CN114168741A - 一种知识库补全方法、终端设备以及计算机存储介质 - Google Patents
一种知识库补全方法、终端设备以及计算机存储介质 Download PDFInfo
- Publication number
- CN114168741A CN114168741A CN202111364269.4A CN202111364269A CN114168741A CN 114168741 A CN114168741 A CN 114168741A CN 202111364269 A CN202111364269 A CN 202111364269A CN 114168741 A CN114168741 A CN 114168741A
- Authority
- CN
- China
- Prior art keywords
- entity
- knowledge base
- class
- project data
- knowledge
- 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
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
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种知识库补全方法、终端设备以及计算机存储介质。该知识库补全方法包括:获取项目数据;建立项目数据中实体与本体类的映射关系;基于实体与本体类的映射关系构建知识表示;在知识表示中迭代恢复实体的信息,形成完整的知识库。通过上述方式,本申请的知识库补全方法通过恢复丢失的实体信息,补全项目知识库,提高对项目数据的管理效率。
Description
技术领域
本申请涉及自然语言处理技术领域,特别是涉及一种知识库补全方法、终端设备以及计算机存储介质。
背景技术
我国是基建大国,基础建设过程中产生了大量的建筑项目,如何合理高效的管理这些建筑项目就成为了急需解决的问题。大量研究发现大概三分之一的建筑项目都无法在时间和金钱项目上达到预期目标,造成这一现象的原因就是约束管理的困难。约束管理是指材料、设备、劳动力、许可证明等制约建筑项目平稳推进的因素。从各个方面来看,做好约束管理可以有效的提高建筑工程项目推进的效率。
做好约束管理的有效途径之一就是采用现代的基于软件包的管理方法。这种方法在项目开始前就做好对建筑项目和其约束条件的分析,然后将建筑项目分为几个部分后分别解决它们的约束条件。大量的实验数据证明基于软件包的管理方法可以有效提高管理建筑项目的效率。深度学习作为机器学习研究中的一个领域,其灵感源自于对人工神经网络的研究,其应用十分广泛,但其在与自然语言处理结合时仍有许多问题尚未解决。在建筑项目管理知识库构建中,部分信息不完整的知识库严重影响了管理效率。
发明内容
本申请提供了一种知识库补全方法、终端设备以及计算机存储介质。
本申请提供了一种知识库补全方法,所述知识库补全方法包括:
获取项目数据;
建立所述项目数据中实体与本体类的映射关系;
基于所述实体与本体类的映射关系构建知识表示;
在所述知识表示中迭代恢复实体的信息,形成完整的知识库。
其中,所述建立所述项目数据中实体与本体类的映射关系之后,还包括:
建立所述项目数据中属性与属性类的映射关系;
基于所述实体与本体类的映射关系,以及所述属性与属性类的映射关系构建知识表示;
其中,所述属性类包括数值类和布尔类。
其中,所述建立所述项目数据中实体与本体类的映射关系之后,还包括:
获取新增项目数据;
分别计算所述新增项目数据中的实体与所有已有本体类的相似度;
将所述新增项目数据中的实体添加到所述相似度最大的已有本体类中。
其中,计算所述新增项目数据中的实体与已有本体类的相似度的公式如下:
其中,所述在所述知识表示中迭代恢复实体的信息,包括:
获取所述实体对应的目标节点在所述知识表示中的位置;
基于注意力机制对所述目标节点的邻域节点进行采样,以获取邻域节点信息;
利用所述邻域节点信息对所述目标节点进行迭代,以恢复所述目标节点对应的实体的信息。
其中,所述知识库补全方法,还包括:
将所述目标节点的领域节点按照不同的注意力值加权平均后,得到所述邻域节点信息。
其中,所述知识库补全方法,还包括:
基于所述项目数据中的实体,以及实体之间的关系构建三元组;
计算所述三元组的特征分数;
保留所述特征分数高于或等于预设阈值的三元组,剔除所述特征分数低于所述预设阈值的三元组。
其中,所述实体之间的关系包括约束关系、任务关系和/或属性关系。
本申请还提供了一种终端设备,所述终端设备包括存储器和处理器,其中,所述存储器与所述处理器耦接;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现上述的知识库补全方法。
本申请还提供了一种计算机存储介质,所述计算机存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现上述的知识库补全方法。
本申请的有益效果是:终端设备获取项目数据;建立项目数据中实体与本体类的映射关系;基于实体与本体类的映射关系构建知识表示;在知识表示中迭代恢复实体的信息,形成完整的知识库。通过上述方式,本申请的知识库补全方法通过恢复丢失的实体信息,补全项目知识库,提高对项目数据的管理效率。
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的前提下,还可以根据这些附图获得其他的附图。其中:
图1是本申请提供的知识库补全方法一实施例的流程示意图;
图2是本申请提供的知识库补全方法另一实施例的流程示意图;
图3是本申请提供的知识库补全方法又一实施例的流程示意图;
图4是本申请提供的终端设备一实施例的结构示意图;
图5是本申请提供的终端设备另一实施例的结构示意图;
图6是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
本申请提供的知识库补全方法可以应用于建筑管理领域,即对建筑管理的项目数据通过知识库的方式进行管理。在其他实施例中,也可以应用于其他领域的项目管理,例如航空数据管理、运输数据管理等。在以下实施例中,统一以建筑管理的项目数据对本申请的知识库补全方法进行详细阐述。
进一步地,由于相关的传统建筑领域知识库受到缺少信息节点和特征匮乏影响,无法找到重要信息来完成相关的建筑项目管理,本申请对此提出一种基于图深度学习的知识库,图深度学习框架具有很强的自主学习能力,泛化能力和鲁棒性。针对现在建筑项目逐渐变得复杂,人们需要对建筑工地上的材料、装备、任务实现一个统一高效的管理等问题,该方法可以有效地提高人们对建筑工程项目的管理效率。
具体请参阅图1,图1是本申请提供的知识库补全方法一实施例的流程示意图。
本申请实施例的知识库补全方法适用于未完成的或者缺失某些特征的知识库,通过一种基于图深度学习的知识库补全模型引入领域知识和本体规则来丰富数据来源以及提高模型精确度,先通过在词嵌入阶段引入图神经网络来编码实体和实体间的关系,然后引入了一种基于图卷积神经网络的解码器在实体-关系-实体的三元组上来识别丢失的信息。本申请的知识库补全方法通过引入两种图神经网络和其他辅助信息构建模型,提高了模型在相关数据集上的准确率并有效的缩短了构造建筑领域知识库的时间,对数量庞大的建筑领域知识库具有良好的自主学习能力和泛化能力,并且具有良好的扩展性。
其中,本申请的知识库补全方法应用于一种终端设备,其中,本申请的终端设备可以为服务器,也可以为由服务器和终端设备相互配合的系统。相应地,终端设备包括的各个部分,例如各个单元、子单元、模块、子模块可以全部设置于服务器中,也可以分别设置于服务器和终端设备中。
进一步地,上述服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块,例如用来提供分布式服务器的软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。在一些可能的实现方式中,本申请实施例的知识库补全方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
具体而言,如图1所示,本申请实施例的知识库补全方法具体包括以下步骤:
步骤S11:获取项目数据。
在本申请实施例中,项目数据可以为建筑领域的工程项目的具体数据,如楼层高度、室内面积、楼梯位置等。
步骤S12:建立项目数据中实体与本体类的映射关系。
在本申请实施例中,终端设备将项目数据中的实体映射到域类,如本体类中,类映射的目的是为了在实体和本体类之间建立一种所属的关系。
一般而已,知识库中最初的本体只有约束、任务、项目参与者三个类。为了能够更好地为模型丰富数据,本申请实施例还可以将属性类引入本体中。但是,由于属性数据比较稀疏,将属性数据全加入模型中会损坏知识库补全模型的表现,本申请实施例只引入属性类中的两个子类,即数值类和布尔类。
具体地,属性数据的类映射很简单,例如,正则表达式用于直接提取包含日期等数值,以及真假字符的属性,这些属性分别映射到数值类和布尔类中。
其他实体的类映射依赖于语义相似性,终端设备首先要提取实体和本体类的词嵌入表示,以形成向量空间模型(VSM,Vector space model)。然后,终端设备为每个类本体创建一个列表,其中,包括在工程字典中获得的类名及其同义词。对于实体之间的关系,终端设备可以在VSM搜索列表中每个名称的表示,最后通过计算实体和类相对应向量之间的余弦相似度来判断两个实体之间的语义关系。
进一步的,对于一些无法在VSM中找到的实体或类的名称,本申请实施例提供另一种知识库补全方法,具体请参阅图2,图2是本申请提供的知识库补全方法另一实施例的流程示意图。
具体而言,如图2所示,本申请实施例的知识库补全方法具体包括以下步骤:
步骤S21:获取新增项目数据。
在本申请实施例中,新增项目数据即无法在VSM中找到的实体或者类的名称的项目数据。对于这部分项目数据,终端设备把这些项目数据的名称通过标记分为几个部分,并在VSM中寻找每个部分的嵌入,最后把这些嵌入平均后得到最后的结果。具体如下:
步骤S22:分别计算新增项目数据中的实体与所有已有本体类的相似度。
在本申请实施例中,终端设备需要计算当前知识库中各个已有本体类与新增项目数据中的实体的相似度,具体相似度计算公式如下:
步骤S23:将新增项目数据中的实体添加到相似度最大的已有本体类中。
在本申请实施例中,终端设备比较各个已有本体类与新增项目数据中的实体的相似度,将实体添加到相似度最大的已有本体类中。
步骤S13:基于实体与本体类的映射关系构建知识表示。
在本申请实施例中,基于规则的数据丰富首先将所有规则采用基本的关系表示,然后,在其中找出可以满足构建三元组条件的规则体,这些规则体可以用来构建新的三元组和丰富关系的语义,新推断的三元组也被输入到语义丰富的过程中。
具体地,终端设备可以构造一个基于图神经网络的知识库表示的编码器,将实体和关系嵌入到模型中,详细过程如下:
终端设备定义知识表示,本申请实施例的知识表示KB=(E,R,T)是由实体E、关系R、有效的三元组T表示的三元组。其中,知识表示模型的目标是对潜在的三元组进行分类来预测缺失的三元组。
步骤S14:在知识表示中迭代恢复实体的信息,形成完整的知识库。
在本申请实施例中,终端设备采用基于注意力机制的邻域节点采样。具体地,知识表示中具有不同类型的节点和关系,而节点在其邻域中可以发挥不同的角色。本申请实施例通过注意力机制来计算每个目标节点的所有邻域节点的重要性后,再进行采用,可以有效提高知识表示模型的准确率。
另外,终端设备采用多头信息聚合,每次迭代后节点的嵌入是通过对按照注意力值加权的节点集的所有三元组的嵌入相加来计算的。此外,多个注意力值被用来稳定编码过程和收集更多的邻域信息。本申请实施例通过平均多个注意力结果来计算,以合并信息并节省计算能力。
终端设备通过图神经网络收集信息时,节点的原始嵌入中信息可能会丢失。这种损失对知识表示模型有负面的影响,特别是当原始嵌入没有随机初始化时。因此,终端设备可以对每个节点的原始嵌入由一个矩阵进行转换,然后在最后一次迭代后添加到实体中,以恢复该实体的信息。具体公式如下:
具体地,对于上述步骤S13中三元组的有效性,可以通过构造一个基于卷积知识表示的解码器ConvKB,来评估每一个嵌入三元组的有效性。具体过程请参阅图3,图3是本申请提供的知识库补全方法又一实施例的流程示意图。
具体而言,如图3所示,本申请实施例的知识库补全方法具体包括以下步骤:
步骤S31:基于项目数据中的实体,以及实体之间的关系构建三元组。
在本申请实施例中,实体与实体之间用于构建三元组的关系包括但不限于以下关系:约束关系、任务关系以及属性关系。
步骤S32:计算三元组的特征分数。
在本申请实施例中,解码器ConvKB使用一个二维的卷积神经网络过滤器来扫描三元组以提取嵌入三元组的特征。解码器ConvKB将提取到的特征以分数的形式表现出来,这个特征分数反映了三元组有效的可能性。其中,特征分数的具体公式如下:
其中,Concat表示拼接函数,Relu表示激活函数,用于提取三元组的向量特征,τ表示卷积核,L表示卷积核数量,表示第i个实体,表示第j个实体,表示实体和实体之间的关系,K表示邻域阶数,v表示拼接函数的结果向量的转置。
步骤S33:保留特征分数高于或等于预设阈值的三元组,剔除特征分数低于预设阈值的三元组。
在本申请实施例中,终端设备将特征分数高于或等于预设阈值的三元组作为有效的三元组进行保留,将特征分数低于预设阈值的三元组作为无效的三元组进行剔除,从而完成知识表示的构建。
本申请提供了一种基于图深度学习的知识库补全模型,包括有以下步骤:将属性类中的两个子类数据类和布尔类加入到模型中以丰富模型中的数据。然后在实体和本体类之间建立一种所属的关系,将其映射到VSM中,通过向量间的余弦相似度判断他们的语义关系。定义知识表示,通过潜在的三元组进行分类来预测缺失的三元组。然后对知识表示中的节点采用基于注意力机制的采样后再嵌入模型,过程中为了防止节点原始信息的丢失采用信息更新矩阵来保存原始信息。对得到的三元组进行二维卷积来提取特征,并将特征以分数的形式量化来反映三元组的有效性。
在本申请中,终端设备获取项目数据;建立项目数据中实体与本体类的映射关系;基于实体与本体类的映射关系构建知识表示;在知识表示中迭代恢复实体的信息,形成完整的知识库。通过上述方式,本申请的知识库补全方法通过恢复丢失的实体信息,可以自动识别缺失的三元组,更好地支持基于软件包的约束管理方法的下游管理功能,补全项目知识库,提高对项目数据的管理效率。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
为实现上述实施例的知识库补全方法,本申请还提出了一种终端设备,具体请参阅图4,图4是本申请提供的终端设备一实施例的结构示意图。
本申请实施例的终端设备400包括获取模块41、映射模块42、构建模块43以及补全模块44;其中,
所述获取模块41,用于获取项目数据。
所述映射模块42,用于建立所述项目数据中实体与本体类的映射关系。
所述构建模块43,用于基于所述实体与本体类的映射关系构建知识表示。
所述补全模块44,用于在所述知识表示中迭代恢复实体的信息,形成完整的知识库。
为实现上述实施例的知识库补全方法,本申请还提出了另一种终端设备,具体请参阅图5,图5是本申请提供的终端设备另一实施例的结构示意图。
本申请实施例的终端设备500包括存储器51和处理器52,其中,存储器51和处理器52耦接。
存储器51用于存储程序数据,处理器52用于执行程序数据以实现上述实施例所述的知识库补全方法。
在本实施例中,处理器52还可以称为CPU(Central Processing Unit,中央处理单元)。处理器52可能是一种集成电路芯片,具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(DSP,Digital Signal Process)、专用集成电路(ASIC,ApplicationSpecific Integrated Circuit)、现场可编程门阵列(FPGA,Field Programmable GateArray)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器52也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质,如图6所示,计算机存储介质600用于存储程序数据61,程序数据61在被处理器执行时,用以实现如上述实施例所述的知识库补全方法。
本申请还提供一种计算机程序产品,其中,上述计算机程序产品包括计算机程序,上述计算机程序可操作来使计算机执行如本申请实施例所述的知识库补全方法。该计算机程序产品可以为一个软件安装包。
本申请上述实施例所述的知识库补全方法,在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时,可以存储在装置中,例如一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种知识库补全方法,其特征在于,所述知识库补全方法包括:
获取项目数据;
建立所述项目数据中实体与本体类的映射关系;
基于所述实体与本体类的映射关系构建知识表示;
在所述知识表示中迭代恢复实体的信息,形成完整的知识库。
2.根据权利要求1所述的知识库补全方法,其特征在于,
所述建立所述项目数据中实体与本体类的映射关系之后,还包括:
建立所述项目数据中属性与属性类的映射关系;
基于所述实体与本体类的映射关系,以及所述属性与属性类的映射关系构建知识表示;
其中,所述属性类包括数值类和布尔类。
3.根据权利要求1所述的知识库补全方法,其特征在于,
所述建立所述项目数据中实体与本体类的映射关系之后,还包括:
获取新增项目数据;
分别计算所述新增项目数据中的实体与所有已有本体类的相似度;
将所述新增项目数据中的实体添加到所述相似度最大的已有本体类中。
5.根据权利要求1所述的知识库补全方法,其特征在于,
所述在所述知识表示中迭代恢复实体的信息,包括:
获取所述实体对应的目标节点在所述知识表示中的位置;
基于注意力机制对所述目标节点的邻域节点进行采样,以获取邻域节点信息;
利用所述邻域节点信息对所述目标节点进行迭代,以恢复所述目标节点对应的实体的信息。
6.根据权利要求5所述的知识库补全方法,其特征在于,
所述知识库补全方法,还包括:
将所述目标节点的领域节点按照不同的注意力值加权平均后,得到所述邻域节点信息。
7.根据权利要求1所述的知识库补全方法,其特征在于,
所述知识库补全方法,还包括:
基于所述项目数据中的实体,以及实体之间的关系构建三元组;
计算所述三元组的特征分数;
保留所述特征分数高于或等于预设阈值的三元组,剔除所述特征分数低于所述预设阈值的三元组。
8.根据权利要求7所述的知识库补全方法,其特征在于,
所述实体之间的关系包括约束关系、任务关系和/或属性关系。
9.一种终端设备,其特征在于,所述终端设备包括存储器和处理器,其中,所述存储器与所述处理器耦接;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现权利要求1-8任一项所述的知识库补全方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序数据,所述程序数据在被处理器执行时,用以实现权利要求1-8任一项所述的知识库补全方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111364269.4A CN114168741A (zh) | 2021-11-17 | 2021-11-17 | 一种知识库补全方法、终端设备以及计算机存储介质 |
PCT/CN2021/138475 WO2023087463A1 (zh) | 2021-11-17 | 2021-12-15 | 一种知识库补全方法、终端设备以及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111364269.4A CN114168741A (zh) | 2021-11-17 | 2021-11-17 | 一种知识库补全方法、终端设备以及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114168741A true CN114168741A (zh) | 2022-03-11 |
Family
ID=80479468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111364269.4A Pending CN114168741A (zh) | 2021-11-17 | 2021-11-17 | 一种知识库补全方法、终端设备以及计算机存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114168741A (zh) |
WO (1) | WO2023087463A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045933B (zh) * | 2015-09-08 | 2018-04-24 | 中国人民解放军海军工程大学 | 船舶装备维修保障信息关系数据库模式与本体间映射方法 |
KR101983455B1 (ko) * | 2017-09-21 | 2019-05-28 | 숭실대학교산학협력단 | 지식베이스 구축 방법 및 그 서버 |
CN111291139B (zh) * | 2020-03-17 | 2023-08-22 | 中国科学院自动化研究所 | 基于注意力机制的知识图谱长尾关系补全方法 |
CN112699248B (zh) * | 2020-12-24 | 2022-09-16 | 厦门市美亚柏科信息股份有限公司 | 一种知识本体构建方法、终端设备及存储介质 |
-
2021
- 2021-11-17 CN CN202111364269.4A patent/CN114168741A/zh active Pending
- 2021-12-15 WO PCT/CN2021/138475 patent/WO2023087463A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023087463A1 (zh) | 2023-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11017178B2 (en) | Methods, devices, and systems for constructing intelligent knowledge base | |
CN108038183B (zh) | 结构化实体收录方法、装置、服务器和存储介质 | |
CN112434169B (zh) | 一种知识图谱的构建方法及其系统和计算机设备 | |
CN110334272B (zh) | 基于知识图谱的智能问答方法、装置及计算机存储介质 | |
CN111563192B (zh) | 实体对齐方法、装置、电子设备及存储介质 | |
US20160275196A1 (en) | Semantic search apparatus and method using mobile terminal | |
CN112115232A (zh) | 一种数据纠错方法、装置及服务器 | |
CN111666350A (zh) | 一种基于bert模型的医疗文本关系抽取的方法 | |
CN115795061B (zh) | 一种基于词向量和依存句法的知识图谱构建方法及系统 | |
CN112650833A (zh) | Api匹配模型建立方法及跨城市政务api匹配方法 | |
CN111291099A (zh) | 一种地址模糊匹配方法、系统及计算机设备 | |
CN116362243A (zh) | 一种融入句子间关联关系的文本关键短语提取方法、存储介质及装置 | |
CN115544214B (zh) | 一种事件处理方法、设备及计算机可读存储介质 | |
CN110110119B (zh) | 图像检索的方法、装置及计算机可读存储介质 | |
CN114168741A (zh) | 一种知识库补全方法、终端设备以及计算机存储介质 | |
WO2021135103A1 (zh) | 一种语义分析方法、装置、计算机设备及存储介质 | |
CN110457455B (zh) | 一种三值逻辑问答咨询优化方法、系统、介质和设备 | |
CN115774778A (zh) | 简历处理方法、装置、电子设备及可读存储介质 | |
CN110968668A (zh) | 一种基于超网络的网络舆情主题相似度计算方法及装置 | |
CN113536052B (zh) | 一种基于k边连通分量在大型网络中搜索个性化影响力社区的方法 | |
CN110688446B (zh) | 一种句义数学空间表示方法、系统、介质和设备 | |
CN112685574B (zh) | 领域术语层次关系的确定方法、装置 | |
CN117235629B (zh) | 一种基于知识域检测的意图识别方法、系统及计算机设备 | |
CN116910186B (zh) | 一种文本索引模型构建方法、索引方法、系统和终端 | |
WO2023230769A1 (zh) | Cad模型搜索、聚类及分类模型生成方法、装置和存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230110 Address after: 518000 2010, block a, Zhongguan Times Square, No. 4168, Liuxian Avenue, Pingshan community, Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Zhongke hangmai CNC software (Shenzhen) Co.,Ltd. Address before: 1068 No. 518055 Guangdong city in Shenzhen Province, Nanshan District City Xili University School Avenue Applicant before: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY |