CN110532399A - 面向游戏问答***的知识图谱更新方法、***及装置 - Google Patents
面向游戏问答***的知识图谱更新方法、***及装置 Download PDFInfo
- Publication number
- CN110532399A CN110532399A CN201910726592.8A CN201910726592A CN110532399A CN 110532399 A CN110532399 A CN 110532399A CN 201910726592 A CN201910726592 A CN 201910726592A CN 110532399 A CN110532399 A CN 110532399A
- Authority
- CN
- China
- Prior art keywords
- word
- entity
- knowledge mapping
- game
- feature words
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- ZOKXUAHZSKEQSS-UHFFFAOYSA-N tribufos Chemical compound CCCCSP(=O)(SCCCC)SCCCC ZOKXUAHZSKEQSS-UHFFFAOYSA-N 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Animal Behavior & Ethology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种面向游戏问答***的知识图谱更新方法、***和装置,收集游戏问答日志和社区问答数据;筛选出和游戏相关的特征词;将特征词加入分词器训练出词向量;使用词向量找出各个特征词与其相似度大于阈值的词语作为该特征词的同类词;计算各个特征词在知识图谱的平均匹配度和分布,过滤非实体词并确定实体词的实体类别;对互为同义词的实体词进行融合;将平均匹配度大于阈值的实体词及其同义词更新到对应的知识图谱。本发明提供了一种无监督的知识实体分类方法,更具有通用性和泛化性,可以识别新出现的实体类型,基于先验知识图谱知识,也无需预先标注训练数据,同时也满足知识图谱自动更新的需求。
Description
技术领域
本发明涉及数据处理技术领域,特别是指一种面向游戏问答***的知识图谱更新方法、***及装置。
背景技术
知识图谱是一种图结构表示的知识库,是对知识抽象总结成相互连接的知识体系的一项技术,其结点表示知识实体,可以有具体的属性信息;边表示实体之间的语义关系。知识图谱在人工智能领域有广泛的应用,在问答***中,它可以让***定位和理解用户提及的知识,以帮助***生成准确的回答。知识图谱将文字和知识联系了起来,为问答***构建了知识体系。
而在游戏领域,问答***主要有两个功能:
1、基于现实世界观的闲聊或常识型问答;
2、基于游戏世界观的知识或攻略型问答;
游戏世界存在着大量与游戏背景相关的知识,这些知识有的在现实世界中不存在,有的和现实世界知识相冲突,有的随着玩家的交流而产生出特殊的别称。同时,随着游戏版本的迭代和活动更新,会出现一批新的知识。因此,知识图谱需要不断更新知识,这通常需要大量的人力;而为了准确区分出现实世界知识和游戏世界知识,还需要对知识进行消歧处理。
一个较为完整的游戏问答***不仅需要满足游戏知识问答,还需要支持基于现实世界观的问答或闲聊。同时,如果有多款游戏需要接入同一个游戏问答***(例如同一公司的多款游戏),则知识图谱数量是随着游戏数量线性增长的。在这样一个具有多个知识图谱的***环境中,知识图谱的更新要解决以下几个问题:
1、知识图谱的自动化或半自动化更新,以减少人工维护带来的人力成本。
2、多知识图谱环境带来的知识分类问题。知识分类大多是采用有监督训练分类器的方法实现,需要预先标注好一定量的数据集,而有监督的分类器无法对新出现的实体或知识类型进行很好的识别,泛化性较差。
3、知识实体融合。从语料中识别出的词语可能会有指向相同实体的词语,需要筛选出这些同义词,以防止重复构建相同的词语。而在游戏领域,游戏知识的同义词通常由玩家在游戏体验、交流过程中产生,这些词语绝大部分是在先验知识库中没有的,需要从语料中总结收集。而目前常用的实体融合技术通常是在平行知识库的合并的环境下进行的,无法解决上述问题。
发明内容
本发明提出一种面向游戏问答***的知识图谱更新方法、***及装置,从问答文本中识别出实体,区分出现实实体和游戏实体并进行自动化更新,以解决问答***的知识时效性问题,提供准确的回复。
本发明的技术方案是这样实现的:
一种面向游戏问答***的知识图谱更新方法,包括以下步骤:
S1,收集游戏问答日志和社区问答数据;
S2,从上述语料中筛选出和游戏相关的特征词;
S3,将特征词加入分词器,获得适用于游戏领域文本的分词器,并训练得到词向量;
S4,依据预设定的相似度阈值使用词向量找出各个特征词与其相似度大于阈值的词语作为该特征词的同类词;
S5,计算各个特征词在知识图谱的平均匹配度和分布,过滤非实体词并确定实体词的实体类别;知识图谱包括游戏知识图谱和现实知识图谱;
S6,判断上述实体词是否互为同义词,若是,对实体词进行融合;
S7,在知识图谱的平均匹配度大于阈值的实体词及其同义词更新到对应的知识图谱。
作为本发明的优选实施例,收集游戏问答日志和社区问答数据具体指的是获取游戏问答***中的游戏问答日志和论坛、贴吧的问答数据。
作为本发明的优选实施例,步骤S2中筛选特征词具体包括以下步骤:
S201,使用互信息的方法根据设定好的阈值θ1筛选出第一候选特征词集;
S202,使用常用词词典将第一候选特征词集中的通用词语去除,进而过滤得到和游戏相关的第二候选特征词集S={s1,s2...sn};n为正整数。
作为本发明的优选实施例,步骤S5具体包括以下步骤:
S501,设特征词s1的同类词集为{t11,t12...t15},且特征词s1与同类词t11,t12...t15的词向量相似度为sim={w1,w2...w5};
S502,将同类词与知识图谱进行匹配,匹配到游戏知识图谱的实体记为1,匹配到现实知识图谱的实体记为2,否则记为0,以match(t)表示,若匹配到游戏知识图谱的实体,记录其实体类别;
特征词s1的平均匹配度N为特征词s1的同类词数量;
S503,根据特征词匹配结果match(t)中标记0、1、2的数量多少确定其为非实体词或游戏知识图谱实体词或现实知识图谱实体词;若为实体词,将占多数的匹配的实体类别设为该特征词的实体类别。
作为本发明的优选实施例,步骤S6中判断实体词是否互为同义词具体包括以下步骤:
对其中一个实体词使用同义词生成器生成候选同义词集,判断另一个实体词是否在候选同义词集中;
若存在,计算两个实体词在原语料中出现的上下文相似度,相似度高则认为是同义词。
作为本发明的优选实施例,步骤S7中,若匹配度未达到阈值的实体词及其同义词抛弃或进行人工审核后判断是否更新到知识图谱。
一种面向游戏问答***的知识图谱更新***,包括
特征词抽取单元,用于从游戏问答日志和论坛、贴吧的问答数据中筛选出和游戏相关的特征词;
分词器,用于对特征词进行分词,并训练得到词向量;
同类词判定单元,用于依据预设定的相似度阈值使用词向量找出各个特征词与其相似度大于阈值的词语作为该特征词的同类词;
实体词筛选单元,用于计算各个特征词在知识图谱的平均匹配度和分布,过滤非实体词并确定实体词的实体类别;
实体词融合单元,用于对互为同义词的实体词进行融合;
知识图谱更新单元,用于将平均匹配度大于阈值的实体词及其同义词更新到对应的知识图谱。
一种装置,包括存储器和处理器,所述处理器执行所述存储器中的程序,实现本发明任一项实施例所述的面向游戏问答***的知识图谱更新方法。
本发明的有益效果在于:在多个平行游戏知识图谱存在的环境下,本发明提供了一种无监督的知识实体分类方法,相比于一般的有监督分类方法,该方法更具有通用性和泛化性,可以识别新出现的实体类型,并且该方法基于先验知识图谱知识,也无需预先标注训练数据,同时该方法也满足知识图谱自动更新的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种面向游戏问答***的知识图谱更新方法的流程图;
图2为本发明一种面向游戏问答***的知识图谱更新***的原理框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提出了一种面向游戏问答***的知识图谱更新方法,包括以下步骤:
S1,收集游戏问答日志和社区问答数据;
收集游戏问答日志和社区问答数据具体指的是获取游戏问答***中的游戏问答日志和论坛、贴吧的问答数据。
S2,从上述语料中筛选出和游戏相关的特征词;
步骤S2中筛选特征词具体包括以下步骤:
S201,使用互信息的方法根据设定好的阈值θ1筛选出第一候选特征词集;
S202,使用常用词词典将第一候选特征词集中的通用词语去除,进而过滤得到和游戏相关的第二候选特征词集S={s1,s2...sn};n为正整数。
S3,将特征词加入分词器,获得适用于游戏领域文本的分词器,并训练得到词向量;
S4,依据预设定的相似度阈值使用词向量找出各个特征词与其相似度大于阈值的词语作为该特征词的同类词;
S5,计算各个特征词在知识图谱的平均匹配度和分布,过滤非实体词并确定实体词的实体类别;知识图谱包括游戏知识图谱和现实知识图谱;
步骤S5具体包括以下步骤:
S501,设特征词s1的同类词集为{t11,t12...t15},且特征词s1与同类词t11,t12...t15的词向量相似度为sim={w1,w2...w5};
S502,将同类词与知识图谱进行匹配,匹配到游戏知识图谱的实体记为1,匹配到现实知识图谱的实体记为2,否则记为0,以match(t)表示,若匹配到游戏知识图谱的实体,记录其实体类别;
特征词s1的平均匹配度N为特征词s1的同类词数量;特征词s2...sn的平均匹配度同理可得。
S503,根据特征词匹配结果match(t)中标记0、1、2的数量多少确定其为非实体词或游戏知识图谱实体词或现实知识图谱实体词;若为实体词,将占多数的匹配的实体类别设为该特征词的实体类别。比如同类词集{t11,t12...t15}匹配知识图谱的结果为match(t)={0,1,2,1,1},其中值为1的在游戏知识图谱中匹配的实体类别分别为{药品、药品、武器},则由match(t)中1占多数,得该实体属于游戏实体,并且实体类别为“药品”。
S6,判断上述实体词是否互为同义词,若是,对实体词进行融合;实体词融合过程即为判断词语是否互为同义词的过程,若为同义词,则选定其中一个词语为实体名称,并将另一个词语作为该实体的同义词。
步骤S6中判断实体词是否互为同义词具体包括以下步骤:
对其中一个实体词使用同义词生成器生成候选同义词集,判断另一个实体词是否在候选同义词集中;
若存在,计算两个实体词在原语料中出现的上下文相似度,相似度高则认为是同义词。
S7,在知识图谱的平均匹配度大于阈值的实体词及其同义词更新到对应的知识图谱。
若匹配度未达到阈值的实体词及其同义词抛弃或进行人工审核后判断是否更新到知识图谱。
本发明中的知识图谱包括存储现实世界知识的现实知识图谱和存储游戏知识的游戏知识图谱,其结构分别如下:
(1)常识百科知识图谱:
-以<实体1,关系,实体2>三元组形式存储的实体-关系索引;
-以关系型数据库存储的实体基本属性信息,包括实体同义词、定义描述;
-以TransR模型训练得到的实体、关系向量,可用于问答和推理。
(2)游戏知识图谱:
-以<实体1,关系,实体2>三元组形式存储的实体-关系索引;
-以关系型数据库存储的实体信息(其中实体间的关系以属性的形式存在),存储实体类别、实体关系、同义词和定义描述。
如图2所示,本发明还提出了一种面向游戏问答***的知识图谱更新***,包括
特征词抽取单元,用于从游戏问答日志和论坛、贴吧的问答数据中筛选出和游戏相关的特征词;
分词器,用于对特征词进行分词,并训练得到词向量;
同类词判定单元,用于依据预设定的相似度阈值使用词向量找出各个特征词与其相似度大于阈值的词语作为该特征词的同类词;
实体词筛选单元,用于计算各个特征词在知识图谱的平均匹配度和分布,过滤非实体词并确定实体词的实体类别;
实体词融合单元,用于对互为同义词的实体词进行融合;
知识图谱更新单元,用于将平均匹配度大于阈值的实体词及其同义词更新到对应的知识图谱。
本发明还提出了一种装置,包括存储器和处理器,所述处理器执行所述存储器中的程序,实现本发明任一项实施例所述的面向游戏问答***的知识图谱更新方法。
本发明在多个平行游戏知识图谱存在的环境下,提供了一种无监督的知识实体分类方法,相比于一般的有监督分类方法,该方法更具有通用性和泛化性,可以识别新出现的实体类型,并且该方法基于先验知识图谱知识,也无需预先标注训练数据,同时该方法也满足知识图谱自动更新的需求。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种面向游戏问答***的知识图谱更新方法,其特征在于:包括以下步骤:
S1,收集游戏问答日志和社区问答数据;
S2,从上述语料中筛选出和游戏相关的特征词;
S3,将特征词加入分词器,获得适用于游戏领域文本的分词器,并训练得到词向量;
S4,依据预设定的相似度阈值使用词向量找出各个特征词与其相似度大于阈值的词语作为该特征词的同类词;
S5,计算各个特征词在知识图谱的平均匹配度和分布,过滤非实体词并确定实体词的实体类别;知识图谱包括游戏知识图谱和现实知识图谱;
S6,判断上述实体词是否互为同义词,若是,对实体词进行融合;
S7,在知识图谱的平均匹配度大于阈值的实体词及其同义词更新到对应的知识图谱。
2.根据权利要求1所述的面向游戏问答***的知识图谱更新方法,其特征在于:收集游戏问答日志和社区问答数据具体指的是获取游戏问答***中的游戏问答日志和论坛、贴吧的问答数据。
3.根据权利要求1所述的面向游戏问答***的知识图谱更新方法,其特征在于:步骤S2中筛选特征词具体包括以下步骤:
S201,使用互信息的方法根据设定好的阈值θ1筛选出第一候选特征词集;
S202,使用常用词词典将第一候选特征词集中的通用词语去除,进而过滤得到和游戏相关的第二候选特征词集S={s1,s2...sn};n为正整数。
4.根据权利要求3所述的面向游戏问答***的知识图谱更新方法,其特征在于:步骤S5具体包括以下步骤:
S501,设特征词s1的同类词集为{t11,t12...t15},且特征词s1与同类词t11,t12...t15的词向量相似度为sim={w1,w2...w5};
S502,将同类词与知识图谱进行匹配,匹配到游戏知识图谱的实体记为1,匹配到现实知识图谱的实体记为2,否则记为0,以match(t)表示,若匹配到游戏知识图谱的实体,记录其实体类别;
特征词s1的平均匹配度N为特征词s1的同类词数量;
S503,根据特征词匹配结果match(t)中标记0、1、2的数量多少确定其为非实体词或游戏知识图谱实体词或现实知识图谱实体词;若为实体词,将占多数的匹配的实体类别设为该特征词的实体类别。
5.根据权利要求4所述的面向游戏问答***的知识图谱更新方法,其特征在于:步骤S6中判断实体词是否互为同义词具体包括以下步骤:
对其中一个实体词使用同义词生成器生成候选同义词集,判断另一个实体词是否在候选同义词集中;
若存在,计算两个实体词在原语料中出现的上下文相似度,相似度高则认为是同义词。
6.根据权利要求5所述的面向游戏问答***的知识图谱更新方法,其特征在于:步骤S7中,若匹配度未达到阈值的实体词及其同义词抛弃或进行人工审核后判断是否更新到知识图谱。
7.一种面向游戏问答***的知识图谱更新***,其特征在于:包括
特征词抽取单元,用于从游戏问答日志和论坛、贴吧的问答数据中筛选出和游戏相关的特征词;
分词器,用于对特征词进行分词,并训练得到词向量;
同类词判定单元,用于依据预设定的相似度阈值使用词向量找出各个特征词与其相似度大于阈值的词语作为该特征词的同类词;
实体词筛选单元,用于计算各个特征词在知识图谱的平均匹配度和分布,过滤非实体词并确定实体词的实体类别;
实体词融合单元,用于对互为同义词的实体词进行融合;
知识图谱更新单元,用于将平均匹配度大于阈值的实体词及其同义词更新到对应的知识图谱。
8.一种装置,其特征在于:包括存储器和处理器,所述处理器执行所述存储器中的程序,实现权利要求1-6任一项所述的面向游戏问答***的知识图谱更新方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726592.8A CN110532399A (zh) | 2019-08-07 | 2019-08-07 | 面向游戏问答***的知识图谱更新方法、***及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910726592.8A CN110532399A (zh) | 2019-08-07 | 2019-08-07 | 面向游戏问答***的知识图谱更新方法、***及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110532399A true CN110532399A (zh) | 2019-12-03 |
Family
ID=68662165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910726592.8A Pending CN110532399A (zh) | 2019-08-07 | 2019-08-07 | 面向游戏问答***的知识图谱更新方法、***及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532399A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241258A (zh) * | 2020-01-08 | 2020-06-05 | 泰康保险集团股份有限公司 | 数据清洗方法、装置、计算机设备及可读存储介质 |
CN111538843A (zh) * | 2020-03-18 | 2020-08-14 | 广州多益网络股份有限公司 | 游戏领域的知识图谱关系匹配方法、模型构建方法及装置 |
CN111767376A (zh) * | 2020-06-03 | 2020-10-13 | 北京理工大学 | 基于动态知识图谱的问答***及方法 |
CN111767385A (zh) * | 2020-07-09 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 一种智能问答方法及装置 |
CN111858962A (zh) * | 2020-07-27 | 2020-10-30 | 腾讯科技(成都)有限公司 | 数据处理方法、装置及计算机可读存储介质 |
US20220179833A1 (en) * | 2020-12-03 | 2022-06-09 | International Business Machines Corporation | Metadata based mapping assist |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488724A (zh) * | 2013-09-16 | 2014-01-01 | 复旦大学 | 一种面向图书的阅读领域知识图谱构建方法 |
CN108268581A (zh) * | 2017-07-14 | 2018-07-10 | 广东神马搜索科技有限公司 | 知识图谱的构建方法及装置 |
CN108804698A (zh) * | 2018-03-30 | 2018-11-13 | 深圳狗尾草智能科技有限公司 | 基于人物ip的人机交互方法、***、介质及设备 |
CN109543043A (zh) * | 2018-05-10 | 2019-03-29 | 国网江西省电力有限公司信息通信分公司 | 一种基于知识图谱推理的电力通信大数据错误的自动监测方法 |
CN110096573A (zh) * | 2019-04-22 | 2019-08-06 | 腾讯科技(深圳)有限公司 | 一种文本解析方法及相关设备 |
-
2019
- 2019-08-07 CN CN201910726592.8A patent/CN110532399A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488724A (zh) * | 2013-09-16 | 2014-01-01 | 复旦大学 | 一种面向图书的阅读领域知识图谱构建方法 |
CN108268581A (zh) * | 2017-07-14 | 2018-07-10 | 广东神马搜索科技有限公司 | 知识图谱的构建方法及装置 |
CN108804698A (zh) * | 2018-03-30 | 2018-11-13 | 深圳狗尾草智能科技有限公司 | 基于人物ip的人机交互方法、***、介质及设备 |
CN109543043A (zh) * | 2018-05-10 | 2019-03-29 | 国网江西省电力有限公司信息通信分公司 | 一种基于知识图谱推理的电力通信大数据错误的自动监测方法 |
CN110096573A (zh) * | 2019-04-22 | 2019-08-06 | 腾讯科技(深圳)有限公司 | 一种文本解析方法及相关设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241258A (zh) * | 2020-01-08 | 2020-06-05 | 泰康保险集团股份有限公司 | 数据清洗方法、装置、计算机设备及可读存储介质 |
CN111538843A (zh) * | 2020-03-18 | 2020-08-14 | 广州多益网络股份有限公司 | 游戏领域的知识图谱关系匹配方法、模型构建方法及装置 |
CN111538843B (zh) * | 2020-03-18 | 2023-06-16 | 广州多益网络股份有限公司 | 游戏领域的知识图谱关系匹配方法、模型构建方法及装置 |
CN111767376A (zh) * | 2020-06-03 | 2020-10-13 | 北京理工大学 | 基于动态知识图谱的问答***及方法 |
CN111767385A (zh) * | 2020-07-09 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 一种智能问答方法及装置 |
CN111858962A (zh) * | 2020-07-27 | 2020-10-30 | 腾讯科技(成都)有限公司 | 数据处理方法、装置及计算机可读存储介质 |
CN111858962B (zh) * | 2020-07-27 | 2023-04-07 | 腾讯科技(成都)有限公司 | 数据处理方法、装置及计算机可读存储介质 |
US20220179833A1 (en) * | 2020-12-03 | 2022-06-09 | International Business Machines Corporation | Metadata based mapping assist |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532399A (zh) | 面向游戏问答***的知识图谱更新方法、***及装置 | |
Pelevina et al. | Making sense of word embeddings | |
JP6574904B2 (ja) | ターゲットオブジェクトのソーシャルアカウントをマイニングするための方法、サーバ、および記憶媒体 | |
CN110413707A (zh) | 互联网中欺诈团伙关系的挖掘与排查方法及其*** | |
CN108268581A (zh) | 知识图谱的构建方法及装置 | |
CN109784636A (zh) | 欺诈用户识别方法、装置、计算机设备及存储介质 | |
CN103914548B (zh) | 信息搜索方法和装置 | |
CN109104688A (zh) | 使用聚集技术生成无线网络接入点模型 | |
CN107169768A (zh) | 异常交易数据的获取方法和装置 | |
CN102067128A (zh) | 数据处理装置、数据处理方法、程序及集成电路 | |
CN106503863A (zh) | 基于决策树模型的年龄特征的预测方法、***及终端 | |
CN112700056A (zh) | 复杂网络链路预测方法、装置、电子设备及介质 | |
CN107767055A (zh) | 一种基于串谋检测的众包结果汇聚方法及装置 | |
CN107818334A (zh) | 一种移动互联网用户访问模式表征和聚类方法 | |
CN105631749A (zh) | 基于统计数据的用户画像计算方法 | |
CN109522416A (zh) | 一种金融风险控制知识图谱的构建方法 | |
CN107885971A (zh) | 采用改进花授粉算法识别关键蛋白质的方法 | |
CN111506755A (zh) | 图片集的分类方法和装置 | |
CN110688888A (zh) | 一种基于深度学习的行人属性识别方法和*** | |
CN104965846B (zh) | MapReduce平台上的虚拟人建立方法 | |
CN115374106A (zh) | 一种基于知识图谱技术的数据智能分级方法 | |
CN111460315A (zh) | 社群画像构建方法、装置、设备及存储介质 | |
CN114416929A (zh) | 实体召回模型的样本生成方法、装置、设备及存储介质 | |
CN110110628A (zh) | 一种频率综合器劣化的检测方法及检测设备 | |
CN114387005A (zh) | 一种基于图分类的套利团伙识别方法 |
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: 20191203 |