基于偏序三支结构的动态概念学习及知识图谱生成方法技术

本发明专利技术公开了一种基于偏序三支结构的动态概念学习及知识图谱生成方法，包括以下步骤：S1、对于给定的原始形式背景以及增量形式背景，根据新增对象与原有对象之间的二元关系，判断新增对象的类别；S2、根据新增对象的类别，基于各类别的性质，对原始概念树进行增量更新，以实现动态概念认知学习；S3、根据步骤S2中概念的动态变化，对原始知识图谱中的各概念节点、内容以及相互之间的关联边进行增量删减，以实现对知识图谱的增量式更新。本发明专利技术方法结合现有的偏序三支结构生成算法，通过引入增量学习操作，可基于动态数据，实现动态概念认知学习，并实现知识图谱的增量式生成。并实现知识图谱的增量式生成。并实现知识图谱的增量式生成。

【技术实现步骤摘要】
基于偏序三支结构的动态概念学习及知识图谱生成方法


[0001]本专利技术属于知识图谱
，具体涉及一种基于偏序三支结构的动态概念学习及知识图谱生成方法。

技术介绍

[0002]随着信息技术产业的蓬勃发展，人类可获得的信息数据呈现出爆炸式增长的趋势。如何根据人脑的思维模式对获取的动态、海量数据进行有效的处理，并从中提取有价值的知识，已成为亟待解决的关键问题。
[0003]概念认知学习是一种能够有效处理海量数据并从中提取有价值知识的方法。知识图谱，则是一种可以把学习获得的知识进行可视化，以便于进行知识挖掘、知识传播、知识检索、知识推荐等操作的手段。
[0004]偏序三支结构，作为一种新兴的基于人类认知原理的概念认知学习模型，亦是一种实用的知识图谱生成工具，并在英语语义排歧、近红外光谱分析、乳腺癌诊断、中医知识图谱生成等领域取得了广泛的应用。然而，目前的偏序三支结构算法，仅能处理静态数据，却不能基于动态数据进行概念认知学习及知识图谱生成。当有新数据融入时，当前的偏序三支结构算法需对整个知识图谱进行重构，当数据量较大时，这会造成很多不必要的时间消耗。因此，目前已有的偏序三支结构算法，不符合动态、海量数据的知识处理需求。

技术实现思路

[0005]本专利技术的主要目的在于克服现有技术的缺点与不足，提出一种基于偏序三支结构的动态概念学习及知识图谱生成方法。
[0006]为了达到上述目的，本专利技术采用以下技术方案：
[0007]基于偏序三支结构的动态概念学习及知识图谱生成方法，包括以下步骤：
[0008]S1、对于给定的原始形式背景以及增量形式背景，根据新增对象与原有对象之间的二元关系，判断新增对象的类别；
[0009]S2、根据新增对象的类别，基于各类别的性质，对原始概念树进行增量更新，以实现动态概念认知学习；
[0010]S3、根据步骤S2中概念的动态变化，对原始知识图谱中的各概念节点、内容以及相互之间的关联边进行增量删减，以实现对知识图谱的增量式更新。
[0011]进一步的，步骤S1具体为：
[0012]对于给定的原始形式背景K＝{U,M,I}以及增量形式背景K
I
＝{U
I
,M,I
I
}根据新增对象Δu与原有对象u∈U之间的二元关系，判断新增对象Δu的类别，其中，U为对象集，M为属性集，二元关系
[0013]进一步的，对象Δu的类别具体包括：
[0014]基于认知算子f，f(Δu)表示新增对象Δu所拥有的属性，Δu分为5种类别：
[0015]最大共有对象，如果f(Δu)＝M，则Δu为最大共有对象；
[0016]互不包含对象，对于u∈U，如果且且则Δu与u为互不包含对象
[0017]最近伴生对象，对于u∈U，如果那么Δu是u的伴生对象；如果Δu是u的伴生对象，且不存在u1∈U满足那么Δu是u的最近伴生对象；
[0018]最近父级对象，对于u∈U，如果那么Δu是u的父级对象；如果Δu是u的父级对象，且不存在u1∈U满足那么Δu是u的最近父级对象；
[0019]复合伴生对象，对于u1，u2∈U，如果且且那么Δu是u1和u2的复合伴生对象。
[0020]进一步的，步骤S2具体为：
[0021]根据新增对象Δu的类别，基于各类别的性质，对原始概念树进行增量更新，以实现动态概念认知学习；在基于对象偏序三支结构的概念树中，每个概念节点用OG＝(K,A,O)表示，其中K为核心对象集，(A,O)为完整或非完整概念，A为概念内涵，O为概念外延；
[0022]对于新增对象Δu，其对原始概念树的影响有多种情况。
[0023]进一步的，对于新增对象Δu，其对原始概念树的影响具体包括：
[0024]最大共有对象，若Δu为最大共有对象，则在基于偏序三支结构的概念树中，根节点将被替换为(Δu,M,Δu)，而根节点外的其他节点的外延O将被替换为O
E
＝O∪Δu；
[0025]互不包含对象，对于u∈U，若Δu与u为互不包含对象，且不存在u1∈U同时满足和则在基于偏序三支结构的概念树中产生变化；
[0026]最近伴生对象，对于u∈U，若Δu是u的最近伴生对象，则在基于偏序三支结构的概念树中，Δu对应的概念节点必定位于u所对应的概念节点分支下，且Δu可能会影响u所对应的概念节点分支下的各概念外延；
[0027]最近父级对象，对于u∈U，若Δu是u的最近父级对象，则在基于偏序三支结构的概念树中，Δu对应的概念节点必定位于u所对应的概念节点上面，且Δu势必会影响u所对应的概念节点分支下的各概念外延；
[0028]复合伴生对象，对于u1，u2∈U，若Δu是u1和u2的复合伴生对象，则在基于偏序三支结构的概念树中，Δu对应的概念节点必定位于u1和u2所对应的概念节点分支下，且Δu可能会影响u1和u2所对应的概念节点分支下的各概念外延。
[0029]进一步的，新增对象Δu为互不包含对象的情况下，在基于偏序三支结构的概念树中产生变化具体为：
[0030]概念节点(u,A,O)被分裂为两个概念分支和(uΔu,A∩f(Δu),O∪Δu))；
[0031]在同一层创建出一个新的概念分支
[0032]如果同层内还有另外一个概念节点(u1,A1,O1)，且u1是Δu的伴生对象，那么(u1,A1,O1)被放置到概念节点或(uΔu,A∩f(Δu),O∪
Δu)的分支下。
[0033]本专利技术与现有技术相比，具有如下优点和有益效果：
[0034]1、本专利技术结合现有的偏序三支结构生成算法，通过引入增量学习操作，可基于动态数据，实现动态概念认知学习，并实现知识图谱的增量式生成。
[0035]2、本专利技术把增量学习思想融入偏序三支结构的生成算法中，使其具备动态概念认知学习及增量知识图谱生成的能力，在处理动态、海量数据的过程中，不断学习新概念，逐步形成完备的可视化知识图谱，对于提升人们对动态、海量数据的处理效率，更高效地获取有价值知识并进行决策有莫大助益。
附图说明
[0036]图1是本专利技术方法的流程图；
[0037]图2a是实施例中新增对象为最大共有对象的相应的认知概念及知识图谱变化示意图；
[0038]图2b是实施例中新增对象为互不包含对象的相应的认知概念及知识图谱变化示意图；
[0039]图2c是实施例中新增对象为最近伴生对象的相应的认知概念及知识图谱变化示意图；
[0040]图2d是实施例中新增对象为最近父级对象的相应的认知概念及知识图谱变化示意图；
[0041]图2e是本实施例中新增对象为复合伴生对象的相应的认知概念及知识图谱变化示意图；
[0042]图3a是一个静态形式背景；
[0043]图3b是基于图3a所示的静态形式背景数据，利用非增量算法所生成的概念知识图谱；
[0044]图3c是一个动态形式背景本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于偏序三支结构的动态概念学习及知识图谱生成方法，其特征在于，包括以下步骤：S1、对于给定的原始形式背景以及增量形式背景，根据新增对象与原有对象之间的二元关系，判断新增对象的类别；S2、根据新增对象的类别，基于各类别的性质，对原始概念树进行增量更新，以实现动态概念认知学习；S3、根据步骤S2中概念的动态变化，对原始知识图谱中的各概念节点、内容以及相互之间的关联边进行增量删减，以实现对知识图谱的增量式更新。2.根据权利要求1所述的基于偏序三支结构的动态概念学习及知识图谱生成方法，其特征在于，步骤S1具体为：对于给定的原始形式背景K＝{U,M,I}以及增量形式背景K
I
＝{U
I
,M,I
I
}根据新增对象Δu与原有对象u∈U之间的二元关系，判断新增对象Δu的类别，其中，U为对象集，M为属性集，二元关系3.根据权利要求2所述的基于偏序三支结构的动态概念学习及知识图谱生成方法，其特征在于，对象Δu的类别具体包括：基于认知算子f，f(Δu)表示新增对象Δu所拥有的属性，Δu分为5种类别：最大共有对象，如果f(Δu)＝M，则Δu为最大共有对象；互不包含对象，对于u∈U，如果且且则Δu与u为互不包含对象最近伴生对象，对于u∈U，如果那么Δu是u的伴生对象；如果Δu是u的伴生对象，且不存在u1∈U满足那么Δu是u的最近伴生对象；最近父级对象，对于u∈U，如果那么Δu是u的父级对象；如果Δu是u的父级对象，且不存在u1∈U满足那么Δu是u的最近父级对象；复合伴生对象，对于u1，u2∈U，如果且且那么Δu是u1和u2的复合伴生对象。4.根据权利要求3所述的基于偏序三支结构的动态概念学习及知识图谱生成方法，其特征在于，步骤S2具体为：根据新增对象Δu的类别，基于各类别的性质，对原始概念树进行增量更新，以实现动态概念认知学习；在基于对象偏序三支结构的概念树中，每个概念节点用OG...

【专利技术属性】
技术研发人员：闫恩亮，唐纯志，陆丽明，洪文学，
申请(专利权)人：广州中医药大学广州中医药研究院，
类型：发明
国别省市：