面向网络空间线索发现的时序知识融合方法研究

The very fast development of knowledge in big data environment has presented the characteristics of heterogeneity, variety and fragmentation. This phenomenon brings great challenges to dig out valuable clues with big data. How to effectively organize the knowledge elements obtained from the big data, and construct a knowledge base to support cyberspace clue mining has become a technical difficulty to solve and also a hot research topic. For this purpose, we propose a temporal knowledge fusion method, to realize cyberspace clue mining. Firstly, we explore convolutional neural network theory to construct a local adaptive knowledge representation learning model. Secondly, we perform temporal knowledge multi-semantic resolution based on dense subgraph computation of weighted graph. Thirdly, we perform temporal knowledge alignment based on formal concept analysis, and perform temporal knowledge implicit information inference based on time difference relation path computation. Finally, we build the experimental system, and test its clue mining ability with real large scale datasets, through human movement tracing and events evolution trend computation. Our research can make a breakthrough in the situation analysis of public opinion. The research findings can provide theoretical and technical supports for the development of network infrastructure, and improve the emergency response ability of the relevant departments on the network incidents.

网络大数据环境下的知识规模急剧增长，知识自身要素呈现出异质性、多元性和碎片化等特点，这给从网络大数据中发现有价值的线索带来了巨大的挑战。如何将网络大数据获得的知识要素有效组织起来，构建相应的知识库来支撑网络空间线索的发现，是亟待解决的技术难点和当前的研究热点。为此，本课题提出了面向网络空间线索发现的时序知识融合方法，该方法首先基于卷积神经网络理论构建时序知识的局部自适应表示学习模型，接着基于赋权图的稠密子图计算进行时序知识的多元语义消解，然后基于形式概念分析进行时序知识要素的对齐关联以及基于时间差关系路径进行时序知识隐含信息的推断。最后，在此基础上构建实验系统，在真实数据环境下实现对人员的运动轨迹、人员的关系发展脉络、事件的演化趋势等线索的计算，以期在舆情态势分析方面取得突破，研究成果可望为网络空间基础设施的研发提供理论支撑和核心技术，提高有关部门对网络突发事件的应急处理能力。

本课题针对网络空间线索发现的实际需求，探索网络大数据中时序知识的融合方法，从时序知识结构的异质性、语义的多元性和要素的碎片化等关键问题研究入手，从时序知识表示的自适应学习、语义的多元消解、要素的合并计算展开具体研究工作，为网络大数据环境下的知识要素的有效组织，构建相应的知识库支撑网络空间线索的发现提供一条新的解决方案，其中在以下四个方面做出重要成果。.1）提出了开放知识网络的局部自适应的嵌入表示模型，并提出了基于双语义空间的知识表示学习方法ETransR，该模型将关系及其关联的实体映射到不同的语义嵌入空间，通过特定关系矩阵桥接两个不同空间中的实体和关系，并在关系空间执行关系之间的语义映射，有效建模关系之间的语义关系。.2）提出了基于实体和关系嵌入表示的知识消解方法，提出了一种基于赋权图联合推断的知识消歧方法，采用赋权图模型统一建模文本实体、知识图谱中的实体和类别之间的相关关系，并通过重启动随机游走的联合推断算法实现了同一文本中所有实体在知识图谱中所处位置的联合推断，从而从整体上提升知识消歧的准确率。.3）提出了一种融合表示学习和分治策略的大规模本体合并方法，通过表示学习方法，基于分治策略，将大规模本体划分为规模相对较小的块的集合，通过块之间的匹配，实现大规模本体之间的匹配；采用目标驱动的本体合并算法来计算两个本体合并的结果。该方法降低大规模本体合并的执行时间，适应本体合并的可扩展性需求。.4）提出一种基于时间差关系路径的时序知识隐含信息推断模型，该方法将时序知识的时间信息融入到知识结构特征中，利用逻辑回归模型训练推断模型，实现在推断隐含知识是否产生的同时，推断知识的产生时间。.上述研究成果已经在13篇国内外顶级期刊和会议上发表，并且在公安部某系统中进行应用，有效的提高了线索发现能力。