煤矿装备维护知识图谱构建及应用

利用大数据管理系统对煤矿装备维护信息进行管理缺乏对煤矿装备维护知识的表示能力,没有形成相对完整的煤矿装备维护知识管理体系,无法实现知识挖掘及知识间关系链接,导致大量具有深度挖掘价值的信息不能得到有效利用。针对上述问题,构建了煤矿装备维护知识图谱。首先通过定义煤矿装备维护的关键概念、关系及属性,进行基于本体的知识建模;然后从结构化、半结构化和非结构化数据源中获取知识,通过命名实体识别、关系抽取及事件抽取完成煤矿装备维护知识抽取;最后利用图数据库Neo4j存储煤矿装备维护知识,形成煤矿装备维护知识图谱。煤矿装备维护知识图谱在智能语义搜索、智能问答及可视化决策支持等方面的应用可提高煤矿装备维护知识管理效率,为煤矿装备智能化动态管理的实现提供有力支持。     

代码知识图谱构建及智能化软件开发方法研究

智能化软件开发正在经历从简单的代码检索到语义赋能的代码自动生成的转变,传统的语义表达方式无法有效地支撑人、机器和代码之间的语义交互,探索机器可理解的语义表达机制迫在眉睫.首先指出了代码知识图谱是实现智能化软件开发的基础,进而分析了大数据时代智能化软件开发的新特点以及基于代码知识图谱进行智能化软件开发的新挑战;随后回顾了智能化软件开发和代码知识图谱的研究现状,指出了现有智能化软件开发的研究仍然处于较低水平,而现有知识图谱的研究主要面向开放领域知识图谱,无法直接应用于代码领域知识图谱.因此,从代码知识图谱的建模与表示、构建与精化、存储与演化管理、查询语义理解以及智能化应用这5个方面详细探讨了研究新趋势,以更好地满足基于代码知识图谱进行智能化软件开发的需要.     

基于航天装备数据的知识图谱体系研究

知识图谱实现了知识以图的结构形式关联链接,从而实现对零散知识进行组织。三元组表征是较成熟的知识图谱构建和表征方法。本文在深入分析三元组知识图谱构建方法的基础上,结合航天装备在役考核的实际应用,提出一种基于知识图谱的深度分析评估方法并设计研制了航天装备在役考核综合评估系统对该方法的有效性进行验证。系统运行结果表明本文方法可以有效的对航天装备知识体系进行组织、挖掘和应用,从而实现深度评估。     

时序知识图谱表示学习

知识图谱作为一种结构化的人类知识形式,对海量多源异构异质的数据语义互通起到了很好的支撑作用,并有效地支持了数据分析等任务,成为了近年来学术界和工业界的研究热点。目前大多数知识图谱都是根据非实时的静态数据构建,没有考虑实体和关系的时间特性。然而社交网络通信、金融贸易、疫情传播网络等应用场景的数据具有实时动态的特点以及复杂的时间特性,如何利用时序数据构建知识图谱并且对该知识图谱进行有效建模是一个具有挑战性的问题。目前,有许多研究工作利用时序数据中的时间信息丰富知识图谱的特征,赋予知识图谱动态特征,将事实三元组拓展为(头实体,关系,尾实体,时间)的四元组表示,使用时间相关四元组进行知识表示的知识图谱被统称为时序知识图谱。文中对时序知识图谱相关文献进行整理和分析,并对时序知识图谱表示学习的工作进行了全面综述。具体地,首先简单介绍了时序知识图谱的背景与定义;其次总结了时序知识图谱表示学习方法相比传统知识图谱表示学习方法的优点;然后从事实的建模方法角度详细阐述了时序知识图谱表示学习的主要方法,并且介绍了上述方法使用到的数据集;最后对该技术的主要挑战进行了总结,并对其未来研究方向进行了展望。     

面向链接预测的知识图谱表示学习方法综述

作为人工智能的重要基石, 知识图谱能够从互联网海量数据中抽取并表达先验知识, 极大程度解决了智能系统认知决策可解释性差的瓶颈问题, 对智能系统的构建与应用起关键作用. 随着知识图谱技术应用的不断深化, 旨在解决图谱欠完整性问题的知识图谱补全工作迫在眉睫. 链接预测是针对知识图谱中缺失的实体与关系进行预测的任务, 是知识图谱构建与补全中不可或缺的一环. 要充分挖掘知识图谱中的隐藏关系, 利用海量的实体与关系进行计算, 就需要将符号化表示的信息转换为数值形式, 即进行知识图谱表示学习. 基于此, 面向链接预测的知识图谱表示学习成为知识图谱领域的研究热点. 从链接预测与表示学习的基本概念出发, 系统性地介绍面向链接预测的知识图谱表示学习方法最新研究进展. 具体从知识表示形式、算法建模方式两种维度对研究进展进行详细论述. 以知识表示形式的发展历程为线索, 分别介绍二元关系、多元关系和超关系知识表示形式下链接预测任务的数学建模. 基于表示学习建模方式, 将现有方法细化为4类模型: 平移距离模型、张量分解模型、传统神经网络模型和图神经网络模型, 并详细描述每类模型的实现方式与解决不同关系元数链接预测任务的代表模型. 在介绍链接预测的常用的数据集与评判标准基础上, 分别对比分析二元关系、多元关系和超关系3类知识表示形式下, 4类知识表示学习模型的链接预测效果, 并从模型优化、知识表示形式和问题作用域3个方面展望未来发展趋势.     

知识图谱可视分析研究综述

知识图谱是一种以图谱形式描述客观世界中存在的各种实体、概念及其关系的技术,广泛应用于智能搜索、自动问答和决策支持等领域.可视分析技术可以将抽象的知识图谱映射为图形元素,帮助用户直观地感知和分析数据,从而提高知识图谱的构建和表达,也为知识图谱在各个领域的应用提供了有力支持.文中对知识图谱可视分析相关工作进行调研和整理,从知识图谱可视化表现形式、知识图谱构建过程中常用的可视分析方法以及面向应用领域的知识图谱可视分析技术3个方面进行综述;进一步,总结和讨论知识图谱可视分析面临的挑战,并对其未来的发展趋势进行展望.     

基于Neo4j的《伤寒论》知识图谱构建研究

探讨基于Neo4j构建《伤寒论》知识图谱的方法。以中医古籍《伤寒论》为知识图谱构建的数据源。在《中医临床术语标准规范》等规范的指导下,采用人工知识抽取对中医药相关术语的提取、预处理以及标准化,并利用图数据库Neo4j对所构建的知识图谱进行存储。构建了包含639个中医实体以及2076条实体关系的基于Neo4j的《伤寒论》知识图谱。     

知识图谱综述——表示、构建、推理与知识超图理论

针对知识图谱（KG）在知识驱动的人工智能研究中发挥的强大支撑作用,分析并总结了现有知识图谱和知识超图技术。首先,从知识图谱的定义与发展历程出发,介绍了知识图谱的分类和架构;其次,对现有的知识表示与存储方式进行了阐述;然后,基于知识图谱的构建流程,分析了各类知识图谱构建技术的研究现状。特别是针对知识图谱中的知识推理这一重要环节,分析了基于逻辑规则、嵌入表示和神经网络的三类典型的知识推理方法。此外,以异构超图引出知识超图的研究进展,并提出三层架构的知识超图,从而更好地表示和提取超关系特征,实现对超关系数据的建模及快速的知识推理。最后,总结了知识图谱和知识超图的典型应用场景并对未来的研究作出了展望。     

航空制造知识图谱构建研究综述

目前航空装备制造企业的设计、制造相关流程中积累了大量数据,基于知识图谱技术可以对这些数据进行有效融合与管理,对不断更新的制造知识进行挖掘,将为航空制造企业智慧化升级提供有力的知识支撑。为探明知识图谱在航空制造领域的理论支撑体系与实际应用情况,通过文献调研分析航空制造知识图谱架构、定义及特点;阐明知识图谱领域构建过程中的核心技术并进行研究综述,对比航空制造知识图谱与通用知识图谱构建技术上的异同,并提出了三个切合实际的航空制造知识图谱应用方向及其解决方案;最后对未来航空制造知识图谱的挑战进行了分析及展望,为后续该领域的研究提供一些思路。     

情报信息驱动下的军事目标知识深度认知研究

建立军事目标知识图谱是快速处理军事领域海量目标知识信息、实现数据智能化的基础工作,能够为指挥决策提供重要支撑。以实际应用需求为牵引,基于情报信息驱动研究设计构建军事目标情报知识图谱的实现流程,完成目标知识建模、目标信息抽取、目标知识融合等技术研究。基于所构建目标情报知识图谱,从关联深度分析、关键目标挖掘等典型场景出发,开展目标情报数据挖掘与关联分析相关研究,为实现智能分析辅助指挥决策提供支撑。     

Dynamic knowledge modeling and fusion method for custom apparel production process based on knowledge graph

Compared with ordinary mass-produced apparel products, custom apparel products will generate more data at each stage of their life cycle. Such data is in a highly dynamic state, while the relationship between the data is more complex. However, the current use of traditional relational data to store the whole life cycle data of custom apparel products has several problems of high redundancy, weak correlation, discrete distribution, and certain limitation of storage capacity. Therefore, based on knowledge graph, a dynamic knowledge modeling and fusion method is proposed for the production process of custom apparel. Firstly, an ontology-based knowledge modeling method is designed for custom apparel, which defined three types of ontology modeling methods for the process, resources, and features. On this basis, a knowledge graph construction method based on bi-directional fusion for the custom apparel production system is proposed. With one order as a unit, a knowledge graph facet (KGF) model, as well as the derived knowledge representation, generation and fusion method, is established to realize dynamic knowledge fusion of the custom apparel production process. Finally, taking the suit production process of a custom apparel factory as an example, the corresponding knowledge graph is constructed based on the ontology knowledge model, and the effectiveness of the proposed knowledge fusion method is verified.     

基于知识图谱的智能决策支持技术及应用研究

知识图谱是把复杂的领域知识通过数据挖掘、信息处理、知识计量和图形绘制而显示出来,解释知识领域的动态发展规律。知识图谱把所有不同种类的信息(heterogeneous information)连接在一起得到一个关系网络并从"关系"的角度去分析问题。知识图谱目前被广泛应用于智能搜索、智能问答等领域。提出了一种基于知识图谱的智能决策支持框架,用于解决传统决策支持系统存在的问题。通过大数据、知识图谱等海量知识分析和模型构建技术,结合决策支持系统,增强对问题的分解与处理、形成具有关系型网络的知识系统。最后结合电信领域中的经典决策案例,搭建基于知识图谱的欺诈电话智能决策支撑平台。和传统的决策支持系统比较,该研究方法的优点在于结合大数据处理方法提升了知识建模的算力和决策支持的效率,使实时处理大规模信息数据成为现实;基于知识图谱的关系型网络,提升了决策模型的准确性和关联相关性。     

New methods of creating MBD process model: On the basis of machining knowledge

Traditional machining process planning, which passes manufacturing information through 2D drawing, fails to meet the requirement of current 3D manufacturing environment. Thus, model based definition technology, which uses 3D technology to upgrade the current manufacturing capacity, comes into being. This paper focuses on the creation methods of 3D machining process model. In the first place, the relation between machining knowledge and 3D modeling knowledge has been analyzed, establishing machining ontology and modeling ontology. Then, forward creation method and reversed creation method of machining-knowledge-based 3D process model are proposed. In forward creation method, to drive 3D modeling with machining knowledge, process model is created in commercial CAD platform with modeling ontology transferred from machining ontology for knowledge reasoning through the decision tree constructed from training set and test set. Reversed creation method is established by identifying and suppressing the volumetric machining features and surface machining features after building attributed adjacent graph of process model, and the machining knowledge contained in 3D process model is extracted for subsequent reuse. Finally, the validity of this method is verified with the proposed prototype system.     

面向对象的流程工业系统有向无环图建模

提出流程工业系统中有向无环图的面向对象的建模方法。介绍使用面向对象的技术对流程工业系统模进行建模的关键要素的技巧,定义描述流程工业系统中有向无环图模型的建模机制,扩展流程工业系统模型所具有的特性。以流程工业系统出现异常时的诊断实例说明系统模型解决问题的有效性。     

半边图模型之构造演算

提出一个动态可增殖的多层次自组织认知系统,每个层次具有形式上一致的知识表示方法,各层的自组关联、自组聚合、归约和样本表达四个知识处理模型是实现系统自组织层次增殖的核心模型。指出若要实现层次可自组织增殖的系统,其关键是要设计一个合理的聚合归约演算系统;提出一个适用于各个层次的基于可结合半边的自组图知识表示法,先给出自组图形式化的静态定义和动态定义,然后以自组关联模型为背景给出对应的自组图构造算法。     

键合图在火电厂热工对象建模中的应用

针对火电机组这种复杂的多能量转换系统,功率键合图以能量守恒定律为依据,用4种统一的物理变量表达不同的工程系统,在机、电、液、热等多种能量范畴的耦合系统建模中具有独到优势。在研究热工对象汽包的工作过程基础上,利用功率键合图理论,将其分解划分为相关键图子系统,通过连接各子系统键图模型综合得到汽包对象的键合图模型,并推导了该模型对应的数学描述,通过仿真验证了键合图模型的精确性,为热工对象的建模提供了一种崭新方法。     

基于知识发现的网络安全态势感知系统

由于网络安全告警数据的复杂性和多样性,使得难以精确地分析和评估网络安全态势。通过总结网络安全态势感知的最新研究进展和现存问题,提出了一种基于知识发现的网络安全态势建模与生成框架,在该框架的基础上设计并实现了网络安全态势感知系统Net-SSA。该系统主要由安全态势建模和安全态势生成两部分组成。安全态势建模就是基于D-S证据理论构建适应于度量网络安全态势的形式模型,用于支持态势传感器的安全事件融合和关联分析。安全态势生成就是通过知识发现方法,挖掘网络安全态势数据集中的频繁模式和序列模式,并且将其转化成安全态势的关联规则,从而支持网络安全态势图的自动生成。通过相应的实验过程和结果分析,表明该系统能够支持网络安全态势的准确建模和高效生成。     

面向时空图建模的图小波卷积神经网络模型

时空图建模是分析图形结构系统中各要素空间关系与时间趋势的一个基础工作.传统的时空图建模方法,主要基于图中节点与节点关系固定的显式结构进行空间关系挖掘,这严重限制了模型的灵活性.此外,未考虑节点间的时空依赖关系的传统建模方法不能捕获节点间的长时时空趋势.为了克服这些缺陷,研究并提出了一种新的用于时空图建模的图神经网络模型,即面向时空图建模的图小波卷积神经网络模型（Graph Wavelet Convolutional Neural Network for Spatiotemporal Graph Modeling,GWNN-STGM）,称为GWNN-STGM.在GWNN-STGM中设计了一个图小波卷积神经网络层,并在该网络层中设计并引入了自适应邻接矩阵进行节点嵌入学习,使得模型能够在不需要结构先验知识的情况下,从数据集中自动发现隐藏的结构信息.此外,GWNN-STGM还包含了一个堆叠的扩张因果卷积网络层,使模型的感受野能够随着卷积网络层数的增加呈指数增长,从而能够处理长时序列.GWNN-STGM成功将图小波卷积神经网络层和扩张因果卷积网络层两个模块进行有效集成.通过在公共交通网络数据集上试验发现,提出的GWNN-STGM的性能优于其他的基准模型,这表明设计的图小波卷积神经网络模型在从输入数据集中探索时空结构方面具有很大的潜力.     

基于改进键合图方法的层次机电系统的测试性建模与分析

现有层次化机电系统测试性建模与分析方法,存在着测试性参数值较小的缺陷,为了解决上述问题,提出基于改进键合图方法的层次化机电系统测试性建模与分析方法;引入改进键合图方法,将其有效的融合到贝叶斯网络中,以此为基础,搭建系统测试性模型,通过插值获取测试性参数;以搭建的系统测试性模型为工具,描述层次化机电系统结构,构建层次化机电系统键合图,检测并隔离层次化机电系统故障,实现了基于改进键合图方法的层次化机电系统测试性的建模与分析;通过实验结果显示:与现有的3种层次化机电系统测试性建模与分析方法相比较,提出的层次化机电系统测试性建模与分析方法极大地提升了测试性参数,充分说明所提方法具备更好的测试性效果。