CN112463980A - 一种基于知识图谱的预案智能推荐方法 - Google Patents
一种基于知识图谱的预案智能推荐方法 Download PDFInfo
- Publication number
- CN112463980A CN112463980A CN202011335954.XA CN202011335954A CN112463980A CN 112463980 A CN112463980 A CN 112463980A CN 202011335954 A CN202011335954 A CN 202011335954A CN 112463980 A CN112463980 A CN 112463980A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- plan
- matching
- semantic
- knowledge graph
- 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
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
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/103—Formatting, i.e. changing of presentation of documents
- G06F40/117—Tagging; Marking up; Designating a block; Setting of attributes
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于知识图谱的预案智能推荐方法,采用自底向上的方式构建知识图谱,通过信息抽取、知识融合、知识加工三个步骤完成知识图谱的初步构建,再通过重复这三个步骤进行知识图谱的迭代、优化和更新。该推荐方法,能够通过处理海量的结构化数据、半结构化数据和非结构化数据,抽取出其中的实体、关系和属性,构建出全面实用的知识图谱;进而基于知识图谱,研究预案推荐技术,从预案库中优选数个与场景匹配的方案推荐给指战员。
Description
技术领域
本发明属于构建知识图谱中的技术领域,特别涉及一种基于知识图谱的预案智能推荐方法。
背景技术
具体来说,知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它把复杂的知识领域通过数据挖掘、信息处理、知识计量和图形绘制而显示出来,揭示知识领域的动态发展规律,为学科研究提供切实的、有价值的参考。
在通常构建知识图谱过程中,会应用到基于关键字或限定规则等语用层次匹配的推荐技术和基于“深度神经网络”人工智能推荐方法等,但是这类方法虽然是属于能够在网站中为用户浏览节约时间,并精确为用户推荐用户感兴趣的内容的方法,也可以做到基于深度神经网络的推荐系统通过将用户和项目的各类原始数据信息提供给输入层,在隐含层通过神经网络学习模型进行用户、项目的隐特征学习及抽取,最后通过学习隐表示实现用户、项目推荐。但是仍存在着一些问题,例如(1)难以满足快速准确匹配需求,在面对精确化匹配时存在诸多不足,难以解决特定场景描述的模糊性问题、预案优选定量化评估问题;(2)需要大量数据样本进行深度学习与训练,而特定场景中,样本数据往往偏少,且不易获取,对人工智能深度学习有较大制约,不能满足深度神经网络对海量样本的需求。
发明内容
为了解决上述存在的技术难题,本发明提供了一种基于知识图谱的预案智能推荐方法,采用自底向上的方式构建知识图谱,通过信息抽取、知识融合、知识加工三个步骤完成知识图谱的初步构建,再通过重复这三个步骤进行知识图谱的迭代、优化和更新,三个步骤的具体如下:
(1)信息抽取
即从各种类型的数据源中提取出实体、属性以及实体间的相互关系,在此基础上形成本体化的知识表达;
(2)知识融合
在获得新知识之后,根据设定的规则、语义信息,将共指节点融合为统一图谱,完成知识打通,其中知识融合是对存量知识的多种粒度集合型的数学集合操作处理,包括但不限于:交集处理、并集处理、补集处理;
(3)知识加工
对于经过融合的新知识,再进行质量评估,才能将合格的部分加入到知识库中;其中新增新知识的数据之后,进行知识推理、拓展现有知识、得到新知识至少一种方式的处理。
作为改进,步骤(1)中,信息抽取包括非结构化抽取部分,这部分的算法训练包括分词、命名实体识别、关系抽取、语义角色标注在内的一种或至少一种的组合下;算法的应用,包括
(a)算法线下训练与测试、线上部署流程打通,进行数据隔离,并且进行训练、测试、部署全程可配置,且日志清晰;
(b)算法性能,要求高效准确完成算法任务。
作为改进,步骤(3)中,其中的知识推理是对存量知识的再组织,是知识的联结操作,是知识图谱分析的前驱,通过以下两种方式进行:
(a)多种粒度知识联结操作,即联结不同类型实体、联结同一实体的多种属性;
(b)基于知识联结操作的遍历和游走能力,是知识图谱分析的基础,支撑知识图谱多种分析手段。
作为改进,构建知识图谱,进行实施时,具体包括:
(1)数据化管理平台,致力于维护数据资产,支撑整个知识图谱后续分析工作;
(2)知识化抽取,是本产品的知识提取和知识管理模块,是从数据化资产管理平台中,自适应提取和管理知识的方法;
(3)图谱化存储平台,是从知识数据中,构建和完善知识图谱内容,并基于知识图谱进行多维度展示;
(4)智能化分析,致力于从图谱结构中,抽取业务应用模型,满足产品需求,对外提供接口,为用户贡献价值。
作为改进,构建知识图谱,是基于知识图谱的预案语义匹配方法,所述基于知识图谱的预案语义匹配方法是首先需要预案语义特征定义,然后对预案语义特征标注,最后是在基于语义特征的预案进行匹配的方法。
作为改进,预案语义特征定义时,具体的方法是:首先,通过知识图谱描述实体特征,实现实体的语义标注,进行语义特征定义;其次,需要创建预案特征的语义描述,获取关于预案描述的语义信息;最后,通过与知识图谱的映射,定义预案特征结构化元数据,基于语义推理,语义标注支持预案语义匹配与发现。
作为改进,预案语义特征标注时,是采用语义标注算法通过分析用户输入的预案查询关键字,提供预案语义特征相关的概念实体或关系,并映射到知识图谱对应节点,经过人工干预,利用图形化人机交互界面,辅助实现特征语义标注。
作为改进,基于语义特征的预案进行匹配时包括预案匹配机制、预案匹配规则和预案匹配流程;
预案匹配机制,首先,基于要求,构建限制性匹配规则与优化类匹配规则,进行初步筛选;其次,以筛选后预案为匹配目标集,基于各预案语义特征标注,抽取语义特征向量,通过建立融合预案语义特征相似性度量和包含性推理规则的混合模式预案匹配机制,进行预案语义匹配;
预案匹配规则,包括限制类约束规则和优化类匹配规则;限制类约束规则是对预案库的预案按限制性规则,包括目标的类型、我方力量状态,通过0-1匹配算法进行匹配,排除不满足条件的预案,构建匹配满足条件的预案集合;优化类匹配规则是对已筛选的预案集合,利用方案优选规则,结合目标的重要程度、目标毁伤程度,并利用基于特征向量的相似匹配算法,按优先级排序推荐预案,进行包括目标相似度、毁伤匹配度处理,进行对力量进行排序,支持人工选择使用对象;
预案匹配流程,采用三级匹配方法,根据需求,设计语义特征相似度计算方法,进行匹配目标向量和预案特征向量相似度计算,计算预案排序因子,进行预案定量化排序。
作为改进,预案匹配流程的具体步骤:
一是场景定义,根据信息,计算/预估类型、重要程度,根据规则和意图,确定目标类型、反击强度,进行目标向量的定义;
二是预案语义特征相似度计算,基于预案语义特征标注,进行特征向量抽取,获取各个预案的语义特征向量,依据匹配规则,基于语义特征向量的相似度计算方法,进行特征向量排序因子计算;
三是基于匹配因子,进行预案匹配,并依据当前力量状态进行预案的二次筛选,最终形成预案匹配集合。
有益效果:本发明提供的基于知识图谱的预案智能推荐方法,是通过知识图谱描述场景的语义特征,并定义各匹配目标方案对应的特征向量,基于语义特征的相似性测度,模拟用户选择预案的过程,满足预案定量化快速匹配优选要求,实现语义层次的方案智能匹配。
该方法是针对特定问题等小样本特征提取难题,基于知识图谱的语义特征描述可提供较好的解决方案,一方面可以解决基于关键字等硬匹配方法的固有缺陷,另一方面提供了基于特定知识库的特征表达,构建出基于知识图谱的预案匹配方法,为解决特定预案的快速智能化预案匹配提供了新的技术方案,可显著提高使用前和使用过程中预案推荐速度和准确率。
附图说明
图1是本发明的知识图谱构建的技术架构。
图2是本发明的知识图谱构建与分析。
图3是基于知识图谱的语义特征标注。
具体实施方式
基于知识图谱的预案智能推荐方法,知识图谱构建技术和预案语义匹配技术,通过处理海量的结构化数据、半结构化数据和非结构化数据,抽取出其中的实体、关系和属性,构建出全面实用的知识图谱;进而基于知识图谱,研究预案推荐技术,从预案库中优选数个与场景匹配的方案推荐给指战员。
下面对本发明结合具体的实施例作出进一步说明。
一、知识图谱构建
采用自底向上的方式构建知识图谱,通过信息抽取、知识融合、知识加工三个步骤完成知识图谱的初步构建,再通过重复这三个步骤实现知识图谱的迭代、优化和更新。三个步骤介绍如下:
1)信息抽取,即从各种类型的数据源中提取出实体、属性以及实体间的相互关系,在此基础上形成本体化的知识表达。非结构化抽取是信息抽取的难点,其算法训练主要包括分词、命名实体识别、关系抽取、语义角色标注等大量自然语言处理算法的应用:a)算法线下训练与测试、线上部署流程打通,要求数据隔离,并且要求训练、测试、部署全程可配置,且日志清晰;b)算法性能,要求高效准确完成算法任务。
2)知识融合,在获得新知识之后,根据各种规则、语义信息,将共指节点融合为统一图谱,实现知识打通,以消除矛盾和歧义,比如某些实体可能有多种表达,某个特定称谓也许对应于多个不同的实体等。知识融合是对存量知识的多种粒度集合型(数学集合)操作,包括:交集、并集、补集等。
3)知识加工,对于经过融合的新知识,需要经过质量评估之后,才能将合格的部分加入到知识库中,以确保知识库的质量。新增数据之后,可以进行知识推理、拓展现有知识、得到新知识。其中的知识推理是对存量知识的再组织,是知识的联结操作,是知识图谱分析的前驱:a)多种粒度知识联结操作,如联结不同类型实体、联结同一实体的多种属性;b)基于知识联结操作的遍历和游走能力,是知识图谱分析的基础,支撑知识图谱多种分析手段。其中知识图谱构建的技术架构如图1所示:
知识图谱构建实施方案主要分为以下四个方面,如2所示:
1)数据化管理平台,致力于维护数据资产,支撑整个知识图谱后续分析工作。
2)知识化抽取是本产品的知识提取和知识管理模块,致力于从数据化资产管理平台中,自适应提取和管理知识。
3)图谱化存储平台,致力于从知识数据中,构建和完善知识图谱内容,并基于知识图谱进行多维度展示。
4)智能化分析,致力于从图谱结构中,抽取业务应用模型,满足产品需求,对外提供接口,为用户贡献价值。
二、基于知识图谱的预案语义匹配方法研究
1)预案语义特征定义
特征即给定属性集,对于匹配任务密切相关的属性称为“相关特征”、对当前任务无用的属性称为“无关特征”。语义特征即通过知识图谱描述实体特征,实现实体的语义标注。为获取关于预案描述的语义信息,需要创建预案特征的语义描述。通过与知识图谱的映射,定义预案特征结构化元数据。基于语义推理,语义标注支持预案语义匹配与发现。
2)预案语义特征标注
语义标注算法通过分析用户输入的预案查询关键字,提供了预案语义特征相关的概念实体或关系,并映射到知识图谱对应节点,经过人工干预,利用图形化人机交互界面,辅助实现特征语义标注。针对预案采用手工标注工作量大,容易出现错误,目前全自动预案语义特征标注算法尚不成熟。为提高语义特征标注的自动化程度,可在知识图谱概念术语匹配基础算法基础上,考虑知识图谱的图形化特征,可采用顾及知识图谱概念图结构的算法优化方案,融合PageRank算法实现更为高效的语义特征概念匹配与特征标注,提高语义标注的可靠性,具体过程如图3所示。
3)基于语义特征的预案匹配
①基于语义特征的预案匹配机制
实现预案语义匹配核心是构建预案匹配规则与语义特征相似性度量算法。首先,基于使用要求,构建限制性匹配规则与优化类匹配规则,实现初步筛选;以筛选后预案为匹配目标集,基于各预案语义特征标注,抽取语义特征向量,通过建立融合预案语义特征相似性度量和包含性推理规则的混合模式预案匹配机制,实现预案语义匹配,提高预案匹配效率和准确度。
②预案匹配规则
预案匹配规则包括限制类约束规则和优化类匹配规则两种。限制类约束规则是对预案库的预案按限制性规则进行匹配,排除不满足条件的预案,缩小匹配预案集。限制性规则主要包括几个方面:目标的类型、我方力量状态等,通过0-1匹配算法,匹配满足条件的预案集合。优化类匹配规则是对已筛选的预案集合,利用方案优选规则,考虑目标的重要程度、目标毁伤程度等,并利用基于特征向量的相似匹配算法,按优先级排序推荐预案,主要包括目标相似度、毁伤匹配度等,可自动对对象进行排序,支持人工选择使用对象。
③预案匹配流程
采用三级匹配机制,一是场景定义,根据信息,计算/预估类型、重要程度,根据规则和意图,确定目标类型、反击强度,实现“目标向量”定义;二是预案语义特征相似度计算,基于预案语义特征标注,实现特征向量抽取,获取各个预案的“语义特征向量”,依据匹配规则,基于语义特征向量的相似度计算方法,实现特征向量排序因子计算;三是基于匹配因子,实现预案匹配,并依据当前力量状态实现预案的二次筛选,最终形成预案匹配集合,根据需求,设计语义特征相似度计算方法,实现匹配目标向量和预案特征向量相似度计算,计算预案排序因子,进行预案定量化排序。
以上所述实施例仅表达了本发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于知识图谱的预案智能推荐方法,其特征在于:采用自底向上的方式构建知识图谱,通过信息抽取、知识融合、知识加工三个步骤完成知识图谱的初步构建,再通过重复这三个步骤进行知识图谱的迭代、优化和更新,三个步骤的具体如下:
(1)信息抽取
即从各种类型的数据源中提取出实体、属性以及实体间的相互关系,在此基础上形成本体化的知识表达;
(2)知识融合
在获得新知识之后,根据设定的规则、语义信息,将共指节点融合为统一图谱,完成知识打通,其中知识融合是对存量知识的多种粒度集合型的数学集合操作处理,包括但不限于:交集处理、并集处理、补集处理;
(3)知识加工
对于经过融合的新知识,再进行质量评估,才能将合格的部分加入到知识库中;其中新增新知识的数据之后,进行知识推理、拓展现有知识、得到新知识至少一种方式的处理。
2.根据权利要求1所述的基于知识图谱的预案智能推荐方法,其特征在于:步骤(1)中,信息抽取包括非结构化抽取部分,这部分的算法训练包括分词、命名实体识别、关系抽取、语义角色标注在内的一种或至少一种的组合下;算法的应用,包括
(a)算法线下训练与测试、线上部署流程打通,进行数据隔离,并且进行训练、测试、部署全程可配置,且日志清晰;
(b)算法性能,要求高效准确完成算法任务。
3.根据权利要求1所述的基于知识图谱的预案智能推荐方法,其特征在于:步骤(3)中,其中的知识推理是对存量知识的再组织,是知识的联结操作,是知识图谱分析的前驱,通过以下两种方式进行:
(a)多种粒度知识联结操作,即联结不同类型实体、联结同一实体的多种属性;
(b)基于知识联结操作的遍历和游走能力,是知识图谱分析的基础,支撑知识图谱多种分析手段。
4.根据权利要求1所述的基于知识图谱的预案智能推荐方法,其特征在于:构建知识图谱,进行实施时,具体包括:
(1)数据化管理平台,致力于维护数据资产,支撑整个知识图谱后续分析工作;
(2)知识化抽取,是本产品的知识提取和知识管理模块,是从数据化资产管理平台中,自适应提取和管理知识的方法;
(3)图谱化存储平台,是从知识数据中,构建和完善知识图谱内容,并基于知识图谱进行多维度展示;
(4)智能化分析,致力于从图谱结构中,抽取业务应用模型,满足产品需求,对外提供接口,为用户贡献价值。
5.根据权利要求1或4所述的基于知识图谱的预案智能推荐方法,其特征在于:构建知识图谱,是基于知识图谱的预案语义匹配方法,所述基于知识图谱的预案语义匹配方法是首先需要预案语义特征定义,然后对预案语义特征标注,最后是在基于语义特征的预案进行匹配的方法。
6.根据权利要求5所述的基于知识图谱的预案智能推荐方法,其特征在于:预案语义特征定义时,具体的方法是:首先,通过知识图谱描述实体特征,实现实体的语义标注,进行语义特征定义;其次,需要创建预案特征的语义描述,获取关于预案描述的语义信息;最后,通过与知识图谱的映射,定义预案特征结构化元数据,基于语义推理,语义标注支持预案语义匹配与发现。
7.根据权利要求5所述的基于知识图谱的预案智能推荐方法,其特征在于:预案语义特征标注时,是采用语义标注算法通过分析用户输入的预案查询关键字,提供预案语义特征相关的概念实体或关系,并映射到知识图谱对应节点,经过人工干预,利用图形化人机交互界面,辅助实现特征语义标注。
8.根据权利要求5所述的基于知识图谱的预案智能推荐方法,其特征在于:基于语义特征的预案进行匹配时包括预案匹配机制、预案匹配规则和预案匹配流程;
预案匹配机制,首先,基于要求,构建限制性匹配规则与优化类匹配规则,进行初步筛选;其次,以筛选后预案为匹配目标集,基于各预案语义特征标注,抽取语义特征向量,通过建立融合预案语义特征相似性度量和包含性推理规则的混合模式预案匹配机制,进行预案语义匹配;
预案匹配规则,包括限制类约束规则和优化类匹配规则;限制类约束规则是对预案库的预案按限制性规则,包括目标的类型、我方力量状态,通过0-1匹配算法进行匹配,排除不满足条件的预案,构建匹配满足条件的预案集合;优化类匹配规则是对已筛选的预案集合,利用方案优选规则,结合目标的重要程度、目标毁伤程度,并利用基于特征向量的相似匹配算法,按优先级排序推荐预案,进行包括目标相似度、毁伤匹配度处理,进行对力量进行排序,支持人工选择使用对象;
预案匹配流程,采用三级匹配方法,根据需求,设计语义特征相似度计算方法,进行匹配目标向量和预案特征向量相似度计算,计算预案排序因子,进行预案定量化排序。
9.根据权利要求8所述的基于知识图谱的预案智能推荐方法,其特征在于:预案匹配流程的具体步骤:
一是场景定义,根据信息,计算/预估类型、重要程度,根据规则和意图,确定目标类型、反击强度,进行目标向量的定义;
二是预案语义特征相似度计算,基于预案语义特征标注,进行特征向量抽取,获取各个预案的语义特征向量,依据匹配规则,基于语义特征向量的相似度计算方法,进行特征向量排序因子计算;
三是基于匹配因子,进行预案匹配,并依据当前力量状态进行预案的二次筛选,最终形成预案匹配集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011335954.XA CN112463980A (zh) | 2020-11-25 | 2020-11-25 | 一种基于知识图谱的预案智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011335954.XA CN112463980A (zh) | 2020-11-25 | 2020-11-25 | 一种基于知识图谱的预案智能推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112463980A true CN112463980A (zh) | 2021-03-09 |
Family
ID=74798265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011335954.XA Pending CN112463980A (zh) | 2020-11-25 | 2020-11-25 | 一种基于知识图谱的预案智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112463980A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883201A (zh) * | 2021-03-23 | 2021-06-01 | 西安电子科技大学昆山创新研究院 | 一种基于智慧社区大数据的知识图谱构建方法 |
CN113032578A (zh) * | 2021-03-23 | 2021-06-25 | 平安科技(深圳)有限公司 | 基于热点事件的信息推送方法、装置及计算机设备 |
CN113157947A (zh) * | 2021-05-20 | 2021-07-23 | 中国工商银行股份有限公司 | 知识图谱的构建方法、工具、装置和服务器 |
CN113191740A (zh) * | 2021-05-19 | 2021-07-30 | 广东电网有限责任公司 | 一种计量资产管理系统 |
CN113220905A (zh) * | 2021-05-27 | 2021-08-06 | 哈尔滨理工大学 | 一种融合知识图谱的服务推荐方法 |
CN113297394A (zh) * | 2021-06-29 | 2021-08-24 | 中国人民解放军国防科技大学 | 基于知识图谱的数据链网络保障方案智能推荐方法及应用 |
CN113360641A (zh) * | 2021-05-07 | 2021-09-07 | 内蒙古电力(集团)有限责任公司乌兰察布电业局 | 一种基于深度学习的电网故障处置预案语义建模系统及方法 |
CN113392147A (zh) * | 2021-05-18 | 2021-09-14 | 中铁二院工程集团有限责任公司 | 一种vr场景知识图谱表示及动态更新方法 |
CN113469577A (zh) * | 2021-07-27 | 2021-10-01 | 中国银行股份有限公司 | 审计项目人员预分配方法及装置 |
CN114491082A (zh) * | 2022-03-31 | 2022-05-13 | 南京众智维信息科技有限公司 | 基于网络安全应急响应知识图谱特征提取的预案匹配方法 |
CN114692486A (zh) * | 2022-03-10 | 2022-07-01 | 中国科学技术大学 | 一种基于用户反馈知识图谱的产品优化设计方法 |
CN114969553A (zh) * | 2022-07-19 | 2022-08-30 | 苏芯物联技术(南京)有限公司 | 一种基于知识图谱的焊接成本和工艺参数综合智能推荐方法 |
CN117171428A (zh) * | 2023-08-04 | 2023-12-05 | 北京网聘信息技术有限公司 | 一种提升搜索和推荐结果准确性的方法 |
CN117236435A (zh) * | 2023-11-08 | 2023-12-15 | 中国标准化研究院 | 一种设计理性知识网络的知识融合方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488724A (zh) * | 2013-09-16 | 2014-01-01 | 复旦大学 | 一种面向图书的阅读领域知识图谱构建方法 |
US20170193086A1 (en) * | 2015-12-31 | 2017-07-06 | Shanghai Xiaoi Robot Technology Co., Ltd. | Methods, devices, and systems for constructing intelligent knowledge base |
CN108595449A (zh) * | 2017-11-23 | 2018-09-28 | 北京科东电力控制系统有限责任公司 | 调度自动化系统知识图谱的构建与应用方法 |
CN109378053A (zh) * | 2018-11-30 | 2019-02-22 | 安徽影联云享医疗科技有限公司 | 一种用于医学影像的知识图谱构建方法 |
CN111444351A (zh) * | 2020-03-24 | 2020-07-24 | 清华苏州环境创新研究院 | 一种行业工艺领域知识图谱构建方法及装置 |
-
2020
- 2020-11-25 CN CN202011335954.XA patent/CN112463980A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488724A (zh) * | 2013-09-16 | 2014-01-01 | 复旦大学 | 一种面向图书的阅读领域知识图谱构建方法 |
