摘要：為提高電力交易智能推薦的準確性，提出一種基于知識圖譜的電力交易智能推薦方法。構建了電力交易智能推薦知識圖譜，并設計了基于互信息的抽取算法，將電力交易知識抽取分為概念對生成-排序和聚類壓縮2步進行抽取，在Freebase知識庫中對所提方法進行了驗證。結果表明，所提方法可實現(xiàn)準確的知識抽取和答案抽取，抽取結果的準確率達到97.97%，平均精度均值為98%，平均質量得分為2.46。相較于隨機抽取方法，抽取結果的平均精度均值提高了77.99%，平均質量得分提高了1.75，具有一定的有效性、準確性和優(yōu)越性。

關鍵詞：知識圖譜；電力交易；智能推薦；抽取算法；互信息

中圖分類號：TM7；TP39文獻標志碼：A文章編號：1001-5922（2024）10-0149-04

Research on intelligent recommendation technologyfor power trading based on knowledge graph

DENG Shubin，WANG Zishi，LIANG Zhifei，MOU Chunfeng（Guangzhou Electric Power Trading Center Co.，Ltd.，Guangzhou 510180，China）

Abstract：To improve the accuracy of intelligent recommendation for power trading，a knowledge graph based intel?ligent recommendation method for power trading was proposed. The knowledge graph of intelligent recommendationof power trading was constructed， and the extraction algorithm based on mutual information was designed， and theknowledge extraction of power transaction was divided into two steps： concept generation-sorting and clustering com?pression， and the proposed method was verified in the Freebase knowledge base. The results showed that the pro?posed method could achieve accurate knowledge extraction and answer extraction，with an accuracy rate of 97.97%，an average accuracy of 98%，and an average quality score of 2.46. Compared to the random extraction method，theaverage accuracy of the extraction results had increased by 77.99%，and the average quality score had increased by1.75，which has certain validity， accuracy and superiority.

Key words：knowledgegraph；electricitytrading；intelligentrecommendation；extractionalgorithm；mutualinformation

網絡化電力交易或多或少面臨著推薦難題，主要表現(xiàn)在現(xiàn)有智能推薦算法推薦的結果與用戶提出的電力交易問題相關性較差。相關學者對此進行了研究，如通過對用戶用電設備用能數據進行分析，提出一種智能樓宇客戶的售電套餐推薦方法（CEPRS），推薦準確性達到80%以上[1]；提出一種結合隱反饋協(xié)同過濾和K-means聚類算法的推薦模型，實現(xiàn)了潛力參與需求響應的用戶用電行為的準確推薦，推薦準確率達到80%以上[2]；提出一種基于知識圖譜的智能推薦模型，實現(xiàn)了新用戶需求響應智能推薦，推薦準確率達到85%以上[3]。通過上述研究可以發(fā)現(xiàn)，相較于基于機器學習的推薦算法，融合知識圖譜的推薦算法具有更好的推薦效果。為此，本研究將知識圖譜應用于電力交易智能推薦中，并通過設計電力交易智能推薦知識圖譜和抽取算法，提高推薦結果的準確性。

知識圖譜是一種描述知識資源結構關系和發(fā)展規(guī)律的分析方法，其構建流程主要包括本體概念框架構建和數據層構建兩部分[4]。其中，本體概念框架構建負責對屬性關系和類別層次進行定義；數據層的構建負責對收集整理的數據進行預訓練，以及實體－關系的抽取和數據的存儲[5]。知識圖譜結合了人工智能技術與傳統(tǒng)數據庫，可整合零散的知識，進而提高知識的利用率[6-7]。因此，本研究基于知識圖譜思想對電力交易推薦方法進行設計。

1基于知識圖譜的電力交易智能推薦

1. 1電力交易智能推薦知識圖譜構建

知識圖譜分為開放域和封閉域兩類。其中，開放域涉及各類知識領域，具有知識覆蓋面廣的特點[8]；封閉域是行業(yè)知識圖譜，僅用于特定行業(yè)，具有專業(yè)強的特點[9]。本研究中，電力交易數據具有一定的行業(yè)領域性，故不能使用開放域知識圖譜，且對于封閉域，目前具有電力相關的知識圖譜，因此首先需要構建電力交易智能推薦知識圖譜，以分析電力交易的對象屬性關系，實現(xiàn)電力交易智能推薦。

電力交易智能推薦通常表示為自然語言形式，包括電力專業(yè)問題、電費相關、電量相關問題等內容。根據電力交易智能推薦存在自身特點，具有明確規(guī)范的行業(yè)術語，因此不存在實體歧義問題[10-11]。所以在構建電力交易智能推薦知識圖譜時，在抽取實體間及實體與屬性的關系后，可省去共指消解步驟。

本研究設計的電力交易智能推薦知識圖譜構建方法流程如圖1所示。

1. 2抽取算法設計

上述基于知識圖譜的電力交易智能推薦中，答案抽取是電力智能推薦最基礎最核心的內容，然而由于現(xiàn)有抽取方法通常存在工作量大和易錯性高的問題[12-13]。本研究提出一種基于互信息理論的抽取算法。互信息理論是一種信息度量方法，主要包括概念對生成-排序和聚類壓縮2個步驟[14-15]。

1. 2. 1概念對生成-排序

概念對生成-排序算法包括概念對生成和概念對排序2個步驟。概念對生成即利用笛卡爾積計算對知識圖譜G中所有概念的集合C（e），生成概念對集合C（e）′C（e），然后檢索所有關系r，獲取關系集合E（r）。

對概念對的典型性進行估計并排序，其權值即為這個概念對的典型性估計。

本研究基于互信息理論定義典型性函數f。假設存在一個概念對c和一個實體e，根據互信息理論可知[16]：

式中：p（ce）為c和e的聯(lián)合概率分布函數；p（c）、p（e）分別為c和e的邊緣概率密度分布函數。

同理，對于概念對和實體對同時考慮2個隨機變量（cicj）和（eiej），則存在：

f（（cc）（ee））=I（（cc）（ee））ijiji=jij

log（ei|ci）p（ei|cj）-logp（ei）p（ej）（2）然后求（eiej）對（cicj）的互信息，并將其作為累計權值，則有：

利用互信息定義典型性函數一定程度上解決了實體和概念本身頻繁出現(xiàn)的問題，且可對信息量進行加和，降低了算法的時間成本[17]。

1. 2. 2聚類壓縮

通過上述概念對生成—排序算法，可得到Top-k個概念對。為進一步壓縮概念對，研究采用馬爾可夫聚類算法將Top-k個概念對劃分為n個簇。

假設知識圖譜中較“泛”的概念對在子集E（r）中也較“泛”。定義關系r下，概念對（cicj）對應的實體集合為：

若將概念對集合想象成一個無向圖，基于馬爾可夫聚類算法，可將矩陣迭代相乘直到收斂。然后以連通度對簇進行分割，即可實現(xiàn)概念對的劃分。

通過上述操作，進一步實現(xiàn)了概念對的壓縮，為更精確地進行電力推薦奠定基礎。

1. 3智能推薦流程

基于上述知識圖譜構建流程，研究電力交易智能推薦方法分為3個步驟，首先對用戶提出的電力相關問題和通用問題進行分析處理，以將自然語言轉化為計算機可處理的格式，并確定問題類型、關鍵字等；然后基于構建的知識圖譜對關鍵字和問題類型進行檢索，獲取可能包含答案的文檔；最后利用抽取算法對答案進行抽取，抽取的結果即為推薦結果。整個流程可用圖2所示。

2仿真實驗

2. 1實驗環(huán)境搭建

本次實驗基于Windows10操作系統(tǒng)運行，基于Lucene通用搜索引擎實現(xiàn)電力知識快速檢索，基于常見問題庫（FAQ庫）進行自動問答。系統(tǒng)配置Intel

Xeon E5-2620 GPU，Tesla K40C GPU，內存為16 GB。2. 2數據來源及預處理

本次實驗數據選用從維基百科詞條中擷取出結構化知識本體Freebase作為知識庫，以Freebase中的對象屬性作為實體關系數據集，以其中概念數量最多的Topic為概念分類體系。通過隨機抽樣，選用500對實體作為實驗數據。

2. 3評價指標

本次實驗選用簇中準確率（P（r））和簇中心準確率（Pm（r））作為評估所提基于知識圖譜的電力交易智能推薦方法生成概念對準確性的評價指標，其計算方法分別如式（6）和式（7）[19]：

選用平均精度均值（mAP）、平均質量作為評估所提方法生成概念對質量高低的評價指標。其中，平均精度均值可通過式（8）計算，平均質量評估方法通過專家進行打分獲取，具體打分規(guī)則為：打分0分表示不相關，打分1分表示相關性差，打分2分表示相關性一般，打分3分表示相關性良好。對于每個關系對應的10個概念對，前k對概念由所提方法生成，后10-k對概念為隨機生成。因此，對于每個對象屬性關系，可得到10組打分。以Writer對象屬性關系為例，其算法生成的概念對得分情況如表1所示。

式中：AP表示平均精度，可通過式（9）計算；N表示樣本總數。

式中：P表示精度；R表示召回率，可分別通過式（10）和式（11）計算。

式中：TP為真正例；FP為假正例；FN為假負例。

3結果與分析

3. 1抽取算法驗證

3. 1. 1概念對生成準確性驗證

從實驗數據集中任意選擇50個對象屬性關系生成概念對，每個概念對與馬爾可夫聚類算法中的簇相對應。生成的概念對準確性評估結果如表2所示。

由表2可知，所提方法根據對象屬性關系生成概念對的準確率為97.97%。由此說明，所提的方法可較為準確地生成概念對，為實現(xiàn)精確的電力智能推薦奠定了基礎。

3. 1. 2概念對生成質量評估

表3為專家對50個對象屬性關系生成的概念對質量打分結果。

由表3可知，所提方法生成的概念對平均精度均值為98%，隨機平均精度均值為20.01%，平均質量得分為2.46，隨機質量得分為0.71。由此說明，采用所提方法生成的概念對質量明顯優(yōu)于隨機生成的概念對，證明了所提算法具有一定的有效性、準確性和優(yōu)越性。

3. 2實例驗證

為檢驗所提方法的實際應用效果，研究在文獻[19]設計的配電網信息系統(tǒng)上對所提方法進行了驗證。將電力相關問題或通用問題上傳到系統(tǒng)后臺，并完善基本信息填寫和關聯(lián)設置，然后完善知識屬性，包括文件大小、文件類型、使用范圍等，建立知識數據分類模型，對知識可閱讀者和可編輯者權限進行設置，并展示知識編輯者上傳知識和抽取知識情況。查看系統(tǒng)是否能進行知識抽取，并根據經驗評估知識抽取結果的準確性。經測試所提算法抽取的結果具有較高的準確性和相關性，有利于提高電力交易智能推薦效果。

4結語

綜上所述，所提的基于知識圖譜的電力交易智能推薦方法，通過采用基于互信息理論的概念對生成—排序和聚類壓縮2步算法，可實現(xiàn)電力交易相關問題和通用問題的知識抽取和答案抽取，抽取結果的準確率達到90.08%，平均精度均值為92%，平均質量得分為2.66。相較于隨機抽取方法，抽取結果的平均精度均值提高了77%，平均質量得分提高了1.86，具有一定的有效性、準確性和優(yōu)越性，且可用于實際電力交易知識抽取中，為實現(xiàn)精確的電力交易智能

推薦奠定了基礎。

【參考文獻】

[1]葉寧，高曦瑩，關艷.基于協(xié)同濾波的智能樓宇售電套餐推薦方法研究[J].東北電力技術，2021，42（7）：15-17.

[2]吳相發(fā)，齊林海，王紅.基于聚類與協(xié)同過濾的居民用電推薦模型研究[J].電力信息與通信技術，2020，18（1）：80-88.

[3]阮聰，齊林海，王紅.融合知識圖譜與神經張量網絡的需求響應智能推薦[J].電網技術，2021，45（6）：2131-2140.

[4]張磊，邱昱，楊振偉.基于知識圖譜的電力知識平臺關鍵技術解析[J].信息系統(tǒng)工程，2021（2）：127-128.

[5]栗佳初，朱永利.基于雙向圖神經網絡的變壓器故障知識圖譜構建[J].電力科學與工程，2023，39（9）：38-45.

[6]萬晶，陳杭悅，錢剛，等.基于知識圖譜的政務服務精準治理關鍵技術研究[J].信息技術與標準化，2023（9）：88-91.

[7]牛增賢，劉海峰，徐偉峰，等.基于擴展Span表示的電力變壓器運維知識抽取與知識圖譜構建[J].吉林大學學報（理學版），2023，61（5）：1112-1122.

[8]任高，張倫倫，李冉，等.中醫(yī)不寐知識圖譜構建與知識發(fā)現(xiàn)[J].湖南中醫(yī)藥大學學報，2023，43（9）：1664-1671.

[9]高德荃，劉廣旭，馮寶，等.面向SDH光傳輸系統(tǒng)告警排查的領域知識圖譜構建方法[J].電力信息與通信技術，2023，21（9）：60-66.

[10]曹小蘭，張怡文，單春宇，等.基于知識圖譜的MOOC課程推薦[J].淮北師范大學學報（自然科學版），2023，44（3）：71-77.

[11]張帝，王韜，朱吉然，等.基于LSTM-Attention融合的電力客戶主動服務推薦方法[J].電力科學與技術學報，2022，37（2）：213-218.

[12]楊凱利，張其靜，婁紅紅，等.一種新型電力大數據協(xié)同過濾推薦算法的設計與應用[J].電力大數據，2021，24（6）：60-66.

[13]宮立華，盛妍，李磊，等.面向電力用戶的群簇核心推薦算法[J].計算機集成制造系統(tǒng)，2021，27（9）：2721-2728.

[14]榮以平，張鵬，朱偉義，等.基于用戶協(xié)同過濾的購電推薦算法[J].電力需求側管理，2020，22（5）：58-62.

[15]吳相發(fā)，齊林海，王紅.基于聚類與協(xié)同過濾的居民用電推薦模型研究[J].電力信息與通信技術，2020，18（1）：80-88.

[16]上官霞，張航.基于數據潛在規(guī)律挖掘的用戶側竊電智能監(jiān)測技術優(yōu)化[J].粘接，2023，50（7）：150-154.

[17]王定發(fā).基于線纜狀態(tài)數據的特征集成及異常信息自動檢測技術[J].粘接，2023，50（5）：188-192.

[18]李程，丁鐘.基于數據驅動和知識圖譜的電影分類推薦方法[J].云南師范大學學報（自然科學版），2023，43（5）：41-44.

[19]梅冰笑，周金輝，孫翔.基于知識圖譜與細胞自動機模型的配電網信息系統(tǒng)風險分析[J].中國電力，2022，55（10）：23-31.