CN112905806A - 基于强化学习的知识图谱实体化视图生成器及生成方法 - Google Patents
基于强化学习的知识图谱实体化视图生成器及生成方法 Download PDFInfo
- Publication number
- CN112905806A CN112905806A CN202110318765.XA CN202110318765A CN112905806A CN 112905806 A CN112905806 A CN 112905806A CN 202110318765 A CN202110318765 A CN 202110318765A CN 112905806 A CN112905806 A CN 112905806A
- Authority
- CN
- China
- Prior art keywords
- materialized view
- value
- view
- sentence
- query
- 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
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
基于强化学习的知识图谱实体化视图生成器及生成方法,属于计算机领域。本发明是为了解决现有知识图谱存储方案无法同时满足存储大规模知识图谱数据和高效处理复杂查询工作负载的要求。复杂子查询识别器对知识图谱查询语句中谓语进行识别,若谓语个数大于给定阈值数量,将数据库中含有所述谓语的语句形成语句集合;实体化视图在线生成模型采用Q学习算法判断是否对语句集合生成实体化视图,如果否,在数据库中完成查询语句集合操作,如果是,再次判断所述语句集合生成实体化视图后的存储量是否达到预算值,结果为否时,将语句集合构造成实体化视图;结果为是时,利用Q学习算法从语句集合中挑选出部分语句生成新的实体化视图。它用于提升查询效率。
Description
技术领域
本发明涉及生成实体化视图的方法,属于计算机领域。
背景技术
近年来,随着知识图谱规模的日益扩大,其数据存储问题愈加重要。一方面,针对知识图谱体量大、查询语句结构复杂的特点,其存储结构不仅需要具备存储大规模数据的能力,还要能够高效处理结构复杂的查询工作负载;另一方面,知识图谱的查询工作负载(知识图谱的查询语句)更新速度快,其存储结构需要具备适应查询负载动态变化的能力。然而,现有的知识图谱存储方案无法很好地满足以上两个要求,基于关系模型的知识图谱存储方案能够存储大规模知识图谱数据,但当数据量超过一定范围时,结构复杂的查询语句会使关系数据库产生大量自连接操作,很大程度上降低了查询效率。以三元组表存储方案为例,当查询负载的选择性较大时,关系数据库会选择放弃索引而采用逐行扫描的方式完成查询操作,这使得查询延迟时间与图数据量大小成正比,当数据量大时,会造成巨大的时间开销。原生知识图谱存储方案能够较好地应对结构复杂的知识图谱查询工作负载,其查询操作代价与图数据量无关,仅与图的遍历范围成正比。但原生知识图谱存储方案不能存储规模过大的数据,以Neo4j存储方案为例,其社区版对于存储量设有上限,最大节点存储量是235,企业版没有上限但闭源不利于开发,这使得该存储方案无法存储完整的知识图谱。
由此可见,现有知识图谱存储方案无法同时满足存储大规模知识图谱数据和高效处理复杂查询工作负载的要求。此外,知识图谱往往根据数据库管理员(DBA)的经验来选择存储方案,其存储结构单一不具有灵活性,无法很好地适应变化的查询工作负载。因此,知识图谱的存储问题亟需新技术来解决。
发明内容
本发明的目的是为了解决现有知识图谱存储方案无法同时满足存储大规模知识图谱数据和高效处理复杂查询工作负载的要求,现提供基于强化学习的知识图谱实体化视图生成器及生成方法。
基于强化学习的知识图谱实体化视图生成器,所述生成器包括复杂子查询识别器和实体化视图生成模型;
复杂子查询识别器,用于对输入到数据库内的知识图谱查询语句中的谓语进行识别,若数据库中的所述谓语个数大于给定阈值数量,则将数据库中含有所述谓语的语句形成语句集合传给实体化视图在线生成模型;
实体化视图在线生成模型,用于采用Q学习算法判断是否对所述语句集合生成实体化视图,如果否,在数据库中完成查询语句集合的操作,如果是,再次判断所述语句集合生成实体化视图后的存储量是否达到预算值,结果为否时,将所述语句集合构造成实体化视图;结果为是时,利用Q学习算法从所述语句集合中挑选出部分语句生成新的实体化视图。
