CN115640403A - 基于知识图谱的知识管控方法及装置 - Google Patents
基于知识图谱的知识管控方法及装置 Download PDFInfo
- Publication number
- CN115640403A CN115640403A CN202211089471.5A CN202211089471A CN115640403A CN 115640403 A CN115640403 A CN 115640403A CN 202211089471 A CN202211089471 A CN 202211089471A CN 115640403 A CN115640403 A CN 115640403A
- Authority
- CN
- China
- Prior art keywords
- target
- knowledge
- data
- user
- relationship
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识图谱的知识管控方法及装置,该方法包括:采集知识源,根据图谱构建算法分析知识源,得到第一构建要素,根据图谱构建算法分析第一构建要素,得到第二构建要素,根据第一构建要素构建模式层、第二构建要素构建数据层,并根据构建出的模式层及数据层构建目标知识图谱;根据预设知识库构成要素及目标知识图谱,构建目标知识库;采集用户使用目标知识库的用户数据,并分析该用户数据,得到对应的目标服务,根据智能辅助模型分析目标服务以及用户数据,得到用户的学习者画像,分析该学习者画像,得到用户的个性化学习路径。可见,实施本发明能够提高对安全知识的管控效率,进而提高用户学习安全知识的学习效率及学习体验。
Description
技术领域
本发明涉及数据管控技术领域,尤其涉及一种基于知识图谱的知识管控方法及装置。
背景技术
随着电力系统规模的扩展与迭代升级,新的安全生产知识也随之迭代更新,并呈现出新的安全生产知识增长快、更新频率高且知识结构松散等特点。同时,也导致了安全知识学习存在资料难找、效果不佳和缺乏系统性等问题。其中:
学习资料难找:体现于安全知识的学习资料包括了图文、视频以及语音等多形式的结构化和非结构化数据,并且存储于不同业务系统或个人电脑中,使得安全知识的学习资料存储十分零散,仅仅依赖于系统的关键字匹配,存在检索能力差的缺陷,十分不利于用户对学习资料的查找。
学习效果不佳:表现在以往的安全学习主要以班长带头集中学习为主,学员常以被动学习的心态参与,同时,由于负责开展学习的管理人员数量有限,导致学员在学习过程中存在疑惑时不能得到及时有效的解答,导致学员所能吸取的知识有限。
学习缺乏系统性:为了通过每年的安规考试,学员往往是零散的吸收安全知识,此外,在学习到安全知识后,学员缺乏对知识掌握的正向反馈,对实际工作中面临的安全风险问题缺乏充分的认知力和准确的判断力。
可见,在解决上述问题的基础上,如何提高安全知识的管控效率显得尤为重要。
发明内容
本发明所要解决的技术问题在于,提供一种基于知识图谱的知识管控方法及装置,能够智能化整合安全知识,有利于提高对安全知识的管控效率,进而提高用户学习安全知识的学习体验和学习效率。
为了解决上述技术问题,本发明第一方面公开了一种基于知识图谱的知识管控方法,所述方法包括:
采集用于构建目标知识图谱的知识源,所述目标知识图谱由模式层和数据层组成;
根据预设图谱构建算法分析所述知识源,得到用于构建所述模式层的第一构建要素,所述第一构建要素包括本体数据以及本体关系,所述本体关系包括上下文关系以及非上下文关系,所述上下文关系为每个所述本体数据在所述知识源的上下文位置中与其他本体数据的关系;
根据所述图谱构建算法分析所述第一构建要素,得到用于构建所述数据层的第二构建要素,所述第二构建要素包括实体数据以及与所述实体数据对应的实体结构;
根据所述第一构建要素构建所述模式层,以及根据所述第二构建要素构建所述数据层,并根据构建出的所述模式层以及所述数据层构建所述目标知识图谱;
根据预设知识库构成要素以及所述目标知识图谱,构建用于对所述知识源进行管控的目标知识库,所述目标知识库与所述目标知识图谱建立有关联关系;
采集目标用户使用所述目标知识库的用户数据,并分析所述用户数据,得到与所述目标用户匹配的目标服务,所述目标服务包括针对所述用户数据的智能问答服务、个性化推荐服务以及智能搜索服务中的至少一种;
根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像,所述学习者画像包括所述目标用户学习所述目标知识库中任意知识体系对应的学习进度;
根据所述目标知识图谱分析所述学习者画像,得到与所述目标用户匹配的个性化学习路径,以使所述目标用户根据所述个性化学习路径进行学习。
作为一种可选的实施方式,在本发明第一方面中,所述根据预设图谱构建算法分析所述知识源,得到用于构建所述模式层的第一构建要素,包括:
根据预设图谱构建算法分析所述知识源,得到所述知识源对应的基础术语;
对所述基础术语执行预设术语提取操作,得到基础术语关系,所述术语提取操作用于确定每个所述基础术语在所述知识源所处的上下文对应的第一关系以及除所述第一关系之外的第二关系,所述基础术语关系包括所述第一关系以及所述第二关系;
根据所述基础术语关系,对所述基础术语执行预设概念提取操作,得到概念术语,并对所述概念术语执行预设关系提取操作,得到概念术语关系;
分析所述基础术语、所述基础术语关系、所述概念术语以及所述概念术语关系,得到目标提取规则,所述目标提取规则通过分析执行所述术语提取操作、所述概念提取操作以及所述关系提取操作时所采用的提取规则得到;
将所述基础术语以及所述概念术语确定为第一构建要素所包括的本体数据,以及将所述基础术语关系和所述概念术语关系确定为所述第一构建要素所包括的本体关系;
其中,所述对所述概念术语执行预设关系提取操作,得到概念术语关系,包括:
分析所有所述概念术语中每个概念术语与该概念术语的应用场景的语义关联关系,得到概念术语关系。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述图谱构建算法分析所述第一构建要素,得到用于构建所述数据层的第二构建要素,包括:
根据所述图谱构建算法确定多个表征实体;
根据所述基础术语关系以及所述概念术语关系结合所述图谱构建算法,确定每个所述表征实体对应的描述数据,所述描述数据包括实体属性以及实体同义名称,且每个所述表征实体的释义覆盖该表征实体所包括的所有实体同义名称对应的释义;
将每个所述表征实体对应的描述数据填充至该描述数据对应的表征实体,以更新所述表征实体;
根据所述基础术语关系、所述概念术语关系以及所述目标提取规则,确定基于所有所述表征实体的实体结构;
将更新后的所有所述表征实体确定为用于构建所述数据层的第二构建要素对应的实体数据;
其中,所述根据所述基础术语关系以及所述概念术语关系结合所述图谱构建算法,确定每个所述表征实体对应的描述数据,包括:
根据所述基础术语关系以及所述概念术语关系,从所述基础术语以及所述概念术语中筛选出实体同义名称;
根据所述图谱构建算法,确定每个所述表征实体对应的实体属性,并将所述实体同义名称以及所述实体属性确定为每个所述表征实体对应的描述数据。
作为一种可选的实施方式,在本发明第一方面中,所述分析所述用户数据,得到与所述目标用户匹配的目标服务,包括:
分析所述用户数据,得到所述目标用户在所述目标知识库生成的学习指令;
检测所述学习指令对应的指令类型,并在预设指令集中检索与所述指令类型匹配的服务,作为与所述目标用户匹配的目标服务;
在所述指令集中检索出与所述指令类型匹配的服务之后,所述方法还包括:
当所述目标服务包括所述智能搜索服务时,根据所述学习指令,确定所述目标用户当前操作的搜索关键词;
将所述搜索关键词映射于所述目标知识图谱中,以使所述目标知识图谱根据所述所述用户数据以及所述搜索关键词,确定与所述搜索关键词匹配的初始结果,所述初始结果包括实体和/或概念;
根据预设语义搜索算法分析所述搜索关键词,得到第一分析结果,并判断所述第一分析结果中是否包括需要执行拓展操作的拓展标识;
当判断出所述第一分析结果中不包括所述拓展标识时,将所述初始结果确定为搜索结果;
将所述搜索结果展示在所述目标用户的当前操作界面上,并执行所述的根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像对应的步骤;
当判断出所述第一分析结果包括所述拓展标识时,根据所述目标知识图谱确定与所述初始结果存在关联关系的关联数据;
将所述初始结果以及所述关联数据确定为搜索结果,并将所述搜索结果展示在所述目标用户的当前操作界面上,同时触发执行所述的根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像对应的步骤。
作为一种可选的实施方式,在本发明第一方面中,当所述目标服务包括所述智能问答服务时,所述方法还包括:
根据所述目标知识图谱,提取所述学习指令所包括的自然语言,所述自然语言为所述目标用户输入检索问题时所采用的语言;
根据所述目标知识图谱对所述自然语言执行预设语义分析操作以及预设语法分析操作,得到第二分析结果;
根据所述第二分析结果确定所述自然语言的问答类型,所述问答类型包括直接型、语义推理型、开放型、语义解析型以及在线问答型中的至少一种;
将所述自然语言转换为与所述问答类型匹配的查询语言,并根据所述查询语言在所述目标知识图谱中执行针对所述查询语言的查询操作,得到所述智能问答服务对应的查询结果;