US20170193086A1 (en) * | 2015-12-31 | 2017-07-06 | Shanghai Xiaoi Robot Technology Co., Ltd. | Methods, devices, and systems for constructing intelligent knowledge base |
CN108595449A (zh) * | 2017-11-23 | 2018-09-28 | 北京科东电力控制系统有限责任公司 | 调度自动化系统知识图谱的构建与应用方法 |
CN109378053A (zh) * | 2018-11-30 | 2019-02-22 | 安徽影联云享医疗科技有限公司 | 一种用于医学影像的知识图谱构建方法 |
CN111444351A (zh) * | 2020-03-24 | 2020-07-24 | 清华苏州环境创新研究院 | 一种行业工艺领域知识图谱构建方法及装置 |
Non-Patent Citations (1)
Title |
---|
梁汝鹏等: "基于军事知识图谱的作战预案语义匹配方法研究", 《指挥与控制学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032578A (zh) * | 2021-03-23 | 2021-06-25 | 平安科技(深圳)有限公司 | 基于热点事件的信息推送方法、装置及计算机设备 |
CN112883201B (zh) * | 2021-03-23 | 2023-11-21 | 西安电子科技大学昆山创新研究院 | 一种基于智慧社区大数据的知识图谱构建方法 |
CN112883201A (zh) * | 2021-03-23 | 2021-06-01 | 西安电子科技大学昆山创新研究院 | 一种基于智慧社区大数据的知识图谱构建方法 |
CN113360641A (zh) * | 2021-05-07 | 2021-09-07 | 内蒙古电力(集团)有限责任公司乌兰察布电业局 | 一种基于深度学习的电网故障处置预案语义建模系统及方法 |
CN113392147B (zh) * | 2021-05-18 | 2022-12-06 | 中铁二院工程集团有限责任公司 | 一种vr场景知识图谱表示及动态更新方法 |
CN113392147A (zh) * | 2021-05-18 | 2021-09-14 | 中铁二院工程集团有限责任公司 | 一种vr场景知识图谱表示及动态更新方法 |
CN113191740A (zh) * | 2021-05-19 | 2021-07-30 | 广东电网有限责任公司 | 一种计量资产管理系统 |
CN113157947A (zh) * | 2021-05-20 | 2021-07-23 | 中国工商银行股份有限公司 | 知识图谱的构建方法、工具、装置和服务器 |
CN113220905A (zh) * | 2021-05-27 | 2021-08-06 | 哈尔滨理工大学 | 一种融合知识图谱的服务推荐方法 |
CN113297394A (zh) * | 2021-06-29 | 2021-08-24 | 中国人民解放军国防科技大学 | 基于知识图谱的数据链网络保障方案智能推荐方法及应用 |
CN113469577A (zh) * | 2021-07-27 | 2021-10-01 | 中国银行股份有限公司 | 审计项目人员预分配方法及装置 |
CN114692486A (zh) * | 2022-03-10 | 2022-07-01 | 中国科学技术大学 | 一种基于用户反馈知识图谱的产品优化设计方法 |
CN114692486B (zh) * | 2022-03-10 | 2024-03-15 | 中国科学技术大学 | 一种基于用户反馈知识图谱的产品优化设计方法 |
CN114491082A (zh) * | 2022-03-31 | 2022-05-13 | 南京众智维信息科技有限公司 | 基于网络安全应急响应知识图谱特征提取的预案匹配方法 |
CN114969553B (zh) * | 2022-07-19 | 2022-10-28 | 苏芯物联技术(南京)有限公司 | 一种基于知识图谱的焊接成本和工艺参数综合智能推荐方法 |
CN114969553A (zh) * | 2022-07-19 | 2022-08-30 | 苏芯物联技术(南京)有限公司 | 一种基于知识图谱的焊接成本和工艺参数综合智能推荐方法 |
CN117171428A (zh) * | 2023-08-04 | 2023-12-05 | 北京网聘信息技术有限公司 | 一种提升搜索和推荐结果准确性的方法 |
CN117171428B (zh) * | 2023-08-04 | 2024-04-05 | 北京网聘信息技术有限公司 | 一种提升搜索和推荐结果准确性的方法 |
CN117236435A (zh) * | 2023-11-08 | 2023-12-15 | 中国标准化研究院 | 一种设计理性知识网络的知识融合方法、装置及存储介质 |
CN117236435B (zh) * | 2023-11-08 | 2024-01-30 | 中国标准化研究院 | 一种设计理性知识网络的知识融合方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112463980A (zh) | 一种基于知识图谱的预案智能推荐方法 | |
WO2021196520A1 (zh) | 一种面向税务领域知识图谱的构建方法及系统 | |
CN108573411B (zh) | 基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法 | |
Soibelman et al. | Management and analysis of unstructured construction data types | |
Hao et al. | Integrating and navigating engineering design decision-related knowledge using decision knowledge graph | |
CN112612902A (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
CN113010688A (zh) | 知识图谱构建方法、装置、设备及计算机可读存储介质 | |
CN112948547A (zh) | 测井知识图谱构建查询方法、装置、设备及存储介质 | |
Xiao et al. | Knowledge graph-based manufacturing process planning: A state-of-the-art review | |
CN114706989A (zh) | 一种基于技术创新资产为知识库的智能推荐方法 | |
CN117271767A (zh) | 基于多智能体的运维知识库的建立方法 | |
Chen et al. | An approach for assembly process case discovery using multimedia information source | |
Ji et al. | A multitask context-aware approach for design lesson-learned knowledge recommendation in collaborative product design | |
CN114911893A (zh) | 基于知识图谱的自动化构建知识库的方法及系统 | |
CN110765276A (zh) | 知识图谱中的实体对齐方法及装置 | |
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 | |
Wang et al. | Knowledge driven multiview bill of material reconfiguration for complex products in the digital twin workshop | |
CN117171191A (zh) | 一种材料垂直领域智能搜索引擎系统及方法 | |
CN116401338A (zh) | 一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法 | |
Angermann et al. | Taxonomy Matching Using Background Knowledge | |
Djiroun et al. | Data cubes retrieval and design in OLAP systems: from query analysis to visualisation tool | |
CN111581815B (zh) | 一种基于xml的工艺模型本体构建方法 | |
CN115293479A (zh) | 舆情分析工作流系统及其方法 | |
Salmam et al. | Prediction in OLAP data cubes | |
Miłek et al. | Comparative GIS analysis using taxonomy and classification techniques |
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: 20210309 |
|
RJ01 | Rejection of invention patent application after publication |