CN111178531B - 关系推理以及关系推理模型的获取方法、装置及存储介质 - Google Patents
关系推理以及关系推理模型的获取方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111178531B CN111178531B CN201811330109.6A CN201811330109A CN111178531B CN 111178531 B CN111178531 B CN 111178531B CN 201811330109 A CN201811330109 A CN 201811330109A CN 111178531 B CN111178531 B CN 111178531B
- Authority
- CN
- China
- Prior art keywords
- person
- relationship
- directed graph
- feature
- extracted
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了关系推理方法以及关系推理模型的获取方法、装置及存储介质,其中的关系推理方法可包括:获取作为推理对象的各人员的预定信息;根据所述预定信息构建有向图;针对作为推理对象的两个人员,根据有向图生成两个人员的关系特征;将关系特征输入预先训练得到的关系推理模型,得到推理出的两个人员之间的社交关系。应用本发明所述方案,能够提高推理结果的准确性等。
Description
【技术领域】
本发明涉及计算机应用技术,特别涉及关系推理以及关系推理模型的获取方法、装置及存储介质。
【背景技术】
在公共安全领域,关系推理是最主要的手段之一,包括把碎片化的线索关联起来,从大数据中挖掘有价值信息,分析人与人之间的直接和潜在关系等。
传统的关系推理主要依靠人工方式,具有较高的专业门槛,依赖于经验知识,不但需要耗费较大的人力成本,而且准确性也较差。
【发明内容】
有鉴于此,本发明提供了关系推理以及关系推理模型的获取方法、装置及存储介质。
具体技术方案如下:
一种关系推理方法,包括:
获取作为推理对象的各人员的预定信息;
根据所述预定信息构建有向图;
针对作为推理对象的两个人员,根据所述有向图生成两个人员的关系特征;
将所述关系特征输入预先训练得到的关系推理模型,得到推理出的两个人员之间的社交关系。
一种关系推理模型的获取方法,包括:
获取作为训练样本的各人员的预定信息;
根据所述预定信息构建有向图;
针对作为训练样本的两个人员,根据所述有向图生成两个人员的关系特征;
将所述关系特征作为输入,将获取到的两个人员之间的真实的社交关系作为输出,训练所述关系推理模型。
一种关系推理装置,包括:第一获取单元、第一构建单元、第一生成单元以及关系推理单元;
所述第一获取单元,用于获取作为推理对象的各人员的预定信息;
所述第一构建单元,用于根据所述预定信息构建有向图;
所述第一生成单元,用于针对作为推理对象的两个人员,根据所述有向图生成两个人员的关系特征;
所述关系推理单元,用于将所述关系特征输入预先训练得到的关系推理模型,得到推理出的两个人员之间的社交关系。
一种关系推理模型的获取装置,包括:第二获取单元、第二构建单元、第二生成单元以及模型训练单元;
所述第二获取单元,用于获取作为训练样本的各人员的预定信息;
所述第二构建单元,用于根据所述预定信息构建有向图;
所述第二生成单元,用于针对作为训练样本的两个人员,根据所述有向图生成两个人员的关系特征;
所述模型训练单元,用于将所述关系特征作为输入,将获取到的两个人员之间的真实的社交关系作为输出,训练所述关系推理模型。
一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如以上所述的方法。
基于上述介绍可以看出,采用本发明所述方案,可基于构建的有向图等来生成两个人员的关系特征,进而可基于生成的关系特征以及预先训练得到的关系推理模型来推理出两个人员之间的社交关系,相比于现有的人工推理方式,不但节省了人力成本,而且提高了推理结果的准确性等。
【附图说明】
图1为本发明所述关系推理方法实施例的流程图。
图2为本发明所述关系推理模型的获取方法实施例的流程图。
图3为本发明所述递归神经网络的示意图。
图4为本发明所述关系推理方法的整体实现过程示意图。
图5为本发明所述关系推理装置实施例的组成结构示意图。
图6为本发明所述关系推理模型的获取装置实施例的组成结构示意图。
图7示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。
【具体实施方式】
为了使本发明的技术方案更加清楚、明白,以下参照附图并举实施例,对本发明所述方案进行进一步说明。
显然,所描述的实施例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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1为本发明所述关系推理方法实施例的流程图。如图1所示,包括以下具体实现方式。
在101中,获取作为推理对象的各人员的预定信息。
在102中,根据获取到的预定信息构建有向图。
在103中,针对作为推理对象的两个人员,根据构建出的有向图生成两个人员的关系特征。
在104中,将生成的关系特征输入预先训练得到的关系推理模型,得到推理出的两个人员之间的社交关系。
可以看出,本实施例的实现需要依赖于关系推理模型,关系推理模型可为神经网络模型或支持向量机(SVM,Support Vector Machine)模型等。以下首先对关系推理模型的获取方式进行说明。
图2为本发明所述关系推理模型的获取方法实施例的流程图。如图2所示,包括以下具体实现方式。
在201中,获取作为训练样本的各人员的预定信息。
在202中,根据获取到的预定信息构建有向图。
在203中,针对作为训练样本的两个人员,根据构建出的有向图生成两个人员的关系特征。
在204中,将生成的关系特征作为输入,将获取到的两个人员之间的真实的社交关系作为输出,训练关系推理模型。
可针对设定的某一时间段,如当前时间的上一个月,获取作为训练样本的各人员的预定信息。各人员的预定信息可包括:各人员的人员标识、IP(IP地址)、无线接入点(AP,Access Point)和地点,以及,人员之间的关联关系等。
其中,地点可以是指经纬度信息,人员标识可以是指用户账号等。比如,用户在家用手机登录某一app,那么可获取该用户的用户账号、IP、AP以及经纬度信息等。
人员之间的关联关系可以是指粉丝、关注对象、通讯录好友等,具体包含哪些关系类型可根据实际需要而定。关联关系可具有时间属性,如某一时期为关注对象等。
可根据获取到的预定信息构建有向图。优选地,可构建包含人员标识、IP、AP和地点四种节点类型的第一有向图,并可基于关联关系,构建包含人员标识这一节点类型的第二有向图。
第一有向图中可包括四种节点类型,分别为人员标识(即人员)、IP、AP和地点,节点之间可通过有向边相连,如人员与使用的IP之间存在一条有向边。第二有向图中仅包括人员标识(即人员)这一节点类型,通过人员之间的关联关系构建出节点之间的有向边。
之后,可针对作为训练样本的两个人员,根据构建出的有向图生成两个人员的关系特征。
为便于表述,将两个人员分别称为第一人员和第二人员,本实施例中,生成的关系特征可包括第一关系特征以及第二关系特征,另外还可进一步包括第三关系特征以及第四关系特征。
以下分别对各关系特征的生成方式进行说明。
1)第一关系特征
可从第一有向图和第二有向图中分别提取出第一人员和第二人员之间的最短连通路径,并从第一有向图和第二有向图中分别提取出第一人员和第二人员之间的N度以内全部连通路径,N为大于一的正整数,具体取值可根据实际需要而定。
即分别从第一有向图和第二有向图中提取出第一人员和第二人员这两个节点之间的最短连通路径以及N度以内全部连通路径,N度以内全部连通路径中通常包括最短连通路径。
可根据提取出的最短连通路径和全部连通路径生成第一关系特征Fr。优选地,可首先利用提取出的最短连通路径和全部连通路径训练递归神经网络,得到从第一人员到第二人员的连通路径上的各节点的词向量特征,之后可按照将各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到第一关系特征Fr。
即可利用递归神经网络对最短连通路径和全部连通路径进行编码,提取第一关系特征Fr。
图3为本发明所述递归神经网络的示意图,如图3所示,在利用提取出的最短连通路径和全部连通路径训练递归神经网络时,每个网络时刻的输入是当前路径节点,输出是下一个时刻路径节点,从而可以得到从第一人员到第二人员的连通路径上的各节点的词向量特征,即可以得到从第一人员到第二人员的每一个连通路径上的各节点的词向量特征,其中,最短连通路径在训练过程中的影响度可高于其它连通路径,图3中的P1表示第一人员,P2表示第二人员,V表示连通路径上的节点。
在得到从第一人员到第二人员的每一个连通路径上的各节点的词向量特征之后,可按照将各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到第一关系特征Fr。
2)第二关系特征
可从第一有向图和第二有向图中分别提取出从第一人员出发的M度以内最大连通子图,并从第一有向图和第二有向图中分别提取出从第二人员出发的M度以内最大连通子图,M为大于一的正整数,具体取值可根据实际需要而定。之后,可根据提取出的最大连通子图生成第二关系特征Fs。
优选地,可获取从第一有向图中提取出的从第一人员出发的M度以内最大连通子图以及从第二人员出发的M度以内最大连通子图的交集,并获取从第二有向图中提取出的从第一人员出发的M度以内最大连通子图以及从第二人员出发的M度以内最大连通子图的交集,之后可将两个交集中的节点进行合并,从而得到节点集合Sv,进而可按照将节点集合Sv中的各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到第二关系特征Fs。
在1)中获取第一关系特征时,得到了从第一人员到第二人员的每一个连通路径上的各节点的词向量特征,可将其中属于节点集合Sv中的节点的词向量特征提取出来,并基于提取出来的词向量特征,按预定顺序串联或对应元素相加的方式,得到第二关系特征Fs。
3)第三关系特征
可分别获取第一人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到第三关系特征Fp1。
所述预定属性具体包括哪些内容可根据实际需要而定,比如,可包括性别、联系方式等。
针对第一人员的每个属性,可分别按照预定方式获取其词向量特征,如按照现有的词向量生成方式生成属性的词向量特征,之后可基于获取到的词向量特征,按预定顺序串联或对应元素相加的方式,得到第三关系特征Fp1。
4)第四关系特征
可分别获取第二人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到第四关系特征Fp2。
所述预定属性具体包括哪些内容可根据实际需要而定,比如,可包括性别、联系方式等。
针对第二人员的每个属性,可分别按照预定方式获取其词向量特征,之后可基于获取到的词向量特征,按预定顺序串联或对应元素相加的方式,得到第四关系特征Fp2。
经过上述处理之后,即可得到第一人员和第二人员的关系特征F,F=[Fr,Fs,Fp1、Fp2],其中,Fr,Fs,Fp1和Fp2均为特征向量。
可将关系特征F作为输入,将获取到的第一人员和第二人员之间的真实的社交关系作为输出(标签),训练关系推理模型。
可通过挖掘或其它方式获取到第一人员和第二人员之间的真实的社交关系,并进行人工标注,作为关系推理模型的输出。社交关系可包括同事、同学、夫妻、兄弟、姐妹等等,具体包括哪些社交关系类型可根据实际需要而定。
当获取到足够多的关系特征F和对应的标签之后,即可训练得到关系推理模型,关系推理模型可为神经网络模型或SVM模型等,如何训练为现有技术。
基于训练得到的关系推理模型,即可进行实际的关系推理,具体地,可获取作为推理对象的各人员的预定信息,根据获取到的预定信息构建有向图,针对作为推理对象的两个人员,根据构建出的有向图生成两个人员的关系特征,将生成的关系特征输入关系推理模型,得到推理出的两个人员之间的社交关系。
其中,各人员的预定信息可包括:各人员的人员标识、IP、AP和地点,以及,人员之间的关联关系等。
可构建包含人员标识、IP、AP和地点四种节点类型的第一有向图,并基于关联关系,构建包含人员标识这一节点类型的第二有向图。
之后,针对作为推理对象的两个人员,可根据第一有向图和第二有向图生成两个人员的关系特征。
两个人员为第一人员和第二人员,可从第一有向图和第二有向图中分别提取出第一人员和第二人员之间的最短连通路径,并从第一有向图和第二有向图中分别提取出第一人员和第二人员之间的N度以内全部连通路径,N为大于一的正整数。从第一有向图和第二有向图中分别提取出从第一人员出发的M度以内最大连通子图,并从第一有向图和第二有向图中分别提取出从第二人员出发的M度以内最大连通子图,M为大于一的正整数。根据提取出的最短连通路径和全部连通路径生成第一关系特征,根据提取出的最大连通子图生成第二关系特征,将第一关系特征和第二关系特征作为第一人员和第二人员的关系特征。
其中,根据提取出的最短连通路径和全部连通路径生成第一关系特征的方法可包括:利用提取出的最短连通路径和全部连通路径训练递归神经网络,得到从第一人员到第二人员的连通路径上的各节点的词向量特征,按照将各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到第一关系特征。
根据提取出的最大连通子图生成第二关系特征的方法可包括:获取从第一有向图中提取出的从第一人员出发的M度以内最大连通子图以及从第二人员出发的M度以内最大连通子图的交集,并获取从第二有向图中提取出的从第一人员出发的M度以内最大连通子图以及从第二人员出发的M度以内最大连通子图的交集,将两个交集中的节点进行合并,得到节点集合Sv,按照将节点集合Sv中的各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到第二关系特征。
另外,还可根据第一人员的预定属性生成第三关系特征,根据第二人员的预定属性生成第四关系特征,将第一关系特征、第二关系特征、第三关系特征以及第四关系特征作为第一人员和第二人员的关系特征。
根据第一人员的预定属性生成第三关系特征的方法可包括:分别获取第一人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到第三关系特征。
根据第二人员的预定属性生成第四关系特征的方法可包括:分别获取第二人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到第四关系特征。
基于上述介绍,图4为本发明所述关系推理方法的整体实现过程示意图。如图4所示,主要包括模型训练和模型推理两个子过程,两个子过程中生成关系特征的方式相同。
需要说明的是,对于前述的各方法实施例,为了简单描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
总之,采用本发明方法实施例所述方案,可基于构建的有向图等来生成两个人员的关系特征,进而可基于生成的关系特征以及预先训练得到的关系推理模型来推理出两个人员之间的社交关系,相比于现有的人工推理方式,不但节省了人力成本,而且提高了推理结果的准确性等。
以上是关于方法实施例的介绍,以下通过装置实施例,对本发明所述方案进行进一步说明。
图5为本发明所述关系推理装置实施例的组成结构示意图。如图5所示,包括:第一获取单元501、第一构建单元502、第一生成单元503以及关系推理单元504。
第一获取单元501,用于获取作为推理对象的各人员的预定信息。
第一构建单元502,用于根据所述预定信息构建有向图。
第一生成单元503,用于针对作为推理对象的两个人员,根据有向图生成两个人员的关系特征。
关系推理单元504,用于将关系特征输入预先训练得到的关系推理模型,得到推理出的两个人员之间的社交关系。
其中,各人员的预定信息可包括:各人员的人员标识、IP、AP和地点,以及,人员之间的关联关系等。
第一构建单元502可构建包含人员标识、IP、AP和地点四种节点类型的第一有向图,并可基于关联关系,构建包含人员标识这一节点类型的第二有向图。
第一生成单元503可针对第一人员和第二人员两个人员,从第一有向图和第二有向图中分别提取出第一人员和第二人员之间的最短连通路径,并从第一有向图和第二有向图中分别提取出第一人员和第二人员之间的N度以内全部连通路径,N为大于一的正整数;从第一有向图和第二有向图中分别提取出从第一人员出发的M度以内最大连通子图,从第一有向图和第二有向图中分别提取出从第二人员出发的M度以内最大连通子图,M为大于一的正整数;根据提取出的最短连通路径和全部连通路径生成第一关系特征;根据提取出的最大连通子图生成第二关系特征;将第一关系特征和第二关系特征作为第一人员和第二人员的关系特征。
