CN115544262A - 一种地缘环境知识图谱构建方法 - Google Patents
一种地缘环境知识图谱构建方法 Download PDFInfo
- Publication number
- CN115544262A CN115544262A CN202210770049.XA CN202210770049A CN115544262A CN 115544262 A CN115544262 A CN 115544262A CN 202210770049 A CN202210770049 A CN 202210770049A CN 115544262 A CN115544262 A CN 115544262A
- Authority
- CN
- China
- Prior art keywords
- edge
- geo
- knowledge
- environment
- geography
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
- G06N5/027—Frames
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Library & Information Science (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于地缘环境技术领域,具体涉及一种地缘环境知识图谱构建方法。该方法首先构建地缘环境知识图谱的模式层;然后获取地缘环境数据集,并进行知识抽取,抽取的知识包括地缘体、地缘关系以及地缘结构,并对所抽取的知识进行知识融合处理;接着进行知识融合处理后,以各地缘体和各地缘结构为节点构建节点集合,以地缘关系、各地缘体之间的地理关系、以及各地缘体与地缘结构之间的关系为边构建边集合,对地缘环境知识图谱的数据层进行填充,构建得到地缘环境知识图谱。本发明对地缘环境知识的快速搜索、地缘环境知识的关联分析提供了一种有效手段,为地缘环境智能分析决策提供了一种有效途径,为数据驱动的地缘环境大数据分析提供知识库支撑。
Description
技术领域
本发明属于地缘环境技术领域,具体涉及一种地缘环境知识图谱构建方法。
背景技术
20世纪末以来,随着信息技术的快速发展,全球化和一体化进程不断加速,但局部冲突升级加剧,世界格局与布局并不稳定,对地缘的研究也得到世界各国的广泛关注和重视。地缘环境自提出至今,已经获得了长足的发展。地缘环境的研究,是跨学科的研究,其研究方法主要分为定性研究方法和定量研究方法。地球和人文环境观测体系的完善,以及多域环境传感器的飞速发展,为地缘环境分析提供了强大的数据支撑,地缘环境大数据分析已成为各国地缘政治学研究的重点方向。其研究的关键问题包括地缘环境全球观测体系多要素数据搜集、多粒度信息建模、地缘关系多要素相互耦合关系的快速解译、地缘环境复杂系统模拟与预测等。
目前地缘环境大数据分析主要集中在地缘环境数据融合与信息挖掘、地缘环境可视化和地缘事件分析,在地缘军事、地缘政治、地缘经济和地缘环境模拟与风险评估取得了一定的成果。比较有代表性的有:利用经济和社会发展统计数据分析区域经济关系;利用武器贸易数据的进行地缘军事态势分析;利用金融危机数据,分析金融危机对地缘政治的影响;利用地缘事件分析气候变化对地缘经济的影响。综上,其特点是利用各类地缘环境发生的地缘关系数据(多为事件)进行多种地缘环境要素的关联分析、相互交织影响、风险预测与评估等分析应用。
因而,面对这样海量庞杂的地缘环境数据的管理与分析需求,传统的数据管理模式以及查询方式受到一定约束,无法满足其高效、快速的要求。
发明内容
本发明的目的在于提供一种地缘环境知识图谱构建方法,用以解决传统的数据管理模式以及查询方式无法满足要求的问题。
为解决上述技术问题,本发明提供了一种地缘环境知识图谱构建方法,包括如下步骤:
1)构建地缘环境知识图谱的模式层;
2)获取地缘环境数据集,并进行知识抽取,抽取的知识包括地缘体、地缘关系以及地缘结构;其中,所述地缘体的类型包括全球尺度地缘体、地区尺度地缘体、国家地缘体和区域地缘;所述地缘关系表示各地缘体之间的相互作用关系,所述地缘关系包括经济关系、文化关系和信息关系;所述地缘结构包括空间结构、物质结构和理念结构;
