CN112148840A - 一种基于自然语言理解的税务知识中台及其构建方法 - Google Patents
一种基于自然语言理解的税务知识中台及其构建方法 Download PDFInfo
- Publication number
- CN112148840A CN112148840A CN202011058114.3A CN202011058114A CN112148840A CN 112148840 A CN112148840 A CN 112148840A CN 202011058114 A CN202011058114 A CN 202011058114A CN 112148840 A CN112148840 A CN 112148840A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- tax
- policy
- understanding
- constructing
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 230000003993 interaction Effects 0.000 claims abstract description 34
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 48
- 238000005065 mining Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000012913 prioritisation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009193 crawling Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000008676 import Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F16/34—Browsing; Visualisation therefor
-
- 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
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于自然语言理解的税务知识中台及其构建方法，所述税务知识中台包括知识对齐模块、知识理解模块和知识交互模块；构建该中台时，综合利用知识图谱、搜索与推荐等自然语言处理技术，分别构建上述三个模块。本发明所述平台可作为税务政策领域知识查询的入口，实现多源税务知识的高效关联、更新、检索与学习，不仅适用于涉税工作人员使用，也可作为纳税个人或企业相关人员学习税务政策知识的平台，也可基于此平台构建税务政策领域的问答系统。
Description
技术领域
本发明涉及人工智能领域，具体涉及一种基于自然语言理解的税务知识中台及其构建方法。
背景技术
与其他领域知识相比，税务政策法规具有知识来源多、政策性强、专业性强、不定时更新、地域性强的复杂特点，由此给涉税工作人员带来工作上的诸多不便。具体表现在，一方面，税务政策会会随着新冠疫情等突发事件的出现而临时调整税收政策，纳税服务工作者需要及时整理、学习相关政策法规，更好的为纳税者服务。税务政策法规的学习与查找存在三方面的困难：政策文件的前后关联性及局部知识的变化需要人工整理，即便是工作人员也需要丰富的实战经验；知识源头的多样性让知识整理存在困难，经常需要到多个网址查看相关文件，费时费力；具体知识的检索与查找存在低效问题，经常需要多次查找仍然找不到目标文件。
发明内容
针对现有技术的缺陷，本发明提供一种基于自然语言理解的税务知识中台及其构建方法，综合利用知识图谱、搜索与推荐等自然语言处理技术，实现知识的整理与更新与高效利用的平台，提供高效生产、灵活组织、便捷获取的智能应用知识的全链条能力。
为了解决所述技术问题，本发明采用的技术方案是：一种基于自然语言理解的税务知识中台，所述税务知识中台包括知识对齐模块、知识理解模块和知识交互模块；
知识对齐模块用于实现多源税务政策知识的整理与知识对齐，构建高度结构化的数据；所述整理是指实现多源知识的本地化，对齐是指多源知识的去重与优先级排序；
知识理解模块利用多维度自然语言理解技术，实现多源税务政策知识的关联、层级知识标签的构建及段落级内容的信息抽取，实现税务政策知识篇章级、段落级的理解；
知识交互模块实现多源税务知识的多维度展现，通过语义泛化及语义联想算法，用户通过知识交互模块实现对税务政策知识篇章级、段落级答案的抽取与查看。
本发明还公开了一种税务知识中台的构建方法，包括以下步骤：
S01）、构建知识对齐模块，具体步骤为：
S11）、基于结构化数据库构建本地结构化税务政策知识库模型，在此基础上实现税务知识的结构化整理；
S12）、整理典型税务政策知识站点，构建典型站点库；
S13）、构建动态监测机制，实现典型站点的知识抓取，在监测到政策更新时第一时间实现知识的爬取，确保知识更新的及时性；
S14）、对多源政策知识进行去重，并按照多维度优先级排序功能对所有税务政策文件进行排序；
S02）、构建知识理解模块，具体步骤为：
S21）、基于税种种类实现政策文件的分类，通过分类实现税务政策知识在同一税种意义下的文档关联；
S22）、基于语义挖掘技术实现类内税务政策知识的语义关联，解决税务政策知识不定时局部变化及临时变化的问题；
S23）、采用阅读理解技术，实现税务政策知识段落级重点内容的查找与结构化；
S03）、构建知识交互模块，具体步骤为：
S31）、采用深度学习方法对用户问题进行语义理解，推理得到问题的意图和实体信息；
S32）、对于用户问题进行多维度的内容交互与展现；
所述内容交互是基于用户问题推荐政策文件的税种意义下的标签，基于用户的税种选择再进行二次交互；
所述二次交互是推荐前N篇相关文档或者推荐N个关联度段落级答案或者直接给出最高置信度答案，所述N大于等于1。
进一步的，步骤S14中，基于文本相似度计算或者关键特征比较实现去重。
进一步的，步骤S14中，所述多维度优先级排序包括基于时间维度的排序、基于地域的排序以及基于税号的排序。
进一步的，步骤S21中，基于税种种类实现政策文件的分类方法包括传统机器学习方法、深度学习方法、传统方法与深度学习的融合决策机制以及基于人机融合的方法。
进一步的，步骤S22中，语义挖掘技术采用政策文件关键信息的抽取的方法，通过关键信息的对齐实现税务政策知识的语义关联。
进一步的，步骤S22中，语义挖掘技术采用模糊匹配的方法实现一类税务政策安装时间节点排序的上下文图谱的构建，方便涉税人员对系列税务政策的查阅。
进一步的，步骤S23中，税务政策知识的段落级重点内容包括纳税人、征收管理、税收优惠、征税范围、税务义务发生时间、税率、应纳税额计算、纳税地点。
进一步的，步骤S23中，阅读理解技术采用端到端的训练学习方法或者采用先选择候选段落在进行精细排序的方法。
进一步的，知识交互模块实现体验性友好的交互过程；所述友好的体验性包括记录当前用户的查找历史、计算用户重点关注的税种、统计查询习惯、根据用户重点关注的税种推荐相关最新政策文件内容、根据用户查询习惯实现定向语义联想和泛化。
本发明的有益效果：本发明综合利用知识图谱、搜索与推荐等自然语言处理技术，实现知识的整理与更新与高效利用的平台，提供高效生产、灵活组织、便捷获取的智能应用知识的全链条能力。通过长文本相似度计算及知识挖掘技术实现政策法规文件的聚类及关联，通过多源头知识对齐技术解决知识整理问题，通过语义泛化技术实现知识检索的高效性与准确性。
本发明所述平台可作为税务政策领域知识查询的入口，实现多源税务知识的高效关联、更新、检索与学习，不仅适用于涉税工作人员使用，也可作为纳税个人或企业相关人员学习税务政策知识的平台，也可基于此平台构建税务政策领域的问答系统。
附图说明
图1为实施例所述税务知识中台的系统结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
实施例1
考虑到税务政策知识来源多、政策性强、专业性强、不定时更新、地域性强的特点，本实施例公开一种基于自然语言理解的税务知识中台，此中台可广泛供各级税务局、各类企业事业单位及个人使用。如图1所示，本知识中台包括知识对齐模块、知识理解模块和知识交互模块。
知识对齐模块用于实现多源税务政策知识的整理与知识对齐，构建高度结构化的数据；所述整理是指实现多源知识的本地化，对齐是指多源知识的去重与优先级排序。
知识理解模块利用多维度自然语言理解技术，实现多源税务政策知识的关联、层级知识标签的构建及段落级内容的信息抽取，实现税务政策知识篇章级、段落级的理解。
知识交互模块实现多源税务知识的多维度展现，通过语义泛化及语义联想算法，用户通过知识交互模块实现对税务政策知识篇章级、段落级答案的抽取与查看。
实施例2
本实施例公开一种税务知识中台的构建方法，包括以下步骤：
S01）、构建知识对齐模块，知识对齐模块用于实现多源税务政策知识的整理与知识对齐，构建高度结构化的数据；这里的整理是指实现多源知识的本地化，对齐是指多源知识的去重与优先级排序。
构建知识对齐模块的具体步骤为：
S11）、基于结构化数据库构建本地结构化税务政策知识库模型，在此基础上实现税务知识的结构化整理；
本实施例中，所述结构化数据库为关系型数据库或者Mysql数据库。
S12）、整理典型税务政策知识站点，构建典型站点库；
所述典型税务政策知识站点包括但不限于财政部网站、国家税务总局网站、各省市税务局网站。
S13）、构建动态监测机制，实现典型站点的知识抓取，在监测到政策更新时第一时间实现知识的爬取，确保知识更新的及时性；
S14）、对多源政策知识进行去重，并按照多维度优先级排序功能对所有税务政策文件进行排序；
本实施例中，基于文本相似度计算或者关键特征比较实现去重，所述关键特征可以是文件号，也可以是其他特征。
本实施例中，所述多维度优先级排序包括基于时间维度的排序、基于地域的排序以及基于税号的排序。
S02）、构建知识理解模块，此模块充分利用文本分类、知识挖掘、阅读理解等多维度自然语言理解技术，实现多源税务政策知识的关联、层级知识标签的构建及段落级内容的信息抽取，实现税务政策知识篇章级、段落级的理解。
