余敦輝，萬(wàn) 鵬，王 社

（1.湖北大學(xué)計(jì)算機(jī)與信息工程學(xué)院，武漢 430062；2.湖北省教育信息化工程技術(shù)研究中心（湖北大學(xué)），武漢 430062；3.武漢城市職業(yè)學(xué)院計(jì)算機(jī)與電子信息工程學(xué)院，武漢 430061）

（*通信作者電子郵箱369921179@qq.com）

0 引言

伴隨互聯(lián)網(wǎng)的迅猛發(fā)展，為滿足用戶信息獲取的需求，查詢和搜索系統(tǒng)的應(yīng)用日趨普及。但是，目前查詢系統(tǒng)大多建立在關(guān)系型數(shù)據(jù)庫(kù)的基礎(chǔ)之上，通過(guò)用戶輸入的檢索詞返回查詢到的網(wǎng)頁(yè)、圖片、音視頻等數(shù)據(jù)資源。而使用關(guān)系型數(shù)據(jù)庫(kù)存儲(chǔ)數(shù)據(jù)所存在的問(wèn)題：一是在查詢層面，圖這種數(shù)據(jù)結(jié)構(gòu)具有強(qiáng)大的語(yǔ)義表達(dá)能力，而傳統(tǒng)的關(guān)系數(shù)據(jù)庫(kù)在處理“圖”型數(shù)據(jù)上卻存在著諸多困難，針對(duì)表結(jié)構(gòu)數(shù)據(jù)去做圖結(jié)構(gòu)層面的基于關(guān)系、屬性的關(guān)聯(lián)計(jì)算，導(dǎo)致在時(shí)間和空間的開(kāi)銷均比較大；二是存儲(chǔ)層面，關(guān)系型數(shù)據(jù)庫(kù)存儲(chǔ)的數(shù)據(jù)量越大，對(duì)查詢速度的影響就越明顯，而且關(guān)系型數(shù)據(jù)庫(kù)難以適應(yīng)有實(shí)時(shí)性的數(shù)據(jù)關(guān)系；三是在數(shù)據(jù)展示層面，圖數(shù)據(jù)庫(kù)返回結(jié)果是圖結(jié)構(gòu)的知識(shí)，不需要額外的數(shù)據(jù)處理開(kāi)銷，就可以直接在頁(yè)面上做圖形渲染，實(shí)現(xiàn)知識(shí)圖譜的可視化展示。

因此，考慮到近年來(lái)發(fā)展迅猛的圖數(shù)據(jù)庫(kù)在存儲(chǔ)關(guān)系數(shù)據(jù)上的優(yōu)勢(shì)，本文從應(yīng)用角度出發(fā)，以實(shí)際開(kāi)發(fā)項(xiàng)目——企業(yè)信用認(rèn)證服務(wù)平臺(tái)為項(xiàng)目背景，分析并設(shè)計(jì)了基于知識(shí)圖譜的外貿(mào)企業(yè)查詢系統(tǒng)，并在此基礎(chǔ)上提出一種實(shí)體關(guān)聯(lián)的查詢方法。

本文的主要工作如下：

1）針對(duì)現(xiàn)有的關(guān)系型數(shù)據(jù)庫(kù)數(shù)據(jù)，設(shè)計(jì)一種自動(dòng)化構(gòu)建方法，根據(jù)圖數(shù)據(jù)存儲(chǔ)規(guī)范，生成節(jié)點(diǎn)關(guān)系映射圖，完成表數(shù)據(jù)到圖數(shù)據(jù)的轉(zhuǎn)換，并實(shí)現(xiàn)數(shù)據(jù)實(shí)時(shí)更新；

2）提出了一種基于實(shí)體關(guān)聯(lián)的查詢方法，該方法同時(shí)考慮實(shí)體之間的屬性和關(guān)系兩類語(yǔ)義信息，并采用分層過(guò)濾模型提高查詢效率，在查詢速度和過(guò)濾性能上均有明顯提升。

1 相關(guān)工作

在知識(shí)圖譜的構(gòu)建方面，目前國(guó)外許多機(jī)構(gòu)都構(gòu)建了千萬(wàn)級(jí)甚至上億級(jí)的大規(guī)模知識(shí)圖譜，如DBpedia、Freebase、GraphDB、Wikidata、WordNet、Yago 等；與此同時(shí)，國(guó)內(nèi)也出現(xiàn)越來(lái)越多成熟的知識(shí)圖譜產(chǎn)品，從早期上海交通大學(xué)構(gòu)建的zhishi.me 知識(shí)庫(kù)，到百度的知識(shí)圖譜開(kāi)放平臺(tái)、搜狗的知立方、OpenKG中文知識(shí)圖譜、Ownthink通用知識(shí)圖譜等，越來(lái)越多的國(guó)內(nèi)平臺(tái)也已經(jīng)投入到知識(shí)圖譜的研究中，為開(kāi)展知識(shí)圖譜的各方面研究提供了數(shù)據(jù)支持。關(guān)于知識(shí)圖譜構(gòu)建的研究［1-2］，已經(jīng)有比較成熟的理論基礎(chǔ)，而目前針對(duì)關(guān)系型數(shù)據(jù)庫(kù)的表數(shù)據(jù)構(gòu)建知識(shí)圖譜也有比較成熟的方法，包括本文使用的Neo4j 也有自己的構(gòu)建工具，但是還無(wú)法完全解決數(shù)據(jù)同步更新的問(wèn)題。一般來(lái)說(shuō)目前絕大多數(shù)商業(yè)平臺(tái)主要還是以關(guān)系數(shù)據(jù)庫(kù)存儲(chǔ)為主，用戶進(jìn)行操作后，需要將數(shù)據(jù)更新到圖數(shù)據(jù)庫(kù)中，更新時(shí)需要考慮實(shí)體鏈接、實(shí)體消歧等問(wèn)題，以及在更新時(shí)存在增、刪、改等多種情況，因此結(jié)合實(shí)際項(xiàng)目的關(guān)系型數(shù)據(jù)庫(kù)數(shù)據(jù)來(lái)構(gòu)建知識(shí)圖譜仍然具有很大的研究?jī)r(jià)值。

在知識(shí)圖譜查詢和搜索方面，目前主要研究搜索意圖的理解以及實(shí)體搜索兩大方面的內(nèi)容，通過(guò)實(shí)體搜索可以發(fā)現(xiàn)更多相關(guān)實(shí)體或展示實(shí)體間的屬性和關(guān)系。近年來(lái)，國(guó)內(nèi)關(guān)于知識(shí)圖譜相關(guān)的研究日益增多，李陽(yáng)等［3］研究了知識(shí)圖譜實(shí)體相似度計(jì)算的通用方法，為知識(shí)圖譜查詢和計(jì)算提供了參考依據(jù)；王鑫等［4］研究了目前知識(shí)圖譜可視化查詢領(lǐng)域主流的方法和技術(shù)，為知識(shí)圖譜的可視化提供了理論支持；張玲玉等［5］和趙展浩等［6］分別從節(jié)點(diǎn)相關(guān)系數(shù)、圖的拓?fù)浣Y(jié)構(gòu)兩個(gè)方面來(lái)實(shí)現(xiàn)對(duì)圖譜的查詢，雖然在查詢性能上實(shí)現(xiàn)了優(yōu)化，但是查詢時(shí)間較長(zhǎng)，實(shí)時(shí)性較差；楊榮等［7］和蘇永浩等［8］設(shè)計(jì)并實(shí)現(xiàn)了知識(shí)圖譜查詢系統(tǒng)，但是并沒(méi)有發(fā)揮圖數(shù)據(jù)庫(kù)的強(qiáng)大的計(jì)算能力來(lái)進(jìn)一步改進(jìn)查詢性能。目前知識(shí)圖譜的查詢［9-12］手段主要是以節(jié)點(diǎn)相似度［13-18］作為衡量標(biāo)準(zhǔn)，查詢時(shí)會(huì)將相似度最高的實(shí)體作為返回結(jié)果，因此加強(qiáng)查詢的語(yǔ)義關(guān)聯(lián)性是研究重點(diǎn)。

2 系統(tǒng)整體構(gòu)建流程

本文所實(shí)現(xiàn)的企業(yè)知識(shí)圖譜的實(shí)體關(guān)聯(lián)查詢系統(tǒng)框架如圖1所示，按構(gòu)建流程順序主要分為以下3個(gè)方面：

圖1 系統(tǒng)框架Fig.1 System framework

1）企業(yè)知識(shí)圖譜的構(gòu)建：本文主要研究的知識(shí)圖譜構(gòu)建方法是根據(jù)圖數(shù)據(jù)庫(kù)的存儲(chǔ)格式標(biāo)準(zhǔn)，定義節(jié)點(diǎn)屬性和關(guān)系，并建立節(jié)點(diǎn)關(guān)系映射圖，通過(guò)自動(dòng)化腳本完成傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)的表數(shù)據(jù)轉(zhuǎn)化為圖數(shù)據(jù)庫(kù)的圖數(shù)據(jù)任務(wù)。

2）基于實(shí)體關(guān)聯(lián)的查詢方法：構(gòu)建好圖數(shù)據(jù)庫(kù)后，基于關(guān)聯(lián)分析的查詢會(huì)查詢數(shù)據(jù)庫(kù)中與目標(biāo)實(shí)體在結(jié)構(gòu)或?qū)傩陨舷嗨频膱D集合。在本文所實(shí)現(xiàn)的企業(yè)查詢系統(tǒng)中，將節(jié)點(diǎn)相似度作為衡量企業(yè)關(guān)聯(lián)度的一個(gè)標(biāo)準(zhǔn)，在此基礎(chǔ)上，為了解決查詢語(yǔ)義程度不高的問(wèn)題，該方法不僅考慮了節(jié)點(diǎn)本身屬性，還考慮了不同節(jié)點(diǎn)之間的關(guān)聯(lián)關(guān)系，以此來(lái)發(fā)掘出與目標(biāo)企業(yè)關(guān)聯(lián)度最高的多家企業(yè)實(shí)體。本文實(shí)現(xiàn)的關(guān)聯(lián)查詢方法使用一種改進(jìn)的相似度相關(guān)系數(shù)來(lái)進(jìn)行計(jì)算，該方法將查詢圖中的特征提取出來(lái)，構(gòu)建特征向量或特征集合，如果特征集合的維度相同，則考慮使用Jaccard、Overlap 等相關(guān)系數(shù)的計(jì)算；如果特征集合的維度不同，則考慮使用Cosine、Pearson等相關(guān)系數(shù)的計(jì)算。通過(guò)相關(guān)系數(shù)公式計(jì)算兩個(gè)實(shí)體之間的相似性之后，再通過(guò)動(dòng)態(tài)閾值完成對(duì)查詢集合的過(guò)濾，就可以得到與目標(biāo)節(jié)點(diǎn)相關(guān)聯(lián)的查詢結(jié)果集。

3）知識(shí)圖譜前端可視化展示：本文使用節(jié)點(diǎn)鏈接的方法實(shí)現(xiàn)圖譜的可視化表達(dá)，它將本體表示為互連節(jié)點(diǎn)，用點(diǎn)或圓等形狀表示節(jié)點(diǎn)，節(jié)點(diǎn)間的邊用連線表示，當(dāng)前端獲取到服務(wù)器發(fā)送的數(shù)據(jù)后，會(huì)按照?qǐng)D的數(shù)據(jù)格式標(biāo)準(zhǔn)，將數(shù)據(jù)以圖的形式展示出來(lái)。同時(shí)在Web 端使用數(shù)據(jù)驅(qū)動(dòng)文檔（Data-Driven Documents，D3）為知識(shí)圖譜數(shù)據(jù)構(gòu)建力導(dǎo)向圖物理模型，當(dāng)用戶拖動(dòng)或者數(shù)據(jù)變化時(shí)，瀏覽器自動(dòng)進(jìn)行渲染，實(shí)現(xiàn)動(dòng)態(tài)調(diào)整數(shù)據(jù)的排布。

3 系統(tǒng)架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)

3.1 外貿(mào)企業(yè)知識(shí)圖譜的構(gòu)建

要使用知識(shí)圖譜作企業(yè)關(guān)聯(lián)分析，首先需要構(gòu)建知識(shí)圖譜，本文以平臺(tái)中查詢所涉及到的表作為數(shù)據(jù)源，將傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)中的表轉(zhuǎn)化為圖數(shù)據(jù)庫(kù)的圖結(jié)構(gòu)數(shù)據(jù)。通過(guò)Python的pandas 庫(kù)來(lái)對(duì)數(shù)據(jù)作預(yù)處理，使處理過(guò)后的數(shù)據(jù)滿足圖數(shù)據(jù)庫(kù)存儲(chǔ)的格式規(guī)范；再通過(guò)Python 的py2neo 庫(kù)和pymysql庫(kù)分別與圖數(shù)據(jù)庫(kù)neo4j 和關(guān)系型數(shù)據(jù)庫(kù)mysql 進(jìn)行連接，建立數(shù)據(jù)庫(kù)通信管道，將數(shù)據(jù)從關(guān)系型數(shù)據(jù)庫(kù)導(dǎo)入到圖數(shù)據(jù)庫(kù)中，最終構(gòu)建出外貿(mào)企業(yè)的知識(shí)圖譜。

其中企業(yè)知識(shí)圖譜構(gòu)建步驟如圖2 所示，具體的構(gòu)建步驟如下：

圖2 外貿(mào)企業(yè)知識(shí)圖譜構(gòu)建步驟Fig.2 Steps for constructing knowledge graph of foreign trade enterprise

1）數(shù)據(jù)預(yù)處理：首先將企業(yè)信用認(rèn)證平臺(tái)中存儲(chǔ)在關(guān)系數(shù)據(jù)庫(kù)中的相關(guān)表TB_ENTERPRISEINFO_FUSE（企業(yè)信息融合表）和TB_COMPANY_REGISTER（公司注冊(cè)信息表）去除掉數(shù)據(jù)類型為BLOB、CLOB 等非必要字段、敏感字段以及空數(shù)據(jù)較多的數(shù)據(jù)行，將數(shù)據(jù)以逗號(hào)分隔值（Comma-Separated Values，CSV）格式導(dǎo)出，最終導(dǎo)出約11萬(wàn)家外貿(mào)企業(yè)數(shù)據(jù)。

2）定義實(shí)體和關(guān)系，分析表字段之間的關(guān)系，根據(jù)表字段定義構(gòu)建的知識(shí)圖譜的實(shí)體和關(guān)系如下：

a）實(shí) 體：企業(yè)（enterprise）、地區(qū)（region）、出口國(guó)家（country）、企業(yè)類型（enterprise_type）。

b）關(guān)系：位于（locate）、出口（export）、類型（type）。

3）數(shù)據(jù)導(dǎo)入：通過(guò)Python 讀取到CSV 格式數(shù)據(jù)后，根據(jù)上述的實(shí)體和關(guān)系對(duì)生成實(shí)體關(guān)系映射圖，將數(shù)據(jù)格式化為py2neo 庫(kù)中的Node、Relation 類數(shù)據(jù)，分別作為實(shí)體和關(guān)系類數(shù)據(jù)存儲(chǔ)到圖數(shù)據(jù)庫(kù)中，并在本地日志中記錄構(gòu)建信息。

4）數(shù)據(jù)同步：以上為通用構(gòu)建過(guò)程，之后程序會(huì)根據(jù)本地的圖數(shù)據(jù)庫(kù)構(gòu)建日志信息，判斷是否是第一次構(gòu)建，是則會(huì)進(jìn)行定時(shí)監(jiān)聽(tīng)，通過(guò)表的時(shí)間戳字段和日志的時(shí)間比較檢查是否有新的數(shù)據(jù)，完成數(shù)據(jù)同步。

最終構(gòu)建的知識(shí)圖譜存儲(chǔ)的節(jié)點(diǎn)與關(guān)系信息如圖3所示。

圖3 外貿(mào)企業(yè)圖數(shù)據(jù)庫(kù)查詢界面Fig.3 Foreign trade enterprise graph database query interface

3.2 外貿(mào)企業(yè)關(guān)聯(lián)查詢方法

企業(yè)關(guān)聯(lián)查詢從實(shí)體本身和實(shí)體之間的關(guān)聯(lián)關(guān)系兩個(gè)維度去考慮，計(jì)算出目標(biāo)企業(yè)實(shí)體和待查詢的企業(yè)實(shí)體之間的實(shí)體關(guān)聯(lián)度和關(guān)系關(guān)聯(lián)度，通過(guò)求和公式得到總的關(guān)聯(lián)度得分，最終根據(jù)關(guān)聯(lián)度得分的高低，篩選出得分最高的K（K>0）家企業(yè)作為查詢的結(jié)果集，并返回給用戶。

