CN111459131A - 一种故障过程因果关系文本转化为符号序列的方法 - Google Patents
一种故障过程因果关系文本转化为符号序列的方法 Download PDFInfo
- Publication number
- CN111459131A CN111459131A CN202010144133.1A CN202010144133A CN111459131A CN 111459131 A CN111459131 A CN 111459131A CN 202010144133 A CN202010144133 A CN 202010144133A CN 111459131 A CN111459131 A CN 111459131A
- Authority
- CN
- China
- Prior art keywords
- causal
- events
- causal relationship
- cause
- event
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种故障过程因果关系文本转化为符号序列的方法,其特征在于,给出描述故障事件的6种典型因果关系,提出因果关系与故障过程基本结构的转化流程,方法围绕着关键字和因果关系组模式展开,通过模型的不断学习补充和丰富关键字和组模式,最终使方法具备将表示故障过程的因果关系文本转化为符号序列的能力,方法适合于计算机智能文本处理分析,可用于对包含因果关系的文本进行计算机处理,形成计算机可处理的符号序列。
Description
技术领域
本发明涉及因果文本智能处理,特别是涉及包含因果关系的文本进行计算机处理,形成计算机可处理的符号序列。
背景技术
故障过程网络主要作用是描述系统故障过程中各事件及其之间的逻辑关系。但最为困难的是将系统故障过程转化为故障过程网络。通常情况下,系统故障过程是通过事故调查、现场人员叙述或者专家推断得到的。这些系统故障过程数据是一种非结构的、文本形式的信息。将系统故障过程的文本描述转化为规则化的,具有符号表示特征的模式,以便进一步处理成为了关键问题。这涉及到信息收集、知识提取、知识表示、知识规则化,进一步涉及到安全科学和故障过程网络理论。
针对上述问题,专门研究了适合故障过程网络的文本因果关系提取方法用于研究系统故障过程描述文本的表示和分析。方法可将系统故障过程文本语言描述转化为完整的可表达该文本语义的符号序列,从而为故障过程网络的文本语义分析提供一种方法,以适合计算机对符号序列的智能处理。
这里首先解释文中出现的概念:传递概率:原因事件可导致结果事件的概率。连接:表示事件之间的相互关系,连接具有方向,从原因事件指向结果事件,并蕴含传递概率。
发明内容
一种故障过程因果关系文本转化为符号序列的方法,其特征在于,给出描述故障事件的6种典型因果关系,提出因果关系与故障过程基本结构的转化流程,方法围绕着关键字和因果关系组模式展开,通过模型的不断学习补充和丰富关键字和组模式,最终使方法具备将表示故障过程的因果关系文本转化为符号序列的能力,方法适合于计算机智能文本处理分析,可用于对包含因果关系的文本进行计算机处理,形成计算机可处理的符号序列。
在系统故障过程中主要蕴含了事件间的因果关系,分为如下6种。(1)单层传递结构:A→B,A事件导致B事件。A代表原因事件,B代表结果事件,同下。(2)多层传递结构:A→B→C,A事件导致B事件,B导致C事件。(3)归一与结构:A1∧A2∧…→B,多个原因事件A同时导致结果事件B。(4)归一或结构:A1∨A2∨…→B,多个原因事件A,至少有一个发生导致结果事件B。(5)分支与结构:A→B1∧B2∧…,原因事件A发生,同时产生多个结果事件。(6)分支或结构:A→B1∨B2∨…,原因事件A发生,产生多个结果事件中的一个或多个。上述关系在故障过程网络中表示如图1所示。
从图1左侧可了解6种因果关系与故障过程网络基本结构的转化情况。
根据权利要求1所述一种故障过程因果关系文本转化为符号序列的方法,其特征在于,对故障过程因果关系文本转化为符号序列的方法和定义,
定义1故障过程网络基本结构:指由一个或多个原因事件,一跨连接和一个或多个结果事件组成的基本单元,即原因事件到结果事件经过一次连接的结构。
故障过程网络用于描述系统故障过程,对于系统故障的分析是按照系统故障过程的逆序关系描述的,即从系统故障开始,按照连接的反方向找到各过程事件,最终找到故障起始事件。一般情况下系统故障过程使用语言描述的文本,如何将这些描述文本转化成可用于系统故障过程分析的故障过程网络是关键问题。故障过程网络中包括事件和连接及其逻辑关系。事件主要包括原因事件和结果事件;或分为故障起始事件、过程事件和系统故障。所涉及到的原因事件和结果事件逻辑关系主要是与或关系。那么在系统故障过程中提取这些信息,首先要对系统故障过程语言论述进行因果关系组划分;其次确定关键词;最后确定常用的因果关系组模式。
定义2因果关系组:划分系统故障过程的描述文本后,每一个因果关系划分表达一个完整的因果关系描述,称为因果关系组,以“。”号分解最为简单,因果关系组也是因果关系分析的最基本单元。
定义3因果关系组模式:利用关键字将一个因果关系组中的词汇符号化,形成可表示原因果关系组因果关系的符号序列。因果关系组模式是一类因果关系的抽象,是因果关系组表示为符号序列模板。来源于实际系统故障过程的多个因果关系组可能对应一个因果关系组模式。
使用知识提取方法,将系统故障过程的描述文本转化为故障过程网络基本结构可分为三个阶段,图如2所示,包括模型研究、模型学习和实例分析。
模型研究阶段主要是模型建立,通过系统故障过程因果关系分析,将系统故障过程的描述文本进行因果关系分解,从而对文本进行划分。划分后每一个因果关系划分表达一个完整的因果关系描述,称为因果关系组,以“。”号分解最为简单,因果关系组也是因果关系分析的最基本单元。在各个因果关系组转化为故障过程网络基本结构后,可根据因果关系组之间的相同事件叠加形成完整的故障过程网络,最终完成系统故障过程到故障过程网络转化。确定因果关系组后,对组内各部分进行分析,主要包括原因事件、结果事件及逻辑关系。可将文本抽象为连接词,原因词,结果词,原因部分,结果部分,标点符号,其他类型短语,称为关键词。在系统故障过程描述中这些词都有具体的词汇,可在模型学习过程中累计。逐渐形成这些关键词对应的词汇集合,以便丰富文本因果关系分析能力。根据因果关系组和得到的关键词集合,研究因果关系组的基本模式。由于已事先获得关键字,将因果关系组中的文本描述进行替换,可得到为数不多的因果关系组模式。每种模式都代表了一类因果关系描述类型的语句。该过程在模型学习阶段得到补充和丰富。将组模式转化为故障过程网络的基本结构。根据组模式转化为故障过程网络的对应结构。
因此,关键词中的原因词和结果词引导的原因部分和结果部分将成为故障过程网络的节点对应事件。连接词代表了原因部分或结果部分之间的逻辑与或关系,将成为故障过程网络的连接和逻辑关系。其他类型短语一般成为原因和结果事件的一部分。最后得到的所有故障过程网络基本结构都只传递了一次,那么之中必定有事件即作为原因又作为结果,因此根据等事件规则将所有故障过程网络基本结构叠加,形成系统故障过程文本描述转化的完整故障过程网络结构。
模型学习阶段主要是关键词和因果关系模式的补充和丰富。在已分析的系统故障过程文本中,可以获得一些关键词对应的词汇,也可确定因果关系模式。但关键词在语言中千变万化,一个关键词可以有很多词汇表示,需要实践中学习丰富。同理因果关系模式代表了一句完整的因果关系描述,这些描述的结构千变万化,也需不断补充。
对于一个实例系统故障过程分析,如果他的关键词和关系模式都是已知的,那么将会顺利完成系统故障过程到故障过程网络的转化。如果关键词或因果关系模式不在集合中,非已知,那么对于模型而言是个学习过程,以丰富关键词和关系模式。在经过大量实例的学习后方法将达到成熟。
为说明方便形成形式化表示结构,制定如下定义。
定义4关键词(Key words,KW):用于代表系统故障过程文本描述中,可进行形式化抽取和同类词汇表示,关键词是由表示相同含义的词汇组成的集合,由关键词组成的集合称为关键词组(Key words set,KWS)。KW是一类文本词汇的统一标识。用于在系统故障过程中因果关系组的抽象和形式化。将因果关系组代表的文本转化为因果关系组模式的符号序列。KW分为类型:连接词1、连接词2、原因词、结果词、原因部分、结果部分、其他关于和符号部分。这些KW组成了关键词组(Key words set,KWS)。
定义5连接词1(Link word 1,LW1):用于表示系统故障过程中,归一和分支结构的与关系,即多个原因事件同时发生导致结果事件,一个原因事件同时导致多个结果事件。LW1={并且,且,而且,切,以及,加之},这些词汇表示两事件并列及同时的与关系。
定义6连接词2(Link word 2,LW2):用于表示系统故障过程中,归一和分支结构的或关系,即多个原因事件之一发生导致结果事件,一个原因事件导致其一或多个结果事件。LW2={或者,或,要不,之一,都},这些词汇表示两事件之一发生导致结果发生的关系,或导致可能的两个结果事件之一。
定义7原因词(Cause words,CW):用于表示系统故障过程中引导原因事件的词汇。CW={由于,因为,当},这些词汇用于引导原因事件,也是原因事件确定的标志。
定义8结果词(Result words,RW):用于表示系统故障过程中引导结果事件的词汇。RW={所以,因此,因而,于是},这些词汇用于引导结果事件,也是结果事件确定的标志。
定义9原因部分(Cause part,CP):用于表示系统故障过程中原因事件的描述。CP用于表示原因事件,他可以是复杂的句式或是短语。
定义10结果部分(Result part,RP):用于表示系统故障过程中结果事件的描述。RP用于表示结果事件,他可以是复杂的句式或是短语。
其他关键词(other KW)包括动词性短语(Verb phrase,VP)、名词性偏正短语(Nominal partial phrases,NPP)、主语词(Subject word,SW)。也可能存在其他类型的关键词,但这些关键词在因果关系组模式分析时不是必要的,或者出现几率很小,因此均归于其他关键词。这些词即可作为CP也可作为RP。
定义11标点符号(Punctuation,Pun):表示在系统故障过程中文本间的标点符号。标点符号可以判断事件间的因果关系,也用于因果关系组的划分,Pun={,,;,、}。
那么KWS={LW1,LW2,CW,RW,CP,RP,other KW,Pun}。当然这些词汇是在模型学习和实例分析过程中不断补充和丰富的。
结合系统故障过程特点,给出6种常见的因果关系组模式的表达形式。由于组模式是一系列符号表示的符号序列,为澄清关键词之间关系,引入三种符号,“$”分割符号,表示关键词的分割;“|”并列符号,表示并列的两种形式,可选择之一;“{}”跟随符号,表示之前关键词的补充或形式说明,多用于CP和RP可选项。这三种符号之一即可进行划分。
附图说明
图1 6种逻辑关系的故障过程网络转化结构
图2因果关系与故障过程网络基本结构转化流程
具体实施方式
如下给出经典飞机起落架故障发生过程的因果关系本文描述,说明方法使用过程。
实例:由于机场地面温度过高,载荷过大且输入油有问题,作动筒自发收起。当锁键压簧力过大、电信号故障,这2个事件都能导致下位锁自动打开。由于下位锁自动打开和作动筒自发收起的同时发生导致机构本身失效。最终因为电信号故障、液压系统自发收起、机构本身失效引起了前起落架的自发收起。
首先,对该描述进行分解,以句号进行划分。得到如下4个因果关系组。(1)由于机场地面温度过高,载荷过大且输入油有问题,作动筒自发收起。(2)当锁键压簧力过大、电信号故障,这2个事件都能导致下位锁自动打开。(3)由于下位锁自动打开和作动筒自发收起的同时发生导致机构本身失效。(4)最终因为电信号故障、液压系统自发收起、机构本身失效都引起了前起落架自发收起。
对(1)进行分析,由于∈CW;且∈LW1;机场地面温度过高(CP1),载荷过大(CP2),输入油有问题(CP3)∈CP;作动筒自发收起(RP1)∈RP。表示为组模式字符序列为CW$CP1$Pun$CP2$LW1$CP3$Pun$RP1。相当于三个原因事件CP1、CP2和CP3同时发生时导致RP1发生,与图3(1)和图1(3)相同。
对(2)进行分析,当∈CW;都∈LW2;锁键压簧力过大(CP4)∈CP;电信号故障(VP1)∈VP;作下位锁自动打开(RP2)∈RP。表示为组模式字符序列为CW$CP4$Pun|VP1$Pun$LW1$RP2。原因事件CP4和VP1同时发生时导致RP2发生。
对(3)进行分析,由于∈CW;和,同时∈LW1;下位锁自动打开(VP2),作动筒自发收起(VP3)∈VP;机构本身失效(RP3)∈RP。表示为组模式字符序列为CW$VP2$LW1$VP3$LW1$RP3。原因事件VP2和VP3同时发生时导致RP3发生。
对(4)进行分析,因为∈CW;都∈LW2;电信号故障(VP1)、液压系统自发收起(VP4)、机构本身失效(VP5)∈VP;前起落架自发收起(RP4)∈RP。表示为组模式字符序列为CW$VP1$Pun|VP4$Pun|VP5$LW2$RP4。
与现有类似方法比较,本方法得到的这些符号序列可用于计算机对系统故障过程文本描述的智能处理。形成即可计算机理解又可描述实际故障过程因果关系的符号序列。
Claims (2)
1.一种故障过程因果关系文本转化为符号序列的方法,其特征在于,给出描述故障事件的6种典型因果关系,提出因果关系与故障过程基本结构的转化流程,方法围绕着关键字和因果关系组模式展开,通过模型的不断学习补充和丰富关键字和组模式,最终使方法具备将表示故障过程的因果关系文本转化为符号序列的能力,方法适合于计算机智能文本处理分析,可用于对包含因果关系的文本进行计算机处理,形成计算机可处理的符号序列。
