CN116186288A - 一种基于地点和语义的知识图谱反馈方法 - Google Patents

Abstract

本发明涉及数据分析技术领域，具体涉及一种基于地点和语义的知识图谱反馈方法，包括：步骤S1：针对新生成的所述突发事件，获取所述突发事件的当前发生地；步骤S2：依照所述当前发生地和历史事件的历史地点进行聚类以得到多个聚类事件；步骤S3：对所述聚类事件进行匹配以得到匹配事件；步骤S4：对所述匹配事件进行分类，根据分类结果自所述知识图谱中提取所述处置方法。有益效果在于：通过对突发事件依次进行地点聚类、语义匹配和分类，从而获得对应于本次突发事件的分类结果，其对应于知识图谱中的标签；随后，依照标签直接从知识图谱中查找到相应的处置方法，避免了现有技术中依赖多判断分支进行判断相对繁琐，且难以维护的问题。

Description

一种基于地点和语义的知识图谱反馈方法

技术领域

本发明涉及数据分析技术领域，具体涉及一种基于地点和语义的知识图谱反馈方法。

背景技术

知识图谱，是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。在应用层面而言，主要是把复杂的知识领域通过数据挖掘、信息处理、知识计量和图形绘制而显示出来，摆脱原始的人工输入，在智能搜索、文本分析、机器阅读理解、异常监控、风险控制等场景中有着广泛的应用。

现有技术中，已存在有较多的通过应用知识图谱来进行业务运作的方案。比如，在电力行业，通常会将应急预案体系分解至一个分类表下，在该分类表下建立相应的应急处置流程、方法等；当出现相应的故障事件时，则可依照相应的分类方法、判断分支等自动提出相应的应急处置流程。

但是，在实施过程中，发明人发现，现有技术中的知识图谱处置方案，通常是配置为固定的分类、判断逻辑，通过相应的树状判断分支来返回处理方法。这导致当知识图谱结构相对复杂、层级较多时处理速度较慢的问题，且依照逻辑分支进行判断也使得知识图谱进行维护的难度进一步增加。

