CN111159249A - 基于知识图谱的目标识别方法、装置、系统、存储介质 - Google Patents

Abstract

本发明公开了一种基于知识图谱的目标识别方法、装置、系统、存储介质，其中方法包括：对目标识别过程进行分析，分析目标识别过程中基于不同维度的目标之间内在关系；根据不同维度的目标之间内在关系获取目标数据；对非结构化数据进行自然语言处理，并对自然语言处理后的非结构化数据及半结构化数据利用机器学习算法进行处理，对结构化数据以及非结构化数据和半结构化数据进行数据转换，获得待处理数据；对待处理数据利用机器学习算法进行知识抽取以及知识融合，获取知识图谱，并将获取的知识图谱存储于图数据库；基于知识图谱通过构建智能推理模型识别目标。本发明采用基于知识图谱的目标识别方法，在较短的时间内准确的完成目标的识别。

Description

基于知识图谱的目标识别方法、装置、系统、存储介质

技术领域

本发明涉及目标识别技术领域，尤其涉及一种基于知识图谱的目标识别方法、装置、系统、存储介质。

背景技术

知识图谱是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互关系。

目标识别在目标追踪过程中起着非常关键的作用，是指挥员指挥判断的依据，影响到人力分配、时机把握和追踪结果，历次追踪中也存在逃脱的结果。为了提高目标识别的能力，目标识别技术正在向智能化方向发展。

目前，对于目标识别的研究方法包括：基于模糊神经网络的识别方法、基于置信规则库的识别方法、基于多特征判别的识别方法。基于模糊神经网络的识别方法，该方法通过目标和目标属性构建训练样本，训练神经网络得到不同目标对应的输出函数和条件模糊隶属度函数，利用输出函数和隶属度函数构建目标识别模型，完成目标的识别，该方法识别目标所用的时间较长，存在识别效率低的问题。基于置信规则库的目标识别方法，该方法将置信规则库识别模型应用到目标的识别中，构建参数优化模型，将差分进化算法引入置信规则库识别模型中结合专家意见完成目标的识别，该方法得到的识别结果与实际不符，存在识别准确率低的问题。基于多特征判别的目标识别方法，该方法通过采集监控视频信息、目标种类、目标位置、目标状态等信息，利用多特征融合方法融合上述信息，确定目标位置和身份，完成目标识别，该方法融合信息的过程中易出现差错，存在识别准确率低的问题。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种基于知识图谱的目标识别方法，在较短的时间内准确的完成目标的识别。

本发明所采用的技术方案是：

第一方面，本发明提供一种基于知识图谱的目标识别方法，包括：

对目标识别过程进行分析，分析所述目标识别过程中基于不同维度的所述目标之间内在关系；根据所述不同维度的所述目标之间内在关系获取目标数据，所述目标数据包括：非结构化数据、半结构化数据以及结构化数据；对所述非结构化数据进行自然语言处理，并对所述自然语言处理后的所述非结构化数据及所述半结构化数据利用机器学习算法进行处理，对所述结构化数据以及利用所述机器学习算法处理后的所述非结构化数据和所述半结构化数据进行数据转换，获得待处理数据；对所述待处理数据利用所述机器学习算法进行知识抽取以及知识融合，获取所述目标识别对应的知识图谱，并将处理后的所述目标数据存储于图数据库；基于所述知识图谱通过构建智能推理模型识别目标。

进一步地，所述不同维度包括时空维度、实体维度、事件维度。

进一步地，所述获取目标数据包括从出入记录、监控记录、档案信息、车程信息自动抽取所述目标数据。

进一步地，所述对所述非结构化数据进行自然语言处理包括通过数据处理算法和数据挖掘算法进行处理，所述数据处理算法包括：分词算法、词性标注算法、句法分析算法、命名实体识别算法、文本聚类算法和文本分类算法，所述数据挖掘算法包括：频繁项挖掘算法。

进一步地，所述智能推理模型包括：推理应用层、多智能推理层、推理算法层，所述推理应用层包括：追踪、分析报告、问答；所述多智能推理层包括：基于所述不同维度的若干推理智能体、综合识别推理智能体。

进一步地，所述综合识别推理智能体用于根据所述若干智能推理体的推理结果和所述关系信息直接或间接的给出所述目标多种预测的选项和相应的可信度。

进一步地，还包括对于所述知识图谱更新，将当前新产生的所述目标识别知识存储入所述知识图谱中，所述存储的过程中需进行知识冲突检测，并通过知识比对避免存储重复或冗余的知识。

本发明还提供了一种基于知识图谱的目标识别装置，包括：

分析模块：对目标识别过程进行分析，分析所述目标识别过程中基于不同维度的所述目标之间内在关系；获取模块：根据所述不同维度的所述目标之间内在关系获取所述目标数据，所述目标数据包括：非结构化数据、半结构化数据以及结构化数据；处理模块：对所述非结构化数据进行自然语言处理，并对所述自然语言处理后的所述非结构化数据及所述半结构化数据利用机器学习算法进行处理，对所述结构化数据以及利用所述机器学习算法处理后的所述非结构化数据和所述半结构化数据进行数据转换，获得待处理数据；构建模块：对所述待处理数据利用所述机器学习算法进行知识抽取以及知识融合，获取所述目标识别对应的知识图谱，并将处理后的所述目标数据存储于图数据库；识别模块：基于所述知识图谱通过构建智能推理模型识别目标。

本发明还提供了一种基于知识图谱的目标识别系统，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现前述的方法。

本发明还提供了一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行前述的方法。

本发明的有益效果是：

本发明提出一种基于知识图谱的目标识别方法，先利用知识图谱和图数据库技术构建关于基于不同维度的目标之间内在关系的知识图谱，再构建多个基于不同维度的若干推理智能体和综合智能推理体，在较短的时间内准确的完成目标的识别。

附图说明

图1是本发明一种基于知识图谱的目标识别方法实施例的流程示意图；

图2是本发明一种基于知识图谱的目标识别装置实施例的模块结构图；

图3是本发明一种基于知识图谱的目标识别系统实施例的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。

目前，对于目标识别的研究方法包括：基于模糊神经网络的识别方法、基于置信规则库的识别方法、基于多特征判别的识别方法，对于这些研究方法存在识别效率低、识别准确率低等问题。

在本发明实施例中，针对上述问题，提出了一种基于知识图谱的目标识别方法，旨在更好地解决目标识别识别效率低、识别准确率低等问题，在较短的时间内准确的完成目标的识别。

参见图1，其示出了一种基于知识图谱的目标识别方法流程示意图；

步骤101：对目标识别过程进行分析，分析所述目标识别过程中基于不同维度的所述目标之间内在关系；

步骤102：根据不同维度的目标之间内在关系获取所述目标数据，目标数据包括：非结构化数据、半结构化数据以及结构化数据；

步骤103：对非结构化数据进行自然语言处理，并对自然语言处理后的非结构化数据及半结构化数据利用机器学习算法进行处理，对结构化数据以及利用机器学习算法处理后的非结构化数据和半结构化数据进行数据转换，获得待处理数据；

步骤104：对待处理数据利用机器学习算法进行知识抽取以及知识融合，获取目标识别对应的知识图谱，并将获取的知识图谱存储于图数据库；

步骤105：基于知识图谱通过构建智能推理模型识别目标。

其中，步骤101包括：对目标识别过程进行分析，分析目标识别过程中基于不同维度的目标之间内在关系，目标识别包括目标和识别规则，目标包括：飞机、车辆等平台类目标、人员、动物等实体类目标，识别规则为活动规律等，每个实体具有属性，属性为用于智能识别的特征参数，如飞机实体有最大飞行速度、最小飞行速度、巡航高度等，人员实体有身高、重量、年龄等。分析目标识别过程基于不同维度的目标之间内在关系，不同维度包括时空维度、实体维度、事件维度，实体之间还需进行内在关系分析，实体之间有装载、停靠、降落等关系，如机场与飞机之间存在降落关系，人员与汽车之间存在装载关系。

步骤102包括：根据不同维度的目标之间内在关系获取目标数据，包括：从出入记录、监控记录、档案信息、车程信息自动抽取目标数据，对不同来源的数据进行整合、消歧、排除冲突等，这些数据可能来自结构化数据来源、半结构化数据来源、非结构化数据来源。

步骤103包括：对非结构化数据进行自然语言处理，并对自然语言处理后的非结构化数据及半结构化数据利用机器学习算法进行处理，首先进行格式清洗，去除数据中包含的噪声信息，如广告；然后进行自动重排和自动分类，并把数据转换成符合的格式；接下来，对这些信息通过数据处理算法进行通用的文本处理，数据处理算法包括分词算法、词性标注算法、句法分析算法、命名实体识别算法、聚类算法和分类算法等，为后续的深度数据分析和数据挖掘提供基础，数据挖掘算法包括：频繁项挖掘算法。

步骤104包括：对待处理数据利用机器学习算法进行知识抽取以及知识融合，知识融合包括：实体对齐、实体消歧、知识合并，如利用关系数据库中数据构建知识图谱的过程，通过表的记录、列值、外键等信息可构建知识图谱中实体、属性值、实体间关系等各要素，也可以通过知识抽取工具，从资料中自动抽取知识信息，建立若干条知识整合规则，在人工参与条件下进行知识整合，构建知识图谱。构建的知识图谱存储在图数据库中，具有高性能、可扩展和灵活性等优点，查询时不需要查询完整图且查询时间与遍历图的规模成正比，可以在不干扰现有数据查询和功能正常运转的情况下添加所需的节点、关系甚至子图，还可以通过图数据模型与应用程序无缝结合。图数据库包括Nero4J、Virtuoso、FlockDB、OrientDB等。

步骤105包括：智能推理模型包括：推理应用层、多智能推理层、推理算法层，推理应用层包括：搜索、追踪、分析报告、问答；多智能推理层包括：基于不同维度的若干推理智能体、综合识别推理智能体。若干推理智能体包括：基于活动规律推理智能体、基于机场车站知识的推理智能体、基于档案信息的推理智能体等。推理智能体推理相应过程时调用相应的推理相似度算法。智能识别推理过程，根据目标的时空信息，事件信息和其他信息分别触发相应的智能体进行推理，对于时空信息，触发基于活动规律推理智能体和基于位置信息推理智能体等时空域知识智能推理，以及基于机场车站出入记录的推理智能体等实体域知识智能推理体。在多推理智能体进行识别的基础上，通过综合识别推理智能体结合知识图谱中关系信息，可以直接或间接给出目标多种可能的选项及相应的信度，更好地实现目标识别的判断。利用多推理智能体和综合识别智能体的结合，可以识别出信度最高的选项，更好地实现目标识别的判断，实现进一步的目标智能识别推理。

本发明还提供了另一个实施例，应用于一种比较具体的仿真应用场景，应用场景如下：有3个机场A1、A2、A3；有活动规律有L1、L2、L3，分别对应目标B1、B2、B3；出入记录P1、P2，分别对应目标B1、B2；一目标从机场A2起飞，经过一段时间航行后降落于机场A3。

根据以上的仿真应用场景描述，可以构建相应的知识图谱。本体有B1/B2/B3等：实体有机场A1/A2/A3、活动规律L1/L2/L3、出入记录P1/P2等；关系有降落、装载等；至于各实体、实体的属性参数，就不在此一一描述。利用构建的知识图谱，可以直接用于回答面向目标识别的有关机场、出入记录、活动规律等情况，尤其是它们之间的多种关系情况。

结合若干推理智能体，可以推算出相应的归一化相似度，再利用综合推理智能体，可以识别推理出信度最高的目标选项为B2。

基于知识图谱的目标识别方法所用的时间远远小于基于模糊神经网络的目标识别方法和基于多特征判别的目标识别方法所用的时间，因为该方法在识别目标之前，对采集得到的数据做了去噪处理和归一化处理，去除噪声信号对识别过程中造成的影响，缩短了识别目标所用的时间，提高了基于知识图谱的目标识别方法的识别效率。

采用基于知识图谱的目标识别方法得到的识别准确率高于基于模糊神经网络的目标识别方法和基于多特征判别的目标识别方法的识别准确率，因为以上两种方法采用的关系型数据库具有查询困难、字段多、关联复杂和高耦合等缺点，基于知识图谱的目标识别方法采用具有可动态变化数据模式、注重语义表达、高效查询、关联清晰和机器可理解等优点，提高了方法的识别准确度。

目标识别存在很强的对抗性、欺骗性和隐蔽性，在目标追踪过程中具有重要意义。

当前目标识别方法存在识别效率低和识别准确率低的问题，本发明提出基于知识图谱的目标识别方法，可在较短的时间内准确的完成目标的识别，解决了当前识别方法中存在的问题。

本发明还提供了另一个实施例，还包括对于获取的知识图谱更新，将当前新产生的目标识别知识存储入知识图谱中，存储的过程中需进行知识冲突检测，并通过知识比对避免存储重复或冗余的知识。

参见图2，本发明示出了一种基于知识图谱的目标识别装置的模块结构图，

分析模块201：对目标识别过程进行分析，分析目标识别过程中基于不同维度的目标之间内在关系；

获取模块202：根据不同维度的目标之间内在关系获取所述目标数据，目标数据包括：非结构化数据、半结构化数据以及结构化数据；

处理模块203：对非结构化数据进行自然语言处理，并对自然语言处理后的非结构化数据及半结构化数据利用机器学习算法进行处理，对结构化数据以及利用机器学习算法处理后的非结构化数据和半结构化数据进行数据转换，获得待处理数据；

