[发明专利]一种工业知识图谱的构建方法及装置

说明书

本发明提供了一种工业知识图谱的构建方法及装置，其中，该方法包括获取待处理数据的特征向量；建立并初始化算法模型，其中，所述算法模型包括第一深度学习网络和第二深度学习网络；基于所述第一深度学习网络和所述待处理数据的特征向量，生成第一知识单元；基于所述第二深度学习网络和所述第一知识单元，生成第二知识单元和所述第一知识单元与所述第二知识单元的权重值；根据所述权重值，生成包含由所述第一知识单元指向所述第二知识单元的有向图的工业知识图谱。本申请实施例通过构建知识单元与知识单元之间的联系，形成工业知识图谱，提高知识单元体系的系统性和完整性。

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种工业知识图谱的构建方法及装置。

背景技术

在工业领域，在设备的运行或者生产过程中，会产生大量的数据。例如，设备在运行过程，设备上的不同的传感器产生的时序信号或者模拟信号，设备本身的参数(如设备的硬件地址，存储器的地址)。若要了解设备的运行或者生产情况，要对上述数据进行分析处理。

现有技术中，由于工业数据复杂多样，且没有相应的模型对上述数据进行处理，导致无法形成总结性经验，进而无法建立与其他知识之间的联系。

发明内容

有鉴于此，本发明的目的在于提供一种工业知识图谱的构建方法及装置，以知识单元体系的系统性和完整性。

第一方面，本发明实施例提供了一种工业知识图谱的构建方法，包括：

获取待处理数据的特征向量；

建立并初始化算法模型，其中，所述算法模型包括第一深度学习网络和第二深度学习网络；

基于所述第一深度学习网络和所述待处理数据的特征向量，生成第一知识单元；

基于所述第二深度学习网络和所述第一知识单元，生成第二知识单元和所述第一知识单元与所述第二知识单元的权重值；

根据所述权重值，生成包含由所述第一知识单元指向所述第二知识单元的有向图的工业知识图谱。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述获取待处理数据的特征向量，包括：

建立数据模型，其中，所述数据模型包括源端数据源、目标端数据源以及所述源端数据源和所述目标端数据源的映射关系；

通过源端数据源从源端获取待处理数据；

基于所述源端数据源和所述目标端数据源的映射关系，获取所述待处理数据映射的目标端数据源，得到所述待处理数据的特征向量。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述初始化算法模型，包括：

将所述待处理数据的索引配置在所述第一深度学习网络和所述第二深度学习网络；

设置所述第一深度学习网络的训练算法和所述第二深度学习网络的训练算法。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，基于所述第一深度学习网络和所述待处理数据的特征向量，生成第一知识单元，包括：

将所述待处理数据的特征向量输入到所述第一深度学习网络，获得模型训练结果；

将模型训练结果输入到知识库中，使所述知识库根据所述模型训练结果和所述模型训练结果与知识单元的映射关系，生成第一知识单元。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述基于所述第二深度学习网络和所述第一知识单元，生成第二知识单元和所述第一知识单元与所述第二知识单元的权重值，包括：