现有相关工程与技术多关注建筑构件几何信息的映射,构件语义信息挖掘侧重于工程项目需要的单一信息,导致BIM(Building Information Modeling)数据在语义交互和智能分析中的潜力未被充分挖掘。该文提出一种基于知识图谱的BIM建筑构件语...现有相关工程与技术多关注建筑构件几何信息的映射,构件语义信息挖掘侧重于工程项目需要的单一信息,导致BIM(Building Information Modeling)数据在语义交互和智能分析中的潜力未被充分挖掘。该文提出一种基于知识图谱的BIM建筑构件语义信息提取方法,首先通过设计语义映射规则将IFC(Industry Foundation Classes)模型的实体、属性、物理信息转化为知识图谱,形成可用于语义分析的结构化语义网络,然后采用TransE嵌入模型对构建的BIM知识图谱进行嵌入学习,通过向量化表示增强信息提取能力。以某三层综合建筑楼为研究对象,提取并构建了包含996个BIM语义节点和2173条关系的知识图谱,进一步采用TransE模型进行语义信息嵌入,对提取结果进行验证。实验结果表明:知识图谱能有效提取BIM建筑构件语义信息,选取最优参数后进行TransE模型嵌入学习,实体语义成功率为97.27%,该方法能够精准捕捉建筑构件各类语义信息的关键内容,减少信息遗漏和提取错误,为BIM模型信息分析和决策提供了新思路。展开更多
由于TransE模型在处理不同类别关系时,忽略了同类别向量的语义差别,在对蔬菜领域知识图谱中存在的一对多、多对一和多对多的复杂属性关系进行表示学习时效果较差。本文在TransE方法的基础上,提出PTA(Path-based TransE for Attribute)...由于TransE模型在处理不同类别关系时,忽略了同类别向量的语义差别,在对蔬菜领域知识图谱中存在的一对多、多对一和多对多的复杂属性关系进行表示学习时效果较差。本文在TransE方法的基础上,提出PTA(Path-based TransE for Attribute)模型对其进行改进。首先,将蔬菜领域实体和关系通过word2vector映射到一个低维稠密向量空间中;其次,将复杂的属性关系和上下位关系进行结合构成关系路径进行训练;并采取Mean Rank和Hits@10两个评价指标衡量表示学习模型的链接预测效果。试验结果表明:PTA模型较TransE模型在不考虑关系分类的情况下,链接预测效果有较大的提高,Mean Rank最高提前6个次序;且在对属性关系按照复杂度进行分类的情况下,链接预测Hits@10的值较TransE模型最高提高13%。展开更多
文摘现有相关工程与技术多关注建筑构件几何信息的映射,构件语义信息挖掘侧重于工程项目需要的单一信息,导致BIM(Building Information Modeling)数据在语义交互和智能分析中的潜力未被充分挖掘。该文提出一种基于知识图谱的BIM建筑构件语义信息提取方法,首先通过设计语义映射规则将IFC(Industry Foundation Classes)模型的实体、属性、物理信息转化为知识图谱,形成可用于语义分析的结构化语义网络,然后采用TransE嵌入模型对构建的BIM知识图谱进行嵌入学习,通过向量化表示增强信息提取能力。以某三层综合建筑楼为研究对象,提取并构建了包含996个BIM语义节点和2173条关系的知识图谱,进一步采用TransE模型进行语义信息嵌入,对提取结果进行验证。实验结果表明:知识图谱能有效提取BIM建筑构件语义信息,选取最优参数后进行TransE模型嵌入学习,实体语义成功率为97.27%,该方法能够精准捕捉建筑构件各类语义信息的关键内容,减少信息遗漏和提取错误,为BIM模型信息分析和决策提供了新思路。
