CN108509563A - 基于知识图谱的机器人推理联想方法、装置、设备及介质 - Google Patents
基于知识图谱的机器人推理联想方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN108509563A CN108509563A CN201810246640.9A CN201810246640A CN108509563A CN 108509563 A CN108509563 A CN 108509563A CN 201810246640 A CN201810246640 A CN 201810246640A CN 108509563 A CN108509563 A CN 108509563A
- Authority
- CN
- China
- Prior art keywords
- entity
- reasoning
- robot
- target entity
- illustrative plates
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于智能机器人技术领域,提供了一种基于知识图谱的机器人推理联想方法、装置、设备及介质。该方法包括获取待处理实体,在知识图谱中,识别待处理实体对应的目标实体,确定目标实体的可达关系,进行反馈。本发明基于知识图谱的机器人推理联想方法、装置、设备及介质,能够快捷、有效地实现机器人的推理与联想能力。
Description
技术领域
本发明涉及智能机器人技术领域,具体涉及一种基于知识图谱的机器人推理联想方法、装置、设备及介质。
背景技术
目前,现有的智能机器人产品、已经发表的智能机器人研究成果等,均未单独涉及或重视智能机器人的联想推理能力,关于机器人的联想推理能力的研究成果稍显不足。
现有的智能机器人产品多是绕过对智能机器人联想推理能力的研发,而通过配置、设置规则等方式,使得智能机器人“看起来”有联想推理能力。
如何实现机器人的推理与联想能力,是本领域技术人员亟需解决的问题。
发明内容
针对现有技术中的缺陷,本发明提供了一种基于知识图谱的机器人推理联想方法、装置、设备及介质,能够实现机器人的推理与联想能力。
第一方面,本发明提供一种基于知识图谱的机器人推理联想方法,该方法包括:获取待处理实体;
在知识图谱中,识别待处理实体对应的目标实体;
确定所述目标实体的可达关系,进行反馈。
进一步地,在知识图谱中,识别待处理实体对应的目标实体,包括:
对所述待处理实体进行泛化操作,生成泛化结果;
在知识图谱中,根据所述泛化结果,识别出与所述处理实体对应的目标实体。
基于上述任意基于知识图谱的机器人推理联想方法实施例,进一步地,获取待处理实体,包括:获取至少两个实体;
确定所述目标实体的可达关系,进行反馈,包括:
在知识图谱中,将每个目标实体分别作为起始点,确定指定跳跃次数的可达关系,生成推理结果,进行反馈。
进一步地,确定指定跳跃次数的可达关系之后,生成推理结果之前,该方法还包括:
根据语法规则,将所述指定跳跃次数的可达关系转换为自然语言;
生成推理结果,包括:
将转换后的自然语言作为推理结果。
基于上述任意基于知识图谱的机器人推理联想方法实施例,进一步地,确定所述目标实体的可达关系,进行反馈,包括:
在知识图谱中,确定所述目标实体所对应的子图,所述目标实体为一个实体;
根据所述目标实体所对应的子图,确定目标实体的可达关系;
根据目标实体的可达关系,生成联想结果,进行反馈。
进一步地,确定目标实体的可达关系之后,生成联想结果之前,该方法还包括:
计算每条可达关系与对应子图的分数,分数是表征可达关系与对应子图之间有效性程度的数值;
根据计算的分数,筛选指定的可达关系;
根据语法规则,将筛选出的可达关系转换为自然语言;
生成联想结果,包括:
将转换后的自然语言作为联想结果。
进一步地,识别待处理实体对应的目标实体之后,确定目标实体的可达关系之前,该方法还包括:
确定提供子图的知识图谱;
根据预获取的修正信息,对提供子图的知识图谱进行更新。
由上述技术方案可知,本实施例提供的基于知识图谱的机器人推理联想方法,能够通过知识图谱,确定与待处理实体对应的目标实体,进而获取目标实体可达关系,实现机器人的推理与联想能力。
第二方面,本发明提供一种基于知识图谱的机器人推理联想装置,该装置包括:获取单元、识别单元和反馈单元,获取单元用于获取待处理实体;识别单元用于在知识图谱中,识别待处理实体对应的目标实体;反馈单元用于确定所述目标实体的可达关系,进行反馈。
由上述技术方案可知,本实施例提供的基于知识图谱的机器人推理联想装置,能够通过知识图谱,确定与待处理实体对应的目标实体,进而获取目标实体可达关系,实现机器人的推理与联想能力。
第三方面,本发明提供一种基于知识图谱的机器人推理联想设备,该设备包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现上述基于知识图谱的机器人推理联想方法。
