CN109885700A - 一种基于工业知识图谱的非结构化数据分析方法 - Google Patents
一种基于工业知识图谱的非结构化数据分析方法 Download PDFInfo
- Publication number
- CN109885700A CN109885700A CN201910139921.9A CN201910139921A CN109885700A CN 109885700 A CN109885700 A CN 109885700A CN 201910139921 A CN201910139921 A CN 201910139921A CN 109885700 A CN109885700 A CN 109885700A
- Authority
- CN
- China
- Prior art keywords
- node
- sequence
- connection
- degree
- associated nodes
- 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.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于工业知识图谱的非结构化数据分析方法,本方法获取工业知识图谱,工业知识图谱包括节点和边,每个节点代表现实世界中存在的一个工业实体,每条边代表工业实体和工业实体之间的关系;确定工业知识图谱中每个节点的度和关联节点;根据每个节点的度确定关联节点的关联概率;根据关联概率确定每个节点的融合信息。本发明先确定工业知识图谱中每个节点的度和关联节点,再根据每个节点的度确定关联节点的关联概率,进而根据关联概率确定每个节点的融合信息,实现了对工业知识图谱进行非结构化的数据分析。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于工业知识图谱的非结构化数据分析方法。
背景技术
互联网已经逐步从文档万维网(Web of Document)转变为数据万维网(Web ofData)。知识图谱(Knowledge Graph)可以看成是一张巨大的图,图中的节点表示实体或概念,而图中的边则构成关系。在知识图谱中,每个实体和概念都使用一个全局唯一的确定ID来标识,这个ID对应目标的标识符(identifier)。
知识图谱本质上是语义网络,是一种基于图的数据结构,是一张由知识点相互连接而成的语义网络。任何一种网络都是由节点(Point)和边(Edge)构成,知识图谱技术就是把所有不同种类的信息连接在一起而得到的一个关系网络,存储在图数据库中,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”,当大量知识图谱经整合并按知识体系分类组织后形成知识库。
近年来工业界通过自动提取互联网信息的方式构建了一些知识库,知识图谱是一种实现机器智能的基础手段,相比于传统知识库的一个优势是能够执行更精确智能的检索。
如何基于工业知识图谱进行非结构化的数据分析成为工业界的关注重点。
发明内容
为解决上述问题,本申请实施例提出了一种基于工业知识图谱的非结构化数据分析方法。
为了达到上述目的,本发明采用的主要技术方案包括:
一种基于工业知识图谱的非结构化数据分析方法,所述方法包括:
S101,获取工业知识图谱,所述工业知识图谱包括节点和边,每个节点代表现实世界中存在的一个工业实体,每条边代表工业实体和工业实体之间的关系;
S102,确定工业知识图谱中每个节点的度和关联节点;
S103,根据每个节点的度确定关联节点的关联概率;
S104,根据关联概率确定每个节点的融合信息。
可选地,S102中确定工业知识图谱中每个节点的关联节点的步骤包括:
对于任一节点i,
S201,确定与所述任一节点i连通的节点j;
S202,确定每个连通节点j与所述任一节点i之间的节点数量;
S203,计算每个连通节点j的关联度;
S204,根据各连通节点j的关联度确定关联节点。
可选地,工业实体具有等级属性;
所述S203包括:
对于任一连通节点j,其关联度
其中,mj为所述任一连通节点j所代表的工业实体的等级,Di为所述任一节点i的度,nij为所述任一连通节点j与所述任一节点i之间的节点数量。
可选地,所述S204包括:
S204-1,按各连通节点的关联度从小到大排序,得到第一序列;
S204-2,若连通节点总数量Ni为奇数,则确定第一序列中位于的数a1,将a1确定为第一数值b1;其中,为上取整函数;
S204-3,若连通节点总数量Ni为偶数,则确定第一序列中位于的数a2,第一序列中位于的数a3,计算
S204-4,计算各连通节点的关联度与b1的偏差;
S204-5,根据所述偏差确定关联节点。
可选地,所述S204-4,包括:
对于任一连通节点j,
其中,Δj为连通节点j的关联度与b1的偏差。
可选地,所述S204-5包括:
S204-5-1,按Δj从大到小选择个连通节点,形成第二序列;
S204-5-2,在第二序列中任选1个连通节点,将选择的连通节点放入第三序列中,在第二序列中删除选择的连通节点;所述第三序列初始为空序列;
S204-5-3,在第二序列中依次选择1个连通节点,若当前选择的连通节点与所述任一节点i之间存在位于第三序列中的节点,则在第二序列中删除当前选择的连通节点;若当前选择的连通节点与所述任一节点i之间的节点均不存在于第三序列中,但当前选择的连通节点为第三序列中任一节点与所述任一节点i之间的节点,则在第二序列中删除当前选择的连通节点;若当前选择的连通节点与所述任一节点i之间的节点均不存在于第三序列中,但当前选择的连通节点非第三序列中各节点与所述任一节点i之间的节点,则将当前选择的连通节点放入第三序列中,在第二序列中删除当前选择的连通节点;
S204-5-4,第三序列中所有的连通节点为关联节点。
可选地,所述S103包括:
任一节点i的任一关联节点k的关联概率
其中,α为关联系数,Sk为所述任一关联节点k的关联度。
可选地,
其中,nik为所述任一关联节点k与所述任一节点i之间的节点数量,mk为所述任一关联节点k所代表的工业实体的等级。
可选地,
其中,nik为所述任一关联节点k与所述任一节点i之间的节点数量,mk为所述任一关联节点k所代表的工业实体的等级,βi为所述任一节点i的关联节点总数量。
可选地,所述S104包括:
对于任一节点i,
S104-1,确定关联概率最大的关联节点max;
S104-2,将最大的关联节点max的节点信息确定为所述任一节点i的融合信息;或者,将最大的关联节点的节点信息以及中间节点的节点信息均确定为所述任一节点i的融合信息;
其中,中间节点为最大的关联节点max与所述任一节点i之间的所有节点。
本发明的有益效果是:先确定工业知识图谱中每个节点的度和关联节点,再根据每个节点的度确定关联节点的关联概率,进而根据关联概率确定每个节点的融合信息,实现了对工业知识图谱进行非结构化的数据分析。
附图说明
下面将参照附图描述本申请的具体实施例,其中:
图1示出了本申请一实施例提供的一种基于工业知识图谱的非结构化数据分析方法流程示意图;
图2示出了本申请一实施例提供的一种工业知识图谱结构示意图。
具体实施方式
近年来工业界通过自动提取互联网信息的方式构建了一些知识库,知识图谱是一种实现机器智能的基础手段,相比于传统知识库的一个优势是能够执行更精确智能的检索。但如何基于工业知识图谱进行非结构化的数据分析成为工业界的关注重点。
基于此,本发明提供一种方法先确定工业知识图谱中每个节点的度和关联节点,再根据每个节点的度确定关联节点的关联概率,进而根据关联概率确定每个节点的融合信息,实现了对工业知识图谱进行非结构化的数据分析。
参见图1,本实施例提供的一种基于工业知识图谱的非结构化数据分析方法实现过程如下:
S101,获取工业知识图谱。
其中,工业知识图谱包括节点和边,每个节点代表现实世界中存在的一个工业实体,每条边代表工业实体和工业实体之间的关系。
另外,工业实体具有等级属性。
以图2所示的舰船工业知识图谱为例,图2中每个圆圈为一个节点,每个节点代表现实世界中存在的一个工业实体,例如舰船对应的节点,动力装置对应的节点。图2中每条边代表工业实体和工业实体之间的关系,如舰船和常规潜艇之间的边代表舰船和常规潜艇之间的关系。
而不同的工业实体具有隶属关系,进而具有等级属性。
仍以图2为例,舰船为1级,那么驱逐舰,巡洋舰,常规潜艇,导弹艇,核潜艇,护卫舰是舰船的一级细分,因此驱逐舰,巡洋舰,常规潜艇,导弹艇,核潜艇,护卫舰均为2级,以此类推。
等级描述了工业实体的抽象程度,等级越高越抽象,其涵盖的范围越广。
S102,确定工业知识图谱中每个节点的度和关联节点。
其中,
1)确定工业知识图谱中每个节点的度的方式为:
任一节点i的度为与任一节点i相关联的边的数量。即连接该任一节点i与其他节点的边的数量。
2)确定工业知识图谱中每个节点的关联节点的方式为:
对于任一节点i,
S201,确定与任一节点i连通的节点j。
此处的连通节点是能够通过边到达任一节点i的节点。
能够到达即可,不需要直接到达。
以图2为例,如果任一节点i为舰船对应的节点,则护卫舰对应的节点能够直接到达舰船对应的节点为连通节点。操纵***对应的节点虽然不能直接到达舰船对应的节点,但是通过常规潜艇对应的节点可以间接到达舰船对应的节点,因此操纵***对应的节点也为连通节点。
S202,确定每个连通节点j与任一节点i之间的节点数量。
以图2为例,如果任一节点i为舰船对应的节点,则护卫舰对应的节点与舰船对应的节点之间没有节点,因此护卫舰对应的节点与舰船对应的节点之间的节点数量为0。操纵***对应的节点与舰船对应的节点直接之间有常规潜艇对应的节点,因此操纵***对应的节点与舰船对应的节点之间的节点数量为1。
S203,计算每个连通节点j的关联度。
其中,对于任一连通节点j,其关联度
其中,mj为任一连通节点j所代表的工业实体的等级,Di为任一节点i的度,nij为任一连通节点j与任一节点i之间的节点数量。
如图2所示,护卫舰对应的节点与舰船对应的节点之间的节点数量为0,护卫舰的等级为2,舰船对应的节点的度为6,则护卫舰对应的节点的关联度为(0+1)/(2*6)=1/12。
关联度在计算时,考虑了任一连通节点j所代表的工业实体的等级,任一节点i的度,任一连通节点j与任一节点i之间的节点数量。任一连通节点j所代表的工业实体的等级描述了任一连通节点j本身在工业中的范围大小,范围越大,说明涵盖的东西越多,说明该连通节点越重要。任一连通节点j与任一节点i之间的节点数量描述了任一连通节点j与任一节点i之间的远近,任一连通节点j与任一节点i之间的节点数量越小,说明两个节点越近,两个节点之间越紧密。任一节点i的度反映了任一节点i的关联程度,任一节点i的度越大,说明任一节点i涉及的内容越多,关联越广泛,进而说明任一节点i对于任一连通节点j的依赖性越低。
通过任一连通节点j所代表的工业实体的等级,任一节点i的度,任一连通节点j与任一节点i之间的节点数量可以从任一连通节点j本身的重要程度,任一节点i对于任一连通节点j的依赖程度,任一节点i与任一连通节点j之间的紧密程度综合确定任一连通节点j的关联度,可以保证关联度能够准确反应任一节点i与任一连通节点j之间的关联程度。
S204,根据各连通节点j的关联度确定关联节点。
本步骤的是实现方式为:
S204-1,按各连通节点的关联度从小到大排序,得到第一序列。
S204-2,若连通节点总数量Ni为奇数,则确定第一序列中位于的数a1,将a1确定为第一数值b1。
其中,为上取整函数。
以Ni=3为例,若第一序列为0.1,0.15,0.7,则第一序列中位于第2位的数为0.15,b1=a1=0.15。
S204-3,若连通节点总数量Ni为偶数,则确定第一序列中位于的数a2,第一序列中位于的数a3,计算
以Ni=4为例,若第一序列为0.1,0.15,0.7,0.71,则第一序列中位于第2位的数为0.15=a2,第一序列中位于第3位的数为0.7=a3,
S204-4,计算各连通节点的关联度与b1的偏差。
对于任一连通节点j,
其中,Δj为连通节点j的关联度与b1的偏差。
S204-5,根据偏差确定关联节点。
S204-5的实现方式为:
S204-5-1,按Δj从大到小选择个连通节点,形成第二序列。
S204-5-2,在第二序列中任选1个连通节点,将选择的连通节点放入第三序列中,在第二序列中删除选择的连通节点。
其中,第三序列初始为空序列。
S204-5-3,在第二序列中依次选择1个连通节点,若当前选择的连通节点与任一节点i之间存在位于第三序列中的节点,则在第二序列中删除当前选择的连通节点;若当前选择的连通节点与任一节点i之间的节点均不存在于第三序列中,但当前选择的连通节点为第三序列中任一节点与任一节点i之间的节点,则在第二序列中删除当前选择的连通节点;若当前选择的连通节点与任一节点i之间的节点均不存在于第三序列中,但当前选择的连通节点非第三序列中各节点与任一节点i之间的节点,则将当前选择的连通节点放入第三序列中,在第二序列中删除当前选择的连通节点。
对于任意一个节点A,节点A与任一节点i之间存在节点B,如果节点B位于第三序列中,则在第二序列中删除节点A。如果节点B不在第三序列中,但是,节点A是第三序列中的节点C与任一节点i之间的节点,则在第二序列中删除节点A。如果节点B不在第三序列中,并且,第三序列中哪个节点与任一节点i之间的节点都非节点A,则在第二序列中删除节点A。
S204-5-3执行后,第二序列为空序列,原第二序列中的连通节点,位于同一链上,仅与任一节点i最远(即之间存在的节点最多)的连通节点进入第三序列中。保证了第三序列中的连通节点与任一节点i位于不同链上,且均为该链上距离任一节点i最远的连通节点。
S204-5-4,第三序列中所有的连通节点为关联节点。
关联节点也是连通节点,是一种特殊的连通节点,即第三序列中的连通节点。第三序列中的连通节点与任一节点i位于不同链上,且均为该链上距离任一节点i最远的连通节点。因此关联节点是与任一节点i位于不同链上,且均为该链上距离任一节点i最远的连通节点。既保证了管连接点的全面性,也保证了关联节点最远性,进而保证了最终融合信息的全面性。
S103,根据每个节点的度确定关联节点的关联概率。
任一节点i的任一关联节点k的关联概率
其中,α为关联系数,Sk为任一关联节点k的关联度。
或者,
nik为任一关联节点k与任一节点i之间的节点数量,mk为任一关联节点k所代表的工业实体的等级,βi为任一节点i的关联节点总数量。
S104,根据关联概率确定每个节点的融合信息。
在得到各个关联节点的关联概率之后,对于任一节点i,
S104-1,确定关联概率最大的关联节点max。
