申请/专利权人：吉玖(天津)技术有限责任公司

申请日：2023-10-12

公开（公告）日：2024-04-12

公开（公告）号：CN117349386B

主分类号：G06F16/28

分类号：G06F16/28;G06F16/45;G06F16/483;G06N5/022;G06F18/22

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2024.01.23#实质审查的生效;2024.01.05#公开

摘要：本发明公开了一种基于数据强弱关联模型的数字人文应用方法，涉及数字人文技术领域，包括以下步骤：S1、数据收集；S2、对S1获取的原始数据进行预处理；S3、数字化与信息建库；S4、数据关系构建；S5、知识重构；S6、实体关系转换为节点信息网络；S7、节点间强弱关系计算；S8、数据强弱关系模型构建；S9、构建和管理节点交互关系；S10、隐含关系揭示。本发明采用上述的一种基于数据强弱关联模型的数字人文应用方法，基于大数据分析、数据挖掘、机器学习，并采用数据强弱关联模型，结合强弱关系、动态权重调控等技术，该模型能够更精准地预测节点之间的关系，优化信息传播路径，提高信息的利用效率。

主权项：1.一种基于数据强弱关联模型的数字人文应用方法，其特征在于，包括以下步骤：S1、数据收集；S2、对S1获取的原始数据进行预处理；S3、数字化与信息建库；针对不同类型的文件，系统需要进行上下文识别，以理解文件的内容，对于每个文件，从中提取元数据信息，对于图像和视频文件，进行对象探测和抽取，将提取的元数据信息和上下文识别的内容存储到关系型数据库中，对于图片、视频媒体文件，建立一个图库数据库，将抽取的对象信息、图像特征存储其中；S4、数据关系构建；将数据库的数据形成集合，根据数据集合建立知识组织模型、人物关联数据集、数据领域本体，发现数据静态关联；S5、知识重构；基于维度扩展的动态知识组织，基于实体画像的语义标签抽取，融合成基于知识图谱的数据动态聚合；S6、实体关系转换为节点信息网络；S7、节点间强弱关系计算；S8、数据强弱关系模型构建；S81模型定义；S82、定义总节点集、边集、有限信息集合、强弱关系节点集、邻居节点、信息网络；S83、建立过程模型；结合过程模型和预测算法，利用余弦相似度原理和强弱关系动态权值进行动态调控关系，获取个体发展所必要的资源的最优路径；在步骤S81中，包括假设信息网络中有N个网络节点，其中节点i是其中的一个，定义一，总节点集：I为总节点集合，I＝{1,2,3,...,N}，i,j∈I；定义二，边集：E为节点的关系集合，E＝{1,2,3,...,N}，e∈E；定义三，有限信息集合：节点i所拥有的有限信息集合记为Ri，表示为Ri＝[Ri,1,...,Ri,H}，其中H≥0，表示节点i的信息总数；定义四，强弱关系节点集：强关系节点集NSi是由节点i的强关系节点组成的集合，用二元向量Xi,j表示节点之间的强弱关系，若Xi,j＝1，表示j∈NSi，即节点j是节点i的强关系节点；弱关系节点集NWi是由节点i的弱关系节点组成的集合，若Xi,j＝α，则表示j∈NWi，其中0α1，则节点j是节点i的弱关系节点；定义五，邻居节点：与节点i有边相连的节点均为邻居节点，邻居节点的数量记为K，节点i的所有邻居节点构成邻居节点集合Ni，其中，Ni＝NSi∪NWi，节点j是i的邻居节点则满足二元向量关系：0＜Xi,j≤1，其中j∈Ni；定义六，信息网络：信息网络由各个节点和节点之间的关系组成，表示为RG，即RG＝{I,E|0Xi,j1,i,j∈I,e∈E}；在步骤S82中，包括以下步骤：S821、初始化节点i的强关系节点集NSi，以及节点i所拥有的有限信息集合Ri；S822、在时刻t，节点i的信息种类为H，信息集合为和分别表示在时刻t节点i和节点j拥有的信息r的数量，节点i从信息网络中获取信息，首先同强关系节点集NSi中的节点进行信息交互；S823、在时刻t+w，节点i所拥有的信息发生改变，这一变化受两种原因影响，公式 其中，表示在时刻t+w，有限信息集合Ri,r的变化量，ρ为挥发系数，0ρ1，表示随着时间推移，节点拥有的信息数量会逐渐减少，γ表示对信息改变的信任参数，0γ1，表示在时刻t，有限信息集合Ri,r的信息量；随着时间推移和自身的成长和环境的改变，新的信息不断纳入到新的集合中，时，表示信息Ri,r在w时刻发生了变化；当节点与强关系网络成员发生交互时，节点i的信息发生变化，公式 公式 判断需要交换的不同网络节点拥有的信息是否相同，以及相同信息的数量是否一致，其中φ表示对于与强关系节点发生交互的信任参数，j∈NSi，即节点j是节点i的强关系节点；S824、在经历t+w时刻后，当节点i与弱关系网络节点发生交互时，节点i以概率p加入到弱关系集合NWi，节点i的信息变化受到强弱关系两方面的影响，公式 其中，k∈NWi，即节点k是节点i的弱关系节点，δ表示对于与弱关系节点发生交互的信任参数，其中表示在时刻t+w，有限信息集合Rj,r的信息量，表示在时刻t+w，有限信息集合Rk,r的信息量；S825、在时刻t+w，通过标准差σ判断信息网络的稳定性 σt为方差，I为总节点集合个数，i为节点，H为有限信息集合个数，r为有限信息节点，N为网络节点个数；在步骤S83中，包括以下步骤：S831、基于步骤S81中的定义一和定义二构建网络图G＝I，E，使用标签来标记中心节点和其他节点，节点i对应标签fi；S832、根据节点i相对于节点x和节点y的半径，分别记为di,x和di,y，中心节点的标签为1，di,x,di,y＝1,1对应的节点标签fi＝2；di,x,di,y＝1,2或2,1对应的节点标签fi＝3，以此类推；两个中心节点，其中标签fi和双半径di,x,di,y满足：di,x+di,y≠dj,x+dj,y时，di,x+di,y＝dj,x+dj,y时，依据DRNL算法生成一个整数标签函数fli， 其中，dx＝di,x，dy＝di,y，d＝dx-dy，对于di,x＝∞或di,y＝∞的节点，记作空标签0，dx，dy分别表示节点i相对于节点x和节点y的半径，d表示dx，dy的差值；S833、根据节点i相对于节点x和节点y的半径，判断节点i与x、y之间的关系，当di,x＝1＝di,y，且fi＝2时，表示节点i与x、y有相同的关系程度且都呈现强关系，反之则为弱关系；di,x＜di,y时，节点i与x的关系强于i与y的关系；S834、利用余弦相似度计算公式来反映节点之间的强弱关系，余弦相似度根据两个向量的夹角余弦值来度量个体间的相似度，值在0至1之间，越接近1表示相似度越高，越接近0表示相似度越低，对于多维向量Aa1,b1,c1...和Ba2,b2,c2...，a1,b1,c1...和a2,b2,c2...表示在不同维度上的分量，具体计算公式 其中，cosθ表示三角函数里面的余弦，A和B为要比较的两个向量，||A||和||B||表示向量A和向量B的范数，通常是欧几里德范数，表示为它们的模，Ai和Bi分别表示向量A和向量B中第i个元素，分别表示向量A和向量B中元素的平方之和；S835、由于节点i对不同中心节点产生不同的强弱关系，为每个关系赋予不同的动态权重，具体计算如下：对于节点i与节点x之间的相似度 对于节点i与节点y之间的相似度 其中，w1和w2分别为节点强关系、弱关系权重；w3和w4分别为节点i与x、y之间的弱关系程度权重；k为网络中除fi＝1外的节点数、k1为网络中fi＝2的节点数、k2为k中除k1外的节点数，具体计算见公式 通过这一预测算法结合节点之间的相似度、动态权重以及判断的关系计算和动态权重调控，确定节点之间产生强弱关系的可能性，某些节点之间的关系尚未被明确识别时，利用余弦相似度和动态权重，并揭示未识别的隐藏式关系，从而得到个体发展所需资源的最优路径；S9、构建和管理节点交互关系；S10、隐含关系揭示。

全文数据：

权利要求：

百度查询： 吉玖(天津)技术有限责任公司 一种基于数据强弱关联模型的数字人文应用方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD