CN112836067A - 基于知识图谱的智能搜索方法 - Google Patents

基于知识图谱的智能搜索方法 Download PDF

Info

Publication number
CN112836067A
CN112836067A CN202110278856.5A CN202110278856A CN112836067A CN 112836067 A CN112836067 A CN 112836067A CN 202110278856 A CN202110278856 A CN 202110278856A CN 112836067 A CN112836067 A CN 112836067A
Authority
CN
China
Prior art keywords
data
search
data information
information
keyword
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
CN202110278856.5A
Other languages
English (en)
Other versions
CN112836067B (zh
Inventor
王文斌
沙涛
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.)
Shanghai Shixiang Culture Communication Co ltd
Original Assignee
Shanghai Shixiang Culture Communication 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 Shanghai Shixiang Culture Communication Co ltd filed Critical Shanghai Shixiang Culture Communication Co ltd
Priority to CN202110278856.5A priority Critical patent/CN112836067B/zh
Publication of CN112836067A publication Critical patent/CN112836067A/zh
Application granted granted Critical
Publication of CN112836067B publication Critical patent/CN112836067B/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
    • G06F16/30—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
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • 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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/338—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/247—Thesauruses; Synonyms
    • 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
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于知识图谱的智能搜索方法，构建知识图谱；合理设计分词；输入检索关键词；关键词处理；输出搜索结果；使用NLP语义理解；使用ES进行搜索，本发明在建立检索数据模型时，能够依据数据的内容、数据的类型和数据的特点来将建立的数据模型进行模块化的分割处理，并且使分割后的数据模型能够由多个模块化集合的形式组成，并且在数据模型内分割后的各个对应的集合内建立子集合，使得数据模型在建立后其内部整体的数据结构能够以集合框架的形式建立；同时利用集合来组成数据模型方便对数据模型内部形成的框架数据结构进行分级，极大程度上提升了该搜索方式的实际搜索速度，便于应对庞大的数据信息。

Description

基于知识图谱的智能搜索方法
技术领域
本发明涉及搜索方法技术领域，具体为基于知识图谱的智能搜索方法。
背景技术
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，它能为学科研究提供切实的、有价值的参考；
而目前人们在搜索过程中均采取传统的索引式检索形式，往往存在查不全、查不准、检索质量不高以及检索速度慢的现象，并且传统索引式检索模型内部的数据组成无法形成有效的数据结构框架，进而导致传统检索模型内部的数据集十分庞大，进而使得检索时无法快速的将搜索结果进行展示，同时也极大程度上抑制了实际搜索过程的速度。
发明内容
本发明提供基于知识图谱的智能搜索方法，可以有效解决上述背景技术中提出目前人们在搜索过程中均采取传统的索引式检索形式，往往存在查不全、查不准、检索质量不高以及检索速度慢的现象，并且传统索引式检索模型内部的数据组成无法形成有效的数据结构框架，进而导致传统检索模型内部的数据集十分庞大，进而使得检索时无法快速的将搜索结果进行展示，同时也极大程度上抑制了实际搜索过程的速度的问题。
为实现上述目的，本发明提供如下技术方案：基于知识图谱的智能搜索方法，具体包括如下步骤：
S1、构建知识图谱；
S2、合理设计分词；
S3、输入检索关键词；
S4、关键词处理；
S5、输出搜索结果；
S6、使用NLP语义理解；
S7、使用ES进行搜索。
根据上述技术方案，所述S1中，知识图谱的构建具体包括如下步骤：
A、确定知识图谱的数据模型；
B、获取知识图谱的数据信息；
C、数据信息处理；
D、根据模型代入数据信息；
E、形成知识图谱。
根据上述技术方案，所述A中，依据知识图谱的数据内容、数据类型和数据特点来确定数据模型，同时根据数据内容、数据类型和数据特点并以大集合的形式将数据模型进行建立，记为集合N，并在数据内容、数据类型和数据特点对应的集合内建立子集合，记为集合n，实现数据模型整体框架由其内部组成的集合进行分级，其中集合N包含集合n；
所述B中，在数据模型建立后，将所有构成知识图谱的具体数据信息进行收集，形成一个庞大的数据集，该数据集包含所有构成知识图谱的数据信息。
根据上述技术方案，所述C中，是指在知识图谱的具体数据信息收集后，对数据集内的数据信息进行处理，具体包括对数据集内的数据信息进行整理、分析、分类和归纳的处理；
所述整理处理，是指对数据集内收集的数据信息进行规整和转换处理，包括对数据信息的格式和内容进行转换和翻译处理；
所述分析处理，是指在数据信息在经过整理处理后，通过NLP语义分析技术来对收集的数据信息的语义进行分析，剔除数据信息内分析出语义不合逻辑的数据信息，使整理后数据信息的释义更加准确和唯一；
所述分类处理，是指对数据集内释义后的数据信息进行分类处理，具体依照数据信息分析后释义的内容来将数据集内的数据信息按照释义的类别进行分类，并以数据信息释义的内容中提取的关键词作为对应数据信息的类别名称，使得数据集内的数据信息转换为由不同类别的数据信息组成；
所述归纳处理，是指依照数据集内数据信息的类别名称来将各个类别的数据信息进行归纳处理，使得相同相近类别的数据信息能够重新被归纳到一个新的搜索集内；
最终使得数据集内的数据结构由多个搜索集组成，而搜索集由多个分类后的相同相似类别的数据信息组成。
根据上述技术方案，所述D中，在数据集及其内部对应的数据信息经过处理后，依据建立的数据模型将处理后的数据信息分别代入到数据模型内对应的集合内，具体将数据模型内的搜索集代入到集合N内，将搜索集内对应类别的数据信息代入到集合n内；
所述E中，在数据信息对应代入到数据模型内后，该融合数据信息的数据模型即为搜索知识图谱。
根据上述技术方案，所述S2中，在知识图谱构建后，对知识图谱内数据模型中的各个集合N和集合n进行名称设置，并通过名称设置使知识图谱内各个集合之间能够区分开来；
所述S3中，根据实际检索的需求向知识图谱中输入检索的关键词信息。
根据上述技术方案，所述S4中，知识图谱的检测模型获取检索关键词后，对检索关键词进行处理，具体包括对检索的关键词信息进行词义分析和歧义分析；
所述词义分析是指通过NLP语义分析技术来对检索的关键词的词义进行分析，并确定该检索关键词的核心检索词义；
所述歧义分析是指在关键词的词义分析后，依据关键词词义分析的结果来对不同的词义分析结果进行进一步的结合分析，剔除检索关键词内明显不符合实际和不符合逻辑的词义信息，使保留的关键词词义信息更加准确。
根据上述技术方案，所述S5中，在检索关键词信息处理后，在建立的知识图谱内搜索分析后关键词的词义信息，并输出与关键词词义信息相对应的搜索结果。
根据上述技术方案，所述S6中，在搜索关键词的搜索结果输出后，将该搜索结果通过NLP语义分析技术进行进一步的分析，使得搜索结果在经过语义分析后更加易于理解。
根据上述技术方案，所述S7中，在关键词搜索结果经过NLP语义分析技术检索分析后，再将搜索结果通过ES搜索系统进行进一步的搜索，同时将词义分析后的检索关键词也输送到ES搜索系统内进行搜索，并将ES搜索系统内两次的搜索结果进行对比。
与现有技术相比，本发明的有益效果：
1、本发明在建立检索数据模型时，能够依据数据的内容、数据的类型和数据的特点来将建立的数据模型进行模块化的分割处理，并且使分割后的数据模型能够由多个模块化集合的形式组成，并且在数据模型内分割后的各个对应的集合内建立子集合，使得数据模型在建立后其内部整体的数据结构能够以集合框架的形式建立；
同时利用集合来组成数据模型方便对数据模型内部形成的框架数据结构进行分级，以此使得数据模型在建立后不会处于一个庞大数据集的形式，进而后续在搜索过程中能够快速的将搜索信息进行准确的对位代入，极大程度上提升了该搜索方式的实际搜索速度，便于应对庞大的数据信息。
2、本发明在数据结构模型建立后，能够将代入数据模型内的知识图谱信息进行处理，且通过对数据集内的数据信息进行整理、分析、分类和归纳的处理，使得数据信息在处理后能够格式内容统一，释义信息统一，且能够依据数据信息的释义来对其进行分类处理，同时通过对分类后的数据信息进行类比命名，使得数据集内冗杂的数据信息能够转换为由不同类别的数据信息组成，进而使得数据集内的数据信息构成更加的清晰明朗，另外，通过对分类后数据信息的相同相近度来对其进行归纳处理，使得分类后的数据信息能被归纳为一个整体的搜索集，进而使得数据集内的数据结构由多个搜索集组成，而搜索集由多个分类后的相同相似类别的数据信息组成，以此使得后续搜索信息在代入后能够更加快速的被匹配至对应的搜索集内，同时在对应的搜索集内更加方便快速的将搜索信息与对应的数据信息进行匹配，以此方便更加高效的输出搜索结果。
3、本发明在搜索过程中能够对检索的关键词进行词义分析和歧义分析处理，以此来方便更加准确的确定该检索关键词的核心检索词义，同时通过歧义分析处理，能够对关键词不同的词义进行进一步的结合分析，进而方便剔除检索关键词内明显不符合实际和不符合逻辑的词义信息，使保留的关键词词义信息更加准确，以方便后续对检索信息更好的进行搜索，进而保证后续搜索结果的准确性。
4、本发明在搜索关键词的搜索结果输出后，通过NLP语义分析技术能够对搜索结果进行进一步的语义分析，使得搜索结果在经过语义分析后更加易于理解，同时通过ES搜索系统对搜索结果和检索关键词信息进行进一步的搜索，方便将两者的搜索结果进行对比，以此来方便确定更为精确的搜索结果，进而保证搜索结果的准确性，防止搜索结果造成偏差。
综合上述，本发明通过对数据模型和检索关键词信息进行分类分级处理，使得搜索过程中方便更加快速的将检索关键词信息代入到知识图谱中进行搜索，保证整个搜索过程中的搜索速度，同时通过对关键词词义进行处理，使得后续的搜索结果更加准确，防止结果偏差造成不利影响。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1是本发明搜索方法的步骤流程图；
图2是本发明知识图谱构建的步骤流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例：如图1-2所示，本发明提供一种技术方案，基于知识图谱的智能搜索方法，具体包括如下步骤：
S1、构建知识图谱；
S2、合理设计分词；
S3、输入检索关键词；
S4、关键词处理；
S5、输出搜索结果；
S6、使用NLP语义理解；
S7、使用ES进行搜索。
基于上述技术方案，S1中，知识图谱的构建具体包括如下步骤：
A、确定知识图谱的数据模型；
B、获取知识图谱的数据信息；
C、数据信息处理；
D、根据模型代入数据信息；
E、形成知识图谱。
基于上述技术方案，A中，依据知识图谱的数据内容、数据类型和数据特点来确定数据模型，同时根据数据内容、数据类型和数据特点并以大集合的形式将数据模型进行建立，记为集合N，并在数据内容、数据类型和数据特点对应的集合内建立子集合，记为集合n，实现数据模型整体框架由其内部组成的集合进行分级，其中集合N包含集合n；
B中，在数据模型建立后，将所有构成知识图谱的具体数据信息进行收集，形成一个庞大的数据集，该数据集包含所有构成知识图谱的数据信息。
基于上述技术方案，C中，是指在知识图谱的具体数据信息收集后，对数据集内的数据信息进行处理，具体包括对数据集内的数据信息进行整理、分析、分类和归纳的处理；
整理处理，是指对数据集内收集的数据信息进行规整和转换处理，包括对数据信息的格式和内容进行转换和翻译处理；
分析处理，是指在数据信息在经过整理处理后，通过NLP语义分析技术来对收集的数据信息的语义进行分析，剔除数据信息内分析出语义不合逻辑的数据信息，使整理后数据信息的释义更加准确和唯一；
分类处理，是指对数据集内释义后的数据信息进行分类处理，具体依照数据信息分析后释义的内容来将数据集内的数据信息按照释义的类别进行分类，并以数据信息释义的内容中提取的关键词作为对应数据信息的类别名称，使得数据集内的数据信息转换为由不同类别的数据信息组成；
归纳处理，是指依照数据集内数据信息的类别名称来将各个类别的数据信息进行归纳处理，使得相同相近类别的数据信息能够重新被归纳到一个新的搜索集内；
最终使得数据集内的数据结构由多个搜索集组成，而搜索集由多个分类后的相同相似类别的数据信息组成。
基于上述技术方案，D中，在数据集及其内部对应的数据信息经过处理后，依据建立的数据模型将处理后的数据信息分别代入到数据模型内对应的集合内，具体将数据模型内的搜索集代入到集合N内，将搜索集内对应类别的数据信息代入到集合n内；
E中，在数据信息对应代入到数据模型内后，该融合数据信息的数据模型即为搜索知识图谱。
基于上述技术方案，S2中，在知识图谱构建后，对知识图谱内数据模型中的各个集合N和集合n进行名称设置，并通过名称设置使知识图谱内各个集合之间能够区分开来；
S3中，根据实际检索的需求向知识图谱中输入检索的关键词信息。
基于上述技术方案，S4中，知识图谱的检测模型获取检索关键词后，对检索关键词进行处理，具体包括对检索的关键词信息进行词义分析和歧义分析；
词义分析是指通过NLP语义分析技术来对检索的关键词的词义进行分析，并确定该检索关键词的核心检索词义；
歧义分析是指在关键词的词义分析后，依据关键词词义分析的结果来对不同的词义分析结果进行进一步的结合分析，剔除检索关键词内明显不符合实际和不符合逻辑的词义信息，使保留的关键词词义信息更加准确。
基于上述技术方案，S5中，在检索关键词信息处理后，在建立的知识图谱内搜索分析后关键词的词义信息，并输出与关键词词义信息相对应的搜索结果。
基于上述技术方案，S6中，在搜索关键词的搜索结果输出后，将该搜索结果通过NLP语义分析技术进行进一步的分析，使得搜索结果在经过语义分析后更加易于理解。
基于上述技术方案，S7中，在关键词搜索结果经过NLP语义分析技术检索分析后，再将搜索结果通过ES搜索系统进行进一步的搜索，同时将词义分析后的检索关键词也输送到ES搜索系统内进行搜索，并将ES搜索系统内两次的搜索结果进行对比。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于知识图谱的智能搜索方法，其特征在于：具体包括如下步骤：
S1、构建知识图谱；
S2、合理设计分词；
S3、输入检索关键词；
S4、关键词处理；
S5、输出搜索结果；
S6、使用NLP语义理解；
S7、使用ES进行搜索。
2.根据权利要求1所述的基于知识图谱的智能搜索方法，其特征在于：所述S1中，知识图谱的构建具体包括如下步骤：
A、确定知识图谱的数据模型；
B、获取知识图谱的数据信息；
C、数据信息处理；
D、根据模型代入数据信息；
E、形成知识图谱。
3.根据权利要求2所述的基于知识图谱的智能搜索方法，其特征在于：所述A中，依据知识图谱的数据内容、数据类型和数据特点来确定数据模型，同时根据数据内容、数据类型和数据特点并以大集合的形式将数据模型进行建立，记为集合N，并在数据内容、数据类型和数据特点对应的集合内建立子集合，记为集合n，实现数据模型整体框架由其内部组成的集合进行分级，其中集合N包含集合n；
所述B中，在数据模型建立后，将所有构成知识图谱的具体数据信息进行收集，形成一个庞大的数据集，该数据集包含所有构成知识图谱的数据信息。
4.根据权利要求2所述的基于知识图谱的智能搜索方法，其特征在于：所述C中，是指在知识图谱的具体数据信息收集后，对数据集内的数据信息进行处理，具体包括对数据集内的数据信息进行整理、分析、分类和归纳的处理；
所述整理处理，是指对数据集内收集的数据信息进行规整和转换处理，包括对数据信息的格式和内容进行转换和翻译处理；
所述分析处理，是指在数据信息在经过整理处理后，通过NLP语义分析技术来对收集的数据信息的语义进行分析，剔除数据信息内分析出语义不合逻辑的数据信息，使整理后数据信息的释义更加准确和唯一；
所述分类处理，是指对数据集内释义后的数据信息进行分类处理，具体依照数据信息分析后释义的内容来将数据集内的数据信息按照释义的类别进行分类，并以数据信息释义的内容中提取的关键词作为对应数据信息的类别名称，使得数据集内的数据信息转换为由不同类别的数据信息组成；
所述归纳处理，是指依照数据集内数据信息的类别名称来将各个类别的数据信息进行归纳处理，使得相同相近类别的数据信息能够重新被归纳到一个新的搜索集内；
最终使得数据集内的数据结构由多个搜索集组成，而搜索集由多个分类后的相同相似类别的数据信息组成。
5.根据权利要求2所述的基于知识图谱的智能搜索方法，其特征在于：所述D中，在数据集及其内部对应的数据信息经过处理后，依据建立的数据模型将处理后的数据信息分别代入到数据模型内对应的集合内，具体将数据模型内的搜索集代入到集合N内，将搜索集内对应类别的数据信息代入到集合n内；
所述E中，在数据信息对应代入到数据模型内后，该融合数据信息的数据模型即为搜索知识图谱。
6.根据权利要求1所述的基于知识图谱的智能搜索方法，其特征在于：所述S2中，在知识图谱构建后，对知识图谱内数据模型中的各个集合N和集合n进行名称设置，并通过名称设置使知识图谱内各个集合之间能够区分开来；
所述S3中，根据实际检索的需求向知识图谱中输入检索的关键词信息。
7.根据权利要求1所述的基于知识图谱的智能搜索方法，其特征在于：所述S4中，知识图谱的检测模型获取检索关键词后，对检索关键词进行处理，具体包括对检索的关键词信息进行词义分析和歧义分析；
所述词义分析是指通过NLP语义分析技术来对检索的关键词的词义进行分析，并确定该检索关键词的核心检索词义；
所述歧义分析是指在关键词的词义分析后，依据关键词词义分析的结果来对不同的词义分析结果进行进一步的结合分析，剔除检索关键词内明显不符合实际和不符合逻辑的词义信息，使保留的关键词词义信息更加准确。
8.根据权利要求1所述的基于知识图谱的智能搜索方法，其特征在于：所述S5中，在检索关键词信息处理后，在建立的知识图谱内搜索分析后关键词的词义信息，并输出与关键词词义信息相对应的搜索结果。
9.根据权利要求1所述的基于知识图谱的智能搜索方法，其特征在于：所述S6中，在搜索关键词的搜索结果输出后，将该搜索结果通过NLP语义分析技术进行进一步的分析，使得搜索结果在经过语义分析后更加易于理解。
10.根据权利要求1所述的基于知识图谱的智能搜索方法，其特征在于：所述S7中，在关键词搜索结果经过NLP语义分析技术检索分析后，再将搜索结果通过ES搜索系统进行进一步的搜索，同时将词义分析后的检索关键词也输送到ES搜索系统内进行搜索，并将ES搜索系统内两次的搜索结果进行对比。
CN202110278856.5A 2021-03-16 2021-03-16 基于知识图谱的智能搜索方法 Active CN112836067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110278856.5A CN112836067B (zh) 2021-03-16 2021-03-16 基于知识图谱的智能搜索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110278856.5A CN112836067B (zh) 2021-03-16 2021-03-16 基于知识图谱的智能搜索方法

Publications (2)

Publication Number Publication Date
CN112836067A true CN112836067A (zh) 2021-05-25
CN112836067B CN112836067B (zh) 2023-12-12

Family

ID=75930262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110278856.5A Active CN112836067B (zh) 2021-03-16 2021-03-16 基于知识图谱的智能搜索方法

Country Status (1)

Country Link
CN (1) CN112836067B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113590845A (zh) * 2021-08-09 2021-11-02 平安国际智慧城市科技股份有限公司 基于知识图谱的文献检索方法、装置、电子设备及介质
CN113870697A (zh) * 2021-09-03 2021-12-31 厦门大学 一种使用知识图谱的展品系统
CN114896359A (zh) * 2022-05-13 2022-08-12 国网江苏省电力有限公司信息通信分公司 一种知识本体信息的搜索方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160064826A (ko) * 2014-11-28 2016-06-08 한국전자통신연구원 지식 그래프 기반에서의 의미적 검색 서비스 제공장치 및 그 방법
CN108090167A (zh) * 2017-12-14 2018-05-29 畅捷通信息技术股份有限公司 数据检索的方法、系统、计算设备及存储介质
CN111309877A (zh) * 2018-12-12 2020-06-19 北京文因互联科技有限公司 一种基于知识图谱的智能问答方法及系统
CN111475623A (zh) * 2020-04-09 2020-07-31 北京北大软件工程股份有限公司 基于知识图谱的案件信息语义检索方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160064826A (ko) * 2014-11-28 2016-06-08 한국전자통신연구원 지식 그래프 기반에서의 의미적 검색 서비스 제공장치 및 그 방법
CN108090167A (zh) * 2017-12-14 2018-05-29 畅捷通信息技术股份有限公司 数据检索的方法、系统、计算设备及存储介质
CN111309877A (zh) * 2018-12-12 2020-06-19 北京文因互联科技有限公司 一种基于知识图谱的智能问答方法及系统
CN111475623A (zh) * 2020-04-09 2020-07-31 北京北大软件工程股份有限公司 基于知识图谱的案件信息语义检索方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113590845A (zh) * 2021-08-09 2021-11-02 平安国际智慧城市科技股份有限公司 基于知识图谱的文献检索方法、装置、电子设备及介质
CN113870697A (zh) * 2021-09-03 2021-12-31 厦门大学 一种使用知识图谱的展品系统
CN114896359A (zh) * 2022-05-13 2022-08-12 国网江苏省电力有限公司信息通信分公司 一种知识本体信息的搜索方法

Also Published As

Publication number Publication date
CN112836067B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
CN108121829B (zh) 面向软件缺陷的领域知识图谱自动化构建方法
CN110516067B (zh) 基于话题检测的舆情监控方法、系统及存储介质
CN107609132B (zh) 一种基于语义本体库中文文本情感分析方法
CN107180045B (zh) 一种互联网文本蕴含地理实体关系的抽取方法
CN112836067B (zh) 基于知识图谱的智能搜索方法
CN106202543A (zh) 基于机器学习的本体匹配方法和系统
CN109726745B (zh) 一种融入描述知识的基于目标的情感分类方法
CN107168956B (zh) 一种基于管道的中文篇章结构分析方法及系统
CN113806563A (zh) 面向多源异构建筑人文史料的建筑师知识图谱构建方法
CN110147552B (zh) 基于自然语言处理的教育资源质量评价挖掘方法及系统
CN113742496B (zh) 一种基于异构资源融合的电力知识学习系统及方法
CN109522396B (zh) 一种面向国防科技领域的知识处理方法及系统
CN111159356A (zh) 基于教学内容的知识图谱构建方法
CN113157859A (zh) 一种基于上位概念信息的事件检测方法
Parthasarathy et al. Sentiment analyzer: Analysis of journal citations from citation databases
CN115858807A (zh) 一种基于航空装备故障知识图谱的问答系统
CN113360582A (zh) 基于bert模型融合多元实体信息的关系分类方法及系统
CN111984790A (zh) 一种实体关系抽取方法
CN113641788B (zh) 一种基于无监督的长短影评细粒度观点挖掘方法
CN111178080A (zh) 一种基于结构化信息的命名实体识别方法及系统
CN114547303A (zh) 基于Bert-LSTM的文本多特征分类方法及装置
CN117009518A (zh) 融合基本属性和文本内容的相似事件判断方法及其应用
CN114880471B (zh) 一种基于文本分类算法的电子病历质量评估方法及系统
CN116384379A (zh) 一种基于深度学习的中文临床术语标准化方法
CN113361615A (zh) 基于语义相关性的文本分类方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Intelligent Search Method Based on Knowledge Graph

Granted publication date: 20231212

Pledgee: Agricultural Bank of China Limited Shanghai Zhabei Branch

Pledgor: SHANGHAI SHIXIANG CULTURE COMMUNICATION CO.,LTD.

Registration number: Y2024310000804