本文指出：1评论：上游行业KG在上一篇文章“如何充分利用一般KG行业”中，这是一个示例，用于建立基于KG的基于KG的任务，该任务基于普遍上升的口味GG。其中，一般的KG行业（例如口味图）包含丰富的行业共享行业，而公司则针对小型领域的特殊需求（例如拉面烹饪过程，食材，混合口味等）。该模型是由知识驱动的AI转移研究。它已经建立的企业KGS（例如FoodKg）的目标更为有针对性，并且可能会加速AI应用于目标业务目标。它的结构如下图所示。图1 KG行业的主要任务支持Thosestream的工作是：口味图行业的节点嵌入是Enterprise FoodKG + GCN的最初特征，因此外部行业的知识可以增强本地地图的性能。初始属性来自成熟的图表知识，代表节点之间的隐式语义和结构关系。这一开始可以显着提高在不同行业学习和执行模型的技能。 2上图1的三层kg架构设计，您会发现这是两层kg的架构。其中，下游KG任务直接使用上游KG任务，两者通常具有过多的希望，从而降低了灵活性。目前，可以考虑建立一个三层kg体系结构，该体系结构增加了一个中间层kg，该体系在流动和下游kg之间带来了松散的耦合，从而创造了一般体系结构的灵活性。在这里，我们在每一层中解释了KG架构设计的关键点，如下所示：第1层：kg设计的亮点在上游通用行业中：使用大型kg+gnn的较大来源。建立与“食物分子成分↔味道特性”之间的三重结构关系" to express the letter between food ingredients and its basic chemical aromas. The second level: KG design points for specific midstream fields: the construction of a "co-occurring" relationship in specific fields, such as the food group that appears in the same fermentation menu. Customize co-occurring graph of fermentation recipes, using co-occurring Matrix association or DGL heterogeneity gRaph as model training material. Use图形/GAT/GCN训练上下文组件，使语义和本地实践更加接近：基于基于任务的KG设计点：关注人与物体之间的关系：客户组件↔创新的食谱和组件建议。ning一个中游域。了解第一个观察大学风味图的现有上游体系结构该图的知识包含两个节点：成分和复合风味。具有DIN两种类型的边缘：INGR-INGR共发生边缘和INGR-FCOMP组件的边缘。如下图2所示：图2 KG流体系结构的两个侧面有助于风味图产生组件和化合物知识网络。含义如下：●Ingr-Ingr共发生边缘：即成分之间的同时存在关系 - ●定义：此边缘表示两种成分之间分子味的相似性（相似的味道味道）。 ●使用的方案：当两种成分具有相似的化学味道分子时，调味图将创建一个INGR-I以表明它们可以正确匹配（AID）。 ●应用示例：洋葱和大蒜可以具有标准的硫化物化合物，因此它们通常在多种菜肴中一起使用。 ●in成分的gr -fcomp已经用：即成分的关系的整合 - 风味化合物●定义：这种边缘意味着特定成分确实包含了某种味道（或味道分子）的某种化合物。 ●使用方案：建立从成分节点到风味化合物节点的链接，以描述成分的化学成分。 ●应用示例：香菜与葡萄酒或linalool等风味相关。表中在表中说明：Python代码（片段）表示如下：data_dict = {（（成分，cooccur，cooccur，sente）：（ torch.ennsor（src_cooccur）（src_cooccur），torch.thensor（dst_cooccur）（dst_cooccur）（dst_cooccur）），（chem_sim，chem_sim，sim，sim，srce）：（src） TORCH.TENSOR（src_chem）,,,（dst_chem）），} g = dgl.heterograph（data_dict，num_nodes_dict = {成分：num_nodes}）这个通用行业包含了行业共享的丰富知识。 B.一旦您E完全熟悉上游KG体系结构，您可以促进过去并打开未来，并设计一个中游领域KG。例如，基于风味图的预训练的嵌入，以建立发酵食品的域食谱（中）↔kg成分，该食物将具有丰富的知识结构。从上图2中，可以遵循口味图的主要节点是：成分，其成分↔食物材料边缘是分子水平上风味成分的相似性之间的相关性，也称为下层（分子）的同时存在。接下来，如果您仍然专注于成分并添加上层外观，则会看到上层的同时发生（食谱）。也就是说，出现在同一食谱中的两种成分。它形成了中游公斤的Ainfrastructure。如下图3所示。图3中游KG的体系结构由Python代码（片段）表示如下：＃准备Graph DAGAtraph_data = {（成分，辅入，成分，成分）：（ torch.ennsor（co_src），torch.ennsor（co_dst）），（成分，chem_similar，infredients）：（：（：（torch.src（chem_src）（chem_src） （graph_data）在python代码中定义了一个旋转训练的异弓，因此，训练了中游kg模型，并形成每个节点的专用表示，存储在Mid_ingredient_embeddings.csv文件中。 KG伴随着从中游KG模型中学到的食物，GNN预测了每个客户对食物的潜在偏好。Python代码（片段）如下：＃===构建下游kg === g = dgl.heterographer === emb_df = pd.pd.pd.pd.read_csv（mid_ingreidient_embeddings.csv，index_col = 0） EMB_DF.ITERROWS（）}＃成分是来自Midstream kgtorch.manual_seed（10）Infredients_feats = torch.stack（[[names_to_emb成分]）g.nodes [Infredients] .data [feat] [featients_feats as contect of Offerters offecters：中游kg的节点嵌入为下游kg节点的初始特征。接下来，在客户节点的所有特征上进行K-Means聚类，然后探索反事实链接，并输出推荐的内容。 5结论KG设计思维是选择可靠的知识来源（例如口味图，专业食品文献），重点是建筑特征，“可以是C诸如分子，口味和功能性标签之类的言语意图。它应该尽可能地设计和重新选择 - 以便其他任务也可以扩展到参考。是的。是的，它可以促进成分之间的化学上的化学成分和品味的纽带，以促进成分之间的语义知识。它的图形结构可以很简单（例如共同出现），但可以从同一菜单中的成分中建立与双边共同存在的关系。异源图片DD个性化功能，例如偏好标记，转折说明和健康因素。和FUSE GNN得分（语义产品），K-均值（组）和组差异（CF_LINK），以提出建议。例如，在配方组件↔：烹饪订单中添加边缘功能。如下图5所示：图5在此KG模型中的其他下游KG应用程序，客人，成分和食谱是在异源地图上构建的，并在GNN和KMeans推荐模型上导入。当找到CF_Links时，可以向客户推荐创新的食谱，并且可以将创新的流程（SOP）提供给厨师（可能是机器人）。真漂亮。