CN111949779A - 基于知识图谱的轨道交通智能应答方法及*** - Google Patents
基于知识图谱的轨道交通智能应答方法及*** Download PDFInfo
- Publication number
- CN111949779A CN111949779A CN202010744413.6A CN202010744413A CN111949779A CN 111949779 A CN111949779 A CN 111949779A CN 202010744413 A CN202010744413 A CN 202010744413A CN 111949779 A CN111949779 A CN 111949779A
- Authority
- CN
- China
- Prior art keywords
- rail transit
- input
- knowledge
- knowledge graph
- representation information
- 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
- 230000004044 response Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F16/33—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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/355—Class or cluster creation or modification
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例涉及轨道交通运营技术领域，提供了一种基于知识图谱的轨道交通智能应答方法及***，所述方法包括：获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱；接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息；将所述结构化表示信息转换为知识图谱查询语句，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行匹配检索，输出与所述第一输入匹配的应答信息。本发明实施例应用了预设轨道交通知识图谱，可以较为高效地处理轨道交通场景下的业务操作，从而解决了难以高效处理轨道交通场景下自动应答操作的技术问题。
Description
技术领域
本发明涉及轨道交通运营技术领域，尤其涉及一种基于知识图谱的轨道交通智能应答方法及***。
背景技术
随着轨道交通***的不断发展，轨道交通***产生的数据也越来越多，且数据类型也越来越繁杂。例如，不同的轨道设备在不同生命周期内会产生种类众多、内容庞杂的数据。
同时，数据格式也是多样化的，例如，包括有传统的纸质类数据如人工线路检查记录本，轨检仪格式数据及车载控制器(VOBC，Vehicle on-board Controller)行车记录数据等。
同时，数据结构也是多样化的，可包括有结构化数据、半结构化数据及非结构化数据等等。
明显地，面对以上情况，基于人工经验、业务规则及运筹学等方面的传统处理方式难以处理这些差异化的且数量庞大的轨道交通数据。
特别是，当欲基于差异化的轨道交通数据来应对某一具体的业务操作时，比如，轨道交通场景下的应答操作。
具体地，例如，当运营人员对某一轨道交通异常提出问询时，***如何自动给出较为准确的辅助应答信息。
可见，目前，存在着难以高效处理轨道交通场景下的自动应答操作的技术问题。
发明内容
本发明实施例提供一种基于知识图谱的轨道交通智能应答方法及***，用以解决现有技术中难以高效处理轨道交通场景下的自动应答操作的缺陷，实现了更为高效地处理轨道交通场景下的业务操作。
本发明实施例提供一种基于知识图谱的轨道交通智能应答方法，包括：
获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱；
接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息；
将所述结构化表示信息转换为知识图谱查询语句，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行匹配检索，输出与所述第一输入匹配的应答信息。
根据本发明一个实施例的基于知识图谱的轨道交通智能应答方法，所述获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱，包括：
获取第一类轨道交通电子数据，对所述第一类轨道交通电子数据进行分析，得到轨道交通数据相关概念，并利用所述轨道交通数据相关概念构建概念模式的初步结构，对所述轨道交通数据相关概念之间的关系进行分析，确定轨道交通数据的概念模式；
对所述第一类轨道交通电子数据进行实体提取，以获得实体填充所需要的实体集，将所述轨道交通数据的概念模式中的概念与所述实体集中的实体一一对应并进行实体填充，获得轨道交通知识图谱。
根据本发明一个实施例的基于知识图谱的轨道交通智能应答方法，所述获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱，包括：
获取第二类轨道交通电子数据，对所述第二类轨道交通电子数据进行文本预处理，以得到预处理数据；
从所述预处理数据中提取出词频共现矩阵；
对所述词频共现矩阵进行异质网络的聚类操作，以得到第一聚类结果；
对所述预处理数据进行潜在语义的分析操作，以得到相似度矩阵；
对所述相似度矩阵进行同质网络的聚类操作，以得到第二聚类结果；
根据所述第一聚类结果与所述第二聚类结果构建由结构化信息组成的轨道交通知识图谱。
根据本发明一个实施例的基于知识图谱的轨道交通智能应答方法，所述接收第一输入，响应于所述第一输入，基于所述轨道交通知识图谱，生成所述第一输入对应的应答信息，包括：
接收第一输入；
对所述第一输入进行解析，获得所述第一输入对应的待应答文本；
对所述待应答文本进行分词、命名实体识别和依存句法分析，得到第一表示信息；
对所述第一表示信息进行实体映射，得到结构化表示信息。
根据本发明一个实施例的基于知识图谱的轨道交通智能应答方法，所述接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息，包括：
接收第一输入；
对所述第一输入进行解析，获得所述第一输入对应的待应答文本；
对所述待应答文本进行分词、命名实体识别和依存句法分析，得到第一表示信息；
对所述第一表示信息进行语义扩展和过滤，得到第二表示信息；
对所述第二表示信息进行实体映射，得到作为结构化表示信息。
根据本发明一个实施例的基于知识图谱的轨道交通智能应答方法，所述对所述待应答文本进行分词、命名实体识别和依存句法分析，得到第一表示信息，包括：
对所述待应答文本进行分词操作，以得到分词结果；
利用预先训练得到的轨道交通实体识别模型对所述分词结果进行命名实体识别，得到轨道交通实体；
对所述待应答文本进行依存句法分析，基于所述轨道交通实体，得到与所述轨道交通实体对应的第一表示信息。
根据本发明一个实施例的基于知识图谱的轨道交通智能应答方法，将所述结构化表示信息转换为知识图谱查询语句，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行匹配检索，输出与所述第一输入匹配的应答信息，包括：
根据分词过程中得到的关键词对所述待应答文本进行分类，根据分类结果将所述结构化表示信息与所述分类结果对应的查询语句模板进行匹配，生成知识图谱查询语句；
将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行基于相似度和语义标记信息的匹配检索，输出与所述第一输入匹配的应答信息。
本发明实施例还提供一种基于知识图谱的轨道交通智能应答***，包括：
轨道交通知识图谱构建模块，用于获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱；
预处理模块，用于接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息；
匹配处理模块，用于将所述结构化表示信息转换为知识图谱查询语句，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行匹配检索，输出与所述第一输入匹配的应答信息。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于知识图谱的轨道交通智能应答方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于知识图谱的轨道交通智能应答方法的步骤。
本发明实施例提供的基于知识图谱的轨道交通智能应答方法及***，通过对轨道交通数据进行分析，设计出知识图谱的概念模式，提升了对轨道交通领域各业务实体之间关联关系的挖掘，根据概念模式构建轨道交通知识图谱，以该轨道交通知识图谱为基础，分析用户咨询的问句，在轨道交通知识图谱内进行查询，实现了辅助决策过程的自动化，可以较为高效地处理轨道交通场景下的业务操作。
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一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的一种基于知识图谱的轨道交通智能应答方法的流程示意图；
图2为本发明一实施例提供的第一类知识图谱的构建流程示意图；
图3为本发明又一实施例提供的第二类知识图谱的构建流程示意图；
图4为本发明实施例提供的基于知识图谱的轨道交通智能应答***的结构示意图；
图5为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
图1为本发明实施例提供的一种基于知识图谱的轨道交通智能应答方法的流程示意图，如图1所示，该方法包括：
步骤100，获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱；
可以理解的是，为了更好地处理差异化的且数量庞大的轨道交通数据，本发明实施例将应用知识图谱技术来高效化地管理轨道交通数据。
具体地，所述轨道交通电子数据包括但不限于：案例库数据、基础设施监测数据、人工检查数据、自然环境数据和线视频监控数据等类型。就电子数据的组织结果而言，可通过数学集合的形式进行表示。
例如，轨道交通电子数据包括有，危险源数据w＝{类型、位置，活动，引发事故类型，危害程度，管理单位}；
组织机构数据z＝{名称，所处机构，职责，优先级，管理方法，联系方式}；
应急值守数据y＝{班人员姓名，职务，联系方式，接班时间，交班时间，已办事项，未办事项，值班情况，事件时间，发生地点，处理记录，处理进度}；
设备监测数据s＝{设备名称，所处位置，报警时间，报警等级，报警状态，处置状态，管理人员，联系方式}；
数字化预案数据d＝{预案的名称，预案类型，响应级别，预案性质，当前版本，起草单位}；
数字化法律法规数据l＝{名称，类型，制订日期，生效日期，制订单位，版本}；
数字化资料数据q＝{资料名称，类型，制定单位，管理人员，联系方式，纸质存储位置}；
模拟演练数据m＝{计划名称，计划类型，制定部门，配合部门，参演人员，职责分工，演练日期，演练过程记录，演练结果，发现问题，改进措施}；
救援资源数据j＝{资源名称，资源类型，所属机构、用途、救援能力，使用状态，位置，详细位置，所属救援驻点，联系人姓名，联系人手机，顺序优先级}；
信息报送数据b＝{信息来源，报送单位，报送时间，签发人，联系人，联系电话，事件性质}；
历史案例数据a＝{事故发生时间，发生地点，事故报告单位，报告人，联系方式，处置过程记录，处置结果，图片记录}；
事故评估数据p＝{事故名称，发生类型，评估指标，评估方法，评估结果}；
地理信息数据g＝{大地测量数据，数字线划数据，数字正射影像数据，数字高程模型数据，数字栅格地图数据}；
***操作日志数据x＝{访问时间，用户名，事故名称，发生类型，评估指标，评估方法，评估结果}。
首先获取轨道交通电子数据，对轨道交通电子数据进行分析得到轨道交通数据的相关概念，利用这些概念构建概念模式的初步结构，然后对概念之间的关系进行分析及定义，完成概念模式的最终设计。与此同时，在轨道交通知识图谱生成部分，对轨道交通电子数据进行相关实体的提取，由于轨道交通数据的结构化程度高，且基于数据库进行存储，因此只需要形成实体集，根据设计好的轨道交通知识图谱概念模式通过实体填充的方法进行本体的构建，最后基于概念模式中的实体、关系与属性构建轨道交通知识图谱。
在一个实施例中，可以将概念模式中的实体、关系与属性组成三元组，以三元组的形式构建知识图谱，得到由结构化信息组成的轨道交通知识图谱。
步骤101，接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息；
具体地，在构建轨道交通知识图谱后，可基于轨道交通知识图谱来处理轨道交通场景下的某一类型的具体业务操作。
其中，业务操作的操作类型较多，例如，就轨道交通场景下的应答操作而言，可为运营人员问询某一轨道交通异常而进行的自动化应答操作。
当然，也可为非此类交谈式的应答操作，比如，也可为输入某段自然语言文本，自动给出相匹配的应答文本，即，应答操作本质上也可以是一个自然文本的匹配查询操作。故而，此处可给出一类应答流程。
在本发明实施例中用第一输入表示轨道交通场景下的某一类型的具体业务操作。由于第一输入通常是无结构的自然语言，而轨道交通知识图谱中的领域知识是结构化表示的，为了便于建立第一输入和知识图谱中的领域知识之间的匹配关系，需要对第一输入进行预处理，以得到第一输入对应的结构化表示信息。
步骤102、将所述结构化表示信息转换为知识图谱查询语句，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行匹配检索，输出与所述第一输入匹配的应答信息。
基于所述轨道交通知识图谱，生成所述第一输入对应的应答信息。应当理解的是，在得到结构化表示信息后，可在轨道交通知识图谱的框架下将结构化表示信息与轨道交通知识图谱中的信息进行匹配，获得一个匹配结果，该匹配结果即为可呈现给用户的与第一输入相对应的应答信息。
应答信息可用于各类轨道交通从业人员的辅助决策参考，或直接应用与轨道交通的运营指挥。例如，若待应答文本为运营人员问出的某一轨道交通异常，应答信息可为该轨道交通异常的详细状况及应对信息。
本发明实施例提供的基于知识图谱的轨道交通智能应答方法，通过对轨道交通数据进行分析，设计出知识图谱的概念模式，提升了对轨道交通领域各业务实体之间关联关系的挖掘，根据概念模式构建轨道交通知识图谱，以该轨道交通知识图谱为基础，分析用户咨询的问句，在轨道交通知识图谱内进行查询，实现了辅助决策过程的自动化，可以较为高效地处理轨道交通场景下的业务操作。
本发明另一实施例，在上述实施例的基础上，所述获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱，包括：
获取第一类轨道交通电子数据，对所述第一类轨道交通电子数据进行分析，得到轨道交通数据相关概念，并利用所述轨道交通数据相关概念构建概念模式的初步结构，对所述轨道交通数据相关概念之间的关系进行分析，确定轨道交通数据的概念模式；
对所述第一类轨道交通电子数据进行实体提取，以获得实体填充所需要的实体集，将所述轨道交通数据的概念模式中的概念与所述实体集中的实体一一对应并进行实体填充，获得轨道交通知识图谱。
可以理解的是，此处提供第一类知识图谱的构建方式。
其中，可参见图2所示的本发明一实施例提供的第一类知识图谱的构建流程示意图。
需知，第一类知识图谱的构建方式构建出的轨道交通知识图谱具有较强的普适性，可适用于多类业务操作的处理。
具体地，轨道交通知识图谱的构建主要由轨道交通知识图谱概念模式设计和轨道交通知识图谱生成两个步骤组成。
首先，可先对第一类轨道交通电子数据进行分析，得到轨道交通数据相关概念，再利用这些概念构建概念模式的初步结构，对所述轨道交通数据相关概念之间的关系进行分析及定义，完成概念模式的最终设计。
与此同时，在轨道交通知识图谱生成部分，可对第一类轨道交通电子数据进行相关实体的提取操作。由于第一类轨道交通电子数据的结构化程度高，且基于数据库进行存储，因此，只需要形成实体集；再根据设计好的轨道交通数据的概念模式，通过实体填充的方法进行领域本体的构建，最后，将概念模式中的实体、关系与属性组成三元组，以三元组的形式构建知识图谱，得到由结构化信息组成的轨道交通知识图谱。
其中，实体填充操作实质上就是一类赋值操作，用实体来填充概念模式。
进一步地，轨道交通数据库中的轨道交通电子数据是经过高度结构化处理的，所以，只需要通过“行名，列名，属性值”的方式即可直接提取到实体填充所需要的实体集。
第一类轨道交通电子数据主要包括案例库数据、基础设施监测数据、人工检查数据、自然环境数据、沿线视频监控数据等。通过知识图谱可以构建出以上各类别数据的组织关系，每一类数据下面还有具体的数据属性需要明确和构画，例如应急预案数据包含预案的名称、预案类型、响应级别、预案性质、当前版本、制定单位等相关信息。
本发明实施例提供的第一类知识图谱的构建方式将概念模式中的概念与实体集中的实体一一对应，采用BFS算法对已创建的概念模式进行填充，则可得到最终的轨道交通知识图谱。
可见，本发明实施例提供的第一类知识图谱的构建方式，可找到概念模式中的概念与实体集中的实体的关系，从而构建出面向整个轨道交通场景的轨道交通知识图谱。
本发明又一实施例，在上述实施例的基础上，所述获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱，包括：
获取第二类轨道交通电子数据，对所述第二类轨道交通电子数据进行文本预处理，以得到预处理数据；
从所述预处理数据中提取出词频共现矩阵；
对所述词频共现矩阵进行异质网络的聚类操作，以得到第一聚类结果；
对所述预处理数据进行潜在语义的分析操作，以得到相似度矩阵；
对所述相似度矩阵进行同质网络的聚类操作，以得到第二聚类结果；
根据所述第一聚类结果与所述第二聚类结果构建由结构化信息组成的轨道交通知识图谱。
可以理解的是，此处可提供第二类知识图谱的构建方式。
其中，可参见图3，为本发明又一实施例提供的第二类知识图谱的构建流程示意图。
需知，第二类知识图谱的构建方式构建出的预设轨道交通知识图谱可适用于智能应答操作。
具体地，可先获取第二类轨道交通电子数据，第二类轨道交通电子数据可来自于分别以列车、轨旁设备、人员、安全事故、事故预防及事故紧急处理为主题的轨道交通专业知识源。可见，可从轨道交通专业知识源中获取第二类轨道交通电子数据。
接着，对第二类轨道交通电子数据进行文本预处理，以得到预处理数据。
然后，从所述预处理数据中提取出词频共现矩阵；对所述词频共现矩阵进行异质网络的聚类操作，以得到第一聚类结果；对所述预处理数据进行潜在语义的分析操作，以得到相似度矩阵；对所述相似度矩阵进行同质网络的聚类操作，以得到第二聚类结果；根据所述第一聚类结果与所述第二聚类结果构建由结构化信息组成的轨道交通知识图谱。
最终，可构建出由结构化信息组成的轨道交通知识图谱。
特别地，第二类知识图谱的构建方式构建出的轨道交通知识图谱可针对查询频率较高的问题，在轨道交通知识图谱中查询后返回问题的答案。可见，本发明实施例提供的第二类知识图谱的构建方式，可以很好地适用于智能应答的应用场景。
本发明又一实施例，在上述实施例的基础上，所述接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息，包括：
接收第一输入；
对所述第一输入进行解析，获得所述第一输入对应的待应答文本；
对所述待应答文本进行分词、命名实体识别和依存句法分析，得到第一表示信息；
对所述第一表示信息进行实体映射，得到结构化表示信息。
前文已经提及，第一输入表示轨道交通场景下的某一类型的具体业务操作，可以是用户的自然语言问题，以音频或文本的形式。由于第一输入通常是无结构的自然语言，而轨道交通知识图谱中的领域知识是结构化表示的，为了便于建立第一输入和知识图谱中的领域知识之间的匹配关系，需要对第一输入进行预处理，以得到第一输入对应的结构化表示信息。
具体地，对第一输入进行预处理包括对第一输入进行解析，得到待应答文本，在一些实施例中，可使用自然语言解析器Stanford Parser和Stanford CoreNLP对用户给出的自然语言问题进行解析。
然后对待应答文本依次进行分词处理、命名实体识别和依存句法分析，从而将待应答文本转化为结构化表示，即得到第一表示信息。由于用户在查询时对同一实体的表述可能有所不同，在进行模板匹配查询时，根据结构化表示信息不能在知识图谱内得到准确的答案，所以还需要采用实体映射技术，将用户对同一实体的不同描述映射到该实体上，得到最终用于匹配查询模板的结构化表示信息。
本发明又一实施例，在上述实施例的基础上，所述接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息，包括：
接收第一输入；
对所述第一输入进行解析，获得所述第一输入对应的待应答文本；
对所述待应答文本进行分词、命名实体识别和依存句法分析，得到第一表示信息；
对所述第一表示信息进行语义扩展和过滤，得到第二表示信息；
对所述第二表示信息进行实体映射，得到作为结构化表示信息。
可以理解的是，考虑到自然语言文本的表达是较为灵活的，某些概念具有歧义性。用户提出的自然语言问题，可能出现自然语言问题和领域知识对同一个概念的表示不一致等状况，从而导致问题中的概念和领域知识之间无法直接建立起匹配关系。
为了优化匹配，可设计出一类查询扩展策略，可对结构化表示中的概念进行不同语义角度上的扩展。
例如，可基于WordNet和Microsoft Concept Graph对结构化表示信息中的实体进行不同语义角度的扩展，以得到单个或多个语义扩展信息。
其中，WordNet是一类语义网，Microsoft Concept Graph是一类知识图谱。其中，Word2Vec是一类词向量化模型。
其中，对每种语义角度的扩展，可基于相似度计算方法Word2Vec或UMBC设计不同的过滤策略，以提高扩展结果准确率。通过概念的语义扩展结果对用户查询需求进行更多方式的表达，从而实现对用户输入的语义扩展。
得到第二表示信息后，由于用户在查询时对同一实体的表述可能有所不同，在进行模板匹配查询时，根据结构化表示信息不能在知识图谱内得到准确的答案，所以还需要采用实体映射技术，将用户对同一实体的不同描述映射到该实体上，得到最终用于匹配查询模板的结构化表示信息。
在上述实施例的基础上，所述对所述待应答文本进行分词、命名实体识别和依存句法分析，得到第一表示信息，包括：
对所述待应答文本进行分词操作，以得到分词结果；
利用预先训练得到的轨道交通实体识别模型对所述分词结果进行命名实体识别，得到轨道交通实体；
对所述待应答文本进行依存句法分析，基于所述轨道交通实体，得到与所述轨道交通实体对应的第一表示信息。
具体地，对所述待应答文本进行分词操作，其中，分词操作可采用双向最大匹配分词算法，对长句进行切分。
接着，利用预先训练得到的轨道交通实体识别模型对所述分词结果进行命名实体识别，得到轨道交通实体。
其中，可采用长短期记忆网络-条件随机场LSTM-CRF(LongShort-Term Memory-conditional random field)算法预先训练得到轨道交通实体识别模型。
其中，轨道交通实体可为轨道交通场景中的名词对象，但不限于此。
之后，对所述待应答文本进行依存句法分析，基于所述轨道交通实体，获得待应答文本各句子中各单词与轨道交通实体之间的关系，得到与所述轨道交通实体对应的第一表示信息。
在一些实施例中，第一表示信息为三元组形式。
在一些实施例中，利用LTP-parser工具对待应答文本进行依存句法分析。
在上述实施例的基础上，优选地，将所述结构化表示信息转换为知识图谱查询语句，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行匹配检索，输出与所述第一输入匹配的应答信息，包括：
根据分词过程中得到的关键词对所述待应答文本进行分类，根据分类结果将所述结构化表示信息与所述分类结果对应的查询语句模板进行匹配，生成知识图谱查询语句；
将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行基于相似度和语义标记信息的匹配检索，输出与所述第一输入匹配的应答信息。
具体地，在一些实施例中，轨道交通知识图谱以资源描述框架(RDF，ResourceDescription Framework)的形式存储在计算机中。而SPARQL是专门为RDF数据集开发的一种查询语言和数据获取协议，换言之，***中的查询语言是以SPARQL语言为基础的，只有形成准确的SPARQL查询语句，才能在轨道交通知识图谱中进行查询。
因此，本发明实施例根据分词过程中得到的关键词对所述待应答文本进行分类，根据分类结果将结构化表示信息与所述分类结果对应的查询语句模板进行匹配，生成知识图谱查询语句。
可见，若查询语言是以SPARQL语言为基础的，所生成的也是SPARQL知识图谱查询语句，从而可在轨道交通知识图谱中进行查询操作，这对最终答案的生成有较大影响。
最后，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行基于相似度和语义标记信息的匹配检索，输出与所述第一输入匹配的应答信息。
本发明实施例在进行匹配检索时，除了考虑结构化表示信息中的概念和轨道交通知识图谱中的领域知识概念之间的相似度值，还考虑了二者之间的语义标记信息。
其中，领域知识即为预设轨道交通知识图谱中的结构化信息。
其中，语义标记信息可为一个标签，不同的语义标记信息可对应于不同的用户群体，比如，可对应调度人员、预备人员等。
由于用户群体不同，提出同一个问题所需的答案也不同。例如，当待应答文本为某一轨道交通异常时，运营人员可能需要的是一个更为详实更加完整的异常解决方式，但是，乘客可能仅需要的是一个简单的非专业化的异常状况解释。
所以，只有当相似度和标记信息都符合某种条件时，领域知识概念才可能是结构化表示信息的正确匹配。
本发明实施例提供的基于知识图谱的轨道交通智能应答方法，匹配正确率高。
图4为本发明实施例提供的基于知识图谱的轨道交通智能应答***的结构示意图，包括：
轨道交通知识图谱构建模块410，用于获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱；
预处理模块420，用于接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息；
匹配处理模块430，用于将所述结构化表示信息转换为知识图谱查询语句，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行匹配检索，输出与所述第一输入匹配的应答信息。
在一个实施例中，所述轨道交通知识图谱构建模块410，用于：
获取第一类轨道交通电子数据，对所述第一类轨道交通电子数据进行分析，得到轨道交通数据相关概念，并利用所述轨道交通数据相关概念构建概念模式的初步结构，对所述轨道交通数据相关概念之间的关系进行分析，确定轨道交通数据的概念模式；
对所述第一类轨道交通电子数据进行实体提取，以获得实体填充所需要的实体集，将所述轨道交通数据的概念模式中的概念与所述实体集中的实体一一对应并进行实体填充，获得轨道交通知识图谱。
在另一个实施例中，所述轨道交通知识图谱构建模块410，用于：
获取第二类轨道交通电子数据，对所述第二类轨道交通电子数据进行文本预处理，以得到预处理数据；
从所述预处理数据中提取出词频共现矩阵；
对所述词频共现矩阵进行异质网络的聚类操作，以得到第一聚类结果；
对所述预处理数据进行潜在语义的分析操作，以得到相似度矩阵；
对所述相似度矩阵进行同质网络的聚类操作，以得到第二聚类结果；
根据所述第一聚类结果与所述第二聚类结果构建由结构化信息组成的轨道交通知识图谱。
在另一个实施例中，所述预处理模块420，用于：
接收第一输入；
对所述第一输入进行解析，获得所述第一输入对应的待应答文本；
对所述待应答文本进行分词、命名实体识别和依存句法分析，得到第一表示信息，将所述第一表示信息作为结构化表示信息。
在另一个实施例中，所述预处理模块420，用于：
接收第一输入；
对所述第一输入进行解析，获得所述第一输入对应的待应答文本；
对所述待应答文本进行分词、命名实体识别和依存句法分析，得到第一表示信息；
对所述第一表示信息进行语义扩展和过滤，得到第二表示信息，将所述第二表示信息作为结构化表示信息。
基于上述实施例的内容，所述对所述待应答文本进行分词、命名实体识别和依存句法分析，得到第一表示信息，包括：
对所述待应答文本进行分词操作，以得到分词结果；
利用预先训练得到的轨道交通实体识别模型对所述分词结果进行命名实体识别，得到轨道交通实体；
对所述待应答文本进行依存句法分析，基于所述轨道交通实体，得到与所述轨道交通实体对应的第一表示信息。
在另一实施例中，所述匹配处理模块430，用于：
对所述结构化表示信息进行实体映射；
根据分词过程中得到的关键词对所述待应答文本进行分类，根据分类结果将经过实体映射的所述结构化表示信息与所述分类结果对应的查询语句模板进行匹配，生成知识图谱查询语句；
将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行基于相似度和语义标记信息的匹配检索，输出与所述第一输入匹配的应答信息。
本发明实施例提供的***实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的基于知识图谱的轨道交通智能应答***，通过对轨道交通数据进行分析，设计出知识图谱的概念模式，提升了对轨道交通领域各业务实体之间关联关系的挖掘，根据概念模式构建轨道交通知识图谱，以该轨道交通知识图谱为基础，分析用户咨询的问句，在轨道交通知识图谱内进行查询，实现了辅助决策过程的自动化，可以较为高效地处理轨道交通场景下的业务操作。
图5为本发明实施例提供的一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和总线540，其中，处理器510，通信接口520，存储器530通过总线540完成相互间的通信。通信接口520可以用于电子设备的信息传输。处理器510可以调用存储器530中的逻辑指令，以执行基于知识图谱的轨道交通智能应答方法，该方法包括：获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱；接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息；将所述结构化表示信息转换为知识图谱查询语句，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行匹配检索，输出与所述第一输入匹配的应答信息。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的基于知识图谱的轨道交通智能应答方法，该方法包括：获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱；接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息；将所述结构化表示信息转换为知识图谱查询语句，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行匹配检索，输出与所述第一输入匹配的应答信息。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于知识图谱的轨道交通智能应答方法，该方法包括：获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱；接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息；将所述结构化表示信息转换为知识图谱查询语句，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行匹配检索，输出与所述第一输入匹配的应答信息。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。
Claims (10)
1.一种基于知识图谱的轨道交通智能应答方法，其特征在于，包括：
获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱；
接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息；
将所述结构化表示信息转换为知识图谱查询语句，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行匹配检索，输出与所述第一输入匹配的应答信息。
2.根据权利要求1所述的基于知识图谱的轨道交通智能应答方法，其特征在于，所述获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱，包括：
获取第一类轨道交通电子数据，对所述第一类轨道交通电子数据进行分析，得到轨道交通数据相关概念，并利用所述轨道交通数据相关概念构建概念模式的初步结构，对所述轨道交通数据相关概念之间的关系进行分析，确定轨道交通数据的概念模式；
对所述第一类轨道交通电子数据进行实体提取，以获得实体填充所需要的实体集，将所述轨道交通数据的概念模式中的概念与所述实体集中的实体一一对应并进行实体填充，获得轨道交通知识图谱。
3.根据权利要求1所述的基于知识图谱的轨道交通智能应答方法，其特征在于，所述获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱，包括：
获取第二类轨道交通电子数据，对所述第二类轨道交通电子数据进行文本预处理，以得到预处理数据；
从所述预处理数据中提取出词频共现矩阵；
对所述词频共现矩阵进行异质网络的聚类操作，以得到第一聚类结果；
对所述预处理数据进行潜在语义的分析操作，以得到相似度矩阵；
对所述相似度矩阵进行同质网络的聚类操作，以得到第二聚类结果；
根据所述第一聚类结果与所述第二聚类结果构建由结构化信息组成的轨道交通知识图谱。
4.根据权利要求1所述的基于知识图谱的轨道交通智能应答方法，其特征在于，所述接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息，包括：
接收第一输入；
对所述第一输入进行解析，获得所述第一输入对应的待应答文本；
对所述待应答文本进行分词、命名实体识别和依存句法分析，得到第一表示信息；
对所述第一表示信息进行实体映射，得到结构化表示信息。
5.根据权利要求1所述的基于知识图谱的轨道交通智能应答方法，其特征在于，所述接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息，包括：
接收第一输入；
对所述第一输入进行解析，获得所述第一输入对应的待应答文本；
对所述待应答文本进行分词、命名实体识别和依存句法分析，得到第一表示信息；
对所述第一表示信息进行语义扩展和过滤，得到第二表示信息；
对所述第二表示信息进行实体映射，得到作为结构化表示信息。
6.根据权利要求4或5所述的基于知识图谱的轨道交通智能应答方法，其特征在于，所述对所述待应答文本进行分词、命名实体识别和依存句法分析，得到第一表示信息，包括：
对所述待应答文本进行分词操作，以得到分词结果；
利用预先训练得到的轨道交通实体识别模型对所述分词结果进行命名实体识别，得到轨道交通实体；
对所述待应答文本进行依存句法分析，基于所述轨道交通实体，得到与所述轨道交通实体对应的第一表示信息。
7.根据权利要求6所述的基于知识图谱的轨道交通智能应答方法，其特征在于，将所述结构化表示信息转换为知识图谱查询语句，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行匹配检索，输出与所述第一输入匹配的应答信息，包括：
根据分词过程中得到的关键词对所述待应答文本进行分类，根据分类结果将所述结构化表示信息与所述分类结果对应的查询语句模板进行匹配，生成知识图谱查询语句；
将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行基于相似度和语义标记信息的匹配检索，输出与所述第一输入匹配的应答信息。
8.一种基于知识图谱的轨道交通智能应答***，其特征在于，包括：
轨道交通知识图谱构建模块，用于获取轨道交通电子数据并确定知识图谱的概念模式，根据所述概念模式构建轨道交通知识图谱；
预处理模块，用于接收第一输入，响应于所述第一输入，对所述第一输入进行预处理，得到结构化表示信息；
匹配处理模块，用于将所述结构化表示信息转换为知识图谱查询语句，将所述知识图谱查询语句输入到所述轨道交通知识图谱中进行匹配检索，输出与所述第一输入匹配的应答信息。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于知识图谱的轨道交通智能应答方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于知识图谱的轨道交通智能应答方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010744413.6A CN111949779A (zh) | 2020-07-29 | 2020-07-29 | 基于知识图谱的轨道交通智能应答方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010744413.6A CN111949779A (zh) | 2020-07-29 | 2020-07-29 | 基于知识图谱的轨道交通智能应答方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111949779A true CN111949779A (zh) | 2020-11-17 |
Family
ID=73339745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010744413.6A Pending CN111949779A (zh) | 2020-07-29 | 2020-07-29 | 基于知识图谱的轨道交通智能应答方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111949779A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112612904A (zh) * | 2020-12-28 | 2021-04-06 | 交控科技股份有限公司 | 基于知识图谱的轨道交通应急方法及装置 |
| CN112966119A (zh) * | 2021-02-25 | 2021-06-15 | 青岛海信网络科技股份有限公司 | 一种信息获取方法、设备及介质 |
| CN113392227A (zh) * | 2021-05-31 | 2021-09-14 | 交控科技股份有限公司 | 面向轨道交通领域的元数据知识图谱引擎*** |
| CN113468304A (zh) * | 2021-06-28 | 2021-10-01 | 哈尔滨工程大学 | 一种基于知识图谱的船舶靠离泊知识问答查询***的构建方法 |
| CN115269931A (zh) * | 2022-09-28 | 2022-11-01 | 深圳技术大学 | 基于业务驱动的轨道交通车站数据图谱***及其构建方法 |
| CN116028645A (zh) * | 2023-01-30 | 2023-04-28 | 正元地理信息集团股份有限公司 | 城市市政基础设施应急知识图谱确定方法、***及设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6675159B1 (en) * | 2000-07-27 | 2004-01-06 | Science Applic Int Corp | Concept-based search and retrieval system |
| CN103488662A (zh) * | 2013-04-01 | 2014-01-01 | 哈尔滨工业大学深圳研究生院 | 基于图形处理单元的自组织映射神经网络聚类方法及*** |
| CN103678466A (zh) * | 2012-09-19 | 2014-03-26 | 国际商业机器公司 | 排列对于概念查询的回答的***和方法 |
| KR101662450B1 (ko) * | 2015-05-29 | 2016-10-05 | 포항공과대학교 산학협력단 | 다중 소스 하이브리드 질의응답 방법 및 시스템 |
| US20180067981A1 (en) * | 2016-09-06 | 2018-03-08 | International Business Machines Corporation | Automatic Detection and Cleansing of Erroneous Concepts in an Aggregated Knowledge Base |
| CN108427735A (zh) * | 2018-02-28 | 2018-08-21 | 东华大学 | 基于电子病历的临床知识图谱构建方法 |
| CN109492077A (zh) * | 2018-09-29 | 2019-03-19 | 北明智通（北京）科技有限公司 | 基于知识图谱的石化领域问答方法及*** |
| CN110390023A (zh) * | 2019-07-02 | 2019-10-29 | 安徽继远软件有限公司 | 一种基于改进bert模型的知识图谱构建方法 |
| CN111143531A (zh) * | 2019-12-24 | 2020-05-12 | 深圳市优必选科技股份有限公司 | 一种问答对构建方法、***、装置及计算机可读存储介质 |
| CN111221957A (zh) * | 2020-01-10 | 2020-06-02 | 合肥工业大学 | 一种基于知识组织的科技信息自动化处理方法及*** |
| CN111427968A (zh) * | 2019-10-28 | 2020-07-17 | 青岛海信网络科技股份有限公司 | 一种基于知识图谱的重点人员全息档案构建方法及装置 |
-
2020
- 2020-07-29 CN CN202010744413.6A patent/CN111949779A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6675159B1 (en) * | 2000-07-27 | 2004-01-06 | Science Applic Int Corp | Concept-based search and retrieval system |
| CN103678466A (zh) * | 2012-09-19 | 2014-03-26 | 国际商业机器公司 | 排列对于概念查询的回答的***和方法 |
| CN103488662A (zh) * | 2013-04-01 | 2014-01-01 | 哈尔滨工业大学深圳研究生院 | 基于图形处理单元的自组织映射神经网络聚类方法及*** |
| KR101662450B1 (ko) * | 2015-05-29 | 2016-10-05 | 포항공과대학교 산학협력단 | 다중 소스 하이브리드 질의응답 방법 및 시스템 |
| US20180067981A1 (en) * | 2016-09-06 | 2018-03-08 | International Business Machines Corporation | Automatic Detection and Cleansing of Erroneous Concepts in an Aggregated Knowledge Base |
| CN108427735A (zh) * | 2018-02-28 | 2018-08-21 | 东华大学 | 基于电子病历的临床知识图谱构建方法 |
| CN109492077A (zh) * | 2018-09-29 | 2019-03-19 | 北明智通（北京）科技有限公司 | 基于知识图谱的石化领域问答方法及*** |
| CN110390023A (zh) * | 2019-07-02 | 2019-10-29 | 安徽继远软件有限公司 | 一种基于改进bert模型的知识图谱构建方法 |
| CN111427968A (zh) * | 2019-10-28 | 2020-07-17 | 青岛海信网络科技股份有限公司 | 一种基于知识图谱的重点人员全息档案构建方法及装置 |
| CN111143531A (zh) * | 2019-12-24 | 2020-05-12 | 深圳市优必选科技股份有限公司 | 一种问答对构建方法、***、装置及计算机可读存储介质 |
| CN111221957A (zh) * | 2020-01-10 | 2020-06-02 | 合肥工业大学 | 一种基于知识组织的科技信息自动化处理方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 王学奎: "基于煤矿科学知识图谱的智能问答技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 9, 15 September 2019 (2019-09-15), pages 138 - 1263 * |
| 马晨浩: "基于甲状腺知识图谱的自动问答***设计与实现", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 6, 15 June 2019 (2019-06-15), pages 080 - 8 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112612904A (zh) * | 2020-12-28 | 2021-04-06 | 交控科技股份有限公司 | 基于知识图谱的轨道交通应急方法及装置 |
| CN112612904B (zh) * | 2020-12-28 | 2024-06-07 | 交控科技股份有限公司 | 基于知识图谱的轨道交通应急方法及装置 |
| CN112966119A (zh) * | 2021-02-25 | 2021-06-15 | 青岛海信网络科技股份有限公司 | 一种信息获取方法、设备及介质 |
| CN112966119B (zh) * | 2021-02-25 | 2022-11-25 | 青岛海信网络科技股份有限公司 | 一种信息获取方法、设备及介质 |
| CN113392227A (zh) * | 2021-05-31 | 2021-09-14 | 交控科技股份有限公司 | 面向轨道交通领域的元数据知识图谱引擎*** |
| CN113392227B (zh) * | 2021-05-31 | 2024-04-19 | 交控科技股份有限公司 | 面向轨道交通领域的元数据知识图谱引擎*** |
| CN113468304A (zh) * | 2021-06-28 | 2021-10-01 | 哈尔滨工程大学 | 一种基于知识图谱的船舶靠离泊知识问答查询***的构建方法 |
| CN115269931A (zh) * | 2022-09-28 | 2022-11-01 | 深圳技术大学 | 基于业务驱动的轨道交通车站数据图谱***及其构建方法 |
| CN115269931B (zh) * | 2022-09-28 | 2022-11-29 | 深圳技术大学 | 基于业务驱动的轨道交通车站数据图谱***及其构建方法 |
| CN116028645A (zh) * | 2023-01-30 | 2023-04-28 | 正元地理信息集团股份有限公司 | 城市市政基础设施应急知识图谱确定方法、***及设备 |
| CN116028645B (zh) * | 2023-01-30 | 2024-04-12 | 正元地理信息集团股份有限公司 | 城市市政基础设施应急知识图谱确定方法、***及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111949779A (zh) | 基于知识图谱的轨道交通智能应答方法及*** | |
| CN111026842B (zh) | 自然语言处理方法、自然语言处理装置及智能问答*** | |
| CN114579875A (zh) | 基于知识图谱的设备故障诊断与维修知识推荐*** | |
| JPH08287163A (ja) | 組織活動データベースの構築方法，それに使用する分析シート及び組織活動管理システム | |
| CN103425741A (zh) | 一种信息展示方法和装置 | |
| CN112463926A (zh) | 一种数据检索/智能问答方法、装置、存储介质 | |
| CN111581376A (zh) | 一种知识图谱自动构建***及方法 | |
| KR101682168B1 (ko) | 데이터 서비스 시스템 및 데이터 서비스 제공방법 | |
| CN112836018A (zh) | 应急预案的处理方法及装置 | |
| CN113190689B (zh) | 一种电力安全知识图谱的构建方法、装置、设备和介质 | |
| CN111209472A (zh) | 一种铁路事故故障关联和事故故障原因分析方法及*** | |
| CN111898852A (zh) | 企业隐患和事故知识图谱构建方法、电子设备、存储介质 | |
| CN111753522A (zh) | 事件抽取方法、装置、设备以及计算机可读存储介质 | |
| Dhoolia et al. | A cognitive system for business and technical support: A case study | |
| CN112612904B (zh) | 基于知识图谱的轨道交通应急方法及装置 | |
| RU2718978C1 (ru) | Способ управления автоматизированной системой правовых консультаций | |
| CN112905612A (zh) | 知识卡片的构建方法及装置 | |
| CN116701604A (zh) | 问答语料库的构建方法和装置、问答方法、设备及介质 | |
| CN115982322A (zh) | 一种水利行业设计领域知识图谱的检索方法及检索*** | |
| Randles et al. | A vocabulary for describing mapping quality assessment, refinement and validation | |
| CN115640403A (zh) | 基于知识图谱的知识管控方法及装置 | |
| CN106055702B (zh) | 一种面向互联网的数据服务统一描述方法 | |
| CN112148838B (zh) | 一种业务源对象提取方法与装置 | |
| CN115270746A (zh) | 问题样本生成方法和装置、电子设备及存储介质 | |
| CN115222058A (zh) | 调控***运行状态分析模型构建方法及装置、介质及设备 |
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 |