CN103064907A - 基于无监督的实体关系抽取的主题元搜索***及方法 - Google Patents
基于无监督的实体关系抽取的主题元搜索***及方法 Download PDFInfo
- Publication number
- CN103064907A CN103064907A CN2012105535600A CN201210553560A CN103064907A CN 103064907 A CN103064907 A CN 103064907A CN 2012105535600 A CN2012105535600 A CN 2012105535600A CN 201210553560 A CN201210553560 A CN 201210553560A CN 103064907 A CN103064907 A CN 103064907A
- Authority
- CN
- China
- Prior art keywords
- theme
- entity
- similarity
- search
- search results
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于无监督的实体关系抽取的主题元搜索***及方法，该***包括：主题模型建立模组，用于建立各种主题模型；匹配搜索引擎模组，于用户选择了要进行搜索的主题时，根据不同的主题模型，匹配合适的成员搜索引擎进行主题搜索；以及搜索结果处理模组，对于各成员搜索引擎返回的搜索结果，利用无监督的实体关系抽取算法，对搜索结果的特征词进行实体关系抽取，并依据抽取的关系对计算与主题的相似度，将满足条件的结果返回给用户，本发明在保证查全率的前提下，根据无监督的关系抽取的结果，判断与主题的相符合程度，从而得到更高的查准率。
Description
技术领域
本发明关于一种主题元搜索***及方法，特别是涉及一种基于无监督的实体关系抽取的主题元搜索***及方法。
背景技术
目前的很多搜索服务中，有一些针对不同用户的个性化的信息搜索服务，如基于用户行为分析的个性化搜索服务，对于不同用户的相同查询请求返回的查询结果也有所不同，即***能够在一定程度上识别不同用户个性信息需求上的差别。但是由于对用户的查询主题不能进行比较准确的确定及描述，或者搜索结果特征向量的提取算法不同，而导致离散的特征向量无法正确表达搜索结果文档，从而影响了搜索的准确性。因此如何在搜索的过程中更精确地表达主题，以及如何更精确地计算搜索结果与主题的相似度，成为了信息检索领域中许多学者的研究热点。实体关系抽取是信息抽取的一种方法，而信息抽取与信息检索是相辅相成的，一方面信息检索的输出可以作为信息抽取的输入，另一方面信息抽取能改善信息检索的结果。无监督的实体关系抽取作为实体关系抽取的一种方法，可以改善主题元搜索的性能，提高搜索的精确度。
在很多主题元搜索方法中，对搜索结果一般采用提取特征向量的方法，然后采用夹角余弦算法，计算搜索结果与主题的相符合程度，但是特征向量是离散的，可能无法正确表达搜索结果文档，因此以此计算与主题的相似度就会不够准确，搜索结果的准确性就大大受到影响。
发明内容
为克服上述现有技术的不足，本发明之目的在于提供一种基于无监督的实体关系抽取的主题元搜索***及方法，在保证查全率的前提下，根据无监督的关系抽取的结果，判断与主题的相符合程度，从而得到更高的查准率。
为达上述及其它目的，本发明提出一种基于无监督的实体关系抽取的主题元搜索***，至少包括：
主题模型建立模组，用于建立各种主题模型；
匹配搜索引擎模组，于用户选择了要进行搜索的主题时，根据不同的主题模型，匹配合适的成员搜索引擎进行主题搜索；以及
搜索结果处理模组，对于各成员搜索引擎返回的搜索结果，利用无监督的实体关系抽取算法，对搜索结果的特征词进行实体关系抽取，并依据抽取的关系对计算与主题的相似度，将满足条件的结果返回给用户。
进一步地，该主题模型采取三元组Topic(C，P，S)来表示，形成主题树结构，其中C表示由主题领域中的名词概念抽象出来，具有相同属性和行为结构的概念类的集合，P描述概念和关系的属性，S表示主题类之间的结构关系。
进一步地，C采用向量空间模型来表示，使用二元组Ci(Keyi，Weighti)，其中Keyi表示关键词，Weighti表示关键词的权重。