发明内容

针对现有技术中存在的上述问题，现提供一种基于地点和语义的知识图谱反馈方法。

具体技术方案如下：

一种基于地点和语义的知识图谱反馈方法，针对多个突发事件预先构建有知识图谱，所述知识图谱存储有对应于所述突发事件的处置方法；

所述知识图谱反馈方法包括：

步骤S1：针对新生成的所述突发事件，获取所述突发事件的当前发生地；

步骤S2：依照所述当前发生地和历史事件的历史地点进行聚类以得到多个聚类事件；

步骤S3：对所述聚类事件进行匹配以得到匹配事件；

步骤S4：对所述匹配事件进行分类，根据分类结果自所述知识图谱中提取所述处置方法。

另一方面，所述步骤S1包括：

步骤S11：自所述突发事件的输入文本中抽取地址实体；

步骤S12：获取所述地址实体的经纬度，将所述经纬度作为所述当前发生地。另一方面，所述步骤S11中，采用地址抽取模型获取所述地址实体；

所述地址抽取模型包括

双向编码模型，所述双向编码模型接收所述输入文本并根据所述输入文本生成第一语义向量；

条件随机场网络，所述条件随机场网络连接所述双向编码模型，所述条件随机场网络根据所述第一语义向量生成所述地址实体。

另一方面，所述步骤S2包括：

步骤S21：获取所述当前发生地和多个所述历史地点；

步骤S22：采用聚类模型对所述当前发生地和所述历史地点进行聚类；

步骤S23：依照聚类结果获取对应的所述历史事件，将所述历史事件和所述突发事件作为所述聚类事件输出。

另一方面，于执行所述步骤S22之前，还包括用于训练所述聚类模型的训练过程，所述训练过程包括：

步骤A1：采集对应于所述历史地点的训练数据；

步骤A2：采用所述聚类模型对所述训练数据进行聚类生成训练簇以及对应于所述训练簇的簇质心；

步骤A3：依照所述训练簇和所述簇质心调整所述聚类模型的K值。

另一方面，于执行所述步骤S2之后，还包括模型重训练过程，所述模型重训练过程包括：

步骤B1：将当前的所述突发事件添加至所述历史事件中；

步骤B2：分别获取每个所述历史事件的发生时间，将所述发生时间和预先设定的日期范围进行比较，以筛选出近期发生的所述历史事件；

步骤B3：采用筛选后的所述历史事件对所述聚类模型重新训练。

另一方面，所述步骤S3中，采用语义匹配模型对所述聚类事件进行匹配以得到所述匹配事件；

所述语义匹配模型包括：

第一输入层，所述第一输入层依次接收所述聚类事件；

对抗扰动层，所述对抗扰动层连接所述第一输入层，所述对抗扰动层根据所述聚类事件生成第二语义向量；

第一分类层，所述第一分类层连接所述对抗扰动层，所述第一分类层根据所述第二语义向量输出匹配结果，所述匹配结果用于自所述聚类事件中标记所述匹配事件。

另一方面，所述步骤S4包括：

步骤S41：对所述匹配事件进行语义识别，以获得所述分类结果；

步骤S42：依照所述分类结果对预先构建在所述知识图谱中的标签进行查找，以获得匹配标签；

步骤S43：输出所述匹配标签下的所述处置方法。

另一方面，所述步骤S41中，采用语义分类模型获得所述分类结果；

所述语义分类模型包括：

第二输入层，所述第二输入层接收所述匹配事件；

标记嵌入层，所述标记嵌入层连接所述第二输入层，所述标记嵌入层将所述匹配事件映射至第三语义向量中；

第二分类层，所述第二分类层连接所述标记嵌入层，所述第二分类层根据所述第三语义向量生成所述分类结果。

上述技术方案具有如下优点或有益效果：

针对现有技术中的知识图谱查找方法依赖判断分支处理效率较低、难以维护的问题，本方案中，通过对突发事件依次进行地点聚类、语义匹配和分类，从而获得对应于本次突发事件的分类结果，其对应于知识图谱中的标签；随后，依照标签直接从知识图谱中查找到相应的处置方法，避免了现有技术中依赖多判断分支进行判断相对繁琐，且难以维护的问题。

附图说明

参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。

图1为本发明实施例的整体示意图；

图2为本发明实施例中步骤S1子步骤示意图；

图3为本发明实施例中地址抽取模型示意图；

图4为本发明实施例中步骤S2子步骤示意图；

图5为本发明实施例中模型训练过程示意图；

图6为本发明实施例中模型重训练过程示意图；

图7为本发明实施例中语义匹配模型示意图；

图8为本发明实施例中步骤S4子步骤示意图；

图9为本发明实施例中语义分类模型示意图。

具体实施方式

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的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。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明包括

一种基于地点和语义的知识图谱反馈方法，针对多个突发事件预先构建有知识图谱，知识图谱存储有对应于突发事件的处置方法；

如图1所示，知识图谱反馈方法包括：

步骤S1：针对新生成的突发事件，获取突发事件的当前发生地；

步骤S2：依照当前发生地和历史事件的历史地点进行聚类以得到多个聚类事件；

步骤S3：对聚类事件进行匹配以得到匹配事件；

步骤S4：对匹配事件进行分类，根据分类结果自知识图谱中提取处置方法。

具体地，针对现有技术中的知识图谱查找方法处理效率较低的问题，本实施例中，通过构建上述的反馈方法，对输入的突发事件进行地点聚类、语义匹配和语义分类，依次建立该突发事件与历史事件之间的关联并分类，从而可以根据分类结果和知识图谱中预先对每个处置方法构建的标签实现对处置方法的快速查找，提高了处理效率。

在实施过程中，上述知识图谱反馈方法作为一软件实施例设置在特定的计算机设备中，用于依照输入的突发事件反馈对应的处置方法。知识图谱、处置方法、突发事件和历史事件的具体内容可以依照具体的实施例来确定。比如，在电力行业，知识图谱为依照应急预案处置流程构建的知识图谱，包含有对应电力设备故障时产生的故障事件、输入信号等来作为突发事件，以及在不同的故障情况下所应当采取的应急处置方法来作为处置方法。在交通调度场景中，突发事件指各路口、路段上存在的事故、拥堵事件，知识图谱为针对各类交通疏导场景构建的处理流程，处置方法为具体的应急疏导路径等。历史事件为确定了知识图谱后，在往期的相关事件处置过程中累积的数据，其在数据结构上具有和突发事件相同的结构，包括事件内容、地点、事件等。当前发生地和历史地点在数据形式上均为经纬度坐标。聚类事件、匹配事件指对突发事件和历史事件处理后得到的分组，其包含有突发事件和筛选后的多个历史事件。

作为可选的实施方式，在生成当前发生地和历史地点时，还对经纬度进行归一化处理。

在一个实施例中，如图2所示，步骤S1包括：

步骤S11：自突发事件的输入文本中抽取地址实体；

步骤S12：获取地址实体的经纬度，将经纬度作为当前发生地。

具体地，针对现有技术中，不同的突发事件在数据录入时格式可能各不相同，导致无法直接获取到格式化的地址信息进行匹配处理的问题，本实施例中，通过在获取到突发事件后，对突发事件的输入文本抽取地址实体，随后对地址实体在数字地图上查找对应的经纬度，将经纬度作为当前发生地，实现了对地址内容较好的处理效果，便于后续进行进一步的分析处理。

在一个实施例中，步骤S11中，采用地址抽取模型获取地址实体；

如图3所示，地址抽取模型包括：

双向编码模型101，双向编码模型101接收输入文本并根据输入文本生成第一语义向量；

条件随机场网络102，条件随机场网络102连接双向编码模型101，条件随机场网络102根据第一语义向量生成地址实体。

具体地，针对输入文本可能具有不同的数据结构，导致地址实体抽取相对困难的问题，本实施例中通过构建具有双向编码模块101和条件随机场网络102的地址抽取模型，来实现对地址实体较好的抽取效果。在该模型中，双向编码模型101通过对联合调节所有层中的上下文来预先训练深度双向表示，并通过对单层的参数进行微调来实现对具有地址信息的输入文本较好的语义识别效果，从而得到第一语义向量；随后，针对第一语义向量，条件随机场网络可根据输出的第一语义向量对输入文本进行进一步的标注，从而获取到输入文本中所描述的地址实体。

在一个实施例中，如图4所示，步骤S2包括：

步骤S21：获取当前发生地和多个历史地点；

步骤S22：采用聚类模型对当前发生地和历史地点进行聚类；

步骤S23：依照聚类结果获取对应的历史事件，将历史事件和突发事件作为聚类事件输出。

具体地，针对现有技术中的知识图谱查找方法主要依赖逻辑判断分支，处理效率相对较低的问题，本实施例中，通过采用聚类模型对当前发生地和历史地点进行聚类，从而筛选得到和当前发生地相对较近、在空间上存在较强关联性的历史事件，实现了对待分类的历史事件的有效筛选，从而提高了处理速度。同时，由于是采用聚类模型对地点进行聚类处理，因此通过调整相应的K值便能够实现对输出数据的颗粒度的调整，相对于基于空间距离进行简单筛选的方案实现了更好的聚类效果，避免了样本输出数量过多或过少的问题。

在一个实施例中，于执行步骤S22之前，还包括用于训练聚类模型的训练过程，如图5所示，训练过程包括：

步骤A1：采集对应于历史地点的训练数据；

步骤A2：采用聚类模型对训练数据进行聚类生成训练簇以及对应于训练簇的簇质心；

步骤A3：依照训练簇和簇质心调整聚类模型的K值。

具体地，为实现对和突发事件在空间维度上具有较强关联性的历史事件的有效查找，本实施例中，通过将历史事件作为训练数据输入聚类模型，从而获得聚类模型输出的多个聚类得到的训练簇，并统计对应于训练簇的簇质心；随后，依照训练簇包含的历史事件，判断其能否用于后续的识别、处理过程并最终匹配到对应的处置方法以及匹配结果是否准确；依照匹配情况来对聚类模型的K值进行调整，从而改变输出数据的颗粒度，以此来实现聚类模型的调优过程。

在一个实施例中，于执行步骤S2之后，还包括模型重训练过程，如图6所示，模型重训练过程包括：

步骤B1：将当前的突发事件添加至历史事件中；

步骤B2：分别获取每个历史事件的发生时间，将发生时间和预先设定的日期范围进行比较，以筛选出近期发生的历史事件；

步骤B3：采用筛选后的历史事件对聚类模型重新训练。

具体地，为实现对和突发事件在时间维度上具有较强关联性的历史事件的有效查找，本实施例中，还进一步地在每一次识别完之后，对聚类模型进行重训练过程，且在重训练过程中，通过对历史事件的发生时间进行筛选，挑选出近期发生的历史时间作为重训练的训练数据，采用该部分数据对聚类模型进行重新训练，从而实现了对突发事件和历史事件在时间维度上的较好的关联性，避免了模型退化的问题。

在一个实施例中，步骤S3中，采用语义匹配模型对聚类事件进行匹配以得到匹配事件；

如图7所示，语义匹配模型包括：

第一输入层201，第一输入层201依次接收聚类事件；

对抗扰动层202，对抗扰动层202连接第一输入层201，对抗扰动层202根据聚类事件生成第二语义向量；

第一分类层203，第一分类层203连接对抗扰动层202，第一分类层203根据第二语义向量输出匹配结果，匹配结果用于自聚类事件中标记匹配事件。

具体地，为实现对历史事件较好的匹配效果，本实施例中，通过构建上述的包括第一输入层201、对抗扰动层202和第一分类层203的语义匹配模型，来实现对历史事件在时间维度上较好的匹配效果。其中，第一输入层201针对输入的聚类事件依次进行格式化处理。在一个实施例中，数据格式被设定为“突发事件+分隔符+一项历史事件”。随后，对抗扰动层202在对聚类事件中的突发事件和历史事件映射至第二语义向量的过程中，在第二语义向量的二维矩阵的随机点位上添加随机数字，从而提高模型整体的泛化能力；最后，第一分类层203依照输出的第二语义向量的结果输出匹配结果，其用于标识聚类事件中的历史事件与突发事件在语义上匹配或不匹配。随后，当语义匹配模型完成对所有的聚类事件的处理后，依照匹配结果的标记情况，将对应的历史事件和突发事件添加至匹配事件中，舍弃其余的历史事件，以此来实现较好的筛选效果。

在一个实施例中，如图8所示，步骤S4包括：

步骤S41：对匹配事件进行语义识别，以获得分类结果；

步骤S42：依照分类结果对预先构建在知识图谱中的标签进行查找，以获得匹配标签；

步骤S43：输出匹配标签下的处置方法。

具体地，针对现有技术中的知识图谱查找方法依靠判断分支进行查找处理流程冗长的问题，本实施例中，当获取到匹配事件后，通过对匹配事件整体进行语义识别，从而获取到分类结果；该分类结果用于表征当前的突发事件所代表的事件类型。以交通疏导行业为例，该分类结果包含一系列的用于描述突发事件的标签，包括市区、高架道路、车祸、拥堵等标签，依照相应的标签可以直接对知识图谱中的处置方法进行查找，而不需要执行冗长的逻辑判断分支，以此来实现较快的查找效果。

在一个实施例中，步骤S41中，采用语义分类模型获得分类结果；

如图9所示，语义分类模型包括：

第二输入层301，第二输入层301接收匹配事件；

标记嵌入层302，标记嵌入层302连接第二输入层301，标记嵌入层302将匹配事件映射至第三语义向量中；

第二分类层303，第二分类层303连接标记嵌入层303，第二分类层303根据第三语义向量生成分类结果。

具体地，为实现对匹配事件较好的分类效果，本实施例中，通过设置标记嵌入层302，将第二输入层301接收到的匹配事件映射至空间向量中，随后，通过第二分类层303依照第三语义向量进行分类，从而实现了较好的匹配效果。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (9)

1.一种基于地点和语义的知识图谱反馈方法，其特征在于，针对多个突发事件预先构建有知识图谱，所述知识图谱存储有对应于所述突发事件的处置方法；

所述知识图谱反馈方法包括：

步骤S1：针对新生成的所述突发事件，获取所述突发事件的当前发生地；

步骤S2：依照所述当前发生地和历史事件的历史地点进行聚类以得到多个聚类事件；

步骤S3：对所述聚类事件进行匹配以得到匹配事件；

步骤S4：对所述匹配事件进行分类，根据分类结果自所述知识图谱中提取所述处置方法。

2.根据权利要求1所述的知识图谱反馈方法，其特征在于，所述步骤S1包括：

步骤S11：自所述突发事件的输入文本中抽取地址实体；

步骤S12：获取所述地址实体的经纬度，将所述经纬度作为所述当前发生地。

3.根据权利要求2所述的知识图谱反馈方法，其特征在于，所述步骤S11中，采用地址抽取模型获取所述地址实体；

所述地址抽取模型包括

双向编码模型，所述双向编码模型接收所述输入文本并根据所述输入文本生成第一语义向量；

条件随机场网络，所述条件随机场网络连接所述双向编码模型，所述条件随机场网络根据所述第一语义向量生成所述地址实体。

4.根据权利要求1所述的知识图谱反馈方法，其特征在于，所述步骤S2包括：

步骤S21：获取所述当前发生地和多个所述历史地点；

步骤S22：采用预先训练的聚类模型对所述当前发生地和所述历史地点进行聚类；

步骤S23：依照聚类结果获取对应的所述历史事件，将所述历史事件和所述突发事件作为所述聚类事件输出。

5.根据权利要求4所述的知识图谱反馈方法，其特征在于，于执行所述步骤S22之前，还包括用于训练所述聚类模型的训练过程，所述训练过程包括：

步骤A1：采集对应于所述历史地点的训练数据；

步骤A2：采用所述聚类模型对所述训练数据进行聚类生成训练簇以及对应于所述训练簇的簇质心；

步骤A3：依照所述训练簇和所述簇质心调整所述聚类模型的K值。

6.根据权利要求4所述的知识图谱反馈方法，其特征在于，于执行所述步骤S2之后，还包括模型重训练过程，所述模型重训练过程包括：

步骤B1：将当前的所述突发事件添加至所述历史事件中；

步骤B2：分别获取每个所述历史事件的发生时间，将所述发生时间和预先设定的日期范围进行比较，以筛选出近期发生的所述历史事件；

步骤B3：采用筛选后的所述历史事件对所述聚类模型重新训练。

7.根据权利要求1所述的知识图谱反馈方法，其特征在于，所述步骤S3中，采用语义匹配模型对所述聚类事件进行匹配以得到所述匹配事件；

所述语义匹配模型包括：

第一输入层，所述第一输入层依次接收所述聚类事件；

对抗扰动层，所述对抗扰动层连接所述第一输入层，所述对抗扰动层根据所述聚类事件生成第二语义向量；

第一分类层，所述第一分类层连接所述对抗扰动层，所述第一分类层根据所述第二语义向量输出匹配结果，所述匹配结果用于自所述聚类事件中标记所述匹配事件。

8.根据权利要求1所述的知识图谱反馈方法，其特征在于，所述步骤S4包括：

步骤S41：对所述匹配事件进行语义识别，以获得所述分类结果；

步骤S42：依照所述分类结果对预先构建在所述知识图谱中的标签进行查找，以获得匹配标签；

步骤S43：输出所述匹配标签下的所述处置方法。

9.根据权利要求8所述的知识图谱反馈方法，其特征在于，所述步骤S41中，采用语义分类模型获得所述分类结果；

所述语义分类模型包括：

第二输入层，所述第二输入层接收所述匹配事件；

标记嵌入层，所述标记嵌入层连接所述第二输入层，所述标记嵌入层将所述匹配事件映射至第三语义向量中；

第二分类层，所述第二分类层连接所述标记嵌入层，所述第二分类层根据所述第三语义向量生成所述分类结果。

Images