人工智能知识管理系统的制作方法

本发明涉及知识管理系统，特别是涉及利用人工智能进行的知识管理系统，属于大数据智慧化领域。

背景技术：

1、现有技术对于知识管理主要依靠类神经网络(例如分布式记录方法)和淘汰更新机制(例如aibikms模型)，实现了知识的创新推动和企事业单位、科研院所的只是搜索、查询，指导了方案制定。然而现有技术一方面并未具体给出适合的模型的构建，仅仅是笼统地介绍，另一方面，一味强调淘汰更新机制，虽然节省了存储空间，但是对于知识的历史地、系统地掌握无法实现。事实上，只有掌握所有知识的变迁，才能从中看到知识更新迭代的历史，以及从中给出创新主体所需的启发。可以说知识没有旧的，只有历史地辩证地。基于这个理念，因此如何利用好历史知识，成为亟待解决的问题。

2、由于知识是不断迭代的，因此不同的历史节点上，各领域知识都是相互关联，在时间维度、空间维度上存在逻辑关联，如何通过一个人工智能模型串接各领域知识，从而给出正确的方案也是具体解决问题的一种思路。

技术实现思路

1、基于上述的现有技术的弊端考量，我们将考虑一种新的模型机制。本发明所述的知识包括关键词的集合。为此本发明提供了一种人工智能知识管理系统，包括知识获取模块，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，

2、基于现实空间地点的异质图神经网络注意力机制(real spatial locationbased heterogeneous graph neural networks attention mechanism,rslbhgnnam)的知识解析模块，与所述知识获取模块连接，用于构建现实空间地点的异质图神经网络(rslbhgnn)，并基于该异质图神经网络对接收到的知识产生源所输入的关键词和空间地点，构建rslbhgnnam，并在构建完成后，再次基于新输入的关键词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，并且在预定的时间周期内更新rslbhgnn，

3、输入模块，与计算机网络连接，用于接收用户所述新输入的关键词，并通过计算机网络将其输入所述知识解析模块，

4、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，其中，

5、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。

6、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。

7、可选地，知识获取模块通过解析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。

8、优选地，所述记录需通过人工或计算机审核。

9、更优选地，通过审核的知识，将给予知识产生源酬劳。

10、所述构建现实空间地点的异质图神经网络，并基于该异质图神经网络对接收到的知识产生源所输入的关键词和空间地点，构建rslbhgnnam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g＝(v,e),形成现实空间地点的异质图神经网络，其中，v为节点集合、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、即所述基于现实空间地点的异质图上的每一个节点代表知识产生源输入关键词时所处的在所建立地理地图上的现实地理位置，由此可以分析出知识产生的源头地点，以及哪些地理区域在某些特定领域的优势。这对于知识的传播路径，以及产生源的追溯和知识的产生、发展的研究提供了大数据基础。而现有的异质图神经网络仅仅是逻辑抽象上的节点，并没有与节点真实对应的地理位置进行对应。通过真实地理位置，也即空间地点的对应，就能知道知识是由谁提出，并且如何发展的。

13、s2构建基于v上的知识异质图网络h＝(k,f),k为不同知识领域的关键词节点集合(即知识)、f为知识边集合。知识边表示了不同关键词之间的关联。

14、s3在g和h中分别构建元路径i:以及元路径ii:并定义元路径的邻居，即对于任一节点n∈v,k,则通过元路径连接n的所有节点即为邻居，其中ap∈v，bq∈k，p,q∈n，n为自然数，且p∈[1,m+1],q∈[1,n+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为关键词之间的关联，每一个即表示元路径ii中相邻节点在知识领域中的双箭头。

15、对于任意两个节点x和y属于v，则中的双箭头表示两个节点对应在地理地图上的两个坐标位置之间的双向的双箭头矢量，属于数学符号,其集合即为空间边集合；而对于任意两个节点x和y属于k，在知识领域中的关联中的双箭头即表示同属于同一领域，同一产品，同一方法中的一者或其组合的关联情况，属于逻辑关联符号，其集合即为知识边集合。

16、需要注意，双箭头矢量和双箭头与元路径中的单向箭头的区分，后者用于元路径的定义，是表示元路径中各节点的顺序的形式，为引入邻居的概念，以及后续节点注意力和语义注意力机制奠定基础。

17、应当理解的是，知识异质图网络h和构建基于现实空间地点的异质图g是两个不同层级的异质图网络，后者基于空间地点，而前者基于知识本身，两者之间通过知识本身也可以进行路径的描述。例如不同或相同的知识在h中存在异质图网络，表示知识在各地理位置上的空间关系；而在g中存在空间地点上的异质图网络，表示知识在空间上的联系。比如在某一知识领域，在不同的地点产生相同或不同的知识，则这些知识在不同地点上产生g的子集，而对于同属于v的一个节点，各知识形成了h的子集。抑或对于不同的知识领域，或者相近的知识领域，由于知识是相互传播的，因此符合异质图的结构特点。

18、优选地，所述元路径中的节点数在3-20之间可调，所述关键词包括，语言学上的字、词、句，语言学上的语段，文献，图片，视频，音频中任一种或其组合，且所述关键词聚类于带领域标签的预设的知识领域，并且在用户进行所述新输入时需要对所述关键词进行知识领域的选择，并输入关键词的领域标签。在编程中通过指针等方式实现所述标签。

19、可见关键词选择的多寡，在异质图中能够展现的注意力机制分析结果也有所不同，关键词越多，可能牵涉到的知识领域越广，越能激发起创新主体的灵感。但是也不是越多越好，当关键词太多，就对于领域的辨识度降低，可能将其他县区较远的知识领域都囊括进来，因此通过关键词的数量的调节，能够得到不同的知识的分析评估的预期质量。本发明的关键词的概念对于知识的形式做了扩展，不局限于语言文字，而是通过图片、视频、音频进行表达，为后续人工智能识别领域提供了全面精准的识别手段，也更加完善丰富了知识的表达形式。

20、可选地，所述预设的知识领域包括，学科领域、专利分类，所述知识领域标签在知识获取模块中存储且能够不断更新。

21、s4首先，在g和h中分别根据元路径i和元路径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；

22、其次，在g或h中选择关注节点t1∈v或t1∈k，定义穿越元路径iii:以及定义穿越邻居t2,…,tt+1，t∈n中，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，基于穿越元路径，在g和h之间建立穿越注意力机制，先选择g和h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，再选择g和h中剩余一者中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rslbhgnnam，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。

23、可选地，所述节点注意力机制构建方法如下：

24、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∈h(·)、attnode∈iii(·)分别为三类节点注意力的深度神经网络，gi,gj∈v，hi,hj∈k，tiii,tj∈v,k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，

25、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：(2)，||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,

26、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；

27、语义注意力机制构建方法如下：

28、s4-4计算三类元路径权重0＝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，

29、s4-5对于属于k∪v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，

30、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语义＝∑l∈子图βl∈子图·zl∈子图(7)，利用z语义代入attnode∈g(·)、attnode∈h(·)、attnode∈iii(·)、attl∈子图(·)任一者或其组合中进行计算交叉熵损失l＝-∑l∈sylln(c·zl)，其中l表示所述领域标签的编号，s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。

31、其中训练的方法包括：

32、s4-7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；

33、s4-8知识解析模块通过步骤s4得到g和h中，以及g和h之间穿越的三类元路径的各训练完毕的注意力机制，接收输入的关键词，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7-3：2-1，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，得到关键词对应节点的相应所有元路径，根据公式(1)-(3)预测得到关键词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语义，并且分别得到计算交叉熵损失值，

34、s4-9将交叉熵损失值反向传播优化深度神经网络参数，采用验证集验证准确率，并循环进行步骤s4-7-s4-8,优化网络参数，以及验证准确率。

35、其中，基于新输入的关键词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：

36、s5将关键词输入训练好的rslbhgnnam中，得到预测的知识领域，

37、s6在预测的知识领域中，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，

38、s7在所述绘制好的知识脉络中标出在与所述新输入关键词对应的节点和/或子图。

39、其中，s5中所述得到预测的知识领域，具体是根据各领域标签下归一化系数最大者代表可能涉及到的领域标签所属的知识领域，s6中绘制的方法是，在地理地图和/或h中选出属于预测的知识领域的所有节点和/或子图，并在预测的知识领域中，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h中标出。

40、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。

41、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：在关键词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，

42、在可视化的h中的第二分布，即h分布，

43、g和h之间的穿越分布，即g-h分布，以及，

44、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、h分布、g-h分布中至少一种，并且，

45、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,k的节点中知识的历史脉络，适配于用户搜索真实意思的最终评价包括将预测的知识领域和所述其他至少一个领域对应的领域标签和用户输入关键词的领域标签比较，将比较结果作为所述最终评价。

46、容易理解的是，知识领域可以预先人工划分接近程度，从而根据接近程度判断所述比较的结果，是完全匹配还是部分匹配还是完全不匹配等。通过最终评价也能够判断用户对于自己所关心的领域是否存在理解偏差，是否自己从事的领域存在可以从其他领域借鉴的可能，从而启发创新主体的灵感。

47、因此领域预测准确与否，也即与用户真实意思匹配与否并不是十分要求一定要准确匹配，我们认为，从适当或者完全不匹配中反而能够得到相关的启发可能。这也一方面适当降低了对机制预测的准确率的要求。然而，根据注意力机制本身的训练能够保证一定的准确性，其参考意义仍然是存在的。至于用户感受到的不匹配程度则能具有上述的启发可能，从而另一方面解决了如何给创新主体提供所需启发的问题，甚至对研发决策做出调整，而不是一味更新和淘汰旧有知识。另一方面，我们需要强调的是元路径的节点数可调，影响者注意力机制预测的知识领域的准确率，当人元路径的节点顺序同样影响准确率。然而前者的影响较大，因此通过节点数的可调对于预测准确率和启发可能之间此消彼长进行调节。准确率越高创新启发可能统计意义上呈现越少的趋势。另一方面对于所述预设的知识领域的划分粗细也有关系。

48、综上，有益效果在于，我们从节点数可调、元路径节点顺序选择、预设的知识领域三个指来进行知识管理，从而达到知识领域预测准确率，以及创新主体启发可能之间的需求而适应性调节。