CN116027682A - 一种列控仿真系统本体建模方法及装置 - Google Patents
一种列控仿真系统本体建模方法及装置 Download PDFInfo
- Publication number
- CN116027682A CN116027682A CN202211648534.6A CN202211648534A CN116027682A CN 116027682 A CN116027682 A CN 116027682A CN 202211648534 A CN202211648534 A CN 202211648534A CN 116027682 A CN116027682 A CN 116027682A
- Authority
- CN
- China
- Prior art keywords
- simulation system
- concept
- train control
- control simulation
- ontology
- 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
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101100452593 Caenorhabditis elegans ina-1 gene Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- -1 inA2 Proteins 0.000 description 1
- 230000010365 information processing 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
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例提供了一种列控仿真系统本体建模方法及装置,其中,所述方法包括:对列控仿真系统需求、列控仿真系统领域本体模型库中的本体模型添加OWL语义描述;根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分进行语义匹配,生成候选服务集;根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分进行语义匹配,生成精确的候选服务集;利用改进的分层域语义匹配算法对匹配到的精确的候选服务集进行验证,根据验证通过的精确的候选服务集构建列控仿真系统,提高仿真系统的可重用性,实现不同资源的互联互通,可以较好地为仿真请求用户服务。
Description
技术领域
本公开涉及轨道交通技术领域,具体涉及提供一种列控仿真系统本体建模方法及装置。
背景技术
高速列车运行控制系统是保障高速铁路行车安全、提高运输效率的关键技术和核心装备,在轨道交通系统中发挥至关重要的作用。随着新一代信息技术的发展,仿真技术在列控系统工程开发和学术研究过程中被广泛应用于功能测试、场景模拟等,解决了场景复现问题,降低测试成本。目前,列控仿真系统通常是根据不同线路或场景开发,开发形成的仿真模块等资源重复利用率不高,互操作性弱,容易造成人力物力浪费的问题。
发明内容
本公开提供了一种列控仿真系统本体建模方法及装置。
根据本公开的第一方面,提供了一种列控仿真系统本体建模方法。该方法包括:
对列控仿真系统需求、列控仿真系统领域本体模型库中的本体模型添加OWL语义描述;
根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分进行语义匹配,生成候选服务集;
根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分进行语义匹配,生成精确的候选服务集;
利用改进的分层域语义匹配算法对匹配到的精确的候选服务集进行验证,根据验证通过的精确的候选服务集构建列控仿真系统。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述OWL语义描述包括:服务的输入信息、输出信息、前置条件、执行结果和服务质量信息。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述列控仿真系统领域本体模型库中的本体模型通过以下方式生成:基于SOA的列控仿真系统,利用本体构建工具Protégé构建列控仿真系统层次,列控仿真系统中的每一个仿真子系统有对应的本体模型,并且每一个本体模型存在约束与语义信息和构建的本体实例,且每一个本体模型有对应的URL标识符。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分进行语义匹配,生成候选服务集,包括:
根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分,推理出输入输出参数指标匹配的本体模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分进行语义匹配,生成精确的候选服务集,包括:
根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分,推理出服务质量QoS指标匹配的本体模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述利用改进的分层域语义匹配算法对匹配到的精确的候选服务集进行验证,包括:
基于层次概念模型,概念层次结构与概念节点之间的语义关系,用概念向量对每一个概念节点进行注释,根据所述列控仿真系统需求生成的用户请求模型在本体中的概念向量和匹配到的本体模型在本体中的概念向量,计算出语义相似度;
当语义相似度计算结果大于预设阈值时,在本体模型库中匹配到的本体模型满足仿真需求;
当语义相似度计算结果小于等于预设阈值时,在本体模型库中匹配到的本体模型无法满足仿真需求。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述改进的分层域语义匹配算法中概念向量兄弟概念节点及后代概念节点的权重通过以下步骤得到:
给定两个概念节点和概念向量将概率密度定义为概念向量的分支复杂度,并把概率密度作为权重,记为dj,代表概念节点Cj的概率密度,设定给定的概念层次模型中根概念节点的概率密度等于1,其他概念节点的概率密度等于该概念节点的兄弟概念节点数加1,也为分支的分支数;
将忽略当前概念节点祖先节点兄弟概念节点的后代概念节点概率密度,保留祖先概念节点及兄弟概念节点自身的概率密度,并且将当前概念节点的其他兄弟概念节点的概率密度置为0;如果计算相似度的两个概念节点离其最近的祖先概念节点不相同,则该概念节点的祖先概念节点其兄弟概念节点概率密度都将置为0,计算当前概念节点的语义相似度时,在本体中上层的祖先概念节点不超过n层。
根据本公开的第二方面,提供了一种列控仿真系统本体建模装置。该装置包括:
添加模块,用于对列控仿真系统需求、列控仿真系统领域本体模型库中的本体模型添加OWL语义描述;
第一生成模块,用于根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分进行语义匹配,生成候选服务集;
第二生成模块,用于根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分进行语义匹配,生成精确的候选服务集;
验证模块,用于利用改进的分层域语义匹配算法对匹配到的精确的候选服务集进行验证,根据验证通过的精确的候选服务集构建列控仿真系统。
根据本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的第一方面和/或第二发面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案,不构成对本公开的限定在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本公开的实施例的一种列控仿真系统本体建模方法的流程图;
图2示出了根据本公开的实施例的一种列控仿真系统本体建模装置的框图;
图3示出了根据本公开的实施例的另一种列控仿真系统本体建模方法的流程图;
图4示出了根据本公开的实施例的车载仿真系统与SOA的结合的框图;
图5示出了根据本公开的实施例的本体类之间的关系网络图;
图6示出了根据本公开的实施例的RBC实例的OWL语言描述图;
图7示出了根据本公开的实施例的基于关联节点的概念向量层次模型图;
图8示出了根据本公开的实施例的概念层次模型局部密度模型图;
图9示出了根据本公开的实施例的嵌入式通信仿真资源需求OWL描述图;
图10示出了根据本公开的实施例的FESUKI推理结果图;
图11示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1示出了根据本公开的实施例的一种列控仿真系统本体建模方法的流程图。
如图1所示,所述列控仿真系统本体建模方法100包括:
S101:对列控仿真系统需求、列控仿真系统领域本体模型库中的本体模型添加OWL语义描述;
在一些实施例中,所述OWL语义描述包括:服务的输入信息、输出信息、前置条件、执行结果和服务质量信息。用于区分与用户在请求所需模型本体推理时的基础。
在一些实施例中,所述列控仿真系统领域本体模型库中的本体模型通过以下方式生成:基于SOA的列控仿真系统,利用本体构建工具Protégé构建列控仿真系统层次,列控仿真系统中的每一个仿真子系统有对应的本体模型,并且每一个本体模型存在约束与语义信息和构建的本体实例,且每一个本体模型有对应的URL标识符。提高仿真系统的可重用性,实现不同资源的互联互通。
S102:根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分进行语义匹配,生成候选服务集;
在一些实施例中,所述根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分进行语义匹配,生成候选服务集,包括:
根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分,推理出输入输出参数指标匹配的本体模型。可以基于输入输出参数有效匹配所述需求的本体模型。
S103:根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分进行语义匹配,生成精确的候选服务集;
在一些实施例中,所述根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分进行语义匹配,生成精确的候选服务集,包括:
根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分,推理出服务质量QoS指标匹配的本体模型。可以基于性能指标精确地匹配出所述需求的本体模型。
S104:利用改进的分层域语义匹配算法对匹配到的精确的候选服务集进行验证,根据验证通过的精确的候选服务集构建列控仿真系统。
在一些实施例中,所述利用改进的分层域语义匹配算法对匹配到的精确的候选服务集进行验证,包括:
基于层次概念模型,概念层次结构与概念节点之间的语义关系,用概念向量对每一个概念节点进行注释,根据所述列控仿真系统需求生成的用户请求模型在本体中的概念向量和匹配到的本体模型在本体中的概念向量,计算出语义相似度;
当语义相似度计算结果大于预设阈值时,在本体模型库中匹配到的本体模型满足仿真需求;
当语义相似度计算结果小于等于预设阈值时,在本体模型库中匹配到的本体模型无法满足仿真需求。可以为用户服务提供能够满足仿真需求的本体模型。
在一些实施例中,所述改进的分层域语义匹配算法中概念向量兄弟概念节点及后代概念节点的权重通过以下步骤得到:
给定两个概念节点和概念向量将概率密度定义为概念向量的分支复杂度,并把概率密度作为权重,记为dj,代表概念节点Cj的概率密度,设定给定的概念层次模型中根概念节点的概率密度等于1,其他概念节点的概率密度等于该概念节点的兄弟概念节点数加1,也为分支的分支数;
将忽略当前概念节点祖先节点兄弟概念节点的后代概念节点概率密度,保留祖先概念节点及兄弟概念节点自身的概率密度,并且将当前概念节点的其他兄弟概念节点的概率密度置为0;如果计算相似度的两个概念节点离其最近的祖先概念节点不相同,则该概念节点的祖先概念节点其兄弟概念节点概率密度都将置为0,计算当前概念节点的语义相似度时,在本体中上层的祖先概念节点不超过n层。可以验证匹配到的精确的本体模型是否满足仿真需求。
根据本公开的实施例,实现了以下技术效果:
在本体构建工具Protégé构建出列控仿真系统领域本体,提高仿真系统的可重用性,实现不同资源的互联互通,对构建好或已经拥有的仿真系统进行映射,并对仿真系统各功能子系统的参数接口和服务质量添加OWL语义描述,用于区分与用户在请求所需模型本体推理时的基础,使用基于SparQL语言的Jena Fuseki针对SOA架构下的列控仿真模型做本体推理,可以有效地匹配出合适的本体模型,改进了一种无需基于大型语料库的,基于分层域的语义匹配算法,利用改进的分层域语义匹配算法对匹配到的精确的本体模型进行验证,可以为用户服务提供能够满足仿真需求的本体模型。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图2示出了根据本公开的实施例的一种列控仿真系统本体建模装置的方框图。
如图2所示,所述装置200包括:
添加模块201,用于对列控仿真系统需求、列控仿真系统领域本体模型库中的本体模型添加OWL语义描述;
第一生成模块202,用于根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分进行语义匹配,生成候选服务集;
第二生成模块203,用于根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分进行语义匹配,生成精确的候选服务集;
验证模块204,用于利用改进的分层域语义匹配算法对匹配到的精确的候选服务集进行验证,根据验证通过的精确的候选服务集构建列控仿真系统。
图3示出了根据本公开的实施例的另一种列控仿真系统本体建模方法的流程图。
如图3所示,所述列控仿真系统本体建模方法300包括:
基于SOA的列控仿真系统,利用本体构建工具Protégé构建列控仿真系统领域本体模型,将所述列控仿真系统领域本体模型存入列控仿真系统领域本体模型库;对列控仿真系统需求、列控仿真系统领域本体模型库中的本体模型添加OWL语义描述;根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分进行语义匹配,生成候选服务集;根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分进行语义匹配,生成精确的候选服务集;利用改进的分层域语义匹配算法对匹配到的精确的候选服务集进行验证,根据验证通过的精确的候选服务集构建列控仿真系统。
在一些实施例中,所述OWL语义描述,包括:服务的输入信息、输出信息、前置条件、执行结果和服务质量信息。
在一些实施例中,所述根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分进行语义匹配,生成候选服务集,包括:
根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分,利用FUSEKI服务器基于SparQL进行本体推理,推理出输入输出参数指标匹配的本体模型。
在一些实施例中,所述功能部分,包括:输入参数,输出参数,前置条件和执行结果。
在一些实施例中,所述根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分进行语义匹配,生成精确的候选服务集,包括:
根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分,利用FUSEKI服务器基于SparQL进行本体推理,推理出服务质量QoS指标匹配的本体模型。
在一些实施例中,所述性能指标部分为服务质量QoS。
在一些实施例中,所述利用改进的分层域语义匹配算法对匹配到的精确的候选服务集进行验证,包括:
基于层次概念模型,概念层次结构与概念节点之间的语义关系,用概念向量对每一个概念节点进行注释,根据所述列控仿真系统需求生成的用户请求模型在本体中的概念向量和匹配到的本体模型在本体中的概念向量,计算出语义相似度;
当语义相似度计算结果大于预设阈值时,在本体模型库中匹配到的本体模型满足仿真需求;
当语义相似度计算结果小于等于预设阈值时,在本体模型库中匹配到的本体模型无法满足仿真需求。
在一些实施例中,根据词语权重,计算词频和逆文档频率将OWL语义描述向量化。
在一些实施例中,所述改进的分层域语义匹配算法中概念向量兄弟概念节点及后代概念节点的权重通过以下步骤得到:
给定两个概念节点和概念向量将概率密度定义为概念向量的分支复杂度,并把概率密度作为权重,记为dj,代表概念节点Cj的概率密度,设定给定的概念层次模型中根概念节点的概率密度等于1,其他概念节点的概率密度等于该概念节点的兄弟概念节点数加1,也为分支的分支数;
将忽略当前概念节点祖先节点兄弟概念节点的后代概念节点概率密度,保留祖先概念节点及兄弟概念节点自身的概率密度,并且将当前概念节点的其他兄弟概念节点的概率密度置为0;如果计算相似度的两个概念节点离其最近的祖先概念节点不相同,则该概念节点的祖先概念节点其兄弟概念节点概率密度都将置为0,计算当前概念节点的语义相似度时,在本体中上层的祖先概念节点不超过n层。
在一些实施例中,由中国铁路总公司印发的高速铁路ATO系统暂行总体技术方案可以切片划分列控仿真系统的功能,并且可以描绘出各子系统之间的接口规范与运营场景。
SOA将服务作为资源,可以按照功能所需从系统中匹配到相应的资源,将满足具体标准的服务进行整合和整理,同时保证了仿真所需求的可重用性,实现不同资源的互联互通,可以较好地为仿真请求用户服务。SOA通过“描述-发布-发现-交互”等标准操作,为构建大规模,资源可重用、松散耦合的分布式系统提供了一个开放的体系结构。表1是部分列控仿真模型系统基本功能描述。图4展示了车载仿真系统与SOA的结合。
表1部分列控仿真模型系统基本功能描述
图4以车载仿真子系统为例,列控系统车载设备的功能单元分为测速测距,地面信息处理,ATP和ATO单元,每一个模块在SOA架构中的位置。构建的仿真系统模型是进行匹配的基础,并且这个系统建成之后就仅需要简单地在SOA架构中的服务提供方中增加服务,扩充仿真模型库即可。
在一些实施例中,仿真系统可以被分为四大部分,分别是车载子系统,地面子系统,通信单元和数据库。本体设置仿真请求者充当用户请求仿真模型。
列控仿真系统在SOA的架构下具有松耦合特点,并且在仿真资源库中展现可组合和可重用高的优势。但是SOA没有明确管理机制,使得它也有互操作性不高的局限。在日后大规模的仿真资源处理中,由于模型组合的过程中存在着语义异构的问题,列控仿真模型组合的准确性和模型匹配效率不足,因此提出使用本体建模的方法加以改进。
本体建模的方法采用七步法构建,本体描述语言OWL-S语言相比之下是最为优秀的,OWL-S是用OWL语言描述的Web Service的Ontology,作为连接语义网与网络服务的桥梁,是一种基于本体的网络服务描述规范,其将服务的信息分解为三个部分,ServiceProfile、ServiceModel以及ServiceGrounding。ServiceProfile要表达服务包含了什么信息,包含了值属性,服务的名称,文本描述、分类信息以及对象属性等,最为关键的是包含了服务的IOPE信息,即服务的输入信息(Inputs)、输出信息(Outputs)、前置条件(Precondtion)和执行结果(Effect)。ServiceModel和ServiceGrounding描述了服务的工作信息,包括可组合的原子过程,控制结构和如何调用服务信息。本专利采用斯坦福大学的Protégé构建领域本体。
如图5所示,展示了本体类之间的关系网络,基于Protégé可以构建列控仿真系统层次,列控仿真系统中的每一个仿真子系统都有其对应的本体模型,并且每一个本体模型还存在着约束与语义信息与构建对应的实例,且每一个本体模型都有对应的URL标识符。利用OWL-S语言在每一个本体模型中添加语义描述,包含上述的IPOE信息,尤其添加了服务质量信息QoS,用以做区分与用户在请求所需模型本体推理时的基础。
如图6所示,展示了RBC实例的OWL语言描述,图6代码描述指出了此仿真系统实例的URI标识符,具有以太网通信方式UDP,输入包含Entity_CTC3个CTC仿真子系统的实例,Entity_Onboard等3个车载仿真子系统的实例,输出具有Entity_Onboard3个车载仿真子系统的实例,Entity_Station三个车站CTC子系统的实例及各自对应的URI标识符,并且具有信息快速传递的服务质量。
仿真模型的语义匹配需要考虑仿真模型接口的匹配程度,可以通过计算请求模型和发布模型参数的包含程度和参数数量关系来定量地反应整体模型语义匹配的程度。
基于参数的语义匹配算法:参数的包含关系是指结合本体结构仿真模型参数包含关系的度量。假设x,y是匹配的两个参数,在本体中有着不同的参数关系,则参数的包含度量可以由式(1)表示。
式中nx,y是x,y在本体中包含关系的最大层数,公式(1)的计算结果越接近于1越好。
假设仿真模型库中提供的仿真模型为A,用户请求的仿真模型为R,而且A有α个输入分别是InA1,InA2,...,InAα;有β个输出,分别是OutA1,OutA2,...,OutAα;R有γ个输入,有η个输出,表示方法同上,则输入参数的语义匹配度由公式(2)所示。
式中代表的是R的输入参数被InAi包含,且包含关系的最大层数是n的独有输入参数的并集,个数为μi。
式(3)为仿真模型输入参数语义匹配度在0到1上的量化表示。仿真模型的输出参数语义匹配度和输出语义匹配度同上。
SimM(A,R)=SimMInd(A,R)*SimMOutd(A,R)(4)
最终的基于参数的仿真模型语义相似度由公式(4)给出,整体相似度是由输出参数和输出参数相似度之积得出。
基于改进分层域模型的语义匹配算法:基于参数的语义匹配算法,强调了输入输出参数的包含关系和数量关系,对服务质量信息考虑较少,对于本体描述的考虑较为不周,并不适用实际应用仿真。在传统的基于文本计算语义相似度方法中,需要结合一个大型语料库来确定概念的权重,构建的基于特定领域内的本体,很难获得像WordNet这样的大型语料库,本发明使用一种在不依赖语料库信息,而是利用本体层次结构中概念节点的权重以及针对本体的OWL描述语言去挖掘概念相似性的方法。
如果给定了本体层次结构,层次结构中的每个概念节点都可以表示为一个概念向量,那么就可以通过比较这些向量来计算概念语义的相似性。这样的概念向量捕获隐藏在层次关系结构之间的语义信息,基于层次概念模型,概念层次结构与概念节点之间暗藏的语义关系,用概念向量对每一个概念节点进行注释,然后将对应的概念向量用于相似度计算。
如图7所示为语义描述的概念向量模型,类似于数据结构中树的结构,树中的每个概念节点都有零个或多个子概念节点,它们在层次结构中比其父概念节点要低一级。同级的概念节点共享同一父概念节点。一个概念节点最多只有一个父概念节点,没有任何子节点的概念节点称为叶概念节点。层次结构中最顶层的概念节点称为根概念节点。作为最顶层的概念节点,根概念节点是没有父节点的。根概念节点除外的所有的概念节点都可以通过跟踪路径上的边和概念节点,以及由该概念节点的祖先概念节点组成的路径上所有这些概念节点到达根概念节点。特定概念节点下的所有概念节点都称之为该概念节点的后代节点。
正方形代表当前的目标概念节点,五角星代表概念向量模型中的根概念节点,同时也是目标概念节点的祖先节点,三角形代表目标概念节点的兄弟节点,圆圈代表目标概念节点的后代节点。我们将子概念节点的语义覆盖限制为其父概念节点的语义覆盖的划分,而不是覆盖。兄弟概念节点包含的概念通常是不重叠的,两个兄弟姐妹之间的关系只能通过他们的祖先概念节点来获取。一个概念节点的关联节点由它的祖先节点和后代节点组成。
在同一结构层次的树的密度也是不同的,由图7可知,在第三层圆圈和菱形的密度就不同,密度越大以及深度越深,节点间的距离也就越近,层次结构右侧部分的相似性值应该小于左侧部分的相似性值。
参考式(5)TF-IDF算法根据词语权重,计算词频和逆文档频率将OWL描述语言向量化的方法,nij表示词汇ti在服务dj的描述语言中出现的次数,表示该描述语言所有词汇,|D|是描述文档总数,N(ti,D)是包含词汇ti的服务数量。概念向量是由词汇特征项及其权重构成,给定一个具有N个概念节点的概念层次模型H(N,E),该层次中概念节点的概念向量有N维。概念节点Ci的概念向量表示为其中vi,2,...,vi,n(i=1,2...,n)是概念C1,C2,...,Cn相对于概念Ci的维数值。
给定两个概念节点和其概念向量将局部密度定义为概念向量的分支复杂度,并把局部密度作为加权函数,记为dj,代表概念节点Cj的局部密度,设定给定的概念层次模型中根概念节点的密度等于1,其他概念节点的密度等于该概念节点的兄弟概念节点数加1,为分支的分支数,所以维数值vi可以由公式(6)定义。如图8所示的概念层次模型局部密度模型图,如果针对当前节点C2来说,C1,C3,C4,C5和C6是它的关联节点,祖先节点也就是根概念节点C1的局部密度为1,其兄弟节点C3为2,后代节点C4,C5,C6的局部密度为3,可以结合式(6)写出概念节点C2的概念向量为
概念向量的相似度可以按照公式(7)计算,从而将语义相似度计算结果量化到0到1之间的一个数值,相似度的数值越接近1则证明越匹配,一般认为大于阈值0.8为可采纳的匹配度,在仿真模型库中匹配到的仿真模型可以被认为满足仿真需求,反之则认为在模型库中匹配到的模型无法满足用户的仿真需求。
对于给定的概念向量层次模型来说,相同层次下分支密度密的部分在相似度计算中往往比分支密度疏的部分得分要高;相同层次下,后代节点多的比后代节点少的在相似度计算中得分要更高;不同层次下的概念向量层次差距越小,则概念向量相似度越高。
概念节点的后代节点对于本概念节点的相似度都有着相似贡献,对于层次靠前的概念节点,如果后代节点有很多,当计算较浅层次的概念节点相似度时,过多权重的后代节点会降低本概念节点相似度,离概念节点越远的后代节点对于当前概念节点相似度计算贡献应当越小。
本发明设置加权系数α,α2,…,αn来做平衡调整,αi*dLi当做新的后代节点的概率密度,其中dLi是第i层后代节点的概率密度。继续以概念节点C2来讲,其后代节点C4,C5和C6的概率密度分别为d4*α,d5*α,d6*α。此方法充分挖掘了概念向量层次结构中的语义相似关系,对于描述文本也可解析相似度。
同样地,当一个概念节点的兄弟概念节点过多,并且他们的后代节点同样很多,在计算语义相似度时,若把这些节点的概率密度都考虑在内,兄弟节点的后代节点容易占有过大的权重,会造成概念向量的维数过多、语义相似度计算欠准确等问题。因此,需要改进算法中概念向量兄弟节点及其后代节点的权重。
本发明将忽略当前概念节点祖先节点其兄弟节点的后代节点概率密度,保留祖先节点及其兄弟节点自身的概率密度,并且把当前概念节点的其他兄弟节点的概率密度置为0;如果计算相似度的两个节点离其最近的祖先节点不相同,则该概念节点的祖先节点其兄弟节点概率密度都将置为0。计算当前概念节点的语义相似度时,其在本体中上层的祖先节点以不超过4层为宜。
计算两个概念向量的相似度可以分三种匹配关系:
精确匹配关系,当语义相似度计算结果为1时,说明请求的仿真系统输入参数、输出参数和服务质量均和提供的资源服务完全对应。
失败匹配关系,当语义相似度计算结果为0时,说明请求的仿真系统输入参数、输出参数和服务质量和提供的资源服务完全不相交。
包含匹配关系,当语义相似度计算结果是在0到1之间的一个数时,说明请求的仿真系统输入参数、输出参数和服务质量和提供的资源服务之间存在着包含关系。
如图9所示,展示了嵌入式通信仿真资源需求OWL描述。
如图10所示,展示了FESUKI推理结果。
用户请求模型在本体中的概念向量为匹配到模型在本体中的概念向量根据公式(7)利用JAVA语言编程,计算出语义的匹配度为0.8377,满足0.8的阈值要求。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图11示出了可以用来实施本公开的实施例的电子设备1100的示意性框图。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/或者要求的本公开的实现。
电子设备1100包括计算单元1101,其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序,来执行各种适当的动作和处理。在RAM 1103中,还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
电子设备1100中的多个部件连接至I/O接口1105,包括:输入单元1106,例如键盘、鼠标等;输出单元1107,例如各种类型的显示器、扬声器等;存储单元1108,例如磁盘、光盘等;以及通信单元1109,例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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。
计算单元1101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。计算单元1101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计算单元、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。计算单元1101执行上文所描述的各个方法和处理,例如方法100。例如,在一些实施例中,方法100可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时,可以执行上文描述的方法1100的一个或多个步骤。备选地,在其他实施例中,计算单元1101可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法1100。
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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中,机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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,可以在计算机上实施此处描述的系统和技术,该计算机具有: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计算机。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)和互联网。
计算机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,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本发公开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,只要能够实现本公开公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种列控仿真系统本体建模方法,包括:
对列控仿真系统需求、列控仿真系统领域本体模型库中的本体模型添加OWL语义描述;
根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分进行语义匹配,生成候选服务集;
根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分进行语义匹配,生成精确的候选服务集;
利用改进的分层域语义匹配算法对匹配到的精确的候选服务集进行验证,根据验证通过的精确的候选服务集构建列控仿真系统。
2.根据权利要求1所述的方法,其特征在于,所述OWL语义描述包括:服务的输入信息、输出信息、前置条件、执行结果和服务质量信息。
3.根据权利要求1所述的方法,其特征在于,所述列控仿真系统领域本体模型库中的本体模型通过以下方式生成:基于SOA的列控仿真系统,利用本体构建工具Protégé构建列控仿真系统层次,列控仿真系统中的每一个仿真子系统有对应的本体模型,并且每一个本体模型存在约束与语义信息和构建的本体实例,且每一个本体模型有对应的URL标识符。
4.根据权利要求1所述的方法,其特征在于,所述根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分进行语义匹配,生成候选服务集,包括:
根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分,推理出输入输出参数指标匹配的本体模型。
5.根据权利要求1所述的方法,其特征在于,所述根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分进行语义匹配,生成精确的候选服务集,包括:
根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分,推理出服务质量QoS指标匹配的本体模型。
6.根据权利要求1所述的方法,其特征在于,所述利用改进的分层域语义匹配算法对匹配到的精确的候选服务集进行验证,包括:
基于层次概念模型,概念层次结构与概念节点之间的语义关系,用概念向量对每一个概念节点进行注释,根据所述列控仿真系统需求生成的用户请求模型在本体中的概念向量和匹配到的本体模型在本体中的概念向量,计算出语义相似度;
当语义相似度计算结果大于预设阈值时,在本体模型库中匹配到的本体模型满足仿真需求;
当语义相似度计算结果小于等于预设阈值时,在本体模型库中匹配到的本体模型无法满足仿真需求。
7.根据权利要求1所述的方法,其特征在于,所述改进的分层域语义匹配算法中概念向量兄弟概念节点及后代概念节点的权重通过以下步骤得到:
给定两个概念节点和概念向量将概率密度定义为概念向量的分支复杂度,并把概率密度作为权重,记为dj,代表概念节点Cj的概率密度,设定给定的概念层次模型中根概念节点的概率密度等于1,其他概念节点的概率密度等于该概念节点的兄弟概念节点数加1,也为分支的分支数;
将忽略当前概念节点祖先节点兄弟概念节点的后代概念节点概率密度,保留祖先概念节点及兄弟概念节点自身的概率密度,并且将当前概念节点的其他兄弟概念节点的概率密度置为0;如果计算相似度的两个概念节点离其最近的祖先概念节点不相同,则该概念节点的祖先概念节点其兄弟概念节点概率密度都将置为0,计算当前概念节点的语义相似度时,在本体中上层的祖先概念节点不超过n层。
8.一种列控仿真系统本体建模装置,其特征在于,包括:
添加模块,用于对列控仿真系统需求、列控仿真系统领域本体模型库中的本体模型添加OWL语义描述;
第一生成模块,用于根据列控仿真系统需求OWL语义描述和列控仿真系统领域本体模型库中的本体模型的OWL语义描述的功能部分进行语义匹配,生成候选服务集;
第二生成模块,用于根据列控仿真系统需求OWL语义描述和所述候选服务集的OWL语义描述的性能指标部分进行语义匹配,生成精确的候选服务集;
验证模块,用于利用改进的分层域语义匹配算法对匹配到的精确的候选服务集进行验证,根据验证通过的精确的候选服务集构建列控仿真系统。
9.一种电子设备,其特征在于,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指令,所述指令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中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211648534.6A CN116027682B (zh) | 2022-12-19 | 2022-12-19 | 一种列控仿真系统本体建模方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211648534.6A CN116027682B (zh) | 2022-12-19 | 2022-12-19 | 一种列控仿真系统本体建模方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116027682A true CN116027682A (zh) | 2023-04-28 |
CN116027682B CN116027682B (zh) | 2023-08-18 |
Family
ID=86078599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211648534.6A Active CN116027682B (zh) | 2022-12-19 | 2022-12-19 | 一种列控仿真系统本体建模方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116027682B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172633A (zh) * | 2023-10-30 | 2023-12-05 | 浙江大学高端装备研究院 | 一种面向工业互联网平台的制造服务子图仿真方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440314A (zh) * | 2013-08-27 | 2013-12-11 | 北京工业大学 | 一种基于Ontology的语义检索方法 |
CN104866518A (zh) * | 2015-02-03 | 2015-08-26 | 胡宝清 | 一种资源环境模型决策支持平台 |
CN105404175A (zh) * | 2015-11-24 | 2016-03-16 | 北京交控科技股份有限公司 | 车载设备单机仿真系统 |
CN106570080A (zh) * | 2016-10-18 | 2017-04-19 | 河海大学常州校区 | 一种云制造资源服务多层次语义匹配方法 |
CN106611039A (zh) * | 2016-08-17 | 2017-05-03 | 四川用联信息技术有限公司 | 一种混合求解本体概念语义相似度的计算方法 |
US20170286835A1 (en) * | 2016-03-31 | 2017-10-05 | International Business Machines Corporation | Concept Hierarchies |
CN110287332A (zh) * | 2019-06-06 | 2019-09-27 | 中国人民解放军国防科技大学 | 云环境下仿真模型选择方法与装置 |
US20190392073A1 (en) * | 2018-06-22 | 2019-12-26 | Microsoft Technology Licensing, Llc | Taxonomic tree generation |
US20210383072A1 (en) * | 2020-06-04 | 2021-12-09 | International Business Machines Corporation | Concept disambiguation for natural language processing |
-
2022
- 2022-12-19 CN CN202211648534.6A patent/CN116027682B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440314A (zh) * | 2013-08-27 | 2013-12-11 | 北京工业大学 | 一种基于Ontology的语义检索方法 |
CN104866518A (zh) * | 2015-02-03 | 2015-08-26 | 胡宝清 | 一种资源环境模型决策支持平台 |
CN105404175A (zh) * | 2015-11-24 | 2016-03-16 | 北京交控科技股份有限公司 | 车载设备单机仿真系统 |
US20170286835A1 (en) * | 2016-03-31 | 2017-10-05 | International Business Machines Corporation | Concept Hierarchies |
CN106611039A (zh) * | 2016-08-17 | 2017-05-03 | 四川用联信息技术有限公司 | 一种混合求解本体概念语义相似度的计算方法 |
CN106570080A (zh) * | 2016-10-18 | 2017-04-19 | 河海大学常州校区 | 一种云制造资源服务多层次语义匹配方法 |
US20190392073A1 (en) * | 2018-06-22 | 2019-12-26 | Microsoft Technology Licensing, Llc | Taxonomic tree generation |
CN110287332A (zh) * | 2019-06-06 | 2019-09-27 | 中国人民解放军国防科技大学 | 云环境下仿真模型选择方法与装置 |
US20210383072A1 (en) * | 2020-06-04 | 2021-12-09 | International Business Machines Corporation | Concept disambiguation for natural language processing |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172633A (zh) * | 2023-10-30 | 2023-12-05 | 浙江大学高端装备研究院 | 一种面向工业互联网平台的制造服务子图仿真方法及系统 |
CN117172633B (zh) * | 2023-10-30 | 2024-01-30 | 浙江大学高端装备研究院 | 一种面向工业互联网平台的制造服务子图仿真方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116027682B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10963794B2 (en) | Concept analysis operations utilizing accelerators | |
CN112507040B (zh) | 多元关系生成模型的训练方法、装置、电子设备及介质 | |
US10997176B2 (en) | Massive time series correlation similarity computation | |
WO2014126657A1 (en) | Latent semantic analysis for application in a question answer system | |
KR20170055970A (ko) | 컴퓨터로 구현되는 관련 아이템의 식별 기법 | |
CN109885693B (zh) | 基于知识图谱的快速知识对比方法及系统 | |
KR20200096133A (ko) | 데이터 모델을 구축하는 방법, 장치, 기기 및 매체 | |
CN116027682B (zh) | 一种列控仿真系统本体建模方法及装置 | |
CN114510630A (zh) | 一种基于异质图卷积神经网络的学术论文推荐方法及系统 | |
US11797507B2 (en) | Relation-enhancement knowledge graph embedding method and system | |
CN112749300A (zh) | 用于视频分类的方法、装置、设备、存储介质和程序产品 | |
GB2617723A (en) | Systems and methods with classification standard for computer models to measure and manage radical risk using machine learning and scenario generation | |
US11157467B2 (en) | Reducing response time for queries directed to domain-specific knowledge graph using property graph schema optimization | |
Kastrati et al. | An improved concept vector space model for ontology based classification | |
CN112559760B (zh) | 一种面向文本描述的cps资源能力知识图谱构建方法 | |
Song et al. | Multi-domain ontology mapping based on semantics | |
CN110046344A (zh) | 添加分隔符的方法及终端设备 | |
CN117807121A (zh) | 基于知识图谱的电网知识关联方法、装置、设备及介质 | |
Qiu et al. | Knowledge entity learning and representation for ontology matching based on deep neural networks | |
CN116484023A (zh) | 一种基于人工智能的电力行业知识库构建方法及系统 | |
US20130304738A1 (en) | Managing multimedia information using dynamic semantic tables | |
Fiorentini | Terminating sequent calculi for proving and refuting formulas in S4 | |
Yang | Variable weight semantic graph‐based ontology mapping method | |
CN116226686B (zh) | 一种表格相似性分析方法、装置、设备和存储介质 | |
CN117149999B (zh) | 基于法律要素层次网络和文本特征的类案推荐方法及装置 |
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 |