CN116049567A - 一种基于协同过滤对故障巡检的推荐方法及系统 - Google Patents

一种基于协同过滤对故障巡检的推荐方法及系统 Download PDF

Info

Publication number
CN116049567A
CN116049567A CN202211598593.7A CN202211598593A CN116049567A CN 116049567 A CN116049567 A CN 116049567A CN 202211598593 A CN202211598593 A CN 202211598593A CN 116049567 A CN116049567 A CN 116049567A
Authority
CN
China
Prior art keywords
inspection
similarity
score
preference
fault
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Withdrawn
Application number
CN202211598593.7A
Other languages
English (en)
Inventor
张瑜
夏海洋
许东
向明超
田奉杰
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.)
Chongqing Zhongdian Self Energy Technology Co ltd
Original Assignee
Chongqing Zhongdian Self Energy Technology 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 Chongqing Zhongdian Self Energy Technology Co ltd filed Critical Chongqing Zhongdian Self Energy Technology Co ltd
Priority to CN202211598593.7A priority Critical patent/CN116049567A/zh
Publication of CN116049567A publication Critical patent/CN116049567A/zh
Withdrawn legal-status Critical Current

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
    • G06F16/90—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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/20—Checking timed patrols, e.g. of watchman

Landscapes

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

Abstract

本发明属于设备智能巡检技术领域，具体是一种基于协同过滤对故障巡检的推荐方法及系统，在本发明提供的推荐方法中，根据偏好评分对设备端巡检评分进行修正，得到巡检评分相似度；采用LDA主题模型处理维修记录和故障标签数据得到维修‑标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，得到巡检偏好相似度；从巡检偏好相似度与巡检评分相似度两个维度综合计算综合评分相似度，基于综合评分相似度确定预测评分，并输出推荐结果；因此，本发明在综合评分相似度过程中不仅仅考虑巡检评分相似度，还将巡检偏好相似度加入计算，既减小了巡检评分相似度计算出现误差对综合评分相似度的影响，有效保证了推荐系统的推荐质量。

