基于知识图谱与人工智能的电力数据分析算法研究

为了提升电力营销系统问答机器人的智能化水平,文中基于知识图谱技术对相关智能数据分析的方法进行了研究。通过分析隐含语义在知识图谱中的稠密化向量表示方法后,针对传统方法在复杂图谱下多实体间映射关系不准确的问题,设计了一种改进的三分支并行神经网络(TBPNN)。该网络针对三元组中的头实体、尾实体及约束关系建立了结构相同的三个神经网络,且每个神经网络均包含交互层、非线性层和输出层。为了验证该网络在营销知识图谱上的数据分析效果,使用部分人工构建的知识图谱进行了仿真实验。结果表明,相较于传统的TransE算法,TBPNN网络在MeanRank上降低了39.9%,在Hit@10指标上则提升了41.5%。而在一对一、一对多与多对多的三元组分类实验上,精度分别提升了3.3%、39.0%及54.7%。

基于知识表示学习的工业云机器人制造能力服务推荐方法

随着工业云机器人的广泛应用,服务信息爆炸式增长造成服务信息过载,为了快速有效地从海量制造服务中为用户推荐优质可靠的服务,提出一种基于知识表示学习的工业云机器人制造能力服务推荐方法,从工业云机器人制造能力服务知识图谱的构建出发,对工业云机器人制造任务信息、制造能力信息、服务功能信息和非功能信息进行描述;为提高知识推荐的速度,引入知识表示学习,将实体和关系表示为低维稠密的向量,实现实体和关系的语义联系的高效计算。针对大多数翻译模型负样本生成采用随机替换的方法导致模型预测精度低的问题,提出了一种新的负样本生成策略,将其与TransE结合,在FB15K数据集上验证了负样本生成策略的有效性,实验结果证明本文所提方法在进行链接预测时具有更高的准确率。