基于知識圖譜的包裝產業大數據智能問答系統研究

黃賢明

摘 ?要： 為了提高包裝產業大數據分析和信息化管理能力，提出一種基于知識圖譜的包裝產業大數據智能問答系統設計方法，結合大數據挖掘技術和知識圖譜特征提取技術，實現包裝產業大數據智能融合和優化問答檢索。構建包裝產業大數據分布結構模型，采用關聯規則調度方法進行大數據自適應融合調度，實現包裝產業大數據的分塊區域匹配，提取包裝產業大數據的知識圖譜集，對提取的包裝產業大數據知識圖譜采用子空間融合技術進行信息聚類處理，實現包裝產業大數據的智能問答和檢索設計。采用程序加載控制方法，將算法加載到DSP集成信息處理器中，實現包裝產業大數據智能問答系統的集成開發。測試結果表明，該系統能有效實現包裝產業大數據智能問答，大數據圖譜的特征表達能力較強。

關鍵詞： 知識圖譜; 包裝產業; 大數據; 智能問答系統; 分塊區域匹配; 信息聚類處理; 集成開發

中圖分類號： TN919?34; TP399 ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）14?0148?04

Research on big data intelligent question answering system based on

knowledge map for packaging industry

HUANG Xianming

（College of Computer， Hunan University of Technology， Zhuzhou 412007， China）

Abstract： A design method of the big data intelligent question answering system based on the knowledge map for the packaging industry is proposed to improve the big data analysis and informatization management abilities of the packaging industry. The big data mining technology and knowledge map feature extraction technology are combined to realize big data intelligent integration and question answering retrieval optimization of the packaging industry. The big data distribution structure model of the packaging industry is constructed. The big data adaptive fusion scheduling is conducted by adopting the association rule scheduling method， so as to realize partition region matching of the packaging industry big data， and extract the knowledge map set of the packaging industry big data. The information clustering processing is conducted by using the subspace fusion technology for the extracted big data knowledge map of the packaging industry， so as to realize big data intelligent question answering and retrieval design of the packaging industry. The algorithm is loaded into the DSP integrated information processor by using the program loading control method， so as to realize the integrated development of the big data intelligent question answering system for the packaging industry. The test results show that the system can effectively realize big data intelligent question answering for the packaging industry， and has a strong feature expression ability of the big data map.

Keywords： knowledge map; packaging industry; big data; intelligent question answering system; blocking area matching; information clustering processing; integrated development

0 ?引 ?言

隨著包裝產業的快速發展，大量的包裝產業大數據通過知識圖譜的形式存儲于網絡空間中，為包裝的設計和信息資源調度提供參考。因此，需要對包裝產業大數據進行智能問答和優化調度，挖掘包裝產業大數據的知識圖譜特征;并結合云計算技術進行包裝產業大數據的自適應調度和優化挖掘，提取包裝產業大數據的關聯規則特征量，以提高包裝產業大數據的智能調度和問答檢索能力。對包裝產業大數據智能系統設計的關鍵是進行包裝產業大數據的知識圖譜挖掘和信息重構，提取包裝產業大數據的圖譜特征，采用大數據信息融合技術實現包裝產業大數據圖譜挖掘，并對提取的包裝產業大數據知識圖譜采用子空間融合技術進行信息聚類處理，實現包裝產業大數據的智能問答和檢索設計[1]。根據上述分析，本文提出一種基于知識圖譜的包裝產業大數據智能問答系統。最后通過仿真實驗進行性能測試。

1 ?包裝產業大數據結構分析和特征重組

1.1 ?包裝產業大數據結構分析

為了實現對包裝產業大數據智能問答的優化設計和知識圖譜提取，采用樣本均值檢驗進行包裝產業大數據深度挖掘和穩定特征[2]，構建一個模糊約束狀態方程表達包裝產業大數據的信息流模型為：

[xn=x（t0+nΔt）=h[z（t0+nΔt）]+ωn] ? ? ? ?（1）

式中：[h（·）]為包裝產業大數據分布式知識圖譜特征序列;[ωn]為包裝產業大數據的量化融合誤差。

構建包裝產業大數據的關聯規則知識庫[3]，采用分組樣本檢測和回歸分析方法，進行包裝產業大數據的非線性序列重組，得到一個包裝產業大數據的統計分析線性組合模型為：

[xk=n=0N/2-12ancos2πknN-bnsin2πknN? ? ? ? k=0，1，2，…，N-1] ? ?（2）

式中，[an]表示包裝產業大數據線性規劃特征集。

1.2 ?數據特征提取

設有m個包裝產業大數據節點[A1]，[A2]，…，[An]，結合線性規劃模型進行大數據圖譜特征挖掘的全局尋優[4]，構造包裝產業大數據知識圖譜提取的模糊學習數學表達如下：

[min f=i=1mj=1nCijXij] ? ? ? ? ?（3）

假定當前包裝產業大數據的知識圖譜關聯規則項挖掘節點的數目為[n]，[N1，…，Nn]，采用多元線性回歸分析方法，結合匹配相關檢測方法進行包裝產業大數據的信息融合處理[5]，輸出挖掘規則向量集表示為：

[ρIt=1NIs（i，t）V=NIV，ρRt=1NRs（i，t）V=NRV] （4）

式中，[NI]，[NR]分別表示包裝產業大數據的平均互信息特征量和狀態分布集。

2 ?包裝產業大數據智能問答優化的知識圖譜提取

2.1 ?大數據的分塊區域匹配

采用樣本均值檢驗進行包裝產業大數據的知識圖譜提取[6]，輸出知識圖譜提取的雅可比矩陣[J（x）]：

[J（x）=?v1（x）?x1?v1（x）?x2…?v1（x）?xn?v2（x）?x1?v2（x）?x2…?v2（x）?xn?????vN（x）?x1?vN（x）?x2…?vN（x）?xn] ? ?（5）

在有限論域內實現包裝產業大數據挖掘，大數據的分塊區域匹配值為：

[wji（k+1）=wji（k）-α?F?wji] （6）

根據大數據的分塊區域匹配結果，進行包裝產業大數據的譜特征提取，提高包裝產業大數據的智能問答和檢索能力[7]。

2.2 ?包裝產業大數據的智能問答

包裝產業大數據智能問答和均衡調度的邊界收斂條件為：

1） [limn→∞supfn（x）-fn（y）>0]，[?x，y∈S，x≠y];

2） [limn→∞inffn（x）-fn（y）=0]，[?x，y∈S];

3） [limn→∞supfn（x）-fn（y）<0]，[?x∈S，][?y∈P（f）]。

當[?ε>0，?N>0]，得到知識圖譜的統計特征量解析的優化解為：

[min0≤αi≤cW=12i，j=1lyiyjαiαjK（xi，xj）-i=1lαi+bi=1lyjα] ? ? ? ?（7）

式中，[（xi，xj）]表示多元線性回歸統計特征。通過線性凸函數控制，對提取的包裝產業大數據知識圖譜采用子空間融合技術進行信息聚類處理，實現包裝產業大數據的智能問答和檢索設計[8]。

3 ?系統設計與實現

平臺采用LabWindows/CVI進行代碼資源開發，在嵌入式Linux環境中進行包裝產業大數據智能問答系統開發[9]。采用ADSP?BF537設計內部時鐘振蕩器，進行包裝產業大數據智能問答系統的時鐘采樣，通過JTAG調試接口進行包裝產業大數據智能問答系統的實時性程序讀寫和A/D轉換控制，得到系統的實現流程如圖1所示。采用ADSP?BF537BBC?5A實現包裝產業大數據智能問答系統原始信息采集，選擇ADI公司的A/D和D/A實現上位機通信和總線控制，得到系統的硬件實現如圖2所示。

4 ?實驗測試分析

對包裝產業大數據智能問答系統的實驗采用Web協議設計規范進行，結合Matlab設計進行算法處理，對包裝產業大數據采樣的數據樣本集為1 024，數據的長度為2 000，數據采樣的時間間隔為0.65 s，知識圖譜采樣的頻率為10 kHz。根據上述仿真環境和參數設定，進行包裝產業大數據的知識圖譜挖掘，得到原始數據如圖3所示。

分析4得知，采用本文方法進行包裝產業大數據挖掘，能有效實現包裝產業大數據知識圖譜提取。測試智能問答的準確性，得到均方根誤差對比見表1。

5 ?結 ?語

本文提出一種基于知識圖譜的包裝產業大數據智能問答系統設計方法，結合大數據挖掘技術和知識圖譜特征提取技術，實現包裝產業大數據智能融合和優化問答檢索。構建包裝產業大數據分布結構模型，采用關聯規則調度方法進行大數據自適應融合調度，實現包裝產業大數據的分塊區域匹配，提取包裝產業大數據的知識圖譜集，實現包裝產業大數據的智能問答和檢索設計。研究得知，本文設計系統能有效實現包裝產業大數據智能問答，大數據圖譜的特征表達能力較強，挖掘效果較好。

參考文獻

[1] 李濤，王次臣，李華康.知識圖譜的發展與構建[J].南京理工大學學報（自然科學版），2017，41（1）：22?34.

LI Tao， WANG Cichen， LI Huakang. Development and construction of knowledge graph [J]. Journal of Nanjing University of Science and Technology， 2017， 41（1）： 22?34.

[2] 劉嶠，李楊，段宏，等.知識圖譜構建技術綜述[J].計算機研究與發展，2016，53（3）：582?600.

LIU Qiao， LI Yang， DUAN Hong， et al. Knowledge graph construction techniques [J]. Journal of computer research and development， 2016， 53（3）： 582?600.

[3] 毛文濤，田楊陽，王金婉，等.面向貫序不均衡分類的粒度極限學習機[J].控制與決策，2016，31（12）：2147?2154.

MAO Wentao， TIAN Yangyang， WANG Jinwan， et al. Granular extreme learning machine for sequential imbalanced data [J]. Control and decision， 2016， 31（12）： 2147?2154.

[4] 李永剛，張治中，李龍江.一種WLAN與eHRPD系統間負載均衡算法[J].微電子學與計算機，2017，34（1）：44?47.

LI Yonggang， ZHANG Zhizhong， LI Longjiang. A load?balancing algorithm in the WLAN and eHRPD hybrid system [J]. Microelectronics & computer， 2017， 34（1）： 44?47.

[5] 李建勛，佟瑞，張永進，等.基于趨勢面與SSIM的時空數據相似度算法[J].計算機工程，2018，44（9）：52?58.

LI Jianxun， TONG Rui， ZHANG Yongjin， et al. Similarity algorithm of spatio?temporal data based on trend surface and SSIM [J]. Computer engineering， 2018， 44（9）： 52?58.

[6] 盧鳳，李海榮，韓艷.基于時空相似度感知的Web服務QoS協同過濾推薦[J].計算機工程，2017，43（4）：28?33.

LU Feng， LI Hairong， HAN Yan. QoS collaborative filtering recommendation of web service based on spatial and temporal similarity sensing [J]. Computer engineering， 2017， 43（4）： 28?33.

[7] 張景祥，王士同，鄧趙紅，等.融合異構特征的子空間遷移學習算法[J].自動化學報，2014，40（2）：236?246.

ZHANG Jingxiang， WANG Shitong， DENG Zhaohong， et al. A subspace transfer learning algorithm integrating heterogeneous features [J]. Acta automatica sinica， 2014， 40（2）： 236?246.

[8] 唐萬明，范朝元.基于Cadence的DDR源同步時序仿真研究[J].現代電子技術，2014，37（8）：75?78.

TANG Wanming， FAN Chaoyuan. Research of DDR source synchronization time?sequence simulation based on Cadence [J]. Modern electronics technique， 2014， 37（8）： 75?78.

[9] 劉嶠，李楊，段宏，等.知識圖譜構建技術綜述[J].計算機研究與發展，2016，53（3）：582?600.

LIU Qiao， LI Yang， DUAN Hong， et al. Knowledge graph construction techniques [J]. Journal of computer research and development， 2016， 53（3）： 582?600.

[10] 高妮，賀毅岳，高嶺.海量數據環境下用于入侵檢測的深度學習方法[J].計算機應用研究，2018，35（4）：1197?1200.

GAO Ni， HE Yiyue， GAO Ling. Deep learning method for intrusion detection in massive data [J]. Application research of computers， 2018， 35（4）： 1197?1200.