CN111639196A - 一种多层渐进增强的地灾知识图谱及其自动补全方法 - Google Patents
一种多层渐进增强的地灾知识图谱及其自动补全方法 Download PDFInfo
- Publication number
- CN111639196A CN111639196A CN202010493504.7A CN202010493504A CN111639196A CN 111639196 A CN111639196 A CN 111639196A CN 202010493504 A CN202010493504 A CN 202010493504A CN 111639196 A CN111639196 A CN 111639196A
- Authority
- CN
- China
- Prior art keywords
- data
- disaster
- knowledge
- entity
- graph
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多层渐进增强的地灾知识图谱及其自动补全方法,包括基于多传感器观测数据融合增强的地灾场景要素提取,所述传感器将用于获得具有丰富时空信息的场景要素信息库,将用于生成具有实体节点及关系连接的场景多元组图模型;涉及利用图卷积神经网络的谱聚类算法思想构建关系权重约束的知识表征学习,利用大量多元组图模型训练加权聚类的知识表征学习算法用于知识图谱的补全,涉及面向存在缺失问题的地灾知识图谱的渐进自动补全。有益效果为:将图模型与图计算相结合,研究了地灾场景中数据的结构及知识的挖掘,实现了地灾知识图谱的自动补全,可为应用知识图谱的后续分析提供支撑。
Description
技术领域
本发明涉及地理空间数据处理技术领域,具体来说,涉及一种多层渐进增强的地灾知识图谱及其自动补全方法。
背景技术
随着地质灾害事件的频繁发生,人们深刻体会到灾害对经济、社会、环境以及生产生活造成的严重影响。尤其是地质灾害普遍存在的具有隐蔽性、突发性、不确定性等复杂特点,极大地增加了主动防范和监测预警的难度。为做出科学预警和主动防范,减轻灾害导致的损失,专家从灾害的内在规律、演化机理以及应急管理策略等方向上开展了许多地灾隐患的分析方法的研究。另外,近年来随着人工智能、大数据、云计算、物联网、地理信息等新技术的出现,为解决分析地灾场景的态势提供了思路。
然而,依据案例及经验构建的地灾知识图谱概念模型虽然能够表达孕灾环境、诱发因子、关联关系等知识,但具体地灾场景中的知识网络会因为要素数量多、关系隐蔽,形态模糊等问题,造成节点和边关系链接的缺失,而人工建立这些节点和边代价高容易出现错漏且效率低。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种多层渐进增强的地灾知识图谱及其自动补全方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种多层渐进增强的地灾知识图谱及其自动补全方法,包括基于多传感器观测数据融合增强的地灾场景要素提取,所述传感器将用于获得具有丰富时空信息的场景要素信息库;
其中,将用于生成具有实体节点及关系连接的场景多元组图模型;涉及利用图卷积神经网络的谱聚类算法思想构建关系权重约束的知识表征学习:
利用大量多元组图模型训练加权聚类的知识表征学习算法用于知识图谱的补全;
涉及面向存在缺失问题的地灾知识图谱的渐进自动补全,将基于灾害监测数据获取具有完备信息的知识实现多层渐进增强的图谱补全,包括以下步骤;
步骤A,数据增强的场景要素提取:基于提取地质灾害中精确时空信息的需求,利用多传感器数据源进行数据增强处理需要,提取具有时空特征的地灾场景要素;所述的数据增强为利用融合技术提取准确信息,如高光谱影像和LiDAR数据的融合、GNSS与InSAR数据融合等;
步骤B,所述地灾场景要素包括实体数据及实体关系,孕灾环境、承灾体、致灾因子等,时序关系、空间关系、因果关系等;
步骤C,图模型增强的多元组构建:依次解析实体以及关系所呈现的数据结构特性,包括尺度以及维度,以基于三元组构建改进的多元组构建规则作为初步结构化地灾要素的准则,
步骤D,所述的多元组表示为<实体1,关系集,实体2,<...>...>;利用图模型增强思想构建一种具有权值有向连接层的多元组图模型,目的使不同实体间的复杂关系进行明确并有效的表达,实现生成场景多元组图模型;所述图模型包括多元组中实体映射的属性节点,多元组中关系集映射的具有权重的有向边连接;
步骤E,算法增强的知识表征学习:基于算法增强的图卷积神经网络构建面向具体地灾场景的知识表征学习网络,经过大量的多元组进行训练并实现自动地提取知识;
步骤F,所述算法增强即在网络中嵌入加权聚类,包括根据空间位置对边权重的多阶采样及根据采样后的权重进行的分阶加权聚类,目的为挖掘节点的有效性以及更加准确的节点关系;
步骤G,对算法训练进行网络层调参直到收敛或达到预期的效果,获得具有一定泛化能力的加权聚类的表征学习算法;
步骤H,知识图谱的渐进自动补全,应用步骤G训练完成的加权聚类的知识表征学习算法,输入存在缺失问题的地灾知识图谱,实现基于具体地灾场景数据的多层渐进增强的知识图谱自动补全结果。
作为优选的,所述基于数据增强的场景要素提取包括以下步骤;
步骤A1,融合多源数据:利用不同时间与空间的多传感器数据资源,采用计算机技术对按时间序列获得的多传感器观测数据,在一定准则下利用数据融合技术,获得对被测对象及其周边地物的一致性解释与描述信息;
步骤A2,所述多传感观测数据包括影像数据、点云数据、地质数据和地下监测数据等;所述数据融合技术即结构化与非结构化数据融合,其中包括高光谱影像与点云数据融合和形变监测数据与地下监测数据融合等;
步骤A3,提取场景要素:结合已有的地灾知识图谱与上述的数据融合模块提取具体地灾的场景要素,以构建地灾场景要素信息库;
步骤A4,所述场景要素包括灾害的实体数据及关系数据,其中所述实体数据为具有本体信息的孕灾环境、致灾因子和承灾体等要素,所述关系数据为具有关联信息的时序关系、空间关系和因果关系等要素。
作为优选的,在所述步骤C,中,所述图模型增强的多元组构建包括以下步骤:
步骤C1,构建多元组;基于对实体以及关系所呈现的数据结构特性的解析,对传统的三元组构建方法进行改进获得多元组的构建规则,用于初步结构化要素;
步骤C2,所述的三元组一般用于事实的表示,记为<头实体,关系,尾实体>(<headentity,relation,tail entity>);所述多元组表示为<实体1,关系集,实体2,<...>...>;所述实体信息包括有多个分别属于致灾因子、孕灾环境、承灾体的实体数据;
步骤C3,所述关系集是以有向向量的形式对实体间关系的描述,可表示为:所述语义为实体间关系的解释,如诱发因子实体在一定程度上对灾害实体的影响即为在语义上的因果关系;
步骤C4,所述方向包括实体间的单向关联和双向关联;所述长度为实体在场景中的地理空间距离;
步骤C5,图模型增强,利用图模型增强思想构建一种可以对又向连接层进行权重赋值的多元组图模型,所述图模型是由节点和连接边组成的用以描述***的结构模型,其中每条边可以被赋以权,用以表示实体关系中的语义、距离等。
作为优选的,在所述步骤E中,算法增强的知识表征学习包括以下步骤:
步骤E1,权重采样算法增强,利用一种基于关系语义与空间距离约束的多阶权重采样方法对多元组图模型的边向量进行采样;
步骤E2,所述多阶权重采样方法指对目标节点的第k层邻居采样过程中:当时为一阶采样函数,优先采样边类型为“因果关系”的邻居节点;
步骤E3,当时为二阶采样函数,优先采样边类型为“空间关系”的邻居节点;采样后边连接获得一个新的权重赋值,即为节点间的语义相似度;
步骤E4,根据步骤E1所述的权重结合节点的网络拓扑距离对多元组图模型中的节点进行加权聚类;所述加权聚类算法表述为利用一个邻接矩阵表示图模型并使得结点的相互连接更加紧密;
步骤E5,加权聚类算法增强的知识表征学习,将上述中的算法嵌入知识表征学习中获取知识,可简述为以下步骤:对图中每个节点采样固定数量的邻居节点作为该节点的邻居节点集合;通过加权的聚合函数对采样得到的邻居节点进行聚合,以聚合邻居节点的特征信息,得到新的节点以及边向量信息;通过聚合得到的向量表示用于损失计算,更新权重矩阵。
本发明的有益效果为:具体针对复杂地灾场景中的存在要素数量多、关系隐蔽,形态模糊等信息缺失问题,所述多层渐进增强是指从数据融合、模型构建、算法学习三层渐进增强的角度,将图模型与图计算相结合,研究了地灾场景中数据的结构及知识的挖掘,实现了地灾知识图谱的自动补全,可为应用知识图谱的后续分析提供支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是根据本发明实施例的一种多层渐进增强的地灾知识图谱及其自动补全方法的步骤流程图之一;
图2是根据本发明实施例的一种多层渐进增强的地灾知识图谱及其自动补全方法的步骤流程图之二;
图3是根据本发明实施例的一种多层渐进增强的地灾知识图谱及其自动补全方法的步骤流程图之三;
图4是根据本发明实施例的一种多层渐进增强的地灾知识图谱及其自动补全方法的步骤流程图之四;
图5是根据本发明实施例的一种多层渐进增强的地灾知识图谱及其自动补全方法的步骤流程图之五;
图6是根据本发明实施例的一种多层渐进增强的地灾知识图谱及其自动补全方法的原理示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种多层渐进增强的地灾知识图谱及其自动补全方法。
实施例一;
如图1-6所示,根据本发明实施例的多层渐进增强的地灾知识图谱及其自动补全方法,包括基于多传感器观测数据融合增强的地灾场景要素提取,所述传感器将用于获得具有丰富时空信息的场景要素信息库;
其中,将用于生成具有实体节点及关系连接的场景多元组图模型;涉及利用图卷积神经网络的谱聚类算法思想构建关系权重约束的知识表征学习:
利用大量多元组图模型训练加权聚类的知识表征学习算法用于知识图谱的补全;
涉及面向存在缺失问题的地灾知识图谱的渐进自动补全,将基于灾害监测数据获取具有完备信息的知识实现多层渐进增强的图谱补全,包括以下步骤;
步骤A,数据增强的场景要素提取:基于提取地质灾害中精确时空信息的需求,利用多传感器数据源进行数据增强处理需要,提取具有时空特征的地灾场景要素;所述的数据增强为利用融合技术提取准确信息,如高光谱影像和LiDAR数据的融合、GNSS与InSAR数据融合等;
步骤B,所述地灾场景要素包括实体数据及实体关系,孕灾环境、承灾体、致灾因子等,时序关系、空间关系、因果关系等;
步骤C,图模型增强的多元组构建:依次解析实体以及关系所呈现的数据结构特性,包括尺度以及维度,以基于三元组构建改进的多元组构建规则作为初步结构化地灾要素的准则;
步骤D,所述的多元组表示为<实体1,关系集,实体2,<...>...>;利用图模型增强思想构建一种具有权值有向连接层的多元组图模型,目的使不同实体间的复杂关系进行明确并有效的表达,实现生成场景多元组图模型;所述图模型包括多元组中实体映射的属性节点,多元组中关系集映射的具有权重的有向边连接;
步骤E,算法增强的知识表征学习:基于算法增强的图卷积神经网络构建面向具体地灾场景的知识表征学习网络,经过大量的多元组进行训练并实现自动地提取知识;
步骤F,所述算法增强即在网络中嵌入加权聚类,包括根据空间位置对边权重的多阶采样及根据采样后的权重进行的分阶加权聚类,目的为挖掘节点的有效性以及更加准确的节点关系;
步骤G,对算法训练进行网络层调参直到收敛或达到预期的效果,获得具有一定泛化能力的加权聚类的表征学习算法;
步骤H,知识图谱的渐进自动补全,应用步骤G训练完成的加权聚类的知识表征学习算法,输入存在缺失问题的地灾知识图谱,实现基于具体地灾场景数据的多层渐进增强的知识图谱自动补全结果。
实施例二;
如图1-6所示,所述基于数据增强的场景要素提取包括以下步骤;
步骤A1,融合多源数据:利用不同时间与空间的多传感器数据资源,采用计算机技术对按时间序列获得的多传感器观测数据,在一定准则下利用数据融合技术,获得对被测对象及其周边地物的一致性解释与描述信息;
步骤A2,所述多传感观测数据包括影像数据、点云数据、地质数据和地下监测数据等;所述数据融合技术即结构化与非结构化数据融合,其中包括高光谱影像与点云数据融合和形变监测数据与地下监测数据融合等;
步骤A3,提取场景要素:结合已有的地灾知识图谱与上述的数据融合模块提取具体地灾的场景要素,以构建地灾场景要素信息库;
步骤A4,所述场景要素包括灾害的实体数据及关系数据,其中所述实体数据为具有本体信息的孕灾环境、致灾因子和承灾体等要素,所述关系数据为具有关联信息的时序关系、空间关系和因果关系等要素。
实施例三;
如图1-6所示,在所述步骤C,中,所述图模型增强的多元组构建包括以下步骤:
步骤C1,构建多元组;基于对实体以及关系所呈现的数据结构特性的解析,对传统的三元组构建方法进行改进获得多元组的构建规则,用于初步结构化要素;
步骤C2,所述的三元组一般用于事实的表示,记为<头实体,关系,尾实体>(<headentity,relation,tail entity>);所述多元组表示为<实体1,关系集,实体2,<...>...>;所述实体信息包括有多个分别属于致灾因子、孕灾环境、承灾体的实体数据;
步骤C3,所述关系集是以有向向量的形式对实体间关系的描述,可表示为:所述语义为实体间关系的解释,如诱发因子实体在一定程度上对灾害实体的影响即为在语义上的因果关系;
步骤C4,所述方向包括实体间的单向关联和双向关联;所述长度为实体在场景中的地理空间距离;
步骤C5,图模型增强,利用图模型增强思想构建一种可以对又向连接层进行权重赋值的多元组图模型,所述图模型是由节点和连接边组成的用以描述***的结构模型,其中每条边可以被赋以权,用以表示实体关系中的语义、距离等。
实施例四;
如图1-6所示,在所述步骤E中,算法增强的知识表征学习包括以下步骤:
步骤E1,权重采样算法增强,利用一种基于关系语义与空间距离约束的多阶权重采样方法对多元组图模型的边向量进行采样;
步骤E2,所述多阶权重采样方法指对目标节点的第k层邻居采样过程中:当时为一阶采样函数,优先采样边类型为“因果关系”的邻居节点;
步骤E3,当时为二阶采样函数,优先采样边类型为“空间关系”的邻居节点;采样后边连接获得一个新的权重赋值,即为节点间的语义相似度;
步骤E4,根据步骤E1所述的权重结合节点的网络拓扑距离对多元组图模型中的节点进行加权聚类;所述加权聚类算法表述为利用一个邻接矩阵表示图模型并使得结点的相互连接更加紧密;
步骤E5,加权聚类算法增强的知识表征学习,将上述中的算法嵌入知识表征学习中获取知识,可简述为以下步骤:对图中每个节点采样固定数量的邻居节点作为该节点的邻居节点集合;通过加权的聚合函数对采样得到的邻居节点进行聚合,以聚合邻居节点的特征信息,得到新的节点以及边向量信息;通过聚合得到的向量表示用于损失计算,更新权重矩阵。
综上所述,借助于本发明的上述技术方案,具体针对复杂地灾场景中的存在要素数量多、关系隐蔽,形态模糊等信息缺失问题,所述多层渐进增强是指从数据融合、模型构建、算法学习三层渐进增强的角度,将图模型与图计算相结合,研究了地灾场景中数据的结构及知识的挖掘,实现了地灾知识图谱的自动补全,可为应用知识图谱的后续分析提供支撑。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种多层渐进增强的地灾知识图谱及其自动补全方法,其特征在于,包括基于多传感器观测数据融合增强的地灾场景要素提取,所述传感器将用于获得具有丰富时空信息的场景要素信息库;
其中,将用于生成具有实体节点及关系连接的场景多元组图模型;涉及利用图卷积神经网络的谱聚类算法思想构建关系权重约束的知识表征学习:
利用大量多元组图模型训练加权聚类的知识表征学习算法用于知识图谱的补全;
涉及面向存在缺失问题的地灾知识图谱的渐进自动补全,将基于灾害监测数据获取具有完备信息的知识实现多层渐进增强的图谱补全,包括以下步骤;
步骤A,数据增强的场景要素提取:基于提取地质灾害中精确时空信息的需求,利用多传感器数据源进行数据增强处理需要,提取具有时空特征的地灾场景要素;所述的数据增强为利用融合技术提取准确信息,如高光谱影像和LiDAR数据的融合、GNSS与InSAR数据融合等;
步骤B,所述地灾场景要素包括实体数据及实体关系,孕灾环境、承灾体、致灾因子等,时序关系、空间关系、因果关系等;
步骤C,图模型增强的多元组构建:依次解析实体以及关系所呈现的数据结构特性,包括尺度以及维度,以基于三元组构建改进的多元组构建规则作为初步结构化地灾要素的准则,
步骤D,所述的多元组表示为<实体1,关系集,实体2,<...>...>;利用图模型增强思想构建一种具有权值有向连接层的多元组图模型,目的使不同实体间的复杂关系进行明确并有效的表达,实现生成场景多元组图模型;所述图模型包括多元组中实体映射的属性节点,多元组中关系集映射的具有权重的有向边连接;
步骤E,算法增强的知识表征学习:基于算法增强的图卷积神经网络构建面向具体地灾场景的知识表征学习网络,经过大量的多元组进行训练并实现自动地提取知识;
步骤F,所述算法增强即在网络中嵌入加权聚类,包括根据空间位置对边权重的多阶采样及根据采样后的权重进行的分阶加权聚类,目的为挖掘节点的有效性以及更加准确的节点关系;
步骤G,对算法训练进行网络层调参直到收敛或达到预期的效果,获得具有一定泛化能力的加权聚类的表征学习算法;
步骤H,知识图谱的渐进自动补全,应用步骤G训练完成的加权聚类的知识表征学习算法,输入存在缺失问题的地灾知识图谱,实现基于具体地灾场景数据的多层渐进增强的知识图谱自动补全结果。
2.根据权利要求1所述的一种多层渐进增强的地灾知识图谱及其自动补全方法,其特征在于,所述基于数据增强的场景要素提取包括以下步骤;
步骤A1,融合多源数据:利用不同时间与空间的多传感器数据资源,采用计算机技术对按时间序列获得的多传感器观测数据,在一定准则下利用数据融合技术,获得对被测对象及其周边地物的一致性解释与描述信息;
步骤A2,所述多传感观测数据包括影像数据、点云数据、地质数据和地下监测数据等;所述数据融合技术即结构化与非结构化数据融合,其中包括高光谱影像与点云数据融合和形变监测数据与地下监测数据融合等;
步骤A3,提取场景要素:结合已有的地灾知识图谱与上述的数据融合模块提取具体地灾的场景要素,以构建地灾场景要素信息库;
步骤A4,所述场景要素包括灾害的实体数据及关系数据,其中所述实体数据为具有本体信息的孕灾环境、致灾因子和承灾体等要素,所述关系数据为具有关联信息的时序关系、空间关系和因果关系等要素。
3.根据权利要求2所述的一种多层渐进增强的地灾知识图谱及其自动补全方法,其特征在于,在所述步骤C,中,所述图模型增强的多元组构建包括以下步骤:
步骤C1,构建多元组;基于对实体以及关系所呈现的数据结构特性的解析,对传统的三元组构建方法进行改进获得多元组的构建规则,用于初步结构化要素;
步骤C2,所述的三元组一般用于事实的表示,记为<头实体,关系,尾实体>(<headentity,relation,tail entity>);所述多元组表示为<实体1,关系集,实体2,<...>...>;所述实体信息包括有多个分别属于致灾因子、孕灾环境、承灾体的实体数据;
步骤C3,所述关系集是以有向向量的形式对实体间关系的描述,可表示为:所述语义为实体间关系的解释,如诱发因子实体在一定程度上对灾害实体的影响即为在语义上的因果关系;
步骤C4,所述方向包括实体间的单向关联和双向关联;所述长度为实体在场景中的地理空间距离;
步骤C5,图模型增强,利用图模型增强思想构建一种可以对又向连接层进行权重赋值的多元组图模型,所述图模型是由节点和连接边组成的用以描述***的结构模型,其中每条边可以被赋以权,用以表示实体关系中的语义、距离等。
4.根据权利要求3所述的一种多层渐进增强的地灾知识图谱及其自动补全方法,其特征在于,在所述步骤E中,算法增强的知识表征学习包括以下步骤:
步骤E1,权重采样算法增强,利用一种基于关系语义与空间距离约束的多阶权重采样方法对多元组图模型的边向量进行采样;
步骤E2,所述多阶权重采样方法指对目标节点的第k层邻居采样过程中:当时为一阶采样函数,优先采样边类型为“因果关系”的邻居节点;
步骤E3,当时为二阶采样函数,优先采样边类型为“空间关系”的邻居节点;采样后边连接获得一个新的权重赋值,即为节点间的语义相似度;
步骤E4,根据步骤E1所述的权重结合节点的网络拓扑距离对多元组图模型中的节点进行加权聚类;所述加权聚类算法表述为利用一个邻接矩阵表示图模型并使得结点的相互连接更加紧密;
步骤E5,加权聚类算法增强的知识表征学习,将上述中的算法嵌入知识表征学习中获取知识,可简述为以下步骤:对图中每个节点采样固定数量的邻居节点作为该节点的邻居节点集合;通过加权的聚合函数对采样得到的邻居节点进行聚合,以聚合邻居节点的特征信息,得到新的节点以及边向量信息;通过聚合得到的向量表示用于损失计算,更新权重矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493504.7A CN111639196B (zh) | 2020-06-03 | 2020-06-03 | 一种多层渐进增强的地灾知识图谱及其自动补全方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493504.7A CN111639196B (zh) | 2020-06-03 | 2020-06-03 | 一种多层渐进增强的地灾知识图谱及其自动补全方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639196A true CN111639196A (zh) | 2020-09-08 |
CN111639196B CN111639196B (zh) | 2022-03-15 |
Family
ID=72329815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010493504.7A Active CN111639196B (zh) | 2020-06-03 | 2020-06-03 | 一种多层渐进增强的地灾知识图谱及其自动补全方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639196B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699247A (zh) * | 2020-12-23 | 2021-04-23 | 清华大学 | 一种基于多类交叉熵对比补全编码的知识表示学习框架 |
CN112948506A (zh) * | 2021-04-01 | 2021-06-11 | 重庆邮电大学 | 一种基于卷积神经网络的改进元学习的关系预测方法 |
CN113159532A (zh) * | 2021-04-01 | 2021-07-23 | 兰州天泉信息科技有限公司 | 一种面向智能消防指挥***的辅助决策关键技术 |
CN114064926A (zh) * | 2021-11-24 | 2022-02-18 | 国家电网有限公司大数据中心 | 多模态电力知识图谱构建方法、装置、设备及存储介质 |
CN114780619A (zh) * | 2022-06-07 | 2022-07-22 | 国网浙江省电力有限公司金华供电公司 | 一种自动工程审价审计数据的异常预警方法 |
CN115292523A (zh) * | 2022-08-04 | 2022-11-04 | 中国科学院空天信息创新研究院 | 一种基于图表示学习的时空信息推理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170154108A1 (en) * | 2015-12-01 | 2017-06-01 | Oracle International Corporation | Resolution of ambiguous and implicit references using contextual information |
WO2018072563A1 (zh) * | 2016-10-18 | 2018-04-26 | 中兴通讯股份有限公司 | 一种知识图谱构建方法、装置及*** |
CN108491491A (zh) * | 2018-03-14 | 2018-09-04 | 广州杰赛科技股份有限公司 | 智能客服知识图谱的构建方法与*** |
CN108694469A (zh) * | 2018-06-08 | 2018-10-23 | 哈尔滨工程大学 | 一种基于知识图谱的关系预测方法 |
CN109389151A (zh) * | 2018-08-30 | 2019-02-26 | 华南师范大学 | 一种基于半监督嵌入表示模型的知识图谱处理方法和装置 |
CN109800671A (zh) * | 2018-12-28 | 2019-05-24 | 北京市遥感信息研究所 | 面向目标解译的多源遥感信息知识图谱构建方法和*** |
CN110334211A (zh) * | 2019-06-14 | 2019-10-15 | 电子科技大学 | 一种基于深度学习的中医诊疗知识图谱自动构建方法 |
CN110347847A (zh) * | 2019-07-22 | 2019-10-18 | 西南交通大学 | 基于神经网络的知识图谱补全方法 |
CN110427524A (zh) * | 2019-08-05 | 2019-11-08 | 北京百度网讯科技有限公司 | 知识图谱补全的方法、装置、电子设备及存储介质 |
-
2020
- 2020-06-03 CN CN202010493504.7A patent/CN111639196B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170154108A1 (en) * | 2015-12-01 | 2017-06-01 | Oracle International Corporation | Resolution of ambiguous and implicit references using contextual information |
WO2018072563A1 (zh) * | 2016-10-18 | 2018-04-26 | 中兴通讯股份有限公司 | 一种知识图谱构建方法、装置及*** |
CN108491491A (zh) * | 2018-03-14 | 2018-09-04 | 广州杰赛科技股份有限公司 | 智能客服知识图谱的构建方法与*** |
CN108694469A (zh) * | 2018-06-08 | 2018-10-23 | 哈尔滨工程大学 | 一种基于知识图谱的关系预测方法 |
CN109389151A (zh) * | 2018-08-30 | 2019-02-26 | 华南师范大学 | 一种基于半监督嵌入表示模型的知识图谱处理方法和装置 |
CN109800671A (zh) * | 2018-12-28 | 2019-05-24 | 北京市遥感信息研究所 | 面向目标解译的多源遥感信息知识图谱构建方法和*** |
CN110334211A (zh) * | 2019-06-14 | 2019-10-15 | 电子科技大学 | 一种基于深度学习的中医诊疗知识图谱自动构建方法 |
CN110347847A (zh) * | 2019-07-22 | 2019-10-18 | 西南交通大学 | 基于神经网络的知识图谱补全方法 |
CN110427524A (zh) * | 2019-08-05 | 2019-11-08 | 北京百度网讯科技有限公司 | 知识图谱补全的方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
YUE ZHAO 等: "Semi-supervised Auto-encoder Based Event Detection in Constructing Knowledge Graph for Social Good", 《CHINESE ACADEMY OF SCIENCES》 * |
朱庆 等: "重大滑坡隐患分析方法综述", 《测绘学报》 * |
谭剪梅: "顾及多类型用户需求的地震灾害场景知识图谱构建及应用", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699247A (zh) * | 2020-12-23 | 2021-04-23 | 清华大学 | 一种基于多类交叉熵对比补全编码的知识表示学习框架 |
CN112699247B (zh) * | 2020-12-23 | 2023-10-17 | 清华大学 | 一种基于多类交叉熵对比补全编码的知识表示学习方法 |
CN112948506A (zh) * | 2021-04-01 | 2021-06-11 | 重庆邮电大学 | 一种基于卷积神经网络的改进元学习的关系预测方法 |
CN113159532A (zh) * | 2021-04-01 | 2021-07-23 | 兰州天泉信息科技有限公司 | 一种面向智能消防指挥***的辅助决策关键技术 |
CN114064926A (zh) * | 2021-11-24 | 2022-02-18 | 国家电网有限公司大数据中心 | 多模态电力知识图谱构建方法、装置、设备及存储介质 |
CN114780619A (zh) * | 2022-06-07 | 2022-07-22 | 国网浙江省电力有限公司金华供电公司 | 一种自动工程审价审计数据的异常预警方法 |
CN115292523A (zh) * | 2022-08-04 | 2022-11-04 | 中国科学院空天信息创新研究院 | 一种基于图表示学习的时空信息推理方法 |
CN115292523B (zh) * | 2022-08-04 | 2023-09-22 | 中国科学院空天信息创新研究院 | 一种基于图表示学习的时空信息推理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111639196B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639196B (zh) | 一种多层渐进增强的地灾知识图谱及其自动补全方法 | |
CN111462282B (zh) | 一种场景图生成方法 | |
CN112256888A (zh) | 地理知识获取方法 | |
Gao | Geospatial artificial intelligence (GeoAI) | |
CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测*** | |
CN112560865B (zh) | 一种室外大场景下点云的语义分割方法 | |
CN115577294B (zh) | 一种基于兴趣点空间分布和语义信息的城市区域分类方法 | |
CN109062956A (zh) | 一种面向区域综合能源***的时空特征挖掘方法 | |
CN113449736A (zh) | 一种基于深度学习的摄影测量点云语义分割方法 | |
CN104463242A (zh) | 基于特征变换和词典学习的多特征动作识别方法 | |
CN114820655A (zh) | 可靠区域作为注意力机制监督的弱监督建筑物分割方法 | |
Li et al. | An aerial image segmentation approach based on enhanced multi-scale convolutional neural network | |
CN107392463B (zh) | 一种城市功能区识别方法、模块、装置及其存储装置 | |
CN116206158A (zh) | 基于双超图神经网络的场景图像分类方法及*** | |
Bouzidi et al. | Enhancing crisis management because of deep learning, big data and parallel computing environment: survey | |
Zhang et al. | Towards Urban General Intelligence: A Review and Outlook of Urban Foundation Models | |
Nie et al. | Semantic category balance-aware involved anti-interference network for remote sensing semantic segmentation | |
CN117116048A (zh) | 基于知识表示模型和图神经网络的知识驱动交通预测方法 | |
CN115905555A (zh) | 基于多模数据处理与融合的电力数据分析方法 | |
CN111897988B (zh) | 一种高光谱遥感图像分类方法及*** | |
CN115017420A (zh) | 一种基于深度学习的智能地址搜索***及方法 | |
Aryal et al. | Smart city and geospatiality: Hobart deeply learned | |
Sheng et al. | A communication-efficient model of sparse neural network for distributed intelligence | |
Xue et al. | Diversified point cloud classification using personalized federated learning | |
CN115858943A (zh) | 一种基于Transformer的社交关系识别方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 313000 No. 581, Fenghuang Road, Wuxing District, Huzhou City, Zhejiang Province Applicant after: Nuclear industry Huzhou survey, planning, design and Research Institute Co.,Ltd. Applicant after: WUHAN University Address before: 313000 No. 581, Fenghuang Road, Wuxing District, Huzhou City, Zhejiang Province Applicant before: Nuclear industry Huzhou Engineering Survey Institute Co.,Ltd. Applicant before: WUHAN University |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |