CN114416988B - 基于自然语言处理的缺陷自动评级及处置建议推送方法 - Google Patents

基于自然语言处理的缺陷自动评级及处置建议推送方法 Download PDF

Info

Publication number
CN114416988B
CN114416988B CN202210049681.5A CN202210049681A CN114416988B CN 114416988 B CN114416988 B CN 114416988B CN 202210049681 A CN202210049681 A CN 202210049681A CN 114416988 B CN114416988 B CN 114416988B
Authority
CN
China
Prior art keywords
text
node
rated
standard
defect
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
Application number
CN202210049681.5A
Other languages
English (en)
Other versions
CN114416988A (zh
Inventor
陈丽霞
上官诚江
郑鹭洲
李怀
蔡继东
王昕�
张登灵
郑翔
何剑锋
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.)
State Grid Fujian Electric Power Co Ltd
Fuzhou Power Supply Co of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian Electric Power Co Ltd
Fuzhou Power Supply Co of State Grid Fujian Electric Power Co Ltd
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 State Grid Fujian Electric Power Co Ltd, Fuzhou Power Supply Co of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN202210049681.5A priority Critical patent/CN114416988B/zh
Publication of CN114416988A publication Critical patent/CN114416988A/zh
Application granted granted Critical
Publication of CN114416988B publication Critical patent/CN114416988B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/35—Clustering; Classification
    • 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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及基于自然语言处理的缺陷自动评级及处置建议推送方法，包括以下步骤：获取缺陷的待评级文本、评级相似度下限和处置建议相似度下限；将待评级文本通过树路径匹配算法进行匹配，得到相匹配的分类标准A，根据分类标准A输出评级结果；将待评级文本与历史缺陷库通过文本相似度匹配算法进行匹配，得到满足评级相似度下限的分类标准B，根据分类标准B输出评级结果；将待评级文本与处置建议库通过文本相似度匹配算法进行匹配，得到满足处置建议相似度下限的处置建议，输出处置建议。本发明实现了缺陷文本自动分级，由于是基于缺陷标准和历史缺陷数据，评级的依据可靠且参考数据量大，能有效地提高缺陷文本分类的效率和准确性。

Description

基于自然语言处理的缺陷自动评级及处置建议推送方法
技术领域
本发明涉及基于自然语言处理的缺陷自动评级及处置建议推送方法，属于电力设备辅助检修技术领域。
背景技术
随着智能电网、泛在电力物联网的不断建设和发展，电力系统在运行维护过程中逐渐引入了新的技术和工具，需要改善或优化原有工作流程，提高工作效率。以设备巡视过程中发现的缺陷为例，目前是由巡视人员手工详细记录，并判断缺陷严重等级，然后集中输入相应系统。这些工作人员在运维过程中详细记录下来的设备缺陷情况，被称为电力设备缺陷文本。缺陷文本通常包含了由设备分层确定的缺陷位置、缺陷详细描述、缺陷等级三部分内容。其中，前两个部分可称作缺陷说明，而缺陷等级指的是缺陷的严重程度，依据标准可分为“一般”、“严重”和“危急”三个等级，通常与缺陷说明相对应。全寿命周期内的缺陷文本能反映电力设备的历史健康状态，同时也能反映设备的可靠性信息，因此从缺陷文本中挖掘出实用信息逐渐受到重视。
但是人工记录的缺陷文本本身可能存在表述不清等质量问题，就会影响挖掘效果。此外，目前缺陷严重等级分类依赖人工完成，不仅效率低，而且当遇到复杂问题时，会出现因知识结构和经验局限难以做出判断的情况，分类准确性会受到影响。
发明内容
为了克服上述问题，本发明提供基于自然语言处理的缺陷自动评级及处置建议推送方法，该方法实现了缺陷文本自动分级，由于是基于缺陷标准和历史缺陷数据，评级的依据可靠且参考数据量大，能有效地提高缺陷文本分类的效率和准确性；并且实现了处置建议推送，能为现场工作人员处理紧急缺陷提供了一定的参考和帮助。
本发明的技术方案如下：
基于自然语言处理的缺陷自动评级及处置建议推送方法，包括以下步骤：
获取缺陷的待评级文本、评级相似度下限和处置建议相似度下限；所述待评级文本为对缺陷的描述；
将所述待评级文本通过树路径匹配算法进行匹配，得到相匹配的分类标准A，根据所述分类标准A输出评级结果；
将所述待评级文本与历史缺陷库通过文本相似度匹配算法进行匹配，得到满足所述评级相似度下限的分类标准B，根据所述分类标准B输出评级结果；所述历史缺陷库包括各类缺陷的历史描述文本；
将所述待评级文本与处置建议库通过文本相似度匹配算法进行匹配，得到满足所述处置建议相似度下限的处置建议，输出处置建议；所述处置建议库包括各类缺陷的历史描述文本和处置建议文本。
进一步的，将所述待评级文本通过树路径匹配算法进行匹配，得到相匹配的分类标准A，根据所述分类标准A输出评级结果，具体为：
S1、建立标准树结构，所述标准树结构包括若干层，第一层为根节点，每一上层节点对应若干位于下层的子节点；
S2、将根节点作为备选节点；
S3、将所述备选节点的各子节点与所述待评级文本进行相似度匹配；
S4、判断是否存在与所述待评级文本相匹配的子节点A；若存在，则将各所述子节点A作为备选节点；若不存在，则将所述备选节点的各子节点均作为备选节点；
S5、判断所述备选节点是否存在子节点；若存在，则执行步骤S3；若不存在，则将各所述备选节点作为分类标准A，输出评级结果。
进一步的，所述标准树结构包括9层，由上至下依次为根节点、设备类型、设备种类、部件类型、部件种类部位、缺陷描述、分类依据和分类结果。
进一步的，所述S3具体为将所述备选节点的各子节点与所述待评级文本进行简单字匹配。
进一步的，所述步骤S5还包括以下步骤：
S501、获取各所述分类标准A对应的路径；将所述根节点作为标准节点；
S502、判断所述标准节点是否存在子节点；若不存在，则将所述分类标准A作为评级结果输出；
S503、判断是否存在多条所述路径；若不存在，则将所述分类标准A作为评级结果输出；
S504、判断各所述路径在所述标准节点的下一层是否属于相同节点；若相同，则将该节点作为标准节点，并执行步骤S504；若不相同，则获取各不同的所述节点中的正确的节点，作为标准节点，并执行步骤S502。
进一步的，将所述待评级文本与历史缺陷库通过文本相似度匹配算法进行匹配，得到满足所述评级相似度下限的分类标准B，具体为：
获取所述待评级文本sen1与所述历史缺陷库中各历史描述文本sen2的距离sen_dis1：
其中，diff(sen1,sen2)为所述待评级文本sen1在所述历史描述文本sen2中不存在的文字长度，len1为所述待评级文本sen1的长度；
筛选出满足所述评级相似度下限的所述距离sen_dis1对应的所述历史描述文本sen2；获取各所述历史描述文本sen2对应的分类标准；
统计各分类标准出现次数，将出现次数最多的分类标准作为分类标准B。
进一步的，将所述待评级文本与处置建议库通过文本相似度匹配算法进行匹配，得到满足所述处置建议相似度下限的处置建议，具体为：
获取所述待评级文本sen1与所述处置建议库中各历史描述文本sen3的距离sen_dis2：
其中，diff(sen1,sen3)为所述待评级文本sen1在所述历史描述文本sen3中不存在的文字长度，len1为所述待评级文本sen1的长度；
筛选出满足所述处置建议相似度下限的所述距离sen_dis2对应的所述历史描述文本sen3；获取各所述历史描述文本sen3对应的分类标准；
统计各分类标准出现次数，将出现次数最多的分类标准对应的处置建议文本作为处置建议。
本发明具有如下有益效果：
1.该方法实现了缺陷文本自动分级，由于是基于缺陷标准和历史缺陷数据，评级的依据可靠且参考数据量大，能有效地提高缺陷文本分类的效率和准确性。
2.该方法通过路径分支删除的方法，与人工进行交互，选择正确的路径分支，填补不完全的文本，提高了分类标准的准确性。
3.该方法实现了处置建议推送，能为现场工作人员处理紧急缺陷提供一定的参考和帮助。
附图说明
图1为本发明实施例的流程示意图。
图2为本发明实施例的树路径匹配方法流程示意图。
图3为本发明实施例的标准树结构示意图。
图4为本发明实施例的分支删除流程示意图。
具体实施方式
下面结合附图和具体实施例来对本发明进行详细的说明。
实施例一
基于自然语言处理的缺陷自动评级及处置建议推送方法，包括以下步骤：
获取缺陷的待评级文本、评级相似度下限和处置建议相似度下限；所述待评级文本为对缺陷的描述；
将所述待评级文本通过树路径匹配算法进行匹配，得到相匹配的分类标准A，根据所述分类标准A输出评级结果；
将所述待评级文本与历史缺陷库通过文本相似度匹配算法进行匹配，得到满足所述评级相似度下限的分类标准B，根据所述分类标准B输出评级结果；所述历史缺陷库包括各类缺陷的历史描述文本；所述历史描述文本为过去各操作人员对各类缺陷的描述文本，同一缺陷包含若干份历史描述文本；
将所述待评级文本与处置建议库通过文本相似度匹配算法进行匹配，得到满足所述处置建议相似度下限的处置建议，输出处置建议；所述处置建议库包括各类缺陷的历史描述文本和处置建议文本。所述历史描述文本为过去各操作人员对各类缺陷的描述文本，同一缺陷包含若干份历史描述文本；所述处置建议文本为对各类缺陷的处置方法，一缺陷对应一份处置建议文本。
通过该方法共输出两个分类标准和一个处置建议供操作人员参考。
实施例二
参考图1-2，基于自然语言处理的缺陷自动评级及处置建议推送方法，在实施例一的基础上，将所述待评级文本通过树路径匹配算法进行匹配，得到相匹配的分类标准A，根据所述分类标准A输出评级结果，具体为：
S1、建立标准树结构，所述标准树结构包括若干层，第一层为根节点，每一上层节点对应若干位于下层的子节点；
S2、将根节点作为备选节点；
S3、将所述备选节点的各子节点与所述待评级文本进行相似度匹配；
S4、判断是否存在与所述待评级文本相匹配的子节点A；若存在，则将各所述子节点A作为备选节点；若不存在，则将所述备选节点的各子节点均作为备选节点；由于待评级文本由人工产生，因此对缺陷的描述受操作人员主观影响，存在遗漏或者与标准描述不同的问题，因此无法与当前层各子节点相匹配，通过这种方式可以避免出现此类问题；
S5、判断所述备选节点是否存在子节点；若存在，则执行步骤S3；若不存在，则将各所述备选节点作为分类标准A，输出评级结果。
参考图2，在本发明的一种实施方式中，所述标准树结构包括9层，由上至下依次为根节点、设备类型、设备种类、部件类型、部件种类部位、缺陷描述、分类依据和分类结果。
在本发明的一种实施方式中，所述S3具体为将所述备选节点的各子节点与所述待评级文本进行简单字匹配。
参考图4，在本发明的一种实施方式中，所述步骤S5还包括以下步骤：
S501、获取各所述分类标准A对应的路径；将所述根节点作为标准节点；
S502、判断所述标准节点是否存在子节点；若不存在，则将所述分类标准A作为评级结果输出；
S503、判断是否存在多条所述路径；若不存在，则将所述分类标准A作为评级结果输出；
S504、判断各所述路径在所述标准节点的下一层是否属于相同节点；若相同，则将该节点作为标准节点，并执行步骤S504；若不相同，则获取各不同的所述节点中的正确的节点，作为标准节点，并执行步骤S502。
通过前述实施例可能同时输出多个分类标准A，这是由于操作人员的遗漏或者描述不准确产生的，需要通过分支删除获取正确的节点。
其中，所述获取各不同的所述节点中的正确的节点，具体为：将产生分支处的各节点推送给操作人员，由操作人员选择正确节点。
实施例三
基于自然语言处理的缺陷自动评级及处置建议推送方法，在实施例一的基础上，将所述待评级文本与历史缺陷库通过文本相似度匹配算法进行匹配，得到满足所述评级相似度下限的分类标准B，具体为：
获取所述待评级文本sen1与所述历史缺陷库中各历史描述文本sen2的距离sen_dis1：
其中，diff(sen1,sen2)为所述待评级文本sen1在所述历史描述文本sen2中不存在的文字长度，len1为所述待评级文本sen1的长度；
筛选出满足所述评级相似度下限的所述距离sen_dis1对应的所述历史描述文本sen2；获取各所述历史描述文本sen2对应的分类标准；
统计各分类标准出现次数，将出现次数最多的分类标准作为分类标准B。
进行相似度匹配时，所述待评级文本与所述历史缺陷库中的所有历史描述文本进行文本距离计算。由于每一缺陷对应若干份历史描述文本，因此最后筛选出的若干份历史描述文本可能是对同一缺陷的描述，出现次数最多的缺陷，可靠性最高，因此将其作为分类标准B。
实施例四
基于自然语言处理的缺陷自动评级及处置建议推送方法，在实施例一的基础上，将所述待评级文本与处置建议库通过文本相似度匹配算法进行匹配，得到满足所述处置建议相似度下限的处置建议，具体为：
获取所述待评级文本sen1与所述处置建议库中各历史描述文本sen3的距离sen_dis2：
其中，diff(sen1,sen3)为所述待评级文本sen1在所述历史描述文本sen3中不存在的文字长度，len1为所述待评级文本sen1的长度；
筛选出满足所述处置建议相似度下限的所述距离sen_dis2对应的所述历史描述文本sen3；获取各所述历史描述文本sen3对应的分类标准；
统计各分类标准出现次数，将出现次数最多的分类标准对应的处置建议文本作为处置建议。
进行相似度匹配时，所述待评级文本与所述处置建议库中的所有历史描述文本进行文本距离计算。由于每一缺陷对应若干份历史描述文本，因此最后筛选出的若干份历史描述文本可能是对同一缺陷的描述，出现次数最多的缺陷，可靠性最高，因此将其对应的处置建议文本作为处置建议。
本发明实施例三和实施例四依靠历史文本进行匹配，在使用过程中，新产生的文本同样可以作为历史文本收入历史缺陷库或者处置建议库中，使得该方法更加准确。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (1)

1.基于自然语言处理的缺陷自动评级及处置建议推送方法，其特征在于，包括以下步骤：
获取缺陷的待评级文本、评级相似度下限和处置建议相似度下限；所述待评级文本为对缺陷的描述；
将所述待评级文本通过树路径匹配算法进行匹配，得到相匹配的分类标准A，根据所述分类标准A输出评级结果；
将所述待评级文本与历史缺陷库通过文本相似度匹配算法进行匹配，得到满足所述评级相似度下限的分类标准B，根据所述分类标准B输出评级结果；所述历史缺陷库包括各类缺陷的历史描述文本；
将所述待评级文本与处置建议库通过文本相似度匹配算法进行匹配，得到满足所述处置建议相似度下限的处置建议，输出处置建议；所述处置建议库包括各类缺陷的历史描述文本和处置建议文本；
将所述待评级文本通过树路径匹配算法进行匹配，得到相匹配的分类标准A，根据所述分类标准A输出评级结果，具体为：
S1、建立标准树结构，所述标准树结构包括若干层，第一层为根节点，每一上层节点对应若干位于下层的子节点；
S2、将根节点作为备选节点；
S3、将所述备选节点的各子节点与所述待评级文本进行相似度匹配；
S4、判断是否存在与所述待评级文本相匹配的子节点A；若存在，则将各所述子节点A作为备选节点；若不存在，则将所述备选节点的各子节点均作为备选节点；
S5、判断所述备选节点是否存在子节点；若存在，则执行步骤S3；若不存在，则将各所述备选节点作为分类标准A，输出评级结果；
所述标准树结构包括9层，由上至下依次为根节点、设备类型、设备种类、部件类型、部件种类部位、缺陷描述、分类依据和分类结果；
所述S3具体为将所述备选节点的各子节点与所述待评级文本进行简单字匹配；
所述步骤S5还包括以下步骤：
S501、获取各所述分类标准A对应的路径；将所述根节点作为标准节点；
S502、判断所述标准节点是否存在子节点；若不存在，则将所述分类标准A作为评级结果输出；
S503、判断是否存在多条所述路径；若不存在，则将所述分类标准A作为评级结果输出；
S504、判断各所述路径在所述标准节点的下一层是否属于相同节点；若相同，则将该节点作为标准节点，并执行步骤S504；若不相同，则获取各不同的所述节点中的正确的节点，作为标准节点，并执行步骤S502；
将所述待评级文本与历史缺陷库通过文本相似度匹配算法进行匹配，得到满足所述评级相似度下限的分类标准B，具体为：
获取所述待评级文本sen1与所述历史缺陷库中各历史描述文本sen2的距离sen_dis1：
其中，diff(sen1,sen2)为所述待评级文本sen1在所述历史描述文本sen2中不存在的文字长度，len1为所述待评级文本sen1的长度；
筛选出满足所述评级相似度下限的所述距离sen_dis1对应的所述历史描述文本sen2；获取各所述历史描述文本sen2对应的分类标准；
统计各分类标准出现次数，将出现次数最多的分类标准作为分类标准B；
将所述待评级文本与处置建议库通过文本相似度匹配算法进行匹配，得到满足所述处置建议相似度下限的处置建议，具体为：
获取所述待评级文本sen1与所述处置建议库中各历史描述文本sen3的距离sen_dis2：
其中，diff(sen1,sen3)为所述待评级文本sen1在所述历史描述文本sen3中不存在的文字长度，len1为所述待评级文本sen1的长度；
筛选出满足所述处置建议相似度下限的所述距离sen_dis2对应的所述历史描述文本sen3；获取各所述历史描述文本sen3对应的分类标准；
统计各分类标准出现次数，将出现次数最多的分类标准对应的处置建议文本作为处置建议。
CN202210049681.5A 2022-01-17 2022-01-17 基于自然语言处理的缺陷自动评级及处置建议推送方法 Active CN114416988B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210049681.5A CN114416988B (zh) 2022-01-17 2022-01-17 基于自然语言处理的缺陷自动评级及处置建议推送方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210049681.5A CN114416988B (zh) 2022-01-17 2022-01-17 基于自然语言处理的缺陷自动评级及处置建议推送方法

Publications (2)

Publication Number Publication Date
CN114416988A CN114416988A (zh) 2022-04-29
CN114416988B true CN114416988B (zh) 2024-07-05

Family

ID=81272683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210049681.5A Active CN114416988B (zh) 2022-01-17 2022-01-17 基于自然语言处理的缺陷自动评级及处置建议推送方法

Country Status (1)

Country Link
CN (1) CN114416988B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874984A (zh) * 2018-06-11 2018-11-23 浙江大学 一种对质量较差电网设备缺陷文本的质量提升方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106596111A (zh) * 2016-12-10 2017-04-26 国网福建省电力有限公司 基于多小波的水电机组故障特征自适应提取方法
CN107590545B (zh) * 2017-09-13 2021-05-28 国家电网公司 变电设备缺陷处理方法及终端设备
CN109977228B (zh) * 2019-03-21 2021-01-12 浙江大学 电网设备缺陷文本的信息辨识方法
CN110675288B (zh) * 2019-08-16 2023-07-14 平安科技（深圳）有限公司 智能辅助审判方法、装置、计算机设备及存储介质
CN110990561B (zh) * 2019-10-14 2023-08-29 浙江华云信息科技有限公司 电力设备缺陷文本自动分类实现方法
CN113610112B (zh) * 2021-07-09 2024-04-16 中国商用飞机有限责任公司上海飞机设计研究院 飞机装配质量缺陷辅助决策方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874984A (zh) * 2018-06-11 2018-11-23 浙江大学 一种对质量较差电网设备缺陷文本的质量提升方法

Also Published As

Publication number Publication date
CN114416988A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN108256074B (zh) 校验处理的方法、装置、电子设备和存储介质
CN111709244B (zh) 一种用于矛盾纠纷事件因果关系识别的深度学习方法
CN112100403A (zh) 一种基于神经网络的知识图谱不一致性推理方法
CN112910690A (zh) 基于神经网络模型的网络流量预测方法、装置及设备
EP3846034B1 (en) Systems and methods for automated testing using artificial intelligence techniques
CN115437952A (zh) 一种基于深度学习的语句级软件缺陷检测方法
CN117667702A (zh) 基于知识图谱的软件测试方法、装置、设备和存储介质
CN117648093A (zh) 基于大模型和自定制需求模板的rpa流程自动化生成方法
CN115481577A (zh) 一种基于随机森林和遗传算法的油藏自动历史拟合方法
CN116975634A (zh) 一种基于程序静态属性及图神经网络的微服务提取方法
CN118194487A (zh) 一种电路与用电设备自动化布置方法、介质及系统
CN114416573A (zh) 一种应用程序的缺陷分析方法、装置、设备及介质
CN112579777B (zh) 一种未标注文本的半监督分类方法
CN117792882A (zh) 基于大语言模型辅助的通信网络故障日志分析方法
CN114416988B (zh) 基于自然语言处理的缺陷自动评级及处置建议推送方法
CN116611813B (zh) 一种基于知识图谱的智能运维管理方法及系统
CN108897680B (zh) 一种基于soa的软件系统操作剖面构造方法
CN112905845B (zh) 离散智能制造应用的多源非结构化数据清洗方法
CN115271277A (zh) 电力设备画像构建方法、系统、计算机设备及存储介质
CN115860141A (zh) 一种自动化机器学习交互式黑箱可视建模方法及系统
CN115470854A (zh) 信息系统故障分类方法及分类系统
CN114706558A (zh) 基于K-Truss的复杂软件关键模块识别方法
CN113011484B (zh) 基于分类树和判定树的图形化的需求分析及测试用例生成方法
CN116860227B (zh) 一种基于大数据etl脚本编排的数据开发系统及方法
CN118550265B (zh) 一种开放式性能分析模型运行平台及方法

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