CN114817687A - 一种物联网实体服务的高效发现方法 - Google Patents
一种物联网实体服务的高效发现方法 Download PDFInfo
- Publication number
- CN114817687A CN114817687A CN202210436645.4A CN202210436645A CN114817687A CN 114817687 A CN114817687 A CN 114817687A CN 202210436645 A CN202210436645 A CN 202210436645A CN 114817687 A CN114817687 A CN 114817687A
- Authority
- CN
- China
- Prior art keywords
- service
- entity
- internet
- things
- implicit
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006399 behavior Effects 0.000 claims description 23
- 230000002452 interceptive effect Effects 0.000 claims description 23
- 230000003993 interaction Effects 0.000 claims description 18
- 238000005065 mining Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000005295 random walk Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F16/90—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
- G06F16/9532—Query formulation
-
- 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
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种物联网实体服务的高效发现方法，包括：建立物联网实体服务语义描述模型并挖掘出实体服务的隐含主题；对物联网实体服务进行语义标注，利用服务隐含主题和语义标注建立物联网实体服务的分类索引信息库；解析用户的服务请求并从中抽取出隐含主题，基于实体服务主题匹配实现服务的高效发现。本发明的有益效果是：本发明能够克服现有物联网服务发现技术需要手工构建服务本体知识且服务语义推理时间复杂度过高，存在可扩展性不强、服务发现耗时较长等难题，从大规模资源受限的物联网实体服务中快速发现满足用户需求的实体服务。
Description
技术领域
本发明涉及物联网服务计算领域，更确切地说，它涉及一种物联网实体服务的高效发现方法。
背景技术
物联网将智能物品提供的感知、执行与数据处理功能和资源统一抽象为实体服务，以实现可扩展的实体服务开发和利用，一经提出便迅速成为物联网领域的新热点，并立即得到了产业界和学术界的高度重视。例如，以苹果、华为、亚马逊和阿里巴巴等为代表的业界巨头纷纷涉足物联网产业布局；学术组织ACM、IEEE每年定期举办物联网国际学术会议研讨会，IEEE TSC、IEEE IoT-J等顶级学术刊物陆续组织社交物联网专刊。随着设备制造商、运营商和学术界的积极推动，物联网将迎来快速发展机遇，应用前景广阔。
物联网实体服务高效发现是实现海量异构智能物品功能协作和数据共享的核心技术。据思科预测，2030年全球物联网将有超过5000亿的智能设备接入，可以提供服务的智能设备规模迅速增加。与传统的Web服务和云服务相比，物联网中的实体服务发现具有更大规模的搜索空间，加之实体服务的动态获取性，对服务发现的实时性要求较高。然而，当前物联网的碎片化特点导致实体服务接口和交互协议具有差异性，并且在数据格式、语义和服务质量方面也有所不同，如不同传感节点提供感知服务具有不同的采样率、精准度和空间分辨率，导致实体服务具有异构性和多种服务描述模型，进一步加大了实体服务发现难度。
发明内容
本发明的目的是克服现有技术中的不足，提供了一种物联网实体服务的高效发现方法，所述技术方案如下：
S1、建立物联网实体服务语义描述模型并挖掘出实体服务的隐含主题；
S2、对物联网实体服务进行语义标注，利用服务隐含主题和语义标注建立物联网实体服务的分类索引信息库；
S3、解析用户的服务请求并从中抽取出隐含主题，基于实体服务主题匹配实现服务的高效发现。
作为优选，S1包括：
S101、采用基于本体模型的服务描述方法；
S102、利用外部语料库实现服务短文本描述信息的语义扩充，基于文本主题模型挖掘实体服务描述文本的隐含主题。
作为优选，S102包括：
S1021、提取初始服务文本，对所述初始服务文本进行复合词拆分并去除停用词后，得到一系列关键词集合描述的关键词服务文本；
S1022、利用词向量表示方法对所述关键词服务文本描述中的每个关键词从外部语料库中寻找与其最相似的词，实现关键词扩展得到关键词扩展词向量，并得到关键词扩充服务文本；
S1023、对于所述关键词扩充服务文本，通过训练所得的LDA主题模型挖掘其隐含语义主题。
作为优选，S2包括：
S201、基于实体服务的历史交互行记录，挖掘所述实体服务之间的隐式关联关系；
S202、利用实体服务之间的隐式关联关系设计用于实体服务分类的隐式特征，从实体服务的文本描述和交互行为的时空模式设计用于实体服务分类的显式特征；
S203、结合S202涉及的实体服务的隐式特征和显式特征建立实体服务的分类模型；
S204、利用S1挖掘的实体服务隐含主题和S203中的实体服务的隐式特征和显式特征，在物联网边缘服务器上建立服务分类索引信息库。
作为优选，S201包括：
S2011、基于多传感器对实体服务互动行为信息进行收集，根据不同类型传感信息更新频率差别，采用发布或订阅的方式对不同类型传感信息进行收集；所述实体服务互动行为信息包括：服务供应设备、交互行为发生的时间与位置；
S2012、通过提取细粒度的交互特征，利用潜变量模型建模挖掘实体服务之间的隐式关联关系；所述细粒度的交互特征包括交互时间的概率分布、交互位置蕴含的语义信息以及交互活动涉及的用户行为习惯。
作为优选，S202包括：
S2021、构建实体服务隐式关联关系图，以实体服务作为所述关联关系图的节点，以S201的隐式关联关系的强度作为关联关系图的边权重；
S2022、从所述实体服务隐式关联关系图提取两类隐式特征用于服务分类，一类是从隐式关联关系图节点拓扑结构提取的特征，包括节点的度、中心度、介数和特征向量中心性；另一类是从隐式关联关系图边权重提取的特征，采用随机游走算法获取每对设备之间的隐式关联关系强度，将节点所有邻接边的权重组合为特征向量；并将从实体服务短文本描述信息提取的文本特征及实体服务交互行为的时空模式作为服务分类的显式特征。
作为优选，S203包括：
S2031、提取实体服务隐式特征和显式特征；
S2032、通过语义标签空间的每个语义标签，学习基于支持向量机的二分类分类器，实现实体服务语义标注，建立实体服务的分类模型。
作为优选，S204中，在物联网边缘服务器上利用分布式哈希表建立服务分类索引信息库，所述服务分类索引信息库中每个服务条目包括服务语义信息和服务位置的二元组；所述服务语义信息是服务描述文档、服务隐含主题和服务类别进行一致性哈希操作的键值，所述服务位置是说明提供该服务的智能设备的IP地址和端口地址。
作为优选，S3包括：
S301、用户将服务请求发送到就近的边缘服务器，边缘服务器解析出服务请求的隐含主题，并检查本地服务目录是否有匹配的服务，若存在则直接返回满足要求的服务，否则通过分布式服务发现方法，将服务请求转发给其它分类索引信息库；
S302、分类索引信息库中进行服务匹配。
作为优选，S302包括：
S3021、分类索引信息库通过隐含主题挖掘获取服务请求的隐含主题，并根据该主题快速确定其所属服务类别，然后仅从服务库中获取属于该类别的服务子集作为候选服务；
S3022、分类索引信息库对于候选服务利用余弦相似度计算其隐含主题与用户服务请求隐含主题的相似度，并基于相似度排序从服务库中高效快速地查找出与用户服务请求最相似的服务子集，利用分布式哈希表快速获取候选服务提供者的地址。
本发明的有益效果是：本发明能够克服现有物联网服务发现技术需要手工构建服务本体知识且服务语义推理时间复杂度过高，存在可扩展性不强、服务发现耗时较长等难题，本发明可以从大规模资源受限的物联网实体服务中快速发现满足用户需求的实体服务。
附图说明
图1为本申请提供的物联网实体服务的高效发现方法的整体流程图；
图2为本申请提供的挖掘物联网实体服务隐含主题的流程图；
图3为本申请提供的建立物联网实体服务的分类索引信息库的流程图；
图4为本申请提供的基于主题匹配的实体服务高效发现的流程图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例1：
一种物联网实体服务的高效发现方法，基于本体模型建立异构实体服务的统一描述模型，利用网络空间信息进行语义扩充实现实体服务的隐含主题挖掘，并基于分布式哈希表建立实体服务的分类索引，实现海量异构实体服务的分布式高效发现，如图1所示，包括：
S1、建立物联网实体服务语义描述模型并挖掘出实体服务的隐含主题；
S2、对物联网实体服务进行语义标注，利用服务隐含主题和语义标注建立物联网实体服务的分类索引信息库；
S3、解析用户的服务请求并从中抽取出隐含主题，基于实体服务主题匹配实现服务的高效发现。
其中，如图2所示，S1包括：
S101、采用基于本体模型的服务描述方法。
S102、利用外部语料库实现服务短文本描述信息的语义扩充，基于文本主题模型挖掘实体服务描述文本的隐含主题。
S102包括：
S1021、服务文本抽取。提取初始服务文本，对初始服务文本进行复合词拆分并去除停用词后，得到一系列关键词集合描述的关键词服务文本。
在S1021中，对于采用WSDL描述的服务，服务名称、操作名称、操作的输入输出参数名称、参数类型和功能性描述及所引用的本体概念等都被抽取出来作为服务文本；对Restful描述的服务，将HTML标签中的文本以及所引用的本体概念抽取出来作为服务文本。随后，对提取出的服务文本进行复合词拆分并去除停用词后，得到一系列用关键词集合描述的服务文本。
S1022、服务文本扩充。利用词向量表示方法对关键词服务文本描述中的每个关键词从外部语料库中寻找与其最相似或最相近的词，实现关键词扩展得到关键词扩展词向量，并得到关键词扩充服务文本。
S1023、主题映射。对于关键词扩充服务文本，通过训练所得的LDA主题模型挖掘其隐含语义主题。
如图3所示，S2包括：
S201、基于实体服务的历史交互行记录，挖掘实体服务之间的隐式关联关系；
S202、利用实体服务之间的隐式关联关系设计用于实体服务分类的隐式特征，从实体服务的文本描述和交互行为的时空模式设计用于实体服务分类的显式特征；
S203、结合S202涉及的实体服务的隐式特征和显式特征建立实体服务的分类模型；
S204、利用S1挖掘的实体服务隐含主题和S203中的实体服务的隐式特征和显式特征，在物联网边缘服务器上建立服务分类索引信息库。
S201包括：
S2011、基于多传感器对实体服务互动行为信息进行收集，根据不同类型传感信息更新频率差别，采用发布或订阅的方式对不同类型传感信息进行收集；实体服务互动行为信息包括：服务供应设备、交互行为发生的时间与位置。
在S2011中，采用状态传感器获取设备交互行为的起止时间；对于室外发生的实体服务交互行为，采用GPS获得交互行为的位置信息；对于室内发生的交互行为，采用基于位置指纹的定位方法获取交互行为的位置信息。
S2012、通过提取细粒度的交互特征，利用潜变量模型建模挖掘实体服务之间的隐式关联关系；细粒度的交互特征包括交互时间的概率分布、交互位置蕴含的语义信息以及交互活动涉及的用户行为习惯。
具体地，将从实体服务交互行为提取的细粒度交互特征作为观察变量，将实体服务隐式关联关系强度作为影响其交互行为的潜变量，利用概率图模型构建设备隐式关联关系的潜变量挖掘模型。
S202包括：
S2021、构建实体服务隐式关联关系图，以实体服务作为关联关系图的节点，以S201的隐式关联关系的强度作为关联关系图的边权重；
S2022、从实体服务隐式关联关系图提取两类隐式特征用于服务分类，一类是从隐式关联关系图节点拓扑结构提取的特征，包括节点的度、中心度、介数和特征向量中心性；另一类是从隐式关联关系图边权重提取的特征，采用随机游走算法获取每对设备之间的隐式关联关系强度，将节点所有邻接边的权重组合为特征向量；并将从实体服务短文本描述信息提取的文本特征及实体服务交互行为的时空模式作为服务分类的显式特征。
S203将物联网实体服务语义标注问题转换为实体服务分类问题，通过特征提取和分类模型训练两个阶段实现服务语义标注，包括：
S2031、提取实体服务隐式特征和显式特征；
S2032、通过语义标签空间的每个语义标签，学习基于支持向量机的二分类分类器，实现实体服务语义标注，建立实体服务的分类模型。
S204中，在物联网边缘服务器上利用分布式哈希表建立服务分类索引信息库，服务分类索引信息库中每个服务条目包括服务语义信息和服务位置的二元组；服务语义信息是服务描述文档、服务隐含主题和服务类别进行一致性哈希操作的键值，服务位置是说明提供该服务的智能设备的IP地址和端口地址。
如图4所示，S3包括：
S301、用户将服务请求发送到就近的边缘服务器，边缘服务器解析出服务请求的隐含主题，并检查本地服务目录是否有匹配的服务，若存在则直接返回满足要求的服务，否则通过分布式服务发现方法，将服务请求转发给其它分类索引信息库；
S302、分类索引信息库中进行服务匹配。
S302包括：
S3021、分类索引信息库通过隐含主题挖掘获取服务请求的隐含主题，并根据该主题快速确定其所属服务类别，然后仅从服务库中获取属于该类别的服务子集作为候选服务，快速减少需与服务请求进行主题相似度计算的服务数量；
S3022、分类索引信息库对于候选服务利用余弦相似度计算其隐含主题与用户服务请求隐含主题的相似度，并基于相似度排序从服务库中高效快速地查找出与用户服务请求最相似的服务子集，利用分布式哈希表快速获取候选服务提供者的地址。
实施例2：
在实验阶段，采用OWLS-TC V3.0(http://www.semwebcentral.org/projects/owls-tc)服务测试集作为LDA主题模型的训练数据集。实验效果评价指标包括两个：1)服务发现准确率，定义为被检索到的服务集合中相关服务的个数与被检索到的服务集合的比值；2)服务发现时间，定义为用户提出服务发现请求到查找到用户需要的服务的时间。
实验结果如表1所示。可以看出本发明在取得最后的物联网实体服务发现准确率较高，同时发现时间与基于关键字匹配的方法相当。针对物联网中服务数量的大规模性、服务描述的异构性以及设备服务的资源高度受限性和移动性等，本发明提出的服务高效发现方法有望在物联网实体服务选用和推荐领域推广应用。
表1物联网实体服务发现结果表
| 服务发现方法 | 关键字匹配 | 语义匹配 | 本发明方法 |
| 服务发现准确率 | 0.77 | 0.83 | 0.86 |
| 服务发现时间(ms) | 8570 | 15790 | 8660 |
Claims (10)
1.一种物联网实体服务的高效发现方法，其特征在于，包括以下步骤：
S1、建立物联网实体服务语义描述模型并挖掘出实体服务的隐含主题；
S2、对物联网实体服务进行语义标注，利用服务隐含主题和语义标注建立物联网实体服务的分类索引信息库；
S3、解析用户的服务请求并从中抽取出隐含主题，基于实体服务主题匹配实现服务的高效发现。
2.根据权利要求1所述的物联网实体服务的高效发现方法，其特征在于，S1包括：
S101、采用基于本体模型的服务描述方法；
S102、利用外部语料库实现服务短文本描述信息的语义扩充，基于文本主题模型挖掘实体服务描述文本的隐含主题。
3.根据权利要求2所述的物联网实体服务的高效发现方法，其特征在于，S102包括：
S1021、提取初始服务文本，对所述初始服务文本进行复合词拆分并去除停用词后，得到一系列关键词集合描述的关键词服务文本；
S1022、利用词向量表示方法对所述关键词服务文本描述中的每个关键词从外部语料库中寻找与其最相似的词，实现关键词扩展得到关键词扩展词向量，并得到关键词扩充服务文本；
S1023、对于所述关键词扩充服务文本，通过训练所得的LDA主题模型挖掘其隐含语义主题。
4.根据权利要求1所述的物联网实体服务的高效发现方法，其特征在于，S2包括：
S201、基于实体服务的历史交互行记录，挖掘所述实体服务之间的隐式关联关系；
S202、利用实体服务之间的隐式关联关系设计用于实体服务分类的隐式特征，从实体服务的文本描述和交互行为的时空模式设计用于实体服务分类的显式特征；
S203、结合S202涉及的实体服务的隐式特征和显式特征建立实体服务的分类模型；
S204、利用S1挖掘的实体服务隐含主题和S203中的实体服务的隐式特征和显式特征，在物联网边缘服务器上建立服务分类索引信息库。
5.根据权利要求4所述的物联网实体服务的高效发现方法，其特征在于，S201包括：
S2011、基于多传感器对实体服务互动行为信息进行收集，根据不同类型传感信息更新频率差别，采用发布或订阅的方式对不同类型传感信息进行收集；所述实体服务互动行为信息包括：服务供应设备、交互行为发生的时间与位置；
S2012、通过提取细粒度的交互特征，利用潜变量模型建模挖掘实体服务之间的隐式关联关系；所述细粒度的交互特征包括交互时间的概率分布、交互位置蕴含的语义信息以及交互活动涉及的用户行为习惯。
6.根据权利要求5所述的物联网实体服务的高效发现方法，其特征在于，S202包括：
S2021、构建实体服务隐式关联关系图，以实体服务作为所述关联关系图的节点，以S201的隐式关联关系的强度作为关联关系图的边权重；
S2022、从所述实体服务隐式关联关系图提取两类隐式特征用于服务分类，一类是从隐式关联关系图节点拓扑结构提取的特征，包括节点的度、中心度、介数和特征向量中心性；另一类是从隐式关联关系图边权重提取的特征，采用随机游走算法获取每对设备之间的隐式关联关系强度，将节点所有邻接边的权重组合为特征向量；并将从实体服务短文本描述信息提取的文本特征及实体服务交互行为的时空模式作为服务分类的显式特征。
7.根据权利要求6所述的物联网实体服务的高效发现方法，其特征在于，S203包括：
S2031、提取实体服务隐式特征和显式特征；
S2032、通过语义标签空间的每个语义标签，学习基于支持向量机的二分类分类器，实现实体服务语义标注，建立实体服务的分类模型。
8.根据权利要求6所述的物联网实体服务的高效发现方法，其特征在于，S204中，在物联网边缘服务器上利用分布式哈希表建立服务分类索引信息库，所述服务分类索引信息库中每个服务条目包括服务语义信息和服务位置的二元组；所述服务语义信息是服务描述文档、服务隐含主题和服务类别进行一致性哈希操作的键值，所述服务位置是说明提供该服务的智能设备的IP地址和端口地址。
9.根据权利要求1所述的物联网实体服务的高效发现方法，其特征在于，S3包括：
S301、用户将服务请求发送到就近的边缘服务器，边缘服务器解析出服务请求的隐含主题，并检查本地服务目录是否有匹配的服务，若存在则直接返回满足要求的服务，否则通过分布式服务发现方法，将服务请求转发给其它分类索引信息库；
S302、分类索引信息库中进行服务匹配。
10.根据权利要求4所述的物联网实体服务的高效发现方法，其特征在于，S302包括：
S3021、分类索引信息库通过隐含主题挖掘获取服务请求的隐含主题，并根据该主题快速确定其所属服务类别，然后仅从服务库中获取属于该类别的服务子集作为候选服务；
S3022、分类索引信息库对于候选服务利用余弦相似度计算其隐含主题与用户服务请求隐含主题的相似度，并基于相似度排序从服务库中高效快速地查找出与用户服务请求最相似的服务子集，利用分布式哈希表快速获取候选服务提供者的地址。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210436645.4A CN114817687A (zh) | 2022-04-15 | 2022-04-15 | 一种物联网实体服务的高效发现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210436645.4A CN114817687A (zh) | 2022-04-15 | 2022-04-15 | 一种物联网实体服务的高效发现方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114817687A true CN114817687A (zh) | 2022-07-29 |
Family
ID=82507847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210436645.4A Withdrawn CN114817687A (zh) | 2022-04-15 | 2022-04-15 | 一种物联网实体服务的高效发现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114817687A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992861A (zh) * | 2023-09-25 | 2023-11-03 | 四川健康久远科技有限公司 | 基于数据处理的医疗服务智慧处理方法及系统 |
-
2022
- 2022-04-15 CN CN202210436645.4A patent/CN114817687A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116992861A (zh) * | 2023-09-25 | 2023-11-03 | 四川健康久远科技有限公司 | 基于数据处理的医疗服务智慧处理方法及系统 |
| CN116992861B (zh) * | 2023-09-25 | 2023-12-08 | 四川健康久远科技有限公司 | 基于数据处理的医疗服务智慧处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9020947B2 (en) | Web knowledge extraction for search task simplification | |
| US9665648B2 (en) | Method and apparatus for a user interest topology based on seeded user interest modeling | |
| Dong et al. | Self-adaptive semantic focused crawler for mining services information discovery | |
| Al-asadi et al. | A survey on web mining techniques and applications | |
| Zhao et al. | Topic-centric and semantic-aware retrieval system for internet of things | |
| US9245010B1 (en) | Extracting and leveraging knowledge from unstructured data | |
| KR101739540B1 (ko) | 통합 지식베이스 구축 시스템 및 방법 | |
| KR102457359B1 (ko) | 뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템 | |
| CN104636386A (zh) | 信息监控方法及装置 | |
| CN114817687A (zh) | 一种物联网实体服务的高效发现方法 | |
| CN105159898A (zh) | 一种搜索的方法和装置 | |
| US8965910B2 (en) | Apparatus and method of searching for instance path based on ontology schema | |
| CN105512270B (zh) | 一种确定相关对象的方法和装置 | |
| Zhou et al. | Clustering services based on community detection in service networks | |
| CN107436919B (zh) | 一种基于本体和boss的云制造标准服务建模方法 | |
| Carlson et al. | Ambient ocean: A web search engine for context-aware smart resource discovery | |
| Baskara et al. | Web service discovery using combined bi-term topic model and WDAG similarity | |
| CN114417179A (zh) | 一种面向大规模知识库群的元搜索引擎处理方法和装置 | |
| TW578067B (en) | Knowledge graphic system and method based on ontology | |
| Pils et al. | Location-based context retrieval and filtering | |
| Li | Study on information recommendation of scientific and technological achievements based on user behavior modeling and big data mining | |
| US9317565B2 (en) | Alerting system based on newly disambiguated features | |
| KR102457356B1 (ko) | 뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템 | |
| Yu et al. | Discovering collaborative users based on query context for Web information seeking | |
| Yuan et al. | Mobile phone recommendation based on phone interest |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220729 |