一种大宗商品知识图谱构建方法、装置、设备及可读存储介质与流程

本技术涉及计算机，特别是涉及一种大宗商品知识图谱构建方法、装置、设备及可读存储介质。

背景技术：

1、知识图谱可以针对大宗商品进行供应链分析、价格预测等应用提供支撑。但是，现有的大宗商品知识图谱构建方法，通常采用单一模态或简单的多模态拼接策略，且实体的对齐、消歧和链接等处理，主要依赖人工规则或需要大量标注数据，难以覆盖复杂的命名惯例和快速涌现的新商品类型。

2、综上所述，如何有效地构建大宗商品知识图谱，是目前本领域技术人员急需解决的技术问题。

技术实现思路

1、本技术的目的是提供一种大宗商品知识图谱构建方法、装置、设备及可读存储介质，解决了知识图谱在构建过程中，多源异构数据处理能力不足、新商品适应性差等技术问题。

2、为解决上述技术问题，本技术提供如下技术方案：

3、一种大宗商品知识图谱构建方法，包括：

4、从大宗商品领域的原始数据中识别各实体及其所属的商品类型，并针对每个实体对其各模态数据分别编码，得到各模态特征向量；

5、根据所述实体所属的商品类型与当前处理类型确定各模态的融合权重，利用所述融合权重对所述各模态特征向量进行跨模态融合与语义对齐，得到所述实体的实体向量表示；

6、基于各实体之间的关联关系构建大宗商品知识图谱，以所述实体向量表示作为节点特征，在所述知识图谱上进行预训练，得到图结构信息增强后的优化实体向量表示；

7、从所述大宗商品知识图谱中选取待处理的第一实体与第二实体，基于所述第一实体对应的第一优化实体向量表示和所述第二实体对应的第二优化实体向量表示，按照所述当前处理类型对所述第一实体与所述第二实体进行处理，并根据处理结果更新所述大宗商品知识图谱。

8、优选地，在所述知识图谱上进行预训练，包括：

9、通过实体间对比学习对负样本按照实体间的关系类型进行差异化加权；其中同类商品关系和替代品关系对应的负样本权重低于互补品关系和无关商品关系对应的负样本权重；

10、对掩码实体预测损失、链接预测损失和供应链路径预测损失进行加权求和以得到多任务结构损失，并利用所述多任务结构损失学习图结构信息；

11、对商品分类约束、价格相关性约束和地理邻近约束进行加权求和以得到领域知识约束损失，并利用所述领域知识约束损失对实体向量表示进行约束。

12、优选地，基于各实体之间的关联关系构建大宗商品知识图谱之前，还包括：

13、基于商品间的物理属性相似度、市场特征相似度和供应链相似度计算综合相似度；

14、根据所述综合相似度从已有商品中确定与目标商品相似度最高的若干参考商品；

15、获取所述参考商品的样本数据作为支持集，以所述支持集对所述目标商品对应的各模态特征向量的生成过程进行参数调整，使所述目标商品的多模态融合编码适配所述目标商品的商品类型。

16、优选地，对所述第一实体与所述第二实体进行处理，包括：

17、由规则引导层按照预设规则集合对所述第一实体与所述第二实体进行匹配；

18、若匹配成功则根据匹配结果确定所述第一实体与所述第二实体的处理结果；若未匹配则转入概率推理层；

19、利用所述概率推理层提取所述第一实体与所述第二实体的特征向量，分别输入不同模型，将不同模型的预测结果加权融合，输出处理概率和置信度；

20、当所述概率推理层输出的置信度低于预设阈值时，利用大模型语义层进行推理，输出包含证据链的处理结果。

21、优选地，当所述概率推理层输出的置信度低于预设阈值时，利用大模型语义层进行推理，输出包含证据链的处理结果，包括：

22、根据当前处理类型从商品知识库中检索相关知识，将检索到的知识嵌入输入提示中构建增强提示；

23、将所述增强提示按照思维链模板进行组织，调用经领域微调后的大语言模型生成推理响应；

24、从所述推理响应中提取包括思考过程、结论、置信度和关键证据字段的结构化推理结果；

25、将所述推理响应和所述结构化推理结果存储至案例库，以对所述大语言模型进行持续优化。

26、优选地，根据所述实体所属的商品类型与当前处理类型确定各模态的融合权重，包括：

27、将所述实体所属的商品类型和所述当前处理类型输入预测器网络，以得到所述预测器网络计算后输出各模态的融合权重。

28、优选地，跨模态融合与语义对齐，包括：

29、以每一模态的特征向量作为查询，以其他模态的特征向量作为键和值，计算该模态对其他模态的注意力权重；

30、根据所述注意力权重聚合其他模态的特征信息；

31、通过模态间对比学习，以同一实体的不同模态特征向量作为正样本、以不同实体的模态特征向量作为负样本，拉近正样本之间的距离并推远负样本之间的距离。

32、一种大宗商品知识图谱构建装置，包括：

33、数据获取与实体识别模块，用于从大宗商品领域的原始数据中识别各实体及其所属的商品类型，并针对每个实体对其各模态数据分别编码，得到各模态特征向量；

34、多模态融合编码模块，用于根据所述实体所属的商品类型与当前处理类型确定各模态的融合权重，利用所述融合权重对所述各模态特征向量进行跨模态融合与语义对齐，得到所述实体的实体向量表示；

35、知识图谱构建与预训练模块，用于基于各实体之间的关联关系构建大宗商品知识图谱，以所述实体向量表示作为节点特征，在所述知识图谱上进行预训练，得到图结构信息增强后的优化实体向量表示；

36、实体处理与更新模块，用于从所述大宗商品知识图谱中选取待处理的第一实体与第二实体，基于所述第一实体对应的第一优化实体向量表示和所述第二实体对应的第二优化实体向量表示，按照所述当前处理类型对所述第一实体与所述第二实体进行处理，并根据处理结果更新所述大宗商品知识图谱。

37、一种电子设备，包括：

38、存储器，用于存储计算机程序；

39、处理器，用于执行所述计算机程序时实现上述大宗商品知识图谱构建方法的步骤。

40、一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述大宗商品知识图谱构建方法的步骤。

41、应用本技术实施例所提供的方法，从大宗商品领域的原始数据中识别各实体及其所属的商品类型，并针对每个实体对其各模态数据分别编码，得到各模态特征向量；根据实体所属的商品类型与当前处理类型确定各模态的融合权重，利用融合权重对各模态特征向量进行跨模态融合与语义对齐，得到实体的实体向量表示；基于各实体之间的关联关系构建大宗商品知识图谱，以实体向量表示作为节点特征，在知识图谱上进行预训练，得到图结构信息增强后的优化实体向量表示；从大宗商品知识图谱中选取待处理的第一实体与第二实体，基于第一实体对应的第一优化实体向量表示和第二实体对应的第二优化实体向量表示，按照当前处理类型对第一实体与第二实体进行处理，并根据处理结果更新大宗商品知识图谱。

42、从大宗商品领域的原始数据中识别出各实体及其所属商品类型，并对各模态数据分别编码，为后续差异化融合提供了针对不同商品类型的数据基础。由于根据实体所属商品类型与当前处理类型自适应确定各模态融合权重，并利用该权重对各模态特征向量进行跨模态融合与语义对齐，使多源异构数据在统一向量空间中对齐。与此同时，实体向量表示能够根据处理场景动态侧重不同模态信息，实现了多源异构数据的自适应融合。如此，基于各实体之间的关联关系构建知识图谱，并以已生成的实体向量表示作为节点特征在该知识图谱上进行预训练，实体向量表示在原有模态信息基础上进一步融入图结构信息。即，优化后的实体向量表示能够同时反映实体自身属性及其在知识图谱中的位置和关联关系。在此基础上，从知识图谱中选取待处理实体并基于各自的优化实体向量表示进行处理，且将处理结果反馈更新至该知识图谱，形成从构建到处理再到更新的完整闭环。

43、即，本技术通过自适应多模态融合与图结构增强预训练的协同作用，使知识图谱在构建过程中持续优化，有效解决了现有技术中多源异构数据处理能力不足、新商品适应性差等技术问题。

44、相应地，本技术实施例还提供了与上述大宗商品知识图谱构建方法相对应的大宗商品知识图谱构建装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。