3)对所抽取的知识进行知识融合处理;
4)进行知识融合处理后,以各地缘体和各地缘结构为节点构建节点集合,以地缘关系、各地缘体之间的地理关系、以及各地缘体与地缘结构之间的关系为边构建边集合,对地缘环境知识图谱的数据层进行填充,结合构建的地缘环境知识图谱的模式层,从而构建得到地缘环境知识图谱;
5)对构建得到的地缘环境知识图谱进行展示。
其有益效果为:考虑到地缘环境多要素的紧耦合关联分析问题,本发明将知识图谱技术与地缘环境领域相结合,剖析了地缘环境知识的内涵和特点,提出了基于多源异构地缘环境数据构建地缘环境知识图谱的基本框架,设计了包括地缘体、地缘时间和地缘结构在内的知识表示模型。对地缘环境知识的快速且高效搜索、地缘环境知识的关联分析提供了一种有效手段,为地缘环境智能分析决策提供了一种有效途径,为数据驱动的地缘环境大数据分析提供知识库支撑。
进一步地,所述地缘体、地缘关系和地缘结构通过资源描述框架表示为三元组结构。
进一步地,步骤2)中抽取的知识还包括地缘事件,相应在步骤4)中,节点集合还包括地缘事件的要素信息,所述地缘事件的要素信息包括主体、时间、地点、动作、状态、情况、动作对象和类型共八种要素中的至少一种,边集合还包括各要素信息之间的关系;其中,所述情况包括事件描述。
进一步地,所述地缘事件的要素信息包括主体、时间、地点、动作、状态、情况、动作对象和类型共八种要素,则所述地缘事件表示为八元组结构,即:e=(E,T,P,A,S,W,Ao,Ty),其中,e表示地缘事件,E,T,P,A,S,W,Ao,Ty分别表示地缘事件的主体、时间、地点、动作、状态、情况、动作对象和类型。
进一步地,所述地缘事件通过资源描述框架表示为三元组结构。
进一步地,所述地缘事件包括地缘体内部事件和地缘体间事件,所述地缘体内部事件是指在同一主权内部发生的各类地缘事件,所述地缘体间事件是指由两个及以上地缘体之间发生的各类地缘事件。
进一步地,步骤5)后还包括:依据构建的地缘环境知识图谱进行地缘事件演化分析或者地缘影响力分析。
附图说明
图1是本发明的地缘环境研究的魔方模型图;
图2是本发明的地缘环境知识图谱构建的基本框架图;
图3是本发明的地缘环境知识关联表示的示意图;
图4是本发明的地缘知识图子图示意图;
图5是本发明的地缘事件演化分析示意图;
图6是本发明的地缘影响力分析示例图。
具体实施方式
知识图谱是谷歌2012年提出用于提升智能搜索的一种知识表示方法,主要通过“实体-关系”的表示模型实现海量、多源、异构数据的关联搜索,其核心是大规模的语义网。其特点是能够基于构建的实体模型,关联诸如实体、概念、事件等多维要素信息,进而在统一语义空间下挖掘多维要素属性的相互影响。在知识图谱构建方面,目前各个领域均在构建自身领域的领域知识图谱。地理知识图谱是知识图谱在地理学领域的拓展,是智能化测绘时代实现人地关系的解析模拟、挖掘地理实体间的关系等知识服务的核心技术,根据专注的研究领域不同,出现了“三维时空信息知识图谱”、“时空知识中心”、“PNT知识图谱”等新的研究方向。围绕地理知识抽取、知识表示和知识推理等地理知识图谱构建进行了较为深入的研究,已在虚拟地理环境智能交互、地理知识问答、地理情报分析与挖掘等方向落地,在智能地理信息服务,智慧城市等方向开始发挥重要作用。
本发明将知识图谱技术与地缘环境领域相结合,进一步厘清地缘环境知识内涵及特点,构建地缘环境知识体系,设计包括地缘体知识、地缘关系知识、地缘事件知识在内的知识表示模型。下面结合附图对本发明进行详细说明。
方法实施例:
下面先对地缘环境知识进行介绍,以提出本发明所构建的地缘环境知识图谱。
地缘环境知识国家或地区之间的地缘关系的总和,由地缘体(主要依托地理环境)、地缘关系、地缘结构三部分组成。地缘环境不同于地理环境,地理环境是地缘行为体的依托环境,但却不能直接成为地缘体产生地缘关系、形成地缘结构、发生地缘活动的本底环境。基于地理环境的地缘实体活动,具有时空地理特征,从空间尺度上来看是地理实体在地球表层的微观活动,其行为是具象的,形象化表示为地理实体及与环境产生的时空关系。地缘环境本质上看是一个虚拟环境,其与地理环境、地缘体和地缘关系等紧密结合。地缘体的行为可看作是地缘体与地缘体、地缘体与地缘环境在虚拟环境里发生的能量交换。地缘关系是地缘政治学家对地缘实体能力交互结果的知识总结,知识层级上要高于地理关系。例如描述两个国家之间的地缘经济关系为“发展合作、拓展市场”,即是通过定量分析模型由地缘专家分析得出,此类知识是很难直接从相关数据中抽取得到的。
为了更好地认识地缘环境,从地缘研究尺度、地缘分析功能、地缘要素组成三个维度构建地缘环境“魔方体”,如图1所示。地缘研究尺度主要从全球、洲际/大洲大洋、国家和地区四个层次表示地缘环境的能量载体,有利于对地缘环境知识的分层建模与表达。地缘环境要素包括地理环境、地缘体和地缘结构,各个尺度分别对应不同的区域和地缘环境要素。地缘分析功能主要分为地缘环境状态、地缘关系和地缘结构功能三个类别,分别研究地缘环境自身状态的演变,地缘体之间的地缘关系定性与定量描述,综合多种因素分析的地缘结构与功能,为地理知识的地缘环境分析应用提供功能引导。
知识是人们对于可重复信息之间的联系的认识,是信息经过加工整理、解释、挑选和改造而形成的。地缘环境知识按照构成要素划分可分为:地缘体知识、地缘关系知识和地缘结构知识。其中,地缘体知识主要包括国家、区域、组织等实体;地缘关系知识是地缘体之间相互作用所产生的知识;地缘结构知识包括空间结构、物质结构和理念结构知识。从地缘环境知识的构成可以看出,地缘环境知识具有以下特点:
1)动态性强。地缘关系、地缘结构的不断演化,地缘环境知识具有高度的动态性。地缘环境重点研究的是地理环境条件下的地缘体之间的关系和地缘结构。地缘关系具有鲜明的时空演变特征,例如局部的冲突事件、自然环境变化、矿产资源争夺、安全风险冲突等都可能从局部引发地区甚至国家层面的地缘关系的改变。
2)知识性强。地缘环境领域的定性和定量研究,积累了大量的地缘知识。例如领域专家的经验知识和逻辑思维,定量研究的数学模型、指标体系等,针对地缘影响力、地缘位势、地缘人文风险评估、地缘环境建设综合评价等领域知识。
3)复杂性和层次性强。除基础地理环境知识外,地缘环境知识相对比较抽象,难于理解,对地缘环境知识的理解需要强大的背景知识作为支撑,地缘环境知识呈现出融合自然、人文、行为体等多维要素的复杂性,在空间上、尺度上呈现出全球、国家、区域等明显的层次性特征。
知识图谱作为知识表示的一种方式,已经在各个领域逐步开始进行深入的研究,地缘环境知识图谱可以认为是知识图谱在地缘政治领域的扩展,用于对地缘环境概念、实体及其相互关系进行形式化描述的知识系统。利用知识图谱相关技术对地缘环境知识进行抽取、建模与表示,具有天然的优势,可用于表示地缘体、地缘关系、地缘结构等地缘知识。地缘环境知识图谱的核心是建立地缘环境知识库,即可通过语义网表示,实现地缘环境知识的快速检索、逻辑推理、关联分析与预测等功能。目前对地缘环境还未有统一的认识,相关定义的内涵界限不太清晰,地缘环境知识图谱构建采用“自上向下”和“自下向上”相结合的方式实现。如图2所示,地缘环境知识图谱的核心是从地缘环境的相关数据中抽取地理环境知识、地缘体知识和地缘结构知识。
整个地缘环境知识图谱构建主要包括地缘环境本体体系构建、地缘环境知识抽取、地缘环境知识表示和知识融合。需说明的是,在本实施例中会出现较多“X”或“x”,例如XX月、“xxxx宣言”等,这里的“X”或“x”均为“某”的含义,即相应为某月、某宣言。下面具体介绍:
步骤一,地缘环境本体体系构建。
本体体系是“自上而下”构建地缘环境知识图谱的模式层,这对实体层地缘知识抽取具有指导意义。地理本体的构建已有相关的研究,地缘环境本体建模方法,可采用知识工程方法,充分利用地理学领域现存本体,对地缘环境相关概念进行抽象和概括,且通过一定的验证原则,保证地缘环境本体的正确性、唯一性和有效性。从图3中可以看出,地缘环境知识图谱的实体包括地缘体、地缘关系以及地缘结构,地缘体包括全球尺度地缘体、地区尺度地缘体、国家地缘体和区域地缘,地缘关系表示各地缘体之间的相互作用关系,所述地缘关系包括经济关系、文化关系和信息关系,地缘结构包括空间结构、物质结构和理念结构。
步骤二,获取地缘环境数据集,并进行地缘环境知识抽取。
