CN114564543A - 一种基于知识图谱的碳足迹获取方法 - Google Patents

一种基于知识图谱的碳足迹获取方法 Download PDF

Info

Publication number
CN114564543A
CN114564543A CN202210173257.1A CN202210173257A CN114564543A CN 114564543 A CN114564543 A CN 114564543A CN 202210173257 A CN202210173257 A CN 202210173257A CN 114564543 A CN114564543 A CN 114564543A
Authority
CN
China
Prior art keywords
knowledge
entity
graph
carbon footprint
extracting
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
Application number
CN202210173257.1A
Other languages
English (en)
Inventor
董真
潘爱强
杜凤青
刘婧
程凡
毕忠勤
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.)
Shanghai University of Electric Power
State Grid Shanghai Electric Power Co Ltd
Original Assignee
Shanghai University of Electric Power
State Grid Shanghai 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 Shanghai University of Electric Power, State Grid Shanghai Electric Power Co Ltd filed Critical Shanghai University of Electric Power
Priority to CN202210173257.1A priority Critical patent/CN114564543A/zh
Publication of CN114564543A publication Critical patent/CN114564543A/zh
Pending legal-status Critical Current

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
    • G06F16/20—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
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于知识图谱的碳足迹获取方法，包括：步骤1：基于待获取碳足迹的目标领域构建知识图谱；步骤2：针对单个产品，基于知识推理提取其知识图谱子图，将知识图谱子图转化为碳足迹实体生命周期图；步骤3：针对碳足迹实体生命周期图中的所有实体计算碳足迹量，获得产品碳足迹图。与现有技术相比，本发明具有能够形成跨产品碳足迹图等优点。

Description

一种基于知识图谱的碳足迹获取方法
技术领域
本发明涉及碳足迹技术领域，尤其是涉及一种基于知识图谱的碳足迹获取方法。
背景技术
碳足迹是由生态足迹衍生出来的一个概念。为了减缓全球变暖的趋势，改善温室效应带来的不良后果，国内外已经广泛采用碳足迹来衡量各个行业、各个生产过程中的温室气体排放。目前，有关碳足迹分析的方法基本都是基于生命周期评价(LifeCycleAssessment，LCA)展开的，然而生命周期评价需要建立在全生命周期的数据收集基础上，但由于碳足迹涉及到多个不同环节、不同过程，数据孤岛会造成数据跟踪不联系。
中国专利申请CN104462771A公开一种产品全生命周期碳足迹建模分析方法，分析计算产品全生命周期碳排放量。首先，将产品在全生命周期中划分八个不同的阶段；然后分别计算多种产品活动行为下的单一产品E5～E8和单一产品活动行为的E1～E4两个部分碳足迹的计算；最后将各阶段单位产品碳足迹线性相加，得到设备产品全生命周期碳足迹。提供了一种有效实现碳足迹建模和计算，便于实现产品低碳设计过程中全生命周期碳足迹建模分析方法。但该方法只能在产品内部生命周期中进行碳足迹分析，无法处理跨产品、跨过程的碳足迹分析。所以亟需一种基于双碳知识图谱的碳足迹分析技术，以实现跨产品、跨过程的碳排放跟踪，实现闭环的碳足迹分析。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种能够形成跨产品碳足迹图的基于知识图谱的碳足迹获取方法。
本发明的目的可以通过以下技术方案来实现：
一种基于知识图谱的碳足迹获取方法，所述的碳足迹获取方法包括：
步骤1：基于待获取碳足迹的目标领域构建知识图谱；
步骤2：针对单个产品，基于知识推理提取其知识图谱子图，将知识图谱子图转化为碳足迹实体生命周期图；
步骤3：针对碳足迹实体生命周期图中的所有实体计算碳足迹量，获得产品碳足迹图。
优选地，所述的步骤1具体为：
步骤1-1：确定构建目标领域知识图谱所需数据集及数据来源；
步骤1-2：进行实体抽取；
步骤1-3：进行关系抽取；
步骤1-4：进行实体属性抽取；
步骤1-5；进行知识融合，具体为：
首先根据给定的实体指称项，从知识库中选出一组候选实体对象，然后通过相似度计算将指称项链接到正确的实体对象；
步骤1-6：进行知识加工。
更加优选地，所述的步骤1-2具体为：
采用实体抽取模型对数据集中的实体进行抽取，实体抽取模型具体为：
将词特征、字符特征以及句法依存特征融合后作为Bi LSTM网络的输入，Bi LSTM网络对输入特征进行编码，获得句子序列特征；随后，计算自注意力权重；其次，基于指针网络识别实体边界，并将其作为一种面向目标领域语句的自适应实体边界特征；然后提取实体词在语料中与上下文关键词的共现特征；最后，将所得特征进行融合得到最终的句子级特征，并利用标签解码模型对所得句子特征进行标签预测。
更加优选地，所述的标签解码模型具体为LSTM标签解码器。
更加优选地，所述的步骤1-3具体为：
采用关系提取模型进行实体间关系的提取，关系提取模型具体为：
采用一个两层的全连接神经网络构成判别器，用于辅助增强所抽取到的语义特征；
采用关系分类模型作为生成器，其中采用双向门控循环单元网络捕获目标领域语句的全局特征，采用中断门控循环单元网络捕获目标领域语句的局部特征；
针对判别器和生成器，采用生成式对抗网络实现对抗学习。
更加优选地，所述的关系提取模型还包括：
在对语义特征融合的基础上，引入句法依存注意力机制。
更加优选地，所述的步骤1-6具体为：
知识加工包括：
本体构建，包括实体并列关系相似度计算、实体上下位关系抽取和本体生成；
知识推理，补全实体之间的缺失值；
质量筛选，对知识的可信度进行量化，通过舍弃置信度较低的知识来保证知识库的质量。
更加优选地，所述的知识推理具体为：
采用基于对抗学习的知识推理模型实现知识推理，包括推理器和图卷积网络编码器；
其中，推理器由生成器和判别器组成，在对抗学习框架中，针对每个查询关系，分别采用生成器和图卷积网络编码器自动提取专家演示样例，并通过对抗训练从给定的图谱中生成关系路径；然后判别器计算生成的路径和专家演示样例之间的语义相似性，以此通过对抗训练来更新生成器和判别器，训练完成后，生成器查找与专家演示样例的分布相匹配的证据路径，并通过综合证据路径进行关系预测。
优选地，所述的步骤2具体为：
利用构建的知识图谱，针对单个产品，提取以该产品为出发点的知识图谱子图，并针对提取出来的实体计算实体相关度指标，提出指标值低于预设阈值的实体，同时删除其相应的关系。
优选地，所述的步骤3中碳足迹量的计算方法为：
碳足迹量＝活动数据*排放系数
其中，活动数据具体为来自于碳排放源的换算当量；排放系数具体为单位活动所产生的碳排放量。
与现有技术相比，本发明具有以下有益效果：
形成跨产品的碳足迹图：本发明中的碳足迹获取方法在传统的碳足迹获取方法的基础上，利用知识图谱中实体之间的推理，能够形成跨产品生命周期评价方法，以用于碳足迹分析，可以用于产品全周期的、封闭的碳足迹分析。
附图说明
图1为本发明中碳足迹获取方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
一种基于知识图谱的碳足迹获取方法，其流程如图1所示，包括：
步骤1：基于待获取碳足迹的目标领域构建知识图谱；
步骤2：针对单个产品，基于知识推理提取其知识图谱子图，将知识图谱子图转化为碳足迹实体生命周期图；
步骤3：针对碳足迹实体生命周期图中的所有实体计算碳足迹量，获得产品碳足迹图。
下面分别对各个步骤进行详细描述：
一、步骤1：
步骤1-1：确定构建目标领域知识图谱所需数据集及数据来源；
步骤1-2：进行实体抽取，又称为命名实体识别(named entity reognition，NER)，主要指从多源异构的双碳领域数据集中自动识别出命名实体；
采用实体抽取模型对数据集中的实体进行抽取，实体抽取模型具体为：
综合考虑词特征、字符特征以及句法依存特征，将词特征、字符特征以及句法依存特征融合后作为Bi LSTM网络的输入，Bi LSTM网络对输入特征进行编码，得到更高级的句子序列特征；随后，计算自注意力权重；其次，基于指针网络识别实体边界，并将其作为一种面向目标领域语句的自适应实体边界特征，在此基础上，进一步考虑所关注实体词在语料中与相关的上下文关键词的共现特征；然后提取实体词在语料中与上下文关键词的共现特征；最后，将所得特征进行融合得到最终的句子级特征，并利用标签解码模型对所得句子特征进行标签预测。
本实施例采用LSTM标签解码器作为标签解码器，而非传统被广泛使用的CRF模型，因为当标签空间较丰富时，在模型训练过程中，前者已被证明比链式CRF模型更快。
步骤1-3：进行关系抽取；
在经过实体抽取后，得到一系列离散的命名实体，为了得到语义信息，还需要从相关语料中提取出实体之间的关联关系，通过关系将实体联系起来，形成网状的知识结构。
关系抽取采用关系提取模型进行实体间关系的提取，关系提取模型具体为：
采用一个两层的全连接神经网络构成判别器，用于辅助增强所抽取到的语义特征；
采用关系分类模型作为生成器，其中采用双向门控循环单元(BidirectionalGated Recurrent Unit,Bi GRU)网络捕获目标领域语句的全局特征，采用中断门控循环单元(Disconnected Gated Recurrent Unit,DGRU)网络捕获目标领域语句的局部特征；
针对判别器和生成器，采用生成式对抗网络(Generative Adversarial Network,GAN)实现对抗学习，实现模型对语义特征的增强表达
在对语义特征融合的基础上，引入句法依存注意力机制(Syntactic DependencyParsing-based Attention Mechanism,Syn Att)进一步提升语义特征的表达。
步骤1-4：进行实体属性抽取，从多源异构数据元中采集特定实体的属性信息；
步骤1-5；进行知识融合，具体为：
首先根据给定的实体指称项，从知识库中选出一组候选实体对象，然后通过相似度计算将指称项链接到正确的实体对象；针对结构化数据，还需要利用数据层和模式层之间的关系开展知识合并；
步骤1-6：进行知识加工，包括：
本体构建，包括实体并列关系相似度计算、实体上下位关系抽取和本体生成；
知识推理，补全实体之间的缺失值；
质量筛选，对知识的可信度进行量化，通过舍弃置信度较低的知识来保证知识库的质量。
二、步骤2
利用构建的知识图谱，针对单个产品，利用知识推理提取以该产品为出发点的知识图谱子图，并针对提取出来的实体计算实体相关度指标，提出指标值低于预设阈值的实体，同时删除其相应的关系。
知识推理具体为：
采用基于对抗学习的知识推理模型实现知识推理，包括推理器和图卷积网络编码器；
其中，推理器由生成器和判别器组成，生成器可以是强化学习方法中的任何基于策略的Agent，而在此框架下判别网络所给予的反馈则可以解释为自适应学习到的奖励函数。在对抗学习框架中，针对每个查询关系，分别采用生成器和图卷积网络编码器自动提取专家演示样例，并通过对抗训练从给定的图谱中生成关系路径；然后判别器计算生成的路径和专家演示样例之间的语义相似性，以此通过对抗训练来更新生成器和判别器。在生成器和判别器之间进行了足够的对抗训练之后，可以使用得到良好训练的基于策略的Agent(即生成器模型)来查找与专家演示样例的分布相匹配的证据路径，并通过综合证据路径进行关系预测。
三、步骤3
针对碳足迹实体生命周期图中的所有实体计算碳足迹量，获得产品碳足迹图。
本实施例利用IPCC的方法的碳足迹实体生命周期图中的所有实体计算碳足迹量，计算方法为：
碳足迹量＝活动数据*排放系数
其中，活动数据具体为来自于碳排放源的换算当量；排放系数具体为单位活动所产生的碳排放量，采用IPCC报告的推荐值。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于知识图谱的碳足迹获取方法，其特征在于，所述的碳足迹获取方法包括：
步骤1：基于待获取碳足迹的目标领域构建知识图谱；
步骤2：针对单个产品，基于知识推理提取其知识图谱子图，将知识图谱子图转化为碳足迹实体生命周期图；
步骤3：针对碳足迹实体生命周期图中的所有实体计算碳足迹量，获得产品碳足迹图。
2.根据权利要求1所述的一种基于知识图谱的碳足迹获取方法，其特征在于，所述的步骤1具体为：
步骤1-1：确定构建目标领域知识图谱所需数据集及数据来源；
步骤1-2：进行实体抽取；
步骤1-3：进行关系抽取；
步骤1-4：进行实体属性抽取；
步骤1-5；进行知识融合，具体为：
首先根据给定的实体指称项，从知识库中选出一组候选实体对象，然后通过相似度计算将指称项链接到正确的实体对象；
步骤1-6：进行知识加工。
3.根据权利要求2所述的一种基于知识图谱的碳足迹获取方法，其特征在于，所述的步骤1-2具体为：
采用实体抽取模型对数据集中的实体进行抽取，实体抽取模型具体为：
首先，将词特征、字符特征以及句法依存特征融合后作为Bi LSTM网络的输入，Bi LSTM网络对输入特征进行编码，获得句子序列特征；随后，计算自注意力权重；其次，基于指针网络识别实体边界，并将其作为一种面向目标领域语句的自适应实体边界特征；然后提取实体词在语料中与上下文关键词的共现特征；最后，将所得特征进行融合得到最终的句子级特征，并利用标签解码模型对所得句子特征进行标签预测。
4.根据权利要求3所述的一种基于知识图谱的碳足迹获取方法，其特征在于，所述的标签解码模型具体为LSTM标签解码器。
5.根据权利要求2所述的一种基于知识图谱的碳足迹获取方法，其特征在于，所述的步骤1-3具体为：
采用关系提取模型进行实体间关系的提取，关系提取模型具体为：
采用一个两层的全连接神经网络构成判别器，用于辅助增强所抽取到的语义特征；
采用关系分类模型作为生成器，其中采用双向门控循环单元网络捕获目标领域语句的全局特征，采用中断门控循环单元网络捕获目标领域语句的局部特征；
针对判别器和生成器，采用生成式对抗网络实现对抗学习。
6.根据权利要求5所述的一种基于知识图谱的碳足迹获取方法，其特征在于，所述的关系提取模型还包括：
在对语义特征融合的基础上，引入句法依存注意力机制。
7.根据权利要求2所述的一种基于知识图谱的碳足迹获取方法，其特征在于，所述的步骤1-6具体为：
知识加工包括：
本体构建，包括实体并列关系相似度计算、实体上下位关系抽取和本体生成；
知识推理，补全实体之间的缺失值；
质量筛选，对知识的可信度进行量化，通过舍弃置信度较低的知识来保证知识库的质量。
8.根据权利要求7所述的一种基于知识图谱的碳足迹获取方法，其特征在于，所述的知识推理具体为：
采用基于对抗学习的知识推理模型实现知识推理，包括推理器和图卷积网络编码器；
其中，推理器由生成器和判别器组成，在对抗学习框架中，针对每个查询关系，分别采用生成器和图卷积网络编码器自动提取专家演示样例，并通过对抗训练从给定的图谱中生成关系路径；然后判别器计算生成的路径和专家演示样例之间的语义相似性，以此通过对抗训练来更新生成器和判别器，训练完成后，生成器查找与专家演示样例的分布相匹配的证据路径，并通过综合证据路径进行关系预测。
9.根据权利要求1所述的一种基于知识图谱的碳足迹获取方法，其特征在于，所述的步骤2具体为：
利用构建的知识图谱，针对单个产品，提取以该产品为出发点的知识图谱子图，并针对提取出来的实体计算实体相关度指标，提出指标值低于预设阈值的实体，同时删除其相应的关系。
10.根据权利要求1所述的一种基于知识图谱的碳足迹获取方法，其特征在于，所述的步骤3中碳足迹量的计算方法为：
碳足迹量＝活动数据*排放系数
其中，活动数据具体为来自于碳排放源的换算当量；排放系数具体为单位活动所产生的碳排放量。
CN202210173257.1A 2022-02-24 2022-02-24 一种基于知识图谱的碳足迹获取方法 Pending CN114564543A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210173257.1A CN114564543A (zh) 2022-02-24 2022-02-24 一种基于知识图谱的碳足迹获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210173257.1A CN114564543A (zh) 2022-02-24 2022-02-24 一种基于知识图谱的碳足迹获取方法

Publications (1)

Publication Number Publication Date
CN114564543A true CN114564543A (zh) 2022-05-31

Family

ID=81716441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210173257.1A Pending CN114564543A (zh) 2022-02-24 2022-02-24 一种基于知识图谱的碳足迹获取方法

Country Status (1)

Country Link
CN (1) CN114564543A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115757836A (zh) * 2022-12-28 2023-03-07 盟浪可持续数字科技(深圳)有限责任公司 基于知识图谱的产品碳足迹分析系统
CN116542380A (zh) * 2023-05-09 2023-08-04 武汉智网兴电科技开发有限公司 基于自然语言的电厂供应链碳足迹优化方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115757836A (zh) * 2022-12-28 2023-03-07 盟浪可持续数字科技(深圳)有限责任公司 基于知识图谱的产品碳足迹分析系统
CN115757836B (zh) * 2022-12-28 2024-06-18 盟浪可持续数字科技(深圳)有限责任公司 基于知识图谱的产品碳足迹分析系统
CN116542380A (zh) * 2023-05-09 2023-08-04 武汉智网兴电科技开发有限公司 基于自然语言的电厂供应链碳足迹优化方法及装置
CN116542380B (zh) * 2023-05-09 2023-11-14 武汉智网兴电科技开发有限公司 基于自然语言的电厂供应链碳足迹优化方法及装置

Similar Documents

Publication Publication Date Title
Xu et al. Defect prediction with semantics and context features of codes based on graph representation learning
CN110888943B (zh) 基于微模板的法院裁判文书辅助生成的方法和系统
CN111428054A (zh) 一种网络空间安全领域知识图谱的构建与存储方法
CN111967761B (zh) 一种基于知识图谱的监控预警方法、装置及电子设备
CN110990590A (zh) 一种基于强化学习和迁移学习的动态金融知识图谱构建方法
CN112100394B (zh) 一种用于推荐医疗专家的知识图谱构建方法
CN113761893B (zh) 一种基于模式预训练的关系抽取方法
CN112463981A (zh) 一种基于深度学习的企业内部经营管理风险识别提取方法及系统
CN112633478A (zh) 一种基于本体语义的图卷积网络学习模型的构建
CN114564543A (zh) 一种基于知识图谱的碳足迹获取方法
CN108509654A (zh) 动态知识图谱的构建方法
CN111581956B (zh) 基于bert模型和k近邻的敏感信息识别方法及系统
CN109241199B (zh) 一种面向金融知识图谱发现的方法
CN109858020A (zh) 一种基于语义图获取税务业务问题答案的方法及系统
CN117149974A (zh) 一种子图检索优化的知识图谱问答方法
CN110765781A (zh) 一种领域术语语义知识库人机协同构建方法
CN111259264B (zh) 一种基于生成对抗网络的时序评分预测方法
CN117574898A (zh) 基于电网设备的领域知识图谱更新方法及系统
CN116737911A (zh) 基于深度学习的高血压问答方法及系统
CN116795985A (zh) 网络舆情异常识别与处理方法
CN117474010A (zh) 面向电网语言模型的输变电设备缺陷语料库构建方法
Liu et al. Temporal knowledge graph reasoning via time-distributed representation learning
CN117687824A (zh) 基于质量问题知识图谱的卫星故障诊断系统
CN116450855A (zh) 基于知识图谱的问答机器人的回复生成策略方法及系统
CN114298339B (zh) 一种变电站设备告警智能决策方法及系统

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