CN113220973B - 一种基于知识推理技术的舆情验真方法 - Google Patents
一种基于知识推理技术的舆情验真方法 Download PDFInfo
- Publication number
- CN113220973B CN113220973B CN202110598833.2A CN202110598833A CN113220973B CN 113220973 B CN113220973 B CN 113220973B CN 202110598833 A CN202110598833 A CN 202110598833A CN 113220973 B CN113220973 B CN 113220973B
- Authority
- CN
- China
- Prior art keywords
- public opinion
- knowledge
- module
- credibility
- data
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 50
- 238000005516 engineering process Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 8
- 102000003712 Complement factor B Human genes 0.000 claims description 6
- 108090000056 Complement factor B Proteins 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 3
- 239000002360 explosive Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006403 short-term memory 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于知识推理技术的舆情验真方法,包括舆情知识抽取模块、信源可信度管理模块、聚类分组模块与舆情验真模块。基于原始的非结构纯文本舆情数据,首先通过舆情知识抽取模块提取舆情知识,再通过信源可信度管理模块为每条舆情数据赋予基础可信度,随后进入聚类分组模块,对描述同一事件的舆情数据完成分组。最后进入舆情验真算法模块完成同组描述事件中的基础事实提取,错误事实甄别剔除和补充事实筛选工作,最终形成高真实性的舆情知识数据。
Description
技术领域
本发明涉及一种舆情处理方法,尤其是涉及一种基于知识推理技术的舆情验真方法。
背景技术
舆情分析是掌握较多群众关于社会中各种现象、问题所表达的信念、态度、意见和情绪等表现的重要手段。由于近年来互联网舆情数据的爆炸式增长,自媒体的蓬勃发展,互联网舆情数据呈现出多发布源、真假程度参差不齐的现象。现有地互联网舆情分析技术大多针对舆论情况进行分析,却忽略了原始舆情数据的真实性问题,导致舆情分析的数据基础较差,而传统舆情验真目前仍然依靠人工鉴别方式,面对海量舆情数据时,其处理效率难以达到实用目标。
发明内容
本发明提供了一种基于知识推理技术的舆情验真方法,解决互联网舆情数据的真实性验证问题,根据多源舆情知识与机器学习方法完成舆情数据的交叉验真与融合,其技术方案如下所述:
一种基于知识推理技术的舆情验真方法,包括舆情知识抽取模块、信源可信度管理模块、聚类分组模块与舆情验真模块,包括以下步骤:
S1:通过舆情知识抽取模块提取舆情知识;
S2:通过信源可信度管理模块为每条舆情数据赋予基础可信度;
S3:通过聚类分组模块对描述同一事件的舆情数据完成分组;
S4:通过舆情验真算法模块完成同组描述事件中的基础事实提取,错误事实甄别剔除和补充事实筛选工作,最终形成高真实性的舆情知识数据。
2、根据权利要求1所述的基于知识推理技术的舆情验真方法,其特征在于:步骤S1中,舆情知识抽取模块利用双向长短时记忆神经网络与条件随机场架构,针对纯文本数据中的实体与关系进行抽取,以完成从文本数据到三元组知识的抽取。
步骤S2中,根据舆情发布源的历史发布可信情况形成一套关于舆情发布源的可信度管理表,通过可信度管理表对舆情数据赋予可信度值,并对该可信度管理表进行周期性更新。
可信度管理表的可信度值,取值范围为[0,1],从0到1可信度逐步增高。
步骤S3中,通过文本编码算法与聚类算法,分别对舆情数据进行文本编码,以及聚类处理,对围绕同一事件的舆情数据进行分组,再利用舆情数据附带信息的“时间戳”和“地理位置”信息,对分组结果进行优化。
步骤S4中,舆情验真模块通过迭代运行舆情验真算法完成基础事实提取、错误事实甄别以及补充事实筛选的目标。
所述舆情验真算法是利用不同信源对同一事件上报时的知识重叠以及不同信源的可信度首先确定基础事实,描述统一的知识为共性知识,并认定为正确知识;然后根据提前预设的错误关系规则,迭代验证和筛选其余的知识是否是错误知识或补充知识。
所述舆情验真算法中,输入:三元组集合S={所有三元组},输出:三元组集合T={正确三元组},
包括以下步骤:
(1)S={all};
(2)提取所有重叠数大于预设参数a的spo三元组作为基础事实,T=T+spo;
(3)U=S-T,U中为待处理三元组知识;
(4)对U中所有三元组根据筛选因子计算结果进行大小排序;
(5)取U中筛选因子结果最大的一条,加入T中,使用预设错误规则检查是否存在矛盾,若不存在错误,T=T+spo;
(6)重复步骤(5),直到U为
(7)输出T。
步骤(2)中,对三元组spo设置筛选因子B,针对筛选因子B设置阈值,直接剔除小于阈值的三元组,减少算法的计算复杂度。
所述基于知识推理技术的舆情验真方法可以为舆情分析相关技术与产品提供良好的数据基础。现有技术并没有自动化系统完成舆情的验真工作,本方案提供了一套基于机器学习技术的舆情自动验真方法,可以良好的提升舆情验真工作效率。另外舆情数据往往并不是简单地可以判断为正确或错误数据,真实情况中往往是一条舆情数据既包含部分正确数据又包含部分错误数据,以便增加公众可信力,人工或现有技术只会将这类数据简单的删除,导致后续舆情分析不能有效地利用其中的正确数据,而通过本方案所提供的方法流程,由于全体数据将会组织成三元组的知识格式,最终能够综合全体舆情数据,最大程度的保留正确数据,剔除错误知识,故本方案可以为舆情分析提供更多,质量更高,更易于处理的知识数据。
附图说明
图1是所述基于知识推理技术的舆情验真方法的整体流程图;
图2是所述舆情验真子流程的示意图。
具体实施方式
本发明提供了一种基于知识推理技术的舆情验真方法,如图1所示,包括以下步骤:
S1:舆情知识抽取
通过舆情知识抽取模块提取舆情知识,利用现有深度学习技术架构BiLSTM+CRF(双向长短时记忆神经网络与条件随机场),针对纯文本数据中的实体与关系进行抽取,以完成从文本数据到三元组知识的抽取。
S2:信源可信度管理
通过信源可信度管理模块为每条舆情数据赋予基础可信度,根据舆情发布源的历史发布可信情况形成一套关于舆情发布源的可信度管理表,通过此表对舆情数据赋予可信度值,取值范围[0,1],从0到1可信度逐步增高。另外根据系统的运转对该可信度管理表进行周期性更新,保证其时效性。
S3:聚类分组
通过聚类分组模块对描述同一事件的舆情数据完成分组,基于现有的文本编码技术与聚类算法技术,(包括但不限于tf-idf文本编码技术与AP聚类算法)。经过聚类分组后,围绕同一事件的舆情数据已经基本分组完成,此时在聚类分组的基础上,再利用舆情数据常附带信息的“时间戳”和“地理位置”信息对分组结果进行优化。
S4:舆情验真
通过舆情验真算法模块完成同组描述事件中的基础事实提取,错误事实甄别剔除和补充事实筛选工作,最终形成高真实性的舆情知识数据。
舆情验真模块为本发明的核心模块,主要是舆情验真流程,主要流程如图2所示,通过迭代运行舆情验真算法完成基础事实提取、错误事实甄别以及补充事实筛选的目标。
舆情验真算法是利用不同信源对同一事件上报时的知识重叠以及不同信源的可信度首先确定基础事实,描述统一的知识为共性知识,可以认定为正确知识。然后根据提前预设的错误关系规则,迭代验证和筛选其余的知识是否是错误知识或补充知识。假设一次知识验真过程中,同一事件共有x个上报源,即x组事实,对应上报源可信度为r,在本算法中一条三元组知识spo在不同源中出现了m次,则该三元组的重叠度A的计算公式为A=m/x。另外对三元组spo设置筛选因子B,综合考虑重叠度和其对应上报源的可信度,计算公式为B=α*r+(1-α)*A。α是指超参数,用于控制A和B两个因素的占比。
所述舆情验真算法的描述如下:
输入:三元组集合S={所有三元组}
输出:三元组集合T={正确三元组}
舆情验真算法流程包括以下步骤:
(1)S={all}
(2)提取所有重叠数大于预设参数a的spo三元组作为基础事实,所述预设参数a是对应重叠度A的阈值,T=T+spo;
(3)U=S-T,U中为待处理三元组知识。
(4)对U中所有三元组根据筛选因子计算结果进行大小排序;
(5)取U中筛选因子结果最大的一条,加入T中,使用预设错误规则检查是否存在矛盾,若不存在错误,T=T+spo。
(6)重复步骤(5),直到U为
(7)输出T。
除算法标准流程外,还可以针对筛选因子B设置阈值,直接剔除小于阈值的三元组,可以减少算法的计算复杂度。
本方案经过第(1)、(2)、(3)、(4)步骤后,可以形成无歧义的高质量舆情数据,数据格式为三元组知识,完成了从非结构的纯文本数据到结构化的知识数据的舆情验真融合处理流程,最终形成面向舆情分析应用的高真实性与易用性的舆情知识数据。
本发明可以为舆情分析相关技术与产品提供良好的数据基础。现有技术并没有自动化系统完成舆情的验真工作,本方案提供了一套基于机器学习技术的舆情自动验真方法,可以良好的提升舆情验真工作效率。另外舆情数据往往并不是简单地可以判断为正确或错误数据,真实情况中往往是一条舆情数据既包含部分正确数据又包含部分错误数据,以便增加公众可信力,人工或现有技术只会将这类数据简单的删除,导致后续舆情分析不能有效地利用其中的正确数据,而通过本方案所提供的方法流程,由于全体数据将会组织成三元组的知识格式,最终能够综合全体舆情数据,最大程度的保留正确数据,剔除错误知识,故本方案可以为舆情分析提供更多,质量更高,更易于处理的知识数据。
Claims (7)
1.一种基于知识推理技术的舆情验真方法,其特征在于:包括舆情知识抽取模块、信源可信度管理模块、聚类分组模块与舆情验真模块,包括以下步骤:
S1:通过舆情知识抽取模块提取舆情知识;
S2:通过信源可信度管理模块为每条舆情数据赋予基础可信度;
S3:通过聚类分组模块对描述同一事件的舆情数据完成分组;
S4:通过舆情验真算法模块完成同组描述事件中的基础事实提取,错误事实甄别剔除和补充事实筛选工作,最终形成高真实性的舆情知识数据;
舆情验真模块通过迭代运行舆情验真算法完成基础事实提取、错误事实甄别以及补充事实筛选的目标,所述舆情验真算法中,输入:三元组集合S={所有三元组},输出:三元组集合T={正确三元组},
包括以下步骤:
(1)S={all};
(2)提取所有重叠数大于预设参数a的spo三元组作为基础事实,T=T+spo;
(3)U=S-T,U中为待处理三元组知识;
(4)对U中所有三元组根据筛选因子计算结果进行大小排序;
(5)取U中筛选因子结果最大的一条,加入T中,使用预设错误规则检查是否存在矛盾,若不存在错误,T=T+spo;
(6)重复步骤(5),直到U为
(7)输出T。
2.根据权利要求1所述的基于知识推理技术的舆情验真方法,其特征在于:步骤S1中,舆情知识抽取模块利用双向长短时记忆神经网络与条件随机场架构,针对纯文本数据中的实体与关系进行抽取,以完成从文本数据到三元组知识的抽取。
3.根据权利要求1所述的基于知识推理技术的舆情验真方法,其特征在于:步骤S2中,根据舆情发布源的历史发布可信情况形成一套关于舆情发布源的可信度管理表,通过可信度管理表对舆情数据赋予可信度值,并对该可信度管理表进行周期性更新。
4.根据权利要求3所述的基于知识推理技术的舆情验真方法,其特征在于:可信度管理表的可信度值,取值范围为[0,1],从0到1可信度逐步增高。
5.根据权利要求1所述的基于知识推理技术的舆情验真方法,其特征在于:步骤S3中,通过文本编码算法与聚类算法,分别对舆情数据进行文本编码,以及聚类处理,对围绕同一事件的舆情数据进行分组,再利用舆情数据附带信息的“时间戳”和“地理位置”信息,对分组结果进行优化。
6.根据权利要求1所述的基于知识推理技术的舆情验真方法,其特征在于:所述舆情验真算法是利用不同信源对同一事件上报时的知识重叠以及不同信源的可信度首先确定基础事实,描述统一的知识为共性知识,并认定为正确知识;然后根据提前预设的错误关系规则,迭代验证和筛选其余的知识是否是错误知识或补充知识。
7.根据权利要求1所述的基于知识推理技术的舆情验真方法,其特征在于:步骤(2)中,对三元组spo设置筛选因子B,针对筛选因子B设置阈值,直接剔除小于阈值的三元组,减少算法的计算复杂度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598833.2A CN113220973B (zh) | 2021-05-31 | 2021-05-31 | 一种基于知识推理技术的舆情验真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110598833.2A CN113220973B (zh) | 2021-05-31 | 2021-05-31 | 一种基于知识推理技术的舆情验真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113220973A CN113220973A (zh) | 2021-08-06 |
CN113220973B true CN113220973B (zh) | 2023-10-24 |
Family
ID=77081829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110598833.2A Active CN113220973B (zh) | 2021-05-31 | 2021-05-31 | 一种基于知识推理技术的舆情验真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113220973B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113871019A (zh) * | 2021-12-06 | 2021-12-31 | 江西易卫云信息技术有限公司 | 一种疾病舆情的监控方法、系统、存储介质及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3508989A2 (en) * | 2018-06-29 | 2019-07-10 | Beijing Baidu Netcom Science and Technology Co., Ltd. | Method, apparatus and electronic device for determining knowledge sample data set |
CN110866126A (zh) * | 2019-11-22 | 2020-03-06 | 福建工程学院 | 一种高校网络舆情风险评估方法 |
CN111026877A (zh) * | 2019-12-05 | 2020-04-17 | 电子科技大学广东电子信息工程研究院 | 基于概率软逻辑的知识验证模型构建与分析方法 |
CN111949800A (zh) * | 2020-07-06 | 2020-11-17 | 北京大学 | 一种开源项目知识图谱的建立方法和系统 |
CN112395425A (zh) * | 2020-10-27 | 2021-02-23 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、计算机设备以及可读存储介质 |
CN112395539A (zh) * | 2020-11-26 | 2021-02-23 | 格美安(北京)信息技术有限公司 | 一种基于自然语言处理的舆情风险监测方法及系统 |
CN112507130A (zh) * | 2020-12-10 | 2021-03-16 | 东南大学 | 一种基于多源知识图谱的三元组可信评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569335B (zh) * | 2018-03-23 | 2022-05-27 | 百度在线网络技术(北京)有限公司 | 基于人工智能的三元组校验方法、装置及存储介质 |
CN112015859B (zh) * | 2019-05-31 | 2023-08-18 | 百度在线网络技术(北京)有限公司 | 文本的知识层次抽取方法及装置、计算机设备及可读介质 |
-
2021
- 2021-05-31 CN CN202110598833.2A patent/CN113220973B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3508989A2 (en) * | 2018-06-29 | 2019-07-10 | Beijing Baidu Netcom Science and Technology Co., Ltd. | Method, apparatus and electronic device for determining knowledge sample data set |
CN110866126A (zh) * | 2019-11-22 | 2020-03-06 | 福建工程学院 | 一种高校网络舆情风险评估方法 |
CN111026877A (zh) * | 2019-12-05 | 2020-04-17 | 电子科技大学广东电子信息工程研究院 | 基于概率软逻辑的知识验证模型构建与分析方法 |
CN111949800A (zh) * | 2020-07-06 | 2020-11-17 | 北京大学 | 一种开源项目知识图谱的建立方法和系统 |
CN112395425A (zh) * | 2020-10-27 | 2021-02-23 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、计算机设备以及可读存储介质 |
CN112395539A (zh) * | 2020-11-26 | 2021-02-23 | 格美安(北京)信息技术有限公司 | 一种基于自然语言处理的舆情风险监测方法及系统 |
CN112507130A (zh) * | 2020-12-10 | 2021-03-16 | 东南大学 | 一种基于多源知识图谱的三元组可信评估方法 |
Non-Patent Citations (4)
Title |
---|
多源异构数据情境中学术知识图谱模型构建研究;李肖俊;邵必林;;现代情报(第06期);90-99 * |
多源知识融合技术研究综述;赵晓娟;贾焰;李爱平;常春喜;;云南大学学报(自然科学版)(第03期);65-79 * |
融合对抗训练的端到端知识三元组联合抽取;黄培馨;赵翔;方阳;朱慧明;肖卫东;;计算机研究与发展(第12期);20-32 * |
装备保障性验证知识图谱构建方法研究;刘晨光;李星新;于永利;孙也尊;;软件工程(第09期);8-12 * |
Also Published As
Publication number | Publication date |
---|---|
CN113220973A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428054B (zh) | 一种网络空间安全领域知识图谱的构建与存储方法 | |
US20190205771A1 (en) | Detective method and system for activity-or-behavior model construction and automatic detection of the abnormal activities or behaviors of a subject system without requiring prior domain knowledge | |
CN110674840B (zh) | 一种多方证据关联模型构建方法和证据链提取方法及装置 | |
CN111143838B (zh) | 数据库用户异常行为检测方法 | |
CN111339299B (zh) | 一种领域知识库的构建方法和装置 | |
CN104915447A (zh) | 一种热点话题追踪及关键词确定方法及装置 | |
Shah et al. | Multimodal fake news detection using a Cultural Algorithm with situational and normative knowledge | |
CN109635010B (zh) | 一种用户特征及特征因子抽取、查询方法和系统 | |
US11921697B2 (en) | Methods and systems for detecting spurious data patterns | |
CN113220973B (zh) | 一种基于知识推理技术的舆情验真方法 | |
CN115858906A (zh) | 企业搜索方法、装置、设备、计算机存储介质及程序 | |
CN106021308A (zh) | 一种面向时序大数据的查询事件识别与检测方法及系统 | |
CN109543038B (zh) | 一种应用于文本数据的情感分析方法 | |
CN111914166A (zh) | 应用于社区矫正人员的矫正策略个性化推荐系统 | |
CN110059126B (zh) | 基于lkj异常值数据的复杂关联网络分析方法及系统 | |
CN112215655B (zh) | 一种客户画像的标签管理方法及系统 | |
US20230099164A1 (en) | Systems and methods for automated data quality semantic constraint identification using rich data type inferences | |
CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
CN109063097B (zh) | 基于区块链的数据对比及共识方法 | |
CN107992590B (zh) | 一种有利于信息比对的大数据系统 | |
CN113051340A (zh) | 端到端海空活动目标数据规律实时挖掘方法 | |
CN114936615B (zh) | 一种基于表征一致性校对的小样本日志信息异常检测方法 | |
CN115277177B (zh) | 一种警务云安全数据的融合方法、系统、装置及存储介质 | |
El Hassak et al. | Safeguarding Industry 4.0: A Machine Learning Approach for Cyber-Physical Systems Security and Sustainability | |
Nancharaiah et al. | Analysis of Visual Communication Effect of Color in Print Advertising Design Based on Decision Tree Classification Algorithm |
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 |