一种食品供应链大模型知识图谱标识治理解析系统及方法与流程

本发明涉及食品供应链标识解析、知识图谱构建及供应链数据治理，具体涉及一种食品供应链大模型知识图谱标识治理解析系统及方法。

背景技术：

1、当前食品供应链标识解析体系已全面覆盖食品原材料、半成品、成品、冷链仓储、物流流转、质量检测全链条，依托标识技术实现食品全流程溯源管控，是食品安全监管、供应链风险管控的重要基础。

2、现有标识解析与治理技术仍存在诸多关键技术缺陷。首先，传统食品供应链标识编码、匹配、注册流程高度依赖人工参与，食材、加工、冷链物流各类业务数据格式杂乱，需人工甄别实体类型、定制编码模板、完成标识绑定注册，存在人力成本高、落地效率低、标准化程度差的问题，无法满足食品供应链海量食材、货品规模化入网治理需求。

3、其次，现有食品供应链标识风控体系智能化程度低，多采用固定规则硬校验模式，仅可识别格式错误等基础异常，无法甄别伪造食品标识、无效标识、恶意批量注册、高频爬虫扫描、越权异常解析等复杂风险行为，易造成虚假标识入网、标识数据泄露、解析链路拥堵等安全隐患，食品标识体系可信性与稳定性不足。

4、最后，传统食品标识解析交互门槛高，需用户熟练掌握专业编码规则、标准化检索指令与平台操作流程，普通业务人员、监管人员无法快速完成标识溯源与数据查询，人机交互适配性差，导致标识数据利用率低。

5、除此之外，现有人工智能赋能食品供应链标识治理的技术方案普遍存在模块分工模糊、算法模型静态固化、参数无法迭代、判定逻辑单一、公式严谨性不足等问题，模型泛化能力弱、场景适配性差、长期运维成本高，缺乏面向食品供应链的自学习、自优化、自适配的闭环进化能力。

技术实现思路

1、本发明的目的是提供一种食品供应链大模型知识图谱标识治理解析系统及方法，以解决现有技术中的食品供应链人工治理成本高、风控能力弱、交互门槛高、模型固化不可迭代、逻辑自洽性差、算法严谨性不足的技术问题。

2、为解决上述问题，本发明公开了一种食品供应链大模型知识图谱标识治理解析系统，包括：大模型语义处理模块、知识图谱存储与图计算模块、标识异常智能风控模块、自然语言解析交互模块以及算法自适应迭代调优模块；

3、所述大模型语义处理模块，用于执行实体识别、语义抽取、意图理解和关系标注的语义层处理操作，输出标准化实体关系三元组；

4、所述知识图谱存储与图计算模块，用于接收所述大模型语义处理模块输出的标准化实体关系三元组，执行三元组结构化存储、节点链路管理、图遍历查询以及关联关系校验处理，构建面向食品供应链的标识知识图谱；

5、所述标识异常智能风控模块，用于针对食品供应链标识执行异常识别处理，并输出对应的风险管控结果；

6、所述自然语言解析交互模块，用于接收用户输入的自然语言查询，完成语义处理，将用户的自然语言查询转换为标准化标识解析指令，调用所述知识图谱存储与图计算模块获取查询结果，并将查询结果反馈至用户；

7、所述算法自适应迭代调优模块，用于基于系统运行过程中产生的运行样本，完成模型权重、判定阈值、特征权重的动态迭代优化。

8、优选的，所述大模型语义处理模块为经过行业微调的大模型；所述大模型语义处理模块融合多体系标识标准、行业业务规范与场景适配需求，自适应handle、oid、ecode多体系规范，智能生成层级化、标准化的标识编码模板；针对食品供应链场景下的结构化、半结构化、非结构化异构数据，通过实体识别、属性抽取、类型判定，自动匹配最优编码模板，完成实体供应链实体唯一标识自动生成、属性信息自动录入、解析节点自动注册，实现食品供应链实体无感赋码、自动入网；并对全网食品供应链标识数据执行语义关系抽取与属性标注处理，输出标准化实体关系三元组；

9、所述大模型语义处理模块中设有标识编码自适应评分模型以及异构实体分类匹配概率模型；所述标识编码自适应评分模型计算公式为：

10、；

11、式中，为编码规则综合适配得分；为多标识体系标准合规得分；为行业场景适配得分；为实体类型属性匹配得分；为动态权重系数，动态权重系数由算法自适应迭代调优模块实时更新；

12、所述异构实体分类匹配概率模型计算公式为：

13、；

14、式中，为实体多维特征向量；为第i类实体编码模板类别；为实体匹配对应模板的后验概率；所述大模型语义处理模块选取最大后验概率所对应的模板完成自动赋码注册。

15、优选的，所述知识图谱存储与图计算模块构建标识知识图谱，所述标识知识图谱的节点覆盖食品原材料、食材半成品、食品成品、加工工单、冷链仓储、食品物流、食品质量检测记录全类型食品供应链实体标识；所述标识知识图谱的节点边关系包括实体从属、时序流转、运维关联、供应链上下游和业务耦合多维关联关系；针对标识全生命周期变更场景，所述知识图谱存储与图计算模块采用逻辑删除、时间戳失效的管理机制；当标识发生注销、报废、停用、变更时，不对历史节点与关联链路进行物理删除，仅标记失效时间戳，留存历史溯源与审计数据，并为新业务实体生成全新图谱节点；所述知识图谱存储与图计算模块基于所述大模型语义处理模块输出的标准化实体关系三元组，使图谱节点与边关系的实时增量更新；所述知识图谱存储与图计算模块中设有标识实体关联度计算模型；所述标识实体关联度计算模型计算公式为：

16、；

17、式中，为两标识实体的业务关联度；为时序相似度；为业务语义相似度；为链路层级相似度；为归一化权重系数。

18、优选的，所述标识异常智能风控模块构建食品供应链标识真实性静态检测与用户行为动态检测相结合的双维度异常识别体系，并执行分级融合判定策略；所述标识真实性静态检测校验单条食品供应链标识本身的合规性与真实性，结合编码规范、实体关联关系、数据源可信度综合判定标识是否为无效、伪造、违规标识；所述用户行为动态检测实时监测食品供应链标识注册、解析访问行为，甄别批量注册、高频扫描、爬虫遍历、异常跨域访问的恶意行为；所述分级融合判定策略包括：当标识真实性异常评分与行为异常评分双维度评分均超出对应阈值时，判定为高危恶意行为，所述标识异常智能风控模块直接拦截注册或者解析请求、冻结操作主体并上报告警；当仅单一维度评分超出对应阈值时，判定为疑似异常，执行限流管控、日志留存并推送人工复核，不直接中断业务；当双维度评分均低于阈值时，判定为正常请求，直接放行流转。

19、优选的，所述标识异常智能风控模块中设有标识真实性容错评分模型与行为异常归一化评分模型；所述标识真实性容错评分模型计算公式为：

20、；

21、式中，为标识异常置信度；为数据源可信因子，用于对可信白名单注册数据弱化关联度惩罚；为实体生命周期成熟度因子，用于对新注册实体降低关联校验权重；为维度权重系数；

22、所述行为异常归一化评分模型计算公式为：

23、；

24、式中，为单位时间请求频率；为请求标识离散度；为频率统计均值与标准差；为离散度统计均值与标准差。

25、优选的，所述自然语言解析交互模块用于构建语义歧义消解与交互式信息补全机制；

26、所述自然语言解析交互模块对用户输入的食品溯源相关自然语言查询语句执行意图识别、关键词抽取与语义匹配，当语义匹配度低于预设阈值时，自动判定查询语句存在信息缺失或者语义歧义，主动触发交互式澄清，提示用户补充时间范围、实体类型、批次信息、业务链路等缺失字段，同时输出排名前k个高匹配的候选解析任务供用户选择确认；语义匹配通过后，将自然语言需求自动转换为标准化标识解析指令，调用所述知识图谱存储与图计算模块的知识图谱图查询接口，聚合食品供应链实体全链路关联数据，生成结构化、可视化的查询结果反馈至用户；

27、所述自然语言解析交互模块中设有自然语言语义映射匹配模型，所述自然语言语义映射匹配模型计算公式为：

28、；

29、式中，为语义匹配度；为用户意图识别准确率；为文本语义向量相似度；为核心关键词匹配度；为权重系数。

30、优选的，所述算法自适应迭代调优模块用于执行离线批量优化、动态阈值更新、增量学习和正负样本反馈闭环处理；

31、所述算法自适应迭代调优模块采用天级离线批量梯度下降迭代方式更新各模型权重向量，配置自适应学习率与各模型专属损失函数；基于食品供应链业务数据流时序分布特征动态更新判定阈值；持续采集新增食品实体类型、新型食品供应链业务场景、新型风险行为、多样化查询句式以构建增量样本池，通过增量微调方式完成模型参数更新；归集人工复核后的误判、漏判、错匹配样本，形成监督学习闭环，反向优化模型权重、语义向量空间与风险特征库。

32、优选的，所述算法自适应迭代调优模块采用梯度下降权重自适应迭代，所述梯度下降权重自适应迭代所使用的迭代公式为：

33、；

34、式中，为当前权重向量；为自适应学习率；为损失函数梯度；为迭代更新后权重；

35、编码适配模型以为损失函数；知识关联模型以为损失函数；异常风控模型以为损失函数；语义映射模型以语义向量余弦距离为损失函数。

36、优选的，所述算法自适应迭代调优模块用于执行动态阈值自适应更新，所述动态阈值自适应更新所使用的计算公式为：

37、；

38、式中，为时序平滑系数；为近期正常样本数据分布均值；、分别为更新前后的判定阈值，所述算法自适应迭代调优模块通过所述计算公式完成自适应平衡，在业务高峰时段采用宽松阈值保障业务通行，在静默时段采用严格阈值保障系统安全。

39、本技术还公开了一种食品供应链大模型知识图谱标识治理解析方法，包括：

40、s1：多源异构食品供应链业务数据与用户查询数据接入上述所述的系统，完成数据清洗与格式归一化预处理；

41、s2：将经过预处理之后的数据送入所述大模型语义处理模块，完成语义抽取、实体分类、编码匹配以及标准化实体关系三元组的输出；

42、s3：将标准化实体关系三元组写入所述知识图谱存储与图计算模块，完成结构化存储与组网处理；

43、s4：调用所述标识异常智能风控模块完成食品供应链标识真实性与用户行为异常检测，通过融合决策机制实现风险管控；

44、s5：用户自然语言查询经所述自然语言解析交互模块进行歧义消解与语义映射转换为标准化标识解析指令，调用知识图谱图查询能力聚合食品供应链实体全链路关联数据并反馈至用户；

45、s6：全流程运行日志沉淀为迭代样本，输送至所述算法自适应迭代调优模块，离线算法调优与增量学习，实现所述系统能力的持续迭代升级。

46、有益效果：

47、与现有技术相比较，本发明具有如下有益效果：

48、第一，本技术通过大模型语义处理模块，替代传统食品供应链场景人工编码、匹配、注册操作，大幅降低人力运维成本，可满足食品供应链海量货品实体规模化入网治理，可自适应handle、oid、ecode多标识体系以及食品企业私有业务规则，满足多品类食品供应链异构标识的统一管控需求。

49、第二，本技术通过标识真实性静态检测与用户行为动态检测双维度异常识别，结合分级融合判定策略，同时引入容错修正逻辑，彻底解决了传统风控模式误检、漏检、判定冲突的问题，能够有效拦截伪造标识、恶意批量注册、异常解析扫描等风险行为，全面提升食品供应链标识解析体系的安全性与稳定性。

50、第三，本技术通过知识图谱存储与图计算模块采用逻辑删除加时间戳失效的管理机制，在满足食品供应链标识全生命周期动态更新的同时，完整留存食品全链条历史业务数据，满足食品安全审计、质量追溯、责任认定的实际业务需求。

51、第四，本技术通过自然语言解析交互模块的语义歧义消解、交互式字段补全与候选任务推荐机制，解决口语化食品查询语义模糊、信息不全的现实问题，实现无专业门槛的普惠式食品标识查询，显著提升标识数据利用率。

52、第五，本技术通过算法自适应迭代调优模块实现权重梯度迭代、动态阈值调优、增量学习与正负样本反馈闭环优化，打破传统算法模型静态固化的局限；可以跟随业务场景、数据分布、风险类型的变化持续优化模型精度，场景泛化能力与长期运维稳定性得到大幅提升。