CN116628230A - 属性关联关系的表达方法、装置、电子设备及存储介质 - Google Patents
属性关联关系的表达方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116628230A CN116628230A CN202310913122.9A CN202310913122A CN116628230A CN 116628230 A CN116628230 A CN 116628230A CN 202310913122 A CN202310913122 A CN 202310913122A CN 116628230 A CN116628230 A CN 116628230A
- Authority
- CN
- China
- Prior art keywords
- attribute
- target
- model
- determining
- intensity
- 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 65
- 230000014509 gene expression Effects 0.000 claims abstract description 39
- 230000007246 mechanism Effects 0.000 claims description 64
- 238000013507 mapping Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 description 18
- 238000001556 precipitation Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 14
- 239000002689 soil Substances 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012098 association analyses Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000003204 osmotic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种属性关联关系的表达方法、装置、电子设备及存储介质,包括:获取待处理三元组;其中,待处理三元组包括头实体、尾实体、头实体与尾实体之间的属性关联关系;根据待处理三元组的语义特征,确定属性关联关系相关的目标属性项;基于目标属性项确定属性关联关系对应的属性值;基于目标属性项确定目标强度模型,通过目标强度模型基于属性值确定属性关联关系对应的强度值,以利用强度值对属性关联关系进行量化表达或动态表达。本发明可以获取实体间更深层次的关联信息,实现属性关联关系的量化表达与动态表达。
Description
技术领域
本发明涉及计算机技术领域,尤其是涉及一种属性关联关系的表达方法、装置、电子设备及存储介质。
背景技术
实体间关联关系是实体语义描述的重要组成部分,实体对象之间信息的联动维护、行为的传导以及基于关联关系的相关分析等应用,都需要以关联关系为媒介而完成。空间环境实体间的关联关系是根据实体对象的空间位置、空间形态、属性特征等而产生的。根据实体对象描述的需求,关联关系分为传统GIS(Geographic Information System,地理信息***)中所侧重描述的空间关联关系、时间关联关系和时空关联关系,以及由对象属性特征而产生的属性关联关系。其中空间关联关系和时间关联关系因其稳定程度低、变化频率高,需要实时动态构建,研究学者已经对其进行了大量的研究并给出了具体的解决方案。而属性关联关系是指实体之间动态变化的各种复杂关系,如机器与零件的组成与分解关系、人与人之间的上下级关系、雷达与信号接收站的接受与传播关系、飞行员对于飞机的执行与控制关系、事件与事件的因果关系等,考虑实体间属性关联关系得到越来越多的关注。其次属性关联关系的构建着力研究物理空间、人类经济社会空间以及信息空间的本质及其可能的相互映射关系,一方面可以对空间环境实体之间关联关系进行更加全方位的描述和表达,另一方面能够支持大数据关联分析、预测分析和决策支持等更广泛的应用,向社会经济空间、信息空间等多领域空间进行更加广泛的服务拓展。因此,属性关联关系构建具有重要意义。
相对于空间或时间关联关系而言,属性关联关系具有稳定程度高、变化频率低等特点,不能通过计算而实时构建,需要人工手动录入内容,无法表达属性关联关系的动态变化;且针对空间环境实体的关联关系表达,未有对属性关联关系的明确界定,同时缺乏关联关系的约束性特征提取与定量表达,导致无法挖掘出实体间更深层次的关联信息,从而难以支撑关联分析、预测分析和决策支持。
发明内容
有鉴于此,本发明的目的在于提供一种属性关联关系的表达方法、装置、电子设备及存储介质,可以获取实体间更深层次的关联信息,实现属性关联关系的量化表达与动态表达。
第一方面,本发明实施例提供了一种属性关联关系的表达方法,包括:
获取待处理三元组;其中,所述待处理三元组包括头实体、尾实体、所述头实体与所述尾实体之间的属性关联关系;
根据所述待处理三元组的语义特征,确定所述属性关联关系相关的目标属性项;
基于所述目标属性项确定所述属性关联关系对应的属性值;
基于所述目标属性项确定目标强度模型,通过所述目标强度模型基于所述属性值确定所述属性关联关系对应的强度值,以利用所述强度值对所述属性关联关系进行量化表达或动态表达。
在一种实施方式中,根据所述待处理三元组的语义特征,确定所述属性关联关系相关的目标属性项,包括:
根据已有属性字典,确定所述待处理三元组中实体间的初始实体属性项和初始实体关系属性项;
从所述初始实体关系属性项和所述初始实体属性项中,提取与所述属性关联关系相关的候选属性项;
根据所述待处理三元组的语义特征,确定所述属性关联关系与每个所述候选属性项之间的相关性;
按照所述相关性从高到低的顺序,从所述候选属性项中确定所述属性关联关系相关的目标属性项。
在一种实施方式中,基于所述目标属性项确定所述属性关联关系对应的属性值,包括:
根据所述目标属性项与候选机理模型之间的映射关系,从多个所述候选机理模型中选择所述目标属性项对应的第一目标机理模型,并通过所述第一目标机理模型确定第一属性值;
以及,基于所述目标属性项构建属性项集合,根据所述属性项集合与所述候选机理模型之间的映射关系,从多个所述候选机理模型中选择所述属性项集合对应的第二目标机理模型,并通过所述第二目标机理模型确定第二属性值;
将所述第一属性值和/或所述第二属性值,确定为所述属性关联关系对应的属性值。
在一种实施方式中,所述目标属性项包括目标实体属性项和/或目标实体关系属性项;基于所述目标属性项确定目标强度模型,包括:
如果所述目标属性项为所述目标实体属性项,则将实体属性相关模型确定为第一候选强度确定模型;或者,如果所述目标属性项为所述目标实体关系属性项,则将关系属性相关模型确定为第二候选强度确定模型;其中,所述第一候选强度确定模型和所述第二候选强度确定模型均包括单一属性相关模型和多属性相关模型;
如果所述目标属性项的数量为1,则将所述第一候选强度确定模型或所述第二候选强度确定模型中的所述单一属性相关模型确定为目标强度模型;
或者,如果所述目标属性项的数量大于1,则将所述第一候选强度确定模型或所述第二候选强度确定模型中的所述多属性相关模型确定为目标强度模型。
在一种实施方式中,通过所述目标强度模型基于所述属性值确定所述属性关联关系对应的强度值,包括:
如果所述目标强度模型为所述单一属性相关模型,从可信数据库获取单一属性项的属性值,组成属性值集合;
采用等间隔分级法对所述属性值集合进行分级,每一级别区间对应一个强度值,求出每一条关系相关属性项的值所属的区间范围;
将所述区间范围对应的所述强度值映射为该属性关联关系的强度值。
在一种实施方式中,通过所述目标强度模型基于所述属性值确定所述属性关联关系对应的强度值,还包括:
如果所述目标强度模型为所述多属性相关模型,对所述属性关联关系对应的每个属性值进行标准化处理,得到每个所述属性值对应的标准化值;
将所述目标属性项构成的属性项集合输入至预先训练的权重系数确定模型,以通过所述权重系数确定模型确定每个所述属性值对应的权重系数;
基于每个所述权重系数对每个所述标准化值进行加权处理,得到所述属性关联关系对应的强度值。
在一种实施方式中,在通过所述目标强度模型确定所述属性关联关系对应的强度值之后,所述方法还包括:
将所述强度值添加至所述待处理三元组,得到属性关联关系表达四元组。
第二方面,本发明实施例还提供一种属性关联关系的表达装置,包括:
三元组获取模块,用于获取待处理三元组;其中,所述待处理三元组包括头实体、尾实体、所述头实体与所述尾实体之间的属性关联关系;
属性项确定模块,用于根据所述待处理三元组的语义特征,确定所述属性关联关系相关的目标属性项;
属性值确定模块,用于基于所述目标属性项从多个候选机理模型中确定目标机理模型,通过所述目标机理模型确定所述属性关联关系对应的属性值;
强度值确定模块,用于基于所述目标属性项确定目标强度模型,通过所述目标强度模型基于所述属性值确定所述属性关联关系对应的强度值,以利用所述强度值对所述属性关联关系进行量化表达或动态表达。
第三方面,本发明实施例还提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面,本发明实施例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可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种属性关联关系的表达方法、装置、电子设备及存储介质,首先获取待处理三元组,该待处理三元组包括头实体、尾实体、头实体与尾实体之间的属性关联关系,再根据待处理三元组的语义特征确定属性关联关系相关的目标属性项,然后基于目标属性项确定属性关联关系对应的属性值,继续基于目标属性项确定目标强度模型,最后通过目标强度模型基于属性值确定属性关联关系对应的强度值,以利用强度值对属性关联关系进行量化表达或动态表达。本发明实施例可以实现空间环境实体对象属性关联关系的量化表达,且能够高效准确地反映属性关联关系动态变化,挖掘更多关联关系隐含信息,为决策支持和预测分析提供应用基础。
本发明的其他特征和优点将在随后的说明书中阐述,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而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术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发明的一些实施方式,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为本发明实施例提供的一种属性关联关系的表达方法的流程示意图;
图2为本发明实施例提供的一种关系属性字典和实体属性字典的示意图;
图3为本发明实施例提供的另一种属性关联关系的表达方法的流程示意图;
图4为本发明实施例提供的一种属性关联关系的表达装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
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,下面将结合实施例对本发明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。基于本发明中的实施例,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,都属于本发明保护的范围。
目前,相对于空间或时间关联关系而言,属性关联关系具有稳定程度高、变化频率低等特点,不能通过计算而实时构建,需要人工手动录入内容,无法表达属性关联关系的动态变化;且针对空间环境实体的关联关系表达,未有对属性关联关系的明确界定,同时缺乏关联关系的约束性特征提取与定量表达,导致无法挖掘出实体间更深层次的关联信息,从而难以支撑关联分析、预测分析和决策支持。基于此,本发明实施提供了一种属性关联关系的表达方法、装置、电子设备及存储介质,可以获取实体间更深层次的关联信息,实现属性关联关系的量化表达与动态表达。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种属性关联关系的表达方法进行详细介绍,参见图1所示的一种属性关联关系的表达方法的流程示意图,该方法主要包括以下步骤S102至步骤S108:
