基于知识图谱推荐应急预案的方法技术

本申请提供一种基于知识图谱推荐应急预案的方法

【技术实现步骤摘要】
基于知识图谱推荐应急预案的方法、装置、设备和介质


[0001]本申请涉及知识图谱
，尤其涉及一种基于知识图谱推荐应急预案的方法
、
装置
、
设备和介质
。

技术介绍

[0002]核心交易系统是投资者完成证券交易
、
结算必备的系统
。
保障核心交易系统稳定运行是防范证券行业金融系统风险的重要环节，是维护交易信息安全
、
实现证券市场可持续发展的关键要素之一
。
[0003]但是，目前核心交易系统的故障处理能力较差，影响核心交易系统的稳定运行
。

技术实现思路

[0004]本申请提供一种基于知识图谱推荐应急预案的方法
、
装置
、
设备和介质，用以提高交易系统的故障处理能力
。
[0005]第一方面，本申请提供一种基于知识图谱推荐应急预案的方法，所述方法包括：
[0006]获取目标系统的故障数据，根据所述故障数据构建故障知识图谱，所述故障知识图谱中的实体包括故障类型；
[0007]通过基于强化学习和图卷积网络的知识图谱推理技术对所述故障知识图谱进行挖掘，将挖掘后的故障类型输入所述故障知识图谱，形成拓展故障知识图谱，并在所述拓展故障知识图谱中添加应急预案节点；
[0008]基于知识图注意力网络算法对所述拓展故障知识图谱进行分析，分析各实体之间的依赖关系，根据所述依赖关系分析各实体的故障原因，基于所述各实体的故障原因建立各实体和应急预案节点之间的连接；
[0009]接收目标故障，基于所述拓展故障知识图谱为所述目标故障推荐目标应急预案
。
[0010]可选的，所述根据所述故障数据构建知识图谱，具体包括：
[0011]对所述故障数据进行实体识别，获取故障；
[0012]建立各实体之间的关系，以建立故障类型之间的关系；
[0013]将所述实体和关系组织成图的形式，以构建故障知识图谱
。
[0014]可选的，所述通过基于强化学习和图卷积网络的知识图谱推理技术对所述故障知识图谱进行挖掘，将挖掘后的故障类型输入所述故障知识图谱，形成拓展故障知识图谱，具体包括：
[0015]对所述实体和实体之间的关系进行向量化，形成实体嵌入向量和关系嵌入向量；
[0016]图卷积网络作为强化学习的策略网络，所述图卷积网络在内部层之间添加激活函数进行非线性处理，将实体嵌入向量和关系嵌入向量作为特征输入图卷积网络进行计算，以挖掘更多的故障类型；
[0017]将挖掘的故障类型嵌入所述故障知识图谱，以构建更多的三元组信息，形成拓展故障知识图谱
。
[0018]可选的，所述基于知识图注意力网络算法对所述拓展故障知识图谱进行分析，分析各实体之间的依赖关系，根据所述依赖关系分析各实体的故障原因，基于所述各实体的故障原因建立各实体和应急预案节点之间的连接，具体包括：
[0019]在嵌入层将三元组的实体映射至实体之间的关系所在的向量空间，获得实体向量，根据实体向量以及关系向量计算各三元组的似然性得分，根据各三元组的似然性得分计算训练损失函数；
[0020]在注意力嵌入传播层将各实体向量和其邻居实体向量进行聚合，以获得各实体的多层向量；
[0021]在预测层，根据各实体的多层向量获得预测得分，根据预测得分获得协同损失函数；
[0022]根据所述训练损失函数和所述协同损失函数获得目标损失函数；
[0023]根据所述目标损失函数分析各实体之间的依赖关系，根据各实体之间的依赖关系，分析各实体对应的故障类型的原因
。
[0024]可选的，所述根据实体向量以及关系向量计算各三元组的似然性得分，根据各三元组的似然性得分计算训练损失函数，具体包括：
[0025]根据公式
(1)
计算各三元组的似然性得分；
[0026][0027]其中，
(h
，
r
，
t)
是三元组，
e
h
，
e
t
∈R
d
和
e
r
∈Rk
分别是
h
，
t
，
r
的嵌入向量，
Wr∈R
k
×
d
是关系
r
的转换矩阵，将实体从
d
维实体空间投影到
k
维关系空间中；
[0028]所述根据各三元组的似然性得分计算训练损失函数，具体包括：
[0029]根据公式
(2)
计算训练损失函数；
[0030]L
KG
＝
∑
(h
，
r
，
t
，
t
′
)∈T
‑
ln
σ
(g(h
，
r
，
t
′
)
‑
g(h
，
r
，
t))(2)
；
[0031]其中，
g(h
，
r
，
t
′
)
是负例三元组
(h
，
r
，
t
′
)
的似然性得分，负例三元组
(h
，
r
，
t
′
)
是通过将三元组
(h
，
r
，
t)
中的尾实体替换得到的
。
[0032]可选的，在注意力嵌入传播层将各实体向量和其邻居实体向量进行聚合，以获得各实体的多层向量，具体包括：
[0033]通过
GCN
聚合器根据公式
(3)
，或通过图形聚合器根据公式
(4)
，或通过双向交互聚合器根据公式
(5)
，将各实体向量和其邻居实体向量进行聚合；
[0034][0035][0036][0037]其中，
N
h
＝
{(h
，
r
，
t)|(h
，
r
，
t)∈G}
；
[0038]则，各实体的多层向量表示为
[0039]在预测层，根据各实体的多层向量获得预测得分，根据预测得分获得协同损失函数，具体包括：
[0040]通过公式
(6)
根据各实体的多层向量获得预测得分，通过公式
(7)
根据预测得分获
得协同损失函数；
[0041][0042][0043]其中，
{(u
，...

【技术保护点】

【技术特征摘要】
1.
一种基于知识图谱推荐应急预案的方法，其特征在于，所述方法包括：获取目标系统的故障数据，根据所述故障数据构建故障知识图谱，所述故障知识图谱中的实体包括故障类型；通过基于强化学习和图卷积网络的知识图谱推理技术对所述故障知识图谱进行挖掘，将挖掘后的故障类型输入所述故障知识图谱，形成拓展故障知识图谱，并在所述拓展故障知识图谱中添加应急预案节点；基于知识图注意力网络算法对所述拓展故障知识图谱进行分析，分析各实体之间的依赖关系，根据所述依赖关系分析各实体的故障原因，基于所述各实体的故障原因建立各实体和应急预案节点之间的连接；接收目标故障，基于所述拓展故障知识图谱为所述目标故障推荐目标应急预案
。2.
根据权利要求1所述的方法，其特征在于，所述根据所述故障数据构建知识图谱，具体包括：对所述故障数据进行实体识别，获取故障；建立各实体之间的关系，以建立故障类型之间的关系；将所述实体和关系组织成图的形式，以构建故障知识图谱
。3.
根据权利要求1所述的方法，其特征在于，所述通过基于强化学习和图卷积网络的知识图谱推理技术对所述故障知识图谱进行挖掘，将挖掘后的故障类型输入所述故障知识图谱，形成拓展故障知识图谱，具体包括：对所述实体和实体之间的关系进行向量化，形成实体嵌入向量和关系嵌入向量；图卷积网络作为强化学习的策略网络，所述图卷积网络在内部层之间添加激活函数进行非线性处理，将实体嵌入向量和关系嵌入向量作为特征输入图卷积网络进行计算，以挖掘更多的故障类型；将挖掘的故障类型嵌入所述故障知识图谱，以构建更多的三元组信息，形成拓展故障知识图谱
。4.
根据权利要求1‑3中任意一项所述的方法，其特征在于，所述基于知识图注意力网络算法对所述拓展故障知识图谱进行分析，分析各实体之间的依赖关系，根据所述依赖关系分析各实体的故障原因，基于所述各实体的故障原因建立各实体和应急预案节点之间的连接，具体包括：在嵌入层将三元组的实体映射至实体之间的关系所在的向量空间，获得实体向量，根据实体向量以及关系向量计算各三元组的似然性得分，根据各三元组的似然性得分计算训练损失函数；在注意力嵌入传播层将各实体向量和其邻居实体向量进行聚合，以获得各实体的多层向量；在预测层，根据各实体的多层向量获得预测得分，根据预测得分获得协同损失函数；根据所述训练损失函数和所述协同损失函数获得目标损失函数；根据所述目标损失函数分析各实体之间的依赖关系，根据各实体之间的依赖关系，分析各实体对应的故障类型的原因
。5.
根据权利要求4所述的方法，其特征在于，所述根据实体向量以及关系向量计算各三元组的似然性得分，根据各三元组的似然性得分计算训练损失函数，具体包括：
根据公式
(1)
计算各三元组的似然性得分；其中，
(h,r,t)
是三元组，
e
h
，
e
t
∈R
d
和
e
r
∈R
k
分别是
h
，
t
，
r
的嵌入向量，
Wr∈R
k
×
d
是关系
r
的转换矩阵，将实体从
d
维实体空间投影到
k
维关系空间中；所述根据各三元组的似然性得分计算训练损失函数，具体包括：根据公式
(2)
计算训练损失函数；
L
KG
...

【专利技术属性】
技术研发人员：许凌玮，纪飞，陆颂华，
申请(专利权)人：海通证券股份有限公司，
类型：发明
国别省市：