本发明属于工业知识图谱，具体的为一种基于动力学传播模型的知识图谱演进方法。
背景技术：
1、工业知识是指人类对工业生产过程、技术应用、产品开发及其在社会中的作用的系统理解和认识。这种知识涵盖了工业产品的全周期，包括产品设计、仿真、生产制造、使用到废弃和回收的整个过程。有效的组织、理解和应用工业知识，是推动工业创新、提高生产效率、优化资源配置和实现可持续发展的关键。知识图谱作为一种高效组织、管理和理解海量语义信息的知识工具，已经成为语义搜索、溯源决策等方面的基础知识底座。
2、面对日益增长的数据量和知识的复杂性，现有方法存在灵活性和扩展性不足、难以实现对知识变化的实时跟踪和预测的问题。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种基于动力学传播模型的知识图谱演进方法，能够准确把握并适应快速变化的工业知识演进趋势，帮助理解既往工业知识的演变过程，并助力预测未来可能的发展趋势。
2、为达到上述目的，本发明提供如下技术方案：
3、一种基于动力学传播模型的知识图谱演进方法，包括如下步骤：
4、步骤一：获取产品对象的多模态工业知识图谱，基于聚类方法对知识图谱中的工业知识节点进行聚类；在产品全生命周期多模态工业知识本体体系的指导下将聚类结果转换为知识事件群体，并定义知识事件群体之间的关联关系；
5、步骤二：对于每一个知识事件群体使用动力学传播模型进行建模，采用微分方程来描述知识事件群体状态随时间的变化；将知识图谱中所有知识事件群体分别转换为一个微分方程，并向知识事件群体关联关系添加演化因子；
6、步骤三：利用动态图神经网络对知识图谱进行动态建模，并将微分方程嵌入到动态图神经网络中；
7、步骤四：对动态图神经网络进行有偏训练，根据知识事件群体状态及演化因子的动态变化总结知识事件群体在时间序列上的变化。
8、进一步，所述步骤一包括以下步骤：
9、11)以一定时间间隔获得同一产品对象在不同时间上的多模态工业知识图谱；
10、12)利用k-means++聚类方法对多模态工业知识图谱中的知识进行聚类，获得多模态工业知识聚类结果；
11、13)以多模态工业知识聚类结果为事件参考对象，在产品全生命周期工业知识本体体系的引导下建立知识事件群体图，并根据既有节点关联重新定义知识事件群体之间的关联关系。
12、进一步，所述步骤二包括以下步骤：
13、21)将所有时序上的多模态工业知识图谱转换为知识事件群体图；
14、22)根据时序不同，向知识事件群体图中引入四维时间参量，将知识事件群体图转换为多模态工业知识图谱的系谱图，所述系谱图为无向无权图；
15、23)以知识事件群体为建模单位，利用微分方程对知识事件群体进行建模，同时向知识事件群体关联关系中添加演化因子。
16、进一步，所述步骤23)中，将每一个知识事件群体定义为一个状态变量ki(t)，状态变量ki(t)表示第i个知识事件群体在时间t的状态；
17、对于每一个知识事件群体，定义一个微分方程来描述其状态随时间的变化；微分方程包括增长项和衰减项，其中：增长项代表知识事件群体接受新工业知识或增加影响力的因素；衰减项代表知识事件群体随时间失去准确性或相关性的因素；微分方程表示为：
18、
19、其中：αi和βi分别为增长系数和衰减系数；fi(t，k)为知识事件群体之间以及知识事件群体与外部动态因素之间的关联函数，表示为：
20、
21、其中：ωij表示群体j对群体i的关联权重。
22、进一步，所述步骤三中，利用动态图神经网络对知识图谱进行动态建模，并将微分方程嵌入到动态图神经网络，以增强动态图神经网络模型处理抽象概念和关系的能力，实现将多模态工业知识图谱系谱图转换为系谱导图，所述系谱导图为无向有权图。
23、进一步，所述步骤四包括以下步骤：
24、41)对动态图神经网络进行有偏训练，在训练完成后根据微分方程结果形成知识事件群体状态热图及演化因子变化曲线；
25、42)总结知识事件群体状态热图及演化因子变化曲线的变化，形成工业知识多维时序交织演进机理。
26、进一步，所述步骤41)中，对动态图神经网络进行有偏训练过程中，通过更改损失函数l(t)，使得高质量工业知识造成的损失比例增大，低质量工业知识造成的损失比例减小。
27、本发明的有益效果在于：
28、本发明基于动力学传播模型的知识图谱演进方法具有以下优点：
29、(1)本发明通过聚类方法对产品全生命周期多模态工业知识图谱进行知识聚类，简化了动力学传播模型的建模复杂度、优化了演进动力学系统复杂性、降低了计算负载、提高了群体动态优化调整的适应性及灵活性；利用产品全生命周期多模态工业知识本体体系作为聚类引导，规范了知识群体的划分。
30、(2)本发明通过构建知识事件群体图和系谱图，提供了一种直观的方式来表示和理解大规模的工业知识；状态热图和演化因子的变化曲线进一步提供了对模型行为的深入洞察，帮助用户更好地理解复杂知识的内在关系和发展趋势，具有领域适用性广、囊括周期阶段全、涉及模态数量多的优点。
31、(3)本发明采用动力学传播模型进行对图谱演进进行建模，通过微分方程来描述知识的演变和传播，这种方法可以捕捉到知识群体随时间变化的动态特性；与静态模型相比，动态模型能更准确地预测和分析知识的发展趋势。此外，还通过图神经网络对动态图谱进行建模，通过学习知识群体间的依赖关系，深层次理解和预测工业知识在图链接中的传播趋势，以助力预测未来可能的发展趋势。
1.一种基于动力学传播模型的知识图谱演进方法，其特征在于：包括如下步骤：
2.根据权利要求1所述基于动力学传播模型的知识图谱演进方法，其特征在于：所述步骤一包括以下步骤：
3.根据权利要求1所述基于动力学传播模型的知识图谱演进方法，其特征在于：所述步骤二包括以下步骤：
4.根据权利要求3所述基于动力学传播模型的知识图谱演进方法，其特征在于：所述步骤23)中，将每一个知识事件群体定义为一个状态变量ki(t)，状态变量ki(t)表示第i个知识事件群体在时间t的状态；
5.根据权利要求3所述基于动力学传播模型的知识图谱演进方法，其特征在于：所述步骤三中，利用动态图神经网络对知识图谱进行动态建模，并将微分方程嵌入到动态图神经网络，以增强动态图神经网络模型处理抽象概念和关系的能力，实现将多模态工业知识图谱系谱图转换为系谱导图，所述系谱导图为无向有权图。
6.根据权利要求5所述基于动力学传播模型的知识图谱演进方法，其特征在于：所述步骤四包括以下步骤：
7.根据权利要求6所述基于动力学传播模型的知识图谱演进方法，其特征在于：所述步骤41)中，对动态图神经网络进行有偏训练过程中，通过更改损失函数l(t)，使得高质量工业知识造成的损失比例增大，低质量工业知识造成的损失比例减小。