构建模块204：对待处理数据利用机器学习算法进行知识抽取以及知识融合，获取目标识别对应的知识图谱，并将获取的知识图谱存储于图数据库；

识别模块205：基于知识图谱通过构建智能推理模型识别目标。

一种基于知识图谱的目标识别装置，先利用知识图谱和图数据库技术构建关于基于不同维度的目标之间内在关系的知识图谱，再构建多个基于不同维度的若干推理智能体，推理智能体具有领域知识推理能力，并通过综合识别推理智能体进行目标智能综合识别推理，可在较短的时间内准确的完成目标的识别，解决了目前识别方法中存在的问题。

本发明实施例还提供一种基于知识图谱的目标识别系统，如图3所示，其示出了本发明实施例所涉及的系统的结构示意图，具体来讲：

该系统可以包括一个或者一个以上处理核心的处理器301、一个或一个以上计算机可读存储介质的存储器302、电源303和输入单元304等部件。本领域技术人员可以理解，图3中示出的系统结构并不构成对系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器301是该系统的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器302内的软件程序和/或模块，以及调用存储在存储器302内的数据，执行系统的各种功能和处理数据。

存储器302可用于存储软件程序以及模块，处理器301通过运行存储在存储器302的软件程序以及模块，从而执行各种功能应用以及数据处理。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器302还可以包括存储器控制器，以提供处理器处理程序。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个模块、装置、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于知识图谱的目标识别方法，其特征在于，包括：

对目标识别过程进行分析，分析所述目标识别过程中基于不同维度的所述目标之间内在关系；

根据所述不同维度的所述目标之间内在关系获取目标数据，所述目标数据包括：非结构化数据、半结构化数据以及结构化数据；

对所述非结构化数据进行自然语言处理，并对所述自然语言处理后的所述非结构化数据及所述半结构化数据利用机器学习算法进行处理，对所述结构化数据以及利用所述机器学习算法处理后的所述非结构化数据和所述半结构化数据进行数据转换，获得待处理数据；

对所述待处理数据利用所述机器学习算法进行知识抽取以及知识融合，获取所述目标识别对应的知识图谱，并将获取的所述知识图谱存储于图数据库；

基于所述知识图谱通过构建智能推理模型识别目标。

2.根据权利要求1所述的基于知识图谱的目标识别方法，其特征在于，所述不同维度包括时空维度、实体维度、事件维度。

3.根据权利要求1所述的基于知识图谱的目标识别方法，其特征在于，所述获取目标数据包括从出入记录、监控记录、档案信息、车程信息自动抽取所述目标数据。

4.根据权利要求1所述的基于知识图谱的目标识别方法，其特征在于，所述对所述非结构化数据进行自然语言处理包括通过数据处理算法和数据挖掘算法进行处理，所述数据处理算法包括：分词算法、词性标注算法、句法分析算法、命名实体识别算法、文本聚类算法和文本分类算法，所述数据挖掘算法包括：频繁项挖掘算法。

5.根据权利要求1所述的基于知识图谱的目标识别方法，其特征在于，所述智能推理模型包括：推理应用层、多智能推理层、推理算法层，所述推理应用层包括：追踪、分析报告、问答；所述多智能推理层包括：基于所述不同维度的若干推理智能体、综合识别推理智能体。

6.根据权利要求5所述的基于知识图谱的目标识别方法，其特征在于，所述综合识别推理智能体用于根据所述若干智能推理体的推理结果和所述关系信息直接或间接的给出所述目标多种预测的选项和相应的可信度。

7.根据权利要求1所述的基于知识图谱的目标识别方法，其特征在于，还包括对于所述知识图谱更新，将当前新产生的所述目标识别知识存储入所述知识图谱中，所述存储的过程中需进行知识冲突检测，并通过知识比对避免存储重复或冗余的知识。

8.一种基于知识图谱的目标识别装置，其特征在于，包括：

分析模块：对目标识别过程进行分析，分析所述目标识别过程中基于不同维度的所述目标之间内在关系；

获取模块：根据所述不同维度的所述目标之间内在关系获取所述目标数据，所述目标数据包括：非结构化数据、半结构化数据以及结构化数据；

处理模块：对所述非结构化数据进行自然语言处理，并对所述自然语言处理后的所述非结构化数据及所述半结构化数据利用机器学习算法进行处理，对所述结构化数据以及利用所述机器学习算法处理后的所述非结构化数据和所述半结构化数据进行数据转换，获得待处理数据；

构建模块：对所述待处理数据利用所述机器学习算法进行知识抽取以及知识融合，获取所述目标识别对应的知识图谱，并将获取的所述知识图谱存储于图数据库；

识别模块：基于所述知识图谱通过构建智能推理模型识别目标。

9.一种基于知识图谱的目标识别系统，其特征在于，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。

10.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行如权利要求1-7任一项所述的方法。

Images