CN112307767A - 一种基于Bi-LSTM技术的调控知识建模方法 - Google Patents

一种基于Bi-LSTM技术的调控知识建模方法 Download PDF

Info

Publication number
CN112307767A
CN112307767A CN202011235849.9A CN202011235849A CN112307767A CN 112307767 A CN112307767 A CN 112307767A CN 202011235849 A CN202011235849 A CN 202011235849A CN 112307767 A CN112307767 A CN 112307767A
Authority
CN
China
Prior art keywords
categories
model
lstm
corpus
ontology
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
CN202011235849.9A
Other languages
English (en)
Inventor
徐海利
赵凤梅
陈雪琨
邱成建
曾华斯
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.)
State Grid Fujian Electric Power Co Ltd
Quanzhou Electric Power Technology Institute of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian Electric Power Co Ltd
Quanzhou Electric Power Technology Institute of State Grid Fujian Electric Power 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 State Grid Fujian Electric Power Co Ltd, Quanzhou Electric Power Technology Institute of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN202011235849.9A priority Critical patent/CN112307767A/zh
Publication of CN112307767A publication Critical patent/CN112307767A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • G06F40/20Natural language analysis
    • G06F40/279Recognition of textual entities
    • G06F40/289Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295Named entity recognition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33Querying
    • G06F16/3331Query processing
    • G06F16/334Query execution
    • G06F16/3344Query execution using natural language analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • G06F40/20Natural language analysis
    • G06F40/205Parsing
    • G06F40/211Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • G06F40/20Natural language analysis
    • G06F40/279Recognition of textual entities
    • G06F40/284Lexical analysis, e.g. tokenisation or collocates
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/049Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于Bi‑LSTM技术的调控知识建模方法,包括步骤:基于Bi‑LSTM技术构建电力领域本体,提取其中的概念实体,组合得到基本术语,再人工确定其中的重要术语;将所述重要术语分为三类:部门单位、行为类别和信息资料,采用自上而下的方法来定义类与类之间的继承结构;定义类的属性和约束,由此创建类的实例;根据输入的文本和创建的类的实例,输出实例化的本体。本发明可提供调控人员一个专业知识构架,实现电力领域调控专业知识的共享。

Description

一种基于Bi-LSTM技术的调控知识建模方法
技术领域
本发明涉及电力系统调控技术领域,特别是一种基于Bi-LSTM技术的调控知识建模方法。
背景技术
电力调控技术领域中,受不同的工作职责和专业知识等因素的影响,每个调控人员的操作行为特征及调度习惯并不相同,从而表现出不同的行为特征。对于同一个操作行为,不同人员也可能有不同的描述方式,这也增加了后续工作人员想要查询相关操作进行借鉴的难度。因此需要构建相应的模型,将行为进行归类统一,在电网命名实体中,电力领域的各类实体,比如电力设施设备、电力方法策略等是电力文本信息表达的核心要素,这些实体内部蕴含了大量有关设备运维、故障检修、调度统计的特征信息,对其准确的识别和标注是电力文本数据挖掘和智能化应用的重要基础。
发明内容
有鉴于此,本发明的目的是提出一种基于Bi-LSTM技术的调控知识建模方法,将电力领域文本信息进行准确识别与应用,提供调控人员的一个专业知识构架。
本发明采用以下方案实现:一种基于Bi-LSTM技术的调控知识建模方法,具体包括以下步骤:
基于Bi-LSTM技术构建电力领域本体,提取其中的概念实体,组合得到基本术语,再人工确定其中的重要术语;
将所述重要术语分为三类:部门单位、行为类别和信息资料,采用自上而下的方法来定义类与类之间的继承结构;
定义类的属性和约束,由此创建类的实例;
根据输入的文本和创建的类的实例,输出实例化的本体。
进一步地,在基于Bi-LSTM技术构建电力领域本体之前还包括步骤:确认本体的领域与范围,判断是否重用现有本体,若是,则构建电力领域本体时直接输入现有本体,否则,输入领域文本创建本体。
进一步地,所述基于Bi-LSTM技术构建电力领域本体具体包括以下步骤:
获取电力领域相关文献作为原始语料,分为电力设施设备和电力技术方法两各类别;
采用jieba分词工具对原始语料进行分词切分与字符切分,得到分词切分语料集和字符切分语料集;
采用word2vec工具对分词切分语料集进行训练得到词向量映射模型vec1.model,并通过空间距离模型算法完善后输入到字典中;
将该字典和字符切分语料集合并得到训练语料集;
通过word2vec工具将字符切分语料集进行训练得到字向量映射模型vec2.model,同时将训练语料集输入该vec2.model中,得到完善后的训练语料集;
所述完善后的训练语料集输入到Bi-LSTM层中,得到Bi-LSTM神经网络的双向表达,将双向表达合并,再将合并后的双向表达再进行一层映射最后输入到CRF层中,得到电力领域本体,并通过CRF层计算出序列文本每个字符的标签,将其与标准标签对比得出输入序列的对数似然,并将其定义为后续模型优化过程中的整体模型的损失,作为优化和调整模型的参数,用于后续模型的更新。
进一步地,所述将所述重要术语分为三类:部门单位、行为类别和信息资料,采用自上而下的方法来定义类与类之间的继承结构具体为:
将所述重要术语分为三类:部门单位、行为类别和信息资料,采用自上而下的方法来定义类与类之间的继承结构,将部门单位、行为类别和信息资料三个大类作为父类,根据思维导图对其细化填充,将具体部门单位名称、行为、资料名称、类别及其相关信息在对应的类别下进行补充定义,并定义类和类的等级体系。
进一步地,所述定义类的属性和约束,由此创建类的实例具体包括以下步骤:
定义类的属性,所述属性包括概念属性和关系属性,概念属性用于定义隶属于该类别的所有下级资料,所述关系属性用于定义各属性之间的关系;
定义类的约束,所述约束用于保证本体内容的一致性,包括本体描述语言的语法规则一致性、本体描述语言的语义一致性和用户自定义的一致性。
本发明还提供了一种基于Bi-LSTM技术的调控知识建模系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如上文所述的方法步骤。
本发明还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如上文所述的方法步骤。
与现有技术相比,本发明有以下有益效果:本发明基于本体构建的知识库,其优点是知识的表示具有唯一性与无二义性、知识的共享性好、本体的规范形式可由计算机识别与处理等。本发明通过列出重要术语、定义类与类的继承结构与属性创建知识模型,可以使不同调控人员之间的知识信息资源达到高度共享和整合的程度,为调度中心提供通用无缝和持久稳定运行的信息服务。
附图说明
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的调控知识建模方法的执行流程图。
图3为本发明实施例的本体构建流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1至图3所示,本实施例提供了一种基于Bi-LSTM技术的调控知识建模方法,具体包括以下步骤:
基于Bi-LSTM技术构建电力领域本体,提取其中的概念实体,组合得到基本术语,再人工确定其中的重要术语;
将所述重要术语分为三类:部门单位、行为类别和信息资料,采用自上而下的方法来定义类与类之间的继承结构;
定义类的属性和约束,由此创建类的实例;
根据输入的文本和创建的类的实例,输出实例化的本体。比如以“电力系统调度规程”进行分词、结合词频计算提取概念实体,根据分词结果的基本术语层次关系导图,构建的概念实体关系,最后再根据个体进行实例化得到实例化的本体。
在本实施例中,在基于Bi-LSTM技术构建电力领域本体之前还包括步骤:确认本体的领域与范围,判断是否重用现有本体,若是,则构建电力领域本体时直接输入现有本体,否则,输入领域文本创建本体。
在本实施例中,所述基于Bi-LSTM技术构建电力领域本体具体包括以下步骤:
获取电力领域相关文献作为原始语料,分为电力设施设备和电力技术方法两各类别;相较一般实体识别任务中对人名、地名、机构名等实体的识别,电力领域的实体识别更关注对于电力设施设备和电力技术方法等关键性电力专有名词的识别。因此,本实施例对两类实体进行标记,并将标记后的实体数量和种类统计信息使用双向 LSTM(Bi- LSTM)来加强神经网络对文本的上下文信息进行充分学习,主要将两个时序方向相反的长短时记忆网络结构连接到同一输出,以此来获取历史和未来信息,减少由于缺乏上下文联系而导致的实体识别错误,Bi-LSTM模型在时间上的展开,前向LSTM网络依次接受由embedding层第1个时刻到第t个时刻的输入,并依次计算前向隐藏状态,反向的LSTM网络同样接受第t时刻到第1个时刻的输入,并相应的计算反向隐藏状态,这样便得到了每个时刻前向和后向的双向特征。由于目前尚没有公认度较高的面向电力领域实体识别的实验语料,而电力科技论文和电力新闻报道作为电力科技信息的重要载体,具有新颖性、可靠性和权威性等特点,涵盖了电力领域的各个实体,且在一定程度上也反映了电力领域的研究热点,所以本实施例中通过分布式爬虫框架收集多个电力领域优秀期刊近十年所刊登的优秀论文摘要部分作为原始语料。
采用jieba分词工具对原始语料进行分词切分与字符切分,得到分词切分语料集和字符切分语料集;由于中文文本语料相比英文语料缺少明显的词义分隔符号,因此需要对训练语料进行以词语为单位的切分工作。本实施例中使用基于隐马尔可夫模型(HiddenMarkov Model,HMM)的jieba分词工具。由于科技论文期刊对其准确性、严谨性、逻辑性的要求,导致此类期刊常具有较多的限定和修饰性语句。因此综合考虑原始语料和模型的特征之后,可采取不超过100个字符的方式来对文本语料进行句子切分。
采用word2vec工具对分词切分语料集进行训练得到词向量映射模型vec1.model,并通过空间距离模型算法完善后输入到字典中;比如,设置词向量维度为100维,上下文采集窗口大小为5,对词向量语料进行训练得到词向量映射模型vec1.model,模型大小为(10646,100),其中10646为词组数量,100为词向量维度;
将该字典和字符切分语料集合并得到训练语料集;
通过word2vec工具将字符切分语料集进行训练得到字向量映射模型vec2.model,同时将训练语料集输入该vec2.model中,得到完善后的训练语料集;比如,对原始语料以字符为单位切分后使用相同模型和参数设置训练得到字向量映射模型vec2.model,模型的大小为(2424,100),其中2424为汉字字符数量,100为字向量维度。此步骤可直观看出,同等训练预料下的词向量模型大小约是字向量模型的四倍以上。在分词过程中添加用户字典,防止对特殊电力名词的切分错误。例如“同步调相机”,在不添加“调相机”作为字典词语时,会被错误切分为“同步调 / 相机”,从而导致后期的识别错误。通过已建立好的字典标注实体的基础部分,而对实体的重要修饰部分进行舍弃,或是将语义差异较大的不同实体归属到同一类实体,其输出结果为处理后收集到的训练语料集。
所述完善后的训练语料集输入到Bi-LSTM层中,得到Bi-LSTM神经网络的双向表达,将双向表达合并,再将合并后的双向表达再进行一层映射最后输入到CRF层中,得到电力领域本体,并通过CRF层计算出序列文本每个字符的标签,将其与标准标签对比得出输入序列的对数似然,并将其定义为后续模型优化过程中的整体模型的损失,作为优化和调整模型的参数,用于后续模型的更新。由于调控人员知识信息和数据的复杂性,需要使用一个词上下文表示来为词所处的环境和其本身建模。因此本实施例中在每个句子上使用词级别的Bi-LSTM模型输出作为一个词的上下文表示。此Bi-LSTM模型的输入是词、词性、句法树中与父节点的句法关系(只在谓词识别中使用)的向量表示,将这多个向量拼接,并按照句子中词顺序传入Bi-LSTM。得到Bi-LSTM在每个输入词位置的输出做为该词的上下文表示。在谓词预测中,使用当前词的上下文表示传入之后的模型,而在语义角色标注中使用了已知谓词和当前判断的核心词两个词的上下文表示信息。
在本实施例中,所述将所述重要术语分为三类:部门单位、行为类别和信息资料,采用自上而下的方法来定义类与类之间的继承结构具体为:
将所述重要术语分为三类:部门单位、行为类别和信息资料,采用自上而下的方法来定义类与类之间的继承结构,将部门单位、行为类别和信息资料三个大类作为父类,根据思维导图对其细化填充,将具体部门单位名称、行为、资料名称、类别及其相关信息在对应的类别下进行补充定义,并定义类和类的等级体系。由于规程的专用名词多、文本书面化程度高、规定类的语句多,可选用精简的本体四元组进行本体构建。
在本实施例中,所述定义类的属性和约束,由此创建类的实例具体包括以下步骤:
定义类的属性,所述属性包括概念属性和关系属性,概念属性用于定义隶属于该类别的所有下级资料,所述关系属性用于定义各属性之间的关系;比如:月调度资料”属于“资料(报送)”,即表示“月调度资料”是“资料(报送)”的属性,再比如,“月调度资料”通过“资料上报”这一动作与“省公司”关联,且该动作只局限于“月调度资料”与“省公司”之间,则“月调度资料”和“省公司”的关系属性为“资料上报”。
定义类的约束,所述约束用于保证本体内容的一致性,包括本体描述语言的语法规则一致性、本体描述语言的语义一致性和用户自定义的一致性。本体构建要保证结果的完整、准确与一致性,应用过程中需要不断地进行更新与维护。
本实施例通过构建一个本体环境下的调控人员的操作行为特征及调度习惯数据库,来分析调控人员信息行为,以建立完善的电力调度管理体系,实现对调控人员操作行为的知识挖掘,调控人员信息行为本体库中的知识表示不仅可以帮助调度中心精确地搜索调控信息源,还可以提供有效的应急措施,实现了调控人员知识信息的交换和共享,调控人员的操作知识通过该模型可以进行友好的沟通,以建立完善的电力调度管理体系。
本实施例还提供了一种基于Bi-LSTM技术的调控知识建模系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如上文所述的方法步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如上文所述的方法步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。

Claims (7)

1.一种基于Bi-LSTM技术的调控知识建模方法,其特征在于,包括以下步骤:
基于Bi-LSTM技术构建电力领域本体,提取其中的概念实体,组合得到基本术语,再人工确定其中的重要术语;
将所述重要术语分为三类:部门单位、行为类别和信息资料,采用自上而下的方法来定义类与类之间的继承结构;
定义类的属性和约束,由此创建类的实例;
根据输入的文本和创建的类的实例,输出实例化的本体。
2.根据权利要求1所述的一种基于Bi-LSTM技术的调控知识建模方法,其特征在于,在基于Bi-LSTM技术构建电力领域本体之前还包括步骤:确认本体的领域与范围,判断是否重用现有本体,若是,则构建电力领域本体时直接输入现有本体,否则,输入领域文本创建本体。
3.根据权利要求1所述的一种基于Bi-LSTM技术的调控知识建模方法,其特征在于,所述基于Bi-LSTM技术构建电力领域本体具体包括以下步骤:
获取电力领域相关文献作为原始语料,分为电力设施设备和电力技术方法两各类别;
采用jieba分词工具对原始语料进行分词切分与字符切分,得到分词切分语料集和字符切分语料集;
采用word2vec工具对分词切分语料集进行训练得到词向量映射模型vec1.model,并通过空间距离模型算法完善后输入到字典中;
将该字典和字符切分语料集合并得到训练语料集;
通过word2vec工具将字符切分语料集进行训练得到字向量映射模型vec2.model,同时将训练语料集输入该vec2.model中,得到完善后的训练语料集;
所述完善后的训练语料集输入到Bi-LSTM层中,得到Bi-LSTM神经网络的双向表达,将双向表达合并,再将合并后的双向表达再进行一层映射最后输入到CRF层中,得到电力领域本体,并通过CRF层计算出序列文本每个字符的标签,将其与标准标签对比得出输入序列的对数似然,并将其定义为后续模型优化过程中的整体模型的损失,作为优化和调整模型的参数,用于后续模型的更新。
4.根据权利要求1所述的一种基于Bi-LSTM技术的调控知识建模方法,其特征在于,所述将所述重要术语分为三类:部门单位、行为类别和信息资料,采用自上而下的方法来定义类与类之间的继承结构具体为:
将所述重要术语分为三类:部门单位、行为类别和信息资料,采用自上而下的方法来定义类与类之间的继承结构,将部门单位、行为类别和信息资料三个大类作为父类,根据思维导图对其细化填充,将具体部门单位名称、行为、资料名称、类别及其相关信息在对应的类别下进行补充定义,并定义类和类的等级体系。
5.根据权利要求1所述的一种基于Bi-LSTM技术的调控知识建模方法,其特征在于,所述定义类的属性和约束,由此创建类的实例具体包括以下步骤:
定义类的属性,所述属性包括概念属性和关系属性,概念属性用于定义隶属于该类别的所有下级资料,所述关系属性用于定义各属性之间的关系;
定义类的约束,所述约束用于保证本体内容的一致性,包括本体描述语言的语法规则一致性、本体描述语言的语义一致性和用户自定义的一致性。
6.一种基于Bi-LSTM技术的调控知识建模系统,其特征在于,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如权利要求1-5任一项所述的方法步骤。
7.一种计算机可读存储介质,其特征在于,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,实现如权利要求1-5任一项所述的方法步骤。
CN202011235849.9A 2020-11-09 2020-11-09 一种基于Bi-LSTM技术的调控知识建模方法 Pending CN112307767A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011235849.9A CN112307767A (zh) 2020-11-09 2020-11-09 一种基于Bi-LSTM技术的调控知识建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011235849.9A CN112307767A (zh) 2020-11-09 2020-11-09 一种基于Bi-LSTM技术的调控知识建模方法

Publications (1)

Publication Number Publication Date
CN112307767A true CN112307767A (zh) 2021-02-02

Family

ID=74325201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011235849.9A Pending CN112307767A (zh) 2020-11-09 2020-11-09 一种基于Bi-LSTM技术的调控知识建模方法

Country Status (1)

Country Link
CN (1) CN112307767A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949300A (zh) * 2021-03-05 2021-06-11 深圳大学 基于深度学习的台风预警规划模型自动生成方法及系统
CN116303732A (zh) * 2023-05-25 2023-06-23 山东师范大学 地理信息系统与建筑信息模型的数据转换验证方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102707949A (zh) * 2012-04-26 2012-10-03 清华大学 一种基于本体的可视化概念建模方法
CN106815293A (zh) * 2016-12-08 2017-06-09 中国电子科技集团公司第三十二研究所 一种面向情报分析的构建知识图谱的系统及方法
US20180239816A1 (en) * 2017-02-21 2018-08-23 International Business Machines Corporation Processing request documents
CN108874783A (zh) * 2018-07-12 2018-11-23 国网福建省电力有限公司 电力信息运维知识模型构建方法
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
CN110232192A (zh) * 2019-06-19 2019-09-13 中国电力科学研究院有限公司 电力术语命名实体识别方法及装置
CN110489562A (zh) * 2019-07-19 2019-11-22 国网福建省电力有限公司 一种基于本体的电网调度规程规定知识建模方法及系统
US20190391992A1 (en) * 2018-06-26 2019-12-26 Tata Consultancy Services Limited Methods and systems for performing a model driven domain specific search
CN110825881A (zh) * 2019-09-26 2020-02-21 中国电力科学研究院有限公司 一种建立电力知识图谱的方法
CN110866121A (zh) * 2019-09-26 2020-03-06 中国电力科学研究院有限公司 一种面向电力领域知识图谱构建方法
CN111242774A (zh) * 2020-01-23 2020-06-05 中国建设银行股份有限公司 银行客户资产图谱构建方法和装置
CN111813950A (zh) * 2020-05-20 2020-10-23 淮阴工学院 一种基于神经网络自适应寻优调参的建筑领域知识图谱构建方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102707949A (zh) * 2012-04-26 2012-10-03 清华大学 一种基于本体的可视化概念建模方法
CN106815293A (zh) * 2016-12-08 2017-06-09 中国电子科技集团公司第三十二研究所 一种面向情报分析的构建知识图谱的系统及方法
US20180239816A1 (en) * 2017-02-21 2018-08-23 International Business Machines Corporation Processing request documents
US20190391992A1 (en) * 2018-06-26 2019-12-26 Tata Consultancy Services Limited Methods and systems for performing a model driven domain specific search
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
CN108874783A (zh) * 2018-07-12 2018-11-23 国网福建省电力有限公司 电力信息运维知识模型构建方法
CN110232192A (zh) * 2019-06-19 2019-09-13 中国电力科学研究院有限公司 电力术语命名实体识别方法及装置
CN110489562A (zh) * 2019-07-19 2019-11-22 国网福建省电力有限公司 一种基于本体的电网调度规程规定知识建模方法及系统
CN110825881A (zh) * 2019-09-26 2020-02-21 中国电力科学研究院有限公司 一种建立电力知识图谱的方法
CN110866121A (zh) * 2019-09-26 2020-03-06 中国电力科学研究院有限公司 一种面向电力领域知识图谱构建方法
CN111242774A (zh) * 2020-01-23 2020-06-05 中国建设银行股份有限公司 银行客户资产图谱构建方法和装置
CN111813950A (zh) * 2020-05-20 2020-10-23 淮阴工学院 一种基于神经网络自适应寻优调参的建筑领域知识图谱构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯鸾鸾;李军辉;李培峰;朱巧明;: "面向国防科技领域的技术和术语语料库构建方法" *
王良萸;: "面向碳交易领域的知识图谱构建方法" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949300A (zh) * 2021-03-05 2021-06-11 深圳大学 基于深度学习的台风预警规划模型自动生成方法及系统
CN116303732A (zh) * 2023-05-25 2023-06-23 山东师范大学 地理信息系统与建筑信息模型的数据转换验证方法及系统
CN116303732B (zh) * 2023-05-25 2023-08-01 山东师范大学 地理信息系统与建筑信息模型的数据转换验证方法及系统

Similar Documents

Publication Publication Date Title
CN112612902B (zh) 一种电网主设备的知识图谱构建方法及设备
CN110825882B (zh) 一种基于知识图谱的信息系统管理方法
CN112860872B (zh) 基于自学习的配电网操作票语义合规性的校验方法及系统
US9361587B2 (en) Authoring system for bayesian networks automatically extracted from text
CN112507700A (zh) 事件抽取方法、装置、电子设备及存储介质
CN110555205B (zh) 否定语义识别方法及装置、电子设备、存储介质
US11016740B2 (en) Systems and methods for virtual programming by artificial intelligence
CN111090730B (zh) 智能语音调度系统及方法
CN113157859B (zh) 一种基于上位概念信息的事件检测方法
CN113220836A (zh) 序列标注模型的训练方法、装置、电子设备和存储介质
CN108874783A (zh) 电力信息运维知识模型构建方法
EP3598436A1 (en) Structuring and grouping of voice queries
CN113282762B (zh) 知识图谱构建方法、装置、电子设备和存储介质
CN112541070B (zh) 槽位更新语料的挖掘方法、装置、电子设备和存储介质
CN112307767A (zh) 一种基于Bi-LSTM技术的调控知识建模方法
CN112528658A (zh) 层次化分类方法、装置、电子设备和存储介质
JP6709812B2 (ja) 関係性推定モデル学習装置、方法、及びプログラム
CN114840685A (zh) 一种应急预案知识图谱构建方法
CN117473054A (zh) 基于知识图谱的通用智能问答方法及装置
CN114722159B (zh) 针对数控机床制造资源的多源异构数据处理方法及系统
CN110633468A (zh) 一种关于对象特征提取的信息处理方法及装置
CN110851572A (zh) 会话标注方法、装置、存储介质及电子设备
CN106407271B (zh) 一种智能客服系统及其智能客服知识库的更新方法
CN111949781B (zh) 一种基于自然语句句法分析的智能交互方法及装置
CN115203427A (zh) 一种电力系统调控规程知识图谱管理系统、知识图谱生成方法及存储介质

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: 20210202