CN111898852A - 企业隐患和事故知识图谱构建方法、电子设备、存储介质 - Google Patents
企业隐患和事故知识图谱构建方法、电子设备、存储介质 Download PDFInfo
- Publication number
- CN111898852A CN111898852A CN202010542675.4A CN202010542675A CN111898852A CN 111898852 A CN111898852 A CN 111898852A CN 202010542675 A CN202010542675 A CN 202010542675A CN 111898852 A CN111898852 A CN 111898852A
- Authority
- CN
- China
- Prior art keywords
- entity
- knowledge
- enterprise
- accident
- hidden danger
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 2
- 230000008520 organization Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 239000007787 solid Substances 0.000 abstract description 4
- 239000000470 constituent Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供企业隐患和事故知识图谱构建方法,包括以下步骤:企业隐患和事故知识抽取,从企业隐患和事故数据中提取出实体、关系、属性,将实体、关系、属性存入知识库;企业隐患和事故知识融合,对知识库的内容进行整合、消歧、加工;企业隐患和事故知识计算,通过知识推理推断出缺失事实。本发明涉及一种电子设备和存储介质,用于执行企业隐患和事故知识图谱构建方法。本发明在大数据组织结构松散、复杂、难以理解的背景下产生一种知识表示和管理的方式,实现智能化语义检索的基础和桥梁,为万维网上知识互联奠定坚实的基础,在企业保护人员安全和企业财产方面产生重要的作用,对于企业的稳定发展具有非常重要的意义。
Description
技术领域
本发明涉及企业安全防护技术领域,尤其涉及企业隐患和事故知识图谱构建方法、电子设备、存储介质。
背景技术
随着企业大数据时代的到来,知识互联受到了广泛的关注。企业规范化和企业信息技术的发展积累了大量的企业隐患和事故数据。如何从海量的数据中提取有用的企业安全知识并加以应用,是企业大数据分析和推动企业安全辅助的关键,具有非常重要的意义。目前大数据组织结构松散、复杂、难以理解导致没有有效的知识表示和管理的方式。
发明内容
为了克服现有技术的不足,本发明的目的在于提供企业隐患和事故知识图谱构建方法,在大数据组织结构松散、复杂、难以理解的背景下产生一种知识表示和管理的方式,实现智能化语义检索的基础和桥梁,为万维网上知识互联奠定坚实的基础。
本发明提供企业隐患和事故知识图谱构建方法,包括以下步骤:
企业隐患和事故知识抽取,从企业隐患和事故数据中提取出实体、关系、属性,将所述实体、关系、属性存入知识库;
企业隐患和事故知识融合,对所述知识库的内容进行整合、消歧、加工;
企业隐患和事故知识计算,通过知识推理推断出缺失事实。
进一步地,所述企业隐患和事故知识抽取步骤包括:
实体抽取,利用已标注的实体三元组在自然语言表述上的共性和差异,对多种企业隐患和事故实体关系内的数据分布进行联合编码,从生成模型的角度去发现未被标注的关系实体三元组;
关系抽取,通过从实体对正标签进行学习的远程监督提取算法从非结构化企业隐患和事故文本中进行关系抽取;
属性抽取,抽取实体的属性值。
进一步地,所述关系抽取步骤中,所述从实体对正标签进行学习的远程监督提取算法具体为基于远程监督的循环神经网络模型;利用循环神经网络抓取实体的描述特征,丰富实体表示,并通过计算实体间关系与句子间的相似度赋予句子不同的权重。
进一步地,在所述企业隐患和事故知识抽取步骤和所述企业隐患和事故知识融合步骤之间还包括收集基础数据,收集企业的各大隐患数据、各大企业事故数据、需要标注的实体类别、数量、关系。
进一步地,所述企业隐患和事故知识融合步骤包括:
实体对齐,通过实体对齐算法迭代标注出异构数据中的实体对齐;
实体链接,利用企业隐患和事故知识库中的实体对从企业大数据的文本中获取的实体指代进行消岐;
关系推演,将从企业大数据文本中获取的实体关系动态扩展到知识库中。
进一步地,所述实体对齐步骤中,所述实体对齐包括成对实体对齐和集成实体对齐,所述实体对齐算法包括概率统计模型、Bootstrapping算法;
所述实体链接步骤包括:
基于实体属性的实体链接,通过计算实体的名字属性中字符串的相似度判断实体是否相同,计算公式如下:
其中,SimCosine()表示通过Consine距离计算实体名称和属性的相似度,SimJaccard()表示通过Jaccard相关系数计算实体名称和属性的相似度,e1、e2为给定的实体,A(e)表示实体的属性字符串;
基于实体流行度的实体链接,对于给定的实体指代,确定与其对应的映射实体为企业隐患和事故数据库中最为公认的实体,计算公式如下:
其中,e表示给定的实体,P(e)表示实体e的流行度,#()表示次数;
基于上下文的实体链接,通过计算给定实体的上下文之间的相似性判断两个实体之间是否为同一实体;
基于外部证据的实体链接,通过实体之间的语义相关性判断两个实体之间是否为同一实体。
进一步地,所述关系推演步骤包括判定两个实体关系是否表示同一种关系,通过嵌入学习方法在嵌入空间中寻找能量函数学习实体的嵌入表示,利用实体的嵌入表达实体关系,并判断两个描述实体的关系是否表达同一种关系,将实体关系进行结构映射。
进一步地,所述企业隐患和事故知识计算步骤包括:
企业隐患和事故知识推理,使用人工智能技术从企业隐患和事故数据中挖掘信息,将知识图谱视作图,将企业隐患和事故实体看作节点,将实体间关系看作边,利用关系路径中蕴含的信息,通过两个实体间的多步路径对其语义进行分析;
质量评估,对结果数据进行评估,将合格的数据放入知识图谱中,通过标注的企业隐患和事故数据对知识的可信度进行量化,舍弃置信度较低的知识;
知识更新,以当前新增数据为输入,向知识图谱中新增知识。
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行企业隐患和事故知识图谱构建方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行企业隐患和事故知识图谱构建方法。
相比现有技术,本发明的有益效果在于:
本发明提供企业隐患和事故知识图谱构建方法,包括以下步骤:企业隐患和事故知识抽取,从企业隐患和事故数据中提取出实体、关系、属性,将实体、关系、属性存入知识库;企业隐患和事故知识融合,对知识库的内容进行整合、消歧、加工;企业隐患和事故知识计算,通过知识推理推断出缺失事实。本发明涉及一种电子设备和存储介质,用于执行企业隐患和事故知识图谱构建方法。本发明在大数据组织结构松散、复杂、难以理解的背景下产生一种知识表示和管理的方式,实现智能化语义检索的基础和桥梁,为万维网上知识互联奠定坚实的基础,在企业保护人员安全和企业财产方面产生重要的作用,对于企业的稳定发展具有非常重要的意义。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的企业隐患和事故知识图谱构建方法流程图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
企业隐患和事故知识图谱构建方法,如图1所示,包括以下步骤:
企业隐患和事故知识抽取,从大量的结构化、半结构化或非结构化的企业隐患和事故数据中提取出实体、关系、属性等知识图谱的组成元素,并选择合理高效的方式将实体、关系、属性等知识图谱的组成元素存入知识库;具体的,包括以下步骤:
实体抽取,利用已标注的实体三元组在自然语言表述上的共性和差异,对多种企业隐患和事故实体关系内的数据分布进行联合编码,从生成模型的角度去发现未被标注的关系实体三元组;其中,三元组是知识图谱的一种通用表达形式,由两个具有语义连接关系的企业隐患和事故实体和实体间关系组成,是企业隐患和事故知识的直观表示,即G=(head,relation,tail),其中,head为三元组中的头实体,tail为三元组中的尾实体,relation={r1,r2,…,r|R|}是知识库中的关系集合,共包含|R|种不同关系。三元组的基本形式主要包括实体1、关系、实体2的概念、属性、属性值等。实体是知识图谱中最基本元素,例如:企业名称、隐患设备、规则制度、隐患原因、解决措施等,关系存在于不同实体之间,例如:事故发生的位置、事故原因、操作工具等,属性主要指对象可能具有的特点、特征及参数。企业隐患和数据知识图谱采用自底向上的方式直接将抽取数据中发现的类别、实体、属性以及关系合并到知识图谱中。
