一种基于图计算的辣椒病理推理方法技术

本发明专利技术公开了一种基于图计算的辣椒病理推理方法，包括静态辣椒病理知识图谱的构建；时序辣椒病理知识图谱的构建；时序辣椒病理推理模型的构建；时序辣椒病理推理模型的应用等四步。所述静态辣椒病理知识图谱的构建将所有节点分为辣椒病害节点和辣椒病害所表现的特征节点，再将辣椒病害节点与辣椒病害所表现的特征节点进行相连；所述时序辣椒病理知识图谱的构建，以时序知识图谱的方式来描述辣椒患病过程中特征的演变过程；所述时序辣椒病理知识图谱推理模型的构建采用四个图卷积神经网络，还包括VAE模块和XL

【技术实现步骤摘要】
一种基于图计算的辣椒病理推理方法


[0001]本专利技术涉及人工智能领域，尤其一种基于图计算的辣椒病理推理方法。

技术介绍

[0002]知识图谱以节点表示结构化语义信息，通过节点间的关系组成网络图，由于知识覆盖重点不同分为通用领域知识图谱和垂直领域知识图谱，通用领域知识图谱面向开放领域如常识类知识，依托互联网、知识教程产生的大量数据，抽取其中存在的实体及其关系，建立通用领域知识图谱；垂直领域知识图谱主要面向特定领域如金融、医疗、教育等，依托行业内部数据，充分考虑特定行业意义、应用场景、使用人员。通过对实体属性和数据模式进行针对性处理以满足行业需求；不管是通用领域知识图谱还是垂直领域知识图谱，针对辣椒病害研究方面的知识图谱还有待研究，本专利技术构建静态辣椒病害知识图谱和时序辣椒病害知识图谱，将辣椒病害描述资料从非结构化数据转变为结构化数据，为辣椒病害推理奠定数据基础。
[0003]图卷积网络对于真实世界中广泛存在的非欧几里得数据具有强大的优势，它可以处理庞大的社交网络数据，通过将社交网络等效为图来分析人与人之间的关系，也可以通过图的方式来为化学分子结构建模助力新药研发，同时还可以精确地构建用户的交互模式以提升推荐系统的精度与效率，此外在语言处理、复杂的词句关系中都有着广泛的应用。得益于此灵感，本专利技术此前构建的静态辣椒病理知识图谱，将辣椒病害与其表现特征等效为图中节点与节点之间的关系，将病害推理等效为图中的节点分类任务，而图卷积网络可高效地处理此类任务。
[0004]知识图谱推理是自然语言处理中的关键任务，当知识图谱升级为时序知识图谱后，相关的研究任务相对较少，且相关的研究任务着重于推理过去，而无法预测未来即将发生的事实；本专利技术作以下考虑：辣椒植株生长过程为动态过程，患病后在其发病过程中，不同的病害有着不同的表现特征，由此理论基础构建时序辣椒病理知识图谱， 探究基于时序辣椒病理知识图谱的推理方法，为辣椒病害推理提供有效的解决思路。

技术实现思路

[0005]本专利技术的目的在于构建辣椒病理知识图谱并利用所构建的辣椒病理知识图谱去进行辣椒病害推理，提供了一种基于图计算的辣椒病理推理方法。
[0006]本专利技术的目的是通过以下技术方案来实现的：一种基于图计算的辣椒病理推理方法，包括以下步骤：步骤S1，静态辣椒病理知识图谱的构建；步骤S2，时序辣椒病理知识图谱的构建；步骤S3，时序辣椒病理推理模型的构建；步骤S4，时序辣椒病理推理模型的应用。
[0007]具体的，所述静态辣椒病理知识图谱的构建将所有节点分为辣椒病害节点和辣椒
病害所表现的特征节点，再将辣椒病害节点与辣椒病害所表现的特征节点进行相连，即存在边。
[0008]具体的，所述时序辣椒病理知识图谱的构建，包括以下子步骤：步骤S21，以第1天、第3天、第5天、第7天作为时序辣椒病理知识图谱的观察时间粒度，对每种辣椒病害的动态生长演变过程构建时序知识图谱；步骤S22，将时序辣椒病理知识图谱中节点分为两类，辣椒各部位节点以及各部位在罹患某病害时的表现节点。
[0009]具体的，所述时序辣椒病理知识图谱推理模型的构建采用四个独立的图卷积神经网络，对应时序辣椒病理知识图谱中的第1天、第3天、第5天、第7天；所述图卷积神经网络的输入以对应时间点的时序辣椒病理知识图谱作为输入，相邻时间点之间设置有VAE模块和XL
‑
VAE模块。
[0010]具体的，所述XL
‑
VAE模块以图卷积神经网络输出特征矩阵H作为输入；节点特征向量、边特征向量和事件特征向量为输出；其中，节点特征向量和边特征向量作为后一时刻图卷积神经网络的输入，事件特征向量为当前时刻辣椒病害推理结果；所述XL
‑
VAE模块还包括encoder，所述encoder用当前时刻已知的辣椒病害特征状态来进行监督训练，让XL
‑
VAE能更加准确的表示出特征矩阵的离散序列。
[0011]具体的，所述VAE模块更新所有图卷积神经网络共享的权重矩阵W，包括以下子步骤：步骤S31,将前一时刻GCN的权重矩阵W作为VAE的输入，经过VAE采样得到权重矩阵W`；步骤S32，将该权重矩阵W`作为下一时刻GCN的权重矩阵，下一时刻的GCN经过运算得到权重矩阵W``；步骤S33，将权重矩阵W``用于反向训练VAE。
[0012]具体的，所述时序辣椒病理推理模型的应用包括以下子步骤：S41.从患病辣椒图片中获取该辣椒植株患病特征表现；S42.以静态辣椒病理知识图谱来将S41中得到的特征表现提炼为实体节点，并将最终得到的辣椒病理知识图谱转化为时序辣椒病理推理模型需要的输入格式；S43.以S42中转化后的辣椒病理知识图谱输入时序辣椒病理推理模型进行辣椒病理的推理。
[0013]具体的，所述特征表现包括根、茎基部、叶等部位的表现特征。
[0014]本专利技术的有益效果：本专利技术提供了一种基于图计算的辣椒病理推理方法，该方法将辣椒病害描述非结构化数据转换为结构化数据，并提供了基于图计算的辣椒病理推理方法，填补基于图计算的辣椒病害推理方法空白。
附图说明
[0015]图1为本专利技术一种基于图计算的辣椒病理推理方法流程图；图2为时序辣椒病理推理模型结构图；
图3为本专利技术静态辣椒病理知识图谱节点示意图。
具体实施方式
[0016]应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不限定本专利技术。
[0017]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，所描述的实施例仅是本专利技术的一部分实施例，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。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围之内。
[0018]如图1所示，一种基于图计算的辣椒病理推理方法，它包括静态辣椒病理知识图谱的构建，时序辣椒病理知识图谱的构建，时序辣椒病理推理模型的构建，时序辣椒病理推理模型的应用；所述静态辣椒病理知识图谱的构建，如图3所示，步骤包括：静态辣椒病理知识图谱中节点分为两类，一类为辣椒病害节点，另一类为辣椒病害所表现的特征节点；静态辣椒病理知识图谱中只有一种关系，即表现为，具体地理解为某类辣椒病害表现为某些特征，此时辣椒病害节点与某些特定特征节点相连，即存在边；所述时序辣椒病理知识图谱的构建，步骤包括：以第1天、第3天、第5天、第7天作为时序辣椒病理知识图谱的观察时间粒度，对每种辣椒病害的动态生长演变过程构建时序知识图谱，在这个过程中，用于构建时序辣椒病理知识图谱的描述可能不够清楚，此时可以利用此前构建的静态辣椒病理知识图谱来更加准确的获取实例信息；以辣椒疫病为例，部分数据为：（辣椒疫病，根|第一天，褐色），（辣椒疫病，茎基部|第一天，淡褐色）本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图计算的辣椒病理推理方法，其特征在于，包括以下步骤：步骤S1，静态辣椒病理知识图谱的构建；步骤S2，时序辣椒病理知识图谱的构建；步骤S3，时序辣椒病理推理模型的构建；步骤S4，时序辣椒病理推理模型的应用。2.根据权利要求1所述的一种基于图计算的辣椒病理推理方法，其特征在于，所述静态辣椒病理知识图谱的构建将所有节点分为辣椒病害节点和辣椒病害所表现的特征节点，再将辣椒病害节点与辣椒病害所表现的特征节点进行相连，即存在边。3.根据权利要求1所述的一种基于图计算的辣椒病理推理方法，其特征在于，所述时序辣椒病理知识图谱的构建，包括以下子步骤：步骤S21，以第1天、第3天、第5天、第7天作为时序辣椒病理知识图谱的观察时间粒度，对每种辣椒病害的动态生长演变过程构建时序知识图谱；步骤S22，将时序辣椒病理知识图谱中节点分为两类，辣椒各部位节点以及各部位在罹患某病害时的表现节点。4.根据权利要求3所述的一种基于图计算的辣椒病理推理方法，其特征在于，所述时序辣椒病理知识图谱推理模型的构建采用四个独立的图卷积神经网络，对应时序辣椒病理知识图谱中的第1天、第3天、第5天、第7天；所述图卷积神经网络的输入以对应时间点的时序辣椒病理知识图谱作为输入，相邻时间点之间设置有VAE模块和XL
‑
VAE模块。5.根据权利要求4所述的一种基于图计算的辣椒病理推理方法，其特征在于，所述XL
‑
VAE模块以图卷积神经网络输出特征矩阵H作为输入；节...

【专利技术属性】
技术研发人员：林劼，王元芳，白毅，梁玉龙，胡飘，王勇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：