買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜朗坤智慧科技股份有限公司申請的專利一種自動化構(gòu)建工業(yè)知識圖譜的方法、系統(tǒng)、設(shè)備及存儲介質(zhì)獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119397038B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-03-25發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510014496.6，技術(shù)領(lǐng)域涉及：G06F16/36；該發(fā)明授權(quán)一種自動化構(gòu)建工業(yè)知識圖譜的方法、系統(tǒng)、設(shè)備及存儲介質(zhì)是由袁存發(fā);畢瑞峰;陸文迪;胡迪;徐興云;張強設(shè)計研發(fā)完成，并于2025-01-06向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種自動化構(gòu)建工業(yè)知識圖譜的方法、系統(tǒng)、設(shè)備及存儲介質(zhì)在說明書摘要公布了：本發(fā)明公開一種自動化構(gòu)建工業(yè)知識圖譜的方法、系統(tǒng)、設(shè)備及存儲介質(zhì)，包括：針對非結(jié)構(gòu)化數(shù)據(jù)建立嵌入層將詞映射為詞向量，通過前饋神經(jīng)網(wǎng)絡(luò)獲取詞向量中的實體及類別，對各個實體間的關(guān)系進行判斷抽取后構(gòu)建第一知識圖譜；針對結(jié)構(gòu)化數(shù)據(jù)利用三元組將數(shù)據(jù)結(jié)構(gòu)映射為本體及關(guān)系，根據(jù)映射關(guān)系獲取實體與實體間的關(guān)系結(jié)構(gòu)后構(gòu)建第二知識圖譜；定期執(zhí)行數(shù)據(jù)抓取任務(wù)，檢測更新的數(shù)據(jù)并進行動態(tài)知識融合后更新和優(yōu)化第一知識圖譜和第二知識圖譜。本發(fā)明能夠?qū)崿F(xiàn)結(jié)構(gòu)化數(shù)據(jù)到三元關(guān)系的轉(zhuǎn)化，減少大量的人工標注與知識圖譜的生成過程；并且能夠?qū)崿F(xiàn)企業(yè)級數(shù)據(jù)知識圖譜的定制化構(gòu)建，有利于數(shù)據(jù)挖掘分析，以實現(xiàn)多系統(tǒng)的結(jié)合以及數(shù)據(jù)的整合與共享。

本發(fā)明授權(quán)一種自動化構(gòu)建工業(yè)知識圖譜的方法、系統(tǒng)、設(shè)備及存儲介質(zhì)在權(quán)利要求書中公布了：1.一種自動化構(gòu)建工業(yè)知識圖譜的方法，其特征在于：包括，針對非結(jié)構(gòu)化數(shù)據(jù)建立嵌入層將詞映射為詞向量，通過前饋神經(jīng)網(wǎng)絡(luò)獲取所述詞向量中的實體及類別，對各個實體間的關(guān)系進行判斷抽取后構(gòu)建第一知識圖譜；所述建立嵌入層將詞映射為詞向量包括，基于工業(yè)知識詞典將所述非結(jié)構(gòu)化數(shù)據(jù)中的每個詞語隨機映射到一個多維度的向量，針對輸入文本序列X＝[x1,x2,…,xn]中的每個詞語查找對應(yīng)的嵌入矩陣獲取對應(yīng)的向量表示en，即將所述輸入文本序列X＝[x1,x2,…,xn]映射為詞向量序列E＝[e1,e2,…,en]，其中，xn表示輸入文本序列中的第n個詞語；通過正弦和余弦函數(shù)生成法對所述非結(jié)構(gòu)化數(shù)據(jù)中的每個詞語進行位置編碼，設(shè)定所述輸入文本序列的長度為L，所述詞向量的維度為d，則第pos個位置的詞語對應(yīng)的編碼P在第i個維度的值由正弦余弦函數(shù)表示為：i為偶數(shù)時：i為奇數(shù)時：第n個詞語對應(yīng)的位置編碼P表示為通過將所述詞向量序列和位置編碼進行相加得到結(jié)合詞語語義和位置信息的向量序列Z，所述向量序列Z作為后續(xù)多層的注意力機制和前饋神經(jīng)網(wǎng)絡(luò)的初始輸入；所述通過前饋神經(jīng)網(wǎng)絡(luò)獲取所述詞向量中的實體及類別包括，設(shè)置多頭注意力機制的注意力頭的數(shù)量，使用Xavier方法隨機初始化權(quán)重矩陣WQ、Wk、Wv，將所述向量序列Z作為輸入序列通過所述初始化后的權(quán)重矩陣進行計算后映射為查詢向量Q、鍵向量K和值向量V；計算注意力得分，并使用所述查詢向量Q和鍵向量KT之間的點積衡量相似度，其中，鍵向量KT為同模型下另一個詞語的鍵向量K；應(yīng)用softmax函數(shù)將所述注意力得分標準化為一個概率分布使得所有注意力權(quán)重的和為1，并獲取當(dāng)前詞和其他詞語的相似度權(quán)重，利用所述相似度權(quán)重對所述值向量V進行加權(quán)求和得到每個查詢向量最終的表示；將多頭注意力機制中多個頭的輸出進行拼接后輸入前饋神經(jīng)網(wǎng)絡(luò)進行拼接和歸一化處理，得到輸出向量h；對所述輸出向量h進行softmax操作，得到每個標記屬于各個實體標簽的概率分布，選擇具有最高概率的標簽作為每個標記的最終預(yù)測標簽，即根據(jù)所述每個標記的最終預(yù)測標簽獲取所述詞向量序列中的實體及類別，針對所述最終預(yù)測標簽及真實標簽進行交叉熵損失判斷，通過鏈式法則計算交叉熵損失相對于logits的梯度，再計算損失函數(shù)相對于模型參數(shù)的梯度；反復(fù)迭代多頭注意力機制和前饋神經(jīng)網(wǎng)絡(luò)的處理流程，使用梯度下降優(yōu)化方法優(yōu)化調(diào)整權(quán)重矩陣WQ、Wk、Wv，當(dāng)所述交叉熵損失達到收斂后結(jié)束迭代；所述對各個實體間的關(guān)系進行判斷抽取包括，根據(jù)獲取的所述詞向量序列中的實體及類別計算各實體對中的關(guān)系，針對實體對e1和e2，其在序列中的起始和結(jié)束位置分別為s1,e1和s2,e2，其中，s1和e1分別表示某個實體在句子中的起始位置和結(jié)束位置的token索引，使用預(yù)訓(xùn)練語言模型BERT，從輸出中計算實體對的表示： 其中，hi表示從起始位置s1到結(jié)束位置e1之間的token的隱藏狀態(tài)，表示從位置s1到e1的所有token隱藏狀態(tài)的求和，表示歸一化因子，用于計算token隱藏狀態(tài)的平均值；所述構(gòu)建第一知識圖譜包括，將兩個實體對的表示進行拼接，并利用一個全連接層對所述拼接的實體對表示進行分類，通過softmax函數(shù)計算所述分類后的實體對中每個關(guān)系類別的概率，將預(yù)測關(guān)系標簽為概率最高的類別對應(yīng)的實體對及關(guān)系依次導(dǎo)入知識圖譜中，即可得到基于當(dāng)前文本序列的第一知識圖譜；針對結(jié)構(gòu)化數(shù)據(jù)利用三元組將所述結(jié)構(gòu)化數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)映射為本體及關(guān)系，根據(jù)映射關(guān)系獲取實體與實體間的關(guān)系結(jié)構(gòu)后構(gòu)建第二知識圖譜；所述構(gòu)建第二知識圖譜包括，針對結(jié)構(gòu)化數(shù)據(jù)，將數(shù)據(jù)庫中每類數(shù)據(jù)實體定義為本體，每條數(shù)據(jù)定義為實體，系統(tǒng)根據(jù)配置自動檢索數(shù)據(jù)庫數(shù)據(jù)，根據(jù)本體對應(yīng)的數(shù)據(jù)表數(shù)據(jù)構(gòu)建當(dāng)前本體對應(yīng)的實體對象，每條數(shù)據(jù)代表一個對應(yīng)的知識圖譜實體，每條數(shù)據(jù)的各個字段即為當(dāng)前實體的屬性信息，通過對應(yīng)的字段配置及數(shù)據(jù)填充實體屬性，完成對應(yīng)的知識圖譜內(nèi)節(jié)點的生成；根據(jù)本體查找已和當(dāng)前本體維護自定義關(guān)系的其他本體，并通過主外鍵關(guān)系構(gòu)建實體與實體間關(guān)系，根據(jù)所述實體與實體間關(guān)系構(gòu)建第二知識圖譜；定期執(zhí)行數(shù)據(jù)抓取任務(wù)，檢測更新的數(shù)據(jù)并進行動態(tài)知識融合，根據(jù)所述動態(tài)知識融合的結(jié)果更新和優(yōu)化所述第一知識圖譜和所述第二知識圖譜；所述檢測更新的數(shù)據(jù)并進行動態(tài)知識融合包括，提供知識圖譜的可視化檢索、修訂功能，用戶通過實體名稱、本體名稱、屬性關(guān)鍵詞進行知識圖譜的模糊檢索，通過可視化的操作查看各實體對象及實體間的關(guān)系；系統(tǒng)底層使用Neo4j作為知識圖譜數(shù)據(jù)庫存儲和管理知識圖譜數(shù)據(jù)，開發(fā)工具類管理與Neo4j進行連接，實現(xiàn)查詢、修改、刪除、新增操作的封裝；選擇AntV-G6作為前端可視化框架用于圖譜數(shù)據(jù)的展示；所述更新和優(yōu)化所述第一知識圖譜和所述第二知識圖譜包括，通過實體識別對新數(shù)據(jù)進行掃描，當(dāng)識別到新實體時對比新實體與現(xiàn)有實體，若所述新實體與現(xiàn)有實體不同，則為所述新實體分配一個全局唯一的標識符，根據(jù)新實體的屬性抽取新實體與現(xiàn)有實體間的關(guān)系，并將新實體融合到所述第一知識圖譜或所述第二知識圖譜中；若所述新實體與現(xiàn)有實體重復(fù)，檢測現(xiàn)有實體的屬性變更，在所述第一知識圖譜或所述第二知識圖譜中定位對應(yīng)的現(xiàn)有實體并更新實體的屬性，并為變更的屬性創(chuàng)建歷史記錄；利用深度學(xué)習(xí)模型從新數(shù)據(jù)中識別出實體間的新關(guān)系，若新關(guān)系在所述第一知識圖譜或所述第二知識圖譜中不存在，則對新關(guān)系的類型和屬性進行歸一化處理并將新關(guān)系融合到所述第一知識圖譜或所述第二知識圖譜中；若新關(guān)系在所述第一知識圖譜或所述第二知識圖譜中已存在，檢測現(xiàn)有關(guān)系的權(quán)重和屬性變更，在所述第一知識圖譜或所述第二知識圖譜中定位到對應(yīng)的現(xiàn)有關(guān)系，并更新現(xiàn)有關(guān)系屬性和權(quán)重，關(guān)系的權(quán)重更新表示為， 其中，Wu表示更新后的關(guān)系權(quán)重，Wc表示現(xiàn)有關(guān)系的權(quán)重，λ表示控制權(quán)重更新的步長的學(xué)習(xí)率，ΔW表示權(quán)重的變化幅度，τ表示變化幅度的閾值，σγ·Gi表示根據(jù)門控計算的置信度，γ表示調(diào)節(jié)置信度對權(quán)重更新影響的參數(shù)。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人朗坤智慧科技股份有限公司，其通訊地址為：210005 江蘇省南京市鼓樓區(qū)漢中路2號亞太商務(wù)樓31層；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。