CN107066634A - 一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法 - Google Patents

一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法 Download PDF

Info

Publication number
CN107066634A
CN107066634A CN201710490217.9A CN201710490217A CN107066634A CN 107066634 A CN107066634 A CN 107066634A CN 201710490217 A CN201710490217 A CN 201710490217A CN 107066634 A CN107066634 A CN 107066634A
Authority
CN
China
Prior art keywords
resource
explanation
dik
cost
storage
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
Application number
CN201710490217.9A
Other languages
English (en)
Inventor
段玉聪
邵礼旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan University
Original Assignee
Hainan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hainan University filed Critical Hainan University
Priority to CN201710490217.9A priority Critical patent/CN107066634A/zh
Publication of CN107066634A publication Critical patent/CN107066634A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9027—Trees

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明是一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法，并给出了资源形态包括数据、信息和知识等的解释和数据图谱、信息图谱和知识图谱的概念表示,属于分布式计算和软件工程学技术交叉领域。从应对自动增量式结合经验知识和减少人工专家交互负担等两个方面考虑，仅仅从资源类型上无法判断资源应在哪一层图谱上进行存储，本发明通过存储代价和用户投入计算来合理分配不同类型资源的存储架构，降低存储代价，合理组织的资源存储架构同时有利于资源查找效率的提升。

Description

一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源 存储效率优化方法
技术领域
本发明是一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法，将以数据、信息和知识等形态的资源根据存储代价确定应在哪一层图谱存储架构上进行存储。主要用于通过数据图谱、信息图谱和知识图谱对以数据、信息和知识形态出现的资源进行建模和存储，属于分布式计算和软件工程学技术交叉领域。
背景技术
随着全球信息化的快速发展，互联网上资源量急剧增长。对资源的不合理组织和存储导致用户检索效率下降。传统的搜索引擎技术根据用户的查询要求快速检索和排序网页资源，对于搜索引擎反馈的大量资源需要用户进行人工排查和筛选，难以满足用户全面掌控资源的需求。现有的技术包括基于机器学习的方法和基于本体的方法为应对这一挑战做出了许多贡献，然而，基于机器学习的方法缺乏有效的机制来明确地将经验知识与训练模型结合在一起，基于本体的方法受到人类专家方面沉重负担的限制。
知识图谱容纳资源规模较大，涵盖的知识领域广泛，并且能为用户提供智能搜索和问答服务。基于知识图谱的搜索侧重于图结构的逻辑推理计算，基于语义网三元组进行推理补充资源信息，实现Web从网页链接向概念链接的转变，支持用户按照语句进行检索，以图形化的方式向用户反馈结构化知识，准确定位用户所需资源，使用户从人工过滤网页寻找答案的模式中解脱出来。
一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法的关键技术在于对在不同层次图谱上存储资源时存储代价的计算。通过衡量资源规模以及资源转换代价计算存储代价，根据用户投入对资源进行合理组织和存储。
发明内容
技术问题：本发明的目的是提供一种对数据(DataDIK)、信息(InformationDIK)和知识(KnowledgeDIK)等形态的资源的原始表述的自然语言的机器理解、自动处理、自动综合和自动分析方法，用于解决对不同类型、不同规模资源的高效组织和存储，以便提高在图谱上的存储效率。
技术方案：本发明是一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法，从应对自动增量式结合经验知识和减少人工专家交互负担等两个方面考虑，从资源建模、资源处理、处理优化和资源管理等角度进行研究，基于对现有知识图谱（Knowledge Graph）概念的拓展提出了一种三层可自动抽象调整的解决架构。这个架构包括：数据图谱（DataGraphDIK）、信息图谱（InformationGraphDIK）和知识图谱（KnowledgeGraphDIK）等三个层面。基于不同层次的图谱架构存储不同类型的资源，提高资源存储效率。
体系结构
图1给出了投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法的流程示意，获取到用户的资源查找需求后，计算在不同图谱层次上存储的代价，将资源存储方案按存储代价由高到底进行排序，提示用户选择存储方案，计算对应存储方案需要的用户投入量。表1所示为对DataDIK、IntormationDIK和KnowledgeDIK等形态的资源以及对应图谱层次的介绍。表2所示为分别在DataGraphDIK、InformationGraphDIK和KnoweldgeGraphDIK上存储DataDIK、IntormationDIK和KnowledgeDIK等资源的代价。
下面我们给出DataGraphDIK,InformationGraphDIK和KnowledgeGraphDIK的具体说明。
我们定义DataGraphDIK 为：DataGraphDIK:= collection{array, list, stack,queue, tree, graph}. DataGraphDIK是各种数据结构包括数组（array）、链表（list）、栈（stack）、队列（queue）、树（tree）和图（graph）等的集合（collection）。DataGraphDIK只能对图谱上表示的DataDIK进行静态分析，无法分析和预测DataDIK的动态变化。
我们定义InformationGraphDIK为：InformationGraphDIK:= combination{relatedDataDIK}。InformationGraphDIK是相互关联的DataDIK（relatedDataDIK）的组合（combination），InformationDIK是通过DataDIK和DataDIK组合之后的上下文传达的，经过概念映射和相关关系组合之后的适合分析和解释的信息。在InformationGraphDIK上进行数据清洗，消除冗余数据，根据结点之间的交互度进行初步抽象，将交互频繁的结点集成到同一模块中,从而提高模块设计的内聚性。
我们定义KnowledgeGraphDIK为：KnowledgeGraphDIK := collection{statisticrules}。KnowledgeGraphDIK实质是语义网络和由InformationDIK总结出的统计规则（statistic rules）的集合（collection）。KnowledgeGraphDIK蕴含丰富的语义关系，在KnowledgeGraphDIK上能通过信息推理和实体链接提高KnowledgeGraphDIK的边密度和结点密度，KnowledgeGraphDIK的无结构特性使得其自身可以无缝链接。信息推理需要有相关关系规则的支持，这些规则可以由人手动构建，但往往耗时费力，得到复杂关系中的所有推理规则更加困难。使用路径排序算法将每个不同的关系路径作为一维特征，通过在KnowledgeGraphDIK中构建大量的关系路径来构建关系分类的特征向量和关系分类器来提取关系。
表1.资源类型的渐进形式
表2. 资源分层存储效率
标注：scale: 资源规模 scaleA: 抽象后的资源规模scaleR:推理后的资源代价AbstractingCost: 抽象代价 ReasoningCost：推理代价
O(scale)表示存储代价与资源规模成正比
有益效果：
本发明提出了一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法，主要用于解决对于以DataDIK，InformaitionDIK和KnowledgeDIK形态存在的资源存储问题。通过使用本发明提出的方法可以实现对不同类型资源的合理组织和存储，从而提高在资源存储框架上对资源的查找效率。该方法具有如下优点：
1）对资源类型的划分；
将资源划分为DataDIK、InformationDIK和KnowledgeDIK,便于挖掘资源之间的联系，从DataDIK经过抽象得到InformationDIK、KnowledgeDIK，从KnowledgeDIK进行推理得到DataDIK、InformationDIK；
2）允许跨层存储资源
仅仅通过资源类型无法判断出资源应存储在哪一类图谱上，本发明提出资源存储代价的计算，根据存储代价确定资源的存储位置；
3）用户投入和存储代价驱动
投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法，提出通过参数化存储过程计算在不同图谱上存储资源的代价，根据用户投入，确定目标资源存储框架。
附图说明
图1是一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法体系结构流程图。
具体实施方式
一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法，其特征在于对以DataDIK，InformaitionDIK和KnowledgeDIK形态存在的资源根据存储代价和用户投入进行合理的组织和存储，仅仅通过资源类型无法判断资源应存储在哪一层图谱上，具体实施方式为：
步骤1）对应于图1中操作001，获取用户待存储资源，002识别资源类型和003计算资源规模（scale(ResourceDIK)），其中资源类型包括DataDIK、InformationDIK和KnowledgeDIK，资源规模表示资源在图谱上进行存储时的结点数量和边的数量；
步骤2）对应于图1中操作004根据公式1和公式2计算在不同图谱上存储资源所要花费的代价（StoreCost）：
（1）
（2）
其中当λ等于0时，表示直接在资源对应层次上进行存储时所要花费的代价，当λ=1时，表示资源转换成其他类型资源并进行存储的代价，ConversingCost表示资源类型转换的代价，scale(Resouececon)表示转换后的资源规模，α和β分别表示资源转换的代价和转换后资源的规模占总存储代价的权重，均可通过数据训练得出。当κ=1时，ConversingCost等于由DataDIK、InformationDIK和KnowledgeDIK按升序进行抽象的代价，当κ=0时表示由DataDIK、InformationDIK和KnowledgeDIK按降序进行推理的代价；
步骤3）根据步骤2得到的存储代价，对应于图1中操作005比较在不同图谱上存储资源所要花费的代价；
步骤4）对应于图1中操作006，提示用户选择存储方案；
步骤5）对应于图1中操作007，根据公式3计算用户选择方案的所需投入量（Inve）：
（3）
其中StoreCostmax表示资源存储最高代价，StoreCostgoal表示用户选择的资源存储方案对应的存储代价，χ表示单位存储代价投入系数，可通过数据训练得出；
步骤6）将计算得出的投入返回给用户，对应于图1中操作008询问用户是否同意增加投入。若用户同意增加投入，则009按照用户选定方案存储资源，若用户不同意，则返回步骤4提示用户重新选择资源存储方案。

Claims (1)

1.一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法，其特征在于将以数据（DataDIK）、信息（InformationDIK）和知识（KnowledgeDIK）等形态存在的资源(ResourceDIK)根据存储代价在数据图谱（DataGraphDIK）、信息图谱（InformationGraphDIK）和知识图谱（KnowledgeGraphDIK）上的进行存储，对资源的合理组织、建模和存储能够提高在存储资源架构上的搜索效率，具体实现步骤为：
步骤1）识别资源类型和资源规模（scale(ResourceDIK)），其中资源类型包括DataDIK、InformationDIK和KnowledgeDIK，资源规模表示资源在图谱上进行存储时的结点数量和边的数量；
步骤2）根据公式1和公式2计算在不同图谱上存储资源所要花费的代价（StoreCost）：
说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: <math display = 'block'> <mrow> <mi>StoreCost</mi> <mo>=</mo> <mi>&amp;lambda;</mi> <mo>&amp;lowast;</mo> <mi>scale</mi> <mo stretchy='false'>(</mo> <msub> <mi>Resource</mi> <mi>DIK</mi> </msub> <mo stretchy='false'>)</mo> <mo>+</mo> <mo stretchy='false'>(</mo> <mn>1</mn> <mo>&amp;minus;</mo> <mi>&amp;lambda;</mi> <mo stretchy='false'>)</mo> <mo>&amp;lowast;</mo> <mo stretchy='false'>[</mo> <mi>&amp;alpha;</mi> <mi>ConversingCost</mi> <mo>+</mo> <mi>&amp;beta;</mi> <mi>scale</mi> <mo stretchy='false'>(</mo> <msub> <mi>Resource</mi> <mi>DIK</mi> </msub> <mo stretchy='false'>)</mo> <mo stretchy='false'>]</mo> <mo>,</mo> <mi>&amp;lambda;</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> </mrow> </math>（1）
说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: 说明: <math display = 'block'> <mrow> <mi>ConversingCost</mi> <mo>=</mo> <mi>&amp;kappa;</mi> <msub> <mi>Abstracting</mi> <mi>cost</mi> </msub> <mo>+</mo> <mo stretchy='false'>(</mo> <mn>1</mn> <mo>&amp;minus;</mo> <mi>&amp;kappa;</mi> <mo stretchy='false'>)</mo> <msub> <mi>Reasoning</mi> <mi>cost</mi> </msub> <mo>,</mo> <mi>&amp;kappa;</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> </mrow> </math>（2）
其中当λ等于0时，表示直接在资源对应层次上进行存储时所要花费的代价，当λ=1时，表示资源转换成其他类型资源并进行存储的代价，ConversingCost表示资源类型转换的代价，scale(Resouececon)表示转换后的资源规模，α和β分别表示资源转换的代价和转换后资源的规模占总存储代价的权重，均可通过数据训练得出；
当κ=1时，ConversingCost等于由DataDIK、InformationDIK和KnowledgeDIK按升序进行抽象的代价，当κ=0时表示由DataDIK、InformationDIK和KnowledgeDIK按降序进行推理的代价；
步骤3）根据步骤2得到的存储代价，比较资源在不同图谱上进行存储的代价；
步骤4）提示用户选择存储方案；
步骤5）根据公式3计算用户选择方案的所需投入量（Inve）：
（3）
其中StoreCostmax表示资源存储最高代价，StoreCostgoal表示用户选择的资源存储方案对应的存储代价，χ表示单位存储代价投入系数，可通过数据训练得出；
步骤6）将计算得出的投入返回给用户，若用户同意增加投入，则按照用户选定方案存储资源，若用户不同意，则返回步骤4提示用户重新选择资源存储方案。
CN201710490217.9A 2017-06-25 2017-06-25 一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法 Pending CN107066634A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710490217.9A CN107066634A (zh) 2017-06-25 2017-06-25 一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710490217.9A CN107066634A (zh) 2017-06-25 2017-06-25 一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法

Publications (1)

Publication Number Publication Date
CN107066634A true CN107066634A (zh) 2017-08-18

Family

ID=59613487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710490217.9A Pending CN107066634A (zh) 2017-06-25 2017-06-25 一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法

Country Status (1)

Country Link
CN (1) CN107066634A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107332721A (zh) * 2017-08-27 2017-11-07 海南大学 面向类型化资源的物联网资源采集传输优化***
CN107360044A (zh) * 2017-08-29 2017-11-17 海南大学 面向类型化资源的价值导向的处理优化***
CN107734000A (zh) * 2017-09-23 2018-02-23 海南大学 面向类型化资源的价值导向的存储与计算一体化优化***
CN108429748A (zh) * 2018-03-09 2018-08-21 海南大学 投入驱动的物联网资源安全保护方法
CN108804945A (zh) * 2018-06-09 2018-11-13 海南大学 基于数据图谱，信息图谱和知识图谱的信息隐私保护方法
CN108804950A (zh) * 2018-06-09 2018-11-13 海南大学 基于数据图谱，信息图谱和知识图谱的建模与数据隐私保护方法
CN108875414A (zh) * 2018-06-09 2018-11-23 海南大学 基于数据图谱，信息图谱和知识图谱的建模与数据安全保护方法
CN109344649A (zh) * 2018-09-23 2019-02-15 海南大学 类型化资源的交互代价驱动安全保护方法
CN110413795A (zh) * 2019-06-21 2019-11-05 厦门美域中央信息科技有限公司 一种数据驱动的专业知识图谱构建方法
CN112966924A (zh) * 2021-03-02 2021-06-15 杭州全视软件有限公司 一种基于风险图谱的数据治理***及方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107332721A (zh) * 2017-08-27 2017-11-07 海南大学 面向类型化资源的物联网资源采集传输优化***
CN107360044A (zh) * 2017-08-29 2017-11-17 海南大学 面向类型化资源的价值导向的处理优化***
CN107734000A (zh) * 2017-09-23 2018-02-23 海南大学 面向类型化资源的价值导向的存储与计算一体化优化***
CN107734000B (zh) * 2017-09-23 2019-10-11 海南大学 面向类型化资源的价值导向的存储与计算一体化优化***
CN108429748A (zh) * 2018-03-09 2018-08-21 海南大学 投入驱动的物联网资源安全保护方法
CN108429748B (zh) * 2018-03-09 2019-07-30 海南大学 投入驱动的物联网资源安全保护方法
CN108804945A (zh) * 2018-06-09 2018-11-13 海南大学 基于数据图谱，信息图谱和知识图谱的信息隐私保护方法
CN108804950A (zh) * 2018-06-09 2018-11-13 海南大学 基于数据图谱，信息图谱和知识图谱的建模与数据隐私保护方法
CN108875414A (zh) * 2018-06-09 2018-11-23 海南大学 基于数据图谱，信息图谱和知识图谱的建模与数据安全保护方法
CN109344649A (zh) * 2018-09-23 2019-02-15 海南大学 类型化资源的交互代价驱动安全保护方法
CN110413795A (zh) * 2019-06-21 2019-11-05 厦门美域中央信息科技有限公司 一种数据驱动的专业知识图谱构建方法
CN112966924A (zh) * 2021-03-02 2021-06-15 杭州全视软件有限公司 一种基于风险图谱的数据治理***及方法

Similar Documents

Publication Publication Date Title
CN107066634A (zh) 一种投入驱动的面向数据图谱、信息图谱和知识图谱的资源存储效率优化方法
Liu et al. Modeling a contractor’s markup estimation
Duarte et al. City Induction: a model for formulating, generating, and evaluating urban designs
Lau et al. A fuzzy logic approach to forecast energy consumption change in a manufacturing system
CN107038263B (zh) 一种基于数据图谱、信息图谱和知识图谱的搜索优化方法
Digalakis et al. A multipopulation cultural algorithm for the electrical generator scheduling problem
Marston et al. The decision support problem technique: Integrating descriptive and normative approaches in decision based design
Clímaco et al. A multiple objective linear programming model for power generation expansion planning
CN107229878A (zh) 一种投入决定的安全性可定义的基于数据图谱、信息图谱和知识图谱的资源安全保护方法
CN107330129A (zh) 面向类型化资源的投入驱动的存储与计算一体化的事务处理优化方法
Han et al. Intelligent urban information systems: Review and prospects
Lorenzo et al. A model and its different applications to case-based reasoning
JP3177327B2 (ja) 計量経済モデルシミュレーションシステム
Ludwig On the sustainability of future energy systems
Wu et al. A decision support approach for two-stage multi-objective index tracking using improved lagrangian decomposition
Zhang Research on the identification model of interest conflict influencing factors in PPP projects construction of smart city
Baráth et al. A regional planning system based on artificial intelligence concepts
CN107133371A (zh) 一种投入驱动的存储与计算一体化协同调整的面向事务处理的时空效率优化方法
CN107734000A (zh) 面向类型化资源的价值导向的存储与计算一体化优化***
Chen et al. Neural networked-assisted method for the nurse rostering problem
Wright et al. Probabilistic inferencing and spatial decision support systems
Wen Research on Effect Evaluation of Physical Education Teaching Based on Artificial Intelligence Expert Decision Making System
Schuur Analysis and design in computer-aided physical planning
TEODOROVIĆ et al. The fuzzy ant system for the vehicle routing problem when demand at nodes is uncertain
Malik et al. Developing solution algorithm for LR-type fully interval-valued intuitionistic fuzzy linear programming problems using lexicographic-ranking method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170818