CN111104522A - 一种基于知识图谱的区域产业关联效应趋势预测方法 - Google Patents

一种基于知识图谱的区域产业关联效应趋势预测方法 Download PDF

Info

Publication number
CN111104522A
CN111104522A CN201911325852.7A CN201911325852A CN111104522A CN 111104522 A CN111104522 A CN 111104522A CN 201911325852 A CN201911325852 A CN 201911325852A CN 111104522 A CN111104522 A CN 111104522A
Authority
CN
China
Prior art keywords
entity
vector
knowledge
agent
representing
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
Application number
CN201911325852.7A
Other languages
English (en)
Inventor
熊盛武
陈小英
王盛
谢泽丰
陈伟
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201911325852.7A priority Critical patent/CN111104522A/zh
Publication of CN111104522A publication Critical patent/CN111104522A/zh
Pending legal-status Critical Current

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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于知识图谱的区域产业关联效应趋势预测方法，首先基于构建完整的产业知识图谱，使用TransE模型进行表示学习，将产业知识图谱内实体和关系向量化；将关联效应趋势预测问题看作马尔科夫决策问题，并初始化环境空间；用长短期记忆网络LSTM对历史路径信息进行编码，提取历史路径特征；使用自注意力机制提取当前节点的邻接节点特征；基于历史路径特征和邻接节点特征，使用两层全连接神经网络构建策略网络模型，引导Agent进行下一步动作，最终Agent所到达的节点则为预测结果。本发明能够进行企业重大风险识别与防范、企业群集行为和企业群集事件发生带来的结果趋势预测，进而可以沙盘推演产业链上的发展情况，促进产业技术革命和优化升级。

Description

一种基于知识图谱的区域产业关联效应趋势预测方法
技术领域
本发明属于强化学习与自然语言处理技术领域，涉及一种区域产业关联效应趋势预测方法，具体涉及一种基于产业图谱的区域产业关联效应趋势预测方法，为宏观经济领域提供决策支持。
背景技术
随着互联网技术的高速发展，知识呈现爆炸式增长，知识图谱的规模也日渐庞大。大规模的知识图谱在很多应用中起到支撑作用，例如问答系统、智能推荐、趋势预测等。然而在大型的领域知识图谱中，很多事实是缺失的，因此知识推理和关联效应趋势预测引起了很多研究学者的关注。知识推理是指通过观察已有的知识做出推断产生新的知识，而关联效应趋势预测则是在知识推理的基础上更进一步做出的趋势预测。目前知识推理方法主要分为基于Embedding和基于路径的方法。
基于Embedding的方法是将知识图谱内的实体和关系在投影到低维的向量空间里进行表示，得到连续的实体和关系向量，并在向量空间里进行计算推理，如TransE、TransR等模型。基于Embedding的知识推理方法忽视了符号的组合性，效率高但在比较复杂的推理任务上存在局限性。
基于路径的方法主要是用连接两个实体的路径作为特征，来预测两个实体之间的关系。其中PRA算法通过随机游走来执行多个有界深度优先搜索过程以找到关系路径，但PRA算法在完全离散的空间中运行，难以评估和比较知识图谱中的相似实体和关系。最新的研究工作将知识推理公式化为顺序决策问题，并利用强化学习(RL)来执行有效的路径搜索，以最大化奖励。其中最为关键的是策略网络的设计，不同的设计模型效果不同。
发明内容
本发明的目的是为了解决上述背景技术存在的不足，而提出一种基于产业知识图谱的区域产业关联效应趋势预测方法。
为了实现上述目的，本发明所采用的技术方案为：一种基于知识图谱的区域产业关联效应趋势预测方法，其特征在于，包括以下步骤：
步骤1：基于构建完整的产业知识图谱，使用TransE模型进行表示学习，将产业知识图谱内实体和关系向量化；
步骤2：将关联效应趋势预测问题看作马尔科夫决策问题，并初始化环境空间；
步骤3：用长短期记忆网络LSTM对历史路径信息进行编码，提取历史路径特征；
步骤4：使用自注意力机制，根据当前节点与邻接节点的相似程度，计算注意力系数，将注意力系数与邻接节点向量相乘，得到各个邻接节点的特征向量。基于所有的邻接节点特征向量，提取当前节点的邻接节点特征表示；
步骤5：基于历史路径特征和邻接节点特征，使用两层全连接神经网络构建策略网络模型，引导Agent进行下一步动作，最终Agent所到达的节点则为预测结果。
本发明的有益效果在于：本发明基于构建的产业图谱和轻量级的事理图谱，将关联效应趋势预测问题看作马尔科夫序列决策问题。通过强化学习和关联效应趋势预测，能够进行企业重大风险识别与防范、企业群集行为和企业群集事件发生带来的结果趋势预测，进而可以沙盘推演产业链上的发展情况，利用新一代的信息技术与产业深度融合，促进产业技术革命和优化升级。
附图说明
图1为本发明实施例点的流程图；
图2为本发明实施例点的模型结构图；
图3为本发明实施知识图谱向量化的示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1，本发明提供的一种基于知识图谱的区域产业关联效应趋势预测方法，本发明获得的模型结构图如图2所示，包括以下步骤：
步骤1：基于构建完整的产业知识图谱，使用TransE模型进行表示学习，将产业知识图谱内实体和关系向量化；
在知识图谱中，实体和关系都具有语义信息，无法直接用于计算和推理。因此需要进行语义表示学习。TransE模型其中一种，旨在将研究对象的语义信息表示为稠密的低维向量。其主要思想是基于构建完成的产业知识图谱，利用TransE模型将知识图谱内的每个知识三元组(eh，r，et)中的关系向量r看作头实体向量eh到尾实体向量et的翻译，如图3所示。通过不断调整关系向量r的值，使得头实体向量eh和关系向量r之和尽可能与尾实体向量et相等，即eh+r＝et；
TransE模型的目标函数为：
Figure BDA0002328361020000031
其中，S表示知识图谱中的知识三元组，S’表示将三元组随机打乱后的负采样三元组；d表示距离函数，用来衡量h+r和t之间的距离。
TransE模型通过随机函数初始化实体和关系的嵌入向量表示。初始的向量无法正确表示知识图谱内的实体和关系，因此基于正样本和负样本知识三元组，和该目标函数计算模型损失，训练TransE模型，即通过不断调整关系向量r的值，使得头实体向量h和关系向量r之和尽可能与尾实体向量t相等，让其能正确的表示产业知识图谱内的实体和关系向量。
后续步骤中，产业知识图谱的知识三元组(eh,r,et)都为基于该模型的实体/关系向量表示；其中eh和et表示产业知识图谱内实体的嵌入向量，r表示关系的嵌入向量。
步骤2：将关联效应趋势预测问题看作马尔科夫决策问题(MDP)，并初始化环境空间；
本实施例中，基于产业知识图谱，初始化Agent所在的图谱环境空间，其中环境空间包含一个四元组<S,A,T,R>，其中S表示实体的状态，A表示动作的集合，T表示转换函数，R表示从状态中获取的奖励；
其中，状态st＝(es,et,rt)，es表示Agent起始的实体向量，rt和et表示Agent在第t步时所选择的关系向量和到达的新实体向量。在Agent做第t+1步选择时，(rt,et)表示历史路径信息。
动作空间A用Agent第t步所在的实体et的所有邻接实体表示，At＝{(r,e)|(et,r,e)∈G}，其中r表示关系，e表示邻接实体；为了能终止搜索和撤销潜在的错误决定，给每个实体加上自循环关系和相反关系；
转换函数T：st×at→st+1，表示状态的更新由Agent所选择的关系向量和到达的新实体向量表示；T(st,at)＝(es,et+1,rt+1)，其中st＝(es,et,rt)，表示Agent在t步所在的实体状态，at＝(rt+1,et+1)表示Agent在第t+1步所选择的关系向量和到达的新实体向量；
奖励R通过Agent搜索结束时到达正确的目标实体来决定，到达正确的目标则奖励为1，否则为0。
步骤3：用长短期记忆网络LSTM对历史路径信息进行编码，提取历史路径特征；
本实施例中，历史路径信息包括Agent在第t+1步时，第t步所选择的关系rt以及Agent所到达的新实体et；通过LSTM网络对历史路径(rt,et)进行编码，提取历史路径特征；历史路径特征提取公式为：
h0＝LSTM(0,[r0；es])
ht＝LSTM(ht-1,[rt；et]),t＞0
其中，h0表示开始时的历史路径特征，用起始关系r0和起始节点es表示。起始关系r0表示起始节点的自循环关系。ht表示第t步的历史路径特征，用于第t+1步Agent的选择。
步骤4：使用自注意力机制，根据当前节点与邻接节点的相似程度，计算注意力权重大小，将注意力权重大小与邻接节点向量相乘，得到各个邻接节点的特征向量。基于所有的邻接节点特征向量，提取当前节点的邻接节点特征表示；
本实施例中，为了保证Agent选择路径的多样性和防止某个实体的动作空间过大，会随机抛弃一些动作。因此为了避免邻接节点特征的遗失，使用自注意力机制提取当前节点的邻接节点特征，如图2中Self-Attention所示。
Figure BDA0002328361020000041
Figure BDA0002328361020000042
Figure BDA0002328361020000051
其中，αij表示j实体对i实体的注意力权重大小，Ni表i实体的所有邻接实体，f表示余弦相似度函数，ei和ej表示i实体和j实体的嵌入向量。最后ct表示当前实体的邻接节点特征表示，由所有邻接节点特征向量与注意力权重相乘累加得到。
步骤5：基于历史路径特征和邻接节点特征，使用两层全连接神经网络构建策略网络模型，引导Agent进行下一步动作，最终Agent所到达的节点则为预测结果；
本实施例中，策略网络模型为：
πθ(at|st,At)＝f(At×W2ReLu(W1[et；ht；ct]))
其中，f()表示softmax函数，W1和W2表示全连接层的参数，et表示当前节点的向量化表示，ht表示步骤3中提取的历史路径特征，ct表示步骤4中使用自注意力机制提取的邻接节点特征，；表示级联操作；at表示Agent所选择的动作(rt+1,et+1)，πθ(at|st,At)表示最后策略网络模型输出的动作空间的概率分布，选择最大概率的动作作为at。
步骤6：使用REINFORCE with Baseline方法计算策略网络模型损失，并使用梯度下降方法反向更新策略网络参数，得到最终训练好的产业知识图谱关联效应趋势预测模型；
vt＝W2ReLu(W1[et；ht；ct])
Figure BDA0002328361020000052
Figure BDA0002328361020000053
其中，vt表示将状态向量转换为一个真实值，为REINFORCE算法中的baseline；J(θ)为策略网络的目标函数，▽θJ(θ)为梯度；T表示Agent所允许的最大步数，θ表示策略网络模型中的所有参数,包括LSTM层，全连接层等。πθ(at|st,At)表示策略网络模型输出的概率分布。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种基于知识图谱的区域产业关联效应趋势预测方法，其特征在于，包括以下步骤：
步骤1：基于构建完整的产业知识图谱，使用TransE模型进行表示学习，将产业知识图谱内实体和关系向量化；
步骤2：将关联效应趋势预测问题看作马尔科夫决策问题，并初始化环境空间；
步骤3：用长短期记忆网络LSTM对历史路径信息进行编码，提取历史路径特征；
步骤4：使用自注意力机制，根据当前节点与邻接节点的相似程度，计算注意力权重大小，将注意力权重大小与邻接节点向量相乘，得到各个邻接节点的特征向量；基于所有的邻接节点特征向量，提取当前节点的邻接节点特征表示；
步骤5：基于历史路径特征和邻接节点特征表示，使用两层全连接神经网络构建策略网络模型，引导Agent进行下一步动作，最终Agent所到达的节点则为预测结果。
2.根据权利要求1所述的基于知识图谱的区域产业关联效应趋势预测方法，其特征在于：步骤1中，基于构建完成的产业知识图谱，利用TransE模型将知识图谱内的每个知识三元组(h，r，t)中的关系向量r看作头实体向量h到尾实体向量t的翻译，通过不断调整关系向量r的值，使得头实体向量h和关系向量r之和尽可能与尾实体向量t相等，即h+r＝t；
TransE模型的目标函数为：
Figure FDA0002328361010000011
其中，S表示知识图谱中的知识三元组，S’表示将三元组随机打乱后的负采样三元组；d表示距离函数，用来衡量h+r和t之间的距离；
基于该目标函数和产业知识图谱内的知识三元组，计算TransE模型的损失，训练TransE模型。
3.根据权利要求1所述的基于知识图谱的区域产业关联效应趋势预测方法，其特征在于：步骤2中，基于产业知识图谱，初始化Agent所在的图谱环境空间，其中环境空间包含一个四元组<S,A,T,R>，其中S表示实体的状态，A表示动作的集合，T表示转换函数，R表示从状态中获取的奖励；
其中，状态st＝(es,et,rt)，es表示Agent起始的实体向量，rt和et表示Agent在第t步时所选择的关系向量和到达的新实体向量；在Agent做第t+1步选择时，(rt,et)表示历史路径信息；
动作空间A用Agent第t步所在的实体et的所有邻接实体表示，At＝{(r,e)|(et,r,e)∈G}，其中r表示关系，e表示邻接实体；为了能终止搜索和撤销潜在的错误决定，给每个实体加上自循环关系和相反关系；
转换函数T：st×at→st+1，表示状态的更新由Agent所选择的关系向量和到达的新实体向量表示；T(st,at)＝(es,et+1,rt+1)，其中st＝(es,et,rt)，表示Agent在t步所在的实体状态，at＝(rt+1,et+1)表示Agent在第t+1步所选择的关系向量和到达的新实体向量；
奖励R通过Agent搜索结束时到达正确的目标实体来决定，到达正确的目标则奖励为1，否则为0。
4.根据权利要求3所述的基于知识图谱的区域产业关联效应趋势预测方法，其特征在于：步骤3中，历史路径信息包括Agent在第t+1步时，第t步所选择的关系rt以及Agent所到达的新实体et；通过LSTM网络对历史路径(rt,et)进行编码，提取历史路径特征；历史路径特征提取公式为：
h0＝LSTM(0,[r0；es])
ht＝LSTM(ht-1,[rt；et]),t＞0
其中，h0表示开始时的历史路径特征，用起始关系r0和起始节点es表示；起始关系r0表示起始节点的自循环关系；ht表示第t步的历史路径特征，用于第t+1步Agent的选择。
5.根据权利要求3所述的基于知识图谱的区域产业关联效应趋势预测方法，其特征在于：步骤4中，
Figure FDA0002328361010000021
Figure FDA0002328361010000031
Figure FDA0002328361010000032
其中，αij表示j实体对i实体的注意力权重大小，Ni表i实体的所有邻接实体，f表示余弦相似度函数，ei和ej表示i实体和j实体的嵌入向量。
6.根据权利要求3所述的基于知识图谱的区域产业关联效应趋势预测方法，其特征在于：步骤5中，所述策略网络模型为：
πθ(at|st,At)＝f(At×W2ReLu(W1[et；ht；ct]))
其中，f()表示softmax函数，W1和W2表示全连接层的参数，et表示当前节点的向量化表示，ht表示步骤3中提取的历史路径特征，ct表示步骤4中使用自注意力机制提取的邻接节点特征，；表示级联操作；at表示Agent所选择的动作(rt+1,et+1)，πθ(at|st,At)表示最后策略网络模型输出的动作空间的概率分布，选择最大概率的动作作为at。
7.根据权利要求6所述的基于知识图谱的区域产业关联效应趋势预测方法，其特征在于：使用REINFORCE with Baseline方法计算策略网络模型损失，并使用梯度下降方法反向更新策略网络参数，得到最终训练好的产业知识图谱关联效应趋势预测模型；
vt＝W2ReLu(W1[et；ht；ct])
Figure FDA0002328361010000033
Figure FDA0002328361010000034
其中，vt表示将状态向量转换为一个真实值，为REINFORCE算法中的baseline；J(θ)为策略网络的目标函数，▽θJ(θ)为梯度；T表示Agent所允许的最大步数；θ表示策略网络模型中的所有参数，包括LSTM层，全连接层；πθ(at|st,At)表示策略网络模型输出的概率分布。
CN201911325852.7A 2019-12-20 2019-12-20 一种基于知识图谱的区域产业关联效应趋势预测方法 Pending CN111104522A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911325852.7A CN111104522A (zh) 2019-12-20 2019-12-20 一种基于知识图谱的区域产业关联效应趋势预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911325852.7A CN111104522A (zh) 2019-12-20 2019-12-20 一种基于知识图谱的区域产业关联效应趋势预测方法

Publications (1)

Publication Number Publication Date
CN111104522A true CN111104522A (zh) 2020-05-05

Family

ID=70422474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911325852.7A Pending CN111104522A (zh) 2019-12-20 2019-12-20 一种基于知识图谱的区域产业关联效应趋势预测方法

Country Status (1)

Country Link
CN (1) CN111104522A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364181A (zh) * 2020-11-27 2021-02-12 深圳市慧择时代科技有限公司 一种保险产品匹配度确定方法及装置
CN112434171A (zh) * 2020-11-26 2021-03-02 中山大学 一种基于强化学习的知识图谱推理补全方法及系统
CN112749005A (zh) * 2020-07-10 2021-05-04 腾讯科技（深圳）有限公司 资源数据处理方法、装置、计算机设备和存储介质
CN112784057A (zh) * 2021-01-11 2021-05-11 武汉大学 一种基于区域产业企业的三网产业图谱构建方法
CN113392228A (zh) * 2021-08-03 2021-09-14 广域铭岛数字科技有限公司 基于汽车生产的异常预测及追溯方法、系统、设备及介质
CN113470811A (zh) * 2021-06-16 2021-10-01 广州中康健数智能科技有限公司 一种基于深度强化学习的辅助智能问诊系统
CN113553444A (zh) * 2021-07-27 2021-10-26 之江实验室 一种基于超边的审计知识图谱表示模型及关联推理方法
CN113569773A (zh) * 2021-08-02 2021-10-29 南京信息工程大学 基于知识图谱和Softmax回归的干扰信号识别方法
CN113792152A (zh) * 2021-08-23 2021-12-14 南京信息工程大学 一种三角图与知识图谱的融合方法
CN113837886A (zh) * 2021-09-16 2021-12-24 之江实验室 一种基于知识图谱的车险理赔欺诈风险识别方法和系统
CN114022058A (zh) * 2022-01-06 2022-02-08 成都晓多科技有限公司 基于时序知识图谱的中小企业失信风险预测方法
CN114118779A (zh) * 2021-11-24 2022-03-01 武汉大学 一种基于kgann的面向互联网舆情事件的企业风险识别方法
CN114219089A (zh) * 2021-11-11 2022-03-22 山东人才发展集团信息技术有限公司 一种新一代信息技术产业知识图谱的构建方法及设备
CN114626530A (zh) * 2022-03-14 2022-06-14 电子科技大学 一种基于双边路径质量评估的强化学习知识图谱推理方法
CN115544336A (zh) * 2022-12-01 2022-12-30 南方电网数字电网研究院有限公司 产业链生成方法、装置、计算机设备和存储介质
CN116307724A (zh) * 2023-03-22 2023-06-23 江苏风云科技服务有限公司 一种基于复杂网络的产业链风险传播方法和系统
CN116452014A (zh) * 2023-03-21 2023-07-18 深圳市蕾奥规划设计咨询股份有限公司 应用于城市规划的企业集群确定方法、装置及电子设备
CN116842199A (zh) * 2023-09-01 2023-10-03 东南大学 一种基于多粒度层次和动态嵌入的知识图谱补全方法
CN117312578A (zh) * 2023-11-28 2023-12-29 烟台云朵软件有限公司 一种非遗传承图谱的构建方法与系统
CN112364181B (zh) * 2020-11-27 2024-05-28 深圳市慧择时代科技有限公司 一种保险产品匹配度确定方法及装置

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749005A (zh) * 2020-07-10 2021-05-04 腾讯科技（深圳）有限公司 资源数据处理方法、装置、计算机设备和存储介质
CN112749005B (zh) * 2020-07-10 2023-10-31 腾讯科技（深圳）有限公司 资源数据处理方法、装置、计算机设备和存储介质
CN112434171A (zh) * 2020-11-26 2021-03-02 中山大学 一种基于强化学习的知识图谱推理补全方法及系统
CN112364181B (zh) * 2020-11-27 2024-05-28 深圳市慧择时代科技有限公司 一种保险产品匹配度确定方法及装置
CN112364181A (zh) * 2020-11-27 2021-02-12 深圳市慧择时代科技有限公司 一种保险产品匹配度确定方法及装置
CN112784057A (zh) * 2021-01-11 2021-05-11 武汉大学 一种基于区域产业企业的三网产业图谱构建方法
CN112784057B (zh) * 2021-01-11 2022-05-13 武汉大学 一种基于区域产业企业的三网产业图谱构建方法
CN113470811A (zh) * 2021-06-16 2021-10-01 广州中康健数智能科技有限公司 一种基于深度强化学习的辅助智能问诊系统
CN113553444A (zh) * 2021-07-27 2021-10-26 之江实验室 一种基于超边的审计知识图谱表示模型及关联推理方法
CN113569773A (zh) * 2021-08-02 2021-10-29 南京信息工程大学 基于知识图谱和Softmax回归的干扰信号识别方法
CN113569773B (zh) * 2021-08-02 2023-09-15 南京信息工程大学 基于知识图谱和Softmax回归的干扰信号识别方法
CN113392228A (zh) * 2021-08-03 2021-09-14 广域铭岛数字科技有限公司 基于汽车生产的异常预测及追溯方法、系统、设备及介质
CN113392228B (zh) * 2021-08-03 2023-07-21 广域铭岛数字科技有限公司 基于汽车生产的异常预测及追溯方法、系统、设备及介质
CN113792152A (zh) * 2021-08-23 2021-12-14 南京信息工程大学 一种三角图与知识图谱的融合方法
CN113837886A (zh) * 2021-09-16 2021-12-24 之江实验室 一种基于知识图谱的车险理赔欺诈风险识别方法和系统
CN113837886B (zh) * 2021-09-16 2024-05-31 之江实验室 一种基于知识图谱的车险理赔欺诈风险识别方法和系统
CN114219089B (zh) * 2021-11-11 2022-07-22 山东人才发展集团信息技术有限公司 一种新一代信息技术产业知识图谱的构建方法及设备
CN114219089A (zh) * 2021-11-11 2022-03-22 山东人才发展集团信息技术有限公司 一种新一代信息技术产业知识图谱的构建方法及设备
CN114118779B (zh) * 2021-11-24 2024-05-10 武汉大学 一种基于kgann的面向互联网舆情事件的企业风险识别方法
CN114118779A (zh) * 2021-11-24 2022-03-01 武汉大学 一种基于kgann的面向互联网舆情事件的企业风险识别方法
CN114022058A (zh) * 2022-01-06 2022-02-08 成都晓多科技有限公司 基于时序知识图谱的中小企业失信风险预测方法
CN114626530A (zh) * 2022-03-14 2022-06-14 电子科技大学 一种基于双边路径质量评估的强化学习知识图谱推理方法
CN115544336A (zh) * 2022-12-01 2022-12-30 南方电网数字电网研究院有限公司 产业链生成方法、装置、计算机设备和存储介质
CN116452014B (zh) * 2023-03-21 2024-02-27 深圳市蕾奥规划设计咨询股份有限公司 应用于城市规划的企业集群确定方法、装置及电子设备
CN116452014A (zh) * 2023-03-21 2023-07-18 深圳市蕾奥规划设计咨询股份有限公司 应用于城市规划的企业集群确定方法、装置及电子设备
CN116307724A (zh) * 2023-03-22 2023-06-23 江苏风云科技服务有限公司 一种基于复杂网络的产业链风险传播方法和系统
CN116842199A (zh) * 2023-09-01 2023-10-03 东南大学 一种基于多粒度层次和动态嵌入的知识图谱补全方法
CN116842199B (zh) * 2023-09-01 2023-12-26 东南大学 一种基于多粒度层次和动态嵌入的知识图谱补全方法
CN117312578A (zh) * 2023-11-28 2023-12-29 烟台云朵软件有限公司 一种非遗传承图谱的构建方法与系统
CN117312578B (zh) * 2023-11-28 2024-02-23 烟台云朵软件有限公司 一种非遗传承图谱的构建方法与系统

Similar Documents

Publication Publication Date Title
CN111104522A (zh) 一种基于知识图谱的区域产业关联效应趋势预测方法
Khodayar et al. Rough deep neural architecture for short-term wind speed forecasting
Wu et al. Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm
CN109214503B (zh) 基于kpca-la-rbm的输变电工程造价预测方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN109215344B (zh) 用于城市道路短时交通流量预测的方法和系统
CN109255726A (zh) 一种混合智能技术的超短期风功率预测方法
CN113190688A (zh) 基于逻辑推理和图卷积的复杂网络链接预测方法及系统
CN114358389A (zh) 结合vmd分解和时间卷积网络的短期电力负荷预测方法
CN114266301A (zh) 基于图卷积神经网络的电力设备故障智能预测方法
CN114898121A (zh) 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法
CN114548591A (zh) 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统
CN116503118A (zh) 一种基于分类选择强化预测模型的废旧家电价值评估系统
CN111625992A (zh) 一种基于自调优深度学习的机械故障预测方法
Zhao et al. A GA-ANN model for air quality predicting
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN111563631A (zh) 基于变分模态分解的风力发电功率预测方法及设备
Khosla et al. A comparison of computational efforts between particle swarm optimization and genetic algorithm for identification of fuzzy models
CN110866838A (zh) 基于转移概率预处理的网络表示学习算法
CN116151581A (zh) 一种柔性车间调度方法、系统及电子设备
CN109978013A (zh) 一种用于人物动作识别的深度聚类方法
CN111882124B (zh) 一种基于生成对抗模仿学习的同质平台发展效应预测方法
Ding et al. Evolving neural network using hybrid genetic algorithm and simulated annealing for rainfall-runoff forecasting
CN113807005A (zh) 基于改进fpa-dbn的轴承剩余寿命预测方法
CN113077003A (zh) 基于图采样的图注意力网络归纳学习方法

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