基于知识图谱的仿真想定智能生成方法
源自：指挥与控制学院
作者：安靖 司光亚 周杰 韩旭
摘
要
仿真想定的开发,存在着专业性强、定制要求高、迁移性差等问题.针对这一系列问题,设计并实现一种基于知识图谱的仿真想定智能生成方法.通过基于强化学习的全局特征链接多源仿真模型实体,构建了知识图谱；基于该知识图谱,设计了适用于仿真模型匹配的实体对齐算法和基于文档对象模型（documentobjectmodel，DOM）的脚本生成方法,实现仿真想定的智能映射,以“立体投送”行动为实例展开实验,实验结果表明：生成的仿真想定能够驱动仿真系统按照预定行动时序运行,方法有效.
关键词
仿真想定 知识图谱 强化学习 实体对齐
1仿真想定的定义和形式化描述
2知识图谱的构建
2.1
领域知识本体建模
2.2
多源仿真模型实体链接
3基于知识图谱实体对齐的仿真想定匹配映射
3.1
实体对齐
3.2
脚本生成
4仿真想定生成实例验证和分析
5结论
声明:公众号转载的文章及图片出于非商业性的教育和科研目的供大家参考和探讨，并不意味着支持其观点或证实其内容的真实性。版权归原作者所有，如转载稿涉及版权等问题，请立即联系我们删除。
“人工智能技术与咨询” 发布
知识图谱与企业认知（八）
本系列第七篇
胡占桥，公众号：数智航旅知识图谱与企业认知（七）
知识体系构建是知识图谱建设及应用的第一步，知识体系建设指的是如何定义和组织所需表达的领域知识，其核心是构建一个本体，对目标知识进行描述。
图表1知识图谱的建设流程
因此建设业务可用的知识体系是智能知识库系统建设面临的首要挑战，自顶向下、自底向上的系统分析和建设模式也适合业务知识体系的建设，但自顶向下方式更加适合垂直领域的知识构建，其往往与企业已有的数据仓库管理、业务数据指标体系设计、数据治理、知识管理等方法相结合，并围绕企业的业务场景进行理论适配与调整。
企业的业务知识体系包含人、物、企业的实体状态数据、业务事理知识和业务需求概念。业务知识体系应围绕业务场景的目标，对解决业务需求所需的专业事理知识、业务规则逻辑、实体状态数据知识进行体系化梳理及关联、聚合。
因此，业务知识体系本质上由需求概念域、事理知识域、实体状态域的知识体系互相关联、聚合而成（需求概念域驱动事理知识收集和探索，事理知识指导实体状态和关联）。企业通过业务知识体系实现对业务需求、业务领域知识及业务相关实体状态数据的全面连接（显性知识和隐性知识）。
图表2某全域业务知识体系
知识体系其核心是构建一个本体模型，对目标知识进行描述，其建设需要业务人员、知识图谱专家和领域专家共同围绕业务目标、数据来源进行整合、梳理并持续迭代的系统化工作。在知识体系（本体模型）中需要定义：
1、知识的类别体系，比如环境类-天气类-侧风类、机坪设备类-灯光类-助航灯光类
2、各类别知识体系下实体间的关系和实体自身所具有的属性；比如助航灯光类属性有编号、型号、功耗等，与机坪照明回路有供能的关系；
3、知识图谱中不同类型或者属性的定义域、值域等约束信息，不如出生日期的属性值是Date类型，身高属性值是Float类型，简介是String类型等；
4、知识约束/规则，比如，不安全状态必须有主要威胁及导致的后果，事件必须要关联航班等。
图表3事件分析本体模型
知识体系设计的业务目标是面向业务需求、事理知识和业务实体设计知识体系，以此满足业务需求所需的知识存储在知识图谱里，并通过认知智能提高人员对业务状态的认知与决策。知识图谱的知识范围可以是无限扩张，但从知识图谱的建设成本、可用性及收益角度，能解决问题的知识才是值得投入资源的知识。
因此知识体系设计的首要原则，就是业务原则。企业业务的知识体系，一定是围绕业务的需求概念域进行建设。业务的需求概念域通常又来源于用户场景的业务问题。比如在旅服知识问答场景中，需要基于客服人员在场景中提出的问题来建设旅服知识体系。
在业务原则的基础上，知识图谱建设需要遵循分析原则、冗余原则和效率原则：
1、业务原则，一切都用从业务逻辑出发，也就是说通过观察知识图谱的设计也很容易推测其背后业务的逻辑，而且在设计时要想好未来业务可能的变化，比如参考文档、行业知识等不需要构建图谱，而是作为相关实体的附加信息；
2、分析原则，知识图谱中任何一个实体都是为关系分析而服务的，如果一个实体对分析网络结构没有帮助，则可以将其设置成属性甚至不放在图谱里面，反之，如果一个数据经常需要进行关系分析，需要设计为一个实体，比如电话号码；
3、冗余原则：知识图谱会存在一些节点（也成为超级节点）跟大部分的节点存在关系，实际上这些节点的意义不是很大，同时会急剧降低系统的查询效率，比如性别。另外，对重复的信息也需要避免存储。
效率原则：知识图谱尽量轻便，只存储关键信息，剩下的可以存储在传统数据库中，比如照片、参考文档等。
下期简介>>>>下一期，我们将推出下篇《知识图谱与企业认知（九）》，本系列共九篇，敬请期待。关于我们>>>>
原名“航旅IT圈”，成立于2015年。由航空旅游行业数智化领域资深人士创办，专注研究航旅业的数字化解决方案、培养航旅业数字化人才，致力成为航旅企业与数字化服务企业的专业桥梁，成为航旅数智专业人才的摇篮。
专家观点前沿资讯解决方案
·趋势分析、热点评论、知识分享
·航旅生态圈数字化人才培养园地
观点没有对错，欢迎随时切磋
投稿与联络：christiegmat(微信)返回搜狐，查看更多
知识图谱：方法、实践与应用
链接：pan.baidu.com/s/1RUZm7BrDOfyyhFofEDuN3w?pwd=88vk
提取码：88vk
适读人群：本书适合有一定自然语言处理和机器学习基础的学生、研究者或从业者阅读，尤其是希望深入研究知识图谱的数据工程师，对人工智能相关方向感兴趣的在校学生，希望进入大数据应用的研究者。
知识图谱方法。系统阐述知识图谱的发展历史与基本概念，梳理知识图谱全生命周期技术，建立方法论思维。
知识图谱实践。囊括知识表示与建模、知识存储、知识抽取与挖掘、知识融合、知识推理、语义搜索、知识问答等，系统性介绍知识图谱技术。各章节提供典型开源工具实践案例，提供相关工具、实验数据及完整的操作说明。
知识图谱应用。结合电商、图情、生活娱乐、企业商业、创投、中医临床、金融等实际应用场景，详细介绍领域知识图谱的构建方法。
内容简介知识图谱是较为典型的多学科交叉领域，涉及知识工程、自然语言处理、机器学习、图数据库等多个领域。《知识图谱：方法、实践与应用》系统地介绍知识图谱涉及的关键技术，如知识建模、关系抽取、图存储、自动推理、图谱表示学习、语义搜索、知识问答、图挖掘分析等。此外，本书还尝试将学术前沿和实战结合，让读者在掌握实际应用能力的同时对前沿技术发展有所了解。
《知识图谱：方法、实践与应用》既适合计算机和人工智能相关的研究人员阅读，又适合在企业一线从事技术和应用开发的人员学习，还可作为高等院校计算机或人工智能专业师生的参考教材。
作者简介王昊奋，上海交通大学计算机博士。中文知识图谱zhishi.me创始人、OpenKG发起人之一、CCF理事、CCF术语审定工委主任、CCFTF执委、中文信息学会语言与知识计算专委会副秘书长、上海交通大学校友会AI分会秘书长。在知识图谱、问答系统和聊天机器人等诸多领域有丰富的研发经验。
漆桂林，东南大学计算机学院教授、东南大学认知智能研究所所长、南京柯基数据科技有限公司首席科学家、OpenKG发起人之一、中国中文信息学会语言与知识计算专业委员会副主任、中国科学技术情报学会知识组织专业委员会副主任、爱思唯尔（Elsevier）数据管理顾问委员会顾问、国际期刊JournalofDataIntelligence执行主编。科研成果在电力故障智能检测和知识推送、医药知识问答及网络安全态势感知系统等领域得到了实际应用。
陈华钧，浙江大学计算机科学与技术学院教授。浙江大学阿里巴巴知识引擎联合实验室负责人、浙江省大数据智能计算重点实验室副主任、中国人工智能学会知识工程与分布智能专业委员会副主任委员、中国中文信息学会语言与知识计算专业委员会副主任委员、OpenKG发起人。曾获国际语义网会议ISWC*佳论文奖。
基于知识图谱的智能化金融与投资平台
作者：禅与计算机程序设计艺术
《基于知识图谱的智能化金融与投资平台》技术博客文章引言1.1.背景介绍
随着金融与投资领域的快速发展，金融风险控制与投资决策需求日益凸显，对金融与投资平台的技术要求也越来越高。传统金融与投资平台存在信息孤岛、数据不透明、服务不一致等问题，导致投资者难以获取全面、准确、及时的金融与投资信息，同时也加剧了金融机构的风险管理难度。
1.2.文章目的
本文旨在介绍一种基于知识图谱的智能化金融与投资平台，通过引入先进的知识图谱技术，将金融与投资领域的各种数据、知识、服务等有机集成，提供一个统一、高效、可信赖的金融与投资服务共享平台，为广大投资者和金融机构提供全新的服务体验。
1.3.目标受众
本文主要面向金融投资者、金融机构、金融科技企业等对金融与投资信息和服务有较高需求的人群，以及希望利用技术手段提高金融风险控制和投资决策能力的机构。
技术原理及概念2.1.基本概念解释
知识图谱（KnowledgeGraph）：将丰富的结构化和半结构化知识组织成图形形式，实现知识之间的关联和融合。知识图谱是一种将自然语言描述的知识与实体、关系、事件等数据结构相结合的数据库，具有语义理解、知识图谱搜索、知识图谱推理等特点。
2.2.技术原理介绍:算法原理，操作步骤，数学公式等
本文采用知识图谱技术实现金融与投资平台的智能化，主要涉及以下技术：
（1）知识图谱构建：通过爬取、抓取、翻译等手段收集各类金融与投资领域的知识，并将其组织成结构化、半结构化知识，形成知识图谱。
（2）知识图谱存储：将知识图谱存储在图数据库中，如Neo4j、OrientDB等。
（3）知识图谱查询：通过知识图谱搜索算法，实现对知识图谱的查询和推荐。
（4）知识图谱推理：通过知识图谱的推理能力，实现对知识之间的语义关系进行推理和分析。
2.3.相关技术比较
本文采用的知识图谱技术在金融与投资平台方面的应用，与常见的知识图谱技术（如谷歌知识图谱、百度知识图谱等）有一定的区别：
（1）数据源：本文基于金融科技领域内的数据，如金融交易所、金融新闻、金融研究等；而传统知识图谱技术更多基于互联网、企业内部等数据源。
（2）知识图谱结构：本文采用的结构化、半结构化知识图谱，较为适合金融与投资领域的知识组织；而传统知识图谱技术更多采用纯结构化知识图谱，不太适合金融与投资领域的知识组织。
（3）应用场景：本文主要面向金融投资者、金融机构、金融科技企业等对金融与投资信息和服务有较高需求的人群，而传统知识图谱技术更多面向搜索引擎、自然语言处理等领域。
实现步骤与流程3.1.准备工作：环境配置与依赖安装
首先，确保读者已安装了Linux操作系统，并在终端中运行了以下命令，安装以下依赖：
pipinstallneo4jpipinstallgraph-based-parsingpipinstallpygraphvizpipinstallnumpypipinstallpandaspipinstallscikit-learnpipinstallrequests3.2.核心模块实现
创建一个名为金融与投资平台的Python项目，并在其中实现以下核心模块：
importneo4jfromneo4jimportGraphDatabaseimportrequestsfromPILimportImageimportnumpyasnpimportpandasaspdimportsklearnfromsklearn.model_selectionimporttrain_test_splitimportPIL#初始化Neo4j数据库graph=GraphDatabase.driver("bolt://localhost:7687",auth=("neo4j","password"))#获取金融与投资平台的知识图谱query="CREATECONSTRAINTON(：Node{})RETURNING(：Relationship{})"result=graph.run_query(query,{"constraint":"金融与投资平台","relationship":"三角关系"})nodes=result.start()relations=result.relations()#存储知识图谱knowledge_graph={}fornodeinnodes:forrelationshipinrelations:knowledge_graph[str(node)+":("+str(relationship))]=relationship.to("triplestore")#定义金融与投资平台的知识图谱节点和关系nodes=["A:节点1","B:节点2","C:节点3","D:节点4","E:节点5","F:节点6","G:节点7","H:节点8"]relations=["A:关系1","B:关系2","C:关系3","D:关系4","E:关系5","F:关系6","G:关系7","H:关系8"]#将知识图谱节点和关系映射到金融与投资平台页面fornodeinnodes:knowledge_graph[str(node)+":("+str(relations))]["金融与投资平台"]={"A":nodes[node],"B":nodes[node],"C":nodes[node],"D":nodes[node],"E":nodes[node],"F":nodes[node],"G":nodes[node],"H":nodes[node]}3.3.集成与测试
在项目中集成上述核心模块，并在本地运行以下命令进行测试：
pythonrun_example.py应用示例与代码实现讲解4.1.应用场景介绍
本文提供一个简单的金融与投资平台应用场景，主要实现以下功能：
（1）用户注册、登录
（2）用户发布投资需求
（3）平台为用户推荐投资项目
（4）用户对投资项目进行评价
（5）用户可以查看自己的投资记录
4.2.应用实例分析
以下是一个用户在金融与投资平台上进行投资的典型流程：
（1）用户注册、登录
#user_login.pydefuser_login(username,password):conn=graph.driver("bolt://localhost:7687",auth=("neo4j",password))withconn.session()assession:query="SELECT*FROMusersWHEREusername={}ANDpassword={}".format(username,password)result=session.run_query(query)returnresult.start()#用户注册defuser_register(username,password):conn=graph.driver("bolt://localhost:7687",auth=("neo4j",password))withconn.session()assession:query="INSERTINTOusers(username,password)VALUES(?,?)"result=session.run_query(query,(username,password))returnresult.start()（2）用户发布投资需求
#user_publish_investment.pydefuser_publish_investment(username,investment_amount,investment_project):conn=graph.driver("bolt://localhost:7687",auth=("neo4j",username))withconn.session()assession:query="INSERTINTOinvestments(user_id,investment_amount,investment_project)VALUES(?,?,?)"result=session.run_query(query,(username,investment_amount,investment_project))returnresult.start()（3）平台为用户推荐投资项目
#platform_recommend_investment.pydefplatform_recommend_investment(username):conn=graph.driver("bolt://localhost:7687",auth=("neo4j",username))withconn.session()assession:query="SELECT*FROMinvestmentsWHEREuser_id={}".format(username)result=session.run_query(query)returnresult.start()（4）用户对投资项目进行评价
#user_evaluate_investment.pydefuser_evaluate_investment(username,investment_id):conn=graph.driver("bolt://localhost:7687",auth=("neo4j",username))withconn.session()assession:query="SELECT*FROMinvestmentsWHEREuser_id={ANDid={}".format(username,investment_id)result=session.run_query(query)returnresult.start()（5）用户可以查看自己的投资记录
#user_view_investment_history.pydefuser_view_investment_history(username):conn=graph.driver("bolt://localhost:7687",auth=("neo4j",username))withconn.session()assession:query="SELECT*FROMinvestmentsWHEREuser_id={}".format(username)result=session.run_query(query)returnresult.start()4.3.核心代码实现
#app.pydefapp():username="user1"password="password1"investment_amount=10000investment_project="Testinvestment"response=user_login(username,password)investment=platform_recommend_investment(username)response=user_evaluate_investment(username,investment.id)investment_history=user_view_investment_history(username)returnresponse,investment_history#启动应用if__name__=="__main__":app()优化与改进5.1.性能优化
使用Neo4j的分布式架构，提高数据处理效率使用图数据库提高数据存储效率5.2.可扩展性改进
采用微服务架构，实现各个模块的解耦使用容器化技术，实现服务的快速部署和扩容5.3.安全性加固
使用HTTPS加密传输数据，提高数据安全性对用户输入进行校验，防止SQL注入等攻击结论与展望结论本文介绍了如何使用知识图谱技术实现一个智能化金融与投资平台，并提供了完整的实现步骤与代码实现。通过将知识图谱技术与金融与投资领域的数据、知识、服务等有机集成，提供一个统一、高效、可信赖的金融与投资服务共享平台，为广大投资者和金融机构提供全新的服务体验。
展望随着金融与投资领域的快速发展，知识图谱技术在金融与投资平台中的应用前景广阔。未来，我们将进一步探索知识图谱技术在金融与投资平台中的应用，如提供更加个性化的投资推荐、实现投资项目的在线评估等，以满足不同投资者和金融机构的需求。