CN111241306B - 一种基于知识图谱和指针网络的路径规划方法 - Google Patents
一种基于知识图谱和指针网络的路径规划方法 Download PDFInfo
- Publication number
- CN111241306B CN111241306B CN202010071453.9A CN202010071453A CN111241306B CN 111241306 B CN111241306 B CN 111241306B CN 202010071453 A CN202010071453 A CN 202010071453A CN 111241306 B CN111241306 B CN 111241306B
- Authority
- CN
- China
- Prior art keywords
- pointer network
- decoder
- interest
- formula
- interest points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000004931 aggregating effect Effects 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于知识图谱和指针网络的路径规划方法,属于数据路径规划领域,该路径规划方法,包括:获取旅游图中兴趣点作为节点构建知识图谱,每个节点中包括兴趣点的四维信息,利用图神经网络对知识图谱中每个节点的四维信息进行聚合生成兴趣点的嵌入矩阵;将嵌入矩阵作为训练样本输入到指针网络,对指针网络进行训练,得到训练后的指针网络;针对旅游图中待测试的兴趣点,获得兴趣点的嵌入矩阵作为测试样本输入到训练后的指针网络中,依次选择输出概率最高的兴趣点,作为当前路线的下一个兴趣点,完成路径规划。本发明所述的路径规划方法利用深度学习实现旅游路线的自动生成,不仅为游客省时省钱,而且生成的路线更加可靠。
Description
技术领域
本发明涉及数据路径规划领域,具体涉及一种基于知识图谱和指针网络生成的路径规划方法。
背景技术
Sequence2Sequence(简称seq2seq)模型是RNN的一个重要的应用场景,顾名思义,它实现了把一个序列转换成另外一个序列的功能,并且不要求输入序列和输出序列等长。
最基础的Seq2Seq模型包含了三个部分,即编码器、解码器以及连接两者的中间状态向量,编码器通过学习输入,将其编码成一个固定大小的状态向量S,继而将S传给解码器,解码器再通过对状态向量S的学习来进行输出。
基础的Seq2Seq是有很多弊端的,首先编码器将输入编码为固定大小状态向量的过程实际上是一个信息“信息有损压缩”的过程,如果信息量越大,那么这个转化向量的过程对信息的损失就越大,同时,随着sequence length的增加,意味着时间维度上的序列很长,RNN模型也会出现梯度弥散。最后,基础的模型连接编码器和解码器模块的组件仅仅是一个固定大小的状态向量,这使得解码器无法直接去关注到输入信息的更多细节。
因此,近来学术界提出了将注意力机制广泛应用于机器翻译、语音识别、图像标注等很多领域,之所以它这么受欢迎,是因为注意力机制给模型赋予了区分辨别的能力,例如,在机器翻译、语音识别应用中,为句子中的每个词赋予不同的权重,使神经网络模型的学习变得更加灵活,同时注意力机制本身可以做为一种对齐关系,解释翻译输入/输出句子之间的对齐关系。
注意力机制在本质上是模仿了人类观察物品的方式,人们在看一张图片的时候,除了从整体把握一幅图片之外,也会更加关注图片的某个局部信息,例如局部桌子的位置,商品的种类等等。这种机制能够有效地解决seq2seq模型中信息有损压缩问题,因为它能让模型能够更加关注那些对最当前有用的信息,因此能够有效地提升基于RNN(指针网络或GRU)的编码器+解码器模型的效果。
图卷积神经网络是一种能够聚合周围节点信息,并随着卷积层数的加深不断聚合高阶信息的深度学习方法。本发明将图神经网络运用于兴趣点的属性知识图谱,使得兴趣点节点周围的属性能够有效的聚合到节点自身的嵌入矩阵上面。
在传统的NLP问题中,采用seq2seq学习的方式去解决翻译问题,其输出向量的长度往往是字典的长度,而字典长度是事先已经定好了的。而在组合优化类问题中,比如TSP问题,输入是城市的坐标序列,输出也是城市的坐标序列,而每次求解的TSP问题城市规模n是不固定的。每次解码器的输出实际上是每个城市这次可能被选择的概率向量,其维度为n,和编码器输入的序列向量长度一致。现有旅游行程规划问题一般都建模成传统图论问题,不能很好地利用现有的大量旅游数据;其次传统地seq2seq模型不能处理输出纬度与输入维度等长的组合优化等问题。
发明内容
本发明提供了一种基于知识图谱和指针网络的路径规划方法,该路径规划方法将旅游图兴趣点的热度和游玩时间考虑在内,同时行程规划问题并不需要将旅游知识图谱中所有的兴趣点都访问到,而是只需要访问其中的一部分点即可,该路径规划方法还支持生成多日的路线。
一种基于知识图谱和指针网络的路径规划方法,包括:
(1)获取旅游图中兴趣点作为节点构建知识图谱,每个节点中包括兴趣点的四维信息,利用图神经网络对知识图谱中每个节点的四维信息进行聚合生成兴趣点的嵌入矩阵。
所述的旅游图中每m个兴趣点组成旅游线路的基本区域,每条旅游线路有n(n≤m)个兴趣点组成。
所述的四维信息包括中兴趣点的经度、纬度、热度和游玩时长。
所述的兴趣点的嵌入矩阵的计算公式具体为式(1)所示:
Hl+1=RELU(WlD-1/2AD-1/2Hl) (1)
其中,D为兴趣点四维信息的度矩阵;A为兴趣点四维信的邻接矩阵;Hl为兴趣点的四维信息在图神经网络第l层的嵌入矩阵;Hl+1为兴趣点的四维信息在图神经网络第l+1层的嵌入矩阵;Wl为第l层的权重矩阵;RELU为激活函数。
所述的激活函数的计算公式为式(2)所示:
RELU(x)=max(0,x) (2)
其中x指的是WlD-1/2AD-1/2Hl,因此x是一个N*Dl+1的矩阵,RELU函数会依次判断这个矩阵中每个元素的值,如果该元素的值大于0,那么就保留该值,否则就将该值设为0;N指的是知识图谱中节点的总数量,Dl+1指的是第l层的节点的嵌入矩阵的维度。
(2)将步骤(1)中得到的兴趣点的嵌入矩阵作为训练样本输入到指针网络,对指针网络进行训练,得到训练后的指针网络。
所述的对指针网络进行训练的过程,包括:
(2.1)将兴趣点的嵌入矩阵作为训练样本输入到指针网络的编码器中对进行处理,得到嵌入矩阵在编码器中每个单元隐藏层的状态向量;
所述的编码器中所有单元隐藏层的状态向量的公式为式(3)所示:
E=[e1,…,ej,…,em] (3)
其中,0≤j≤m。
(2.2)在指针网络的解码器的第一个单元的外部输入为<Go>,将步骤(2.1)中得到的编码器最后单元隐藏层的状态向量作为解码器的输入,得到解码器中每个单元隐藏层的状态向量;
所述的解码器中所有单元隐藏层的状态向量的公式为式(4)所示
D=[d1,…,dj,…,dm] (4)
其中,0≤j≤n≤m。
(2.3)将解码器中每个单元隐藏层的状态向量分别与编码器中每个单元隐藏层的状态向量进行相似度计算,其中编码器中相似度最高的隐藏层的状态向量所对应的兴趣点作为解码器的输出,直到输出概率最高的兴趣点所对应的输入为<Go>时,生成了一条完整的路线。
即当解码器的隐藏状态di和编码器的隐藏状态ej的相似度最高时,解码器的第i的单元将输出第j个隐藏状态所对应的兴趣点;
所述的相似度计算公式具体为式(5)所示:
其中,为解码器相似度的向量;vT W1 W2均为要学习的权重矩阵;非线性激活函数将输出值限制在(-1,1)区间;为相似度的值;vT,ej和di的维度d自定义;W1 W2为d×d大小的且随机初始化的矩阵;其维度和输入保持一致。
步骤(2.3)中,所述的编码器中相似度最高的隐藏层的状态向量所对应的兴趣点作为解码器的输出的计算公式为式(6)所示:
其中,pointi为编码器中相似度最高的隐藏层的状态向量所对应的兴趣点。
(2.4)计算解码器中所有单元的损失函数之和,利用基于梯度下降的优化算法迭代求解直至损失值收敛,得到训练后的指针网络;
所述的损失函数的计算公式为式(7)所示:
(3)针对旅游图中待测试的兴趣点,按照步骤(1)获得兴趣点的嵌入矩阵作为测试样本输入到步骤(2)中训练后的指针网络中,依次选择输出概率最高的兴趣点,作为当前路线的下一个兴趣点,完成路径规划。
本发明所具有的的有益效果:
(1)本发明所述的基于知识图谱和指针网络的路径规划方法利用深度学习实现旅游路线的自动生成,不仅为游客省时省钱,而且生成的路线更加可靠。
(2)本发明所述的基于知识图谱和指针网络的路径规划方法能够有效利用旅游大数据构建旅游知识图谱,通过旅游知识图谱中丰富的旅游知识,能够在生成一条路线的时候充分考虑诸如热度、游玩时间等有关于兴趣点的丰富信息,因此更有可能生成一条好的游玩路线。
附图说明
图1为本发明所述的基于知识图谱和指针网络的路径规划方法中旅游知识图谱中的一个子图;其中,x为兴趣点的经度;y为兴趣点的纬度;r为兴趣点的热度;c为兴趣点的游玩时长。
图2为本发明所述的基于知识图谱和指针网络的路径规划方法的流程示意图。
图3本发明具体实施方式中路径规划示意图;其中,当存在编号为0~9的10个兴趣点时,自动模拟出6->0->7->8的旅游路线。
具体实施方式
为使发明的目的、技术方案和有点表达得更加清楚明白,下面结合附图及具体实施案例对本发明做进一步详细说明。
如图1所示,首先构建的旅游知识图谱的一个子图,它代表着一个兴趣点由四个基本信息组成,即x,y,r,c(经度,纬度,游玩热度,游玩时间),当前例子中,的旅游知识图谱总共有10个兴趣点,编号为0到9,以下每一行代表一个兴趣点的四维数据(x,y,r,c),
0:0.359507900573786 0.43703195379934145 0.69763119592726490.06022547162926983
1:0.6667667154456677 0.6706378696181594 0.21038256107384090.1289262976548533
2:0.31542835092418386 0.3637107709426226 0.57019677041787960.43860151346232035
3:0.9883738380592262 0.10204481074802807 0.20887675609483470.16130951788499626
4:0.6531083254653984 0.2532916025397821 0.46631077285630630.24442559200160274
5:0.15896958364551972 0.11037514116430513 0.65632958946527340.1381829513486138
6:0.1965823616800535 0.3687251706609641 0.82099322984793510.09710127579306127
7:0.8379449074988039 0.09609840789396307 0.97645946501339580.4686512016477016
8:0.9767610881903371 0.604845519745046 0.73926357939830170.039187792254320675
9:0.2828069625764096 0.1201965612131689 0.296140197522144930.11872771895424405
利用图神经网络,在该知识图谱中经过图卷积得到每个兴趣点的嵌入矩阵,在这个例子中的图卷积总共有两层,即0≤l≤2,其中H0∈RN*1指的是图卷积的原始输入,在这里就是指的就是(x,y,r,c),然后经过图卷积得到H1∈RN*16和H2∈RN*16分别是图神经网络第一个隐藏层和最二个隐藏层的状态矩阵,矩阵中的每一行代表旅游知识图谱中每一个兴趣点的嵌入矩阵,最后会选取第二个隐藏层的状态向量矩阵作为指针网络的输入。
所述的指针网络包括编码器和解码器,所述的编码器和解码器均为长短期记忆网络,所述的长短期记忆网络的每个单元包括式(8)所示公式:
其中,为激活函数,可以将值压缩到0~1;为另一个激活函数,可以将值压缩到-1~1,Wf,Wi,Wo,分别是指针网络的遗忘门,输入门,输出门和计算记忆单元的权重矩阵,bi,bf,bo,分别是指针网络的遗忘门,输入门,输出门和计算记忆单元的的偏置量,xt指的是第t个单元的输入,ht-1指的是第t-1个单元输出的隐藏层向量,它们的维度分别是din和dhid;ot,ft,指的是第t个单元的遗忘门,输入门和输出门向量,向量中的每个值的取值范围是0~1之间。
在训练过程中,输入向量是4维,LSTM的hidden_size为128维,模型相关的参数都按照区间为(-1,1)的均匀分布随机初始化,包括W1,W2以及LSTM中的Wf,Wi,Wo,Wc,bf,bi,bo,bc,Wl,优化方法采用Adam算法,,训练时优化批次大小(batchsize)设置为128,学习率设置为0.001,为了防止梯度爆炸问题,设置最大梯度大小为5,同时为了保证能够尽可能地取得最优地解码结果,decoder还采用了beam search的方法,beam_width设置为2,迭代的最大次数设置为30000。
如图2所示,指针网络的编码器模块,每个单元的输入是上一个步骤中图神经网络输出的第二个隐藏层的状态向量矩阵H2∈RN*16中的某一行,这其中每一行代表着一个兴趣点的嵌入矩阵;在编码器模块会依次输入0~9这9个兴趣点的嵌入矩阵(即xt),由于空间有限,这里只画出了其中四个兴趣点作为示例,编码器的每个单元都会输出隐藏层向量d1,d2…,d9,d10;编码器的最后一个单元会输出128维的状态向量作为解码器的输入。
指针网络的解码器模块,第一个单元的输入是随机初始化的16维的<Go>向量,然后初始隐藏层向量就是编码器模块128维的context vector;然后就会依次得到e1,e2,e3,e4这四个解码器的隐藏层向量,这每个隐藏层的状态向量都会与d1,d2…,d9,d10依次做一次相似度计算,最终得出与e1,e2,e3,4相似度最高的分别是6,0,7,8这四个点,如图3所示,最终就输出了6->0->7->8这条旅游路线。
上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明,熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动,因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (5)
1.一种基于知识图谱和指针网络的路径规划方法,其特征在于,包括:
(1)获取旅游图中兴趣点作为节点构建知识图谱,每个节点中包括兴趣点的四维信息,利用图神经网络对知识图谱中每个节点的四维信息进行聚合生成兴趣点的嵌入矩阵;
(2)将步骤(1)中得到的兴趣点的嵌入矩阵作为训练样本输入到指针网络,对指针网络进行训练,得到训练后的指针网络;
(3)针对旅游图中待测试的兴趣点,按照步骤(1)获得兴趣点的嵌入矩阵作为测试样本输入到步骤(2)中训练后的指针网络中,依次选择输出概率最高的兴趣点,作为当前路线的下一个兴趣点,完成路径规划;
步骤(1)中,所述的兴趣点的嵌入矩阵的计算公式具体为式(1)所示:
