CN112052337A - 基于时空关联的目标关系探测方法、***及存储介质 - Google Patents
基于时空关联的目标关系探测方法、***及存储介质 Download PDFInfo
- Publication number
- CN112052337A CN112052337A CN202010720486.1A CN202010720486A CN112052337A CN 112052337 A CN112052337 A CN 112052337A CN 202010720486 A CN202010720486 A CN 202010720486A CN 112052337 A CN112052337 A CN 112052337A
- Authority
- CN
- China
- Prior art keywords
- target
- node
- similarity
- information
- preset
- 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.)
- Pending
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于时空关联的目标关系探测方法、***及存储介质,涉及数据处理技术领域,旨在解决如何更准确、有效地对目标的关系进行探测的问题,基于时空关联的目标关系探测方法包括以下步骤:基于在采集区域所采集的信息,构建知识图谱;基于所述知识图谱,输入目标的已知特征,确定表示目标的节点;基于所述表示目标的节点,筛选出与目标相关的候选节点集;计算所述候选节点集中的各节点与所述表示目标的节点间的相似度;基于所述相似度,确定与所述目标强相关的群体。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于时空关联的目标关系探测方法、***及存储介质。
背景技术
随着互联网的发展,网络数据内容呈现***式增长的态势。很多政府部门或企业都汇聚了大量内部、外部数据资源,对这些数据资源往往是通过数据治理的方式加以提取,但这类数据大多是静态数据,提取后很难保证其实时性和有效性,而且,在这些海量数据背后还隐藏着很强的隐性关系。在实际生活中,这类动态的且存在隐性关系的数据更符合我们通过数据了解领域现状的要求。当然,想要提取并分析这类数据的难度也相对较大,故需要借助更广泛的数据采集来源和更广泛的数据分析挖掘手段,这类数据才能被提取并加以利用。
发明内容
本发明的主要目的在于提供一种基于时空关联的目标关系探测方法、***及存储介质,旨在解决如何更准确、有效地对目标的关系进行探测的问题。
为实现上述目的,本发明提供的一种基于时空关联的目标关系探测方法、***及存储介质,包括以下步骤:
基于在采集区域所采集的信息,构建知识图谱;
基于所述知识图谱,输入目标的已知特征,确定表示目标的节点;
基于所述表示目标的节点,筛选出与目标相关的候选节点集;
计算所述候选节点集中的各节点与所述表示目标的节点间的相似度;
基于所述相似度,确定与所述目标强相关的群体。
在本申请的一实施例中,基于在采集区域所采集的信息,构建知识图谱,进一步包括以下步骤:
调取在所述采集区域预先设置的采集设备所采集的信息;
基于所述采集设备所采集的信息,生成相应图层的子图;
对所述子图的信息进行关联,进而得到相应的知识图谱。
在本申请的一实施例中,与目标相关的信息至少包括目标出现的地点信息和时间信息。
在本申请的一实施例中,基于所述与目标相关的信息,筛选出与目标相关的候选节点集,进一步包括以下步骤:
基于目标出现的地点信息和时间信息,筛选出满足预设时间范围内出现在目标出现的地点的预设范围内的节点;
将所述筛选出的节点归入候选节点集,调取所述筛选出的节点的其他信息并进行关联存储。
在本申请的一实施例中,计算所述候选节点集中的各节点与所述表示目标的节点间的相似度,进一步包括以下步骤:
通过Node2vec算法将候选节点集中的各节点向量化,以得到相应的节点向量;
基于所述节点向量的信息,利用余弦相似度算法计算所述节点向量的相似度。
在本申请的一实施例中,基于所述节点向量的信息,利用余弦相似度算法计算所述节点向量的相似度之后,还包括以下步骤:
将满足预设的相同的相似度范围的节点向量划分至同一簇;
计算各簇的模块度;
将所述各簇的模块度与预设的模块度阈值比较,当所述各簇的模块度未达到预设的模块度阈值时,则调整所述节点向量,并重复上述步骤,否则,结束当前步骤。
在本申请的一实施例中,基于所述相似度,确定与所述目标强相关的群体,进一步包括以下步骤:
将所述任意两相邻的节点向量的最终的相似度与预设的相似度阈值作比较,当所述节点向量的相似度低于所述预设的相似度阈值时,则判断所述节点与所述目标不存在关系,并将该节点及其所连接的边删除;否则,则判断所述节点与所述目标不存在关系,保留该节点及其所连接的边,保留的节点为与所述目标强相关的群体。
本发明还提供了一种实现上述的基于时空关联的目标关系探测方法的***,其特征在于,包括:
构建模块,用于基于所述采集设备所采集的信息构建所述知识图谱;
获取模块,用于基于所述目标的已知特征,获取与目标相关的信息;
筛选模块,用于基于所述与目标相关的信息,筛选出与所述目标相关的候选节点集;
计算模块,用于计算所述候选节点集中的各节点与所述表示目标的节点间的相似度;
确定模块,用于基于计算模块所计算的相似度,确定与所述目标强相关的群体。
本发明还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行如任一项所述的方法。
本发明具有如下有益效果:本发明的基于时空关联的目标关系探测方法通过将在预设时间范围内出现在目标出现的地点的预设范围内的节点归入候选节点集,即通过时间和地点双重条件对节点进行筛选,提高筛选的精确性。通过计算候选节点集中的节点与表示目标节点之间的相似度,以确定与目标强相关的群体,进一步提高筛选的精确性。通过计算模块度以对节点向量进行调整,提高相似度的计算有效性,进而保证了筛选与目标强相关的群体的准确性。
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,下面将对实施例或现有技术描述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示例性的实施例,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示出的结构获得其他的附图,其中:
图1为本发明实施例一种基于时空关联的目标关系探测方法的流程示意图;
图2为本发明实施例一种基于时空关联的目标关系探测***的结构示意图。
具体实施方式
下面将结合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的示例性的实施例,而不是唯一的实施例。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。
如图1所示,本发明提供的一种基于时空关联的目标关系探测方法、***及存储介质,包括以下步骤:
S10基于在采集区域所采集的信息,构建知识图谱。
S11调取在所述采集区域预先设置的采集设备所采集的信息。
具体地,先在采集区域部署采集设备,并利用采集设备采集对应的信息,采集设备可以为现有技术中的摄像机、治安卡口、基站等,采集设备所采集的信息对应地可以为人脸信息、车牌信息、定位信息,采集设备所采集的信息还可以为采集设备的信息和采集设备采集上述信息所对应的时间信息等。当通过摄像机或治安卡口记录人脸信息或车牌信息时,通过记录采集设备的位置,即可知道采集设备所采集的主体对应的位置信息。
S12基于所述采集设备所采集的信息,生成相应图层的子图。
具体地,基于采集设备所采集的信息,生成若干相应图层的子图,相应图层的子图可以为若干基站探针子图、人脸探头子图、车牌探头子图等,相应图层的子图至少包括表示采集设备的节点、表示采集设备所采集的主体即人脸、车牌、定位地址等的节点、以及表示节点的连接关系的边。
S13对所述子图的信息进行关联,进而得到相应的知识图谱。
具体地,对各图层的子图进行关联,即基于各图层的子图的节点和边的信息,将相同图层的子图中相同或相似的节点和/或边进行合并,以及通过挖掘不同图层的子图中节点的隐性关系,并对不同图层的子图中相同或相似的节点/或边进行关联,进而生成能够显示采集设备和采集设备所采集的主体的信息以及其连接关系的知识图谱。
S20基于所述知识图谱,输入目标的已知特征,确定表示目标的节点。
具体地,基于知识图谱,输入目标的已知特征,如人脸信息、车牌信息、定位地址等,用于在知识图谱中调取表征符合该特征的节点,以对目标进行确定。调取符合特征的节点后,获取节点所对应的信息,即获取与目标相关的信息,与目标相关的信息至少包括目标出现的地点信息和时间信息,与目标相关的信息还可以为与目标的节点连接的其他节点的信息以及目标的节点与其他节点的连接关系的信息。当然,当输入的目标的已知特征较少时,有可能出现大量符合已知特征的节点,可通过人为干预进行筛选以确定表示目标的节点,也可以对符合已知特征的节点进行相似度计算,以确定表示目标的节点。
