CN114491071A - 一种基于跨媒体数据的食品安全知识图谱构建方法及系统 - Google Patents
一种基于跨媒体数据的食品安全知识图谱构建方法及系统 Download PDFInfo
- Publication number
- CN114491071A CN114491071A CN202210102345.2A CN202210102345A CN114491071A CN 114491071 A CN114491071 A CN 114491071A CN 202210102345 A CN202210102345 A CN 202210102345A CN 114491071 A CN114491071 A CN 114491071A
- Authority
- CN
- China
- Prior art keywords
- food safety
- text
- image
- entity
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Library & Information Science (AREA)
- Animal Behavior & Ethology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于跨媒体数据的食品安全知识图谱构建方法及系统,其方法包括:S1:获取多源异构的食品安全文本和食品安全图像,并对食品安全文本进行标注;S2:通过信息抽取与知识存储的方法,提取食品安全文本中的文本实体及其对应的关系,并存储至食品安全文本知识库;S3:通过视觉分析与对比外部知识库的方法,提取食品安全图像中的图像实体及其标签,并存储至食品安全视觉知识库;S4:通过知识表示学习方法,消除食品安全文本以及食品安全图像之间的异构性,对齐文本实体和图像实体,构建基于跨媒体数据的食品安全知识图谱。本发明提供的方法将与食品安全相关的由不同用户产生的、不同来源渠道的跨媒体食品安全数据融合在一起。
Description
技术领域
本发明涉及知识图谱领域,具体涉及一种基于跨媒体数据的食品安全知识图谱构建方法及系统。
背景技术
知识图谱是一种用网络结构存储知识的知识库,在知识图谱中,单条知识被表示成三元组的形式,即头实体、关系、尾实体,知识中的实体(即头实体与尾实体)表示成图的节点,知识中的关系表示成图的连边,利用网络化结构更加直观地表征与存储知识。得力于知识图谱在各个领域的广泛应用,面向食品安全领域的知识图谱也得到越来越多研究人员的关注。
在众多知识表示方式中,知识图谱作为一种语义网络拥有极强的表达能力和建模灵活性。首先,知识图谱是一种语义表示,可以对现实世界中的实体、概念、属性以及它们之间的关系进行建模;其次,知识图谱是其衍生技术的数据交换标准,其本身是一种数据建模的“协议”,相关技术涵盖知识抽取、知识集成、知识管理和知识应用等各个环节。
随着互联网、物联网、云计算等技术的不断发展,许多行业都面临着数据快速增长所带来的严峻考验,由于其中包含了大量有价值的知识和信息,因此吸引了很多研究人员对其进行深入挖掘和分析。知识图谱能够清晰且直观地对现实世界中的事物及其之间存在的各种关系进行形式化地表达,并向用户返回经过分类、总结和推理的知识,因此可以实现对海量知识的管理。从应用领域上,知识图谱可以分为通用知识图谱和领域知识图谱。通用知识图谱具有较大的规模、蕴含大量的通用性知识,且具有较好的知识广度,但其包含的大多是通用领域的常识知识,缺乏具体的领域的深度知识,因此无法满足用户对于特定领域的个性化需求。领域知识图谱在构建过程中更多地考虑用户的操作环境,行业背景和使用场景,因此更具有深度和完备性,同时相对于通用型知识图谱,领域知识图谱具有数据来源多、数据类型广,数据模式丰富等优势。
近年来,食品安全领域逐渐涌现出体量庞大的跨媒体数据。这些数据包含在线或实时数据,更新速度很快,而且在形式上多源异构,在语义上相互关联。但是这些海量信息还存在质量良莠不齐、组织异构无序、信息过剩等一系列问题,大量有价值与无价值的信息融合在一起,严重影响了对有价值数据的获取效率。食品安全事件通过在线新闻的方式被普通民众所了解,并且事件的发展通常具有三个特征:事件持续时间虽短,但新闻总数很多;事件影响范围很广;事件的过程与发展受到的关注度高。基于这些特点,单纯依靠阅读新闻文本很难对事件的发展有一个快速、全面的认识。当前食品安全知识图谱也仅限于文本知识,基于单一媒体的数据只能获取一方面的信息,使得信息量非常有限。因此,如何构建基于跨媒体数据的知识图谱,以便快速了解食品安全事件是一个亟待解决的问题。
发明内容
为了解决上述技术问题,本发明提供一种基于跨媒体数据的食品安全知识图谱构建方法及系统。
本发明技术解决方案为:一种基于跨媒体数据的食品安全知识图谱构建方法,包括:
步骤S1:获取多源异构的食品安全文本和食品安全图像,并对所述食品安全文本进行标注;
步骤S2:通过信息抽取与知识存储的方法,提取所述食品安全文本中的文本实体及其对应的关系,并存储至食品安全文本知识库;
步骤S3:通过视觉分析与对比外部知识库的方法,提取所述食品安全图像中的图像实体及其标签,并存储至食品安全视觉知识库;
步骤S4:通过知识表示学习方法,消除所述食品安全文本以及所述食品安全图像之间的异构性,对齐所述文本实体和所述图像实体,构建基于跨媒体数据的食品安全知识图谱。
本发明与现有技术相比,具有以下优点:
本发明公开了一种基于跨媒体数据的食品安全知识图谱构建方法,将与食品安全相关的由不同用户产生的、不同来源渠道的跨媒体食品安全数据融合在一起。充分挖掘多源异构知识间的潜在关联关系并进行有效的管理,指导人们对食品安全问题进行客观分析、准确预判和科学决策,既可实现对食品安全事件的有效预防和控制,又为食品安全管理体系建立与优化提供技术支撑,具有相当可观的应用价值。
附图说明
图1为本发明实施例中一种基于跨媒体数据的食品安全知识图谱构建方法的流程图;
图2为本发明实施例中食品安全文本数据标注示例图;
图3为本发明实施例中食品安全文本的信息联合抽取示意图;
图4为本发明实施例中食品安全图像的细粒度视觉知识抽取示意图的流程图;
图5为本发明实施例中图像实体与文本实体之间对齐的流程示意图;
图6为本发明实施例中一种基于跨媒体数据的食品安全知识图谱构建系统的结构框图。
具体实施方式
本发明提供了一种基于跨媒体数据的食品安全知识图谱构建方法,将与食品安全相关的由不同用户产生的、不同来源渠道的跨媒体食品安全数据融合在一起,实现对食品安全事件的有效预防和控制,又为食品安全管理体系建立与优化提供技术支撑。
为了使本发明的目的、技术方案及优点更加清楚,以下通过具体实施,并结合附图,对本发明进一步详细说明。
实施例一
如图1所示,本发明实施例提供的一种基于跨媒体数据的食品安全知识图谱构建方法,包括下述步骤:
步骤S1:获取多源异构的食品安全文本和食品安全图像,并对食品安全文本进行标注;
步骤S2:通过信息抽取与知识存储的方法,提取食品安全文本中的文本实体及其对应的关系,并存储至食品安全文本知识库;
步骤S3:通过视觉分析与对比外部知识库的方法,提取食品安全图像中的图像实体及其标签,并存储至食品安全视觉知识库;
步骤S4:通过知识表示学习方法,消除食品安全文本以及食品安全图像之间的异构性,对齐文本实体和图像实体,构建基于跨媒体数据的食品安全知识图谱。
在一个实施例中,上述步骤S1:获取多源异构的食品安全文本和食品安全图像,并对食品安全文本进行标注,具体包括:
本发明实施例基于中国食品安全网或其他食品安全官方平台,获取跨媒体食品安全相关数据信息,包括食品安全文本和食品安全图像。对其中的食品安全文本数据实体采用BIO的标注方式。将每个元素标注为“B-X”、“I-X”或者“O”。其中,“B-X”表示此元素所在的片段属于X类型并且此元素在此片段的开头,“I-X”表示此元素所在的片段属于X类型并且此元素在此片段的中间位置,“O”表示不属于任何类型。如图2所示,其中的数据标注'OOS'即out of standard表示该元素超标,'OrgBased_In'表示抽检组织,'Located_In'表示抽检地点,并将标注后最后一个分词链接到头实体。
在一个实施例中,上述步骤S2:通过信息抽取与知识存储的方法,提取食品安全文本中的文本实体及其对应的关系,并存储至食品安全文本知识库,具体包括:
对标注好的食品安全文本,使用BiLSTM提取词的表示;CRF层和sigmoid层能够为实体识别和关系抽取提供输出,并将提取结果存储至食品安全文本知识库。
如图3所示,为文本信息联合提取的示意图,包括嵌入层、BiLSTM层、CRF层以及sigmoid层。通过BiLSTM层为每个标注好的词提取更复杂的表示,之后CRF层用于实体识别任务,sigmoid层用于关系抽取任务。由于所抽取的食品信息中任何一个实体都可能与其他实体存在关系,因此不再将关系抽取任务当作一个每个关系互斥的多分类任务,而是看作每个关系独立的多个二分类任务,从而能够判断每一对实体是否可能有多个关系存在,以解决关系重叠问题。
如图4所示,在一个实施例中,上述步骤S3:通过视觉分析与对比外部知识库的方法,提取食品安全图像中的图像实体及其标签,并存储至食品安全视觉知识库,具体包括:
步骤S31:基于FOODD食品目标检测数据集进行扩充,将扩充后的数据集FOODD+的标签分为饮品、蔬菜、粮食和水果四类粗粒度标签;
其中,FOODD食品目标检测数据集中包含已有的60类细粒度标签;
步骤S32:使用YOLOv5对FOODD+训练,得到预训练模型;
步骤S33:将食品安全图像输入预训练模型,获取食品安全图像中的食品图像区域及其种类;
步骤S34:根据食品图像区域及其种类,在外部知识库中查找相关图像,并根据图像相关度对搜索结果进行排序,将排序前n的食品图像与步骤S33中得到的食品图像区域进行聚类,计算分类结果;
本发明实施例的外部知识库采用Wikipedia数据库;
步骤S35:如果步骤S33得到的食品种类属于FOODD中的60个细粒度标签之一,则与步骤S34中的分类结果进行对比,如对比结果不同,则将两种细粒度标签存入食品安全视觉知识库中;如果步骤S33得到的食品种类属于FOODD+中的4个粗粒度标签之一,则将S34中的分类结果作为细粒度标签存入食品安全视觉知识库中。
在一个实施例中,上述步骤S4:通过知识表示学习方法,消除食品安全文本以及食品安全图像之间的异构性,对齐文本实体和图像实体,构建基于跨媒体数据的食品安全知识图谱,具体包括:
步骤S41:获取食品安全文本知识库中文本实体,对其进行初始化嵌入得到相应的文本实体初始化向量;
步骤S42:获取食品安全视觉知识库中图像实体,进行初始化嵌入得到相应的图像实体初始化向量;
步骤S43:将文本实体初始化向量和图像实体初始化向量经过TransD模型得到同一特征空间的图像实体特征向量和文本实体向量,计算图像实体特征向量和文本实体向量之间的距离,实现图像实体和文本实体的对齐,构建基于跨媒体数据的食品安全知识图谱。
本发明实施例中的图像实体利用预训练的ResNet50网络提取图像特征到高维空间中,得到4096维度的图像表示。为了实现与文本实体的对齐,通过主成分分析的方法将图像特征降维到1024维度。在实际情况中,实体和关系分属于不同的空间,且不同的实体所在实体空间各有不同。为了使跨媒体三元组知识(头实体,关系,尾实体)能够嵌入到统一的低维语义特征空间,本发明采用TransD模型提供两个动态投影矩阵分别投影头实体和尾实体,且这两个映射矩阵由实体和关系共同确定,使得它们互不相同又相互作用。在经过TransD模型的联合嵌入结果的基础上,进行迭代实体对齐。利用距离公式(1)计算图像实体特征向量S1与文本实体T1之间的距离L。当发现图像实体特征向量S1与文本实体T2的距离小于L时,便将S1与T2建立关系,使其作为多媒体对齐实体。同时将新发现的多媒体对齐实体添加到种子集合中,并指导下一轮次的多媒体知识嵌入。如图5所示,展示了跨媒体的图像实体与文本实体之间对齐的流程。
其中,N和M分别表示图像实体和文本实体的数量;Si和Tj分别表示图像实体与文本实体。基于上述步骤获取的知识,构建跨媒体食品安全知识图谱。
本发明公开了一种基于跨媒体数据的食品安全知识图谱构建方法,将与食品安全相关的由不同用户产生的、不同来源渠道的跨媒体食品安全数据融合在一起。充分挖掘多源异构知识间的潜在关联关系并进行有效的管理,指导人们对食品安全问题进行客观分析、准确预判和科学决策,既可实现对食品安全事件的有效预防和控制,又为食品安全管理体系建立与优化提供技术支撑,具有相当可观的应用价值。
实施例二
如图6所示,本发明实施例提供了一种基于跨媒体数据的食品安全知识图谱构建系统,包括下述模块:
获取食品文本和图像模块51,用于获取多源异构的食品安全文本和食品安全图像,并对食品安全文本进行标注;
提取食品文本实体及关系模块52,用于通过信息抽取与知识存储的方法,提取食品安全文本中的文本实体及其对应的关系,并存储至食品安全文本知识库;
提取食品图像实体及类别模块53,用于通过视觉分析与对比外部知识库的方法,提取食品安全图像中的图像实体及其标签,并存储至食品安全视觉知识库;
食品文本实体和图像实体对齐模块54,用于通过知识表示学习方法,消除食品安全文本以及食品安全图像之间的异构性,对齐文本实体和图像实体,构建基于跨媒体数据的食品安全知识图谱。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (5)
1.一种基于跨媒体数据的食品安全知识图谱构建方法,其特征在于,包括:
步骤S1:获取多源异构的食品安全文本和食品安全图像,并对所述食品安全文本进行标注;
步骤S2:通过信息抽取与知识存储的方法,提取所述食品安全文本中的文本实体及其对应的关系,并存储至食品安全文本知识库;
步骤S3:通过视觉分析与对比外部知识库的方法,提取所述食品安全图像中的图像实体及其标签,并存储至食品安全视觉知识库;
步骤S4:通过知识表示学习方法,消除所述食品安全文本以及所述食品安全图像之间的异构性,对齐所述文本实体和所述图像实体,构建基于跨媒体数据的食品安全知识图谱。
2.根据权利要求1所述的基于跨媒体数据的食品安全知识图谱构建方法,其特征在于,所述步骤S2:通过信息抽取与知识存储的方法,提取所述食品安全文本中的文本实体及其对应的关系,并存储至食品安全文本知识库,具体包括:
对标注好的所述食品安全文本,使用BiLSTM提取词的表示;CRF层和sigmoid层能够为实体识别和关系抽取提供输出,并将提取结果存储至所述食品安全文本知识库。
3.根据权利要求1所述的基于跨媒体数据的食品安全知识图谱构建方法,其特征在于,所述步骤S3:通过视觉分析与对比外部知识库的方法,提取所述食品安全图像中的图像实体及其标签,并存储至食品安全视觉知识库,具体包括:
步骤S31:基于FOODD食品目标检测数据集进行扩充,将扩充后的数据集FOODD+的标签分为饮品、蔬菜、粮食和水果四类粗粒度标签;
步骤S32:使用YOLOv5对FOODD+训练,得到预训练模型;
步骤S33:将所述食品安全图像输入所述预训练模型,获取所述食品安全图像中的食品图像区域及其种类;
步骤S34:根据所述食品图像区域及其种类,在外部知识库中查找相关图像,并根据图像相关度对搜索结果进行排序,将排序前n的食品图像与步骤S33中得到的所述食品图像区域进行聚类,计算分类结果;
步骤S35:如果步骤S33得到的食品种类属于FOODD中的细粒度标签,则与步骤S34中的分类结果进行对比,如对比结果不同,则将两种细粒度标签存入所述食品安全视觉知识库中;如果步骤S33得到的食品种类属于FOODD+中的粗粒度标签,则将S34中的分类结果作为细粒度标签存入所述食品安全视觉知识库中。
4.根据权利要求1所述的基于跨媒体数据的食品安全知识图谱构建方法,其特征在于,所述步骤S4:通过知识表示学习方法,消除所述食品安全文本以及所述食品安全图像之间的异构性,对齐所述文本实体和所述图像实体,构建基于跨媒体数据的食品安全知识图谱,具体包括:
步骤S41:获取所述食品安全文本知识库中文本实体,对其进行初始化嵌入得到相应的文本实体初始化向量;
步骤S42:获取所述食品安全视觉知识库中图像实体,进行初始化嵌入得到相应的图像实体初始化向量;
步骤S43:将所述文本实体初始化向量和所述图像实体初始化向量经过TransD模型得到同一特征空间的图像实体特征向量和文本实体向量,计算所述图像实体特征向量和所述文本实体向量之间的距离,实现图像实体和文本实体的对齐,构建基于跨媒体数据的食品安全知识图谱。
5.一种基于跨媒体数据的食品安全知识图谱构建系统,其特征在于,包括下述模块:
获取食品文本和图像模块,用于获取多源异构的食品安全文本和食品安全图像,并对所述食品安全文本进行标注;
提取食品文本实体及关系模块,用于通过信息抽取与知识存储的方法,提取所述食品安全文本中的文本实体及其对应的关系,并存储至食品安全文本知识库;
提取食品图像实体及类别模块,用于通过视觉分析与对比外部知识库的方法,提取所述食品安全图像中的图像实体及其标签,并存储至食品安全视觉知识库;
食品文本实体和图像实体对齐模块,用于通过知识表示学习方法,消除所述食品安全文本以及所述食品安全图像之间的异构性,对齐所述文本实体和所述图像实体,构建基于跨媒体数据的食品安全知识图谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102345.2A CN114491071A (zh) | 2022-01-27 | 2022-01-27 | 一种基于跨媒体数据的食品安全知识图谱构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102345.2A CN114491071A (zh) | 2022-01-27 | 2022-01-27 | 一种基于跨媒体数据的食品安全知识图谱构建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114491071A true CN114491071A (zh) | 2022-05-13 |
Family
ID=81476717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210102345.2A Pending CN114491071A (zh) | 2022-01-27 | 2022-01-27 | 一种基于跨媒体数据的食品安全知识图谱构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491071A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707005A (zh) * | 2022-06-02 | 2022-07-05 | 浙江建木智能系统有限公司 | 一种舰船装备的知识图谱构建方法和系统 |
CN116467482A (zh) * | 2023-04-04 | 2023-07-21 | 广东省科学院广州地理研究所 | 多模态植物知识查询方法、系统及计算机设备 |
-
2022
- 2022-01-27 CN CN202210102345.2A patent/CN114491071A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707005A (zh) * | 2022-06-02 | 2022-07-05 | 浙江建木智能系统有限公司 | 一种舰船装备的知识图谱构建方法和系统 |
CN114707005B (zh) * | 2022-06-02 | 2022-10-25 | 浙江建木智能系统有限公司 | 一种舰船装备的知识图谱构建方法和系统 |
CN116467482A (zh) * | 2023-04-04 | 2023-07-21 | 广东省科学院广州地理研究所 | 多模态植物知识查询方法、系统及计算机设备 |
CN116467482B (zh) * | 2023-04-04 | 2024-04-09 | 广东省科学院广州地理研究所 | 多模态植物知识查询方法、系统及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635171B (zh) | 一种新闻节目智能标签的融合推理系统和方法 | |
CN110309331B (zh) | 一种基于自监督的跨模态深度哈希检索方法 | |
Behrisch et al. | Quality metrics for information visualization | |
Zou et al. | Multi-label semantics preserving based deep cross-modal hashing | |
CN112819023B (zh) | 样本集的获取方法、装置、计算机设备和存储介质 | |
Wu et al. | An overview of clustering methods for geo-referenced time series: From one-way clustering to co-and tri-clustering | |
EP3166020A1 (en) | Method and apparatus for image classification based on dictionary learning | |
CN109344285A (zh) | 一种面向监控的视频图谱构建和挖掘方法、设备 | |
CN108959305A (zh) | 一种基于互联网大数据的事件抽取方法及系统 | |
CN104573130A (zh) | 基于群体计算的实体解析方法及装置 | |
Chen et al. | A multi-channel deep neural network for relation extraction | |
CN114491071A (zh) | 一种基于跨媒体数据的食品安全知识图谱构建方法及系统 | |
Vijayarani et al. | Multimedia mining research-an overview | |
CN103778206A (zh) | 一种网络服务资源的提供方法 | |
Rinaldi et al. | User-centered information retrieval using semantic multimedia big data | |
CN115203338A (zh) | 一种标签及标签实例推荐方法 | |
Amin et al. | A method for video categorization by analyzing text, audio, and frames | |
CN113821702A (zh) | 一种城市多维空间多元异构信息数据处理方法 | |
Rizzo et al. | Shaping city neighborhoods leveraging crowd sensors | |
CN114842301A (zh) | 一种图像注释模型的半监督训练方法 | |
Yang et al. | Learning the synthesizability of dynamic texture samples | |
Chen et al. | Multi-modal multi-layered topic classification model for social event analysis | |
Ram et al. | An overview on multimedia data mining and its relevance today | |
CN111723301A (zh) | 基于层次化主题偏好语义矩阵的关注关系识别及标注方法 | |
Wu et al. | An unsupervised framework for extracting multilane roads from OpenStreetMap |
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 |