CN111090723A - 一种基于知识图谱的电网安全生产内容推荐方法 - Google Patents

一种基于知识图谱的电网安全生产内容推荐方法 Download PDF

Info

Publication number
CN111090723A
CN111090723A CN201911124431.8A CN201911124431A CN111090723A CN 111090723 A CN111090723 A CN 111090723A CN 201911124431 A CN201911124431 A CN 201911124431A CN 111090723 A CN111090723 A CN 111090723A
Authority
CN
China
Prior art keywords
vocabulary
vocabulary library
library
training data
items
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.)
Granted
Application number
CN201911124431.8A
Other languages
English (en)
Other versions
CN111090723B (zh
Inventor
范志颂
陈方亚
潘世成
颜江腾
刘绍兵
赖学勇
徐芳琴
韦素娟
陈旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingyuan Electric Power Planning And Design Institute Co ltd
Original Assignee
Qingyuan Electric Power Planning And Design Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingyuan Electric Power Planning And Design Institute Co ltd filed Critical Qingyuan Electric Power Planning And Design Institute Co ltd
Priority to CN201911124431.8A priority Critical patent/CN111090723B/zh
Publication of CN111090723A publication Critical patent/CN111090723A/zh
Application granted granted Critical
Publication of CN111090723B publication Critical patent/CN111090723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/35—Clustering; Classification
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于及推荐技术领域，公开了一种基于知识图谱的电网安全生产内容推荐方法，包括依次进行的如下步骤：步骤1，构建电网专业及工种的基础词汇库、常用词汇库、高级词汇库及源词汇库知识图谱；步骤2：划分不同类型词汇库的训练数据，并对不同类型的训练数据进行编码，最终形成词汇库语义编码网络模型；步骤3，对词汇库语义编码网络模型进行分类训练。该方法能够基于基础词汇库用户行为序列中的项目的文本信息编码出用户常用向量，并与高级词汇库的项目进行匹配，进而实现跨领域的推荐。

Description

一种基于知识图谱的电网安全生产内容推荐方法
技术领域
本发明属于推荐技术领域，具体涉及一种基于知识图谱的电网安全生产内容推荐方法。
背景技术
申请人华南理工大学于2019年提出了一项发明专利申请CN201910454275.5，公开了一种基于内容的跨领域推荐方法，包括以下步骤：步骤S1：得到用户兴趣词表；步骤S2：采用源领域的用户行为序列中项目的文本信息作为源领域训练数据，采用目标领域中每个项目的文本信息作为目标领域训练数据；步骤S3：构建内容语义编码网络模型；步骤S4：利用步骤S3训练好的内容语义编码网络模型对源领域的用户行为和目标领域的项目进行内容语义编码，得到用户行为兴趣向量和项目语义向量；步骤S5：对每个用户，利用其兴趣向量与项目语义向量计算相似度，并得到k个最相似的项目作为推荐项目。本发明能够基于源领域用户行为序列中的项目的文本信息编码出用户兴趣向量，并与目标领域的项目进行匹配，进而实现跨领域的推荐。
该方案并未考虑到针对电网领域的相关词汇进行分类，无法达到更为精准度的推荐目的。
发明内容
本发明提供了一种基于知识图谱的电网安全生产内容推荐方法，该方法能够基于基础词汇库用户行为序列中的项目的文本信息编码出用户常用向量，并与高级词汇库的项目进行匹配，进而实现跨领域的推荐。
为实现上述目的，本发明提供如下技术方案：
一种基于知识图谱的电网安全生产内容推荐方法，包括依次进行的如下步骤：
步骤1，构建电网专业及工种的基础词汇库、常用词汇库、高级词汇库及源词汇库知识图谱；
步骤2：划分不同类型词汇库的训练数据，并对不同类型的训练数据进行编码，最终形成词汇库语义编码网络模型；
所述步骤2具体为：
根据基础词汇库中用户最近使用过的N个项目的词汇信息得到基础词汇库的训练数据，选取基础词汇库的文本信息中属于用户一般用到的词汇作为词汇分类的标签；
采用常用词汇库的中的项目，将其文本信息作为常用词汇库的训练数据，将词汇信息中属于用户经频繁用到的词作为词汇分类的标签；
采用高级词汇库中的项目，将其文本信息作为高级词汇库训练数据，将词汇信息中属于用户不常用到的词作为词汇分类的标签；
将基础词汇库训练数据、常用词汇库训练数据、高级词汇库训练数据进行分词并数字化编码，为后续输入到词汇库语义编码网络模型进行训练做准备；
词汇库语义编码网络模型包括：连接的word2vec层、Gated Recurrent Unit(GRU)层、池化层、两层全连接层和sigmoid层；其中，word2vec层和Gated Recurrent Unit(GRU)层分别与高级词汇库中的项目数量或基础词汇库用户中的项目数量相等；
步骤3，对词汇库语义编码网络模型进行分类训练。
在上述的基于知识图谱的电网安全生产内容推荐方法中，所述根据基础词汇库获取训练数据和标签的方法具体为：
对基础词汇库中用户最近使用过的N个项目的词汇信息进行整理、分析、提取；其次，将提取出来的词汇信息按照使用时间整合成用户行为列表，并随机取N个项目列表中的一个项目作为预测对象，将其在列表中删除；其余项目的词汇信息作为基础词汇库的训练数据；最后，选取基础词汇库的文本信息中属于用户一般用到的词汇作为词汇分类的标签。
在上述的基于知识图谱的电网安全生产内容推荐方法中，所述步骤1具体为：
步骤11：根据对电网专业及工种进行分类统计，需要构建基础词汇库、常用词汇库、高级词汇库3类词汇库。
步骤12：采用高频排序方式取出词汇出现频率最高的N个词，形成常用词汇表。
步骤13：采用去除停用词的方法过滤常用词汇表，最终得到源词汇库知识图谱。
在上述的基于知识图谱的电网安全生产内容推荐方法中，所述步骤3具体为：
步骤31：利用一层word2vec层对基础词汇库训练数据输入的数字化编码或高级词汇库训练数据输入的数字化编码进行降维，得到词向量；
步骤32：使用Gated Recurrent Unit(GRU)层对步骤31得到的词向量序列进行编码，提取文本的语义信息；
步骤33：对步骤32提取文本的语义信息输入到池化层和两层全连接层中，再将全连接层的输出连接到sigmoid层及交叉熵损失函数进行分类；
步骤34：通过所述交叉熵损失函数和词汇库语义编码网络模型参数计算得到衰减值；
步骤35：逆向扩展得到训练精度；
步骤36：采用三角函数距离的计算方式计算常用向量与目标向量的相似度。
在上述的基于知识图谱的电网安全生产内容推荐方法中，所述步骤33中，交叉熵损失函数为：
Figure BDA0002276368590000031
其中：
n对应于训练数量；
m是不同类别词汇数量；
yij表示第i个词汇属于分类j的标签，它是0或者1。对于单分类任务，只有一个分类的标签非零。
f(xij)表示的是词汇i预测为j分类的概率。
loss的大小完全取决于分类为正确标签那一类的概率，当所有的样本都分类正确时，loss＝0，否则大于0。
本发明的优势在于：
本发明针对现有的基于协同过滤推荐算法需要大量的用户行为数据，经常面临数据稀疏以及冷启动问题，提出了一种基于知识图谱的电网安全生产内容推荐方法，该方法能够基于基础词汇库用户行为序列中的项目的文本信息编码出用户常用向量，并与高级词汇库的项目进行匹配，进而实现跨领域的推荐。
附图说明
图1为本发明的实施例1的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
参考图1，一种基于知识图谱的电网安全生产内容推荐方法，包括依次进行的如下步骤：
步骤1：构建电网专业及工种等词汇库及源词汇库知识图谱。
具体地，构建电网专业及工种等词汇库及源词汇库知识图谱步骤包括：
(1)根据对电网专业及工种进行分类统计，需要构建基础词汇库、常用词汇库、高级词汇库3类词汇库。
基础词汇库、常用词汇库、高级词汇库3类词汇库的划分标准为：电网专业及工种等词汇在用户使用项目中的属性以及使用频率
(2)采用高频排序方式从基础词汇库、常用词汇库、高级词汇库取出词汇出现频率最高的N个词，形成常用词汇表。
(3)采用去除停用词的方法过滤常用词汇表，最终得到源词汇库知识图谱。
步骤2：划分不同类型词汇库的训练数据，并对不同类型的数据进行编码，最终形成词汇库语义编码网络模型。
基础词汇库训练数据划分：
(1)首先，对基础词汇库中用户最近使用过的N个项目的词汇信息进行整理、分析、提取，在这个过程中，整理、分析、提取的具体操作是：整理词汇库中不同项目中用到的词汇、分析词汇的特征、提取不同特征的词汇，最终提取到不同特征属性的词汇；其次，将提取出来的词汇信息按照使用时间整合成用户行为列表，并随机取N个项目列表中的一个项目作为预测对象，将其在列表中删除；其余项目的词汇信息作为基础词汇库的训练数据；最后，选取基础词汇库的文本信息中属于用户一般用到的词汇作为词汇分类的标签。
上文中一般用到是指用户使用词汇出现在库中的概率是30％左右；下文中频繁用到是指用户使用词汇现在库中的概率是的60％左右；在实际操作中，其并不严格限制。
(2)常用词汇库训练数据划分：
采用常用词汇库的中的项目，将其文本信息(这里的文本信息是项目中的词汇的文本信息，文本信息和上述的词汇信息一个意思不同表达)作为常用词汇库的训练数据，将词汇信息中属于用户经频繁用到的词作为词汇分类的标签。
(3)高级词汇库训练数据划分：
采用高级词汇库中的项目，将其文本信息作为高级词汇库训练数据，将词汇信息中属于用户不常用到的词作为词汇分类的标签。在此，需要说明的是：不常用到是指用户使用词汇现在库中的概率是的10％左右。
在本实施例中，标签作用为：把词汇进行分类。
(4)词汇库训练数据编码。
将基础词汇库训练数据、常用词汇库训练数据、高级词汇库训练数据进行分词并数字化编码(LabelEncoder)；为后续输入到词汇库语义编码网络模型进行训练做准备。
(5)词汇库语义编码网络模型构成
词汇库语义编码网络模型包括：连接的word2vec层、Gated Recurrent Unit(GRU)层、池化层、两层全连接层和sigmoid层；其中，word2vec层和Gated Recurrent Unit(GRU)层分别与高级词汇库中的项目数量或基础词汇库用户中的项目数量相等，更为具体来说，word2vec层和高级词汇库的项目书相等，Gated Recurrent Unit(GRU)层和基础词汇库用户中的项目数量相等；
步骤3：对词汇库语义编码网络模型进行分类训练。
利用构建的基础词汇库训练数据和高级词汇库训练数据对词汇库语义编码网络模型进行分类训练。具体步骤包括：
(1)利用一层word2vec层对基础词汇库训练数据输入的数字化编码或高级词汇库训练数据输入的数字化编码进行降维，得到常用向量与目标向量；
本文的数字化编码：是利用LabelEncoder()函数将转换成连续的数值型变量。
即是对不连续的数字或者文本进行编号。
例如：
from sklearn.preprocessing import LabelEncoder
le＝LabelEncoder()
le.fit([1,5,67,100])
le.transform([1,1,100,67,5])
输出：array([0,0,3,2,1])。
(2)使用Gated Recurrent Unit(GRU)层对(1)得到的常用向量与目标向量的序列进行编码，提取文本的语义信息。
(3)对(2)提取文本的语义信息输入到池化层和两层全连接层中，再将全连接层的输出连接到sigmoid层及交叉熵损失函数进行分类，交叉熵损失函数的定义如下：
Figure BDA0002276368590000061
其中：
n对应于训练数量；
m是不同类别词汇数量；
yij表示第i个词汇属于分类j的标签，它是0或者1。对于单分类任务，只有一个分类的标签非零。
f(xij)表示的是词汇i预测为j分类的概率。
loss的大小完全取决于分类为正确标签那一类的概率，当所有的样本都分类正确时，loss＝0，否则大于0。
(4)通过所述交叉熵损失函数和词汇库语义编码网络模型参数计算得到衰减值；此处的词汇库语义编码网络模型参数是在词汇库语义编码网络模型的训练过程中自动更新，或者说自行学习而来的的参数；
(5)对衰减值进行逆向扩展得到训练精度；
(6)采用三角函数距离的计算方式计算常用向量与目标向量的相似度。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其它的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种基于知识图谱的电网安全生产内容推荐方法，其特征在于，包括依次进行的如下步骤：
步骤1：构建电网专业及工种的基础词汇库、常用词汇库、高级词汇库及源词汇库知识图谱；
步骤2：划分不同类型词汇库的训练数据，并对不同类型的训练数据进行编码，最终形成词汇库语义编码网络模型；
所述步骤2具体为：
根据基础词汇库中用户最近使用过的N个项目的词汇信息得到基础词汇库的训练数据，选取基础词汇库的文本信息中属于用户一般用到的词汇作为词汇分类的标签；
采用常用词汇库的中的项目，将其文本信息作为常用词汇库的训练数据，将词汇信息中属于用户经频繁用到的词作为词汇分类的标签；
采用高级词汇库中的项目，将其文本信息作为高级词汇库训练数据，将词汇信息中属于用户不常用到的词作为词汇分类的标签；
将基础词汇库训练数据、常用词汇库训练数据、高级词汇库训练数据进行分词并数字化编码，为后续输入到词汇库语义编码网络模型进行训练做准备；
词汇库语义编码网络模型包括：连接的word2vec层、Gated Recurrent Unit(GRU)层、池化层、两层全连接层和sigmoid层；其中，word2vec层和Gated Recurrent Unit(GRU)层分别与高级词汇库中的项目数量或基础词汇库用户中的项目数量相等；
步骤3：对词汇库语义编码网络模型进行分类训练。
2.根据权利要求1所述的基于知识图谱的电网安全生产内容推荐方法，其特征在于，所述根据基础词汇库获取训练数据和标签的方法具体为：
对基础词汇库中用户最近使用过的N个项目的词汇信息进行整理、分析、提取；其次，将提取出来的词汇信息按照使用时间整合成用户行为列表，并随机取N个项目列表中的一个项目作为预测对象，将其在列表中删除；其余项目的词汇信息作为基础词汇库的训练数据；最后，选取基础词汇库的文本信息中属于用户一般用到的词汇作为词汇分类的标签。
3.根据权利要求1所述的基于知识图谱的电网安全生产内容推荐方法，其特征在于，所述步骤1具体为：
步骤11：根据对电网专业及工种进行分类统计，需要构建基础词汇库、常用词汇库、高级词汇库3类词汇库；
步骤12：采用高频排序方式取出词汇出现频率最高的N个词，形成常用词汇表；
步骤13：采用去除停用词的方法过滤常用词汇表，最终得到源词汇库知识图谱。
4.根据权利要求1所述的基于知识图谱的电网安全生产内容推荐方法，其特征在于，所述步骤3具体为：
步骤31：利用一层word2vec层对基础词汇库训练数据输入的数字化编码或高级词汇库训练数据输入的数字化编码进行降维，得到词向量；
步骤32：使用Gated Recurrent Unit(GRU)层对步骤31得到的词向量序列进行编码，提取文本的语义信息；
步骤33：对步骤32提取文本的语义信息输入到池化层和两层全连接层中，再将全连接层的输出连接到sigmoid层及交叉熵损失函数进行分类；
步骤34：通过所述交叉熵损失函数和词汇库语义编码网络模型参数计算得到衰减值；
步骤35：逆向扩展得到训练精度；
步骤36：采用三角函数距离的计算方式计算常用向量与目标向量的相似度。
5.根据权利要求4所述的基于知识图谱的电网安全生产内容推荐方法，其特征在于，所述步骤33中，交叉熵损失函数为：
Figure FDA0002276368580000021
其中：
n对应于训练数量；
m是不同类别词汇数量；
yij表示第i个词汇属于分类j的标签，它是0或者1。对于单分类任务，只有一个分类的标签非零；
f(xij)表示的是词汇i预测为j分类的概率；
loss的大小完全取决于分类为正确标签那一类的概率，当所有的样本都分类正确时，loss＝0，否则大于0。
CN201911124431.8A 2019-11-18 2019-11-18 一种基于知识图谱的电网安全生产内容推荐方法 Active CN111090723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911124431.8A CN111090723B (zh) 2019-11-18 2019-11-18 一种基于知识图谱的电网安全生产内容推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911124431.8A CN111090723B (zh) 2019-11-18 2019-11-18 一种基于知识图谱的电网安全生产内容推荐方法

Publications (2)

Publication Number Publication Date
CN111090723A true CN111090723A (zh) 2020-05-01
CN111090723B CN111090723B (zh) 2023-05-05

Family

ID=70393293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911124431.8A Active CN111090723B (zh) 2019-11-18 2019-11-18 一种基于知识图谱的电网安全生产内容推荐方法

Country Status (1)

Country Link
CN (1) CN111090723B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806555A (zh) * 2021-09-14 2021-12-17 国网北京市电力公司 用于app的运营异常识别方法、系统、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506823A (zh) * 2017-08-22 2017-12-22 南京大学 一种用于对话生成的混合神经网络模型的构建方法
CN108764034A (zh) * 2018-04-18 2018-11-06 浙江零跑科技有限公司 一种基于驾驶室近红外相机的分神驾驶行为预警方法
CN109033990A (zh) * 2018-07-02 2018-12-18 河南大学 基于类内类间距离的cnn模型心拍分类方法
CN110232153A (zh) * 2019-05-29 2019-09-13 华南理工大学 一种基于内容的跨领域推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506823A (zh) * 2017-08-22 2017-12-22 南京大学 一种用于对话生成的混合神经网络模型的构建方法
CN108764034A (zh) * 2018-04-18 2018-11-06 浙江零跑科技有限公司 一种基于驾驶室近红外相机的分神驾驶行为预警方法
CN109033990A (zh) * 2018-07-02 2018-12-18 河南大学 基于类内类间距离的cnn模型心拍分类方法
CN110232153A (zh) * 2019-05-29 2019-09-13 华南理工大学 一种基于内容的跨领域推荐方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806555A (zh) * 2021-09-14 2021-12-17 国网北京市电力公司 用于app的运营异常识别方法、系统、装置及存储介质
CN113806555B (zh) * 2021-09-14 2023-08-08 国网北京市电力公司 用于app的运营异常识别方法、系统、装置及存储介质

Also Published As

Publication number Publication date
CN111090723B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN111797210A (zh) 基于用户画像的信息推荐方法、装置、设备及存储介质
CN112380319B (zh) 一种模型训练的方法及相关装置
CN109783636B (zh) 一种基于分类器链的汽车评论主题提取方法
CN111984792A (zh) 网站分类方法、装置、计算机设备及存储介质
CN109993216B (zh) 一种基于k最近邻knn的文本分类方法及其设备
CN114818708B (zh) 关键信息抽取方法、模型训练方法、相关装置及电子设备
CN112836509A (zh) 一种专家系统知识库构建方法及系统
CN111914159A (zh) 一种信息推荐方法及终端
CN112699945A (zh) 数据标注方法及装置、存储介质及电子装置
CN114529903A (zh) 文本细化网络
CN113705242B (zh) 面向教育咨询服务的智能语义匹配方法和装置
CN113326363B (zh) 搜索方法及装置、预测模型训练方法及装置、电子设备
CN113239668A (zh) 关键词智能提取方法、装置、计算机设备及存储介质
CN111090723B (zh) 一种基于知识图谱的电网安全生产内容推荐方法
CN109657071B (zh) 词汇预测方法、装置、设备和计算机可读存储介质
CN116932736A (zh) 一种基于用户需求结合倒排表的专利推荐方法
CN116244442A (zh) 文本分类方法、装置、存储介质及电子设备
CN115130455A (zh) 文章处理方法、装置、电子设备以及存储介质
CN114842301A (zh) 一种图像注释模型的半监督训练方法
CN114706943A (zh) 意图识别的方法、装置、设备和介质
CN112989815A (zh) 基于信息交互的文本相似度识别方法、装置、设备及介质
CN114548325B (zh) 基于对偶对比学习的零样本关系抽取方法和系统
CN115017417B (zh) 基于标签智能过滤和推荐的政策匹配方法及系统
CN111199259A (zh) 标识转换方法、装置和计算机可读存储介质
CN116029492B (zh) 派单方法和装置

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