CN112925921B - 基于dikw图谱的资源识别方法、相关装置及可读介质 - Google Patents
基于dikw图谱的资源识别方法、相关装置及可读介质 Download PDFInfo
- Publication number
- CN112925921B CN112925921B CN202110431356.0A CN202110431356A CN112925921B CN 112925921 B CN112925921 B CN 112925921B CN 202110431356 A CN202110431356 A CN 202110431356A CN 112925921 B CN112925921 B CN 112925921B
- Authority
- CN
- China
- Prior art keywords
- resource
- target object
- user
- intention
- resources
- 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.)
- Active
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本申请提出了一种基于DIKW图谱的资源识别方法、相关装置及可读介质,该方法通过获取目标对象的原始资源和用户的意图;使用用户的意图和目标对象的原始资源,遍历DIKW体系中的资源图谱,从资源图谱中推导确定出与目标对象相关联的多个推导路径;其中,资源图谱包括:数据图谱、意识图谱、信息图谱、以及知识图谱;推导路径包括资源图谱中相互连接的多个资源,并且每一条推导路径包括目标对象的原始资源和与目标对象相关联的新资源;与目标对象相关联的新资源通过遍历资源图谱推导生成得到;由于本申请中通过DIKW体系能够推导出目标对象中的隐藏信息,进而从每一条推导路径中分析出的用户的资源识别结果会更为全面准确。
Description
技术领域
本申请涉及计算机应用技术领域,尤其涉及一种基于DIKW图谱的资源识别方法、相关装置及可读介质。
背景技术
随着人工智能领域的不断发展,智能化的识别音频、文本、图像、视频等信息传递工具中的信息的技术,已在多个领域中得到了广泛的应用。例如,智能化识别图像中的实体、智能化的识别音频信息中的语义等。
然而,由于人类在处理语音、文字、图像等信息时存在偏差,会自动对感兴趣的部分进行处理而选择性地忽略不感兴趣的部分,导致人类从语音、文字、图像等信息中所得到的处理结果会丢失掉一部分隐藏信息,进而人类所设计出的智能化识别技术也会像人类处理信息的过程一样选择性的忽略处理一些部分,导致隐藏信息的丢失。
发明内容
基于上述现有技术的不足,本申请提出了一种基于DIKW图谱的资源识别方法、相关装置及可读介质,以通过DIKW体系挖掘出与目标对象相关的新资源。
为解决上述问题,现提出的方案如下:
本申请第一方面公开了一种基于DIKW图谱的资源识别方法,包括:
获取目标对象的原始资源和用户的意图;其中,所述目标对象为用于传递信息的工具;所述目标对象的原始资源,包括:与所述目标对象相关联的数据资源、意图资源、信息资源以及知识资源中的至少一种;所述用户的意图指代所述用户从所述目标对象中获取目标信息的意图;
使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,从所述资源图谱中推导确定出与所述目标对象相关联的多个推导路径;其中,所述资源图谱包括:数据图谱、意识图谱、信息图谱、以及知识图谱;所述推导路径包括所述资源图谱中相互连接的多个资源,并且每一条所述推导路径包括所述目标对象的原始资源和与所述目标对象相关联的新资源;与所述目标对象相关联的新资源通过遍历所述资源图谱推导生成得到;
从每一条所述推导路径中分析出满足所述用户的意图的资源,并将满足所述用户的意图的资源确定为所述用户的资源识别结果。
可选地,在上述基于DIKW图谱的资源识别方法中,所述资源图谱中还包括有每一个资源对应的价值;
其中,所述获取目标对象的原始资源和用户的意图之后,还包括:
对所述用户的意图进行分析,分析计算出所述用户的意图的价值维度和投入维度;其中,所述用户的意图的价值维度用于说明所述用户从所述目标对象中获取的目标信息的精确度和正确性给所述用户带来的价值;所述用户的意图的投入维度用于说明所述用户为了从所述目标对象中获取目标信息预期投入的代价;
其中,所述使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,从所述资源图谱中推导确定出与所述目标对象相关联的多个推导路径,包括:
使用所述用户的意图、所述目标对象的原始资源、所述用户的意图的价值维度以及投入维度,遍历DIKW体系中的资源图谱,从所述资源图谱中推导确定出与所述目标对象相关联的多个推导路径;其中所述推导路径所包括的每一个所述资源对应的价值均满足所述用户的意图的价值维度以及投入维度的要求。
可选地,在上述基于DIKW图谱的资源识别方法中,所述使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,从所述资源图谱中确定出与所述目标对象相关联的多个推导路径,包括:
使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出所述目标对象的原始资源所在的推导路径;
将所述目标对象的原始资源所在的推导路径中的多个资源进行融合处理,生成与所述目标对象相关联的新资源;
针对每一个生成的与所述目标对象相关联的新资源,使用与所述目标对象相关联的新资源、所述用户的意图以及所述目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出与所述目标对象相关联的新资源所在的推导路径。
可选地,在上述基于DIKW图谱的资源识别方法中,所述将所述目标对象的原始资源所在的推导路径中的多个资源进行融合处理,生成与所述目标对象相关联的新资源,包括:
将所述目标对象的原始资源所在的推导路径中的多个数据资源进行融合处理,生成与所述目标对象相关联的新数据资源;
和/或,将所述目标对象的原始资源所在的推导路径中的数据资源以及与意图资源进行融合处理,生成与所述目标对象相关联的新信息资源;
和/或,将所述目标对象的原始资源所在的推导路径中的知识资源以及数据资源进行融合处理,生成与所述目标对象相关联的新数据资源或新知识资源;
和/或,将所述目标对象的原始资源所在的推导路径中的信息资源以及知识资源进行融合处理,生成与所述目标对象相关联的新知识资源;
和/或,将所述目标对象的原始资源所在的推导路径中的多个信息资源融合处理,生成与所述目标对象相关联的新信息资源;
和/或,将所述目标对象的原始资源所在的推导路径中的多个知识资源进行融合处理,生成与所述目标对象相关联的新知识资源。
可选地,在上述基于DIKW图谱的资源识别方法中,所述使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出所述目标对象的原始资源所在的推导路径,包括:
使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,以找到所述目标对象的原始资源所在的推导路径;
若在遍历DIKW体系中的资源图谱的过程中发现所述目标对象的原始资源所在的推导路径中缺失数据资源,则使用数据的本体模型、信息的逻辑模型、或者知识的元模型推导出缺失的数据资源;
若在遍历DIKW体系中的资源图谱的过程中发现所述目标对象的原始资源所在的推导路径中缺失信息资源,则使用数据的本体模型或者知识的元模型推导出缺失的信息资源;
若在遍历DIKW体系中的资源图谱的过程中发现所述目标对象的原始资源所在的推导路径中缺失知识资源,则使用数据的本体模型或者信息的逻辑模型推导出缺失的知识资源;
其中,所述使用与所述目标对象相关联的新资源、所述用户的意图以及所述目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出与所述目标对象相关联的新资源所在的推导路径,包括:
使用与所述目标对象相关联的新资源、所述用户的意图以及所述目标对象的原始资源,遍历DIKW体系中的资源图谱,以找到与所述目标对象相关联的新资源所在的推导路径;
若在遍历DIKW体系中的资源图谱的过程中发现与所述目标对象相关联的新资源所在的推导路径中缺失数据资源,则使用数据的本体模型、信息的逻辑模型、或者知识的元模型推导出缺失的数据资源;
若在遍历DIKW体系中的资源图谱的过程中发现与所述目标对象相关联的新资源所在的推导路径中缺失信息资源,则使用数据的本体模型或者知识的元模型推导出缺失的信息资源;
若在遍历DIKW体系中的资源图谱的过程中发现与所述目标对象相关联的新资源所在的推导路径中缺失知识资源,则使用数据的本体模型或者信息的逻辑模型推导出缺失的知识资源。
可选地,在上述基于DIKW图谱的资源识别方法中,若所述目标对象为目标图像,则所述获取目标对象的原始资源,包括:
对所述目标图像进行实体识别,得到已识别实体的实体信息;其中,所述实体信息,包括:状态、位置关系以及方向关系信息;
将所述已识别实体的实体信息转换为所述目标图像的原始资源;其中,与所述目标对象相关联的新资源包括所述目标图像中未被识别出的实体的新资源。
本申请第二方面公开了一种基于DIKW图谱的资源识别装置,包括:
获取单元,用于获取目标对象的原始资源和用户的意图;其中,所述目标对象为用于传递信息的工具;所述目标对象的原始资源,包括:与所述目标对象相关联的数据资源、意图资源、信息资源以及知识资源中的至少一种;所述用户的意图指代所述用户从所述目标对象中获取目标信息的意图;
推导单元,用于使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,从所述资源图谱中推导确定出与所述目标对象相关联的多个推导路径;其中,所述资源图谱包括:数据图谱、意识图谱、信息图谱、以及知识图谱;所述推导路径包括所述资源图谱中相互连接的多个资源,并且每一条所述推导路径包括所述目标对象的原始资源和与所述目标对象相关联的新资源;与所述目标对象相关联的新资源通过遍历所述资源图谱推导生成得到;
第一分析单元,用于从每一条所述推导路径中分析出满足所述用户的意图的资源,并将满足所述用户的意图的资源确定为所述用户的资源识别结果。
可选地,在上述基于DIKW图谱的资源识别装置中,所述资源图谱中还包括有每一个资源对应的价值;
其中,所述基于DIKW图谱的资源识别装置,还包括:
第二分析单元,用于对所述用户的意图进行分析,分析计算出所述用户的意图的价值维度和投入维度;其中,所述用户的意图的价值维度用于说明所述用户从所述目标对象中获取的目标信息的精确度和正确性给所述用户带来的价值;所述用户的意图的投入维度用于说明所述用户为了从所述目标对象中获取目标信息预期投入的代价;
其中,所述推导单元,包括:
第一推导子单元,用于使用所述用户的意图、所述目标对象的原始资源、所述用户的意图的价值维度以及投入维度,遍历DIKW体系中的资源图谱,从所述资源图谱中推导确定出与所述目标对象相关联的多个推导路径;其中所述推导路径所包括的每一个所述资源对应的价值均满足所述用户的意图的价值维度以及投入维度的要求。
可选地,在上述基于DIKW图谱的资源识别装置中,所述推导单元,包括:
第二推导子单元,用于使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出所述目标对象的原始资源所在的推导路径;
第一融合子单元,用于将所述目标对象的原始资源所在的推导路径中的多个资源进行融合处理,生成与所述目标对象相关联的新资源;
第三推导子单元,用于针对每一个生成的与所述目标对象相关联的新资源,使用与所述目标对象相关联的新资源、所述用户的意图以及所述目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出与所述目标对象相关联的新资源所在的推导路径。
可选地,在上述基于DIKW图谱的资源识别装置中,所述第一融合子单元,包括:
第二融合子单元,用于将所述目标对象的原始资源所在的推导路径中的多个数据资源进行融合处理,生成与所述目标对象相关联的新数据资源;
和/或,将所述目标对象的原始资源所在的推导路径中的数据资源以及与意图资源进行融合处理,生成与所述目标对象相关联的新信息资源;
和/或,将所述目标对象的原始资源所在的推导路径中的知识资源以及数据资源进行融合处理,生成与所述目标对象相关联的新数据资源或新知识资源;
和/或,将所述目标对象的原始资源所在的推导路径中的信息资源以及知识资源进行融合处理,生成与所述目标对象相关联的新知识资源;
和/或,将所述目标对象的原始资源所在的推导路径中的多个信息资源融合处理,生成与所述目标对象相关联的新信息资源;
和/或,将所述目标对象的原始资源所在的推导路径中的多个知识资源进行融合处理,生成与所述目标对象相关联的新知识资源。
可选地,在上述基于DIKW图谱的资源识别装置中,所述第二推导子单元,包括:
第一遍历子单元,用于使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,以找到所述目标对象的原始资源所在的推导路径;
第四推导子单元,用于若在遍历DIKW体系中的资源图谱的过程中发现所述目标对象的原始资源所在的推导路径中缺失数据资源,则使用数据的本体模型、信息的逻辑模型、或者知识的元模型推导出缺失的数据资源;
第五推导子单元,用于若在遍历DIKW体系中的资源图谱的过程中发现所述目标对象的原始资源所在的推导路径中缺失信息资源,则使用数据的本体模型或者知识的元模型推导出缺失的信息资源;
第六推导子单元,用于若在遍历DIKW体系中的资源图谱的过程中发现所述目标对象的原始资源所在的推导路径中缺失知识资源,则使用数据的本体模型或者信息的逻辑模型推导出缺失的知识资源;
其中,所述第三推导子单元,包括:
第二遍历子单元,用于使用与所述目标对象相关联的新资源、所述用户的意图以及所述目标对象的原始资源,遍历DIKW体系中的资源图谱,以找到与所述目标对象相关联的新资源所在的推导路径;
第七推导子单元,用于若在遍历DIKW体系中的资源图谱的过程中发现与所述目标对象相关联的新资源所在的推导路径中缺失数据资源,则使用数据的本体模型、信息的逻辑模型、或者知识的元模型推导出缺失的数据资源;
第八推导子单元,用于若在遍历DIKW体系中的资源图谱的过程中发现与所述目标对象相关联的新资源所在的推导路径中缺失信息资源,则使用数据的本体模型或者知识的元模型推导出缺失的信息资源;
第九推导子单元,用于若在遍历DIKW体系中的资源图谱的过程中发现与所述目标对象相关联的新资源所在的推导路径中缺失知识资源,则使用数据的本体模型或者信息的逻辑模型推导出缺失的知识资源。
可选地,在上述基于DIKW图谱的资源识别装置中,若所述目标对象为目标图像,则获取单元,包括:
识别子单元,用于对所述目标图像进行实体识别,得到已识别实体的实体信息;其中,所述实体信息,包括:状态、位置关系以及方向关系信息;
转换子单元,用于将所述已识别实体的实体信息转换为所述目标图像的原始资源;其中,与所述目标对象相关联的新资源包括所述目标图像中未被识别出的实体的新资源。
本申请第三方面公开了一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如上述第一方面中任一所述的方法。
本申请第四方面公开了一种基于DIKW图谱的资源识别设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述第一方面中任一所述的方法。
从上述技术方案可以看出,本申请实施例提出的基于DIKW图谱的资源识别方法,通过获取目标对象的原始资源和用户的意图,其中目标对象为用于传递信息的工具,目标对象的原始资源,包括:与目标对象相关联的数据资源、意图资源、信息资源以及知识资源中的至少一种,用户的意图指代用户从所述目标对象中获取目标信息的意图。由于本申请实施例中使用用户的意图和所标对象的原始资源,遍历DIKW体系中的资源图谱,从资源图谱中推导确定出与目标对象相关联的多个推导路径,推导确定出的每一条推导路径包括目标对象的原始资源和与目标对象相关联的新资源,与目标对象相关联的新资源是通过遍历资源图谱推导生成得到的,而资源图谱包括:数据图谱、意识图谱、信息图谱、以及知识图谱,具有推导能力,能够推导生成出与目标对象相关联的新资源,不会像现有的智能化识别技术一样选择性忽略掉一些隐藏信息,进而最终从每一条推导路径中分析出满足用户的意图的资源,并将满足用户的意图的资源确定为用户的资源识别结果,所得到的用户的资源识别结果相较于现有技术中的更为准确全面,不会丢失掉满足用户的意图的隐藏信息。
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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提出的一种基于DIKW图谱的资源识别方法的流程示意图;
图2为本申请实施例提出的一种获取目标对象的原始资源的方法流程示意图;
图3为本申请实施例提出的一种确定出推导路径的方法的流程示意图;
图4为本申请实施例提出的一种数据资源与意图资源融合处理的处理流程示意图;
图5为本申请实施例提出的一种知识资源与数据资源进行融合处理的处理流程示意图;
图6为本申请实施例提出的另一种基于DIKW图谱的资源识别方法的流程示意图;
图7为本申请实施例提出的一种基于DIKW图谱的资源识别装置的结构示意图。
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,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。基于本发明中的实施例,本领域普通技术人员在没有做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。
参阅图1,本申请实施例公开了一种基于DIKW图谱的资源识别方法,具体包括以下步骤:
S101、获取目标对象的原始资源和用户的意图。
其中,目标对象为用于传递信息的工具。例如视频、音频、图像、文本等等。而目标对象的原始资源,包括:与目标对象相关联的数据资源、意图资源、信息资源以及知识资源中的至少一种。目标对象的原始资源是从目标对象中所提取出的一些用于描述目标对象的资源。具体可以是包括与目标对象相关联的数据资源、意图资源、信息资源以及知识资源中的至少一种。而用户的意图指代用户从目标对象中获取目标信息的意图。例如若目标对象为目标图像,那么用户的意图可以是识别目标图像中出现的实体,或者识别目标图像中有哪些容器。又例如目标对象为消费记录文本,则用户的意图可以是推测消费记录文本中的消费用户的性别、年龄。又例如目标对象是视频,则用户的意图可以是识别该视频所属的类别。
数据资源是通过观察目标对象获得的数字或其他类型信息的基本个体项目,在没有上下文语境的情况下,它们本身没有意义。数据资源主要用于表达目标对象中的实体的属性,具体可以包括目标对象中的实体的属性内容和频率。其中,频率可以是实体在不同结构、时间和空间中出现的频率。实体的属性可以是记录实体的位置关系、结构关系、基本结构等等。数据资源还可以包括有实体与实体之间在不同结构、时间和空间中的交互次数(即频数),一组实体的交互频数占全部交互频数之和的比值即为该组实体的交互频率。
意图资源是清楚地意识到要争取实现的目标和方法的需要,本质是有所需要,即表示目的。步骤S101中获取到的用户的意图可以分析转换为意图资源。
信息资源是将特定目的赋予实体得到的状态,可简单理解为信息资源就是数据加目的(意图)。在已知信息资源和对应的数据资源的情况下,可推出相应的意图资源,而在已知信息资源和目的情况下,则可推理出相应的数据资源。
知识资源是基于概率计算或归纳、演绎或溯因推理构建的,描述了类型/类级别的内容之间存在的完整性抽象关系,这些类型/类级别的内容可被总结为一条条知识规则。知识资源可以由数据资源和信息资源经过结构化、形式化的推导演绎得到。知识资源可以定义实体间的两种语义关系,分别是相同关系和相反关系,相同关系是指在某一场景下,两个实体之间在某一属性或关系上正好是相同的。相反关系是指在某一场景下,两个实体之间在某一属性或关系上正好是相反的。例如,苹果和梨子都可以通过万有引力定律得到它们与地面的关系,十字路口上东西方向上的车辆和南北方向上的车辆的运动状态相反。通过知识资源中的语义关系可以推导出观察目标对象时无法观察到的隐藏信息。
本申请实施例中,目标对象的原始资源指的是未经过步骤S102中的资源图谱进行推导处理的资源。目标对象的原始资源可以是通过人工观察到的,也可以是使用人工智能识别技术对目标对象所识别得到的。目标对象的原始资源的获取方式有很多,包括但不限于本申请实施例所提出的内容。
可选地,参阅图2,在本申请一具体实施例中,若目标对象为目标图像,则执行获取目标对象的原始资源的一种实施方式,包括:
S201、对目标图像进行实体识别,得到已识别实体的实体信息,其中,实体信息,包括:状态、位置关系以及方向关系信息。
本申请实施例中,获取到的用户的意图可以是识别出目标图像中的实体。而步骤S201则是在未使用资源图谱前,通过观察或者人工智能识别的方式,识别出目标图像中的实体,得到已识别实体的实体信息。
其中,已识别实体的实体信息,包括已识别实体的状态信息(即静止或运动)、已识别实体与其他实体的位置关系(其他实体包括除已识别实体之外的其他已识别实体以及未被识别出的实体)、以及已识别实体与其他实体之间的方向关系信息。
已识别实体指的是已经识别出实体信息的实体,未被识别出的实体指的是未完整识别出实体信息的实体,或者未识别出实体信息的实体。
S202、将已识别实体的实体信息转换为目标图像的原始资源。
其中,与目标对象相关联的新资源包括目标图像中未被识别出的实体的新资源。目标图像的原始资源,包括:与目标图像相关联的数据资源、意图资源、信息资源以及知识资源中的至少一种。
已识别实体的实体信息中关于已识别实体与其他实体之间的交互频率、以及已识别实体的状态、结构之类的属性信息可转换为与目标图像相关联的数据资源。而已识别实体与其他实体之间的交互关系则可以转换为与目标图像相关联的信息资源,然后将已识别实体的实体信息转换为目标图像的原始资源用于执行图1示出的步骤S102之后,得到的推导路径所包括的与目标对象相关联的新资源则为目标图像中未被识别出的实体的新资源。由于用户意图为识别目标图像中的实体,因此将已识别实体的实体信息转换为目标图像的原始资源用于执行图1示出的步骤S102之后,将会通过推导路径得到未被识别出的实体的新资源,通过未被识别出的实体的新资源即可确定出未识别的实体具体是什么。
S102、使用用户的意图和目标对象的原始资源,遍历DIKW体系中的资源图谱,从资源图谱中推导确定出与目标对象相关联的多个推导路径,其中,资源图谱包括:数据图谱、意识图谱、信息图谱、以及知识图谱,推导路径包括资源图谱中相互连接的多个资源,并且每一条推导路径包括目标对象的原始资源和与目标对象相关联的新资源,与目标对象相关联的新资源通过遍历资源图谱推导生成得到。
使用目标对象的原始资源以及用户的意图,遍历关于数据信息知识及智慧(DIKW)的体系中的资源图谱,以通过资源图谱从目标对象的原始资源出发,按照能够得到满足用户的意图的资源的推导方向进行推导,得到与目标对象相关联的多个推导路径。步骤S102中遍历资源图谱所得到的每一条推导路径包括目标对象的原始资源和与目标对象相关联的新资源,即所得到的推导路径所包括的所有资源中,既有目标对象的原始资源,又有与目标对象相关联的新资源。部分推导路径可能只含有原始资源,而部分推导路径可能即含有原始资源又含有新资源,部分推导路径也可能只含有新资源。
其中,与目标对象相关联的新资源指的是资源图谱中原本所不具有的,通过原始资源和用户的意图进行计算推导而生成的资源。由于资源图谱包括了数据图谱、意识图谱、信息图谱、以及知识图谱,因此具有推导能力,能将目标对象中原本未被发现的隐藏信息挖掘出来,而挖掘出的隐藏信息即体现在推导路径所包括的与目标对象相关联的新资源中。
资源图谱中的数据图谱中包括有多个数据资源,步骤S101中获取到的原始资源中若包括有与目标对象相关联的数据资源,则可以使用该数据资源遍历数据图谱中查找,若可查找到,即可使用该数据资源在资源图谱中与其他资源之间的映射关系(或者说连接关系),得到推导路径。若未查找到,则存储到数据图谱中,使用资源图谱中的模型通过推导得到推导路径。具体的,数据图谱中可以记录数据实体的基本结构,同时记录数据实体的子节点之间的位置关系和结构关系。但数据图谱只能用于进行静态分析,无法表达数据实体之间的交互关系。数据图谱也可以记录数据实体中所包含的结构出现的频度,具体包括结构、时间和空间这三个层次的频度。构建DIKW体系中的数据图谱时,根据多个数据资源建立数据的本体体系后,分布在体系内的实体与实体之间在不同结构、时间和空间中交互的次数称为频数,各组频数与全部频数之和的比值称为频率或比重。实体1和实体2实体之间所有完整的交互路径之和就是实体1和实体2的交互频率。当两实体间的交互频率低于阈值时,视为存在间接交互关系,反之视为存在直接交互关系。进而DIKW体系中的信息图谱上进行数据清洗,消除冗余数据,可以只记录实体之间的直接交互关系。
可选地,DIKW体系中还可以包括数据的本体模型。数据的本体模型采用面向对象结构的继承结构关系,继承结构关系关系即为面向对象的父子包含关系。每一个对象均存在具体的包含关系,并且存在包含关系的对象之间同样存在一种继承性质、特征等的现象,也可将这个现象理解为面向对象的父子关系。
数据的本体模型可以以不同的结构进行表现,例如树,图等,即数据的本体模型的具体表现结构不受限定,只要能清晰表现出对象的父子包含关系即可。例如若用有向图来表示数据本体模型,则应该规定箭头指向所代表的特定含义等,有向图中箭头指向表示被包含于。面向对象结构的数据的本体模型通常用自底向上的方法,自动地从数据图谱、信息图谱以及知识图谱中抽取概念、概念层次和概念之间的关系。抽取的概念以层层递推的结构组成数据本体模型。数据图谱中的数据资源可以根据不同的意图来建立对应的数据的本体模型。例如,水杯用来喝水,其意图为解渴,那么此水杯对应的数据的本体模型就是容器,它的主要属性即密闭,意图还有可能为受到威胁,用它来攻击对方,对应的本体模型为武器,主要属性即硬度。
意图图谱中包括有多个意图资源,步骤S101中获取到的用户的意图以及若原始资源中包括有与目标对象相关联的意图资源,则可以使用该意图资源和用户意图遍历意图图谱中查找,若可查找到,即可使用该意图资源在资源图谱中与其他资源之间的映射关系(或者说连接关系),得到推导路径。若未查找到,则存储到意图图谱中,使用资源图谱中的模型通过推导得到推导路径。意图图谱中可以记录意图之间的逻辑关系,包括子意图和组成意图,通过树形结构的层级表现形式清晰地表现出不同意图之间存在的包含关系,父节点表示语义覆盖范围、可解释范围较大的组成意图,其下方连接的子节点则表示更加具体的子意图。
可选地,DIKW体系中还可以包括意图模型。意图包含子意图、组成意图和包含意图,他们之间存在排除关系,多选一,多选二。进一步来说,意图的深层次内涵与价值相关。意图模型通过树形结构的层级表现形式清晰地表现出不同意图之间存在的关系,父节点表示语义覆盖范围、可解释范围较大的组成意图,其下方连接的子节点表示更加具体的子意图。父节点与子节点之间用不带箭头的直线或由子节点指向父节点的带箭头直线相连,箭头指向方向表示“是为了”。
信息图谱中包括有多个信息资源,步骤S101中获取原始资源中若包括有与目标对象相关联的信息资源,则可以使用该信息资源遍历信息图谱中查找,若可查找到,即可使用该信息资源在资源图谱中与其他资源之间的映射关系(或者说连接关系),得到推导路径。若未查找到,则存储到信息图谱中,使用资源图谱中的模型通过推导得到推导路径。具体的,信息图谱可以记录实体之间的交互关系,包括直接交互关系和间接交互关系,也可以用多元组来表达实体间的交互关系。一般来说,多元组中含有的元素越多,所得到的实体间的交互关系越精确,但是随着元素的增多,图谱可能对交互关系出现不同的判断,所以需要通过更多的实例来决定判断的优先级,从而推导得到最正确的交互关系。
可选地,信息图谱中所记录的实体间的关系可以为方向关系和拓扑关系(或者位置关系)。实体之间的拓扑关系被定义为在拓扑变换下不变的那些关系,包括旋转、缩放以及平移。两个实体之间的拓扑关系是:相交、相离、相切、包含,覆盖以及重叠。信息图谱中使用每一个元素表示不同的拓扑关系,描述位置关系中的一系列父子关系,而这些拓扑关系则是从数据图谱中的数据本体模型中继承的,可以表示实体之间的接近度和相关性。
可选地,DIKW体系中还可以包括信息的逻辑模型。信息的逻辑模型本质上是一种在信息之间连接和传递推导的逻辑关系模型方式。信息之间的关系有包含、关联、与或非等这些基本的关联方式,这些关联方式共同构成信息的网状结构的层级关系。
知识图谱中包括有多个知识资源,步骤S101中获取原始资源中若包括有与目标对象相关联的知识资源,则可以使用该知识资源遍历信息图谱中查找,若可查找到,即可使用该知识资源在资源图谱中与其他资源之间的映射关系(或者说连接关系),得到推导路径。若未查找到,则存储到知识图谱中,使用资源图谱中的模型通过推导得到推导路径。知识图谱中总结有多种规则,这些规则主要用于定义实体间的两种语义关系,分别是相同关系和相反关系。这两种关系是指在某一场景下,两个实体之间在某一属性或关系上正好是相同或者相反的。例如,苹果和梨子都可以通过万有引力定律得到她们与地面的关系,十字路口上东西方向上的车辆和南北方向上的车辆的运动状态相反。利用这两种基本的语义关系在知识图谱上经过知识推理找到隐藏信息(即与目标对象相关联的新资源)。
可选地,DIKW体系中还可以包括知识的元模型。知识被定义为可由数据资源和信息资源经过结构化、形式化的推导演绎得到,是基于概率计算或归纳、演绎或溯因推理构建的,描述了类型/类级别的内容之间存在的完整性抽象关系,这些类型/类级别的内容可被总结为一条条知识规则。显性知识是客观知识,可以用语言表达,用文字和数字表述,易于整理,存储,并转化为信息并进行编码,以数据形式交流和共享,也称为可表述知识或可编码知识。知识工程是按照规定的知识规则,运用现代科学技术手段高效率、大容量的获得知识、信息的技术。而知识的基础元模型恰好是其中不可或缺的组成组件,一个个基础元模型通过特定的规则进行联系整合构成一个完整的知识工程,进行高效的识别获取信息的能力。
需要说明的是,本申请实施例中的DIKW体系可以是采用多个目标对象的资源预先构建得到,并且在执行图1示出的实施例的过程中,通过不断推导确定出推导路径,也在不断更新构建的DIKW体系,使得DIKW体系的推导功能愈发完善。举例说明,可以预先从图像数据集中通过处理数据和属性信息完成提取图像概念。根据图像数据集的信息,构造图像对象类别(例如“高速公路”和“运输仓库”)的概念,并将其连接到数据的本体。然后在数据的本体模型的每一层中,使用图像关系数据的属性字段信息来提取实体对象的子类概念,从而可以丰富从信息中提取的概念之间的语义关系。例如,种类包含“火车站”和“汽车站”,这些子类别属于“运输仓库”的概念。同时,还可以图像数据集中提取实体。针对图像实体被划分为多个特征并通过点线面和几何集合进行抽象的现象,提出了基于层次和属性域信息的图像实体提取规则。将图像数据集中的实体存储在预先构建的空间位置数据库的数据表中。其中,数据表的每一行均包括普通字段和几何字段。数据表的每一行对应一个实体,每一行的普通字段表示该行对应的实体的属性,每一行的几何字段表示该行对应的实体在图像中的位置。即通过从图像数据集中提取图像概念和实体,构建DIKW体系中的数据的本体模型和数据图谱。
可选地,为了提取图像数据集的实体与搜索引擎的数据库中的实体之间的所有相关等价关系,使用搜寻器打开并搜索百科全书,以找出应该链接哪些图像数据集实体的百度的实体。如果搜寻器检索到包含描述地理实体的标签和信息框的指定网页,则将建立相同关系来链接这些实体。
DIKW体系使用各种目标对象相关联的资源进行构建,同时DIKW体系中还将各层图谱中具有推导关联关系的资源相连接,完成DIKW体系的构建。具体的,数据资源加意图资源得到对应的信息资源,而数据资源加信息资源推导出对应的知识资源。
执行步骤S102的过程中,使用用户的意图和目标对象的原始资源遍历DIKW体系中的资源图谱,找到资源图谱中与用户的意图和目标对象的原始资源相关联的多个推导路径。推导路径包括资源图谱中相互连接的多个资源,相互连接的多个资源之间具有推导关联关系,而确定出的所有推导路径所包括的资源中,既包括有步骤S101中的原始资源,也包括与用户的意图相关的资源,还包括有使用用户的意图和目标对象的原始资源遍历资源图谱后推导生成的与目标对象相关联的新资源,还可能包括有DIKW体系中原本就有的资源。
需要说明的是,与目标对象相关联的新资源是原本不存在DIKW体系中的,由原始资源和用户的意图通过遍历资源图谱推导得到的、新生成的资源。步骤S101中的原始资源是能够通过人为观察或者人工智能识别技术所得到的。然而,由于人类在处理语音、文字、图像等信息时存在偏差,会自动对感兴趣的部分进行处理而选择性地忽略不感兴趣的部分,导致人类从语音、文字、图像等信息中所得到的处理结果会丢失掉一部分隐藏信息,进而人类所设计出的智能化识别技术也会像人类处理信息的过程一样选择性的忽略处理一些部分,导致隐藏信息的丢失。
而本申请实施例中,DIKW体系中包括的资源图谱可通过推导的方式找到与目标对象相关联的多个推导路径,而这些推导路径中所包括的与目标对象相关联的新资源就具有人类在处理过程中所丢失掉的一些隐藏信息。因此,本申请实施例中通过DIKW体系中的资源图谱推导出的与目标对象相关联的多个推导路径,挖掘出忽略掉的隐藏信息,能够找出更多、更完善的满足用户的意图的资源。
可选地,在本申请一具体实施例中,资源图谱中还包括有每一个资源对应的价值,其中,执行步骤S101之后,还包括:
对用户的意图进行分析,分析计算出用户的意图的价值维度和投入维度。其中,用户的意图的价值维度用于说明用户从目标对象中获取的目标信息的精确度和正确性给用户带来的价值,用户的意图的投入维度用于说明用户为了从目标对象中获取目标信息预期投入的代价。其中,执行步骤S102的一种实施方式,包括:使用用户的意图、目标对象的原始资源、用户的意图的价值维度以及投入维度,遍历DIKW体系中的资源图谱,从资源图谱中推导确定出与目标对象相关联的多个推导路径,其中推导路径所包括的每一个资源对应的价值均满足用户的意图的价值维度以及投入维度的要求。
数据资源对应的价值定义为数据实体在不同结构、时间和空间中出现的频率,数据资源对应的价值越高,使用该数据资源进行推导所最终得到的满足用户意图的资源就越为准确(即推导结果越为准确)。数据资源对应的价值的计算公式可以定义为f(ED)=f(EDstr)+f(EDtime)+f(EDspace)。其中,f(ED)标识数据实体的价值,f(EDstr)表示数据实体在不同结构中出现的频率,f(EDtime)表示数据实体在不同时间中出现的频率,f(EDspace)表示数据实体在不同空间中出现的频率。其中,f(EDstr)=f(EDSon1)+f(EDSon2)+…+f(EDSonN),{EDSon1,EDSon2,…,EDSonN}是继承数据实体ED的N个子类,而其中f(EDSon1)=f(EDSon1-son1)+f(EDSon1-son2)+…+f(EDSon1-sonM),{EDSon1-son1,EDSon1-son2,…,EDSon1-sonM}是继承数据实体EDSon1的M个子类,f(EDSon2),…,f(EDSonN)也可按照如上方法继续细分直到不可再分到达最底层关系。其中,同级子类例如EDSon1与EDSon2的关系不可重复。
信息资源对应的价值可以包括基于信息图谱中的信息长度确定出的信息长度价值、以及基于信息图谱中的信息广度确定出的信息广度价值。其中,信息长度是指对信息中的数据实体和意图纵向关联分析得到数据意图关联情况长度以及数据在不同结构、时间和空间中出现的频率,信息广度是指对信息中的数据实体和意图横向关联分析得到的数据意图关联情况广度。信息资源对应的价值可用轨迹信息长度进行评估得到。信息资源对应的价值的分析手段有很多,包括但不限于本申请实施例所提出的内容。同样的,信息资源对应的价值越大,使用该信息资源进行推导所最终得到的满足用户意图的资源就越为准确(即推导结果越为准确)。
知识对应的价值用于反映特定推理结果的准确性,由价值大小可进行对预测推理结果准确的可能性或相关性判断。
举例说明,特殊情况下,人员的性别是保密数据,不能直接获取。但可获得特定消费数据和特定人员的消费记录数据,消费数据进行信息融合后得到特定信息“买烟的男性比例为80%”,该特定信息对于判断该特定人员性别为男性的价值为ValueI1。假定获取特定人员购买了一包烟,则该消费信息对于判断该特定人员性别为男性的价值为ValueI2,假定获取特定人员又购买了一件男性用品,则该消费信息对于判断该特定人员性别为男性的价值为ValueI3。通过常识容易判断出同时购买香烟和男性用品的特定人员更有可能是男性。但如果一次购买了大量的香烟,则特定购买人员为男性的可能性反而下降,或者如果购买的频率偏离用品使用频率过大,则特定购买人员为男性的可能性也下降。
利用数据、信息、知识对应的价值进行融合处理,即可得到加权价值。
而用户的意图的价值维度指的是用户从目标对象中获取的目标信息的精确度及正确性带给用户的价值。其中精度通过价值驱动模型确定,正确性依据置信度确定。在对所需要的数据资源进行处理的时候,所得出来的数据的精度是需要进行设置和调整的。若此次结果对用户的意图需求来说,需要较高的精度,则需要具有较高的价值的资源。如果这个的数据资源进行处理的时候,所得出来的数据的精度是不需要较高的价值驱动的时候,只是大致的需要对应的数据结果。那这个时候,就可以降低推导路径中所涉及的资源的价值要求。正确性依据置信度。置信区间展现的是参数的真实值有一定概率落在测量结果的周围的程度。置信区间给出的是被测量参数的测量值的可信程度为置信度。在定义和确定置正确性的时候,需要依据置信度。
通过对用户的意图进行分析,分析计算出用户的意图的价值维度,进而可设置使用资源图谱进行推导过程中的精度和置信度。而所设置的精度和置信度,则决定了推导过程中需要使用具有多少价值的资源来进行推导。
通过对用户的意图进行分析,分析计算出用户的意图的投入维度用于说明用户为了从目标对象中获取目标信息预期投入的代价。用户所投入的代价(时间、金钱)与获得的目标信息呈正比例函数关系,即投入的时间和金钱越多,所得到的目标信息内容正确性和精度越高,反之亦然。
在通过意图分析得到用户的意图的价值维度和投入维度之后,执行步骤S102时,使用用户的意图、目标对象的原始资源、用户的意图的价值维度以及投入维度,遍历DIKW体系中的资源图谱,从资源图谱中推导确定出与目标对象相关联的多个推导路径,而推导路径所包括的每一个资源对应的价值均满足用户的意图的价值维度以及投入维度的要求,进而使得步骤S103中最终所得到的用户的资源识别结果能够满足用户的意图的价值维度以及投入维度的要求。
可选地,在本申请一具体实施例中,可以使用意图模型对用户的意图进行分析,然后通过意图模型分析之后所得到的分析结果来计算用户的意图的价值维度和投入维度。
可选地,在本申请一具体实施例中,在构建步骤S102中所提及的DIKW体系前,可以先进行成本计算。即分析和预测需要使用到DIKW体系的情景,进而提出搭建对应的DIKW体系模型的方案,然后估算构建DIKW体系所需的成本,其中的成本包括时间成本,技术成本,资金成本,智力成本,体力成本等。进而再根据实际可提出的成本,调整DIKW体系的构建方案,按照最终调整好的方案构建出满足成本要求的DIKW体系。
可选地,参阅图3,在本申请一具体实施例中,执行步骤S102的一种实施方式,包括:
S301、使用用户的意图和目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出目标对象的原始资源所在的推导路径。
具体的,使用用户的意图和目标对象的原始资源,遍历DIKW体系,查找出原始资源所在的推导路径,并使用用户的意图以及各种模型对原始资源进行推导,得到原始资源所在的完整的推导路径,完整的推导路径由每一层图谱的资源相连接构成。
需要说明的是,使用用户的意图和目标对象的原始资源进行推导的过程中,可能会使用到DIKW体系中原本就有的资源来构成目标对象的原始资源所在的完整的推导路径,也可能是使用模型推导生成原本DIKW体系中不存在的与目标对象相关联的新资源构成目标对象的原始资源所在的完整的推导路径。
可选地,在本申请一具体实施例中,执行步骤S301的一种实施方式,包括:
使用用户的意图和目标对象的原始资源,遍历DIKW体系中的资源图谱,以找到目标对象的原始资源所在的推导路径。若在遍历DIKW体系中的资源图谱的过程中发现目标对象的原始资源所在的推导路径中缺失数据资源,则使用数据的本体模型、信息的逻辑模型、或者知识的元模型推导出缺失的数据资源。若在遍历DIKW体系中的资源图谱的过程中发现目标对象的原始资源所在的推导路径中缺失信息资源,则使用数据的本体模型或者知识的元模型推导出缺失的信息资源。若在遍历DIKW体系中的资源图谱的过程中发现目标对象的原始资源所在的推导路径中缺失知识资源,则使用数据的本体模型或者信息的逻辑模型推导出缺失的知识资源。
具体的,使用用户的意图和目标对象的原始资源,遍历DIKW体系中的资源图谱,以找到目标对象的原始资源所在的推导路径的过程中,可能会出现无法使用DIKW体系中原有的资源构成目标对象的原始资源所在的推导路径的情况。具体的,可能会发现目标对象的原始资源所在的推导路径中缺失数据资源、信息资源或者知识资源。
而在遍历DIKW体系中的资源图谱的过程中发现目标对象的原始资源所在的推导路径中缺失数据资源,可以使用数据的本体模型推导出数据资源。举例说明,一个班上的同学大部分都是15岁,只有小明是17岁,那么依据这个年龄属性即可以唯一推测出小明。可选地,还可以使用信息的逻辑模型推导出数据资源。具体的,由于数据资源和意图模型相结合得到信息的逻辑模型,因此将信息的逻辑模型与意图模型相剥离,则可得到数据资源。可选地,还可以使用知识的元模型推导出数据资源。若知识的元模型是由缺失的数据资源所在的数据本体模型推导而来的,那么知识的元模型进行反推即可得到缺失的数据资源。还可以从已经存在的知识的元模型推测出未来的数据资源。具体说明,经过统计分析得到:175公分的成人一般两步间距为70cm,170公分的成分的两步间距为为65cm,而180公分为75cm。现在已知小明的步伐间距为67cm,那可知小明的大致身高为172公分左右,推导出了缺失的数据资源。
若在遍历DIKW体系中的资源图谱的过程中发现目标对象的原始资源所在的推导路径中缺失信息资源,则使用数据的本体模型或者知识的元模型推导出缺失的信息资源。具体的,如果数据的本地模型的生成和意图相关,那么数据的本体模型和一个或多个特定的意图之间存在联系,可以反映出行为的动机或者信息资源,因此通过数据的本体模型可推导出缺失的信息资源。例如:老师让同学们关门、拉窗帘、关灯,接着打开投影仪,可以推测出这门课是电影课。而根据已有的实体间的抽象关系的知识元模型,也可以推测实体接下来的行为意图,得到缺失的信息资源。例如:小明每次运动后都会喝水,推测出Bob在跑完步后面对饮料和矿泉水会选择矿泉水。
若在遍历DIKW体系中的资源图谱的过程中发现目标对象的原始资源所在的推导路径中缺失知识资源,则使用数据的本体模型或者信息的逻辑模型推导出缺失的知识资源。当数据的本体模达到一定规模后可推理生成知识资源,表达事物的总体发展或变化趋势,推测实体未来的行为表现。例如:小明在高一高二的理科成绩非常优秀英语成绩未及格过,可知他日后会花大量时间学习英语。而信息的逻辑模型经过抽象分析,也可以推导得到知识资源。例如:小明每周定期健身房运动,喜欢吃水果,不爱熬夜等信息可以得出小明是一个热爱生活的人。
通过数据的本体模型、信息的逻辑模型或者知识的元模型推导生成出原始资源所在的推导路径中缺失的新资源(即与目标对象相关联的新资源),得到原始资源所在的完整的推导路径。
S302、将目标对象的原始资源所在的推导路径中的多个资源进行融合处理,生成与目标对象相关联的新资源。
若目标对象的原始资源所在的推导路径中所包括的资源仍未能推断出满足用户的意图的资源识别结果,则可以将目标对象的原始资源所在的推导路径中的多个资源进行融合处理,生成与目标对象相关联的新资源,进而继续使用目标对象相关联的新资源进行推导,尝试推导出满足用户的意图的资源识别结果。
可选地,在本申请一具体实施例中,执行步骤S302的一种实施方式,包括:
将目标对象的原始资源所在的推导路径中的多个数据资源进行融合处理,生成与目标对象相关联的新数据资源,和/或,将目标对象的原始资源所在的推导路径中的数据资源以及与意图资源进行融合处理,生成与目标对象相关联的新信息资源,和/或,将目标对象的原始资源所在的推导路径中的知识资源以及数据资源进行融合处理,生成与目标对象相关联的新数据资源或新知识资源,和/或,将目标对象的原始资源所在的推导路径中的信息资源以及知识资源进行融合处理,生成与目标对象相关联的新知识资源,和/或,将目标对象的原始资源所在的推导路径中的多个信息资源融合处理,生成与目标对象相关联的新信息资源,和/或,将目标对象的原始资源所在的推导路径中的多个知识资源进行融合处理,生成与目标对象相关联的新知识资源。
具体的,将目标对象的原始资源所在的推导路径中的多个数据资源融合成与目标对象相关联的新数据资源的过程为:由于关系型数据资源是指描述数据实体之间的外在联系的数据类型,关系型数据资源之间存在着父子包含继承关系,而离散型数据资源本身是没有具体的语义的,但是数据实体之间同样存在着父子继承包含关系。因此数据资源间可以相互融合,可以将离散型的数据资源和关系型的数据资源结合生成与目标对象相关联的新数据资源。
目标对象的原始资源所在的推导路径中的数据资源与特定的意图资源进行融合处理,可以结合生成与对应的目标对象相关联的新信息资源。举例说明,参阅图4,数据的本体模型中包括有属于水果类别的苹果、草莓、圣女果以及莲雾这四个实体。而与该数据的本体模型相连接的意图模型中具有识别水果红不红和大不大来判断水果甜不甜的意图。而判断水果红不红的目的则是为了判断水果坏不坏,判断水果硬不硬的目的则是为了判断水果大不大。最终使用数据的本体模型中的数据资源以及意图模型中的意图资源,融合出信息的逻辑模型,信息的逻辑模型中推导出的新信息资源说明了如果水果不坏则水果会是红的,如果水果不硬则水果是大的,而如果水果又大又红,则说明水果是甜的。
将目标对象的原始资源所在的推导路径中的知识资源以及数据资源进行融合处理,可以生成与目标对象相关联的新数据资源或新知识资源。举例说明,175公分的成人一般两步间距为70cm,170公分为65cm,180公分为75cm,而小明的步伐间距为67cm,依据统计分析得到的知识资源可知小明的大致身高为172公分左右,得到了新数据资源。又例如,参阅图5,知识的元模型所提供的知识资源为生物为了生存需要摄入能量,而能量从碳水化合物提供。而数据的本体模型中则说明了莲藕、红薯和大米都属于碳水化合物。通过数据的本体模型中的数据资源和知识资源融合,推导出的新知识资源为:张三通过吃大米来摄入能量。
将目标对象的原始资源所在的推导路径中的信息资源和现有的知识资源进行融合处理,生成能够预测发展的、与目标对象相关联的新知识资源。例如,已知知识资源K1:南部地区梅雨季节6-7月,信息资源I为海南是南部地区,结合K1和I得到新知识资源K:海南6-7月会经常下雨。
将目标对象的原始资源所在的推导路径中的信息资源以及信息资源进行融合处理,可以生成与目标对象相关联的新信息资源。例如,已知信息资源I1:小明喜欢喝水,信息资源I2:小明喜欢运动。通过将I1和I2结合生成新信息资源I3:小明喜欢运动后喝水。
目标对象的原始资源所在的推导路径中的多个知识资源可以相互融合,生成新知识资源。例如,已知知识资源K1:老鼠有磨牙的***衡。
S303、针对每一个生成的与目标对象相关联的新资源,使用与目标对象相关联的新资源、用户的意图以及目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出与目标对象相关联的新资源所在的推导路径。
可选地,执行步骤S303的一种实施方式,包括:
使用与目标对象相关联的新资源、用户的意图以及所述目标对象的原始资源,遍历DIKW体系中的资源图谱,以找到与目标对象相关联的新资源所在的推导路径,若在遍历DIKW体系中的资源图谱的过程中发现与目标对象相关联的新资源所在的推导路径中缺失数据资源,则使用数据的本体模型、信息的逻辑模型、或者知识的元模型推导出缺失的数据资源。若在遍历DIKW体系中的资源图谱的过程中发现与目标对象相关联的新资源所在的推导路径中缺失信息资源,则使用数据的本体模型或者知识的元模型推导出缺失的信息资源。若在遍历DIKW体系中的资源图谱的过程中发现与目标对象相关联的新资源所在的推导路径中缺失知识资源,则使用数据的本体模型或者信息的逻辑模型推导出缺失的知识资源。
步骤S303中推导路径的具体原理和过程与步骤S301相似,可参见,此处不再赘述。
S103、从每一条推导路径中分析出满足用户的意图的资源,并将满足用户的意图的资源确定为用户的资源识别结果。
确定出的所有与目标对象相关联的推导路径中,存在能够满足用户的意图的,即可从目标对象中获取到目标信息的资源,通过对每一条推导路径中包括的资源进行分析,即可分析出满足用户的意图的资源,然后将满足用户的意图的资源确定为用户的资源识别结果。
由于所有推导路径所包括的资源中除了有原始资源外,还有与目标对象相关联的新资源。而与目标对象相关联的新资源是现有技术中人工智能技术所忽略的(即隐藏信息),而本申请实施例中则使用DIKW体系推导得到的推导路径挖掘得到,因此最终本申请实施例所确定出的用户的资源识别结果不会丢失掉隐藏信息,相较于现有的通过人为观察或者人工智能识别所得到的识别结果更为精准、全面。
参阅图6,基于图1示出的实施例的具体资源识别过程为:当目标对象为目标图像、用户的意图为从目标图像中识别出所有实体时,预先使用多个图像的数据资源、信息资源、意图资源以及知识资源构建出DIKW体系。DIKW体系中包括资源图谱,该资源图谱包括数据图谱、意识图谱、信息图谱以及知识图谱。然后对目标图像进行观察,获取到目标图像中的实体的实体信息,将目标图像中的实体分为已识别实体和未识别实体。其中,实体信息包括实体状态、实体间的关系位置以及实体间的方向关系。未识别实体指的是仍未明确该实体的完整实体信息的实体。将获取到的实体信息转换为目标图像的原始资源,其中,目标图像的原始资源包括:与目标图像相关联的数据资源、意图资源、信息资源以及知识资源中的至少一种。对目标图象相关联的数据资源进行分类,分类得到离散型数据资源和关系型数据资源。使用用户的意图以及目标图像的原始资源遍历资源图谱,具体的,根据已识别实体相关联的信息资源遍历信息图谱,推导出已识别实体相关联的信息资源所在的推导路径,由知识图谱得到目标图像中的实体间的关系信息,找出与已识别实体具有相同或相反关系的未识别实体,然后在知识图谱中基于已识别实体的状态、位置关系以及方向关系推导出对应的推导路径,通过遍历数据图谱,得到未识别实体的实体信息。最终从所有推导路径中找出满足用户的意图的资源,作为资源识别结果输出。资源识别结果中包括所有目标图像中的实体的实体信息。
本申请实施例提出的基于DIKW图谱的资源识别方法,通过获取目标对象的原始资源和用户的意图,其中目标对象为用于传递信息的工具,目标对象的原始资源,包括:与目标对象相关联的数据资源、意图资源、信息资源以及知识资源中的至少一种,用户的意图指代用户从目标对象中获取目标信息的意图。由于本申请实施例中使用用户的意图和所标对象的原始资源,遍历DIKW体系中的资源图谱,从资源图谱中推导确定出与目标对象相关联的多个推导路径,推导确定出的每一条推导路径包括目标对象的原始资源和与目标对象相关联的新资源,与目标对象相关联的新资源是通过遍历资源图谱推导生成得到的,而资源图谱包括:数据图谱、意识图谱、信息图谱、以及知识图谱,具有推导能力,能够推导生成出与目标对象相关联的新资源,不会像现有的智能化识别技术一样选择性忽略掉一些隐藏信息,进而最终从每一条推导路径中分析出满足用户的意图的资源,并将满足用户的意图的资源确定为用户的资源识别结果,所得到的用户的资源识别结果相较于现有技术中的更为准确全面,不会丢失掉满足用户的意图的隐藏信息。
参阅图7,基于图1示出的基于DIKW图谱的资源识别方法,本申请实施例对应公开了一种基于DIKW图谱的资源识别装置,包括:获取单元701、推导单元702、以及第一分析单元703。
获取单元701,用于获取目标对象的原始资源和用户的意图。其中,目标对象为用于传递信息的工具,目标对象的原始资源,包括:与目标对象相关联的数据资源、意图资源、信息资源以及知识资源中的至少一种,用户的意图指代所述用户从目标对象中获取目标信息的意图。
可选地,在本申请一具体实施例中,若目标对象为目标图像,则获取单元701,包括:识别子单元和转换子单元。
识别子单元,用于对所述目标图像进行实体识别,得到已识别实体的实体信息。其中,实体信息,包括:状态、位置关系以及方向关系信息。
转换子单元,用于将已识别实体的实体信息转换为目标图像的原始资源;其中,与目标对象相关联的新资源包括目标图像中未被识别出的实体的新资源。
推导单元702,用于使用用户的意图和目标对象的原始资源,遍历DIKW体系中的资源图谱,从资源图谱中推导确定出与目标对象相关联的多个推导路径。其中,资源图谱包括:数据图谱、意识图谱、信息图谱、以及知识图谱,推导路径包括资源图谱中相互连接的多个资源,并且每一条推导路径包括目标对象的原始资源和与目标对象相关联的新资源,与目标对象相关联的新资源通过遍历资源图谱推导生成得到。
可选地,在本申请一具体实施例中,推导单元702,包括:第二推导子单元、第一融合子单元以及第三推导子单元。
第二推导子单元,用于使用用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出目标对象的原始资源所在的推导路径。
可选地,在本申请一具体实施例中,第二推导子单元,包括:第一遍历子单元、第四推导子单元、第五推导子单元以及第六推导子单元。
第一遍历子单元,用于使用用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,以找到目标对象的原始资源所在的推导路径。
第四推导子单元,用于若在遍历DIKW体系中的资源图谱的过程中发现目标对象的原始资源所在的推导路径中缺失数据资源,则使用数据的本体模型、信息的逻辑模型、或者知识的元模型推导出缺失的数据资源。
第五推导子单元,用于若在遍历DIKW体系中的资源图谱的过程中发现目标对象的原始资源所在的推导路径中缺失信息资源,则使用数据的本体模型或者知识的元模型推导出缺失的信息资源。
第六推导子单元,用于若在遍历DIKW体系中的资源图谱的过程中发现目标对象的原始资源所在的推导路径中缺失知识资源,则使用数据的本体模型或者信息的逻辑模型推导出缺失的知识资源。
第一融合子单元,用于将目标对象的原始资源所在的推导路径中的多个资源进行融合处理,生成与目标对象相关联的新资源。
可选地,在本申请一具体实施例中,第一融合子单元,包括:
第二融合子单元,用于将目标对象的原始资源所在的推导路径中的多个数据资源进行融合处理,生成与目标对象相关联的新数据资源。和/或,将目标对象的原始资源所在的推导路径中的数据资源以及与意图资源进行融合处理,生成与目标对象相关联的新信息资源。和/或,将目标对象的原始资源所在的推导路径中的知识资源以及数据资源进行融合处理,生成与目标对象相关联的新数据资源或新知识资源。和/或,将目标对象的原始资源所在的推导路径中的信息资源以及知识资源进行融合处理,生成与目标对象相关联的新知识资源。和/或,将目标对象的原始资源所在的推导路径中的多个信息资源融合处理,生成与目标对象相关联的新信息资源。和/或,将目标对象的原始资源所在的推导路径中的多个知识资源进行融合处理,生成与目标对象相关联的新知识资源。
第三推导子单元,用于针对每一个生成的与目标对象相关联的新资源,使用与目标对象相关联的新资源、用户的意图以及目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出与目标对象相关联的新资源所在的推导路径。
可选地,在本申请一具体实施例中,第三推导子单元,包括:
第二遍历子单元,用于使用与目标对象相关联的新资源、用户的意图以及目标对象的原始资源,遍历DIKW体系中的资源图谱,以找到与目标对象相关联的新资源所在的推导路径。
第七推导子单元,用于若在遍历DIKW体系中的资源图谱的过程中发现与目标对象相关联的新资源所在的推导路径中缺失数据资源,则使用数据的本体模型、信息的逻辑模型、或者知识的元模型推导出缺失的数据资源。
第八推导子单元,用于若在遍历DIKW体系中的资源图谱的过程中发现与目标对象相关联的新资源所在的推导路径中缺失信息资源,则使用数据的本体模型或者知识的元模型推导出缺失的信息资源。
第九推导子单元,用于若在遍历DIKW体系中的资源图谱的过程中发现与目标对象相关联的新资源所在的推导路径中缺失知识资源,则使用数据的本体模型或者信息的逻辑模型推导出缺失的知识资源。
第一分析单元703,用于从每一条推导路径中分析出满足用户的意图的资源,并将满足用户的意图的资源确定为用户的资源识别结果。
可选地,在本申请一具体实施例中,资源图谱中还包括有每一个资源对应的价值。其中,基于DIKW图谱的资源识别装置,还包括:
第二分析单元,用于对用户的意图进行分析,分析计算出用户的意图的价值维度和投入维度。其中,用户的意图的价值维度用于说明用户从目标对象中获取的目标信息的精确度和正确性给用户带来的价值,用户的意图的投入维度用于说明用户为了从目标对象中获取目标信息预期投入的代价。其中,推导单元702,包括:
第一推导子单元,用于使用用户的意图、目标对象的原始资源、用户的意图的价值维度以及投入维度,遍历DIKW体系中的资源图谱,从资源图谱中推导确定出与目标对象相关联的多个推导路径。其中推导路径所包括的每一个资源对应的价值均满足用户的意图的价值维度以及投入维度的要求。
上述本申请实施例公开的基于DIKW图谱的资源识别装置中的各个单元具体的原理和执行过程,与上述本申请实施例公开的基于DIKW图谱的资源识别方法相同,可参见上述本申请实施例公开的基于DIKW图谱的资源识别方法中相应的部分,这里不再进行赘述。
本申请实施例提出的基于DIKW图谱的资源识别装置,通过获取单元701获取目标对象的原始资源和用户的意图,其中目标对象为用于传递信息的工具,目标对象的原始资源,包括:与目标对象相关联的数据资源、意图资源、信息资源以及知识资源中的至少一种,用户的意图指代用户从所述目标对象中获取目标信息的意图。由于本申请实施例中推导单元702使用用户的意图和对象的原始资源,遍历DIKW体系中的资源图谱,从资源图谱中推导确定出与目标对象相关联的多个推导路径,推导确定出的每一条推导路径包括目标对象的原始资源和与目标对象相关联的新资源,与目标对象相关联的新资源是通过遍历资源图谱推导生成得到的,而资源图谱包括:数据图谱、意识图谱、信息图谱、以及知识图谱,具有推导能力,能够推导生成出与目标对象相关联的新资源,不会像现有的智能化识别技术一样选择性忽略掉一些隐藏信息,进而第一分析单元703最终可从每一条推导路径中分析出满足用户的意图的资源,并将满足用户的意图的资源确定为用户的资源识别结果,所得到的用户的资源识别结果相较于现有技术中的更为准确全面,不会丢失掉满足用户的意图的隐藏信息。
本申请实施例公开了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如上述各实施例任一所述的基于DIKW图谱的资源识别方法。
本申请实施例公开一种基于DIKW图谱的资源识别设备,包括:一个或多个处理器,存储装置,其上存储有一个或多个程序。当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如上述各实施例任一所述的基于DIKW图谱的资源识别方法。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种基于DIKW图谱的资源识别方法,其特征在于,包括:
获取目标对象的原始资源和用户的意图;其中,所述目标对象为用于传递信息的工具;所述目标对象的原始资源,包括:与所述目标对象相关联的数据资源、意图资源、信息资源以及知识资源中的至少一种;所述用户的意图指代所述用户从所述目标对象中获取目标信息的意图;
使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,从所述资源图谱中推导确定出与所述目标对象相关联的多个推导路径;其中,所述资源图谱包括:数据图谱、意识图谱、信息图谱、以及知识图谱;所述推导路径包括所述资源图谱中相互连接的多个资源,并且每一条所述推导路径包括所述目标对象的原始资源和与所述目标对象相关联的新资源;与所述目标对象相关联的新资源通过遍历所述资源图谱推导生成得到;
从每一条所述推导路径中分析出满足所述用户的意图的资源,并将满足所述用户的意图的资源确定为所述用户的资源识别结果;
所述资源图谱中还包括有每一个资源对应的价值,其中,所述获取目标对象的原始资源和用户的意图之后,还包括:
对所述用户的意图进行分析,分析计算出所述用户的意图的价值维度和投入维度;其中,所述用户的意图的价值维度用于说明所述用户从所述目标对象中获取的目标信息的精确度和正确性给所述用户带来的价值;所述用户的意图的投入维度用于说明所述用户为了从所述目标对象中获取目标信息预期投入的代价。
2.根据权利要求1所述的方法,其特征在于,所述使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,从所述资源图谱中推导确定出与所述目标对象相关联的多个推导路径,包括:
使用所述用户的意图、所述目标对象的原始资源、所述用户的意图的价值维度以及投入维度,遍历DIKW体系中的资源图谱,从所述资源图谱中推导确定出与所述目标对象相关联的多个推导路径;其中所述推导路径所包括的每一个所述资源对应的价值均满足所述用户的意图的价值维度以及投入维度的要求。
3.根据权利要求1所述的方法,其特征在于,所述使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,从所述资源图谱中确定出与所述目标对象相关联的多个推导路径,包括:
使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出所述目标对象的原始资源所在的推导路径;
将所述目标对象的原始资源所在的推导路径中的多个资源进行融合处理,生成与所述目标对象相关联的新资源;
针对每一个生成的与所述目标对象相关联的新资源,使用与所述目标对象相关联的新资源、所述用户的意图以及所述目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出与所述目标对象相关联的新资源所在的推导路径。
4.根据权利要求3所述的方法,其特征在于,所述将所述目标对象的原始资源所在的推导路径中的多个资源进行融合处理,生成与所述目标对象相关联的新资源,包括:
将所述目标对象的原始资源所在的推导路径中的多个数据资源进行融合处理,生成与所述目标对象相关联的新数据资源;
和/或,将所述目标对象的原始资源所在的推导路径中的数据资源以及与意图资源进行融合处理,生成与所述目标对象相关联的新信息资源;
和/或,将所述目标对象的原始资源所在的推导路径中的知识资源以及数据资源进行融合处理,生成与所述目标对象相关联的新数据资源或新知识资源;
和/或,将所述目标对象的原始资源所在的推导路径中的信息资源以及知识资源进行融合处理,生成与所述目标对象相关联的新知识资源;
和/或,将所述目标对象的原始资源所在的推导路径中的多个信息资源融合处理,生成与所述目标对象相关联的新信息资源;
和/或,将所述目标对象的原始资源所在的推导路径中的多个知识资源进行融合处理,生成与所述目标对象相关联的新知识资源。
5.根据权利要求3所述的方法,其特征在于,所述使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出所述目标对象的原始资源所在的推导路径,包括:
使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,以找到所述目标对象的原始资源所在的推导路径;
若在遍历DIKW体系中的资源图谱的过程中发现所述目标对象的原始资源所在的推导路径中缺失数据资源,则使用数据的本体模型、信息的逻辑模型、或者知识的元模型推导出缺失的数据资源;
若在遍历DIKW体系中的资源图谱的过程中发现所述目标对象的原始资源所在的推导路径中缺失信息资源,则使用数据的本体模型或者知识的元模型推导出缺失的信息资源;
若在遍历DIKW体系中的资源图谱的过程中发现所述目标对象的原始资源所在的推导路径中缺失知识资源,则使用数据的本体模型或者信息的逻辑模型推导出缺失的知识资源;
其中,所述使用与所述目标对象相关联的新资源、所述用户的意图以及所述目标对象的原始资源,遍历DIKW体系中的资源图谱,推导出与所述目标对象相关联的新资源所在的推导路径,包括:
使用与所述目标对象相关联的新资源、所述用户的意图以及所述目标对象的原始资源,遍历DIKW体系中的资源图谱,以找到与所述目标对象相关联的新资源所在的推导路径;
若在遍历DIKW体系中的资源图谱的过程中发现与所述目标对象相关联的新资源所在的推导路径中缺失数据资源,则使用数据的本体模型、信息的逻辑模型、或者知识的元模型推导出缺失的数据资源;
若在遍历DIKW体系中的资源图谱的过程中发现与所述目标对象相关联的新资源所在的推导路径中缺失信息资源,则使用数据的本体模型或者知识的元模型推导出缺失的信息资源;
若在遍历DIKW体系中的资源图谱的过程中发现与所述目标对象相关联的新资源所在的推导路径中缺失知识资源,则使用数据的本体模型或者信息的逻辑模型推导出缺失的知识资源。
6.根据权利要求1所述的方法,其特征在于,若所述目标对象为目标图像,则所述获取目标对象的原始资源,包括:
对所述目标图像进行实体识别,得到已识别实体的实体信息;其中,所述实体信息,包括:状态、位置关系以及方向关系信息;
将所述已识别实体的实体信息转换为所述目标图像的原始资源;其中,与所述目标对象相关联的新资源包括所述目标图像中未被识别出的实体的新资源。
7.一种基于DIKW图谱的资源识别装置,其特征在于,包括:
获取单元,用于获取目标对象的原始资源和用户的意图;其中,所述目标对象为用于传递信息的工具;所述目标对象的原始资源,包括:与所述目标对象相关联的数据资源、意图资源、信息资源以及知识资源中的至少一种;所述用户的意图指代所述用户从所述目标对象中获取目标信息的意图;
推导单元,用于使用所述用户的意图和所述目标对象的原始资源,遍历DIKW体系中的资源图谱,从所述资源图谱中推导确定出与所述目标对象相关联的多个推导路径;其中,所述资源图谱包括:数据图谱、意识图谱、信息图谱、以及知识图谱;所述推导路径包括所述资源图谱中相互连接的多个资源,并且每一条所述推导路径包括所述目标对象的原始资源和与所述目标对象相关联的新资源;与所述目标对象相关联的新资源通过遍历所述资源图谱推导生成得到;
第一分析单元,用于从每一条所述推导路径中分析出满足所述用户的意图的资源,并将满足所述用户的意图的资源确定为所述用户的资源识别结果;
第二分析单元,用于对所述用户的意图进行分析,分析计算出所述用户的意图的价值维度和投入维度;其中,所述用户的意图的价值维度用于说明所述用户从所述目标对象中获取的目标信息的精确度和正确性给所述用户带来的价值;所述用户的意图的投入维度用于说明所述用户为了从所述目标对象中获取目标信息预期投入的代价。
8.根据权利要求7所述的装置,其特征在于,所述资源图谱中还包括有每一个资源对应的价值;
其中,所述基于DIKW图谱的资源识别装置,还包括:
第二分析单元,用于对所述用户的意图进行分析,分析计算出所述用户的意图的价值维度和投入维度;其中,所述用户的意图的价值维度用于说明所述用户从所述目标对象中获取的目标信息的精确度和正确性给所述用户带来的价值;所述用户的意图的投入维度用于说明所述用户为了从所述目标对象中获取目标信息预期投入的代价;
其中,所述推导单元,包括:
第一推导子单元,用于使用所述用户的意图、所述目标对象的原始资源、所述用户的意图的价值维度以及投入维度,遍历DIKW体系中的资源图谱,从所述资源图谱中推导确定出与所述目标对象相关联的多个推导路径;其中所述推导路径所包括的每一个所述资源对应的价值均满足所述用户的意图的价值维度以及投入维度的要求。
9.一种计算机可读介质,其特征在于,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至6中任一所述的方法。
10.一种基于DIKW图谱的资源识别设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110431356.0A CN112925921B (zh) | 2021-04-21 | 2021-04-21 | 基于dikw图谱的资源识别方法、相关装置及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110431356.0A CN112925921B (zh) | 2021-04-21 | 2021-04-21 | 基于dikw图谱的资源识别方法、相关装置及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112925921A CN112925921A (zh) | 2021-06-08 |
CN112925921B true CN112925921B (zh) | 2022-02-22 |
Family
ID=76174587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110431356.0A Active CN112925921B (zh) | 2021-04-21 | 2021-04-21 | 基于dikw图谱的资源识别方法、相关装置及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112925921B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538179A (zh) * | 2021-06-11 | 2021-10-22 | 海南大学 | 一种基于dikw的专利智能申请方法及*** |
CN113645284B (zh) * | 2021-07-29 | 2022-08-26 | 海南大学 | 意图驱动的多模态dikw内容传输方法 |
CN113609827B (zh) * | 2021-08-09 | 2023-05-26 | 海南大学 | 基于意图驱动的dikw的内容处理方法及*** |
CN113609307B (zh) * | 2021-08-09 | 2023-10-20 | 海南大学 | 更新dikw图谱的方法、装置、存储介质和电子设备 |
CN113722505B (zh) * | 2021-08-30 | 2023-04-18 | 海南大学 | 面向dikw资源的情感表达映射、度量与优化传输*** |
CN114039865B (zh) * | 2021-08-30 | 2023-03-31 | 海南大学 | 意图计算导向的跨dikw模态传输与优化*** |
CN113810480B (zh) * | 2021-09-03 | 2022-09-16 | 海南大学 | 基于dikw内容对象的情感通讯方法 |
CN114077194A (zh) * | 2021-10-25 | 2022-02-22 | 海南大学 | 面向不完整、不精确、动态优化决策目标的dikw资源构建与处理*** |
CN114117184A (zh) * | 2021-11-05 | 2022-03-01 | 海南大学 | 面向意图计算与推理的dikw资源传输方法及装置 |
CN114120620B (zh) * | 2021-11-18 | 2023-07-21 | 海南大学 | 基于dikw的区域感知和通行提示方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9443005B2 (en) * | 2012-12-14 | 2016-09-13 | Instaknow.Com, Inc. | Systems and methods for natural language processing |
CN106997399A (zh) * | 2017-05-24 | 2017-08-01 | 海南大学 | 一种基于数据图谱、信息图谱、知识图谱和智慧图谱关联架构的分类问答***设计方法 |
CN108268651A (zh) * | 2018-01-28 | 2018-07-10 | 海南大学 | 基于数据、信息和知识三层图谱架构的图像信息目标识别方法 |
CN112241552A (zh) * | 2020-10-15 | 2021-01-19 | 海南大学 | 面向本质计算与推理的跨dikw模态隐私资源保护方法 |
CN112308263A (zh) * | 2019-07-25 | 2021-02-02 | 华为技术有限公司 | 学位资源预测方法、装置、存储介质和芯片 |
CN112307974A (zh) * | 2020-10-31 | 2021-02-02 | 海南大学 | 跨数据信息知识模态的用户行为内容编解码方法 |
CN112507076A (zh) * | 2020-12-14 | 2021-03-16 | 英大传媒投资集团有限公司 | 一种语义分析搜索方法、装置及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922075B (zh) * | 2019-03-22 | 2020-06-02 | 中国南方电网有限责任公司 | 网络安全知识图谱构建方法和装置、计算机设备 |
CN111324643B (zh) * | 2020-03-30 | 2023-08-29 | 北京百度网讯科技有限公司 | 知识图谱的生成方法、关系挖掘方法、装置、设备和介质 |
-
2021
- 2021-04-21 CN CN202110431356.0A patent/CN112925921B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9443005B2 (en) * | 2012-12-14 | 2016-09-13 | Instaknow.Com, Inc. | Systems and methods for natural language processing |
CN106997399A (zh) * | 2017-05-24 | 2017-08-01 | 海南大学 | 一种基于数据图谱、信息图谱、知识图谱和智慧图谱关联架构的分类问答***设计方法 |
CN108268651A (zh) * | 2018-01-28 | 2018-07-10 | 海南大学 | 基于数据、信息和知识三层图谱架构的图像信息目标识别方法 |
CN112308263A (zh) * | 2019-07-25 | 2021-02-02 | 华为技术有限公司 | 学位资源预测方法、装置、存储介质和芯片 |
CN112241552A (zh) * | 2020-10-15 | 2021-01-19 | 海南大学 | 面向本质计算与推理的跨dikw模态隐私资源保护方法 |
CN112307974A (zh) * | 2020-10-31 | 2021-02-02 | 海南大学 | 跨数据信息知识模态的用户行为内容编解码方法 |
CN112507076A (zh) * | 2020-12-14 | 2021-03-16 | 英大传媒投资集团有限公司 | 一种语义分析搜索方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
数据、信息和知识三层图谱架构的推荐服务设计;邵礼旭 等;《计算机科学与探索》;20180306;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112925921A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112925921B (zh) | 基于dikw图谱的资源识别方法、相关装置及可读介质 | |
CN111428053B (zh) | 一种面向税务领域知识图谱的构建方法 | |
Wu et al. | Natural language processing for smart construction: Current status and future directions | |
Kim et al. | Futuristic data-driven scenario building: Incorporating text mining and fuzzy association rule mining into fuzzy cognitive map | |
Ranjan et al. | LFNN: Lion fuzzy neural network-based evolutionary model for text classification using context and sense based features | |
Duckham et al. | Foundations of geographic information science | |
CN105117429A (zh) | 基于主动学习和多标签多示例学习的场景图像标注方法 | |
CN112148890B (zh) | 基于网络群体智能的教学知识点图谱*** | |
US20150006528A1 (en) | Hierarchical data structure of documents | |
CN103544242A (zh) | 面向微博的情感实体搜索*** | |
CN111667158B (zh) | 一种基于多图神经网络联合学习的工作技能预测方法 | |
CN111552820A (zh) | 水工程调度数据处理方法及装置 | |
CN103412878B (zh) | 基于领域知识地图社区结构的文档主题划分方法 | |
CN103761286B (zh) | 一种基于用户兴趣的服务资源检索方法 | |
CN115098696A (zh) | 一种城市体检知识图谱的构建方法、装置及存储介质 | |
Ceci et al. | Spatial associative classification: propositional vs structural approach | |
Zadrozny et al. | Remarks on various aspects of bipolarity in database querying | |
Hao et al. | The research and analysis in decision tree algorithm based on C4. 5 algorithm | |
Zhu et al. | Conceptual modeling rules extracting for data streams | |
Wen et al. | A granular computing approach to symbolic value partitioning | |
Gajderowicz | Using decision trees for inductively driven semantic integration and ontology matching | |
Xiong et al. | Experimental Evaluation of Intelligent e-Government System Based on Text Mining | |
Gong et al. | A term extraction algorithm based on machine learning and comprehensive feature strategy | |
Yao et al. | Improving flexibility and reusage of business process management: the role of cased-based reasoning technique | |
Brathwaite | The Holy Trinity: Blending Statistics, Machine Learning and Discrete Choice, with Applications to Strategic Bicycle Planning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |