CN115544106A - 呼叫中心平台的内部事件检索方法、系统及计算机设备 - Google Patents

呼叫中心平台的内部事件检索方法、系统及计算机设备 Download PDF

Info

Publication number
CN115544106A
CN115544106A CN202211524354.7A CN202211524354A CN115544106A CN 115544106 A CN115544106 A CN 115544106A CN 202211524354 A CN202211524354 A CN 202211524354A CN 115544106 A CN115544106 A CN 115544106A
Authority
CN
China
Prior art keywords
retrieval
event
internal
call center
entity
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.)
Granted
Application number
CN202211524354.7A
Other languages
English (en)
Other versions
CN115544106B (zh
Inventor
李晋源
田园
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.)
Information Center of Yunnan Power Grid Co Ltd
Original Assignee
Information Center of Yunnan Power Grid 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 Information Center of Yunnan Power Grid Co Ltd filed Critical Information Center of Yunnan Power Grid Co Ltd
Priority to CN202211524354.7A priority Critical patent/CN115544106B/zh
Publication of CN115544106A publication Critical patent/CN115544106A/zh
Application granted granted Critical
Publication of CN115544106B publication Critical patent/CN115544106B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • 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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2272—Management thereof
    • 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
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及企业检索技术领域，解决了呼叫中心的内部事件检索方式安全性低，在网络检索中存有大量的死连接、虚假连接，容易泄漏呼叫中心的内部运作方式、用户资料以及内部商业机密的技术问题，尤其涉及呼叫中心平台的内部事件检索方法、系统及计算机设备，该检索方法包括以下步骤：S1、根据呼叫中心的内部各项数据构建内部检索知识图谱；S2、在内部检索知识图谱中加入倒排索引得到检索数据库。本发明通过构建一个呼叫中心内部运行的检索方法来提高检索的安全性，同时避免出现泄漏呼叫中心内部运作方式、用户资料以及内部商业机密的现象，进一步消除检索中存有的死连接以及虚假连接，同时提高检索结果的准确性。

Description

呼叫中心平台的内部事件检索方法、系统及计算机设备
技术领域
本发明涉及呼叫中心平台技术领域，尤其涉及一种呼叫中心平台的内部事件检索方法、系统及计算机设备。
背景技术
内部事件检索就是通过检索软件对企业或者部门内部的各种结构化与非结构化的信息进行索引，并提供检索方法。在呼叫中心平台中，高层决策者经常通过检索工具检索一些相关信息来辅助他们做出各种决策、应对各种突发事件。这就对检索信息的准确性、实时性以及安全性提出了很高的要求。
由于呼叫中心平台内部数据信息的保密性、必要性以及经济性的原因，需要对检索信息的安全性做出相应的保障，而目前的呼叫中心平台的检索与互联网知识图谱直接建立检索功能，导致检索方式的安全性降低，同时容易泄漏呼叫中心的内部运作方式、用户资料以及内部商业机密等信息，并且在网络检索中存有大量的死连接、虚假连接，致使查询结果的匹配准确性严重降低，并容易引发呼叫中心的信息泄漏安全隐患。
发明内容
针对现有技术的不足，本发明提供了一种呼叫中心平台的内部事件检索方法、系统及计算机设备，解决了呼叫中心的内部事件检索方式安全性低，在网络检索中存有大量的死连接、虚假连接，容易泄漏呼叫中心的内部运作方式、用户资料以及内部商业机密的技术问题。
根据上述所提出的技术问题，本方案通过构建一个呼叫中心内部运行的检索方法来提高检索的安全性，同时避免出现泄漏呼叫中心内部运作方式、用户资料以及内部商业机密的现象，进一步消除检索中存有的死连接以及虚假连接，同时提高检索结果的准确性。
为解决上述技术问题，本发明提供了如下技术方案：一种呼叫中心平台的内部事件检索方法，包括以下步骤：
S1、根据呼叫中心的内部各项数据构建内部检索知识图谱；
S2、在内部检索知识图谱中加入倒排索引得到检索数据库；
S3、对检索数据库进行事件检索，确定检索数据库中各事件之间的最短路径；
S4、采用事件检索模型根据各事件间的最短路径模拟事件检索的最优路径；
S5、将待检索事件输入事件检索模型中进行检索，得到与检索数据库中相对应的事件；
S6、输出待检索事件的检索结果。
进一步地，在步骤S1中，根据呼叫中心的内部各项数据构建内部检索知识图谱，具体过程包括以下步骤：
S11、将呼叫中心的内部各项数据进行整合处理搭建知识图谱数据库；
S12、通过分析知识图谱数据库中的RDF数据，自动构建用于内部检索知识图谱中实体画像的结构化标签集合；
S13、通过结构化标签集合中的标签对实体画像进行匹配标注；
S14、基于多个结构化标签集合搭建内部检索知识图谱。
进一步地，在步骤S12中，通过分析知识图谱数据库中的RDF数据，自动构建用于内部检索知识图谱中实体画像的结构化标签集合，具体过程包括以下步骤：
S121、采用Jena开源工具的对知识图谱数据库进行解析，获得其中的主语、谓语、宾语构成知识图谱数据图KG；
S122、采用资源描述框架查询语言SPARQL，查询出知识图谱数据图KG中所有的预定义实体类型构成若干个集合T；
S123、对若干个集合T按照同一类型进行实体聚合得到多个实体集合
Figure 934460DEST_PATH_IMAGE001
；
S124、从实体集合
Figure 304130DEST_PATH_IMAGE001
中抽取描述实体画像
Figure 755971DEST_PATH_IMAGE002
的所有三元组构成一个子图
Figure 836666DEST_PATH_IMAGE003
；
S125、通过Jena API解析每一个描述实体画像
Figure 854301DEST_PATH_IMAGE002
三元组的描述，并根据解析属性构成属性标签池
Figure 863714DEST_PATH_IMAGE004
和关系标签池
Figure 960108DEST_PATH_IMAGE005
；
如果描述实体画像e谓语描述是一个数据属性，指向一个字面量，则将描述实体画像e的所有描述中的“谓语-宾语”特征和类型t组成＜t，p，o＞形式结构化标签加入到属性标签池
Figure 955746DEST_PATH_IMAGE004
中，针对类型t下每个实体画像
Figure 562308DEST_PATH_IMAGE006
生成一个画像结果
Figure 477043DEST_PATH_IMAGE007
，m表示第m个结构化标签，同时，结构化标签
Figure 434635DEST_PATH_IMAGE008
，其中，
Figure 857133DEST_PATH_IMAGE009
为关系-实体结构标签，简称REL标签，
Figure 318201DEST_PATH_IMAGE010
。
如果描述实体画像e的谓语描述是一个关系属性，则将构成的结构化标签＜t，p，o＞加入到关系标签池
Figure 669417DEST_PATH_IMAGE005
，结构化标签池
Figure 848725DEST_PATH_IMAGE011
；
S126、根据属性标签池
Figure 812264DEST_PATH_IMAGE004
和关系标签池
Figure 393418DEST_PATH_IMAGE005
定义结构化标签集合
Figure 915536DEST_PATH_IMAGE012
。
进一步地，在步骤S13中，通过结构化标签集合中的标签对实体画像进行匹配标注，具体过程包括以下步骤：
S131、对结构化标签集合中类型t下每个描述实体画像
Figure 847719DEST_PATH_IMAGE002
，
Figure 612020DEST_PATH_IMAGE013
，生成一个画像结果；
S132、给定描述实体画像e的画像结果，如果在知识图谱数据图KG中存在三元组描述(e，p，o)和结构化标签
Figure 782101DEST_PATH_IMAGE014
，则描述实体画像e与结构化标签
Figure 740699DEST_PATH_IMAGE014
匹配，并对描述实体画像e进行匹配标注；
如果不存在则结束。
进一步地，在步骤S4中，采用事件检索模型根据各事件间的最短路径模拟事件检索的最优路径，具体过程包括以下步骤：
S41、将检索关键字提交给查询器；
S42、查询器根据用户输入的查询条件在索引数据库中检索；
S43、查询器将查询到的结果集经过过滤器以后返回给用户接口显示；
S44、呼叫中心内部人员单击打开相应的Web页面的同时，通过DWR框架对用户的单击事件做出响应；
S45、通过DWR框架调用主题分析器对打开页面的主题进行分析，获得用户随机的关注主题，同时计算呼叫中心内部人员在该页面的实际停留时间
Figure 629020DEST_PATH_IMAGE015
和理论停留时间Pt；
S46、若
Figure 199941DEST_PATH_IMAGE016
为设定的阈值，说明该页主题不符合用户的需求，则不进行结果集的异步更新；
否则，结合用户的查询关键字和分析所得的主题传递给查询器进行查询，也就是返回执行步骤S42；
S47、通过过滤器将新的结果集返回给DWR框架；
S48、通过DWR框架对原页面进行更新；
S49、采用深度学习算法根据原页面更新结果模拟事件检索的最短路径。
进一步地，在步骤S49中，深度学习算法包括但不限于神经网络算法、前馈神经网络算法、GAN算法和图神经网络算法中的任意一种。
进一步地，在步骤S4中，事件检索模型包括DWR框架，在事件检索模型中的事件检索过程如下：
S411、在呼叫中心内部人员第一次输入关键词查询以后，将结果在页面显示，设为各项目为I，初始显示页面为P；
S412、当呼叫中心内部人员对项目I单击以后，此处将I看作事件源；
S413、通过JavaScript和DWR的设置调用执行相应的Java代码，并根据词汇权重计算公式计算的结果决定是否进行异步更新。
该技术方案还提供了一种用于实现上述内部事件检索方法的系统，包括：
知识图谱构建模块，所述知识图谱构建模块用于根据呼叫中心的内部各项数据构建内部检索知识图谱；
加入检索索引模块，所述加入检索索引模块用于在在内部检索知识图谱中加入倒排索引得到检索数据库；
确定事件最短路径模块，所述确定事件最短路径模块用于对检索数据库进行事件检索，确定检索数据库中各事件之间的最短路径；
最短路径模拟模块，所述最短路径模拟模块用于采用事件检索模型根据各事件间的最短路径模拟事件检索的最优路径；
检索模块，所述检索模块用于将待检索事件输入事件检索模型中进行检索与检索数据库中相应的事件；
输出模块，所述输出模块用于输出待检索事件的检索结果。
该技术方案还提供了一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现上述的内部事件检索方法。
借由上述技术方案，本发明提供了一种呼叫中心平台的内部事件检索方法、系统及计算机设备，至少具备以下有益效果：
1、本发明通过构建一个呼叫中心内部运行的检索方法来提高检索的安全性，同时避免出现泄漏呼叫中心内部运作方式、用户资料以及内部商业机密的现象，进一步消除检索中存有的死连接以及虚假连接，同时提高检索结果的准确性。
2、本发明通过事件检索模型并基于深度学习算法完成事件检索最短路径模拟的过程，通过深度学习算法完成主动学习，并结合事件检索模型提高内部人员检索的准确性，加强对检索关键词提取精准度的力度，同时结合最短路径的模拟过程，能够加强对于内部检索知识图谱中各项事件的检索能力，并缩小检索时间，提高检索速率。
3、本发明通过内部检索知识图谱呈现的呼叫中心平台、人、物、组织机构、行业等实体信息以及实体之间的关系信息，可以帮助内部人员更加直观地了解和检索相关实体和关系信息，帮助内部人员进行快速检索所需咨询、文件资料等相关内容。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明内部事件检索方法的流程图；
图2为本发明内部检索知识图谱中实体按类型聚合操作示意图；
图3为本发明构建t类型实体对应的属性标签池和关系标签池的流程图；
图4为本发明内部事件检索系统的结构框图；
图5为本发明实施例中计算机设备的结构框图。
图中：10、知识图谱构建模块；20、加入检索索引模块；30、确定事件最短路径模块；40、最短路径模拟模块；50、检索模块；60、输出模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
请参照图1-图5，示出了本实施例的一种具体实施方式，本实施例通过构建一个呼叫中心内部运行的内部检索知识图谱来提高检索的安全性，同时避免出现泄漏呼叫中心的内部运作方式、用户资料以及内部商业机密的现象，进一步消除网络检索中存有的死连接以及虚假连接，同时提高检索结果的准确性。
请参照图1，一种呼叫中心平台的内部事件检索方法，包括以下步骤：
S1、根据呼叫中心的内部各项数据构建内部检索知识图谱，其中，构建内部检索知识图谱包括以下步骤：
S11、将呼叫中心的内部各项数据进行整合处理搭建知识图谱数据库，呼叫中心的内部各项数据包括但不限于：呼叫中心的内部基础数据、投资关系、任职关系、呼叫中心的招投标数据、呼叫中心的招聘数据、呼叫中心的诉讼数据、呼叫中心的失信数据、呼叫中心的新闻数据等。
本实施例以呼叫中心的内部基础数据为例进行说明，对于呼叫中心的内部各项数据不再做详细说明，具体的数据均为已知数据，可根据需求在获得授权后获取。
