CN118069791B - 一种电子档案智能检索方法及*** - Google Patents
一种电子档案智能检索方法及*** Download PDFInfo
- Publication number
- CN118069791B CN118069791B CN202410482666.9A CN202410482666A CN118069791B CN 118069791 B CN118069791 B CN 118069791B CN 202410482666 A CN202410482666 A CN 202410482666A CN 118069791 B CN118069791 B CN 118069791B
- Authority
- CN
- China
- Prior art keywords
- data
- space
- archive
- search
- retrieval
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000013598 vector Substances 0.000 claims abstract description 214
- 238000004458 analytical method Methods 0.000 claims abstract description 203
- 238000012098 association analyses Methods 0.000 claims abstract description 35
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims description 58
- 230000008859 change Effects 0.000 claims description 44
- 230000004660 morphological change Effects 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 15
- 238000012300 Sequence Analysis Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013211 curve analysis Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000007621 cluster analysis Methods 0.000 description 6
- 238000003058 natural language processing Methods 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据检索技术领域，尤其涉及一种电子档案智能检索方法及***，该方法包括以下步骤：获取实时电子档案数据及用户检索需求数据；对实时电子档案数据进行语义特征分析，生成电子档案语义特征数据；对电子档案语义特征数据进行词频分布分析，以生成词频分布数据；对词频分布数据进行词频向量化，以生成词频向量数据；通过词频向量数据对电子档案语义特征数据进行空间映射，生成档案向量点；对档案向量点进行多维空间重构，以构建电子档案多维空间；对电子档案多维空间进行向量点动态关联分析，以生成向量点动态关联网络。本发明实现了高效、准确的电子档案检索。
Description
技术领域
本发明涉及数据检索技术领域，尤其涉及一种电子档案智能检索方法及***。
背景技术
随着信息技术的快速发展和电子档案的广泛应用，面对海量的电子档案数据，传统的手动检索方法往往存在着检索效率不高，准确性较差的问题，已经无法满足用户对高效、准确检索的需求，因此，基于自然语言处理和机器学习的电子档案智能检索方法及***应运而生，该方法利用自然语言处理技术和机器学习算法，从电子档案中提取语义信息，实现智能化的检索和查询。
发明内容
本发明为解决上述技术问题，提出了一种电子档案智能检索方法及***，以解决至少一个上述技术问题。
为实现上述目的，本发明提供一种电子档案智能检索方法，包括以下步骤：
步骤S1：获取实时电子档案数据及用户检索需求数据；对实时电子档案数据进行语义特征分析，生成电子档案语义特征数据；对电子档案语义特征数据进行词频分布分析，以生成词频分布数据；
步骤S2：对词频分布数据进行词频向量化，以生成词频向量数据；通过词频向量数据对电子档案语义特征数据进行空间映射，生成档案向量点；对档案向量点进行多维空间重构，以构建电子档案多维空间；
步骤S3：对电子档案多维空间进行向量点动态关联分析，以生成向量点动态关联网络； 对电子档案多维空间进行时序形态变化分析，以生成空间时序形态变化数据；根据向量点动态关联网络对空间时序形态变化数据进行演化趋势分析，从而得到多维空间时空演化规律；
步骤S4：利用多维空间时空演化规律对电子档案多维空间进行多层索引空间构建，构建动态多维时空档案空间；对用户检索需求数据进行时空特征点转换，生成检索需求时空特征点；利用检索需求时空特征点对动态多维时空档案空间进行检索范围分析，生成检索范围数据；
步骤S5：利用检索范围数据对动态多维时空档案空间进行检索空间边界提取，得到档案检索空间；对用户检索需求数据进行检索关键特征分析，以生成检索关键特征数据；根据检索关键特征数据对档案检索空间进行最优检索处理，以生成档案空间最优检索数据；根据档案空间最优检索数据对动态多维时空档案空间进行迭代检索，以生成迭代检索空间路径数据；
步骤S6：对迭代检索空间路径数据进行演化轨迹分析，以生成检索演化轨迹数据；利用检索演化轨迹数据对动态多维时空档案空间进行检索路径优化决策，生成检索路径优化决策数据；对检索路径优化决策数据进行图神经网络构建，构建档案检索知识图谱，以执行电子档案智能检索作业。
本发明通过语义特征分析和词频分布分析，可以深入理解电子档案数据的语义含义和关键词的重要性，生成的电子档案语义特征数据和词频分布数据为后续的检索和分析提供了基础，词频向量化将词频分布数据转化为向量形式，便于后续的向量计算和相似度比较，通过空间映射和多维空间重构，将电子档案语义特征数据转化为多维空间中的向量点，为后续的关联分析和时空演化提供了基础，向量点动态关联分析和生成动态关联网络可以揭示电子档案多维空间中的关联关系和相互作用，空间时序形态变化分析和演化趋势分析帮助了解电子档案多维空间随时间的变化和趋势，揭示了档案数据的时空特征，多层索引空间构建便于高效的检索和查询操作，提高检索速度和准确性，检索需求时空特征点的转换和检索范围数据的生成有助于确定检索的范围和空间，缩小检索范围，提高检索效率，检索空间边界提取通过利用检索范围数据，确定了档案的检索范围和边界，从而减少了不必要的计算和遍历，检索关键特征分析和生成检索关键特征数据有助于确定用户检索需求的重点和关注点，提高了检索的准确性和相关性，档案空间最优检索处理和迭代检索空间路径数据的生成通过优化检索算法和路径选择，提高了检索的效率和精确度，检索演化轨迹数据的生成和分析可以揭示检索过程中的演化趋势和关联关系，有助于了解检索行为和改进检索策略，检索路径优化决策数据通过利用检索演化轨迹数据，优化检索路径和策略，提高了检索的效率和精确度，档案检索知识图谱的构建利用图神经网络，整合了检索路径优化决策数据和档案数据的关联关系，提供了更深层次的检索支持和智能化的档案检索功能。
在本说明书中，提供一种电子档案智能检索***，用于执行如上所述的电子档案智能检索方法，包括：
词频分布模块，用于获取实时电子档案数据及用户检索需求数据；对实时电子档案数据进行语义特征分析，生成电子档案语义特征数据；对电子档案语义特征数据进行词频分布分析，以生成词频分布数据；
多维空间模块，用于对词频分布数据进行词频向量化，以生成词频向量数据；通过词频向量数据对电子档案语义特征数据进行空间映射，生成档案向量点；对档案向量点进行多维空间重构，以构建电子档案多维空间；
演化趋势模块，用于对电子档案多维空间进行向量点动态关联分析，以生成向量点动态关联网络； 对电子档案多维空间进行时序形态变化分析，以生成空间时序形态变化数据；根据向量点动态关联网络对空间时序形态变化数据进行演化趋势分析，从而得到多维空间时空演化规律；
检索范围模块，用于利用多维空间时空演化规律对电子档案多维空间进行多层索引空间构建，构建动态多维时空档案空间；对用户检索需求数据进行时空特征点转换，生成检索需求时空特征点；利用检索需求时空特征点对动态多维时空档案空间进行检索范围分析，生成检索范围数据；
检索空间路径模块，用于利用检索范围数据对动态多维时空档案空间进行检索空间边界提取，得到档案检索空间；对用户检索需求数据进行检索关键特征分析，以生成检索关键特征数据；根据检索关键特征数据对档案检索空间进行最优检索处理，以生成档案空间最优检索数据；根据档案空间最优检索数据对动态多维时空档案空间进行迭代检索，以生成迭代检索空间路径数据；
知识图谱模块，用于对迭代检索空间路径数据进行演化轨迹分析，以生成检索演化轨迹数据；利用检索演化轨迹数据对动态多维时空档案空间进行检索路径优化决策，生成检索路径优化决策数据；对检索路径优化决策数据进行图神经网络构建，构建档案检索知识图谱，以执行电子档案智能检索作业。
本发明通过词频分布模块获取实时电子档案数据及用户检索需求数据，为后续步骤提供数据基础，对实时电子档案数据进行语义特征分析，提取出档案数据的语义特征，例如关键词、主题等，对电子档案语义特征数据进行词频分布分析，统计每个词在档案数据中的出现频率，生成词频分布数据，多维空间模块对词频分布数据进行词频向量化，将每个词的词频转化为向量表示，生成词频向量数据，通过词频向量数据对电子档案语义特征数据进行空间映射，将语义特征数据映射到多维空间中，生成档案向量点，对档案向量点进行多维空间重构，将档案向量点在多维空间中重新组织和表示，构建电子档案的多维空间结构，演化趋势模块对电子档案多维空间进行向量点动态关联分析，分析不同向量点之间的关联关系，生成向量点动态关联网络，对电子档案多维空间进行时序形态变化分析，研究空间在时间上的变化规律，生成空间时序形态变化数据，基于向量点动态关联网络，对空间时序形态变化数据进行演化趋势分析，揭示多维空间的时空演化规律，如变化趋势、周期性等，检索范围模块利用多维空间时空演化规律对电子档案多维空间进行多层索引空间构建，构建动态多维时空档案空间，提供高效的检索范围，对用户检索需求数据进行时空特征点转换，将用户的检索需求转化为时空特征点，表示用户在多维空间中的检索需求位置，利用检索需求时空特征点对动态多维时空档案空间进行检索范围分析，确定与用户需求匹配的档案范围，生成检索范围数据，检索空间路径模块利用检索范围数据对动态多维时空档案空间进行检索空间边界提取，确定档案检索空间的边界，减少检索范围，提高检索效率，对用户检索需求数据进行检索关键特征分析，提取出用户检索需求的关键特征，如关键词、属性等，根据检索关键特征数据对档案检索空间进行最优检索处理，确定最佳的检索路径，生成档案空间最优检索数据，根据档案空间最优检索数据对动态多维时空档案空间进行迭代检索，按照最优路径逐步检索档案数据，生成迭代检索空间路径数据，知识图谱模块对迭代检索空间路径数据进行演化轨迹分析，研究路径的变化趋势和演化规律，生成检索演化轨迹数据，利用检索演化轨迹数据对动态多维时空档案空间进行检索路径优化决策，根据路径变化趋势优化检索路径，生成检索路径优化决策数据，对检索路径优化决策数据进行图神经网络构建，构建档案检索知识图谱，利用图神经网络的能力进行智能检索决策和推荐。
附图说明
图1为本发明一种电子档案智能检索方法的步骤流程示意图；
图2为步骤S1的详细实施步骤流程示意图；
图3为步骤S2的详细实施步骤流程示意图；
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实例提供一种电子档案智能检索方法及***。所述电子档案智能检索方法及***的执行主体包括但不限于搭载该***的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理***、信息管理***、云端数据管理***至少一种。
请参阅图1至图4，本发明提供一种电子档案智能检索方法，包括以下步骤：
步骤S1：获取实时电子档案数据及用户检索需求数据；对实时电子档案数据进行语义特征分析，生成电子档案语义特征数据；对电子档案语义特征数据进行词频分布分析，以生成词频分布数据；
步骤S2：对词频分布数据进行词频向量化，以生成词频向量数据；通过词频向量数据对电子档案语义特征数据进行空间映射，生成档案向量点；对档案向量点进行多维空间重构，以构建电子档案多维空间；
步骤S3：对电子档案多维空间进行向量点动态关联分析，以生成向量点动态关联网络； 对电子档案多维空间进行时序形态变化分析，以生成空间时序形态变化数据；根据向量点动态关联网络对空间时序形态变化数据进行演化趋势分析，从而得到多维空间时空演化规律；
步骤S4：利用多维空间时空演化规律对电子档案多维空间进行多层索引空间构建，构建动态多维时空档案空间；对用户检索需求数据进行时空特征点转换，生成检索需求时空特征点；利用检索需求时空特征点对动态多维时空档案空间进行检索范围分析，生成检索范围数据；
步骤S5：利用检索范围数据对动态多维时空档案空间进行检索空间边界提取，得到档案检索空间；对用户检索需求数据进行检索关键特征分析，以生成检索关键特征数据；根据检索关键特征数据对档案检索空间进行最优检索处理，以生成档案空间最优检索数据；根据档案空间最优检索数据对动态多维时空档案空间进行迭代检索，以生成迭代检索空间路径数据；
步骤S6：对迭代检索空间路径数据进行演化轨迹分析，以生成检索演化轨迹数据；利用检索演化轨迹数据对动态多维时空档案空间进行检索路径优化决策，生成检索路径优化决策数据；对检索路径优化决策数据进行图神经网络构建，构建档案检索知识图谱，以执行电子档案智能检索作业。
本发明通过语义特征分析和词频分布分析，可以深入理解电子档案数据的语义含义和关键词的重要性，生成的电子档案语义特征数据和词频分布数据为后续的检索和分析提供了基础，词频向量化将词频分布数据转化为向量形式，便于后续的向量计算和相似度比较，通过空间映射和多维空间重构，将电子档案语义特征数据转化为多维空间中的向量点，为后续的关联分析和时空演化提供了基础，向量点动态关联分析和生成动态关联网络可以揭示电子档案多维空间中的关联关系和相互作用，空间时序形态变化分析和演化趋势分析帮助了解电子档案多维空间随时间的变化和趋势，揭示了档案数据的时空特征，多层索引空间构建便于高效的检索和查询操作，提高检索速度和准确性，检索需求时空特征点的转换和检索范围数据的生成有助于确定检索的范围和空间，缩小检索范围，提高检索效率，检索空间边界提取通过利用检索范围数据，确定了档案的检索范围和边界，从而减少了不必要的计算和遍历，检索关键特征分析和生成检索关键特征数据有助于确定用户检索需求的重点和关注点，提高了检索的准确性和相关性，档案空间最优检索处理和迭代检索空间路径数据的生成通过优化检索算法和路径选择，提高了检索的效率和精确度，检索演化轨迹数据的生成和分析可以揭示检索过程中的演化趋势和关联关系，有助于了解检索行为和改进检索策略，检索路径优化决策数据通过利用检索演化轨迹数据，优化检索路径和策略，提高了检索的效率和精确度，档案检索知识图谱的构建利用图神经网络，整合了检索路径优化决策数据和档案数据的关联关系，提供了更深层次的检索支持和智能化的档案检索功能。
本发明实施例中，参考图1所述，为本发明一种电子档案智能检索方法的步骤流程示意图，在本实例中，所述电子档案智能检索方法的步骤包括：
步骤S1：获取实时电子档案数据及用户检索需求数据；对实时电子档案数据进行语义特征分析，生成电子档案语义特征数据；对电子档案语义特征数据进行词频分布分析，以生成词频分布数据；
本实施例中，获取实时电子档案数据及用户检索需求数据；在用户向***提交检索请求时获取相关数据，这可以是用户输入的关键词、查询语句、过滤条件等，确保获取到用户需求的准确信息，对获取到的实时电子档案数据进行语义特征分析，可以使用自然语言处理（NLP）技术，如词性标注、实体识别、关键词提取等方法，提取文本中的语义信息，通过分析档案数据的语义特征，可以识别出与档案相关的主题、关键词、属性等信息，将语义特征分析得到的结果转化为结构化数据，生成电子档案语义特征数据，这可以是以文本、JSON、XML等形式存储的数据结构，包含档案的关键信息和特征，对电子档案语义特征数据进行词频分布分析，统计每个词在档案数据中的出现频率，可以使用文本处理技术，如分词、去除停用词等方法，对语义特征数据进行预处理，统计每个词的出现次数，形成词频分布数据，表明每个词在档案数据中的重要程度。
步骤S2：对词频分布数据进行词频向量化，以生成词频向量数据；通过词频向量数据对电子档案语义特征数据进行空间映射，生成档案向量点；对档案向量点进行多维空间重构，以构建电子档案多维空间；
本实施例中，将词频分布数据转化为词频向量数据，词频向量是用向量表示词频分布的一种方式，可以使用词袋模型（Bag-of-Words）或TF-IDF（Term Frequency-InverseDocument Frequency）等技术将每个词在词频分布数据中的频率转化为向量形式，词频向量可以是稠密向量或稀疏向量，取决于对应词汇的维度，利用词频向量数据对电子档案语义特征数据进行空间映射，这将档案语义特征映射到一个多维向量空间中，对映射后的档案向量点进行多维空间重构，以构建电子档案的多维空间，可以使用降维技术（如主成分分析、t-SNE）将高维向量转化为更低维度的向量表示，以便可视化和分析，多维空间重构可以帮助发现档案之间的相似性和关联性，为后续的档案检索和分析提供更多的可能性。
步骤S3：对电子档案多维空间进行向量点动态关联分析，以生成向量点动态关联网络； 对电子档案多维空间进行时序形态变化分析，以生成空间时序形态变化数据；根据向量点动态关联网络对空间时序形态变化数据进行演化趋势分析，从而得到多维空间时空演化规律；
本实施例中，对电子档案多维空间中的向量点进行动态关联分析，探索点与点之间的关联性，这可以通过计算向量点之间的相似度、距离或相关性等指标来实现，基于关联分析的结果，构建向量点的动态关联网络，网络中的节点表示向量点，边表示点之间的关联关系，权重表示关联程度，可以使用图论和网络分析的方法，如社区发现、中心性分析等，对动态关联网络进行进一步的分析和可视化，对电子档案多维空间进行时序形态变化分析，探索档案在时间上的演化和变化趋势，这可以是档案在多维空间中的位置、密度或其他特征的变化，可以使用时间序列分析方法、聚类算法或非线性动力学模型等，对档案的时序形态变化进行建模和分析，生成空间时序形态变化数据，记录档案在多维空间中的时序变化信息，这可以是以时间为维度的数据集合，每个时间点对应档案的特征或状态，基于向量点动态关联网络，对空间时序形态变化数据进行演化趋势分析，这可以是通过网络中节点的变化、关联边的演化等来研究档案的时空演化规律，可以使用图论、时间序列分析、机器学习或深度学习等方法，对向量点动态关联网络和时空演化数据进行模式识别、趋势预测或异常检测等分析。
步骤S4：利用多维空间时空演化规律对电子档案多维空间进行多层索引空间构建，构建动态多维时空档案空间；对用户检索需求数据进行时空特征点转换，生成检索需求时空特征点；利用检索需求时空特征点对动态多维时空档案空间进行检索范围分析，生成检索范围数据；
本实施例中，基于多维空间的时空演化规律，对电子档案多维空间进行多层索引空间构建，这可以是将多维空间划分为不同的层级或区域，以便更高效地进行检索和管理，构建动态多维时空档案空间，将电子档案的时空信息融入到多维空间中，这可以是在多维空间的每个点上添加时间维度或其他时空特征，以反映档案的时空属性，对用户检索需求数据进行时空特征点转换，将检索需求映射为时空特征点，这可以是将用户的检索条件、时间范围或其他时空要素转化为特定的向量表示，可以使用相似的向量化方法，如词频向量化或特征提取技术，将检索需求数据转化为向量形式，利用检索需求时空特征点，对动态多维时空档案空间进行检索范围分析，这可以是确定在多维时空空间中与检索需求相关的空间区域或范围，分析可以基于向量点动态关联网络、时空演化规律或其他空间分析方法进行，目的是找到与检索需求时空特征点相关的档案空间范围，生成检索范围数据，记录与检索需求相关的动态多维时空档案空间范围，这可以是以空间区域或索引结构的形式表示。
步骤S5：利用检索范围数据对动态多维时空档案空间进行检索空间边界提取，得到档案检索空间；对用户检索需求数据进行检索关键特征分析，以生成检索关键特征数据；根据检索关键特征数据对档案检索空间进行最优检索处理，以生成档案空间最优检索数据；根据档案空间最优检索数据对动态多维时空档案空间进行迭代检索，以生成迭代检索空间路径数据；
本实施例中，利用前一步中生成的检索范围数据，对动态多维时空档案空间进行检索空间边界提取，这可以是确定档案空间的边界或界限，以限定进一步的检索范围，提取检索空间边界后，得到档案检索空间，这是一个经过限定的、与检索需求相关的动态多维时空档案空间，对用户检索需求数据进行检索关键特征分析，以确定用户检索的关键特征，这可以是提取关键词、时间范围、空间区域或其他与检索需求相关的特征，生成检索关键特征数据，记录用户检索需求的关键特征，这可以是以特定的数据结构、向量表示或其他形式表示用户检索需求的关键特征，根据检索关键特征数据，对档案检索空间进行最优检索处理，这可以是利用索引结构、查询优化算法或机器学习方法，以提高检索效率和准确性，进行最优检索处理后，生成档案空间最优检索数据，这可以是记录与最优检索相关的档案空间位置、特征或其他检索结果信息，基于档案空间最优检索数据，对动态多维时空档案空间进行迭代检索，这可以是根据当前的检索结果和用户反馈，不断更新检索策略并进行新的检索，迭代检索过程中，记录档案空间的路径数据，这可以是记录检索过程中的轨迹、路径或其他与迭代检索相关的信息。
步骤S6：对迭代检索空间路径数据进行演化轨迹分析，以生成检索演化轨迹数据；利用检索演化轨迹数据对动态多维时空档案空间进行检索路径优化决策，生成检索路径优化决策数据；对检索路径优化决策数据进行图神经网络构建，构建档案检索知识图谱，以执行电子档案智能检索作业。
本实施例中，对迭代检索空间路径数据进行演化轨迹分析，这可以是分析路径数据中的模式、趋势或其他特征，以了解检索过程的演化，生成检索演化轨迹数据，记录检索过程中的演化轨迹，这可以是以序列、时间序列或其他形式表示检索路径的演化，利用检索演化轨迹数据对动态多维时空档案空间进行检索路径优化决策，这可以是根据演化轨迹分析结果，确定如何优化检索路径以提高检索效率或准确性，生成检索路径优化决策数据，记录针对不同检索情境下的路径优化决策，这可以是以规则、策略、参数配置或其他形式表示路径优化决策的数据，利用检索路径优化决策数据进行图神经网络构建，这可以是将路径优化决策数据作为节点特征或边权重，构建具有学习能力的图神经网络模型，构建档案检索知识图谱，将图神经网络与其他相关数据结构或知识库结合，这可以是将电子档案的元数据、领域知识、用户反馈等信息融入图谱中，形成一个综合的电子档案检索知识图谱，基于构建的档案检索知识图谱，执行电子档案智能检索作业，这可以是利用图神经网络模型对用户的检索需求进行分析和理解，提供智能化的检索结果，在检索过程中，可以利用图谱中的关联信息、领域知识和路径优化决策数据，以指导检索过程并提供更准确的结果。
本实施例中，参考图2所述，为步骤S1的详细实施步骤流程示意图，本实施例中，所述步骤S1的详细实施步骤包括：
步骤S11：获取实时电子档案数据及用户检索需求数据；
步骤S12：对实时电子档案数据进行元数据结构化处理，以电子档案结构化数据；
步骤S13：对电子档案结构化数据进行语义特征分析，生成电子档案语义特征数据；
步骤S14：对电子档案语义特征数据进行词频计算，以生成语义特征词频数据；
步骤S15：对语义特征词频数据进行词频分布分析，以生成词频分布数据。
本发明通过获取实时电子档案数据，可以确保使用的数据是最新的，反映了当前的档案信息，获取用户检索需求数据可以了解用户的要求和需求，以便进行相应的检索和提供准确的结果，元数据结构化处理可以将电子档案数据转化为具有一定结构的形式，便于后续的分析和处理，生成的电子档案结构化数据提供了档案数据的基本框架和属性，为后续的语义分析和检索提供基础，通过语义特征分析，可以深入理解电子档案数据的语义含义和关键特征，生成的电子档案语义特征数据提供了对档案数据语义信息的抽取和表示，为后续的检索和分析提供基础，词频计算可以统计语义特征词在电子档案中的出现频率，反映其在档案中的重要程度，生成的语义特征词频数据提供了不同语义特征词的重要程度排序，为后续的词频分布分析和检索加权提供依据，词频分布分析可以了解语义特征词在电子档案中的分布情况，反映其在不同档案中的重要性和相关性，生成的词频分布数据提供了各个语义特征词的分布情况和权重信息，为后续的检索和排序提供基础。
本实施例中，获取实时电子档案数据，可以是从电子档案数据库、文件***或其他数据源中获取，确保数据获取过程具有实时性，以获取最新的电子档案数据，获取用户的检索需求数据，可以是通过用户界面、API接口或其他渠道获取，确保获取的用户检索需求数据包含必要的信息，如关键词、时间范围、空间区域等，对提取的元数据进行结构化处理，将其组织为一种可查询和分析的数据结构，这可以是将元数据映射为表格、关系数据库或其他数据结构，对电子档案结构化数据进行语义特征提取，目的是捕捉文本的语义信息，可以使用自然语言处理（NLP）技术，如词向量、主题模型等方法进行特征提取，生成电子档案语义特征数据，将提取的语义特征组织为可用于后续分析的数据格式，这可以是将语义特征表示为向量、矩阵或其他形式的数据结构，对电子档案语义特征数据中的每个特征进行词频计算，统计每个特征在文档中出现的频率，词频可以用简单的计数方式计算，也可以使用更复杂的加权计算方法，生成语义特征词频数据，将特征词频统计结果组织为可用于后续分析的数据结构，这可以是将特征词频表示为向量、矩阵或其他形式的数据结构，对语义特征词频数据进行词频分布分析，了解词频在整体数据集中的分布情况，可以计算平均词频、词频的标准差、最大词频、最小词频等统计指标，生成词频分布数据，将词频分布分析的结果组织为可用于后续分析和可视化的数据格式，这可以是将词频分布表示为直方图、箱线图、概率密度图或其他形式的数据结构。
本实施例中，参考图3所述，为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：对词频分布数据进行词频向量化，以生成词频向量数据；
步骤S22：通过词频向量数据对电子档案语义特征数据进行空间映射，生成档案向量点；
步骤S23：对档案向量点进行空间位置分析，以生成档案向量点空间位置数据；
步骤S24：对档案向量点进行相似度计算，以生成向量点相似度数据；
步骤S25：通过向量点相似度数据对档案向量点进行聚类簇划分，以生成档案聚类簇数据；
步骤S26：根据档案向量点空间位置数据对档案聚类簇数据进行多维空间重构，以构建电子档案多维空间。
本发明通过词频向量化将词频分布数据转化为向量形式，将每个语义特征词的词频表示为向量的维度，生成的词频向量数据提供了每个语义特征词在向量空间中的位置信息，为后续的向量计算和相似度分析提供基础，通过空间映射，将电子档案语义特征数据转化为向量点的形式，将每个档案的语义特征表示为向量空间中的点，生成的档案向量点提供了档案数据在向量空间中的位置信息，为后续的相似度计算和聚类分析提供基础，空间位置分析可以了解档案向量点在向量空间中的分布情况，反映不同档案之间的相对位置关系，生成的档案向量点空间位置数据提供了档案向量点的坐标信息，为后续的相似度计算和聚类分析提供基础，相似度计算可以衡量档案向量点之间的相似程度，用于确定档案之间的相关性和相似性，生成的向量点相似度数据提供了档案向量点之间的相似度评估，为后续的聚类和检索提供基础，聚类簇划分可以将相似的档案向量点分组为不同的聚类簇，从而将相似的档案归为一类，生成的档案聚类簇数据提供了档案的聚类划分结果，为后续的聚类分析和智能检索提供基础，多维空间重构可以将档案聚类簇数据在多维空间中进行可视化展示，以便用户理解和浏览电子档案数据，构建的电子档案多维空间提供了多维度的展示和导航，为用户提供直观的档案浏览和智能检索体验。
本实施例中，将词频分布数据转换为词频向量，将每个词的词频作为向量的一个维度，
可以使用向量化技术，如词袋模型（Bag-of-Words）、TF-IDF（Term Frequency-Inverse Document Frequency）等方法将词频分布转化为向量表示，生成词频向量数据，将词频向量组织为可用于后续分析的数据结构，这可以是将词频向量表示为向量矩阵或其他形式的数据结构，利用词频向量数据对电子档案语义特征数据进行空间映射，将每个文档的语义特征表示为一个向量点，映射可以使用降维技术如主成分分析（PCA）、t-SNE（t-Distributed Stochastic Neighbor Embedding）等方法来减少维度并保留语义特征的结构，生成档案向量点，将每个文档的空间映射结果组织为可用于后续分析的数据结构，这可以是将档案向量点表示为向量矩阵或其他形式的数据结构，对档案向量点进行空间位置分析，了解向量点在多维空间中的分布情况，可以计算每个向量点的坐标、距离、密度等空间位置指标，生成档案向量点空间位置数据，将空间位置分析的结果组织为可用于后续分析和可视化的数据格式，这可以是将档案向量点空间位置表示为坐标数据、距离矩阵或其他形式的数据结构，对档案向量点进行相似度计算，衡量向量点之间的相似程度，可以使用相似度度量方法，如余弦相似度、欧氏距离等来计算向量点之间的相似度，生成向量点相似度数据，将相似度计算的结果组织为可用于后续分析和查询的数据结构，这可以是将相似度表示为相似度矩阵、相似度图或其他形式的数据结构，利用向量点相似度数据对档案向量点进行聚类簇划分，将相似的向量点分组成簇，可以使用聚类算法，如K-means、层次聚类（Hierarchical Clustering）等方法进行聚类簇划分，根据档案向量点空间位置数据，对档案聚类簇数据进行多维空间重构，可以使用可视化技术，如散点图、热力图、3D可视化等方法将档案聚类簇在多维空间中进行可视化展示，根据多维空间重构的结果，构建电子档案的多维空间表示，这可以是将多维空间表示为可交互的可视化界面、多维空间索引结构或其他形式的数据结构，以便用户浏览、查询和分析电子档案。
本实施例中，参考图4所述，为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：
步骤S31：对电子档案多维空间进行向量点动态关联分析，构建向量点动态关联网络；
步骤S32：对电子档案多维空间进行时序分析，以生成多维空间时序数据；
步骤S33：对多维空间时序数据进行时序形态变化分析，以生成空间时序形态变化数据；
步骤S34：根据向量点动态关联网络对空间时序形态变化数据进行时空演化模拟，以生成多维空间演化模拟数据；
步骤S35：对多维空间演化模拟数据进行演化趋势分析，从而得到多维空间时空演化规律。
本发明通过向量点动态关联分析，可以揭示档案数据中向量点之间的关联关系，包括相似性、相关性等，构建的向量点动态关联网络可以描述档案数据中不同向量点之间的关联网络结构，为后续的检索和推荐提供基础，时序分析可以了解档案数据在不同时间点的变化趋势和演化情况，生成的多维空间时序数据提供了档案数据在时间维度上的变化信息，为后续的时序形态变化分析和演化模拟提供依据，时序形态变化分析可以揭示档案数据在多维空间中的形态变化和趋势，生成的空间时序形态变化数据提供了档案数据在多维空间中的形态演化信息，为后续的时空演化模拟和趋势分析提供基础，时空演化模拟可以模拟档案数据在多维空间中的演化过程，包括形态变化、关联关系等，生成的多维空间演化模拟数据提供了档案数据在时空维度上的演化过程，为后续的演化趋势分析和智能检索提供依据，演化趋势分析可以揭示档案数据在多维空间中的演化规律和趋势，得到的多维空间时空演化规律可以为档案数据的智能检索提供指导，包括推荐相关档案、预测未来演化趋势等。
本实施例中，对电子档案多维空间中的向量点进行动态关联分析，探索向量点之间的关联关系和演化趋势，可以使用相关性分析、时间序列分析等方法来计算向量点之间的关联程度，基于向量点的动态关联性，构建向量点动态关联网络，向量点可以表示为网络的节点，动态关联可以表示为节点之间的边，对电子档案多维空间中的向量点进行时序分析，观察向量点在时间上的演化变化，可以计算向量点的时序特征，如均值、方差、趋势等，生成多维空间时序数据，将时序分析的结果组织为可用于后续分析和可视化的数据结构，这可以是将多维空间时序数据表示为时间序列、数据表格或其他形式的数据结构，对多维空间时序数据进行时序形态变化分析，探索数据在时序上的形态演化，可以使用形态学分析、模式识别等方法来提取时序数据的形态特征，生成空间时序形态变化数据，将形态变化分析的结果组织为可用于后续分析和可视化的数据结构，这可以是将时序形态变化数据表示为形态特征序列、形态变化图或其他形式的数据结构，根据向量点动态关联网络，对空间时序形态变化数据进行时空演化模拟，模拟向量点在多维空间中的演化过程，可以使用网络模型、模拟算法等方法来模拟向量点之间的时空演化关系，生成多维空间演化模拟数据，将时空演化模拟的结果组织为可用于后续分析和可视化的数据结构，这可以是将演化模拟数据表示为时间序列、多维空间演化图或其他形式的数据结构，对多维空间演化模拟数据进行演化趋势分析，探索数据的演化规律和趋势，可以使用统计分析、机器学习等方法来分析演化趋势，基于演化趋势分析的结果，可以得出多维空间时空演化的规律，这些规律可以是关于向量点之间的关系、演化趋势、周期性等方面的规律。
本实施例中，步骤S31的具体步骤为：
步骤S311：对电子档案多维空间进行内容关联分析，以生成多维空间内容关联数据；
步骤S312：对多维空间内容关联数据进行关联趋势分析，以生成关联强弱趋势数据；
步骤S313：对关联强弱趋势数据进行关联转移识别，以生成向量点关联转移数据；
步骤S314：利用向量点关联转移数据对电子档案多维空间进行空间跨度分析，以生成向量点空间跨度数据；
步骤S315：对向量点空间跨度数据进行向量点动态关联分析，以生成向量点动态关联数据；
步骤S316：对向量点动态关联数据进行关联网络拟合，构建向量点动态关联网络。
本发明通过内容关联分析可以揭示档案数据在多维空间中的内容之间的关联关系，包括语义相似性、主题相关性等，生成的多维空间内容关联数据提供了档案数据在内容维度上的关联信息，为后续的关联趋势分析和关联转移识别提供基础，关联趋势分析可以了解档案数据中内容关联的强弱变化趋势，生成的关联强弱趋势数据提供了档案数据中内容关联的动态变化信息，为后续的关联转移识别和空间跨度分析提供依据，关联转移识别可以发现档案数据中内容关联的转移模式和趋势，生成的向量点关联转移数据提供了档案数据中内容关联的转移信息，为后续的空间跨度分析和动态关联分析提供基础，空间跨度分析可以揭示档案数据中向量点在空间上的跨度和分布情况，生成的向量点空间跨度数据提供了档案数据中向量点的空间分布信息，为后续的向量点动态关联分析和关联网络拟合提供依据，向量点动态关联分析可以揭示档案数据中向量点之间的动态关联关系，包括关联强度、变化趋势等，生成的向量点动态关联数据提供了档案数据中向量点之间的动态关联信息，为后续的关联网络拟合和智能检索提供基础，关联网络拟合可以将档案数据中的动态关联信息转化为网络结构，用于表示和存储关联关系，构建的向量点动态关联网络提供了档案数据中向量点之间关联关系的模型，为电子档案的智能检索提供基础，包括关联推荐、相似档案发现等功能。
本实施例中，对电子档案多维空间中的内容进行关联分析，探索内容之间的关联关系，可以使用文本挖掘、自然语言处理等方法来提取和分析文本数据的关联性，生成多维空间内容关联数据，将内容关联分析的结果组织为可用于后续分析和处理的数据结构，这可以是将内容关联数据表示为关联矩阵、关联图或其他形式的数据结构，对多维空间内容关联数据进行关联趋势分析，观察关联关系的强弱和变化趋势，可以使用统计分析、时间序列分析等方法来分析关联趋势，生成关联强弱趋势数据，将关联趋势分析的结果转化为可用于后续分析和处理的数据结构，这可以是将关联强弱趋势数据表示为时间序列、趋势图或其他形式的数据结构，对关联强弱趋势数据进行关联转移识别，寻找关联关系的转移模式和规律，可以使用模式识别、机器学***均跨度等，生成向量点空间跨度数据，将空间跨度分析的结果组织为可用于后续分析和处理的数据结构，这可以是将空间跨度数据表示为向量点跨度序列、跨度图或其他形式的数据结构，对向量点空间跨度数据进行向量点动态关联分析，探索向量点之间的动态关联关系，可以使用相关性分析、时间序列分析等方法来计算向量点之间的动态关联程度。
本实施例中，步骤S35的具体步骤为：
步骤S351：对多维空间演化模拟数据进行时间活化曲线分析，以生成多维空间时间活化曲线；
步骤S352：根据多维空间时间活化曲线对电子档案多维空间进行结构复杂度演化分析，以生成多维空间结构复杂度演化数据；
步骤S353：对多维空间结构复杂度演化数据进行边缘效应检测，以生成边缘结构效应数据；
步骤S354：基于边缘结构效应数据对电子档案多维空间进行隐含关联分析，以生成多维空间隐含关联数据；
步骤S355：基于多维空间隐含关联数据对档案聚类簇数据进行区域时序变化分析，以生成聚类簇区域时序变化数据；
步骤S356：基于聚类簇区域时序变化数据对多维空间演化模拟数据进行演化趋势分析，从而得到多维空间时空演化规律。
本发明通过时间活化曲线分析可以揭示档案数据在多维空间中随时间演化的变化趋势，生成的多维空间时间活化曲线提供了档案数据在时间维度上的活化信息，可以帮助理解档案数据的时序关系和演化规律，结构复杂度演化分析可以评估档案数据在多维空间中的结构复杂度随时间的变化情况，生成的多维空间结构复杂度演化数据提供了档案数据结构演化的定量信息，可以帮助理解档案数据的结构变化和复杂度趋势，边缘效应检测可以揭示档案数据中边缘区域对整体结构的影响程度，生成的边缘结构效应数据提供了档案数据中边缘区域的重要性信息，可以帮助识别和理解档案数据中的关键结构边缘，隐含关联分析可以发现档案数据中潜在的关联关系，即使这些关联关系在原始数据中不明显，生成的多维空间隐含关联数据提供了档案数据中的隐含关联信息，可以帮助揭示档案数据之间的潜在联系和关联模式，区域时序变化分析可以探索档案数据中聚类簇区域随时间的演化和变化趋势，生成的聚类簇区域时序变化数据提供了档案数据中聚类簇区域的时空演化信息，可以帮助理解档案数据中聚类簇的时序特征和变化规律，演化趋势分析可以总结档案数据中多维空间的时空演化规律和趋势，通过对聚类簇区域时序变化数据的分析，可以得到档案数据在时空上的演化趋势，提供了关于档案数据时空特征的重要见解。
本实施例中，对多维空间演化模拟数据进行时间活化曲线分析，以观察不同维度的活动水平随时间的变化，可以使用时间序列分析、统计分析等方法计算和绘制多维空间的时间活化曲线，生成多维空间时间活化曲线，将时间活化曲线分析的结果组织为可用于后续分析和处理的数据结构，这可以是将时间活化曲线表示为时间序列数据、曲线图或其他形式的数据结构，基于多维空间时间活化曲线，对电子档案多维空间进行结构复杂度演化分析，以研究空间结构的复杂性变化，可以使用复杂网络分析、图论等方法来计算空间结构的复杂度指标，对多维空间结构复杂度演化数据进行边缘效应检测，识别空间结构中的边缘区域，可以使用边缘检测算法、聚类分析等方法来检测边缘效应，基于边缘结构效应数据，对电子档案多维空间进行隐含关联分析，发现潜在的关联关系，可以使用关联规则挖掘、聚类分析等方法来分析和提取空间中的隐含关联关系，生成多维空间隐含关联数据，将隐含关联分析的结果整理为可用于后续分析和处理的数据结续的数据结构，这可以是将隐含关联数据表示为关联规则、聚类簇标签或其他形式的数据结构，基于多维空间隐含关联数据，对档案聚类簇数据进行区域时序变化分析，研究不同聚类簇在时间上的演化变化，可以使用时间序列分析、聚类变化检测等方法来分析聚类簇区域的时序变化，基于聚类簇区域时序变化数据，对多维空间演化模拟数据进行演化趋势分析，揭示空间的时空演化规律，可以使用趋势分析、模式识别等方法来分析演化趋势和规律，根据演化趋势分析的结果，得到多维空间的时空演化规律，描述空间在时间上的变化模式和趋势，可以将时空演化规律表示为规则、模型或其他形式的描述。
本实施例中，步骤S4的具体步骤为：
步骤S41：利用多维空间时空演化规律对电子档案多维空间进行多层索引空间构建，构建动态多维时空档案空间；
步骤S42：对用户检索需求数据进行时空特征点转换，生成检索需求时空特征点；
步骤S43：利用检索需求时空特征点对动态多维时空档案空间进行模糊空间检索，以生成模糊空间检索数据；
步骤S44：对动态多维时空档案空间进行语义特征空间分布分析，生成语义特征空间分布数据；
步骤S45：基于模糊空间检索数据对语义特征空间分布数据进行检索范围分析，生成检索范围数据。
本发明通过多层索引空间构建利用多维空间时空演化规律，将电子档案数据按照不同的维度和时间进行组织和索引，提高了数据的检索效率，构建的动态多维时空档案空间能够适应档案数据的演化和变化，为智能检索提供了更加灵活和动态的数据存储和组织方式，时空特征点转换将用户的检索需求数据从文字或其他形式转化为具有时空属性的特征点，能够更好地表达用户的时空检索需求，生成的检索需求时空特征点提供了对用户检索需求的时空表示，为后续的模糊空间检索提供了输入数据，模糊空间检索利用检索需求时空特征点和动态多维时空档案空间的索引结构，通过模糊匹配和相似性度量，从档案空间中检索出与用户需求相关的数据，生成的模糊空间检索数据提供了与用户需求相匹配的档案数据集合，为进一步的分析和展示提供了基础，语义特征空间分布分析通过对动态多维时空档案空间中的数据进行语义解析和特征提取，分析数据在语义特征空间上的分布情况，揭示档案数据的语义关联性，生成的语义特征空间分布数据提供了档案数据在语义特征空间上的分布信息，为后续的检索范围分析提供了基础，检索范围分析根据模糊空间检索结果和语义特征空间分布数据，分析档案数据在语义特征空间上的分布范围，确定符合检索需求的数据范围，生成的检索范围数据提供了符合用户检索需求的档案数据的范围信息，可以用于结果过滤和展示，提高检索的准确性和效率。
本实施例中，利用之前得到的多维空间时空演化规律，对电子档案多维空间进行多层索引空间构建，可以使用空间分割算法（如四叉树、八叉树）或网格划分方法来构建多层索引空间，基于多层索引空间，构建动态多维时空档案空间，将电子档案数据映射到相应的空间区域，可以根据档案的时空属性将数据分布到不同的空间区域，形成动态的时空档案空间，获取用户的检索需求数据，该数据描述了用户对档案的时空特征点的要求，时空特征点可以包括时间范围、空间范围、关键词或其他用户感兴趣的属性，对用户检索需求数据进行时空特征点转换，将用户需求转化为可用于检索的时空特征点表示，可以将时间范围转化为时间段，将空间范围转化为空间坐标或空间区域等，根据时空特征点转换的结果，生成检索需求时空特征点，用于后续的模糊空间检索，检索需求时空特征点可以表示为时间段、空间坐标或其他形式的数据结构，利用检索需求时空特征点对动态多维时空档案空间进行模糊空间检索，获取与需求相匹配的档案数据，可以使用模糊检索算法（如模糊查询、模糊匹配）来实现模糊空间检索，根据模糊空间检索的结果，生成模糊空间检索数据，包括与检索需求匹配的档案数据，这些数据可以表示为档案的标识符、属性值或其他形式的数据结构，对动态多维时空档案空间进行语义特征空间分布分析，研究不同语义特征在空间中的分布情况，可以使用聚类分析、热力图分析等方法来分析语义特征空间的分布，根据语义特征空间分布分析的结果，生成语义特征空间分布数据，描述不同语义特征的空间分布情况，这些数据可以表示为语义特征与空间区域的关联、语义特征的分布密度或其他形式的数据结构，基于模糊空间检索数据，对语义特征空间分布数据进行检索范围分析，分析哪些语义特征在检索结果中更为集中或稀疏，以及它们在空间中的分布范围，根据检索范围分析的结果，生成检索范围数据，描述各个语义特征在空间中的检索范围，这些数据可以表示为语义特征与空间范围的关联、语义特征的密集区域或其他形式的数据结构。
本实施例中，步骤S5的具体步骤为：
步骤S51：利用检索范围数据对动态多维时空档案空间进行检索空间边界提取，得到档案检索空间；
步骤S52：对用户检索需求数据进行需求特征分析，以生成用户需求特征数据；
步骤S53：对用户需求特征数据进行检索关键特征分析，以生成检索关键特征数据；
步骤S54：根据检索关键特征数据对档案检索空间进行最优检索处理，以生成档案空间最优检索数据；
步骤S55：根据档案空间最优检索数据对动态多维时空档案空间进行迭代检索，以生成迭代检索空间路径数据。
本发明通过检索范围数据提供了符合用户检索需求的档案数据的范围信息，利用这些信息可以对动态多维时空档案空间进行边界提取，档案检索空间的边界提取有助于缩小检索范围，减少不相关的数据干扰，提高检索的准确性和效率，需求特征分析能够对用户的检索需求数据进行深入理解和解析，提取出其中的关键特征，生成的用户需求特征数据提供了用户检索需求的关键特征信息，为后续的检索处理提供了基础，检索关键特征分析通过对用户需求特征数据的进一步分析，提取出对于档案检索最为重要的特征，生成的检索关键特征数据提供了用于最优检索处理的关键特征信息，有助于提高检索结果的准确性和相关性，最优检索处理利用检索关键特征数据对档案检索空间进行筛选和排序，将与用户需求最相符合的数据排在前面，生成的档案空间最优检索数据提供了按照关键特征排序的档案数据集合，能够更好地满足用户的检索需求，迭代检索利用档案空间最优检索数据对动态多维时空档案空间进行迭代的检索，逐步提炼出符合用户需求的数据路径，生成的迭代检索空间路径数据提供了按照最优顺序排列的档案数据路径，为用户提供更加高效、精准的检索结果。
本实施例中，基于检索范围数据，提取动态多维时空档案空间的检索空间边界，这些边界可以是空间坐标的最小和最大范围，或者是表示空间区域的边界，根据检索空间边界提取的结果，得到档案检索空间，该空间定义了在检索过程中需要考虑的空间范围，对用户检索需求数据进行需求特征分析，提取和分析用户的关键需求特征，可以使用文本分析、关键词提取等技术来识别用户需求中的重要特征，根据需求特征分析的结果，生成用户需求特征数据，描述用户对档案的主要需求特征，这些数据可以表示为关键词列表、属性要求的数据结构或其他形式的数据，对用户需求特征数据进行检索关键特征分析，识别用户需求中的关键特征，这些特征可以是对档案进行检索时最重要的属性、关键词或其他标识，根据检索关键特征分析的结果，生成检索关键特征数据，描述用户需求中的关键特征，这些数据可以表示为关键词列表、属性要求的数据结构或其他形式的数据，基于检索关键特征数据，对档案检索空间进行最优检索处理，筛选出与关键特征相匹配的档案数据，可以使用各种检索算法（如倒排索引、相似性匹配）来实现最优检索处理，根据最优检索处理的结果，生成档案空间最优检索数据，包括与关键特征匹配的档案数据，这些数据可以表示为档案的标识符、属性值或其他形式的数据结构，基于档案空间最优检索数据，进行迭代检索操作以获取更精确的检索结果，可以根据用户需求、数据特征等因素，对档案空间进行迭代检索，根据迭代检索的结果，生成迭代检索空间路径数据，描述在档案空间中进行迭代检索的路径和顺序，这些数据可以表示为一系列的空间位置、时间步长或其他形式的路径数据。
本实施例中，步骤S6的具体步骤为：
步骤S61：对迭代检索空间路径数据进行检索演化分析，以生成迭代检索演化数据；
步骤S62：对迭代检索演化数据进行演化轨迹分析，以生成检索演化轨迹数据；
步骤S63：利用检索演化轨迹数据对动态多维时空档案空间进行检索路径优化决策，生成检索路径优化决策数据；
步骤S64：对检索路径优化决策数据进行图神经网络构建，构建档案检索知识图谱，以执行电子档案智能检索作业。
本发明通过检索演化分析对迭代检索空间路径数据进行深入研究和分析，探索其中的演化规律和变化趋势，生成的迭代检索演化数据提供了路径数据的演化信息，有助于理解档案数据的变化和演化过程，演化轨迹分析将迭代检索演化数据中的路径变化进行分析和整理，形成演化轨迹的数据表示，生成的检索演化轨迹数据提供了路径变化的时间序列信息，能够揭示档案数据的变化趋势和演化模式，检索路径优化决策基于检索演化轨迹数据，通过分析路径的演化趋势和历史数据，进行路径优化的决策制定，生成的检索路径优化决策数据提供了优化后的检索路径，能够提高检索效率和准确性，满足用户更精细化的检索需求，图神经网络构建基于检索路径优化决策数据，将数据转化为图结构，并进行图神经网络的训练和构建，构建的档案检索知识图谱能够存储和表示档案数据之间的关系和特征，为电子档案的智能检索提供更深入的理解和推理能力。
本实施例中，对迭代检索空间路径数据进行检索演化分析，探索路径数据中的演化模式和趋势，可以使用数据挖掘、统计分析等技术来分析路径数据的变化和演化，根据检索演化分析的结果，生成迭代检索演化数据，描述路径数据的演化特征和趋势，这些数据可以表示为演化模式、路径变化的统计指标或其他形式的数据，对迭代检索演化数据进行演化轨迹分析，研究演化数据中的轨迹和模式，可以使用数据可视化、聚类分析等技术来探索演化数据中的轨迹和模式，基于检索演化轨迹数据，进行检索路径优化决策，找到在动态多维时空档案空间中最优的检索路径，可以使用启发式算法、优化算法等方法来进行路径优化决策，根据检索路径优化决策的结果，生成检索路径优化决策数据，描述优化后的检索路径，这些数据可以表示为路径序列、路径优化指标或其他形式的数据，基于检索路径优化决策数据，构建图神经网络模型，用于建模档案检索任务中的知识和关系，可以使用图神经网络算法（如GCN、GAT）来构建模型，根据图神经网络模型，构建档案检索知识图谱，表示档案数据之间的关系和属性，这个知识图谱可以包含档案数据节点、属性节点和关系边，形成一个结构化的图数据表示，利用构建的档案检索知识图谱，进行电子档案的智能检索任务，可以使用图查询算法、知识图谱推理等方法来实现智能检索功能，根据用户的检索需求，通过查询知识图谱中的节点和边，找到符合条件的档案数据。
在本实施例中，提供一种电子档案智能检索***，用于执行如上所述的电子档案智能检索方法，包括：
词频分布模块，用于获取实时电子档案数据及用户检索需求数据；对实时电子档案数据进行语义特征分析，生成电子档案语义特征数据；对电子档案语义特征数据进行词频分布分析，以生成词频分布数据；
多维空间模块，用于对词频分布数据进行词频向量化，以生成词频向量数据；通过词频向量数据对电子档案语义特征数据进行空间映射，生成档案向量点；对档案向量点进行多维空间重构，以构建电子档案多维空间；
演化趋势模块，用于对电子档案多维空间进行向量点动态关联分析，以生成向量点动态关联网络； 对电子档案多维空间进行时序形态变化分析，以生成空间时序形态变化数据；根据向量点动态关联网络对空间时序形态变化数据进行演化趋势分析，从而得到多维空间时空演化规律；
检索范围模块，用于利用多维空间时空演化规律对电子档案多维空间进行多层索引空间构建，构建动态多维时空档案空间；对用户检索需求数据进行时空特征点转换，生成检索需求时空特征点；利用检索需求时空特征点对动态多维时空档案空间进行检索范围分析，生成检索范围数据；
检索空间路径模块，用于利用检索范围数据对动态多维时空档案空间进行检索空间边界提取，得到档案检索空间；对用户检索需求数据进行检索关键特征分析，以生成检索关键特征数据；根据检索关键特征数据对档案检索空间进行最优检索处理，以生成档案空间最优检索数据；根据档案空间最优检索数据对动态多维时空档案空间进行迭代检索，以生成迭代检索空间路径数据；
知识图谱模块，用于对迭代检索空间路径数据进行演化轨迹分析，以生成检索演化轨迹数据；利用检索演化轨迹数据对动态多维时空档案空间进行检索路径优化决策，生成检索路径优化决策数据；对检索路径优化决策数据进行图神经网络构建，构建档案检索知识图谱，以执行电子档案智能检索作业。
本发明通过词频分布模块获取实时电子档案数据及用户检索需求数据，为后续步骤提供数据基础，对实时电子档案数据进行语义特征分析，提取出档案数据的语义特征，例如关键词、主题等，对电子档案语义特征数据进行词频分布分析，统计每个词在档案数据中的出现频率，生成词频分布数据，多维空间模块对词频分布数据进行词频向量化，将每个词的词频转化为向量表示，生成词频向量数据，通过词频向量数据对电子档案语义特征数据进行空间映射，将语义特征数据映射到多维空间中，生成档案向量点，对档案向量点进行多维空间重构，将档案向量点在多维空间中重新组织和表示，构建电子档案的多维空间结构，演化趋势模块对电子档案多维空间进行向量点动态关联分析，分析不同向量点之间的关联关系，生成向量点动态关联网络，对电子档案多维空间进行时序形态变化分析，研究空间在时间上的变化规律，生成空间时序形态变化数据，基于向量点动态关联网络，对空间时序形态变化数据进行演化趋势分析，揭示多维空间的时空演化规律，如变化趋势、周期性等，检索范围模块利用多维空间时空演化规律对电子档案多维空间进行多层索引空间构建，构建动态多维时空档案空间，提供高效的检索范围，对用户检索需求数据进行时空特征点转换，将用户的检索需求转化为时空特征点，表示用户在多维空间中的检索需求位置，利用检索需求时空特征点对动态多维时空档案空间进行检索范围分析，确定与用户需求匹配的档案范围，生成检索范围数据，检索空间路径模块利用检索范围数据对动态多维时空档案空间进行检索空间边界提取，确定档案检索空间的边界，减少检索范围，提高检索效率，对用户检索需求数据进行检索关键特征分析，提取出用户检索需求的关键特征，如关键词、属性等，根据检索关键特征数据对档案检索空间进行最优检索处理，确定最佳的检索路径，生成档案空间最优检索数据，根据档案空间最优检索数据对动态多维时空档案空间进行迭代检索，按照最优路径逐步检索档案数据，生成迭代检索空间路径数据，知识图谱模块对迭代检索空间路径数据进行演化轨迹分析，研究路径的变化趋势和演化规律，生成检索演化轨迹数据，利用检索演化轨迹数据对动态多维时空档案空间进行检索路径优化决策，根据路径变化趋势优化检索路径，生成检索路径优化决策数据，对检索路径优化决策数据进行图神经网络构建，构建档案检索知识图谱，利用图神经网络的能力进行智能检索决策和推荐。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电子档案智能检索方法，其特征在于，包括以下步骤：
步骤S1：获取实时电子档案数据及用户检索需求数据；对实时电子档案数据进行语义特征分析，生成电子档案语义特征数据；对电子档案语义特征数据进行词频分布分析，以生成词频分布数据；
步骤S2：对词频分布数据进行词频向量化，以生成词频向量数据；通过词频向量数据对电子档案语义特征数据进行空间映射，生成档案向量点；对档案向量点进行多维空间重构，以构建电子档案多维空间；
步骤S3：对电子档案多维空间进行向量点动态关联分析，以生成向量点动态关联网络；对电子档案多维空间进行时序形态变化分析，以生成空间时序形态变化数据；根据向量点动态关联网络对空间时序形态变化数据进行演化趋势分析，从而得到多维空间时空演化规律；
步骤S4：利用多维空间时空演化规律对电子档案多维空间进行多层索引空间构建，构建动态多维时空档案空间；对用户检索需求数据进行时空特征点转换，生成检索需求时空特征点；利用检索需求时空特征点对动态多维时空档案空间进行检索范围分析，生成检索范围数据；
步骤S5：利用检索范围数据对动态多维时空档案空间进行检索空间边界提取，得到档案检索空间；对用户检索需求数据进行检索关键特征分析，以生成检索关键特征数据；根据检索关键特征数据对档案检索空间进行最优检索处理，以生成档案空间最优检索数据；根据档案空间最优检索数据对动态多维时空档案空间进行迭代检索，以生成迭代检索空间路径数据；
步骤S6：对迭代检索空间路径数据进行演化轨迹分析，以生成检索演化轨迹数据；利用检索演化轨迹数据对动态多维时空档案空间进行检索路径优化决策，生成检索路径优化决策数据；对检索路径优化决策数据进行图神经网络构建，构建档案检索知识图谱，以执行电子档案智能检索作业。
2.根据权利要求1所述的电子档案智能检索方法，其特征在于，步骤S1的具体步骤为：
步骤S11：获取实时电子档案数据及用户检索需求数据；
步骤S12：对实时电子档案数据进行元数据结构化处理，以电子档案结构化数据；
步骤S13：对电子档案结构化数据进行语义特征分析，生成电子档案语义特征数据；
步骤S14：对电子档案语义特征数据进行词频计算，以生成语义特征词频数据；
步骤S15：对语义特征词频数据进行词频分布分析，以生成词频分布数据。
3.根据权利要求1所述的电子档案智能检索方法，其特征在于，步骤S2的具体步骤为：
步骤S21：对词频分布数据进行词频向量化，以生成词频向量数据；
步骤S22：通过词频向量数据对电子档案语义特征数据进行空间映射，生成档案向量点；
步骤S23：对档案向量点进行空间位置分析，以生成档案向量点空间位置数据；
步骤S24：对档案向量点进行相似度计算，以生成向量点相似度数据；
步骤S25：通过向量点相似度数据对档案向量点进行聚类簇划分，以生成档案聚类簇数据；
步骤S26：根据档案向量点空间位置数据对档案聚类簇数据进行多维空间重构，以构建电子档案多维空间。
4.根据权利要求1所述的电子档案智能检索方法，其特征在于，步骤S3的具体步骤为：
步骤S31：对电子档案多维空间进行向量点动态关联分析，构建向量点动态关联网络；
步骤S32：对电子档案多维空间进行时序分析，以生成多维空间时序数据；
步骤S33：对多维空间时序数据进行时序形态变化分析，以生成空间时序形态变化数据；
步骤S34：根据向量点动态关联网络对空间时序形态变化数据进行时空演化模拟，以生成多维空间演化模拟数据；
步骤S35：对多维空间演化模拟数据进行演化趋势分析，从而得到多维空间时空演化规律。
5.根据权利要求4所述的电子档案智能检索方法，其特征在于，步骤S31的具体步骤为：
步骤S311：对电子档案多维空间进行内容关联分析，以生成多维空间内容关联数据；
步骤S312：对多维空间内容关联数据进行关联趋势分析，以生成关联强弱趋势数据；
步骤S313：对关联强弱趋势数据进行关联转移识别，以生成向量点关联转移数据；
步骤S314：利用向量点关联转移数据对电子档案多维空间进行空间跨度分析，以生成向量点空间跨度数据；
步骤S315：对向量点空间跨度数据进行向量点动态关联分析，以生成向量点动态关联数据；
步骤S316：对向量点动态关联数据进行关联网络拟合，构建向量点动态关联网络。
6.根据权利要求4所述的电子档案智能检索方法，其特征在于，步骤S35的具体步骤为：
步骤S351：对多维空间演化模拟数据进行时间活化曲线分析，以生成多维空间时间活化曲线；
步骤S352：根据多维空间时间活化曲线对电子档案多维空间进行结构复杂度演化分析，以生成多维空间结构复杂度演化数据；
步骤S353：对多维空间结构复杂度演化数据进行边缘效应检测，以生成边缘结构效应数据；
步骤S354：基于边缘结构效应数据对电子档案多维空间进行隐含关联分析，以生成多维空间隐含关联数据；
步骤S355：基于多维空间隐含关联数据对档案聚类簇数据进行区域时序变化分析，以生成聚类簇区域时序变化数据；
步骤S356：基于聚类簇区域时序变化数据对多维空间演化模拟数据进行演化趋势分析，从而得到多维空间时空演化规律。
7.根据权利要求1所述的电子档案智能检索方法，其特征在于，步骤S4的具体步骤为：
步骤S41：利用多维空间时空演化规律对电子档案多维空间进行多层索引空间构建，构建动态多维时空档案空间；
步骤S42：对用户检索需求数据进行时空特征点转换，生成检索需求时空特征点；
步骤S43：利用检索需求时空特征点对动态多维时空档案空间进行模糊空间检索，以生成模糊空间检索数据；
步骤S44：对动态多维时空档案空间进行语义特征空间分布分析，生成语义特征空间分布数据；
步骤S45：基于模糊空间检索数据对语义特征空间分布数据进行检索范围分析，生成检索范围数据。
8.根据权利要求1所述的电子档案智能检索方法，其特征在于，步骤S5的具体步骤为：
步骤S51：利用检索范围数据对动态多维时空档案空间进行检索空间边界提取，得到档案检索空间；
步骤S52：对用户检索需求数据进行需求特征分析，以生成用户需求特征数据；
步骤S53：对用户需求特征数据进行检索关键特征分析，以生成检索关键特征数据；
步骤S54：根据检索关键特征数据对档案检索空间进行最优检索处理，以生成档案空间最优检索数据；
步骤S55：根据档案空间最优检索数据对动态多维时空档案空间进行迭代检索，以生成迭代检索空间路径数据。
9.根据权利要求1所述的电子档案智能检索方法，其特征在于，步骤S6的具体步骤为：
步骤S61：对迭代检索空间路径数据进行检索演化分析，以生成迭代检索演化数据；
步骤S62：对迭代检索演化数据进行演化轨迹分析，以生成检索演化轨迹数据；
步骤S63：利用检索演化轨迹数据对动态多维时空档案空间进行检索路径优化决策，生成检索路径优化决策数据；
步骤S64：对检索路径优化决策数据进行图神经网络构建，构建档案检索知识图谱，以执行电子档案智能检索作业。
10.一种电子档案智能检索***，其特征在于，用于执行如权利要求1所述的电子档案智能检索方法，包括：
词频分布模块，用于获取实时电子档案数据及用户检索需求数据；对实时电子档案数据进行语义特征分析，生成电子档案语义特征数据；对电子档案语义特征数据进行词频分布分析，以生成词频分布数据；
多维空间模块，用于对词频分布数据进行词频向量化，以生成词频向量数据；通过词频向量数据对电子档案语义特征数据进行空间映射，生成档案向量点；对档案向量点进行多维空间重构，以构建电子档案多维空间；
演化趋势模块，用于对电子档案多维空间进行向量点动态关联分析，以生成向量点动态关联网络； 对电子档案多维空间进行时序形态变化分析，以生成空间时序形态变化数据；根据向量点动态关联网络对空间时序形态变化数据进行演化趋势分析，从而得到多维空间时空演化规律；
检索范围模块，用于利用多维空间时空演化规律对电子档案多维空间进行多层索引空间构建，构建动态多维时空档案空间；对用户检索需求数据进行时空特征点转换，生成检索需求时空特征点；利用检索需求时空特征点对动态多维时空档案空间进行检索范围分析，生成检索范围数据；
检索空间路径模块，用于利用检索范围数据对动态多维时空档案空间进行检索空间边界提取，得到档案检索空间；对用户检索需求数据进行检索关键特征分析，以生成检索关键特征数据；根据检索关键特征数据对档案检索空间进行最优检索处理，以生成档案空间最优检索数据；根据档案空间最优检索数据对动态多维时空档案空间进行迭代检索，以生成迭代检索空间路径数据；
知识图谱模块，用于对迭代检索空间路径数据进行演化轨迹分析，以生成检索演化轨迹数据；利用检索演化轨迹数据对动态多维时空档案空间进行检索路径优化决策，生成检索路径优化决策数据；对检索路径优化决策数据进行图神经网络构建，构建档案检索知识图谱，以执行电子档案智能检索作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410482666.9A CN118069791B (zh) | 2024-04-22 | 2024-04-22 | 一种电子档案智能检索方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410482666.9A CN118069791B (zh) | 2024-04-22 | 2024-04-22 | 一种电子档案智能检索方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118069791A CN118069791A (zh) | 2024-05-24 |
| CN118069791B true CN118069791B (zh) | 2024-07-05 |
Family
ID=91106080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410482666.9A Active CN118069791B (zh) | 2024-04-22 | 2024-04-22 | 一种电子档案智能检索方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118069791B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575011A (zh) * | 2023-12-06 | 2024-02-20 | 深圳市万恒科技有限公司 | 一种基于大数据的客户数据管理方法及*** |
| CN117763076A (zh) * | 2023-12-19 | 2024-03-26 | 湖南领众档案管理有限公司 | 基于云计算的档案检索方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635273B (zh) * | 2018-10-25 | 2023-04-25 | 平安科技（深圳）有限公司 | 文本关键词提取方法、装置、设备及存储介质 |
-
2024
- 2024-04-22 CN CN202410482666.9A patent/CN118069791B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575011A (zh) * | 2023-12-06 | 2024-02-20 | 深圳市万恒科技有限公司 | 一种基于大数据的客户数据管理方法及*** |
| CN117763076A (zh) * | 2023-12-19 | 2024-03-26 | 湖南领众档案管理有限公司 | 基于云计算的档案检索方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118069791A (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2009134755A2 (en) | Adaptive knowledge platform | |
| WO2004013774A2 (en) | Search engine for non-textual data | |
| WO2004013772A2 (en) | System and method for indexing non-textual data | |
| US20220382733A1 (en) | Methods And Systems For Extracting And Visualizing Patterns In Large-Scale Data Sets | |
| Rao | Data mining and clustering techniques | |
| CN101211344A (zh) | 文本信息遍历的快速四维可视化方法 | |
| US10275501B2 (en) | System and method for multi-dimensional data representation of objects | |
| CN115934990A (zh) | 基于内容理解的遥感影像推荐方法 | |
| Drakopoulos et al. | Higher order graph centrality measures for Neo4j | |
| CN116611546A (zh) | 基于知识图谱的目标研究区域滑坡预测方法及*** | |
| CN117575011B (zh) | 一种基于大数据的客户数据管理方法及*** | |
| Babur et al. | Towards statistical comparison and analysis of models | |
| CN118069791B (zh) | 一种电子档案智能检索方法及*** | |
| Viaud et al. | Interactive components for visual exploration of multimedia archives | |
| Pushpalatha et al. | A tree based representation for effective pattern discovery from multimedia documents | |
| Yangui et al. | DW4SN: A Tool for Dynamic Data Warehouse Building from Social Network. | |
| Pushpalatha et al. | Multimedia Document Mining using Sequential Multimedia Feature Patterns | |
| Rahman et al. | An efficient approach for web mining using semantic web | |
| Hakeem | A framework for combining software patterns with semantic web for unstructured data analysis | |
| Meng | Machine Learning for Aviation Data | |
| CN117876104A (zh) | 一种基于ai语言模型的智能信贷管控方法及*** | |
| Wachowicz | The role of geographic visualisation and knowledge discovery in spatio-temporal data modelling | |
| Zhu et al. | Human motion retrieval using topic model | |
| Behera | IMAGE MINING: STUDY OF IMAGE RETRIEVAL AND IMAGE PROCESSING TECHNIQUES USING DATA MINING | |
| Rao | Discovering Knowledge Hidden in Big Data From Machine-Learning Techniques |
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 |