CN116340541A - 一种文博知识图谱系统构建方法 - Google Patents
一种文博知识图谱系统构建方法 Download PDFInfo
- Publication number
- CN116340541A CN116340541A CN202310324427.6A CN202310324427A CN116340541A CN 116340541 A CN116340541 A CN 116340541A CN 202310324427 A CN202310324427 A CN 202310324427A CN 116340541 A CN116340541 A CN 116340541A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- knowledge graph
- data
- entity
- constructing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000003993 interaction Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012800 visualization Methods 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000013480 data collection Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 230000002776 aggregation Effects 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003796 beauty Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及文博应用技术领域,具体的说是一种文博知识图谱系统构建方法,在进行构建时,包括数据收集、数据处理、知识图谱构建和知识图谱应用,文化建筑知识图谱系统的建立,通过自动化的方式开发,并能快速进行知识图谱构建,不需要耗费过多的专家和人力资源,在三维图谱可视化以及虚拟人智能交互,在用户获取知识的同时,提升用户沉浸式体验,将3D图谱与文博知识进行结合,集成了包括知识检索,智能问答,知识个性化推荐,信息聚合多个丰富的图谱分析应用,促进文博行业提升知识展示和知识传播的能力。
Description
技术领域
本发明涉及一种文博知识图谱系统构建方法,属于文博应用技术领域。
背景技术
随着社会经济的发展以及生活水平的日益提高,人们对于精神生活的需求也逐渐重视起来,也更有条件去享受丰富多彩的精神文化产品。博物馆是典藏、陈列和研究各种珍贵和稀有的知识文化遗产的重要单位,能够为公众提供大量知识和文化教育服务。目前,博物馆正在不断深化在知识分享和知识传播方面的作用。不过,由于博物馆本身存在大量实物保存和知识碎片化的情况,因此对于知识和信息的利用目前还相对滞后,许多历史知识与文物信息也暂未得到很好的挖掘。当代数字技术与传统文化遗产的结合是当前文化文博领域的热门研究课题,如何有效利用大量的文物数字资源也是近些年的关注热点。知识图谱是一种基于本体论和语义网络的知识表示方式,它以结构化的形式描述客观世界中实体间的复杂关系,提供了一种高效组织、管理海量信息的方式。
如公开号为:CN109977419A,一种知识图谱构建系统,包括信息输入模块、转换模块、提取模块、分词模块、过滤模块、三元组识别模块、中央处理器、知识图谱生成和存储模块和数据库模块;信息输入模块与转换模块通讯连接;提取模块与转换模块通讯连接,且提取模块与分词模块通讯连接;过滤模块与分词模块通讯连接,且过滤模块与中央处理器通讯连接;数据库模块与中央处理器通讯连接;三元组识别模块与中央处理器通讯连接,三元组识别模块与数据库模块通讯连接;知识图谱生成和存储模块与中央处理器通讯连接。本发明方便对新更新的知识进行录入以结合现在知识生成新的知识图谱,从而方便知识的传播和交流。
但对于博物馆的数字化馆藏作品大多是通过图像和文本的方式存储,因此在如何从海量的图像和文本数据中抽取出相应的知识点。目前国内多是博物馆在进行专题展览时,会临时构建小规模的知识图谱来组织相关主题文物数据,这些知识图谱完全依赖于人工来构建和整理知识,缺乏自动化方法,受限于人工成本,构建的知识图谱数据量级通常较小,且大多只能侧重于某一个具体的知识面或主题,对于新的主题知识图谱又需要重新进行知识点的人工整理,耗时耗力。其次,对于知识图谱的可视化和交互方面,目前绝大多数的知识图谱系统可视化还是基于平面的可视化,2D的图谱由于平面空间比较有限,节点与边容易糊在一起形成麻球状,使得视觉不清晰,同时缺乏用户和系统的智能交互,影响用户对于文博知识的沉浸式体验。
有鉴于此特提出本发明。
发明内容
本发明的目的就在于为了解决上述问题而提供一种文博知识图谱系统构建方法,进行三维图谱可视化开发,且进行智能交互,大大提高和促进文博行业提升知识展示和知识传播的能力。
本发明通过以下技术方案来实现上述目的,一种文博知识图谱系统构建方法,在进行构建时,包括以下步骤:
步骤一、数据收集,进行知识获取和知识储存,进行收集文博领域相关的数据;
步骤二、数据处理,进行知识融合加工,对收集的数据进行清洗、去重、实体识别、关系抽取处理;
步骤三、知识图谱构建,将数据进行建模,将建好的模型转化为知识图谱的形式;
步骤四、知识图谱应用,将构建好的知识图谱应用于实际的文博领域中,进行知识发现、数据挖掘、可视化应用、智能交互及智能问答应用以及知识个性化推荐应用。
进一步的,进行数据收集时,收集的数据包括但不限于博物馆藏品信息、文物古迹信息、文献资料、专家学者信息,这些数据可以从博物馆、图书馆、学术机构渠道进行获取获取,且在建模过程中,根据实体之间的关系、实体属性、实体分类进行建模,且在转化为知识图谱形式时,使用图数据库,在构建过程中,将实体和关系转化为图节点和边。
进一步的,进行数据处理和知识图谱构建时,先对数据进行预处理,将原始文本转换为模型输入所需的格式,输入序列被分割成标记,并且每个标记都与其在句子中的位置相对应,另外,实体和关系标签也被分配给相应的标记,且进行人工标注一批训练集数据,在人工标注的训练集数据中,格式为:{subject,subject_type,predictate,object,object_type},分别表示首实体(主语)名称,首实体(主语)类型,关系名称(谓语),尾实体(宾语)名称,尾实体(宾语)类型,在进行模型构架时,使用GlobalPointer架构,基于注意力机制的编码器和解码器,用于同时识别实体和关系,编码器将输入序列转换为上下文感知的表示形式,解码器通过全局指针和上下文感知的表示形式来生成实体和关系标签,具体的,实体和关系联合抽取本质上是五元组数据(Sh,St,P,Oh,Ot)的抽取,其中Sh,St分别是subject的首、尾位置,predicate是待预测的关系,而Oh,Ot分别是object的首、尾位置,设计五元组抽取的打分函数F(Sh,St,P,Oh,Ot),并做简化分解:F(Sh,St,P,Oh,Ot)=F(Sh,St)+F(Oh,Ot)+F(Sh,Oh|P)+F(St,Ot|P),其中F(Sh,St)和F(Oh,Ot)分别表示subject和object实体的首尾位置识别打分,通过F(Sh,St)>0和F(Oh,Ot)>0就可以抽取出所有的subject和object实体,而F(Sh,Oh|P)表示在subject的首位置和object的首位置之间解析出关系P,考虑到存在嵌套实体的可能性,还需要再对实体的尾位置做进一步的判断,故加上F(St,Ot|P),然后进行模型训练,使用标注的训练数据来训练模型,训练过程中,让标注好的训练数据五元组F(Sh,St)>0,F(Oh,Ot)>0,F(Sh,Oh|P)>0,F(St,Ot|P)>0,而其余五元组则F(Sh,St)<0,F(Oh,Ot)<0,F(Sh,Oh|P)<0,F(St,Ot|P)<0,通过最小化损失函数来优化模型,设计模型训练的损失函数为softmax+交叉熵,使其能够正确地预测实体和关系标签,然后进行模型评估,使用标注的测试数据来评估模型的性能,评估指标包括精度、召回率和F1值,最后进行模型应用,使用训练好的模型对新文本进行实体关系联合抽取,具体的,将输入文本转换为模型输入所需的格式,然后使用训练好的模型来预测实体和关系标签。
进一步的,进行可视化应用时,在底层的图谱数据平台之上,开发和构建3D可视化技术,利用空间可变视角,通过缩放图谱、自然滑动翻转图谱,看到节点和关系的细节,在进行智能交互及智能问答应用时,基于虚拟数字人进行知识图谱智能问答的沉浸式交互,同时接入chatgpt智能工具,在进行知识个性化推荐应用时,用户点击搜索的文博知识点,通过协同过滤推荐算法来预测用户感兴趣的相关知识点,进行推荐。
本发明的技术效果和优点:
1、文化建筑知识图谱系统的建立,通过自动化的方式开发,并能快速进行知识图谱构建,不需要耗费过多的专家和人力资源。
2、在三维图谱可视化以及虚拟人智能交互,在用户获取知识的同时,提升用户沉浸式体验。
3、将3D图谱与文博知识进行结合,集成了包括知识检索,智能问答,知识个性化推荐,信息聚合多个丰富的图谱分析应用,促进文博行业提升知识展示和知识传播的能力。
附图说明
图1为本发明知识图谱流程架构图;
图2为本发明知识图谱可视化展示图;
图3为本发明可视化应用展示图;
图4为本发明中个性化推荐应用展示图。
具体实施方式
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,都属于本发明保护的范围。
请参阅图1-4所示,一种文博知识图谱系统构建方法,在进行构建时,基于NLP的3D文博知识图谱系统,并嵌入虚拟数字人进行智能交互,在知识图谱的应用方面,增加了智能检索,支持智能问答以及个性化知识推荐应用,方便用户直接使用该知识图谱进行沉浸式、对话式的知识深度学习,具体在进行构建时,包括以下步骤:
步骤一、数据收集,进行知识获取和知识储存,进行收集文博领域相关的数据;
步骤二、数据处理,进行知识融合加工,对收集的数据进行清洗、去重、实体识别、关系抽取处理;
步骤三、知识图谱构建,将数据进行建模,将建好的模型转化为知识图谱的形式;
步骤四、知识图谱应用,将构建好的知识图谱应用于实际的文博领域中,进行知识发现、数据挖掘、可视化应用、智能交互及智能问答应用以及知识个性化推荐应用。
进行数据收集时,收集的数据包括但不限于博物馆藏品信息、文物古迹信息、文献资料、专家学者信息,这些数据可以从博物馆、图书馆、学术机构渠道进行获取获取,且在建模过程中,根据实体之间的关系、实体属性、实体分类进行建模,且在转化为知识图谱形式时,使用图数据库,在构建过程中,将实体和关系转化为图节点和边。
进行数据处理和知识图谱构建时,基于全局指针GlobalPointer的方法来进行实体和关系的联合抽取,先对数据进行预处理,将原始文本转换为模型输入所需的格式,输入序列被分割成标记,并且每个标记都与其在句子中的位置相对应,另外,实体和关系标签也被分配给相应的标记,且进行人工标注一批训练集数据,在人工标注的训练集数据中,格式为:{subject,subject_type,predictate,object,object_type},分别表示首实体(主语)名称,首实体(主语)类型,关系名称(谓语),尾实体(宾语)名称,尾实体(宾语)类型,在进行模型构架时,使用GlobalPointer架构,基于注意力机制的编码器和解码器,用于同时识别实体和关系,编码器将输入序列转换为上下文感知的表示形式,解码器通过全局指针和上下文感知的表示形式来生成实体和关系标签,具体的,实体和关系联合抽取本质上是五元组数据(Sh,St,P,Oh,Ot)的抽取,其中Sh,St分别是subject的首、尾位置,predicate是待预测的关系,而Oh,Ot分别是object的首、尾位置,设计五元组抽取的打分函数F(Sh,St,P,Oh,Ot),并做简化分解:F(Sh,St,P,Oh,Ot)=F(Sh,St)+F(Oh,Ot)+F(Sh,Oh|P)+F(St,Ot|P),其中F(Sh,St)和F(Oh,Ot)分别表示subject和object实体的首尾位置识别打分,通过F(Sh,St)>0和F(Oh,Ot)>0就可以抽取出所有的subject和object实体,而F(Sh,Oh|P)表示在subject的首位置和object的首位置之间解析出关系P,考虑到存在嵌套实体的可能性,还需要再对实体的尾位置做进一步的判断,故加上F(St,Ot|P),然后进行模型训练,使用标注的训练数据来训练模型,训练过程中,让标注好的训练数据五元组F(Sh,St)>0,F(Oh,Ot)>0,F(Sh,Oh|P)>0,F(St,Ot|P)>0,而其余五元组则F(Sh,St)<0,F(Oh,Ot)<0,F(Sh,Oh|P)<0,F(St,Ot|P)<0,通过最小化损失函数来优化模型,设计模型训练的损失函数为softmax+交叉熵,使其能够正确地预测实体和关系标签,然后进行模型评估,使用标注的测试数据来评估模型的性能,评估指标包括精度、召回率和F1值,最后进行模型应用,使用训练好的模型对新文本进行实体关系联合抽取,具体的,将输入文本转换为模型输入所需的格式,然后使用训练好的模型来预测实体和关系标签。
进行可视化应用时,在底层的图谱数据平台之上,开发和构建3D可视化技术,利用空间可变视角,通过缩放图谱、自然滑动翻转图谱,看到节点和关系的细节,极大地方便了数据的可视化分析,呈现数据独特的立体美,解决了复杂海量数据的洞察分析困难的问题,大大提升用户交互体验,在进行智能交互及智能问答应用时,基于虚拟数字人进行知识图谱智能问答的沉浸式交互,同时接入chatgpt智能工具,对用户提出的各类文物历史问题进行回答,通过智能交互的方式让知识活起来,在进行知识个性化推荐应用时,用户点击搜索的文博知识点,通过协同过滤推荐算法来预测用户感兴趣的相关知识点,进行推荐。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.一种文博知识图谱系统构建方法,其特征在于:在进行构建时,包括以下步骤:
步骤一、数据收集,进行知识获取和知识储存,进行收集文博领域相关的数据;
步骤二、数据处理,进行知识融合加工,对收集的数据进行清洗、去重、实体识别、关系抽取处理;
步骤三、知识图谱构建,将数据进行建模,将建好的模型转化为知识图谱的形式;
步骤四、知识图谱应用,将构建好的知识图谱应用于实际的文博领域中,进行知识发现、数据挖掘、可视化应用、智能交互及智能问答应用以及知识个性化推荐应用。
2.根据权利要求1所述的一种文博知识图谱系统构建方法,其特征在于:在步骤一中,进行数据收集时,收集的数据包括但不限于博物馆藏品信息、文物古迹信息、文献资料、专家学者信息,这些数据可以从博物馆、图书馆、学术机构渠道进行获取获取。
3.根据权利要求1所述的一种文博知识图谱系统构建方法,其特征在于:在步骤三中,在建模过程中,根据实体之间的关系、实体属性、实体分类进行建模,且在转化为知识图谱形式时,使用图数据库,在构建过程中,将实体和关系转化为图节点和边。
4.根据权利要求1所述的一种文博知识图谱系统构建方法,其特征在于:在步骤二和步骤三中,进行数据处理和知识图谱构建时,先对数据进行预处理,将原始文本转换为模型输入所需的格式,输入序列被分割成标记,并且每个标记都与其在句子中的位置相对应,另外,实体和关系标签也被分配给相应的标记,且进行人工标注一批训练集数据。
5.根据权利要求4所述的一种文博知识图谱系统构建方法,其特征在于:在人工标注的训练集数据中,格式为:{subject,subject_type,predictate,object,object_type}。
6.根据权利要求1所述的一种文博知识图谱系统构建方法,其特征在于:在进行模型构架时,使用GlobalPointer架构,基于注意力机制的编码器和解码器,用于同时识别实体和关系,编码器将输入序列转换为上下文感知的表示形式,解码器通过全局指针和上下文感知的表示形式来生成实体和关系标签,具体的,实体和关系联合抽取本质上是五元组数据(Sh,St,P,Oh,Ot)的抽取,设计五元组抽取的打分函数F(Sh,St,P,Oh,Ot),并做简化分解:F(Sh,St,P,Oh,Ot)=F(Sh,St)+F(Oh,Ot)+F(Sh,Oh|P)+F(St,Ot|P),通过F(Sh,St)>0和F(Oh,Ot)>0抽取出所有的subject和object实体,而F(Sh,Oh|P)表示在subject的首位置和object的首位置之间解析出关系P,由于存在嵌套实体的可能性,需要再对实体的尾位置做进一步的判断,故加上F(St,Ot|P);
然后进行模型训练,使用标注的训练数据来训练模型,训练过程中,让标注好的训练数据五元组F(Sh,St)>0,F(Oh,Ot)>0,F(Sh,Oh|P)>0,F(St,Ot|P)>0,而其余五元组则F(Sh,St)<0,F(Oh,Ot)<0,F(Sh,Oh|P)<0,F(St,Ot|P)<0,通过最小化损失函数来优化模型,设计模型训练的损失函数为softmax+交叉熵,使其能够正确地预测实体和关系标签,然后进行模型评估,使用标注的测试数据来评估模型的性能,评估指标包括精度、召回率和F1值;最后进行模型应用,使用训练好的模型对新文本进行实体关系联合抽取,具体的,将输入文本转换为模型输入所需的格式,然后使用训练好的模型来预测实体和关系标签。
7.根据权利要求1所述的一种文博知识图谱系统构建方法,其特征在于:在步骤四中,进行可视化应用时,在底层的图谱数据平台之上,开发和构建3D可视化技术,利用空间可变视角,通过缩放图谱、自然滑动翻转图谱,看到节点和关系的细节。
8.根据权利要求1所述的一种文博知识图谱系统构建方法,其特征在于:在进行智能交互及智能问答应用时,基于虚拟数字人进行知识图谱智能问答的沉浸式交互,同时接入chatgpt智能工具。
9.根据权利要求1所述的一种文博知识图谱系统构建方法,其特征在于:在进行知识个性化推荐应用时,用户点击搜索的文博知识点,通过协同过滤推荐算法来预测用户感兴趣的相关知识点,进行推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310324427.6A CN116340541A (zh) | 2023-03-30 | 2023-03-30 | 一种文博知识图谱系统构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310324427.6A CN116340541A (zh) | 2023-03-30 | 2023-03-30 | 一种文博知识图谱系统构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116340541A true CN116340541A (zh) | 2023-06-27 |
Family
ID=86875915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310324427.6A Pending CN116340541A (zh) | 2023-03-30 | 2023-03-30 | 一种文博知识图谱系统构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116340541A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076484A (zh) * | 2023-09-04 | 2023-11-17 | 北京大学 | 基于时序知识图谱的人力资源数据分析方法 |
-
2023
- 2023-03-30 CN CN202310324427.6A patent/CN116340541A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076484A (zh) * | 2023-09-04 | 2023-11-17 | 北京大学 | 基于时序知识图谱的人力资源数据分析方法 |
CN117076484B (zh) * | 2023-09-04 | 2024-04-19 | 北京大学 | 基于时序知识图谱的人力资源数据分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633075A (zh) | 一种多源异构数据融合平台及融合方法 | |
Duckham et al. | Foundations of geographic information science | |
CN106547842B (zh) | 一种在虚拟地球平台上展示位置情感的方法 | |
Wong | The text of free-form architecture: qualitative study of the discourse of four architects | |
Ponzini | Transnational architecture and urbanism: rethinking how cities plan, transform, and learn | |
CN112836487A (zh) | 一种自动评论方法、装置、计算机设备及存储介质 | |
CN116340541A (zh) | 一种文博知识图谱系统构建方法 | |
Brughmans et al. | The Oxford handbook of archaeological network research | |
Jang | Three-dimensional visualization of an emotional map with geographical information systems: a case study of historical and cultural heritage in the Yeongsan River Basin, Korea | |
Ye et al. | Spatial synthesis: computational social science and humanities | |
Wu et al. | Application of experience economy and recommendation algorithm in tourism reuse of industrial wasteland | |
Bian et al. | Identifying components for interoperable process models using concept lattice and semantic reference system | |
Polous | Smart Cartography: representing complex geographical reality of 21st century | |
Liang-feng et al. | Design of performance evaluation algorithm for diversified talent training in modern universities considering innovative thinking | |
Bai et al. | Mapping urban heritage images with social media data and artificial intelligence, a case study in testaccio, Rome | |
Nanetti et al. | The world as seen from Venice (1205-1533) as a case study of scalable web-based automatic narratives for interactive global histories | |
Ambrosino et al. | The Hetor project: a joint effort to co-create Cultural Heritage Open Data in the Campania Region. | |
Smaill | An ecocritical approach to documentary interactivity: Spatial technologies in a film studies frame | |
Liu | Analysis of Tourist Destination Image Perception Based on Web Data Mining Technology: –Take Wuzhen Scenic Area in Zhejiang Province as an Example | |
Zackery et al. | Insights from a Causal Layered Analysis of" Isfahan 2040": A Participatory Foresight Workshop. | |
Feher | Recommendations, best practices and key factors of smart city and smart citizenship | |
Yang et al. | Knowledge graph representation method for semantic 3D modeling of Chinese grottoes | |
Song et al. | Digital innovations in architecture, engineering, and construction: edited by Andrea Giordano, Michele Russo, and Roberta Spallone, Cham, Switzerland, Springer Nature, 2023, XVI+ 835 pp., $48.07 (hardback), ISBN 9783031361548 | |
Lloyd | Transition Adelaide Hills: Where do we want to go? | |
Emekci | Gathering Public Opinion about an Architectural Project: A Text Mining Approach |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Xiao Xiang Inventor after: Wu Suiying Inventor after: Chen Zeqi Inventor after: Fang Shaochong Inventor before: Xiao Xiang Inventor before: Chen Zeqi Inventor before: Fang Shaochong |
|
CB03 | Change of inventor or designer information |