CN116882408A - 变压器图模型的构建方法、装置、计算机设备和存储介质 - Google Patents
变压器图模型的构建方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116882408A CN116882408A CN202311147309.9A CN202311147309A CN116882408A CN 116882408 A CN116882408 A CN 116882408A CN 202311147309 A CN202311147309 A CN 202311147309A CN 116882408 A CN116882408 A CN 116882408A
- Authority
- CN
- China
- Prior art keywords
- target
- graph model
- initial
- transformer
- cluster
- 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
- 238000010276 construction Methods 0.000 title claims description 12
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 72
- 238000004590 computer program Methods 0.000 claims description 40
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种变压器图模型的构建方法、装置、计算机设备和存储介质。该方法包括：先根据从各变压器的设备数据中提取实体点和关系边，构建各变压器的初始图模型，再对初始图模型中实体点的属性数据性进行聚类，根据聚类后得到的目标簇对各初始图模型进行处理，得到目标图模型。通过上述方法可以使用户在用变压器图模型时不需要对每种变压器图模型都预先学习，大大增加了变压器图模型使用的便利性。
Description
技术领域
本申请涉及自动化技术领域，特别是涉及一种变压器图模型的构建方法、装置、计算机设备和存储介质。
背景技术
变压器的图模型在变压器的应用领域发挥着至关重要的作用，利用变压器的图模型，可以方便的查询与变压器相关的所有信息。
但是随着社会的发展，电网的覆盖面积越来越广泛，因此也就需要越来越多的变压器，但是不同的变压器名称可能不一致，与变压器相关的器件及单位的名称也不一致等，因此当前变压器图模型的使用逐渐有了更多的局限性。例如，不同变压器图模型的名称不能够统一，使得用户在使用其他变压器图模型时无法顺利使用，需要提前学习才能够熟练掌握其他变压器图模型的使用方法，这大大降低了工作效率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高变压器图模型使用便利性的变压器图模型的构建方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种变压器图模型的构建方法。该方法包括：
从各变压器的设备数据中提取实体点和关系边；
根据所提取的实体点和关系边，构建各变压器对应的初始图模型；
对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇；
根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型。
在其中一个实施例中，属性数据中包括名称数据，对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇，包括：
确定各初始图模型中实体点的名称数据的词向量；
根据各名称数据的词向量，对各名称数据进行聚类，得到多个目标簇。
在其中一个实施例中，根据各名称数据的词向量，对各名称数据进行聚类，得到多个目标簇，包括：
基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇；
根据各初始簇中所包含的名称数据的词向量，确定各初始簇对应的目标簇中心；
判断是否存在任一初始簇的初始簇中心与目标簇中心不一致；
若是，则将各目标簇中心作为新的初始簇中心，并返回执行基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇的操作；
若否，则将各初始簇，作为对名称数据的目标簇。
在其中一个实施例中，根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型，包括：
从各目标簇中提取关键词；
采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器对应的目标图模型。
在其中一个实施例中，采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器对应的目标图模型，包括：
获取所提取的关键词的至少两个可选语义信息；
根据对各可选语义信息的评分，从各可选语义信息中确定目标语义信息；
采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器的中间图模型；
剔除各中间图模型中关键词对应的除目标语义信息之外其他可选语义信息，得到各变压器对应的目标图模型。
在其中一个实施例中，从各目标簇中提取关键词，包括：
将各目标簇的目标簇中心所对应的名称数据，作为各目标簇的关键词；或者，
将各目标簇中距离目标簇中心最近的名称数据，作为各目标簇的关键词。
在其中一个实施例中，该方法还包括：
向运维终端展示各目标图模型；
根据对各目标图模型的编辑操作，对各目标图模型进行优化
第二方面，本申请还提供了一种变压器图模型的构建装置。该装置包括：
数据提取模块，用于从各变压器的设备数据中提取实体点和关系边；
模型构建模块，用于根据所提取的实体点和关系边，构建各变压器对应的初始图模型；
数据聚类模块，用于对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇；
目标确定模块，用于根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型。
第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
从各变压器的设备数据中提取实体点和关系边；
根据所提取的实体点和关系边，构建各变压器对应的初始图模型；
对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇；
根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型。
第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
从各变压器的设备数据中提取实体点和关系边；
根据所提取的实体点和关系边，构建各变压器对应的初始图模型；
对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇；
根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型。
第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
从各变压器的设备数据中提取实体点和关系边；
根据所提取的实体点和关系边，构建各变压器对应的初始图模型；
对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇；
根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型。
上述变压器图模型的构建方法、装置、计算机设备和存储介质。先根据从各变压器的设备数据中提取实体点和关系边，构建各变压器的初始图模型，再对初始图模型中实体点的属性数据性进行聚类，根据聚类后得到的目标簇对各初始图模型进行处理，得到目标图模型，上述方法中得到的目标图模型是对初始图模型进行聚类处理后得到的，而聚类处理可以对初始图模中实体点型属性数据进行统一，这样用户在使用变压器图模型时不需要对每种变压器图模型都预先学习，大大增加了变压器图模型使用的便利性。
附图说明
图1为一个实施例中变压器图模型的构建方法的应用环境图；
图2为一个实施例中变压器图模型的构建方法的流程示意图；
图3为一个实施例中获得目标簇的流程示意图；
图4为一个实施例中获得目标图模型的流程示意图；
图5为一个实施例中优化目标图模型的流程示意图；
图6为另一个实施例中变压器图模型的构建方法的流程示意图；
图7为一个实施例中变压器图模型的构建装置的结构框图；
图8为另一个实施例中变压器图模型的构建装置的结构框图；
图9为又一个实施例中变压器图模型的构建装置的结构框图；
图10为再一个实施例中变压器图模型的构建装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的变压器图模型的构建方法，可以应用于如图1所示的应用环境中。在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储做相关处理时所需的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现下述任意实施例所示的变压器图模型的构建方法。
在一个实施例中，如图2所示，提供了一种变压器图模型的构建方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，从各变压器的设备数据中提取实体点和关系边。
其中，变压器的设备数据包括变压器设备的属性数据，具体可以包括但不限于变压器设备台账数据、变压器设备供应商管理数据和变压器设备拓扑关系数据等；变压器图模型是一种用于直观描述变压器相关信息的图谱；实体点表示图模型中的一个随机变量，关系边表示这些随机变量之间的依赖关系；示例性的，可以将变压器、厂商作为实体点，将变压器厂商和变压器之间的关系作为关系边。
可选的，可以将变压器的设备数据输入至提取模型中，提取变压器设备的实体点和关系边。或者，也可以是先从服务器的存储***中获取实体点和关系边的提取需求，根据提取需求，从各变压器的设备数据中提取实体点和关系边。
S202，根据所提取的实体点和关系边，构建各变压器对应的初始图模型。
具体的，根据提取的关系边，连接各个实体点，即完成了各变压器对应的初始图模型的构建。
可选的，还可以预先根据历史变压器的设备数据以及历史变压器图模型训练得到图模型构建模型，将从变压器的设备数据中提取的实体点和变关系输入至图模型制构建模型中，即可得到各变压器对应的初始图模型。
S203，对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇。
其中，聚类为对各初始图模型中实体点的属性数据进行分类。具体的，可以获取用户上传的聚类标准，对各初始图模型中实体点的属性数据进行聚类，将聚类后的每一类实体点的属性数据都作为一个目标簇，即得到了多个目标簇。
S204，根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型。