S104-2,将最大的关联节点max的节点信息确定为任一节点i的融合信息。或者,将最大的关联节点max的节点信息以及中间节点的节点信息均确定为任一节点i的融合信息。
其中,中间节点为最大的关联节点max与任一节点i之间的所有节点。
最终的融合信息是关联概率最大的关联节点相关的信息,而关联概率是通过任一关联节点k的关联度,任一关联节点k与任一节点i之间的节点数量,任一关联节点k所代表的工业实体的等级和任一节点i的关联节点总数量得到的。任一关联节点k的关联度反映了任一关联节点k的关联程度,任一关联节点k与任一节点i之间的节点数量反映了任一关联节点k与任一节点i之间的依赖度,任一关联节点k所代表的工业实体的等级反映了任一关联节点k的重要程度,任一节点i的关联节点总数量反映了任一节点i的关联程度。通过上述数据可以全面的反应关联概率,保证最终融合信息的准确性。
通过融合信息可以得知对应的节点潜在关系,方便后续的数据分析及运用。
本发明提供的方法,先确定工业知识图谱中每个节点的度和关联节点,再根据每个节点的度确定关联节点的关联概率,进而根据关联概率确定每个节点的融合信息,实现了对工业知识图谱进行非结构化的数据分析。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述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:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,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。
Claims (10)
1.一种基于工业知识图谱的非结构化数据分析方法,其特征在于,所述方法包括:
S101,获取工业知识图谱,所述工业知识图谱包括节点和边,每个节点代表现实世界中存在的一个工业实体,每条边代表工业实体和工业实体之间的关系;
S102,确定工业知识图谱中每个节点的度和关联节点;
S103,根据每个节点的度确定关联节点的关联概率;
S104,根据关联概率确定每个节点的融合信息。
2.根据权利要求1所述的方法,其特征在于,S102中确定工业知识图谱中每个节点的关联节点的步骤包括:
对于任一节点i,
S201,确定与所述任一节点i连通的节点j;
S202,确定每个连通节点j与所述任一节点i之间的节点数量;
S203,计算每个连通节点j的关联度;
S204,根据各连通节点j的关联度确定关联节点。
3.根据权利要求2所述的方法,其特征在于,工业实体具有等级属性;
所述S203包括:
对于任一连通节点j,其关联度
其中,mj为所述任一连通节点j所代表的工业实体的等级,Di为所述任一节点i的度,nij为所述任一连通节点j与所述任一节点i之间的节点数量。
4.根据权利要求3所述的方法,其特征在于,所述S204包括:
S204-1,按各连通节点的关联度从小到大排序,得到第一序列;
S204-2,若连通节点总数量Ni为奇数,则确定第一序列中位于的数a1,将a1确定为第一数值b1;其中,为上取整函数;
S204-3,若连通节点总数量Ni为偶数,则确定第一序列中位于的数a2,第一序列中位于的数a3,计算
S204-4,计算各连通节点的关联度与b1的偏差;
S204-5,根据所述偏差确定关联节点。
5.根据权利要求4所述的方法,其特征在于,所述S204-4,包括:
对于任一连通节点j,
其中,Δj为连通节点j的关联度与b1的偏差。
6.根据权利要求5所述的方法,其特征在于,所述S204-5包括:
S204-5-1,按Δj从大到小选择个连通节点,形成第二序列;
S204-5-2,在第二序列中任选1个连通节点,将选择的连通节点放入第三序列中,在第二序列中删除选择的连通节点;所述第三序列初始为空序列;
S204-5-3,在第二序列中依次选择1个连通节点,若当前选择的连通节点与所述任一节点i之间存在位于第三序列中的节点,则在第二序列中删除当前选择的连通节点;若当前选择的连通节点与所述任一节点i之间的节点均不存在于第三序列中,但当前选择的连通节点为第三序列中任一节点与所述任一节点i之间的节点,则在第二序列中删除当前选择的连通节点;若当前选择的连通节点与所述任一节点i之间的节点均不存在于第三序列中,但当前选择的连通节点非第三序列中各节点与所述任一节点i之间的节点,则将当前选择的连通节点放入第三序列中,在第二序列中删除当前选择的连通节点;
S204-5-4,第三序列中所有的连通节点为关联节点。
7.根据权利要求6所述的方法,其特征在于,所述S103包括:
任一节点i的任一关联节点k的关联概率
其中,α为关联系数,Sk为所述任一关联节点k的关联度。
8.根据权利要求7所述的方法,其特征在于,
其中,nik为所述任一关联节点k与所述任一节点i之间的节点数量,mk为所述任一关联节点k所代表的工业实体的等级。
9.根据权利要求8所述的方法,其特征在于,
其中,nik为所述任一关联节点k与所述任一节点i之间的节点数量,mk为所述任一关联节点k所代表的工业实体的等级,βi为所述任一节点i的关联节点总数量。
10.根据权利要求9所述的方法,其特征在于,所述S104包括:
对于任一节点i,
S104-1,确定关联概率最大的关联节点max;
S104-2,将最大的关联节点max的节点信息确定为所述任一节点i的融合信息;或者,将最大的关联节点max的节点信息以及中间节点的节点信息均确定为所述任一节点i的融合信息;
其中,中间节点为最大的关联节点max与所述任一节点i之间的所有节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910139921.9A CN109885700B (zh) | 2019-02-26 | 2019-02-26 | 一种基于工业知识图谱的非结构化数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910139921.9A CN109885700B (zh) | 2019-02-26 | 2019-02-26 | 一种基于工业知识图谱的非结构化数据分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109885700A true CN109885700A (zh) | 2019-06-14 |
CN109885700B CN109885700B (zh) | 2020-10-27 |
Family
ID=66929359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910139921.9A Active CN109885700B (zh) | 2019-02-26 | 2019-02-26 | 一种基于工业知识图谱的非结构化数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109885700B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469359A (zh) * | 2021-06-10 | 2021-10-01 | 西安交通大学 | 基于知识图谱的弹目匹配方法、***、设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9235653B2 (en) * | 2013-06-26 | 2016-01-12 | Google Inc. | Discovering entity actions for an entity graph |
CN106445988A (zh) * | 2016-06-01 | 2017-02-22 | 上海坤士合生信息科技有限公司 | 一种大数据的智能处理方法和*** |
CN107341215A (zh) * | 2017-06-07 | 2017-11-10 | 北京航空航天大学 | 一种基于分布式计算平台的多源垂直知识图谱分类集成查询方法 |
CN107491555A (zh) * | 2017-09-01 | 2017-12-19 | 北京纽伦智能科技有限公司 | 知识图谱构建方法和*** |
CN108920527A (zh) * | 2018-06-07 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN109189940A (zh) * | 2018-09-05 | 2019-01-11 | 南京大学 | 一种基于众包及图谱技术的知识共享服务方法 |
CN109376269A (zh) * | 2018-12-05 | 2019-02-22 | 西安交通大学 | 一种基于图谱关联的跨课程视频子图推荐方法 |
-
2019
- 2019-02-26 CN CN201910139921.9A patent/CN109885700B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9235653B2 (en) * | 2013-06-26 | 2016-01-12 | Google Inc. | Discovering entity actions for an entity graph |
CN106445988A (zh) * | 2016-06-01 | 2017-02-22 | 上海坤士合生信息科技有限公司 | 一种大数据的智能处理方法和*** |
CN107341215A (zh) * | 2017-06-07 | 2017-11-10 | 北京航空航天大学 | 一种基于分布式计算平台的多源垂直知识图谱分类集成查询方法 |
CN107491555A (zh) * | 2017-09-01 | 2017-12-19 | 北京纽伦智能科技有限公司 | 知识图谱构建方法和*** |
CN108920527A (zh) * | 2018-06-07 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN109189940A (zh) * | 2018-09-05 | 2019-01-11 | 南京大学 | 一种基于众包及图谱技术的知识共享服务方法 |
CN109376269A (zh) * | 2018-12-05 | 2019-02-22 | 西安交通大学 | 一种基于图谱关联的跨课程视频子图推荐方法 |
Non-Patent Citations (2)
Title |
---|
夏维等: ""基于互信息的知识图谱实体关联关系建模与补全"", 《计算机科学与探索》 * |
王晓阳等: ""智慧搜索中的实体与关联关系建模与挖掘"", 《通信学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469359A (zh) * | 2021-06-10 | 2021-10-01 | 西安交通大学 | 基于知识图谱的弹目匹配方法、***、设备及可读存储介质 |
CN113469359B (zh) * | 2021-06-10 | 2023-04-18 | 西安交通大学 | 基于知识图谱的弹目匹配方法、***、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109885700B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110597735B (zh) | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 | |
CN107562812B (zh) | 一种基于特定模态语义空间建模的跨模态相似性学习方法 | |
CN112214610A (zh) | 一种基于跨度和知识增强的实体关系联合抽取方法 | |
CN108133038A (zh) | 一种基于动态记忆网络的实体级别情感分类***及方法 | |
CN103491205B (zh) | 一种基于视频搜索的关联资源地址的推送方法和装置 | |
CN109214191A (zh) | 一种利用深度学习预测软件安全漏洞的方法 | |
CN109885824A (zh) | 一种层次的中文命名实体识别方法、装置及可读存储介质 | |
CN107402745A (zh) | 数据流图的映射方法及装置 | |
CN110442603A (zh) | 地址匹配方法、装置、计算机设备及存储介质 | |
CN105138601B (zh) | 一种支持模糊约束关系的图模式匹配方法 | |
CN106339455B (zh) | 基于文本标签特征挖掘的网页正文提取方法 | |
CN104699767B (zh) | 一种面向中文语言的大规模本体映射方法 | |
CN112528035A (zh) | 基于关系注意力的知识图谱推理方法、装置和计算机设备 | |
CN112100403A (zh) | 一种基于神经网络的知识图谱不一致性推理方法 | |
CN110399286A (zh) | 一种基于独立路径的测试数据自动生成方法 | |
CN110377751A (zh) | 课件智能生成方法、装置、计算机设备及存储介质 | |
CN111709244A (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
CN110245602A (zh) | 一种基于深度卷积特征的水下静目标识别方法 | |
CN116244333A (zh) | 一种基于代价因子校准的数据库查询性能预测方法及*** | |
CN116484024A (zh) | 一种基于知识图谱的多层次知识库构建方法 | |
Li et al. | RGB-thermal fusion network for leakage detection of crude oil transmission pipes | |
CN116225760A (zh) | 一种基于运维知识图谱的实时根因分析方法 | |
CN109885700A (zh) | 一种基于工业知识图谱的非结构化数据分析方法 | |
CN112905906B (zh) | 一种融合局部协同与特征交叉的推荐方法及*** | |
CN108052743B (zh) | 一种阶梯接近中心度确定方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |