CN114036319A - 一种电力知识抽取方法、***、装置及存储介质 - Google Patents

一种电力知识抽取方法、***、装置及存储介质 Download PDF

Info

Publication number
CN114036319A
CN114036319A CN202111408634.7A CN202111408634A CN114036319A CN 114036319 A CN114036319 A CN 114036319A CN 202111408634 A CN202111408634 A CN 202111408634A CN 114036319 A CN114036319 A CN 114036319A
Authority
CN
China
Prior art keywords
power
layer
knowledge extraction
neural network
attention mechanism
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
Application number
CN202111408634.7A
Other languages
English (en)
Inventor
白鹭
李之彧
陈春光
解伟
赵弘昊
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.)
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111408634.7A priority Critical patent/CN114036319A/zh
Publication of CN114036319A publication Critical patent/CN114036319A/zh
Pending legal-status Critical Current

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
    • G06F16/36—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
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (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)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电力知识抽取方法、***、装置及从存储介质，电力知识抽取方法包括步骤：获取电力数据；将所述电力数据输入预设的电力知识抽取模型中进行知识抽取；所述电力知识抽取模型输出电力数据的分类结果。电力知识抽取模型包括：输入层、嵌入层、循环神经网络特征提取层、卷积神经网络特征提取层、多层注意力机制过滤层和输出层。本发明基于多层注意力机制的神经网络结构，能够更好解决之前电力知识抽取算法的短板，能够同时对于知识实体局部特征和序列特征的提取，从而达到抽取更加有用的电力信息，从而达到输出结果更优质，提取信息更有用，占用存储空间更小的目标。

Description

一种电力知识抽取方法、***、装置及存储介质
技术领域
本发明属于电力数据处理领域，具体涉及一种电力知识抽取方法、***、装置及存储介质。
背景技术
随着大数据相关技术的发展，电力***每天会产生大量的数据，但是这些大量的电力数据却尚未得到充分的利用，如何利用深度学习的技术对电力知识进行充分的挖掘和管理是非常重要且具有高度价值的事情。电力知识的抽取方法研究其对于构建电力***构建大规模知识图谱是非常关键的一项技术，电力知识抽取就是从历史产生的海量电力***相关数据中提取得到电力知识三元组，并利用图神经网络技术构建电力***知识图谱，以方便对于大量电力数据的管理和使用。知识图谱是由谷歌正式提出的概念，重点在于提高搜索引擎的智能化和效率，知识图谱实际上是一个语义网络，语义网络就是用节点表示实体或属性，边表示实体之间、实体与属性之间的各种语义关系。其中，实体是指客观存在于现实世界中且可区分的物体或事物；属性是描述实体特征的信息，如面积和长度等，关系是知识图谱最重要的特征，据此才能实现万事万物的互联，从而支持各种应用，如语义理解和信息检索等.所谓知识抽取，就是提取来自不同来源、不同结构的数据，形成知识最终存到知识图谱的过程。
构建知识图谱的关键技术包括知识抽取，也即从不同结构，不同来源，不同种类数据抽取其中的关键数据，形成知识最终存储到知识图谱的过程。目前的知识抽取方法包括基于统计机器学习的方法、基于自然语言处理的方法和基于深度学习的方法。单纯使用深度学习中的卷积神经网络和循环神经网络处理电力数据中学习特征不够充分。
发明内容
本发明针对上述方法中单纯使用深度学习中的卷积神经网络和循环神经网络处理电力数据中学习特征不够充分的问题，提出了一种电力知识抽取方法、***、装置及存储介质，基于深度学习和注意力机制，能够抽取更加有用的电力信息，为构建更加完备的电力知识图谱结构打下坚实基础。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一方面，提供了一种基于多层注意力机制的电力知识抽取方法，包括步骤：
获取电力数据；
将所述电力数据输入预设的电力知识抽取模型中进行知识抽取；
所述电力知识抽取模型输出电力数据的分类结果。
可选的，所述电力数据包括：生产运行数据和运营管理数据；其中，所述生产运行数据包括发电量、电压稳定性、设备状态，可通过传感器、智能设备、视频监控设备、音频通信设备、移动终端设备采集，具有时效性高、海量存储等特征。
所述运营管理数据包括人员、财务、物资、项目、营销、客户服务等方面的数据，是企业经营管理活动中产生的大量业务信息，反应电网企业的运营管理水平。
可选的，所述电力知识抽取模型包括：输入层、嵌入层、循环神经网络特征提取层、卷积神经网络特征提取层、多层注意力机制过滤层和输出层，其中：
所述输入层用于输入电力数据到电力知识抽取模型中；
所述嵌入层用于对输入层输入的电力数据处理得到词向量，将词向量作为循环神经网络特征提取模型的输入层；
所述循环神经网络特征提取层，用于计算所述词向量信息，得到包含新信息的新词向量；其中，新词向量由词向量与词向量的位置向量相拼接所得到，新词向量包含词向量本身的语义信息，以及词向量的位置信息；
所述卷积神经网络特征提取层，用于通过对词向量进行实体划分，通过分段最大池化分，从划分结果中提取最重要的局部特征信息，最终得到句子特征向量；
所述多层注意力机制过滤层，用于将卷积神经网络特征提取层、循环神经网络特征提取层提取得到的结果进行重要性质区分，留下权重超过设定阈值的特征信息；
所述输出层，用于将输出所述超过设定阈值的特征信息，形成分类结果和重要信息。
可选的，通过分词工具和Word2Vec词向量工具对输入层输入的电力数据处理得到词向量。
可选的，所述循环神经网络特征提取层采用门控循环网络GRU。
可选的，所述卷积神经网络特征提取层采用关系抽取卷积神经网络模型PCNN。
本发明的第二方面，提供了一种用于所述基于多层注意力机制的电力知识抽取方法的***，包括：
获取模块，用于获取电力数据；
知识抽取模块，用于将所述电力数据输入预设的电力知识抽取模型中进行知识抽取；所述电力知识抽取模型输出电力数据的分类结果。
本发明的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现所述的基于多层注意力机制的电力知识抽取方法。
本发明的第四方面，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，实现所述的基于多层注意力机制的电力知识抽取方法。
本发明的有益效果如下：
本发明提出的整套电力知识抽取算法，基于多层注意力机制的神经网络结构，能够更好解决之前电力知识抽取算法的短板，能够同时对于知识实体局部特征和序列特征的提取，从而达到抽取更加有用的电力信息，从而达到输出结果更优质，提取信息更有用，占用存储空间更小的目标。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例中电力知识抽取模型架构图。
图2为本发明实施例中循环神经网络特征提取层架构图。
图3为本发明实施例中卷积神经网络特征提取层架构图。
图4为本发明实施例中多层注意力机制过滤层架构图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
本发明的第一方面，提供了一种基于多层注意力机制的电力知识抽取方法，使用卷积神经网络提取知识实体局部化有效特征，循环神经网络提取序列化信息；再使用多层注意力机制对提取得到的信息进行有效性进行评估，产生权重矩阵，使得最终输出结果中包含更多重要的电力知识信息。
如图1所示，电力知识抽取方法包括步骤：
S1、获取电力数据；包括：生产运行数据和运营管理数据；
其中，生产运行数据包括发电量、电压稳定性、设备状态，可通过传感器、智能设备、视频监控设备、音频通信设备、移动终端设备采集，具有时效性高、海量存储等特征。运营管理数据包括人员、财务、物资、项目、营销、客户服务等方面的数据，是企业经营管理活动中产生的大量业务信息，反应电网企业的运营管理水平。
S2、将电力数据输入预设的电力知识抽取模型中进行知识抽取；
其中，电力知识抽取模型包括：输入层、嵌入层、循环神经网络特征提取层、卷积神经网络特征提取层、多层注意力机制过滤层和输出层，其中：
输入层用于输入电力数据到电力知识抽取模型中；
嵌入层用于对输入层输入的电力数据处理得到词向量，将词向量作为循环神经网络特征提取模型的输入层；
作为一种示例，本发明中采用分词工具和Word2Vec词向量工具对输入层输入的电力数据处理得到词向量。
循环神经网络特征提取层，用于计算词向量信息，得到包含新信息的新词向量；其中，新词向量由词向量与词向量的位置向量相拼接所得到，新词向量包含词向量本身的语义信息，以及词向量的位置信息；
作为一种示例，本发明中循环神经网络特征提取层采用门控循环网络GRU(GateRecurrent Unit)，能够解决长序列训练过程中的梯度消失和梯度***问题，同时解决长短序列的特征提取问题，整个结构如图2所示，其中xt为输入数据，ht为GRU模型的输出，rt、zt分别代表t时刻的重置门与更新门，具体公式为：
zt＝σ(Wz·[ht-1，xt])
rt＝σ(Wr·[ht-1，xt])
Figure BDA0003373164820000041
Figure BDA0003373164820000042
其中，σ为Sigmoid函数，[]表示两个向量相连，x表示矩阵的Hadamard积，Wr、Wz、Wh分别为重置门、更新门以及候选隐匿状态的权重矩阵，ht为t时刻的候选状态。
卷积神经网络特征提取层，用于通过对词向量进行实体划分，通过分段最大池化分，从划分结果中提取最重要的局部特征信息，最终得到句子特征向量；
作为一种示例，本发明中卷积神经网络特征提取层采用关系抽取卷积神经网络模型PCNN。其广泛的情感分析，文本分类等任务，也是目前公认的效果较好的抽取模型，因此本发明采用PCNN进行电力知识提取，整个PCNN结构如图3所示。
多层注意力机制过滤层，用于将卷积神经网络特征提取层和循环神经网络特征提取层提取得到的向量矩阵进行重要性质区分，留下权重超过设定阈值的特征信息；如图4所示，为注意力机制模型结构图，其输入分别表示为V、K、Q，其中V和K分别为经过卷积神经网络和循环神经网络得到的特征向量，Q为知识抽取需要得到的知识类别，其中Q类似于问题，通过h层注意力机制网络。其中单层的注意力机制设计：首先进行西相乘，然后进行标准化，防止参数过大导致梯度消失，整个结构可以用公式表明：
Figure BDA0003373164820000051
其中dk为上层乘积得到矩阵维度，相当于乘以缩放因子，防止乘积结果过大，造成梯度消失的问题。经多层注意力机制模型可以多提取得到的信息重要性进行评估，在输出及分类时候对于重要信息产生更高的权重，保证结果的重要性和有效性。
输出层，用于将输出超过设定阈值的特征信息，形成分类结果和重要信息。
S3、电力知识抽取模型输出电力数据的分类结果。
本发明的第二方面，提供了一种用于基于多层注意力机制的电力知识抽取方法的***，包括：
获取模块，用于获取电力数据；
知识抽取模块，用于将电力数据输入预设的电力知识抽取模型中进行知识抽取；电力知识抽取模型输出电力数据的分类结果。
本发明的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现的基于多层注意力机制的电力知识抽取方法。
本发明的第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，实现的基于多层注意力机制的电力知识抽取方法。
本发明采用某电网电力***的电力调度产生的数据，分别构建训练集合和测试集合，过从电力领域专业词典中获取实体以及通过百度百科爬取相关电力词汇及信息，通过去除重复信息，选取出现频率最高并且符合实际电力领域的实体关系，分别再之前已有的模型如CNN、RNN、GRU以及本发明进行实验，评价指标采用准确率和召回率，实验表明准确率能够从84.76％提升至89.90％，召回率从57.86％提升至61.25％，达到目前业界先进水平。
本发明的第二方面，提供了一种用于所述基于多层注意力机制的电力知识抽取方法的***，包括：
获取模块，用于获取电力数据；
知识抽取模块，用于将所述电力数据输入预设的电力知识抽取模型中进行知识抽取；所述电力知识抽取模型输出电力数据的分类结果。
本发明的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现所述的基于多层注意力机制的电力知识抽取方法。
本发明的第四方面，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，实现所述的基于多层注意力机制的电力知识抽取方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (9)

1.一种基于多层注意力机制的电力知识抽取方法，其特征在于，包括如下步骤：
获取电力数据；
将所述电力数据输入预设的电力知识抽取模型中进行知识抽取；
所述电力知识抽取模型输出电力数据的分类结果。
2.根据权利要求1所述的基于多层注意力机制的电力知识抽取方法，其特征在于，所述电力数据包括：生产运行数据和运营管理数据；其中，所述生产运行数据包括发电量、电压稳定性、设备状态；所述运营管理数据包括人员、财务、物资、项目、营销、客户服务数据。
3.根据权利要求1所述的基于多层注意力机制的电力知识抽取方法，其特征在于，所述电力知识抽取模型包括：输入层、嵌入层、循环神经网络特征提取层、卷积神经网络特征提取层、多层注意力机制过滤层和输出层，其中：
所述输入层用于输入电力数据到电力知识抽取模型中；
所述嵌入层用于对输入层输入的电力数据处理得到词向量，将词向量作为循环神经网络特征提取模型的输入层；
所述循环神经网络特征提取层，用于计算所述词向量信息，得到包含新信息的新词向量；其中，新词向量由词向量与词向量的位置向量相拼接所得到，新词向量包含词向量本身的语义信息，以及词向量的位置信息；
所述卷积神经网络特征提取层，用于通过对词向量进行实体划分，通过分段最大池化分，从划分结果中提取最重要的局部特征信息，最终得到句子特征向量；
所述多层注意力机制过滤层，用于将卷积神经网络特征提取层、循环神经网络特征提取层提取得到的结果进行重要性质区分，留下权重超过设定阈值的特征信息；
所述输出层，用于将输出所述超过设定阈值的特征信息，形成分类结果和重要信息。
4.根据权利要求3所述的基于多层注意力机制的电力知识抽取方法，其特征在于，通过分词工具和Word2Vec词向量工具对输入层输入的电力数据处理得到词向量。
5.根据权利要求3所述的基于多层注意力机制的电力知识抽取方法，其特征在于，所述循环神经网络特征提取层采用门控循环网络GRU。
6.根据权利要求3所述的基于多层注意力机制的电力知识抽取方法，其特征在于，所述卷积神经网络特征提取层采用关系抽取卷积神经网络模型PCNN。
7.一种用于权利要求1所述基于多层注意力机制的电力知识抽取方法的***，其特征在于，包括：
获取模块，用于获取电力数据；
知识抽取模块，用于将所述电力数据输入预设的电力知识抽取模型中进行知识抽取；所述电力知识抽取模型输出电力数据的分类结果。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至6任一项所述的基于多层注意力机制的电力知识抽取方法。
9.一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，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至6任一项所述的基于多层注意力机制的电力知识抽取方法。
CN202111408634.7A 2021-11-24 2021-11-24 一种电力知识抽取方法、***、装置及存储介质 Pending CN114036319A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111408634.7A CN114036319A (zh) 2021-11-24 2021-11-24 一种电力知识抽取方法、***、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111408634.7A CN114036319A (zh) 2021-11-24 2021-11-24 一种电力知识抽取方法、***、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114036319A true CN114036319A (zh) 2022-02-11

Family

ID=80138811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111408634.7A Pending CN114036319A (zh) 2021-11-24 2021-11-24 一种电力知识抽取方法、***、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114036319A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090449A (zh) * 2022-11-16 2023-05-09 北京京航计算通讯研究所 一种质量问题分析报告的实体关系抽取方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090449A (zh) * 2022-11-16 2023-05-09 北京京航计算通讯研究所 一种质量问题分析报告的实体关系抽取方法及***
CN116090449B (zh) * 2022-11-16 2024-05-14 北京京航计算通讯研究所 一种质量问题分析报告的实体关系抽取方法及***

Similar Documents

Publication Publication Date Title
CN112633010A (zh) 基于多头注意力和图卷积网络的方面级情感分析方法及***
CN108549658A (zh) 一种基于语法分析树上注意力机制的深度学习视频问答方法及***
US11841839B1 (en) Preprocessing and imputing method for structural data
CN111581956B (zh) 基于bert模型和k近邻的敏感信息识别方法及***
CN112100397A (zh) 基于双向门控循环单元的电力预案知识图谱构建方法及***
CN113268370A (zh) 一种根因告警分析方法、***、设备及存储介质
CN116150509B (zh) 社交媒体网络的威胁情报识别方法、***、设备及介质
Nauata et al. Structured label inference for visual understanding
CN113239143B (zh) 融合电网故障案例库的输变电设备故障处理方法及***
CN114036319A (zh) 一种电力知识抽取方法、***、装置及存储介质
Zhai Research on image recognition based on deep learning technology
CN114117029A (zh) 一种基于多层次信息增强的解决方案推荐方法及***
CN116225752A (zh) 基于故障模式库的微服务***故障根因分析方法及***
Dhoot et al. Efficient Dimensionality Reduction for Big Data Using Clustering Technique
CN109977194A (zh) 基于无监督学习的文本相似度计算方法、***、设备及介质
CN115774797A (zh) 视频内容检索方法、装置、设备和计算机可读存储介质
Zhang et al. Compressing knowledge graph embedding with relational graph auto-encoder
Shang et al. A study on fine-grained image classification algorithm based on ECA-NET and multi-granularity
Syrotkina et al. Graphical and analytical methods for processing “Big Data” based on the analysis of their properties
Xu et al. Stdnet: Spatio-temporal decomposed network for video grounding
Wang et al. Open-world relationship prediction
Xu et al. Real-time situation awareness of industrial process based on deep learning at the edge server
Yuan et al. Combining Event Segment Classification And Graph Self-Encoder For Event Prediction
CN117473400B (zh) 基于多通道层级变换网络结构的设备故障诊断方法
Nogueira et al. pytwanalysis: Twitter data management and analysis at scale

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