一种基于知识图谱的联运节点推理方法与流程

摘要: 本发明涉及智能物流与知识图谱推理,尤其涉及一种基于知识图谱的联运节点推理方法。背景技术:1、随着智慧物流与智能交通体系的发展,如何提升联运体系中节点间的路径决策...
一种基于知识图谱的联运节点推理方法与流程

本发明涉及智能物流与知识图谱推理,尤其涉及一种基于知识图谱的联运节点推理方法。

背景技术:

1、随着智慧物流与智能交通体系的发展,如何提升联运体系中节点间的路径决策智能化水平成为研究热点。基于知识图谱的联运关系建模与路径推理方法可解释性强且关系建模灵活,受到了广泛关注。然而,现有技术大多依赖规则库构建静态图谱,难以处理多源异构联运数据所蕴含的动态语义信息,且在路径推荐过程中缺乏对用户偏好和节点语义的深层次建模,存在以下问题:

2、联运节点间数据来源广泛,既包含结构化的地理和运能等静态属性,也包含非结构化的调度规则和通行限制等文本信息,现有方法在信息融合阶段常以手工规则处理,难以构建高质量异构知识图谱;节点嵌入建模大多采用单一gnn结构,未能充分利用路径语义关系,导致联运路径推理过程中的可解释性弱、推荐准确率低;现有路径推荐结果缺乏可信度分析与偏好参数过滤,难以满足实际联运调度中对路径跳数、运输方式和时间约束等多维限制的需求。

3、因此,如何提供一种基于知识图谱的联运节点推理方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于知识图谱的联运节点推理方法,本发明充分融合了结构化与非结构化联运数据,构建了异构联运知识图谱,并引入改进型compgcn与anyburl推理算法,详细描述了路径样本筛选、路径规则学习、推荐可信度评估与路径解释可视化,具备路径推理精度高、推理结果可解释性强和用户偏好适配能力强的优点。

2、根据本发明实施例的一种基于知识图谱的联运节点推理方法,包括如下步骤:

3、步骤一:采集结构化联运数据与非结构化联运数据,并进行预处理,生成标准化数据集;

4、步骤二:基于标准化数据集,构建异构联运知识图谱;

5、步骤三:引入改进型compgcn网络,提取异构联运知识图谱的节点嵌入特征向量和尾实体嵌入向量;

6、步骤四:基于节点嵌入特征向量和尾实体嵌入向量,通过路径回溯与语义相似联合筛选联运路径样本集;

7、步骤五:基于联运路径样本集,通过改进型anyburl推理算法对异构联运知识图谱学习执行路径规则学习与路径推理,输出联运路径推荐集合;

8、步骤六:基于联运路径推荐集合,执行路径推荐结果解释与可信度校验,输出目标路径推荐集合和对应的路径解释元组;

9、步骤七:将目标路径推荐集合和对应的路径解释元组进行可视化展示,并推送至用户终端。

10、可选的,所述结构化联运数据包括联运节点的地理位置、节点类型、作业能力、作业时间段、路径连接表、换乘条件与运力调度参数;

11、所述联运节点包括港口、铁路场站、公路枢纽、航空中转站、集散中心与联运物流园区;

12、所述非结构化联运数据包括自然语言描述的调度规则文本、运输计划表、通行限制公告、联运日志记录与操作指令。

13、可选的,所述预处理具体为:

14、基于预设单位转换模板库将结构化联运数据的数值字段执行单位统一操作;

15、通过k近邻插补方法补全结构化联运数据的缺失字段;

16、使用字段格式模板库对结构化联运数据的字段格式进行标准化处理,所述字段格式包括时间格式、坐标格式和路径字段;

17、通过schema映射函数对结构化联运数据转换数据类型,生成标准化结构化联运数据;

18、将非结构化联运数据输入至基于wordpiece编码策略的bert分词器,生成词级分词序列;

19、将词级分词序列通过bert-crf模型识别存在的目标实体,所述目标实体包括联运节点、运输方式、调度策略、路径编号、时间区间与约束条件;

20、通过bert嵌入模型提取实体之间的语义关系,所述语义关系包括路径连接、调度依赖、优先级顺序、运输限制、时间触发条件;

21、将实体与关系组装为知识图谱三元组,并将知识图谱三元组整理为标准化非结构化联运数据;

22、将标准化结构化联运数据与标准化非结构化联运数据在字段层面进行编码对齐与格式统一,形成标准化数据集。

23、可选的,所述步骤二具体为:

24、将联运节点和目标实体映射为实体节点,形成实体节点集;

25、将联运节点之间的路径连接关系表示为路径边,将目标实体之间的语义关系建立为语义关系边,将联运节点与目标实体之间的语义连接关系建立为跨类型关系边,形成边关系集;

26、所述路径边关联的属性包括运输方式、距离、预计运行时间、换乘成本与路径可行性条件;

27、将每个实体节点分配实体类型标签,将所有关系边分配关系类型标签,并建立实体类型集与关系类型集;

28、将每个实体节点配置对应的实体属性字段,将每条关系边配置对应的关系属性字段,并建立实体属性集和关系属性集,所述实体属性字段包括节点类型、地理位置、作业能力、作业时间段与运力调度参数,所述关系属性字段包括运输方式、路径距离、预计运行时间、换乘成本与通行时间限制;

29、基于实体节点集、边关系集、实体类型集、关系类型集、实体属性集和关系属性集,进行融合建图,形成异构联运知识图谱。

30、可选的,所述改进型compgcn网络引入了conve嵌入函数,提取异构联运知识图谱的节点嵌入特征向量,具体为:

31、将异构联运知识图谱表示为三元组集合,所述三元组集合包括头实体节点、关系类型和尾实体节点;

32、将头实体节点与关系类型分别通过实体类型映射函数与关系类型映射函数映射为实体嵌入向量与关系嵌入向量;所述实体类型映射函数为可训练的实体嵌入矩阵,所述关系类型映射函数为可训练的关系嵌入矩阵;

33、通过reshape函数将实体嵌入向量与关系嵌入向量进行二维重构,获得二维实体嵌入张量与二维关系嵌入张量;

34、将二维实体嵌入张量与二维关系嵌入张量拼接为联合张量,并通过二维卷积函数提取局部空间特征,获得卷积特征张量;

35、将卷积特征张量在通道维度与空间维度上展平为一维向量,并输入至全连接变换矩阵,获得节点嵌入特征向量,所述全连接变换矩阵将一维向量通过可训练的线性变换矩阵映射为嵌入特征并通过relu激活函数输出节点嵌入特征向量;

36、所述尾实体节点通过预训练的尾实体嵌入矩阵获得尾实体嵌入向量。

37、可选的,所述步骤四具体为:

38、设定路径回溯深度,所述路径回溯深度为节点之间的最大跳数;

39、将尾实体节点作为目标实体节点,并以目标实体节点为起点,在异构联运知识图谱中以路径回溯深度进行路径遍历,构造候选路径集合;

40、针对每条候选路径,基于所有关系边的关系属性字段判定路径有效性:若运输方式受限、通行时间冲突、换乘成本超阈或路径可行性条件不满足,则剔除对应路径,获得结构筛选路径集合;

41、针对结构筛选路径集合中的每条路径,提取所有实体节点对应的节点嵌入特征向量;

42、将目标实体的节点嵌入特征向量与所有实体节点的节点嵌入特征向量计算平均余弦相似度,获得路径语义相似度评分:若路径语义相似度评分小于设定的评分阈值,则剔除对应路径,并输出语义筛选路径集合;所述目标实体的节点嵌入特征向量为尾实体嵌入向量;

43、基于语义筛选路径集合,选取路径语义相似度评分排名前的路径作为联运路径样本集。

44、可选的,所述改进型anyburl推理算法具体为:

45、基于联运路径样本集,将每条路径的关系类型标签序列作为一条路径规则模板,并按照路径顺序构成路径规则模板集合;

46、将路径规则模板集合中的每条路径规则模板与异构联运知识图谱中所有实体节点进行路径模式匹配,获得匹配成功的候选尾实体节点,并将起始实体节点和候选尾实体节点之间的路径作为候选联运路径,生成候选联运路径集合;

47、计算每条路径规则模板的置信度评分,所述置信度评分由路径规则模板在异构联运知识图谱中的规则应用结果与异构联运知识图谱中已存在的三元组进行对比统计获得;

48、对于候选联运路径集合,基于每条候选联运路径中所有实体节点的节点嵌入特征向量与候选尾实体节点的节点嵌入特征向量之间的平均余弦相似度,获得候选联运路径与尾实体节点之间的语义路径评分;

49、基于置信度评分和语义路径评分,定义每条候选联运路径的路径评分函数:

50、;

51、其中,为加权系数,表示联运路径评分,表示每条路径规则模板的置信度评分,表示候选联运路径与尾实体节点之间的语义路径评分;

52、根据联运路径评分对候选联运路径进行降序排序,并选取前设定数量的候选联运路径作为联运路径推荐集合。

53、可选的,所述步骤六具体为:

54、将联运路径推荐集合中的每条联运路径对应的路径规则模板、路径结构信息、置信度评分、语义路径评分组成路径解释元组;

55、所述路径结构信息包括路径中实体节点序列、路径中关系边序列、各实体节点的实体类型标签和各关系边的关系属性字段;

56、将每条路径解释元组与用户设定的路径偏好参数进行匹配,所述匹配包括运输方式偏好、路径跳数限制、路径距离上限、运输时间约束与换乘条件限制;

57、若路径解释元组与路径偏好参数存在冲突,或语义路径评分低于语义阈值,或置信度评分小于设定置信阈值,则剔除对应的联运路径;

58、将筛选后的联运路径推荐集合作为目标路径推荐集合,并输出目标路径推荐集合和对应的路径解释元组。

59、可选的,所述步骤七具体为:

60、针对目标路径推荐集合中的每条联运路径,生成图形化路径展示界面,所述图形化路径展示界面包括节点序列、关系边序列、运输方式、预计运输时间、路径评分与推荐理由;

61、所述推荐理由基于路径评分函数的构成要素及路径解释元组与用户路径偏好参数之间的匹配关系生成;

62、针对路径解释元组,生成图形化推荐解释界面,所述图形化推荐解释界面包括路径规则模板、各实体节点的实体类型标签、各关系边的关系属性字段、置信度评分与语义路径评分;

63、将图形化路径展示界面与图形化推荐解释界面进行组合输出,并同步推送至用户终端。

64、本发明的有益效果是:

65、本发明通过构建异构联运知识图谱,并结合改进型compgcn网络与改进型anyburl推理算法,实现了对联运节点间潜在路径关系的精准建模与智能推理,有效提升了路径推荐的准确性与适应性。

66、首先,通过对结构化联运数据与非结构化联运数据进行预处理与标准化,确保了输入数据的一致性与图谱构建的完整性,避免了因数据异构性带来的路径推理误差。其次,所述改进型compgcn网络引入了conve嵌入函数,有效增强了对异构联运知识图谱中实体节点与关系类型之间复杂交互语义的建模能力。通过将实体嵌入向量与关系嵌入向量进行二维重构与卷积操作,conve能够捕捉局部空间结构特征并挖掘实体与关系间的深层语义关联,使得生成的节点嵌入特征向量具备更强的表示能力与语义区分度,从而提升了路径相似性计算与尾实体识别的准确性。

67、此外,本发明结合路径回溯与语义相似性计算,构建了具代表性的联运路径样本集,并通过改进型anyburl算法执行路径规则学习与推理,在路径规则置信度和语义路径评分的双重引导下,构建了融合结构可靠性与语义匹配度的路径评分函数,有效提升了联运路径的排序准确性与筛选合理性。在目标路径推荐过程中,结合路径解释元组与可信度校验,并匹配用户设定的路径偏好参数,确保推荐路径满足运输方式、路径跳数与运输时间等约束条件。最后,通过可视化方式展示目标推荐路径及推理依据,增强了推理结果的可理解性与用户交互体验。

68、综上所述,本发明提升了联运路径推理智能化水平,兼顾了推理结果的精度、解释性与用户适配性,具有结构完备、建模精准、算法先进和应用场景广泛等有益效果。