CN118820550B 一种基于大模型和知识图谱的石墨烯产品筛选方法 （广东粤孵产业大数据研究有限公司）

司一种基于大模型和知识图谱的石墨烯产品本发明公开了一种基于大模型和知识图谱提供科学、优化的产品选择方案和应用场景建2S3、采用自监督学习模型对高维特征空间的数据进S5、构建石墨烯产品的多层次知识图谱，整S6、利用图神经网络对多层次知识图谱进行S21、对多维度数据集D中的每个数据类型分别进行特征每个特征向量fcc,i包含从能谱分析、质谱分析和傅里叶变换红外光谱数据中2.根据权利要求1所述的一种基于大模型和知识图谱的石墨烯产品筛选方法，其特征S11、通过传感器网络和在线数据库接口从多个异构数据源自动采集石墨烯产品的物3S12、通过化学分析仪器和在线数据库接口从多个异构数据源自动采集石墨烯产品的S13、通过制造设备传感器和在线数据库接口从多个异构数据源自动采集石墨烯产品S14、通过行业报告和在线数据库接口从多个异构数据源自动采集石墨烯产品的应用S15、通过市场调研平台和在线数据库接口从多个异构数据源自动采集石墨烯产品的3.根据权利要求2所述的一种基于大模型和知识图谱的石墨烯产品筛选方法，其特征其中，每个数据点dpsi包含光学显微镜图像数据domi、X射线衍mp4.根据权利要求3所述的一种基于大模型和知识图谱的石墨烯产品筛选方法，其特征4S33、构建多个基于图神经网络的对比学习损失函数S35、通过最小化组合对比学习损失函数LGCL对*为优化后的模型参数；*}；*)表示经过训练的图神经网络模型；S37、通过交叉验证方法对石墨烯产品特性预测模型i5.根据权利要求4所述的一种基于大模型和知识图谱的石墨烯产品筛选方法，其特征S42、通过特性预测模型M对输入的多维度数据6.根据权利要求5所述的一种基于大模型和知识图谱的石墨烯产品筛选方法，其特征S51、从多维度数据集中提取结构化数据和非结构化数据Dmp5S56、使用图嵌入算法对多层次知识图谱G进行表S57、通过图卷积网络对多层次知识图谱G进行训练S58、最终构建的多层次知识图谱G包含结构化数7.根据权利要求6所述的一种基于大模型和知识图谱的石墨烯产品筛选方法，其特征6[0008]本发明的一个目的在于提出一种基于大模型和知识图谱7[0018]S11、通过传感器网络和在线数据库接口从多个异构数据源自动采集石墨烯产品[0019]S12、通过化学分析仪器和在线数据库接口从多个异构数据源自动采集石墨烯产[0020]S13、通过制造设备传感器和在线数据库接口从多个异构数据源自动采集石墨烯[0021]S14、通过行业报告和在线数据库接口从多个异构数据源自动采集石墨烯产品的[0022]S15、通过市场调研平台和在线数据库接口从多个异构数据源自动采集石墨烯产mpmp8[0051]每个特征向量fcci包含从能谱分析、质谱分析和傅里叶变换红外光谱数据中提取9若干个负样本正样本通过添加微小扰动或进行随机掩码生成，负样本从其他高维特征h"为通过图神经网络生的知识图谱节点和边，非结构化数据通过信息抽取生成的节点集合和边集合分别表示为*为优化后的模型参数；[0105]S58、最终构建的多层次知识图谱G包含结构化数据和非[0114](1)本发明通过自动采集和构建多维度数据集，能够高效处理来自多个异构数据够有效捕捉石墨烯产品特性之间的复杂非线性关系。通过使用卷积神经网络和图神经网[0115](2)本发明通过构建多层次知识图谱整合了结构化和非结构化数据，建立了石墨[0116](3)本发明能够对新的石墨烯产品多维度数据进行特性预测，生成综合性能预测[0117](4)本发明通过图嵌入算法和图卷积网络，本方法实现了对多层次知识图谱的高[0118](5)本发明通过自监督学习和交叉验证方法，显著提高了模型的预测精度和泛化[0120]图1为本发明提出的一种基于大模型和知识图谱的石墨烯产品筛选方法的流程[0125]S11、通过传感器网络和在线数据库接口从多个异构数据源自动采集石墨烯产品[0126]S12、通过化学分析仪器和在线数据库接口从多个异构数据源自动采集石墨烯产[0127]S13、通过制造设备传感器和在线数据库接口从多个异构数据源自动采集石墨烯[0128]S14、通过行业报告和在线数据库接口从多个异构数据源自动采集石墨烯产品的[0129]S15、通过市场调研平台和在线数据库接口从多个异构数据源自动采集石墨烯产mpmp[0158]每个特征向量fcci包含从能谱分析、质谱分析和傅里叶变换红外光谱数据中提取若干个负样本正样本通过添加微小扰动或进行随机掩码生成，负样本从其他高维特征的知识图谱节点和边，非结构化数据通过信息抽取生成的节点集合和边集合分别表示为*为优化后的模型参数；[0215]S58、最终构建的多层次知识图谱G包含结构化数据和非