CN115018214A - 一种基于认知图谱的企业风险分析预测方法、系统和介质 - Google Patents
一种基于认知图谱的企业风险分析预测方法、系统和介质 Download PDFInfo
- Publication number
- CN115018214A CN115018214A CN202210946527.8A CN202210946527A CN115018214A CN 115018214 A CN115018214 A CN 115018214A CN 202210946527 A CN202210946527 A CN 202210946527A CN 115018214 A CN115018214 A CN 115018214A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- data
- risk
- cognitive
- mode
- 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
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 296
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000012502 risk assessment Methods 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 170
- 238000004519 manufacturing process Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 67
- 230000019771 cognition Effects 0.000 claims abstract description 56
- 230000008520 organization Effects 0.000 claims abstract description 53
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 15
- 238000005265 energy consumption Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000001939 inductive effect Effects 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 claims 1
- 239000003795 chemical substances by application Substances 0.000 description 62
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06N5/046—Forward inferencing; Production systems
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种基于认知图谱的企业风险分析预测方法、系统和介质。该方法包括:根据企业组织运行数据构架企业智能体多模态认知图谱对建立的企业运作多模态数据进行企业运作风险数据多模态识别和认知抽取,并基于认知图谱对企业运作多模态数据进行风险数据多模态识别和认知抽取以及多模态认知的链接和融合获得企业运作风险数据多模态认知,再根据认知图谱和逻辑推理规则认知加工预测企业运作风险;从而通过构建企业智能体多模态认知图谱对企业运作多模态数据进行识别和实体、属性、事件关系抽取,对抽取的企业运作多模态进行属性链接和认知融合获得风险事件多模态认知以及根据认知图谱和规则进行认知加工预测企业生产运作的风险事件。
Description
技术领域
本申请涉及大数据与人工智能领域的知识工程领域,具体而言,涉及一种基于认知图谱的企业风险分析预测方法、系统和介质。
背景技术
人工智能已经从计算智能、感知智能,进入到认知智能阶段。认知即个体对知识进行获取、加工、应用的过程,这是人脑的高级信息处理方式;认知智能即让机器具有“读懂语义、逻辑推理、学习判断”的能力。机器认知智能的两个核心是“理解”与“解释”。认知智能的实现需要以知识为驱动力,这涉及到知识表示、语义理解、联想推理、智能问答、情感计算、决策规划等关键技术。
随着深度学习的兴起,人工智能迎来了新的发展高潮。人工智能的一个发展瓶颈在于,如何让机器掌握人类知识,让机器理解并掌握大量这样的知识是一件极其困难的事情,而这也是通往强人工智能的必由之路。
认知图谱的出现为认知智能的发展注入了“加速剂”。但目前的认识图谱的应用较为浅显,特别是针对处理大数据相关的复杂生产生活应用问题发明,针对企业风险的分析、预测方法目前的大数据方法仅限于传统互联网+机器的系统风控方法,缺乏根据企业生产运行面貌数据的动态、全面、精准的处理手段,不具备可通过多模态认知图谱的手段进行企业生产运作风险事件的全面准确分析预测的方法。
针对上述问题,目前亟待有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种基于认知图谱的企业风险分析预测方法、系统和介质,可以根据构建企业智能体多模态认知图谱对企业运作多模态数据进行识别和实体、属性、事件关系抽取,对抽取的企业运作多模态进行属性链接和认知融合获得风险事件多模态认知以及根据认知图谱和规则进行认知加工预测企业生产运作的风险事件。
本申请实施例还提供了基于认知图谱的企业风险分析预测方法,包括以下步骤:
根据企业组织运行数据构架企业智能体多模态认知图谱,并建立初步企业组织运行认知体系;
获取企业的生产运作数据集并建立企业运作多模态数据,基于所述企业智能体多模态认知图谱对所述企业运作多模态数据进行企业运作数据多模态识别和风险关系抽取;
对抽取的所述多模态认知进行链接和融合获得企业运作风险数据多模态认知;
根据认知图谱和逻辑推理规则进行认知加工预测企业运作风险。
可选地,在本申请实施例所述的基于认知图谱的企业风险分析预测方法中,所述根据企业运行数据构架企业智能体多模态认知图谱,并建立初步企业运行认知体系,包括:
获取企业的组织运行特征数据,包括企业布局数据、厂房设施数据、生产线数据、人员岗位数据、设备硬件数据、库存物流链数据、水电动能数据;
根据所述组织运行特征数据架构所述企业的空间坐标系和比例尺以及厂区图形单元数据;
根据所述厂区图形单元数据建立企业厂区布局模型,并对所述企业厂区布局模型进行数字描述;
提取所述企业厂区布局模型的色彩信息并结合所述数字描述素进行光栅化处理构建所述企业的虚拟现实场景;
根据所述组织运行特征数据架构所述虚拟现实场景的企业智能体多模态认知图谱,并根据空间坐标系映射厂区场景中各种事物在空间上的位置关系以及各种逻辑的关联关系,对企业组织相貌建立初步认知。
可选地,在本申请实施例所述的基于认知图谱的企业风险分析预测方法中,所述获取企业的生产运作数据集并建立企业运作多模态数据,基于所述企业智能体多模态认知图谱对所述企业运作多模态数据进行企业运作数据多模态识别和风险关系抽取,包括:
获取所述企业的生产运作数据包括企业产能数据、生产线运行数据、设备运行数据、厂房运转数据、人员效率数据、供应链运转数据以及财务报表数据;
根据所述生产运作数据建立企业运作多模态数据;
根据所述企业智能体多模态认知图谱结合预训练数据对所述企业运作多模态数据进行识别,并建立企业运作多模态数据的对应和依赖关系;
基于所述企业运作多模态数据进行图像识别、文本处理、异常抽取、风险关系抽取、风险属性抽取以及风险事件抽取。
可选地,在本申请实施例所述的基于认知图谱的企业风险分析预测方法中,所述基于所述企业运作多模态数据进行图像识别、文本处理、异常抽取、风险关系抽取、风险属性抽取以及风险事件抽取,包括:
所述图像识别包括图像分割、目标检测和识别,包括根据分割的企业物体与所述企业智能体多模态认知图谱中图像进行阈值对比和相似度计算,若相似概率超过预设阈值则判定为同一类别物体;
所述文本处理包括分词处理、词性标注以及实体识别;
抽取所述企业运作多模态数据中的原子信息元素基于规则和词典方法、统计的方法进行异常抽取;
所述风险关系抽取和风险属性抽取包括基于预设规则的生产属性关系提取、产能关系提取、能耗关系提取以及营收关系提取;
所述风险事件抽取是将企业运作与生产指标之间的异常事件信息进行抽取并结构化表现,包括开放域或限定域异常事件抽取以及异事例由关系抽取。
可选地,在本申请实施例所述的基于认知图谱的企业风险分析预测方法中,所述对抽取的所述多模态认知进行链接和融合获得企业运作风险数据多模态认知,包括:
根据获得的相同风险事件对应到认知库中同一个正确的风险事件上;
根据预设企业风险知识库中风险事件进行判断是否存在相同事件或相关事件;
通过风险事件抽取获取到事件或实体对象并对应到所述认知库中对应正确风险事件获得多模态风险实体链接;
根据构建好的所述企业智能体多模态认知图谱融入所述认知库中完成多模态认知合并,包括数据层和模式层的融入;
其中,数据层融合包括风险事件的融合和风险事件属性的融合;
模式层的融合包括风险概念上下位关系的融合以及风险概念属性定义的融合。
可选地,在本申请实施例所述的基于认知图谱的企业风险分析预测方法中,所述根据认知图谱和逻辑推理规则进行认知加工预测企业运作风险,包括:
根据所述企业智能体多模态认知图谱和逻辑推理规则进行认知加工,包括本体构建、认知推理以及结果评估;
所述本体构建采用数据驱动的方式进行构建,所述本体构建过程包括风险事件并列关系相似度计算、风险事件上下位关系抽取以及风险事件本体的生成;
所述认知推理基于所述企业智能体多模态认知图谱根据逻辑推理规则通过对风险事件实体间关系、风险事件间关系进行获取风险事件实体间新关联和风险事件间新关联对所述企业智能体多模态认知图谱进行丰富;
所述结果评估包括准确率和覆盖率评估。
可选地,在本申请实施例所述的基于认知图谱的企业风险分析预测方法中,所述认知推理基于所述企业智能体多模态认知图谱根据逻辑推理规则通过对风险事件实体间关系、风险事件间关系进行获取风险事件实体间新关联和风险事件间新关联对所述企业智能体多模态认知图谱进行丰富,包括:
逻辑推理规则的推理方式包括演绎推理、归纳推理、类比推理、因推理以及确定性推理和不确定性推理;
通过所述不确定性推理的数值模型方法基于模糊理论的推理方法进行逻辑推理。
第二方面,本申请实施例提供了一种基于认知图谱的企业风险分析预测系统,该系统包括:存储器及处理器,所述存储器中包括基于认知图谱的企业风险分析预测方法的程序,所述基于认知图谱的企业风险分析预测方法的程序被所述处理器执行时实现以下步骤:
根据企业组织运行数据构架企业智能体多模态认知图谱,并建立初步企业组织运行认知体系;
获取企业的生产运作数据集并建立企业运作多模态数据,基于所述企业智能体多模态认知图谱对所述企业运作多模态数据进行企业运作数据多模态识别和风险关系抽取;
对抽取的所述多模态认知进行链接和融合获得企业运作风险数据多模态认知;
根据认知图谱和逻辑推理规则进行认知加工预测企业运作风险。
可选地,在本申请实施例所述的基于认知图谱的企业风险分析预测系统中,所述根据企业运行数据构架企业智能体多模态认知图谱,并建立初步企业运行认知体系,包括:
获取企业的组织运行特征数据,包括企业布局数据、厂房设施数据、生产线数据、人员岗位数据、设备硬件数据、库存物流链数据、水电动能数据;
根据所述组织运行特征数据架构所述企业的空间坐标系和比例尺以及厂区图形单元数据;
根据所述厂区图形单元数据建立企业厂区布局模型,并对所述企业厂区布局模型进行数字描述;
提取所述企业厂区布局模型的色彩信息并结合所述数字描述素进行光栅化处理构建所述企业的虚拟现实场景;
根据所述组织运行特征数据架构所述虚拟现实场景的企业智能体多模态认知图谱,并根据空间坐标系映射厂区场景中各种事物在空间上的位置关系以及各种逻辑的关联关系,对企业组织相貌建立初步认知。
第三方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中包括基于认知图谱的企业风险分析预测方法程序,所述基于认知图谱的企业风险分析预测方法程序被处理器执行时,实现如上述任一项所述的基于认知图谱的企业风险分析预测方法的步骤。
由上可知,本申请实施例提供了一种基于认知图谱的企业风险分析预测方法、系统和介质根据企业组织运行数据构架企业智能体多模态认知图谱对建立的企业运作多模态数据进行企业运作风险数据多模态识别和认知抽取,并基于认知图谱对企业运作多模态数据进行风险数据多模态识别和认知抽取以及多模态认知的链接和融合获得企业运作风险数据多模态认知,再根据认知图谱和逻辑推理规则认知加工预测企业运作风险;从而通过构建企业智能体多模态认知图谱对企业运作多模态数据进行识别和实体、属性、事件关系抽取,对抽取的企业运作多模态进行属性链接和认知融合获得风险事件多模态认知以及根据认知图谱和规则进行认知加工预测企业生产运作的风险事件。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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申请的某些实施例,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为本申请实施例提供的一种基于认知图谱的企业风险分析预测方法的一种流程图;
图2为本申请实施例提供的一种基于认知图谱的企业风险分析预测方法中构架企业智能体多模态认知图谱和初步企业运行认知体系的一种流程图;
图3为本申请实施例提供的一种基于认知图谱的企业风险分析预测方法中企业运作数据多模态识别和风险关系抽取的一种流程图;
图4为本申请实施例提供的一种基于认知图谱的企业风险分析预测系统的一种结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,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,都属于本申请保护的范围。
应注意到,相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的一种基于认知图谱的企业风险分析预测方法的一种流程图。该基于认知图谱的企业风险分析预测方法用于终端设备中,例如电脑、手机终端等。该基于认知图谱的企业风险分析预测方法,包括以下步骤:
S101、根据企业组织运行数据构架企业智能体多模态认知图谱,并建立初步企业组织运行认知体系;
S102、获取企业的生产运作数据集并建立企业运作多模态数据,基于所述企业智能体多模态认知图谱对所述企业运作多模态数据进行企业运作数据多模态识别和风险关系抽取;
S103、对抽取的所述多模态认知进行链接和融合获得企业运作风险数据多模态认知;
S104、根据认知图谱和逻辑推理规则进行认知加工预测企业运作风险。
需要说明的是,本技术目的为根据多模态认知图谱技术手段实现对企业厂房区域的厂房、设施、人员、供应链等运作要素中通过产能、运行、运作、效益、财报、生产销率等生产运作数据的多模态数据抽取、认知和加工获得对企业安全、产能、产销状态、生产关系、组织布局方法的风险识别和分析预测,通过构建企业智能体多模态认知图谱对企业运作的生产运作数据所建立的企业运作多模态数据进行实体识别和关系抽取以及认知融合获得企业运作风险数据多模态认知,最后在根据认知图谱和逻辑推理规则进行认知加工预测企业运作风险,获得根据风险认知图谱对企业运作多模态数据进行识别、抽取、认知和加工获得企业运作风险分析预测的技术,本案中初步企业组织运行认知系统包括空间坐标系、虚拟现实场景、多模态认知图谱,空间坐标系的时空参考系可以在以感知者自己为中心的参考系,和以感知者以外的事物所建立的参考系之间切换仿虚拟现实场景,多模态认知图谱是依托于空间坐标系和时序映射厂房区域的场景中各种事物实体在空间上的位置关系以及各种逻辑的关联关系的多模态网络图谱,根据认知图谱和预设逻辑推理规则进行认知加工包括本体构建、认知推理以及结果评估认知加工过程,本体构建是智能体多模态认知图谱内事件连通的语义基础,由深度学习驱动进行自动构建,认知推理基于已有企业智能体多模态认知图谱根据预设逻辑推理规则通过对企业风险事件实体间关系、风险事件间关系进行计算找到风险事件实体间新关联和风险事件间新关联,是智能体多模态认知图谱更新的重要手段,结果评估是认知加工最后的检验环节,确保所述企业智能体多模态认知图谱的合理性。
请参照图2,图2是本申请一些实施例中的一种基于认知图谱的企业风险分析预测方法中构架企业智能体多模态认知图谱和初步企业运行认知体系的一种流程图。根据本发明实施例,,具体为:
S201、获取企业的组织运行特征数据,包括企业布局数据、厂房设施数据、生产线数据、人员岗位数据、设备硬件数据、库存物流链数据、水电动能数据;
S202、根据所述组织运行特征数据架构所述企业的空间坐标系和比例尺以及厂区图形单元数据;
S203、根据所述厂区图形单元数据建立企业厂区布局模型,并对所述企业厂区布局模型进行数字描述;
S204、提取所述企业厂区布局模型的色彩信息并结合所述数字描述素进行光栅化处理构建所述企业的虚拟现实场景;
S205、根据所述组织运行特征数据架构所述虚拟现实场景的企业智能体多模态认知图谱,并根据空间坐标系映射厂区场景中各种事物在空间上的位置关系以及各种逻辑的关联关系,对企业组织相貌建立初步认知。
需要说明的是,为建立对企业组织构架相貌和运行结构相貌的初步认知,通过获取的企业的组织运行特征数据构建生成虚拟现实场景的企业多模态认知图谱并结合空间坐标系映射企业厂房区域场景中各特征事物包括企业、厂房、设施、物料供应链等在空间上的位置关系和逻辑关联关系,空间坐标系包括模型坐标系、世界坐标系和观察坐标系,其中模型坐标系中模型指的就是一个三维的物体,每个物体都有其自身的模型坐标系,模型坐标系是一个假想的坐标系,该坐标系与物体的相对位置始终不变,世界坐标系是我们生活的真实的3D场景,模型坐标系中的模型坐标左乘模型矩阵之后会转化为世界坐标,观察坐标系是Camera坐标系,Camera的视坐标系也可以称为uvn坐标系,对应着世界坐标系的XYZ三个轴;构建企业厂房区域场景模型的多模态认知图谱,依托于空间坐标系和时序映射企业厂房区域场景中各种事物在空间上的位置关系以及各种逻辑的关联关系,在认知图谱中实体分为逻辑实体和三维图形实体,逻辑实体是指文字概念上的实体,三维图形实体是指可视化的三维图形,逻辑实体又分为逻辑实体和事件实体,逻辑实体可以和三维图形实体一一对应,事件实体是相关物体的一系列动态变化过程的组合,实体可以具有多种属性,比如厂房、设施、硬件、人员、物资、物流链等实体实物的安全运行、能耗、运转状态、指令信息、实时产能、生产效率等属性,属性可以是文字概念形式,比如机器性能参数、单位时间产能报表、生产线能耗数据、人员考勤数据等,也可以是图形或视频形式,比如捕捉视频画面或监控图像,实体之间可以具有多种关系,可以是空间、时序上的关系也可以是逻辑上的关系比如设备和生产线的关系、产能和能耗的关系、生产线和产能关系、生产线能耗分类、厂房区域单位面积生产效率分配等;建立企业厂房区域场景模型包括厂房布局、设施设备排列、生产线区域布局、厂区供应链配置、原料产品和物资仓储空间等各种现实厂房区域的事物,构建场景的主要图形操作的基本步骤是首先根据基本图形单元建立景物模型并且对所建立的模型进行数学描述,后把景物模型放在三维空间中的合适的位置并且设置视点以观察目标景观再计算模型中所有物体的色彩,其中的色彩根据应用要求来确定,同时确定光照条件、纹理粘贴方式,最后把景物模型的数学描述及其色彩信息转换至计算机屏幕上进行光栅化。
请参照图3,图3是本申请一些实施例中的一种基于认知图谱的企业风险分析预测方法中企业运作数据多模态识别和风险关系抽取的一种流程图。根据本发明实施例,所述获取企业的生产运作数据集并建立企业运作多模态数据,基于所述企业智能体多模态认知图谱对所述企业运作多模态数据进行企业运作数据多模态识别和风险关系抽取,具体为:
S301、获取所述企业的生产运作数据包括企业产能数据、生产线运行数据、设备运行数据、厂房运转数据、人员效率数据、供应链运转数据以及财务报表数据;
S302、根据所述生产运作数据建立企业运作多模态数据;
S303、根据所述企业智能体多模态认知图谱结合预训练数据对所述企业运作多模态数据进行识别,并建立企业运作多模态数据的对应和依赖关系;
S304、基于所述企业运作多模态数据进行图像识别、文本处理、异常抽取、风险关系抽取、风险属性抽取以及风险事件抽取。
需要说明的是,企业智能体多模态认知图谱具有多模态数据识别能力,通过已知对应关系和分类属性多模态数据作为预训练数据对认知图谱进行训练可实现企业智能体多模态认知图谱对企业运作多模态数据进行识别的能力,对企业的生产运作情况采集获得的数据、图像、音视频等企业产能数据、生产线运行数据、设备运行数据、厂房运转数据、人员效率数据、供应链运转数据以及财务报表数据建立起企业运作多模态数据,根据企业运作多模态数据在企业智能体多模态认知图谱中识别建立企业运作多模态数据的对应和依赖关系,再进行分类实体抽取和事件抽取,实体抽取指在多模态数据源中识别出特定的元素标签,并与实体库中的标签相链接,事件抽取就是根据事件属性识别符合事件的属性标签,并与事件属性库中标签相链接,实体关系抽取是在找到多模态数据源中实体间的关系,可分为全局抽取和局部抽取,关系抽取就是在企业运作多模态数据源中找到异常事件与企业实物以及异常事件与风险事件之间的关系,实体属性抽取为实体和其属性之间的关系,即风险事件和事件属性之间的关联,事件抽取是将多模态数据源中的事件信息抽取,并结构化地表现出来,包括事件抽取、事理关系抽取,即企业运作多模态数据源中的企业实体和风险事件在风险事件发生时间、地点、因由以及事件经过、事件前后过程、事件与实体的关系进行抽取并结构化表现。
根据本发明实施例,所述基于所述企业运作多模态数据进行图像识别、文本处理、异常抽取、风险关系抽取、风险属性抽取以及风险事件抽取,具体为:
所述图像识别包括图像分割、目标检测和识别,包括根据分割的企业物体与所述企业智能体多模态认知图谱中图像进行阈值对比和相似度计算,若相似概率超过预设阈值则判定为同一类别物体;
所述文本处理包括分词处理、词性标注以及实体识别;
抽取所述企业运作多模态数据中的原子信息元素基于规则和词典方法、统计的方法进行异常抽取;
所述风险关系抽取和风险属性抽取包括基于预设规则的生产属性关系提取、产能关系提取、能耗关系提取以及营收关系提取;
所述风险事件抽取是将企业运作与生产指标之间的异常事件信息进行抽取并结构化表现,包括开放域或限定域异常事件抽取以及异事例由关系抽取。
需要说明的是,图像分割是把图像输入到网络得到相应的特征图然后生成候选框投影到特征图上获得相应的特征矩阵,将每个特征矩阵通过进行缩放得到特征图并拉平然后通过一系列的全连接层把每个特征矩阵缩放后经过卷积进行更深层的特征提取以及最后和原图中对应位置进行贴合得到实例分割的结果图,目标检测与识别是将分割出的企业实体与认知图谱里已有的实体图像进行比对,通过相似度算法计算相似概率,如果相似概率超过预设阈值则判定为同一个体,如与认知图谱里已有的图片进行比对得不到结果再通过搜索进行图像比对;分词处理包括基于词典的方法(正向最大匹配算法、逆向最大匹配算法以及双向最大匹配法)和基于统计的方法,词性标注采用隐马尔可夫模型、感知机、条件随机场方法,实体识别是先结合已有的认知图谱的企业实体属性库对每一条规则进行权重的赋值,然后再通过实体与规则的相符程度进行类型的判断,再利用隐马尔可夫模型、最大熵模型、条件随机场基于预标注的语句将锁定实体识别任务作为序列标注;异常抽取主要抽取的是企业运作多模态数据中的原子信息元素,其中基于规则和词典的方法是借助于已有的认知图谱建立的规则和词典以模式和字符串相匹配为主要手段,基于统计的方法是基于计机器学习方法的隐马尔可夫模型、最大熵、支持向量机、条件随机场;事件抽取包括开放域或限定域风险事件抽取以及风险事件关系抽取,分为元事件抽取和主题事件抽取,其中元事件表示风险事件动作的发生或风险事件状态的变化,由动词驱动也可以由能表示动作的名词来触发,包括参与该风险状态行为的风险事件发生的地点、时间和关联实体或关联事件,元事件抽取方法包括基于模式匹配的元事件抽取、基于机器学习的元事件抽取、基于神经网络的抽取方法,主题事件包括与核心事件或活动以及所有与之直接相关的事件和活动,可以由多个元事件片段组成,主题事件抽取方法包括基于事件框架的主题事件抽取、基于本体的主题事件抽取,即本案例中风险事件抽取包括风险事件的风险事件抽取以及基于风险事件对应实体的风险关系事件抽取;风险关系抽取和风险属性抽取包括基于预设规则的生产属性关系提取、产能关系提取、能耗关系提取以及营收关系提取,反映风险实体个体和实体群属性关系的提取,风险实体个体和实体群与企业厂房区域关系提取,企业厂房区域各风险实体之间关系提取以及风险实体、风险实体群和企业厂房区域关系的提取。
根据本发明实施例,所述对抽取的所述多模态认知进行链接和融合获得企业运作风险数据多模态认知,具体为:
根据获得的相同风险事件对应到认知库中同一个正确的风险事件上;
根据预设企业风险知识库中风险事件进行判断是否存在相同事件或相关事件;
通过风险事件抽取获取到事件或实体对象并对应到所述认知库中对应正确风险事件获得多模态风险实体链接;
根据构建好的所述企业智能体多模态认知图谱融入所述认知库中完成多模态认知合并,包括数据层和模式层的融入;
其中,数据层融合包括风险事件的融合和风险事件属性的融合;
模式层的融合包括风险概念上下位关系的融合以及风险概念属性定义的融合。
需要说明的是,从风险事件属性层和风险事件个体层两方面,通过认知库的对齐、关联、合并等方式,将多个认知图谱或信息源中的风险事件属性、风险实体个体、风险事件进行链接,形成一个更加统一、稠密的智能体多模态认知图谱,是实现认知共享和推理的重要方法,风险事件属性层的认知融合主要表现为风险事件属性对齐、风险事件对齐,是指确定风险事件属性概念、关系等风险实体个体和风险事件之间映射关系,以及确定风险事件、风险事理关系、风险事件属性的过程,一般通过基于智能体多模态认知图谱的深度学习算法对风险事件间的相似度、风险实体间的相似度进行计算来实现,根据自然语言类型,可分为单语言对齐和跨语言对齐,风险事件层的认知融合主要表现为共指消解和风险事件对齐、风险实体对齐,共指消解意在将同一风险事件信息源中同一实体、同一事件的不同标签统一实现消歧的目的,风险事件对齐、风险实体对齐是将不同信息源中同一实体、同一事件进行统一,使信息源之间产生联结。
根据本发明实施例,所述根据认知图谱和逻辑推理规则进行认知加工预测企业运作风险,具体为:
根据所述企业智能体多模态认知图谱和逻辑推理规则进行认知加工,包括本体构建、认知推理以及结果评估;
所述本体构建采用数据驱动的方式进行构建,所述本体构建过程包括风险事件并列关系相似度计算、风险事件上下位关系抽取以及风险事件本体的生成;
所述认知推理基于所述企业智能体多模态认知图谱根据逻辑推理规则通过对风险事件实体间关系、风险事件间关系进行获取风险事件实体间新关联和风险事件间新关联对所述企业智能体多模态认知图谱进行丰富;
所述结果评估包括准确率和覆盖率评估。
需要说明的是,风险事件并列关系相似度计算适用于考察任意给定的两个风险事件在多大程度上属于同一属性分类的指标测度,相似度越高表明这两个事件越有可能属于同一分类别,所谓并列关系是相对于纵向的概念隶属关系而言的,事件并列关系相似度计算方法有两种:模式匹配法和分布相似度,其中模式匹配法采用预先定义事件对模式的方法,通过模式匹配取得给定关键字组合在同一语义单位中共同出现的频率,据此计算事件之间的相似度,分布相似度方法的前提假设是在相似的上下文管径中频繁出现的事件之间具有语义上的相似性,风险事件上下位关系抽取是用于确定概念之间的隶属关系,主要方法是基于语法模式抽取个体对,或利用概率模型判定事件关系和区分上下位词,以及借助概念分类知识来帮助训练模型以提高算法精度,风险事件本体的生成主要任务是对风险事件各层次得到的概念进行聚类,并对其进行语义类的标定,为该类的中的事件指定一个或多个公共上位词,结果评估是认知加工最后的检验环节,确保智能体多模态认知图谱的合理性,其中准确率是指事件和关系正确地表示现实中的现象的程度,准确率可以进一步细分为三个维度:句法准确性、语义准确性和及时性,覆盖率是指避免遗漏与域相关的元素否则可能会产生不完整的查询结果或推导结果、有偏差的模型。
根据本发明实施例,所述认知推理基于所述企业智能体多模态认知图谱根据逻辑推理规则通过对风险事件实体间关系、风险事件间关系进行获取风险事件实体间新关联和风险事件间新关联对所述企业智能体多模态认知图谱进行丰富,具体为:
逻辑推理规则的推理方式包括演绎推理、归纳推理、类比推理、因推理以及确定性推理和不确定性推理;
通过所述不确定性推理的数值模型方法基于模糊理论的推理方法进行逻辑推理。
需要说明的是,根据逻辑推理规则通过对风险事件与事件间关系、风险事件实体与实体间关系进行获取风险事件实体间新关联和风险事件间新关联对企业智能体多模态认知图谱进行丰富,通过逻辑推理规则对风险事件之间关联以及风险事件实体之间关联对认知图谱进行丰富,演绎推理又称逻辑推理,由一般到特殊,归纳推理由特殊到一般,类比推理由特殊到特殊,因推理又称反绎推理,由特殊到解释,确定性推理是指推理时所用的知识与证据都是确定的,推出的结论也是确定的,其真值或者为真或者为假,不确定性推理的推理时所用的知识与证据不都是确定的,推出的结论也是不确定的,不确定性推理方法采用数值模型方法,数值模型方法通过基于模糊理论的推理方法的可信度方法、证据理论以及基于概率的贝叶斯推理方法。
如图4所示,本发明还公开了一种基于认知图谱的企业风险分析预测系统,包括存储器41和处理器42,所述存储器中包括一种基于认知图谱的企业风险分析预测方法程序,所述基于认知图谱的企业风险分析预测方法程序被所述处理器执行时实现如下步骤:
根据企业组织运行数据构架企业智能体多模态认知图谱,并建立初步企业组织运行认知体系;
获取企业的生产运作数据集并建立企业运作多模态数据,基于所述企业智能体多模态认知图谱对所述企业运作多模态数据进行企业运作数据多模态识别和风险关系抽取;
对抽取的所述多模态认知进行链接和融合获得企业运作风险数据多模态认知;
根据认知图谱和逻辑推理规则进行认知加工预测企业运作风险。
需要说明的是,本技术目的为根据多模态认知图谱技术手段实现对企业厂房区域的厂房、设施、人员、供应链等运作要素中通过产能、运行、运作、效益、财报、生产销率等生产运作数据的多模态数据抽取、认知和加工获得对企业安全、产能、产销状态、生产关系、组织布局方法的风险识别和分析预测,通过构建企业智能体多模态认知图谱对企业运作的生产运作数据所建立的企业运作多模态数据进行实体识别和关系抽取以及认知融合获得企业运作风险数据多模态认知,最后在根据认知图谱和逻辑推理规则进行认知加工预测企业运作风险,获得根据风险认知图谱对企业运作多模态数据进行识别、抽取、认知和加工获得企业运作风险分析预测的技术,本案中初步企业组织运行认知系统包括空间坐标系、虚拟现实场景、多模态认知图谱,空间坐标系的时空参考系可以在以感知者自己为中心的参考系,和以感知者以外的事物所建立的参考系之间切换仿虚拟现实场景,多模态认知图谱是依托于空间坐标系和时序映射厂房区域的场景中各种事物实体在空间上的位置关系以及各种逻辑的关联关系的多模态网络图谱,根据认知图谱和预设逻辑推理规则进行认知加工包括本体构建、认知推理以及结果评估认知加工过程,本体构建是智能体多模态认知图谱内事件连通的语义基础,由深度学习驱动进行自动构建,认知推理基于已有企业智能体多模态认知图谱根据预设逻辑推理规则通过对企业风险事件实体间关系、风险事件间关系进行计算找到风险事件实体间新关联和风险事件间新关联,是智能体多模态认知图谱更新的重要手段,结果评估是认知加工最后的检验环节,确保所述企业智能体多模态认知图谱的合理性。
根据本发明实施例,所述根据企业运行数据构架企业智能体多模态认知图谱,并建立初步企业运行认知体系,具体为:
获取企业的组织运行特征数据,包括企业布局数据、厂房设施数据、生产线数据、人员岗位数据、设备硬件数据、库存物流链数据、水电动能数据;
根据所述组织运行特征数据架构所述企业的空间坐标系和比例尺以及厂区图形单元数据;
根据所述厂区图形单元数据建立企业厂区布局模型,并对所述企业厂区布局模型进行数字描述;
提取所述企业厂区布局模型的色彩信息并结合所述数字描述素进行光栅化处理构建所述企业的虚拟现实场景;
根据所述组织运行特征数据架构所述虚拟现实场景的企业智能体多模态认知图谱,并根据空间坐标系映射厂区场景中各种事物在空间上的位置关系以及各种逻辑的关联关系,对企业组织相貌建立初步认知。
需要说明的是,为建立对企业组织构架相貌和运行结构相貌的初步认知,通过获取的企业的组织运行特征数据构建生成虚拟现实场景的企业多模态认知图谱并结合空间坐标系映射企业厂房区域场景中各特征事物包括企业、厂房、设施、物料供应链等在空间上的位置关系和逻辑关联关系,空间坐标系包括模型坐标系、世界坐标系和观察坐标系,其中模型坐标系中模型指的就是一个三维的物体,每个物体都有其自身的模型坐标系,模型坐标系是一个假想的坐标系,该坐标系与物体的相对位置始终不变,世界坐标系是我们生活的真实的3D场景,模型坐标系中的模型坐标左乘模型矩阵之后会转化为世界坐标,观察坐标系是Camera坐标系,Camera的视坐标系也可以称为uvn坐标系,对应着世界坐标系的XYZ三个轴;构建企业厂房区域场景模型的多模态认知图谱,依托于空间坐标系和时序映射企业厂房区域场景中各种事物在空间上的位置关系以及各种逻辑的关联关系,在认知图谱中实体分为逻辑实体和三维图形实体,逻辑实体是指文字概念上的实体,三维图形实体是指可视化的三维图形,逻辑实体又分为逻辑实体和事件实体,逻辑实体可以和三维图形实体一一对应,事件实体是相关物体的一系列动态变化过程的组合,实体可以具有多种属性,比如厂房、设施、硬件、人员、物资、物流链等实体实物的安全运行、能耗、运转状态、指令信息、实时产能、生产效率等属性,属性可以是文字概念形式,比如机器性能参数、单位时间产能报表、生产线能耗数据、人员考勤数据等,也可以是图形或视频形式,比如捕捉视频画面或监控图像,实体之间可以具有多种关系,可以是空间、时序上的关系也可以是逻辑上的关系比如设备和生产线的关系、产能和能耗的关系、生产线和产能关系、生产线能耗分类、厂房区域单位面积生产效率分配等;建立企业厂房区域场景模型包括厂房布局、设施设备排列、生产线区域布局、厂区供应链配置、原料产品和物资仓储空间等各种现实厂房区域的事物,构建场景的主要图形操作的基本步骤是首先根据基本图形单元建立景物模型并且对所建立的模型进行数学描述,后把景物模型放在三维空间中的合适的位置并且设置视点以观察目标景观再计算模型中所有物体的色彩,其中的色彩根据应用要求来确定,同时确定光照条件、纹理粘贴方式,最后把景物模型的数学描述及其色彩信息转换至计算机屏幕上进行光栅化。
根据本发明实施例,所述获取企业的生产运作数据集并建立企业运作多模态数据,基于所述企业智能体多模态认知图谱对所述企业运作多模态数据进行企业运作数据多模态识别和风险关系抽取,具体为:
获取所述企业的生产运作数据包括企业产能数据、生产线运行数据、设备运行数据、厂房运转数据、人员效率数据、供应链运转数据以及财务报表数据;
根据所述生产运作数据建立企业运作多模态数据;
根据所述企业智能体多模态认知图谱结合预训练数据对所述企业运作多模态数据进行识别,并建立企业运作多模态数据的对应和依赖关系;
基于所述企业运作多模态数据进行图像识别、文本处理、异常抽取、风险关系抽取、风险属性抽取以及风险事件抽取。
需要说明的是,企业智能体多模态认知图谱具有多模态数据识别能力,通过已知对应关系和分类属性多模态数据作为预训练数据对认知图谱进行训练可实现企业智能体多模态认知图谱对企业运作多模态数据进行识别的能力,对企业的生产运作情况采集获得的数据、图像、音视频等企业产能数据、生产线运行数据、设备运行数据、厂房运转数据、人员效率数据、供应链运转数据以及财务报表数据建立起企业运作多模态数据,根据企业运作多模态数据在企业智能体多模态认知图谱中识别建立企业运作多模态数据的对应和依赖关系,再进行分类实体抽取和事件抽取,实体抽取指在多模态数据源中识别出特定的元素标签,并与实体库中的标签相链接,事件抽取就是根据事件属性识别符合事件的属性标签,并与事件属性库中标签相链接,实体关系抽取是在找到多模态数据源中实体间的关系,可分为全局抽取和局部抽取,关系抽取就是在企业运作多模态数据源中找到异常事件与企业实物以及异常事件与风险事件之间的关系,实体属性抽取为实体和其属性之间的关系,即风险事件和事件属性之间的关联,事件抽取是将多模态数据源中的事件信息抽取,并结构化地表现出来,包括事件抽取、事理关系抽取,即企业运作多模态数据源中的企业实体和风险事件在风险事件发生时间、地点、因由以及事件经过、事件前后过程、事件与实体的关系进行抽取并结构化表现。
根据本发明实施例,所述基于所述企业运作多模态数据进行图像识别、文本处理、异常抽取、风险关系抽取、风险属性抽取以及风险事件抽取,具体为:
所述图像识别包括图像分割、目标检测和识别,包括根据分割的企业物体与所述企业智能体多模态认知图谱中图像进行阈值对比和相似度计算,若相似概率超过预设阈值则判定为同一类别物体;
所述文本处理包括分词处理、词性标注以及实体识别;
抽取所述企业运作多模态数据中的原子信息元素基于规则和词典方法、统计的方法进行异常抽取;
所述风险关系抽取和风险属性抽取包括基于预设规则的生产属性关系提取、产能关系提取、能耗关系提取以及营收关系提取;
所述风险事件抽取是将企业运作与生产指标之间的异常事件信息进行抽取并结构化表现,包括开放域或限定域异常事件抽取以及异事例由关系抽取。
需要说明的是,图像分割是把图像输入到网络得到相应的特征图然后生成候选框投影到特征图上获得相应的特征矩阵,将每个特征矩阵通过进行缩放得到特征图并拉平然后通过一系列的全连接层把每个特征矩阵缩放后经过卷积进行更深层的特征提取以及最后和原图中对应位置进行贴合得到实例分割的结果图,目标检测与识别是将分割出的企业实体与认知图谱里已有的实体图像进行比对,通过相似度算法计算相似概率,如果相似概率超过预设阈值则判定为同一个体,如与认知图谱里已有的图片进行比对得不到结果再通过搜索进行图像比对;分词处理包括基于词典的方法(正向最大匹配算法、逆向最大匹配算法以及双向最大匹配法)和基于统计的方法,词性标注采用隐马尔可夫模型、感知机、条件随机场方法,实体识别是先结合已有的认知图谱的企业实体属性库对每一条规则进行权重的赋值,然后再通过实体与规则的相符程度进行类型的判断,再利用隐马尔可夫模型、最大熵模型、条件随机场基于预标注的语句将锁定实体识别任务作为序列标注;异常抽取主要抽取的是企业运作多模态数据中的原子信息元素,其中基于规则和词典的方法是借助于已有的认知图谱建立的规则和词典以模式和字符串相匹配为主要手段,基于统计的方法是基于计机器学习方法的隐马尔可夫模型、最大熵、支持向量机、条件随机场;事件抽取包括开放域或限定域风险事件抽取以及风险事件关系抽取,分为元事件抽取和主题事件抽取,其中元事件表示风险事件动作的发生或风险事件状态的变化,由动词驱动也可以由能表示动作的名词来触发,包括参与该风险状态行为的风险事件发生的地点、时间和关联实体或关联事件,元事件抽取方法包括基于模式匹配的元事件抽取、基于机器学习的元事件抽取、基于神经网络的抽取方法,主题事件包括与核心事件或活动以及所有与之直接相关的事件和活动,可以由多个元事件片段组成,主题事件抽取方法包括基于事件框架的主题事件抽取、基于本体的主题事件抽取,即本案例中风险事件抽取包括风险事件的风险事件抽取以及基于风险事件对应实体的风险关系事件抽取;风险关系抽取和风险属性抽取包括基于预设规则的生产属性关系提取、产能关系提取、能耗关系提取以及营收关系提取,反映风险实体个体和实体群属性关系的提取,风险实体个体和实体群与企业厂房区域关系提取,企业厂房区域各风险实体之间关系提取以及风险实体、风险实体群和企业厂房区域关系的提取。
根据本发明实施例,所述对抽取的所述多模态认知进行链接和融合获得企业运作风险数据多模态认知,具体为:
根据获得的相同风险事件对应到认知库中同一个正确的风险事件上;
根据预设企业风险知识库中风险事件进行判断是否存在相同事件或相关事件;
通过风险事件抽取获取到事件或实体对象并对应到所述认知库中对应正确风险事件获得多模态风险实体链接;
根据构建好的所述企业智能体多模态认知图谱融入所述认知库中完成多模态认知合并,包括数据层和模式层的融入;
其中,数据层融合包括风险事件的融合和风险事件属性的融合;
模式层的融合包括风险概念上下位关系的融合以及风险概念属性定义的融合。
需要说明的是,从风险事件属性层和风险事件个体层两方面,通过认知库的对齐、关联、合并等方式,将多个认知图谱或信息源中的风险事件属性、风险实体个体、风险事件进行链接,形成一个更加统一、稠密的智能体多模态认知图谱,是实现认知共享和推理的重要方法,风险事件属性层的认知融合主要表现为风险事件属性对齐、风险事件对齐,是指确定风险事件属性概念、关系等风险实体个体和风险事件之间映射关系,以及确定风险事件、风险事理关系、风险事件属性的过程,一般通过基于智能体多模态认知图谱的深度学习算法对风险事件间的相似度、风险实体间的相似度进行计算来实现,根据自然语言类型,可分为单语言对齐和跨语言对齐,风险事件层的认知融合主要表现为共指消解和风险事件对齐、风险实体对齐,共指消解意在将同一风险事件信息源中同一实体、同一事件的不同标签统一实现消歧的目的,风险事件对齐、风险实体对齐是将不同信息源中同一实体、同一事件进行统一,使信息源之间产生联结。
根据本发明实施例,所述根据认知图谱和逻辑推理规则进行认知加工预测企业运作风险,具体为:
根据所述企业智能体多模态认知图谱和逻辑推理规则进行认知加工,包括本体构建、认知推理以及结果评估;
所述本体构建采用数据驱动的方式进行构建,所述本体构建过程包括风险事件并列关系相似度计算、风险事件上下位关系抽取以及风险事件本体的生成;
所述认知推理基于所述企业智能体多模态认知图谱根据逻辑推理规则通过对风险事件实体间关系、风险事件间关系进行获取风险事件实体间新关联和风险事件间新关联对所述企业智能体多模态认知图谱进行丰富;
所述结果评估包括准确率和覆盖率评估。
需要说明的是,风险事件并列关系相似度计算适用于考察任意给定的两个风险事件在多大程度上属于同一属性分类的指标测度,相似度越高表明这两个事件越有可能属于同一分类别,所谓并列关系是相对于纵向的概念隶属关系而言的,事件并列关系相似度计算方法有两种:模式匹配法和分布相似度,其中模式匹配法采用预先定义事件对模式的方法,通过模式匹配取得给定关键字组合在同一语义单位中共同出现的频率,据此计算事件之间的相似度,分布相似度方法的前提假设是在相似的上下文管径中频繁出现的事件之间具有语义上的相似性,风险事件上下位关系抽取是用于确定概念之间的隶属关系,主要方法是基于语法模式抽取个体对,或利用概率模型判定事件关系和区分上下位词,以及借助概念分类知识来帮助训练模型以提高算法精度,风险事件本体的生成主要任务是对风险事件各层次得到的概念进行聚类,并对其进行语义类的标定,为该类的中的事件指定一个或多个公共上位词,结果评估是认知加工最后的检验环节,确保智能体多模态认知图谱的合理性,其中准确率是指事件和关系正确地表示现实中的现象的程度,准确率可以进一步细分为三个维度:句法准确性、语义准确性和及时性,覆盖率是指避免遗漏与域相关的元素否则可能会产生不完整的查询结果或推导结果、有偏差的模型。
根据本发明实施例,所述认知推理基于所述企业智能体多模态认知图谱根据逻辑推理规则通过对风险事件实体间关系、风险事件间关系进行获取风险事件实体间新关联和风险事件间新关联对所述企业智能体多模态认知图谱进行丰富,具体为:
逻辑推理规则的推理方式包括演绎推理、归纳推理、类比推理、因推理以及确定性推理和不确定性推理;
通过所述不确定性推理的数值模型方法基于模糊理论的推理方法进行逻辑推理。
需要说明的是,根据逻辑推理规则通过对风险事件与事件间关系、风险事件实体与实体间关系进行获取风险事件实体间新关联和风险事件间新关联对企业智能体多模态认知图谱进行丰富,通过逻辑推理规则对风险事件之间关联以及风险事件实体之间关联对认知图谱进行丰富,演绎推理又称逻辑推理,由一般到特殊,归纳推理由特殊到一般,类比推理由特殊到特殊,因推理又称反绎推理,由特殊到解释,确定性推理是指推理时所用的知识与证据都是确定的,推出的结论也是确定的,其真值或者为真或者为假,不确定性推理的推理时所用的知识与证据不都是确定的,推出的结论也是不确定的,不确定性推理方法采用数值模型方法,数值模型方法通过基于模糊理论的推理方法的可信度方法、证据理论以及基于概率的贝叶斯推理方法。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于认知图谱的企业风险分析预测方法程序,所述基于认知图谱的企业风险分析预测方法程序被处理器执行时,实现如上述任一项所述的一种基于认知图谱的企业风险分析预测方法的步骤。
本发明公开的一种基于认知图谱的企业风险分析预测方法、系统和介质根据企业组织运行数据构架企业智能体多模态认知图谱对建立的企业运作多模态数据进行企业运作风险数据多模态识别和认知抽取,并基于认知图谱对企业运作多模态数据进行风险数据多模态识别和认知抽取以及多模态认知的链接和融合获得企业运作风险数据多模态认知,再根据认知图谱和逻辑推理规则认知加工预测企业运作风险;从而通过构建企业智能体多模态认知图谱对企业运作多模态数据进行识别和实体、属性、事件关系抽取,对抽取的企业运作多模态进行属性链接和认知融合获得风险事件多模态认知以及根据认知图谱和规则进行认知加工预测企业生产运作的风险事件。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元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,也可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的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。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于认知图谱的企业风险分析预测方法,其特征在于,包括以下步骤:
根据企业组织运行数据构架企业智能体多模态认知图谱,并建立初步企业组织运行认知体系;
获取企业的生产运作数据集并建立企业运作多模态数据,基于所述企业智能体多模态认知图谱对所述企业运作多模态数据进行企业运作数据多模态识别和风险关系抽取;
对抽取的所述多模态认知进行链接和融合获得企业运作风险数据多模态认知;
根据认知图谱和逻辑推理规则进行认知加工预测企业运作风险。
2.根据权利要求1所述的基于认知图谱的企业风险分析预测方法,其特征在于,所述根据企业运行数据构架企业智能体多模态认知图谱,并建立初步企业运行认知体系,包括:
获取企业的组织运行特征数据,包括企业布局数据、厂房设施数据、生产线数据、人员岗位数据、设备硬件数据、库存物流链数据、水电动能数据;
根据所述组织运行特征数据架构所述企业的空间坐标系和比例尺以及厂区图形单元数据;
根据所述厂区图形单元数据建立企业厂区布局模型,并对所述企业厂区布局模型进行数字描述;
提取所述企业厂区布局模型的色彩信息并结合所述数字描述素进行光栅化处理构建所述企业的虚拟现实场景;
根据所述组织运行特征数据架构所述虚拟现实场景的企业智能体多模态认知图谱,并根据空间坐标系映射厂区场景中各种事物在空间上的位置关系以及各种逻辑的关联关系,对企业组织相貌建立初步认知。
3.根据权利要求2所述的基于认知图谱的企业风险分析预测方法,其特征在于,所述获取企业的生产运作数据集并建立企业运作多模态数据,基于所述企业智能体多模态认知图谱对所述企业运作多模态数据进行企业运作数据多模态识别和风险关系抽取,包括:
获取所述企业的生产运作数据包括企业产能数据、生产线运行数据、设备运行数据、厂房运转数据、人员效率数据、供应链运转数据以及财务报表数据;
根据所述生产运作数据建立企业运作多模态数据;
根据所述企业智能体多模态认知图谱结合预训练数据对所述企业运作多模态数据进行识别,并建立企业运作多模态数据的对应和依赖关系;
基于所述企业运作多模态数据进行图像识别、文本处理、异常抽取、风险关系抽取、风险属性抽取以及风险事件抽取。
4.根据权利要求3所述的基于认知图谱的企业风险分析预测方法,其特征在于,所述基于所述企业运作多模态数据进行图像识别、文本处理、异常抽取、风险关系抽取、风险属性抽取以及风险事件抽取,包括:
所述图像识别包括图像分割、目标检测和识别,包括根据分割的企业物体与所述企业智能体多模态认知图谱中图像进行阈值对比和相似度计算,若相似概率超过预设阈值则判定为同一类别物体;
所述文本处理包括分词处理、词性标注以及实体识别;
抽取所述企业运作多模态数据中的原子信息元素基于规则和词典方法、统计的方法进行异常抽取;
所述风险关系抽取和风险属性抽取包括基于预设规则的生产属性关系提取、产能关系提取、能耗关系提取以及营收关系提取;
所述风险事件抽取是将企业运作与生产指标之间的异常事件信息进行抽取并结构化表现,包括开放域或限定域异常事件抽取以及异事例由关系抽取。
5.根据权利要求4所述的基于认知图谱的企业风险分析预测方法,其特征在于,所述对抽取的所述多模态认知进行链接和融合获得企业运作风险数据多模态认知,包括:
根据获得的相同风险事件对应到认知库中同一个正确的风险事件上;
根据预设企业风险知识库中风险事件进行判断是否存在相同事件或相关事件;
通过风险事件抽取获取到事件或实体对象并对应到所述认知库中对应正确风险事件获得多模态风险实体链接;
根据构建好的所述企业智能体多模态认知图谱融入所述认知库中完成多模态认知合并,包括数据层和模式层的融入;
其中,数据层融合包括风险事件的融合和风险事件属性的融合;
模式层的融合包括风险概念上下位关系的融合以及风险概念属性定义的融合。
6.根据权利要求5所述的基于认知图谱的企业风险分析预测方法,其特征在于,所述根据认知图谱和逻辑推理规则进行认知加工预测企业运作风险,包括:
根据所述企业智能体多模态认知图谱和逻辑推理规则进行认知加工,包括本体构建、认知推理以及结果评估;
所述本体构建采用数据驱动的方式进行构建,所述本体构建过程包括风险事件并列关系相似度计算、风险事件上下位关系抽取以及风险事件本体的生成;
所述认知推理基于所述企业智能体多模态认知图谱根据逻辑推理规则通过对风险事件实体间关系、风险事件间关系进行获取风险事件实体间新关联和风险事件间新关联对所述企业智能体多模态认知图谱进行丰富;
所述结果评估包括准确率和覆盖率评估。
7.根据权利要求6所述的基于认知图谱的企业风险分析预测方法,其特征在于,所述认知推理基于所述企业智能体多模态认知图谱根据逻辑推理规则通过对风险事件实体间关系、风险事件间关系进行获取风险事件实体间新关联和风险事件间新关联对所述企业智能体多模态认知图谱进行丰富,包括:
逻辑推理规则的推理方式包括演绎推理、归纳推理、类比推理、因推理以及确定性推理和不确定性推理;
通过所述不确定性推理的数值模型方法基于模糊理论的推理方法进行逻辑推理。
8.一种基于认知图谱的企业风险分析预测系统,其特征在于,该系统包括:存储器及处理器,所述存储器中包括基于认知图谱的企业风险分析预测方法的程序,所述基于认知图谱的企业风险分析预测方法的程序被所述处理器执行时实现以下步骤:
根据企业组织运行数据构架企业智能体多模态认知图谱,并建立初步企业组织运行认知体系;
获取企业的生产运作数据集并建立企业运作多模态数据,基于所述企业智能体多模态认知图谱对所述企业运作多模态数据进行企业运作数据多模态识别和风险关系抽取;
对抽取的所述多模态认知进行链接和融合获得企业运作风险数据多模态认知;
根据认知图谱和逻辑推理规则进行认知加工预测企业运作风险。
9.根据权利要求8所述的基于认知图谱的企业风险分析预测系统,其特征在于,所述根据企业运行数据构架企业智能体多模态认知图谱,并建立初步企业运行认知体系,包括:
获取企业的组织运行特征数据,包括企业布局数据、厂房设施数据、生产线数据、人员岗位数据、设备硬件数据、库存物流链数据、水电动能数据;
根据所述组织运行特征数据架构所述企业的空间坐标系和比例尺以及厂区图形单元数据;
根据所述厂区图形单元数据建立企业厂区布局模型,并对所述企业厂区布局模型进行数字描述;
提取所述企业厂区布局模型的色彩信息并结合所述数字描述素进行光栅化处理构建所述企业的虚拟现实场景;
根据所述组织运行特征数据架构所述虚拟现实场景的企业智能体多模态认知图谱,并根据空间坐标系映射厂区场景中各种事物在空间上的位置关系以及各种逻辑的关联关系,对企业组织相貌建立初步认知。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于认知图谱的企业风险分析预测方法程序,所述基于认知图谱的企业风险分析预测方法程序被处理器执行时,实现如权利要求1至7中任一项所述的一种基于认知图谱的企业风险分析预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946527.8A CN115018214B (zh) | 2022-08-09 | 2022-08-09 | 一种基于认知图谱的企业风险分析预测方法、系统和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946527.8A CN115018214B (zh) | 2022-08-09 | 2022-08-09 | 一种基于认知图谱的企业风险分析预测方法、系统和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115018214A true CN115018214A (zh) | 2022-09-06 |
CN115018214B CN115018214B (zh) | 2022-11-25 |
Family
ID=83065966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210946527.8A Active CN115018214B (zh) | 2022-08-09 | 2022-08-09 | 一种基于认知图谱的企业风险分析预测方法、系统和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018214B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115271554A (zh) * | 2022-09-27 | 2022-11-01 | 北京共识数信科技有限公司 | 基于区块链的投行业务质量图谱分析方法、系统及介质 |
CN115858698A (zh) * | 2023-02-22 | 2023-03-28 | 北京融信数联科技有限公司 | 智能体图谱分析方法、系统和可读存储介质 |
CN116151870A (zh) * | 2023-04-20 | 2023-05-23 | 北京融信数联科技有限公司 | 一种基于认知图谱的企业经营分析预测方法、系统及介质 |
CN116468271A (zh) * | 2023-04-17 | 2023-07-21 | 北京融信数联科技有限公司 | 一种基于大数据的企业风险分析方法、系统及介质 |
CN117708746A (zh) * | 2024-02-04 | 2024-03-15 | 北京长河数智科技有限责任公司 | 一种基于多模态数据融合的风险预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
US20200320618A1 (en) * | 2019-04-02 | 2020-10-08 | Zinan Wang | Cognitive Assessment System |
CN114049493A (zh) * | 2022-01-11 | 2022-02-15 | 北京融信数联科技有限公司 | 基于智能体图谱的图像识别方法、系统和可读存储介质 |
CN114328949A (zh) * | 2021-11-30 | 2022-04-12 | 德邦证券股份有限公司 | 一种基于知识图谱的企业风险传导分析方法和装置 |
-
2022
- 2022-08-09 CN CN202210946527.8A patent/CN115018214B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
US20200320618A1 (en) * | 2019-04-02 | 2020-10-08 | Zinan Wang | Cognitive Assessment System |
CN114328949A (zh) * | 2021-11-30 | 2022-04-12 | 德邦证券股份有限公司 | 一种基于知识图谱的企业风险传导分析方法和装置 |
CN114049493A (zh) * | 2022-01-11 | 2022-02-15 | 北京融信数联科技有限公司 | 基于智能体图谱的图像识别方法、系统和可读存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115271554A (zh) * | 2022-09-27 | 2022-11-01 | 北京共识数信科技有限公司 | 基于区块链的投行业务质量图谱分析方法、系统及介质 |
CN115858698A (zh) * | 2023-02-22 | 2023-03-28 | 北京融信数联科技有限公司 | 智能体图谱分析方法、系统和可读存储介质 |
CN116468271A (zh) * | 2023-04-17 | 2023-07-21 | 北京融信数联科技有限公司 | 一种基于大数据的企业风险分析方法、系统及介质 |
CN116468271B (zh) * | 2023-04-17 | 2024-02-27 | 北京融信数联科技有限公司 | 一种基于大数据的企业风险分析方法、系统及介质 |
CN116151870A (zh) * | 2023-04-20 | 2023-05-23 | 北京融信数联科技有限公司 | 一种基于认知图谱的企业经营分析预测方法、系统及介质 |
CN117708746A (zh) * | 2024-02-04 | 2024-03-15 | 北京长河数智科技有限责任公司 | 一种基于多模态数据融合的风险预测方法 |
CN117708746B (zh) * | 2024-02-04 | 2024-04-30 | 北京长河数智科技有限责任公司 | 一种基于多模态数据融合的风险预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115018214B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018214B (zh) | 一种基于认知图谱的企业风险分析预测方法、系统和介质 | |
Hohman et al. | Visual analytics in deep learning: An interrogative survey for the next frontiers | |
Nguyen et al. | A multimodal convolutional neuro-fuzzy network for emotion understanding of movie clips | |
CN113392986B (zh) | 一种基于大数据的公路桥梁信息抽取方法及管理养护系统 | |
CN114020936B (zh) | 多模态事理图谱的构建方法、系统和可读存储介质 | |
CN114049493B (zh) | 基于智能体图谱的图像识别方法、系统和可读存储介质 | |
CN114925176B (zh) | 一种智能体多模态认知图谱的构建方法、系统和介质 | |
CN113326380A (zh) | 基于深度神经网络的设备量测数据处理方法、系统及终端 | |
CN114519356A (zh) | 目标词语的检测方法、装置、电子设备及存储介质 | |
CN117132763A (zh) | 电力图像异常检测方法、装置、计算机设备和存储介质 | |
Yu et al. | Digital Twin-enabled and Knowledge-driven decision support for tunnel electromechanical equipment maintenance | |
Khan et al. | Toward accountable and explainable artificial intelligence part one: theory and examples | |
CN115018215B (zh) | 基于多模态认知图谱的人口居住预测方法、系统和介质 | |
Qu et al. | Knowledge-driven recognition methodology for electricity safety hazard scenarios | |
Müller et al. | An interactive explanatory AI system for industrial quality control | |
CN117236676A (zh) | 一种基于多模态事件抽取的rpa流程挖掘方法和装置 | |
Koner et al. | Scenes and surroundings: Scene graph generation using relation transformer | |
Weng et al. | A survey of artificial intelligence techniques on MOOC of legal education | |
Jaboob et al. | Artificial Intelligence: An Overview | |
Kushwaha | A Futuristic Perspective on Artificial Intelligence | |
Doherty et al. | Application of Artificial Intelligence in Electrical Safety | |
CN117743315B (zh) | 一种为多模态大模型系统提供高质量数据的方法 | |
Mao et al. | Intelligent medical informatics management system based on pattern recognition and visual multimedia: a deep learning perspective | |
Cao et al. | Power entity identification method in cloud environment | |
Jakobson | On modeling context in Situation Management |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A cognitive graph based method, system, and medium for enterprise risk analysis and prediction Granted publication date: 20221125 Pledgee: Beijing Zhongguancun bank Limited by Share Ltd. Pledgor: Beijing Finance Union Technology Co.,Ltd. Registration number: Y2024980017140 |