CN110688394B - 面向新型供电城轨列车大数据运维的nl生成sql方法 - Google Patents
面向新型供电城轨列车大数据运维的nl生成sql方法 Download PDFInfo
- Publication number
- CN110688394B CN110688394B CN201910934900.6A CN201910934900A CN110688394B CN 110688394 B CN110688394 B CN 110688394B CN 201910934900 A CN201910934900 A CN 201910934900A CN 110688394 B CN110688394 B CN 110688394B
- Authority
- CN
- China
- Prior art keywords
- database
- data
- natural language
- model
- deep learning
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2452—Query translation
- G06F16/24522—Translation of natural language queries to structured queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- 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
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
- G06F16/24558—Binary matching operations
- G06F16/2456—Join operations
-
- 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
-
- 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
Abstract
本发明公开了一种面向新型供电城轨列车大数据运维的NL生成SQL方法。从新型供电城轨列车上收集运行时产生的多种数据,整理成各自的结构化数据,存入关系型数据库的多个数据表中;使用预训练模型对自然语言和数据库的表名及列名进行编码,获得两种编码;构建符合语法结构的语法解析树模板,对语法解析树模板中需要填充的部分进行训练和预测;将待查询的自然语言输入深度学习模型获得数据库中需查询的表名信息,生成完整数据库查询语句,执行该数据库查询语句获取所需查询的数据。本发明根据自然语言问句自动产生数据库查询语句,提升了运维数据的工作效率,在不同场景下涉及的数据库多表查询操作时能准确地返回所需查询的数据。
Description
技术领域
本发明涉及人工智能领域的数据库自然语言查询处理方法,尤其是涉及了一种面向新型供电城轨列车大数据运维的NL(自然语言)生成SQL(数据库查询语句)方法。
背景技术
近年来,随着我国经济不断增长,基础建设事业也在迅猛地增长,其中轨道交通行业也迎来了发展的红利。针对新型供电城轨列车的海量数据运维来说,运维人员并不是数据库领域的专家,更期望通过自然语言对数据库进行数据查询,来提升运维时的效率。因此,通过研究如何将人的自然语言问句转化为可执行的数据库查询语句,来提升新型供电城轨列车大数据运维时的效率,也成了人工智能和数据库跨领域结合的热门研究之一。
自然语言生成数据库查询语句技术的实现方法有两种:1)基于流水线的方法;2)基于深度学习模型的方法。
基于流水线的方法通常是先将自然语言转化为一种中间表达,然后再将这种中间表达通过特定的方式转化为可执行的SQL。这种方法在构建自然语言查询接口时,需要清楚地定义自然语言问句能查询的语义范围,对自然语言问句的描述在语法和语义上存在着很强的限制,因此不能处理灵活的自然语言问句,具有一定的局限性。
基于深度学习模型的方法在早期把自然语言生成SQL当作一个序列生成任务,利用类似机器翻译中的Seq2Seq模型来解决这个问题。但是一般的Seq2Seq模型没有考虑到可执行的SQL语句的语法上还存在着一些格式上的限制。针对这个问题,后期有的研究提出使用固定的模板填充方式来生成SQL语句,该方法预先定义好自然语言查询对应的SQL模板,然后再对空白部分进行填充。这种方式相对基于Seq2Seq模型的方法能够减少生成的SQL语句不能执行的错误,从而提升查询结果准确率。
运维人员在新型供电城轨列车的很多场景下做运维时,会涉及到的数据库多表查询操作,而上述现存的方法都局限于数据库单表的数据查询,无法完成数据库多表查询中的表路径聚合的操作,因此不适用于新型供电城轨列车在大数据运维时的数据查询操作。
发明内容
针对现有技术的不足,本发明的目的在于提供了一种面向新型供电城轨列车大数据运维的NL生成SQL方法,解决了数据库中的多表查询操作,解决了现有自然语言生成数据库查询语句技术应用场景仅限于数据库中单个表中数据查询而无法适用于复杂的新型供电城轨列车的运维数据的技术难题。
自然语言生成数据库查询语句技术是实现基于自然语言问句的数据库查询的核心技术。本发明将列车运维过程中产生的结构化大数据存储在数据库的多个表中。数据运维使用简单的自然语言问句而非复杂的SQL语句来检索运维大数据。
如图1所示,本发明解决其技术问题采用的技术方案如下:
(1)从新型供电城轨列车上收集运行时产生的多种数据,例如为车厢的空气烟感检测数据、车厢内饮用水存储水位数据、温度湿度传感数据等,均通过整理后形成各自的结构化数据,将结构化数据存入关系型数据库的多个数据表中,一个数据表对应存储一种数据;
(2)使用预训练模型对自然语言和数据库的表名及列名进行编码,获得两种编码,作为后续深度学习模型的输入;
(3)构建符合语法结构的语法解析树模板,使用深度学习分类模型对语法解析树模板中需要填充的部分进行训练和预测;
(4)语句生成阶段,将待查询的自然语言输入深度学习模型获得数据库中需查询的表名信息,接着根据数据库模式生成完整数据库查询语句,执行该数据库查询语句获取所需查询的数据。
本发明在运维新型供电城轨列车系统时查询数据是采用自然语言进行查询,构建与需求相匹配的数据库查询语句,作为后续深度学习模型的训练数据。
所述步骤(1)具体是:将列车运行时收集到的数据进行结构化的处理,处理后的结构化数据的存储应该存储于MySQL等数据库中,数据库的表结构符合新型供电城轨列车大数据运维的实际需求。
所述步骤(2)中,使用预训练模型对查询时所需使用的自然语言和数据库模式编码为向量:数据库模式是指数据库的结构包括了数据表的表名和列名以及数据表之间的主外键连接关系。预训练模型为一个预先已经训练好的用于编码的神经网络,对数据库模式的编码是将数据库模式中数据表的每个列名与其所在表名一起进行编码作为第一种编码,一个列名及其表名作为一个编码,对自然语言的编码是对自然语言编码后再分别结合不同数据表的不同列名利用注意力机制进行编码作为第二种编码,即在自然语言编码和单个数据表的单个列名的编码一起利用注意力机制形成一个编码并替代原自然语言编码,从而实现差异化编码。
不同的列名在自然语言中对应含义不同,通过上述实施能够解决了列名查询处理无法区分的技术问题。
具体实施中,自然语言例如为,“返回四号车厢空气烟感状况”,“返回五号车厢空气烟感状况”。
所述步骤(3)中,根据数据库查询语句的语法结构,构建出符合语法结构的语法解析树模板,语法解析树为符合数据库查询语句的语法规则的树形结构。语法解析树模板由固定部分和不固定部分组成,固定部分为数据库查询语句的关键词,不固定部分为数据库模式中的表名、列名,一个自然语言对应一个数据库查询语句,数据库模式中的其中一些表名/列名会与一个数据库查询语句固定对应。其中的不固定部分作为空白部分,对语法解析树模板的不固定部分采用深度学习分类模型训练后进行填充:训练阶段,以与数据库查询语句对应的数据库模式中的每个列名及其表名作为一个标签,将所有各个标签结合各自对应的两种编码的所有编码一起输入深度学习分类模型进行训练;在模型训练阶段,通过数据对模型不断迭代更新,完成训练后固定模型参数。预测阶段,将需处理的两种编码的各自一个组成的两个编码输入到训练后的深度学习分类模型,预测输出不固定部分的数据库模式中的表名、列名进行填充。
由此,本发明特别地通过利用深度学习分类模型来解决表名/列名是否和数据库查询语句对应相关的分类问题,利用深度学习分类模型来实现自然语言生成数据库查询语句。
所述的深度学习分类模型采用神经网络结构。
所述步骤(4)具体为:在语句生成阶段,将待查询的自然语言进行与步骤(2)同样方式编码后获得两种编码的两个编码再输入深度学习模型中,获取该待测自然语言对应的数据库查询语句在数据库中查询的表名信息,接着根据数据库模式中的主外键连接关系通过图的路径生成算法(例如广度优先遍历,斯坦纳树生成等算法)产生数据库查询语句中多表集合的聚合路径,沿聚合路径生成完整数据库查询语句的JOIN部分结合模型的输出,从而获得完整数据库查询语句,再将其输入关系型数据库的查询系统中对数据库执行该数据库查询语句获取所需查询的数据,获得最终的查询结果。
本发明其中采用了基于语法解析树的模板填充方法,使用深度学习分类模型,可根据自然语言问句自动产生数据库查询语句,提升了运维数据的工作效率。本发明在面向新型供电城轨列车不同场景下涉及的数据库多表查询操作时,能准确地返回所需查询的数据。
本发明具有的有益效果是:
本发明利用了深度学习模型来处理自然语言接口构建的问题,新型供电城轨列车的运维操作能够利用该接口通过自然语言描述来完成个性化的查询。
本发明方法面对复杂的数据库多表查询时,可以准确地产生查询中的多表聚合路径。
本发明不仅是一种端到端的自然语言生成数据库查询技术,在构建时没有复杂的中间操作,而且还是一种用户友好型的自然语言查询接口,在使用时通过输入自然语言问句即可获得所需查询数据。
附图说明
图1是本发明实施步骤流程图。
图2是语法解析树模板示意图。
具体实施方式
现结合具体实施和示例对本发明的数据方案作进一步说明。
如图1,本发明具体实施例及其实施过程如下:
步骤1:新型供电城轨列车在运行时会产生大量的数据,这些历史数据对运维人员对列车进行运维时具有重要的参考作用。本实例中收集这些数据,并将其结构化后存入MySQL关系型数据库的多个数据表中,以便于后续查询和管理。该步骤的输入为收集到的数据,输出为包含结构化后数据的多个数据表,数据表规模为20。
步骤2:在将自然语言和数据库中的表名列名信息输入深度学习分类模型前,需要进行编码。本实例中利用网上开源的预训练模型BERT对原始的自然语言和数据库表名列名进行编码生成向量。在对列名编码的时,将列对应的数据库表名信息加入其中,例如在对数据表“空气烟感状况”的其中一个列名“车厢号”编码时,会将“空气烟感状况”和“车厢号”连接后输入预训练模型BERT中。对自然语言编码时,首先自然语言编码输入预训练模型BERT中,获得一个中间编码,再分别结合不同数据表的不同列名利用注意力机制进行编码,例如“返回四号车厢的空气烟感状况和气温”等自然语言在经过BERT编码之后还要针对不同列名,例如“空气烟感状况”中的“车厢号”、“烟感装置位置”等通过注意力机制进行差异化编码。
注意力机制的公式如下:
ω=softmax(w)
EQ|col=EQω
其中,第一个公式中,Hcol表示列名的编码结果,右上角的符号T表示进行转置操作,W表示可训练的参数矩阵,表示自然语言第i个词的编码隐藏状态,wi表示自然语言第i个词计算的中间结果;第二个公式中,w是指自然语言中所有词的中间结果向量,softmax是一个函数,用于归一化,ω为归一化之后的值;第三个公式中,EQ表示自然语言中所有词的编码隐藏状态矩阵,EQ|col为使用注意力机制对自然语言编码后的结果。该步骤中编码的自然语言的数量为3821条,数据库列名数量为206个。
步骤3:本实例中根据自然语言和对应的数据库查询语句,构建符合语法结构的语法解析树。例如,自然语言为“返回不同车厢的编号和车厢中的乘客数量”,对应的数据库查询语句为“SELECT车厢,count(乘客)FROM列车运行状况GROUP BY车厢”,图2的语法解析树模板对应的就是这个数据库查询语句,其中实线框中是固定部分,虚线框中是不固定部分。在模型训练阶段,利用步骤2中获得的两种编码输入深度学习分类模型中,本实例的深度学习分类模型采用的是多层感知机的神经网络结构。在训练中,图2中虚线框中不固定部分是已知的,根据和训练过程中的预测结果不断进行比较来迭代更新模型的参数,直到收敛。本实例在GPU型号NVIDIA Quadro P5000,16GB的环境下训练时间约为12个小时。而在预测时,图2中虚线框中不固定部分是未知的,根据模型的输出结果对不固定的部分进行填充。
步骤4:利用步骤3中训练完成的深度学习分类模型,在语句生成阶段,在有待测的自然语言输入时,完成例如图2中虚线框中不固定部分的填充。但构建完整的数据库查询语句还需要在查询中的多个表的聚合路径,即JOIN部分。本实例中使用深度学习分类模型的输出获取需要聚合的表名作为节点,以及数据库模式中的主外键连接关系构建图,将两者输入广度优先遍历算法产生表之间的聚合路径,例如自然语言“返回四号车厢的空气烟感状况和气温”,在经过步骤3的语法解析树填充后,获得需要聚合的表为“空气烟感状况”、“温度湿度状况”,利用广度优先遍历算法后获得的JOIN部分的结果为“FROM空气烟感状况AS T1 JOIN温度湿度状况AS T2 ON T1.车厢=T2.车厢”。将JOIN部分结合深度学习分类模型的输出,构成完成的数据库查询语句。将这些生成的数据库查询语句输入关系型数据库中进行查询,获取查询结果,本实例中查询结果的准确率满足新型供电城轨列车大数据运维时的需求。
本实例实现了面向新型供电城轨列车大数据运维的NL生成SQL的具体方法,解决了现有自然语言生成数据库查询语句技术不能解决的数据库多表查询问题,因此适用于复杂的新型供电城轨列车大运维数据场景下的技术难题。
Claims (2)
1.一种面向新型供电城轨列车大数据运维的NL生成SQL方法,其特征在于:该方法的步骤如下:
(1)从新型供电城轨列车上收集运行时产生的多种数据,均通过整理后形成各自的结构化数据,将结构化数据存入关系型数据库的多个数据表中;
(2)使用预训练模型对自然语言和数据库的表名及列名进行编码,获得两种编码,作为后续深度学习模型的输入;
步骤(2)中,具体使用预训练模型对查询时所需使用的自然语言和数据库模式编码为向量:预训练模型为一个预先已经训练好的用于编码的神经网络,对数据库模式的编码是将数据库模式中数据表的每个列名与其所在表名一起进行编码作为第一种编码,对自然语言的编码是对自然语言编码后再分别结合不同数据表的不同列名利用注意力机制进行编码作为第二种编码;
(3)构建符合语法结构的语法解析树模板,使用深度学习分类模型对语法解析树模板中需要填充的部分进行训练和预测;
步骤(3)中,具体根据数据库查询语句的语法结构,构建出符合语法结构的语法解析树模板,语法解析树模板由固定部分和不固定部分组成,固定部分为数据库查询语句的关键词,不固定部分为数据库模式中的表名、列名,其中的不固定部分作为空白部分,对语法解析树模板的不固定部分采用深度学习分类模型训练后进行填充:训练阶段,以与数据库查询语句对应的数据库模式中的每个列名及其表名作为一个标签,将所有各个标签结合各自对应的两种编码的所有编码一起输入深度学习分类模型进行训练;预测阶段,将需处理的两种编码的各自一个组成的两个编码输入到训练后的深度学习分类模型,预测输出不固定部分的数据库模式中的表名、列名进行填充;
(4)语句生成阶段,将待查询的自然语言输入深度学习模型获得数据库中需查询的表名信息,接着根据数据库模式生成完整数据库查询语句,执行该数据库查询语句获取所需查询的数据;
所述步骤(4)具体为:在语句生成阶段,将待查询的自然语言进行与步骤(2)同样方式编码后获得两种编码的两个编码再输入深度学习模型中,获取待查询的自然语言对应的数据库查询语句在数据库中查询的表名信息,接着根据数据库模式中的主外键连接关系通过图的路径生成算法产生数据库查询语句中多表集合的聚合路径,沿聚合路径生成完整数据库查询语句的JOIN部分结合模型的输出,从而获得完整数据库查询语句,再对数据库执行该数据库查询语句获取所需查询的数据。
2.根据权利要求1所述的一种面向新型供电城轨列车大数据运维的NL生成SQL方法,其特征在于:所述的深度学习分类模型采用神经网络结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910934900.6A CN110688394B (zh) | 2019-09-29 | 2019-09-29 | 面向新型供电城轨列车大数据运维的nl生成sql方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910934900.6A CN110688394B (zh) | 2019-09-29 | 2019-09-29 | 面向新型供电城轨列车大数据运维的nl生成sql方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110688394A CN110688394A (zh) | 2020-01-14 |
CN110688394B true CN110688394B (zh) | 2021-11-23 |
Family
ID=69111173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910934900.6A Active CN110688394B (zh) | 2019-09-29 | 2019-09-29 | 面向新型供电城轨列车大数据运维的nl生成sql方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688394B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414380A (zh) * | 2020-03-20 | 2020-07-14 | 华泰证券股份有限公司 | 一种中文数据库sql语句生成方法、设备及存储介质 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651474B (zh) * | 2020-06-02 | 2023-07-25 | 东云睿连(武汉)计算技术有限公司 | 一种自然语言至结构化查询语言的转换方法及系统 |
CN113032418B (zh) * | 2021-02-08 | 2022-11-11 | 浙江大学 | 一种基于树状模型的复杂自然语言查询转sql方法 |
CN112925794B (zh) * | 2021-04-02 | 2022-09-16 | 中国人民解放军国防科技大学 | 基于桥接填充的复杂多表sql生成方法和装置 |
CN113127450A (zh) * | 2021-04-30 | 2021-07-16 | 平安普惠企业管理有限公司 | 数据的维护方法、装置、计算机设备及存储介质 |
CN112988785B (zh) * | 2021-05-10 | 2021-08-20 | 浙江大学 | 基于语言模型编码和多任务解码的sql转换方法及系统 |
CN113495900B (zh) * | 2021-08-12 | 2024-03-15 | 国家电网有限公司大数据中心 | 基于自然语言的结构化查询语言语句获取方法及装置 |
CN113609158A (zh) * | 2021-08-12 | 2021-11-05 | 国家电网有限公司大数据中心 | 一种sql语句的生成方法、装置、设备及介质 |
CN116991869A (zh) * | 2023-07-24 | 2023-11-03 | 北京泰策科技有限公司 | 一种基于nlp语言模型自动生成数据库查询语句的方法 |
CN116821168B (zh) * | 2023-08-24 | 2024-01-23 | 吉奥时空信息技术股份有限公司 | 一种改进的基于生成式大语言模型的nl2sql方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657439A (zh) * | 2015-01-30 | 2015-05-27 | 欧阳江 | 用于自然语言精准检索的结构化查询语句生成系统及方法 |
CN107885786A (zh) * | 2017-10-17 | 2018-04-06 | 东华大学 | 面向大数据的自然语言查询接口实现方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10698905B2 (en) * | 2017-09-14 | 2020-06-30 | SparkCognition, Inc. | Natural language querying of data in a structured context |
-
2019
- 2019-09-29 CN CN201910934900.6A patent/CN110688394B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657439A (zh) * | 2015-01-30 | 2015-05-27 | 欧阳江 | 用于自然语言精准检索的结构化查询语句生成系统及方法 |
CN107885786A (zh) * | 2017-10-17 | 2018-04-06 | 东华大学 | 面向大数据的自然语言查询接口实现方法 |
Non-Patent Citations (1)
Title |
---|
数据库自然语言查询系统Nchiql中语义依存树向SQL的转换;孟小峰等;《中文信息学报》;20041231;第40-45页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414380A (zh) * | 2020-03-20 | 2020-07-14 | 华泰证券股份有限公司 | 一种中文数据库sql语句生成方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110688394A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688394B (zh) | 面向新型供电城轨列车大数据运维的nl生成sql方法 | |
US20210012199A1 (en) | Address information feature extraction method based on deep neural network model | |
CN110059188B (zh) | 一种基于双向时间卷积网络的中文情感分析方法 | |
CN111563166B (zh) | 一种针对数学问题分类的预训练模型方法 | |
CN112069199B (zh) | 一种基于中间语法树的多轮自然语言转sql方法 | |
CN109992669B (zh) | 一种基于语言模型和强化学习的关键词问答方法 | |
CN110427616B (zh) | 一种基于深度学习的文本情感分析方法 | |
CN113934887B (zh) | 一种基于语义解耦的无提议时序语言定位方法 | |
CN113032418B (zh) | 一种基于树状模型的复杂自然语言查询转sql方法 | |
CN115935957B (zh) | 一种基于句法分析的句子语法纠错方法及系统 | |
CN108363685B (zh) | 基于递归变分自编码模型的自媒体数据文本表示方法 | |
CN114528398A (zh) | 一种基于交互双重图卷积网络的情感预测方法及系统 | |
CN115688784A (zh) | 一种融合字与词语特征的中文命名实体识别方法 | |
CN114429122A (zh) | 一种基于循环注意力的方面级情感分析系统和方法 | |
Xiong et al. | Transferable natural language interface to structured queries aided by adversarial generation | |
CN114398500B (zh) | 一种基于图增强预训练模型的事件预测方法 | |
CN115525744A (zh) | 一种基于提示学习方法的对话推荐系统 | |
CN116010553A (zh) | 一种基于双路编码和精确匹配信号的观点检索系统 | |
CN114238636A (zh) | 一种基于翻译匹配的跨语言属性级情感分类方法 | |
CN111382333B (zh) | 基于案件相关性联合学习与图卷积的新闻文本句中案件要素抽取方法 | |
CN116910272A (zh) | 基于预训练模型t5的学术知识图谱补全方法 | |
CN116541533A (zh) | 基于多源异构数据的风力发电机多模态工艺图谱建模方法 | |
CN116340455A (zh) | 一种高速列车转向架设计标准实体关系抽取方法 | |
CN116975161A (zh) | 电力设备局放文本的实体关系联合抽取方法、设备、介质 | |
CN112464673B (zh) | 融合义原信息的语言含义理解方法 |
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 |