技术领域
本发明涉及产业链智能决策技术领域,特别涉及一种应用于工业产业链的多要素情境自适应推理方法。
背景技术
新一代人工智能技术将围绕大数据智能、群体智能、工业自主智能系统等方向持续攻关,并从基础理论、支撑体系、关键技术、创新应用等层面构筑知识群、技术群和产品群的生态环境。
工业产业链系统中存在大量需要推荐与决策的环节,这都依赖于对产业链情境的精确感知。传统的产业链情境感知技术已有了一些应用,然而其大多面向单一的工业领域,针对复杂产业链的多要素情境的推理技术的研究与应用还存在不足。
发明内容
为了解决现有技术的不足,本发明提供一种多要素情境自适应推理方法及应用,借助工业大数据与人工智能等技术,旨在构筑工业领域覆盖全产业链的多要素情境自适应推理技术。
为了实现上述目的,本发明采用的具体方案为:
一种多要素情境自适应推理方法,包括:
通过知识图谱中的知识实体与知识进行关联,得到表示学习混合规则知识迭代推理过程;
基于所述表示学习混合规则知识迭代推理过程,寻找与不同产业链情境存在有效强关联的要素,建立复杂产业链情境与不同要素的类别匹配规则;
基于熵值分析法获得复杂产业链情境的多要素关联的权重;
通过所述类别匹配规则,分析不同情境对应的要素;再结合所述复杂产业链情境的多要素关联的权重,获得多要素情境的自适应推理方法。
所述“通过知识图谱中的知识实体与知识进行关联,得到表示学习混合规则知识迭代推理过程”,包括:
通过知识图谱中已有的知识实体与知识关联,利用表示学习得出新的知识实体;
通过关联分析方法对所述关联的支持度、置信度和提升度进行分析,提取有效的强关联集合;
通过强关联规则进行表示学习,得到所述表示学习混合规则知识迭代推理过程。
所述“通过知识图谱中已有的知识实体与知识关联,利用表示学习得出新的知识实体”,包括:
基于产业链知识图谱中已有的知识实体与关联规则,将其中相关联的知识实体及其对应的关联规则的三元组嵌入到低维连续向量空间处理;
对知识实体与关联规则的初始化嵌入向量进行规范化处理;
通过TranSparse模型,根据不同的头部知识实体
所述知识实体
其中,
此外,为了解决关联关系不平衡的问题,TranSparse模型中采用的评分函数可进一步表示为:
其中emb
所述“通过关联分析方法对所述关联的支持度、置信度和提升度进行分析,提取有效的强关联集合”,包括:
采用关联分析的方法结合知识图谱选取高置信度的规则集合,其方法如下:
其中,支持度分析:
上式表示
其中,置信度分析:
上式表示从头部知识实体
其中,提升度分析:
上式表示在知识图谱某部分含有
通过以下方法进行区分强关联规则和无效的强关联规则:
所述“基于所述表示学习混合规则知识迭代推理过程,寻找与不同产业链情境存在有效强关联的要素,建立复杂产业链情境与不同要素的类别匹配规则”,包括:
在不同类别的产业链情境下,基于产业链知识图谱,通过所述表示学习混合规则知识迭代推理过程,针对的不同情境,挖掘与情境相关的要素;
引入隶属度函数,分析挖掘出的所述要素与产业链情境的相关联程度,建立复杂产业链情境与不同要素的类别匹配规则:
A(x)∈[0,1]
上式表征要素x属于情境A的程度的高低。
所述“基于熵值分析法获得复杂产业链情境的多要素关联的权重”,包括:
选取n个包含相同的m个要素的情境,则有x
对指标进行归一化处理,令x
正向指标:
负向指标:
则x′
将x′
获取第j个要素的熵值:
获取信息熵冗余度:d
获取各要素的权值:
获取各情境的综合得分:
有益效果:本发明采用表示学习的方法进行知识图谱推理,有效解决了产业链知识图谱中知识实体之间的关联关系存在的异质性与不平衡性问题,同时,采用了关联分析方法提取强关联规则集合,进一步提升了知识推理的效率,实现表示学习混合规则的知识迭代推理;同时,由于实际生产环境中存在着多环节、长流程、动态约束复杂、工业情境时变等复杂情况,本发明采用通过知识推理,并结合隶属度函数分析,确定了多要素情境的类别匹配规则;而且,通过熵值分析法,针对不同产业链情境下的相同要素,确定不同生产要素对产业链决策的影响权重,并根据分析结果和实际生产环境实时调节不同生产要素的权重比,最终实现多样时变的复杂产业链情境的自适应推理。
本发明针对产业链知识图谱中知识实体之间的关联关系存在的异质性与不平衡性问题,采用表示学习结合关联分析方法实现表示学习混合规则的知识迭代推理;能够根据实际生产环境中的复杂情况,通过知识推理方法结合隶属度函数分析,确定多要素情境的类别匹配规则;而且,针对不同产业链情境下存在相同要素,难以对不同情境进行进一步区分的问题,通过熵值分析法,确定不同生产要素对产业链决策的影响权重,实现多样时变的复杂产业链情境的自适应推理。
附图说明
