一种基于时序知识图谱的判断天气趋势的方法

本发明属于知识图谱，尤其涉及的是一种基于时序知识图谱的判断天气趋势的方法。

背景技术：

1、知识图谱作为一种结构化的人类知识形式，对海量多源异构异质的数据语义互通起到了很好的支撑作用，并有效地支持了数据分析等任务，成为了近年来学术界和工业界的研究热点。

2、目前大多数知识图谱都是根据非实时的静态数据构建，没有考虑实体和关系的时间特性。然而社交网络通信、金融贸易、疫情传播网络等应用场景的数据具有实时动态的特点以及复杂的时间特性，如何利用时序数据构建知识图谱并且对该知识图谱进行有效建模是一个具有挑战性的问题。目前，有许多研究工作利用时序数据中的时间信息丰富知识图谱的特征，赋予知识图谱动态特征。因此，本发明提出利用时序知识图谱动态构建的特征用以推断在时间段内天气呈现趋势。

技术实现思路

1、为解决现有技术存在的技术问题，本发明提供一种基于时序知识图谱的判断天气趋势的方法，用以推断天气在时间段内变化程度。

2、本发明采用的技术方案是：

3、一种基于时序知识图谱的判断天气趋势的方法，其特征在于，包括如下步骤：

4、s1.解析提取海量天气相关信息，构建基于天气相关信息的时序知识图谱；

5、s2.根据上述构建的时序知识图谱，确定每个实体的属性向量表示；

6、s3.基于上述实体的属性向量表示，确定天气趋势。

7、进一步的，在步骤s1中，构建基于天气相关信息的时序知识图谱包括：

8、s11:数据采集；

9、s12:数据预处理；

10、s13:知识抽取；

11、s14:知识融合。

12、进一步的，在步骤s1中，所述数据采集是利用python爬虫来获取网络上的天气信息的结构化数据、半结构化数据、非结构化数据的过程；所述数据预处理是通过使用etl技术，通过数据抽取、转换、加载，将原始数据转化为研究中所需的数据模式，最终转化为合适对其进行分析的数据模式；所述知识抽取是采用自动化或人工技术从非结构化和半结构化数据中抽取出知识单元，其中该知识单元为可用的，并且完成数据非结构化或者非结构化向结构化的转化过程；所述知识融合是指对于不同来源的知识实体完成在同一框架规范下进行的数据整合、消歧操作。

13、进一步的，在步骤s2中，在上述构建好的时序知识图谱的基础上，通过基于距离的模型学习实体和属性关于时序的表示向量，实现实体属性嵌入，确定每个实体的属性向量表示。

14、进一步的，所述时序知识图谱通过将三元组拓展成时序四元组(主语，关系，宾语，时间)，即(h，r，a，τ)来考虑时序信息，其中τ提供了关于事件何时成立的额外的时序信息；

15、给定一个属性三元组(实体，属性，属性值)，即<h，r，a>，算法transe假设某时间τ实体属性值aτ的嵌入向量a应该与实体eτ的嵌入向量h加上属性rτ嵌入向量r接近，即h+r≈a；

16、为了能够学习得到属性嵌入向量，最小化目标函数jce：

17、

18、ta＝{<h，r，a>∈tg}；f(ta)＝||h+r-fa(a)||   (2)

19、t′a＝{<h′，r，a>|h′ine}∪{<h，r，a′>|a′∈a}   (3)

20、其中，ta是训练数据中的有效属性三元组集合，t′a是无效属性三元组集合，a是tg中属性集合。无效三元组集合通过随机替换有效三元组的头实体或属性值来生成。f(ta)是基于h，r和fa(a)的可信评分函数，fa(a)是组合函数用于将属性值编码成一个单独的向量。

21、进一步的，在步骤3中，基于上述实体的属性向量表示，确定天气趋势，具体包括：

22、s31：确定一个待判断事件；

23、s32：确定所述判断时间段内的目标实体及目标实体属性；

24、s33：基于所述目标实体及目标实体属性，确定所述目标实体关于时序的属性值向量表示集；

25、s34：基于所述目标实体关于时序的属性值向量表示集，确定所述目标天气趋势。

26、进一步的，基于所述目标实体和目标实体属性，确定关于时序的属性值向量表示集ta＝{a1，a2，...，aτ}；

27、将时间段t内所有属性值向量相加得到组合函数

28、

29、基于组合函数得到推断天气趋势的公式：

30、

31、依据函数推断时间τ时天气趋势：求值为负数，则降雨量处于下降趋势，反之若求值为正数，表明降雨量正处于上升趋势；求值的绝对值结果可以推断天气变化具体程度，即结果越趋向于零，变化程度越小，反之天气变化程度越大。

32、与现有技术相比，本发明的有益效果体现在：

33、本发明在时序知识图谱的基础上对已发生的事物动态进行建模，能够一定程度上观测在时间段内天气趋势，推断天气的某一特征正处于上升还是下降趋势，以及其变化程度。

技术特征：

1.一种基于时序知识图谱的判断天气趋势的方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于时序知识图谱的判断天气趋势的方法，其特征在于，在步骤s1中，构建基于天气相关信息的时序知识图谱包括：

3.根据权利要求2所述的基于时序知识图谱的判断天气趋势的方法，其特征在于，在步骤s1中，所述数据采集是利用python爬虫来获取网络上的天气信息的结构化数据、半结构化数据、非结构化数据的过程；所述数据预处理是通过使用etl技术，通过数据抽取、转换、加载，将原始数据转化为研究中所需的数据模式，最终转化为合适对其进行分析的数据模式；所述知识抽取是采用自动化或人工技术从非结构化和半结构化数据中抽取出知识单元，其中该知识单元为可用的，并且完成数据非结构化或者非结构化向结构化的转化过程；所述知识融合是指对于不同来源的知识实体完成在同一框架规范下进行的数据整合、消歧操作。

4.根据权利要求1所述的基于时序知识图谱的判断天气趋势的方法，其特征在于，在步骤s2中，在上述构建好的时序知识图谱的基础上，通过基于距离的模型学习实体和属性关于时序的表示向量，实现实体属性嵌入，确定每个实体的属性向量表示。

5.根据权利要求4所述的基于时序知识图谱的判断天气趋势的方法，其特征在于，所述时序知识图谱通过将三元组拓展成时序四元组(主语，关系，宾语，时间)，即(h，r，a，τ)来考虑时序信息，其中τ提供了关于事件何时成立的额外的时序信息；

6.根据权利要求1所述的基于时序知识图谱的判断天气趋势的方法，其特征在于，在步骤3中，基于上述实体的属性向量表示，确定天气趋势，具体包括：

7.根据权利要求1所述的基于时序知识图谱的判断天气趋势的方法，其特征在于，基于所述目标实体和目标实体属性，确定关于时序的属性值向量表示集ta＝{a1，a2，...，aτ}；

技术总结
本发明公开了一种基于时序知识图谱的判断天气趋势的方法，包括：解析提取海量天气相关信息，构建知识图谱的节点和关系；根据构建的知识图谱，确定每个实体的属性向量表示；基于上述每个实体的属性向量表示，确定天气趋势。本发明在时序知识图谱的基础上对已发生的事物动态进行建模，能够一定程度上观测在时间段内天气趋势，推断天气的某一特征正处于上升还是下降趋势，以及其变化程度。

技术研发人员：季白杨,陆烨辉
受保护的技术使用者：浙江工业大学
技术研发日：
技术公布日：2024/1/15