基于知识图谱融合模型的中小企业研发创新标准评价方法技术

本发明专利技术公开了基于知识图谱融合模型的中小企业研发创新标准评价方法，包括：获取企业的信息，采用知识图谱实体对齐的框架，生成中小型企业的知识图谱网络，用于中小企业研发创新标准评价；知识图谱实体对齐的框架采用层次结构，包括实体级聚合、关系级聚合和三元组预测。本发明专利技术使用知识图谱对齐模型，生成可以应用于中小型企业的知识图谱网络，使中小型企业可以从大型企业的研发创新体系结构中学习到属于自己的体系结构，增加自身研发创新能力，把握住社会发展的机遇；在模型中使用注意力机制，使不同的企业实体根据评价标准获取不同的权重，在知识图谱实体对齐融合的过程中，能够为企业提供最优的合作创新伙伴，增强企业间的信任程度。信任程度。信任程度。

【技术实现步骤摘要】
基于知识图谱融合模型的中小企业研发创新标准评价方法


[0001]本专利技术涉及智能分析
，具体涉及基于知识图谱融合模型的中小企业研发创新标准评价方法。

技术介绍

[0002]当今时代是高速发展的时代，各种各样的新鲜事物层出不穷，为了满足人们的多样化需求，以及提高企业自身的竞争力，企业需要投入大量的财力、物力、人力去研发创新新鲜事物。大型企业拥有雄厚的资源，可以在市场，科研等方面投入大量的资源以满足企业研发创新的需要。但对于中小型企业而言，无法像大型企业一样拥有雄厚的资源，以至于研发创新能力相对薄弱，缺乏对社会新鲜发展的认知，无法精准把握时代发展的前沿。长此以往，随着社会市场的发展，中小型企业会因为无法满足社会市场变更的需求而逐渐没落，甚至于被社会淘汰，成为历史的尘埃，因此中小型企业亟需提高自身的研发创新能力。
[0003]为了提高中小企业的研发创新能力，通过构建一个创新合作的平台，使企业能够在相互信任的基础上，分享自己的研发创新领域，并通过知识图谱模型，在平台上寻找到自己合适的合作伙伴，从而实现提高自己的研发创新能力和企业活力。由于知识图谱的异质性，不同类型的实体可能出现在不同的特征空间中，现有的知识图谱模型不适合直接聚合每个实体的所有邻居特征。

技术实现思路

[0004]本专利技术的目的是解决上述不足，提供基于知识图谱融合模型的中小企业研发创新标准评价方法。
[0005]本专利技术提供了基于知识图谱融合模型的中小企业研发创新标准评价方法，包括如下步骤：
[0006]获取企业的信息，采用知识图谱实体对齐的框架，生成中小型企业的知识图谱网络，用于中小企业研发创新标准评价；知识图谱实体对齐的框架采用层次结构，包括实体级聚合、关系级聚合和三元组预测。
[0007]进一步的，知识图谱实体对齐的框架构建方法包括：
[0008]步骤1：知识图嵌入模块中，利用两个不同来源的知识图来学习实体和关系的嵌入，通过已经趋于完善的大企业研发知识图谱，进行实体对齐，将处于模型状态的中小型企业研发创新评价知识图谱系统进行完善。
[0009]步骤2：知识图嵌入模块，在训练的每个时期，从知识图中随机选择一部分三元组，并采用负采样策略生成相应的负三元组；关系和实体的向量通过随机梯度下降法更新，促进中小型企业研发创新知识图谱的融合。
[0010]步骤3：采用实体级聚合，首先聚合每个基于关系路径的实体特征，中小型企业实体首先直接与大型企业进行实体聚合，构建知识图谱的实体节点。
[0011]步骤4：关系级聚合部分，通过与实体相关的关系路径聚合各种类型的语义信息；
通过不同的关系路径揭示多个特征；通过基于关系的注意机制来获取不同关系路径的重要性，然后用于聚合各种类型的语义信息；根据研发创新评价标准中各项标准评分所占的比重不同，对企业实体联系数据进行不同的权重分配。
[0012]步骤5：三元组预测，为了处理多个知识图谱中的多个关系类别，采用基于CNN卷积动态神经网络的评分函数，为每个基于关系的三元组生成关系特定的过滤器；然后每个主题实体在具有不同关系的三元组事实中提取关系特定的语义特征，然后用于与对象实体的预测。
[0013]进一步的，步骤1中，知识图嵌入模块过程中，实体和关系的初始向量由基于给定向量空间维度的正态分布生成；模型使用负样本生成相应的负三元组；利用TransE模型训练实体对应的K维向量；
[0014]知识图中的特定三元组为(h，r，t)，其对应的负三元组为(h'，r'，t')，采用极限损失函数如方程式所示：
[0015][0016]γ1、γ2和μ为大于0的超参数；Δ表示正三元组，Δ'表示生成的负样本，[x]+表示0到x之间的最大值。
[0017]进一步的，步骤3中，实体聚合采用实体级别的聚合函数如下所示：
[0018][0019]其中表示每个关系路径r的邻居节点特征；这些特征加在一起并通过归一化项处理；然后从关系路径r中获得聚合特征
[0020]进一步的，步骤4中，关系级聚合中，使用|R|实体级聚合特征组作为输入，每个关系路径的学习权重表示如下：
[0021][0022]其中Φ
att
表示深度神经网络设计的注意力函数。
[0023]进一步的，所提出的实体级聚合和关系级聚合通过不同的关系路径从各个语义方面聚合实体特征；注意力机制用于根据重要的关系路径选择性地聚合信息特征。
[0024]进一步的，步骤5中，三元组的预测算法为：
[0025][0026]其中b是偏置项，通过σ(x)＝1/(1+exp(
‑
x))表达对三元组是否正确的概率可解释预测。
[0027]本专利技术另一方面提供了一种基于知识图谱融合模型的中小企业研发创新标准评价系统，包括：
[0028]采集信息模块，所述采集信息模块用于采集目标用户信息以及相关联企业的关联企业信息；
[0029]数据处理模块，所述数据处理模块用于构建用户企业的知识图谱模型；并根据知识图谱模型信息生成中小企业研发创新标准评价信息；
[0030]信息输出模块，所述信息输出模块接收数据处理模块发出的中小企业研发创新标准评价信息。
[0031]本专利技术另一方面提供了一种电子设备，其包括显示器、存储器和处理器，
[0032]所述处理器用于执行上述基于知识图谱融合模型的中小企业研发创新标准评价方法；
[0033]所述存储器用于存储所述处理器可执行指令；
[0034]所述显示器用于显示处理器处理后的信息。
[0035]本专利技术另一方面提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时用于实施上述基于知识图谱融合模型的中小企业研发创新标准评价方法。
[0036]本专利技术公开了基于知识图谱融合模型的中小企业研发创新标准评价方法，具有如下的有益效果：使用知识图谱对齐模型，生成可以应用于中小型企业的知识图谱网络，使中小型企业可以从大型企业的研发创新体系结构中学习到属于自己的体系结构，增加自身研发创新能力，把握住社会发展的机遇；在模型中使用注意力机制，使不同的企业实体根据评价标准获取不同的权重，在知识图谱实体对齐融合的过程中，能够为企业提供最优的合作创新伙伴，增强企业间的信任程度，促进研发创新的发展，为企业的进步提供良好的助力。
附图说明
[0037]图1为本专利技术公开的基于知识图谱融合模型的中小企业研发创新标准评价方法的示意图。
具体实施方式
[0038]下面通过实施例对本专利技术进一步的说明，本专利技术的实施例在以本专利技术的技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述实施例：
[0039]实例性方法：
[0040]本申请提供基于知识图谱融合模型的中小企业研发创新标准评价方法，包括如下步骤：
[0041]包括如下步骤：
[0042]获取企业的信息，采用知识图谱实体对齐的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于知识图谱融合模型的中小企业研发创新标准评价方法，其特征在于：包括：获取企业的信息，采用知识图谱实体对齐的框架，生成中小型企业的知识图谱网络，用于中小企业研发创新标准评价；知识图谱实体对齐的框架采用层次结构，包括实体级聚合、关系级聚合和三元组预测。2.如权利要求1所述的基于知识图谱融合模型的中小企业研发创新标准评价方法，其特征在于：知识图谱实体对齐的框架构建包括：步骤1：知识图嵌入模块中，利用两个不同来源的知识图来学习实体和关系的嵌入，通过已经趋于完善的大企业研发知识图谱，进行实体对齐，将处于模型状态的中小型企业研发创新评价知识图谱系统进行完善；步骤2：知识图嵌入模块，在训练的每个时期，从知识图中随机选择一部分三元组，并采用负采样策略生成相应的负三元组；关系和实体的向量通过随机梯度下降法更新，促进中小型企业研发创新知识图谱的融合；步骤3：采用实体级聚合，首先聚合每个基于关系路径的实体特征，中小型企业实体首先直接与大型企业进行实体聚合，构建知识图谱的实体节点；步骤4：关系级聚合部分，通过与实体相关的关系路径聚合各种类型的语义信息；通过不同的关系路径揭示多个特征；通过基于关系的注意机制来获取不同关系路径的重要性，然后用于聚合各种类型的语义信息；根据研发创新评价标准中各项标准评分所占的比重不同，对企业实体联系数据进行不同的权重分配；步骤5：三元组预测，为了处理多个知识图谱中的多个关系类别，采用基于CNN卷积动态神经网络的评分函数，为每个基于关系的三元组生成关系特定的过滤器；然后每个主题实体在具有不同关系的三元组事实中提取关系特定的语义特征，然后用于与对象实体的预测。3.如权利要求2所述的基于知识图谱融合模型的中小企业研发创新标准评价方法，其特征在于：步骤1中，知识图嵌入模块过程中，实体和关系的初始向量由基于给定向量空间维度的正态分布生成；模型使用负样本生成相应的负三元组；利用TransE模型训练实体对应的K维向量；知识图中的特定三元组为(h，r，t)，其对应的负三元组为(h'，r'，t')，采用极限损失函数如方程式所示：γ1、γ2和μ为大于0的超参数；Δ表示正三元组，Δ'...

【专利技术属性】
技术研发人员：陈丽娜，徐楠楠，郑鑫，
申请(专利权)人：青岛檬豆网络科技有限公司，
类型：发明
国别省市：