图1为本发明所述方法的流程图。
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。
如图1,本发明所述的多要素情境自适应推理方法应用于工业产业链时,具体包括以下步骤:
步骤1:建立基于表示学习混合规则的知识迭代推理方法:
步骤1.1:基于表示学习的知识推理方法
基于产业链知识图谱中已有的知识实体与关联规则,将其中相关联的知识实体及其对应的关联规则的三元组嵌入(embedding)到低维连续向量空间处理,如:
其中,emb()表示知识实体与关联规则的初始化嵌入方法,
然后,对知识实体与关联规则的初始化嵌入向量进行规范化处理,如:
其中,
有许多表示学习模型被用于学习知识图谱中的实体和关系的表示,有TransE、TransH、TransR、TranSparse和FT模型等,其中,TranSparse模型能够很好的处理产业链知识图谱中的异质性与不平衡性,异质性是指知识图谱中的关系连接的实体数量不同,某些关系可能连接了大量的实体,而有些关系则可能仅与少量实体有连接。不平衡性是指关系所连接的头、尾实体的种类和数量不同,可能差别巨大。
通过TranSparse模型,根据不同的头部知识实体
其中,
此外,为了解决关联关系不平衡的问题,TranSparse模型中采用的评分函数可进一步表示为:
其中emb
为了提高知识推理与知识图谱补充的效率,在步骤1.1的基础上,需要对关联规则进行挖掘,提取出能够更高效率的学习、推理出新知识的关联规则,为了达到这一目的,我们采用了关联分析的方法结合知识图谱选取高置信度的规则集合,其方法如下:
支持度(Support)分析:
上式表示
置信度(Confidence)分析:
提升度(Lift)分析:
上式表示在知识图谱某部分含有
基于以上方法进行分析,满足最小支持度和最小置信度的规则,叫做“强关联规则”。然而,强关联规则里,也分有效的强关联规则和无效的强关联规则,可通过以下方法进行区分:
综上所述,此步骤旨在通过知识图谱中已有的知识实体与知识关联,通过表示学习得出新的知识实体,同时,为了提高知识表示学习的效率,避免在无关的关联规则上付出过多算力,通过关联分析方法对关联的支持度、置信度和提升度进行分析,从而提取出有效的强关联集合,再通过强关联规则进行表示学习,实现知识图谱基于表示学习混合规则的知识迭代推理方法。
步骤2:基于知识迭代推理的产业链情境多要素类别匹配规则:
基于步骤1中的表示学习混合规则知识迭代推理,寻找与不同产业链情境存在有效强关联的不同要素,建立复杂产业链情境与不同要素的类别匹配规则。具体步骤如下:
在不同类别的产业链情境下,基于产业链知识图谱,通过步骤1的知识迭代推理方法,针对的不同情境,充分挖掘与情境相关的要素,如,地点、时间、人物、产品、生产资料等。
然后,引入隶属度函数,分析挖掘出的要素与产业链情境的相关联程度:
A(x)∈[0,1]
上式表征要素x属于情境A的程度的高低。
通过隶属度函数,可以区分出不同产业链情境中与其相关程度高的要素,从而建立起复杂产业链情境的多要素类别匹配规则。
步骤3:基于熵值分析法建立复杂产业链情境的多要素关联权重:
根据任务要求,首先,复杂产业链情境中可能存在不同情境匹配相同类别要素的情况,针对这一情况,引入了熵值分析法,在匹配的要素相同的情况下,根据同一要素在不同情境下的不同作用,进一步建立产业链情境要素自适应关联权重。
首先,选取n个包含相同的m个要素的情境,则有x
然后对指标进行归一化处理,即异质指标同质化,由于各项指标的计量单位并不统一,因此在用它们计算综合指标前,先要对它们进行标准化处理,即把指标的绝对值转化为相对值,并令x
正向指标:
负向指标:
则x′
然后,计算第i个情境下的第j个要素的比重:
计算第j个要素的熵值:
计算信息熵冗余度:d
计算各要素的权值:
计算各情境的综合得分:
因此,通过熵值分析的方法,可以根据同一要素在不同情境下的不同作用,进一步建立产业链情境要素自适应关联权重。
步骤4:多要素情境的自适应推理方法:
本步骤结合了步骤2和步骤3,通过步骤2建立的情境类别匹配规则,分析不同情境对应的要素,然后,再结合熵值分析得出的多要素关联权重,进一步得出了多要素情境的自适应推理方法,实现对要素多样时变的复杂产业链情境的精确推理。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易变化或替换,都属于本发明的保护范围之内。因此本发明的保护范围所述以权利要求的保护范围为准。
机译: 情境推理设备,情境识别系统和情境推理方法
机译: 情境推理系统及情境推理方法
机译: 以用户为中心的情境感知系统,其情境翻译方法和基于案例的推理方法