基于知识表示的预案快速匹配推荐方法技术

本发明专利技术提出一种基于知识表示的预案快速匹配推荐方法，属于匹配计算技术领域。本发明专利技术用于在应急灾害或事故等场景下，根据场景态势迅速匹配推荐应急方案。该方法在定义任务场景特征和方案特征的基础上，构建应急方案推荐知识表示图，采用图卷积网络训练场景及方案嵌入表征，得到场景与方案的匹配计算模型，为任务场景提供应急方案的匹配计算和排序推荐。基于图卷积网络的场景

【技术实现步骤摘要】
基于知识表示的预案快速匹配推荐方法


[0001]本专利技术属于匹配计算
，尤其涉及一种基于知识表示的预案快速匹配推荐方法。

技术介绍

[0002]应急预案是在面对自然灾害、事故灾难、公共安全事件等突发事件时，制定的应急管理、指挥、救援计划。当前，应急响应主要采用预先制定应急预案，紧急情况发生时根据应急类别、危害程度、现场环境等情况匹配方案并做出适当调整，通过选择合适应急预案尽可能缩短响应准备时间。特别是在紧急突发情况下，预案匹配方法和推荐效率对于提高应急反应速度至关重要。
[0003]目前商用领域推荐系统主要采用基于神经网络的人工智能算法，主要应用于电子商务、个性化资讯领域，该类方法需要大量数据样本进行训练，然而由于与应急预案推荐相关的数据样本较少，严重缺乏数据积累；并且由于算法可解释性较差，无法对推荐的方案建议给出合理依据，导致辅助决策不具备说服力。因此，目前商用领域基于神经网络的人工智能方法难以支持应急预案匹配推荐应用。

技术实现思路

[0004]本专利技术针对现有技术中的不足，提出一种基于知识表示的预案快速匹配推荐方法。
[0005]所述方法包括：
[0006]步骤S1、确定任务场景、任务场景特征、方案和方案特征，其中，所述任务场景为，，表示任务场景的第j个特征，所述方案为，，表示方案的第j个特征，m表示任务场景特征数，n表示方案特征数；
[0007]步骤S2、基于所述任务场景、所述任务场景特征、所述方案和所述方案特征构建无向知识表示图，所述无向知识表示图的节点，所述无向知识表示图的无向边表示相邻节点之间的关系，表示第i个边关系；
[0008]步骤S3、利用所述无向知识表示图，通过优化所述任务场景和所述方案的嵌入表征，来训练匹配计算模型中的图卷积网络，并利用经训练的匹配计算模型为新场景匹配对应的方案。
[0009]根据本专利技术的方法，在所述步骤S2中，所述边关系包括：
[0010]任务场景与所述任务场景的第j个任务场景特征之间的边关系；
[0011]方案与所述方案的第j个方案特征之间的边关系；
[0012]任务场景与方案之间的边关系。
[0013]根据本专利技术的方法，在所述步骤S3中，在训练所述匹配计算模型中的所述图卷积网络时，将所述任务场景和所述方案之间的匹配推荐关系作为训练标签，其中：
[0014]当任务场景与方案之间存在历史推荐关系时，所述无向知识表示图的关系，标签；
[0015]否则，，。
[0016]根据本专利技术的方法，在所述步骤S3中，在训练所述匹配计算模型中的所述图卷积网络时，训练数据中的正样本和负样本的数量相同，其中：
[0017]所述正样本表征为；
[0018]所述负样本表征为。
[0019]根据本专利技术的方法，在所述步骤S3中，在训练所述匹配计算模型中的所述图卷积网络时，所述嵌入表征表示为：
[0020][0021]其中，表示当前节点，表示当前节点的嵌入表征，表示聚合函数，表示当前节点的所有邻居节点，表示当前节点的所有邻居节点数量，表示当前节点的任一邻居节点，表示当前节点的任一邻居节点的嵌入表征；
[0022]所述邻居节点为与所述当前节点邻接的b层以内的节点，其中：
[0023][0024]其中，表示距离函数。
[0025]根据本专利技术的方法，在所述步骤S3中：
[0026]所述当前节点为任务场景且b=2的情况下：
[0027][0028]其中，，表示当前节点的
第1层邻居节点，，表示当前节点的第2层邻居节点，。
[0029]根据本专利技术的方法，在所述步骤S3中：
[0030]所述当前节点为方案且b=2的情况下：
[0031][0032]其中，，表示当前节点的第1层邻居节点，，表示当前节点的第2层邻居节点，。
[0033]根据本专利技术的方法，在所述步骤S3中：
[0034]所述当前节点为任务场景或方案对应的特征且b=2的情况下：
[0035][0036]其中，，表示当前节点的第1层邻居节点，，表示当前节点的第2层邻居节点，。
[0037]根据本专利技术的方法，在所述步骤S3中：
[0038]根据所述任务场景的嵌入表征和所述方案的嵌入表征计算匹配分数score，其中，匹配分数score=embedding()
×
embedding()；
[0039]以匹配分数score与训练标签label的交叉熵loss作为损失函数，loss = entroy(score，label)，entroy()表示交叉熵；
[0040]对损失函数loss反向求导，并对所述匹配计算模型的参数进行迭代更新直到截止，选择损失最小的模型作为最优匹配计算模型。
[0041]综上，本专利技术提出的技术方案用于在应急灾害或事故等场景下，根据场景态势迅速匹配推荐应急方案。
[0042]该方法在定义任务场景特征和方案特征的基础上，构建应急方案推荐知识表示图，采用图卷积网络训练场景及方案嵌入表征，得到场景
‑
方案匹配计算模型，为任务场景提供应急方案的匹配计算和排序推荐。基于图卷积网络的场景
‑
方案匹配计算模型训练方法能够保证方案匹配准确率和推荐效率；基于知识表示的应急方案推荐相比于神经网络的
方案推荐方法具有更好的可解释性，并支持知识表示图的扩展，从而支持场景
‑
方案匹配计算模型的更新。
附图说明
[0043]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，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。
[0044]图1为根据本专利技术实施例的一种基于知识表示的预案快速匹配推荐方法的流程示意图。
具体实施方式
[0045]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，所描述的实施例只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做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。
[0046]本专利技术提出的基于知识表示的预案快速匹配推荐方法包括（如图1所示）：
[0047]步骤S1、确定任务场景、任务场景特征、方案和方案特征，其中，所述任务场景为，，表示任务场景的第j个特征，所述方案为，，表示方案的第j个特征，m表示任务场景特征数，n表示方案特征数；
[0048]步骤S2、基于所述任务场景、所述任务场景特征、所述方案和所述方案特征构建无向知识表示图，所述无向知识表示图的节点，所述无向知识表示图的无向边表示相邻节点之间的关系，表示第i个边关系；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识表示的预案快速匹配推荐方法，其特征在于，所述方法包括：步骤S1、确定任务场景、任务场景特征、方案和方案特征，其中，所述任务场景为，，表示任务场景的第j个特征，所述方案为，，表示方案的第j个特征，m表示任务场景特征数，n表示方案特征数；步骤S2、基于所述任务场景、所述任务场景特征、所述方案和所述方案特征构建无向知识表示图，所述无向知识表示图的节点，所述无向知识表示图的无向边表示相邻节点之间的关系，表示第i个边关系；步骤S3、利用所述无向知识表示图，通过优化所述任务场景和所述方案的嵌入表征，来训练匹配计算模型中的图卷积网络，并利用经训练的匹配计算模型为新场景匹配对应的方案。2.根据权利要求1所述的一种基于知识表示的预案快速匹配推荐方法，其特征在于，在所述步骤S2中，所述边关系包括：任务场景与所述任务场景的第j个任务场景特征之间的边关系；方案与所述方案的第j个方案特征之间的边关系；任务场景与方案之间的边关系。3.根据权利要求2所述的一种基于知识表示的预案快速匹配推荐方法，其特征在于，在所述步骤S3中，在训练所述匹配计算模型中的所述图卷积网络时，将所述任务场景和所述方案之间的匹配推荐关系作为训练标签，其中：当任务场景与方案之间存在历史推荐关系时，所述无向知识表示图的关系，标签；否则，，。4.根据权利要求3所述的一种基于知识表示的预案快速匹配推荐方法，其特征在于，在所述步骤S3中，在训练所述匹配计算模型中的所述图卷积网络时，训练数据中的正样本和负样本的数量相同，其中：所述正样本表征为；所述负样本表征为。5.根据权利要求4所述的一种基于知识表示的预案快速匹配推荐方法，其特征在于，在所述步骤S3中，在训练所述匹配计算模型中的所述图卷积网络时，所述嵌入表征表...

【专利技术属性】
技术研发人员：杨林，周军，王雯，赵凯南，杨雄军，陈乐，杜晓磊，保金桢，吴元立，
申请(专利权)人：中国人民解放军军事科学院系统工程研究院，
类型：发明
国别省市：