CN111966836A - 知识图谱向量表示方法、装置、计算机设备及存储介质 - Google Patents
知识图谱向量表示方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111966836A CN111966836A CN202010890588.8A CN202010890588A CN111966836A CN 111966836 A CN111966836 A CN 111966836A CN 202010890588 A CN202010890588 A CN 202010890588A CN 111966836 A CN111966836 A CN 111966836A
- Authority
- CN
- China
- Prior art keywords
- entities
- knowledge
- entity
- graph
- text 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
- 239000013598 vector Substances 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 230000007115 recruitment Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种知识图谱向量表示方法、装置、计算机设备及存储介质,该方法包括:获取包含人力资源行业中的文本信息;根据所述文本信息获取各类型实体,对所述实体进行分类;对分类后的实体进行归一,形成知识图谱训练语料;根据所述训练语料,通过skip‑gram个性化构建知识图谱向量。
Description
技术领域
本申请涉及人力资源行业的文本信息处理技术领域,尤其涉及一种知识图谱向量表示方法、装置、计算机设备及存储介质。
背景技术
知识图谱是自然语言处理的一个重要的分支,本质上是语义网络,是一种基于图的数据结构,由结点和边组成。是显示知识发展进程与结构关系的一个重要的模型。通过一些可视化组件可将知识图谱的语义网络清晰的描述。知识图谱通常采用三元组结构进行表示,即实体-关系-实体。例如:算法工程师-属于-职位名。
知识图谱在垂直领域的构建和运用也至关重要,本专利主要致力于人力资源行业知识图谱的向量表示,是在知识图谱构建后,通过一定变换形成训练语料,将实体变换为向量表示,在下游任务中得到较好的应用。
知识图谱中不同的实体词的类型属性难以界定,还有大量的类型属性和关系有待挖掘。因此,需要对于特定的类型,构建特定的训练语料,得到更利于工程落地的向量表示,使得知识图谱中的向量表示在产品上得到更好的应用。
发明内容
本申请提供了一种知识图谱向量表示方法、装置、计算机设备及存储介质,以提高实体结果的准确性。
第一方面,本申请提供了一种知识图谱向量表示方法,所述方法包括:
获取包含人力资源行业中的文本信息;
根据所述文本信息获取各类型实体,对所述实体进行分类;
对分类后的实体进行归一,形成知识图谱训练语料;
根据所述训练语料,通过skip-gram个性化构建知识图谱向量。
第二方面,本申请还提供了一种知识图谱向量表示装置,所述装置包括:
文本获取单元,用于获取包含人力资源行业中的文本信息;
实体分类单元,用于根据所述文本信息获取各类型实体,对所述实体进行分类;
语料训练单元,用于对分类后的实体进行归一,形成知识图谱训练语料;
图谱构建单元,用于根据所述训练语料,通过skip-gram个性化构建知识图谱向量。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器;所述存储器用于存储计算机程序;所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如上述的知识图谱向量表示方法。
第四方面,本申请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,所述计算机程序被处理器执行时使所述处理器实现如上述的知识图谱向量表示方法。
本申请公开了一种知识图谱向量表示方法、装置、设备及存储介质,通过。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请的一实施例提供的一种知识图谱向量表示方法的示意流程图;
图2是本申请的另一实施例的一种知识图谱向量表示方法的示意流程图;
图3是本申请的实施例提供的知识图谱实体向量示例图;
图4是本申请的实施例提供的人力资源行业中岗位扩展示例图;
图5为本申请实施例提供的人力资源行业中领域扩展示例图;
图6为本发明实施例的某公司的人力资源知识图谱示例图。
图7本发明实施例的两段文本的小型知识图谱示例图。
图8为本申请一实施例提供的知识图谱向量表示装置的示例图;
图9为本申请另一实施例提供的知识图谱向量表示装置的示例图;
图10为本申请一实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
为了让让本领域技术人员更好的理解,在这里对本发明实施例中所涉及到的部分用语进行解释说明。