2.根据权利要求1所述一种故障过程因果关系文本转化为符号序列的方法,其特征在于,对故障过程因果关系文本转化为符号序列的方法和定义,
定义1故障过程网络基本结构:指由一个或多个原因事件,一跨连接和一个或多个结果事件组成的基本单元,即原因事件到结果事件经过一次连接的结构,
定义2因果关系组:划分系统故障过程的描述文本后,每一个因果关系划分表达一个完整的因果关系描述,称为因果关系组,以“,”号分解,因果关系组也是因果关系分析的最基本单元,
定义3因果关系组模式:利用关键字将一个因果关系组中的词汇符号化,形成可表示原因果关系组因果关系的符号序列,因果关系组模式是一类因果关系的抽象,是因果关系组表示为符号序列模板,来源于实际系统故障过程的多个因果关系组可能对应一个因果关系组模式,
定义4关键词KW:用于代表系统故障过程文本描述中,可进行形式化抽取和同类词汇表示,关键词是由表示相同含义的词汇组成的集合,由关键词组成的集合称为关键词组KWS,KW是一类文本词汇的统一标识,用于在系统故障过程中因果关系组的抽象和形式化,将因果关系组代表的文本转化为因果关系组模式的符号序列,KW分为类型:连接词1、连接词2、原因词、结果词、原因部分、结果部分、其他关于和符号部分,这些KW组成了关键词组KWS,
定义5连接词1LW1:用于表示系统故障过程中,归一和分支结构的与关系,即多个原因事件同时发生导致结果事件,一个原因事件同时导致多个结果事件,LW1={并且,且,而且,切,以及,加之},这些词汇表示两事件并列及同时的与关系,
定义6连接词2LW2:用于表示系统故障过程中,归一和分支结构的或关系,即多个原因事件之一发生导致结果事件,一个原因事件导致其一或多个结果事件,LW2={或者,或,要不,之一,都},这些词汇表示两事件之一发生导致结果发生的关系,或导致可能的两个结果事件之一,
定义7原因词CW:用于表示系统故障过程中引导原因事件的词汇,CW={由于,因为,当},这些词汇用于引导原因事件,也是原因事件确定的标志,
定义8结果词RW:用于表示系统故障过程中引导结果事件的词汇,RW={所以,因此,因而,于是},这些词汇用于引导结果事件,也是结果事件确定的标志,
定义9原因部分CP:用于表示系统故障过程中原因事件的描述,CP用于表示原因事件,他可以是复杂的句式或是短语,
定义10结果部分RP:用于表示系统故障过程中结果事件的描述,RP用于表示结果事件,他可以是复杂的句式或是短语,
其他关键词other KW包括动词性短语VP、名词性偏正短语NPP、主语词SW,也可能存在其他类型的关键词,但这些关键词在因果关系组模式分析时不是必要的,或者出现几率很小,因此均归于其他关键词,这些词即可作为CP也可作为RP,
定义11标点符号Pun:表示在系统故障过程中文本间的标点符号,标点符号可以判断事件间的因果关系,也用于因果关系组的划分,Pun={,,;,、},
KWS={LW1,LW2,CW,RW,CP,RP,other KW,Pun},当然这些词汇是在模型学习和实例分析过程中不断补充和丰富的,
由于组模式是一系列符号表示的符号序列,为澄清关键词之间关系,引入三种符号,“$”分割符号,表示关键词的分割;“|”并列符号,表示并列的两种形式,可选择之一;“{}”跟随符号,表示之前关键词的补充或形式说明,多用于CP和RP可选项,这三种符号之一即可进行划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144133.1A CN111459131B (zh) | 2020-03-04 | 2020-03-04 | 一种故障过程因果关系文本转化为符号序列的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010144133.1A CN111459131B (zh) | 2020-03-04 | 2020-03-04 | 一种故障过程因果关系文本转化为符号序列的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111459131A true CN111459131A (zh) | 2020-07-28 |
CN111459131B CN111459131B (zh) | 2023-01-24 |
Family
ID=71681826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010144133.1A Active CN111459131B (zh) | 2020-03-04 | 2020-03-04 | 一种故障过程因果关系文本转化为符号序列的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111459131B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554174A (zh) * | 2021-08-11 | 2021-10-26 | 上海明略人工智能(集团)有限公司 | 一种因果关系抽取方法、系统、电子设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102439590A (zh) * | 2009-03-13 | 2012-05-02 | 发明机器公司 | 用于自然语言文本的自动语义标注的系统和方法 |
CN105426680A (zh) * | 2015-11-25 | 2016-03-23 | 南京航空航天大学 | 基于特征配置的故障树生成方法 |
CN106777868A (zh) * | 2016-11-15 | 2017-05-31 | 辽宁工程技术大学 | 一种分析电气系统故障影响因素间因果关系的方法 |
CN107038652A (zh) * | 2016-11-15 | 2017-08-11 | 辽宁工程技术大学 | 一种电气系统故障概率与影响因素因果关系确定方法 |
CN107800578A (zh) * | 2017-11-27 | 2018-03-13 | 辽宁工程技术大学 | 一种网络化故障发生过程的分析方法 |
CN110232395A (zh) * | 2019-03-01 | 2019-09-13 | 国网河南省电力公司电力科学研究院 | 一种基于故障中文文本的电力系统故障诊断方法 |
CN110377901A (zh) * | 2019-06-20 | 2019-10-25 | 湖南大学 | 一种针对配电线路跳闸填报案例的文本挖掘方法 |
CN110427486A (zh) * | 2019-07-25 | 2019-11-08 | 北京百度网讯科技有限公司 | 身体病况文本的分类方法、装置及设备 |
CN110781671A (zh) * | 2019-10-29 | 2020-02-11 | 西安科技大学 | 一种智能ietm故障维修记录文本的知识挖掘方法 |
-
2020
- 2020-03-04 CN CN202010144133.1A patent/CN111459131B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102439590A (zh) * | 2009-03-13 | 2012-05-02 | 发明机器公司 | 用于自然语言文本的自动语义标注的系统和方法 |
CN105426680A (zh) * | 2015-11-25 | 2016-03-23 | 南京航空航天大学 | 基于特征配置的故障树生成方法 |
CN106777868A (zh) * | 2016-11-15 | 2017-05-31 | 辽宁工程技术大学 | 一种分析电气系统故障影响因素间因果关系的方法 |
CN107038652A (zh) * | 2016-11-15 | 2017-08-11 | 辽宁工程技术大学 | 一种电气系统故障概率与影响因素因果关系确定方法 |
CN107800578A (zh) * | 2017-11-27 | 2018-03-13 | 辽宁工程技术大学 | 一种网络化故障发生过程的分析方法 |
CN110232395A (zh) * | 2019-03-01 | 2019-09-13 | 国网河南省电力公司电力科学研究院 | 一种基于故障中文文本的电力系统故障诊断方法 |
CN110377901A (zh) * | 2019-06-20 | 2019-10-25 | 湖南大学 | 一种针对配电线路跳闸填报案例的文本挖掘方法 |
CN110427486A (zh) * | 2019-07-25 | 2019-11-08 | 北京百度网讯科技有限公司 | 身体病况文本的分类方法、装置及设备 |
CN110781671A (zh) * | 2019-10-29 | 2020-02-11 | 西安科技大学 | 一种智能ietm故障维修记录文本的知识挖掘方法 |
Non-Patent Citations (2)
Title |
---|
崔铁军等: "空间故障树与空间故障网络理论综述", 《安全与环境学报》 * |
崔铁军等: "空间故障网络及其与空间故障树的转换", 《计算机应用研究》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554174A (zh) * | 2021-08-11 | 2021-10-26 | 上海明略人工智能(集团)有限公司 | 一种因果关系抽取方法、系统、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111459131B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107272646B (zh) | 基于专家系统的压力机故障诊断系统 | |
US20120011073A1 (en) | Knowledge Extraction Methodology for Unstructured Data Using Ontology-Based Text Mining | |
CN111079430A (zh) | 一种组合深度学习和概念图谱的电力故障事件抽取方法 | |
Xu et al. | A review of dataset and labeling methods for causality extraction | |
CN115357726A (zh) | 基于知识图谱的故障处置预案数字化模型建立方法 | |
CN105718256A (zh) | 用于通过本体模型的比较进行一致性检查的方法和装置 | |
CN107103363A (zh) | 一种基于lda的软件故障专家系统的构建方法 | |
CN112818008A (zh) | 核电调试故障智能诊断的方法、系统、介质及电子设备 | |
Liu et al. | A concurrent fault diagnosis method of transformer based on graph convolutional network and knowledge graph | |
CN111459131B (zh) | 一种故障过程因果关系文本转化为符号序列的方法 | |
Sizov et al. | Acquisition and reuse of reasoning knowledge from textual cases for automated analysis | |
CN114912435A (zh) | 基于频繁项集算法的电力文本知识发现方法及设备 | |
Mu et al. | Extracting software functional requirements from free text documents | |
CN116401376A (zh) | 一种面向工艺性检查的知识图谱构建方法及系统 | |
CN115033705A (zh) | 电网调控风险预警信息知识图谱设计方法及系统 | |
CN113255295B (zh) | 一种自然语言到pptl形式化规约自动生成方法及系统 | |
CN113177113A (zh) | 任务型对话模型预训练方法、装置、设备及存储介质 | |
Fernandes et al. | A machine learning approach to Portuguese clause identification | |
Liu et al. | Question answering system for deterministic fault diagnosis of intelligent railway signal equipment | |
CN116029295A (zh) | 一种电力文本实体抽取方法、缺陷定位方法及故障诊断方法 | |
CN110413796A (zh) | 一种煤矿典型动力灾害领域本体构建方法 | |
Naghdipour et al. | Ontology-based design pattern selection | |
Singh et al. | Context-based deep learning approach for named entity recognition in hindi | |
Francesconi | An interactive natural language interface for PROLEG | |
Jia et al. | Diagnosis of power operation and maintenance records based on pre-training model and prompt learning |
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 |