CN115858698B - 智能体图谱分析方法、系统和可读存储介质 - Google Patents
智能体图谱分析方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN115858698B CN115858698B CN202310146038.9A CN202310146038A CN115858698B CN 115858698 B CN115858698 B CN 115858698B CN 202310146038 A CN202310146038 A CN 202310146038A CN 115858698 B CN115858698 B CN 115858698B
- Authority
- CN
- China
- Prior art keywords
- agent
- graph
- target
- acquiring
- data
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000001364 causal effect Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000005065 mining Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 23
- 239000003795 chemical substances by application Substances 0.000 claims description 264
- 238000012216 screening Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 15
- 230000008447 perception Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010013710 Drug interaction Diseases 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开的一种智能体图谱分析方法、系统和可读存储介质，其中方法包括：基于目标数据利用智能体作业获取目标智能体图谱；基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征；基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系；基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系。本发明从智能体与知识图谱融合的视角，明确了智能体图谱的概念演进框架与范式特征，明确了智能体图谱落地的技术路径，包括通过聚类技术实现数据连接中的智能体自动识别、感知流数据驱动的智能体关联挖掘分析、以及智能体视野下的因果关系挖掘。
Description
技术领域
本发明涉及数据处理技术领域，更具体的，涉及一种智能体图谱分析方法、系统和可读存储介质。
背景技术
当前，知识图谱相关研究已呈现丰富成果，但距离智能推理仍有一定差距，还有诸多工作亟需开展。
事实上，在大数据时代，数据要素作为一种新型生产要素，其资源禀赋的变化直接影响关键技术的进程。叠加物联网及智能设备的快速普及，所产生日益丰富的海量数据中所蕴藏的感知能力和互操作能力，将给予知识图谱技术进步和场景拓展巨大的想象力和想象空间。同时，知识图谱与认知智能的深度结合将成为未来主流趋势，主流的技术趋势与范式发展也正不断推进人工智能、知识图谱与网络科学深度融合。
发明内容
本发明的目的是提供一种智能体图谱分析方法、系统和可读存储介质，从智能体与知识图谱融合的视角，明确了智能体图谱的概念演进框架与范式特征，明确了智能体图谱落地的技术路径。
本发明第一方面提供了一种智能体图谱分析方法，包括以下步骤：
基于目标数据利用智能体作业获取目标智能体图谱，其中，所述智能体作业至少包括智能体识别标注作业，智能体关联挖掘作业，智能体因果推断作业；
基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征；
基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系；
基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系。
本方案中，所述基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征，具体包括：
基于所述目标数据获取初始知识图谱，对所述初始知识图谱进行智能体识别标注，其中：
捕捉所述初始知识图谱中单一实体在预设领域范围内的实体和关系特征，以获取所述目标智能体图谱中的网络关系簇；
获取所述初始知识图谱中的子图结构作为预设的图神经网络的输入，获取图神经网络的基线模型作为所述目标智能体图谱中的基线结构。
本方案中，所述基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系，具体包括：
基于网络嵌入法将所述目标智能体图谱中各网络的节点和/或边表示为嵌入空间中的压缩向量；
基于所述压缩向量作向量运算以获取各网络的节点和/或边对应的所述关联关系。
本方案中，所述基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系，具体包括：
基于所述目标智能体图谱中各网络的关系途径获取因果推断的实施路径，其中：
利用所述关系途径上的反事实去捕捉先验知识，从而将所述先验知识作为结果路径；
利用预设的因果图中的因果关系构建结构因果模型从而得到对应的因果路径。
本方案中，所述方法还包括基于待筛选数据得到所述目标数据，具体包括：
获取所述待筛选数据；
基于所述待筛选数据进行数据筛选得到筛选数据；
基于所述筛选数据进行关键字关联得到所述目标数据。
本方案中，所述基于所述待筛选数据进行数据筛选得到筛选数据，对应的数据筛选方式至少包括数据剥离、数据清洗和数据融合。
本发明第二方面还提供一种智能体图谱分析系统，包括存储器和处理器，所述存储器中包括智能体图谱分析方法程序，所述智能体图谱分析方法程序被所述处理器执行时实现如下步骤：
基于目标数据利用智能体作业获取目标智能体图谱，其中，所述智能体作业至少包括智能体识别标注作业，智能体关联挖掘作业，智能体因果推断作业；
基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征；
基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系；
基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系。
本方案中，所述基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征，具体包括：
基于所述目标数据获取初始知识图谱，对所述初始知识图谱进行智能体识别标注，其中：
捕捉所述初始知识图谱中单一实体在预设领域范围内的实体和关系特征，以获取所述目标智能体图谱中的网络关系簇；
获取所述初始知识图谱中的子图结构作为预设的图神经网络的输入，获取图神经网络的基线模型作为所述目标智能体图谱中的基线结构。
本方案中，所述基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系，具体包括：
基于网络嵌入法将所述目标智能体图谱中各网络的节点和/或边表示为嵌入空间中的压缩向量；
基于所述压缩向量作向量运算以获取各网络的节点和/或边对应的所述关联关系。
本方案中，所述基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系，具体包括：
基于所述目标智能体图谱中各网络的关系途径获取因果推断的实施路径，其中：
利用所述关系途径上的反事实去捕捉先验知识，从而将所述先验知识作为结果路径；
利用预设的因果图中的因果关系构建结构因果模型从而得到对应的因果路径。
本方案中，所述方法还包括基于待筛选数据得到所述目标数据，具体包括：
获取所述待筛选数据；
基于所述待筛选数据进行数据筛选得到筛选数据；
基于所述筛选数据进行关键字关联得到所述目标数据。
本方案中，所述基于所述待筛选数据进行数据筛选得到筛选数据，对应的数据筛选方式至少包括数据剥离、数据清洗和数据融合。
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机器的一种智能体图谱分析方法程序，所述智能体图谱分析方法程序被处理器执行时，实现如上述任一项所述的一种智能体图谱分析方法的步骤。
本发明公开的一种智能体图谱分析方法、系统和可读存储介质，从智能体与知识图谱融合的视角，明确了智能体图谱的概念演进框架与范式特征，明确了智能体图谱落地的技术路径，包括通过聚类技术实现数据连接中的智能体自动识别、感知流数据驱动的智能体关联挖掘分析、以及智能体视野下的因果关系挖掘。
附图说明
图1示出了本发明一种智能体图谱分析方法的流程图；
图2示出了本发明一种智能体图谱分析系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种智能体图谱分析方法的流程图。
如图1所示，本申请公开了一种智能体图谱分析方法，包括以下步骤：
S102，基于目标数据利用智能体作业获取目标智能体图谱，其中，所述智能体作业至少包括智能体识别标注作业，智能体关联挖掘作业，智能体因果推断作业；
S104，基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征；
S106，基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系；
S108，基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系。
需要说明的是，于本实施例中，智能体图谱的相关概念，首先从智能体的内涵与分类出发，特别强调了“目标函数”及策略、奖励等在智能体构建中的重要性；与智能体有一定关联的群体智能技术，则在网络科学上有广泛的应用前景。其次，对知识图谱的概念、历史、应用场景及技术框架进行了简述。最后，从智能体与知识图谱融合的视角，基于两方面提出了智能体图谱的重要范式特征。一是将知识图谱与复杂的网络技术相结合，提升知识图谱的运行性能，提高了知识管理和分析的效率，也为通过关联分析发现新知识提供了可能。二是依赖于新的图谱范式的出现，如多智能体强化学习与知识图谱结合，实现自适应的认知制造网络，实现自我配置、修复、决策及行动的能力；将智能体图谱与物理世界、数字孪生实体结合，突出实时感知与互操作的特征。
具体地，基于目标数据利用智能体作业获取目标智能体图谱，其中，所述智能体作业包括例如智能体识别标注作业，智能体关联挖掘作业，智能体因果推断作业，基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征；基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系；基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系。
根据本发明实施例，所述基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征，具体包括：
基于所述目标数据获取初始知识图谱，对所述初始知识图谱进行智能体识别标注，其中：
捕捉所述初始知识图谱中单一实体在预设领域范围内的实体和关系特征，以获取所述目标智能体图谱中的网络关系簇；
获取所述初始知识图谱中的子图结构作为预设的图神经网络的输入，获取图神经网络的基线模型作为所述目标智能体图谱中的基线结构。
需要说明的是，于本实施例中，智能体识别标注作业应用到例如聚类、集成及层次相关方法。一方面，从网络链接挖掘角度，重点关注智能体复杂网络中子图特征的识别、捕捉及封装。例如对图谱的三元组中，通过特征嵌入捕捉所述初始知识图谱中单一实体在所述预设邻域范围内的实体和关系特征，并封装了聚类与多跳网络的关系簇，以获取所述目标智能体图谱中的网络关系簇；在图谱中重点关注网络的子图结构，并将这一结构作为输入条件，来优化图神经网络（GNN）的基线模型表现，获取图神经网络的基线模型作为所述目标智能体图谱中的基线结构。层次方法充分借鉴了人类在实际推理动作的流程，通过多层的联合训练来提升图谱性能表现。如在算法模型中区分低级策略与高级策略，提升智能体与周边图谱环境的交互性能；或者在图谱集群聚类的基础上，分别设置两个智能体在不同颗粒度上执行推理任务，一个实现整个网络集群的快速遍历，另一个对集群内的节点进行逐个遍历，更适用于长路径的推理场景。
根据本发明实施例，所述基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系，具体包括：
基于网络嵌入法将所述目标智能体图谱中各网络的节点和/或边表示为嵌入空间中的压缩向量；
基于所述压缩向量作向量运算以获取各网络的节点和/或边对应的所述关联关系。
需要说明的是，于本实施例中，智能体关联挖掘作业主要关注图谱嵌入的实际应用，以及结合实际应用场景中知识关联的引入。其中，网络嵌入旨在将网络转换为低维空间，将网络的节点或边表示为嵌入空间中的压缩向量，从而进一步描述网络的关联关系。技术特征上，既需要关注同构特征的非属性网络，也需要关注多模态场景下的属性网络（也称为异构网络）。在实际操作中，通过高维空间映射的旋转，或者引入关系层次结构的投影，均能够有效捕捉图谱内的关联关系，同时具有较好的泛化性。此外，在生物医学领域中，知识网络本身也会产生事实关联特征，典型如药物的相互作用（DDI）、疾病-症状之间的关系等。这些关联特征往往不仅限于三元组的单一关联路径，而呈现出结构的相似性、动态的进化性等高维空间下的特征关联，通过专业领域知识关联的引入，也能较好改进智能体图谱的性能。
根据本发明实施例，所述基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系，具体包括：
基于所述目标智能体图谱中各网络的关系途径获取因果推断的实施路径，其中：
利用所述关系途径上的反事实去捕捉先验知识，从而将所述先验知识作为结果路径；
利用预设的因果图中的因果关系构建结构因果模型从而得到对应的因果路径。
需要说明的是，于本实施例中，智能体因果推断作业主要关注因果与可解释性的融合关系，以及如何将反事实等关键要素引入来优化图谱性能。其中，智能体图谱所面向的核心场景，目标建立能够自我解释的系统，并回答交互式假设的问题，需要融合可解释AI与因果推断的相关成果。其中的核心关注点，就是如何将人类知识纳入算法循环，将图神经网络上的关系路径，转化为可解释的、具有因果性的路径。从技术实践层面，充分结合因果推断的实施路径，通过模型设计来对图谱本身进行改进。例如如何在网络中利用关系的反事实，去捕捉先验知识，并将先验知识的结果，作为智能体推断的一个策略参考标准；如何结合因果图的关系，基于生物医学的知识网络，运用算法构建符合生物学事实的结构因果模型（SCM）（去描述生物学领域的通路、病理等因果关系），并估计对应的因果效应等。
根据本发明实施例，所述方法还包括基于待筛选数据得到所述目标数据，具体包括：
获取所述待筛选数据；
基于所述待筛选数据进行数据筛选得到筛选数据；
基于所述筛选数据进行关键字关联得到所述目标数据。
需要说明的是，于本实施例中，获取用户端输入的所述待筛选数据，或者建立与用户端的通信连接后，调用用户端的数据库得到所述待筛选数据，基于所述待筛选数据进行筛选得到所述筛选数据，其中，基于筛选数据进行关键字关联得到所述目标数据，从而使得所述目标数据可以构成知识图谱。
根据本发明实施例，所述基于所述待筛选数据进行数据筛选得到筛选数据，对应的数据筛选方式至少包括数据剥离、数据清洗和数据融合。
需要说明的是，于本实施例中，所述待筛选数据中包括各式各样的数据，因此需要对所述待筛选数据进行筛选，具体包括例如数据剥离、数据清洗和数据融合，从而使得每个数据都是独立个体，能够进行关键字关联作业，以从所述筛选数据进行关键字关联得到所述目标数据。
值得一提的是，本申请将传统知识图谱“数据到知识”的范围，扩展至支持实时感知和互操作的智能体层面，图谱所扮演的角色从单一的参谋，拓展至侦察兵+参谋+特战队员的多维智能角色，具有广阔的理论研究价值和实用潜力前景。后续可以从内涵范式、技术路径与应用场景三个方面，持续优化迭代智能体图谱相关的核心技术储备，并尽快在系统原型及产业实际场景中推广应用。
值得一提的是，所述方法还包括：基于闭环的概念范式遍历所述目标智能体图谱，从而将所述目标智能体图谱更新为全面闭环范式图谱。
需要说明的是，于本实施例中，概念范式上将进一步将智能体与知识图谱、网络科学系统结合，提出闭环、全面的概念范式，并对如何应对多模态数据、周边环境变化以及小样本冷启动等实际问题进行研究阐述。
值得一提的是，所述方法还包括从技术路径上将明确各步骤的技术路线，以形成通用算法模块及实施路径。
需要说明的是，在实现的技术路径层面上来说，可以充分利用知识图谱及其交叉领域的前沿成果，为工程研发提供标准化的参考与支撑，从而在技术路径上明确技术路线，以形成通用算法和可直接套用的实施路径。进一步地，在应用场景上，围绕智能体图谱具有潜力优势的细分场景，尽早落地示范原型及产业推广项目，重点推动智能体图谱在生物医学场景的项目落地，同时探索在社会计算、金融经济等场景的产业化应用。
图2示出了本发明一种智能体图谱分析系统的框图。
如图2所示，本发明公开了一种智能体图谱分析系统，包括存储器和处理器，所述存储器中包括智能体图谱分析方法程序，所述智能体图谱分析方法程序被所述处理器执行时实现如下步骤：
基于目标数据利用智能体作业获取目标智能体图谱，其中，所述智能体作业至少包括智能体识别标注作业，智能体关联挖掘作业，智能体因果推断作业；
基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征；
基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系；
基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系。
需要说明的是，于本实施例中，智能体图谱的相关概念，首先从智能体的内涵与分类出发，特别强调了“目标函数”及策略、奖励等在智能体构建中的重要性；与智能体有一定关联的群体智能技术，则在网络科学上有广泛的应用前景。其次，对知识图谱的概念、历史、应用场景及技术框架进行了简述。最后，从智能体与知识图谱融合的视角，基于两方面提出了智能体图谱的重要范式特征。一是将知识图谱与复杂的网络技术相结合，提升知识图谱的运行性能，提高了知识管理和分析的效率，也为通过关联分析发现新知识提供了可能。二是依赖于新的图谱范式的出现，如多智能体强化学习与知识图谱结合，实现自适应的认知制造网络，实现自我配置、修复、决策及行动的能力；将智能体图谱与物理世界、数字孪生实体结合，突出实时感知与互操作的特征。
具体地，基于目标数据利用智能体作业获取目标智能体图谱，其中，所述智能体作业包括例如智能体识别标注作业，智能体关联挖掘作业，智能体因果推断作业，基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征；基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系；基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系。
根据本发明实施例，所述基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征，具体包括：
基于所述目标数据获取初始知识图谱，对所述初始知识图谱进行智能体识别标注，其中：
捕捉所述初始知识图谱中单一实体在预设领域范围内的实体和关系特征，以获取所述目标智能体图谱中的网络关系簇；
获取所述初始知识图谱中的子图结构作为预设的图神经网络的输入，获取图神经网络的基线模型作为所述目标智能体图谱中的基线结构。
需要说明的是，于本实施例中，智能体识别标注作业应用到例如聚类、集成及层次相关方法。一方面，从网络链接挖掘角度，重点关注智能体复杂网络中子图特征的识别、捕捉及封装。例如对图谱的三元组中，通过特征嵌入捕捉所述初始知识图谱中单一实体在所述预设邻域范围内的实体和关系特征，并封装了聚类与多跳网络的关系簇，以获取所述目标智能体图谱中的网络关系簇；在图谱中重点关注网络的子图结构，并将这一结构作为输入条件，来优化图神经网络（GNN）的基线模型表现，获取图神经网络的基线模型作为所述目标智能体图谱中的基线结构。层次方法充分借鉴了人类在实际推理动作的流程，通过多层的联合训练来提升图谱性能表现。如在算法模型中区分低级策略与高级策略，提升智能体与周边图谱环境的交互性能；或者在图谱集群聚类的基础上，分别设置两个智能体在不同颗粒度上执行推理任务，一个实现整个网络集群的快速遍历，另一个对集群内的节点进行逐个遍历，更适用于长路径的推理场景。
根据本发明实施例，所述基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系，具体包括：
基于网络嵌入法将所述目标智能体图谱中各网络的节点和/或边表示为嵌入空间中的压缩向量；
基于所述压缩向量作向量运算以获取各网络的节点和/或边对应的所述关联关系。
需要说明的是，于本实施例中，智能体关联挖掘作业主要关注图谱嵌入的实际应用，以及结合实际应用场景中知识关联的引入。其中，网络嵌入旨在将网络转换为低维空间，将网络的节点或边表示为嵌入空间中的压缩向量，从而进一步描述网络的关联关系。技术特征上，既需要关注同构特征的非属性网络，也需要关注多模态场景下的属性网络（也称为异构网络）。在实际操作中，通过高维空间映射的旋转，或者引入关系层次结构的投影，均能够有效捕捉图谱内的关联关系，同时具有较好的泛化性。此外，在生物医学领域中，知识网络本身也会产生事实关联特征，典型如药物的相互作用（DDI）、疾病-症状之间的关系等。这些关联特征往往不仅限于三元组的单一关联路径，而呈现出结构的相似性、动态的进化性等高维空间下的特征关联，通过专业领域知识关联的引入，也能较好改进智能体图谱的性能。
根据本发明实施例，所述基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系，具体包括：
基于所述目标智能体图谱中各网络的关系途径获取因果推断的实施路径，其中：
利用所述关系途径上的反事实去捕捉先验知识，从而将所述先验知识作为结果路径；
利用预设的因果图中的因果关系构建结构因果模型从而得到对应的因果路径。
需要说明的是，于本实施例中，智能体因果推断作业主要关注因果与可解释性的融合关系，以及如何将反事实等关键要素引入来优化图谱性能。其中，智能体图谱所面向的核心场景，目标建立能够自我解释的系统，并回答交互式假设的问题，需要融合可解释AI与因果推断的相关成果。其中的核心关注点，就是如何将人类知识纳入算法循环，将图神经网络上的关系路径，转化为可解释的、具有因果性的路径。从技术实践层面，充分结合因果推断的实施路径，通过模型设计来对图谱本身进行改进。例如如何在网络中利用关系的反事实，去捕捉先验知识，并将先验知识的结果，作为智能体推断的一个策略参考标准；如何结合因果图的关系，基于生物医学的知识网络，运用算法构建符合生物学事实的结构因果模型（SCM）（去描述生物学领域的通路、病理等因果关系），并估计对应的因果效应等。
根据本发明实施例，所述方法还包括基于待筛选数据得到所述目标数据，具体包括：
获取所述待筛选数据；
基于所述待筛选数据进行数据筛选得到筛选数据；
基于所述筛选数据进行关键字关联得到所述目标数据。
需要说明的是，于本实施例中，获取用户端输入的所述待筛选数据，或者建立与用户端的通信连接后，调用用户端的数据库得到所述待筛选数据，基于所述待筛选数据进行筛选得到所述筛选数据，其中，基于筛选数据进行关键字关联得到所述目标数据，从而使得所述目标数据可以构成知识图谱。
根据本发明实施例，所述基于所述待筛选数据进行数据筛选得到筛选数据，对应的数据筛选方式至少包括数据剥离、数据清洗和数据融合。
需要说明的是，于本实施例中，所述待筛选数据中包括各式各样的数据，因此需要对所述待筛选数据进行筛选，具体包括例如数据剥离、数据清洗和数据融合，从而使得每个数据都是独立个体，能够进行关键字关联作业，以从所述筛选数据进行关键字关联得到所述目标数据。
值得一提的是，本申请将传统知识图谱“数据到知识”的范围，扩展至支持实时感知和互操作的智能体层面，图谱所扮演的角色从单一的参谋，拓展至侦察兵+参谋+特战队员的多维智能角色，具有广阔的理论研究价值和实用潜力前景。后续可以从内涵范式、技术路径与应用场景三个方面，持续优化迭代智能体图谱相关的核心技术储备，并尽快在系统原型及产业实际场景中推广应用。
值得一提的是，所述方法还包括：基于闭环的概念范式遍历所述目标智能体图谱，从而将所述目标智能体图谱更新为全面闭环范式图谱。
需要说明的是，于本实施例中，概念范式上将进一步将智能体与知识图谱、网络科学系统结合，提出闭环、全面的概念范式，并对如何应对多模态数据、周边环境变化以及小样本冷启动等实际问题进行研究阐述。
值得一提的是，所述方法还包括从技术路径上将明确各步骤的技术路线，以形成通用算法模块及实施路径。
需要说明的是，在实现的技术路径层面上来说，可以充分利用知识图谱及其交叉领域的前沿成果，为工程研发提供标准化的参考与支撑，从而在技术路径上明确技术路线，以形成通用算法和可直接套用的实施路径。进一步地，在应用场景上，围绕智能体图谱具有潜力优势的细分场景，尽早落地示范原型及产业推广项目，重点推动智能体图谱在生物医学场景的项目落地，同时探索在社会计算、金融经济等场景的产业化应用。
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智能体图谱分析方法程序，所述智能体图谱分析方法程序被处理器执行时，实现如上述任一项所述的一种智能体图谱分析方法的步骤。
本发明公开的一种智能体图谱分析方法、系统和可读存储介质，从智能体与知识图谱融合的视角，明确了智能体图谱的概念演进框架与范式特征，明确了智能体图谱落地的技术路径，包括通过聚类技术实现数据连接中的智能体自动识别、感知流数据驱动的智能体关联挖掘分析、以及智能体视野下的因果关系挖掘。
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计算机可读取存储介质中，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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、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，也可以存储在一个计算机可读取存储介质中。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，该计算机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 (5)
1.一种智能体图谱分析方法，其特征在于，包括以下步骤：
基于目标数据利用智能体作业获取目标智能体图谱，其中，所述智能体作业至少包括智能体识别标注作业，智能体关联挖掘作业，智能体因果推断作业；
基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征；
基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系；
基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系；
所述基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征，具体包括：
基于所述目标数据获取初始知识图谱，对所述初始知识图谱进行智能体识别标注，其中：
捕捉所述初始知识图谱中单一实体在预设领域范围内的实体和关系特征，以获取所述目标智能体图谱中的网络关系簇；
获取所述初始知识图谱中的子图结构作为预设的图神经网络的输入，获取图神经网络的基线模型作为所述目标智能体图谱中的基线结构；
所述基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系，具体包括：
基于网络嵌入法将所述目标智能体图谱中各网络的节点和/或边表示为嵌入空间中的压缩向量；
基于所述压缩向量作向量运算以获取各网络的节点和/或边对应的所述关联关系；
所述基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系，具体包括：
基于所述目标智能体图谱中各网络的关系途径获取因果推断的实施路径，其中：
利用所述关系途径上的反事实去捕捉先验知识，从而将所述先验知识作为结果路径；
利用预设的因果图中的因果关系构建结构因果模型从而得到对应的因果路径。
2.根据权利要求1所述的一种智能体图谱分析方法，其特征在于，
所述方法还包括基于待筛选数据得到所述目标数据，具体包括：
获取所述待筛选数据；
基于所述待筛选数据进行数据筛选得到筛选数据；
基于所述筛选数据进行关键字关联得到所述目标数据。
3.根据权利要求2所述的一种智能体图谱分析方法，其特征在于，
所述基于所述待筛选数据进行数据筛选得到筛选数据，对应的数据筛选方式至少包括数据剥离、数据清洗和数据融合。
4.一种智能体图谱分析系统，其特征在于，包括存储器和处理器，所述存储器中包括智能体图谱分析方法程序，所述智能体图谱分析方法程序被所述处理器执行时实现如下步骤：
基于目标数据利用智能体作业获取目标智能体图谱，其中，所述智能体作业至少包括智能体识别标注作业，智能体关联挖掘作业，智能体因果推断作业；
基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征；
基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系；
基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系；
所述基于所述智能体识别标注作业获取所述目标智能体图谱中各网络子图的结构特征，具体包括：
基于所述目标数据获取初始知识图谱，对所述初始知识图谱进行智能体识别标注，其中：
捕捉所述初始知识图谱中单一实体在预设领域范围内的实体和关系特征，以获取所述目标智能体图谱中的网络关系簇；
获取所述初始知识图谱中的子图结构作为预设的图神经网络的输入，获取图神经网络的基线模型作为所述目标智能体图谱中的基线结构；
所述基于所述智能体关联挖掘作业获取所述目标智能体图谱中各网络之间的关联关系，具体包括：
基于网络嵌入法将所述目标智能体图谱中各网络的节点和/或边表示为嵌入空间中的压缩向量；
基于所述压缩向量作向量运算以获取各网络的节点和/或边对应的所述关联关系；
所述基于所述智能体因果推断作业获取所述目标智能体图谱中各网络之间的融合关系，具体包括：
基于所述目标智能体图谱中各网络的关系途径获取因果推断的实施路径，其中：
利用所述关系途径上的反事实去捕捉先验知识，从而将所述先验知识作为结果路径；
利用预设的因果图中的因果关系构建结构因果模型从而得到对应的因果路径。
5.一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一种智能体图谱分析方法程序，所述智能体图谱分析方法程序被处理器执行时，实现如权利要求1至3中任一项所述的一种智能体图谱分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310146038.9A CN115858698B (zh) | 2023-02-22 | 2023-02-22 | 智能体图谱分析方法、系统和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310146038.9A CN115858698B (zh) | 2023-02-22 | 2023-02-22 | 智能体图谱分析方法、系统和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115858698A CN115858698A (zh) | 2023-03-28 |
| CN115858698B true CN115858698B (zh) | 2023-06-06 |
Family
ID=85658570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310146038.9A Active CN115858698B (zh) | 2023-02-22 | 2023-02-22 | 智能体图谱分析方法、系统和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115858698B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118798251B (zh) * | 2024-09-13 | 2024-11-22 | 北京用友薪福社云科技有限公司 | 一种rpa智能体及其应用 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112507136A (zh) * | 2020-12-18 | 2021-03-16 | 南京摄星智能科技有限公司 | 一种知识驱动的业务操作图谱构建方法 |
| CN115311538A (zh) * | 2022-02-21 | 2022-11-08 | 上海应用技术大学 | 一种基于场景先验的智能体目标搜索的方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190004010A (ko) * | 2017-07-03 | 2019-01-11 | 삼성에스디에스 주식회사 | 전경 추출 방법 및 장치 |
| CN112069249B (zh) * | 2020-10-14 | 2024-08-02 | 中国平安人寿保险股份有限公司 | 知识图谱关系挖掘方法、装置、计算机设备及存储介质 |
| CN114116957B (zh) * | 2021-04-02 | 2024-08-30 | 集美大学 | 一种基于知识图谱的电磁信息泄漏智能分析方法 |
| CN114528413B (zh) * | 2022-02-18 | 2022-08-12 | 北京融信数联科技有限公司 | 众包标注支持的知识图谱更新方法、系统和可读存储介质 |
| CN115018214B (zh) * | 2022-08-09 | 2022-11-25 | 北京融信数联科技有限公司 | 一种基于认知图谱的企业风险分析预测方法、系统和介质 |
-
2023
- 2023-02-22 CN CN202310146038.9A patent/CN115858698B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112507136A (zh) * | 2020-12-18 | 2021-03-16 | 南京摄星智能科技有限公司 | 一种知识驱动的业务操作图谱构建方法 |
| CN115311538A (zh) * | 2022-02-21 | 2022-11-08 | 上海应用技术大学 | 一种基于场景先验的智能体目标搜索的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115858698A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pradhyumna et al. | Graph neural network (GNN) in image and video understanding using deep learning for computer vision applications | |
| Wang et al. | DualVGR: A dual-visual graph reasoning unit for video question answering | |
| US10360503B2 (en) | System and method for ontology derivation | |
| CN115858698B (zh) | 智能体图谱分析方法、系统和可读存储介质 | |
| CN110648080A (zh) | 基于智能点的信息物理系统及其构建方法 | |
| CN114329099A (zh) | 重叠社区识别方法、装置、设备、存储介质及程序产品 | |
| Tolk et al. | Hybrid simulation for cyber physical systems: state of the art and a literature review. | |
| CN113052712B (zh) | 社交数据的分析方法、系统及存储介质 | |
| Charpenay et al. | Mosaik: A formal model for self-organizing manufacturing systems | |
| Rahimi et al. | A knowledge-based multi-agent system for geospatial data conflation | |
| Gong | Contextual modeling and applications | |
| CN113902223A (zh) | 基于态势数据的重点目标推理于预测系统 | |
| Feng et al. | A survey of dynamic network link prediction | |
| Schneider et al. | A network science approach to the Internet | |
| Kryven et al. | Cognitive maps are generative programs | |
| Repta et al. | Automated process mapping for cyber intelligent enterprise | |
| Wang | Network graph theory and organization model analysis based on mathematical modeling with the dynamic systematic data perspective | |
| Lee et al. | Pro-active content managing system for efficient human machine interaction in data intensive environments | |
| Renuga Devi et al. | Cognitive Analytics in Continual Learning: A new Frontier in Machine Learning Research | |
| Varey et al. | Keraia: A knowledge engineering and reference ai architecture | |
| CN115470640B (zh) | 基于流程树分解和轨迹匹配策略的合规性检测方法与系统 | |
| CN116775232B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN118551307B (zh) | 用户身份识别方法、系统、设备及存储介质 | |
| AbdurRafae | HindSight: A Graph-Based Vision Model Architecture For Representing Part-Whole Hierarchies | |
| Nalepa | From Good Robots to Useful Intelligent Agents |
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 |