[发明专利]基于6W场景的知识自学习方法

摘要

本发明提供一种基于6W场景的知识自学习方法，包括：根据元数据仓库中记录的6W场景数据，进行知识的自学习；其中，所述6W场景包括以下四类：场景重叠、场景相交、场景相切和场景相离；因此，知识的自学习包括以下四种：获得场景重叠知识；所述场景重叠知识，适用于感知与反馈；学习到场景相交知识；所述场景相交知识是用可控场景产生公共部分的知识，适用于对比分析；学习到场景相切知识；所述场景相切知识适用于异常判断；学习到场景相离知识；所述场景相离知识适用于预测和趋势分析。优点为：对现实中的各种场景进行了多种划分，有效地保证多种场景知识的学习的有效性和快速性。(3)学习过程简单易懂，方便对知识进行管理。

主权项

1.一种基于6W场景的知识自学习方法，其特征在于，包括：根据元数据仓库中记录的6W场景数据，进行知识的自学习；其中，所述6W场景包括以下四类：场景重叠、场景相交、场景相切和场景相离；因此，知识的自学习包括以下四种：第一种：场景重叠是指：发生在同一个场景中；对场景重叠的场景数据进行知识的自学习，是指：学习发生在同一个场景中不同特征之间的联系，获得场景重叠知识；所述场景重叠知识，适用于感知与反馈；第二种：场景相交是指：发生在两个场景中，两个场景相交存在公共部分，公共部分会影响所依赖的场景；对场景相交的场景数据进行知识的自学习，学习到场景相交知识；所述场景相交知识是用可控场景产生公共部分的知识，适用于对比分析；第三种：场景相切是指：发生在两个场景中，两个场景相切存在公共特征，公共特征会影响所依赖的场景；对场景相切的场景数据进行知识的自学习，学习操控公共特征，也就是学习制约场景来约束公共特征的过程，从而学习到场景相切知识；所述场景相切知识适用于异常判断；第四种：场景相离是指：发生在两个不相干的场景中，两个场景相离不存在公共部分或特征，但是，两个场景之间却存在着间接联系；对场景相离的场景数据进行知识的自学习，学习到场景相离知识；所述场景相离知识适用于预测和趋势分析；其中，对场景重叠的场景数据进行知识的自学习，获得场景重叠知识，包括以下步骤：S11，从语义网络模型中遍历场景，查找到一个具体场景；S12，对所述具体场景进行特征分析，以活动结果作为目标特征，分析出目标特征T和条件特征C；S13，对分析出的所述目标特征T和条件特征C进行特征过滤，消除所述目标特征T和条件特征C中的无用特征，得到有效的目标特征T和有效的条件特征C；S14，将所述有效的目标特征T和有效的条件特征C作为条件，到元数据仓库中提取对应的数据，并将提取到的数据转换为样本数据；S15，对所述样本数据进行挖掘操作，发现目标特征T与条件特征C之间的联系，设条件特征C为x，目标特征T为y，得到映射关系函数联系y＝f(x)；S16，对得到的所述映射关系函数联系，使用新样本数据验证，符合要求的联系作为知识；S17，将得到的所述知识保存到知识小网络中；其中，对场景相交的场景数据进行知识的自学习，学习到场景相交知识，包括以下步骤：S21，从语义网络模型中遍历活动，找到两个交叉场景；将两个交叉场景分别记为场景A1和场景B1；所述场景A1和所述场景B1存在公共的部分Po；S22，分析两个交叉场景的依赖关系，确定出被依赖场景和依赖场景；其中，所述被依赖场景受所述依赖场景制约；S23，分析被依赖场景的可控性，即：被依赖场景的操作者是否可以被人为控制；S24，若被依赖场景不可被人为控制，则需要继续寻找产生公共部分Po的新场景C，重新返回步骤S23；S25，若被依赖场景可以被人为控制，则分析两个交叉场景的特征，得出目标特征和条件特征；S26，对所述目标特征和所述条件特征进行特征过滤，消除所述目标特征和所述条件特征中的无用特征，得到有效的目标特征和有效的条件特征；S27，将所述有效的目标特征和有效的条件特征作为条件，到元数据仓库中提取对应的数据，并将提取到的数据转换为样本数据；S28，对所述样本数据进行挖掘操作，发现目标特征与条件特征之间的联系，设条件特征为x，目标特征为y，得到映射关系函数联系y＝f(x)；S29，对得到的所述映射关系函数联系，使用新样本数据验证，符合要求的联系作为知识；S210，将得到的所述知识保存到知识小网络中；其中，对场景相切的场景数据进行知识的自学习，学习到场景相切知识，包括以下步骤：S31，从语义网络模型中遍历活动，找到两个相切场景，将两个相切场景分别记为场景A2和场景B2；所述场景A2和所述场景B2存在公共特征Pc；S32，分析相切场景的依赖关系，确定出被依赖场景和依赖场景；其中，所述被依赖场景受所述依赖场景制约；假设场景A2为被依赖场景；场景B2为依赖场景；S33，分析依赖场景B2的结果特征是否作为被依赖场景A2的约束；S34，若依赖场景B2不是被依赖场景A2的约束场景，则需要继续寻找产生公共特征Pc的新场景C2，重新返回步骤S33；S35，若依赖场景B2是被依赖场景A2的约束场景，则称依赖场景B2为制约场景，分析被依赖场景A2和制约场景的特征，得出目标特征和条件特征；其中，所述目标特征即为公共特征Pc；S36，对所述目标特征和所述条件特征进行特征过滤，消除所述目标特征和所述条件特征中的无用特征，得到有效的目标特征和有效的条件特征；S37，将所述有效的目标特征和有效的条件特征作为条件，到元数据仓库中提取对应的数据，并将提取到的数据转换为样本数据；S38，对所述样本数据进行挖掘操作，发现目标特征与条件特征之间的联系，设条件特征为x，目标特征为y，得到映射关系函数联系y＝f(x)；S39，对得到的所述映射关系函数联系，使用新样本数据验证，符合要求的联系作为知识；S310，将得到的所述知识保存到知识小网络中；其中，对场景相离的场景数据进行知识的自学习，学习到场景相离知识，包括以下步骤：S41，从语义网络模型中遍历活动，找到两个不存在公共部分的相离场景，将两个相离场景分别记为场景A3和场景B3；S42，分析相离场景的依赖关系，随机选择一个场景作为条件场景，另一个场景作为目标场景；S43，寻找条件场景的直接场景，形成第一层的中间场景Pn集合；S44，检查目标场景是否和中间场景存在相交或者相切的情况，若不存在，则将中间场景作为条件场景，返回步骤S43；其中，设定循环执行次数小于等于7次；S45，若中间场景和目标场景存在相交或者相切的情况，则说明已经找到相离场景的联系，分析条件场景、中间场景Pn和目标场景的特征，得出目标特征和条件特征；S46，对所述目标特征和所述条件特征进行特征过滤，消除所述目标特征和所述条件特征中的无用特征，得到有效的目标特征和有效的条件特征；S47，将所述有效的目标特征和有效的条件特征作为条件，到元数据仓库中提取对应的数据，并将提取到的数据转换为样本数据；S48，对所述样本数据进行挖掘操作，发现目标特征与条件特征之间的联系，设条件特征为x，目标特征为y，得到映射关系函数联系y＝f(x)；S49，对得到的所述映射关系函数联系，使用新样本数据验证，符合要求的联系作为知识；S410，将得到的所述知识保存到知识小网络中。