构建知识理解模块的具体步骤为：
S21）、基于税种种类实现政策文件的分类，通过分类实现企业所得税、个人所得税、增值税、营业税、进出口税、契税、房产税、车辆购置税等税务政策知识在同一税种意义下的文档关联；
本实施例中，基于税种种类实现政策文件的分类方法包括传统机器学习方法、深度学习方法、传统方法与深度学习的融合决策机制以及基于人机融合的方法。
所述税种种类包括但不限于企业所得税、个人所得税、增值税、营业税、进出口税、契税、房产税、车辆购置税等。
S22）、基于语义挖掘技术实现类内税务政策知识的语义关联，解决税务政策知识不定时局部变化及临时变化的问题；
本实施例中，语义挖掘技术采用政策文件关键信息的抽取的方法，通过关键信息的对齐实现税务政策知识的语义关联。
进一步的，采用模糊匹配的方法实现一类税务政策安装时间节点排序的上下文图谱的构建，方便涉税人员对系列税务政策的查阅。
S23）、采用阅读理解技术，实现税务政策知识段落级重点内容的查找与结构化；
本实施例中，税务政策知识的段落级重点内容包括纳税人、征收管理、税收优惠、征税范围、税务义务发生时间、税率、应纳税额计算、纳税地点。
阅读理解技术采用端到端的训练学习方法或者采用先选择候选段落在进行精细排序的方法。
S03）、构建知识交互模块，此模块实现多源税务知识的多维度展现，通过语义泛化及语义联想算法，用户可通过此交互模块实现对税务政策知识篇章级、段落级答案的抽取与查看。
构建知识交互模块的具体步骤为：
S31）、采用深度学习方法对用户问题进行语义理解，推理得到问题的意图和实体信息；
S32）、对于用户问题进行多维度的内容交互与展现；
所述内容交互是基于用户问题推荐政策文件的税种意义下的标签，基于用户的税种选择再进行二次交互；
所述二次交互是推荐前N篇相关文档或者推荐N个关联度段落级答案或者直接给出最高置信度答案，所述N大于等于1。
本实施例中，知识交互模块实现体验性友好的交互过程；所述友好的体验性包括记录当前用户的查找历史、计算用户重点关注的税种、统计查询习惯、根据用户重点关注的税种推荐相关最新政策文件内容、根据用户查询习惯实现定向语义联想和泛化。根据体验性友好的交互过程可以提升用户查找的准确度，实现千人千面的体验效果。
由以上步骤可知，此方案通过多源税务政策知识对齐及税务政策知识的语义理解与语义关联，为涉税人员提供了税务政策知识的统一入口，可方便的实现税务政策知识的查阅。
以上描述的仅是本发明的基本原理和优选实施例，本领域技术人员根据本发明做出的改进和替换，属于本发明的保护范围。
Claims (10)
1.一种基于自然语言理解的税务知识中台，其特征在于：所述税务知识中台包括知识对齐模块、知识理解模块和知识交互模块；
知识对齐模块用于实现多源税务政策知识的整理与知识对齐，构建高度结构化的数据；所述整理是指实现多源知识的本地化，对齐是指多源知识的去重与优先级排序；
知识理解模块利用多维度自然语言理解技术，实现多源税务政策知识的关联、层级知识标签的构建及段落级内容的信息抽取，实现税务政策知识篇章级、段落级的理解；
知识交互模块实现多源税务知识的多维度展现，通过语义泛化及语义联想算法，用户通过知识交互模块实现对税务政策知识篇章级、段落级答案的抽取与查看。
2.权利要求1所述税务知识中台的构建方法，其特征在于：包括以下步骤：
S01）、构建知识对齐模块，具体步骤为：
S11）、基于结构化数据库构建本地结构化税务政策知识库模型，在此基础上实现税务知识的结构化整理；
S12）、整理典型税务政策知识站点，构建典型站点库；
S13）、构建动态监测机制，实现典型站点的知识抓取，在监测到政策更新时第一时间实现知识的爬取，确保知识更新的及时性；
S14）、对多源政策知识进行去重，并按照多维度优先级排序功能对所有税务政策文件进行排序；
S02）、构建知识理解模块，具体步骤为：
S21）、基于税种种类实现政策文件的分类，通过分类实现税务政策知识在同一税种意义下的文档关联；
S22）、基于语义挖掘技术实现类内税务政策知识的语义关联，解决税务政策知识不定时局部变化及临时变化的问题；
S23）、采用阅读理解技术，实现税务政策知识段落级重点内容的查找与结构化；
S03）、构建知识交互模块，具体步骤为：
S31）、采用深度学习方法对用户问题进行语义理解，推理得到问题的意图和实体信息；
S32）、对于用户问题进行多维度的内容交互与展现；
所述内容交互是基于用户问题推荐政策文件的税种意义下的标签，基于用户的税种选择再进行二次交互；
所述二次交互是推荐前N篇相关文档或者推荐N个关联度段落级答案或者直接给出最高置信度答案，所述N大于等于1。
3.根据权利要求2所述的税务知识中台的构建方法，其特征在于：步骤S14中，基于文本相似度计算或者关键特征比较实现去重。
4.根据权利要求2所述的税务知识中台的构建方法，其特征在于：步骤S14中，所述多维度优先级排序包括基于时间维度的排序、基于地域的排序以及基于税号的排序。
5.根据权利要求2所述的税务知识中台的构建方法，其特征在于：步骤S21中，基于税种种类实现政策文件的分类方法包括传统机器学习方法、深度学习方法、传统方法与深度学习的融合决策机制以及基于人机融合的方法。
6.根据权利要求2所述的税务知识中台的构建方法，其特征在于：步骤S22中，语义挖掘技术采用政策文件关键信息的抽取的方法，通过关键信息的对齐实现税务政策知识的语义关联。
7.根据权利要求2所述的税务知识中台的构建方法，其特征在于：步骤S22中，语义挖掘技术采用模糊匹配的方法实现一类税务政策安装时间节点排序的上下文图谱的构建，方便涉税人员对系列税务政策的查阅。
8.根据权利要求2所述的税务知识中台的构建方法，其特征在于：步骤S23中，税务政策知识的段落级重点内容包括纳税人、征收管理、税收优惠、征税范围、税务义务发生时间、税率、应纳税额计算、纳税地点。
9.根据权利要求2所述的纳税知识中台的构建方法，其特征在于：步骤S23中，阅读理解技术采用端到端的训练学习方法或者采用先选择候选段落在进行精细排序的方法。
10.根据权利要求2所述的纳税知识中台的构建方法，其特征在于：知识交互模块实现体验性友好的交互过程；所述友好的体验性包括记录当前用户的查找历史、计算用户重点关注的税种、统计查询习惯、根据用户重点关注的税种推荐相关最新政策文件内容、根据用户查询习惯实现定向语义联想和泛化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011058114.3A CN112148840A (zh) | 2020-09-30 | 2020-09-30 | 一种基于自然语言理解的税务知识中台及其构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011058114.3A CN112148840A (zh) | 2020-09-30 | 2020-09-30 | 一种基于自然语言理解的税务知识中台及其构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112148840A true CN112148840A (zh) | 2020-12-29 |
Family
ID=73895093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011058114.3A Pending CN112148840A (zh) | 2020-09-30 | 2020-09-30 | 一种基于自然语言理解的税务知识中台及其构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112148840A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159719A (zh) * | 2021-04-22 | 2021-07-23 | 浪潮软件科技有限公司 | 一种针对税务人员快速响应机制问题的实现方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951558A (zh) * | 2017-03-31 | 2017-07-14 | 广东睿盟计算机科技有限公司 | 一种基于深度搜索的税务智能咨询平台的数据处理方法 |
| CN107491552A (zh) * | 2017-08-30 | 2017-12-19 | 深圳市中润四方信息技术有限公司 | 一种税务知识推送的方法及系统 |
| CN109241258A (zh) * | 2018-08-23 | 2019-01-18 | 江苏索迩软件技术有限公司 | 一种应用税务领域的深度学习智能问答系统 |
| CN110377715A (zh) * | 2019-07-23 | 2019-10-25 | 天津汇智星源信息技术有限公司 | 基于法律知识图谱的推理式精准智能问答方法 |
| CN111428053A (zh) * | 2020-03-30 | 2020-07-17 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法 |
-
2020
- 2020-09-30 CN CN202011058114.3A patent/CN112148840A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951558A (zh) * | 2017-03-31 | 2017-07-14 | 广东睿盟计算机科技有限公司 | 一种基于深度搜索的税务智能咨询平台的数据处理方法 |
| CN107491552A (zh) * | 2017-08-30 | 2017-12-19 | 深圳市中润四方信息技术有限公司 | 一种税务知识推送的方法及系统 |
| CN109241258A (zh) * | 2018-08-23 | 2019-01-18 | 江苏索迩软件技术有限公司 | 一种应用税务领域的深度学习智能问答系统 |
| CN110377715A (zh) * | 2019-07-23 | 2019-10-25 | 天津汇智星源信息技术有限公司 | 基于法律知识图谱的推理式精准智能问答方法 |
| CN111428053A (zh) * | 2020-03-30 | 2020-07-17 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159719A (zh) * | 2021-04-22 | 2021-07-23 | 浪潮软件科技有限公司 | 一种针对税务人员快速响应机制问题的实现方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111428053B (zh) | 一种面向税务领域知识图谱的构建方法 | |
| CN104318340A (zh) | 基于文本履历信息的信息可视化方法及智能可视分析系统 | |
| CN113254659A (zh) | 一种基于知识图谱技术的档案研判方法及系统 | |
| CN102567464A (zh) | 基于扩展主题图的知识资源组织方法 | |
| CN112559907A (zh) | 基于时空标签时空关联的基础数据检索与集成展示方法 | |
| CN103605771A (zh) | 一种智能化辅助决策和维护系统及其运行方法 | |
| CN117151659B (zh) | 一种基于大语言模型的生态修复工程全生命周期追溯方法 | |
| CN116384889A (zh) | 基于自然语言处理技术的情报大数据智能分析方法 | |
| Rabiei et al. | Using text mining techniques for identifying research gaps and priorities: a case study of the environmental science in Iran | |
| Zhang et al. | Analysis of traffic accident based on knowledge graph | |
| Xia et al. | Building terrorist knowledge graph from global terrorism database and wikipedia | |
| CN114997624A (zh) | 智能化全员安全生产责任制管理系统 | |
| Ladi et al. | Applications of machine learning and deep learning methods for climate change mitigation and adaptation | |
| CN104915388A (zh) | 一种基于谱聚类和众包技术的图书标签推荐方法 | |
| CN112148840A (zh) | 一种基于自然语言理解的税务知识中台及其构建方法 | |
| CN113918724A (zh) | 一种河湖健康知识图谱的构建方法 | |
| CN103365960A (zh) | 电力多级调度管理结构化数据的离线搜索方法 | |
| CN113673889A (zh) | 一种智能化数据资产识别的方法 | |
| Brandas et al. | Data driven decision support systems: an application case in labour market analysis | |
| Wang et al. | A government policy analysis platform based on knowledge graph | |
| Luo et al. | Chinese address standardisation of POIs based on GRU and spatial correlation and applied in multi-source emergency events fusion | |
| Zifu et al. | Research of the classification model based on dominance rough set approach for China emergency communication | |
| Wu et al. | GIS enabled service site selection: Environmental analysis and beyond | |
| Neelameghan | Application of Ranganathan’s general theory of knowledge classification in designing specialized databases | |
| CN113032504A (zh) | 村镇社区公共服务时空数据汇聚方法及装置 |
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: 20201229 |
|
| RJ01 | Rejection of invention patent application after publication |