CN114745427A - 一种基于知识图谱的监控业务信息情境推送方法及装置 - Google Patents
一种基于知识图谱的监控业务信息情境推送方法及装置 Download PDFInfo
- Publication number
- CN114745427A CN114745427A CN202210246262.0A CN202210246262A CN114745427A CN 114745427 A CN114745427 A CN 114745427A CN 202210246262 A CN202210246262 A CN 202210246262A CN 114745427 A CN114745427 A CN 114745427A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- service
- pushing
- perception
- user
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识图谱的监控业务信息情境推送方法及装置,所述方法包括基于预先构建的知识图谱,建立感知业务知识单元,获取感知业务知识;对所述感知业务知识进行封装,获取封装好的感知业务知识;基于贝叶斯学习方法,针对封装好的感知业务知识,建立感知业务知识情境推送方法模型;基于感知业务知识情境推送方法模型和预先建立的个性化知识推送服务模式进行知识推送,针对不同监控人员提供不同的知识服务,并进行结果验证,本发明通过构建基于知识图谱的监控业务信息情境推送方法,实现信息的个性化精准推送,提升监控人员工作效率,降低电网潜在运行风险。
Description
技术领域
本发明涉及一种基于知识图谱的监控业务信息情境推送方法及装置,属于电力系统设备监控技术领域。
背景技术
泛在知识环境下,知识是异构、动态、海量的,甚至是重复冗余、杂乱无章的。但电网监控用户所需知识是实时的、准确的、集成的、聚合的、个性化的,因此知识图谱要根据电网用户情境信息及时推送具有预测性、实时性的个性化、专业化的感知知识。而且电网监控用户所需知识类型特殊、多样且复杂,如在发出告警、事件化合成、缺陷生成等不同阶段,电网用户所需知识类型差异性显著。即使在同一阶段,电网监控人员由于知识背景、知识结构及知识偏好不同,所需知识类型亦有所不同。电网监控用户所需知识类型主要有3种,即通知类知识、专业类知识和感知类知识。
迄今针对互联网用户群体进行情境推送的研究较多,但针对电网用户的相关研究甚少。精准挖掘电网用户知识需求并预测其发展趋势,实现感知知识的个性化定制与精准化推送,不仅是国家电网坚持科研导向、提升服务质量的保障,而且是电网用户提高风险感知能力、增加工作产出的关键。鉴于上述原因,本发明在知识图谱背景下,基于电网监控业务感知视角对感知信息个性化推送服务进行探讨。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于知识图谱的监控业务信息情境推送方法及装置,实现信息的个性化精准推送,提升监控人员工作效率。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于知识图谱的监控业务信息情境推送方法,包括:
基于预先构建的知识图谱,建立感知业务知识单元,获取感知业务知识;
对所述感知业务知识进行封装,获取封装好的感知业务知识;
基于贝叶斯学习方法,针对封装好的感知业务知识,建立感知业务知识情境推送方法模型;
基于感知业务知识情境推送方法模型和预先建立的个性化知识推送服务模式进行知识推送,针对不同监控人员提供不同的知识服务,并进行结果验证。
进一步的,所述个性化知识推送服务模式包括多平台下发、智能标签分类、多彩推送三种模式。
进一步的,所述多平台下发模式是指覆盖多种操作系统下发通道,包括PC、Android、HarmonyOS操作系统。
进一步的,所述智能标签分类模式是指将推送信息按所属标签分类,包括通知类知识、专业类知识、以及感知类知识;
所述通知类知识重视实时性,包括设备告警通知、设备缺陷通知、设备故障通知、设备量测异常通知;
所述专业类知识重视及时性、针对性与准确性,包括告警事件化、检修日志、运维策略、检修辅助决策;
所述感知类知识重视前瞻性、集成性和多元性,包括设备状态评价、设备趋势预测方面的知识。
进一步的,所述多彩推送方式是指支持通知、消息短信的推送方式,并支持文本、图片的组合形式。
进一步的,所述基于预先构建的知识图谱,建立感知业务知识单元,包括:
从设备基础数据、状态评价、趋势预测和辅助决策中收集、分析并归纳整理出其中包含的数据、结论、相关要求、数据模型以及检修策略;
将感知业务知识单元分为四个模块,依次为基础数据、状态评价、趋势预测以及辅助决策。
进一步的,所述感知业务知识的封装过程包括动态知识资源封装以及服务封装,根据知识资源及服务类型的不同选择不同的服务模板,通过软件接口和功能脚本将其封装成动态知识服务组件。
进一步的,所述基于贝叶斯学习方法,针对封装好的感知业务知识,建立感知业务知识情境推送方法模型,包括:
使用贝叶斯学习方法,计算感知业务知识与用户实时情况之间的匹配度,基于贝叶斯学习方法的情境匹配模型为:
在公式中,Rj(1≤j≤N)是感知业务知识,U是用户的现状信息,P(Rj|U)是在用户U情况下,U选择浏览知识Rj的概率,N是信息资源的数量;P(U|Rj)是先验条件概率,表示用户U过去访问知识R的概率,P(Rj)表示所有用户过去访问知识R的概率;
通过分析用户的注册信息和浏览行为来获取用户的兴趣,利用向量空间模型对用户兴趣进行建模,在用户兴趣集n时间间隔中,每个时间间隔i(0≤i≤n-1)相等,当i=0时,表示为当前兴趣;当i≥1,表示为历史兴趣,设置用户的兴趣度为pi,然后:
通过词频-逆向文件频率方法计算资源权重,信息资源Rj(1≤J≤N)可以构造为资源语义向量Rj={r1,r2,…,rk},其中rk∈[0,1],它表示权重值;
将目标资源Rj与用户兴趣偏好P进行匹配,用户兴趣偏好P由余弦相似度计算得到,公式如下:
将资源与实时情境的匹配、资源与用户兴趣偏好的匹配相结合,形成基于情境感知的信息推荐算法,实现对知识的推荐评分,公式如下:
Sj=λ·sin(Rj,P)+(1-λ)·P(Rj|U) (4)
其中λ∈[0,1]是情景因素,表示用户兴趣偏好和实时情景偏好在推荐算法中的重要性,当λ=1时,推荐算法通过用户偏好上下文推荐用户;当λ=0时,该算法采用贝叶斯学习方法实现情景推荐,根据计算出的知识得分,选择TOPN知识并推荐给用户。
第二方面,本发明提供一种基于知识图谱的监控业务信息情境推送装置,包括:
感知业务知识获取单元,用于基于预先构建的知识图谱,建立感知业务知识单元,获取感知业务知识;
感知业务知识封装单元,用于对所述感知业务知识进行封装,获取封装好的感知业务知识;
模型建立单元,用于基于贝叶斯学习方法,针对封装好的感知业务知识,建立感知业务知识情境推送方法模型;
知识推送单元,用于基于感知业务知识情境推送方法模型和预先建立的个性化知识推送服务模式进行知识推送,针对不同监控人员提供不同的知识服务,并进行结果验证。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明提供一种基于知识图谱的监控业务信息情境推送方法及装置,以电网重要设备为中心,首先,建立基于情境感知的电网监控业务个性化知识推送服务模式,将知识体系分为通知类知识、专业类知识、感知类知识;其次,结合设备基础数据、状态评价、趋势预测和辅助决策构建感知业务知识单元,并对动态知识进行资源封装以及服务封装;再者,基于贝叶斯学习方法,建立感知业务知识情境推送方法模型;最后,建立推送业务的闭环管理,通过结果验证,确定合理性。通过构建基于知识图谱的监控业务信息情境推送方法,实现信息的个性化精准推送,提升监控人员工作效率,降低电网潜在运行风险。
附图说明
图1是本发明实施例提供的一种基于知识图谱的监控业务信息情境推送方法的流程图;
图2是本发明方法的一种具体实施例流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
如图1所示,本实施例介绍一种基于知识图谱的监控业务信息情境推送方法,包括:
基于预先构建的知识图谱,建立感知业务知识单元,获取感知业务知识;
对所述感知业务知识进行封装,获取封装好的感知业务知识;
基于贝叶斯学习方法,针对封装好的感知业务知识,建立感知业务知识情境推送方法模型;
基于感知业务知识情境推送方法模型和预先建立的个性化知识推送服务模式进行知识推送,针对不同监控人员提供不同的知识服务,并进行结果验证。
如图2所示,本实施例提供的基于知识图谱的监控业务信息情境推送方法,其应用过程具体涉及如下步骤:
本发明所述监控业务感知信息是指,通过数学模型、统计分析、模糊推理等方法,对监控大数据进行感知计算,得到电网安全相关的知识,包括设备基础数据、设备状态评价结果、设备趋势预警结果,以及检修辅助决策等等。
利用信息处理技术提取与监控业务感知相关的信息,然后再使用知识图谱构建技术抽取对其进行知识的抽取、融合、加工等一系列操作,最终完成对于监控业务感知知识图谱构建,实现对监控业务感知知识更加规范的组织和管理,为用户更有效的提供其所需的知识服务。
步骤1,进行用户需求分析,建立基于情境感知的电网监控业务个性化知识推送服务模式。
具体的,用户知识需求指的是监控人员在运行过程中的某个阶段对于感知业务知识较为稳定的需求。
具体的,从长期来看,监控人员对于感知业务知识的需求具有周期性和重复性的特点。监控人员对其所需要完成感知业务对象往往是相同或者是相似的,所以使得该监控人员对于监控知识的需求也是具有重复性和周期性的,这种周期性和重复性正是实现感知业务知识重用和推送的理论基础。
具体的,监控人员对于某类感知业务知识的需求是有时效的,随着监控流程的推动,该监控人员对该主题知识的关注会随之下降,即“兴趣漂移”。
根据监控用户获取的与感知业务相关的知识类型构建基于情境感知的个性化知识推送服务模式。该模式由3个子模块构成:①通知类知识(设备告警通知、设备缺陷通知、设备故障通知、设备量测异常通知等),重视实时性;②专业类知识(告警事件化、检修日志、运维策略、检修辅助决策等),重视及时性、针对性与准确性;③感知类知识(设备状态评价、设备趋势预测等方面的知识),重视前瞻性、集成性和多元性。
步骤2,进行知识图谱构建,建立感知业务知识单元,并对感知业务动态知识进行服务封装。
对于感知业务知识单元,其来源主要是从设备基础数据、状态评价、趋势预测和辅助决策中收集、分析并归纳整理出其中包含的数据、结论、相关要求、数据模型以及检修策略的总结。故将感知业务知识单元分为四个模块,依次为基础数据、状态评价、趋势预测以及辅助决策。
感知业务动态知识服务的封装过程主要由动态知识资源封装以及服务封装两个部分组成。通过对发动机感知业务流程知识的梳理,可以得知其中哪些是可以重用、可固化的知识资源,然后根据知识资源及服务类型的不同选择不同的服务模板,通过软件接口和功能脚本将其封装成动态知识服务组件,实现了知识服务在系统中更好的注册、查询和调用。
引入情境感知理念可以实现个性化监控业务知识推送服务的宗旨。主要步骤包括:
步骤21,利用Gimbal这一近距离情境感知平台,分析监控人员的位置、活动、时间及个人兴趣,过滤与监控运行无关的信息,及时推送个性化通知类知识;
步骤22,利用Gimbal、iBeacon、RFID、人工智能等技术获取监控人员情境信息,提升个性化知识服务的精准度。情境感知计算可以通过传感器或人机交互功能把监控人员、监控设备及环境等情境信息提供给计算设备,令计算设备及时作出反应,从而实时、透明地向监控人员推送精深的专业知识。
步骤23,利用Gimbal、iBeacon等情境感知技术实时获取监控人员知识需求,通过分析工具知识图谱、知识发现、共词分析、相似性分析等,为监控人员推送感知类知识。
步骤3,基于贝叶斯学习方法,建立感知业务知识情境推送方法模型。
系统采集电力用户注册信息、浏览时间、页面停留时间等一系列实时情况信息,采用贝叶斯学习方法计算信息资源与用户现状的相关性,并结合基于内容的信息协同过滤推荐,实现基于态势感知的个性化信息推荐。
首先,使用贝叶斯学习方法,计算监控业务信息资源与用户实时情况之间的匹配度,实现了推荐系统对实时情况的智能感知。
基于贝叶斯学习方法的情境匹配模型为:
在公式中,Rj(1≤j≤N)是监控信息资源,U是用户的现状信息(时间、地点、岗位、职责、天气等),然后P(Rj|U)是在用户U情况下,U选择浏览信息资源Rj的概率,N是信息资源的数量;P(U|Rj)是先验条件概率,表示用户U过去访问资源R的概率,P(Rj)表示所有用户过去访问资源R的概率,上述两个值是通过用户访问资源的历史来计算的。
其次,通过分析用户的注册信息和浏览行为来获取用户的兴趣,利用向量空间模型对用户兴趣进行建模,考虑用户兴趣随时间的变化,有必要在一段时间内更新用户的兴趣,以便准确反映用户的行为。在用户兴趣集n时间间隔中,每个时间间隔i(0≤i≤n-1)相等,当i=0时,表示为当前兴趣;当i≥1,表示为历史兴趣,设置用户的兴趣度为pi,然后:
通过词频-逆向文件频率方法计算资源权重,信息资源Rj(1≤J≤N)可以构造为资源语义向量Rj={r1,r2,…,rk},其中rk∈[0,1],它表示权重值。
再者,将目标资源Rj与用户兴趣偏好P进行匹配,用户兴趣偏好P由余弦相似度计算得到。公式如下:
最后,将资源与实时情境的匹配、资源与用户兴趣偏好的匹配相结合,形成基于情境感知的信息推荐算法,实现对目标资源的推荐评分。
公式如下:
Sj=λ·sin(Rj,P)+(1-λ)·P(Rj|U) (4)
其中λ∈[0,1]是情景因素,表示用户兴趣偏好和实时情景偏好在推荐算法中的重要性。当λ=1时,推荐算法通过用户偏好上下文推荐用户;当λ=0时,该算法采用贝叶斯学习方法实现情景推荐。根据计算出的资源得分,选择TOPN资源并推荐给用户。
步骤4,进行知识推送,针对不同监控人员提供不同的知识服务,并进行结果验证。
具体的,监控人员包括:监控运行人员、运维人员、检修人员等,根据推荐的信息组织各类人员进行推送结果验证,形成推送业务的闭环管理。
上述提供的一种基于知识图谱的监控业务信息情境推送方法,进行监控业务知识的个性化定制与精准化推送,为故障研判、运维、检修等工作奠定基础。本技术的实现将全面提升电网关键设备运行安全水平,提高电网安全稳定运行能力,并实时辅助监控人员决策。
实施例2
本实施例提供一种基于知识图谱的监控业务信息情境推送装置,包括:
感知业务知识获取单元,用于基于预先构建的知识图谱,建立感知业务知识单元,获取感知业务知识;
感知业务知识封装单元,用于对所述感知业务知识进行封装,获取封装好的感知业务知识;
模型建立单元,用于基于贝叶斯学习方法,针对封装好的感知业务知识,建立感知业务知识情境推送方法模型;
知识推送单元,用于基于感知业务知识情境推送方法模型和预先建立的个性化知识推送服务模式进行知识推送,针对不同监控人员提供不同的知识服务,并进行结果验证。
实施例3
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例1中任一项所述方法的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于知识图谱的监控业务信息情境推送方法,其特征在于,包括:
基于预先构建的知识图谱,建立感知业务知识单元,获取感知业务知识;
对所述感知业务知识进行封装,获取封装好的感知业务知识;
基于贝叶斯学习方法,针对封装好的感知业务知识,建立感知业务知识情境推送方法模型;
基于感知业务知识情境推送方法模型和预先建立的个性化知识推送服务模式进行知识推送,针对不同监控人员提供不同的知识服务,并进行结果验证。
2.根据权利要求1所述的基于知识图谱的监控业务信息情境推送方法,其特征在于,所述个性化知识推送服务模式包括多平台下发、智能标签分类、多彩推送三种模式。
3.根据权利要求2所述的基于知识图谱的监控业务信息情境推送方法,其特征在于,所述多平台下发模式是指覆盖多种操作系统下发通道,包括PC、Android、HarmonyOS操作系统。
4.根据权利要求2所述的基于知识图谱的监控业务信息情境推送方法,其特征在于,所述智能标签分类模式是指将推送信息按所属标签分类,包括通知类知识、专业类知识、以及感知类知识;
所述通知类知识重视实时性,包括设备告警通知、设备缺陷通知、设备故障通知、设备量测异常通知;
所述专业类知识重视及时性、针对性与准确性,包括告警事件化、检修日志、运维策略、检修辅助决策;
所述感知类知识重视前瞻性、集成性和多元性,包括设备状态评价、设备趋势预测方面的知识。
5.根据权利要求2所述的基于知识图谱的监控业务信息情境推送方法,其特征在于,所述多彩推送方式是指支持通知、消息短信的推送方式,并支持文本、图片的组合形式。
6.根据权利要求1所述的基于知识图谱的监控业务信息情境推送方法,其特征在于,所述基于预先构建的知识图谱,建立感知业务知识单元,包括:
从设备基础数据、状态评价、趋势预测和辅助决策中收集、分析并归纳整理出其中包含的数据、结论、相关要求、数据模型以及检修策略;
将感知业务知识单元分为四个模块,依次为基础数据、状态评价、趋势预测以及辅助决策。
7.根据权利要求1所述的基于知识图谱的监控业务信息情境推送方法,其特征在于,所述感知业务知识的封装过程包括动态知识资源封装以及服务封装,根据知识资源及服务类型的不同选择不同的服务模板,通过软件接口和功能脚本将其封装成动态知识服务组件。
8.根据权利要求1所述的基于知识图谱的监控业务信息情境推送方法,其特征在于,所述基于贝叶斯学习方法,针对封装好的感知业务知识,建立感知业务知识情境推送方法模型,包括:
使用贝叶斯学习方法,计算感知业务知识与用户实时情况之间的匹配度,基于贝叶斯学习方法的情境匹配模型为:
在公式中,Rj(1≤j≤N)是感知业务知识,U是用户的现状信息,P(Rj|U)是在用户U情况下,U选择浏览知识Rj的概率,N是信息资源的数量;P(U|Rj)是先验条件概率,表示用户U过去访问知识R的概率,P(Rj)表示所有用户过去访问知识R的概率;
通过分析用户的注册信息和浏览行为来获取用户的兴趣,利用向量空间模型对用户兴趣进行建模,在用户兴趣集n时间间隔中,每个时间间隔i(0≤i≤n-1)相等,当i=0时,表示为当前兴趣;当i≥1,表示为历史兴趣,设置用户的兴趣度为pi,然后:
通过词频-逆向文件频率方法计算资源权重,信息资源Rj(1≤J≤N)可以构造为资源语义向量Rj={r1,r2,…,rk},其中rk∈[0,1],它表示权重值;
将目标资源Rj与用户兴趣偏好P进行匹配,用户兴趣偏好P由余弦相似度计算得到,公式如下:
将资源与实时情境的匹配、资源与用户兴趣偏好的匹配相结合,形成基于情境感知的信息推荐算法,实现对知识的推荐评分,公式如下:
Sj=λ·sin(Rj,P)+(1-λ)·P(Rj|U) (4)
其中λ∈[0,1]是情景因素,表示用户兴趣偏好和实时情景偏好在推荐算法中的重要性,当λ=1时,推荐算法通过用户偏好上下文推荐用户;当λ=0时,该算法采用贝叶斯学习方法实现情景推荐,根据计算出的知识得分,选择TOP N知识并推荐给用户。
9.一种基于知识图谱的监控业务信息情境推送装置,其特征在于,包括:
感知业务知识获取单元,用于基于预先构建的知识图谱,建立感知业务知识单元,获取感知业务知识;
感知业务知识封装单元,用于对所述感知业务知识进行封装,获取封装好的感知业务知识;
模型建立单元,用于基于贝叶斯学习方法,针对封装好的感知业务知识,建立感知业务知识情境推送方法模型;
知识推送单元,用于基于感知业务知识情境推送方法模型和预先建立的个性化知识推送服务模式进行知识推送,针对不同监控人员提供不同的知识服务,并进行结果验证。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现权利要求1~8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210246262.0A CN114745427A (zh) | 2022-03-14 | 2022-03-14 | 一种基于知识图谱的监控业务信息情境推送方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210246262.0A CN114745427A (zh) | 2022-03-14 | 2022-03-14 | 一种基于知识图谱的监控业务信息情境推送方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114745427A true CN114745427A (zh) | 2022-07-12 |
Family
ID=82275217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210246262.0A Pending CN114745427A (zh) | 2022-03-14 | 2022-03-14 | 一种基于知识图谱的监控业务信息情境推送方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114745427A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955464A (zh) * | 2014-03-25 | 2014-07-30 | 南京邮电大学 | 一种基于情境融合感知的推荐方法 |
CN112528149A (zh) * | 2020-12-15 | 2021-03-19 | 河北远东通信系统工程有限公司 | 一种融合知识图谱及贝叶斯网络的智能推荐方法 |
CN112612902A (zh) * | 2020-12-23 | 2021-04-06 | 国网浙江省电力有限公司电力科学研究院 | 一种电网主设备的知识图谱构建方法及设备 |
CN112699246A (zh) * | 2020-12-21 | 2021-04-23 | 南京理工大学 | 基于知识图谱的领域知识推送方法 |
KR20210064862A (ko) * | 2019-11-26 | 2021-06-03 | 한국전력공사 | 지식 그래프 생성 방법 및 이를 이용한 신재생발전 항목 추천 시스템 및 방법 |
US20210304044A1 (en) * | 2020-03-30 | 2021-09-30 | At&T Intellectual Property I, L.P. | Optimizing and Reducing Redundant Dispatch Tickets via Network Knowledge Graph |
-
2022
- 2022-03-14 CN CN202210246262.0A patent/CN114745427A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955464A (zh) * | 2014-03-25 | 2014-07-30 | 南京邮电大学 | 一种基于情境融合感知的推荐方法 |
KR20210064862A (ko) * | 2019-11-26 | 2021-06-03 | 한국전력공사 | 지식 그래프 생성 방법 및 이를 이용한 신재생발전 항목 추천 시스템 및 방법 |
US20210304044A1 (en) * | 2020-03-30 | 2021-09-30 | At&T Intellectual Property I, L.P. | Optimizing and Reducing Redundant Dispatch Tickets via Network Knowledge Graph |
CN112528149A (zh) * | 2020-12-15 | 2021-03-19 | 河北远东通信系统工程有限公司 | 一种融合知识图谱及贝叶斯网络的智能推荐方法 |
CN112699246A (zh) * | 2020-12-21 | 2021-04-23 | 南京理工大学 | 基于知识图谱的领域知识推送方法 |
CN112612902A (zh) * | 2020-12-23 | 2021-04-06 | 国网浙江省电力有限公司电力科学研究院 | 一种电网主设备的知识图谱构建方法及设备 |
Non-Patent Citations (1)
Title |
---|
高海翔 等: "" 知识图谱及其在电力系统中的应用研究综述"", 《广东电力》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407278B (zh) | 一种大数据平台的架构设计系统 | |
CN112232909A (zh) | 一种基于企业画像的商机挖掘方法 | |
CN104318340A (zh) | 基于文本履历信息的信息可视化方法及智能可视分析系统 | |
CN103646070A (zh) | 搜索引擎的数据处理方法及装置 | |
KR101542235B1 (ko) | 실시간 데이터 마이닝 방법 | |
CN110555568A (zh) | 一种基于社交网络信息的道路交通运行状态实时感知方法 | |
CN105184886A (zh) | 一种云数据中心智能巡检系统及方法 | |
CN111611478A (zh) | 信息推荐方法、装置和电子设备 | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
Feng et al. | Predicting human mobility with semantic motivation via multi-task attentional recurrent networks | |
Burmester et al. | Big data and data analytics in aviation | |
Theodoropoulos et al. | Use of Convolutional Neural Networks for vessel performance optimization and safety enhancement | |
Zhang | Application of data mining technology in digital library. | |
CN116882978A (zh) | 一种基于产品信息框架的深海潜水器运维保障平台 | |
CN116542800A (zh) | 基于云端ai技术的智能化财务报表分析系统 | |
CN114745427A (zh) | 一种基于知识图谱的监控业务信息情境推送方法及装置 | |
Qiao et al. | Constructing a data warehouse based decision support platform for China tourism industry | |
Xu et al. | Vector quantization: Timeline-based location data extraction and route fitting for crowdsourcing | |
CN112258371A (zh) | 一种故障处理的方法和装置 | |
Keim et al. | Visual analytics challenges | |
Spinnato et al. | Explaining crash predictions on multivariate time series data | |
Pradeep Kumar et al. | Fog Data Analytics: Systematic Computational Classification and Procedural Paradigm | |
Saravanan et al. | A Novel IoT Based Environmental Monitoring System Integrating Machine Learning Under the Background of Big Data | |
US20230376651A1 (en) | Generating weather simulations based on significant events | |
US20230408726A1 (en) | Weather forecasting using teleconnections |
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 |