本發(fā)明涉及知識圖譜，尤其涉及利用圖卷積網(wǎng)絡構建化塑產業(yè)鏈知識圖譜的方法。

背景技術：

1、知識圖譜作為一種結構化的知識表示方法，能夠有效地描述實體之間的復雜關系和屬性特征，已經在多個領域得到廣泛應用。傳統(tǒng)的知識圖譜構建方法主要依賴于文本挖掘、實體識別、關系抽取等技術，通過對海量數(shù)據(jù)的處理和分析，形成具有語義關聯(lián)的知識網(wǎng)絡。隨著人工智能技術的發(fā)展，知識圖譜在產業(yè)分析、決策支持等方面展現(xiàn)出重要價值。

2、化工塑料產業(yè)鏈具有產品種類多、工藝復雜、上下游關系密切等特點，其知識體系涉及化學品、生產工藝、市場交易等多個維度的信息。目前，化塑產業(yè)鏈知識圖譜主要應用于產業(yè)鏈分析、供需匹配和風險預警等場景，但由于行業(yè)專業(yè)性強、數(shù)據(jù)來源分散，現(xiàn)有的知識圖譜構建方法難以滿足化塑產業(yè)精細化管理的需求。

3、現(xiàn)有技術在處理化塑產業(yè)鏈知識圖譜時存在以下問題：首先，企業(yè)信息、產品技術、市場交易等多源異構數(shù)據(jù)的整合和標準化處理效果不理想；其次，傳統(tǒng)的知識建模方法難以準確表達化工領域的專業(yè)概念和復雜關系；最后，知識圖譜的優(yōu)化能力不足，難以及時反映產業(yè)鏈的動態(tài)變化。這些技術局限嚴重影響了化塑產業(yè)鏈知識圖譜的實用性和可靠性。

技術實現(xiàn)思路

1、有鑒于此，本發(fā)明提出了利用圖卷積網(wǎng)絡構建化塑產業(yè)鏈知識圖譜的方法，旨在解決現(xiàn)有技術中化塑產業(yè)鏈多源異構數(shù)據(jù)處理效果不理想、專業(yè)領域知識表達不準確以及知識圖譜更新優(yōu)化能力不足等技術問題，通過系統(tǒng)化的數(shù)據(jù)處理、知識建模和圖卷積網(wǎng)絡優(yōu)化方法，實現(xiàn)對化塑產業(yè)鏈知識的高效表達、自動補全和錯誤修正，從而構建一個準確、可靠且具有自動優(yōu)化能力的化塑產業(yè)鏈知識圖譜。

2、本發(fā)明的技術方案是這樣實現(xiàn)的：本發(fā)明提供了利用圖卷積網(wǎng)絡構建化塑產業(yè)鏈知識圖譜的方法，包括：

3、s1、通過數(shù)據(jù)采集系統(tǒng)獲取化塑產業(yè)鏈多源異構數(shù)據(jù)，形成初始數(shù)據(jù)集，多源異構數(shù)據(jù)包括企業(yè)信息數(shù)據(jù)、產品技術數(shù)據(jù)和市場交易數(shù)據(jù)；

4、s2、對初始數(shù)據(jù)集進行預處理，生成標準化數(shù)據(jù)集；

5、s3、基于標準化數(shù)據(jù)集進行知識建模，包括構建化塑產業(yè)鏈本體模型、設計多維屬性體系、定義實體關系類型，并建立語義規(guī)則庫和知識推理規(guī)則集，形成領域知識模型；

6、s4、根據(jù)領域知識模型構建初始知識圖譜，包括實體構建、關系抽取、知識對齊與融合；

7、s5、利用圖卷積網(wǎng)絡對初始知識圖譜進行優(yōu)化，包括構設計圖卷積網(wǎng)絡模型、訓練模型，通過訓練后的模型對知識圖譜進行自動補全和糾錯，得到優(yōu)化后的化塑產業(yè)鏈知識圖譜。

8、在上述技術方案的基礎上，優(yōu)選的，步驟s2包括：

9、s21、對初始數(shù)據(jù)集進行規(guī)范化預處理，通過設計統(tǒng)一的字段映射規(guī)則對多源異構數(shù)據(jù)進行格式統(tǒng)一，采用基于編輯距離的數(shù)據(jù)去重算法識別并合并重復記錄，生成統(tǒng)一格式的基礎數(shù)據(jù)集d1；

10、s22、對化工領域的專業(yè)術語、化學品名稱、工藝流程進行系統(tǒng)性整理和分類，建立規(guī)范的化工領域詞典和術語體系，構建化工專業(yè)語料庫t；

11、s23、基于化工專業(yè)語料庫t對基礎數(shù)據(jù)集d1進行語義分析，利用專業(yè)詞典進行術語識別和標準化，通過詞頻統(tǒng)計和共現(xiàn)分析提取文本的語義特征，建立文本與專業(yè)概念的映射關系，生成包含語義標注的數(shù)據(jù)集d2；

12、s24、對數(shù)據(jù)集d2進行結構化轉換，基于預定義的字段模板將非結構化文本信息映射為規(guī)范的結構化形式，提取并保留核心語義信息，最終生成標準化數(shù)據(jù)集d3。

13、在上述技術方案的基礎上，優(yōu)選的，步驟s3包括：

14、s31、基于標準化數(shù)據(jù)集，采用領域驅動設計方法構建化塑產業(yè)鏈本體模型，通過文本挖掘技術從數(shù)據(jù)中提取核心概念，運用層次聚類算法建立概念的分類體系，基于領域專家知識定義概念間的繼承和組成關系，形成具有層次結構的本體概念模型m1；

15、s32、以本體概念模型m1為基礎，針對化工產品的屬性特點和工藝流程的復雜性，設計屬性建模機制，建立多層次的屬性體系，將產品的化學性質、物理性質、生產工藝參數(shù)等進行細粒度的描述，構建屬性之間的關聯(lián)關系和約束條件，生成增強的屬性模型m2；

16、s33、結合本體概念模型m1和屬性模型m2，定義化塑產業(yè)鏈中的實體關系類型，包括產業(yè)上下游關系、供需關系、技術關聯(lián)關系，構建關系的層次分類體系，形成完整的關系模型m3；

17、s34、基于模型m1、m2、m3，構建語義規(guī)則庫，設計實體間的推理規(guī)則，制定實體-關系約束規(guī)則，建立屬性值的推導規(guī)則，最終生成包含推理能力的規(guī)則庫，從而形成完整的領域知識模型。

18、在上述技術方案的基礎上，優(yōu)選的，步驟s4包括：

19、s41、基于領域知識模型進行實體構建，采用深度學習模型識別文本中的實體及其類型，結合屬性模型m2提取實體屬性特征，建立實體索引系統(tǒng)，生成規(guī)范的實體知識庫e；

20、s42、針對實體知識庫e中的實體對進行關系抽取，基于語義相似度的關系映射算法識別實體間的關系類型，并計算關系置信度，形成關系集合r；

21、s43、對實體知識庫e和關系集合r進行知識對齊與融合，通過計算多維相似度識別等價實體，處理知識沖突，生成統(tǒng)一的知識表示g；

22、s44、基于知識表示g構建初始知識圖譜，將實體作為圖的節(jié)點并賦予屬性特征，將關系作為帶有類型和權重的有向邊，建立屬性的快速檢索機制，最終形成具有實體-關系-屬性三元組結構的初始知識圖譜kg。

23、在上述技術方案的基礎上，優(yōu)選的，步驟s41中，采用改進的bilstm-crf模型進行實體識別與分類，包括：

24、輸入層，接收化工領域文本序列x={x1,x2,...,xn}，通過分詞模塊進行序列切分，并對分詞結果進行標準化處理，生成規(guī)范化的輸入序列；

25、詞向量層，采用在化工專業(yè)語料庫上預訓練的word2vec模型將輸入序列映射為初始詞向量，同時引入位置編碼與詞向量進行融合，得到融合位置信息的特征序列，其中，為初始詞向量，為類別標簽嵌入，為位置編碼，為特征序列的總維度；

26、領域特征提取層，針對化工領域專業(yè)術語和符號，設計化工專用的卷積神經網(wǎng)絡chem-cnn，提取局部關鍵特征，生成領域增強的特征序列u={u1,u2,...,un}；

27、bilstm層包含前向和后向兩個lstm網(wǎng)絡，分別從正向和反向處理特征序列u，捕獲序列的長程依賴關系，將兩個方向的隱層狀態(tài)拼接得到融合上下文信息的特征序列h={h1,h2,...,hn}；

28、注意力層，基于bilstm的輸出計算注意力得分矩陣，通過softmax歸一化得到注意力權重，對上下文特征進行加權求和得到上下文向量，將其與原特征融合得到注意力增強的特征序列a={a1,a2,...,an}；

29、crf層，利用轉移矩陣和發(fā)射矩陣建模標簽序列的整體依賴關系，計算完整標簽序列的條件概率，通過最大化路徑得分優(yōu)化序列標注結果：

30、，

31、，

32、式中，為發(fā)射得分，表示標簽對應特征的適應度；為轉移得分，表示相鄰標簽的轉移概率；z為規(guī)范化因子；

33、輸出符合bioes標注方案的標簽序列y*={y1,y2,...,yn}，其中yi∈{b-t,i-t,o,e-t,s-t}，t為實體類型。

34、在上述技術方案的基礎上，優(yōu)選的，步驟s42包括：

35、構建實體語義表示，對實體對(e1,e2)，獲取其語義向量ve1,ve2∈rd，其中d為向量維度，向量通過預訓練語言模型獲得；

36、計算實體對的語義相似度：

37、，

38、式中，為向量內積，為向量范數(shù)，輸出為實體對的語義相似度得分；

39、對于關系模型m3中定義的關系類型集合rt={r1,r2,...,rk}，計算關系映射得分：

40、，

41、式中，為多維度相似度計算函數(shù)，第k個維度的相似度衡量；k表示相似度衡量的維度數(shù)量；為第k個維度的相似度的權重系數(shù)；為實體的類型，為實體類型對之間的關系先驗概率；為激活函數(shù)；

42、確定關系類型并計算置信度：

43、，

44、，

45、當超過閾值時，將三元組加入關系集合r。

46、在上述技術方案的基礎上，優(yōu)選的，步驟s5包括：

47、s51、構建初始知識圖譜kg的節(jié)點-邊特征向量，通過融合實體的屬性特征、結構特征和上下文語義特征生成節(jié)點表示，結合關系類型的語義嵌入和時序信息編碼生成邊表示，采用稀疏矩陣存儲建立圖的鄰接矩陣，獲得知識圖譜的多維特征表示；

48、s52、設計產業(yè)鏈感知圖卷積網(wǎng)絡結構，引入殘差連接結構，以構建端到端的圖卷積網(wǎng)絡模型m；

49、s53、基于負采樣策略構造訓練樣本集，采用聯(lián)合損失函數(shù)對圖卷積網(wǎng)絡模型m進行參數(shù)優(yōu)化，得到優(yōu)化模型m'；

50、s54、利用優(yōu)化模型m'對初始知識圖譜kg進行優(yōu)化，通過鏈接預測發(fā)現(xiàn)潛在的實體關系并計算其可信度，基于關系分類結果對現(xiàn)有的錯誤鏈接進行識別和修正，結合實體屬性預測補充缺失的屬性信息，最終生成優(yōu)化后的知識圖譜kg'。

51、在上述技術方案的基礎上，優(yōu)選的，步驟s52中，圖卷積網(wǎng)絡模型m包括具有產業(yè)鏈結構特征的圖神經網(wǎng)絡架構，包含多層聚合模型、關系感知機制和殘差連接結構，其中，多層聚合模型針對化塑產業(yè)鏈的復雜關系結構，設計產業(yè)鏈感知圖卷積網(wǎng)絡，捕獲多跳的上下游關系；關系感知機制根據(jù)不同的實體關系類型，動態(tài)調整消息傳遞的權重；殘差連接結構鏈接初始節(jié)點表示，以防止梯度消失。

52、在上述技術方案的基礎上，優(yōu)選的，產業(yè)鏈感知圖卷積網(wǎng)絡的消息傳遞函數(shù)如下：

53、，

54、，

55、式中，為第層的節(jié)點表示；為激活函數(shù)；r為關系類型集合；表示節(jié)點i在關系r下的鄰居節(jié)點集合；為節(jié)點j對節(jié)點i在關系r下的注意力權重；為關系r的可學習權重矩陣；為自連接的可學習權重矩陣；為第層的節(jié)點表示；為第層的鄰居節(jié)點表示；表示關系感知的評分函數(shù)；k表示在計算注意力權重時用于遍歷的鄰居節(jié)點索引；

56、關系感知機制通過對不同類型的關系賦予不同的權重矩陣，使得模型區(qū)分不同的關系類型。

57、在上述技術方案的基礎上，優(yōu)選的，聯(lián)合損失函數(shù)定義為：

58、，

59、，

60、，

61、，

62、式中，為總損失函數(shù)；為鏈接預測損失；為屬性補全損失；為錯誤糾正損失；和為權重系數(shù)，調整各任務的貢獻度；為正樣本集合；為負樣本集合；為實體ei和ej的特征向量；為得分函數(shù)，表示實體對之間關系的預測得分；為sigmoid函數(shù)；為實體的總數(shù)量；為權重系數(shù)；a為屬性集合；b為屬性間的依賴關系集合；(a,b)表示屬性對；為實體ei的屬性a的真實值；為預測屬性a的函數(shù)，輸入為實體特征向量，輸出為預測的屬性值；為預測屬性b的函數(shù)；為錯誤鏈接的實體對集合；為閾值，表示錯誤鏈接的判定邊界；確保當預測得分低于閾值時產生損失，鼓勵模型降低錯誤鏈接的得分。

63、本發(fā)明相對于現(xiàn)有技術具有以下有益效果：

64、（1）本發(fā)明通過系統(tǒng)化的數(shù)據(jù)處理、知識建模和圖卷積網(wǎng)絡優(yōu)化方法，實現(xiàn)了化塑產業(yè)鏈多源異構數(shù)據(jù)的高效整合和標準化處理，提高了知識圖譜構建的自動化程度和準確性，使得知識圖譜能夠準確反映化塑產業(yè)鏈的復雜關系結構，并具備自動補全和錯誤修正能力；

65、（2）本發(fā)明采用改進的bilstm-crf模型進行實體識別，通過引入化工專用的卷積神經網(wǎng)絡和注意力機制，提升了對化工領域專業(yè)術語和符號的識別準確率，有效解決了傳統(tǒng)實體識別模型在處理化工專業(yè)術語時的局限性；

66、（3）本發(fā)明設計的基于語義相似度的關系映射算法，通過多維度相似度計算和動態(tài)先驗概率調整，提高了實體關系抽取的準確性，能夠有效識別和表達化塑產業(yè)鏈中的復雜關系類型；

67、（4）本發(fā)明提出的產業(yè)鏈感知圖卷積網(wǎng)絡結構，通過多層聚合模型和關系感知機制，增強了對產業(yè)鏈上下游關系的建模能力，提高了模型對長程依賴關系的捕獲能力，使得知識圖譜更準確地反映產業(yè)鏈結構特征；

68、（5）本發(fā)明設計的聯(lián)合損失函數(shù)優(yōu)化機制，通過同時優(yōu)化鏈接預測、屬性補全和錯誤糾正三個任務，提高了知識圖譜的完整性和準確性，實現(xiàn)了知識圖譜的自動優(yōu)化和維護，降低了人工干預的需求。