System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于市场主体失信信息的时序知识图谱表示学习方法技术_技高网

一种基于市场主体失信信息的时序知识图谱表示学习方法技术

技术编号:44675673 阅读:4 留言:0更新日期:2025-03-19 20:29
本申请涉及一种基于市场主体失信信息的时序知识图谱表示学习方法,包括:获取市场主体失信数据;对市场主体失信数据进行预处理,得到失信文本数据和失信图像数据;对失信文本数据进行语义解析,生成失信实体文本向量;提取失信图像数据中包含失信信息的特征,形成失信实体视觉向量;聚合失信实体文本向量与失信实体视觉向量,得到失信实体向量;将失信文本数据和失信图像数据分别编码为第一序列、第二序列,并提取出时间信息作为时间权重,分别更新基于时间权重转换后的第一序列、第二序列,得到第一更新序列、第二更新序列;融合第一更新序列与第二更新序列,得到失信关系向量;基于失信实体向量和失信关系向量,生成时序知识图谱表示。

【技术实现步骤摘要】

本申请涉及时序知识图谱表示学习,特别是涉及一种基于市场主体失信信息的时序知识图谱表示学习方法


技术介绍

1、市场主体失信信息是一定时间内关于企业或个人在商业活动中不诚信行为的记录和公示,将市场主体失信信息表示为时序知识图谱是一种将失信信息组织为随时间变化的动态图结构的方法,通过实体识别技术将失信信息编码,提取相关市场主体名称形成失信实体,利用关系抽取识别失信实体在一定时间内的关联关系,最后通过全局融合将时序知识图谱中的实体和关系转换为低维向量表示,即将符号化表示的信息转换为数值形式。这种表示学习方法能够捕捉市场主体失信行为的演变过程和时间关联,为对失信行为的分析和预测提供更深入的理解和更准确的判断。

2、现有的市场主体失信信息时序知识图谱表示学习方法主要存在以下问题:

3、1、可靠性差;在失信信息中,实体有许多高度相似的实体名称,导致所获得的匹配项的可靠性较低,同时,数据源的异质性、质量参差不齐及文本的多义性、同义词和缩写等问题会导致实体匹配的误差。

4、2、数据源单一;目前数据源主要为文本数据,无法全面捕捉涵盖不同语义方向的多方面概念的变化。

5、3、关系与实体之间缺乏信息交互;实体和关系的上下文信息没有被充分利用,实体和关系往往被单独处理,导致了信息的片面性和局限性,难以全面理解实体之间的复杂关系。同时,关系的建立是基于静态的文本数据,而缺乏对实体和关系动态演化的考虑,缺乏关联性信息。

6、4、嵌入存在结构差异;不同类型的实体和关系在嵌入表示上存在不规则性和异质性,难以统一到统一结构空间。


技术实现思路

1、基于此,有必要提供一种基于市场主体失信信息的时序知识图谱表示学习方法,该方法包括:

2、s1:获取包含图像、文本以及音频的市场主体失信数据;对所述市场主体失信数据进行预处理,得到失信文本数据和失信图像数据;

3、s2:对所述失信文本数据进行语义解析,生成失信实体文本向量;提取所述失信图像数据中包含失信信息的特征,形成失信实体视觉向量;聚合所述失信实体文本向量与所述失信实体视觉向量,得到失信实体向量;

4、s3:将所述失信文本数据和所述失信图像数据分别编码为第一序列、第二序列,并提取出时间信息作为时间权重,分别更新基于所述时间权重转换后的第一序列、第二序列,得到第一更新序列、第二更新序列;融合所述第一更新序列与所述第二更新序列,得到失信关系向量;

5、s4:基于所述失信实体向量和所述失信关系向量,生成时序知识图谱表示。

6、有益效果:该方法实现对复杂失信信息的有效表示和融合,提供了特征提取能力,有助于降低下游任务的复杂度和提升处理效率。

本文档来自技高网...

【技术保护点】

1.一种基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,包括:

2.根据权利要求1所述的基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,所述预处理包括:

3.根据权利要求1所述的基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,所述对所述失信文本数据进行语义解析包括:

4.根据权利要求1所述的基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,所述提取所述失信图像数据中包含失信信息的特征包括:

5.根据权利要求1所述的基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,所述聚合所述失信实体文本向量与所述失信实体视觉向量包括:

6.根据权利要求1所述的基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,得到第一更新序列、第二更新序列的过程包括:

7.根据权利要求1所述的基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,所述融合所述第一更新序列与所述第二更新序列包括:

8.根据权利要求1所述的基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,S4包括:

9.根据权利要求8所述的基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,S4.5包括:

10.根据权利要求9所述的基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,连接结果的展开公式为:

...

【技术特征摘要】

1.一种基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,包括:

2.根据权利要求1所述的基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,所述预处理包括:

3.根据权利要求1所述的基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,所述对所述失信文本数据进行语义解析包括:

4.根据权利要求1所述的基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,所述提取所述失信图像数据中包含失信信息的特征包括:

5.根据权利要求1所述的基于市场主体失信信息的时序知识图谱表示学习方法,其特征在于,所述聚合所述失信实体文本向量与所述失信实体视觉向量包括:...

【专利技术属性】
技术研发人员:任剑李飞燕吴靖榆李道桢
申请(专利权)人:湖南工商大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1