一种知识挖掘方法、装置、计算机设备及可读存储介质与流程

1.本技术涉及知识图谱技术领域，尤其涉及一种知识挖掘方法、装置、计算机设备及可读存储介质。


背景技术：

2.知识图谱(knowledge graph)，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。其中，知识挖掘是从知识图片中已有的法人客户及法人客户的关系出发挖掘新的知识。
3.当前的知识挖掘方法通常是通过预置的规则对目标节点及与其关联的节点进行分析，以从目标节点中挖掘新的知识，然而，发明人发现，当前的知识挖掘方法忽略了知识图谱中与目标节点关联的关联节点对目标节点的影响，导致知识挖掘的挖掘结果不准确。


技术实现要素：

4.本技术提供一种知识挖掘方法、装置、计算机设备及可读存储介质，用以解决当前的知识挖掘方法忽略了知识图谱中与目标节点关联的关联节点对目标节点的影响，导致知识挖掘的挖掘结果不准确的问题。
5.第一方面，本技术提供一种知识挖掘方法，包括：
6.接收用户端发送的挖掘请求，从预置的知识图谱中获取相应于所述挖掘请求的目标节点，识别所述目标节点在所述知识图谱中所在的目标链；
7.获取所述目标节点的目标属性信息，以及获取所述目标链上处于所述目标节点上游的上游节点的上游属性信息，和获取所述目标链上处于所述目标节点下游的下游节点的下游属性信息；
8.通过预置的成熟网络模型对所述目标属性信息、所述上游属性信息和所述下游属性信息进行运算得到知识挖掘结果，将所述知识挖掘结果发送至所述用户端。
9.上述方案中，所述从预置的知识图谱中获取相应于所述挖掘请求的目标节点，识别所述目标节点在所述知识图谱中所在的目标链，包括：
10.提取所述挖掘请求中的目标信息，将所述知识图谱中相应于所述目标信息的节点设为所述目标节点；
11.在所述知识图谱中以所述目标节点为起点向上游方向延伸得到上游链，及在所述知识图谱中以所述目标节点为起点向下游方向延伸得到下游链，其中，所述上游链中至少具有一个上游节点，所述下游链中至少具有一个下游节点；
12.整合所述上游链、所述目标节点和所述下游链得到所述目标链。
13.上述方案中，在一个优选的实施例中，所述获取所述目标节点的目标属性信息，包括：
14.获取所述目标节点中的基础信息，其中，所述基础信息是描述所述目标节点的特
征信息；
15.获取所述目标链中各节点连接的边的数量，将连接的边的数量最高的节点设为所述目标链的核心节点，将所述核心节点与所述目标节点之间的关联关系，设为所述核心节点对所述目标节点的核心影响信息；
16.若识别到所述目标链中具有记载有环境信息的环境节点，则提取所述环境信息，其中，所述环境信息记载有所述环境节点对应法人客户的外部自然环境；
17.汇总所述基础信息、所述核心影响信息和所述环境信息得到所述目标属性信息。
18.上述方案中，所述通过预置的成熟网络模型对所述目标属性信息、所述上游属性信息和所述下游属性信息进行运算得到知识挖掘结果，包括：
19.提取所述成熟网络模型中的上游神经网络，调用所述上游神经网络对所述目标属性信息和所述上游属性信息进行运算得到上游挖掘结果；
20.提取所述成熟网络模型中的下游神经网络，调用所述下游神经网络对所述目标属性信息和所述下游属性信息进行运算得到下游挖掘结果；
21.汇总所述上游挖掘结果和所述下游挖掘结果得到所述知识挖掘结果。
22.上述方案中，所述接收用户端发送的挖掘请求之前，所述方法还包括：
23.获取训练数据，通过所述训练数据对预置的初始神经网络进行训练得到成熟神经网络。
24.上述方案中，所述将所述知识挖掘结果发送至所述用户端之后，所述方法还包括：
25.计算所述知识挖掘结果中上游挖掘结果和下游挖掘结果的差值；
26.若所述差值超过预置的差异阈值，则通过预置的运算规则对所述上游挖掘结果和所述下游挖掘结果进行运算得到综合挖掘结果，将所述综合挖掘结果发送至所述用户端。
27.上述方案中，所述通过预置的运算规则对所述上游挖掘结果和所述下游挖掘结果进行运算得到综合挖掘结果，包括：
28.计算所述上游挖掘结果和所述下游挖掘结果的均值得到均值信息，将所述均值信息作为所述综合挖掘结果；
29.将所述上游挖掘结果和所述下游挖掘结果中的最高值作为所述综合挖掘结果；
30.将所述上游挖掘结果和所述下游挖掘结果中的最低值作为所述综合挖掘结果；
31.将所述上游挖掘结果和所述下游挖掘结果录入预置的权重函数中，计算所述权重函数得到权重结果，将所述权重结果作为所述综合挖掘结果。
