基于食品质量安全HACCP多源异构数据的领域本体建模及应用研究

To address the high variety, modality diversity, heterogeneity, inconsistent data format and sharing difficulty problems caused by various kinds of sensory, physio-chemical and biological key window data types in the HACCP management, this project will carry out domain ontology modeling and application research, in order to achieve the formalized representation, fusion, storage, retrieval and decision-making of multi-modal heterogeneous data. This project takes the various key window period data in infant formula milk powder HACCP management as the research object. This project constructs a standardized fusion ontology for the food quality and safety domain, based on the two-layer modeling method in the field of information science, which not only standardizes and defines a variety of data types and mutual relationships, but also takes into account their respective structural characteristics and reasoning needs. Based on different levels of data sparsity, we propose an adaptive regularized feature selection penalty function, and expand the feature entities in the ontology to construct a merged feature library. We incorporate the multi-model chemical apriori knowledge into the domain ontology, and design a Bayesian statistical inference method to annotate the semantic relation between the low-level physio-chemical structural features of multi-spectral fusion data and high-level chemical entities, in order to implement data retrieval by advanced chemical semantics. This study focuses on the fusion and application of heterogeneous HACCP data, which will lay the foundation for data-driven scientific decision support in food quality and safety management.

针对HACCP管理中的各类感官、理化、生物等关键窗口期数据存在的种类繁多、模态多样、异构性高、数据格式不统一、共享困难的问题，拟开展领域本体建模和应用研究，以实现对多模态异构数据的规范化表达、融合、存储、检索和决策。本项目以婴幼儿配方奶粉HACCP管理的各类关键窗口期数据为研究对象，借鉴信息学领域的双层建模方法构建食品质量安全领域的标准化融合本体，既规范化定义了多种数据类型及相互关系，又兼顾了各自的结构特点和推理需求；依据各类窗口期数据的稀疏性，研究自适应的正则化特征选择罚函数，并在本体中扩展特征实体以构建融合特征标准库；将多模态数据的化学先验知识引入领域本体，通过贝叶斯统计推断方法标注多谱融合数据低级理化结构特征到高级化学实体的语义关联，以实现基于高级化学语义的数据检索。本研究着重解决HACCP管理中多源异构数据的融合应用问题，将为数据驱动的食品质量安全科学决策支持奠定基础。

作为国际公认的食品质量安全保障体系，HACCP在食品全生命周期中规定了多个关键控制窗口，并从感官、理化、生物等多个角度对食品对象进行全方位检测。然而，每个窗口获得的检测数据存在着种类繁多、模态多样、异构性高、数据格式不统一、共享困难的现实问题，导致了“信息孤岛”现象，使得多模态数据无法形成完整、统一、连续的大数据资源和质量管理链条，制约了全景式食品质量安全管理。为此，课题开展了领域数据模态分析和本体建模研究，以实现对多模态异构数据的规范化表达、融合、存储、分析和决策。本项目以HACCP管理的各类关键窗口期数据为研究对象，构建了食品质量安全领域的标准化本体；开展了数据模态分析和结构分析，研究了各类窗口期数据在不同变换域中的稀疏性，研发了基于压缩感知的数据获取和基于深度学习的特征提取技术，并在本体模型中扩展特征指纹实体并构建特征标准库；将化学先验知识引入领域本体，通过贝叶斯统计推断方法将谱图数据的低级理化结构特征映射到领域任务高级语义特征，通过元模型集成策略度量了各检测模态在领域任务目标上的有效信息量，并开展了乳制品、白酒、中药材等案例研究；最后，基于上述本体建模及模态表征研究，开发了食品质量安全的综合数据管理和决策支持原型系统。该系统以标准化、统一化的存储结构整合了包括拉曼光谱、飞行时间质谱、仿生传感器等各类模态数据共计4,135项。本研究解决了HACCP管理中多源异构数据的规范化表达和数据管理问题，为数据驱动的食品质量安全科学决策支持提供了信息化基础设施。项目实施过程中，发表了学术论文8篇，其中SCI/SSCI检索论文6篇，软著授权3件，发明专利申请3件，指导硕士研究生6名，完成了预期目标。