面向碳交易领域的知识图谱构建方法

doi:10.3969/j.issn.1006-2475.2018.08.021

计算机与现代化 ›› 2018, Vol. 0 ›› Issue (08): 114-.doi: 10.3969/j.issn.1006-2475.2018.08.021

面向碳交易领域的知识图谱构建方法

(安徽工业大学计算机科学与技术学院,安徽马鞍山243032)

收稿日期:2018-02-28 出版日期:2018-09-11 发布日期:2018-09-11
作者简介:王良萸(1992-),男,安徽芜湖人,安徽工业大学计算机科学与技术学院硕士研究生,CCF会员,研究方向:自然语言处理,知识图谱。
基金资助:
国家重点研发计划项目(2016YFF020440508)

Knowledge Graph Construction Method for Carbon Trading

(School of Computer Science and Technology, Anhui University of Technology, Maanshan 243032, China)

Received:2018-02-28 Online:2018-09-11 Published:2018-09-11

摘要/Abstract

摘要： 为解决碳交易领域数据集成问题，提出一种碳交易领域知识图谱的构建方法。针对碳交易领域的半结构化和非结构化数据，分别采用自定义的Web数据包装器和结合BiLSTM-CRF模型与依存句法分析的方法进行三元组抽取。然后将获取的知识转化为关联数据，得到完整的碳交易领域知识图谱，再利用基于Jena的fuseki实现对知识图谱的语义查询。实验结果表明，该方法能够为碳交易领域快速有效地构建知识图谱，并可以从碳交易领域的海量数据中检索出有用信息。

关键词: 碳交易, 知识图谱, 三元组抽取, 关联数据, 语义查询

Abstract: In order to solve the problem of data integration in carbon trading, a new method of constructing carbon trading knowledge graph is proposed. For processing the semi-structured and unstructured data in carbon trading, a self-defined Web data wrapper and a method by combining BiLSTM-CRF model with dependency parser are applied to extract triples from data respectively. Then a complete carbon trading knowledge graph can be obtained by transforming the acquired knowledge into linked data, and the semantic query of it can be achieved by fuseki based on Jena. The experimental results show that the proposed method can construct carbon trading knowledge graph rapidly and effectively, and can retrieve useful information from the massive data of carbon trading.

Key words: carbon trading, knowledge graph, triple extraction, linked data, semantic query

中图分类号:

TP391.1

王良萸. 面向碳交易领域的知识图谱构建方法[J]. 计算机与现代化, 2018, 0(08): 114-.

WANG Liang-yu. Knowledge Graph Construction Method for Carbon Trading[J]. Computer and Modernization, 2018, 0(08): 114-.

参考文献

［1］秦慧元. 我国碳交易市场的背景、现状及发展建议［J］. 中国环保产业, 2017(8):35-39.
［2］陈宏宏. 低碳经济背景下国际碳交易市场发展及其前景［D］. 长春:吉林大学, 2017.
［3］漆桂林,高桓,吴天星. 知识图谱研究进展［J］. 情报工程, 2017,3(1):4-25.
［4］ Singhal A. Introducing the knowledge graph: Things, not strings［J］. Official Google Blog, 2012:1-8.
［5］ Auer S, Bizer C, Kobilarov G, et al. Dbpedia: A nucleus for a Web of open data［J］. The Semantic Web, 2007:722-735.
［6］ Suchanek F M, Kasneci G, Weikum G. Yago: A core of semantic knowledge［C］// Proceedings of the 16th International Conference on World Wide Web. 2007:697-706.
［7］ Bollacker K, Evans C, Paritosh P, et al. Freebase: A collaboratively created graph database for structuring human knowledge［C］// Proceedings of 2008 ACM SIGMOD International Conference on Management of Data. 2008:1247-1250.
［8］ Niu Xing, Sun Xinruo, Wang Haofen, et al. Zhishi.me-weaving Chinese linking open data［J］. The Semantic Web-ISWC, 2011:205-220.
［9］阮彤,孙程琳,王昊奋,等. 中医药知识图谱构建与应用［J］. 医学信息学杂志, 2016,37(4):8-13.
［10］刘鎏. 基于地理本体的吉林地域知识图谱的构建［D］. 北京:北京交通大学, 2017.
［11］王巍巍,王志刚,潘亮铭,等. 双语影视知识图谱的构建研究［J］. 北京大学学报(自然科学版), 2016,52(1):25-34.
［12］Scrapy. Scrapy 1.4 Documentation ［EB/OL］. http://doc.scrapy.org/en/latest/index.html, 2017-05-18.
［13］Collobert R, Weston J, Bottou L, et al. Natural language processing (almost) from scratch［J］. Journal of Machine Learning Research, 2011,12(1):2493-2537.
［14］Chiu J P C, Nichols E. Named entity recognition with bidirectional LSTM-CNNs［J］. Transactions of the Association for computational Linguistics, 2016(4):357-370.
［15］Graves A. Long short-term memory［M］// Supervised Sequence Labelling with Recurrent Neural Networks. 2012:1735-1780.
［16］Pascanu R, Mikolov T, Bengio Y. On the difficulty of training recurrent neural networks［C］// Proceedings of the 30th International Conference on Machine Learning. 2013:1310-1318.
［17］Pulford G. The Viterbi algorithm［C］// IEE Seminar on Target Tracking: Algorithms and Applications. 2006:53-65.
［18］甘丽新,万常选,刘德喜,等. 基于句法语义特征的中文实体关系抽取［J］. 计算机研究与发展, 2016,53(2):284-302.
［19］黄昌宁,苑春法,潘诗梅. 语料库、知识获取和句法分析［J］. 中文信息学报, 1992(3):1-6.
［20］Mikolov T, Chen K, Corrado G, et al. Efficient estimation of word representations in vector space［J］. Computer Science, 2013.
［21］Glorot X, Bengio Y. Understanding the difficulty of training deep feedforward neural networks［C］// Proceedings of the 13th International Conference on Artificial Intelligence and Statistics. 2010:249-256.

