CN109614486A - 一种基于自然语言处理技术的服务自动推送系统及方法 - Google Patents
一种基于自然语言处理技术的服务自动推送系统及方法 Download PDFInfo
- Publication number
- CN109614486A CN109614486A CN201811436561.0A CN201811436561A CN109614486A CN 109614486 A CN109614486 A CN 109614486A CN 201811436561 A CN201811436561 A CN 201811436561A CN 109614486 A CN109614486 A CN 109614486A
- Authority
- CN
- China
- Prior art keywords
- text
- data
- model
- module
- keyword
- 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 49
- 238000003058 natural language processing Methods 0.000 title claims abstract description 15
- 238000012423 maintenance Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000019771 cognition Effects 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000007792 addition Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 abstract 1
- 241001269238 Data Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于自然语言处理技术的服务自动推送系统及方法。该系统包括：M1、词表维护模块；M2、文本获取模块；M3、文本预处理模块；M4、模型模块；M5、交互模块；M6、存储模块。附图1为该系统架构图。该方法包括学习和使用模式。学习模式包含以下步骤：S1、关键词表维护；S2、文本数据获取；S3、数据标注；S4、数据预处理；S5、数据集划分；S6、模型构建、验证、测试。使用模式包含以下步骤：U1、实时文本获取；U2、文本判别；U3、文本归类；U4、服务推送。附图2左右框内分别为学习和使用模式的流程图。本发明避免了消费者手动查找服务和服务商被动等待消费者的弊端，极大提高了消费者和服务的匹配效率。
Description
技术领域
本发明涉及自然语言处理技术领域，具体涉及一种基于自然语言处理技术的服务自动推送系统及方法。
背景技术
随着互联网的迅猛发展，互联网上的文本信息量呈爆炸式增长。文本信息是一种非结构化的数据，无法按照传统的结构化数据的处理方法对其及进行处理，从而难以实现各种基于文本信息的任务的自动化解决。自然语言处理即是针对该问题而产生的技术，其致力于让计算机实现对自然语言的自动理解与处理。
近年来基于互联网的消费者服务模式大量涌现，在很多行业都实现了对传统模式的颠覆式创新。例如基于互联网的购物服务、生活服务和出行服务等，均是这种服务模式的典型代表。而在这种服务模式中蕴含有大量的基于自然语言的自动化识别、分类、预测、检索等需求，本发明所要解决正是基于自然语言处理技术的服务自动化精准推送问题。
一方面，现有的服务推送技术多为基于互联网用户行为记录、用户身份特征等信息的推送方法，基本没有基于自然语言文本的服务推送方法；另一方面，网络中的自然语言文本往往是反映用户需求的一种更为直接的信息，因此基于自然语言处理技术的服务自动推送方法是一项有迫切需求的技术方案。
发明内容
针对上述问题，本发明要解决的技术问题是提供一种高效、精准的互联网服务自动推送方法。
为了解决上述技术问题，本发明所采用的技术方案为：一种基于自然语言处理技术的服务自动推送系统及方法，其特征如下。
一种基于自然语言处理技术的服务自动推送系统包括以下模块：M1、词表维护模块，用于词表中词条的增删、去重、合并、替换等；M2、文本获取模块，用于获取和词表中词条相关的自然语言文本；M3、文本预处理模块，进行文本裁剪、生僻词替换、分词、关键词处理等；M4、模型模块，是该系统的核心算法模块，用来自动识别文本和关键词的匹配度，进而决定是否推送服务；M5、交互模块，用来和操作人员进行交互操作，主要包括参数设置、任务选择、请求帮助等功能；M6、存储模块，用来存储系统运行所需数据。
作为本发明所述系统的一种改进，其模型模块通过循环神经网络(Recurrentneural network,RNN)或其改进结构对文本信息进行表征，将RNN的输出向量与词表中的关键词的词向量处理形成一个能够反映文本信息、关键词信息及其关系的高维实数向量，将该向量输入一个分类器模型进行分类。
作为本发明所述系统的一种改进，其模型模块中RNN的输出向量与词表中的关键词词向量的处理方法可以为按元素求平均、按元素求和或者拼接。
作为本发明所述系统的一种改进，其模型模块中的分类器模型为二类分类模型。
一种基于自然语言处理技术的服务自动推送方法，该方法包括学习和使用两种模式。
所述方法的学习模式包括以下步骤：S1、关键词表维护，根据需求维护一个关键词表；S2、文本数据获取，获取网络中和上述关键词相关的新闻文本，组成关键词-文本两要素的数据对；S3、数据标注，判断上述步骤所得到的文本的语义是否符合关键词语义，若符合则将该条文本标注为1，反之则标注为0，最后形成标签-关键词-文本三要素的数据对；S4、数据预处理，对上述数据对中的文本数据进行预处理，包括文本裁剪、分词、生僻词替换、关键词处理等；S5、数据集划分，将S4中得到的数据根据一定比例划分为训练集、验证集和测试集；S6、构建模型，并使用S5中得到的训练集和验证集进行模型训练和模型调整，直至模型在测试集上的性能达到一定要求则具备部署使用条件。
所述方法的使用模式包括以下步骤：U1、实时获取关键词相关的新闻文本，组成关键词-文本两要素数据对；U2、利用学习模式得到的合格模型，自动计算U1所得到数据归为各标签类别的概率，若概率大于模型自动分类阈值，即判定该数据属于该标签类别，若各类标签概率小于模型自动分类阈值大于提请人工判别阈值，则提请人工专家判断，若小于提请人工专家判别阈值，则丢弃数据；U3、根据U2判断得出的结果，将数据作为已标注数据放入数据库中，用于模型训练；U4、根据U2得出的结果来决定是否推送相关的服务。
作为本发明所述方法的一种改进，判别新闻文本所述类别标签的概率阈值取值(0.5,1)之间，阈值越大则准确度越高，故可根据对结果准确度需求的高低来确定阈值。
本发明的有益效果在于：利用已经人工标注的新闻数据对，训练构建的神经网络模型；通过部署已经训练合格的神经网络模型，来自动判断实时产生的新闻数据对的所述标签。相较于已有方法，该方法能够利用自然语言文本信息来建模自动获知用户需求，避免了消费者手动查找服务和服务商被动等待消费者的弊端，极大地提高了消费者和服务的匹配效率。
附图说明
图1为本发明所述系统的结构框架图。
图2为本发明所述方法两种模式下的流程图，其中左边虚线框内为学习模式流程图，右边虚线框内为使用模式流程图。
具体实施方式
为了能够更好地理解本发明的技术方案，下面结合附图及优选实施例对本发明做进一步详细的描述。
如图1所示，在本发明一种基于自然语言处理技术的服务自动推送系统的实施例中，该系统包括以下模块：M1、词表维护模块，用于词表中词条的增删、去重、合并、替换等；M2、文本获取模块，用于获取和词表中词条相关的自然语言文本；M3、文本预处理模块，进行文本裁剪、生僻词替换、分词、关键词处理等；M4、模型模块，是该系统的核心算法模块，用来自动识别文本和关键词的匹配度，进而决定是否推送服务；M5、交互模块，用来和操作人员进行交互操作，主要包括参数设置、任务选择、请求帮助等功能；M6、存储模块，用来存储系统运行所需数据。具体地，本实施例中，词表维护模块可以手动增删、编辑关键词；交互模块可以指定文本获取量的大小，切换模型的使用模式，设置模型的训练参数，提请人工判别等。
更佳地，所述系统的模型模块通过循环神经网络(Recurrent neural network,RNN)或其改进结构对文本信息进行表征，将RNN的输出向量与词表中的关键词的词向量处理形成一个能够反映文本信息、关键词信息及其关系的高维实数向量，将该向量输入一个分类器模型进行分类。具体地，本实施例中，选用512个单向LSTM(long short-termmemory)构成一层网络，和关键词词向量拼接后连接到三层全连接神经网络，构成整个模型的架构。
更佳地，所述系统的模型模块中RNN的输出向量与词表中的关键词词向量的处理方法可以为按元素求平均、按元素求和或者拼接。具体地，本实施例中的处理方法为拼接。
更佳地，所述系统的模型模块中的分类器模型为二类分类模型。具体地，本实施例中的二分类模型为三层全连接神经网络，中间层神经元个数为10，输出层神经元个数为2。
如图2所示，在本发明一种基于自然语言处理技术的服务自动推送方法的实施例中，包括学习和使用两种模式。
所述方法的学习模式包括以下步骤：S1、关键词表维护，根据需求维护一个关键词表；S2、文本数据获取，获取网络中和上述关键词相关的新闻文本，组成关键词-文本两要素的数据对；S3、数据标注，判断上述步骤所得到的文本的语义是否符合关键词语义，若符合则将该条文本标注为1，反之则标注为0，最后形成标签-关键词-文本三要素的数据对；S4、数据预处理，对上述数据对中的文本数据进行预处理，包括文本裁剪、分词、生僻词替换、关键词处理等；S5、数据集划分，将S4中得到的数据根据一定比例划分为训练集、验证集和测试集；S6、构建模型，并使用S5中得到的训练集和验证集进行模型训练和模型调整，直至模型在测试集上的性能达到一定要求。具体地，根据本实施例的任务需求，该例中的关键词表维护有128条关键词；依据关键词获取32万条微博数据，共81.4MB；对文本中同等含义的关键词替换为词表中相应统一的关键词；数据标注结束后统计正负类别的比例，为防止数据不平衡对模型的影响，类间比例控制在5倍以内，若超出则删减大类数据至比例降至5以内；数据集划分时以关键词为依据，将70％的关键词下的数据划入训练集，将20％的关键词下的数据划入验证集，将剩余10％的关键词下的数据划入测试集；词向量维度为100，每步训练包含有16条数据对，模型训练回合为5，每40步迭代后计算模型在训练集和验证集上的准确率，并做出整个训练过程中模型在训练集和验证集上的准确率变化曲线，训练结束后，模型在训练集上的准确率为96.7％，在验证集上准确率为85.3％，分类阈值取85％时，测试集上的准确率为88.9％。
所述方法的使用模式包括以下步骤：U1、实时获取关键词相关的新闻文本，组成关键词-文本两要素数据对；U2、利用学习模式得到的合格模型，自动计算U1所得到数据归为各标签类别的概率，若概率大于模型自动分类阈值，即判定该数据属于该标签类别，若各类标签概率小于模型自动分类阈值大于提请人工判别阈值，则提请人工专家判断，若小于提请人工专家判别阈值，则丢弃数据；U3、根据U2判断得出的结果，将数据作为已标注数据放入数据库中，用于模型训练；U4、根据U2得出的结果来决定是否推送相关的服务。具体地，本实施例中，获取关键词表中任意关键词的全新文本数据；取自动分类阈值为85％，若模型输出值大于85％则自动归为该类，若在70％至85％则提请人工判别，若小于70％则丢弃。
更佳地，判别新闻文本所述类别标签的概率阈值取值(0.5,1)之间，阈值越大则准确度越高，故可根据对结果准确度需求的高低来确定阈值。具体地，在本实施例中，根据任务需求，选择85％作为模型自动分类的阈值，70％为提请人工判别的阈值。
以上所揭露的仅为本发明的优选实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。
Claims (8)
1.一种基于自然语言处理技术的服务自动推送系统及方法，其特征在于，该系统包括以下模块：
M1、词表维护模块，用于词表中词条的增删、去重、合并、替换；
M2、文本获取模块，用于获取和词表中词条相关的自然语言文本；
M3、文本预处理模块，进行文本裁剪、生僻词替换、分词、关键词处理；
M4、模型模块，是该系统的核心算法模块，用来自动识别文本和关键词的匹配度，进而决定是否推送服务；
M5、交互模块，用来和操作人员进行交互操作，主要包括参数设置、任务选择、请求帮助等功能；
M6、存储模块，用来存储系统运行所需数据。
2.根据权利要求1所述的系统，其特征在于：所述的模型模块通过循环神经网络(Recurrent neural network,RNN)或其改进结构对文本信息进行表征，将RNN的输出向量与词表中的关键词的词向量处理形成一个能够反映文本信息、关键词信息及其关系的高维实数向量，将该向量输入一个分类器模型进行分类。
3.根据权利要求2所述的系统，其特征在于，所述RNN的输出向量与词表中的关键词词向量的处理方法可以为按元素求平均、按元素求和或者拼接。
4.根据权利要求2所述的系统，其特征在于，所述分类器模型为二类分类模型。
5.一种基于自然语言处理技术的服务自动推送方法，其特征在于，该方法包括学习和使用两种模式。
6.根据权利要求5所述的方法，其特征在于，所述方法的学习模式包括以下步骤：
S1、关键词表维护，根据需求维护一个关键词表；
S2、文本数据获取，获取网络中和上述关键词相关的新闻文本，组成关键词-文本两要素的数据对；
S3、数据标注，判断上述步骤所得到的文本的语义是否符合关键词语义，若符合则将该条文本标注为1，反之则标注为0，最后形成标签-关键词-文本三要素的数据对；
S4、数据预处理，对上述数据对中的文本数据进行预处理，包括文本裁剪、分词、生僻词替换、关键词处理等；
S5、数据集划分，将S4中得到的数据根据一定比例划分为训练集、验证集和测试集；
S6、构建模型，并使用S5中得到的训练集和验证集进行模型训练和模型调整，直至模型在测试集上的性能达到一定要求则具备部署使用条件。
7.根据权利要求5所述的方法，其特征在于，所述方法的使用模式包括以下步骤：
U1、实时获取关键词相关的新闻文本，组成关键词-文本两要素数据对；
U2、利用学习模式得到的合格模型，自动计算U1所得到数据归为各标签类别的概率，若概率大于模型自动分类阈值，即判定该数据属于该标签类别，若各类标签概率小于模型自动分类阈值大于提请人工判别阈值，则提请人工专家判断，若小于提请人工专家判别阈值，则丢弃数据；
U3、根据U2判断得出的结果，将数据作为已标注数据放入数据库中，用于模型训练；
U4、根据U2得出的结果来决定是否推送相关的服务。
8.根据权利要求5至7所述的方法，其特征在于，所述阈值一般取值(0.5,1)之间，阈值越大则准确度越高，故可根据对结果准确度需求的高低来确定阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811436561.0A CN109614486A (zh) | 2018-11-28 | 2018-11-28 | 一种基于自然语言处理技术的服务自动推送系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811436561.0A CN109614486A (zh) | 2018-11-28 | 2018-11-28 | 一种基于自然语言处理技术的服务自动推送系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109614486A true CN109614486A (zh) | 2019-04-12 |
Family
ID=66005766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811436561.0A Pending CN109614486A (zh) | 2018-11-28 | 2018-11-28 | 一种基于自然语言处理技术的服务自动推送系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109614486A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111069819A (zh) * | 2019-11-27 | 2020-04-28 | 广州明珞汽车装备有限公司 | 一种基于人工智能的焊接质量预测系统及方法 |
| WO2022082453A1 (en) * | 2020-10-20 | 2022-04-28 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligence system for transportation service related safety issues detection based on machine learning |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000172691A (ja) * | 1998-12-03 | 2000-06-23 | Mitsubishi Electric Corp | 情報マイニング方法、情報マイニング装置、および情報マイニングプログラムを記録したコンピュータ読み取り可能な記録媒体 |
| CN101359325A (zh) * | 2007-08-01 | 2009-02-04 | 北京启明星辰信息技术有限公司 | 一种快速内容分析的多关键词匹配方法 |
| CN103605702A (zh) * | 2013-11-08 | 2014-02-26 | 北京邮电大学 | 一种基于词相似度的网络文本分类方法 |
| CN104239300A (zh) * | 2013-06-06 | 2014-12-24 | 富士通株式会社 | 从文本中挖掘语义关键词的方法和设备 |
| CN104375989A (zh) * | 2014-12-01 | 2015-02-25 | 国家电网公司 | 自然语言文本关键词关联网络构建系统 |
| CN105608201A (zh) * | 2015-12-28 | 2016-05-25 | 湖南蚁坊软件有限公司 | 一种支持多关键词表达式的文本匹配方法 |
| CN106021272A (zh) * | 2016-04-04 | 2016-10-12 | 上海大学 | 基于分布式表达词向量计算的关键词自动提取方法 |
| CN106777296A (zh) * | 2016-12-30 | 2017-05-31 | 深圳爱拼信息科技有限公司 | 一种基于语义匹配的人才搜索推荐方法及系统 |
| CN106844647A (zh) * | 2017-01-22 | 2017-06-13 | 南方科技大学 | 一种搜索关键词获取的方法及装置 |
| CN106844346A (zh) * | 2017-02-09 | 2017-06-13 | 北京红马传媒文化发展有限公司 | 基于深度学习模型Word2Vec的短文本语义相似性判别方法和系统 |
| CN107357889A (zh) * | 2017-07-11 | 2017-11-17 | 北京工业大学 | 一种基于内容或情感相似性的跨社交平台图片推荐算法 |
| CN107766426A (zh) * | 2017-09-14 | 2018-03-06 | 北京百分点信息科技有限公司 | 一种文本分类方法、装置及电子设备 |
| CN107766585A (zh) * | 2017-12-07 | 2018-03-06 | 中国科学院电子学研究所苏州研究院 | 一种面向社交网络的特定事件抽取方法 |
| CN108710682A (zh) * | 2018-05-18 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 对象推荐方法、装置及设备 |
-
2018
- 2018-11-28 CN CN201811436561.0A patent/CN109614486A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000172691A (ja) * | 1998-12-03 | 2000-06-23 | Mitsubishi Electric Corp | 情報マイニング方法、情報マイニング装置、および情報マイニングプログラムを記録したコンピュータ読み取り可能な記録媒体 |
| CN101359325A (zh) * | 2007-08-01 | 2009-02-04 | 北京启明星辰信息技术有限公司 | 一种快速内容分析的多关键词匹配方法 |
| CN104239300A (zh) * | 2013-06-06 | 2014-12-24 | 富士通株式会社 | 从文本中挖掘语义关键词的方法和设备 |
| CN103605702A (zh) * | 2013-11-08 | 2014-02-26 | 北京邮电大学 | 一种基于词相似度的网络文本分类方法 |
| CN104375989A (zh) * | 2014-12-01 | 2015-02-25 | 国家电网公司 | 自然语言文本关键词关联网络构建系统 |
| CN105608201A (zh) * | 2015-12-28 | 2016-05-25 | 湖南蚁坊软件有限公司 | 一种支持多关键词表达式的文本匹配方法 |
| CN106021272A (zh) * | 2016-04-04 | 2016-10-12 | 上海大学 | 基于分布式表达词向量计算的关键词自动提取方法 |
| CN106777296A (zh) * | 2016-12-30 | 2017-05-31 | 深圳爱拼信息科技有限公司 | 一种基于语义匹配的人才搜索推荐方法及系统 |
| CN106844647A (zh) * | 2017-01-22 | 2017-06-13 | 南方科技大学 | 一种搜索关键词获取的方法及装置 |
| CN106844346A (zh) * | 2017-02-09 | 2017-06-13 | 北京红马传媒文化发展有限公司 | 基于深度学习模型Word2Vec的短文本语义相似性判别方法和系统 |
| CN107357889A (zh) * | 2017-07-11 | 2017-11-17 | 北京工业大学 | 一种基于内容或情感相似性的跨社交平台图片推荐算法 |
| CN107766426A (zh) * | 2017-09-14 | 2018-03-06 | 北京百分点信息科技有限公司 | 一种文本分类方法、装置及电子设备 |
| CN107766585A (zh) * | 2017-12-07 | 2018-03-06 | 中国科学院电子学研究所苏州研究院 | 一种面向社交网络的特定事件抽取方法 |
| CN108710682A (zh) * | 2018-05-18 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 对象推荐方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| XINYUAN ZHAO等: "Multi-thread Multi-keywords Matching Approach for Uyghur Text", 《2013 INTERNATIONAL CONFERENCE ON ASIAN LANGUAGE PROCESSING》, pages 1 - 7 * |
| 陈亮等: "基于DNN算法的移动视频推荐策略", 《计算机学报》, pages 1626 - 1638 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111069819A (zh) * | 2019-11-27 | 2020-04-28 | 广州明珞汽车装备有限公司 | 一种基于人工智能的焊接质量预测系统及方法 |
| WO2022082453A1 (en) * | 2020-10-20 | 2022-04-28 | Beijing Didi Infinity Technology And Development Co., Ltd. | Artificial intelligence system for transportation service related safety issues detection based on machine learning |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116628172B (zh) | 基于知识图谱的政务服务领域多策略融合的对话方法 | |
| CN112612902B (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
| CN111026842B (zh) | 自然语言处理方法、自然语言处理装置及智能问答系统 | |
| CN110298032A (zh) | 文本分类语料标注训练系统 | |
| CN112817561B (zh) | 软件需求文档的事务类功能点结构化抽取方法及系统 | |
| CN117271767B (zh) | 基于多智能体的运维知识库的建立方法 | |
| CN113157859A (zh) | 一种基于上位概念信息的事件检测方法 | |
| CN113159187B (zh) | 分类模型训练方法及装置、目标文本确定方法及装置 | |
| CN113254507B (zh) | 一种数据资产目录智能构建盘点方法 | |
| CN109344227A (zh) | 工单处理方法、系统和电子设备 | |
| CN111858842A (zh) | 一种基于lda主题模型的司法案例筛选方法 | |
| CN115357719A (zh) | 基于改进bert模型的电力审计文本分类方法及装置 | |
| CN109614486A (zh) | 一种基于自然语言处理技术的服务自动推送系统及方法 | |
| CN116340530A (zh) | 基于机械知识图谱的智能设计方法 | |
| CN113806547A (zh) | 一种基于图模型的深度学习多标签文本分类方法 | |
| CN115660464A (zh) | 一种基于大数据与实物id的设备智慧化检修方法及终端 | |
| CN116775879A (zh) | 大语言模型的微调训练方法、合同风险评审方法及系统 | |
| CN115358481A (zh) | 一种企业外迁预警识别的方法、系统及装置 | |
| CN117474010A (zh) | 面向电网语言模型的输变电设备缺陷语料库构建方法 | |
| CN117390198A (zh) | 构建电力领域科技知识图谱的方法、装置、设备及介质 | |
| CN112183110A (zh) | 一种基于数据中心的人工智能数据应用系统及应用方法 | |
| Amin | Cases without borders: automating knowledge acquisition approach using deep autoencoders and siamese networks in case-based reasoning | |
| CN114201976A (zh) | 一种机器翻译自动优选系统 | |
| CN115080732A (zh) | 投诉工单处理方法、装置、电子设备和存储介质 | |
| CN116976339B (zh) | 一种针对高速公路的特情分析方法、设备及介质 |
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 |