CN112580831B - 一种基于知识图谱的电力通信网智能辅助运维方法及系统 - Google Patents
一种基于知识图谱的电力通信网智能辅助运维方法及系统 Download PDFInfo
- Publication number
- CN112580831B CN112580831B CN202011304510.XA CN202011304510A CN112580831B CN 112580831 B CN112580831 B CN 112580831B CN 202011304510 A CN202011304510 A CN 202011304510A CN 112580831 B CN112580831 B CN 112580831B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- node
- nodes
- neighbor
- maintenance
- 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.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 100
- 238000004891 communication Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000003993 interaction Effects 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 30
- 230000007246 mechanism Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 14
- 230000004931 aggregating effect Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 235000019580 granularity Nutrition 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241001235534 Graphis <ascomycete fungus> Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001212 derivatisation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Animal Behavior & Ethology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识图谱的电力通信网智能辅助运维方法及系统,包括如下步骤:构建基于知识图谱的电力通信网智能辅助运维架构,包括数据采集层、知识获取层、知识融合层、知识存储层、知识服务层,核心模块包括知识建模模块、智能交互模块和知识运维模块。本发明基于各类数据和运行管理模式,融合多元数据,实现知识图谱的通信网智能辅助运维,打通多系统、多维度、多结构数据之间的壁垒,提升了智能交互能力,实现对现场运维的知识支撑。
Description
技术领域
本发明属于电力信息通信技术领域,具体涉及一种基于知识图谱的电力通信网智能辅助运维方法,还涉及一种基于知识图谱的电力通信网智能辅助运维系统。
背景技术
电力系统通信是电力系统不可缺少的重要组成部分,是电网调度自动化和生产管理现代化的基础,是确保电网安全、经济、稳定运行的重要技术手段。随着电力通信网络的快速发展和业务通道的迅速增长,业务通道数量和种类也将快速增加,使得驾驭电力通信网络的难度加大,迫切需要通过新技术的应用提升电力通信的管理水平和运维效能。因此,针对复杂多样、设备繁多的信息通信运维现场,特别是在电力通信的末梢感知、故障诊断与现场运维环节,现有的信息化手段无法有效支撑不断提高的精益化管理要求,需开展基于知识图谱以及深度学习的智能运维应用关键技术研究,实现基于知识图谱的通信网智能辅助运维,促进电力通信的管理水平和运维效能提升。
但是在基于知识图谱的通信网智能辅助运维方面还存在着以下不足:
针对复杂多样、设备繁多的信息通信运维现场,运维人员在现场巡视、故障处理时需要查阅大量的技术文件与设备信息,对运维人员的业务水平与技术要求较高。面对如此庞大复杂的信息集合,如何方便快捷地获取信息和发现知识是快速完成检修任务,提高检修效率亟待解决的问题。
发明内容
本发明的目的在于克服现有技术中的不足,提供了一种基于知识图谱的电力通信网智能辅助运维系统,将知识图谱应用于电力通信网智能辅助运维中,设计和实现了基于知识图谱的电力通信网智能辅助运维架构,提高了知识图谱节点高效命中。
为解决上述技术问题,本发明提供了一种基于知识图谱的电力通信网智能辅助运维方法,其特征是,包括:
采集电力通信网络实际运行数据;
从电力通信网络实际运行数据中提取知识;
对提取的知识进行融合;
将知识存储在数据库中;
根据获取的知识建立知识图谱;
根据运维问题从知识图谱中检索出结果;
根据运维人员的使用反馈及增加的新的知识来源进行知识图谱的演化和完善。
进一步的,所述根据获取的知识建立知识图谱,包括:
提取电力通信网知识中重点业务问题为核心节点构建三元组,以核心节点为基础来不断丰富知识图谱。
进一步的,所述根据运维问题从知识图谱中检索的具体过程包括:
对知识图谱中的核心节点打上业务标签,在面对运维问题时,优先在相关业务的核心节点中检索。
进一步的,所述根据运维问题从知识图谱中检索的具体过程还包括:
评价知识图谱核心节点重要的重要程度,在面对运维问题时,按照节点重要程度从高到底进行检索。
进一步的,所述评价知识图谱核心节点重要的重要程度,包括:
对于知识图谱中的核心节点,采用以下算法来计算节点重要程度:
在上式中,P表示节点重要程度,n表示统计周期的数量,k表示核心节点的排序,F表示节点命中次数,c和d分别代表前端和后端的权重,且c>0,d>0,c+d=1。
进一步的,所述根据运维问题从知识图谱中检索的具体过程还包括:
将知识图谱中的实体,关系类型以及所构建的三元组看作是三类节点,并基于此构建关系-元组-实体异构图G=(V,ED),V表示所构建异构图G的节点集合,ED表示边集合;其中节点集合V包含三类节点:关系类型节点集合M}和实体节点集合E={e1,...,eN},因此有V=R∪T∪E;对于异构图G中边集合ED的构建,将属于元组的实体节点与该元组节点相连,同时将元组所属的关系类型节点与其相连;
基于关系元组实体异构图神经网络算法来更新构造的异构图G=(V,ED)中的节点表示,该算法主要由两部分组成:聚合同类型邻居的节点级注意力和用于聚合不同类型邻居的类型级注意力;最后提取经过双层注意力机制更新后的节点表示进行节点/链接预测,以下详细介绍双层注意力机制对节点表示的更新过程;
节点级注意力:用来捕捉不同相邻节点的重要性;形式上,给定一个特定的节点v∈V,对其所有的1跳和2跳邻居进行抽样,然后对不同类型的邻居进行分组;在形式上,聚合同类型邻居的节点级注意力机制如以下公式所示,这样,就可以得到三个相邻类型向量hr,ht,he;
其中,u表示节点通过激活函数tanh激活后得到的非线性向量表示,v表示某个特定的节点,W以及b表示模型训练过程中的权重,这里的下标n代表W以及b是节点级;注意力机制中的权重;α表示通过点积运算和指数运算exp得到的节点v与邻居节点n的相似度,下标i表示某个特定的邻居节点类别,Nv表示节点v的邻居节点集合;h表示最后通过加权求和运算得到的邻居表示,Nr,Nt,Ne分别表示节点v的三类邻居节点集合,其中下标r,t,e分别表示关系类型,元组以及实体这三个邻居节点类别,因此有Nv=Nr∪Nt∪Ne;此外,所有的上标l均表示当前关系-元组-实体异构图神经网络的层数;
类型级注意力:类型级注意力在节点级注意力后学习不同类型邻居节点的重要性;采用与节点级注意相似的处理方法,利用类型级注意力来建模类型间的语义关系;形式上,聚合不同类型邻居的类型级注意力机制指如以下公式所示。
其中,u表示邻居通过激活函数tanh激活后得到的非线性向量表示,其中i表示某个特定的邻居类别,W以及b表示模型训练过程中的权重,这里的下标t代表W以及b是类型级;注意力机制中的权重;β表示通过点积运算和指数运算exp得到的邻居i与邻居t的相似度,其中r,t,e分别表示关系类型,元组以及实体这三个类别;h表示最后通过加权求和运算得到的邻居向量表示,其中下标a表示所有(All)类别邻居节点;vl+1表示通过一个具有ReLU函数的全连接层对最终的邻居向量h与特定节点v的向量拼接后的表示进行非线性激活,作为下一层关系-元组-实体异构图神经网络的初始化表示,这里的Wc以及bc表示模型训练过程中的权重,其中下标c是为了与上面的权重相区分;此外,所有的上标l均表示当前关系-元组-实体异构图神经网络的层数,这里使用L层的SG-HGNN对异构图G中的节点进行更新,即将上述更新过程循环L次;
最后将经过L层SG-HGNN更新后的关系-元组-实体异构图中的实体节点和关系节点表示用于实体/关系链接预测。
相应的,本发明还提供了一种基于知识图谱的电力通信网智能辅助运维系统,其特征是,包括数据采集层、知识获取层、知识融合层、知识存储层、以及知识服务层;其中:
知识采集层,用于采集电力通信网络实际运行数据;
知识获取层,用于从电力通信网络实际运行数据中提取知识;
知识融合层,用于对提取的知识进行融合;
知识存储层,用于将知识存储在数据库中;
知识服务层,用于提供知识建模、智能交互和知识运维服务;包括知识建模模块、智能交互模块和知识运维模块,其中:
知识建模模块,用于根据获取的知识建立知识图谱;
智能交互模块,用于根据运维问题从知识图谱中检索出结果;
知识运维模块,用于根据运维人员的使用反馈及增加的新的知识来源进行知识图谱的演化和完善。
与现有技术相比,本发明所达到的有益效果是:
1)设计和实现了基于知识图谱的电力通信网智能辅助运维架构,包括数据采集层、知识获取层、知识融合层、知识存储层、知识服务层。核心模块包括知识建模模块、智能交互模块和知识运维模块。
2)提出了一种包含核心节点分类、节点重要性评价和知识推理三个步骤的知识图谱节点高效命中策略,提升了智能交互能力。
3)在知识推理步骤中,提出了一种关系元组实体异构图神经网络算法(SG-HGNN)来有效地建模知识图谱中不同粒度的语义信息。系统试点后,问题命中率和问题响应时间明显减少,提升人机交互效率,大大提升了电力通信网运维能力。
附图说明
图1是本发明方法流程图;
图2是本发明方法架构图;
图3是关系-元组-实体异构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本发明的一种基于知识图谱的电力通信网智能辅助运维方法,具体参见如图1所示,包括以下步骤:
S01:构建基于知识图谱的电力通信网智能辅助运维架构,包括数据采集层、知识获取层、知识融合层、知识存储层、知识服务层。
数据采集层:提供基础数据。电力通信网的源数据来源于多维度、多类型的数据,根据数据源信道的不同可分为两类。从监控系统采集一个数据源通道,包括环境数据、设备运行数据和检测数据。另一种数据源渠道是知识数据,主要来源于离散采集和历史数据。在大规模的数据采集过程中,尤其需要先进的数据采集技术和通信技术的支持。
知识获取层:该层用于从采集的电力通信网络实际运行数据中提取知识,相关数据包括结构化数据、半结构化数据和非结构化数据。
知识融合层:该层主要解决电力通信网络中多源异构数据集成的问题。主要采用实体关系分析、同义词构造、语义分析、关键词提取等技术。该层用于进一步整合从多源数据中获取的复杂知识,扩展原有知识库。传统的知识融合方法包括基于字符串的匹配方法和分治算法。随着机器学习,特别是深度学习的发展,一些学者将单词嵌入和主题模型引入到知识融合中。
知识存储层:该层以图形数据为主体,多种数据并存,为电力通信网的整个业务提供一站式的存储、查询、分析和挖掘平台服务。它主要负责在NoSQL和DB数据库中存储知识。
知识服务层:实现统一服务的功能。它旨在实现企业目标,解决用户问题,提高电力通信网络的生产能力。它为管理者和操作员提供不同的服务。在智能辅助运维系统中,该层主要提供知识建模、智能交互、知识运维等服务。核心服务即为S02的知识建模、S03-S05的智能交互和S06的知识运维。如图2所示。
以上架构是基础,构建合理的架构之后,才能进一步的进行S02-S06步骤,且S02-S06主要在架构的知识服务层。
S02:实现知识建模。
建立电力通信网智能辅助运维知识图谱的数据模型,即采用什么样的方式来表达知识,构建一个模型对知识进行描述。
知识建模是指建立知识图谱的数据模型,即采用什么样的方式来表达知识,构建一个模型对知识进行描述。知识建模的过程是知识图谱构建的基础,高质量的数据模型能避免许多不必要、重复性的知识获取工作,有效提高知识图谱构建的效率,降低领域数据融合的成本。
电力通信网的数据具有数量大、结构复杂、类型多的特点,对电力通信网络实际运行数据进行处理分析后,提取跳纤、行政电话报修、会议电视设备故障等重点业务问题为核心节点,然后构建如(实体a,实体b,关系)或(实体、属性、属性值)形式的三元组,以核心节点为基础来不断丰富知识图谱,这样,可以实现海量数据的有效梳理和知识建模。
S03:核心节点分类。
电力通信网络为整个电力系统中的电网调度、自动化、继电保护、安全自动控制、电力市场交易以及企业信息化等提供安全的信息传输通道,它的优质化管理是整个电网保持顺畅的关键。如何实现研究基于知识图谱的数据结构化检索技术,实现语义理解和知识的本质关联,建设应用于电力通信运维及故障检修领域的智能问答系统,为现场运维人员提供全面的知识支撑,提升运维人员应对故障检修的时效性和可靠性。
首先可以采取核心节点分类方式来提升基于知识图谱的智能交互能力。即根据电力通信网运维对应的跳纤、行政电话报修、会议电视设备故障等业务,对知识图谱中的核心节点打上业务标签。这样,在面对某类运维问题时,可以优先在相关核心节点中检索,从而提升了检索效率。
S04:节点重要性评价。
基于知识图谱核心节点重要性评价算法,评价节点的重要程度,某个运维问题输入系统后,按照节点重要程度从高到底进行检索,可以大大提升命中效率,节省智能交互时间。
对于知识图谱中的核心节点,采用以下算法来计算节点重要程度:
在上式中,P表示节点重要程度,n表示统计周期的数量(统计周期为一段固定的时间,算法中要对之前的n个统计周期相关命中次数就行统计和计算),k表示核心节点的排序(知识图谱中核心节点的构建顺序),F表示节点命中次数(某个运维问题与某个核心节点有关则表示命中,无关则表示不命中)。此外,c和d分别代表前端和后端的权重,且c>0,d>0,c+d=1。
通过知识图谱核心节点重要性评价算法,可以评价节点的重要程度,某个运维问题输入系统后,按照节点重要程度从高到底进行检索,可以大大提升命中效率,节省智能交互时间。
S05:知识推理。基于一种关系元组实体异构图神经网络算法(SG-HGNN)来有效地建模知识图谱中不同粒度的语义信息,提升人机交互效率。
知识推理可以定义为按照某种策略,根据已有知识推出新知识的过程。一个具备知识推理能力的知识图谱,将挖掘出数据更深层次的内在价值。
这里我们提出了一个关系-元组-实体异构图神经网络模型,旨在捕获所构建知识图谱中不同粒度的语义信息以用于进行知识推理。这里将知识图谱中的实体,关系类型以及所构建的三元组看作是三类节点,并基于此构建关系-元组-实体异构图G=(V,ED),V表示所构建异构图G的节点集合,ED表示边集合。其中节点集合V包含三类节点:关系类型节点集合R={r1,...,rK}、元组M}和实体节点集合E={e1,...,eN},因此有V=R∪T∪E。对于异构图G中边集合ED的构建,我们将属于元组的实体节点与该元组节点相连,同时将元组所属的关系类型节点与其相连。此外,为了进一步捕获知识图谱中实体之间的关系,我们为相似的实体结点之间构建一条边(取决于它们的特征是否相似,计算其余弦相似性,超过某个阈值,此处取0.5,即认为它们之间有一条边)。由此所构建的关系-元组-实体异构图G以模式图如图3所示。接下来进行该异构图中节点的更新过程。
给定一个特定的节点,不同类型的邻居节点可能会对其产生不同的影响。此外,同一类型的不同相邻节点也可能具有不同的重要性。为了同时捕获节点级和类型级的不同重要性,我们设计的关系元组实体异构图神经网络算法(SG-HGNN)充分考虑了不同节点之间的差异性,并基于此来更新构造的异构图G=(V,ED)中的节点表示,该算法主要由两部分组成:聚合同类型邻居的节点级注意力和用于聚合不同类型邻居的类型级注意力。最后提取经过双层注意力机制更新后的节点表示进行节点/链接预测,以下详细介绍双层注意力机制对节点表示的更新过程。
节点级注意力:用来捕捉不同相邻节点的重要性。形式上,给定一个特定的节点v∈V,对其所有的1跳和2跳邻居进行抽样,然后对不同类型的邻居进行分组。在形式上,聚合同类型邻居的节点级注意力机制如以下公式所示,这样,就可以得到三个相邻类型向量hr,ht,he。
其中,u表示节点通过激活函数tanh激活后得到的非线性向量表示,v表示某个特定的节点,W以及b表示模型训练过程中的权重,这里的下标n代表W以及b是节点级(Node)注意力机制中的权重。α表示通过点积运算和指数运算exp得到的节点v与邻居节点n的相似度,下标i表示某个特定的邻居节点类别,Nv表示节点v的邻居节点集合。h表示最后通过加权求和运算得到的邻居表示,Nr,Nt,Ne分别表示节点v的三类邻居节点集合,其中下标r,t,e分别表示关系类型,元组以及实体这三个邻居节点类别,因此有Nv=Nr∪Nt∪Ne。此外,所有的上标l均表示当前关系-元组-实体异构图神经网络的层数。
类型级注意力:为了进一步捕捉不同类型相邻节点的重要性,类型级注意力在节点级注意力后学习不同类型邻居节点的重要性。采用与节点级注意相似的处理方法,利用类型级注意力来建模类型间的语义关系。形式上,聚合不同类型邻居的类型级注意力机制指如以下公式所示。
其中,u表示邻居通过激活函数tanh激活后得到的非线性向量表示,其中i表示某个特定的邻居类别,W以及b表示模型训练过程中的权重,这里的下标t代表W以及b是类型级(Type)注意力机制中的权重。β表示通过点积运算和指数运算exp得到的邻居i与邻居t的相似度,其中r,t,e分别表示关系类型,元组以及实体这三个类别。h表示最后通过加权求和运算得到的邻居向量表示,其中下标a表示所有(All)类别邻居节点。vl+1表示通过一个具有ReLU函数的全连接层对最终的邻居向量h与特定节点v的向量拼接后的表示进行非线性激活,作为下一层关系-元组-实体异构图神经网络的初始化表示,这里的Wc以及bc表示模型训练过程中的权重,其中下标c是为了与上面的权重相区分。此外,所有的上标l均表示当前关系-元组-实体异构图神经网络的层数。为了更好捕获各种粒度的信息,这里使用L层的SG-HGNN对异构图G中的节点进行更新,即将上述更新过程循环L次(这里的L作为超参数,一般取2或3)。
最后将经过L层SG-HGNN更新后的关系-元组-实体异构图中的实体节点和关系节点表示用于实体/关系链接预测。
S06:开展知识运维。
在电力通信网运维知识图谱初次构建完成之后,根据运维人员的使用反馈及增加的新的知识来源进行知识图谱的演化和完善,运维过程中需要保证知识图谱的质量可控及逐步的丰富衍化。知识图谱的运维过程是个工程化的体系,覆盖了知识图谱的整个生命周期。本模块采用的基于增量数据的知识运维方法,负责着电力通信网运维知识图谱的构建、统计、分析、推理、版本、安全、备份等流程。最终建立了一个基于知识图谱技术的智能问答系统,运维人员通过关键字查询与系统进行交互,系统分析关键字,反馈多系统中多形态的相关知识。
本发明的有益效果是:
一、设计和实现了基于知识图谱的电力通信网智能辅助运维架构,包括数据采集层、知识获取层、知识融合层、知识存储层、知识服务层。核心模块包括知识建模模块、智能交互模块和知识运维模块。
二、提出了一种包含核心节点分类、节点重要性评价和知识推理三个步骤的知识图谱节点高效命中策略,提升了智能交互能力。
三、在知识推理步骤中,我们提出了一种关系元组实体异构图神经网络算法(SG-HGNN)来有效地建模知识图谱中不同粒度的语义信息。系统试点后,问题命中率和问题响应时间明显减少,提升人机交互效率,大大提升了电力通信网运维能力。
本发明创新的将知识图谱相关创新成果应用于电力通信网智能辅助运维中,设计和实现了基于知识图谱的电力通信网智能辅助运维架构,提出了知识图谱节点高效命中策略,提出了一种关系元组实体异构图神经网络算法,基于各类数据和运行管理模式,融合多元数据,研究知识图谱的通信网智能辅助运维技术,打通多系统、多维度、多结构数据之间的壁垒,实现对现场运维的知识支撑,可以大大提升电力通信网络运维效率,促进公司业务向着更精细、更协同、更敏捷、更高效的方向发展。
实施例2
相应的,本发明的一种基于知识图谱的电力通信网智能辅助运维系统,包括数据采集层、知识获取层、知识融合层、知识存储层、以及知识服务层;其中:
知识采集层,用于采集电力通信网络实际运行数据;
知识获取层,用于从电力通信网络实际运行数据中提取知识;
知识融合层,用于对提取的知识进行融合;
知识存储层,用于将知识存储在数据库中;
知识服务层,用于提供知识建模、智能交互和知识运维服务;包括知识建模模块、智能交互模块和知识运维模块,其中:
知识建模模块,用于根据获取的知识建立知识图谱;
智能交互模块,用于根据运维问题从知识图谱中检索出结果;
知识运维模块,用于根据运维人员的使用反馈及增加的新的知识来源进行知识图谱的演化和完善。
本发明系统中各模块的具体实现方案参见实施例1中方法的具体实现过程。
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优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (6)
1.一种基于知识图谱的电力通信网智能辅助运维方法,其特征是,包括:
采集电力通信网络实际运行数据;
从电力通信网络实际运行数据中提取知识;
对提取的知识进行融合;
将知识存储在数据库中;
根据获取的知识建立知识图谱;
根据运维问题从知识图谱中检索出结果;
根据运维人员的使用反馈及增加的新的知识来源进行知识图谱的演化和完善;
所述根据运维问题从知识图谱中检索出结果的具体过程还包括:
将知识图谱中的实体,关系类型以及所构建的三元组看作是三类节点,并基于此构建关系-元组-实体异构图G=(V,ED),V表示所构建异构图G的节点集合,ED表示边集合;其中节点集合V包含三类节点:关系类型节点集合M}和实体节点集合E={e1,...,eN},因此有V=R∪T∪E;对于异构图G中边集合ED的构建,将属于元组的实体节点与该元组节点相连,同时将元组所属的关系类型节点与其相连;
基于关系元组实体异构图神经网络算法来更新构造的异构图G=(V,ED)中的节点表示,该算法主要由两部分组成:聚合同类型邻居的节点级注意力和用于聚合不同类型邻居的类型级注意力;最后提取经过双层注意力机制更新后的节点表示进行节点/链接预测,以下详细介绍双层注意力机制对节点表示的更新过程;
节点级注意力:用来捕捉不同相邻节点的重要性;形式上,给定一个特定的节点v∈V,对其所有的1跳和2跳邻居进行抽样,然后对不同类型的邻居进行分组;在形式上,聚合同类型邻居的节点级注意力机制如以下公式所示,这样,就可以得到三个相邻类型向量hr,ht,he:
其中,u表示节点通过激活函数tanh激活后得到的非线性向量表示,v表示某个特定的节点,W以及b表示模型训练过程中的权重,这里的下标n代表W以及b是节点级;注意力机制中的权重;α表示通过点积运算和指数运算exp得到的节点v与邻居节点n的相似度,下标i表示某个特定的邻居节点类别,Nv表示节点v的邻居节点集合;h表示最后通过加权求和运算得到的邻居表示,Nr,Nt,Ne分别表示节点v的三类邻居节点集合,其中下标r,t,e分别表示关系类型,元组以及实体这三个邻居节点类别,因此有Nv=Nr∪Nt∪Ne;此外,所有的上标l均表示当前关系-元组-实体异构图神经网络的层数;
类型级注意力:类型级注意力在节点级注意力后学习不同类型邻居节点的重要性;采用与节点级注意相似的处理方法,利用类型级注意力来建模类型间的语义关系;形式上,聚合不同类型邻居的类型级注意力机制指如以下公式所示:
其中,u表示邻居通过激活函数tanh激活后得到的非线性向量表示,其中i表示某个特定的邻居类别,W以及b表示模型训练过程中的权重,这里的下标t代表W以及b是类型级;注意力机制中的权重;β表示通过点积运算和指数运算exp得到的邻居i与邻居t的相似度,其中r,t,e分别表示关系类型,元组以及实体这三个类别;h表示最后通过加权求和运算得到的邻居向量表示,其中下标a表示所有(All)类别邻居节点;vi+1表示通过一个具有ReLU函数的全连接层对最终的邻居向量h与特定节点v的向量拼接后的表示进行非线性激活,作为下一层关系-元组-实体异构图神经网络的初始化表示,这里的Wc以及bc表示模型训练过程中的权重,其中下标c是为了与上面的权重相区分;此外,所有的上标l均表示当前关系-元组-实体异构图神经网络的层数,这里使用L层的SG-HGNN对异构图G中的节点进行更新,即将上述更新过程循环L次;
最后将经过L层SG-HGNN更新后的关系-元组-实体异构图中的实体节点和关系节点表示用于实体/关系链接预测。
2.根据权利要求1所述的一种基于知识图谱的电力通信网智能辅助运维方法,其特征是,所述根据获取的知识建立知识图谱,包括:
提取电力通信网知识中重点业务问题为核心节点构建三元组,以核心节点为基础来不断丰富知识图谱。
3.根据权利要求1所述的一种基于知识图谱的电力通信网智能辅助运维方法,其特征是,所述根据运维问题从知识图谱中检索的具体过程包括:
对知识图谱中的核心节点打上业务标签,在面对运维问题时,优先在相关业务的核心节点中检索。
4.根据权利要求1所述的一种基于知识图谱的电力通信网智能辅助运维方法,其特征是,所述根据运维问题从知识图谱中检索的具体过程还包括:
评价知识图谱核心节点重要的重要程度,在面对运维问题时,按照节点重要程度从高到底进行检索。
5.根据权利要求4所述的一种基于知识图谱的电力通信网智能辅助运维方法,其特征是,所述评价知识图谱核心节点重要的重要程度,包括:
对于知识图谱中的核心节点,采用以下算法来计算节点重要程度:
在上式中,P表示节点重要程度,n表示统计周期的数量,k表示核心节点的排序,F表示节点命中次数,c和d分别代表前端和后端的权重,且c>0,d>0,c+d=1。
6.一种基于知识图谱的电力通信网智能辅助运维系统,其特征是,包括数据采集层、知识获取层、知识融合层、知识存储层、以及知识服务层;其中:
知识采集层,用于采集电力通信网络实际运行数据;
知识获取层,用于从电力通信网络实际运行数据中提取知识;
知识融合层,用于对提取的知识进行融合;
知识存储层,用于将知识存储在数据库中;
知识服务层,用于提供知识建模、智能交互和知识运维服务;包括知识建模模块、智能交互模块和知识运维模块,其中:
知识建模模块,用于根据获取的知识建立知识图谱;
智能交互模块,用于根据运维问题从知识图谱中检索出结果;
知识运维模块,用于根据运维人员的使用反馈及增加的新的知识来源进行知识图谱的演化和完善;
所述智能交互模块中,根据运维问题从知识图谱中检索出结果的具体过程还包括:
将知识图谱中的实体,关系类型以及所构建的三元组看作是三类节点,并基于此构建关系-元组-实体异构图G=(V,ED),V表示所构建异构图G的节点集合,ED表示边集合;其中节点集合V包含三类节点:关系类型节点集合M}和实体节点集合E={e1,...,eN},因此有V=R∪T∪E;对于异构图G中边集合ED的构建,将属于元组的实体节点与该元组节点相连,同时将元组所属的关系类型节点与其相连;
基于关系元组实体异构图神经网络算法来更新构造的异构图G=(V,ED)中的节点表示,该算法主要由两部分组成:聚合同类型邻居的节点级注意力和用于聚合不同类型邻居的类型级注意力;最后提取经过双层注意力机制更新后的节点表示进行节点/链接预测,以下详细介绍双层注意力机制对节点表示的更新过程;
节点级注意力:用来捕捉不同相邻节点的重要性;形式上,给定一个特定的节点v∈V,对其所有的1跳和2跳邻居进行抽样,然后对不同类型的邻居进行分组;在形式上,聚合同类型邻居的节点级注意力机制如以下公式所示,这样,就可以得到三个相邻类型向量hr,ht,he:
其中,u表示节点通过激活函数tanh激活后得到的非线性向量表示,v表示某个特定的节点,W以及b表示模型训练过程中的权重,这里的下标n代表W以及b是节点级;注意力机制中的权重;α表示通过点积运算和指数运算exp得到的节点v与邻居节点n的相似度,下标i表示某个特定的邻居节点类别,Nv表示节点v的邻居节点集合;h表示最后通过加权求和运算得到的邻居表示,Nr,Nt,Ne分别表示节点v的三类邻居节点集合,其中下标r,t,e分别表示关系类型,元组以及实体这三个邻居节点类别,因此有Nv=Nr∪Nt∪Ne;此外,所有的上标l均表示当前关系-元组-实体异构图神经网络的层数;
类型级注意力:类型级注意力在节点级注意力后学习不同类型邻居节点的重要性;采用与节点级注意相似的处理方法,利用类型级注意力来建模类型间的语义关系;形式上,聚合不同类型邻居的类型级注意力机制指如以下公式所示:
其中,u表示邻居通过激活函数tanh激活后得到的非线性向量表示,其中i表示某个特定的邻居类别,W以及b表示模型训练过程中的权重,这里的下标t代表W以及b是类型级;注意力机制中的权重;β表示通过点积运算和指数运算exp得到的邻居i与邻居t的相似度,其中r,t,e分别表示关系类型,元组以及实体这三个类别;h表示最后通过加权求和运算得到的邻居向量表示,其中下标a表示所有(All)类别邻居节点;vi+1表示通过一个具有ReLU函数的全连接层对最终的邻居向量h与特定节点v的向量拼接后的表示进行非线性激活,作为下一层关系-元组-实体异构图神经网络的初始化表示,这里的Wc以及bc表示模型训练过程中的权重,其中下标c是为了与上面的权重相区分;此外,所有的上标l均表示当前关系-元组-实体异构图神经网络的层数,这里使用L层的SG-HGNN对异构图G中的节点进行更新,即将上述更新过程循环L次;
最后将经过L层SG-HGNN更新后的关系-元组-实体异构图中的实体节点和关系节点表示用于实体/关系链接预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011304510.XA CN112580831B (zh) | 2020-11-19 | 2020-11-19 | 一种基于知识图谱的电力通信网智能辅助运维方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011304510.XA CN112580831B (zh) | 2020-11-19 | 2020-11-19 | 一种基于知识图谱的电力通信网智能辅助运维方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580831A CN112580831A (zh) | 2021-03-30 |
CN112580831B true CN112580831B (zh) | 2024-03-29 |
Family
ID=75122931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011304510.XA Active CN112580831B (zh) | 2020-11-19 | 2020-11-19 | 一种基于知识图谱的电力通信网智能辅助运维方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580831B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094516A (zh) * | 2021-04-27 | 2021-07-09 | 东南大学 | 一种基于多源数据融合的电网监控领域知识图谱构建方法 |
CN113283027B (zh) * | 2021-05-20 | 2024-04-02 | 南京航空航天大学 | 一种基于知识图谱和图神经网络的机械故障诊断方法 |
CN113312499B (zh) * | 2021-06-15 | 2022-10-04 | 合肥工业大学 | 一种基于知识图谱的电力安全预警方法及系统 |
CN113590835A (zh) * | 2021-07-28 | 2021-11-02 | 上海致景信息科技有限公司 | 纺织行业数据的知识图谱构建方法、装置及处理器 |
CN116521700B (zh) * | 2023-06-28 | 2023-09-08 | 广州泓盈信息科技有限公司 | 一种电力系统检修信息库更新方法、系统及存储介质 |
CN116701666A (zh) * | 2023-08-09 | 2023-09-05 | 合肥小路数据信息技术有限公司 | 一种基于知识图谱的智能it运维系统及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140144877A (ko) * | 2013-06-12 | 2014-12-22 | 한국과학기술원 | 지식 융합 시스템 및 방법 |
CN105809258A (zh) * | 2016-03-14 | 2016-07-27 | 广州供电局有限公司 | 电力系统的运维知识管理方法和系统 |
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 |
CN108009300A (zh) * | 2017-12-28 | 2018-05-08 | 中译语通科技(青岛)有限公司 | 一种基于大数据技术的远程运维系统 |
CN108052672A (zh) * | 2017-12-29 | 2018-05-18 | 北京师范大学 | 利用群体学习行为促进结构化知识图谱构建系统及方法 |
CN108460136A (zh) * | 2018-03-08 | 2018-08-28 | 国网福建省电力有限公司 | 电力运维信息知识图谱构建方法 |
CN108491378A (zh) * | 2018-03-08 | 2018-09-04 | 国网福建省电力有限公司 | 电力信息运维智能应答系统 |
CN109597855A (zh) * | 2018-11-29 | 2019-04-09 | 北京邮电大学 | 基于大数据驱动的领域知识图谱构建方法及系统 |
WO2020000848A1 (zh) * | 2018-06-28 | 2020-01-02 | 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 |
CN111597408A (zh) * | 2020-04-22 | 2020-08-28 | 国电南瑞南京控制系统有限公司 | 基于电力二次保护柜的电力二次装置运维巡检方法和系统 |
CN111949786A (zh) * | 2020-08-18 | 2020-11-17 | 中国银行股份有限公司 | 智能问答模型优化方法及装置 |
CN111950840A (zh) * | 2020-06-19 | 2020-11-17 | 国网山东省电力公司 | 一种计量检定装置智能运维知识检索方法及系统 |
-
2020
- 2020-11-19 CN CN202011304510.XA patent/CN112580831B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140144877A (ko) * | 2013-06-12 | 2014-12-22 | 한국과학기술원 | 지식 융합 시스템 및 방법 |
CN105809258A (zh) * | 2016-03-14 | 2016-07-27 | 广州供电局有限公司 | 电力系统的运维知识管理方法和系统 |
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 |
CN108009300A (zh) * | 2017-12-28 | 2018-05-08 | 中译语通科技(青岛)有限公司 | 一种基于大数据技术的远程运维系统 |
CN108052672A (zh) * | 2017-12-29 | 2018-05-18 | 北京师范大学 | 利用群体学习行为促进结构化知识图谱构建系统及方法 |
CN108460136A (zh) * | 2018-03-08 | 2018-08-28 | 国网福建省电力有限公司 | 电力运维信息知识图谱构建方法 |
CN108491378A (zh) * | 2018-03-08 | 2018-09-04 | 国网福建省电力有限公司 | 电力信息运维智能应答系统 |
WO2020000848A1 (zh) * | 2018-06-28 | 2020-01-02 | 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 |
CN109597855A (zh) * | 2018-11-29 | 2019-04-09 | 北京邮电大学 | 基于大数据驱动的领域知识图谱构建方法及系统 |
CN111597408A (zh) * | 2020-04-22 | 2020-08-28 | 国电南瑞南京控制系统有限公司 | 基于电力二次保护柜的电力二次装置运维巡检方法和系统 |
CN111950840A (zh) * | 2020-06-19 | 2020-11-17 | 国网山东省电力公司 | 一种计量检定装置智能运维知识检索方法及系统 |
CN111949786A (zh) * | 2020-08-18 | 2020-11-17 | 中国银行股份有限公司 | 智能问答模型优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112580831A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580831B (zh) | 一种基于知识图谱的电力通信网智能辅助运维方法及系统 | |
KR102483025B1 (ko) | 운영 유지 시스템 및 방법 | |
CN112558931B (zh) | 一种面向用户工作流模式的智能模型构建及运行方法 | |
CN112579707A (zh) | 一种日志数据的知识图谱构建方法 | |
CN112181960B (zh) | 一种基于AIOps的智能运维框架系统 | |
CN109726246A (zh) | 一种基于数据挖掘和可视化的电网事故关联原因回溯方法 | |
CN107103448A (zh) | 基于工作流的数据集成系统 | |
CN111787090A (zh) | 一种基于区块链技术的智慧法治平台 | |
CN109446305A (zh) | 智能旅游客服系统的构建方法以及系统 | |
CN113268370B (zh) | 一种根因告警分析方法、系统、设备及存储介质 | |
CN113741883B (zh) | 一种rpa轻量级数据中台系统 | |
CN112217674A (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
CN116860221A (zh) | 一种低代码数据模型智能推荐方法及系统 | |
Chen et al. | Distributed web mining using bayesian networks from multiple data streams | |
CN111680027A (zh) | 基于知识驱动实现智能云管理的方法及其系统 | |
CN108073582A (zh) | 一种计算框架选择方法和装置 | |
CN106557881A (zh) | 一种基于业务活动执行顺序的业务流程系统构建方法 | |
CN110968596A (zh) | 一种基于标签系统的数据处理方法 | |
CN116521340A (zh) | 一种基于大带宽网络的低延时并行数据处理系统及方法 | |
Wang | Research on the model of knowledge representation ontology based on framework in intelligent learning system | |
CN115827885A (zh) | 一种运维知识图谱的构建方法、装置及电子设备 | |
Miao et al. | Intelligent auxiliary operation and maintenance system of power communication network based on knowledge graph | |
CN112000389B (zh) | 一种配置推荐方法、系统、装置及计算机存储介质 | |
CN112115234A (zh) | 一种问题库分析方法和装置 | |
Long et al. | 6G comprehensive intelligence: network operations and optimization based on Large Language Models |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |