CN107291800A - 一种基于关联发现的知识图谱Horn规则挖掘方法 - Google Patents

一种基于关联发现的知识图谱Horn规则挖掘方法 Download PDF

Info

Publication number
CN107291800A
CN107291800A CN201710326929.7A CN201710326929A CN107291800A CN 107291800 A CN107291800 A CN 107291800A CN 201710326929 A CN201710326929 A CN 201710326929A CN 107291800 A CN107291800 A CN 107291800A
Authority
CN
China
Prior art keywords
rule
horn
mrow
rules
regular
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
Application number
CN201710326929.7A
Other languages
English (en)
Inventor
陈华钧
陈曦
张宁豫
吴朝晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201710326929.7A priority Critical patent/CN107291800A/zh
Publication of CN107291800A publication Critical patent/CN107291800A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Devices For Executing Special Programs (AREA)

Abstract

本发明公开了一种基于关联发现的知识图谱Horn规则挖掘方法，包括(1)输入一个三元组格式的知识图谱，初始化Horn规则配置参数；(2)从知识图谱中选择n个需要进行挖掘的关系，并将n个不含规则体的空Horn规则放入目标规则集合中；(3)在目标规则集合中取一个空Horn规则，从知识图谱中抽取所有的具有推导出空Horn规则所对应的挖掘关系可能性的规则体，将满足条件的由规则体与空Horn规则组成的Horn规则输出；(4)判断集合中的空Horn规则的个数是否为0，若是，结束Horn规则的挖掘，若否，执行步骤(3)。该方法实现了知识图谱Horn规则的自动学习。

Description

一种基于关联发现的知识图谱Horn规则挖掘方法
技术领域
本发明属于知识图谱和数据库领域，具体涉及一种基于关联发现的知识图谱Horn规则挖掘方法。
背景技术
近年来，随着大规模知识图谱如YAGO、Freebase、Wikidata等的不断出现，基于知识图谱的应用场景也随之逐步扩增到各个领域中，包括智能问答、语义搜索等，它可以提供更加直接的回答服务，搜索引擎也可以利用知识图谱精准地返回用户搜索的答案等。
然而，知识图谱并不完整，需要对知识图谱进行挖掘和补充，基于知识图谱的规则挖掘越来越得到人们的重视，一方面自动规则学习能够帮助刻画和推理图谱中的语义关系，同时也可以通过规则丰富知识图谱。安全、封闭的horn规则具有较强的表达能力，可以反映知识图谱大多数语义信息，同时其规则体和规则头具有良好的定义标准，因此可以兼顾表达能力和规则复杂性两方面要求。
发明内容
有鉴于此，本发明提供了一种基于关联发现的知识图谱Horn规则挖掘方法。相比其他方法，本发明实现了知识图谱Horn规则的自动学习，而且可以提供灵活的配置参数以适应各种不同类型知识图谱。
一种基于关联发现的知识图谱Horn规则挖掘方法，包括以下步骤：
(1)输入一个三元组格式的知识图谱，初始化Horn规则配置参数；
(2)从知识图谱中选择n个需要进行挖掘的关系，并将n个不含规则体的空Horn规则放入目标规则集合中，此处，每个空Horn规则包含一种挖掘关系；
(3)在目标规则集合中取一个空Horn规则，从知识图谱中抽取所有的具有推导出空Horn规则所对应的挖掘关系可能性的规则体，将满足条件的由规则体与空Horn规则组成的Horn规则输出至挖掘结果集合中；
(4)判断目标规则的集合中的空Horn规则的个数是否为0，若是，结束Horn规则的挖掘，若否，执行步骤(3)。
所述步骤(1)中，所述的Horn规则配置参数是多维度的，包括：规则长度、规则置信度以及规则覆盖度。更具体地说是包括：最小规则覆盖度、最大规则长度以及最小规则置信度。Horn规则的配置参数可以灵活地定义挖掘规则的各个条件，并将Horn规则应用到多种可能的场景中去。
所述的规则长度指的是每个空Horn规则中，能够添加的规则体的最大个数；每个规则体就是一个三元组。
所述的规则覆盖度通过公式(1)计算得到：
其中，hc(B＝>r(x,y))表示规则覆盖度，B＝>r(x,y)表示Horn规则，B表示规则体，r(x,y)表示由主语x、宾语y以及关系r组成规则头，size(r)表示Horn规则B＝>r(x,y)的规则头r(x,y)对应关系的所有事实个数，且size(r)＝#(x′,y′)：r(x′,y′)；sup(B＝>r(x,y))为规则支持度，通过公式(2)计算得到：
其中，z1,…,zm表示自由变元，m表示自由变元的个数，规则支持度sup表示Horn规则B＝>r(x,y)在知识图谱中命中三元组事实的个数，注意这里只考虑规则头主语和宾语所对应的事实个数。
公式(1)考虑了知识图谱中关系的长尾可能，有效地解决了某些关系实例出现较少的情况。
所述的规则置信度通过公式(3)计算得到：
其中，conf(B＝>r(x,y))表示规则置信度，规则置信度表示规则的可信程度(模糊度)，是知识图谱中命中三元组正确事实的个数与总命中个数的比值；y′表示通过部分完整假设(Partial Completeness Assumption，PCA)假设所计算得到的规则头所有可能的宾语。
本发明的规则置信度的计算不同于传统封闭世界假设的计算方法，公式(3)考虑了知识图谱的自身特点，提出了一种基于部分完整假设的计算方法，这可以有效地进行非封闭世界负样本的判断方法，提高规则的质量。
步骤(2)中，每一个需要进行挖掘的关系实际上是一个规则头，是通过规则体推出的规则头，每个不含规则体的空Horn规则中都包含一种规则头。
步骤(3)执行的过程实际是将挖掘得到的能够推出一个规则头的所有规则体分别与该规则头组成的Horn规则输出。
步骤(3)的具体过程为：
(3-1)在目标规则集合中取一个空Horn规则；
(3-2)并从知识图谱中抽取一个规则长度小于Horn规则配置参数中最大规则长度的规则体添加至该空Horn规则中，形成当前Horn规则；
(3-3)判断当前Horn规则是否为封闭的，若是，执行步骤(3-4)，若否，将当前Horn规则剪枝过滤掉，并返回false；
(3-4)判断当前Horn规则的置信度是否大于Horn规则配置参数中的最小规则置信度，若是，执行步骤(3-5)，若否，将当前Horn规则剪枝过滤掉，返回false；
(3-5)判断当前Horn规则的所有父规则的置信度是否都小于当前Horn规则的置信度，若是，执行步骤(3-6)，若否，将当前Horn规则剪枝过滤掉，返回false；
(3-6)输出当前Horn规则至挖掘结果集合中；
(3-7)判断知识图谱中是否具有推导出空Horn规则所对应的挖掘关系可能性的规则体，若是，跳转执行步骤(3-2)，若否，结束本步骤。
步骤(3-2)中，所述的规则体包括：包含新变量的规则体、不含新变量的封闭规则体、变量实例化的规则体。
所述包含新变量的规则体：规则体中包含了一个不在原规则中出现的新变量，例如：
原规则：
新规则：
B(Z，Y)就表示新变量的规则体。
所述不含新变量的封闭规则体：规则体中包含了一个使得原规则变得封闭的变量，例如：
原规则：
新规则：
B(Z，Y)就表示不含新变量的规则体；
所述变量实例化的规则体：规则体中包含了一个实例化的实体和一个共享变量，例如
原规则：
新规则：
B(X，a)就表示不含新变量的规则体，a是一个实例化的实体。
步骤(3-5)中，父规则理解为：
规则1:
规则2:
称规则2是规则1的父规则。当提取到规则1的时候，要求规则1的置信度比它所有父规则的置信度都大，如果不满足这个条件，规则1将会被舍弃。这是因为，如果子规则的复杂度比父规更大，如果子规则相对于父规则不能带来置信度的提升，那么子规则将会没有意义。
传统的规则挖掘算法面对非封闭世界假设的知识图谱具有重大缺陷，而本发明提出了新颖的面向知识图谱规则发现计算标准和方法，可以自动的挖掘知识图谱中的Horn规则。具体的优势体现如下：
(1)本发明提出了更加有效的判断知识图谱中规则有效性的度量方法，从而帮助提取更加具有语义表达意义的规则集合。
(2)本发明设计了规则体增加的多种方法和流程，可以覆盖所有可能的规则集合，同时通过设定相应的剪枝条件，使得规则挖掘的性能大大提高。
附图说明
图1是本发明基于关联发现的知识图谱Horn规则挖掘方法的流程图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
参见图1，本发明基于关联发现的知识图谱Horn规则挖掘方法，包括以下步骤：
S01，输入一个三元组格式的知识图谱，初始化Horn规则配置参数。
Horn规则配置参数为规则长度、规则置信度以及规则覆盖度，此初始化地是最小规则覆盖度、最大规则长度以及最小规则置信度，这些参数可以灵活地定义挖掘规则的各个条件，并将Horn规则应用到多种可能的场景中去。
规则长度指的是每个空Horn规则中，能够添加的规则体的最大个数；每个规则体就是一个三元组。
规则覆盖度通过公式(1)计算得到：
其中，hc(B＝>r(x,y))表示规则覆盖度，B＝>r(x,y)表示Horn规则，B表示规则体，r(x,y)表示由主语x、宾语y以及关系r组成规则头，size(r)表示Horn规则B＝>r(x,y)的规则头r(x,y)对应关系的所有事实个数，且size(r)＝#(x′,y′)：r(x′,y′)；sup(B＝>r(x,y))为规则支持度，通过公式(2)计算得到：
其中，z1,…,zm表示自由变元，m表示自由变元的个数，规则支持度sup表示Horn规则B＝>r(x,y)在知识图谱中命中三元组事实的个数，注意这里只考虑规则头主语和宾语所对应的事实个数。
公式(1)考虑了知识图谱中关系的长尾可能，有效地解决了某些关系实例出现较少的情况。
规则置信度通过公式(3)计算得到：
其中，conf(B＝>r(x,y))表示规则置信度，规则置信度表示规则的可信程度(模糊度)，是知识图谱中命中三元组正确事实的个数与总命中个数的比值；y′表示通过部分完整假设(Partial Completeness Assumption，PCA)假设所计算得到的规则头所有可能的宾语。
规则置信度的计算不同于传统封闭世界假设的计算方法，公式(3)考虑了知识图谱的自身特点，提出了一种基于部分完整假设的计算方法，这可以有效地进行非封闭世界负样本的判断方法，提高规则的质量。
S02，从知识图谱中选择n个需要进行挖掘的关系，并将n个不含规则体的空Horn规则放入目标规则集合中，此处，每个空Horn规则包含一种挖掘关系。
每一个需要进行挖掘的关系实际上是一个规则头，是通过规则体推出的规则头，每个不含规则体的空Horn规则中都包含一种规则头。
S03，在目标规则集合中取一个空Horn规则。
S04，并从知识图谱中抽取一个规则长度小于Horn规则配置参数中最大规则长度的规则体添加至该空Horn规则中，形成当前Horn规则。
本步骤中，添加的规则体包括：包含新变量的规则体、不含新变量的封闭规则体、变量实例化的规则体。
S05，判断当前Horn规则是否为封闭的，若是，执行S06，若否，将当前Horn规则剪枝过滤掉，并返回false。
S06，判断当前Horn规则的置信度是否大于Horn规则配置参数中的最小规则置信度，若是，执行S07，若否，将当前Horn规则剪枝过滤掉，返回false。
S07，判断当前Horn规则的所有父规则的置信度是否都小于当前Horn规则的置信度，若是，执行S08，若否，将当前Horn规则剪枝过滤掉，返回false。
本步骤中，父规则理解为：
规则1:
规则2:
称规则2是规则1的父规则。当提取到规则1的时候，要求规则1的置信度比它所有父规则的置信度都大，如果不满足这个条件，规则1将会被舍弃。这是因为，如果子规则的复杂度比父规更大，如果子规则相对于父规则不能带来置信度的提升，那么子规则将会没有意义。
S08，输出当前Horn规则至挖掘结果集合中。
S09，判断知识图谱中是否具有推导出空Horn规则所对应的挖掘关系可能性的规则体，若是，跳转执行S04，若否，执行S10。
S10，判断目标规则的集合中的空Horn规则的个数是否为0，若是，结束Horn规则的挖掘，若否，执行S03。
实施例
本实施例以挖掘关系为属性为居住地的Horn规则为例。
首先将以三元组表示的规则头(A，居住地，B)放入目标规则集合中，同时输入相应的知识图谱，初始化好规则最小覆盖度、规则最大长度和规则最小置信度。
然后增加不含新变量的封闭规则体，在知识图谱里面进行查询得出同时包含变量A和B的所有可能关系，通过规则判定条件判断是否这个规则满足条件，例如得出一个满足条件的规则体(A,出生在,B)，此时将这个规则体和规则头输出作为一条Horn规则。
接下来增加包含规则头其中一个变量实例化的规则体，判断此时的规则是否满足条件。
最后增加包含一个新变量和一个共享变量的规则体，在又添加了一个封闭规则体后，可以得出新的规则体，例如(A,夫妻,C)和(C，居住地，B)。
按照这几种方式进行循环挖掘，就可以得到所有满足条件的关于居住地的Horn规则，同样的其他类型的规则头也按照这种方式进行挖掘。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于关联发现的知识图谱Horn规则挖掘方法，包括以下步骤：
(1)输入一个三元组格式的知识图谱，初始化Horn规则配置参数；
(2)从知识图谱中选择n个需要进行挖掘的关系，并将n个不含规则体的空Horn规则放入目标规则集合中，此处，每个空Horn规则包含一种挖掘关系；
(3)在目标规则集合中取一个空Horn规则，从知识图谱中抽取所有的具有推导出空Horn规则所对应的挖掘关系可能性的规则体，将满足条件的由规则体与空Horn规则组成的Horn规则输出至挖掘结果集合中；
(4)判断目标规则的集合中的空Horn规则的个数是否为0，若是，结束Horn规则的挖掘，若否，执行步骤(3)。
2.如权利要求1所述的基于关联发现的知识图谱Horn规则挖掘方法，其特征在于，所述的Horn规则配置参数包括：规则长度、规则置信度以及规则覆盖度。
3.如权利要求2所述的基于关联发现的知识图谱Horn规则挖掘方法，其特征在于，所述的Horn规则配置参数包括：最小规则覆盖度、最大规则长度以及最小规则置信度。
4.如权利要求3所述的基于关联发现的知识图谱Horn规则挖掘方法，其特征在于，所述的规则覆盖度通过公式(1)计算得到：
<mrow> <mi>h</mi> <mi>c</mi> <mrow> <mo>(</mo> <mi>B</mi> <mo>=</mo> <mo>&gt;</mo> <mi>r</mi> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>:</mo> <mo>=</mo> <mfrac> <mrow> <mi>s</mi> <mi>u</mi> <mi>p</mi> <mrow> <mo>(</mo> <mi>B</mi> <mo>=</mo> <mo>&gt;</mo> <mi>r</mi> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow> <mrow> <mi>s</mi> <mi>i</mi> <mi>z</mi> <mi>e</mi> <mrow> <mo>(</mo> <mi>r</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中，hc(B＝>r(x,y))表示规则覆盖度，B＝>r(x,y)表示Horn规则，B表示规则体，r(x,y)表示由主语x、宾语y以及关系r组成规则头，size(r)表示Horn规则B＝>r(x,y)的规则头r(x,y)对应关系的所有事实个数，且size(r)＝#(x′,y′)：r(x′,y′)；sup(B＝>r(x,y))为规则支持度，通过公式(2)计算得到：
<mrow> <mi>s</mi> <mi>u</mi> <mi>p</mi> <mrow> <mo>(</mo> <mi>B</mi> <mo>=</mo> <mo>&gt;</mo> <mi>r</mi> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>:</mo> <mo>=</mo> <mo>#</mo> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>:</mo> <mo>&amp;Exists;</mo> <msub> <mi>z</mi> <mn>1</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>z</mi> <mi>m</mi> </msub> <mo>:</mo> <mi>B</mi> <mo>&amp;cap;</mo> <mi>r</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中，z1,…,zm表示自由变元，m表示自由变元的个数。
5.如权利要求4所述的基于关联发现的知识图谱Horn规则挖掘方法，其特征在于，所述的规则置信度通过公式(3)计算得到：
其中，conf(B＝>r(x,y))表示规则置信度，y′表示通过PCA假设所计算得到的规则头所有可能的宾语。
6.如权利要求5所述的基于关联发现的知识图谱Horn规则挖掘方法，其特征在于，步骤(3)的具体过程为：
(3-1)在目标规则集合中取一个空Horn规则；
(3-2)并从知识图谱中抽取一个规则长度小于Horn规则配置参数中最大规则长度的规则体添加至该空Horn规则中，形成当前Horn规则；
(3-3)判断当前Horn规则是否为封闭的，若是，执行步骤(3-4)，若否，将当前Horn规则剪枝过滤掉，并返回false；
(3-4)判断当前Horn规则的置信度是否大于Horn规则配置参数中的最小规则置信度，若是，执行步骤(3-5)，若否，将当前Horn规则剪枝过滤掉，返回false；
(3-5)判断当前Horn规则的所有父规则的置信度是否都小于当前Horn规则的置信度，若是，执行步骤(3-6)，若否，将当前Horn规则剪枝过滤掉，返回false；
(3-6)输出当前Horn规则至挖掘结果集合中；
(3-7)判断知识图谱中是否具有推导出空Horn规则所对应的挖掘关系可能性的规则体，若是，跳转执行步骤(3-2)，若否，结束本步骤。
7.如权利要求1所述的基于关联发现的知识图谱Horn规则挖掘方法，其特征在于，所述的规则体包括：包含新变量的规则体、不含新变量的封闭规则体、变量实例化的规则体。
CN201710326929.7A 2017-05-10 2017-05-10 一种基于关联发现的知识图谱Horn规则挖掘方法 Pending CN107291800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710326929.7A CN107291800A (zh) 2017-05-10 2017-05-10 一种基于关联发现的知识图谱Horn规则挖掘方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710326929.7A CN107291800A (zh) 2017-05-10 2017-05-10 一种基于关联发现的知识图谱Horn规则挖掘方法

Publications (1)

Publication Number Publication Date
CN107291800A true CN107291800A (zh) 2017-10-24

Family

ID=60095133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710326929.7A Pending CN107291800A (zh) 2017-05-10 2017-05-10 一种基于关联发现的知识图谱Horn规则挖掘方法

Country Status (1)

Country Link
CN (1) CN107291800A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753570A (zh) * 2019-01-11 2019-05-14 中山大学 一种基于Horn逻辑与图神经网络的场景图谱向量化方法
CN111144570A (zh) * 2019-12-27 2020-05-12 福州大学 一种联合逻辑规则和置信度的知识表示方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753570A (zh) * 2019-01-11 2019-05-14 中山大学 一种基于Horn逻辑与图神经网络的场景图谱向量化方法
CN111144570A (zh) * 2019-12-27 2020-05-12 福州大学 一种联合逻辑规则和置信度的知识表示方法
CN111144570B (zh) * 2019-12-27 2022-06-21 福州大学 一种联合逻辑规则和置信度的知识表示方法

Similar Documents

Publication Publication Date Title
CN106778684A (zh) 深度神经网络训练方法及人脸识别方法
CN104036786B (zh) 一种语音降噪的方法及装置
CN107704877A (zh) 一种基于深度学习的图像隐私感知方法
CN106682906B (zh) 一种风险识别、业务处理方法和设备
CN107291800A (zh) 一种基于关联发现的知识图谱Horn规则挖掘方法
CN103970733B (zh) 一种基于图结构的中文新词识别方法
CN105843875A (zh) 一种面向智能机器人的问答数据处理方法及装置
WO2012162202A2 (en) Dual-phase red eye correction
CN109887047B (zh) 一种基于生成式对抗网络的信号-图像翻译方法
CN103119625B (zh) 一种视频人物分割的方法及装置
CN108268603A (zh) 一种基于核心成员识别的社区发现方法
CN107808194A (zh) 一种基于Rete推理网络的复合推理方法
CN108268460A (zh) 一种基于大数据的自动选择最优模型的方法
CN106815588A (zh) 垃圾图片过滤方法及装置
CN113221109A (zh) 一种基于生成对抗网络的恶意文件智能分析方法
CN102063497B (zh) 一种开放式知识共享平台及其词条处理方法
CN117851573B (zh) 基于动态知识图谱的虚拟主播智能闲聊系统
CN112668723B (zh) 一种机器学习方法及系统
CN109286622A (zh) 一种基于学习规则集的网络入侵检测方法
CN117278512A (zh) 即时通信数据处理方法及装置、存储介质、终端设备
CN118140231A (zh) 在图神经网络中的自适应扩散
CN105574865A (zh) 基于改进蚁群算法提取睫毛的方法
CN109856979B (zh) 环境调节方法、系统、终端及介质
CN117131460A (zh) 一种电信欺诈账户识别模型训练方法、装置、设备及介质
CN112434547A (zh) 一种用户身份稽核方法和设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171024