[1]	张昆1, 张永伟1, 吴永城1, 张笑文2, 翟世臣2. 基于大模型的设备故障知识图谱自动构建方法[J]. 计算机与现代化, 2024, 0(11): 46-53.
[2]	齐俊1, 2, 曲睿婷2, 教传铭2, 周巧妮2, 郭彦良3, 覃文军3. 基于知识图谱增强大语言模型双碳领域服务[J]. 计算机与现代化, 2024, 0(09): 8-14.
[3]	汪显顺, 熊卿智, 万磊, 李祥, 林重汕, 金安安. 基于知识图谱的区域企业关联可视化及关系挖掘[J]. 计算机与现代化, 2024, 0(08): 11-16.
[4]	杨孟, 杨进, 陈步前. 基于知识图谱的多目标可解释性推荐[J]. 计算机与现代化, 2024, 0(03): 34-40.
[5]	黄政霖, 董宝良. 基于语义和结构增强的时序知识图谱问答方法[J]. 计算机与现代化, 2024, 0(03): 15-23.
[6]	王运乾, 王以松, 陈攀峰, 邹龙. 融合注意力机制的药用植物文本命名实体识别[J]. 计算机与现代化, 2021, 0(11): 100-105.
[7]	王钰蓥, 王勇. 基于知识图谱和Bi-LSTM的推荐算法[J]. 计算机与现代化, 2021, 0(09): 90-98.
[8]	耿化聪, 梁宏涛, 刘国柱. 基于知识图谱与协同过滤的饮食推荐算法[J]. 计算机与现代化, 2021, 0(08): 24-29.
[9]	张艳, 杨芳, 杨蕾, 韩奎国, 李辉. 基于知识图谱的区块链技术及电力行业应用分析[J]. 计算机与现代化, 2020, 0(12): 55-60.
[10]	张紫璇,陆佳民,姜笑,冯钧. 面向水利信息资源的智能问答系统构建与应用[J]. 计算机与现代化, 2020, 0(03): 65-.
[11]	项威. 事件知识图谱构建技术与应用综述[J]. 计算机与现代化, 2020, 0(01): 10-.
[12]	冯钧，徐新，陆佳民. 水利信息知识图谱的构建与应用[J]. 计算机与现代化, 2019, 0(09): 35-.
[13]	冯钧,柳菁铧,孔盛球. 融合多特征的中文集成实体链接方法[J]. 计算机与现代化, 2019, 0(01): 69-.
[14]	王通,艾中良,张先国. 基于深度学习的威胁情报知识图谱构建技术[J]. 计算机与现代化, 2018, 0(12): 21-.
[15]	申存1,2,3，黄廷磊2,3，梁霄2,3. 基于多粒度特征表示的知识图谱问答[J]. 计算机与现代化, 2018, 0(09): 5-.

面向碳交易领域的知识图谱构建方法

Knowledge Graph Construction Method for Carbon Trading

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价