呼叫中心的内部基础数据包含员工数量以及相对应的员工信息、对外产品宣传、工种构架关系等等，也可以说是一个对外公开数据，因此呼叫中心的内部基础数据不涉及保密类型数据，从互联网或其他渠道皆可以查询得到，以上数据的来源均来自该呼叫中心的真实数据统计，在呼叫中心内部管理系统中包含以上各种数据，由人员根据每年的企业状况统计年表或年报表等资料进行录入，因此上述数据作为呼叫中心内部保密或公开的常规数据，其获取方式需要征得授权，并且作为已知数据，在此不做过多赘述。
在上述步骤中，将呼叫中心的内部各项数据整合处理采用常规的现有技术手段即可实现本步骤的数据整合，为了更便于对数据的整合处理进行理解，本实施例根据以下内容对其处理方式进行公开，该部分内容的公开仅仅作为一个简单的举例，并不限定仅采用这一种数据的整合处理方式，还可以采用其他的能够达到整合目的方式，详细内容如下：
步骤一数据抽取：数据抽取是数据整合的第一步，即选择并提取数据源集中的一个特定子集的处理过程。依靠数据抽取，可以准确地从大批量数据中仅复制相关的数据。
步骤二数据传送：数据传送是紧接数据抽取的第二步，即将抽取到的特定数据子集发送到目的位置的处理过程。依靠数据传送，可自动保持数据的流通和共享。
步骤三数据清洗：对直接传送来的数据，在数据格式、数据编码、数据一致性等方面按照清洗规则进行处理。依靠数据清洗，可以保障中心数据库中数据的规范性。
步骤四数据重组：将清洗后的数据，按照新的数据组织逻辑进行关联处理，加强数据的内在联系。
步骤五数据发布：按照主题数据库层需要，将中心数据库中部分数据子集定期发布到主题数据库层。依靠数据发布，可以保障主题数据库层数据的及时更新。
步骤六服务重组：根据主题数据库中的数据，通过开放各类数据服务，提供面向各类应用的主题数据服务，以此加强数据的重利用。
步骤七数据展示：数据展示通常用报表或图形的表达方式来表示数据之间的关系，使使用者能快速直接的了解到数据变动情况。
呼叫中心的内部各项数据在经过整合处理后具有以下优势：
优势一，底层数据结构的透明，为数据访问提供了统一的接口。
优势二，提供真正的单一数据视图，数据视图data view这个概念大家很容易理解，数据整合(Data Consolidation)的优势是经过了数据校验和数据清理，你看到的数据更加真实，准确，可靠。
优势三，数据管控能力加强，管控是SOA里面重要的概念。数据整合(DataConsolidation)的优势是数据规则可以在数据加载，转换中实施，保证了数据管控。
优势四：可重用性好，由于有了实际的物理存储，数据可以为各种应用提供可重用的数据视图，而不用担心底层实际的数据源的可用性。
S12、通过分析知识图谱数据库中的RDF数据，自动构建用于内部检索知识图谱中实体画像的结构化标签集合。
请参照图2，在步骤S12中，通过分析知识图谱数据库中的RDF数据，自动构建用于内部检索知识图谱中实体画像的结构化标签集合，具体过程包括以下步骤：
S121、采用Jena开源工具的对知识图谱数据库进行解析，获得其中的主语、谓语、宾语构成知识图谱数据图KG；
S122、采用资源描述框架查询语言SPARQL，查询出知识图谱数据图KG中所有的预定义实体类型构成若干个集合T。
具体的，通过Jena开源工具的对知识图谱数据库进行解析，获得其中的主语、谓语、宾语构成知识图谱数据图KG。然后，通过资源描述框架查询语言SPARQL，查询出知识图谱数据图KG中所有的类似“dbo:Actor”，“dbo:Film”，“dbo:Book”等预定义实体类型构成若干个集合T。如图1所示，针对每个
Figure 490108DEST_PATH_IMAGE017
按类型进行实体聚合操作，
Figure 619607DEST_PATH_IMAGE018
表示集合T中第
Figure 729646DEST_PATH_IMAGE019
个类型
Figure 101328DEST_PATH_IMAGE020
，将所有通过“rdf.type”谓语指向同一类型t的实体聚合成一个实体集合
Figure 246001DEST_PATH_IMAGE021
，共生成k个对应类型实体集合
Figure 811981DEST_PATH_IMAGE022
为知识图谱中预定义实体类型数目。
S123、对若干个集合T按照同一类型进行实体聚合得到多个实体集合
Figure 674894DEST_PATH_IMAGE021
；
S124、从实体集合
Figure 587618DEST_PATH_IMAGE021
中抽取描述实体画像
Figure 852377DEST_PATH_IMAGE023
所有三元组构成一个子图
Figure 323679DEST_PATH_IMAGE024
；
S125、通过Jena API解析每一个描述实体画像
Figure 673889DEST_PATH_IMAGE023
三元组的描述，并根据解析属性构成属性标签池
Figure 121794DEST_PATH_IMAGE004
和关系标签池
Figure 241060DEST_PATH_IMAGE005
。
在对实体类型聚合基础上，针对t类型的实体集合
Figure 352104DEST_PATH_IMAGE021
，抽取描述实体画像
Figure 455189DEST_PATH_IMAGE023
的所有三元组构成一个子图
Figure 444136DEST_PATH_IMAGE024
，将
Figure 683488DEST_PATH_IMAGE021
集合中实体对应的“谓语-宾语”键值对进行聚合，首先构建t类型实体对应的属性标签池
Figure 231012DEST_PATH_IMAGE004
、关系标签池
Figure 290235DEST_PATH_IMAGE005
，具体方法如图3所示。
如果描述实体画像e谓语描述是一个数据属性，指向一个字面量，则将描述实体画像e的所有描述中的“谓语-宾语”特征和类型t组成＜t，p，o＞形式结构化标签加入到属性标签池
Figure 345523DEST_PATH_IMAGE004
中；
如果描述实体画像e的谓语描述是一个关系属性，则将构成的结构化标签＜t，p，o＞加入到关系标签池
Figure 32856DEST_PATH_IMAGE005
，结构化标签池
Figure 502015DEST_PATH_IMAGE025
。
上述构建出的结构化属性标签池
Figure 297801DEST_PATH_IMAGE004
和结构化关系标签池
Figure 143397DEST_PATH_IMAGE005
，相当于是直接将实体的“谓语-宾语”键值对进行简单的枚举抽取。生成的结构化关系标签池
Figure 576915DEST_PATH_IMAGE026
中的标签已经符合
Figure 482554DEST_PATH_IMAGE027
的结构，直接作为REL的结构化标签池
Figure 375424DEST_PATH_IMAGE028
；对
Figure 8399DEST_PATH_IMAGE004
中的结构化标签进一步进行分析处理，构建“属性-区间”、“属性-字符串”两种形式的AIL和ASL结构化标签，需要说明的是，关系标签池
Figure 545691DEST_PATH_IMAGE026
中的R表示现有技术的REL标签，结构化属性标签池
Figure 393472DEST_PATH_IMAGE004
中的A表示两种形式的AIL和ASL结构化标签。
S126、根据属性标签池
Figure 649004DEST_PATH_IMAGE004
和关系标签池
Figure 85670DEST_PATH_IMAGE005
定义结构化标签集合
Figure 867681DEST_PATH_IMAGE029
。
示例性的，在该步骤中，需要定义结构化标签集合
Figure 115123DEST_PATH_IMAGE029
，下述通过各项设定结合公式进行定义：
给定知识图谱数据图KG中的实体类型t，提出t类型的结构化标签集合
Figure 608683DEST_PATH_IMAGE029
，和三元组形式的结构化标签
Figure 599773DEST_PATH_IMAGE030
概念，符号化定义如下：
Figure 360925DEST_PATH_IMAGE031
式中，
Figure 779268DEST_PATH_IMAGE032
表示描述实体数据属性特征的属性标签集合，即当
Figure 757195DEST_PATH_IMAGE033
时，
Figure 551975DEST_PATH_IMAGE034
表示描述实体对象属性特征的关系标签集合，即当
Figure 433212DEST_PATH_IMAGE035
时，
Figure 756878DEST_PATH_IMAGE036
，A表示表示两种形式的AIL和ASL结构化标签，R表示REL标签。
Figure 490609DEST_PATH_IMAGE037
表示
Figure 823502DEST_PATH_IMAGE038
的对应取值，依据知识图谱中实体描述宾语的不同数据类型，再将标签集合
Figure 824825DEST_PATH_IMAGE039
中的标签划分定义为两个不同类型结构化标签集合，如公式所示：
Figure 584970DEST_PATH_IMAGE040
式中，
Figure 537489DEST_PATH_IMAGE041
与
Figure 674073DEST_PATH_IMAGE042
两种类型的结构化标签集合如下：
定义属性-区间结构标签（AIL）：给定结构化标签
Figure 264323DEST_PATH_IMAGE043
，定义
Figure 320004DEST_PATH_IMAGE044
，且
Figure 903694DEST_PATH_IMAGE045
取值为一段数值值域区间形式的标签
Figure 437443DEST_PATH_IMAGE046
为属性-区间结构标签，简称AIL标签，所有AIL标签组成集合
Figure 898512DEST_PATH_IMAGE041
。例如
Figure 249728DEST_PATH_IMAGE047
形式的标签是一个AIL标签。
定义属性-字符串结构标签(ASL)：给定结构化标签
Figure 897878DEST_PATH_IMAGE043
，定义
Figure 124066DEST_PATH_IMAGE048
，且
Figure 439641DEST_PATH_IMAGE049
，取值为字符串数据类型字面量形式的标签
Figure 961758DEST_PATH_IMAGE050
为属性-字符串结构标签，简称ASL标签，所有ASL标签组成集合
Figure 487418DEST_PATH_IMAGE051
。例如
Figure 503915DEST_PATH_IMAGE052
形式的标签是一个ASL标签。
S13、通过结构化标签集合中的标签对实体画像进行匹配标注，使用户可以通过实体画像结果较为直观快速的区分和比较知识图谱中的实体。
针对知识图谱中的每一个实体类型t，构造一个对应的结构化标签集合
Figure 424729DEST_PATH_IMAGE029
。
在步骤S13中，通过结构化标签集合中的标签对实体画像进行匹配标注，具体过程包括以下步骤：
S131、对结构化标签集合中类型t下每个描述实体画像
Figure 868480DEST_PATH_IMAGE053
，生成一个画像结果，画像结果如下：
Figure 271648DEST_PATH_IMAGE055
S132、给定描述实体画像e的画像结果，如果在知识图谱数据图KG中存在三元组描述(e，p，o)和结构化标签
Figure 826257DEST_PATH_IMAGE056
，则描述实体画像e与结构化标签
Figure 598648DEST_PATH_IMAGE056
匹配，并对描述实体画像e进行匹配标注；
如果不存在则结束。
给定描述实体画像e的画像结果，如果在知识图谱数据图KG中存在三元组描述(e，p，o)和结构化标签
Figure 478879DEST_PATH_IMAGE057
且
Figure 103764DEST_PATH_IMAGE058
，则描述实体画像e与结构化标签
Figure 321119DEST_PATH_IMAGE056
匹配。
基于上述结构化标签集合搭建内部检索知识图谱的方法，主要是针对拥有大量复杂RDF三元组描述信息的知识图谱数据图KG，首先枚举其中实体所有的结构化特征构建形成初始结构化标签池，然后通过一系列度量排序筛选的方法，过滤掉所有不具有区分度的琐碎标签，最终保留有助于区分理解实体的结构化标签，对实体进行画像标注，并将实体画像结果呈现。
通过实体画像结果能较好区分比较知识图谱中的实体，促进对知识图谱中实体的理解。
可以通过构建的结构化标签集合代替实体原始复杂的描述信息，能较快的区分和比较同类型下的多个实体，从一定程度上解决知识图谱中实体信息过载和呼叫中心内部人员实体理解困难的问题。
S14、基于多个结构化标签集合搭建内部检索知识图谱，多个结构化标签集所包含的内容共同组成内部检索知识图谱，也可以理解为取多个结构化标签集合的合集。
基于上述对结构化标签集合以及实体画像的定义搭建出内部检索知识图谱，可应用于内部检索知识图谱中不同实体类型，通过对内部检索知识图谱中原始海量三元组描述中，海量的结构化特征的不断过滤筛选，精简标签空间，排序筛选构造出最有助于区分理解实体的结构化标签，通过实体画像结果能较好区分比较内部检索知识图谱中的实体，促进对知识图谱中实体的理解。
可以通过构建的结构化标签集合代替实体原始复杂的描述信息，帮助较快的区分和比较同类型下的多个实体，从一定程度上解决内部检索知识图谱中实体信息过载和实体理解困难的问题。
S2、在内部检索知识图谱中加入倒排索引得到检索数据库。
加入检索索引采用现有的成熟技术手段实现，在本实施例中采用倒排索引，同样的亦可以采用其他索引，本实施例对其进行简单说明，不再做过多赘述，倒排索引的具体内容公开如下：
倒排索引是一种数据结构，它表示了这样一种映射，以字或词或数字为关键字进行索引，映射到出现这个字或词的所有文档或者数据库文件。
倒排索引由三部分组成，term index、term dictionary和posting list（倒排表）。
索引过程，首要需要找到term（关键词）索引的位置。term index就是用于找到关键词term在term dictionary（词典）中的位置。term index有很多种词典结构，比如哈希表，B树、B+、FST。
S3、对检索数据库进行事件检索，确定检索数据库中各事件之间的最短路径。
在该步骤中，按照Dijkstra算法确定触达各事件之间的最短路径，按照路径长度设定路径触达概率。例如，可以通过检索企业知识图谱中实体间多方面的关联关系，确定实体画像间的距离，并以该距离为输入基于python实现Dijkstra算法，确定企业中各事件的最短路径。而且触达各事件的路径越短，触达成功的概率越大，这样，将所述的路径按照从小到大的顺序排序，并按照最短路径从小到大的顺序，按照从大到小的顺序设定路径触达概率，其中各事件具体为呼叫中心的内部各项数据。
S4、采用事件检索模型根据各事件间的最短路径模拟事件检索的最优路径。
在步骤S4中，采用事件检索模型根据各事件间的最短路径模拟事件检索的最优路径，具体过程包括以下步骤：
S41、将检索关键字提交给查询器。
S42、查询器根据用户输入的查询条件在索引数据库中检索。
S43、查询器将查询到的结果集经过过滤器以后返回给用户接口显示。
S44、呼叫中心内部人员单击打开相应的Web页面的同时，通过DWR框架对用户的单击事件做出响应。
S45、通过DWR框架调用主题分析器对打开页面的主题进行分析，获得用户随机的关注主题，同时计算呼叫中心内部人员在该页面的实际停留时间St和理论停留时间Pt；理论停留时间
Figure 623050DEST_PATH_IMAGE059
可采用下述公式计算得出。
Figure 267658DEST_PATH_IMAGE060
互联网行业有一个比较流行的“八秒钟规则”，如果Web站点在8秒钟后没有反应，那么访问者一般会弃之而去，所以Pt(理论停留时间)就加上了其平均时间
Figure 864992DEST_PATH_IMAGE061
词汇/s，为平均阅读速度；
Figure 276251DEST_PATH_IMAGE062
为词汇ki在文档中的词频。
S46、若
Figure 275431DEST_PATH_IMAGE063
为设定的阈值，阈值设定为1，说明该页主题不符合用户的需求，则不进行结果集RS的异步更新。
否则，结合用户的查询关键字和分析所得的主题传递给查询器进行查询，也就是返回执行步骤S422；
S47、通过过滤器将新的结果集返回给DWR框架；
S48、通过DWR框架对原页面进行更新；
S49、采用深度学习算法根据原页面更新结果模拟事件检索的最优路径，最优路径在此处的含义为根据待检索事件通过事件检索模型在检索数据库中检索相应事件的最快方式，其响应时间最短并且精准，从而满足快速检索的需求。
深度学习算法采用现有的常规技术手段，包括但不限于神经网络算法、前馈神经网络算法、GAN算法和图神经网络算法中的任意一种。
采用空间向量模型VSM(Vector Space Model)来表达文档主题特征，向量中的各项是文档中关键词汇的权重，关键词汇的权重可表示为：W=TF-IDF（term frequency–inverse document frequency），Salton给出了一个词汇权重计算公式：
Figure 245268DEST_PATH_IMAGE064
其中，
Figure 329898DEST_PATH_IMAGE065
为词汇t在文档i中的权重，
Figure 889055DEST_PATH_IMAGE066
为词汇t在文档i中的词频，即词汇出现的次数；N为所有的文档数；
Figure 257589DEST_PATH_IMAGE067
为所有文档中出现词汇t的文档数；
Figure 650524DEST_PATH_IMAGE068
为在文档i中所有的词汇数。
该方法结合已有的DWR框架提出了基于用户停留时间来分析呼叫中心内部人员对打开页面主题关注程度的事件检索模型，并对算法中关键词权重的计算公式进行了改进，能够解决呼叫中心内部人员检索需求的随机性问题及兴趣特征需要维护的问题。
通过事件检索模型并基于深度学习算法完成事件检索最短路径模拟的过程，通过深度学习算法完成主动学习，并结合事件检索模型提高内部人员检索的准确性，加强对检索关键词提取精准度的力度，同时结合最短路径的模拟过程，能够加强对于内部检索知识图谱中各项事件的检索能力，并缩小检索时间，提高检索速率。
在步骤S4中，事件检索模型包括DWR框架，在事件检索模型中的事件检索过程如下：
S411、在呼叫中心内部人员第一次输入关键词查询以后，将结果在页面显示，设为各项目为I，初始显示页面为P；
S412、当呼叫中心内部人员对项目I单击以后，此处将I看作事件源；
S413、通过JavaSctipt和DWR的设置调用执行相应的Java代码，也就是调用主题分析器对打开页面的主题进行分析，并根据词汇权重计算公式计算的结果决定是否进行异步更新，若权重
Figure 238762DEST_PATH_IMAGE069
小于阈值
Figure 742556DEST_PATH_IMAGE070
则进行异步更新。
其中，过滤器主要完成查询器返回的文档与查询条件的主题相似度的计算；主题分析器完成用户随机关注主题的分析。
在最短路径的模拟过程中，通过深度学习算法完成主动学习，并结合事件检索模型提高检索的准确性，加强对检索关键词提取精准度的力度，同时结合最短路径的模拟过程，能够加强对于内部检索知识图谱中各项事件的检索能力，并缩小检索时间，提高检索速率。
S5、将待检索事件输入事件检索模型中进行检索，得到与检索数据库中相对应的事件，通过检索索引能够提高对于事件的检索效率，结合索引表中的关键词或字，所构建的内部检索知识图谱具有独特性，能够适用于呼叫中心内部的各项事件的快速检索。
S6、输出待检索事件的检索结果，检索结果是呼叫中心在进行事件检索得出的目标结果，其中以某一事件进行举例说明，在需要检索呼叫中心内部的相关资料时，如呼叫中心招投标信息，此时在检索页面检索栏输入“招投标”字样，并且限制一个时间段，或者选择全部显示，以内部检索知识图谱为基础的事件检索模型进行检索，并将检索结果进行输出可读形式的相关内容，以便检索者（呼叫中心内部人员）进行查看。
本实施例所提供的方法，通过构建一个呼叫中心内部运行的企业检索引擎来提高检索的安全性，同时避免出现泄漏呼叫中心的内部运作方式以及内部商业机密的现象，进一步消除网络检索中存有的死连接以及虚假连接，同时提高检索结果的准确性。
与上述实施例提供的内部事件检索方法相对应，本实施例还提供内部事件检索方法的系统，由于本实施例提供的内部事件检索系统与上述实施例提供的内部事件检索方法相对应，因此前述内部事件检索方法的实施方式也适用于本实施例提供的内部事件检索系统，在本实施例中不再详细描述。
请参阅图4，其所示为本实施例提供的内部事件检索系统的结构框图，该内部事件检索系统包括：
知识图谱构建模块10，知识图谱构建模块10用于根据呼叫中心的内部各项数据构建内部检索知识图谱；
加入检索索引模块20，加入检索索引模块20用于在内部检索知识图谱中加入倒排索引得到检索数据库；
确定事件最短路径模块30，确定事件最短路径模块30用于对检索数据库进行事件检索，确定检索数据库中各事件之间的最短路径；
最短路径模拟模块40，最短路径模拟模块40用于采用事件检索模型根据各事件间的最短路径模拟事件检索的最优路径，其中最短路径的模拟过程中，通过深度学习算法完成主动学习，并结合事件检索模型提高检索的准确性，加强对检索关键词提取精准度的力度，同时结合最短路径的模拟过程，缩小检索时间，提高检索速率。
检索模块50，检索模块50用于将待检索事件输入事件检索模型中进行检索与检索数据库中相应的事件；
输出模块60，输出模块60用于输出待检索事件的检索结果。
需要说明的是，上述实施例提供的系统在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的系统与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本实施例的内部事件检索系统通过内部检索知识图谱呈现的呼叫中心平台、人、物、组织机构、行业等实体信息以及实体之间的关系信息，可以帮助内部人员更加直观地了解和检索相关实体和关系信息，帮助内部人员进行快速检索所需咨询、文件资料等相关内容。
本实施例还提供了一种计算机设备，图5为本申请实施例中计算机设备的结构框图。如图5所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，该计算机设备的处理器用于提供计算和控制能力。存储器包括存储介质和内存储器。存储介质可以是非易失性存储介质，也可以是易失性存储介质。存储介质存储有操作系统，还可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器实现内部事件检索方法。该内存储器为存储介质中的操作系统和计算机可读指令的运行提供环境。该内存储器中也可储存有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行内部事件检索方法。该计算机设备的网络接口用于与外部服务器通过网络连接通信。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，提供了一种计算机设备，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可读指令(例如计算机程序)，处理器执行计算机可读指令时实现上述实施例中内部事件检索方法的步骤，例如图1所示的步骤S1至步骤S6及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机可读指令时实现上述实施例中内部事件检索系统的各模块的功能，例如图4所示模块10至模块60的功能。为避免重复，这里不再赘述。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本申请通过构建一个呼叫中心内部运行的检索方法来提高呼叫中心内部检索的安全性，同时避免出现泄漏内部运作方式以及内部商业机密的现象，进一步消除网络检索中存有的死连接以及虚假连接，同时提高检索结果的准确性，相对于目前的检索方式具有较高的安全性，能够进一步提高对于用户资料的保护力度，防止在检索中出现用户资料泄漏现象，因此具有十分广阔的市场前景。
而且本申请的适用范围更为宽广，能够适用于各种企业的日常办公需求，特别针对涉及用户资料的有关部门，例如IT开发行业、企业研发部门、电商行业等等。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。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上述实施例方法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，但很多情况下前者是更佳的实施方式。
对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种呼叫中心平台的内部事件检索方法，其特征在于，包括以下步骤：
S1、根据呼叫中心的内部各项数据构建内部检索知识图谱；
S2、在内部检索知识图谱中加入倒排索引得到检索数据库；
S3、对检索数据库进行事件检索，确定检索数据库中各事件之间的最短路径；
S4、采用事件检索模型根据各事件间的最短路径模拟事件检索的最优路径；
S5、将待检索事件输入事件检索模型中进行检索，得到与检索数据库中相对应的事件；
S6、输出待检索事件的检索结果。
2.根据权利要求1所述的内部事件检索方法，其特征在于：在步骤S1中，根据呼叫中心的内部各项数据构建内部检索知识图谱，具体过程包括以下步骤：
S11、将呼叫中心的内部各项数据进行整合处理搭建知识图谱数据库；
S12、通过分析知识图谱数据库中的RDF数据，自动构建用于内部检索知识图谱中实体画像的结构化标签集合；
S13、通过结构化标签集合中的标签对实体画像进行匹配标注；
S14、基于多个结构化标签集合搭建内部检索知识图谱。
3.根据权利要求2所述的内部事件检索方法，其特征在于：在步骤S12中，通过分析知识图谱数据库中的RDF数据，自动构建用于内部检索知识图谱中实体画像的结构化标签集合，具体过程包括以下步骤：
S121、采用Jena开源工具的对知识图谱数据库进行解析，获得其中的主语、谓语、宾语构成知识图谱数据图KG；
S122、采用资源描述框架查询语言SPARQL，查询出知识图谱数据图KG中所有的预定义实体类型构成若干个集合T；
S123、对若干个集合T按照同一类型进行实体聚合得到多个实体集合
Figure 644941DEST_PATH_IMAGE001
；
S124、从实体集合
Figure 980107DEST_PATH_IMAGE001
中抽取描述实体画像
Figure 240187DEST_PATH_IMAGE002
的所有三元组构成一个子图
Figure 319001DEST_PATH_IMAGE003
；
S125、通过Jena API解析每一个描述实体画像
Figure 348137DEST_PATH_IMAGE002
三元组的描述，并根据解析属性构成属性标签池
Figure 854205DEST_PATH_IMAGE004
和关系标签池
Figure 601581DEST_PATH_IMAGE005
；
如果描述实体画像e谓语描述是一个数据属性，指向一个字面量，则将描述实体画像e的所有描述中的“谓语-宾语”特征和类型t组成＜t，p，o＞形式结构化标签加入到属性标签池
Figure 484087DEST_PATH_IMAGE004
中；
如果描述实体画像e的谓语描述是一个关系属性，则将构成的结构化标签＜t，p，o＞加入到关系标签池
Figure 570991DEST_PATH_IMAGE005
，结构化标签池
Figure 559545DEST_PATH_IMAGE006
；
S126、根据属性标签池
Figure 731900DEST_PATH_IMAGE004
和关系标签池
Figure 214834DEST_PATH_IMAGE005
定义结构化标签集合
Figure 156245DEST_PATH_IMAGE007
。
4.根据权利要求3所述的内部事件检索方法，其特征在于：在步骤S13中，通过结构化标签集合中的标签对实体画像进行匹配标注，具体过程包括以下步骤：
S131、对结构化标签集合中类型t下每个描述实体画像
Figure 269695DEST_PATH_IMAGE002
，
Figure 991663DEST_PATH_IMAGE008
，生成一个画像结果；
S132、给定描述实体画像e的画像结果，如果在知识图谱数据图KG中存在三元组描述(e，p，o)和结构化标签
Figure 950392DEST_PATH_IMAGE009
，则描述实体画像e与结构化标签
Figure 74206DEST_PATH_IMAGE009
匹配，并对描述实体画像e进行匹配标注；
如果不存在则结束。
5.根据权利要求1所述的内部事件检索方法，其特征在于：在步骤S4中，采用事件检索模型根据各事件间的最短路径模拟事件检索的最优路径，具体过程包括以下步骤：
S41、将检索关键字提交给查询器；
S42、查询器根据用户输入的查询条件在索引数据库中检索；
S43、查询器将查询到的结果集经过过滤器以后返回给用户接口显示；
S44、呼叫中心内部人员单击打开相应的Web页面的同时，通过DWR框架对用户的单击事件做出响应；
S45、通过DWR框架调用主题分析器对打开页面的主题进行分析，获得用户随机的关注主题，同时计算呼叫中心内部人员在该页面的实际停留时间St和理论停留时间Pt；
S46、若
Figure 827398DEST_PATH_IMAGE010
，
Figure 787395DEST_PATH_IMAGE011
为设定的阈值，说明该页主题不符合用户的需求，则不进行结果集的异步更新；
否则，结合用户的查询关键字和分析所得的主题传递给查询器进行查询，也就是返回执行步骤S42；
S47、通过过滤器将新的结果集返回给DWR框架；
S48、通过DWR框架对原页面进行更新；
S49、采用深度学习算法根据原页面更新结果模拟事件检索的最短路径。
6.根据权利要求5所述的内部事件检索方法，其特征在于：在步骤S49中，深度学习算法包括但不限于神经网络算法、前馈神经网络算法、GAN算法和图神经网络算法中的任意一种。
7.根据权利要求1所述的内部事件检索方法，其特征在于：在步骤S4中，事件检索模型包括DWR框架，在事件检索模型中的事件检索过程如下：
S411、在呼叫中心内部人员第一次输入关键词查询以后，将结果在页面显示，设为各项目为I，初始显示页面为P；
S412、当呼叫中心内部人员对项目I单击以后，此处将I看作事件源；
S413、通过JavaScript和DWR的设置调用执行相应的Java代码，并根据词汇权重计算公式计算的结果决定是否进行异步更新。
8.一种用于实现上述权利要求1至7任一项所述的内部事件检索方法的系统，其特征在于，包括：
知识图谱构建模块（10），所述知识图谱构建模块（10）用于根据呼叫中心的内部各项数据构建内部检索知识图谱；
加入检索索引模块（20），所述加入检索索引模块（20）用于在在内部检索知识图谱中加入倒排索引得到检索数据库；
确定事件最短路径模块（30），所述确定事件最短路径模块（30）用于对检索数据库进行事件检索，确定检索数据库中各事件之间的最短路径；
最短路径模拟模块（40），所述最短路径模拟模块（40）用于采用事件检索模型根据各事件间的最短路径模拟事件检索的最优路径；
检索模块（50），所述检索模块（50）用于将待检索事件输入事件检索模型中进行检索与检索数据库中相应的事件；
输出模块（60），所述输出模块（60）用于输出待检索事件的检索结果。
9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的内部事件检索方法。
CN202211524354.7A 2022-12-01 2022-12-01 呼叫中心平台的内部事件检索方法、系统及计算机设备 Active CN115544106B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211524354.7A CN115544106B (zh) 2022-12-01 2022-12-01 呼叫中心平台的内部事件检索方法、系统及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211524354.7A CN115544106B (zh) 2022-12-01 2022-12-01 呼叫中心平台的内部事件检索方法、系统及计算机设备

Publications (2)

Publication Number Publication Date
CN115544106A true CN115544106A (zh) 2022-12-30
CN115544106B CN115544106B (zh) 2023-02-28

Family

ID=84722576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211524354.7A Active CN115544106B (zh) 2022-12-01 2022-12-01 呼叫中心平台的内部事件检索方法、系统及计算机设备

Country Status (1)

Country Link
CN (1) CN115544106B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860436A (zh) * 2023-02-21 2023-03-28 齐鲁工业大学(山东省科学院) 一种基于知识图谱的城市热线派单方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492077A (zh) * 2018-09-29 2019-03-19 北明智通（北京）科技有限公司 基于知识图谱的石化领域问答方法及系统
CN110086710A (zh) * 2019-03-26 2019-08-02 中国人民武装警察部队工程大学 一种基于n人非合作博弈的多域光网络组播路由恢复方法
US20200278989A1 (en) * 2019-02-28 2020-09-03 Fuji Xerox Co., Ltd. Information processing apparatus and non-transitory computer readable medium
CN111708280A (zh) * 2020-06-30 2020-09-25 大连海事大学 一种考虑执行器故障的船舶路径跟踪事件触发控制器方法
CN112015914A (zh) * 2020-08-31 2020-12-01 上海松鼠课堂人工智能科技有限公司 一种基于深度学习的知识图谱搜索路径方法
CN112328766A (zh) * 2020-11-10 2021-02-05 四川长虹电器股份有限公司 一种基于路径搜索的知识图谱问答方法和装置
CN112463926A (zh) * 2020-12-07 2021-03-09 广东电网有限责任公司佛山供电局 一种数据检索/智能问答方法、装置、存储介质
CN113468311A (zh) * 2021-07-20 2021-10-01 四川启睿克科技有限公司 一种基于知识图谱的复杂问句问答方法、装置及存储介质
US20220019341A1 (en) * 2020-07-14 2022-01-20 Beijing Baidu Netcom Science And Technology Co., Ltd. Map information display method and apparatus, electronic device, and computer storage medium
CN114064913A (zh) * 2021-10-19 2022-02-18 中国人民解放军31511部队 一种基于知识图谱的文档检索方法及系统
CN114090861A (zh) * 2021-11-23 2022-02-25 浙江萃文科技有限公司 一种基于知识图谱的教育领域搜索引擎构建方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492077A (zh) * 2018-09-29 2019-03-19 北明智通（北京）科技有限公司 基于知识图谱的石化领域问答方法及系统
US20200278989A1 (en) * 2019-02-28 2020-09-03 Fuji Xerox Co., Ltd. Information processing apparatus and non-transitory computer readable medium
CN110086710A (zh) * 2019-03-26 2019-08-02 中国人民武装警察部队工程大学 一种基于n人非合作博弈的多域光网络组播路由恢复方法
CN111708280A (zh) * 2020-06-30 2020-09-25 大连海事大学 一种考虑执行器故障的船舶路径跟踪事件触发控制器方法
US20220019341A1 (en) * 2020-07-14 2022-01-20 Beijing Baidu Netcom Science And Technology Co., Ltd. Map information display method and apparatus, electronic device, and computer storage medium
CN112015914A (zh) * 2020-08-31 2020-12-01 上海松鼠课堂人工智能科技有限公司 一种基于深度学习的知识图谱搜索路径方法
CN112328766A (zh) * 2020-11-10 2021-02-05 四川长虹电器股份有限公司 一种基于路径搜索的知识图谱问答方法和装置
CN112463926A (zh) * 2020-12-07 2021-03-09 广东电网有限责任公司佛山供电局 一种数据检索/智能问答方法、装置、存储介质
CN113468311A (zh) * 2021-07-20 2021-10-01 四川启睿克科技有限公司 一种基于知识图谱的复杂问句问答方法、装置及存储介质
CN114064913A (zh) * 2021-10-19 2022-02-18 中国人民解放军31511部队 一种基于知识图谱的文档检索方法及系统
CN114090861A (zh) * 2021-11-23 2022-02-25 浙江萃文科技有限公司 一种基于知识图谱的教育领域搜索引擎构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RUOQI LI 等: "A Knowledge Graph Framework for Software-Defined Industrial Cyber-Physical Systems", 《IEEE INDUSTRIAL ELECTRONICS SOCIETY》 *
刘鸿宇 等: "人工智能心理学研究的知识图谱分析", 《自然辩证法通讯》 *
王骏东 等: "基于知识图谱的配电网故障辅助决策研究", 《电网技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860436A (zh) * 2023-02-21 2023-03-28 齐鲁工业大学(山东省科学院) 一种基于知识图谱的城市热线派单方法及系统

Also Published As

Publication number Publication date
CN115544106B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
Becerra-Fernandez Searching for experts on the Web: A review of contemporary expertise locator systems
Yang et al. Research on enterprise risk knowledge graph based on multi-source data fusion
US11775859B2 (en) Generating feature vectors from RDF graphs
US20080040342A1 (en) Data processing apparatus and methods
Rinaldi et al. A matching framework for multimedia data integration using semantics and ontologies
US8140464B2 (en) Hypothesis analysis methods, hypothesis analysis devices, and articles of manufacture
Dehghan et al. Mining shape of expertise: A novel approach based on convolutional neural network
Zope et al. Question answer system: A state-of-art representation of quantitative and qualitative analysis
CN115544106B (zh) 呼叫中心平台的内部事件检索方法、系统及计算机设备
Ouared et al. Capitalizing the database cost models process through a service‐based pipeline
US20220327445A1 (en) Workshop assistance system and workshop assistance method
EP4120101A1 (en) Concepts and link discovery system
Mulwad et al. Generating linked data by inferring the semantics of tables
Jarnac et al. Wikidata to bootstrap an enterprise knowledge graph: How to stay on topic?
Boryaev Development of intelligent system of global bibliographic search
Galitsky Generalization of parse trees for iterative taxonomy learning
Shaikh et al. Bringing shape to textual data-a feasible demonstration
Al-Kerboly et al. Improving educational big data based on web mining and association rules
Ryu et al. Experts community memory for entity similarity functions recommendation
Agarwal et al. Scalable resource description framework clustering: A distributed approach for analyzing knowledge graphs using minHash locality sensitive hashing
Ojokoh et al. A graph model with integrated pattern and query-based technique for extracting answer to questions in community question answering system
Gondaliya et al. Journey of Information Retrieval to Information Retrieval Tools-IR&IRT A Review
Manzoor et al. Toward a new paradigm for author name disambiguation
Yadao et al. A semantically enhanced deep neural network framework for reputation system in web mining for Covid-19 Twitter dataset
Alsadeeqi Systematically corrupting data to evaluate record linkage techniques

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
GR01 Patent grant
GR01 Patent grant