CN108009229A - 舆情事件数据发现的方法、终端设备及存储介质 - Google Patents
舆情事件数据发现的方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN108009229A CN108009229A CN201711224272.XA CN201711224272A CN108009229A CN 108009229 A CN108009229 A CN 108009229A CN 201711224272 A CN201711224272 A CN 201711224272A CN 108009229 A CN108009229 A CN 108009229A
- Authority
- CN
- China
- Prior art keywords
- public sentiment
- sentiment event
- text data
- rdf
- data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
- G06F16/986—Document structures and storage, e.g. HTML extensions
-
- 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
Abstract
本发明公开一种基于RDF知识库的舆情事件数据发现的方法,包括如下步骤,S1:根据描述舆情事件的要素,构建至少包括人物、地点和组织的多个实体(即要素)的多维度的RDF实体库,进入S2步骤;S2:依据RDF实体库,从各个维度对需要进行舆情事件数据发现的网络文本数据,使用隐马尔科夫模型对网络文本数据中命中的实体进行判断,获得包含有该网络文本数据在各个维度中命中的实体及其相关信息的结构化的文本数据,进入S3步骤;S3:根据用户输入的舆情事件条件,对S2中获得的结构化的文本数据进行舆情事件条件匹配,并将匹配到的结构化的文本数据,作为相关的舆情事件数据,进入S4步骤;S4:将相关的舆情事件数据返回给用户。
Description
技术领域
本发明涉及信息处理技术领域,具体是一种基于RDF知识库的舆情事件数据发现的方法、终端设备及存储介质。
背景技术
爆发式增长的互联网数据对数据的分析提出了更多和更高的要求。文本分析和挖掘技术是目前被广泛应用的技术,通过相应的技术和方法对文本的语义内容进行抽取,从而对文本进行分类聚类等一系列操作,进而用于商品推荐、舆情数据发现、文本搜索等领域。
在舆情数据发现中,首先需要从网络数据中获取事件的基本要素,在语义层面描述舆情,进而进行相关的分析。其中,数据的语义信息可以通过几个基本要素来描述,例如人物、地点、行为等。从舆情文本数据中抽取这些基本要素(实体),在构建数据摘要和事件检索中都有着重要的作用,在此基础上进行舆情数据发现能取得显著的效果。
目前,舆情数据发现方法主要是基于关键词匹配来实现数据摘要的构建和事件检索等功能,此类方法存在准确率和召回率都较为低下的问题。
发明内容
为了解决上述问题,本发明提供一种基于RDF知识库的舆情事件数据发现的方法、终端设备及存储介质,在传统方法的基础上,使用RDF(Resource Description Framework)资源描述框架来构建一个用户可配置的实体知识库(知识库),通过RDF来描述实体资源之间的联系,在此基础上实现舆情基本要素的抽取。
本发明一种基于RDF知识库的舆情事件数据发现的方法,包括如下步骤:
S1:RDF实体库构建:根据描述舆情事件的要素,构建至少包括人物、地点和组织的多个实体(即要素)的多维度的RDF实体库,进入S2步骤;
S2:将网络文本数据处理成结构化的文本数据:依据S1中构建的RDF实体库,从各个维度对需要进行舆情事件数据发现的网络文本数据,使用隐马尔科夫模型对网络文本数据中命中的实体进行判断,获得包含有该网络文本数据在各个维度中命中的实体及其相关信息的结构化的文本数据,进入S3步骤;
S3:舆情事件数据发现:根据用户输入的舆情事件条件,对S2中获得的结构化的文本数据进行舆情事件条件匹配,并将匹配到的结构化的文本数据,作为相关的舆情事件数据,进入S4步骤;
S4:将相关的舆情事件数据,返回给用户。
进一步的,S1中,使用概念模型建模工具Ontology来定义和描述RDF实体库中的实体的概念和概念之间的关系。
进一步的,S2中,使用隐马尔科夫模型对网络文本数据中命中的实体进行判断,具体为:计算网络文本数据中出现的RDF实体库中各个维度的实体及其相关信息的概率,并根据概率的大小对各个维度的实体进行排序,并与相应的文本数据进行关联。
进一步的,S3中,还包括,根据匹配到的结构化的文本数据,获得相对应的网络文本数据,作为相关的舆情事件数据。
本发明一种基于RDF知识库的舆情事件数据发现的终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现基于RDF知识库的舆情事件数据发现的方法的步骤。
本发明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程序,所述计算机程序被处理器执行时实现基于RDF知识库的舆情事件数据发现的方法的步骤。
本发明的有益效果:
通过多个维度的实体的相关信息来命中实体,因而大大提高了实体抽取的召回率,从而提高了舆情数据发现的召回率。此外,实体概率的计算能在一定程度上对实体进行消歧,而且本方法能结合各个维度的实体对舆情数据进行发现,所以也在一定程度上提高了舆情数据发现的准确率。此外,基于RDF的知识库的构造简单,具有良好的扩展性。
附图说明
图1为本发明实施例一的方法流程图;
图2a为本发明实施例的人物Ontology的概念及其关系示意图;
图2b为本发明实施例的地点Ontology的概念及其关系示意图;
图2c为本发明实施例的组织Ontology的概念及其关系示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
请参阅图1-图2所示,本发明提供了一种基于RDF知识库的舆情事件数据发现的方法,在传统方法的基础上,使用RDF(Resource Description Framework)资源描述框架来构建一个用户可配置的实体知识库(知识库),通过RDF来描述实体资源之间的联系,在此基础上实现舆情基本要素的抽取。
一方面,由于实体之间存在大量联系,在匹配资源时可以根据上下文信息中涉及的跟实体信息有关的概念的相关描述来发现文本中涉及的实体,而不是仅靠单纯的关键词匹配来实现,这可以大大提高舆情数据发现的召回率;另一方面,在文本内容消歧,提取文本涉及的主要信息方面,本方法可以考虑从多个维度计算实体概率,综合多个事件要素进行分析,从多个维度进行判断和分析,最终提高舆情数据发现的准确率,从而改进发现舆情数据发现的效果。例如,传统舆情数据发现过程中,想要发现“厦门”相关的舆情数据,是通过“厦门”这个关键词进行数据匹配的,该方法存在明显的召回率低下的问题,而在本方法中,可以通过厦门相关的基础设施,如机场、高速公路等,或者街道、企业、标志性建筑等与厦门有关的事物来推测文本是否涉及了“厦门”这个实体,依此做出判断;另一方面,传统方法对于文本中出现的“苹果”,无法区分其是水果的一种,还是某电子产品品牌,但本方法可以通过上下文语境等方面进行分析,最终得到较为接近真相的判断,由此提高舆情数据发现的准确率;此外,本方法可以根据多个维度,例如什么人,在什么地点,做了什么事情,设置相应的数据发现条件,返回用户需要的结果。
本方法主要针对网络文本内容进行舆情事件监测,例如贴文,微博等。
本发明所阐述的方法具体过程如下:
S1:RDF实体库构建:根据描述舆情事件的要素,构建至少包括人物、地点和组织的多个实体(即要素)的多维度的RDF实体库,本实施例中,使用概念模型建模工具Ontology来定义和描述RDF实体库中的实体的概念和概念之间的关系。
根据描述舆情事件的要素,本发明从多个维度构建丰富的RDF实体库。由于舆情事件可以通过多个要素来进行描述,例如可以从人物、地点和组织等维度来描述,从这些维度构建相应的RDF实体库,能够更清晰全面地对舆情事件进行描述。
本实施例使用一种能在语义和知识层次上描述信息系统的概念模型建模工具Ontology来定义和描述概念和关系。例如本实施例中人物、地点和组织对应的Ontology图如图2所示(在本实施例中,人物、地点和组织对应的Ontology图包括图中所示的实体的相关信息,但并不局限于此,用户可以对实体库中的各个维度的实体包括的相关信息进行自定义设置,即可以对实体的相关信息进行增减),其中图2a为人物Ontology的概念及其关系示意图,人物实体包括如下相关信息:基础信息、出生日期、籍贯、性别、民族、党派、别名、工作职务、任职地点、毕业院校、人物关系、配偶、子女、父母和亲戚等。其中图2b为地点Ontology的概念及其关系示意图,地点实体包括如下相关信息:基础设施、机场、桥梁、公路、车站、铁路线、街道、标志性建筑、景点、企业、教育机构、政府机构和医疗机构等。其中图2c为组织Ontology的概念及其关系示意图,组织实体包括如下相关信息:基本信息、组织名称、成立日期、总部地点、领导人物、组织意义、组织规模和组织机构等。
进入S2步骤;
S2:将网络文本数据处理成结构化的文本数据:依据S1中构建的RDF实体库,从各个维度对需要进行舆情事件数据发现的网络文本数据,使用隐马尔科夫模型对网络文本数据中命中的实体进行判断,获得包含有该网络文本数据在各个维度中命中的实体及其相关信息的结构化的文本数据,使用隐马尔科夫模型对网络文本数据中命中的实体进行判断,具体为:计算网络文本数据中出现的RDF实体库中各个维度的实体及其相关信息的概率,并根据概率的大小对各个维度的实体进行排序,并与相应的文本数据进行关联。
进入S3步骤;
S3:舆情事件数据发现:根据用户输入的舆情事件条件,对S2中获得的结构化的文本数据进行舆情事件条件匹配,并将匹配到的结构化的文本数据,作为相关的舆情事件数据,
进一步的,舆情事件数据发现还包括,根据匹配到的结构化的文本数据,获得相对应的网络文本数据,作为相关的舆情事件数据。
具体的说,除了可以将匹配到的结构化的文本数据,作为相关的舆情事件数据,返回给用户,还可以根据匹配到的结构化的文本数据,获得相对应的网络文本数据,作为相关的舆情事件数据,返回给用户。
进入S4步骤;
S4:将相关的舆情事件数据,返回给用户。
实施例二:
本发明还提供一种基于RDF知识库的舆情事件数据发现的终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述方法实施例中的步骤,例如图1所示的步骤的方法步骤。
进一步地,作为一个可执行方案,所述基于RDF知识库的舆情事件数据发现的终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于RDF知识库的舆情事件数据发现的终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述基于RDF知识库的舆情事件数据发现的终端设备的组成结构仅仅是基于RDF知识库的舆情事件数据发现的终端设备的示例,并不构成对基于RDF知识库的舆情事件数据发现的终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于RDF知识库的舆情事件数据发现的终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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,所述处理器是所述基于RDF知识库的舆情事件数据发现的终端设备的控制中心,利用各种接口和线路连接整个基于RDF知识库的舆情事件数据发现的终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于RDF知识库的舆情事件数据发现的终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明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程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述基于RDF知识库的舆情事件数据发现的终端设备集成的模块/单元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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明一种基于RDF知识库的舆情事件数据发现的方法、终端设备及存储介质,通过构建RDF知识库,在舆情数据发现过程中,将单一的关键词匹配方法泛化成多维度的实体抽取和匹配方法,极大的提高了舆情数据发现的召回率。同时通过实体消歧和多个维度的配合可以在一定程度上返回更准确的结果,从而提高舆情数据发现的效果。此外,基于RDF的知识库的构造简单,具有良好的扩展性。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (6)
1.一种基于RDF知识库的舆情事件数据发现的方法,其特征在于:包括如下步骤:
S1:RDF实体库构建:根据描述舆情事件的要素,构建至少包括人物、地点和组织的多个实体(即要素)的多维度的RDF实体库,进入S2步骤;
S2:将网络文本数据处理成结构化的文本数据:依据S1中构建的RDF实体库,从各个维度对需要进行舆情事件数据发现的网络文本数据,使用隐马尔科夫模型对网络文本数据中命中的实体进行判断,获得包含有该网络文本数据在各个维度中命中的实体及其相关信息的结构化的文本数据,进入S3步骤;
S3:舆情事件数据发现:根据用户输入的舆情事件条件,对S2中获得的结构化的文本数据进行舆情事件条件匹配,并将匹配到的结构化的文本数据,作为相关的舆情事件数据,进入S4步骤;
S4:将相关的舆情事件数据,返回给用户。
2.如权利要求1所述的基于RDF知识库的舆情事件数据发现的方法,其特征在于:S1中,使用概念模型建模工具Ontology来定义和描述RDF实体库中的实体的概念和概念之间的关系。
3.如权利要求1所述的基于RDF知识库的舆情事件数据发现的方法,其特征在于:S2中,使用隐马尔科夫模型对网络文本数据中命中的实体进行判断,具体为:计算网络文本数据中出现的RDF实体库中各个维度的实体及其相关信息的概率,并根据概率的大小对各个维度的实体进行排序,并与相应的文本数据进行关联。
4.如权利要求1所述的基于RDF知识库的舆情事件数据发现的方法,其特征在于:S3中,还包括,根据匹配到的结构化的文本数据,获得相对应的网络文本数据,作为相关的舆情事件数据。
5.一种基于RDF知识库的舆情事件数据发现的终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-4所述方法的步骤。
6.一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程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-4所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711224272.XA CN108009229A (zh) | 2017-11-29 | 2017-11-29 | 舆情事件数据发现的方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711224272.XA CN108009229A (zh) | 2017-11-29 | 2017-11-29 | 舆情事件数据发现的方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108009229A true CN108009229A (zh) | 2018-05-08 |
Family
ID=62054558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711224272.XA Pending CN108009229A (zh) | 2017-11-29 | 2017-11-29 | 舆情事件数据发现的方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009229A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413784A (zh) * | 2019-07-23 | 2019-11-05 | 国家计算机网络与信息安全管理中心 | 基于知识图谱的舆情关联分析方法及系统 |
CN110516166A (zh) * | 2019-08-30 | 2019-11-29 | 北京明略软件系统有限公司 | 舆情事件处理方法、装置、处理设备及存储介质 |
CN111160738A (zh) * | 2019-12-18 | 2020-05-15 | 上海秒针网络科技有限公司 | 事件处理方法、装置、存储介质及电子装置 |
WO2020156000A1 (zh) * | 2019-02-01 | 2020-08-06 | 阿里巴巴集团控股有限公司 | 计算机执行的事件风险评估的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033950A (zh) * | 2010-12-23 | 2011-04-27 | 哈尔滨工业大学 | 电子产品命名实体自动识别系统的构建方法及识别方法 |
CN102708096A (zh) * | 2012-05-29 | 2012-10-03 | 代松 | 一种基于语义的网络智能舆情监测系统及其工作方法 |
CN103500208A (zh) * | 2013-09-30 | 2014-01-08 | 中国科学院自动化研究所 | 结合知识库的深层数据处理方法和系统 |
CN105808523A (zh) * | 2016-03-08 | 2016-07-27 | 浪潮软件股份有限公司 | 一种识别文档的方法及装置 |
CN106649272A (zh) * | 2016-12-23 | 2017-05-10 | 东北大学 | 一种基于混合模型的命名实体识别方法 |
-
2017
- 2017-11-29 CN CN201711224272.XA patent/CN108009229A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033950A (zh) * | 2010-12-23 | 2011-04-27 | 哈尔滨工业大学 | 电子产品命名实体自动识别系统的构建方法及识别方法 |
CN102708096A (zh) * | 2012-05-29 | 2012-10-03 | 代松 | 一种基于语义的网络智能舆情监测系统及其工作方法 |
CN103500208A (zh) * | 2013-09-30 | 2014-01-08 | 中国科学院自动化研究所 | 结合知识库的深层数据处理方法和系统 |
CN105808523A (zh) * | 2016-03-08 | 2016-07-27 | 浪潮软件股份有限公司 | 一种识别文档的方法及装置 |
CN106649272A (zh) * | 2016-12-23 | 2017-05-10 | 东北大学 | 一种基于混合模型的命名实体识别方法 |
Non-Patent Citations (3)
Title |
---|
冯志伟: "《自然语言计算机形式分析的理论与方法》", 31 January 2017 * |
崔宇红,等: "《现代数字图书馆构建技术与应用实践》", 31 May 2014 * |
马继刚: "《大学图书馆的创新与发展》", 31 May 2013 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020156000A1 (zh) * | 2019-02-01 | 2020-08-06 | 阿里巴巴集团控股有限公司 | 计算机执行的事件风险评估的方法及装置 |
CN110413784A (zh) * | 2019-07-23 | 2019-11-05 | 国家计算机网络与信息安全管理中心 | 基于知识图谱的舆情关联分析方法及系统 |
CN110516166A (zh) * | 2019-08-30 | 2019-11-29 | 北京明略软件系统有限公司 | 舆情事件处理方法、装置、处理设备及存储介质 |
CN110516166B (zh) * | 2019-08-30 | 2022-10-25 | 北京明略软件系统有限公司 | 舆情事件处理方法、装置、处理设备及存储介质 |
CN111160738A (zh) * | 2019-12-18 | 2020-05-15 | 上海秒针网络科技有限公司 | 事件处理方法、装置、存储介质及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11182708B2 (en) | Providing suitable strategies to resolve work items to participants of collaboration system | |
US10733197B2 (en) | Method and apparatus for providing information based on artificial intelligence | |
US10599686B1 (en) | Method and system for extracting information from graphs | |
CN108009229A (zh) | 舆情事件数据发现的方法、终端设备及存储介质 | |
CN110276023B (zh) | Poi变迁事件发现方法、装置、计算设备和介质 | |
CN111199474B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
US11361030B2 (en) | Positive/negative facet identification in similar documents to search context | |
CN111159770B (zh) | 文本数据脱敏方法、装置、介质及电子设备 | |
JP2021111367A (ja) | Api評価のための自動パラメータ値解決 | |
US20190130406A1 (en) | Using Semi-Supervised Label Procreation to Train A Risk Determination Model | |
CN107870988A (zh) | 一种信息核查方法、终端设备及存储介质 | |
CN107644106B (zh) | 自动挖掘业务中间人的方法、终端设备及存储介质 | |
CN110413751B (zh) | 药品搜索方法、装置、终端设备以及存储介质 | |
US20210271709A1 (en) | Recommending template of business analytics applications based on user's dataset | |
US20150379090A1 (en) | Mining product aspects from opinion text | |
Hussein | How many old and new big data v’s characteristics, processing technology, and applications (bd1) | |
CN112926308A (zh) | 匹配正文的方法、装置、设备、存储介质以及程序产品 | |
CN112784589A (zh) | 一种训练样本的生成方法、装置及电子设备 | |
CN115375177A (zh) | 用户价值评估方法、装置、电子设备及存储介质 | |
US20210271637A1 (en) | Creating descriptors for business analytics applications | |
US10250705B2 (en) | Interaction trajectory retrieval | |
CN115510212A (zh) | 一种文本事件抽取方法、装置、设备及存储介质 | |
US10963501B1 (en) | Systems and methods for generating a topic tree for digital information | |
CN113297290A (zh) | 实时用户策略配置方法、装置及电子设备 | |
US20200311057A1 (en) | Accuracy of qa systems by normalizing logical queries |
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: 20180508 |