CN111400410A - 知识图谱的查询方法、装置、计算机设备和存储介质 - Google Patents

知识图谱的查询方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111400410A
CN111400410A CN202010126665.2A CN202010126665A CN111400410A CN 111400410 A CN111400410 A CN 111400410A CN 202010126665 A CN202010126665 A CN 202010126665A CN 111400410 A CN111400410 A CN 111400410A
Authority
CN
China
Prior art keywords
matrix
sparse
vector
compressed
query
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
CN202010126665.2A
Other languages
English (en)
Other versions
CN111400410B (zh
Inventor
肖国庆
陈玥丹
李肯立
阳王东
刘楚波
唐卓
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202010126665.2A priority Critical patent/CN111400410B/zh
Publication of CN111400410A publication Critical patent/CN111400410A/zh
Application granted granted Critical
Publication of CN111400410B publication Critical patent/CN111400410B/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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Complex Calculations (AREA)

Abstract

本申请涉及一种知识图谱的查询方法、装置、计算机设备和存储介质。所述方法包括：将知识图谱编码并转换成稀疏矩阵，以及将获取的查询数据转换成稀疏向量；对稀疏矩阵和稀疏向量进行冗余数据筛选和压缩，得到压缩稀疏矩阵和压缩稀疏向量；根据计算核组的数量以及各计算核组对应的计算从核的数量，将压缩稀疏矩阵划分成多个子集并分别分配给各计算从核；各计算从核基于分配的子集和压缩稀疏向量，并行进行知识图谱的查询，得到查询结果。采用本方法能够提高查询的效率。

Description

知识图谱的查询方法、装置、计算机设备和存储介质
技术领域
本申请涉及图查询技术领域，特别是涉及一种知识图谱的查询方法、装置、 计算机设备和存储介质。
背景技术
知识图谱也被称为科学知识图谱，在图书情报界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，用 可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它 们之间的相互联系。知识图谱数据管理的一个重要问题是如何对知识图谱的数 据进行存储和查询，大部分知识图谱的数据使用资源描述框架(Resource Description Framework，RDF)数据集来表示。其中，RDF三元组是构成RDF图 的最基本单元。随着知识图谱相关技术的不断发展，RDF三元组数据日益激增， 并且被广泛地应用在多个领域，包括科学、生物信息、商业智能和社交网络等。 在现实世界中，RDF数据集往往达到数亿条三元组数据。因此，目前如何有效 管理大规模RDF图数据集受到越来越多的关注。
而随着稀疏矩阵数据结构和算法的发展，以及事实上RDF数据的稀疏性无 处不在，促使了许多研究人员采用稀疏矩阵运算来解决图计算的问题。具体到 RDF图，通过将RDF图存储为一个稀疏矩阵，对RDF图的查询操作也随之可 以转换为一系列简明的稀疏矩阵运算。然而，由于稀疏矩阵中非零元素分布不 规律以及稀疏矩阵运算过程中需要不断进行不规则的数据访存，使得容易产生 高延迟，导致降低了查询效率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高效率的知识图谱的 查询方法、装置、计算机设备和存储介质。
一种知识图谱的查询方法，所述方法包括：
将知识图谱编码并转换成稀疏矩阵，以及将获取的查询数据转换成稀疏向 量；
对所述稀疏矩阵和所述稀疏向量进行冗余数据筛选和压缩，得到压缩稀疏 矩阵和压缩稀疏向量；
根据计算核组的数量以及各所述计算核组对应的计算从核的数量，将所述 压缩稀疏矩阵划分成多个子集并分别分配给各所述计算从核；
各所述计算从核基于分配的所述子集和所述压缩稀疏向量，并行进行知识 图谱的查询，得到查询结果。
在其中一个实施例中，所述方法还包括：
获取预设的阈值；
根据所述阈值，按列将各所述计算从核中的所述子集进行划分，得到数量 与所述阈值相同的列向量集合，将所述列向量集合作为最终的子集。
在其中一个实施例中，当所述子集为列向量集合时，所述各所述计算从核 基于分配的所述子集和所述压缩稀疏向量并行进行知识图谱的查询，得到查询 结果，包括：
各所述计算从核将分配的各所述列向量集合，依次且分别与所述压缩稀疏 向量进行矩阵运算，运算结果向量；
将所述运算结果向量解码得到查询结果。
在其中一个实施例中，所述对所述稀疏矩阵和所述稀疏向量进行冗余数据 筛选和压缩，得到压缩稀疏矩阵和压缩稀疏向量，包括：
筛选并获取所述稀疏向量中的非零元，得到压缩稀疏向量；
确定各所述非零元在所述稀疏向量中的索引号，得到非零元索引号；
从所述稀疏矩阵中筛选获取列索引号与各所述非零元索引号相同的列，得 到筛选稀疏矩阵；
删除所述筛选稀疏矩阵中各列之间的空行，得到压缩稀疏矩阵。
在其中一个实施例中，所述根据计算核组的数量以及各所述计算核组对应 的计算从核的数量，将所述压缩稀疏矩阵划分成多个子集并分别分配给各所述 计算从核，包括：
基于所述压缩稀疏矩阵中非零元的个数和计算核组的数量，按行对所述压 缩稀疏矩阵进行划分，得到数量与所述计算核组的数量相同的多个矩阵块；
将各所述矩阵块分别分配给各所述计算核组；
基于所述矩阵块中非零元的个数和所述计算核组对应计算从核的数量，按 行对所述矩阵块进行划分，得到与所述计算从核的数量相同的多个矩阵条；
将各所述矩阵条作为子集分别分配给各所述计算从核。
在其中一个实施例中，所述将知识图谱编码并转换成稀疏矩阵，包括：
根据所述知识图谱的节点数量确定矩阵大小，并构建与所述矩阵大小相同 的空矩阵；
将所述知识图谱中各节点的关系作为矩阵元素填入所述空矩阵，得到稀疏 矩阵。
在其中一个实施例中，所述将获取的查询数据转换成稀疏向量，包括：
将所述查询数据与对角矩阵进行乘运算，得到稀疏向量。
一种知识图谱的查询装置，所述装置包括：
转换模块，用于将知识图谱编码并转换成稀疏矩阵，以及将获取的查询数 据转换成稀疏向量；
压缩模块，用于对所述稀疏矩阵和所述稀疏向量进行冗余数据筛选和压缩， 得到压缩稀疏矩阵和压缩稀疏向量；
划分模块，用于根据计算核组的数量以及各所述计算核组对应的计算从核 的数量，将所述压缩稀疏矩阵划分成多个子集并分别分配给各所述计算从核；
查询模块，用于各所述计算从核基于分配的所述子集和所述压缩稀疏向量， 并行进行知识图谱的查询，得到查询结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序， 所述处理器执行所述计算机程序时实现上述任一项所述知识图谱的查询方法的 步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处 理器执行时实现上述任一项所述知识图谱的查询方法的步骤。
上述知识图谱的查询方法、装置、计算机设备和存储介质，一方面，将知 识图谱编码并转换成稀疏矩阵，以及将获取的查询数据转换成稀疏向量后，通 过筛选和压缩减少稀疏矩阵和稀疏向量的冗余数据，从而因为只保留有用的数 据避免了后续基于稀疏矩阵进行查询时因存在大量冗余数据而限值带宽利用率 的问题，提高了查询效率。另一方面，在得到压缩稀疏矩阵之后基于计算核的 数量的对其进行划分分配以及各计算核并行进行查询，实现了并行化的查询方 案，从而减少延迟率提升处理速度，从而提高查询的效率。
附图说明
图1为一个实施例中知识图谱的查询方法的应用环境图；
图2为一个实施例中知识图谱的查询方法的流程示意图；
图3为一个实施例中RDF图的示意图；
图4为一个实施例中与RDF图对应的稀疏矩阵的示意图；
图5a-5b为一个实施例中压缩简化存储的示意图；
图6为一个实施例中稀疏矩阵划分和分配的示意图；
图7为另一个实施例中知识图谱的查询方法的流程示意图；
图8为一个实施例中知识图谱的查询装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅 用以解释本申请，并不用于限定本申请。
本申请提供的知识图谱的查询方法，可以应用于如图1所示的应用环境中。 其中，终端102通过网络与服务器104进行通信。当终端102接收到用户的查 询指令时，可以由终端102响应查询指令单独完成本申请的知识图谱的查询方 法，也可以通过将终端102将查询指令发送给服务器104，由服务器单独完成本 申请的知识图谱的查询方法。以服务器104为例，服务器104将知识图谱编码 并转换成稀疏矩阵，以及将获取的查询数据转换成稀疏向量；服务器104对稀 疏矩阵和稀疏向量进行冗余数据筛选和压缩，得到压缩稀疏矩阵和压缩稀疏向 量；服务器104根据计算核组的数量以及各计算核组对应的计算从核的数量，将压缩稀疏矩阵划分成多个子集并分别分配给各计算从核；服务器104各计算 从核基于分配的子集和压缩稀疏向量，并行进行知识图谱的查询，得到查询结 果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、 平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服 务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种知识图谱的查询方法，以该方 法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，将知识图谱编码并转换成稀疏矩阵，以及将获取的查询数据转 换成稀疏向量。
其中，查询数据是用于对知识图谱进行数据查询的已知数据。知识图谱也 被称为科学知识图谱，在图书情报界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，用可视化技术描述 知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联 系。具体来说，知识图谱是通过将应用数学、图形学、信息可视化技术、信息 科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可 视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架 构达到多学科融合目的的现代理论。它把复杂的知识领域通过数据挖掘、信息处理、知识计量和图形绘制而显示出来，揭示知识领域的动态发展规律，为学 科研究提供切实的、有价值的参考。迄今为止，其实际应用在发达国家已经逐 步拓展并取得了较好的效果，但它在我国仍属研究的起步阶段。
稀疏矩阵是指非零元素的个数远远小于矩阵元素的总数，并且非零元素的 分布没有规律的矩阵。具体来说，若数值为0的元素数目远远多于非0元素的 数目，并且非0元素分布没有规律时，则称该矩阵为稀疏矩阵。与之相反，若 非0元素数目占大多数时，则称该矩阵为稠密矩阵。即通过定义非零元素的总 数比上矩阵所有元素的总数为矩阵的稠密度。稀疏矩阵稀疏向量乘(Sparse Matrix-Sparse Vector Multiplication，SpMSpV)的数学表达式通常表示为y＝A×x，A为输入的稀疏矩阵，x为输入的稀疏向量，y为输出的稀疏向量。具体到本实 施例，可以理解为是将知识图谱转换为稀疏矩阵A，查询数据转换为稀疏向量x， 需要查询的数据，即查询结果为输出的稀疏向量y。
具体地，服务器接收到携带有查询数据的查询语句，查询语句为SPARQL (SimpleProtocol and RDF Query Language)语句，因为SPARQL语句是提出的 RDF图上的标准查询语言。服务器响应查询语句，获取构建好的被查询的知识 图谱。应当理解的是，服务器所获取的构建好的知识图谱可以是预先存储在本 地的知识图谱，也可以是通过终端接收的用户实时上传至的知识图谱。
由于大部分知识图谱的数据都使用资源描述框架(Resource DescriptionFramework，RDF)数据集来表示，RDF数据集也可以被描述为一个有向标签图， 称为RDF图。RDF图通常又是以三元组的形式来表示信息，简单来说，每一条 描述都是以主谓宾三元组形式(主语、谓语、宾语)构成的短句。因此，当服 务器获取到RDF形式的知识图谱之后，首先将知识图谱里属于文字形式的信息 进行编码，编码成数值形式，从而方便后面转换成稀疏矩阵进行相应的数值运 算。然后，可以基于三元组的构成特点将文字形式的信息已经转换成数值形式 的RDF知识图谱转换成稀疏矩阵。RDF图即可存储为n*n的稀疏矩阵，n为RDF 图的节点数，而稀疏矩阵中的非零元即为RDF图中的边。
在一个实施例中，将知识图谱编码并转换成稀疏矩阵具体包括：根据知识 图谱的节点数量确定矩阵大小，并构建与矩阵大小相同的空矩阵；将知识图谱 中各节点的关系作为矩阵元素填入空矩阵，得到稀疏矩阵。
如图3-4所示，图3提供一种RDF图的示意图，图4提供一种由图3所示 的RDF图转换而成的稀疏矩阵的示意图。参考图3-4，图3中RDF图包括ABCDE 五个节点，那么对应的图4的稀疏矩阵即为5*5的矩阵，分别由ABCDE五个节 点表示。以及，图4稀疏矩阵中的非零元即是一个节点和另一个节点连接的边a、 b、c、d。稀疏矩阵中非零元即可以表示为RDF三元组中的主语通过谓语连接到 宾语，谓语可以理解为是两个节点的之间的关系，三元组的形式(主语、谓语、 宾语)对应于(实体、关系、实体)。例如，以节点A与节点C为例，即为主语 A通过谓语a连接到宾语C，稀疏矩阵中A行C列的非零元就是a。
在一个实施例中，查询数据可以通过对角矩阵转换成稀疏向量，对角矩阵 是一个主对角线之外的元素皆为0的矩阵。例如，假设SPARQL查询语句为<？x, a,？y>，其中，a为查询数据，？x和？y为被查询的数据。通过a与对角矩阵I相 乘，转换成稀疏向量。后续通过转换得到的稀疏矩阵和稀疏向量进行稀疏矩阵 向量乘得到查询结果，稀疏矩阵向量乘表达式可以重新表示为：
Figure BDA0002394599060000073
即根据谓语a(查询数据)从RDF知识图谱所转换成稀疏矩阵JZ中获得满 足该谓语条件的变量x和y，并将结果存储在矩阵Mxy中，即查询得到x和y。 其中，I为对角矩阵。
Figure BDA0002394599060000074
是一个类似矩阵乘的操作，其中矩阵乘中的乘法运算代 替为逻辑“与”运算、加法运算代替为逻辑“或”运算。
步骤204，对稀疏矩阵和稀疏向量进行冗余数据筛选和压缩，得到压缩稀疏 矩阵和压缩稀疏向量。
其中，由于稀疏矩阵和稀疏向量中零元素占比居多，而在稀疏矩阵向量乘 中，稀疏矩阵中只有与稀疏向量中非零元索引号对应的数据为有用的运算数据， 而存在的大量的零元素为无用的冗余数据。索引号可以理解为是非零元在稀疏 向量中的行号和列号。
具体地，服务器通过筛选出稀疏向量中的非零元并存储，得到只有非零元 的压缩稀疏向量。然后，根据非零元的索引号从稀疏矩阵筛选对应的有用的数 据并存储，得到稀疏矩阵对应的压缩稀疏矩阵。
步骤S206，根据计算核组的数量以及各计算核组对应的计算从核的数量， 将压缩稀疏矩阵划分成多个子集并分别分配给各计算从核。
其中，计算核是指服务器中处理器的核，包括主核和从核，而一个核组包 括一个1个主核和多个从核，多个主核可以组成多个核组。以“神威太湖之光” 超级计算机为例，神威超级计算机由40940个申威26010异构多核处理器构成， 每个处理器上集成了4个核组，每个核组中有1个计算控制主核和64个计算从 核。一个申威26010处理器可访问内存32GB，每个核组本地内存8GB。而每个 主核数据存储空间为32KB、指令存储空间为32KB。每个从核局部存储空间大 小为64KB，指令存储空间为16KB。从核可以直接离散访问主存也可以通过DMA(Direct Memory Access，直接内存操作)方式批量访问主存，离散访问延 迟为278cycles，批量访问延迟为25cycles，批量访问性能更佳。
具体地，当服务器压缩得到压缩稀疏矩阵之后，基于压缩稀疏矩阵的非零 元个数将压缩稀疏矩阵划分多个矩阵块且将多个矩阵块分配给不同的计算核 组。然后，计算核组之间同样基于矩阵块的非零元个数将矩阵块划分为矩阵条， 将各矩阵条作为压缩稀疏矩阵的子集分配给计算核组中的计算从核。
划分原则为：保证各个计算核组/计算从核之间的被分配的非零元个数基本 一致，即各矩阵块之间以及各矩阵条之间的非零元个数基本一致。例如，当一 个计算核组分配得到矩阵块中非零元个数与该计算核组包括的计算从核的数量 能够整除时，即优选平均分配原则。矩阵块划份得到各个矩阵条中的非零元个 数相等。而不能整除时，确保各个矩阵条之间的非零元个数相差越小越好。
步骤S208，各计算从核基于分配的子集和压缩稀疏向量，并行进行知识图 谱的查询，得到查询结果。
具体地，在为各计算从核分配子集的同时，或者在分配得到子集之后，将 压缩稀疏向量分配给所有的计算从核，使得每个计算从核分配得到一个子集(矩 阵条)和完整的压缩稀疏向量x’。然后，所有的计算从核基于各自得到的子集 和压缩稀疏向量并行进行稀疏矩阵向量乘运算，得到的运算结果即为查询结果。
上述知识图谱的查询方法、装置、计算机设备和存储介质，一方面，将知 识图谱编码并转换成稀疏矩阵，以及将获取的查询数据转换成稀疏向量后，通 过筛选和压缩减少稀疏矩阵和稀疏向量的冗余数据，从而因为只保留有用的数 据避免了后续基于稀疏矩阵进行查询时因存在大量冗余数据而限值带宽利用率 的问题，提高了查询效率。另一方面，在得到压缩稀疏矩阵之后基于计算核的 数量的对其进行划分分配以及各计算核并行进行查询，实现了并行化的查询方 案，从而减少延迟率提升处理速度，从而提高查询的效率。
在一个实施例中，如图5a-5b所示，提供一种压缩简化存储的示意图，参考 图5a，稀疏矩阵A是一个有M行、N列的矩阵，稀疏向量x是长度为N的向量。 参考图5a，SpMSpV运算表达式可以为：
Figure BDA0002394599060000091
步骤S204，对稀疏矩阵和稀疏向量进行冗余数据筛选和压缩，得到压缩稀 疏矩阵和压缩稀疏向量，包括：
S1，筛选并获取稀疏向量中的非零元，得到压缩稀疏向量。
S2，确定各非零元在稀疏向量中的索引号，得到非零元索引号。
具体地，参考图5b，x是长度为N的稀疏向量，通过筛选确定x中的非零 元个数nnz(x)＝4。对稀疏向量x进行压缩简化存储为x’，x’中只保留了x中的4 个非零元。创建两个数组存储x’：数组Xi[4]＝{j1,j2,j3,j4}存储每个非零元在x 中的索引号，数组Xv[4]＝{x1,x2,x3,x4}存储每个非零元实际所表示的数值。后 续根据数组Xi[4]和数组Xv[4]即可直接确定各非零的索引号得到非零元索引号， 以及获取各非零元实际的数值。
S3，从稀疏矩阵中筛选获取列索引号与各非零元索引号相同的列，得到筛 选稀疏矩阵。
S4，删除筛选稀疏矩阵中各列之间的空行，得到压缩稀疏矩阵。
具体地，参考图5b，稀疏矩阵A是一个有M行、N列的稀疏矩阵，A中的 非零元个数为nnz(A)＝11。由于稀疏向量x只有4个非零元，因此，从稀疏矩阵 中筛选出与稀疏向量x这4个非零元索引号对应的列只有4列，这4列是列索 引号与4个非零元索引号对应的4列。然后，去除这4列之外其他的列，以及 将这4列中间的空行删除，从而A’中的行数减少为M’＝7，最终得到只有4列7 行的压缩稀疏矩阵A’。筛选后的得到的压缩稀疏矩阵A’中nnz(A’)＝8。可以通过 三个数组存储压缩稀疏矩阵A’，数组Colp[5]＝{0,3,6,7,8}存储了每一列在A’ 中的起始位置，数组Rows[8]＝{1,2,4,0,4,6,3,5}存储每个非零元在A’中的行索 引，数组Vals[8]＝{a1,a2,a3,a4,a5,a6,a7}存储每个非零元实际的数值。
另外，应当理解的是，由于稀疏矩阵和稀疏向量均被压缩存储，对应的输 出稀疏向量自然也是会被同步压缩的。参考图5b，原始的稀疏矩阵与稀疏向量 乘得到输出系数向量y，y是长度为M的稀疏向量。然而，当稀疏矩阵被压缩存 储为压缩稀疏矩阵A’，稀疏向量被压缩存储为压缩稀疏向量x’之后，对应的y 同样被压缩为y’。y’中只保留了M’＝7个非零元，这7个元素在y中的索引号 对应的是A’中所有非零元在A中的行索引号。同样可以由两个数组存储y’：数 组Yi[7]＝{i1,i2,i3,i4,i5,i6,i7}存储每个非零元的索引，数组Yv[7]＝{y1,y2,y3,y4,y5, y6,y7}存储每个非零元的数值。
本实施例中，通过对稀疏矩阵和稀疏向量进行压缩，去除大量无用的冗余 数据从而避免冗余数据限制了带宽利用率，提高后续的查询效率。
在一个实施例中，步骤S206，包括：基于压缩稀疏矩阵中非零元的个数和 计算核组的数量，按行对压缩稀疏矩阵进行划分，得到数量与计算核组的数量 相同的多个矩阵块；将各矩阵块分别分配给各计算核组；基于矩阵块中非零元 的个数和计算核组对应计算从核的数量，按行对矩阵块进行划分，得到与计算 从核的数量相同的多个矩阵条；将各矩阵条作为子集分别分配给各所述计算从 核。
如图6所示，提供一种以图5b所示的压缩稀疏矩阵A’为例的稀疏矩阵划分 和分配的示意图。本实施例以计算核组的数量为2、每个计算核组中的计算从核 的数量为2为例进行说明。
具体地，参考图6，按照非零元基本一致的划分原则，基于压缩稀疏矩阵A’ 非零元的个数，按行将压缩系数矩阵A’划分为2个矩阵块block，每个block非 零元的个数为4，分给第一个核组的block有4行，分给第二个核组的block有3 行。对应的，y’也被划分为相应的2个核组片段CG-segy’。分给第一个核组的 CG-segy’有4个元素，分给第二个核组的CG-segy’有3个元素。可以理解为，每 个核组分配得到一个block和整个x’，计算结果为对应的CG-segy’。
然后，按照非零元基本一致的划分原则，基于每个计算核组分配得到的矩 阵块block的非零元的个数，继续按行将block划分为2个矩阵条tile，每个tile 非零元的个数为2。对应的，CG-segy’也会被划分为相应的2个从核片段 CPE-segy’。由此，计算核组中每个计算从核分配得到一个矩阵条tile和整个x’， 计算结果为对应的CPE-segy’。即在本实施例中，分配给计算从核的子集为矩阵 条tile。
在本实施例，通过计算核组和计算从核的个数将压缩稀疏矩阵进行划分， 充分发掘利用了计算核组之间的并行性以及每个计算核组中计算从核间的并行 性。并且，在划分时，基于非零元的个数、以及按照矩阵的行进行划分，不仅 可以保证各计算从核的负载均衡还能防止并行的冲突，从而多方面提高处理的 效率。
在一个实施例中，如图7所示，提供另一种知识图谱的查询方法，在步骤 S206之后，还包括：
步骤S207，获取预设的阈值；根据阈值，按列将各计算从核中的子集进行 划分，得到数量与阈值相同的列向量集合，将列向量集合作为最终的子集。
具体地，在本实施例中，为了充分利用每个计算从核的有限局存，通过设 定的阈值inc再次将计算从核中的子集(此时子集为矩阵条)进行划分，得到多 个列向量集合。参考图6，本实施例中优选inc＝2，根据阈值2按列对每个计算 从核的矩阵条tile划分为若干个CVS(Column Vector Set，列向量集合)，每个 CVS有2列。对应的，x’也被划分为相应的若干个片段segx’，每个片段segx’ 有2个元素。每个CVS、对应的segx’和CPE-segy’的大小必须适合于从核局存。
进一步的，在一个实施例中，当子集为列向量集合时，步骤S207，各计算 从核基于分配的子集和压缩稀疏向量并行进行知识图谱的查询，得到查询结果， 包括：各计算从核将分配的各列向量集合，依次且分别与压缩稀疏向量进行矩 阵运算，得到运算结果向量；将运算结果向量解码得到查询结果。
具体地，参考图6，在计算从核并行基于稀疏矩阵稀疏向量运算进行查询时， 每个计算从核先可以在其局存中为CPE-segy’开辟存储空间。然后，当进行运算 时，计算从核每次先只加载一个CVS和这个CVS对应的segx’到局存进行每一 轮次的计算，得到计算结果。最后将所有的计算结果都累加在局存中的 CPE-segy’上，直到整个tile都加载到局存并计算完毕，累加后的CPE-segy’被返 回到主存，从而得到运算结果向量。由于基于矩阵运算进行查询得到的结果仍 然为编码后的数值形式。所以，通过对得到运算结果向量进行解码再次转换成 对应的文字形式的查询结果，将查询结果返回显示给终端的用户。
在本实施例中，通过划分为列向量集合能够充分利用各个计算从核的优先 局存，从而提高处理的效率。
应该理解的是，虽然图2、7的流程图中的各个步骤按照箭头的指示依次显 示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明 确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺 序执行。而且，图2、7中的至少一部分步骤可以包括多个步骤或者多个阶段， 这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执 行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤 或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种知识图谱的查询装置，包括： 转换模块802、压缩模块804、划分模块806和查询模块808，其中：
转换模块802，用于将知识图谱编码并转换成稀疏矩阵，以及将获取的查询 数据转换成稀疏向量；
压缩模块804，用于对稀疏矩阵和稀疏向量进行冗余数据筛选和压缩，得到 压缩稀疏矩阵和压缩稀疏向量；
划分模块806，用于根据计算核组的数量以及各计算核组对应的计算从核的 数量，将压缩稀疏矩阵划分成多个子集并分别分配给各计算从核；
查询模块808，用于各计算从核基于分配的子集和压缩稀疏向量，并行进行 知识图谱的查询，得到查询结果。
在一个实施例中，划分模块806还用于获取预设的阈值；根据阈值，按列 将各计算从核中的子集进行划分，得到数量与阈值相同的列向量集合，将列向 量集合作为最终的子集。
在一个实施例中，查询模块808还用于各计算从核将分配的各列向量集合， 依次且分别与压缩稀疏向量进行矩阵运算，运算结果向量；将运算结果向量解 码得到查询结果。
在一个实施例中，压缩模块804还用于筛选并获取稀疏向量中的非零元， 得到压缩稀疏向量；确定各非零元在稀疏向量中的索引号，得到非零元索引号； 从稀疏矩阵中筛选获取列索引号与各非零元索引号相同的列，得到筛选稀疏矩 阵；删除筛选稀疏矩阵中各列之间的空行，得到压缩稀疏矩阵。
在一个实施例中，划分模块806还用于基于压缩稀疏矩阵中非零元的个数 和计算核组的数量，按行对压缩稀疏矩阵进行划分，得到数量与计算核组的数 量相同的多个矩阵块；将各矩阵块分别分配给各计算核组；基于矩阵块中非零 元的个数和计算核组对应计算从核的数量，按行对矩阵块进行划分，得到与计 算从核的数量相同的多个矩阵条；将各矩阵条作为子集分别分配给各所述计算 从核。
在一个实施例中，转换模块802还用于根据知识图谱的节点数量确定矩阵 大小，并构建与矩阵大小相同的空矩阵；将知识图谱中各节点的关系作为矩阵 元素填入空矩阵，得到稀疏矩阵。
在一个实施例中，转换模块802还用于将查询数据与对角矩阵进行乘运算， 得到稀疏向量。
关于知识图谱的查询装置的具体限定可以参见上文中对于知识图谱的查询 方法的限定，在此不再赘述。上述知识图谱的查询装置中的各个模块可全部或 部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立 于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器 中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器， 其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、 存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。 该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介 质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中 的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储知 识图谱和对应的稀疏矩阵、以及压缩存储后的压缩稀疏矩阵和向量等数据。该 计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被 处理器执行时以实现一种知识图谱的查询方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关 的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定， 具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件， 或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器 中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
将知识图谱编码并转换成稀疏矩阵，以及将获取的查询数据转换成稀疏向 量；
对稀疏矩阵和稀疏向量进行冗余数据筛选和压缩，得到压缩稀疏矩阵和压 缩稀疏向量；
根据计算核组的数量以及各计算核组对应的计算从核的数量，将压缩稀疏 矩阵划分成多个子集并分别分配给各计算从核；
各计算从核基于分配的子集和压缩稀疏向量，并行进行知识图谱的查询， 得到查询结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取预设的 阈值；根据阈值，按列将各计算从核中的子集进行划分，得到数量与阈值相同 的列向量集合，将列向量集合作为最终的子集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：各计算从核 将分配的各列向量集合，依次且分别与压缩稀疏向量进行矩阵运算，运算结果 向量；将运算结果向量解码得到查询结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：筛选并获取 稀疏向量中的非零元，得到压缩稀疏向量；确定各非零元在稀疏向量中的索引 号，得到非零元索引号；从稀疏矩阵中筛选获取列索引号与各非零元索引号相 同的列，得到筛选稀疏矩阵；删除筛选稀疏矩阵中各列之间的空行，得到压缩 稀疏矩阵。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于压缩稀 疏矩阵中非零元的个数和计算核组的数量，按行对压缩稀疏矩阵进行划分，得 到数量与计算核组的数量相同的多个矩阵块；将各矩阵块分别分配给各计算核 组；基于矩阵块中非零元的个数和计算核组对应计算从核的数量，按行对矩阵 块进行划分，得到与计算从核的数量相同的多个矩阵条；将各矩阵条作为子集 分别分配给各所述计算从核。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据知识图 谱的节点数量确定矩阵大小，并构建与矩阵大小相同的空矩阵；将知识图谱中 各节点的关系作为矩阵元素填入空矩阵，得到稀疏矩阵。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将查询数据 与对角矩阵进行乘运算，得到稀疏向量。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程 序，计算机程序被处理器执行时实现以下步骤：
将知识图谱编码并转换成稀疏矩阵，以及将获取的查询数据转换成稀疏向 量；
对稀疏矩阵和稀疏向量进行冗余数据筛选和压缩，得到压缩稀疏矩阵和压 缩稀疏向量；
根据计算核组的数量以及各计算核组对应的计算从核的数量，将压缩稀疏 矩阵划分成多个子集并分别分配给各计算从核；
各计算从核基于分配的子集和压缩稀疏向量，并行进行知识图谱的查询， 得到查询结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取预设 的阈值；根据阈值，按列将各计算从核中的子集进行划分，得到数量与阈值相 同的列向量集合，将列向量集合作为最终的子集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：各计算从 核将分配的各列向量集合，依次且分别与压缩稀疏向量进行矩阵运算，得到运 算结果向量；将运算结果向量解码得到查询结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：筛选并获 取稀疏向量中的非零元，得到压缩稀疏向量；确定各非零元在稀疏向量中的索 引号，得到非零元索引号；从稀疏矩阵中筛选获取列索引号与各非零元索引号 相同的列，得到筛选稀疏矩阵；删除筛选稀疏矩阵中各列之间的空行，得到压 缩稀疏矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于压缩 稀疏矩阵中非零元的个数和计算核组的数量，按行对压缩稀疏矩阵进行划分， 得到数量与计算核组的数量相同的多个矩阵块；将各矩阵块分别分配给各计算 核组；基于矩阵块中非零元的个数和计算核组对应计算从核的数量，按行对矩 阵块进行划分，得到与计算从核的数量相同的多个矩阵条；将各矩阵条作为子 集分别分配给各所述计算从核。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据知识 图谱的节点数量确定矩阵大小，并构建与矩阵大小相同的空矩阵；将知识图谱 中各节点的关系作为矩阵元素填入空矩阵，得到稀疏矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将查询数 据与对角矩阵进行乘运算，得到稀疏向量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程， 是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于 一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述 各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、 存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的 至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁 带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory， SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述 实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特 征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细， 但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的 普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改 进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权 利要求为准。

Claims (10)

1.一种知识图谱的查询方法，所述方法包括：
将知识图谱编码并转换成稀疏矩阵，以及将获取的查询数据转换成稀疏向量；
对所述稀疏矩阵和所述稀疏向量进行冗余数据筛选和压缩，得到压缩稀疏矩阵和压缩稀疏向量；
根据计算核组的数量以及各所述计算核组对应的计算从核的数量，将所述压缩稀疏矩阵划分成多个子集并分别分配给各所述计算从核；
各所述计算从核基于分配的所述子集和所述压缩稀疏向量，并行进行知识图谱的查询，得到查询结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取预设的阈值；
根据所述阈值，按列将各所述计算从核中的所述子集进行划分，得到数量与所述阈值相同的列向量集合，将所述列向量集合作为最终的子集。
3.根据权利要求2所述的方法，其特征在于，当所述子集为列向量集合时，所述各所述计算从核基于分配的所述子集和所述压缩稀疏向量并行进行知识图谱的查询，得到查询结果，包括：
各所述计算从核将分配的各所述列向量集合，依次且分别与所述压缩稀疏向量进行矩阵运算，得到运算结果向量；
将所述运算结果向量解码得到查询结果。
4.根据权利要求1所述的方法，其特征在于，所述对所述稀疏矩阵和所述稀疏向量进行冗余数据筛选和压缩，得到压缩稀疏矩阵和压缩稀疏向量，包括：
筛选并获取所述稀疏向量中的非零元，得到压缩稀疏向量；
确定各所述非零元在所述稀疏向量中的索引号，得到非零元索引号；
从所述稀疏矩阵中筛选获取列索引号与各所述非零元索引号相同的列，得到筛选稀疏矩阵；
删除所述筛选稀疏矩阵中各列之间的空行，得到压缩稀疏矩阵。
5.根据权利要求1所述的方法，其特征在于，所述根据计算核组的数量以及各所述计算核组对应的计算从核的数量，将所述压缩稀疏矩阵划分成多个子集并分别分配给各所述计算从核，包括：
基于所述压缩稀疏矩阵中非零元的个数和计算核组的数量，按行对所述压缩稀疏矩阵进行划分，得到数量与所述计算核组的数量相同的多个矩阵块；
将各所述矩阵块分别分配给各所述计算核组；
基于所述矩阵块中非零元的个数和所述计算核组对应计算从核的数量，按行对所述矩阵块进行划分，得到与所述计算从核的数量相同的多个矩阵条；
将各所述矩阵条作为子集分别分配给各所述计算从核。
6.根据权利要求1所述的方法，其特征在于，所述将知识图谱编码并转换成稀疏矩阵，包括：
根据所述知识图谱的节点数量确定矩阵大小，并构建与所述矩阵大小相同的空矩阵；
将所述知识图谱中各节点的关系作为矩阵元素填入所述空矩阵，得到稀疏矩阵。
7.根据权利要求1所述的方法，其特征在于，所述将获取的查询数据转换成稀疏向量，包括：将所述查询数据与对角矩阵进行乘运算，得到稀疏向量。
8.一种知识图谱的查询装置，其特征在于，所述装置包括：
转换模块，用于将知识图谱编码并转换成稀疏矩阵，以及将获取的查询数据转换成稀疏向量；
压缩模块，用于对所述稀疏矩阵和所述稀疏向量进行冗余数据筛选和压缩，得到压缩稀疏矩阵和压缩稀疏向量；
划分模块，用于根据计算核组的数量以及各所述计算核组对应的计算从核的数量，将所述压缩稀疏矩阵划分成多个子集并分别分配给各所述计算从核；
查询模块，用于各所述计算从核基于分配的所述子集和所述压缩稀疏向量，并行进行知识图谱的查询，得到查询结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010126665.2A 2020-02-28 2020-02-28 知识图谱的查询方法、装置、计算机设备和存储介质 Active CN111400410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010126665.2A CN111400410B (zh) 2020-02-28 2020-02-28 知识图谱的查询方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010126665.2A CN111400410B (zh) 2020-02-28 2020-02-28 知识图谱的查询方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111400410A true CN111400410A (zh) 2020-07-10
CN111400410B CN111400410B (zh) 2022-08-09

Family

ID=71432121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010126665.2A Active CN111400410B (zh) 2020-02-28 2020-02-28 知识图谱的查询方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111400410B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765312A (zh) * 2020-12-31 2021-05-07 湖南大学 一种基于图神经网络嵌入匹配的知识图谱问答方法和系统
CN115438205A (zh) * 2022-11-08 2022-12-06 深圳长江家具有限公司 用于离线终端的知识图谱压缩存储方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341215A (zh) * 2017-06-07 2017-11-10 北京航空航天大学 一种基于分布式计算平台的多源垂直知识图谱分类集成查询方法
CN108090179A (zh) * 2017-12-15 2018-05-29 北京海致星图科技有限公司 一种Spark并发子图查询的方法
CN109325029A (zh) * 2018-08-30 2019-02-12 天津大学 基于稀疏矩阵的rdf数据存储和查询方法
CN110019560A (zh) * 2017-12-28 2019-07-16 中国移动通信集团上海有限公司 一种基于知识图谱的查询方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341215A (zh) * 2017-06-07 2017-11-10 北京航空航天大学 一种基于分布式计算平台的多源垂直知识图谱分类集成查询方法
CN108090179A (zh) * 2017-12-15 2018-05-29 北京海致星图科技有限公司 一种Spark并发子图查询的方法
CN110019560A (zh) * 2017-12-28 2019-07-16 中国移动通信集团上海有限公司 一种基于知识图谱的查询方法及装置
CN109325029A (zh) * 2018-08-30 2019-02-12 天津大学 基于稀疏矩阵的rdf数据存储和查询方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
符海东等: "HDVM:基于关系矩阵的关联数据压缩查询模型", 《电子学报》 *
邹佩钢等: "基于CombBLAS的同辈压力图聚类并行算法的设计与实现", 《计算机工程与科学》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765312A (zh) * 2020-12-31 2021-05-07 湖南大学 一种基于图神经网络嵌入匹配的知识图谱问答方法和系统
CN115438205A (zh) * 2022-11-08 2022-12-06 深圳长江家具有限公司 用于离线终端的知识图谱压缩存储方法
CN115438205B (zh) * 2022-11-08 2023-01-13 深圳长江家具有限公司 用于离线终端的知识图谱压缩存储方法

Also Published As

Publication number Publication date
CN111400410B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
US8065337B2 (en) Shared-memory multiprocessor system and method for processing information
JP6630558B2 (ja) 効率的な疎行列表現及び処理のためのコンピュータ実装システム及び方法
US8676874B2 (en) Data structure for tiling and packetizing a sparse matrix
US8762655B2 (en) Optimizing output vector data generation using a formatted matrix data structure
CN114503125A (zh) 结构化剪枝方法、系统和计算机可读介质
CN111400410B (zh) 知识图谱的查询方法、装置、计算机设备和存储介质
Yang et al. A pipeline computing method of SpTV for three-order tensors on CPU and GPU
US11631205B2 (en) Generating a data visualization graph utilizing modularity-based manifold tearing
Vannieuwenhoven et al. Computing the gradient in optimization algorithms for the CP decomposition in constant memory through tensor blocking
Blanco et al. Cstf: Large-scale sparse tensor factorizations on distributed platforms
Wang et al. A survey of statistical methods and computing for big data
Odemuyiwa et al. Accelerating sparse data orchestration via dynamic reflexive tiling
US9830369B1 (en) Processor for database analytics processing
Langr et al. Storing sparse matrices to files in the adaptive-blocking hierarchical storage format
He et al. Parallel outlier detection using kd-tree based on mapreduce
US9600446B2 (en) Parallel multicolor incomplete LU factorization preconditioning processor and method of use thereof
CN116128701A (zh) 一种用于执行图计算任务的装置、图计算方法
Zhou et al. Data decomposition method for parallel polygon rasterization considering load balancing
CN114297260A (zh) 分布式rdf数据查询方法、装置和计算机设备
Wang et al. A load-balancing strategy for data domain decomposition in parallel programming libraries of raster-based geocomputation
CN111368027B (zh) 基于稀疏矩阵的知识图谱查询方法、装置和计算机设备
US11921784B2 (en) Flexible, scalable graph-processing accelerator
Abramov et al. Region of Acceptability using Reliability-oriented Design
CN118132456A (zh) 数据存储方法、数据处理方法、数据存储器、数据处理器
Hayashi Parallel Algorithms for Computing and Applications of the Dense Canonical Polyadic Decomposition

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Li Kenli

Inventor after: Xiao Guoqing

Inventor after: Chen Yuedan

Inventor after: Yang Wangdong

Inventor after: Liu Chubo

Inventor after: Tang Zhuo

Inventor before: Xiao Guoqing

Inventor before: Chen Yuedan

Inventor before: Li Kenli

Inventor before: Yang Wangdong

Inventor before: Liu Chubo

Inventor before: Tang Zhuo

GR01 Patent grant
GR01 Patent grant