CN111813955A - 一种基于知识图谱表示学习的服务聚类方法 - Google Patents

一种基于知识图谱表示学习的服务聚类方法 Download PDF

Info

Publication number
CN111813955A
CN111813955A CN202010626668.2A CN202010626668A CN111813955A CN 111813955 A CN111813955 A CN 111813955A CN 202010626668 A CN202010626668 A CN 202010626668A CN 111813955 A CN111813955 A CN 111813955A
Authority
CN
China
Prior art keywords
service
entity
knowledge graph
services
entities
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
Application number
CN202010626668.2A
Other languages
English (en)
Other versions
CN111813955B (zh
Inventor
姜波
徐学军
任志宏
杨俊琛
王恬
潘伟丰
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.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang 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 Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN202010626668.2A priority Critical patent/CN111813955B/zh
Publication of CN111813955A publication Critical patent/CN111813955A/zh
Application granted granted Critical
Publication of CN111813955B publication Critical patent/CN111813955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (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表示学习的服务聚类方法，包括以下步骤：获取服务属性，包括服务的category、tag、description，使用自然语言工具对description进行处理，获得服务功能信息集；构建服务知识图谱，利用知识表示学习的TransH算法将服务知识图谱的实体嵌入到一个低维空间中，通过训练得到低维向量，计算出服务之间的相似值；使用Louvain算法对服务进行聚类，得到聚类结果。本发明从服务之间的关系通过知识图谱来描述的角度出发，采用知识表示算法将服务实体嵌入到低维空间进行距离计算，将知识图谱与服务计算领域相结合，突破了服务之间的语义关联问题，更为准确地按需服务发现提供技术支持。

Description

一种基于知识图谱表示学习的服务聚类方法
技术领域
本发明涉及服务计算领域，尤其涉及一种基于知识图谱表示学习的服务聚类方法。
背景技术
面向服务的架构(SOA)是一个架构思想，根据项目服务完成架构搭建，以服务为基准点完成组件化和模块化。SOA的提出就是要将紧耦合的系统，划分为面向业务的，粗粒度，松耦合，无状态的服务。服务发布出来供其他服务调用，一组互相依赖的服务就构成了SOA架构下的系统。现如今，随着internet技术、服务计算(SOC)、大数据等技术的快速发展，以及需求的不断变化，Web服务数量呈爆发式增长。目前，已进入Web服务的大数据时代，Web服务的类型丰富，无论是基于简单对象访问协议(SOAP)的传统服务，还是目前较流行的RESTful风格的服务，Web服务都为个人用户和企业带来了巨大的便利，同时，服务之间的竞争合作，又带动了整个社会的创新。但随着Web服务的数量、种类与规模的不断增长，各平台中具有相似属性描述但功能差异的Web服务不计其数，往往给用户造成了选择障碍。如何高效、准确地发现满足用户需求成为了SOC研究领域一直经久不衰的研究热点。目前，基于传统关键字匹配方法、基于情境的服务发现方法、基于Web语义的服务发现方法，在服务数量剧增的今天，不能很好的满足用户需求。为此，如何提升Web服务发现效率和准确性，更好的满足用户需求，节省用户的搜索时间引起了国内外研究学者的兴趣。
知识图谱本质上是一个以图结构为基础，揭示实体之间关系的大型语义网络。其目的是为了提升搜索引擎返回的答案质量和用户的查询效率。知识图谱的数据存储通常是以<实体—关系—属性>这种三元组的形式存储信息，三元组可以更好的描述出实体与实体之间的关系，并且将知识以图的形式呈现：每一个结点代表真实世界中的某一实体，而不同的边表示每个结点中的不同关系，从而实现知识描述的作用。知识图谱的概念一经提出就引起业内广泛的关注，它的应用场景非常广，主要在语义数据集成、语义搜索、智能问答、数据分析、智能推荐领域占据重要的地位。
服务聚类在服务发现、服务推荐领域中，是一门关键技术，通过聚类相似服务，可以在极大程度上减少服务搜索的次数，同时缩小了搜索的服务范围，提高服务发现的效率。目前已经有很多学者研究这方面工作，例如从WSDL文档上挖掘文本特征，运用特征工程的相关技术，选取出能够体现服务功能的特征，将其转化为向量，通过相似度计算公式，计算服务之间的相似度，并聚类成簇。又如采用自底向上的聚类算法，将功能相似度的服务聚集到一起。但是现有工作仍存在以下两点不足：
1)基于内容的服务聚类对承载内容的描述文档有一定要求，并且一般方法仅针对单一类型的文档起作用，并不能对多种类型的文档作用。
2)较少考虑大规模的语义网络，现实世界中服务并非独立存在，它们之间通常具有某种关联关系并以某种方式相互影响(如共享标签的关系等)，这些服务间的语义关系鲜有被充分利用到。
因此，针对现有的服务聚类方法中存在的不足，如何利用机器学习，自然语言处理的技术，让大规模的语义网构建成为可能，从实用性的角度出发，更高效、准确的服务聚类成为了一个具有挑战性的问题。
发明内容
本发明针对现有技术的不足，提供一种基于知识图谱表示学习的服务聚类方法。
本发明的目的是通过以下技术方案来实现的：一种基于知识图谱表示学习的服务聚类方法，包括以下步骤：
(1)获取服务属性，包括服务的category、tag、description；
(2)对服务的description进行自然语言处理，使用Stanford Parser工具进行语法解析获得SD(Stanford Dependencies)集合；
(3)基于步骤(2)获得的SD集合进行分析并提取出表示服务功能的信息集；
(4)构建服务知识图谱，服务知识图谱中有四种类型的实体结点：api、category、tag、function，其中实体function是步骤(3)提取到的服务功能信息集；
(5)利用知识表示学习的TransH算法将步骤(4)构建的服务知识图谱的实体嵌入到一个低维空间中，通过训练得到低维向量，计算出服务之间的相似值；具体如下：
对服务知识图谱的实体与关系通过Embedding矩阵进行初始化；进行头尾实体映射到超平面wr的向量转化：
‖wr‖2＝1
Figure BDA0002565031830000021
Figure BDA0002565031830000022
TransH的评分函数公式如下：
Figure BDA0002565031830000023
其中h代表头实体，t代表尾实体，r是实体之间存在的关系；TransH对于每一个关系r，都有一个超平面wr和一个关系向量dr表示；在每一个三元组中，将头实体h和尾实体t都映射到这个超平面上得到向量h⊥和t⊥，训练使h⊥+dr≈t⊥；
对空间中的三元组的实体与关系进行降维，得到实体的低维向量；
实体A,B的相似度计算公式如下：
Figure BDA0002565031830000031
(6)基于步骤(5)得到的服务实体两两相似度，使用Louvain算法对服务进行聚类，得到聚类结果；将每一个服务实体作为一个节点，两个服务实体之间的相似值作为连边的权重；Louvain算法的模块度Q计算公式如下：
Figure BDA0002565031830000032
其中m为服务两两相似度的总条数；Ai,j表示服务实体i，j之间的连边权重；ki表示所有指向服务实体i的连边权重之和；Ci是服务实体i的集群号，δ(Ci,Cj)函数表示若服务实体i与j同在一个集群内，则返回值为1，否则返回0；
在利用Louvain算法进行聚类划分过程中，对于每个服务实体i，依次尝试把实体i分配到其每个邻居实体所在的集群C并计算分配前后的模块度增量ΔQ，计算公式为：
Figure BDA0002565031830000033
其中ki，in表示集群C内实体与服务实体i权重之和；∑tot表示集群C的服务实体相连的边的权重之和；ki代表服务实体i的连边权重之和；
对于任一服务实体i，计算将其并入相邻集群后模块度值的变化ΔQ，将其并入ΔQ值最大的集群，若计算结果为负，则不改变i的归属集群；当所有实体都无法被移动时，说明类别划分在当前已经达到最优状态，算法结束，输出服务聚类结果，具有相似功能语义的服务被聚类到同个类别中。
进一步地，知识表示的transH模型通过引入投射到特定关系超平面上的机制，使实体在不同的关系/三元组中扮演不同的角色。
本发明与现有技术相比，具有的有益效果是：本发明基于知识图谱，可以很好地描述服务数据中的概念与实体，同时可以准确的展示服务间丰富的语义关系。通过知识表示算法，将服务实体与关系嵌入到低维空间中，针对服务之间多对多关系，对于服务相似度的计算考虑的更加充分，为服务聚类提供了有效的聚类方法。利用本发明，可以找到服务之间存在着的关联性，为实现正确、高效的服务发现提供了更好的支持。
附图说明
图1是本发明基于知识图谱表示学习的服务聚类方法的流程图；
图2是本发明的服务知识图谱简化图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
如图1所示，以Web服务为例，本发明提出的基于知识图谱表示学习的服务聚类方法，包括以下步骤：
(1)获取服务属性，包括服务的category、tag、description。
例如服务api@addtoany-menu，它的category属于Social，tag也是Social，它的description为“AddToAny allows users to share content with a single sharingbutton.”。
(2)对服务的description进行自然语言处理，使用Stanford Parser进行语法解析获得SD(Stanford Dependencies)集合。Stanford Parser是Stanford NLP Group开发的开源工具，广泛被用于自然语言处理。关于SD，都可以表示为一个二元组，即：sdType(governor，dependent)，其中，governor表示主导单词，dependent表示附属单词。每个句子都会被解析得到对应的SD集合。例如服务api@addtoany-menu经过语法解析获得SD集合为：
nsubj(allows,AddToAny)
root(ROOT,allow)
dobj(allows，users)
aux(share，to)
xcomp(allows，share)