第一生成单元503可利用提取出的最短连通路径和全部连通路径训练递归神经网络,得到从第一人员到第二人员的连通路径上的各节点的词向量特征,按照将各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到第一关系特征。
第一生成单元503可获取从第一有向图中提取出的从第一人员出发的M度以内最大连通子图以及从第二人员出发的M度以内最大连通子图的交集,并获取从第二有向图中提取出的从第一人员出发的M度以内最大连通子图以及从第二人员出发的M度以内最大连通子图的交集,将两个交集中的节点进行合并,得到节点集合Sv,按照将节点集合Sv中的各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到第二关系特征。
第一生成单元503还可进一步根据第一人员的预定属性生成第三关系特征,根据第二人员的预定属性生成第四关系特征,将第一关系特征、第二关系特征、第三关系特征以及第四关系特征作为第一人员和第二人员的关系特征。
第一生成单元503可分别获取第一人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到第三关系特征。
第一生成单元503可分别获取第二人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到第四关系特征。
图6为本发明所述关系推理模型的获取装置实施例的组成结构示意图。如图6所示,包括:第二获取单元601、第二构建单元602、第二生成单元603以及模型训练单元604。
第二获取单元601,用于获取作为训练样本的各人员的预定信息。
第二构建单元602,用于根据所述预定信息构建有向图。
第二生成单元603,用于针对作为训练样本的两个人员,根据有向图生成两个人员的关系特征。
模型训练单元604,用于将关系特征作为输入,将获取到的两个人员之间的真实的社交关系作为输出,训练关系推理模型。
其中,各人员的预定信息可包括:各人员的人员标识、IP、AP和地点,以及,人员之间的关联关系等。
第二构建单元602可构建包含人员标识、IP、AP和地点四种节点类型的第一有向图,并可基于关联关系,构建包含人员标识这一节点类型的第二有向图。
第二生成单元603可针对第一人员和第二人员两个人员,从第一有向图和第二有向图中分别提取出第一人员和第二人员之间的最短连通路径,并从第一有向图和第二有向图中分别提取出第一人员和第二人员之间的N度以内全部连通路径,N为大于一的正整数;从第一有向图和第二有向图中分别提取出从第一人员出发的M度以内最大连通子图,从第一有向图和第二有向图中分别提取出从第二人员出发的M度以内最大连通子图,M为大于一的正整数;根据提取出的最短连通路径和全部连通路径生成第一关系特征;根据提取出的最大连通子图生成第二关系特征;将第一关系特征和第二关系特征作为第一人员和第二人员的关系特征。
第二生成单元603可利用提取出的最短连通路径和全部连通路径训练递归神经网络,得到从第一人员到第二人员的连通路径上的各节点的词向量特征,按照将各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到第一关系特征。
第二生成单元603可获取从第一有向图中提取出的从第一人员出发的M度以内最大连通子图以及从第二人员出发的M度以内最大连通子图的交集,并获取从第二有向图中提取出的从第一人员出发的M度以内最大连通子图以及从第二人员出发的M度以内最大连通子图的交集,将两个交集中的节点进行合并,得到节点集合Sv,按照将节点集合Sv中的各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到第二关系特征。
第二生成单元603还可根据第一人员的预定属性生成第三关系特征,根据第二人员的预定属性生成第四关系特征,将第一关系特征、第二关系特征、第三关系特征以及第四关系特征作为第一人员和第二人员的关系特征。
第二生成单元603可分别获取第一人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到第三关系特征。
第二生成单元603可分别获取第二人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到第四关系特征。
图5和图6所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本发明装置实施例所述方案,可基于构建的有向图等来生成两个人员的关系特征,进而可基于生成的关系特征以及预先训练得到的关系推理模型来推理出两个人员之间的社交关系,相比于现有的人工推理方式,不但节省了人力成本,而且提高了推理结果的准确性等。
图7示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图7显示的计算机系统/服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于:一个或者多个处理器(处理单元)16,存储器28,连接不同系统组件(包括存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图7所示,网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机系统/服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现图1或图2所示实施例中的方法。
本发明同时公开了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时将实现如图1或图2所示实施例中的方法。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法等,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以集成在一个处理单元中,也可以是各单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (18)
1.一种关系推理方法,其特征在于,包括:
获取作为推理对象的各人员的预定信息,包括:各人员的人员标识、IP、无线接入点AP和地点,以及,人员之间的关联关系;
根据所述预定信息构建有向图,包括:构建包含人员标识、IP、AP和地点四种节点类型的第一有向图,基于所述关联关系,构建包含人员标识这一节点类型的第二有向图;
针对作为推理对象的两个人员,根据所述有向图生成两个人员的关系特征,包括:所述两个人员为第一人员和第二人员,从所述第一有向图和所述第二有向图中分别提取出所述第一人员和所述第二人员之间的最短连通路径,并从所述第一有向图和所述第二有向图中分别提取出所述第一人员和所述第二人员之间的N度以内全部连通路径,所述N为大于一的正整数;从所述第一有向图和所述第二有向图中分别提取出从所述第一人员出发的M度以内最大连通子图,从所述第一有向图和所述第二有向图中分别提取出从所述第二人员出发的M度以内最大连通子图,M为大于一的正整数;利用提取出的最短连通路径和全部连通路径训练递归神经网络,得到从所述第一人员到所述第二人员的连通路径上的各节点的词向量特征,按照将各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到第一关系特征;根据提取出的最大连通子图生成第二关系特征;将所述第一关系特征和所述第二关系特征作为所述第一人员和所述第二人员的关系特征;
将所述关系特征输入预先训练得到的关系推理模型,得到推理出的两个人员之间的社交关系,所述关系推理模型包括支持向量机模型。
2.根据权利要求1所述的方法,其特征在于,
所述根据提取出的最大连通子图生成第二关系特征包括:
获取从所述第一有向图中提取出的从所述第一人员出发的M度以内最大连通子图以及从所述第二人员出发的M度以内最大连通子图的交集;
获取从所述第二有向图中提取出的从所述第一人员出发的M度以内最大连通子图以及从所述第二人员出发的M度以内最大连通子图的交集;
将两个交集中的节点进行合并,得到节点集合Sv;
按照将所述节点集合Sv中的各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到所述第二关系特征。
3.根据权利要求1所述的方法,其特征在于,
该方法进一步包括:
根据所述第一人员的预定属性生成第三关系特征;
根据所述第二人员的预定属性生成第四关系特征;
将所述第一关系特征、所述第二关系特征、所述第三关系特征以及所述第四关系特征作为所述第一人员和所述第二人员的关系特征。
4.根据权利要求3所述的方法,其特征在于,
所述根据所述第一人员的预定属性生成第三关系特征包括:
分别获取所述第一人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到所述第三关系特征;
所述根据所述第二人员的预定属性生成第四关系特征包括:
分别获取所述第二人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到所述第四关系特征。
5.一种关系推理模型的获取方法,其特征在于,包括:
获取作为训练样本的各人员的预定信息,包括:各人员的人员标识、IP、无线接入点AP和地点,以及,人员之间的关联关系;
根据所述预定信息构建有向图,包括:构建包含人员标识、IP、AP和地点四种节点类型的第一有向图,基于所述关联关系,构建包含人员标识这一节点类型的第二有向图;
针对作为训练样本的两个人员,根据所述有向图生成两个人员的关系特征,包括:所述两个人员为第一人员和第二人员,从所述第一有向图和所述第二有向图中分别提取出所述第一人员和所述第二人员之间的最短连通路径,并从所述第一有向图和所述第二有向图中分别提取出所述第一人员和所述第二人员之间的N度以内全部连通路径,所述N为大于一的正整数;从所述第一有向图和所述第二有向图中分别提取出从所述第一人员出发的M度以内最大连通子图,从所述第一有向图和所述第二有向图中分别提取出从所述第二人员出发的M度以内最大连通子图,M为大于一的正整数;利用提取出的最短连通路径和全部连通路径训练递归神经网络,得到从所述第一人员到所述第二人员的连通路径上的各节点的词向量特征,按照将各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到第一关系特征;根据提取出的最大连通子图生成第二关系特征;将所述第一关系特征和所述第二关系特征作为所述第一人员和所述第二人员的关系特征;
将所述关系特征作为输入,将获取到的两个人员之间的真实的社交关系作为输出,训练所述关系推理模型,所述关系推理模型包括支持向量机模型。
6.根据权利要求5所述的方法,其特征在于,
所述根据提取出的最大连通子图生成第二关系特征包括:
获取从所述第一有向图中提取出的从所述第一人员出发的M度以内最大连通子图以及从所述第二人员出发的M度以内最大连通子图的交集;
获取从所述第二有向图中提取出的从所述第一人员出发的M度以内最大连通子图以及从所述第二人员出发的M度以内最大连通子图的交集;
将两个交集中的节点进行合并,得到节点集合Sv;
按照将所述节点集合Sv中的各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到所述第二关系特征。
7.根据权利要求5所述的方法,其特征在于,
该方法进一步包括:
根据所述第一人员的预定属性生成第三关系特征;
根据所述第二人员的预定属性生成第四关系特征;
将所述第一关系特征、所述第二关系特征、所述第三关系特征以及所述第四关系特征作为所述第一人员和所述第二人员的关系特征。
8.根据权利要求7所述的方法,其特征在于,
所述根据所述第一人员的预定属性生成第三关系特征包括:
分别获取所述第一人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到所述第三关系特征;
所述根据所述第二人员的预定属性生成第四关系特征包括:
分别获取所述第二人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到所述第四关系特征。
9.一种关系推理装置,其特征在于,包括:第一获取单元、第一构建单元、第一生成单元以及关系推理单元;
所述第一获取单元,用于获取作为推理对象的各人员的预定信息,包括:各人员的人员标识、IP、无线接入点AP和地点,以及,人员之间的关联关系;
所述第一构建单元,用于根据所述预定信息构建有向图,包括:构建包含人员标识、IP、AP和地点四种节点类型的第一有向图,基于所述关联关系,构建包含人员标识这一节点类型的第二有向图;
所述第一生成单元,用于针对作为推理对象的两个人员,根据所述有向图生成两个人员的关系特征,包括:所述两个人员为第一人员和第二人员,从所述第一有向图和所述第二有向图中分别提取出所述第一人员和所述第二人员之间的最短连通路径,并从所述第一有向图和所述第二有向图中分别提取出所述第一人员和所述第二人员之间的N度以内全部连通路径,所述N为大于一的正整数;从所述第一有向图和所述第二有向图中分别提取出从所述第一人员出发的M度以内最大连通子图,从所述第一有向图和所述第二有向图中分别提取出从所述第二人员出发的M度以内最大连通子图,M为大于一的正整数;利用提取出的最短连通路径和全部连通路径训练递归神经网络,得到从所述第一人员到所述第二人员的连通路径上的各节点的词向量特征,按照将各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到第一关系特征;根据提取出的最大连通子图生成第二关系特征;将所述第一关系特征和所述第二关系特征作为所述第一人员和所述第二人员的关系特征;
所述关系推理单元,用于将所述关系特征输入预先训练得到的关系推理模型,得到推理出的两个人员之间的社交关系,所述关系推理模型包括支持向量机模型。
10.根据权利要求9所述的装置,其特征在于,
所述第一生成单元获取从所述第一有向图中提取出的从所述第一人员出发的M度以内最大连通子图以及从所述第二人员出发的M度以内最大连通子图的交集,并获取从所述第二有向图中提取出的从所述第一人员出发的M度以内最大连通子图以及从所述第二人员出发的M度以内最大连通子图的交集,将两个交集中的节点进行合并,得到节点集合Sv,按照将所述节点集合Sv中的各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到所述第二关系特征。
11.根据权利要求9所述的装置,其特征在于,
所述第一生成单元进一步用于,
根据所述第一人员的预定属性生成第三关系特征;
根据所述第二人员的预定属性生成第四关系特征;
将所述第一关系特征、所述第二关系特征、所述第三关系特征以及所述第四关系特征作为所述第一人员和所述第二人员的关系特征。
12.根据权利要求11所述的装置,其特征在于,
所述第一生成单元分别获取所述第一人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到所述第三关系特征;
所述第一生成单元分别获取所述第二人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到所述第四关系特征。
13.一种关系推理模型的获取装置,其特征在于,包括:第二获取单元、第二构建单元、第二生成单元以及模型训练单元;
所述第二获取单元,用于获取作为训练样本的各人员的预定信息,包括:各人员的人员标识、IP、无线接入点AP和地点,以及,人员之间的关联关系;
所述第二构建单元,用于根据所述预定信息构建有向图,包括:构建包含人员标识、IP、AP和地点四种节点类型的第一有向图,基于所述关联关系,构建包含人员标识这一节点类型的第二有向图;
所述第二生成单元,用于针对作为训练样本的两个人员,根据所述有向图生成两个人员的关系特征,包括:所述两个人员为第一人员和第二人员,从所述第一有向图和所述第二有向图中分别提取出所述第一人员和所述第二人员之间的最短连通路径,并从所述第一有向图和所述第二有向图中分别提取出所述第一人员和所述第二人员之间的N度以内全部连通路径,所述N为大于一的正整数;从所述第一有向图和所述第二有向图中分别提取出从所述第一人员出发的M度以内最大连通子图,从所述第一有向图和所述第二有向图中分别提取出从所述第二人员出发的M度以内最大连通子图,M为大于一的正整数;利用提取出的最短连通路径和全部连通路径训练递归神经网络,得到从所述第一人员到所述第二人员的连通路径上的各节点的词向量特征,按照将各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到第一关系特征;根据提取出的最大连通子图生成第二关系特征;将所述第一关系特征和所述第二关系特征作为所述第一人员和所述第二人员的关系特征;
所述模型训练单元,用于将所述关系特征作为输入,将获取到的两个人员之间的真实的社交关系作为输出,训练所述关系推理模型,所述关系推理模型包括支持向量机模型。
14.根据权利要求13所述的装置,其特征在于,
所述第二生成单元获取从所述第一有向图中提取出的从所述第一人员出发的M度以内最大连通子图以及从所述第二人员出发的M度以内最大连通子图的交集,并获取从所述第二有向图中提取出的从所述第一人员出发的M度以内最大连通子图以及从所述第二人员出发的M度以内最大连通子图的交集,将两个交集中的节点进行合并,得到节点集合Sv,按照将所述节点集合Sv中的各节点的词向量特征按预定顺序串联或对应元素相加的方式,得到所述第二关系特征。
15.根据权利要求13所述的装置,其特征在于,
所述第二生成单元进一步用于,
根据所述第一人员的预定属性生成第三关系特征;
根据所述第二人员的预定属性生成第四关系特征;
将所述第一关系特征、所述第二关系特征、所述第三关系特征以及所述第四关系特征作为所述第一人员和所述第二人员的关系特征。
16.根据权利要求15所述的装置,其特征在于,
所述第二生成单元分别获取所述第一人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到所述第三关系特征;
所述第二生成单元分别获取所述第二人员的各预定属性的词向量特征,按照将获取到的词向量特征按预定顺序串联或对应元素相加的方式,得到所述第四关系特征。
17.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~8中任一项所述的方法。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330109.6A CN111178531B (zh) | 2018-11-09 | 2018-11-09 | 关系推理以及关系推理模型的获取方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330109.6A CN111178531B (zh) | 2018-11-09 | 2018-11-09 | 关系推理以及关系推理模型的获取方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178531A CN111178531A (zh) | 2020-05-19 |
CN111178531B true CN111178531B (zh) | 2023-09-22 |
Family
ID=70653517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811330109.6A Active CN111178531B (zh) | 2018-11-09 | 2018-11-09 | 关系推理以及关系推理模型的获取方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178531B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065060B (zh) * | 2020-07-28 | 2023-09-08 | 中国电信股份有限公司 | 数据分析方法、装置和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140588A (zh) * | 2007-10-10 | 2008-03-12 | 华为技术有限公司 | 一种关联关系搜索结果的排序方法及装置 |
DE102007000954A1 (de) * | 2007-09-27 | 2009-04-09 | Siemens Ag | Verfahren zur rechnergestützten Verarbeitung von digitalen semantisch annotierten Informationen |
CN102238602A (zh) * | 2011-07-04 | 2011-11-09 | 南京邮电大学 | 一种无线传感器网络故障节点检测方法 |
CN106250371A (zh) * | 2008-08-29 | 2016-12-21 | 启创互联公司 | 用于利用现有的域定义来进行语义概念定义和语义概念关系综合的系统和方法 |
CN106886572A (zh) * | 2017-01-18 | 2017-06-23 | 中国人民解放军信息工程大学 | 基于Markov逻辑网的知识图谱关系类型推测方法及其装置 |
CN108415897A (zh) * | 2018-01-18 | 2018-08-17 | 北京百度网讯科技有限公司 | 基于人工智能的类别判别方法、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10311445B2 (en) * | 2008-08-20 | 2019-06-04 | Palo Alto Research Center Incorporated | Inference detection enabled by internet advertising |
-
2018
- 2018-11-09 CN CN201811330109.6A patent/CN111178531B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007000954A1 (de) * | 2007-09-27 | 2009-04-09 | Siemens Ag | Verfahren zur rechnergestützten Verarbeitung von digitalen semantisch annotierten Informationen |
CN101140588A (zh) * | 2007-10-10 | 2008-03-12 | 华为技术有限公司 | 一种关联关系搜索结果的排序方法及装置 |
CN106250371A (zh) * | 2008-08-29 | 2016-12-21 | 启创互联公司 | 用于利用现有的域定义来进行语义概念定义和语义概念关系综合的系统和方法 |
CN102238602A (zh) * | 2011-07-04 | 2011-11-09 | 南京邮电大学 | 一种无线传感器网络故障节点检测方法 |
CN106886572A (zh) * | 2017-01-18 | 2017-06-23 | 中国人民解放军信息工程大学 | 基于Markov逻辑网的知识图谱关系类型推测方法及其装置 |
CN108415897A (zh) * | 2018-01-18 | 2018-08-17 | 北京百度网讯科技有限公司 | 基于人工智能的类别判别方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于有向图的电路推理模型研究;周平,杨浩泉;《计算机工程与设计》,基于有向图的电路推理模型研究;正文第3217-3219页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111178531A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170083506A1 (en) | Suggesting emoji characters based on current contextual emotional state of user | |
CN106971009B (zh) | 语音数据库生成方法及装置、存储介质、电子设备 | |
US20170092273A1 (en) | Intelligent contextually aware digital assistants | |
CN110276023B (zh) | Poi变迁事件发现方法、装置、计算设备和介质 | |
US20130159848A1 (en) | Dynamic Personal Dictionaries for Enhanced Collaboration | |
US8924491B2 (en) | Tracking message topics in an interactive messaging environment | |
JP6756079B2 (ja) | 人工知能に基づく三元組チェック方法、装置及びコンピュータプログラム | |
CN108932066B (zh) | 输入法获取表情包的方法、装置、设备和计算机存储介质 | |
CN110837586B (zh) | 问答匹配方法、系统、服务器及存储介质 | |
CN110609879B (zh) | 兴趣点判重方法、装置、计算机设备及存储介质 | |
EP3244166B1 (en) | System and method for identifying socially relevant landmarks | |
CN111291882A (zh) | 一种模型转换的方法、装置、设备和计算机存储介质 | |
CN109815481B (zh) | 对文本进行事件抽取的方法、装置、设备和计算机存储介质 | |
CN112417274A (zh) | 一种消息推送方法、装置、电子设备及存储介质 | |
US10318631B2 (en) | Removable spell checker device | |
CN116775815B (zh) | 对话数据的处理方法、装置、电子设备及存储介质 | |
CN110532562B (zh) | 神经网络训练方法、成语误用检测方法、装置和电子设备 | |
CN111126422B (zh) | 行业模型的建立及行业的确定方法、装置、设备及介质 | |
CN111178531B (zh) | 关系推理以及关系推理模型的获取方法、装置及存储介质 | |
CN110362688B (zh) | 试题标注方法、装置、设备及计算机可读存储介质 | |
US9799326B2 (en) | Training a cognitive agent using document output generated from a recorded process | |
CN111125272B (zh) | 一种区域特征获取方法、装置、计算机设备及介质 | |
CN113822589A (zh) | 智能面试方法、装置、设备及存储介质 | |
CN110378378B (zh) | 事件检索方法、装置、计算机设备及存储介质 | |
CN111126120B (zh) | 城市区域分类方法、装置、设备和介质 |
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 |