CN112395429A - 基于图神经网络的hs编码判定、推送、应用方法、***及存储介质 - Google Patents
基于图神经网络的hs编码判定、推送、应用方法、***及存储介质 Download PDFInfo
- Publication number
- CN112395429A CN112395429A CN202011404225.5A CN202011404225A CN112395429A CN 112395429 A CN112395429 A CN 112395429A CN 202011404225 A CN202011404225 A CN 202011404225A CN 112395429 A CN112395429 A CN 112395429A
- Authority
- CN
- China
- Prior art keywords
- description information
- neural network
- judged
- hierarchy
- graph neural
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013145 classification model Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F16/36—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
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及表单生成技术领域,公开了基于图神经网络的HS编码判定、推送、应用方法、***及存储介质,包括:获取待判定的对象描述信息;根据获取的待判定的对象描述信息,以及预先训练的图谱数据,对待判定的对象的类别进行判定,并与图谱数据进行实体链接;其中,所述预先训练的图谱数据根据已提供的HS编码文档数据,结合语义库训练生成模型,并通过外界数据反馈,AI算法持续学习、优化。本申请建设一个能够满足报关预归类业务领域的智能搜索知识引擎实现快速获取知识的需求,同时满足知识智能化更新需求的知识管理和维护知识库。
Description
技术领域
本申请涉及表单生成技术领域,尤其是涉及基于图神经网络的HS编码判定、推送、应用方法、***及存储介质。
背景技术
HS编码(HarmoniszationSystemCode,国际商品统一分类代码)是由国际海关理事会制定的编码协调制度,对各种不同产品出入境应征或应退关税税率进行量化管理的一个统一标准。
HS编码类目繁多,其包括22个大类,96个主要类别章节,总共包括上万个子类。通关时涉及HS编码归类可利用的信息主要为商品名称和商品规格(即申报要素),而全量的十位编码上万个。因此,当用户存在知识需求时,最先考虑到的是在特定的领域知识库中采用搜索的方式寻找对应问题的答案。目前报关预归类领域的知识已经比较成熟,但在知识的表示、组织、管理等方面还是采用较为落后的电子文档方式,知识间的联系没有很好的建立,知识间存在信息孤岛问题。同时,预归类过程中很多归类体系存在一定相似性,同一个问题可能在很多章节都有近似答案,在传统的数据库搜索里,很难精准的匹配答案。
发明内容
为了建设一个能够满足报关预归类业务领域的智能搜索知识引擎实现快速获取知识的需求,同时满足知识智能化更新需求的知识管理和维护知识库,本申请提供了基于图神经网络的HS编码判定、推送、应用方法、***及存储介质。
第一方面,本申请提供的基于图神经网络的HS编码判定方法,包括:
获取待判定的对象描述信息;
根据获取的待判定的对象描述信息,以及预先训练的图谱数据,对待判定的对象的类别进行判定,并与图谱数据进行实体链接;
其中,所述预先训练的图谱数据根据已提供的HS编码文档数据,结合语义库训练生成模型,并通过外界数据反馈,AI算法持续学习、优化。
通过采用上述技术方案,基于深度学习的模型训练,辅以自然语言处理,并非简单的调用数据库,可以实现对新商品(未在数据库中出现的商品)进行归类,同时,经过外界数据反馈,AI算法能够不断自我学习成长,图谱数据会随着时间增长,用户使用,不断自我学习,优化,越来越强大,最终建设一个能够满足报关预归类业务领域的智能搜索知识引擎实现快速获取知识的需求,同时满足知识智能化更新需求的知识管理和维护知识库。
在一些实施方式中,根据获取的待判定的对象描述信息,以及预先训练的图谱数据,对待判定的对象的类别进行判定包括:
对所述待判定类别的对象的类别划分层级;
依据划分的层级自顶向下,根据获取的对象描述信息,以及层级对应的预先训练的层级分类模型,对各层级对应的层级类别进行判定;
链接到图谱数据中的唯一实体。
在一些实施方式中,通过以下方式训练得到每层级对应的层级分类模型:
选取训练样品,提取样品的描述信息的特征内容作为查询语句;
对提取的查询语句以及对应的层级类别进行匹配,以训练得到每层级对应的层级分类模型。
在一些实施方式中,还包括以下方式训练得到每层级对应的层级分类模型:
基于待判定的对象描述信息,提取判定的对象描述信息的特征内容作为查询语句;
对提取的查询语句以及对应的层级类别进行匹配,以训练得到每层级对应的层级分类模型。
在一些实施方式中,对层级对应的层级类别进行判定包括基于排序学习及语义特征计算匹配程度,并进行搜索排序。
在一些实施方式中,对层级对应的层级类别进行判定的判定特征包括:
待判定的对象描述信息与查询路径的基于字和词的静态嵌入向量,及其余弦相似度;
待判定的对象描述信息与查询路径的上下文有关嵌入向量,及其余弦相似度;
待判定的对象描述信息与查询路径基于字和词的jaccard相似度;
待判定的对象描述信息与查询路径基于字和词的levenstein相似度;
基于上述判定特征,采用排序学习算法进行搜索排序。
在一些实施方式中,在将待判定的对象描述信息与图谱数据进行实体链接时,包括挖掘以下特征:
实体名称与待判定的对象描述信息的语义相似度;
实体二度子图与待判定的对象描述信息的语义相似度;
实体类型与待判定的对象描述信息的语义相似度;
实体在知识图谱中的出现频次和关系种类;
mention在问题中的字面特征;
基于以上特征,使用排序学习算法,进行召回排序,最终链接到图谱数据中的唯一实体。
第二方面,本申请还公开了基于图神经网络的HS编码推送、应用方法,基于上述基于图神经网络的HS编码判定方法获取待判定的对象的类别,并推送类别信息,生成单据。
第三方面,本申请还公开了基于图神经网络的HS编码检索***,其特征在于,包括:
获取单元,用于获取待判定的对象描述信息;
判定单元,用于根据获取的待判定的对象描述信息,以及预先训练的图谱数据对待判定的对象的类别进行判定;
推送单元,用于推送判定单元判定的结果;
存储器和处理器,所述存储器上存储有能够被处理器加载并执行上述基于图神经网络的HS编码判定推送、应用方法的计算机程序。
第三方面,本申请还公开了一种计算机可读存储介质,存储有能够被处理器加载并执行上述基于图神经网络的HS编码判定推送、应用方法的计算机程序。
综上所述,本申请提供的基于图神经网络的HS编码判定、推送、应用方法、***及存储介质包括以下至少一种有益技术效果:
1.在知识图谱构建好之后,自动抽取查询路径生成相应的模版,并基于排序学习算法、语义特征,以及知识图谱本身的特征(流行度)等特征和技术,计算出与问题的匹配程度,从而生成数据库查询语句,减少人工编写规则;
2.基于深度学习的模型训练,辅以自然语言处理、实体消歧义和错别字纠错能力的基础上进行语义识别并搜索结果,并非简单的调用数据库,本发明可以实现对新商品(未在数据库中出现的商品)进行归类;
3.根据已提供的文档数据,结合中文语义库、训练模型、生成图谱数据,同时经过外界数据反馈,AI算法能够不断自我学习成长,图谱数据会随着时间增长,用户使用,不断自我学习,优化,越来越强大。
附图说明
图1为本申请提供的基于图神经网络的HS编码检索***的结构框图。
图中,
1、获取单元;2、判定单元;3、推送单元;4、存储器;5、处理器。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本申请实施例提供基于图神经网络的HS编码判定、推送、应用方法、***及存储介质。
本申请实施例提供基于图神经网络的HS编码判定方法,包括:
获取待判定的对象描述信息;
根据获取的待判定的对象描述信息,以及预先训练的图谱数据,对待判定的对象的类别进行判定,并与图谱数据进行实体链接,预先训练的图谱数据根据已提供的HS编码文档数据,结合语义库训练生成模型,并通过外界数据反馈,AI算法持续学习、优化。
其中,根据获取的待判定的对象描述信息,以及预先训练的图谱数据,对待判定的对象的类别进行判定包括:
对待判定类别的对象的类别划分层级;
依据划分的层级自顶向下,根据获取的对象描述信息,以及层级对应的预先训练的层级分类模型,对各层级对应的层级类别进行判定,对层级对应的层级类别进行判定包括基于排序学习及语义特征计算匹配程度,并进行搜索排序,具体包括:
待判定的对象描述信息与查询路径的基于字和词的静态嵌入向量,及其余弦相似度;
待判定的对象描述信息与查询路径的上下文有关嵌入向量,及其余弦相似度;
待判定的对象描述信息与查询路径基于字和词的jaccard相似度;
待判定的对象描述信息与查询路径基于字和词的levenstein相似度;
查询子图的图嵌入向量;
基于上述判定特征,采用排序学习算法进行搜索排序。
在本申请此实施方式中,还包括实体消岐和纠错能力:对于问题的中的mention,基于知识图谱和文本相似性模型,统一进行纠错,实体消歧和实体链接。
另外,在将待判定的对象描述信息与图谱数据进行实体链接时,包括挖掘以下特征:
实体名称与待判定的对象描述信息的语义相似度;
实体二度子图与待判定的对象描述信息的语义相似度;
实体类型与待判定的对象描述信息的语义相似度;
实体在知识图谱中的出现频次和关系种类;
mention在问题中的字面特征;
基于以上特征,使用排序学习算法,进行召回排序,最终链接到图谱数据中的唯一实体。
在本申请此实施方式中,通过以下方式训练得到每层级对应的层级分类模型:
选取训练样品,提取样品的描述信息的特征内容作为查询语句,和/或基于待判定的对象描述信息,提取判定的对象描述信息的特征内容作为查询语句;
对提取的查询语句以及对应的层级类别进行匹配,以训练得到每层级对应的层级分类模型。
在本申请运用中,在搜索框中输入需要查询的商品信息。点击搜索按钮或者按回车进行搜索,搜索过程中,搜索栏下方会提供搜索建议,用于快速选中希望查询的信息,在搜索不是在数据库中进行搜索已经进行归类的商品,而是当搜索没有进行归类过的商品,***会进行自然语言处理,根据训练的模型自动进行商品归类。
本申请还公开了基于图神经网络的HS编码推送、应用方法,其基于上述基于图神经网络的HS编码判定方法获取待判定的对象的类别,并推送类别信息,生成单据。
本申请还公开了基于图神经网络的HS编码检索***,包括:
获取单元1,用于获取待判定的对象描述信息;
判定单元2,用于根据获取的待判定的对象描述信息,以及预先训练的图谱数据对待判定的对象的类别进行判定;
推送单元3,用于推送判定单元2判定的结果;以及,
存储器4和处理器5,存储器4上存储有能够被处理器5加载并执行上述基于图神经网络的HS编码判定、推送、应用方法的计算机程序。
本申请实施例提供一种存储介质,存储介质存储有指令集,该指令集适于一处理器5加载并执行上述基于图神经网络的HS编码判定、推送、应用方法步骤。
计算机存储介质例如包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的***,装置和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。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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,本申请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全部或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)或处理器(processor)执行本申请各个实施例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、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上实施例仅用以对本申请的技术方案进行了详细介绍,但以上实施例的说明只是用于帮助理解本申请的方法及其核心思想,不应理解为对本申请的限制。本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.基于图神经网络的HS编码判定方法,其特征在于,包括:
获取待判定的对象描述信息;
根据获取的待判定的对象描述信息,以及预先训练的图谱数据,对待判定的对象的类别进行判定,并与图谱数据进行实体链接;
其中,所述预先训练的图谱数据根据已提供的HS编码文档数据,结合语义库训练生成模型,并通过外界数据反馈,AI算法持续学习、优化。
2.根据权利要求1所述的基于图神经网络的HS编码判定方法,其特征在于,根据获取的待判定的对象描述信息,以及预先训练的图谱数据,对待判定的对象的类别进行判定包括:
对所述待判定类别的对象的类别划分层级;
依据划分的层级自顶向下,根据获取的对象描述信息,以及层级对应的预先训练的层级分类模型,对各层级对应的层级类别进行判定;
链接到图谱数据中的唯一实体。
3.根据权利要求2所述的基于图神经网络的HS编码判定方法,其特征在于,通过以下方式训练得到每层级对应的层级分类模型:
选取训练样品,提取样品的描述信息的特征内容作为查询语句;
对提取的查询语句以及对应的层级类别进行匹配,以训练得到每层级对应的层级分类模型。
4.根据权利要求3所述的基于图神经网络的HS编码判定方法,其特征在于,还包括以下方式训练得到每层级对应的层级分类模型:
基于待判定的对象描述信息,提取判定的对象描述信息的特征内容作为查询语句;
对提取的查询语句以及对应的层级类别进行匹配,以训练得到每层级对应的层级分类模型。
5.根据权利要求2所述的基于图神经网络的HS编码判定方法,其特征在于,对层级对应的层级类别进行判定包括基于排序学习及语义特征计算匹配程度,并进行搜索排序。
6.根据权利要求5所述的基于图神经网络的HS编码判定方法,其特征在于,对层级对应的层级类别进行判定的判定特征包括:
待判定的对象描述信息与查询路径的基于字和词的静态嵌入向量,及其余弦相似度;
待判定的对象描述信息与查询路径的上下文有关嵌入向量,及其余弦相似度;
待判定的对象描述信息与查询路径基于字和词的jaccard相似度;
待判定的对象描述信息与查询路径基于字和词的levenstein相似度;
基于上述判定特征,采用排序学习算法进行搜索排序。
7.根据权利要求6所述的基于图神经网络的HS编码判定方法,其特征在于,在将待判定的对象描述信息与图谱数据进行实体链接时,包括挖掘以下特征:
实体名称与待判定的对象描述信息的语义相似度;
实体二度子图与待判定的对象描述信息的语义相似度;
实体类型与待判定的对象描述信息的语义相似度;
实体在知识图谱中的出现频次和关系种类;
mention在问题中的字面特征;
基于以上特征,使用排序学习算法,进行召回排序,最终链接到图谱数据中的唯一实体。
8.基于图神经网络的HS编码推送、应用方法,其特征在于,基于权利要求1-7中任一所述的基于图神经网络的HS编码判定方法获取待判定的对象的类别,并推送类别信息,生成单据。
9.基于图神经网络的HS编码检索***,其特征在于,包括:
获取单元(1),用于获取待判定的对象描述信息;
判定单元(2),用于根据获取的待判定的对象描述信息,以及预先训练的图谱数据对待判定的对象的类别进行判定;
推送单元(3),用于推送判定单元(2)判定的结果;
存储器(4)和处理器(5),所述存储器(4)上存储有能够被处理器(5)加载并执行如权利要求1至7中任一所述的基于图神经网络的HS编码判定、推送、应用方法的计算机程序。
10.一种计算机可读存储介质,其特征在于,存储有能够被处理器(5)加载并执行如权利要求1至7中任一所述的基于图神经网络的HS编码判定、推送、应用方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011404225.5A CN112395429A (zh) | 2020-12-02 | 2020-12-02 | 基于图神经网络的hs编码判定、推送、应用方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011404225.5A CN112395429A (zh) | 2020-12-02 | 2020-12-02 | 基于图神经网络的hs编码判定、推送、应用方法、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112395429A true CN112395429A (zh) | 2021-02-23 |
Family
ID=74604365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011404225.5A Pending CN112395429A (zh) | 2020-12-02 | 2020-12-02 | 基于图神经网络的hs编码判定、推送、应用方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395429A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115249100A (zh) * | 2021-04-27 | 2022-10-28 | 深南电路股份有限公司 | 一种材料等级数据生成方法、装置及计算机可读存储介质 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080097933A1 (en) * | 2000-05-18 | 2008-04-24 | United Parcel Service Of America, Inc. | System and method for calculating real-time costing information |
US20120124050A1 (en) * | 2010-11-16 | 2012-05-17 | Electronics And Telecommunications Research Institute | System and method for hs code recommendation |
CN107705066A (zh) * | 2017-09-15 | 2018-02-16 | 广州唯品会研究院有限公司 | 一种商品入库时信息录入方法及电子设备 |
CN107861972A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种用户录入商品信息后显示商品全结果的方法及设备 |
KR20180050461A (ko) * | 2016-11-04 | 2018-05-15 | (주)에코인사이트글로벌 | 인공지능 기계학습 기반의 hs 품목분류 결정시스템과 결정방법 |
CN108959461A (zh) * | 2018-06-15 | 2018-12-07 | 东南大学 | 一种基于图模型的实体链接方法 |
CN109598517A (zh) * | 2017-09-29 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 商品通关处理、对象的处理及其类别预测方法和装置 |
CN109885660A (zh) * | 2019-02-22 | 2019-06-14 | 上海乐言信息科技有限公司 | 一种知识图谱赋能的基于信息检索的问答***和方法 |
CN109885698A (zh) * | 2019-02-13 | 2019-06-14 | 北京航空航天大学 | 一种知识图谱构建方法及装置、电子设备 |
CN109903117A (zh) * | 2019-01-04 | 2019-06-18 | 苏宁易购集团股份有限公司 | 一种用于商品推荐的知识图谱处理方法及装置 |
CN110471948A (zh) * | 2019-07-10 | 2019-11-19 | 北京交通大学 | 一种基于历史数据挖掘的海关报关商品智能归类方法 |
CN110888946A (zh) * | 2019-12-05 | 2020-03-17 | 电子科技大学广东电子信息工程研究院 | 一种基于知识驱动的查询的实体链接方法 |
CN111199459A (zh) * | 2019-12-30 | 2020-05-26 | 深圳市盟天科技有限公司 | 商品推荐方法、装置、电子设备、及存储介质 |
CN111369318A (zh) * | 2020-02-28 | 2020-07-03 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及*** |
CN111428044A (zh) * | 2020-03-06 | 2020-07-17 | 中国平安人寿保险股份有限公司 | 多模态获取监管识别结果的方法、装置、设备及存储介质 |
CN111488458A (zh) * | 2020-04-13 | 2020-08-04 | 上海朗曦信息技术有限公司 | 国际贸易商品代码的自动识别处理方法及*** |
CN111563149A (zh) * | 2020-04-24 | 2020-08-21 | 西北工业大学 | 一种用于中文知识图谱问答***的实体链接方法 |
CN111563168A (zh) * | 2020-03-03 | 2020-08-21 | 天津蒙比利埃创新网络科技有限公司 | 一种基于ai知识图谱算法用于通关商品智能归类的方法 |
CN111639498A (zh) * | 2020-04-21 | 2020-09-08 | 平安国际智慧城市科技股份有限公司 | 知识抽取方法、装置、电子设备及存储介质 |
CN111723215A (zh) * | 2020-06-19 | 2020-09-29 | 国家计算机网络与信息安全管理中心 | 基于文本挖掘的生物技术信息知识图谱构建装置与方法 |
WO2020224220A1 (zh) * | 2019-05-07 | 2020-11-12 | 平安科技(深圳)有限公司 | 基于知识图谱的问答方法、电子装置、设备及存储介质 |
US10839349B1 (en) * | 2017-12-29 | 2020-11-17 | Intuit Inc. | User behavior confidence level of automation |
-
2020
- 2020-12-02 CN CN202011404225.5A patent/CN112395429A/zh active Pending
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080097933A1 (en) * | 2000-05-18 | 2008-04-24 | United Parcel Service Of America, Inc. | System and method for calculating real-time costing information |
US20120124050A1 (en) * | 2010-11-16 | 2012-05-17 | Electronics And Telecommunications Research Institute | System and method for hs code recommendation |
KR20180050461A (ko) * | 2016-11-04 | 2018-05-15 | (주)에코인사이트글로벌 | 인공지능 기계학습 기반의 hs 품목분류 결정시스템과 결정방법 |
CN107705066A (zh) * | 2017-09-15 | 2018-02-16 | 广州唯品会研究院有限公司 | 一种商品入库时信息录入方法及电子设备 |
CN107861972A (zh) * | 2017-09-15 | 2018-03-30 | 广州唯品会研究院有限公司 | 一种用户录入商品信息后显示商品全结果的方法及设备 |
CN109598517A (zh) * | 2017-09-29 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 商品通关处理、对象的处理及其类别预测方法和装置 |
US10839349B1 (en) * | 2017-12-29 | 2020-11-17 | Intuit Inc. | User behavior confidence level of automation |
CN108959461A (zh) * | 2018-06-15 | 2018-12-07 | 东南大学 | 一种基于图模型的实体链接方法 |
CN109903117A (zh) * | 2019-01-04 | 2019-06-18 | 苏宁易购集团股份有限公司 | 一种用于商品推荐的知识图谱处理方法及装置 |
CN109885698A (zh) * | 2019-02-13 | 2019-06-14 | 北京航空航天大学 | 一种知识图谱构建方法及装置、电子设备 |
CN109885660A (zh) * | 2019-02-22 | 2019-06-14 | 上海乐言信息科技有限公司 | 一种知识图谱赋能的基于信息检索的问答***和方法 |
WO2020224220A1 (zh) * | 2019-05-07 | 2020-11-12 | 平安科技(深圳)有限公司 | 基于知识图谱的问答方法、电子装置、设备及存储介质 |
CN110471948A (zh) * | 2019-07-10 | 2019-11-19 | 北京交通大学 | 一种基于历史数据挖掘的海关报关商品智能归类方法 |
CN110888946A (zh) * | 2019-12-05 | 2020-03-17 | 电子科技大学广东电子信息工程研究院 | 一种基于知识驱动的查询的实体链接方法 |
CN111199459A (zh) * | 2019-12-30 | 2020-05-26 | 深圳市盟天科技有限公司 | 商品推荐方法、装置、电子设备、及存储介质 |
CN111369318A (zh) * | 2020-02-28 | 2020-07-03 | 安徽农业大学 | 一种基于商品知识图谱特征学习的推荐方法及*** |
CN111563168A (zh) * | 2020-03-03 | 2020-08-21 | 天津蒙比利埃创新网络科技有限公司 | 一种基于ai知识图谱算法用于通关商品智能归类的方法 |
CN111428044A (zh) * | 2020-03-06 | 2020-07-17 | 中国平安人寿保险股份有限公司 | 多模态获取监管识别结果的方法、装置、设备及存储介质 |
CN111488458A (zh) * | 2020-04-13 | 2020-08-04 | 上海朗曦信息技术有限公司 | 国际贸易商品代码的自动识别处理方法及*** |
CN111639498A (zh) * | 2020-04-21 | 2020-09-08 | 平安国际智慧城市科技股份有限公司 | 知识抽取方法、装置、电子设备及存储介质 |
CN111563149A (zh) * | 2020-04-24 | 2020-08-21 | 西北工业大学 | 一种用于中文知识图谱问答***的实体链接方法 |
CN111723215A (zh) * | 2020-06-19 | 2020-09-29 | 国家计算机网络与信息安全管理中心 | 基于文本挖掘的生物技术信息知识图谱构建装置与方法 |
Non-Patent Citations (1)
Title |
---|
沈显生, 陈晓红: "多媒体数据库技术在中学植物分类学教学中的应用", 安徽教育学院学报(自然科学版), no. 01, 30 March 1999 (1999-03-30), pages 72 - 73 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115249100A (zh) * | 2021-04-27 | 2022-10-28 | 深南电路股份有限公司 | 一种材料等级数据生成方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240028651A1 (en) | System and method for processing documents | |
EP3920044A1 (en) | Data-driven structure extraction from text documents | |
US20200073882A1 (en) | Artificial intelligence based corpus enrichment for knowledge population and query response | |
CA3052527C (en) | Target document template generation | |
CN111444320A (zh) | 文本检索方法、装置、计算机设备和存储介质 | |
Nguyen et al. | Automated classification of metamodel repositories: a machine learning approach | |
CN112434691A (zh) | 基于智能解析识别的hs编码匹配、展示方法、***及存储介质 | |
CN113392209B (zh) | 一种基于人工智能的文本聚类方法、相关设备及存储介质 | |
CN113168499A (zh) | 检索专利文档的方法 | |
US20220358379A1 (en) | System, apparatus and method of managing knowledge generated from technical data | |
CN113196277A (zh) | 用于检索自然语言文档的*** | |
CN114969275A (zh) | 一种基于银行知识图谱的对话方法及其*** | |
CN113196278A (zh) | 训练自然语言检索***的方法、检索***以及对应的用途 | |
Dawar et al. | Comparing topic modeling and named entity recognition techniques for the semantic indexing of a landscape architecture textbook | |
Gelman et al. | A language-agnostic model for semantic source code labeling | |
Talburt et al. | A practical guide to entity resolution with OYSTER | |
CN112395429A (zh) | 基于图神经网络的hs编码判定、推送、应用方法、***及存储介质 | |
Sanyal et al. | Natural language processing technique for generation of SQL queries dynamically | |
CN112613318B (zh) | 实体名称归一化***及其方法、计算机可读介质 | |
Kordomatis et al. | Web object identification for web automation and meta-search | |
Pertsas et al. | Ontology-driven information extraction from research publications | |
CN113505117A (zh) | 基于数据指标的数据质量评估方法、装置、设备及介质 | |
Pinto et al. | Intelligent and fuzzy systems applied to language & knowledge engineering | |
CN107341169B (zh) | 一种基于信息检索的大规模软件信息站标签推荐方法 | |
Al Dakhil et al. | Reviews Analysis of Apple Store Applications Using Supervised Machine Learning |
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 |