进一步地，该匹配搜索引擎模组针对不同的主题，预先分配一些推荐的成员搜索引擎，对用户进行引导。
进一步地，该搜索结果处理模组包括：
预处理模块，用于对各成员搜索引擎的检索结果进行初步的集成、去重；
特征向量抽取模组，用于将搜索结果进行分词处理，抽取出表达网页内容的特征向量；
实体关系抽取模组，首先根据所抽取的页面的特征向量，识别实体，并基于启发式规则，获取实体的上下文特征，然后构建上下文特征词的特征向量，采用应用特征频度函数对特征项进行数值化，并采用k-means的联合聚类算法，来实现实体对的聚类，最后对实体对的关系进行标注；以及
主题匹配模组，用于计算搜索结果与主题的相似度，返回满足相似度要求的搜索结果。
进一步地，该主题匹配模组根据向量空间模型，将两特征向量夹角的余弦值表示它们的相似度，计算出网页与主题的相似度，根据设定的阈值，将相似度最大的或满足相似度要求的若干个网页按照相似度大小返回给用户。
为达到上述及其他目的，本发明还提供一种基于无监督的实体关系抽取的主题元搜索方法，包括如下步骤：
步骤一，建立各种主题模型；
步骤二，于用户选择了要进行搜索的主题时，根据不同的主题模型，匹配合适的成员搜索引擎进行主题搜索；以及
步骤三，对于各个成员搜索引擎返回的搜索结果，利用无监督的实体关系抽取算法，对搜索结果的特征词进行实体关系抽取，并依据抽取的关系对计算与主题的相似度，将满足条件的结果返回给用户。
进一步地，步骤三还包括如下步骤：
将来自各成员搜索引擎的检索结果经过初步的集成、去重；
将搜索结果进行分词处理，抽取出表达网页内容的特征向量；
进行无监督实体关系的抽取，将搜索结果采用标注过关系的实体对及关系的向量来表示；以及
计算搜索结果与主题的相似度，返回满足相似度要求的搜索结果。
进一步地，该无监督实体关系的抽取步骤还包括如下步骤：
首先根据所抽取的页面的特征向量，识别实体；
基于启发式规则，获取实体的上下文特征；
构建上下文特征词的特征向量，采用应用特征频度函数对特征项进行数值化；
采用k-means的联合聚类算法，来实现实体对的聚类；以及
对实体对的关系进行标注。
进一步地，于该计算搜索结果与主题的相似度的步骤中，根据向量空间模型，将两特征向量夹角的余弦值表示它们的相似度，由此计算出网页与主题的相似度，根据设定的阈值，将相似度最大的或满足相似度要求的若干个网页按照相似度大小返回给用户。
与现有技术相比，本发明一种基于无监督的实体关系抽取的主题元搜索***及方法通过采用无监督的实体关系抽取方法，能够对搜索结果的特征向量进行实体关系的标注，因此能够更准确地表达搜索结果的特征，搜索结果的准确性得到了提高。
附图说明
图1为本发明一种基于无监督的实体关系抽取的主题元搜索***的***架构图；
图2为本发明一种基于无监督的实体关系抽取的主题元搜索方法的步骤流程图；
图3为图2之本发明较佳实施例中步骤203的细节流程图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种基于无监督的实体关系抽取的主题元搜索***的***架构图。如图1所示，本发明一种基于无监督的实体关系抽取的主题元搜索***，至少包括：主题模型建立模组10、匹配搜索引擎模组11以及搜索结果处理模组12。
其中主题模型建立模组10用于建立各种主题模型，在本发明较佳实施例中，基于本体的主题模型采取三元组Topic(C，P，S)来表示，形成主题树结构，其中：C表示由主题领域中的名词概念抽象出来，具有相同属性和行为结构的概念类的集合；P描述概念和关系的属性；S表示主题类之间的结构关系，如父类、子类等。C采用向量空间模型(VSM)来表示，使用二元组Ci(Keyi，Weighti)，其中Keyi表示关键词，Weighti表示关键词的权重。
匹配搜索引擎模组11，于用户选择了要进行搜索的主题时，根据不同的主题模型，匹配合适的成员搜索引擎进行主题搜索。对每个不同的主题，适用的成员搜索引擎也有所不同。在本发明中，针对不同的主题，预先分配一些推荐的成员搜索引擎，对用户进行引导，用户在选择搜索的主题时，可以对成员搜索引擎进行增减。
搜索结果处理模组12对于各个成员搜索引擎返回的搜索结果，利用无监督的实体关系抽取算法，对搜索结果的特征词进行实体关系抽取，并依据抽取的关系对计算与主题的相似度，将满足条件的结果返回给用户。具体来说，搜索结果处理模组12进一步包括：预处理模组120、特征向量抽取模组121、实体关系抽取模组122以及主题匹配模组123，预处理模块120用于对各成员搜索引擎的检索结果进行初步的集成、去重；特征向量抽取模组121用于将搜索结果进行分词处理，抽取出表达网页内容的特征向量；实体关系抽取模组122首先根据所抽取的页面的特征向量，识别实体，并基于启发式规则，获取实体的上下文特征，然后构建上下文特征词的特征向量，采用应用特征频度函数对特征项进行数值化，并采用k-means的联合聚类算法，来实现实体对的聚类，最后对实体对的关系进行标注，这样搜索结果就采用标注过关系的实体对及关系的向量来表示了；主题匹配模组123用于计算搜索结果与主题的相似度，返回满足相似度要求的搜索结果。由于搜索结果页面采用了实体对及关系的特征向量来表示，主题的各个子类的概念也是特征向量，根据向量空间模型，两特征向量夹角的余弦值可以表示它们的相似度，由此可以计算出一个网页与主题的相似度Simj，根据设定的阈值，将相似度最大的或满足相似度要求的若干个网页按照相似度大小返回给用户。如果一个网页与主题中的所有特征词的相似度均达不到阈值策略中设定的最低相似度，则该网页可被认定为不属于该主题领域的范畴，将它从结果集中剔除。
图2为本发明一种基于无监督的实体关系抽取的主题元搜索方法的步骤流程图。如图2所示，本发明一种基于无监督的实体关系抽取的主题元搜索方法，包括如下步骤：
步骤201，建立各种主题模型，在本发明较佳实施例中，基于本体的主题模型采取三元组Topic(C，P，S)来表示，形成主题树结构，其中：C表示由主题领域中的名词概念抽象出来，具有相同属性和行为结构的概念类的集合；P描述概念和关系的属性；S表示主题类之间的结构关系，如父类、子类等。C采用向量空间模型(VSM)来表示，使用二元组Ci(Keyi，Weighti)，其中Keyi表示关键词，Weighti表示关键词的权重。
步骤202，于用户选择了要进行搜索的主题时，根据不同的主题模型，匹配合适的成员搜索引擎进行搜索。对每个不同的主题，适用的成员搜索引擎也有所不同。在本发明中，针对不同的主题，预先分配一些推荐的成员搜索引擎，对用户进行引导，用户在选择搜索的主题时，可以对成员搜索引擎进行增减。
步骤203，对于各个成员搜索引擎返回的搜索结果，利用无监督的实体关系抽取算法，对搜索结果的特征词进行实体关系抽取，并依据抽取的关系对计算与主题的相似度，将满足条件的结果返回给用户。
图3为图2之本发明较佳实施例中步骤203的细节流程图。如图3所示，步骤203还包括如下步骤：
步骤301，将来自各成员搜索引擎的检索结果经过初步的集成、去重；
步骤302，将搜索结果进行分词处理，抽取出表达网页内容的特征向量；
步骤303，进行无监督实体关系的抽取，将搜索结果采用标注过关系的实体对及关系的向量来表示；以及
步骤304，计算搜索结果与主题的相似度，返回满足相似度要求的搜索结果。由于搜索结果页面采用了实体对及关系的特征向量来表示，主题的各个子类的概念也是特征向量，根据向量空间模型，两特征向量夹角的余弦值可以表示它们的相似度，由此可以计算出一个网页与主题的相似度Simj，根据设定的阈值，将相似度最大的或满足相似度要求的若干个网页按照相似度大小返回给用户。如果一个网页与主题中的所有特征词的相似度均达不到阈值策略中设定的最低相似度，则该网页可被认定为不属于该主题领域的范畴，将它从结果集中剔除。
较佳的，步骤303进一步包括如下步骤：
a.首先根据所抽取的页面的特征向量，识别实体；
b.基于启发式规则，获取实体的上下文特征；
c.构建上下文特征词的特征向量，采用应用特征频度函数对特征项进行数值化；
d.采用k-means的联合聚类算法，来实现实体对的聚类；以及
e.对实体对的关系进行标注，这样搜索结果就采用标注过关系的实体对及关系的向量来表示。
可见，本发明一种基于无监督的实体关系抽取的主题元搜索***及方法在对搜索结果的处理中采用无监督的实体关系抽取方法，用标注过关系的实体对向量对搜索结果进行标识，用户在进行搜索时，可以选择要进行搜索的主题，根据各个主题模型匹配与主题相关的最佳成员搜索引擎，用户可以删减偏爱的成员搜索引擎，对于各个成员搜索引擎返回的搜索结果，采用空间向量模型分别计算与主题的相似度，将满足条件的结果返回给用户，由于本发明采用了无监督的实体关系抽取方法，能够对搜索结果的特征向量进行实体关系的标注，因此能够更准确地表达搜索结果的特征，因此搜索结果的准确性得到了提高。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。
Claims (10)
1.一种基于无监督的实体关系抽取的主题元搜索***，至少包括：
主题模型建立模组，用于建立各种主题模型；
匹配搜索引擎模组，于用户选择了要进行搜索的主题时，根据不同的主题模型，匹配合适的成员搜索引擎进行主题搜索；以及
搜索结果处理模组，对于各成员搜索引擎返回的搜索结果，利用无监督的实体关系抽取算法，对搜索结果的特征词进行实体关系抽取，并依据抽取的关系对计算与主题的相似度，将满足条件的结果返回给用户。
2.如权利要求1所述的一种基于无监督的实体关系抽取的主题元搜索***，其特征在于：该主题模型采取三元组Topic(C，P，S)来表示，形成主题树结构，其中C表示由主题领域中的名词概念抽象出来，具有相同属性和行为结构的概念类的集合，P描述概念和关系的属性，S表示主题类之间的结构关系。
3.如权利要求2所述的一种基于无监督的实体关系抽取的主题元搜索***，其特征在于：C采用向量空间模型来表示，使用二元组Ci(Keyi，Weighti)，其中Keyi表示关键词，Weighti表示关键词的权重。
4.如权利要求1所述的一种基于无监督的实体关系抽取的主题元搜索***，其特征在于：该匹配搜索引擎模组针对不同的主题，预先分配一些推荐的成员搜索引擎，对用户进行引导。
5.如权利要求1所述的一种基于无监督的实体关系抽取的主题元搜索***，其特征在于，该搜索结果处理模组包括：
预处理模块，用于对各成员搜索引擎的检索结果进行初步的集成、去重；
特征向量抽取模组，用于将搜索结果进行分词处理，抽取出表达网页内容的特征向量；
实体关系抽取模组，首先根据所抽取的页面的特征向量，识别实体，并基于启发式规则，获取实体的上下文特征，然后构建上下文特征词的特征向量，采用应用特征频度函数对特征项进行数值化，并采用k-means的联合聚类算法，来实现实体对的聚类，最后对实体对的关系进行标注；以及
主题匹配模组，用于计算搜索结果与主题的相似度，返回满足相似度要求的搜索结果。
6.如权利要求5所述的一种基于无监督的实体关系抽取的主题元搜索***，其特征在于：该主题匹配模组根据向量空间模型，将两特征向量夹角的余弦值表示它们的相似度，计算出网页与主题的相似度，根据设定的阈值，将相似度最大的或满足相似度要求的若干个网页按照相似度大小返回给用户。
7.一种基于无监督的实体关系抽取的主题元搜索方法，包括如下步骤：
步骤一，建立各种主题模型；
步骤二，于用户选择了要进行搜索的主题时，根据不同的主题模型，匹配合适的成员搜索引擎进行主题搜索；以及
步骤三，对于各个成员搜索引擎返回的搜索结果，利用无监督的实体关系抽取算法，对搜索结果的特征词进行实体关系抽取，并依据抽取的关系对计算与主题的相似度，将满足条件的结果返回给用户。
8.如权利要求7所述的一种基于无监督的实体关系抽取的主题元搜索方法，其特征在于，步骤三还包括如下步骤：
将来自各成员搜索引擎的检索结果经过初步的集成、去重；
将搜索结果进行分词处理，抽取出表达网页内容的特征向量；
进行无监督实体关系的抽取，将搜索结果采用标注过关系的实体对及关系的向量来表示；以及
计算搜索结果与主题的相似度，返回满足相似度要求的搜索结果。
9.如权利要求8所述的一种基于无监督的实体关系抽取的主题元搜索方法，其特征在于，该无监督实体关系的抽取步骤还包括如下步骤：
首先根据所抽取的页面的特征向量，识别实体；
基于启发式规则，获取实体的上下文特征；
构建上下文特征词的特征向量，采用应用特征频度函数对特征项进行数值化；
采用k-means的联合聚类算法，来实现实体对的聚类；以及
对实体对的关系进行标注。
10.如权利要求8所述的一种基于无监督的实体关系抽取的主题元搜索方法，其特征在于，于该计算搜索结果与主题的相似度的步骤中，根据向量空间模型，将两特征向量夹角的余弦值表示它们的相似度，由此计算出网页与主题的相似度，根据设定的阈值，将相似度最大的或满足相似度要求的若干个网页按照相似度大小返回给用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012105535600A CN103064907A (zh) | 2012-12-18 | 2012-12-18 | 基于无监督的实体关系抽取的主题元搜索***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012105535600A CN103064907A (zh) | 2012-12-18 | 2012-12-18 | 基于无监督的实体关系抽取的主题元搜索***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103064907A true CN103064907A (zh) | 2013-04-24 |
Family
ID=48107537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2012105535600A Pending CN103064907A (zh) | 2012-12-18 | 2012-12-18 | 基于无监督的实体关系抽取的主题元搜索***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103064907A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239340A (zh) * | 2013-06-19 | 2014-12-24 | 北京搜狗信息服务有限公司 | 搜索结果筛选方法与装置 |
| CN104484459A (zh) * | 2014-12-29 | 2015-04-01 | 北京奇虎科技有限公司 | 一种对知识图谱中的实体进行合并的方法及装置 |
| CN108647276A (zh) * | 2015-05-11 | 2018-10-12 | 何杨洲 | 一种搜索方法 |
| CN108733792A (zh) * | 2018-05-14 | 2018-11-02 | 北京大学深圳研究生院 | 一种实体关系抽取方法 |
| CN109697225A (zh) * | 2017-10-23 | 2019-04-30 | 贵州双龙数联科技有限公司 | 基于神经网络半监督学习的互联网大数据文本精准挖掘引擎 |
| CN110110329A (zh) * | 2019-04-30 | 2019-08-09 | 湖南星汉数智科技有限公司 | 一种实体行为抽取方法、装置、计算机装置及计算机可读存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542022A (zh) * | 2011-12-20 | 2012-07-04 | 上海电机学院 | 一种基于本体的主题搜索算法 |
-
2012
- 2012-12-18 CN CN2012105535600A patent/CN103064907A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542022A (zh) * | 2011-12-20 | 2012-07-04 | 上海电机学院 | 一种基于本体的主题搜索算法 |
Non-Patent Citations (3)
| Title |
|---|
| 张卫丰: "《元搜索引擎结果生成技术研究》", 《小型微型计算机***》, 31 January 2003 (2003-01-31) * |
| 林如琦: "《多信息融合中文关系抽取技术研究》", 《厦门大学学报（自然科学版）》, vol. 50, no. 3, 31 May 2009 (2009-05-31) * |
| 牟晋娟: "《中文实体关系抽取研究》", 《计算机工程与设计》, 31 December 2009 (2009-12-31), pages 1 - 3 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239340A (zh) * | 2013-06-19 | 2014-12-24 | 北京搜狗信息服务有限公司 | 搜索结果筛选方法与装置 |
| CN104239340B (zh) * | 2013-06-19 | 2018-03-16 | 北京搜狗信息服务有限公司 | 搜索结果筛选方法与装置 |
| CN104484459A (zh) * | 2014-12-29 | 2015-04-01 | 北京奇虎科技有限公司 | 一种对知识图谱中的实体进行合并的方法及装置 |
| CN104484459B (zh) * | 2014-12-29 | 2019-07-23 | 北京奇虎科技有限公司 | 一种对知识图谱中的实体进行合并的方法及装置 |
| CN108647276A (zh) * | 2015-05-11 | 2018-10-12 | 何杨洲 | 一种搜索方法 |
| CN108647276B (zh) * | 2015-05-11 | 2022-04-05 | 何杨洲 | 一种搜索方法 |
| CN109697225A (zh) * | 2017-10-23 | 2019-04-30 | 贵州双龙数联科技有限公司 | 基于神经网络半监督学习的互联网大数据文本精准挖掘引擎 |
| CN108733792A (zh) * | 2018-05-14 | 2018-11-02 | 北京大学深圳研究生院 | 一种实体关系抽取方法 |
| CN108733792B (zh) * | 2018-05-14 | 2020-12-01 | 北京大学深圳研究生院 | 一种实体关系抽取方法 |
| CN110110329A (zh) * | 2019-04-30 | 2019-08-09 | 湖南星汉数智科技有限公司 | 一种实体行为抽取方法、装置、计算机装置及计算机可读存储介质 |
| CN110110329B (zh) * | 2019-04-30 | 2022-05-17 | 湖南星汉数智科技有限公司 | 一种实体行为抽取方法、装置、计算机装置及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106250412B (zh) | 基于多源实体融合的知识图谱构建方法 | |
| CN105653706B (zh) | 一种基于文献内容知识图谱的多层引文推荐方法 | |
| KR102080362B1 (ko) | 쿼리 확장 | |
| CN103605665B (zh) | 一种基于关键词的评审专家智能检索与推荐方法 | |
| CN103268348B (zh) | 一种用户查询意图识别方法 | |
| CN103049575B (zh) | 一种主题自适应的学术会议搜索*** | |
| CN102087669A (zh) | 基于语义关联的智能搜索引擎*** | |
| CN109086375B (zh) | 一种基于词向量增强的短文本主题抽取方法 | |
| CN107590128B (zh) | 一种基于高置信度特征属性分层聚类方法的论文同名作者消歧方法 | |
| CN103473327A (zh) | 图像检索方法与*** | |
| CN103064907A (zh) | 基于无监督的实体关系抽取的主题元搜索***及方法 | |
| CN107992542A (zh) | 一种基于主题模型的相似文章推荐方法 | |
| CN104834693A (zh) | 基于深度搜索的视觉图像检索方法及*** | |
| CN103838756A (zh) | 一种确定推送信息的方法及装置 | |
| CN102073729A (zh) | 一种关系化知识共享平台及其实现方法 | |
| CN105426529A (zh) | 基于用户搜索意图定位的图像检索方法及*** | |
| CN105843799B (zh) | 一种基于多源异构信息图模型的学术论文标签推荐方法 | |
| CN105653562A (zh) | 一种文本内容与查询请求之间相关性的计算方法及装置 | |
| CN103744956A (zh) | 一种关键词的多样化拓展方法 | |
| CN105512333A (zh) | 基于情感倾向的产品评论主题搜索方法 | |
| CN104317838A (zh) | 一种基于耦合鉴别性字典的跨媒体哈希索引方法 | |
| CN104268230A (zh) | 一种基于异质图随机游走的中文微博客观点探测方法 | |
| CN103927339B (zh) | 知识重组***和知识重组方法 | |
| CN102314464B (zh) | 歌词搜索方法及搜索引擎 | |
| CN114997288A (zh) | 一种设计资源关联方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130424 |