关系抽取,远程监督能够减少对标注数据的需求,通过从实体对正标签进行学习的远程监督提取算法从非结构化企业隐患和事故文本中进行关系抽取;本实施例中,从实体对正标签进行学习的远程监督提取算法具体为基于远程监督的循环神经网络模型;利用循环神经网络抓取实体的描述特征,丰富实体表示,并通过计算实体间关系与句子间的相似度赋予句子不同的权重。
属性抽取,实体的属性可以看成实体与属性值之间的一种名称性关系,因此可以将属性抽取问题转换为关系抽取问题。
收集基础数据,收集企业的各大隐患数据、各大企业事故数据、需要标注的实体类别、数量、关系。如:收集广东省十年内企业的各大隐患数据;收集某一地区发生的各大企业事故数据,如伤亡人数、事故原因等。
企业隐患和事故知识融合,对知识库的内容进行整合、消歧、加工,增强知识库内部的逻辑性和表达能力。具体的,包括以下步骤:
实体对齐,通过实体对齐算法迭代标注出异构数据中的实体对齐,用于消除异构数据中的实体冲突本、指向不明等不一致问题。本实施例中,实体对齐包括成对实体对齐和集成实体对齐,实体对齐算法包括概率统计模型、Bootstrapping算法等。
实体链接,利用企业隐患和事故知识库中的实体对从企业大数据的文本中获取的实体指代进行消岐;工作分为EA、EP、CB、EEB,具体步骤如下:
基于实体属性(entity attributes based,EA)的实体链接方法,通过计算实体的名字属性中字符串的相似度判断实体是否相同,实体名称和属性的相似度主要通过Consine距离、Jaccard相关系数等方式进行计算,计算公式如下:
其中,SimCosine()表示通过Consine距离计算实体名称和属性的相似度,SimJaccard()表示通过Jaccard相关系数计算实体名称和属性的相似度,e1、e2为给定的实体,A(e)表示实体的属性字符串;
基于实体流行度(entity popularity based,EP)的实体链接方法,对于给定的实体指代,确定与其对应的映射实体最有可能是企业隐患和事故数据库中最为公认的实体,计算公式如下:
其中,e表示给定的实体,P(e)表示实体e的流行度,#()表示次数;
基于上下文(context based,CB)的实体链接方法,通过计算给定实体的上下文之间的相似性判断两个实体之间是否为同一实体;
基于外部证据(external evidencebased,EEB)的实体链接方法认为同一文本中的实体并不是独立的,它们之间存在语义相关性,而这种相关性有助于提升实体链接的准确率。
关系推演,将从企业大数据文本中获取的实体关系动态扩展到知识库中。推演的关键在于判定2个实体关系是否表示同一种关系,基于嵌入学习的方法,通过在嵌入空间中寻找一个恰当的能量函数学习实体的嵌入表示,利用实体的嵌入表达实体关系,并判断2个描述实体的关系是否表达同一种关系,从而实现将实体关系进行结构映射。
企业隐患和事故知识计算,借助知识推理,推断出缺失事实,自动完成搜索的目的和结果。具体的,包括以下步骤:
企业隐患和事故知识推理,使用人工智能技术从海量的企业隐患和事故数据中挖掘有用信息,所用模型包括:人工神经网络模型、反向传播网络模型等,将知识图谱视作图,将企业隐患和事故实体看作节点,将实体间关系看作边,利用关系路径中蕴含的信息,通过两个实体间的多步路径对其语义进行分析;
质量评估,对结果数据进行评估,将合格的数据放入知识图谱中,通过专业人士标注的企业隐患和事故数据对知识的可信度进行量化,通过舍弃置信度较低发知识来保证知识库的质量;
知识更新,企业隐患和事故知识库的更新包括概念层的更新和数据层的更新,以当前新增数据为输入,向现有知识图谱中新增知识,这种方式资源消耗小,需要大量人工干预,如定义规则等。
一种电子设备,包括:处理器;
存储器;以及程序,其中程序被存储在存储器中,并且被配置成由处理器执行,程序包括用于执行企业隐患和事故知识图谱构建方法。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行企业隐患和事故知识图谱构建方法。
本发明提供企业隐患和事故知识图谱构建方法,包括以下步骤:企业隐患和事故知识抽取,从企业隐患和事故数据中提取出实体、关系、属性,将实体、关系、属性存入知识库;企业隐患和事故知识融合,对知识库的内容进行整合、消歧、加工;企业隐患和事故知识计算,通过知识推理推断出缺失事实。本发明涉及一种电子设备和存储介质,用于执行企业隐患和事故知识图谱构建方法。本发明在大数据组织结构松散、复杂、难以理解的背景下产生一种知识表示和管理的方式,实现智能化语义检索的基础和桥梁,为万维网上知识互联奠定坚实的基础,在企业保护人员安全和企业财产方面产生重要的作用,对于企业的稳定发展具有非常重要的意义。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.企业隐患和事故知识图谱构建方法,其特征在于,包括以下步骤:
企业隐患和事故知识抽取,从企业隐患和事故数据中提取出实体、关系、属性,将所述实体、关系、属性存入知识库;
企业隐患和事故知识融合,对所述知识库的内容进行整合、消歧、加工;
企业隐患和事故知识计算,通过知识推理推断出缺失事实。
2.如权利要求1所述的企业隐患和事故知识图谱构建方法,其特征在于,所述企业隐患和事故知识抽取步骤包括:
实体抽取,利用已标注的实体三元组在自然语言表述上的共性和差异,对多种企业隐患和事故实体关系内的数据分布进行联合编码,从生成模型的角度去发现未被标注的关系实体三元组;
关系抽取,通过从实体对正标签进行学习的远程监督提取算法从非结构化企业隐患和事故文本中进行关系抽取;
属性抽取,抽取实体的属性值。
3.如权利要求2所述的企业隐患和事故知识图谱构建方法,其特征在于:所述关系抽取步骤中,所述从实体对正标签进行学习的远程监督提取算法具体为基于远程监督的循环神经网络模型;利用循环神经网络抓取实体的描述特征,丰富实体表示,并通过计算实体间关系与句子间的相似度赋予句子不同的权重。
4.如权利要求1所述的企业隐患和事故知识图谱构建方法,其特征在于:在所述企业隐患和事故知识抽取步骤和所述企业隐患和事故知识融合步骤之间还包括收集基础数据,收集企业的各大隐患数据、各大企业事故数据、需要标注的实体类别、数量、关系。
5.如权利要求1所述的企业隐患和事故知识图谱构建方法,其特征在于,所述企业隐患和事故知识融合步骤包括:
实体对齐,通过实体对齐算法迭代标注出异构数据中的实体对齐;
实体链接,利用企业隐患和事故知识库中的实体对从企业大数据的文本中获取的实体指代进行消岐;
关系推演,将从企业大数据文本中获取的实体关系动态扩展到知识库中。
6.如权利要求5所述的企业隐患和事故知识图谱构建方法,其特征在于:所述实体对齐步骤中,所述实体对齐包括成对实体对齐和集成实体对齐,所述实体对齐算法包括概率统计模型、Bootstrapping算法;
所述实体链接步骤包括:
基于实体属性的实体链接,通过计算实体的名字属性中字符串的相似度判断实体是否相同,计算公式如下:
其中,SimCosine()表示通过Consine距离计算实体名称和属性的相似度,SimJaccard()表示通过Jaccard相关系数计算实体名称和属性的相似度,e1、e2为给定的实体,A(e)表示实体的属性字符串;
基于实体流行度的实体链接,对于给定的实体指代,确定与其对应的映射实体为企业隐患和事故数据库中最为公认的实体,计算公式如下:
其中,e表示给定的实体,P(e)表示实体e的流行度,#()表示次数;
基于上下文的实体链接,通过计算给定实体的上下文之间的相似性判断两个实体之间是否为同一实体;
基于外部证据的实体链接,通过实体之间的语义相关性判断两个实体之间是否为同一实体。
7.如权利要求5所述的企业隐患和事故知识图谱构建方法,其特征在于:所述关系推演步骤包括判定两个实体关系是否表示同一种关系,通过嵌入学习方法在嵌入空间中寻找能量函数学习实体的嵌入表示,利用实体的嵌入表达实体关系,并判断两个描述实体的关系是否表达同一种关系,将实体关系进行结构映射。
8.如权利要求1所述的企业隐患和事故知识图谱构建方法,其特征在于:所述企业隐患和事故知识计算步骤包括:
企业隐患和事故知识推理,使用人工智能技术从企业隐患和事故数据中挖掘信息,将知识图谱视作图,将企业隐患和事故实体看作节点,将实体间关系看作边,利用关系路径中蕴含的信息,通过两个实体间的多步路径对其语义进行分析;
质量评估,对结果数据进行评估,将合格的数据放入知识图谱中,通过标注的企业隐患和事故数据对知识的可信度进行量化,舍弃置信度较低的知识;
知识更新,以当前新增数据为输入,向知识图谱中新增知识。
9.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行权利要求1-8任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542675.4A CN111898852A (zh) | 2020-06-15 | 2020-06-15 | 企业隐患和事故知识图谱构建方法、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542675.4A CN111898852A (zh) | 2020-06-15 | 2020-06-15 | 企业隐患和事故知识图谱构建方法、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898852A true CN111898852A (zh) | 2020-11-06 |
Family
ID=73206674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010542675.4A Pending CN111898852A (zh) | 2020-06-15 | 2020-06-15 | 企业隐患和事故知识图谱构建方法、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898852A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486188A (zh) * | 2021-05-31 | 2021-10-08 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于知识图谱的桥梁智能诊断系统 |
CN114925210A (zh) * | 2022-03-21 | 2022-08-19 | 中国电信股份有限公司 | 知识图谱的构建方法、装置、介质及设备 |
CN115114448A (zh) * | 2022-06-02 | 2022-09-27 | 中国电力科学研究院有限公司 | 智能多模态融合用电检查方法、装置、系统、设备及介质 |
CN115906796A (zh) * | 2022-09-23 | 2023-04-04 | 北京市应急管理科学技术研究院 | 一种安全生产隐患实体的对齐方法和系统 |
CN115982386A (zh) * | 2023-02-13 | 2023-04-18 | 创意信息技术股份有限公司 | 一种企业元数据解释的自动生成方法 |
CN117114412A (zh) * | 2023-09-12 | 2023-11-24 | 瑞丰宝丽(北京)科技有限公司 | 一种用于危险化学品生产企业的安全预控方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368468A (zh) * | 2017-06-06 | 2017-11-21 | 广东广业开元科技有限公司 | 一种运维知识图谱的生成方法及系统 |
CN108875051A (zh) * | 2018-06-28 | 2018-11-23 | 中译语通科技股份有限公司 | 面向海量非结构化文本的知识图谱自动构建方法及系统 |
CN109446343A (zh) * | 2018-11-05 | 2019-03-08 | 上海德拓信息技术股份有限公司 | 一种公共安全知识图谱构建的方法 |
CN110472226A (zh) * | 2019-07-03 | 2019-11-19 | 五邑大学 | 一种基于知识图谱的网络安全态势预测方法及装置 |
-
2020
- 2020-06-15 CN CN202010542675.4A patent/CN111898852A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368468A (zh) * | 2017-06-06 | 2017-11-21 | 广东广业开元科技有限公司 | 一种运维知识图谱的生成方法及系统 |
CN108875051A (zh) * | 2018-06-28 | 2018-11-23 | 中译语通科技股份有限公司 | 面向海量非结构化文本的知识图谱自动构建方法及系统 |
CN109446343A (zh) * | 2018-11-05 | 2019-03-08 | 上海德拓信息技术股份有限公司 | 一种公共安全知识图谱构建的方法 |
CN110472226A (zh) * | 2019-07-03 | 2019-11-19 | 五邑大学 | 一种基于知识图谱的网络安全态势预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
侯梦薇等: "知识图谱研究综述及其在医疗领域的应用", 《计算机研究与发展》 * |
熊晶著 * |
王莉: "基于知识图谱的城市轨道交通建设安全管理智能知识支持研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486188A (zh) * | 2021-05-31 | 2021-10-08 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于知识图谱的桥梁智能诊断系统 |
CN113486188B (zh) * | 2021-05-31 | 2023-06-20 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于知识图谱的桥梁智能诊断系统 |
CN114925210A (zh) * | 2022-03-21 | 2022-08-19 | 中国电信股份有限公司 | 知识图谱的构建方法、装置、介质及设备 |
CN114925210B (zh) * | 2022-03-21 | 2023-12-08 | 中国电信股份有限公司 | 知识图谱的构建方法、装置、介质及设备 |
CN115114448A (zh) * | 2022-06-02 | 2022-09-27 | 中国电力科学研究院有限公司 | 智能多模态融合用电检查方法、装置、系统、设备及介质 |
CN115906796A (zh) * | 2022-09-23 | 2023-04-04 | 北京市应急管理科学技术研究院 | 一种安全生产隐患实体的对齐方法和系统 |
CN115982386A (zh) * | 2023-02-13 | 2023-04-18 | 创意信息技术股份有限公司 | 一种企业元数据解释的自动生成方法 |
CN117114412A (zh) * | 2023-09-12 | 2023-11-24 | 瑞丰宝丽(北京)科技有限公司 | 一种用于危险化学品生产企业的安全预控方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898852A (zh) | 企业隐患和事故知识图谱构建方法、电子设备、存储介质 | |
CN111428053B (zh) | 一种面向税务领域知识图谱的构建方法 | |
CN113392986B (zh) | 一种基于大数据的公路桥梁信息抽取方法及管理养护系统 | |
CN113806563B (zh) | 面向多源异构建筑人文史料的建筑师知识图谱构建方法 | |
CN111428054A (zh) | 一种网络空间安全领域知识图谱的构建与存储方法 | |
WO2022174552A1 (zh) | 获取poi状态信息的方法及装置 | |
CN113392209B (zh) | 一种基于人工智能的文本聚类方法、相关设备及存储介质 | |
CN114003791B (zh) | 基于深度图匹配的医疗数据元自动化分类方法及系统 | |
CN113656805A (zh) | 一种面向多源漏洞信息的事件图谱自动构建方法及系统 | |
CN114386422A (zh) | 基于企业污染舆情抽取的智能辅助决策方法及装置 | |
CN113704420A (zh) | 文本中的角色识别方法、装置、电子设备及存储介质 | |
CN116739081A (zh) | 面向电网风险领域的知识获取和表示方法 | |
CN114840685A (zh) | 一种应急预案知识图谱构建方法 | |
CN112632223B (zh) | 案事件知识图谱构建方法及相关设备 | |
CN113610626A (zh) | 银行信贷风险识别知识图谱构建方法、装置、计算机设备及计算机可读存储介质 | |
CN111209750B (zh) | 车联网威胁情报建模方法、装置及可读存储介质 | |
CN117235280A (zh) | 一种操作票生成方法、装置、设备及介质 | |
CN117094390A (zh) | 一种面向海洋工程领域的知识图谱构建及智能搜索方法 | |
CN116701648A (zh) | 基于规范标准映射知识图谱及schema设计方法 | |
CN113807102B (zh) | 建立语义表示模型的方法、装置、设备和计算机存储介质 | |
CN115827885A (zh) | 一种运维知识图谱的构建方法、装置及电子设备 | |
CN115658919A (zh) | 一种文化信息数字化存储方法 | |
CN114328956A (zh) | 文本信息的确定方法、装置、电子设备及存储介质 | |
CN113360680A (zh) | 一种基于电力审计制度的无监督知识图谱构建方法 | |
CN110569061A (zh) | 一种基于大数据的软件工程知识库的自动化构建系统 |
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 |
Application publication date: 20201106 |
|
RJ01 | Rejection of invention patent application after publication |