CN114153996A - 多图注意力协同的地学知识图谱更新方法和装置 - Google Patents
多图注意力协同的地学知识图谱更新方法和装置 Download PDFInfo
- Publication number
- CN114153996A CN114153996A CN202210124146.1A CN202210124146A CN114153996A CN 114153996 A CN114153996 A CN 114153996A CN 202210124146 A CN202210124146 A CN 202210124146A CN 114153996 A CN114153996 A CN 114153996A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- geoscience
- graph
- data
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000000547 structure data Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 28
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003930 cognitive ability Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种多图注意力协同的地学知识图谱更新方法和装置。方法包括根据地学领域知识库中的地理实体及地理实体之间的关联关系构建“数据‑模型‑知识”三层知识图谱;将知识图谱的数据映射为知识图复形结构;构建多图注意力机制的知识图复形演化模型,将知识图复形结构数据作为训练数据集,迭代训练知识图复形演化模型,得到地学知识表示函数;计算待更新的未知地学知识的知识可信度和知识匹配度,若知识可信度和知识匹配度均不小于对应阈值,则将未知地学知识更新至知识图谱中。以此方式,可以实现对地学知识图谱进行具有预测型、迭代型、增量型、敏捷型生命周期特征的自主更新。
Description
技术领域
本发明一般涉及地理大数据分析领域,并且更具体地,涉及一种多图注意力协同的地学知识图谱更新方法和装置。
背景技术
人工智能发展到今天能解决很多问题、但是也有很多问题很难理解:怎样让机器能够真正理解人的语言,目前还做得很不够。进一步规划机器学习发展路径已经成为当今的热点。机器学习目前还只是停留在计算智能、感知智能上,怎样让机器能有认知能力、模仿人去认知一些事物、提高机器学习的认识能力是一个新的课题,知识图谱就是填补人机鸿沟的很重要的方法。
知识图谱是描述真实世界中存在的各种实体、或概念、及其关系的语义网络图,所述语义网络图模拟人的语言记忆和联想方式,直接而明确地表达概念的语义关系,可利用语义网络的结构关系检索和推理,效率高、通过节点和关系的特殊图结构数据为真实世界的各个场景直观建模;语义网络在辅助智能问答、物联网设备互联、可解释性人工智能等多个方面展现出丰富的应用价值。
地学知识图谱的广泛应用可以推动地球科学与信息科学、数据科学的交叉融合,促进学科发展。具体的,地学知识图谱可以应用在工程全生命周期管理、高精度地质时间轴构建、地学大数据综合分析以及智能地图编辑与制图控制等多个地学领域场景。
然而,地学知识具有时空性、变化性、尺度性的信息特征,导致运用静态的三元组形式(头部节点、尾部节点、头尾之间的向量关系)进行数据存储和知识表达时,容易产生信息延迟、知识滞后及虚拟数据与物理世界不同步等问题,难以提供实时的、一致的、精准的地学知识检索、推荐,问答等知识服务。
现有知识图谱更新方法分为手动更新和流程化更新:手动更新是基于专家经验,从网络中抽取合适知识进行图谱更新,然而此类方法缺少统一的更新体系,各领域专家本身存在认知差异,难以实现快速的精确知识更新;流程化更新是指当系统响应于知识图谱更新请求时,调用第一服务获取消息队列中的第一标识信息,并对标在HBASE数据库中搜索对应的网络资源,进一步对网络资源进行知识抽取,与原始三元组信息进行融合,以获取更新后的知识三元组信息,然而此类方法受限于复杂图结构的知识图谱,大概率仅对目标知识图谱的叶子层节点实现增量式更新,且过于繁杂的系统纠错导致知识更新频率较低,面向地理信息的多目标、多层次、多变化更新需求,这显然存在不足。
发明内容
根据本发明的实施例,提供了一种多图注意力协同的地学知识图谱更新方案。本方案涉及地学知识时空实体与对象动态关联、多视角地学知识交互与呈现、精准地学知识发现与推理等理论与方法,最终实现对地学知识图谱进行具有预测型、迭代型、增量型、敏捷型生命周期特征的自主更新。
在本发明的第一方面,提供了一种多图注意力协同的地学知识图谱更新方法。该方法包括:
根据地学领域知识库中的地理实体及地理实体之间的关联关系构建“数据-模型-知识”三层知识图谱;所述地理实体包括地学数据、地学模型和地学知识;
将所述“数据-模型-知识”三层知识图谱的数据映射为知识图复形结构;
构建多图注意力机制的知识图复形演化模型,将知识图复形结构数据作为训练数据集,迭代训练所述知识图复形演化模型,得到地学知识表示函数;
计算待更新的未知地学知识的知识可信度和知识匹配度,若所述知识可信度和知识匹配度均不小于对应阈值,则将所述未知地学知识更新至所述“数据-模型-知识”三层知识图谱中。
进一步地,所述“数据-模型-知识” 三层知识图谱,包括地学“数据”知识图谱、地学“模型”知识图谱和地学“知识”知识图谱;
所述地学“数据”知识图谱是指以地学数据为主体构建的“头实体-关联关系-尾实体”图谱模型;
所述地学“模型”知识图谱是指以地学模型为主体构建的“头实体-关联关系-尾实体”图谱模型;
所述地学“知识”知识图谱是指以地学知识为主体构建的“头实体-关联关系-尾实体”图谱模型;
其中,关联关系为所述三层知识图谱之间的关联关系,包括约束关系、驱动关系和引导关系。
进一步地,所述知识图复形结构为包含外部层次和内接层次的结构化映射;
外部层次,包括复形集合与关联规则集合;其中复形集合包括三类抽象节点,分别为地学数据、地学模型和地学知识;关联规则集合包括所述地学数据、地学模型和地学知识之间的关联关系;
内接层次,为复形集合的内部结构,包括子节点集合、子节点关系集合以及邻接矩阵集合;其中,子节点为地学“数据”知识图谱、地学“模型”知识图谱或地学“知识”知识图谱的内部实体;子节点关系集合为描述地学“数据”知识图谱、地学“模型”知识图谱或地学“知识”知识图谱中子节点之间关系的集合;邻接矩阵集合为表示或存储子节点及其相邻节点间连接信息的二维矩阵的集合。
进一步地,所述多图注意力机制的知识图复形演化模型为:
其中,为多图注意力机制的知识图复形演化模型;为知识复形的特征矩阵;为输入复形结构的拓扑连通度;是以为卷积核参数的卷积运算;为图注意力机制,其中为任意子节点,为子节点在对应图谱层的原始关系,为邻接矩阵,为引入注意力机制所需的随机权重;和为任意复形集合中的子节点向量;为两个子节点间的关系向量;为邻接矩阵转置;为指数函数;为激活函数,用于在训练中收敛卷积运算。
进一步地,所述地学知识表示函数为:
进一步地,所述知识可信度为:
进一步地,所述知识匹配度为:
进一步地,所述将所述未知地学知识更新至所述“数据-模型-知识”三层知识图谱中,包括:
将所述未知地学知识存入知识图谱数据库中所述知识匹配度最高的位置信息对应的节点表、关系表和元组表中;所述知识图谱数据库用于以节点表、关系表和元组表的形式存储数据;其中,所述元组表由节点与关系组成。
在本发明的第二方面,提供了一种多图注意力协同的地学知识图谱更新装置。该装置包括:
构建模块,用于根据地学领域知识库中的地理实体及地理实体之间的关联关系构建“数据-模型-知识”三层知识图谱;所述地理实体包括地学数据、地学模型和地学知识;
映射模块,用于将所述“数据-模型-知识”三层知识图谱的数据映射为知识图复形结构;
训练模块,用于构建多图注意力机制的知识图复形演化模型,将知识图复形结构数据作为训练数据集,迭代训练所述知识图复形演化模型,得到地学知识表示函数;
更新模块,用于计算待更新的未知地学知识的知识可信度和知识匹配度,若所述知识可信度和知识匹配度均不小于对应阈值,则将所述未知地学知识更新至所述“数据-模型-知识”三层知识图谱中。
在本发明的第三方面,提供了一种电子设备。该电子设备至少一个处理器;以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明第一方面的方法。
附图说明
结合附图并参考以下详细说明,本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本发明的实施例的多图注意力协同的地学知识图谱更新方法的流程图;
图2示出了根据本发明的实施例的知识图复形结构构建原理示意图;
图3示出了根据本发明的实施例的多图信息传递及注意力机制原理图;
图4示出了根据本发明的实施例的“数据-模型-知识”三层知识图谱示意图;
图5示出了根据本发明的实施例的更新后的“数据-模型-知识”三层知识图谱示意图;
图6示出了根据本发明的实施例的多图注意力协同的地学知识图谱更新装置的方框图;
图7示出了能够实施本发明的实施例的示例性电子设备的方框图;
其中,700为电子设备、701为CPU、702为ROM、703为RAM、704为总线、705为I/O接口、706为输入单元、707为输出单元、708为存储单元、709为通信单元。
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、完整地描述,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全部其他实施例,都属于本发明保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本发明中涉及地学知识时空实体与对象动态关联、多视角地学知识交互与呈现、精准地学知识发现与推理等理论与方法,最终实现对地学知识图谱进行具有预测型、迭代型、增量型、敏捷型生命周期特征的自主更新。
图1示出了本发明实施例的多图注意力协同的地学知识图谱更新方法的流程图。
该方法包括:
S101、根据地学领域知识库中的地理实体及地理实体之间的关联关系构建“数据-模型-知识”三层知识图谱。
所述地理实体包括地学数据、地学模型和地学知识。根据地学内涵和理论框架,将地学知识库中的地理实体和关系构建“数据-模型-知识”信息图结构,称为“数据-模型-知识”三层知识图谱。
通过输入地学领域知识库,基于地学领域信息内涵和知识框架构建“数据-模型-知识”的多层图谱;即地理空间要素的实体化表达,包括地学数据、地学模型及地学知识,以及数据、模型与知识之间的约束、驱动和引导等关联关系;基于上述地学表达框架从开源知识库中抽取相应信息,结合专家经验和自动抽取算法构建“数据-模型-知识”三层图谱。
作为本发明的一种实施例,所述“数据-模型-知识” 三层知识图谱,包括地学“数据”知识图谱、地学“模型”知识图谱和地学“知识”知识图谱。
所述地学“数据”知识图谱是指以地学数据为主体构建的“头实体-关联关系-尾实体”图谱模型;以SPO三元组形式进行存储,例如,<某河流矢量数据,连通,某水系矢量数据>,其中三元组实体包括时间,空间,几何等属性。
所述地学“模型”知识图谱是指以地学模型为主体构建的“头实体-关联关系-尾实体”图谱模型;以SPO三元组形式进行存储,例如,<某地质模型,依赖,某地理模型>。
所述地学“知识”知识图谱是指以地学知识为主体构建的“头实体-关联关系-尾实体”图谱模型;以SPO三元组形式进行存储,例如,<某地理过程,诱发,某地质灾害>。
其中,关联关系为所述三层知识图谱之间的关联关系,包括约束关系、驱动关系和引导关系;以SPO三元组形式进行存储,例如<数据,约束,模型>或<知识,引导,模型>等,具有复杂的高阶关系特征。
S102、将所述“数据-模型-知识”三层知识图谱的数据映射为图复形结构。
利用数据抽象方法对“数据-模型-知识”三层知识图谱数据映射为图复形结构。该映射具体将“数据-模型-知识”图谱内部元组和层次关联抽象为复形结构的“节点”和“边”,用于建模地学过程中“数据-模型-知识”的高阶相互作用,称为知识图复形结构(GraphSimplicial Complexes)。
如图2所示,所述知识图复形结构为包含外部层次和内接层次的结构化映射;外部层次,包括复形集合与关联规则集合,表达形式为<复形集合,关联规则集合>,表示复形集合与关联规则集合共同表达/存储知识图复形结构中;其中复形集合包括三类抽象节点,分别为地学数据、地学模型和地学知识;关联规则集合包括所述地学数据、地学模型和地学知识之间的关联关系;内接层次,为复形集合的内部结构,包括子节点集合、子节点关系集合以及邻接矩阵集合,表达形式为<子节点集合,子节点关系集合,邻接矩阵集合>;其中,子节点为地学“数据”知识图谱、地学“模型”知识图谱或地学“知识”知识图谱的内部实体;子节点关系集合为描述地学“数据”知识图谱、地学“模型”知识图谱或地学“知识”知识图谱中子节点之间关系的集合;邻接矩阵集合为表示或存储子节点及其相邻节点间连接信息的二维矩阵的集合。
通过映射“数据-模型-知识”三层图谱数据的外部和内接层次的图复形结构,能够协同建模“数据-模型-知识”三层图谱中显式的高阶关系,描述或重现地学过程中多地学要素(数据、模型、知识)对地学现象的共同作用特征。
S103、构建多图注意力机制的知识图复形演化模型,将知识图复形结构数据作为训练数据集,其中一组“数据-模型-知识”图复形为某一训练样本,结合加权的卷积运算,迭代训练所述知识图复形演化模型,得到地学知识表示函数。
所述知识图复形演化模型,是一种图神经网络,指在步骤2图复形结构基础上加入时空维度的计算框架,用于模拟高阶结构及其局部邻域随时间的非线性特征演化;所述多图注意力机制指在训练知识图复形演化模型时,引入注意力机制实现更好的邻居聚合,解决对高阶结构进行卷积计算时,泛化能力弱的局限;通过迭代训练所述多图注意力机制的知识图演化模型,得到表达“数据-模型-知识”图谱中信息高阶关联作用的地学知识表示函数,用于定量评估更新知识的可信度及所处图谱位置。
如图3所示,表征知识复形节点之间的信息传递和动态演化过程,所述多图注意力机制的知识图复形演化模型,具体为:
其中,为多图注意力机制的知识图复形演化模型;为知识复形的特征矩阵;为输入复形结构的拓扑连通度;是以为卷积核参数的卷积运算;为图注意力机制,用于表征某一复形节点在以其为中心点的三阶有向完全图的信息传递过程,其中为任意子节点,为子节点在对应图谱层的原始关系,为邻接矩阵,即以为中心的三阶有向完全图的邻接矩阵,为引入注意力机制所需的随机权重;和为任意复形集合中的子节点向量;为两个子节点间的关系向量;为邻接矩阵转置;为指数函数;为激活函数,用于在训练中收敛卷积运算。
所述地学知识表示函数为:
该公式直观意义在于,知识表示函数是通过逐层训练,即将上一层卷积结果作为下一层的输入;最后通过非线性激活函数σ得到知识复形的整体高阶特征,输出为向量形式。其中,为地学知识表示函数,为地学知识表示函数的向量形式;为非线性激活函数;为初始知识图复形演化模型;为输入初始计算结果的二次演化模型;为输入二次计算结果的最终演化模型。
S104、计算待更新的未知地学知识的知识可信度和知识匹配度,若所述知识可信度和知识匹配度均不小于对应阈值,则将所述未知地学知识更新至所述“数据-模型-知识”三层知识图谱中。
