CN115964504A - 一种食品安全风险预测方法及系统 - Google Patents
一种食品安全风险预测方法及系统 Download PDFInfo
- Publication number
- CN115964504A CN115964504A CN202111630731.0A CN202111630731A CN115964504A CN 115964504 A CN115964504 A CN 115964504A CN 202111630731 A CN202111630731 A CN 202111630731A CN 115964504 A CN115964504 A CN 115964504A
- Authority
- CN
- China
- Prior art keywords
- food safety
- food
- time
- historical
- predicted
- 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.)
- Granted
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 624
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000007689 inspection Methods 0.000 claims abstract description 95
- 238000005070 sampling Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 40
- 239000002245 particle Substances 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 231100000614 poison Toxicity 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001473 noxious effect Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 239000002574 poison Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 description 12
- 230000004931 aggregating effect Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 239000003440 toxic substance Substances 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 231100000279 safety data Toxicity 0.000 description 5
- 235000013311 vegetables Nutrition 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 231100000167 toxic agent Toxicity 0.000 description 4
- 235000013365 dairy product Nutrition 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 235000013372 meat Nutrition 0.000 description 3
- 235000013622 meat product Nutrition 0.000 description 3
- 235000013336 milk Nutrition 0.000 description 3
- 239000008267 milk Substances 0.000 description 3
- 210000004080 milk Anatomy 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000021393 food security Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 235000010149 Brassica rapa subsp chinensis Nutrition 0.000 description 1
- 235000000536 Brassica rapa subsp pekinensis Nutrition 0.000 description 1
- 241000499436 Brassica rapa subsp. pekinensis Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000002778 food additive Substances 0.000 description 1
- 235000013373 food additive Nutrition 0.000 description 1
- 235000015219 food category Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000021404 traditional food Nutrition 0.000 description 1
- 239000000273 veterinary drug Substances 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种食品安全风险预测方法及系统，该方法包括：获取待预测食品的食品安全抽检数据；基于多个不同历史时刻的食品安全抽检数据，按照时序关系，构建历史时刻食品安全动态知识图谱集合；根据当前时刻的食品安全抽检数据，构建当前时刻食品安全动态知识图谱；将历史时刻食品安全动态知识图谱集合输入到食品安全历史知识图谱预测模型，得到历史时刻食品安全风险预测结果；将当前时刻食品安全动态知识图谱输入到食品安全当前时刻知识图谱预测模型，得到当前时刻食品安全风险预测结果；将历史时刻食品安全风险预测结果和当前时刻食品安全风险预测结果进行融合，得到食品安全风险最终预测结果。本发明提升了食品安全风险预测精度。
Description
技术领域
本发明涉及食品安全技术领域，尤其涉及一种食品安全风险预测方法及系统。
背景技术
目前常用的食品安全风险研判方法主要为专家评审法，需要多位相关专业的专家相互讨论，将收集的数据绘制成表，通过人工分析方式，对食品安全风险进行评估，导致耗费大量人力、物力。近年来，机器学习、大数据分析和人工智能等技术的飞速发展，基于机器学习的食品安全风险研判方法受到了广泛关注并已进行了初步尝试。通过大量食品抽检数据建立相关食品安全检测模型，基于该模型对新的食品抽检数据进行预测与风险研判，该方法识别速度快，可节省大量人力物力。
在现有基于机器学习的食品安全风险研判和推理中，首先对食品抽检数据进行清洗等处理，筛选出有效数据，然后基于神经网络模型构建的风险研判和风险推理的模型，对食品安全抽检数据进行未来时刻的风险预测，该方法虽然有效减少了人力物力的消耗和预测的时间，但也存在一定的局限性，如对数据的要求极其严格，无法实时更新和截取有效信息，忽略了数据间存在的影响，导致食品风险预测的精确性降低。
因此，现在亟需一种食品安全风险预测方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题，本发明提供一种食品安全风险预测方法及系统。
本发明提供一种食品安全风险预测方法，包括：
获取待预测食品的第一食品安全抽检数据和第二食品安全抽检数据，其中，所述第一食品安全抽检数据为所述待预测食品在历史时刻的食品安全抽检数据，所述第二食品安全抽检数据为所述待预测食品在当前时刻的食品安全抽检数据；
基于多个不同历史时刻的第一食品安全抽检数据，按照时序关系，构建所述待预测食品的历史时刻食品安全动态知识图谱集合；根据所述第二食品安全抽检数据，构建所述待预测食品的当前时刻食品安全动态知识图谱；
将所述历史时刻食品安全动态知识图谱集合输入到食品安全历史知识图谱预测模型，得到所述待预测食品的历史时刻食品安全风险预测结果；
将所述当前时刻食品安全动态知识图谱输入到食品安全当前时刻知识图谱预测模型，得到所述待预测食品的当前时刻食品安全风险预测结果；
将所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果进行融合，得到所述待预测食品在下一时刻的食品安全风险最终预测结果；
其中，所述食品安全历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻食品安全动态知识图谱，对神经网络进行训练得到的；所述食品安全当前时刻知识图谱预测模型是由样本时刻对应的样本时刻食品安全动态知识图谱，对关系图卷积网络进行训练得到的。
根据本发明提供的一种食品安全风险预测方法，所述基于多个不同历史时刻的第一食品安全抽检数据，按照时序关系，构建所述待预测食品的历史时刻食品安全动态知识图谱集合，包括：
根据所述第一食品安全抽检数据，确定所述待预测食品在历史时刻时对应实体的实体类型，以及每种实体之间的实体关系；
根据历史时刻的实体类型和实体关系，以历史时刻信息作为时间戳，构成不同历史时刻信息对应的四元组，并按照时序关系，基于每个历史时刻信息对应的四元组，构建历史时刻食品安全动态知识图谱集合；
其中，所述每个历史时刻信息对应的四元组中的尾实体为待预测食品的安全风险等级。
根据本发明提供的一种食品安全风险预测方法，所述根据所述第二食品安全抽检数据，构建所述待预测食品的当前时刻食品安全动态知识图谱，包括：
根据所述第二食品安全抽检数据，确定所述待预测食品在当前时刻时对应实体的实体类型，以及每种实体之间的实体关系；
根据当前时刻的实体类型和实体关系，以当前时刻信息作为时间戳，构成当前时刻信息对应的四元组，并根据当前时刻信息对应的四元组，得到当前时刻食品安全动态知识图谱；
其中，所述当前时刻信息对应的四元组中的尾实体为待预测食品的安全风险等级。
根据本发明提供的一种食品安全风险预测方法，所述实体类型至少包括食品大类、食品亚类、食品品种、食物生产地、被检测项目的风险等级、毒害物含量区间以及外部干预类型；所述实体关系至少包括各类毒害物含量、风险和干预。
根据本发明提供的一种食品安全风险预测方法，所述食品安全历史知识图谱预测模型是通过多层感知机和门控循环单元构建得到的。
根据本发明提供的一种食品安全风险预测方法，所述食品安全历史知识图谱预测模型通过以下步骤得到：
获取样本食品的食品安全抽检样本数据，并将样本食品的任一样本时刻作为基准时间；
根据所述基准时刻之前各个历史时刻的食品安全抽检样本数据，构建由头实体、实体关系、第一样本尾实体和时间戳信息的四元组生成的样本历史时刻食品安全动态知识图谱；
将多个样本历史时刻食品安全动态知识图谱中的头实体、实体关系和时间戳信息，输入到所述多层感知机进行训练，得到由所述多层感知机输出的聚合向量；
将多个所述聚合向量按照时序关系，依次输入到所述门控循环单元进行训练，输出预测得到的第一样本尾实体；
根据所述第一样本尾实体和所述预测得到的第一样本尾实体进行损失计算，若得到的损失值满足第一预设训练阈值，得到食品安全历史知识图谱预测模型。
根据本发明提供的一种食品安全风险预测方法，所述食品安全当前时刻知识图谱预测模型通过以下步骤得到：
根据样本时刻的食品安全抽检样本数据，构建由头实体、实体关系、第二尾实体和时间戳信息的四元组生成的样本时刻食品安全动态知识图谱；
将多个所述样本时刻食品安全动态知识图谱中的头实体、实体关系和时间戳信息，输入到关系图卷积网络进行训练，输出预测得到的第二样本尾实体；
根据所述第二样本尾实体和所述预测得到的第二样本尾实体进行损失计算，若得到的损失值满足第二预设训练阈值，得到食品安全当前时刻知识图谱预测模型。
根据本发明提供的一种食品安全风险预测方法，所述将所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果进行融合，得到所述待预测食品在下一时刻的食品安全风险最终预测结果，包括：
通过粒子群算法，对所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果各自对应的权重进行调整；
对权重调整后的历史时刻食品安全风险预测结果和当前时刻食品安全风险预测结果进行求和处理，确定所述待预测食品在下一时刻的食品安全风险最终预测结果。
本发明还提供一种食品安全风险预测系统，包括：
食品安全抽检数据获取模块，用于获取待预测食品的第一食品安全抽检数据和第二食品安全抽检数据，其中，所述第一食品安全抽检数据为所述待预测食品在历史时刻的食品安全抽检数据，所述第二食品安全抽检数据为所述待预测食品在当前时刻的食品安全抽检数据；
食品安全动态知识图谱构建模块，用于基于多个不同历史时刻的第一食品安全抽检数据，按照时序关系，构建所述待预测食品的历史时刻食品安全动态知识图谱集合；根据所述第二食品安全抽检数据，构建所述待预测食品的当前时刻食品安全动态知识图谱；
历史时刻知识图谱预测模块，用于将所述历史时刻食品安全动态知识图谱集合输入到食品安全历史知识图谱预测模型，得到所述待预测食品的历史时刻食品安全风险预测结果；
当前时刻知识图谱预测模块，用于将所述当前时刻食品安全动态知识图谱输入到食品安全当前时刻知识图谱预测模型，得到所述待预测食品的当前时刻食品安全风险预测结果；
食品安全风险预测模块，用于将所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果进行融合，得到所述待预测食品在下一时刻的食品安全风险最终预测结果；
其中，所述食品安全历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻食品安全动态知识图谱，对神经网络进行训练得到的；所述食品安全当前时刻知识图谱预测模型是由样本时刻对应的样本时刻食品安全动态知识图谱，对关系图卷积网络进行训练得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述食品安全风险预测方法的步骤。
本发明提供的一种食品安全风险预测方法及系统，通过将时间信息融入知识图谱，按照时间序列构建关于食品安全风险的时序知识图谱，通过挖掘数据间存在的相互影响，将历史时刻和当前时刻分别预测得到的食品安全风险预测结果进行融合，从而提升了食品安全风险预测精度，有效利用食品安全历史数据。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图进行简单地介绍，显而易见地，下面描述中的附图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为本发明提供的食品安全风险预测方法的流程示意图；
图2为本发明提供的食品安全风险预测系统的结构示意图；
图3为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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做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。
传统的食品安全风险预测方法主要基于专家经验，采用打分的静态分析方式，该方法严重依赖工作人员的经验，易受相关人员的主观臆断影响，且在研判过程往往费时费力，时效性差。基于神经网络模型构建风险研判和风险推理的模型，虽然有效减少了人力物力的消耗和预测的时间，但也存在一定的局限性，如对数据的要求极其严格，无法实时更新和截取有效信息，忽略了数据间存在的影响，导致推理的精确性降低。例如，毒害物含量与食物风险高低之间的关系，生产地与食物风险之间的关系。现有基于机器学习推理的结果单一，缺少推理的可解释性。
与传统机器学习方法不同，知识图谱重视数据的结构信息，数据展示性效果好，在食品安全风险研判过程中，可以基于非结构化数据实现食品安全的数据分析、可视化和动态预测。随着知识图谱的兴起，对数据的存储方式产生了极大地改变，可以便捷的对真实世界的数据以图谱的形式进行展现和储存。因此，基于知识图谱的食品安全风险研判，在数据处理与存储过程中对数据的要求不像其他算法那样严格，可以更加丰富的展现食品安全数据信息。
现有针对食品安全风险的知识图谱推理研究，主要是基于静态数据实现的，虽然考虑了事件中各个元素之间交互的耦合风险要素，推理精度和可靠程度较之以前有所提高，但未能考虑历史数据对现在以及未来有影响作用。现有的静态知识图谱是以三元组的形式构成，所建立的知识图谱不能反映出食品安全风险会随时间变化的特点，因此，不能考虑食品安全数据的时序性，仅能根据现有的数据进行风险研判，无法充分挖掘随时间变化的食品数据信息。
本发明主针对肉及肉制品、水果及其制品、乳及乳制品、蔬菜及其制品、水产及其制品等五大类抽检数据，利用食品抽检结果与检测指标之间存在的时序相关关系，提出一种基于时序知识图谱的食品安全风险预测方法，该方法首先构建具有时间信息的食品安全知识图谱四元组，基于门控循环单元，利用食品抽检数据不断更新迭代历史知识图谱，与当前时刻食品抽检知识图谱预测结果进行加权融合，进而预测食品安全风险，实现了食品风险等级预测与毒害物含量预测，对食品安全态势的感知与控制有积极的辅助作用。
图1为本发明提供的食品安全风险预测方法的流程示意图，如图1所示，本发明提供了一种食品安全风险预测方法，包括：
步骤101，获取待预测食品的第一食品安全抽检数据和第二食品安全抽检数据，其中，所述第一食品安全抽检数据为所述待预测食品在历史时刻的食品安全抽检数据，所述第二食品安全抽检数据为所述待预测食品在当前时刻的食品安全抽检数据；
步骤102，基于多个不同历史时刻的第一食品安全抽检数据，按照时序关系，构建所述待预测食品的历史时刻食品安全动态知识图谱集合；根据所述第二食品安全抽检数据，构建所述待预测食品的当前时刻食品安全动态知识图谱。
在本发明中，首先对待预测食品涉及到的食品安全抽检数据进行筛选和提取，为了利用食品安全抽检数据的时序特性，通过引入时间戳，构建待预测食品在不同时刻(即当前时刻和当前时刻之前的历史时刻)对应的四元组，包括基于当前时刻的食品安全抽检数据构建的四元组，以及基于历史时刻的食品安全抽检数据构建的四元组，该四元组是由{头实体、实体间的关系、尾实体、时间戳}组成。具体地，基于时间戳信息，以当前时刻为基准时刻，根据当前时刻之前各个历史时刻的四元组，构建待预测食品的历史时刻食品安全动态知识图谱，并按照时序关系进行排序，从而得到一个关于待预测食品的历史时刻食品安全动态知识图谱的集合；进一步地，根据当前时刻的四元组，构建当前时刻食品安全动态知识图谱。
步骤103，将所述历史时刻食品安全动态知识图谱集合输入到食品安全历史知识图谱预测模型，得到所述待预测食品的历史时刻食品安全风险预测结果。
由于食品安全抽检数据指标存在随时间发生变化的特性，因此可通过表示不同时刻下与该风险要素相关的特征，综合反应食品安全风险的变化过程。本发明利用已有的实体数据、关系数据和时间数据，即历史时刻食品安全动态知识图谱集合，将每时刻下的每个目标实体及其相连的关系特征输入到由多层感知机(Multi-Layer Perception，简称MLP)和门控循环单元(Gated Recurrent Neural，简称GRU)构建的历史知识图谱预测模型中，通过MLP对历史时刻下的每个目标实体及其相连关系的特征进行聚合，再将聚合得到的信息按照时间顺序，输入至GRU，从而基于历史时刻食品安全动态知识图谱集合，预测得到在待预测食品在下一时刻时的安全风险事件的概率，即历史时刻食品安全风险预测结果。
步骤104，将所述当前时刻食品安全动态知识图谱输入到食品安全当前时刻知识图谱预测模型，得到所述待预测食品的当前时刻食品安全风险预测结果。
在本发明中，通过由关系图卷积网络(Relational Graph ConvolutionalNetwork，简称RGCN)训练得到的食品安全当前时刻知识图谱预测模型，聚合当前时刻食品安全动态知识图谱的全局信息。具体地，食品安全当前时刻知识图谱预测模型对当前时刻食品安全动态知识图谱中的信息进行聚合，将当前时刻的目标实体及其邻居实体的信息进行加权求和，然后经过Softmax激活函数，得到当前时刻待预测食品发生食品安全风险事件的概率，即得到当前时刻食品安全风险预测结果。
步骤105，将所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果进行融合，得到所述待预测食品在下一时刻的食品安全风险最终预测结果；
其中，所述食品安全历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻食品安全动态知识图谱，对神经网络进行训练得到的；所述食品安全当前时刻知识图谱预测模型是由样本时刻对应的样本时刻食品安全动态知识图谱，对关系图卷积网络进行训练得到的。
在本发明中，将食品安全历史知识图谱预测模型的预测结果与食品安全当前时刻知识图谱预测模型的预测结果进行加权融合，获得待预测食品最终的预测结果，从而获取待预测食品在未来某时刻将要发生的事件，例如，食品风险等级升高，食品所含毒害物的含量上升等，从而有效预测食品安全的综合风险趋势，为决策人员提供一个合理的理论依据，便于在食品安全各个环节上预警防控，保障活动的安全。
本发明提供的食品安全风险预测方法，通过将时间信息融入知识图谱，按照时间序列构建关于食品安全风险的时序知识图谱，通过挖掘数据间存在的相互影响，将历史时刻和当前时刻分别预测得到的食品安全风险预测结果进行融合，从而提升了食品安全风险预测精度，有效利用食品安全历史数据。
在上述实施例的基础上，所述基于多个不同历史时刻的第一食品安全抽检数据，按照时序关系，构建所述待预测食品的历史时刻食品安全动态知识图谱集合，包括：
根据所述第一食品安全抽检数据，确定所述待预测食品在历史时刻时对应实体的实体类型，以及每种实体之间的实体关系；
根据历史时刻的实体类型和实体关系，以历史时刻信息作为时间戳，构成不同历史时刻信息对应的四元组，并按照时序关系，基于每个历史时刻信息对应的四元组，构建历史时刻食品安全动态知识图谱集合；
其中，所述每个历史时刻信息对应的四元组中的尾实体为待预测食品的安全风险等级。
在上述实施例的基础上，所述根据所述第二食品安全抽检数据，构建所述待预测食品的当前时刻食品安全动态知识图谱，包括：
根据所述第二食品安全抽检数据，确定所述待预测食品在当前时刻时对应实体的实体类型，以及每种实体之间的实体关系；
根据当前时刻的实体类型和实体关系，以当前时刻信息作为时间戳，构成当前时刻信息对应的四元组，并根据当前时刻信息对应的四元组，得到当前时刻食品安全动态知识图谱；
其中，所述当前时刻信息对应的四元组中的尾实体为待预测食品的安全风险等级。
在本发明中，首先通过分析待预测食品可能会发生的安全风险事件，根据获取得到的食品安全抽检异构数据(即食品安全抽检数据)，从各类数据信息中提取出不同类型的实体，并定义实体间的连接关系以及实体相应的时间戳，以构建四元组，并根据四元组和时间戳信息，建立待预测食品在历史时刻和当前时刻各自对应的安全动态知识图谱。
具体地，在本发明中，待预测食品可以是肉及肉制品、水果及其制品、乳及乳制品、蔬菜及其制品、水产及其制品等，从上述五大类的抽检数据中，分析食品或食品原料本身含有的，或者外部添加的各种危害物，包括各种菌类、重金属物质、农药兽药、化学肥料和食品添加剂等。
进一步地，本发明根据食品安全中的食品原料、可食用品、食品抽检毒害物之间的交互可能存在风险的特点，以及未来的食品安全风险会与过去和现在的食品数据存在联系、继承和延续的特点。基于这些条件，根据不同的时间戳信息，构建相应的食品安全动态知识图谱，该图谱信息数据包括：食品大类中肉及肉制品、水果及其制品、乳及乳制品、蔬菜及其制品、水产及其制品这五大类的抽检数据。并且，不同时刻下，检测的食品安全数据会有相应变化。食品安全抽检数据中包含的信息如下表1所示：
表1
在本发明中，食品安全动态知识图谱是由四元组组成的集合，每个四元组都表示的客观事实的信息，表示形式为g＝<s,r,o,tk>，其中，s代表头实体，o代表尾实体，s和o属于实体E；r表示的是头实体和尾实体之间的关系，r∈R；tk表示时间戳信息，时间戳集合为T＝{t1,t2,...,tn}，n表示时间戳的个数。具体地，在上述实施例的基础上，所述实体类型至少包括食品大类、食品亚类、食品品种、食物生产地、被检测项目的风险等级、毒害物含量区间以及外部干预类型，即实体E＝{食品大类、食品亚类、各类食品、食物生产地、被检测项目的风险等级、毒害物含量区间、外部干预}，其中，外部干预表示对食品采取的相关处理方式，例如去除或消杀某种毒害物；所述实体关系至少包括各类毒害物含量、风险和干预，即实体关系R＝{各类毒害物含量、风险、干预}，例如，某种蔬菜(头实体)，毒害物含量(尾实体)，由于毒害物含量较高，该蔬菜与毒害物含量之间存着风险。例如，通过构建基于食品安全风险预测的动态知识图谱，可直观的展示出在不同的时刻，牛肉或白菜的检测毒害物随着时间变化其产生的安全风险也在随之变化。
本发明通过在关于食品安全风险预测的知识图谱中加入时间信息，构建得到的安全动态知识图谱，考虑了待预测食品中的检测毒害物随时间变化的属性特征对食品安全风险的影响，结合历史时刻的特征变化趋势和当前时刻的实时特征，进行食品安全风险预测。
在上述实施例的基础上，所述食品安全历史知识图谱预测模型是通过多层感知机和门控循环单元构建得到的。
在本发明中，使用多层感知机可以将信息聚合的速度加快，且聚合效果符合设计需要；而门控循环单元，能够更好地捕捉时间序列中时间步距较大的依赖关系，在面对时间序列数据表现效果较好。
在上述实施例的基础上，所述食品安全历史知识图谱预测模型通过以下步骤得到：
获取样本食品的食品安全抽检样本数据，并将样本食品的任一样本时刻作为基准时间；
根据所述基准时刻之前各个历史时刻的食品安全抽检样本数据，构建由头实体、实体关系、第一样本尾实体和时间戳信息的四元组生成的样本历史时刻食品安全动态知识图谱；
将多个样本历史时刻食品安全动态知识图谱中的头实体、实体关系和时间戳信息，输入到所述多层感知机进行训练，得到由所述多层感知机输出的聚合向量；
将多个所述聚合向量按照时序关系，依次输入到所述门控循环单元进行训练，输出预测得到的第一样本尾实体；
根据所述第一样本尾实体和所述预测得到的第一样本尾实体进行损失计算，若得到的损失值满足第一预设训练阈值，得到食品安全历史知识图谱预测模型。
在本发明中，通过对多层感知机和门控循环单元进行训练，使得训练得到的食品安全历史知识图谱预测模型，可以识别历史重复的事件，并通过复制历史已知事实来预测未来的事件。由于食品安全抽检数据会随时间变化而变化，因此，在历史知识图谱预测模型中，需要对历史信息进行继承、筛选和遗忘。
进一步地，本发明基于某个样本时刻为基准时刻，构建该基准时刻之前的历史时刻的样本历史时刻食品安全动态知识图谱，对于构建的样本历史时刻食品安全动态知识图谱，在模型的训练过程中，需要对每个样本历史时刻下的目标实体(即头实体)的特征进行聚合，目标实体的特征包括目标实体的自身属性、相邻实体间的关系以及时间戳信息。
具体地，如果查询(s、r、？、tk)具有特定于目标实体s以及时间步长tk时的关系r的历史词汇表
则在训练时，该模型将增加在历史词汇表中选择的对象实体(尾实体)的估计概率。在训练过程中，在样本历史时刻食品安全动态知识图谱输入到多层感知机之后，首先，利用多层感知机生成一个包含头实体，关系，时间戳的聚合向量
tk＝tk-1+tu；
其中，Wc∈R3dxN和bc∈RN为可学习的参数，tu为一个单位时间步长。在本发明中，索引向量是一个N维向量，N表示整个食品安全历史实体字典E的基数。
通过过去历史时刻中已有的食品安全数据，来推测未来时刻要发生的食品安全风险，需要一个能够存储记忆过去的食品安全风险信息，并且可以推测未来某时刻食品安全风险的神经网络。循环神经网络是处理时间序列数据的神经网络，时间序列数据是指在不同时间点上收集到的数据，这类数据反映了某一事物、现象等随时间的变化状态或程度。循环神经网络(Recurrent Neural Network，简称RNN)及其变种长短记忆网络(Long short-term memory，简称LSTM)和门控循环单元，能够更好地捕捉时间序列中时间步距较大的依赖关系，在面对时间序列数据表现效果较好，从需要筛选信息和网络轻量化的角度考虑，本发明选择门控循环单元作为时序网络，用于和多层感知机构建历史知识图谱预测模型。
具体地，门控循环单元包含两个门：重置门和更新门，通过可以学习的门来控制信息的流向。GRU具有如下特性：1、可以捕捉当前时刻下食品安全的信息，并筛选历史信息并与新信息结合；2、GRU模型参数的数量不随时间的增加而增多。因此，可以将过去所有记录的食品数据通过GRU训练，来预测未来时刻的食品安全风险。
进一步地，对于每个样本历史时刻下聚合的向量
按照时间序列的顺序输入至GRU中，输出的信息使用Softmax函数，从而获得食品安全历史知识图谱预测模型对对象实体(即尾实体)预测的概率：
其中，
表示tk时刻GRU记忆的内容；P(c)是一个等于整个食品安全实体词汇量的向量，表示历史知识图谱预测模型的预测概率。本发明通过使用GRU，可以将部分历史信息抛弃，过滤不重要的信息，且使得继承的向量的大小不会随时间积累过大。
在本发明中，多层感知机先将每一历史时刻下的信息进行聚合，聚合后的信息通过门控循环单元(GRU)进行筛选，最后获得的信息经过Softmax归一化，获得食品安全历史知识图谱预测模型输出的预测概率，即每个尾实体o的预测概率。当食品安全历史知识图谱预测模型预测得到尾实体与真实尾实体之间的误差小于预设训练阈值时，则判断模型完成训练。需要说明的是，本发明构建的食品安全历史知识图谱预测模型不仅能够处理历史数据，也能够处理当前时刻更新的信息，使得模型可以不断优化调整。
在上述实施例的基础上，所述食品安全当前时刻知识图谱预测模型通过以下步骤得到：
根据样本时刻的食品安全抽检样本数据，构建由头实体、实体关系、第二尾实体和时间戳信息的四元组生成的样本时刻食品安全动态知识图谱；
将多个所述样本时刻食品安全动态知识图谱中的头实体、实体关系和时间戳信息，输入到关系图卷积网络进行训练，输出预测得到的第二样本尾实体；
根据所述第二样本尾实体和所述预测得到的第二样本尾实体进行损失计算，若得到的损失值满足第二预设训练阈值，得到食品安全当前时刻知识图谱预测模型。
在本发明中，食品安全风险除了受历史时刻数据的影响，还会因为当前时刻下的信息发生变化，如温度和湿度等条件发生改变，将直接影响食品抽检指标数据。因此，需要在食品历史数据的基础上融合当前时刻下的食品抽检环境等数据，对食品安全风险进行综合预测。
为了更好的发现食品安全风险知识图谱中的相关性，以及完成当前时刻的知识图谱的信息聚合，本发明对关系图卷积网络进行训练，在预测值与真实值之间的误差满足预设阈值时，得到食品安全当前时刻知识图谱预测模型，通过模型计算给定实体的邻近实体信息和偏差，邻近实体可以扩展到两跳距离，从而构建高阶邻近信息，捕捉潜在的风险。
本发明采用的关系图卷积网络，能够实现异构图建模，可以将食品安全动态知识图谱中实体的多重关系信息进行合并，由于其在处理邻居实体数据的时候，考虑了关系的不同性对邻居实体进行分类操作，对于每一种关系的邻居实体引人不同的权重参数，分别对属于同一关系类型的邻居实体聚合之后，再进行一次总的聚合。关系图卷积网络的聚合器公式如下：
其中，pg为当前时刻目标实体概率，R表示食品安全动态知识图谱中所有的关系集合，
表示与头实体s具有r关系的邻居实体的个数；cs是归一化参数，本发明选取cs为与头实体s具有r关系的邻居实体的个数，即
表示具有r关系的邻居实体所对应的权重参数，
表示该邻居实体的特征，
表示头实体s自身对应的权重参数，
表示该目标实体s的特征。每种关系与实体之间连接的局部图结构，通过聚集目标实体的邻居实体的信息，即
在每个实体上产生一条汇聚同种关系下的信息。通过汇总当前时刻食品安全动态知识图谱中所有关系的消息，即
进一步计算每个实体的总体信息。最后，通过加和自身实体的信息，即wsqs，并将加和后得到的信息经过Softmax激活函数，从而得到关系图卷积网络输出的当前时刻目标实体概率pg。
本发明构建的食品安全当前时刻知识图谱预测模型，通过一个两层聚合的操作：先对同种关系的邻居实体进行单独聚合，这里对于每一种类型的关系，也同时考虑了关系的方向性，同时对于自身加入了自连接的关系；进一步地，在将上述所有不同关系的邻居进行聚合之后，再进行一次总的聚合。
在本发明中，给定与上述实施例中相同的查询四元组(s、r、？、tk)，食品安全当前时刻知识图谱预测模型通过从整个实体词汇表ε中选择对象实体来预测事实，通过将预测得到的事实视作全新的事实，而无需参考历史。
在上述实施例的基础上，所述将所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果进行融合，得到所述待预测食品在下一时刻的食品安全风险最终预测结果，包括：
通过粒子群算法，对所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果各自对应的权重进行调整；
对权重调整后的历史时刻食品安全风险预测结果和当前时刻食品安全风险预测结果进行求和处理，确定所述待预测食品在下一时刻的食品安全风险最终预测结果。
在本发明中，为了对待查询的(s、r、？、tk)进行预测，食品安全历史知识图谱预测模型和食品安全当前时刻知识图谱预测模型都给出了在其候选空间内具有最高概率的预测对象实体。为了确保实体词汇表ε中的所有实体出现的概率之和为1，通过加入一个相关系数w(即动态权重)来调整食品安全历史知识图谱预测模型和食品安全当前时刻知识图谱预测模型各自预测结果之间的权重，其中，相关系数w为一个可学习的参数。
本发明采用粒子群算法(Particle Swarm Optimization，简称PSO)，通过群体中个体之间的协作和信息共享来寻找最优解，即得到最优的相关系数w，其优势在于简单容易实现、没有许多参数的调节，并且实现简单，速度快。
具体地，通过粒子群算法，将两个模型的预测结果初始化为一群随机粒子(即随机解)；然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pid，pgd)来更新自己。在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置：
vi＝w·vid+c1·r1·(pid-xid)+c2·r2·(pgd-xid)；
xid＝xid+vid；
其中，vid表示粒子速度，xid表示粒子当前位置，w是惯性因子；c1和c2是学习因子，通常均设为2；r1和r2是随机数，取值范围为0-1。
动态权重w可在粒子群算法搜索过程中线性变化，也可以根据粒子群算法性能的某个测度函数动态改变。本发明采用是线性递减权值：
w＝(wini-wend)(Gk-g)/Gk+wend；
其中，Gk是最大迭代次数，wini是初始惯性权值，wend是迭代至最大进化代数时的惯性权值。
由于粒子群算法需要一个隶属函数来调整权重w，在训练过程中，本发明融合得出的预测结果在矩阵中的位置(记为f1)与真实数据的结果在矩阵的位置(记为f2)相比较，L为目标函数，记为f1与f2之差，当L越小，权重w更符合预期设计：
L＝|f1-f2|；
最后，根据粒子群算法所求的权重，可以将两种模型得到的概率预测进行结合，最终给出的预测是尾实体ot组合概率最高的实体：
p(o∣s,p,t)＝w*p(c)+(1-w)*p(g)；
ot＝argmaxo∈εp(o∣s,r,t)；
其中，p(o∣s,p,t)为模型对实体集合E中的每个实体的预测，由食品安全历史知识图谱预测模型和食品安全当前时刻知识图谱预测模型对食品安全风险预测的概率决定的，所有尾实体预测概率相加为1。在本发明中，通过将两个模型输出的预测结果进行融合，从而得到最终的预测结果。进一步地，对预测的目标尾实体进行筛选，选取概率最大的尾实体作为模型对食品安全风险的预测结果。预测结果具体而言，包含预测的毒害物种类、毒害物含量等级，毒害物含量(按含量程度，从大到小分为三个等级)、食品检验结果(合格与不合格)、食品的风险等级(分为三个等级，低风险、中等风险和高风险)，即预测得到四元组中的尾实体，从而辅助管理人员进行决策。
在一实施例中，对食品安全风险预测流程进行整体说明，首先，通过分析食品安全风险事件，根据获取的食品安全抽检数据，从各类数据信息中提取出不同类型的实体，并定义实体间的连接关系以及实体相应的时间戳，构建不同时刻对应的四元组，并建立食品安全动态知识图谱作为模型输入数据集；
然后，通过食品安全历史知识图谱预测模型中的多层感知机，将历史信息聚合，并将聚合后的信息送入门控循环单元中，得到当前时刻下各目标节点的信息，再经过Softmax激活函数，获得待预测食品在下一个时刻的历史时刻食品安全风险预测结果；
同上，使用食品安全当前时刻知识图谱预测模型中的多关系聚合器，在每一时刻下将目标实体、实体间的关系和当前时刻的时间信息聚合，经过线性回归和Softmax激活函数，获得待预测食品的当前时刻食品安全风险预测结果；
最后，将食品安全历史知识图谱预测模型和食品安全当前时刻知识图谱预测模型分别得到预测结果进行加权，且经过粒子群算法更新权值，得到模型最终的预测结果，实现食品安全事件风险的推理，从而预测得到食品的风险等级、毒害物的有无和含量等。
本发明对食品安全抽检数据进行筛选，选取五大类数据作为构建动态知识图谱的数据集，通过引入时间戳的概念，将传统的知识图谱三元组加入时间维度，变成知识图谱四元组，增加了知识图谱中实体和关系的在时间维度上面的先后信息，可以动态的展示食品安全数据。进而根据待预测食品的历史时刻和当前时刻的食品案动态知识图谱分别预测得到结果，选取具有最高概率的预测对象实体，利用粒子群算法调整权重，对两个模型的预测结果进行加权求和处理，得到预测准确性更高的食品安全风险预测结果。
下面对本发明提供的食品安全风险预测系统进行描述，下文描述的食品安全风险预测系统与上文描述的食品安全风险预测方法可相互对应参照。
图2为本发明提供的食品安全风险预测系统的结构示意图，如图2所示，本发明提供了一种食品安全风险预测系统，包括食品安全抽检数据获取模块201、食品安全动态知识图谱构建模块202、历史时刻知识图谱预测模块203、当前时刻知识图谱预测模块204和食品安全风险预测模块205，其中，食品安全抽检数据获取模块201用于获取待预测食品的第一食品安全抽检数据和第二食品安全抽检数据，其中，所述第一食品安全抽检数据为所述待预测食品在历史时刻的食品安全抽检数据，所述第二食品安全抽检数据为所述待预测食品在当前时刻的食品安全抽检数据；食品安全动态知识图谱构建模块202用于基于多个不同历史时刻的第一食品安全抽检数据，按照时序关系，构建所述待预测食品的历史时刻食品安全动态知识图谱集合；根据所述第二食品安全抽检数据，构建所述待预测食品的当前时刻食品安全动态知识图谱；历史时刻知识图谱预测模块203用于将所述历史时刻食品安全动态知识图谱集合输入到食品安全历史知识图谱预测模型，得到所述待预测食品的历史时刻食品安全风险预测结果；当前时刻知识图谱预测模块204用于将所述当前时刻食品安全动态知识图谱输入到食品安全当前时刻知识图谱预测模型，得到所述待预测食品的当前时刻食品安全风险预测结果；食品安全风险预测模块205用于将所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果进行融合，得到所述待预测食品在下一时刻的食品安全风险最终预测结果；
其中，所述食品安全历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻食品安全动态知识图谱，对神经网络进行训练得到的；所述食品安全当前时刻知识图谱预测模型是由样本时刻对应的样本时刻食品安全动态知识图谱，对关系图卷积网络进行训练得到的。
本发明提供的食品安全风险预测系统，通过将时间信息融入知识图谱，按照时间序列构建关于食品安全风险的时序知识图谱，通过挖掘数据间存在的相互影响，将历史时刻和当前时刻分别预测得到的食品安全风险预测结果进行融合，从而提升了食品安全风险预测精度，有效利用食品安全历史数据。
本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图3为本发明提供的电子设备的结构示意图，如图3所示，该电子设备可以包括：处理器(Processor)301、通信接口(Communications Interface)302、存储器(Memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行食品安全风险预测方法，该方法包括：获取待预测食品的第一食品安全抽检数据和第二食品安全抽检数据，其中，所述第一食品安全抽检数据为所述待预测食品在历史时刻的食品安全抽检数据，所述第二食品安全抽检数据为所述待预测食品在当前时刻的食品安全抽检数据；基于多个不同历史时刻的第一食品安全抽检数据，按照时序关系，构建所述待预测食品的历史时刻食品安全动态知识图谱集合；根据所述第二食品安全抽检数据，构建所述待预测食品的当前时刻食品安全动态知识图谱；将所述历史时刻食品安全动态知识图谱集合输入到食品安全历史知识图谱预测模型，得到所述待预测食品的历史时刻食品安全风险预测结果；将所述当前时刻食品安全动态知识图谱输入到食品安全当前时刻知识图谱预测模型，得到所述待预测食品的当前时刻食品安全风险预测结果；将所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果进行融合，得到所述待预测食品在下一时刻的食品安全风险最终预测结果；其中，所述食品安全历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻食品安全动态知识图谱，对神经网络进行训练得到的；所述食品安全当前时刻知识图谱预测模型是由样本时刻对应的样本时刻食品安全动态知识图谱，对关系图卷积网络进行训练得到的。
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括：U盘、移动硬盘、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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的食品安全风险预测方法，该方法包括：获取待预测食品的第一食品安全抽检数据和第二食品安全抽检数据，其中，所述第一食品安全抽检数据为所述待预测食品在历史时刻的食品安全抽检数据，所述第二食品安全抽检数据为所述待预测食品在当前时刻的食品安全抽检数据；基于多个不同历史时刻的第一食品安全抽检数据，按照时序关系，构建所述待预测食品的历史时刻食品安全动态知识图谱集合；根据所述第二食品安全抽检数据，构建所述待预测食品的当前时刻食品安全动态知识图谱；将所述历史时刻食品安全动态知识图谱集合输入到食品安全历史知识图谱预测模型，得到所述待预测食品的历史时刻食品安全风险预测结果；将所述当前时刻食品安全动态知识图谱输入到食品安全当前时刻知识图谱预测模型，得到所述待预测食品的当前时刻食品安全风险预测结果；将所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果进行融合，得到所述待预测食品在下一时刻的食品安全风险最终预测结果；其中，所述食品安全历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻食品安全动态知识图谱，对神经网络进行训练得到的；所述食品安全当前时刻知识图谱预测模型是由样本时刻对应的样本时刻食品安全动态知识图谱，对关系图卷积网络进行训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的食品安全风险预测方法，该方法包括：获取待预测食品的第一食品安全抽检数据和第二食品安全抽检数据，其中，所述第一食品安全抽检数据为所述待预测食品在历史时刻的食品安全抽检数据，所述第二食品安全抽检数据为所述待预测食品在当前时刻的食品安全抽检数据；基于多个不同历史时刻的第一食品安全抽检数据，按照时序关系，构建所述待预测食品的历史时刻食品安全动态知识图谱集合；根据所述第二食品安全抽检数据，构建所述待预测食品的当前时刻食品安全动态知识图谱；将所述历史时刻食品安全动态知识图谱集合输入到食品安全历史知识图谱预测模型，得到所述待预测食品的历史时刻食品安全风险预测结果；将所述当前时刻食品安全动态知识图谱输入到食品安全当前时刻知识图谱预测模型，得到所述待预测食品的当前时刻食品安全风险预测结果；将所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果进行融合，得到所述待预测食品在下一时刻的食品安全风险最终预测结果；其中，所述食品安全历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻食品安全动态知识图谱，对神经网络进行训练得到的；所述食品安全当前时刻知识图谱预测模型是由样本时刻对应的样本时刻食品安全动态知识图谱，对关系图卷积网络进行训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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。
通过以上的实施方式的描述，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可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种食品安全风险预测方法，其特征在于，包括：
获取待预测食品的第一食品安全抽检数据和第二食品安全抽检数据，其中，所述第一食品安全抽检数据为所述待预测食品在历史时刻的食品安全抽检数据，所述第二食品安全抽检数据为所述待预测食品在当前时刻的食品安全抽检数据；
基于多个不同历史时刻的第一食品安全抽检数据，按照时序关系，构建所述待预测食品的历史时刻食品安全动态知识图谱集合；根据所述第二食品安全抽检数据，构建所述待预测食品的当前时刻食品安全动态知识图谱；
将所述历史时刻食品安全动态知识图谱集合输入到食品安全历史知识图谱预测模型，得到所述待预测食品的历史时刻食品安全风险预测结果；
将所述当前时刻食品安全动态知识图谱输入到食品安全当前时刻知识图谱预测模型，得到所述待预测食品的当前时刻食品安全风险预测结果；
将所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果进行融合，得到所述待预测食品在下一时刻的食品安全风险最终预测结果；
其中，所述食品安全历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻食品安全动态知识图谱，对神经网络进行训练得到的；所述食品安全当前时刻知识图谱预测模型是由样本时刻对应的样本时刻食品安全动态知识图谱，对关系图卷积网络进行训练得到的。
2.根据权利要求1所述的食品安全风险预测方法，其特征在于，所述基于多个不同历史时刻的第一食品安全抽检数据，按照时序关系，构建所述待预测食品的历史时刻食品安全动态知识图谱集合，包括：
根据所述第一食品安全抽检数据，确定所述待预测食品在历史时刻时对应实体的实体类型，以及每种实体之间的实体关系；
根据历史时刻的实体类型和实体关系，以历史时刻信息作为时间戳，构成不同历史时刻信息对应的四元组，并按照时序关系，基于每个历史时刻信息对应的四元组，构建历史时刻食品安全动态知识图谱集合；
其中，所述每个历史时刻信息对应的四元组中的尾实体为待预测食品的安全风险等级。
3.根据权利要求1所述的食品安全风险预测方法，其特征在于，所述根据所述第二食品安全抽检数据，构建所述待预测食品的当前时刻食品安全动态知识图谱，包括：
根据所述第二食品安全抽检数据，确定所述待预测食品在当前时刻时对应实体的实体类型，以及每种实体之间的实体关系；
根据当前时刻的实体类型和实体关系，以当前时刻信息作为时间戳，构成当前时刻信息对应的四元组，并根据当前时刻信息对应的四元组，得到当前时刻食品安全动态知识图谱；
其中，所述当前时刻信息对应的四元组中的尾实体为待预测食品的安全风险等级。
4.根据权利要求2或3所述的食品安全风险预测方法，其特征在于，所述实体类型至少包括食品大类、食品亚类、食品品种、食物生产地、被检测项目的风险等级、毒害物含量区间以及外部干预类型；所述实体关系至少包括各类毒害物含量、风险和干预。
5.根据权利要求1所述的食品安全风险预测方法，其特征在于，所述食品安全历史知识图谱预测模型是通过多层感知机和门控循环单元构建得到的。
6.根据权利要求5所述的食品安全风险预测方法，其特征在于，所述食品安全历史知识图谱预测模型通过以下步骤得到：
获取样本食品的食品安全抽检样本数据，并将样本食品的任一样本时刻作为基准时间；
根据所述基准时刻之前各个历史时刻的食品安全抽检样本数据，构建由头实体、实体关系、第一样本尾实体和时间戳信息的四元组生成的样本历史时刻食品安全动态知识图谱；
将多个样本历史时刻食品安全动态知识图谱中的头实体、实体关系和时间戳信息，输入到所述多层感知机进行训练，得到由所述多层感知机输出的聚合向量；
将多个所述聚合向量按照时序关系，依次输入到所述门控循环单元进行训练，输出预测得到的第一样本尾实体；
根据所述第一样本尾实体和所述预测得到的第一样本尾实体进行损失计算，若得到的损失值满足第一预设训练阈值，得到食品安全历史知识图谱预测模型。
7.根据权利要求1所述的食品安全风险预测方法，其特征在于，所述食品安全当前时刻知识图谱预测模型通过以下步骤得到：
根据样本时刻的食品安全抽检样本数据，构建由头实体、实体关系、第二尾实体和时间戳信息的四元组生成的样本时刻食品安全动态知识图谱；
将多个所述样本时刻食品安全动态知识图谱中的头实体、实体关系和时间戳信息，输入到关系图卷积网络进行训练，输出预测得到的第二样本尾实体；
根据所述第二样本尾实体和所述预测得到的第二样本尾实体进行损失计算，若得到的损失值满足第二预设训练阈值，得到食品安全当前时刻知识图谱预测模型。
8.根据权利要求1所述的食品安全风险预测方法，其特征在于，所述将所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果进行融合，得到所述待预测食品在下一时刻的食品安全风险最终预测结果，包括：
通过粒子群算法，对所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果各自对应的权重进行调整；
对权重调整后的历史时刻食品安全风险预测结果和当前时刻食品安全风险预测结果进行求和处理，确定所述待预测食品在下一时刻的食品安全风险最终预测结果。
9.一种食品安全风险预测系统，其特征在于，包括：
食品安全抽检数据获取模块，用于获取待预测食品的第一食品安全抽检数据和第二食品安全抽检数据，其中，所述第一食品安全抽检数据为所述待预测食品在历史时刻的食品安全抽检数据，所述第二食品安全抽检数据为所述待预测食品在当前时刻的食品安全抽检数据；
食品安全动态知识图谱构建模块，用于基于多个不同历史时刻的第一食品安全抽检数据，按照时序关系，构建所述待预测食品的历史时刻食品安全动态知识图谱集合；根据所述第二食品安全抽检数据，构建所述待预测食品的当前时刻食品安全动态知识图谱；
历史时刻知识图谱预测模块，用于将所述历史时刻食品安全动态知识图谱集合输入到食品安全历史知识图谱预测模型，得到所述待预测食品的历史时刻食品安全风险预测结果；
当前时刻知识图谱预测模块，用于将所述当前时刻食品安全动态知识图谱输入到食品安全当前时刻知识图谱预测模型，得到所述待预测食品的当前时刻食品安全风险预测结果；
食品安全风险预测模块，用于将所述历史时刻食品安全风险预测结果和所述当前时刻食品安全风险预测结果进行融合，得到所述待预测食品在下一时刻的食品安全风险最终预测结果；
其中，所述食品安全历史知识图谱预测模型是由样本时刻之前各个时刻对应的样本历史时刻食品安全动态知识图谱，对神经网络进行训练得到的；所述食品安全当前时刻知识图谱预测模型是由样本时刻对应的样本时刻食品安全动态知识图谱，对关系图卷积网络进行训练得到的。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述食品安全风险预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111630731.0A CN115964504B (zh) | 2021-12-28 | 2021-12-28 | 一种食品安全风险预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111630731.0A CN115964504B (zh) | 2021-12-28 | 2021-12-28 | 一种食品安全风险预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115964504A true CN115964504A (zh) | 2023-04-14 |
| CN115964504B CN115964504B (zh) | 2023-06-30 |
Family
ID=85888412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111630731.0A Active CN115964504B (zh) | 2021-12-28 | 2021-12-28 | 一种食品安全风险预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115964504B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117371623A (zh) * | 2023-12-06 | 2024-01-09 | 佳源科技股份有限公司 | 一种电能表运行状态预警方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
| US20200250139A1 (en) * | 2018-12-31 | 2020-08-06 | Dathena Science Pte Ltd | Methods, personal data analysis system for sensitive personal information detection, linking and purposes of personal data usage prediction |
| CN111832922A (zh) * | 2020-06-30 | 2020-10-27 | 北方工业大学 | 基于知识图谱推理的食品安全事件风险研判方法及装置 |
| CN111915090A (zh) * | 2020-08-10 | 2020-11-10 | 哈尔滨安天科技集团股份有限公司 | 基于知识图谱的预测方法、装置、电子设备及存储介质 |
| CN112508456A (zh) * | 2020-12-25 | 2021-03-16 | 平安国际智慧城市科技股份有限公司 | 食品安全风险评估方法、系统、计算机设备及存储介质 |
| CN112800237A (zh) * | 2021-01-19 | 2021-05-14 | 中国再保险(集团)股份有限公司 | 基于知识图谱嵌入表示的预测方法、装置和计算机设备 |
| CN113297498A (zh) * | 2021-06-22 | 2021-08-24 | 南京晓庄学院 | 基于互联网的食品属性挖掘方法及系统 |
-
2021
- 2021-12-28 CN CN202111630731.0A patent/CN115964504B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
| US20200250139A1 (en) * | 2018-12-31 | 2020-08-06 | Dathena Science Pte Ltd | Methods, personal data analysis system for sensitive personal information detection, linking and purposes of personal data usage prediction |
| CN111832922A (zh) * | 2020-06-30 | 2020-10-27 | 北方工业大学 | 基于知识图谱推理的食品安全事件风险研判方法及装置 |
| CN111915090A (zh) * | 2020-08-10 | 2020-11-10 | 哈尔滨安天科技集团股份有限公司 | 基于知识图谱的预测方法、装置、电子设备及存储介质 |
| CN112508456A (zh) * | 2020-12-25 | 2021-03-16 | 平安国际智慧城市科技股份有限公司 | 食品安全风险评估方法、系统、计算机设备及存储介质 |
| CN112800237A (zh) * | 2021-01-19 | 2021-05-14 | 中国再保险(集团)股份有限公司 | 基于知识图谱嵌入表示的预测方法、装置和计算机设备 |
| CN113297498A (zh) * | 2021-06-22 | 2021-08-24 | 南京晓庄学院 | 基于互联网的食品属性挖掘方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| YONGJUN MA等: "Research of food safety risk assessment methods based on big data", 《2016 IEEE INTERNATIONAL CONFERENCE ON BIG DATA ANALYSIS》, pages 1 - 5 * |
| 史运涛等: "基于知识图谱注意力网络的食品安全风险评估模型", 《食品工业》, vol. 42, no. 12, pages 471 - 475 * |
| 祁海峰等: "应用食品安全事件案例设计风险预警模型", 《现代食品》, no. 01, pages 148 - 151 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117371623A (zh) * | 2023-12-06 | 2024-01-09 | 佳源科技股份有限公司 | 一种电能表运行状态预警方法及系统 |
| CN117371623B (zh) * | 2023-12-06 | 2024-03-01 | 佳源科技股份有限公司 | 一种电能表运行状态预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115964504B (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11582249B2 (en) | Computer-implemented method and arrangement for classifying anomalies | |
| CN112966714B (zh) | 一种边缘时序数据异常检测和网络可编程控制方法 | |
| CN106682502A (zh) | 基于隐马尔可夫和概率推断的入侵意图识别系统及方法 | |
| Biswas et al. | Weather forecast prediction: an integrated approach for analyzing and measuring weather data | |
| Rodríguez et al. | A disaster-severity assessment DSS comparative analysis | |
| Liao et al. | A novel semi-supervised classification approach for evolving data streams | |
| CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及系统 | |
| Alonzo et al. | A machine learning approach for coconut sugar quality assessment and prediction | |
| CN115964504B (zh) | 一种食品安全风险预测方法及系统 | |
| Geetha et al. | An hybrid ensemble machine learning approach to predict type 2 diabetes mellitus | |
| Talapula et al. | A hybrid deep learning classifier and Optimized Key Windowing approach for drift detection and adaption | |
| Rajeswari et al. | Development of Healthcare Monitoring System with Pollution Control in Industrial Sectors Using the Internet of Things | |
| Sheng et al. | Network traffic anomaly detection method based on chaotic neural network | |
| Togatoropa et al. | Optimizing Random Forest using Genetic Algorithm for Heart Disease Classification | |
| Feng et al. | Network anomaly early warning through generalized network temperature and deep learning | |
| CN111968003B (zh) | 一种基于农作物本体概念响应的农作物病害预测方法 | |
| Thi et al. | One-class collective anomaly detection based on long short-term memory recurrent neural networks | |
| Dineva et al. | Applying machine learning against beehives dataset | |
| CN116882584A (zh) | 一种航班延误预测方法及系统 | |
| Bhatt et al. | Automated forest fire prediction systems: a comprehensive review | |
| Balamurugan et al. | Artificial Intelligence Based Smart Farming and Data Collection Using Deep Learning | |
| Ahmed et al. | A novel framework to detect anomalous nodes to secure wireless sensor networks | |
| Suklabaidya et al. | Processing iot sensor fire dataset using machine learning techniques | |
| Su et al. | ADCMO: an anomaly detection approach based on local outlier factor for continuously monitored object | |
| Liu et al. | Construction of cyber range network security indication system based on deep learning |
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 |