CN109036546A - 用于临床领域时序知识图谱的链接预测方法及系统 - Google Patents
用于临床领域时序知识图谱的链接预测方法及系统 Download PDFInfo
- Publication number
- CN109036546A CN109036546A CN201810589170.6A CN201810589170A CN109036546A CN 109036546 A CN109036546 A CN 109036546A CN 201810589170 A CN201810589170 A CN 201810589170A CN 109036546 A CN109036546 A CN 109036546A
- Authority
- CN
- China
- Prior art keywords
- knowledge map
- clinical field
- timing
- link prediction
- timing knowledge
- 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 26
- 238000013507 mapping Methods 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了用于临床领域时序知识图谱的链接预测方法及系统，首先获取临床领域时序知识图谱，对实体和复杂语义关系向量化，加入上下关联信息，进行序列化学习，对时序知识图谱的时序信息做增量计算，再对时序信息提取特征向量，建立用于临床领域时序知识图谱的链接预测模型，所述链接预测模型包括三元组向量化层、序列增量学习层、序列特征组合层和输出层，根据所述链接预测模型，对临床领域时序知识图谱进行链接预测。本发明利用增量LSTM模型突出临床事实中隐含的语义和时序信息，有效地利用序列化学习挖掘其前后依赖信息，弥补了传统链接预测模型导致对时效性知识图谱预测准确度较低的不足，提高了知识图谱链接预测的准确性。
Description
技术领域
本发明涉及知识图谱的技术领域，尤其涉及用于临床领域时序知识图谱的链接预测方法及系统。
背景技术
知识图谱链接预测是知识图谱学习与推理的重要应用，其主要任务是对知识图谱中实体间可能存在的关系进行预测，实现知识图谱中缺失信息的发现和还原。由于实际电子病历数据普遍存在数据质量不高的特点，使得基于EMR的临床领域知识图谱中可能存在着一些医学实体以及实体间关系的缺失，或者实体间存在错误的关系。通过对临床领域知识图谱的链接预测，能够将这些关系所补全或者纠正出错误的关系，从而获得更为完整和真实的知识图谱。
现有的知识图谱链接预测模型大多针对静态的数据，而未考虑到时序知识图谱中蕴含大量时序信息，无法对时序知识图谱做出准确的预测。
发明内容
为了克服现有技术的不足，本发明的目的在于提供用于临床领域时序知识图谱的链接预测方法及系统，旨在解决现有技术的知识图谱链接预测模型无法对临床领域的时序知识图谱做出准确预测的问题。
本发明的目的采用以下技术方案实现：
一种用于临床领域时序知识图谱的链接预测方法，包括：
获取步骤，获取临床领域时序知识图谱；
向量化步骤，对时序知识图谱中的实体和复杂语义关系向量化；
增量学习步骤，加入时序知识图谱中的上下关联信息，进行序列化学习；
特征组合步骤，对时序知识图谱的时序信息做增量计算，再对时序信息提取特征向量；
建模步骤，建立用于临床领域时序知识图谱的链接预测模型，所述链接预测模型包括三元组向量化层、序列增量学习层、序列特征组合层和输出层；所述三元组向量化层用于执行向量化步骤，所述序列增量学习层用于执行增量学习步骤，所述序列特征组合层用于执行特征组合步骤；
预测步骤，根据所述链接预测模型，对临床领域时序知识图谱进行链接预测。
在上述实施例的基础上，优选的，还包括：
优化步骤，通过增量计算和LSTM递归网络进行深层学习，对所述链接预测模型进行优化。
在上述任意实施例的基础上，优选的，所述向量化步骤，具体为：
采用TransR转换模型在包含不同语义的关系空间中做实体投影，将临床领域时序知识图谱中的三元组嵌入到低维空间内，实现对时序知识图谱中的实体和复杂语义关系的向量化。
在上述任意实施例的基础上，优选的，所述增量学习步骤，具体为：
采用LSTM递归神经网络，加入时序知识图谱中的上下关联信息，进行序列化学习。
一种用于临床领域时序知识图谱的链接预测系统，包括：
获取模块，用于获取临床领域时序知识图谱；
向量化模块，用于对时序知识图谱中的实体和复杂语义关系向量化；
增量学习模块，用于加入时序知识图谱中的上下关联信息，进行序列化学习；
特征组合模块，用于对时序知识图谱的时序信息做增量计算，再对时序信息提取特征向量；
建模模块，用于建立用于临床领域时序知识图谱的链接预测模型，所述链接预测模型包括三元组向量化层、序列增量学习层、序列特征组合层和输出层；所述三元组向量化层用于调用向量化模块，所述序列增量学习层用于调用增量学习模块，所述序列特征组合层用于调用特征组合模块；
预测模块，用于根据所述链接预测模型，对临床领域时序知识图谱进行链接预测。
在上述实施例的基础上，优选的，还包括：
优化模块，用于通过增量计算和LSTM递归网络进行深层学习，对所述链接预测模型进行优化。
在上述任意实施例的基础上，优选的，所述向量化模块用于：
采用TransR转换模型在包含不同语义的关系空间中做实体投影，将临床领域时序知识图谱中的三元组嵌入到低维空间内，实现对时序知识图谱中的实体和复杂语义关系的向量化。
在上述任意实施例的基础上，优选的，所述增量学习模块用于：
采用LSTM递归神经网络，加入时序知识图谱中的上下关联信息，进行序列化学习。
相比现有技术，本发明的有益效果在于：
本发明公开了用于临床领域时序知识图谱的链接预测方法及系统，首先获取临床领域时序知识图谱，对时序知识图谱中的实体和复杂语义关系向量化，加入时序知识图谱中的上下关联信息，进行序列化学习，对时序知识图谱的时序信息做增量计算，再对时序信息提取特征向量，建立用于临床领域时序知识图谱的链接预测模型，所述链接预测模型包括三元组向量化层、序列增量学习层、序列特征组合层和输出层，分别用于执行向量化、增量学习、特征组合、输出的过程，根据所述链接预测模型，对临床领域时序知识图谱进行链接预测。本发明利用增量LSTM模型突出临床事实中隐含的语义和时序信息，有效地利用序列化学习挖掘其前后依赖信息，弥补了传统链接预测模型导致对时效性知识图谱预测准确度较低的不足；所建立的的知识图谱链接预测模型通过向量化、增量学习、特征组合、输出的过程，对临床领域的时序知识图谱做出比现有技术更准确的预测，提高了知识图谱链接预测的准确性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明实施例提供的一种用于临床领域时序知识图谱的链接预测方法的流程示意图；
图2示出了本发明实施例提供的一种用于临床领域时序知识图谱的链接预测系统的结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
具体实施例一
如图1所示，本发明实施例提供了一种用于临床领域时序知识图谱的链接预测方法，包括：
获取步骤S101，获取临床领域时序知识图谱；
向量化步骤S102，对时序知识图谱中的实体和复杂语义关系向量化；
增量学习步骤S103，加入时序知识图谱中的上下关联信息，进行序列化学习；
特征组合步骤S104，对时序知识图谱的时序信息做增量计算，再对时序信息提取特征向量；
建模步骤S105，建立用于临床领域时序知识图谱的链接预测模型，所述链接预测模型包括三元组向量化层、序列增量学习层、序列特征组合层和输出层；所述三元组向量化层用于执行向量化步骤，所述序列增量学习层用于执行增量学习步骤，所述序列特征组合层用于执行特征组合步骤；
预测步骤S106，根据所述链接预测模型，对临床领域时序知识图谱进行链接预测。
本发明实施例首先获取临床领域时序知识图谱，对时序知识图谱中的实体和复杂语义关系向量化，加入时序知识图谱中的上下关联信息，进行序列化学习，对时序知识图谱的时序信息做增量计算，再对时序信息提取特征向量，建立用于临床领域时序知识图谱的链接预测模型，所述链接预测模型包括三元组向量化层、序列增量学习层、序列特征组合层和输出层，分别用于执行向量化、增量学习、特征组合、输出的过程，根据所述链接预测模型，对临床领域时序知识图谱进行链接预测。本发明实施例所建立的的知识图谱链接预测模型通过向量化、增量学习、特征组合、输出的过程，对临床领域的时序知识图谱做出比现有技术更准确的预测，提高了知识图谱链接预测的准确性。
优选的，本发明实施例还可以包括：优化步骤，通过增量计算和LSTM递归网络进行深层学习，对所述链接预测模型进行优化。这样做的好处是，能够对链接预测模型进行优化，使链接预测模型更适合实际应用中的情况。
优选的，所述向量化步骤S102，可以具体为：采用TransR转换模型在包含不同语义的关系空间中做实体投影，将临床领域时序知识图谱中的三元组嵌入到低维空间内，实现对时序知识图谱中的实体和复杂语义关系的向量化。这样做的好处是，TransR转换模型技术较为成熟，应用广泛。
优选的，所述增量学习步骤S103，可以具体为：采用LSTM递归神经网络，加入时序知识图谱中的上下关联信息，进行序列化学习。这样做的好处是，利用增量LSTM模型突出临床事实中隐含的语义和时序信息，有效地利用序列化学习挖掘其前后依赖信息，弥补了传统链接预测模型导致对时效性知识图谱预测准确度较低的不足。
在上述的具体实施例一中，提供了用于临床领域时序知识图谱的链接预测方法，与之相对应的，本申请还提供用于临床领域时序知识图谱的链接预测系统。由于系统实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的系统实施例仅仅是示意性的。
具体实施例二
如图2所示，本发明实施例提供了一种用于临床领域时序知识图谱的链接预测系统，包括：
获取模块201，用于获取临床领域时序知识图谱；
向量化模块202，用于对时序知识图谱中的实体和复杂语义关系向量化；
增量学习模块203，用于加入时序知识图谱中的上下关联信息，进行序列化学习；
特征组合模块204，用于对时序知识图谱的时序信息做增量计算，再对时序信息提取特征向量；
建模模块205，用于建立用于临床领域时序知识图谱的链接预测模型，所述链接预测模型包括三元组向量化层、序列增量学习层、序列特征组合层和输出层；所述三元组向量化层用于调用向量化模块，所述序列增量学习层用于调用增量学习模块，所述序列特征组合层用于调用特征组合模块；
预测模块206，用于根据所述链接预测模型，对临床领域时序知识图谱进行链接预测。
本发明实施例首先获取临床领域时序知识图谱，对时序知识图谱中的实体和复杂语义关系向量化，加入时序知识图谱中的上下关联信息，进行序列化学习，对时序知识图谱的时序信息做增量计算，再对时序信息提取特征向量，建立用于临床领域时序知识图谱的链接预测模型，所述链接预测模型包括三元组向量化层、序列增量学习层、序列特征组合层和输出层，分别用于执行向量化、增量学习、特征组合、输出的过程，根据所述链接预测模型，对临床领域时序知识图谱进行链接预测。本发明实施例所建立的的知识图谱链接预测模型通过向量化、增量学习、特征组合、输出的过程，对临床领域的时序知识图谱做出比现有技术更准确的预测，提高了知识图谱链接预测的准确性。
优选的，本发明实施例还可以包括：优化模块，用于通过增量计算和LSTM递归网络进行深层学习，对所述链接预测模型进行优化。
优选的，所述向量化模块202可以用于：采用TransR转换模型在包含不同语义的关系空间中做实体投影，将临床领域时序知识图谱中的三元组嵌入到低维空间内，实现对时序知识图谱中的实体和复杂语义关系的向量化。
优选的，所述增量学习模块203可以用于：采用LSTM递归神经网络，加入时序知识图谱中的上下关联信息，进行序列化学习。
本发明从使用目的上，效能上，进步及新颖性等观点进行阐述，其具有的实用进步性，己符合专利法所强调的功能增进及使用要件，本发明以上的说明及附图，仅为本发明的较佳实施例而己，并非以此局限本发明，因此，凡一切与本发明构造，装置，待征等近似、雷同的，即凡依本发明专利申请范围所作的等同替换或修饰等，皆应属本发明的专利申请保护的范围之内。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。尽管本发明已进行了一定程度的描述，明显地，在不脱离本发明的精神和范围的条件下，可进行各个条件的适当变化。可以理解，本发明不限于所述实施方案，而归于权利要求的范围，其包括所述每个因素的等同替换。对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (8)
1.一种用于临床领域时序知识图谱的链接预测方法，其特征在于，包括：
获取步骤，获取临床领域时序知识图谱；
向量化步骤，对时序知识图谱中的实体和复杂语义关系向量化；
增量学习步骤，加入时序知识图谱中的上下关联信息，进行序列化学习；
特征组合步骤，对时序知识图谱的时序信息做增量计算，再对时序信息提取特征向量；
建模步骤，建立用于临床领域时序知识图谱的链接预测模型，所述链接预测模型包括三元组向量化层、序列增量学习层、序列特征组合层和输出层；所述三元组向量化层用于执行向量化步骤，所述序列增量学习层用于执行增量学习步骤，所述序列特征组合层用于执行特征组合步骤；
预测步骤，根据所述链接预测模型，对临床领域时序知识图谱进行链接预测。
2.根据权利要求1所述的用于临床领域时序知识图谱的链接预测方法，其特征在于，还包括：
优化步骤，通过增量计算和LSTM递归网络进行深层学习，对所述链接预测模型进行优化。
3.根据权利要求1或2所述的用于临床领域时序知识图谱的链接预测方法，其特征在于，所述向量化步骤，具体为：
采用TransR转换模型在包含不同语义的关系空间中做实体投影，将临床领域时序知识图谱中的三元组嵌入到低维空间内，实现对时序知识图谱中的实体和复杂语义关系的向量化。
4.根据权利要求1或2所述的用于临床领域时序知识图谱的链接预测方法，其特征在于，所述增量学习步骤，具体为：
采用LSTM递归神经网络，加入时序知识图谱中的上下关联信息，进行序列化学习。
5.一种用于临床领域时序知识图谱的链接预测系统，其特征在于，包括：
获取模块，用于获取临床领域时序知识图谱；
向量化模块，用于对时序知识图谱中的实体和复杂语义关系向量化；
增量学习模块，用于加入时序知识图谱中的上下关联信息，进行序列化学习；
特征组合模块，用于对时序知识图谱的时序信息做增量计算，再对时序信息提取特征向量；
建模模块，用于建立用于临床领域时序知识图谱的链接预测模型，所述链接预测模型包括三元组向量化层、序列增量学习层、序列特征组合层和输出层；所述三元组向量化层用于调用向量化模块，所述序列增量学习层用于调用增量学习模块，所述序列特征组合层用于调用特征组合模块；
预测模块，用于根据所述链接预测模型，对临床领域时序知识图谱进行链接预测。
6.根据权利要求5所述的用于临床领域时序知识图谱的链接预测系统，其特征在于，还包括：
优化模块，用于通过增量计算和LSTM递归网络进行深层学习，对所述链接预测模型进行优化。
7.根据权利要求5或6所述的用于临床领域时序知识图谱的链接预测系统，其特征在于，所述向量化模块用于：
采用TransR转换模型在包含不同语义的关系空间中做实体投影，将临床领域时序知识图谱中的三元组嵌入到低维空间内，实现对时序知识图谱中的实体和复杂语义关系的向量化。
8.根据权利要求5或6所述的用于临床领域时序知识图谱的链接预测系统，其特征在于，所述增量学习模块用于：
采用LSTM递归神经网络，加入时序知识图谱中的上下关联信息，进行序列化学习。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810589170.6A CN109036546A (zh) | 2018-06-08 | 2018-06-08 | 用于临床领域时序知识图谱的链接预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810589170.6A CN109036546A (zh) | 2018-06-08 | 2018-06-08 | 用于临床领域时序知识图谱的链接预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109036546A true CN109036546A (zh) | 2018-12-18 |
Family
ID=64612670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810589170.6A Pending CN109036546A (zh) | 2018-06-08 | 2018-06-08 | 用于临床领域时序知识图谱的链接预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109036546A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934412A (zh) * | 2019-03-18 | 2019-06-25 | 无锡雪浪数制科技有限公司 | 基于时序预测模型的实时设备异常检测装置及方法 |
| CN111915090A (zh) * | 2020-08-10 | 2020-11-10 | 哈尔滨安天科技集团股份有限公司 | 基于知识图谱的预测方法、装置、电子设备及存储介质 |
| CN111951965A (zh) * | 2020-07-31 | 2020-11-17 | 合肥工业大学 | 基于时序知识图谱的全景式健康动态监测与预测系统 |
| CN112380355A (zh) * | 2020-11-20 | 2021-02-19 | 华南理工大学 | 一种时隙异构知识图谱的表示与存储方法 |
| CN112395423A (zh) * | 2020-09-09 | 2021-02-23 | 北京邮电大学 | 递归的时序知识图谱补全方法和装置 |
| CN113377968A (zh) * | 2021-08-16 | 2021-09-10 | 南昌航空大学 | 一种采用融合实体上下文的知识图谱链路预测方法 |
| CN114330820A (zh) * | 2021-11-19 | 2022-04-12 | 北京明略软件系统有限公司 | 患者病情预后预测方法、系统、存储介质及电子设备 |
| CN114722217A (zh) * | 2022-05-17 | 2022-07-08 | 青岛百洋智能科技股份有限公司 | 一种基于链接预测和协同过滤的内容推送方法 |
-
2018
- 2018-06-08 CN CN201810589170.6A patent/CN109036546A/zh active Pending
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934412A (zh) * | 2019-03-18 | 2019-06-25 | 无锡雪浪数制科技有限公司 | 基于时序预测模型的实时设备异常检测装置及方法 |
| CN111951965A (zh) * | 2020-07-31 | 2020-11-17 | 合肥工业大学 | 基于时序知识图谱的全景式健康动态监测与预测系统 |
| CN111951965B (zh) * | 2020-07-31 | 2024-01-23 | 合肥工业大学 | 基于时序知识图谱的全景式健康动态监测与预测系统 |
| CN111915090A (zh) * | 2020-08-10 | 2020-11-10 | 哈尔滨安天科技集团股份有限公司 | 基于知识图谱的预测方法、装置、电子设备及存储介质 |
| CN112395423A (zh) * | 2020-09-09 | 2021-02-23 | 北京邮电大学 | 递归的时序知识图谱补全方法和装置 |
| WO2022052374A1 (zh) * | 2020-09-09 | 2022-03-17 | 北京邮电大学 | 递归的时序知识图谱补全方法和装置 |
| CN112395423B (zh) * | 2020-09-09 | 2022-08-26 | 北京邮电大学 | 递归的时序知识图谱补全方法和装置 |
| CN112380355A (zh) * | 2020-11-20 | 2021-02-19 | 华南理工大学 | 一种时隙异构知识图谱的表示与存储方法 |
| CN113377968A (zh) * | 2021-08-16 | 2021-09-10 | 南昌航空大学 | 一种采用融合实体上下文的知识图谱链路预测方法 |
| CN114330820A (zh) * | 2021-11-19 | 2022-04-12 | 北京明略软件系统有限公司 | 患者病情预后预测方法、系统、存储介质及电子设备 |
| CN114722217A (zh) * | 2022-05-17 | 2022-07-08 | 青岛百洋智能科技股份有限公司 | 一种基于链接预测和协同过滤的内容推送方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109036546A (zh) | 用于临床领域时序知识图谱的链接预测方法及系统 | |
| Zhang et al. | The number of subtrees of trees with given degree sequence | |
| Pan et al. | Travelling wave fronts in nonlocal delayed reaction-diffusion systems and applications | |
| Qiu et al. | Loop scheduling and bank type assignment for heterogeneous multi-bank memory | |
| CN103559407B (zh) | 一种用于度量有向加权图中节点亲密度的推荐系统及方法 | |
| TW199213B (zh) | ||
| Xu et al. | Mobile cellular big data: Linking cyberspace and the physical world with social ecology | |
| CN106909662A (zh) | 知识图谱构建方法及装置 | |
| CN112214788B (zh) | 一种基于差分隐私的泛在电力物联网动态数据发布方法 | |
| CN103577529B (zh) | 基于上下文的图形数据库和计算机系统 | |
| Ding et al. | Design, analysis and verification of real-time systems based on time Petri net refinement | |
| Yu et al. | Incremental M‐estimate‐based least‐mean algorithm over distributed network | |
| CN109284450A (zh) | 订单成单路径的确定方法及装置、存储介质、电子设备 | |
| CN104133766A (zh) | 基于多目标社团发现的软件系统可维护性评估与提升方法 | |
| CN106776635A (zh) | 知识库数据的更新方法及装置 | |
| Aishwarya et al. | AI strategy for stake cloud computing and edge computing: A state of the art survey | |
| Song et al. | Monotone iterative method for fractional differential equations with integral boundary conditions | |
| Sanchez et al. | Bigraphical modelling of architectural patterns | |
| CN104102699A (zh) | 一种聚簇图集合中的子图检索方法 | |
| Saeed Chilmeran et al. | A method of two new augmented lagrange multiplier versions for solving constrained problems | |
| Arockiaraj et al. | Vertex decomposition method for wirelength problem and its applications to enhanced hypercube networks | |
| Worley et al. | Performance portability in the physical parameterizations of the community atmospheric model | |
| CN106844626A (zh) | 利用微博关键词和位置信息模拟空气质量的方法及系统 | |
| CN106547835A (zh) | 调用数据库存储过程的方法及装置 | |
| Zhang et al. | SplitLLM: Hierarchical Split Learning for Large Language Model over Wireless Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181218 |
|
| WD01 | Invention patent application deemed withdrawn after publication |