一种不确定性态势时空知识图谱更新方法及系统技术方案

本发明专利技术提供了一种不确定性态势时空知识图谱更新方法及系统，属于指挥控制领域，方法包括：将待更新态势数据与已有知识大图谱进行比较，以检测已有知识大图谱中实体以及实体关系的变化，并在已有知识大图谱上进行更新并解决更新冲突；对整个更新后的知识大图谱进行图谱一致性检查，利用机器学习和自然语言处理技术提取待更新态势数据的变化特征；以待更新态势数据的变化特征以及已有知识子图谱为训练完毕的更新预测模型的输入，预测更新节点以及更新节点在已有知识子图谱中的位置；在更新节点所在已有知识子图谱中的位置处进行节点属性

【技术实现步骤摘要】
一种不确定性态势时空知识图谱更新方法及系统


[0001]本专利技术属于指挥控制领域，更具体地，涉及一种不确定性态势时空知识图谱更新方法及系统
。

技术介绍

[0002]态势时空知识图谱是指挥信息系统的重要组成部分，具体来说是一种集合了海量地理信息
、
动态时序数据和复杂关系的图数据管理平台
。
它将现实世界中的地理信息
、
平台和装备信息
、
各类感知数据，以及态势分析与认知结果进行结构化的组织和存储，以三维空间模型为基础，以动态时序数据为纽带，实时准确地记录了现实世界中每一个目标在每一时刻的空间位置和状态变化，以及目标与目标
、
目标与环境间的关系变化
。
由于传感器探测数据
、
各类情报数据中蕴含了模糊性
、
随机性和偏差等多种不确定性，态势时空知识图谱的更新成为一个难题
。
[0003]知识图谱的更新涉及到知识工程
、
不确定性建模
、
数据集成和机器学习等多个学科和

。
其中，增量式更新方法受到大量关注，其通过识别和处理新的数据变化，并将其与已有的知识进行融合，以实现知识图谱的持续演化和更新
。
[0004]但是目前的增量式更新方法在不确定性时空态势条件下，由于获取的数据存在模糊性
、
随机性和偏差性等多种不确定性特征，使得更新结果通常存在一致性问题，导致效率和准确性往往达不到预期
。

技术实现思路

[0005]针对现有技术的缺陷，本专利技术的目的在于提供一种不确定性态势时空知识图谱更新方法及系统，旨在解决现有的知识图谱增量式更新方法在不确定性时空态势条件下，由于获取的数据存在模糊性
、
随机性和偏差性等多种不确定性特征，使得更新结果通常存在一致性问题，导致效率和准确性往往达不到预期的问题
。
[0006]为实现上述目的，本专利技术提供了一种不确定性态势时空知识图谱更新方法，包括以下步骤：
[0007]D1
：将待更新态势数据与已有知识大图谱进行比较，以检测已有知识大图谱中实体以及实体关系的变化；并基于每个变化的实体和实体关系，在已有知识大图谱上进行更新并解决更新冲突；
[0008]D2
：对整个更新后的知识大图谱进行图谱一致性检查，利用机器学习和自然语言处理技术提取待更新态势数据的变化特征；
[0009]D3
：以待更新态势数据的变化特征以及已有知识子图谱为训练完毕的更新预测模型的输入，预测更新节点以及更新节点在已有知识子图谱中的位置；
[0010]D4
：在更新节点所在已有知识子图谱中的位置处进行节点属性
、
节点间关系以及子图谱索引的更新；
[0011]其中，已有知识大图谱为类图谱；已有知识子图谱为已有知识大图谱的衍生，为子
类图谱
。
[0012]进一步优选地，
D4
后还包括
D5
，
D5
为：当
D4
执行后，对所有更新后的知识子图谱，基于图模型的表示对节点和关系进行不确定性标注，计算每个节点和关系的概率传播，使得每个节点的更新概率均在
[0,1]的取值范围内
。
[0013]进一步优选地，
D1
包括以下步骤：
[0014]D1.1
：使用相似性度量方法进行语义匹配，对待更新态势数据中的实体与已有知识大图谱进行比对，在已有知识大图谱中筛选出相似度大于预设相似度的实体；
[0015]D1.2
：基于
D1.1
筛选出的实体，采用相似性度量方法，比较待更新态势数据与已有知识大图谱中的关系，以确定筛选出的实体在已有知识大图谱中是否存在增改或删除的关系；
[0016]D1.3
：确定筛选出的实体在已有知识大图谱中的更新方式，将新增实体和关系增加到已有知识大图谱中，对修改的实体对已有知识大图谱中的现有实体和关系进行更新，对删除的实体从现有知识大图谱中移除；
[0017]D1.4
：检查是否对同一实体或关系存在不同的修改造成的冲突，若存在则按照优先级规则
、
时间戳规则和合并方法解决冲突；
[0018]其中，优先级规则为优先级高的操作覆盖优先级低的更新；时间戳规则为优先选择时间戳新的更新；合并方法为将不同更新的信息进行合并；
[0019]D1.5
：待筛选的实体均更新完毕后，对整个更新后的知识大图谱进行图谱一致性检查；其中，图谱一致性检查包括语义一致性检查
、
约束检查和关系完整性检查；语义一致性检查为更新后的实体和关系与已有知识大图谱的语义关系保持一致；约束检查为检查更新后的已有知识大图谱是否满足预先设定的约束条件；关系完整性检查为检查更新后的已有知识大图谱不存在孤立的节点
。
[0020]进一步优选地，更新预测模型为基于图神经网络的模型，采用半监督学习中的生成式方法，利用标记数据和未标记数据进行训练；其中，标记数据进行监督学习，未标记数据进行生成式学习；标记数据为带有更新节点的变化特征；未标记数据为不带有更新节点的变化特征
。
[0021]进一步优选地，待更新态势数据的变化特征的提取方法，具体包括以下步骤：
[0022]将待更新态势数据使用自然语言处理技术提取文本特征，使用机器学习算法提取其他类型的特征；
[0023]将待更新态势数据的文本特征和其他类型的特征进行合并，构建成特征矩阵；
[0024]将特征矩阵作为机器学习模型的输入，学习待更新态势数据的变化模式，输出待更新态势数据的变化特征
。
[0025]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下
[0026]有益效果：
[0027]本专利技术提供了一种不确定性态势时空知识图谱更新方法及系统，其中，引入图神经网络对知识图谱的更新位置进行预测，图神经网络可以学习和理解图谱中的复杂语义关系，确定需要更新的实体节点，实现增量更新子图谱，解决原有知识图谱同步过程中效率低和准确率较弱的问题
。
[0028]本专利技术提供了一种不确定性态势时空知识图谱更新方法及系统，其中，基于相似
度算法计算数据间差异，引入一致性规范确保更新前后的知识子图谱语义一致，避免了传统增量式更新方法可能造成的冲突，提高效率和准确率；其中，一致性规范不同于传统方法，结合了图模型的表达和概念推断，通过引入不确定性标注和概率传播，可以在复杂的不确定性态势变化中保持数据的一致性，实现包含复杂语义的实体关系的更新问题
。
附图说明
[0029]图1是本专利技术实施例提供的不确定性态势时空知识图谱更新方法框架图；
[0030]图2是本专利技术实施例提供的不确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种不确定性态势时空知识图谱更新方法，其特征在于，包括以下步骤：
D1
：将待更新态势数据与已有知识大图谱进行比较，以检测已有知识大图谱中实体以及实体关系的变化；并基于每个变化的实体和实体关系，在已有知识大图谱上进行更新并解决更新冲突；
D2
：对整个更新后的知识大图谱进行图谱一致性检查，利用机器学习和自然语言处理技术提取待更新态势数据的变化特征；
D3
：以待更新态势数据的变化特征以及已有知识子图谱为训练完毕的更新预测模型的输入，预测更新节点以及更新节点在已有知识子图谱中的位置；
D4
：在更新节点所在已有知识子图谱中的位置处进行节点属性
、
节点间关系以及子图谱索引的更新；其中，已有知识大图谱为类图谱，已有知识子图谱为大图谱的衍生，为子类图谱
。2.
根据权利要求1所述的不确定性态势时空知识图谱更新方法，其特征在于，
D4
后还包括
D5
，
D5
为：当
D4
执行后，对所有更新后的知识子图谱，基于图模型的表示对节点和关系进行不确定性标注，计算每个节点和关系的概率传播，使得每个节点的更新概率均在
[0,1]
的取值范围内
。3.
根据权利要求1或2所述的不确定性态势时空知识图谱更新方法，其特征在于，
D1
包括以下步骤：
D1.1
：使用相似性度量方法进行语义匹配，对待更新态势数据中的实体与已有知识大图谱进行比对，在已有知识大图谱中筛选出相似度大于预设相似度的实体；
D1.2
：基于
D1.1
筛选出的实体，采用相似性度量方法，比较待更新态势数据与已有知识大图谱中的关系，以确定筛选出的实体在已有知识大图谱中是否存在增改或删除的关系；
D1.3
：确定筛选出的实体在已有知识大图谱中的更新方式，将新增实体和关系增加到已有知识大图谱中，对已有知识大图谱中需要修改的实体和关系进行更新，对删除的实体从现有知识大图谱中移除；
D1.4
：检查是否对同一实体或关系存在不同的修改造成的更新冲突，若存在则按照优先级规则
、
时间戳规则和合并方法解决更新冲突；其中，优先级规则为优先级高的操作覆盖优先级低的更新；时间戳规则为优先选择时间戳新的更新；合并方法将不同更新的信息进行合并；
D1.5
：待筛选的实体均更新完毕后，对整个更新后的知识大图谱进行图谱一致性检查；其中，图谱一致性检查包括语义一致性检查
、
约束检查和关系完整性检查；所述语义一致性检查为更新后的实体和关系与已有知识大图谱的语义关系保持一致；所述约束检查为检查更新后的已有知识大图谱是否满足预先设定的约束条件；所述关系完整性检查为检查更新后的已有知识大图谱不存在孤立的节点
。4.
根据权利要求1所述的不确定性态势时空知识图谱更新方法，其特征在于，所述更新预测模型为基于图神经网络的模型，采用半监督学习中的生成式方法，利用标记数据和未标记数据进行训练；其中，所述标记数据进行监督学习，未标记数据进行生成式学习；所述标记数据为带有更新节点的变化特征；所述未标记数据为不带有更新节点的变化特征
。5.
根据权利要求3所述的不确定性态势时空知识图谱更新方法，其特征在于，待更新态势数据的变化特征的提取方法，包括以下步骤：
将待更新态势数据使用自然语言处理技术提取文本特征，使用机器学习算法提取其他类型的特征；将待更新态势数据的文本特征和其他类型的特征进行合并，构建成特征矩阵；将特征矩阵作为机器学习模型的输入，学习待更新态势...

【专利技术属性】
技术研发人员：刘颢，李琳，陈炜，王海鹏，
申请(专利权)人：中国船舶集团有限公司第七，
类型：发明
国别省市：