CN115292523B - 一种基于图表示学习的时空信息推理方法 - Google Patents
一种基于图表示学习的时空信息推理方法 Download PDFInfo
- Publication number
- CN115292523B CN115292523B CN202210930899.1A CN202210930899A CN115292523B CN 115292523 B CN115292523 B CN 115292523B CN 202210930899 A CN202210930899 A CN 202210930899A CN 115292523 B CN115292523 B CN 115292523B
- Authority
- CN
- China
- Prior art keywords
- graph
- space
- time
- learning
- representation learning
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000008520 organization Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 206010039203 Road traffic accident Diseases 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/387—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
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)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于图表示学习的时空信息推理方法,包括如下步骤:步骤1、利用时空知识图谱,进行多源时空数据融合,对时空的特征进行建模,得到图结构表示的时空知识图谱;步骤2、在预计算阶段,将时空知识图谱进行向量化表示,将向量化值存储在表示学习向量库中;步骤3、在预计算阶段,基于图神经网络对图进一步特征学习,优化图表示学习,并将最终的图表示学习向量值存储在图表示学习向量库中;步骤4、在推理预测阶段,通过图表示学习的链接预测过程来对时空进行推理。
Description
技术领域
本发明涉及地理信息技术领域,尤其是一种基于图表示学习的时空信息推理方法。
背景技术
地理信息预测是空间数据分析的重要方面,传统的信息预测方法有自回归分析法、灰色预测法、组合预测方法等。另外,随着计算机与地理信息的交互发展,很多学者开始使用神经网络模型进行事件推理。比如对道路表面结冰临界点的推理预报、对森林火灾发生情况进行预测等等,很多实验结果表明了神经网络预报模型的误差程度比普通数值预报的误差程度要小。在多源数据融合的背景下,目前这些方法能够很好地解决地理实体属性信息的预测推理,但由于地理实体的空间数据组织复杂且具有空间、时间与属性复合时空特性,如何将地理实体的空间、属性与时间有机地结合起来,将知识推理与时空数据结合实现对时空事件的推理是地理信息预测的难题。
事实上,地理信息的数据之间存在许多关系(例如方位关系、位置关系和特征属性关系等),并且随着数据量的增长,关系量也迅速增加。在这种情况下,如果忽略关系信息,在时空事件预测过程中,将会造成大量信息丢失,从而强烈影响预测结果的正确性。传统的时空信息推理预测方法很少考虑数据之间的关系信息,认为它们是相互独立的。但实际上,许多数据尤其是时空数据是相互关联、相互依赖的。传统方法忽略了地理信息特征的因果性和相关性,使得这些方法可能会丢失某些重要的关系特征。在很多地理信息的预测中,深度学习的端到端预测模型取得了显著结果,但它们很难人为整合重要的先验领域知识。知识图谱技术适合解决多元数据融合问题。但是,目前在地理信息中,面向时空数据的知识图谱进行的知识表示是符号化的唯一编码(其中,节点表示地理实体或属性值,边表示方位或属性存在等关系),并通过规则或者概率模型进行分析计算,属于知识图谱应用的传统的做法。但是大规模的知识图谱结构往往是不完整的(比如节点间缺失连通关系规则就无法分析),并且考虑到关系复杂,仅仅靠规则,分析结果不好。
对于学习表示,现有技术主要可以分为四种:物理模型法、传统机器学习法、深度学习方法、传统知识图谱方法。物理模型法通过构建底层数据之间的关系得到更复杂的特征表示,理论基础扎实,结果可作为辅助特征;传统的机器学习模型方法通过算法从专家选择的数据中学习时空信息的特征,预测过程巧妙,易于解释;深度学习方法构建神经网络拟合时空信息历史数据,该方法能够自动识别重要特征,并获得较高的精度;传统知识图谱,该方法利用规则或概率模型将数据组织成图结构进行分析和计算,可以融合多源数据深度搜索,但是目前还没有自动计算带有精确时空信息的知识图谱的语义特征并用于推理的方法。
