CN111159411B - 一种融合知识图谱的文本立场分析方法、***及存储介质 - Google Patents

一种融合知识图谱的文本立场分析方法、***及存储介质 Download PDF

Info

Publication number
CN111159411B
CN111159411B CN201911420245.9A CN201911420245A CN111159411B CN 111159411 B CN111159411 B CN 111159411B CN 201911420245 A CN201911420245 A CN 201911420245A CN 111159411 B CN111159411 B CN 111159411B
Authority
CN
China
Prior art keywords
text
view
vector
entity
representation
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.)
Active
Application number
CN201911420245.9A
Other languages
English (en)
Other versions
CN111159411A (zh
Inventor
徐睿峰
杜嘉晨
杨敏
范创
梁斌
黄锦辉
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN201911420245.9A priority Critical patent/CN111159411B/zh
Publication of CN111159411A publication Critical patent/CN111159411A/zh
Application granted granted Critical
Publication of CN111159411B publication Critical patent/CN111159411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/35—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种融合知识图谱的文本立场分析方法、***及存储介质，该文本立场分析方法包括：使用文本向量表示工具将文本与对象表示为向量形式；使用实体链接工具找到文本中出现的实体，并将实体链接至知识图谱中；针对文本中出现的每个实体，建立一个单视角网络对该实体与给定对象以及文本进行建模，得到对应实体的单视角表示向量；将步骤3中到的N个单视角表示向量输入双向循环神经网络中，得到N个多视角融合表示向量；使用多视角注意力网络筛选多视角表示向量，得到最终用于分类的向量；使用分类器对分类的向量进行分类，得到立场类标。本发明的有益效果是：本发明只需要使用者提供（文本，对象，立场）三元组构成的训练数据集，便可自动利用大规模知识图谱中的信息对其进行分析，不需要使用者额外提供背景知识，立场分析性能更佳。

Description

一种融合知识图谱的文本立场分析方法、***及存储介质
技术领域
本发明涉及互联网技术领域，尤其涉及一种融合知识图谱的文本立场分析方法、***及存储介质。
背景技术
文本立场分析是研究社交媒体舆论动向及辅助商业决策的重要技术。文本立场分析的主要任务是针对给定对象，分析一段文本对该对象表达的情感倾向性(正面/负面/无立场)。
例1，对象：华为公司，文本：海思真的是5G芯片先驱企业，立场：正面。
该任务的主要挑战是给定对象不一定会出现在文本中，同时需要推断文本中出现的对象与给定对象之间的关系(如上例中“华为”与“海思”的关系)。传统文本立场分析技术主要依赖文本中词语浅层语义信息，即便现阶段性能最佳的神经网络模型都是只利用词频及共现特征。这些单纯基于文本特征的方法忽略了文本背后的大规模背景知识，导致现阶段针对特定对象的立场分析性能不佳。为此，我们需要将外部大规模知识图谱中的信息融入文本立场检测中。现阶段融合外部知识图谱的文本分析方法通常将外部知识图谱中的实体进行向量化后直接作为额外特征，将实体向量拼接与词与表示拼接作为特征。这一方法通常很难建模灵活多变的社交媒体文本，同时也很难将找到文本中与给定对象相关的的关键信息。
发明内容
本发明提供了一种融合知识图谱的文本立场分析方法，包括如下步骤：
步骤1：使用文本向量表示工具将文本与对象表示为向量形式；
步骤2：使用实体链接工具找到文本中出现的实体，并将实体链接至知识图谱中；
步骤3：针对文本中出现的每个实体，建立一个单视角网络对该实体与给定对象以及文本进行建模，得到对应实体的单视角表示向量；
步骤4：将步骤3中到的N个单视角表示向量输入双向循环神经网络中，得到N个多视角融合表示向量；
步骤5：使用多视角注意力网络筛选多视角表示向量，得到最终用于分类的向量；
步骤6：使用分类器对分类的向量进行分类，得到立场类标。
作为本发明的进一步改进，所述步骤2包括：
步骤2.1：通过自动实体链接工具对文本中提到的实体进行抽取；
步骤2.2：使用TransD实体表示模型将实体表示为向量表示。
作为本发明的进一步改进，所述步骤3包括：
步骤3.1：将实体对应的实体Trand向量与文本中每个词的ELMo向量拼接，同时拼接该词语实体相对位置的编码向量p_i，得到一组文本表示向量；
步骤3.2：将对象对应实体的Trand向量与对象对应的ELMo向量拼接，得到对象表示向量；
步骤3.3：使用自注意力网络对这一组文本表示向量进行处理，得到整段文本的表示向量；
步骤3.4：使用另一个注意力网络对整段文本表示向量与对象表示向量进行融合，得到单视角表示向量。
作为本发明的进一步改进，所述步骤5包括：
步骤5.1：使用多视角自注意力网络对N个多视角融合表示向量处理，得到N个多视角自注意力向量表示；
步骤5.2：使用多视角交叉注意力网络对N个多视角自注意力向量以及对象表示向量处理，得到1个多视角交叉注意力向量表示，从而得到最终用于分类的向量。
作为本发明的进一步改进，在所述步骤6中，使用分类器对多视角交叉注意力向量进行分类，得到立场类标。
本发明还提供了一种融合知识图谱的文本立场分析***，包括：
文本嵌入表示模块：用于使用文本向量表示工具将文本与对对象表示为向量形式；
实体链接及表示模块：用于使用实体链接工具找到文本中出现的实体，并将实体链接至知识图谱中；
单视角网络模块：用于针对文本中出现的每个实体，建立一个单视角网络对该实体与给定对象以及文本进行建模，得到对应实体的单视角表示向量；
多视角融合循环神经网络模块：用于将单视角网络模块中到的N个单视角表示向量输入双向循环神经网络中，得到N个多视角融合表示向量；
多视角注意力网络模块：用于使用多视角注意力网络筛选多视角表示向量，得到最终用于分类的向量；
立场检测模块：用于使用分类器对分类的向量进行分类，得到立场类标。
作为本发明的进一步改进，所述实体链接及表示模块包括：
抽取模块：用于通过自动实体链接工具对文本中提到的实体进行抽取；
向量表示模块：用于使用TransD实体表示模型将实体表示为向量表示。
作为本发明的进一步改进，所述单视角网络模块包括：
第一处理模块：用于将实体对应的实体Trand向量与文本中每个词的ELMo向量拼接，同时拼接该词语实体相对位置的编码向量p_i，得到一组文本表示向量；
第二处理模块：用于将对象对应实体的Trand向量与对象对应的ELMo向量拼接，得到对象表示向量；
第三处理模块：用于使用自注意力网络对这一组文本表示向量进行处理，得到整段文本的表示向量；
第四处理模块：用于使用另一个注意力网络对整段文本表示向量与对象表示向量进行融合，得到单视角表示向量。
作为本发明的进一步改进，所述多视角注意力网络模块包括：
向量第一处理模块：用于使用多视角自注意力网络对N个多视角融合表示向量处理，得到N个多视角自注意力向量表示；
向量第二处理模块：用于使用多视角交叉注意力网络对N个多视角自注意力向量以及对象表示向量处理，得到1个多视角交叉注意力向量表示，从而得到最终用于分类的向量。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现本发明所述的文本立场分析方法的步骤。
本发明的有益效果是：本发明只需要使用者提供(文本，对象，立场)三元组构成的训练数据集，便可自动利用大规模知识图谱中的信息对其进行分析，不需要使用者额外提供背景知识，立场分析性能更佳。
附图说明
图1是本发明的***原理框图；
图2是本发明的单视角网络框架图。
具体实施方式
本发明公开了一种融合知识图谱的文本立场分析方法，本发明提出使用结合知识图谱的多视角融合方法进行文本立场分析，即将文本中出现的知识图谱实体作为划分视角的基准，对文本进行多视角划分；在每个视角中分别将文本、对应知识图谱实体以及对象信息进行融合；最终使用多视角循环网络与注意力网络对不同视角信息进行筛选与融合。
本发明的融合知识图谱的文本立场分析方法，包括如下步骤：
步骤1：使用ELMo文本向量表示工具将文本与对象表示为向量形式；
步骤2：使用实体链接工具找到文本中出现的实体，并将实体链接至知识图谱中；
步骤3：针对文本中出现的每个实体，建立一个单视角网络对该实体与给定对象以及文本进行建模，得到对应实体的单视角表示向量；
步骤4：将步骤3中到的N个单视角表示向量输入双向循环神经网络中，得到N个多视角融合表示向量；
步骤5：使用多视角注意力网络筛选多视角表示向量，得到最终用于分类的向量；
步骤6：使用softmax分类器对分类的向量进行分类，得到立场类标。
所述步骤2包括：
步骤2.1：通过自动实体链接工具对文本中提到的实体进行抽取；
步骤2.2：使用TransD实体表示模型将实体表示为向量表示。
在所述步骤3中，假定通过实体链接工具找到文本中有N个实体，则构建N个参数共享的单视角网络，单视角网络结构如附图2所示，以实体e_i对应的单视角网络为例，所述步骤3包括：
步骤3.1：将实体e_i对应的实体Trand向量与文本中每个词的ELMo向量拼接，同时拼接该词语实体e_i相对位置的编码向量p_i，得到一组文本表示向量；
步骤3.2：将对象对应实体的Trand向量与对象对应的ELMo向量拼接，得到对象表示向量；
步骤3.3：使用自注意力网络(Self-Attention)对这一组文本表示向量进行处理，得到整段文本的表示向量；
步骤3.4：使用另一个注意力网络(Cross-Attention)对整段文本表示向量与对象表示向量进行融合，得到单视角表示向量。
所述步骤5包括：
步骤5.1：使用多视角自注意力网络对N个多视角融合表示向量处理，得到N个多视角自注意力向量表示；
步骤5.2：使用多视角交叉注意力网络对N个多视角自注意力向量以及对象表示向量处理，得到1个多视角交叉注意力向量表示，从而得到最终用于分类的向量。
在所述步骤6中，使用分类器对多视角交叉注意力向量进行分类，得到立场类标。
如图1所示，本发明还公开了一种融合知识图谱的文本立场分析***，包括：
文本嵌入表示模块(模块1)：用于使用ELMo文本向量表示工具将文本与对对象表示为向量形式；
实体链接及表示模块(模块2)：用于使用实体链接工具找到文本中出现的实体，并将实体链接至知识图谱中；
单视角网络模块(模块3)：用于针对文本中出现的每个实体，建立一个单视角网络对该实体与给定对象以及文本进行建模，得到对应实体的单视角表示向量；
多视角融合循环神经网络模块(模块4)：用于将单视角网络模块中到的N个单视角表示向量输入双向循环神经网络中，得到N个多视角融合表示向量；
多视角注意力网络模块(模块5)：用于使用多视角注意力网络筛选多视角表示向量，得到最终用于分类的向量；
立场检测模块(模块6)：用于使用softmax分类器对分类的向量进行分类，得到立场类标。
所述实体链接及表示模块包括：
抽取模块：用于通过自动实体链接工具对文本中提到的实体进行抽取；
向量表示模块：用于使用TransD实体表示模型将实体表示为向量表示。
所述单视角网络模块包括：
第一处理模块：用于将实体e_i对应的实体Trand向量与文本中每个词的ELMo向量拼接，同时拼接该词语实体e_i相对位置的编码向量p_i，得到一组文本表示向量；
第二处理模块：用于将对象对应实体的Trand向量与对象对应的ELMo向量拼接，得到对象表示向量；
第三处理模块：用于使用自注意力网络(Self-Attention)对这一组文本表示向量进行处理，得到整段文本的表示向量；
第四处理模块：用于使用另一个注意力网络(Cross-Attention)对整段文本表示向量与对象表示向量进行融合，得到单视角表示向量。
所述多视角注意力网络模块包括：
向量第一处理模块：用于使用多视角自注意力网络对N个多视角融合表示向量处理，得到N个多视角自注意力向量表示；
向量第二处理模块：用于使用多视角交叉注意力网络对N个多视角自注意力向量以及对象表示向量处理，得到1个多视角交叉注意力向量表示，从而得到最终用于分类的向量。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现本发明所述的文本立场分析方法的步骤。
本发明的有益效果如下：
1.由于充分利用外部知识，对多种文本(新闻，微博，评论等)立场分析性能更佳，同时对文本噪音以及文本风格扰动不敏感。
2.本发明可以利用模块5的注意力网络提取出与给定对象最相关的实体信息(譬如可以从例1的文本里提取出“海思”这一实体与给定对象“华为”最相关)，以此辅助后续决策。
3.本发明只需要使用者提供(文本，对象，立场)三元组构成的训练数据集，便可自动利用大规模知识图谱中的信息对其进行分析，不需要使用者额外提供背景知识。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种融合知识图谱的文本立场分析方法，其特征在于，包括如下步骤：
步骤1：使用文本向量表示工具将文本与对象表示为向量形式；
步骤2：使用实体链接工具找到文本中出现的实体，并将实体链接至知识图谱中；
步骤3：针对文本中出现的每个实体，建立一个单视角网络对该实体与给定对象以及文本进行建模，得到对应实体的单视角表示向量；
步骤4：将步骤3中得到的N个单视角表示向量输入双向循环神经网络中，得到N个多视角融合表示向量；
步骤5：使用多视角注意力网络筛选多视角表示向量，得到最终用于分类的向量；
步骤6：使用分类器对分类的向量进行分类，得到立场类标。
2.根据权利要求1所述的文本立场分析方法，其特征在于，所述步骤2包括：
步骤2.1：通过自动实体链接工具对文本中提到的实体进行抽取；
步骤2.2：使用TransD实体表示模型将实体表示为向量表示。
3.根据权利要求1所述的文本立场分析方法，其特征在于，所述步骤3包括：
步骤3.1：将实体对应的实体Trand向量与文本中每个词的ELMo向量拼接，同时拼接该实体相对位置的编码向量p_i，得到一组文本表示向量；步骤3.2：将对象对应实体的Trand向量与对象对应的ELMo向量拼接，得到对象表示向量；
步骤3.3：使用自注意力网络对这一组文本表示向量进行处理，得到整段文本的表示向量；
步骤3.4：使用另一个注意力网络对整段文本表示向量与对象表示向量进行融合，得到单视角表示向量。
4.根据权利要求1所述的文本立场分析方法，其特征在于，所述步骤5包括：
步骤5.1：使用多视角自注意力网络对N个多视角融合表示向量处理，得到N个多视角自注意力向量表示；
步骤5.2：使用多视角交叉注意力网络对N个多视角自注意力向量以及对象表示向量处理，得到1个多视角交叉注意力向量表示，从而得到最终用于分类的向量。
5.根据权利要求4所述的文本立场分析方法，其特征在于，在所述步骤6中，使用分类器对多视角交叉注意力向量进行分类，得到立场类标。
6.一种融合知识图谱的文本立场分析***，其特征在于，包括：
文本嵌入表示模块：用于使用文本向量表示工具将文本与对象表示为向量形式；
实体链接及表示模块：用于使用实体链接工具找到文本中出现的实体，并将实体链接至知识图谱中；
单视角网络模块：用于针对文本中出现的每个实体，建立一个单视角网络对该实体与给定对象以及文本进行建模，得到对应实体的单视角表示向量；多视角融合循环神经网络模块：用于将单视角网络模块中得到的N个单视角表示向量输入双向循环神经网络中，得到N个多视角融合表示向量；多视角注意力网络模块：用于使用多视角注意力网络筛选多视角表示向量，得到最终用于分类的向量；
立场检测模块：用于使用分类器对分类的向量进行分类，得到立场类标。
7.根据权利要求6所述的文本立场分析***，其特征在于，所述实体链接及表示模块包括：
抽取模块：用于通过自动实体链接工具对文本中提到的实体进行抽取；
向量表示模块：用于使用TransD实体表示模型将实体表示为向量表示。
8.根据权利要求6所述的文本立场分析***，其特征在于，所述单视角网络模块包括：
第一处理模块：用于将实体对应的实体Trand向量与文本中每个词的ELMo向量拼接，同时拼接该实体相对位置的编码向量p_i，得到一组文本表示向量；
第二处理模块：用于将对象对应实体的Trand向量与对象对应的ELMo向量拼接，得到对象表示向量；
第三处理模块：用于使用自注意力网络对这一组文本表示向量进行处理，得到整段文本的表示向量；
第四处理模块：用于使用另一个注意力网络对整段文本表示向量与对象表示向量进行融合，得到单视角表示向量。
9.根据权利要求6所述的文本立场分析***，其特征在于，所述多视角注意力网络模块包括：
向量第一处理模块：用于使用多视角自注意力网络对N个多视角融合表示向量处理，得到N个多视角自注意力向量表示；
向量第二处理模块：用于使用多视角交叉注意力网络对N个多视角自注意力向量以及对象表示向量处理，得到1个多视角交叉注意力向量表示，从而得到最终用于分类的向量。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1－5中任一项所述的文本立场分析方法的步骤。
CN201911420245.9A 2019-12-31 2019-12-31 一种融合知识图谱的文本立场分析方法、***及存储介质 Active CN111159411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911420245.9A CN111159411B (zh) 2019-12-31 2019-12-31 一种融合知识图谱的文本立场分析方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911420245.9A CN111159411B (zh) 2019-12-31 2019-12-31 一种融合知识图谱的文本立场分析方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN111159411A CN111159411A (zh) 2020-05-15
CN111159411B true CN111159411B (zh) 2023-04-14

Family

ID=70560511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911420245.9A Active CN111159411B (zh) 2019-12-31 2019-12-31 一种融合知识图谱的文本立场分析方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN111159411B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199504B (zh) * 2020-10-30 2022-06-03 福州大学 一种融合外部知识与交互注意力机制的视角级文本情感分类方法及***
CN116306590B (zh) * 2023-05-19 2023-08-15 大汉软件股份有限公司 一种知识驱动的特定话题的立场分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018036239A1 (zh) * 2016-08-24 2018-03-01 慧科讯业有限公司 基于行业知识图谱数据库对互联网媒体事件进行监测的方法、装置和***
CN108875051A (zh) * 2018-06-28 2018-11-23 中译语通科技股份有限公司 面向海量非结构化文本的知识图谱自动构建方法及***
CN108984745A (zh) * 2018-07-16 2018-12-11 福州大学 一种融合多知识图谱的神经网络文本分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018036239A1 (zh) * 2016-08-24 2018-03-01 慧科讯业有限公司 基于行业知识图谱数据库对互联网媒体事件进行监测的方法、装置和***
CN108875051A (zh) * 2018-06-28 2018-11-23 中译语通科技股份有限公司 面向海量非结构化文本的知识图谱自动构建方法及***
CN108984745A (zh) * 2018-07-16 2018-12-11 福州大学 一种融合多知识图谱的神经网络文本分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈荻."基于深度学习的交互文本立场分析研究".《中国优秀硕士学位论文全文数据库》.2018,全文. *

Also Published As

Publication number Publication date
CN111159411A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN110019812B (zh) 一种用户自生产内容检测方法和***
CN110750656B (zh) 一种基于知识图谱的多媒体检测方法
CN111858954A (zh) 面向任务的文本生成图像网络模型
CN107463658B (zh) 文本分类方法及装置
Sarabadani et al. Building automated vandalism detection tools for Wikidata
CN107783973A (zh) 基于行业知识图谱数据库对互联网媒体事件进行监测的方法、装置和***
CN109344285A (zh) 一种面向监控的视频图谱构建和挖掘方法、设备
CN104268160A (zh) 一种基于领域词典和语义角色的评价对象抽取方法
CN108182245A (zh) 人对象属性分类知识图谱的构建方法及装置
CN109685052A (zh) 文本图像处理方法、装置、电子设备及计算机可读介质
CN106815307A (zh) 公共文化知识图谱平台及其使用办法
CN103425757A (zh) 融合多模态信息的跨媒体人物新闻检索方法与***
CN109918506A (zh) 一种文本分类方法及装置
CN111967761A (zh) 一种基于知识图谱的监控预警方法、装置及电子设备
CN111159411B (zh) 一种融合知识图谱的文本立场分析方法、***及存储介质
CN110287329A (zh) 一种基于商品文本分类的电商类目属性挖掘方法
CN114153980A (zh) 知识图谱构建方法和装置、检查方法、存储介质
CN111401149A (zh) 基于长短期时域建模算法的轻量级视频行为识别方法
CN114443855A (zh) 一种基于图表示学习的知识图谱跨语言对齐方法
CN115311463A (zh) 类别引导多尺度解耦的海洋遥感图像文本检索方法及***
CN104008177A (zh) 面向图像语义标注的规则库结构优化与生成方法及***
CN110765276A (zh) 知识图谱中的实体对齐方法及装置
CN112363996A (zh) 用于建立电网知识图谱的物理模型的方法及***和介质
CN115168609A (zh) 一种文本匹配方法、装置、计算机设备和存储介质
CN113722528B (zh) 一种面向素描图进行照片快速检索的方法及***

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