首页 理论 架构 工程 规划 文档 白皮书 著作 研究 规范 下载 博客 关于 联系 开始使用 →

第四章 信息的动态获取与识别机制

第二篇:动态结构化知识形成机制

第四章 信息的动态获取与识别机制

4.1 需求驱动的信息获取
4.2 信息来源与信息范围
4.3 信息内容识别
4.4 信息语义识别
4.5 信息与结构字段的匹配
4.6 信息有效性与可信度
4.7 信息动态更新机制

第四章 信息的动态获取与识别机制

动态结构化知识的形成,首先需要解决信息从哪里获取、获取什么信息、如何识别信息内容,以及如何确定信息与已有结构之间的对应关系等基础问题。

第一篇已经从知识本质和信息结构化机制出发,明确了信息是知识形成的基础内容,结构是信息形成知识的组织机制。本篇进一步研究知识形成过程中的动态机制,即系统如何根据当前需求获取相关信息,如何识别信息的对象、属性、状态和语义,如何将信息与结构定义建立对应关系,以及如何通过有效性验证和动态更新,使信息持续进入知识结构体系。

传统信息获取通常采用预先设定的信息来源、固定采集字段和固定处理规则。这种方式适合信息范围明确、业务流程相对稳定的场景,但当需求发生变化时,原有信息范围和字段定义可能无法满足新的处理要求。

WSaiOS-SI 采用需求驱动的信息获取与识别机制。系统首先根据当前需求确定需要解决的问题,再分析问题涉及的对象、属性、关系和知识内容,进而确定信息获取范围。信息获取完成后,系统不直接将全部内容写入知识结构,而是经过内容识别、语义识别、结构字段匹配和有效性验证,形成可以进入知识体系的信息数据。

这里需要明确,需求驱动不等于信息来源完全由需求临时决定,也不意味着所有信息都必须在线获取。系统可以利用已有信息、历史数据、本地资料和外部信息源。关键在于根据当前需求确定信息的适用范围,并判断已有信息是否足够支持当前知识结构的形成。

本章研究信息动态获取与识别的工程机制,为后续动态结构定义、知识结构构建和知识能力形成建立信息基础。

4.1 需求驱动的信息获取

信息获取不是一个脱离智能需求而独立进行的过程。不同需求需要的信息内容、信息范围和信息精度可能完全不同。因此,WSaiOS-SI 将当前需求作为信息获取的重要依据,根据需求所表达的目标、对象和问题,确定信息获取的方向与内容。

例如,用户提出“查询某型号工业水泵的运行参数”,系统需要获取设备型号、额定功率、额定转速、额定压力等相关信息。如果用户提出“分析某台水泵为什么出现异常振动”,信息获取范围就需要进一步扩展,可能涉及设备组成、运行温度、转速、负载、振动数据、历史故障记录和维护信息。

两种需求虽然都涉及工业水泵,但所需要的信息结构并不相同。前者主要关注设备基础参数,后者则需要建立运行状态、异常现象、设备组成和故障关系等信息结构。

因此,信息获取应当从需求分析开始。

需求分析首先识别需求主体和需求对象,确定当前需求针对什么对象。随后识别需求目标,明确用户希望查询、比较、计算、分析还是解决某个具体问题。然后分析完成目标所需要的信息内容,确定必须获取的属性、状态、关系和其他相关信息。

需求分析的结果不是一个固定的信息字段清单,而是一个可以动态扩展的信息获取条件集合。

可以将需求驱动的信息获取过程表示为:

\[ I_q=F(N,O,G,C) \]

其中,\(I_q\) 表示需求对应的信息获取要求,\(N\) 表示当前需求,\(O\) 表示需求涉及的对象,\(G\) 表示处理目标,\(C\) 表示当前约束条件,\(F\) 表示需求分析过程。

例如,针对设备故障分析需求,可以形成如下信息获取要求:

{
    "demand": "分析水泵异常振动原因",
    "target_object": "工业水泵",
    "processing_goal": "异常原因分析",
    "required_information": [
        {
            "field": "设备型号",
            "purpose": "确定设备结构和适用参数"
        },
        {
            "field": "运行转速",
            "purpose": "分析运行工况"
        },
        {
            "field": "振动数据",
            "purpose": "识别异常振动特征"
        },
        {
            "field": "轴承状态",
            "purpose": "分析相关结构状态"
        },
        {
            "field": "历史维修记录",
            "purpose": "建立历史问题关联"
        }
    ]
}

该数据表示需求分析产生的信息获取条件,并不意味着这些字段必须在系统设计阶段固定下来。实际字段应当根据具体设备结构、需求内容和已有知识动态确定。

需求驱动的信息获取还需要考虑已有知识是否能够满足当前需求。如果系统已经拥有某台水泵的设备型号、额定参数和历史运行记录,就不必重复获取相同内容,而应检查现有数据是否完整、是否仍然有效,以及是否缺少当前分析所需的新信息。

因此,信息获取之前应当进行已有信息检查。

\[ I_{\text{need}}=I_{\text{required}}-I_{\text{available}} \]

其中,\(I_{\text{required}}\) 表示当前需求所需要的信息,\(I_{\text{available}}\) 表示系统已经拥有且符合当前使用条件的信息,\(I_{\text{need}}\) 表示仍需补充获取的信息。

这里的差集是语义层面的信息需求差异,不是简单的字符串或数据库记录相减。系统需要判断已有信息的对象、属性、时间、来源和有效状态是否满足当前需求。

需求驱动的信息获取还应当支持需求变化。当用户增加新的分析目标,或者原有需求进一步细化时,系统需要重新计算信息需求范围。例如,原本只需要查询设备参数,后来用户要求比较不同设备的能耗,就需要增加能耗数据、运行时间和设备工况等信息。

这种机制使信息获取不再依赖固定的预设字段,而是根据需求变化动态确定信息内容。

4.2 信息来源与信息范围

确定信息获取需求之后,需要进一步确定信息来源和信息范围。信息来源决定信息从什么渠道获得,信息范围决定系统需要获取哪些内容以及获取到什么程度。

WSaiOS-SI 不将信息来源限定为某一种固定渠道,而是根据需求和实际条件选择适合的信息来源。不同来源可以提供不同类型的信息,同一信息也可能通过多个来源获得。

常见的信息来源包括人工输入、数据库、历史业务记录、文件资料、网站公开信息、业务系统接口、设备传感器、图片、视频和其他外部数据系统。

不同来源的信息具有不同特点。人工输入可以直接提供用户明确掌握的内容,但可能存在遗漏和主观差异;数据库可以提供已有的结构化记录,但其准确性取决于原始数据质量;公开网站可以提供产品、企业和技术资料,但需要考虑发布主体、更新时间和内容适用范围;传感器可以连续采集设备状态,但可能存在测量误差、设备故障和采集延迟;图片和视频能够提供视觉信息,但不能直接确定画面中不可见的内部状态。

因此,系统不能仅根据来源类型判断信息是否可靠,而应结合具体信息内容、来源记录和验证条件进行分析。

信息来源可以在工程中统一描述为来源对象:

{
    "source_id": "source_001",
    "source_type": "sensor",
    "source_name": "设备温度传感器",
    "source_object": "pump_001",
    "collection_method": "automatic",
    "available_data": [
        "temperature"
    ],
    "status": "active"
}

该定义用于说明信息来源的组织方式。实际系统可以根据不同来源类型增加相应的接口配置、认证信息、采集参数和数据质量规则。

信息范围则需要根据需求对象和处理目标确定。

例如,查询一台设备的基本信息,只需要获取设备身份、型号和基础参数;分析设备运行异常,则可能需要获取实时参数、历史数据、设备结构、故障记录和相关运行条件。如果获取范围过小,系统可能缺少形成知识结构所需要的关键信息;如果获取范围过大,则会增加无关信息处理成本,并可能引入不必要的冲突和噪声。

因此,信息范围需要遵循需求相关性原则。

可以将信息获取范围表示为:

\[ R_i=F(N,O,K,A,L) \]

其中,\(R_i\) 表示信息获取范围,\(N\) 表示当前需求,\(O\) 表示目标对象,\(K\) 表示已有知识,\(A\) 表示信息可获得性,\(L\) 表示获取权限和资源限制。

信息范围不仅包括需要获取的对象和属性,还应当包含时间范围、空间范围、适用范围和必要的上下文信息。

例如,设备异常分析可能需要最近24小时的温度和振动数据,也可能需要过去一年内的维修记录。两个时间范围服务于不同的分析目的,不能简单地使用同一个采集时间条件。

对于多模态信息,范围还需要明确采集对象和观察条件。图片需要确定图片中的目标对象和采集环境,视频需要明确摄像机视角、时间范围和目标对象,传感器数据则需要确定传感器与现实对象之间的对应关系。

信息获取过程中还必须遵守来源授权、数据访问权限和适用的安全要求。能够获取的信息不代表可以无条件使用,系统应当根据实际授权范围决定是否采集、保存和进一步处理。

在工程架构上,可以将信息获取机制组织为:

当前需求需求对象识别确定信息获取目标检查已有知识与信息确定待补充信息确定信息来源确定信息范围权限与资源检查执行信息获取形成原始信息记录

信息来源管理与信息获取执行应当分离。来源管理负责维护信息源定义、访问条件和来源状态,获取模块负责根据需求调用相应来源。这样,当信息来源发生变化时,不必修改整个知识形成流程。

4.3 信息内容识别

信息获取完成后,系统需要识别信息内容,确定信息实际包含哪些对象、属性、参数、状态和其他可提取内容。

信息内容识别是从原始信息中提取具有结构意义的内容,但它本身不等于完整的语义理解,也不等于知识形成。其主要任务是将原始信息转换为可以进一步分析的内容单元,为后续语义识别和结构字段匹配提供依据。

不同形式的信息需要采用不同的内容识别方法。

对于文字信息,系统需要识别文本中的对象名称、属性名称、属性值、单位、时间、条件和动作表达。例如,“某型号水泵额定功率为15kW,当前温度75℃”中,可以识别出水泵对象、型号属性、额定功率属性、功率值15kW、温度属性和温度值75℃。

对于表格信息,系统需要识别表头、行列关系、数据单元格和单位信息。表格中的数值不能脱离其表头和所属行单独处理,否则可能将功率值错误地识别为压力值。

对于图片信息,系统可以通过图像分析提取可观察的对象、外观特征、文字标识和空间位置。例如,从设备铭牌图片中识别设备型号、额定功率和生产厂家。但图片中无法直接观察的内部参数不能仅凭图像推断。

对于视频信息,系统需要结合连续画面识别对象、位置、可观察状态和随时间发生的变化。视频中的视觉跟踪标识不能直接等同于现实对象的身份标识,必须经过对象对应关系确认,才能与已有结构实例关联。

对于传感器信息,系统需要识别采集对象、传感器类型、测量参数、数值、单位、采集时间和设备状态,并检查数据是否存在缺失、异常或格式错误。

信息内容识别应当保留原始内容和提取结果之间的对应关系。系统不能只保存提取后的字段,而丢弃原始记录,否则后续发现识别错误时将难以追溯。

在工程数据组织中,可以将内容识别结果定义为:

{
    "record_id": "info_001",
    "raw_content": "某型号水泵额定功率15kW,当前温度75℃",
    "content_type": "text",
    "extracted_items": [
        {
            "text": "水泵",
            "candidate_type": "object"
        },
        {
            "text": "额定功率",
            "candidate_type": "property"
        },
        {
            "text": "15kW",
            "candidate_type": "value"
        },
        {
            "text": "当前温度",
            "candidate_type": "property"
        },
        {
            "text": "75℃",
            "candidate_type": "value"
        }
    ]
}

这里的 candidate_type 仅表示初步识别结果。系统还需要结合上下文和结构定义判断这些内容是否真的属于对应的对象、属性和值。

内容识别模块不应直接将识别结果写入正式知识结构。它应当输出可追溯的候选内容,交由后续语义识别、结构匹配和验证模块处理。

对于识别不完整或者存在歧义的信息,应当保留原始内容,并标记待进一步处理。例如,系统识别到数值“75”,但无法确定它是温度、压力还是转速时,不能随意分配属性,应当保留为未确定内容。

因此,信息内容识别的核心要求是准确提取、保留来源和不擅自补充原始信息没有提供的事实。

4.4 信息语义识别

信息内容识别解决信息中出现了什么内容,信息语义识别则进一步解决这些内容实际表达什么含义,以及它们在当前需求和对象结构中具有什么意义。

同一个词语在不同对象和不同应用环境中可能具有不同语义。同一个对象属性也可能通过不同的语言表达方式出现。因此,系统不能仅根据文字相似程度确定语义,而需要结合对象、上下文、属性定义和需求进行判断。

例如,“水泵温度75℃”与“水泵当前温度为75摄氏度”表达的语义基本一致。系统可以将两种表达映射到同一个温度属性定义。

但是,“温度75”并不一定能够直接确定为水泵当前温度,因为它可能缺少对象标识、单位或者时间信息。系统需要检查上下文,判断这些信息是否能够得到可靠补充。

语义识别首先需要确定对象语义。系统应当判断信息描述的是现实对象、抽象概念、事件还是某种状态。对象语义明确之后,才能进一步分析其属性和关系。

其次,需要确定属性语义。系统应当判断信息中的内容对应什么属性定义。例如,“转速”“每分钟转数”和“RPM”在特定设备上下文中可能对应同一个属性,但需要统一单位和表达定义。

再次,需要确定状态语义。系统应当区分对象的静态属性、动态属性和当前状态。例如,设备额定功率属于设备定义或规格属性,当前运行温度属于动态属性,运行中属于当前状态。三者不能混为一谈。

还需要识别条件语义和关系语义。例如,“当温度超过规定范围时停止设备”包含温度条件、判断关系和控制方法要求。系统需要将条件、关系和方法意图分别识别,而不是将整句话简单归入某个普通文本字段。

语义识别可以表示为:

\[ S_m=F(C,O,N,D,K) \]

其中,\(S_m\) 表示语义识别结果,\(C\) 表示原始内容,\(O\) 表示候选对象,\(N\) 表示当前需求,\(D\) 表示已有结构定义,\(K\) 表示已有知识。

该过程需要结合已有结构和知识,但不能被已有结构完全限制。如果新信息表达了已有结构尚未定义的对象或属性,系统应当形成新的结构候选,而不是强行将其映射到不适合的字段。

例如,某个原有设备结构只定义了温度、压力和转速。新需求需要识别设备的振动频率,系统发现现有结构中不存在对应属性,就应当提出振动频率属性候选,并进一步确定其数据类型、单位、来源和适用范围。

语义识别结果可以组织为:

{
    "object": {
        "name": "工业水泵",
        "semantic_type": "设备对象"
    },
    "attributes": [
        {
            "name": "当前温度",
            "semantic_definition": "设备运行温度",
            "value": 75,
            "unit": "℃"
        }
    ],
    "states": [
        {
            "name": "运行状态",
            "value": "运行中"
        }
    ],
    "relations": [],
    "semantic_status": "identified"
}

该数据仅说明语义识别结果的组织方式。实际系统还需要记录语义解释所依据的原始信息、上下文、匹配结构版本和必要的确认状态。

语义识别还必须区分事实、推断、建议和未知内容。例如,“设备温度为75℃”可以是采集事实;“设备可能存在过热风险”属于基于条件形成的判断;“建议检查冷却系统”属于处理建议。这些内容不能使用同一种数据类型存储,否则容易把推断结果误认为已经确认的现实状态。

因此,信息语义识别必须建立明确的语义边界,使系统能够区分原始信息表达的事实、结构匹配产生的解释和进一步计算形成的判断。

4.5 信息与结构字段的匹配

信息经过内容识别和语义识别之后,需要与已有结构定义建立对应关系。该过程是信息进入动态结构体系的关键环节。

这里所说的结构字段,是指结构定义中用于表达对象属性、状态、关系和其他结构要素的数据位置。字段不是提前固定的通用信息分类,而是根据实际结构定义动态形成。

例如,某个设备结构定义了设备名称、型号、额定功率、运行温度和运行状态等字段。系统识别到一条新信息后,需要判断其中的内容分别对应哪个字段,以及是否满足该字段的定义要求。

字段匹配不能仅依据名称是否相同。它还需要考虑语义、对象类型、数据类型、单位、适用范围和当前需求。

例如,“功率”“额定功率”和“当前功率”虽然具有相似的名称,但表达的含义不同。额定功率通常属于设备规格属性,当前功率属于运行参数。系统必须根据上下文确定正确的字段,不能因为名称中都包含“功率”就将它们直接合并。

字段匹配需要首先确定对象归属。某个属性值必须属于明确的对象实例,不能将不同设备的参数错误组合。

其次需要进行语义匹配,确定识别出的属性含义与结构字段定义是否一致。

然后进行数据类型和单位检查。例如,温度字段要求数值和温度单位,系统需要判断输入内容能否正确转换;如果单位无法确认,则不能直接将数值写入正式字段。

接下来需要检查结构约束。例如,设备型号字段可能要求文本类型,运行状态字段可能要求来自已定义的状态集合,温度字段可能要求满足规定的取值范围。

最后需要确定匹配结果。匹配成功的信息可以进入相应结构字段;存在歧义的信息进入待确认状态;没有对应字段的信息则形成结构扩展候选。

字段匹配过程可以表示为:

\[ M_f=F(S_m,D,N,T,U,C) \]

其中,\(M_f\) 表示字段匹配结果,\(S_m\) 表示语义识别结果,\(D\) 表示结构定义,\(N\) 表示当前需求,\(T\) 表示数据类型,\(U\) 表示单位信息,\(C\) 表示结构约束。

其工程处理过程可以表示为:

语义识别结果确定目标对象读取适用结构定义查找候选结构字段字段语义匹配数据类型与单位检查适用范围与约束检查匹配结果建立字段映射进入待确认状态形成结构扩展候选形成结构化信息补充信息或人工确认结构定义验证匹配成功存在歧义没有适用字段

字段匹配的结果需要记录映射依据,不能只保存最终字段值。例如,系统可以记录原始内容、识别属性、匹配字段、匹配规则、结构版本和确认状态。这样,当后续发现字段映射错误时,可以追溯匹配过程。

在工程数据中,可以使用如下方式表示字段映射结果:

{
    "record_id": "info_001",
    "structure_id": "industrial_pump",
    "structure_version": "1.2",
    "field_mappings": [
        {
            "source_text": "额定功率15kW",
            "target_field": "rated_power",
            "value": 15,
            "unit": "kW",
            "match_status": "matched"
        },
        {
            "source_text": "当前温度75℃",
            "target_field": "temperature",
            "value": 75,
            "unit": "℃",
            "match_status": "matched"
        }
    ]
}

该机制还需要支持动态字段定义。当当前需求需要新的属性,而已有结构无法表达时,系统可以提出结构扩展请求。结构扩展请求需要说明新增字段的语义、数据类型、单位、来源要求和适用范围。经过结构管理机制确认后,才能正式加入结构定义。

这里必须区分字段匹配和字段创建。字段匹配是在已有结构中寻找适用位置,字段创建则是对结构定义本身进行扩展。两者具有不同的处理权限和验证要求。

通过这种方式,信息可以动态进入已有结构,也可以推动结构定义在需求驱动下逐步扩展,而不必依赖预先编写的固定字段集合。

4.6 信息有效性与可信度

信息被获取、识别并匹配到结构字段之后,并不意味着它一定可以直接进入正式知识结构。系统还需要判断信息是否有效、是否可信,以及是否满足当前需求的使用条件。

信息有效性主要关注信息本身是否符合基本要求,包括内容是否完整、格式是否正确、数据类型是否符合定义、单位是否明确、时间是否有效、对象归属是否正确,以及是否满足结构约束。

信息可信度则关注信息来源、采集方式、数据质量、验证证据和来源之间的一致性。有效性与可信度存在联系,但不能混为一谈。

例如,一条温度记录的格式正确、数值类型正确、单位明确,但如果传感器已经损坏,数据仍然可能不可信。反过来,一条人工记录可能来自可信人员,但如果没有记录测量时间和设备标识,就可能无法满足当前需求的使用条件。

因此,信息验证不能只依据一个简单的分数或一个固定的可信度等级,而应当根据不同信息类型建立相应的验证条件。

信息有效性检查可以包括内容完整性、格式合法性、数据类型、单位一致性、对象一致性、时间有效性和结构约束等方面。

信息可信度分析则可以考虑来源身份、来源授权、采集设备状态、采集过程、历史准确性、交叉验证结果和信息冲突情况。

可以将信息质量表示为:

\[ Q_i=F(V_c,S_r,T_a,C_s,E_v) \]

其中,\(Q_i\) 表示信息质量分析结果,\(V_c\) 表示内容有效性,\(S_r\) 表示来源可靠性,\(T_a\) 表示时间适用性,\(C_s\) 表示上下文一致性,\(E_v\) 表示验证证据。

这一表达式用于组织信息质量分析因素,不代表所有领域都可以采用同一套权重计算可信度。对于医疗、工业控制、金融和普通信息查询等不同场景,信息验证要求可能存在显著差异,应当根据实际风险和使用目标确定验证规则。

信息有效性与可信度还需要区分信息事实和系统判断。例如,某个传感器采集到温度75℃,这是原始记录内容;系统判断该记录符合数据格式和设备标识要求,是有效性检查结果;系统根据传感器状态和交叉数据判断其可信程度,则属于质量分析结果。

这三个内容应当分别保存,不能将系统的判断结果直接覆盖原始信息。

对于存在冲突的信息,系统应当保留各自来源、时间和内容。例如,两个传感器同时报告不同温度值时,应当检查设备位置、传感器精度、采集时间和设备状态。若无法确定哪一个数据正确,则应当保留冲突状态,而不是简单地取平均值或者选择最后到达的数据。

在工程实现中,信息质量结果可以组织为:

{
    "record_id": "info_001",
    "validation": {
        "format_valid": true,
        "type_valid": true,
        "unit_valid": true,
        "object_valid": true,
        "time_valid": true
    },
    "quality": {
        "source_status": "verified",
        "context_status": "consistent",
        "conflict_status": "none"
    },
    "usage_status": "available"
}

这里的 usage_status 表示当前信息是否满足进入后续处理环节的条件。它不代表信息在所有场景下都具有同等可信程度。

信息验证结果可以形成几种不同处理状态:符合当前使用要求的信息可以进入后续知识结构处理;存在部分缺失但可以补充的信息可以进入待补充状态;来源冲突或语义不确定的信息应当进入待确认状态;明显不符合基本要求的信息应当被拒绝进入正式结构,但原始记录仍可根据系统保存策略保留。

信息有效性与可信度验证必须贯穿信息获取、识别、字段匹配和知识更新全过程,而不是只在信息进入数据库时执行一次。

4.7 信息动态更新机制

信息动态更新是指系统根据新的需求、信息来源变化、现实对象变化和运行反馈,对已有信息进行持续补充、修正和维护的过程。

传统信息更新通常采用新增记录、修改字段或者删除旧记录的方式。这种方式能够完成基本数据维护,但对于动态结构化知识而言,还需要明确更新的对象、更新的原因、更新的范围,以及更新后是否会影响已有知识结构和智能个体实例。

WSaiOS-SI 将信息动态更新区分为信息内容更新、属性值更新、状态更新、关系更新、来源更新和结构字段更新。

信息内容更新主要针对原始信息记录。例如,外部资料发布了新的产品规格,系统需要获取新资料并保留原始来源及发布时间。

属性值更新主要针对具体对象实例。例如,设备温度由75℃变化为78℃,系统需要更新当前属性值,同时根据业务要求保留历史变化记录。

状态更新主要针对对象运行状态。例如,设备从运行状态转变为停止状态,需要依据有效的状态变化信息更新实例状态。

关系更新主要针对对象之间的联系。例如,传感器更换了监测对象,系统需要更新传感器与设备之间的关系,并保留原有关系的有效时间范围。

来源更新主要针对信息采集渠道的变化。例如,原来通过人工记录获得设备参数,后来改为由设备接口自动采集。系统需要维护新的来源定义,并重新检查数据格式和质量要求。

结构字段更新则涉及结构定义本身的变化。例如,新增振动频率字段,或者调整原有字段的数据类型和单位定义。这类变化可能影响已有知识结构和实例数据,因此必须经过结构版本管理和兼容性检查。

信息动态更新的基本流程可以表示为:

新需求、信息或反馈识别更新对象确定更新类型获取新信息内容与语义识别匹配已有结构字段信息有效性验证验证是否通过保留原始记录并进入待确认分析新旧信息差异是否涉及结构定义更新实例信息生成结构变更候选结构兼容性验证生成结构新版本检查关联知识与实例影响确认更新并记录版本更新后的信息进入知识形成流程否是否是

动态更新必须保留原始信息和更新历史。对于属性值变化,可以记录对象标识、属性标识、原值、新值、来源和更新时间;对于结构字段变化,则需要记录结构版本、变更原因、字段定义变化及其影响范围。

例如,某台水泵的温度属性连续变化,可以保存为:

{
    "object_id": "pump_001",
    "property_id": "temperature",
    "history": [
        {
            "value": 70,
            "unit": "℃",
            "time": "2026-11-19 10:00:00"
        },
        {
            "value": 75,
            "unit": "℃",
            "time": "2026-11-19 10:30:00"
        },
        {
            "value": 78,
            "unit": "℃",
            "time": "2026-11-19 11:00:00"
        }
    ]
}

该数据用于表达同一对象属性在不同时间的变化。实际系统还需要记录每条数据对应的信息来源、质量状态和采集标识,以避免将不同来源或不同设备的数据错误地合并。

对于结构字段更新,系统必须区分新增字段、字段语义变化和字段删除。新增字段通常需要检查已有实例是否需要补充数据;字段语义变化需要判断原有数据是否仍然符合新定义;字段删除则需要检查是否仍有知识关系、方法和实例依赖该字段。

结构更新不能简单地覆盖原有结构定义。系统应当保留原版本,并通过差异分析确定新版本的影响范围。对于已经运行的知识结构和智能个体实例,必须根据授权和兼容性检查决定是否迁移,不能因为结构定义发生变化就自动覆盖所有实例数据。

信息动态更新还需要考虑更新冲突。例如,两个信息来源在不同时间提供了不同的产品价格,系统需要根据价格类型、发布时间、币种、适用区域和来源判断其是否属于同一属性值。不同条件下的价格可能同时有效,不能简单地将其中一个覆盖另一个。

对于无法确认的更新,系统应当保留待确认状态,并继续使用已经验证且仍然适用的原有信息。对于已确认失效的信息,可以标记其有效期结束,但不应无条件删除历史记录。

在工程架构中,信息动态更新模块应当与信息获取模块、结构识别模块、知识管理模块和实例管理模块建立明确的数据接口。信息获取模块提供新增内容,识别模块产生结构化候选,知识管理模块负责知识层面的更新,实例管理模块负责检查更新对具体对象的影响。

信息获取与识别信息更新管理原始信息与历史记录结构化信息更新结构定义检查知识结构管理知识版本管理关联实例影响分析授权迁移与运行验证更新后的知识体系

通过这种机制,信息更新不再只是对数据库字段进行简单修改,而是成为动态知识形成过程中的重要组成部分。

本章建立了 WSaiOS-SI 信息动态获取与识别的基本工程机制:需求决定信息获取目标,信息来源和范围决定信息采集边界,内容识别提取信息组成,语义识别确定信息实际含义,结构字段匹配建立信息与动态结构之间的联系,有效性与可信度验证保证信息满足使用条件,动态更新机制则使信息能够持续适应需求和现实对象的变化。

由此,信息从外部来源进入系统之后,不再只是作为独立记录被保存,而是经过需求分析、内容识别、语义解释、结构匹配和质量验证,形成能够进入动态结构化知识体系的信息基础。

WSaiOS-SI 的信息获取与识别机制,本质上是以需求为驱动、以信息为基础、以结构为组织依据、以有效性验证为约束,将外部信息持续转化为可参与知识形成的结构化信息的过程。

Leave a Reply

Your email address will not be published. Required fields are marked *

客服咨询
● 欢迎咨询与合作
您好!欢迎咨询。 我可以帮助您了解人工智能技术研发、智能软件系统开发、网站建设、搜索优化及项目定制等相关信息。 请问有什么可以帮您?
免费申请
请填写以下信息,方便我们进一步沟通。
欢迎咨询 AI 系统开发、网站建设、搜索优化、项目定制合作
电话:15089196448
邮箱:1602401899@qq.com
地址:陕西省渭南市
服务时间:周一至周五 09:00 - 18:00 | 7×24小时技术值守