CN113535979A - 一种矿物领域知识图谱构建方法及系统 - Google Patents

一种矿物领域知识图谱构建方法及系统 Download PDF

Info

Publication number
CN113535979A
CN113535979A CN202110794659.9A CN202110794659A CN113535979A CN 113535979 A CN113535979 A CN 113535979A CN 202110794659 A CN202110794659 A CN 202110794659A CN 113535979 A CN113535979 A CN 113535979A
Authority
CN
China
Prior art keywords
mineral
data
field
knowledge graph
data set
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.)
Pending
Application number
CN202110794659.9A
Other languages
English (en)
Inventor
季晓慧
董雨航
张悦
杨眉
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.)
China University of Geosciences Beijing
Original Assignee
China University of Geosciences Beijing
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 China University of Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN202110794659.9A priority Critical patent/CN113535979A/zh
Publication of CN113535979A publication Critical patent/CN113535979A/zh
Pending legal-status Critical Current

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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis
    • 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
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • 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
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种矿物领域知识图谱构建方法及系统，该方法包括：获取矿物相关数据，提取矿物实体和矿物实体间的关系，并构建知识图谱。本发明提供的矿物领域知识图谱构建方法及系统，其通过获取矿物领域数据，对数据应用实体识别模型和关系抽取模型获得矿物知识三元组，最后构建一个较为全面的矿物知识图谱。可以通过该知识图谱进行实体识别，实体搜索和关系搜索，提高矿物领域相关知识的检索速度。

Description

一种矿物领域知识图谱构建方法及系统
技术领域
本发明涉及数据处理技术领域，尤其涉及一种矿物领域知识图谱构建方法及系统。
背景技术
随着科学技术的发展，知识图谱的应用越来越广泛。知识图谱具有强大的数据描述能力，为智能化信息应用提供了技术基础，其可以以图形化的方式向用户呈现结构化知识。然而，目前还尚未有成熟，全面的矿物领域知识图谱应用，如此导致矿物领域相关知识的检索速度较慢，阻碍了矿物领域的知识共享，不能更加全面的研究矿物知识。
发明内容
有鉴于此，有必要提供一种矿物领域知识图谱构建方法，以提高矿物领域相关知识的检索速度。
本发明的第一方面提供一种矿物领域知识图谱构建方法，应用于电子装置中，所述方法包括：
获取矿物领域的数据，进行人工标注得到标注数据集MineralData；
利用数据集MineralData训练基于Albert-BiLSTM-CRF的实体识别模型，得到矿物领域实体识别模型MineralEntityModel；
利用数据集MineralData训练基于Albert-BiLSTM-Attention的关系抽取模型，得到矿物领域关系抽取模型MineralRelationModel；及
根据所述模型识别得到的矿物领域实体和矿物实体关系，建立矿物领域知识图谱。
优选地，步骤“获取矿物领域的数据，进行人工标注得到标注数据集MineralData”具体包括：
基于互联网资源获取国家岩矿化石标本资源库的矿物数据和公开发表的矿物相关论文摘要数据，获取到的国家岩矿化石标本资源库中的矿物数据作为结构化数据；获取得到的公开发表的矿物相关论文摘要数据则作为非结构化数据；
获取到的结构化数据，经过简单处理后可以直接存入图数据库中形成初始数据；
对获取到的矿物领域部分非结构化数据进行人工标注；及
将人工标注好的数据按照一定比例划分为训练集和测试集，形成数据集MineralData。
优选地，“对获取到的矿物领域部分非结构化数据进行人工标注”具体包括：
根据获取到的矿物领域数据抽取部分数据构建语料库；及
对所述语料库中的内容进行分词、词性标注和关系标注。
优选地，“将人工标注好的数据按照一定比例划分为训练集和测试集，形成数据集MineralData”具体包括：
对标注好的数据按照7：3的比例划分训练集和测试集；及
将标注、划分好的词性标注数据集和关系标注数据集保存下来形成数据集MineralData。
优选地，“利用数据集MineralData训练基于Albert-BiLSTM-CRF的实体识别模型，得到矿物领域实体识别模型MineralEntityModel”具体包括：
使用python编程语言，基于tensorflow框架构建Albert-BiLSTM-CRF实体识别模型；
预定义实体识别类别“矿物、矿床、技术手段、专业术语、年代、地点和UNKNOWN”作为可能的模型输出结果；
将MineralData数据集中的词性标注数据集输入到Albert-BiLSTM-CRF实体识别模型中进行训练，经过Albert网络层得到Word Embedding，然后经过BiLSTM网络层得到前后文相关的词向量最后通过CRF网络层得到带有输出限制的结果。训练初始参数batch_size为16，learn rate为0.001，dropout为0.2，epoch为100，优化器为Adam；及
将训练好的模型保存下来得到矿物领域实体识别模型MineralEntityModel。
优选地，“利用数据集MineralData训练基于Albert-BiLSTM-Attention的关系抽取模型，得到矿物领域关系抽取模型MineralRelationModel”具体包括：
使用python编程语言，基于tensorflow框架构建Albert-BiLSTM-Attention关系识别模型；
预定义关系抽取类别“提取、可作为、用于、制造、是、具有、共生、无、发现于、产于、次生矿物、形成于、包括、有、颜色、熔点、伴生、UNKNOWN”作为可能的模型输出结果
将MineralData数据集中的关系标注数据集输入到Albert-BiLSTM-Attention关系识别模型中进行训练，经过Albert网络层得到Word Embedding，然后经过BiLSTM网络层得到前后文相关的词向量最后通过Attention网络层得到全文相关的结果。训练初始参数batch_size为16，learn rate为0.001，dropout为0.2，epoch为100，优化器为Adam；及
将训练好的模型保存下来得到矿物领域关系识别模型MineralRelationModel。
优选地，“根据所述模型识别得到的矿物领域实体和矿物实体关系，建立矿物领域知识图谱”具体包括：
将获取到的数据中未经过人工标注的部分输入到ineralEntityModel中得到矿物领域的矿物实体；
将获取到的数据中未经过人工标注的部分输入到MineralRelationModel中得到矿物领域的矿物关系；及
将得到的多个矿物领域实体及实体之间的关系关系导入到预设图形数据库，并进行可视化转换得到所述矿物领域知识图谱。
优选地，所述矿物领域知识图谱用于提供矿物领域实体识别、矿物领域关联实体查询和矿物领域实体概览。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明较佳实施例提供的矿物领域知识图谱构建方法的流程图
图2是本发明较佳实施例提供的用于矿物实体识别的Albert-BiLSTM-CRF深度学习模型
图3是本发明较佳实施例提供的用于矿物关系抽取的Albert-BiLSTM-Attention深度学习模型
图4是本发明较佳实施例提供的基于矿物知识图谱的应用领域图
图5是本发明较佳实施例提供的预定义矿物命名实体识别图
图6是本发明较佳实施例提供的预定义矿物关系类别图
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种矿物领域的知识图谱构建方法，包括如下步骤：
S1获取矿物领域的数据，进行人工标注得到标注数据集MineralData；
本实施例原始数据可基于互联网资源获取国家岩矿化石标本资源库的矿物数据和公开发表的矿物相关论文摘要数据。本实施例获取到的国家岩矿化石标本资源库中的矿物数据作为结构化数据，经过简单处理后可以直接存入图数据库中形成初始数据；获取得到的公开发表的矿物相关论文摘要数据则作为非结构化数据，需要对其进行实体识别和关系抽取形成可以入库的三元组。本实施例中选用部分非结构化数据进行人工标注，进行分词、词性标注和关系标注形成标注数据集MineralData。
S2构建Albert-BiLSTM-CRF的实体识别网络，训练得到MineralEntityModel，具体网络如图2所示；
本实施例中实体识别的方式使用了深度学习算法Albert-BiLSTM-CRF实现，具体如下：
预定义实体识别类别“矿物、矿床、技术手段、专业术语、年代、地点和UNKNOW”作为可能的模型输出结果，采用MineralData中的词性标注数据集作为输入，经过Albert网络层得到Word Embedding，然后经过BiLSTM网络层得到前后文相关的词向量最后通过CRF网络层得到带有输出限制的结果。在训练过程中，训练初始参数batch_size为16，learn rate为0.001，dropout为0.2，epoch为100，优化器为Adam，将最后训练得到好的网络保存下来形成MineralEntityModel。
S3构建Albert-BiLSTM-Attention的关系抽取网络，训练得到MineralRelationModel，具体网络如图3所示；
本实施例中实体识别的方式使用了深度学习算法Albert-BiLSTM-Attention实现，具体如下：
预定义关系抽取类别“提取、可作为、用于、制造、是、具有、共生、无、发现于、产于、次生矿物、形成于、包括、有、颜色、熔点、伴生、UNKNOWN”作为可能的模型输出结果，采用MineralData中的矿物关系标注数据集作为输入，经过Albert网络层得到Word Embedding，然后经过BiLSTM网络层得到前后文相关的词向量最后通过Attention网络层得到全文相关的结果。在训练过程中，训练初始参数batch_size为16，learn rate为0.001，dropout为0.2，epoch为100，优化器为Adam，将最后训练得到好的网络保存下来形成MineralRelationModel。
S4剩余数据输入到MineralEntityModel和MineralRelationModel中进行处理，构建知识图谱；
将未被人工标注的数据输入到MineralEntityModel中提取实体，将提取到的实体和原始数据一起输入到MineralRelationModel中提取矿物实体间的关系，最后将实体和关系三元组存储到图数据库中。
为了提高知识图谱构建的准确性，本实施例在矿物知识图谱构成完成后，可通过对构建的知识图谱中矿物之间的相互关系进行回测、抽样，并进行人工核检以对构建的知识图谱进行优化。
上面主要描述了一种矿物知识图谱构建方法，下面将对一种矿物知识图谱系统的应用进行详细描述。
图4是除了本发明实施例提供的矿物知识图谱的应用示例。如图4所示，主要包括：
矿物实体识别10。用户输入待实体识别的矿物语料文本，提交后，系统就会在后台调用实体识别的模型对所输入的语料文本进行实体识别，并输出识别出的实体。
矿物实体搜索20。用户输入待搜索的矿物实体，提交后，系统就会在后台数据库中进行关键词检索，如果数据库中存在该关键词对应的实体，就将关键词的图谱显示到前端页面中，否则输出“暂无此实体”。
矿物关系搜索30。用户输入待搜索的两个实体，提交后，系统就会在后台数据库中进行关键词检索，如果数据库中存在搜索的两个实体，且它们之间存在关系，就将关键词的图谱显示到前端页面中，否则输出“二者暂无关系”。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种矿物领域知识图谱构建方法及系统，其特征在于，所述方法包括：
获取矿物领域的数据，进行人工标注得到标注数据集MineralData；
利用数据集MineralData训练基于Albert-BiLSTM-CRF的实体识别模型，得到矿物领域实体识别模型MineralEntityModel；
利用数据集MineralData训练基于Albert-BiLSTM-Attention的关系抽取模型，得到矿物领域关系抽取模型MineralRelationModel；及
根据所述模型识别得到的矿物领域实体和矿物实体关系，建立矿物领域知识图谱。
2.根据权利要求1所述的矿物领域知识图谱构建方法及系统，其特征在于，步骤“获取矿物领域的数据，进行人工标注得到标注数据集MineralData”具体包括：
基于互联网资源获取国家岩矿化石标本资源库的矿物数据和公开发表的矿物相关论文摘要数据；
对获取到的矿物领域部分数据进行人工标注；及
将人工标注好的数据按照一定比例划分为训练集和测试集，形成数据集MineralData。
3.根据权利要求2所述的矿物领域知识图谱构建方法，其特征在于，步骤“对获取到的矿物领域部分数据进行人工标注”具体包括：
根据获取到的矿物领域数据抽取部分数据构建语料库；及
对所述语料库中的内容进行分词、词性标注和关系标注。
4.根据权利要求2所述的矿物领域知识图谱构建方法，其特征在于，步骤“将人工标注好的数据按照一定比例划分为训练集和测试集，形成数据集MineralData”具体包括：
对标注好的数据按照7：3的比例划分训练集和测试集；及
将标注、划分好的词性标注数据集和关系标注数据集保存下来形成数据集MineralData。
5.根据权利要求1所述的矿物领域知识图谱构建方法，其特征在于，步骤“利用数据集MineralData训练基于Albert-BiLSTM-CRF的实体识别模型，得到矿物领域实体识别模型MineralEntityModel”具体包括：
使用python编程语言，基于tensorflow框架构建Albert-BiLSTM-CRF实体识别模型；
将MineralData数据集中的词性标注数据集输入到Albert-BiLSTM-CRF实体识别模型中进行训练，训练初始参数batch_size为16，learn rate为0.001，dropout为0.2，epoch为100，优化器为Adam；及
将训练好的模型保存下来得到矿物领域实体识别模型MineralEntityModel。
6.根据权利要求1所述的矿物领域知识图谱构建方法，其特征在于，步骤“利用数据集MineralData训练基于Albert-BiLSTM-Attention的关系抽取模型，得到矿物领域关系抽取模型MineralRelationModel”具体包括：
使用python编程语言，基于tensorflow框架构建Albert-BiLSTM-Attention关系识别模型；
将MineralData数据集中的关系标注数据集输入到Albert-BiLSTM-Attention关系识别模型中进行训练，训练初始参数batch_size为16，learn rate为0.001，dropout为0.2，epoch为100，优化器为Adam；及
将训练好的模型保存下来得到矿物领域关系识别模型MineralRelationModel。
7.根据权利要求1所述的矿物领域知识图谱构建方法，其特征在于，步骤“根据所述模型识别得到的矿物领域实体和矿物实体关系，建立矿物领域知识图谱”具体包括：
将获取到的数据中未经过人工标注的部分输入到MineralEntityModel中得到矿物领域的矿物实体；
将获取到的数据中未经过人工标注的部分输入到MineralRelationModel中得到矿物领域的矿物关系；及
将得到的多个矿物领域实体及实体之间的关系关系导入到预设图形数据库，并进行可视化转换得到所述矿物领域知识图谱。
8.如权利要求1所述的矿物领域知识图谱构建方法，其特征在于：所述矿物领域知识图谱用于提供矿物领域实体识别、矿物领域关联实体查询和矿物领域实体概览。
CN202110794659.9A 2021-07-14 2021-07-14 一种矿物领域知识图谱构建方法及系统 Pending CN113535979A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110794659.9A CN113535979A (zh) 2021-07-14 2021-07-14 一种矿物领域知识图谱构建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110794659.9A CN113535979A (zh) 2021-07-14 2021-07-14 一种矿物领域知识图谱构建方法及系统

Publications (1)

Publication Number Publication Date
CN113535979A true CN113535979A (zh) 2021-10-22

Family

ID=78127945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110794659.9A Pending CN113535979A (zh) 2021-07-14 2021-07-14 一种矿物领域知识图谱构建方法及系统

Country Status (1)

Country Link
CN (1) CN113535979A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597350A (zh) * 2020-04-30 2020-08-28 西安理工大学 基于深度学习的轨道交通事件知识图谱构建方法
CN111813950A (zh) * 2020-05-20 2020-10-23 淮阴工学院 一种基于神经网络自适应寻优调参的建筑领域知识图谱构建方法
CN111834014A (zh) * 2020-07-17 2020-10-27 北京工业大学 一种医疗领域命名实体识别方法及系统
CN112101009A (zh) * 2020-09-23 2020-12-18 中国农业大学 一种基于知识图谱的红楼梦人物关系框架相似度评判方法
CN112417161A (zh) * 2020-11-12 2021-02-26 福建亿榕信息技术有限公司 一种基于模式扩充及bert分类的知识图谱上下位关系识别的方法和存储设备
CN112650840A (zh) * 2020-12-04 2021-04-13 天津泰凡科技有限公司 一种基于知识图谱推理的医疗智能问答处理方法及系统
CN112966510A (zh) * 2021-02-05 2021-06-15 武汉工程大学 一种基于albert的武器装备实体抽取方法、系统及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597350A (zh) * 2020-04-30 2020-08-28 西安理工大学 基于深度学习的轨道交通事件知识图谱构建方法
CN111813950A (zh) * 2020-05-20 2020-10-23 淮阴工学院 一种基于神经网络自适应寻优调参的建筑领域知识图谱构建方法
CN111834014A (zh) * 2020-07-17 2020-10-27 北京工业大学 一种医疗领域命名实体识别方法及系统
CN112101009A (zh) * 2020-09-23 2020-12-18 中国农业大学 一种基于知识图谱的红楼梦人物关系框架相似度评判方法
CN112417161A (zh) * 2020-11-12 2021-02-26 福建亿榕信息技术有限公司 一种基于模式扩充及bert分类的知识图谱上下位关系识别的方法和存储设备
CN112650840A (zh) * 2020-12-04 2021-04-13 天津泰凡科技有限公司 一种基于知识图谱推理的医疗智能问答处理方法及系统
CN112966510A (zh) * 2021-02-05 2021-06-15 武汉工程大学 一种基于albert的武器装备实体抽取方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN110765257B (zh) 一种知识图谱驱动型的法律智能咨询系统
CN109255031B (zh) 基于知识图谱的数据处理方法
CN110046260B (zh) 一种基于知识图谱的暗网话题发现方法和系统
CN106649260B (zh) 基于评论文本挖掘的产品特征结构树构建方法
CN107315738B (zh) 一种文本信息的创新度评估方法
CN107180045B (zh) 一种互联网文本蕴含地理实体关系的抽取方法
CN110990590A (zh) 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
KR101713831B1 (ko) 문서추천장치 및 방법
CN110968699A (zh) 一种基于事理推荐的逻辑图谱构建及预警方法和装置
CN106708929B (zh) 视频节目的搜索方法和装置
CN111858940B (zh) 一种基于多头注意力的法律案例相似度计算方法及系统
CN111813950A (zh) 一种基于神经网络自适应寻优调参的建筑领域知识图谱构建方法
CN112559684A (zh) 一种关键词提取及信息检索方法
CN110795932B (zh) 基于地质本体的地质报告文本信息提取方法
CN109522396B (zh) 一种面向国防科技领域的知识处理方法及系统
CN115080694A (zh) 一种基于知识图谱的电力行业信息分析方法及设备
WO2017193472A1 (zh) 一种东巴经典古籍数字化释读库的建立方法
CN113934909A (zh) 基于预训练语言结合深度学习模型的金融事件抽取方法
CN106570196B (zh) 视频节目的搜索方法和装置
Ribeiro et al. Discovering IMRaD structure with different classifiers
CN110008473B (zh) 一种基于迭代方法的医疗文本命名实体识别标注方法
CN111709236A (zh) 一种基于案件相似度匹配的审判风险预警方法
CN111241299A (zh) 一种法律咨询的知识图谱自动构建方法及其检索系统
CN110362828B (zh) 网络资讯风险识别方法及系统
CN116431746A (zh) 基于编码库的地址映射方法、装置、电子设备及存储介质

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211022

WD01 Invention patent application deemed withdrawn after publication