CN111552804A - 一种电网故障处置预案的知识图谱构建方法 - Google Patents
一种电网故障处置预案的知识图谱构建方法 Download PDFInfo
- Publication number
- CN111552804A CN111552804A CN202010271764.XA CN202010271764A CN111552804A CN 111552804 A CN111552804 A CN 111552804A CN 202010271764 A CN202010271764 A CN 202010271764A CN 111552804 A CN111552804 A CN 111552804A
- Authority
- CN
- China
- Prior art keywords
- class
- fault handling
- handling plan
- plan
- relation
- 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
- 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种电网故障处置预案的知识图谱构建方法,针对故障处置预案的主要内容“故障后方式”和“处置要点”构建故障处置预案知识本体并形成本体图,然后采用基于Bi‑LSTM+CRF的命名实体识别模型和基于规则模板抽取相结合的方式,对故障预案实体进行自动地抽取,最终实现知识图谱的构建。采用本发明能够针对电网故障处置预案内容特点及其内部信息的逻辑关系,将非结构化的文本内容构建成结构化的、关联性的、强业务逻辑的故障处置知识表示,可以克服故障预案文本信息传统检索方式和应用方式的不足,能够为故障预案信息的准确检索、挖掘复用、关联扩展等应用提供更为高效和有力的基础数据支撑。
Description
技术领域
本发明涉及电网故障处置技术领域,具体涉及一种电网故障处置预案的知识图谱构建方法。
背景技术
电网故障处置预案文本是调度人员离线模拟电网事故,对故障后薄弱点的状态记录以及针对该故障制定的解决方案,是电网实际发生对应故障后进行故障处置的重要参考,主要包含故障后方式和处置要点。其中,故障后方式描述了电力系统设备故障后,电力系统薄弱点状态参数变化情况,是故障发生后调度员需要重点关注的内容;处置要点描述了针对上述变化,电力系统中相关机组出力调节、节点电压控制、负荷投切、线路操作、故障排除等一系列调度员需要采取的控制措施以及控制过程中的注意事项。
目前的电网故障处置预案通常为非结构化的文本数据,具体使用时往往需要运行人员手动查阅故障预案,而传统的全文检索方法虽然可以提供文本段落定位功能,但是全文检索的核心是关键字的机械式匹配,所以经常出现检索不全,答非所问的结果,因此,调度人员需要更为高效、准确的故障处置预案检索手段;同时,故障处置预案的非结构化特点也限制了预案的使用,故障预案中的关键信息和知识得不到更好的挖掘与复用,也无法与更多的外部信息进行扩展关联。
发明内容
本发明的目的在于克服现有技术方法的不足,提供一种电网故障处置预案的知识图谱构建方法,能够针对电网故障处置预案的内容特点及其内部信息的逻辑关系,将非结构化的文本内容构建成结构化的、关联性的、强业务逻辑的知识表示,能够为故障预案信息的准确检索、挖掘复用、关联扩展等应用提供更为高效和有力的基础数据支撑。
为达到上述目的,本发明所采用的技术方案是:
一种电网故障处置预案的知识图谱构建方法,包括:
构建故障处置预案知识图谱本体,包括类和类间关系;
根据类与类间关系构建故障处置预案知识图谱本体图;
对实际故障处置预案文本按照每个类进行实体抽取;
依据故障处置预案知识图谱本体中类与类间关系,确定所抽取的实体之间的关系;
将从实际故障处置预案文本中抽取的每个类的实体,以及所确定的实体之间的关系,根据故障处置预案知识图谱本体图进行关联,构成故障处置预案的知识图谱。
进一步的,所述故障处置预案知识图谱本体的类包括:故障类、故障后方式类、处置要点类、调度中心类、厂站类、地区类、设备类、指标类、动作类和数量类;
所述故障处置预案知识图谱本体的类间关系包括:包含、调度者、处置厂站、处置区域、处置设备、处置指标、关联厂站、关联设备、关联指标、关联区域、所属、具有、主语、宾语和值。
进一步的,所述根据类间关系构建故障处置预案知识图谱本体图,包括:
所述故障处置预案知识图谱本体图的顶端为故障类,故障类通过“包含”关系与故障后方式类和处置要点类连接;
故障后方式类、处置要点类进一步通过“调度者”关系与调度中心类连接;
处置要点类进一步通过“处置区域”关系与地区类连接,通过“处置厂站”关系与厂站类连接,通过“处置指标”关系与指标类连接,通过“处置设备”关系与设备类连接;
故障后方式类进一步通过“关联区域”关系与地区类连接,通过“关联厂站”关系与厂站类连接,通过“关联指标”关系与指标类连接,通过“关联设备”关系与设备类连接;
设备类进一步通过“具有”关系与指标类连接,通过“主语”或“宾语”关系与动作类连接;
厂站类和地区类进一步通过“具有”关系与指标类连接;
厂站类和地区类进一步通过“所属”关系与设备类连接;
厂站类和地区类进一步通过“主语”或“宾语”关系动作类连接;
指标类进一步通过“主语”或“宾语”关系与动作类连接;
调度中心类进一步通过“主语”关系与动作类连接;
动作类进一步通过“值”关系与数量类连接。
进一步的,所述对实际故障处置预案文本按照每个类进行实体抽取,包括:
将待抽取实体的故障处置预案文本经过向量化处理后,输入到预先训练的故障处置预案实体提取模型,经过模型识别输出抽取的每个类的实际预案实体。
进一步的,还包括:
采用经过人工标注的故障处置预案文本训练语料,对基于Bi-LSTM+CRF的故障处置预案实体识别模型进行训练与调优,生成故障处置预案实体提取模型。
进一步的,还包括:
采用基于规则模板的抽取方式作为补充进行故障处置预案实体的抽取。
进一步的,还包括:
将构建的故障处置预案知识图谱存入图数据库中。
本发明的有益效果为:
采用本发明方法提供的一种电网故障处置预案的知识图谱构建方法,能够针对非结构化的电网故障处置预案内容特点及其内部信息的逻辑关系,构建出预案信息的知识本体图,并利用知识图谱相关技术将非结构化的文本内容构建成结构化的、关联性的、强业务逻辑的故障处置知识表示,能够为故障预案信息的准确检索、挖掘复用、关联扩展等应用提供更为高效和有力的基础数据支撑。
附图说明
图1为本发明的电网故障处置预案的知识图谱构建方法流程图;
图2为本发明实施例中构建的故障处置预案知识图谱本体图;
图3为本发明实施例中最终形成的故障处置预案知识图谱。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提供一种电网故障处置预案的知识图谱构建方法,如图1所示,包括以下步骤:
步骤一、对电网故障处置预案文本进行提取,针对故障处置预案的主要内容“故障后方式”和“处置要点”构建故障处置预案知识图谱的本体,包括类的构建和类间关系的构建。其中,构建的类包括:故障类、故障后方式类、处置要点类、调度中心类、厂站类、地区类、设备类、指标类、动作类和数量类,共计10个;类间关系包括:包含、调度者、处置厂站、处置区域、处置设备、处置指标、关联厂站、关联设备、关联指标、关联区域、所属、具有、主语、宾语和值,共计15个。
步骤二、对从故障处置预案语料中抽象定义的本体类和类间关系,按照类的关联连接形成故障处置预案知识图谱本体图。本体图的顶端为故障类,故障类通过“包含”关系与故障后方式类和处置要点类连接;故障后方式类、处置要点类进一步通过“调度者”关系与调度中心类连接,处置要点类进一步通过“处置区域”关系与地区类连接,通过“处置厂站”关系与厂站类连接,通过“处置指标”关系与指标类连接,通过“处置设备”关系与设备类连接,故障后方式类进一步通过“关联区域”关系与地区类连接,通过“关联厂站”关系与厂站类连接,通过“关联指标”关系与指标类连接,通过“关联设备”关系与设备类连接;设备类进一步通过“具有”关系与指标类连接,通过“主语”或“宾语”关系与动作类连接;厂站类和地区类进一步通过“具有”关系与指标类连接;厂站类和地区类进一步通过“所属”关系与设备类连接;厂站类和地区类进一步通过“主语”或“宾语”关系动作类连接;指标类进一步通过“主语”或“宾语”关系与动作类连接;调度中心类进一步通过“主语”关系与动作类连接;动作类进一步通过“值”关系与数量类连接。形成如图2所示的故障处置预案知识图谱本体图。
步骤三、按照故障处置预案知识图谱本体图,采用基于Bi-LSTM(Bi-directionalLong Short-Term Memory)+CRF(条件随机场Conditional Random Field)模型的命名实体识别与基于规则模板抽取相结合的故障预案实体抽取方法,对实际故障处置预案文本进行实体抽取。
例如:对于“500kV魏鄂双线故障”的故障预案文本进行实体的抽取:
首先,采用经过人工标注的故障预案训练语料,对基于Bi-LSTM+CRF算法的故障预案实体识别模型进行训练与调优,生成针对故障预案文本的实体提取模型;然后,将待提取实体的故障预案文本经过向量化处理后,输入到上述训练生成的故障预案实体提取模型,经过模型识别输出得到抽取的实际预案实体。
需要说明的是上述文本的向量化、Bi-LSTM+CRF模型是深度学习领域提出的经典算法架构,本领域技术人员可以借助开源软件如TensorFlow等实现模型结构的设计与实现,这里不再详细介绍。
同时,针对预案语料中由于语句模式稀少、语句复杂度高以及Bi-LSTM+CRF算法本身的限制等导致的部分语句实体识别效果不佳的预案文本,通过分析预案文本的语法结构,采用基于规则模板的抽取方式作为补充进行故障预案实体的抽取,以保证对故障预案文本实体抽取的完整性和准确性。
上述实施例故障预案文本经过上述实体抽取方法后得到如下实体:
故障类:魏鄂双线;
故障后方式类:故障后方式1、故障后方式2;
处置要点类:处置要点1、处置要点2;
设备类:房慈双线、机组、大房三回;
指标类:潮流、电压、出力;
动作类:加重、转移、下降、不越限、抬高;
厂站类:魏家峁、潘家口;
调度中心类:冀北中调、山西省调、华北分中心;
区域类:大同电网;
数量类:77%(214万)、12kV。
步骤四、在抽取出故障处置预案中的具体实体后,依据本体预定义的类与类间关系,确定相应实体之间的关系。
例如:故障类实体“魏鄂双线”与故障后方式类实体“故障后方式1”之间具有“包含”关系;
设备类实体“房慈双线”与指标类实体“潮流”之间具有“具有”关系;
调度中心类实体“冀北中调”与动作类实体“加出”之间具有“主语”关系;
厂站类实体“潘家口”与设备类实体“机组”之间具有“所属”关系;
对其他实体之间的各类关系确定,这里不再一一罗列。
步骤五、依据故障处置预案知识图谱本体图,将从实际故障预案文本中抽取获得的实体及实体间的关系,按照“实体-关系-实体”的三元组形式进行故障处置预案知识实体的关联,构建成故障处置预案的知识图谱。
根据实际预案抽取的实体及关系,形成如下三元组数据:
[魏鄂双线–“包含”–故障后方式1]
[房慈双线–“具有”–潮流]
[冀北中调–“主语”–加出]
[潘家口–“所属”–机组]
……;
最终生成如图3所示的魏鄂双线故障处置预案知识图谱内容。
步骤六、将步骤五中构建的故障处置预案知识图谱存入图数据库中,为故障处置预案的信息查找、结构化分析、决策推理等应用提供高效的数据检索支撑。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种电网故障处置预案的知识图谱构建方法,其特征在于,包括:
构建故障处置预案知识图谱本体,包括类和类间关系;
根据类与类间关系构建故障处置预案知识图谱本体图;
对实际故障处置预案文本按照每个类进行实体抽取;
依据故障处置预案知识图谱本体中类与类间关系,确定所抽取的实体之间的关系;
将从实际故障处置预案文本中抽取的每个类的实体,以及所确定的实体之间的关系,根据故障处置预案知识图谱本体图进行关联,构成故障处置预案的知识图谱。
2.根据权利要求1所述的一种电网故障处置预案的知识图谱构建方法,其特征在于,所述故障处置预案知识图谱本体的类包括:故障类、故障后方式类、处置要点类、调度中心类、厂站类、地区类、设备类、指标类、动作类和数量类;
所述故障处置预案知识图谱本体的类间关系包括:包含、调度者、处置厂站、处置区域、处置设备、处置指标、关联厂站、关联设备、关联指标、关联区域、所属、具有、主语、宾语和值。
3.根据权利要求2所述的一种电网故障处置预案的知识图谱构建方法,其特征在于,所述根据类与类间关系构建故障处置预案知识图谱本体图,包括:
所述故障处置预案知识图谱本体图的顶端为故障类,故障类通过“包含”关系与故障后方式类和处置要点类连接;
故障后方式类、处置要点类进一步通过“调度者”关系与调度中心类连接;
处置要点类进一步通过“处置区域”关系与地区类连接,通过“处置厂站”关系与厂站类连接,通过“处置指标”关系与指标类连接,通过“处置设备”关系与设备类连接;
故障后方式类进一步通过“关联区域”关系与地区类连接,通过“关联厂站”关系与厂站类连接,通过“关联指标”关系与指标类连接,通过“关联设备”关系与设备类连接;
设备类进一步通过“具有”关系与指标类连接,通过“主语”或“宾语”关系与动作类连接;
厂站类和地区类进一步通过“具有”关系与指标类连接;
厂站类和地区类进一步通过“所属”关系与设备类连接;
厂站类和地区类进一步通过“主语”或“宾语”关系动作类连接;
指标类进一步通过“主语”或“宾语”关系与动作类连接;
调度中心类进一步通过“主语”关系与动作类连接;
动作类进一步通过“值”关系与数量类连接。
4.根据权利要求2所述的一种电网故障处置预案的知识图谱构建方法,其特征在于,所述对实际故障处置预案文本按照每个类进行实体抽取,包括:
将待抽取实体的故障处置预案文本经过向量化处理后,输入到预先训练的故障处置预案实体提取模型,经过模型识别输出抽取的每个类的实际预案实体。
5.根据权利要求4所述的一种电网故障处置预案的知识图谱构建方法,其特征在于,还包括:
采用经过人工标注的故障处置预案文本训练语料,对基于Bi-LSTM+CRF的故障处置预案实体识别模型进行训练与调优,生成故障处置预案实体提取模型。
6.根据权利要求4所述的一种电网故障处置预案的知识图谱构建方法,其特征在于,还包括:
采用基于规则模板的抽取方式作为补充进行故障处置预案实体的抽取。
7.根据权利要求1所述的一种电网故障处置预案的知识图谱构建方法,其特征在于,还包括:
将构建的故障处置预案知识图谱存入图数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010271764.XA CN111552804B (zh) | 2020-04-08 | 2020-04-08 | 一种电网故障处置预案的知识图谱构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010271764.XA CN111552804B (zh) | 2020-04-08 | 2020-04-08 | 一种电网故障处置预案的知识图谱构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111552804A true CN111552804A (zh) | 2020-08-18 |
CN111552804B CN111552804B (zh) | 2022-09-02 |
Family
ID=72005614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010271764.XA Active CN111552804B (zh) | 2020-04-08 | 2020-04-08 | 一种电网故障处置预案的知识图谱构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111552804B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036185A (zh) * | 2020-11-04 | 2020-12-04 | 长沙树根互联技术有限公司 | 一种基于工业企业构建命名实体识别模型的方法及装置 |
CN113139068A (zh) * | 2021-05-10 | 2021-07-20 | 内蒙古工业大学 | 知识图谱构建方法及装置、电子设备和存储介质 |
CN113283704A (zh) * | 2021-04-23 | 2021-08-20 | 内蒙古电力(集团)有限责任公司乌兰察布电业局 | 基于知识图谱的电网故障智能处置系统及方法 |
CN113360641A (zh) * | 2021-05-07 | 2021-09-07 | 内蒙古电力(集团)有限责任公司乌兰察布电业局 | 一种基于深度学习的电网故障处置预案语义建模系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570775A (zh) * | 2016-10-11 | 2017-04-19 | 国家电网公司 | 电网故障预案联合编制方法及装置 |
CN110378585A (zh) * | 2019-07-08 | 2019-10-25 | 国电南瑞科技股份有限公司 | 电网故障处置计算任务编排调用方法、系统及存储介质 |
CN110597999A (zh) * | 2019-08-01 | 2019-12-20 | 湖北工业大学 | 一种依存句法分析关系抽取模型的司法案件知识图谱构建方法 |
-
2020
- 2020-04-08 CN CN202010271764.XA patent/CN111552804B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570775A (zh) * | 2016-10-11 | 2017-04-19 | 国家电网公司 | 电网故障预案联合编制方法及装置 |
CN110378585A (zh) * | 2019-07-08 | 2019-10-25 | 国电南瑞科技股份有限公司 | 电网故障处置计算任务编排调用方法、系统及存储介质 |
CN110597999A (zh) * | 2019-08-01 | 2019-12-20 | 湖北工业大学 | 一种依存句法分析关系抽取模型的司法案件知识图谱构建方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036185A (zh) * | 2020-11-04 | 2020-12-04 | 长沙树根互联技术有限公司 | 一种基于工业企业构建命名实体识别模型的方法及装置 |
CN112036185B (zh) * | 2020-11-04 | 2021-02-02 | 长沙树根互联技术有限公司 | 一种基于工业企业构建命名实体识别模型的方法及装置 |
CN113283704A (zh) * | 2021-04-23 | 2021-08-20 | 内蒙古电力(集团)有限责任公司乌兰察布电业局 | 基于知识图谱的电网故障智能处置系统及方法 |
CN113283704B (zh) * | 2021-04-23 | 2024-05-14 | 内蒙古电力(集团)有限责任公司乌兰察布电业局 | 基于知识图谱的电网故障智能处置系统及方法 |
CN113360641A (zh) * | 2021-05-07 | 2021-09-07 | 内蒙古电力(集团)有限责任公司乌兰察布电业局 | 一种基于深度学习的电网故障处置预案语义建模系统及方法 |
CN113139068A (zh) * | 2021-05-10 | 2021-07-20 | 内蒙古工业大学 | 知识图谱构建方法及装置、电子设备和存储介质 |
CN113139068B (zh) * | 2021-05-10 | 2023-05-09 | 内蒙古工业大学 | 知识图谱构建方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111552804B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111552804B (zh) | 一种电网故障处置预案的知识图谱构建方法 | |
CN111950264B (zh) | 文本数据增强方法及知识元抽取方法 | |
Li et al. | Improving relation extraction with knowledge-attention | |
CN107423440A (zh) | 一种基于情感分析的问答上下文切换与强化选择方法 | |
CN109189820B (zh) | 一种煤矿安全事故本体概念抽取方法 | |
CN107103363A (zh) | 一种基于lda的软件故障专家系统的构建方法 | |
CN114462379A (zh) | 一种改进的基于事件演化图的脚本学习方法和装置 | |
Zhao et al. | ReasTAP: Injecting table reasoning skills during pre-training via synthetic reasoning examples | |
Qi et al. | DuReadervis: A Chinese dataset for open-domain document visual question answering | |
CN113505190B (zh) | 地址信息修正方法、装置、计算机设备和存储介质 | |
Zhang et al. | A machine learning-based approach for building code requirement hierarchy extraction | |
Liang et al. | Using normal dictionaries to extract multiple semantic relationships | |
CN112765314B (zh) | 一种基于电力本体知识库的电力信息检索方法 | |
Wei et al. | Short text data model of secondary equipment faults in power grids based on LDA topic model and convolutional neural network | |
Kardana et al. | A novel approach for keyword extraction in learning objects using text mining and WordNet | |
Zhang et al. | Research and Application of Construction Method of Power Grid Dispatching Professional Corpus | |
CN111553158A (zh) | 一种基于BiLSTM-CRF模型的电力调度领域命名实体识别方法及系统 | |
Liao et al. | Enterprise risk information extraction based on BERT | |
Yang et al. | Lao Named Entity Recognition based on conditional random fields with simple heuristic information | |
Chen et al. | Semi-supervised entity recognition of Chinese government document | |
Zhu et al. | Court judgment decision support system based on medical text mining | |
Lyu et al. | Patent domain terminology extraction based on multi-feature fusion and BILSTM-CRF model | |
Ma et al. | A Hybrid Model Based on Multi-level External Knowledge for Chinese Semantic Matching | |
Li et al. | Knowledge Base Question Answering for Intelligent Maintenance of Power Plants | |
Chen et al. | Data Mining and Intelligent Matching Algorithm in Electric Power Terminology Database |
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 |