CN113836940A - 电力计量领域的知识融合方法、装置和计算机设备 - Google Patents
电力计量领域的知识融合方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113836940A CN113836940A CN202111128740.XA CN202111128740A CN113836940A CN 113836940 A CN113836940 A CN 113836940A CN 202111128740 A CN202111128740 A CN 202111128740A CN 113836940 A CN113836940 A CN 113836940A
- Authority
- CN
- China
- Prior art keywords
- text
- electric power
- field
- power metering
- metering field
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000007499 fusion processing Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000005611 electricity Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- 239000012491 analyte Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种电力计量领域的知识融合方法、装置、计算机设备和存储介质。所述方法包括：获取初始电力计量领域文本对；基于预先训练的文本匹配模型，对初始电力计量领域文本对中的文本进行匹配，获得匹配结果；当匹配结果为匹配时，对初始电力计量领域文本对中的文本进行融合处理，获得融合电力计量领域文本；文本匹配模型的训练过程为：获取电力计量领域样本数据集，电力计量领域样本数据集包括：样本电力计量领域文本对；对样本电力计量领域文本对中的文本进行语义提取处理，确定电力计量领域样本数据集的语义信息；基于语义提取处理后的电力计量领域样本数据集，对神经网络模型进行训练，获得文本匹配模型。采用本方法能够提高知识融合精度。
Description
技术领域
本申请涉及电力系统技术领域，特别是涉及一种电力计量领域的知识融合方法、装置、计算机设备和存储介质。
背景技术
随着电力系统技术的发展，电力领域知识体系愈发呈现出开放式、扁平化、边界模糊化的发展趋势，进一步加剧了电力计量系统智能认知的复杂性，通过构建电力计量领域知识图谱，可以为电力计量系统提供知识工程的系统支持。
在电力计量领域知识图谱构建过程中，电力数据来源广、体量大，涉及的知识多样化显著，知识往往来源于多个不同的数据源，数据源之间存在结构、内容上的差异，现有技术中多通过基于知识结构进行知识融合，如基于结构相似性和同义词语义匹配进行本体对齐，然而此种方式匹配效果不明显，误差较大。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高知识融合精度的电力计量领域的知识融合方法、装置、计算机设备和存储介质。
一种电力计量领域的知识融合方法，所述方法包括：
获取初始电力计量领域文本对，所述初始电力计量领域文本对包括电力计量领域目标文本和电力计量领域源文本；
基于预先训练的文本匹配模型，对所述电力计量领域目标文本和电力计量领域源文本进行匹配；
当确定匹配成功时，对所述电力计量领域目标文本和电力计量领域源文本进行融合处理，获得融合电力计量领域文本；
所述文本匹配模型的训练过程，包括：
获取电力计量领域样本数据集，所述电力计量领域样本数据集包括：样本电力计量领域文本对，所述样本电力计量领域文本对包括样本电力计量领域目标文本和样本电力计量领域源文本；
分别对所述样本电力计量领域目标文本和样本电力计量领域源文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息；
基于语义提取处理后的电力计量领域样本数据集，对神经网络模型进行训练，获得所述文本匹配模型。
在其中一个实施例中，所述分别对所述样本电力计量领域目标文本和样本电力计量领域源文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息，包括：
将所述样本电力计量领域目标文本和所述样本电力计量领域源文本转换为词序列格式，获得词序列电力计量领域目标文本和词序列电力计量领域源文本；
分别在所述词序列电力计量领域目标文本和词序列电力计量领域源文本中添加位置信息后，对所述词序列电力计量领域目标文本和词序列电力计量领域源文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息。
在其中一个实施例中，所述对所述词序列电力计量领域目标文本和词序列电力计量领域源文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息，包括：
对所述词序列电力计量领域目标文本和词序列电力计量领域源文本进行编码处理，获得编码结果，所述编码结果包括词序列电力计量领域目标文本编码结果和词序列电力计量领域源文本编码结果；
对所述编码结果进行语义提取处理，确定所述电力计量领域样本数据集的语义信息。
在其中一个实施例中，所述对所述编码结果进行语义提取处理，确定所述电力计量领域样本数据集的语义信息，包括：
分别对所述词序列电力计量领域目标文本编码结果和词序列电力计量领域源文本编码结果进行划分处理，获得划分处理结果，所述划分处理包括核心词划分处理、词上文处理和词下文处理；
对所述划分处理结果进行解码，确定所述电力计量领域样本数据集的语义信息。
在其中一个实施例中，所述基于语义提取处理后的电力计量领域样本数据集，对神经网络模型进行训练，获得所述文本匹配模型，包括：
将所述样本电力计量领域目标文本、所述样本电力计量领域源文本、所述语义电力计量领域目标文本和所述语义电力计量领域源文本，分别输入至所述神经网络模型的识别层和解析层；
基于所述识别层、所述解析层中的样本电力计量领域目标文本、所述样本电力计量领域源文本、所述语义电力计量领域目标文本和所述语义电力计量领域源文本，对神经网络模型进行训练，获得所述文本匹配模型。
在其中一个实施例中，所述基于所述识别层、所述解析层中的样本电力计量领域目标文本、所述样本电力计量领域源文本、所述语义电力计量领域目标文本和所述语义电力计量领域源文本，对神经网络模型进行训练，获得所述文本匹配模型，包括：
确定所述识别层、所述解析层中的样本电力计量领域目标文本、所述样本电力计量领域源文本、所述语义电力计量领域目标文本和所述语义电力计量领域源文本中的相似文本；
基于所述相似文本，对所述神经网络模型进行训练，获得所述文本匹配模型。
在其中一个实施例中，所述当确定匹配成功时，对所述电力计量领域目标文本和电力计量领域源文本进行融合处理，获得融合电力计量领域文本，包括：
当确定匹配成功时，根据预先设定的实体命名规则，对所述电力计量领域目标文本和电力计量领域源文本进行融合处理，获得融合电力计量领域文本。
一种电力计量领域的知识融合装置，所述装置包括：
初始电力计量领域文本对获取模块，用于获取初始电力计量领域文本对，所述初始电力计量领域文本对包括电力计量领域目标文本和电力计量领域源文本；
文本匹配模块，用于基于预先训练的文本匹配模型，对所述电力计量领域目标文本和电力计量领域源文本进行匹配；
文本融合模块，用于当确定匹配成功时，对所述电力计量领域目标文本和电力计量领域源文本进行融合处理，获得融合电力计量领域文本；
文本匹配模型的训练模块，用于获取电力计量领域样本数据集，所述电力计量领域样本数据集包括：样本电力计量领域文本对，所述样本电力计量领域文本对包括样本电力计量领域目标文本和样本电力计量领域源文本；分别对所述样本电力计量领域目标文本和样本电力计量领域源文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息；基于语义提取处理后的电力计量领域样本数据集，对神经网络模型进行训练，获得所述文本匹配模型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述电力计量领域的知识融合方法、装置、计算机设备和存储介质，通过获取初始电力计量领域文本对，从而可以基于预先训练的文本匹配模型，对初始电力计量领域文本对中的文本进行匹配，获得匹配结果，当匹配结果为匹配时，可以对初始电力计量领域文本对中的文本进行融合处理，获得融合电力计量领域文本，其中，文本匹配模型的训练过程，包括：获取电力计量领域样本数据集电力计量领域样本数据集包括：样本电力计量领域文本对；分别对样本电力计量领域文本对中的文本进行语义提取处理，确定电力计量领域样本数据集的语义信息；基于语义提取处理后的电力计量领域样本数据集，对神经网络模型进行训练，获得文本匹配模型。从而通过上述方法可以提高知识融合的精度。
附图说明
图1为一个实施例中电力计量领域的知识融合方法的应用环境图；
图2为一个实施例中电力计量领域的知识融合方法的流程示意图；
图3为一个实施例中电力计量领域的知识融合方法的流程示意图；
图4为一个实施例中电力计量领域的知识融合方法的流程示意图；
图5为一个实施例中电力计量领域的知识融合装置的结构框图；
图6为一个实施例中计算机设备的内部结构图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的电力计量领域的知识融合方法，本申请提供的电力计量领域的知识融合方法，可以应用于如图1所示的应用环境中，该应用环境可以仅涉及终端102，也可以仅涉及服务器104，也可以同时涉及终端102和服务器104的系统，其中，终端102通过网络与服务器104进行通信。具体的，终端102或者服务器104完成一种电力计量领域的知识融合方法，该方法包括获取初始电力计量领域文本对，所述初始电力计量领域文本对包括电力计量领域目标文本和电力计量领域源文本；终端102采用预先训练的文本匹配模型对所述电力计量领域目标文本和电力计量领域源文本进行匹配；当确定匹配成功时，对所述电力计量领域目标文本和电力计量领域源文本进行融合处理，获得融合电力计量领域文本。
其中，在终端102完成该电力计量领域的知识融合方法时，终端102可以直接获取存储的初始电力计量领域文本对，也可以从服务器104或者其他数据库或者服务器获得初始电力计量领域文本对。预先训练的文本匹配模型，可以由终端102训练获得，也可以是服务器104训练获得文本匹配模型后，终端102从服务器104获得该文本匹配模型。也可以是第三方设备训练获得该文本匹配模型后，服务器104从第三方设备获得该文本匹配模型。
其中，在服务器104完成该电力计量领域的知识融合方法时，服务器104可以从终端102或者其他数据库或者其他服务器获得初始电力计量领域文本对。预先训练的文本匹配模型，可以是服务器104自行训练获得，也可以是终端102训练获得该文本匹配模型后，服务器104从终端102获得该文本匹配模型。也可以是第三方设备训练获得该文本匹配模型后，服务器104从第三方设备获得该文本匹配模型。
其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种电力计量领域的知识融合方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S202，获取初始电力计量领域文本对。
在其中一个实施例中，初始电力计量领域文本对是从电力计量领域数据中得到的，电力计量领域数据是指包含电力计量相关知识的文本数据，其中，电力计量领域数据可以来源于多个不同的数据源，例如，可以通过爬虫系统从知网等文献检索平台、电力计量相关文献、百度百科资料等获得电力计量领域数据。
在其中一个实施例中，电力计量领域数据文本对包括电力计量领域目标文本和电力计量领域源文本，电力计量领域目标文本和电力计量领域源文本由电力计量领域数据中，两个相似实体所在的两个文本组成。
步骤S204，基于预先训练的文本匹配模型，对所述初始电力计量领域文本对中的文本进行匹配，获得匹配结果。
在其中一个实施例中，文本匹配模型是预先训练好的，在使用时，通过将电力计量领域文本对中的文本输入预先训练的文本匹配模型，基于文本匹配模型对电力计量领域文本对中的文本进行匹配，可以确定电力计量领域文本对中的文本是否匹配，获得匹配结果。
步骤S206，当所述匹配结果为匹配时，对所述初始电力计量领域文本对中的文本进行融合处理，获得融合电力计量领域文本。
在其中一个实施例中，当根据匹配结果确定初始电力计量领域文本对中的文本为匹配时，则表示电力计量领域文本对中的文本为相似文本，则可以对电力计量领域文本对中的文本进行融合处理，获得融合电力计量领域文本。
在其中一个实施例中，如图3所示，提供了一种电力计量领域的知识融合方法中的文本匹配模型的训练过程，以该训练过程应用于训练得到文本匹配模型的终端102和/或服务器104为例进行说明，包括以下步骤：
步骤S302，获取电力计量领域样本数据集，所述电力计量领域样本数据集包括：样本电力计量领域文本对。
在其中一个实施例中，样本电力计量领域文本对是指来源于知网等文献检索平台、电力计量相关文献、百度百科资料等获得电力计量领域数据，通过样本电力计量领域文本对，可以组成电力计量领域样本数据集。
步骤S304，分别对所述样本电力计量领域文本对中的文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息。
在其中一个实施例中，语义提取处理是指对样本电力计量领域文本集中的文本进行处理后，得到的样本电力计量领域文本集中文本的语义信息。
步骤S306，基于语义提取处理后的电力计量领域样本数据集，对神经网络模型进行训练，获得所述文本匹配模型。
在其中一个实施例中，可以基于语义提取处理后的电力计量领域样本数据集，对神经网络模型进行训练，获得文本匹配模型。
在其中一个实施例中，使用到的神经网络模型可以为包括编码器以及解码器的神经网络模型，例如，可以为自编码神经网络模型，自编码神经网络模型的结构包括：输入层、编码层、解码层以及输出层，其中，编码层可以由多个编码器块组成，各编码器块由卷积层、线性激活层以及最大池化层组成，解码层可以由多个解码器块组成，各解码器块可以由采样层、级联操作层、两个标准卷积层、线性激活层组成。
上述电力计量领域的知识融合方法中，通过获取初始电力计量领域文本对，从而可以基于预先训练的文本匹配模型，对初始电力计量领域文本对中的文本进行匹配，获得匹配结果，当匹配结果为匹配时，可以对初始电力计量领域文本对中的文本进行融合处理，获得融合电力计量领域文本，其中，文本匹配模型的训练过程，包括：获取电力计量领域样本数据集电力计量领域样本数据集包括：样本电力计量领域文本对；分别对样本电力计量领域文本对中的文本进行语义提取处理，确定电力计量领域样本数据集的语义信息；基于语义提取处理后的电力计量领域样本数据集，对神经网络模型进行训练，获得文本匹配模型。从而通过上述方法可以提高知识融合的精度。
在其中一个实施例中，所述样本电力计量领域文本对中的文本包括：样本电力计量领域目标文本和样本电力计量领域源文本；
所述分别对所述样本电力计量领域文本对中的文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息，包括：
将所述样本电力计量领域目标文本和所述样本电力计量领域源文本转换为词序列格式，获得词序列电力计量领域目标文本和词序列电力计量领域源文本；
分别在所述词序列电力计量领域目标文本和词序列电力计量领域源文本中添加位置信息，得到词序列位置信息电力计量领域目标文本和词序列位置信息电力计量领域源文本；
对所述词序列位置信息电力计量领域目标文本和词序列位置信息电力计量领域源文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息。
在其中一个实施例中，可以由样本电力计量领域目标文本和样本电力计量领域源文本组成样本电力计量领域文本对，其中，样本电力计量领域目标文本和样本电力计量领域源文本是一个相对的概念，在两个相似实体中，可以选取任意一个作为样本电力计量领域源文本或者样本电力计量领域目标文本。可以将电力生计量领域数据中的“电力计量设备发生单点故障”作为样本电力计量领域目标文本，将“电力计量终端出现设备故障”作为样本电力计量领域源文本。
在其中一个实施例中，词序列格式是指将文本通过词序列的方式表示出来，例如，样本电力计量领域源文本T’s中的“电力计量设备发生单点故障”与目标文本T’t中的“电力计量终端出现设备故障”，可以将样本电力计量领域源文本T’s表示为：
其中，
为T’s中文本的表示，
表示T’s中某个句子，
表示句子中某个词的Embedding(映射)表示。
在其中一个实施例中，所述对所述词序列位置信息电力计量领域目标文本和词序列位置信息电力计量领域源文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息，包括：
对所述词序列位置信息电力计量领域目标文本和词序列位置信息电力计量领域源文本进行编码处理，获得编码结果，所述编码结果包括词序列电力计量领域目标文本编码结果和词序列电力计量领域源文本编码结果；
对所述编码结果进行语义提取处理，确定所述电力计量领域样本数据集的语义信息。
在其中一个实施例中，将Word Embedding(字映射)加入位置信息后，可以传入LSTM编码层，对词序列位置信息电力计量领域目标文本和词序列位置信息电力计量领域源文本进行编码处理，获得编码结果，编码结果包括词序列电力计量领域目标文本编码结果和词序列电力计量领域源文本编码结果。
在其中一个实施例中，所述对所述编码结果进行语义提取处理，确定所述电力计量领域样本数据集的语义信息，包括：
分别对所述词序列电力计量领域目标文本编码结果和词序列电力计量领域源文本编码结果进行划分处理，获得划分处理结果，所述划分处理包括核心词划分处理、词上文处理和词下文处理；
对所述划分处理结果进行解码，确定词序列电力计量领域目标文本解码结果和词序列电力计量领域源文本解码结果；
基于所述词序列电力计量领域目标文本解码结果和词序列电力计量领域源文本解码结果，确定所述电力计量领域样本数据集的语义信息。
在其中一个实施例中，可以分别对词序列电力计量领域目标文本编码结果和词序列电力计量领域源文本编码结果进行划分处理，具体的，划分处理包括核心词划分处理、词上文处理和词下文处理，如将“电力计量设备发生单点故障”中的核心词设置为“设备”，则词上文为“电力计量”，词下文为“发生单点故障”，将核心词的词向量与词上下文信息结合起来,得到每个词的向量表示为
由此得到新的文本编码表示ET,
其中Pn表示核心词上文语义序列，Nn表示核心词下文语义序列，
表示当前核心词向量，经过词编码的信息已经获得了初步的语义信息，接下来将编码信息传入Transformer解码器，得到解析文本T’s。
在其中一个实施例中，所述基于语义提取处理后的电力计量领域样本数据集，对神经网络模型进行训练，获得所述文本匹配模型，包括：
将语义提取处理后的电力计量领域样本数据集输入至所述神经网络模型中对应的解析层，确定所述电力计量领域样本数据集中的相似文本；
将所述电力计量领域样本数据集中的相似文本输入至所述神经网络模型中对应的识别层，对神经网络模型进行训练，获得所述文本匹配模型。。
在其中一个实施例中，参考图4所示，构建两个解析层Analys(源文本解析层)和Analyt(目标文本解析层)，构建两个识别层Recogs(源文本识别层)和Recogt(目标文本识别层)，可以将初步语义编码解码过程封装为解析层，其中Analys负责对Ts进行解析得到T’s，Analyt负责对Tt进行解析得到T’t，Ts和Tt分别进入对应的识别层Recogs和Recogt参与识别训练。
设计解析层的损失函数如下：
其中，其中，w为权重参数，size为词向量个数，V()表示词在词向量One-hot热编码中的属于第i个词的概率，Analys(T’t)表示T’t属于源文本的概率，其他类似表达式同理。
在其中一个实施例中，设计识别层的损失函数如下：
其中，θ为惩罚系数，
为损失函数的传播梯度，α为[0,1]之间的随机数。之所以要进行梯度惩罚，是因为可以提高训练的稳定性，训练的目的是最小化解析层和识别层的损失。
在其中一个实施例中，所述将语义提取处理后的电力计量领域样本数据集输入至所述神经网络模型中对应的解析层，包括：
将词序列电力计量领域目标文本解码结果输入至源文本解析层，以及将词序列电力计量领域源文本解码结果输入至目标文本解析层。
为了加强解析文本对源文本的联系，将T’s和T’t分别作为输入送入解析层Analyt和Analys，同时将T’s和T’t分别作为输入送入识别层Recogt和Recogs。这样的操作可以使得源文本Ts、源文本的转换文本T’s、目标文本Tt、目标文本的转换文本T’t可以得到两两交互，提高语义交互性，识别层Recogs和Recogt采用CNN网络结构，由若干卷积层+池化层组合，后跟全连接层输出结果。
在其中一个实施例中，所述当所述匹配结果为匹配时，对所述初始电力计量领域文本对中的文本进行融合处理，获得融合电力计量领域文本，包括：
当所述匹配结果为匹配时，根据预先设定的实体命名规则，对所述电力计量领域电力计量领域文本对中的文本进行融合处理，获得融合电力计量领域文本。
在其中一个实施例中，预先设定的实体命名规则是指预先设定的命名规则，例如，将“电力计量设备发生单点故障”和“电力计量终端出现设备故障”进行匹配，经过文本匹配模型判定两个文本是相互匹配的，则可以对上述两个文本进行融合，上述两个文本中“计量设备”和“计量终端”为相同实体，按照预先规定的实体统一命名，对相似文本中的相同实体进行统一命名，即可完成电力计量领域的知识融合。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种电力计量领域的知识融合装置，包括：初始电力计量领域文本对获取模块、文本匹配模块、文本融合模块和文本匹配模型的训练模块，其中：
初始电力计量领域文本对获取模块502，用于获取初始电力计量领域文本对。
文本匹配模块504，用于基于预先训练的文本匹配模型，对所述初始电力计量领域文本对中的文本进行匹配，获得匹配结果。
文本融合模块506，用于当所述匹配结果为匹配时，对所述初始电力计量领域文本对中的文本进行融合处理，获得融合电力计量领域文本。
文本匹配模型训练模块508，用于获取电力计量领域样本数据集，所述电力计量领域样本数据集包括：样本电力计量领域文本对；分别对所述样本电力计量领域文本对中的文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息，基于语义提取处理后的电力计量领域样本数据集，对神经网络模型进行训练，获得所述文本匹配模型。
在其中一个实施例中，文本匹配模型训练模块，用于将所述样本电力计量领域目标文本和所述样本电力计量领域源文本转换为词序列格式，获得词序列电力计量领域目标文本和词序列电力计量领域源文本；分别在所述词序列电力计量领域目标文本和词序列电力计量领域源文本中添加位置信息，得到词序列位置信息电力计量领域目标文本和词序列位置信息电力计量领域源文本；对所述词序列位置信息电力计量领域目标文本和词序列位置信息电力计量领域源文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息，所述样本电力计量领域文本对中的文本包括：样本电力计量领域目标文本和样本电力计量领域源文本。
文本匹配模型训练模块，用于对所述词序列位置信息电力计量领域目标文本和词序列位置信息电力计量领域源文本进行编码处理，获得编码结果，所述编码结果包括词序列电力计量领域目标文本编码结果和词序列电力计量领域源文本编码结果；对所述编码结果进行语义提取处理，确定所述电力计量领域样本数据集的语义信息。
文本匹配模型训练模块，用于分别对所述词序列电力计量领域目标文本编码结果和词序列电力计量领域源文本编码结果进行划分处理，获得划分处理结果，所述划分处理包括核心词划分处理、词上文处理和词下文处理；对所述划分处理结果进行解码，确定词序列电力计量领域目标文本解码结果和词序列电力计量领域源文本解码结果；基于所述词序列电力计量领域目标文本解码结果和词序列电力计量领域源文本解码结果，确定所述电力计量领域样本数据集的语义信息。
文本匹配模型训练模块，用于将语义提取处理后的电力计量领域样本数据集输入至所述神经网络模型中对应的解析层，确定所述电力计量领域样本数据集中的相似文本；将所述电力计量领域样本数据集中的相似文本输入至所述神经网络模型中对应的识别层，对神经网络模型进行训练，获得所述文本匹配模型。
文本匹配模型训练模块，用于将词序列电力计量领域目标文本解码结果输入至源文本解析层，以及将词序列电力计量领域源文本解码结果输入至目标文本解析层。
在其中一个实施例中，文本融合模块，用于当所述匹配结果为匹配时，根据预先设定的实体命名规则，对所述电力计量领域电力计量领域文本对中的文本进行融合处理，获得融合电力计量领域文本。
关于电力计量领域的知识融合装置的具体限定可以参见上文中对于电力计量领域的知识融合方法的限定，在此不再赘述。上述电力计量领域的知识融合装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力计量领域文本数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力计量领域的知识融合方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电力计量领域的知识融合方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5、图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述电力计量领域的知识融合方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述电力计量领域的知识融合方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力计量领域的知识融合方法，其特征在于，所述方法包括：
获取初始电力计量领域文本对；
基于预先训练的文本匹配模型，对所述初始电力计量领域文本对中的文本进行匹配，获得匹配结果；
当所述匹配结果为匹配时，对所述初始电力计量领域文本对中的文本进行融合处理，获得融合电力计量领域文本；
所述文本匹配模型的训练过程，包括：
获取电力计量领域样本数据集，所述电力计量领域样本数据集包括：样本电力计量领域文本对；
分别对所述样本电力计量领域文本对中的文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息；
基于语义提取处理后的电力计量领域样本数据集，对神经网络模型进行训练，获得所述文本匹配模型。
2.根据权利要求1所述的方法，其特征在于，所述样本电力计量领域文本对中的文本包括：样本电力计量领域目标文本和样本电力计量领域源文本；
所述分别对所述样本电力计量领域文本对中的文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息，包括：
将所述样本电力计量领域目标文本和所述样本电力计量领域源文本转换为词序列格式，获得词序列电力计量领域目标文本和词序列电力计量领域源文本；
分别在所述词序列电力计量领域目标文本和词序列电力计量领域源文本中添加位置信息，得到词序列位置信息电力计量领域目标文本和词序列位置信息电力计量领域源文本；
对所述词序列位置信息电力计量领域目标文本和词序列位置信息电力计量领域源文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息。
3.根据权利要求2所述的方法，其特征在于，所述对所述词序列位置信息电力计量领域目标文本和词序列位置信息电力计量领域源文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息，包括：
对所述词序列位置信息电力计量领域目标文本和词序列位置信息电力计量领域源文本进行编码处理，获得编码结果，所述编码结果包括词序列电力计量领域目标文本编码结果和词序列电力计量领域源文本编码结果；
对所述编码结果进行语义提取处理，确定所述电力计量领域样本数据集的语义信息。
4.根据权利要求3所述的方法，其特征在于，所述对所述编码结果进行语义提取处理，确定所述电力计量领域样本数据集的语义信息，包括：
分别对所述词序列电力计量领域目标文本编码结果和词序列电力计量领域源文本编码结果进行划分处理，获得划分处理结果，所述划分处理包括核心词划分处理、词上文处理和词下文处理；
对所述划分处理结果进行解码，确定词序列电力计量领域目标文本解码结果和词序列电力计量领域源文本解码结果；
基于所述词序列电力计量领域目标文本解码结果和词序列电力计量领域源文本解码结果，确定所述电力计量领域样本数据集的语义信息。
5.根据权利要求1所述的方法，其特征在于，所述基于语义提取处理后的电力计量领域样本数据集，对神经网络模型进行训练，获得所述文本匹配模型，包括：
将语义提取处理后的电力计量领域样本数据集输入至所述神经网络模型中对应的解析层，确定所述电力计量领域样本数据集中的相似文本；
将所述电力计量领域样本数据集中的相似文本输入至所述神经网络模型中对应的识别层，对神经网络模型进行训练，获得所述文本匹配模型。
6.根据权利要求5所述的方法，其特征在于，所述将语义提取处理后的电力计量领域样本数据集输入至所述神经网络模型中对应的解析层，包括：
将词序列电力计量领域目标文本解码结果输入至源文本解析层，以及将词序列电力计量领域源文本解码结果输入至目标文本解析层。
7.根据权利要求1所述的方法，其特征在于，所述当所述匹配结果为匹配时，对所述初始电力计量领域文本对中的文本进行融合处理，获得融合电力计量领域文本，包括：
当所述匹配结果为匹配时，根据预先设定的实体命名规则，对所述电力计量领域电力计量领域文本对中的文本进行融合处理，获得融合电力计量领域文本。
8.一种电力计量领域的知识融合装置，其特征在于，所述装置包括：
初始电力计量领域文本对获取模块，用于获取初始电力计量领域文本对；
文本匹配模块，用于基于预先训练的文本匹配模型，对所述初始电力计量领域文本对中的文本进行匹配，获得匹配结果；
文本融合模块，用于当所述匹配结果为匹配时，对所述初始电力计量领域文本对中的文本进行融合处理，获得融合电力计量领域文本；
文本匹配模型训练模块，用于获取电力计量领域样本数据集，所述电力计量领域样本数据集包括：样本电力计量领域文本对；分别对所述样本电力计量领域文本对中的文本进行语义提取处理，确定所述电力计量领域样本数据集的语义信息，基于语义提取处理后的电力计量领域样本数据集，对神经网络模型进行训练，获得所述文本匹配模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111128740.XA CN113836940B (zh) | 2021-09-26 | 2021-09-26 | 电力计量领域的知识融合方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111128740.XA CN113836940B (zh) | 2021-09-26 | 2021-09-26 | 电力计量领域的知识融合方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113836940A true CN113836940A (zh) | 2021-12-24 |
| CN113836940B CN113836940B (zh) | 2024-04-12 |
Family
ID=78970394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111128740.XA Active CN113836940B (zh) | 2021-09-26 | 2021-09-26 | 电力计量领域的知识融合方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113836940B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109308311A (zh) * | 2018-09-05 | 2019-02-05 | 广州小楠科技有限公司 | 一种多源异构数据融合系统 |
| CN111078868A (zh) * | 2019-06-04 | 2020-04-28 | 中国人民解放军92493部队参谋部 | 基于知识图谱分析的装备试验体系规划决策的方法及系统 |
| CN111090987A (zh) * | 2019-12-27 | 2020-05-01 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
| CN111783480A (zh) * | 2020-06-29 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 文本处理和模型训练方法、装置、存储介质和电子设备 |
| CN111859960A (zh) * | 2020-07-27 | 2020-10-30 | 中国平安人寿保险股份有限公司 | 基于知识蒸馏的语义匹配方法、装置、计算机设备和介质 |
| WO2020228376A1 (zh) * | 2019-05-16 | 2020-11-19 | 华为技术有限公司 | 文本处理方法、模型训练方法和装置 |
| CN112131882A (zh) * | 2020-09-30 | 2020-12-25 | 绿盟科技集团股份有限公司 | 一种多源异构网络安全知识图谱构建方法及装置 |
| CN112232086A (zh) * | 2020-10-16 | 2021-01-15 | 腾讯科技（深圳）有限公司 | 一种语义识别方法、装置、计算机设备及存储介质 |
| CN112613314A (zh) * | 2020-12-29 | 2021-04-06 | 国网江苏省电力有限公司信息通信分公司 | 基于bert模型的电力通信网络知识图谱构建方法 |
| CN112949312A (zh) * | 2021-03-26 | 2021-06-11 | 中国美术学院 | 一种产品知识融合方法和系统 |
| US20210216880A1 (en) * | 2019-01-02 | 2021-07-15 | Ping An Technology (Shenzhen) Co., Ltd. | Method, equipment, computing device and computer-readable storage medium for knowledge extraction based on textcnn |
| CN113254594A (zh) * | 2021-06-21 | 2021-08-13 | 国能信控互联技术有限公司 | 一种面向智慧电厂的安全知识图谱构建方法及系统 |
| CN113254659A (zh) * | 2021-02-04 | 2021-08-13 | 天津德尔塔科技有限公司 | 一种基于知识图谱技术的档案研判方法及系统 |
| CN113407723A (zh) * | 2021-07-16 | 2021-09-17 | 湖南五凌电力科技有限公司 | 多源异构电力负荷数据融合方法、装置、设备和存储介质 |
-
2021
- 2021-09-26 CN CN202111128740.XA patent/CN113836940B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109308311A (zh) * | 2018-09-05 | 2019-02-05 | 广州小楠科技有限公司 | 一种多源异构数据融合系统 |
| US20210216880A1 (en) * | 2019-01-02 | 2021-07-15 | Ping An Technology (Shenzhen) Co., Ltd. | Method, equipment, computing device and computer-readable storage medium for knowledge extraction based on textcnn |
| WO2020228376A1 (zh) * | 2019-05-16 | 2020-11-19 | 华为技术有限公司 | 文本处理方法、模型训练方法和装置 |
| CN111078868A (zh) * | 2019-06-04 | 2020-04-28 | 中国人民解放军92493部队参谋部 | 基于知识图谱分析的装备试验体系规划决策的方法及系统 |
| CN111090987A (zh) * | 2019-12-27 | 2020-05-01 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
| CN111783480A (zh) * | 2020-06-29 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 文本处理和模型训练方法、装置、存储介质和电子设备 |
| CN111859960A (zh) * | 2020-07-27 | 2020-10-30 | 中国平安人寿保险股份有限公司 | 基于知识蒸馏的语义匹配方法、装置、计算机设备和介质 |
| CN112131882A (zh) * | 2020-09-30 | 2020-12-25 | 绿盟科技集团股份有限公司 | 一种多源异构网络安全知识图谱构建方法及装置 |
| CN112232086A (zh) * | 2020-10-16 | 2021-01-15 | 腾讯科技（深圳）有限公司 | 一种语义识别方法、装置、计算机设备及存储介质 |
| CN112613314A (zh) * | 2020-12-29 | 2021-04-06 | 国网江苏省电力有限公司信息通信分公司 | 基于bert模型的电力通信网络知识图谱构建方法 |
| CN113254659A (zh) * | 2021-02-04 | 2021-08-13 | 天津德尔塔科技有限公司 | 一种基于知识图谱技术的档案研判方法及系统 |
| CN112949312A (zh) * | 2021-03-26 | 2021-06-11 | 中国美术学院 | 一种产品知识融合方法和系统 |
| CN113254594A (zh) * | 2021-06-21 | 2021-08-13 | 国能信控互联技术有限公司 | 一种面向智慧电厂的安全知识图谱构建方法及系统 |
| CN113407723A (zh) * | 2021-07-16 | 2021-09-17 | 湖南五凌电力科技有限公司 | 多源异构电力负荷数据融合方法、装置、设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| TANG X,CHEN L,CUI J,ET AL.: "Knowledge representation learning with entity descriptions,hierarchical types,and textual relations", INFORMATION PROCESSING & MANAGEMENT, vol. 56, no. 3 * |
| 杨韵;周特军;于芮技;李银红;: "大规模电力系统复杂数据的通用匹配方法", 电力与能源, vol. 36, no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113836940B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111581229B (zh) | Sql语句的生成方法、装置、计算机设备及存储介质 | |
| JP7112536B2 (ja) | テキストにおける実体注目点のマイニング方法および装置、電子機器、コンピュータ読取可能な記憶媒体並びにコンピュータプログラム | |
| CN111931517B (zh) | 文本翻译方法、装置、电子设备以及存储介质 | |
| CN112287069B (zh) | 基于语音语义的信息检索方法、装置及计算机设备 | |
| CN110457585B (zh) | 负面文本的推送方法、装置、系统及计算机设备 | |
| CN113536795B (zh) | 实体关系抽取的方法、系统、电子装置和存储介质 | |
| CN113157863A (zh) | 问答数据处理方法、装置、计算机设备及存储介质 | |
| CN112085091B (zh) | 基于人工智能的短文本匹配方法、装置、设备及存储介质 | |
| CN113657105A (zh) | 基于词汇增强的医学实体抽取方法、装置、设备及介质 | |
| CN111368551A (zh) | 一种确定事件主体的方法和装置 | |
| CN116541492A (zh) | 一种数据处理方法及相关设备 | |
| CN116050352A (zh) | 文本编码方法和装置、计算机设备及存储介质 | |
| CN115409038A (zh) | 自然语言处理方法及装置、电子设备和存储介质 | |
| CN115394321A (zh) | 音频情感识别方法、装置、设备、存储介质及产品 | |
| CN111241298A (zh) | 信息处理方法、装置和计算机可读存储介质 | |
| CN112580368B (zh) | 会话文本的意图序列识别方法、装置、设备及存储介质 | |
| CN112749557A (zh) | 文本处理模型的构建方法和文本处理方法 | |
| CN113836308B (zh) | 网络大数据长文本多标签分类方法、系统、设备及介质 | |
| CN113836940A (zh) | 电力计量领域的知识融合方法、装置和计算机设备 | |
| CN115145980A (zh) | 对话回复生成方法和装置、电子设备及存储介质 | |
| CN114911940A (zh) | 文本情感识别方法及装置、电子设备、存储介质 | |
| CN112149424A (zh) | 语义匹配方法、装置、计算机设备和存储介质 | |
| CN113919338A (zh) | 处理文本数据的方法及设备 | |
| CN113255292B (zh) | 基于预训练模型的端到端文本生成方法及相关设备 | |
| CN114490996B (zh) | 意图识别方法、装置、计算机设备和存储介质 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 510623 No.11 Kexiang Road, Science City, Huangpu District, Guangzhou City, Guangdong Province Applicant after: CHINA SOUTHERN POWER GRID Co.,Ltd. Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Address before: 510623 No.11 Kexiang Road, Science City, Huangpu District, Guangzhou City, Guangdong Province Applicant before: CHINA SOUTHERN POWER GRID Co.,Ltd. Country or region before: China Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240316 Address after: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Country or region after: China Address before: 510623 No.11 Kexiang Road, Science City, Huangpu District, Guangzhou City, Guangdong Province Applicant before: CHINA SOUTHERN POWER GRID Co.,Ltd. Country or region before: China Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |