CN110457403B - 图网络决策系统、方法及知识图谱的构建方法 - Google Patents
图网络决策系统、方法及知识图谱的构建方法 Download PDFInfo
- Publication number
- CN110457403B CN110457403B CN201910740814.1A CN201910740814A CN110457403B CN 110457403 B CN110457403 B CN 110457403B CN 201910740814 A CN201910740814 A CN 201910740814A CN 110457403 B CN110457403 B CN 110457403B
- Authority
- CN
- China
- Prior art keywords
- entity
- knowledge
- graph
- knowledge graph
- simplified
- 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
Images
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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本申请实施例提供了一种图网络决策系统、方法及知识图谱的构建方法。该决策系统,其特征在于,包括:要素提取单元,配置为对目标对象进行处理,得到知识要素;知识图谱构建单元,配置为根据知识要素,构建简化的知识图谱;知识图谱更新单元,配置为对简化的知识图谱进行更新,得到更新的知识图谱;图网络决策单元,配置为基于所述图网络,根据更新的知识图谱作出有效决策;其中,所述知识要素包括实体节点和实体关系,所述实体节点用于表征所述目标对象中的最小组成单元,所述实体关系用于表征两个所述实体节点之间的关系。该决策系统通过将先验知识加入知识图谱,对知识图谱进行不断更新,使图网络能够根据不断更新的知识图谱做出有效决策。
Description
技术领域
本申请实施例涉及人工智能技术领域,尤其涉及一种图网络决策系统、方法及知识图谱的构建方法。
背景技术
从2012年提出知识图谱直到今天,知识图谱的技术发展迅速,当下,知识图谱作为一种技术体系,是大数据时代知识工程的一系列代表性技术进展的综合,它的发展是一个持续渐进的过程,是实现机器认知智能的基础,如何将知识图谱有效地与人工智能的推理决策结合起来成为一件关键、具有挑战性的工作。
发明内容
有鉴于此,本申请实施例所解决的技术问题之一在于提供一种图网络决策系统、方法及知识图谱的构建方法,通过将先验知识加入知识图谱,使得知识图谱的更新得到了先验知识的支持,或者利用深度学习算法对知识图谱进行训练,实现知识图谱的不断更新,以使图网络智能体能够根据不断更新的知识图谱做出有效决策。
本申请实施例提供了一种图网络决策系统,其特征在于,包括:要素提取单元,配置为对目标对象进行处理,得到知识要素;知识图谱构建单元,配置为根据所述知识要素,构建简化的知识图谱;知识图谱更新单元,配置为对简化的知识图谱进行更新,得到更新的知识图谱;图网络决策单元,配置为根据所述更新的知识图谱作出有效决策;其中,所述知识要素包括实体节点和实体关系,所述实体节点用于表征所述目标对象中的最小组成单元,所述实体关系用于表征两个所述实体节点之间的关系。
可选地,在本申请的任一实施例中,所述要素提取单元包括:节点分割模块,配置为对所述目标对象进行分割,得到所述实体节点;关系提取模块,配置为对所述目标对象进行关系提取,得到所述实体关系。
可选地,在本申请的任一实施例中,其特征在于,所述关系提取模块进一步配置为,基于专家知识库对所述目标对象进行关系提取,得到所述实体关系。
可选地,在本申请的任一实施例中,所述知识图谱构建单元包括:初始知识图谱构建模块,配置为根据所述实体节点和实体关系,建立初始的知识图谱;知识图谱简化模块,配置为对所述初始的知识图谱进行简化,得到所述简化的知识图谱。
可选地,在本申请的任一实施例中,其特征在于,所述知识图谱简化模块进一步配置为,对所述初始的知识图谱中的实体节点进行合并,以简化所述初始的知识图谱,得到所述简化的知识图谱。
可选地,在本申请的任一实施例中,所述知识图谱更新单元进一步配置为,根据先验知识对简化的知识图谱进行更新,得到更新的知识图谱。
可选地,在本申请的任一实施例中,其特征在于,所述知识图谱更新单元进一步配置为,将所述先验知识加入所述简化的知识图谱,对所述简化的知识图谱中的实体节点和/或实体关系进行更新,以得到更新的知识图谱。
可选地,在本申请的任一实施例中,所述知识图谱更新单元进一步配置为,基于深度学习算法,对所述简化的知识图谱中的实体节点和/或实体关系进行更新,以得到更新的知识图谱。
可选地,在本申请的任一实施例中,所述图网络决策单元进一步配置为,基于强化学习算法,根据所述更新的知识图谱作出有效决策。
可选地,在本申请的任一实施例中,所述两个所述实体节点之间的关系包括两个所述实体节点之间的空间关系和/或时间关系。
本申请实施例还提供一种图网络决策方法,包括:对目标对象进行处理,得到知识要素;根据所述知识要素,构建简化的知识图谱;对简化的知识图谱进行更新,得到更新的知识图谱;根据所述更新的知识图谱作出有效决策;其中,所述知识要素包括实体节点和实体关系,所述实体节点用于表征所述目标对象中的最小组成单元,所述实体关系用于表征两个所述实体节点之间的关系。
本申请实施例还提供一种知识图谱的构建方法,包括:对目标对象进行处理,得到知识要素;根据所述知识要素,构建简化的知识图谱;对简化的知识图谱进行更新,得到更新的知识图谱;其中,所述知识要素包括实体节点和实体关系,所述实体节点用于表征所述目标对象中的最小组成单元,所述实体关系用于表征两个所述实体节点之间的关系。
本申请实施例的图网络决策系统,通过对目标对象进行处理,得到知识要素;根据所述知识要素,构建简化的知识图谱;对简化的知识图谱进行更新,得到更新的知识图谱;根据所述更新的知识图谱作出有效决策;其中,所述知识要素包括实体节点和实体关系,所述实体节点用于表征所述目标对象中的最小组成单元,所述实体关系用于表征两个所述实体节点之间的关系。该图网络决策系统通过将先验知识加入知识图谱,使得知识图谱的更新得到了先验知识的支持,或者利用深度学习算法对知识图谱进行训练,实现知识图谱的不断更新,以使图网络智能体能够根据不断更新的知识图谱做出有效决策。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1为根据本申请第一实施例所示的图网络决策系统的结构示意图;
图2为根据本申请第二实施例所示的要素提取单元的结构示意图;
图3为根据本申请第三实施例所示的知识图谱构建单元的结构示意图;
图4为根据本申请第四实施例所示的知识图谱的构建系统的结构示意图;
图5为根据本申请第五实施例所示的图网络决策方法的流程示意图;
图6为根据本申请第六实施例所示的知识图谱的构建方法的流程示意图;
图7为根据本申请第七实施例所示的对目标对象进行处理得到知识要素的流程示意图;
图8为根据本申请第八实施例所示的根据所述知识要素构建简化的知识图谱的流程示意图;
图9为根据本申请第九实施例所示的图网络决策设备的结构示意图;
图10为根据本申请第十实施例所示的图网络决策设备的硬件结构。
具体实施方式
实施本申请实施例的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
下面结合本申请实施例附图进一步说明本申请实施例具体实现。
图1为根据本申请第一实施例所示的图网络决策系统的结构示意图;如图1所示,该决策系统包括:要素提取单元,配置为对目标对象进行处理,得到知识要素;知识图谱构建单元,配置为根据所述知识要素,构建简化的知识图谱;知识图谱更新单元,配置为对简化的知识图谱进行更新,得到更新的知识图谱;图网络决策单元,配置为根据所述更新的知识图谱作出有效决策;其中,所述知识要素包括实体节点和实体关系,所述实体节点用于表征所述目标对象中的最小组成单元,所述实体关系用于表征两个所述实体节点之间的关系。
该实施例中,目标对象可以为1帧或多帧的二维图像,也可以为各种电路模型、机械模型、产品模型等各种知识数据,在此,并不以此为限。通过自动化或半自动化的技术对目标对象进行处理,获取用于对目标对象中最小组成单元进行表征的实体节点;在获取了目标对象的一系列实体节点之后,还需要从目标对象中提取出各最小组成单元之间的关联关系,这种关联关系就是各实体节点的实体关系,而后通过实体关系将各实体节点联系起来,以形成网状的知识结构,这种网状知识结构即为知识图谱。比如,要素提取单元对电子产品模型进行要素提取及关联关系提取,得到电子产品模型的最小组成单元的元器件(实体节点)以及元器件间的连接关系(实体关系),如电线等,然后通过元器件之间的连接关系将各元器件联系起来,形成网状的知识结构,就构成了电子产品模型的知识图谱。
需要说明的,两个所述实体节点之间的关系包括两个所述实体节点之间的空间关系和/或时间关系。比如,地理位置关系、雇佣关系等。在得到实体节点及实体关系后,将实体节点以及实体关系在数据资料库中进行保存,扩展丰富数据资料库,以便需要时调用。比如,对目标对象进行处理,得到目标对象中的实体节点;提取目标对象的最小组成单元的颜色、距离关系、位置关系、出现的时间以及速度大小、方向等实体关系,将这些实体节点及实体关系在数据资料库中进行保存,由知识图谱构建单元将数据资料库中保存的这些实体节点用它们之间的实体关系联系起来,就构成了简化的知识图谱。
在此,需要说明的是,实体关系除了用于表征两个所述实体节点之间的关系(如:钢球-弹性连接-钢球)外,该实施例中,还将目标对象的最小组成单元的属性视作实体节点与其属性值之间的一种属性关系,将这种属性关系作为实体关系的一种表现形式,比如,钢球与其密度属性之间的属性关系表示为:钢球-7900kg/m3-密度。
具体的,所述知识图谱更新单元进一步配置为,根据先验知识对简化的知识图谱进行更新,得到更新的知识图谱。
简化的知识图谱构建完成之后,在根据先验知识对简化的知识图谱进行更新的过程中,由于不同知识数据的来源不同,可能存在知识数据重复、层次结构缺失等问题,因而需要对先验知识与简化的知识图谱进行融合,以消除知识数据之间的不一致问题,进而形成高质量、更新的知识图谱,以便图网络决策单元根据更新的知识图谱作出有效决策。在此,需要说明的是,先验知识可以是预先设立的规则,也可以是计算模型通过算法在其它环境中总结得到的经验,并不以此为限。比如,在电子产品模型的知识图谱中,先验知识可以为电子产品设计师的经验。根据电子产品设计师的经验对电子产品模型的简化的知识图谱进行更新,而后再进行新的电子产品模型设计时,就可以根据加入有电子产品设计师经验的更新后的知识图谱作出电子的优化设计策略,极大的提高了设计效率,减少了设计时间和周期。
先验知识可以为预先设立的实体节点之间的相生/相克关系。所谓相生关系就是指两个实体节点之间存在有益的(或正向的)相互作用和/或影响;而相克关系则指两个实体节点之间存在有害的(或负面的)相互作用和/或影响。比如,在《星际争霸》的游戏中,工蜂能够采集水晶矿脉,导致水晶矿脉越来越少,因此,可以设置工蜂与水晶矿脉之间为相克关系;游戏中的主基地可以生产工蜂,工蜂也可以建造游戏主基地,因而,可以设置工蜂与游戏主基地之间为相生关系。通过在实体节点之间设置相生/相克关系,当开始一个新的游戏时,就可以将新的游戏中的实体节点与根据相生/相克关系进行更新的知识图谱进行比对,从根据相生/相克关系进行更新的知识图谱抽取出实体节点之间的关系应用于新的游戏,因而能够极大的减少知识图谱的更新时间。
进一步的,所述知识图谱更新单元进一步配置为,将所述先验知识加入所述简化的知识图谱,对所述简化的知识图谱中的实体节点和/或实体关系进行更新,以得到更新的知识图谱。
该实施例中,对简化的知识图谱中的实体节点、实体关系(包括属性关系)以及全局信息中的其中之一进行训练时,观察实体节点、实体关系以及全局信息中的其它二者所产生的变化,分析实体节点、实体关系以及全局信息三者之间的关系,进而对实体节点、实体关系以及全局信息进行更新。在此,需要说明的是,全局信息包括当实体节点或实体关系中的一个发生变化,导致另一个发生变化,致使整个简化的知识图谱的结构或性能发生变化的信息。例如,在一个能量守恒的小球弹簧系统中,当所有小球或连接弹簧的属性或关系发生变化时,导致整个小球弹簧系统的性能发生变化的信息即可认为是小球弹簧系统的全局信息。再比如,在电路系统中,当每个元器件或它们的连接关系发生变化导致整个电路系统的工作性能发生变化的信息即认为是电路系统的全局信息。
通过将先验知识加入简化的知识图谱,对简化的知识图谱中的实体节点和/或实体关系进行更新,使得知识图谱的更新得到了先验知识的支持,从而能够进一步挖掘隐含的知识数据,从而丰富、扩展数据资料库,得到更新的知识图谱。
具体的,所述知识图谱更新单元进一步配置为,基于深度学习算法,对所述简化的知识图谱中的实体节点和/或实体关系进行更新,以得到更新的知识图谱。
该实施例中,基于深度学习算法,根据先验知识对简化的知识图谱进行不断的训练,对简化的知识图谱中的实体节点、实体关系(包括属性关系)以及全局信息中的其中之一进行训练,观察实体节点、实体关系以及全局信息中的其它二者所产生的变化,分析实体节点、实体关系以及全局信息三者之间的关系,使得知识图谱能够在已有数据资料库的基础上,不断的更新简化的知识图谱,以得到更新的知识图谱。此外,还可以通过目标对象的不断更新,实现对知识图谱进行实时更新。
具体的,所述图网络决策单元进一步配置为,基于强化学习算法,根据所述更新的知识图谱作出有效决策。
该实施例中,由图网络决策单元中的图网络智能体根据更新的知识图谱作出有效决策,图网络智能体基于强化学习算法设计,通过强化学习策略不断的对自身参数进行动态调整,以作出最优的有效决策。比如,在产品模型的生成过程中,基于强化学习算法设计的图网络智能体能够根据关于产品模型的更新的知识图谱,作出决策,生成产品模型。然后对生成的产品模型进行分析,判断是否满足要求的设计指标参数,并将判断结果反馈给图网络智能体,图网络智能体根据判断结果决定是否需要重新生成产品模型。如果判断结果不满足设计指标参数,则图网络智能体对自身参数进行调整,重新生成产品模型,并再次判断是否满足要求的设计指标参数,将判断结果反馈给图网络智能体,循环往复,直至生成满足设计指标参数的产品模型为止。
对于电子产品模型,通过对电子产品模型以元器件为最小单元进行分割、提取,获取其实体节点和实体关系,构建简化的知识图谱;在简化的知识图谱中加入电子工程师的经验,基于深度学习算法,对简化的知识图谱进行更新;以由图网络智能体根据更新后的知识图谱作出电子产品模型的优化设计策略,而后由价值评估网络对该设计策略的好坏进行评估,评估结果反馈给图网络智能体,由图网络智能体对电子产品模型进行修改。
该实施例的图网络决策系统通过将先验知识加入知识图谱,使得知识图谱的更新得到了先验知识的支持,同时,基于深度学习算法,对加入先验知识的知识图谱中的实体节点、实体关系以及全局信息中其中之一进行训练,进而对实体节点、实体关系以及全局信息进行更新,实现知识图谱的不断更新,以使图网络智能体能够根据观察的更新后的知识图谱的环境,作出执行动作,即图网络智能体根据不断更新的知识图谱做出有效决策。
图2为根据本申请第二实施例所示的要素提取单元的结构示意图;如图2所示,该要素提取单元包括:节点分割模块,配置为对所述目标对象进行分割,得到所述实体节点;关系提取模块,配置为对所述目标对象进行关系提取,得到所述实体关系。
该实施例中,可以基于统计机器学习的方法或面向开放域的信息抽取方法等,对目标对象进行分割、抽取,从目标对象中得到表示最小组成单元的实体节点,并将其保存在数据资料库中;可以基于人工构造的语法语义规则或者基于特征向量的有监督学习方法以及面向开放域的信息抽取方法等,对目标对象进行关系提取,得到各实体节点间的实体关系。
比如,对于电子产品模型,通过将电子产品模型进行分割、抽取,得到电子产品模型的最小组成单元的元器件(实体节点),提取电子产品模型的元器件之间的连接关系(如电线)、存储关系等,提取的这些关系共同组成了电子产品模型各实体节点之间的实体关系,将关于电子产品模型的这些实体节点以及实体关系存入数据资料库中,就可以根据这些实体节点及实体关系构建关于电子产品模型的简化的知识图谱。
再比如,在《星际争霸》游戏中,将工蜂图像分割为躯干、翅膀等几个实体节点(最小组成单元),提取工蜂图像的每个最小组成单元的属性关系(颜色等)以及各实体节点至今的位置关系、距离关系等,提取的这些关系共同组成了工蜂各实体节点之间的实体关系,将关于工蜂的这些实体节点及实体关系存入数据资料库中,就可以构建关于工蜂的简化的知识图谱。
具体的,关系提取模块进一步配置为,基于专家知识库对所述目标对象进行关系提取,得到所述实体关系。
由于专家知识库是由行业专家构筑的大规模的领域知识库,包括了来自书本上的理论知识和各领域专家在长期的工作实践中所获得的经验知识,因而质量可靠,利用专家知识库对目标对象进行关系提取,得到的实体关系质量好、效率高。
图3为根据本申请第三实施例所示的知识图谱构建单元的结构示意图;如图3所示,该知识图谱构建单元包括:初始知识图谱构建模块,配置为根据所述实体节点和实体关系,建立初始的知识图谱;知识图谱简化模块,配置为对所述初始的知识图谱进行简化,得到所述简化的知识图谱。
该实施例中,通过自动化或半自动化的技术对目标对象进行处理,得到表征目标对象中的最小组成单元的实体节点;从目标对象中提取出各最小组成单元之间的实体关系,通过实体关系将各实体节点联系起来,建立关于目标对象的初始的知识图谱。例如,对电子产品模型以元器件进行分割,得到表征元器件的实体节点,提起电子产品模型中各元器件之间的实体关系,就可以根据这些实体节点及实体关系构建关于电子产品模型的简化的知识图谱。再比如,《星际争霸》游戏中,将工蜂图像分割为躯干、翅膀等几个实体节点(最小组成单元),提取工蜂图像的每个最小组成单元的实体关系,就可以构建关于工蜂的初始的知识图谱。
在初始的知识图谱中,由于是基于目标对象的最小组成单元构建的,因而存在庞大的实体节点以及实体关系,在实际的应用过程中,会使资源消耗增加,计算负担加重,因而,需要对初始的知识图谱进行简化,以在保证质量及功能的前提下,降低资源消耗,减轻计算负担。
具体的,所述知识图谱简化模块进一步配置为,对所述初始的知识图谱中的实体节点进行合并,以简化所述初始的知识图谱,得到所述简化的知识图谱。
该实施例中,根据各实体节点的属性关系对初始的知识图谱进行简化,将具有相互关联属性关系的实体节点进行合并,形成新的实体节点,简化初始的知识图谱。比如,电子产品模型中的一些同类元器件的基本属性、功能相同,仅具有容量、大小或某些参数的区别,将这些基本属性、功能相同的元器件进行合并,使代表这些元器件的实体节点合并为一个新的节点,以减少知识图谱中实体节点的数量,简化实体关系,这样实现了对电子产品模型的初始的知识图谱的简化。再比如,将工蜂图像分割为躯干、翅膀等的几个实体节点是连接在一起的,同时出现、同时消失,速度和方向均保持一致,因而,将代表这几部分的实体节点合并到一起,形成一个新的实体节点,这样就实现了对初始的知识图谱的简化。
图4为根据本申请第四实施例所示的知识图谱的构建系统的结构示意图;如图4所示,该构建系统包括:要素提取单元,配置为对目标对象进行处理,得到知识要素;知识图谱构建单元,配置为根据所述知识要素,构建简化的知识图谱;知识图谱更新单元,配置为对简化的知识图谱进行更新,得到更新的知识图谱;其中,所述知识要素包括实体节点和实体关系,所述实体节点用于表征所述目标对象中的最小组成单元,所述实体关系用于表征两个所述实体节点之间的关系。
具体的,两个所述实体节点之间的关系包括两个所述实体节点之间的空间关系和/或时间关系。
具体的,所述知识图谱更新单元进一步配置为,根据先验知识对简化的知识图谱进行更新,得到更新的知识图谱。
进一步的,所述知识图谱更新单元进一步配置为,将所述先验知识加入所述简化的知识图谱,对所述简化的知识图谱中的实体节点和/或实体关系进行更新,以得到更新的知识图谱。
具体的,所述知识图谱更新单元进一步配置为,基于深度学习算法,对所述简化的知识图谱中的实体节点和/或实体关系进行更新,以得到更新的知识图谱。
该实施例所示的知识图谱的构建系统的操作流程参照上述图1所示第一实施例中关于知识图谱的构建及更新的操作流程,在此不再一一赘述。
图5为根据本申请第五实施例所示的图网络决策方法的流程示意图;如图5所示,该图网络决策方法,包括:
S501、对目标对象进行处理,得到知识要素,其中,所述知识要素包括实体节点和实体关系,所述实体节点用于表征所述目标对象中的最小组成单元,所述实体关系用于表征两个所述实体节点之间的关系;
在步骤S501中,两个所述实体节点之间的关系包括两个所述实体节点之间的空间关系和/或时间关系。
S502、根据所述知识要素,构建简化的知识图谱;
S503、根据先验知识对简化的知识图谱进行更新,得到更新的知识图谱;
在步骤S503中,包括:根据先验知识对简化的知识图谱进行更新,得到更新的知识图谱。
进一步的,将所述先验知识加入所述简化的知识图谱,对所述简化的知识图谱中的实体节点和/或实体关系进行更新,以得到更新的知识图谱。
S504、根据所述更新的知识图谱作出有效决策;
在步骤S504中,包括:基于强化学习算法,根据所述更新的知识图谱作出有效决策。
该实施例所示的图网络决策方法的操作流程参照上述图1所示第一实施例的操作流程,在此不再一一赘述。
图6为根据本申请第六实施例所示的知识图谱的构建方法的流程示意图;如图6所示,该知识图谱的构建方法包括:
步骤S601、对目标对象进行处理,得到知识要素,其中,所述知识要素包括实体节点和实体关系,所述实体节点用于表征所述目标对象中的最小组成单元,所述实体关系用于表征两个所述实体节点之间的关系;
在步骤S601中,两个所述实体节点之间的关系包括两个所述实体节点之间的空间关系和/或时间关系。
步骤S602、根据所述知识要素,构建简化的知识图谱;
步骤S603、对简化的知识图谱进行更新,得到更新的知识图谱;
在步骤S603中,根据先验知识对简化的知识图谱进行更新,得到更新的知识图谱。
进一步的,将所述先验知识加入所述简化的知识图谱,对所述简化的知识图谱中的实体节点和/或实体关系进行更新,以得到更新的知识图谱。
在步骤S603中,还可以基于深度学习算法,对所述简化的知识图谱中的实体节点和/或实体关系进行更新,以得到更新的知识图谱。
该实施例所示的知识图谱的构建方法的操作流程参照上述图4所示第四实施例种步骤S501-步骤S503的操作流程,在此不再一一赘述。
图7为根据本申请第七实施例所示的对目标对象进行处理得到知识要素的流程示意图;如图7所示,对目标对象进行处理得到知识要素包括:
步骤S701、对所述目标对象进行分割,得到所述实体节点;
步骤S702、对所述目标对象进行关系提取,得到所述实体关系;
在步骤S702中,基于专家知识库对所述目标对象进行关系提取,得到所述实体关系。
该实施例所示的对目标对象进行处理得到知识要素的操作流程参照上述图2所示第二实施例的操作流程,在此不再一一赘述。
图8为根据本申请第八实施例所示的根据所述知识要素构建简化的知识图谱的流程示意图;如图8所示,根据所述知识要素构建简化的知识图谱包括:
步骤S801、根据所述实体节点和实体关系,建立初始的知识图谱;
步骤S802、对所述初始的知识图谱进行简化,得到所述简化的知识图谱;
在步骤S802中,对所述初始的知识图谱中的实体节点进行合并,以简化所述初始的知识图谱,得到所述简化的知识图谱。
该实施例所示的根据所述知识要素构建简化的知识图谱的操作流程参照上述图3所示第三实施例的操作流程,在此不再一一赘述。
图9为根据本申请第九实施例所示的图网络决策设备的结构示意图;该设备可以包括:
一个或多个处理器901;
计算机可读介质902,可以配置为存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一实施例中所述的文本识别方法。
图10为根据本申请第十实施例所示的图网络决策设备的硬件结构;如图10所示,该设备的硬件结构可以包括:处理器1001,通信接口1002,计算机可读介质1003和通信总线1004;
其中处理器1001、通信接口1002、计算机可读介质1003通过通信总线904完成相互间的通信;
可选的,通信接口1002可以为通信模块的接口,如GSM模块的接口;
其中,处理器1001具体可以配置为:对目标对象进行处理,得到知识要素;根据所述知识要素,构建简化的知识图谱;对简化的知识图谱进行更新,得到更新的知识图谱;基于所述图网络,根据所述更新的知识图谱作出有效决策;其中,所述知识要素包括实体节点和实体关系,所述实体节点用于表征所述目标对象中的最小组成单元,所述实体关系用于表征两个所述实体节点之间的关系。
处理器1001可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。至此,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种图网络决策系统,其特征在于,包括:
要素提取单元,配置为对目标对象进行处理,得到知识要素,所述目标对象为一帧或多帧的二维图像、电路模型、机械模型中的一种;
知识图谱构建单元,配置为根据所述知识要素,构建简化的知识图谱;
知识图谱更新单元,配置为对简化的知识图谱进行更新,得到更新的知识图谱;
图网络决策单元,配置为根据所述更新的知识图谱作出有效决策;
其中,所述知识要素包括实体节点和实体关系,所述实体节点用于表征所述目标对象中的最小组成单元,所述实体关系用于表征两个所述实体节点之间的关系;
进一步地,所述知识图谱构建单元包括:初始知识图谱构建模块,配置为根据所述实体节点和实体关系,建立初始的知识图谱;知识图谱简化模块,配置为对所述初始的知识图谱进行简化,得到所述简化的知识图谱;所述知识图谱简化模块进一步配置为,对所述初始的知识图谱中的实体节点进行合并,以简化所述初始的知识图谱,得到所述简化的知识图谱;
对应地,所述根据所述实体节点和实体关系,建立初始的知识图谱,包括:获取用于对所述目标对象中最小组成单元进行表征的实体节点,从所述目标对象中提取出各个所述最小组成单元之间的关联关系,所述关联关系即为各个实体节点之间的实体关系,将根据所述实体关系将各个所述实体节点联系起来形成的网状知识结构确定为所述初始知识图谱;其中,将所述目标对象的最小组成单元的属性作为所述实体节点与其属性值之间的一种属性关系,将所述属性关系作为所述实体关系的一种;
所述对所述初始的知识图谱中的实体节点进行合并,以简化所述初始的知识图谱,得到所述简化的知识图谱,包括:根据各个所述实体节点的属性关系对所述知识图谱进行简化,将具有相互关联属性关系的实体节点进行合并,形成新的实体节点,根据所述新的实体节点,以简化所述初始知识图谱,构建简化的知识图谱;
所述知识图谱更新单元还配置为:基于深度学习算法,对所述简化的知识图谱中的实体节点和/或实体关系进行更新,以得到更新的知识图谱;具体为:基于深度学习算法,根据先验知识对所述简化的知识图谱进行训练,对简化的知识图谱中的实体节点、实体关系以及全局信息中的一种进行训练,确定所述实体节点、实体关系以及全局信息中其他二者的变化,分析实体节点、实体关系以及全局信息三者之间的关系,以不断的更新简化的知识图谱;其中,所述先验知识为预先设立的规则,或者为预先设立的实体节点之间的相生/相克关系;所述全局信息包括:当所述实体节点或实体关系中的一个发生变化,导致另一个发生变化,致使整个简化的知识图谱的结构或性能发生变化的信息。
2.根据权利要求1所述的决策系统,其特征在于,所述要素提取单元包括:
节点分割模块,配置为对所述目标对象进行分割,得到所述实体节点;
关系提取模块,配置为对所述目标对象进行关系提取,得到所述实体关系。
3.根据权利要求2所述的决策系统,其特征在于,所述关系提取模块进一步配置为,基于专家知识库对所述目标对象进行关系提取,得到所述实体关系。
4.根据权利要求1所述的决策系统,其特征在于,所述知识图谱更新单元进一步配置为,根据先验知识对简化的知识图谱进行更新,得到更新的知识图谱。
5.根据权利要求4所述的决策系统,其特征在于,所述知识图谱更新单元进一步配置为,将所述先验知识加入所述简化的知识图谱,对所述简化的知识图谱中的实体节点和/或实体关系进行更新,以得到更新的知识图谱。
6.根据权利要求1所述的决策系统,其特征在于,所述图网络决策单元进一步配置为,基于强化学习算法,根据所述更新的知识图谱作出有效决策。
7.根据权利要求1所述的决策系统,其特征在于,所述图网络决策单元进一步配置为对所述简化的知识图谱的更新进行评估。
8.根据权利要求1-7中任一所述的决策系统,其特征在于,所述两个所述实体节点之间的关系包括两个所述实体节点之间的空间关系和/或时间关系。
9.一种图网络决策方法,其特征在于,包括:
对目标对象进行处理,得到知识要素,所述目标对象为一帧或多帧的二维图像、电路模型、机械模型中的一种;
根据所述知识要素,构建简化的知识图谱;
根据先验知识对简化的知识图谱进行更新,得到更新的知识图谱;
根据所述更新的知识图谱作出有效决策;
其中,所述知识要素包括实体节点和实体关系,所述实体节点用于表征所述目标对象中的最小组成单元,所述实体关系用于表征两个所述实体节点之间的关系;
进一步地,所述根据所述知识要素,构建简化的知识图谱,包括:根据所述实体节点和实体关系,建立初始的知识图谱;对所述初始的知识图谱进行简化,得到所述简化的知识图谱,具体为:对所述初始的知识图谱中的实体节点进行合并,以简化所述初始的知识图谱,得到所述简化的知识图谱;
对应地,所述根据所述实体节点和实体关系,建立初始的知识图谱,包括:获取用于对所述目标对象中最小组成单元进行表征的实体节点,从所述目标对象中提取出各个所述最小组成单元之间的关联关系,所述关联关系即为各个实体节点之间的实体关系,将根据所述实体关系将各个所述实体节点联系起来形成的网状知识结构确定为所述初始知识图谱;其中,将所述目标对象的最小组成单元的属性作为所述实体节点与其属性值之间的一种属性关系,将所述属性关系作为所述实体关系的一种;
所述对所述初始的知识图谱中的实体节点进行合并,以简化所述初始的知识图谱,得到所述简化的知识图谱,包括:根据各个所述实体节点的属性关系对所述知识图谱进行简化,将具有相互关联属性关系的实体节点进行合并,形成新的实体节点,根据所述新的实体节点,简化所述初始知识图谱,构建简化的知识图谱;
所述知识图谱更新单元还配置为:基于深度学习算法,对所述简化的知识图谱中的实体节点和/或实体关系进行更新,以得到更新的知识图谱;具体为:基于深度学习算法,根据所述先验知识对所述简化的知识图谱进行训练,对简化的知识图谱中的实体节点、实体关系以及全局信息中的一种进行训练,确定所述实体节点、实体关系以及全局信息中其他二者的变化,分析实体节点、实体关系以及全局信息三者之间的关系,以不断的更新简化的知识图谱;其中,所述先验知识为预先设立的规则,或者为预先设立的实体节点之间的相生/相克关系;所述全局信息包括:当所述实体节点或实体关系中的一个发生变化,导致另一个发生变化,致使整个简化的知识图谱的结构或性能发生变化的信息。
10.一种知识图谱的构建方法,其特征在于,包括:
对目标对象进行处理,得到知识要素,所述目标对象为一帧或多帧的二维图像、电路模型、机械模型中的一种;
根据所述知识要素,构建简化的知识图谱;
根据先验知识对简化的知识图谱进行更新,得到更新的知识图谱,以根据所述更新的知识图谱作出有效决策;
其中,所述知识要素包括实体节点和实体关系,所述实体节点用于表征所述目标对象中的最小组成单元,所述实体关系用于表征两个所述实体节点之间的关系;
进一步地,所述根据所述知识要素,构建简化的知识图谱,包括:根据所述实体节点和实体关系,建立初始的知识图谱;对所述初始的知识图谱进行简化,得到所述简化的知识图谱,具体为:对所述初始的知识图谱中的实体节点进行合并,以简化所述初始的知识图谱,得到所述简化的知识图谱;
对应地,所述根据所述实体节点和实体关系,建立初始的知识图谱,包括:获取用于对所述目标对象中最小组成单元进行表征的实体节点,从所述目标对象中提取出各个所述最小组成单元之间的关联关系,所述关联关系即为各个实体节点之间的实体关系,将根据所述实体关系将各个所述实体节点联系起来形成的网状知识结构确定为所述初始知识图谱;其中,将所述目标对象的最小组成单元的属性作为所述实体节点与其属性值之间的一种属性关系,将所述属性关系作为所述实体关系的一种;
所述对所述初始的知识图谱中的实体节点进行合并,以简化所述初始的知识图谱,得到所述简化的知识图谱,包括:根据各个所述实体节点的属性关系对所述知识图谱进行简化,将具有相互关联属性关系的实体节点进行合并,形成新的实体节点,根据所述新的实体节点,简化所述初始知识图谱,构建简化的知识图谱;
所述知识图谱的构建方法还包括:基于深度学习算法,对所述简化的知识图谱中的实体节点和/或实体关系进行更新,以得到更新的知识图谱;具体为:基于深度学习算法,根据所述先验知识对所述简化的知识图谱进行训练,对简化的知识图谱中的实体节点、实体关系以及全局信息中的一种进行训练,确定所述实体节点、实体关系以及全局信息中其他二者的变化,分析实体节点、实体关系以及全局信息三者之间的关系,以不断的更新简化的知识图谱;其中,所述先验知识为预先设立的规则,或者为预先设立的实体节点之间的相生/相克关系;所述全局信息包括:当所述实体节点或实体关系中的一个发生变化,导致另一个发生变化,致使整个简化的知识图谱的结构或性能发生变化的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740814.1A CN110457403B (zh) | 2019-08-12 | 2019-08-12 | 图网络决策系统、方法及知识图谱的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740814.1A CN110457403B (zh) | 2019-08-12 | 2019-08-12 | 图网络决策系统、方法及知识图谱的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110457403A CN110457403A (zh) | 2019-11-15 |
CN110457403B true CN110457403B (zh) | 2022-04-22 |
Family
ID=68485994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910740814.1A Active CN110457403B (zh) | 2019-08-12 | 2019-08-12 | 图网络决策系统、方法及知识图谱的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110457403B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255347B (zh) * | 2020-02-10 | 2022-11-15 | 阿里巴巴集团控股有限公司 | 实现数据融合的方法和设备及实现无人驾驶设备的识别方法 |
CN111339315B (zh) * | 2020-02-21 | 2023-05-02 | 南京星火技术有限公司 | 知识图谱构建方法、系统、计算机可读介质和电子设备 |
CN111368021A (zh) * | 2020-02-25 | 2020-07-03 | 同盾控股有限公司 | 基于知识网络的智能决策方法及装置、终端、存储介质 |
CN111324643B (zh) * | 2020-03-30 | 2023-08-29 | 北京百度网讯科技有限公司 | 知识图谱的生成方法、关系挖掘方法、装置、设备和介质 |
CN111680170B (zh) * | 2020-06-11 | 2023-05-02 | 南京星火技术有限公司 | 周期结构的物理特性预测方法、装置及相关产品 |
CN111611410B (zh) * | 2020-06-23 | 2024-01-12 | 中国人民解放军国防科技大学 | 基于多层网络空间知识表示的知识处理方法和装置 |
CN112328749B (zh) * | 2020-11-25 | 2024-05-03 | 北京百度网讯科技有限公司 | 知识要素提取方法、装置、电子设备、介质和程序产品 |
CN113486989B (zh) * | 2021-08-04 | 2024-04-09 | 北京字节跳动网络技术有限公司 | 基于知识图谱的对象识别方法、装置、可读介质和设备 |
CN117396861A (zh) * | 2021-08-27 | 2024-01-12 | 西门子股份公司 | 生成知识图谱的方法、装置和计算机可读介质 |
CN116150438B (zh) * | 2023-04-19 | 2023-07-28 | 苏州傲林科技有限公司 | 基于交易图谱的数据处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633093A (zh) * | 2017-10-10 | 2018-01-26 | 南通大学 | 一种供电决策知识图谱的构建及其查询方法 |
CN108563766A (zh) * | 2018-04-19 | 2018-09-21 | 天津科技大学 | 食品检索的方法及装置 |
CN108875827A (zh) * | 2018-06-15 | 2018-11-23 | 广州深域信息科技有限公司 | 一种细粒度图像分类的方法及系统 |
CN109597855A (zh) * | 2018-11-29 | 2019-04-09 | 北京邮电大学 | 基于大数据驱动的领域知识图谱构建方法及系统 |
CN109817329A (zh) * | 2019-01-21 | 2019-05-28 | 暗物智能科技(广州)有限公司 | 一种医疗问诊对话系统以及应用于该系统的强化学习方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190042950A1 (en) * | 2017-08-01 | 2019-02-07 | Ca, Inc. | Learning computing activities and relationships using graphs |
-
2019
- 2019-08-12 CN CN201910740814.1A patent/CN110457403B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633093A (zh) * | 2017-10-10 | 2018-01-26 | 南通大学 | 一种供电决策知识图谱的构建及其查询方法 |
CN108563766A (zh) * | 2018-04-19 | 2018-09-21 | 天津科技大学 | 食品检索的方法及装置 |
CN108875827A (zh) * | 2018-06-15 | 2018-11-23 | 广州深域信息科技有限公司 | 一种细粒度图像分类的方法及系统 |
CN109597855A (zh) * | 2018-11-29 | 2019-04-09 | 北京邮电大学 | 基于大数据驱动的领域知识图谱构建方法及系统 |
CN109817329A (zh) * | 2019-01-21 | 2019-05-28 | 暗物智能科技(广州)有限公司 | 一种医疗问诊对话系统以及应用于该系统的强化学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110457403A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110457403B (zh) | 图网络决策系统、方法及知识图谱的构建方法 | |
EP3889830A1 (en) | Cross-modality processing method and apparatus, electronic device and computer storage medium | |
CN107957989B (zh) | 基于集群的词向量处理方法、装置以及设备 | |
KR20190056720A (ko) | 뉴럴 네트워크 학습 방법 및 디바이스 | |
CN110059023B (zh) | 一种刷新级联缓存的方法、系统及设备 | |
CN117033667B (zh) | 一种知识图谱构建方法、装置、存储介质及电子设备 | |
CN116151363B (zh) | 分布式强化学习系统 | |
US20200167527A1 (en) | Method, device, and apparatus for word vector processing based on clusters | |
CN113157941B (zh) | 业务特征数据处理、文本生成方法、装置及电子设备 | |
CN114358243A (zh) | 通用特征提取网络训练方法、装置及通用特征提取网络 | |
CN117332282B (zh) | 一种基于知识图谱的事件匹配的方法及装置 | |
CN116341642B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN116630480A (zh) | 一种交互式文本驱动图像编辑的方法、装置和电子设备 | |
CN115600090A (zh) | 一种模型的所有权验证方法、装置、存储介质及电子设备 | |
WO2021233389A1 (zh) | 增强深度学习模型鲁棒性的方法及装置 | |
CN114723024A (zh) | 用于存算一体芯片的基于线性规划的神经网络映射方法 | |
CN113391795A (zh) | 一种应用场景和软件开发包自适应映射的实现方法和系统 | |
CN111598092A (zh) | 图像中目标区域的确定方法、目标识别方法及装置 | |
CN115953706B (zh) | 虚拟形象处理方法及装置 | |
CN110704742A (zh) | 一种特征提取方法及装置 | |
CN112949642B (zh) | 一种文字生成方法、装置、存储介质及电子设备 | |
CN116340469B (zh) | 一种同义词挖掘方法、装置、存储介质及电子设备 | |
CN115905569B (zh) | 一种基于节点自适应的小样本知识图谱补全方法和装置 | |
CN113033212B (zh) | 文本数据处理方法及装置 | |
WO2023159762A1 (zh) | 基于人工智能的文本分类方法、装置、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |