CN115878817A - 基于知识图谱的核电信息推荐方法、系统与计算机设备 - Google Patents
基于知识图谱的核电信息推荐方法、系统与计算机设备 Download PDFInfo
- Publication number
- CN115878817A CN115878817A CN202310102801.8A CN202310102801A CN115878817A CN 115878817 A CN115878817 A CN 115878817A CN 202310102801 A CN202310102801 A CN 202310102801A CN 115878817 A CN115878817 A CN 115878817A
- Authority
- CN
- China
- Prior art keywords
- nuclear power
- entity
- entities
- knowledge
- knowledge graph
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于知识图谱的核电信息推荐方法、系统与计算机设备,涉及核电人因工程与控制系统设计领域。方法包括:获取核电厂系统中的数据,并根据核电厂系统中的数据构建核电知识图谱,核电知识图谱包括多个核电实体和核电实体之间关系。根据核电知识图谱建立向量空间,并根据向量空间获取核电实体之间的第一相似度矩阵。获取操纵员的历史操作信息,并根据操纵员的历史操作信息获取历史操作序列的集合。根据历史操作序列的集合获取核电实体之间的第二相似度矩阵。根据第一相似度矩阵和第二相似度矩阵,生成融合相似度矩阵。以及,响应于操纵员的实时操作,根据融合相似度矩阵获取推荐信息,并显示推荐信息。
Description
技术领域
本发明涉及核电人因工程与控制系统设计领域,尤其涉及一种基于知识图谱的核电信息推荐方法、系统与计算机设备。
背景技术
核电厂内系统和设备数量繁多,DCS(Distributed Control System)控制系统汇集了大量电厂过程参数信息,并通过主控制室的人机接口呈现给操纵员。在数字化控制室中,人机接口主要以数字化操纵员工作站上的画面、报警、规程和趋势等形式实现。工作站中的画面和报警信息之间彼此独立,操纵员依赖规程和自己的知识调用各类信息。
然而在事故工况下,大量同时出现的信息容易导致操纵员瞬时认知负荷过大,进而降低其对电厂状态的判断与控制效率。另外,在核电厂机组自动启停、智能诊断和智能控制技术的应用背景下,极高的自动化水平会导致部分信息对操纵员不透明化,操纵员对电厂信息的掌握与控制能力大打折扣。
发明内容
针对现有技术的上述不足,本发明提供一种基于知识图谱的核电信息推荐方法、系统与计算机设备,通过知识图谱、语义识别、关联性排序等大数据驱动的智能算法处理输出信息流,将操纵员当前最需要的信息呈现在屏幕,使得操纵员更加高效的执行监控任务。
一方面,本发明提供了一种基于知识图谱的核电信息推荐方法,包括:获取核电厂系统中的数据,并根据核电厂系统中的数据构建核电知识图谱,核电知识图谱包括多个核电实体和核电实体之间关系。根据核电知识图谱建立向量空间,并根据向量空间获取核电实体之间的第一相似度矩阵。获取操纵员的历史操作信息,并根据操纵员的历史操作信息获取历史操作序列的集合。根据历史操作序列的集合获取核电实体之间的第二相似度矩阵。根据第一相似度矩阵和第二相似度矩阵,生成融合相似度矩阵。以及,响应于操纵员的实时操作,根据融合相似度矩阵获取推荐信息,并显示推荐信息。历史操作序列的集合包括多个历史操作序列,历史操作序列为根据操纵员对核电实体的点击顺序行成的核电实体的序列。推荐信息包括向操纵员推荐的核电实体的列表。
具体地,获取核电厂系统中的数据,并根据核电厂系统中的数据构建核电知识图谱,包括:获取核电厂系统中的数据,并根据核电厂系统中的数据,获取核电厂系统中的结构类数据与非结构类数据。根据核电厂系统中的结构类数据构建第一核电知识图谱。根据核电厂系统中的非结构类数据,采用预设的深度学习算进行核电知识的抽取,得到第二核电知识图谱。以及,将第一核电知识图谱和第二核电知识图谱进行知识融合,得到核电知识图谱。
具体地,根据核电厂系统中的结构类数据构建第一核电知识图谱,包括:根据核电厂系统中的结构类数据,获取第一核电知识图谱的数据模型的定义,第一核电知识图谱的数据模型的定义包括第一核电知识图谱中域的定义、本体的定义、第一核电实体的定义和关系的定义。以及,根据第一核电知识图谱的数据模型的定义,基于数据库构建第一核电知识图谱。
具体地,根据核电厂系统中的非结构类数据,采用预设的深度学习算法进行核电知识的抽取,得到第二核电知识图谱,包括:基于神经网络算法,从核电厂系统中的非结构类数据的文本数据中识别出核电实体,作为第二核电实体,并将第二核电实体作为第二核电知识图谱中的节点。将核电厂系统中的非结构类数据的文本按照句子划分为多个语段,在多个语段中,通过关系抽取网络逐一抽取第二核电实体之间的关系。以及,根据第二核电实体和第二核电实体之间的关系,构建第二核电知识图谱。
具体地,将第一核电知识图谱和第二核电知识图谱进行知识融合,得到核电知识图谱,包括:对第一核电知识图谱和第二核电知识图谱中的知识进行指代消解和实体消歧,对名称类似的知识进行筛选合并,得到核电知识图谱。
具体地,根据核电知识图谱建立向量空间,并根据向量空间获取核电实体之间的第一相似度矩阵,包括:根据核电实体和核电实体之间的关系获取核电实体向量和关系向量,并根据核电实体向量和关系向量,建立向量空间。以及,根据核电实体向量在向量空间中的距离,获取核电实体之间的第一相似度矩阵。
具体地,根据历史操作序列的集合获取核电实体之间的第二相似度矩阵,包括:根据历史操作序列集合,获取多个历史操作序列与核电实体之间的行为矩阵。以及,根据行为矩阵,通过余弦距离获取核电实体之间的第二相似度矩阵。
具体地,响应于操纵员的实时操作,根据融合相似度矩阵获取推荐信息,包括:对于任一个核电实体,获取参考实体集合。根据融合相似度矩阵,获取参考实体集合中的每一个核电实体的权值。对于任一个核电实体,根据参考实体集合中的每一个核电实体的权值和融合相似度矩阵,获取任一个核电实体与操纵员的实时操作实体集合的预测关联程度。以及,对于所有核电实体,按照与操纵员的实时操作实体集合的预测关联程度的值从大到小的顺序进行排序,以生成推荐信息。参考实体集合为相似实体集合和操纵员的实时操作实体集合的交集。相似实体集合为核电知识图谱中与任一个核电实体相似的核电实体的集合。操纵员的实时操作实体集合包括根据操纵员的实时点击顺序排列的核电实体的集合。
具体地,根据融合相似度矩阵,获取参考实体集合中的每一个核电实体的权值,包括:获取参考实体集合中的每一个核电实体与任一个核电实体的相似度,并获取核电知识图谱中其他所有实体与任一个核电实体之间的相似度之和。计算参考实体集合中的每一个核电实体与任一个核电实体的相似度与核电知识图谱中其他所有实体与任一个核电实体之间的相似度之和的商,作为参考实体集合中的每一个核电实体的权值。其他所有实体为核电知识图谱中除任一个核电实体之外的核电实体。
具体地,对于任一个核电实体,根据参考实体集合中的每一个核电实体的权值和融合相似度矩阵,获取任一个核电实体与操纵员的实时操作实体集合的预测关联程度,包括:根据融合相似度矩阵,获取参考实体集合中的每一个核电实体的关注程度。以及,获取参考实体集合中的每一个核电实体的加权。参考实体集合中的每一个核电实体的加权为参考实体集合中的每一个核电实体的权值与参考实体集合中的每一个核电实体的关注程度的乘积。计算参考实体集合中的每一个核电实体的加权之和,作为操纵员的实时操作实体集合与任一个核电实体的预测关联程度。
第二方面,本发明提供了一种基于知识图谱的核电信息推荐系统,包括数据获取单元和数据处理单元。数据获取单元用于获取核电厂系统中的数据,并根据核电厂系统中的数据构建核电知识图谱,核电知识图谱包括多个核电实体和核电实体之间关系。数据处理单元,与数据获取单元相连,且用于:根据核电知识图谱建立向量空间,并根据向量空间获取核电实体之间的第一相似度矩阵。获取操纵员的历史操作信息,并根据操纵员的历史操作信息获取历史操作序列的集合。根据历史操作序列的集合获取。核电实体之间的第二相似度矩阵。根据第一相似度矩阵和第二相似度矩阵,生成融合相似度矩阵。以及,响应于操纵员的实时操作,根据融合相似度矩阵获取推荐信息,并显示推荐信息。推荐信息包括向操纵员推荐的核电实体的列表。历史操作序列的集合包括多个历史操作序列,历史操作序列为根据操纵员对核电实体的点击顺序行成的核电实体的序列。
第三方面,本发明提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述基于知识图谱的核电信息推荐方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,处理器执行上述基于知识图谱的核电信息推荐方法的步骤。
本发明的有益效果包括:本发明提供的一种基于知识图谱的核电信息推荐方法、系统与计算机设备通过构建知识图谱,可以将大量分散的电厂运行知识综合成一个大型的语义信息网络,以对核电厂运行过程中的复杂且分散的数据进行整理,并抽象为核电知识图谱。通过协同过滤算法、深度学习算法和推荐算法,基于该核电知识图谱和操纵员的历史操作信息,向操纵员实时呈现该操纵员最需要的信息。
附图说明
图1为本发明实施例中一种基于知识图谱的核电信息推荐方法的流程图;
图2为本发明实施例中另一种基于知识图谱的核电信息推荐方法的流程图;
图3为本发明实施例中再一种基于知识图谱的核电信息推荐方法的流程图;
图4为本发明实施例中又一种基于知识图谱的核电信息推荐方法的流程图;
图5为本发明实施例中又一种基于知识图谱的核电信息推荐方法的流程图;
图6为本发明实施例中又一种基于知识图谱的核电信息推荐方法的流程图;
图7为本发明实施例中又一种基于知识图谱的核电信息推荐方法的流程图;
图8为本发明实施例中又一种基于知识图谱的核电信息推荐方法的流程图;
图9为本发明实施例中又一种基于知识图谱的核电信息推荐方法的流程图;
图10为本发明实施例中又一种基于知识图谱的核电信息推荐方法的流程图;
图11为本发明实施例中推荐信息和显示界面的示意图;
图12为本发明实施例中一种基于知识图谱的核电信息推荐系统的结构框图;
图13为本发明实施例中一种计算机设备的结构框图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面将结合附图对本发明实施方式作进一步地详细描述。
可以理解的是,此处描述的具体实施例和附图仅仅用于解释本发明,而非对本发明的限定。
可以理解的是,在不冲突的情况下,本发明中的各实施例及实施例中的各特征可相互组合。
可以理解的是,为便于描述,本发明的附图中仅示出了与本发明相关的部分,而与本发明无关的部分未在附图中示出。
可以理解的是,本发明的实施例中所涉及的每个单元、模块可仅对应一个实体结构,也可由多个实体结构组成,或者,多个单元、模块也可集成为一个实体结构。
可以理解的是,在不冲突的情况下,本发明的流程图和框图中所标注的功能、步骤可按照不同于附图中所标注的顺序发生。
可以理解的是,本发明的流程图和框图中,示出了按照本发明各实施例的系统、装置、设备、方法的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可代表一个单元、模块、程序段、代码,其包含用于实现规定的功能的可执行指令。而且,框图和流程图中的每个方框或方框的组合,可用实现规定的功能的基于硬件的系统实现,也可用硬件与计算机指令的组合来实现。
可以理解的是,本发明实施例中所涉及的单元、模块可通过软件的方式实现,也可通过硬件的方式来实现,例如单元、模块可位于处理器中。
随着大数据时代的到来,对数据的信息挖掘和智能呈现技术应运而生并迅速发展。智能信息呈现(推荐/推送)技术目前常用于日常生活领域,其通过协同过滤算法、深度学习算法等,基于用户历史操作与物品语义联系等因素,为用户过滤推荐其需要或感兴趣的内容。而知识图谱作为一种语义网络,可以为智能信息呈现系统提供用户和实物之间的语义关联信息。知识图谱以图的形式存储知识和知识之间的语义关系,将知识抽象为“实体-关系-实体”的三元组形式。通过构建知识图谱,可以将大量分散的电厂运行知识综合成一个大型的语义信息网络,从而进行知识推理、内容推荐等复杂任务。
知识图谱将操纵员所需的画面、报警、规程等独立信息构建成核电厂运行知识系统,通过专家知识和大数据构建这些信息的关系网,进而根据电厂工况、故障溯源、操纵员操作习惯等向操纵员实时呈现最需要的信息。智能信息呈现技术以信息列表的形式显示,列表内容包括画面、规程、参数、设备的链接以及故障溯源结果、设备状态等信息,操纵员可以根据需求选取并打开自己需要监控的信息。
研究如何对电厂运行中的复杂分散知识进行整理,抽象为知识图谱并建立操纵员知识库,实现信息智能呈现,对于电厂智能化技术的发展和操纵员控制能力的增强至关重要。
本发明的实施例提供一种基于知识图谱的核电信息推荐方法,通过构建知识图谱,可以将大量分散的电厂运行知识综合成一个大型的语义信息网络,以对核电厂运行过程中的复杂且分散的数据进行整理,并抽象为核电知识图谱。通过协同过滤算法、深度学习算法和推荐算法,基于该核电知识图谱和操纵员的历史操作信息,向操纵员实时呈现该操纵员最需要的信息。
如图1所示,本发明的实施例提供的一种基于知识图谱的核电信息推荐方法,包括步骤101~步骤106。
步骤101、获取核电厂系统中的数据,并根据核电厂系统中的数据构建核电知识图谱。
可以理解地,核电知识图谱包括多个核电实体和核电实体之间关系核。示例性的,核电厂系统中的数据包括华龙一号RCS、RCV和RHR系统中的数据,比如,核电厂系统中的数据可以核电工程文件、设计文件、规程信息等数据资料。为了定义核电领域独有的知识图谱结构,需要通过分析和整理大量文件数据,建立核电厂知识图谱数据模型,以便继续构建下层关系。
在一些实施例中,如图2所示,步骤101的实现方式可以包括步骤201至步骤204。
步骤201、获取核电厂系统中的数据,并根据核电厂系统中的数据,获取核电厂系统中的结构类数据与非结构类数据。
步骤202、根据核电厂系统中的结构类数据构建第一核电知识图谱。
在一些实施例中,可以使用自顶向下(Top-Down)的方式定义数据模型,即从顶层概念开始构建并逐步向下细化,从而形成结构清晰的分类学层次,构建知识图谱框架,之后再将实体一一添加到知识图谱框架中形成关系网络。
比如,使用自顶向下(Top-Down)的方式定义数据模型可以首先抽象出“域”的概念,域的概念凌驾于所有模型之上,定义需要尽可能具体,并且做到域之间独立互不交叉。并且,域的概念需要能够继续向下抽象,便于进一步梳理。在对域划分完毕之后,还需要依次对“本体”、“实体”、“关系”等概念进行梳理,“本体”用于描述事物的本质,是对于真实存在的实体类型、实体属性、以及实体之间相互关系的一种定义。“实体”为客观世界的事物,是构成知识图谱的基本单位,如某个设备、某张画面等。“关系”指两个或多个“实体”之间的联系,知识图谱通过“关系”将无数分散的“实体”节点联系起来,并描述“实体”之间的语义关系。
在数据模型定义完成之后,可以利用核电厂系统中的结构类数据构建第一核电知识图谱框架。此种情况下,如图3所示,步骤202的具体实现方法可以包括步骤301~步骤302。
步骤301、根据核电厂系统中的结构类数据,获取第一核电知识图谱的数据模型的定义。
可以理解地,第一核电知识图谱的数据模型的定义包括第一核电知识图谱中域的定义、本体的定义、第二核电实体的定义和关系的定义。
步骤302、根据第一核电知识图谱的数据模型的定义,基于数据库构建第一核电知识图谱。
可以理解地,步骤302的具体方法可以为:根据第一核电知识图谱的数据模型的定义,将核电厂系统中的结构类数据组织成若干个“第一核电实体-关系-第一核电实体”三元组,基于数据库构建第一核电知识图谱。
示例性的,基于数据库构建第一核电知识图谱的方法可以为:使用图形数据库Neo4j进行数据存储和知识网络的构建。Neo4j是一种NoSQL数据库,其内部数据结构为图的形式,由点、边、属性组成,基于Neo4j创建的有向图即为第一核电知识图谱。
使用表格、数据库等结构化数据建立第一核电知识图谱后,还需要使用非结构化数据,比如工程文件、规程等文本文件对第一核电知识图谱进行大量内容和关系的扩展补充。对非结构化数据的处理可以使用基于深度学习的实体抽取和关系抽取的方法。上述实施例说明了如何建立第一核电知识图谱,下述就如何对对第一核电知识图谱进行大量内容和关系的扩展补充进行示例性说明。
步骤203、根据核电厂系统中的非结构类数据,采用预设的深度学习算法,进行核电知识的抽取,得到第二核电知识图谱。
可以理解地,核电知识的抽取包括实体抽取与关系抽取。实体抽取的目的是从文本数据集中自动识别出实体,以建立第二核电知识图谱中的“节点”。关系抽取指二元关系抽取,目的是在文本中抽取实体之间的联系,比如,从报警卡文件中抽取参数、设备、画面和规程之间的关系。预设的深度学习算法可以根据实际情况进行选择,在一些实施例中,如图4所示,步骤203的具体实现方法可以包括步骤401~步骤403。
步骤401、基于神经网络算法,从核电厂系统中的非结构类数据的文本数据中识别出核电实体,作为第二核电实体,并将第二核电实体作为第二核电知识图谱中的节点。
本发明的实施例使用基于神经网络的NER(Named Entity Recognition)算法,使用双向循环神经网络(Bidirectional Recurrent Neural Network,BiRNN),并在循环神经网络的基础上加入条件随机场(Conditional Random Field,CRF)对实体识别的结果顺序进行调整,提高识别精度,在此基础上使用BERT词向量语言模型对文本信息进行编码,增强模型泛化能力。相比于基于传统机器学习的NER算法,神经网络的特征表达能力更强,可以避免人工定制特征并充分学习实体的上下文联系。
步骤402、将核电厂系统中的非结构类数据的文本按照句子划分为多个语段,在多个语段中,通过关系抽取网络逐一抽取第二核电实体之间的关系。
本发明的实施例根据数据源的特点,使用句子级关系抽取,并且根据已抽取的实体来限定领域,将关系范围限制在已有关系类型中。比如,关系抽取网络以文本分类模型TextCNN作为基础,将文本分类模型的输出定义为关系的不同类型,网络接受整个文本句子为输入,并输出实体之间关系的分类结果,相当于进行了端到端的关系抽取。
步骤403、根据第二核电实体和第二核电实体之间的关系,构建第二核电知识图谱。
可以理解地,在获取第二核电实体,第二核电实体之间的关系之后,则可以构建第二核电知识图谱。
步骤204、将第一核电知识图谱和第二核电知识图谱进行知识融合,得到核电知识图谱。
在一些实施例中,步骤204的具体实现方法可以包括:对第一核电知识图谱和第二核电知识图谱中的知识进行指代消解和实体消歧,对名称类似的知识进行筛选合并,得到核电知识图谱。
可以理解地,名称类似的知识指的是有不同或者类似的名称但是实际含义相同的知识。从语言或者一般在语言学及我们日常用语当中,在下文采用简称或代称来代替上文已经出现的某一词语,语言学中把这种情况称为“指代现象”,也即是指代。指代现象能够避免同一词语重复出现所造成的语句臃肿、赘述等问题;但也因为这种省略造成“指代不明”的问题。形式上,将代表同一实体的不同指称划分到一个等价集合的过程称为指代消解。实体的歧义指的是一个实体指称项可对应到多个真实世界实体。例如苹果可以表示水果,也可以表示计算机品牌,或者其他实体。确定一个实体指称项所指向的真实世界实体,这就是实体消歧。指代消解和实体消歧的方法可以将名称类似的知识进行融合,以使实际含义相同的知识共用同一个名称。
如此,可将来源于结构类数据的第一核电知识图谱和来源于非结构类数据的第二核电知识图谱融合为同一个知识图谱,即核电知识图谱。
步骤102、根据核电知识图谱建立向量空间,并根据向量空间获取核电实体之间的第一相似度矩阵。
为了向操纵员呈现需要的信息,需要对信息进行量化表示,将语义信息量化为可以衡量相关性紧密程度的指标,建立向量空间模型。首先量化知识图谱中的实体和关系成为向量,接着将需要推理或使用的信息表示成包含实体关键词的信息,并在向量空间模型的基础上,利用核电知识图谱深入挖掘其中的语义信息,以此来将所需信息准确量化为一个信息向量。
在一些实施例中,如图5所示,步骤102的具体实现方法可以包括步骤501~步骤502。
步骤501、根据核电实体和核电实体之间的关系获取核电实体向量和关系向量,并根据核电实体向量和关系向量,建立向量空间。
示例性地,可以基于TransE算法进行第一核电知识图谱中的实体和关系的量化,在保留语义的同时将第一核电知识图谱中的实体和关系嵌入到连续稠密的低维向量空间中。将第一核电知识图谱中中的结构化知识表示为无向图G,实体即节点的集合表示为V,关系即边的集合表示为E,在TransE算法的向量空间中,若两个实体向量能够通过关系向量连接起来,也即源实体向量加关系向量的结果与目标实体向量更接近,则说明实体和关系的向量化表示更加准确。通过该约束生成目标函数,并对目标函数进行优化,以此训练实体向量化网络,则该网络可以将知识图谱中语义相近的实体映射到向量空间中的相应位置。上述方法利用构建的核电领域知识图谱,对各知识节点进行向量化表示,映射到向量空间中,从而为智能信息呈现模型提供量化数据参考。
步骤502、根据核电实体向量在向量空间中的距离,获取核电实体之间的第一相似度矩阵。
可以理解地,信息在经过向量化后,通过在向量空间中的距离可以计算每两个核电实体间的相似度,根据每两个核电实体间的相似度,可以得到第一相似度矩阵S1。
步骤103、获取操纵员的历史操作信息,并根据操纵员的历史操作信息获取历史操作序列的集合。
可以理解地,历史操作序列的集合包括多个历史操作序列,历史操作序列为根据操纵员对核电实体的点击顺序行成的核电实体的序列。示例性地,以按照操纵员的操作目的,将操纵员的历史操作信息划分成m个历史操作序列,以核电实体的数量为n为例,历史操作序列的集合U为U={U1,U2,...Ui,...,Um},其中,i为整数,且i的取值范围为1至m。n个核电实体的集合I为I={I1,I2,...,Ij,...,In},j为整数,且j的取值范围为1至n。
步骤104、根据历史操作序列的集合获取核电实体之间的第二相似度矩阵。
在一些实施例中,如图6所示,步骤104的具体实现方法可以包括步骤601~步骤602。
步骤601、根据历史操作序列集合,获取多个历史操作序列与核电实体之间的行为矩阵。
将历史操作序列Ui中核电实体Ij出现的次数记做Rij,Rij可以表示历史操作序列Ui对核电实体Ij的关注程度,因此,可以生成历史操作序列集合U与核电实体I之间的行为矩阵R,如式(1)。
步骤602、根据行为矩阵,通过余弦距离获取核电实体之间的第二相似度矩阵。
根据式(1),可以将每个核电实体Ij表示成一个由历史操作序列Ui对核电实体Ij的关注程度组成的m维向量,如式(2)。
Ij=(R1j,R2j,...,Rmj)T(2)
则,可以根据余弦距离得到核电实体Ik与核电实体Ij的第二相似度s2(Ik,Ij),如式(3)。k为整数,且k的取值范围为1至n。
根据第一核电实体Ik与第一核电实体Ij的第二相似度s2(Ii,Ij),可以得到第二相似度矩阵S2。
步骤105、根据第一相似度矩阵和第二相似度矩阵,生成融合相似度矩阵。
可以理解地,将第一相似度矩阵S1和第二相似度矩阵S2进行加权融合,可以生成融合相似度矩阵S,之后即可在操纵员实时操作的时候,通过融合相似度矩阵S向操纵员显示推荐信息。
步骤106、响应于操纵员的实时操作,根据融合相似度矩阵获取推荐信息,并显示推荐信息。
可以理解地,推荐信息包括向操纵员推荐的核电实体的列表。
在一些实施例中,如图7所示,步骤106的实现方法可以包括步骤701至步骤704。
步骤701、对于任一个核电实体,获取参考实体集合。
步骤701中,参考实体集合为相似实体集合和操纵员的实时操作实体集合的交集;相似实体集合为核电知识图谱中与任一个核电实体相似的核电实体的集合;操纵员的实时操作实体集合包括根据操纵员的实时点击顺序排列的核电实体的集合。
可以理解地,如图8所示,对于任一个核电实体,参考实体集合的获取方法可以包括步骤7011~步骤7013。
步骤7011、获取核电知识图谱中与任一个核电实体相似的核电实体的集合,作为相似实体集合。
步骤7012、按照根据操纵员的实时点击顺序获取操纵员的实时操作实体集合。
步骤7013、取相似实体集合和操纵员的实时操作实体集合的交集,并获取参考实体集合。
步骤702、根据融合相似度矩阵,获取参考实体集合中的每一个核电实体的权值。
在一些实施例中,如图9所示,步骤702的实现方法可以包括步骤7021至步骤7023。
步骤7021、获取参考实体集合中的每一个核电实体与任一个核电实体的相似度。
步骤7022、获取核电知识图谱中其他所有实体与任一个核电实体之间的相似度之和。
可以理解地,步骤7022中,其他所有实体为核电知识图谱中除任一个核电实体之外的核电实体。
步骤7023、获取参考实体集合中的每一个核电实体与任一个核电实体的相似度与核电知识图谱中其他所有实体与任一个核电实体之间的相似度之和的商,即为参考实体集合中的每一个核电实体的权值。
步骤703、对于任一个核电实体,根据参考实体集合中的每一个核电实体的权值和融合相似度矩阵,获取任一个核电实体与操纵员的实时操作实体集合的预测关联程度。
在一些实施例中,如图10所示,步骤703的实现方法可以包括步骤7031至步骤7033。
步骤7031、根据融合相似度矩阵,获取参考实体集合中的每一个核电实体的关注程度。
步骤7032、获取参考实体集合中的每一个核电实体的权值与参考实体集合中的每一个核电实体的关注程度的乘积,即为参考实体集合中的每一个核电实体的加权。
步骤7033、获取参考实体集合中的每一个核电实体的加权之和,即为操纵员的实时操作实体集合与任一个核电实体的预测关联程度。
步骤704、对于所有核电实体,按照与操纵员的实时操作实体集合的预测关联程度的值从大到小的顺序进行排序,以生成推荐信息。
示例性地,如图11所示,推荐信息包括预测关联程度为0.95的核电实体1,预测关联程度为0.82的核电实体2和预测关联程度为0.56的核电实体3。为了将推荐信息清晰呈现给操纵员,本发明的实施例设计交互逻辑和交互图形界面,在控制系统画面中的特定区域(比如,区域Z1)以图形和文字相结合的形式将推荐信息展示于页面中。系统使用时在操纵员的每步操作后实时计算并更新推荐列表,以推荐信息列表为原始数据对图形界面进行刷新,完成智能信息呈现。
本发明的实施例基于知识图谱的协同过滤算法对操纵员所需内容进行推荐排序,并设计智能信息呈现系统来对推荐内容进行呈现,方便操纵员快速便捷地得到信息。本发明的实施例中,推荐排序算法结合了核电知识图谱和协同过滤算法,通过在传统协同过滤算法中引入来源于知识图谱的关系信息,以弥补协同过滤算法的缺陷。其中,传统协同过滤算法更多收集操纵员的历史操作习惯信息,而知识图谱在信息推荐过程中融合了更多可解释的核电专业知识,两种数据来源的融合使信息推荐结果更加准确。
本发明的实施例通过研究智能信息呈现模型,基于知识图谱中的知识关联和核电厂采集的操纵员历史交互大数据,学习核电厂系统的控制规律和操纵员的操作习惯,对当前界面显示信息进行自适应调整,可以实现智能推送操纵员最需要的信息。
如图12所示,本发明的实施例提供了一种基于知识图谱的核电信息推荐系统1200,包括数据获取单元1201和数据处理单元1202。数据获取单元1201用于获取核电厂系统中的数据,并根据核电厂系统中的数据构建核电知识图谱,核电知识图谱包括多个核电实体和核电实体之间关系。数据处理单元1202,与数据获取单元1201相连,且用于:根据核电知识图谱建立向量空间,并根据向量空间获取核电实体之间的第一相似度矩阵。获取操纵员的历史操作信息,并根据操纵员的历史操作信息获取历史操作序列的集合。根据历史操作序列的集合获取。核电实体之间的第二相似度矩阵。根据第一相似度矩阵和第二相似度矩阵,生成融合相似度矩阵。以及,响应于操纵员的实时操作,根据融合相似度矩阵获取推荐信息,并显示推荐信息。推荐信息包括向操纵员推荐的核电实体的列表。历史操作序列的集合包括多个历史操作序列,历史操作序列为根据操纵员对核电实体的点击顺序行成的核电实体的序列。
本发明的实施例提供的基于知识图谱的核电信息推荐系统1200的具体方案及有益效果可参考上述实施例中提供的基于知识图谱的核电信息推荐方法的相关描述,此处不再赘述。
如图13所示,本发明的实施例提供了一种计算机设备1300,包括存储器1301和处理器1302,存储器1301和处理器1302相连,存储器1301存储有计算机程序,处理器1302执行计算机程序时实现上述基于知识图谱的核电信息推荐方法的步骤。
本发明的实施例提供的计算机设备的具体方案及有益效果可参考上述实施例中提供的基于知识图谱的核电信息推荐方法的相关描述,此处不再赘述。
本发明的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,处理器执行上述基于知识图谱的核电信息推荐方法的步骤。
本发明的实施例提供的计算机可读存储介质的具体方案及有益效果可参考上述实施例中提供的基于知识图谱的核电信息推荐方法的相关描述,此处不再赘述。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (13)
1.一种基于知识图谱的核电信息推荐方法,其特征在于,包括:
获取核电厂系统中的数据,并根据所述核电厂系统中的数据构建核电知识图谱,所述核电知识图谱包括多个核电实体和核电实体之间关系;
根据所述核电知识图谱建立向量空间,并根据所述向量空间获取所述核电实体之间的第一相似度矩阵;
获取操纵员的历史操作信息,并根据所述操纵员的历史操作信息获取历史操作序列的集合;
根据所述历史操作序列的集合获取所述核电实体之间的第二相似度矩阵;所述历史操作序列的集合包括多个历史操作序列,所述历史操作序列为根据操纵员对所述核电实体的点击顺序行成的所述核电实体的序列;
根据所述第一相似度矩阵和所述第二相似度矩阵,生成融合相似度矩阵;以及
响应于操纵员的实时操作,根据所述融合相似度矩阵获取推荐信息,并显示所述推荐信息;所述推荐信息包括向操纵员推荐的所述核电实体的列表。
2.根据权利要求1所述的基于知识图谱的核电信息推荐方法,其特征在于,所述获取核电厂系统中的数据,并根据所述核电厂系统中的数据构建核电知识图谱,包括:
获取核电厂系统中的数据,并根据所述核电厂系统中的数据,获取核电厂系统中的结构类数据与非结构类数据;
根据所述核电厂系统中的结构类数据构建第一核电知识图谱;
根据所述核电厂系统中的非结构类数据,采用预设的深度学习算法进行核电知识的抽取,得到第二核电知识图谱;以及
将所述第一核电知识图谱和所述第二核电知识图谱进行知识融合,得到所述核电知识图谱。
3.根据权利要求2所述的基于知识图谱的核电信息推荐方法,其特征在于,所述根据核电厂系统中的结构类数据构建第一核电知识图谱,包括:
根据所述核电厂系统中的结构类数据,获取所述第一核电知识图谱的数据模型的定义,所述第一核电知识图谱的数据模型的定义包括所述第一核电知识图谱中域的定义、本体的定义、第一核电实体的定义和关系的定义;以及
根据所述第一核电知识图谱的数据模型的定义,基于数据库构建所述第一核电知识图谱。
4.根据权利要求2所述的基于知识图谱的核电信息推荐方法,其特征在于,所述根据核电厂系统中的非结构类数据,采用预设的深度学习算法进行核电知识的抽取,得到第二核电知识图谱,包括:
基于神经网络算法,从核电厂系统中的非结构类数据的文本数据中识别出核电实体,作为第二核电实体,并将所述第二核电实体作为所述第二核电知识图谱中的节点;
将核电厂系统中的非结构类数据的文本按照句子划分为多个语段,在所述多个语段中,通过关系抽取网络逐一抽取所述第二核电实体之间的关系;以及
根据所述第二核电实体和所述第二核电实体之间的关系,构建所述第二核电知识图谱。
5.根据权利要求2所述的基于知识图谱的核电信息推荐方法,其特征在于,所述将所述第一核电知识图谱和所述第二核电知识图谱进行知识融合,得到所述核电知识图谱,包括:
对所述第一核电知识图谱和所述第二核电知识图谱中的知识进行指代消解和实体消歧,对名称类似的知识进行筛选合并,得到所述核电知识图谱。
6.根据权利要求1~5中任一项所述的基于知识图谱的核电信息推荐方法,其特征在于,所述根据所述核电知识图谱建立向量空间,并根据所述向量空间获取所述核电实体之间的第一相似度矩阵,包括:
根据所述核电实体和所述核电实体之间的关系获取核电实体向量和关系向量,并根据所述核电实体向量和所述关系向量,建立向量空间;以及
根据所述核电实体向量在所述向量空间中的距离,获取所述核电实体之间的第一相似度矩阵。
7.根据权利要求1~5中任一项所述的基于知识图谱的核电信息推荐方法,其特征在于,所述根据所述历史操作序列的集合获取所述核电实体之间的第二相似度矩阵,包括:
根据所述历史操作序列集合,获取多个历史操作序列与所述核电实体之间的行为矩阵;以及
根据所述行为矩阵,通过余弦距离获取所述核电实体之间的所述第二相似度矩阵。
8.根据权利要求1~5中任一项所述的基于知识图谱的核电信息推荐方法,其特征在于,所述响应于操纵员的实时操作,根据所述融合相似度矩阵获取推荐信息,包括:
对于任一个所述核电实体,获取参考实体集合;所述参考实体集合为相似实体集合和操纵员的实时操作实体集合的交集;所述相似实体集合为所述核电知识图谱中与所述任一个所述核电实体相似的核电实体的集合;所述操纵员的实时操作实体集合包括根据操纵员的实时点击顺序排列的所述核电实体的集合;
根据所述融合相似度矩阵,获取所述参考实体集合中的每一个所述核电实体的权值;
对于所述任一个所述核电实体,根据所述参考实体集合中的每一个所述核电实体的权值和所述融合相似度矩阵,获取所述任一个所述核电实体与所述操纵员的实时操作实体集合的预测关联程度;以及
对于所有所述核电实体,按照与所述操纵员的实时操作实体集合的预测关联程度的值从大到小的顺序进行排序,以生成所述推荐信息。
9.根据权利要求8所述的基于知识图谱的核电信息推荐方法,其特征在于,所述根据所述融合相似度矩阵,获取所述参考实体集合中的每一个所述核电实体的权值,包括:
获取所述参考实体集合中的每一个所述核电实体与所述任一个所述核电实体的相似度,并获取所述核电知识图谱中其他所有实体与所述任一个所述核电实体之间的相似度之和;所述其他所有实体为所述核电知识图谱中除所述任一个所述核电实体之外的核电实体;
计算所述参考实体集合中的每一个所述核电实体与所述任一个所述核电实体的相似度与所述核电知识图谱中其他所有实体与所述任一个所述核电实体之间的相似度之和的商,作为所述参考实体集合中的每一个所述核电实体的权值。
10.根据权利要求8所述的基于知识图谱的核电信息推荐方法,其特征在于,所述对于所述任一个所述核电实体,根据所述参考实体集合中的每一个所述核电实体的权值和所述融合相似度矩阵,获取所述任一个所述核电实体与所述操纵员的实时操作实体集合的预测关联程度,包括:
根据所述融合相似度矩阵,获取所述参考实体集合中的每一个所述核电实体的关注程度;以及
获取所述参考实体集合中的每一个所述核电实体的加权,所述参考实体集合中的每一个所述核电实体的加权为所述参考实体集合中的每一个所述核电实体的权值与所述参考实体集合中的每一个所述核电实体的关注程度的乘积;
计算所述参考实体集合中的每一个所述核电实体的加权之和,作为所述操纵员的实时操作实体集合与所述任一个所述核电实体的预测关联程度。
11.一种基于知识图谱的核电信息推荐系统,其特征在于,包括:
数据获取单元,用于获取核电厂系统中的数据,并根据所述核电厂系统中的数据构建核电知识图谱,所述核电知识图谱包括多个核电实体和核电实体之间关系;
数据处理单元,与所述数据获取单元相连,且用于:根据所述核电知识图谱建立向量空间,并根据所述向量空间获取所述核电实体之间的第一相似度矩阵;获取操纵员的历史操作信息,并根据所述操纵员的历史操作信息获取历史操作序列的集合;根据所述历史操作序列的集合获取所述核电实体之间的第二相似度矩阵;所述历史操作序列的集合包括多个历史操作序列,所述历史操作序列为根据操纵员对所述核电实体的点击顺序行成的所述核电实体的序列;根据所述第一相似度矩阵和所述第二相似度矩阵,生成融合相似度矩阵;以及,响应于操纵员的实时操作,根据所述融合相似度矩阵获取推荐信息,并显示所述推荐信息;所述推荐信息包括向操纵员推荐的所述核电实体的列表。
12.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述方法的步骤。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,所述处理器执行根据权利要求1至10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102801.8A CN115878817A (zh) | 2023-01-28 | 2023-01-28 | 基于知识图谱的核电信息推荐方法、系统与计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102801.8A CN115878817A (zh) | 2023-01-28 | 2023-01-28 | 基于知识图谱的核电信息推荐方法、系统与计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115878817A true CN115878817A (zh) | 2023-03-31 |
Family
ID=85761007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310102801.8A Pending CN115878817A (zh) | 2023-01-28 | 2023-01-28 | 基于知识图谱的核电信息推荐方法、系统与计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115878817A (zh) |
-
2023
- 2023-01-28 CN CN202310102801.8A patent/CN115878817A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111026842B (zh) | 自然语言处理方法、自然语言处理装置及智能问答系统 | |
Chiarello et al. | Data science for engineering design: State of the art and future directions | |
Brehmer et al. | A multi-level typology of abstract visualization tasks | |
US8903756B2 (en) | System and method for knowledge pattern search from networked agents | |
KR102519868B1 (ko) | 다수 미디어 소스로부터의 콘텐츠의 조직화 및 시각화 | |
US11232134B2 (en) | Customized visualization based intelligence augmentation | |
US8229735B2 (en) | Grammar checker for visualization | |
CN107168705B (zh) | 图形界面语义描述系统及其建立方法和操作路径生成方法 | |
Yang et al. | Foundation models meet visualizations: Challenges and opportunities | |
CN112735564A (zh) | 心理健康状态预测方法、设备、介质及计算机程序产品 | |
CN116822462A (zh) | 电力系统的仿真报告的生成方法与生成装置 | |
CN115878817A (zh) | 基于知识图谱的核电信息推荐方法、系统与计算机设备 | |
CN115269862A (zh) | 一种基于知识图谱的电力问答与可视化系统 | |
CN114218907A (zh) | 演示文稿生成方法、装置、电子设备及存储介质 | |
El Bolock et al. | Visualizing Complex Ontologies Through Sub-Ontology Extraction | |
Sawaragi et al. | An interactive system for modeling and decision support–Shinayakana system approach | |
McGreevy | A relational metric, its application to domain analysis, and an example analysis and model of a remote sensing domain | |
Mastropasqua | ODIN Web: an interactive dashboard for black-box deep learning error diagnosis | |
CN117151247B (zh) | 机器学习任务建模的方法、装置、计算机设备和存储介质 | |
Akanbi et al. | IKON-OWL: Using Ontologies for Knowledge Representation of Local Indigenous Knowledge on Drought | |
El Mhouti et al. | A Web Scraping Framework for Descriptive Analysis of Meteorological Big Data for Decision-Making Purposes | |
de Alencar Almeida et al. | Combining data mining techniques for evolutionary analysis of programming languages | |
WO2003081478A1 (en) | Rule processing system and method | |
Liu | An Algorithm Tool for Atom Decomposition and Interaction: AD Visualiser | |
Lima et al. | MApp-IDEA: design and architecture of the analytical data exploration tool from app reviews |
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 |