CN112800235B - 一种可视化知识图谱数据建模方法和系统 - Google Patents
一种可视化知识图谱数据建模方法和系统 Download PDFInfo
- Publication number
- CN112800235B CN112800235B CN202110030979.7A CN202110030979A CN112800235B CN 112800235 B CN112800235 B CN 112800235B CN 202110030979 A CN202110030979 A CN 202110030979A CN 112800235 B CN112800235 B CN 112800235B
- Authority
- CN
- China
- Prior art keywords
- data
- entity
- model
- relation
- owl
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000000007 visual effect Effects 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 38
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000004806 packaging method and process Methods 0.000 claims description 7
- 241000196324 Embryophyta Species 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000238558 Eucarida Species 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请提供了一种可视化知识图谱数据建模方法和系统。方法包括:构建模型数据,模型数据包括实体数据及关系数据;使用线性判别分析将实体数据投影到鉴别矢量空间,以获得投影数据;根据关系数据关联投影数据,并根据关联后的投影数据构建并显示知识图谱的三元组模型。实施本申请的技术方案可以提高模型构建效率。
Description
技术领域
本申请涉及知识图谱建模技术领域,尤其涉及一种可视化知识图谱数据建模方法和系统。
背景技术
随着近年来,人工智能正在快速地改变人们的生活,各家科技公司都推出了人工智能的产品或系统,如2016年谷歌推出的Alpha Go战胜人类围棋冠军。再如苹果推出的智能助理Siri,让每个苹果手机用户都能够非常便捷的完成各项任务。这些人工智能产品的问世背后都依赖于各个领域技术突飞猛进的进展,包括机器学习、计算机视觉、语音识别,自然语言等。人工智能背后都依赖于深度学习和知识图谱。
而知识图谱是人工智能的一大技术驱动力,它能够广泛的适用于不同的任务,相比深度学习,知识图谱中的知识可以沉淀,可解释性极强;现有技术中构建知识图谱数据的效率较低,同时,现有技术在构建知识图谱数据时,不能直观得观察所知识图谱数据中的实体及关系,使得构建知识普通数据过程中不易发现错误,导致知识图谱数据构建准确性交低。
发明内容
为了解决上述技术问题中的至少一个,本公开提供了一种可视化知识图谱数据建模方法和系统。
本申请的第一方面,可视化知识图谱数据建模方法,包括:
构建模型数据,所述模型数据包括实体数据及关系数据;
使用线性判别分析将所述实体数据投影到鉴别矢量空间,以获得投影数据;
根据所述关系数据关联所述投影数据,并根据关联后的投影数据构建并显示知识图谱的三元组模型。
可选的,所述模型数据包括属性数据,所述模型数据为JSON格式数据;
所述构建模型数据包括:
读取OWL/XML格式文件;
解析所述OWL/XML格式文件,以获得所述OWL/XML格式文件中的实体数据、关系数据和属性数据;
将所述实体数据、关系数据和属性数据封装为实例,并将所述实例转换为JSON格式数据。
可选的,所述解析所述OWL/XML格式文件,以获得所述OWL/XML格式文件中的实体数据、关系数据和属性数据,包括:
使用文件解析工具按OWL/XML格式文件的规则,确定所述OWL/XML格式文件中的标签的解析策略;
根据所述解析策略解析所述OWL/XML格式文件,得到实体数据、关系数据和属性数据。
可选的,所述模型数据包括属性数据,所述模型数据为JSON格式数据;
所述构建模型数据包括:
获取输入设备输入的实体数据、关系数据和属性数据;
接收输入设备输入的拖拽指令;
根据所述拖拽指令、所述实体数据、所述关系数据和所述属性数据,构建模型数据。
可选的,所述投影数据包括实体ID以及与所述实体ID关联的显示位置坐标。
所述根据所述关系数据关联所述投影数据,包括:
从所述模型数据中获取所述关系数据;
根据所述关系数据,得到头实体ID和尾实体ID;
根据所述头实体ID和所述尾实体ID匹配关联所述投影数据的实体ID,以得到实体关系向量。
可选的,所述根据关联后的投影数据构建并显示知识图谱的三元组模型,包括:
根据所述关联后的投影数据,确定知识图谱的三元组实例;
采用TransE算法调整所述三元组实例,以构建三元组模型;
显示所述三元组模型。
可选的,根据所述关联后的投影数据,确定知识图谱的三元组实例,包括:
根据所述显示位置坐标和所述实体关系向量,确定知识图谱的三元组实例。
本申请的第二方面,可视化知识图谱数据建模系统,包括:
模型数据构建模块,用于构建模型数据,所述模型数据包括实体数据及关系数据;
投影数据获得模块,用于使用线性判别分析将所述实体数据投影到鉴别矢量空间,以获得投影数据;
模型构建模型,用于根据所述关系数据关联所述投影数据,并根据关联后的投影数据构建并显示三元组模型。
本申请的第三方面,一种电子设备,包括存储器和处理器,所述存储器用于存储计算机指令,其特征在于,所述计算机指令被所述处理器执行以实现本申请第一方面任一项所述的方法。
本申请的第四方面,该计算机指令被处理器执行时实现本申请第一方面任一项所述的方法。
通过实施本申请的技术方案可以取得以下有益技术效果:
本申请实施例中的可视化知识图谱数据建模方法,使用线性判别分析将所述实体数据投影到鉴别矢量空间,以获得投影数据,并根据所述关系数据关联所述投影数据,并根据关联后的投影数据构建并显示知识图谱的三元组模型,使得知识普通数据构建更为高效。同时,使构建的知识图谱的三元组模型能更有序地展示,并使得工作人员能通过观察三元组模型,及时发现知识图谱数据构建是否有误。
附图说明
附图示出了本公开的示例性实施方式,并与其说明一起用于解释本公开的原理,其中包括了这些附图以提供对本公开的进一步理解,并且附图包括在本说明书中并构成本说明书的一部分。
图1是本申请实施例公开的一种可视化知识图谱数据建模方法的流程图;
图2是本申请实施例公开的一种执行结果示意图;
图3是本申请实施例公开的一种可视化知识图谱数据建模系统的框图。
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本公开的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本公开相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。
本申请实施例中出现的英文简写进行解释:
Owl:全称为Web Ontology Language,网络本体语言;
XML:标可扩展标记语言,准通用标记语言的子集;
Syntax:句法规则;
JSON:全称为JavaScript Object Notation,是一种轻量级的数据交换格式;
JDOM:一种使用XML的Java工具包;
LDA:线性判别分析;
TransE:全称为Translating Embedding,基于实体和关系的分布式向量表示,将每个三元组实例中的关系relation看做从头实体head到尾实体tail的翻译。通过不断调整头实体head的向量h、关系relation的向量r和尾实体tail的向量t使h+r尽可能与t相等。
本申请实施例中的方法的执行主体可以是计算机,可以根据具体应用场景调整执行主体,例如,手机等。
参见图1,可视化知识图谱数据建模方法,包括:
S101,构建模型数据,模型数据包括实体数据及关系数据;
S102,使用线性判别分析将实体数据投影到鉴别矢量空间,以获得投影数据;
S103,根据关系数据关联投影数据,并根据关联后的投影数据构建并显示知识图谱的三元组模型。
本申请实施例中的可视化知识图谱数据建模方法,使用线性判别分析将实体数据投影到鉴别矢量空间,以获得投影数据,并根据关系数据关联投影数据,并根据关联后的投影数据构建并显示知识图谱的三元组模型。基于使用线性判别分析得到的投影数据构建知识图谱的三元组模型,相对于现有技术直接采用实体数据和关系数据构建三元组模型更为高效,特别是采用TransE算法构建三元组模型时,构建三元组模型更为高效。
同时,本申请实施例中的可视化知识图谱数据建模方法,使构建的知识图谱的三元组模型能更有序地展示,并使得工作人员能通过观察三元组模型,及时发现知识图谱数据构建是否有误。
线性判别分析(LDA算法)是将特性鉴别分析将高维的模式样本,投影到最佳鉴别矢量空间,以达到抽取分类信息和压缩特征空间维数的效果,投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离,在该空间中有最佳的可分离性。投影后模式样本的类间散布矩阵最大,并且同时类内散布矩阵最小。能够保证投影后模式样本在新的空间中有最小的类内距离和最大的类间距离,确保在该空间中有最佳的可分离性。
本申请实施例中通过线性判别分析将实体数据投影到鉴别矢量空间,获得的投影数据在分类中具有大的类间距离和最小的类内距离,而从投影数据中可以提取到实体在展示空间中较佳的显示位置坐标。使得根据投影数据构建的知识图谱的三元组模型之间的类间距大、类内距离小。可以知道的,此处的类可以根据实际运用场景确定,比如可以按动植物分类,以属于动物类的猫和狗以及属于植物类草、树和花为了,通过线性判别分析得到的内间距小、类间间距大,此时同属于动物类的猫和狗之间的距离小,同属于植物类的草、树和花之间的距离小,而动物类的猫与植物类的树的距离大。
具体的,可以将模型数据进行解析并使用LDA算法的特性鉴别分析将高维的模式样本结果进行分类转换成为多组实体数据。将多组实体数据投影到最佳鉴别矢量空间,以获得投影数据,达到抽取分类信息和压缩特征空间维数的效果,投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离,在该空间中有最佳的可分离性。投影后模式样本的类间散布矩阵最大,并且同时类内散布矩阵最小。能够保证投影后模式样本在新的空间中有最小的类内距离和最大的类间距离,确保在该空间中有最佳的可分离性。
在一个实施方式中,模型数据包括属性数据,模型数据为JSON格式数据;
构建模型数据包括:
读取OWL/XML格式文件;
解析OWL/XML格式文件,以获得OWL/XML格式文件中的实体数据、关系数据和属性数据;
将所述实体数据、关系数据和属性数据封装为实例,并将所述实例转换为JSON格式数据。
本申请实施方式的技术方案,使得执行本申请实施方式的技术发难的计算机可以自动将导入的OWL/XML格式文件(OWL/XML Syntax格式文件)转换为JSON格式的模型数据;以便于模型数据被步骤S102和步骤S103解析读取。
在一个实施方式中,解析OWL/XML格式文件,以获得OWL/XML格式文件中的实体数据、关系数据和属性数据,包括:
使用文件解析工具按OWL/XML格式文件的规则,确定OWL/XML格式文件中的标签的解析策略;
根据解析策略解析OWL/XML格式文件,得到实体数据、关系数据和属性数据。
具体的,以文件流的方式读取导入的OWL/XML Syntax格式文件的信息,使用jdom工具按照OWL/XML Syntax格式文件的规则,定制出对应标签的解析策略(如:Declaration标签下的Class标签所标注的意思为实体类别等)解析出文件里所有的标签和属性。后将解析后的各标签、属性与内容结果的上下文关联关系(如:上下级关系、标签归属关系与属性依赖关系等)临时存入关系型数据库,解析结束后通过读取关系型数据库的方式获取出关联数据,并将数据封装成对应的实例对象并通过转换为JSON格式数据。
在一个实施方式中,模型数据包括属性数据,模型数据为JSON格式数据;
构建模型数据包括:
获取输入设备输入的实体数据、关系数据和属性数据;
接收输入设备输入的拖拽指令;
根据拖拽指令、实体数据、关系数据和属性数据,构建模型数据。
具体的,由用户手动添加实体数据、关系数据和属性数据,并用拖拽的操作方式建立概念层模型数据,建立完成后将该概念层模型数据按指定规则组装为JSON格式数据。
在一个实施方式中,投影数据包括实体ID以及与实体ID关联的显示位置坐标。
根据关系数据关联投影数据,包括:
从模型数据中获取关系数据;
根据关系数据,得到头实体ID和尾实体ID;
根据头实体ID和尾实体ID匹配关联投影数据的实体ID,以得到实体关系向量。
实体数据投影到鉴别矢量空间后,得到的投影数据可用于作为实体在该空间的显示位置坐标;结合与其关联的实体ID,可以初步确定在显示位置坐标处显示其关联的实体ID所对应的实体信息;而将关系数据中的头实体ID和尾实体ID,与投影数据的实体ID进行匹配,则可得到投影数据的实体ID所对应实体的实体关系向量;如此,可以得到实体ID、实体ID对应的显示位置坐标、实体ID对应的实体之间的实体关系向量;
而实体ID对应的显示位置坐标可作为实体向量;实体向量与实体关系向量配合可以被TransE算法快速调整并构建三元组模型。
具体的,根据关联后的投影数据构建并显示知识图谱的三元组模型,包括:
根据关联后的投影数据,确定知识图谱的三元组实例;
采用TransE算法调整三元组实例,以构建三元组模型;
显示三元组模型。
TransE算法将每个三元组实例(head,relation,tail)中的关系relation看做从实体head到实体tail的翻译,通过不断调整h、r和t(head、relation和tail的向量),使(h+r)尽可能与t相等,即h+r=t的处理,进而构建三元组模型。