S30基于表示目标的节点,筛选出与目标相关的候选节点集。
S31基于目标出现的地点信息和时间信息,筛选出满足预设时间范围内出现在目标出现的地点的预设范围内的节点。
具体地,通过时间差和空间差相结合作为筛选条件,有助于有效、准确地筛选出与目标存在关系的节点,筛选出来的节点并不仅限于与表示目标的节点存在以边进行连接的其他节点,由于实际生活中的目标的关系不仅仅是知识图谱中以边进行连接的显性关系,如当警察在处理复杂案件时,往往需要通过分析日常的场景,以探索与目标存在关系的人员,进而对目标的关联群体或目标的轨迹进行判断,基于图谱中以边进行连接的显性关系,一般只能调取到与目标同一时间抵达相同地点,或存在明显交互关系的信息。但由于目标与其关联群体有可能是在先后时间抵达某一地点以实现交互的,所以仅通过显性关系判断的精确率较低。采用上述技术方案,通过筛选出满足预设时间范围内出现在目标出现的地点的预设范围内的节点,有助于通过知识图谱挖掘出与目标存在隐性关系的群体,在一定程度上能够提高对目标的关联群体进行筛查的准确性。预设的时间范围和目标出现的地点的预设范围均根据具体情况设置,例如预设的时间范围为N小时,目标出现的地点的预设范围为以目标出现的地点为中心的半径为M千米的圆的范围内,目标出现的地点的预设范围还可以为当目标出现在某商场三楼时,目标出现的地点的预设范围则是某商场的全区域。
S32将所述筛选出的节点归入候选节点集,调取所述筛选出的节点的其他信息并进行关联存储。
具体地,将满足预设时间范围内出现在目标出现的地点的预设范围内的节点归入候选节点集,从数据库和/或外源***调取节点表示的主体的其他信息,数据库和/或外源***可以为公安***、通讯***、支付***等。将候选节点集的信息对应地进行关联存储,即各节点所对应的主体在对应的时间点和对应的地点所产生的行为进行存储,例如,从支付***中调取到某节点所表示的主体在距离目标出现的时间后的n小时,在目标所出现的地点有支付记录。在确定候选节点集后,基于候选节点集中的节点信息以及对应边的信息,从知识图谱中提取及补全有用信息,有用信息包括节点所对应的主体的信息及其相关轨迹,排除无用信息,以提高后续计算的效率。
S40计算所述候选节点集中的各节点与所述表示目标的节点间的相似度。
S41通过Node2vec算法将候选节点集中的各节点向量化,以得到相应的节点向量。
具体地,通过现有技术中的Node2vec算法将候选节点集中的各节点向量化,以进一步完善节点间的关系信息。
S42基于所述节点向量的信息,利用余弦相似度算法计算所述节点向量的相似度。
具体地,通过余弦相似度算法计算节点向量的相似度,根据相似度对节点作进一步筛选,以提高筛选的精度。
S43将满足预设的相同的相似度范围的节点向量划分至同一簇。
具体地,将满足预设的相同的相似度范围的节点向量划分至同一簇,以便于对对应的节点向量进行计算和比较。相似度范围根据实际情况设置,将相似度范围划分为若干个子范围,满足相同的子范围的节点向量划分至同一簇。
S44计算各簇的模块度。
具体地,模块度是现有技术中用来衡量各簇的划分质量的衡量参数,模块度的值越接近1,表示各簇的划分越合理,划分质量越好。通过计算各簇的模块度,以辅助判断节点向量信息是否合理,进而提高筛选的关联群体的精度。
S45将所述各簇的模块度与预设的模块度阈值比较,当所述各簇的模块度未达到预设的模块度阈值时,则调整所述节点向量,并重复上述步骤,否则,结束步骤S40。
具体地,将各簇的模块度与预设的模块度阈值比较,当各簇的模块度未达到预设的模块度阈值时,说明节点向量信息不合理,则需要调整节点向量,并重复步骤S41-S45,当各簇的模块度达到预设的模块度阈值时,则结束步骤S40。
步骤S41-S45为对节点进行聚类的过程,当模块度收敛至模块度阈值时,则视为聚类完成。模块度阈值可根据实际应用场景进行设置。
S50基于所述相似度,确定与所述目标强相关的群体。
具体地,将任意两相邻的节点向量的最终的相似度与预设的相似度阈值作比较,当节点向量的相似度低于预设的相似度阈值时,则判断节点与目标不存在关系,并将该节点及其所连接的边删除;否则,则判断节点与目标不存在关系,保留该节点及其所连接的边,保留的节点所表征的主体为与目标强相关的群体。相似度阈值可根据实际应用场景进行设置。
根据本发明的实施例,如图2所示,本发明还提供了一种实现上述的一种基于时空关联的目标关系探测方法的***,包括:
构建模块,用于基于所述采集设备所采集的信息构建所述知识图谱;
获取模块,用于基于所述目标的已知特征,获取与目标相关的信息;
筛选模块,用于基于所述与目标相关的信息,筛选出与所述目标相关的候选节点集;
计算模块,用于计算所述候选节点集中的各节点与所述表示目标的节点间的相似度;
确定模块,用于基于计算模块所计算的相似度,确定与所述目标强相关的群体。
根据本发明的实施例,本发明还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行如任一项所述的方法。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.基于时空关联的目标关系探测方法,其特征在于,所述基于时空关联的目标关系探测方法包括以下步骤:
基于在采集区域所采集的信息,构建知识图谱;
基于所述知识图谱,输入目标的已知特征,确定表示目标的节点;
基于所述表示目标的节点,筛选出与目标相关的候选节点集;
计算所述候选节点集中的各节点与所述表示目标的节点间的相似度;
基于所述相似度,确定与所述目标强相关的群体。
2.根据权利要求1所述的基于时空关联的目标关系探测方法,其特征在于,基于在采集区域所采集的信息,构建知识图谱,进一步包括以下步骤:
调取在所述采集区域预先设置的采集设备所采集的信息;
基于所述采集设备所采集的信息,生成相应图层的子图;
对所述子图的信息进行关联,进而得到相应的知识图谱。
3.根据权利要求2所述的基于时空关联的目标关系探测方法,其特征在于,与目标相关的信息至少包括目标出现的地点信息和时间信息。
4.根据权利要求3所述的基于时空关联的目标关系探测方法,其特征在于,基于所述与目标相关的信息,筛选出与目标相关的候选节点集,进一步包括以下步骤:
基于目标出现的地点信息和时间信息,筛选出满足预设时间范围内出现在目标出现的地点的预设范围内的节点;
将所述筛选出的节点归入候选节点集,调取所述筛选出的节点的其他信息并进行关联存储。
5.根据权利要求4所述的基于时空关联的目标关系探测方法,其特征在于,计算所述候选节点集中的各节点与所述表示目标的节点间的相似度,进一步包括以下步骤:
通过Node2vec算法将候选节点集中的各节点向量化,以得到相应的节点向量;
基于所述节点向量的信息,利用余弦相似度算法计算所述节点向量的相似度。
6.根据权利要求5所述的基于时空关联的目标关系探测方法,其特征在于,基于所述节点向量的信息,利用余弦相似度算法计算所述节点向量的相似度之后,还包括以下步骤:
将满足预设的相同的相似度范围的节点向量划分至同一簇;
计算各簇的模块度;
将所述各簇的模块度与预设的模块度阈值比较,当所述各簇的模块度未达到预设的模块度阈值时,则调整所述节点向量,并重复上述步骤,否则,结束当前步骤。
7.根据权利要求6所述的基于时空关联的目标关系探测方法,其特征在于,基于所述相似度,确定与所述目标强相关的群体,进一步包括以下步骤:
将所述任意两相邻的节点向量的最终的相似度与预设的相似度阈值作比较,当所述节点向量的相似度低于所述预设的相似度阈值时,则判断所述节点与所述目标不存在关系,并将该节点及其所连接的边删除;否则,则判断所述节点与所述目标不存在关系,保留该节点及其所连接的边,保留的节点为与所述目标强相关的群体。
8.一种实现如权利要求1-7任一项所述的一种基于时空关联的目标关系探测方法的***,其特征在于,包括:
构建模块,用于基于所述采集设备所采集的信息构建所述知识图谱;
获取模块,用于基于所述目标的已知特征,获取与目标相关的信息;
筛选模块,用于基于所述与目标相关的信息,筛选出与所述目标相关的候选节点集;
计算模块,用于计算所述候选节点集中的各节点与所述表示目标的节点间的相似度;
确定模块,用于基于计算模块所计算的相似度,确定与所述目标强相关的群体。
9.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720486.1A CN112052337A (zh) | 2020-07-24 | 2020-07-24 | 基于时空关联的目标关系探测方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010720486.1A CN112052337A (zh) | 2020-07-24 | 2020-07-24 | 基于时空关联的目标关系探测方法、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112052337A true CN112052337A (zh) | 2020-12-08 |
Family
ID=73601451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010720486.1A Pending CN112052337A (zh) | 2020-07-24 | 2020-07-24 | 基于时空关联的目标关系探测方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052337A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239203A (zh) * | 2021-06-02 | 2021-08-10 | 北京金山数字娱乐科技有限公司 | 一种基于知识图谱的筛选方法及装置 |
CN113256804A (zh) * | 2021-06-28 | 2021-08-13 | 湖北亿咖通科技有限公司 | 一种三维重建尺度恢复方法、装置、电子设备及存储介质 |
-
2020
- 2020-07-24 CN CN202010720486.1A patent/CN112052337A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239203A (zh) * | 2021-06-02 | 2021-08-10 | 北京金山数字娱乐科技有限公司 | 一种基于知识图谱的筛选方法及装置 |
CN113256804A (zh) * | 2021-06-28 | 2021-08-13 | 湖北亿咖通科技有限公司 | 一种三维重建尺度恢复方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110047095B (zh) | 基于目标检测的跟踪方法、装置及终端设备 | |
US20170300919A1 (en) | Transaction risk detection method and apparatus | |
CN111355697B (zh) | 僵尸网络域名家族的检测方法、装置、设备及存储介质 | |
CN110807385A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN107665289B (zh) | 一种运营商数据的处理方法及*** | |
CN109190588A (zh) | 一种人口分类的方法及装置 | |
CN112052337A (zh) | 基于时空关联的目标关系探测方法、***及存储介质 | |
CN107528904B (zh) | 用于数据分布式异常检测的方法与设备 | |
CN108363783B (zh) | Mac地址与身份信息的绑定方法及装置 | |
CN109996245B (zh) | 通信资源投放评估方法、装置、电子设备及存储介质 | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
CN106530331A (zh) | 视频监控***及方法 | |
CN109947817B (zh) | 一种基于关联图谱的六度空间关系分析方法及*** | |
CN110891071A (zh) | 一种网络流量信息获取方法、装置及其相关设备 | |
CN114492590A (zh) | 一种基于轨迹聚类的边境通道生成方法及装置 | |
CN115187884A (zh) | 一种高空抛物识别方法、装置、电子设备及存储介质 | |
CN112070035A (zh) | 基于视频流的目标跟踪方法、装置及存储介质 | |
CN109871456B (zh) | 一种看守所人员关系分析方法、装置和电子设备 | |
CN111460246A (zh) | 基于数据挖掘和密度检测的实时活动异常人员发现方法 | |
CN111325185B (zh) | 人脸防欺诈方法及*** | |
CN114299231A (zh) | 一种河道水污染3d模型的构建方法 | |
CN112052338A (zh) | 一种知识图谱的构建方法、***及存储介质 | |
CN111382628B (zh) | 同行判定方法及装置 | |
CN112182658A (zh) | 一种基于隐私感知的轨迹数据采集***及方法 | |
CN111767571A (zh) | 一种医疗数据泄露的检测方法 |
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 |