CN114519505A - 铁路客站的设备管理策略生成方法及系统 - Google Patents
铁路客站的设备管理策略生成方法及系统 Download PDFInfo
- Publication number
- CN114519505A CN114519505A CN202210044663.8A CN202210044663A CN114519505A CN 114519505 A CN114519505 A CN 114519505A CN 202210044663 A CN202210044663 A CN 202210044663A CN 114519505 A CN114519505 A CN 114519505A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- equipment
- user
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供一种铁路客站的设备管理策略生成方法及装置,包括获取目标设备的设备数据以及目标用户信息,基于目标用户信息获取目标设备的数据分类,确定设备数据的处理方式,根据设备数据的处理方式和目标用户信息生成三元组目标设备数据和三元组目标用户数据;将三元组目标设备数据和三元组目标用户数据进行知识融合处理,生成目标设备的完整知识描述;根据完整知识描述构建用户画像,并构建与用户画像相匹配的目标设备画像;将目标设备画像与设备管理系统融合,生成与目标用户信息对应的设备管理策略,并将设备管理策略发送给用户。本发明能够根据业务需求和客运作业分类向用户提供有针对性的需求数据,提升设备管理作业效率和客运服务质量。
Description
技术领域
本发明涉及设备管理技术领域,尤其涉及一种铁路客站的设备管理策略生成方法及系统。
背景技术
随着铁路运力的大幅增加,铁路客运在服务理念、服务方式、管理水平、管理方式以及相关的信息系统发展程度等方面均发生了积极而深刻的变化,铁路客站设备也趋向于数字化、网络化、智能化。由于铁路客站设备种类多、数量多、价值高、智能化水平高,设备运行过程中产生海量运行数据和相关信息,导致现有的设备管理系统无法根据业务需求和客运作业分类向用户提供有针对性的需求数据,不利于设备管理工作的开展,更不利于提升客运作业效率和旅客服务水平。
因此,如何根据业务需求和客运作业分类向用户提供有针对性的需求数据,从而提升设备管理作业效率和客运服务质量,是本课题亟需解决的技术问题。
发明内容
本发明提供一种铁路客站的设备管理策略生成方法及装置,用以解决现有技术中无法根据业务需求和客运作业分类向用户提供有针对性的需求数据的缺陷,实现设备管理作业效率以及客运服务质量的提高。
本发明提供一种铁路客站的设备管理策略生成方法,包括:
获取目标设备的设备数据以及目标用户信息,基于所述目标用户信息获取所述目标设备的数据分类,确定所述设备数据的处理方式,根据所述设备数据的处理方式和目标用户信息生成三元组目标设备数据和三元组目标用户数据;
将所述三元组目标设备数据和所述三元组目标用户数据进行知识融合处理,生成所述目标设备的完整知识描述;
根据所述完整知识描述构建用户画像,并构建与所述用户画像相匹配的目标设备画像;
将所述目标设备画像与设备管理系统融合,生成与所述目标用户信息对应的设备管理策略,并将所述设备管理策略发送给用户。
根据本发明提供的一种铁路客站的设备管理策略生成方法,所述根据所述完整知识描述构建用户画像,并构建与所述用户画像相匹配的目标设备画像之后,还包括:
基于所述目标设备画像生成目标设备知识图谱,并参照既有知识库确定所述目标设备知识图谱的缺失标签和初始标签;
基于所述缺失标签和初始标签生成完备客站设备画像;
所述将所述目标设备画像与设备管理系统融合,包括:
将基于缺失标签和初始标签生成的完备客站设备画像与设备管理系统融合。
根据本发明提供的一种铁路客站的设备管理策略生成方法,基于所述目标用户信息获取所述目标设备的数据分类,确定所述设备数据的处理方式,根据所述设备数据的处理方式和目标用户信息生成三元组目标设备数据和三元组目标用户数据,包括:
根据目标用户数据和目标设备数据的结构化程度,将所述设备数据分为非结构化数据、半结构化数据以及原始结构化数据;
基于国际标准从所述目标用户信息和非结构化数据中进行知识抽取,并将知识抽取的结果转化为所述三元组目标设备数据;
将所述半结构化数据进行确认以及知识抽取,根据抽取结果将所述半结构化数据转换为目标结构化数据,并将所述原始结构化数据以及所述目标结构化数据转化为三元组目标设备数据。
根据本发明提供的一种铁路客站的设备管理策略生成方法,所述将所述半结构化数据进行确认以及知识抽取,根据抽取结果将所述半结构化数据转换为目标结构化数据,包括:
从目标设备的设备数据中和目标用户信息中提取并确认半结构化数据;
对所述半结构化数据进行实体抽取、关系抽取以及属性抽取;
根据抽取结果将所述半结构化数据进行网页清洗、网页标注以及网页集合聚类,生成包装空间并进行评估,得到评估后的包装器;
对所述半结构化数据进行手工抽取,基于手工抽取结果与评估后的包装器得到最终的包装器,并基于最终的包装器生成目标结构化数据。
根据本发明提供的一种铁路客站的设备管理策略生成方法,所述根据所述完整知识描述所述构建用户画像,包括:
根据完整知识描述对所述目标用户的行为轨迹进行动态跟踪;其中所述完整知识描述包括:所述目标设备的应用场景、所述目标设备为用户提供的信息类型以及目标用户访问所述目标设备的渠道;
根据所述目标用户的属性数据,从静态角度评估所述目标用户的价值;其中所述属性数据包括:人口属性、商业属性、使用意向、工作形态、用户状态以及用户关系;
根据所述目标用户的属性数据抽取所述目标用户共同的特征值,列出所述特征值与所述目标设备的相关性并进行优先级排列;
根据所述目标用户的价值与目标设备相关性的优先级排列结果提取关键要素并构建可视化模型,并基于所述可视化模型输出目标用户画像。
根据本发明提供的一种铁路客站的设备管理策略生成方法,所述构建与所述用户画像相匹配的目标设备画像,包括:
对所述目标设备涉及到的所有用户进行筛选得到所述目标用户以及所述目标用户的画像数据;
从所述画像数据中提取所述目标用户的特征信息;
构建与所述特征信息相匹配的目标设备画像;
获取所述目标用户对所述目标设备画像的反馈信息,并基于所述反馈信息对所述目标设备画像进行修正。
本发明还提供一种铁路客站的设备管理策略生成装置,包括:
三元组目标设备数据生成模块,用于获取目标设备的设备数据以及目标用户信息,基于所述目标用户信息获取所述目标设备的数据分类,确定所述设备数据的处理方式,根据所述设备数据的处理方式和目标用户信息生成三元组目标设备数据和三元组目标用户数据;
完整知识描述生成模块,用于将所述三元组目标设备数据和所述三元组目标用户数据进行知识融合处理,生成所述目标设备的完整知识描述;
目标设备画像生成模块,用于根据所述完整知识描述所述构建用户画像,并构建与所述用户画像相匹配的目标设备画像;
设备管理策略生成模块,用于将所述目标设备画像与设备管理系统融合,生成与所述目标用户信息对应的设备管理策略,并将所述设备管理策略发送给用户。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述铁路客站的设备管理策略生成方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述铁路客站的设备管理策略生成方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述铁路客站的设备管理策略生成方法的步骤。
本发明提供的铁路客站的设备管理策略生成方法及装置,通过将目标设备的设备数据和目标用户信息生成三元组数据,将三元组目标设备数据和用户数据进行融合,然后根据完整知识描述构建出用户画像以及设备画像。将构建出的设备画像与设备管理系统融合之后,将生成的设备管理策略发送给用户,融合了目标设备画像与设备管理系统,为目标用户提供了个性化、智能化的目标设备管理策略和辅助决策手段,从而能够根据业务需求和客运作业分类向用户提供有针对性的需求数据,提升设备管理作业效率和客运服务质量。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术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。
图1是本发明提供的铁路客站的设备管理策略生成方法的流程示意图之一;
图2是本发明提供的铁路客站的设备管理策略生成方法的流程示意图之二;
图3是本发明提供的铁路客站的设备管理策略生成方法的流程示意图之三;
图4是本发明提供的铁路客站的设备管理策略生成方法的流程示意图之四;
图5是本发明提供的铁路客站的设备管理策略生成方法的流程示意图之五;
图6是本发明提供的铁路客站的设备管理策略生成方法的流程示意图之六;
图7是本发明提供的铁路客站的设备管理策略生成方法的流程示意图之七;
图8是本发明提供的铁路客站的设备管理策略生成方法的流程示意图之八;
图9是本发明提供的铁路客站的设备管理策略生成方法的流程示意图之九;
图10是本发明提供的铁路客站的设备管理策略生成装置的结构示意图;
图11是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图9描述本发明提供的铁路客站的设备管理策略生成方法。
步骤110:获取目标设备的设备数据以及目标用户信息,基于所述目标用户信息获取所述目标设备的数据分类,确定所述设备数据的处理方式,根据所述设备数据的处理方式和目标用户信息生成三元组目标设备数据和三元组目标用户数据;
具体地,本实施例中的设备数据以及目标用户信息均是通过实时采集和接口获取的。其中,设备数据包括表格、图形、音频、视频、文字以及网页等。相关的目标用户包括路局、车站、客运段、科室、班组、供应商、维保商、个人等不用种类的用户,其用户信息包括履历信息、登录信息、使用信息、状态信息、关系信息等。
其中,目标用户信息具体包括:姓名、民族、文化背景以及政治背景等人口属性;设备管理员、维保人员、采购人员、供应商或维保商等商业属性;设备运维、设备管控以及后台查看等使用意向;24 小时工作、按照预设计划排班等工作形态,在线、离线、维护中、派班中等用户状态,管理者与使用者等用户关系。根据以上所述目标用户数据和目标设备数据进行数据分类。
本实施例中,根据目标用户信息确认目标设备的设备数据的类型,具体可分为:非结构化数据、半结构化数据以及结构化数据,并根据设备数据的分类结构确认数据的处理方式。基于不同的处理方式,将不同分类的设备数据转化为三元组目标设备数据,相应的,将目标用户信息转化为三元组目标用户数据。
步骤120:将所述三元组目标设备数据和所述三元组目标用户数据进行知识融合处理,生成所述目标设备的完整知识描述;
具体地,本实施例中将三元组目标设备数据与三元组目标用户数据通过知识融合对数据进行逻辑归属和冗杂/错误过滤,生成对目标设备的完整知识描述,以消除实体表达的矛盾和歧义,增加知识链接,提升知识的应用价值。
需要说明的是,知识融合需要实体链接和知识合并两个流程来实现。其中,对于非结构化以及半结构化数据,通过对给定的实体指称项进行相似度计算进行实体消歧(消除同名实体产生的歧义)和共指消解(保证指称与实体对象的对应关系),确认正确的实体指称项后,将该实体指称项链接到知识库对应实体。对于结构化的数据,主要通过知识合并完成结构化数据的合并。
步骤130:根据所述完整知识描述构建用户画像,并构建与所述用户画像相匹配的目标设备画像;
具体地,设备画像可包括基础属性、客站属性、使用属性、技术属性以及共享属性等多种属性关系。
其中,技术属性包括但不限于:名称、类型、类别、数量、型号、编号以及功能等;客站属性包括但不限于:安装位置、供应商、维保商、进货渠道、所属路局(车站/部门)以及价值等);使用属性包括但不限于:用途、使用方法、维修方法、使用对象、运行状况、使用频次、故障发生率以及修复时长等;技术属性包括但不限于:构成原理、使用机理、制造技术以及运行特点等;共享属性包括但不限于:支持用户数量、访问方法、虚拟技术以及数据交互机制等多种属性关系。
步骤140:将所述目标设备画像与设备管理系统融合,生成与所述目标用户信息对应的设备管理策略,并将所述设备管理策略发送给用户。
具体地,在生成目标设备画像之后,将目标设备画像与设备管理系统相融合,按照目标设备类别、使用情况、维保情况、故障等级、用户类型以及需求迫切程度等分类给出个性化的目标设备管理策略推荐,便于目标设备的智能化主动运维和协同管控。
本发明实施例提供的铁路客站的设备管理策略生成方法,通过将目标设备的设备数据和目标用户信息生成三元组数据,将三元组目标设备数据和用户数据就那些融合,然后根据完整知识描述构建出用户画像以及设备画像。将构建出的设备画像与设备管理系统融合之后,将生成的设备管理策略发送给用户,融合了目标设备画像与设备管理系统,为目标用户提供了个性化、智能化的目标设备管理策略和辅助决策手段,从而能够根据业务需求和客运作业分类向用户提供有针对性的需求数据,提升设备管理作业效率和客运服务质量。
基于以上实施例,所述根据所述完整知识描述构建用户画像,并构建与所述用户画像相匹配的目标设备画像之后,还包括:
基于所述目标设备画像生成目标设备知识图谱,并参照既有知识库确定所述目标设备知识图谱的缺失标签和初始标签;
基于所述缺失标签和初始标签生成完备客站设备画像;
所述将所述目标设备画像与设备管理系统融合,包括:
将基于缺失标签和初始标签生成的完备客站设备画像与设备管理系统融合。
本实施例中,通过已生成的目标设备画像生成与目标设备对应的知识图谱,然后根据知识图谱参照既有知识库,进行进一步的知识计算,并根据知识图谱的初始标签,从而确定目标设备的缺失标签。
生成缺失标签之后,结合初始标签,对以生成的目标设备画像进行完善,以生成较为完备的客站设备画像。然后基于铁路客站设备管理系统,将较完备的客站设备画像与之结合,根据目标用户需求推荐个性化的目标设备管理策略。
基于以上实施例,基于所述目标用户信息获取所述目标设备的数据分类,确定所述设备数据的处理方式,根据所述设备数据的处理方式和目标用户信息生成三元组目标设备数据和三元组目标用户数据,包括:
根据目标用户数据和目标设备数据的结构化程度,将所述设备数据分为非结构化数据、半结构化数据以及原始结构化数据;
基于国际标准从所述目标用户信息和非结构化数据中进行知识抽取,并将知识抽取的结果转化为所述三元组目标设备数据;
将所述半结构化数据进行确认以及知识抽取,根据抽取结果将所述半结构化数据转换为目标结构化数据,并将所述原始结构化数据以及所述目标结构化数据转化为三元组目标设备数据。
需要说明的是,在本实施例中,根据用户目标信息以及目标设备的结构化程度对设备数据进行分类处理,其分类结果为:非结构化数据、半结构化数据以及原始结构化数据。
根据数据的分类结果,对非结构化数据、半结构化数据以及原始结构化数据进行不同的处理,具体包括:
数据处理方式一:从非结构化目标设备数据中抽取出已命名的各实体、各实体的属性以及实体间的关系;非结构化数据一般指文本、图片、声音、视频等包含的信息;根据非结构化数据内容,依据国际标准从目标设备信息和目标用户信息中分别抽取人名、地名、组织机构名、时间和数字共五大类实体;将经过实体抽取的数据转化为三元组目标设备数据。
数据处理方式二:对半结构化数据进行确认和知识抽取,具体包括:从目标设备数据和用户信息中提取表格、列表等半结构化数据;对于确认后的半结构化数据,根据HTML网页输入内容,通过手工提取、包装器归纳、自动抽取,生成包装器,并输出需要的结构化数据。
基于以上实施例,所述将所述半结构化数据进行确认以及知识抽取,根据抽取结果将所述半结构化数据转换为目标结构化数据,包括:
从目标设备的设备数据中和目标用户信息中提取并确认半结构化数据;
对所述半结构化数据进行实体抽取、关系抽取以及属性抽取;
根据抽取结果将所述半结构化数据进行网页清洗、网页标注以及网页集合聚类,生成包装空间并进行评估,得到评估后的包装器;
对所述半结构化数据进行手工抽取,基于手工抽取结果与评估后的包装器得到最终的包装器,并基于最终的包装器生成目标结构化数据。
基于上述实施例中的数据处理方式二,本实施例中,对于半结构化数据进行网页清洗和网页标注,对输入的HTML网页内容进行清理,标注待处理的网页信息;生成WrapperSpace包装空间以及对 Wrapper评估,输出包装器。
借助有监督学习的方法,根据从标注好的训练样例集合中学习的数据抽取规则,从其他相同标记或相同的网页模板中抽取目标数据,即对数据进行网页集合聚类。将聚类后的网页同样生成Wrapper Space包装空间以及对Wrapper评估,输出包装器。包装器根据手工知识抽取以及经过评估后的网页生成目标结构化数据。
基于以上实施例,所述根据所述完整知识描述所述构建用户画像,包括:
根据完整知识描述对所述目标用户的行为轨迹进行动态跟踪;其中所述完整知识描述包括:所述目标设备的应用场景、所述目标设备为用户提供的信息类型以及目标用户访问所述目标设备的渠道;
其中,所述目标设备的主要应用场景包括但不限于:设备巡检、运行状况监测、故障预测预警、运维计划制订、与客运作业协同联动、辅助决策、健康状况评价、供货商选择、设备维保的结果分析等。目标用户包括但不限于:各路局、车站、客运段的设备管理人员、设备维保人员、设备供货商、设备采购人员、设备巡检人员以及设备管控平台操作人员等。根据应用场景特点和对应用户,匹配目标用户、设备管理方式、数据访问渠道以及其在不同应用场景下的具体需求,明确给出用户行为轨迹的动态跟踪结果。
