CN111414486A - 一种基于路径排序算法的知识推理系统 - Google Patents

一种基于路径排序算法的知识推理系统 Download PDF

Info

Publication number
CN111414486A
CN111414486A CN202010198659.8A CN202010198659A CN111414486A CN 111414486 A CN111414486 A CN 111414486A CN 202010198659 A CN202010198659 A CN 202010198659A CN 111414486 A CN111414486 A CN 111414486A
Authority
CN
China
Prior art keywords
path
knowledge
inference
data
generating
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
CN202010198659.8A
Other languages
English (en)
Other versions
CN111414486B (zh
Inventor
洪万福
王彬
黄茶英
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.)
Xiamen Yuanting Information Technology Co ltd
Original Assignee
Xiamen Yuanting Information Technology Co ltd
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 Xiamen Yuanting Information Technology Co ltd filed Critical Xiamen Yuanting Information Technology Co ltd
Priority to CN202010198659.8A priority Critical patent/CN111414486B/zh
Publication of CN111414486A publication Critical patent/CN111414486A/zh
Application granted granted Critical
Publication of CN111414486B publication Critical patent/CN111414486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367Ontology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33Querying
    • G06F16/3331Query processing
    • G06F16/334Query execution
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35Clustering; Classification
    • G06F16/353Clustering; Classification into predefined classes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35Clustering; Classification
    • G06F16/355Class or cluster creation or modification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/04Inference or reasoning models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于路径排序算法的知识推理系统,涉及图计算和图挖掘技术领域。包括抽取特征,生成特征集合(路径集合),抽取实体中存在的路径,生成关系序列并且是计算路径特征值的基础;计算路径特征值用于对特征集合进行游走计算,计算特征对应的特征值,生成特征值集合;训练分类器,用于用于训练数据,调控不同分类的概率,获取置信度的上限值和下限值,通过阈值分类对数据进行分类,对数据实现分类,从而获取区间分布;自动挖掘推理规则,用于自动挖掘推理规则,并对生成的规则进行筛选;基于路径排序算法的知识推理系统主要是利用实体之间存在的路径去挖掘新的、还未出现的知识。

Description

一种基于路径排序算法的知识推理系统
技术领域
本发明属于图计算与图挖掘技术领域,具体涉及一种基于路径排序算法的知识推理系统。
背景技术
近几年来,技术不断的发展,大数据、人工智能......产生各种数据源,并且包含了大量的知识,那么如何表达知识以及深入挖掘和计算知识掀起了一股热潮,从而产生了知识图谱。知识推理也因此成为一股热潮。知识推理中存在里两种类别,一种是根据已有的知识推理出存在的知识,一种是归纳推理出全新的知识。传统的知识推理已经不适合海量数据,会出现以下弊端:一是传统知识推理采用定制的规则进行推理,只有对符合规则的才能进一步推理出相关的知识,无法解决一些未知的知识;二是传统知识推理计算时间长,速度慢,用户体验度较差;三是推理过程比较复杂,需要人工进行筛选和计算。
为了解决以上的弊端,行业上已经出现了其他的推理方式,其中包括Embedding-base技术等技术,在一定程度上实现是知识推理精确性的目标,但是还是存在一些不足。比如没有考虑语义的丰富度,无法对空间向量进行调整;仅限在当前图谱进行知识推理,知识量较少;没有考虑时间限制。
发明内容
为了解决这些问题,在图计算和图挖掘技术领域研究更加深入,实现自动发现含有的关联规则以及准确度,用户不用关心是如何实现,优化用户角色,使用户体验度更好。本发明提供另一种基于路径排序算法的知识推理系统。
本发明采用以下技术方案:
一种基于路径排序算法的知识推理系统,包括:抽取路径、计算路径特征值、训练分类器、自动挖掘推理规则。其中:
所述抽取路径用于生成特征集合(路径集合),抽取实体中存在的路径,生成关系序列并且是计算路径特征值的基础。
所述计算路径特征值用于对特征集合进行游走计算,计算特征对应的特征值,生成特征值集合,并且是训练分类器的基础,给训练分类器提供训练数据。
所述训练分类器用于训练数据,调控不同分类的概率,获取置信度的上限值和下限值,通过阈值分类对数据进行分类,对数据实现分类,从而获取区间分布。
所述自动挖掘推理规则用于挖掘推理规则,并且能够筛选出更加合理的推理规则,应用到知识查询中进行推理,获取更加精确的答复。
所述自动挖掘推理规则用于挖掘推理规则,并且能够筛选出更加合理的推理规则,应用到知识查询中进行推理,推理出新的知识或者推理出已经存在的知识。
优选地,所述特征抽取结合自然语句,挖掘语句中存在实体、关系。生成一组路径序列,将实体于关系构建成图模型。接着,采用随机游走分割算法,从生成的图模型中没有标记的节点开始不断的游走,到达各个节点之后标记对应的记录值,把最大的值交付给没有标记的节点,通过随机游走算法不断地进行迭代,完成对图的分割。游走过程中不断得生成路径,最终生成对应的路径集合。
优选地,所述计算路径的特征值是在随机游走的过程中,通过记录的概率值生成对应的特征集合。采用随机游走probability方法,游走过程中出现的路径,计算路径的特征值,生成特征值集合。
优选地,所述训练分类器还包括逻辑回归(Logistic回归)方法,来预测特征之间的关系。根据特征值集合,采用逻辑回归方法对数据进行训练,将其概率值转化成0区间和1区间,对数据进行分类。
优选地,所述自动挖掘推理规则是通过计算对应路径的权重值,采用FP-树频集算法频繁出现的数据集合用频繁模式树表示,从其中一个节点出发,采用此节点对应的条件模式基,对数据进行挖掘,生成频繁项集,不断的进行递归和合并,获得路径的所有频繁项集,生成条件库,然后对条件库进行挖掘,并且自动对挖掘的推理规则进行筛选。
采用上述技术方案后,本发明与背景技术相比,具有如下优点:
第一:缩短了挖掘规则推理的时间;第二,推理出的规则准确度较精确;第三,不用要用户关心方法是如何实现;第四,支持多个图谱知识进行推理,语义知识丰富。
附图说明
图1为本发明的关系学习框架图;图2为关系序列走向图;图3为生成特征值集合步骤图;图4知识推理系统流程图;
具体实施方式
为了能够对本发明核心思想、技术要点、实现流程等有更加深层次的认识。通过实施例对本发明做进一步的解释和说明。应当理解,实施例只能更好的描述本发明的流程等,但是不仅仅局限于具体实施例。
实施例
本发明公开了一种基于路径排序算法的知识推理系统,抽取路径、计算路径特征值、训练分类器、自动挖掘推理规则。基于路径排序算法的知识推理实施方式如下所示:
步骤1:为了判定语句一组关系序列是否存在,用自然语言(nlp)解析、抽取语句中对应知识图谱中三元组的,从而构建出对应的关系序列。举例如下:判断Tom是不是一个作家,解析出的实体为Tom和作家,所生成的一组关系序列为Prob(Tom->>作家| IsSetence,IsStence2,IsA) 如图2所示:
步骤2:抽取数据后,采用随机游走分割算法,从一个节点到另一个节点游走,在游走过程中如果发现能到达所对应的结果节点,抽取路径(特征),通过不断进行迭代游走,生成路径(特征)集合。图2所示从Tom出发到作家这个节点,这个过程中可能出现Tom->InSentence,Insentence2,IsA->作家,Tom->InSentence->作家......等路径构成路径集合。
步骤3:在随机游走的过程中,通过记录的概率值生成对应的特征集合。采用随机游走probability方法,游走过程中出现的路径,计算路径的特征值,生成特征值集合。从Tom位置(记作y(x))出发或者是以某一个节点出发,在下一时刻(y(x+1))的可能性经过下一个节点,此时的概率y(x+1)=y(x)+1,或者是在这个时刻向上一个节点出发,概率则为y(x+1)=y(x)-1,不断的游走,获取路径的特征值,进而生成对应的特征值集合。
步骤4:步骤3中生成对应的特征值集合,采用Logistic回归方法,计算回归概率,对数据进行分类;Sigmoid函数(逻辑函数): g(z)= 1/1+e^-z 其取值范围介于0和1之前的值,但是不能取到0和1,使用阈值分类把值转变成0或者1。因此实现对数据的分类,获取对应的区间。如图3所示:
图3中R(v1)等值是特征值集合,根据所生成的区间值对数据进行分类
步骤5:对数据进行分类,获取区间中所对应的路径,计算路径的权重值生成频繁项,采用FP-树频集算法将对频繁项以树的形式展示,从一个节点出发,根据节点对应的条件模式基,对数据进行挖掘,生成频繁项集。依次类推,对所有节点采用此方式,获取对应的频繁项,并且筛选出更加合理的推理规则。更是实施例中生成的路径集合,选择路径集合中的一条路径,对应{A:3,C:3,E:5,B:8} (英文字母都是对应路径中的节点),通过将根节点计数设置成叶子节点,即FP的子树变成{A:3,C:3,E:3,B:3},通过条件模式基则得到F的频繁二项集{{A:3,B:3},{C:3,B:3},{E:3,B:3}}。递归且合并频繁二项集,得到频繁三项集{{A:3,C:3,,B:3},{A:3E:3,B:3}}....以此类推,直到生成最大的频繁项集。其他节点也时使用相同方式进行挖掘。如果没有限制频繁项集的项数,则返回所有的项数集,否则返回指定项述的项数集。
步骤6:结合推理规则与输入语句,在知识图谱中查询,最终生成对应的结果集。
以上对本发明的描述,只是用于介绍本发明的流程以及所涉及的技术,从而使该领域的技术人员能够充分理解和使用本发明。实施例对本发明的实现流程庙以及使用没有很详尽的描述,但是本发明不仅仅局限于此实施例。在本发明所涉及的技术领域,对此领域有深入研究的专员,对本发明能够考虑到修改和变化,都应该包含在本申请的技术范围之内。因此,本发明的以权利要求及其范围的限制。

Claims (11)

1.一种基于路径排序算法的知识推理系统,其特征在于,包括:特征抽取、计算路径特征值、训练分类器、自动挖掘推理规则。
2.所述特征抽取用于生成特征集合(路径集合),抽取实体中存在的路径,生成关系序列并且是计算路径特征值的基础。
3.所述计算路径特征值用于对特征集合进行游走计算,计算特征对应的特征值,生成特征值集合,并且是训练分类器的基础,给训练分类器提供训练数据。
4.所述训练分类器用于训练数据,调控不同分类的概率,获取置信度的上限值和下限值,通过阈值分类对数据进行分类,对数据实现分类,从而获取区间分布。
5.所述自动挖掘推理规则用于挖掘推理规则,并且能够筛选出更加合理的推理规则,应用到知识查询中进行推理,获取更加精确的答复。
6.所述自动挖掘推理规则用于挖掘推理规则,并且能够筛选出更加合理的推理规则,应用到知识查询中进行推理,推理出新的知识或者推理出已经存在的知识。
7.如权利要求1所述的一种基于路径排序算法的知识推理系统,其特征在于,特征抽取;
包括:用户输入查询语句,通过自然语言(nlp)解析语句中存在的实体,分析实体中是否存在路径,通过路径排序算法中的随机游走分割算法,随机游走算法的实现方式是谱聚类;
其思想是将对应的实体用边连接;
随机游走算法不断地进行迭代,从没有标记的节点开始不断的游走,到达各个节点之后标记对应的记录值,把最大的值交付给没有标记的节点,完成对图的分割;
游走过程中不断得生成路径,最终生成对应的路径集合。
8.如权利要求1所述的一种基于路径排序算法的知识推理系统,其特征在于,计算路径特征值;
包括:采用随机游走probability方法,随机游走的过程后得到对应的游走概率值,通过概率值描绘出对应的概率分布图,分布图中记录了每个节点被访问的对应的概率值,生成对应路径的特征值。
9.如权利要求1所述的一种基于路径排序算法的知识推理系统,其特征在于,训练分类器 包括:训练分类器中主要是逻辑回归(Logistic回归)方法,逻辑回归是一种解决二分类的方法,来预测特征之间的关系;
逻辑回归通过Sigmoid函数(逻辑函数)引入了其他的非线性因素,例如:假设函数、决策边界、代价函数等,方法之间的相互配合计算,计算路径的概率,再根据阈值分类对数据进行分类,获取分类的路径区间,并且是自动挖掘推理规则的基础。
10.如权利要求1所述的一种基于路径排序算法的知识推理系统,其特征在与,自动挖掘推理规则 包括:计算对应路径的权重值,采用FP-树频集算法频繁出现的数据集合用频繁模式树表示,从其中一个节点出发,采用此节点对应的条件模式基,对数据进行挖掘,生成频繁项集,不断的进行递归和合并,获得路径的所有频繁项集,生成条件库,然后对条件库进行挖掘,并且自动对挖掘的推理规则进行筛选。
11.如权利要求1的所述的一种基于路径排序算法的知识推理系统,其特征在于,一个基于路径排序算法的知识推理系统包含如下步骤:
步骤1:用户输入需要分析的语句,对输入语句进行分析,自然语言抽取语句中存在的实体、属性和关系,对应知识图谱中三元组的关系,获取关系关系序列;
步骤2:抽取数据后,采用随机游走分割算法,从一个节点到另一个节点游走,在游走过程中如果发现能到达所对应的结果节点,抽取路径(特征),通过不断进行迭代游走,生成路径(特征)集合;
步骤3:在随机游走的过程中,通过记录的概率值生成对应的特征集合,
采用随机游走probability方法,游走过程中出现的路径,计算路径的特征值,生成特征值集合;
步骤4:步骤3中生成对应的特征值集合,采用Logistic回归方法;
逻辑回归方法是通过其逻辑函数估计概率,来计算和衡量特征之间是否存在关系;
计算回归概率,通过生成的概率对数据进行二值化进行预测,对数据分类;
步骤5:对数据进行分类,获取区间中所对应的路径,计算路径的权重值生成频繁项,采用FP-树频集算法将对频繁项以树的形式展示,从一个节点出发,根据节点对应的条件模式基,对数据进行挖掘,生成频繁项集;
依次类推,对所有节点采用此方式,获取对应的频繁项集合,生成对应的条件库,然后对条件库的数据进行挖掘,并且筛选出更加合理的推理规则;
步骤6:结合推理规则与输入语句,在知识图谱中查询,最终生成对应的结果集。
CN202010198659.8A 2020-03-20 2020-03-20 一种基于路径排序算法的知识推理系统 Active CN111414486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010198659.8A CN111414486B (zh) 2020-03-20 2020-03-20 一种基于路径排序算法的知识推理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010198659.8A CN111414486B (zh) 2020-03-20 2020-03-20 一种基于路径排序算法的知识推理系统

Publications (2)

Publication Number Publication Date
CN111414486A true CN111414486A (zh) 2020-07-14
CN111414486B CN111414486B (zh) 2022-11-11

Family

ID=71493160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010198659.8A Active CN111414486B (zh) 2020-03-20 2020-03-20 一种基于路径排序算法的知识推理系统

Country Status (1)

Country Link
CN (1) CN111414486B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112035484A (zh) * 2020-09-02 2020-12-04 中国电力科学研究院有限公司 一种故障录波数据的局部故障特征提取方法及系统
CN112069036A (zh) * 2020-11-10 2020-12-11 南京信易达计算技术有限公司 基于集群计算的管理与监控系统
CN112542243A (zh) * 2020-12-05 2021-03-23 大连东软教育科技集团有限公司 一种icu电子病历知识图谱构建方法、系统和存储介质
CN112597316A (zh) * 2020-12-30 2021-04-02 厦门渊亭信息科技有限公司 一种可解释性推理问答方法及装置
CN113011471A (zh) * 2021-02-26 2021-06-22 山东英信计算机技术有限公司 一种社交群体的划分方法、划分系统及相关装置
CN113672740A (zh) * 2021-08-04 2021-11-19 支付宝(杭州)信息技术有限公司 针对关系网络的数据处理方法及装置
CN114372154A (zh) * 2022-01-11 2022-04-19 江苏曼荼罗软件股份有限公司 一种基于知识图谱的预导诊及分诊技术方法
CN112542243B (zh) * 2020-12-05 2024-06-04 东软教育科技集团有限公司 一种icu电子病历知识图谱构建方法、系统和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030028531A1 (en) * 2000-01-03 2003-02-06 Jiawei Han Methods and system for mining frequent patterns
US20040117395A1 (en) * 2002-12-11 2004-06-17 International Business Machines Corporation Method and knowledge structures for reasoning about concepts, relations, and rules
CN108664652A (zh) * 2018-01-24 2018-10-16 北京理工大学 一种复杂网络下基于路径选择的表示学习方法
CN109614495A (zh) * 2018-08-08 2019-04-12 广州初星科技有限公司 一种结合知识图谱和文本信息的相关公司挖掘方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030028531A1 (en) * 2000-01-03 2003-02-06 Jiawei Han Methods and system for mining frequent patterns
US20040117395A1 (en) * 2002-12-11 2004-06-17 International Business Machines Corporation Method and knowledge structures for reasoning about concepts, relations, and rules
CN108664652A (zh) * 2018-01-24 2018-10-16 北京理工大学 一种复杂网络下基于路径选择的表示学习方法
CN109614495A (zh) * 2018-08-08 2019-04-12 广州初星科技有限公司 一种结合知识图谱和文本信息的相关公司挖掘方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEIXIN_33859231: "关联分析算法:FP-Growth", 《HTTPS://BLOG.CSDN.NET/WEIXIN_33859231/ARTICLE/DETAILS/87957208》 *
官赛萍等: "面向知识图谱的知识推理研究进展", 《软件学报》 *
杨胜: "基于随机游走的知识推理技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112035484A (zh) * 2020-09-02 2020-12-04 中国电力科学研究院有限公司 一种故障录波数据的局部故障特征提取方法及系统
CN112035484B (zh) * 2020-09-02 2024-01-09 中国电力科学研究院有限公司 一种故障录波数据的局部故障特征提取方法及系统
CN112069036A (zh) * 2020-11-10 2020-12-11 南京信易达计算技术有限公司 基于集群计算的管理与监控系统
CN112069036B (zh) * 2020-11-10 2021-09-03 南京信易达计算技术有限公司 基于集群计算的管理与监控系统
CN112542243A (zh) * 2020-12-05 2021-03-23 大连东软教育科技集团有限公司 一种icu电子病历知识图谱构建方法、系统和存储介质
CN112542243B (zh) * 2020-12-05 2024-06-04 东软教育科技集团有限公司 一种icu电子病历知识图谱构建方法、系统和存储介质
CN112597316A (zh) * 2020-12-30 2021-04-02 厦门渊亭信息科技有限公司 一种可解释性推理问答方法及装置
CN112597316B (zh) * 2020-12-30 2023-12-26 厦门渊亭信息科技有限公司 一种可解释性推理问答方法及装置
CN113011471A (zh) * 2021-02-26 2021-06-22 山东英信计算机技术有限公司 一种社交群体的划分方法、划分系统及相关装置
CN113672740A (zh) * 2021-08-04 2021-11-19 支付宝(杭州)信息技术有限公司 针对关系网络的数据处理方法及装置
CN113672740B (zh) * 2021-08-04 2023-11-07 支付宝(杭州)信息技术有限公司 针对关系网络的数据处理方法及装置
CN114372154A (zh) * 2022-01-11 2022-04-19 江苏曼荼罗软件股份有限公司 一种基于知识图谱的预导诊及分诊技术方法

Also Published As

Publication number Publication date
CN111414486B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN111414486B (zh) 一种基于路径排序算法的知识推理系统
Kececi et al. Implementation of machine learning algorithms for gait recognition
Abdelhamid et al. MAC: A multiclass associative classification algorithm
CN110457404B (zh) 基于复杂异质网络的社交媒体账户分类方法
Thabtah et al. MMAC: A new multi-class, multi-label associative classification approach
CN106383816B (zh) 基于深度学习的中文少数民族地区地名的识别方法
CN108388651A (zh) 一种基于图核和卷积神经网络的文本分类方法
CN110413780A (zh) 文本情感分析方法、装置、存储介质及电子设备
CN107704892A (zh) 一种基于贝叶斯模型的商品编码分类方法以及系统
CN108875816A (zh) 融合置信度准则和多样性准则的主动学习样本选择策略
CN104285224B (zh) 用于对文本进行分类的方法
CN107679110A (zh) 结合文本分类与图片属性提取完善知识图谱的方法及装置
CN105654144B (zh) 一种基于机器学习的社交网络本体构建方法
CN111860981B (zh) 一种基于lstm深度学习的企业国民行业类别预测方法及系统
CN110516704A (zh) 一种基于关联规则的mlknn多标签分类方法
CN103778206A (zh) 一种网络服务资源的提供方法
CN107526721A (zh) 一种对电商产品评论词汇的歧义消除方法及装置
CN116108191A (zh) 一种基于知识图谱的深度学习模型推荐方法
CN114997288A (zh) 一种设计资源关联方法
CN114757302A (zh) 一种文本处理用聚类方法系统
Gaikwad Intrusion detection system using ensemble of rule learners and first search algorithm as feature selectors
CN105068986A (zh) 基于双向迭代和自动构建更新语料库的垃圾评论过滤方法
Liu et al. Rethink, revisit, revise: A spiral reinforced self-revised network for zero-shot learning
CN108363759A (zh) 基于结构化数据的主题树生成方法及系统及智能对话方法
CN108717450B (zh) 影评情感倾向性分析算法

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