学技术交叉领域。
背景技术
数据是指对客观事件进行记录并可以鉴别的符号,是对客观事物的性质、状态以及相互关系进行记载的物理符号或这些物理符号的组合;通过体系化维度定义的数据来度量实体元素的各个分量,依据一个或多个不同维度的数据元素来定义实体元素,从而通过得到的不同的实体元素中的数据元素来构造最优的网络拓扑结构;
本发明提出一种基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法;特征是对于实体元素,通过体系化全类型化维度定义此实体元素,通过不同维度的数据来构造网络拓扑结构。
发明内容
技术问题:现有的数据定义与其他资源相互交织在一起,很难有效得到较优的网络拓扑结构。
技术方案:本发明的方法是一种策略性方法,本发明基于三层可自动抽象的知识图谱中的数据图谱,提出一种基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法,特征是对实体元素,通过体系化全类型化维度定义度量此实体元素,通过不同维度的数据来构造网络拓扑结构。
体系结构:
本发明基于三层可自动抽象的知识图谱中的数据图谱,提出一种基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法,特征是,对实体元素,通过体系化全类型化维度定义的数据来度量此实体元素,用静态类型和动态类型取值,通过不同维度的数据来构造网络拓扑结构;下面给出三层可自动抽象的知识图谱中的数据图谱,体系化全类型化维度定义的实体元素的定义:
数据图谱(DG)DIK:(DG)DIK:=collection{array,list,stack,queue,tree,graph}
(DG)DIK是各种数据结构包括数组(array)、链表(list)、栈(stack)、队列(queue)、树(tree)和图(graph)等的集合;数据图谱可以记录实体元素的基本结构,这个结构通过静态和动态类型化数据共同结合而成;数据图谱还可以记录实体元素的不同的体系化全类型化维度以及多个维度之间的关联维度,特别地,所有体系化全类型化维度之间的关联维度即为综合维度;
关联维度的计算公式如公式(1)所示:
(1)
其中表示各个体系化全类型化维度,表示各个体系化全类型化维度在关联维度中的所占的权重,且的值需满足2个条件:
1);
2);
如图1所示,类型化数据分为静态类型化数据和动态类型化数据,一个具体实体元素(TH)的定义:TH=(THS,THD),其中,THS为静态类型化数据,THS=(TSA,(TSA1(TSA1A1(...),TSA1A2...TSA1An),TSA2...TSAn),TSB,TSC...TSN),T代表一种类型,在THS的表达式中,TSA子节点包括TSA1,TSA2...TSAn,TSA1的子节点又包括TSA1A1,TSA1A2...TSA1An,每个维度都用一个类型表示;THD为动态类型化数据,THD=(TDA,(TDA1(TDA1A1(...),TDA1A2...TDA1An),TDA2...TDAn),TDB,TDC...TDN),T代表一种类型,在THD的表达式中,TDA子节点包括TDA1,TDA2...TDAn,TDA1的子节点又包括TDA1A1,TDA1A2...TDA1An,每个维度都用一个类型表示;直到叶节点按具体实例值进行标注;
例如,对一个人的类型化数据描述如图2所示,在此只选取了每个类中的部分子类进行描述;人的静态类型化数据有职业、性别,动态类型化数据为运动,职业子类中包含T学生、T老师、T工人,T性别子类T男、T女,T学生再进行子类划分,包含了T小学、T中学、T大学、T研究生和T博士,T研究生更细划分为T全日制研究生和T非全日制研究生;对于动态运动,它包含子类型T打球、T跑步和T游泳,针对T跑步,划分出T时速(6km/min)和T出汗量(x);最后可以通过这些体系化全类型化维度唯一确定一个人;然后通过对一个或多个维度之间的关联维度的具体数据来描述的实体元素,进行网络拓扑重组,得到最优的网络拓扑结构;
由此可以得到实体元素在一个或多个维度之间的关联维度的数据值,从而可以通过构建一个哈夫曼树来构造该维度或关联维度下的最优构造;
例如,对于一个网络拓扑结构中实体元素之间的关系如图3中(a)所示,其中A,B,C,D,E,F共6个实体元素的时间维度、空间维度以及时间和空间的关联维度的数据值分别为(6,9,8),(9,6,7),(12,15,14),(3,3,3),
(6,3,4),(9,12,11),在此例子中为了计算方便只选取2个维度和他们的关联维度;
我们取T时间=H+1/60M+1/3600S,T空间=x+y+z;T时间空间=1/3T时间+2/3T空间,例如实体元素在空间位置为(2,3,1),时刻为12:00的时间维度、空间维度以及时间和空间的关联维度的数据值为(12,6,8);通过得到的这些体系化全类型化维度的数据值,我们可以构建一个哈夫曼树来重组网络拓扑结构,使得实体元素分别在时间维度如图3中(b)、空间维度如图3中(c)和时间维度和空间维度之间的关联维度如图3中(d)的网络拓扑结构达到最优,其中空心圆为添加的虚拟节点,无实际意义;
其中哈夫曼树的具体构造步骤为:以时间维度为例,取6个叶节点,他们的权值分别为:6,9,12,3,6,9;
1.将6,9,12,3,6,9看成是有6 棵树的森林(每棵树仅有一个结点);
2.在森林中选出根结点的权值最小的两棵树进行合并,作为一棵新树的左、右子树,且新树的根结点权值为其左、右子树根结点权值之和,如3和6,当出现权值相同的节点时,可以任意取;
3.从森林中删除选取的两棵树,并将新树加入森林;
4.重复(02)、(03)步,直到森林中只剩一棵树为止,该树即为所求得的哈夫曼树。
有益效果:
本发明提出基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法,该方法具有以下优点:
1)本发明将对实体元素的定义由数据及数据图谱建模为一个体系化全类型化的维度,因此针对一个实体元素,不一定要对实体元素的所有维度进行计算,而是针对不同的目标或场景进行部分维度计算,即简化运算;
2)本发明使用的实体元素定义方法,通过动态和静态类型化数据进行建模,增强了实体元素的区分性;
3)本发明提出的通过获得的体系化全类型化维度的具体数据值来构造最优的网络拓扑结构,有利于计算不同实体元素在该维度或多个维度的关联维度中的具体影响值。
附图说明
图1是基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法中类型化数据定义实体元素的模型图;
图2是基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法的一个体系化全类型维度实例图;
图3是基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法的一个构造网络拓扑的一个具体实例图;
图4是基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法的具体流程图。
具体实施方式:
基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法的具体流程如下:
步骤1)对应图4中001所示,输入由实体元素构成的网络拓扑结构例如图3(a);
步骤2)对应图4中002所示,提取网络拓扑结构中的各个实体元素例如图3(a)中的ABCDEF;
步骤3)对应图4中003所示,针对每个实体元素,构建数据图谱;类型化数据分为静态类型数据和动态类型数据,一个实体元素(TH)的定义:TH=(THS,THD),其中,THS为静态类型化数据,THD为动态类型化数据;将THS和THD输入后,建立数据图谱(DG)DIK:(DG)DIK:=collection{array,list,stack,queue,tree,graph},(DG)DIK是各种数据结构包括数组(array)、链表(list)、栈(stack)、队列(queue)、树(tree)和图(graph)等的集合;数据图谱可以记录实体元素的基本结构,这个结构通过静态和动态类型化数据共同结合而成;数据图谱还可以记录实体元素的不同的体系化全类型化维度以及多个维度之间的关联维度,特别地,所有体系化全类型化维度之间的关联维度即为综合维度;
关联维度的计算公式如公式(1)所示:
(1)
其中表示各个体系化全类型化维度,表示各个体系化全类型化维度在关联维度中的所占的权重,且的值需满足2个条件:
1);
2);
步骤4)对应图4中的004所示,在输入类型化数据THS和THD后,建立体系化全类型维度:THS=(TSA,(TSA1(TSA1A1(...),TSA1A2...TSA1An),TSA2...TSAn),TSB,TSC...TSN),T代表一种类型,在THS的表达式中,TSA子节点包括TSA1,TSA2...TSAn,TSA1的子节点又包括TSA1A1,TSA1A2...TSA1An,每个维度都用一个类型表示;THD为动态类型化数据,THD=(TDA,(TDA1(TDA1A1(...),TDA1A2...TDA1An),TDA2...TDAn),TDB,TDC...TDN),T代表一种类型,在THD的表达式中,TDA子节点包括TDA1,TDA2...TDAn,TDA1的子节点又包括TDA1A1,TDA1A2...TDA1An,每个维度都用一个类型表示;直到叶节点按具体实例值进行标注;
步骤5)对应图4中的005所示,取出类型化体系中的叶节点,用一个或多个维度描述实体元素,例如建立对一个人的体系化全类型化维度,在此只选取了每个类中的部分子类进行描述;人的静态类型化数据有职业、性别,动态类型化数据为运动,职业子类中包含T学生、T老师、T工人,T性别子类T男、T女,T学生再进行子类划分,包含了T小学、T中学、T大学、T研究生和T博士,T研究生更细划分为T全日制研究生和T非全日制研究生;对于动态运动,它包含子类型T打球、T跑步和T游泳,针对T跑步,划分出T时速(6km/min)和T出汗量(x);然后通过对一个或多个维度之间的关联维度的具体数据来描述实体元素;
步骤6)对应图4中的006所示,通过所得到的新定义的实体元素进行重组网络拓扑结构,例如,对于一个网络拓扑结构中实体元素之间的关系如图3中(a)所示,其中A,B,C,D,E,F共6个实体元素的时间维度、空间维度以及时间和空间的关联维度的数据值分别为(6,9,8),(9,6,7),(12,15,14),(3,3,3),(6,3,4),(9,12,11),在此例子中为了计算方便只选取2个维度和他们的关联维度;
我们取T时间=H+1/60M+1/3600S,T空间=x+y+z;T时间空间=1/3T时间+2/3T空间,例如实体元素在空间位置为(2,3,1),时刻为12:00的时间维度、空间维度以及时间和空间的关联维度的数据值为(12,6,8);通过得到的这些体系化全类型化维度的数据值,我们可以构建一个哈夫曼树来重组网络拓扑结构,使得实体元素分别在时间维度如图3中(b)、空间维度如图3中(c)和时间维度和空间维度之间的关联维度如图3中(d)的网络拓扑结构达到最优,其中空心圆为添加的虚拟节点,无实际意义;
其中哈夫曼树的具体构造步骤为:以时间维度为例,取6个叶节点,他们的权值分别为:6,9,12,3,6,9;
1.将6,9,12,3,6,9看成是有6 棵树的森林(每棵树仅有一个结点);
2.在森林中选出根结点的权值最小的两棵树进行合并,作为一棵新树的左、右子树,且新树的根结点权值为其左、右子树根结点权值之和,如3和6,当出现权值相同的节点时,可以任意取;
3. 从森林中删除选取的两棵树,并将新树加入森林;
4. 重复(02)、(03)步,直到森林中只剩一棵树为止,该树即为所求得的哈夫曼树。
Claims (1)
1.本发明是基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法;本发明特征是,对于实体元素,通过体系化全类型化维度定义的数据来度量实体元素的各个分量,然后用一个或多个分量重新描述该实体元素,进而通过所获得的新定义的实体元素来重构网络拓扑结构;具体流程如下:
步骤1)输入由实体元素构成的网络拓扑结构
步骤2)提取网络拓扑结构中的各个实体元素
步骤3)针对每个实体元素,构建数据图谱;类型化数据分为静态类型数据和动态类型数据,一个实体元素(TH)的定义:TH=(THS,THD),其中,THS为静态类型化数据,THD为动态类型化数据;将THS和THD输入后,建立数据图谱(DG)DIK:(DG)DIK:=collection{array,list,stack,queue,tree,graph},(DG)DIK是各种数据结构包括数组(array)、链表(list)、栈(stack)、队列(queue)、树(tree)和图(graph)等的集合;数据图谱可以记录实体元素的基本结构,这个结构通过静态和动态类型化数据共同结合而成;数据图谱还可以记录实体元素的不同的体系化全类型化维度以及多个维度之间的关联维度,特别地,所有体系化全类型化维度之间的关联维度即为综合维度;
关联维度的计算公式如公式(1)所示:
(1)
其中表示各个体系化全类型化维度,表示各个体系化全类型化维度在关联维度中的所占的权重,且的值需满足2个条件:
1);
2);
步骤4)在输入类型化数据THS和THD后,建立体系化全类型维度:THS=(TSA,(TSA1(TSA1A1(...),TSA1A2...TSA1An),TSA2...TSAn),TSB,TSC...TSN),T代表一种类型,在THS的表达式中,TSA子节点包括TSA1,TSA2...TSAn,TSA1的子节点又包括TSA1A1,TSA1A2...TSA1An,每个维度都用一个类型表示;THD为动态类型化数据,THD=(TDA,(TDA1(TDA1A1(...),TDA1A2...TDA1An),TDA2...TDAn),TDB,TDC...TDN),T代表一种类型,在THD的表达式中,TDA子节点包括TDA1,TDA2...TDAn,TDA1的子节点又包括TDA1A1,TDA1A2...TDA1An,每个维度都用一个类型表示;直到叶节点按具体实例值进行标注;
步骤5)取出类型化体系中的叶节点,用一个或多个维度描述实体元素,例如建立对一个人的体系化全类型化维度,在此只选取了每个类中的部分子类进行描述;人的静态类型化数据有职业、性别,动态类型化数据为运动,职业子类中包含T学生、T老师、T工人,T性别子类T男、T女,T学生再进行子类划分,包含了T小学、T中学、T大学、T研究生和T博士,T研究生更细划分为T全日制研究生和T非全日制研究生;对于动态运动,它包含子类型T打球、T跑步和T游泳,针对T跑步,划分出T时速(6km/min)和T出汗量(x);然后通过对一个或多个维度之间的关联维度的具体数据来描述实体元素;
步骤6)通过所得到的新定义的实体元素进行重组网络拓扑结构,例如,对于一个网络拓扑结构中的实体元素,包括A,B,C,D,E,F共6个实体元素的时间维度、空间维度以及时间和空间的关联维度的数据值分别为(6,9,8),(9,6,7),(12,15,14),(3,3,3),(6,3,4),(9,12,11),在此例子中为了计算方便只选取2个维度和他们的关联维度;
我们取T时间=H+1/60M+1/3600S,T空间=x+y+z;T时间空间=1/3T时间+2/3T空间,例如实体元素在空间位置为(2,3,1),时刻为12:00的时间维度、空间维度以及时间和空间的关联维度的数据值为(12,6,8);通过得到的这些体系化全类型化维度的数据值,我们可以构建一个哈夫曼树来重组网络拓扑结构,使得实体元素分别在时间维度空间维度和时间维度和空间维度之间的关联维度的网络拓扑结构达到最优;
其中哈夫曼树的具体构造步骤为:以时间维度为例,取6个叶节点,他们的权值分别为:6,9,12,3,6,9;
将6,9,12,3,6,9看成是有6 棵树的森林(每棵树仅有一个结点);
在森林中选出根结点的权值最小的两棵树进行合并,作为一棵新树的左、右子树,且新树的根结点权值为其左、右子树根结点权值之和,如3和6,当出现权值相同的节点时,可以任意取;
从森林中删除选取的两棵树,并将新树加入森林;
重复(02)、(03)步,直到森林中只剩一棵树为止,该树即为所求得的哈夫曼树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811169634.4A CN109376217A (zh) | 2018-10-08 | 2018-10-08 | 基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811169634.4A CN109376217A (zh) | 2018-10-08 | 2018-10-08 | 基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109376217A true CN109376217A (zh) | 2019-02-22 |
Family
ID=65403717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811169634.4A Pending CN109376217A (zh) | 2018-10-08 | 2018-10-08 | 基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376217A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457488A (zh) * | 2019-08-10 | 2019-11-15 | 海南大学 | 基于数据图谱、信息图谱和知识图谱的内容传输建模及处理优化机制 |
CN111432029A (zh) * | 2020-04-16 | 2020-07-17 | 四川大学 | 对等网络流媒体覆盖网络拓扑结构的静态和动态表征方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101097585A (zh) * | 2006-06-29 | 2008-01-02 | 中国科学院上海生命科学研究院 | 一种用于芯片数据分析的可视化分析和展示方法 |
US7480640B1 (en) * | 2003-12-16 | 2009-01-20 | Quantum Leap Research, Inc. | Automated method and system for generating models from data |
CN101420343A (zh) * | 2008-11-28 | 2009-04-29 | 重庆邮电大学 | Epa网络的网络拓扑发现方法 |
CN103840871A (zh) * | 2014-01-14 | 2014-06-04 | 浙江工商大学 | 无线网络中三维模型拓扑数据鲁棒传输的编码和重构方法 |
CN107220305A (zh) * | 2017-05-10 | 2017-09-29 | 燕山大学 | 一种基于概念树的高校课程体系的增量式概念计算方法 |
-
2018
- 2018-10-08 CN CN201811169634.4A patent/CN109376217A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7480640B1 (en) * | 2003-12-16 | 2009-01-20 | Quantum Leap Research, Inc. | Automated method and system for generating models from data |
CN101097585A (zh) * | 2006-06-29 | 2008-01-02 | 中国科学院上海生命科学研究院 | 一种用于芯片数据分析的可视化分析和展示方法 |
CN101420343A (zh) * | 2008-11-28 | 2009-04-29 | 重庆邮电大学 | Epa网络的网络拓扑发现方法 |
CN103840871A (zh) * | 2014-01-14 | 2014-06-04 | 浙江工商大学 | 无线网络中三维模型拓扑数据鲁棒传输的编码和重构方法 |
CN107220305A (zh) * | 2017-05-10 | 2017-09-29 | 燕山大学 | 一种基于概念树的高校课程体系的增量式概念计算方法 |
Non-Patent Citations (2)
Title |
---|
YUCONG DUAN等: "Specifying Architecture of Knowledge Graph with Data Graph, Information Graph, Knowledge Graph and Wisdom Graph", 《2017 IEEE 15TH INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING RESEARCH, MANAGEMENT AND APPLICATIONS》 * |
高惠君: "城市规划空间数据的多尺度处理与表达研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457488A (zh) * | 2019-08-10 | 2019-11-15 | 海南大学 | 基于数据图谱、信息图谱和知识图谱的内容传输建模及处理优化机制 |
CN111432029A (zh) * | 2020-04-16 | 2020-07-17 | 四川大学 | 对等网络流媒体覆盖网络拓扑结构的静态和动态表征方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aaviksoo | Simulating vegetation dynamics and land use in a mire landscape using a Markov model | |
Pardos et al. | Navigating the parameter space of Bayesian Knowledge Tracing models: Visualizations of the convergence of the Expectation Maximization algorithm | |
CN106407889A (zh) | 基于光流图深度学习模型在视频中人体交互动作识别方法 | |
CN102999617B (zh) | 一种基于流体模型的微博传播分析方法 | |
CN107423814A (zh) | 一种采用深度卷积神经网络建立动态网络模型的方法 | |
CN101916397B (zh) | 一种描述湿地植被生态水文响应的三维可视化装置及方法 | |
CN106789338B (zh) | 一种在动态大规模社交网络中发现关键人物的方法 | |
Harada et al. | Projecting households of synthetic population on buildings using fundamental geospatial data | |
CN109376217A (zh) | 基于价值的体系化全类型化频度标定数据图谱的节点集合及其拓扑结构确定方法 | |
CN109960755B (zh) | 一种基于动态迭代快速梯度的用户隐私保护方法 | |
CN106373015A (zh) | 社交网络中的亲密度确定方法及系统 | |
CN108062369A (zh) | 一种整合情境的多态性泛在学习资源聚合方法及系统 | |
CN107045519A (zh) | 一种分析人群移动规律的可视化系统 | |
CN106226817A (zh) | 基于连续平行坐标的多属性地震数据可视化方法 | |
CN109360191A (zh) | 一种基于变分自编码器的图像显著性检测方法 | |
Sapp | Creative problem‐solving in art: A model for idea inception and image development | |
CN105138684B (zh) | 一种信息处理方法和信息处理装置 | |
Ye et al. | [Retracted] IoT‐Based Wearable Sensors and Bidirectional LSTM Network for Action Recognition of Aerobics Athletes | |
CN106407932A (zh) | 基于分数阶微积分与广义逆神经网络的手写数字识别方法 | |
Maggioli et al. | A physically-inspired approach to the simulation of plant wilting | |
CN101937576B (zh) | 一种结合多物理属性的动态纹理瀑布建模方法 | |
Gao et al. | Modelling and analysis of complex viscous fluid in thin elastic tubes | |
Donga et al. | An analysis of different computer science algorithms with the graph theory of Mathematics | |
CN104361629A (zh) | 一种基于流线变形的烟模型空间编辑方法 | |
Hu et al. | Research on the Application of Artificial Neural Network‐Based Virtual Image Technology in College Tennis Teaching |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |