CN111368021A - 基于知识网络的智能决策方法及装置、终端、存储介质 - Google Patents
基于知识网络的智能决策方法及装置、终端、存储介质 Download PDFInfo
- Publication number
- CN111368021A CN111368021A CN202010116875.3A CN202010116875A CN111368021A CN 111368021 A CN111368021 A CN 111368021A CN 202010116875 A CN202010116875 A CN 202010116875A CN 111368021 A CN111368021 A CN 111368021A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- data
- expression
- network
- decision
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06N5/041—Abduction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于知识网络的智能决策方法及装置、终端、存储介质,其中方法主要包括:基于认知层的知识联邦对源知识数据进行知识表达,其中源知识数据为参与知识网络构建的参与方提供的知识数据;根据各参与方对应的知识表达形成不同领域的知识图谱库,知识图谱库中的知识图谱构成知识网络;当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达的提取,并根据知识表达的结果在知识网络中确定最终的决策结果。采用本发明,可以为智能决策提供更加全面的决策依据,减小“感知智能”和“认知智能”之间的差距。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于知识网络的智能决策方法及装置、终端、存储介质。
背景技术
智能决策是人工智能、专家系统等技术结合的产物,基于人类的先验知识,挖掘大数据中隐藏的、先前未知,并具有一定价值的信息。然而现有的智能决策系统,大部分是基于专家定义的规则来帮助完成复杂决策问题的求解。
目前,智能决策还停留在基于专家定义规则的“运算智能”和基于计算机视觉、自然语言处理的“感知智能”阶段;和强人工智能所具备的、可与人类比拟的“认知智能”还存在着一定的差距。
发明内容
本发明实施例提供一种基于知识网络的智能决策方法及装置、终端、存储介质,可以为智能决策提供更加全面的决策依据,减小“感知智能”和“认知智能”之间的差距。
本发明实施例第一方面提供了一种基于知识网络的智能决策方法,可包括:
基于认知层的知识联邦对源知识数据进行知识表达,所述源知识数据为参与知识网络构建的参与方提供的知识数据;
根据各参与方对应的知识表达形成不同领域的知识图谱库,所述知识图谱库中的知识图谱构成知识网络;
当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达的提取,并根据知识表达的结果在所述知识网络中确定最终的决策结果。
进一步的,所述方法还包括:
对不同领域的知识图谱进行逻辑推理得到新知识,更新所述知识图谱库中的知识。
进一步的,所述方法还包括:
根据外界反馈的知识数据对所述知识图谱库中的知识进行更新。
进一步的,基于认知层的知识联邦对源知识数据进行知识表达,包括:
基于深度神经网络获取各参与方的源知识数据对应的局部特征向量;
基于全局模型对各局部特征向量进行集成学习,形成所述源知识数据的全局知识表达。
进一步的,基于深度神经网络获取各参与方的源知识数据对应的局部特征向量,包括:
基于深度神经网络对各参与方的源知识数据进行学习,将模型学习中的高层抽象的特征表达或最后一层全连接层作为所述源知识数据的局部特征向量。
进一步的,根据各参与方对应的知识表达形成不同领域的知识图谱库,包括:
对各参与方的知识表达进行集成或多模态融合,形成不同领域的知识图谱库。
进一步的,根据知识表达的结果在所述知识网络中确定最终的决策结果,包括:
根据知识表达的结果从所述知识图谱库中匹配出最相近的topK个领域的知识图谱;
在所述知识网中计算topK个领域的知识图谱的加权值,根据所述加权值确定所述待决策数据对应的决策结果。
本发明实施例第二方面提供了一种基于知识网络的智能决策装置,可包括:
知识表达模块,用于基于认知层的知识联邦对源知识数据进行知识表达,所述源知识数据为参与知识网络构建的参与方提供的知识数据;
图谱库形成模块,用于根据各参与方对应的知识表达形成不同领域的知识图谱库,所述知识图谱库中的知识图谱构成知识网络;
智能决策模块,用于当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达,并根据知识表达的结果在所述知识网络中确定最终的决策结果。
进一步的,所述装置还包括:
图谱库更新模块,用于对不同领域的知识图谱进行逻辑推理得到新知识,更新所述知识图谱库中的知识。
进一步的,所述图谱库更新模块还用于根据外界反馈的知识数据对所述知识图谱库中的知识进行更新。
进一步的,所述知识表达模块包括:
特征向量获取单元,用于基于深度神经网络获取各参与方的源知识数据对应的局部特征向量;
知识表达形成单元,用于基于全局模型对各局部特征向量进行集成学习,形成所述源知识数据的全局知识表达。
进一步的,所述特征向量获取单元,具体用于基于深度神经网络对各参与方的源知识数据进行学习,将模型学习中的高层抽象的特征表达或最后一层全连接层作为所述源知识数据的局部特征向量。
进一步的,所述图谱库形成模块具体用于,对各参与方的知识表达进行集成或多模态融合,形成不同领域的知识图谱库。
进一步的,所述智能决策模块包括:
知识表达单元,用于当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达;
相近图谱匹配单元,用于根据知识表达的结果从所述知识图谱库中匹配出最相近的topK个领域的知识图谱;
决策结果确定单元,用于在所述知识网中计算topK个领域的知识图谱的加权值,根据所述加权值确定所述待决策数据对应的决策结果。
本发明实施例第三方面提供了一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行以下步骤:
基于认知层的知识联邦对源知识数据进行知识表达,所述源知识数据为参与知识网络构建的参与方提供的知识数据;
根据各参与方对应的知识表达形成不同领域的知识图谱库,所述知识图谱库中的知识图谱构成知识网络;
当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达的提取,并根据知识表达的结果在所述知识网络中确定最终的决策结果。
本发明实施例第四方面提供了一种终端,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行以下步骤:
基于认知层的知识联邦对源知识数据进行知识表达,所述源知识数据为参与知识网络构建的参与方提供的知识数据;
根据各参与方对应的知识表达形成不同领域的知识图谱库,所述知识图谱库中的知识图谱构成知识网络;
当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达的提取,并根据知识表达的结果在所述知识网络中确定最终的决策结果。
本发明的有益效果:通过对各参与方提供的异构或非异构数据构进行归纳、总结和推理,形成知识图谱库,实现了安全的知识共创和共享;同时,通过不断更新的知识图谱库,使得由知识图谱库形成的知识网络既可适应领域内的知识更新,又可快速迁移到领域外知识,为最终的智能决策提供了更加全面的决策依据,从而减小了“感知智能”和“认知智能”之间的差距。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是本发明实施例提供的一种基于知识网络的智能决策方法的流程示意图;
图2是本发明实施例提供的另一种基于知识网络的智能决策方法的流程示意图;
图3是本发明实施例提供的知识表达过程示意图;
图4是本发明实施例提供的知识网络构建过程示意图;
图5是本发明实施例提供的一种基于知识网络的智能决策装置的结构示意图;
图6是本发明实施例提供的知识表达模块的结构示意图;
图7是本发明实施例提供的智能决策模块的结构示意图;
图8是本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
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组合。下面将参考附图并结合实施例来详细说明本申请。
本发明实施例涉及的终端可以是大型计算机、PC机、平板电脑、掌上电脑以及移动互联网设备(MID)等其他具备数据处理能力的终端设备。
在本申请实施例中,将参与知识网络构建的数据提供方成为参与方,参与方提供的数据称为源知识数据。
如图1所示,在本申请的第一个实施例中,基于知识网络的智能决策方法至少包括以下步骤:
S101,基于认知层的知识联邦对源知识数据进行知识表达。
需要说明的是,各参与方提供的源知识数据可以包括同构数据和/或异构数据也就是结构化的或者非结构化的数据。其中,非结构化的数据可以包括文档、文本、图片、音频/视频信息等。
特别的,知识联邦主要是通过数据层、模型层、认知层和知识层全方位的保护数据隐私和个人信息隐私,同时又能达到开放共享的目的。具体而言,在数据层,通过安全的多方计算,信息层做出一些决策;在模型层,模型可以加密,模型互相之间又产生一些共享知识;在认知层,通过模型特征提取一个中间层的特征,进行联邦学习;在知识层,基于数据层、模型层和认知层形成的共享知识,使知识可以在知识网络中流动,从而推理产生新的知识。例如,运营商A和运营商B之间存在一些信息壁垒,通过认知层的知识联邦可以进行共享,以便对用户的情况做出更准确的判断。
进一步的,基于认知层知识联邦的知识表达,可以理解为各参与方的局部特征向量(即通过模型特征提取的一个中间层的特征)将粗粒度认知(或者叫元知识,metaknowledge)集成在一起,逐渐产生精细粒度认知(或者叫全局知识,global knowledge)的过程。
S102,根据各参与方对应的知识表达形成不同领域的知识图谱库。
需要说明的是,通过基于认知层的知识联邦,各参与方得到了本地的知识表达,而服务方即后台服务器得到了全局知识表达,并将全局知识表达作为知识存储在知识库中。为确保对不同领域或者机构的知识库中的知识进行追踪和反演,需要分别对每种来源的知识库构建领域/机构的知识图谱。不同来源的知识图谱存储在知识图谱库中。随着参与知识联邦成员的增加,知识图谱库也会不断丰富起来。
特别的,知识网络是构建在知识图谱之上的,可以看作是各种各样知识构成的网络,网络中的每个节点代表了某个具体领域或者机构中的相关知识。这样,知识可以在网络中进行流动,并且通过知识融合或推理,能够挖掘出更复杂和具有价值的新知识。可选的,终端也可以获取外界反馈的新知识。通过各种新知识不断更新知识图谱库中的知识图谱,为智能决策提供了更好的依据。
S103,当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达,并根据知识表达的结果在知识网络中确定最终的决策结果。
可以理解的是,各参与方均可以发起决策,当前发起决策的参与方成为目标参与方。目标参与方发起的决策请求可以携带待决策的知识数据即待决策数据。
具体实现中,可以对待决策数据进行知识知识表达的提取,该提取过程可以是基于认知层的知识联邦的知识表达,也可以采用其他手段进行知识表达的提取。进一步的,可以根据知识表达的结果从当前更新后的知识图谱库中匹配出相近的topK个领域的知识图谱,然后在知识网络中计算topK个知识图谱的加权值,进而根据该加权值确定最终的智能决策结果。
在本发明实施例中,通过对各参与方提供的异构或非异构数据构进行归纳、总结和推理,形成知识图谱库,实现了安全的知识共创和共享;同时,通过不断更新的知识图谱库,使得由知识图谱库形成的知识网络既可适应领域内的知识更新,又可快速迁移到领域外知识,为最终的智能决策提供了更加全面的决策依据,从而减小了“感知智能”和“认知智能”之间的差距。
如图2所示,在本申请的第二个实施例中,基于知识网络的智能决策方法至少包括以下步骤:
S201,基于深度神经网络获取各参与方的源知识数据对应的局部特征向量。
需要说明的是,基于认知层的知识联邦的知识表达的过程如图3所示,主要是将各参与方的局部特征向量进行加密,上传至服务方进行集成学习的过程,在图3所示的知识表达中,各参与方的局部特征向量是深度神经网络模型(Deep Neural Networks,DNN)中的嵌入层。
在一种可选的实现方式中,源知识数据即各参与方的局部特征向量还可以是各本地深度神经网络模型中高层抽象的特征表达或最后一层全连接层。而服务方的集成学习可以是一个基于各参与方局部特征作为输入构成的全局模型。
S202,基于全局模型对各局部特征向量进行集成学习,形成源知识数据的全局知识表达。
需要说明的是,全局模型可以是DNN模型,也可以是机器学习中的任何一种分类模型(如:支持向量机(SVM)、随机森林(RF),随机梯度下降树(GBDT) 等)。输入全局模型的局部特征向量为加密后的特征向量,该全局模型的训练过程和本地的DNN模型存在交互,直至全局模型收敛,可形成源知识数据的全局知识表达。
S203,对各参与方的知识表达进行集成或多模态融合,形成不同领域的知识图谱库。
S204,对不同领域的知识图谱进行逻辑推理得到新知识,更新知识图谱库中的知识。
在一种可选的实现方式中,也可以根据外界反馈更新知识图谱库中的知识。
S205,当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达的提取。
S206,根据知识表达的结果从知识图谱库中匹配出最相近的topK个领域的知识图谱。
S207,在知识网中计算topK个领域的知识图谱的加权值,根据加权值确定待决策数据对应的决策结果。
在本发明实施例中,通过对各参与方提供的异构或非异构数据构进行归纳、总结和推理,形成知识图谱库,实现了安全的知识共创和共享;同时,通过不断更新的知识图谱库,使得由知识图谱库形成的知识网络既可适应领域内的知识更新,又可快速迁移到领域外知识,为最终的智能决策提供了更加全面的决策依据,从而减小了“感知智能”和“认知智能”之间的差距。
在本申请的第三个实施例中,知识网络的构建过程如图4所示,主要包括以下过程:
知识表达:
具体实例中,知识表达是对参与方A和参与方B分别提供的结构化或非结构化数据进行基于深度神经网络的知识建模,完成数据的抽象、知识的表示的过程。
知识图谱库的构建:
需要说明的是,基于各参与方的知识表达形成的知识图谱库涵盖了领域A、领域B……领域M等多种领域的知识。各领域的知识间流动、融合或经推理后产生新的知识,再加上外界反馈的知识,可以不断对知识图谱库中的知识进行更新。
知识网络形成:
最终,由知识图谱库中各领域的知识构成的知识网络不仅包含各种知识也包含各知识间的逻辑关系。
需要说明的是,本实施例形成的知识网络能为知识决策提供更好的决策依据。
下面将结合附图5-附图7,对本发明实施例提供的基于知识网络的智能决策装置进行详细介绍。需要说明的是,附图4-附图7所示的智能决策装置,用于执行本发明图1-图4所示实施例的方法,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明图1-图4所示的实施例。
请参见图5,为本发明实施例提供了一种基于知识网络的智能决策装置的结构示意图。如图5所示,本发明实施例的所述智能决策装置10可以包括:知识表达模块101、图谱库形成模块102、智能决策模块103和图谱库更新模块104。其中,知识表达模块101如图6所示,包括特征向量获取单元1011和知识表达形成单元1012;智能决策模块103如图7所示,包括知识表达单元1031、相近图谱匹配单元1032和决策结果确定单元1033。
知识表达模块101,用于基于认知层的知识联邦对源知识数据进行知识表达,源知识数据为参与知识网络构建的参与方提供的知识数据。
在可选实施例中,知识表达模块101包括:
特征向量获取单元1011,用于基于深度神经网络获取各参与方的源知识数据对应的局部特征向量。
知识表达形成单元1012,用于基于全局模型对各局部特征向量进行集成学习,形成源知识数据的知识表达。
具体实现中,特征向量获取单元1011具体用于基于深度神经网络对各参与方的源知识数据进行学习,将模型学习中的高层抽象的特征表达或最后一层全连接层作为源知识数据的局部特征向量。
图谱库形成模块102,用于根据各参与方对应的知识表达形成不同领域的知识图谱库,知识图谱库中的知识图谱构成知识网络。
特别的,图谱库形成模块102具体用于对各参与方的知识表达进行集成或多模态融合,形成不同领域的知识图谱库。
图谱库更新模块104,用于对不同领域的知识图谱进行逻辑推理得到新知识,更新知识图谱库中的知识。可选的,图谱库更新模块104还用于根据外界反馈的知识数据对知识图谱库中的知识进行更新。
智能决策模块103,用于当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达,并根据知识表达的结果在知识网络中确定最终的决策结果。
在可选实施例中,智能决策模块103包括:
知识表达单元1031,用于当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达。
相近图谱匹配单元1032,用于根据知识表达的结果从知识图谱库中匹配出最相近的topK个领域的知识图谱。
决策结果确定单元1033,用于在知识网中计算topK个领域的知识图谱的加权值,根据加权值确定待决策数据对应的决策结果。
需要说明的是,上述系统中各单元和模块的详细执行过程可以参见上述方法实施例中的描述,处不再赘述。
在本发明实施例中,通过对各参与方提供的异构或非异构数据构进行归纳、总结和推理,形成知识图谱库,实现了安全的知识共创和共享;同时,通过不断更新的知识图谱库,使得由知识图谱库形成的知识网络既可适应领域内的知识更新,又可快速迁移到领域外知识,为最终的智能决策提供了更加全面的决策依据,从而减小了“感知智能”和“认知智能”之间的差距。
本发明实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述图1-图4所示实施例的方法步骤,具体执行过程可以参见图1-图4所示实施例的具体说明,在此不进行赘述。
请参见图8,为本发明实施例提供了一种终端的结构示意图。如图8所示,所述终端1000可以包括:至少一个处理器1001,例如CPU,至少一个网络接口 1004,用户接口1003,存储器1005,至少一个通信总线1002。其中,通信总线 1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏 (Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如 WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图8所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于知识网络的智能决策应用程序。
在图8所示的终端1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;网络接口1004用于与用户终端进行数据通信;而处理器1001可以用于调用存储器1005中存储的基于知识网络的智能决策应用程序,并具体执行以下操作:
基于认知层的知识联邦对源知识数据进行知识表达,源知识数据为参与知识网络构建的参与方提供的知识数据;
根据各参与方对应的知识表达形成不同领域的知识图谱库,知识图谱库中的知识图谱构成知识网络;
当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达的提取,并根据知识表达的结果在知识网络中确定最终的决策结果。
在一些实施例中,处理器1001,还用于执行以下操作:
对不同领域的知识图谱进行逻辑推理得到新知识,更新知识图谱库中的知识。
在一些实施例中,处理器1001,还用于执行以下操作:
根据外界反馈的知识数据对知识图谱库中的知识进行更新。
在一些实施例中,处理器1001在基于认知层的知识联邦对源知识数据进行知识表达时,具体执行以下操作:
基于深度神经网络获取各参与方的源知识数据对应的局部特征向量;
基于全局模型对各局部特征向量进行集成学习,形成源知识数据的知识表达。
在一些实施例中,处理器1001在基于深度神经网络获取各参与方的源知识数据对应的局部特征向量时,具体执行以下操作:
基于深度神经网络对各参与方的源知识数据进行学习,将模型学习中的高层抽象的特征表达或最后一层全连接层作为源知识数据的局部特征向量。
在一些实施例中,处理器1001在根据各参与方对应的知识表达形成不同领域的知识图谱库时,具体执行以下操作:
对各参与方的知识表达进行集成或多模态融合,形成不同领域的知识图谱库。
在一些实施例中,处理器1001在根据知识表达的结果在知识网络中确定最终的决策结果时,具体执行以下操作:
根据知识表达的结果从知识图谱库中匹配出最相近的topK个领域的知识图谱;
在知识网中计算topK个领域的知识图谱的加权值,根据加权值确定待决策数据对应的决策结果。
在本发明实施例中,通过对各参与方提供的异构或非异构数据构进行归纳、总结和推理,形成知识图谱库,实现了安全的知识共创和共享;同时,通过不断更新的知识图谱库,使得由知识图谱库形成的知识网络既可适应领域内的知识更新,又可快速迁移到领域外知识,为最终的智能决策提供了更加全面的决策依据,从而减小了“感知智能”和“认知智能”之间的差距。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory, ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种基于知识网络的智能决策方法,其特征在于,包括:
基于认知层的知识联邦对源知识数据进行知识表达,所述源知识数据为参与知识网络构建的参与方提供的知识数据;
根据各参与方对应的知识表达形成不同领域的知识图谱库,所述知识图谱库中的知识图谱构成知识网络;
当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达的提取,并根据知识表达的结果在所述知识网络中确定最终的决策结果。
2.根据权利要求1所述的智能决策方法,其特征在于,所述方法还包括:
对不同领域的知识图谱进行逻辑推理得到新知识,更新所述知识图谱库中的知识。
3.根据权利要求1所述的智能决策方法,其特征在于,所述方法还包括:
根据外界反馈的知识数据对所述知识图谱库中的知识进行更新。
4.根据权利要求1所述的智能决策方法,其特征在于,所述基于认知层的知识联邦对源知识数据进行知识表达,包括:
基于深度神经网络获取各参与方的源知识数据对应的局部特征向量;
基于全局模型对各局部特征向量进行集成学习,形成所述源知识数据的全局知识表达。
5.根据权利要求4所述的智能决策方法,其特征在于,所述基于深度神经网络获取各参与方的源知识数据对应的局部特征向量,包括:
基于深度神经网络对各参与方的源知识数据进行学习,将模型学习中的高层抽象的特征表达或最后一层全连接层作为所述源知识数据的局部特征向量。
6.根据权利要求1所述的智能决策方法,其特征在于,所述根据各参与方对应的知识表达形成不同领域的知识图谱库,包括:
对各参与方的知识表达进行集成或多模态融合,形成不同领域的知识图谱库。
7.根据权利要求1所述的智能决策方法,其特征在于,所述根据知识表达的结果在所述知识网络中确定最终的决策结果,包括:
根据知识表达的结果从所述知识图谱库中匹配出最相近的topK个领域的知识图谱;
在所述知识网中计算topK个领域的知识图谱的加权值,根据所述加权值确定所述待决策数据对应的决策结果。
8.一种基于知识网络的智能决策装置,其特征在于,包括:
知识表达模块,用于基于认知层的知识联邦对源知识数据进行知识表达,所述源知识数据为参与知识网络构建的参与方提供的知识数据;
图谱库形成模块,用于根据各参与方对应的知识表达形成不同领域的知识图谱库,所述知识图谱库中的知识图谱构成知识网络;
智能决策模块,用于当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达,并根据知识表达的结果在所述知识网络中确定最终的决策结果。
9.一种终端,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行以下步骤:
基于认知层的知识联邦对源知识数据进行知识表达,所述源知识数据为参与知识网络构建的参与方提供的知识数据;
根据各参与方对应的知识表达形成不同领域的知识图谱库,所述知识图谱库中的知识图谱构成知识网络;
当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达,并根据知识表达的结果在所述知识网络中确定最终的决策结果。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行以下步骤:
基于认知层的知识联邦对源知识数据进行知识表达,所述源知识数据为参与知识网络构建的参与方提供的知识数据;
根据各参与方对应的知识表达形成不同领域的知识图谱库,所述知识图谱库中的知识图谱构成知识网络;
当检测到目标参与方发起的决策请求时,对待决策数据进行知识表达,并根据知识表达的结果在所述知识网络中确定最终的决策结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116875.3A CN111368021A (zh) | 2020-02-25 | 2020-02-25 | 基于知识网络的智能决策方法及装置、终端、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116875.3A CN111368021A (zh) | 2020-02-25 | 2020-02-25 | 基于知识网络的智能决策方法及装置、终端、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111368021A true CN111368021A (zh) | 2020-07-03 |
Family
ID=71208246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010116875.3A Pending CN111368021A (zh) | 2020-02-25 | 2020-02-25 | 基于知识网络的智能决策方法及装置、终端、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111368021A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200321A (zh) * | 2020-12-04 | 2021-01-08 | 同盾控股有限公司 | 基于知识联邦和图网络的推理方法、系统、设备及介质 |
CN114912637A (zh) * | 2022-05-21 | 2022-08-16 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008154074A1 (en) * | 2007-06-08 | 2008-12-18 | Gm Global Technology Operations, Inc. | Federated ontology index to enterprise knowledge |
US20180052898A1 (en) * | 2016-08-22 | 2018-02-22 | Oracle International Corporation | System and method for dynamic, incremental recommendations within real-time visual simulation |
CN110457403A (zh) * | 2019-08-12 | 2019-11-15 | 南京星火技术有限公司 | 图网络决策系统、方法及知识图谱的构建方法 |
-
2020
- 2020-02-25 CN CN202010116875.3A patent/CN111368021A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008154074A1 (en) * | 2007-06-08 | 2008-12-18 | Gm Global Technology Operations, Inc. | Federated ontology index to enterprise knowledge |
US20180052898A1 (en) * | 2016-08-22 | 2018-02-22 | Oracle International Corporation | System and method for dynamic, incremental recommendations within real-time visual simulation |
CN110457403A (zh) * | 2019-08-12 | 2019-11-15 | 南京星火技术有限公司 | 图网络决策系统、方法及知识图谱的构建方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200321A (zh) * | 2020-12-04 | 2021-01-08 | 同盾控股有限公司 | 基于知识联邦和图网络的推理方法、系统、设备及介质 |
CN112200321B (zh) * | 2020-12-04 | 2021-04-06 | 同盾控股有限公司 | 基于知识联邦和图网络的推理方法、系统、设备及介质 |
CN114912637A (zh) * | 2022-05-21 | 2022-08-16 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
CN114912637B (zh) * | 2022-05-21 | 2023-08-29 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11783292B2 (en) | Augmented intelligence system impartiality assessment engine | |
Parisi | Digital design and topological control | |
KR102501496B1 (ko) | 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램 | |
Park et al. | Bayesian network-based high-level context recognition for mobile context sharing in cyber-physical system | |
Jiang et al. | Transfer urban human mobility via poi embedding over multiple cities | |
US20190385212A1 (en) | Real-time in-venue cognitive recommendations to user based on user behavior | |
Baird et al. | Considerations for a more ethical approach to data in AI: On data representation and infrastructure | |
US11853901B2 (en) | Learning method of AI model and electronic apparatus | |
CN111400504A (zh) | 企业关键人的识别方法和装置 | |
CN112395515B (zh) | 一种信息推荐方法、装置、计算机设备及存储介质 | |
CN105308591A (zh) | 来自社交交互的关系强度的动态性 | |
CN111368021A (zh) | 基于知识网络的智能决策方法及装置、终端、存储介质 | |
CN112015896A (zh) | 基于人工智能的情感分类方法、以及装置 | |
CN113158030B (zh) | 异地兴趣点的推荐方法、装置、电子设备及存储介质 | |
KR102119518B1 (ko) | 인공지능을 이용하여 생성되는 스타일 공간에 기반한 상품 추천 방법 및 시스템 | |
Garibay et al. | The Agent‐Based Model Canvas: A Modeling Lingua Franca for Computational Social Science | |
Granell et al. | A scoping review on the use, processing and fusion of geographic data in virtual assistants | |
CN117273018A (zh) | 信息处理方法、信息处理装置、计算机设备及存储介质 | |
Kim et al. | Rete-ADH: An improvement to rete for composite context-aware service | |
Yang et al. | A context-aware system in Internet of Things using modular Bayesian networks | |
Masood et al. | Democratization of AI Using Cognitive Services | |
CN110942306A (zh) | 数据处理方法、装置及电子设备 | |
Guidotti et al. | Where is my next friend? recommending enjoyable profiles in location based services | |
Sui et al. | [Retracted] Research on the Design of VR Tourism Service System Based on Deep Learning and Emotional Experience | |
KR102521020B1 (ko) | 인공지능 모델을 이용한 갤러리, 작가 및 소비자 매칭 및 결제 플랫폼 서비스 제공 방법, 장치 및 시스템 |
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 |