一种安全对象知识图谱大数据挖掘方法及装置与流程

1.本技术涉及钢铁等冶炼企业大数据应用技术领域，尤其涉及一种基于图数据库的安全对象知识图谱大数据挖掘方法及装置。


背景技术：

2.在钢铁等冶炼业务领域中，随着生产过程中各生产安全对象相关安全要素信息的不断积累，对各种生产要素数据进行收集、分析、整合和使用变得越来越重要，提高安全生产监管水平也有赖于围绕以生产安全数据为核心的精确管理体系。而数据挖掘技术是目前处理大数据信息的主要手段之一。数据挖掘技术，通过从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的潜在有用的信息和知识的过程，是一种更深层次的数据分析。随着数据挖掘技术的发展，其涉及众多科学技术，包括数据库技术、统计学、机器学习、信息科学、数据可视化等其他科学。
3.目前钢铁企业安全生产相关要素传统的知识图谱主要是基于传统的关系型数据库进行创建。传统的关系型数据库对于生产安全中各类数据的关联关系常常会非常复杂，需要大量的关联表来记录这一系列复杂的关系。在更多实体引入之后，我们将需要越来越多的关联表，从而使得基于关系型数据的解决方案繁琐易错，性能很差。为了快速，方便的构建生产安全要素知识图谱，基于图数据库的生产安全要素知识图谱，图数据库原声支持数据之间关系关联，不仅仅可以为我们带来运行性能的提升，更可以大大提高系统开发效率，减少维护成本。从而最终运用大数据技术，根据安全对象的基本属性、人的安全行为、物的安全状态、环境的安全条件、安全管理制度等成像要素抽象出标签化的安全对象主体模型，支撑全方位展现生产安全要素信息，为安全监管部门提供科学管理的依据。
4.虽然大数据挖掘案例很多，但是如何将图数据库技术应用到生产安全管理领域数据挖掘中，尤其是利用图数据库快速构建和描述安全对象，为安全监管提供有利数据支撑，成为目前极需解决的技术问题。


技术实现要素：

5.针对目前电力行业工作的实际需求，本技术提供了一种安全对象知识图谱大数据挖掘方法及装置，以解决现有技术中生产安全要素知识图谱运行性能低，知识图谱系统开发效率低下，维护成本过高的问题。
6.第一方面，本技术提供了一种安全对象知识图谱大数据挖掘方法，所述方法包括：
7.对安全对象进行目标解读，获取所述安全对象画像的建设目标和效果预期；
8.基于图数据库中的节点和边，构建所述安全对象知识图谱的数据模型和存储数据；
9.通过所述数据模型，获取数据节点和子节点实体；
10.通过所述安全对象知识图谱中的边，构建所述数据节点和所述子节点实体之间的关联关系；
11.规约所述数据关联关系、标签和属性，生成安全对象知识图谱画像和所述安全对象之间的关联关系。
12.在一种实现方式中，所述安全对象知识图谱中的节点设置为所述子节点实体，所述安全对象知识图谱中的边设置为所述子节点实体之间的语义关系。
13.在一种实现方式中，基于图数据库，并通过大数据知识图谱对安全对象进行数据挖掘。
14.在一种实现方式中，所述图数据库具体包括，节点、边、属性以及标签。
15.在一种实现方式中，还通过所述安全对象的基本属性、人的安全行为、物的安全状态、环境的安全条件以及安全管理制度，构建出所述安全对象知识图谱的数据模型。
16.第二方面，本技术提供了一种安全对象知识图谱大数据挖掘装置，包括，目标解读模块、知识图谱构建模块、节点获取模块、数据关系关联模块以及目标生成模块，其中：
17.所述目标解读模块，用于对安全对象进行目标解读，获取所述安全对象画像的建设目标和效果预期；
18.所述知识图谱构建模块，用于基于图数据库中的节点和边，构建所述安全对象知识图谱的数据模型和存储数据；
19.所述节点获取模块，用于通过所述数据模型，获取数据节点和子节点实体；
20.所述数据关系关联模块，用于通过所述安全对象知识图谱中的边，构建所述数据节点和所述子节点实体之间的关联关系；
21.所述生成模块，用于规约所述数据关联关系、标签和属性，生成安全对象知识图谱画像和所述安全对象之间的关联关系。
22.本技术提供的一种安全对象知识图谱大数据挖掘方法及装置，通过基于图数据库的安全对象知识图谱的应用，带来啊生产安全要素知识图谱运行性能的提升，快速挖掘各安全生产要素直接的关联关系，提升安全管理部门的管理效率和安全问题反应速度，另外，通过安全对象知识图谱铺助安全对象提前发现相互之间的关联关系，预防安全对象发现安全生产的隐患，评估相关风险。
附图说明
23.为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
24.图1为一种安全对象知识图谱大数据挖掘方法的流程示意图；
25.图2为一种安全对象知识图谱大数据挖掘装置的结构示意图；
26.图3为一种安全对象知识图谱的数据模型示意图；
27.图4为一种安全对象知识图谱和安全对象画像的示意图。
具体实施方式
28.下面将详细地对实施例进行说明，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。以下实施例中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。仅是与权利要求书中所详述的、本技术的
一些方面相一致的系统和方法的示例。
29.需要说明的是，本技术中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本技术的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
30.本技术中说明书和权利要求书及上述附图的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出所有组件，而是可包括没有清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其他组件。术语“模块”是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。
31.本技术公开了一种安全对象知识图谱大数据挖掘方法及装置，主要围绕钢铁等冶炼领域安全对象知识图谱应用，基于图数据库组织数据，以安全对象知识图谱中的节点和边的方式来设计数据模型和存储数据，从而根据安全对象的基本属性、人的安全行为、物的安全状态、环境的安全条件、安全管理制度等成像要素抽象出标签化的安全对象图数据模型，支撑快速的全面分析安全对象的概况和知识图谱，从而智能发现安全生产的要素关联性，挖掘评估相关生产风险，提高钢铁企业安全生产的监控管理水平。
32.本技术提供的一种安全对象知识图谱大数据挖掘方法，参见图1，所述方法具体步骤包括：
33.s1，对安全对象进行目标解读，获取所述安全对象画像的建设目标和效果预期；s2，用于基于图数据库中的节点和边，构建所述安全对象知识图谱的数据模型和存储数据；s3，通过所述数据模型，获取数据节点和子节点实体；s4，通过所述安全对象知识图谱中的边，构建所述数据节点和所述子节点实体之间的关联关系；s5，规约所述数据关联关系、标签和属性，生成安全对象知识图谱画像和所述安全对象之间的关联关系。
34.具体的，本技术主要针对安全对象基于图数据库构建知识图谱，首先针对安全对象进行目标解读：构建安全对象画像的目标是为了提升对安全对象的安全管理力度，细化安全管理维度，实现全方位的安全管理能力，能够宏观展现，微观钻取。因此，首先需要明确安全对象画像的建设目标和效果预期，进而有针对性的开展实施工作。
35.在一些实施例中，所述安全对象知识图谱中的节点设置为所述子节点实体，所述安全对象知识图谱中的边设置为所述子节点实体之间的语义关系。
36.示例性的，结合对安全对象知识图谱进行图数据建模，结合实际的需求，找出相关的数据节点和子节点实体，并规约数据关联关系和标签、属性，形成符合实际情况的建模体系。
37.进一步的，本技术还通过大数据知识图谱对钢铁企业安全对象进行数据挖掘和关联分析，生成钢铁企业安全对象知识图谱以及所述钢铁企业安全对象之间的关联关系。
38.示例性的，本技术提供的一种安全对象知识图谱大数据挖掘方法，用于钢铁等冶炼企业大数据领域，主要围绕钢铁安全兑现知识图谱应用，并在钢铁领域企业安全生产中用大数据知识图谱技术进行安全要素数据挖掘和关联分析，生成钢铁企业安全知识和针对钢铁企业安全生产对象之间关联关系分析。
39.在一些实施例中，基于图数据库，并通过所述大数据知识图谱对目标安全对象进
行数据挖掘。
40.示例性的，现有技术对安全对象的知识图谱的构建，主要是基于传统关系型数据库进行构建数据模型，这种方式往往不能很好的处理安全对象各类数据的关联关系，需要大量的关联表来记录这一系列复杂的关系，从而使得基于关系型数据库的解决方案繁琐易错，性能很差。而本技术提供的一种安全对象知识图谱大数据挖掘方法，为了能够快速、方便得构建安全对象知识图谱，通过基于图数据库的生产安全要素知识图谱，图数据库原生支持数据之间关系关联，不仅可以带来生产安全要素知识图谱运行性能的提升，更可以大大提高知识图谱系统开发率，减少维护成本。
41.在一些实施例中，所述图数据库具体包括，节点、边、属性以及标签。
42.示例性的，参见图3，对安全对象和子设备，通过主要结合安全对象知识图谱的实际需求，以数据仓库为数据实体，建立数据模型，构建标签库，并按照维度进行划分，找出相关的数据节点和子节点实体，并规约数据关联关系，形成符合实际情况的建模体系。例如安全对象设备状态节点、操作人员节点、安全环境节点、操作规章节点等设计，通过节点、边和属性对数据进行表示和存储。具体来说，图数据库基于有向图，其中，节点、边、属性是图数据库的核心概念。
43.具体的，在钢铁领域企业安全生产中利用图数据库组织数据，以安全对象知识图谱中的节点和边的方式来设计数据模型和存储数据，从而快速全面分析安全对象安全要素数据挖掘和关联分析。
44.进一步地，节点用于表示实体、事件等对象，可以类比于关系数据库中的记录或者数据表中的行数据。例如主体节点、设备状态节点、操作人员节点、安全环境节点、操作规章节点都可以作为图中的节点。
45.边(路径)是指图中连接节点的有向线条，用于表示不同节点之间的关系。例如安全对象之间的从属关系、生产流程顺序关系、安全对象节点和人员节点之间的操作和运维关系、人员节点和证书节点之间的所属持有关系都可以作为图中的边。
46.属性：属性用于描述节点或者边的特性。例如安全对象所属操作人员(节点)的姓名、性别、联系方式、职务等都是属性。
47.标签：用于标记节点的分组，多个节点可以有相同的标签，一个节点可以有多个标签，标签用于对节点进行分组；标签一般包括静态标签和动态标签，一般静态标签标注的是安全对象真实信息，无需过多建模预测，更多的是进行数据清洗工作。通过定义静态标签，关联数据仓库的维度或主题，与实际数据产生关系。动态标签，是利用统计分析和机器学习相关算法，通过分词，过滤，分类，回归，聚类等算法获取数据，为这些数据贴上标签。
48.具体的，参见图4，根据上述安全对象知识图谱构建方法，对一些安全对象建立的知识图谱，以某钢铁企业知识图谱和画像示例，能够直观地反映出一个安全对象的综合关联情况。
49.在一些实施例中，还通过所述安全对象的基本属性、人的安全行为、物的安全状态、环境的安全条件以及安全管理制度，构建出所述安全对象知识图谱的数据模型。
50.示例性的，本技术提供的一种安全对象知识图谱大数据挖掘方法，围绕钢铁等冶炼领域安全对象知识图谱应用，基于图数据库组织数据，根据安全对象的基本属性、人的安全行为、物的安全状态、环境的安全条件、安全管理制度等成像要素抽象出标签化的安全对
象图数据模型。
51.进一步地，本技术还公开了一种安全对象知识图谱大数据挖掘装置，如图2所示，包括目标解读模块01、知识图谱构建模块02、节点获取模块03、数据关系关联模块04、生成模块05，其中：
52.所述目标解读模块01用于对安全对象进行目标解读，获取所述安全对象画像的建设目标和效果预期；
53.所述知识图谱构建模块02用于基于图数据库中的节点和边，构建所述安全对象知识图谱的数据模型和存储数据；
54.所述节点获取模块03用于通过所述数据模型，获取数据节点和子节点实体；
55.所述数据关系关联模块04用于通过所述安全对象知识图谱中的边，构建所述数据节点和所述子节点实体之间的关联关系；
56.所述生成模块05用于规约所述数据关联关系、标签和属性，生成安全对象知识图谱画像和所述安全对象之间的关联关系。
57.本技术公开的一种安全对象知识图谱大数据挖掘方法及装置，通过基于图数据库的安全对象知识图谱的应用，带来生产安全要素知识图谱运行性能的提升，快速挖掘各安全生产要素直接的关联关系，提升安全管理部门的管理效率和安全问题反应速度，同时，通过安全对象知识图谱辅助安全对象提前发现相互之间的关联关系，预防安全对象发现安全生产的隐患，评估相关风险。
58.通过以上技术方案可以看出，本技术提供的一种安全对象知识图谱大数据挖掘方法及装置，主要围绕钢铁安全对象知识图谱应用，基于图数据库组织数据，以安全对象知识图谱中的节点和边的方式来设计数据模型和存储数据，从而根据安全对象的基本属性、人的安全行为、物的安全状态、环境的安全条件、安全管理制度等成像要素抽象出标签化的安全对象图数据模型，支撑快速的全面分析安全对象的概况和知识图谱，从而智能发现安全生产的要素关联性，挖掘评估相关生产风险，提高钢铁企业安全生产的监控管理水平。
59.本说明书中通篇提及的“多个实施例”、“一些实施例”、“一个实施例”或“实施例”等，意味着结合该实施例描述的具体特征，部件或特性包括在至少一个实施例中，因此，本说明书通篇出现的短语“在多个实施例中”、“在一些实施例中”、“在至少另一个实施例中”或“在实施例中”等，并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、部件或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、部件或特性可全部或部分地与一个或多个其他实施例的特征、部件或特性进行组合。这种修改和变型旨在包括在本技术的范围之内。
60.本技术提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本技术总的构思下的几个示例，并不构成本技术保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本技术方案所扩展出的任何其他实施方式都属于本技术的保护范围。