CN113190686A - 一种面向数控机床设备维护的知识图谱关系补全方法 - Google Patents
一种面向数控机床设备维护的知识图谱关系补全方法 Download PDFInfo
- Publication number
- CN113190686A CN113190686A CN202110450657.8A CN202110450657A CN113190686A CN 113190686 A CN113190686 A CN 113190686A CN 202110450657 A CN202110450657 A CN 202110450657A CN 113190686 A CN113190686 A CN 113190686A
- Authority
- CN
- China
- Prior art keywords
- relation
- path sequence
- entity
- knowledge graph
- sequence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012423 maintenance Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims abstract description 5
- 238000005295 random walk Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000017105 transposition 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种面向数控机床设备维护的知识图谱关系补全方法,特点是构建知识图谱和候选关系文本并获取训练三元组集;通过路径排序算法枚举出每个训练三元组对应的所有完整关系路径;构建知识图谱补全模型;从候选关系文本中选择任意一个查询关系,并将查询关系和对应的训练三元组的所有完整关系路径输入到知识图谱补全模型中,将大于或等于设定的补全阈值的概率分数对应的查询关系和实体对组成三元组并补全进知识图谱中;优点是利用了知识图谱的知识推理能力,通过已有故障解决方案推理出新故障的解决方案,将数据整合到一起,有效消除了数据孤岛的问题,对不完整的知识图谱进行补全,填补了数控机床设备维护领域的图谱补全方法的空白。
Description
技术领域
本发明涉及数控机床设备维护领域,尤其是一种面向数控机床设备维护的知识图谱关系补全方法。
背景技术
数控机床设备是生产活动的物质技术基础,保证设备健康持续地运行,减少风险和故障的发生,是每一个制造业企业能够正常运行的前提,但是随着经济全球化的发展,企业之间的竞争在不断地加大,设备也变得越来越机械化、自动化和智能化,与此同时,设备***结构复杂性日益增加,设备的故障检测、诊断、预测和日常综合维护等工作难度也不断的加大,设备***中任何一个部件出现故障,都将影响整个设备***的正常运行。
现有的数控机床设备维护技术采用一般检索方式,但由于数据分散、繁杂,采用一般检索方式得到的效果非常不理想;且各个数据之间其实是存在关联的,如设备和各个故障维修方法,两者是存在着紧密联系,而一般检索方式对于这些数据没有进行一定的关联,导致数据与数据之间关联性较差;另外一般检索方式都是依赖维护人员的经验知识以及维护文档,知识非常零散,当设备出现故障时,维护工作难以快速、有效的展开。
发明内容
本发明所要解决的技术问题是提供一种面向数控机床设备维护的知识图谱关系补全方法,不但提高了数据之间的关联性,得到了理想的效果,而且使得维护工作得以快速、有效的展开。
本发明解决上述技术问题所采用的技术方案为:一种面向数控机床设备维护的知识图谱关系补全方法,包括以下步骤:
①利用知识抽取手段对特定的多种数控机床设备维护案例手册进行实体的抽取及不同实体间的关系抽取得到实体及不同实体间的关系,基于实体及不同实体间的关系构建知识图谱,从知识图谱中获取训练三元组集,每个训练三元组包括一个源实体和该源实体对应的一个目标实体组成的实体对及该源实体与目标实体间的关系,基于不同实体间的关系构建候选关系文本,候选关系文本包括查询关系、伴随关系、原因关系;②通过路径排序算法在知识图谱中执行随机游走,枚举出每个训练三元组对应的所有完整关系路径,其中,枚举出任意一个训练三元组对应的所有完整关系路径的具体过程如下:
②-1根据实体获取实体的类型,在知识图谱中,从该训练三元组中的源实体的类型开始通过随机游走方式一直到达目标实体的类型,同时记录从源实体的类型到目标实体的类型的关系和对应的中间实体,获得所有从源实体的类型到目标实体的类型之间关系组成的关系路径;
②-2获取每条关系路径的随机游走概率,获取其中的最大概率值,并在随机游走概率大于最大概率值的80%的关系路径中添加对应的中间实体得到该训练三元组对应的所有完整关系路径,并将该训练三元组对应的完整关系路径的总数记为n;
③构建知识图谱补全模型,包括依次连接的嵌入层、CNN层、BiGRU层、Attention层和输出层;
④从候选关系文本中选择任意一个查询关系,并将查询关系和对应的训练三元组的所有完整关系路径输入到知识图谱补全模型中,得到查询关系和实体对之间的概率分数,具体过程如下:
④-1将查询关系和对应的训练三元组的每条完整关系路径输入到嵌入层中,得到查询关系对应的关系向量和每条完整关系路径对应的路径序列;
④-2将每条路径序列输入到CNN层中,经过卷积运算提取每条路径序列对应的特征向量,其中,经过卷积运算提取第i条路径序列对应的特征向量的具体过程如下:
④-2-1采用一维卷积运算在第i条路径序列上依次滑动k个窗口大小为3的一维过滤器,其中,k表示一维过滤器的总数,k的取值范围为1≤k≤50,令Wa∈R3×d表示第a个窗口的大小为3、维数为d的一维过滤器,其中,1≤a≤k,Wa的移动步长为1,将由Wa得到的第i条路径序列的第j个窗口对应的特征记为cj,a, 其中,b表示ReLU非线性激活函数的默认偏置项,f表示ReLU非线性激活函数, 表示向下取整,L表示第i条路径序列的长度,1≤i≤n;
④-2-2将由k个一维过滤器得到的第i条路径序列的第j个窗口对应的特征进行级联得到第i条路径序列的第j个窗口对应的特征向量cj=[cj,1,cj,2,...,cj,a,...,ci,k],其中cj∈Rd,d表示维度;将第i条路径序列对应的特征向量记为{c1,c2,...,cj,...,cL};
④-3将每条路径序列对应的特征向量输入到BiGRU层中,经过处理得到每条路径序列对应的嵌入向量,BiGRU层包括前向GRU单元和后向GRU单元,其中,经过处理得到第i条路径序列对应的嵌入向量的具体过程如下:
④-3-2使用前向GRU单元和后向GRU单元对第i条路径序列对应的特征向量{c1,c2,...,cj,...,cL}进行处理,得到第i条路径序列对应的前向隐藏状态序列和第i条路径序列对应的后向隐藏状态序列其中,GRU(·)表示GRU函数,
④-4将查询关系对应的关系向量和每条路径序列对应的嵌入向量输入到Attention层中,利用Attention机制获取查询关系和实体对之间的概率分数,其中,获取查询关系和实体对之间的概率分数的具体过程如下:
④-4-1将查询关系对应的关系向量记为u,将u和第i条路径序列对应的嵌入向量mi的语义相似度记为αi,其中,exp表示指数函数,1≤g≤n,va∈Rd表示第一权重参数,T表示转置,tanh表示双曲正切函数,Wa∈Rd×2d表示第二权重参数,[mi;u]表示将mi和u拼接在一起;
④-4-2将实体对记为(es,et),将u和(es,et)的概率分数记为P(u|es,et),P(u|es,et)=sigmoid(Wp(o+u)),其中,sigmoid表示概率函数,Wp∈Rd表示可学习参数,
④-5通过输出层输出查询关系和实体对之间的概率分数;
⑤设定补全阈值,将大于或等于设定的补全阈值的概率分数对应的查询关系和实体对组成三元组并补全进知识图谱中。
在所述的步骤④-1还包括:对于不同长度的路径序列,以最长长度的路径序列为基准,将长度短于最长长度的路径序列的路径序列通过添加零向量的方式进行填充,直至每条路径序列的长度相同。
所述的va和Wa为keras开源人工神经网络库中Dense层的默认参数。
所述的步骤⑤中所述的补全阈值的范围为0.7-0.9。
与现有技术相比,本发明的优点在于利用知识抽取手段对特定的多种数控机床设备维护案例手册进行实体的抽取及不同实体间的关系抽取得到实体及不同实体间的关系,基于实体及不同实体间的关系构建知识图谱,从知识图谱中获取训练三元组集,每个训练三元组包括一个源实体和该源实体对应的一个目标实体组成的实体对及该源实体与目标实体间的关系,基于不同实体间的关系构建候选关系文本,候选关系文本包括查询关系、伴随关系、原因关系;通过路径排序算法在知识图谱中执行随机游走,枚举出每个训练三元组对应的所有完整关系路径;构建知识图谱补全模型,包括依次连接的嵌入层、CNN层、BiGRU层、Attention层和输出层;从候选关系文本中选择任意一个查询关系,并将查询关系和对应的训练三元组的所有完整关系路径输入到知识图谱补全模型中,得到查询关系和实体对之间的概率分数;设定补全阈值,将大于或等于设定的补全阈值的概率分数对应的查询关系和实体对组成三元组并补全进知识图谱中;将概率分数大于等于设定的阈值所对应的查询关系补全进所述的知识图谱中;利用了CNN识别局部模式的能力以及GRU利用实体和关系顺序的能力,使得在计算过程中更加地准确;利用了知识图谱的知识推理能力,通过已有故障解决方案推理出新故障的解决方案,将数据整合到一起,有效消除了数据孤岛的问题,对不完整的知识图谱进行补全,填补了数控机床设备维护领域的图谱补全方法的空白;通过本发明的方法不但提高了数据之间的关联性,得到了理想的效果,而且使得维护工作得以快速、有效的展开。
附图说明
图1为本发明的总体流程示意图;
图2为本发明的知识图谱补全模型的结构示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1、2所示,一种面向数控机床设备维护的知识图谱关系补全方法,包括以下步骤:
①利用知识抽取手段对特定的多种数控机床设备维护案例手册进行实体的抽取及不同实体间的关系抽取得到实体及不同实体间的关系,基于实体及不同实体间的关系构建知识图谱,从知识图谱中获取训练三元组集,每个训练三元组包括一个源实体和该源实体对应的一个目标实体组成的实体对及该源实体与目标实体间的关系,基于不同实体间的关系构建候选关系文本,候选关系文本包括查询关系、伴随关系、原因关系;②通过路径排序算法在知识图谱中执行随机游走,枚举出每个训练三元组对应的所有完整关系路径,其中,枚举出任意一个训练三元组对应的所有完整关系路径的具体过程如下:
②-1根据实体获取实体的类型,在知识图谱中,从该训练三元组中的源实体的类型开始通过随机游走方式一直到达目标实体的类型,同时记录从源实体的类型到目标实体的类型的关系和对应的中间实体,获得所有从源实体的类型到目标实体的类型之间关系组成的关系路径;
②-2获取每条关系路径的随机游走概率,获取其中的最大概率值,并在随机游走概率大于最大概率值的80%的关系路径中添加对应的中间实体得到该训练三元组对应的所有完整关系路径,并将该训练三元组对应的完整关系路径的总数记为n;
③构建知识图谱补全模型,包括依次连接的嵌入层、CNN层、BiGRU层、Attention层和输出层;
④从候选关系文本中选择任意一个查询关系,并将查询关系和对应的训练三元组的所有完整关系路径输入到知识图谱补全模型中,得到查询关系和实体对之间的概率分数,具体过程如下:
④-1将查询关系和对应的训练三元组的每条完整关系路径输入到嵌入层中,得到查询关系对应的关系向量和每条完整关系路径对应的路径序列;
步骤④-1还包括:对于不同长度的路径序列,以最长长度的路径序列为基准,将长度短于最长长度的路径序列的路径序列通过添加零向量的方式进行填充,直至每条路径序列的长度相同;
④-2将每条路径序列输入到CNN层中,经过卷积运算提取每条路径序列对应的特征向量,其中,经过卷积运算提取第i条路径序列对应的特征向量的具体过程如下:
④-2-1采用一维卷积运算在第i条路径序列上依次滑动k个窗口大小为3的一维过滤器,其中,k表示一维过滤器的总数,k的取值范围为1≤k≤50,令Wa∈R3×d表示第a个窗口的大小为3、维数为d的一维过滤器,其中,1≤a≤k,Wa的移动步长为1,将由Wa得到的第i条路径序列的第j个窗口对应的特征记为cj,a, 其中,b表示ReLU非线性激活函数的默认偏置项,f表示ReLU非线性激活函数, 表示向下取整,L表示第i条路径序列的长度,1≤i≤n;
④-2-2将由k个一维过滤器得到的第i条路径序列的第j个窗口对应的特征进行级联得到第i条路径序列的第j个窗口对应的特征向量cj=[cj,1,cj,2,...,cj,a,...,cj,k],其中cj∈Rd,d表示维度;将第i条路径序列对应的特征向量记为{c1,c2,...,cj,...,cL};
④-3将每条路径序列对应的特征向量输入到BiGRU层中,经过处理得到每条路径序列对应的嵌入向量,BiGRU层包括前向GRU单元和后向GRU单元,其中,经过处理得到第i条路径序列对应的嵌入向量的具体过程如下:
④-3-2使用前向GRU单元和后向GRU单元对第i条路径序列对应的特征向量{c1,c2,...,cj,...,cL}进行处理,得到第i条路径序列对应的前向隐藏状态序列和第i条路径序列对应的后向隐藏状态序列其中,GRU(·)表示GRU函数,
④-4将查询关系对应的关系向量和每条路径序列对应的嵌入向量输入到Attention层中,利用Attention机制获取查询关系和实体对之间的概率分数,其中,获取查询关系和实体对之间的概率分数的具体过程如下:
④-4-1将查询关系对应的关系向量记为u,将u和第i条路径序列对应的嵌入向量mi的语义相似度记为αi,其中,exp表示指数函数,1≤g≤n,va∈Rd表示第一权重参数,T表示转置,tanh表示双曲正切函数,Wa∈Rd×2d表示第二权重参数,[mi;u]表示将mi和u拼接在一起;va和Wa为keras开源人工神经网络库中Dense层的默认参数;
④-4-2将实体对记为(es,et),将u和(es,et)的概率分数记为P(u|es,et),P(u|es,et)=sigmoid(Wp(o+u)),其中,sigmoid表示概率函数,Wp∈Rd表示可学习参数,
④-5通过输出层输出查询关系和实体对之间的概率分数;
⑤设定补全阈值,将大于或等于设定的补全阈值的概率分数对应的查询关系和实体对组成三元组并补全进知识图谱中;补全阈值的范围为0.7-0.9。
以上实施例通过Keras开源人工神经网络库实现,其中,将维数d设置为100。
Claims (4)
1.一种面向数控机床设备维护的知识图谱关系补全方法,其特征在于包括以下步骤:
①利用知识抽取手段对特定的多种数控机床设备维护案例手册进行实体的抽取及不同实体间的关系抽取得到实体及不同实体间的关系,基于实体及不同实体间的关系构建知识图谱,从知识图谱中获取训练三元组集,每个训练三元组包括一个源实体和该源实体对应的一个目标实体组成的实体对及该源实体与目标实体间的关系,基于不同实体间的关系构建候选关系文本,候选关系文本包括查询关系、伴随关系、原因关系;②通过路径排序算法在知识图谱中执行随机游走,枚举出每个训练三元组对应的所有完整关系路径,其中,枚举出任意一个训练三元组对应的所有完整关系路径的具体过程如下:
②-1根据实体获取实体的类型,在知识图谱中,从该训练三元组中的源实体的类型开始通过随机游走方式一直到达目标实体的类型,同时记录从源实体的类型到目标实体的类型的关系和对应的中间实体,获得所有从源实体的类型到目标实体的类型之间关系组成的关系路径;
②-2获取每条关系路径的随机游走概率,获取其中的最大概率值,并在随机游走概率大于最大概率值的80%的关系路径中添加对应的中间实体得到该训练三元组对应的所有完整关系路径,并将该训练三元组对应的完整关系路径的总数记为n;
③构建知识图谱补全模型,包括依次连接的嵌入层、CNN层、BiGRU层、Attention层和输出层;
④从候选关系文本中选择任意一个查询关系,并将查询关系和对应的训练三元组的所有完整关系路径输入到知识图谱补全模型中,得到查询关系和实体对之间的概率分数,具体过程如下:
④-1将查询关系和对应的训练三元组的每条完整关系路径输入到嵌入层中,得到查询关系对应的关系向量和每条完整关系路径对应的路径序列;
④-2将每条路径序列输入到CNN层中,经过卷积运算提取每条路径序列对应的特征向量,其中,经过卷积运算提取第i条路径序列对应的特征向量的具体过程如下:
④-2-1采用一维卷积运算在第i条路径序列上依次滑动k个窗口大小为3的一维过滤器,其中,k表示一维过滤器的总数,k的取值范围为1≤k≤50,令Wa∈R3×d表示第a个窗口的大小为3、维数为d的一维过滤器,其中,1≤a≤k,Wa的移动步长为1,将由Wa得到的第i条路径序列的第j个窗口对应的特征记为cj,a, 其中,b表示ReLU非线性激活函数的默认偏置项,f表示ReLU非线性激活函数, 表示向下取整,L表示第i条路径序列的长度,1≤i≤n;
④-2-2将由k个一维过滤器得到的第i条路径序列的第j个窗口对应的特征进行级联得到第i条路径序列的第j个窗口对应的特征向量cj=[cj,1,cj,2,...,cj,a,...,cj,k],其中cj∈Rd,d表示维度;将第i条路径序列对应的特征向量记为{c1,c2,...,cj,...,cL};
④-3将每条路径序列对应的特征向量输入到BiGRU层中,经过处理得到每条路径序列对应的嵌入向量,BiGRU层包括前向GRU单元和后向GRU单元,其中,经过处理得到第i条路径序列对应的嵌入向量的具体过程如下:
④-3-2使用前向GRU单元和后向GRU单元对第i条路径序列对应的特征向量{c1,c2,...,cj,...,cL}进行处理,得到第i条路径序列对应的前向隐藏状态序列和第i条路径序列对应的后向隐藏状态序列其中,GRU(·)表示GRU函数,
④-4将查询关系对应的关系向量和每条路径序列对应的嵌入向量输入到Attention层中,利用Attention机制获取查询关系和实体对之间的概率分数,其中,获取查询关系和实体对之间的概率分数的具体过程如下:
④-4-1将查询关系对应的关系向量记为u,将u和第i条路径序列对应的嵌入向量mi的语义相似度记为αi,其中,exp表示指数函数,1≤g≤n,va∈Rd表示第一权重参数,T表示转置,tanh表示双曲正切函数,Wa∈Rd×2d表示第二权重参数,[mi;u]表示将mi和u拼接在一起;
④-4-2将实体对记为(es,et),将u和(es,et)的概率分数记为P(u|es,et),P(u|es,et)=sigmoid(Wp(o+u)),其中,sigmoid表示概率函数,Wp∈Rd表示可学习参数,
④-5通过输出层输出查询关系和实体对之间的概率分数;
⑤设定补全阈值,将大于或等于设定的补全阈值的概率分数对应的查询关系和实体对组成三元组并补全进知识图谱中。
2.根据权利要求1所述的一种面向数控机床设备维护的知识图谱关系补全方法,其特征在于在所述的步骤④-1还包括:对于不同长度的路径序列,以最长长度的路径序列为基准,将长度短于最长长度的路径序列的路径序列通过添加零向量的方式进行填充,直至每条路径序列的长度相同。
3.根据权利要求1所述的一种面向数控机床设备维护的知识图谱关系补全方法,其特征在于所述的va和Wa为keras开源人工神经网络库中Dense层的默认参数。
4.根据权利要求1所述的一种面向数控机床设备维护的知识图谱关系补全方法,其特征在于所述的步骤⑤中所述的补全阈值的范围为0.7-0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450657.8A CN113190686B (zh) | 2021-04-25 | 2021-04-25 | 一种面向数控机床设备维护的知识图谱关系补全方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450657.8A CN113190686B (zh) | 2021-04-25 | 2021-04-25 | 一种面向数控机床设备维护的知识图谱关系补全方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113190686A true CN113190686A (zh) | 2021-07-30 |
CN113190686B CN113190686B (zh) | 2022-04-05 |
Family
ID=76978794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110450657.8A Active CN113190686B (zh) | 2021-04-25 | 2021-04-25 | 一种面向数控机床设备维护的知识图谱关系补全方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113190686B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509654A (zh) * | 2018-04-18 | 2018-09-07 | 上海交通大学 | 动态知识图谱的构建方法 |
CN110619053A (zh) * | 2019-09-18 | 2019-12-27 | 北京百度网讯科技有限公司 | 实体关系抽取模型的训练方法和抽取实体关系的方法 |
KR102223382B1 (ko) * | 2019-11-14 | 2021-03-08 | 숭실대학교산학협력단 | 다중타입 엔티티에 기반한 지식 보완 방법 및 장치 |
-
2021
- 2021-04-25 CN CN202110450657.8A patent/CN113190686B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509654A (zh) * | 2018-04-18 | 2018-09-07 | 上海交通大学 | 动态知识图谱的构建方法 |
CN110619053A (zh) * | 2019-09-18 | 2019-12-27 | 北京百度网讯科技有限公司 | 实体关系抽取模型的训练方法和抽取实体关系的方法 |
KR102223382B1 (ko) * | 2019-11-14 | 2021-03-08 | 숭실대학교산학협력단 | 다중타입 엔티티에 기반한 지식 보완 방법 및 장치 |
Non-Patent Citations (2)
Title |
---|
YUAN SUN等: "Improved Distant Supervised Model in Tibetan Relation Extraction Using ELMo and Attention", 《IEEE ACCESS》 * |
张栋豪等: "知识图谱在智能制造领域的研究现状及其应用前景综述", 《机械工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113190686B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259142B (zh) | 基于注意力编码和图卷积网络的特定目标情感分类方法 | |
CN111652066B (zh) | 基于多自注意力机制深度学习的医疗行为识别方法 | |
CN107516110B (zh) | 一种基于集成卷积编码的医疗问答语义聚类方法 | |
CN112926641B (zh) | 基于多模态数据的三阶段特征融合旋转机械故障诊断方法 | |
CN108664924A (zh) | 一种基于卷积神经网络的多标签物体识别方法 | |
CN112884551B (zh) | 一种基于近邻用户和评论信息的商品推荐方法 | |
CN111665819A (zh) | 一种基于深度学习多模型融合的复杂化工过程故障诊断方法 | |
EP3657354A1 (en) | Supervised features for text classification | |
CN109063719A (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN113268370B (zh) | 一种根因告警分析方法、***、设备及存储介质 | |
CN112883741A (zh) | 基于双通道图神经网络的特定目标情感分类方法 | |
CN115687925A (zh) | 针对不平衡样本的故障类型识别方法及装置 | |
CN116340746A (zh) | 一种基于随机森林改进的特征选择方法 | |
Delaforge et al. | EBBE-text: Explaining neural networks by exploring text classification decision boundaries | |
Lauren et al. | A low-dimensional vector representation for words using an extreme learning machine | |
Kaur et al. | Relevance feedback based CBIR system using SVM and BAYES classifier | |
CN113190686B (zh) | 一种面向数控机床设备维护的知识图谱关系补全方法 | |
CN113157913A (zh) | 一种基于社会新闻数据集的伦理行为判别方法 | |
CN103559510B (zh) | 一种利用相关主题模型识别社会群体行为的方法 | |
CN116403706A (zh) | 一种融合知识扩展和卷积神经网络的糖尿病预测方法 | |
Biju | Analyzing the predictive capacity of various machine learning algorithms | |
Lin et al. | Automatic image annotation via combining low-level colour feature with features learned from convolutional neural networks | |
Srinivas Amiripalli et al. | Mineral rock classification using convolutional neural network | |
Watts et al. | Local score dependent model explanation for time dependent covariates | |
Komiljonovna | DEEP LEARNING: DEFINITION AND DISTINCTIVE FEATURES |
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 |