CN109739996A - 一种工业知识图谱的构建方法及装置 - Google Patents

Abstract

本发明提供了一种工业知识图谱的构建方法及装置，其中，该方法包括获取待处理数据的特征向量；建立并初始化算法模型，其中，所述算法模型包括第一深度学习网络和第二深度学习网络；基于所述第一深度学习网络和所述待处理数据的特征向量，生成第一知识单元；基于所述第二深度学习网络和所述第一知识单元，生成第二知识单元和所述第一知识单元与所述第二知识单元的权重值；根据所述权重值，生成包含由所述第一知识单元指向所述第二知识单元的有向图的工业知识图谱。本申请实施例通过构建知识单元与知识单元之间的联系，形成工业知识图谱，提高知识单元体系的***性和完整性。

Description

一种工业知识图谱的构建方法及装置

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种工业知识图谱的构建方法及装置。

背景技术

在工业领域，在设备的运行或者生产过程中，会产生大量的数据。例如，设备在运行过程，设备上的不同的传感器产生的时序信号或者模拟信号，设备本身的参数(如设备的硬件地址，存储器的地址)。若要了解设备的运行或者生产情况，要对上述数据进行分析处理。

现有技术中，由于工业数据复杂多样，且没有相应的模型对上述数据进行处理，导致无法形成总结性经验，进而无法建立与其他知识之间的联系。

发明内容

有鉴于此，本发明的目的在于提供一种工业知识图谱的构建方法及装置，以知识单元体系的***性和完整性。

第一方面，本发明实施例提供了一种工业知识图谱的构建方法，包括：

获取待处理数据的特征向量；

建立并初始化算法模型，其中，所述算法模型包括第一深度学习网络和第二深度学习网络；

基于所述第一深度学习网络和所述待处理数据的特征向量，生成第一知识单元；

基于所述第二深度学习网络和所述第一知识单元，生成第二知识单元和所述第一知识单元与所述第二知识单元的权重值；

根据所述权重值，生成包含由所述第一知识单元指向所述第二知识单元的有向图的工业知识图谱。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述获取待处理数据的特征向量，包括：

建立数据模型，其中，所述数据模型包括源端数据源、目标端数据源以及所述源端数据源和所述目标端数据源的映射关系；

通过源端数据源从源端获取待处理数据；

基于所述源端数据源和所述目标端数据源的映射关系，获取所述待处理数据映射的目标端数据源，得到所述待处理数据的特征向量。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述初始化算法模型，包括：

将所述待处理数据的索引配置在所述第一深度学习网络和所述第二深度学习网络；

设置所述第一深度学习网络的训练算法和所述第二深度学习网络的训练算法。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，基于所述第一深度学习网络和所述待处理数据的特征向量，生成第一知识单元，包括：

将所述待处理数据的特征向量输入到所述第一深度学习网络，获得模型训练结果；

将模型训练结果输入到知识库中，使所述知识库根据所述模型训练结果和所述模型训练结果与知识单元的映射关系，生成第一知识单元。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述基于所述第二深度学习网络和所述第一知识单元，生成第二知识单元和所述第一知识单元与所述第二知识单元的权重值，包括：

将所述第一知识单元和所述待处理数据的特征向量输入到所述第二深度学习网络的训练层，获得所述训练层输出的第二知识单元；

将所述第一知识单元和所述第二知识单元输入到所述第二深度学习网络的权重值生成层，生成所述第一知识单元与所述第二知识单元的权重值。

第二方面，本发明实施例提供了一种工业知识图谱的构建装置，包括：

数据获取模块，用于获取待处理数据的特征向量；

模型建立模块，用于建立并初始化算法模型，其中，所述算法模型包括第一深度学习网络和第二深度学习网络；

知识图谱生成模块，用于基于所述第一深度学习网络和所述待处理数据的特征向量，生成第一知识单元，基于所述第二深度学习网络和所述第一知识单元，生成第二知识单元和所述第一知识单元与所述第二知识单元的权重值，根据所述权重值，生成包含由所述第一知识单元指向所述第二知识单元的有向图的工业知识图谱。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述数据获取模块，具体用于包括：

建立数据模型，其中，所述数据模型包括源端数据源、目标端数据源以及所述源端数据源和所述目标端数据源的映射关系；

通过源端数据源从源端获取待处理数据；

基于所述源端数据源和所述目标端数据源的映射关系，获取所述待处理数据映射的目标端数据源，得到所述待处理数据的特征向量。

结合第二方面的第一种可能的实施方式，本发明实施例提供了第二方面的第二种可能的实施方式，其中，所述模型建立模块，具体用于包括：

将所述待处理数据的索引配置在所述第一深度学习网络和所述第二深度学习网络；

设置所述第一深度学习网络的训练算法和所述第二深度学习网络的训练算法。

结合第二方面，本发明实施例提供了第二方面的第三种可能的实施方式，其中，所述知识图谱生成模块，具体用于包括：

将所述待处理数据的特征向量输入到所述第一深度学习网络，获得模型训练结果；

将模型训练结果输入到知识库中，使所述知识库根据所述模型训练结果和所述模型训练结果与知识单元的映射关系，生成第一知识单元。

结合第二方面，本发明实施例提供了第二方面的第四种可能的实施方式，其中，所述知识图谱生成模块，具体还用于包括：

将所述第一知识单元和所述待处理数据的特征向量输入到所述第二深度学习网络的训练层，获得所述训练层输出的第二知识单元；

将所述第一知识单元和所述第二知识单元输入到所述第二深度学习网络的权重值生成层，生成所述第一知识单元与所述第二知识单元的权重值。

本发明实施例提供的工业知识图谱的构建方法及装置，采用将待处理数据输入深度学习网络中训练，形成的知识单元与知识单元的有向图的工业知识图谱，与现有技术中的无法建立知识单元与知识单元之间的联系相比，其提高知识单元体系的***性和完整性。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本发明实施例所提供的一种工业知识图谱的构建方法的流程图；

图2示出了本发明实施例所提供的另一种工业知识图谱的构建方法的流程图；

图3示出了本发明实施例所提供的第一知识单元指向第二知识单元的有向图；

图4示出了本发明实施例所提供的一种工业知识图谱的构建装置的结构示意图。

主要元件符号说明：数据获取模块10；模型建立模块11；知识图谱生成模块12。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做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。

考虑到现有技术中的无法建立知识单元与知识单元之间的联系，基于此，本发明实施例提供了一种数据库的管理方法和装置，下面通过实施例进行描述。

本申请实施例提供了一种工业知识图谱的构建方法，包括步骤S101-S105，具体包括：

步骤S101，获取待处理数据的特征向量。

在本申请实施例中，待处理数据可以是在工业设备的运行数据，如设备上的传感器采集的数据、设备的硬件地址以及设备存储器中储存的数据等数据中的若干个。待处理数据还可以是零件或者产品的参数，以刀具为例，可以是刀具的尺寸、材料以及锋利程度等参数中的若干个。待处理数据是多源异构数据，无法直接作为算法模型直接处理的数据，因此，将待处理数据映射成特征向量的形式。下面以预测刀具的使用寿命为例对本实施提供的工业知识图谱的构建方法进行描述。

作为一种可选的实施方式，获取待处理数据的特征向量方法包括步骤S1010-S1012，如图2所示，具体如下：

步骤S1010，建立数据模型，其中，数据模型包括源端数据源、目标端数据源以及源端数据源和目标端数据源的映射关系。

步骤S1011，通过源端数据源从源端获取待处理数据。

步骤S1012，基于源端数据源和目标端数据源的映射关系，获取待处理数据映射的目标端数据源，得到待处理数据的特征向量。

具体而言，数据模型的源端数据源连接源端，其中，待处理数据指设备时，源端可以为存储设备参数的存储器、文件或者数据库，也可以为采集部件；待处理数据指零件或者产品时，源端可以为存储产品或者零件参数的存储器、文件或者数据库。从目标端数据源中可获取生成的特征向量。源端数据源和目标端数据源的映射关系具体指将待处理数据处理成特征向量的配置。上述映射关系存储在数据模型的元数据库中。当源端数据源从源端采集待处理数据，数据模型中元数据映射组件调取元数据库中上述映射关系，将待处理数据映射成特征向量。

源端可以用户上传该类型刀具的尺寸信息的文件，如刀具的刀刃长度、刀体的长度、刀体的宽度以及刀把的长度中的若干个参数信息。源端也可以是数据库中存储的刀具的材料信息，如刀体的材料和刀把的材料。源端数据源获取上述信息，数据模型中的元数据组件通过调用元数据库中源端数据源和目标端数据源的映射关系，作为一种可能的映射关系，所有刀具的尺寸信息在上述映射关系中对应一个特征值，作为另一种可能的映射关系，刀体的长度、刀体的宽度以及刀把的长度在上述映射关系中对应一个特征值，刀具的刀刃长度在上述映射关系中对应另一个特征值。将得到的特征值按照设定的顺序拼接起来，形成高维度的特征向量。

步骤S102，建立并初始化算法模型，其中，算法模型包括第一深度学习网络和第二深度学习网络。

在本申请实施例中，通过算法模型的第一深度学习网络对特征向量进行训练，形成知识(提取数据的特征)，上述知识带入算法模型的第二深度学习网络进行训练，形成新的知识(提取到新的特征)，并建立上述知识与上述新的知识之间的联系。

作为一种可选地实施方式，初始化算法模型的方法包括(1)和(2)，具体包括：

(1)将待处理数据的索引配置在第一深度学习网络和第二深度学习网络。

(2)设置第一深度学习网络的训练算法和第二深度学习网络的训练算法。

具体而言，待处理数据的索引指待处理数据在源端的地址，第一深度学习网络和第二算法层可以获取待处理数据进行训练，形成知识。第一深度学习网络和第二算法层获取的待处理数据可以不同。在配置第一深度学习网络的页面，配置待处理数据的索引，通过拖曳算法完成算法配置。第二深度学习网络的配置方法相同，配置的算法与第一深度学习网络的配置算法不同。

步骤S103，基于第一深度学习网络和待处理数据的特征向量，生成第一知识单元。

作为一种可选地实施方式，步骤S103具体包括如下:将待处理数据的特征向量输入到第一深度学习网络，获得模型训练结果。将模型训练结果输入到知识库中，使知识库根据模型训练结果和模型训练结果与知识单元的映射关系，生成第一知识单元。

具体而言，第一深度学习网络用于提取待处理数据的特征，预测结果指待处理数据的评价级别，第一知识单元指待处理数据的评价级别对应的评价。测评刀具的使用寿命的长短时，采集刀具的参数(尺寸、材料以及刀刃的锋利程度等若干参数)输入到第一深度学习网络进行训练，输出表示刀具的使用寿命的长短的评价级别的符号，如评价等级符号包括A、B、C、D四个等级。知识库中存储着评价等级对应的评价，如A对应着使用寿命非常长，B对应着使用寿命非常较长，C对应着使用寿命一般，A对应着使用寿命短。

步骤S104，基于第二深度学习网络和第一知识单元，生成第二知识单元和第一知识单元与第二知识单元的权重值。

作为一种可选的实施方式，将第一知识单元和待处理数据的特征向量输入到第二深度学习网络的训练层，获得训练层输出的第二知识单元；将第一知识单元和第二知识单元输入到第二深度学习网络的权重值生成层，生成第一知识单元与第二知识单元的权重值。

具体而言，第二知识单元指第一知识单元结合待处理数据形成的新的知识单元。将步骤S103中产生的第一知识单元和待处理数据的特征向量输入到第二深度学习网络的训练层再次训练，形成第二知识单元。将知识单元与新的知识单元(第二深度学习网络的训练层的训练结果)输入到第二深度学习网络的权重值生成层，第二深度学习网络输出权重值。这里的权重值表示两个知识单元之间的紧密程度，权重值越大，两个知识单元之间的关系越紧密。

在得到刀具的使用寿命的评价后，将与刀具使用寿命长短的数据和评价，输入第二深度学习网络的训练层重新训练，得出更准确的评价，如使用寿命的长短的影响因素。把刀具使用寿命长短的评价和使用寿命的长短的影响因素同时输入到权重生成层，得出刀具使用寿命长短的评价与使用寿命的长短的影响因素的联系紧密程度的权重值，数值越大，紧密程度越高。

作为另一种可选的实施方式，将第一知识单元和与其他数据的特征向量输入到第二深度学习网络的训练层，获得训练层输出的第二知识单元。

在得到刀具的使用寿命的评价后，如将机械运行的噪声数据和上述评价，输入第二深度学习网络的训练层重新训练，得出使用刀具时产生的噪声。把刀具使用寿命长短的评价和使用刀具时产生的噪声同时输入到权重生成层，得到刀具使用寿命长短的评价和使用刀具时产生的噪声的权重值。

步骤S105，根据权重值，生成包含由第一知识单元指向第二知识单元的有向图的工业知识图谱。

具体而言，第一知识单元和第二知识单元分别代表知识单元和训练后的知识单元。如图3所示为第一知识单元和第二知识单元的有向图。知识单元本身可用节点表示，训练后的知识单元是通过知识单元训练得到的，知识的流动方向是从知识单元流向训练后的知识单元，可用方向表示，权重值大小指知识单元和训练后的知识单元的紧密关系，可用连线的长短表示。根据上述方法，形成知识单元和训练后的知识单元的有向图。不断地根据知识单元经过训练得到训练后知识，根据权重值构建知识单元和训练后的知识单元的有向图，可形成知识图谱。用户可以选择知识图谱的展示方式，其中，展示方式可以为拓扑图、图标或者思维导图，若展示方式为拓扑图或者思维导图，用户可以通过拖曳编辑知识图谱，编辑后的知识图谱可以导出。

本申请实施例还提供一种工业知识图谱的构建装置，如图4所示，包括数据获取模块10、模型建立模块11以及知识图谱生成模块12。

数据获取模块10，用于获取待处理数据的特征向量。

在本申请实施例中，待处理数据可以为工业生产过程中设备的运行参数，以电梯为例，待处理数据可以为电梯内部的摄像头采集到的视频、温度传感器采集到的电梯内部的温度以及电梯的运行速度等反映电梯运行状况的数据中的若干个数据。待处理数据也可以为零件或者产品的参数，以刀具为例，待处理数据可以为刀具的尺寸、材料以及刀刃的锋利程度等参数中的若干个参数。待处理数据的形式可以为恒定的参数，也可以为模拟信号，亦可以为数字信号。待处理数据的类别、形式以及数值通常不同，通常为多源异构数据，无法直接对它们进行整合处理，因此，先要形成统一的数据结构。特征向量是将待处理数据处理后得到的数字向量。

作为一种可选的实施方式，数据获取模块通过数据模型生成待处理数据的特征向量，具体如下：

建立数据模型，其中，数据模型包括源端数据源、目标端数据源以及源端数据源和目标端数据源的映射关系；通过源端数据源从源端获取待处理数据；基于源端数据源和目标端数据源的映射关系，根据待处理数据，获取待处理数据的特征向量。

具体而言，数据模型的源端数据源连接源端，其中，待处理数据指设备时，源端可以为存储设备参数的存储器、文件或者数据库，也可以为采集部件；待处理数据指零件或者产品时，源端可以为存储产品或者零件参数的存储器、文件或者数据库。从目标端数据源中可获取生成的特征向量。源端数据源和目标端数据源的映射关系存储在数据模型的元数据库中。当源端数据源从源端采集待处理数据，数据模型中元数据映射组件调取元数据库中上述映射关系，将待处理数据映射成特征向量。

模型建立模块11，用于建立并初始化算法模型，其中，算法模型包括第一深度学习网络和第二深度学习网络。

在本申请实施例中，通过算法模型的第一深度学习网络对特征向量进行训练，形成知识(提取数据的特征)，上述知识带入算法模型的第二深度学习网络进行训练，形成新的知识(提取到新的特征)，并建立上述知识与上述新的知识之间的联系。

建立算法模型之后，还要根据训练需要初始化算法模型，初始化的过程指配置算法模型的参数。具体如下：

将待处理数据的索引配置在第一深度学习网络和第二深度学习网络。设置第一深度学习网络的训练算法以及第二深度学习网络的训练算法。

具体而言，待处理数据的索引指待处理数据在源端的地址，第一深度学习网络和第二算法层可以获取待处理数据进行训练，形成知识。第一深度学习网络和第二算法层获取的待处理数据可以不同。在配置第一深度学习网络的页面，配置待处理数据的索引，通过拖曳算法完成算法配置。第二深度学习网络的配置方法相同，配置的算法与第一深度学习网络的配置算法不同。

知识图谱生成模块12通过执行(1)、(2)以及(3)生成有向图，具体如下：

(1)基于第一深度学习网络和待处理数据的特征向量，生成第一知识单元。

作为一种可选的实施方式，将待处理数据的特征向量输入到第一深度学习网络，获得模型训练结果；将模型训练结果输入到知识库中，使知识库根据模型训练结果和模型训练结果与知识单元的映射关系，生成第一知识单元。

具体而言，第一深度学习网络用于提取待处理数据的特征，预测结果指待处理数据的评价级别，知识单元指待处理数据的评价。测评刀具的使用寿命的长短时，采集刀具的参数(尺寸、材料以及刀刃的锋利程度等若干参数)输入到第一深度学习网络进行训练，输出表示刀具的使用寿命的长短的评价级别的符号，知识库通过查阅符号与评价，得出刀具的使用寿命的长短。

(2)基于第二深度学习网络和第一知识单元，生成第二知识单元和第一知识单元与第二知识单元的权重值。

作为一种可选的实施方式，将第一知识单元和待处理数据的特征向量输入到第二深度学习网络的训练层，获得训练层输出的第二知识单元；将第一知识单元和第二知识单元输入到第二深度学习网络的权重值生成层，生成第一知识单元与第二知识单元的权重值。

将(1)中产生的知识单元和待处理数据的特征向量输入到第二深度学习网络的训练层再次训练(提取特征)，形成新的知识单元。将知识单元与新的知识单元(第二深度学习网络的训练层的训练结果)输入到第二深度学习网络的权重值生成层，第二深度学习网络输出权重值。这里的权重值表示两个知识单元之间的紧密程度，权重值越大，两个知识单元之间的关系越紧密。

(3)根据权重值，生成包含由第一知识单元指向第二知识单元的有向图的工业知识图谱。

具体而言，知识单元本身可用节点表示，训练后的知识单元是通过知识单元，知识的流动方向是从知识单元流向训练后的知识单元，可用方向表示，权重值大小指知识单元和训练后的知识单元的紧密关系，可用连线的长短表示。根据上述方法，形成知识单元和训练后的知识单元的有向图。不断地根据知识单元经过训练得到训练后知识，根据权重值构建知识单元和训练后的知识单元的有向图，可形成知识图谱。用户可以选择知识图谱的展示方式，其中，展示方式可以为拓扑图、图标或者思维导图，若展示方式为拓扑图或者思维导图，用户可以通过拖曳编辑知识图谱，编辑后的知识图谱可以导出。

基于上述分析可知，与相关技术中的无法建立知识单元与知识单元之间的联系相比，本发明实施例提供的工业知识图谱的构建方法采用将待处理数据输入深度学习网络中训练，形成的知识单元与知识单元的有向图的工业知识图谱。

本发明实施例所提供的工业知识图谱的构建方法进行的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

本发明实施例所提供的工业知识图谱的构建装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的***、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以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-OnlyMemory)、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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种工业知识图谱的构建方法，其特征在于，包括：

获取待处理数据的特征向量；

建立并初始化算法模型，其中，所述算法模型包括第一深度学习网络和第二深度学习网络；

基于所述第一深度学习网络和所述待处理数据的特征向量，生成第一知识单元；

基于所述第二深度学习网络和所述第一知识单元，生成第二知识单元和所述第一知识单元与所述第二知识单元的权重值；

根据所述权重值，生成包含由所述第一知识单元指向所述第二知识单元的有向图的工业知识图谱。

2.根据权利要求1所述的方法，其特征在于，所述获取待处理数据的特征向量，包括：

建立数据模型，其中，所述数据模型包括源端数据源、目标端数据源以及所述源端数据源和所述目标端数据源的映射关系；

通过源端数据源从源端获取待处理数据；

基于所述源端数据源和所述目标端数据源的映射关系，获取所述待处理数据映射的目标端数据源，得到所述待处理数据的特征向量。

3.根据权利要求2所述的方法，其特征在于，所述初始化算法模型，包括：

将所述待处理数据的索引配置在所述第一深度学习网络和所述第二深度学习网络；

设置所述第一深度学习网络的训练算法和所述第二深度学习网络的训练算法。

4.根据权利要求1所述的方法，其特征在于，基于所述第一深度学习网络和所述待处理数据的特征向量，生成第一知识单元，包括：

将所述待处理数据的特征向量输入到所述第一深度学习网络，获得模型训练结果；

将模型训练结果输入到知识库中，使所述知识库根据所述模型训练结果和所述模型训练结果与知识单元的映射关系，生成第一知识单元。

5.根据权利要求1所述的方法，其特征在于，所述基于所述第二深度学习网络和所述第一知识单元，生成第二知识单元和所述第一知识单元与所述第二知识单元的权重值，包括：

将所述第一知识单元和所述待处理数据的特征向量输入到所述第二深度学习网络的训练层，获得所述训练层输出的第二知识单元；

将所述第一知识单元和所述第二知识单元输入到所述第二深度学习网络的权重值生成层，生成所述第一知识单元与所述第二知识单元的权重值。

6.一种工业知识图谱的构建装置，其特征在于，包括：

数据获取模块，用于获取待处理数据的特征向量；

模型建立模块，用于建立并初始化算法模型，其中，所述算法模型包括第一深度学习网络和第二深度学习网络；

知识图谱生成模块，用于基于所述第一深度学习网络和所述待处理数据的特征向量，生成第一知识单元，基于所述第二深度学习网络和所述第一知识单元，生成第二知识单元和所述第一知识单元与所述第二知识单元的权重值，根据所述权重值，生成包含由所述第一知识单元指向所述第二知识单元的有向图的工业知识图谱。

7.根据权利要求6所述的装置，其特征在于，所述数据获取模块，具体用于包括：

建立数据模型，其中，所述数据模型包括源端数据源、目标端数据源以及所述源端数据源和所述目标端数据源的映射关系；

通过源端数据源从源端获取待处理数据；

基于所述源端数据源和所述目标端数据源的映射关系，获取所述待处理数据映射的目标端数据源，得到所述待处理数据的特征向量。

8.根据权利要求7所述的装置，其特征在于，所述模型建立模块，具体用于包括：

将所述待处理数据的索引配置在所述第一深度学习网络和所述第二深度学习网络；

设置所述第一深度学习网络的训练算法和所述第二深度学习网络的训练算法。

9.根据权利要求6所述的装置，其特征在于，所述知识图谱生成模块，具体用于包括：

将所述待处理数据的特征向量输入到所述第一深度学习网络，获得模型训练结果；

将模型训练结果输入到知识库中，使所述知识库根据所述模型训练结果和所述模型训练结果与知识单元的映射关系，生成第一知识单元。

10.根据权利要求6所述的装置，其特征在于，所述知识图谱生成模块，具体还用于包括：

将所述第一知识单元和所述待处理数据的特征向量输入到所述第二深度学习网络的训练层，获得所述训练层输出的第二知识单元；

将所述第一知识单元和所述第二知识单元输入到所述第二深度学习网络的权重值生成层，生成所述第一知识单元与所述第二知识单元的权重值。