时序知识图谱的增量构建

带有时序特征的知识图谱(KG)称为时序知识图谱,用来描述知识库中增量式的概念及其相互关系。知识随着时间推移而变化,将新增知识实时、准确地添加到时序知识图谱中,可以实时反映知识的演化更新。对此,给出时序知识图谱的定义,并基于TransH提出一种时序知识图谱的增量构建方法。为了将新增且相关的三元组准确地添加到当前知识图谱中,提出了三元组与当前知识图谱之间吻合度的计算模型,以及基于贪心思想的待添加到知识图谱中的最优三元组子集提取算法,进而将最优的三元组集合添加到当前知识图谱中,完成时序知识图谱的增量更新。实验结果表明,提出的增量构建方法能够快速地提取出最优三元组并有效地添加到知识图谱中,验证了方法的高效性和有效性。

机器学习在智慧城市环境检测中的实时处理

本研究聚焦于一种基于增量式树构建方法的孤立森林(isolation forest,iForest)算法,用于检测智慧城市环境监测数据中的异常值。首先,对智慧城市环境监测框架及数据处理流程进行分析。其次,基于增量式树构建方法对iForest算法进行实时性优化,使算法能够高效处理大规模数据。最后,利用美国环境保护署空气质量系统提供的一氧化碳(CO)数据集对提出的方法进行实验验证。结果表明,该算法在CO数据异常值检测方面表现出了较高的准确性和召回率,同时取得了良好的平衡性,证明了其在实践中的有效性和可靠性。