步骤S102,获取待处理三元组;其中,待处理三元组包括头实体、尾实体、头实体与尾实体之间的属性关联关系,属性关联关系是指实体之间动态变化的各种复杂关系,如机器与零件的组成与分解关系、人与人之间的上下级关系、雷达与信号接收站的接受与传播关系、飞行员对于飞机的执行与控制关系、事件与事件的因果关系等。
在一种实施方式中,可以从现有的可信知识源数据库中,抽取已知实体对的关联关系,构造<头实体,关联关系,尾实体>三元组集。进一步的,获取已有的关联关系分类规范、实体属性字典和关系属性字典,从而根据已有的关联关系分类规范、实体属性字典和关系属性字典,明确各三元组的关联关系类别,剔除不属于属性关联关系类别的三元组,形成<头实体,属性关联关系,尾实体>三元组。
步骤S104,根据待处理三元组的语义特征,确定属性关联关系相关的目标属性项。其中,目标属性项包括目标实体属性项和/或目标实体关系属性项。
在一种实施方式中,可以根据已有的属性字典明确待处理三元组中实体间的初始实体关系属性项和初始实体属性项,利用主成分分析法、待处理三元组的语义特征对初始实体关系属性项和初始实体属性项进行提取与筛选,以得到属性关联关系相关的目标实体属性项和/或目标实体关系属性项。
步骤S106,基于目标属性项确定属性关联关系对应的属性值。
在一种实施方式中,可以基于目标属性项从多个候选机理模型中确定目标机理模型,通过目标机理模型确定属性关联关系对应的属性值;在另一种实施方式中,基于知识库自动获取属性项的值。
其中,机理模型可以用于计算现实世界的实体发展变化过程中产生的状态变化量或物理属性值,通常是基于质量平衡方程、能量平衡方程、动量平衡方程以及某些物性方程、化学反应定律、电路基本定律等而获得对象或过程的数学模型,是多种类型表达式的组合封装统称。
在一种实施方式中,属性项与候选机理模型之间存在映射关系,可以基于该映射关系确定目标属性项对应的第一目标机理模型,以得到第一目标机理模型针对目标属性项输出的值;或者,还可以将多个目标属性项组合为属性项集合,属性项集合与候选机理模型之间也存在映射关系,可以基于该映射关系确定属性项集合对应的第二目标机理模型,以得到第二目标机理模型针对属性项集合输出的值;将上述第一目标机理模型输出的值和第二目标机理模型输出的值作为属性关联关系对应的属性值。
步骤S108,基于目标属性项确定目标强度模型,通过目标强度模型基于属性值确定属性关联关系对应的强度值,以利用强度值对属性关联关系进行量化表达或动态表达。其中,按照属性项类别(实体或者实体关系)划分,强度确定模型包括实体属性相关模型和关系属性相关模型;按照属性项数量划分,强度确定模型可以包括单一属性相关模型和多属性相关模型,诸如实体属性相关模型又包括单一实体属性相关模型和多实体属性相关模型,关系属性相关模型又包括单一关系属性相关模型和多关系属性相关模型。
在一种实施方式中,为了描述属性关联关系的动态变化或限制条件,需要加入属性关联关系的强度值,实现属性关联关系的定量表达。具体的,可以基于目标属性项的类别和数量,确定目标强度模型,从而利用目标强度模型对应的算法,对属性关联关系的属性值进行处理,进而得到属性关联关系对应的强度值。
示例性的,如果目标属性项为目标实体属性项,且目标实体属性项的数量为1,则将单一实体属性相关模型确定为目标强度模型;或者,如果目标属性项为目标实体属性项,且目标实体属性项的数量大于1,则将多实体属性相关模型确定为目标强度模型;如果目标属性项为目标实体关系属性项,且目标实体关系属性项的数量为1,则将单一关系属性相关模型确定为目标强度模型;或者,如果目标属性项为目标实体关系属性项,且目标实体关系属性项的数量大于1,则将多关系属性相关模型确定为目标强度模型。
本发明实施例提供的属性关联关系的表达方法,可以实现空间环境实体对象属性关联关系的量化表达,且能够高效准确地反映属性关联关系动态变化,挖掘更多关联关系隐含信息,为决策支持和预测分析提供应用基础。
为便于对上述实施例进行理解,本发明实施例提供了一种属性关联关系的表达方法的具体实施方式。
对于前述步骤S102,本发明实施例提供了一种获取待处理三元组的实施方式,可以参见如下过程:
从现有的可信知识源数据库中,抽取已知实体对的关联关系,构造<头实体,关联关系,尾实体>三元组集。根据已有的关联关系分类规范、实体属性字典和关系属性字典,明确各三元组的关联关系类别,剔除不属于属性关联关系类别的三元组,形成<头实体,属性关联关系,尾实体>三元组。具体的,关联关系类别包括时间关联关系、空间关联关系和属性关联关系,如果某三元组中的关联关系类别为时间关联关系或空间关联关系,则将该三元组剔除,从而得到包含有属性关联关系的三元组,该三元组即为待处理三元组。
其中,属性字典可以通过开放知识库、行业知识库和行业垂直网站、在线百科等途径采集相关属性信息来构造,诸如图2所示的一种关系属性字典和实体属性字典的示意图。其中,实体属性字典包括实体名称、标识、以及其他属性信息等;关系属性字典包括关系名称、标识以及关系属性信息等。
对于前述步骤S104,本发明实施例提供了一种根据待处理三元组的语义特征,确定属性关联关系相关的目标属性项的实施方式,参见如下(1)至(3):
(1)根据已有属性字典,确定待处理三元组中实体间的初始实体属性项和初始实体关系属性项。其中,已有属性字典可以为上述实体属性字典和关联属性字典。在一种实施方式中,根据实体属性字典和关联属性字典,明确待处理三元组中实体间的初始实体属性项和初始实体关系属性项。
(2)从初始实体关系属性项和初始实体属性项中,提取与属性关联关系相关的候选属性项。在一种实施方式中,根据属性关系类型的不同,提取与属性关联关系相关的属性项有的可以直接通过已有关系属性字典提取实体关系属性项;在另一种实施方式中,需要根据已有实体属性字典首先明确实体属性项,然后采用PCA(主成分分析,PrincipalComponent Analysis)法从初始实体关系属性项和初始实体属性项中提取与属性关联关系相关的属性项,提取得到的属性项即为候选属性项。
(3)根据待处理三元组的语义特征,确定属性关联关系与每个候选属性项之间的相关性;按照相关性从高到低的顺序,从候选属性项中确定属性关联关系相关的目标属性项。在实际应用中,由于提取的实体属性不可避免地会造成冗余,冗余会影响后续计算准确度,增大了计算成本,需要提取与属性关联关系之间的相关性较高的属性项。具体可以根据属性关联关系的语义特征,对属性关联关系与候选属性项之间的相关性进行排序,选择前k个主成分属性,消除不相关和共线性属性,从而达到降维的目的,自动提取与属性关联关系相关的属性项(也即,目标属性项)。
对于前述步骤S106,本发明实施例提供了一种基于目标属性项属性关联关系对应的属性值的实施方式,可以通过知识库自动获取提取的实体属性项或实体关系属性项的属性值,或基于机理模型来实现对实体的属性及属性值计算。
具体的,本发明实施例对基于机理模型来实现对实体的属性及属性值计算进一步解释说明,参见如下步骤a至步骤c:
步骤a,根据目标属性项与候选机理模型之间的映射关系,从多个候选机理模型中选择目标属性项对应的第一目标机理模型,并通过第一目标机理模型确定第一属性值。
在一种实施方式中,可以从现有的机理模型库中映射得到上述目标属性项所对应的目标机理模型,再使用机理模型即可根据提取的属性计算出属性及属性值。例如,基于超市的日营业额可以使用函数公式计算出月度利润;根据提取的某个实体的质量,可以使用牛顿第二定律,计算出实体的受力情况。
步骤b,基于目标属性项构建属性项集合(也可称之为,对象属性集),根据属性项集合与候选机理模型之间的映射关系,从多个候选机理模型中选择属性项集合对应的第二目标机理模型,并通过第二目标机理模型确定第二属性值。在一种实施方式中,机理模型还可以根据提取的属性项集合计算出属性的属性值。示例性的,根据风速、风向、气压、空气密度等大气对象属性,可以计算出风电输出功率的值;根据某节点的挠度、转角关系等属性可以计算出节点反力,进而用于拱桥的内力计算。
依据步骤a和步骤b可知,依据机理模型和实体属性,可以计算出实体的属性及其属性值。其计算表达式可以描述为:
其中,i为待计算的目标属性项,为该目标属性项的相关特征参数,y为该目标属性项的值(也即属性值),/>为机理模型。
步骤c,将第一属性值和/或第二属性值,确定为属性关联关系对应的属性值。
对于前述步骤S106,本发明实施例提供了一种基于目标属性项确定目标强度模型的实施方式,参见如下步骤1至步骤3:
步骤1,如果目标属性项为目标实体属性项,则将实体属性相关模型确定为第一候选强度确定模型;或者,如果目标属性项为目标实体关系属性项,则将关系属性相关模型确定为第二候选强度确定模型;其中,第一候选强度确定模型和第二候选强度确定模型均包括单一属性相关模型和多属性相关模型。
在一种实施方式中,基于涉及的计算属性项不同,强度确定模型可以划分为关系属性相关模型、实体属性相关模型(也可以称之为,对象属性相关模型)和其他类型模型三种。其中,关系属性相关模型为基于关系本身的属性项的值计算得到的强度值模型,如买卖关系的强度可以依据买卖次数、买卖时间、买卖金额等相关属性项的属性值计算得到。实体属性相关模型为基于关联对象的属性项的值计算得到强度值的模型,如行政隶属关系可以依据关联对象的级别属性进行计算,在同一个行政体系内,行政级别差距越大,行政隶属关系强度越弱。其他类型模型是指包含混合以上两种类型及其他复杂情况的强度确定模型。
在具体实现时,如果目标属性项或者属性项集合为目标实体属性项,则选择实体属性相关模型;或者,如果目标属性项或者属性项集合为目标实体关系属性项,则选择关系属性相关模型。
进一步的,根据强度确定模型涉及的属性项数量,结合函数模型数学建模理念,其强度确定模型需要就单一属性和多属性分别构建相关的强度确定模型。
步骤2,如果目标属性项的数量为1,则将第一候选强度确定模型或第二候选强度确定模型中的单一属性相关模型确定为目标强度模型。
示例性的,在目标属性项的数量为1的前提下,如果目标属性项为目标实体属性项,则从实体属性相关模型中进一步选择单一属性相关模型,也即将单一实体属性相关模型确定为目标强度模型;或者,如果目标属性项为目标实体关系属性项,则从关系属性相关模型中进一步选择单一属性相关模型,也即将单一关系属性相关模型确定为目标强度模型。
步骤3,如果目标属性项的数量大于1,则将第一候选强度确定模型或第二候选强度确定模型中的多属性相关模型确定为目标强度模型。
示例性的,在目标属性项的数量大于1的前提下,如果目标属性项为目标实体属性项,则从实体属性相关模型中进一步选择多属性相关模型,也即将多实体属性相关模型确定为目标强度模型;或者,如果目标属性项为目标实体关系属性项,则从关系属性相关模型中进一步选择多属性相关模型,也即将多关系属性相关模型确定为目标强度模型。
在前述步骤1至步骤3的基础上,本发明实施例分别利用单一属性相关模型和多属性相关模型确定属性关联关系对应的强度值的实施方式,具体参见如下方式一至方式二:
方式一,目标强度模型为单一属性相关模型,对单一属性相关模型表达式可以描述为:
;
式中:为关系强度值,/>为关联属性项的值,/>为单一属性关联强度确定模型。采用等间隔分级法计算。具体步骤为:从可信数据库获取单一属性项的属性值,组成属性值集合,采用等间隔分级法对属性值集合进行分级,每一级别区间对应一个强度值最后求出每一条关系相关属性项的值所属的区间范围,将区间范围对应的强度值映射为该属性关联关系的强度值。在此基础上,确定强度值的具体步骤参见如下(a1)至(a3):
(a1)从可信数据库获取单一属性项的属性值,组成属性值集合。
(a2)采用等间隔分级法对属性值集合进行分级,每一级别区间对应一个强度值最后求出每一条关系相关属性项的值所属的区间范围。
其中,不同区间对应的关联关系强度值可以通过下式计算得到。假如属性项分级数为N,则第i级对应的属性关联关系强度值为:
。
示例性的,如计算公司上级与下级之间的属性关联关系强度,假设该关系强度仅与公司的级别这一属性相关,则可以通过可信数据库获取公司所处的级别值,组成属性值集合 [1.1、1.4、2.3、3.4、3.1、4.4…5.4];采用等间隔分级法对其级别属性值集合进行分级,假设需要划分5个等级,则属性值集合被划分成5个区间,每个区间对应的强度值分别为1/5、2/5、3/5、4/5、1,依据最大值与最小值计算出区间间隔为(5.4-1.1)/5,可以求出每个区间范围分别为[1.1,1.96]、[1.96,2.82]、[2.82,3.68]、[3.68,4.54]、[4.54,5.4],最后把每项属性的属性值进行区间映射,从而得到对应属性项的关联关系强度值。例如,假设目标属性项的属性值为1.4,则确定其处于第一个区间范围。
(a3)将区间范围对应的强度值映射为该属性关联关系的强度值。请继续参见上述示例,将[1.1,1.96]对应的强度值1/5确定为该属性关联关系的强度值。
方式二,目标强度模型为多属性相关模型,多属性相关的关联关系强度计算主要是依据每项属性项的属性值作为模型参数,因此其表达式可以描述为:
;
式中:为关系强度值,/>为关联属性项的值,/>为多属性项值的集合,/>为多属性项属性关联强度确定模型。在此基础上,确定强度值的具体步骤参见如下(b1)至(b3):
(b1)对属性关联关系对应的每个属性值进行标准化处理,得到每个属性值对应的标准化值。
在一种实施方式中,在进行对多属性相关的关联关系强度值时,先需要对每项属性值进行标准化处理以消除量纲影响,具体处理方法为:找出多属性项属性值集合中最大值和最小值,计算其极差,然后用每个属性值减去最小值,再除以极差,最终得到标准化值,具体计算公式如下:
;
其中,为多属性的每项属性值,/>为多属性集合中的最小属性值,/>为多属性集合中最大属性值,/>为标准化处理后的属性值。
(b2)将目标属性项构成的属性项集合输入至预先训练的权重系数确定模型,以通过权重系数确定模型确定每个属性值对应的权重系数。
(b3)基于每个权重系数对每个标准化值进行加权处理,得到属性关联关系对应的强度值。
在一种实施方式中,采用线性加权的方法将多属性项属性关联强度计算模型预设为多元函数,将不同的属性项作为函数的自变量,将各属性项影响程度的权重作为系数,然后对多属性项进行线性加权组合,并采用神经网络模型对各属性项的权重系数训练,待各属性项权重系数稳定后,可引入多属性关联关系强度计算模型,获取多属性项对应函数的最优解。其关联关系强度计算模型表达式为:
;
;
其中,为机理模型,主要用于计算相关属性项的属性值,属于所有属性项的值,/>为函数模型线性组合权重系数,主要根据样本数据进行训练得到。
进一步的,为便于对上述(b2)进行理解,本发明实施例还提供了一种权重系数确定模型的训练过程。在一种实施方式中,对于各相关属性项的权重训练主要基于现有的历史属性数据构造训练样本集和验证样本集,设置合理的初始化权重w和偏置b,通过训练样本集对神经网络模型进行训练,并不断尝试和调整w值和b值,得到稳定w值和b值后再基于验证样本集对神经网络模型进行验证。将验证后的权重w作为该神经网络模型的模型参数,并带入多属性标准化处理后的属性值,最终计算得到其多属性相关的关联关系强度值。另外,属性关联关系强度计算模型可以进行复用,计算不同时间的关联关系强度,定量评估关联关系的变化情况。
如降水实体对自然土体实体的影响,首先通过步骤S102形成<降水,影响关系,自然土体>三元组;
通过实体属性字典可以查找到降水实体含有降水范围、降水类型、降水周期、降水强度、降水量、能见度等属性,自然土体实体含有土质名称、权属性质、土地类型、面积、土***置、地表物质构成、地面沉降、地面裂缝、地面塌陷、渗透变形等属性,通过步骤S104可以提取与影响关系相关的实体属性项有降水范围、降水周期、降水强度、降水量、土***置、地面沉降、地面裂缝、地面塌陷、渗透变形等属性,并构建成属性项集合;
通过步骤S106分别映射出与降水强度、地面沉降、地面裂缝、地面塌陷、渗透变形等属性相关的机理模型,并调用相关机理模型分别计算属性及属性值,分别为:降水强度值为50mm/d,地面沉降速度为0.2mm/d,地面单一裂缝延伸速度为0.5mm/d,上层土体沉降时下层土体的承载力为120Kpa,雨水在土壤中的入渗率为1.2mm/min;
然后对各属性值进行标准化处理,分别为:0.416、0、0.003、1和0.008,最后根据属性数据样本训练权重系数得到关联关系强度计算模型为F=0.45x1+0.06x2+0.4x3+0.09x4,代入标准化处理后的属性值,即可求得关联关系强度为0.5881。最后可以复用该属性关联关系强度计算模型对下个月或者下年度的该地降水与土体间的影响关系进行强度计算,并与上个月或上年度的强度值对比,可以定量评估出该地降水对土体的生存环境影响的变化情况。
进一步的,在通过目标强度模型确定属性关联关系对应的强度值之后,还可以将强度值添加至待处理三元组,得到属性关联关系表达四元组。具体的,将属性关联关系的强度值作为四元组中的第三元,与实体对和属性关联关系类型共同构建成属性关联关系四元组,并将其四元组信息存储为JSON文件,具体描述表达如下:
;
其中,是实体间的属性关联关系;/>代表头实体、/>代表尾实体,是实体的属性关联关系类型,如交易关系、组合关系和等级关系等;/>是属性关联关系的强度值。 如根据降水实体与自然土体实体之间的关系类型为影响关系,通过以上流程处理后,最终生成影响关系四元组表达式<降水,影响关系,0.5881,自然土体>。
综上所述,本发明实施例提供的属性关联关系的表达方法至少具有以下特点:
(1)提供了一套完整的属性关联关系的构建流程,为属性关联关系的构建提供思路,从而支撑决策支持和预测分析等应用。
(2)充分利用现有的知识库和模型库数据,高效准确地挖掘实体潜在的语义信息、关联结构信息。
(3)将属性关联关系强度加入关系表达四元组中,量化评估实体间的属性关联关系,实现属性关联关系的全面形象表达。
为便于理解,本发明实施例提供了另一种属性关联关系的表达方法,参见图3所示的另一种属性关联关系的表达方法的流程示意图,该方法主要包括以下步骤S302至步骤S310:
步骤S302,依据现有的可信知识源数据、实体和关系的属性字典,构造<头实体,属性关联关系,尾实体>三元组表达;
步骤S304,基于待处理三元组对象的语义特征,提取与属性关联关系相关的实体属性项或实体关系属性项;
步骤S306,基于知识库自动获取属性项的值,或从现有的机理模型库中映射得到提取的属性项所对应的机理模型,根据机理模型计算属性及属性值;
步骤S308,按照提取的属性项训练得到属性关联关系强度计算模型,再按照关联关系强度计算模型计算出属性关联关系强度;
步骤S310,将属性关联关系强度信息加入四元组中,生成属性关联关系<头实体,属性关联关系,属性关联关系强度,尾实体>四元组结构表达,并将四元组信息存储为JSON文件。
本发明实施例提供的属性关联关系的表达方法,利用现有的多源、多领域知识库数据,进行实体间的属性关联关系构建及强度计算,解决空间环境实体属性关联关系的动态变化与量化表达的问题。
对于前述实施例提供的属性关联关系的表达方法,本发明实施例提供了一种属性关联关系的表达装置,参见图4所示的一种属性关联关系的表达装置的结构示意图,该装置主要包括以下部分:
三元组获取模块402,用于获取待处理三元组;其中,待处理三元组包括头实体、尾实体、头实体与尾实体之间的属性关联关系;
属性项确定模块404,用于根据待处理三元组的语义特征,确定属性关联关系相关的目标属性项;
属性值确定模块406,用于基于目标属性项确定属性关联关系对应的属性值;
强度值确定模块408,用于基于目标属性项确定目标强度模型,通过目标强度模型基于属性值确定属性关联关系对应的强度值,以利用强度值对属性关联关系进行量化表达或动态表达。
本发明实施例提供的属性关联关系的表达装置,可以实现空间环境实体对象属性关联关系的量化表达,且能够高效准确地反映属性关联关系动态变化,挖掘更多关联关系隐含信息,为决策支持和预测分析提供应用基础。
在一种实施方式中,属性项确定模块404还用于:
根据已有属性字典,确定待处理三元组中实体间的初始实体属性项和初始实体关系属性项;
从初始实体关系属性项和初始实体属性项中,提取与属性关联关系相关的候选属性项;
根据待处理三元组的语义特征,确定属性关联关系与每个候选属性项之间的相关性;
按照相关性从高到低的顺序,从候选属性项中确定属性关联关系相关的目标属性项。
在一种实施方式中,属性值确定模块406还用于:
根据目标属性项与候选机理模型之间的映射关系,从多个候选机理模型中选择目标属性项对应的第一目标机理模型,并通过第一目标机理模型确定第一属性值;
以及,基于目标属性项构建属性项集合,根据属性项集合与候选机理模型之间的映射关系,从多个候选机理模型中选择属性项集合对应的第二目标机理模型,并通过第二目标机理模型确定第二属性值;
将第一属性值和/或第二属性值,确定为属性关联关系对应的属性值。
在一种实施方式中,目标属性项包括目标实体属性项和/或目标实体关系属性项;强度值确定模块408还用于:
如果目标属性项为目标实体属性项,则将实体属性相关模型确定为第一候选强度确定模型;或者,如果目标属性项为目标实体关系属性项,则将关系属性相关模型确定为第二候选强度确定模型;其中,第一候选强度确定模型和第二候选强度确定模型均包括单一属性相关模型和多属性相关模型;
如果目标属性项的数量为1,则将第一候选强度确定模型或第二候选强度确定模型中的单一属性相关模型确定为目标强度模型;
或者,如果目标属性项的数量大于1,则将第一候选强度确定模型或第二候选强度确定模型中的多属性相关模型确定为目标强度模型。
在一种实施方式中,强度值确定模块408还用于:
如果目标强度模型为单一属性相关模型,从可信数据库获取单一属性项的属性值,组成属性值集合;
采用等间隔分级法对所述属性值集合进行分级,每一级别区间对应一个强度值,求出每一条关系相关属性项的值所属的区间范围;
将所述区间范围对应的所述强度值映射为该属性关联关系的强度值。
在一种实施方式中,强度值确定模块408:
如果目标强度模型为多属性相关模型,对属性关联关系对应的每个属性值进行标准化处理,得到每个属性值对应的标准化值;
将目标属性项构成的属性项集合输入至预先训练的权重系数确定模型,以通过权重系数确定模型确定每个属性值对应的权重系数;
基于每个权重系数对每个标准化值进行加权处理,得到属性关联关系对应的强度值。
在一种实施方式中,还包括四元组生成模块,用于:
将强度值添加至待处理三元组,得到属性关联关系表达四元组。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法 。
图5为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能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,本发明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)执行本发明各个实施例所述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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,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所述以权利要求的保护范围为准。
Claims (10)
1.一种属性关联关系的表达方法,其特征在于,包括:
获取待处理三元组;其中,所述待处理三元组包括头实体、尾实体、所述头实体与所述尾实体之间的属性关联关系;
根据所述待处理三元组的语义特征,确定所述属性关联关系相关的目标属性项;
基于所述目标属性项确定所述属性关联关系对应的属性值;
基于所述目标属性项确定目标强度模型,通过所述目标强度模型基于所述属性值确定所述属性关联关系对应的强度值,以利用所述强度值对所述属性关联关系进行量化表达或动态表达。
2.根据权利要求1所述的属性关联关系的表达方法,其特征在于,根据所述待处理三元组的语义特征,确定所述属性关联关系相关的目标属性项,包括:
根据已有属性字典,确定所述待处理三元组中实体间的初始实体属性项和初始实体关系属性项;
从所述初始实体关系属性项和所述初始实体属性项中,提取与所述属性关联关系相关的候选属性项;
根据所述待处理三元组的语义特征,确定所述属性关联关系与每个所述候选属性项之间的相关性;
按照所述相关性从高到低的顺序,从所述候选属性项中确定所述属性关联关系相关的目标属性项。
3.根据权利要求1所述的属性关联关系的表达方法,其特征在于,基于所述目标属性项确定所述属性关联关系对应的属性值,包括:
根据所述目标属性项与候选机理模型之间的映射关系,从多个所述候选机理模型中选择所述目标属性项对应的第一目标机理模型,并通过所述第一目标机理模型确定第一属性值;
以及,基于所述目标属性项构建属性项集合,根据所述属性项集合与所述候选机理模型之间的映射关系,从多个所述候选机理模型中选择所述属性项集合对应的第二目标机理模型,并通过所述第二目标机理模型确定第二属性值;
将所述第一属性值和/或所述第二属性值,确定为所述属性关联关系对应的属性值。
4.根据权利要求1所述的属性关联关系的表达方法,其特征在于,所述目标属性项包括目标实体属性项和/或目标实体关系属性项;基于所述目标属性项确定目标强度模型,包括:
如果所述目标属性项为所述目标实体属性项,则将实体属性相关模型确定为第一候选强度确定模型;或者,如果所述目标属性项为所述目标实体关系属性项,则将关系属性相关模型确定为第二候选强度确定模型;其中,所述第一候选强度确定模型和所述第二候选强度确定模型均包括单一属性相关模型和多属性相关模型;
如果所述目标属性项的数量为1,则将所述第一候选强度确定模型或所述第二候选强度确定模型中的所述单一属性相关模型确定为目标强度模型;
或者,如果所述目标属性项的数量大于1,则将所述第一候选强度确定模型或所述第二候选强度确定模型中的所述多属性相关模型确定为目标强度模型。
5.根据权利要求4所述的属性关联关系的表达方法,其特征在于,通过所述目标强度模型基于所述属性值确定所述属性关联关系对应的强度值,包括:
如果所述目标强度模型为所述单一属性相关模型,从可信数据库获取单一属性项的属性值,组成属性值集合;
采用等间隔分级法对所述属性值集合进行分级,每一级别区间对应一个强度值,求出每一条关系相关属性项的值所属的区间范围;
将所述区间范围对应的所述强度值映射为该属性关联关系的强度值。
6.根据权利要求4所述的属性关联关系的表达方法,其特征在于,通过所述目标强度模型基于所述属性值确定所述属性关联关系对应的强度值,还包括:
如果所述目标强度模型为所述多属性相关模型,对所述属性关联关系对应的每个属性值进行标准化处理,得到每个所述属性值对应的标准化值;
将所述目标属性项构成的属性项集合输入至预先训练的权重系数确定模型,以通过所述权重系数确定模型确定每个所述属性值对应的权重系数;
基于每个所述权重系数对每个所述标准化值进行加权处理,得到所述属性关联关系对应的强度值。
7.根据权利要求1所述的属性关联关系的表达方法,其特征在于,在通过所述目标强度模型确定所述属性关联关系对应的强度值之后,所述方法还包括:
将所述强度值添加至所述待处理三元组,得到属性关联关系表达四元组。
8.一种属性关联关系的表达装置,其特征在于,包括:
三元组获取模块,用于获取待处理三元组;其中,所述待处理三元组包括头实体、尾实体、所述头实体与所述尾实体之间的属性关联关系;
属性项确定模块,用于根据所述待处理三元组的语义特征,确定所述属性关联关系相关的目标属性项;
属性值确定模块,用于基于所述目标属性项从多个候选机理模型中确定目标机理模型,通过所述目标机理模型确定所述属性关联关系对应的属性值;
强度值确定模块,用于基于所述目标属性项确定目标强度模型,通过所述目标强度模型基于所述属性值确定所述属性关联关系对应的强度值,以利用所述强度值对所述属性关联关系进行量化表达或动态表达。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
10.一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可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913122.9A CN116628230A (zh) | 2023-07-25 | 2023-07-25 | 属性关联关系的表达方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913122.9A CN116628230A (zh) | 2023-07-25 | 2023-07-25 | 属性关联关系的表达方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116628230A true CN116628230A (zh) | 2023-08-22 |
Family
ID=87617454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310913122.9A Pending CN116628230A (zh) | 2023-07-25 | 2023-07-25 | 属性关联关系的表达方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628230A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665252A (zh) * | 2017-09-27 | 2018-02-06 | 深圳证券信息有限公司 | 一种创建知识图谱的方法及装置 |
CN113032618A (zh) * | 2021-03-26 | 2021-06-25 | 齐鲁工业大学 | 基于知识图谱的音乐推荐方法及*** |
CN113935326A (zh) * | 2021-10-09 | 2022-01-14 | 科沃斯商用机器人有限公司 | 知识提取方法、装置、设备和存储介质 |
CN115080742A (zh) * | 2022-06-24 | 2022-09-20 | 北京百度网讯科技有限公司 | 文本信息抽取方法、装置、设备、存储介质以及程序产品 |
-
2023
- 2023-07-25 CN CN202310913122.9A patent/CN116628230A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665252A (zh) * | 2017-09-27 | 2018-02-06 | 深圳证券信息有限公司 | 一种创建知识图谱的方法及装置 |
CN113032618A (zh) * | 2021-03-26 | 2021-06-25 | 齐鲁工业大学 | 基于知识图谱的音乐推荐方法及*** |
CN113935326A (zh) * | 2021-10-09 | 2022-01-14 | 科沃斯商用机器人有限公司 | 知识提取方法、装置、设备和存储介质 |
CN115080742A (zh) * | 2022-06-24 | 2022-09-20 | 北京百度网讯科技有限公司 | 文本信息抽取方法、装置、设备、存储介质以及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lei et al. | GIS-based machine learning algorithms for gully erosion susceptibility mapping in a semi-arid region of Iran | |
Li et al. | Data mining of cellular automata's transition rules | |
Li et al. | An extended cellular automaton using case‐based reasoning for simulating urban development in a large complex region | |
Urošević et al. | Novel methods in multiple criteria decision-making process (Mcrat and raps)—Application in the mining industry | |
Kurganskiy et al. | Incorporation of pollen data in source maps is vital for pollen dispersion models | |
Szmrecsanyi et al. | Variation-based distance and similarity modeling: A case study in world Englishes | |
Sahin | Implementation of free and open-source semi-automatic feature engineering tool in landslide susceptibility mapping using the machine-learning algorithms RF, SVM, and XGBoost | |
Wimalasiri et al. | Basic soil data requirements for process-based crop models as a basis for crop diversification | |
Knutti et al. | Uncertainty quantification using multiple models—Prospects and challenges | |
Joshi et al. | Statistical downscaling of precipitation and temperature using sparse Bayesian learning, multiple linear regression and genetic programming frameworks | |
CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
Lai et al. | Exploring influence of sampling strategies on event-based landslide susceptibility modeling | |
Saha et al. | A multi-criteria decision analysis (MCDA) approach for landslide susceptibility mapping of a part of Darjeeling District in North-East Himalaya, India | |
Burleyson et al. | Future western US building electricity consumption in response to climate and population drivers: A comparative study of the impact of model structure | |
Wanke et al. | Revisiting camels rating system and the performance of Asean banks: a comprehensive mcdm/z-numbers approach | |
Zhang et al. | Predictivity of tourism demand data | |
CN111582315A (zh) | 样本数据处理方法、装置及电子设备 | |
Godoy et al. | Ensemble random forest filter: An alternative to the ensemble Kalman filter for inverse modeling | |
Zhang et al. | A weighted and directed perspective of global stock market connectedness: A variance decomposition and GERGM framework | |
Mamat et al. | Enhancement of water quality index prediction using support vector machine with sensitivity analysis | |
Thorn et al. | The African Development Corridors Database: a new tool to assess the impacts of infrastructure investments | |
Vargas et al. | How to fill the biodiversity data gap: Is it better to invest in fieldwork or curation? | |
Li et al. | The area prediction of western North Pacific Subtropical High in summer based on Gaussian Naive Bayes | |
CN111091194B (zh) | 一种基于cavwnb_kl算法的操作***识别方法 | |
Armstrong et al. | The application of data mining techniques to characterize agricultural soil profiles. |
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 |