工业知识图谱的补全方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例涉及本发明专利技术实施例提供一种工业知识图谱的补全方法、装置、电子设备及存储介质，其中，该处理方法包括：从预设关系型数据库中获取工业数据；提取所述工业数据的三元组信息，以得到所述工业数据的图嵌入向量信息，其中，所述图嵌入向量信息包括工业知识图谱的结构和内容信息特征；基于所述图嵌入向量和预设链路预测方法确定所述工业数据的全链路关系以补全所述工业知识图谱。本发明专利技术实施例提供的技术方案，解决了工业知识专业术语多、关系结构复杂等难题给工业知识图谱构建带来的不便，大大降低了工业知识图谱构建和补全的工作量，解决了工业知识图谱的结构复杂，关系难以补全等问题，增加了构建知识图谱的可信性和完整性。和完整性。和完整性。

【技术实现步骤摘要】
工业知识图谱的补全方法、装置、电子设备及存储介质


[0001]本专利技术实施例涉及知识图谱相关
，尤其涉及一种工业知识图谱的补全方法、装置、电子设备及存储介质。

技术介绍

[0002]随着工业互联网领域的研究不断深入，其价值共创和数据驱动的生产方式，使得从工业生产流程收集到海量数据。然而，现阶段在工业领域实践中采用的信息系统智能化程度低，各层次功能相对独立，工业多源异构大数据分散在大量非网络化的信息孤岛中，缺乏统一的领域知识建模方法，难以从海量工业数据中挖掘领域知识。如何充分整合工业领域的复杂数据，挖掘领域知识，形成以知识驱动的工业发展模式是研究的难点。因此构建基于先验知识的工业领域知识图谱，提升工业管理水平，实现生产管理、资源配置和质量预测等应用，是工业领域通往认知智能的必由之路。
[0003]然而，工业知识具有专业性强、知识间逻辑关联复杂等特点，知识实体间存在隐性关系难以从数据中抽取，而且由于工业相关行业知识量庞大，文本报告质量参差不齐，通过知识抽取算法获取的知识图谱三元组必然存在着遗漏，体现在知识图谱上即为链接丢失。此外，工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业知识图谱的补全方法，其特征在于，包括：从预设关系型数据库中获取工业数据；提取所述工业数据的三元组信息，以得到所述工业数据的图嵌入向量信息，其中，所述图嵌入向量信息包括工业知识图谱的结构和内容信息特征；基于所述图嵌入向量和预设链路预测方法确定所述工业数据的全链路关系以补全所述工业知识图谱。2.根据权利要求1所述的方法，其特征在于，所述从预设关系型数据库中获取工业数据之前，所述方法还包括：接收来自工业生产中产生的工业数据，所述工业数据为多源异构数据；将所述工业数据存储至预设关系型数据库中。3.根据权利要求1所述的方法，其特征在于，所述提取所述工业数据的三元组信息，以得到所述工业数据的图嵌入向量信息，包括：提取所述工业数据的三元组信息，以得到所述工业数据的节点序列；基于所述节点序列进行一阶近似度和二阶近似度计算，得到所述节点及其领域关系的低维稠密特征向量，所述低维稠密特征向量作为所述图嵌入向量信息。4.根据权利要求3所述的方法，其特征在于，所述基于所述节点序列进行一阶近似度和二阶近似度计算，得到所述节点及其领域关系的低维稠密特征向量，包括：通过第一预设注意力模块和第一预设非线性模块，将所述节点序列映射到表示空间；针对表示空间中的节点序列，通过监督组件、半监督深度模型和注意力机制，确定所述节点序列中的所有节点之间的第一特征近似度，所述特征近似度表示节点及其领域关系的稀疏特征向量；通过预设无监督构件学习得到所述稀疏特征向量中所有节点的低维稠密特征向量；通过第二预设注意力模型和第二预设非线性模型，将所述低维稠密特征向量从表示空间映射回重构空间，得到所述节点序列的图嵌入向量信息。5.根据权利要求1所述的方法，其特征在于，所述基于所述图嵌入向量和预设链路预测方法确定所述工业数据的全链路关系以补全所述工业知识图谱，包括：基于所述图嵌入向量，通过通过图嵌入算法学习到节点级向量表示，和通过所述预设链路预测方法中的路径枚举算法确定节点之间的路径集合；将所述节点级向量和节点之间的路径集合作为节点序列输入双向L...

【专利技术属性】
技术研发人员：任磊，李英杰，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：