基于区块链的知识管理方法、终端及服务器与流程

本发明涉及智能管理，特别是涉及一种基于区块链的知识管理方法、终端及服务器。

背景技术：

1、区块链，通过点对点的数据传输，共识机制、数据密码学的融合在一个算法里，实现了去中心化的数据架构，是目前数据管理的一种新型综合分布式机制。异质图结构属于一种通过路径连接的多点数据网，其形式属于整体的数据网，通过节点、路径、子图的注意力机制会使得一些节点、路径、子图成为某一目标识别类型数据的分类机制结果。其中子图级别的聚类和区块链存在某些相似之处，都是对于网络的分布式化，都属于去中心。然而区块链一般是固定数据结构，而异质图由于从数据节点开始研究数据之间关联，其是随时间产生变化的。因此如果将区块链的概念引入子图级别的意志力机制，则能够更高效地、动态地管理组织数据。

技术实现思路

1、鉴于区块链的上述数据有点，和异质图与之结构的某些相通性。本发明将进行如下的数据架构方案：第一建立异质图网络，并主机实现到子图级别的聚类；第二在子图聚类内部实现区块化，并根据不断更新的数据，来动态更新异质图以及区块，实现知识的高效、动态管理；在区块链内设计密码，让区块内部数据的管理更为安全，进一步实现安全管理。

2、基于上述方案，本发明一方面提供一种基于区块链的知识管理方法，包括设置以下各系统模块，知识获取模块，用于从知识产生源获取知识和记录知识产生的空间地点、产生时间，所述知识包括与知识相关的设备相关的知识，具体包括设备的名称、所属的知识产生源和/或用户、与设备相关的用途、技术原理，以及科学技术资源、社会人文科学资源，具体包括文献、图片、视频、音频，所述知识还包括设备的名称、所属的知识产生源和/或用户、与设备相关的用途、技术原理、使用记录、历史与实时指标以及环境参数，设备管理信息。

3、容易理解的是，所述用途包括设备所用于的知识领域及设备功能，使用记录包括使用者、使用时段，历史与实时指标以及环境参数包括设备运行的历史和实时的各项技术参数，以及设备运行环境的物理参数，设备管理信息，包括设备的购置、运维、更新、借用、搬迁的信息。

4、知识解析模块，与所述知识获取模块连接，用于构建异质图神经网络(heterogeneous graph neural networks，hgnn)，并利用接收到的知识产生源所输入的知识和空间地点，构建基于异质图神经网络的注意力机制(attention mechanism，am),并在构建完成后，再次基于新输入(多数情况而言，新输入是搜索操作，即将相关知识输入进行搜索感兴趣的任何相关知识信息，或存在其他的使用、学习、整理等目的)的知识进行知识脉络的调取、并基于所述知识脉络给出注意力机制的分析结果，且基于所述分析结果将异质图神经网络区块化，同时基于区块化的图神经网络设置各区块的数据管理密码，并且在预定的时间周期内更新hgnn以及am,并据此不断更新区块以及所述数据管理密码，

5、输入模块，与计算机网络连接，用于接收用户所述新输入的知识，通过计算机网络输入到所述知识解析模块中，且所述知识聚类于带领域标签的预设的目标领域，并且在用户新输入知识时，需要对所述新输入知识进行目标领域的选择，选择目标的领域标签，

6、评价模块，用于对已经调取的知识脉络以及注意力机制的分析结果，进行综合分析，给出适配于用户搜索真实意思的最终评价，以及显示模块，用于对知识脉络、注意力机制的分析结果以及综合分析的结果进行显示和对可视化的hgnn进行操作，其中，

7、所述知识产生源将根据密级划分而产生的知识定期输入到知识获取模块，传输知识解析模块中用于所述更新。

8、可选地，所述知识产生源包括：行政部门、企事业单位、公司、学校科研机构、社会团体组织、以及个人。

9、可选地，知识获取模块解析ip地址或者根据输入的知识产生源的名称和地址，来获取到空间地点，产生时间通过知识获取模块记录到接收知识的时间以获得，所述知识通过人工或计算机审核而决定是否采纳该知识并记录所述空间地点、产生时间，所述操作包括对可视化的hgnn进行拖动、在其上点击弹出对话框或搜索栏进行知识的搜索和/或查看、修改、删除和/或恢复中至少一种。

10、构建异质图神经网络，并利用接收到的知识产生源所输入的知识和空间地点，构建基于异质图神经网络的注意力机制的方法包括：

11、s1建立地理地图，在地理地图上将所述空间地点标定为异质图神经网络的节点，构建基于现实空间地点的异质图网络g＝(v,e),形成现实空间地点的异质图网络神经网络，其中，v为节点集合，一旦被记录则可不拖动和修改,但可以删除和恢复，e为空间边集合。空间边表示了不同节点之间的空间关系。

12、s2构建基于v上的至少一种目标异质图网络o{ob,z}，其中ob为目标节点集合，z为目标节点之间的目标边集合。表示了不同节点之间的目标关系。

13、s3在g＝(v,e)、至少一种o{ob,z}中分别构建元路径i:以及元路径ii:并建立穿越元路径iii:定义元路径的邻居，即对于任一节点n∈v,ob,则通过元路径连接n的所有节点即为邻居，其中ap∈v，bq∈k，tz∈v,ob，p,q,z∈n，n为自然数，且p∈[1,m+1],q∈[1,n+1],z∈[1,t+1]，r1，r2，…，rm为节点的空间关系，每一个即表示元路径i中相邻节点在所述地理地图上的双箭头矢量；c1，c2，…，cn为目标节点之间的关联，每一个即表示元路径ii中相邻节点的关系双箭头(表示节点相互关联)；

14、对于穿越元路径iii邻居中定义穿越邻居，在g＝(v,e)、至少一种o{ob,z}之一中选择关注节点t1∈v,或t1∈ob，而t∈n，设r∈n,r∈[2,t+1]且r的值域小于等于t大于0，设tr∈t2,…,tt+1,tr∈v，则其中，为r的值域补集,d1,d2,…,dt为关注节点和穿越邻居之间以及穿越邻居之间的穿越关系(本地穿越和异地穿越)，即表示成tr与之间的双箭头，形成穿越边，其中，对于且s∈r的值域，则为s的值域补集，此时穿越元路径iii称为全穿越元路径，非全穿越元路径称为局部穿越元路径。即全穿越元路径中的节点分布在所有各个异质图网络中；局部穿越元路径中的节点部分在最多各个异质图网络中的任意两者中。

15、s4首先g、o中分别根据元路径i、元路径ii建立注意力机制，先构建节点注意力机制，再构建语义注意力机制,最后构建子图注意力机制，

16、其次基于穿越元路径iii，在g、o之间建立穿越注意力机制，先选择g＝(v,e)、至少一种o{ob,z}中一者选择关注节点，根据穿越元路径同样先构建节点注意力机制，再构建语义注意力机制，最后构建子图注意力机制，再依次选择g＝(v,e)、至少一种o{ob,z}中剩余者中的每一者的节点作为关注节点，再次根据穿越元路径同样先构建节点注意力机制，再构建语义注意力机制，最终得到所述am，其中元路径i、元路径ii、穿越元路径iii节点数在3-20之间均可调。

17、可选地，所述节点注意力机制构建方法如下：

18、s4-1对于元路径i、元路径ii、穿越路径iii连接的节点对(i,j),对于l∈元路径i、元路径ii、穿越路径iii,分别构建三类节点注意力attnode∈g(·)、attnode∈o(·)、attnode∈iii(·)分别为三类节点注意力的深度神经网络，gi,gj∈v，obi,obj∈ob，tiii,tj∈v,ob分别为，l∈元路径i、元路径ii、l∈穿越路径iii时的节点i,j的表示，其中，tiii为节点i选为关注节点t1的表示，

19、s4-2计算节点i所有基于元路径l的邻居j的注意力，以下式(2)得到式(1)三类节点注意力归一化系数的统一表达式：||为表示的拼接算符，为元路径l的节点注意力向量上标t表示转置，nil为节点i的邻居节点个数，leakyrelu[·]是激活函数,li和lj分别为节点i,j的在三类节点注意力统一表达，以及统一表示,

20、s4-3计算节点i基于三类元路径l的特征统一表示最后将注意力机制重复k次，得到表示将注意力机制重复k次进行拼接；

21、语义注意力机制构建方法如下：

22、s4-4计算三类元路径权重其中||表示相应节点集合的模，具有上下标的q、具有下标的w、b分别为相应的语义的注意力向量、权重、偏置表示，

23、s4-5对于v,ob对应子图中，计算节点i所有基于每一条元路径l的注意力，以下式(5)得到三类语义注意力归一化系数的统一表达式：其中wl为式(4)的统一表达，

24、s4-6构建三类元路径注意力βl∈子图＝attl∈子图(zl∈子图)(6),表示对于任一路径l∈子图下的元路径注意力为相应该路径下表示zl∈子图通过语义注意力的深度神经网络attl∈子图(·)学习得到，则语义注意力机制的特征统一表示为z子图＝∑l∈子图βl∈子图·zl∈子图(7)；

25、子图注意力机制构建方法如下：

26、s4-7同节点注意力机制和语义注意力机制一样，对于知识产生源输入的知识所属的知识领域对应的各个子图(也即各个领域的节点构成的子图集)中，构建子图注意力机制涉及到对应的如下公式(8)-(11)：

27、为子图关联程度，为子图注意力的深度神经网络，

28、w子图为子图权重，具有上下标的w子图、b子图分别为相应的子图注意力向量、权重、偏置表示，

29、

30、为子图注意力机制统一表示。

31、从中可见，对于取到等号时，即对应在全图基础上的整体设备协同管理，当取时对应为局部协同管理，可以通过三类元路径进行元路径的构建，子图的构建，从而在局部子图中通过相应的注意力机制获得预测的重要性和关联程度，从而知晓每一个节点在邻居、元路径、子图中的重要程度或关联程度，也即地位。由此将知识产生源、知识本身、相关的物联网设备完整囊括在一个复合异质图网络中进行协同的管理。

32、需要注意的是，zl∈子图通过相应的关联程度和注意力机制而解出，通过以下的步骤训练得到优化的网络参数。

33、利用z代入attnode∈g(·)、attnode∈o(·)、attnode∈iii(·)、attl∈子图(·)、任一者或其组合，即多层感应机制，α+β+γ+δ+ε＝1，α,β,γ＜δ＜ε，α，β，γ，δ，ε∈r(r为实数)中进行计算交叉熵损失l＝-σl∈vylln(c·zl)，其中l表示所述领域标签的编号，v为领域标签集合，yl为编号为l的领域标签，c为节点分类器参数，通过训练各注意力深度神经网络，直至交叉熵损失趋稳最小，得到am。

34、其中训练的方法包括：

35、s4-8所述知识产生源将根据密级划分而产生的知识定期通过计算机网络输入到输入模块,由输入模块传输到所述知识获取模块中记录知识产生的空间地点、产生时间；

36、s4-9知识解析模块通过步骤s4得到g、o中，以及g、o之间穿越的三类元路径的各训练完毕的注意力机制，接收输入的知识，以及产生的空间地点，将其划分为训练集和验证集，两者比例为8-3：3-1，将训练集处理形成节点表示，根据知识产生源输入的知识领域，形成领域标签，并定义的元路径节点数，得到知识对应节点的相应所有元路径，根据公式(1)-(3)预测得到对应的归一化系数和并根据公式(4)-(7)得到相应的归一化系数βl∈子图和z子图，并根据公式(8)-(11)得到相应的子图关联程度，也即归一化系数和z，并且分别得到计算交叉熵损失值，

37、s4-10将交叉熵损失值反向传播优化各深度神经网络参数，采用验证集验证准确率，并循环进行步骤s4-7-s4-9,优化网络参数，以及验证准确率。

38、其中，基于新输入的知识进行知识脉络的调取、并基于所述知识脉络给出注意力机制的分析结果，具体方法是：

39、s5将知识输入训练好的am中，得到预测的目标分类，

40、s6在预测的目标分类中，根据知识相应的空间地点、产生时间，进行知识脉络的绘制，并调取绘制好的知识脉络，

41、s7在所述绘制好的知识脉络中标出在与所述新输入知识对应的节点和/或子图。

42、其中，s5中所述得到预测的目标分类，具体是根据各目标的领域标签下归一化系数最大者代表可能涉及到的目标的领域标签所属的知识领域，s6中绘制的方法是，在地理地图、o中选出属于预测的目标分类的所有节点和/或子图，并在预测的目标分类中，根据知识的产生时间顺序排序形成历史脉络his，s7中标出是在地理地图以及可视化的o中标出。

43、可选地，选择绘制各领域标签下归一化系数非最大者中的其他至少一个领域对应的知识脉络，所述可视化是在属于v的节点在对应的地理地图上显示。

44、可选地，所述综合分析包括，统计分析以下各类分布中的至少一种：在知识对应的预测的知识领域和所述其他至少一个领域中，在所述地理地图上的第一分布，即g分布，

45、在可视化的o中的第二分布，即o分布，

46、g、o之间的穿越分布，即g-o分布，以及，

47、根据用户所属知识产生源，显示所属知识产生源涉及知识领域对应在所述地理地图上的g分布、o分布、g-o分布中至少一种，并且，

48、统计分析选择的各类分布中的历史脉络his，即在选择的各类分布中各属于v,ob的节点中知识的历史脉络his，适配于用户搜索真实意思的最终评价包括将预测的目标领域和所述其他至少一个目标领域对应的领域标签和用户输入知识的领域标签比较，将比较结果作为所述最终评价。

49、可选地，所述hgnn为复合异质图神经网络chgnn，或者chgnn和异质行为网络hbn的双网络bi-n，其中chgnn包含目标节点是知识和设备的hgnn，异质行为网络是指基于v的知识操作行为，包括查询、下载、上载、问答、研讨中至少一种及其组合，由此得到诸网络相应的am。

50、基于所述分析结果将异质图神经网络区块化，同时基于区块化的图神经网络设置各区块的数据管理密码具体包括,在得到预测的目标分类之后进行：

51、s5-1将子图聚类的归一化系数进行分区段聚类；

52、s5-2将聚类的分区段中的每一子图作为一个区块，在区块内的所有节点和边形成区块异质图神经网络(blockheterogeneous graphneuralnetworks，bhgnn)，并在bhgnn内部再次构建节点级别、语义级别、子图级别的注意力机制；

53、s5-3为bhgnn内部的节点编号，随机选择预设个数的节点编号，与区段对应的归一化系数一起进行随机排序，形成该区块的数据管理密码。

54、预定的时间周期内更新hgnn以及am,并据此不断更新区块以及所述数据管理密码具体包括：

55、q1在预定的时间周期内，根据周期内接收到的知识产生源所输入的知识和空间地点，不断更新bhgnn的节点、边、更新am；

56、q2根据更新的am,对新输入的知识进行预测而更新归一化系数以及更新区段聚类，从而更新区块，

57、q3随机选择预设个数的节点编号，与更新的区段对应的归一化系数一起进行随机排序，更新该更新的区块的数据管理密码。

58、可选地，在各区块内实现区块链的数据应用模式，并当区块更新之后，更新区块链。

59、通过异质图和区块划分的结合，使得区块链能够动态实现更新，机制反应知识的变化，适用性、时效性、准确性、高效性得到提升。

60、本发明的另一个目的是提供一种实现上述基于区块链的知识管理方法的终端，包括用户和/或知识产生源持有的具有所述显示模块的移动智能终端，在所述移动智能终端上安装具有所述输入模块的应用程序app以实现知识的输入，所述新输入，以及获取到所述分析结果，综合分析结果以及知识脉络。

61、本发明的第三个目的是提供一种实现上述基于区块链的知识管理方法的服务器，所述服务器内设置所述知识获取模块、知识解析模块、评价模块、显示模块。

62、有益效果

63、通过异质图中子图的归一化系数构建区块，在区块内实现区块链技术，不断更新子图、注意力机制，区块内注意力机制构建以及区块链的运用，实现了高效、实时、安全的知识管理。