CN113688254B - 一种航空动态信息结构化数据模型的构建方法 - Google Patents
一种航空动态信息结构化数据模型的构建方法 Download PDFInfo
- Publication number
- CN113688254B CN113688254B CN202110981697.5A CN202110981697A CN113688254B CN 113688254 B CN113688254 B CN 113688254B CN 202110981697 A CN202110981697 A CN 202110981697A CN 113688254 B CN113688254 B CN 113688254B
- Authority
- CN
- China
- Prior art keywords
- dynamic information
- aviation
- class
- aviation dynamic
- structured 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
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种航空动态信息结构化数据模型的构建方法,涉及航空大数据技术领域,包括:建立航空动态信息结构化数据模型的模型框架;对航空动态信息进行特征提取,获取航空动态信息知识;将航空动态信息知识录入航空动态信息结构化数据模型的模型框架,完成航空动态信息结构化数据模型的构建。本发明将非结构化的航空动态信息处理为了结构化的数据模型,弥补了国内完善的航空动态信息结构化数据模型建立方法的缺失,为航空大数据技术领域的航空动态信息知识图谱工程打下了坚实的基础。
Description
技术领域
本发明涉及航空大数据技术领域,具体涉及一种航空动态信息结构化数据模型的构建方法。
背景技术
航空情报为民用航空运输提供着航空数据和信息,是空中交通管理的核心支撑,而航空动态信息则是航空情报的关键信息,但巨量的数据依赖于强大的计算机数据挖掘与处理技术。随着大数据技术的兴起,知识图谱作为一种以结构化的形式描述客观世界中概念、实体及关联的技术,具有组织、管理海量信息的能力。因此,基于知识图谱的航空动态信息挖掘成为了航空大数据技术领域的一个重要的未来发展方向。
然而,知识图谱是一种针对于结构化信息的大数据技术,而原始的航空动态信息是非结构化的。因此,要建立航空动态信息的知识图谱,必先将非结构化的航空动态信息进行结构化建模。目前,我国尚未有成熟或完整的航空动态信息结构化数据模型构建方法。同时,结构化数据模型的建立依赖于准确的特征提取,本领域现有特征提取技术主要基于人工标注后构建的训练模型,误差错位大、主观性强。因此,航空动态信息结构化数据模型如何构建,是一个亟待解决的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种航空动态信息结构化数据模型的构建方法解决了当前的尚未有成熟或完整的航空动态信息结构化数据模型构建方法,且结构化数据建模以来的特征提取技术误差错位大、主观性强的问题。
为了达到上述发明目的,本发明采用的技术方案为:
一种航空动态信息结构化数据模型的构建方法,包括以下步骤:
S1、建立航空动态信息结构化数据模型的模型框架;
S2、对航空动态信息进行特征提取,获取航空动态信息知识;
S3、将航空动态信息知识录入航空动态信息结构化数据模型的模型框架,完成航空动态信息结构化数据模型的构建。
本发明的有益效果为:对航空动态信息进行特征提取,再录入事先建立的航空动态信息结构化数据模型,将非结构化的航空动态信息处理为了结构化的数据模型,弥补了国内完善的航空动态信息结构化数据模型建立方法的缺失,为航空大数据技术领域的航空动态信息知识图谱工程打下了坚实的基础。
进一步地,所述步骤S1包括以下分步骤:
S1-1、设置航空动态信息结构化数据模型为两层模型,包括:本体层和实体数据层的;
S1-2、设置本体层的结构,包括:一级本体、二级本体和三级本体;所述一级本体包括航空动态信息类;所述二级本体包括时间类、事件类和地点类;所述三级本体包括开始时间类、结束时间类、飞行情报区类和机场类;
S1-3、设定本体层中各个类之间的映射关系;
S1-4、设定实体数据层允许的实体的类别。
上述进一步方案的有益效果为:本模型是采用自上而下的方式进行模型搭建,以航空动态信息为研究对象进行本体层的构建,而本体层的结构设计则依据了航空动态信息的特有属性;通过本设计,建立了结构化明显且层次分明的模型框架,为非结构化的航空动态信息的结构化建模奠定了基础。
进一步地,所述步骤S1-3包括:设定时间类、事件类和地点类各自指向航空动态信息类的映射关系均为继承subClassof;设定时间类指向开始时间类的映射关系为开始于startOn;设定时间类指向结束时间类的映射关系为结束于endOn;设定地点类分别指向飞行情报区类和机场类的映射关系均为发生于happenedOn;设定飞行情报区类指向机场类的映射关系为包含了hasInclude,设定机场类指向飞行情报区类的映射关系为包含于includeIn。
上述进一步方案的有益效果为:航空动态信息结构化数据模型的本体层各个类之间具有不同的物理属性关系,通过能够反映出各个类之间物理联系的映射关系的设定,可准确完善航空动态信息结构化数据模型。
进一步地,所述步骤S2包括以下分步骤:
S2-1、对航空动态信息进行语义分析,得到预处理后的航空动态信息;
S2-2、对预处理后的航空动态信息进行语义消歧和实体分析,得到航空动态信息知识。
上述进一步方案的有益效果为:原始的航空动态信息是非结构化的,其间包含了大量有效的航空动态信息知识,即实体。但由于航空动态信息文本不规范、语义不清晰,在特征提取得到实体前,需要语义分析,另一方面对实体也需要分析和处理,分析处理后的实体才能作为最终的航空动态信息知识。
进一步地,所述步骤S2-1包括:通过弱监督学习,对航空动态信息进行规则编码、分词标注、词性标注和依存关系分析。
上述进一步方案的有益效果为:通过上述处理内容,大大提高了航空动态信息的可读性和机器可识别性。
进一步地,所述步骤S2-2包括以下分步骤:
S2-2-1、对预处理后的航空动态信息进行语义消歧,得到航空动态信息元数据文本;
S2-2-2、遍历航空动态信息元数据文本,提取航空动态信息元数据文本内的实体;
S2-2-3、判断实体是否符合步骤S1-4设定的实体数据层允许的实体的类别,若是,则跳转至步骤S2-2-4,若否,则跳转至步骤S2-2-5;
S2-2-4、对实体进行类别的聚类,设定事件标签和属性关系,得到处理后的实体,并跳转至步骤S2-2-6;
S2-2-5、通过人工识别实体类别,将实体进行结构化划分,设定事件标签和属性关系,得到处理后的实体,并跳转至步骤S2-2-6;
S2-2-6、储存处理后的实体,得到航空动态信息知识。
上述进一步方案的有益效果为:目前现有技术获取航空动态信息知识基本采取人工标注的方式,而本方案先对预处理后的航空动态信息进行语义消歧,语义消歧后提取出来的实体,类别清晰且属于事先建立的航空动态信息结构化数据模型所允许的实体数据层实体类别,则通过聚类算法处理,并设定事件标签和属性关系;对于疑难实体,为了不漏掉重要信息,则采用人工方式,相对于现有技术既提高处理效率,降低了人的主观性带来的误差错位,同时也保障了航空动态信息知识的准确性。
附图说明
图1为本发明实施例的一种航空动态信息结构化数据模型的构建方法流程示意图;
图2为本发明实施例构建完成的航空动态信息结构化数据模型示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,在本发明的一个实施例中,一种航空动态信息结构化数据模型的构建方法,包括以下步骤:
S1、建立航空动态信息结构化数据模型的模型框架。
本实施例的航空动态信息具体为航行通告NOTAM,航行通告NOTAM是航空领域的一种以电信形式发布有关任何航空设施、服务、程序以及危险的确立、状况和变化的情报报文,虽然航行通告NOTAM具有一定的书写规范,但整体而言仍不属于结构化数据。例如下文便是一条具体的航行通告NOTAM:
(U1888/19NOTAMN
Q)ZPKM/QMPAW/IV/M/A/000/999/3035N10357E005
A)ZUUU B)1907031559C)1911061559
E)PARKING STAND NR.508,NR.508L,NR.508R COMPLETELY
WITHDRAWN.)