优选地,实体化视图在线生成模型,还用于计算实体化视图或者新的实体化视图的奖励值,用奖励值训练Q学习算法中的Q学习模型,当Q学习模型训练好之后,对输入的所述相同谓语自动生成实体化视图或者新的实体化视图。
优选地,实体化视图在线生成模型包括实体化视图判断单元;
实体化视图判断单元,用于采用Q学习算法计算所述语句集合生成实体化视图后的Q值和知识图谱查询语句未生成实体化视图的Q值,判断所述语句集合生成实体化视图后的Q值是否大于知识图谱查询语句未生成实体化视图的Q值,在数据库中完成查询所述语句集合的操作,如果是,再次判断所述语句集合生成实体化视图后的存储量是否达到预算值,结果为否时,将所述语句集合构造成实体化视图;结果为是时,利用Q学习算法从所述语句集合中挑选出部分语句生成新的实体化视图。
优选地,奖励值为所述部分语句查询时间减去新的实体化视图的查询时间。
优选地,利用Q学习算法从实体化视图中挑选出部分语句,具体为:
利用Q学习算法计算实体化视图中每个语句的Q值和每个语句生成实体化视图后的Q值,将每个语句的Q值小于与各自生成实体化视图后Q值的语句挑选出来,由挑选出来的语句构成部分语句,将部分语句生成新的实体化视图。
优选地,实体化视图为表格形式。
基于强化学习的知识图谱实体化视图生成方法,所述方法包括以下内容:
步骤1、对输入到数据库内的知识图谱查询语句中的谓语进行识别,若数据库中的所述谓语个数大于给定阈值数量,则将数据库中含有所述谓语的语句形成语句集合传给步骤2;
步骤2、实体化视图在线生成模型,用于采用Q学习算法判断是否对所述语句集合生成实体化视图,如果否,在数据库中完成查询语句集合的操作,如果是,再次判断所述语句集合生成实体化视图后的存储量是否达到预算值,结果为否时,将所述语句集合构造成实体化视图;结果为是时,利用Q学习算法从所述语句集合中挑选出部分语句生成新的实体化视图。
优选地,所述方法还包括步骤4,
步骤4、计算实体化视图或者新的实体化视图的奖励值,用奖励值训练Q学习算法中的Q学习模型,当Q学习模型训练好之后,对输入的所述相同谓语自动生成实体化视图或者新的实体化视图。
优选地,步骤2中,具体为:
采用Q学习算法计算所述语句集合生成实体化视图后的Q值和知识图谱查询语句未生成实体化视图的Q值,判断所述语句集合生成实体化视图后的Q值是否大于知识图谱查询语句未生成实体化视图的Q值,在数据库中完成查询所述语句集合的操作,如果是,再次判断所述语句集合生成实体化视图后的存储量是否达到预算值,再次判断结果为否时,将所述语句集合构造成实体化视图;再次判断结果为是时,利用Q学习算法从所述语句集合中挑选出部分语句生成新的实体化视图。
优选地,步骤3中,奖励值为所述部分语句查询时间减去新的实体化视图的查询时间。
优选地,步骤3中,利用Q学习算法从实体化视图中挑选出部分语句生成新的实体化视图,具体为:
利用Q学习算法计算实体化视图中每个语句的Q值和每个语句生成实体化视图后的Q值,将每个语句的Q值小于与各自生成实体化视图后Q值的语句挑选出来,由挑选出来的语句构成部分语句,将部分语句生成新的实体化视图。
优选地,实体化视图为表格形式。
本发明的有益效果是:
本申请将数据库中知识图谱查询语句选择性大(数据库中谓语个数大于给定阈值数量)的语句识别出来,将该语句构建实体化视图。而由于实体化视图的存储容量有限,需要将频繁出现、生成代价小、生成收益大的数据优先生成实体化视图。本申请提出基于强化学习的实体化视图在线生成模型能快速判断该部分数据是否应该构建实体化视图。而当实体化视图存储容量达到预算时,也能够自动判断哪部分数据需要从实体化视图中回收而优先生成实体化视图。因此,本申请能够很好地适应不断更新的知识图谱查询语句,根据知识图谱查询语句的特点生成实体化视图,从而提升知识图谱的查询效率。
因此,本申请具有以下优点:
1、本申请结合关系数据库和实体化视图的存储优点,在存储完整知识图谱语句的同时加速了知识图谱语句上的复杂查询,加快查询效率,另外,建立实体化视图后能够节省数据库存储空间;
2、本申请能够根据动态变化的知识图谱查询语句自动调节实体化视图,决定哪些查询语句需要从关系数据库中构建实体化视图,从而提升知识图谱的查询效率,更好地适应不断变化的负载;
3、通过对知识图谱查询语句的分析,识别出对查询选择性大的子结构,从而基于该子结构相关的知识图谱数据生成实体化视图,避免关系数据库在处理该语句时产生的巨大开销;
4、实体化视图或者新的实体化视图会不断训练Q学习算法中的Q学习模型,使得训练好的Q学习模型能够对输入该相同谓语的语句自动生成实体化视图,增加查询速度和存储效率。
附图说明
图1为基于强化学习的知识图谱实体化视图生成器的原理示意图;
图2为基于强化学习的知识图谱实体化视图生成方法流程图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式所述的基于强化学习的知识图谱实体化视图生成器,所述生成器包括复杂子查询识别器和实体化视图生成模型;
复杂子查询识别器,用于对输入到数据库内的知识图谱查询语句中的谓语进行识别,若数据库中的所述谓语个数大于给定阈值数量,则将数据库中含有所述谓语的语句形成语句集合传给实体化视图在线生成模型;
实体化视图在线生成模型,用于采用Q学习算法判断是否对所述语句集合生成实体化视图,如果否,在数据库中完成查询语句集合的操作,如果是,再次判断所述语句集合生成实体化视图后的存储量是否达到预算值,结果为否时,将所述语句集合构造成实体化视图;结果为是时,利用Q学习算法从所述语句集合中挑选出部分语句生成新的实体化视图。
本实施方式中,可以定义:知识图谱查询语句集合Q={q1,q2,…qn},计算新的知识图谱存储方案,使得整个工作负载的查询延迟总期望最小。
例如输入的知识图谱查询语句为查询学生分数,对分数这个谓语对应的知识图谱语句进行查询,如果语句数量大于给定阈值数量,则将分数对应的知识图谱查询语句作为查询语句子结构,接下来判断这个查询语句子结构在数据库中是否需要建立实体化视图。
具体实施方式二:本实施方式是对具体实施方式一所述的基于强化学习的知识图谱实体化视图在线生成模型,还用于计算实体化视图或者新的实体化视图的奖励值,用奖励值训练Q学习算法中的Q学习模型,当Q学习模型训练好之后,对输入的所述相同谓语自动生成实体化视图或者新的实体化视图。
本实施方式中,对奖励值进行计算,并更新Q表(Q学习中的“状态-动作”表格)。若没有新查询到来,则结束Q学习模型的训练过程。
具体实施方式三:本实施方式是对具体实施方式一所述的基于强化学习的知识图谱实体化视图在线生成模型包括实体化视图判断单元;
实体化视图判断单元,用于采用Q学习算法计算所述语句集合生成实体化视图后的Q值和知识图谱查询语句未生成实体化视图的Q值,判断所述语句集合生成实体化视图后的Q值是否大于知识图谱查询语句未生成实体化视图的Q值,在数据库中完成查询所述语句集合的操作,如果是,再次判断所述语句集合生成实体化视图后的存储量是否达到预算值,结果为否时,将所述语句集合构造成实体化视图;结果为是时,利用Q学习算法从所述语句集合中挑选出部分语句生成新的实体化视图。
具体实施方式四:本实施方式是对具体实施方式二所述的基于强化学习的知识图谱奖励值为所述部分语句查询时间减去新的实体化视图的查询时间。
具体实施方式五:本实施方式是对具体实施方式一所述的基于强化学习的知识图谱实体化视图生成器,利用Q学习算法从实体化视图中挑选出部分语句,具体为:
利用Q学习算法计算实体化视图中每个语句的Q值和每个语句生成实体化视图后的Q值,将每个语句的Q值小于与各自生成实体化视图后Q值的语句挑选出来,由挑选出来的语句构成部分语句,将部分语句生成新的实体化视图。
具体实施方式六:本实施方式是对具体实施方式一所述的基于强化学习的知识图谱实体化视图生成器,实体化视图为表格形式。
具体实施方式七:结合图1说明本实施方式,本实施方式所述的基于强化学习的知识图谱实体化视图生成方法,所述方法包括以下内容:
步骤1、对输入到数据库内的知识图谱查询语句中的谓语进行识别,若数据库中的所述谓语个数大于给定阈值数量,则将数据库中含有所述谓语的语句形成语句集合传给步骤2;
步骤2、实体化视图在线生成模型,用于采用Q学习算法判断是否对所述语句集合生成实体化视图,如果否,在数据库中完成查询语句集合的操作,如果是,再次判断所述语句集合生成实体化视图后的存储量是否达到预算值,结果为否时,将所述语句集合构造成实体化视图;结果为是时,利用Q学习算法从所述语句集合中挑选出部分语句生成新的实体化视图。
具体实施方式八:本实施方式是对具体实施方式七所述的基于强化学习的知识图谱实体化视图生成方法,所述方法还包括步骤4,
步骤4、计算实体化视图或者新的实体化视图的奖励值,用奖励值训练Q学习算法中的Q学习模型,当Q学习模型训练好之后,对输入的所述实体化视图对应的知识图谱查询语句自动生成实体化视图或者对输入的所述新的实体化视图对应的知识图谱查询语句自动生成实体化视图。
具体实施方式九:本实施方式是对具体实施方式七所述的基于强化学习的知识图谱实体化视图生成方法,步骤2中,具体为:
采用Q学习算法计算所述语句集合生成实体化视图后的Q值和知识图谱查询语句未生成实体化视图的Q值,判断所述语句集合生成实体化视图后的Q值是否大于知识图谱查询语句未生成实体化视图的Q值,在数据库中完成查询所述语句集合的操作,如果是,再次判断所述语句集合生成实体化视图后的存储量是否达到预算值,再次判断结果为否时,将所述语句集合构造成实体化视图;再次判断结果为是时,利用Q学习算法从所述语句集合中挑选出部分语句生成新的实体化视图。
具体实施方式十:本实施方式是对具体实施方式八所述的基于强化学习的知识图谱实体化视图生成方法,步骤3中,奖励值为所述部分语句查询时间减去新的实体化视图的查询时间。
具体实施方式十一:本实施方式是对具体实施方式七所述的基于强化学习的知识图谱实体化视图生成方法,步骤3中,利用Q学习算法从实体化视图中挑选出部分语句生成新的实体化视图,具体为:
利用Q学习算法计算实体化视图中每个语句的Q值和每个语句生成实体化视图后的Q值,将每个语句的Q值小于与各自生成实体化视图后Q值的语句挑选出来,由挑选出来的语句构成部分语句,将部分语句生成新的实体化视图。
具体实施方式十二:本实施方式是对具体实施方式七所述的基于强化学习的知识图谱实体化视图生成方法,实体化视图为表格形式。
Claims (12)
1.基于强化学习的知识图谱实体化视图生成器,其特征在于,所述生成器包括复杂子查询识别器和实体化视图生成模型;
复杂子查询识别器,用于对输入到数据库内的知识图谱查询语句中的谓语进行识别,若数据库中的所述谓语个数大于给定阈值数量,则将数据库中含有所述谓语的语句形成语句集合传给实体化视图在线生成模型;
实体化视图在线生成模型,用于采用Q学习算法判断是否对所述语句集合生成实体化视图,如果否,在数据库中完成查询语句集合的操作,如果是,再次判断所述语句集合生成实体化视图后的存储量是否达到预算值,结果为否时,将所述语句集合构造成实体化视图;结果为是时,利用Q学习算法从所述语句集合中挑选出部分语句生成新的实体化视图。
2.根据权利要求1所述的基于强化学习的知识图谱实体化视图生成器,其特征在于,实体化视图在线生成模型,还用于计算实体化视图或者新的实体化视图的奖励值,用奖励值训练Q学习算法中的Q学习模型,当Q学习模型训练好之后,对输入的所述相同谓语自动生成实体化视图或者新的实体化视图。
3.根据权利要求1所述的基于强化学习的知识图谱实体化视图生成器,其特征在于,实体化视图在线生成模型包括实体化视图判断单元;
实体化视图判断单元,用于采用Q学习算法计算所述语句集合生成实体化视图后的Q值和知识图谱查询语句未生成实体化视图的Q值,判断所述语句集合生成实体化视图后的Q值是否大于知识图谱查询语句未生成实体化视图的Q值,在数据库中完成查询所述语句集合的操作,如果是,再次判断所述语句集合生成实体化视图后的存储量是否达到预算值,结果为否时,将所述语句集合构造成实体化视图;结果为是时,利用Q学习算法从所述语句集合中挑选出部分语句生成新的实体化视图。
4.根据权利要求2所述的基于强化学习的知识图谱实体化视图生成器,其特征在于,奖励值为所述部分语句查询时间减去新的实体化视图的查询时间。
5.根据权利要求1或3所述的基于强化学习的知识图谱实体化视图生成器,其特征在于,利用Q学习算法从实体化视图中挑选出部分语句,具体为:
利用Q学习算法计算实体化视图中每个语句的Q值和每个语句生成实体化视图后的Q值,将每个语句的Q值小于与各自生成实体化视图后Q值的语句挑选出来,由挑选出来的语句构成部分语句,将部分语句生成新的实体化视图。
6.根据权利要求1所述的基于强化学习的知识图谱实体化视图生成器,其特征在于,实体化视图为表格形式。
7.基于强化学习的知识图谱实体化视图生成方法,其特征在于,所述方法包括以下内容:
步骤1、对输入到数据库内的知识图谱查询语句中的谓语进行识别,若数据库中的所述谓语个数大于给定阈值数量,则将数据库中含有所述谓语的语句形成语句集合传给步骤2;
步骤2、实体化视图在线生成模型,用于采用Q学习算法判断是否对所述语句集合生成实体化视图,如果否,在数据库中完成查询语句集合的操作,如果是,再次判断所述语句集合生成实体化视图后的存储量是否达到预算值,结果为否时,将所述语句集合构造成实体化视图;结果为是时,利用Q学习算法从所述语句集合中挑选出部分语句生成新的实体化视图。
8.根据权利要求7所述的基于强化学习的知识图谱实体化视图生成方法,其特征在于,所述方法还包括步骤4,
步骤4、计算实体化视图或者新的实体化视图的奖励值,用奖励值训练Q学习算法中的Q学习模型,当Q学习模型训练好之后,对输入的所述相同谓语自动生成实体化视图或者新的实体化视图。
9.根据权利要求7所述的基于强化学习的知识图谱实体化视图生成方法,其特征在于,步骤2中,具体为:
采用Q学习算法计算所述语句集合生成实体化视图后的Q值和知识图谱查询语句未生成实体化视图的Q值,判断所述语句集合生成实体化视图后的Q值是否大于知识图谱查询语句未生成实体化视图的Q值,在数据库中完成查询所述语句集合的操作,如果是,再次判断所述语句集合生成实体化视图后的存储量是否达到预算值,再次判断结果为否时,将所述语句集合构造成实体化视图;再次判断结果为是时,利用Q学习算法从所述语句集合中挑选出部分语句生成新的实体化视图。
10.根据权利要求8所述的基于强化学习的知识图谱实体化视图生成方法,其特征在于,步骤3中,奖励值为所述部分语句查询时间减去新的实体化视图的查询时间。
11.根据权利要求7所述的基于强化学习的知识图谱实体化视图生成方法,其特征在于,步骤3中,利用Q学习算法从实体化视图中挑选出部分语句生成新的实体化视图,具体为:
利用Q学习算法计算实体化视图中每个语句的Q值和每个语句生成实体化视图后的Q值,将每个语句的Q值小于与各自生成实体化视图后Q值的语句挑选出来,由挑选出来的语句构成部分语句,将部分语句生成新的实体化视图。
12.根据权利要求7所述的基于强化学习的知识图谱实体化视图生成方法,其特征在于,实体化视图为表格形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110318765.XA CN112905806B (zh) | 2021-03-25 | 2021-03-25 | 基于强化学习的知识图谱实体化视图生成器及生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110318765.XA CN112905806B (zh) | 2021-03-25 | 2021-03-25 | 基于强化学习的知识图谱实体化视图生成器及生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112905806A true CN112905806A (zh) | 2021-06-04 |
CN112905806B CN112905806B (zh) | 2022-11-01 |
Family
ID=76106390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110318765.XA Active CN112905806B (zh) | 2021-03-25 | 2021-03-25 | 基于强化学习的知识图谱实体化视图生成器及生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112905806B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160224637A1 (en) * | 2013-11-25 | 2016-08-04 | Ut Battelle, Llc | Processing associations in knowledge graphs |
CN108256065A (zh) * | 2018-01-16 | 2018-07-06 | 智言科技(深圳)有限公司 | 基于关系检测和强化学习的知识图谱推理方法 |
CN108959613A (zh) * | 2018-07-17 | 2018-12-07 | 杭州电子科技大学 | 一种面向rdf知识图谱的语义近似查询方法 |
CN109033314A (zh) * | 2018-07-18 | 2018-12-18 | 哈尔滨工业大学 | 内存受限情况下的大规模知识图谱的实时查询方法和系统 |
CN110147436A (zh) * | 2019-03-18 | 2019-08-20 | 清华大学 | 一种基于教育知识图谱与文本的混合自动问答方法 |
CN110990590A (zh) * | 2019-12-20 | 2020-04-10 | 北京大学 | 一种基于强化学习和迁移学习的动态金融知识图谱构建方法 |
CN111159328A (zh) * | 2019-11-20 | 2020-05-15 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 情报知识融合系统及方法 |
CN111522966A (zh) * | 2020-04-22 | 2020-08-11 | 深圳追一科技有限公司 | 基于知识图谱的数据处理方法、装置、电子设备及介质 |
WO2020162943A1 (en) * | 2019-02-07 | 2020-08-13 | Thogamalai Krishnakumar Arumugham | Holistic intelligence and autonomous information system and method thereof |
CN111625633A (zh) * | 2020-05-22 | 2020-09-04 | 广东飞企互联科技股份有限公司 | 基于知识图谱的企业制度问答意图识别方法及装置 |
CN111767376A (zh) * | 2020-06-03 | 2020-10-13 | 北京理工大学 | 基于动态知识图谱的问答系统及方法 |
-
2021
- 2021-03-25 CN CN202110318765.XA patent/CN112905806B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160224637A1 (en) * | 2013-11-25 | 2016-08-04 | Ut Battelle, Llc | Processing associations in knowledge graphs |
CN108256065A (zh) * | 2018-01-16 | 2018-07-06 | 智言科技(深圳)有限公司 | 基于关系检测和强化学习的知识图谱推理方法 |
CN108959613A (zh) * | 2018-07-17 | 2018-12-07 | 杭州电子科技大学 | 一种面向rdf知识图谱的语义近似查询方法 |
CN109033314A (zh) * | 2018-07-18 | 2018-12-18 | 哈尔滨工业大学 | 内存受限情况下的大规模知识图谱的实时查询方法和系统 |
WO2020162943A1 (en) * | 2019-02-07 | 2020-08-13 | Thogamalai Krishnakumar Arumugham | Holistic intelligence and autonomous information system and method thereof |
CN110147436A (zh) * | 2019-03-18 | 2019-08-20 | 清华大学 | 一种基于教育知识图谱与文本的混合自动问答方法 |
CN111159328A (zh) * | 2019-11-20 | 2020-05-15 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 情报知识融合系统及方法 |
CN110990590A (zh) * | 2019-12-20 | 2020-04-10 | 北京大学 | 一种基于强化学习和迁移学习的动态金融知识图谱构建方法 |
CN111522966A (zh) * | 2020-04-22 | 2020-08-11 | 深圳追一科技有限公司 | 基于知识图谱的数据处理方法、装置、电子设备及介质 |
CN111625633A (zh) * | 2020-05-22 | 2020-09-04 | 广东飞企互联科技股份有限公司 | 基于知识图谱的企业制度问答意图识别方法及装置 |
CN111767376A (zh) * | 2020-06-03 | 2020-10-13 | 北京理工大学 | 基于动态知识图谱的问答系统及方法 |
Non-Patent Citations (4)
Title |
---|
YUANYUAN JIA 等: ""DKDR: An Approach of Knowledge Graph and Deep Reinforcement Learning for Disease Diagnosis"", 《HTTPS://IEEEXPLORE.IEEE.ORG/DOCUMENT/9047423》 * |
王鑫等: "知识图谱可视化查询技术综述", 《计算机工程》 * |
韩雨婷: ""知识图谱中语义路径组合关系的推理算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
高顺峰: ""基于知识图谱的问答系统设计与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112905806B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109240901B (zh) | 性能分析方法、性能分析装置、存储介质和电子设备 | |
US6356889B1 (en) | Method for determining optimal database materializations using a query optimizer | |
CN110807041B (zh) | 索引推荐方法、装置、电子设备及存储介质 | |
CN104199965B (zh) | 一种语义信息检索方法 | |
US20160378769A1 (en) | Preliminary ranker for scoring matching documents | |
CN104765731A (zh) | 数据库查询优化方法和设备 | |
CN109783628B (zh) | 结合时间窗口和关联规则挖掘的关键词搜索ksaarm方法 | |
CN106919678A (zh) | 一种数据库查询优化系统及方法 | |
CN106777343A (zh) | 增量分布式索引系统和方法 | |
CN118170894B (zh) | 一种知识图谱问答方法、装置及存储介质 | |
CN116932776A (zh) | 一种基于知识图谱的大模型知识更新方法和装置 | |
CN103177046B (zh) | 一种基于行存储数据库的数据处理方法和设备 | |
KR102411778B1 (ko) | 다중 지식의 비교 우위를 추론하는 서버, 방법 및 컴퓨터 프로그램 | |
CN110874366B (zh) | 数据处理、查询方法和装置 | |
CN110032676B (zh) | 一种基于谓词关联的sparql查询优化方法及系统 | |
CN112905806B (zh) | 基于强化学习的知识图谱实体化视图生成器及生成方法 | |
CN116975192A (zh) | 一种基于树形结构的大语言模型运算链装置及方法 | |
KR101592670B1 (ko) | 인덱스를 이용하는 데이터 검색 장치 및 이를 이용하는 방법 | |
JP2012173794A (ja) | ランキングモデル選択機能を有する文書検索装置、ランキングモデル選択機能を有する文書検索方法およびランキングモデル選択機能を有する文書検索プログラム | |
CN112148792B (zh) | 一种基于HBase的分区数据调整方法、系统及终端 | |
CN114625761A (zh) | 一种优化方法、装置、电子设备及介质 | |
CN114328823A (zh) | 数据库自然语言查询方法及装置、电子设备、存储介质 | |
Butka et al. | A proposal of the information retrieval system based on the generalized one-sided concept lattices | |
CN117390064B (zh) | 一种基于可嵌入子图的数据库查询优化方法 | |
CN111368055A (zh) | 一种专利数据库联合企业信息平台的检索方法和装置 |
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 |