CN115510247A - 一种电碳政策知识图谱构建方法、装置、设备及存储介质 - Google Patents
一种电碳政策知识图谱构建方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115510247A CN115510247A CN202211286741.1A CN202211286741A CN115510247A CN 115510247 A CN115510247 A CN 115510247A CN 202211286741 A CN202211286741 A CN 202211286741A CN 115510247 A CN115510247 A CN 115510247A
- Authority
- CN
- China
- Prior art keywords
- policy
- extraction
- model
- ontology
- carbon
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 135
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 182
- 238000013135 deep learning Methods 0.000 claims description 75
- 230000010354 integration Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 35
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008676 import Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/30—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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/34—Browsing; Visualisation therefor
-
- 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
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种电碳政策知识图谱构建方法、装置、设备及存储介质。该方法包括:获取电碳政策文本及预先构建的政策本体模型,所述政策本体模型中的政策本体包括政策实体、政策属性和政策关系;基于所述政策本体模型,采用训练好的政策本体抽取模型,在所述电碳政策文本中抽取各所述政策本体的政策本体信息;将各所述政策本体信息导入目标图形数据库,生成电碳政策知识图谱。本发明通过获取已经发布的电碳政策文本,基于构建的政策本体模型,采用政策本体抽取模型抽取电碳政策文本包含的政策本体信息,以构建较为完善的电碳政策知识图谱,对电碳政策进行了系统的梳理,为企业应用电碳政策做出了有力指导,提高了大众对电碳政策的合理解读。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种电碳政策知识图谱构建方法、装置、设备及存储介质。
背景技术
随着电碳政策文本的不断发布与更新,企业在实施政策时面临的政策信息越来越多,制定决策时可能无法运用适合的电碳政策。因此,现亟需对电碳政策进行系统的梳理,提高电碳政策的应用。
发明内容
本发明提供了一种电碳政策知识图谱构建方法、装置、设备及存储介质,以实现对电碳政策的系统梳理。
根据本发明的一方面,提供了一种电碳政策知识图谱构建方法,该方法包括:
获取电碳政策文本及预先构建的政策本体模型,所述政策本体模型中的政策本体包括政策实体、政策属性和政策关系;
基于所述政策本体模型,采用训练好的政策本体抽取模型,在所述电碳政策文本中抽取各所述政策本体的政策本体信息;
将各所述政策本体信息导入目标图形数据库,生成电碳政策知识图谱。
可选的,所述政策实体包括电碳政策版本、政策类别、政府机构、关联政策、产业类型和/或区域;
所述政策属性包括外部特征属性和内部特征属性,所述外部特征属性包括题目、作者、来源、摘要、关键词、基金资助、数字对象识别码、专辑、专题、分类号、期刊名称、电子期刊出版信息、引题、面向对象和/ 或关联政策,所述内部特征属性包括政策倾向性属性;
所述政策关系包括引用、发布、开展和/或包含。
可选的,所述政策本体抽取模型包括政策实体抽取模型、政策属性抽取模型和政策关系抽取模型;
所述政策实体抽取模型包括深度学习抽取实体子模型、撰写规则抽取实体子模型和实体结果整合子模型;
所述政策属性抽取模型包括深度学习抽取属性子模型、撰写规则抽取属性子模型、属性结果整合子模型和属性分类神经网络子模型;
所述政策关系抽取模型包括深度学习抽取关系子模型、撰写规则抽取关系子模型和关系结果整合子模型。
可选的,所述基于所述政策本体模型,采用训练好的政策本体抽取模型,在所述电碳政策文本中抽取各所述政策本体的政策本体信息,包括:
将所述电碳政策文本输入所述深度学习抽取实体子模型,得到深度学习抽取实体结果;
将所述电碳政策文本输入所述撰写规则抽取实体子模型,得到撰写规则抽取实体结果;
采用所述实体结果整合子模型,对所述深度学习抽取实体结果和所述撰写规则抽取实体结果进行整合,得到所述政策实体对应的政策实体信息。
可选的,所述基于所述政策本体模型,采用训练好的政策本体抽取模型,在所述电碳政策文本中抽取各所述政策本体的政策本体信息,包括:
将所述电碳政策文本输入所述深度学习抽取属性子模型,得到深度学习抽取属性结果;
将所述电碳政策文本输入所述撰写规则抽取属性子模型,得到撰写规则抽取属性结果;
采用所述属性结果整合子模型,对所述深度学习抽取属性结果和所述撰写规则抽取属性结果进行整合,得到所述外部特征属性对应的政策属性信息;
将所述电碳政策文本输入所述属性分类神经网络子模型,得到所述内部特征属性对应的政策属性信息。
可选的,所述基于所述政策本体模型,采用训练好的政策本体抽取模型,在所述电碳政策文本中抽取各所述政策本体的政策本体信息,包括:
将所述电碳政策文本输入所述深度学习抽取关系子模型,得到深度学习抽取关系结果;
将所述电碳政策文本输入所述撰写规则抽取关系子模型,得到撰写规则抽取关系结果;
采用所述关系结果整合子模型,对所述深度学习抽取关系结果和所述撰写规则抽取关系结果进行整合,得到所述政策关系对应的政策关系信息。
可选的,在将各所述政策本体信息导入目标图形数据库之前,还包括:
根据各所述政策本体信息对应的政策本体,对各所述政策本体信息进行格式化处理。
根据本发明的另一方面,提供了一种电碳政策知识图谱构建装置,该装置包括:
政策数据获取模块,用于获取电碳政策文本及预先构建的政策本体模型,所述政策本体模型中的政策本体包括政策实体、政策属性和政策关系;
政策本体抽取模块,基于所述政策本体模型,采用训练好的政策本体抽取模型,在所述电碳政策文本中抽取各所述政策本体的政策本体信息;
知识图谱生成模块,用于将各所述政策本体信息导入目标图形数据库,生成电碳政策知识图谱。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的电碳政策知识图谱构建方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电碳政策知识图谱构建方法。
本发明实施例的技术方案,通过获取电碳政策文本及预先构建的政策本体模型,政策本体模型中的政策本体包括政策实体、政策属性和政策关系;基于政策本体模型,采用训练好的政策本体抽取模型,在电碳政策文本中抽取各政策本体的政策本体信息;将各政策本体信息导入目标图形数据库,生成电碳政策知识图谱。本发明通过已经发布的电碳政策文本,基于构建的政策本体模型,采用政策本体抽取模型抽取电碳政策文本包含的政策本体信息,构建了较为完善的电碳政策知识图谱,对电碳政策进行了系统的梳理,为政策文本内容的深层分析和趋势推演提供了实现路径,为企业应用电碳政策做出了有力指导,提高了大众对电碳政策的合理解读。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是本发明实施例一提供的一种电碳政策知识图谱构建方法的流程图;
图2是本发明实施例二提供的一种电碳政策知识图谱构建装置的结构示意图;
图3是实现本发明实施例的电碳政策知识图谱构建方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“内部”、“外部”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种电碳政策知识图谱构建方法的流程图,本实施例可适用于构建电碳政策知识图谱的情况,该方法可以由电碳政策知识图谱构建装置来执行,该电碳政策知识图谱构建装置可以采用硬件和/或软件的形式实现,该电碳政策知识图谱构建装置可配置于计算机设备中。如图1所示,该方法包括:
S110、获取电碳政策文本及预先构建的政策本体模型,政策本体模型中的政策本体包括政策实体、政策属性和政策关系。
在本实施例中,可以从多个渠道检索电碳政策文本,例如通过爬虫程序从各级政府的网站、各类政策咨询服务平台处采集获取电碳政策文本,将采集的电碳政策文本经过合并、去重、删除无效数据的整合操作后,存放在指定数据库中,方便后续处理。在存储过程中,也可以对电碳政策文本数据集进行预处理,可以包括去除文本空格、网页标识符等。
在实际应用中,可以通过分析电碳政策知识结构,确定政策本体中的概念体系,确立政策实体、政策属性及政策关系,构建政策本体模型。
可选的,政策实体可以包括电碳政策版本、政策类别、政府机构、关联政策、产业类型和/或区域。
在本实施例中,电碳政策本体中政策实体的概念主要可以包括电碳政策版本、政策类别、政府机构、关联政策、产业类型以及区域等。其中,区域还可以进一步细分为省份、地区、城市等。
可选的,政策属性可以包括外部特征属性和内部特征属性,其中,外部特征属性可以包括题目、作者、来源、摘要、关键词、基金资助、数字对象识别码、专辑、专题、分类号、期刊名称、电子期刊出版信息、引题、面向对象和/或关联政策,内部特征属性可以包括政策倾向性属性。
在本实施例中,政策属性可以分为外部特征属性和内部特征属性。外部特征属性可以是电碳政策文本中较为明显的特征属性,可以包括题目、作者、来源、摘要、关键词、基金资助、数字对象识别码、专辑、专题、分类号、期刊名称、电子期刊出版信息、引题、面向对象、关联政策等;内部特征属性可以是是对电碳政策文本知识粒度的进一步细化,可以包括政策倾向性属性,例如该电碳政策文本是政策扶持条文还是政策禁止条文等。
可选的,政策关系可以包括引用、发布、开展和/或包含。
在本实施例中,政策关系可以理解为不同政策本体之间存在的关联关系,可以包括政策与机构之间的发布关系、开展关系,以及政策间的引用、包含关系等。
S120、基于政策本体模型,采用训练好的政策本体抽取模型,在电碳政策文本中抽取各政策本体的政策本体信息。
在本实施例中,可以采用一定数量的训练数据,预先训练得到政策本体抽取模型,在构建好政策本体模型,及获取到电碳政策文本后,采用训练好的政策本体抽取模型,从电碳政策文本中抽取政策本体模型内包含的各政策本体的政策本体信息。
在抽取政策本体信息之前,为避免空值信息对后续统计产生影响,在现有数据的基础上,可以先进行格式校对,使抽取结果更加准确。
可选的,政策本体抽取模型可以包括政策实体抽取模型、政策属性抽取模型和政策关系抽取模型。
在本实施例中,对政策实体、政策属性和政策关系对应的政策本体信息的抽取,可以分别通过相应的抽取模型进行。进一步的,政策实体抽取模型可以包括深度学习抽取实体子模型、撰写规则抽取实体子模型和实体结果整合子模型。
在本实施例中,抽取政策实体对应的政策本体信息,可以采用深度学习与规则抽取结合的方式进行。可以由深度学习抽取实体子模型和撰写规则抽取实体子模型分别在电碳政策文本中抽取政策实体对应的政策本体信息,再由实体结果整合子模型对两个抽取模型的抽取结果进行整合。
在一个实施例中,基于政策本体模型,采用训练好的政策本体抽取模型,在电碳政策文本中抽取各政策本体的政策本体信息可以通过以下步骤具体实现:
A1、将电碳政策文本输入深度学习抽取实体子模型,得到深度学习抽取实体结果。
在本实施例中,可以预先搭建并训练深度学习抽取实体子模型,采用深度学习抽取实体子模型从电碳政策文本中抽取政策实体对应的政策本体信息,得到深度学习抽取实体结果。
目前,预训练语言模型应用于自然语言处理任务成为学者研究的热门领域。BERT之前的预训练语言模型多为按照语序顺序,从左至右计算下一个词的概率,但是在语言中,词的含义以及出现概率与上下文相互关联,经典的语言模型在训练词向量时会丢失一些信息。BERT采用双向 Transformer作为编码器,充分考虑了词与上下文,具有更好的效果。本实施例可以利用组合模型BERT+BiLSTM+CRF进行实体抽取,其中BERT模型可替换为相关衍生的预训练模型。具体的,可以使用BERT预训练模型的参数来进行初始化,添加BiLSTM层和CRF层;BiLSTM模型在RNN基础上添加三个门结构,避免长距离文本学习的梯度消失问题,添加BiLSTM 层用于有效学习文本上下文特征;CRF层用于缓解文本中词汇上下文依赖问题,避免输出的实体信息不满足常规表达。
A2、将电碳政策文本输入撰写规则抽取实体子模型,得到撰写规则抽取实体结果。
在本实施例中,由于电碳政策文本的基本撰写格式较为一致,政策文本名称、发文机构、分布时间等均可按照文本结构进行抽取,政策实体可依据书名号等相关规则进行匹配抽取,其余知识均可设置相应规则。因此,可以根据电碳政策文本的常见撰写规则,制定实体抽取规则,匹配政策文本包含的书名号、政策结构序号等标志词的字符串,然后从匹配成功的文本字符串中提取电碳政策实体对应的政策本体信息,得到撰写规则抽取实体结果并存储。
A3、采用实体结果整合子模型,对深度学习抽取实体结果和撰写规则抽取实体结果进行整合,得到政策实体对应的政策实体信息。
在本实施例中,可以将深度学习抽取实体子模型抽取得到的深度学习抽取实体结果,和撰写规则抽取实体子模型抽取得到的撰写规则抽取实体结果的重合部分全部加入知识库,对于不一致部分可以进行可信度投票选择,对于撰写规则抽取得到的可信度高的抽取结果部分以撰写规则抽取实体结果为准,而对于深度学习抽取得到的可信度高的抽取结果部分以深度学习抽取实体结果为准,最后得到政策实体对应的全部政策实体信息。
进一步的,政策属性抽取模型可以包括深度学习抽取属性子模型、撰写规则抽取属性子模型、属性结果整合子模型和属性分类神经网络子模型。
在本实施例中,抽取政策属性对应的政策属性信息,可以采用深度学习与规则抽取结合的方式进行。对于外部特征属性,可以由深度学习抽取属性子模型和撰写规则抽取属性子模型分别在电碳政策文本中抽取政策属性对应的政策本体信息,再由属性结果整合子模型对以上两个抽取模型的抽取结果进行整合。对于内部特征属性,可以由属性分类神经网络子模型在电碳政策文本中抽取政策属性对应的政策本体信息。
在一个实施例中,基于政策本体模型,采用训练好的政策本体抽取模型,在电碳政策文本中抽取各政策本体的政策本体信息可以通过以下步骤具体实现:
B1、将电碳政策文本输入深度学习抽取属性子模型,得到深度学习抽取属性结果。
在本实施例中,可以预先搭建并训练深度学习抽取属性子模型,采用深度学习抽取属性子模型从电碳政策文本中抽取政策属性中外部特征属性对应的政策本体信息,得到深度学习抽取属性结果。
B2、将电碳政策文本输入撰写规则抽取属性子模型,得到撰写规则抽取属性结果。
在本实施例中,可以根据电碳政策文本的常见撰写规则,制定属性抽取规则,匹配政策文本包含的书名号、政策结构序号、题名、摘要、关键词等标志词的字符串,然后从匹配成功的文本字符串中提取电碳政策属性中外部特征属性对应的政策本体信息,得到撰写规则抽取属性结果并存储。
B3、采用属性结果整合子模型,对深度学习抽取属性结果和撰写规则抽取属性结果进行整合,得到外部特征属性对应的政策属性信息。
在本实施例中,可以将深度学习抽取属性子模型抽取得到的深度学习抽取属性结果,和撰写规则抽取属性子模型抽取得到的撰写规则抽取属性结果的重合部分全部加入知识库,对于不一致部分可以进行可信度投票选择,对于撰写规则抽取得到的可信度高的抽取结果部分以撰写规则抽取属性结果为准,而对于深度学习抽取得到的可信度高的抽取结果部分以深度学习抽取属性结果为准,最后得到外部特征属性对应的全部政策属性信息。
B4、将电碳政策文本输入属性分类神经网络子模型,得到内部特征属性对应的政策属性信息。
在本实施例中,可以构建政策分类体系,抽象政策文本类别,具体可根据政策粒度进行层级划分,预先搭建并训练属性分类神经网络子模型,采用属性分类神经网络子模型从电碳政策文本中抽取政策属性中内部特征属性对应的政策属性信息。
进一步的,政策关系抽取模型可以包括深度学习抽取关系子模型、撰写规则抽取关系子模型和关系结果整合子模型。
在本实施例中,抽取政策关系对应的政策本体信息,可以采用深度学习与规则抽取结合的方式进行。可以由深度学习抽取关系子模型和撰写规则抽取关系子模型分别在电碳政策文本中抽取政策关系对应的政策本体信息,再由关系结果整合子模型对两个抽取模型的抽取结果进行整合。
在一个实施例中,基于政策本体模型,采用训练好的政策本体抽取模型,在电碳政策文本中抽取各政策本体的政策本体信息可以通过以下步骤具体实现:
C1、将电碳政策文本输入深度学习抽取关系子模型,得到深度学习抽取关系结果。
在本实施例中,可以预先搭建并训练深度学习抽取关系子模型,采用深度学习抽取关系子模型从电碳政策文本中抽取政策关系对应的政策本体信息,得到深度学习抽取关系结果。
C2、将电碳政策文本输入撰写规则抽取关系子模型,得到撰写规则抽取关系结果。
在本实施例中,可以根据电碳政策文本的常见撰写规则,制定关系抽取规则,匹配政策文本包含的“贯彻落实”、“依据”、“参照”等标志词的字符串,然后从匹配成功的文本字符串中提取电碳政策关系对应的政策本体信息,得到撰写规则抽取关系结果并存储。
C3、采用关系结果整合子模型,对深度学习抽取关系结果和撰写规则抽取关系结果进行整合,得到政策关系对应的政策关系信息。
在本实施例中,可以将深度学习抽取关系子模型抽取得到的深度学习抽取关系结果,和撰写规则抽取关系子模型抽取得到的撰写规则抽取关系结果的重合部分全部加入知识库,对于不一致部分可以进行可信度投票选择,对于撰写规则抽取得到的可信度高的抽取结果部分以撰写规则抽取关系结果为准,而对于深度学习抽取得到的可信度高的抽取结果部分以深度学习抽取关系结果为准,最后得到政策关系对应的全部政策关系信息。
S130、将各政策本体信息导入目标图形数据库,生成电碳政策知识图谱。
在本实施例中,可以将S120抽取得到的各政策本体信息导入目标图形数据库,自动生成电碳政策知识图谱。
示例性的,可以将上述处理流程中抽取的政策本体信息转换成数据格式并批量导入Neo4j图数据库中,采用图结构存储知识,通过Neo4j实现可视化,直观展示电碳政策实体之间以及政策实体与政策属性之间的关系。 Neo4j数据库是一个高性能的图形数据库,具备高可用性、易扩展性、完整的数据库事务支持和快速检索4个特征,具有强大的可视化能力,也是目前使用最多的图数据库。利用Cypher Neo4j的官方查询语言,可以方便地对图形数据库进行查询和更新。
可选的,在将各政策本体信息导入目标图形数据库之前,还可以包括:根据各政策本体信息对应的政策本体,对各政策本体信息进行格式化处理。
Neo4j支持多种数据导入方式,既可以使用Cypher语言中的LOAD CSV 语句直接导入,也可以采用Neo4j-import命令将CSV文件批量导入,其中,第一种方法导入速度较慢,第二种方法速度较快,但需在初始化时进行数据导入。本发明使用第二种方法,首先建立知识网络的关系映射表,然后将电碳政策文本中抽取的三元组处理成Neo4j要求的格式,使用Neo4j-import命令批量导入数据库中,构建电碳政策知识图谱。
本发明实施例的技术方案,通过获取电碳政策文本及预先构建的政策本体模型,政策本体模型中的政策本体包括政策实体、政策属性和政策关系;基于政策本体模型,采用训练好的政策本体抽取模型,在电碳政策文本中抽取各政策本体的政策本体信息;将各政策本体信息导入目标图形数据库,生成电碳政策知识图谱。本发明通过已经发布的电碳政策文本,基于构建的政策本体模型,采用政策本体抽取模型抽取电碳政策文本包含的政策本体信息,构建了较为完善的电碳政策知识图谱,对电碳政策进行了系统的梳理,为政策文本内容的深层分析和趋势推演提供了实现路径,为企业应用电碳政策做出了有力指导,提高了大众对电碳政策的合理解读。
实施例二
图2为本发明实施例二提供了一种电碳政策知识图谱构建装置的结构示意图。如图2所示,该装置包括:
政策数据获取模块210,用于获取电碳政策文本及预先构建的政策本体模型,所述政策本体模型中的政策本体包括政策实体、政策属性和政策关系。
政策本体抽取模块220,基于所述政策本体模型,采用训练好的政策本体抽取模型,在所述电碳政策文本中抽取各所述政策本体的政策本体信息。
知识图谱生成模块230,用于将各所述政策本体信息导入目标图形数据库,生成电碳政策知识图谱。
可选的,所述政策实体包括电碳政策版本、政策类别、政府机构、关联政策、产业类型和/或区域;
所述政策属性包括外部特征属性和内部特征属性,所述外部特征属性包括题目、作者、来源、摘要、关键词、基金资助、数字对象识别码、专辑、专题、分类号、期刊名称、电子期刊出版信息、引题、面向对象和/ 或关联政策,所述内部特征属性包括政策倾向性属性;
所述政策关系包括引用、发布、开展和/或包含。
可选的,所述政策本体抽取模型包括政策实体抽取模型、政策属性抽取模型和政策关系抽取模型;
所述政策实体抽取模型包括深度学习抽取实体子模型、撰写规则抽取实体子模型和实体结果整合子模型;
所述政策属性抽取模型包括深度学习抽取属性子模型、撰写规则抽取属性子模型、属性结果整合子模型和属性分类神经网络子模型;
所述政策关系抽取模型包括深度学习抽取关系子模型、撰写规则抽取关系子模型和关系结果整合子模型。
可选的,所述政策本体抽取模块220,包括:
深度学习抽取实体单元,用于将所述电碳政策文本输入所述深度学习抽取实体子模型,得到深度学习抽取实体结果;
撰写规则抽取实体单元,用于将所述电碳政策文本输入所述撰写规则抽取实体子模型,得到撰写规则抽取实体结果;
实体结果整合单元,用于采用所述实体结果整合子模型,对所述深度学习抽取实体结果和所述撰写规则抽取实体结果进行整合,得到所述政策实体对应的政策实体信息。
可选的,所述政策本体抽取模块220,包括:
深度学习抽取属性单元,用于将所述电碳政策文本输入所述深度学习抽取属性子模型,得到深度学习抽取属性结果;
撰写规则抽取属性单元,用于将所述电碳政策文本输入所述撰写规则抽取属性子模型,得到撰写规则抽取属性结果;
属性结果整合单元,用于采用所述属性结果整合子模型,对所述深度学习抽取属性结果和所述撰写规则抽取属性结果进行整合,得到所述外部特征属性对应的政策属性信息;
内部特征属性抽取单元,用于将所述电碳政策文本输入所述属性分类神经网络子模型,得到所述内部特征属性对应的政策属性信息。
可选的,所述政策本体抽取模块220,包括:
深度学习抽取关系单元,用于将所述电碳政策文本输入所述深度学习抽取关系子模型,得到深度学习抽取关系结果;
规则抽取关系结果单元,用于将所述电碳政策文本输入所述撰写规则抽取关系子模型,得到撰写规则抽取关系结果;
关系结果整合单元,用于采用所述关系结果整合子模型,对所述深度学习抽取关系结果和所述撰写规则抽取关系结果进行整合,得到所述政策关系对应的政策关系信息。
可选的,所述装置还包括:
本体信息格式化模块,用于在将各所述政策本体信息导入目标图形数据库之前,根据各所述政策本体信息对应的政策本体,对各所述政策本体信息进行格式化处理。
本发明实施例所提供的电碳政策知识图谱构建装置可执行本发明任意实施例所提供的电碳政策知识图谱构建方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等) 和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器 (RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元 (GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如电碳政策知识图谱构建方法。
在一些实施例中,电碳政策知识图谱构建方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的电碳政策知识图谱构建方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行电碳政策知识图谱构建方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/ 或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种电碳政策知识图谱构建方法,其特征在于,包括:
获取电碳政策文本及预先构建的政策本体模型,所述政策本体模型中的政策本体包括政策实体、政策属性和政策关系;
基于所述政策本体模型,采用训练好的政策本体抽取模型,在所述电碳政策文本中抽取各所述政策本体的政策本体信息;
将各所述政策本体信息导入目标图形数据库,生成电碳政策知识图谱。
2.根据权利要求1所述的方法,其特征在于,
所述政策实体包括电碳政策版本、政策类别、政府机构、关联政策、产业类型和/或区域;
所述政策属性包括外部特征属性和内部特征属性,所述外部特征属性包括题目、作者、来源、摘要、关键词、基金资助、数字对象识别码、专辑、专题、分类号、期刊名称、电子期刊出版信息、引题、面向对象和/或关联政策,所述内部特征属性包括政策倾向性属性;
所述政策关系包括引用、发布、开展和/或包含。
3.根据权利要求2所述的方法,其特征在于,
所述政策本体抽取模型包括政策实体抽取模型、政策属性抽取模型和政策关系抽取模型;
所述政策实体抽取模型包括深度学习抽取实体子模型、撰写规则抽取实体子模型和实体结果整合子模型;
所述政策属性抽取模型包括深度学习抽取属性子模型、撰写规则抽取属性子模型、属性结果整合子模型和属性分类神经网络子模型;
所述政策关系抽取模型包括深度学习抽取关系子模型、撰写规则抽取关系子模型和关系结果整合子模型。
4.根据权利要求3所述的方法,其特征在于,所述基于所述政策本体模型,采用训练好的政策本体抽取模型,在所述电碳政策文本中抽取各所述政策本体的政策本体信息,包括:
将所述电碳政策文本输入所述深度学习抽取实体子模型,得到深度学习抽取实体结果;
将所述电碳政策文本输入所述撰写规则抽取实体子模型,得到撰写规则抽取实体结果;
采用所述实体结果整合子模型,对所述深度学习抽取实体结果和所述撰写规则抽取实体结果进行整合,得到所述政策实体对应的政策实体信息。
5.根据权利要求3所述的方法,其特征在于,所述基于所述政策本体模型,采用训练好的政策本体抽取模型,在所述电碳政策文本中抽取各所述政策本体的政策本体信息,包括:
将所述电碳政策文本输入所述深度学习抽取属性子模型,得到深度学习抽取属性结果;
将所述电碳政策文本输入所述撰写规则抽取属性子模型,得到撰写规则抽取属性结果;
采用所述属性结果整合子模型,对所述深度学习抽取属性结果和所述撰写规则抽取属性结果进行整合,得到所述外部特征属性对应的政策属性信息;
将所述电碳政策文本输入所述属性分类神经网络子模型,得到所述内部特征属性对应的政策属性信息。
6.根据权利要求3所述的方法,其特征在于,所述基于所述政策本体模型,采用训练好的政策本体抽取模型,在所述电碳政策文本中抽取各所述政策本体的政策本体信息,包括:
将所述电碳政策文本输入所述深度学习抽取关系子模型,得到深度学习抽取关系结果;
将所述电碳政策文本输入所述撰写规则抽取关系子模型,得到撰写规则抽取关系结果;
采用所述关系结果整合子模型,对所述深度学习抽取关系结果和所述撰写规则抽取关系结果进行整合,得到所述政策关系对应的政策关系信息。
7.根据权利要求1所述的方法,其特征在于,在将各所述政策本体信息导入目标图形数据库之前,还包括:
根据各所述政策本体信息对应的政策本体,对各所述政策本体信息进行格式化处理。
8.一种电碳政策知识图谱构建装置,其特征在于,包括:
政策数据获取模块,用于获取电碳政策文本及预先构建的政策本体模型,所述政策本体模型中的政策本体包括政策实体、政策属性和政策关系;
政策本体抽取模块,基于所述政策本体模型,采用训练好的政策本体抽取模型,在所述电碳政策文本中抽取各所述政策本体的政策本体信息;
知识图谱生成模块,用于将各所述政策本体信息导入目标图形数据库,生成电碳政策知识图谱。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的电碳政策知识图谱构建方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的电碳政策知识图谱构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211286741.1A CN115510247A (zh) | 2022-10-20 | 2022-10-20 | 一种电碳政策知识图谱构建方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211286741.1A CN115510247A (zh) | 2022-10-20 | 2022-10-20 | 一种电碳政策知识图谱构建方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115510247A true CN115510247A (zh) | 2022-12-23 |
Family
ID=84510846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211286741.1A Pending CN115510247A (zh) | 2022-10-20 | 2022-10-20 | 一种电碳政策知识图谱构建方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510247A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708350A (zh) * | 2024-02-06 | 2024-03-15 | 成都草根有智创新科技有限公司 | 企业政策的信息关联方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160597A (zh) * | 2015-08-27 | 2015-12-16 | 国家电网公司 | 一种基于电力系统的温室气体减排控制方法 |
CN112580331A (zh) * | 2020-12-15 | 2021-03-30 | 国家工业信息安全发展研究中心 | 政策文本的知识图谱构建方法及系统 |
CN112860908A (zh) * | 2021-01-27 | 2021-05-28 | 云南电网有限责任公司电力科学研究院 | 基于多源异构电力设备数据的知识图谱自动化构建方法 |
CN114153994A (zh) * | 2022-02-08 | 2022-03-08 | 北京大学 | 医保信息问答方法及装置 |
-
2022
- 2022-10-20 CN CN202211286741.1A patent/CN115510247A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160597A (zh) * | 2015-08-27 | 2015-12-16 | 国家电网公司 | 一种基于电力系统的温室气体减排控制方法 |
CN112580331A (zh) * | 2020-12-15 | 2021-03-30 | 国家工业信息安全发展研究中心 | 政策文本的知识图谱构建方法及系统 |
CN112860908A (zh) * | 2021-01-27 | 2021-05-28 | 云南电网有限责任公司电力科学研究院 | 基于多源异构电力设备数据的知识图谱自动化构建方法 |
CN114153994A (zh) * | 2022-02-08 | 2022-03-08 | 北京大学 | 医保信息问答方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708350A (zh) * | 2024-02-06 | 2024-03-15 | 成都草根有智创新科技有限公司 | 企业政策的信息关联方法、装置及电子设备 |
CN117708350B (zh) * | 2024-02-06 | 2024-05-14 | 成都草根有智创新科技有限公司 | 企业政策的信息关联方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9864741B2 (en) | Automated collective term and phrase index | |
JP7301922B2 (ja) | 意味検索方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
US10102191B2 (en) | Propagation of changes in master content to variant content | |
US10191946B2 (en) | Answering natural language table queries through semantic table representation | |
CN110162768B (zh) | 实体关系的获取方法、装置、计算机可读介质及电子设备 | |
CN109657072B (zh) | 一种应用于政府辅助决策的智能搜索web系统及方法 | |
CN110275962B (zh) | 用于输出信息的方法和装置 | |
AU2019371748A1 (en) | Systems and methods for identifying documents with topic vectors | |
CN114595686B (zh) | 知识抽取方法、知识抽取模型的训练方法及装置 | |
CN107798622B (zh) | 一种识别用户意图的方法和装置 | |
US20220391426A1 (en) | Multi-system-based intelligent question answering method and apparatus, and device | |
US20240220772A1 (en) | Method of evaluating data, training method, electronic device, and storage medium | |
CN114579104A (zh) | 数据分析场景的生成方法、装置、设备及存储介质 | |
CN112784589A (zh) | 一种训练样本的生成方法、装置及电子设备 | |
JP7369228B2 (ja) | ユーザ興味画像の生成方法、装置、電子機器及び記憶媒体 | |
CN115510247A (zh) | 一种电碳政策知识图谱构建方法、装置、设备及存储介质 | |
CN113672699A (zh) | 基于知识图谱的nl2sql生成方法 | |
US20230112385A1 (en) | Method of obtaining event information, electronic device, and storage medium | |
CN112445959A (zh) | 检索方法、检索装置、计算机可读介质及电子设备 | |
CN115203357A (zh) | 一种信息检索及信息索引更新方法、装置、设备及介质 | |
CN115048536A (zh) | 知识图谱生成方法、装置、计算机设备和存储介质 | |
CN114218431A (zh) | 视频搜索方法、装置、电子设备以及存储介质 | |
CN114547477A (zh) | 一种数据处理方法、装置、电子设备和存储介质 | |
CN111368036B (zh) | 用于搜索信息的方法和装置 | |
CN114925185B (zh) | 交互方法、模型的训练方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221223 |