[發明專利]一種基于知識圖譜的碳足跡獲取方法

在審

• 申請號: 202210173257.1
• 申請日: 2022-02-24
• 公開（公告）號: CN114564543A
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 董真;潘愛強;杜鳳青;劉婧;程凡;畢忠勤
• 申請（專利權）人: 國網上海市電力公司;上海電力大學
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06F16/36;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 趙志遠

1.一種基于知識圖譜的碳足跡獲取方法，其特征在于，所述的碳足跡獲取方法包括：

步驟1：基于待獲取碳足跡的目標領域構建知識圖譜；

步驟2：針對單個產品，基于知識推理提取其知識圖譜子圖，將知識圖譜子圖轉化為碳足跡實體生命周期圖；

步驟3：針對碳足跡實體生命周期圖中的所有實體計算碳足跡量，獲得產品碳足跡圖。

2.根據權利要求1所述的一種基于知識圖譜的碳足跡獲取方法，其特征在于，所述的步驟1具體為：

步驟1-1：確定構建目標領域知識圖譜所需數據集及數據來源；

步驟1-2：進行實體抽取；

步驟1-3：進行關系抽取；

步驟1-4：進行實體屬性抽取；

步驟1-5；進行知識融合，具體為：

首先根據給定的實體指稱項，從知識庫中選出一組候選實體對象，然后通過相似度計算將指稱項鏈接到正確的實體對象；

步驟1-6：進行知識加工。

3.根據權利要求2所述的一種基于知識圖譜的碳足跡獲取方法，其特征在于，所述的步驟1-2具體為：

采用實體抽取模型對數據集中的實體進行抽取，實體抽取模型具體為：

首先，將詞特征、字符特征以及句法依存特征融合后作為Bi LSTM網絡的輸入，Bi LSTM網絡對輸入特征進行編碼，獲得句子序列特征；隨后，計算自注意力權重；其次，基于指針網絡識別實體邊界，并將其作為一種面向目標領域語句的自適應實體邊界特征；然后提取實體詞在語料中與上下文關鍵詞的共現特征；最后，將所得特征進行融合得到最終的句子級特征，并利用標簽解碼模型對所得句子特征進行標簽預測。

4.根據權利要求3所述的一種基于知識圖譜的碳足跡獲取方法，其特征在于，所述的標簽解碼模型具體為LSTM標簽解碼器。

5.根據權利要求2所述的一種基于知識圖譜的碳足跡獲取方法，其特征在于，所述的步驟1-3具體為：

采用關系提取模型進行實體間關系的提取，關系提取模型具體為：

采用一個兩層的全連接神經網絡構成判別器，用于輔助增強所抽取到的語義特征；

采用關系分類模型作為生成器，其中采用雙向門控循環單元網絡捕獲目標領域語句的全局特征，采用中斷門控循環單元網絡捕獲目標領域語句的局部特征；

針對判別器和生成器，采用生成式對抗網絡實現對抗學習。

6.根據權利要求5所述的一種基于知識圖譜的碳足跡獲取方法，其特征在于，所述的關系提取模型還包括：

在對語義特征融合的基礎上，引入句法依存注意力機制。

7.根據權利要求2所述的一種基于知識圖譜的碳足跡獲取方法，其特征在于，所述的步驟1-6具體為：

知識加工包括：

本體構建，包括實體并列關系相似度計算、實體上下位關系抽取和本體生成；

知識推理，補全實體之間的缺失值；

質量篩選，對知識的可信度進行量化，通過舍棄置信度較低的知識來保證知識庫的質量。

8.根據權利要求7所述的一種基于知識圖譜的碳足跡獲取方法，其特征在于，所述的知識推理具體為：

采用基于對抗學習的知識推理模型實現知識推理，包括推理器和圖卷積網絡編碼器；

其中，推理器由生成器和判別器組成，在對抗學習框架中，針對每個查詢關系，分別采用生成器和圖卷積網絡編碼器自動提取專家演示樣例，并通過對抗訓練從給定的圖譜中生成關系路徑；然后判別器計算生成的路徑和專家演示樣例之間的語義相似性，以此通過對抗訓練來更新生成器和判別器，訓練完成后，生成器查找與專家演示樣例的分布相匹配的證據路徑，并通過綜合證據路徑進行關系預測。

9.根據權利要求1所述的一種基于知識圖譜的碳足跡獲取方法，其特征在于，所述的步驟2具體為：

利用構建的知識圖譜，針對單個產品，提取以該產品為出發點的知識圖譜子圖，并針對提取出來的實體計算實體相關度指標，提出指標值低于預設閾值的實體，同時刪除其相應的關系。

10.根據權利要求1所述的一種基于知識圖譜的碳足跡獲取方法，其特征在于，所述的步驟3中碳足跡量的計算方法為：

碳足跡量＝活動數據*排放系數

其中，活動數據具體為來自于碳排放源的換算當量；排放系數具體為單位活動所產生的碳排放量。