多源数据融合的动态知识图谱构建系统及方法与流程
本发明属于计算机大数据与人工智能,具体涉及多源异构工业数据融合、时序动态知识图谱构建、检索增强生成(rag)、图神经网络(gnn)增量学习及多业务智能体协同决策技术,适用于影像模组等高端制造企业全流程知识资产沉淀与智能辅助决策。
背景技术:
1、在现代制造业及多源数据应用场景中,企业积累了海量的多模态数据,包括客户需求数据、产品设计图纸、规格书、生产工艺参数、设备运行日志、维修记录等。这些数据分散存储于不同的业务系统、团队甚至个人手中,形成严重的知识孤岛问题。现有技术在处理这些数据时普遍面临以下挑战:
2、一、知识孤岛严重,数据难以协同
3、产品、研发、生产、市场等各环节的数据分散存储于不同系统中,跨部门信息检索、对齐和协同的沟通成本极高,效率低下。现有方案中,部分技术利用大语言模型构建多源知识图谱进行跨域数据查询,但此类方案聚焦于数据查询方法,未涉及知识图谱的动态更新机制与面向业务场景的智能体部署;另有方案基于工业大数据构建知识图谱,但未采用rag框架处理非结构化数据,知识推理依赖预设规则库而非大模型与知识图谱的协同。
4、二、模型难以自适应知识的时间演进
5、在知识持续演进的过程中,当新知识的有效时间超出已有知识的时间覆盖范围时,现有模型难以自适应地扩展其表示能力。现有的一些增量学习方法采用同一模型持续微调的方式更新模型参数,在拟合新数据分布的过程中会逐渐覆盖和遗忘旧知识,即存在灾难性遗忘问题。例如,相关方案中提出了动态专家混合的增量图学习方法,在gnn层为每个传入的数据块添加新的专家网络。然而,其触发条件是“数据块到达”这一数据驱动事件,而非基于知识的语义状态判断,缺乏对知识有效时间维度的感知能力。
6、三、智能体应用缺乏系统性的协同机制
7、现有知识图谱系统多聚焦于单一业务场景的智能化应用,缺乏覆盖全业务链路的多智能体协同架构。相关方案中提出了知识图谱引导的llm路由器,将多智能体问答转换为知识图谱引导的路由问题,但其路由基于语义相关性匹配,未考虑制造业等场景中业务环节的时间顺序约束,且缺乏智能体间链式传递中间推理结果和上下文状态的机制。
8、此外,现有技术中已有方案提出了“读-搜-验-构”的认知约束,但其搜索步骤基于语义相似度检索,未将知识的有效时间属性作为检索的核心约束条件,无法实现时间敏感的精准知识检索。
9、综上所述,上述方案均未涉及基于有效时间属性的知识图谱动态更新机制,或虽涉及动态专家混合的增量学习但其触发机制为“数据块到达”而非基于有效时间覆盖范围的语义判断,或虽涉及智能体路由与推理但未将知识有效时间作为路由或检索的核心约束,现有技术缺乏一个能够整合多源异构数据、管理知识有效时间、自适应知识演进并支持全业务链路智能决策的统一平台。
技术实现思路
1、本发明旨在解决现有技术中存在的上述问题,提供一种多源数据融合的动态知识图谱构建系统及方法。具体目的包括:
2、第一,提供一种能够整合多源异构数据并管理知识有效时间的知识图谱构建系统及方法,使每条知识携带其在现实世界中实际生效的时间区间信息,支持基于时间维度的精准知识检索与历史追溯。
3、第二,提供一种能够自适应知识时间演进的知识图谱动态更新机制及方法,当新增知识的有效时间超出已有知识的覆盖范围时,自动扩展模型容量以拟合新的数据分布,同时避免灾难性遗忘。
4、第三,提供一种覆盖多业务场景的多智能体协同架构及方法,实现智能体间的智能路由与链式协作,支持跨业务环节的复杂查询处理。
5、第四,提供一种基于用户隐式反馈的持续优化机制及方法,通过采集用户的修正操作自动优化检索策略和知识融合质量,形成自学习、自优化的闭环系统。
6、为实现上述目的,本发明采用如下技术方案:
7、本发明第一方面提供一种多源数据融合的动态知识图谱构建系统,包括:
8、数据层,用于整合多源异构数据;知识层,用于接收数据,进行实体识别、关系抽取和知识融合生成知识图谱,为每条知识标注有效时间属性,所述有效时间属性表示该知识实际生效的时间区间;技术层,包括图神经网络、检索增强生成框架和增量学习引擎;所述增量学习引擎获取各知识的有效时间属性,当新增知识的有效时间终点晚于已有知识的最晚有效终点时,判定超出已有知识的覆盖范围,并为所述图神经网络新增一个专家网络模块,所述专家网络模块通过初始化新参数节点并基于所述新增知识梯度更新,以拟合其数据分布;应用层,包括售前智能体、研发智能体、制造智能体、服务智能体;知识层的有效时间属性触发所述技术层新增专家网络模块,所述应用层采集用户反馈并通过所述技术层优化所述知识层的融合质量。
9、进一步地,知识层将多源异构数据拆分为原子事实单元,原子事实单元为包含单一事实陈述的最小知识单元;分别对各原子事实单元独立进行知识抽取,按照各原子事实单元的有效时间属性的顺序排序后,采用基于有效时间区间端点比较的二分归并算法对排序结果进行两两归并融合,将归并结果依次写入所述知识图谱;归并过程中,对于同一实体对在同一时间区间内的多个关系,保留有效时间区间最长的关系并舍弃被包含的关系。
10、进一步地,图神经网络包含多个专家网络模块和一个稀疏门控网络;稀疏门控网络在推理时根据用户查询指定的时间范围,计算各专家网络模块建模的时间覆盖范围与所述时间范围的重叠程度,激活重叠程度最高的至少一个专家网络模块参与计算。
11、进一步地,技术层还包括路由器,路由器将用户查询、各智能体的能力描述以及在所述知识图谱中定位的实体类型和关系类型共同编码为异构图结构,异构图结构的节点包括查询节点、实体类型节点、关系类型节点和智能体节点;路由器通过图神经网络对所述异构图结构进行推理,预测各智能体与所述用户查询的匹配分数,根据匹配分数确定用户查询涉及的智能体集合;当智能体集合包含多个智能体时,路由器按照售前、研发、制造、服务的业务环节顺序触发所述多个智能体依次处理,前一个智能体通过标准化数据接口将包含中间推理结果和上下文状态的输出传递至后一个智能体。
12、进一步地,各智能体以认知循环方式进行推理,认知循环包括:读取步骤,解析用户输入的查询意图并提取其中指定的时间范围;搜索步骤,根据解析结果在所述知识图谱中检索知识,以所述时间范围匹配知识的有效时间属性,仅检索有效时间区间与所述时间范围存在重叠的知识;验证步骤,对检索到的知识进行一致性校验,排除有效时间属性相互矛盾的知识;构造步骤,根据验证后的知识构造回复结果并关联原始数据来源。
13、进一步地,知识层以双层结构存储所述知识图谱:第一层为时序知识图谱层,以有效时间区间为边标签存储实体间的关系;第二层为时间索引层,以有效时间区间为键构建倒排索引,每个有效时间区间关联指向所述时序知识图谱层中对应的边;技术层在接收到包含指定时间范围的用户查询时,通过时间索引层查找与指定时间范围存在重叠的所有有效时间区间,并从时序知识图谱层中检索对应边所表示的知识。
14、进一步地,应用层采集用户对智能体回复结果的修正操作,从中识别被用户删除或替换的文本片段,将文本片段与知识图谱中已存储的知识进行语义相似度匹配,将语义相似度超过预设阈值的已存储知识标记为负例信号;技术层根据所述负例信号调整所述检索增强生成框架的召回阈值,调整后的召回阈值用于后续知识融合过程中过滤实体链接的候选集,降低所述负例信号对应的知识所涉及实体再次被链接的概率。
15、进一步地,知识层在知识图谱更新后,根据时间索引层查找本次更新所涉及的有效时间区间,仅对有效时间区间关联的知识摘要进行重新生成,知识摘要为对各有效时间区间内知识的概括性描述,未涉及的有效时间区间的知识摘要保持不变。
16、本发明第二方面提供一种多源数据融合的动态知识图谱构建方法,包括以下步骤:步骤s1,通过数据层整合多源异构数据;步骤s2,通过知识层接收数据,进行实体识别、关系抽取和知识融合生成知识图谱,为每条知识标注有效时间属性,所述有效时间属性表示该知识实际生效的时间区间;步骤s3,通过技术层的图神经网络、检索增强生成框架和增量学习引擎为知识图谱的构建与更新提供技术支撑;获取各知识的有效时间属性,当新增知识的有效时间终点晚于已有知识的最晚有效终点时,判定超出已有知识的覆盖范围,并为所述图神经网络新增一个专家网络模块,所述专家网络模块通过初始化新参数节点并基于所述新增知识梯度更新,以拟合其数据分布;步骤s4,通过应用层的售前智能体、研发智能体、制造智能体和服务智能体基于所述知识图谱向用户提供业务决策服务。
17、进一步地,步骤s3中的图神经网络包含多个专家网络模块和一个稀疏门控网络;稀疏门控网络在推理时根据用户查询指定的时间范围,计算各专家网络模块建模的时间覆盖范围与所述时间范围的重叠程度,激活重叠程度最高的至少一个专家网络模块参与计算;步骤s4还包括:采集用户对智能体回复结果的修正操作,从中识别被用户删除或替换的文本片段,将文本片段与所述知识图谱中已存储的知识进行语义相似度匹配,将语义相似度超过预设阈值的已存储知识标记为负例信号;根据负例信号调整所述检索增强生成框架的召回阈值,调整后的召回阈值用于后续知识融合过程中过滤实体链接的候选集。
18、与现有技术相比,本发明具备如下有益效果:
19、一、实现知识的精准时间管理。本发明通过为每条知识标注有效时间属性,即该知识在现实世界中实际生效的时间区间,并采用以有效时间区间为边标签和倒排索引键的双层时序图存储结构,使系统能够准确回答包含时间约束的查询,例如“2023年有效的工艺标准是什么”,从根本上解决了传统知识图谱系统无法区分知识生效时间与录入时间的问题,实现了知识的精准时间追溯。
20、二、实现模型对知识时间演进的自适应扩展。本发明以“新增知识的有效时间终点是否晚于已有知识的最晚有效终点”作为触发条件,在数据分布发生跨时间域漂移时自动新增专家网络模块。与dymoe的“每个数据块到达即新增专家”相比,本发明的触发机制基于知识的语义状态判断而非数据驱动事件,避免了因频繁新增专家网络导致的计算资源浪费和过拟合风险。同时,通过保留已有专家网络而仅新增专家来拟合新分布,从根本上避免了持续学习中的灾难性遗忘问题。
21、三、实现精准的时间感知推理路由。本发明中稀疏门控网络根据查询时间范围与专家网络时间覆盖范围的重叠程度选择激活的专家网络,与dymoe基于输入数据特征的路由机制相比,将时间语义显式地引入路由决策,使推理阶段能够精准选择与查询时间最相关的专家网络,提升了推理的准确性和效率。
22、四、实现多智能体的语义-时序协同路由。本发明中路由器通过异构图gnn统一处理查询、实体类型、关系类型和智能体节点之间的语义关系,并在确定智能体集合后按照售前、研发、制造、服务的业务环节顺序触发链式协作。与agentrouter仅基于语义匹配的路由相比,本发明增加了业务时序约束,使多智能体协作结果符合实际业务流程的逻辑顺序。
23、五、实现可审计、时间敏感的智能体推理。本发明中智能体以“读-搜-验-构”认知循环进行推理,其中搜索步骤以有效时间属性匹配为检索的核心约束,验证步骤排除有效时间属性相互矛盾的知识。与raga框架相比,本发明将时间维度作为认知循环的核心约束而非可选的过滤条件,使智能体的推理结果在时间维度上具有一致性和可审计性。
24、六、实现基于隐式反馈的持续闭环优化。本发明通过采集用户对回复的修正操作,即删除或替换文本片段,利用语义相似度匹配定位知识图谱中对应的知识节点并标记为负例信号,用于调整rag框架的召回阈值和实体链接的候选集过滤。与依赖显式评分的传统反馈优化方案相比,本发明无需用户额外操作即可采集反馈信号,且反馈直接作用于实体链接精度的优化,形成了“用户修正→负例标记→阈值调整→候选集过滤→链接质量提升”的完整闭环。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com