dobj(share，content)
prep(share，with)
det(button，a)
amod(button，single)
pobj(with，button)
(3)基于步骤(2)获得的SD集合进行分析并提取出表示服务功能的信息集。针对获得的SD集合，经综合分析可归纳为以下4种情况。
a)直接转换语法关系dobj：dobj的governor部分直接转为功能信息中的Verb部分，dependent部分直接转为功能信息中的Object部分。例如语句“AddToAny allows usersto share content with a single sharing button.”包含语法关系dobj(share，content)，提取出的服务功能信息为{share content}。
b)直接转换语法关系nsubjpass：nsubjpass的governor部分直接转换为功能信息中的Verb部分，dependent部分直接转为功能信息中的Object部分。例如语句“Your musicwill be uploaded to the server.”包含语法关系nsubjpass(uploaded，music)，就可以直接提取到服务的功能信息为{upload music}。
c)综合语法关系prep_p中的governor部分与nsubj中的governor部分相同，则可以将prep_p中的governor部分转换成功能信息中的Verb部分，dependent部分转成功能信息中的Object部分。例如语句“The user can search for movie information.”包含了语法关系(search，user)和prep_p(search，information)，因此可以得到服务功能信息{search information}。
d)利用语法关系conj挖掘潜在功能信息集：在当前获取的SD集合中存在业务动作{p(verb),p(object)}，如果存在conj(p(verb)，(dependent))，则有其并列业务动作{p(dependent),p(object)}，如果存在conj(governor，p(object))，则有其并列业务动作{p(verb),p(governor)}。例如语句“This mashup allow you to share and follow somephoto and music.”可以直接提取出服务功能信息{share photo}，然后通过其包含的语法关系conj(share，follow)和conj(photo，music)可以找到潜在的服务功能信息集{(sharemusic),(follow photo),(follow music)}。
(4)基于步骤(1)、(2)、(3)，构建服务知识图谱。
知识图谱是由头实体(head)、尾实体(tail)与实体之间的关系(relation)组成富有语义信息的知识图谱三元组(h，r，t)构成。我们以服务知识图谱为例，通过上述步骤得到的服务相关信息，进行构建。在服务知识图谱中，共有四类实体，分别是api、category、tag、function，其中实体function是经过自然语言处理以后提取到的服务功能信息集。服务知识图谱的关系共三种，以三元组的形式表示为(api，belong_to，category)、(api，label，tag)、(api，has，function)。例如：我们选取了6个api服务，构建了服务知识图谱；图2为简化后的服务知识图谱示意图。
表1为服务知识图谱中的三元组
Figure BDA0002565031830000051
Figure BDA0002565031830000061
表2为服务对应的id号
api_id api_name
1 api@addtoany-menu
2 api@addthis-sharing-endpoints
3 api@google-plus
4 api@bebo
5 api@forrst
6 api@plancast
(5)基于步骤(4)构建的服务知识图谱，利用知识表示学习的TransH算法将服务知识图谱的实体嵌入到一个低维空间中，通过训练得到低维向量，计算出实体之间的相似值。
我们通过TransH算法，得到了实体的低维向量，由于本实施例中的实体与关系数不多，因此选择10维进行训练。首先对服务知识图谱的实体与关系通过Embedding矩阵进行初始化；接下来进行头尾实体映射到超平面wr的向量转化：
‖wr‖2＝1
Figure BDA0002565031830000071
Figure BDA0002565031830000072
评分函数公式如下：
Figure BDA0002565031830000073
其中h代表头实体，t代表尾实体，r是实体之间存在的关系。TransH对于每一个关系r，都有一个超平面wr和一个关系向量dr表示，而不是和实体在同一个嵌入空间。在每一个三元组中，将头实体h和尾实体t都映射到这个超平面上得到向量h⊥和t⊥，训练使h⊥+dr≈t⊥。目的是为了能够使得同一个实体在不同关系中有不同的意义，因为不同的关系有不同的超平面。对空间中的三元组的实体与关系进行降维，得到实体的低维向量。
表3为api实体的低维向量
Figure BDA0002565031830000074
实体A,B的相似度计算公式如下：
Figure BDA0002565031830000075
由于TransH用欧式距离计算损失函数，所以采用欧式距离来度量实体之间的相似性。其中，A和B是服务知识图谱中的两个实体向量。
例如api@google-plus与api@addthis-sharing-endpoints经过TransH算法已经得到对应的低维向量，通过带入公式以后计算所得的相似度为：
Figure BDA0002565031830000081
这两个服务所属类相同且他们的功能点相类似，因此他们的相似度比较高，接下来重复上述计算步骤，计算得到所有服务两两相似度。
表4为服务两两相似度值
api_id1 api_id2 Similarity
1 2 0.47798
1 3 0.42771
1 4 0.29575
1 5 0.59250
1 6 0.32817
2 3 0.80687
2 4 0.14133
2 5 0.60408
2 6 0.59871
3 4 0.20089
3 5 0.49500
3 6 0.48916
4 5 0.42206
4 6 0.50487
5 6 0.73291
(6)基于步骤(5)得到的服务实体两两相似度，使用Louvain算法对服务进行聚类，得到聚类结果。我们将每一个服务实体作为一个节点，两个服务实体之间的相似值作为连边的权重。Louvain算法的计算公式为：
Figure BDA0002565031830000082
其中Q为模块度，m为服务两两相似度的总条数；Ai,j表示服务实体i，j之间的连边权重；ki表示所有指向服务实体i的连边权重之和，kj同理；Ci是服务实体i的集群号，δ(Ci,Cj)函数表示若服务实体i与j同在一个集群内，则返回值为1，否则返回0。本实施例中，共15条服务间的相似度，故m＝15，共6个服务实体。
在利用Louvain算法进行聚类划分过程中，对于每个服务实体i，依次尝试把实体i分配到其每个邻居实体所在的集群C并计算分配前后的模块度增量ΔQ，其简化后的计算公式为：
Figure BDA0002565031830000091
其中ki，in表示集群C内实体与服务实体i权重之和；∑tot表示集群C的服务实体相连的边的权重之和，ki代表服务实体i的连边权重之和。
对于任一服务实体i，计算将其并入相邻集群后模块度值的变化ΔQ，将其并入ΔQ值最大的集群，若计算结果为负，则不改变i的归属集群。当所有实体都无法被移动时，说明类别划分在当前已经达到最优状态，算法结束。
输出服务聚类结果，具有相似功能语义的服务被聚类到同个类别中。
表5为聚类结果
聚类结果 服务
分类一 api@addthis-sharing-endpoints、api@google-plus、api@forrst
分类二 api@addtoany-menu、api@bebo、api@plancast
以上所述仅是本发明的优选实施方式，虽然本发明已以较佳实施例披露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (2)

