一种基于粒子群算法的知识图谱优化方法及装置制造方法及图纸

本发明专利技术实施例提供一种基于粒子群算法的知识图谱优化方法及装置。所述方法包括从知识图谱中提取特征数据，根据各特征数据对应的权重变量组成一维状态变量；在预设解空间中，根据预设的粒子群算法，得到所述一维状态变量的优化解；其中，所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率，本发明专利技术实施例通过构建由特征数据的权重变量组成的一维状态变量，并通过粒子群算法得到所述一维状态变量的优化解，从而能够提高基于所述知识图谱得到识别结果的准确率。

A knowledge map optimization method and device based on particle swarm optimization

【技术实现步骤摘要】
一种基于粒子群算法的知识图谱优化方法及装置
本专利技术涉及数据处理
，尤其涉及一种基于粒子群算法的知识图谱优化方法及装置。
技术介绍
基于知识图谱的识别系统利用专家整理的特征数据对特定结果进行识别，因特征数据本身的不确定性且构建知识图谱需要专家评估量化特征数据到识别结果的权重，以表示每个特征数据指向识别结果的概率，后续会利用权重对识别结果进行推理，因此权重作为识别结果的重要因素且本身无法量化，优化权重也成为提高识别系统准确率的重要手段。现有通过专家直接提供的权重不够精确，无法保证知识图谱中数据的可靠性。
技术实现思路
由于现有方法存在上述问题，本专利技术实施例提供一种基于粒子群算法的知识图谱优化方法及装置。第一方面，本专利技术实施例提供了一种基于粒子群算法的知识图谱优化方法，包括：从知识图谱中提取特征数据，根据各特征数据对应的权重变量组成一维状态变量；在预设解空间中，根据预设的粒子群算法，得到所述一维状态变量的优化解；其中，所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率。进一步地，所述在预设解空间中，根据预设的粒子群算法，得到所述一维状态变量的优化解，具体包括：根据预设的粒子群算法，在所述预设的解空间中，构建预设粒子数的粒子群，并对所述粒子群进行初始化；其中，所述初始化的粒子群包括由各特征数据预设的初始权重组成的一个粒子；根据所述粒子群算法的迭代公式对所述粒子群中每个粒子的速度和位置进行迭代更新，并以各迭代更新得到的粒子群中适应度最大的粒子的位置作为全局最优位置，以每个粒子在各迭代更新中适应度最大的位置作为所述粒子最优位置；在满足预设的结束条件时，将当前的全局最优位置作为所述一维状态变量的优化解。进一步地，所述粒子群算法的迭代公式如下：v′i＝ω*vi+c1*rand()*(pbest-xi)+c2*rand()*(gbest-xi)，x′i＝xi+v′i，其中，v′i是粒子i迭代更新后的速度，vi是粒子i当前的速度，x′i是粒子i迭代更新后的位置，xi是粒子i当前的位置，i＝1，2…N，所述N为所述预设粒子数，c1和c2为学习因子，rand()是介于(0，1)的随机数，pbest是所述粒子最优位置，gbest是全局最优位置，ω惯性因子。进一步地，所述ω惯性因子采用线性递减权值策略，由如下公式得到：其中，Gk为预设最大迭代次数，ωini为预设初始惯性权值，ωend为迭代更新次数达到最大迭代次数时预设的最终惯性权值，g为当前迭代更新次数。进一步地，所述的基于粒子群算法的知识图谱优化方法还包括：若所述粒子在迭代更新后的速度超过预设的速度最大值，则所述粒子在迭代更新后的速度设为所述速度最大值。第二方面，本专利技术实施例提供了一种基于粒子群算法的知识图谱优化装置，包括：特征提取模块，用于从知识图谱中提取特征数据，根据各特征数据对应的权重变量组成一维状态变量；权重优化模块，用于在预设解空间中，根据预设的粒子群算法，得到所述一维状态变量的优化解；其中，所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率。进一步地，所述权重优化模块具体包括：粒子群初始化模块，用于根据预设的粒子群算法，在所述预设的解空间中，构建预设粒子数的粒子群，并对所述粒子群进行初始化；其中，所述初始化的粒子群包括由各特征数据预设的初始权重组成的一个粒子；迭代更新模块，用于根据所述粒子群算法的迭代公式对所述粒子群中每个粒子的速度和位置进行迭代更新，并以各迭代更新得到的粒子群中适应度最大的粒子的位置作为全局最优位置，以每个粒子在各迭代更新中适应度最大的位置作为所述粒子最优位置；结果输出模块，用于在满足预设的结束条件时，将当前的全局最优位置作为所述一维状态变量的优化解。进一步地，所述粒子群算法的迭代公式如下：v′i＝ω*vi+c1*rand()*(pbest-xi)+c2*rand()*(gbest-xi)，x′i＝xi+v′i，其中，v′i是粒子i迭代更新后的速度，vi是粒子i当前的速度，x′i是粒子i迭代更新后的位置，xi是粒子i当前的位置，i＝1，2…N，所述N为所述预设粒子数，c1和c2为学习因子，rand()是介于(0，1)的随机数，pbest是所述粒子最优位置，gbest是全局最优位置，ω惯性因子。第三方面，本专利技术实施例还提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线；其中，所述处理器、存储器、通信接口通过所述通信总线完成相互间的通信；所述通信接口用于该电子设备的通信设备之间的信息传输；所述存储器存储有可被所述处理器执行的计算机程序指令，所述处理器调用所述程序指令能够执行如下方法：从知识图谱中提取特征数据，根据各特征数据对应的权重变量组成一维状态变量；在预设解空间中，根据预设的粒子群算法，得到所述一维状态变量的优化解；其中，所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率。第四方面，本专利技术实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如下方法：从知识图谱中提取特征数据，根据各特征数据对应的权重变量组成一维状态变量；在预设解空间中，根据预设的粒子群算法，得到所述一维状态变量的优化解；其中，所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率。本专利技术实施例提供的基于粒子群算法的知识图谱优化方法及装置，通过构建由特征数据的权重变量组成的一维状态变量，并通过粒子群算法得到所述一维状态变量的优化解，从而能够提高基于所述知识图谱得到识别结果的准确率。附图说明为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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为本专利技术实施例的基于粒子群算法的知识图谱优化方法流程图；图2为本专利技术实施例的另一基于粒子群算法的知识图谱优化方法流程图；图3为本专利技术实施例的基于粒子群算法的知识图谱优化装置结构示意图；图4为本专利技术实施例的另一基于粒子群算法的知识图谱优化装置结构示意图；图5示例了一种电子设备的实体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。图1为本专利技术实施例的基于粒子群本文档来自技高网...

【技术保护点】
1.一种基于粒子群算法的知识图谱优化方法，其特征在于，包括：/n从知识图谱中提取特征数据，根据各特征数据对应的权重变量组成一维状态变量；/n在预设解空间中，根据预设的粒子群算法，得到所述一维状态变量的优化解；其中，所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率。/n

【技术特征摘要】
1.一种基于粒子群算法的知识图谱优化方法，其特征在于，包括：
从知识图谱中提取特征数据，根据各特征数据对应的权重变量组成一维状态变量；
在预设解空间中，根据预设的粒子群算法，得到所述一维状态变量的优化解；其中，所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率。


2.根据权利要求1所述的基于粒子群算法的知识图谱优化方法，其特征在于，所述在预设解空间中，根据预设的粒子群算法，得到所述一维状态变量的优化解，具体包括：
根据预设的粒子群算法，在所述预设的解空间中，构建预设粒子数的粒子群，并对所述粒子群进行初始化；其中，所述初始化的粒子群包括由各特征数据预设的初始权重组成的一个粒子；
根据所述粒子群算法的迭代公式对所述粒子群中每个粒子的速度和位置进行迭代更新，并以各迭代更新得到的粒子群中适应度最大的粒子的位置作为全局最优位置，以每个粒子在各迭代更新中适应度最大的位置作为粒子最优位置；
在满足预设的结束条件时，将当前的全局最优位置作为所述一维状态变量的优化解。


3.根据权利要求2所述的基于粒子群算法的知识图谱优化方法，其特征在于，所述粒子群算法的迭代公式如下：
v′i＝ω*vi+c1*rand()*(pbest-xi)+c2*rand()*(gbest-xi)，
x′i＝xi+v′i，
其中，v′i是粒子i迭代更新后的速度，vi是粒子i当前的速度，x′i是粒子i迭代更新后的位置，xi是粒子i当前的位置，i＝1，2…N，所述N为所述预设粒子数，c1和c2为学习因子，rand()是介于(0，1)的随机数，pbest是所述粒子最优位置，gbest是全局最优位置，ω惯性因子。


4.根据权利要求3所述的基于粒子群算法的知识图谱优化方法，其特征在于，所述ω惯性因子采用线性递减权值策略，由如下公式得到：



其中，Gk为预设最大迭代次数，ωini为预设初始惯性权值，ωend为迭代更新次数达到最大迭代次数时预设的最终惯性权值，g为当前迭代更新次数。


5.根据权利要求4所述的基于粒子群算法的知识图谱优化方法，其特征在于，所述的基于粒子群算法的知识图谱优化方法还包括：
若所述粒子在迭代更新后的速度超过预设的速度最大值...

【专利技术属性】
技术研发人员：王静，刘宁，胡茜，吴志超，
申请(专利权)人：北京爱医生智慧医疗科技有限公司，
类型：发明
国别省市：北京;11