具体的,根据关联后的投影数据,确定知识图谱的三元组实例,包括:
根据显示位置坐标和实体关系向量,确定知识图谱的三元组实例。
参见图2,图2是执行本申请实施例公开的方法时的执行结果示意图,即将实体“小明”、实体“一班”和关系“就读于”,通过本申请实施例的方法生成所形成的三元组模型,即图2中“小明13”、“一班14”和“就读于17”处的模型。其中,图中的添加本体、添加关系、删除和概念层管理等按钮分别执行相应的功能。
本申请实施例还公开了一种可视化知识图谱数据建模系统,参见图3,其包括:
模型数据构建模块301,用于构建模型数据,模型数据包括实体数据及关系数据;
投影数据获得模块302,用于使用线性判别分析将实体数据投影到鉴别矢量空间,以获得投影数据;
模型构建模型303,用于根据关系数据关联投影数据,并根据关联后的投影数据构建并显示三元组模型。
在一个实施方式中,解析OWL/XML格式文件,以获得OWL/XML格式文件中的实体数据、关系数据和属性数据,包括:
使用文件解析工具按OWL/XML格式文件的规则,确定OWL/XML格式文件中的标签的解析策略;
根据解析策略解析OWL/XML格式文件,得到实体数据、关系数据和属性数据。根据权利要求1的方法,其特征在于,模型数据包括属性数据,模型数据为JSON格式数据;
构建模型数据包括:
获取输入设备输入的实体数据、关系数据和属性数据;
接收输入设备输入的拖拽指令;
根据拖拽指令、实体数据、关系数据和属性数据,构建模型数据。
在一个实施方式中,投影数据包括实体ID和与实体ID关联的显示位置坐标。
根据关系数据关联投影数据,包括:
从模型数据中获取关系数据;
根据关系数据,得到头实体ID和尾实体ID;
根据头实体ID和尾实体ID匹配关联投影数据的实体ID,以得到实体关系向量。
在一个实施方式中,根据关联后的投影数据构建并显示知识图谱的三元组模型,包括:
根据关联后的投影数据,确定知识图谱的三元组实例;
采用TransE算法调整三元组实例,以构建三元组模型;
显示三元组模型。
在一个实施方式中,根据关联后的投影数据,确定知识图谱的三元组实例,包括:
根据显示位置坐标和实体关系向量,确定知识图谱的三元组实例。
本申请实施例还公开了一种电子设备,包括存储器和处理器,存储器用于存储计算机指令,计算机指令被处理器执行以实现上述实施例的任一方法。
本申请实施例还公开了一种可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现上述实施例的任一方法。
在本说明书的描述中,参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本公开,而并非是对本公开的范围进行限定。对于所属领域的技术人员而言,在上述公开的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本公开的范围内。
Claims (8)
1.可视化知识图谱数据建模方法,其特征在于,包括:
构建模型数据,所述模型数据包括实体数据及关系数据;
使用线性判别分析将所述实体数据投影到鉴别矢量空间,以获得投影数据;
根据所述关系数据关联所述投影数据,并根据关联后的投影数据构建并显示知识图谱的三元组模型;
所述投影数据包括实体ID以及与所述实体ID关联的显示位置坐标,所述实体ID对应的显示位置坐标作为实体向量,所述实体向量用于与实体关系向量配合构建三元组模型;
所述根据所述关系数据关联所述投影数据,包括:
从所述模型数据中获取所述关系数据;
根据所述关系数据,得到头实体ID和尾实体ID;
根据所述头实体ID和所述尾实体ID匹配关联所述投影数据的实体ID,以得到投影数据的实体ID所对应实体的实体关系向量;
所述模型数据为JSON格式数据;
所述构建模型数据包括:
读取OWL/XML格式文件;
解析所述OWL/XML格式文件,以获得所述OWL/XML格式文件中的实体数据、关系数据和属性数据;
将所述实体数据、关系数据和属性数据封装为实例,并将所述实例转换为JSON格式数据;
其中,以文件流的方式读取导入的OWL/XML格式文件的信息,按照OWL/XML格式文件的规则,定制出对应标签的解析策略解析出文件里所有的标签和属性;将解析后的各标签、属性与内容结果的上下文关联关系临时存入关系型数据库,解析结束后通过读取关系型数据库的方式获取出关联数据,并将数据封装成对应的实例对象并通过转换为JSON格式数据。
2.根据权利要求1所述的方法,其特征在于,所述解析所述OWL/XML格式文件,以获得所述OWL/XML格式文件中的实体数据、关系数据和属性数据,包括:
使用文件解析工具按OWL/XML格式文件的规则,确定所述OWL/XML格式文件中的标签的解析策略;
根据所述解析策略解析所述OWL/XML格式文件,得到实体数据、关系数据和属性数据。
3.根据权利要求1所述的方法,其特征在于,所述模型数据包括属性数据,所述模型数据为JSON格式数据;
所述构建模型数据包括:
获取输入设备输入的实体数据、关系数据和属性数据;
接收输入设备输入的拖拽指令;
根据所述拖拽指令、所述实体数据、所述关系数据和所述属性数据,构建模型数据。
4.根据权利要求3所述的方法,其特征在于,所述根据关联后的投影数据构建并显示知识图谱的三元组模型,包括:
根据所述关联后的投影数据,确定知识图谱的三元组实例;
采用TransE算法调整所述三元组实例,以构建三元组模型;
显示所述三元组模型。
5.根据权利要求4所述的方法,其特征在于,根据所述关联后的投影数据,确定知识图谱的三元组实例,包括:
根据所述显示位置坐标和所述实体关系向量,确定知识图谱的三元组实例。
6.可视化知识图谱数据建模系统,其特征在于,包括:
模型数据构建模块,用于构建模型数据,所述模型数据包括实体数据及关系数据;
投影数据获得模块,用于使用线性判别分析将所述实体数据投影到鉴别矢量空间,以获得投影数据;
模型构建模型,用于根据所述关系数据关联所述投影数据,并根据关联后的投影数据构建并显示三元组模型;
所述投影数据包括实体ID以及与所述实体ID关联的显示位置坐标,所述实体ID对应的显示位置坐标作为实体向量,所述实体向量用于与实体关系向量配合构建三元组模型;
所述根据所述关系数据关联所述投影数据,包括:
从所述模型数据中获取所述关系数据;
根据所述关系数据,得到头实体ID和尾实体ID;
根据所述头实体ID和所述尾实体ID匹配关联所述投影数据的实体ID,以得到投影数据的实体ID所对应实体的实体关系向量;
所述模型数据为JSON格式数据;
所述构建模型数据包括:
读取OWL/XML格式文件;
解析所述OWL/XML格式文件,以获得所述OWL/XML格式文件中的实体数据、关系数据和属性数据;
将所述实体数据、关系数据和属性数据封装为实例,并将所述实例转换为JSON格式数据;
其中,以文件流的方式读取导入的OWL/XML格式文件的信息,按照OWL/XML格式文件的规则,定制出对应标签的解析策略解析出文件里所有的标签和属性;将解析后的各标签、属性与内容结果的上下文关联关系临时存入关系型数据库,解析结束后通过读取关系型数据库的方式获取出关联数据,并将数据封装成对应的实例对象并通过转换为JSON格式数据。
7.一种电子设备,包括存储器和处理器,所述存储器用于存储计算机指令,其特征在于,所述计算机指令被所述处理器执行以实现如权利要求1-5任一项所述的方法。
8.一种可读存储介质,其上存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110030979.7A CN112800235B (zh) | 2021-01-11 | 2021-01-11 | 一种可视化知识图谱数据建模方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110030979.7A CN112800235B (zh) | 2021-01-11 | 2021-01-11 | 一种可视化知识图谱数据建模方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112800235A CN112800235A (zh) | 2021-05-14 |
CN112800235B true CN112800235B (zh) | 2023-10-31 |
Family
ID=75809749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110030979.7A Active CN112800235B (zh) | 2021-01-11 | 2021-01-11 | 一种可视化知识图谱数据建模方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800235B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297392B (zh) * | 2021-06-02 | 2022-02-18 | 江苏数兑科技有限公司 | 一种基于知识图谱的智能数据服务方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590139A (zh) * | 2017-09-21 | 2018-01-16 | 桂林电子科技大学 | 一种基于循环矩阵翻译的知识图谱表示学习方法 |
CN110597999A (zh) * | 2019-08-01 | 2019-12-20 | 湖北工业大学 | 一种依存句法分析关系抽取模型的司法案件知识图谱构建方法 |
CN110598005A (zh) * | 2019-09-06 | 2019-12-20 | 中科院合肥技术创新工程院 | 一种面向公共安全事件的多源异构数据知识图谱构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7904478B2 (en) * | 2008-01-25 | 2011-03-08 | Intuit Inc. | Method and apparatus for displaying data models and data-model instances |
-
2021
- 2021-01-11 CN CN202110030979.7A patent/CN112800235B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590139A (zh) * | 2017-09-21 | 2018-01-16 | 桂林电子科技大学 | 一种基于循环矩阵翻译的知识图谱表示学习方法 |
CN110597999A (zh) * | 2019-08-01 | 2019-12-20 | 湖北工业大学 | 一种依存句法分析关系抽取模型的司法案件知识图谱构建方法 |
CN110598005A (zh) * | 2019-09-06 | 2019-12-20 | 中科院合肥技术创新工程院 | 一种面向公共安全事件的多源异构数据知识图谱构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112800235A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108984683B (zh) | 结构化数据的提取方法、系统、设备及存储介质 | |
CN111026842B (zh) | 自然语言处理方法、自然语言处理装置及智能问答系统 | |
US7853081B2 (en) | Identifying data patterns | |
CN111026671B (zh) | 测试用例集构建方法和基于测试用例集的测试方法 | |
CN114861836B (zh) | 一种基于人工智能平台的模型部署方法及相关设备 | |
Lin et al. | Deep structured scene parsing by learning with image descriptions | |
CN116245177B (zh) | 地理环境知识图谱自动化构建方法及系统、可读存储介质 | |
CN114510570A (zh) | 基于小样本语料的意图分类方法、装置及计算机设备 | |
CN112800235B (zh) | 一种可视化知识图谱数据建模方法和系统 | |
CN113220854B (zh) | 机器阅读理解的智能对话方法及装置 | |
CN113657087B (zh) | 信息的匹配方法及装置 | |
CN114911893A (zh) | 基于知识图谱的自动化构建知识库的方法及系统 | |
CN114328942A (zh) | 关系抽取方法、装置、设备、存储介质和计算机程序产品 | |
CN116610304B (zh) | 页面代码生成方法、装置、设备和存储介质 | |
CN116777692A (zh) | 基于数据分析的在线学习方法、装置、设备及存储介质 | |
KR102167494B1 (ko) | 클라우드 기반 qr 코드 및 수납박스를 이용한 수납정리 서비스 제공 방법 | |
CN115187910A (zh) | 视频分类模型训练方法、装置、电子设备及存储介质 | |
Lv et al. | A challenge of deep‐learning‐based object detection for hair follicle dataset | |
CN113192607B (zh) | 标注处理方法、装置、计算机设备和存储介质 | |
CN115861720B (zh) | 一种小样本亚类图像分类识别方法 | |
CN116661940B (zh) | 组件识别方法、装置、计算机设备和存储介质 | |
CN113723513B (zh) | 多标签图像分类方法、装置及相关设备 | |
CN117611845B (zh) | 多模态数据的关联识别方法、装置、设备及存储介质 | |
CN117332069B (zh) | 基于大语言模型的建筑信息模型智能提取方法及系统 | |
CN113778893B (zh) | 对话机器人测试用例生成方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |