一种材料知识图谱的构建方法、材料知识图谱及应用

1.一种材料知识图谱的构建方法，其特征在于：包括以下步骤，数据获取步骤，包括分别获取材料及其相关的文本信息、晶体结构信息和材料表征图片；所述文本信息为包括文献标题、摘要、关键词、正文、支撑材料、参考文献在内的全文信息，以及相应的作者信息；特征抽取步骤，包括分别对文本信息、晶体结构信息和材料表征图片进行数据处理，抽取特征信息；文本信息的数据处理，包括对不同来源的文本信息进行融合，获得目标材料实体的特征信息，对文本类型实体进行标注；晶体结构信息的数据处理，包括对晶体结构数据进行编码，将结构信息向量化，根据晶体结构文件的名称对结构类型实体进行标注；材料表征图片的数据处理，包括对材料表征图片进行处理，提取图形特征，根据表征图片的标题信息对图片类型实体进行标注；知识融合步骤，包括根据特征抽取步骤标注的标签对文本信息、晶体结构信息和材料表征图片三类实体进行对应和关联，获得材料知识图谱；存储和应用步骤，包括对知识融合步骤获得的材料知识图谱进行存储，并在可视化插件的支持下对材料知识图谱进行查询、分析和展示；所述文本信息的数据处理中，对不同来源的文本信息进行融合，获得目标材料实体的特征信息，具体包括，对不同来源的文本进行词嵌入训练，得出不同来源的文本的词向量，采用注意力机制对不同来源的文本的词向量进行融合，得到最终的融合向量；所述不同来源的文本包括所有材料文本、目标材料文本、重要信息文本；所述所有材料文本是指所有的材料文本，所述目标材料文本是指研究的目标材料的相关文本，所述重要信息文本是指包含重要信息的文本；所述晶体结构信息的数据处理中，对晶体结构数据进行编码，将结构信息向量化，具体包括，采用图论、库伦矩阵、拓扑描述符和倒空间信息中的至少一种对晶体结构信息进行向量化；所述材料表征图片的数据处理中，对材料表征图片进行处理，提取图形特征，包括对材料形状、边缘、尺寸、原子空间分布进行特征提取；所述材料表征图片的数据处理，具体包括，使用基于深度学习的图像分割算法对材料表征图片进行处理，采用语义分割将材料表征图片分割成若干个部分，从中提取图形特征；所述作者信息包括作者的姓氏、名字、开放研究者与贡献者身份识别码、电子邮箱地址、所属机构单位；所述知识融合步骤还包括，在进行三类实体的对应和关联之前，进行作者消歧处理；所述作者消歧处理包括，（1）使用机器学习模型-朴素贝叶斯模型，将作者信息按照对应的摘要文本进行分类；（2）使用数据库重复检测技术-匹配依赖算法，对步骤（1）获得的每个分类中的作者信息及其相应的文本信息按照相似性分“块”，将相似度高的作者信息分类于一个“块”中；（3）再次应用朴素贝叶斯模型，对步骤（2）获得的每个“块”再次进行分类，减少错误及重复关联；（4）利用CTANE算法进行匹配，通过剪枝策略对CTANE算法每一层的候选集进行剪枝，提升信息匹配的速度和效率。 2.根据权利要求1所述的构建方法获得的材料知识图谱。 3.一种构建材料知识图谱的装置，其特征在于：包括数据获取模块、特征抽取模块、知识融合模块、存储和应用模块；数据获取模块，包括用于分别获取材料及其相关的文本信息、晶体结构信息和材料表征图片；所述文本信息为包括文献标题、摘要、关键词、正文、支撑材料、参考文献在内的全文信息，以及相应的作者信息；特征抽取模块，包括用于分别对文本信息、晶体结构信息和材料表征图片进行数据处理，抽取特征信息；其中，文本信息的数据处理，包括对不同来源的文本信息进行融合，获得目标材料实体的特征信息，对文本类型实体进行标注；晶体结构信息的数据处理，包括对晶体结构数据进行编码，将结构信息向量化，根据晶体结构文件的名称对结构类型实体进行标注；材料表征图片的数据处理，包括对材料表征图片进行处理，提取图形特征，根据表征图片的标题信息对图片类型实体进行标注；知识融合模块，包括根据特征抽取步骤标注的标签对文本信息、晶体结构信息和材料表征图片三类实体进行对应和关联，获得材料知识图谱；所述存储和应用模块，包括用于对知识融合步骤获得的材料知识图谱进行存储，并在可视化插件的支持下对材料知识图谱进行查询、分析和展示；所述文本信息的数据处理中，对不同来源的文本信息进行融合，获得目标材料实体的特征信息，具体包括，对不同来源的文本进行词嵌入训练，得出不同来源的文本的词向量，采用注意力机制对不同来源的文本的词向量进行融合，得到最终的融合向量；所述不同来源的文本包括所有材料文本、目标材料文本、重要信息文本；所述所有材料文本是指所有的材料文本，所述目标材料文本是指研究的目标材料的相关文本，所述重要信息文本是指包含重要信息的文本；所述晶体结构信息的数据处理中，对晶体结构数据进行编码，将结构信息向量化，具体包括，采用图论、库伦矩阵、拓扑描述符和倒空间信息中的至少一种对晶体结构信息进行向量化；所述材料表征图片的数据处理中，对材料表征图片进行处理，提取图形特征，包括对材料形状、边缘、尺寸、原子空间分布进行特征提取；所述材料表征图片的数据处理，具体包括，使用基于深度学习的图像分割算法对材料表征图片进行处理，采用语义分割将材料表征图片分割成若干个部分，从中提取图形特征；所述作者信息包括作者的姓氏、名字、开放研究者与贡献者身份识别码、电子邮箱地址、所属机构单位；所述知识融合模块，还包括用于在进行三类实体的对应和关联之前，进行作者消歧处理；所述作者消歧处理包括，（1）使用机器学习模型-朴素贝叶斯模型，将作者信息按照对应的摘要文本进行分类；（2）使用数据库重复检测技术-匹配依赖算法，对步骤（1）获得的每个分类中的作者信息及其相应的文本信息按照相似性分“块”，将相似度高的作者信息分类于一个“块”中；（3）再次应用朴素贝叶斯模型，对步骤（2）获得的每个“块”再次进行分类，减少错误及重复关联；（4）利用CTANE算法进行匹配，通过剪枝策略对CTANE算法每一层的候选集进行剪枝，提升信息匹配的速度和效率。 4.一种计算机可读存储介质，其特征在于：包括存储于其中的程序，所述程序能够被处理器执行以实现权利要求1所述的材料知识图谱的构建方法。 5.根据权利要求1所述的材料知识图谱的构建方法，或者权利要求2所述的材料知识图谱，或者权利要求3所述的构建材料知识图谱的装置，或者权利要求4所述的计算机可读存储介质，在材料科学发展史溯源分析、新材料研发或潜在材料推理预测中的应用；应用领域包括但不限于结构材料、功能陶瓷材料、半导体材料、储能材料、催化材料、超导材料、生命医学材料、稀土材料。 6.一种预测电池材料的方法，其特征在于：包括采用权利要求1所述的材料知识图谱的构建方法，或者权利要求2所述的材料知识图谱，或者权利要求3所述的构建材料知识图谱的装置，或者权利要求4所述的计算机可读存储介质，对电池材料领域的文本信息、晶体结构信息和/或材料表征图片进行分析，推理预测潜在的电池材料的组成、结构、制备方法及其应用场景。 7.一种预测催化材料的方法，其特征在于：包括采用权利要求1所述的材料知识图谱的构建方法，或者权利要求2所述的材料知识图谱，或者权利要求3所述的构建材料知识图谱的装置，或者权利要求4所述的计算机可读存储介质，对催化材料领域的文本信息、晶体结构信息和/或材料表征图片进行分析，对催化反应进行建模，实现催化反应中反应物、生成物、催化剂、反应路径、催化条件的推理预测，进而推理预测催化材料的成分、结构、催化机理。