Hl+1=RELU(WlD-1/2AD-1/2Hl) (1)
其中,D为兴趣点四维信息的度矩阵;A为兴趣点四维信的邻接矩阵;Hl为兴趣点的四维信息在图神经网络第l层的嵌入矩阵;Hl+1为兴趣点的四维信息在图神经网络第l+1层的嵌入矩阵;Wl为第l层的权重矩阵;RELU为激活函数;
所述的激活函数的计算公式为式(2)所示:
RELU(x)=max(0,x) (2)
其中x指的是WlD-1/2AD-1/2Hl,因此x是一个N*Dl+1的矩阵,RELU函数会依次判断这个矩阵中每个元素的值,如果该元素的值大于0,那么就保留该值,否则就将该值设为0; N指的是知识图谱中节点的总数量,Dl+1指的是第1层的节点的嵌入矩阵的维度;
步骤(2)中,所述的对指针网络进行训练的过程,包括:
(2.1)将兴趣点的嵌入矩阵作为训练样本输入到指针网络的编码器中对进行处理,得到嵌入矩阵在编码器中每个单元隐藏层的状态向量;
所述的编码器中所有单元隐藏层的状态向量的公式为式(3)所示:
E=[e1,...,ej,...,em] (3)
其中,0≤j≤m;
(2.2)在指针网络的解码器的第一个单元的外部输入为<Go>,将步骤(2.1)中得到的编码器最后单元隐藏层的状态向量作为解码器的输入,得到解码器中每个单元隐藏层的状态向量;
所述的解码器中所有单元隐藏层的状态向量的公式为式(4)所示
D=[d1,...,dj,...,dn] (4)
其中,0≤j≤n≤m;
(2.3)将解码器中每个单元隐藏层的状态向量分别与编码器中每个单元隐藏层的状态向量进行相似度计算,其中相似度最高的编码器中隐藏层的状态向量所对应的兴趣点作为解码器的输出,直到输出概率最高的兴趣点所对应的输入为<Go>时,生成了一条完整的路线;
(2.4)计算解码器中所有单元的损失函数之和,利用基于梯度下降的优化算法迭代求解直至损失值收敛,得到训练后的指针网络。
2.根据权利要求1所述的基于知识图谱和指针网络的路径规划方法,其特征在于,步骤(1)中,所述的四维信息包括兴趣点的经度、纬度、热度和游玩时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071453.9A CN111241306B (zh) | 2020-01-21 | 2020-01-21 | 一种基于知识图谱和指针网络的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071453.9A CN111241306B (zh) | 2020-01-21 | 2020-01-21 | 一种基于知识图谱和指针网络的路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111241306A CN111241306A (zh) | 2020-06-05 |
CN111241306B true CN111241306B (zh) | 2022-04-29 |
Family
ID=70864242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010071453.9A Active CN111241306B (zh) | 2020-01-21 | 2020-01-21 | 一种基于知识图谱和指针网络的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111241306B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488726B (zh) * | 2020-03-31 | 2023-05-23 | 成都数之联科技股份有限公司 | 基于指针网络的非结构文本抽取多任务联合训练方法 |
CN112084427A (zh) * | 2020-09-15 | 2020-12-15 | 辽宁工程技术大学 | 一种基于图神经网络的兴趣点推荐方法 |
CN112149010B (zh) * | 2020-11-01 | 2024-05-24 | 云境商务智能研究院南京有限公司 | 基于注意力机制的群体旅游路线推荐方法 |
CN113407645B (zh) * | 2021-05-19 | 2024-06-11 | 福建福清核电有限公司 | 一种基于知识图谱的声像档案智能编研方法 |
CN114697229B (zh) * | 2022-03-11 | 2023-04-07 | 华中科技大学 | 一种分布式路由规划模型的构建方法及应用 |
CN116090688B (zh) * | 2023-04-10 | 2023-06-23 | 中国人民解放军国防科技大学 | 基于改进指针网络的移动目标遍历访问序列规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063021A (zh) * | 2018-07-12 | 2018-12-21 | 浙江大学 | 一种能够编码关系语义多样性结构的知识图谱分布式表示方法 |
CN109977283A (zh) * | 2019-03-14 | 2019-07-05 | 中国人民大学 | 一种基于知识图谱和用户足迹的旅游推荐方法和系统 |
CN110083690A (zh) * | 2019-04-10 | 2019-08-02 | 华侨大学 | 一种基于智能问答的对外汉语口语训练方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160328443A1 (en) * | 2015-05-06 | 2016-11-10 | Vero Analytics, Inc. | Knowledge Graph Based Query Generation |
EP3561689A1 (en) * | 2018-04-23 | 2019-10-30 | QlikTech International AB | Knowledge graph data structures and uses thereof |
-
2020
- 2020-01-21 CN CN202010071453.9A patent/CN111241306B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063021A (zh) * | 2018-07-12 | 2018-12-21 | 浙江大学 | 一种能够编码关系语义多样性结构的知识图谱分布式表示方法 |
CN109977283A (zh) * | 2019-03-14 | 2019-07-05 | 中国人民大学 | 一种基于知识图谱和用户足迹的旅游推荐方法和系统 |
CN110083690A (zh) * | 2019-04-10 | 2019-08-02 | 华侨大学 | 一种基于智能问答的对外汉语口语训练方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111241306A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241306B (zh) | 一种基于知识图谱和指针网络的路径规划方法 | |
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
CN111291836B (zh) | 一种生成学生网络模型的方法 | |
CN110555112B (zh) | 一种基于用户正负偏好学习的兴趣点推荐方法 | |
CN112465120A (zh) | 一种基于进化方法的快速注意力神经网络架构搜索方法 | |
CN113190688B (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 | |
CN111881262A (zh) | 基于多通道神经网络的文本情感分析方法 | |
CN116664719A (zh) | 一种图像重绘模型训练方法、图像重绘方法及装置 | |
CN110288029A (zh) | 基于Tri-LSTMs模型的图像描述方法 | |
CN112000788B (zh) | 一种数据处理方法、装置以及计算机可读存储介质 | |
CN112686376A (zh) | 一种基于时序图神经网络的节点表示方法及增量学习方法 | |
CN109447096A (zh) | 一种基于机器学习的扫视路径预测方法和装置 | |
CN115017178A (zh) | 数据到文本生成模型的训练方法和装置 | |
CN114625882A (zh) | 提高图像文本描述独特多样性的网络构建方法 | |
CN117058673A (zh) | 文本生成图像模型训练方法、系统以及文本生成图像方法、系统 | |
CN115032602A (zh) | 一种基于多尺度卷积胶囊网络的雷达目标识别方法 | |
CN118136155A (zh) | 一种基于多模态信息融合和交互的药物靶点亲和力预测方法 | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
Song et al. | A Novel Face Recognition Algorithm for Imbalanced Small Samples. | |
CN114334040A (zh) | 分子图重构模型的训练方法、装置以及电子设备 | |
CN116778335B (zh) | 一种基于交叉域师生互训的倒塌建筑物检测方法和系统 | |
CN116561314B (zh) | 基于自适应阈值选择自注意力的文本分类方法 | |
CN113239678A (zh) | 一种面向答案选择的多角度注意力特征匹配方法及系统 | |
Liu et al. | Object detection via inner-inter relational reasoning network | |
CN116797850A (zh) | 基于知识蒸馏和一致性正则化的类增量图像分类方法 |
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 |