基于社交网络知识图谱的知识推理系统及方法与流程

本发明涉及一种知识推理系统及方法，特别是涉及一种基于社交网络知识图谱的知识推理系统及方法。

背景技术：

目前的基于社交网络知识图谱的分析方法，通常的方法都是基于实体库，属性库，关系库三大基本数据源来进行多重图网的分析，然后经过知识图谱来发现其中的知识信息。由于实体库，属性库，关系库属于基本的数据库，虽然数据量庞大且种类丰富。正因量大类多，所以不能按需找出具体有用的图形数据，很难产出高效有用的图谱模型，且对应关系方法的分析准确率较低。实体库，属性库，关系库都是比较显性的图形数据，可以直接查询出来一些通常的图形数据，缺少很多创新型的图形模式。很多隐性的图形数据信息必须通过具体的算法来分析得出，往往这些隐性的图形数据信息才是核心重要的信息。

技术实现要素：

本发明所要解决的技术问题是提供一种基于社交网络知识图谱的知识推理系统及方法，其能够通过社交网络的知识图谱发现更多的社会关系，按需查找社交网络的知识图谱中的隐性关系，根据算法模型，对图模型定期增量进行更新和获得更具有创新与更准确的关系模型。

本发明是通过下述技术方案来解决上述技术问题的：一种基于社交网络知识图谱的知识推理系统，其包括数据源模块、多重图网络引擎模块、知识图谱发现模块、分布式图形数据库模块、核心子算法模块，数据源模块、知识图谱发现模块、分布式图形数据库模块、核心子算法模块都与多重图网络引擎模块相连，分布式图形数据库模块与核心子算法模块相连。

优选地，所述数据源模块包括社交网络的数据中的实体库、属性库、关系库，这三大数据源的数据共同支撑了整个社交网络的基本知识图谱。

优选地，所述多重图网络引擎模块，根据数据源的数据信息以及社交网络的人物实体与属性实体，以及实体与实体间的关系来将数据进行整理，形成多重复杂的网络式关系网。

优选地，所述知识图谱发现模块是基于多重网络引擎所产生的多重复杂的网络式关系网，根据一系列的方法来分析发现出具有一定价值的知识图谱。

优选地，所述分布式图形数据库模块由于海量数据经过多重图网络引擎所形成的图形数据，根据挖掘构建知识所产生的新的图形模式数据与定期增量的图模型信息。

优选地，所述核心子算法模块包括频繁行为发现模块、数据共振关联模块、收入水平发现模块、社团发现模块、团体关键人物发现模块、可增加的气体其他模块，频繁行为发现模块与数据共振关联模块相连，社团发现模块位于数据共振关联模块和社团发现模块之间，社团发现模块与团体关键人物发现模块相连，团体关键人物发现模块与可增加的气体其他模块相连，通过这些模块来发现出社交网络知识图谱中需要的隐性关系，其算法模块不仅是极具创新的算法模型，气精确度也非常高，能够精确地定位到具体的图形关系。

本发明还提供一种基于社交网络知识图谱的知识推理方法，其包括以下步骤：

步骤一，构建多重关系图模型；根据社交网络的人物实体与属性实体，以及实体与实体间的关系构建多重关系图模型，并利用分布式图形数据库将图模型持久化存储；

步骤二，判断是否需要走知识图谱推理流程；当输入查询条件时，系统首先查询分布式图形数据库，若该条件对应的边完整则转步骤五，反之则转步骤三，当再次输入同样的查询条件时，则转步骤五，这样极大提高系统的效率；

步骤三，知识图谱推理；根据分布式图形数据库返回的该查询条件的知识推理边的完整程度，在多重图网络引擎中分别调用不完整的推理边对应的知识图谱推理模块，在图模型中搜索查找对应的知识信息；

步骤四，图模型定期增量进行更新；根据知识图谱分析推理流程推理所出的边，对分布式图像数据库的图模型定期增量进行更新，这样就使得图模型的边越来越丰富和完善；

步骤五，结束。

优选地，所述步骤三包括以下步骤：

步骤三十，频繁行为发现；根据频繁模式挖掘算法发现输入的被搜索人的频繁行为；

步骤三十一，数据共振关联；基于轨迹相似度，通过已知轨迹与一些相关信息筛选分析得出有用的未知信息；

步骤三十二，收入水平发现；从多重图网络引擎提取经济状况相关信息，针对目标人物的经济状况进行建模，根据其名下资产、消费行为和社会救助情况推测其近期经济状况，采用多分类算法，把所有人员按近期经济状况分为高中低三个档次，发现被搜索人的收入水平；

步骤三十三，社团发现；利用普聚类算法分析图模型的边界权重得出权重最短的各组节点，每一组则为一个团队；

步骤三十四，团队关键人物发现；计算每一个团队各个节点的度，最大的度的节点则为团队关键人物；

步骤三十五，可扩展算法模型；根据需求的变动，按需设计算法模型，然后加入知识图谱中获得相关的图形关系。

本发明的积极进步效果在于：本发明能够随着图模型定期增量进行更新，使整个图形数据库越来越丰富；本发明通过更具有创新型与更准确的图形关系来获得更有价值的数据信息；本发明加入了具体的算法模型在知识图谱中发现更多更有用的关系，算法模型的扩展使暴露出更多的隐性关系。

附图说明

图1为本发明的结构示意图。

图2为本发明的流程图。

具体实施方式

下面结合附图给出本发明较佳实施例，以详细说明本发明的技术方案。

如图1所示，本发明基于社交网络知识图谱的知识推理系统包括数据源模块、多重图网络引擎模块、知识图谱发现模块、分布式图形数据库模块、核心子算法模块，数据源模块、知识图谱发现模块、分布式图形数据库模块、核心子算法模块都与多重图网络引擎模块相连，分布式图形数据库模块与核心子算法模块相连。

所述数据源模块包括社交网络的数据中的实体库、属性库、关系库，这三大数据源的数据共同支撑了整个社交网络的基本知识图谱。

所述多重图网络引擎模块，根据数据源的数据信息以及社交网络的人物实体与属性实体，以及实体与实体间的关系来将数据进行整理，形成多重复杂的网络式关系网。

所述知识图谱发现模块是基于多重网络引擎所产生的多重复杂的网络式关系网，根据一系列的方法来分析发现出具有一定价值的知识图谱。

所述分布式图形数据库模块由于海量数据经过多重图网络引擎所形成的图形数据，根据挖掘构建知识所产生的新的图形模式数据与定期增量的图模型信息。

所述核心子算法模块包括频繁行为发现模块、数据共振关联模块、收入水平发现模块、社团发现模块、团体关键人物发现模块、可增加的气体其他模块，频繁行为发现模块与数据共振关联模块相连，社团发现模块位于数据共振关联模块和社团发现模块之间，社团发现模块与团体关键人物发现模块相连，团体关键人物发现模块与可增加的气体其他模块相连，通过这些模块来发现出社交网络知识图谱中需要的隐性关系，其算法模块不仅是极具创新的算法模型，气精确度也非常高，能够精确地定位到具体的图形关系。

如图2所示，本发明基于社交网络知识图谱的知识推理方法包括以下步骤：

步骤一，构建多重关系图模型；根据社交网络的人物实体与属性实体，以及实体与实体间的关系构建多重关系图模型，并利用分布式图形数据库将图模型持久化存储；

步骤二，判断是否需要走知识图谱推理流程；当输入查询条件时，系统首先查询分布式图形数据库，若该条件对应的边完整则转步骤五，反之则转步骤三，当再次输入同样的查询条件时，则转步骤五，这样极大提高系统的效率；

步骤三，知识图谱推理；根据分布式图形数据库返回的该查询条件的知识推理边的完整程度，在多重图网络引擎中分别调用不完整的推理边对应的知识图谱推理模块，在图模型中搜索查找对应的知识信息；

步骤四，图模型定期增量进行更新；根据知识图谱分析推理流程推理所出的边，对分布式图像数据库的图模型定期增量进行更新，这样就使得图模型的边越来越丰富和完善；

步骤五，结束。

所述步骤三包括以下步骤：

步骤三十，频繁行为发现；根据频繁模式挖掘算法发现输入的被搜索人的频繁行为，如最常出现的地方，得出被搜索人的活动轨迹等；

步骤三十一，数据共振关联；基于轨迹相似度，通过已知轨迹与一些相关信息筛选分析得出有用的未知信息，如利用已知的mac地址与车辆数据结合推理得出被搜索人的手机号码等通讯信息；

步骤三十二，收入水平发现；从多重图网络引擎提取经济状况相关信息，针对目标人物的经济状况进行建模，根据其名下资产、消费行为和社会救助情况等推测其近期经济状况，采用多分类算法，把所有人员按近期经济状况分为高中低三个档次，发现被搜索人的收入水平；

步骤三十三，社团发现；利用普聚类算法分析图模型的边界权重得出权重最短的各组节点，每一组则为一个团队；

步骤三十四，团队关键人物发现；计算每一个团队各个节点的度，最大的度的节点则为团队关键人物；

步骤三十五，可扩展算法模型；根据需求的变动，按需设计算法模型，然后加入知识图谱中获得相关的图形关系。

以上所述的具体实施例，对本发明的解决的技术问题、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。