[发明专利]一种基于图谱聚类的大宗运输需求分解方法

权利要求书

1.一种基于图谱聚类的大宗运输需求分解方法，其特征在于，包括以下步骤：

S1：运输对象知识库的构建阶段，优选数据源，从结构化、半结构化、非结构化数据中抽取实体、属性及关联关系，采用人机结合的方式进行知识消歧和融合，形成团体组织、运输装备等知识库；

S2：构建运输需求知识图谱阶段，首先确定是人装分离、人装混合，是否考虑人员装备物资的各类关联关系，据此从知识库中查询实体，筛选考虑的实体关联属性，形成大宗运输需求知识图谱；

S3：图谱聚类分析阶段，然后查看确认各类实体的属性以及关联关系，为各类实体、关联关系赋予不同的优先级权重、关联运输权重；然后调用图谱聚类算法，形成大宗运输的分级需求；

S4：分析结果的导出阶段，将前几阶段形成的知识图谱导出，形成报表、文档等规范化格式，展示大宗运输的分级需求；

所述步骤S1具体为：通过运输对象知识元数据定义模块、运输对象实体抽取模块、运输对象关系抽取模块、运输对象属性提取模块、运输对象知识融合模块，定义运输对象中人员、组织、物资、装备、设备等模型相关的数据字典，用于：1)从各类组织编制、人员装备编配文件中提取各类投送实体信息；2)从各类装备手册、设备手册、人员信息表中提取各类实体属性信息；3)从条令文件、流程文件、历史案例中提取实体之间的指挥关系、隶属关系、保障关系、从属关系、任务关联关系、部署关系、运输规避关系等实体关系；4)对提取实体信息的共指实体进行融合消解，对同名实体进行消歧；

所述步骤S2具体为：通过运输对象信息查询筛选、运输对象关系筛选、运输需求知识图谱动态展示编辑三个模块，用于：1)按组织机构名称查询组织机构下的实体，按照人员、装备、物资等类型筛选实体，明确人装分离、人装混合等运输需求；2)按照指挥关系、隶属关系、保障关系等实体关系筛选实体关系，明确运输装载、编队需求内在的要求；3)自动布局展示投送需求的复杂网络图谱，支持对图谱中实体和关系的修改编辑；

所述步骤S3包括：

S31：模块化分解建模：模块划分解建模是将待分解的知识图谱转换成一个无向图，将各运输需求图谱实体转换成图节点，将运输需求图谱关系转换成图连接，将关系等级转换为图的连接权重；这里采用无向图拉普拉斯矩阵，将运输对象模块化分解转换为无向权重图的切图问题，对于任意两个子图点的集合定义A,B之间的切图权重为：

对于k个子图点的集合：A₁,A₂,…A_k，定义切图的直接代价函数为

其中为A_i的补集，为除A_i子集外其他V的子集的并集；

S32：将权重转化为边的数量，假设权重单位为1，如果有一条边的权重是2，可以将这条边拆分为两条边，每条权重保持为1，重新构建网络图；

所述模块化分解的方法可采用以下3种的其中一种：

(1)RatioCut代价描述：

RatioCut代价函数为了避免最小切图，对每个切图，不光考虑最小化Cut(A₁,A₂,…A_k)，它还同时考虑最大化每个子图点的个数

其中|A_i|为A_i中点的个数，除以这个值相当于对切图每个图的cost做了均衡，避免切割过于细，相对于cut函数，切割后的子图内多一些节点；

(2)Ncut代价描述：

Ncut代价函数和RatioCut代价函数类似，把Ratiocut的分母|A_i|换成vol(A_i)，

其中vol(·)定义为

vol(A_i)即为子图A_i所有边的权重的和；

(3)模块度的代价描述

模块度的概念，首先基于以下定义：假设网络图被划分为A₁,A₂,…A_k等k个子图，那么定义一个k×k的对称矩阵E，它的元素e_ij表示子图i和子图j之间边的数量占总边数的百分比，矩阵的迹Tr€＝∑_ie_ii表示在相同子图内节点之间的边集合，子图划分的好，也就是模块内部节点之间联系紧密，那么该值就越高。考虑到仅通过这一个值还不能完全反映子图划分的结构，因为如果把网络图划分成1个子图，必然出现Tr€＝1，与预期不符，因此增加定义一个度量a_i＝∑_je_ij表示所有连接到子图i的边的数量，

将模块度定义为：

将上式展开可以得到

其中，‖X‖表示矩阵X的所有元素的和；

依据定义可推导得到矩阵计算形式：

其中，δ(c_i,c_j)用于判断节点i和j是否是同一个子图内，在同一子图内，δ(c_i,c_j)＝1，否则δ(c_i,c_j)＝0；

S33模块化分割最优化问题可理解为在给定r的条件下，求满足定义的矩阵S，使得Q最大

B矩阵是实对称矩阵，令其特征分解为B＝U∧U^T，特征值分别为B₁,B₂,…B_n，则只需构造S使得U^TS选择出前r个最大特征值对应的单位特征向量；

所述S4需求分解信息导出工具包括需求模块报表生成、需求模块报告生成等模块，用于：1)依据模块化分解结果，提取需求知识图谱信息，生成需求模块报表；2)依据文档模板，生成需求分解报告文档。

2.根据权利要求1所述的一种基于图谱聚类的大宗运输需求分解方法，其特征在于，所述S33中，利用经典谱聚类的算法求解出最佳构造方法，其步骤如下；

输入：网络图的邻接矩阵B，类别数r；

步骤1：计算每个节点的度，建立度矩阵D；

步骤2：计算拉普拉斯矩阵B；

步骤3：计算拉普拉斯矩阵B的前r个特征向量；

步骤4：将前r个特征向量作为列向量组成特征矩阵；

步骤5：将特征矩阵的每一行作为数据点，利用Kmeans聚类算法，对数据进行聚类；

输出：模块划分。