CN111639191A - 一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法 - Google Patents

一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法 Download PDF

Info

Publication number
CN111639191A
CN111639191A CN202010381799.9A CN202010381799A CN111639191A CN 111639191 A CN111639191 A CN 111639191A CN 202010381799 A CN202010381799 A CN 202010381799A CN 111639191 A CN111639191 A CN 111639191A
Authority
CN
China
Prior art keywords
node
novel coronavirus
knowledge graph
nodes
subnet
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
Application number
CN202010381799.9A
Other languages
English (en)
Inventor
赵明亮
李文波
吴雪莲
徐海环
云晨
赵大海
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.)
Characteristic Medical Center Of Chinese People's Armed Police Force
Second Affiliated Hospital of Anhui Medical University
Hefei Technology Innovation Engineering Institute of CAS
Original Assignee
Characteristic Medical Center Of Chinese People's Armed Police Force
Second Affiliated Hospital of Anhui Medical University
Hefei Technology Innovation Engineering Institute of CAS
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 Characteristic Medical Center Of Chinese People's Armed Police Force, Second Affiliated Hospital of Anhui Medical University, Hefei Technology Innovation Engineering Institute of CAS filed Critical Characteristic Medical Center Of Chinese People's Armed Police Force
Priority to CN202010381799.9A priority Critical patent/CN111639191A/zh
Publication of CN111639191A publication Critical patent/CN111639191A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法，与现有技术相比解决了新型冠状病毒知识图谱语义关联丰富导致难以有效分析的缺陷。本发明包括以下步骤：新型冠状病毒知识图谱的获取和预处理；关系子图的抽取；新型冠状病毒疫情传播路径的分析。本发明基于新型冠状病毒知识图谱数据的特点以及关联分析任务，引入集合运算，依据新型冠状病毒实体之间的关系，将全局新型冠状病毒知识图谱划分为小规模的关系子图，以减少关系推理的计算量和复杂性，提高了计算效率。

