CN112966057B - 知识图谱构建方法、系统、信息处理系统、终端及介质 - Google Patents
知识图谱构建方法、系统、信息处理系统、终端及介质 Download PDFInfo
- Publication number
- CN112966057B CN112966057B CN202110435150.5A CN202110435150A CN112966057B CN 112966057 B CN112966057 B CN 112966057B CN 202110435150 A CN202110435150 A CN 202110435150A CN 112966057 B CN112966057 B CN 112966057B
- Authority
- CN
- China
- Prior art keywords
- entity
- connection
- knowledge graph
- connection relation
- information
- 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
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
- G06F16/28—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
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种面向业务处理的知识图谱的构建方法,包括:构建知识图谱本体,所述知识图谱本体包括多层实体分层;构建每一层实体分层之间的连接关系模型;其中:每一层所述实体分层均包括一个或多个实体节点;所述连接关系模型用于表示同一实体分层内的不同实体节点之间的连接模式以及不同实体分层之间的实体节点之间的连接模式;所述连接模式包括连接关系以及连接方向。同时提供了一种财务领域的知识图谱构建方法、信息处理系统、终端及介质。本发明实现了数据处理流程的智能化和自动化。
Description
技术领域
本发明涉及智能信息处理技术领域,具体地,涉及一种知识图谱构建方法、系统、信息处理系统、终端及介质。
背景技术
知识图谱是一种结构化的语义网络的知识库,以语义网络为基础,以实体为节点,通过语义关系连接节点。通过利用数据挖掘、机器学习、自然语言处理和知识表示等技术从海量的通用或者行业领域的数据抽取计算机能够理解的结构化数据,建立知识图谱,可以准确高效地描述物理世界中的概念及其相互关系。知识图谱对于促进面向机器的知识获取、共享和创新,具有重要的应用价值。目前知识图谱已在多个领域得到了广泛和成功的应用,比如搜索领域、智能问答、医疗健康、教育、司法、安全、社交领域和保险等领域。
在例如财务处理等涉及专业法律法规以及具有精细度要求的数据处理领域,正在面临快速的变革向智能化和自动化转型。随着近期大数据、人工智能等技术的大力发展,这一类数据处理智能化和自动化取得了很大的进展。但是由于这一类数据处理领域的专业知识非常广泛和深厚,规章制度复杂,而且领域的应用对可靠性和准确性要求都非常高,大量数据处理的应用在很大程度上依然需要依赖领域专家人工处理,造成应用系统效率低下以及容易受工作人员疲劳影响等问题。知识图谱可以表示和存储机器能够理解的专业知识。构建数据处理知识图谱,可以帮助工作人员从繁重的例如财务报销、审计、稽核等任务中解放出来,在数据处理领域具有非常大的潜力。但是由于这一类的数据处理需要能够满足多变且复杂的实体与实体之间的对应关系以及非常精准的实体与实体之间的关系抽取,因此现有的平面化且实体之间关系固定的知识图谱无法满足这些需求。
经过检索发现:
公开号为CN112182250A,公开日为2021年1月5日的中国发明专利申请《勾稽关系知识图谱的构建方法、财务报表核查方法及装置》,获取多个公司的财务报表,从财务报表中提取出各公司在不同时期的科目向量,科目向量包括多个科目的数值;分别将每一个科目作为因变量,将其他科目作为自变量,以上述多个科目向量作为训练样本,训练生成每一个科目的回归模型;分别计算每个回归模型的误差,当误差小于预设的误差阈值时,将相应的回归模型作为勾稽关系公式进行存储,以生成勾稽关系知识图谱,所生成的勾稽关系知识图谱用于核查财务报表科目之间的勾稽关系。但是,该专利技术利用回归模型作为工具辅助确定用表格表示的财务报表之中的不同科目之间的算术关系,这些科目之间的算术关系能表达的关系类型非常有限,而且描述这些关系的知识图谱只能表征从业务数据中提取出来的统计知识,但是无法表示各种行业中各种法律和规章制度等包含的复杂的专业知识。而且该专利技术中知识图谱的实体之间是采用全连接的图结构,不具有本申请中建立的实体分层结构。
公开号为CN112115230A,公开日为2020年12月22日的中国发明专利申请《一种基于层次类别信息的知识图谱构建方法》,通过实体关系标注、获取关系类别信息、构建层次化类别、知识图谱层次嵌入等步骤,自动在知识图谱的关系中加入层次信息,能够极大的提高知识图谱建模的准确性,使得其能够更好的应用于知识问答,智能搜索,案例匹配等实际应用中。但是该专利技术仅对实体之间的关系进行分类来达到关系分层的目的,为对知识图谱中实体进行任何分层,对知识图谱中知识的表征和应用效果不能带来有效的提升。
综上所述,现有的涉及专业法律法规以及具有精细度要求的数据处理领域(例如财务领域),由于知识多、关系复杂,只在某些局部功能上使用自动化程序,更多依靠专家经验进行相关的数据核销、审核等工作,需要花费大量的人力物力,很难实现财务处理流程智能化和自动化。
目前没有发现同本发明类似技术的说明或报道,也尚未收集到国内外类似的资料。
发明内容
本发明针对现有技术中存在的上述不足,提供了一种面向业务处理的知识图谱构建方法及系统、财务领域的知识图谱构建方法、信息处理系统、终端及介质。
根据本发明的一个方面,提供了一种面向业务处理的知识图谱构建方法,包括:
构建知识图谱本体,所述知识图谱本体包括多层实体分层;
构建所述实体分层内和/或所述实体分层之间的连接关系模型;
其中:
每一层所述实体分层均包括一个或多个实体节点;
所述连接关系模型用于表示同一实体分层内的不同实体节点之间的连接模式以及不同实体分层之间的实体节点之间的连接模式;所述连接模式包括连接关系以及连接方向;
形成具有分层结构的面向业务处理的知识图谱。
优选地,所述构建知识图谱本体,包括:
获取用于构建知识图谱本体的实体;
将具有相同功能或属于相同业务处理流程步骤中的实体归为同一层,形成实体分层。
优选地,所述获取用于构建知识图谱本体的实体,包括如下任意一种或任意多种:
-获取业务处理流程中相关的处理对象作为实体信息;
-获取业务处理流程信息中的结构化数据作为实体信息;
-采用NLP信息提取方法,获取业务处理流程信息中的语言信息作为实体信息;
-采用表格提取方法,获取业务处理流程信息中半结构化的表格数据作为实体信息;
-通过专家系统获取业务处理流程信息中的实体信息。
优选地,所述构建所述实体分层内与所述实体分层之间的连接关系模型,包括:
根据业务处理流程信息中的信息流向或者各业务处理功能之间的数据流向,建立实体分层之间连接方向以及实体节点之间的连接方向;
采用机器学习方法,构建同一实体分层内的不同实体节点之间的连接关系,所述同一实体分层内的不同实体节点之间的连接关系为上下级关系;
构建不同实体分层之间的实体节点之间的连接关系,包括如下任意一种或任意多种方法:
-采用专家系统,建立基于设定规则的具有约束条件的实体之间的连接关系;
-采用机器学习方法,利用业务资料提取实体之间的连接关系,确定连接关系的约束条件,建立具有约束条件的实体之间的连接关系;
-采用神经网络模型,通过机器学习的方法建立连接关系,包括:
对分属相连的实体分层之间的实体节点的连接关系构建神经网络模型;
利用已有的业务资料建立网络训练样本集,对所述神经网络模型进行训练;
确定用于实体节点之间连接关系的神经网络模型参数的数值,设置实体节点之间的连接关系。
优选地,所述实体分层之间按照业务处理流程依次建立,相应地,所述实体分层之间的连接关系和连接方向依次建立。
优选地,每一个所述实体节点均包括类别和/或属性;其中,所述属性包括:主要由实体的内容以及对实体的业务需求决定的属性名和属性值。
优选地,所述同一实体分层内的不同实体节点之间的连接模式,包括:位于同一实体分层内的具有上下级关系的实体之间的连接关系以及连接方向。
优选地,每一层实体分层与其他实体分层之间的到达路径存在连接或不存在连接;所述连接包括直接连接模式和间件连接模式。
优选地,还包括如下任意一项或任意多项:
-对实体分层中的实体节点进行增加、删除或修改;相应地,所述连接关系模型所表示的连接模式自适应修改;
-对构建得到的知识图谱进行知识融合、加工、检验和/或完善;
-根据业务处理需求对知识图谱进行实体分层的增加、删除或修改;相应地,所述连接关系模型所表示的连接模式自适应修改。
优选地,所述实体节点包括:业务处理流程中所需数据主体的类别和/或属性;所述实体节点之间的连接关系包括:业务处理流程中各所需数据主体之间的数据操作类型。
根据本发明的另一个方面,提供了一种面向业务处理的知识图谱构建系统,包括:
知识图谱本体构建模块,该模块构建知识图谱本体,所述知识图谱本体包括多层实体分层;其中每一层所述实体分层均包括一个或多个实体节点;
连接关系模型构建模块,该模块构建所述实体分层内和/或所述实体分层之间的连接关系模型;所述连接关系模型用于表示同一实体分层内的不同实体节点之间的连接模式以及不同实体分层之间的实体节点之间的连接模式;所述连接模式包括连接关系以及连接方向;
知识图谱构建模块,该模块利用所述知识图谱本体和所述连接关系模型,形成具有分层结构的面向业务处理的知识图谱。
根据本发明的第三个方面,提供了一种财务领域知识图谱的构建方法,包括:
构建财务领域知识图谱本体,所述财务领域知识图谱本体包括多层实体分层;获取财务业务处理流程中所需数据主体的类别和/或属性,作为每一层所述实体分层中的一个或多个实体节点;
构建所述实体分层内和/或所述实体分层之间实体节点之间的连接关系模型,获取财务业务处理流程中不同所需数据主体之间基于财务制度的数据操作类型和数据流向,分别作为所述连接关系模型中的连接关系和连接方向;
最终形成具有分层结构的财务领域知识图谱。
根据本发明第四个方面,提供了一种基于面向业务处理的知识图谱的信息处理系统,其特征在于,包括:根据业务处理流程构建的多层数据处理模块,所述数据处理模块内和/或数据处理模块之间设有连接关系模块;
其中:
每一层所述数据处理模块均包括一个或多个业务处理流程中的实体单元;
所述连接关系模块中的连接关系模型用于表示实体单元之间的连接关系以及连接方向。
优选地,还包括:
数据更新模块,该模块用于对所述数据处理模块中的实体单元进行增加、删除或修改;相应地,所述连接关系模块中的连接关系模型所表示的实体单元之间的连接关系以及连接方向自适应修改。
根据本发明的第五个方面,提供了一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时可用于执行上述任一项所述的知识图谱构建方法。
根据本发明的第六个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行上述任一项所述的知识图谱构建方法。
由于采用了上述技术方案,本发明与现有技术相比,具有如下的有益效果:
1、本发明提供的知识图谱构建方法、系统、信息处理系统、终端及介质,基于分层实体的知识图谱结构,有效提高知识图谱的可扩展性和实用性。
2、本发明采用具有约束条件的关系模型,不仅可以表示显式的事实的知识,还能有效地表达包含在规章制度和法律条文里面的知识以及经验里面的隐性知识,提高知识图谱的应用范围。
3、本发明采用的提取关系模型的方法,可以有效地提取具有约束条件的关系,实现具有分层实体和约束条件关系模型的知识图谱的构建。
4、专家经验知识构建数据处理领域的知识图谱,积累数据处理领域知识,为实现数据核销、审核等处理流程的智能化和自动化提供坚实的基础。
5、本发明提供的知识图谱构建方法、信息处理系统、终端及介质,实现了数据处理流程的智能化和自动化。
6、本发明提供的知识图谱构建方法、信息处理系统、终端及介质,尤其可应用于涉及专业法律法规以及具有精细度要求的数据处理领域(例如财务领域)。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例提供的面向业务处理的知识图谱构建方法流程图;
图2为本发明一实施例提供的面向业务处理的知识图谱构建系统组成示意图;
图3为本发明一实施例提供的财务领域的知识图谱构建方法流程图;
图4为本发明一优选实施例提供的基于面向业务处理的知识图谱的信息处理系统组成示意图;
图5为本发明一具体应用实例中财务信息处理系统的知识图谱结构示意图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
图1为本发明一实施例提供的面向业务处理的知识图谱构建方法流程图。
如图1所示,该实施例提供的面向业务处理的知识图谱构建方法,可以包括如下步骤:
S100,构建知识图谱本体,知识图谱本体可以包括多层实体分层;
S200,构建实体分层内和/或实体分层之间的连接关系模型;
其中:
在S100中,每一层实体分层均可以包括一个或多个实体节点;
在S200,连接关系模型可以用于表示同一实体分层内的不同实体节点之间的连接模式以及不同实体分层之间的实体节点之间的连接模式;连接模式可以包括连接关系以及连接方向;
S300,形成具有分层结构的面向业务处理的知识图谱。
在该实施例的S100中,作为一优选实施例,构建知识图谱本体,可以包括如下步骤:
S101,获取用于构建知识图谱本体的实体;
S101,将具有相同功能或属于相同业务处理流程步骤中的实体归为同一层,形成实体分层。
在该实施例的S101中,作为一优选实施例,获取用于构建知识图谱本体的实体,可以包括如下任意一种或任意多种方法:
a,获取业务处理流程中相关的处理对象作为实体信息。
b,获取业务处理流程信息中的结构化数据作为实体信息。
c,采用NLP信息提取方法,获取业务处理流程信息中的语言信息作为实体信息。
d,采用表格提取方法,获取业务处理流程信息中半结构化的表格数据作为实体信息,
e,通过专家系统获取业务处理流程信息中的实体信息。
在该实施例的一具体应用实例中,方法a可以采用去歧义、实体融合等方法。在将结构化数据中得到的实体映射到知识图谱中的对应实体,需要做实体消歧处理,排除有歧义的同名的实体。实体去歧义可以采用基于概率的方法,给定<实体指称项,候选实体>对,训练分类器去判断实体指称项能否链接到不同的实体对象上,基于置信度等方法对候选的实体进行排序,将实体指称项正确链接到知识图谱中的实体。
在该实施例的一具体应用实例中,方法b可以包括如下具体过程:训练命名实体识别模型,从业务处理流程材料中识别出命名实体,对识别出来的命名实体经过处理后添加到知识图谱的实体库中。命名实体识别的模型有多种,本具体应用实例可以采取深度学习模型,联合利用预训练语言模型BERT、双向长短时记忆模型BiLSTM以及条件随机场CRF,识别命名实体。
在该实施例的一具体应用实例中,方法c可以包括如下具体过程:表格中的数据有一定的结构,但是格式不完全固定。可以采用表格内文字识别以及表格结构重建,理解表格的内容,然后结合命名实体识别的方法提取知识图谱的实体。
在该实施例的S200中,构建实体分层内与实体分层之间的连接关系模型,可以包括:
S201,根据业务处理流程信息中的信息流向或者各业务处理功能之间的数据流向,建立实体分层之间连接方向以及实体节点之间的连接方向;
S202,采用机器学习方法,构建同一实体分层内的不同实体节点之间的连接关系,同一实体分层内的不同实体节点之间的连接关系为上下级关系。
在该实施例的S202中,构建不同实体分层之间的实体节点之间的连接关系,包括如下任意一种或任意多种方法:
i,采用专家系统,建立基于设定规则的具有约束条件的实体之间的连接关系。
ii,采用机器学习方法,利用业务资料提取实体之间的连接关系,确定连接关系的约束条件,建立具有约束条件的实体之间的连接关系。
在该实施例的一具体应有实例中,方法ii所采用的机器学习方法可以采用语义理解模型,具体为:从已识别的知识图谱的实体库中构建两两配对的实体对,针对不同的实体对在业务资料里面抽取连接关系,用深度学习的表示学习技术将实体及关系的语义信息表示为低维实值向量,在低维空间中计算实体关系的语义关联,对实体对之间的连接关系进行分类,并确定关系中存在的约束条件。
在该实施例的方法ii中,约束条件是指:针对实体节点的属性设定的对属性值进行约束的条件。
iii,采用神经网络模型,通过机器学习的方法建立连接关系,可以包括:
Siii01,对分属相连的实体分层之间的实体节点的连接关系构建神经网络模型;
Siii02,利用已有的业务资料建立网络训练样本集,对神经网络模型进行训练;
Siii03,确定用于实体节点之间连接关系的神经网络模型参数的数值,设置实体节点之间的连接关系。
在该实施例中,作为一优选实施例,实体分层之间按照业务处理流程依次建立,相应地,实体分层之间的连接关系和连接方向依次建立。
在该实施例中,作为一优选实施例,每一个实体节点均包括类别和/或属性;其中,属性包括:主要由实体的内容以及对实体的业务需求决定的属性名和属性值。
在该实施例中,作为一优选实施例,同一实体分层内的不同实体节点之间的连接模式,包括:位于同一实体分层内的具有上下级关系的实体之间的连接关系以及连接方向。
在该实施例中,作为一优选实施例,每一层实体分层与其他实体分层之间的到达路径存在连接或不存在连接;该连接包括直接连接模式和间件连接模式。
在该实施例中,作为一优选实施例,还可以包括:对实体分层中的实体节点进行增加、删除或修改;相应地,连接关系模型所表示的连接模式自适应修改。
在该实施例中,连接关系模型中所表示的实体节点之间的连接关系具有条件约束,受到输入实体或相关实体的属性影响,根据输入实体或相关实体确定连接的下层实体节点,进而调整对应的连接实体节点。
在该实施例中,作为一优选实施例,还可以包括:对构建得到的知识图谱进行知识融合、加工、检验和/或完善。
在该实施例中,作为一优选实施例,还可以包括:根据业务处理需求对知识图谱进行实体分层的增加、删除或修改;相应地,所述连接关系模型所表示的连接模式自适应修改。
在该实施例中,对于新增加的规则和实体,可以添加融合到已有的知识图谱中,扩大知识图谱的规模;对于新增加的业务数据和资料,可以利用到模型训练中,提高知识图谱中实体连接关系模型的准确度。
在该实施例中,作为一优选实施例,实体节点包括:业务处理流程中所需数据主体的类别和/或属性;实体节点之间的连接关系包括:业务处理流程中各所需数据主体之间的数据操作类型。
如图2所示,为本发明一实施例提供的面向业务处理的知识图谱构建系统组成示意图。
如图2所示,该实施例提供的面向业务处理的知识图谱构建系统,可以包括:知识图谱本体构建模块、连接关系模型构建模块以及知识图谱构建模块;其中:
知识图谱本体构建模块,该模块构建知识图谱本体,知识图谱本体包括多层实体分层;其中每一层实体分层均包括一个或多个实体节点;
连接关系模型构建模块,该模块构建实体分层内和/或实体分层之间的连接关系模型;连接关系模型用于表示同一实体分层内的不同实体节点之间的连接模式以及不同实体分层之间的实体节点之间的连接模式;连接模式包括连接关系以及连接方向;
知识图谱构建模块,该模块利用知识图谱本体和连接关系模型,形成具有分层结构的面向业务处理的知识图谱。
如图3所示,为本发明一实施例提供的财务领域的知识图谱构建方法流程图。
如图3所示,该实施例提供的财务领域的知识图谱构建方法,可以包括如下步骤:
s100,构建财务领域知识图谱本体,财务领域知识图谱本体包括多层实体分层;获取财务业务处理流程中所需数据主体的类别和/或属性,作为每一层实体分层中的一个或多个实体节点;
s200,构建实体分层内和/或实体分层之间实体节点之间的连接关系模型,获取财务业务处理流程中不同所需数据主体之间基于财务制度的数据操作类型和数据流向,分别作为连接关系模型中的连接关系和连接方向;
s300,最终形成具有分层结构的财务领域知识图谱。
图4为本发明一实施例提供的基于面向业务处理的知识图谱的信息处理系统组成示意图。
如图4所示,该实施例提供的基于面向业务处理的知识图谱的信息处理系统,可以包括:根据业务处理流程构建的多层数据处理模块,数据处理模块内和/或数据处理模块之间设有连接关系模块;
其中:
每一层数据处理模块均包括一个或多个业务处理流程中的实体单元;
连接关系模块中的连接关系模型用于表示实体单元之间的连接关系以及连接方向。
如图4所示,在该实施例中,作为一优选实施例,还可以包括:
数据更新模块,该模块用于对数据处理模块中的实体单元进行增加、删除或修改;相应地,连接关系模块中的连接关系模型所表示的实体单元之间的连接关系以及连接方向自适应修改。
本发明一实施例提供了一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时可用于执行本发明上述实施例中任一项的知识图谱构建方法。
可选地,存储器,用于存储程序;存储器,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器,用于执行存储器存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构,也可以是集成在一起的集成结构。当处理器和存储器是独立结构时,存储器、处理器可以通过总线耦合连接。
本发明一实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行本发明上述实施例中任一项的知识图谱构建方法。
下面结合一具体应用实例,对本发明上述实施例提供的面向业务处理的知识图谱的构建方法的技术原理和技术方案进一步详细说明书如下。
在该具体应用实例中,以财务知识图谱的构建为实例,基于专家财务经验知识构建财务处理领域知识图谱,积累财务领域知识,为实现财务报销审核智能化提供坚实的基础。构建得到的知识图谱可应用于财务报销、稽核等财务处理的财务处理知识图谱构建方法。
在该具体应用实例中,信息来源包括:业务凭证、经济活动凭证、财务制度准则、会计准则、财务处理流程信息、财务处理规则等构成的财务知识库。
在该具体应用实例中,采用上述实施例提供的面向业务处理的知识图谱构建方法,构建得到分层的财务处理知识图谱的本体框架模型,包括分层的知识图谱结构(实体分层)、实体分层之间的连接关系模型。
确定财务处理知识图谱本体框架模型中每一实体分层内的概念模型(实体节点),包括类别和/或属性。连接关系模型包括同一财务知识图谱实体分层内的实体节点连接模式以及不同分层间的实体节点之间的连接模式。
从财务资料库和数据源抽取实体节点和实体节点之间的连接关系,建立财务处理知识的图谱表示和关系推理模型。
对财务处理知识图谱进行知识融合和/或加工,以及检验和完善。
步骤一:构建分层的财务知识图谱的本体框架模型,包括实体分层的定义以及实体分层之间的连接模式。本体框架模型的构建将利用财务知识库的相关信息,包括财务处理过程信息、财务制度信息、经济业务活动信息等。实体分层的定义是指每层的名称、所包含的实体节点的类别和范畴等;实体分层之间的连接模式是指不同实体分层之间是否存在连接关系以及连接方向。
实体分层之间的连接模式将决定两个不同实体分层之间的实体节点是否可能存在连接。如果两个实体分层之间不存在连接,则分属于这两个实体分层中的任何两个实体节点之间不存在连接。
如图5所示,包含多层实体分层,该多层实体分层的层数以及每层的名称和含义均能够进行修改。连接模式指的是层与层之间的连接,每一层与其它层之间可能存在连接(该连接包括直接连接关系与间接连接关系)。
步骤一中,根据财务处理过程和财务制度等信息抽取实体(包括实体概念和概念之间连接关系)、实体分层、实体分层之间的连接模式的方法,包括:
a)根据财务处理过程信息和财务制度信息抽取实体的方法,包括:
a.直接提取来自于财务制度信息和财务处理过程信息(财务处理流程信息)中的结构化数据;
b.通过NLP中信息提取方法从财务制度信息中和财务报销信息中构建实体。
c.通过表格提取方式获取半结构化的表格数据构建本体;也可以是专家们根据经验人工抽取实体。
b)根据财务处理过程信息和财务制度信息抽取实体分层的方法,包括:
a.根据财务处理过程信息和财务制度信息将处于相同功能模块或相同步骤的实体归为一层。
c)根据财务处理过程信息和财务制度信息抽取实体分层,包括:
a.根据财务处理过程信息和财务制度信息中的信息流向或者模块之间的数据流向等建立实体分层之间的连接模式。
i.同一实体分层间的概念没有连接关系,不同实体分层间依据信息流向依次建立联系,除非有特殊情况实体分层间不能跨层建立连接关系。
b.其中公司的财务处理过程信息,公司财务制度信息以及公司业务活动信息中的公司是一种泛指,可以是某一个公司,或多个公司的,或者某个行业内公司的相关信息。
步骤二:确定财务知识图谱中每一层实体的模型,包括属性以及连接模式。
2.1每一层内的实体的模型,是指层内的实体或者单独存在不与本层内任何其它实体有连接,或者多个实体组织成多级别的结构,构成上下级的关系。
通过构建分级的本体框架模型,可以提高财务知识图谱的可扩展性和推理的准确率。
2.2实体的连接模式包括层内连接和层间连接(包括同一财务知识图谱实体分层内的实体的连接以及不同实体分层间的实体之间的连接):
·同一多级别结构内的多个实体之间只有上下级实体之间可能有连接;不同级别内的实体与本层次内的任何其它实体都不存在连接。
·基于实体分层间的连接模式,建立不同实体分层间的实体的连接模式:该连接关系可以是多对多的。
2.3实体的属性是指属于实体的一些特征,包括属性名和属性值等,比如票据实体的属性可能包括开票单位、开票日期和金额等。如票据层包含的实体---普通发票的属性(id,日期,金额,发票代码,发票号码,发票内容,发票内容类别,…)。属性由票据内容以及业务需求等来决定。
确定实体属性的方法,包括:
-从财务资料库中信息(如财务规则、业务信息和经济活动等信息)利用机器学习的方法自动提取。
a.直接提取来自于业务活动信息中的结构化数据;
b.通过NLP中信息提取方法从业务活动描述文档自动提取;
c.通过表格识别方式提取半结构化的表格信息;
-通过专家根据经验从业务活动信息人工抽取。
步骤三:从财务资料库和数据源抽取实体、属性和实体间连接关系,建立财务处理知识的图谱表示和关系推理模型。
方法:根据财务处理过程信息和财务制度信息抽取知识图谱实体和属性的方法,包括:
a)从财务制度信息和财务处理过程信息中的结构化数据提取
b)通过NLP方法从资料库和数据源中提取实体、属性和关系。
c)通过表格提取方式获取半结构化的表格数据提取实体、属性和关系;
d)以及通过专家们根据经验人工提取实体、属性及其关系。
e)通过分类算法提取实体、属性及其关系。
实体之间的关系的提取,可以采用前述的利用神经网络技术的方法,建立实体之间关系的训练样本,训练神经网络模型,实现实体之间关系的预测。在已建立的财务知识图谱实体、属性和关系的基础上,进一步采用知识嵌入模型(比如TransE模型),将实体和关系都表示为向量,通过向量之间的计算来代替知识图谱中的图的遍历和搜索,从而预测实体-关系-实体三元组的存在,建立知识推理的规则和实现知识的推理。
步骤四:对财务知识图谱进行知识融合和/或加工,以及检验和完善。
知识融合的处理将来自多个来源的关于同一个财务知识图谱实体的描述信息融合起来。由于财务知识图谱中的知识来源比较广泛,可能存在知识质量差别、知识重复以及知识间的关联不够明确等问题,所以需要进行知识的融合和加工。知识融合和加工将使来自不同财务业务流程的知识在同一框架规范下进行数据整合、实体消歧和更新等步骤的处理。实体构建完成后,需要对比实际业务对实体进行验证,确保实体能够正确描述当前业务,并且包含了所有的业务流程,形成高质量的知识图谱。
基于面向财务业务处理的知识图谱的企业财务知识图谱构建:
步骤五:基于面向业务处理的知识图谱,根据企业的业务和财务需求,扩展面向财务业务处理的知识图谱构建企业知识图谱。
构建的原则包括:企业可以根据需求在需要的层添加分级实体。
·在业务分类层添加企业特定业务分类,企业特定业务分类是基础业务分类的下一级,但都属于业务分类层。企业特定业务可以是一级及以上的网络。
·在费用分类层添加企业特定费用分类,企业特定费用分类是基础费用分类的下一级,但都属于费用分类。企业特定费用可以是一级及以上的网络。
·在经济行为层添加企业特定经济行为分类,企业特定经济行为分类是基础经济行为的下一级,但都属于经济行为层。企业特定经济行为可以是一级及以上的网络。
上述财务处理过程信息,财务制度信息,经济业务活动信息等包括:
a)财务处理过程信息:是指与财务报销,财务审核,财务稽核,财务审计等财务活动处理相关的过程信息与相关数据,可以是来自实际的计算机自动化财务处理系统流程中的模块内容及模块之间的关系,以及相关的数据信息;也可以是专家们根据经验模拟自动化财务处理过程设计的系统模块及系统流程图及需要的相关数据信息;或者自动化财务处理步骤说明文档等相关其它信息。或者上述几种情况的任意组合等。
b)财务制度信息:是指包含发布的国家财务制度信息、行业财务制度信息,公司财务制度信息等相关财务标准信息。形式可以是财务制度相关的普通文档;或者已有的将财务制度信息描述成表格样式的半结构化的信息;或者是根据专家经验抽取出的结构化或者半结构化的信息。或者是上述3种情况的任意组合。
c)公司经济业务活动信息:是指公司实际经营中产生的与财务业务相关的各种经济活动信息,包括但不限于公司组织和管理结构信息,公司各种经济活动产生的费用报销、稽核、审计及管理,公司经济往来,资产管理,等经济业务与财务制度相关的信息等。可以是现有财务系统中保存的结构化数据;可以是半结构化的表格信息;或者是公司业务活动内容和流程描述文档。
本发明上述实施例提供的面向业务处理的知识图谱构建方法、财务领域的知识图谱构建方法、基于面向业务处理的知识图谱的信息处理系统、终端及介质,基于分层实体的知识图谱结构,有效提高知识图谱的可扩展性和实用性;采用具有约束条件的关系模型,不仅可以表示显式的事实的知识,还能有效地表达包含在规章制度和法律条文里面的知识以及经验里面的隐性知识,提高知识图谱的应用范围;采用的提取关系模型的方法,可以有效地提取具有约束条件的关系,实现具有分层实体和约束条件关系模型的知识图谱的构建;利用专家经验知识构建数据处理领域的知识图谱,积累数据处理领域知识,为实现数据核销、审核等处理流程的智能化和自动化提供坚实的基础;实现了数据处理流程的智能化和自动化;尤其可应用于涉及专业法律法规以及具有精细度要求的数据处理领域(例如财务领域)。
需要说明的是,本发明提供的方法中的步骤,可以利用系统中对应的模块、装置、单元等予以实现,本领域技术人员可以参照方法的技术方案实现系统的组成,即,方法中的实施例可理解为构建系统的优选例,在此不予赘述。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (16)
1.一种面向业务处理的知识图谱构建方法,其特征在于,包括:
构建知识图谱本体,所述知识图谱本体包括多层实体分层,将具有相同功能或属于相同业务处理流程步骤中的实体归为同一层,形成实体分层;
构建所述实体分层内和/或所述实体分层之间的连接关系模型,包括:根据业务处理流程信息中的信息流向或者各业务处理功能之间的数据流向,建立实体分层之间连接方向以及实体节点之间的连接方向;采用机器学习方法,构建同一实体分层内的不同实体节点之间的连接关系,所述同一实体分层内的不同实体节点之间的连接关系为上下级关系;
其中:
每一层所述实体分层均包括一个或多个实体节点;
所述连接关系模型用于表示同一实体分层内的不同实体节点之间的连接模式以及不同实体分层之间的实体节点之间的连接模式;所述连接模式包括连接关系以及连接方向;
形成具有分层结构的面向业务处理的知识图谱;
构建不同实体分层之间的实体节点之间的连接关系,包括如下任意一种或任意多种方法:
- 采用专家系统,建立基于设定规则的具有约束条件的实体之间的连接关系;
- 采用机器学习方法,利用业务资料提取实体之间的连接关系,确定连接关系的约束条件,建立具有约束条件的实体之间的连接关系;
- 采用神经网络模型,通过机器学习的方法建立连接关系。
2.根据权利要求1所述的面向业务处理的知识图谱构建方法,其特征在于,所述构建知识图谱本体,包括:
获取用于构建知识图谱本体的实体;
将具有相同功能或属于相同业务处理流程步骤中的实体归为同一层,形成实体分层。
3.根据权利要求2所述的面向业务处理的知识图谱构建方法,其特征在于,所述获取用于构建知识图谱本体的实体,包括如下任意一种或任意多种:
- 获取业务处理流程中相关的处理对象作为实体信息;
- 获取业务处理流程信息中的结构化数据作为实体信息;
- 采用NLP信息提取方法,获取业务处理流程信息中的语言信息作为实体信息;
- 采用表格提取方法,获取业务处理流程信息中半结构化的表格数据作为实体信息;
- 通过专家系统获取业务处理流程信息中的实体信息。
4.根据权利要求1所述的面向业务处理的知识图谱构建方法,其特征在于,所述采用神经网络模型,通过机器学习的方法建立连接关系,包括:
对分属相连的实体分层之间的实体节点的连接关系构建神经网络模型;
利用已有的业务资料建立网络训练样本集,对所述神经网络模型进行训练;
确定用于实体节点之间连接关系的神经网络模型参数的数值,设置实体节点之间的连接关系。
5.根据权利要求1所述的面向业务处理的知识图谱构建方法,其特征在于,所述实体分层之间按照业务处理流程依次建立,相应地,所述实体分层之间的连接关系和连接方向依次建立。
6.根据权利要求1所述的面向业务处理的知识图谱构建方法,其特征在于,每一个所述实体节点均包括类别和/或属性;其中,所述属性包括:主要由实体的内容以及对实体的业务需求决定的属性名和属性值。
7.根据权利要求1所述的面向业务处理的知识图谱构建方法,其特征在于,所述同一实体分层内的不同实体节点之间的连接模式,包括:位于同一实体分层内的具有上下级关系的实体之间的连接关系以及连接方向。
8.根据权利要求1所述的面向业务处理的知识图谱构建方法,其特征在于,每一层实体分层与其他实体分层之间的到达路径存在连接或不存在连接;所述连接包括直接连接模式和间件连接模式。
9.根据权利要求1所述的面向业务处理的知识图谱构建方法,其特征在于,还包括如下任意一项或任意多项:
- 对实体分层中的实体节点进行增加、删除或修改;相应地,所述连接关系模型所表示的连接模式自适应修改;
- 对构建得到的知识图谱进行知识融合、加工、检验和/或完善;
- 根据业务处理需求对知识图谱进行实体分层的增加、删除或修改;相应地,所述连接关系模型所表示的连接模式自适应修改。
10.根据权利要求1-9中任一项所述的面向业务处理的知识图谱构建方法,其特征在于,所述实体节点包括:业务处理流程中所需数据主体的类别和/或属性;所述实体节点之间的连接关系包括:业务处理流程中各所需数据主体之间的数据操作类型。
11.一种面向业务处理的知识图谱构建系统,其特征在于,包括:
知识图谱本体构建模块,该模块构建知识图谱本体,所述知识图谱本体包括多层实体分层,将具有相同功能或属于相同业务处理流程步骤中的实体归为同一层,形成实体分层;其中每一层所述实体分层均包括一个或多个实体节点;
连接关系模型构建模块,该模块构建所述实体分层内和/或所述实体分层之间的连接关系模型;所述连接关系模型用于表示同一实体分层内的不同实体节点之间的连接模式以及不同实体分层之间的实体节点之间的连接模式;所述连接模式包括连接关系以及连接方向;所述连接关系模型构建模块根据业务处理流程信息中的信息流向或者各业务处理功能之间的数据流向,建立实体分层之间连接方向以及实体节点之间的连接方向;采用机器学习方法,构建同一实体分层内的不同实体节点之间的连接关系,所述同一实体分层内的不同实体节点之间的连接关系为上下级关系;
知识图谱构建模块,该模块利用所述知识图谱本体和所述连接关系模型,形成具有分层结构的面向业务处理的知识图谱;
其中,构建不同实体分层之间的实体节点之间的连接关系,包括如下任意一种或任意多种方法:
- 采用专家系统,建立基于设定规则的具有约束条件的实体之间的连接关系;
- 采用机器学习方法,利用业务资料提取实体之间的连接关系,确定连接关系的约束条件,建立具有约束条件的实体之间的连接关系;
- 采用神经网络模型,通过机器学习的方法建立连接关系。
12.一种财务领域的知识图谱构建方法,其特征在于,包括:
构建财务领域知识图谱本体,所述财务领域知识图谱本体包括多层实体分层,将具有相同功能或属于相同业务处理流程步骤中的实体归为同一层,形成实体分层;获取财务业务处理流程中所需数据主体的类别和/或属性,作为每一层所述实体分层中的一个或多个实体节点;
构建所述实体分层内和/或所述实体分层之间实体节点之间的连接关系模型,获取财务业务处理流程中不同所需数据主体之间基于财务制度的数据操作类型和数据流向,分别作为所述连接关系模型中的连接关系和连接方向;其中,根据业务处理流程信息中的信息流向或者各业务处理功能之间的数据流向,建立实体分层之间连接方向以及实体节点之间的连接方向;采用机器学习方法,构建同一实体分层内的不同实体节点之间的连接关系,所述同一实体分层内的不同实体节点之间的连接关系为上下级关系;
最终形成具有分层结构的财务领域知识图谱;
其中,构建不同实体分层之间的实体节点之间的连接关系,包括如下任意一种或任意多种方法:
- 采用专家系统,建立基于设定规则的具有约束条件的实体之间的连接关系;
- 采用机器学习方法,利用业务资料提取实体之间的连接关系,确定连接关系的约束条件,建立具有约束条件的实体之间的连接关系;
- 采用神经网络模型,通过机器学习的方法建立连接关系。
13.一种基于面向业务处理的知识图谱的信息处理系统,其特征在于,包括:根据业务处理流程构建的多层数据处理模块,所述数据处理模块内和/或数据处理模块之间设有连接关系模块;
其中:
每一层所述数据处理模块均包括一个或多个业务处理流程中的实体单元;所述实体单元包括多层实体分层,其中,具有相同功能或属于相同业务处理流程步骤中的实体归为同一层,形成实体分层;
所述连接关系模块中的连接关系模型用于表示实体单元之间的连接关系以及连接方向,包括:根据业务处理流程信息中的信息流向或者各业务处理功能之间的数据流向,建立实体分层之间连接方向以及实体节点之间的连接方向;采用机器学习方法,构建同一实体分层内的不同实体节点之间的连接关系,所述同一实体分层内的不同实体节点之间的连接关系为上下级关系;
其中,构建不同实体分层之间的实体节点之间的连接关系,包括如下任意一种或任意多种方法:
- 采用专家系统,建立基于设定规则的具有约束条件的实体之间的连接关系;
- 采用机器学习方法,利用业务资料提取实体之间的连接关系,确定连接关系的约束条件,建立具有约束条件的实体之间的连接关系;
- 采用神经网络模型,通过机器学习的方法建立连接关系。
14.根据权利要求13所述的基于面向业务处理的知识图谱的信息处理系统,其特征在于,还包括:
数据更新模块,该模块用于对所述数据处理模块中的实体单元进行增加、删除或修改;相应地,所述连接关系模块中的连接关系模型所表示的实体单元之间的连接关系以及连接方向自适应修改。
15.一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时可用于执行权利要求1-10中任一项所述的方法。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时可用于执行权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110435150.5A CN112966057B (zh) | 2021-04-22 | 2021-04-22 | 知识图谱构建方法、系统、信息处理系统、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110435150.5A CN112966057B (zh) | 2021-04-22 | 2021-04-22 | 知识图谱构建方法、系统、信息处理系统、终端及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966057A CN112966057A (zh) | 2021-06-15 |
CN112966057B true CN112966057B (zh) | 2022-08-12 |
Family
ID=76280969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110435150.5A Active CN112966057B (zh) | 2021-04-22 | 2021-04-22 | 知识图谱构建方法、系统、信息处理系统、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966057B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610616B (zh) * | 2021-08-16 | 2023-10-13 | 傲林科技有限公司 | 一种基于事件网的财务勾稽关系分析方法和分析系统 |
CN114417835A (zh) * | 2021-12-29 | 2022-04-29 | 国网天津市电力公司 | 一种基于深度学习算法的审计知识图谱实体抽取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111930856A (zh) * | 2020-07-06 | 2020-11-13 | 北京邮电大学 | 领域知识图谱本体和数据的构建方法、装置和系统 |
CN112635071A (zh) * | 2020-12-25 | 2021-04-09 | 中国矿业大学 | 融合中西医知识的糖尿病知识图谱构建方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11693848B2 (en) * | 2018-08-07 | 2023-07-04 | Accenture Global Solutions Limited | Approaches for knowledge graph pruning based on sampling and information gain theory |
CN110569369A (zh) * | 2019-09-16 | 2019-12-13 | 神州数码融信软件有限公司 | 银行金融系统知识图谱的生成方法及装置、应用方法及装置 |
CN110765217A (zh) * | 2019-10-23 | 2020-02-07 | 上海恒企教育培训有限公司 | 一种基于多维立体空间的知识图谱编辑方法 |
CN111444351B (zh) * | 2020-03-24 | 2023-09-12 | 清华苏州环境创新研究院 | 一种行业工艺领域知识图谱构建方法及装置 |
CN111428053B (zh) * | 2020-03-30 | 2023-10-20 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法 |
-
2021
- 2021-04-22 CN CN202110435150.5A patent/CN112966057B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111930856A (zh) * | 2020-07-06 | 2020-11-13 | 北京邮电大学 | 领域知识图谱本体和数据的构建方法、装置和系统 |
CN112635071A (zh) * | 2020-12-25 | 2021-04-09 | 中国矿业大学 | 融合中西医知识的糖尿病知识图谱构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112966057A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889556B (zh) | 一种企业经营风险特征数据信息提取方法和提取系统 | |
EP3985578A1 (en) | Method and system for automatically training machine learning model | |
US20190244122A1 (en) | Explainable artificial intelligence | |
Nimmy et al. | Explainability in supply chain operational risk management: A systematic literature review | |
WO2019108603A1 (en) | Machine learning techniques for evaluating entities | |
Du et al. | Improving financial data quality using ontologies | |
CN110968701A (zh) | 用于图神经网络的关系图谱建立方法以及装置、设备 | |
CN112559766B (zh) | 一种法律知识图谱构建系统 | |
CN106067094A (zh) | 一种动态评估方法及系统 | |
CN112966057B (zh) | 知识图谱构建方法、系统、信息处理系统、终端及介质 | |
Matthews et al. | Smart data and business analytics: A theoretical framework for managing rework risks in mega-projects | |
CN114331122A (zh) | 重点人员风险等级评估方法及相关设备 | |
Sun et al. | Design of macroeconomic growth prediction algorithm based on data mining | |
Fallucchi et al. | Supporting humanitarian logistics with intelligent applications for disaster management | |
Telnov et al. | Developing a knowledge-based system for the design of innovative product creation processes for network enterprises | |
Lee et al. | Creating a digital twin of an insider threat detection enterprise using model-based systems engineering | |
Rasiman et al. | How effective is automated trace link recovery in model-driven development? | |
Mostofi et al. | Construction safety predictions with multi-head attention graph and sparse accident networks | |
CN117349437A (zh) | 基于智能ai的政府信息管理系统及其方法 | |
Yu et al. | Computational intelligent data analysis for sustainable development | |
Sokolova et al. | Evaluation of environmental impact upon human health with DeciMaS framework | |
Wang et al. | Knowledge management of web financial reporting in human-computer interactive perspective | |
He et al. | Synthesizing ontology and graph neural network to unveil the implicit rules for us bridge preservation decisions | |
Khitrova et al. | Information technology as a tool for improving banking supervision | |
Kuster | The current state and trends of artificial intelligence in project management: A bibliometric analysis |
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 |