(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111660790.2 (22)申请日 2021.12.3 0 (71)申请人 淮阴工学院 地址 223005 江苏省淮安市经济技 术开发 区枚乘东路1号 (72)发明人 李翔　丁婧娴　谢乾　朱全银　 高尚兵　丁行硕　张豪杰　束玮　 张宁　张曼　费晶茹　洪玉昆　 杨秋实　徐伟　 (74)专利代理 机构 淮安市科文知识产权事务所 32223 代理人 李锋 (51)Int.Cl. G06Q 10/08(2012.01) G06F 16/36(2019.01)G06F 16/215(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 基于认知 图谱的冷链多温混配选温方法及 装置 (57)摘要 本发明公开了一种基于认知 图谱的冷链多 温混配选温方法及装置。 该方法首先对货源信息 的货物类型、 货物体积、 保存适宜温度、 运输时间 限制、 路线和车源信息的可配载货物类型、 剩余 车厢体积大小、 途径路线标签作标记处理和定 义， 得到标签空间以及标签集合； 然后利用点互 信息 （PMI） 和TF ‑IDF分别基于冷链货 源信息标签 集合和冷链车源信息标签集合计算标签权重， 构 建货源 （货物信息） 关联图和车货 源 （货物与运输 车信息） 关联图； 将车源与货源关联图输入图卷 积神经网络 （GCN） ， 通过增加注意力机制对货源 关联图的节点选择性增强， 得出了关键特征表 示， 再通过Softmax分类选 择温度。 本发明普遍 适 用于匹配选择冷链物流中货 源信息和车源信息， 实现提高运载效率， 减少了运输成本以及空车 率。 权利要求书3页 说明书9页 附图5页 CN 114399250 A 2022.04.26 CN 114399250 A 1.基于认知图谱的冷链多温混配选温方法， 其特 征在于， 包括如下步骤： 步骤1： 对货源信息数据集D和车源信息数据集D1进行去重、 去空， 清洗和预处理后得到 货源信息标签数据集D2和车源信息标签数据集D3； 步骤2： 对数据集D2和D3进行统计概括和筛选， 筛选出构建车货源关联图所需要的标签 数据集D4作为车货源关联图的基础数据集， 统计出其余货源信息数据集标签D 5作为构建货 源关联图的基础数据集， 将货源关联图作为增强节点表示的辅助图； 步骤3： 使用PMI构建货源关联图Gi＝(Vi， Ei)， 利用不同货源信息标签数据集D5得到货 源信息之间的权 重最终得到货源关联图； 步骤4： 利用TF ‑IDF和PMI构建车货源关联图Gj=(Vj， Ej)， 通过对统计出的车货源信息标 签数据集D4进行相应关键词提取， 再进行关联图连边权 重计算， 最终得到车货源关联图； 步骤5： 将车货源关联图Gj=(Vj， Ej)使用GCN进行特征提取， 融合注意力模块对货源关联 图Gi＝(Vi， Ei)中标签特征进行选择性增强节点表示， 使用Softmax层对不同货物选温进行 计算选择， 最终选择 出最适合冷藏车剩余空间和温度的货物。 2.根据权利要求1所述的基于认知图谱的冷链多温混配选温方法， 其特征在于， 所述步 骤1的具体方法为： 步骤1.1： 定义Text为单个货源文本待清洗信息集， 定义id1， content1， content2， content3， content4分别为货物序号、 货物基本信息、 货物起始地、 适宜保存温度、 运输时间 限制， 并且 满足关系Text＝{id1， co ntent1， co ntent2， content3， co ntent4}； 步骤1.2： 定义Text1为单个车源文本待清洗信息集， 定义id2， content5， content6， content7分别为冷藏车序号、 可配载货物类型、 剩余车厢体积大小、 途径路线标签标记处 理， 并且满足关系Text1＝{id， co ntent5， co ntent6， co ntent7}； 步骤1.3： 定义D为货源信息待清洗数据集， D1为车源信息待清洗数据集， D＝{Text1， Text2，…， Texta，…， Textlen(D)}， Texta为D中第a个待清洗货源数据， D1＝{Text11， Text12，…， Text1b，…， Text1len(D1)}， Text1b为D1中第b个待清洗车源数据， 分别对数据集中 的文本进行去重、 去空以及对待清洗信息集中的co ntent进行 标签提取； 步骤1.4： 对数据集D、 D1进行预处理后得到货源信息标签数据集D2和车源信息标签数 据集D3， D2＝{T1， T2，…， Tc，…， Tlen(D2)}， Tc为D2中第c个文本数据， 其中变量c∈[1， len (D2)]。 D3＝{T11， T12，…， T1d，…， T1len(D3)}， T1d为D3中第d个文本数据， 其中变量d∈[1， len (D3)]； 步骤1.5： 定义货源关联图Gi＝(Vi， Ei)， 节点v1i∈Vi， 边e1i∈Ei， 车货源关联图Gj＝(Vj， Ej)， 节点v2j∈Vj， 边e2j∈Ej。 3.根据权利要求1所述的基于认知图谱的冷链多温混配选温方法， 其特征在于， 所述步 骤2的具体方法为： 步骤2.1： 对标签数据 集D2、 D3中的标签进行统计， 概括出如货物起始地、 冷藏车途径路 线等标签数据集， 定义 为D4； 步骤2.2： 标签数据集D4中单个文本信息集为Text2＝{id3， label1， label2， label3， label4， label5}， id3， l abel1， label2， label3， label4， label5分别为文本信息序 号、 冷藏 车可配载货物类型标签、 剩余车厢体积大小标签、 货物起始地标签、 途径路线标签、 车货交 易运输次数；权　利　要　求　书 1/3 页 2 CN 114399250 A 2步骤2.3： 将标签数据 集D2、 D3统计后， 剩余标签数据 概括为标签数据 集D5， 作为构 建货 源关联图的基础数据集； 步骤2.4： 标签数据集D5中单个文本信息集为Text3＝{id4， label6， label7， label8， label9}， id3， label6， label7， label8， label9分别为文本信息序号、 货物 基本信息、 适宜保 存温度、 运输时间限制、 途径路线标签。 4.根据权利要求1所述的基于认知图谱的冷链多温混配选温方法， 其特征在于， 所述步 骤3的具体方法为： 步骤3.1： 将D5＝{T21， T22，…， T2e，…， T2len(D5)}， T2e为D5中第e个文本数据， 其中变量e ∈[1， len(D5)]， 使用一个固定大小的滑动窗口通过文本计算单词共现信息， 利用PMI来计 算两个词之间的连接 权值； 步骤3.2： 预 先设置Cwin(i)和Cwin(i， j)滑动窗口阈值， Cwin为数据集中滑动窗口总数； 步骤3.3： 分别使用 和 计算单个标签在 总体的占比， 作为计算连边权 重的依据； 步骤3.4： 利用 计算出词i与j之间依据计算出不 同类型的 连边以及连边权 重； 步骤3.5： 判定PMI 值是否为 正， 若为正的PMI值， 则判定 两个词之间相关， 否则不相关； 步骤3.6： 使用PMI计算出的权重划分阈值T， 其中T≥0， 若词i与j之间PMI值大于T则判 定高度相关， 若0 ≤PMI≤T， 则正常相关， 以此来构建货源关联图Gi＝(Vi， Ei)。 5.根据权利要求1所述的基于认知图谱的冷链多温混配选温方法， 其特征在于， 所述步 骤4的具体方法为： 步骤4.1： 使用TF ‑IDF计算标签数据集D4中单标签label在整体标签中的占比， 以此判 断是否车源和货源之间曾有过合作； 步骤4.2： 在车源和货源合作中统计出 标签占比， 依据标签占比划定阈值C≥0； 步骤4.3： 使用TF ‑IDF计算标签占比， 若占比ci≥C， 则判定labeli与labelj之间有连边 且赋予权 重大； 步骤4.4： 若ci＜C， 则进行PMI值计算， 依据阈值T判定 连边以及权重， 以此构建车货源关 联图Gj＝(Vj， Ej)。 6.根据权利要求1所述的基于认知图谱的冷链多温混配选温方法， 其特征在于， 所述步 骤5的具体方法为： 步骤5.1： 将车货源关联图Gj＝(Vj， Ej)输入到GCN中进行 特征提取， 定义 为矩阵H； 步骤5.1： 定义 k为循环变量， 且赋k初值 为1， 开始循环； 步骤5.2： 如 果k≤len(D5)， 则进入步骤4.3； 否则， 跳转到步骤4.9； len(D5)为数据集D5 中的数据量； 步骤5.3： 使用多注意力模块， 对货源关联图Gi＝(Vi， Ei)中节点之间权重进行判断， 划 定权重阈值wi和wj； 步骤5.4： 判断两节点之间的权 重w， 是否大于等于wi； 步骤5.5： 若w大于等于wi， 继续进行判断， 否则进行 下一个两节点之间权 重判断；权　利　要　求　书 2/3 页 3 CN 114399250 A 3