一种多维逻辑规则智能挖掘方法和系统

本发明属于人工智能、制造知识图谱和知识推理，具体涉及一种面向制造知识图谱自我精化的多维逻辑规则智能挖掘方法和系统。

背景技术：

1、大型制造企业在产品设计、工艺规划、生产制造、质量控制、设备运维、供应协同和客户服务等业务环节中持续积累大量领域知识。制造知识图谱能够将分散在不同业务系统和知识载体中的制造知识组织为实体、关系和三元组形式，为知识检索、知识推理和业务决策提供支撑。随着制造知识持续更新和业务场景不断扩展，原始制造知识图谱中仅显式存储的实体、属性和关系难以充分满足复杂制造任务对隐含知识调用的需求，因而需要对制造知识图谱进行持续精化和补全。

2、针对知识图谱精化问题，现有一些研究利用符号规则挖掘、关联规则分析和局部路径搜索等方法，从知识图谱中归纳可解释的逻辑规则。例如，部分方法基于局部封闭世界假设或频繁子图挖掘技术搜索高频共现路径，进而生成候选规则；也有方法将一阶逻辑、常量规则或关系路径组合引入知识图谱补全过程，以提升新增三元组的可解释性。此类方法能够在规则形式清晰的场景中发挥作用，但面对制造知识图谱中大量实体、复杂关系和长尾知识时，候选搜索空间往往快速扩大，挖掘效率和规则覆盖范围受到限制。

3、还有一些研究采用深度学习和表示学习方法进行知识图谱推理补全。此类方法通常将实体和关系嵌入低维向量空间，或通过图神经网络、循环神经网络、强化学习等模型学习路径特征和规则模式，用于预测潜在关系。然而，制造企业知识具有跨工序、跨产品、跨设备和跨业务环节耦合的特点，且在细分制造领域中常常缺少大量高质量标注样本，导致模型泛化能力受到影响。此外，纯表示学习得到的补全结果通常难以直接说明新增知识由哪些制造事实和逻辑规则推导而来。

4、近几年大语言模型具有较强的自然语言理解、语义推理和零样本迁移能力，为制造知识图谱中的高阶规则发现提供了新的技术手段。大语言模型能够理解制造文本中的专业语义，也能够根据给定图谱三元组和关系集合推断候选规则头。然而，如果直接将大规模制造知识图谱输入大语言模型进行端到端规则推断，一方面会造成候选规则组合数量过大和推理成本过高，另一方面会因缺少图谱结构约束而增加语义漂移和幻觉输出风险。

5、上述方法在处理制造知识图谱自我精化时仍存在不足：一是规则类型多集中于互逆关系或简单传递关系，难以覆盖复合实体、层级结构、二跳上下文和并行协同关系；二是缺少面向不同规则类型的候选规则体压缩机制，难以控制大规模图谱中的候选数量；三是大语言模型推断结果缺少结构支持和领域语义联合验证，容易产生低质量规则；四是新增制造知识三元组难以与规则体、规则头和置信度形成可追溯闭环。因此，需要一种能够同时完成多维规则定义、候选规则体生成、大语言模型规则头推断、混合置信度评价和图谱更新的智能挖掘方法。

技术实现思路

1、为解决现有技术中制造知识图谱隐含关系类型覆盖不足、候选规则搜索空间过大、大语言模型直接推理可靠性不足以及图谱难以持续精化等问题，本发明提供一种面向制造知识图谱自我精化的多维逻辑规则智能挖掘方法和系统。

2、一种多维逻辑规则智能挖掘方法，包括如下步骤：

3、步骤s1：获取原始制造知识图谱，对所述原始制造知识图谱中的制造知识实体、制造知识关系和制造知识三元组进行结构化表示与规范化处理，得到实体集合、关系集合和已观测制造知识事实三元组集合；

4、步骤s2：基于预设的多维逻辑规则模式，对所述原始制造知识图谱进行候选规则体生成，分别得到对称性规则候选规则体、传递性规则候选规则体、层级传播规则候选规则体、横向关联规则候选规则体和并行关联规则候选规则体；

5、步骤s3：将候选规则体、制造领域信息、所述关系集合和对应的逻辑规则模式输入大语言模型，基于对应的提示策略推断候选规则头，得到候选逻辑规则；

6、步骤s4：对所述候选逻辑规则进行混合置信度评价，其中，基于原始制造知识图谱中规则体与规则头的结构支持情况计算客观置信度，基于大语言模型的多轮专家评价计算专家置信度和专家评分离散度，并根据所述客观置信度和所述专家置信度计算混合置信度；根据预设的置信度阈值和专家评分离散度阈值，对所述候选逻辑规则进行筛选，得到高置信逻辑规则；

7、步骤s5：将所述高置信逻辑规则作用于原始制造知识图谱，生成新增制造知识三元组，对所述新增制造知识三元组进行规范化、冲突检测、去重和合并，得到自我精化后的制造知识图谱。

8、进一步的，所述步骤s1包括如下步骤：

9、步骤s101，读取制造知识图谱中的节点、边及三元组数据，将制造对象、材料、工艺、设备、参数、性能、组织和产品统一表示为制造知识实体；

10、步骤s102，将实体间的属性、组成、使用、属于、影响、导致、产生、要求和关联的语义统一表示为制造知识关系；

11、步骤s103，将任意制造知识事实表示为由头实体、关系和尾实体构成的制造知识三元组；

12、步骤s104，对同义实体、同义关系、冗余空格、无效符号和重复三元组进行规范化处理，得到可用于逻辑规则挖掘的原始制造知识图谱。

13、进一步的，所述步骤s2中的对称性规则候选规则体生成包括如下步骤：

14、步骤s201，从所述关系集合中提取候选关系，并利用大语言模型识别候选关系中的互逆关系对和自对称关系；

15、步骤s202，基于识别出的互逆关系对和自对称关系，在原始制造知识图谱中匹配对应三元组，形成第一轮对称性规则候选规则体；

16、步骤s203，根据已经识别的高置信互逆关系对构造少样本示例，并将未匹配关系集合、关系语义和所述少样本示例输入大语言模型，识别潜在互逆关系对；

17、步骤s204，基于所述潜在互逆关系对生成第二轮对称性规则候选规则体，并与第一轮对称性规则候选规则体合并。

18、进一步的，所述步骤s2中的传递性规则候选规则体生成包括如下步骤：

19、步骤s211，在原始制造知识图谱中枚举连续三元组链，所述连续三元组链的后一三元组的头实体与前一三元组的尾实体相同；

20、步骤s212，根据预设的最小链长和最大链长控制候选三元组链的长度，并过滤包含重复实体的循环路径；

21、步骤s213，将满足链长约束和实体不重复约束的三元组链作为传递性规则候选规则体；

22、步骤s214，将所述传递性规则候选规则体、关系集合和制造领域信息输入大语言模型，推断路径首实体与路径尾实体之间的候选规则头。

23、进一步的，所述步骤s2中的层级传播规则候选规则体生成包括如下步骤：

24、步骤s221，根据制造实体文本中的数值单位、连接符、括号、成分编码、工艺流程词和组合结构，识别候选复合实体；

25、步骤s222，利用大语言模型将所述候选复合实体拆分为具有独立制造语义的子实体；

26、步骤s223，根据子实体长度、数值属性、单位属性、公差属性和领域语义完整性，对拆分得到的子实体进行过滤；

27、步骤s224，检索复合实体在原始制造知识图谱中的相邻三元组，构造由复合实体、有效子实体和外部相邻实体组成的层级传播规则候选规则体；

28、步骤s225，将所述层级传播规则候选规则体输入大语言模型，推断有效子实体与外部相邻实体之间的候选规则头。

29、进一步的，所述步骤s2中的横向关联规则候选规则体生成包括如下步骤：

30、步骤s231，复用层级传播规则挖掘过程中得到的有效复合实体和有效子实体；

31、步骤s232，获取所述有效复合实体的一跳邻域实体，并在所述一跳邻域实体基础上扩展得到二跳邻域实体；

32、步骤s233，基于预设关系白名单过滤第二跳关系，得到符合制造领域语义的二跳候选三元组链；

33、步骤s234，构造由有效子实体、复合实体、一跳邻域实体和二跳邻域实体组成的横向关联规则候选规则体；

34、步骤s235，将所述横向关联规则候选规则体输入大语言模型，推断有效子实体与二跳邻域实体之间的候选规则头。

35、进一步的，所述步骤s2中的并行关联规则候选规则体生成包括如下步骤：

36、步骤s241，在原始制造知识图谱中枚举共享同一中心实体的三元组对；

37、步骤s242，根据中心实体在两条三元组中的位置，将共享中心实体的三元组对划分为同源并行结构和同效并行结构；

38、步骤s243，检测两条三元组中的非中心实体之间是否存在显式关系；

39、步骤s244，对于存在显式关系的并行结构，将其作为可计算客观置信度的候选规则；对于不存在显式关系的并行结构，将其作为待推断候选规则体；

40、步骤s245，将高置信已有并行规则作为少样本示例，与待推断候选规则体共同输入大语言模型，推断非中心实体之间的候选规则头。

41、进一步的，所述步骤s3中，大语言模型推断候选规则头的提示策略包括提示策略的身份定位、提示策略的任务描述、提示策略的注意事项和提示策略的输出规范；其中，提示策略的身份定位用于限定大语言模型为制造知识图谱逻辑规则挖掘专家；提示策略的任务描述用于限定大语言模型基于候选规则体和逻辑规则模式推断候选规则头；提示策略的注意事项用于限定大语言模型不得修改输入规则体、不得输出重复规则头、优先从已有关系集合中选择规范关系并根据实体语义确定规则头方向；提示策略的输出规范用于限定大语言模型以结构化格式输出规则类型、规则体、规则头和推断依据。

42、进一步的，所述步骤s4包括如下步骤：

43、步骤s401，统计候选逻辑规则的规则体在原始制造知识图谱中的出现次数，以及规则体和规则头同时成立的次数，计算客观置信度；

44、步骤s402，利用大语言模型从逻辑合理性、领域适用性、语义一致性和应用价值四个维度对候选逻辑规则进行多轮评分，计算专家置信度；

45、步骤s403，计算多轮专家评分的标准差，得到专家评分离散度；

46、步骤s404，根据客观置信度和专家置信度的加权结果得到混合置信度；

47、步骤s405，当所述混合置信度不低于预设置信度阈值，且所述专家评分离散度不高于预设离散度阈值时，将候选逻辑规则确定为高置信逻辑规则。

48、本发明还公开了一种多维逻辑规则智能挖掘系统，用于执行所述的多维逻辑规则智能挖掘方法，包括制造知识图谱获取与规范化模块、多维规则模式配置模块、候选规则体生成模块、大语言模型规则头推断模块、混合置信度评价模块、高置信规则筛选模块、制造知识三元组补全模块和制造知识图谱更新模块。

49、本发明的优势和有益效果在于：

50、第一，本发明从关系方向、路径结构、实体层级、邻域上下文和并列结构五个角度定义并挖掘多维逻辑规则，能够覆盖制造知识图谱中互逆语义、链式传递、宏微观层级、二跳上下文和共享中心结构等多种隐含知识补全场景。

51、第二，本发明并非将完整制造知识图谱直接输入大语言模型进行开放式推理，而是先利用图谱结构生成受约束的候选规则体，再由大语言模型执行规则头推断，能够降低推理负荷和幻觉输出风险。

52、第三，本发明通过链长控制、子实体过滤、两跳剪枝、关系白名单和共享中心实体配对等方式压缩候选规则空间，使多维规则挖掘能够适配工业级制造知识图谱。

53、第四，本发明同时利用图谱结构支持和大语言模型专家评分进行混合置信度评价，并以多轮专家评分离散度控制规则稳定性，提高了高置信逻辑规则筛选的可靠性。

54、第五，本发明生成的新增制造知识三元组能够追溯到相应候选规则体、规则头、置信度和推断依据，有利于制造知识图谱从静态知识存储向可自我精化的智能知识管控系统演进。