所述知识更新指将新的知识和上述计算的知识复形高阶特征,通过相似度函数和关联函数,分别计算知识可信度和知识匹配度,用于判断新知识是否能够更新至已有地学知识图谱数据库中,且所处数据库中的关联位置。若所述知识可信度和知识匹配度均不小于对应阈值,则将所述未知地学知识更新至所述“数据-模型-知识”三层知识图谱中。若所述知识可信度和知识匹配度至少有一个小于对应阈值,则不将所述未知地学知识进行更新至所述“数据-模型-知识”三层知识图谱中。
在一些实施例中,所述知识可信度为:
在一些实施例中,所述知识匹配度为:
其中,为知识匹配度;为任意知识子节点的语义向量;为未知地学知识的语义向量,来源于通用文本语料库,通用文本语料库中固定词汇表中的每个词都由一个向量表示;为所属知识图复形的特征值;为任意子节点。分别对所有节点与新知识语义向量进行内积,表明该新知识与最高匹配度的已有知识节点建立连接,即能够确定新知识的更新位置,最终实现地学知识图谱的更新。
在本实施例的一些可选的实现方式中,如图4所示,构建河湖水体生态数据、RSEI遥感水体模型与水体风险等级的三层知识图谱。
步骤1:从Open-KG中的开源地理知识库“DynamicGeo”抽取相关知识,并按照已有的知识库中的知识标签划分所述“数据-模型-知识”三类知识,按照“知识实体-知识关系-知识实体”的形式输入知识图谱数据库中进行存储,实现“数据-模型-知识”三层知识图谱的构建。
构建过程具体包括:
1)存储知识实体数据,所属节点索引及其语义索引,具体为存储节点数组,数组下标即是该节点索引;语义索引即链接该节点表征的标签/文本/知识信息,与节点索引一一对应。
2)存储有知识关系数据及其语义索引,具体为存储节点关系的分组数组,数组的分组序号即是两节点之间的关系索引;语义索引即链接该节点关系表征的标签/文本/知识信息,与节点关系索引一一对应。
3)存储文本语义数据及其索引序列,具体为存储文本和相应语义向量,其中语义向量来源于通用文本语料库,通用文本语料库中固定词汇表中的每个词都由一个向量表示。
步骤2:知识图抽象化映射。
按照所述<复形集合,关联规则集合>和<子节点集合,子节点关系集合,邻接矩阵集合>,提取上述知识实体和关系并抽象为复形、复形关系边、节点及节点关系边,以邻接矩阵和邻接表的形式存储,如图4所示,其中,“数据”为河湖水体生态数据;“模型”为RSEI遥感水体模型;“知识”为水体风险等级。河湖水体生态数据与RSEI遥感水体模型之间的关联关系包括“使用”和“驱动”。河湖水体生态数据与水体风险等级之间的关联关系包括“约束”和“引导”;RSEI遥感水体模型和水体风险等级之间的关联关系包括“约束”和“驱动”。河湖水体生态数据的内部子节点包括河流水体质量、入江泥沙量、入江河流水质;RSEI遥感水体模型的内部子节点包括GIS空间分析、监督分类和统计分析;水体风险等级的内部子节点包括水体安全和水体政策。“河湖水体生态数据”、“RSEI遥感水体模型”和“水体风险等级”与之间的“使用”、“驱动”,“约束”等关联关系构成外部层次,内部层次为以“河湖水体生态数据”为中心的子节点集合与对应节点关系。
步骤3:多图注意力机制的知识图复形演化模型训练。按照本方法面向知识图复形的图神经网络设计原理和框架,将上述知识信息输入到计算空间中,训练得到表征“河湖水体生态数据-RSEI遥感水体模型-水体风险等级”的知识表示函数。
步骤4:按照本方法计算新知识“平均降雨量”与“水体灾害”知识可信度和知识匹配度,根据计算结果在数据库中进行增补,实现地学知识图谱更新。更新后的地学知识图谱如图5所示。
根据本发明的实施例,通过“数据-模型-知识”地学领域信息框架建立多层图谱,结合用于图信息自主学习、动态聚合、协同表示的图注意力机制,对新地理知识进行评估并对知识图谱进行相应更新;能够创新地运用于地质工程全生命周期管理等复杂时空过程模拟分析中,对于各时间阶段的工程信息及其关联关系进行统一管理、快速跟进和准确表达,实现虚拟数据空间和真实物理世界的融合和打通,保障地学数据信息系统基础性、时代性、创新性的发展。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本发明所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本发明所述方案进行进一步说明。
如图6所示,装置600包括:
构建模块610,用于根据地学领域知识库中的地理实体及地理实体之间的关联关系构建“数据-模型-知识”三层知识图谱;所述地理实体包括地学数据、地学模型和地学知识;
映射模块620,用于将所述“数据-模型-知识”三层知识图谱的数据映射为知识图复形结构;
训练模块630,用于构建多图注意力机制的知识图复形演化模型,将知识图复形结构数据作为训练数据集,迭代训练所述知识图复形演化模型,得到地学知识表示函数;
更新模块640,用于计算待更新的未知地学知识的知识可信度和知识匹配度,若所述知识可信度和知识匹配度均不小于对应阈值,则将所述未知地学知识更新至所述“数据-模型-知识”三层知识图谱中。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本发明的实施例,本发明还提供了一种电子设备和一种可读存储介质。
图7示出了可以用来实施本发明的实施例的电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如方法S101~S104。例如,在一些实施例中,方法S101~S104可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的方法S101~S104的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法S101~S104。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种多图注意力协同的地学知识图谱更新方法,其特征在于,包括:
根据地学领域知识库中的地理实体及地理实体之间的关联关系构建“数据-模型-知识”三层知识图谱;所述地理实体包括地学数据、地学模型和地学知识;
将所述“数据-模型-知识”三层知识图谱的数据映射为知识图复形结构;
构建多图注意力机制的知识图复形演化模型,将知识图复形结构数据作为训练数据集,迭代训练所述知识图复形演化模型,得到地学知识表示函数;
计算待更新的未知地学知识的知识可信度和知识匹配度,若所述知识可信度和知识匹配度均不小于对应阈值,则将所述未知地学知识更新至所述“数据-模型-知识”三层知识图谱中。
2.根据权利要求1所述的方法,其特征在于,所述“数据-模型-知识” 三层知识图谱,包括地学“数据”知识图谱、地学“模型”知识图谱和地学“知识”知识图谱;
所述地学“数据”知识图谱是指以地学数据为主体构建的“头实体-关联关系-尾实体”图谱模型;
所述地学“模型”知识图谱是指以地学模型为主体构建的“头实体-关联关系-尾实体”图谱模型;
所述地学“知识”知识图谱是指以地学知识为主体构建的“头实体-关联关系-尾实体”图谱模型;
其中,关联关系为所述三层知识图谱之间的关联关系,包括约束关系、驱动关系和引导关系。
3.根据权利要求2所述的方法,其特征在于,所述知识图复形结构为包含外部层次和内接层次的结构化映射;
外部层次,包括复形集合与关联规则集合;其中复形集合包括三类抽象节点,分别为地学数据、地学模型和地学知识;关联规则集合包括所述地学数据、地学模型和地学知识之间的关联关系;
内接层次,为复形集合的内部结构,包括子节点集合、子节点关系集合以及邻接矩阵集合;其中,子节点为地学“数据”知识图谱、地学“模型”知识图谱或地学“知识”知识图谱的内部实体;子节点关系集合为描述地学“数据”知识图谱、地学“模型”知识图谱或地学“知识”知识图谱中子节点之间关系的集合;邻接矩阵集合为表示或存储子节点及其相邻节点间连接信息的二维矩阵的集合。
8.根据权利要求1所述的方法,其特征在于,所述将所述未知地学知识更新至所述“数据-模型-知识”三层知识图谱中,包括:
将所述未知地学知识存入知识图谱数据库中所述知识匹配度最高的位置信息对应的节点表、关系表和元组表中;所述知识图谱数据库用于以节点表、关系表和元组表的形式存储数据;其中,所述元组表由节点与关系组成。
9.一种多图注意力协同的地学知识图谱更新装置,其特征在于,包括:
构建模块,用于根据地学领域知识库中的地理实体及地理实体之间的关联关系构建“数据-模型-知识”三层知识图谱;所述地理实体包括地学数据、地学模型和地学知识;
映射模块,用于将所述“数据-模型-知识”三层知识图谱的数据映射为知识图复形结构;
训练模块,用于构建多图注意力机制的知识图复形演化模型,将知识图复形结构数据作为训练数据集,迭代训练所述知识图复形演化模型,得到地学知识表示函数;
更新模块,用于计算待更新的未知地学知识的知识可信度和知识匹配度,若所述知识可信度和知识匹配度均不小于对应阈值,则将所述未知地学知识更新至所述“数据-模型-知识”三层知识图谱中。
10.一种电子设备,至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其特征在于,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210124146.1A CN114153996B (zh) | 2022-02-10 | 2022-02-10 | 多图注意力协同的地学知识图谱更新方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210124146.1A CN114153996B (zh) | 2022-02-10 | 2022-02-10 | 多图注意力协同的地学知识图谱更新方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114153996A true CN114153996A (zh) | 2022-03-08 |
CN114153996B CN114153996B (zh) | 2022-04-12 |
Family
ID=80450330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210124146.1A Active CN114153996B (zh) | 2022-02-10 | 2022-02-10 | 多图注意力协同的地学知识图谱更新方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114153996B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115292523A (zh) * | 2022-08-04 | 2022-11-04 | 中国科学院空天信息创新研究院 | 一种基于图表示学习的时空信息推理方法 |
CN117290366A (zh) * | 2023-08-14 | 2023-12-26 | 中国船舶集团有限公司第七〇九研究所 | 一种不确定性态势时空知识图谱更新方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829057A (zh) * | 2019-01-11 | 2019-05-31 | 中山大学 | 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法 |
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 |
CN111581396A (zh) * | 2020-05-06 | 2020-08-25 | 西安交通大学 | 一种基于多维特征融合与依存句法的事件图谱构建系统及方法 |
CN112256857A (zh) * | 2020-11-17 | 2021-01-22 | 北京邮电大学 | 一种基于图注意力机制的对话历史建模方法 |
CN112800770A (zh) * | 2021-04-15 | 2021-05-14 | 南京樯图数据研究院有限公司 | 一种基于异构图注意力网络的实体对齐方法 |
US20210279599A1 (en) * | 2019-06-25 | 2021-09-09 | Google Llc | Developing event-specific provisional knowledge graphs |
CN113378048A (zh) * | 2021-06-10 | 2021-09-10 | 浙江工业大学 | 一种基于多视角知识图谱注意力网络的个性化推荐方法 |
CN113535984A (zh) * | 2021-08-11 | 2021-10-22 | 华侨大学 | 一种基于注意力机制的知识图谱关系预测方法及装置 |
-
2022
- 2022-02-10 CN CN202210124146.1A patent/CN114153996B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829057A (zh) * | 2019-01-11 | 2019-05-31 | 中山大学 | 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法 |
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 |
US20210279599A1 (en) * | 2019-06-25 | 2021-09-09 | Google Llc | Developing event-specific provisional knowledge graphs |
CN111581396A (zh) * | 2020-05-06 | 2020-08-25 | 西安交通大学 | 一种基于多维特征融合与依存句法的事件图谱构建系统及方法 |
CN112256857A (zh) * | 2020-11-17 | 2021-01-22 | 北京邮电大学 | 一种基于图注意力机制的对话历史建模方法 |
CN112800770A (zh) * | 2021-04-15 | 2021-05-14 | 南京樯图数据研究院有限公司 | 一种基于异构图注意力网络的实体对齐方法 |
CN113378048A (zh) * | 2021-06-10 | 2021-09-10 | 浙江工业大学 | 一种基于多视角知识图谱注意力网络的个性化推荐方法 |
CN113535984A (zh) * | 2021-08-11 | 2021-10-22 | 华侨大学 | 一种基于注意力机制的知识图谱关系预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
LINYI DING 等: "A Multi -Role Graph Attention Network for Knowledge Graph Alignment", 《2021 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
王星 等: "联合图注意力和卷积神经网络的链接预测方法", 《山西大学学报(自然科学版》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115292523A (zh) * | 2022-08-04 | 2022-11-04 | 中国科学院空天信息创新研究院 | 一种基于图表示学习的时空信息推理方法 |
CN115292523B (zh) * | 2022-08-04 | 2023-09-22 | 中国科学院空天信息创新研究院 | 一种基于图表示学习的时空信息推理方法 |
CN117290366A (zh) * | 2023-08-14 | 2023-12-26 | 中国船舶集团有限公司第七〇九研究所 | 一种不确定性态势时空知识图谱更新方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114153996B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114153996B (zh) | 多图注意力协同的地学知识图谱更新方法和装置 | |
KR20220005416A (ko) | 다항 관계 생성 모델의 트레이닝 방법, 장치, 전자 기기 및 매체 | |
CN110297911A (zh) | 物联网(iot)计算环境中认知数据管护的方法和系统 | |
CN114357105B (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
CN113065974A (zh) | 一种基于动态网络表示学习的链路预测方法 | |
CN109739995A (zh) | 一种信息处理方法及装置 | |
US20230083810A1 (en) | Method and apparatus for processing molecular scaffold transition, medium, electronic device, and computer program product | |
CN112148891A (zh) | 一种基于图感知张量分解的知识图谱补全方法 | |
Xia et al. | A minimum-volume oriented bounding box strategy for improving the performance of urban cellular automata based on vectorization and parallel computing technology | |
CN113254716A (zh) | 视频片段检索方法、装置、电子设备和可读存储介质 | |
CN115204171A (zh) | 基于超图神经网络的文档级事件抽取方法及系统 | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
US11947503B2 (en) | Autoregressive graph generation machine learning models | |
CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
Xiao et al. | A point selection method in map generalization using graph convolutional network model | |
CN116702784B (zh) | 实体链接方法、装置、计算机设备和存储介质 | |
CN114840777B (zh) | 多维度养老服务推荐方法、装置以及电子设备 | |
CN116629362A (zh) | 一种基于路径搜索的可解释时间图推理方法 | |
CN115423105A (zh) | 一种预训练语言模型构建方法、系统及装置 | |
Ma et al. | [Retracted] The Construction of Big Data Computational Intelligence System for E‐Government in Cloud Computing Environment and Its Development Impact | |
CN111339446B (zh) | 一种兴趣点挖掘方法、装置、电子设备和存储介质 | |
Tan et al. | Use of a Knowledge Network for Management and Sharing of Teaching Resources for Building Construction Simulations. | |
CN118378701B (zh) | 高阶图结构驱动的大规模地学领域知识图谱更新优化方法 | |
CN116933146B (zh) | 一种数字孪生空间实体的分类体系创建方法及装置 | |
CN114741526B (zh) | 一种网络空间安全领域知识图谱云平台 |
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 |