該企業(yè)關(guān)聯(lián)分析總體分4個(gè)階段：

1）路徑過(guò)濾階段。通過(guò)限制節(jié)點(diǎn)的公共關(guān)系個(gè)數(shù)將關(guān)聯(lián)程度較低的節(jié)點(diǎn)先過(guò)濾出來(lái)，用來(lái)初步確定與目標(biāo)企業(yè)有一定關(guān)聯(lián)度的候選集，減少計(jì)算量，提高查詢性能。

2）關(guān)系發(fā)掘階段。根據(jù)實(shí)體之間的關(guān)聯(lián)關(guān)系計(jì)算基于關(guān)系的關(guān)聯(lián)度，同時(shí)設(shè)定關(guān)系閾值T1，將候選集中滿足關(guān)系關(guān)聯(lián)度>T1的查詢實(shí)體篩選出來(lái)，作為查詢候選集。

3）實(shí)體發(fā)掘階段。將查詢候選集作為輸入，根據(jù)實(shí)體的本體標(biāo)簽計(jì)算基于實(shí)體的關(guān)聯(lián)度，同時(shí)設(shè)定實(shí)體閾值T2，對(duì)候選集作進(jìn)一步篩選和過(guò)濾。

4）總關(guān)聯(lián)度排序階段。根據(jù)關(guān)系關(guān)聯(lián)度和實(shí)體關(guān)聯(lián)度來(lái)對(duì)查詢候選集中的實(shí)體進(jìn)行總關(guān)聯(lián)度計(jì)算，按總關(guān)聯(lián)度得分高低進(jìn)行排序，將排序后的結(jié)果作為查詢結(jié)果集。

最終該企業(yè)關(guān)聯(lián)分析計(jì)算方法流程如圖4所示。

圖4 關(guān)聯(lián)分析計(jì)算流程Fig.4 Association analysis calculation flow

3.2.1 路徑過(guò)濾階段

當(dāng)圖數(shù)據(jù)庫(kù)存儲(chǔ)到百萬(wàn)甚至千萬(wàn)的數(shù)據(jù)量時(shí)，對(duì)每一個(gè)查詢節(jié)點(diǎn)都進(jìn)行關(guān)聯(lián)分析會(huì)產(chǎn)生巨大的計(jì)算消耗，這就會(huì)使方法的時(shí)間復(fù)雜度大大提高，從而導(dǎo)致對(duì)企業(yè)的關(guān)聯(lián)分析計(jì)算不再適用于對(duì)實(shí)時(shí)性要求比較高的外貿(mào)企業(yè)查詢系統(tǒng)。所以在企業(yè)關(guān)聯(lián)分析前先通過(guò)路徑過(guò)濾方法快速過(guò)濾，用來(lái)初步篩選出一個(gè)待查詢集合。

路徑過(guò)濾階段通過(guò)圖的路徑搜索方法快速找到和查詢節(jié)點(diǎn)之間的關(guān)系路徑，并計(jì)算路徑的個(gè)數(shù)，則可以得到路徑個(gè)數(shù)即為兩個(gè)不同節(jié)點(diǎn)之間總的公共關(guān)系個(gè)數(shù)，并且以公共關(guān)系個(gè)數(shù)作為過(guò)濾條件，過(guò)濾出查詢候選集。該過(guò)濾條件是下一階段關(guān)系發(fā)掘階段的充要條件，原因有兩點(diǎn)：一是如果無(wú)公共關(guān)系，則可以近似認(rèn)為兩實(shí)體的關(guān)聯(lián)度為0；二是如果兩個(gè)節(jié)點(diǎn)之間的公共關(guān)系個(gè)數(shù)很少，則可以認(rèn)為兩實(shí)體之間的關(guān)聯(lián)度較低，不在查詢集合范圍之內(nèi)。如果關(guān)聯(lián)節(jié)點(diǎn)之間滿足至少有N（N>0）條公共關(guān)系的節(jié)點(diǎn)，則N越大過(guò)濾效果越好，以此來(lái)保證搜索到的節(jié)點(diǎn)能滿足過(guò)濾條件。

由上可定義路徑過(guò)濾階段的過(guò)濾方法如圖5 所示，記目標(biāo)節(jié)點(diǎn)的自身關(guān)系個(gè)數(shù)為self以及與查詢節(jié)點(diǎn)的公共路徑個(gè)數(shù)為U，考慮到不同節(jié)點(diǎn)的self和U都不相同，則取U>self/2作為過(guò)濾條件。如圖5所示，假設(shè)查詢的目標(biāo)企業(yè)節(jié)點(diǎn)有3個(gè)鄰居節(jié)點(diǎn)，則自身關(guān)系個(gè)數(shù)為3，與目標(biāo)關(guān)聯(lián)的企業(yè)節(jié)點(diǎn)的公共路徑個(gè)數(shù)為2 滿足過(guò)濾條件，而非關(guān)聯(lián)節(jié)點(diǎn)的公共路徑個(gè)數(shù)為1 即不滿足過(guò)濾條件。這樣通過(guò)路徑搜索過(guò)濾就大大減少了待計(jì)算的查詢實(shí)體，提高方法效率和查詢的實(shí)時(shí)性。

圖5 路徑過(guò)濾階段的過(guò)濾方法Fig.5 Filtering method for path filtering stage

3.2.2 實(shí)體關(guān)系發(fā)掘階段

根據(jù)企業(yè)的外貿(mào)出口、所在地區(qū)以及企業(yè)類型三種關(guān)聯(lián)關(guān)系作為關(guān)系發(fā)掘的條件。首先設(shè)定過(guò)濾閾值，若待查詢企業(yè)計(jì)算出的關(guān)系關(guān)聯(lián)度大于該閾值，則將該企業(yè)作為備選結(jié)果集中的一個(gè)。針對(duì)不同種類的關(guān)聯(lián)關(guān)系，所采取的計(jì)算方法也不同，在計(jì)算關(guān)聯(lián)度時(shí)需要考慮三種關(guān)系的權(quán)重值。

由上可定義關(guān)系發(fā)掘的計(jì)算方法：將目標(biāo)企業(yè)節(jié)點(diǎn)記為q，待查詢企業(yè)節(jié)點(diǎn)記為g，計(jì)算權(quán)重表示為wi，兩個(gè)節(jié)點(diǎn)所對(duì)應(yīng)的關(guān)系集合記為Rq和Rg，其中集合中所對(duì)應(yīng)的外貿(mào)出口、所在地區(qū)以及企業(yè)類型三個(gè)關(guān)聯(lián)關(guān)系分別為Rq1、Rq2、Rq3和Rg1、Rg2、Rg3。則兩節(jié)點(diǎn)的關(guān)聯(lián)相似度得分可表示為：

在傳統(tǒng)相似度的查詢過(guò)濾方法中，一般會(huì)定義閾值作為過(guò)濾條件，設(shè)關(guān)系發(fā)掘的閾值為T1，那么過(guò)濾的不等式就可以表示為sim(q，g) >T1，但是在本系統(tǒng)中考慮到不同節(jié)點(diǎn)之間的三種關(guān)系總和存在差異，閾值應(yīng)該不是唯一的，所以定義企業(yè)查詢過(guò)濾的動(dòng)態(tài)閾值Tdynamic隨節(jié)點(diǎn)關(guān)系總數(shù)n的變化而變化，可以得到公式：

最后，總的過(guò)濾不等式就可以表示為：

如果查詢的企業(yè)滿足以上過(guò)濾條件，就將該查詢企業(yè)作為查詢候選集中的一個(gè)。

3.2.3 實(shí)體屬性發(fā)掘階段

經(jīng)過(guò)關(guān)系發(fā)掘后，再對(duì)以上備選結(jié)果集中的企業(yè)進(jìn)行本體發(fā)掘，根據(jù)備選結(jié)果集中企業(yè)節(jié)點(diǎn)的標(biāo)簽屬性，包括成立時(shí)間、注冊(cè)資本、注冊(cè)地址以及公司名稱一共4 個(gè)標(biāo)簽屬性，其中標(biāo)簽屬性的數(shù)據(jù)類型分為數(shù)值類型、日期類型、字符串類型，那么根據(jù)標(biāo)簽數(shù)據(jù)類型分別作不同的關(guān)聯(lián)度計(jì)算，來(lái)綜合進(jìn)行實(shí)體關(guān)聯(lián)度評(píng)價(jià)，設(shè)定實(shí)體關(guān)聯(lián)相似度的閾值為T2，若計(jì)算的關(guān)聯(lián)度小于T2，則將該企業(yè)從備選結(jié)果集中刪除。

由此可定義本體發(fā)掘的計(jì)算方法：將目標(biāo)企業(yè)節(jié)點(diǎn)記為q，待查詢企業(yè)節(jié)點(diǎn)記為g，根據(jù)實(shí)體屬性數(shù)據(jù)類型，記目標(biāo)企業(yè)節(jié)點(diǎn)q數(shù)值類型、日期類型、字符串類型的標(biāo)簽分別為L(zhǎng)num、Ldate、Lstring；待查詢企業(yè)節(jié)點(diǎn)g數(shù)值類型、日期類型、字符串類型的標(biāo)簽分別為L(zhǎng)num'、Ldate'、Lstring'。

則對(duì)數(shù)值型標(biāo)簽屬性的關(guān)聯(lián)相似度得分計(jì)算公式可表示為：

對(duì)日期型標(biāo)簽屬性，可以考慮先將日期轉(zhuǎn)化為時(shí)間戳的格式，即當(dāng)前日期與指定日期所相差的毫秒數(shù)，此時(shí)日期型標(biāo)簽屬性就轉(zhuǎn)化為數(shù)值類型值，再通過(guò)以上數(shù)值型標(biāo)簽的關(guān)聯(lián)度計(jì)算公式計(jì)算得到日期型的關(guān)聯(lián)度得分Scoredate(q，g)。

對(duì)字符串類型標(biāo)簽屬性，考慮使用萊文斯坦距離進(jìn)行計(jì)算和度量，萊文斯坦是一種文本編輯距離的計(jì)算方法，它針對(duì)兩個(gè)不同文本之間的直接差異程度制定量化規(guī)則來(lái)進(jìn)行量測(cè)，量測(cè)的方式是看至少需要多少次編輯操作才能將其中一個(gè)字符串變成另外一個(gè)字符串，允許的編輯操作一般包括單個(gè)字符的替換、插入和刪除操作。記兩個(gè)文本之間的萊文斯坦距離為Distance(Lstring，Lstring')，且該值不等于0，則所有備選結(jié)果集中的最小萊文斯坦距離可表示為Min({d：Distance})。最終字符串類型標(biāo)簽的計(jì)算公式可表示為：

綜合上述三種類型的標(biāo)簽關(guān)聯(lián)度公式，可以得到總的標(biāo)簽關(guān)聯(lián)度公式為：

3.2.4 總關(guān)聯(lián)度排序階段

在最終的結(jié)果集中，結(jié)合本體發(fā)掘的關(guān)聯(lián)相似度和關(guān)系發(fā)掘的關(guān)聯(lián)相似度，對(duì)每個(gè)節(jié)點(diǎn)計(jì)算總得分后再進(jìn)行排序，獲得最終排序后的結(jié)果集，并返回給用戶。

通過(guò)企業(yè)關(guān)聯(lián)查詢的整體流程可以發(fā)現(xiàn)，關(guān)系發(fā)掘階段決定了查詢候選集合的大小，在計(jì)算總關(guān)聯(lián)度得分時(shí)應(yīng)占據(jù)更大的比重，而本體發(fā)掘則只影響查詢候選集的總關(guān)聯(lián)度得分，所以記關(guān)聯(lián)度比重分別為α、β（其中α+β=1，且α>β），則總關(guān)聯(lián)度得分公式可表示為：

3.3 查詢系統(tǒng)的前端可視化實(shí)現(xiàn)

知識(shí)圖譜的可視化是數(shù)據(jù)可視化技術(shù)中的一個(gè)分支，它能夠直觀地將實(shí)體之間的關(guān)系給展示出來(lái)。在系統(tǒng)查詢到關(guān)聯(lián)數(shù)據(jù)后，需要利用可視化技術(shù)將查詢到的數(shù)據(jù)顯示到瀏覽器上，目前Web 前端有很多主流的可視化圖形庫(kù)，本次前端可視化選用D3 實(shí)現(xiàn)，它是一個(gè)JavaScript 的函數(shù)庫(kù)，底層是通過(guò)可縮放矢量圖形（Scalable Vector Graphics，SVG）來(lái)完成繪圖任務(wù)，D3 將有關(guān)SVG 繪圖的操作封裝起來(lái)，使開(kāi)發(fā)人員可以更好地注重于圖表的布局和邏輯。

知識(shí)圖譜是基于節(jié)點(diǎn)和鏈接關(guān)系的，目前有很多關(guān)于知識(shí)圖譜的可視化方法，其中力導(dǎo)向圖是節(jié)點(diǎn)鏈接可視表達(dá)中的一種，通過(guò)綁定節(jié)點(diǎn)、關(guān)系兩類數(shù)據(jù)來(lái)進(jìn)行渲染，每一個(gè)節(jié)點(diǎn)數(shù)據(jù)都會(huì)隨機(jī)在瀏覽器上某坐標(biāo)處生成一個(gè)圓形，在根據(jù)關(guān)系數(shù)據(jù)在兩節(jié)點(diǎn)間繪制線段來(lái)描述關(guān)系，繪制完成后通過(guò)模擬兩節(jié)點(diǎn)之間的牽引力，在斥力和引力的作用下，節(jié)點(diǎn)就從原本的隨機(jī)無(wú)序布局不斷位移，最后逐漸趨于平衡有序的布局。

根據(jù)力導(dǎo)向圖原理，通過(guò)D3庫(kù)將查詢到的數(shù)據(jù)進(jìn)行可視化展示，最終在瀏覽器顯示的外貿(mào)企業(yè)知識(shí)圖譜片段如圖6所示。

圖6 外貿(mào)企業(yè)知識(shí)圖譜前端可視化片段Fig.6 Front-end visualized fragments of knowledge graph of foreign trade enterprises

3.4 系統(tǒng)查詢結(jié)果展示

本文實(shí)現(xiàn)的外貿(mào)企業(yè)查詢系統(tǒng)使用了JavaScript 的Node環(huán)境完成前后端開(kāi)發(fā)工作，前端采用D3+Ajax 實(shí)現(xiàn)數(shù)據(jù)交互和圖譜的可視化展示工作，后端采用koa2 框架為前端提供數(shù)據(jù)接口服務(wù)，并完成外貿(mào)企業(yè)的關(guān)聯(lián)分析計(jì)算任務(wù)。

該查詢系統(tǒng)是在實(shí)際項(xiàng)目的基礎(chǔ)上，針對(duì)外貿(mào)企業(yè)查詢這一功能所實(shí)現(xiàn)的Nodejs前后端分離項(xiàng)目。系統(tǒng)整體構(gòu)建流程如下：

1）確定系統(tǒng)開(kāi)發(fā)技術(shù)，包括前后端框架技術(shù)選型、圖數(shù)據(jù)庫(kù)存儲(chǔ)、編程環(huán)境、開(kāi)發(fā)工具和后臺(tái)服務(wù)器。

2）完成結(jié)構(gòu)化數(shù)據(jù)到圖結(jié)構(gòu)數(shù)據(jù)的轉(zhuǎn)化以及圖數(shù)據(jù)庫(kù)的構(gòu)建過(guò)程。

3）前后端聯(lián)調(diào)，實(shí)現(xiàn)整體查詢展示功能一體化。

根據(jù)構(gòu)建流程成功運(yùn)行系統(tǒng)服務(wù)之后，用戶在頁(yè)面輸入查詢內(nèi)容時(shí)，前端會(huì)通過(guò)Ajax 向后端請(qǐng)求數(shù)據(jù)，后端服務(wù)器會(huì)自動(dòng)查詢關(guān)鍵詞對(duì)應(yīng)的目標(biāo)企業(yè)和與目標(biāo)企業(yè)相關(guān)聯(lián)的其他企業(yè)信息作為結(jié)果返回，前端接收數(shù)據(jù)后將結(jié)果展示給用戶。

以查詢玉環(huán)某設(shè)備有限公司為例，最終后臺(tái)查詢結(jié)果及前端展示效果如圖7所示。

圖7 查詢結(jié)果展示Fig.7 Query result display

4 實(shí)驗(yàn)與結(jié)果分析

4.1 系統(tǒng)環(huán)境

本文所實(shí)現(xiàn)的查詢系統(tǒng)運(yùn)行的具體硬件環(huán)境為：Intel Core i5-8300 CPU@ 2.30 GHz，GeForce GTX 1050 GPU，20 GB RAM，操作系統(tǒng)為Windows 10；具體軟件環(huán)境為：開(kāi)發(fā)語(yǔ)言為JavaScript，集成開(kāi)發(fā)環(huán)境使用Visual Studio Code 的V1.49.2版本來(lái)編寫(xiě)代碼，后端采用Node 的V12.18.2 版本實(shí)現(xiàn)關(guān)聯(lián)查詢功能，圖數(shù)據(jù)庫(kù)采用Neo4j的3.5.6版本來(lái)存儲(chǔ)圖數(shù)據(jù)。

4.2 實(shí)驗(yàn)結(jié)果與分析

本文選用了企業(yè)信用認(rèn)證平臺(tái)中約11 萬(wàn)條外貿(mào)企業(yè)測(cè)試用數(shù)據(jù)作為實(shí)驗(yàn)樣本，構(gòu)建了基于Neo4j 的圖數(shù)據(jù)庫(kù)，在此基礎(chǔ)上根據(jù)節(jié)點(diǎn)自身的關(guān)系數(shù)來(lái)衡量節(jié)點(diǎn)的關(guān)聯(lián)強(qiáng)度，并將企業(yè)節(jié)點(diǎn)分為弱關(guān)聯(lián)節(jié)點(diǎn)（節(jié)點(diǎn)關(guān)系數(shù)小于10）、中等關(guān)聯(lián)節(jié)點(diǎn)（節(jié)點(diǎn)關(guān)系數(shù)在10～20）、強(qiáng)關(guān)聯(lián)節(jié)點(diǎn)（節(jié)點(diǎn)關(guān)系數(shù)大于20），根據(jù)節(jié)點(diǎn)分類情況，對(duì)每一類節(jié)點(diǎn)隨機(jī)抽取10 家企業(yè)實(shí)體做關(guān)聯(lián)查詢，計(jì)算不同參數(shù)下的平均過(guò)濾性能，并和目前常見(jiàn)的查詢方法比較過(guò)濾性能和查詢時(shí)間。

圖8 單獨(dú)測(cè)試了路徑過(guò)濾階段隨著查詢節(jié)點(diǎn)和候選節(jié)點(diǎn)的公共關(guān)系N的變化，所得到的過(guò)濾結(jié)果集大小，由圖8 的實(shí)驗(yàn)數(shù)據(jù)可以說(shuō)明，按照一定的公共關(guān)系數(shù)作為過(guò)濾條件，可以過(guò)濾掉大部分的無(wú)關(guān)節(jié)點(diǎn)，減少無(wú)關(guān)節(jié)點(diǎn)的計(jì)算消耗和時(shí)間消耗。

圖8 過(guò)濾階段公共關(guān)系數(shù)對(duì)過(guò)濾性能的影響Fig.8 Influence of the number of public relations in filtering stage on filtering performance

圖9 單獨(dú)測(cè)試了關(guān)聯(lián)查詢中關(guān)系發(fā)掘階段的過(guò)濾性能，在原有的動(dòng)態(tài)閾值T的基礎(chǔ)上，每次變化間隔為0.05，記錄不同的閾值所得到的過(guò)濾結(jié)果集大小。從圖9 可看出，在動(dòng)態(tài)閾值T附近的過(guò)濾性效趨于平穩(wěn)，并且能夠較好的過(guò)濾查詢結(jié)果。

圖9 動(dòng)態(tài)閾值的變化對(duì)過(guò)濾性能的影響Fig.9 Influence of dynamic threshold change on filtering performance

圖10 考慮了關(guān)系發(fā)掘階段在極端情況下的過(guò)濾性能，極端情況指的是查詢節(jié)點(diǎn)的公共關(guān)系數(shù)小于關(guān)系類型個(gè)數(shù)（本實(shí)驗(yàn)有3 類關(guān)系：locate、type、region），展示了針對(duì)動(dòng)態(tài)閾值和傳統(tǒng)過(guò)濾方法中使用靜態(tài)閾值過(guò)濾的效果比較，可以看到極端情況下使用動(dòng)態(tài)閾值的過(guò)濾性能明顯要好于靜態(tài)閾值。

圖10 極端情況下不同動(dòng)靜態(tài)閾值的過(guò)濾性能對(duì)比Fig.10 Comparison of filtering performance of different dynamic and static thresholds under extreme conditions

接下來(lái)，將本文系統(tǒng)的關(guān)聯(lián)查詢和僅單獨(dú)使用Jaccard、Overlap 兩種節(jié)點(diǎn)相似度計(jì)算方法進(jìn)行對(duì)比，測(cè)試并比較了三種方法所得到的過(guò)濾結(jié)果數(shù)和查詢時(shí)間，結(jié)果如圖11～12 所示。橫軸同樣按查詢節(jié)點(diǎn)的關(guān)系數(shù)分為弱關(guān)聯(lián)節(jié)點(diǎn)、中等關(guān)聯(lián)節(jié)點(diǎn)、強(qiáng)關(guān)聯(lián)節(jié)點(diǎn)來(lái)比較，圖11指出使用4層過(guò)濾的關(guān)聯(lián)查詢?cè)诓樵冃噬掀毡閮?yōu)于其他方法，同時(shí)圖12 指出關(guān)聯(lián)查詢和Jaccard 查詢的過(guò)濾性能要明顯比使用Overlap 計(jì)算關(guān)聯(lián)程度更好，并且由于關(guān)聯(lián)查詢?cè)诒倔w發(fā)掘階段考慮了節(jié)點(diǎn)本身的屬性，會(huì)重新計(jì)算關(guān)聯(lián)程度，這樣就避免了在某些候選節(jié)點(diǎn)的關(guān)系關(guān)聯(lián)度達(dá)不到閾值的情況下，使用Jaccard 計(jì)算后查詢結(jié)果集過(guò)少甚至為0的情況。

圖11 不同關(guān)聯(lián)程度時(shí)三種方法查詢時(shí)間對(duì)比Fig.11 Comparison of query time of three methods in different degrees of relevance

圖12 不同關(guān)聯(lián)程度時(shí)三種方法查詢結(jié)果集個(gè)數(shù)對(duì)比Fig.12 Comparison of numbers of query result sets of three methods in different degrees of relevance

最后，為了驗(yàn)證方法的有效性，將該關(guān)聯(lián)查詢方法分別運(yùn)行在關(guān)系數(shù)據(jù)庫(kù)和圖數(shù)據(jù)庫(kù)上，同時(shí)選取基于鄰居向量的Ness［19］方法和基于標(biāo)簽相似度的NeMa［20］兩種代表性的圖匹配查詢方法與實(shí)體關(guān)聯(lián)查詢方法做性能對(duì)比，實(shí)驗(yàn)結(jié)果如圖13～14所示。Ness 方法采用迭代驗(yàn)證，先進(jìn)行標(biāo)簽匹配，再計(jì)算查詢節(jié)點(diǎn)與目標(biāo)節(jié)點(diǎn)的匹配開(kāi)銷；NeMa方法結(jié)合了節(jié)點(diǎn)標(biāo)簽和鄰居結(jié)構(gòu)計(jì)算相似度，來(lái)匹配相似節(jié)點(diǎn)。由于本文圖譜的節(jié)點(diǎn)沒(méi)有二路鄰居，所以兩個(gè)基準(zhǔn)方法均以一路的鄰居節(jié)點(diǎn)來(lái)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，關(guān)聯(lián)查詢方法并不適用在關(guān)系數(shù)據(jù)庫(kù)上，在過(guò)濾性能相同的情況下，查詢的時(shí)間開(kāi)銷較大，不適合應(yīng)用在實(shí)時(shí)性要求較高的查詢系統(tǒng)。在與兩種基準(zhǔn)方法的對(duì)比下，雖然查詢關(guān)系數(shù)少節(jié)點(diǎn)的查詢效率高于兩種基準(zhǔn)方法，但是由于極端情況下關(guān)系數(shù)多的查詢節(jié)點(diǎn)對(duì)標(biāo)簽信息的計(jì)算增加，導(dǎo)致關(guān)聯(lián)查詢對(duì)強(qiáng)關(guān)聯(lián)節(jié)點(diǎn)的查詢時(shí)間要明顯優(yōu)于兩種基準(zhǔn)方法，最終查詢時(shí)間相較于兩種基準(zhǔn)方法平均降低了28.5%；同時(shí)由于關(guān)聯(lián)查詢結(jié)合了屬性和關(guān)系信息，其過(guò)濾性能在三種類型的節(jié)點(diǎn)上均優(yōu)于兩種基準(zhǔn)方法，平均提高了29.6%。綜合以上兩點(diǎn)可以得出，采用四個(gè)階段的關(guān)聯(lián)查詢不僅有更快的查詢響應(yīng)速度，而且查詢的過(guò)濾性能也更強(qiáng)。

圖13 不同關(guān)聯(lián)程度時(shí)方法查詢時(shí)間對(duì)比Fig.13 Comparison of query time of methods in different degrees of relevance

圖14 不同關(guān)聯(lián)程度時(shí)方法查詢結(jié)果集個(gè)數(shù)對(duì)比Fig.14 Comparison of numbers of query result sets of methods in different degrees of relevance

5 結(jié)語(yǔ)

本文在知識(shí)圖譜查詢問(wèn)題的研究中，以實(shí)際項(xiàng)目——外貿(mào)企業(yè)信用認(rèn)證服務(wù)平臺(tái)為背景，首先基于現(xiàn)有的關(guān)系型數(shù)據(jù)庫(kù)數(shù)據(jù)構(gòu)建企業(yè)知識(shí)圖譜，然后提出了針對(duì)企業(yè)實(shí)體的關(guān)聯(lián)查詢方法，實(shí)現(xiàn)發(fā)掘與目標(biāo)企業(yè)相關(guān)聯(lián)其他企業(yè)的功能，可以為企業(yè)提供更多有價(jià)值的信息，促進(jìn)企業(yè)之間的貿(mào)易與合作。

通過(guò)實(shí)驗(yàn)數(shù)據(jù)對(duì)比，驗(yàn)證了本文提出的查詢方法在過(guò)濾性能和查詢效率上均優(yōu)于傳統(tǒng)圖查詢方法。未來(lái)本文將進(jìn)一步考慮加入更多的實(shí)體屬性和關(guān)系來(lái)完善企業(yè)信息，降低數(shù)據(jù)噪聲，并在原有查詢的基礎(chǔ)上加入更多的特征，提高查詢的準(zhǔn)確性。