将所述查询结果展示在所述目标用户的当前操作界面上,并执行所述的根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像对应的步骤。
作为一种可选的实施方式,在本发明第一方面中,当所述目标服务包括所述个性化推荐服务时,所述根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像,包括:
根据预设智能辅助模型,分析所述个性化推荐服务以及所述用户数据,得到所述目标用户的个性化数据,所述个性化数据包括所述目标用户在预设使用周期内使用所述目标知识库的第一数据以及第二数据,所述第一数据包括所述目标用户浏览所述目标知识库中某一类别数据的频率高于预设频率阈值的数据,所述第二数据包括所述目标用户预先确定出的待学习数据;
检测变更指令,当未检测到所述变更指令时,将所述个性化数据加载至所述目标用户对应的学习者画像中,得到与所述目标用户匹配的学习者画像,所述变更指令为所述目标用户提交的用于对所述个性化数据进行修改的指令;
当检测到所述变更指令时,根据所述变更指令确定变更数据,以更新所述个性化数据,并将更新后的所述个性化数据加载至所述目标用户对应的学习者画像中,得到与所述目标用户匹配的学习者画像。
作为一种可选的实施方式,在本发明第一方面中,所述根据预设智能辅助模型,分析所述个性化推荐服务以及所述用户数据,得到所述目标用户的个性化数据之前,所述方法还包括:
判断所述用户数据是否包括所述目标用户的历史学习者画像,所述历史学习者画像为所述目标用户在当前操作之前使用所述个性化推荐服务后生成的学习者画像;
当判断出所述用户数据不包括所述目标用户的历史学习者画像时,根据所述用户数据确定所述目标用户的初始学习者画像以及初始个性化信息,并根据所述目标用户触发所述个性化推荐服务之后浏览的内容,更新所述初始学习者画像,同时触发执行所述的根据预设智能辅助模型,分析所述个性化推荐服务以及所述用户数据,得到所述目标用户的个性化数据对应的步骤;
当判断出所述用户数据包括所述目标用户的历史学习者画像时,所述根据预设智能辅助模型,分析所述个性化推荐服务以及所述用户数据,得到所述目标用户的个性化数据,包括:
根据预设智能辅助模型,分析所述个性化推荐服务以及所述历史学习者画像,得到所述目标用户的个性化数据。
本发明第二方面公开了一种基于知识图谱的知识管控装置,所述装置包括:
采集模块,用于采集用于构建目标知识图谱的知识源,所述目标知识图谱由模式层和数据层组成;
第一分析模块,用于根据预设图谱构建算法分析所述知识源,得到用于构建所述模式层的第一构建要素,所述第一构建要素包括本体数据以及本体关系,所述本体关系包括上下文关系以及非上下文关系,所述上下文关系为每个所述本体数据在所述知识源的上下文位置中与其他本体数据的关系;
所述第一分析模块,还用于根据所述图谱构建算法分析所述第一构建要素,得到用于构建所述数据层的第二构建要素,所述第二构建要素包括实体数据以及与所述实体数据对应的实体结构;
构建模块,用于根据所述分析模块得到的所述第一构建要素构建所述模式层,以及根据所述分析模块得到的所述第二构建要素构建所述数据层,并根据构建出的所述模式层以及所述数据层构建所述目标知识图谱;
所述构建模块,还用于根据预设知识库构成要素以及所述构建模块构建出的所述目标知识图谱,构建用于对所述知识源进行管控的目标知识库,所述目标知识库与所述目标知识图谱建立有关联关系;
所述采集模块,还用于采集目标用户使用所述目标知识库的用户数据;
第二分析模块,用于分析所述用户数据,得到与所述目标用户匹配的目标服务,所述目标服务包括针对所述用户数据的智能问答服务、个性化推荐服务以及智能搜索服务中的至少一种;
所述第二分析模块,还用于根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像,所述学习者画像包括所述目标用户学习所述目标知识库中任意知识体系对应的学习进度;
所述第二分析模块,还用于根据所述目标知识图谱分析所述学习者画像,得到与所述目标用户匹配的个性化学习路径,以使所述目标用户根据所述个性化学习路径进行学习。
作为一种可选的实施方式,在本发明第二方面中,所述第一分析模块根据预设图谱构建算法分析所述知识源,得到用于构建所述模式层的第一构建要素的方式具体包括:
根据预设图谱构建算法分析所述知识源,得到所述知识源对应的基础术语;
对所述基础术语执行预设术语提取操作,得到基础术语关系,所述术语提取操作用于确定每个所述基础术语在所述知识源所处的上下文对应的第一关系以及除所述第一关系之外的第二关系,所述基础术语关系包括所述第一关系以及所述第二关系;
根据所述基础术语关系,对所述基础术语执行预设概念提取操作,得到概念术语,并对所述概念术语执行预设关系提取操作,得到概念术语关系;
分析所述基础术语、所述基础术语关系、所述概念术语以及所述概念术语关系,得到目标提取规则,所述目标提取规则通过分析执行所述术语提取操作、所述概念提取操作以及所述关系提取操作时所采用的提取规则得到;
将所述基础术语以及所述概念术语确定为第一构建要素所包括的本体数据,以及将所述基础术语关系和所述概念术语关系确定为所述第一构建要素所包括的本体关系;
其中,所述对所述概念术语执行预设关系提取操作,得到概念术语关系,包括:
分析所有所述概念术语中每个概念术语与该概念术语的应用场景的语义关联关系,得到概念术语关系。
作为一种可选的实施方式,在本发明第二方面中,所述第一分析模块根据所述图谱构建算法分析所述第一构建要素,得到用于构建所述数据层的第二构建要素的方式具体包括:
根据所述图谱构建算法确定多个表征实体;
根据所述基础术语关系以及所述概念术语关系结合所述图谱构建算法,确定每个所述表征实体对应的描述数据,所述描述数据包括实体属性以及实体同义名称,且每个所述表征实体的释义覆盖该表征实体所包括的所有实体同义名称对应的释义;
将每个所述表征实体对应的描述数据填充至该描述数据对应的表征实体,以更新所述表征实体;
根据所述基础术语关系、所述概念术语关系以及所述目标提取规则,确定基于所有所述表征实体的实体结构;
将更新后的所有所述表征实体确定为用于构建所述数据层的第二构建要素对应的实体数据;
其中,所述根据所述基础术语关系以及所述概念术语关系结合所述图谱构建算法,确定每个所述表征实体对应的描述数据,包括:
根据所述基础术语关系以及所述概念术语关系,从所述基础术语以及所述概念术语中筛选出实体同义名称;
根据所述图谱构建算法,确定每个所述表征实体对应的实体属性,并将所述实体同义名称以及所述实体属性确定为每个所述表征实体对应的描述数据。
作为一种可选的实施方式,在本发明第二方面中,所述第二分析模块分析所述用户数据,得到与所述目标用户匹配的目标服务的方式具体包括:
分析所述用户数据,得到所述目标用户在所述目标知识库生成的学习指令;
检测所述学习指令对应的指令类型,并在预设指令集中检索与所述指令类型匹配的服务,作为与所述目标用户匹配的目标服务;
以及所述装置还包括:
确定模块,用于在所述指令集中检索出与所述指令类型匹配的服务之后,当所述目标服务包括所述智能搜索服务时,根据所述学习指令,确定所述目标用户当前操作的搜索关键词;
映射模块,用于将所述确定模块确定出的所述搜索关键词映射于所述目标知识图谱中,以使所述目标知识图谱根据所述所述用户数据以及所述搜索关键词,确定与所述搜索关键词匹配的初始结果,所述初始结果包括实体和/或概念;
所述第二分析模块,还用于根据预设语义搜索算法分析所述搜索关键词,得到第一分析结果;
判断模块,用于判断所述第二分析模块得到的所述第一分析结果中是否包括需要执行拓展操作的拓展标识;
所述确定模块,还用于当所述判断模块判断出所述第一分析结果中不包括所述拓展标识时,将所述初始结果确定为搜索结果;
展示模块,用于将所述确定模块确定出的所述搜索结果展示在所述目标用户的当前操作界面上,并触发所述第二分析模块执行所述的根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像对应的步骤;
所述确定模块,还用于当所述判断模块判断出所述第一分析结果包括所述拓展标识时,根据所述目标知识图谱确定与所述初始结果存在关联关系的关联数据;
所述确定模块,还用于将所述初始结果以及所述关联数据确定为搜索结果;
所述展示模块,还用于将所述确定模块确定出的所述搜索结果展示在所述目标用户的当前操作界面上,同时触发所述第二分析模块执行所述的根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像对应的步骤。
作为一种可选的实施方式,在本发明第二方面中,所述装置还包括:
问答处理模块,用于当所述目标服务包括所述智能问答服务时,根据所述目标知识图谱,提取所述学习指令所包括的自然语言,所述自然语言为所述目标用户输入检索问题时所采用的语言;
所述问答处理模块,还用于根据所述目标知识图谱对所述问答处理模块提取到的所述自然语言执行预设语义分析操作以及预设语法分析操作,得到第二分析结果;
所述确定模块,还用于根据所述第二分析结果确定所述自然语言的问答类型,所述问答类型包括直接型、语义推理型、开放型、语义解析型以及在线问答型中的至少一种;
所述问答处理模块,还用于将所述自然语言转换为与所述问答类型匹配的查询语言,并根据所述查询语言在所述目标知识图谱中执行针对所述查询语言的查询操作,得到所述智能问答服务对应的查询结果;
所述展示模块,还用于将所述查询结果展示在所述目标用户的当前操作界面上,并触发所述第二分析模块执行所述的根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像对应的步骤。
作为一种可选的实施方式,在本发明第二方面中,当所述目标服务包括所述个性化推荐服务时,所述第二分析模块根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像的方式具体包括:
根据预设智能辅助模型,分析所述个性化推荐服务以及所述用户数据,得到所述目标用户的个性化数据,所述个性化数据包括所述目标用户在预设使用周期内使用所述目标知识库的第一数据以及第二数据,所述第一数据包括所述目标用户浏览所述目标知识库中某一类别数据的频率高于预设频率阈值的数据,所述第二数据包括所述目标用户预先确定出的待学习数据;
检测变更指令,当未检测到所述变更指令时,将所述个性化数据加载至所述目标用户对应的学习者画像中,得到与所述目标用户匹配的学习者画像,所述变更指令为所述目标用户提交的用于对所述个性化数据进行修改的指令;
当检测到所述变更指令时,根据所述变更指令确定变更数据,以更新所述个性化数据,并将更新后的所述个性化数据加载至所述目标用户对应的学习者画像中,得到与所述目标用户匹配的学习者画像。
作为一种可选的实施方式,在本发明第二方面中,所述判断模块,还用于所述根据预设智能辅助模型,分析所述个性化推荐服务以及所述用户数据,得到所述目标用户的个性化数据之前,判断所述用户数据是否包括所述目标用户的历史学习者画像,所述历史学习者画像为所述目标用户在当前操作之前使用所述个性化推荐服务后生成的学习者画像;
所述确定模块,还用于当判断出所述用户数据不包括所述目标用户的历史学习者画像时,根据所述用户数据确定所述目标用户的初始学习者画像以及初始个性化信息;
所述装置还包括:
更新模块,用于根据所述目标用户触发所述个性化推荐服务之后浏览的内容,更新所述初始学习者画像,同时触发所述第二分析模块执行所述的根据预设智能辅助模型,分析所述个性化推荐服务以及所述用户数据,得到所述目标用户的个性化数据对应的步骤;
以及,所述第二分析模块根据预设智能辅助模型,分析所述个性化推荐服务以及所述用户数据,得到所述目标用户的个性化数据的方式具体包括:
当所述判断模块判断出所述用户数据包括所述目标用户的历史学习者画像时,根据预设智能辅助模型,分析所述个性化推荐服务以及所述历史学习者画像,得到所述目标用户的个性化数据。
本发明第三方面公开了另一种基于知识图谱的知识管控装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于知识图谱的知识管控方法。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于知识图谱的知识管控方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,提供了一种基于知识图谱的知识管控方法,该方法包括:采集用于构建目标知识图谱的知识源,目标知识图谱由模式层和数据层组成;根据预设图谱构建算法分析知识源,得到用于构建模式层的第一构建要素,第一构建要素包括本体数据以及本体关系,本体关系包括上下文关系以及非上下文关系,上下文关系为每个本体数据在知识源的上下文位置中与其他本体数据的关系;根据图谱构建算法分析第一构建要素,得到用于构建数据层的第二构建要素,第二构建要素包括实体数据以及与实体数据对应的实体结构;根据第一构建要素构建模式层,以及根据第二构建要素构建数据层,并根据构建出的模式层以及数据层构建目标知识图谱;根据预设知识库构成要素以及目标知识图谱,构建用于对知识源进行管控的目标知识库,目标知识库与目标知识图谱建立有关联关系;采集目标用户使用目标知识库的用户数据,并分析用户数据,得到与目标用户匹配的目标服务,目标服务包括针对用户数据的智能问答服务、个性化推荐服务以及智能搜索服务中的至少一种;根据预设智能辅助模型分析目标服务以及用户数据,得到与目标用户匹配的学习者画像,学习者画像包括目标用户学习目标知识库中任意知识体系对应的学习进度;根据目标知识图谱分析学习者画像,得到与目标用户匹配的个性化学习路径,以使目标用户根据个性化学习路径进行学习。可见,实施本发明能够智能化采集并分析知识源,从而提取出知识源中的本体数据以及本体关系,提高了本体数据以及本体关系的处理效率;进一步还能够智能化分析第一构建要素,得到包括实体数据以及实体结构的第二构建要素,从而根据第一构建要素与第二构建要素构建目标知识图谱,再进一步,还能够根据该目标知识图谱构建目标知识库,提高了针对知识源的管控效率以及管控准确性;此外,在用户使用目标知识库时,还能够根据用户的不同使用需求,自适应调整为用户提供的个性化服务,以及针对每个用户生成个性化方案,提高了用户使用目标知识库的进行学习的学习效率,进而提高了用户的使用体验以及使用粘度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于知识图谱的知识管控方法的流程示意图;
图2是本发明实施例公开的另一种基于知识图谱的知识管控方法的流程示意图;
图3是本发明实施例公开的一种基于知识图谱的知识管控装置的结构示意图;
图4是本发明实施例公开的另一种基于知识图谱的知识管控装置的结构示意图;
图5是本发明实施例公开的又一种基于知识图谱的知识管控装置的结构示意图;
图6是本发明实施例公开的一种构建知识图谱的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于知识图谱的知识管控方法及装置,能够智能化采集并分析知识源,从而提取出知识源中的本体数据以及本体关系,提高了本体数据以及本体关系的处理效率;进一步还能够智能化分析第一构建要素,得到包括实体数据以及实体结构的第二构建要素,从而根据第一构建要素与第二构建要素构建目标知识图谱,再进一步,还能够根据该目标知识图谱构建目标知识库,提高了针对知识源的管控效率以及管控准确性;此外,在用户使用目标知识库时,还能够根据用户的不同使用需求,自适应调整为用户提供的个性化服务,以及针对每个用户生成个性化方案,提高了用户使用目标知识库的进行学习的学习效率,进而提高了用户的使用体验以及使用粘度。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于知识图谱的知识管控方法的流程示意图。其中,图1所描述的基于知识图谱的知识管控方法可以应用于基于知识图谱的知识管控装置中,本发明实施例不做限定。如图1所示,该基于知识图谱的知识管控方法可以包括以下操作:
101、采集用于构建目标知识图谱的知识源。
本发明实施例中,目标知识图谱由模式层和数据层组成,该知识源可以包括电力生产的安全知识也可以包括普通小学、初中或高中对应的课本教学知识,进一步的,当该知识源为安全知识时,该安全知识可以包括安全教学视频、学习资料(如电子文档资料、PPT格式的资料)以及安全知识相关的试题,本发明实施例不做限定。
本发明实施例中,需要说明的是,模式层是概念模式和逻辑基础,是对数据层的规范约束。如“安规考试”是一个抽象概念模式,实际上是指电力企业内部员工和外单位员工为满足从事电力作业所必须具备资质证书而组织的安全工作规程相关知识考试。
数据层,实际应用中以“实体-关系-实体”或“实体-属性-属性值”的三元组存储,形成一个图状知识库。其中,实体是知识图谱的基本元素,指具体的设备、组织单位、工作地点、日期等。关系是两个实体之间的语义关系,是模式层所定义关系的实例。如模式层规定了“安规考试”里有针对内部员工的“三种人”资格考试,该考试中需要添加保命技能的考核。那么对应着数据层的实体有考试类别(“三种人”资格考试)和试题(保命技能试题库)。
102、根据预设图谱构建算法分析知识源,得到用于构建模式层的第一构建要素。
本发明实施例中,第一构建要素包括本体数据以及本体关系,本体关系包括上下文关系以及非上下文关系,上下文关系为每个本体数据在知识源的上下文位置中与其他本体数据的关系。
本发明实施例中,可选的,上述根据预设图谱构建算法分析知识源,得到用于构建模式层的第一构建要素的方式具体可以包括以下步骤:
根据预设图谱构建算法分析知识源,得到知识源对应的基础术语;
对基础术语执行预设术语提取操作,得到基础术语关系,该术语提取操作用于确定每个基础术语在知识源所处的上下文对应的第一关系以及除第一关系之外的第二关系,基础术语关系包括第一关系以及第二关系;
根据基础术语关系,对基础术语执行预设概念提取操作,得到概念术语,并对概念术语执行预设关系提取操作,得到概念术语关系;
分析基础术语、基础术语关系、概念术语以及概念术语关系,得到目标提取规则,目标提取规则通过分析执行术语提取操作、概念提取操作以及关系提取操作时所采用的提取规则得到;
将基础术语以及概念术语确定为第一构建要素所包括的本体数据,以及将基础术语关系和概念术语关系确定为第一构建要素所包括的本体关系;
其中,对概念术语执行预设关系提取操作,得到概念术语关系,包括:
分析所有概念术语中每个概念术语与该概念术语的应用场景的语义关联关系,得到概念术语关系。
在本发明实施例中,需要说明的是,术语提取用于对文本聚类、分类、自动摘要等应用起到重要支撑作用;在术语提取的基础上,进一步对知识源中的概念进行提取,概念是更加抽象、具有代表性和概括性的术语,能够代表一定范畴内部的全部实体,如“线路”这一概念可代表高压线路、中压线路、低压线路,也可以可以代表架空线路、电缆线路和混合线路等多个术语本体。
本发明实施例中,需要说明的是,目标提取规则是指本体提取过程中,对包含了实体、关系的通用句式或者模板进行学习的过程,此外,在模式层中提炼得到的规则也可以应用于数据层的实体提取中,实际应用可参阅图6,图6是本发明实施例中构建知识图谱对应的流程图。
可见,在本发明实施例中,在采集到知识源之后,能够智能化提取知识源中的基础术语、概念术语、基础术语关系以及概念术语关系,提高了针对知识源的处理效率;进一步的,在处理知识源的过程中,还能自适应学习、优化处理流程,得到目标提取规则,有利于提高针对知识源的处理效率以及处理结果的准确性。
103、根据图谱构建算法分析第一构建要素,得到用于构建数据层的第二构建要素。
本发明实施例中,第二构建要素包括实体数据以及与实体数据对应的实体结构;可选的,上述根据图谱构建算法分析第一构建要素,得到用于构建数据层的第二构建要素的方式具体可以包括以下步骤:
根据图谱构建算法确定多个表征实体;
根据基础术语关系以及概念术语关系结合图谱构建算法,确定每个表征实体对应的描述数据,描述数据包括实体属性以及实体同义名称,且每个表征实体的释义覆盖该表征实体所包括的所有实体同义名称对应的释义;
将每个表征实体对应的描述数据填充至该描述数据对应的表征实体,以更新表征实体;
根据基础术语关系、概念术语关系以及目标提取规则,确定基于所有表征实体的实体结构;
将更新后的所有表征实体确定为用于构建数据层的第二构建要素对应的实体数据;
其中,根据基础术语关系以及概念术语关系结合图谱构建算法,确定每个表征实体对应的描述数据,包括:
根据基础术语关系以及概念术语关系,从基础术语以及概念术语中筛选出实体同义名称;
根据图谱构建算法,确定每个表征实体对应的实体属性,并将实体同义名称以及实体属性确定为每个表征实体对应的描述数据。
在本发明实施例中,需要说明的是,在实际应用中,上述根据图谱构建算法确定多个表征实体,对应于将同一个实体的不同表达方式归一化的知识融合过程,也可以撑为消除歧义,在原数据中,同一个实体可能由于语言习惯、使用范围和应用领域的不同而存在不同的表示方式。如“安规”可能具有“电力安全工作规程”、“安全工作规程”、“安全规程”等不同表述,该多个不同标识也即实体同义名称。该知识融合过程就是将这些表达方式合并,使用全局唯一的标志表征此实体,从而达到有效精简图谱中实体数量、提高构建和检索效率的目的。
需要说明的是,实际应用中,例如一个表征实体“工作票”,其对应的实体属性可以包括有“编号”、“工作负责人”、“单位和班组”、“计划工作时间”、“工作内容”等,本发明实施例不做限定,实际应用可参阅图6,图6是本发明实施例中构建知识图谱对应的流程图,其中,需要说明的是,实体学习中实体链接对应于本发明实施例中根据图谱构建算法确定多个表征实体对应的步骤,实体填充对应于本发明实施例中,将每个表征实体对应的描述数据填充至该描述数据对应的表征实体对应的步骤。
可见,在本发明实施例中,在确定出第一构建要素之后,能够智能化确定表征实体以及每个表征实体对应是描述数据,减少了知识源中歧义/同一词语的数量,有利于精简最后构建得到的目标知识图谱中实体的数量,减少了实体的处理数量,提高了目标知识图谱的构建效率;进一步的,有利于提高用户使用该目标知识图谱进行检索的检索效率,从而在一定程度上提高用户的使用体验。
104、根据第一构建要素构建模式层,以及根据第二构建要素构建数据层,并根据构建出的模式层以及数据层构建目标知识图谱。
105、根据预设知识库构成要素以及目标知识图谱,构建用于对知识源进行管控的目标知识库。
本发明实施例中,目标知识库与目标知识图谱建立有关联关系;也即在用户使用目标知识库进行智能问答、语义检索和/或个性化推荐等操作时,在目标知识库中不能直接确定出对应的答案或操作时,由目标知识库链接目标知识图谱进行进一步的检索、反馈以及处理等操作;或者,在用户使用目标知识库时,又目标知识库采集用户的使用需求/操作指令,并反馈至目标知识图谱,由目标知识图谱对用户的使用需求/操作指令进行处理,也即由目标知识库作为中间设备,链接用户需求的同时反馈用户需求给目标知识图谱,本发明实施例不做限定。
106、采集目标用户使用目标知识库的用户数据,并分析用户数据,得到与目标用户匹配的目标服务。
本发明实施例中,目标服务包括针对用户数据的智能问答服务、个性化推荐服务以及智能搜索服务中的至少一种。
107、根据预设智能辅助模型分析目标服务以及用户数据,得到与目标用户匹配的学习者画像。
本发明实施例中,学习者画像包括目标用户学习目标知识库中任意知识体系对应的学习进度。
108、根据目标知识图谱分析学习者画像,得到与目标用户匹配的个性化学习路径。
本发明实施例中,个性化学习路径用于目标用户进行个性化学习。
可见,实施图1所描述的基于知识图谱的知识管控,能够智能化采集并分析知识源,从而提取出知识源中的本体数据以及本体关系,提高了本体数据以及本体关系的处理效率;进一步还能够智能化分析第一构建要素,得到包括实体数据以及实体结构的第二构建要素,从而根据第一构建要素与第二构建要素构建目标知识图谱,再进一步,还能够根据该目标知识图谱构建目标知识库,提高了针对知识源的管控效率以及管控准确性;此外,在用户使用目标知识库时,还能够根据用户的不同使用需求,自适应调整为用户提供的个性化服务,以及针对每个用户生成个性化方案,提高了用户使用目标知识库的进行学习的学习效率,进而提高了用户的使用体验以及使用粘度。
在一个可选的实施例中,上述分析用户数据,得到与目标用户匹配的目标服务的方式具体可以包括以下步骤:
分析用户数据,得到目标用户在目标知识库生成的学习指令;
检测学习指令对应的指令类型,并在预设指令集中检索与指令类型匹配的服务,作为与目标用户匹配的目标服务;
在指令集中检索出与指令类型匹配的服务之后,该基于知识图谱的知识管控方法还可以包括以下步骤:
当目标服务包括智能搜索服务时,根据学习指令,确定目标用户当前操作的搜索关键词;
将搜索关键词映射于目标知识图谱中,以使目标知识图谱根据用户数据以及搜索关键词,确定与搜索关键词匹配的初始结果,初始结果包括实体和/或概念;
根据预设语义搜索算法分析搜索关键词,得到第一分析结果,并判断第一分析结果中是否包括需要执行拓展操作的拓展标识;
当判断出第一分析结果中不包括拓展标识时,将初始结果确定为搜索结果;
将搜索结果展示在目标用户的当前操作界面上,并执行上述的根据预设智能辅助模型分析目标服务以及用户数据,得到与目标用户匹配的学习者画像对应的步骤;
当判断出第一分析结果包括拓展标识时,根据目标知识图谱确定与初始结果存在关联关系的关联数据;
将初始结果以及关联数据确定为搜索结果,并将搜索结果展示在目标用户的当前操作界面上,同时触发执行上述的根据预设智能辅助模型分析目标服务以及用户数据,得到与目标用户匹配的学习者画像对应的步骤。
在该可选的实施例中,需要说明的是,实际应用中,当识别出用户需要智能搜索服务时,该搜索结果可以是以只是卡片的方式提供的,如当用户搜索“安全学习”时,知识卡片呈现的内容包括本人参与的最新安全班组学习活动、全网最热的安全学习资料等;进一步的,该智能搜索服务也提供简单的智能问答服务,能够理解用户用自然语言描述的问题,并且给出相应的答案,如,当用户以提问的方式搜索“三种人考试要求是?”,反馈的页面能够精确地给出三种人考试相关的知识大纲、合格分数、题型等相关的信息;此外,该智能搜索服务还能够通过已有知识图谱中实体的关联,扩展用户搜索结果,发现并反馈丰富的关联结果,如用户搜索“安规考试”时,利用知识图谱系统可给出语义相符的安规考试相关的学习资料、历届考题、报考要求、考试分类等资讯,本发明实施例不做限定。
可见,在该可选的实施例中,能够根据用户的搜索需求,智能化反馈搜索结果,提高了用户针对安全知识的检索效率;进一步的,还能提供关联检索结果,为用户提供更加人性化的检索结果,有利于提高用户的检索效率以及检索体验,从而一定程度上提高用户的使用粘度。
在该可选实施例中,进一步可选的,当判断出第一分析结果包括拓展标识时,以及在上述将搜索结果展示在目标用户的当前操作界面上之后,该基于知识图谱的知识管控方法还可以包括以下步骤:
采集目标用户浏览该关联数据的浏览时长;
判断该浏览时长是否大于预设时长阈值,当判断出该浏览时长小于等于预设时长阈值时,更新浏览时长小等于于时长阈值对应的目标事件的数量,判断目标事件的数量是否大于预设数量阈值,当判断出目标事件的数量大于数量阈值时,标记该目标用户并更新针对该目标用户的个性化推荐方案,以取消后续为该目标用户提供智能搜索服务时的拓展检索操作;
当判断出该浏览时长大于预设时长阈值时,根据该浏览时长对应的时长等级,增加为用户推荐的搜索关键词的关联数据的数量。
在该可选的实施例中,需要说明的是,该时长阈值可以为1分钟,假定目标用户浏览关联数据的浏览时长小于等于1分钟,且对应的目标时间的数量大于5时,确定用户对关联数据不感兴趣,则后续减少为用户推荐的关联数据的内容占比;假定浏览时长大于1分钟,且用户每多浏览该关联数据5分钟,则确定用户对关联数据(拓展资料)的兴趣较大,则后续增加为用户推荐的关联数据的内容占比。
可见,在该可选的实施例中,能够进一步确定用户对拓展的关联数据的阅读兴趣,并根据确定出的情况自适应调整后续为用户展示的内容占比,为用户提供更加人性化的阅读体验,一定程度上提高了用户的使用体验以及使用粘度。
实施例二
请参阅图2,图2是本发明实施例公开的另一种基于知识图谱的知识管控方法的流程示意图。其中,图2所描述的基于知识图谱的知识管控方法可以应用于基于知识图谱的知识管控装置中,本发明实施例不做限定。如图2所示,该基于知识图谱的知识管控方法可以包括以下操作:
201、采集用于构建目标知识图谱的知识源。
202、根据预设图谱构建算法分析知识源,得到用于构建模式层的第一构建要素。
203、根据图谱构建算法分析第一构建要素,得到用于构建数据层的第二构建要素。
204、根据第一构建要素构建模式层,以及根据第二构建要素构建数据层,并根据构建出的模式层以及数据层构建目标知识图谱。
205、根据预设知识库构成要素以及目标知识图谱,构建用于对知识源进行管控的目标知识库。
206、采集目标用户使用目标知识库的用户数据,并分析用户数据,得到与目标用户匹配的目标服务。
207、当目标服务包括智能问答服务时,根据目标知识图谱,提取学习指令所包括的自然语言。
本发明实施例中,自然语言为目标用户输入检索问题时所采用的语言;
208、根据目标知识图谱对自然语言执行预设语义分析操作以及预设语法分析操作,得到第二分析结果。
209、根据第二分析结果确定自然语言的问答类型。
本发明实施例中,问答类型包括直接型、语义推理型、开放型、语义解析型以及在线问答型中的至少一种;其中,直接型:对应于问题是围绕着一个实体的属性方面展开的,如“安规考试的报名时间?”,其中,安规考试为一个实体,报名时间为该实体的属性,也即用户提及的检索要素在目标知识库或目标知识图谱能直接查询到;语义推理型:对应于问题需要通过一定的推理分析,如针对“外单位如何报考两种人考试?”这个问题,需要先推理得出外单位是一个考试主体,再针对报考两种人考试这个行为问题进行回答;开放型:对应于问题没有固定的标准答案,如“与安规考试相关的学习资料”;语义解析:首先需要理解问题的语义,即按照语法规则解析问题,最后转化成数据库对应的查询,如针对“安规考试啥时候?”、“什么时候可参加安规考试?”这一类问题可通过语义解析将其转化为“最新组织的安规考试时间?”这一种简单查询;在线问答型:对应于通过某些已知条件来查询实体,如“低电压是指?”其中低电压是目标知识库或目标知识图谱中存储有相关说明的已知条件,本发明实施例不做限定。
210、将自然语言转换为与问答类型匹配的查询语言,并根据查询语言在目标知识图谱中执行针对查询语言的查询操作,得到智能问答服务对应的查询结果。
211、将查询结果展示在目标用户的当前操作界面上。
在本发明实施例中,执行步骤211后,触发执行步骤212对应的步骤。
212、根据预设智能辅助模型分析目标服务以及用户数据,得到与目标用户匹配的学习者画像。
213、根据目标知识图谱分析学习者画像,得到与目标用户匹配的个性化学习路径。
本发明实施例中,针对步骤201-步骤206以及步骤212-步骤213的其他描述请参阅实施例一中针对步骤101-步骤106以及步骤107-步骤108的其他具体描述,本发明实施例不再赘述。
可见,实施图2所描述的基于知识图谱的知识管控方法,能够智能化提取学习指令中的自然语言,同时能够自适应将自然语言转化为匹配的查询语言,降低了人工参与问题答复的成本,提高了用户通过自然语言进行查询时,得到的查询结果的查询效率,同时也提高了用户得到的查询结果的准确性和可靠性。
在一个可选的实施例中,上述分析用户数据,得到与目标用户匹配的目标服务的方式具体可以包括以下步骤:
分析用户数据,得到目标用户在目标知识库生成的学习指令;
检测学习指令对应的指令类型,并在预设指令集中检索与指令类型匹配的服务,作为与目标用户匹配的目标服务;
在指令集中检索出与指令类型匹配的服务之后,该基于知识图谱的知识管控方法还可以包括以下步骤:
当目标服务包括智能搜索服务时,根据学习指令,确定目标用户当前操作的搜索关键词;
将搜索关键词映射于目标知识图谱中,以使目标知识图谱根据用户数据以及搜索关键词,确定与搜索关键词匹配的初始结果,初始结果包括实体和/或概念;
根据预设语义搜索算法分析搜索关键词,得到第一分析结果,并判断第一分析结果中是否包括需要执行拓展操作的拓展标识;
当判断出第一分析结果中不包括拓展标识时,将初始结果确定为搜索结果;
将搜索结果展示在目标用户的当前操作界面上,并执行上述的根据预设智能辅助模型分析目标服务以及用户数据,得到与目标用户匹配的学习者画像对应的步骤;
当判断出第一分析结果包括拓展标识时,根据目标知识图谱确定与初始结果存在关联关系的关联数据;
将初始结果以及关联数据确定为搜索结果,并将搜索结果展示在目标用户的当前操作界面上,同时触发执行上述的根据预设智能辅助模型分析目标服务以及用户数据,得到与目标用户匹配的学习者画像对应的步骤。
在该可选的实施例中,需要说明的是,该拓展标识为预先将某些实体归类于包括拓展内容的实体并存放于拓展库中,在用户进行搜索时,在目标知识库或目标知识图谱的拓展库中是否包括该搜索关键词,若有,则调用该搜索关键词的相关数据以展示给用户,若无,则仅为用户展示该搜索关键词的搜索结果,本发明实施例不做限定。
可见,在该可选的实施例中,在为用户提供基础的智能搜索服务的基础上,进一步还提供了拓展检索的功能,能够自适应检索该搜索关键词是否在拓展库中,并根据检索结果执行匹配的操作,有利于提高展示给用户的搜索结果的准确性以及可靠性。
在另一个可选的实施例中,当目标服务包括个性化推荐服务时,上述根据预设智能辅助模型分析目标服务以及用户数据,得到与目标用户匹配的学习者画像的方式具体可以包括以下步骤:
根据预设智能辅助模型,分析个性化推荐服务以及用户数据,得到目标用户的个性化数据,个性化数据包括目标用户在预设使用周期内使用目标知识库的第一数据以及第二数据,第一数据包括目标用户浏览目标知识库中某一类别数据的频率高于预设频率阈值的数据,第二数据包括目标用户预先确定出的待学习数据;
检测变更指令,当未检测到变更指令时,将个性化数据加载至目标用户对应的学习者画像中,得到与目标用户匹配的学习者画像,变更指令为目标用户提交的用于对个性化数据进行修改的指令;
当检测到变更指令时,根据变更指令确定变更数据,以更新个性化数据,并将更新后的个性化数据加载至目标用户对应的学习者画像中,得到与目标用户匹配的学习者画像。
可见,在该可选的实施例中,在面对不同用户时,能够有针对性的为用户提供个性化浏览信息,实现用户安全知识的精准投送与推荐,从而有利于提高用户的使用体验以及使用粘度。
在又一个可选的实施例中,上述根据预设智能辅助模型,分析个性化推荐服务以及用户数据,得到目标用户的个性化数据之前,该基于知识图谱的知识管控方法还可以包括以下步骤:
判断用户数据是否包括目标用户的历史学习者画像,历史学习者画像为目标用户在当前操作之前使用个性化推荐服务后生成的学习者画像;
当判断出用户数据不包括目标用户的历史学习者画像时,根据用户数据确定目标用户的初始学习者画像以及初始个性化信息,并根据目标用户触发个性化推荐服务之后浏览的内容,更新初始学习者画像,同时触发执行上述的根据预设智能辅助模型,分析个性化推荐服务以及用户数据,得到目标用户的个性化数据对应的步骤;
当判断出用户数据包括目标用户的历史学习者画像时,根据预设智能辅助模型,分析个性化推荐服务以及用户数据,得到目标用户的个性化数据,包括:
根据预设智能辅助模型,分析个性化推荐服务以及历史学习者画像,得到目标用户的个性化数据。
可见,在该可选的实施例中,在为用户提供个性化服务之前,还能进一步查询该用户是否有历史学习者画像,并针对不同的查询结果执行匹配的操作,有利于避免该用户拥有历史学习者画像但仍旧重复执行个性化推荐操作这一情况的发生,减少资源的浪费同时提高目标知识图谱的运行效率,也即提高用户的检索效率;此外,当判断出目标用户未拥有历史学习者画像时,能够智能化生成该用户的学习者画像,以便于用户根据该学习者画像明确学习路径以及学习进度,实现用户学习安全知识的可视化,有利于提高用户的使用体验和使用粘度。
实施例三
请参阅图3,图3是本发明实施例公开的一种基于知识图谱的知识管控装置的结构示意图。其中,该基于知识图谱的知识管控装置可以是基于知识图谱的知识管控终端、基于知识图谱的知识管控设备、基于知识图谱的知识管控系统或者基于知识图谱的知识管控服务器,基于知识图谱的知识管控服务器可以是本地服务器,也可以是远端服务器,还可以是云服务器(又称云端服务器),当基于知识图谱的知识管控服务器为非云服务器时,该非云服务器能够与云服务器进行通信连接,本发明实施例不做限定。如图3所示,该基于知识图谱的知识管控装置可以包括采集模块301、第一分析模块302、构建模块303以及第二分析模块304,其中:
采集模块301,用于采集用于构建目标知识图谱的知识源,目标知识图谱由模式层和数据层组成;
第一分析模块302,用于根据预设图谱构建算法分析采集模块301得到的知识源,得到用于构建模式层的第一构建要素,第一构建要素包括本体数据以及本体关系,本体关系包括上下文关系以及非上下文关系,上下文关系为每个本体数据在知识源的上下文位置中与其他本体数据的关系;
第一分析模块302,还用于根据图谱构建算法分析第一构建要素,得到用于构建数据层的第二构建要素,第二构建要素包括实体数据以及与实体数据对应的实体结构;
构建模块303,用于根据第一分析模块302得到的第一构建要素构建模式层,以及根据第二构建要素构建数据层,并根据构建出的模式层以及数据层构建目标知识图谱;
构建模块303,还用于根据预设知识库构成要素以及构建模块303构建出的目标知识图谱,构建用于对知识源进行管控的目标知识库,目标知识库与目标知识图谱建立有关联关系;
采集模块301,还用于采集目标用户使用目标知识库的用户数据;
第二分析模块304,用于分析用户数据,得到与目标用户匹配的目标服务,目标服务包括针对用户数据的智能问答服务、个性化推荐服务以及智能搜索服务中的至少一种;
第二分析模块304,还用于根据预设智能辅助模型分析目标服务以及用户数据,得到与目标用户匹配的学习者画像,学习者画像包括目标用户学习目标知识库中任意知识体系对应的学习进度;
第二分析模块304,还用于根据目标知识图谱分析学习者画像,得到与目标用户匹配的个性化学习路径,以使目标用户根据个性化学习路径进行学习。
可见,实施图3所描述的基于知识图谱的知识管控装置,能够智能化采集并分析知识源,从而提取出知识源中的本体数据以及本体关系,提高了本体数据以及本体关系的处理效率;进一步还能够智能化分析第一构建要素,得到包括实体数据以及实体结构的第二构建要素,从而根据第一构建要素与第二构建要素构建目标知识图谱,再进一步,还能够根据该目标知识图谱构建目标知识库,提高了针对知识源的管控效率以及管控准确性;此外,在用户使用目标知识库时,还能够根据用户的不同使用需求,自适应调整为用户提供的个性化服务,以及针对每个用户生成个性化方案,提高了用户使用目标知识库的进行学习的学习效率,进而提高了用户的使用体验以及使用粘度。
在一个可选的实施例中,第一分析模块302根据预设图谱构建算法分析知识源,得到用于构建模式层的第一构建要素的方式具体包括:
根据预设图谱构建算法分析知识源,得到知识源对应的基础术语;
对基础术语执行预设术语提取操作,得到基础术语关系,术语提取操作用于确定每个基础术语在知识源所处的上下文对应的第一关系以及除第一关系之外的第二关系,基础术语关系包括第一关系以及第二关系;
根据基础术语关系,对基础术语执行预设概念提取操作,得到概念术语,并对概念术语执行预设关系提取操作,得到概念术语关系;
分析基础术语、基础术语关系、概念术语以及概念术语关系,得到目标提取规则,目标提取规则通过分析执行术语提取操作、概念提取操作以及关系提取操作时所采用的提取规则得到;
将基础术语以及概念术语确定为第一构建要素所包括的本体数据,以及将基础术语关系和概念术语关系确定为第一构建要素所包括的本体关系;
其中,对概念术语执行预设关系提取操作,得到概念术语关系,包括:
分析所有概念术语中每个概念术语与该概念术语的应用场景的语义关联关系,得到概念术语关系。
可见,实施图4描述的基于知识图谱的知识管控装置,在采集到知识源之后,能够智能化提取知识源中的基础术语、概念术语、基础术语关系以及概念术语关系,提高了针对知识源的处理效率;进一步的,在处理知识源的过程中,还能自适应学习、优化处理流程,得到目标提取规则,有利于提高针对知识源的处理效率以及处理结果的准确性。
在另一个可选的实施例中,第一分析模块302根据图谱构建算法分析第一构建要素,得到用于构建数据层的第二构建要素的方式具体包括:
根据图谱构建算法确定多个表征实体;
根据基础术语关系以及概念术语关系结合图谱构建算法,确定每个表征实体对应的描述数据,描述数据包括实体属性以及实体同义名称,且每个表征实体的释义覆盖该表征实体所包括的所有实体同义名称对应的释义;
将每个表征实体对应的描述数据填充至该描述数据对应的表征实体,以更新表征实体;
根据基础术语关系、概念术语关系以及目标提取规则,确定基于所有表征实体的实体结构;
将更新后的所有表征实体确定为用于构建数据层的第二构建要素对应的实体数据;
其中,根据基础术语关系以及概念术语关系结合图谱构建算法,确定每个表征实体对应的描述数据,包括:
根据基础术语关系以及概念术语关系,从基础术语以及概念术语中筛选出实体同义名称;
根据图谱构建算法,确定每个表征实体对应的实体属性,并将实体同义名称以及实体属性确定为每个表征实体对应的描述数据。
可见,实施图4描述的基于知识图谱的知识管控装置,在确定出第一构建要素之后,能够智能化确定表征实体以及每个表征实体对应是描述数据,减少了知识源中歧义/同一词语的数量,有利于精简最后构建得到的目标知识图谱中实体的数量,减少了实体的处理数量,提高了目标知识图谱的构建效率;进一步的,有利于提高用户使用该目标知识图谱进行检索的检索效率,从而在一定程度上提高用户的使用体验。
在又一个可选的实施例中,第二分析模块304分析用户数据,得到与目标用户匹配的目标服务的方式具体包括:
分析用户数据,得到目标用户在目标知识库生成的学习指令;
检测学习指令对应的指令类型,并在预设指令集中检索与指令类型匹配的服务,作为与目标用户匹配的目标服务;
如图4所示,该基于知识图谱的知识管控装置还可以包括确定模块305、映射模块306、判断模块307以及展示模块308,其中:
确定模块305,用于第二分析模块304在指令集中检索出与指令类型匹配的服务之后,当目标服务包括智能搜索服务时,根据学习指令,确定目标用户当前操作的搜索关键词;
映射模块306,用于将确定模块305确定出的搜索关键词映射于目标知识图谱中,以使目标知识图谱根据用户数据以及搜索关键词,确定与搜索关键词匹配的初始结果,初始结果包括实体和/或概念;
第二分析模块304,还用于根据预设语义搜索算法分析确定模块305确定出的搜索关键词,得到第一分析结果;
判断模块307,用于判断第二分析模块304得到的第一分析结果中是否包括需要执行拓展操作的拓展标识;
确定模块305,还用于当判断模块307判断出第一分析结果中不包括拓展标识时,将初始结果确定为搜索结果;
展示模块308,用于将确定模块305确定出的搜索结果展示在目标用户的当前操作界面上,并触发第二分析模块304执行上述的根据预设智能辅助模型分析目标服务以及用户数据,得到与目标用户匹配的学习者画像对应的步骤;
确定模块305,还用于当判断模块307判断出第一分析结果包括拓展标识时,根据目标知识图谱确定与初始结果存在关联关系的关联数据;
确定模块305,还用于将映射模块306得到的初始结果以及关联数据确定为搜索结果;
展示模块308,还用于将确定模块305确定出的搜索结果展示在目标用户的当前操作界面上,同时触发第二分析模块304执行上述的根据预设智能辅助模型分析目标服务以及用户数据,得到与目标用户匹配的学习者画像对应的步骤。
可见,实施图4所描述的基于知识图谱的知识管控装置,能够根据用户的搜索需求,智能化反馈搜索结果,提高了用户针对安全知识的检索效率;进一步的,还能提供关联检索结果,为用户提供更加人性化的检索结果,有利于提高用户的检索效率以及检索体验,从而一定程度上提高用户的使用粘度。
在另一个可选的实施例中,该基于知识图谱的知识管控装置还包括问答处理模块309,其中:
问答处理模块309,用于第二分析模块304在指令集中检索出与指令类型匹配的服务之后,以及当目标服务包括智能问答服务时,根据目标知识图谱,提取学习指令所包括的自然语言,自然语言为目标用户输入检索问题时所采用的语言;
问答处理模块309,还用于根据目标知识图谱对提取到的自然语言执行预设语义分析操作以及预设语法分析操作,得到第二分析结果;
确定模块305,还用于根据问答处理模块309得到的第二分析结果确定自然语言的问答类型,问答类型包括直接型、语义推理型、开放型、语义解析型以及在线问答型中的至少一种;
问答处理模块309,还用于将自然语言转换为与问答类型匹配的查询语言,并根据查询语言在目标知识图谱中执行针对查询语言的查询操作,得到智能问答服务对应的查询结果;
展示模块308,还用于将问答处理模块309得到的查询结果展示在目标用户的当前操作界面上,并触发第二分析模块304执行上述的根据预设智能辅助模型分析目标服务以及用户数据,得到与目标用户匹配的学习者画像对应的步骤。
可见,实施图4所描述的基于知识图谱的知识管控装置,能够智能化提取学习指令中的自然语言,同时能够自适应将自然语言转化为匹配的查询语言,降低了人工参与问题答复的成本,提高了用户通过自然语言进行查询时,得到的查询结果的查询效率,同时也提高了用户得到的查询结果的准确性和可靠性。
在又一个可选的实施例中,当目标服务包括个性化推荐服务时,第二分析模块304根据预设智能辅助模型分析目标服务以及用户数据,得到与目标用户匹配的学习者画像的方式具体包括:
根据预设智能辅助模型,分析个性化推荐服务以及用户数据,得到目标用户的个性化数据,个性化数据包括目标用户在预设使用周期内使用目标知识库的第一数据以及第二数据,第一数据包括目标用户浏览目标知识库中某一类别数据的频率高于预设频率阈值的数据,第二数据包括目标用户预先确定出的待学习数据;
检测变更指令,当未检测到变更指令时,将个性化数据加载至目标用户对应的学习者画像中,得到与目标用户匹配的学习者画像,变更指令为目标用户提交的用于对个性化数据进行修改的指令;
当检测到变更指令时,根据变更指令确定变更数据,以更新个性化数据,并将更新后的个性化数据加载至目标用户对应的学习者画像中,得到与目标用户匹配的学习者画像。
可见,实施图4所描述的基于知识图谱的知识管控装置,在面对不同用户时,能够有针对性的为用户提供个性化浏览信息,实现用户安全知识的精准投送与推荐,从而有利于提高用户的使用体验以及使用粘度。
在另一个可选的实施例中,判断模块307,还用于根据预设智能辅助模型,分析个性化推荐服务以及用户数据,得到目标用户的个性化数据之前,判断用户数据是否包括目标用户的历史学习者画像,历史学习者画像为目标用户在当前操作之前使用个性化推荐服务后生成的学习者画像;
确定模块305,还用于当判断出用户数据不包括目标用户的历史学习者画像时,根据用户数据确定目标用户的初始学习者画像以及初始个性化信息;
该基于知识图谱的知识管控装置还可以包括更新模块310,其中:
更新模块310,用于根据目标用户触发个性化推荐服务之后浏览的内容,更新确定模块305确定出的初始学习者画像,同时触发第二分析模块304执行上述的根据预设智能辅助模型,分析个性化推荐服务以及用户数据,得到目标用户的个性化数据对应的步骤;
以及,第二分析模块304根据预设智能辅助模型,分析个性化推荐服务以及用户数据,得到目标用户的个性化数据的方式具体包括:
当判断模块307判断出用户数据包括目标用户的历史学习者画像时,根据预设智能辅助模型,分析个性化推荐服务以及历史学习者画像,得到目标用户的个性化数据。
可见,实施图4所描述的基于知识图谱的知识管控装置,在为用户提供个性化服务之前,还能进一步查询该用户是否有历史学习者画像,并针对不同的查询结果执行匹配的操作,有利于避免该用户拥有历史学习者画像但仍旧重复执行个性化推荐操作这一情况的发生,减少资源的浪费同时提高目标知识图谱的运行效率,也即提高用户的检索效率;此外,当判断出目标用户未拥有历史学习者画像时,能够智能化生成该用户的学习者画像,以便于用户根据该学习者画像明确学习路径以及学习进度,实现用户学习安全知识的可视化,有利于提高用户的使用体验和使用粘度。
实施例四
请参阅图5,图5是本发明实施例公开的又一种基于知识图谱的知识管控装置的结构示意图。如图5所示,该基于知识图谱的知识管控装置可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器401中存储的可执行程序代码,执行本发明实施例一或本发明实施例二所描述的基于知识图谱的知识管控方法中的步骤。
实施例五
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一或本发明实施例二所描述的基于知识图谱的知识管控方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机存储介质,且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的基于知识图谱的知识管控方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机存储介质中,存储介质包括只读存储器(Read-OnlyMemory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于知识图谱的知识管控方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于知识图谱的知识管控方法,其特征在于,所述方法包括:
采集用于构建目标知识图谱的知识源,所述目标知识图谱由模式层和数据层组成;
根据预设图谱构建算法分析所述知识源,得到用于构建所述模式层的第一构建要素,所述第一构建要素包括本体数据以及本体关系,所述本体关系包括上下文关系以及非上下文关系,所述上下文关系为每个所述本体数据在所述知识源的上下文位置中与其他本体数据的关系;
根据所述图谱构建算法分析所述第一构建要素,得到用于构建所述数据层的第二构建要素,所述第二构建要素包括实体数据以及与所述实体数据对应的实体结构;
根据所述第一构建要素构建所述模式层,以及根据所述第二构建要素构建所述数据层,并根据构建出的所述模式层以及所述数据层构建所述目标知识图谱;
根据预设知识库构成要素以及所述目标知识图谱,构建用于对所述知识源进行管控的目标知识库,所述目标知识库与所述目标知识图谱建立有关联关系;
采集目标用户使用所述目标知识库的用户数据,并分析所述用户数据,得到与所述目标用户匹配的目标服务,所述目标服务包括针对所述用户数据的智能问答服务、个性化推荐服务以及智能搜索服务中的至少一种;
根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像,所述学习者画像包括所述目标用户学习所述目标知识库中任意知识体系对应的学习进度;
根据所述目标知识图谱分析所述学习者画像,得到与所述目标用户匹配的个性化学习路径,以使所述目标用户根据所述个性化学习路径进行学习。
2.根据权利要求1所述的基于知识图谱的知识管控方法,其特征在于,所述根据预设图谱构建算法分析所述知识源,得到用于构建所述模式层的第一构建要素,包括:
根据预设图谱构建算法分析所述知识源,得到所述知识源对应的基础术语;
对所述基础术语执行预设术语提取操作,得到基础术语关系,所述术语提取操作用于确定每个所述基础术语在所述知识源所处的上下文对应的第一关系以及除所述第一关系之外的第二关系,所述基础术语关系包括所述第一关系以及所述第二关系;
根据所述基础术语关系,对所述基础术语执行预设概念提取操作,得到概念术语,并对所述概念术语执行预设关系提取操作,得到概念术语关系;
分析所述基础术语、所述基础术语关系、所述概念术语以及所述概念术语关系,得到目标提取规则,所述目标提取规则通过分析执行所述术语提取操作、所述概念提取操作以及所述关系提取操作时所采用的提取规则得到;
将所述基础术语以及所述概念术语确定为第一构建要素所包括的本体数据,以及将所述基础术语关系和所述概念术语关系确定为所述第一构建要素所包括的本体关系;
其中,所述对所述概念术语执行预设关系提取操作,得到概念术语关系,包括:
分析所有所述概念术语中每个概念术语与该概念术语的应用场景的语义关联关系,得到概念术语关系。
3.根据权利要求2所述的基于知识图谱的知识管控方法,其特征在于,所述根据所述图谱构建算法分析所述第一构建要素,得到用于构建所述数据层的第二构建要素,包括:
根据所述图谱构建算法确定多个表征实体;
根据所述基础术语关系以及所述概念术语关系结合所述图谱构建算法,确定每个所述表征实体对应的描述数据,所述描述数据包括实体属性以及实体同义名称,且每个所述表征实体的释义覆盖该表征实体所包括的所有实体同义名称对应的释义;
将每个所述表征实体对应的描述数据填充至该描述数据对应的表征实体,以更新所述表征实体;
根据所述基础术语关系、所述概念术语关系以及所述目标提取规则,确定基于所有所述表征实体的实体结构;
将更新后的所有所述表征实体确定为用于构建所述数据层的第二构建要素对应的实体数据;
其中,所述根据所述基础术语关系以及所述概念术语关系结合所述图谱构建算法,确定每个所述表征实体对应的描述数据,包括:
根据所述基础术语关系以及所述概念术语关系,从所述基础术语以及所述概念术语中筛选出实体同义名称;
根据所述图谱构建算法,确定每个所述表征实体对应的实体属性,并将所述实体同义名称以及所述实体属性确定为每个所述表征实体对应的描述数据。
4.根据权利要求1-3任一项所述的基于知识图谱的知识管控方法,其特征在于,所述分析所述用户数据,得到与所述目标用户匹配的目标服务,包括:
分析所述用户数据,得到所述目标用户在所述目标知识库生成的学习指令;
检测所述学习指令对应的指令类型,并在预设指令集中检索与所述指令类型匹配的服务,作为与所述目标用户匹配的目标服务;
在所述指令集中检索出与所述指令类型匹配的服务之后,所述方法还包括:
当所述目标服务包括所述智能搜索服务时,根据所述学习指令,确定所述目标用户当前操作的搜索关键词;
将所述搜索关键词映射于所述目标知识图谱中,以使所述目标知识图谱根据所述所述用户数据以及所述搜索关键词,确定与所述搜索关键词匹配的初始结果,所述初始结果包括实体和/或概念;
根据预设语义搜索算法分析所述搜索关键词,得到第一分析结果,并判断所述第一分析结果中是否包括需要执行拓展操作的拓展标识;
当判断出所述第一分析结果中不包括所述拓展标识时,将所述初始结果确定为搜索结果;
将所述搜索结果展示在所述目标用户的当前操作界面上,并执行所述的根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像对应的步骤;
当判断出所述第一分析结果包括所述拓展标识时,根据所述目标知识图谱确定与所述初始结果存在关联关系的关联数据;
将所述初始结果以及所述关联数据确定为搜索结果,并将所述搜索结果展示在所述目标用户的当前操作界面上,同时触发执行所述的根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像对应的步骤。
5.根据权利要求4所述的基于知识图谱的知识管控方法,其特征在于,当所述目标服务包括所述智能问答服务时,所述方法还包括:
根据所述目标知识图谱,提取所述学习指令所包括的自然语言,所述自然语言为所述目标用户输入检索问题时所采用的语言;
根据所述目标知识图谱对所述自然语言执行预设语义分析操作以及预设语法分析操作,得到第二分析结果;
根据所述第二分析结果确定所述自然语言的问答类型,所述问答类型包括直接型、语义推理型、开放型、语义解析型以及在线问答型中的至少一种;
将所述自然语言转换为与所述问答类型匹配的查询语言,并根据所述查询语言在所述目标知识图谱中执行针对所述查询语言的查询操作,得到所述智能问答服务对应的查询结果;
将所述查询结果展示在所述目标用户的当前操作界面上,并执行所述的根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像对应的步骤。
6.根据权利要求5所述的基于知识图谱的知识管控方法,其特征在于,当所述目标服务包括所述个性化推荐服务时,所述根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像,包括:
根据预设智能辅助模型,分析所述个性化推荐服务以及所述用户数据,得到所述目标用户的个性化数据,所述个性化数据包括所述目标用户在预设使用周期内使用所述目标知识库的第一数据以及第二数据,所述第一数据包括所述目标用户浏览所述目标知识库中某一类别数据的频率高于预设频率阈值的数据,所述第二数据包括所述目标用户预先确定出的待学习数据;
检测变更指令,当未检测到所述变更指令时,将所述个性化数据加载至所述目标用户对应的学习者画像中,得到与所述目标用户匹配的学习者画像,所述变更指令为所述目标用户提交的用于对所述个性化数据进行修改的指令;
当检测到所述变更指令时,根据所述变更指令确定变更数据,以更新所述个性化数据,并将更新后的所述个性化数据加载至所述目标用户对应的学习者画像中,得到与所述目标用户匹配的学习者画像。
7.根据权利要求6所述的基于知识图谱的知识管控方法,其特征在于,所述根据预设智能辅助模型,分析所述个性化推荐服务以及所述用户数据,得到所述目标用户的个性化数据之前,所述方法还包括:
判断所述用户数据是否包括所述目标用户的历史学习者画像,所述历史学习者画像为所述目标用户在当前操作之前使用所述个性化推荐服务后生成的学习者画像;
当判断出所述用户数据不包括所述目标用户的历史学习者画像时,根据所述用户数据确定所述目标用户的初始学习者画像以及初始个性化信息,并根据所述目标用户触发所述个性化推荐服务之后浏览的内容,更新所述初始学习者画像,同时触发执行所述的根据预设智能辅助模型,分析所述个性化推荐服务以及所述用户数据,得到所述目标用户的个性化数据对应的步骤;
当判断出所述用户数据包括所述目标用户的历史学习者画像时,所述根据预设智能辅助模型,分析所述个性化推荐服务以及所述用户数据,得到所述目标用户的个性化数据,包括:
根据预设智能辅助模型,分析所述个性化推荐服务以及所述历史学习者画像,得到所述目标用户的个性化数据。
8.一种基于知识图谱的知识管控装置,其特征在于,所述装置包括:
采集模块,用于采集用于构建目标知识图谱的知识源,所述目标知识图谱由模式层和数据层组成;
第一分析模块,用于根据预设图谱构建算法分析所述知识源,得到用于构建所述模式层的第一构建要素,所述第一构建要素包括本体数据以及本体关系,所述本体关系包括上下文关系以及非上下文关系,所述上下文关系为每个所述本体数据在所述知识源的上下文位置中与其他本体数据的关系;
所述第一分析模块,还用于根据所述图谱构建算法分析所述第一构建要素,得到用于构建所述数据层的第二构建要素,所述第二构建要素包括实体数据以及与所述实体数据对应的实体结构;
构建模块,用于根据所述分析模块得到的所述第一构建要素构建所述模式层,以及根据所述分析模块得到的所述第二构建要素构建所述数据层,并根据构建出的所述模式层以及所述数据层构建所述目标知识图谱;
所述构建模块,还用于根据预设知识库构成要素以及所述构建模块构建出的所述目标知识图谱,构建用于对所述知识源进行管控的目标知识库,所述目标知识库与所述目标知识图谱建立有关联关系;
所述采集模块,还用于采集目标用户使用所述目标知识库的用户数据;
第二分析模块,用于分析所述用户数据,得到与所述目标用户匹配的目标服务,所述目标服务包括针对所述用户数据的智能问答服务、个性化推荐服务以及智能搜索服务中的至少一种;
所述第二分析模块,还用于根据预设智能辅助模型分析所述目标服务以及所述用户数据,得到与所述目标用户匹配的学习者画像,所述学习者画像包括所述目标用户学习所述目标知识库中任意知识体系对应的学习进度;
所述第二分析模块,还用于根据所述目标知识图谱分析所述学习者画像,得到与所述目标用户匹配的个性化学习路径,以使所述目标用户根据所述个性化学习路径进行学习。
9.一种基于知识图谱的知识管控装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的基于知识图谱的知识管控方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的基于知识图谱的知识管控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089471.5A CN115640403A (zh) | 2022-09-07 | 2022-09-07 | 基于知识图谱的知识管控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089471.5A CN115640403A (zh) | 2022-09-07 | 2022-09-07 | 基于知识图谱的知识管控方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115640403A true CN115640403A (zh) | 2023-01-24 |
Family
ID=84943011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211089471.5A Pending CN115640403A (zh) | 2022-09-07 | 2022-09-07 | 基于知识图谱的知识管控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115640403A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578781A (zh) * | 2023-04-28 | 2023-08-11 | 北京天译科技有限公司 | 应用神经网络算法的气象服务推送方法及服务器 |
-
2022
- 2022-09-07 CN CN202211089471.5A patent/CN115640403A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578781A (zh) * | 2023-04-28 | 2023-08-11 | 北京天译科技有限公司 | 应用神经网络算法的气象服务推送方法及服务器 |
CN116578781B (zh) * | 2023-04-28 | 2023-10-24 | 北京天译科技有限公司 | 应用神经网络算法的气象服务推送方法及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ferreira-Satler et al. | Fuzzy ontologies-based user profiles applied to enhance e-learning activities | |
CN112184500A (zh) | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 | |
CN112711937A (zh) | 一种模板推荐方法、装置、设备及存储介质 | |
Baneres et al. | A life-long learning recommender system to promote employability | |
CN109947952B (zh) | 基于英语知识图谱的检索方法、装置、设备及存储介质 | |
CN113886567A (zh) | 一种基于知识图谱的教学方法及系统 | |
CN112231554B (zh) | 一种搜索推荐词生成方法、装置、存储介质和计算机设备 | |
CN114896417A (zh) | 一种基于知识图谱构建计算机教育知识图谱的方法 | |
CN112507139B (zh) | 基于知识图谱的问答方法、系统、设备及存储介质 | |
CN113704499A (zh) | 一种准确而高效的智能化教育知识图谱构建方法 | |
CN112115252A (zh) | 智能辅助写作处理方法、装置、电子设备及存储介质 | |
Majid et al. | Ontology-Based System for Educational Program Counseling. | |
CN114722174A (zh) | 提词方法和装置、电子设备及存储介质 | |
CN115640403A (zh) | 基于知识图谱的知识管控方法及装置 | |
Li | A Recommendation Model for College English Digital Teaching Resources Using Collaborative Filtering and Few‐Shot Learning Technology | |
CN116401341A (zh) | 面向理解的互动答疑系统 | |
CN117349515A (zh) | 搜索处理方法、电子设备和存储介质 | |
Karkar et al. | An educational ontology-based m-learning system | |
CN117171355A (zh) | 一种文化基因知识图谱的构建方法及装置 | |
CN115757720A (zh) | 基于知识图谱的项目信息搜索方法、装置、设备和介质 | |
CN111966895B (zh) | 一种基于Watson对话服务的电影问答系统构建方法、装置及系统 | |
CN114862141A (zh) | 基于画像关联性的课程推荐方法、装置、设备及存储介质 | |
Gaona-García et al. | Issues of Visual Search Methods in Digital Repositories. | |
Liu et al. | Design and application of english grammar intelligent question bank system | |
Gladun et al. | Distant control of student skills by formal model of domain knowledge |
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 |