CN116611813A - 一种基于知识图谱的智能运维管理方法及*** - Google Patents
一种基于知识图谱的智能运维管理方法及*** Download PDFInfo
- Publication number
- CN116611813A CN116611813A CN202310526915.5A CN202310526915A CN116611813A CN 116611813 A CN116611813 A CN 116611813A CN 202310526915 A CN202310526915 A CN 202310526915A CN 116611813 A CN116611813 A CN 116611813A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- knowledge graph
- vector set
- data
- processing
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 266
- 238000007726 management method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 87
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 238000003058 natural language processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 103
- 238000000605 extraction Methods 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 238000013178 mathematical model Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000010354 integration Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 15
- 238000005457 optimization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Human Computer Interaction (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于知识图谱的智能运维管理方法及***,涉及运维管理技术领域,包括获取第一信息;对文本数据进行数据转换处理得到知识图谱;根据知识图谱中的实体和关系进行融合,并结合文本数据中与运维相关的上下文信息进行编码处理得到知识图谱的编码表示;根据预设的运维策略和文本数据构建得到预测模型,并根据预测模型对编码表示进行解码处理得到运维策略序列,运维策略序列中的每个元素表示一种具体的运维操作;根据运维策略序列和运维任务中的预设规则,自动化执行运维操作。本发明通过采用知识图谱技术和自然语言处理技术,实现了对运维相关的文本数据的高效整合,构建出具有丰富语义信息和实体关系的知识图谱。
Description
技术领域
本发明涉及运维管理技术领域,具体而言,涉及一种基于知识图谱的智能运维管理方法及***。
背景技术
运维管理平台是集成了各种运维工具和技术的***,旨在帮助企业实现对其I T基础设施的有效管理、监控、维护和优化。运维管理平台能够提供对硬件、软件、网络和其他I T资源的统一管理,以确保这些资源的稳定性、安全性和性能达到预期的水平。在现有的运维管理平台中,许多任务仍然依赖于人工执行和监控,这导致运维过程中的效率较低、准确性受限以及容错能力较差,同时运维人员无法准确地预测和规划未来的运维任务。
针对现有技术的不足,亟需一种基于知识图谱的智能运维管理方法。
发明内容
本发明的目的在于提供一种基于知识图谱的智能运维管理方法及***,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
一方面,本申请提供了一种基于知识图谱的智能运维管理方法,包括:
获取第一信息,所述第一信息包括运维任务和文本数据,所述文本数据包括设备传感器数据、维护记录、操作手册、故障报告和工作日志;
对所述文本数据进行数据转换处理得到知识图谱,所述知识图谱由至少两个节点、至少一条边构成,每个所述节点和每个所述边均对应的一个属性,所述节点表示与运维相关的实体,所述边表示所述实体间的关系;
根据所述知识图谱中的所述实体和所述关系进行融合,并结合所述文本数据中与运维相关的上下文信息进行编码处理得到所述知识图谱的编码表示;
根据预设的运维策略和所述文本数据构建得到预测模型,并根据所述预测模型对所述编码表示进行解码处理得到运维策略序列,所述运维策略序列中的每个元素表示一种具体的运维操作;
根据所述运维策略序列和所述运维任务中的预设规则,自动化执行运维操作。
另一方面,本申请还提供了一种基于知识图谱的智能运维管理***,包括:
获取模块,用于获取第一信息,所述第一信息包括运维任务和文本数据,所述文本数据包括设备传感器数据、维护记录、操作手册、故障报告和工作日志;
转换模块,用于对所述文本数据进行数据转换处理得到知识图谱,所述知识图谱由至少两个节点、至少一条边构成,每个所述节点和每个所述边均对应的一个属性,所述节点表示与运维相关的实体,所述边表示所述实体间的关系;
融合模块,用于根据所述知识图谱中的所述实体和所述关系进行融合,并结合所述文本数据中与运维相关的上下文信息进行编码处理得到所述知识图谱的编码表示;
构建模块,用于根据预设的运维策略和所述文本数据构建得到预测模型,并根据所述预测模型对所述编码表示进行解码处理得到运维策略序列,所述运维策略序列中的每个元素表示一种具体的运维操作;
执行模块,用于根据所述运维策略序列和所述运维任务中的预设规则,自动化执行运维操作。
本发明的有益效果为:
本发明通过采用知识图谱技术和自然语言处理技术,实现了对运维相关的文本数据的高效整合,构建出具有丰富语义信息和实体关系的知识图谱。此外,本发明利用图神经网络和预设的运维策略构建预测模型,使得根据知识图谱的编码表示生成运维策略序列变得更加准确和高效。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中所述的基于知识图谱的智能运维管理方法流程示意图;
图2为本发明实施例中所述的基于知识图谱的智能运维管理***结构示意图。
图中标记:1、获取模块;2、转换模块;21、第一提取单元;22、第一处理单元;23、第一识别单元;24、第二提取单元;25、第二处理单元;251、第三处理单元;252、第四处理单元;253、第五处理单元;3、融合模块;31、第三提取单元;32、第四提取单元;33、第六处理单元;34、第七处理单元;35、第八处理单元;4、构建模块;41、第一构建单元;42、第二构建单元;43、第九处理单元;44、第十处理单元;5、执行模块;51、第一分析单元;52、第一匹配单元;53、第一编码单元;54、第一执行单元;55、第一管理单元。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种基于知识图谱的智能运维管理方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
步骤S100、获取第一信息,第一信息包括运维任务和文本数据,文本数据包括设备传感器数据、维护记录、操作手册、故障报告和工作日志。
可以理解的是,在本步骤中,这些文本数据能够为运维人员提供了关于设备状态、故障原因、解决方案、历史维护记录等方面的关键信息。
步骤S200、对文本数据进行数据转换处理得到知识图谱,知识图谱由至少两个节点、至少一条边构成,每个节点和每个边均对应的一个属性,节点表示与运维相关的实体,边表示实体间的关系。
可以理解的是,知识图谱是一种图形化表示知识的方法,通过节点和边来表示实体及其之间的关系。在本步骤中,知识图谱中的节点表示与运维相关的实体,如设备、组件、故障等;边表示实体之间的关系,如设备之间的连接、故障与设备之间的关联等。每个节点和边都有对应的属性,用以描述它们的特征。通过将文本数据转换成知识图谱,***可以更方便地分析和处理这些数据,从而更有效地支持运维决策和管理。需要说明的是,步骤S200包括步骤S210、步骤S220、步骤S230、步骤S240和步骤S250。
步骤S210、将文本数据进行数据提取处理,得到与运维相关的第一数据集。
可以理解的是,在本步骤中,这些信息包括设备的状态、故障发生的频率、维护记录等。将文本数据进行数据提取处理的目的是从原始文本数据中提炼出与运维相关的关键信息,以便在后续步骤中进行更深入的分析和处理。
步骤S220、基于预设的自然语言处理数学模型对运维数据集进行文本处理得到第二数据集,第二数据集中的每个词语包括对应的词性标记和命名实体标记。
可以理解的是,在本步骤中,自然语言处理技术被应用于对文本数据进行深入分析,以识别出关键的实体和它们之间的关系。这有助于更好地理解运维相关数据的语义结构,从而为后续知识图谱的构建和运维管理提供更加丰富和准确的信息。通过词性标记和命名实体标记,***能够识别出文本中的关键实体,例如设备、组件、故障类型等,从而有助于构建更加详细和准确的知识图谱。
步骤S230、将第二数据集进行实体识别和关系抽取处理,得到知识表示形式的第三数据集。
可以理解的是,在本步骤中,实体识别的目标是从第二数据集中识别出与运维相关的实体,例如设备、组件、故障类型等。关系抽取则是在已识别的实体之间发现它们之间的语义关联,例如设备之间的连接关系、故障类型与设备之间的关联等。这有助于更好地挖掘和利用文本数据中的信息,为后续知识图谱的构建和运维管理提供更加丰富和准确的基础数据。在这一过程中,***通过实体识别和关系抽取技术,将原始文本数据转化为结构化的知识表示,从而为构建知识图谱奠定基础。
步骤S240、将第三数据集中节点和边的属性信息进行特征提取处理,得到特征向量集。
可以理解的是,在本步骤中,将实体和关系的属性信息转换为数值形式的特征向量,还可以根据实际需求进行特征筛选、降维和归一化等处理,以便于后续的计算和分析。特征提取通常包括提取各种数值型、分类型或者顺序型特征,这些特征可以用来描述实体和关系的各种属性,例如设备的类型、故障发生的频率、维修历史等。优选地,还可以通过构建复合特征、统计特征和交互特征等方式,进一步挖掘文本数据中潜在的信息。通过本步骤,***将第三数据集中的属性信息转换为特征向量集,从而为后续知识图谱的构建和分析提供更加方便的数据表示形式。
步骤S250、将特征向量集合中节点的向量和边的向量进行维度拼接,得到矩阵形式的知识图谱。
可以理解的是,在本步骤中,维度拼接是将每个节点的特征向量与其相邻边的特征向量按照预设的顺序或规则进行拼接,从而形成一个统一的数据结构来表示知识图谱中的实体和关系。该矩阵形式的知识图谱是对原始文本数据进行结构化和抽象化处理的结果,它可以更直观地表示实体之间的关系以及实体和关系的属性信息。通过这种数据结构,后续的运维管理方法可以更方便地利用知识图谱中的信息。此外,矩阵形式的知识图谱还有利于高效地进行存储和查询,这对于处理大规模运维数据和复杂运维场景具有重要意义。通过将特征向量集合中的节点和边向量拼接成矩阵形式的知识图谱,***可以将原始文本数据中的关键信息进行更高效、更紧凑的表示,从而为智能运维管理提供更为有效的数据支持。需要说明的是,步骤S250包括步骤S251、步骤S252和步骤S253。
步骤S251、将特征向量集合和预设的多模态特征融合数学模型进行节点和边的特征融合处理,得到融合特征向量集。
可以理解的是,多模态特征融合数学模型的作用是将不同类型的特征(例如,数值型、文本型、图像型等)通过预设的算法融合在一起,从而产生一个具有更高层次表达能力的特征表示。在本步骤中,利用多模态特征融合数学模型,将知识图谱中节点和边的各种特征进行融合。这种融合处理可以提高特征的表达能力,使得知识图谱中的信息能够更加全面地反映运维管理平台的实际情况。此外,通过特征融合,可以将多种特征融合为一个统一的特征表示,从而简化后续数据处理和分析的复杂度。
步骤S252、将融合特征向量集中的节点向量和边向量按行进行拼接处理,得到拼接特征向量集。
可以理解的是,在本步骤中,将节点和边的特征融合到一个统一的矩阵中,形成一个更为紧凑的知识图谱表示以便于后续的计算和分析。
步骤S253、将拼接向量集进行矩阵重构处理得到矩阵形式的知识图谱。
可以理解的是,矩阵重构处理的目的是在保留原始信息的基础上,减少噪声和冗余信息,提高知识图谱的质量。优选地,将拼接特征向量集表示为矩阵M,并通过奇异值分解(SVD)方法将其分解为三个矩阵U、S和V:
M=U*S*VT;
其中,M为拼接特征向量集;U和V分别是正交矩阵;S是对角矩阵,其对角线上的元素为奇异值T表矩阵的转置。然后保留前k个最大的奇异值,将S截断为Sk,同时截断U和V为Uk和Vk。这样,可以得到重构后的矩阵Mk:
Mk=Uk*Sk*Vk T;
其中,k为保留的奇异值数量;T表矩阵的转置;Mk表示知识图谱;Uk和Vk分别为U和V的截断矩阵。
步骤S300、根据知识图谱中的实体和关系进行融合,并结合文本数据中与运维相关的上下文信息进行编码处理得到知识图谱的编码表示。
可以理解的是,在本步骤中,利用知识图谱中的实体和关系进行融合,以便捕获更为复杂的信息和依赖关系。同时,***还会结合文本数据中与运维相关的上下文信息,进一步丰富知识图谱的表达能力。需要说明的是,步骤S300包括步骤S310、步骤S320、步骤S330、步骤S340和步骤S350。
步骤S310、根据知识图谱中的实体和关系信息,对文本数据中与运维相关的上下文信息进行特征提取处理,得到上下文特征向量集。
可以理解的是,在本步骤中,将运维相关的上下文信息转换为具有计算可处理性的特征向量集,从而便于后续的分析和决策。优选地,采用诸如词嵌入(Word Embedding)或BERT等深度学习方法对上下文信息进行特征提取。这些方法能够将文本中的词语转换为高维空间中的向量表示,同时捕获词语之间的语义关系和上下文信息。
步骤S320、根据知识图谱中实体的邻居节点信息,获取每个实体的邻居特征,得到邻居特征向量集。
可以理解的是,在本步骤中,遍历知识图谱中的每个实体,查找与其相邻的节点,并提取这些邻居节点的特征。邻居特征可以包括诸如节点类型、属性值、边的权重等信息,这些信息可以帮助表征实体在知识图谱中的上下文关系。例如,在运维管理平台中实体可能包括设备、部件、故障类型等。设备A可能与部件B和C有关联,而部件B可能与故障类型D有关联。通过分析邻居节点的特征,我们可以得到设备A的上下文信息,如它具有哪些部件以及这些部件可能导致的故障类型等。这有助于运维人员更有效地分析问题,做出更准确的决策。
步骤S330、将上下文特征向量集和邻居特征向量集进行拼接,得到节点向量集。
可以理解的是,在本步骤中,将每个实体的上下文特征向量与其邻居特征向量进行拼接,得到一个新的节点向量。这个新的节点向量将包含实体的上下文信息以及与其他实体的关系信息。这种融合方式有助于提高实体表示的表达能力,捕捉更多有关运维管理平台中实体之间关系的信息。这样的节点向量集将有助于运维管理平台进行更准确的问题诊断、预测和决策。通过结合上下文特征和邻居特征,运维人员可以更全面地了解实体的情况以及实体之间的关系,从而提高运维管理的效率和准确性。
步骤S340、根据知识图谱中边的关系信息,对关系信息进行聚合处理,得到聚合后的边向量集。
可以理解的是,在本步骤中,首先识别出知识图谱中的边,这些边表示实体之间的各种关系,如设备之间的连接关系、故障报告与设备之间的关联关系等。接着将对这些关系信息进行聚合处理,以减少冗余信息并提取出更有价值的关系特征。本步骤将知识图谱中边的关系信息进行聚合,以更简洁、高效地表示实体之间的关系信息,从而为运维管理平台提供更好的数据表示。
步骤S350、将节点向量集和边向量集进行拼接,得到知识图谱的编码表示。
可以理解的是,在本步骤中,将节点向量集中的各个节点向量与边向量集中的各个边向量进行拼接操作。这可以通过将每个节点向量与其相应的边向量按照特定的拼接方式(如按行拼接或按列拼接)组合在一起来实现。拼接后得到一个包含了知识图谱中所有实体及其关系信息的编码表示。这样的知识图谱编码表示能够更好地捕捉运维管理平台中的实体和关系信息,并将其整合到统一的数据结构中。使运维人员能够根据知识图谱中的实体和关系信息来识别潜在的问题、预测故障风险并制定相应的维护策略。通过将节点向量集和边向量集进行拼接,运维管理平台可以更有效地利用知识图谱中的信息,从而提高运维工作的效率和准确性。
步骤S400、根据预设的运维策略和文本数据构建得到预测模型,并根据预测模型对编码表示进行解码处理得到运维策略序列,运维策略序列中的每个元素表示一种具体的运维操作。
可以理解的是,在本步骤中,将知识图谱的编码表示输入到预测模型中,模型会根据学到的特征-运维策略映射关系生成运维策略序列。运维策略序列中的每个元素表示一种具体的运维操作,如设备检查、部件更换、***升级等。这些操作可以帮助运维人员快速、准确地识别和解决潜在的问题,从而提高运维工作的效率和质量。需要说明的是,步骤S400包括步骤S410、步骤S420、步骤S430和步骤S440。
步骤S410、根据预设的运维策略和文本数据构建得到树形结构的图形数据,图形数据包括节点和层次结构,每个节点表示一个的运维操作,层次结构表示运维操作之间的依赖关系。
可以理解的是,在本步骤中,图形数据包括节点和层次结构,每个节点表示一个运维操作,如设备检查、部件更换、***升级等。层次结构则表示运维操作之间的依赖关系,例如某些操作需要在其他操作完成后才能进行。在构建树形结构的图形数据时,根据运维策略和文本数据中的信息来确定节点及其依赖关系,这可以通过分析文本数据中的关键词、短语或句子来实现。同时,***还会参考预设的运维策略,确保生成的图形数据符合实际的运维需求和规范。通过构建树形结构的图形数据,运维人员可以更清晰地了解运维操作及其依赖关系,从而有针对性地进行故障预测、风险评估和维护决策。这有助于提高运维工作的效率和质量,降低运维成本和风险。
步骤S420、将图形数据输入至预设的图神经网络数学模型中进行训练,得到预测模型。
可以理解的是,图神经网络是一种专门用于处理图结构数据的神经网络模型,它可以捕捉节点间的复杂关系和拓扑结构信息,从而为预测任务提供有力的支持。在本步骤中,图神经网络会对图形数据中的节点和边进行特征提取和表示学习,从而捕捉运维操作之间的依赖关系以及与运维任务相关的信息。通过多次迭代训练,图神经网络会逐渐调整其参数,使得预测模型在给定运维任务时能够产生更准确的运维策略序列。通过训练预测模型,***能够根据给定的运维任务自动生成相应的运维策略序列,从而为运维人员提供高效、智能的决策支持。
步骤S430、根据预测模型对编码表示进行解码处理得到节点序列,节点序列中每个节点表示一种运维操作。
优选地,解码过程采用变换器模型(Transformer),可以有效地从编码表示中提取有用信息并生成运维操作序列。同时,可以处理不同长度的序列,从而使得生成的运维策略序列能够适应各种不同的运维任务。在解码过程中,***会根据编码表示和预测模型计算各个运维操作的概率分布,从而为每个操作分配一个概率值。接下来通过采样或贪婪搜索等策略来选择具有最高概率的运维操作,从而生成运维策略序列。此外,为了提高解码过程的效果,还可以采用一些优化技术,如束搜索(Beam Search)或者加入注意力机制(Attention Mechanism)等。通过这一步骤,能够生成针对特定运维任务的运维策略序列,从而为运维人员提供智能化的决策支持。
步骤S440、对节点序列中进行排序处理得到运维策略序列。
可以理解的是,在本步骤中,排序处理根据运维操作之间的依赖关系、执行优先级、资源限制等因素进行。这些因素从知识图谱的编码表示中提取,也可以根据预设的规则或者运维人员的实际需求来确定。排序处理采用拓扑排序、优先级队列等,以确保生成的运维策略序列满足实际运维任务的需求。在排序处理过程中,需要考虑运维操作的执行时间、资源消耗、潜在风险等因素,从而生成最优化的运维策略序列。此外,为了提高排序结果的灵活性和可用性,在排序过程中加入一定的约束条件,如时间窗口、资源限制等,从而使得生成的运维策略序列能够适应不同的运维环境和场景。
步骤S500、根据运维策略序列和运维任务中的预设规则,自动化执行运维操作。
可以理解的是,在本步骤中,通过接口与各种运维工具和设备进行交互,实现自动化地执行各种运维操作,如故障排查、设备维修、软件更新等。同时,还可以根据预设的规则来判断运维操作的执行条件,例如根据故障等级、影响范围等因素来确定操作的优先级和执行顺序。此外,在执行运维操作过程中,可以实时监控操作的执行状态,收集关键性能指标,以便于运维人员实时了解设备和***的运行状况。一旦发现潜在的问题或异常,***可以立即通知运维人员,从而确保设备和***的稳定运行。通过这一步骤,实现了对运维任务的智能化、自动化处理,大幅提高了运维效率,降低了运维成本,同时减少了人为错误的发生,提高了设备和***的可靠性和稳定性。这为运维管理平台带来了显著的优势,有助于推动整个行业的发展。需要说明的是,步骤S500包括步骤S510、步骤S520、步骤S530和步骤S540。
步骤S510、将运维任务进行设备状态分析和需求分析处理,得到第二信息,第二信息包括设备状态信息和需求信息。
可以理解的是,在本步骤中,设备状态信息包括设备的当前运行状况、性能指标、故障记录等,有助于运维人员了解设备的健康状况,从而为后续的维护决策提供参考。需求信息则反映了设备的使用需求、功能要求、性能目标等方面的信息,有助于运维人员评估设备是否满足业务需求,以及确定优化措施。在设备状态分析过程中,***可以通过收集设备的实时运行数据、历史维修记录、故障报告等信息,来分析设备的运行状况和潜在问题。例如,分析设备的性能指标波动情况,以识别设备是否存在异常现象,从而为运维决策提供依据。在需求分析过程中,***可以根据设备的使用场景、业务需求等信息,分析设备是否满足当前和未来的需求。例如,评估设备的处理能力是否能满足业务量的增长,以及设备的功能是否符合用户的需求等。通过对设备状态和需求进行综合分析,***能够发现潜在问题,提出相应的优化建议,从而更好地指导运维工作,提高设备和***的运行效率及满足用户需求。
步骤S520、根据第二信息和运维策略序列进行匹配处理得到待执行的运维操作列表。
可以理解的是,在本步骤中,将运维策略序列中的运维操作与设备状态和需求信息相匹配,以确定哪些运维操作是最适合当前设备状况和需求的。在匹配处理过程中,可以根据设备状态信息对运维策略序列中的运维操作进行筛选,例如,如果设备状态良好,那么可以忽略一些紧急维修操作;反之,如果设备出现故障,那么需要优先考虑故障排查和修复操作。同时,***还需要根据需求信息对运维操作进行排序,以确保满足关键需求的操作能够优先执行。通过匹配处理,***可以生成一个针对当前设备状态和需求的待执行运维操作列表,这有助于运维人员更高效地执行运维任务,提高设备的可用性和性能,以满足用户需求。
步骤S530、将运维操作列表进行编码处理得到机器指令序列。
可以理解的是,在本步骤中,将人类可理解的运维操作翻译成计算机可以执行的指令,以便在自动化执行运维操作时能够顺利进行。编码处理过程涉及多种编码方法和技术,如编程语言、脚本语言或其他自定义编码规则。编码处理的可以确保每个运维操作在转换为机器指令序列后,仍能够保留其原始目的和功能。此外,为了确保指令执行的正确性,编码处理还需要考虑操作间的依赖关系,以确保指令按照正确的顺序和逻辑执行。经过编码处理后得到的机器指令序列可以被自动化运维***或者机器人等设备执行,从而实现运维任务的自动化处理,提高运维效率并减轻运维人员的工作负担。
步骤S540、根据机器指令序列构建得到运维执行计划,运维执行计划包括运维操作的顺序、资源调度和执行时间。
可以理解的是,在构建运维执行计划时,需要考虑多种因素,如设备的当前状态、资源的可用性和运维操作之间的依赖关系等。基于这些因素,***会对机器指令序列中的运维操作进行排序,确定合适的资源调度策略以及为每个操作分配合适的执行时间。优选地,***会首先执行与设备紧急状况相关的操作,然后执行常规检查和维护操作,最后执行设备升级等非关键操作。同时,还需要确保在执行每个操作时,相关的资源(如人员、工具或备件)能够及时调度到位。通过这种方式,运维执行计划能够确保运维任务按照最优的顺序和时间安排进行,提高运维效率并降低运维风险。
步骤S550、根据运维执行计划对运维任务进行自动化管理。
可以理解的是,在本步骤中,实时监控运维任务的执行情况,包括操作进度、资源使用情况和设备状态等。通过实时监控,可以快速发现潜在问题,如操作超时、资源不足或设备异常等,并采取相应措施进行调整。例如,通过重新分配资源、调整操作顺序或暂停某些操作以确保运维任务的顺利进行。此外,还可以根据运维执行情况对运维策略进行调整。例如,如果某个操作的效果不如预期,***可能会修改运维策略,以便在未来的运维任务中改进操作方法。通过这种方式,可以实现运维任务的自我优化,不断提高运维效果。
实施例2:
如图2所示,本实施例提供了一种基于知识图谱的智能运维管理***,***包括:
获取模块1,用于获取第一信息,第一信息包括运维任务和文本数据,文本数据包括设备传感器数据、维护记录、操作手册、故障报告和工作日志。
转换模块2,用于对文本数据进行数据转换处理得到知识图谱,知识图谱由至少两个节点、至少一条边构成,每个节点和每个边均对应的一个属性,节点表示与运维相关的实体,边表示实体间的关系。
融合模块3,用于根据知识图谱中的实体和关系进行融合,并结合文本数据中与运维相关的上下文信息进行编码处理得到知识图谱的编码表示。
构建模块4,用于根据预设的运维策略和文本数据构建得到预测模型,并根据预测模型对编码表示进行解码处理得到运维策略序列,运维策略序列中的每个元素表示一种具体的运维操作。
执行模块5,用于根据运维策略序列和运维任务中的预设规则,自动化执行运维操作。
在本公开的一种具体实施方式中,转换模块2包括:
第一提取单元21,用于将文本数据进行数据提取处理,得到与运维相关的第一数据集。
第一处理单元22,基于预设的自然语言处理数学模型对运维数据集进行文本处理得到第二数据集,第二数据集中的每个词语包括对应的词性标记和命名实体标记。
第一识别单元23,用于将第二数据集进行实体识别和关系抽取处理,得到知识表示形式的第三数据集。
第二提取单元24,用于将第三数据集中节点和边的属性信息进行特征提取处理,得到特征向量集。
第二处理单元25,用于将特征向量集合中节点的向量和边的向量进行维度拼接,得到矩阵形式的知识图谱。
在本公开的一种具体实施方式中,第二处理单元25包括:
第三处理单元251,用于将特征向量集合和预设的多模态特征融合数学模型进行节点和边的特征融合处理,得到融合特征向量集。
第四处理单元252,用于将融合特征向量集中的节点向量和边向量按行进行拼接处理,得到拼接特征向量集。
第五处理单元253,用于将拼接向量集进行矩阵重构处理得到矩阵形式的知识图谱。
在本公开的一种具体实施方式中,融合模块3包括:
第三提取单元31,用于根据知识图谱中的实体和关系信息,对文本数据中与运维相关的上下文信息进行特征提取处理,得到上下文特征向量集。
第四提取单元32,用于根据知识图谱中实体的邻居节点信息,获取每个实体的邻居特征,得到邻居特征向量集。
第六处理单元33,用于将上下文特征向量集和邻居特征向量集进行拼接,得到节点向量集。
第七处理单元34,用于根据知识图谱中边的关系信息,对关系信息进行聚合处理,得到聚合后的边向量集。
第八处理单元35,用于将节点向量集和边向量集进行拼接,得到知识图谱的编码表示。
在本公开的一种具体实施方式中,构建模块4包括:
第一构建单元41,用于根据预设的运维策略和文本数据构建得到树形结构的图形数据,图形数据包括节点和层次结构,每个节点表示一个的运维操作,层次结构表示运维操作之间的依赖关系。
第二构建单元42,用于将图形数据输入至预设的图神经网络数学模型中进行训练,得到预测模型。
第九处理单元43,用于根据预测模型对编码表示进行解码处理得到节点序列,节点序列中每个节点表示一种运维操作。
第十处理单元44,用于对节点序列中进行排序处理得到运维策略序列。
在本公开的一种具体实施方式中,执行模块5包括:
第一分析单元51,用于将运维任务进行设备状态分析和需求分析处理,得到第二信息,第二信息包括设备状态信息和需求信息。
第一匹配单元52,用于根据第二信息和运维策略序列进行匹配处理得到待执行的运维操作列表。
第一编码单元53,用于将运维操作列表进行编码处理得到机器指令序列。
第一执行单元54,用于根据机器指令序列构建得到运维执行计划,运维执行计划包括运维操作的顺序、资源调度和执行时间。
第一管理单元55,用于根据运维执行计划对运维任务进行自动化管理。
需要说明的是,关于上述实施例中的***,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于知识图谱的智能运维管理方法,其特征在于,包括:
获取第一信息,所述第一信息包括运维任务和文本数据,所述文本数据包括设备传感器数据、维护记录、操作手册、故障报告和工作日志;
对所述文本数据进行数据转换处理得到知识图谱,所述知识图谱由至少两个节点、至少一条边构成,每个所述节点和每个所述边均对应的一个属性,所述节点表示与运维相关的实体,所述边表示所述实体间的关系;
根据所述知识图谱中的所述实体和所述关系进行融合,并结合所述文本数据中与运维相关的上下文信息进行编码处理得到所述知识图谱的编码表示;
根据预设的运维策略和所述文本数据构建得到预测模型,并根据所述预测模型对所述编码表示进行解码处理得到运维策略序列,所述运维策略序列中的每个元素表示一种具体的运维操作;
根据所述运维策略序列和所述运维任务中的预设规则,自动化执行运维操作。
2.根据权利要求1所述的基于知识图谱的智能运维管理方法,其特征在于,对所述文本数据进行数据转换处理得到知识图谱,包括:
将所述文本数据进行数据提取处理,得到与运维相关的第一数据集;
基于预设的自然语言处理数学模型对所述运维数据集进行文本处理得到第二数据集,所述第二数据集中的每个词语包括对应的词性标记和命名实体标记;
将所述第二数据集进行实体识别和关系抽取处理,得到知识表示形式的第三数据集;
将所述第三数据集中节点和边的属性信息进行特征提取处理,得到特征向量集;
将所述特征向量集合中所述节点的向量和所述边的向量进行维度拼接,得到矩阵形式的知识图谱。
3.根据权利要求2所述的基于知识图谱的智能运维管理方法,其特征在于,将所述特征向量集合中所述节点的向量和所述边的向量进行维度拼接,得到矩阵形式的知识图谱,包括:
将所述特征向量集合和预设的多模态特征融合数学模型进行节点和边的特征融合处理,得到融合特征向量集;
将所述融合特征向量集中的节点向量和边向量按行进行拼接处理,得到拼接特征向量集;
将所述拼接向量集进行矩阵重构处理得到矩阵形式的知识图谱。
4.根据权利要求1所述的基于知识图谱的智能运维管理方法,其特征在于,根据所述知识图谱中的所述实体和所述关系进行融合,并结合所述文本数据中与运维相关的上下文信息进行编码处理得到所述知识图谱的编码表示,包括:
根据所述知识图谱中的实体和关系信息,对所述文本数据中与运维相关的上下文信息进行特征提取处理,得到上下文特征向量集;
根据知识图谱中所述实体的邻居节点信息,获取每个所述实体的邻居特征,得到邻居特征向量集;
将所述上下文特征向量集和所述邻居特征向量集进行拼接,得到节点向量集;
根据所述知识图谱中边的关系信息,对所述关系信息进行聚合处理,得到聚合后的边向量集;
将节点向量集和所述边向量集进行拼接,得到知识图谱的编码表示。
5.根据权利要求1所述的基于知识图谱的智能运维管理方法,其特征在于,根据预设的运维策略和所述文本数据构建得到预测模型,并根据所述预测模型对所述编码表示进行解码处理得到运维策略序列,所述运维策略序列中的每个元素表示一种具体的运维操作,包括:
根据预设的运维策略和所述文本数据构建得到树形结构的图形数据,所述图形数据包括节点和层次结构,每个所述节点表示一个的运维操作,所述层次结构表示运维操作之间的依赖关系;
将所述图形数据输入至预设的图神经网络数学模型中进行训练,得到预测模型;
根据所述预测模型对所述编码表示进行解码处理得到节点序列,所述节点序列中每个节点表示一种运维操作;
对所述节点序列中进行排序处理得到运维策略序列。
6.一种基于知识图谱的智能运维管理***,其特征在于,包括:
获取模块,用于获取第一信息,所述第一信息包括运维任务和文本数据,所述文本数据包括设备传感器数据、维护记录、操作手册、故障报告和工作日志;
转换模块,用于对所述文本数据进行数据转换处理得到知识图谱,所述知识图谱由至少两个节点、至少一条边构成,每个所述节点和每个所述边均对应的一个属性,所述节点表示与运维相关的实体,所述边表示所述实体间的关系;
融合模块,用于根据所述知识图谱中的所述实体和所述关系进行融合,并结合所述文本数据中与运维相关的上下文信息进行编码处理得到所述知识图谱的编码表示;
构建模块,用于根据预设的运维策略和所述文本数据构建得到预测模型,并根据所述预测模型对所述编码表示进行解码处理得到运维策略序列,所述运维策略序列中的每个元素表示一种具体的运维操作;
执行模块,用于根据所述运维策略序列和所述运维任务中的预设规则,自动化执行运维操作。
7.根据权利要求6所述的基于知识图谱的智能运维管理***,其特征在于,所述转换模块包括:
第一提取单元,用于将所述文本数据进行数据提取处理,得到与运维相关的第一数据集;
第一处理单元,基于预设的自然语言处理数学模型对所述运维数据集进行文本处理得到第二数据集,所述第二数据集中的每个词语包括对应的词性标记和命名实体标记;
第一识别单元,用于将所述第二数据集进行实体识别和关系抽取处理,得到知识表示形式的第三数据集;
第二提取单元,用于将所述第三数据集中节点和边的属性信息进行特征提取处理,得到特征向量集;
第二处理单元,用于将所述特征向量集合中所述节点的向量和所述边的向量进行维度拼接,得到矩阵形式的知识图谱。
8.根据权利要求7所述的基于知识图谱的智能运维管理***,其特征在于,所述第二处理单元包括:
第三处理单元,用于将所述特征向量集合和预设的多模态特征融合数学模型进行节点和边的特征融合处理,得到融合特征向量集;
第四处理单元,用于将所述融合特征向量集中的节点向量和边向量按行进行拼接处理,得到拼接特征向量集;
第五处理单元,用于将所述拼接向量集进行矩阵重构处理得到矩阵形式的知识图谱。
9.根据权利要求7所述的基于知识图谱的智能运维管理***,其特征在于,所述融合模块包括:
第三提取单元,用于根据所述知识图谱中的实体和关系信息,对所述文本数据中与运维相关的上下文信息进行特征提取处理,得到上下文特征向量集;
第四提取单元,用于根据知识图谱中所述实体的邻居节点信息,获取每个所述实体的邻居特征,得到邻居特征向量集;
第六处理单元,用于将所述上下文特征向量集和所述邻居特征向量集进行拼接,得到节点向量集;
第七处理单元,用于根据所述知识图谱中边的关系信息,对所述关系信息进行聚合处理,得到聚合后的边向量集;
第八处理单元,用于将节点向量集和所述边向量集进行拼接,得到知识图谱的编码表示。
10.根据权利要求7所述的基于知识图谱的智能运维管理***,其特征在于,所述构建模块包括:
第一构建单元,用于根据预设的运维策略和所述文本数据构建得到树形结构的图形数据,所述图形数据包括节点和层次结构,每个所述节点表示一个的运维操作,所述层次结构表示运维操作之间的依赖关系;
第二构建单元,用于将所述图形数据输入至预设的图神经网络数学模型中进行训练,得到预测模型;
第九处理单元,用于根据所述预测模型对所述编码表示进行解码处理得到节点序列,所述节点序列中每个节点表示一种运维操作;
第十处理单元,用于对所述节点序列中进行排序处理得到运维策略序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310526915.5A CN116611813B (zh) | 2023-05-08 | 2023-05-08 | 一种基于知识图谱的智能运维管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310526915.5A CN116611813B (zh) | 2023-05-08 | 2023-05-08 | 一种基于知识图谱的智能运维管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116611813A true CN116611813A (zh) | 2023-08-18 |
CN116611813B CN116611813B (zh) | 2024-03-29 |
Family
ID=87681068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310526915.5A Active CN116611813B (zh) | 2023-05-08 | 2023-05-08 | 一种基于知识图谱的智能运维管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611813B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881744A (zh) * | 2023-09-07 | 2023-10-13 | 北京中科朗易科技有限责任公司 | 一种基于物联网的运维数据分发方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902165A (zh) * | 2019-03-08 | 2019-06-18 | 中国科学院自动化研究所 | 基于马尔科夫逻辑网的智能交互式问答方法、***、装置 |
CN112035672A (zh) * | 2020-07-23 | 2020-12-04 | 深圳技术大学 | 一种知识图谱补全方法、装置、设备以及存储介质 |
KR20210092148A (ko) * | 2020-01-15 | 2021-07-23 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 시계열 지식그래프 생성 방법, 장치, 기기 및 매체 |
CN115269857A (zh) * | 2022-04-28 | 2022-11-01 | 东北林业大学 | 一种基于文档关系抽取的知识图谱构建方法和装置 |
CN115525771A (zh) * | 2022-09-29 | 2022-12-27 | 中国人民解放军战略支援部队信息工程大学 | 基于上下文数据增强的少样本知识图谱表示学习方法及*** |
-
2023
- 2023-05-08 CN CN202310526915.5A patent/CN116611813B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902165A (zh) * | 2019-03-08 | 2019-06-18 | 中国科学院自动化研究所 | 基于马尔科夫逻辑网的智能交互式问答方法、***、装置 |
KR20210092148A (ko) * | 2020-01-15 | 2021-07-23 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 시계열 지식그래프 생성 방법, 장치, 기기 및 매체 |
CN112035672A (zh) * | 2020-07-23 | 2020-12-04 | 深圳技术大学 | 一种知识图谱补全方法、装置、设备以及存储介质 |
CN115269857A (zh) * | 2022-04-28 | 2022-11-01 | 东北林业大学 | 一种基于文档关系抽取的知识图谱构建方法和装置 |
CN115525771A (zh) * | 2022-09-29 | 2022-12-27 | 中国人民解放军战略支援部队信息工程大学 | 基于上下文数据增强的少样本知识图谱表示学习方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881744A (zh) * | 2023-09-07 | 2023-10-13 | 北京中科朗易科技有限责任公司 | 一种基于物联网的运维数据分发方法、装置、设备及介质 |
CN116881744B (zh) * | 2023-09-07 | 2023-12-22 | 北京中科朗易科技有限责任公司 | 一种基于物联网的运维数据分发方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116611813B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114579875B (zh) | 基于知识图谱的设备故障诊断与维修知识推荐*** | |
CN112612902A (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
CN114138759B (zh) | 基于知识图谱推理的二次设备故障处理推送方法及*** | |
CN117271767B (zh) | 基于多智能体的运维知识库的建立方法 | |
CN113283602B (zh) | 基于离线知识学习和在线动态修正电网***故障诊断方法 | |
CN116611813B (zh) | 一种基于知识图谱的智能运维管理方法及*** | |
CN113434634A (zh) | 知识图谱构建方法、装置 | |
CN116882978B (zh) | 一种基于产品信息框架的深海潜水器运维保障*** | |
CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
CN115564071A (zh) | 一种电力物联网设备数据标签生成方法及*** | |
CN113590451A (zh) | 一种根因定位方法、运维服务器及存储介质 | |
CN112612819A (zh) | 一种抽水蓄能电站大数据分析挖掘方法及*** | |
Xie et al. | Logm: Log analysis for multiple components of hadoop platform | |
CN115170344A (zh) | 调控***运行事件智能处理方法及装置、介质及设备 | |
CN117236665A (zh) | 物资生产调度优化方法及*** | |
CN110415136B (zh) | 一种电力调度自动化***服务能力评估***与方法 | |
CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
Long et al. | 6G comprehensive intelligence: network operations and optimization based on Large Language Models | |
KR20210002305A (ko) | 인공지능 기반 프로젝트 리스크 예측방법 | |
CN117806980B (zh) | 一种基于大语言模型的测试用例自动生成装置 | |
Pan et al. | Sequential design command prediction using BIM event logs | |
CN117724683B (zh) | 一种基于大语言模型的业务逻辑编码框架生成方法及*** | |
CN117436444B (zh) | 基于标签的数据处理方法、设备及计算机可读存储介质 | |
CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
Sokolova et al. | Multi-agent-based system technologies in environmental issues |
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 |