基于地理分析模型知识图谱的模型推荐方法及系统

本发明涉及地理建模与模拟，尤其是基于地理分析模型知识图谱的模型推荐方法及系统。

背景技术：

1、地理分析模型是模拟地理现象及其演变过程、解决地理问题的重要工具。近年来，国内外学者针对不同地理场景构建了大量地理分析模型。在多模型协同耦合与集成应用的背景下，地理分析模型的共享已成为解决大型复杂地理问题的重要基础。由于地理分析模型共享数量的快速增长，使用者面临无法将需求精准匹配到权威、有效模型的问题。

2、传统的搜索算法只能给出基于用户查询中关键词的字面匹配结果，且无法针对不同用户的深层意图提供差异化的排序，导致所有用户面对相同查询时得到完全一致的列表。而协同过滤等传统推荐系统技术高度依赖用户交互历史，在面对交互数据稀疏和冷启动问题时，推荐质量急剧下降；同时，此类方法多为黑盒模型，对推荐结果的可解释性较弱，难以满足地理分析模型领域用户对结果可信性与可溯源性的高要求。

3、知识图谱是一种异构图，其中节点代表实体，边表示实体之间的关系。通过将模型、作者、关键词、场景等及其属性映射到知识图谱中，可构建起丰富的语义网络，为可解释的推荐奠定基础。然而，传统基于知识图谱的推荐方法大多采用知识图谱嵌入技术，将实体与关系转化为低维稠密向量并以向量相似度作为推荐依据。该方法虽能捕获部分语义关联，却损失了图结构的显式关系与推理路径，使推荐过程退化为不可解释的黑盒匹配。

4、为此，亟需一种既能充分利用知识图谱语义与结构信息，又能提供透明、可解释推荐依据，并可动态适应用户偏好的地理分析模型推荐方法。

技术实现思路

1、本发明针对现有技术存在的问题，而提出了基于地理分析模型知识图谱的模型推荐方法及系统。

2、本发明采用的技术手段如下：

3、一种基于地理分析模型知识图谱的模型推荐方法，包括以下步骤：

4、步骤1、采用地理分析模型实体识别模型对接受到的包含用户输入的模型需求文本的地理分析模型查询请求进行地理特征关键词提取，并对提取的每个所述地理特征关键词设置注意力权重；

5、步骤2、将提取获得的每个所述地理特征关键词输入至地理分析模型知识图谱中并进行节点多维度匹配，获得地理分析模型知识图谱中与所述地理特征关键词对应的种子模型节点；

6、步骤3、在所述地理分析模型知识图谱中，分别以每个所述种子模型节点为节点进行传播扩散获取多个地理分析模型涟漪集，并分别对每个所述地理分析模型涟漪集进行传播分数计算获得每个所述地理分析模型涟漪集的传播分数；

7、步骤4、对多个所述地理分析模型涟漪集按传播分数进行排序，选取设定数量的多个高传播分数的所述地理分析模型涟漪集中的地理分析模型形成推荐列表，并生成地理分析模型的传播路径；

8、步骤5、基于所述传播路径和所述推荐列表，采用大语言模型生成全链路可解释的个性化自然语言推荐理由。

9、进一步地，所述步骤1还包括将提取的所述地理特征关键词进行分类处理，生成地理分析模型关键词、模型术语关键词以及模型元数据词汇；

10、当所述地理特征关键词属于地理分析模型关键词时，由所述地理特征关键词输入至所述地理分析模型知识图谱中并进行节点多维度匹配获得种子模型节点，并由所述种子模型节点获得的地理分析模型为直接匹配地理分析模型；

11、当所述地理特征关键词属于模型术语关键词或模型元数据词汇时，由所述地理特征关键词输入至所述地理分析模型知识图谱中并进行节点多维度匹配获得种子模型节点，并由所述种子模型节点获得的地理分析模型为间接匹配地理分析模型。

12、进一步地，所述地理分析模型涟漪集的传播分数计算如下：

13、 （1）

14、其中，表示地理分析模型的传播分数；

15、表示命中模型的不同关键词个数；

16、表示被扩散到的地理分析模型；

17、表示地理分析模型关键词的初始注意力权重，取值为[0，1]；

18、表示跳数衰减因子，取值范围为(0，1)；

19、表示从地理特征关键词为对应的种子模型节点出发到当前节点的传播跳数，为非负整数；当

h=0时代表直接匹配；当

h≥1时代表经过

h次关系传播；

20、表示知识图谱中两个节点之间的关系类型，是一个枚举值；

21、表示关系类型

r的传播权重，为一个非负实数，取值在 [0，1]之间；

22、表示关键词数量奖励系数。

23、进一步地，所述地理分析模型知识图谱包含模型中文全称节点、模型中文简称节点、模型英文全称节点、模型英文简称节点、目的节点、模型分类信息、关键词节点、模型适用范围信息节点、研发者信息节点、分发者信息节点、发布日期节点、模型参考系信息节点、模型性能信息节点、模型耦合信息节点、模型运行硬件条件节点、模型运行软件条件节点以及节点之间的关联关系；

24、当所述地理特征关键词属于地理分析模型关键词时，将提取获得的所述地理特征关键词输入至地理分析模型知识图谱中并进行节点多维度匹配包括：将每个所述地理特征关键词分别与所述地理分析模型知识图谱中的模型中文全称节点、模型中文简称节点、模型英文全称节点、模型英文简称节点进行相似度计算，获取与每个规范模型名称匹配度最高的图谱直接模型节点；

25、当所述地理特征关键词属于模型术语关键词时，将提取获得的所述地理特征关键词输入至地理分析模型知识图谱中并进行节点多维度匹配包括：将每个所述地理特征关键词分别与所述地理分析模型知识图谱中的目的节点、模型分类信息、关键词节点、模型适用范围信息节点进行匹配，作为种子节点参与扩散；

26、当所述地理特征关键词属于模型元数据词汇时，将提取获得的所述地理特征关键词输入至地理分析模型知识图谱中并进行节点多维度匹配包括：将每个所述地理特征关键词分别与所述地理分析模型知识图谱中研发者信息节点、分发者信息节点、发布日期节点、模型参考系信息节点、模型性能信息节点、模型耦合信息节点、模型运行硬件条件节点、模型运行软件条件节点对应，作为种子节点参与扩散。

27、进一步地，还包括获取用户历史需求偏好，并根据所述用户历史需求偏好设置所述地理特征关键词设置注意力权重。

28、根据用于本技术所述的基于地理分析模型知识图谱的模型推荐方法的系统，包括：

29、查询解析模块，用于接受到的包含用户输入的模型需求文本的地理分析模型查询请求，采用地理分析模型实体识别模型对所述模型需求文本进行地理特征关键词提取，并对提取的每个地理特征关键词设置注意力权重；

30、知识图谱处理模块，用于将提取获得的每个所述地理特征关键词输入至地理分析模型知识图谱中并进行节点多维度匹配，获得地理分析模型知识图谱中与所述地理特征关键词对应的种子模型节点；

31、推荐引擎模块，用于在所述地理分析模型知识图谱中，分别以每个所述种子模型节点为节点进行传播扩散获取多个地理分析模型涟漪集，并分别对每个所述地理分析模型涟漪集进行传播分数计算获得每个所述地理分析模型涟漪集的传播分数；

32、排序输出模块，用于对多个所述地理分析模型涟漪集按传播分数进行排序，选取设定数量的多个高传播分数的所述地理分析模型涟漪集中的地理分析模型形成推荐列表，并生成地理分析模型的传播路径；

33、可解释性生成模块，用于基于所述传播路径和所述推荐列表，采用大语言模型生成全链路可解释的个性化自然语言推荐理由。

34、进一步地，所述查询解析模块还用于将提取的所述地理特征关键词进行分类处理，生成地理分析模型关键词、模型术语关键词以及模型元数据词汇；

35、当所述地理特征关键词属于地理分析模型关键词时，由所述地理特征关键词输入至所述地理分析模型知识图谱中并进行节点多维度匹配获得种子模型节点，并由所述种子模型节点获得的地理分析模型为直接匹配地理分析模型；

36、当所述地理特征关键词属于模型术语关键词或模型元数据词汇时，由所述地理特征关键词输入至所述地理分析模型知识图谱中并进行节点多维度匹配获得模型元数据节点，进一步扩散得到种子模型节点，并由所述种子模型节点获得的地理分析模型为间接匹配地理分析模型。

37、进一步地，所述推荐引擎模块对每个所述地理分析模型涟漪集进行传播分数计算获得每个所述地理分析模型涟漪集的传播分数如下：

38、 （2）

39、其中，表示地理分析模型的传播分数；

40、表示命中模型的不同关键词个数；

41、表示被扩散到的地理分析模型；

42、表示地理分析模型关键词的初始注意力权重，取值为[0，1]；

43、表示跳数衰减因子，取值范围为(0，1)；

44、表示从地理特征关键词为对应的种子模型节点出发到当前节点的传播跳数，为非负整数；当

h=0时代表直接匹配；当

h≥1时代表经过

h次关系传播；

45、表示知识图谱中两个节点之间的关系类型，是一个枚举值；

46、表示关系类型

r的传播权重，为一个非负实数，取值在 [0，1]之间；

47、表示关键词数量奖励系数。

48、进一步地，所述地理分析模型知识图谱包含模型中文全称节点、模型中文简称节点、模型英文全称节点、模型英文简称节点、目的节点、模型分类信息、关键词节点、模型适用范围信息节点、研发者信息节点、分发者信息节点、发布日期节点、模型参考系信息节点、模型性能信息节点、模型耦合信息节点、模型运行硬件条件节点、模型运行软件条件节点以及节点之间的关联关系；

49、所述知识图谱处理模块用于将提取获得的每个所述地理特征关键词输入至地理分析模型知识图谱中并进行节点多维度匹配过程如下：

50、当所述地理特征关键词属于地理分析模型关键词时，将提取获得的所述地理特征关键词输入至地理分析模型知识图谱中并进行节点多维度匹配包括：将每个所述地理特征关键词分别与所述地理分析模型知识图谱中的模型中文全称节点、模型中文简称节点、模型英文全称节点、模型英文简称节点进行相似度计算，获取与每个规范模型名称匹配度最高的图谱直接模型节点；

51、当所述地理特征关键词属于模型术语关键词时，将提取获得的所述地理特征关键词输入至地理分析模型知识图谱中并进行节点多维度匹配包括：将每个所述地理特征关键词分别与所述地理分析模型知识图谱中的目的节点、模型分类信息、关键词节点、模型适用范围信息节点进行匹配，作为种子节点参与扩散；

52、当所述地理特征关键词属于模型元数据词汇时，将提取获得的所述地理特征关键词输入至地理分析模型知识图谱中并进行节点多维度匹配包括：将每个所述地理特征关键词分别与所述地理分析模型知识图谱中研发者信息节点、分发者信息节点、发布日期节点、模型参考系信息节点、模型性能信息节点、模型耦合信息节点、模型运行硬件条件节点、模型运行软件条件节点对应，作为种子节点参与扩散。

53、与现有技术比较，本发明公开的基于地理分析模型知识图谱的模型推荐方法及系统具有以下有益效果：

54、1、本发明公开的基于地理分析模型知识图谱的模型推荐方法通过将用户查询解析为多个地理特征关键词，并分别以每个地理特征关键词为起点在知识图谱中进行水波扩散，最终综合多个关键词的扩散结果对模型进行评分。这种多源交叉扩散机制能够充分利用知识图谱中的结构化信息，捕捉模型与用户需求之间多维度、多路径的关联，相比传统的单一向量检索或基于图随机游走的方法，显著提高了推荐结果的准确性和鲁棒性。

55、2、本发明在扩散过程中，动态调整不同关系路径的传播强度，该机制使得与用户查询语义上更相近的节点获得更高的传播增益，而语义无关的节点被有效抑制，从而在不增加训练数据的情况下，实现了关系权重的自适应优化，增强了模型对自然语言查询的理解能力。

56、3、本发明不仅输出推荐模型列表，还提供每个模型的总分分解（展示每个关键词的贡献分以及关键词数量奖励），并可为排名靠前的模型自动生成自然语言推荐说明（通过调用大语言模型）。此外，还生成从关键词到推荐模型的最短路径，用户通过可视化验证推荐依据。这些可解释性设计极大增强了用户对推荐结果的信任度，也便于开发者诊断和优化模型。

57、4、本发明基于通用的知识图谱表示和关系扩散算法，不依赖特定领域的数据格式或规则。只需替换知识图谱中的节点类型和关系定义，即可应用于商品推荐、文献推荐、专家发现等多种场景，具有良好的跨领域迁移能力。