[發(fā)明專利]一種面向數(shù)控機床設(shè)備維護的知識圖譜關(guān)系補全方法

有效

• 申請?zhí)枺?/td>: 202110450657.8
• 申請日: 2021-04-25
• 公開（公告）號: CN113190686B
• 公開（公告）日: 2022-04-05
• 發(fā)明（設(shè)計）人: 貝毅君;周勇;王林鑫;趙晨
• 申請（專利權(quán)）人: 浙江大學軟件學院（寧波）管理中心（寧波軟件教育中心）
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/28;G06N3/04;G06N3/08
• 代理公司: 寧波奧圣專利代理有限公司 33226
• 代理人: 程曉明

1.一種面向數(shù)控機床設(shè)備維護的知識圖譜關(guān)系補全方法，其特征在于包括以下步驟：

①利用知識抽取手段對特定的多種數(shù)控機床設(shè)備維護案例手冊進行實體的抽取及不同實體間的關(guān)系抽取得到實體及不同實體間的關(guān)系，基于實體及不同實體間的關(guān)系構(gòu)建知識圖譜，從知識圖譜中獲取訓練三元組集，每個訓練三元組包括一個源實體和該源實體對應(yīng)的一個目標實體組成的實體對及該源實體與目標實體間的關(guān)系，基于不同實體間的關(guān)系構(gòu)建候選關(guān)系文本，候選關(guān)系文本包括查詢關(guān)系、伴隨關(guān)系、原因關(guān)系；②通過路徑排序算法在知識圖譜中執(zhí)行隨機游走，枚舉出每個訓練三元組對應(yīng)的所有完整關(guān)系路徑，其中，枚舉出任意一個訓練三元組對應(yīng)的所有完整關(guān)系路徑的具體過程如下：

②-1根據(jù)實體獲取實體的類型，在知識圖譜中，從該訓練三元組中的源實體的類型開始通過隨機游走方式一直到達目標實體的類型，同時記錄從源實體的類型到目標實體的類型的關(guān)系和對應(yīng)的中間實體，獲得所有從源實體的類型到目標實體的類型之間關(guān)系組成的關(guān)系路徑；

②-2獲取每條關(guān)系路徑的隨機游走概率，獲取其中的最大概率值，并在隨機游走概率大于最大概率值的80％的關(guān)系路徑中添加對應(yīng)的中間實體得到該訓練三元組對應(yīng)的所有完整關(guān)系路徑，并將該訓練三元組對應(yīng)的完整關(guān)系路徑的總數(shù)記為n；

③構(gòu)建知識圖譜補全模型，包括依次連接的嵌入層、CNN層、BiGRU層、Attention層和輸出層；

④從候選關(guān)系文本中選擇任意一個查詢關(guān)系，并將查詢關(guān)系和對應(yīng)的訓練三元組的所有完整關(guān)系路徑輸入到知識圖譜補全模型中，得到查詢關(guān)系和實體對之間的概率分數(shù)，具體過程如下：

④-1將查詢關(guān)系和對應(yīng)的訓練三元組的每條完整關(guān)系路徑輸入到嵌入層中，得到查詢關(guān)系對應(yīng)的關(guān)系向量和每條完整關(guān)系路徑對應(yīng)的路徑序列；

④-2將每條路徑序列輸入到CNN層中，經(jīng)過卷積運算提取每條路徑序列對應(yīng)的特征向量，其中，經(jīng)過卷積運算提取第i條路徑序列對應(yīng)的特征向量的具體過程如下：

④-2-1采用一維卷積運算在第i條路徑序列上依次滑動k個窗口大小為3的一維過濾器，其中，k表示一維過濾器的總數(shù)，k的取值范圍為1≤k≤50，令W_a∈R^3×d表示第a個窗口的大小為3、維數(shù)為d的一維過濾器，其中，1≤a≤k，W_a的移動步長為1，將由W_a得到的第i條路徑序列的第j個窗口對應(yīng)的特征記為c_j,a，其中，b表示ReLU非線性激活函數(shù)的默認偏置項，f表示ReLU非線性激活函數(shù)，表示向下取整，L表示第i條路徑序列的長度，1≤i≤n；

④-2-2將由k個一維過濾器得到的第i條路徑序列的第j個窗口對應(yīng)的特征進行級聯(lián)得到第i條路徑序列的第j個窗口對應(yīng)的特征向量c_j＝[c_j,1,c_j,2,…,c_j,a,…,c_j,k]，其中c_j∈R^d，d表示維度；將第i條路徑序列對應(yīng)的特征向量記為{c₁,c₂,…,c_j,…,c_L}；

④-3將每條路徑序列對應(yīng)的特征向量輸入到BiGRU層中，經(jīng)過處理得到每條路徑序列對應(yīng)的嵌入向量，BiGRU層包括前向GRU單元和后向GRU單元，其中，經(jīng)過處理得到第i條路徑序列對應(yīng)的嵌入向量的具體過程如下：

④-3-1設(shè)置前向GRU單元和后向GRU單元的隱藏狀態(tài)數(shù)量為

④-3-2使用前向GRU單元和后向GRU單元對第i條路徑序列對應(yīng)的特征向量{c₁,c₂,…,c_j,…,c_L}進行處理，得到第i條路徑序列對應(yīng)的前向隱藏狀態(tài)序列和第i條路徑序列對應(yīng)的后向隱藏狀態(tài)序列其中，GRU(·)表示GRU函數(shù)，

④-3-3將第i條路徑序列對應(yīng)的前向隱藏狀態(tài)序列的最后一個隱藏狀態(tài)和第i條路徑序列對應(yīng)的后向隱藏狀態(tài)序列的第一個隱藏狀態(tài)進行連接，得到第i條路徑序列對應(yīng)的嵌入向量m_i，

④-4將查詢關(guān)系對應(yīng)的關(guān)系向量和每條路徑序列對應(yīng)的嵌入向量輸入到Attention層中，利用Attention機制獲取查詢關(guān)系和實體對之間的概率分數(shù)，其中，獲取查詢關(guān)系和實體對之間的概率分數(shù)的具體過程如下：

④-4-1將查詢關(guān)系對應(yīng)的關(guān)系向量記為u，將u和第i條路徑序列對應(yīng)的嵌入向量m_i的語義相似度記為α_i，其中，exp表示指數(shù)函數(shù)，1≤g≤n，v_a∈R^d表示第一權(quán)重參數(shù)，T表示轉(zhuǎn)置，tanh表示雙曲正切函數(shù)，W_b∈R^d×2d表示第二權(quán)重參數(shù)，[m_i；u]表示將m_i和u拼接在一起；

④-4-2將實體對記為(e_s,e_t)，將u和(e_s,e_t)的概率分數(shù)記為P(u|e_s,e_t)，P(u|e_s,e_t)＝sigmoid(W_p(o+u))，其中，sigmoid表示概率函數(shù)，W_p∈R^d表示可學習參數(shù)，

④-5通過輸出層輸出查詢關(guān)系和實體對之間的概率分數(shù)；

⑤設(shè)定補全閾值，將大于或等于設(shè)定的補全閾值的概率分數(shù)對應(yīng)的查詢關(guān)系和實體對組成三元組并補全進知識圖譜中。