本实施例提供的基于知识图谱的机器人推理联想设备,与上述基于知识图谱的机器人推理联想方法出于相同的发明构思,具有相同的有益效果。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现上述基于知识图谱的机器人推理联想方法。
本实施例提供的计算机可读存储介质,与上述基于知识图谱的机器人推理联想方法出于相同的发明构思,具有相同的有益效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明所提供的一种基于知识图谱的机器人推理联想方法的方法流程图;
图2示出了本发明所提供的一种基于知识图谱的机器人推理联想装置的连接示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
第一方面,本发明实施例提供一种基于知识图谱的机器人推理联想方法,结合图1,该方法包括:
步骤S1,获取待处理实体。
步骤S2,在知识图谱中,识别待处理实体对应的目标实体,知识图谱是预先构建的。
步骤S3,确定目标实体的可达关系,进行反馈。其中,可达关系是指在知识图谱中,任意两个实体之间的关联关系。
由上述技术方案可知,本实施例提供的基于知识图谱的机器人推理联想方法,能够通过知识图谱,确定与待处理实体对应的目标实体,进而获取目标实体可达关系,实现机器人的推理与联想能力。
为了进一步提高本实施例基于知识图谱的机器人推理联想方法的准确性,在实体识别方面,在知识图谱中,识别待处理实体对应的目标实体时,具体实现过程如下:
对待处理实体进行泛化操作,生成泛化结果。
在知识图谱中,根据泛化结果,识别出与处理实体对应的目标实体。若用户输入的实体名字与知识图谱中的实体名字不一致,但是含义一致,如周杰伦和Jay,因此需要进行实体的泛化、对应操作。
在此,本实施例基于知识图谱的机器人推理联想方法,通过泛化、对应操作,在知识图谱中,确定与待处理实体对应的目标实体,提高实体识别效率。
针对机器人的推理能力,本实施例基于知识图谱的机器人推理联想方法的具体实现过程如下:
获取至少两个实体。在此,待处理的实体个数可以是两个或两个以上。
在知识图谱中,识别每个实体分别对应的目标实体。
在知识图谱中,将每个目标实体分别作为起始点,确定指定跳跃次数的可达关系,生成推理结果,进行反馈。其中,指定跳跃次数是根据实际业务需求设置的参数。
在此,针对待处理的两个或两个以上的实体,本实施例基于知识图谱的机器人推理联想方法能够进行推理,生成实体之间的推理结果,进行反馈。
具体地,在反馈推理结果时,本实施例基于知识图谱的机器人推理联想方法能够以自然语言的形式,进行反馈,方便用户使用,提高用户体验,具体实现过程如下:
确定指定跳跃次数的可达关系之后,生成推理结果之前,根据语法规则,将指定跳跃次数的可达关系转换为自然语言。
在生成推理结果时,将转换后的自然语言作为推理结果。
例如,用户向机器人输入“你知道周杰伦和陈奕迅的关系吗?”
第一步,机器人识别到用户输入后,识别到用户问句中的“周杰伦”和“陈奕迅”这两个实体。
第二步,将“周杰伦”和“陈奕迅”这两个实体分别与知识图谱中的“周杰伦”和“陈奕迅”泛化、对应。
第三步,以“周杰伦”和“陈奕迅”这两个实体为起始点,返回这两个实体在5跳内可达的关系,即设置N=5,具体返回的关系如下:
"周杰伦-[类型]->演员-[类型]->陈奕迅",
"周杰伦-[国籍]->中国-[国籍]->陈奕迅",
"周杰伦-[类型]->歌手-[类型]->陈奕迅",
"周杰伦-[类型]->2011福布斯中国名人-[类型]->陈奕迅",
"周杰伦-[民族]->汉族-[民族]->陈奕迅"。
在实际应用过程中,指定跳跃次数N是根据实际业务需求设置的参数。
第四步,针对返回的关系,基于语法规则,生成日常交互中使用的自然语言,并返回给用户,如本例中:周杰伦和陈奕迅都是演员兼歌手,都是中国汉族人,都入选了2011福布斯中国名人榜。
针对机器人的联想能力,本实施例基于知识图谱的机器人推理联想方法的具体实现过程如下:
在知识图谱中,确定目标实体所对应的子图,在此,目标实体为一个实体。
根据目标实体所对应的子图,确定目标实体的可达关系。
根据目标实体的可达关系,生成联想结果,进行反馈。
例如,机器人也需要对用户输入的自然语言进行实体识别、泛化与链接,将用户输入的实体与知识图谱中的实体联系起来,然后在该实体的子图中选择一条可达的关系,进行反馈输出。
在此,针对待处理的一个实体,本实施例基于知识图谱的机器人推理联想方法能够进行联想,生成该实体的联想结果,进行反馈。
具体地,在反馈推理结果时,本实施例基于知识图谱的机器人推理联想方法能够以自然语言的形式,进行反馈,方便用户使用,提高用户体验,具体实现过程如下:
确定指定跳跃次数的可达关系之后,生成联想结果之前,根据语法规则,将指定跳跃次数的可达关系转换为自然语言。
在生成联想结果时,将转换后的自然语言作为联想结果。
例如,用户向机器人输入“你觉得葡萄怎么样?”
第一步,机器人识别到用户输入后,识别到用户问句中的“葡萄”这个实体。
第二步,将“葡萄”这个实体与知识图谱中的“葡萄”泛化、对应。
第三步,提取知识图谱中“葡萄”实体对应的子图,并返回子图中一条可达的关系,在本例中返回的结果可能如下所示:
第四步,根据返回的关系,基于自然语言规则,生成返回给用户的反馈,如:葡萄作为一种有皮的水果,可以作为食材,很有营养。
为了进一步提高推理结果的准确性,本实施例基于知识图谱的机器人推理联想方法能够对可达关系进行筛选,具体实现过程如下:
确定目标实体的可达关系之后,生成联想结果之前,计算每条可达关系与对应子图的分数,分数是表征可达关系与对应子图之间有效性程度的数值,能够表示关系或子图的可信性、真实性、有效性、重要性等。
根据计算的分数,筛选指定的可达关系。
根据语法规则,将筛选出的可达关系转换为自然语言。
生成联想结果时,将转换后的自然语言作为联想结果。
在此,若返回较多的关系、较为复杂的子图时,本实施例基于知识图谱的机器人推理联想方法能够根据分数,进行筛选,确定准确性更高的关系,再作为自然语言,进行反馈。
具体地,在知识图谱更新方面,本实施例基于知识图谱的机器人推理联想方法,能够快捷、准确地对知识图谱进行更新,具体实现过程如下:
识别待处理实体对应的目标实体之后,确定目标实体的可达关系之前,确定提供子图的知识图谱。
根据预获取的修正信息,对提供子图的知识图谱进行更新。
在实际应用过程中,知识图谱中可能保存的关系有误,在与用户交流的过程中会被用户指出来,因而需要对知识图谱进行更新,返回关系和子图时候,可以同时返回关系和子图的来源,即使存在多个需要查询的知识图谱,也能够准确地获取需要更新的知识图谱。
第二方面,本发明实施例提供一种基于知识图谱的机器人推理联想装置,结合图2,该装置包括获取单元1、识别单元2和反馈单元3,获取单元1用于获取待处理实体。识别单元2用于在知识图谱中,识别待处理实体对应的目标实体。反馈单元3用于确定目标实体的可达关系,进行反馈。
由上述技术方案可知,本实施例提供的基于知识图谱的机器人推理联想装置,能够通过知识图谱,确定与待处理实体对应的目标实体,进而获取目标实体可达关系,实现机器人的推理与联想能力。
第三方面,本发明提供一种航班登机口最佳发布时刻探寻设备,该设备包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现上述基于知识图谱的机器人推理联想方法。
本实施例提供的航班登机口最佳发布时刻探寻设备,与上述基于知识图谱的机器人推理联想方法出于相同的发明构思,具有相同的有益效果。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现上述基于知识图谱的机器人推理联想方法。
本实施例提供的计算机可读存储介质,与上述基于知识图谱的机器人推理联想方法出于相同的发明构思,具有相同的有益效果。
本发明的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于知识图谱的机器人推理联想方法,其特征在于,包括:
获取待处理实体;
在知识图谱中,识别待处理实体对应的目标实体;
确定所述目标实体的可达关系,进行反馈。
2.根据权利要求1所述基于知识图谱的机器人推理联想方法,其特征在于,在知识图谱中,识别待处理实体对应的目标实体,包括:
对所述待处理实体进行泛化操作,生成泛化结果;
在知识图谱中,根据所述泛化结果,识别出与所述处理实体对应的目标实体。
3.根据权利要求1所述基于知识图谱的机器人推理联想方法,其特征在于,获取待处理实体,包括:
获取至少两个实体;
确定所述目标实体的可达关系,进行反馈,包括:
在知识图谱中,将每个目标实体分别作为起始点,确定指定跳跃次数的可达关系,生成推理结果,进行反馈。
4.根据权利要求3所述基于知识图谱的机器人推理联想方法,其特征在于,确定指定跳跃次数的可达关系之后,生成推理结果之前,该方法还包括:
根据语法规则,将所述指定跳跃次数的可达关系转换为自然语言;
生成推理结果,包括:
将转换后的自然语言作为推理结果。
5.根据权利要求1所述基于知识图谱的机器人推理联想方法,其特征在于,确定所述目标实体的可达关系,进行反馈,包括:
在知识图谱中,确定所述目标实体所对应的子图,所述目标实体为一个实体;
根据所述目标实体所对应的子图,确定目标实体的可达关系;
根据目标实体的可达关系,生成联想结果,进行反馈。
6.根据权利要求5所述基于知识图谱的机器人推理联想方法,其特征在于,确定目标实体的可达关系之后,生成联想结果之前,该方法还包括:
计算每条可达关系与对应子图的分数,分数是表征可达关系与对应子图之间有效性程度的数值;
根据计算的分数,筛选指定的可达关系;
根据语法规则,将筛选出的可达关系转换为自然语言;
生成联想结果,包括:
将转换后的自然语言作为联想结果。
7.根据权利要求5所述基于知识图谱的机器人推理联想方法,其特征在于,识别待处理实体对应的目标实体之后,确定目标实体的可达关系之前,该方法还包括:
确定提供子图的知识图谱;
根据预获取的修正信息,对提供子图的知识图谱进行更新。
8.一种基于知识图谱的机器人推理联想装置,其特征在于,包括:
获取单元,用于获取待处理实体;
识别单元,用于在知识图谱中,识别待处理实体对应的目标实体;
反馈单元,用于确定所述目标实体的可达关系,进行反馈。
9.一种基于知识图谱的机器人推理联想设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810246640.9A CN108509563A (zh) | 2018-03-23 | 2018-03-23 | 基于知识图谱的机器人推理联想方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810246640.9A CN108509563A (zh) | 2018-03-23 | 2018-03-23 | 基于知识图谱的机器人推理联想方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108509563A true CN108509563A (zh) | 2018-09-07 |
Family
ID=63378446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810246640.9A Pending CN108509563A (zh) | 2018-03-23 | 2018-03-23 | 基于知识图谱的机器人推理联想方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108509563A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008413A (zh) * | 2019-03-14 | 2019-07-12 | 海信集团有限公司 | 一种交通出行问题查询方法和装置 |
CN110175242A (zh) * | 2019-05-31 | 2019-08-27 | 苏州狗尾草智能科技有限公司 | 基于知识图谱的人机交互联想方法、装置及介质 |
CN112036569A (zh) * | 2020-07-30 | 2020-12-04 | 第四范式(北京)技术有限公司 | 知识内容的标注方法、装置、计算机装置和可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030135606A1 (en) * | 2002-01-14 | 2003-07-17 | Goodwin James Patrick | System and method for implementing a metrics engine for tracking relationships over time |
CN105095195A (zh) * | 2015-07-03 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 基于知识图谱的人机问答方法和*** |
CN105843875A (zh) * | 2016-03-18 | 2016-08-10 | 北京光年无限科技有限公司 | 一种面向智能机器人的问答数据处理方法及装置 |
CN105931638A (zh) * | 2016-04-26 | 2016-09-07 | 北京光年无限科技有限公司 | 面向智能机器人的对话***数据处理方法及装置 |
CN106997399A (zh) * | 2017-05-24 | 2017-08-01 | 海南大学 | 一种基于数据图谱、信息图谱、知识图谱和智慧图谱关联架构的分类问答***设计方法 |
CN107358315A (zh) * | 2017-06-26 | 2017-11-17 | 深圳市金立通信设备有限公司 | 一种信息预测方法及终端 |
CN107391677A (zh) * | 2017-07-21 | 2017-11-24 | 深圳狗尾草智能科技有限公司 | 携带实体关系属性的中文通用知识图谱的生成方法及装置 |
-
2018
- 2018-03-23 CN CN201810246640.9A patent/CN108509563A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030135606A1 (en) * | 2002-01-14 | 2003-07-17 | Goodwin James Patrick | System and method for implementing a metrics engine for tracking relationships over time |
CN105095195A (zh) * | 2015-07-03 | 2015-11-25 | 北京京东尚科信息技术有限公司 | 基于知识图谱的人机问答方法和*** |
CN105843875A (zh) * | 2016-03-18 | 2016-08-10 | 北京光年无限科技有限公司 | 一种面向智能机器人的问答数据处理方法及装置 |
CN105931638A (zh) * | 2016-04-26 | 2016-09-07 | 北京光年无限科技有限公司 | 面向智能机器人的对话***数据处理方法及装置 |
CN106997399A (zh) * | 2017-05-24 | 2017-08-01 | 海南大学 | 一种基于数据图谱、信息图谱、知识图谱和智慧图谱关联架构的分类问答***设计方法 |
CN107358315A (zh) * | 2017-06-26 | 2017-11-17 | 深圳市金立通信设备有限公司 | 一种信息预测方法及终端 |
CN107391677A (zh) * | 2017-07-21 | 2017-11-24 | 深圳狗尾草智能科技有限公司 | 携带实体关系属性的中文通用知识图谱的生成方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008413A (zh) * | 2019-03-14 | 2019-07-12 | 海信集团有限公司 | 一种交通出行问题查询方法和装置 |
CN110175242A (zh) * | 2019-05-31 | 2019-08-27 | 苏州狗尾草智能科技有限公司 | 基于知识图谱的人机交互联想方法、装置及介质 |
CN110175242B (zh) * | 2019-05-31 | 2024-05-17 | 嗷呜世界(深圳)网络科技有限公司 | 基于知识图谱的人机交互联想方法、装置及介质 |
CN112036569A (zh) * | 2020-07-30 | 2020-12-04 | 第四范式(北京)技术有限公司 | 知识内容的标注方法、装置、计算机装置和可读存储介质 |
CN112036569B (zh) * | 2020-07-30 | 2021-07-23 | 第四范式(北京)技术有限公司 | 知识内容的标注方法、装置、计算机装置和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ignatiev et al. | A SAT-based approach to learn explainable decision sets | |
Montajabiha | An extended PROMETHE II multi-criteria group decision making technique based on intuitionistic fuzzy logic for sustainable energy planning | |
CN113590776B (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
DeWitt et al. | The effects of prior knowledge on the encoding of episodic contextual details | |
US20150235131A1 (en) | Question resolution processing in deep question answering systems | |
CN103778471A (zh) | 提供信息差距的指示的问答*** | |
CN108509563A (zh) | 基于知识图谱的机器人推理联想方法、装置、设备及介质 | |
CN107038158A (zh) | 对译语料库制作方法、装置、程序以及机器翻译*** | |
US20180113888A1 (en) | Apparatus program & method for data property recognition | |
Li et al. | Multi-modal multi-instance learning using weakly correlated histopathological images and tabular clinical information | |
CN107368542A (zh) | 一种涉密数据的涉密等级评定方法 | |
CN106777957A (zh) | 不平衡数据集上生物医学多参事件抽取的新方法 | |
EP3407209A1 (en) | Apparatus and method for extracting and storing events from a plurality of heterogeneous sources | |
CN110162637B (zh) | 信息图谱构建方法、装置及设备 | |
CN114201616A (zh) | 一种基于多源数据库的知识图谱构建方法及*** | |
CN110110035A (zh) | 数据处理方法和装置以及计算机可读存储介质 | |
Bouchiha et al. | Semantic Annotation of Web Services. | |
CN115982391B (zh) | 信息处理方法及装置 | |
Li et al. | Extracting financial data from unstructured sources: Leveraging large language models | |
Robinson et al. | Bio-sieve: Exploring instruction tuning large language models for systematic review automation | |
US20180336242A1 (en) | Apparatus and method for generating a multiple-event pattern query | |
Kim et al. | Empirical analysis of a segmentation foundation model in prostate imaging | |
Amato et al. | An Intelligent Conversational Agent for the Legal Domain | |
CN106547736A (zh) | 基于人工智能的文本信息术语重要度生成方法以及装置 | |
US20190236462A1 (en) | System and method for predicting future news coverage |
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 | ||
CB02 | Change of applicant information |
Address after: Room 301, Building 39, 239 Renmin Road, Gusu District, Suzhou City, Jiangsu Province, 215000 Applicant after: SHENZHEN GOWILD ROBOTICS Co.,Ltd. Address before: 518000 Dongfang Science and Technology Building 1307-09, 16 Keyuan Road, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN GOWILD ROBOTICS Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180907 |
|
RJ01 | Rejection of invention patent application after publication |