Description

一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法
技术领域
本发明涉及语义分析技术领域，具体来说是一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法。
背景技术
知识图谱描述知识之间的语义关联，新型冠状病毒知识图谱则以病毒、细菌为主体，包括病毒、细菌、流行病、传染病等相关实体，扩展了治疗、疾病等相关内容。新型冠状病毒知识图谱中节点关系复杂，不同节点的邻居节点集合可能相互包含了许多相同的节点，而且，从头节点到尾节点之间也可能存在成百上千可达路径。
因此，在进行新型冠状病毒疫情发展趋势预测时，相同节点在处理不同节点的邻居节点时会被重复进行检索递归处理，同时，也难以从众多复杂的可达路径中获得较为准确的疫情发展趋势。这样，不但会增加大量的冗余存储空间而且需要多次重复检索图谱数据，遍历新型冠状病毒知识图谱时十分耗时。
另外，考虑到以大规模实体和关系构建无向图模型的新型冠状病毒知识图谱，不管是实体之间的相关性度量，还是关系路径挖掘都是很困难的，最终仍会导致效率严重降低。同时，传统的有向图模型表示且仅考虑两跳以内的关系路径，没有考虑到间接相关和混合相关的关系路径，也无法达到精确预测的效果。
因此，如何针对新型冠状病毒知识图谱进行疫情发展趋势的有效预测已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中新型冠状病毒知识图谱语义关联丰富导致难以有效分析的缺陷，提供一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法，包括以下步骤：
11)新型冠状病毒知识图谱的获取和预处理：获取新型冠状病毒知识图谱，并对其统一整理为三元组形式，三元组形式为{实体1，关系，实体2}；
12)关系子图的抽取：基于复杂网络理论技术进行关系子图抽取；
13)新型冠状病毒疫情传播路径的分析：基于关系子图对新型冠状病毒疫情传播路径的可达性进行分析，获得知识图谱疫情发展趋势预测结果。
所述关系子图的抽取包括以下步骤：
21)采用复杂网络理论获取新型冠状病毒知识图谱的最大连通子网节点集合；
22)根据获得的最大连通子网的节点集合MaxSubNet从新型冠状病毒知识图谱中提取最大子网的边的集合，其中每条边仍采用新型冠状病毒知识图谱中三元组形式存储在文本文件EGraph中；
23)由最大连通子网的节点集合MaxSubNet和文本文件EGraph生成最大连通子网，
其中，中心层由两个节点构成，这两个节点是各三元组对应的节点对中度值和最大的节点对；第二层为中心层各节点的邻居节点的集合；第三层为第二层的各节点的邻居节点的集合，以此类推，直到最大连通子网的最外层。
所述新型冠状病毒疫情传播路径的分析包括以下步骤：
31)计算节点之间相关性概率：
设R(vi,vj)表示节点vi和vj之间的相关性，C(vi,vj)表示在数据集中vi和vj同时出现的次数，C(vi)表示vi在数据集中出现的次数，其计算公式如下：
Figure BDA0002482424890000021
Figure BDA0002482424890000022
32)在无向图中构造节点团来量化节点直接的相关性，与节点直接或间接连接的边越多，与该节点的相关性越大；两个节点间隔的距离越长，两个节点之间相关性越低，其表达式如下：
Figure BDA0002482424890000031
其中，R(vi,vk)表示节点vi和vk之间的直接相关性，Clique(vi,vk,vj)表示节点团的总数，n表示团的数量；
对于混合相关，采用一种加权方法来量化节点混合相关性：
Rm(vi,vj)＝log(1+(1-θ)R(vi,vj)+θRl(vi,vj))
其中，θ表示直接相关和间接相关的加权因子，且0≤θ≤1；
33)基于以上过程计算无向图中每个关系的相关性概率，并将概率值作为边的权重，此权重量化了路径的可达性；
34)根据路径的可达性的量化结果，得出知识图谱疫情发展趋势预测结果。
所述采用复杂网络理论获取新型冠状病毒知识图谱的最大连通子网节点集合包括以下步骤：
41)从新型冠状病毒知识图谱中抽取一条包含度值最大节点的三元组信息，将该三元组中的实体作为中心节点构成最大连通子网(SubNet)的中心层SubNeti，设定i＝1，并将其加入最大连通子网节点集合MaxSubNet，其中，节点的包含度值代表该节点与多少个其他节点相对应；
42)寻找SubNeti集合的邻居节点，即遍历新型冠状病毒知识图谱中的三元组信息，判断其实体是否属于SubNeti集合；若存在，则表示对应的实体是集合SubNeti的邻居节点，将这些节点存于SubNeti的邻居节点集合NeighborSet；
43)判断NeighborSeti中是否还有新的不在MaxSubNet中的节点；
44)如果有，则将NeighborSeti并入MaxSubNet，将SubNeti替换为NeighborSeti与MaxSubNet的差集，同时i＝i+1；跳转至42)步骤进行循环处理，直至新型冠状病毒知识图谱遍历结束，完成最大连通子网的节点集合MaxSubNet的收集。
有益效果
本发明的一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法，与现有技术相比基于新型冠状病毒知识图谱数据的特点以及关联分析任务，引入集合运算，依据新型冠状病毒实体之间的关系，将全局新型冠状病毒知识图谱划分为小规模的关系子图，以减少关系推理的计算量和复杂性，提高了计算效率。
同时，本发明采用节点相关度计算方法，充分考虑了直接、间接和混合这三种相关性类型，提高了疫情趋势预测的准确度和可靠性。
附图说明
图1为本发明的方法顺序图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法，包括以下步骤：
第一步，新型冠状病毒知识图谱的获取和预处理。
获取新型冠状病毒知识图谱，并对其利用传统方法统一整理为三元组形式，三元组形式为{实体1，关系，实体2}。
第二步，关系子图的抽取：基于复杂网络理论技术进行关系子图抽取。新型冠状病毒知识图谱涉及病毒、细菌、流行病、传染病等方面的知识，相互既有关联也有区别。从复杂网络角度来看，新冠病毒知识图谱网络并非一个连通网络，呈现团状聚集，因此有必要抽取改网络的最大子网，以便较为真实准确地获取关键节点的所处的网络特性。其具体步骤如下：
(1)采用复杂网络理论获取新型冠状病毒知识图谱的最大连通子网节点集合。采用此方法可以在较短的时间复杂度内降低空间复杂度，对于大规模新冠病毒知识图谱网络的特性分析在时间和空间上都有显著提高。其包括以下步骤：
A1)从新型冠状病毒知识图谱中抽取一条包含度值最大节点的三元组信息，将该三元组中的实体作为中心节点构成最大连通子网(SubNet)的中心层SubNeti，设定i＝1，并将其加入最大连通子网节点集合MaxSubNet，其中，节点的包含度值代表该节点与多少个其他节点相对应；
A2)寻找SubNeti集合的邻居节点，即遍历新型冠状病毒知识图谱中的三元组信息，判断其实体是否属于SubNeti集合；若存在，则表示对应的实体是集合SubNeti的邻居节点，将这些节点存于SubNeti的邻居节点集合NeighborSet；
A3)判断NeighborSeti中是否还有新的不在MaxSubNet中的节点；
A4)如果有，则将NeighborSeti并入MaxSubNet，将SubNeti替换为NeighborSeti与MaxSubNet的差集，同时i＝i+1；跳转至A2)步骤进行循环处理，直至新型冠状病毒知识图谱遍历结束，完成最大连通子网的节点集合MaxSubNet的收集。
在实际运行时，由于新冠知识图谱网络规模较大，网络中的节点之间关系复杂，不同节点的邻居节点集合可能相互包含了许多相同的节点。这些相同的节点在处理邻居节点时会被重复进行递归检索处理。这不但会增加大量的冗余存储空间而且需要多次重复检索图谱数据。因此以上步骤引入了集合运算，对一层的节点集合的邻居节点统一进行搜索。
(2)根据获得的最大连通子网的节点集合MaxSubNet从新型冠状病毒知识图谱中提取最大子网的边的集合，其中每条边仍采用新型冠状病毒知识图谱中三元组形式存储在文本文件EGraph中。
(3)由最大连通子网的节点集合MaxSubNet和文本文件EGraph生成最大连通子网，
其中，中心层由两个节点构成，这两个节点是各三元组对应的节点对中度值和最大的节点对；第二层为中心层各节点的邻居节点的集合；第三层为第二层的各节点的邻居节点的集合，以此类推，直到最大连通子网的最外层。
第三步，新型冠状病毒疫情传播路径的分析：基于关系子图对新型冠状病毒疫情传播路径的可达性进行分析，获得知识图谱疫情发展趋势预测结果。在大规模新冠病毒知识图谱中计算每个关系的依赖程度是不现实的，本发明采用一种基于团的马尔可夫网络模型，在两个节点相关性的计算过程中引入关系路径，并将这种相关性值作为每个关系的权重，最终得到关系路径的可靠性。这样考虑了无向图的结构特点，以及每个彼此连接的节点之间的相互作用。
本发明在关系子图基础上进行路径的发现和关系可靠性计算，大大提高了计算效率。
(1)计算节点之间相关性概率：
设R(vi,vj)表示节点vi和vj之间的相关性，C(vi,vj)表示在数据集中vi和vj同时出现的次数，C(vi)表示vi在数据集中出现的次数，其计算公式如下：
Figure BDA0002482424890000061
Figure BDA0002482424890000062
Vi,Vj表示新冠病毒知识图谱网络中的节点，Pw(vi|vj)表示在节点Vj条件下节点Vi的概率分布。
(2)在无向图中构造节点团来量化节点直接的相关性，与节点直接或间接连接的边越多，与该节点的相关性越大；两个节点间隔的距离越长，两个节点之间相关性越低，其表达式如下：
Figure BDA0002482424890000063
其中，R(vi,vk)表示节点vi和vk之间的直接相关性，Clique(vi,vk,vj)表示节点团的总数，n表示团的数量；
对于混合相关，采用一种加权方法来量化节点混合相关性：
Rm(vi,vj)＝log＝1+(1-θ)R(vi,vj(+θRl(vi,vj))
其中，θ表示直接相关和间接相关的加权因子，且0≤θ≤1；R表示节点间的相关性。
(3)基于以上过程计算无向图中每个关系的相关性概率，并将概率值作为边的权重，此权重量化了路径的可达性；
(4)根据路径的可达性的量化结果，得出知识图谱疫情发展趋势预测结果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (4)

1.一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法，其特征在于，包括以下步骤：
11)新型冠状病毒知识图谱的获取和预处理：获取新型冠状病毒知识图谱，并对其统一整理为三元组形式，三元组形式为{实体1，关系，实体2}；
12)关系子图的抽取：基于复杂网络理论技术进行关系子图抽取；
13)新型冠状病毒疫情传播路径的分析：基于关系子图对新型冠状病毒疫情传播路径的可达性进行分析，获得知识图谱疫情发展趋势预测结果。
2.根据权利要求1所述的一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法，其特征在于，所述关系子图的抽取包括以下步骤：
21)采用复杂网络理论获取新型冠状病毒知识图谱的最大连通子网节点集合；
22)根据获得的最大连通子网的节点集合MaxSubNet从新型冠状病毒知识图谱中提取最大子网的边的集合，其中每条边仍采用新型冠状病毒知识图谱中三元组形式存储在文本文件EGraph中；
23)由最大连通子网的节点集合MaxSubNet和文本文件EGraph生成最大连通子网，
其中，中心层由两个节点构成，这两个节点是各三元组对应的节点对中度值和最大的节点对；第二层为中心层各节点的邻居节点的集合；第三层为第二层的各节点的邻居节点的集合，以此类推，直到最大连通子网的最外层。
3.根据权利要求1所述的一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法，其特征在于，所述新型冠状病毒疫情传播路径的分析包括以下步骤：
31)计算节点之间相关性概率：
设R(vi,vj)表示节点vi和vj之间的相关性，C(vi,vj)表示在数据集中vi和vj同时出现的次数，C(vi)表示vi在数据集中出现的次数，其计算公式如下：
Figure FDA0002482424880000011
Figure FDA0002482424880000012
32)在无向图中构造节点团来量化节点直接的相关性，与节点直接或间接连接的边越多，与该节点的相关性越大；两个节点间隔的距离越长，两个节点之间相关性越低，其表达式如下：
Figure FDA0002482424880000021
其中，R(vi,vk)表示节点vi和vk之间的直接相关性，Clique(vi,vk,vj)表示节点团的总数，n表示团的数量；
对于混合相关，采用一种加权方法来量化节点混合相关性：
Rm(vi,vj)＝log(1+(1-θ)R(vi,vj)+θRl(vi,vj))
其中，θ表示直接相关和间接相关的加权因子，且0≤θ≤1；
33)基于以上过程计算无向图中每个关系的相关性概率，并将概率值作为边的权重，此权重量化了路径的可达性；
34)根据路径的可达性的量化结果，得出知识图谱疫情发展趋势预测结果。
4.根据权利要求2所述的一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法，其特征在于，所述采用复杂网络理论获取新型冠状病毒知识图谱的最大连通子网节点集合包括以下步骤：
41)从新型冠状病毒知识图谱中抽取一条包含度值最大节点的三元组信息，将该三元组中的实体作为中心节点构成最大连通子网(SubNet)的中心层SubNeti，设定i＝1，并将其加入最大连通子网节点集合MaxSubNet，其中，节点的包含度值代表该节点与多少个其他节点相对应；
42)寻找SubNeti集合的邻居节点，即遍历新型冠状病毒知识图谱中的三元组信息，判断其实体是否属于SubNeti集合；若存在，则表示对应的实体是集合SubNeti的邻居节点，将这些节点存于SubNeti的邻居节点集合NeighborSet；
43)判断NeighborSeti中是否还有新的不在MaxSubNet中的节点；
44)如果有，则将NeighborSeti并入MaxSubNet，将SubNeti替换为NeighborSeti与MaxSubNet的差集，同时i＝i+1；跳转至42)步骤进行循环处理，直至新型冠状病毒知识图谱遍历结束，完成最大连通子网的节点集合MaxSubNet的收集。
CN202010381799.9A 2020-05-08 2020-05-08 一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法 Pending CN111639191A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010381799.9A CN111639191A (zh) 2020-05-08 2020-05-08 一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010381799.9A CN111639191A (zh) 2020-05-08 2020-05-08 一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法

Publications (1)

Publication Number Publication Date
CN111639191A true CN111639191A (zh) 2020-09-08

Family

ID=72328568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010381799.9A Pending CN111639191A (zh) 2020-05-08 2020-05-08 一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法

Country Status (1)

Country Link
CN (1) CN111639191A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164471A (zh) * 2020-09-17 2021-01-01 吉林大学 基于分类回归模型的新冠疫情综合评估方法
CN112699250A (zh) * 2021-01-13 2021-04-23 北京创安恒宇科技有限公司 知识图谱的构建方法、装置、可读存储介质及电子设备
CN113704394A (zh) * 2021-06-29 2021-11-26 中国科学院微生物研究所 冠状病毒信息查找、冠状病毒信息呈现方法和装置
CN113838582A (zh) * 2021-11-29 2021-12-24 中国人民解放军军事科学院军事医学研究院 一种基于区域相似度的传染病趋势预测方法和系统
CN113846189A (zh) * 2021-11-03 2021-12-28 安徽医科大学第二附属医院 基于gisaid分型的新型冠状病毒基因型参照序列、设计引物、试剂盒及应用
CN116992052A (zh) * 2023-09-27 2023-11-03 天际友盟(珠海)科技有限公司 用于威胁情报领域的长文本摘要方法、装置和电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130110835A1 (en) * 2011-10-28 2013-05-02 Zhijiang He Method for calculating proximities between nodes in multiple social graphs
CN108694469A (zh) * 2018-06-08 2018-10-23 哈尔滨工程大学 一种基于知识图谱的关系预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130110835A1 (en) * 2011-10-28 2013-05-02 Zhijiang He Method for calculating proximities between nodes in multiple social graphs
CN108694469A (zh) * 2018-06-08 2018-10-23 哈尔滨工程大学 一种基于知识图谱的关系预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁连红;孙斌;时鹏: "知识图谱复杂网络特性的实证研究与分析", 《物理学报》 *
谭晓等: "知识图谱研究进展及其前沿主题分析", 《图书与情报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164471A (zh) * 2020-09-17 2021-01-01 吉林大学 基于分类回归模型的新冠疫情综合评估方法
CN112164471B (zh) * 2020-09-17 2022-05-24 吉林大学 基于分类回归模型的新冠疫情综合评估方法
CN112699250A (zh) * 2021-01-13 2021-04-23 北京创安恒宇科技有限公司 知识图谱的构建方法、装置、可读存储介质及电子设备
CN113704394A (zh) * 2021-06-29 2021-11-26 中国科学院微生物研究所 冠状病毒信息查找、冠状病毒信息呈现方法和装置
CN113846189A (zh) * 2021-11-03 2021-12-28 安徽医科大学第二附属医院 基于gisaid分型的新型冠状病毒基因型参照序列、设计引物、试剂盒及应用
CN113846189B (zh) * 2021-11-03 2023-05-26 安徽医科大学第二附属医院 基于gisaid分型的新型冠状病毒基因型参照序列、设计引物、试剂盒及应用
CN113838582A (zh) * 2021-11-29 2021-12-24 中国人民解放军军事科学院军事医学研究院 一种基于区域相似度的传染病趋势预测方法和系统
CN116992052A (zh) * 2023-09-27 2023-11-03 天际友盟(珠海)科技有限公司 用于威胁情报领域的长文本摘要方法、装置和电子设备
CN116992052B (zh) * 2023-09-27 2023-12-19 天际友盟(珠海)科技有限公司 用于威胁情报领域的长文本摘要方法、装置和电子设备

Similar Documents

Publication Publication Date Title
CN111639191A (zh) 一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法
CN107391512B (zh) 知识图谱预测的方法和装置
CN111782512B (zh) 基于不平衡噪声集的多特征软件缺陷综合预测方法
CN109902302B (zh) 一种适用于文本分析或数据挖掘的主题图谱生成方法、装置、设备以及计算机存储介质
CN105183796A (zh) 一种基于聚类的分布式链路预测方法
Lei et al. Detecting protein complexes from DPINs by density based clustering with Pigeon-Inspired Optimization Algorithm
CN110990718A (zh) 一种公司形象提升系统的社会网络模型构建模块
CN108304382A (zh) 基于制造过程文本数据挖掘的质量分析方法与系统
Shen et al. The application of artificial intelligence to the bayesian model algorithm for combining genome data
CN112000689A (zh) 一种基于文本分析的多知识图谱融合方法
CN112182306A (zh) 一种基于不确定图的社区发现方法
CN116151324A (zh) 基于图神经网络的rc互连延时预测方法
CN100401301C (zh) 基于本体学习的智能主题式网络爬虫系统构建方法
CN112487110A (zh) 基于网络结构和节点内容的重叠社区演化分析方法及系统
CN110263331A (zh) 一种知识驱动的英汉单词语义相似度自动检测方法
CN111177578A (zh) 一种用户周边最具影响力社区的搜索方法
CN116662412B (zh) 一种电网配用电大数据的数据挖掘方法
CN117972111A (zh) 一种基于在线图处理技术面向知识图谱的知识推理方法
CN115827996B (zh) 一种具有共享约束的社区查询方法及系统
CN109255433B (zh) 一种基于相似性的社区检测的方法
CN115086179B (zh) 一种社交网络中社区结构的检测方法
CN116011564A (zh) 一种面向电力设备的实体关系补全方法、系统及应用
CN115579885A (zh) 一种电网拓扑分析方法及装置
Yacoubi et al. A Multiobjective Crystal Optimization-based association rule mining enhanced with TOPSIS for predictive maintenance analysis
CN107248923A (zh) 一种基于局部拓扑信息和社团相关性的链路预测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200908