发明内容
为了解决上述技术问题,本发明提出一种基于图表示学习的时空信息推理方法,充分考虑时空信息在知识图谱中作为节点时,节点之间的复杂关系特征,同时降低知识图谱内容不完整带来的问题。
历史时空数据是可以用于预测的关键信息。本发明提出一种面向多源时空数据融合背景下的时空知识图谱表示学习技术,具体为一种兼顾语义信息和拓扑结构信息的表示学习过程,以更好的学习时空知识图谱中节点的特征表示(弥补目前时空知识图谱无法进行语义计算的缺陷),最后通过连接预测方法来进行时空信息推理。
本发明的技术方案为:一种基于图表示学习的时空信息推理方法,包括如下步骤:
步骤1、利用时空知识图谱,进行多源时空数据融合,对时空的特征进行建模,得到图结构表示的时空知识图谱;
步骤2、在预计算阶段,将时空知识图谱进行向量化表示,将向量化值存储在表示学习向量库中;
步骤3、在预计算阶段,基于图神经网络对图进一步特征学习,优化图表示学习,并将最终的图表示学习向量值存储在图表示学习向量库中;
步骤4、在推理预测阶段,通过图表示学习的链接预测过程来对时空进行推理
有益效果:
知识图谱表示学习和图神经网络方法为我们学习时空知识图谱的特征表示和实现更准确的预测推理提供了思路,本发明从多源数据融合的角度,通过表示学习链路预测改进了传统知识图谱基于规则预测的做法,并将该方法定义为深度学习与知识图谱相结合的时空信息预测推理方法。
附图说明
图1:将时空数据经过特征离散化,并将其中的信息按照图结构来表示的示意图;
图2:时空知识图谱架构设计图;
图3:时空知识图谱架构地理信息部分细节;
图4:时空知识图谱的向量化表示过程;
图5:图神经网络聚合时空知识实例细节。
图6:时空知识图谱推理预测过程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
根据本发明的实施例,提出一种基于图表示学习的时空信息推理方法,包括如下步骤:
步骤1、利用时空知识图谱,进行多源时空数据融合,对时空的特征进行建模,得到图结构表示的时空知识图谱。
参见图1,本发明的实施例中,将时空数据经过特征离散化,并将其中的信息按照图结构来表示,具体来说,分为时间、空间和其他属性来表达。例如,若面向大尺度的时空事件,时间可以离散化为“2021年”、“2022年”等以年为单位时间节点,若面向小尺度时空时间,可以离散化为“12:23:35”等这样精确到秒的时间节点。
参见图2所示,图结构由三部分的节点和边组成,包含空间、时间和其他属性。因此在时空场景下的知识图谱结构中,节点表示具体的区域、时间点或时间区间、事件、事件的其他属性值等,边表示方位、时间顺序或属性包含等关系。
根据本发明的实施例,在空间图结构中,将一个目标区域划分为M*N个矩形子区域。矩形子区域之间的组织共有两种关联方式,等区域关联与上下层区域关联。等区域关联代表在既定尺度划分区域下,关注:北、东、南、西、东北、东南、西南和西北八个方向下的区域,如图3所示,展示了东南西北四个基础方向,相当于,每个区域周围有八个相同大小的瓦片。
本发明中,对于所有关系的向量表示过程均相同,都是先用一个随机的定长向量表示一个关系,随后通过表示学习过程逐步调整向量值,最终学习后的结果就代表关系的表示。
上下层区域关联是一个目标区域会对应一个上层区域代表所属的更大空间范围,例如图3中区域1-5的上层区域是区域6(区域6刻画了更大的空间范围)。这意味着最下层的区域将与其他瓦片区域精确地具有九种关系,即八个方向瓦片和一个上部瓦片。
根据本发明的一个实施例,在时间图结构构造中,每个时间实体代表一个时刻。例如我们想表达火灾事件发生在七月时,我们可以将火灾与实体“七月”(时间图结构中的一个节点)相关联。时间点之间的关系有两种类型:包含关系和顺序关系。例如(1月,包含,1月1日)和(2022年1月,之后,2022年2月)。
根据本发明的一个实施例,在其他属性图结构中,可以根据具体的应用场景进行细化,例如面向交通问题,可以由属性来刻画车流量、是否有违章拍摄、负责人等;面向又例如森林火灾发生时,相关的属性可能为森林监测的常用指标,例如湿度、风速、降雨量、温度等。相关属性之间可能有很多关系,因为数据的属性不是独立的,例如空气湿度影响可燃物的含水量。通过充分的分析属性内这样的相互关系,从而形成了一个相对密集的图结构,这将有助于进行时空预测。
基于上述步骤1的过程,本发明构建得到了图结构表示的时空知识图谱;
步骤2、在预计算阶段,将时空知识图谱进行向量化表示,将向量化值存储在表示学习向量库中;
在本步骤中,本发明将上述构建好的时空知识图谱通过图表示学习来表示节点。首先使用知识图谱表示学习算法RotatE将时空知识图谱中的节点和边在旋转向量空间进行表示,具体来说是将三元组中的头实体、尾实体和关系映射到复数空间,希望得到:尾实体向量表示=头实体向量表示与关系的哈达玛积:
其中,h,r,t分表代表三元组对中的头实体、关系、尾实体的向量表示。代表哈达玛积运算。该表示方法的特点是可以对多种关系类型以及关系属性进行建模(例如一对多、多对多关系;对称关系等在时空数据中常见的数据关系属性)。通过对知识图谱中的实体节点和边关系在复数空间上旋转的表示学习,节点可以在其相关时间、空间节点的连接下,修正自身的向量表示,这些表示是具有时空属性的语义信息,学习过程如图4所示。首先对时空知识图谱中的节点向量和关系向量进行随机初始化,得到实体嵌入集合和关系嵌入集合。针对学习过程,将知识图谱中存在的三元组作为训练的正样本。负样本的生成策略是:固定住三元组的头实体和关系,去除尾实体,并使用同类且不在样本中的实例对尾实体进行替换,如图4中(时空事件a,时间,五月)对应生成了负样本(时空事件a,时间,六月)。经过旋转空间的评分函数进行细算后分别得到正负样本Loss并整合为总Loss来对实体嵌入集合和关系嵌入集合的表示学习结果进行优化。因此,在此实施例中,本发明提出了一个表示学习结合图神经网络的方法。
步骤3、在预计算阶段,基于图神经网络对图进一步特征学习,优化图表示学习,并将最终的图表示学习向量值存储在图表示学习向量库中;
为了满足时空信息的推理,本发明使用这些节点向量(即表示学习的结果)作为图神经网络节点的初始特征进行学习,最终将任务变成一个归纳式学习的过程。本发明将图上节点状态更新的操作分为了按比例随机采样时空关联节点并聚合,以及更新节点信息两步。按比例随机采样是为了降低计算复杂度以及防止过拟合,聚合的方式采用均值运算进行聚合。
根据本发明的一个实施例,如在图5所示,第一次聚合时,节点1按照0.6的比例对邻居节点进行采样,选择了2、3、4号节点的表示学习结果进行聚合,再配合节点1原有的表示学习结果,新的节点1的特征表示就等于1、2、3、4号节点的表示学习结果的均值。如此往复设计多层网络来使得向量具有图结构特征。在这个过程中,节点在语义信息的基础上会聚合图结构的特征,从而更好的进行图的表示。
步骤4、在推理预测阶段,通过图表示学习的链接预测过程来对时空进行推理
前步骤中知识图谱设计充分的表达了节点间的时空关联,因此在学习语义特征时,时间信息和空间信息可以较大程度上影响学习过程。在具体通过链接预测推理时,我们通过计算两个节点表示向量之间的点积来计算预测分数,这个分数也代表了两节点间存在连接的可能性。例如,我们要进行时空推理某个事件发生的月份,假设某场森林火灾事件a的表示学习向量经过学习后的结果为u(例如u的值在学习后为[0.2 0.4 0.6]),目前有5月(例如“5月”这个时间节点的表示学习值在学习后为m[0.12 0.44 0.65]),7月(例如“7月”这个时间节点的表示学习值在学习后为n[0.89 0.73 0.81])两个可能的时间节点。则存在链接的可能性为y1(表示a发生于5月的可能性,y1=u·m=0.59),y2(a发生于7月的可能性y2=u·n=0.956),此时y1<y2,说明我们的推理结果是该事件a发生于7月。再比如,假设某场交通事故a的表示学习向量经过学习后的结果为u(例如u的值在学习后为[0.8 0.40.1]),目前有道路区域x(假设道路区域x的表示学习值在学习后n[0.32 0.11 0.43]),道路区域y(假设道路区域y的表示学习值在学习后m[0.65 0.98 0.42]),道路区域z(假设道路区域z的表示学习值在学习后q[0.15 0.08 0.32])三个可能的空间区域。假设存在连接的可能性为y1(表示交通事故a发生于x道路区域的概率u*n=0.343),y2(表示交通事故a发生于y道路区域的概率u*m=0.954),y3(表示交通事故a发生于z道路区域的概率u*q=0.184),此时y2最大,说明我们的推理结果是该交通事故a发生于道路区域y。
在图6中,主要是对与计算阶段与实际的推理预测阶段进行区分。其中,在时空知识图谱预计算阶段,本发明将表示学习的结果存在知识图谱的向量库中(具体来说对应图4中的实体嵌入集合和关系嵌入集合);在图向量表示阶段,本发明同样将图神经网络学习到的图表示学习向量存储在表示学习向量库中。当在推理预测阶段时,本发明会直接使用匹配的向量值进行计算并进行推理结果输出。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,且应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于图表示学习的时空信息推理方法,其特征在于,包括如下步骤:
步骤1、利用时空知识图谱,进行多源时空数据融合,对时空的特征进行建模, 得到图结构表示的时空知识图谱;
所述步骤1具体包括:
将时空数据经过特征离散化,并将其中的信息按照图结构来表示,时空场景下的知识图谱结构中,节点表示具体的区域、时间点或时间区间、事件、事件的其他属性值,边表示方位、时间顺序或属性包含关系;
空间图结构中,将一个目标区域划分为 MN 个矩形区域,矩形区域之间的组织共有两种关联方式,等区域关联与上下层区域关联,等区域关联代表在既定尺度划分区域下,关注:北、东、南、西、东北、东南、西南和西北八个方向下的区域;
步骤2、在预计算阶段,将时空知识图谱进行向量化表示,将向量化值存储在表示学习向量库中;将构建好的时空知识图谱进行图表示学习来表示节点,首先使用知识图谱表示学习算法将时空知识图谱中的节点和边在旋转向量空间进行表示,具体来说是将三元组中的头、尾实体映射到复数空间,希望得到:尾实体向量表示=头实体向量表示与关系的哈达玛积;
通过对知识图谱中的节点和关系在复数空间上旋转的表示学习,最终得到节点的向量表示,这些表示具有时空语义信息;
学习过程如下:首先对图知识图谱中的时空信息进行随机初始化,知识图谱中存在的三元组作为训练的正样本,负样本的生成策略是:固定住三元组的头实体和关系,去除尾实体,并使用同类且不在样本中的实例对尾实体进行替换,对应生成负样本,经过旋转空间的评分函数进行细算后分别得到正负样本Loss并整合为总Loss来对上轮的表示学习结果进行优化;步骤3、在预计算阶段,基于图神经网络对图进一步特征学习,优化图表示学习,并将最终的图表示学习向量值存储在图表示学习向量库中;所述步骤3具体如下:
使用节点向量,即表示学习的结果,作为图神经网络节点的初始特征进行学习,最终将任务变成一个归纳式学习的过程,将图上节点状态更新的操作分为了按比例随机采样时空关联节点聚合,以及更新节点信息;
步骤4、在推理预测阶段,通过图表示学习的链接预测过程来对时空进行推理,所述步骤4具体包括:
计算两个节点表示向量之间的点积来计算预测分数,这个分数也代表了两节点间存在连接的可能性。
2.根据权利要求1所述的一种基于图表示学习的时空信息推理方法,其特征在于,在时间图结构构造中,每个时间实体代表一个时刻,时间点之间的关系有两种类型:包含关系和顺序关系。
3.根据权利要求1所述的一种基于图表示学习的时空信息推理方法,其特征在于,在属性图结构中,所述其他属性根据具体的应用场景进行细化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210930899.1A CN115292523B (zh) | 2022-08-04 | 2022-08-04 | 一种基于图表示学习的时空信息推理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210930899.1A CN115292523B (zh) | 2022-08-04 | 2022-08-04 | 一种基于图表示学习的时空信息推理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115292523A CN115292523A (zh) | 2022-11-04 |
CN115292523B true CN115292523B (zh) | 2023-09-22 |
Family
ID=83827081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210930899.1A Active CN115292523B (zh) | 2022-08-04 | 2022-08-04 | 一种基于图表示学习的时空信息推理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115292523B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255034A (zh) * | 2018-08-08 | 2019-01-22 | 数据地平线(广州)科技有限公司 | 一种基于产业链的行业知识图谱构建方法 |
CN110245874A (zh) * | 2019-03-27 | 2019-09-17 | 中国海洋大学 | 一种基于机器学习和知识推理的决策融合方法 |
WO2020001373A1 (zh) * | 2018-06-26 | 2020-01-02 | 杭州海康威视数字技术股份有限公司 | 一种本体构建方法及装置 |
CN110781316A (zh) * | 2019-10-25 | 2020-02-11 | 南京航空航天大学 | 一种融合超平面和持续时间建模的时间感知知识表示学习方法 |
CN111639196A (zh) * | 2020-06-03 | 2020-09-08 | 核工业湖州工程勘察院有限公司 | 一种多层渐进增强的地灾知识图谱及其自动补全方法 |
WO2020218490A1 (ja) * | 2019-04-26 | 2020-10-29 | 国立大学法人大阪大学 | 機械学習に用いられる教師データを増幅するためのシステム、方法、プログラム |
CN112364108A (zh) * | 2020-11-13 | 2021-02-12 | 四川省人工智能研究院(宜宾) | 一种基于时空架构的时序知识图谱补全方法 |
CN112905807A (zh) * | 2021-03-25 | 2021-06-04 | 北京邮电大学 | 一种多源时空知识融合方法 |
CN114153996A (zh) * | 2022-02-10 | 2022-03-08 | 北京帝测科技股份有限公司 | 多图注意力协同的地学知识图谱更新方法和装置 |
CN114297516A (zh) * | 2021-06-18 | 2022-04-08 | 北京大学 | 一种基于知识图谱的事件发现与展现方法及系统 |
CN114360239A (zh) * | 2021-12-03 | 2022-04-15 | 武汉工程大学 | 一种多层时空交通知识图谱重建的交通预测方法及系统 |
CN114443858A (zh) * | 2022-01-20 | 2022-05-06 | 电子科技大学(深圳)高等研究院 | 一种基于图神经网络的多模态知识图谱表示学习方法 |
CN114817553A (zh) * | 2021-11-23 | 2022-07-29 | 科大讯飞股份有限公司 | 知识图谱构建方法、知识图谱构建系统和计算设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12001972B2 (en) * | 2018-10-31 | 2024-06-04 | Accenture Global Solutions Limited | Semantic inferencing in customer relationship management |
US11277425B2 (en) * | 2019-04-16 | 2022-03-15 | International Business Machines Corporation | Anomaly and mode inference from time series data |
-
2022
- 2022-08-04 CN CN202210930899.1A patent/CN115292523B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020001373A1 (zh) * | 2018-06-26 | 2020-01-02 | 杭州海康威视数字技术股份有限公司 | 一种本体构建方法及装置 |
CN109255034A (zh) * | 2018-08-08 | 2019-01-22 | 数据地平线(广州)科技有限公司 | 一种基于产业链的行业知识图谱构建方法 |
CN110245874A (zh) * | 2019-03-27 | 2019-09-17 | 中国海洋大学 | 一种基于机器学习和知识推理的决策融合方法 |
WO2020218490A1 (ja) * | 2019-04-26 | 2020-10-29 | 国立大学法人大阪大学 | 機械学習に用いられる教師データを増幅するためのシステム、方法、プログラム |
CN110781316A (zh) * | 2019-10-25 | 2020-02-11 | 南京航空航天大学 | 一种融合超平面和持续时间建模的时间感知知识表示学习方法 |
CN111639196A (zh) * | 2020-06-03 | 2020-09-08 | 核工业湖州工程勘察院有限公司 | 一种多层渐进增强的地灾知识图谱及其自动补全方法 |
CN112364108A (zh) * | 2020-11-13 | 2021-02-12 | 四川省人工智能研究院(宜宾) | 一种基于时空架构的时序知识图谱补全方法 |
CN112905807A (zh) * | 2021-03-25 | 2021-06-04 | 北京邮电大学 | 一种多源时空知识融合方法 |
CN114297516A (zh) * | 2021-06-18 | 2022-04-08 | 北京大学 | 一种基于知识图谱的事件发现与展现方法及系统 |
CN114817553A (zh) * | 2021-11-23 | 2022-07-29 | 科大讯飞股份有限公司 | 知识图谱构建方法、知识图谱构建系统和计算设备 |
CN114360239A (zh) * | 2021-12-03 | 2022-04-15 | 武汉工程大学 | 一种多层时空交通知识图谱重建的交通预测方法及系统 |
CN114443858A (zh) * | 2022-01-20 | 2022-05-06 | 电子科技大学(深圳)高等研究院 | 一种基于图神经网络的多模态知识图谱表示学习方法 |
CN114153996A (zh) * | 2022-02-10 | 2022-03-08 | 北京帝测科技股份有限公司 | 多图注意力协同的地学知识图谱更新方法和装置 |
Non-Patent Citations (3)
Title |
---|
多源异构数据的大规模地理知识图谱构建;蒋秉川;万刚;许剑;李锋;温荟琦;;测绘学报(第08期);29-39 * |
面向一体化综合减灾的知识图谱构建方法;陶坤旺;赵阳阳;朱鹏;朱月月;刘帅;赵习枝;;武汉大学学报(信息科学版)(第08期);193-199 * |
面向知识图谱的知识推理研究进展;官赛萍;靳小龙;贾岩涛;王元卓;程学旗;;软件学报(第10期);74-102 * |
Also Published As
Publication number | Publication date |
---|---|
CN115292523A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115269751B (zh) | 地理实体时空知识图谱本体库构建方法 | |
Brown et al. | Spatial process and data models: Toward integration of agent-based models and GIS | |
CN107016464B (zh) | 基于动态贝叶斯网络的威胁估计方法 | |
CN108459503A (zh) | 一种基于量子蚁群算法的无人水面艇航迹规划方法 | |
CN115544264B (zh) | 知识驱动的桥梁建造数字孪生场景智能构建方法及系统 | |
CN114547325B (zh) | 一种概率超图驱动的地学知识图谱推理优化系统和方法 | |
Sözer et al. | Modeling and querying fuzzy spatiotemporal databases | |
CN111797572A (zh) | 一种城市事故灾害演化模拟及风险预测预警方法 | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
CN117116048A (zh) | 基于知识表示模型和图神经网络的知识驱动交通预测方法 | |
CN116522272A (zh) | 一种基于城市信息单元的多源时空数据透明融合方法 | |
CN116757497A (zh) | 基于图类感知Transformer的多模态军事智能辅助作战决策方法 | |
Li et al. | Terrain visualization information integration in agent-based military industrial logistics simulation | |
CN115238008A (zh) | 一种战场环境知识表示方法 | |
CN115292523B (zh) | 一种基于图表示学习的时空信息推理方法 | |
CN116579425B (zh) | 基于全局和局部层级注意力的超关系知识图谱补全方法 | |
CN117173593A (zh) | 基于遥感地物分布感知的火势蔓延推演方法、介质及设备 | |
Li et al. | Optimization of planning layout of urban building based on improved logit and PSO algorithms | |
CN114637305B (zh) | 一种无人机最短路径规划方法及装置 | |
CN115983385A (zh) | 新型空间环境实体构建方法及装置 | |
Chen et al. | A novel flood defense decision support system for smart urban management based on classification and regression tree | |
Dutton et al. | Ontological modelling of geographical relationships for map generalization | |
Zhang et al. | Graph-Enhanced Spatio-Temporal Interval Aware Network for Next POI Recommendation in Mobile Environment | |
Getachew et al. | Modeling Land-Use/Land-Cover Change, Using Multi-Layer Perceptron and Markov Chain Analysis: A Study on Bahir Dar City, Ethiopia | |
CN112215083B (zh) | 一种基于异常变化建模的多地理视频自适应事件探测方法 |
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 |