CN104504082B - 多个知识网络的目标知识节点集合的路径展现方法和*** - Google Patents
多个知识网络的目标知识节点集合的路径展现方法和*** Download PDFInfo
- Publication number
- CN104504082B CN104504082B CN201410817499.5A CN201410817499A CN104504082B CN 104504082 B CN104504082 B CN 104504082B CN 201410817499 A CN201410817499 A CN 201410817499A CN 104504082 B CN104504082 B CN 104504082B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- node
- digraph
- transitive closure
- network
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims 2
- 201000010099 disease Diseases 0.000 description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 15
- 238000003745 diagnosis Methods 0.000 description 7
- 206010036205 Portal vein phlebitis Diseases 0.000 description 6
- 230000007170 pathology Effects 0.000 description 6
- 230000004069 differentiation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000004930 Fatty Liver Diseases 0.000 description 1
- 206010019708 Hepatic steatosis Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 208000010706 fatty liver disease Diseases 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 231100000240 steatosis hepatitis Toxicity 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Devices For Executing Special Programs (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种多个知识网络的目标知识节点集合的路径展现方法,包括:步骤S101,针对目标知识节点集合中的每一个目标知识节点,基于某一二元关系,针对所述多个知识网络的每一个构建该二元关系的有向图;步骤S102,针对所述目标知识节点集合中的每一个目标知识节点,基于所述二元关系和所述有向图,计算目标知识节点在每一个知识网络中的传递闭包图;步骤S103,对步骤S102中得到的所有传递闭包图进行合并,去除重复的节点和边,并拼接得到拼接有向图;步骤S104,对该拼接有向图进行表征。本发明还提供一种对应的路径展现***。本发明提供一种直观、精准和完整的知识网络结构展现方式,用户能快速清晰地理解用户视角的跨体系知识架构。
Description
技术领域
本发明涉及图形化展现方法,更具体地,涉及一种基于多个知识体系(网络)的同义知识节点集合的路径展现方法,本发明还提供了一种对应的知识网络关系展现***。
背景技术
当前知识网络的展现主要靠人工经验的积累,主要来源于教师,专家及培训机构所绘制的图谱,也并未见有基于跨知识网络图谱的自动计算和相互比与合并对方案。另外,在当前技术实现手段中,缺乏对同义知识节点的区别化描述和展现手段,往往同义知识节点并不加以区分。而在现实中,知识节点之所以被认为是“同义”或者“多义”,主要是因为该知识节点所在的内容环境相似或者差异,如不同的学科,不同的著作中。
即便是被认为“同义”的知识节点,也同样由于存在于不同的著作或者文档中,其来源、分类法、知识路径及用途也是存在差异的,而这种差异往往不能够通过文字和语言方式提供用户良好、直观的表达。相对比文字描述的形式,即使语言上描述的比较清楚,用户阅读起来也并不容易从逻辑上形象地理解知识体系架构。
当前人机交互过程中,如何根据同义知识节点集合来抽取出跨知识体系的关系并且重新组合,来展现各知识体系中同义知识节点的环境差别的表达方法仍然是一个在人机交互界面领域需要进一步研究的课题。
发明内容
本发明的目的是为了实现:基于多个同构知识体系中实现对同义知识节点的知识路径的跨体系的抽取及整和算法,并将其整合后的体系关系通过图形化工具进行表达。以便提供用户更加直观,且文字描述形式不易表达的知识体系关系图。
一种多个知识网络的目标知识节点集合的路径展现方法,包括:步骤S101,针对目标知识节点集合中的每一个目标知识节点,基于某一二元关系,针对所述多个知识网络的每一个构建该二元关系的有向图;步骤S102,针对所述目标知识节点集合中的每一个目标知识节点,基于所述二元关系和所述有向图,计算目标知识节点在每一个知识网络中的传递闭包图;步骤S103,对步骤S102中得到的所有传递闭包图进行合并,去除重复的节点和边,并拼接,得到拼接有向图;步骤S104,对所述拼接有向图进行表征。
本发明还提出一种针对多个知识网络的目标知识节点的路径展现***,包括:有向图生成模块,其针对目标知识节点集合中的每一个目标知识节点,基于某一二元关系,针对所述多个知识网络的每一个构建该二元关系的有向图;传递闭包图生成模块,其针对所述目标知识节点集合中的每一个目标知识节点,基于所述二元关系和所述有向图,计算目标知识节点在每一个知识网络中的传递闭包图;传递闭包图拼接模块,其对传递闭包图生成模块得到的所有传递闭包图进行合并,去除重复的节点和边,并拼接,得到拼接有向图;表征模块,其对所述拼接有向图进行表征。
基于知识网络中关系运算,本发明提出的技术方案主要用于从多个独立的知识体系抽取相近知识路径,并实现合并展示其跨体系的脉络关系。独立的知识体系是指在任何维度中都不相连的两个知识节点集合。
与现有技术相比,本发明能清晰的展示化知识体系同义知识节点的局部知识体系脉络,为用户提供一种友好的信息表达方式,并能够提供用户展现不同维度的整合关系。该方法也是一种为大数据分析提供更有效的信息建模方法。
附图说明
图1为本发明第一实施方式的方法的基本流程图;
图2为知识网络A“疾病诊断”的概念包含关系的有向图;
图3为目标知识节点在图2中的传递闭包图;
图4为知识网络B“疾病病理”的概念包含关系的有向图;
图5为目标知识节点在图4中的传递闭包图;
图6为本发明第一实施方式的拼接后的知识网络展现图;
图7为本发明第二实施方式的方法的基本流程图;
图8为本发明第二实施方式的拼接后的知识网络展现图;
图9为本发明第三实施方式的方法的基本流程图;
图10为本发明第三实施方式的方法的拼接后的知识网络展现图;
图11为本发明第四实施方式的***的基本结构图。
具体实施方式
本发明涉及如下专有名词,其含义解释如下:
本体模型:本体(Ontologies)是概念化的明确的规范说明。目前本体模型广泛应用于人工智能领域。本体模型就是按照现实生活中的概念、概念间的关系、概念所具有的特征(即属性)以及概念的实例抽象出现实的模型。由节点、属性和关系组成。例如,在计算机领域,可以抽象出:“计算机、CPU、存储器、计算机配件”等概念,而“计算机”和“CPU”是包含关系。
二元关系:集合X与集合Y上的二元关系是R=(X,Y,G(R)),其中G(R),称为R的图,是笛卡儿积X×Y的子集。若(x,y)∈G(R),则称x是R-关系于y,并记作xRy或R(x,y),即二元关系。否则称a与b无关系R。在上面的本体模型示例中,“计算机”和“CPU”之间的关系,“CPU是计算机的一部分”、“计算包含CPU”就是二元关系。
有向图:直观来说,若图中的每条边都是有方向的,则称为有向图。有向图是一个二元组<V,E>,其中,V是非空集合,称为顶点集。E是V×V的子集,称为弧集。有向图中的边是由两个顶点组成的有序对,有序对通常用尖括号表示,如<vi,vj>表示一条有向边,其中vi是边的始点,vj是边的终点。<vi,vj>和<vj,vi>代表两条不同的有向边。
有向无环图:在图论中,如果一个有向图无法从某个顶点出发经过若干条边回到该点,则这个图是一个有向无环图(DAG图)。如果知识网络中存在环,譬如概念关系成了一个环,那么,环状关系无起点和无终点,那这则表示的知识概念有冲突或者二义性。
知识网络:基于本体模型从领域知识划分的多个知识节点构建而成,其中知识节点之间具有二元关系。知识节点由从各种独立的内容***中抽取或者由专家进行总结归纳而成。知识节点的表现形式可以理解为一个词、短语、或者一句话。内容***可以理解为:图书、专著等相对独立和完整的内容集合。二元关系可以例如为包含关系、演变关系等各种从现实中抽象出来的关系类型。
知识网络维度:指在同一个知识网络中,知识节点之间的二元关系的种类。知识节点之间存在一种二元关系类型则代表该知识网络维度为1,存在两种二元关系,则该知识网络的维度为2。每一个维度中,至少要存在一个二元关系实例。
同义知识节点:符合下述两种条件的即认为是同义知识节点,1)同名,即在同一学科领域的两个或者多个知识节点的名称相同;2)具有相同语义代码属性。语义代码指的是用代码来代表名字有差异的词或短语。如果代码相同,则认为是同义,如:ABS与“防抱死制动***”指的同义知识节点。例如对于缩略语“彩电”与“彩色电视机”,这两者实质上是同义的,也可以采用赋予相同语义代码属性的方式来表明这个两个知识节点是同义的。甚至是不同的语言版本,如:更换与change。
本发明的主要目的是构建一种能够直观、精准和完整的知识网络结构展现方式,以替代通过各种语言和文字表达的模糊并且可能带有随意性的知识节点关系描述方式,来帮助用户快速清晰的理解当前用户视角的跨体系知识架构。
第一实施方式(单个目标知识节点)
本发明的基于多个知识网络的同义知识节点的路径展现方法如图1所示。参照图1,在步骤S101,基于某一二元关系,针对所述多个知识网络的每一个构建该二元关系的有向图。假定有n个知识网络M1~Mn,针对某一二元关系,在每个知识网络中构建该二元关系的有向图,一共最多可以构建n个有向图。
实际上,在步骤S101中构建知识网络展现逻辑的数学模型:基于本体模型从领域知识划分的多个知识节点以及知识节点之间的二元关系构建知识网络,基于知识网络的二元关系构建Mi个有向图,其中Mi表示二元关系的关系类型数,即维度,i表示第i个知识网络。知识节点可以认为是领域知识***的特定语义范围,知识节点之间的关系可以认为语义之间的谓词,即知识节点之间针对某种目的的原生关系。知识网络是由知识节点以及知识节点之间的关系组成的多重关系网络。
优选地,若任何一种关系中出现环,则认为出现语义二义性,需要重新构建知识节点之间的关系。
下面以两个知识网络实例来描述该步骤。设定知识网络A:“疾病诊断”,知识网络B:“疾病病理”。两个知识网络中均存在概念包含关系。概念包含关系可以认为是:知识概念的细分关系,主要用于知识概念的分类法,如汽车包括发动机、底盘、变速器、车架、轮胎、刹车等。演变关系可以认为是知识之间的进化关系阶段,如:数学上的公理、定理、推理,就属于演变关系。再如:数学上的“傅里叶变换”有几个变种:连续傅里叶变换、傅里叶级数、离散傅里叶变换、离散时间傅里叶变换。这四个就是明确的演变关系。当然也可以有其他的关系分类,本发明不限制关系的类型,在该实例中,仅以“概念包含”关系来描述本发明的技术实现原理。
上述两个知识网络的概念包含关系表示为:
GUS-1=[VUS-1,EUS-1]=[vUS-1,vUS-2,…,vUS-i,EUS-1],GUS-1表示“疾病诊断”知识网络概念包含关系的有向图,VUS-1为具有概念包含关系的全部知识节点集合,VUS-1={vUS-1,vUS-2,…,vUS-i},EUS-1表示概念包含关系。
GDT-1=[VDT-1,EDT-1]=[vDT-1,vDT-2,…,vDT-j,EUS-2],GDT-1表示“疾病病理”知识网络概念包含关系有向图,VDT-1为具有概念包含关系的全部知识节点集合,VDT-1={vDT-1,vDT-2,…,vDT-j},EDT-1表示概念包含关系。
参照图1,在步骤S102中,针对目标知识节点,基于一种二元关系(例如概念包含关系)计算该目标知识节点在所述多个知识网络M1-Mn的有向图中的传递闭包图。
进一步,可以得到目标知识节点的带有输入关系的节点集(称为输入节点集)与有向边集合。
如果知识体系某一维度采用树形结构存储而不是图,那么计算一个节点的闭包节点则可以采用向上寻找全部祖先节点算法,得到的结果是一个单向的知识节点关系链。
针对目标知识节点,针对某一二元关系(例如概念包含关系),计算该目标知识节点在2个知识网络A(“疾病诊断”)和知识网络B(“疾病病理”)和B的有向图(即GUS-1和GDT-1)中的传递闭包图。传递闭包图的计算,可以采用Warshall算法等传递闭包计算方法。基于图论,传递闭包计算的输出的结果仍然为有向图。例如,基于知识网络A的概念包含关系有向图GUS-1计算的目标知识节点传递闭包图GUS-1’=[VUS-1’,EUS-1’],图GUS-1’中的节点集VUS-1’为在原有向图GUS-1中所能到达目标节点的所有节点集合(输入节点集),边集EUS-1’指VUS-1’节点集合在原图GUS-1中所有的边。
举一个实例,设目标节点为“门静脉炎”。作为一个示例,图2显示了目标节点在知识网络A“疾病诊断”的概念包含关系有向图GUS-1,图3显示了目标节点在知识网络A“疾病诊断”的概念包含关系有向图GUS-1的基于概念包含关系的传递闭包有向图GUS-1’。作为一个示例,图4显示了目标节点在知识网络B“疾病病理”的概念包关系有向图GDT-1。图5显示了目标节点在知识网络B“疾病病理”的概念包关系有向图GDT-1的传递闭包有向图GDT-1’。
再参照图1,在步骤S103中,对步骤S102中得到的所有传递闭包图进行合并,去除重复的节点和边,并进行拼接,得到合拼接有向图。拼接的实现方案算法如下:
1)将所有知识体系的某一二元关系传递闭包图的输入节点集做集合并集
计算,得到的结果是去掉了重复节点的集合总和,形成无重复语义节点集
合V”,来做为拼接有向图的节点集合;
2)将上述基于多个知识网络的某一二元关系计算出的传递闭包图的边与
步骤1)所得的无重复语义节点集合,构建拼接有向图;
3)针对所述拼接有向图,对来自不同知识网络的边和节点进行标识以区
分,例如通过颜色、形状或者粗细等现实特征进行标识。
图6为传递闭包图合拼接后的结果图逻辑。生成的新知识网络代表的含义为:1)“门静脉炎”为目标知识节点;2)有两条知识路径能够到“门静脉炎”,图中展现为两个起点,表明在“超声检查”和“基础疾病理论”中都有关于“门静脉炎”同义知识节点;3)两个知识路径中的同义知识节点“肝脏”和“门静脉炎”是两个图的拼接点;4)两个路径的线形不同,分别代表从知识体系起点的来源不同。
再参照图1,在步骤S104中,对所述拼接有向图进行渲染。渲染可使用各种绘图控件或软件完成,例如可以采用arborjs.org html5控件,在本文中所描述的用图是使用绘图工具arborjs.org完成。
渲染时,可以用不同的颜色(文字颜色,背景颜色,高亮等)或线条等来标示不同知识网络中的知识节点和边,例如,如果用绿色标识知识网络A中的知识节点和边,用黄色标识知识网络B中的知识节点和边。如果是共用线,则用橙色来标识。或者,用不同的颜色和轮廓形状来区分目标知识节点和其他节点。
第二实施方式(多个目标知识节点)
第一实施方式仅针对一个目标知识节点,但是,目标知识节点可以是多个,从而构成一个目标知识节点集合V,针对目标知识节点集合V仍然可以利用本发明的思想构建针对多个知识网络的路径展现方法。在本部分,与第一实施方式相同的步骤将不再赘述。
如图7所示,步骤S201与第一实施方式步骤S101相同。
在步骤S202,针对目标知识节点集合V的每一个目标知识节点,基于一种二元关系,在所述多个知识网络M1~Mn的有向图中,计算目标知识节点的传递闭包图。进一步,可以得到目标知识节点集合V的输入节点集与有向边集合。
针对每一个目标知识节点,针对某一二元关系(例如概念包含关系),计算该目标知识节点在2个知识网络A(“超声诊断”)和知识网络B(“基础疾病理论”)和B的有向图(即GUS-1和GDT-1)中的传递闭包图。传递闭包图的计算,可以采用Warshall算法等传递闭包计算方法。基于图论,传递闭包计算的输出的结果仍然为有向图。例如,基于知识网络A的概念包含关系有向图GUS-1计算的目标知识节点传递闭包图GUS-1’=[VUS-1’,EUS-1’],图GUS-1’中的节点集VUS-1’为在原有向图GUS-1中所能到达目标节点集合V的所有节点集合,边集EUS-1’指VUS-1’节点集合在原图GUS-1中所有的边。
在步骤S203中,对步骤S202中得到的所有传递闭包图进行合并,去除重复的节点和边,得到拼接有向图。拼接的实现方案与第一实施方式的步骤S103相同。在步骤S204中,对步骤所述拼接有向图进行渲染,具体同第一实施方式的步骤S104。
在本实施方式中,可构建出针对多个目标知识节点的跨多个知识网络的关系走向图。图7展示了针对知识网络A“超声诊断”和知识网络B“基础疾病理论”两个知识节点同时作为目标节点时得到的合并图逻辑关系。
本发明的方法能够实现跨知识体系的多维度关系检索和挖掘,能够帮助用户更加直观的了解各个平行知识体系的之间的关联关系。如图6、图8表达的即是几个知识网络(体系)中对目标知识节点的概念体系的不同理解和对比图。
基于上述方法,可以在已定义的其他维度中进行跨知识网络搜索,如教学用的知识依赖性关系,其图示的用途就可以表示几个知识体系的教学方案对比,并且用户可以根据这个对比创建更适合自己的教学方案。
第三实施方式(路径展现方法)
在本实施方式中,基于步骤S103或S203生成的拼接有向图,进行一种新的表现方法,如图10所示,所述方法包括的步骤S301-S303与图7表示的第二实施例相同,不再详述。在本实施例的步骤S304中,基于所述拼接有向图将所述节点表示的知识节点按照边的关系依次进行拼接。从而,针对集合点中的各节点,提取目标节点集合的各种类型的内容片段,并且组合成具有完整意义的可阅读的百科式文档。
在步骤S304中,“依次”指的是,对于拼接有向图中的节点,拼接的顺序是按照有向图的关系来执行。
该实施方式特别有用于实现一种新的百科***,其是一种在多个知识网络中以内容片段动态组合的方式实现的搜索式百科***。该百科***是基于该发明的所述的有向图拼接算法实现的拓展应用。
进一步,在基于所述展现方法实现的百科***中,每个知识节点可以关联各种与该知识节点语义相关的各种文档片段资源,这些资源片段可以来源于XML文档片段、数据库字段、以及各种url相关的互联网资源。这些资源可以具有不同的用途类别标注,如:概要说明、诊断检查、使用方法等不同的应用维度。在现实情况下,很难有一个知识体系能够完整的包括一个节点的用户所需的全部内容,所以,不同知识体系的内容的融合能够为用户提供更加全面的信息。
例如,用户希望得到关于“脂肪肝”词条的信息,那么***会根据匹配的结果,得到两个知识领域(知识体系A和知识体系B)关于门静脉炎的相关文档片段。并且将其组合:如图11所示。
在实现该功能时,跨知识体系拼接图上的任何节点,都可以通过上述方法实现对内容的搜索和动态合并,并且跨知识体系拼接图本身就代表了知识的演变脉络,对读者具有很友好的指导作用。
第四实施方式(路径展现***)
本发明还提供一种多个知识网络的目标知识节点集合的路径展现***,如图11所示。也就是说,所述目标知识节点集合中目标知识节点可以是一个或多个。
所述***包括向图生成模块,其针对目标知识节点集合中的每一个目标知识节点,基于某一二元关系,针对所述多个知识网络的每一个构建该二元关系的有向图;。
所述***还包括传递闭包图生成模块,其针对所述目标知识节点集合中的每一个目标知识节点,基于所述二元关系和所述有向图,计算目标知识节点在每一个知识网络中的传递闭包图;
所述***还包括传递闭包图拼接模块,其对传递闭包图生成模块得到的所有传递闭包图进行合并,去除重复的节点和边,并拼接,得到拼接有向图。传递闭包图拼接模块针对多个有向图中相同节点的的合并模块,将两个或者两个以上的有向图中同义节点进去掉重复项计算,其结果是将多张不连通的有向图拼接为一个有向图,成为目标知识节点在多个知识网络中的关系表达有向图。
所述***还包括表征模块,其对所述拼接有向图进行拼接或者渲染。所述表征模块可以是各种绘图控件或软件,例如可以为arborjs.org html5控件或绘图工具arborjs.org。
在一个优选方案中,所述传递闭包图生成模块被配置为根据所述传递闭包得到目标知识节点集合中的每一个目标知识节点在每一个知识网络中的输入节点集和边集,所述输入节点集为所能到达目标知识节点的所有节点的集合,所述边集为所述输入节点集合在知识网络的中的有向图的所有的边。
所述传递闭包图拼接模块还包括:去重模块,其将所有知识体系的某一二元关系传递闭包图的输入节点集做集合并集计算,去掉重复节点以形成无重复语义节点集合;拼接模块,其基于所有知识网络的某一二元关系计算出的传递闭包图的边与所述去重模块所得的无重复语义节点集合,构建所述拼接有向图。
在又一个优选方案中,表征模块针对所述拼接有向图,对来自不同知识网络的边和节点进行标识以区分,并基于所述标识进行渲染。进一步,表征模块通过颜色、背景、形状或者粗细对来自不同知识网络的边和节点进行标识以区分。
虽然已经结合目前被认为可行的示例性实施方式描述了本发明,但是将理解,本发明不限于所公开的示例性实施方式,而是相反地,本发明旨在覆盖被包括在权利要求书的精神和范围内的各种变形和等同布置。
Claims (8)
1.一种多个知识网络的目标知识节点集合的路径展现方法,所述知识网络是从领域知识划分的多个知识节点构建而成,其中所述知识节点为从知识领域抽取或总结归纳的知识点,所述知识节点之间具有二元关系,其特征在于,所述路径展现方法包括:
步骤S101,针对目标知识节点集合中的每一个目标知识节点,基于某一二元关系,针对所述多个知识网络的每一个构建该二元关系的有向图;
步骤S102,针对所述目标知识节点集合中的每一个目标知识节点,基于所述二元关系和所述有向图,计算目标知识节点在每一个知识网络中的传递闭包图,其中所述传递闭包图指的是包括节点集和边集的集合:该节点集为原有向图中所能达到目标节点的所有节点集合,该边集为该节点集在原有向图中所有的边;
步骤S103,对步骤S102中得到的所有传递闭包图进行合并,去除重复的节点和边,并拼接,得到拼接有向图;
步骤S104,针对所述拼接有向图,对来自不同知识网络的边和节点进行标识以区分,并基于所述标识进行渲染。
2.根据权利要求1所述的多个知识网络的目标知识节点集合的路径展现方法,其特征在于,
在步骤S102中,根据所述传递闭包得到目标知识节点集合中的每一个目标知识节点在每一个知识网络中的输入节点集和边集,所述输入节点集为所能到达目标知识节点的所有节点的集合,所述边集为所述输入节点集合在知识网络的中的有向图的所有的边;以及
所述步骤S103还包括:
1)将所有知识体系的某一二元关系传递闭包图的输入节点集做集合并集计算,去掉重复节点以形成无重复语义节点集合;
2)基于所有知识网络的某一二元关系计算出的传递闭包图的边与步骤1)所得的无重复语义节点集合,构建所述拼接有向图。
3.根据权利要求2所述的多个知识网络的目标知识节点集合的路径展现方法,其特征在于,在步骤S104中,基于所述拼接有向图将所述节点表示的知识节点按照边的关系依次进行拼接。
4.根据权利要求1所述的多个知识网络的目标知识节点集合的路径展现方法,其特征在于,所述渲染包括:通过颜色、背景、形状或者粗细对来自不同知识网络的边和节点进行标识以区分。
5.一种多个知识网络的目标知识节点集合的路径展现***,所述知识网络是从领域知识划分的多个知识节点构建而成,其中所述知识节点为从知识领域抽取或总结归纳的知识点,所述知识节点之间具有二元关系,其特征在于,所述路径展现***包括:
有向图生成模块,其针对目标知识节点集合中的每一个目标知识节点,基于某一二元关系,针对所述多个知识网络的每一个构建该二元关系的有向图;
传递闭包图生成模块,其针对所述目标知识节点集合中的每一个目标知识节点,基于所述二元关系和所述有向图,计算目标知识节点在每一个知识网络中的传递闭包图,其中所述传递闭包图指的是包括节点集和边集的集合:该节点集为原有向图中所能达到目标节点的所有节点集合,该边集为该节点集在原有向图中所有的边;
传递闭包图拼接模块,其对传递闭包图生成模块得到的所有传递闭包图进行合并,去除重复的节点和边,并拼接,得到拼接有向图;
表征模块,其针对所述拼接有向图,对来自不同知识网络的边和节点进行标识以区分,并基于所述标识进行渲染。
6.根据权利要求5所述的多个知识网络的目标知识节点集合的路径展现***,其特征在于,
所述传递闭包图生成模块被配置为根据所述传递闭包得到目标知识节点集合中的每一个目标知识节点在每一个知识网络中的输入节点集和边集,所述输入节点集为所能到达目标知识节点的所有节点的集合,所述边集为所述输入节点集合在知识网络的中的有向图的所有的边;以及
所述传递闭包图拼接模块还包括:
去重模块,其将所有知识体系的某一二元关系传递闭包图的输入节点集做集合并集计算,去掉重复节点以形成无重复语义节点集合;
拼接模块,其基于所有知识网络的某一二元关系计算出的传递闭包图的边与所述去重模块所得的无重复语义节点集合,构建所述拼接有向图。
7.根据权利要求6所述的多个知识网络的目标知识节点集合的路径展现***,其特征在于,所述表征模块基于所述拼接有向图将所述节点表示的知识节点按照边的关系依次进行拼接。
8.根据权利要求5所述的多个知识网络的目标知识节点集合的路径展现***,其特征在于,表征模块通过颜色、背景、形状或者粗细对来自不同知识网络的边和节点进行标识以区分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410817499.5A CN104504082B (zh) | 2014-12-24 | 2014-12-24 | 多个知识网络的目标知识节点集合的路径展现方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410817499.5A CN104504082B (zh) | 2014-12-24 | 2014-12-24 | 多个知识网络的目标知识节点集合的路径展现方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504082A CN104504082A (zh) | 2015-04-08 |
CN104504082B true CN104504082B (zh) | 2018-05-18 |
Family
ID=52945480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410817499.5A Expired - Fee Related CN104504082B (zh) | 2014-12-24 | 2014-12-24 | 多个知识网络的目标知识节点集合的路径展现方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504082B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183824B (zh) * | 2015-08-28 | 2020-03-17 | 重庆简悉大数据科技有限公司 | 数据整合方法及装置 |
CN106685716B (zh) * | 2016-12-29 | 2019-04-26 | 平安科技(深圳)有限公司 | 网络拓扑自适应的数据可视化方法及装置 |
CN106897446A (zh) * | 2017-03-02 | 2017-06-27 | 中国农业银行股份有限公司 | 一种数据流可视化方法及装置 |
CN107247813A (zh) * | 2017-07-26 | 2017-10-13 | 北京理工大学 | 一种基于加权技术的网络构建与演化方法 |
CN108335363A (zh) * | 2018-01-22 | 2018-07-27 | 上海星合网络科技有限公司 | 多维知识体系立体展示方法及装置 |
CN109379441A (zh) * | 2018-12-07 | 2019-02-22 | 华中科技大学 | 一种云环境中服务链规则组合方法及*** |
CN109840284B (zh) * | 2018-12-21 | 2020-11-13 | 中科曙光南京研究院有限公司 | 家族亲缘关系知识图谱构建方法与*** |
CN111597275B (zh) * | 2019-02-21 | 2023-06-20 | 阿里巴巴集团控股有限公司 | 同构子图或拓扑图的处理方法及装置 |
CN112100294A (zh) * | 2020-09-23 | 2020-12-18 | 杭州安恒信息安全技术有限公司 | 一种面向网络平台的用户关系分析方法、装置及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1658234A (zh) * | 2004-02-18 | 2005-08-24 | 国际商业机器公司 | 生成语义网络的分层可视化 |
CN101706790A (zh) * | 2009-09-18 | 2010-05-12 | 浙江大学 | 搜索引擎中包含web对象的聚类方法 |
CN102591988A (zh) * | 2012-01-16 | 2012-07-18 | 宋胜利 | 基于语义图的短文本分类方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630314B (zh) * | 2008-07-16 | 2011-12-07 | 中国科学院自动化研究所 | 一种基于领域知识的语义查询扩展方法 |
CN101930462A (zh) * | 2010-08-20 | 2010-12-29 | 华中科技大学 | 一种综合的本体相似度检测方法 |
CN103020206A (zh) * | 2012-12-05 | 2013-04-03 | 北京海量融通软件技术有限公司 | 基于知识网络的搜索结果聚焦***及聚焦方法 |
-
2014
- 2014-12-24 CN CN201410817499.5A patent/CN104504082B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1658234A (zh) * | 2004-02-18 | 2005-08-24 | 国际商业机器公司 | 生成语义网络的分层可视化 |
CN101706790A (zh) * | 2009-09-18 | 2010-05-12 | 浙江大学 | 搜索引擎中包含web对象的聚类方法 |
CN102591988A (zh) * | 2012-01-16 | 2012-07-18 | 宋胜利 | 基于语义图的短文本分类方法 |
Non-Patent Citations (1)
Title |
---|
《知识图谱研究现状及趋势的可视化分析》;杨思洛 等;《情报资料工作》;20120430(第4期);第22-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104504082A (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504082B (zh) | 多个知识网络的目标知识节点集合的路径展现方法和*** | |
JP6395158B2 (ja) | シーンの取得画像を意味的にラベル付けする方法 | |
CN105930841B (zh) | 对图像进行自动语义标注的方法、装置与计算机设备 | |
EP3850546A1 (en) | Systems and methods for graph-based ai training | |
Le et al. | Interlinking life-cycle data spaces to support decision making in highway asset management | |
Kay | Matlog: Logistics engineering using matlab | |
Du et al. | Geospatial information integration for authoritative and crowd sourced road vector data | |
CN110991532A (zh) | 基于关系视觉注意机制的场景图产生方法 | |
Galbrun et al. | Siren: An interactive tool for mining and visualizing geospatial redescriptions | |
CN106126885A (zh) | 一种产品设计知识服务方法和装置 | |
Hall et al. | Visualizing the workings of agent-based models: Diagrams as a tool for communication and knowledge acquisition | |
Santipantakis et al. | OBDAIR: Ontology-Based Distributed framework for Accessing, Integrating and Reasoning with data in disparate data sources | |
Silavi et al. | Design of a spatial database to analyze the forms and responsiveness of an urban environment using an ontological approach | |
CN106445913A (zh) | 基于MapReduce的语义推理方法及*** | |
Bertault et al. | An algorithm for drawing compound graphs | |
Schindel | Systems of innovation II: the emergence of purpose | |
Saghafi | Visualizing ontologies–a literature survey | |
CN104504228B (zh) | 基于目标视角的知识网络展现方法和*** | |
CN114399002A (zh) | 基于图神经网络的图像场景分类方法及装置 | |
CN111339312A (zh) | 用于求解高中数学求值题的知识图谱及其构建和求解方法 | |
Sathiyanarayanan | Drawing euler diagrams and graphs in combination | |
Wahyuningsih et al. | Improvement of CVRP and MTVRP solution using local search method and its implementation using Google Map | |
Richter et al. | Challenges and experiences in using heterogeneous, geo-referenced data for automatic creation of driving simulator environments | |
Qiu et al. | Ontology-based map data quality assurance | |
US12043280B2 (en) | Systems and methods for graph-based AI training |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190704 Address after: 100012 Unit 702, Building 3, Wangchunyuan 17, Beiyuan Home, Chaoyang District, Beijing Patentee after: Luo Xiuchun Address before: 100012 Floor 10, 1022, Building 10, No. 1 Courtyard, Jinfang Road, Chaoyang District, Beijing Patentee before: BEIJING DETA PUBO SOFTWARE CO., LTD. |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180518 Termination date: 20191224 |