CN116401338A - 一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法 - Google Patents
一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法 Download PDFInfo
- Publication number
- CN116401338A CN116401338A CN202310390835.1A CN202310390835A CN116401338A CN 116401338 A CN116401338 A CN 116401338A CN 202310390835 A CN202310390835 A CN 202310390835A CN 116401338 A CN116401338 A CN 116401338A
- Authority
- CN
- China
- Prior art keywords
- data
- input
- feature extraction
- design feature
- attention mechanism
- 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 39
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 238000013461 design Methods 0.000 title claims abstract description 17
- 230000007246 mechanism Effects 0.000 title claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000002372 labelling Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 50
- 238000012360 testing method Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000005065 mining Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007500 overflow downdraw method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及电力资产技术领域，尤其为一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，其方法包括如下步骤：获取电力数据资产的原始数据，并随机从中挑选出多组数据转化为文本数据，在去中心化应用程序中将多组数据按照其用途定义分类，并打上标签，制成标签集；本发明方法通过图注意力网络技术，模仿人类注意力方式从知识图谱中快速筛选出重要的关键字值信息进行检索，帮助用户快速掌握数据资产知识信息，快速定位查找数据资源，提高数据资产的利用率和获取效率，解决了目前数据资产知识图谱库的数据量庞大且较为复杂，不方便使用者进行查询检索，从而给数据资产的调取和使用带来不便。
Description
技术领域
本发明涉及电力资产技术领域，具体为一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法。
背景技术
知识图谱是机器认知智能实现的基石，是人工智能的重要组成部分，在我国仍属于研究的初步阶段。知识图谱技术是基于图数据库技术的一个应用方法，知识图谱提供了一个基于实体和实体关系挖掘和分析的知识表示通用框架。知识图谱是由顶点(或节点)和边组成的语义图。利用知识图谱，可以将分散的实体和概念片段连接在一起，形成一个完整的结构化知识库，便于管理、检索、使用和理解其包含的信息。知识图谱相关技术主要包括知识建模、知识抽取、知识融合知识推理、知识存储、知识应用与界面展示。
随着电网数据中台的建设与应用，公司快速积累了海量的数据资产。相关技术和业务人员目前面临电网资产数据查询入口多、检索慢、业务人员与数据交互困难等问题，因此需要建立相应的数据资产知识图谱进行集中存储，但是数据资产知识图谱库的数据量庞大且较为复杂，不方便使用者进行查询检索，从而给数据资产的调取和使用带来不便。
发明内容
本发明的目的在于提供一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，其方法包括如下步骤：
步骤S1：获取电力数据资产的原始数据，并随机从中挑选出多组数据转化为文本数据，在去中心化应用程序中将多组数据按照其用途定义分类，并打上标签，制成标签集；
步骤S2：构建长短时记忆神经网络，将标签集输入到训练完成的长短时记忆神经网络中，来对标签进行预测，而后将预测的标签与对应数据的标签利用文本对比工具进行文本内容差异对比，选取相似度最高的标签，将去中心化应用程序的标签和关键字的数据组文档与预测的标签组合并，并按照数据集中数据的分布将数据分为训练集与测试集；
步骤S3：对训练集与测试集进行文本预处理，并将训练集和测试集以csv表格文本的形式保持下来，并将各种同一种标签的文本进行聚合，将这些属性进行重新编码，之后进行数据归一化处理，消除各个训练集与测试集之间的量纲影响；
步骤S4：构建新的神经网络模型，将处理后的训练集与测试集输入进行训练，在经过多次训练后，得到准确率最高的模型，从而得到能够对关键字属性进行挖掘的检索模型，将检索模型搭载入检索引擎中。
优选的，所述步骤(S1)中，去中心化应用程序为通过网络节点并通过不同的人来进行去中心化操作的应用。
优选的，所述步骤(S1)中，使用向量化文本工具将标签集转化为序列化的向量。
优选的，所述步骤(S2)中，对训练集数据进行数据增强处理，并采用多尺度特征融合的方法来学习不同数据体的特征。
优选的，所述步骤(S3)中，对训练集进行预处理，生成大小为N1*N2*C的目标训练样本，其中N1和N2分别表示输入神经网络的样本的高度和宽度，C表示输入的数据。
优选的，所述步骤(S3)中，重新编码是挖掘关键属性用的输入信息。
优选的，所述步骤(S4)中，对输入检索与搜寻到的标签进行预测，之后获取每个输入文字的权重信息，并根据得到的属性权值信息来对标签属性进行二次筛选，并在筛选后来对神经网络模型进行再次训练。
优选的，所述步骤(S4)中，将检索引擎连接网络、搜索用户端以及电网中台数据资产知识图谱数据库。
与现有技术相比，本发明的有益效果如下：
本发明方法通过图注意力网络技术，模仿人类注意力方式从知识图谱中快速筛选出重要的关键字值信息进行检索，帮助用户快速掌握数据资产知识信息，快速定位查找数据资源，提高数据资产的利用率和获取效率，解决了目前数据资产知识图谱库的数据量庞大且较为复杂，不方便使用者进行查询检索，从而给数据资产的调取和使用带来不便。
附图说明
图1为本发明方法的流程示意图。
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。
实施例一：
一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，其方法包括如下步骤：
步骤S1：获取电力数据资产的原始数据，并随机从中挑选出多组数据转化为文本数据，在去中心化应用程序中将多组数据按照其用途定义分类，并打上标签，制成标签集，其中去中心化应用程序为通过网络节点并通过不同的人来进行去中心化操作的应用；
步骤S2：构建长短时记忆神经网络，将标签集输入到训练完成的长短时记忆神经网络中，来对标签进行预测，而后将预测的标签与对应数据的标签利用文本对比工具进行文本内容差异对比，选取相似度最高的标签，将去中心化应用程序的标签和关键字的数据组文档与预测的标签组合并，并按照数据集中数据的分布将数据分为训练集与测试集，其中对训练集数据进行数据增强处理，并采用多尺度特征融合的方法来学习不同数据体的特征；
步骤S3：对训练集与测试集进行文本预处理，并将训练集和测试集以csv表格文本的形式保持下来，并将各种同一种标签的文本进行聚合，将这些属性进行重新编码，之后进行数据归一化处理，消除各个训练集与测试集之间的量纲影响，其中对训练集进行预处理，生成大小为N1*N2*C的目标训练样本，其中N1和N2分别表示输入神经网络的样本的高度和宽度，C表示输入的数据；
步骤S4：构建新的神经网络模型，将处理后的训练集与测试集输入进行训练，在经过多次训练后，得到准确率最高的模型，从而得到能够对关键字属性进行挖掘的检索模型，将检索模型搭载入检索引擎中。
实施例二：
一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，其方法包括如下步骤：
步骤S1：获取电力数据资产的原始数据，并随机从中挑选出多组数据转化为文本数据，在去中心化应用程序中将多组数据按照其用途定义分类，并打上标签，制成标签集，其中去中心化应用程序为通过网络节点并通过不同的人来进行去中心化操作的应用，且使用向量化文本工具将标签集转化为序列化的向量；
步骤S2：构建长短时记忆神经网络，将标签集输入到训练完成的长短时记忆神经网络中，来对标签进行预测，而后将预测的标签与对应数据的标签利用文本对比工具进行文本内容差异对比，选取相似度最高的标签，将去中心化应用程序的标签和关键字的数据组文档与预测的标签组合并，并按照数据集中数据的分布将数据分为训练集与测试集，其中对训练集数据进行数据增强处理，并采用多尺度特征融合的方法来学习不同数据体的特征；
步骤S3：对训练集与测试集进行文本预处理，并将训练集和测试集以csv表格文本的形式保持下来，并将各种同一种标签的文本进行聚合，将这些属性进行重新编码，之后进行数据归一化处理，消除各个训练集与测试集之间的量纲影响，其中对训练集进行预处理，生成大小为N1*N2*C的目标训练样本，其中N1和N2分别表示输入神经网络的样本的高度和宽度，C表示输入的数据，而重新编码是挖掘关键属性用的输入信息；
步骤S4：构建新的神经网络模型，将处理后的训练集与测试集输入进行训练，在经过多次训练后，得到准确率最高的模型，从而得到能够对关键字属性进行挖掘的检索模型，将检索模型搭载入检索引擎中，其中对输入检索与搜寻到的标签进行预测，之后获取每个输入文字的权重信息，并根据得到的属性权值信息来对标签属性进行二次筛选，并在筛选后来对神经网络模型进行再次训练。
实施例三：
一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，其方法包括如下步骤：
步骤S1：获取电力数据资产的原始数据，并随机从中挑选出多组数据转化为文本数据，在去中心化应用程序中将多组数据按照其用途定义分类，并打上标签，制成标签集，其中去中心化应用程序为通过网络节点并通过不同的人来进行去中心化操作的应用，且使用向量化文本工具将标签集转化为序列化的向量；
步骤S2：构建长短时记忆神经网络，将标签集输入到训练完成的长短时记忆神经网络中，来对标签进行预测，而后将预测的标签与对应数据的标签利用文本对比工具进行文本内容差异对比，选取相似度最高的标签，将去中心化应用程序的标签和关键字的数据组文档与预测的标签组合并，并按照数据集中数据的分布将数据分为训练集与测试集，其中对训练集数据进行数据增强处理，并采用多尺度特征融合的方法来学习不同数据体的特征；
步骤S3：对训练集与测试集进行文本预处理，并将训练集和测试集以csv表格文本的形式保持下来，并将各种同一种标签的文本进行聚合，将这些属性进行重新编码，之后进行数据归一化处理，消除各个训练集与测试集之间的量纲影响，其中对训练集进行预处理，生成大小为N1*N2*C的目标训练样本，其中N1和N2分别表示输入神经网络的样本的高度和宽度，C表示输入的数据，而重新编码是挖掘关键属性用的输入信息；
步骤S4：构建新的神经网络模型，将处理后的训练集与测试集输入进行训练，在经过多次训练后，得到准确率最高的模型，从而得到能够对关键字属性进行挖掘的检索模型，将检索模型搭载入检索引擎中，其中对输入检索与搜寻到的标签进行预测，之后获取每个输入文字的权重信息，并根据得到的属性权值信息来对标签属性进行二次筛选，并在筛选后来对神经网络模型进行再次训练，且将检索引擎连接网络、搜索用户端以及电网中台数据资产知识图谱数据库。
本发明方法通过图注意力网络技术，模仿人类注意力方式从知识图谱中快速筛选出重要的关键字值信息进行检索，帮助用户快速掌握数据资产知识信息，快速定位查找数据资源，提高数据资产的利用率和获取效率，解决了目前数据资产知识图谱库的数据量庞大且较为复杂，不方便使用者进行查询检索，从而给数据资产的调取和使用带来不便。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，其特征在于：其方法包括如下步骤：
步骤S1：获取电力数据资产的原始数据，并随机从中挑选出多组数据转化为文本数据，在去中心化应用程序中将多组数据按照其用途定义分类，并打上标签，制成标签集；
步骤S2：构建长短时记忆神经网络，将标签集输入到训练完成的长短时记忆神经网络中，来对标签进行预测，而后将预测的标签与对应数据的标签利用文本对比工具进行文本内容差异对比，选取相似度最高的标签，将去中心化应用程序的标签和关键字的数据组文档与预测的标签组合并，并按照数据集中数据的分布将数据分为训练集与测试集；
步骤S3：对训练集与测试集进行文本预处理，并将训练集和测试集以csv表格文本的形式保持下来，并将各种同一种标签的文本进行聚合，将这些属性进行重新编码，之后进行数据归一化处理，消除各个训练集与测试集之间的量纲影响；
步骤S4：构建新的神经网络模型，将处理后的训练集与测试集输入进行训练，在经过多次训练后，得到准确率最高的模型，从而得到能够对关键字属性进行挖掘的检索模型，将检索模型搭载入检索引擎中。
2.根据权利要求1所述的一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，其特征在于：所述步骤(S1)中，去中心化应用程序为通过网络节点并通过不同的人来进行去中心化操作的应用。
3.根据权利要求1所述的一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，其特征在于：所述步骤(S1)中，使用向量化文本工具将标签集转化为序列化的向量。
4.根据权利要求1所述的一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，其特征在于：所述步骤(S2)中，对训练集数据进行数据增强处理，并采用多尺度特征融合的方法来学习不同数据体的特征。
5.根据权利要求1所述的一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，其特征在于：所述步骤(S3)中，对训练集进行预处理，生成大小为N1*N2*C的目标训练样本，其中N1和N2分别表示输入神经网络的样本的高度和宽度，C表示输入的数据。
6.根据权利要求1所述的一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，其特征在于：所述步骤(S3)中，重新编码是挖掘关键属性用的输入信息。
7.根据权利要求1所述的一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，其特征在于：所述步骤(S4)中，对输入检索与搜寻到的标签进行预测，之后获取每个输入文字的权重信息，并根据得到的属性权值信息来对标签属性进行二次筛选，并在筛选后来对神经网络模型进行再次训练。
8.根据权利要求1所述的一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法，其特征在于：所述步骤(S4)中，将检索引擎连接网络、搜索用户端以及电网中台数据资产知识图谱数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310390835.1A CN116401338A (zh) | 2023-04-13 | 2023-04-13 | 一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310390835.1A CN116401338A (zh) | 2023-04-13 | 2023-04-13 | 一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116401338A true CN116401338A (zh) | 2023-07-07 |
Family
ID=87010112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310390835.1A Pending CN116401338A (zh) | 2023-04-13 | 2023-04-13 | 一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116401338A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117407578A (zh) * | 2023-12-15 | 2024-01-16 | 南京飓风引擎信息技术有限公司 | 一种去中心化的云资源数据检索系统及方法 |
-
2023
- 2023-04-13 CN CN202310390835.1A patent/CN116401338A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117407578A (zh) * | 2023-12-15 | 2024-01-16 | 南京飓风引擎信息技术有限公司 | 一种去中心化的云资源数据检索系统及方法 |
| CN117407578B (zh) * | 2023-12-15 | 2024-02-23 | 南京飓风引擎信息技术有限公司 | 一种去中心化的云资源数据检索系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109255031A (zh) | 基于知识图谱的数据处理方法 | |
| CN109271506A (zh) | 一种基于深度学习的电力通信领域知识图谱问答系统的构建方法 | |
| CN110990590A (zh) | 一种基于强化学习和迁移学习的动态金融知识图谱构建方法 | |
| CN110059181A (zh) | 面向大规模分类体系的短文本标签方法、系统、装置 | |
| CN110633365A (zh) | 一种基于词向量的层次多标签文本分类方法及系统 | |
| CN110704577A (zh) | 一种电网调度数据的搜索方法及系统 | |
| Bhardwaj et al. | Review of text mining techniques | |
| Ahmed et al. | Analysis of K-means, DBSCAN and OPTICS Cluster algorithms on Al-Quran verses | |
| CN116340530A (zh) | 基于机械知识图谱的智能设计方法 | |
| CN113159187A (zh) | 分类模型训练方法及装置、目标文本确定方法及装置 | |
| CN110377690B (zh) | 一种基于远程关系抽取的信息获取方法和系统 | |
| CN116401338A (zh) | 一种基于数据资产智能检索输入输出要求设计特征提取和注意力机制及其方法 | |
| CN108363759A (zh) | 基于结构化数据的主题树生成方法及系统及智能对话方法 | |
| CN112487263A (zh) | 一种信息处理方法、系统、设备及计算机可读存储介质 | |
| CN116049376A (zh) | 一种信创知识检索回复的方法、装置和系统 | |
| Khekare et al. | Design of Automatic Key Finder for Search Engine Optimization in Internet of Everything | |
| CN111259106A (zh) | 一种结合神经网络和特征演算的关系抽取方法 | |
| CN116011564A (zh) | 一种面向电力设备的实体关系补全方法、系统及应用 | |
| CN115544112A (zh) | 一种基于大数据人工智能的双创成果高价值专利筛选方法 | |
| CN113849639A (zh) | 一种城市级数据仓库主题模型类别的构建方法及系统 | |
| Lytvyn et al. | Ontology of big data analytics | |
| Yu et al. | Workflow recommendation based on graph embedding | |
| CN113392183A (zh) | 一种儿童范畴图谱知识的表征与计算方法 | |
| CN113127650A (zh) | 一种基于图数据库的技术图谱构建方法和系统 | |
| CN112668836A (zh) | 一种面向风险图谱的关联风险证据高效挖掘与监控方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |