CN117172725A - 一种基于知识图谱的产业链多协同智能决策的方法 - Google Patents
一种基于知识图谱的产业链多协同智能决策的方法 Download PDFInfo
- Publication number
- CN117172725A CN117172725A CN202311090445.9A CN202311090445A CN117172725A CN 117172725 A CN117172725 A CN 117172725A CN 202311090445 A CN202311090445 A CN 202311090445A CN 117172725 A CN117172725 A CN 117172725A
- Authority
- CN
- China
- Prior art keywords
- industrial chain
- entities
- entity
- industry
- knowledge graph
- 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 29
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000006317 isomerization reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识图谱的产业链多协同智能决策的方法,涉及深度学***台,利用图神经网络等深度学习技术为产业链上下游企业提供多维度、多层次、多场景的智能决策支持服务,包括产业链分析、预测、优化、协同等功能。
Description
技术领域
本发明属于深度学习与人工智能领域,涉及产业链多协同智能决策技术,具体是一种基于知识图谱的产业链多协同智能决策的方法。
背景技术
随着数字经济的快速发展,数据成为了驱动经济增长和社会进步的重要资源。在这样的背景下,如何从海量数据中提取出有价值的知识,并将其应用于各个领域和场景,成为了一个亟待解决的问题。其中,产业链作为经济社会发展的重要组成部分,其知识获取和应用尤为重要。产业链是指由相互关联的上下游企业组成的一系列生产活动过程,其涉及到多个行业、多个产品、多个环节、多个主体,具有复杂性、动态性、开放性等特点。产业链上下游企业之间的信息共享和协同合作,是影响产业链效率、风险、创新能力的关键因素。然而,现有技术中,产业链上下游企业之间缺乏有效的信息共享和协同机制,导致产业链知识获取和应用面临以下挑战:
(1)数据来源多样化、异构化、分散化。产业链涉及到多个行业、多个产品、多个环节、多个主体,其数据来源多样化,包括政府公开数据、企业内部数据、第三方数据等;其数据类型异构化,包括结构化数据、半结构化数据、非结构化数据等;其数据存储分散化,分布在不同的数据库、文件***、网络平台等。这些特点使得产业链数据难以进行有效的整合和利用。
(2)知识表示方式单一化、静态化、碎片化。现有技术中,产业链知识通常以表格或文本的形式进行表示,这种方式难以表达产业链中的实体及其复杂的关系,也难以支持知识的推理和应用;同时,现有技术中,产业链知识通常是静态的,难以反映产业链的动态变化,也难以适应不同场景的需求;此外,现有技术中,产业链知识通常是碎片化的,难以形成一个完整的产业链知识体系,也难以实现知识的共享和协同。
(3)决策支持方式粗糙化、低效化、被动化。现有技术中,产业链决策支持通常依赖于人工分析和经验判断,难以处理大规模、高维度、高复杂度的产业数据和知识,也难以发现更深层次的产业链规律和价值;再者,现有技术中,产业链决策支持通常是低效的,需要耗费大量的时间和资源,也难以及时响应市场变化和竞争压力;此外,现有技术中,产业链决策支持通常是被动的,需要用户主动提出问题和需求,难以主动发现问题和提供相应的解决方案。
为了解决上述问题,本发明提出了一种基于知识图谱的产业链多协同智能决策的方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于知识图谱的产业链多协同智能决策的方法,该一种基于知识图谱的产业链多协同智能决策的方法解决了现有技术中,产业链上下游企业之间缺乏有效的信息共享和协同机制,导致产业链效率低下、风险高以及创新能力弱的问题。
为实现上述目的,根据本发明的第一方面的实施例提出一种基于知识图谱的产业链多协同智能决策的方法,包括以下步骤:
步骤一:从多源异构数据中提取产业链相关的实体和关系,并将其存储在一个统一的图数据库中;其中,所述多源异构数据包括:企业数据、行业分类数据、产品数据、年报数据以及新闻数据;
步骤二:根据预定义的领域本体和规则,对图数据库中的实体和关系进行实体分类、属性标注、关系对齐、实体融合以及关系融合,并生成一个包含各类企业、行业和产品等实体及其关系的产业链知识图谱;
步骤三:利用图神经网络模型对产业链知识图谱中的实体和关系进行向量化表示,并计算实体之间的语义关联度;
步骤四:根据用户输入的各类企业、行业或产品,从产业链知识图谱中检索出相关的实体和关系,并以可视化的方式展示出产业链的结构、规模、分布以及趋势信息;
步骤五:利用知识图谱中的历史数据和外部数据,结合机器学习和深度学习技术,对产业链关键指标进行预测和预警,提供预测结果的可信度和解释性;
步骤六:根据用户输入的优化目标和约束条件,从产业链知识图谱中提取出相关的决策变量和目标函数,并利用优化算法和启发式算法技术,求解出最优的决策方案,并提供方案的评价和建议;
步骤七:根据用户输入的协同需求和偏好,从产业链知识图谱中匹配出合适的协同对象,并利用协同过滤和推荐***技术,为用户提供协同机会和建议,并支持用户进行协同沟通和交易。
优选地,从多源异构数据中提取产业链相关的实体和关系,并将其存储在一个统一的图数据库中,包括以下步骤:
S1:命名实体识别:结合条件随机场层,对上述数据源中的文本进行命名实体识别,识别出各类企业、行业和产品实体,并标注其类型;
S2:关系抽取:结合多头自注意力层,对上述数据源中的文本进行关系抽取,抽取出各类企业所属行业、行业上级关系、产品上游原材料关系、产品下游产品关系、企业主营产品以及产品小类关系,并标注其类型;
S3:图数据库构建:利用图数据库,将提取出的实体和关系存储在一个统一的图数据库中,形成一个包含实体及其关系的产业链知识图谱。
优选地,预定义领域本体和规则,包括以下步骤:
根据产业链领域的特点和需求,定义一个领域本体;其中,所述领域本体包括:实体类型、属性类型以及关系类型等;
以及规定各种类型之间的约束条件和语义规则。
优选地,实体分类,包括:根据领域本体中定义的实体类型,对图数据库中的实体进行分类,并为每个实体分配一个唯一的标识符;
属性标注,包括:根据领域本体中定义的属性类型,对图数据库中的实体进行属性标注,并为每个属性赋予一个具体的值;
关系对齐,包括:根据领域本体中定义的关系类型,对图数据库中的关系进行对齐,并为每个关系赋予一个具体的值;
实体融合,包括:利用实体链接技术,对图数据库中存在重复或相似的实体进行融合,消除冗余和歧义,并更新相关的属性和关系;
关系融合,包括:利用关系链接技术,对图数据库中存在重复或相似的关系进行融合,消除冗余和歧义,并更新相关的值。
优选地,从产业链知识图谱中检索出相关的实体,包括以下步骤:
利用图数据库查询语言,根据用户输入的各类企业、行业或产品名称,从产业链知识图谱中检索出匹配的实体,并返回其属性和标识符。
优选地,从产业链知识图谱中检索出相关的关系,包括以下步骤:
利用图数据库查询语言,根据用户输入的各类企业、行业或产品标识符,从产业链知识图谱中检索出与其直接或间接相关的实体和关系,并返回其类型和值。
优选地,以可视化的方式展示出产业链的结构、规模、分布、趋势信息,包括以下步骤:
利用等可视化工具库,根据检索出的实体和关系数据,生成一个动态的产业链网络图,并在网络图上显示实体和关系的名称、属性、值等信息,并支持用户对网络图进行缩放、拖拽、筛选等交互操作。
与现有技术相比,本发明的有益效果是:
本发明通过利用知识图谱技术,从多源异构数据中提取、整合、表示和推理产业链相关的知识,构建一个包含各类企业、行业和产品等实体及其关系的产业链知识图谱;然后基于该知识图谱,设计并实现一个产业链多协同智能决策平台,利用图神经网络等深度学习技术为产业链上下游企业提供多维度、多层次、多场景的智能决策支持服务,包括产业链分析、预测、优化、协同等功能。
附图说明
图1为本发明的流程图。
具体实施方式
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,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
如图1所示,一种基于知识图谱的产业链多协同智能决策的方法,包括以下步骤:
步骤一:从多源异构数据中提取产业链相关的实体和关系,并将其存储在一个统一的图数据库中;
其中,所述多源异构数据包括:企业数据、行业分类数据、产品数据、年报数据以及新闻数据;
具体地,企业数据:从天眼查、信通院等渠道获取企业的基本信息,包括企业代码、名称、简介、经营范围、注册地址、挂牌日期等;
行业分类数据:从行业分类网站获取行业分类信息,包括行业代码、名称、层级等;
产品数据:从国家***等互联网网站获取产品相关信息,包括产品名称、定义、分类、特点等;
年报数据:从各类企业官方网站或者第三方平台获取各类企业发布的年报数据,包括财务报表、经营分析、风险提示等;
新闻数据:从新浪财经、东方财富等网站获取各类企业、行业和产品相关的新闻数据,包括新闻标题、正文、时间、来源等;
本实施例中,从多源异构数据中提取产业链相关的实体和关系,并将其存储在一个统一的图数据库中,包括以下步骤:
S1:命名实体识别:结合条件随机场层,对上述数据源中的文本进行命名实体识别,识别出各类企业、行业和产品等实体,并标注其类型;
S2:关系抽取:结合多头自注意力(Multi-Head Attention)层,对上述数据源中的文本进行关系抽取,抽取出各类企业所属行业、行业上级关系、产品上游原材料关系、产品下游产品关系、企业主营产品、产品小类等关系,并标注其类型;
S3:图数据库构建:利用图数据库,将提取出的实体和关系存储在一个统一的图数据库中,形成一个包含各类企业、行业和产品等实体及其关系的产业链知识图谱。
步骤二:根据预定义的领域本体和规则,对图数据库中的实体和关系进行实体分类、属性标注、关系对齐、实体融合以及关系融合,并生成一个包含各类企业、行业和产品等实体及其关系的产业链知识图谱;
具体地,预定义领域本体和规则,包括以下步骤:
根据产业链领域的特点和需求,定义一个领域本体;其中,所述领域本体包括:实体类型、属性类型以及关系类型等;
以及规定各种类型之间的约束条件和语义规则;
具体地,实体分类,包括以下步骤:
根据领域本体中定义的实体类型,对图数据库中的实体进行分类,并为每个实体分配一个唯一的标识符;
具体地,属性标注,包括以下步骤:
根据领域本体中定义的属性类型,对图数据库中的实体进行属性标注,并为每个属性赋予一个具体的值;
具体地,关系对齐,包括以下步骤:
根据领域本体中定义的关系类型,对图数据库中的关系进行对齐,并为每个关系赋予一个具体的值;
具体地,实体融合,包括以下步骤:
利用实体链接技术,对图数据库中存在重复或相似的实体进行融合,消除冗余和歧义,并更新相关的属性和关系;
具体地,关系融合,包括以下步骤:
利用关系链接技术,对图数据库中存在重复或相似的关系进行融合,消除冗余和歧义,并更新相关的值。
步骤三:利用图神经网络模型对产业链知识图谱中的实体和关系进行向量化表示,利用向量之间的相似度或距离计算实体之间的语义关联度;
具体地,图神经网络模型:利用图神经网络(GNN)模型,对产业链知识图谱中的实体和关系进行向量化表示;
向量化方法:根据不同的应用场景,可以选择不同的向量化方法,用于知识图谱的补全和推理任务,以及知识图谱的节点分类和聚类任务;
语义关联度计算:根据不同的应用场景,可以选择不同的语义关联度计算方法,例如余弦相似度,欧氏距离,曼哈顿距离等,这些方法主要用于知识图谱的相似实体检索和推荐任务。
步骤四:根据用户输入的各类企业、行业或产品,从产业链知识图谱中检索出相关的实体和关系,并以可视化的方式展示出产业链的结构、规模、分布、趋势等信息,同时提供产业链的评价、比较、诊断等分析服务;
具体地,从产业链知识图谱中检索出相关的实体,包括以下步骤:
利用图数据库查询语言,根据用户输入的各类企业、行业或产品名称,从产业链知识图谱中检索出匹配的实体,并返回其属性和标识符;
具体地,从产业链知识图谱中检索出相关的关系,包括以下步骤:
利用图数据库查询语言,根据用户输入的各类企业、行业或产品标识符,从产业链知识图谱中检索出与其直接或间接相关的实体和关系,并返回其类型和值;
具体地,以可视化的方式展示出产业链的结构、规模、分布、趋势等信息,包括以下步骤:
利用等可视化工具库,根据检索出的实体和关系数据,生成一个动态的产业链网络图,并在网络图上显示实体和关系的名称、属性、值等信息,并支持用户对网络图进行缩放、拖拽、筛选等交互操作。
步骤五:利用知识图谱中的历史数据和外部数据,结合机器学习和深度学习等技术,对产业链关键指标进行预测和预警,提供预测结果的可信度和解释性。
步骤六:根据用户输入的优化目标和约束条件,从产业链知识图谱中提取出相关的决策变量和目标函数,并利用优化算法和启发式算法等技术,求解出最优或近似最优的决策方案,并提供方案的评价和建议。
步骤七:根据用户输入的协同需求和偏好,从产业链知识图谱中匹配出合适的协同对象,并利用协同过滤、推荐***等技术,为用户提供协同机会和建议,并支持用户进行协同沟通和交易。
本方法包括以下功能模块:
(1)产业链分析模块,该模块能够根据用户输入的各类企业、行业或产品,从产业链知识图谱中检索出相关的实体和关系,并以可视化的方式展示出产业链的结构、规模、分布、趋势等信息,同时提供产业链的评价、比较、诊断等分析服务;
(2)产业链预测模块,该模块能够利用知识图谱中的历史数据和外部数据,结合机器学习和深度学习等技术,对产业链中的关键指标进行预测和预警,例如各类企业的营收、利润、市值等,行业的增长率、竞争力、风险等,产品的需求量、价格、替代品等,并提供预测结果的可信度和解释性;
(3)产业链优化模块,该模块能够根据用户输入的优化目标和约束条件,从产业链知识图谱中提取出相关的决策变量和目标函数,利用优化算法和启发式算法等技术,求解出最优或近似最优的决策方案,并提供相应评价和建议;
(4)产业链协同模块,该模块能够根据用户输入的协同需求和偏好,从产业链知识图谱中匹配出合适的协同对象,并利用协同过滤、推荐***等技术,为用户提供协同机会和建议,并支持用户进行协同沟通和交易。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (7)
1.一种基于知识图谱的产业链多协同智能决策的方法,其特征在于,包括以下步骤:
步骤一:从多源异构数据中提取产业链相关的实体和关系,并将其存储在一个统一的图数据库中;其中,所述多源异构数据包括:企业数据、行业分类数据、产品数据、年报数据以及新闻数据;
步骤二:根据预定义的领域本体和规则,对图数据库中的实体和关系进行实体分类、属性标注、关系对齐、实体融合以及关系融合,并生成一个包含各类企业、行业和产品等实体及其关系的产业链知识图谱;
步骤三:利用图神经网络模型对产业链知识图谱中的实体和关系进行向量化表示,并计算实体之间的语义关联度;
步骤四:根据用户输入的各类企业、行业或产品,从产业链知识图谱中检索出相关的实体和关系,并以可视化的方式展示出产业链的结构、规模、分布以及趋势信息;
步骤五:利用知识图谱中的历史数据和外部数据,结合机器学习和深度学习技术,对产业链关键指标进行预测和预警,提供预测结果的可信度和解释性;
步骤六:根据用户输入的优化目标和约束条件,从产业链知识图谱中提取出相关的决策变量和目标函数,并利用优化算法和启发式算法技术,求解出最优的决策方案,并提供方案的评价和建议;
步骤七:根据用户输入的协同需求和偏好,从产业链知识图谱中匹配出合适的协同对象,并利用协同过滤和推荐***技术,为用户提供协同机会和建议,并支持用户进行协同沟通和交易。
2.根据权利要求1所述的一种基于知识图谱的产业链多协同智能决策的方法,其特征在于,从多源异构数据中提取产业链相关的实体和关系,并将其存储在一个统一的图数据库中,包括以下步骤:
S1:命名实体识别:结合条件随机场层,对上述数据源中的文本进行命名实体识别,识别出各类企业、行业和产品实体,并标注其类型;
S2:关系抽取:结合多头自注意力层,对上述数据源中的文本进行关系抽取,抽取出各类企业所属行业、行业上级关系、产品上游原材料关系、产品下游产品关系、企业主营产品以及产品小类关系,并标注其类型;
S3:图数据库构建:利用图数据库,将提取出的实体和关系存储在一个统一的图数据库中,形成一个包含实体及其关系的产业链知识图谱。
3.根据权利要求1所述的一种基于知识图谱的产业链多协同智能决策的方法,其特征在于,预定义领域本体和规则,包括以下步骤:
根据产业链领域的特点和需求,定义一个领域本体;其中,所述领域本体包括:实体类型、属性类型以及关系类型等;
以及规定各种类型之间的约束条件和语义规则。
4.根据权利要求1所述的一种基于知识图谱的产业链多协同智能决策的方法,其特征在于,实体分类,包括:根据领域本体中定义的实体类型,对图数据库中的实体进行分类,并为每个实体分配一个唯一的标识符;
属性标注,包括:根据领域本体中定义的属性类型,对图数据库中的实体进行属性标注,并为每个属性赋予一个具体的值;
关系对齐,包括:根据领域本体中定义的关系类型,对图数据库中的关系进行对齐,并为每个关系赋予一个具体的值;
实体融合,包括:利用实体链接技术,对图数据库中存在重复或相似的实体进行融合,消除冗余和歧义,并更新相关的属性和关系;
关系融合,包括:利用关系链接技术,对图数据库中存在重复或相似的关系进行融合,消除冗余和歧义,并更新相关的值。
5.根据权利要求1所述的一种基于知识图谱的产业链多协同智能决策的方法,其特征在于,从产业链知识图谱中检索出相关的实体,包括以下步骤:
利用图数据库查询语言,根据用户输入的各类企业、行业或产品名称,从产业链知识图谱中检索出匹配的实体,并返回其属性和标识符。
6.根据权利要求1所述的一种基于知识图谱的产业链多协同智能决策的方法,其特征在于,从产业链知识图谱中检索出相关的关系,包括以下步骤:
利用图数据库查询语言,根据用户输入的各类企业、行业或产品标识符,从产业链知识图谱中检索出与其直接或间接相关的实体和关系,并返回其类型和值。
7.根据权利要求1所述的一种基于知识图谱的产业链多协同智能决策的方法,其特征在于,以可视化的方式展示出产业链的结构、规模、分布、趋势信息,包括以下步骤:
利用等可视化工具库,根据检索出的实体和关系数据,生成一个动态的产业链网络图,并在网络图上显示实体和关系的名称、属性、值等信息,并支持用户对网络图进行缩放、拖拽、筛选等交互操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090445.9A CN117172725A (zh) | 2023-08-28 | 2023-08-28 | 一种基于知识图谱的产业链多协同智能决策的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090445.9A CN117172725A (zh) | 2023-08-28 | 2023-08-28 | 一种基于知识图谱的产业链多协同智能决策的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117172725A true CN117172725A (zh) | 2023-12-05 |
Family
ID=88938777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311090445.9A Pending CN117172725A (zh) | 2023-08-28 | 2023-08-28 | 一种基于知识图谱的产业链多协同智能决策的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172725A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391313A (zh) * | 2023-12-12 | 2024-01-12 | 广东正迪科技股份有限公司 | 基于ai的智能决策方法、***、设备以及介质 |
CN117520864A (zh) * | 2024-01-08 | 2024-02-06 | 四川易利数字城市科技有限公司 | 一种数据要素多特征融合智能匹配方法 |
CN117670145A (zh) * | 2024-01-26 | 2024-03-08 | 中国标准化研究院 | 基于知识图谱的产业链发展质量评价方法及*** |
-
2023
- 2023-08-28 CN CN202311090445.9A patent/CN117172725A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391313A (zh) * | 2023-12-12 | 2024-01-12 | 广东正迪科技股份有限公司 | 基于ai的智能决策方法、***、设备以及介质 |
CN117391313B (zh) * | 2023-12-12 | 2024-04-30 | 广东正迪科技股份有限公司 | 基于ai的智能决策方法、***、设备以及介质 |
CN117520864A (zh) * | 2024-01-08 | 2024-02-06 | 四川易利数字城市科技有限公司 | 一种数据要素多特征融合智能匹配方法 |
CN117520864B (zh) * | 2024-01-08 | 2024-03-19 | 四川易利数字城市科技有限公司 | 一种数据要素多特征融合智能匹配方法 |
CN117670145A (zh) * | 2024-01-26 | 2024-03-08 | 中国标准化研究院 | 基于知识图谱的产业链发展质量评价方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428053B (zh) | 一种面向税务领域知识图谱的构建方法 | |
Guo et al. | The internet of things-based decision support system for information processing in intelligent manufacturing using data mining technology | |
Sharma et al. | The role of artificial intelligence in supply chain management: mapping the territory | |
Chan et al. | The role of social media data in operations and production management | |
Tang et al. | Data mining with SQL Server 2005 | |
CN117172725A (zh) | 一种基于知识图谱的产业链多协同智能决策的方法 | |
US8903756B2 (en) | System and method for knowledge pattern search from networked agents | |
US20160314126A1 (en) | Entity fingerprints | |
AU2020380139B2 (en) | Data preparation using semantic roles | |
CN103425740B (zh) | 一种面向物联网的基于语义聚类的物资信息检索方法 | |
Ren et al. | An ABGE-aided manufacturing knowledge graph construction approach for heterogeneous IIoT data integration | |
Özdağoğlu et al. | A predictive filtering approach for clarifying bibliometric datasets: an example on the research articles related to industry 4.0 | |
Jalali et al. | Research trends on big data domain using text mining algorithms | |
Gheisari et al. | Data mining techniques for web mining: a survey | |
Liu et al. | A metrics-based meta-learning model with meta-pretraining for industrial knowledge graph construction | |
Tinelli et al. | Embedding semantics in human resources management automation via SQL | |
Hira et al. | Automated heuristic based context dependent ETL process to generate multi‐dimensional model for tabular data | |
Ell et al. | Enterprise knowledge structures | |
CN113947061A (zh) | 一种基于多模组文本智能编码算法的海关进出口商品归类方法 | |
Ben Sassi et al. | Data Science with Semantic Technologies: Application to Information Systems Development | |
Brisson et al. | Improving the knowledge discovery process using ontologies | |
US20240119421A1 (en) | Natural language processing and classification methods for a veteran's status search engine for an online search tool | |
Lee et al. | An instrument for discovering new mobile service opportunities | |
Purba et al. | Determination for Consumer Patterns in Beverage Product Sales Using the Frequent Pattern Growth Algorithm | |
Mangat et al. | Relevance of data mining techniques in real life |
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 |