1.一种基于知识图谱表示学习的服务聚类方法，其特征在于，包括以下步骤：
(1)获取服务属性，包括服务的category、tag、description；
(2)对服务的description进行自然语言处理，使用Stanford Parser工具进行语法解析获得SD集合；
(3)基于步骤(2)获得的SD集合进行分析并提取出表示服务功能的信息集；
(4)构建服务知识图谱，服务知识图谱中有四种类型的实体结点：api、category、tag、function，其中实体function是步骤(3)提取到的服务功能信息集；
(5)利用知识表示学习的TransH算法将步骤(4)构建的服务知识图谱的实体嵌入到一个低维空间中，通过训练得到低维向量，计算出服务之间的相似值；具体如下：
对服务知识图谱的实体与关系通过Embedding矩阵进行初始化；进行头尾实体映射到超平面wr的向量转化：
‖wr‖2＝1
Figure FDA0002565031820000011
Figure FDA0002565031820000012
评分函数公式如下：
Figure FDA0002565031820000013
其中h代表头实体，t代表尾实体，r是实体之间存在的关系；TransH对于每一个关系r，都有一个超平面wr和一个关系向量dr表示；在每一个三元组中，将头实体h和尾实体t都映射到这个超平面上得到向量h⊥和t⊥，训练使h⊥+dr≈t⊥；
对空间中的三元组的实体与关系进行降维，得到实体的低维向量；
实体A,B的相似度计算公式如下：
Figure FDA0002565031820000014
(6)基于步骤(5)得到的服务实体两两相似度，使用Louvain算法对服务进行聚类，得到聚类结果；具体如下：
将每一个服务实体作为一个节点，两个服务实体之间的相似值作为连边的权重；Louvain算法的模块度Q计算公式如下：
Figure FDA0002565031820000015
其中m为服务两两相似度的总条数；Ai,j表示服务实体i，j之间的连边权重；ki表示所有指向服务实体i的连边权重之和；Ci是服务实体i的集群号，δ(Ci,Cj)函数表示若服务实体i与j同在一个集群内，则返回值为1，否则返回0；
在利用Louvain算法进行聚类划分过程中，对于每个服务实体i，依次尝试把实体i分配到其每个邻居实体所在的集群C并计算分配前后的模块度增量ΔQ，计算公式为：
Figure FDA0002565031820000021
其中ki，in表示集群C内实体与服务实体i权重之和；∑tot表示集群C的服务实体相连的边的权重之和；ki代表服务实体i的连边权重之和；
对于任一服务实体i，计算将其并入相邻集群后模块度值的变化ΔQ，将其并入ΔQ值最大的集群，若计算结果为负，则不改变i的归属集群；当所有实体都无法被移动时，说明类别划分在当前已经达到最优状态，算法结束，输出服务聚类结果，具有相似功能语义的服务被聚类到同个类别中。
2.根据权利要求1所述的一种基于知识图谱表示学习的服务聚类方法，其特征在于，知识表示的transH模型通过引入投射到特定关系超平面上的机制，使实体在不同的关系/三元组中扮演不同的角色。
CN202010626668.2A 2020-07-01 2020-07-01 一种基于知识图谱表示学习的服务聚类方法 Active CN111813955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010626668.2A CN111813955B (zh) 2020-07-01 2020-07-01 一种基于知识图谱表示学习的服务聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010626668.2A CN111813955B (zh) 2020-07-01 2020-07-01 一种基于知识图谱表示学习的服务聚类方法

Publications (2)

Publication Number Publication Date
CN111813955A true CN111813955A (zh) 2020-10-23
CN111813955B CN111813955B (zh) 2021-10-19

Family

ID=72856019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010626668.2A Active CN111813955B (zh) 2020-07-01 2020-07-01 一种基于知识图谱表示学习的服务聚类方法

Country Status (1)

Country Link
CN (1) CN111813955B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112559737A (zh) * 2020-11-20 2021-03-26 和美（深圳）信息技术股份有限公司 知识图谱的节点分类方法及系统
CN113342988A (zh) * 2021-04-29 2021-09-03 山东大学 一种基于lda跨域的构建服务知识图谱实现服务组合优化的方法及系统
CN114399251A (zh) * 2021-12-30 2022-04-26 淮阴工学院 基于语义网和簇偏好的冷链物流推荐方法及装置
WO2022156328A1 (zh) * 2021-01-19 2022-07-28 青岛科技大学 一种融合服务协作关系的Restful类型Web服务聚类方法
CN116128257A (zh) * 2023-04-17 2023-05-16 成都晓多科技有限公司 基于知识图谱的任务人员匹配方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255033A (zh) * 2018-11-05 2019-01-22 桂林电子科技大学 一种基于位置服务领域的知识图谱的推荐方法
CN109543034A (zh) * 2018-11-07 2019-03-29 中山大学 基于知识图谱的文本聚类方法、装置及可读存储介质
CN111143479A (zh) * 2019-12-10 2020-05-12 浙江工业大学 基于dbscan聚类算法的知识图谱关系抽取与rest服务可视化融合方法
CN111198950A (zh) * 2019-12-24 2020-05-26 浙江工业大学 一种基于语义向量的知识图谱表示学习方法
US20200184339A1 (en) * 2018-12-10 2020-06-11 Baidu Usa Llc Representation learning for input classification via topic sparse autoencoder and entity embedding

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255033A (zh) * 2018-11-05 2019-01-22 桂林电子科技大学 一种基于位置服务领域的知识图谱的推荐方法
CN109543034A (zh) * 2018-11-07 2019-03-29 中山大学 基于知识图谱的文本聚类方法、装置及可读存储介质
US20200184339A1 (en) * 2018-12-10 2020-06-11 Baidu Usa Llc Representation learning for input classification via topic sparse autoencoder and entity embedding
CN111143479A (zh) * 2019-12-10 2020-05-12 浙江工业大学 基于dbscan聚类算法的知识图谱关系抽取与rest服务可视化融合方法
CN111198950A (zh) * 2019-12-24 2020-05-26 浙江工业大学 一种基于语义向量的知识图谱表示学习方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WEIFENG PAN等: "Topology and Topic-Aware Service Clustering", 《INTERNATIONAL JOURNAL OF WEB SERVICES RESEARCH》 *
姜波等: "基于需求功能语义的服务聚类方法", 《计算机学报》 *
郝卫等: "基于知识图谱表示学习的推荐算法优化", 《智能计算机与应用》 *
马晓军: "基于表示学习的领域实体消歧与链接预测", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112559737A (zh) * 2020-11-20 2021-03-26 和美（深圳）信息技术股份有限公司 知识图谱的节点分类方法及系统
WO2022156328A1 (zh) * 2021-01-19 2022-07-28 青岛科技大学 一种融合服务协作关系的Restful类型Web服务聚类方法
CN113342988A (zh) * 2021-04-29 2021-09-03 山东大学 一种基于lda跨域的构建服务知识图谱实现服务组合优化的方法及系统
CN114399251A (zh) * 2021-12-30 2022-04-26 淮阴工学院 基于语义网和簇偏好的冷链物流推荐方法及装置
CN116128257A (zh) * 2023-04-17 2023-05-16 成都晓多科技有限公司 基于知识图谱的任务人员匹配方法及系统

Also Published As

Publication number Publication date
CN111813955B (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN111813955B (zh) 一种基于知识图谱表示学习的服务聚类方法
CN109271537B (zh) 一种基于蒸馏学习的文本到图像生成方法和系统
Caicedo et al. Multimodal representation, indexing, automated annotation and retrieval of image collections via non-negative matrix factorization
WO2015043075A1 (zh) 面向微博的情感实体搜索系统
CN111177591A (zh) 面向可视化需求的基于知识图谱的Web数据优化方法
Sujatha et al. Taxonomy construction techniques–issues and challenges
CN110888970B (zh) 文本生成方法、装置、终端和存储介质
Fernández-Reyes et al. CV Retrieval System based on job description matching using hybrid word embeddings
CN114997288A (zh) 一种设计资源关联方法
Schubotz Augmenting mathematical formulae for more effective querying & efficient presentation
Drakopoulos et al. A semantically annotated JSON metadata structure for open linked cultural data in Neo4j
Yang et al. Query intent disambiguation of keyword-based semantic entity search in dataspaces
Chen et al. Toward the understanding of deep text matching models for information retrieval
Gupta et al. Role of text mining in business intelligence
Muthukrishnan et al. Simultaneous similarity learning and feature-weight learning for document clustering
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
CN102646099B (zh) 模式匹配系统、模式映射系统及方法
Jiang et al. A semantic-based approach to service clustering from service documents
Liang et al. A semantic‐driven generation of 3D Chinese opera performance scenes
CN110019708A (zh) 聊天机器人的语料生成方法及装置、存储介质、服务器
CN114298020A (zh) 一种基于主题语义信息的关键词向量化方法及其应用
Zamani Neural models for information retrieval without labeled data
Baeza-Yates et al. of the" XML and information retrieval" workshop held at SIGIR'2002, Tampere, Finland, Aug 15th, 2002
Glöckner et al. Natural language navigation in multimedia archives: An integrated approach
Wu et al. Multi-hop community question answering based on multi-aspect heterogeneous graph

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