Построение и применение графа знаний медно-порфировых месторождений

Обложка

Цитировать

Полный текст

Аннотация

Граф знаний становится популярным благодаря своей способности описывать с использованием компьютерных технологий реальный мир при помощи языка графов, понятного как людям, так и машинам. В данной статье представлен пример построения графа знаний медно-порфировых месторождений. Во-первых, необработанные текстовые данные собраны и интегрированы по выбранным месторождениям медно-порфировых и скарново-порфировых медных месторождений в металлогеническом поясе заливов Циньчжоу – Ханчжоу Южного Китая. Во-вторых, текстовые сущности, отношения и атрибуты помечены и извлечены со ссылкой на концептуальную модель медно-порфировых месторождений в районе исследования. В-третьих, граф знаний медно-порфировых месторождений был построен с использованием Neo4j 4.3. Полученный граф знаний месторождения медно-порфировых руд имеет основные функции приложения. Кроме того, как часть запланированного интегрированного графа знаний от единичного месторождения транслируется через металлогеническую серию до крупной металлогенической провинции, поэтому результаты настоящего исследования могут быть со временем распространены на перспективность и оценку минеральных ресурсов других месторождений. Взаимосвязь между земной системой, металлогенической системой, системой разведки и оценки перспективности (ES-MS-ES-PS) должна быть полностью понята, а для этого необходима система графа знаний для ES-MS-ES-PS. Ключевые научные и технологические проблемы для создания системы графа знаний ES-MS-ES-PS включены в прогрессивную относительную систему онтологии предметной области и графа знаний ES-MS-ES-PS, технологии автоматического построения сложных онтологий предметной области MS-ES-PS и графа знаний, саморазвитие и дополнительные методы для встраивания данных многомодальной корреляции в граф знаний ES-MS-ES-PS, а также построение графа знаний, интеллектуальный анализ больших данных и искусственный интеллект на основе перспективности ресурсов земной коры, теории и методов оценки.

Об авторах

Юнчжан Чжоу

Университет им. Сунь Ятсена; Центральная лаборатория службы геологических процессов и минеральных ресурсов провинции Гуандун

Email: zhouyz@mail.sysu.edu.cn
ORCID iD: 0000-0002-8572-5849

Цяньлун Чжан

Университет им. Сунь Ятсена; Центральная лаборатория службы геологических процессов и минеральных ресурсов провинции Гуандун

Email: zhouyz@mail.sysu.edu.cn
ORCID iD: 0000-0002-8572-5849

Вэньцзе Шэнь

Университет им. Сунь Ятсена; Центральная лаборатория службы геологических процессов и минеральных ресурсов провинции Гуандун

Email: zhouyz@mail.sysu.edu.cn
ORCID iD: 0000-0002-8572-5849

Фань Сяо

Университет им. Сунь Ятсена; Центральная лаборатория службы геологических процессов и минеральных ресурсов провинции Гуандун

Яньлун Чжан

Гуандунский институт высококачественных ресурсов и окружающей среды

Шиу Чжоу

Гуандунский институт высококачественных ресурсов и окружающей среды

Юнцзянь Хуан

Компания Гуандун Сюаньюань Сеть и Технологии Инкорпорейтед

Цзюньцзе Цзи

Университет им. Сунь Ятсена; Центральная лаборатория службы геологических процессов и минеральных ресурсов провинции Гуандун

Лэй Тан

Университет им. Сунь Ятсена; Центральная лаборатория службы геологических процессов и минеральных ресурсов провинции Гуандун

Чун Оуян

Университет им. Сунь Ятсена; Центральная лаборатория службы геологических процессов и минеральных ресурсов провинции Гуандун

Список литературы

  1. Zhang Q., Zhou Y. Big data helps geology develop rapidly // Acta Petrologica Sinica. 2018. Vol. 34. Iss. 11. P. 3167–3172.
  2. Zhou Y., Wang J., Zuo R., Xiao F., Shen W., Wang S. Machine learning, deep learning and Python language // Acta Petrologica Sinica. 2018. Vol. 34. Iss. 11. P. 3173–3178.
  3. Zhou Y., Zhang L., Zhang O., Wang J. Big data mining & machine learning in geoscience. GuangZhou: Sun Yat-sen University Press, 2018. 269 p.
  4. Singhal A. Introducing the Knowledge Graph: things, not strings // Blog.google. URL: https://www.blog.google/products/search/introducing-knowledge-graph-things-not/ (28.02.2021).
  5. Wu W., Li H., Wang H., Zhu K. Q. Probase: a probabilistic taxonomy for text understanding // Proceedings of the 2012 ACM SIGMOD International Conference on Management of Data. 2012. P. 481–492. https://doi.org/10.1145/2213836.2213891.
  6. Hoffart J., Suchanek F. M., Berberich K., Weikum G. YAGO2: a spatially and temporally enhanced knowledge base from Wikipedia // Artificial Intelligence. 2013. Vol. 194. P. 28–61. https://doi.org/10.1016/j.artint.2012.06.001.
  7. Lukovnikov D., Fischer A., Lehmann J., Auer S. Neural network-based question answering over knowledge graphs on word and character level // WWW'17: Proceedings of the 26th International Conference on World Wide Web. 2017. P. 1211–1220. https://doi.org/10.1145/3038912.3052675.
  8. Xu B., Xu Y., Liang J., Xie C., Liang B., Cui W., et al. CN-DBpedia: a never-ending Chinese Knowledge extraction system // Advances in Artificial Intelligence: From Theory to Practice. 2017. P. 428–438. https://doi.org/10.1007/978-3-319-60045-1_44.
  9. Palumbo E., Rizzo G., Troncy R., Baralis E., Osella M., Ferro E. An empirical comparison of knowledge graph embeddings for item recommendation // Istituzionale della Ricerca. 2018.. URL: https://iris.polito.it/retrieve/handle/11583/2710124/203256/paper2.pdf (28.02.2021).
  10. Wang C., Yu H., Wan F. Information retrieval technology based on knowledge graph // Proceedings of the 2018 3rd International Conference on Advances in Materials, Mechatronics and Civil Engineering (ICAMMCE 2018). 2018. https://doi.org/10.2991/icammce-18.2018.65.
  11. Qi H., Dong S., Zhang L., Hu H., Fan J. Construction of Earth science knowledge graph and its future perspectives // Geological Journal of China Universities. 2020. Vol. 26. Iss. 1. P. 2–10. https://doi.org/10.16108/j.issn1006-7493.2019099.
  12. Zhou Y., Zhang Q., Huang Y., Yang W., Xiao F. Construction of knowledge graph of porphyry copper deposit from Qingzhou Bay – Hangzhou Bay and insight into knowledge graph based mineral resource prediction and evaluation // Earth Sciences Frontiers. 2021. Vol. 28. Iss. 3. P. 67–75.
  13. Liu Q., Li Y., Duan H., Liu Y., Qin Z. Knowledge graph construction techniques // Journal of Computer Research and Development. 2016. Vol. 53. Iss. 3. P. 582–600. https://doi.org/10.7544/issn1000-1239.2016.20148228.
  14. Sahoo S., Halb W., Hellmann S., Idehen K., Thibodeau Jr T., Auer S., et al. A survey of current approaches for mapping of relational databases to RDF: W3C RDB2RDF Incubator Group report // W3.org. URL: https://www.w3.org/2005/Incubator/rdb2rdf/RDB2RDF_SurveyReport.pdf (28.02.2021).
  15. Chen Y., Chen C., Liu Z., Hu Z., Wang X. The methodology function of CiteSpace mapping knowledge domains // Studies in Science of Science. 2015. Vol. 2. P. 243–252. https://doi.org/10.16192/j.cnki.1003-2053.2015.02.009.
  16. Knublauch H., Fergerson R.W., Noy N.F., Musen M.A. The Protégé OWL plugin: an open development environment for semantic web applications // The Semantic Web – ISWC 2004. 2004. P. 229–243. https://doi.org/10.1007/978-3-540-30475-3_17.
  17. Zhao P. Quantitative mineral prediction and deep mineral exploration // Earth Science Frontiers. 2007. Vol. 14. Iss. 5. P. 1–10.
  18. Agterberg F. Geomathematics: theoretical foundations, applications and future developments. Springer International Publishing, 2014. 553 p.. URL: https://www.springer.com/gp/book/9783319068732(28.02.2021).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».