CN111625633A - 基于知识图谱的企业制度问答意图识别方法及装置 - Google Patents
基于知识图谱的企业制度问答意图识别方法及装置 Download PDFInfo
- Publication number
- CN111625633A CN111625633A CN202010441408.8A CN202010441408A CN111625633A CN 111625633 A CN111625633 A CN 111625633A CN 202010441408 A CN202010441408 A CN 202010441408A CN 111625633 A CN111625633 A CN 111625633A
- Authority
- CN
- China
- Prior art keywords
- knowledge graph
- intention
- question
- graph
- knowledge
- 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.)
- Pending
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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Abstract
本发明提供一种基于知识图谱企业制度问答意图识别方法和装置,以解决问答机器人技术中的对意图识别的多个技术问题,包括多意图识别,隐式意图识别等,其包括:步骤一,根据企业制度人工构建或者机器自动构建知识图谱,所述知识图谱中包括有若干意图节点以及连接意图节点的边;步骤二,获取用户的提问语句,对提问语句进行分词及实体识别,并由依存句法分析得出句式结构以便提取主、谓或宾词语;步骤三,根据所提取的主、谓、或宾词语以及知识图谱,搜索知识图谱路径;步骤四,结合搜索出的知识图谱路径,输出问答意图。
Description
技术领域
本发明属于信息处理技术领域,具体涉及一种基于知识图谱的企业制度问答意图识别方法及装置。
背景技术
企业制度是对成员进行宣传教育、意识传达、规范工作的重要文件,规范了公司业务运作与行为准则。制度的定制者每次修订制度或者发布新制度都需要对员工进行不断的思想灌输和业务培训。
随着人工智能技术的发展,大型企业开始采用问答机器人来解答员工对规章制度的疑问。员工通过自然语言与问答机器人来交谈,首先需要确定的是员工想问什么,也就是意图识别。所谓意图识别就是确定用户问题的目的,再根据这个目的找到相关的答案。例如“我出差到广州”,问题意图是查询差旅报销标准;“我可以坐飞机出差吗?”,问题意图是查询差旅费报销中的交通工具乘坐标准。有些问答意图是显式的,如“我要报销差旅费”;而有些问答意图是隐式的,如“我坐飞机去北京”,对方的意图可能是出差办事或者参加培训。对于隐式意图,问答机器人可以通过多轮对话来识别员工问答的多种意图,进一步引导或者反问员工来确定最终的问答意图。
目前,对于意图识别方法主要为利用规则模板或机器学习模型。规则模板使用正则表达式的方式来提取句子中的关键词,对于命令式的句子有较好的效果,但是对于句式的变化和词语的位置等因素,意图识别泛化效果不佳。而采用机器学习模型,如支持向量机(SVN)或者深度机器学习中的卷积神经网络(CNN),长短期记忆网络(LSTM)等模型,虽然效果不错,需要海量的训练样本进行意图训练,并且随着企业制度问题域的不断变化和扩大,需要重新训练,并且准确率也在下降。不管是规则模板或机器学习模型,在隐式的意图识别中,难以对提问内容进行联想式的关联,导致意图识别效果不好。
发明内容
基于背景技术中所提及的问题,本发明提供一种基于知识图谱企业制度问答意图识别方法和装置,以解决问答机器人技术中的对意图识别的多个技术问题,包括多意图识别,隐式意图识别等,其具体技术内容如下:
本发明的基于知识图谱的企业制度问答意图识别方法,其包括:
步骤一,根据企业制度人工构建或者机器自动构建知识图谱,所述知识图谱中包括有若干意图节点以及连接意图节点的边;
步骤二,获取用户的提问语句,对提问语句进行分词及实体识别,并由依存句法分析得出句式结构以便提取主、谓或宾词语;
步骤三,根据所提取的主、谓、或宾词语以及知识图谱,搜索知识图谱路径;其中:
1)根据主语搜索知识图谱中的各意图节点以获得开始节点,如果主语不存在,则设置一个默认的主语;
2)根据谓语搜索知识图谱中的边,识别出知识图谱路径行动的走向;
3)根据宾语搜索知识图谱上的意图节点以获得结束节点,如果宾语不存在,则以谓语的边作为结束节点,如果谓语也不存在,则主语既是开始节点也是结束节点;
4)根据开始节点、边和结束节点生成知识图谱路径,该知识图普路径包括由开始节点至结束节点之间的所有意图节点和边;
步骤四,结合搜索出的知识图谱路径,输出问答意图;
如果步骤三中获得的知识图谱路径为空时,则输出“不能识别意图”;
如果步骤三中获得的知识图谱路径只有一条时,则输出离结束节点最近的图谱中意图节点;当存在多个意图节点距离结束节点距离一样时,则就输出多个意图节点;
如果步骤三中获得的知识图谱路径有多条时,则合并路径上公共的意图节点,该公共的意图节点则是最大可能意图,输出离公共节点最近的图谱中的意图节点;如果知识图谱路径没有公共节点,那么输出每条路径涉及到的意图节点。
于本发明的一个或多个实施例当中,在步骤二中提取主、谓或宾词语的规则是:
A)对知识图谱中的所有词语和主、谓、宾词语进行向量化处理;
采用词向量模型将知识图谱中意图节点的实体名词、边上关系的动词进行Word2vec处理;同样,对从步骤二得出的提取主、谓或宾词语也是如此处理;
B)采用K最近邻算法,将主语,宾语与知识图谱中的意图节点中的实体名词进行分类;
C)采用余弦相似度算法,将谓语与知识图谱中的边的动词进行计算,找出一个与谓语最接近的一个动词词语;
D)输出经上述归类处理后的主、谓、宾词语。
于本发明的一个或多个实施例当中,在步骤C计算时设置一个阈值,如果计算结果低于阈值时,谓语的值输出为空。
于本发明的一个或多个实施例当中,在步骤二中采用中文命名实体识别模型对提问语句中的词进行实体识别。
本发明的基于知识图谱的企业制度问答意图识别装置,其包括:
知识图谱模块,用于企业制度知识图谱的编辑及查询;其包含有根据企业制度人工构建或者机器自动构建知识图谱,所述知识图谱中包括有若干意图节点以及连接意图节点的边;
自然语言处理模块,用于对提问语句进行分词、实体识别以及依存句法分析,识别并输出提问语句中的主、谓或宾词语;
意图识别服务模块,用于根据自然语言处理模块的输出、调用知识图谱模块进行意图识别,返回最终的问答意图。
本发明的计算机设备,包括存储器、处理器、通讯接口及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明的有益效果是:便于企业员工对企业制度的了解与学习,指引员工的日常工作,其中解决了问答机器人技术中的对意图识别的多个技术问题,其中包括多意图识别、隐式意图识别等,克服了传统规则模板识别方法中由于句式的变化和词语的位置等因素,导致意图识别泛化效果不佳的问题;同时,也克服了机器学习模型需要海量的训练样本进行意图训练、随着企业制度问题域的不断变化和扩大,需要重新训练,并且准确率也在下降的问题。
附图说明
图1为企业制度问答意图识别流程图。
图2为知识图谱路径搜索算法流程图。
图3为主谓宾词语归类算法流程图。
图4为知识图谱路径融合算法流程。
图5为企业制度知识图谱示意图。
图6为基于知识图谱企业制度问答意图识别装置结构示意图。
图7为计算机设备的结构示意图。
具体实施方式
如下结合附图,对本申请方案作进一步描述:
参见附图1至5,本申请实施例提供了一种基于知识图谱企业制度问答意图识别方法,该方法工作步骤如下:
步骤一、根据企业制度人工构建或者机器自动构建知识图谱,所述知识图谱中包括有若干意图节点以及连接意图节点的边;
步骤二、获取用户的提问语句进行分词和实体识别,以及进行依存句法分析;
对提问语句进行分词,采用中文命名实体识别模型对句子中的词进行实体识别。如:“总经理”识别为岗位实体,“7月1日”识别出时间,“广州”识别出城市等。
对提问语句进行依存句法分析,得出主谓宾等句式结构。这里句式可能有主谓结构,动宾结构等;比如“我出差到广州”,分解出(主语:我,谓语:出差,宾语:广州)。而“出差广州”,那就是动宾结构,分解成(谓语:出差,宾语:广州);
步骤三、根据主谓宾词语以及预先设置的知识图谱,搜索知识图谱路径
企业的规则制度是规定企业员工的行为准则,每个企业管理办法由事件,流程,岗位,规则等元素组成,预先设置的知识图谱是根据企业制度人工构建或者机器自动构建的知识图谱,并人为的在图谱中的节点上标注出意图节点。见图5,如“差旅费”可以标注为一个意图节点,而“交通标准”、“住宿标准”是“差旅费”关联的一个子意图节点,与“交通标准”关联的“交通工具”、“岗位”等节点不是一个意图节点,本步骤是整个方法的核心,包括:
对步骤二得出的主谓宾词语进行归类。比如,“去”,可以归为“出差”一类。具体归类方法是:
(1)对知识图谱中的所有词语和主谓宾词语进行向量化处理。
本方案中,采用词向量模型,将知识图谱中节点的实体名词和边上关系的动词进行Word2vec处理。从步骤2得出的主谓宾词语也是如此处理。
(2)采用K最近邻算法,将主语,宾语与知识图谱中的节点实体分类。
(3)采用余弦相似度算法,将谓语与知识图谱中的边动词进行计算,找出一个与谓语最接近的一个动词词语。设置一个阈值,如果计算结果低于阈值时,谓语的值输出为空。
(4)输出主谓宾词语进行归类后的主谓宾词语。
根据主语搜索知识图谱节点,找到开始节点,如果主语不存在,那个设置一个默认的主语。在企业制度中,很多问题省略主语,是因为主语都是“我”,也就是对于图谱中的“员工”。
根据谓语搜索知识图谱上的边,识别出知识图谱路径行动的方向。
根据宾语搜索知识图谱上的节点,找到结束节点,如果宾语不存在,那么结束节点就是谓语的边,如果谓语也不存在,那么主语是开始节点也是结束节点。
根据开始节点,边,结束节点,找到所有知识图谱路径。
步骤四、融合搜索出的知识图谱路径,输出问答意图
根据步骤三的得出的知识图谱路径,有几种情况,第一种是在图谱上形成不了回路,所以没有存在的知识图谱路径,也有可能存在一条路径,也有可能存在多条路径。具体处理的方法如下:
如果知识图谱路径为空,则输出不能识别意图。
如果知识图谱路径只有一条,则输出离结束节点最近的图谱中意图节点。这可能存在多个意图节点距离结束节点距离一样,那么就输出多个意图。
如果知识图谱路径有多条,则合并路径上公共的节点,那这个公共节点是最大可能意图,输出离公共节点最近的图谱中意图节点。
如果知识图谱路径没有公共节点,那么输出每条路径涉及到的意图节点。这也是输出多个意图。
解说例子(参考附图5):
例子一:
输入:“我出差到上海”,识别出“上海”是城市。
主谓宾结构是(主:我,谓:出差,宾:城市(上海))
我与员工,城市与地址,出差与出差的类别最近,所以,主谓宾结构变成:(主:员工,谓:出差,宾:地址),在知识图谱中,搜索出:
①员工–出差–差旅费–属于–住宿标准–关联–地址
离地址最近的意图是“住宿标准”,所以问答意图是:“住宿标准”。
例子二:
输入:“我要报销发票”。
主谓宾结构是(主:我,谓:报销,宾:发票)
我与员工,报销与报销,发票与发票的类别最近,所以,主谓宾结构变成:(主:员工,谓:报销,宾:发票),在知识图谱中,搜索出:
①员工–出差–差旅费–报销–报销材料–属于–发票;
②员工–购买–办公费–报销–报销材料–属于–发票;
离发票最近的意图是报销材料,所以问答意图是:“报销材料”,但是报销材料有两个,所以输出差旅费–报销材料,办公费–报销材料,两个意图。
例子三:
输入:“我做飞机去北京”。实体识别出飞机是交通工具,北京是城市
主谓宾结构是(主:我,谓:无,宾:交通工具,主:我,谓:无,宾:城市[北京])
主谓宾结构变成:(主:员工,宾:交通工具,主:员工,宾:地址,),在知识图谱中,搜索出:
①员工–出差–差旅费–属于–交通标准–交通工具;
②员工–出差–差旅费–属于–住宿标准–关联–地址;
合并两个路径,得出差旅费是它们的公共节点,离差旅费最近的意图是差旅费,所以问答意图是:“差旅费”。
参见附图6,本申请实施例提供了一种基于知识图谱的企业制度问答意图识别装置,包括:知识图谱模块、自然语言处理模块和意图识别服务模块。
该知识图谱模块用于企业制度知识图谱的编辑,查询,可以通过导入或者手工输入构建企业制度知识图谱,可以更改其中的实体和边,可以通过开始节点、边、结束节点搜索出知识图谱路径。
该自然语言处理模块提供分词,实体识别,依存句法分析服务,可以将句子进行分词,识别出句子中的实体,并输出主语,谓语,宾语。
该意图识别服务模块对输入的句子进行意图识别,返回最终的问答意图。该意图识别服务模块是其他模块的调用者,先将输入的句子使用自然语言处理模块进行分词,实体识别和依存句法分析,得到主语,谓语,宾语;然后再调用知识图谱模块,进行知识图谱路径搜索,以及合并知识图谱路径。最后,找到意图识别节点,输出最终的问答意图。
参见附图7,本申请实施例提供了一种计算机设备,包括存储器、处理器、通讯接口及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
上述优选实施方式应视为本申请方案实施方式的举例说明,凡与本申请方案雷同、近似或以此为基础作出的技术推演、替换、改进等,均应视为本专利的保护范围。
Claims (6)
1.一种基于知识图谱的企业制度问答意图识别方法,其特征在于,包括:
步骤一,根据企业制度人工构建或者机器自动构建知识图谱,所述知识图谱中包括有若干意图节点以及连接意图节点的边;
步骤二,获取用户的提问语句,对提问语句进行分词及实体识别,并由依存句法分析得出句式结构以便提取主、谓或宾词语;
步骤三,根据所提取的主、谓、或宾词语以及知识图谱,搜索知识图谱路径;其中:
1)根据主语搜索知识图谱中的各意图节点以获得开始节点,如果主语不存在,则设置一个默认的主语;
2)根据谓语搜索知识图谱中的边,识别出知识图谱路径行动的走向;
3)根据宾语搜索知识图谱上的意图节点以获得结束节点,如果宾语不存在,则以谓语的边作为结束节点,如果谓语也不存在,则主语既是开始节点也是结束节点;
4)根据开始节点、边和结束节点生成知识图谱路径,该知识图普路径包括由开始节点至结束节点之间的所有意图节点和边;
步骤四,结合搜索出的知识图谱路径,输出问答意图;
如果步骤三中获得的知识图谱路径为空时,则输出“不能识别意图”;
如果步骤三中获得的知识图谱路径只有一条时,则输出离结束节点最近的图谱中意图节点;当存在多个意图节点距离结束节点距离一样时,则就输出多个意图节点;
如果步骤三中获得的知识图谱路径有多条时,则合并路径上公共的意图节点,该公共的意图节点则是最大可能意图,输出离公共节点最近的图谱中的意图节点;如果知识图谱路径没有公共节点,那么输出每条路径涉及到的意图节点。
2.根据权利要求1所述的基于知识图谱的企业制度问答意图识别方法,其特征在于:在步骤二中提取主、谓或宾词语的规则是:
A)对知识图谱中的所有词语和主、谓、宾词语进行向量化处理;
采用词向量模型将知识图谱中意图节点的实体名词、边上关系的动词进行Word2vec处理;同样,对从步骤二得出的提取主、谓或宾词语也是如此处理;
B)采用K最近邻算法,将主语,宾语与知识图谱中的意图节点中的实体名词进行分类;
C)采用余弦相似度算法,将谓语与知识图谱中的边的动词进行计算,找出一个与谓语最接近的一个动词词语;
D)输出经上述归类处理后的主、谓、宾词语。
3.根据权利要求2所述的基于知识图谱的企业制度问答意图识别方法,其特征在于:在步骤C计算时设置一个阈值,如果计算结果低于阈值时,谓语的值输出为空。
4.根据权利要求1所述的基于知识图谱的企业制度问答意图识别方法,其特征在于:在步骤二中采用中文命名实体识别模型对提问语句中的词进行实体识别。
5.一种基于知识图谱的企业制度问答意图识别装置,其特征在于,包括:
知识图谱模块,用于企业制度知识图谱的编辑及查询;其包含有根据企业制度人工构建或者机器自动构建知识图谱,所述知识图谱中包括有若干意图节点以及连接意图节点的边;
自然语言处理模块,用于对提问语句进行分词、实体识别以及依存句法分析,识别并输出提问语句中的主、谓或宾词语;
意图识别服务模块,用于根据自然语言处理模块的输出、调用知识图谱模块进行意图识别,返回最终的问答意图。
6.一种计算机设备,包括存储器、处理器、通讯接口及存储在所述存储器上并可在所述处理器上运行的计算机程序,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4任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010441408.8A CN111625633A (zh) | 2020-05-22 | 2020-05-22 | 基于知识图谱的企业制度问答意图识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010441408.8A CN111625633A (zh) | 2020-05-22 | 2020-05-22 | 基于知识图谱的企业制度问答意图识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111625633A true CN111625633A (zh) | 2020-09-04 |
Family
ID=72271053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010441408.8A Pending CN111625633A (zh) | 2020-05-22 | 2020-05-22 | 基于知识图谱的企业制度问答意图识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111625633A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112104734A (zh) * | 2020-09-15 | 2020-12-18 | 北京百度网讯科技有限公司 | 用于推送信息的方法、装置、设备以及存储介质 |
CN112905806A (zh) * | 2021-03-25 | 2021-06-04 | 哈尔滨工业大学 | 基于强化学习的知识图谱实体化视图生成器及生成方法 |
CN113157939A (zh) * | 2021-03-26 | 2021-07-23 | 联想(北京)有限公司 | 一种信息处理方法及装置 |
CN113742447A (zh) * | 2021-07-19 | 2021-12-03 | 暨南大学 | 基于查询路径生成的知识图谱问答方法、介质和设备 |
CN114168756A (zh) * | 2022-01-29 | 2022-03-11 | 浙江口碑网络技术有限公司 | 搜索意图的查询理解方法和装置,存储介质和电子设备 |
-
2020
- 2020-05-22 CN CN202010441408.8A patent/CN111625633A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112104734A (zh) * | 2020-09-15 | 2020-12-18 | 北京百度网讯科技有限公司 | 用于推送信息的方法、装置、设备以及存储介质 |
CN112905806A (zh) * | 2021-03-25 | 2021-06-04 | 哈尔滨工业大学 | 基于强化学习的知识图谱实体化视图生成器及生成方法 |
CN113157939A (zh) * | 2021-03-26 | 2021-07-23 | 联想(北京)有限公司 | 一种信息处理方法及装置 |
CN113742447A (zh) * | 2021-07-19 | 2021-12-03 | 暨南大学 | 基于查询路径生成的知识图谱问答方法、介质和设备 |
CN113742447B (zh) * | 2021-07-19 | 2024-04-02 | 暨南大学 | 基于查询路径生成的知识图谱问答方法、介质和设备 |
CN114168756A (zh) * | 2022-01-29 | 2022-03-11 | 浙江口碑网络技术有限公司 | 搜索意图的查询理解方法和装置,存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116628172B (zh) | 基于知识图谱的政务服务领域多策略融合的对话方法 | |
WO2021196520A1 (zh) | 一种面向税务领域知识图谱的构建方法及系统 | |
CN110633409B (zh) | 一种融合规则与深度学习的汽车新闻事件抽取方法 | |
CN111625633A (zh) | 基于知识图谱的企业制度问答意图识别方法及装置 | |
CN103207855B (zh) | 针对产品评论信息的细粒度情感分析系统及方法 | |
CN110569369A (zh) | 银行金融系统知识图谱的生成方法及装置、应用方法及装置 | |
CN108874878A (zh) | 一种知识图谱的构建系统及方法 | |
CN109255031A (zh) | 基于知识图谱的数据处理方法 | |
JP2017511922A (ja) | スマート質問回答の実現方法、システム、および記憶媒体 | |
WO2020010834A1 (zh) | 一种faq问答库泛化方法、装置及设备 | |
CN112559656A (zh) | 基于水文事件的事理图谱构建方法 | |
CN112115252B (zh) | 智能辅助写作处理方法、装置、电子设备及存储介质 | |
CN111782769A (zh) | 基于关系预测的知识图谱智能问答方法 | |
CN111651569B (zh) | 一种电力领域的知识库问答方法及系统 | |
CN111178080A (zh) | 一种基于结构化信息的命名实体识别方法及系统 | |
CN113157887A (zh) | 知识问答意图识别方法、装置、及计算机设备 | |
CN117112765A (zh) | 基于大数据模型和知识图谱融合的领域机器人问答系统 | |
CN114722159B (zh) | 针对数控机床制造资源的多源异构数据处理方法及系统 | |
CN115982322A (zh) | 一种水利行业设计领域知识图谱的检索方法及检索系统 | |
CN112905747A (zh) | 一种基于语义分析技术的专业制度档案问答机器人系统 | |
Dai et al. | Qam: question answering system based on knowledge graph in the military | |
Lu et al. | Overview of knowledge mapping construction technology | |
Xu et al. | Research on intelligent campus and visual teaching system based on Internet of things | |
Galimov et al. | Designing a Prototype of a Fuzzy Expert System for a Dialectologist Using Geographic Information Systems and Technologies | |
CN117743315B (zh) | 一种为多模态大模型系统提供高质量数据的方法 |
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 |