CN112965998A - 一种化合物数据库建立及检索方法及系统 - Google Patents
一种化合物数据库建立及检索方法及系统 Download PDFInfo
- Publication number
- CN112965998A CN112965998A CN202110154639.5A CN202110154639A CN112965998A CN 112965998 A CN112965998 A CN 112965998A CN 202110154639 A CN202110154639 A CN 202110154639A CN 112965998 A CN112965998 A CN 112965998A
- Authority
- CN
- China
- Prior art keywords
- data
- compound
- neural network
- target
- network model
- 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
- 150000001875 compounds Chemical class 0.000 title claims abstract description 565
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 152
- 238000004458 analytical method Methods 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 52
- 238000013500 data storage Methods 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 21
- 229930000044 secondary metabolite Natural products 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
-
- 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
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种化合物数据库建立及检索方法及系统，接数据采集端在识别目标化合物数据及参考化合物数据不匹配时发送的目标化合物数据及参考化合物数据；识别目标化合物数据及参考化合物数据对应的储存模式，根据识别出的储存模式选择目标构建神经网络模型，提取目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特输入结果；进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别目标化合物数据与参考化合物数据是否匹配，采用上述方法，能得到准确的化合物信息和化合物的属性，进行储存，避免了在数据库中存在错误的信息，在检索的时候得到错误的信息结果，提高了提取出来信息的准确性，提高了用户的使用感。
Description
技术领域
本发明涉及数据建立及数据检索的技术领域，具体涉及一种化合物数据库建立及检索方法及系统。
背景技术
数据搜索有两种，一种是条件查询，另一种是全文搜索。
条件查询是在明确查询条件之后的搜索，如通过物项编码查找物项，通过文件名查找文件，通过数据值范围查找数据值等等。这种查询机制，只需要分别对每种搜索规则确定对应的数据库搜索语句即可。
而全文检索，则复杂得多。原理上，简单的说，全文检索先扫描所有的文档，建立一个索引文件。索引文件中每条数据是这样的：左边是一个单词，右边是包含该单词的所有文件的文件链表，所有的单词称为词典，这样当用户键入关键词时，只需在词典中找到对应的单词，即能快速确定所要查找的文档，最后从文档中提取出上下文内容反馈给用户即可。
全文检索技术已经非常成熟，包括百度、谷歌等都采用全文检索技术给用户提供关键词相关的数据。目前，对于软件开发来说，也有成熟的开源的全文检索组件，如Lucene。软件开发者只需将Lucene作为组件引入其软件中，令其扫描要搜索的所有文档，建立一个索引文件，即可再利用Lucene向用户返回其关键词的上下文内容。
对于软件开发者来说，其关键是准备好要搜索的所有文档，这些文档必须是计算机可以读取的，且数据是完整的。
是对于一个企业来说，其数据资产往往不能直接实现全文检索，原因是这些数据资产要么是计算机不能直接读取内容的工程文件，要么是包含大量符号的数据库。
一般工程文件中包括OFFICE文档，各种设计软件形成的图纸、以及各种设计软件形成的三维模型。这种工程文件中蕴藏着很多数据，但不能被计算机直接读取，从而无法建立全文检索的索引。
而数据库中，每张数据表的数据往往不是相对完整的，数据表里有大量的主键和外键，而且每个数据只有值没有名，因此如果只读取数据表中的数据而不做任何“还原”处理的话，那么即使对数据表的内容建立了索引，也是无意义的。
因此，特别需要一种对工程文件和数据库建立全文检索文档的方法，以解决上述现有存在的问题。
发明内容
本发明所要解决的技术问题是上述背景技术的技术问题，目的在于提供一种化合物数据库建立及检索方法及系统，解决建立数量库的资料缺少，从而不能检索到的问题。
本发明通过下述技术方案实现：
一种化合物数据库建立及检索方法，所述方法包括：
接数据采集端在识别目标化合物数据及参考化合物数据不匹配时发送的所述目标化合物数据及参考化合物数据；
识别所述目标化合物数据及参考化合物数据对应的储存模式，根据识别出的储存模式选择目标构建神经网络模型，所述目标构建神经网络模型至少包括第三构建神经网络模型和第四构建神经网络模型，所述第三构建神经网络模型和第四构建神经网络模型的复杂度均大于所述第一构建神经网络模型及所述第二构建神经网络模型的复杂度；
提取所述第三构建神经网络模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果；
提取所述第四构建神经网络模型对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配；
若所述目标化合物数据与所述参考化合物数据不匹配，则进行警示处理；若所述目标化合物数据与所述参考化合物数据匹配，则通过输入化学分子式进行检索特征。
进一步地，所述识别所述目标化合物数据及参考化合物数据对应的储存模式，根据识别出的储存模式选择目标构建神经网络模型，包括：
提取第五构建神经网络模型识别所述目标化合物数据及参考化合物数据对应的储存模式；
根据储存模式及构建神经网络模型的映射关系表，从训练好的构建神经网络模型中选择识别出的储存模式对应的目标构建神经网络模型。
进一步地，所述方法还包括：
将所述第三化合物输入结果及所述第四化合物输入结果各自对应的结果数据存储区域修正成相同结果；
将修正后的第三化合物输入结果对应的结果数据存储区域及修正后的第四化合物输入结果对应的结果数据存储区域作为第二目标分析结果，或者，将修正后的第三化合物输入结果对应的结果数据存储区域及修正后的第四化合物输入结果对应的结果数据存储区域中指定部位点对应的区域作为第二目标分析结果。
进一步地，所述进行警示处理，包括：
获取所述目标化合物数据的特征数据；
将所述目标化合物数据的特征数据与特征数据库中的参考特征数据进行数据比较，得到所述目标化合物数据对应的化合物属性数据；
基于所述目标化合物数据对应的化合物属性数据对所述目标化合物数据对应的目标对象数据进行储存。
进一步地，所述根据所述目标化合物数据对应的化合物属性数据对所述目标化合物数据对应的目标对象数据进行储存，包括：
基于所述目标化合物数据对应的化合物属性数据提取所述目标化合物数据对应的目标对象数据所在区域的储存设备，通过所述储存设备对所述目标化合物数据对应的目标对象数据进行储存；
获取对所述目标对象数据进行储存的储存数据；
根据所述储存数据确定所述目标对象数据的所在的文件夹区域，将所述目标对象数据的所在的文件夹区域上传至相关储存设备。
进一步地，所述进行警示处理，还包括：
获取所述参考化合物数据的特征数据；
将所述参考化合物数据的特征数据与特征数据库中的参考特征数据进行数据比较，得到所述参考化合物数据对应的化合物属性数据；
基于所述参考化合物数据对应的化合物属性数据对所述参考化合物数据对应的参考对象进行提醒。
进一步地，所述第三构建神经网络模型包括级联的第一构建神经网络子模型、第二构建神经网络子模型及第三构建神经网络子模型；
所述提取所述第三构建神经网络模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果，包括：
提取所述第三构建神经网络模型中第一构建神经网络子模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的一级化合物输入结果及所述参考化合物数据的一级化合物输入结果；
提取所述第三构建神经网络模型中第二构建神经网络子模型对所述目标化合物数据的一级化合物输入结果及所述参考化合物数据的一级化合物输入结果进行一级筛选，得到所述目标化合物数据的二级化合物输入结果及所述参考化合物数据的二级化合物输入结果；
提取所述第三构建神经网络模型中第三构建神经网络子模型对所述目标化合物数据的二级化合物输入结果及所述参考化合物数据的二级化合物输入结果进行二级筛选，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果。
进一步地，所述第四构建神经网络模型包括至少一个属性构建层、至少一个元素识别层及至少两个全连接层；
所述提取所述第四构建神经网络模型对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配，包括：
提取第四构建神经网络模型中的属性构建层分别对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，提取的特征输入所述第四构建神经网络模型中的元素识别层；
提取所述第四构建神经网络模型中的元素识别层对所述属性构建层提取的特征进行化合物分析处理，化合物分析处理后的特征输入所述第四构建神经网络模型中的全连接层；
提取所述第四构建神经网络模型中的全连接层对化合物分析处理后的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配。
一种化合物数据库建立及检索系统，包括数据采集端和数据存储终端，所述数据采集端和所述数据存储终端通信连接，所述数据存储终端具体用于：
接数据采集端在识别目标化合物数据及参考化合物数据不匹配时发送的所述目标化合物数据及参考化合物数据；
识别所述目标化合物数据及参考化合物数据对应的储存模式，根据识别出的储存模式选择目标构建神经网络模型，所述目标构建神经网络模型至少包括第三构建神经网络模型和第四构建神经网络模型，所述第三构建神经网络模型和第四构建神经网络模型的复杂度均大于所述第一构建神经网络模型及所述第二构建神经网络模型的复杂度；
提取所述第三构建神经网络模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果；
提取所述第四构建神经网络模型对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配；
若所述目标化合物数据与所述参考化合物数据不匹配，则进行警示处理；若所述目标化合物数据与所述参考化合物数据匹配，则通过输入化学分子式进行检索特征。
进一步地，所述数据存储终端具体用于：
提取第五构建神经网络模型识别所述目标化合物数据及参考化合物数据对应的储存模式；
根据储存模式及构建神经网络模型的映射关系表，从训练好的构建神经网络模型中选择识别出的储存模式对应的目标构建神经网络模型。
进一步地，所述数据存储终端具体用于：
将所述第三化合物输入结果及所述第四化合物输入结果各自对应的结果数据存储区域修正成相同结果；
将修正后的第三化合物输入结果对应的结果数据存储区域及修正后的第四化合物输入结果对应的结果数据存储区域作为第二目标分析结果，或者，将修正后的第三化合物输入结果对应的结果数据存储区域及修正后的第四化合物输入结果对应的结果数据存储区域中指定部位点对应的区域作为第二目标分析结果。
进一步地，所述数据存储终端具体用于：
获取所述目标化合物数据的特征数据；
将所述目标化合物数据的特征数据与特征数据库中的参考特征数据进行数据比较，得到所述目标化合物数据对应的化合物属性数据；
基于所述目标化合物数据对应的化合物属性数据对所述目标化合物数据对应的目标对象数据进行储存。
进一步地，所述数据存储终端具体用于：
基于所述目标化合物数据对应的化合物属性数据提取所述目标化合物数据对应的目标对象数据所在区域的储存设备，通过所述储存设备对所述目标化合物数据对应的目标对象数据进行储存；
获取对所述目标对象数据进行储存的储存数据；
根据所述储存数据确定所述目标对象数据的所在的文件夹区域，将所述目标对象数据的所在的文件夹区域上传至相关储存设备。
进一步地，所述数据存储终端具体用于：
获取所述参考化合物数据的特征数据；
将所述参考化合物数据的特征数据与特征数据库中的参考特征数据进行数据比较，得到所述参考化合物数据对应的化合物属性数据；
基于所述参考化合物数据对应的化合物属性数据对所述参考化合物数据对应的参考对象进行提醒。
进一步地，所述数据存储终端具体用于：
所述提取所述第三构建神经网络模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果，包括：
提取所述第三构建神经网络模型中第一构建神经网络子模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的一级化合物输入结果及所述参考化合物数据的一级化合物输入结果；
提取所述第三构建神经网络模型中第二构建神经网络子模型对所述目标化合物数据的一级化合物输入结果及所述参考化合物数据的一级化合物输入结果进行一级筛选，得到所述目标化合物数据的二级化合物输入结果及所述参考化合物数据的二级化合物输入结果；
提取所述第三构建神经网络模型中第三构建神经网络子模型对所述目标化合物数据的二级化合物输入结果及所述参考化合物数据的二级化合物输入结果进行二级筛选，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果。
进一步地，所述数据存储终端具体用于：
所述提取所述第四构建神经网络模型对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配，包括：
提取第四构建神经网络模型中的属性构建层分别对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，提取的特征输入所述第四构建神经网络模型中的元素识别层；
提取所述第四构建神经网络模型中的元素识别层对所述属性构建层提取的特征进行化合物分析处理，化合物分析处理后的特征输入所述第四构建神经网络模型中的全连接层；
提取所述第四构建神经网络模型中的全连接层对化合物分析处理后的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明一种化合物数据库建立及检索方法及系统，接数据采集端在识别目标化合物数据及参考化合物数据不匹配时发送的目标化合物数据及参考化合物数据；识别目标化合物数据及参考化合物数据对应的储存模式，根据识别出的储存模式选择目标构建神经网络模型，提取目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特输入结果；进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别目标化合物数据与参考化合物数据是否匹配，采用上述方法，能得到准确的化合物信息和化合物的属性，进行储存，这样有效的保证了数据库中数据的准确性，避免了在数据库中存在错误的信息，在检索的时候得到错误的信息结果，提高了提取出来信息的准确性，提高了用户的使用感。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1为本发明实施例所提供的一种化合物数据库建立及检索系统的架构示意图；
图2为本发明实施例所提供的一种化合物数据库建立及检索方法的流程图；
图3为本发明实施例所提供的一种化合物数据库建立及检索装置的功能模块框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了便于对上述的化合物数据库建立及检索方法及装置的数据采集端进行阐述，请结合参考图1，提供了本发明实施例所公开的化合物数据库建立及检索系统100的通信架构示意图。其中，所述化合物数据库建立及检索系统100可以包括数据采集端200以及数据存储终端300，所述数据采集端200与所述数据存储终端300通信连接。
在具体的实施方式中，所述数据存储终端300可以是台式电脑、平板电脑、笔记本电脑、手机或者其他能够实现数据处理以及数据通信的数据采集端，在此不作过多限定。
在上述待处理上，请结合参阅图2，为本发明实施例所提供的化合物数据库建立及检索方法的流程示意图，所述化合物数据库建立及检索方法可以应用于图1中的数据采集端200，进一步地，所述化合物数据库建立及检索方法具体可以包括以下步骤S21-步骤S25所描述的内容。
步骤S21，接数据采集端在识别目标化合物数据及参考化合物数据不匹配时发送的所述目标化合物数据及参考化合物数据。
步骤S22，识别所述目标化合物数据及参考化合物数据对应的储存模式，根据识别出的储存模式选择目标构建神经网络模型，所述目标构建神经网络模型至少包括第三构建神经网络模型和第四构建神经网络模型，所述第三构建神经网络模型和第四构建神经网络模型的复杂度均大于所述第一构建神经网络模型及所述第二构建神经网络模型的复杂度。
步骤S23，提取所述第三构建神经网络模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果。
步骤S24，提取所述第四构建神经网络模型对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配。
步骤S25，若所述目标化合物数据与所述参考化合物数据不匹配，则进行警示处理；若所述目标化合物数据与所述参考化合物数据匹配，则通过输入化学分子式进行检索特征。
可以理解的，在执行上述步骤S21-步骤S25所描述的内容时，接数据采集端在识别目标化合物数据及参考化合物数据不匹配时发送的目标化合物数据及参考化合物数据；识别目标化合物数据及参考化合物数据对应的储存模式，根据识别出的储存模式选择目标构建神经网络模型，提取目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特输入结果；进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别目标化合物数据与参考化合物数据是否匹配，采用上述方法，能得到准确的化合物信息和化合物的属性，进行储存，这样有效的保证了数据库中数据的准确性，避免了在数据库中存在错误的信息，在检索的时候得到错误的信息结果，提高了提取出来信息的准确性，提高了用户的使用感。
在实际操作过程中，发明人发现，在所述识别所述目标化合物数据及参考化合物数据对应的储存模式时，存在目标化合物数据及参考化合物数据不匹配的技术问题，从而难以根据识别出的储存模式选择正确的目标构建神经网络模型，为了改善上述技术问题，步骤S22所描述的所述识别所述目标化合物数据及参考化合物数据对应的储存模式，根据识别出的储存模式选择目标构建神经网络模型的步骤，具体可以包括以下步骤S221和步骤S222所描述的内容。
步骤S221，提取第五构建神经网络模型识别所述目标化合物数据及参考化合物数据对应的储存模式。
步骤S222，根据储存模式及构建神经网络模型的映射关系表，从训练好的构建神经网络模型中选择识别出的储存模式对应的目标构建神经网络模型。
可以理解的，在执行上述步骤S221和步骤S222所描述的内容时，在所述识别所述目标化合物数据及参考化合物数据对应的储存模式时，避免了目标化合物数据及参考化合物数据不匹配的技术问题，从而能够根据识别出的储存模式选择正确的目标构建神经网络模型。
基于上述基础，还包括以下步骤q1和步骤q2所描述的内容。
步骤q1，将所述第三化合物输入结果及所述第四化合物输入结果各自对应的结果数据存储区域修正成相同结果。
步骤q2，将修正后的第三化合物输入结果对应的结果数据存储区域及修正后的第四化合物输入结果对应的结果数据存储区域作为第二目标分析结果，或者，将修正后的第三化合物输入结果对应的结果数据存储区域及修正后的第四化合物输入结果对应的结果数据存储区域中指定部位点对应的区域作为第二目标分析结果。
可以理解的，在执行上述步骤q1和步骤q2所描述的内容时，对有错误的数据进行及时有效的修正，这样有效的降低数据的错误率，提高数据库中数据的准确性。
在实际操作过程中，发明人发现，在所述进行警示处理时，存在警示处理错误的问题，这样就会给出错误的警示，为了改进上述技术问题，步骤S25所描述的所述进行警示处理的步骤，具体可以包括以下步骤S251-步骤S253所描述的内容。
步骤S251，获取所述目标化合物数据的特征数据。
步骤S252，将所述目标化合物数据的特征数据与特征数据库中的参考特征数据进行数据比较，得到所述目标化合物数据对应的化合物属性数据。
步骤S253，基于所述目标化合物数据对应的化合物属性数据对所述目标化合物数据对应的目标对象数据进行储存。
可以理解的，在执行上述步骤S251-步骤S253所描述的内容时，在所述进行警示处理时，避免了警示处理错误的问题，这样就会给出准确的警示。
在实际操作过程中，发明人发现，在所述根据所述目标化合物数据对应的化合物属性数据对所述目标化合物数据对应的目标对象数据进行储存时，存在数据存储不精确的技术问题，从而难以精确的得到对应的储存数据，为了改善上述技术问题，步骤S253所描述的所述根据所述目标化合物数据对应的化合物属性数据对所述目标化合物数据对应的目标对象数据进行储存的步骤，具体可以包括以下步骤o1-步骤o3所描述的内容。
步骤o1，基于所述目标化合物数据对应的化合物属性数据提取所述目标化合物数据对应的目标对象数据所在区域的储存设备，通过所述储存设备对所述目标化合物数据对应的目标对象数据进行储存。
步骤o2，获取对所述目标对象数据进行储存的储存数据。
步骤o3，根据所述储存数据确定所述目标对象数据的所在的文件夹区域，将所述目标对象数据的所在的文件夹区域上传至相关储存设备。
可以理解的，在执行上述步骤o1-步骤o3所描述的内容时，在所述根据所述目标化合物数据对应的化合物属性数据对所述目标化合物数据对应的目标对象数据进行储存时，避免了在数据存储不精确的技术问题，从而能够精确的得到对应的储存数据。
基于上述基础，还包括以下步骤r1-步骤r3所描述的内容。
步骤r1，获取所述参考化合物数据的特征数据。
步骤r2，将所述参考化合物数据的特征数据与特征数据库中的参考特征数据进行数据比较，得到所述参考化合物数据对应的化合物属性数据。
步骤r3，基于所述参考化合物数据对应的化合物属性数据对所述参考化合物数据对应的参考对象进行提醒。
可以理解的，在执行上述步骤r1-步骤r3所描述的内容时，有效的解决了能精准确定警示处理对应的化合物，这样在遇到对应的化合物时，能够精确的进行警示处理。
在实际操作过程中，发明人发现，所述第三构建神经网络模型包括级联的第一构建神经网络子模型、第二构建神经网络子模型及第三构建神经网络子模型；
所述提取所述第三构建神经网络模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理时，存在分析处理不准确的技术问题，从而难以根据化合物分析处理后的特征进行精确的属性分类，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果，为了改善上述技术问题，步骤S23所描述的所述第三构建神经网络模型包括级联的第一构建神经网络子模型、第二构建神经网络子模型及第三构建神经网络子模型；
所述提取所述第三构建神经网络模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理时，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果的步骤，具体可以包括以下步骤S231-步骤S233所描述的内容。
步骤S231，提取所述第三构建神经网络模型中第一构建神经网络子模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的一级化合物输入结果及所述参考化合物数据的一级化合物输入结果。
步骤S232，提取所述第三构建神经网络模型中第二构建神经网络子模型对所述目标化合物数据的一级化合物输入结果及所述参考化合物数据的一级化合物输入结果进行一级筛选，得到所述目标化合物数据的二级化合物输入结果及所述参考化合物数据的二级化合物输入结果。
步骤S233，提取所述第三构建神经网络模型中第三构建神经网络子模型对所述目标化合物数据的二级化合物输入结果及所述参考化合物数据的二级化合物输入结果进行二级筛选，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果。
可以理解的，在执行上述步骤S231-步骤S233所描述的内容时，所述第三构建神经网络模型包括级联的第一构建神经网络子模型、第二构建神经网络子模型及第三构建神经网络子模型；
所述提取所述第三构建神经网络模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理时，避免了分析处理不准确的技术问题，从而能够根据化合物分析处理后的特征进行精确的属性分类，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果。
在实际操作过程中，发明人发现，所述第四构建神经网络模型包括至少一个属性构建层、至少一个元素识别层及至少两个全连接层；
所述提取所述第四构建神经网络模型对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，并将提取的特征进行数据比较时，存在比较错误的技术问题，从而难以根据数据比较结果识别所述目标化合物数据与所述参考化合物数据确定是否匹配，为了改善上述技术问题，步骤S24所描述的所述第四构建神经网络模型包括至少一个属性构建层、至少一个元素识别层及至少两个全连接层；
所述提取所述第四构建神经网络模型对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配的步骤，具体可以包括以下步骤S241-步骤S243所描述的内容。
步骤S241，提取第四构建神经网络模型中的属性构建层分别对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，提取的特征输入所述第四构建神经网络模型中的元素识别层。
步骤S242，提取所述第四构建神经网络模型中的元素识别层对所述属性构建层提取的特征进行化合物分析处理，化合物分析处理后的特征输入所述第四构建神经网络模型中的全连接层。
步骤S243，提取所述第四构建神经网络模型中的全连接层对化合物分析处理后的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配。
可以理解的，在执行上述步骤S241-步骤S243所描述的内容时，所述第四构建神经网络模型包括至少一个属性构建层、至少一个元素识别层及至少两个全连接层；
所述提取所述第四构建神经网络模型对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，并将提取的特征进行数据比较时，避免了比较错误的技术问题，从而能够根据数据比较结果识别所述目标化合物数据与所述参考化合物数据确定是否匹配。
基于同样的发明构思，还提供了一种化合物数据库建立及检索系统，包括数据采集端和数据存储终端，所述数据采集端和所述数据存储终端通信连接，所述数据存储终端具体用于：
接数据采集端在识别目标化合物数据及参考化合物数据不匹配时发送的所述目标化合物数据及参考化合物数据；
识别所述目标化合物数据及参考化合物数据对应的储存模式，根据识别出的储存模式选择目标构建神经网络模型，所述目标构建神经网络模型至少包括第三构建神经网络模型和第四构建神经网络模型，所述第三构建神经网络模型和第四构建神经网络模型的复杂度均大于所述第一构建神经网络模型及所述第二构建神经网络模型的复杂度；
提取所述第三构建神经网络模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果；
提取所述第四构建神经网络模型对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配；
若所述目标化合物数据与所述参考化合物数据不匹配，则进行警示处理；若所述目标化合物数据与所述参考化合物数据匹配，则通过输入化学分子式进行检索特征。
基于上述同样的发明构思，请结合参阅图3，还提供了化合物数据库建立及检索装置500 的功能模块框图，关于所述化合物数据库建立及检索装置500的详细描述如下。
一种化合物数据库建立及检索装置500，应用于数据分析端，所述装置500包括：
接收模块510，用于接数据采集端在识别目标化合物数据及参考化合物数据不匹配时发送的所述目标化合物数据及参考化合物数据；
存储模块520，用于识别所述目标化合物数据及参考化合物数据对应的储存模式，根据识别出的储存模式选择目标构建神经网络模型，所述目标构建神经网络模型至少包括第三构建神经网络模型和第四构建神经网络模型，所述第三构建神经网络模型和第四构建神经网络模型的复杂度均大于所述第一构建神经网络模型及所述第二构建神经网络模型的复杂度；
特征提取模块530，用于提取所述第三构建神经网络模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果；
比较模块540，用于提取所述第四构建神经网络模型对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配；
判定模块550，用于若所述目标化合物数据与所述参考化合物数据不匹配，则进行警示处理；若所述目标化合物数据与所述参考化合物数据匹配，则通过输入化学分子式进行检索特征。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种化合物数据库建立及检索方法，其特征在于，所述方法包括：
接数据采集端在识别目标化合物数据及参考化合物数据不匹配时发送的所述目标化合物数据及参考化合物数据；
识别所述目标化合物数据及参考化合物数据对应的储存模式，根据识别出的储存模式选择目标构建神经网络模型，所述目标构建神经网络模型至少包括第三构建神经网络模型和第四构建神经网络模型，所述第三构建神经网络模型和第四构建神经网络模型的复杂度均大于所述第一构建神经网络模型及所述第二构建神经网络模型的复杂度；
提取所述第三构建神经网络模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果；
提取所述第四构建神经网络模型对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配；
若所述目标化合物数据与所述参考化合物数据不匹配，则进行警示处理；若所述目标化合物数据与所述参考化合物数据匹配，则通过输入化学分子式进行检索特征。
2.根据权利要求1所述的方法，其特征在于，所述识别所述目标化合物数据及参考化合物数据对应的储存模式，根据识别出的储存模式选择目标构建神经网络模型，包括：
提取第五构建神经网络模型识别所述目标化合物数据及参考化合物数据对应的储存模式；
根据储存模式及构建神经网络模型的映射关系表，从训练好的构建神经网络模型中选择识别出的储存模式对应的目标构建神经网络模型。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述第三化合物输入结果及所述第四化合物输入结果各自对应的结果数据存储区域修正成相同结果；
将修正后的第三化合物输入结果对应的结果数据存储区域及修正后的第四化合物输入结果对应的结果数据存储区域作为第二目标分析结果，或者，将修正后的第三化合物输入结果对应的结果数据存储区域及修正后的第四化合物输入结果对应的结果数据存储区域中指定部位点对应的区域作为第二目标分析结果。
4.根据权利要求1-3任一所述的方法，其特征在于，所述进行警示处理，包括：
获取所述目标化合物数据的特征数据；
将所述目标化合物数据的特征数据与特征数据库中的参考特征数据进行数据比较，得到所述目标化合物数据对应的化合物属性数据；
基于所述目标化合物数据对应的化合物属性数据对所述目标化合物数据对应的目标对象数据进行储存。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标化合物数据对应的化合物属性数据对所述目标化合物数据对应的目标对象数据进行储存，包括：
基于所述目标化合物数据对应的化合物属性数据提取所述目标化合物数据对应的目标对象数据所在区域的储存设备，通过所述储存设备对所述目标化合物数据对应的目标对象数据进行储存；
获取对所述目标对象数据进行储存的储存数据；
根据所述储存数据确定所述目标对象数据的所在的文件夹区域，将所述目标对象数据的所在的文件夹区域上传至相关储存设备。
6.根据权利要求4所述的方法，其特征在于，所述进行警示处理，还包括：
获取所述参考化合物数据的特征数据；
将所述参考化合物数据的特征数据与特征数据库中的参考特征数据进行数据比较，得到所述参考化合物数据对应的化合物属性数据；
基于所述参考化合物数据对应的化合物属性数据对所述参考化合物数据对应的参考对象进行提醒。
7.根据权利要求1-3任一所述的方法，其特征在于，所述第三构建神经网络模型包括级联的第一构建神经网络子模型、第二构建神经网络子模型及第三构建神经网络子模型；
所述提取所述第三构建神经网络模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果，包括：
提取所述第三构建神经网络模型中第一构建神经网络子模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的一级化合物输入结果及所述参考化合物数据的一级化合物输入结果；
提取所述第三构建神经网络模型中第二构建神经网络子模型对所述目标化合物数据的一级化合物输入结果及所述参考化合物数据的一级化合物输入结果进行一级筛选，得到所述目标化合物数据的二级化合物输入结果及所述参考化合物数据的二级化合物输入结果；
提取所述第三构建神经网络模型中第三构建神经网络子模型对所述目标化合物数据的二级化合物输入结果及所述参考化合物数据的二级化合物输入结果进行二级筛选，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果。
8.根据权利要求1-3任一所述的方法，其特征在于，所述第四构建神经网络模型包括至少一个属性构建层、至少一个元素识别层及至少两个全连接层；
所述提取所述第四构建神经网络模型对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配，包括：
提取第四构建神经网络模型中的属性构建层分别对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，提取的特征输入所述第四构建神经网络模型中的元素识别层；
提取所述第四构建神经网络模型中的元素识别层对所述属性构建层提取的特征进行化合物分析处理，化合物分析处理后的特征输入所述第四构建神经网络模型中的全连接层；
提取所述第四构建神经网络模型中的全连接层对化合物分析处理后的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配。
9.一种化合物数据库建立及检索系统，其特征在于，包括数据采集端和数据存储终端，所述数据采集端和所述数据存储终端通信连接，所述数据存储终端具体用于：
接数据采集端在识别目标化合物数据及参考化合物数据不匹配时发送的所述目标化合物数据及参考化合物数据；
识别所述目标化合物数据及参考化合物数据对应的储存模式，根据识别出的储存模式选择目标构建神经网络模型，所述目标构建神经网络模型至少包括第三构建神经网络模型和第四构建神经网络模型，所述第三构建神经网络模型和第四构建神经网络模型的复杂度均大于所述第一构建神经网络模型及所述第二构建神经网络模型的复杂度；
提取所述第三构建神经网络模型分别对所述目标化合物数据及参考化合物数据进行化合物特征提取，并对提取的化合物特征进行化合物分析处理，根据化合物分析处理后的特征进行属性分类，得到所述目标化合物数据的第三化合物输入结果及所述参考化合物数据的第四化合物输入结果；
提取所述第四构建神经网络模型对所述第三化合物输入结果及所述第四化合物输入结果各自对应的第二目标分析结果进行特征提取，并将提取的特征进行数据比较，根据数据比较结果识别所述目标化合物数据与所述参考化合物数据是否匹配；
若所述目标化合物数据与所述参考化合物数据不匹配，则进行警示处理；若所述目标化合物数据与所述参考化合物数据匹配，则通过输入化学分子式进行检索特征。
10.根据权利要求9所述的系统，其特征在于，所述数据存储终端具体用于：
提取第五构建神经网络模型识别所述目标化合物数据及参考化合物数据对应的储存模式；
根据储存模式及构建神经网络模型的映射关系表，从训练好的构建神经网络模型中选择识别出的储存模式对应的目标构建神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110154639.5A CN112965998B (zh) | 2021-02-04 | 2021-02-04 | 一种化合物数据库建立及检索方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110154639.5A CN112965998B (zh) | 2021-02-04 | 2021-02-04 | 一种化合物数据库建立及检索方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112965998A true CN112965998A (zh) | 2021-06-15 |
| CN112965998B CN112965998B (zh) | 2023-05-09 |
Family
ID=76275481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110154639.5A Active CN112965998B (zh) | 2021-02-04 | 2021-02-04 | 一种化合物数据库建立及检索方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112965998B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115662534A (zh) * | 2022-12-14 | 2023-01-31 | 药融云数字科技(成都)有限公司 | 基于图谱的化学结构确定方法、系统、存储介质及终端 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832335A (zh) * | 2017-10-10 | 2018-03-23 | 西安电子科技大学 | 一种基于上下文深度语义信息的图像检索方法 |
| CN108932336A (zh) * | 2018-07-11 | 2018-12-04 | Oppo（重庆）智能科技有限公司 | 信息推荐方法、电子终端及计算机可读存储介质消息 |
| CN110457309A (zh) * | 2019-07-01 | 2019-11-15 | 北京科技大学 | 一种用于金属材料表征参数的数据库 |
| CN110457562A (zh) * | 2019-08-15 | 2019-11-15 | 中国农业大学 | 一种基于神经网络模型的食品安全事件分类方法及装置 |
| CN111185014A (zh) * | 2019-11-07 | 2020-05-22 | 腾讯科技（深圳）有限公司 | 对象匹配方法、装置和计算机可读存储介质 |
| CN112115232A (zh) * | 2020-09-24 | 2020-12-22 | 腾讯科技（深圳）有限公司 | 一种数据纠错方法、装置及服务器 |
| CN112164391A (zh) * | 2020-10-16 | 2021-01-01 | 腾讯科技（深圳）有限公司 | 语句处理方法、装置、电子设备及存储介质 |
| CN112241493A (zh) * | 2020-10-28 | 2021-01-19 | 浙江集享电子商务有限公司 | 商品检索方法、装置、计算机设备和存储介质 |
-
2021
- 2021-02-04 CN CN202110154639.5A patent/CN112965998B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832335A (zh) * | 2017-10-10 | 2018-03-23 | 西安电子科技大学 | 一种基于上下文深度语义信息的图像检索方法 |
| CN108932336A (zh) * | 2018-07-11 | 2018-12-04 | Oppo（重庆）智能科技有限公司 | 信息推荐方法、电子终端及计算机可读存储介质消息 |
| CN110457309A (zh) * | 2019-07-01 | 2019-11-15 | 北京科技大学 | 一种用于金属材料表征参数的数据库 |
| CN110457562A (zh) * | 2019-08-15 | 2019-11-15 | 中国农业大学 | 一种基于神经网络模型的食品安全事件分类方法及装置 |
| CN111185014A (zh) * | 2019-11-07 | 2020-05-22 | 腾讯科技（深圳）有限公司 | 对象匹配方法、装置和计算机可读存储介质 |
| CN112115232A (zh) * | 2020-09-24 | 2020-12-22 | 腾讯科技（深圳）有限公司 | 一种数据纠错方法、装置及服务器 |
| CN112164391A (zh) * | 2020-10-16 | 2021-01-01 | 腾讯科技（深圳）有限公司 | 语句处理方法、装置、电子设备及存储介质 |
| CN112241493A (zh) * | 2020-10-28 | 2021-01-19 | 浙江集享电子商务有限公司 | 商品检索方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 王炯: ""基于区域评价和关系建模的图像检索研究"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
| 黄江平等: "基于自适应竞争遗传神经网络醋酸乙烯聚合率软测量建模", 《计算机测量与控制》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115662534A (zh) * | 2022-12-14 | 2023-01-31 | 药融云数字科技(成都)有限公司 | 基于图谱的化学结构确定方法、系统、存储介质及终端 |
| CN115662534B (zh) * | 2022-12-14 | 2023-04-21 | 药融云数字科技(成都)有限公司 | 基于图谱的化学结构确定方法、系统、存储介质及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112965998B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9489401B1 (en) | Methods and systems for object recognition | |
| CN110019732B (zh) | 一种智能问答方法以及相关装置 | |
| CN110377558B (zh) | 文档查询方法、装置、计算机设备和存储介质 | |
| CN104199965B (zh) | 一种语义信息检索方法 | |
| CN112035599B (zh) | 基于垂直搜索的查询方法、装置、计算机设备及存储介质 | |
| CN106708929B (zh) | 视频节目的搜索方法和装置 | |
| US11194798B2 (en) | Automatic transformation of complex tables in documents into computer understandable structured format with mapped dependencies and providing schema-less query support for searching table data | |
| US20100131485A1 (en) | Method and system for automatic construction of information organization structure for related information browsing | |
| CN110569328A (zh) | 实体链接方法、电子装置及计算机设备 | |
| CN111428494A (zh) | 专有名词的智能纠错方法、装置、设备及存储介质 | |
| CN110866018B (zh) | 一种基于标签及标识解析的汽摩行业数据录入及检索方法 | |
| CN107844493B (zh) | 一种文件关联方法及系统 | |
| CN110795942B (zh) | 基于语义识别的关键词确定方法、装置和存储介质 | |
| CN110727769A (zh) | 语料库生成方法及装置、人机交互处理方法及装置 | |
| CN106570196B (zh) | 视频节目的搜索方法和装置 | |
| CN112965998B (zh) | 一种化合物数据库建立及检索方法及系统 | |
| CN117708270A (zh) | 企业数据查询方法、装置、设备及存储介质 | |
| Wu et al. | Searching online book documents and analyzing book citations | |
| RU2393536C2 (ru) | Способ унифицированной семантической обработки информации, обеспечивающий в рамках одной формальной модели представление, контроль семантической правильности, поиск и идентификацию описаний объектов | |
| Sloan et al. | Data preparation and fuzzy matching techniques for improved statistical modeling | |
| CN114610744A (zh) | 一种数据查询方法、装置及计算机可读存储介质 | |
| KR100659370B1 (ko) | 시소러스 매칭에 의한 문서 ｄｂ 형성 방법 및 정보검색방법 | |
| CN109635075B (zh) | 一种文本内容划词标识的方法及装置 | |
| CN117931858B (zh) | 数据查询方法、装置、计算机设备和存储介质 | |
| Dobrescu et al. | Multi-modal CBIR algorithm based on Latent Semantic Indexing |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231011 Address after: 16-1 # 1601A, No. 222, Xinhua Road, Monument to the people's Liberation Street, Yuzhong District, Chongqing 400000 Patentee after: Yaorong Cloud Digital Technology (Chongqing) Co.,Ltd. Address before: No.5, 11th floor, building 9, No.399, west section of Fucheng Avenue, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan 610000 Patentee before: CHENGDU JIANSHU TECHNOLOGY Co.,Ltd. |