本發(fā)明涉及一種知識推理系統(tǒng)及方法，特別是涉及一種基于社交網(wǎng)絡(luò)知識圖譜的知識推理系統(tǒng)及方法。

背景技術(shù)：

目前的基于社交網(wǎng)絡(luò)知識圖譜的分析方法，通常的方法都是基于實體庫，屬性庫，關(guān)系庫三大基本數(shù)據(jù)源來進行多重圖網(wǎng)的分析，然后經(jīng)過知識圖譜來發(fā)現(xiàn)其中的知識信息。由于實體庫，屬性庫，關(guān)系庫屬于基本的數(shù)據(jù)庫，雖然數(shù)據(jù)量龐大且種類豐富。正因量大類多，所以不能按需找出具體有用的圖形數(shù)據(jù)，很難產(chǎn)出高效有用的圖譜模型，且對應(yīng)關(guān)系方法的分析準(zhǔn)確率較低。實體庫，屬性庫，關(guān)系庫都是比較顯性的圖形數(shù)據(jù)，可以直接查詢出來一些通常的圖形數(shù)據(jù)，缺少很多創(chuàng)新型的圖形模式。很多隱性的圖形數(shù)據(jù)信息必須通過具體的算法來分析得出，往往這些隱性的圖形數(shù)據(jù)信息才是核心重要的信息。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是提供一種基于社交網(wǎng)絡(luò)知識圖譜的知識推理系統(tǒng)及方法，其能夠通過社交網(wǎng)絡(luò)的知識圖譜發(fā)現(xiàn)更多的社會關(guān)系，按需查找社交網(wǎng)絡(luò)的知識圖譜中的隱性關(guān)系，根據(jù)算法模型，對圖模型定期增量進行更新和獲得更具有創(chuàng)新與更準(zhǔn)確的關(guān)系模型。

本發(fā)明是通過下述技術(shù)方案來解決上述技術(shù)問題的：一種基于社交網(wǎng)絡(luò)知識圖譜的知識推理系統(tǒng)，其包括數(shù)據(jù)源模塊、多重圖網(wǎng)絡(luò)引擎模塊、知識圖譜發(fā)現(xiàn)模塊、分布式圖形數(shù)據(jù)庫模塊、核心子算法模塊，數(shù)據(jù)源模塊、知識圖譜發(fā)現(xiàn)模塊、分布式圖形數(shù)據(jù)庫模塊、核心子算法模塊都與多重圖網(wǎng)絡(luò)引擎模塊相連，分布式圖形數(shù)據(jù)庫模塊與核心子算法模塊相連。

優(yōu)選地，所述數(shù)據(jù)源模塊包括社交網(wǎng)絡(luò)的數(shù)據(jù)中的實體庫、屬性庫、關(guān)系庫，這三大數(shù)據(jù)源的數(shù)據(jù)共同支撐了整個社交網(wǎng)絡(luò)的基本知識圖譜。

優(yōu)選地，所述多重圖網(wǎng)絡(luò)引擎模塊，根據(jù)數(shù)據(jù)源的數(shù)據(jù)信息以及社交網(wǎng)絡(luò)的人物實體與屬性實體，以及實體與實體間的關(guān)系來將數(shù)據(jù)進行整理，形成多重復(fù)雜的網(wǎng)絡(luò)式關(guān)系網(wǎng)。

優(yōu)選地，所述知識圖譜發(fā)現(xiàn)模塊是基于多重網(wǎng)絡(luò)引擎所產(chǎn)生的多重復(fù)雜的網(wǎng)絡(luò)式關(guān)系網(wǎng)，根據(jù)一系列的方法來分析發(fā)現(xiàn)出具有一定價值的知識圖譜。

優(yōu)選地，所述分布式圖形數(shù)據(jù)庫模塊由于海量數(shù)據(jù)經(jīng)過多重圖網(wǎng)絡(luò)引擎所形成的圖形數(shù)據(jù)，根據(jù)挖掘構(gòu)建知識所產(chǎn)生的新的圖形模式數(shù)據(jù)與定期增量的圖模型信息。