Description

一种基于协同过滤对故障巡检的推荐方法及系统
技术领域
本发明属于设备智能巡检技术领域，尤其涉及一种基于协同过滤对故障巡检的推荐方法及系统。
背景技术
随着工业互联网迅速发展，特别是物联感知数据快速增长，数据管理者造成信息过载问题，同时数据的应用也有了新的挑战。在设备故障的巡检场景中，比如光伏场站设备复杂，感知数据零散且量大等问题，很难去定位设备故障故障节点。因此通过机器人巡检并基于维修记录标签信息和机器人巡检的时序数据辅助对设备故障进行推荐来提高巡检效率成为设备故障巡检的主要方法之一。
推荐算法就是根据一定的规则，得到根据用户喜欢程度或者是对某事某物的关注程度进行排列的推荐列表。协同过滤是最常用和经典的推荐算法，基本原理就是根据用户的历史偏好或者是根据设备历史故障标签和机器人巡检记录，发现用户、物品或者设备的相关性，进行推荐。协同过滤可细分为基于用户、基于物品或者是基于设备的推荐算法。
目前，协同过滤算法是各个行业中使用最广泛的推荐算法之一。然而随着物联感知数据和其他信息资源的不断骤增，数据不可靠、稀疏性以及及时性等问题严重影响着推荐算法的精度。
发明内容
本发明的目的在于提供一种基于协同过滤对故障巡检的推荐方法及系统，该方法及系统基于现有协同过滤技术在时间和空间的维度上对传统算法进行了改进，在空间上构造一个感知的分矩阵并结合评分矩阵以缓解巡检机器人感知标签不稳定的问题；在时间上引入时间权重因子模拟巡检机器人的巡检偏好迁移以缓解数据稀疏性和及时性问题。
为实现上述目的，本发明提供了如下的技术方案。
第一方面，在本发明提供的一个实施例中，一种基于协同过滤对故障巡检的推荐方法，所述的推荐方法包括以下步骤：
对根据巡检设备的历史数据获取维修记录和故障标签数据进行情感分析得到偏好评分，根据偏好评分对设备端巡检评分进行修正，得到巡检评分相似度；
采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，得到巡检偏好相似度；
从巡检偏好相似度与巡检评分相似度两个维度综合计算综合评分相似度，基于综合评分相似度确定预测评分，并输出推荐结果。
在本发明提供的一个实施例中，在所述采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布的步骤中，将每条标签信息当作独立的标签文本数据，使用LDA主题模型分析标签文本数据得到维修-标签分布。
在本发明提供的一个实施例中，所述维修-标签分布中各个分量表示该分量对应的主题出现的概率分布，也就是体现了该主题在标签文本数据中出现的频度和在该条标签的重要程度。
在本发明提供的一个实施例中，在所述计算综合评分相似度中，采用皮尔逊相关系数，将用户平均评分删掉，选用两个维修标签或者目标检测标签相同的项目集合进行评分相似度计算。
在本发明提供的一个实施例中，所述巡检偏好分布为一个K维的特征向量，选用余弦相似度来计算巡检偏好相似度。
在本发明提供的一个实施例中，所述综合评分相似度是由巡检评分相似度和巡检偏好相似度两者线性结合而得。
第二方面，在本发明提供的另一个实施例中，一种推荐系统，所述推荐系统用于实现如第一方面中所提到的基于协同过滤对故障巡检的推荐方法；
其中，所述系统包括：
巡检评分模块，所述巡检评分模块用于对根据巡检设备的历史数据获取维修记录和故障标签数据进行情感分析得到偏好评分，根据偏好评分对设备端巡检评分进行修正，得到巡检评分相似度；
巡检偏好模块，所述巡检偏好模块用于采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，得到巡检偏好相似度；
综合计算模块，所述综合计算模块用于从巡检偏好相似度与巡检评分相似度两个维度综合计算综合评分相似度，基于综合评分相似度确定预测评分，并输出推荐结果。
第三方面，在本发明提供的再一个实施例中，一种计算机设备；
所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如第一方面所提供的基于协同过滤对故障巡检的推荐方法。
第四方面，在本发明提供的又一个实施例中，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可读指令，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如第一方面所提供的基于协同过滤对故障巡检的推荐方法。
与现有技术相比，在本发明实施例提供的基于协同过滤对故障巡检的推荐方法中，对根据巡检设备的历史数据获取维修记录和故障标签数据进行情感分析得到偏好评分，根据偏好评分对设备端巡检评分进行修正，得到巡检评分相似度；采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，得到巡检偏好相似度；从巡检偏好相似度与巡检评分相似度两个维度综合计算综合评分相似度，基于综合评分相似度确定预测评分，并输出推荐结果；因此，本发明在综合评分相似度过程中不仅仅考虑巡检评分相似度，还将巡检偏好相似度加入计算，既减小了巡检评分相似度计算出现误差对综合评分相似度的影响，有效保证了推荐系统的推荐质量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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。
图1为本发明基于协同过滤对故障巡检的推荐方法的逻辑架构图；
图2为本发明一种基于协同过滤对故障巡检的推荐方法的实现流程图；
图3为本发明一种推荐系统的结构框图；
图4为本发明一种计算机设备的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
目前，在设备故障的巡检场景中，比如光伏场站设备复杂，感知数据零散且量大等问题，很难去定位设备故障故障节点。因此，需要通过机器人巡检并基于维修记录标签信息和机器人巡检的时序数据辅助，来对设备故障进行推荐来提高巡检效率。虽然协同过滤算法是各个行业中使用最广泛的推荐算法之一。然而随着物联感知数据和其他信息资源的不断骤增，数据不可靠、稀疏性以及及时性等问题严重影响着推荐算法的精度。
为改善上述问题，本发明提供的推进方法及系统基于现有协同过滤技术在时间和空间的维度上对传统算法进行了改进，在空间上构造一个感知的分矩阵并结合评分矩阵以缓解巡检机器人感知标签不稳定的问题；在时间上引入时间权重因子模拟巡检机器人的巡检偏好迁移以缓解数据稀疏性和及时性问题。
以下结合具体实施例对本发明的具体实现进行详细描述。
实施例1
如图1-图2所示，在本发明提供的一个实施例中，一种基于协同过滤对故障巡检的推荐方法，所述的推荐方法包括以下步骤：
步骤S101：对根据巡检设备的历史数据获取维修记录和故障标签数据进行情感分析得到偏好评分，根据偏好评分对设备端巡检评分进行修正，得到巡检评分相似度；
步骤S102：采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，得到巡检偏好相似度；
步骤S103：从巡检偏好相似度与巡检评分相似度两个维度综合计算综合评分相似度，基于综合评分相似度确定预测评分，并输出推荐结果。
因此，本发明实施例提供的推荐方法，对根据巡检设备的历史数据获取维修记录和故障标签数据进行情感分析得到偏好评分，进而根据偏好评分对现有设备端巡检评分进行修正，提高巡检-设备评分矩阵的准确性；采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，缓解了巡检偏好迁移现象对模型的不良影响；从巡检偏好与巡检评分两个维度综合计算综合评分相似度，以有效地减小综合评分相似度计算过程中的误差，提高推荐效果。
进一步的，在本发明实施例中，在所述采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布的步骤中，将每条标签信息当作独立的标签文本数据，使用LDA主题模型分析标签文本数据得到维修-标签分布，此方法构造了动态巡检偏好分布。将每条“人工+目标检测”标签信息当作独立的标签文本数据，使用LDA主题模型分析标签文本数据得到维修-标签分布。该分布中各个分量表示该分量对应的主题出现的概率分布，也就是体现了该主题在标签文本数据中出现的频度和在该条标签的重要程度。
进一步的，在本发明实施例中，为了避免推荐评分标准不一致问题，在计算推荐的评分相似度时采用了皮尔逊相关系数，将用户平均评分删掉，选用两个维修标签或者目标检测标签相同的项目集合进行评分相似度计算。
进一步的，在本发明实施例中，此方法构造的巡检偏好分布为一个K维的特征向量，选用余弦相似度来计算巡检偏好相似度。
进一步的，在本发明实施例中，最终的综合评分相似度是由巡检评分相似度和巡检偏好相似度两者线性结合而得。
由此可知，在综合评分相似度过程中不仅仅要考虑巡检评分相似度，还要将巡检偏好相似度加入计算，既减小了巡检评分相似度计算出现误差对综合评分相似度的影响，有效保证了推荐系统的推荐质量。
综上所述，在本发明实施例提供的基于协同过滤对故障巡检的推荐方法中，对根据巡检设备的历史数据获取维修记录和故障标签数据进行情感分析得到偏好评分，根据偏好评分对设备端巡检评分进行修正，得到巡检评分相似度；采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，得到巡检偏好相似度；从巡检偏好相似度与巡检评分相似度两个维度综合计算综合评分相似度，基于综合评分相似度确定预测评分，并输出推荐结果；因此，本发明在综合评分相似度过程中不仅仅考虑巡检评分相似度，还将巡检偏好相似度加入计算，既减小了巡检评分相似度计算出现误差对综合评分相似度的影响，有效保证了推荐系统的推荐质量。
实施例2
如图3所示，在本发明实施例中，一种推荐系统，所述推荐系统200用于实现如实施例1中所提到的基于协同过滤对故障巡检的推荐方法；
其中，所述系统200包括：
巡检评分模块201，所述巡检评分模块用于对根据巡检设备的历史数据获取维修记录和故障标签数据进行情感分析得到偏好评分，根据偏好评分对设备端巡检评分进行修正，得到巡检评分相似度；
巡检偏好模块202，所述巡检偏好模块用于采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，得到巡检偏好相似度；
综合计算模块203，所述综合计算模块用于从巡检偏好相似度与巡检评分相似度两个维度综合计算综合评分相似度，基于综合评分相似度确定预测评分，并输出推荐结果。
实施例3
如图4所示，在本发明实施例中，本发明还提供了一种计算机设备；
所述设备300包括存储器301、处理器302以及存储在所述存储器301中并可在所述处理器302上运行的计算机可读指令，所述处理器302执行所述计算机可读指令时实现如实施例1所提供的基于协同过滤对故障巡检的推荐方法；
其中，在本发明实施例中，所述的推荐方法包括以下步骤：
对根据巡检设备的历史数据获取维修记录和故障标签数据进行情感分析得到偏好评分，根据偏好评分对设备端巡检评分进行修正，得到巡检评分相似度；
采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，得到巡检偏好相似度；
从巡检偏好相似度与巡检评分相似度两个维度综合计算综合评分相似度，基于综合评分相似度确定预测评分，并输出推荐结果。
此外，本发明实施例提供的所述设备300还可具有通讯接口303，用于接收控制指令。
实施例4
在本发明实施例中，本发明还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可读指令，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如实施例1所提供的基于协同过滤对故障巡检的推荐方法；
其中，在本发明实施例中，所述的推荐方法包括以下步骤：
对根据巡检设备的历史数据获取维修记录和故障标签数据进行情感分析得到偏好评分，根据偏好评分对设备端巡检评分进行修正，得到巡检评分相似度；
采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，得到巡检偏好相似度；
从巡检偏好相似度与巡检评分相似度两个维度综合计算综合评分相似度，基于综合评分相似度确定预测评分，并输出推荐结果。
在本发明的各种实施例中，应理解，所述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可获取的存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。
本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-OnlyMemory，ROM)、随机存储器(RandomAccessMemory，11RAM)、可编程只读存储器(ProgrammableRead-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammableRead-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammableRead-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable ProgrammableRead-OnlyMemory，EEPROM)、只读光盘(CompactDiscRead-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的信息交互的方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，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)

1.一种基于协同过滤对故障巡检的推荐方法，其特征在于：
所述的推荐方法包括以下步骤：
对根据巡检设备的历史数据获取维修记录和故障标签数据进行情感分析得到偏好评分，根据偏好评分对设备端巡检评分进行修正，得到巡检评分相似度；
采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，得到巡检偏好相似度；
从巡检偏好相似度与巡检评分相似度两个维度综合计算综合评分相似度，基于综合评分相似度确定预测评分，并输出推荐结果。
2.根据权利要求1所述的基于协同过滤对故障巡检的推荐方法，其特征在于，在所述采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布的步骤中，将每条标签信息当作独立的标签文本数据，使用LDA主题模型分析标签文本数据得到维修-标签分布。
3.根据权利要求2所述的基于协同过滤对故障巡检的推荐方法，其特征在于，所述维修-标签分布中各个分量表示该分量对应的主题出现的概率分布。
4.根据权利要求3所述的基于协同过滤对故障巡检的推荐方法，其特征在于，在所述计算综合评分相似度中，采用皮尔逊相关系数，将用户平均评分删掉，选用两个维修标签或者目标检测标签相同的项目集合进行评分相似度计算。
5.根据权利要求4所述的基于协同过滤对故障巡检的推荐方法，其特征在于，所述巡检偏好分布为一个K维的特征向量，选用余弦相似度来计算巡检偏好相似度。
6.根据权利要求5所述的基于协同过滤对故障巡检的推荐方法，其特征在于，所述综合评分相似度是由巡检评分相似度和巡检偏好相似度两者线性结合而得。
7.一种推荐系统，其特征在于：
所述推荐系统用于实现如权利要求1-6任一所述的基于协同过滤对故障巡检的推荐方法；
其中，所述系统包括：
巡检评分模块，所述巡检评分模块用于对根据巡检设备的历史数据获取维修记录和故障标签数据进行情感分析得到偏好评分，根据偏好评分对设备端巡检评分进行修正，得到巡检评分相似度；
巡检偏好模块，所述巡检偏好模块用于采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，得到巡检偏好相似度；
综合计算模块，所述综合计算模块用于从巡检偏好相似度与巡检评分相似度两个维度综合计算综合评分相似度，基于综合评分相似度确定预测评分，并输出推荐结果。
8.一种计算机设备，其特征在于：
所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1-6任一所述的基于协同过滤对故障巡检的推荐方法。
9.一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可读指令，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1-6任一所述的基于协同过滤对故障巡检的推荐方法。
CN202211598593.7A 2022-12-12 2022-12-12 一种基于协同过滤对故障巡检的推荐方法及系统 Withdrawn CN116049567A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211598593.7A CN116049567A (zh) 2022-12-12 2022-12-12 一种基于协同过滤对故障巡检的推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211598593.7A CN116049567A (zh) 2022-12-12 2022-12-12 一种基于协同过滤对故障巡检的推荐方法及系统

Publications (1)

Publication Number Publication Date
CN116049567A true CN116049567A (zh) 2023-05-02

Family

ID=86115784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211598593.7A Withdrawn CN116049567A (zh) 2022-12-12 2022-12-12 一种基于协同过滤对故障巡检的推荐方法及系统

Country Status (1)

Country Link
CN (1) CN116049567A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056588A (zh) * 2023-06-30 2023-11-14 东风设备制造有限公司 一种汽车制造设备的维修门店智能推荐方法及系统
CN119479099A (zh) * 2025-01-09 2025-02-18 湖南碧泰环保科技有限公司 基于环卫一体化的公园景区智能巡检方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056588A (zh) * 2023-06-30 2023-11-14 东风设备制造有限公司 一种汽车制造设备的维修门店智能推荐方法及系统
CN119479099A (zh) * 2025-01-09 2025-02-18 湖南碧泰环保科技有限公司 基于环卫一体化的公园景区智能巡检方法

Similar Documents

Publication Publication Date Title
US10824675B2 (en) Resource-efficient generation of a knowledge graph
US8768976B2 (en) Operational-related data computation engine
KR20230095796A (ko) 하이퍼그래프 콘볼루션 네트워크들을 통한 공동 개인맞춤형 검색 및 추천
US10839406B2 (en) A/B testing for search engine optimization
CN116049567A (zh) 一种基于协同过滤对故障巡检的推荐方法及系统
US11748820B1 (en) Computer network architecture with automated claims completion, machine learning and artificial intelligence
CN104641371A (zh) 社交网络系统中基于上下文的对象检索
US11561965B2 (en) Data retrieval via incremental updates to graph data structures
US20240265124A1 (en) Dynamic data product creation
US20250068637A1 (en) Search system ranking using a natural distribution
CN111241408B (zh) 推荐模型的构建系统及方法
US20140280216A1 (en) Automated ranking of contributors to a knowledge base
Mollá et al. Data-driven decision making: New opportunities for DSS in data stream contexts
US20180336527A1 (en) Offline computation of partial job recommendation scores
US20180336525A1 (en) Hybrid offline/online generation of job recommendations
WO2024211241A1 (en) Providing query results and relevance descriptors by predicate based entity expansion
Liu et al. Dynamic updating of the knowledge base for a large-scale question answering system
CN117807063A (zh) 面向知识抽取模型全生命周期管理方法、装置及相关产品
CN114510642B (zh) 基于异构信息网络的书籍推荐方法、系统及设备
Sun et al. E-commerce brand authenticity perception model of territorial characteristic agricultural products based on fuzzy cognitive map and emotional analysis
US20140324523A1 (en) Missing String Compensation In Capped Customer Linkage Model
US20140324524A1 (en) Evolving a capped customer linkage model using genetic models
Yang et al. A human-in-the-loop approach to social behavioral targeting
US20210248206A1 (en) Systems and methods for generating data retrieval steps
Huang et al. An E-Commerce Precision Marketing Optimization Method Based on Graph Neural Network and Social Media Sentiment Analysis

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: 20230502