这份航行通告传递主要信息为成都双流机场于2019年7月3日15时59分至2019年11月06日15时59分,航空器停机位508、508L、508R完全撤销。
其中:第一行为电报报头,包括:电报等级、收电地址、签发日时组、发点地址。其含义为:U系列2019年第1888号新航行通告;
Q)项为限定行,主要包括:飞行情报区、航行通告选择标准码(Q码)、飞行类型、签发航行通告的目的、影响范围、上限和下限、坐标和半径。如:昆明飞行情报区,航空器停机位全部撤销,对仪表飞行规则和目视飞行规则的飞行均有影响,属于其他航行通告,影响范围为机场区域,高度限制不明确,坐标为北纬30度35分,东经103度57分,半径5NM;
A)项为发生地成都双流机场;
B)项为生效时间2019年07月03日15时59分;
C)项为失效时间2019年11月06日15时59分;
E)项为航行通告正文,由文本组成,是对整个事件的具体描述;如:停机位508、508L、508R完全撤消。
由于E)项完全没有格式规范,因此航行通告NOTAM必须进行结构化数据建模,才能建立航空动态信息的知识图谱。
本发明建立的航空动态信息结构化数据模型,不是凭空而建,而是要以结构化的形式准确体现航空动态信息的全部有效内容,因此,步骤S1包括以下分步骤:
S1-1、设置航空动态信息结构化数据模型为两层模型,包括:本体层和实体数据层的。
S1-2、设置本体层的结构,包括:一级本体、二级本体和三级本体;所述一级本体包括航空动态信息类;所述二级本体包括时间类、事件类和地点类;所述三级本体包括开始时间类、结束时间类、飞行情报区类和机场类。
S1-3、设定本体层中各个类之间的映射关系。包括:设定时间类、事件类和地点类各自指向航空动态信息类的映射关系均为继承subClassof;设定时间类指向开始时间类的映射关系为开始于startOn;设定时间类指向结束时间类的映射关系为结束于endOn;设定地点类分别指向飞行情报区类和机场类的映射关系均为发生于happenedOn;设定飞行情报区类指向机场类的映射关系为包含了hasInclude,设定机场类指向飞行情报区类的映射关系为包含于includeIn。
航空动态信息结构化数据模型的本体层各个类之间具有不同的物理属性关系,通过能够反映出各个类之间物理联系的映射关系的设定,可准确完善航空动态信息结构化数据模型。
S1-4、设定实体数据层允许的实体的类别。
本模型是采用自上而下的方式进行模型搭建,以航空动态信息为研究对象进行本体层的构建,而本体层的结构设计则依据了航空动态信息的特有属性;通过本设计,建立了结构化明显且层次分明的模型框架,为非结构化的航空动态信息的结构化建模奠定了基础。
S2、对航空动态信息进行特征提取,获取航空动态信息知识。
原始的航空动态信息是非结构化的,其间包含了大量有效的航空动态信息知识,即实体。但由于航空动态信息文本不规范、语义不清晰,在特征提取得到实体前,需要语义分析,另一方面对实体也需要分析和处理,分析处理后的实体才能作为最终的航空动态信息知识,因此步骤S2包括以下分步骤:
S2-1、对航空动态信息进行语义分析,得到预处理后的航空动态信息。
具体为:通过弱监督学习,对航空动态信息进行规则编码、分词标注、词性标注和依存关系分析。通过上述处理内容,大大提高了航空动态信息的可读性和机器可识别性。
而在本实施例中,弱监督学习通过python算法集spacy库实现。
S2-2、对预处理后的航空动态信息进行语义消歧和实体分析,得到航空动态信息知识。
步骤S2-2包括以下分步骤:
S2-2-1、对预处理后的航空动态信息进行语义消歧,得到航空动态信息元数据文本;
S2-2-2、遍历航空动态信息元数据文本,提取航空动态信息元数据文本内的实体;
S2-2-3、判断实体是否符合步骤S1-4设定的实体数据层允许的实体的类别,若是,则跳转至步骤S2-2-4,若否,则跳转至步骤S2-2-5;
S2-2-4、对实体进行类别的聚类,设定事件标签和属性关系,得到处理后的实体,并跳转至步骤S2-2-6;
S2-2-5、通过人工识别实体类别,将实体进行结构化划分,设定事件标签和属性关系,得到处理后的实体,并跳转至步骤S2-2-6;
S2-2-6、储存处理后的实体,得到航空动态信息知识。
目前现有技术获取航空动态信息知识基本采取人工标注的方式,而本方案先对预处理后的航空动态信息进行语义消歧,语义消歧后提取出来的实体,类别清晰且属于事先建立的航空动态信息结构化数据模型所允许的实体数据层实体类别,则通过聚类算法处理,并设定事件标签和属性关系;对于疑难实体,为了不漏掉重要信息,则采用人工方式,相对于现有技术既提高处理效率,降低了人的主观性带来的误差错位,同时也保障了航空动态信息知识的准确性。
在本发明实施例中,由步骤S2提取得到的航空动态信息知识,也就是处理后的实体具有不同的类别,在本发明实施例中设定的实体数据层允许的实体的类别包括但不限于:生效时间、失效时间、事件、FIR和机场。对于上文提到的航行通告NOTAM,其中实体“1907031559”便属于生效时间类别,实体“1911061559”便属于失效时间类别,实体“MPAW”代表航空器停机位全部撤销,属于事件,实体“ZPKM”代表昆明飞行情报区,属于飞行情报区,实体“ZUUU”代表成都双流机场,属于机场。实体数据层的实体类别与本体层中各个类具有映射关系,是本体层中各个类的物理现实的实例。
在本发明实施例中,航行通告NOTAM也阐述了各个实体之间的事件标签和属性关系,步骤S2-2-4和步骤S2-2-5以机器学习的聚类和人工标注两种方式,整理实体的事件标签和属性关系。
在本实施例中,对于上文提到的航行通告NOTAM,整理和设定的事件标签和属性关系如下:
(1)事件类别为Q)项里的Q码的第2位和第3位,即MP,表示为停机位;
(2)事件状态为Q)项里的Q码的第4位和第5位,即AW,表示为撤销;
(3)事件内容为E)项里的涉及的主要内容,如:Q)项中的Q)表示停机位撤销,在E)中表达停机位NR.508,NR.508L,NR.508R(508、508L、508R号);
(4)经纬度为Q)项里的坐标及半径,3035N10357E005中的各部分表示:3035N10357E表示坐标,其具体如下3035表示30°35′,N表示北纬,10357表示103°57′,E表示东经;005表示半径为5海里;
(5)飞行目的为Q)项里的M,表示此份航行通告属于其他航行通告,不包括在飞行前资料公告中,但可按申请提供;
(6)飞行类型为Q)项里的IV,I表示对仪表飞行规则有影响,V表示对目视飞行规则有影响;
(7)上限/下限为Q)项里的000/999,表示影响范围上下限不明。
S3、将航空动态信息知识录入航空动态信息结构化数据模型的模型框架,完成航空动态信息结构化数据模型的构建。
在本实施例中,在执行步骤S3的录入过程时,需要匹配好本体层和实体数据层。由于实体“1907031559”属于实体数据层生效时间类别,实体“1911061559”属于实体数据层失效时间类别,实体“MPAW”属于实体数据层事件,实体“ZPKM”属于实体数据层飞行情报区,实体“ZUUU”属于实体数据层机场,且实体类别与本体层中各个类具有映射关系,因此本体层中的开始时间类与实体“1907031559”、本体层中结束时间类与实体“1911061559”、本体层中事件类与实体“MPAW”、本体层中飞行情报区类与实体“ZPKM”以及本体层中机场类与实体“ZUUU”的映射关系均为type类型。
将上文提到的航行通告NOTAM进行特征提取后录入模型框架完成的航空动态信息结构化数据模型示意图如图2所示。
综上,本发明对航空动态信息进行特征提取,再录入事先建立的航空动态信息结构化数据模型,将非结构化的航空动态信息处理为了结构化的数据模型,弥补了国内完善的航空动态信息结构化数据模型建立方法的缺失,为航空大数据技术领域的航空动态信息知识图谱工程打下了坚实的基础,其中所提供的特征提取方案也弥补了现有航空大数据领域特征提取技术主观性强和误差错位大的不足。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (4)
1.一种航空动态信息结构化数据模型的构建方法,其特征在于,包括以下步骤:
S1、建立航空动态信息结构化数据模型的模型框架;
S2、对航空动态信息进行特征提取,获取航空动态信息知识;包括以下分步骤:
S2-1、对航空动态信息进行语义分析,得到预处理后的航空动态信息;
S2-2、对预处理后的航空动态信息进行语义消歧和实体分析,得到航空动态信息知识;包括以下分步骤:
S2-2-1、对预处理后的航空动态信息进行语义消歧,得到航空动态信息元数据文本;
S2-2-2、遍历航空动态信息元数据文本,提取航空动态信息元数据文本内的实体;
S2-2-3、判断实体是否符合步骤S1-4设定的实体数据层允许的实体的类别,若是,则跳转至步骤S2-2-4,若否,则跳转至步骤S2-2-5;
S2-2-4、对实体进行类别的聚类,设定事件标签和属性关系,得到处理后的实体,并跳转至步骤S2-2-6;
S2-2-5、通过人工识别实体类别,将实体进行结构化划分,设定事件标签和属性关系,得到处理后的实体,并跳转至步骤S2-2-6;
S2-2-6、储存处理后的实体,得到航空动态信息知识;
S3、将航空动态信息知识录入航空动态信息结构化数据模型的模型框架,完成航空动态信息结构化数据模型的构建。
2.根据权利要求1所述的航空动态信息结构化数据模型的构建方法,其特征在于,步骤S1包括以下分步骤:
S1-1、设置航空动态信息结构化数据模型为两层模型,包括:本体层和实体数据层的;
S1-2、设置本体层的结构,包括:一级本体、二级本体和三级本体;所述一级本体包括航空动态信息类;所述二级本体包括时间类、事件类和地点类;所述三级本体包括开始时间类、结束时间类、飞行情报区类和机场类;
S1-3、设定本体层中各个类之间的映射关系;
S1-4、设定实体数据层允许的实体的类别。
3.根据权利要求2所述的航空动态信息结构化数据模型的构建方法,其特征在于,步骤S1-3包括:设定时间类、事件类和地点类各自指向航空动态信息类的映射关系均为继承subClassof;设定时间类指向开始时间类的映射关系为开始于startOn;设定时间类指向结束时间类的映射关系为结束于endOn;设定地点类分别指向飞行情报区类和机场类的映射关系均为发生于happenedOn;设定飞行情报区类指向机场类的映射关系为包含了hasInclude,设定机场类指向飞行情报区类的映射关系为包含于includeIn。
4.根据权利要求1所述的航空动态信息结构化数据模型的构建方法,其特征在于,步骤S2-1包括:通过弱监督学习,对航空动态信息进行规则编码、分词标注、词性标注和依存关系分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981697.5A CN113688254B (zh) | 2021-08-25 | 2021-08-25 | 一种航空动态信息结构化数据模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981697.5A CN113688254B (zh) | 2021-08-25 | 2021-08-25 | 一种航空动态信息结构化数据模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688254A CN113688254A (zh) | 2021-11-23 |
CN113688254B true CN113688254B (zh) | 2023-06-02 |
Family
ID=78582439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110981697.5A Active CN113688254B (zh) | 2021-08-25 | 2021-08-25 | 一种航空动态信息结构化数据模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688254B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821518B (zh) * | 2021-11-24 | 2022-02-25 | 中航材导航技术(北京)有限公司 | 一种航空信息结构化处理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345647A (zh) * | 2018-01-18 | 2018-07-31 | 北京邮电大学 | 基于Web的领域知识图谱构建系统及方法 |
CN110032647A (zh) * | 2019-03-12 | 2019-07-19 | 埃睿迪信息技术(北京)有限公司 | 基于工业领域构建知识图谱的方法、装置及存储介质 |
CN110516077A (zh) * | 2019-08-20 | 2019-11-29 | 北京中亦安图科技股份有限公司 | 面向企业商情的知识图谱构建方法及装置 |
CN111475653A (zh) * | 2019-12-30 | 2020-07-31 | 北京国双科技有限公司 | 油气勘探开发领域的知识图谱的构建方法及装置 |
CN111488462A (zh) * | 2020-04-02 | 2020-08-04 | 中国移动通信集团江苏有限公司 | 基于知识图谱的推荐方法、装置、设备及介质 |
CN112182241A (zh) * | 2020-09-24 | 2021-01-05 | 四川大学 | 一种空管领域知识图谱的自动化构建方法 |
-
2021
- 2021-08-25 CN CN202110981697.5A patent/CN113688254B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345647A (zh) * | 2018-01-18 | 2018-07-31 | 北京邮电大学 | 基于Web的领域知识图谱构建系统及方法 |
CN110032647A (zh) * | 2019-03-12 | 2019-07-19 | 埃睿迪信息技术(北京)有限公司 | 基于工业领域构建知识图谱的方法、装置及存储介质 |
CN110516077A (zh) * | 2019-08-20 | 2019-11-29 | 北京中亦安图科技股份有限公司 | 面向企业商情的知识图谱构建方法及装置 |
CN111475653A (zh) * | 2019-12-30 | 2020-07-31 | 北京国双科技有限公司 | 油气勘探开发领域的知识图谱的构建方法及装置 |
CN111488462A (zh) * | 2020-04-02 | 2020-08-04 | 中国移动通信集团江苏有限公司 | 基于知识图谱的推荐方法、装置、设备及介质 |
CN112182241A (zh) * | 2020-09-24 | 2021-01-05 | 四川大学 | 一种空管领域知识图谱的自动化构建方法 |
Non-Patent Citations (3)
Title |
---|
Drahom´ıra "johanka" Spoustov´a, Jan Hajiˇc, Jan Raab, Miroslav Spousta.Semi-supervised training for the averaged perceptron POS tagger.《EACL '09:In Proceedings of the 12th Conference of the European Chapter of the Association for Computational Linguistics》.2009,763-771. * |
刘峤,李杨,段宏,刘瑶,秦志光.知识图谱构建技术综述.《计算机研究与发展》.2016,第第 53 卷卷(第第 53 卷期),582-600. * |
郭振,张玉洁,苏晨,徐金安.基于字符的中文分词、词性标注和依存句法分析联合模型.《中文信息学报》.2014,第 28 卷(第 6 期),1-8+17. * |
Also Published As
Publication number | Publication date |
---|---|
CN113688254A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555568B (zh) | 一种基于社交网络信息的道路交通运行状态实时感知方法 | |
CN104318340B (zh) | 基于文本履历信息的信息可视化方法及智能可视分析系统 | |
CN108460136A (zh) | 电力运维信息知识图谱构建方法 | |
CN113191148B (zh) | 一种基于半监督学习和聚类的轨道交通实体识别方法 | |
CN112329467A (zh) | 地址识别方法、装置、电子设备以及存储介质 | |
CN111078897A (zh) | 一种生成六维知识图谱的系统 | |
CN113392986A (zh) | 一种基于大数据的公路桥梁信息抽取方法及管理养护系统 | |
CN113688254B (zh) | 一种航空动态信息结构化数据模型的构建方法 | |
CN112307772A (zh) | 一种基于语义本体的广彩瓷知识库的构建方法 | |
CN113268595A (zh) | 一种基于实体关系抽取的结构化机场警报处理方法 | |
CN116028646A (zh) | 一种基于机器学习的电网调度领域知识图谱构建方法 | |
CN105930478B (zh) | 基于要素对象空间信息指纹的空间数据变化捕获方法 | |
CN102999789A (zh) | 一种基于隐半马尔科夫模型的数字化城市安全预警方法 | |
CN107463624A (zh) | 一种基于社交媒体数据进行城市兴趣域识别的方法及系统 | |
CN102999548B (zh) | 电子地图中地名数据扩展方法及装置 | |
CN108763349B (zh) | 基于社交媒体数据的城市土地利用混合度测算方法及系统 | |
Zhu et al. | Extraction of emergency elements and business process model of urban rail transit plans | |
Chen et al. | Identification of flight accidents causative factors base on SHELLO and improved entropy gray correlation method | |
Wu et al. | A data driven approach to measure evolution trends of city information modeling | |
Liu et al. | Research paradigm of network approaches in construction safety and occupational health | |
Jing et al. | Sign Optimization Model for Rail Transit: A Big Data Approach | |
CN104346393A (zh) | 原子级数据元素模型的建模方法 | |
Krenz et al. | The Anatomy of knowledge: Quantitative and qualitative analysis of the evolution of ideas in space syntax conference articles (1997-2017) | |
Pei et al. | Construction and Application of a Knowledge Graph for Gold Deposits in the Jiapigou Gold Metallogenic Belt, Jilin Province, China | |
CN112507680B (zh) | 一种交通运行信息提取与态势预警方法及装置 |
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 |