優(yōu)選地，所述核心子算法模塊包括頻繁行為發(fā)現(xiàn)模塊、數(shù)據(jù)共振關(guān)聯(lián)模塊、收入水平發(fā)現(xiàn)模塊、社團發(fā)現(xiàn)模塊、團體關(guān)鍵人物發(fā)現(xiàn)模塊、可增加的氣體其他模塊，頻繁行為發(fā)現(xiàn)模塊與數(shù)據(jù)共振關(guān)聯(lián)模塊相連，社團發(fā)現(xiàn)模塊位于數(shù)據(jù)共振關(guān)聯(lián)模塊和社團發(fā)現(xiàn)模塊之間，社團發(fā)現(xiàn)模塊與團體關(guān)鍵人物發(fā)現(xiàn)模塊相連，團體關(guān)鍵人物發(fā)現(xiàn)模塊與可增加的氣體其他模塊相連，通過這些模塊來發(fā)現(xiàn)出社交網(wǎng)絡(luò)知識圖譜中需要的隱性關(guān)系，其算法模塊不僅是極具創(chuàng)新的算法模型，氣精確度也非常高，能夠精確地定位到具體的圖形關(guān)系。

本發(fā)明還提供一種基于社交網(wǎng)絡(luò)知識圖譜的知識推理方法，其包括以下步驟：

步驟一，構(gòu)建多重關(guān)系圖模型；根據(jù)社交網(wǎng)絡(luò)的人物實體與屬性實體，以及實體與實體間的關(guān)系構(gòu)建多重關(guān)系圖模型，并利用分布式圖形數(shù)據(jù)庫將圖模型持久化存儲；

步驟二，判斷是否需要走知識圖譜推理流程；當(dāng)輸入查詢條件時，系統(tǒng)首先查詢分布式圖形數(shù)據(jù)庫，若該條件對應(yīng)的邊完整則轉(zhuǎn)步驟五，反之則轉(zhuǎn)步驟三，當(dāng)再次輸入同樣的查詢條件時，則轉(zhuǎn)步驟五，這樣極大提高系統(tǒng)的效率；

步驟三，知識圖譜推理；根據(jù)分布式圖形數(shù)據(jù)庫返回的該查詢條件的知識推理邊的完整程度，在多重圖網(wǎng)絡(luò)引擎中分別調(diào)用不完整的推理邊對應(yīng)的知識圖譜推理模塊，在圖模型中搜索查找對應(yīng)的知識信息；

步驟四，圖模型定期增量進行更新；根據(jù)知識圖譜分析推理流程推理所出的邊，對分布式圖像數(shù)據(jù)庫的圖模型定期增量進行更新，這樣就使得圖模型的邊越來越豐富和完善；

步驟五，結(jié)束。

優(yōu)選地，所述步驟三包括以下步驟：

步驟三十，頻繁行為發(fā)現(xiàn)；根據(jù)頻繁模式挖掘算法發(fā)現(xiàn)輸入的被搜索人的頻繁行為；

步驟三十一，數(shù)據(jù)共振關(guān)聯(lián)；基于軌跡相似度，通過已知軌跡與一些相關(guān)信息篩選分析得出有用的未知信息；

步驟三十二，收入水平發(fā)現(xiàn)；從多重圖網(wǎng)絡(luò)引擎提取經(jīng)濟狀況相關(guān)信息，針對目標(biāo)人物的經(jīng)濟狀況進行建模，根據(jù)其名下資產(chǎn)、消費行為和社會救助情況推測其近期經(jīng)濟狀況，采用多分類算法，把所有人員按近期經(jīng)濟狀況分為高中低三個檔次，發(fā)現(xiàn)被搜索人的收入水平；

步驟三十三，社團發(fā)現(xiàn)；利用普聚類算法分析圖模型的邊界權(quán)重得出權(quán)重最短的各組節(jié)點，每一組則為一個團隊；

步驟三十四，團隊關(guān)鍵人物發(fā)現(xiàn)；計算每一個團隊各個節(jié)點的度，最大的度的節(jié)點則為團隊關(guān)鍵人物；

步驟三十五，可擴展算法模型；根據(jù)需求的變動，按需設(shè)計算法模型，然后加入知識圖譜中獲得相關(guān)的圖形關(guān)系。

本發(fā)明的積極進步效果在于：本發(fā)明能夠隨著圖模型定期增量進行更新，使整個圖形數(shù)據(jù)庫越來越豐富；本發(fā)明通過更具有創(chuàng)新型與更準(zhǔn)確的圖形關(guān)系來獲得更有價值的數(shù)據(jù)信息；本發(fā)明加入了具體的算法模型在知識圖譜中發(fā)現(xiàn)更多更有用的關(guān)系，算法模型的擴展使暴露出更多的隱性關(guān)系。

附圖說明

圖1為本發(fā)明的結(jié)構(gòu)示意圖。

圖2為本發(fā)明的流程圖。

具體實施方式

下面結(jié)合附圖給出本發(fā)明較佳實施例，以詳細(xì)說明本發(fā)明的技術(shù)方案。

如圖1所示，本發(fā)明基于社交網(wǎng)絡(luò)知識圖譜的知識推理系統(tǒng)包括數(shù)據(jù)源模塊、多重圖網(wǎng)絡(luò)引擎模塊、知識圖譜發(fā)現(xiàn)模塊、分布式圖形數(shù)據(jù)庫模塊、核心子算法模塊，數(shù)據(jù)源模塊、知識圖譜發(fā)現(xiàn)模塊、分布式圖形數(shù)據(jù)庫模塊、核心子算法模塊都與多重圖網(wǎng)絡(luò)引擎模塊相連，分布式圖形數(shù)據(jù)庫模塊與核心子算法模塊相連。

所述數(shù)據(jù)源模塊包括社交網(wǎng)絡(luò)的數(shù)據(jù)中的實體庫、屬性庫、關(guān)系庫，這三大數(shù)據(jù)源的數(shù)據(jù)共同支撐了整個社交網(wǎng)絡(luò)的基本知識圖譜。

所述多重圖網(wǎng)絡(luò)引擎模塊，根據(jù)數(shù)據(jù)源的數(shù)據(jù)信息以及社交網(wǎng)絡(luò)的人物實體與屬性實體，以及實體與實體間的關(guān)系來將數(shù)據(jù)進行整理，形成多重復(fù)雜的網(wǎng)絡(luò)式關(guān)系網(wǎng)。

所述知識圖譜發(fā)現(xiàn)模塊是基于多重網(wǎng)絡(luò)引擎所產(chǎn)生的多重復(fù)雜的網(wǎng)絡(luò)式關(guān)系網(wǎng)，根據(jù)一系列的方法來分析發(fā)現(xiàn)出具有一定價值的知識圖譜。

所述分布式圖形數(shù)據(jù)庫模塊由于海量數(shù)據(jù)經(jīng)過多重圖網(wǎng)絡(luò)引擎所形成的圖形數(shù)據(jù)，根據(jù)挖掘構(gòu)建知識所產(chǎn)生的新的圖形模式數(shù)據(jù)與定期增量的圖模型信息。

所述核心子算法模塊包括頻繁行為發(fā)現(xiàn)模塊、數(shù)據(jù)共振關(guān)聯(lián)模塊、收入水平發(fā)現(xiàn)模塊、社團發(fā)現(xiàn)模塊、團體關(guān)鍵人物發(fā)現(xiàn)模塊、可增加的氣體其他模塊，頻繁行為發(fā)現(xiàn)模塊與數(shù)據(jù)共振關(guān)聯(lián)模塊相連，社團發(fā)現(xiàn)模塊位于數(shù)據(jù)共振關(guān)聯(lián)模塊和社團發(fā)現(xiàn)模塊之間，社團發(fā)現(xiàn)模塊與團體關(guān)鍵人物發(fā)現(xiàn)模塊相連，團體關(guān)鍵人物發(fā)現(xiàn)模塊與可增加的氣體其他模塊相連，通過這些模塊來發(fā)現(xiàn)出社交網(wǎng)絡(luò)知識圖譜中需要的隱性關(guān)系，其算法模塊不僅是極具創(chuàng)新的算法模型，氣精確度也非常高，能夠精確地定位到具體的圖形關(guān)系。

如圖2所示，本發(fā)明基于社交網(wǎng)絡(luò)知識圖譜的知識推理方法包括以下步驟：

步驟一，構(gòu)建多重關(guān)系圖模型；根據(jù)社交網(wǎng)絡(luò)的人物實體與屬性實體，以及實體與實體間的關(guān)系構(gòu)建多重關(guān)系圖模型，并利用分布式圖形數(shù)據(jù)庫將圖模型持久化存儲；

步驟二，判斷是否需要走知識圖譜推理流程；當(dāng)輸入查詢條件時，系統(tǒng)首先查詢分布式圖形數(shù)據(jù)庫，若該條件對應(yīng)的邊完整則轉(zhuǎn)步驟五，反之則轉(zhuǎn)步驟三，當(dāng)再次輸入同樣的查詢條件時，則轉(zhuǎn)步驟五，這樣極大提高系統(tǒng)的效率；

步驟三，知識圖譜推理；根據(jù)分布式圖形數(shù)據(jù)庫返回的該查詢條件的知識推理邊的完整程度，在多重圖網(wǎng)絡(luò)引擎中分別調(diào)用不完整的推理邊對應(yīng)的知識圖譜推理模塊，在圖模型中搜索查找對應(yīng)的知識信息；

步驟四，圖模型定期增量進行更新；根據(jù)知識圖譜分析推理流程推理所出的邊，對分布式圖像數(shù)據(jù)庫的圖模型定期增量進行更新，這樣就使得圖模型的邊越來越豐富和完善；

步驟五，結(jié)束。

所述步驟三包括以下步驟：

步驟三十，頻繁行為發(fā)現(xiàn)；根據(jù)頻繁模式挖掘算法發(fā)現(xiàn)輸入的被搜索人的頻繁行為，如最常出現(xiàn)的地方，得出被搜索人的活動軌跡等；

步驟三十一，數(shù)據(jù)共振關(guān)聯(lián)；基于軌跡相似度，通過已知軌跡與一些相關(guān)信息篩選分析得出有用的未知信息，如利用已知的mac地址與車輛數(shù)據(jù)結(jié)合推理得出被搜索人的手機號碼等通訊信息；

步驟三十二，收入水平發(fā)現(xiàn)；從多重圖網(wǎng)絡(luò)引擎提取經(jīng)濟狀況相關(guān)信息，針對目標(biāo)人物的經(jīng)濟狀況進行建模，根據(jù)其名下資產(chǎn)、消費行為和社會救助情況等推測其近期經(jīng)濟狀況，采用多分類算法，把所有人員按近期經(jīng)濟狀況分為高中低三個檔次，發(fā)現(xiàn)被搜索人的收入水平；

步驟三十三，社團發(fā)現(xiàn)；利用普聚類算法分析圖模型的邊界權(quán)重得出權(quán)重最短的各組節(jié)點，每一組則為一個團隊；

步驟三十四，團隊關(guān)鍵人物發(fā)現(xiàn)；計算每一個團隊各個節(jié)點的度，最大的度的節(jié)點則為團隊關(guān)鍵人物；

步驟三十五，可擴展算法模型；根據(jù)需求的變動，按需設(shè)計算法模型，然后加入知識圖譜中獲得相關(guān)的圖形關(guān)系。

以上所述的具體實施例，對本發(fā)明的解決的技術(shù)問題、技術(shù)方案和有益效果進行了進一步詳細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。