【技术实现步骤摘要】
本专利技术涉及数据处理处理及人工智能，具体地说是一种基于知识图谱的设备运营成本预测方法、设备及介质。
技术介绍
1、在设备管理的任务工作中，对于老旧设备的维修或是购新是不可避免的决策问题，传统的做法是依靠财务等相关专业人员的经验来进行判断，希望通过对比旧设备维修成本与预采购设备的运营成本等相关财务数据，对维修采购决策进行推荐建议。
2、针对故障设备的维修或是采购的决策问题，目前的困境在于对预采购设备的运营成本难以实现精准预测。
3、使用机器学习算法来对预采购设备的运营成本进行智能预测，但重点在于难以对设备的特征进行有效完整的表示，而使用独热编码等方式进行向量表示容易使得样本特征过于稀疏。
4、综上所示，对于预采购设备的运营成本难以计算，同时依靠人员估计的方式准确性低且人力成本高是目前亟待解决的技术问题。
技术实现思路
1、本专利技术的技术任务是提供一种基于知识图谱的设备运营成本预测方法、设备及介质，来解决预采购设备的运营成本依靠人员估算的方式准确性低且人力成本高的问题。
2、本专利技术的技术任务是按以下方式实现的，一种基于知识图谱的设备运营成本预测方法，该方法具体如下：
3、s1、获取预采购设备信息，并以三元组形式表达；
4、s2、查询知识图谱，判断预采购设备是否在原知识图谱中且存在运营成本记录：
5、①若是，则将查到的设备运营成本作为预采购设备的运营成本；
6、②若否，则执行步骤s3；
7、s3、使用知识图谱的节点和知识表示向量推理出预采购设备的知识表示向量；
8、s4、将预采购设备的知识表示向量输入到训练好的kge-stacking模型，获取预采购设备运营成本。
9、作为优选，知识表示向量的获取具体如下：
10、收集整理设备资产知识数据；
11、构建资产设备管理领域知识图谱g，将资产设备知识数据按照三元组的形式进行保存整理，制作数据集；
12、使用transh、transr、mlp、complex和rotate五种知识图谱嵌入模型，对所构建的资产管理知识图谱g的三元组进行训练，得到transh、transr、mlp、complex和rotate五种知识图谱嵌入模型下的知识图谱中各节点、关系的知识表示向量。
13、作为优选，kge-stacking模型的训练具体如下：
14、构建知识图谱：采集设备的知识数据，并根据采集的设备的知识数据搭建节点之间的关联关系；
15、获取知识向量表示：使用transh、transr、mlp、complex、rotate五种不同的知识图谱嵌入模型对构建的知识图谱进行知识向量表示；
16、获取初始的实体与关系的知识向量表示：对用于训练的三元组数据进行整理并进行负采样，再获取transh、transr、mlp、complex、rotate五种不同的知识图谱嵌入模型各自模型初始化的实体与关系的向量，并根据transh、transr、mlp、complex、rotate五种不同的知识图谱嵌入模型各自模型的得分函数定义各自模型的损失函数计算loss，根据损失使用优化算法对各种模型的实体和关系的知识向量表示。
17、更优地，transh知识图谱嵌入模型针对每个三元组的得分函数具体如下：
18、在知识图谱的三元组(h,r,t)中，将头实体h和尾实体t的知识表示向量沿着法线进行投影，投影到与关系r对应的超平面上，记为h⊥和t⊥，计算表示为当知识图谱的三元组成立时，transh知识图谱嵌入模型认为h⊥+r≈t⊥，因此，transh知识图谱嵌入模型的得分函数为其中，h指的是头实体；r指的是关系；t指的是尾实体；
19、transr知识图谱嵌入模型针对每个三元组的得分函数具体如下：
20、针对知识图谱的三元组(h,r,t)，transr知识图谱嵌入模型对每一个关系r设置一个投影矩阵投影矩阵用于将实体从实体空间投影到关系空间根据投影矩阵将实体投影向量计算定义为h⊥＝mrh,t⊥＝mrt，在知识图谱的三元组成立时，transh知识图谱嵌入模型认为h⊥+r≈t⊥，transr知识图谱嵌入模型的得分函数定义为：
21、更优地，mlp知识图谱嵌入模型针对每个三元组的得分函数具体如下：
22、在知识图谱中，每个关系和实体用单个向量表示，使用多层感知机捕获表达实体和关系之间的交互关系；mlp知识图谱嵌入模型针对每个三元组的得分函数为fr(h,t)＝wτtanh(m1h+m2r+m3t)；其中，wt、m1、m2、m3均为mlp知识图谱嵌入模型参数；
23、complex知识图谱嵌入模型针对每个三元组的得分函数具体如下：
24、complex知识图谱嵌入模型通过引入复数的向量空间，使用复数向量的形式对知识图谱中的实体和关系进行表示，评分函数定义为其中，是t的共轭；re(·)表示取复数值的实部；
25、rotate知识图谱嵌入模型针对每个三元组的得分函数具体如下：
26、rotate知识图谱嵌入模型将实体和关系映射到复数向量空间，关系被定位头实体向尾实体的旋转，在一个三元组(h,r,t)中，rotate知识图谱嵌入模型认为其中，实在复数空间的向量表示，其中模长|ri|＝1；在复数空间的各个维度中，rotate知识图谱嵌入模型认为ti＝hiri，其中rotate知识图谱嵌入模型针对每个三元组的得分函数为
27、更优地，transh、transr、mlp、complex、rotate五种不同的知识图谱嵌入模型均使用adam算法，对知识图谱中的节点、关系知识表示向量迭代求解；
28、对transh、transr、mlp三种知识图谱嵌入模型的损失函数公式如下：
29、
30、其中，f表示得分函数；x+表示正例样本；x-表示经负采样得到的负例样本，在梯度下降求解时计算对应的loss；
31、complex知识图谱嵌入模型的损失函数公式如下：
32、l＝∑x∈xlog(1+exp(-l(x)·f(x)))；
33、其中，l表示标注函数，给定三元组，输出标签真值{+1，-1}，正例输出+1，负例输出-1；
34、rotate知识图谱嵌入模型的损失函数公式如下：
35、
36、其中，γ为固定的margin参数；σ是sigmoid函数；(h′i,r,t′i)是第i个负样本。
37、更优地，kge-stacking模型训练具体如下：
38、使用lightgbm、rf、ann、adaboost、gpr五种回归模型作为第一层的基学习器；在每次训练基学习器的过程中，使用的数据集为通过transh、transr、mlp、complex、rotate五种不同的知识图谱嵌入模型设备节点向量数本文档来自技高网...
【技术保护点】
1.一种基于知识图谱的设备运营成本预测方法，其特征在于，该方法具体如下：
2.根据权利要求1所述的基于知识图谱的设备运营成本预测方法，其特征在于，知识表示向量的获取具体如下：
3.根据权利要求1所述的基于知识图谱的设备运营成本预测方法，其特征在于，Kge-Stacking模型的训练具体如下：
4.根据权利要求3所述的基于知识图谱的设备运营成本预测方法，其特征在于，TransH知识图谱嵌入模型针对每个三元组的得分函数具体如下：
5.根据权利要求3所述的基于知识图谱的设备运营成本预测方法，其特征在于，MLP知识图谱嵌入模型针对每个三元组的得分函数具体如下：
6.根据权利要求3所述的基于知识图谱的设备运营成本预测方法，其特征在于，TransH、TransR、MLP、ComplEx、RotatE五种不同的知识图谱嵌入模型均使用Adam算法，对知识图谱中的节点、关系知识表示向量迭代求解；
7.根据权利要求1或2所述的基于知识图谱的设备运营成本预测方法，其特征在于，Kge-Stacking模型训练具体如下：
9.一种电子设备，其特征在于，包括：存储器和至少一个处理器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序可被处理器执行以实现如权利要求1至8中任一项所述的基于知识图谱的设备运营成本预测方法。
...【技术特征摘要】
1.一种基于知识图谱的设备运营成本预测方法，其特征在于，该方法具体如下：
2.根据权利要求1所述的基于知识图谱的设备运营成本预测方法，其特征在于，知识表示向量的获取具体如下：
3.根据权利要求1所述的基于知识图谱的设备运营成本预测方法，其特征在于，kge-stacking模型的训练具体如下：
4.根据权利要求3所述的基于知识图谱的设备运营成本预测方法，其特征在于，transh知识图谱嵌入模型针对每个三元组的得分函数具体如下：
5.根据权利要求3所述的基于知识图谱的设备运营成本预测方法，其特征在于，mlp知识图谱嵌入模型针对每个三元组的得分函数具体如下：
6.根据权利要求3所述的基于知识图谱的设备运营成本预测方法，其特征...
【专利技术属性】
技术研发人员：高增林，张振宇，魏忠法，马龙宁，
申请(专利权)人：浪潮通用软件有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。