知识图谱:又称为科学知识图谱,在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形。用于通过可视化技术描述知识资源极其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。知识图谱本质上是语义网络,是一种基于图的数据结构,由节点和边组成。在知识图谱里,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”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱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。知识图谱提供了从“关系”的角度去分析问题的能力。
实体:指的是具有可区别性且独立存在的某种事物。如某一个人、某一个城市、某一种植物等、某一种商品等等。世界万物由具体事物组成,此指实体。如“中国”、“美国”、“日本”等。实体是知识图谱中的最基本元素,不同的实体间存在不同的关系。
语义类(概念):具有同种特性的实体构成的集合,如国家、民族、书籍、电脑等。概念主要指集合、类别、对象类型、事物的种类,例如人物、地理等。内容:通常作为实体和语义类的名字、描述、解释等,可以由文本、图像、音视频等来表达。
属性(值):从一个实体指向它的属性值。不同的属性类型对应于不同类型属性的边。属性值主要指对象指定属性的值。如图1所示的“面积”、“人口”、“首都”是几种不同的属性。属性值主要指对象指定属性的值,例如960万平方公里等。
关系:形式化为一个函数,它把2个结点映射到一个布尔值。在知识图谱上,关系则是一个把2个图节点(实体、语义类、属性值)映射到布尔值的函数。
现有技术的知识图谱通常用百科和新闻的语料进行训练,包含的范围广泛,准确性不高,不具有实用性。无法在垂直领域得到很好的应用。
本申请的实施例提供了一种知识图谱向量表示方法、装置、计算机设备及存储介质。其中,该知识图谱向量表示方法可以应用于终端或服务器中,通过人力资源领域的文本生成知识图谱训练语料,语料训练后得到对应的实体向量,减少HR在招聘中的重复工作。
例如,知识图谱向量表示方法用于训练知识图谱向量,在这个模型中,知识图谱中的所有词都在同一个向量空间中,便于计算不同类型实体之间的距离。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1是本申请的实施例提供的一种知识图谱向量表示方法的示意流程图。其包括步骤S101至步骤S104。
S101、获取包含人力资源行业中的文本信息。
S102、根据所述文本信息获取各类型实体,对所述实体进行分类。
具体地,人力资源行业的文本信息中包括各种类型的实体,通过对不同的实体类型进行分类,以方便后续进行操作。比如对职位、工作时间、教育经历等。
S103、对分类后的实体进行归一,形成知识图谱训练语料。
具体地,对分类后的实体进行归一,可以避免同义词的干扰,比如自动驾驶和无人驾驶这2个实体词代表了相同的语义信息,可以将无人驾驶等归一为自动驾驶。
S104、根据所述训练语料,通过skip-gram个性化构建知识图谱向量。
通过skip-gram个性化构建知识图谱实体向量,可以有效地过滤一些文本里的噪音,得到质量较高的实体向量。
训练好的实体向量经过可视化后,每个实体都与其他实体有一定的距离,距离近的实体相似性更高,如图3,挑选了10万个实体进行了可视化展示,图中每一个点都代表一个实体。
本申请应用于人力资源行业领域,直接的有益效果是减少HR在招聘过程中的重复工作。传统的招聘需要耗费大量的人力和时间去筛选候选人,人力资源行业的知识图谱向量包含了了大量的知识信息,可以大大的减少招聘过程中的重复劳动,节约了人力和成本。
请参阅图2,在一个可选的实施例中,在根据所述文本信息获取各类型实体,对所述实体进行分类之前,还包括S102a、对所述实体进行消歧和纠错。在进行构建知识图谱向量之前先对实体进行消歧和纠错,使得构建的图谱向量更加准确。
请再次参照图2,在一可选的实施例中,在根据所述文本信息获取各类型实体,对所述实体进行分类之后,还包括:S102b、对包含实体较少的文本进行扩充。例如图4,算法工程师通过实体扩展可变为人工智能工程师、图像算法工程师、机器学习工程师、深度学习工程师、算法开发工程师等,可以有效地扩大相关搜索召回。对不同类型的实体,也可以找到相应的实体扩展,比如图5所示,实体词证券相关的实体词扩展后可找到基金、银行、期货、信托、券商、贷款等实体词,丰富实体词的关联知识信息。
如图4和图5所示,在一些实施例中,不同的文本,可以构建某公司的人力资源图谱,图谱中的实体词有不同的类别属性,便于该公司的招聘***进行搜索和查询。
具体地,在计算候选人匹配度时,先匹配到文本里的实体词,在将文本里的实体词进行向量扩展,扩展后通过整合实体向量计算2个文本里的相似度。
在得到知识图谱的词向量后,可以确定各待处理实体的知识图谱之间的距离,进一步确定两个待处理实体之间的相似度。其具体应用包括:
扩展待处理实体,对于待处理的单个类型的实体,通过扩展相似实体,得到扩展的实体和实体向量。进而把待处理实体和通过扩展的实体叠加平均得到一个新的实体向量。
如果有两个待处理实体需要计算相似度,知识图谱构建完成后,可以分别得到两组不同的实体向量。一组是2个原本在知识图谱中的向量,另外一组是通过扩展相似实体后得到的实体向量。这两组实体向量应用的场景也不一样,前一组实体向量可以计算同种类型的实体之间的相似度,便于拉开距离;后一组的实体向量可以计算不同种类型的实体之间的距离,便于拉近距离。
同时,也可以通过获取的词向量,得到相应实体的扩展实体,组成一个小型的知识图谱,通过小型知识图谱,获得一定主题的知识信息。具体包括:
对于某个公司的人力资源招聘***,可以提取该公司的一个小型的人力资源图谱,可以利于该公司的HR找到适合该公司的人才。
例如:获取该公司的训练文本,匹配知识图谱中的实体,获取该公司带有实体属性的实体向量,通过实体关系可以连接成一个小型的知识图谱。通过这个小型知识图谱,可以通过小型图谱中的实体向量去扩充实体,找到匹配的实体知识。例如图6所示,该公司HR在获得候选人的职位后,可以与小型知识图谱里的职位实体向量做匹配,匹配度高的可以接入具体招聘面试官面试,大大节省了该公司的招聘成本。
除了建立某个公司的人力招聘知识图谱,还可以建立两段文本的小型知识图谱,比如图7所示,HR在比较候选人与岗位的匹配度时,可以将岗位描述和候选人经历组建成2个小型的知识图谱,通过这2个小型知识图谱去扩充实体,然后将2个小型知识图谱中的向量加和求平均后得到2个小型知识图谱的向量表示,进而计算候选人和岗位之间的距离,得到相似度结果。
对于特定属性的实体,也可以根据实际应用场景建立一个特定实体的知识图谱。例如:在人力资源行业中,候选人所具备的技能在招聘中发挥了至关重要的作用。构建一个技能相关的知识图谱,可以对候选人的技能进行实体扩充,方便HR去全方位的了解候选人的技能情况。
请参阅图8,图8是本申请一实施例提供的一种模型训练装置的示意性框图,该模型训练装置可以配置于服务器中,用于执行前述的知识图谱向量表示方法。
如图8所示,该知识图谱向量表示装置200,包括:文本获取单元201、实体分类单元202、语料训练单元203和图谱构建单元204。
文本获取单元201,用于获取包含人力资源行业中的文本信息;
实体分类单元202,用于根据所述文本信息获取各类型实体,对所述实体进行分类;
语料训练单元203,用于对分类后的实体进行归一,形成知识图谱训练语料;
图谱构建单元204,用于根据所述训练语料,通过skip-gram个性化构建知识图谱向量。
如图9所示,在另一个实施例中,知识图谱向量表示装置还包括消歧纠错单元202a和扩充单元202b,用于对所述实体进行消歧和纠错。扩充单元,用于对包含实体较少的文本进行扩充。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
上述的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。
参阅图10,该计算机设备包括通过***总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作***和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种知识图谱向量表示方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种知识图谱向量表示方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取包含人力资源行业中的文本信息;根据所述文本信息获取各类型实体,对所述实体进行分类;对分类后的实体进行归一,形成知识图谱训练语料;根据所述训练语料,通过skip-gram个性化构建知识图谱向量。
本申请的实施例中还提供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,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请实施例提供的任一项知识图谱向量表示方法。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种知识图谱向量表示方法,其特征在于,包括:
获取包含人力资源行业中的文本信息;
根据所述文本信息获取各类型实体,对所述实体进行分类;
对分类后的实体进行归一,形成知识图谱训练语料;
根据所述训练语料,通过skip-gram个性化构建知识图谱向量。
2.根据权利要求1所述的表示方法,其特征在于,在根据所述文本信息获取各类型实体,对所述实体进行分类之前,还包括:对所述实体进行消歧和纠错。
3.根据权利要求2所述的表示方法,其特征在于,在根据所述文本信息获取各类型实体,对所述实体进行分类之后,还包括:
对包含实体较少的文本进行扩充。
4.一种知识图谱向量表示装置,其特征在于,包括:
文本获取单元,用于获取包含人力资源行业中的文本信息;
实体分类单元,用于根据所述文本信息获取各类型实体,对所述实体进行分类;
语料训练单元,用于对分类后的实体进行归一,形成知识图谱训练语料;
图谱构建单元,用于根据所述训练语料,通过skip-gram个性化构建知识图谱向量。
5.根据权利要求4所述的知识图谱向量表示装置,其特征在于,还包括:
消歧纠错单元,用于对所述实体进行消歧和纠错。
6.根据权利要求1所述的检测方法,其特征在于,还包括:
扩充单元,用于对包含实体较少的文本进行扩充。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至4中任一项所述的知识图谱向量表示方法。
8.一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,所述计算机程序被处理器执行时使所述处理器实现如权利要求1至3中任一项所述的知识图谱向量表示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010890588.8A CN111966836A (zh) | 2020-08-29 | 2020-08-29 | 知识图谱向量表示方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010890588.8A CN111966836A (zh) | 2020-08-29 | 2020-08-29 | 知识图谱向量表示方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111966836A true CN111966836A (zh) | 2020-11-20 |
Family
ID=73400670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010890588.8A Pending CN111966836A (zh) | 2020-08-29 | 2020-08-29 | 知识图谱向量表示方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111966836A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434687A (zh) * | 2021-07-22 | 2021-09-24 | 高向咨询(深圳)有限公司 | 自动简历查找方法、自动招聘***、计算机存储介质 |
CN117076484A (zh) * | 2023-09-04 | 2023-11-17 | 北京大学 | 基于时序知识图谱的人力资源数据分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105824802A (zh) * | 2016-03-31 | 2016-08-03 | 清华大学 | 一种获取知识图谱向量化表示的方法以及装置 |
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*** |
CN109033284A (zh) * | 2018-07-12 | 2018-12-18 | 国网福建省电力有限公司 | 基于知识图谱的电力信息运维***数据库构建方法 |
CN110347894A (zh) * | 2019-05-31 | 2019-10-18 | 平安科技(深圳)有限公司 | 基于爬虫的知识图谱处理方法、装置、计算机设备及存储介质 |
CN110516073A (zh) * | 2019-08-30 | 2019-11-29 | 北京百度网讯科技有限公司 | 一种文本分类方法、装置、设备和介质 |
CN110851577A (zh) * | 2019-10-30 | 2020-02-28 | 国网江苏省电力有限公司电力科学研究院 | 一种电力领域的知识图谱扩充方法及装置 |
CN111488468A (zh) * | 2020-04-30 | 2020-08-04 | 北京建筑大学 | 地理信息知识点抽取方法、装置、存储介质及计算机设备 |
-
2020
- 2020-08-29 CN CN202010890588.8A patent/CN111966836A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105824802A (zh) * | 2016-03-31 | 2016-08-03 | 清华大学 | 一种获取知识图谱向量化表示的方法以及装置 |
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*** |
CN109033284A (zh) * | 2018-07-12 | 2018-12-18 | 国网福建省电力有限公司 | 基于知识图谱的电力信息运维***数据库构建方法 |
CN110347894A (zh) * | 2019-05-31 | 2019-10-18 | 平安科技(深圳)有限公司 | 基于爬虫的知识图谱处理方法、装置、计算机设备及存储介质 |
CN110516073A (zh) * | 2019-08-30 | 2019-11-29 | 北京百度网讯科技有限公司 | 一种文本分类方法、装置、设备和介质 |
CN110851577A (zh) * | 2019-10-30 | 2020-02-28 | 国网江苏省电力有限公司电力科学研究院 | 一种电力领域的知识图谱扩充方法及装置 |
CN111488468A (zh) * | 2020-04-30 | 2020-08-04 | 北京建筑大学 | 地理信息知识点抽取方法、装置、存储介质及计算机设备 |
Non-Patent Citations (1)
Title |
---|
韩萌;李蔚清;: "基于特征增强的中文STEM课程知识的关系抽取", 计算机应用研究, no. 1 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434687A (zh) * | 2021-07-22 | 2021-09-24 | 高向咨询(深圳)有限公司 | 自动简历查找方法、自动招聘***、计算机存储介质 |
CN117076484A (zh) * | 2023-09-04 | 2023-11-17 | 北京大学 | 基于时序知识图谱的人力资源数据分析方法 |
CN117076484B (zh) * | 2023-09-04 | 2024-04-19 | 北京大学 | 基于时序知识图谱的人力资源数据分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Transparency and accountability in AI decision support: Explaining and visualizing convolutional neural networks for text information | |
US11681925B2 (en) | Techniques for creating, analyzing, and modifying neural networks | |
US20170329755A1 (en) | Method and apparatus and computer device for automatic semantic annotation for an image | |
US11640539B2 (en) | Techniques for visualizing the operation of neural networks using samples of training data | |
DE102014108191A1 (de) | Fehlerkorrektur in Tabellen unter Verwendung erkannter funktionaler Abhängigkeiten | |
AU2018279013B2 (en) | Method and system for extraction of relevant sections from plurality of documents | |
CN112579727B (zh) | 文档内容的提取方法、装置、电子设备及存储介质 | |
CN107748745B (zh) | 一种企业名称关键字提取方法 | |
US9031894B2 (en) | Parsing and rendering structured images | |
US8204889B2 (en) | System, method, and computer-readable medium for seeking representative images in image set | |
US20210012209A1 (en) | Techniques for modifying neural network definitions | |
CN111966836A (zh) | 知识图谱向量表示方法、装置、计算机设备及存储介质 | |
CN112784054A (zh) | 概念图处理装置、概念图处理方法和计算机可读介质 | |
US11615321B2 (en) | Techniques for modifying the operation of neural networks | |
CN115358397A (zh) | 一种基于数据采样的并行图规则挖掘方法及装置 | |
Li et al. | Comic image understanding based on polygon detection | |
CN113656556B (zh) | 一种文本特征抽取方法及知识图谱构建方法 | |
KR101983477B1 (ko) | 단락 기반 핵심 개체 식별을 이용한 한국어 주어의 생략 성분 복원 방법 및 시스템 | |
Dutta et al. | Structural analysis and regular expressions based noise elimination from web pages for web content mining | |
CN112328812B (zh) | 基于自调参数的领域知识抽取方法与***、电子设备 | |
CN111753027B (zh) | 一种面向多实体的隐式知识图谱表示的方法及装置 | |
CN114417860A (zh) | 一种信息检测方法、装置及设备 | |
Schlie et al. | Comparing multiple MATLAB/Simulink models using static connectivity matrix analysis | |
CN117540107B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
US20240126978A1 (en) | Determining attributes for elements of displayable content and adding them to an accessibility tree |
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 |