CN112231418A - 电力标准知识图谱构建方法、装置、计算机设备和介质 - Google Patents

电力标准知识图谱构建方法、装置、计算机设备和介质 Download PDF

Info

Publication number
CN112231418A
CN112231418A CN202011102415.1A CN202011102415A CN112231418A CN 112231418 A CN112231418 A CN 112231418A CN 202011102415 A CN202011102415 A CN 202011102415A CN 112231418 A CN112231418 A CN 112231418A
Authority
CN
China
Prior art keywords
data
power standard
knowledge graph
entity
extraction
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
CN202011102415.1A
Other languages
English (en)
Other versions
CN112231418B (zh
Inventor
陈浩敏
张凡
姚森敬
于力
辛文成
席禹
敖榜
姜臻
张斌
郭志诚
李晋伟
周敬中
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.)
China Southern Power Grid Artificial Intelligence Technology Co ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
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 Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202011102415.1A priority Critical patent/CN112231418B/zh
Publication of CN112231418A publication Critical patent/CN112231418A/zh
Application granted granted Critical
Publication of CN112231418B publication Critical patent/CN112231418B/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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2433—Query languages
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种电力标准知识图谱构建方法、装置、计算机设备和存储介质，其中方法包括：分析与整理电力标准数据，以自顶向下设计电力标准知识图谱的模式层，基于规则以及机器学习算法对所述电力标准数据进行知识抽取，得到抽取后的数据，对抽取后的数据进行实体链接，构建电力标准知识图谱。上述方案中采用基于规则与机器学习技术的电力标准数据进行知识抽取，并进行知识融合和实体链接构建得到的合理且准确的电力标准知识图谱，可以支持电力标准数据高效且准确搜索。

Description

电力标准知识图谱构建方法、装置、计算机设备和介质
技术领域
本申请涉及智能电网技术领域，特别是涉及一种电力标准知识图谱构建方法、装置、计算机设备和存储介质。
背景技术
当前是通过建设电力标准管理系统，实现电力标准管理信息化。通过标准信息数据的统一管理，提供标准信息的查询和分析等功能，主要目的是实现互联互通和信息共享。当前标准文献服务系统还停留在基于关键字的文献检索层次，标准文献的加工力度较粗，未能深入到标准文献内部的语义知识单元，忽视了标准文献知识单元之间的关联管理，只能提供简单的文献搜索和下载功能，不能为用户提供面向深层次的标准文献服务。
在实际应用中，由于存在标准文献的版权问题导致了标准文献机器可读取全文数据获取困难，很多标准文献以PDF图像扫描件的形式储存，导致计算机难以读取标准文献内容信息。因此，多数系统通过光符识别技术对标准文献进行转化处理，获取相应纯文本数据。然而，纯文本数据在解决内容读取问题的同时，也导致了原始文本的结构丢失，不利于标准文献的语义加工及语义知识组织。另外，由于标准文献覆盖不同专业、行业、涉及众多科学知识内容，本体内容比较复杂，难以构建一个通用的知识本体，且人工构建的方式需要消耗大量的人力成本。
上述原因导致了目前电力标准数据搜索过程复杂且搜索结果不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种支持电力标准数据高效且准确搜索的电力标准知识图谱构建方法、装置、计算机设备和存储介质。
一种电力标准知识图谱构建方法，方法包括：
获取电力标准数据；
对电力标准数据进行分析与整理，以自顶向下设计电力标准知识图谱的模式层；
根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行知识抽取，得到抽取后的数据；
对抽取后的数据进行实体链接，构建电力标准知识图谱。
在其中一个实施例中，根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行知识抽取，得到抽取后的数据包括：
对电力标准数据进行预处理，得到预处理后的数据；
根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行实体抽取以及实体关系抽取；
根据实体抽取以及实体关系抽取的结果，得到知识图谱三元组数据；
将知识图谱三元组数据与电力标准知识图谱的模式层进行匹配，删除知识图谱三元组数据中错误的三元组数据、并补齐数据缺失的三元组数据，得到抽取后的数据。
在其中一个实施例中，根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行实体抽取以及实体关系抽取包括：
基于电力标准知识图谱的模式层、并采用深度学习模型LSTM-CRF对预处理后的数据进行实体抽取，得到实体抽取结果；
基于电力标准知识图谱的模式层、并采用序列和树结构的LSTM的关系抽取算法进行关系抽取，得到实体关系抽取结果。
在其中一个实施例中，对电力标准数据进行预处理，得到预处理后的数据包括：
根据电力标准知识图谱的模式层对电力标准数据依次进行去除脏数据处理，脏数据包括冗余数据、重复数据、错误数据以及异常数据的任意一种。
在其中一个实施例中，对电力标准数据进行分析与整理，以自顶向下设计电力标准知识图谱的模式层包括：
对电力标准数据进行处理，分析归纳数据模式；
基于预设电力标准经验数据对处理后的数据进行抽象建模，采用自顶向下设计电力标准知识图谱的模式层。
在其中一个实施例中，对抽取后的数据进行实体链接，构建电力标准知识图谱包括：
对抽取后的数据采用构建名称词典的方式生产候选实体；
采用基于学习排名的算法对候选实体进行排序，得到排序结果；
根据排序结果进行实体链接，构建电力标准知识图谱。
在其中一个实施例中，对抽取后的数据进行实体链接，构建电力标准知识图谱之后，还包括：
当接收到搜索请求时，提取搜索请求中携带的搜索内容；
对搜索内容进行实体提取并识别用户意图数据；
将实体提取结果以及用户意图数据转换为SPARQL查询语句；
根据SPARQL查询语句，调用SPARQL查询函数从电力标准知识图谱查询数据，得到查询结果。
一种电力标准知识图谱构建装置，装置包括：
标准数据获取模块，用于获取电力标准数据；
模式层设计模块，用于对电力标准数据进行分析与整理，以自顶向下设计电力标准知识图谱的模式层；
知识抽取模块，用于根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行知识抽取，得到抽取后的数据；
知识图谱构建模块，用于对抽取后的数据进行实体链接，构建电力标准知识图谱。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如上述方法的步骤。
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时实现如上述的方法的步骤。
上述电力标准知识图谱构建方法、装置、计算机设备和存储介质，分析与整理电力标准数据，以自顶向下设计电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行知识抽取，得到抽取后的数据，对抽取后的数据进行实体链接，构建电力标准知识图谱。上述方案中采用基于规则与机器学习技术的电力标准数据进行知识抽取，并进行知识融合和实体链接构建得到的合理且准确的电力标准知识图谱，可以支持电力标准数据高效且准确搜索。
附图说明
图1为一个实施例中电力标准知识图谱构建方法的应用环境图；
图2为一个实施例中电力标准知识图谱构建方法的流程示意图；
图3为另一个实施例中电力标准知识图谱构建方法的流程示意图；
图4为一个实施例中电力标准知识图谱构建装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的电力标准知识图谱构建方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。知识图谱构建阶段，终端102将电力标准数据采集上传至服务器104，服务器104获取终端102上传的电力标准数据以及自行爬取等方式自动归集得到的电力标准数据，服务器104对电力标准数据进行分析与整理，以自顶向下设计电力标准知识图谱的模式层；根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行知识抽取，得到抽取后的数据；对抽取后的数据进行实体链接，构建电力标准知识图谱，服务器104将构建的电力标准知识图谱保存下来。当在电力标准数据查询阶段时，用户通过其他用户终端发送查询请求到服务器104，服务器104基于存储的电力标准知识图谱查询并反馈查询结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种电力标准知识图谱构建方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
S100：获取电力标准数据。
电力标准数据可以是电力标准文档数据或者电力行业规范行技术文档，例如国家针对电力行业制定的标准等。具体来说，电力标准数据一方面可以通过下游终端采集上传至服务器，由服务器进行识别确认为合法、有效的数据之后将其存储作为电力标准数据；另一方面，服务器还可以通过主动爬取以及支持外部授权写入的方式归集电力标准数据。电力标准数据主要是由电力标准文档，可以基于光学标识符技术对电力标准文档扫描，得到电力标准文档数据。
S200：对电力标准数据进行分析与整理，以自顶向下设计电力标准知识图谱的模式层。
优先针对电力标准知识图谱的模式层进行设计，在设计过程中对电力标准数据进行分析与整理，采取自顶向下的方式设计。具体来说，分析与整理主要包括对电力标准数据进行预处理，去除其中携带一些异常数据，例如残缺数据、错误数据等，另外还可以对电力标准数据分析归纳数据模式，针对预处理分析之后的数据结合电力标准的业务经验知识指导设计电力标准知识图谱的模式层。
S300：根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行知识抽取，得到抽取后的数据。
基于构建好的电力标准知识图谱的模式层，采用基于规则以及机器学习算法的方式对电力标准数据进行知识抽取，抽取其中实体以及实体关系，得到抽取的后的数据。具体来说，一部分知识抽取是基于我们自顶向下建立的模式层构建抽取规则，另一部分是我们根据具体数据自定义的一般规则。对于抽取到的部分实体和关系，如果不属于已定义的模式层，我们对其进行抽象补充完善模式层，这种方式即自底向上。抽取后的数据中包含有实体以及实体之间的关系，其具体以知识图谱中三元数组方式表征，如(实体1，实体2，关系A)。
S400：对抽取后的数据进行实体链接，构建电力标准知识图谱。
链接是将文本中标注的实体名称映射到知识图谱对应知识库的实体上。针对抽取后的数据进行实体链接可以实现对知识图谱对应知识库的更新扩充，以便后续得到更大的知识图谱。
上述电力标准知识图谱构建方法，分析与整理电力标准数据，以自顶向下设计电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行知识抽取，得到抽取后的数据，对抽取后的数据进行实体链接，构建电力标准知识图谱。上述方案中采用基于规则与机器学习技术的电力标准数据进行知识抽取，并进行知识融合和实体链接构建得到的合理且准确的电力标准知识图谱，可以支持电力标准数据高效且准确搜索。
如图3所示，在其中一个实施例中，S300包括：
S310：对电力标准数据进行预处理，得到预处理后的数据。
S320：根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行实体抽取以及实体关系抽取。
S330：根据实体抽取以及实体关系抽取的结果，得到知识图谱三元组数据。
S340：将知识图谱三元组数据与电力标准知识图谱的模式层进行匹配，删除知识图谱三元组数据中错误的三元组数据、并补齐数据缺失的三元组数据，得到抽取后的数据。
预处理主要包括根据电力标准知识图谱的模式层对电力标准数据依次进行去除脏数据处理，脏数据包括冗余数据、重复数据、错误数据以及异常数据的任意一种，避免脏数据干扰后续数据处理，得到预处理后的数据。根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行实体抽取，待实体抽取完成后进行实体关系抽取。具体来说，可以基于电力标准知识图谱的模式层、并采用深度学习模型LSTM-CRF对预处理后的数据进行实体抽取，得到实体抽取结果；基于电力标准知识图谱的模式层、并采用序列和树结构的LSTM的关系抽取算法进行关系抽取，得到实体关系抽取结果，其中可以由电力标准知识图谱的模式层确定抽取规则，按照确定的规则并且基于机器学习算法抽取数据。根据实体抽取以及实体关系抽取的结果可以得到知识图谱三元组数据，例如可以得到(实体1，实体2，关系A)、(实体3，实体4，关系B)这种三元组。由于直接抽取得到的三元组中可能存在错误或残缺/不完整的数据，因此，需要基于知识图谱三元组数据与电力标准知识图谱的模式层进行匹配，识别出其中错误或残缺的三元组，将错误的三元组删除并且补齐数据缺失的三元组数据，得到抽取后的数据。可以理解，抽取后的数据中包含大量合格的三元数组，将这些三元数据按照知识图谱格式要求以及已经构建的电力标准知识图谱的模式层约束，即可构建出电力标准知识图谱。
如图3所示，在其中一个实施例中，S200包括：
S220：对电力标准数据进行处理，分析归纳数据模式；
S240：基于预设电力标准经验数据对处理后的数据进行抽象建模，采用自顶向下设计电力标准知识图谱的模式层。
对S100得到的电力标准数据进行处理，分析归纳数据模式，得到归纳后的多种类型数据；由于设计电力标准知识图谱的模式层需要在实例电力标准数据的基础上，运用电力标准的经验知识进行抽象建模建立，因此在这里采用电力标准经验数据对归纳后的数据进行抽象建模，以采用自顶向下设计电力标准知识图谱的模式层。具体来说，上述抽象建模过程包括以下步骤：首先分析归纳后的电力标准数据集，根据电力专业和标准类别进行分类；其次设计模式层通用部分如标准基本信息包括标准名称、标准分类以及标准生效日期等；最后根据每个分类分别设计模式层专业部分，如电气试验标准包括试验项目、试验周期等，待每个分类都设计完成时，即得到自顶向下的电力标准知识图谱的模式层，可以将该电力标准知识图谱的模式层先存储至知识库。
如图3所示，在其中一个实施例中，S400包括：
S420：对抽取后的数据采用构建名称词典的方式生产候选实体。
S440：采用基于学习排名的算法对候选实体进行排序，得到排序结果。
S460：根据排序结果进行实体链接，构建电力标准知识图谱。
链接是将文本中标注的实体名称映射到知识库的实体上，具体包括两步，一是候选实体生成，是对文本中标注的实体名称，找到所有可能的实体作为候选实体，候选实体的生成可以通过如下三种方式：(1)维基百科中重定向及超链接等方式生成；(2)通过与实体名称的简称、缩写等相似性比较生成；(3)上下文其他标注的实体名称对应的实体生成。二是候选实体排序，利用某些特征，对候选实体进行排序，选择最可能的实体作为预测实体，这里的特征包括以下两类：(1)独立于上下文的特征，可以选择标注实体名称到候选实体的链接记录数和候选实体自身的一些属性比如热度、类型等等；(2)不独立于上下文的特征，即上下文的一致性特征，如通过标注实体名称上下文对应实体间的Jaccard Distance来比较，通过实体链接就可以实现知识库的更新扩充，得到更大的知识图谱。得到实体链接结果之后，将其写入到电力标准知识图谱的数据层，构建得到电力标准知识图谱。具体来说，上述链接过程可以理解为一个扩充与知识融合的过程，在步骤S300处理后得到多个三元数组，一个知识子图是由多个三元组构成的网络，多个知识子图进行知识融合可以得到更大的知识网络。
在其中一个实施例中，对抽取后的数据进行实体链接，构建电力标准知识图谱之后，还包括：
当接收到搜索请求时，提取搜索请求中携带的搜索内容；对搜索内容进行实体提取并识别用户意图数据；将实体提取结果以及用户意图数据转换为SPARQL查询语句；根据SPARQL查询语句，调用SPARQL查询函数从电力标准知识图谱查询数据，得到查询结果。
服务器在构建得到电力标准知识图谱之后，当接收到搜索请求时，响应搜索请求，借助构建好的电力标准知识图谱采用SPARQL查询语句得到准确的查询结果，将查询结果反馈给到用户。在上述过程中可以利用NLP(神经语言程序学，Neuro-LinguisticProgramming)技术，将用户问题转化为模板，在模板匹配过程中抽取实体值和判断用户的意图。
在实际应用中，本申请电力标准知识图谱构建方法通过技术实现电力标准数据的获取、知识抽取、本体构建，建立电力标准数据库，再将电力标准知识数据以图数据库的方式实现电力标准知识的高效存储和查询功能。应用信息可视化技术构建电力标准知识图谱，实现电力标准信息的可视化，提供直观的标准层级关系，提高电力标准文档服务的效率和精确性。基于电力标准知识图谱，为用户提供标准体系管理技术，可根据预设的行业分类维度管理标准资源。在可视化电力标准知识图谱的基础上通过基于语义模型的电力标准搜索技术为用户提供电力标准的全文搜索应用功能，提供给用户更加智能、精确、人性化的结果。
更进一步来说，在上述实施例中，本申请电力标准知识图谱构建方法通过基于规则(自然语言处理)与机器学习技术的电力标准知识抽取，实现自动识别、自动提取电力标准文档中的实体、关系以及属性；利用规则(自然语言处理)与机器学习技术的电力标准知识融合，实现实体的自动链接，并解决实体链接过程中的同名实体歧义、实体冲突、指向不明等问题。通过图数据库的电力标准知识存储及查询技术应用，实现以图结构形式进行电力标准知识图谱的高效存储和查询，并通过特有的图处理引擎，实现高效处理数据之间复杂的连接关系，以解决电力标准文档知识随着知识的更新以及关联深度的增加，导致的存储及查询性能问题。整个方案中，根据电力标准数据行业特性及标准文件数据自身的语义结构特点。采用自顶向下和自底向上相结合的知识图谱构建方法。即先自顶向下的方式构建知识图谱的模式层，再自底向上的方式抽取知识构建数据层，从而得到支持电力标准知识准确且高效查询的电力标准知识图谱。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行
如图4所示，本申请还提供一种电力标准知识图谱构建装置，装置包括：
标准数据获取模块100，用于获取电力标准数据；
模式层设计模块200，用于对电力标准数据进行分析与整理，以自顶向下设计电力标准知识图谱的模式层；
知识抽取模块300，用于根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行知识抽取，得到抽取后的数据；
知识图谱构建模块400，用于对抽取后的数据进行实体链接，构建电力标准知识图谱。
上述电力标准知识图谱构建装置，分析与整理电力标准数据，以自顶向下设计电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行知识抽取，得到抽取后的数据，对抽取后的数据进行实体链接，构建电力标准知识图谱。上述方案中采用基于规则与机器学习技术的电力标准数据进行知识抽取，并进行知识融合和实体链接构建得到的合理且准确的电力标准知识图谱，可以支持电力标准数据高效且准确搜索。
在其中一个实施例中，知识抽取模块300还用于对电力标准数据进行预处理，得到预处理后的数据；根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行实体抽取以及实体关系抽取；根据实体抽取以及实体关系抽取的结果，得到知识图谱三元组数据；将知识图谱三元组数据与电力标准知识图谱的模式层进行匹配，删除知识图谱三元组数据中错误的三元组数据、并补齐数据缺失的三元组数据，得到抽取后的数据。
在其中一个实施例中，知识抽取模块300还用于基于电力标准知识图谱的模式层、并采用深度学习模型LSTM-CRF对预处理后的数据进行实体抽取，得到实体抽取结果；基于电力标准知识图谱的模式层、并采用序列和树结构的LSTM的关系抽取算法进行关系抽取，得到实体关系抽取结果。
在其中一个实施例中，知识抽取模块300还用于根据电力标准知识图谱的模式层对电力标准数据依次进行去除脏数据处理，脏数据包括冗余数据、重复数据、错误数据以及异常数据的任意一种。
在其中一个实施例中，模式层设计模块200还用于对电力标准数据进行处理，分析归纳数据模式；基于预设电力标准经验数据对处理后的数据进行抽象建模，采用自顶向下设计电力标准知识图谱的模式层。
在其中一个实施例中，知识图谱构建模块400还用于对抽取后的数据采用构建名称词典的方式生产候选实体；采用基于学习排名的算法对候选实体进行排序，得到排序结果；根据排序结果进行实体链接，构建电力标准知识图谱。
在其中一个实施例中，上述装置还包括查询反馈模块，用于当接收到搜索请求时，提取搜索请求中携带的搜索内容；对搜索内容进行实体提取并识别用户意图数据；将实体提取结果以及用户意图数据转换为SPARQL查询语句；根据SPARQL查询语句，调用SPARQL查询函数从电力标准知识图谱查询数据，得到查询结果。
关于电力标准知识图谱构建装置的具体限定可以参见上文中对于电力标准知识图谱构建方法的限定，在此不再赘述。上述电力标准知识图谱构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力标准数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力标准知识图谱构建方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取电力标准数据；
对电力标准数据进行分析与整理，以自顶向下设计电力标准知识图谱的模式层；
根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行知识抽取，得到抽取后的数据；
对抽取后的数据进行实体链接，构建电力标准知识图谱。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对电力标准数据进行预处理，得到预处理后的数据；根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行实体抽取以及实体关系抽取；根据实体抽取以及实体关系抽取的结果，得到知识图谱三元组数据；将知识图谱三元组数据与电力标准知识图谱的模式层进行匹配，删除知识图谱三元组数据中错误的三元组数据、并补齐数据缺失的三元组数据，得到抽取后的数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于电力标准知识图谱的模式层、并采用深度学习模型LSTM-CRF对预处理后的数据进行实体抽取，得到实体抽取结果；基于电力标准知识图谱的模式层、并采用序列和树结构的LSTM的关系抽取算法进行关系抽取，得到实体关系抽取结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据电力标准知识图谱的模式层对电力标准数据依次进行去除脏数据处理，脏数据包括冗余数据、重复数据、错误数据以及异常数据的任意一种。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对电力标准数据进行处理，分析归纳数据模式；基于预设电力标准经验数据对处理后的数据进行抽象建模，采用自顶向下设计电力标准知识图谱的模式层。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对抽取后的数据采用构建名称词典的方式生产候选实体；采用基于学习排名的算法对候选实体进行排序，得到排序结果；根据排序结果进行实体链接，构建电力标准知识图谱。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当接收到搜索请求时，提取搜索请求中携带的搜索内容；对搜索内容进行实体提取并识别用户意图数据；将实体提取结果以及用户意图数据转换为SPARQL查询语句；根据SPARQL查询语句，调用SPARQL查询函数从电力标准知识图谱查询数据，得到查询结果。
在一个实施例中，提供了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时实现以下步骤：
获取电力标准数据；
对电力标准数据进行分析与整理，以自顶向下设计电力标准知识图谱的模式层；
根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行知识抽取，得到抽取后的数据；
对抽取后的数据进行实体链接，构建电力标准知识图谱。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对电力标准数据进行预处理，得到预处理后的数据；根据电力标准知识图谱的模式层，基于规则以及机器学习算法对电力标准数据进行实体抽取以及实体关系抽取；根据实体抽取以及实体关系抽取的结果，得到知识图谱三元组数据；将知识图谱三元组数据与电力标准知识图谱的模式层进行匹配，删除知识图谱三元组数据中错误的三元组数据、并补齐数据缺失的三元组数据，得到抽取后的数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于电力标准知识图谱的模式层、并采用深度学习模型LSTM-CRF对预处理后的数据进行实体抽取，得到实体抽取结果；基于电力标准知识图谱的模式层、并采用序列和树结构的LSTM的关系抽取算法进行关系抽取，得到实体关系抽取结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据电力标准知识图谱的模式层对电力标准数据依次进行去除脏数据处理，脏数据包括冗余数据、重复数据、错误数据以及异常数据的任意一种。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对电力标准数据进行处理，分析归纳数据模式；基于预设电力标准经验数据对处理后的数据进行抽象建模，采用自顶向下设计电力标准知识图谱的模式层。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对抽取后的数据采用构建名称词典的方式生产候选实体；采用基于学习排名的算法对候选实体进行排序，得到排序结果；根据排序结果进行实体链接，构建电力标准知识图谱。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
当接收到搜索请求时，提取搜索请求中携带的搜索内容；对搜索内容进行实体提取并识别用户意图数据；将实体提取结果以及用户意图数据转换为SPARQL查询语句；根据SPARQL查询语句，调用SPARQL查询函数从电力标准知识图谱查询数据，得到查询结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种电力标准知识图谱构建方法，所述方法包括：
获取电力标准数据；
对所述电力标准数据进行分析与整理，以自顶向下设计电力标准知识图谱的模式层；
根据所述电力标准知识图谱的模式层，基于规则以及机器学习算法对所述电力标准数据进行知识抽取，得到抽取后的数据；
对抽取后的数据进行实体链接，构建电力标准知识图谱。
2.根据权利要求1所述的方法，其特征在于，所述根据所述电力标准知识图谱的模式层，基于规则以及机器学习算法对所述电力标准数据进行知识抽取，得到抽取后的数据包括：
对所述电力标准数据进行预处理，得到预处理后的数据；
根据所述电力标准知识图谱的模式层，基于规则以及机器学习算法对所述电力标准数据进行实体抽取以及实体关系抽取；
根据实体抽取以及实体关系抽取的结果，得到知识图谱三元组数据；
将所述知识图谱三元组数据与所述电力标准知识图谱的模式层进行匹配，删除所述知识图谱三元组数据中错误的三元组数据、并补齐数据缺失的三元组数据，得到抽取后的数据。
3.根据权利要求2所述的方法，其特征在于，所述根据所述电力标准知识图谱的模式层，基于规则以及机器学习算法对所述电力标准数据进行实体抽取以及实体关系抽取包括：
基于所述电力标准知识图谱的模式层、并采用深度学习模型LSTM-CRF对所述预处理后的数据进行实体抽取，得到实体抽取结果；
基于所述电力标准知识图谱的模式层、并采用序列和树结构的LSTM的关系抽取算法进行关系抽取，得到实体关系抽取结果。
4.根据权利要求2所述的方法，其特征在于，所述对所述电力标准数据进行预处理，得到预处理后的数据包括：
根据所述电力标准知识图谱的模式层对所述电力标准数据依次进行去除脏数据处理，所述脏数据包括冗余数据、重复数据、错误数据以及异常数据的任意一种。
5.根据权利要求1所述的方法，其特征在于，所述对所述电力标准数据进行分析与整理，以自顶向下设计电力标准知识图谱的模式层包括：
对所述电力标准数据进行处理，分析归纳数据模式；
基于预设电力标准经验数据对处理后的数据进行抽象建模，采用自顶向下设计电力标准知识图谱的模式层。
6.根据权利要求1所述的方法，其特征在于，所述对抽取后的数据进行实体链接，构建电力标准知识图谱包括：
对抽取后的数据采用构建名称词典的方式生产候选实体；
采用基于学习排名的算法对所述候选实体进行排序，得到排序结果；
根据所述排序结果进行实体链接，构建电力标准知识图谱。
7.根据权利要求1所述的方法，其特征在于，所述对抽取后的数据进行实体链接，构建电力标准知识图谱之后，还包括：
当接收到搜索请求时，提取所述搜索请求中携带的搜索内容；
对所述搜索内容进行实体提取并识别用户意图数据；
将实体提取结果以及所述用户意图数据转换为SPARQL查询语句；
根据所述SPARQL查询语句，调用SPARQL查询函数从所述电力标准知识图谱查询数据，得到查询结果。
8.一种电力标准知识图谱构建装置，其特征在于，所述装置包括：
标准数据获取模块，用于获取电力标准数据；
模式层设计模块，用于对所述电力标准数据进行分析与整理，以自顶向下设计电力标准知识图谱的模式层；
知识抽取模块，用于根据所述电力标准知识图谱的模式层，基于规则以及机器学习算法对所述电力标准数据进行知识抽取，得到抽取后的数据；
知识图谱构建模块，用于对抽取后的数据进行实体链接，构建电力标准知识图谱。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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7中任一项所述方法的步骤。
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时实现权利要求1至7中任一项所述的方法的步骤。
CN202011102415.1A 2020-10-15 2020-10-15 电力标准知识图谱构建方法、装置、计算机设备和介质 Active CN112231418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011102415.1A CN112231418B (zh) 2020-10-15 2020-10-15 电力标准知识图谱构建方法、装置、计算机设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011102415.1A CN112231418B (zh) 2020-10-15 2020-10-15 电力标准知识图谱构建方法、装置、计算机设备和介质

Publications (2)

Publication Number Publication Date
CN112231418A true CN112231418A (zh) 2021-01-15
CN112231418B CN112231418B (zh) 2024-06-28

Family

ID=74111831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011102415.1A Active CN112231418B (zh) 2020-10-15 2020-10-15 电力标准知识图谱构建方法、装置、计算机设备和介质

Country Status (1)

Country Link
CN (1) CN112231418B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800243A (zh) * 2021-02-04 2021-05-14 天津德尔塔科技有限公司 一种基于知识图谱的项目预算分析方法及系统
CN113269331A (zh) * 2021-04-25 2021-08-17 云南电网有限责任公司信息中心 一种变压器检修作业的知识库构建方法
CN113345430A (zh) * 2021-06-25 2021-09-03 上海适享文化传播有限公司 基于语音固定条件下多字段的查询方法
CN113722446A (zh) * 2021-11-01 2021-11-30 南方电网数字电网研究院有限公司 电力系统操作数据生成方法、装置、计算机设备
CN113779255A (zh) * 2021-09-13 2021-12-10 广州汇通国信科技有限公司 一种基于lstm神经网络和知识图谱的识别方法及装置
CN115082010A (zh) * 2022-06-02 2022-09-20 云南电网有限责任公司信息中心 一种电力领域元数据智能管理方法、存储介质及系统
WO2023274047A1 (zh) * 2021-06-30 2023-01-05 中国电子技术标准化研究院 标准知识图谱构建、标准查询方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180165604A1 (en) * 2016-12-09 2018-06-14 U2 Science Labs A Montana Systems and methods for automating data science machine learning analytical workflows
CN110362660A (zh) * 2019-07-23 2019-10-22 重庆邮电大学 一种基于知识图谱的电子产品质量自动检测方法
CN110413798A (zh) * 2019-07-24 2019-11-05 厦门快商通科技股份有限公司 一种医疗美容知识图谱自动构建方法、系统及存储介质
CN110674311A (zh) * 2019-09-05 2020-01-10 国家电网有限公司 一种基于知识图谱的电力资产异构数据融合方法
CN111026941A (zh) * 2019-10-28 2020-04-17 江苏普旭软件信息技术有限公司 一种面向装备体系论证评估的智能查询方法
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
CN111506722A (zh) * 2020-06-16 2020-08-07 平安科技（深圳）有限公司 基于深度学习技术的知识图谱问答方法、装置及设备
CN117993388A (zh) * 2023-12-29 2024-05-07 南京南瑞信息通信科技有限公司 一种基于工地施工标准的知识图谱构建方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180165604A1 (en) * 2016-12-09 2018-06-14 U2 Science Labs A Montana Systems and methods for automating data science machine learning analytical workflows
CN110362660A (zh) * 2019-07-23 2019-10-22 重庆邮电大学 一种基于知识图谱的电子产品质量自动检测方法
CN110413798A (zh) * 2019-07-24 2019-11-05 厦门快商通科技股份有限公司 一种医疗美容知识图谱自动构建方法、系统及存储介质
CN110674311A (zh) * 2019-09-05 2020-01-10 国家电网有限公司 一种基于知识图谱的电力资产异构数据融合方法
CN111026941A (zh) * 2019-10-28 2020-04-17 江苏普旭软件信息技术有限公司 一种面向装备体系论证评估的智能查询方法
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
CN111506722A (zh) * 2020-06-16 2020-08-07 平安科技（深圳）有限公司 基于深度学习技术的知识图谱问答方法、装置及设备
CN117993388A (zh) * 2023-12-29 2024-05-07 南京南瑞信息通信科技有限公司 一种基于工地施工标准的知识图谱构建方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SHIXIONG FAN等: "How to Construct a Power Knowledge Graph with Dispatching Data?", 《SCIENTIFIC PROGRAMMING》, vol. 2020, 14 July 2020 (2020-07-14), pages 1 - 10 *
大林不止是个程序员: "【图谱构建】图谱构建之知识抽取", pages 1 - 7, Retrieved from the Internet <URL:《公众号：https://mp.weixin.qq.com/s/3rLaJF7o4o39SME2y2A4zQ》> *
李秀玲;张树生;黄瑞;黄波;徐昌鸿;况博文;: "基于工艺知识图谱的异构CAM模型结构化建模方法", 计算机辅助设计与图形学学报, no. 07, 15 July 2018 (2018-07-15), pages 168 - 181 *
熊回香;景紫薇;杨梦婷;: "在线学术资源中知识图谱的应用研究综述", 情报资料工作, no. 03, pages 63 - 70 *
高海翔等: "知识图谱及其在电力系统中的应用研究综述", 《广东电力》, vol. 33, no. 9, pages 66 - 76 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800243A (zh) * 2021-02-04 2021-05-14 天津德尔塔科技有限公司 一种基于知识图谱的项目预算分析方法及系统
CN113269331A (zh) * 2021-04-25 2021-08-17 云南电网有限责任公司信息中心 一种变压器检修作业的知识库构建方法
CN113345430A (zh) * 2021-06-25 2021-09-03 上海适享文化传播有限公司 基于语音固定条件下多字段的查询方法
CN113345430B (zh) * 2021-06-25 2024-05-10 上海适享文化传播有限公司 基于语音固定条件下多字段的查询方法
WO2023274047A1 (zh) * 2021-06-30 2023-01-05 中国电子技术标准化研究院 标准知识图谱构建、标准查询方法及装置
CN113779255A (zh) * 2021-09-13 2021-12-10 广州汇通国信科技有限公司 一种基于lstm神经网络和知识图谱的识别方法及装置
CN113722446A (zh) * 2021-11-01 2021-11-30 南方电网数字电网研究院有限公司 电力系统操作数据生成方法、装置、计算机设备
CN115082010A (zh) * 2022-06-02 2022-09-20 云南电网有限责任公司信息中心 一种电力领域元数据智能管理方法、存储介质及系统
CN115082010B (zh) * 2022-06-02 2024-05-24 云南电网有限责任公司信息中心 一种电力领域元数据智能管理方法、存储介质及系统

Also Published As

Publication number Publication date
CN112231418B (zh) 2024-06-28

Similar Documents

Publication Publication Date Title
CN112231418B (zh) 电力标准知识图谱构建方法、装置、计算机设备和介质
CN110765275B (zh) 搜索方法、装置、计算机设备和存储介质
US7912816B2 (en) Adaptive archive data management
US8340405B2 (en) Systems and methods for scalable media categorization
US20140101124A1 (en) System and method for recursively traversing the internet and other sources to identify, gather, curate, adjudicate, and qualify business identity and related data
CN112035599B (zh) 基于垂直搜索的查询方法、装置、计算机设备及存储介质
US20080086490A1 (en) Discovery of services matching a service request
Elliott Survey of author name disambiguation: 2004 to 2010
JP2022073981A (ja) ソースコード取得
CN112115232A (zh) 一种数据纠错方法、装置及服务器
CN112882974A (zh) 一种json数据转换方法、装置、计算机设备和存储介质
CN113934830A (zh) 文本检索模型训练、问答检索方法、装置、设备及介质
CN113254630A (zh) 一种面向全球综合观测成果的领域知识图谱推荐方法
CN112685475A (zh) 报表查询方法、装置、计算机设备及存储介质
CN111782595A (zh) 海量文件管理方法、装置、计算机设备和可读存储介质
US11574491B2 (en) Automated classification and interpretation of life science documents
CN116521729A (zh) 一种基于Elasticsearch的信息分类搜索方法及装置
WO2014170965A1 (ja) 文書処理方法、文書処理装置および文書処理プログラム
CN114780700A (zh) 基于机器阅读理解的智能问答方法、装置、设备及介质
Manjula et al. An novel approach to extract the content retrieval with the image perception using collaborative community oriented sifting (CCOS)
CN114648121A (zh) 一种数据处理方法、装置、电子设备和存储介质
Zhang et al. Facilitating Data-Centric Recommendation in Knowledge Graph
CN117951457B (zh) 基于生物炭的负碳产品碳减排量核算方法及系统
CN113434760B (zh) 工法推荐方法、装置、设备及存储介质
US20210295031A1 (en) Automated classification and interpretation of life science documents

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
TA01 Transfer of patent application right

Effective date of registration: 20230807

Address after: Room 822, Room 406, No. 1, Yichang Street, Zhongxin Ciudad del Saber, Huangpu District, Guangzhou, Guangdong 510000

Applicant after: China Southern Power Grid Artificial Intelligence Technology Co.,Ltd.

Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant