一种基于三支决策的多粒度知识图谱概念认知方法

1.本发明属于人工智能技术领域，涉及一种基于三支决策的多粒度知识图谱概念认知方法。


背景技术：

2.作为认知智能的一部分，知识图谱概念认知是通过知识图谱中概念相关知识从全面的视角看待一个概念且清晰地把握概念所指事物的典型特征。通过决策规则可以判断一个实例具有什么样的属性/属性值表示它属于某一个概念，即决策规则是概念所指事物的典型特征之一，通过决策规则可以实现知识图谱概念认知。多粒度决策规则从多个粒度得到概念的决策规则，比单一粒度决策规则更充分、更全面，后者仅从一个方面或角度挖掘决策规则。因此，可以通过挖掘知识图谱概念的多粒度决策规则实现知识图谱概念认知。
3.现有技术中，在挖掘决策规则时，最常用的决策方法是二支决策，属于确定性决策，只包含两个选项：接受或拒绝。当信息或证据不足时，强迫接受或拒绝都将花费不必要的成本或后果，即很容易导致错误的拒绝或接受。相反，三支决策作为一种粒计算方法，为解决不确定性决策问题提供了一种有效的工具，它在确定性决策的基础上增加了一个延迟决策，可以避免错误拒绝或错误接受。因此，在挖掘多粒度决策规则时，三支决策是很好的选择。
4.综上，针对现有技术中容易导致错误的拒绝或接受的问题，本发明基于三支决策提出了一种多粒度知识图谱概念认知方法。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种基于三支决策的多粒度知识图谱概念认知方法，解决频繁模式的决策规则挖掘方法可能缺失频繁度低但价值高的决策规则的问题。该方法从四个粒度挖掘决策规则(即属性有/无、属性出现的次数、属性值的类型和属性值)的角度实现知识图谱概念认知，提高决策的准确性，从而实现准确的认知智能。
6.为达到上述目的，本发明提供如下技术方案：
7.一种基于三支决策的多粒度知识图谱概念认知方法，融合多粒度和三支决策的思想，然后将每个粒度中的粒划分为三个粒空间(即正粒空间、负粒空间、边界粒空间)，其中细粒度的结果是粗粒度结果的有效补充和改进，最后从正粒空间和负粒空间生成多粒度决策规则，实现知识图谱概念认知。该方法具体包括以下步骤：
8.s1：基于一个概念和知识图谱构建属性有/无粒度的决策信息系统；
9.s2：获得属性有/无粒度的决策信息系统的所有粒；
10.s3：将属性有/无粒度的决策信息系统的所有粒划分到正粒空间、负粒空间和边界粒空间；
11.s4：基于较粗粒度的边界粒空间(即属性有/无粒度的边界粒空间)，在较细粒度(即属性出现的次数粒度)上构建决策信息系统，并将边界粒空间中的粒划分到正粒空间、
负粒空间和边界粒空间；
12.s5：按照同样的方式处理另外三个较细粒度(即属性出现的次数粒度、属性值的类型粒度、属性值粒度)的决策信息系统，直到最细粒度的粒被划分；
13.s6：将所有分支的正粒空间和负粒空间生成多粒度决策规则，从而实现知识图谱概念认知。
14.进一步，步骤s1具体包括以下步骤：
15.s11：从知识图谱获得属于概念concept的所有实例后，再从知识图谱中选择它们对应的三元组和属性；
16.s12：用实例作为行、属性作为列初始化信息系统；
17.s13：对属于概念concept的每个实例，获得其相关属性存在与否，然后插入属性有/无粒度的决策信息系统，且正实例的决策属性值为1；
18.s14：对于每个正实例，获得与正实例具有相同属性集的负实例；
19.s15：在确保不重复的前提下，将负实例插入到属性有/无粒度的决策信息系统中，且决策属性值为0。
20.进一步，步骤s3具体包括以下步骤：
21.s31：对于步骤s2获得的每个粒，如果是正粒或负粒，即粒中的所有实例的决策属性值都为1或0，则将其添加到当前决策信息系统的正粒空间或负粒空间；
22.s32：否则将其添加到当前决策信息系统的边界粒空间。
23.进一步，步骤s4具体包括以下步骤：
24.s41：基于来自较粗粒度(即属性有/无粒度)的边界粒空间，可以获得参与当前粒度的实例和属性；
25.s42：为了确定决策属性的值，需要区别正实例和负实例；
26.s43：从知识图谱中选择与实例相关的三元组；
27.s44：基于实例、属性、正实例和负实例，以实例为行、属性为列初始化决策信息系统，其中，如果实例为正实例，则决策属性的值为1，否则为0，其他属性值为空；
28.s45：对于每个实例的每个属性，分别向属性出现的次数、属性值的类型和属性值这三个粒度的决策信息系统中插入属性出现的次数、属性值的类型和属性值。
29.本发明的有益效果在于：本发明基于一个概念和知识图谱构建属性有/无粒度的决策信息系统；获得属性有/无粒度的决策信息系统的所有粒；将属性有/无粒度的决策信息系统的所有粒划分到正粒空间、负粒空间、边界粒空间；基于较粗粒度的边界粒空间，在较细粒度上构建决策信息系统，并将边界粒空间中的粒划分到正粒空间、负粒空间、边界粒空间；按照同样的方式处理另外三个较细粒度的决策信息系统，直到最细粒度的粒被划分；从正粒空间、负粒空间生成多粒度决策规则，提高了决策的准确性，能够实现知识图谱概念认知，从而实现准确的认知智能。
30.本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
31.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
32.图1为本发明基于三支决策的多粒度知识图谱概念认知方法流程图；
33.图2为不同频繁度阈值下删除属性的数量和比例；
34.图3为不同时间点建立决策信息系统的时间差。
具体实施方式
35.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
36.请参阅图1～图3，图1为本发明基于三支决策的多粒度知识图谱概念认知方法流程图，该方法具体包括以下步骤：
37.步骤1：基于一个概念和知识图谱构建属性有/无粒度的决策信息系统，具体包括以下步骤：
38.步骤1.1：从知识图谱获得属于概念concept的所有实例后，再从知识图谱中选择它们对应的三元组和属性。
39.例如：从知识图谱可以获得概念“著名导演”的实例“吴京”和“冯小刚”，及其三元组信息，如《冯小刚，导演，老炮儿》，《冯小刚，获得，最佳导演》，《吴京，导演，战狼》等等，其中导演、获得是属性。
40.步骤1.2：用实例作为行、属性作为列初始化信息系统；
41.步骤1.3：对属于concept的每个实例，获得其相关属性存在与否，然后插入属性有/无粒度的决策信息系统，且决策属性值为1。
42.例如：对于概念“著名导演”，它的实例“冯小刚”的决策属性值为1，而实例“吴京”的决策属性值为0。
43.步骤1.4：对于上述每个实例(即正实例)，获得与正实例具有相同属性集的负实例。
44.步骤1.5：在确保不重复的前提下，这些负实例将被插入到属性有/无粒度的决策信息系统中，且决策属性值为0。
45.步骤2：获得属性有/无粒度的决策信息系统的所有粒。
46.步骤3：将属性有/无粒度的决策信息系统的所有粒划分到正粒空间、负粒空间、边界粒空间，具体包括以下步骤：
47.步骤3.1：对于步骤2获得的每个粒，如果是正(或负)粒(即粒中的所有实例的决策属性值都为1/0)，则将其添加到当前决策信息系统的正粒空间(或负粒空间)；
48.步骤3.2：否则将其添加到当前决策信息系统的边界粒空间。
49.步骤4：基于较粗粒度的边界粒空间，在较细粒度上构建决策信息系统，并将边界
粒空间中的粒划分到正粒空间、负粒空间、边界粒空间；
50.步骤4.1：基于来自较粗粒度的边界粒空间，可以获得参与当前粒度的实例和属性；
51.步骤4.2：为了确定决策属性的值，需要区别正实例和负实例；
52.步骤4.3：从知识图谱中选择与实例相关的三元组；
53.步骤4.4：基于实例、属性、正实例、负实例，以实例为行、属性为列初始化决策信息系统，其中如果实例为正实例，则决策属性的值为1，否则为0，其他属性值为空；
54.步骤4.5：对于每个实例的每个属性，分别向属性出现的次数、属性值的类型、属性值这三个粒度的决策信息系统中插入属性出现的次数、属性值的类型、属性值。
55.步骤5：按照同样的方式处理另外三个较细粒度的决策信息系统，直到最细粒度的粒被划分。
56.步骤6：从正粒空间、负粒空间生成多粒度决策规则，从而实现知识图谱概念认知。
57.下面将上述方法应用于具体实施例中，以便本领域技术人员能够更好地理解本发明的效果。
58.实施例1：
59.下面基于上述方法进行仿真实验，本实施例的实现方法如前所述，不再详细阐述具体的步骤，下面仅针对实验结果展示其效果。
60.本实施例从使用最频繁的知识图谱dbpedia(https://wiki.dbpedia.org/)中随机选择出四个概念(即“sport”，“cave”，“garden”，“river”)来解释挖掘多粒度决策规则的实验结果。这些概念的相关统计数据如表1所示。
61.表1数据集统计
[0062][0063]
与挖掘频繁决策规则(即找到具有特定频繁度的决策规则)容易丢失频繁度低但价值高的信息相比，三支决策平等地对待具有不同频繁度的所有信息，从而不会丢失上述信息。频繁度阈值是挖掘决策规则的显著特征。更具体地说，如果决策规则的频繁度低于阈值，则该决策规则将被丢弃。对于四个随机选择的概念，图2展示了不同频繁度阈值下删除属性的数量(图2(a))和比例(图2(b))。从图2中可知，该比例的范围为30％到90％，这将丢失大量信息。相反，对于三支决策，挖掘决策规则涉及所有信息。说明三支决策比挖掘频繁决策规则更可行。
[0064]
决策信息系统可以在挖掘多粒度决策规则之前或期间构建，称为预构建和当前构建。由于预构建不知道在每个粒度中需要使用哪些实例，因此相应的四个决策信息系统需要包括由正实例和负实例组成的所有实例。相比之下，当前构建处于挖掘过程中，因此它可以根据当前需求动态地向决策信息系统添加实例。总之，预构建需要处理比当前构建更多的实例，因此执行时间也会比较长，图3展示的结果也说明了这一点。
[0065]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技
术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于三支决策的多粒度知识图谱概念认知方法，其特征在于，该方法具体包括以下步骤：s1：基于一个概念和知识图谱构建属性有/无粒度的决策信息系统；s2：获得属性有/无粒度的决策信息系统的所有粒；s3：将属性有/无粒度的决策信息系统的所有粒划分到正粒空间、负粒空间和边界粒空间；s4：基于属性有/无粒度的边界粒空间，在属性出现的次数粒度上构建决策信息系统，并将边界粒空间中的粒划分到正粒空间、负粒空间和边界粒空间；s5：按照同样的方式处理属性出现的次数粒度、属性值的类型粒度、属性值粒度的决策信息系统，直到所有的粒度被划分；s6：将所有分支的正粒空间和负粒空间生成多粒度决策规则，从而实现知识图谱概念认知。2.根据权利要求1所述的基于三支决策的多粒度知识图谱概念认知方法，其特征在于，步骤s1具体包括以下步骤：s11：从知识图谱获得属于概念concept的所有实例后，再从知识图谱中选择它们对应的三元组和属性；s12：用实例作为行、属性作为列初始化信息系统；s13：对属于概念concept的每个实例，获得其相关属性存在与否，然后插入属性有/无粒度的决策信息系统，且正实例的决策属性值为1；s14：对于每个正实例，获得与正实例具有相同属性集的负实例；s15：在确保不重复的前提下，将负实例插入到属性有/无粒度的决策信息系统中，且决策属性值为0。3.根据权利要求1所述的基于三支决策的多粒度知识图谱概念认知方法，其特征在于，步骤s3具体包括以下步骤：s31：对于步骤s2获得的每个粒，如果是正粒或负粒，即粒中的所有实例的决策属性值都为1或0，则将其添加到当前决策信息系统的正粒空间或负粒空间；s32：否则将其添加到当前决策信息系统的边界粒空间。4.根据权利要求1所述的基于三支决策的多粒度知识图谱概念认知方法，其特征在于，步骤s4具体包括以下步骤：s41：基于来自属性有/无粒度的边界粒空间，获得参与当前粒度的实例和属性；s42：区别正实例和负实例；s43：从知识图谱中选择与实例相关的三元组；s44：基于实例、属性、正实例和负实例，以实例为行、属性为列初始化决策信息系统，其中，如果实例为正实例，则决策属性的值为1，否则为0，其他属性值为空；s45：对于每个实例的每个属性，分别向属性出现的次数、属性值的类型和属性值这三个粒度的决策信息系统中插入属性出现的次数、属性值的类型和属性值。

技术总结
本发明涉及一种基于三支决策的多粒度知识图谱概念认知方法，属于人工智能技术领域。该方法包括：S1：基于一个概念和知识图谱构建属性有/无粒度的决策信息系统；S2：获得属性有/无粒度的决策信息系统的所有粒；S3：将属性有/无粒度的决策信息系统的所有粒划分到正粒空间、负粒空间和边界粒空间；S4：基于较粗粒度的边界粒空间，在较细粒度上构建决策信息系统，并将边界粒空间中的粒划分到正粒空间、负粒空间和边界粒空间；S5：按照同样的方式处理另外三个较细粒度的决策信息系统，直到最细粒度的粒被划分；S6：将所有分支的正粒空间和负粒空间生成多粒度决策规则，从而实现知识图谱概念认知。概念认知。概念认知。


技术研发人员：段江丽 胡新 王国胤
受保护的技术使用者：长江师范学院
技术研发日：2022.11.22
技术公布日：2023/7/25