32.第二方面，本技术提供一种知识挖掘装置，包括：
33.目标识别模块，用于接收用户端发送的挖掘请求，从预置的知识图谱中获取相应于所述挖掘请求的目标节点，识别所述目标节点在所述知识图谱中所在的目标链；
34.信息获取模块，用于获取所述目标节点的目标属性信息，以及获取所述目标链上处于所述目标节点上游的上游节点的上游属性信息，和获取所述目标链上处于所述目标节点下游的下游节点的下游属性信息；
35.知识挖掘模块，用于通过预置的成熟网络模型对所述目标属性信息、所述上游属性信息和所述下游属性信息进行运算得到知识挖掘结果，将所述知识挖掘结果发送至所述用户端。
36.第三方面，本技术提供一种计算机设备，包括：处理器以及与所述处理器通信连接
的存储器；
37.所述存储器存储计算机执行指令；
38.所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求上述的知识挖掘方法。
39.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述的知识挖掘方法。
40.第五方面，本技术提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的知识挖掘方法。
41.本技术提供的一种知识挖掘方法、装置、计算机设备及可读存储介质，通过将目标属性信息、上游属性信息和下游属性信息作为成熟网络模型的输入信息，考虑到了整个知识图谱对目标节点的影响，实现从目标节点本身的维度，以及上游节点和下游节点对目标节点的影响的维度，对目标节点进行知识挖掘，确保了对目标节点进行知识挖掘的挖掘结果的准确度。
附图说明
42.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
43.图1为本技术实施例提供的一种应用场景示意图；
44.图2为本技术实施例提供的一种知识挖掘方法的实施例1的流程图；
45.图3为本技术实施例提供的一种知识挖掘方法的实施例2的流程图；
46.图4为本发明提供的一种知识挖掘装置的程序模块示意图；
47.图5为本发明计算机设备中计算机设备的硬件结构示意图。
48.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
49.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
50.现有技术的应用场景为：
51.假设某一目标节点为一个法人客户，需要挖掘的知识挖掘结果为该法人客户的授信金额，目前的商业银行通常是根据融资类型，分别使用不同的测算公式对授信额度进行测算。一方面，该方法仅适用于部分特定的融资类型，并且忽略了产业链上下游的法人客户对目标节点对应的法人客户的影响，另一方面，该方法使用的测算公式较为简单，仅考虑了极少因素、信息不全面；进而导致当前现有技术无法使用户得到的知识挖掘结果(如：测算出的授信额度)准确度较低，造成因难以为用户提供准确的知识挖掘结果，给用户带来经济
损失的问题(例如：因难以满足客户的融资需求，大大增加了贷款风险防控的难度的问题)。
52.请参阅图1，本技术具体的应用场景为：运行有知识挖掘方法的服务器2，服务器2通过接收用户端3发送的挖掘请求，从知识图谱4中获取相应于挖掘请求的目标节点，识别目标节点在知识图谱4中所在的目标链；例如：将企业c对应的节点c作为目标节点，将知识图谱中节点a-＞节点b-＞节点c-＞节点d-＞节点e的产业链作为目标链。
53.服务器2获取目标节点的目标属性信息，以及获取目标链上处于目标节点上游的上游节点的上游属性信息，和获取目标链上处于目标节点下游的下游节点的下游属性信息；例如：节点a和节点b为上游节点，节点d和节点e为下游节点，获取企业c的企业c属性信息，获取节点a和节点b的企业a属性信息和企业b属性信息，获取企业d和企业e的企业d属性信息和企业e属性信息；
54.服务器2通过成熟网络模型5对目标属性信息、上游属性信息和下游属性信息进行运算得到知识挖掘结果，将知识挖掘结果发送至用户端3；例如：假设要运算得到的知识挖掘结果是目标节点的授信额度，服务器2通过成熟网路模型5对企业c属性信息、企业a属性信息、企业b属性信息、企业d属性信息和企业e属性信息进行运算，从企业c本身，以及上游的企业a和企业b对企业c的影响，和下游的企业d和企业e对企业c的影响，综合得到企业c的授信额度。
55.因此，本技术基于成熟网络模型5综合评价了企业c的属性信息，以及上游的企业a属性信息、企业b属性信息对企业c的影响，和下游的企业d属性信息和企业e属性信息对企业c的影响，因此，提高了用户得到的知识挖掘结果的准确度，解决了当前因难以为用户提供准确的知识挖掘结果，给用户带来经济损失的问题(例如：提高了授信额度的测算准确度，进而更好的满足了客户的融资需求，极大的降低了贷款风险防控的难度)。
56.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决现有技术中的技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
57.实施例1：
58.请参阅图2，本技术提供一种知识挖掘方法，包括：
59.s101：接收用户端发送的挖掘请求，从预置的知识图谱中获取相应于挖掘请求的目标节点，识别目标节点在知识图谱中所在的目标链。
60.本步骤中，通过提取挖掘请求中的名称信息，获取知识图谱中具有名称信息的目标节点，目标链是记载有目标节点，以及分别位于目标节点上游和下游的上游节点和下游节点的节点链，目标链表征了目标节点在其上游节点和下游节点中的位置，以及目标节点与上游节点和下游节点之间的关系。
61.在一个优选的实施例中，从预置的知识图谱中获取相应于挖掘请求的目标节点，识别目标节点在知识图谱中所在的目标链，包括：
62.提取挖掘请求中的目标信息，将知识图谱中相应于目标信息的节点设为目标节点。
63.目标信息中记载了使用者需要进行挖掘的法人客户名称，访问知识图谱中的图谱名单，其中，图谱名单中记载有知识图谱中各节点的节点名称和节点编号；获取图谱名单中
与所述法人客户名称一致的节点名称所对应的节点编号，将节点编号对应的设为目标节点；通过识别所述知识图谱中与目标信息对应的节点，并将该节点设为目标节点。
64.在知识图谱中以目标节点为起点向上游方向延伸得到上游链，及在知识图谱中以目标节点为起点向下游方向延伸得到下游链，其中，上游链中至少具有一个上游节点，下游链中至少具有一个下游节点；
65.上游链中至少具有一个与目标节点直接关联和/或间接关联的上游节点，下游链中至少具有一个与目标节点直接关联和/或间接关联的下游节点，直接关联是指关联节点与目标节点之间通过一个边连接的状态，间接关联是指关联节点与目标节点之间通过至少一个其他的关联节点，以及两个或两个以上的边连接的状态。
66.示例性地，假设知识图谱中目标链包括节点a、节点b、节点c、节点d、节点e。
67.上述节点的关联关系是，节点a-＞节点b-＞节点c-＞节点d-＞节点e，如果以节点c为目标节点；那么目标节点的上游链为：节点a-＞节点b；目标节点的下游链为：节点d-＞节点e，故，上游节点为节点a和节点b，下游节点为节点d和节点e。
68.整合上游链、目标节点和下游链得到目标链。
69.通过将上游链、目标节点连接和下游链连接，按照其在知识图谱中的排序进行排列，以整合成目标链。
70.s102：获取目标节点的目标属性信息，以及获取目标链上处于目标节点上游的上游节点的上游属性信息，和获取目标链上处于目标节点下游的下游节点的下游属性信息。
71.本步骤中，目标属性信息是指描述目标节点属性特征的数据信息；于本实施例中，目标属性信息包括描述目标节点特征的基础信息、反映目标链中核心节点对目标节点影响的核心影响信息、反映目标链中被外部环境影响的环境信息。
72.示例性地，基础信息包括目标节点对应法人客户的客户基本信息、资产负债信息、资金流信息等。其中，资产负债信息包括客户不动产信息、产能信息等，资金流信息包括历年生产经营净收入，目标节点对应法人客户已存在的供应链融资业务数据，其主要为已存在的贷款额度数据等信息。
73.核心影响信息包括：供应链核心企业对该法人客户的担保信息，其内容为核心法人客户对目标法人客户的担保人/物信息，及其担保额度。
74.环境信息包括环境节点的年降雨量、是否发生自然灾害，自然灾害的类型，自然灾害的范围和严重程度等。
75.上游属性信息是描述上游节点的属性特征的数据信息，下游属性信息是描述下游节点的属性特征的数据信息；示例性地，上游属性信息包括：上游节点对应法人客户的客户基本信息、资产负债信息、资金流信息等。其中，资产负债信息包括客户不动产信息产能信息等，资金流信息包括历年生产经营净收入等信息。下游属性信息包括：下游节点对应法人客户的客户基本信息、资产负债信息、资金流信息等。其中，资产负债信息包括客户不动产信息产能信息等，资金流信息包括历年生产经营净收入等信息。
76.本步骤中，通过获取目标链上处于目标节点上游的上游节点的上游属性信息，得到与目标节点对应的上游节点的情况，以便于后续从目标节点自身的角度和目标链上游的角度对目标节点进行挖掘；通过获取目标链上处于目标节点下游的下游节点的下游属性信息，得到与目标节点对应的下游节点的情况，以便于后续从目标节点自身的角度和目标链
下游的角度对目标节点进行挖掘；因此，通过将目标属性信息、上游属性信息和下游属性信息作为成熟网络模型的输入信息，考虑到了整个知识图谱对目标节点的影响，确保了对目标节点进行知识挖掘的挖掘结果的准确度。
77.在一个优选的实施例中，获取目标节点的目标属性信息，包括：
78.获取目标节点中的基础信息，其中，基础信息是描述目标节点的特征信息；
79.示例性地，基础信息联系包括目标节点对应法人客户的客户基本信息、资产负债信息、资金流信息等。其中，资产负债信息包括客户不动产信息、产能信息等，资金流信息包括历年生产经营净收入等信息。
80.目标节点中的基础信息还可包括：目标节点对应法人客户已存在的供应链融资业务数据，其主要为已存在的贷款额度数据。
81.如融资业务已经正常办结，则保持原值不变；如业务产生不良，则数值＝α
×
产生不良的贷款金额，其中α＜0，用以表征目标节点对应法人客户出现风险。
82.获取目标链中各节点连接的边的数量，将连接的边的数量最高的节点设为目标链的核心节点，将核心节点与目标节点之间的关联关系，设为核心节点对目标节点的核心影响信息。
83.本步骤中，核心节点是指在目标链中连接有最多的边的节点，其说明了核心节点在目标链中处于节点位置，它决定了整个目标链的街拍与效率。
84.因此，核心节点与目标节点之间的关联关系，是在目标链中处于核心位置的节点，将核心节点与目标节点之间的关联关系，设为核心节点对目标节点的影响。
85.获取目标链中各节点连接的边的数量，将连接的边的数量最高的节点设为目标链的核心节点，将核心节点与目标节点之间的关联关系，设为核心节点对目标节点的核心影响信息。
86.示例性地，核心节点对应的核心法人客户对目标节点对应的目标法人客户的核心影响信息，例如：供应链核心企业对该法人客户的担保信息，其内容为核心法人客户对目标法人客户的担保人/物信息，及其担保额度。
87.于本实施例中，核心节点对应法人客户是指，供应链上拥有该供应链的瓶颈约束资源决定供应链的运行节拍与效率在物流信息流、工作流等资源配置方面，胜任组织协调工作能够实现并提升整体供应链核心竞争优势的企业。
88.若识别到目标链中具有记载有环境信息的环境节点，则提取环境信息，其中，环境信息记载有环境节点对应法人客户的外部自然环境；
89.环境节点是指外部自然环境会对其属性信息会产生影响的节点，例如：经营范围是畜牧业、或种植业、或养殖业的法人客户所对应的节点。环境信息为环境节点的外部自然环境数据，例如：年降雨量、是否发生自然灾害，自然灾害的类型，自然灾害的范围和严重程度等。
90.对于环境节点来说，外部自然环境将会影响环境节点对应法人客户的产量，进而影响该法人客户的营业额、利润率、贷款额、还款情况等属性信息。
91.具体地，通过预置的正则表达式遍历所述目标链上各节点中记载的信息，其中，正则表达式中具有关键字段，关键字段表征了客户需要进行检索的信息中的关键字；
92.将记载有所述正则表达式中关键字段的信息设为环境信息，并将目标链上记载有
环境信息的节点设为环境节点。
93.示例性地，关键字段可根据使用者需要设置，其可设置为：环境、外部环境、自然环境等。汇总基础信息、核心影响信息和环境信息得到目标属性信息。
94.本实例中，通过整合描述目标节点属性特征的基础信息，描述核心节点对目标节点的影响的核心影响信息，记载目标链上环境节点的外部自然环境的环境信息，作为目标属性信息，以实现多维度识别对目标节点产生影响的因素，以提高对目标节点的信息挖掘的准确度。
95.进一步地，上游属性信息包括：上游节点对应法人客户的客户基本信息、资产负债信息、资金流信息等。其中，资产负债信息包括客户不动产信息产能信息等，资金流信息包括历年生产经营净收入等信息。
96.下游属性信息包括：下游节点对应法人客户的客户基本信息、资产负债信息、资金流信息等。其中，资产负债信息包括客户不动产信息产能信息等，资金流信息包括历年生产经营净收入等信息。
97.s103：通过预置的成熟网络模型对目标属性信息、上游属性信息和下游属性信息进行运算得到知识挖掘结果，将知识挖掘结果发送至用户端。
98.由于在目标链上，上游节点是目标节点的输出方和/或控制方，下游节点是目标节点的接收方和/或被控制方，故，上游节点和下游节点对目标节点的影响是不同的，因此，本步骤通过成熟网络模型对目标属性信息、上游属性信息和下游属性信息进行综合运算，实现从目标节点本身的维度，以及上游节点和下游节点对目标节点的影响的维度，对目标节点进行知识挖掘，确保挖掘到的新的知识的准确度。
99.在一个优选的实施例中，通过预置的成熟网络模型对目标属性信息、上游属性信息和下游属性信息进行运算得到知识挖掘结果，包括：
100.提取成熟网络模型中的上游神经网络，调用上游神经网络对目标属性信息和上游属性信息进行运算得到上游挖掘结果；
101.提取成熟网络模型中的下游神经网络，调用下游神经网络对目标属性信息和下游属性信息进行运算得到下游挖掘结果；
102.汇总上游挖掘结果和下游挖掘结果得到知识挖掘结果。
103.本实例中，通过根据目标属性信息和上游属性信息，实现基于目标节点的上游和目标节点本身的维度对目标节点进行挖掘，得到对目标节点的上游挖掘结果；通过根据目标属性信息和下游属性信息，实现基于目标节点的下游和目标节点本身的维度对目标节点进行挖掘，得到对目标节点的下游挖掘结果。
104.以确保得到的上游挖掘结果和下游挖掘结果，不会因上游节点和下游节点对目标节点的作用不同，造成上游挖掘结果和下游挖掘结果相互影响，导致知识挖掘的内容准确度降低的情况发生。
105.实施例2：
106.请参阅图3，本技术提供一种知识挖掘方法，包括：
107.s201：获取训练数据，通过训练数据对预置的初始神经网络进行训练得到成熟神经网络。
108.本步骤中，通过历史上对目标节点进行知识挖掘所获得的新的知识作为目标数
据，将目标节点的目标属性信息、处于目标节点所在目标链上游的上游节点的上游属性信息，以及处于目标节点在目标链下游的下游节点的下游属性信息以及目标数据作为训练数据，用以对初始神经网络进行基于目标节点本身的维度，以及上游节点和下游节点对目标节点的影响的维度进行综合训练，得到能够整体考量知识图谱中与目标节点相关的要素的神经网络，以确保神经网络的知识挖掘准确度。
109.在一个优选的实施例中，通过训练数据对预置的初始神经网络进行训练得到成熟神经网络，包括：
110.获取一个初始神经网络并将其设为上游初始网络，从训练数据中获取上游输入数据和目标数据；其中，上游输入数据包括上游属性信息和目标属性信息，目标数据是训练数据中的目标节点挖掘出的新的知识；
111.将上游输入数据录入上游初始网络中，以目标数据作为训练目标对上游初始网络进行迭代训练得到上游神经网络；
112.获取一个初始神经网络并将其设为下游初始网络，并从训练数据中获取下游输入数据和目标数据；其中，下游输入数据包括下游属性信息和目标属性信息，目标数据是训练数据中的目标节点被挖掘出的新的知识；
113.将下游输入数据录入下游初始网络中，以目标数据作为训练目标对下游初始网络进行迭代训练得到下游神经网络；
114.汇总上游神经网络和下游神经网络得到成熟神经网络。
115.本实例中，通过对上游初始网络、下游初始网络分别进行训练，得到分别用于运算上游属性信息和目标属性信息的上游神经网络、用于运算下游属性信息和目标属性信息的下游神经网络，以确保最终得到的成熟神经网络能够针对不同的数据，采用不同的神经网络及模型进行运算，提高了神经网络及模型的专业性，确保了后续知识挖掘的准确度。
116.于本实施例中，采用resnet神经网络作为初始神经网络，resnet也称为残差网络。resnet是由残差块(residual building block)构建的，论文截图如下所示：提出了两种映射：identity mapping(恒等映射)，指的是右侧标有x的曲线；residual mapping(残差映射)，残差指的是f(x)部分。最后的输出是f(x) x。f(x) x的实现可通过具有”shortcut connections”的前馈神经网络来实现。shortcut connections是跳过一层或多层的连接。图中的”weight layer”指卷积操作。如果网络已经达到最优，继续加深网络，residual mapping将变为0，只剩下identity mapping，这样理论上网络会一直处于最优状态，网络的性能也就不会随着深度增加而降低。
117.resnext神经网络作为初始神经网络，resnext是resnet和inception的结合体.resnext借鉴inception的“分割-变换-聚合”策略(即split-transform-merge)，不同于inception的是，resnext不需要人工设计复杂的inception结构细节，而是每一个分支都采用相同的拓扑结构。resnext的本质是分组卷积(group convolution)，通过引入基数(cardinality)来控制分组的数量
118.通过梯度下降法对上游神经网络、下游神经网络进行迭代训练，梯度下降是迭代法的一种,可以用于求解最小二乘问题(线性和非线性都可以)。在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降(gradient descent)是最常采用的方法之一，另一种常用的方法是最小二乘法。在求解损失函数的最小值时，可以通过梯度下降法来一步步
的迭代求解，得到最小化的损失函数和模型参数值。反过来，如果我们需要求解损失函数的最大值，这时就需要用梯度上升法来迭代了。在机器学习中，基于基本的梯度下降法发展了两种梯度下降方法，分别为随机梯度下降法和批量梯度下降法。
119.s202：接收用户端发送的挖掘请求，从预置的知识图谱中获取相应于挖掘请求的目标节点，识别目标节点在知识图谱中所在的目标链。
120.本步骤与实施例1中的s101一致。
121.s203：获取目标节点的目标属性信息，以及获取目标链上处于目标节点上游的上游节点的上游属性信息，和获取目标链上处于目标节点下游的下游节点的下游属性信息。
122.本步骤与实施例1中的s102一致。
123.s204：通过预置的成熟网络模型对目标属性信息、上游属性信息和下游属性信息进行运算得到知识挖掘结果，将知识挖掘结果发送至用户端。
124.本步骤与实施例1中的s103一致。
125.s205：计算知识挖掘结果中上游挖掘结果和下游挖掘结果的差值；
126.若差值超过预置的差异阈值，则通过预置的运算规则对上游挖掘结果和下游挖掘结果进行运算得到综合挖掘结果，将综合挖掘结果发送至用户端。
127.由于一个知识挖掘结果中的上游挖掘结果和下游挖掘结果可能会出现较大的差异，为确保用户端获得的挖掘结果能够更加准确，本步骤通过计算知识挖掘结果中上游挖掘结果和下游挖掘结果的差值，将差值超过预置的差异阈值的上游挖掘结果和下游挖掘结果设为具有较大差异的知识挖掘结果，进而通过运算规则对上游挖掘结果和下游挖掘结果进行运算得到综合挖掘结果，以降低用户端获得的挖掘结果的误差，提高了用户端获得的知识挖掘结果的准确度。
128.在一个优选的实施例中，通过预置的运算规则对上游挖掘结果和下游挖掘结果进行运算得到综合挖掘结果，包括：
129.计算上游挖掘结果和下游挖掘结果的均值得到均值信息，将均值信息作为综合挖掘结果；
130.将上游挖掘结果和下游挖掘结果中的最高值作为综合挖掘结果；
131.将上游挖掘结果和下游挖掘结果中的最低值作为综合挖掘结果；
132.将上游挖掘结果和下游挖掘结果录入预置的权重函数中，计算权重函数得到权重结果，将权重结果作为综合挖掘结果。
133.本实例中，通过计算上游挖掘结果和下游挖掘结果的均值或，根据权重函数计算上游挖掘结果和下游挖掘结果得到的权重结果，以消除上游挖掘结果和下游挖掘结果与目标节点真实的新的知识之间的误差，提高了综合挖掘结果的准确度。
134.通过将上游挖掘结果和下游挖掘结果中的最高值作为综合挖掘结果，及将上游挖掘结果和下游挖掘结果中的最低值作为综合挖掘结果，以实现根据用户端使用者偏好选择最大值或最小值作为综合挖掘结果，扩展了综合挖掘结果的适用范围。
135.权重函数如下：
136.z＝a*x b*y
137.其中，z为权重结果，x为上游挖掘结果，y为下游挖掘结果，a为附以上游挖掘结果的权重值，b为附以下游挖掘结果的权重值。
138.实施例3：
139.请参阅图4，本技术提供一种知识挖掘装置1，包括：
140.目标识别模块12，用于接收用户端发送的挖掘请求，从预置的知识图谱中获取相应于挖掘请求的目标节点，识别目标节点在知识图谱中所在的目标链；
141.信息获取模块13，用于获取目标节点的目标属性信息，以及获取目标链上处于目标节点上游的上游节点的上游属性信息，和获取目标链上处于目标节点下游的下游节点的下游属性信息；
142.知识挖掘模块14，用于通过预置的成熟网络模型对目标属性信息、上游属性信息和下游属性信息进行运算得到知识挖掘结果，将知识挖掘结果发送至用户端。
143.可选的，知识挖掘装置1，包括：
144.模型训练模块11，用于获取训练数据，通过训练数据对预置的初始神经网络进行训练得到成熟神经网络。
145.结果调整模块15，用于计算知识挖掘结果中上游挖掘结果和下游挖掘结果的差值；
146.若差值超过预置的差异阈值，则通过预置的运算规则对上游挖掘结果和下游挖掘结果进行运算得到综合挖掘结果，将综合挖掘结果发送至用户端。
147.实施例4：
148.为实现上述目的，本技术还提供一种计算机设备6，包括：处理器62以及与所述处理器62通信连接的存储器61；所述存储器61存储计算机执行指令；
149.所述处理器62执行所述存储器61存储的计算机执行指令，以实现上述的知识挖掘方法，其中，知识挖掘装置1的组成部分可分散于不同的计算机设备中，计算机设备6可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个应用服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器61、处理器62，如图5所示。需要指出的是，图5仅示出了具有组件-的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。本实施例中，存储器61(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器61可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器61也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，存储器61还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器61通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例三的知识挖掘装置的程序代码等。此外，存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。处理器62在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制计算机设备的总体操作。本实施例中，处理器62用于运行存储器61中存储的程序代码或者处理数据，例如运行知识挖掘装置，以实现上述实施例的知识挖掘
方法。
150.上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本技术各个实施例所述方法的部分步骤。应理解，上述处理器可以是中央处理单元(central processing unit，简称cpu)，还可以是其它通用处理器、数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、磁盘或光盘等。
151.为实现上述目的，本技术还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机执行指令，程序被处理器62执行时实现相应功能。本实施例的计算机可读存储介质用于存储实现所述知识挖掘方法的计算机执行指令，被处理器62执行时实现上述实施例的知识挖掘方法。
152.上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
153.一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(application specific integrated circuits，简称asic)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
154.本技术提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的知识挖掘方法。
155.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
156.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求书指出。
157.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。