CN111832922A - 基于知识图谱推理的食品安全事件风险研判方法及装置 - Google Patents
基于知识图谱推理的食品安全事件风险研判方法及装置 Download PDFInfo
- Publication number
- CN111832922A CN111832922A CN202010622308.5A CN202010622308A CN111832922A CN 111832922 A CN111832922 A CN 111832922A CN 202010622308 A CN202010622308 A CN 202010622308A CN 111832922 A CN111832922 A CN 111832922A
- Authority
- CN
- China
- Prior art keywords
- entity
- triple
- entities
- food safety
- layer
- 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.)
- Granted
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 266
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000007246 mechanism Effects 0.000 claims abstract description 207
- 239000013598 vector Substances 0.000 claims description 132
- 230000006870 function Effects 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 39
- 238000002347 injection Methods 0.000 claims description 26
- 239000007924 injection Substances 0.000 claims description 26
- 238000011160 research Methods 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 16
- 239000000126 substance Substances 0.000 claims description 13
- 230000008520 organization Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 241001139843 Lobotes surinamensis Species 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 38
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 10
- 239000002994 raw material Substances 0.000 description 10
- 239000000243 solution Substances 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 8
- 230000004931 aggregating effect Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010411 cooking Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 235000013311 vegetables Nutrition 0.000 description 4
- 208000019331 Foodborne disease Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 229910001385 heavy metal Inorganic materials 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 231100000765 toxin Toxicity 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005183 environmental health Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 239000000447 pesticide residue Substances 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 239000000273 veterinary drug Substances 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 239000004278 EU approved seasoning Substances 0.000 description 1
- 206010016952 Food poisoning Diseases 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 231100000481 chemical toxicant Toxicity 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000011869 dried fruits Nutrition 0.000 description 1
- 239000008157 edible vegetable oil Substances 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000002778 food additive Substances 0.000 description 1
- 235000013373 food additive Nutrition 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Animal Behavior & Ethology (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供一种基于知识图谱推理的食品安全事件风险研判方法及装置,该方法包括:将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测;食品安全事件风险研判模型包括三元组内注意力机制层、三元组外注意力机制层、实体分类层及关系预测层。本发明实施例提供的基于知识图谱推理的食品安全事件风险研判方法及装置,通过将食品安全知识图谱输入到食品安全事件风险研判模型,获取目标实体的风险等级及进行食品安全事件原因推理和事件后果动态预测,实现重大活动食品安全事件的风险动态研判和动态预测,且提高了风险研判和动态预测的准确率。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于知识图谱推理的食品安全事件风险研判方法及装置。
背景技术
随着经济的快速发展和各国综合国力的提升,各地政治、经济、文化、体育等重大活动的开展越来越频繁。而重大活动由于时间比较紧迫,各类食品安全隐患集中、涉及面广、影响大,一旦发生食品安全事故,后果相当严重。重大活动食品安全全链条主要包括:采购、总仓、配送、加工、供餐等,各个环节都是食品安全风险发生的潜在源头,任何一个环节出问题,都可能会引发食品安全风险事件。因此做好重大活动食品安全全链条的风险研判工作,以确保食品全链条各个环节的安全,对重大活动的安全进行具有重要意义。
风险研判的流程和方法主要是指运用科学严谨的研究方法,对各种风险情报线索、零散脱节信息进行深度加工整理与关联,产生一个预测性或判定性结果的过程,围绕人员、物品、事端、形势等主线进行深入关联碰撞和分析研究,以发现获取风险信息。目前的风险研判方法主要分为常规分析研判方法和信息技术分析研判方法。
常规分析研判方法主要是指依靠人的思维分析能力和方法来开展风险分析研判工作,此方法不仅研判结果容易受到分析人员主观臆断影响,而且研判过程会消耗大量的人力物力,导致情报信息无法及时的更新。
信息技术分析研判方法主要指通过整合汇集各类信息资源,建立相应的风险信息结构化数据库,引进机器学习和数据挖掘技术,通过相互的关联碰撞挖掘出风险信息。但是数据挖掘技术对于数据库的操作过于复杂,无法对数据进行及时的动态更新,导致研判的准确性下降,大大降低了分析效率。
知识图谱的兴起对数据的存储方式产生了极大地改变,真实世界的数据也往往以知识图谱的形式进行展现,知识图谱可以更加丰富的展现重大活动食品安全数据信息,对于知识图谱这种非结构化数据,传统的数据挖掘方法已不再适用。知识图谱作为知识重要的存储媒介,如何从复杂的重大活动食品安全知识图谱中学习到潜在的知识和情报,对重大活动食品安全事件风险研判来说是一项非常具有挑战性的任务。
发明内容
为解决现有技术中的问题,本发明实施例提供一种基于知识图谱推理的食品安全事件风险研判方法及装置。
第一方面,本发明实施例提供一种基于知识图谱推理的食品安全事件风险研判方法,包括:将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测;其中,所述食品安全事件风险研判模型包括三元组内注意力机制层、三元组外注意力机制层、实体分类层及关系预测层;其中,所述三元组内注意力机制层的输出作为所述三元组外注意力机制层的输入,所述三元组外注意力机制层的输出分别作为所述实体分类层及所述关系预测层的输入;
所述将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测,包括:将所述食品安全知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述三元组内注意力机制层,从而得到所述目标实体的三元组内实体特征嵌入向量;将所述三元组内实体特征嵌入向量输入到所述三元组外注意力机制层,从而得到所述目标实体的三元组外实体特征嵌入向量;将所述三元组外实体特征嵌入向量输入到所述实体分类层,从而得到所述目标实体的风险等级;将包含所述目标实体的所述三元组中的两个实体的所述三元组外实体特征嵌入向量输入到所述关系预测层,通过计算三元组评分函数对所述两个实体进行关系预测,从而进行食品安全事件原因推理和事件后果预测;其中,所述三元组内注意力机制层用于对于某条关系路径下目标实体与不同邻居实体之间施加注意力机制,所述三元组外注意力机制层用于对目标实体所在的多条关系路径施加注意力机制;所述食品安全知识图谱中两个实体和两个实体间的关系构成三元组,由所述三元组中两个不同类型或相同类型实体在不同的关系下组成的路径称为所述关系路径。
第二方面,本发明实施例提供一种基于知识图谱推理的食品安全事件风险研判装置,包括:风险研判模块,所述风险研判模块用于将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测;其中,所述食品安全事件风险研判模型包括三元组内注意力机制层、三元组外注意力机制层、实体分类层及关系预测层;其中,所述三元组内注意力机制层的输出作为所述三元组外注意力机制层的输入,所述三元组外注意力机制层的输出分别作为所述实体分类层及所述关系预测层的输入;所述风险研判模块包括三元组内注意力机制层处理模块、三元组外注意力机制层处理模块、实体分类层处理模块及关系预测模块,其中:所述三元组内注意力机制层处理模块用于将所述食品安全知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述三元组内注意力机制层,从而得到所述目标实体的三元组内实体特征嵌入向量;所述三元组外注意力机制层处理模块用于将所述三元组内实体特征嵌入向量输入到所述三元组外注意力机制层,从而得到所述目标实体的三元组外实体特征嵌入向量;所述实体分类层处理模块用于将所述三元组外实体特征嵌入向量输入到所述实体分类层,从而得到所述目标实体的风险等级;所述关系预测模块用于将包含所述目标实体的所述三元组中的两个实体的所述三元组外实体特征嵌入向量输入到所述关系预测层,通过计算三元组评分函数对所述两个实体进行关系预测,从而进行食品安全事件原因推理和事件后果预测;其中,所述三元组内注意力机制层用于对于某条关系路径下目标实体与不同邻居实体之间施加注意力机制,所述三元组外注意力机制层用于对目标实体所在的多条关系路径施加注意力机制;所述食品安全知识图谱中两个实体和两个实体间的关系构成三元组,由所述三元组中两个不同类型或相同类型实体在不同的关系下组成的路径称为所述关系路径。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的基于知识图谱推理的食品安全事件风险研判方法及装置,通过将食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果动态预测,实现重大活动食品安全事件的风险动态研判和动态预测,并且提高了风险研判和动态预测的准确率。
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是本发明一实施例提供的基于知识图谱推理的食品安全事件风险研判方法流程图;
图2为本发明一实施例提供的食品安全知识图谱示例图;
图3是本发明一实施例提供的三元组内注意力机制层的结构示意图;
图4是本发明一实施例提供的三元组外注意力机制层的结构示意图;
图5是本发明一实施例提供的实体分类层的结构示意图;
图6是本发明一实施例提供的关系预测层的结构示意图;
图7是本发明一实施例提供的食品安全事件风险研判模型的结构示意图;
图8是本发明另一实施例提供的基于知识图谱推理的食品安全事件风险研判方法流程图;
图9是本发明一实施例提供的基于知识图谱推理的食品安全事件风险研判装置的结构示意图;
图10是本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整的描述,显然,所描述的实施例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作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。
图1是本发明一实施例提供的基于知识图谱推理的食品安全事件风险研判方法流程图。如图1所示,所述方法包括:将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测;其中,所述食品安全事件风险研判模型包括三元组内注意力机制层、三元组外注意力机制层、实体分类层及关系预测层;其中,所述三元组内注意力机制层的输出作为所述三元组外注意力机制层的输入,所述三元组外注意力机制层的输出分别作为所述实体分类层及所述关系预测层的输入;所述将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测,包括:
步骤101、将所述食品安全知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述三元组内注意力机制层,从而得到所述目标实体的三元组内实体特征嵌入向量;
步骤102、将所述三元组内实体特征嵌入向量输入到所述三元组外注意力机制层,从而得到所述目标实体的三元组外实体特征嵌入向量;
步骤103、将所述三元组外实体特征嵌入向量输入到所述实体分类层,从而得到所述目标实体的风险等级;
步骤104、将包含所述目标实体的所述三元组中的两个实体的所述三元组外实体特征嵌入向量输入到所述关系预测层,通过计算三元组评分函数对所述两个实体进行关系预测,从而进行食品安全事件原因推理和事件后果预测;
其中,所述三元组内注意力机制层用于对于某条关系路径下目标实体与不同邻居实体之间施加注意力机制,所述三元组外注意力机制层用于对目标实体所在的多条关系路径施加注意力机制;所述食品安全知识图谱中两个实体和两个实体间的关系构成三元组,由所述三元组中两个不同类型或相同类型实体在不同的关系下组成的路径称为所述关系路径。
图2为本发明一实施例提供的食品安全知识图谱示例图。本发明实施例提出一种基于知识图谱推理的食品安全事件风险研判方法,可以用于重大活动的品安全事件风险研判。首先为了能充分反映出重大活动食品安全事件存在的复杂场景,将知识图谱应用于重大活动食品全链条中。知识图谱表示的是一种特殊的图数据,由多类型的实体和多类型的边表示,每个实体都有若干个属性特征,边表示的是实体之间的连接关系,边的指向方向表示了关系的方向。综合考虑重大活动中各种行为人的不安全行为、食品的不安全状态、组织单位管理的缺陷以及环境卫生因素交互耦合产生的食品安全风险事件,从而获取各种行为人的数据,食品检测数据、食品存储数据、食品加工数据、食品传送数据、组织单位数据等,根据不同类型的数据信息中,可以确定构建食品安全知识图谱所需要的实体类型、关系类型以及实体特征,其知识图谱多类型的实体包括参与活动的不同行为人、食品原材料、食用菜品、食品检测项目、食品安全事件、组织单位等,多类型关系主要有食用、烹饪、检测、含有、病理、传送、就医、购买、监察等。其次,利用知识图谱注意力机制构建食品安全事件风险研判模型。目标实体首先通过模型的三元组内注意力机制层和三元组外注意力机制层,通过聚合自身特征以及邻居实体特征属性,得到新的特征嵌入向量表示;最后,利用实体分类层实现重大活动食品安全事件的风险研判。对于实体分类任务,利用模型提取到的目标实体新的特征嵌入向量表示(三元组外实体特征嵌入向量)可以研判出知识图谱中各类型实体所处的风险水平。
其中,所述三元组内注意力机制层用于对于某条特定的关系路径施加注意力机制,所述三元组外注意力机制层用于对多条目标实体所在的关系路径施加注意力机制。对于每个目标实体来说,三元组内注意力机制的目的是为了学习基于特定关系路径下的邻居实体的重要性,并为它们分配不同的注意力值,从而更好地聚合目标实体特征信息。在重大活动食品安全知识图谱中涉及到不同关系路径下复杂的语义信息,这些信息通常由不同的关系路径来反映,对于某个具体任务,不同关系路径下表达的语义不同,因此对任务的重要程度也不同。核心思想就是不同的关系路径下其权重值也不尽相同。平等地对待不同的关系路径是不现实的,它会削弱一些有用的关系路径所提供的信息。因此,本发明实施例设计针对不同的关系路径加入三元组外注意力机制层来学习相应不同关系路径下的权重,进而进行特征聚合。由此,可以更好地聚合到目标实体的特征,再基于聚合后的实体特征进行特征分类,有利于提高风险研判的准确率。并且,本发明实施例的处理过程是可以根据知识图谱的变化(比如实体变化、实体特征变化等)而动态变化的,由此,可以实现动态的风险研判。
所述食品安全事件风险研判模型还包括设置在所述三元组外注意力机制层之后的关系预测层;所述方法还包括:将包含所述目标实体的所述三元组中的两个实体的所述三元组外实体特征嵌入向量输入到所述关系预测层,通过计算三元组评分函数对所述两个实体进行关系预测,从而进行食品安全事件原因推理和事件后果预测。
关系预测层和实体分类层可以并列设置在三元组外注意力机制层之后。对于实体分类任务,利用食品安全事件风险研判模型提取到的目标实体新的特征嵌入向量表示(三元组外实体特征嵌入向量)可以研判出知识图谱中各类型实体所处的风险水平。对于关系预测任务,利用食品安全事件风险研判模型生成目标实体新的特征嵌入向量表示,然后通过构建正负样本样本集,运用三元组评分函数可以动态预测出两个实体间之间潜在的关系。以上两个任务可以实现食品安全事件事前的预测和事后的分析,为重大活动食品安全决策人员提供较为合理的理论支持,便于食品全链条各个环节预警防控,保证重大活动的安全举行。
食品安全知识图谱包含影响食品安全的全链路的信息,进一步通过将食品安全知识图谱输入到食品安全事件风险研判模型,进而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果动态预测,可以显著提高风险研判和动态预测的准确率。
本发明实施例通过将食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果动态预测,实现重大活动食品安全事件的风险动态研判和动态预测,并且提高了风险研判和动态预测的准确率。
进一步地,基于上述实施例,在所述将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型之前,所述方法还包括:根据食品安全风险事件收集数据信息,所述数据信息包括各类人员信息、食品快检数据、食品采购数据、食品存储数据、食品加工数据、食品供餐数据及组织单位数据;根据所述数据信息提取不同类型的实体和关系,确定不同类型实体的实体特征,进而构建所述食品安全知识图谱。
重大活动食品安全事件主要是指由于食品安全风险的发生而导致的事故,如食物中毒、食源性疾病等,其风险来源主要有:1、食品本身含有的和外来侵入的各种有毒化学性物质,包括各种毒素、重金属、农兽药、化肥、添加剂等对食品安全产生的威胁;2、食物搭配不正确;3、餐饮承担单位没有提供适宜的食品存储条件导致存储不当造成霉变;4、在食品存储仓库,食品烹制过程、食品传菜等环节,不法分子伺机投毒;5、员工可能存在谎报身体状况,执意上岗工作的情况,未能绝对保证食品加工制作人员的卫生源头安全等风险。
根据重大活动食品安全全链条各个环节与各类行为人,食品原材料,食用菜品、食品检测项目、食品安全事件、组织单位之间的交互耦合可能产生风险的特点。可以构建重大活动食品安全知识图谱,其知识图谱情报信息数据包括:各类人员信息、食品采购数据、食品存储数据、食品配送数据、食品加工数据、食品供餐数据、组织单位数据等。首先,知识图谱实体类型集合为X={人(P)、食品原材料(M)、食用菜品(V)、食品检测项目(D)、食品安全事件(L)、组织单位(U)};根据各自不同实体类型的又可以细分为具体的实体,其中参与活动的行为人P={政治人员(p1)、普通观众(p2)、服务人员(p3)、安保人员(p4)、医疗人员(p5)、监管人员(p6)、采购人员(p7)、快检人员(p8)、厨师(p9)};食品原材料根据食品安全国家标准(GB760—2014)主要分为市场上常见的13大类,即M={蔬菜(m1)、果品(m2)、鲜肉(m3)、禽蛋及其制品(m4)、水产品(m5)、调味品(m6)、粮食及加工品(m7)、食用油(m8)、饮料(m9)、干果(m10)、糕点(m11)、蜜饯果脯(m12)、豆制品(m13)};D={食品添加剂(d1)、农药残留(d2)、兽药残留(d3)、重金属(d4)、微生物(d5)、理化特性(d6)、生物毒素(d7)},L={食源性疾病(l1)},V={重大活动菜谱(v1)};U={餐饮承担单位(u1),市场监督管理局(u2),检测部门(u3)}。关系类型主要包括政治人员和普通观众与食用菜品之间的食用关系(r1);服务人员与食用菜品之间的传送关系(r2);厨师与食用菜品之间的烹饪关系(r3);监管人员与餐饮承担单位之间的监查关系(r4);采购人员与食品原材料之间的购买关系(r5);快检人员与食品原材料和食用菜品之间的检测关系(r6);各种行为人与医疗人员之间的就医关系(r7);食用菜品与食品原材料之间的含有关系(r8);食品原材料与食品检测项目之间的含有关系(r9);各类人与食品安全事件之间的病理关系(r10)等,其关系类型集合E={r1,r2,r3,r4,r5,r6,r7,r8,r9,r10....}。根据实体和关系构建的重大活动食品安全知识图谱如图2所示。
根据以上各种风险产生的特点,为知识图谱每个实体构建不同维度的实体属性特征向量,如厨师p9={文化程度、工作经验、有无犯罪前科、宗教信仰、健康状态、卫生状态、近期通话、消费、行程记录是否可疑,有无传染病史、持证上岗情况、是否接受食品安全培训等},蔬菜m1={食品保质期,原料采购是否符合卫生要求,加工是否符合卫生要求,储存是否符合卫生要求,原材料类别,清洗消毒是否符合卫生要求,是否近期舆论食品,农药残留,生物毒素,重金属,微生物等}。具体的各个实体的详细特征如表1所示。
表1食品安全知识图谱实体类型和实体特征
在上述实施例的基础上,本发明实施例通过合理设定实体、实体关系及实体特征,进而构建食品安全知识图谱,通过提供内容完整、适应实际需求的食品安全知识图谱,提高了利用食品安全知识图谱进行风险动态研判的实用性。
图3是本发明一实施例提供的三元组内注意力机制层的结构示意图。进一步地,基于上述实施例,所述将所述食品安全知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述三元组内注意力机制层,从而得到所述目标实体的三元组内实体特征嵌入向量,包括:通过包含学习参数的线性特征转换矩阵的映射操作,将所述食品安全知识图谱中不同类型实体的实体特征映射到同一空间;通过所述三元组内注意力机制层计算在某一关系路径下目标实体所在所有三元组中邻居实体对目标实体的三元组内注意力系数;利用softmax函数将所述三元组内注意力系数进行归一化处理;同一关系路径下,通过归一化处理后的所述三元组内注意力系数与所述目标实体的所有邻居实体的实体特征通过三元组内注意力机制层进行非线性组合运算,分别得到所述目标实体在所述三元组内注意力机制层所包含的K1个三元组内注意力机制下的嵌入向量表示;将K1个所述三元组内注意力机制下的嵌入向量表示求平均得到所述关系路径下的所述三元组内实体特征嵌入向量;所述三元组内实体特征嵌入向量的计算方式如下:
式中,表示的是所述三元组内实体特征嵌入向量,tanh表示非线性激活函数,K1表示的是三元组内注意力机制层下所述注意力机制的个数,表示在关系路径下由第k个注意力机制计算的目标实体i与邻居实体j之间的所述三元组内注意力系数,表示第k个注意力机制对应的线性特征转化矩阵,τi表示目标实体i的实体类型,表示的是在关系路径下目标实体i的所有邻居实体,表示实体j初始的特征矩阵向量表示。
通过分析重大活动食品安全风险事件,根据不同的风险事件可以收集到食品全链条过程中各类人员信息、食品采购数据、食品存储数据、食品加工数据、食品供餐数据、组织单位数据等相关数据信息,然后从各类数据信息中可以提取出不同类型的实体并定义实体间的连接关系以及实体相应的特征属性,构建重大活动食品安全知识图谱作为模型输入数据集。
之后目标实体通过模型的三元组内注意力层和三元组外注意力机制层,根据自身特征及其相邻实体的特征,利用三元组注意力机制进行特征聚合,可以得到目标实体新的特征向量表示,最后将获得的新的特征嵌入向量表示分别利用实体分类层和关系预测层,完成实体分类和关系预测,实现重大活动食品安全事件的风险研判。其中实体分类根据实体新的特征嵌入向量可以动态预测各类实体所处的风险等级;关系预测根据头尾实体新的特征嵌入向量可以动态预测两个实体间是否存在潜在的关系,实现食品安全事件风险原因的推理。
对于构建食品安全事件风险研判模型,需要给出模型相关的变量和概念。
定义1:食品安全知识图谱由GKGs=(X,E)表示,其中,X表示实体,E表示关系,实体集合由X={v1,v2,...,v3,...,vN}表示,N代表实体的个数;关系类型集合由E={r1,r2,r3,...,rm},m表示关系类型的个数;知识图谱实体类型集合由τ={τ1,τ2,...,τn},n表示实体类型的个数,由表1可知,n=32。
定义2:知识图谱是由三元组组成的集合,每个三元组都表示客观事实的语义信息,表示形式为T=<vh,rs,vt>,其中vh代表头实体,vt代表尾实体,vh,vt∈X,rs表示的是头实体和尾实体之间的关系,其中rs∈E。
定义3:根据表1中不同类型实体对应的不同维度下的实体特征,构建重大活动食品安全知识图谱的实体特征向量集合,用表示,其中Fi表示知识图谱中实体i的特征维数。如表1所示,不同的实体类型具有不同维度的特征。
定义4:两个不同类型或相同类型实体与不同的关系组成的路径为关系路径,形如“人物-(传送)-菜品”,“人物-(烹饪)-菜品”,“菜品-(含有)-食品原材料”,“人物-(同事)-人物”等。不同的关系路径可以表达具有不同的语义信息。关系路径集合为m表示关系路径的个数。表示某一特定的关系路径。
对于重大活动食品安全知识图谱来说,具有多实体类型和多关系类型特点,不同的实体类型具有不同维度的实体特征。首先,为了便于向量运算,需要把不同类型的实体特征映射到统一维度的特征空间中,所以定义一个在目标实体的特定类型下,可以将输入特征映射到更高维的输出特征空间中可学习的参数化线性特征转换矩阵(包含学习参数的线性特征转换矩阵),通过线性特征转换矩阵的映射操作,可以完成在任意实体类型下的特征聚合的向量运算,计算方式如下:
其中,表示目标实体i初始的特征矩阵向量表示,表示目标实体i映射后新的特征矩阵向量表示,τi表示目标实体i的实体类型。通过式(1)可以看出,只需把F′定义为实体最多维特征的个数,就可以将所有不同类型实体特征映射到同一空间中,由表1可知,F′=22。
然后,通过加入三元组内注意力机制层来学习基于特定关系路径下目标实体与邻居实体间的权重并将它们进行聚合,得到特定关系路径下的目标实体特征嵌入向量表示。以关系路径为例,任意一个三元组间基于关系路径下实体对的注意力系数的计算方式如下:
为了使得实体注意力系数更容易计算和便于比较,利用softmax函数对目标实体i的所有邻居邻居实体j的注意力系数进行归一化
其中,是一个三元组内注意力网络层(三元组内注意力机制层)可学习的参数化注意力权值向量,||符号表示的意思是把和的维度进行连接,表示的是在特定关系路径下实体i的所有邻居实体,表示在特定的关系路径下得到的目标实体i与邻居实体j之间的注意力系数。
经过上式(3)可以得到的归一化后的三元组内目标实体i与所有邻居实体j之间注意力系数,通过得到的注意力系数与所有邻居实体j线性组合的方式,可以得到目标实体i通过三元组内注意力机制层中的注意力机制在特征关系路径下得到的实体嵌入向量表示
计算方式如下:
为了使训练过程更稳定,可以把三元组内注意力机制层迭代k1=4次(k1为所述三元组内注意力机制层所包含的三元组内注意力机制的数量),并将所学到的实体嵌入向量进行平均化,形成特定关系路径下的实体嵌入向量表示(三元组内实体特征嵌入向量):
在上述实施例的基础上,本发明实施例通过给出三元组内注意力机制层得出三元组内实体特征嵌入向量的具体过程,进一步提高了实用性。
图4是本发明一实施例提供的三元组外注意力机制层的结构示意图。进一步地,基于上述实施例,所述将所述三元组内实体特征嵌入向量输入到所述三元组外注意力机制层,从而得到所述目标实体的三元组外实体特征嵌入向量,包括:通过三元组外注意力机制层计算所述目标实体在各个关系路径下的三元组外注意力系数;将各个关系路径下的所述三元组外注意力系数进行归一化处理;同一关系路径下,将归一化处理后的所述三元组外注意力系数和所述三元组内实体特征嵌入向量进行乘积运算,然后通过非激活函数进行非线性转化得到融合结果,再将不同关系路径下的所述融合结果求和,分别得到所述目标实体在所述三元组外注意力机制层所包含的K2个三元组外注意力机制下的嵌入向量表示;将K2个所述三元组外注意力机制下的嵌入向量表示求平均,并利用非线性激活函数进行处理,得到所述三元组外实体特征嵌入向量;所述三元组外实体特征嵌入向量的计算方式如下:
其中,表示的是所述三元组外实体特征嵌入向量,K2表示的是三元组外注意力机制层下所述注意力机制的个数,表示的是第k个注意力机制在关系路径下的所述三元组外注意力系数,LeakyReLU为非线性激活函数,表示的是在关系路径下目标实体i经过三元组内注意力机制层后的所述三元组内实体特征嵌入向量,M表示关系类型集合内的关系的个数。
联合上面所得到的每个关系路径的权重,即三元组内注意力系数,并通过加入三元组外注意力机制融合前面得到的特定关系路径下的实体特征嵌入。
在重大活动食品安全知识图谱中每一个关系路径对应一条语义信息。为了学到更复杂的实体嵌入,需要将这些不同的语义信息进行融合。为此,本发明实施例提出了一个三元组外注意力机制网络,它可以学习不同的关系路径下的重要性并将其进行特征信息融合。
为了学到每一个关系路径的重要性,使用一个多层感知器来转换特定关系路径下的实体嵌入向量表示。然后,计算不同关系路径语义特征嵌入的重要性,即三元组外注意力系数计算方法如下:
同样,使用softmax函数对每个关系路径的注意力值都进行归一化处理,计算方法如下:
目标实体i经过三元组外注意力机制层融合不同的关系路径可以得到的新的特征嵌入向量表示,计算方法如下式:
其中,LeakyReLU为非线性激活函数。
为了使训练过程更稳定,可以把三元组外注意力机制层迭代K2=5次(K2为三元组外注意力机制层所包含的三元组外注意力机制的数量),并将所学到的实体嵌入向量进行平均化,得到目标实体i经过三元组外注意力机制层聚合后的特征嵌入向量表示(三元组外实体特征嵌入向量)。
在上述实施例的基础上,本发明实施例通过给出三元组外注意力机制层得出三元组外实体特征嵌入向量的具体过程,进一步提高了实用性。
图5是本发明一实施例提供的实体分类层的结构示意图。进一步地,基于上述实施例,所述将所述三元组外实体特征嵌入向量输入到所述实体分类层,从而得到所述目标实体的风险等级,包括:利用包含学习参数的权值矩阵对所述三元组外实体特征嵌入向量进行转换及利用非线性激活函数进行处理后,使得聚合后的所述三元组外实体特征嵌入向量的向量维度为食品安全事件风险研判的评价集合中风险等级类别数量;聚合过程计算如下:
式中,表示的是经所述实体分类层得到的目标实体i的新的特征嵌入向量,Wc表示的是所述三元组外注意力机制层与所述实体分类层之间的包括学习参数的权值矩阵,sigmoid为非线性激活函数,表示的是目标实体i经过三元组外注意力机制层后的所述三元组外实体特征嵌入向量;
利用softmax函数进行归一化处理,得到所述目标实体属于各风险等级的概率值,根据所述概率值判断所述目标实体的风险等级;风险等级的概率值的计算如下式:
其中,为根据目标实体i所述三元组外实体特征嵌入向量,经所述实体分类层后得到其属于某一所述风险等级的概率值;fx表示目标实体i经所述实体分类层后最终聚合的特征集合中某一行的特征值;C表示的是目标实体i经所述实体分类层后最终聚合的特征维数并将其作为风险等级待分类的类型数量;
其中,所述实体分类层利用最小化交叉熵损失函数对所有带标签的数据和预测结果进行对比,并利用半监督学习训练所述三元组内注意力机制层及所述三元组外注意力机制层中的学习参数。
经过上述核心公式的求解,知识图谱注意力机制最终得到的结果是经过两层注意力网络层特征加强后的目标实体的特征向量表示,为了实现重大活动食品安全知识图谱中各类实体的风险等级评估,设计了实体分类层。简单来说就是运用实体分类层使目标实体i的特征从聚合成了计算方法如下式:
然后把目标实体i经过三元组内注意力机制层、三元组外注意力机制层以及实体分类层聚合后得到的特征集合表示为其中f1,f2,f3,...,fC分别对应目标实体最终聚合的特征值。为了完成重大活动食品安全事件风险研判实体分类任务,需要为知识图谱内各类实体进行风险等级的划分,此时将目标实体最终的特征维数C做为待分类的类型数量,根据风险等级划分标准,即C=5,即风险评价集合={极高风险,高风险,中风险,低风险,较低风险}。
之后利用softmax函数进行归一化处理,得到目标实体i属于各风险等级的概率值。实现实体的分类,计算方法如下式:
最后,得到预测的分类结果后,利用半监督的学习方法,根据已知的标签就可以评判出哪些分类正确或者错误,然后基于所有具有标签的实体的真实值和预测值,使用交叉熵损失函数来评估模型,不断的更新优化相关参数,从而提高模型的准确度。
最小化交叉熵损失函数如下式:
其中,YL表示的是部分带标签值的实体集合,部分标签值实体主要是自身的实体特征作为训练数据集,利用专家经验知识或者机器学习的方法确定实体的风险等级。表示的是有标签值的实体在风险等级fx下的真实值大小,表示的是有标签值的实体在风险等级fx下的概率值大小。
本部分主要完成食品安全事件风险研判实体分类的任务,将所构建的知识图谱数据集中部分数据作为训练数据集,利用专家经验知识进行风险评估得到部分实体的风险等级作为模型分类标签,利用半监督学习方式,通过实体分类交叉熵损失函数优化模型参数。模型训练完成后,通过输入目标实体特征,模型会动态预测出目标实体的分类标签,即实体当前所处的风险等级。从而帮助相关部门做好相应的预防措施。
在上述实施例的基础上,本发明实施例通过给出实体分类层进行食品安全事件风险研判的具体过程,进一步提高了实用性。
图6是本发明一实施例提供的关系预测层的结构示意图。进一步地,基于上述实施例,在所述关系预测层,利用三元组中包含的两个实体的所述三元组外实体特征嵌入向量构建有效三元组和无效三元组集合作为三元组评分函数的输入,其中,无效三元组是通过对有效三元组中的其中一个实体替换为其他实体得到的;三元组评分函数如下式:
其中,fscore(vh,rs,vt)表示某个三元组头实体vh和尾实体vt在关系rs下经所述三元组评分函数计算得到的结果,表示的是包含学习参数的对角向量矩阵,表示的是三元组头实体经过三元组内注意力机制层和三元组外注意力机制层得到的所述三元组外实体特征嵌入向量,表示的是三元组尾实体经过三元组内注意力机制层和三元组外注意力机制层得到的所述三元组外实体特征嵌入向量;T表示转置运算;
通过交叉熵损失函数进行参数优化,最终利用训练完成的三元组评分函数实现实体间的关系预测。
对于食品安全事件的预防,可以通过发现两个实体潜在的连接关系,帮助提供有效的线索,对于风险研判关系预测任务,目的就是在两个实体之间预测他们可能存在的关系。通过对重大活动食品安全知识图谱三元组进行建模,利用变异三元组的方法得到新的三元组集合,运用评分函数为原始三元组以及新的三元组进行打分,以计算某一关系在两实体间成立的可能性大小。
为了解决上述问题,把重大活动食品安全知识图谱有效三元组中的头实体vh和尾实体vt通过三元组内注意力机制层和三元组外注意力机制层聚合到特征加强的统一维度空间,即使用张量分解模型作为评分函数来表示实体间通过特征向量构建关系成立的可能性;其中,关系集合E={r1,r2,r3,...rm}中每一个关系rs都和一个可学习参数化的对角向量矩阵有关,每个三元组的评分函数计算如下:
采用负采样的方式训练模型:首先给出一系列正确的三元组集合Φ(正样本),即Φ=(vh,rs,vt),通过破坏任何一个正样本的头实体或尾实体,然后组合成一些错误的三元组集合Φ′(负样本),即使用交叉熵损失函数进行参数优化,使模型的可观测的正确的三元组样本的评分高于错误的三元组样本,交叉熵损失函数的表达式如下:
其中,E={r1,r2,r3,...rm}表示知识图谱关系的集合,w表示负样本的个数,T表示正确和错误的三元组集合,tanh表示非线性激活函数,S是个指示器,S=1表示正样本,S=0表示负样本。
对于风险研判关系预测任务,通过变异三元组的方法,即破坏任何一个正样本的头实体或尾实体,组合成一些错误的三元组。然后将正负三元组样本组成模型训练数据集,利用三元组内注意力机制层和三元组外注意力机制层聚合三元组内头尾实体特征嵌入向量作为三元组评分函数的输入数据集,利用有监督学习方法通过关系预测交叉熵损失函数训练优化三元组评分函数的参数。模型训练完成后,通过输入任意两个实体特征,可以动态预测两个实体间可能存在的隐含关系,实现食品安全风险事件事前或事后的动态分析。
在上述实施例的基础上,本发明实施例通过给出关系预测层进行食品安全事件原因推理和事故后果预测的具体过程,进一步提高了实用性。
图7是本发明一实施例提供的食品安全事件风险研判模型的结构示意图。利用如图7所示的食品安全事件风险研判模型进行食品安全事件风险研判的算法流程如表2所示:
表2食品安全事件风险研判模型算法流程
图8是本发明另一实施例提供的基于知识图谱推理的食品安全事件风险研判方法流程图。如图8所示,首先为了能充分反映出重大活动食品安全事件存在的复杂场景,将知识图谱应用于重大活动食品全链条中,知识图谱表示的是一种特殊的图数据,由多类型的实体和多类型的边表示,每个实体都有若干个属性特征,边表示的是实体之间的连接关系,边的指向方向表示了关系的方向。综合考虑重大活动中各种行为人的不安全行为、食品的不安全状态、组织单位管理的缺陷以及环境卫生因素交互耦合产生的食品安全风险事件,从而获取各种行为人的数据,食品检测数据、食品存储数据、食品加工数据、食品传送数据、组织单位数据等,根据不同类型的数据信息中,可以确定构建食品安全事件知识图谱所需要的实体类型、关系类型以及实体特征,其知识图谱多类型的实体包括参与活动的不同行为人、食品原材料、食用菜品、食品检测项目、食品安全事件、组织单位等,多类型关系主要有食用、烹饪、检测、含有、病理、传送、就医、购买、监察等。其次,利用知识图谱注意力机制构建重大活动食品安全事件风险研判模型。目标实体首先通过模型的三元组内注意力机制层和三元组外注意力机制层,通过聚合自身特征以及邻居实体特征属性,得到新的特征嵌入向量表示;最后,分别利用实体分类层和关系预测层实现重大活动食品安全事件的风险研判。对于实体分类任务,利用模型提取到的目标实体新的特征嵌入向量表示可以研判出知识图谱中各类型实体所处的风险水平。对于关系预测任务,利用模型生成目标实体新的特征嵌入向量表示,然后通过构建正负样本样本集,运用三元组评分函数可以动态预测出两个实体间之间潜在的关系。以上两个任务可以实现食品安全事件事前的预测和事后的分析,为重大活动食品安全决策人员提供较为合理的理论支持,便于食品全链条各个环节预警防控,保证重大活动的安全举行。
图9是本发明一实施例提供的基于知识图谱推理的食品安全事件风险研判装置的结构示意图。如图9所示,所述装置包括风险研判模块,所述风险研判模块用于将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测;其中,所述食品安全事件风险研判模型包括顺次相连的三元组内注意力机制层、三元组外注意力机制层/实体分类层及关系预测层;其中,所述三元组内注意力机制层的输出作为所述三元组外注意力机制层的输入,所述三元组外注意力机制层的输出分别作为所述实体分类层及所述关系预测层的输入;所述风险研判模块包括三元组内注意力机制层处理模块100、三元组外注意力机制层处理模块200、实体分类层处理模块300及关系预测层处理模块400,其中:
所述三元组内注意力机制层处理模块100用于将所述食品安全知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述三元组内注意力机制层,从而得到所述目标实体的三元组内实体特征嵌入向量;所述三元组外注意力机制层处理模块200用于将所述三元组内实体特征嵌入向量输入到所述三元组外注意力机制层,从而得到所述目标实体的三元组外实体特征嵌入向量;所述实体分类层处理模块300用于将所述三元组外实体特征嵌入向量输入到所述实体分类层,从而得到所述目标实体的风险等级;所述关系预测层处理模块400用于将包含所述目标实体的所述三元组中的两个实体的所述三元组外实体特征嵌入向量输入到所述关系预测层,通过计算三元组评分函数对所述两个实体进行关系预测,从而进行食品安全事件原因推理和事件后果预测;其中,所述三元组内注意力机制层用于对于某条关系路径下目标实体与不同邻居实体之间施加注意力机制,所述三元组外注意力机制层用于对目标实体所在的多条关系路径施加注意力机制;所述食品安全知识图谱中两个实体和两个实体间的关系构成三元组,由所述三元组中两个不同类型或相同类型实体在不同的关系下组成的路径称为所述关系路径。
本发明实施例通过将食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果动态预测,实现重大活动食品安全事件的风险动态研判和动态预测,并且提高了风险研判和动态预测的准确率。
本发明实施例提供的装置是用于上述方法的,具体功能可参照上述方法流程,此处不再赘述。
图10是本发明一实施例提供的电子设备的实体结构示意图。如图10所示,该电子设备可以包括:处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040,其中,处理器1010,通信接口1020,存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令,以执行如下方法:将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测;其中,所述食品安全事件风险研判模型包括三元组内注意力机制层、三元组外注意力机制层、实体分类层及关系预测层;其中,所述三元组内注意力机制层的输出作为所述三元组外注意力机制层的输入,所述三元组外注意力机制层的输出分别作为所述实体分类层及所述关系预测层的输入;所述将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测,包括:将所述食品安全知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述三元组内注意力机制层,从而得到所述目标实体的三元组内实体特征嵌入向量;将所述三元组内实体特征嵌入向量输入到所述三元组外注意力机制层,从而得到所述目标实体的三元组外实体特征嵌入向量;将所述三元组外实体特征嵌入向量输入到所述实体分类层,从而得到所述目标实体的风险等级;将包含所述目标实体的所述三元组中的两个实体的所述三元组外实体特征嵌入向量输入到所述关系预测层,通过计算三元组评分函数对所述两个实体进行关系预测,从而进行食品安全事件原因推理和事件后果预测;其中,所述三元组内注意力机制层用于对于某条关系路径下目标实体与不同邻居实体之间施加注意力机制,所述三元组外注意力机制层用于对目标实体所在的多条关系路径施加注意力机制;所述食品安全知识图谱中两个实体和两个实体间的关系构成三元组,由所述三元组中两个不同类型或相同类型实体在不同的关系下组成的路径称为所述关系路径。
此外,上述的存储器1030中的逻辑指令可以通过软件功能单元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。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测;其中,所述食品安全事件风险研判模型包括三元组内注意力机制层、三元组外注意力机制层、实体分类层及关系预测层;其中,所述三元组内注意力机制层的输出作为所述三元组外注意力机制层的输入,所述三元组外注意力机制层的输出分别作为所述实体分类层及所述关系预测层的输入;所述将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测,包括:将所述食品安全知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述三元组内注意力机制层,从而得到所述目标实体的三元组内实体特征嵌入向量;将所述三元组内实体特征嵌入向量输入到所述三元组外注意力机制层,从而得到所述目标实体的三元组外实体特征嵌入向量;将所述三元组外实体特征嵌入向量输入到所述实体分类层,从而得到所述目标实体的风险等级;将包含所述目标实体的所述三元组中的两个实体的所述三元组外实体特征嵌入向量输入到所述关系预测层,通过计算三元组评分函数对所述两个实体进行关系预测,从而进行食品安全事件原因推理和事件后果预测;其中,所述三元组内注意力机制层用于对于某条关系路径下目标实体与不同邻居实体之间施加注意力机制,所述三元组外注意力机制层用于对目标实体所在的多条关系路径施加注意力机制;所述食品安全知识图谱中两个实体和两个实体间的关系构成三元组,由所述三元组中两个不同类型或相同类型实体在不同的关系下组成的路径称为所述关系路径。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于知识图谱推理的食品安全事件风险研判方法,其特征在于,包括:
将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测;其中,所述食品安全事件风险研判模型包括三元组内注意力机制层、三元组外注意力机制层、实体分类层及关系预测层;其中,所述三元组内注意力机制层的输出作为所述三元组外注意力机制层的输入,所述三元组外注意力机制层的输出分别作为所述实体分类层及所述关系预测层的输入;
所述将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测,包括:
将所述食品安全知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述三元组内注意力机制层,从而得到所述目标实体的三元组内实体特征嵌入向量;
将所述三元组内实体特征嵌入向量输入到所述三元组外注意力机制层,从而得到所述目标实体的三元组外实体特征嵌入向量;
将所述三元组外实体特征嵌入向量输入到所述实体分类层,从而得到所述目标实体的风险等级;
将包含所述目标实体的所述三元组中的两个实体的所述三元组外实体特征嵌入向量输入到所述关系预测层,通过计算三元组评分函数对所述两个实体进行关系预测,从而进行食品安全事件原因推理和事件后果预测;
其中,所述三元组内注意力机制层用于对于某条关系路径下目标实体与不同邻居实体之间施加注意力机制,所述三元组外注意力机制层用于对目标实体所在的多条关系路径施加注意力机制;所述食品安全知识图谱中两个实体和两个实体间的关系构成三元组,由所述三元组中两个不同类型或相同类型实体在不同的关系下组成的路径称为所述关系路径。
2.根据权利要求1所述的基于知识图谱推理的食品安全事件风险研判方法,其特征在于,在所述将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型之前,所述方法还包括:
根据食品安全风险事件收集数据信息,所述数据信息包括各类人员信息、食品快检数据、食品采购数据、食品存储数据、食品加工数据、食品供餐数据及组织单位数据;
根据所述数据信息提取不同类型的实体和关系,确定不同类型实体的实体特征,进而构建所述食品安全知识图谱。
3.根据权利要求1所述的基于知识图谱推理的食品安全事件风险研判方法,其特征在于,所述将所述食品安全知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述三元组内注意力机制层,从而得到所述目标实体的三元组内实体特征嵌入向量,包括:
通过包含学习参数的线性特征转换矩阵的映射操作,将所述食品安全知识图谱中不同类型实体的实体特征映射到同一空间;
通过所述三元组内注意力机制层计算在某一关系路径下目标实体所在所有三元组中邻居实体对目标实体的三元组内注意力系数;
利用softmax函数将所述三元组内注意力系数进行归一化处理;
同一关系路径下,通过归一化处理后的所述三元组内注意力系数与所述目标实体的所有邻居实体的实体特征通过三元组内注意力机制层进行非线性组合运算,分别得到所述目标实体在所述三元组内注意力机制层所包含的K1个三元组内注意力机制下的嵌入向量表示;
将K1个所述三元组内注意力机制下的嵌入向量表示求平均得到所述关系路径下的所述三元组内实体特征嵌入向量;所述三元组内实体特征嵌入向量的计算方式如下:
4.根据权利要求3所述的基于知识图谱推理的食品安全事件风险研判方法,其特征在于,所述将所述三元组内实体特征嵌入向量输入到所述三元组外注意力机制层,从而得到所述目标实体的三元组外实体特征嵌入向量,包括:
通过三元组外注意力机制层计算所述目标实体在各个关系路径下的三元组外注意力系数;
将各个关系路径下的所述三元组外注意力系数进行归一化处理;
同一关系路径下,将归一化处理后的所述三元组外注意力系数和所述三元组内实体特征嵌入向量进行乘积运算,然后通过非激活函数进行非线性转化得到融合结果,再将不同关系路径下的所述融合结果求和,分别得到所述目标实体在所述三元组外注意力机制层所包含的K2个三元组外注意力机制下的嵌入向量表示;
将K2个所述三元组外注意力机制下的嵌入向量表示求平均,并利用非线性激活函数进行处理,得到所述三元组外实体特征嵌入向量;所述三元组外实体特征嵌入向量的计算方式如下:
5.根据权利要求4所述的基于知识图谱推理的食品安全事件风险研判方法,其特征在于,所述将所述三元组外实体特征嵌入向量输入到所述实体分类层,从而得到所述目标实体的风险等级,包括:
利用包含学习参数的权值矩阵对所述三元组外实体特征嵌入向量进行转换及利用非线性激活函数进行处理后,使得聚合后的所述三元组外实体特征嵌入向量的向量维度为食品安全事件风险研判的评价集合中风险等级类别数量;聚合过程计算如下:
式中,表示的是经所述实体分类层得到的目标实体i的新的特征嵌入向量,Wc表示的是所述三元组外注意力机制层与所述实体分类层之间的包括学习参数的权值矩阵,sigmoid为非线性激活函数,表示的是目标实体i经过三元组外注意力机制层后的所述三元组外实体特征嵌入向量;
利用softmax函数进行归一化处理,得到所述目标实体属于各风险等级的概率值,根据所述概率值判断所述目标实体的风险等级;风险等级的概率值的计算如下式:
其中,为根据目标实体i所述三元组外实体特征嵌入向量,经所述实体分类层后得到其属于某一所述风险等级的概率值;fx表示目标实体i经所述实体分类层后最终聚合的特征集合中某一行的特征值;C表示的是目标实体i经所述实体分类层后最终聚合的特征维数并将其作为风险等级待分类的类型数量;
其中,所述实体分类层利用最小化交叉熵损失函数对所有带标签的数据和预测结果进行对比,并利用半监督学习训练所述三元组内注意力机制层及所述三元组外注意力机制层中的学习参数。
6.根据权利要求5所述的基于知识图谱推理的食品安全事件风险研判方法,其特征在于,所述方法还包括:
在所述关系预测层,利用三元组中包含的两个实体的所述三元组外实体特征嵌入向量构建有效三元组和无效三元组集合作为三元组评分函数的输入,其中,无效三元组是通过对有效三元组中的其中一个实体替换为其他实体得到的;三元组评分函数如下式:
其中,fscore(vh,rs,vt)表示某个三元组头实体vh和尾实体vt在关系rs下经所述三元组评分函数计算得到的结果,表示的是包含学习参数的对角向量矩阵,表示的是三元组头实体经过三元组内注意力机制层和三元组外注意力机制层得到的所述三元组外实体特征嵌入向量,表示的是三元组尾实体经过三元组内注意力机制层和三元组外注意力机制层得到的所述三元组外实体特征嵌入向量;T表示转置运算;
通过交叉熵损失函数进行参数优化,最终利用训练完成的三元组评分函数实现实体间的关系预测。
7.根据权利要求5所述的基于知识图谱推理的食品安全事件风险研判方法,其特征在于,所述三元组内注意力机制层下所述注意力机制的个数为4,所述三元组外注意力机制层下所述注意力机制的个数为5,所述风险等级待分类的类型数量为5。
8.一种基于知识图谱推理的食品安全事件风险研判装置,其特征在于,包括:
风险研判模块,所述风险研判模块用于将包含实体、实体间关系及实体特征的食品安全知识图谱输入到食品安全事件风险研判模型,从而获取目标实体的风险等级及进行食品安全事件原因推理和事件后果预测;其中,所述食品安全事件风险研判模型包括三元组内注意力机制层、三元组外注意力机制层、实体分类层及关系预测层;其中,所述三元组内注意力机制层的输出作为所述三元组外注意力机制层的输入,所述三元组外注意力机制层的输出分别作为所述实体分类层及所述关系预测层的输入;
所述风险研判模块包括三元组内注意力机制层处理模块、三元组外注意力机制层处理模块、实体分类层处理模块及关系预测模块,其中:
所述三元组内注意力机制层处理模块用于将所述食品安全知识图谱中不同类型实体的实体特征映射到同一空间后输入到所述三元组内注意力机制层,从而得到所述目标实体的三元组内实体特征嵌入向量;
所述三元组外注意力机制层处理模块用于将所述三元组内实体特征嵌入向量输入到所述三元组外注意力机制层,从而得到所述目标实体的三元组外实体特征嵌入向量;
所述实体分类层处理模块用于将所述三元组外实体特征嵌入向量输入到所述实体分类层,从而得到所述目标实体的风险等级;
所述关系预测模块用于将包含所述目标实体的所述三元组中的两个实体的所述三元组外实体特征嵌入向量输入到所述关系预测层,通过计算三元组评分函数对所述两个实体进行关系预测,从而进行食品安全事件原因推理和事件后果预测;
其中,所述三元组内注意力机制层用于对于某条关系路径下目标实体与不同邻居实体之间施加注意力机制,所述三元组外注意力机制层用于对目标实体所在的多条关系路径施加注意力机制;所述食品安全知识图谱中两个实体和两个实体间的关系构成三元组,由所述三元组中两个不同类型或相同类型实体在不同的关系下组成的路径称为所述关系路径。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在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至7任一项所述基于知识图谱推理的食品安全事件风险研判方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于知识图谱推理的食品安全事件风险研判方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622308.5A CN111832922B (zh) | 2020-06-30 | 2020-06-30 | 基于知识图谱推理的食品安全事件风险研判方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010622308.5A CN111832922B (zh) | 2020-06-30 | 2020-06-30 | 基于知识图谱推理的食品安全事件风险研判方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832922A true CN111832922A (zh) | 2020-10-27 |
CN111832922B CN111832922B (zh) | 2021-10-01 |
Family
ID=72899983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010622308.5A Active CN111832922B (zh) | 2020-06-30 | 2020-06-30 | 基于知识图谱推理的食品安全事件风险研判方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832922B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417314A (zh) * | 2020-11-26 | 2021-02-26 | 清华大学 | 一种社交网络自杀意念检测方法及系统 |
CN112508456A (zh) * | 2020-12-25 | 2021-03-16 | 平安国际智慧城市科技股份有限公司 | 食品安全风险评估方法、系统、计算机设备及存储介质 |
CN112633763A (zh) * | 2020-12-31 | 2021-04-09 | 上海三零卫士信息安全有限公司 | 一种基于人工神经网络ANNs的等级保护风险研判方法 |
CN112732905A (zh) * | 2020-12-08 | 2021-04-30 | 银江股份有限公司 | 一种基于知识图谱的交通事故分析与防控方法及系统 |
CN113298426A (zh) * | 2021-06-17 | 2021-08-24 | 华能澜沧江水电股份有限公司 | 知识图谱驱动的大坝安全评判权重动态拟定方法及系统 |
CN113312500A (zh) * | 2021-06-24 | 2021-08-27 | 河海大学 | 一种面向大坝安全运行的事件图谱构建方法 |
CN113379053A (zh) * | 2020-12-17 | 2021-09-10 | 中国人民公安大学 | 应急响应决策方法、装置及电子设备 |
CN113590835A (zh) * | 2021-07-28 | 2021-11-02 | 上海致景信息科技有限公司 | 纺织行业数据的知识图谱构建方法、装置及处理器 |
CN113688253A (zh) * | 2021-08-12 | 2021-11-23 | 浙江大学 | 一种层次感知的时态知识图谱表示学习方法 |
CN113837554A (zh) * | 2021-08-30 | 2021-12-24 | 中华人民共和国青岛海关 | 基于多模态关键信息匹配的食品安全风险识别方法及系统 |
CN113934862A (zh) * | 2021-09-29 | 2022-01-14 | 北方工业大学 | 社区安全风险预测方法、装置、电子设备及介质 |
CN114022058A (zh) * | 2022-01-06 | 2022-02-08 | 成都晓多科技有限公司 | 基于时序知识图谱的中小企业失信风险预测方法 |
CN114399051A (zh) * | 2021-12-29 | 2022-04-26 | 北方工业大学 | 食品安全智能问答推理方法及装置 |
CN115086004A (zh) * | 2022-06-10 | 2022-09-20 | 中山大学 | 一种基于异质图的安全事件识别方法及系统 |
CN115964504A (zh) * | 2021-12-28 | 2023-04-14 | 北方工业大学 | 一种食品安全风险预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918837A (zh) * | 2017-12-30 | 2018-04-17 | 天津科技大学 | 一种果蔬类食品安全风险预测方法 |
KR20180092194A (ko) * | 2017-02-08 | 2018-08-17 | 경북대학교 산학협력단 | 논리적 속성이 반영된 지식 그래프 임베딩 방법 및 시스템, 이를 수행하기 위한 기록매체 |
CN108763237A (zh) * | 2018-03-21 | 2018-11-06 | 浙江大学 | 一种基于注意力机制的知识图谱嵌入方法 |
CN109902183A (zh) * | 2019-02-13 | 2019-06-18 | 北京航空航天大学 | 一种基于多样图注意力机制的知识图谱嵌入方法 |
CN110929047A (zh) * | 2019-12-11 | 2020-03-27 | 中国人民解放军国防科技大学 | 关注邻居实体的知识图谱推理方法和装置 |
CN111291139A (zh) * | 2020-03-17 | 2020-06-16 | 中国科学院自动化研究所 | 基于注意力机制的知识图谱长尾关系补全方法 |
-
2020
- 2020-06-30 CN CN202010622308.5A patent/CN111832922B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180092194A (ko) * | 2017-02-08 | 2018-08-17 | 경북대학교 산학협력단 | 논리적 속성이 반영된 지식 그래프 임베딩 방법 및 시스템, 이를 수행하기 위한 기록매체 |
CN107918837A (zh) * | 2017-12-30 | 2018-04-17 | 天津科技大学 | 一种果蔬类食品安全风险预测方法 |
CN108763237A (zh) * | 2018-03-21 | 2018-11-06 | 浙江大学 | 一种基于注意力机制的知识图谱嵌入方法 |
CN109902183A (zh) * | 2019-02-13 | 2019-06-18 | 北京航空航天大学 | 一种基于多样图注意力机制的知识图谱嵌入方法 |
CN110929047A (zh) * | 2019-12-11 | 2020-03-27 | 中国人民解放军国防科技大学 | 关注邻居实体的知识图谱推理方法和装置 |
CN111291139A (zh) * | 2020-03-17 | 2020-06-16 | 中国科学院自动化研究所 | 基于注意力机制的知识图谱长尾关系补全方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417314A (zh) * | 2020-11-26 | 2021-02-26 | 清华大学 | 一种社交网络自杀意念检测方法及系统 |
CN112732905A (zh) * | 2020-12-08 | 2021-04-30 | 银江股份有限公司 | 一种基于知识图谱的交通事故分析与防控方法及系统 |
CN112732905B (zh) * | 2020-12-08 | 2022-06-14 | 银江技术股份有限公司 | 一种基于知识图谱的交通事故分析与防控方法及系统 |
CN113379053A (zh) * | 2020-12-17 | 2021-09-10 | 中国人民公安大学 | 应急响应决策方法、装置及电子设备 |
CN112508456A (zh) * | 2020-12-25 | 2021-03-16 | 平安国际智慧城市科技股份有限公司 | 食品安全风险评估方法、系统、计算机设备及存储介质 |
CN112633763A (zh) * | 2020-12-31 | 2021-04-09 | 上海三零卫士信息安全有限公司 | 一种基于人工神经网络ANNs的等级保护风险研判方法 |
CN112633763B (zh) * | 2020-12-31 | 2024-04-12 | 上海三零卫士信息安全有限公司 | 一种基于人工神经网络ANNs的等级保护风险研判方法 |
CN113298426A (zh) * | 2021-06-17 | 2021-08-24 | 华能澜沧江水电股份有限公司 | 知识图谱驱动的大坝安全评判权重动态拟定方法及系统 |
CN113312500A (zh) * | 2021-06-24 | 2021-08-27 | 河海大学 | 一种面向大坝安全运行的事件图谱构建方法 |
CN113312500B (zh) * | 2021-06-24 | 2022-05-03 | 河海大学 | 一种面向大坝安全运行的事件图谱构建方法 |
CN113590835A (zh) * | 2021-07-28 | 2021-11-02 | 上海致景信息科技有限公司 | 纺织行业数据的知识图谱构建方法、装置及处理器 |
CN113688253A (zh) * | 2021-08-12 | 2021-11-23 | 浙江大学 | 一种层次感知的时态知识图谱表示学习方法 |
CN113688253B (zh) * | 2021-08-12 | 2024-05-07 | 浙江大学 | 一种层次感知的时态知识图谱表示学习方法 |
CN113837554A (zh) * | 2021-08-30 | 2021-12-24 | 中华人民共和国青岛海关 | 基于多模态关键信息匹配的食品安全风险识别方法及系统 |
CN113934862A (zh) * | 2021-09-29 | 2022-01-14 | 北方工业大学 | 社区安全风险预测方法、装置、电子设备及介质 |
CN113934862B (zh) * | 2021-09-29 | 2022-10-14 | 北方工业大学 | 社区安全风险预测方法、装置、电子设备及介质 |
CN115964504A (zh) * | 2021-12-28 | 2023-04-14 | 北方工业大学 | 一种食品安全风险预测方法及系统 |
CN115964504B (zh) * | 2021-12-28 | 2023-06-30 | 北方工业大学 | 一种食品安全风险预测方法及系统 |
CN114399051A (zh) * | 2021-12-29 | 2022-04-26 | 北方工业大学 | 食品安全智能问答推理方法及装置 |
CN114022058A (zh) * | 2022-01-06 | 2022-02-08 | 成都晓多科技有限公司 | 基于时序知识图谱的中小企业失信风险预测方法 |
CN115086004A (zh) * | 2022-06-10 | 2022-09-20 | 中山大学 | 一种基于异质图的安全事件识别方法及系统 |
CN115086004B (zh) * | 2022-06-10 | 2023-08-29 | 中山大学 | 一种基于异质图的安全事件识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111832922B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832922B (zh) | 基于知识图谱推理的食品安全事件风险研判方法及装置 | |
Haleem et al. | Traceability implementation in food supply chain: A grey-DEMATEL approach | |
Certa et al. | ELECTRE TRI-based approach to the failure modes classification on the basis of risk parameters: An alternative to the risk priority number | |
CN109948000B (zh) | 异质网络的异常目标检测方法、装置、设备及存储介质 | |
Lee et al. | Retracted: A hybrid artificial intelligence sales‐forecasting system in the convenience store industry | |
Wu et al. | Partner selection in sustainable supply chains: A fuzzy ensemble learning model | |
CN110569904B (zh) | 机器学习模型的构建方法及计算机可读存储介质 | |
Panagou et al. | Modelling fungal growth using radial basis function neural networks: the case of the ascomycetous fungus Monascus ruber van Tieghem | |
Fernández-Navarro et al. | Development of a multi-classification neural network model to determine the microbial growth/no growth interface | |
Suzan et al. | Students' Adaptability Level Prediction in Online Education using Machine Learning Approaches | |
de Maya et al. | Marine Accident Learning with Fuzzy Cognitive Maps (MALFCMs): A case study on bulk carrier's accident contributors | |
Wang et al. | Design of supply-chain pedigree interactive dynamic explore (SPIDER) for food safety and implementation of hazard analysis and critical control points (HACCPS) | |
Pekel Ozmen et al. | A novel deep learning model based on convolutional neural networks for employee churn prediction | |
Lin et al. | Dynamic risk assessment of food safety based on an improved hidden Markov model integrating cuckoo search algorithm: A sterilized milk study | |
Shi et al. | Heterogeneous graph attention network for food safety risk prediction | |
Lammerding | Microbial food safety risk assessment | |
Djatna et al. | Traceability of information routing based on fuzzy associative memory modelling in fisheries supply chain | |
Ndiaye et al. | Visualization and machine learning for forecasting of COVID-19 in Senegal | |
Zhang et al. | Prediction of dairy product quality risk based on extreme learning machine | |
Kraus et al. | Interpretable generalized additive neural networks | |
Abdul Kadir et al. | Food security risk level assessment: a fuzzy logic-based approach | |
Garcia de Alford et al. | Reducing age bias in machine learning: An algorithmic approach | |
Madhavi et al. | Gradient boosted decision tree (GBDT) AND Grey Wolf Optimization (GWO) based intrusion detection model | |
CN115907937A (zh) | 基于神经网络的供应链金融风险监控方法及系统 | |
Haddouchi et al. | Assessing interpretation capacity in Machine Learning: A critical review |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |