CN111414556B - 一种基于知识图谱的服务发现方法 - Google Patents

一种基于知识图谱的服务发现方法 Download PDF

Info

Publication number
CN111414556B
CN111414556B CN202010084417.6A CN202010084417A CN111414556B CN 111414556 B CN111414556 B CN 111414556B CN 202010084417 A CN202010084417 A CN 202010084417A CN 111414556 B CN111414556 B CN 111414556B
Authority
CN
China
Prior art keywords
formula
distance
user
service discovery
category
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
Application number
CN202010084417.6A
Other languages
English (en)
Other versions
CN111414556A (zh
Inventor
李国栋
丁永恺
王哲
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202010084417.6A priority Critical patent/CN111414556B/zh
Publication of CN111414556A publication Critical patent/CN111414556A/zh
Application granted granted Critical
Publication of CN111414556B publication Critical patent/CN111414556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于知识图谱的服务发现方法，所述服务发现方法包括以下步骤：步骤一：对用户输入的自然语言进行处理；步骤二：根据用户问题使用朴素贝叶斯法对用户请求的意图进行分类；步骤三：基于LSTM的Graph LSTM神经网络架构进行服务实体识别；步骤四：构建查询模板；步骤五：通过两种相似度算法结合来确定最满足要求的服务。

Description

一种基于知识图谱的服务发现方法
技术领域
本发明涉及web服务技术领域，特别是涉及基于知识图谱的服务发现方法。
背景技术
随着互联网的快速发展，Web服务数量出现爆炸性增长，类型也越来越繁多，同时web服务网络环境也越来越复杂，这使得Web服务发现所面临的挑战越来越严峻。服务，就是可以满足用户的特定需求的应用程序。服务发现是用户通过对目标服务的功能约束，采用服务发现方法自动从服务集合中搜索到满足用户需求和约束的服务。
因此希望有一种基于知识图谱的服务发现方法能够解决现有技术中存在的问题。
发明内容
本发明公开了一种基于知识图谱的服务发现方法,所述服务发现方法包括以下步骤：
步骤一：对用户输入的自然语言进行处理；
步骤二：根据用户问题使用朴素贝叶斯法对用户请求的意图进行分类；
步骤三：基于LSTM的Graph LSTM神经网络架构进行服务实体识别；
步骤四：构建查询模板；
步骤五：通过两种相似度算法结合来确定最满足要求的服务。
优选地，所述步骤一采用jieba分词工具对所述用户输入的自然语言进行分词，利用word2vec工具训练维基语料完成将自然语言转换成词向量，生成的词向量为200维，根据上下5个词，采用skip-gram的方法生成向量。
优选地,所述步骤二中朴素贝叶斯法对所述用户意图进行分类，设有样本数据集A＝{a1,a2,a3,...,an},对应样本数据集的特征属性集为X＝{x1,x2,x3,...,xn},类变量为Y＝{y1,y2,y3,...,ym},即A可以分为m个类别，公式(1)如下：
其中,P(Y)为先验概率,P(Y|X)为后验概率；
朴素贝叶斯各特征之间相互独立，在给定类别为的情况下，公式(1)进一步表示为公式(2)：
根据公式(1)和(2)计算出后验概率，如公式(3)所示：
由此可得类别yk的朴素贝叶斯计算，如公式(4)所示：
对于给出的待分类元素项，求解在此元素项出现的条件下各个类别出现概率，根据概率数值大小判断待分类项属于的类别，如公式(5)所示：
P(yk|x)＝max{P(y1|x),P(y2|x),...,P(ym|x)} (5)
如果P(yk|x1,x2,...,xd)最大，则X属于yk类别。
优选地,所述步骤五的两种相似度算法包括：欧几里得度量和字符串编辑距离；其中，欧几里得度量是由自然语言生成的向量相似度比较，字符串编辑距离是不经过任何处理的字符串相似度比较。
优选地,所述欧几里得度量假设有点A(x1,y1)，B(x2,y2)，则A，B两点间的欧几里得距离计算如公式(6)所示：
其中d为A,B两点的距离，属于二维空间中的距离；
若有点A(x1,y1,z1)，B(x2,y2,z2)，则A，B两点间的欧几里得距离计算，如公式(7)所示：
其中d为A,B两点的距离，属于三维空间中的距离；
根据公式(6)和公式(7)将欧氏距离拓展到n维空间，若有点A(x1,x2,...,xn)，B(y1,y2,...,yn)，则A，B两点间的欧几里得距离计算，如公式(8)所示：
本发明提出了一种基于知识图谱的服务发现方法，本发明针对面向服务发现的知识图谱匹配的关键问题进行了深入的研究。根据知识图谱进行服务发现等方面展开论述，设计了基于知识图谱模板匹配的服务发现方案，经实验验证方案匹配效果良好，有效提高了服务发现的效率和准确率。
附图说明
图1为基于知识图谱的服务发现方法的步骤流程图。
图2为Graph LSTM的抽象结构图。
图3为Graph LSTM的扩展树结构图。
图4为Graph LSTM前向传播过程结构图。
图5为实施例2中用户意图类别图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。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。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
实施例1：如图1所示，服务发现方法包括以下步骤：
步骤一：对用户输入的自然语言进行处理；
步骤二：根据用户问题使用朴素贝叶斯法对用户请求的意图进行分类；
步骤三：基于LSTM的Graph LSTM神经网络架构进行服务实体识别；
步骤四：构建查询模板；
步骤五：通过两种相似度算法结合来确定最满足要求的服务。
所述步骤一采用jieba分词工具对所述用户输入的自然语言进行分词，利用word2vec工具训练维基语料完成将自然语言转换成词向量，生成的词向量为200维，根据上下5个词，采用skip-gram的方法生成向量。
所述步骤二中朴素贝叶斯法对所述用户意图进行分类，设有样本数据集A＝{a1,a2,a3,...,an},对应样本数据集的特征属性集为X＝{x1,x2,x3,...,xn},类变量为Y＝{y1,y2,y3,...,ym},即A可以分为m个类别，公式(1)如下：
其中,P(Y)为先验概率,P(Y|X)为后验概率；
朴素贝叶斯各特征之间相互独立，在给定类别为的情况下，公式(1)进一步表示为公式(2)：
根据公式(1)和(2)计算出后验概率，如公式(3)所示：
由此可得类别yk的朴素贝叶斯计算，如公式(4)所示：
对于给出的待分类元素项，求解在此元素项出现的条件下各个类别出现概率，根据概率数值大小判断待分类项属于的类别，如公式(5)所示：
P(yk|x)＝max{P(y1|x),P(y2|x),...,P(ym|x)} (5)
如果P(yk|x1,x2,...,xd)最大，则X属于yk类别。
通过该算法可以算出输入数据出现不同类别中的概率，哪个概率最大，该输入就属于哪个类别。
如图2所示，所述步骤三给定一个图结构G(V，E)，其中V表示顶点集合，E表示边集。假设每个顶点V都标记有特征向量g(v)，边表示两个节点之间的关联。L(v)表示顶点v的类别标签。yv实体识别之后的标签，Graph LSTM的抽象结构，其中每个节点都存储与句子相关的特征向量且代表不同的词语。每个节点的邻域包含允许推理或预测的信息。
如图3所示，识别实体v的类别标签，可以将图扩展为以v为根，邻域半径为D的树，定义为Tv。我们选择节点A为根节点选择邻域半径为2将图结构扩展为树，由于邻域设置为2，所以A-B-C-I和A-B-E-J这两条路径在图3中没有体现。节点A的深度为零，从下到上遍历，并且根据其子节点的特征计算每个父节点的标签。最后，生成根A的类别标签yA，将模型输出yA与手工标记类别L(A)进行比较。
如图4所示，实体识别过程包含两个步骤:前向传播和反向传播。前向传播沿着树从底部到顶部进行。图4表示了一次前向传播的过程。如图所示，以节点I为例，g(I)表示当前节点的词向量，从I节点开始，将学习到的有用的信息向上传递给G节点。g(G)-f(G)表示通过节点G的遗忘门之后剩下的有用的知识和G节点的通过输入门的信息的整合。按上述过程层层传递，直到根节点A，最终识别出A节点的类别标签。
前向传播之后需要记录每个节点的状态，便于进行反向传播。还需要确定优化目标函数。在训练早期，输出值和预期值会不一致，于是可计算每个神经元的误差项值，借此构造出损失函数。Graph LSTM反向传播从根节点开始向叶子节点传播，使用梯度下降法迭代更新每个节点的损失函数。根据损失函数L的梯度指引，更新网络权值参数。我们通过梯度δ和ht，Ct一步步向前传播，如下所示：
Ct的作用就像传送带，可以控制信息向下一个节点的传输。每个节点都有一个隐藏状态，记为ht用来存储上一节点的状态信息。
我们一次仅选择一个节点，并且多次选择不同的节点作为根节点扩展邻域树。充分学习词语之间的信息，进行实体识别。选择距目标节点半径D为2的邻居节点扩展为树，既节省了遍历时间，又提高了准确率。
所述步骤四在用户意图分类和服务实体识别之后就可以开始构建查询模板，这样可以动态构建查询模板，使查询模板具有可扩展性。
生成neo4j查询模板。如下所示：
["MATCH(m:serviceItem)where m.input＝'{location,date,case}'andm.output＝'{case}'return m"]
其中serviceItem表示用户查询的意图所属的类别，用m表示；m.output表示在某类别下的服务的输出实体；m.input表示某类别下的服务的输入实体；return m表示最终返回的服务。
所述步骤五的两种相似度算法包括：欧几里得度量和字符串编辑距离；其中，欧几里得度量是由自然语言生成的向量相似度比较，字符串编辑距离是不经过任何处理的字符串相似度比较。
所述欧几里得度量假设有点A(x1,y1)，B(x2,y2)，则A，B两点间的欧几里得距离计算如公式(6)所示：
其中d为A,B两点的距离，属于二维空间中的距离；
若有点A(x1,y1,z1)，B(x2,y2,z2)，则A，B两点间的欧几里得距离计算，如公式(7)所示：
其中d为A,B两点的距离，属于三维空间中的距离；
根据公式(6)和公式(7)将欧氏距离拓展到n维空间，若有点A(x1,x2,...,xn)，B(y1,y2,...,yn)，则A，B两点间的欧几里得距离计算，如公式(8)所示：
欧几里得度量是在向量级别上计算相似度，并且计算结果为绝对值，因此有必要确保每个维度的指标处于相同的规模水平，比如将欧几里得距离用于身高(cm)和重量(kg)两个不同单位的指标可能使结果无效。字符串编辑距离是一种测量两个字符串之间的差异的方法，即从一个字符串变换到另一个字符串时需要的变换操作次数，变换操作次数越少说明这两个字符串越相似。我们是将将两个算法结合起来，选择相似度最高的服务返回。
实施例2：基于知识图谱的服务发现方法的第一步：对用户输入的自然语言进行处理。
本实施例的语料一部分从中国裁判文书网站，百度百科，维基百科等网站爬取，一部分来自OWLS-TC4-PDDL的领域知识，共计三万多份。使用jieba做分词处理，去除停用词，过滤掉无关的标点语气助词等等，然后使用word2vec将文字转化为模型可以处理的向量。
例如用户想要查找湖南省2018年四月份交通肇事案，则输入“查找湖南省2018年四月份交通肇事案”。由于“查找湖南省2018年四月份交通肇事案”没有停用词，因此不需要去停用词。分词后的问句为：“查找/湖南省/2018年/四月份/的/交通肇事案/”。
第二步，用户意图分类。
如图5所示，将用户输入的自然语言处理完成后就可以进行用户意图分类。分析用户的查询意图，确定用户的问题属于哪类问题。分析第一步中提出的问题我们可知该问题属于案例查找类服务。
第三步，实体识别。
经过第二步用户意图分类，确定该问题属于哪一类，然后可以进行实体识别。
服务的输出通常跟问题意图相同，“查找湖南省2018年四月份交通肇事案”中用户的意图是案例查找，服务的输出是“案例”。服务的输入为“湖南省”，“2018年四月份”和“交通肇事案”。
第四步，查询模板构建。
在对具体的服务输入输出进性识别后，就可构建查询模板。将识别的的服务的输入输出替换成其对应的类别。如：湖南省＝>
<input:location>,2018年四月份＝><input:date>,交通肇事案＝>
<input:case>,<output:case>
生成neo4j查询模板。如下所示：
["MATCH(m:serviceItem)where m.input＝'{location,date,case}'andm.output＝'{case}'return m"]
其中：
serviceItem表示用户查询的意图所属的类别，用m表示。
m.output表示在某类别下的服务的输出实体。
m.input表示某类别下的服务的输入实体。
return m表示最终返回的服务。
例如查找“湖南省2018年四月份交通肇事案”，则会返回结果有多个，将其分别记为服务1、服务2，具体返回结果如表1、表2所示。
表1：服务1
表2：服务2
第五步，相似度计算。
如果查询结果只有一个，直接返回结果就行，如果查询的结果有多个时，则需要进行相似度计算，寻找到用户最需要的服务。
由表1和表2可知，两个表描述的服务均满足用户“查找湖南省2018年四月份的交通肇事案件”这一需求。但是，若用户只想要一个最匹配的服务，就需要判断两个服务哪个更符合用户的需求。经过相似度计算后可得服务1相似度最高，符合要求。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于知识图谱的服务发现方法，其特征在于，所述服务发现方法包括以下步骤：
步骤一：对用户输入的自然语言进行处理；
步骤二：根据用户问题使用朴素贝叶斯法对用户请求的意图进行分类；
步骤三：基于LSTM的Graph LSTM神经网络架构进行服务实体识别；实体识别过程包含两个步骤:前向传播和反向传播；Graph LSTM反向传播从根节点开始向叶子节点传播，一次仅选择一个节点，并且多次选择不同的节点作为根节点扩展邻域树，选择距目标节点半径D为2的邻居节点扩展为树；
步骤四：构建查询模板；
步骤五：通过两种相似度算法结合来确定最满足要求的服务。
2.根据权利要求1所述的基于知识图谱的服务发现方法，其特征在于：所述步骤一采用jieba分词工具对所述用户输入的自然语言进行分词，利用word2vec工具训练维基语料完成将自然语言转换成词向量，生成的词向量为200维，根据上下5个词，采用skip-gram的方法生成向量。
3.根据权利要求1所述的基于知识图谱的服务发现方法，其特征在于：所述步骤二中朴素贝叶斯法对所述用户意图进行分类，设有样本数据集A＝{a1,a2,a3,...,an}对应样本数据集的特征属性集为X＝{x1,x2,x3,...,xn}类变量为Y＝{y1,y2,y3,...,ym},即A可以分为m个类别，公式(1)如下：
其中,P(Y)为先验概率,P(Y|X)为后验概率；
朴素贝叶斯各特征之间相互独立，在给定类别为的情况下，公式(1)进一步表示为公式(2)：
根据公式(1)和(2)计算出后验概率，如公式(3)所示：
由此可得类别yk的朴素贝叶斯计算，如公式(4)所示：
对于给出的待分类元素项，求解在此元素项出现的条件下各个类别出现概率，根据概率数值大小判断待分类项属于的类别，如公式(5)所示：
P(yk|x)＝max{P(y1|x)，P(y2|x)，...，P(ym|x)} (5)
如果P(yk|x1,x2,...,xd)最大，则X属于yk类别。
4.根据权利要求1所述的基于知识图谱的服务发现方法，其特征在于：所述步骤五的两种相似度算法包括：欧几里得度量和字符串编辑距离；其中，欧几里得度量是由自然语言生成的向量相似度比较，字符串编辑距离是不经过任何处理的字符串相似度比较。
5.根据权利要求4所述的基于知识图谱的服务发现方法，其特征在于：所述欧几里得度量假设有点A(x1,y1)，B(x2,y2)，则A，B两点间的欧几里得距离计算如公式(6)所示：
其中d为A,B两点的距离，属于二维空间中的距离；
若有点A(x1,y1,z1)，B(x2,y2,z2)，则A，B两点间的欧几里得距离计算，如公式(7)所示：
其中d为A,B两点的距离，属于三维空间中的距离；
根据公式(6)和公式(7)将欧氏距离拓展到n维空间，若有点A(x1,x2,...,xn)，B(y1,y2,...,yn)，则A，B两点间的欧几里得距离计算，如公式(8)所示：
CN202010084417.6A 2020-02-10 2020-02-10 一种基于知识图谱的服务发现方法 Active CN111414556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010084417.6A CN111414556B (zh) 2020-02-10 2020-02-10 一种基于知识图谱的服务发现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010084417.6A CN111414556B (zh) 2020-02-10 2020-02-10 一种基于知识图谱的服务发现方法

Publications (2)

Publication Number Publication Date
CN111414556A CN111414556A (zh) 2020-07-14
CN111414556B true CN111414556B (zh) 2023-11-21

Family

ID=71494183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010084417.6A Active CN111414556B (zh) 2020-02-10 2020-02-10 一种基于知识图谱的服务发现方法

Country Status (1)

Country Link
CN (1) CN111414556B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778206A (zh) * 2014-01-14 2014-05-07 河南科技大学 一种网络服务资源的提供方法
CN109033374A (zh) * 2018-07-27 2018-12-18 四川长虹电器股份有限公司 基于贝叶斯分类器的知识图谱检索方法
CA3040373A1 (en) * 2018-04-16 2019-10-16 Tata Consultancy Services Limited Deep learning techniques based multi-purpose conversational agents for processing natural language queries
CN110705296A (zh) * 2019-09-12 2020-01-17 华中科技大学 一种基于机器学习和深度学习的中文自然语言处理工具系统
CN110717049A (zh) * 2019-08-29 2020-01-21 四川大学 一种面向文本数据的威胁情报知识图谱构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778206A (zh) * 2014-01-14 2014-05-07 河南科技大学 一种网络服务资源的提供方法
CA3040373A1 (en) * 2018-04-16 2019-10-16 Tata Consultancy Services Limited Deep learning techniques based multi-purpose conversational agents for processing natural language queries
CN109033374A (zh) * 2018-07-27 2018-12-18 四川长虹电器股份有限公司 基于贝叶斯分类器的知识图谱检索方法
CN110717049A (zh) * 2019-08-29 2020-01-21 四川大学 一种面向文本数据的威胁情报知识图谱构建方法
CN110705296A (zh) * 2019-09-12 2020-01-17 华中科技大学 一种基于机器学习和深度学习的中文自然语言处理工具系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段大高 等.《社交媒体内容安全挖掘技术研究》.北京：北京邮电大学出版社, 2019.12.,2019,第27页. *

Also Published As

Publication number Publication date
CN111414556A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111611361B (zh) 抽取式机器智能阅读理解问答系统
CN111190997B (zh) 一种使用神经网络和机器学习排序算法的问答系统实现方法
CN111339313A (zh) 一种基于多模态融合的知识库构建方法
CN110245238B (zh) 基于规则推理和句法模式的图嵌入方法及系统
CN113254659A (zh) 一种基于知识图谱技术的档案研判方法及系统
CN111324765A (zh) 基于深度级联跨模态相关性的细粒度草图图像检索方法
CN116127090B (zh) 基于融合和半监督信息抽取的航空系统知识图谱构建方法
CN114332519A (zh) 一种基于外部三元组和抽象关系的图像描述生成方法
CN114461890A (zh) 分层多模态的知识产权搜索引擎方法与系统
CN114564563A (zh) 一种基于关系分解的端到端实体关系联合抽取方法及系统
CN114997288A (zh) 一种设计资源关联方法
Li et al. Deep learning method for Chinese multisource point of interest matching
CN117010373A (zh) 一种电力设备资产管理数据所属类别和组的推荐方法
CN116842934A (zh) 一种基于持续学习的多文档融合深度学习标题生成方法
CN111414556B (zh) 一种基于知识图谱的服务发现方法
CN114168733B (zh) 一种基于复杂网络的法规检索方法及系统
CN113722439B (zh) 基于对抗性类别对齐网络的跨领域情感分类方法及系统
CN113111136B (zh) 一种基于ucl知识空间的实体消歧方法及装置
CN112307914B (zh) 一种基于文本信息指导的开放域图像内容识别方法
CN114416997A (zh) 一种文本分类与术语网络生长的共演化方法
CN113849639A (zh) 一种城市级数据仓库主题模型类别的构建方法及系统
CN113535928A (zh) 基于注意力机制下长短期记忆网络的服务发现方法及系统
CN114372148A (zh) 一种基于知识图谱技术的数据处理方法及终端设备
Aghaei et al. Finding Similar Entities across Knowledge Graphs
Husain Exploiting Artificial Immune System to Optimize Association Rules for Word Sense Disambiguation

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