CN111191039B - 知识图谱创建方法、装置和计算机可读存储介质 - Google Patents
知识图谱创建方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111191039B CN111191039B CN201910943763.2A CN201910943763A CN111191039B CN 111191039 B CN111191039 B CN 111191039B CN 201910943763 A CN201910943763 A CN 201910943763A CN 111191039 B CN111191039 B CN 111191039B
- Authority
- CN
- China
- Prior art keywords
- data
- data model
- business
- event
- entities
- 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
- G06F16/30—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
- 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
- G06F16/355—Class or cluster creation or modification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种知识图谱创建方法、装置和计算机可读存储介质;获取业务对象对应的业务数据,并从业务数据中提取业务对象的多个数据维度上的业务数据;根据多个数据维度上的业务数据,建立业务对象的对象数据模型,对象数据模型包括每个维度对应的模块,模块存储有相应维度上的业务数据;对业务对象的数据实体进行聚类,得到基本属性数据实体和对象事件数据实体;根据基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型;根据对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型;基于对象关系数据模型和对象数据模型创建知识图谱。该方案可以提高知识图谱关系创建的准确性。
Description
技术领域
本申请涉及通信技术领域,具体涉及一种知识图谱创建方法、装置和计算机可读存储介质。
背景技术
随着通信技术的发展,知识图谱得到了广泛的应用,知识图谱在图书情报界被称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形。
在对相关技术的研究和实践过程中,本申请的发明人发现,知识图谱的构建方法可以有基于语义文本挖掘的知识图谱构建方法与基于多源数据融合的知识图谱构建方法,但这两种知识图谱创建方法创建出来的知识图谱的图谱间关系都是比较简单,深层次知识图谱间的关系不能准确的挖掘出来。
发明内容
本申请实施例提供一种知识图谱创建方法、装置和计算机可读存储介质;可以提高知识图谱关系创建的准确性。
本申请实施例提供了一种知识图谱创建方法,包括:
获取业务对象对应的业务数据,并从所述业务数据中提取业务对象的多个数据维度上的业务数据;
根据所述多个数据维度上的业务数据,建立业务对象的对象数据模型,所述对象数据模型包括每个维度对应的模块,所述模块存储有相应维度上的业务数据;
对所述业务对象的数据实体进行聚类,得到基本属性数据实体和对象事件数据实体;
根据所述基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型,其中,所述对象基本属性数据模型包括按照属性关系排列的基本属性数据实体,所述对象事件数据模型包括按照事件关系排列的事件数据实体;
根据所述对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型,所述对象关系数据模型包括所述业务对象与数据实体之间的关系、以及数据实体之间的关系;
基于所述对象关系数据模型和所述对象数据模型创建知识图谱。
相应的,本申请实施例提供了一种知识图谱创建装置,包括:
获取单元,用于获取业务对象对应的业务数据,并从所述业务数据中提取业务对象的多个数据维度上的业务数据;
第一建立单元,用于根据所述多个数据维度上的业务数据,建立业务对象的对象数据模型,所述对象数据模型包括每个维度对应的模块,所述模块存储有相应维度上的业务数据;
聚类单元,用于对所述业务对象的数据实体进行聚类,得到基本属性数据实体和对象事件数据实体;
第二建立单元,用于根据所述基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型,其中,所述对象基本属性数据模型包括按照属性关系排列的基本属性数据实体,所述对象事件数据模型包括按照事件关系排列的事件数据实体;
第三建立单元,用于根据所述对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型,所述对象关系数据模型包括所述业务对象与数据实体之间的关系、以及数据实体之间的关系;
创建单元,用于基于所述对象关系数据模型和所述对象数据模型创建知识图谱。
在一实施例中,所述第一建立单元,包括:
第一建立子单元,用于根据每个维度上的业务数据,建立每个维度对应的数据集,所述每个维度对应的数据集包括每个维度上的业务数据;
筛选子单元,用于对所述数据集进行筛选,得到每个维度上的多个数据实体和指标;
第二建立子单元,用于根据所述数据实体和所述指标,将所述每个维度的数据集中的业务数据建立业务对象的对象数据模型。
在一实施例中,所述知识图谱创建装置还可以包括:
提取单元,用于根据业务对象的属性,从所述数据集中提取多个预设属性业务对象的数据信息,得到多个预设属性业务对象的数据信息集;
整合单元,用于对所述数据信息集进行整合,并将整合后的数据信息集存储到所述对象数据模型对应的模块中。
在一实施例中,所述第二建立单元,包括:
第三建立子单元,用于根据基本属性数据实体之间的属性关系,建立对象基本属性数据模型;
第四建立子单元,用于根据事件数据实体之间的事件关系,建立对象事件数据模型。
在一实施例中,所述第三建立子单元还用于根据业务对象的基本属性,对所述基本属性数据实体进行整合,得到基本属性对应的数据实体集;根据整合后的数据实体集建立对象基本属性模型。
在一实施例中,所述第四建立子单元还用于根据业务对象的关联事件,对所述事件数据实体进行整合,得到事件对应的数据实体集;根据整合后的数据实体集建立对象事件数据模型。
在一实施例中,所述第三建立单元,包括:
梳理子单元,用于对所述对象数据模型和对象数据模型中所述基本属性数据实体与所述事件数据实体之间的关系进行梳理,得到业务对象的对象关系数据信息;
第五建立子单元,用于根据所述对象关系数据信息建立关系数据模型。
在一实施例中,所述创建单元,包括:
存储子单元,用于将所述对象数据模型中的业务数据与整合后的数据信息集存储到所述对象关系数据模型对应的模块中,创建知识图谱。
相应的,本申请实施例还提供一种计算机可读存储介质,所述存储介质存储有多条指令,所述指令适用于处理器进行加载,以执行本申请实施例任一提供的知识图谱创建方法中的步骤。
本申请实施例可以获取业务对象对应的业务数据,并从所述业务数据中提取业务对象的多个数据维度上的业务数据;根据所述多个数据维度上的业务数据,建立业务对象的对象数据模型,所述对象数据模型包括每个维度对应的模块,所述模块存储有相应维度上的业务数据;对所述业务对象的数据实体进行聚类,得到基本属性数据实体和对象事件数据实体;根据所述基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型,其中,所述对象基本属性数据模型包括按照属性关系排列的基本属性数据实体,所述对象事件数据模型包括按照事件关系排列的事件数据实体;根据所述对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型,所述对象关系数据模型包括所述业务对象与数据实体之间的关系、以及数据实体之间的关系;基于所述对象关系数据模型和所述对象数据模型创建知识图谱。该方案可以提高了知识图谱关系创建的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的知识图谱创建方法的场景示意图;
图2是本申请实施例提供的知识图谱创建方法的流程图;
图3是本申请实施例提供的知识图谱创建方法的业务对象分类图;
图4是本申请实施例提供的知识图谱创建方法的自然人业务分维示意图;
图5是本申请实施例提供的知识图谱创建方法的社会保障维度档案示意图;
图6是本申请实施例提供的知识图谱创建方法的自然人基本属性数据模型图;
图7是本申请实施例提供的知识图谱创建方法的自然人人生事件数据模型示意图;
图8是本申请实施例提供的知识图谱创建方法的自然人对象关系图谱图;
图9是本申请实施例提供的区块链系统的结构示意图;
图10是本申请实施例提供的知识图谱创建方法的另一流程图;
图11是本申请实施例提供的知识图谱创建方法的自然人全息数据模型图;
图12是本申请实施例提供的知识图谱创建方法的自然人对象分群画像图;
图13是本申请实施例提供的知识图谱创建方法的个人标签画像图;
图14是本申请实施例提供的知识图谱创建方法的人口全息数据统计图;
图15是本申请实施例提供的知识图谱创建方法的人口全息数据档案效果图;
图16是本申请实施例提供的知识图谱创建方法的自然人人生关系数据模型示意图;
图17是本申请实施例提供的知识图谱创建方法的自然人全息知识图谱展示图;
图18是本申请实施例提供的知识图谱创建方法的装置图;
图19是本申请实施例提供的服务器的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
本申请实施例提供一种知识图谱创建方法、装置和计算机可读存储介质。其中,该知识图谱创建装置可以集成在网络设备中,该网络设备可以是服务器等设备。
本申请实施例将以该知识图谱创建装置集成在服务器中为例,来介绍知识图谱创建方法,参考图1,该服务器可以获取业务对象对应的业务数据,并从该业务数据中提取业务对象的多个数据维度上的业务数据;根据该多个数据维度上的业务数据,建立业务对象的对象数据模型,该对象数据模型包括每个维度对应的模块,该模块存储有相应维度上的业务数据;对该业务对象的数据实体进行聚类,得到基本属性数据实体和对象事件数据实体;根据该基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型,其中,该对象基本属性数据模型包括按照属性关系排列的基本属性数据实体,该对象事件数据模型包括按照事件关系排列的事件数据实体;根据该对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型,该对象关系数据模型包括该业务对象与数据实体之间的关系、以及数据实体之间的关系;基于该对象关系数据模型和该对象数据模型创建知识图谱。
由以上可知,本实施例通过获取业务对象对应的业务数据作为创建知识图谱的基础数据,再深层次的挖掘业务对象与数据实体之间的关系、以及数据实体之间的关系,最后再结合创建知识图谱的基础数据与该挖掘出的深层次的各个关系创建知识图谱,该方案丰富了知识图谱构建方法体系,提高了知识图谱关系创建的准确性。
以下分别进行详细说明,需说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
本申请实施例将从知识图谱创建装置的角度进行描述,该知识图谱创建装置具体可以集成在服务器中。
本申请实施例提供一种知识图谱创建方法,该方法可以由服务器的处理器执行,如图2所示,该知识图谱创建方法的具体流程可以如下:
101、获取业务对象对应的业务数据,并从该业务数据中提取业务对象的多个数据维度上的业务数据。
其中,业务数据可以从政务大数据中心建设的政务大数据资源中获取,而政务大数据资源则是政务大数据中心建设过程中所形成的人口、法人、空间地理信息、电子证照和信用信息五大基础库,以及政务事项、市场监管、公共安全、社会保障、网上办理等主专题库数据资源等数据库的统称,也可以为知识图谱创建的基础数据源,可以理解的是业务数据的获取不仅局限于从政务大数据资源中获取,还可以是从其他地方获取。
可选的,该业务对象可以为根据业务属性对业务对象进行分类,而得到的得到多个类型的业务对象,其中,业务属性可以为业务的规定特性,比如,如图3所示,可以围绕政府业务,按照业务的属性即业务的规定特性将业务对象分为基础对象和社会公共事务对象,而社会公共事务对象还可以进行分类,可以分为公共资源对象、公共项目对象、社会问题对象以及公共事业对象,等等。
其中,多个数据维度上的业务数据为与业务对象有关联关系的多个数据维度上的业务数据,比如,该业务对象为自然人时,如图4所示,该自然人的多个数据维度上的业务数据可以为社会保障、户籍身份、教育、职业资格等等即可以理解为社会保障为该自然人一个维度上的业务数据,户籍身份为该自然人另一个维度上的业务数据,教育为该自然人另一个维度上的业务数据和职业资格为该自然人另一个维度上的业务数据,等等。
102、根据该多个数据维度上的业务数据,建立业务对象的对象数据模型,该对象数据模型包括每个维度对应的模块,该模块存储有相应维度上的业务数据。
其中,对象数据模型为表示与该业务对象有关联关系的数据信息的信息集,并且该信息集是按照数据信息间的关系排列的信息集,具体地,该对象数据模型的建立步骤可以包括:
根据每个维度上的业务数据,建立每个维度对应的数据集,该每个维度对应的数据集包括每个维度上的业务数据;
对该数据集进行筛选,得到每个维度上的多个数据实体和指标;
根据该数据实体和该指标,将该每个维度的数据集中的业务数据建立业务对象的对象数据模型。
其中,该数据集为对每个维度上的业务数据进行整合而得到的整合后的业务数据集,比如,如图5所示,以社会保障为业务对象的一个维度上的业务数据,对这个维度上的业务数据集社会保障进行数据建档与采集工作,得到数据集。
可选的,根据数据实体与指标建立对象数据模型时,不一定要用到所有数据集中的数据实体与指标,可以对该数据集进行筛选,获取到需要的数据实体与指标,而数据实体可以理解为数据集中一类数据对象的个体,比如可以是具体的人、事、物,也可以为抽象的概念、联系等,指标可以理解为对建立对象数据模型有参考价值的统计数据。
在一实施例中,在建立对象数据模型之后,对数据集进行处理以得到预设属性业务对象的数据信息集,比如,该预设属性业务对象为特定群体时,从数据集中获取该特定群体的业务数据,并对这些数据信息进行梳理,得到梳理后的数据信息集以存储到对象数据模型对应的模块中,具体地,将预设属性业务对象的数据信息存储到对象数据模型的步骤可以包括:
根据业务对象的属性,从该数据集中提取多个预设属性业务对象的数据信息,得到多个预设属性业务对象的数据信息集;
对该数据信息集进行整合,并将整合后的数据信息集存储到该对象数据模型对应的模块中。
其中,该对象数据模型的模块中,不仅包括对应的业务数据,还包括整合后的数据信息集,可以理解的是,该业务数据与数据信息集可以按照一定顺序排列在对应的模块中,并且该业务数据与整合后的数据信息集可以作为创建知识图谱的基础数据。
103、对该业务对象的数据实体进行聚类,得到基本属性数据实体和对象事件数据实体。
其中,基本属性数据实体与对象事件数据实体可以理解为将业务对象的数据实体按照业务对象的基本属性关系,进一步聚类、归纳而得到的数据实体。
例如,以业务对象为自然人为例,基本属性数据实体与对象数据实体可以通过将人口的数据实体按照自然人的基本属性关系进一步整合、归纳,得到的部分数据实体可以如下自然人的基本属性和人生事件表所示:
可以理解的是,根据上表自然人的基本属性数据实体可以包括自然人的身份、文化程度、工作单位和职业资格等数据实体,对象数据实体即自然人的人生事件数据实体可以包括自然人的出生、受教育经历、就业经历和失业登记等数据实体。
104、根据该基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型,其中,该对象基本属性数据模型包括按照属性关系排列的基本属性数据实体,该对象事件数据模型包括按照事件关系排列的事件数据实体。
其中,对象基本属性数据模型为按照业务对象的基本属性关系对基本属性数据实体进行整合而得到的基本属性数据实体集,属性关系可以理解为各基本属性数据实体之间的关联关系。
其中,对象事件数据模型为按照业务对象的事件关系对对象事件数据实体进行整合而得到的对象事件数据实体集,事件关系可以理解为事件与事件之间的关系。
例如,如图6所示,该模型为以业务对象为自然人为例的自然人基本数据模型,该自然人基本属性数据模型包括多个存储有基本属性数据实体的模块,比如,护照对应的模块存储有护照号码、护照类型、签发国代码、签发地点和有效期至等基本属性数据实体,驾照对应的模块存储有驾驶证号、准驾车型、初次领证时间、有效起始日期、有效期等数据实体,等等。
同理,如图7所示,该模型为以业务对象为自然人为例的自然人人生事件数据模型,该自然人人生事件数据模型包括多个存储有对象事件数据实体的模块,根据如图6与图7所示的自然人基本数据模型与自然人人生事件数据模型可以挖掘出深层次的自然人的人生关系
其中,根据步骤103的自然人的基本属性和人生事件表可以得到自然人的部分数据实体,而自然人的人生事件包括出生、受教育经历、就业经历和失业登记等,但是自然人可能不止一次参与某些活动,该自然人的部分相关属性特征也可能随着事件的发生发产生变化,比如受教育经历,可以包括小学、初中、高中、大学等,在不同时间段数据信息不相同,以受教育经历事件为例,对受教育经历事件数据进行采集,并归纳如下受教育经历人生事件表所示:
其中,该受教育人生事件表的数据是根据自然人的受教育轨迹在不同时间段不断的采集、补充与完善。
具体地,步骤“根据该基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型”可以包括:
根据基本属性数据实体之间的属性关系,建立对象基本属性数据模型;
根据事件数据实体之间的事件关系,建立对象事件数据模型。
可以理解的是,对象基本属性数据模型建立的详细步骤可以包括:
根据业务对象的基本属性,对该基本属性数据实体进行整合,得到基本属性对应的数据实体集;
根据整合后的数据实体集建立对象基本属性模型。
其中,对基本属性数据实体进行整合,可以理解为对多个基本属性数据实体进行梳理、聚类和归纳进而得到数据实体集,再根据该数据实体集建立对象基本属性模型,而对象事件数据模型建立的详细步骤可以包括:
根据业务对象的关联事件,对该事件数据实体进行整合,得到事件对应的数据实体集;
根据整合后的数据实体集建立对象事件数据模型。
其中,可以理解的是,通过建立对象基本属性数据模型与对象数据模型可以挖掘出业务对象与数据实体之间的关系以及数据实体之间的关系。
可选的,在一实施例中,以业务对象为自然人为例,还可以将属性数据实体与事件数据实体进行关联,比如可以通过事件ID与自然人的身份证号进行关联,进而可以快速查询单个自然人在生命周期发生的所有人生事件。
105、根据该对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型,该对象关系数据模型包括该业务对象与数据实体之间的关系、以及数据实体之间的关系。
其中,对象关系数据模型为根据对象基本属性数据模型与对象事件数据模型建立的数据模型,由步骤104可知,对象基本属性数据模型为按照业务对象的基本属性关系对基本属性数据实体进行整合而得到的基本属性数据实体集,对象事件数据模型为按照业务对象的事件关系对对象事件数据实体进行整合而得到的对象事件数据实体集,则对象关系数据模型可以为将这两个数据实体集基本属性数据实体集与对象事件数据实体集进行整合而得到关于业务对象的对象关系数据集。
例如,以业务对象为自然人为例,根据对象基本属性数据模型与对象数据模型可以挖掘出自然人的人生关系,比如人与人的人生关系、人与地的人生关系、人与物的人生关系以及人与组织的人生关系等等,将人口的数据实体按照自然人的人生关系聚类、归纳可以得到如下自然人的人生关系表:
由上表,显而易见的人与人的人生关系可以包括家庭关系、同学关系、同事关系和邻居关系等,同理,人与地、人与物和人与组织的关系可以包括上表所列的关系,当然,还可以包括其他的关系,表中仅列出一部分自然人的人生关系。
可选的,建立了对象关系数据模型,该对象数据模型包括的业务对象与数据实体之间的关系、以及数据实体之间的关系,可以提高知识图谱关系创建的准确性,具体地,关系数据模型创建的过程可以包括以下步骤:
对该对象数据模型和对象数据模型中该基本属性数据实体与该事件数据实体之间的关系进行梳理,得到业务对象的对象关系数据信息;
根据该对象关系数据信息建立关系数据模型。
其中,梳理该基本属性数据实体与事件数据实体之间的关系是创建知识图谱的重要一步,能够提高知识图谱关系创建的准确性。
106、基于该对象关系数据模型和该对象数据模型创建知识图谱。
可选的,根据步骤102可知对象数据模型的多个模块包括对应的业务数据与整合后的数据信息集,其中,该业务数据与整合后的数据信息集可以作为创建知识图谱的基础数据,而根据步骤105可知对象关系数据模型包括业务对象与数据实体之间的关系、以及数据实体之间的关系,进而可以准确创建知识图谱的关系,显而易见的,可以根据对象关系数据模型和对象数据模型创建知识图谱,具体地,知识图谱创建的过程可以包括以下步骤:
将该对象数据模型中的业务数据与整合后的数据信息集存储到该对象关系数据模型对应的模块中,创建知识图谱。
例如,以业务对象为自然人建立知识图谱,如图8所示,
在一实施例中,将创建的知识图谱存储到区块链中,以方便后续信息的提取存储,如图9所示,该服务器可以为分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由多个节点通过网络通信的形式连接形成的分布式系统,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算机设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点,其中,区块链,包括一系列按照产生的先后时间顺序相互接续的区块(Block),新区块一旦加入到区块链中就不会再被移除,区块中记录了区块链系统中节点提交的记录数据。
其中,区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新兴应用模式,本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
由以上可知,本实施例通过获取业务对象对应的业务数据作为创建知识图谱的基础数据,再深层次的挖掘业务对象与数据实体之间的关系、以及数据实体之间的关系,最后再结合创建知识图谱的基础数据与该挖掘出的深层次的各个关系创建知识图谱,该方案丰富了知识图谱构建方法体系,提高了知识图谱关系创建的准确性。
本申请实施例将从知识图谱创建装置的角度进行描述,该知识图谱创建装置具体可以集成在服务器中。
如图10示,以业务对象对自然人、业务数据为从政务大数据中心建设的政务大数据资源中获取的数据为例来介绍一种知识图谱创建方法,具体流程可以如下:
201、服务器获取业务对象对应的业务数据,并从该业务数据中提取业务对象的多个数据维度上的业务数据。
例如,如图3所示,围绕政府业务,按照业务属性对业务对象进行分类,比如可以根据业务属性将业务对象分为基础对象与社会公共社会事务对象,再将社会公共事务对象分为公共资源对象、公共项目对象、社会问题对象以及公共事业对象等等。
其中,自然人对应的业务数据包括有多个数据,并非每一个数据都为自然人的多个维度的业务数据,可以从业务数据中提取出对象的多个数据维度上的业务数据,比如,如图4所示,该自然人存在包括社会保障、文化旅游、知识产权和户籍身份等数据维度上的业务数据。
202、服务器根据该多个数据维度上的业务数据,建立业务对象的对象数据模型,该对象数据模型包括每个维度对应的模块,该模块存储有相应维度上的业务数据。
例如,如图4所示,显而易见的社会保障为自然人的多个数据维度上的其中一个维度上的业务数据,根据这个维度的业务数据即社会保障,建立这个维度的数据集,如图5所示,社会保障可以包括社保卡、医疗包括、养老保险、失业保险、工伤保险、新农保和低保等数据实体,对这些数据实体的数据信息进行建档记录,成功建立该维度的数据集,同理,可以建立其他维度对应的数据集。
可选的,对数据集进行筛选,可以得到多个所需的数据实体和指标,再根据这些数据实体和指标可以得到如图11所示的对象全息数据模型,该对象全息数据模型可以包括户籍身份、婚育收养、教育科研和职业资格等15个维度的业务数据,还可以包括多个数据实体。
又例如,在建立对象数据模型之后,可以从数据集中提取特定群体的业务数据,再对提取的业务数据进行整合,可以得到整合后的数据信息集,其中,该数据信息集与对象数据模型中多个模块存储的相应维度上的业务数据都可以作为创建知识图谱的基础数据。
如图12所示,该图为针对特定人群进行分群画像设计的自然人对象分群画像图,可以理解的是只要有足够多、足够长的自然人业务数据,可以在勾勒出一个面目模糊而内心真实的对应的自然人出来。
其中,知识图谱创建出来之后,如图13所示,可以通过浏览自然人的个人标签画像快速掌握该自然人的业务活动特征,比如该个人标签画像中可以包括该自然人的多个数据维度上的业务数据,通过这些业务数据可以快速掌握该自然人的业务活动特征,如图14与图15所示,可以浏览个业务数据的数据实体以及指标信息,比如自然人户籍身份维度上的户籍管理、暂住证管理和身份证管理等数据实体,同理,还可以包括其他数据维度上的数据实体,还可以浏览身份证管理数据实体的人口信息,比如该自然人的性别、民族以及出生日期等。
203、对该业务对象的数据实体进行聚类,得到基本属性数据实体和对象事件数据实体。
其中,业务数据包括多个业务数据实体,可以理解的是对业务对象的数据实体进行聚类,其实就是对该业务数据包括的多个业务数据实体进行聚类。
例如,将多个业务数据实体按照自然人的基本属性关系做整合、归纳,进而得到所需的基本属性数据实体和对象事件数据实体,基本属性数据实体与对象事件数据实体跟自然人之间存在有关系。
204、服务器根据该基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型,其中,该对象基本属性数据模型包括按照属性关系排列的基本属性数据实体,该对象事件数据模型包括按照事件关系排列的事件数据实体。
例如,通过判断基本属性数据实体之间的属性关系以及事件数据实体之间的关系,再对基本数据实体进行整合,同样也对事件数据实体进行整合,分别得到基本属性对应的数据实体集和事件对应的数据实体集,其中,根据基本属性对应的数据实体集可以建立对象基本属性数据模型,根据事件对应的数据实体集可以建立对象事件数据模型。
其中,可以理解的是,对象基本属性数据模型可以包括自然人与数据实体之间的关系、以及数据实体之间的关系,同理,对象事件数据模型可以包括自然人与数据实体之间的关系、以及数据实体之间的关系。
可选的,还可以将属性数据实体与事件数据实体进行关联,比如通过事件ID与自然人的身份证号码进行关联。
205、服务器根据该对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型,该对象关系数据模型包括该业务对象与数据实体之间的关系、以及数据实体之间的关系。
例如,根据如图6所示的自然人基本属性模型与如图7所示的事件数据模型,挖掘出自然人的人生关系,在对挖掘出的自然人的人生关系进行聚类、归纳,建立如图16所示的自然人人生关系数据模型,可以理解的是自然人全息数据模型中包括的业务数据与整合后的数据信息集可以作为该自然人人生关系的数据基础,进而可以准确创建知识图谱间的关系。
其中,通过该自然人人生关系数据模型可以知道该自然人与房屋为登记关系,而房屋这个数据维度的业务数据包括房产号、房屋共有人、房屋坐落和房屋结构等数据实体,同理,通过该自然人人生关系数据模型还可以知道该自然人与各个数据维度上包括的多个数据实体。
206、服务器基于该对象关系数据模型和该对象数据模型创建知识图谱。
其中,可以理解的是,对象关系数据模型可以为即将创建的知识图谱提供业务对象与数据实体之间的关系、以及数据实体之间的关系,而对象数据模型可为即将创建的知识图谱提供数据基础。
例如,通过图17所示的自然人全息知识图谱,可以知道该自然人的车辆登记信息,甚至可以知道该自然人拥有车辆的车辆违章信息,同理,还可以知道该自然人的个人婚姻登记信息、证照信息以及房屋购买信息等。
由以上可知,本实施例通过获取业务对象对应的业务数据作为创建知识图谱的基础数据,再深层次的挖掘业务对象与数据实体之间的关系、以及数据实体之间的关系,最后再结合创建知识图谱的基础数据与该挖掘出的深层次的各个关系创建知识图谱,该方案丰富了知识图谱构建方法体系,提高了知识图谱关系创建的准确性。
为了更好地实施以上方法,相应的,本申请实施例还提供一种知识图谱创建装置,其中,该知识图谱创建装置具体可以集成在服务器中。
例如,如图18所示,该知识图谱创建装置可以包括获取单元301、第一建立单元302、聚类单元303、第二建立单元304、第三建立单元305和创建单元306,如下:
(1)获取单元301;
获取单元301,用于获取业务对象对应的业务数据,并从该业务数据中提取业务对象的多个数据维度上的业务数据。
(2)第一建立单元302;
第一建立单元302,用于根据该多个数据维度上的业务数据,建立业务对象的对象数据模型,该对象数据模型包括每个维度对应的模块,该模块存储有相应维度上的业务数据。
在一实施例中,该第一建立单元302,包括:
第一建立子单元3021,用于根据每个维度上的业务数据,建立每个维度对应的数据集,该每个维度对应的数据集包括每个维度上的业务数据;
筛选子单元3022,用于对该数据集进行筛选,得到每个维度上的多个数据实体和指标;
第二建立子单元3023,用于根据该数据实体和该指标,将该每个维度的数据集中的业务数据建立业务对象的对象数据模型。
(3)聚类单元303;
聚类单元303,用于对该业务对象的数据实体进行聚类,得到基本属性数据实体和对象事件数据实体。
(4)第二建立单元304;
第二建立单元304,用于根据该基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型,其中,该对象基本属性数据模型包括按照属性关系排列的基本属性数据实体,该对象事件数据模型包括按照事件关系排列的事件数据实体。
在一实施例中,该第二建立单元304,包括:
第三建立子单元3041,用于根据基本属性数据实体之间的属性关系,建立对象基本属性数据模型;
第四建立子单元3042,用于根据事件数据实体之间的事件关系,建立对象事件数据模型。
在一实施例中,该第三建立子单元3041还用于根据业务对象的基本属性,对该基本属性数据实体进行整合,得到基本属性对应的数据实体集;根据整合后的数据实体集建立对象基本属性模型。
在一实施例中,该第四建立子单元3042还用于根据业务对象的关联事件,对该事件数据实体进行整合,得到事件对应的数据实体集;根据整合后的数据实体集建立对象事件数据模型。
(5)第三建立单元305;
第三建立单元305,用于根据该对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型,该对象关系数据模型包括该业务对象与数据实体之间的关系、以及数据实体之间的关系。
在一实施例中,该第三建立单元305,包括:
梳理子单元3051,用于对该对象数据模型和对象数据模型中该基本属性数据实体与该事件数据实体之间的关系进行梳理,得到业务对象的对象关系数据信息;
第五建立子单元3052,用于根据该对象关系数据信息建立关系数据模型。
(6)创建单元306;
创建单元306,用于基于该对象关系数据模型和该对象数据模型创建知识图谱。
在一实施例中,该创建单元306,包括:
存储子单元3061,用于将该对象数据模型中的业务数据与整合后的数据信息集存储到该对象关系数据模型对应的模块中,创建知识图谱。
在一实施例中,该知识图谱创建装置还可以包括:
提取单元307,用于根据业务对象的属性,从该数据集中提取多个预设属性业务对象的数据信息,得到多个预设属性业务对象的数据信息集;
整合单元308,用于对该数据信息集进行整合,并将整合后的数据信息集存储到该对象数据模型对应的模块中。
由以上可知,本申请实施例的知识图谱创建装置中获取单元301获取业务对象对应的业务数据,并从该业务数据中提取业务对象的多个数据维度上的业务数据;然后,由第一建立单元302根据该多个数据维度上的业务数据,建立业务对象的对象数据模型,该对象数据模型包括每个维度对应的模块,该模块存储有相应维度上的业务数据;由聚类单元303对该业务对象的数据实体进行聚类,得到基本属性数据实体和对象事件数据实体;由第二建立单元304根据该基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型,其中,该对象基本属性数据模型包括按照属性关系排列的基本属性数据实体,该对象事件数据模型包括按照事件关系排列的事件数据实体;由第三建立单元305根据该对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型,该对象关系数据模型包括该业务对象与数据实体之间的关系、以及数据实体之间的关系;由创建单元306,用于基于该对象关系数据模型和该对象数据模型创建知识图谱。本实施例通过获取业务对象对应的业务数据作为创建知识图谱的基础数据,再深层次的挖掘业务对象与数据实体之间的关系、以及数据实体之间的关系,最后再结合创建知识图谱的基础数据与该挖掘出的深层次的各个关系创建知识图谱,该方案丰富了知识图谱构建方法体系,提高了知识图谱关系创建的准确性。
以下分别进行详细说明,需要说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
相应的,本申请实施例还提供一种计算机设备,该计算机设备可以为服务器等网络侧设备,如图19所示,其示出了本申请实施例所涉及的服务器的结构示意图,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图19中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取业务对象对应的业务数据,并从该业务数据中提取业务对象的多个数据维度上的业务数据;根据该多个数据维度上的业务数据,建立业务对象的对象数据模型,该对象数据模型包括每个维度对应的模块,该模块存储有相应维度上的业务数据;对该业务对象的数据实体进行聚类,得到基本属性数据实体和对象事件数据实体;根据该基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型,其中,该对象基本属性数据模型包括按照属性关系排列的基本属性数据实体,该对象事件数据模型包括按照事件关系排列的事件数据实体;根据该对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型,该对象关系数据模型包括该业务对象与数据实体之间的关系、以及数据实体之间的关系;基于该对象关系数据模型和该对象数据模型创建知识图谱。
以上各个操作的具体实施例可参见前面的实施例,在此不再赘述。
在一实施例中,如图9所示,该服务器可以是分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算机设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
由以上可知,本实施例通过获取业务对象对应的业务数据作为创建知识图谱的基础数据,再深层次的挖掘业务对象与数据实体之间的关系、以及数据实体之间的关系,最后再结合创建知识图谱的基础数据与该挖掘出的深层次的各个关系创建知识图谱,该方案丰富了知识图谱构建方法体系,提高了知识图谱关系创建的准确性。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种知识图谱创建方法中的步骤。例如,该指令可以执行如下步骤:
获取业务对象对应的业务数据,并从该业务数据中提取业务对象的多个数据维度上的业务数据;根据该多个数据维度上的业务数据,建立业务对象的对象数据模型,该对象数据模型包括每个维度对应的模块,该模块存储有相应维度上的业务数据;对该业务对象的数据实体进行聚类,得到基本属性数据实体和对象事件数据实体;根据该基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型,其中,该对象基本属性数据模型包括按照属性关系排列的基本属性数据实体,该对象事件数据模型包括按照事件关系排列的事件数据实体;根据该对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型,该对象关系数据模型包括该业务对象与数据实体之间的关系、以及数据实体之间的关系;基于该对象关系数据模型和该对象数据模型创建知识图谱。以上各个操作的具体实施方式可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本申请实施例所提供的任一种知识图谱创建方法中的步骤,因此,可以实现本申请实施例所提供的任一种知识图谱创建方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种知识图谱创建方法、装置和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种知识图谱创建方法,其特征在于,包括:
获取业务对象对应的业务数据,并从所述业务数据中提取业务对象的多个数据维度上的业务数据;
根据每个维度上的业务数据,建立每个维度对应的数据集,所述每个维度对应的数据集包括每个维度上的业务数据;
对所述数据集进行筛选,得到每个维度上的多个数据实体和指标;
根据所述数据实体和所述指标,将所述每个维度的数据集中的业务数据建立业务对象的对象数据模型,所述对象数据模型包括每个维度对应的模块,所述模块存储有相应维度上的业务数据;
对所述业务对象的数据实体进行聚类,得到基本属性数据实体和对象事件数据实体;
根据所述基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型,其中,所述对象基本属性数据模型包括按照属性关系排列的基本属性数据实体,所述对象事件数据模型包括按照事件关系排列的事件数据实体;
根据所述对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型,所述对象关系数据模型包括所述业务对象与数据实体之间的关系、以及数据实体之间的关系;
基于所述对象关系数据模型和所述对象数据模型创建知识图谱。
2.根据权利要求1所述的知识图谱创建方法,其特征在于,所述根据所述实体和所述指标,将所述每个维度的数据集中的业务数据建立业务对象的对象数据模型之后,基于所述对象关系数据模型和所述对象数据模型创建知识图谱之前,还包括:
根据业务对象的属性,从所述数据集中提取多个预设属性业务对象的数据信息,得到多个预设属性业务对象的数据信息集;
对所述数据信息集进行整合,并将整合后的数据信息集存储到所述对象数据模型对应的模块中。
3.根据权利要求2所述的知识图谱创建方法,其特征在于,所述根据所述基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型,包括:
根据基本属性数据实体之间的属性关系,建立对象基本属性数据模型;
根据事件数据实体之间的事件关系,建立对象事件数据模型。
4.根据权利要求3所述的知识图谱创建方法,其特征在于,所述根据基本属性数据实体之间的属性关系,建立对象基本属性数据模型,包括:
根据业务对象的基本属性,对所述基本属性数据实体进行整合,得到基本属性对应的数据实体集;
根据整合后的数据实体集建立对象基本属性模型。
5.根据权利要求3所述的知识图谱创建方法,其特征在于,所述根据事件数据实体之间的事件关系,建立对象事件数据模型,包括:
根据业务对象的关联事件,对所述事件数据实体进行整合,得到事件对应的数据实体集;
根据整合后的数据实体集建立对象事件数据模型。
6.根据权利要求3所述的知识图谱创建方法,其特征在于,所述根据所述对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型,包括:
对所述对象数据模型和对象数据模型中所述基本属性数据实体与所述事件数据实体之间的关系进行梳理,得到业务对象的对象关系数据信息;
根据所述对象关系数据信息建立关系数据模型;
所述基于所述对象关系数据模型和所述对象数据模型创建知识图谱,包括:
将所述对象数据模型中的业务数据与整合后的数据信息集存储到所述对象关系数据模型对应的模块中,创建知识图谱。
7.根据权利要求1所述的知识图谱创建方法,其特征在于,所述方法还包括:
将所述创建的知识图谱存储到区块链中。
8.一种知识图谱创建装置,其特征在于,包括:
获取单元,用于获取业务对象对应的业务数据,并从所述业务数据中提取业务对象的多个数据维度上的业务数据;
第一建立单元,用于根据每个维度上的业务数据,建立每个维度对应的数据集,所述每个维度对应的数据集包括每个维度上的业务数据;对所述数据集进行筛选,得到每个维度上的多个数据实体和指标;根据所述数据实体和所述指标,将所述每个维度的数据集中的业务数据建立业务对象的对象数据模型,所述对象数据模型包括每个维度对应的模块,所述模块存储有相应维度上的业务数据;
聚类单元,用于对所述业务对象的数据实体进行聚类,得到基本属性数据实体和对象事件数据实体;
第二建立单元,用于根据所述基本属性数据实体和对象事件数据实体,建立对象基本属性数据模型与对象事件数据模型,其中,所述对象基本属性数据模型包括按照属性关系排列的基本属性数据实体,所述对象事件数据模型包括按照事件关系排列的事件数据实体;
第三建立单元,用于根据所述对象基本属性数据模型与对象事件数据模型,建立对象关系数据模型,所述对象关系数据模型包括所述业务对象与数据实体之间的关系、以及数据实体之间的关系;
创建单元,用于基于所述对象关系数据模型和所述对象数据模型创建知识图谱。
9.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至7任一项所述的知识图谱创建方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910943763.2A CN111191039B (zh) | 2019-09-30 | 2019-09-30 | 知识图谱创建方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910943763.2A CN111191039B (zh) | 2019-09-30 | 2019-09-30 | 知识图谱创建方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111191039A CN111191039A (zh) | 2020-05-22 |
CN111191039B true CN111191039B (zh) | 2021-04-13 |
Family
ID=70709006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910943763.2A Active CN111191039B (zh) | 2019-09-30 | 2019-09-30 | 知识图谱创建方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191039B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932131B (zh) * | 2020-08-12 | 2024-03-15 | 上海冰鉴信息科技有限公司 | 业务数据处理方法及装置 |
CN113449114A (zh) * | 2020-12-31 | 2021-09-28 | 中国科学技术大学智慧城市研究院(芜湖) | 基于知识图谱的构建自然人生命周期全息画像方法 |
CN112988735A (zh) * | 2021-05-13 | 2021-06-18 | 江苏数兑科技有限公司 | 一种基于知识图谱的智能数据分析方法 |
CN113177230A (zh) * | 2021-05-20 | 2021-07-27 | 深圳市有传科技有限公司 | 数据处理装置及其方法、存储介质 |
CN115905291B (zh) * | 2022-12-12 | 2024-02-23 | 广州南方智能技术有限公司 | 基于图的数据处理方法、装置及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253650A9 (en) * | 2014-08-06 | 2018-09-06 | Prysm, Inc. | Knowledge To User Mapping in Knowledge Automation System |
US9811394B1 (en) * | 2014-10-12 | 2017-11-07 | Workato, Inc. | Application programming interface recipe cloning |
CN107633044B (zh) * | 2017-09-14 | 2021-08-06 | 国家计算机网络与信息安全管理中心 | 一种基于热点事件的舆情知识图谱构建方法 |
CN108897857B (zh) * | 2018-06-28 | 2021-08-27 | 东华大学 | 面向领域的中文文本主题句生成方法 |
CN110083706B (zh) * | 2019-03-22 | 2022-10-28 | 西安电子科技大学 | 一种面向物联网微服务框架及其服务组合方法 |
CN110188198B (zh) * | 2019-05-13 | 2021-06-22 | 北京一览群智数据科技有限责任公司 | 一种基于知识图谱的反欺诈方法及装置 |
-
2019
- 2019-09-30 CN CN201910943763.2A patent/CN111191039B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111191039A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191039B (zh) | 知识图谱创建方法、装置和计算机可读存储介质 | |
Duan et al. | Modeling data, information and knowledge for security protection of hybrid IoT and edge resources | |
Lai et al. | Content analysis of social media: A grounded theory approach | |
Dong et al. | The algorithm of link prediction on social network | |
CN111831636A (zh) | 一种数据处理方法、装置、计算机系统及可读存储介质 | |
KR101630752B1 (ko) | 유통용 비식별 빅데이터 처리 방법 | |
Yang et al. | Automatic social circle detection using multi-view clustering | |
CN107809370B (zh) | 用户推荐方法及装置 | |
Lwowski et al. | Geospatial event detection by grouping emotion contagion in social media | |
Evermann et al. | Big data meets process mining: Implementing the alpha algorithm with map-reduce | |
Goggins et al. | Social intelligence in completely online groups-Toward social prosthetics from log data analysis and transformation | |
Vaca Ruiz et al. | Modeling dynamics of attention in social media with user efficiency | |
Sun et al. | Anomaly subgraph detection with feature transfer | |
Omitola et al. | Social semantic web mining | |
Slaninová et al. | From Moodle log file to the students network | |
Petkos et al. | Social circle discovery in ego-networks by mining the latent structure of user connections and profile attributes | |
CN116028467A (zh) | 智能服务大数据建模方法、系统、存储介质及计算机设备 | |
Fausto et al. | Scientific literature on Twitter as a subject research: Findings based on bibliometric analysis | |
Amati et al. | Twitter: temporal events analysis | |
Eren et al. | A K-means algorithm application on big data | |
Wu et al. | Link prediction based on random forest in signed social networks | |
Hassan et al. | The rise of crowdsourcing using social media platforms: Security and privacy issues | |
Hussain et al. | Big data and learning analytics model | |
Kıcıman et al. | Discussion graphs: putting social media analysis in context | |
Spranger et al. | SoNA: A knowledge-based social network analysis framework for predictive policing |
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 |