[发明专利]一种标识化关联图谱自优化机制

摘要

本发明提出了一种基于深度学习的标识化关联图谱自优化机制，该机制结合知识图谱技术与深度学习技术，对于不断采集的数据经过深度学习模型进行标识化处理后加入关联图谱。在关联图谱中通过多个分布式数据存储节点和分布式计算节点进行数据处理，以块同步并行计算模型为基础，通过局部计算、通讯单元和栅栏同步三部分进行一系列全局迭代。根据系统的资源利用率、处理性能和数据的局部性实现计算资源的自适应动态最优分配。对于已经加入关联图谱的数据进行不断地消歧分析和聚类计算进行不断地精简和校正，实现关联图谱的持续自优化。

主权项

1.一种基于深度学习的标识化关联图谱自优化机制，结合知识图谱技术与深度学习技术，对于不断采集的数据经过深度学习模型进行标识化处理后加入关联图谱，对于已经加入关联图谱的数据进行不断地消歧分析和聚类计算进行不断地精简和校正，实现关联图谱的持续自优化，包括以下步骤：/n步骤(1)、通过基于微服务的智能可重构物联网物联网开放服务运行支撑系统进行不断的信息抽取作为即将加入关联图谱的新增数据；/n步骤(2)、对于各个微服务中的对象通过深度学习标识化模型进行标识化编码，实现知识图谱的迭代扩增，在一个资源描述框架下对所有的实体进行统一描述，通过本体词汇描述各种实体之间的联系，并在此基础上进行逻辑推理和验证配合多终端并行服务机制，实现请求合理资源分配；/n步骤(3)、在关联图谱内部通过多个分布式数据存储节点和分布式计算节点进行数据处理，以块同步并行计算模型为基础，计算过程包括一系列全局迭代，每个迭代主要包括局部计算、通讯单元和栅栏同步三部分组成。同时根据系统的资源利用率、处理性能和数据的局部性实现计算资源的自适应动态最优分配；/n步骤(4)、通过聚类分析计算出关联图谱中的离群点，将其判断为错误标识并予以校正；/n步骤(5)、通过消歧分析计算出关联图谱中的冗余数据并将其合并。/n