(19)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 202210740469.3 (22)申请日 2022.06.27 (71)申请人 中南民族大 学 地址 430074 湖北省武汉市洪山区民族大 道708号、 823号 (72)发明人 丁昊　彭芯茹　江小平　李成华　 石鸿凌　 (74)专利代理 机构 武汉臻诚专利代理事务所 (普通合伙) 42233 专利代理师 宋业斌 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06F 16/36(2019.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于异构图注意力网络的文物安防系统风 险评估方法 (57)摘要 本发明公开了一种基于异构图注意力网络 的文物安防系统风险评估方法， 包括： 从文物单 位中的文物安防系统获取多条文物安防系统数 据、 以及每条文物安防系统数据对应的头实体、 关系、 以及尾实体， 并根据所有文物安防系统数 据对应的头实体、 关系以及尾实体构建文物安防 系统知识图谱G’， 将构建得到的知识图谱G ’输入 预先训练好的文物安防系统风险评估模型中， 以 得到所有文物安防系统数据对应的文物本身实 体的风险等级。 本发明能够解决现有风险评估 方 法中， 依赖专家打分这一过程造成的大量人力物 力的耗费、 主观性强的技术问题； 解决现有风险 评估方法中， 必须对每个文物 安防系统都要人工 建立风险指标体系这一过程造成的人工干预多、 过程复杂的技 术问题。 权利要求书4页 说明书9页 附图2页 CN 115099631 A 2022.09.23 CN 115099631 A 1.一种基于异构图注意力网络的文物安防系统风险评估方法， 其特征在于， 包括如下 步骤： (1)从文物单位中的文物安防系统获取多条文物安防系统数据、 以及每条文物安防系 统数据对应的头实体、 关系、 以及尾实体， 并根据所有文物安防系统数据对应的头实体、 关 系以及尾实体构建文物安防系统知识图谱G ’； (2)将步骤(1)中构建得到的知识图谱G ’输入预先训练好的文物安防系统风险评估模 型中， 以得到所有 文物安防系统数据对应的文物本身实体的风险等级。 2.根据权利要求1所述的基于异构图注意力网络的文物安防系统风险评估方法， 其特 征在于， 文物安防系统数据对应的头实体和尾实体都可以是文物单位实体、 文物本身实体、 文物安防设备实体、 从业人员实体中的一种， 每条文物安防系统数据对应的尾实体与其对 应的头实体不同， 文物安防系统数据对应的关系包括设置、 属于、 就职于等。 3.根据权利要求1或2所述的基于异构图注意力网络的文物安防系统风险评估方法， 其 特征在于， 每个头实体和尾实体都具有实体属性； 文物单位实体的属性包括文物单位 地址、 文物单位行政级别等； 文物本身实体的属性包括文物ID、 文物所在年代、 文物级别、 文物周边植被高度、 文物 周边土壤土质情况等； 文物安防设备实体的属性包括摄像头的分辨率、 摄像头的位置坐标、 地波传感器的分 辨率等； 从业人员实体的属性包括从业人员的姓名、 年龄等。 4.根据权利要求1至3中任意一项所述的基于异构图注意力网络的文物安防系统风险 评估方法， 其特 征在于， 文物安防系统风险评估 模型是通过以下步骤训练得到的： (2‑1)从多个文物单位中的文物安防系统获取多条文物安防系 统数据、 以及专家对其 中所有文物安防系统数据对应的文物本身实体的风险评估结果， 获取每条文物安防系统数 据对应的头实体、 关系、 以及尾实体， 并根据所有文物安防系统数据对应的头实体、 关系以 及尾实体构建文物安防系统知识图谱G； (2‑2)根据步骤(2 ‑1)中得到的文物安防系统知识图谱G构 建文物安防系统异构图数据 集， 并将文物安防系统异构图数据集随机划分为训练集、 验证集和 测试集； (2‑3)将步骤(2‑2)得到的文物安防系统异构图数据集中每个 实体Ei的特征嵌入表示hi 输入异构图注意力网络(Heterogeneous  Graph Attention  Network， 简称HAN)中， 利用异 构图注意力网络中的实体级和语 义级的图注意力机制对 每个实体Ei的特征嵌入表示hi进行 迭代训练， 直到该异构图注意力网络 收敛为止， 从而得到初步训练好的文物安防系统风险 评估模型； (2‑4)将步骤(2‑3)得到的所有实体Ei的最终特征嵌入表示Zi输入异构图注意力网络的 实体分类层， 将步骤(2 ‑1)得到的专家对所有文物安防系统数据对应的文物本身实体的风 险评估结果作为分类标签Yl(l表示所有文物本身实体El的索引， l∈[1， N])， 通过实体分类 交叉熵函数并利用梯度下降法进行半监督学习， 训练异构图注意力网络的各层参数， 以获 得最终的文物安防系统风险评估 模型。 5.根据权利要求4所述的基于异构图注意力网络的文物安防系统风险评估方法， 其特权　利　要　求　书 1/4 页 2 CN 115099631 A 2征在于， 步骤(2 ‑2)中根据步骤(2 ‑1)中得到的文物安防系统知识图谱G构建文物安防系统 异构图数据集这一过程具体如下： 首先， 从步骤(2 ‑1)中得到的文物安防系统知识图谱G中 获取所有头实体、 关系、 尾实体、 头实体的属性、 以及尾实体的属性(其中头实体和尾实体以 下统称为实体)， 然后通过使用Bag ‑of‑words模型对每个实体Ei的属性进行特征提取(其中 i表示实体Ei的索引， i∈[1， N]， N表示文物安防系统知识图谱G中的实体总数)， 以得到该实 体Ei的特征嵌入表示hi， 然后构建文物安防系统知识图谱G中每种关系Φn(其中n∈[1， P]， 且P表示文物安防系统知识图谱G中关系的类型总数)对应的邻接矩阵An， 进而得到所有P种 关系{Φ1， Φ2， Φ3， ...， ΦP}对应的P个邻接矩阵{A1， A2， A3， ...， AP}作为文物安防系统异构 图数据集。 6.根据权利要求5所述的基于异构图注意力网络的文物安防系统风险评估方法， 其特 征在于， 构建P个邻接矩阵的过程包括以下子步骤： (a)初始化P个维度N ·N的邻接矩阵； (b)从步骤(2 ‑1)中得到的文物安防系统知识图谱G中获取第一种关系Φ1， 并从文物安 防系统知识图谱G中获取该第一种关系Φ1对应的第一个三元组， 如果该三元组中 的头实体 是Ei， 尾实体是Ej(其中j∈[1， N]， 且i≠j)， 则关系Φn对应的邻接矩阵An第i行第j列的元素 aij＝1， 第j行第i列的元素aji＝1， 从而得到关系Φ1对应的邻接矩阵A1中的元素aij和元素 aji； (c)针对第一种关系Φ1对应的剩余三元组而言， 重复上述步骤(b)， 直到所有三元组处 理完毕， 以得到第一种关系Φ1对应的维度为 N·N的邻接矩阵A1； (d)针对文物安防系统知识图谱G中的剩余每一种关系{Φ2， Φ3， ...， ΦP}而言， 重复上 述步骤(b)和(c)， 从而得到剩余所有关系 {Φ2， Φ3， ...， ΦP}对应的维度为N ·N的邻接矩阵 {A2， A3， ...， AP}。 7.根据权利要求4所述的基于异构图注意力网络的文物安防系统风险评估方法， 其特 征在于， 步骤(2 ‑3)具体为： 首先， 对于步骤(2 ‑2)得到的文物安防系统异构图数据集中每个实体类型为φi的实体 Ei而言， 将其特征嵌入表示hi通过实体类型φi对应的变换矩阵 投影到相同的特征空 间， 以得到实体Ei投影后的特 征嵌入表示h ′i： 其中， h′i和hi分别是实体Ei投影后的特征嵌入表示和原始特征 嵌入表示， 是实体类 型φi对应的变换矩阵， 该变换矩阵是权 重矩阵， 其中的权 重是通过训练得到的。 随后， 针对步骤(2 ‑2)得到的文物安防系统异构图数据集中每个实体类型为φi的实体 Ei而言， 利用实体级的图注意力机制来获取实体Ej对实体Ei的重要性： 其中， 表示关系Φn对应的实体对(Ei， Ej)中， 实体Ej对实体Ei的重要性， attnode表示 利用异构图注意力网络中的实体级的图注意力机制对每个实体Ei的特征嵌入表示h ′i进行 迭代训练。权　利　要　求　书 2/4 页 3 CN 115099631 A 3