具体的，针对每个目标簇，都进行消歧处理，消除各个目标簇中存在歧义的部分，由于每个目标簇都是基于初始图模型中实体点的属性数据构建的，因此在对目标簇进行消歧处理后，适应性调整与之对应的初始图模型，即相当于对初始图模型进行了消歧处理，消歧处理后的初始图模型即为各变压器对应的目标图模型。
在上述实施例中，先根据从各变压器的设备数据中提取实体点和关系边，构建各变压器的初始图模型，再对初始图模型中实体点的属性数据性进行聚类，根据聚类后得到的目标簇对各初始图模型进行处理，得到目标图模型，上述方法中得到的目标图模型是对初始图模型进行聚类处理后得到的，而聚类处理可以对初始图模中实体点型属性数据进行统一，这样用户在使用变压器图模型时不需要对每种变压器图模型都预先学习，大大增加了变压器图模型使用的便利性。
上述实施例从整体介绍了根据变压器的设备数据构建目标模型的方法，其中，获取多个目标簇的过程是构建目标图模型的一个重要步骤，因此，在本实施例中，如图3所示，详细阐述了获取多个目标簇的详细过程，具体方法包括：
S301，确定各初始图模型中实体点的名称数据的词向量。
其中，词向量为根据自然语言中的词语转化而成的向量，自然语言中词语的语义越复杂，其对应的词向量维度就越高。
具体的，根据词向量算法训练得到词向量训练模型，将各初始图模型中实体点的名称数据输入至词向量训练模型中，输出各初始图模型中实体点的名称数据的词向量。
S302，根据各名称数据的词向量，对各名称数据进行聚类，得到多个目标簇。
具体的，可以先统计各个词向量的维度，将维度相同的词向量或者维度接近的词向量对应的名称数据作为一组，每组名称数据都对应一个目标簇。
可选的的，也可以计算出各个词向量之间的词向量距离后，根据词向量距离的大小进行排序，将词向量距离低于预设距离阈值的词向量对应的名称数据归为一组，每组名称数据都对应一个目标簇。
可选的，也可以先基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇；根据各初始簇中所包含的名称数据的词向量，确定各初始簇对应的目标簇中心；判断是否存在任一初始簇的初始簇中心与目标簇中心不一致；若是，则将各目标簇中心作为新的初始簇中心，并返回执行基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇的操作；若否，则将各初始簇，作为对名称数据的目标簇。
具体的，根据名称数据种类数（例如k种，为了方便解释，本实施中均以k种为例，其中k不小于2），随机选取k个名称数据的词向量作为k个初始簇中心；针对每一个词向量，都计算其到这k个初始簇的距离，得到k个距离数值，对得到的k个距离数值进行比较，并将该词向量归类至最小的距离对应的初始簇中心所在的初始簇中，同样的方法，对所有的词向量进行归类，得到k个初始簇；根据初始簇中各名称数据的词向量，将各个词向量两两连接起来，构成一个多边形，利用解析几何计算该多边形的中心点，即为各个初始标簇的中心点，并将其作为初始标簇的目标簇中心，并判断是否存在任一初始簇的初始簇中心与目标簇中心不一致，若否，k个初始簇作为目标簇，若是，则将目标簇中心作为初始簇中心，返回执行基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇的操作，直至所有目标簇中心都与初始簇中心的位置重合，上述得到各初始簇中心对应的初始簇过程已在前文中详细阐述，此处不再赘述。
上述实施例中，先确定各初始图模型中实体点的名称数据的词向量，再根据各名称数据的词向量，对各名称数据进行聚类，得到多个目标簇，此种方法在确定目标簇时，将抽象的名称数据转换为具体的词向量，大大增加了确定目标簇的准确性。
上述实施例讲述了如何获得目标簇，而在本实施例中，如图4所示，讲述了如何根据目标簇得到目标图模型，具体方法包括：
S401，从各目标簇中提取关键词。
可选的，可以将各目标簇的目标簇中心所对应的名称数据，作为各目标簇的关键词；或者，将各目标簇中距离目标簇中心最近的名称数据，作为各目标簇的关键词。
具体的，若目标簇的簇中心与任一名称数据的词向量重合，则将该名称数据作为目标簇的关键词；若目标簇的簇中心与任一名称数据的词向量不重合，则将各目标簇中距离目标簇中心最近的名称数据，作为各目标簇的关键词，需要计算各目标簇中所有名称数据的词向量距离目标簇中心的距离，具体计算方法为，根据数学公式，计算各名称数据的词向量与目标簇中心之间的欧氏距离和/或余弦距离，可以将欧氏距离作为词向量与目标簇中心之间的距离；也可以将余弦距离作为词向量与目标簇中心之间的距离；还可以根据欧氏距离和余弦距离按照预设计算方式得到综合距离，并将综合距离作为词向量与目标簇中心之间的距离；选取距离目标簇中心最近的词向量对应的名称数据作为目标簇的关键词。
S402，采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器对应的目标图模型。
具体的，将除关键词之外的其他所有名称数据进行删除，将提取的关键词作为各初始图模型中实体点的名称数据，即可得到各变压器对应的目标图模型。
可选的，还可以先获取所提取的关键词的至少两个可选语义信息；根据对各可选语义信息的评分，从各可选语义信息中确定目标语义信息；采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器的中间图模型；最后剔除各中间图模型中关键词对应的除目标语义信息之外其他可选语义信息，得到各变压器对应的目标图模型。
具体的，先解析出关键词的所有语义信息，按照预设的评分规则对解析出的语义信息进行评分，将该关键词的所有语义信息按照评分高低进行排序，将评分最高的语义信息作为该关键词的目标语义信息，将提取的关键词作为各初始图模型中实体点的名称数据，即可获得中间图模型，并将其他评分较低的语义信息（即除目标语义信息之外的其他语义信息）从中间图模型删除，即可得到各变压器对应的目标图模型。
上述实施例中，先提取目标簇的关键词，再利用关键词替换各初始图模型中实体点的名称数据，从而得到各变压器对应的目标图模型，利用此种方法构建的目标图模型都是以关键词作为名称数据，使得个变压器对应的目标图模型能够统一名称数据。
在上述实施例的基础上，如图5所示，为了使目标图模型更能符合用户的需求，可以按照用户的需求对目标图模型进行优化，具体方法包括：
S501，向运维终端展示各目标图模型。
具体的，通过运维终端的显示屏幕，显示各目标图模型，也可以是在运维终端的显示屏幕显示各目标图模型的名称，待用户点击后，显示用户点击的目标图模型。
S502，根据对各目标图模型的编辑操作，对各目标图模型进行优化。
具体的，可以根据用户在显示屏幕中对目标图模型的编辑操作，对目标图模型的实体点和关系边进行优化，从而实现对对各目标图模型的优化。
可选的，也可以将用户对各目标图模型的编辑操作制作成优化需求，服务器获取优化需求后，解析出优化需求中的对目标图模型实体点的优化需求和对目标图模型关系边的优化需求，根据对目标图模型实体点的优化需求和对目标图模型关系边的优化需求对目图模型的实体点和关系边进行优化，即完成了对目标图模型的优化。
上述实施例中，先将目标图模型进行展示，再根据对各目标图模型的编辑操作，对各目标图模型进行优化，此种方法可以使优化后的目标变压器图模型更符合用户的需求。
为了更全面的展示本方案，本实施例给出了一种变压器图模型的构建方法的可选方式，如图6所示：
S601，从各变压器的设备数据中提取实体点和关系边。
S602，根据所提取的实体点和关系边，构建各变压器对应的初始图模型。
S603，确定各初始图模型中实体点的名称数据的词向量。
S604，基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇。
S605，根据各初始簇中所包含的名称数据的词向量，确定各初始簇对应的目标簇中心。
S606，判断是否存在任一初始簇的初始簇中心与目标簇中心不一致，若是，执行S607，若否，执行S608。
S607，将各目标簇中心作为新的初始簇中心，并返回执行基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇的操作。
S608，将各初始簇，作为对名称数据的目标簇。
S609，将各目标簇的目标簇中心所对应的名称数据，作为各目标簇的关键词；或者，将各目标簇中距离目标簇中心最近的名称数据，作为各目标簇的关键词。
S610，获取所提取的关键词的至少两个可选语义信息。
S611，根据对各可选语义信息的评分，从各可选语义信息中确定目标语义信息。
S612，采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器的中间图模型。
S613，剔除各中间图模型中关键词对应的除目标语义信息之外其他可选语义信息，得到各变压器对应的目标图模型。
S614，向运维终端展示各目标图模型。
S615，根据对各目标图模型的编辑操作，对各目标图模型进行优化。
上述S601-S615的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的变压器图模型的构建方法的变压器图模型的构建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个变压器图模型的构建装置实施例中的具体限定可以参见上文中对于变压器图模型的构建方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种变压器图模型的构建装置7，包括：数据提取模块70、模型构建模块71、数据聚类模块72和目标确定模块73，其中：
数据提取模块70，用于从各变压器的设备数据中提取实体点和关系边；
模型构建模块71，用于根据所提取的实体点和关系边，构建各变压器对应的初始图模型；
数据聚类模块72，用于对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇；
目标确定模块73，用于根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型。
在另一个实施例中，如图8所示，上述图7中的数据聚类模块72，包括:
词向量确定单元720，用于确定各初始图模型中实体点的名称数据的词向量；
数据聚类单元721，用于根据各名称数据的词向量，对各名称数据进行聚类，得到多个目标簇。
在另一个实施例中，上述图7中的数据聚类单元721，具体用于：
基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇；根据各初始簇中所包含的名称数据的词向量，确定各初始簇对应的目标簇中心；判断是否存在任一初始簇的初始簇中心与目标簇中心不一致；若是，则将各目标簇中心作为新的初始簇中心，并返回执行基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇的操作；若否，则将各初始簇，作为对名称数据的目标簇。
在另一个实施例中，如图9所示，上述图7中的目标确定模块73，包括：
关键词获取单元730，用于从各目标簇中提取关键词；
数据替换单元731，用于采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器对应的目标图模型。
在另一个实施例中，上述图9中的关键词获取单元730，具体用于：
将各目标簇的目标簇中心所对应的名称数据，作为各目标簇的关键词；或者，将各目标簇中距离目标簇中心最近的名称数据，作为各目标簇的关键词。
在另一个实施例中，上述图9中的数据替换单元731，具体用于：
获取所提取的关键词的至少两个可选语义信息；根据对各可选语义信息的评分，从各可选语义信息中确定目标语义信息；采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器的中间图模型；剔除各中间图模型中关键词对应的除目标语义信息之外其他可选语义信息，得到各变压器对应的目标图模型。
在另一个实施例中，如图10所示，上述图7中的变压器图模型的构建装置7，还包括：
模型展示模块74，用于向运维终端展示各目标图模型；
模型优化模块75，用于根据对各目标图模型的编辑操作，对各目标图模型进行优化。
上述变压器图模型的构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过***总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到***总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种变压器图模型的构建方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
从各变压器的设备数据中提取实体点和关系边；
根据所提取的实体点和关系边，构建各变压器对应的初始图模型；
对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇；
根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定各初始图模型中实体点的名称数据的词向量；根据各名称数据的词向量，对各名称数据进行聚类，得到多个目标簇。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇；根据各初始簇中所包含的名称数据的词向量，确定各初始簇对应的目标簇中心；判断是否存在任一初始簇的初始簇中心与目标簇中心不一致；若是，则将各目标簇中心作为新的初始簇中心，并返回执行基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇的操作；若否，则将各初始簇，作为对名称数据的目标簇。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从各目标簇中提取关键词；采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器对应的目标图模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取所提取的关键词的至少两个可选语义信息；根据对各可选语义信息的评分，从各可选语义信息中确定目标语义信息；采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器的中间图模型；剔除各中间图模型中关键词对应的除目标语义信息之外其他可选语义信息，得到各变压器对应的目标图模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将各目标簇的目标簇中心所对应的名称数据，作为各目标簇的关键词；或者，将各目标簇中距离目标簇中心最近的名称数据，作为各目标簇的关键词。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
向运维终端展示各目标图模型；根据对各目标图模型的编辑操作，对各目标图模型进行优化。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
从各变压器的设备数据中提取实体点和关系边；
根据所提取的实体点和关系边，构建各变压器对应的初始图模型；
对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇；
根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定各初始图模型中实体点的名称数据的词向量；根据各名称数据的词向量，对各名称数据进行聚类，得到多个目标簇。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇；根据各初始簇中所包含的名称数据的词向量，确定各初始簇对应的目标簇中心；判断是否存在任一初始簇的初始簇中心与目标簇中心不一致；若是，则将各目标簇中心作为新的初始簇中心，并返回执行基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇的操作；若否，则将各初始簇，作为对名称数据的目标簇。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从各目标簇中提取关键词；采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器对应的目标图模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取所提取的关键词的至少两个可选语义信息；根据对各可选语义信息的评分，从各可选语义信息中确定目标语义信息；采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器的中间图模型；剔除各中间图模型中关键词对应的除目标语义信息之外其他可选语义信息，得到各变压器对应的目标图模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将各目标簇的目标簇中心所对应的名称数据，作为各目标簇的关键词；或者，将各目标簇中距离目标簇中心最近的名称数据，作为各目标簇的关键词。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
向运维终端展示各目标图模型；根据对各目标图模型的编辑操作，对各目标图模型进行优化。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
从各变压器的设备数据中提取实体点和关系边；
根据所提取的实体点和关系边，构建各变压器对应的初始图模型；
对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇；
根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定各初始图模型中实体点的名称数据的词向量；根据各名称数据的词向量，对各名称数据进行聚类，得到多个目标簇。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇；根据各初始簇中所包含的名称数据的词向量，确定各初始簇对应的目标簇中心；判断是否存在任一初始簇的初始簇中心与目标簇中心不一致；若是，则将各目标簇中心作为新的初始簇中心，并返回执行基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇的操作；若否，则将各初始簇，作为对名称数据的目标簇。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从各目标簇中提取关键词；采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器对应的目标图模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取所提取的关键词的至少两个可选语义信息；根据对各可选语义信息的评分，从各可选语义信息中确定目标语义信息；采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器的中间图模型；剔除各中间图模型中关键词对应的除目标语义信息之外其他可选语义信息，得到各变压器对应的目标图模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将各目标簇的目标簇中心所对应的名称数据，作为各目标簇的关键词；或者，将各目标簇中距离目标簇中心最近的名称数据，作为各目标簇的关键词。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
向运维终端展示各目标图模型；根据对各目标图模型的编辑操作，对各目标图模型进行优化。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive RandomAccess Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（PhaseChange Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（StaticRandom Access Memory，SRAM）或动态随机存取存储器（Dynamic Random AccessMemory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种变压器图模型的构建方法，其特征在于，所述方法包括：
从各变压器的设备数据中提取实体点和关系边；其中，所述实体点表示变压器图模型中的一个随机变量，所述关系边表示多个所述实体点之间的依赖关系；
根据所提取的实体点和关系边，构建各变压器对应的初始图模型；
对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇；
根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型。
2.根据权利要求1所述的方法，其特征在于，所述属性数据中包括名称数据，所述对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇，包括：
确定各初始图模型中实体点的名称数据的词向量；
根据各名称数据的词向量，对各名称数据进行聚类，得到多个目标簇。
3.根据权利要求2所述的方法，其特征在于，所述根据各名称数据的词向量，对各名称数据进行聚类，得到多个目标簇，包括：
基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇；
根据各初始簇中所包含的名称数据的词向量，确定各初始簇对应的目标簇中心；
判断是否存在任一初始簇的初始簇中心与目标簇中心不一致；
若是，则将各目标簇中心作为新的初始簇中心，并返回执行基于至少两个初始簇中心，根据各名称数据的词向量，对各名称数据进行聚类，得到各初始簇中心对应的初始簇的操作；
若否，则将各初始簇，作为对名称数据的目标簇。
4.根据权利要求3所述的方法，其特征在于，所述根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型，包括：
从各目标簇中提取关键词；
采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器对应的目标图模型。
5.根据权利要求4所述的方法，其特征在于，所述采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器对应的目标图模型，包括：
获取所提取的关键词的至少两个可选语义信息；
根据对各可选语义信息的评分，从各可选语义信息中确定目标语义信息；
采用所提取的关键词，对各初始图模型中实体点的名称数据进行替换，得到各变压器的中间图模型；
剔除各中间图模型中所述关键词对应的除所述目标语义信息之外其他可选语义信息，得到各变压器对应的目标图模型。
6.根据权利要求4所述的方法，其特征在于，所述从各目标簇中提取关键词，包括：
将各目标簇的目标簇中心所对应的名称数据，作为各目标簇的关键词；或者，
将各目标簇中距离目标簇中心最近的名称数据，作为各目标簇的关键词。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
向运维终端展示各目标图模型；
根据对各目标图模型的编辑操作，对各目标图模型进行优化。
8.一种变压器图模型的构建装置，其特征在于，所述装置包括：
数据提取模块，用于从各变压器的设备数据中提取实体点和关系边；
模型构建模块，用于根据所提取的实体点和关系边，构建各变压器对应的初始图模型；
数据聚类模块，用于对各初始图模型中实体点的属性数据进行聚类，得到多个目标簇；
目标确定模块，用于根据多个目标簇，对各初始图模型进行处理，得到各变压器对应的目标图模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311147309.9A CN116882408B (zh) | 2023-09-07 | 2023-09-07 | 变压器图模型的构建方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311147309.9A CN116882408B (zh) | 2023-09-07 | 2023-09-07 | 变压器图模型的构建方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116882408A true CN116882408A (zh) | 2023-10-13 |
| CN116882408B CN116882408B (zh) | 2024-02-27 |
Family
ID=88262575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311147309.9A Active CN116882408B (zh) | 2023-09-07 | 2023-09-07 | 变压器图模型的构建方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116882408B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108427956A (zh) * | 2017-02-14 | 2018-08-21 | 腾讯科技（深圳）有限公司 | 一种对象聚类方法和装置 |
| CN109687464A (zh) * | 2018-07-19 | 2019-04-26 | 国网北京市电力公司 | 电网潮流的分析方法及装置、存储介质、处理器 |
| CN113298267A (zh) * | 2021-06-10 | 2021-08-24 | 浙江工业大学 | 一种基于节点嵌入差异检测的垂直联邦模型防御方法 |
| US20210342336A1 (en) * | 2020-05-01 | 2021-11-04 | Sap Se | Data Filtering Utilizing Constructed Graph Structure |
| WO2022022045A1 (zh) * | 2020-07-27 | 2022-02-03 | 平安科技（深圳）有限公司 | 基于知识图谱的文本比对方法、装置、设备及存储介质 |
| CN114385816A (zh) * | 2022-01-12 | 2022-04-22 | 阿里巴巴（中国）有限公司 | 对话流挖掘方法、装置、电子设备及计算机存储介质 |
| CN114780727A (zh) * | 2022-04-24 | 2022-07-22 | 润联软件***(深圳)有限公司 | 基于强化学习的文本分类方法、装置、计算机设备及介质 |
| CN115687606A (zh) * | 2021-07-23 | 2023-02-03 | 深信服科技股份有限公司 | 语料处理方法、装置、电子设备及存储介质 |
| CN115796187A (zh) * | 2022-11-26 | 2023-03-14 | 南京航空航天大学 | 一种基于对话结构图约束的开放域对话方法 |
| CN116150397A (zh) * | 2023-01-05 | 2023-05-23 | 马上消费金融股份有限公司 | 本体构建方法及装置、电子设备、计算机可读存储介质 |
| CN116167289A (zh) * | 2023-04-26 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 电网运行场景生成方法、装置、计算机设备和存储介质 |
-
2023
- 2023-09-07 CN CN202311147309.9A patent/CN116882408B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108427956A (zh) * | 2017-02-14 | 2018-08-21 | 腾讯科技（深圳）有限公司 | 一种对象聚类方法和装置 |
| CN109687464A (zh) * | 2018-07-19 | 2019-04-26 | 国网北京市电力公司 | 电网潮流的分析方法及装置、存储介质、处理器 |
| US20210342336A1 (en) * | 2020-05-01 | 2021-11-04 | Sap Se | Data Filtering Utilizing Constructed Graph Structure |
| WO2022022045A1 (zh) * | 2020-07-27 | 2022-02-03 | 平安科技（深圳）有限公司 | 基于知识图谱的文本比对方法、装置、设备及存储介质 |
| CN113298267A (zh) * | 2021-06-10 | 2021-08-24 | 浙江工业大学 | 一种基于节点嵌入差异检测的垂直联邦模型防御方法 |
| CN115687606A (zh) * | 2021-07-23 | 2023-02-03 | 深信服科技股份有限公司 | 语料处理方法、装置、电子设备及存储介质 |
| CN114385816A (zh) * | 2022-01-12 | 2022-04-22 | 阿里巴巴（中国）有限公司 | 对话流挖掘方法、装置、电子设备及计算机存储介质 |
| CN114780727A (zh) * | 2022-04-24 | 2022-07-22 | 润联软件***(深圳)有限公司 | 基于强化学习的文本分类方法、装置、计算机设备及介质 |
| CN115796187A (zh) * | 2022-11-26 | 2023-03-14 | 南京航空航天大学 | 一种基于对话结构图约束的开放域对话方法 |
| CN116150397A (zh) * | 2023-01-05 | 2023-05-23 | 马上消费金融股份有限公司 | 本体构建方法及装置、电子设备、计算机可读存储介质 |
| CN116167289A (zh) * | 2023-04-26 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 电网运行场景生成方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陈志泊等: "基于TextRank和簇过滤的林业文本关键信息抽取研究", 农业机械学报, no. 05, pages 179 - 221 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116882408B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114579584B (zh) | 数据表处理方法、装置、计算机设备和存储介质 | |
| CN115795000A (zh) | 基于联合相似度算法对比的围标识别方法和装置 | |
| CN115905630A (zh) | 一种图数据库查询方法、装置、设备及存储介质 | |
| CN116932935A (zh) | 地址匹配方法、装置、设备、介质和程序产品 | |
| CN117332766A (zh) | 流程图生成方法、装置、计算机设备和存储介质 | |
| CN116882408B (zh) | 变压器图模型的构建方法、装置、计算机设备和存储介质 | |
| JP7213890B2 (ja) | 高速化された大規模な類似度計算 | |
| CN108229572B (zh) | 一种参数寻优方法及计算设备 | |
| CN117609412B (zh) | 一种基于网络结构信息的空间对象关联方法及装置 | |
| CN116522911B (zh) | 实体对齐方法及装置 | |
| US11822582B2 (en) | Metadata clustering | |
| CN117667999A (zh) | 数据推送方法、装置、计算机设备及计算机可读存储介质 | |
| CN116909875A (zh) | 实时测试数据生成方法、装置、计算机设备和存储介质 | |
| CN118152504A (zh) | 非结构化数据的索引方法、装置、设备、介质和程序产品 | |
| CN118332008A (zh) | 答案筛选方法、装置、计算机设备和存储介质 | |
| CN116881543A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 | |
| CN117670443A (zh) | 模型推荐方法、装置、计算机设备和存储介质 | |
| CN117829951A (zh) | 三维模型推荐方法、装置、计算机设备和存储介质 | |
| CN117521599A (zh) | 商品编码确定方法、装置、电子设备和存储介质 | |
| CN116091209A (zh) | 信贷业务处理方法、装置、计算机设备和存储介质 | |
| CN117874006A (zh) | 一种数据建模方法 | |
| CN117130606A (zh) | 前端页面配置方法、装置、计算机设备和存储介质 | |
| CN114817640A (zh) | 一种模型评估的方法、装置和计算机设备 | |
| CN114756654A (zh) | 动态地名地址匹配方法、装置、计算机设备和存储介质 | |
| CN115617798A (zh) | 预测模型生成方法、模型预测方法、装置和计算机设备 |
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 |