Preview

Науки о Земле и недропользование

Расширенный поиск

Построение и применение графа знаний медно-порфировых месторождений

https://doi.org/10.21285/2686-9993-2021-44-3-204-218

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
Китай

Чжоу Юнчжан, доктор геолого-минералогических наук, профессор, Школа геологических наук и геологического инжиниринга, Центр изучения окружающей среды и ресурсов, Университет им. Сунь Ятсена, Центральная лаборатория службы геологических процессов и минеральных ресурсов провинции Гуандун

Гуанчжоу

 



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

Чжан Цяньлун, Школа геологических наук и геологического инжиниринга, Центр изучения окружающей среды и ресурсов, Университет им. Сунь Ятсена, Центральная лаборатория службы геологических процессов и минеральных ресурсов провинции Гуандун

Гуанчжоу

 



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

Шэнь Вэньцзе

Школа геологических наук и геологического инжиниринга, Центр изучения окружающей среды и ресурсов

Гуанчжоу

 



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

Сяо Фань

Школа геологических наук и геологического инжиниринга, Центр изучения окружающей среды и ресурсов

Гуанчжоу



Яньлун Чжан
Гуандунский институт высококачественных ресурсов и окружающей среды
Китай

Чжан Яньлун

Гуанчжоу



Шиу Чжоу
Гуандунский институт высококачественных ресурсов и окружающей среды
Китай

Чжоу Шиу

Гуанчжоу



Юнцзянь Хуан
Компания Гуандун Сюаньюань Сеть и Технологии Инкорпорейтед
Китай

Хуан Юнцзянь

Гуанчжоу



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

Цзи Цзюньцзе, Школа геологических наук и геологического инжиниринга, Центр изучения окружающей среды и ресурсов, Университет им. Сунь Ятсена, Центральная лаборатория службы геологических процессов и минеральных ресурсов провинции Гуандун

Гуанчжоу

 



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

Тан Лэй, Школа геологических наук и геологического инжиниринга, Центр изучения окружающей среды и ресурсов, Университет им. Сунь Ятсена, Центральная лаборатория службы геологических процессов и минеральных ресурсов провинции Гуандун

Гуанчжоу



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

Оуян Чун, Школа геологических наук и геологического инжиниринга, Центр изучения окружающей среды и ресурсов, Университет им. Сунь Ятсена, Центральная лаборатория службы геологических процессов и минеральных ресурсов провинции Гуандун

Гуанчжоу



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 [Электронный ресурс]. 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. [Электронный ресурс]. 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 [Электронный ресурс]. 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. [Электронный ресурс]. URL: https://www.springer.com/gp/book/9783319068732(28.02.2021).


Для цитирования:


Чжоу Ю., Чжан Ц., Шэнь В., Сяо Ф., Чжан Я., Чжоу Ш., Хуан Ю., Цзи Ц., Тан Л., Оуян Ч. Построение и применение графа знаний медно-порфировых месторождений. Науки о Земле и недропользование. 2021;44(3):204-218. https://doi.org/10.21285/2686-9993-2021-44-3-204-218

For citation:


Zhou Y., Zhang Q., Shen W., Xiao F., Zhang Y., Zhou S., Huang Y., Ji J., Tang L., Ouyang C. Construction and applications of knowledge graph of porphyry copper deposits. Earth sciences and subsoil use. 2021;44(3):204-218. https://doi.org/10.21285/2686-9993-2021-44-3-204-218

Просмотров: 54


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2686-9993 (Print)
ISSN 2686-7931 (Online)