地缘环境知识抽取,主要包括地缘体、地缘关系、地缘结构等知识的抽取。地理环境知识的来源主要包括地理、气象、海洋等自然环境、政治、经济、文化等人文环境以及互联网等信息环境数据集,针对结构化、半结构化和非结构化数据,采取不同的知识抽取方法,抽取相应的地理实体,并建立相应实体之间的地理关系。地缘体知识的来源主要包括人文环境和信息环境相关数据,较少从自然环境数据中抽取,主要包括国家、组织、区域等地缘体相关知识。
步骤三,对抽取的地缘环境知识融合处理。
地缘环境知识与地理环境相关知识关系紧密,针对地理知识的抽取、建模与表示,已经有了一定的研究基础,并且已经形成了一定的地理知识库。地缘环境知识融合,需要解决:①多源异构数据中抽取的地缘知识的融合,例如不同文本中对“南亚地区”的属性描述,利用实体对齐等技术实现;②地缘环境知识与已有地理知识库的融合,例如原有的地理知识库已有对“B国”国家的相关属性的描述,需要利用实体链接等方法实现不同数据库的关联链接。
步骤四,地缘环境知识推理。
地缘环境知识推理主要研究对地缘环境分析模型相关决策知识的建模与表示,构建推理规则,利用符号推理、逻辑计算等方法实现地缘环境的知识推理,进而达到潜在地缘知识挖掘,实现地缘环境知识的补全。
步骤五,以各地缘体、各地缘结构、各地缘事件所包括的信息要素为节点构建节点集合,以地缘关系、各地缘体之间的地理关系、各地缘体与地缘结构之间的关系、地缘事件中各要素信息之间的关系为边构建边集合,对地缘环境知识图谱的数据层进行填充,结合步骤一构建的地缘环境知识图谱的模式层,完成地缘环境知识图谱构建。
其中,地缘环境知识关联模型是地理环境知识图谱构建的关键问题,是地缘环境知识抽取、知识表示和知识存储的数学表示。地缘知识采用资源描述框架(RDF,ResourceDescription Framework)表示为三元组结构,一个三元组包括三个元素:主体(Subject)、谓词(Predicate)、客体(Object),表示为:“概念—关系—概念”“概念—关系—实体”“实体—关系—实体”“实体—属性—值”,形成由“点—边”组成的大规模有向图。基于有向图的地缘知识表示即为G=G(V,E),其中V表示节点集,表示边的集合。
地缘体是地缘政治领域的特色实体,具备空间属性、行为属性和地域特点。地缘实体的概念更广泛,既包括基础地理环境的地理实体(如人物、资源、城市等),又包含地缘体。地缘关系类型主要是通过地缘领域专家知识形成的地缘体关系描述。地缘体、地缘关系、地缘结构知识通过资源描述框架利用三元组模型表示,例如地缘体“A国”与地缘体“B国”之间“经济关系”表示为(A国,经济关系,B国),关系的语义属性为“发展合作、拓展市场”。
地缘事件可分为地缘体内部事件和地缘体间事件。内部发生的指在国家、地区等同一主权内部发生的各类事件,例如自然灾害事件、流行疾病事件等等。地缘体间事件,主要由两个及以上地缘体之间发生的各类事件,包括经济事件、军事事件、文化事件等等。地缘事件包括主体(who)、时间(when)、地点(where)、动作(action)、状态(state)、情况(what)、动作对象(aim_to)、类型(type)8个要素。形式上,事件可表示为e,定义为一个8元组:e=(E,T,P,A,S,W,Ao,Ty),其中,事件8元组中的E,T,P,A,S,W,Ao,Ty分别表示事件的主体、时间要素、地点要素、动作要素(如动作触发词)、状态集合与情况(事件描述),事件对象和事件类型。地缘事件知识通过资源描述框架利用三元组模型表示,例如20XX年XX月,A国与B国联合声明表示,将加强合作,表示为:
(A国,经济事件,B国);
(发表联合声明,发表,A国);
(发表联合声明,发表,B国);
(联合声明,属于,经济事件);
(发表联合声明,时间,20XX年XX月)。
通过实体关联模型,将地缘实体、地缘结构、地缘关系和地缘事件关联,最终的结果示例如图3所示。其本质上是一个有向关系图,通过图的节点聚类、社区分类等可实现不同地缘结构的子图分类,如图4所示。
步骤六,利用构建得到的地缘环境知识图谱进行分析,该分析可以为地缘事件演化分析,也可以为地缘影响力分析,还可为其他分析,从而为地缘环境智能分析决策提供一种有效途径,为数据驱动的地缘环境大数据分析提供知识库支撑。
下面进行地缘环境知识图谱分析实验,对本发明方法的有效性进行验证。
1、实验环境。
实验数据来自互联网的B国和G国地理、地形地貌、行政区划、民族、政治、经济等相关人文环境及事件数据,分别如表1和表2所示。
表1地缘体外部事件示例
表2地缘体内部事件示例
实验平台采用Python语言开发,支持B/S服务架构,地缘知识采用Neo4j图数据库存储。
2、实验分析。
1)地缘事件演化分析。
地缘环境知识图谱理论上可以通过地缘实体关联模型,关联地理、气象、事件、国家、组织等所有地缘环境知识,构建庞大的地缘环境知识语义网,即可通过SPRQAL查询语句实现地缘环境知识的查询,通过可视化方法判别可能存在的地缘知识隐含关系。例如:基于地缘知识库通过搜索地缘实体“国家A”,通过扩展可查询与实体相关的各行政区划、人口、地理等相关的地缘知识。
如图5所示,通过B国与G国地缘事件关联分析,两国关系“缓和-改善-恶化”的事件主线(如红色箭头所示):①发生事件“19XX年XX月XX日,两国签署《xxxx》协议”,关系转入“缓和”;②发生事件“19XX年XX月XX日,两国通过‘xxxxxx’协议”,关系进一步“改善”;③发生事件“19XX年XX月XX日,B国驻G国总领事官邸遇袭”,关系转为“恶化”。
2)地缘影响力分析
地缘环境知识图谱核心是地缘环境知识库,可用图表示为语义网络结构图,基于图的相关分析方法,例如节点预测、社区分析、关键点分析、相似度分析等大规模的图分析方法,可直接应用于地缘环境分析。如图6所示,利用节点中心度计算分析,通过扩展“B国”与“G国”两个地缘实体所关联的所有地缘知识,利用节点中心度计算分析,得出“B国”、“G国”、“XX省”实体节点以及“XXX首次会晤”和“取消B国和G国外交部长会晤”两个事件节点,由于本次实验并未添加节点的边界权重,仅从节点的出入度进行分析,“B国”和“G国”在地缘结构中占据举足轻重的地位,两个事件节点表明在影响两个地缘体的关系受这两个地缘事件的影响较大。
综上,本发明将知识图谱与地缘环境相结合,充分发挥两个领域的技术优势,从地缘环境的基本认识出发,提出了地缘环境研究的“立方体”模型,探析了地缘环境知识图谱构建基本流程和关键技术,设计了地缘体和地缘事件语义关联模型,具有以下优势:(1)有助于理解不同行为体间的复杂地缘关系演变。地缘环境知识图谱能够描述地缘体、地缘事件等之间的语义关系,通过知识关联、知识推理能够发掘潜在的地缘关系和地缘知识,可为研究复杂的地缘关系演变提供新的思路。(2)有助于从整体上,多要素考虑地缘体或行为体的复杂网络的分析。对地缘环境不同要素的知识表示,可以将地理、气象等自然环境要素,人口、政治、经济、文化等人文环境要素,国家、组织等地缘实体等多层要素映射到同一维度,进行多要素的统一分析,理论上讲可充分考虑多种要素对同一地缘事件或地缘实体的统一影响,使得地缘分析更具客观性和科学性。(3)有利于提升地缘环境时空模拟和预测分析能力。知识图谱的本质是大规模有向图,能够充分利用多源异构的地缘环境数据源,全面考虑地缘环境各要素间的关联,进而提高地缘环境系统模拟与风险评估效率。
Claims (7)
1.一种地缘环境知识图谱构建方法,其特征在于,包括如下步骤:
1)构建地缘环境知识图谱的模式层;
2)获取地缘环境数据集,并进行知识抽取,抽取的知识包括地缘体、地缘关系以及地缘结构;其中,所述地缘体的类型包括全球尺度地缘体、地区尺度地缘体、国家地缘体和区域地缘;所述地缘关系表示各地缘体之间的相互作用关系,所述地缘关系包括经济关系、文化关系和信息关系;所述地缘结构包括空间结构、物质结构和理念结构;
3)对所抽取的知识进行知识融合处理;
4)进行知识融合处理后,以各地缘体和各地缘结构为节点构建节点集合,以地缘关系、各地缘体之间的地理关系、以及各地缘体与地缘结构之间的关系为边构建边集合,对地缘环境知识图谱的数据层进行填充,结合构建的地缘环境知识图谱的模式层,从而构建得到地缘环境知识图谱;
5)对构建得到的地缘环境知识图谱进行展示。
2.根据权利要求1所述的地缘环境知识图谱构建方法,其特征在于,所述地缘体、地缘关系和地缘结构通过资源描述框架表示为三元组结构。
3.根据权利要求1所述的地缘环境知识图谱构建方法,其特征在于,步骤2)中抽取的知识还包括地缘事件,相应在步骤4)中,节点集合还包括地缘事件的要素信息,所述地缘事件的要素信息包括主体、时间、地点、动作、状态、情况、动作对象和类型共八种要素中的至少一种,边集合还包括各要素信息之间的关系;其中,所述情况包括事件描述。
4.根据权利要求3所述的地缘环境知识图谱构建方法,其特征在于,所述地缘事件的要素信息包括主体、时间、地点、动作、状态、情况、动作对象和类型共八种要素,则所述地缘事件表示为八元组结构,即:e=(E,T,P,A,S,W,Ao,Ty),其中,e表示地缘事件,E,T,P,A,S,W,Ao,Ty分别表示地缘事件的主体、时间、地点、动作、状态、情况、动作对象和类型。
5.根据权利要求3所述的地缘环境知识图谱构建方法,其特征在于,所述地缘事件通过资源描述框架表示为三元组结构。
6.根据权利要求3所述的地缘环境知识图谱构建方法,其特征在于,所述地缘事件包括地缘体内部事件和地缘体间事件,所述地缘体内部事件是指在同一主权内部发生的各类地缘事件,所述地缘体间事件是指由两个及以上地缘体之间发生的各类地缘事件。
7.根据权利要求1所述的地缘环境知识图谱构建方法,其特征在于,步骤5)后还包括:
依据构建的地缘环境知识图谱进行地缘事件演化分析或者地缘影响力分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210770049.XA CN115544262A (zh) | 2022-06-30 | 2022-06-30 | 一种地缘环境知识图谱构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210770049.XA CN115544262A (zh) | 2022-06-30 | 2022-06-30 | 一种地缘环境知识图谱构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115544262A true CN115544262A (zh) | 2022-12-30 |
Family
ID=84724630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210770049.XA Pending CN115544262A (zh) | 2022-06-30 | 2022-06-30 | 一种地缘环境知识图谱构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115544262A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882538A (zh) * | 2023-05-26 | 2023-10-13 | 海南大学 | 一种海洋环境预测模型的训练方法及相关装置 |
-
2022
- 2022-06-30 CN CN202210770049.XA patent/CN115544262A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882538A (zh) * | 2023-05-26 | 2023-10-13 | 海南大学 | 一种海洋环境预测模型的训练方法及相关装置 |
CN116882538B (zh) * | 2023-05-26 | 2024-03-05 | 海南大学 | 一种海洋环境预测模型的训练方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710625B (zh) | 一种专题知识自动挖掘系统及方法 | |
Souza et al. | City Information Modelling as a support decision tool for planning and management of cities: A systematic literature review and bibliometric analysis | |
Budak Arpinar et al. | Geospatial ontology development and semantic analytics | |
Dasgupta et al. | The clouds distributed operating system: Functional description, implementation details and related work | |
Hor et al. | A semantic graph database for BIM-GIS integrated information model for an intelligent urban mobility web application | |
CN110502587A (zh) | 基于语义融合的bim和gis集成方法 | |
Minaei | Evolution, density and completeness of OpenStreetMap road networks in developing countries: The case of Iran | |
Goodchild et al. | Representation and computation of geographic dynamics | |
CN113505234A (zh) | 一种生态文明地理知识图谱的构建方法 | |
Anselin et al. | Open source software for spatial data science | |
CN115544262A (zh) | 一种地缘环境知识图谱构建方法 | |
Pampoore-Thampi et al. | Mining GIS data to predict urban sprawl | |
Chen et al. | Construction of spatiotemporal knowledge graph for emergency decision making | |
Erwig | Toward spatio-temporal patterns | |
Wu et al. | Improving tourism analytics from climate data using knowledge graphs | |
Mityagin et al. | City Information Modeling: Designing a Conceptual Data Model | |
Fan | A hybrid spatial data clustering method for site selection: The data driven approach of GIS mining | |
Wan et al. | [Retracted] Research on Urban Renewal Public Space Design Based on Convolutional Neural Network Model | |
CN117216286A (zh) | 国土调查数据的知识图谱构建方法、装置、设备和介质 | |
Ahmadian et al. | Semantic integration of OpenStreetMap and CityGML with formal concept analysis | |
CN108829786A (zh) | 一种时间-空间-逻辑关系的社会地理大数据运算方法 | |
Guo et al. | Construction of Knowledge Graph Based on Geographic Ontology | |
Wei et al. | Design and construction of geographic knowledge graph | |
Paramartha et al. | Integration of Region-based Open Data Using Semantic Web | |
Dolbear et al. | Semantic interoperability between topographic data and a flood defence ontology |
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 |