根据所述目标用户的属性数据,从静态角度评估所述目标用户的价值;其中所述属性数据包括:人口属性、商业属性、使用意向、工作形态、用户状态以及用户关系;
其中,目标用户数据的具体属性包括:姓名、民族、文化背景、政治背景等人口属性,设备管理员、维保人员、采购人员、供应商、维保商等商业属性,设备运维、设备管控、后台查看等使用意向,24 小时工作、按照预设计划排班等工作形态,在线、离线、维护中、派班中等用户状态,管理者与使用者等用户关系。
通过上述用户属性可以从多维度分析用户的静态信息,从铁路客站设备的选型、采购、管理、使用、运维、保养等角度出发,评估目标用户的价值。
根据所述目标用户的属性数据抽取所述目标用户共同的特征值,列出所述特征值与所述目标设备的相关性并进行优先级排列;
具体地,通过对目标用户进行上述多维度、多角度的分析提取某类目标用户共同的特征值,比对客站设备的类别、用途、位置、重要程度等进行特征值的相关性关联,再按照对于客运服务的重要性水平进行优先级排序。
根据所述目标用户的价值与目标设备相关性的优先级排列结果提取关键要素并构建可视化模型,并基于所述可视化模型输出目标用户画像。
其中,可视化模型包括但不限于:矩阵图、散点图、曲线图、概率图、灰度图、条形图、面积图等图表以及2D平面模型和3D孪生模型等。
本实施例通过动态角度以及静态角度两个角度构建用户画像。根据动、静态用户信息设定不同的用户标签,从中抽取共同特征值并完成与目标设备相关性的优先级排列,由排列结果构建可视化模型,输出目标用户画像。
基于以上实施例,所述构建与所述用户画像相匹配的目标设备画像,包括:
对所述目标设备涉及到的所有用户进行筛选得到所述目标用户以及所述目标用户的画像数据;
从所述画像数据中提取所述目标用户的特征信息;
构建与所述特征信息相匹配的目标设备画像;
获取所述目标用户对所述目标设备画像的反馈信息,并基于所述反馈信息对所述目标设备画像进行修正。
本实施例通过对目标设备设计到的所有用户进行筛选得到目标用户,生成目标用户的画像数据,并通过对画像数据的特征信息提取从而生成与特征信息相匹配的设备画像。然后根据目标用户对设备画像的反馈信息,从而对目标设备画像进行修正,从而得到更加准确的目标设备画像。
参照图2-图9,以下对本发明提供的铁路客站的设备管理策略生成方法进行详细描述。
参照图2,本发明提供的铁路客站的设备管理策略生成方法的具体流程,包括以下步骤:
步骤210:通过数据引擎获取铁路客站设备结构化程度以及目标用户信息;
步骤220:根据所述目标用户信息,确定所述目标设备的数据分类;
步骤230:根据所述数据分类和目标用户信息,确定所述目标设备数据的处理方式,生成对应的三元组目标设备数据和用户数据;
步骤240:根据所述三元组目标设备数据和用户数据进行知识融合处理,生成目标设备的完整知识描述;
步骤250:根据目标设备的完整知识描述,构建用户画像以及与之匹配的目标设备画像;
步骤260:根据目标设备画像和用户画像初步构建目标设备知识图谱;
步骤270:根据目标设备知识图谱进行进一步知识计算,确定目标设备缺失的标签;
步骤280:根据所确定的目标设备缺失的标签以及目标设备的初始标签,生成较为完备的目标设备画像;
步骤290:基于铁路客站设备管理系统,将较完备的目标设备画像与之结合,根据目标用户需求推荐个性化的目标设备管理策略。
参照图3,根据所述目标设备数据和用户信息,生成对应三元组目标设备数据和用户数据,具体包括以下步骤:
步骤310:获取非结构的目标设备数据对应的抽取对象,包括实体、实体的属性以及各实体间的关系;
步骤320:根据抽取对象,确定与非结构化目标设备数据对应的数据处理方式一;
步骤330:根据数据处理方式一,从非结构化目标设备数据中抽取出已命名的各实体、各实体的属性以及实体间的关系;
步骤340:根据已命名的各实体、各实体的属性以及实体间的关联关系,生成与非结构化目标设备数据对应的三元组目标设备数据;
步骤350:按照数据处理方式二抽取半结构化目标设备数据,并将其还原至结构化目标设备数据;
步骤360:通过数据处理方式三将获取到的所有结构化目标设备数据转换成三元组目标设备数据。
需要说明的是,首先,获取非结构化客站设备数据的实体、属性及实体间关系等抽取对象,按照实体抽取、实体识别与链接、关系抽取等方法生成与之对应的三元组客站设备数据。其次,按照包装器的方式完成对半结构化数据的三元组数据生成。最后,通过图映射或 D2R转换等方式将结构化数据转换为知识图谱。
需要说明的是,对于面向非结构化数据的知识抽取中的实体抽取为对原始数据中的原子信息元素进行抽取,通常包含关键信息等标签,具体的标签可根据用户需求和管理任务的不同而调整。
另外,对于面向非结构化数据的知识抽取中的实体识别为识别所供数据的句子或文本中的实体,链接则将实体与知识库(包括第三方知识库和铁路客运站既有设备管理知识库)中对应实体进行链接,包括:经由命名实体识别或词典匹配技术进行实体的指称识别,之后对候选实体进行消歧,得到唯一的实体候选后与知识库中的实体再进行连接。
此外,对于面向非结构化数据的知识抽取中的关系抽取则为利用基于触发词的Pattern、Pipeline、Bootstrapping等方法抽取两个或多个实体间的语义关系。
参照图4,图4是本发明提供的半结构化数据的知识抽取流程图,如图4所示,XML、HTML网页信息等半结构化数据,通过网页清洗和网页标注,生成Wrapper Space并完成Wrapper评估,并输出至包装器中。
将相似网页组1、相似网页组2……相似网页组M进行网页集合聚类(同理将网页3、网页4……网页N进行网页集合聚类),生成若干个包装器Wrapper Space,并抽取得到的信息输入至生成的包装器中,并和经过Wrapper Space评估和手工知识抽取的信息一起输入至最终的包装器,输出所需信息,从而完成所需知识的抽取。
参照图5,整个用户画像构建方法包括但不限于以下步骤:
步骤510:根据客站设备自身属性、运行特点准确识别并收集目标用户数据;
步骤520:从客站设备的主要应用场景、客站设备为目标用户提供的信息类型、目标用户访问设备的渠道等动态跟踪目标用户的行为轨迹;
步骤530:结合目标用户的人口属性、商业属性、使用意向、工作形态、用户状态、用户关系等从静态角度评估目标用户价值;
步骤540:根据目标用户的标签所反映的特征抽取共同的特征值并进行与客站设备的相关性优先级排列;
步骤550:根据目标用户与客站设备相关性优先级排列结果提炼关键要素并构建可视化模型,给出目标用户画像。
参照图6,构建与用户画像相匹配的设备画像,包括但不限于以下步骤:
步骤610:对客站设备涉及到的所有用户进行筛选得到所述目标用户的用户画像数据;
步骤620:从用户画像数据中提取出与设备管理相关的目标用户的特征信息;
步骤630:根据特征信息构建与目标用户画像相匹配的客站设备画像;
步骤640:获取所述目标用户对所述设备画像的反馈数据;
步骤650:根据上述反馈数据对设备画像进行修正。
参照图7,图7是本发明的设备画像属性示意图。
客站设备画像包括但不限于:
基础属性710,如:名称、类型、类别、数量、型号、编号、功能等;
客站属性720,如:安装位置、供应商、维保商、进货渠道、所属路局/车站/部门、价值等;
使用属性730,如:用途、使用方法、维修方法、使用对象、运行状况、使用频次、故障发生率、修复时长等等;
技术属性740,如:构成原理、使用机理、制造技术、运行特点等;
共享属性750,如:支持用户数量、访问方法、虚拟技术、数据交互机制等。
参照图8,本发明提供的铁路客站的设备管理策略生成方法,运用了以下技术,包括但不限于:
步骤810:基于多角度多维度多模态大数据哈希技术、图数据库存储技术。完成多角度多维度多模态客站设备的大数据采集与存储。即采用度量学习(metric learning)的机器学习机制将输入的数据降维处理,得到低维空间的实数向量表示,再经哈希函数h变换,映射成二进制哈希码,显著减少数据存储和通信开销。
步骤820:基于神经语言模型的实体与关系抽取、实体对齐与数据融合。完成多源信息中实体抽取与关系抽取。
步骤830:基于动态记忆网络模型的关系推理与实体动态更新技术,实现领域知识图谱的动态演化与扩展。
具体表现为:进行目标设备知识图谱的动态演化与推演更新,其中,动态记忆网络(包括:输入数据、词向量生成、提取输入信息、检索有用输入、推断生成最终信息表示)可以用来处理输出的问题序列,根据输入的数据和问题,形成语义与情景记忆,生成相应的记忆片段并解析生成最终答案。
步骤840:基于深度学习的知识推理和辅助决策技术,构建基于知识图谱的客站设备画像。
步骤850:基于大数据分析的辅助决策技术,并将其应用于基于知识图谱的设备管理系统。
参照图9,图9是本发明提供的知识图谱构建过程示意图。知识图谱的构建包括知识抽取、知识存储、知识融合、知识建模、知识计算和知识应用。
知识存储包括第三方知识库以及既有知识库,其中既有知识库是根据领域知识以及相关知识生成的。
其中,知识抽取为从结构化数据、半结构化数据、非结构化数据的原始数据中进行知识抽取和数据抽取。其中,对半结构化数据和结构化数据知识抽取,包括:实体抽取、关系抽取以及属性抽取。对结构化数据进行数据抽取之后,参考第三方知识库以及既有知识库进行数据整合,与知识抽取结果一同形成初步知识表示。
然后对初步知识表示进行知识融合,知识融合为知识对齐,即对初步的知识表示进行歧义消解和统一,其中包括实体消歧和共指消解。根据知识建模中构建的数据模型框架补充数据形成标准知识表示;然后对标准知识表示进行知识计算,知识计算为对标准的知识表示进行推理。具体包括:对标准知识表示根据属性特征、实力合并以及关系链接进行知识推理和知识发现。
根据已有的数据模型和数据,依据推理规则获得满足语义和逻辑的新的知识或结论,并对推理得出的结果数据进行评估,将得到的合格数据放入知识图谱。将知识发现的结果进行质量评估,得到知识图谱,从而进行知识应用。
知识应用则根据得到的知识图谱和具体的应用场景,按照目标用户的具体需求进行针对性的场景应用和多样化的数据展现。知识应用具体包括:对知识图谱进行知识表示,并基于知识存储的领域知识以及相关知识完成模型构建,基于模型构建生成数据模型,并将知识应用以及数据模型进行知识存储。
下面对本发明提供的铁路客站的设备管理策略生成装置进行描述,下文描述的铁路客站的设备管理策略生成装置与上文描述的铁路客站的设备管理策略生成方法可相互对应参照。
参照图10,本发明提供一种铁路客站的设备管理策略生成装置,包括:
三元组目标设备数据生成模块101,用于获取目标设备的设备数据以及目标用户信息,基于所述目标用户信息获取所述目标设备的数据分类,确定所述设备数据的处理方式,根据所述设备数据的处理方式和目标用户信息生成三元组目标设备数据和三元组目标用户数据;
完整知识描述生成模块102,用于将所述三元组目标设备数据和所述三元组目标用户数据进行知识融合处理,生成所述目标设备的完整知识描述;
目标设备画像生成模块103,用于根据所述完整知识描述所述构建用户画像,并构建与所述用户画像相匹配的目标设备画像;
设备管理策略生成模块104,用于将所述目标设备画像与设备管理系统融合,生成与所述目标用户信息对应的设备管理策略,并将所述设备管理策略发送给用户。
本发明提供的铁路客站的设备管理策略生成装置,通过将目标设备的设备数据和目标用户信息生成三元组数据,将三元组目标设备数据和用户数据就那些融合,然后根据完整知识描述构建出用户画像以及设备画像。将构建出的设备画像与设备管理系统融合之后,将生成的设备管理策略发送给用户,融合了目标设备画像与设备管理系统,为目标用户提供了个性化、智能化的目标设备管理策略和辅助决策手段,从而能够根据业务需求和客运作业分类向用户提供有针对性的需求数据,提升设备管理作业效率和客运服务质量。
可选地,本发明提供的铁路客站的设备管理策略生成装置,还包括以下模块:
知识图谱生成模块,用于基于所述目标设备画像生成目标设备知识图谱,并参照既有知识库确定所述目标设备知识图谱的缺失标签和初始标签;
完备客站设备画像生成模块,用于基于所述缺失标签和初始标签生成完备客站设备画像;
设备管理策略生成模块具体用于:将基于缺失标签和初始标签生成的完备客站设备画像与设备管理系统融合。
可选地,三元组目标设备数据生成模块,具体用于:根据目标用户数据和目标设备数据的结构化程度,将所述设备数据分为非结构化数据、半结构化数据以及原始结构化数据;
基于国际标准从所述目标用户信息和非结构化数据中进行知识抽取,并将知识抽取的结果转化为所述三元组目标设备数据;
将所述半结构化数据进行确认以及知识抽取,根据抽取结果将所述半结构化数据转换为目标结构化数据,并将所述原始结构化数据以及所述目标结构化数据转化为三元组目标设备数据。
可选地,三元组目标设备数据生成模块,具体用于:从目标设备的设备数据中和目标用户信息中提取并确认半结构化数据;
对所述半结构化数据进行实体抽取、关系抽取以及属性抽取;
根据抽取结果将所述半结构化数据进行网页清洗、网页标注以及网页集合聚类,生成包装空间并进行评估,得到评估后的包装器;
对所述半结构化数据进行手工抽取,基于手工抽取结果与评估后的包装器得到最终的包装器,并基于最终的包装器生成目标结构化数据。
可选地,目标设备画像生成模块具体用于:根据完整知识描述对所述目标用户的行为轨迹进行动态跟踪;其中所述完整知识描述包括:所述目标设备的应用场景、所述目标设备为用户提供的信息类型以及目标用户访问所述目标设备的渠道;
根据所述目标用户的属性数据,从静态角度评估所述目标用户的价值;其中所述属性数据包括:人口属性、商业属性、使用意向、工作形态、用户状态以及用户关系;
根据所述目标用户的属性数据抽取所述目标用户共同的特征值,列出所述特征值与所述目标设备的相关性并进行优先级排列;
根据所述目标用户的价值与目标设备相关性的优先级排列结果提取关键要素并构建可视化模型,并基于所述可视化模型输出目标用户画像。
可选地,目标设备画像生成模块进一步用于:对所述目标设备涉及到的所有用户进行筛选得到所述目标用户以及所述目标用户的画像数据;
从所述画像数据中提取所述目标用户的特征信息;
构建与所述特征信息相匹配的目标设备画像;
获取所述目标用户对所述目标设备画像的反馈信息,并基于所述反馈信息对所述目标设备画像进行修正。
图11示例了一种电子设备的实体结构示意图,如图11所示,该电子设备可以包括:处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory)1130和通信总线1140,其中,处理器1110,通信接口1120,存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑指令,以执行铁路客站的设备管理策略生成方法,该方法包括:
获取目标设备的设备数据以及目标用户信息,基于所述目标用户信息获取所述目标设备的数据分类,确定所述设备数据的处理方式,根据所述设备数据的处理方式和目标用户信息生成三元组目标设备数据和三元组目标用户数据;
将所述三元组目标设备数据和所述三元组目标用户数据进行知识融合处理,生成所述目标设备的完整知识描述;
根据所述完整知识描述构建用户画像,并构建与所述用户画像相匹配的目标设备画像;
将所述目标设备画像与设备管理系统融合,生成与所述目标用户信息对应的设备管理策略,并将所述设备管理策略发送给用户。
此外,上述的存储器1130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明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)执行本发明各个实施例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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的铁路客站的设备管理策略生成方法,该方法包括:
获取目标设备的设备数据以及目标用户信息,基于所述目标用户信息获取所述目标设备的数据分类,确定所述设备数据的处理方式,根据所述设备数据的处理方式和目标用户信息生成三元组目标设备数据和三元组目标用户数据;
将所述三元组目标设备数据和所述三元组目标用户数据进行知识融合处理,生成所述目标设备的完整知识描述;
根据所述完整知识描述构建用户画像,并构建与所述用户画像相匹配的目标设备画像;
将所述目标设备画像与设备管理系统融合,生成与所述目标用户信息对应的设备管理策略,并将所述设备管理策略发送给用户。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的铁路客站的设备管理策略生成方法,该方法包括:
获取目标设备的设备数据以及目标用户信息,基于所述目标用户信息获取所述目标设备的数据分类,确定所述设备数据的处理方式,根据所述设备数据的处理方式和目标用户信息生成三元组目标设备数据和三元组目标用户数据;
将所述三元组目标设备数据和所述三元组目标用户数据进行知识融合处理,生成所述目标设备的完整知识描述;
根据所述完整知识描述构建用户画像,并构建与所述用户画像相匹配的目标设备画像;
将所述目标设备画像与设备管理系统融合,生成与所述目标用户信息对应的设备管理策略,并将所述设备管理策略发送给用户。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种铁路客站的设备管理策略生成方法,其特征在于,包括:
获取目标设备的设备数据以及目标用户信息,基于所述目标用户信息获取所述目标设备的数据分类,确定所述设备数据的处理方式,根据所述设备数据的处理方式和目标用户信息生成三元组目标设备数据和三元组目标用户数据;
将所述三元组目标设备数据和所述三元组目标用户数据进行知识融合处理,生成所述目标设备的完整知识描述;
根据所述完整知识描述构建用户画像,并构建与所述用户画像相匹配的目标设备画像;
将所述目标设备画像与设备管理系统融合,生成与所述目标用户信息对应的设备管理策略,并将所述设备管理策略发送给用户。
2.根据权利要求1所述的铁路客站的设备管理策略生成方法,其特征在于,所述根据所述完整知识描述构建用户画像,并构建与所述用户画像相匹配的目标设备画像之后,还包括:
基于所述目标设备画像生成目标设备知识图谱,并参照既有知识库确定所述目标设备知识图谱的缺失标签和初始标签;
基于所述缺失标签和初始标签生成完备客站设备画像;
所述将所述目标设备画像与设备管理系统融合,包括:
将基于缺失标签和初始标签生成的完备客站设备画像与设备管理系统融合。
3.根据权利要求1所述的铁路客站的设备管理策略生成方法,其特征在于,基于所述目标用户信息获取所述目标设备的数据分类,确定所述设备数据的处理方式,根据所述设备数据的处理方式和目标用户信息生成三元组目标设备数据和三元组目标用户数据,包括:
根据目标用户数据和目标设备数据的结构化程度,将所述设备数据分为非结构化数据、半结构化数据以及原始结构化数据;
基于国际标准从所述目标用户信息和非结构化数据中进行知识抽取,并将知识抽取的结果转化为所述三元组目标设备数据;
将所述半结构化数据进行确认以及知识抽取,根据抽取结果将所述半结构化数据转换为目标结构化数据,并将所述原始结构化数据以及所述目标结构化数据转化为三元组目标设备数据。
4.根据权利要求3所述的铁路客站的设备管理策略生成方法,其特征在于,所述将所述半结构化数据进行确认以及知识抽取,根据抽取结果将所述半结构化数据转换为目标结构化数据,包括:
从目标设备的设备数据中和目标用户信息中提取并确认半结构化数据;
对所述半结构化数据进行实体抽取、关系抽取以及属性抽取;
根据抽取结果将所述半结构化数据进行网页清洗、网页标注以及网页集合聚类,生成包装空间并进行评估,得到评估后的包装器;
对所述半结构化数据进行手工抽取,基于手工抽取结果与评估后的包装器得到最终的包装器,并基于最终的包装器生成目标结构化数据。
5.根据权利要求1所述的铁路客站的设备管理策略生成方法,其特征在于,所述根据所述完整知识描述所述构建用户画像,包括:
根据完整知识描述对所述目标用户的行为轨迹进行动态跟踪;其中所述完整知识描述包括:所述目标设备的应用场景、所述目标设备为用户提供的信息类型以及目标用户访问所述目标设备的渠道;
根据所述目标用户的属性数据,从静态角度评估所述目标用户的价值;其中所述属性数据包括:人口属性、商业属性、使用意向、工作形态、用户状态以及用户关系;
根据所述目标用户的属性数据抽取所述目标用户共同的特征值,列出所述特征值与所述目标设备的相关性并进行优先级排列;
根据所述目标用户的价值与目标设备相关性的优先级排列结果提取关键要素并构建可视化模型,并基于所述可视化模型输出目标用户画像。
6.根据权利要求1所述的铁路客站的设备管理策略生成方法,其特征在于,所述构建与所述用户画像相匹配的目标设备画像,包括:
对所述目标设备涉及到的所有用户进行筛选得到所述目标用户以及所述目标用户的画像数据;
从所述画像数据中提取所述目标用户的特征信息;
构建与所述特征信息相匹配的目标设备画像;
获取所述目标用户对所述目标设备画像的反馈信息,并基于所述反馈信息对所述目标设备画像进行修正。
7.一种铁路客站的设备管理策略生成装置,其特征在于,包括:
三元组目标设备数据生成模块,用于获取目标设备的设备数据以及目标用户信息,基于所述目标用户信息获取所述目标设备的数据分类,确定所述设备数据的处理方式,根据所述设备数据的处理方式和目标用户信息生成三元组目标设备数据和三元组目标用户数据;
完整知识描述生成模块,用于将所述三元组目标设备数据和所述三元组目标用户数据进行知识融合处理,生成所述目标设备的完整知识描述;
目标设备画像生成模块,用于根据所述完整知识描述所述构建用户画像,并构建与所述用户画像相匹配的目标设备画像;
设备管理策略生成模块,用于将所述目标设备画像与设备管理系统融合,生成与所述目标用户信息对应的设备管理策略,并将所述设备管理策略发送给用户。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述铁路客站的设备管理策略生成方法的步骤。
9.一种非暂态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如权利要求1至6任一项所述铁路客站的设备管理策略生成方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述铁路客站的设备管理策略生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210044663.8A CN114519505A (zh) | 2022-01-14 | 2022-01-14 | 铁路客站的设备管理策略生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210044663.8A CN114519505A (zh) | 2022-01-14 | 2022-01-14 | 铁路客站的设备管理策略生成方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114519505A true CN114519505A (zh) | 2022-05-20 |
Family
ID=81596000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210044663.8A Pending CN114519505A (zh) | 2022-01-14 | 2022-01-14 | 铁路客站的设备管理策略生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519505A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151222A (zh) * | 2023-09-15 | 2023-12-01 | 大连理工大学 | 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质 |
-
2022
- 2022-01-14 CN CN202210044663.8A patent/CN114519505A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151222A (zh) * | 2023-09-15 | 2023-12-01 | 大连理工大学 | 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质 |
CN117151222B (zh) * | 2023-09-15 | 2024-05-24 | 大连理工大学 | 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
US20210192650A1 (en) | System and method for managing data state across linked electronic resources | |
US10467664B2 (en) | Method for detecting spam reviews written on websites | |
CN110119446A (zh) | 可解释人工智能 | |
CN112070138B (zh) | 多标签混合分类模型的构建方法、新闻分类方法及系统 | |
US20170103402A1 (en) | Systems and methods for online analysis of stakeholders | |
Chakraborty et al. | A Bayesian Network-based customer satisfaction model: a tool for management decisions in railway transport | |
CN116468460B (zh) | 基于人工智能的消费金融客户画像识别系统及其方法 | |
CN110377733A (zh) | 一种基于文本的情绪识别方法、终端设备及介质 | |
CN111524008A (zh) | 一种规则引擎及其建模方法、建模装置及指令处理方法 | |
Rojas-Berrio et al. | Factors influencing 4.0 technology adoption in manufacturing SMEs in an emerging country | |
JPWO2018230616A1 (ja) | 法的情報処理システム、方法及びプログラム | |
CN113868419B (zh) | 基于人工智能的文本分类方法、装置、设备及介质 | |
Gerlich et al. | Artificial intelligence as toolset for analysis of public opinion and social interaction in marketing: identification of micro and nano influencers | |
CN114519505A (zh) | 铁路客站的设备管理策略生成方法及系统 | |
Castellano et al. | Strategic mapping: relationships that count | |
CN117217710A (zh) | 一种虚拟商品与快捷服务的智能化管理方法及系统 | |
CN112860878A (zh) | 业务数据推荐方法、存储介质及设备 | |
CN115982391B (zh) | 信息处理方法及装置 | |
Ocampo et al. | A sustainable manufacturing strategy from different strategic responses under uncertainty | |
Ermakova et al. | A Comparison of Commercial Sentiment Analysis Services | |
Decker et al. | The thousand faces of explainable AI along the machine learning life cycle: industrial reality and current state of research | |
Portmann et al. | The Web KnowARR framework: Orchestrating computational intelligence with graph databases | |
Ben Khalifa et al. | Multiple criteria fake reviews detection using belief function theory | |
CN115203516A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
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 |