CN110969252A - 基于知识库的知识推理方法、装置及电子设备 - Google Patents
基于知识库的知识推理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110969252A CN110969252A CN201911269943.3A CN201911269943A CN110969252A CN 110969252 A CN110969252 A CN 110969252A CN 201911269943 A CN201911269943 A CN 201911269943A CN 110969252 A CN110969252 A CN 110969252A
- Authority
- CN
- China
- Prior art keywords
- event
- knowledge
- knowledge base
- inference
- conditional probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000009795 derivation Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000009411 base construction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Abstract
本发明实施例提出一种基于知识库的知识推理方法、装置及电子设备，涉及知识库技术领域。其中，上述基于知识库的知识推理方法通过依据获取多个事件信息之间的条件概率，生成作为知识库基本单元的约束集。由于知识库中的基本单元包括所述多个事件信息中的第一事件、第二事件及所述第一事件与第二事件之间的条件概率，因此，在基本单元对应的条件概率满足预设要求的前提下，利用预设的推理规则配合进行处理，从信息流逻辑的角度，使知识推理过程可度量性和可解释性更强，避免出现死循环，避免推理时间冗长、效率低的问题。
Description
技术领域
本发明涉及知识库技术领域，具体而言，涉及一种基于知识库的知识推理方法、装置及电子设备。
背景技术
随着人工智能(AI)和数据库(DB)计算机技术的有机结合，促成了知识库的产生和发展。目前，知识库已应用于各个不同的领域。通常建立知识库，必定要对已有的信息和知识做一次大规模的收集和处理，大量隐含知识被编码化和数字化，信息和知识从原来的混乱状态变得有序化，方便查询。
相关技术中，基于数理逻辑构建知识库是常规的知识库构建方法，但是其任然存在很多问题。比如，对采用一阶谓词逻辑表示方法处理后得到的知识库进行知识推理时，容易陷入死循环，使过程过于冗长，效率低。
发明内容
有鉴于此，本发明的目的在于提供一种基于知识库的知识推理方法、装置及电子设备。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，实施例提供一种基于知识库的知识推理方法，所述基于知识库的知识推理方法包括：
获取多个事件信息；
基于所述多个事件信息，生成作为知识库基本单元的约束集，其中，所述约束集包括所述多个事件信息中的第一事件、第二事件及所述第一事件与第二事件之间的条件概率；所述第一事件与第二事件之间的条件概率满足预设要求；
基于所述知识库中的所述约束集，利用预设的推理规则进行处理，以得到推导知识。
在可选的实施方式中，所述基于所述多个事件信息，生成作为知识库基本单元的约束集的步骤包括：
获取任意两件所述事件信息之间的所述条件概率；
基于获取的所述条件概率，从所述多个事件信息中确定出多组所述第一事件和第二事件；
依次将确定出的每一组所述第一事件和第二事件，生成对应的所述约束集。
在可选的实施方式中，所述基于获取的所述条件概率，从所述多个事件信息中确定出多组所述第一事件和第二事件的步骤包括：
将所述条件概率为1的两件所述事件信息作为一组所述第一事件和第二事件。
在可选的实施方式中，所述推理规则包括判定条件及推导结果生成规则，所述基于所述知识库中的所述约束集，利用预设的推理规则进行处理的步骤包括：
遍历每一个所述约束集，以获取所述知识库中满足所述判定条件的目标事件；
根据所述目标事件，结合所述推导结果生成规则，生成所述推导知识。
第二方面，实施例提供一种基于知识库的知识推理装置，所述基于知识库的知识推理装置包括：
获取模块，用于获取多个事件信息；
生成模块，用于基于所述多个事件信息，生成作为知识库基本单元的约束集，其中，所述约束集包括所述多个事件信息中的第一事件、第二事件及所述第一事件与第二事件之间的条件概率；所述第一事件与第二事件之间的条件概率满足预设要求；
推导模块，用于基于所述知识库中的所述约束集，利用预设的推理规则进行处理，以得到推导知识。
在可选的实施方式中，所述生成模块包括：
获取子模块，用于获取任意两件所述事件信息之间的所述条件概率；
确定子模块，用于基于获取的所述条件概率，从所述多个事件信息中确定出多组所述第一事件和第二事件；
生成子模块，用于依次将确定出的每一组所述第一事件和第二事件，生成对应的所述约束集。
在可选的实施方式中，所述确定子模块还用于：将所述条件概率为1的两件所述事件信息作为一组所述第一事件和第二事件。
在可选的实施方式中，所述推导模块包括：
遍历子模块，用于遍历每一个所述约束集，以获取所述知识库中满足所述判定条件的目标事件；
推导子模块，用于根据所述目标事件，结合所述推导结果生成规则，生成所述推导知识。
第三方面，实施例提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现前述实施方式任一所述的方法。
第四方面，实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的方法。
本发明实施例提供的基于知识库的知识推理方法、装置及电子设备，其中，上述基于知识库的知识推理方法通过依据获取多个事件信息之间的条件概率，生成作为知识库基本单元的约束集。由于知识库中的基本单元包括所述多个事件信息中的第一事件、第二事件及所述第一事件与第二事件之间的条件概率，因此，在基本单元对应的条件概率满足预设要求的前提下，利用预设的推理规则配合进行处理，从信息流逻辑的角度，使知识推理过程可度量性和可解释性更强，避免出现死循环，避免推理时间冗长、效率低的问题。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的电子设备的示意图。
图2示出了本发明实施例提供的基于知识库的知识推理方法的步骤流程图。
图3示出了图2中不走S102的子步骤流程图。
图4示出了图2中不走S103的子步骤流程图。
图5示出了本发明实施例提供的基于知识库的知识推理装置的示意图。
图标：100-电子设备；110-存储器；120-处理器；130-通信模块；200-基于知识库的知识推理装置；201-获取模块；202-生成模块；203-推导模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
相关技术中，所采用的一阶谓词逻辑表示法是指各种基于形式逻辑的知识表示方式，用逻辑公式描述对象、性质、状况和关系，是使用最早和最广泛的知识表示方法之一，其根本目的在于把数学中的逻辑论证符号化，能够采用数学演绎的方式，证明一个新语句是从哪些已知正确的语句推导出来的，那么也就能够断定这个新语句也是正确的。当前构建知识库也主要基于一阶谓词逻辑表示法建立。然而，若想基于上述基于一阶谓词逻辑表示法建立的知识库进行知识推理时，推理过程过于冗长，效率低，另外，以一阶谓词逻辑表示法为代表的经典数理逻辑的另一个缺点在于，无法同时引入受限领域知识和非受限领域知识进行推理，推理能力(求解能力)和效率有限。
此外，另一些相关技术中，采用产生式规则表示法构建知识库也是常用的方法之一。产生式规则表示法是依据人类大脑记忆模式中的各种知识之间的大量存在的因果关系，以“If-Then”的形式，即产生式规则表示出来。这种形式的规则捕获了人类求解问题的行为特征，通过认识—行动的循环过程求解问题。产生式规则表示法具有表示格式固定、简洁，可推理的特点，而且既可以表示确定的知识单元，又可以表示不确定性知识；既有利于表示启发式知识，又可方便地表示过程性知识；既可表示领域知识，又可表示元知识。但是，由于产生式规则的推理过程需要不断对全部规则的条件部分进行搜索和模式匹配，因此随着产生式规则的不断积累，推理复杂度急剧增加，对于复杂知识的推理效率不足。
为了解决上述问题，发明实施例提供了一种基于知识库的知识推理方法、装置及电子设备。
本发明的构思是：利用信息流理论(Information Flow)具备定性、定量描述结构化及非结构化知识的能力、以及可度量、可推理的优势，结合语义信息理论中的信息表示能力、信息负载关系等概念，给出基于信息流约束集的语义数据库混合知识表示形式，从而进一步改进如何准确描述及度量语义数据库中结构化、非结构化知识的知识表示方法。
针对传统方法单独采用描述逻辑(RDF/OWL的逻辑学基础)或霍恩规则等进行知识表示与推理的局限性，以及现有算法可判定性和合理性不能同时具备等问题，利用“信息流约束集”(Information Flow Constraints)的传递性原理，定义了“信息内容包含关系”(Information-content Inclusion Relationship,IIR)以及基于该定义的知识推理规则(IIR Rules)，提出了描述逻辑与信息流逻辑相结合的可判定推理算法，并且证明了算法的合理性和完备性。
请参照图1，是电子设备100的方框示意图。所述电子设备100包括存储器110、处理器120及通信模块130。所述存储器110、处理器120以及通信模块130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中，存储器110用于存储程序或者数据。所述存储器110可以是，但不限于，随机存取存储器110(Random Access Memory，RAM)，只读存储器110(Read Only Memory，ROM)，可编程只读存储器110(Programmable Read-Only Memory，PROM)，可擦除只读存储器110(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器110(ElectricErasable Programmable Read-Only Memory，EEPROM)等。
处理器120用于读/写存储器110中存储的数据或程序，并执行相应地功能。
通信模块130用于通过所述网络建立所述电子设备100与其它通信终端之间的通信连接，并用于通过所述网络收发数据。
应当理解的是，图1所示的结构仅为电子设备100的结构示意图，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
第一实施例
请参考图2，图2示出了本发明实施例中提供的基于知识库的知识推理方法。如图2所示，上述基于知识库的知识推理方法包括：
步骤S101，获取多个事件信息。
在本发明实施例中，上述事件信息可以是从已有的数据库中获取到的信息内容。可以理解地，数据库中存储着多件事件信息，事件信息之间可以存在关联关系。上述关联关系可以体现在事件信息之间的条件概率不为0。
步骤S102，基于多个事件信息，生成作为知识库基本单元的约束集。
在本发明实施例中，上述约束集包括第一事件、第二事件及所述第一事件与第二事件之间的条件概率。上述第一事件和第二事件可以是从上述多个事件信息中确定出存在关联关系的两个事件。上述第一事件与第二事件之间的条件概率满足预设要求。每一个约束集表示着对应的第二事件发生时，第一事件发生的概率。比如，若上述多个事件信息中的事件A与事件B之间的条件概率满足预设要求，则把事件A作为第一事件，事件B作为第二事件，以得到约束集1。若事件B与事件A之间的条件概率也满足预设要求，则把事件B作为第一事件，事件A作为第二事件，以得到约束集2。
在本发明实施例中，将上述约束集作为知识库中的基本单元。可以理解地，上述基本单元为知识库中查询的最小单位。接上例，从知识库中查询事件B发生时会出现什么事情时，基于约束集1能够查到会发生事件A的概率。
在一些实施例中，上述预设要求为条件概率为1。在其他实施例中，上述预设要求为条件概率取值接近1。
作为一种实施方式，实现上述步骤S102可以是利用预先建立的信息通道模型，从多个事件信息中提取能够作为约束集的第一事件和第二事件。可以理解地是，上述信息通道模型的建立方式可以是：从分类(Classifications)的角度，通过信息射连接(Infomorphisms)表示每个事件信息的词汇(Vocabulary)和语境(Context)的各种分类。将分类和规则理论(Regular Theories)相结合，得到局部逻辑(Local Logic)，构建基于该局部逻辑的信息通道模型。
作为另一种实施方式，如图3所示，上述步骤S102可以包括以下步骤：
子步骤S102-1，获取任意两件事件信息之间的条件概率。
在本实施例中，依次获取每一事件信息与其他每一件事件信息之间的条件概率。
子步骤S102-2，基于获取的条件概率，从多个事件信息中确定出多组所述第一事件和第二事件。
在本发明实施例中，第一事件可以是多个事件信息中任意一个事件信息。当一个事件信息与多个事件信息中至少一其他事件信息之间的条件概率满足预设要求时，将该事件信息确定为第一事件，将满足预设要求的其他事件信息作为第二事件。
比如，将条件概率为1的两件所述事件信息作为一组所述第一事件和第二事件。
子步骤S102-3，依次将确定出的每一组第一事件和第二事件，生成对应的约束集。
基于将每一个第一事件与对应的一个第二事件生成对应的约束集。若第一事件对应多个第二事件，则分别将第一事件与每一个对应的第二事件组成一个约束集。
步骤S103，基于知识库中的约束集，利用预设的推理规则进行处理，以得到推导知识。
在本发明实施例中，上述预设的推理规则可以是一个或者多个。上述推理规则包括判定条件及推导结果生成规则。通过推理规则可以在知识库中已有的约束集基础上衍生出新的知识(即推导知识)。比如，知识库中有5个约束集，可以直接从该知识库中得到5个知识。然后，配合推理规则进行推导处理后，能够衍生出更多新知识。从而，在不需要人为向知识库增加新的知识的前提下，可以从知识库中得到有别于原来已有的知识的新知识，使知识库更加智能。
比如，上述推理规则可以包括以下一个或多个：
1、(加法律)Sum:若Y＝X1∪X2...∪Xn,则“
i＝1，...，n”。
其中，上述Y＝X1∪X2...∪Xn为判定条件。Y代表知识库中的一第一事件，X1、X2...Xn代表知识库中的多件第二事件。上述“
i＝1,...,n”为推导结果生成规则。可以理解地，
代表Y与“Xi，i＝1,...,n”之间的条件概率满足预设要求。
2、(乘法律)Product:若X＝X1∩X2...∩Xn且Y＝Xi，i＝1,...,n，则
其中，上述X＝X1∩X2...∩Xn且Y＝Xi，i＝1,...,n为判定条件。上述
为推导结果生成规则。Y代表知识库中的一第一事件，X1、X2...Xn代表知识库中的多件第二事件。
3、(传递律)Transitivity:若
则
其中，上述
为判定条件。上述
为推导结果生成规则。X和Y组成知识库中一约束集，X代表第二事件，Y代表第一事件。Y和Z组成知识库中另外一个约束集，Y代表第二事件，Z代表第一事件。
代表Z与X之间的条件概率满足预设要求。
4、(结合律)Union:若
则
其中，上述
为判定条件。上述
为推导结果生成规则。X和Y组成知识库中一约束集，X代表第二事件，Y代表第一事件。X和Z组成知识库中另外一个约束集，X代表第二事件，Z代表第一事件。
代表Y∩Z与X之间的条件概率满足预设要求。
5、(增广律)Augmentation:若W＝W1∩W2...∩Wn，Z为{W1,W2,...,Wn}集合子集的乘积，且
则
其中，上述W＝W1∩W2...∩Wn，Z为{W1,W2,...,Wn}集合子集的乘积，且
为判定条件。上述
则
为推导结果生成规则。上述W1、W2…Wn代表事件信息。Y和X属于知识库中一约束集。
6、(分解律)Decomposition:若
则
其中，上述
为判定条件，上述
为推导结果生成规则。上述“Y∩Z”和X属于知识库中的一约束集，“Y∩Z”为约束集中的第一事件，X为约束集中的第二事件。上述
代表Y和X之间的条件概率满足预设要求，上述
代表Z和X之间的条件概率满足预设要求。
作为一种实施例，如图4所示，上述步骤S103可以包括以下步骤：
步骤S103-1，遍历每一个约束集，以获取所述知识库中满足所述判定条件的目标事件。
在本发明实施例中，遍历知识库中已有的每一个约束集，获取每个约束集中第一事件和第二事件。可以理解的，上述获取的第一事件和第二事件中可以存在相同的事件内容。结合推理规则中的判定条件，确定出目标事件。比如，推理规则为“分解律”时，遍历约束集，如果存在约束集中第一事件为Y∩Z，第二事件为X，那么判定Y、X、Z为满足“分解律”判定条件的目标事件。
可以理解的，当有多个推理规则时，依次利用每一个推理规则的判定条件从知识库中的事件中寻找对应的目标事件。
步骤S103-2，根据所述目标事件，结合所述推导结果生成规则，生成所述推导知识。
在本发明实施例中，将每一个推理规则对应的目标事件，结合推理规则的推导结果生成规则，生成推导知识。接上例，利用推理规则的推导结果生成规则，得到推导知识：Y与X之间的条件概率也满足预设要求、Z与X之间的条件概率也满足预设要求。
为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种基于知识库的知识推理装置200的实现方式，可选地，该基于知识库的知识推理装置200可以采用上述图1所示的电子设备100的器件结构。进一步地，请参阅图5，图5为本发明实施例提供的一种基于知识库的知识推理装置200的功能模块图。需要说明的是，本实施例所提供的基于知识库的知识推理装置200，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该基于知识库的知识推理装置200包括：获取模块201、生成模块202及推导模块203。
获取模块201，用于获取多个事件信息。
在本发明实施例中，上述步骤S101可以由获取模块201执行。
生成模块202，用于基于所述多个事件信息，生成作为知识库基本单元的约束集，其中，所述约束集包括所述多个事件信息中的第一事件、第二事件及所述第一事件与第二事件之间的条件概率；所述第一事件与第二事件之间的条件概率满足预设要求。
在本发明实施例中，上述步骤S102可以由生成模块202执行。可选地，所述生成模块202包括：
获取子模块，用于获取任意两件所述事件信息之间的所述条件概率；
确定子模块，用于基于获取的所述条件概率，从所述多个事件信息中确定出多组所述第一事件和第二事件。比如，确定子模块还用于：将所述条件概率为1的两件所述事件信息作为一组所述第一事件和第二事件。
生成子模块，用于依次将确定出的每一组所述第一事件和第二事件，生成对应的所述约束集。
推导模块203，用于基于所述知识库中的所述约束集，利用预设的推理规则进行处理。
在本发明实施例中，上述步骤S103可以由生成推导模块203。
可选地，推导模块203包括：遍历子模块，用于遍历每一个所述约束集，以获取所述知识库中满足所述判定条件的目标事件；推导子模块，根据所述目标事件，结合所述推导结果生成规则，生成所述推导知识。
可选地，上述模块可以软件或固件(Firmware)的形式存储于图1所示的存储器110中或固化于该电子设备100的操作系统(Operating System，OS)中，并可由图1中的处理器120执行。同时，执行上述模块所需的数据、程序的代码等可以存储在存储器110中。
综上，传统的知识推理方法对推理出来的知识很难同时进行定性和定量的描述，本发明利用信息流理论(Information Flow)同时具备定性、定量描述结构化及非结构化知识的能力，以及可度量、可推理的优势，结合语义信息理论中的信息表示能力、信息负载关系等概念，利用信息流逻辑给出了基于“信息内容包含关系”的一种新的知识推理规则集，且经过了完备性证明，从信息流逻辑的角度，使知识推理过程可度量性和可解释性更强，改进了现有的知识推理方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于知识库的知识推理方法，其特征在于，所述基于知识库的知识推理方法包括：
获取多个事件信息；
基于所述多个事件信息，生成作为知识库基本单元的约束集，其中，所述约束集包括所述多个事件信息中的第一事件、第二事件及所述第一事件与第二事件之间的条件概率；所述第一事件与第二事件之间的条件概率满足预设要求；
基于所述知识库中的所述约束集，利用预设的推理规则进行处理，以得到推导知识。
2.根据权利要求1所述的基于知识库的知识推理方法，其特征在于，所述基于所述多个事件信息，生成作为知识库基本单元的约束集的步骤包括：
获取任意两件所述事件信息之间的所述条件概率；
基于获取的所述条件概率，从所述多个事件信息中确定出多组所述第一事件和第二事件；
依次将确定出的每一组所述第一事件和第二事件，生成对应的所述约束集。
3.根据权利要求2所述的基于知识库的知识推理方法，其特征在于，所述基于获取的所述条件概率，从所述多个事件信息中确定出多组所述第一事件和第二事件的步骤包括：
将所述条件概率为1的两件所述事件信息作为一组所述第一事件和第二事件。
4.根据权利要求1所述的基于知识库的知识推理方法，其特征在于，所述推理规则包括判定条件及推导结果生成规则，所述基于所述知识库中的所述约束集，利用预设的推理规则进行处理的步骤包括：
遍历每一个所述约束集，以获取所述知识库中满足所述判定条件的目标事件；
根据所述目标事件，结合所述推导结果生成规则，生成所述推导知识。
5.一种基于知识库的知识推理装置，其特征在于，所述基于知识库的知识推理装置包括：
获取模块，用于获取多个事件信息；
生成模块，用于基于所述多个事件信息，生成作为知识库基本单元的约束集，其中，所述约束集包括所述多个事件信息中的第一事件、第二事件及所述第一事件与第二事件之间的条件概率；所述第一事件与第二事件之间的条件概率满足预设要求；
推导模块，用于基于所述知识库中的所述约束集，利用预设的推理规则进行处理，以得到推导知识。
6.根据权利要求5所述的基于知识库的知识推理装置，其特征在于，所述生成模块包括：
获取子模块，用于获取任意两件所述事件信息之间的所述条件概率；
确定子模块，用于基于获取的所述条件概率，从所述多个事件信息中确定出多组所述第一事件和第二事件；
生成子模块，用于依次将确定出的每一组所述第一事件和第二事件，生成对应的所述约束集。
7.根据权利要求6所述的基于知识库的知识推理装置，其特征在于，所述确定子模块还用于：将所述条件概率为1的两件所述事件信息作为一组所述第一事件和第二事件。
8.根据权利要求5所述的基于知识库的知识推理装置，其特征在于，所述推理规则包括判定条件及推导结果生成规则，所述推导模块包括：
遍历子模块，用于遍历每一个所述约束集，以获取所述知识库中满足所述判定条件的目标事件；
推导子模块，根据所述目标事件，结合所述推导结果生成规则，生成所述推导知识。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现权利要求1-4任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911269943.3A CN110969252A (zh) | 2019-12-11 | 2019-12-11 | 基于知识库的知识推理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911269943.3A CN110969252A (zh) | 2019-12-11 | 2019-12-11 | 基于知识库的知识推理方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110969252A true CN110969252A (zh) | 2020-04-07 |
Family
ID=70033858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911269943.3A Pending CN110969252A (zh) | 2019-12-11 | 2019-12-11 | 基于知识库的知识推理方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969252A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163413A (zh) * | 2020-10-26 | 2021-01-01 | 北京明略软件系统有限公司 | 告警事件规则的解析方法、装置、电子设备及存储介质 |
| CN112529186A (zh) * | 2021-02-18 | 2021-03-19 | 中国科学院自动化研究所 | 嵌入领域规则的工业过程优化决策知识推理方法 |
| CN113822430A (zh) * | 2020-12-28 | 2021-12-21 | 京东科技控股股份有限公司 | 事件的推理方法、装置、计算机设备和存储介质 |
| CN116361399A (zh) * | 2023-03-13 | 2023-06-30 | 北京百度网讯科技有限公司 | 知识推理方法、装置、设备和介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1750221A1 (en) * | 2005-07-14 | 2007-02-07 | The Boeing Company | System, method, and computer program to predict the likelihood, the extent, and the time of an event or change occurrence using a combination of cognitive causal models with reasoning and text processing for knowledge driven decision support |
| CN101093559A (zh) * | 2007-06-12 | 2007-12-26 | 北京科技大学 | 一种基于知识发现的专家系统构造方法 |
| CN103500208A (zh) * | 2013-09-30 | 2014-01-08 | 中国科学院自动化研究所 | 结合知识库的深层数据处理方法和系统 |
-
2019
- 2019-12-11 CN CN201911269943.3A patent/CN110969252A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1750221A1 (en) * | 2005-07-14 | 2007-02-07 | The Boeing Company | System, method, and computer program to predict the likelihood, the extent, and the time of an event or change occurrence using a combination of cognitive causal models with reasoning and text processing for knowledge driven decision support |
| CN101093559A (zh) * | 2007-06-12 | 2007-12-26 | 北京科技大学 | 一种基于知识发现的专家系统构造方法 |
| CN103500208A (zh) * | 2013-09-30 | 2014-01-08 | 中国科学院自动化研究所 | 结合知识库的深层数据处理方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| KAIBO XU 等: "Defining the notion of Information Content and reasoning about it in a database" * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163413A (zh) * | 2020-10-26 | 2021-01-01 | 北京明略软件系统有限公司 | 告警事件规则的解析方法、装置、电子设备及存储介质 |
| CN112163413B (zh) * | 2020-10-26 | 2024-02-02 | 青岛明略软件技术开发有限公司 | 告警事件规则的解析方法、装置、电子设备及存储介质 |
| CN113822430A (zh) * | 2020-12-28 | 2021-12-21 | 京东科技控股股份有限公司 | 事件的推理方法、装置、计算机设备和存储介质 |
| CN112529186A (zh) * | 2021-02-18 | 2021-03-19 | 中国科学院自动化研究所 | 嵌入领域规则的工业过程优化决策知识推理方法 |
| CN112529186B (zh) * | 2021-02-18 | 2021-06-08 | 中国科学院自动化研究所 | 嵌入领域规则的工业过程优化决策知识推理方法 |
| CN116361399A (zh) * | 2023-03-13 | 2023-06-30 | 北京百度网讯科技有限公司 | 知识推理方法、装置、设备和介质 |
| CN116361399B (zh) * | 2023-03-13 | 2024-04-02 | 北京百度网讯科技有限公司 | 知识推理方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110969252A (zh) | 基于知识库的知识推理方法、装置及电子设备 | |
| Chen et al. | Contextual community search over large social networks | |
| Mayfield et al. | ERACER: a database approach for statistical inference and data cleaning | |
| Cao et al. | Whom to ask? jury selection for decision making tasks on micro-blog services | |
| Dejaeger et al. | Toward comprehensible software fault prediction models using bayesian network classifiers | |
| Balabdaoui et al. | Asymptotics of the discrete log-concave maximum likelihood estimator and related applications | |
| Chivatá Cárdenas | On the use of Bayesian networks as a meta-modelling approach to analyse uncertainties in slope stability analysis | |
| Duan et al. | Efficient heuristics for learning Bayesian network from labeled and unlabeled data | |
| CN111709714A (zh) | 基于人工智能的流失人员预测方法和装置 | |
| Assaad et al. | Entropy-based discovery of summary causal graphs in time series | |
| Trabelsi | New structure learning algorithms and evaluation methods for large dynamic Bayesian networks | |
| Pandey et al. | Association rules network: Definition and applications | |
| Wang et al. | Optimizing the topology of Bayesian network classifiers by applying conditional entropy to mine causal relationships between attributes | |
| Chen et al. | LFGCN: Levitating over graphs with levy flights | |
| Todoran et al. | Information quality evaluation in fusion systems | |
| Merhej et al. | Repairing inconsistent answer set programs using rules of thumb: A gene regulatory networks case study | |
| Rachmawan et al. | Optimization of missing value imputation using reinforcement programming | |
| Rantanen et al. | Learning optimal causal graphs with exact search | |
| Omori et al. | Comparing concept drift detection with process mining tools | |
| Estrada-Padilla et al. | Modeling and Optimizing the Multi-Objective Portfolio Optimization Problem with Trapezoidal Fuzzy Parameters | |
| CN115564410A (zh) | 一种继电保护设备的状态监测方法及装置 | |
| Trabelsi et al. | Benchmarking dynamic Bayesian network structure learning algorithms | |
| Huh et al. | Multi-agent Reinforcement Learning: A Comprehensive Survey | |
| Wright et al. | Bayesian networks, total variation and robustness | |
| Baier et al. | On the Foundations of Cycles in Bayesian Networks |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200407 |
|
| WD01 | Invention patent application deemed withdrawn after publication |