CN116561588B - 电力文本识别模型构建方法、电力设备维修方法和装置 - Google Patents

电力文本识别模型构建方法、电力设备维修方法和装置 Download PDF

Info

Publication number
CN116561588B
CN116561588B CN202310827234.2A CN202310827234A CN116561588B CN 116561588 B CN116561588 B CN 116561588B CN 202310827234 A CN202310827234 A CN 202310827234A CN 116561588 B CN116561588 B CN 116561588B
Authority
CN
China
Prior art keywords
equipment
information
sample
entity
recognition model
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.)
Active
Application number
CN202310827234.2A
Other languages
English (en)
Other versions
CN116561588A (zh
Inventor
程志华
周春雷
刘文思
宣东海
曾菁菁
卢彩霞
杜晔
唐志涛
李霄铭
余翔
傅哲宁
谢景宇
谢丹鸿
陈汉城
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.)
Big Data Center Of State Grid Corp Of China
State Grid Information and Telecommunication Co Ltd
Beijing Guodiantong Network Technology Co Ltd
Information and Telecommunication Branch of State Grid Fujian Electric Power Co Ltd
Original Assignee
Big Data Center Of State Grid Corp Of China
State Grid Information and Telecommunication Co Ltd
Beijing Guodiantong Network Technology Co Ltd
Information and Telecommunication Branch of State Grid Fujian Electric Power 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 Big Data Center Of State Grid Corp Of China, State Grid Information and Telecommunication Co Ltd, Beijing Guodiantong Network Technology Co Ltd, Information and Telecommunication Branch of State Grid Fujian Electric Power Co Ltd filed Critical Big Data Center Of State Grid Corp Of China
Priority to CN202310827234.2A priority Critical patent/CN116561588B/zh
Publication of CN116561588A publication Critical patent/CN116561588A/zh
Application granted granted Critical
Publication of CN116561588B publication Critical patent/CN116561588B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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 Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开的实施例公开了电力文本识别模型构建方法、电力设备维修方法和装置。电力文本识别模型构建方法的一具体实施方式包括：获取样本集；基于样本集执行以下训练步骤：将样本输入至输入层，得到词向量集；将样本对应的词向量集分别输入至第一特征提取模型和第二特征提取模型，得到第一特征向量集和第二特征向量集；将第一特征向量集和第二特征向量集输入至输出层，得到实体标注信息；将实体标注信息与样本实体标注信息进行比较；根据比较结果确定初始电力文本识别模型是否达到优化目标；响应于确定初始电力文本识别模型达到优化目标，将初始电力文本识别模型确定为电力文本识别模型。该实施方式可以提高电力设备运行的安全性。

Description

电力文本识别模型构建方法、电力设备维修方法和装置
技术领域
本公开的实施例涉及计算机技术领域，具体涉及电力文本识别模型构建方法、电力设备维修方法和装置。
背景技术
在电力领域，识别电力设备的检修记录、维护手册等大量文本数据中的实体信息对电力系统的运行有重要意义。目前，在对电力设备的文本数据进行实体识别时，通常采用的方式为：采用双向长短期记忆网络与条件随机场模型结合的方式识别电力设备的文本数据，得到实体标注信息，以用于确定根据电力设备图像确定的故障信息的维修方案。
然而，发明人发现，当采用上述方式对电力设备的文本数据进行识别时，经常会存在如下技术问题：
第一，双向长短期记忆网络更适用于双向捕捉全文的特征向量，但在提取局部特征向量时效果较差，根据双向长短期记忆网络提取的特征向量进行实体识别，导致得到的实体识别结果的准确性较低，从而导致根据实体识别结果确定的维修方案的准确性较低，进而造成电力设备在维修之后运行时的安全性较低。
第二，实体识别结果的准确性较低，导致根据实体识别结果确定的维修方案的准确性较低，从而造成电力设备在维修之后运行时的安全性较低。
第三，仅通过电力设备图像判断故障类型，准确率较低，从而进一步导致产生二次维修的次数较多，浪费维修资源。
第四，在对实体标识进行匹配时，仅采用语义特征提取的方式提取词向量特征，对于单个汉字特征匹配的准确度较低，导致实体标识匹配的准确度较低，从而造成通过实体标识匹配的维修方案与故障类型的适配性较低，进一步导致产生二次维修的次数较多浪费维修资源。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了电力文本识别模型构建方法、电力设备维修方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种电力文本识别模型构建方法，该方法包括：获取样本集，其中，上述样本集中的样本包括样本电力文本信息和样本实体标注信息；基于上述样本集执行以下训练步骤：将上述样本集中的至少一个样本分别输入至初始电力文本识别模型的输入层，得到上述至少一个样本中的每个样本对应的词向量集；将上述至少一个样本中的每个样本对应的词向量集分别输入至初始电力文本识别模型包括的第一特征提取模型和第二特征提取模型，得到上述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集；将上述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集输入至初始电力文本识别模型的输出层，得到上述至少一个样本中的每个样本对应的实体标注信息；将上述至少一个样本中的每个样本对应的实体标注信息与样本实体标注信息进行比较；根据比较结果确定初始电力文本识别模型是否达到预设的优化目标；响应于确定初始电力文本识别模型达到上述优化目标，将初始电力文本识别模型确定为训练完成的电力文本识别模型。
第二方面，本公开的一些实施例提供了一种电力设备维修方法，该方法包括：获取目标电力设备的设备巡检信息；对上述设备巡检信息进行故障检测处理，得到设备故障信息；响应于确定上述设备故障信息满足预设故障条件，对上述设备故障信息进行分词处理，得到故障关键词集合；将预设关键词和上述故障关键词集合中的各个故障关键词确定为查询关键词集合；根据上述查询关键词集合和预先生成的设备维修知识图谱，生成设备维修信息，其中，上述设备维修知识图谱是基于电力文本识别模型预先生成的，上述电力文本识别模型采用如第一方面任一实现方式所描述的方法构建；根据上述设备维修信息，控制相关联的维修设备对上述目标电力设备执行设备维修操作。
第三方面，本公开的一些实施例提供了电力文本识别模型构建装置，装置包括：获取单元，被配置成获取样本集，其中，所述样本集中的样本包括样本电力文本信息和样本实体标注信息；执行单元，被配置成基于所述样本集执行以下训练步骤：将所述样本集中的至少一个样本分别输入至初始电力文本识别模型的输入层，得到所述至少一个样本中的每个样本对应的词向量集；将所述至少一个样本中的每个样本对应的词向量集分别输入至初始电力文本识别模型的第一特征提取模型和第二特征提取模型，得到所述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集；将所述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集输入至初始电力文本识别模型的输出层，得到所述至少一个样本中的每个样本对应的实体标注信息；将所述至少一个样本中的每个样本对应的实体标注信息与样本实体标注信息进行比较；根据比较结果确定初始电力文本识别模型是否达到预设的优化目标；响应于确定初始电力文本识别模型达到所述优化目标，将所述初始电力文本识别模型作为训练完成的电力文本识别模型。
第四方面，本公开的一些实施例提供了一种电力设备维修装置，装置包括：获取单元，被配置成获取目标电力设备的设备巡检信息；检测单元，被配置成对上述设备巡检信息进行故障检测处理，得到设备故障信息；分词单元，被配置成应于确定上述设备故障信息满足预设故障条件，对上述设备故障信息进行分词处理，得到故障关键词集合；确定单元，被配置成将预设关键词和上述故障关键词集合中的各个故障关键词确定为查询关键词集合；生成单元，被配置成根据上述查询关键词集合和预先生成的设备维修知识图谱，生成设备维修信息；控制单元，被配置成根据上述设备维修信息，控制相关联的维修设备对上述目标电力设备执行设备维修操作。
第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一或第二方面任一实现方式所描述的方法。
第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一或第二方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的电力设备维修方法可以提高电力设备运行的安全性。具体来说，造成电力设备在维修之后运行时的安全性较低原因在于：双向长短期记忆网络更适用于双向捕捉全文的特征向量，但在提取局部特征向量时效果较差，根据双向长短期记忆网络提取的特征向量进行实体识别，导致得到的实体识别结果的准确性较低，从而导致根据实体识别结果确定的维修方案的准确性较低，当维修方案未能解决对应的故障时，进而造成电力设备在维修之后运行时的安全性较低。基于此，本公开的一些实施例的电力文本识别模型构建方法，首先，获取样本集，其中，上述样本集中的样本包括样本电力文本信息和样本实体标注信息。由此，可以得到训练样本，从而可以用于训练电力文本识别模型。其次，基于上述样本集执行以下训练步骤：将上述样本集中的至少一个样本分别输入至初始电力文本识别模型的输入层，得到上述至少一个样本中的每个样本对应的词向量集。将上述至少一个样本中的每个样本对应的词向量集分别输入至初始电力文本识别模型包括的第一特征提取模型和第二特征提取模型，得到上述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集。由此，可以得到适用于提取局部特征和适用于提取全局特征的两种不同特征提取模型输出的特征向量集，从而可以用于对样本电力文本信息进行实体识别。将上述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集输入至初始电力文本识别模型的输出层，得到上述至少一个样本中的每个样本对应的实体标注信息。由此，可以得到综合两种不同的特征向量集得到的实体标注信息。将上述至少一个样本中的每个样本对应的实体标注信息与样本实体标注信息进行比较。根据比较结果确定初始电力文本识别模型是否达到预设的优化目标。响应于确定初始电力文本识别模型达到上述优化目标，将初始电力文本识别模型确定为训练完成的电力文本识别模型。由此，可以得到训练完成的电力文本识别模型，从而可以用于确定维修方案。也因为在构建电力文本识别模型时，通过两种不同的特征提取模型提取电力文本信息中的特征，从而提高了电力文本实体识别和根据实体识别结果确定的维修方案的准确性，由此，可以提高电力设备在维修之后运行时的安全性。
附图说明
结合附图并参考以下具体实施方式，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。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的电力文本识别模型构建方法的一些实施例的流程图；
图2是根据本公开的电力设备维修方法的一些实施例的流程图；
图3是根据本公开的电力文本识别模型构建装置的一些实施例的结构示意图；
图4是根据本公开的电力设备维修装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的电力文本识别模型构建方法的一些实施例的流程100。该电力文本识别模型构建方法，包括以下步骤：
步骤101，获取样本集。
在一些实施例中，电力文本识别模型构建方法的执行主体（例如计算设备）可以获取样本集。其中，上述样本集中的样本可以包括样本电力文本信息和样本实体标注信息。上述样本电力文本信息可以为电力设备的维修手册中的文本，也可以为处理故障的案例的文本。样本实体标注信息可以为通过人工标注或BIO标注法对对应样本电力文本信息标注的实体的标识。实践中，上述执行主体可以通过有线连接方式或者无线连接方式从数据库获取样本集。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。
步骤102，基于样本集执行以下训练步骤：
步骤1021，将样本集中的至少一个样本分别输入至初始电力文本识别模型的输入层，得到至少一个样本中的每个样本对应的词向量集。
在一些实施例中，上述执行主体可以将上述样本集中的至少一个样本分别输入至初始电力文本识别模型的输入层，得到上述至少一个样本中的每个样本对应的词向量集。其中，上述输入层可以用于对样本设备文本信息进行词向量转化，得到词向量集。
步骤1022，将至少一个样本中的每个样本对应的词向量集分别输入至初始电力文本识别模型包括的第一特征提取模型和第二特征提取模型，得到至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集。
在一些实施例中，上述执行主体可以将上述至少一个样本中的每个样本对应的词向量集分别输入至初始电力文本识别模型包括的第一特征提取模型和第二特征提取模型，得到上述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集。其中，上述第一特征提取模型、上述第二特征提取模型可以为以词向量集为输入，以特征向量集为输出的神经网络。上述第一特征提取模型可以为通过较少的卷积层得到更多的特征向量的卷积神经网络。上述第二特征提取模型可以为用于双向捕捉特征向量的神经网络。
步骤1023，将至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集输入至初始电力文本识别模型的输出层，得到至少一个样本中的每个样本对应的实体标注信息。
在一些实施例中，上述执行主体可以将上述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集输入至初始电力文本识别模型的输出层，得到上述至少一个样本中的每个样本对应的实体标注信息。其中，上述输出层可以对于第一特征向量集中的每个第一特征向量，将第二特征向量集中对应上述第一特征向量的第二特征向量与上述第一特征向量平均加权求和，得到目标特征向量，以及将得到的各个目标特征向量输入条件随机场模型，得到实体标注信息。上述输入层分别与上述第一特征提取模型、第二特征提取模型连接。上述第一特征提取模型、第二特征提取模型与上述输出层连接。
步骤1024，将至少一个样本中的每个样本对应的实体标注信息与样本实体标注信息进行比较。
在一些实施例中，上述执行主体可以将上述至少一个样本中的每个样本对应的实体标注信息与样本实体标注信息进行比较。这里，比较的方式可以为确定实体标注信息与样本实体标注信息的相似度的方式。
步骤1025，根据比较结果确定初始电力文本识别模型是否达到预设的优化目标。
在一些实施例中，上述执行主体可以根据比较结果确定初始电力文本识别模型是否达到预设的优化目标。其中，比较结果可以包括上述至少一个样本中的每个样本对应的相似度。上述优化目标可以为在目标范围内的相似度的占比大于预设比值。对于目标范围和预设比值的设定，不做限定。
步骤1026，响应于确定初始电力文本识别模型达到优化目标，将初始电力文本识别模型确定为训练完成的电力文本识别模型。
在一些实施例中，上述执行主体可以响应于确定初始电力文本识别模型达到上述优化目标，将初始电力文本识别模型确定为训练完成的电力文本识别模型。
可选地，上述执行主体还可以执行以下训练步骤：
响应于确定初始电力文本识别模型未达到上述优化目标，调整初始电力文本识别模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始电力文本识别模型作为初始电力文本识别模型，再次执行上述训练步骤。作为示例，可以采用反向传播算法（Back Propagation Algorithm，BP算法）和梯度下降法（例如随机小批量梯度下降算法）对上述初始电力文本识别模型的网络参数进行调整。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的电力设备维修方法可以提高电力设备运行的安全性。具体来说，造成电力设备在维修之后运行时的安全性较低原因在于：双向长短期记忆网络更适用于双向捕捉全文的特征向量，但在提取局部特征向量时效果较差，根据双向长短期记忆网络提取的特征向量进行实体识别，导致得到的实体识别结果的准确性较低，从而导致根据实体识别结果确定的维修方案的准确性较低，当维修方案未能解决对应的故障时，进而造成电力设备在维修之后运行时的安全性较低。基于此，本公开的一些实施例的电力文本识别模型构建方法，首先，获取样本集，其中，上述样本集中的样本包括样本电力文本信息和样本实体标注信息。由此，可以得到训练样本，从而可以用于训练电力文本识别模型。其次，基于上述样本集执行以下训练步骤：将上述样本集中的至少一个样本分别输入至初始电力文本识别模型的输入层，得到上述至少一个样本中的每个样本对应的词向量集。将上述至少一个样本中的每个样本对应的词向量集分别输入至初始电力文本识别模型包括的第一特征提取模型和第二特征提取模型，得到上述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集。由此，可以得到适用于提取局部特征和适用于提取全局特征的两种不同特征提取模型输出的特征向量集，从而可以用于对样本电力文本信息进行实体识别。将上述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集输入至初始电力文本识别模型的输出层，得到上述至少一个样本中的每个样本对应的实体标注信息。由此，可以得到综合两种不同的特征向量集得到的实体标注信息。将上述至少一个样本中的每个样本对应的实体标注信息与样本实体标注信息进行比较。根据比较结果确定初始电力文本识别模型是否达到预设的优化目标。响应于确定初始电力文本识别模型达到上述优化目标，将初始电力文本识别模型确定为训练完成的电力文本识别模型。由此，可以得到训练完成的电力文本识别模型，从而可以用于确定维修方案。也因为在构建电力文本识别模型时，通过两种不同的特征提取模型提取电力文本信息中的特征，从而提高了电力文本实体识别和根据实体识别结果确定的维修方案的准确性，由此，可以提高电力设备在维修之后运行时的安全性。
继续参考图2，示出了根据本公开的电力设备维修方法的一些实施例的流程200。该电力设备维修方法，包括以下步骤：
步骤201，获取目标电力设备的设备巡检信息。
在一些实施例中，电力设备维修方法的执行主体（例如计算设备）可以通过有线连接方式或者无线连接方式从相关联的检测设备获取目标电力设备的设备巡检信息。其中，上述检查设备可以为用于检测目标电力设备的设备。上述目标电力设备可以为被巡检的电力设备。例如，上述目标电力设备可以为变压器。上述设备巡检信息可以为表征电力设备检查的结果的信息。上述设备巡检信息可以包括但不限于以下至少一项：电力设备图像、电力设备标识。上述电力设备图像可以为相关联的检测设备采集的电力设备的外观的图像。上述检测设备可以为摄像装置。上述摄像装置可以包括但不限于摄像头、控制器。上述电力设备标识可以对电力设备唯一标识。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤获取目标电力设备的设备巡检信息：
第一步，响应于确定当前时间满足预设巡检时间条件，控制相关联的巡检设备采集目标电力设备的设备图像。其中，上述预设巡检时间条件可以为当前时间为预先设定的巡检时间。上述巡检时间可以为对电力设备进行检测的时间。例如，上述巡检时间可以为每天的9点。上述巡检设备可以为用于对电力设备进行检测的设备。例如，上述巡检设备可以为对电力设备进行巡检的巡检机器人。上述设备图像可以为目标电力设备的外观的图像。
第二步，控制上述巡检设备采集与上述目标电力设备连接的各个线路的线路图像，得到线路图像集。其中，上述线路图像集中的线路图像可以为与上述目标电力设备连接的线路的图像。
第三步，控制上述巡检设备对上述目标电力设备中的各个目标部件进行温度检测，得到设备温度检测信息集。其中，上述各个目标部件中的目标部件可以为部件的温度变化影响目标电力设备运行的部件。例如，当目标电力设备为变压器时，目标部件可以为铁芯、也可以为绕组。上述设备温度检测信息集对应上述各个目标部件。上述设备温度检测信息集中的设备温度检测信息与上述各个目标部件中的目标部件可以一一对应。上述设备温度检测信息集中的设备温度检测信息可以为对应目标部件的温度的信息。上述设备温度检测信息集中的设备温度检测信息可以包括但不限于：部件标识、部件温度值。上述部件标识可以为目标部件的唯一标识。上述部件温度值可以为对应目标部件的温度值。
第四步，控制上述巡检设备对上述各个线路进行温度检测，得到线路温度检测信息集。其中，上述线路温度检测信息集与上述各个线路对应。上述线路温度检测信息集中的线路温度检测信息与上述各个线路中的线路一一对应。上述线路温度检测信息集中的线路温度检测信息可以表征对应线路的温度。上述线路温度检测信息集中的线路温度检测信息可以包括但不限于：线路标识、线路温度值。上述线路标识可以为对应线路的唯一标识。上述线路温度值可以为对应线路的温度值。
第五步，将上述设备图像、上述线路图像集、上述设备温度检测信息集、上述线路温度检测信息集和对应上述目标电力设备的设备标识确定为设备巡检信息。实践中，上述执行主体可以将上述设备图像、上述线路图像集、上述设备温度检测信息集、上述线路温度检测信息集和对应上述目标电力设备的设备标识组合为设备巡检信息。上述组合方式可以为字符拼接。
步骤202，对设备巡检信息进行故障检测处理，得到设备故障信息。
在一些实施例中，上述执行主体可以对设备巡检信息进行故障检测处理，得到设备故障信息。其中，设备故障信息可以表征电力设备是否发生故障。上述设备故障信息可以包括但不限于故障类型。上述故障类型可以为以下中的一项：无故障、线路中断、目标部件温度过高。上述无故障表征目标电力设备不存在故障。上述目标部件温度过高表征目标部件的温度值高于预设温度值。上述预设温度值可以为预先设定的温度值。实践中，上述执行主体可以通过预设故障检测算法，对上述设备巡检信息包括的电力设备图像进行故障检测处理，得到设备故障信息。其中，上述预设故障检测算法可以为但不限于以下中的一项：支持向量机算法、卷积神经网络算法。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤对上述设备巡检信息进行故障检测处理，得到设备故障信息：
第一步，将上述设备巡检信息输入预设故障信息生成模型，得到故障信息。其中，上述预设故障信息生成模型可以为以设备巡检信息为输入，以故障信息为输出的分类模型。上述预设故障信息生成模型可以包括输入层、第一故障分类模型、第二故障分类模型、第三故障分类模型、第四故障分类模型和输出层。上述输入层可以用于对上述设备巡检信息进行特征提取。第一故障分类模型、第二故障分类模型、第三故障分类模型和第四故障分类模型可以为用于生成故障类型的不同的分类模型。上述第一故障分类模型可以为根据第一样本集训练得到的分类模型。上述第一样本集中的第一样本包括样本设备图像和样本故障类型。上述第二故障分类模型可以为根据第二样本集训练得到的分类模型。上述第二样本集中的第二样本包括样本线路图像集和样本故障类型。上述第三故障分类模型可以为根据第三样本集训练得到的分类模型。上述第三样本集中的第三样本包括样本设备温度检测信息集和样本故障类型。上述第四故障分类模型可以为根据第四样本集训练得到的分类模型。上述第四样本集中的第四样本包括样本线路温度检测信息集和样本故障类型。上述输出层可以用于根据第一故障分类模型、第二故障分类模型、第三故障分类模型和第四故障分类模型生成的各个故障类型输出故障信息。实践中，上述输出层可以将各个故障类型输入故障判别模型，输出故障信息。其中，上述故障判别模型是以各个故障类型为输入，以故障信息为输出的神经网络。上述输入层分别与上述第一故障分类模型、第二故障分类模型、第三故障分类模型、第四故障分类模型连接。上述第一故障分类模型、第二故障分类模型、第三故障分类模型、第四故障分类模型与上述输出层连接。
第二步，将上述故障信息发送至目标终端以供目标用户确认。其中，上述目标终端可以为负责目标电力设备的工作人员对应的终端。上述目标用户可以为负责目标电力设备的工作人员。
第三步，响应于接收到对应上述故障信息的故障反馈信息，根据上述故障反馈信息，生成设备故障信息。其中，上述故障反馈信息可以为表征故障信息是否有误的信息。例如，上述故障反馈信息可以为“已确认，故障信息无误”，也可以为“已确认，故障信息不存在”。实践中，上述执行主体可以响应于接收到对应上述故障信息的故障反馈信息，且确定上述故障反馈信息满足预设反馈条件，将上述故障信息确定为设备故障信息。其中，上述预设反馈条件可以为故障反馈信息表征故障信息无误。响应于确定上述故障反馈信息未满足上述预设反馈条件，将预设故障类型确定为设备故障信息。上述预设故障类型可以为预先设定的表征电力设备无故障的类型。例如，上述预设故障类型可以为“无故障”。
上述技术方案及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题三“仅通过电力设备图像判断故障类型，准确率较低，从而进一步导致产生二次维修的次数较多，浪费维修资源”。导致产生二次维修的次数较多，浪费维修资源的因素往往如下：仅通过电力设备图像判断故障类型，准确率较低，从而进一步导致产生二次维修的次数较多，浪费维修资源。如果解决了上述因素，就能达到减少二次维修的次数，节省维修资源的效果。为了达到这一效果，本公开的一些实施例的电力设别维修方法，首先，将上述设备巡检信息输入预设故障信息生成模型，得到故障信息。其中，上述预设故障信息生成模型包括输入层、第一故障分类模型、第二故障分类模型、第三故障分类模型、第四故障分类模型和输出层。由此，可以通过不同的故障分类模型综合输出故障信息，从而可以提高预设故障信息生成模型输出的故障信息的准确率。其次，将上述故障信息发送至目标终端以供目标用户确认。由此，可以通过工作人员二次确认故障信息，从而进一步提高故障信息的准确率。最后，响应于接收到对应上述故障信息的故障反馈信息，根据上述故障反馈信息，生成设备故障信息。由此，可以根据工作人员的确认结果得到设备故障信息，从而可以提高设备故障信息的准确率。也因为在生成设备故障信息时，对于设备巡检信息包括的多维度数据，采用不同的故障分类模型进行判断故障信息，并经过工作人员二次确认之后得到设备故障信息，从而提高了设备故障信息的准确率，由此可以减少次维修的次数，节省维修资源。
步骤203，响应于确定设备故障信息满足预设故障条件，对设备故障信息进行分词处理，得到故障关键词集合。
在一些实施例中，上述执行主体可以响应于确定上述设备故障信息满足预设故障条件，对上述设备故障信息进行分词处理，得到故障关键词集合。其中，上述预设故障条件可以为上述设备故障信息表征电力设备存在故障。实践中，上述执行主体可以响应于确定设备故障信息满足预设故障条件，通过预设分词算法对设备故障信息进行分词处理，得到故障关键词集合。其中，上述预设分词算法可以为但不限于以下中的一项：基于CRF（条件随机场，Conditional Random Field）的分词方法、基于词表的中文分词算法。
作为示例，当上述设备故障信息为“变压器的铁芯温度过高”，上述故障关键词集合可以为{“变压器”；“铁芯”；“温度”；“过高”}。
步骤204，将预设关键词和故障关键词集合中的各个故障关键词确定为查询关键词集合。
在一些实施例中，上述执行主体可以将预设关键词和上述故障关键词集合中的各个故障关键词确定为查询关键词集合。其中，上述预设关键词可以为预先设定的表征处理方法的关键词。例如，上述预设关键词可以为“处理方法”，也可以为“维修方案”。实践中，上述执行主体可以将预设关键词和故障关键词集合中的各个故障关键词组合为查询关键词集合。
步骤205，根据查询关键词集合和预先生成的设备维修知识图谱，生成设备维修信息。
在一些实施例中，上述执行主体可以根据上述查询关键词集合和预先生成的设备维修知识图谱，生成设备维修信息。其中，上述设备维修知识图谱可以为用于查询电力设备的维修方案的知识图谱。上述设备维修知识图谱是基于电力文本识别模型预先生成的。上述电力文本识别模型可以为通过图1对应的那些实施例中的步骤101-102得到的电力文本识别模型。实践中，上述执行主体可以上述通过各种方式根据查询关键词集合和预先生成的设备维修知识图谱，生成设备维修信息。
可选地，上述设备维修知识图谱可以包括但不限于各个实体标识。上述各个实体标识中的实体标识可以为实体的唯一标识。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤根据查询关键词集合和预先生成的设备维修知识图谱，生成设备维修信息：
第一步，对于上述查询关键词集合中的每个查询关键词，执行以下子步骤：
第一子步骤，将上述查询关键词与上述设备维修知识图谱包括的各个实体标识进行象形匹配处理，得到象形匹配信息。其中，上述象形匹配信息可以包括象形相似度集合。实践中，首先，上述执行主体可以通过预设象形词向量算法对上述查询关键词和上述设备维修知识图谱包括的各个实体标识分别进行词向量转化处理，得到第一查询关键词向量和第一实体标识向量集合。其中，上述预设象形词向量算法可以为预先设定的基于笔画的词向量算法。例如，上述预设象形词向量算法可以为cw2vec算法。其次，对于上述第一实体标识向量集合中的每个第一实体标识向量，将上述第一查询关键词向量与上述第一实体标识向量的余弦相似度确定为象形相似度。最后，将所确定的各个象形相似度确定为象形相似度集合作为象形匹配信息。
第二子步骤，将上述查询关键词与上述设备维修知识图谱包括的各个实体标识进行语义匹配处理，得到语义匹配信息。其中，上述语义匹配信息可以包括语义相似度集合。实践中，首先，上述执行主体可以通过预设语义词向量算法对上述查询关键词和上述设备维修知识图谱包括的各个实体标识分别进行词向量转化处理，得到第二查询关键词向量和第二实体标识向量集合。其中，上述预设语义词向量算法可以为预先设定的基于语义的词向量算法。例如，上述预设语义词向量算法可以为Roberta模型算法。其次，对于上述第二实体标识向量集合中的每个第二实体标识向量，将上述第二查询关键词向量与上述第二实体标识向量的余弦相似度确定为语义相似度。最后，将所确定的各个语义相似度确定为语义相似度集合作为语义匹配信息。
第三子步骤，对于上述各个实体标识包括的每个实体标识，执行以下确定步骤：
第一确定步骤，将上述象形相似度集合中对应上述实体标识的象形相似度确定为目标相似度。
第二确定步骤，将上述语义相似度集合中对应上述实体标识的语义相似度确定为目标语义相似度。
第三确定步骤，将上述目标相似度与上述语义相似度的和确定为实体相似度。
第四子步骤，从所得到的各个实体相似度中选择满足预设相似度条件的实体相似度作为目标实体相似度。
第五子步骤，将对应上述目标实体相似度的实体标识确定为匹配实体标识。
第二步，根据所得到的各个匹配实体标识和上述设备维修知识图谱，生成设备维修信息。实践中，上述执行主体可以从预先生成的设备维修知识图谱中查找各个匹配实体标识，得到设备维修信息。
上述技术方案及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题四“在对实体标识进行匹配时，仅采用通过语义特征提取的方式提取词向量特征，对于单个汉字特征匹配的准确度较低，导致实体标识匹配的准确度较低，从而造成通过实体标识匹配的维修方案与故障类型的适配性较低，进一步导致产生二次维修的次数较多，浪费维修资源”。导致产生二次维修的次数较多，浪费维修资源的因素往往如下：在对实体标识进行匹配时，仅采用通过语义特征提取的方式提取词向量特征，对于单个汉字特征匹配的准确度较低，导致实体标识匹配的准确度较低，从而造成通过实体标识匹配的维修方案与故障类型的适配性较低，进一步导致产生二次维修的次数较多，浪费维修资源。如果解决了上述因素，就能达到减少二次维修的次数，节省维修资源的效果。为了达到这一效果，本公开的一些实施例的电力设备维修方法，首先，对于上述查询关键词集合中的每个查询关键词，执行以下步骤：将上述查询关键词与上述设备维修知识图谱包括的各个实体标识进行象形匹配处理，得到象形匹配信息。其中，上述象形匹配信息包括象形相似度集合。将上述查询关键词与上述设备维修知识图谱包括的各个实体标识进行语义匹配处理，得到语义匹配信息。其中，上述语义匹配信息包括语义相似度集合。对于上述各个实体标识包括的每个实体标识，执行以下步骤：将上述象形相似度集合中对应上述实体标识的象形相似度确定为目标相似度。将上述语义相似度集合中对应上述实体标识的语义相似度确定为目标语义相似度。将上述目标相似度与上述语义相似度的和确定为实体相似度。从所得到的各个实体相似度中选择满足预设相似度条件的实体相似度作为目标实体相似度。将对应上述目标实体相似度的实体标识确定为匹配实体标识。由此，可以从语义特征和象形特征两个纬度匹配实体标识，从而可以提高匹配的准确度。然后，根据所得到的各个匹配实体标识和预先生成的设备维修知识图谱，生成设备维修信息。由此，可以通过查询设备维修知识图谱中的匹配实体标识，得到设备维修信息，从而可以提高设备维修信息与故障信息的适配性。也因为在查询设备维修信息时，通过从语义特征和象形特征两个纬度匹配实体标识，从而提高了设备维修信息与故障信息的适配性，由此，可以减少二次维修的次数，节省维修资源。
可选地，上述设备维修知识图谱是通过以下步骤预先生成的：
第一步，获取样本设备文本信息集。其中，上述样本设备文本信息集中的样本设备文本信息对应有设备信息类型。上述设备信息类型可以为但不限于以下中的一项：维修手册、故障处理案例。上述故障处理案例可以为记录的历史时间段内处理的对应各个电力设备的各个故障类型的维修信息。上述样本设备文本信息集中的样本设备文本信息可以表征对应设备信息类型的文本。实践中，上述执行主体可以通过有线连接或者无线连接的方式，从对应各个设备信息类型的各个数据库中获取样本设备文本信息集。
第二步，对于上述样本设备文本信息集中的每个样本设备文本信息，将上述样本设备文本信息输入上述电力文本识别模型，得到设备实体标注信息。其中，上述设备实体标注信息包括各个设备实体标识。上述各个设备实体标识中的设备实体标识可以为对对应电力设备的实体的标识。例如，上述设备实体标识可以为“变压器”，也可以为“铁芯”，还可以为“温度”。
作为示例，当样本设备文本信息为“变压器铁芯的温度过高的处理方法为拔掉插头”，则设备实体标注信息为“{“变压器”；“铁芯”；“温度过高”；“处理方法”；“拔掉插头”}”。
第三步，对于所得到的每个设备实体标注信息，对上述设备实体标注信息进行实体关系抽取处理，得到至少一个三元组信息。其中，上述至少一个三元组信息包括中的三元组信息两个实体标识和对应两个实体标识的实体关系。实践中，对于所得到的每个设备实体标注信息，上述执行主体可以通过各种方式对上述设备实体标注信息进行实体关系抽取处理，得到至少一个三元组信息。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下子步骤对上述设备实体标注信息进行实体关系抽取处理，得到至少一个三元组信息：
第一子步骤，对上述设备实体标注信息包括的各个设备实体标识进行词向量处理，得到设备实体向量集。实践中，上述执行主体可以根据预设词向量转化算法对上述设备实体标注信息包括的各个设备实体标识进行词向量处理，得到设备实体向量集。其中，上述预设词向量转化算法可以为但不限于word2vec、BERT（Bidirectional EncoderRepresentation from Transformers，双向转换编码器）模型。
第二子步骤，对上述设备实体向量集中的各个设备实体向量进行特征提取处理，得到特征向量集。实践中，上述执行主体可以根据双向长短期记忆网络对上述设备实体向量集中的各个设备实体向量进行特征提取处理，得到特征向量集。
第三子步骤，根据上述特征向量集，生成至少一个三元组信息。实践中，上述执行主体可以将上述特征向量集输入预设分类模型，得到至少一个三元组信息。其中，上述预设分类模型可以为以特征向量集为输入，以三元组信息为输出的判别模型。例如，上述预设分类模型可以为条件随机场模型。
作为示例，当设备实体标注信息为“{“变压器”；“铁芯”；“温度过高”；“处理方法”；“拔掉插头”}”，则至少一个三元组信息为“{变压器，铁芯，温度过高；铁芯，温度过高，处理方法；温度过高，处理方法，拔掉插头；}”
第四步，根据所得到的各个三元组信息构建设备维修知识图谱。实践中，上述执行主体可以将所得到的各个三元组信息存储至目标图数据库以构建设备维修知识图谱。其中，上述目标图数据库可以为用于构建知识图谱的图数据库。例如，上述目标图数据库可以为Neo4j图数据库。
可选地，上述执行主体还可以在获取样本设备文本信息集之后，对于上述样本设备文本信息集中的每个样本设备文本信息，执行以下子步骤：
第一子步骤，删除上述样本设备文本信息包括的各个停用词，得到删除后的样本设备文本信息作为第一文本信息。
第二子步骤，对上述第一文本信息包括的各个缩写词进行还原处理，得到第二文本信息。实践中，首先，上述执行主体可以将上述第一文本信息包括的各个缩写词确定为目标缩写词组。然后，对于目标缩写词组包括的每个目标缩写词，通过正则匹配法，将上述目标缩写词转换为对应上述目标缩写词的预设中文全称，得到第二文本信息。其中，上述预设中文全称可以为预先设定的对应缩写词的中文全称。
第三子步骤，对上述第二文本信息进行数字单位规范化处理，得到第三文本信息。实践中，对于上述第二文本信息包括的每个数字单位，上述执行主体可以通过正则匹配法，将上述数字单位转化为对应上述数字单位的预设物理单位，得到第三文本信息。其中，上述数字单位可以为数字对应的物理单位。例如，上述数字单位可以为“安培”，也可以为“伏”。上述预设物理单位可以为预先设定的统一的物理单位。
第四子步骤，对上述第三文本信息进行无用字符处理，得到第三文本信息作为样本设备文本信息，以对样本设备文本信息进行更新。实践中，上述执行主体可以通过正则匹配法，从上述第三文本信息中选择至少一个无用字符。然后，删除上述第三文本信息中的至少一个无用字符，得到第三文本信息作为样本设备文本信息，以对样本设备文本信息进行更新。
步骤206，根据设备维修信息，控制相关联的维修设备对目标电力设备执行设备维修操作。
在一些实施例中，上述执行主体可以根据上述设备维修信息，控制相关联的维修设备对上述目标电力设备执行设备维修操作。实践中，上述维修设备可以为能够自动维修电力设备的设备。例如，上述维修设备可以为检修机器人。上述设备维修操作可以为对目标电力设备进行维修的操作。实践中，上述执行主体可以控制相关联的维修设备按照上述设备维修信息，对目标电力设备执行设备维修操作。
作为示例，目标电力设备可以为“变压器”，上述设备维修信息为“拔掉插头”，上述维修设备为检修机器人，则上述执行主体可以控制检修机器人将变压器铁芯的接地插头拔掉。
可选地，上述执行主体还可以执行以下步骤：
第一步，将对应上述巡检设备的巡检设备标识和对应上述设备维修操作的维修时间信息确定为维修操作信息。其中，上述巡检设备标识可以为巡检设备的唯一标识。上述维修时间信息可以表征维修的时间段。上述维修时间信息可以包括但不限于维修开始时间、维修结束时间。上述维修开始时间的可以为上述设备维修操作开始的时间。上述维修结束时间可以为上述设备维修操作结束的时间。实践中，上述执行主体可以将对应上述巡检设备的巡检设备标识和对应上述设备维修操作的维修时间信息组合为维修操作信息。
第二步，将上述设备故障信息、上述设备维修信息和上述维修操作信息确定为维修记录信息。实践中，上述执行主体可以将上述设备故障信息、上述设备维修信息和上述维修操作信息组合为维修记录信息。
第三步，将上述维修记录信息存储至维修记录信息数据库。其中，上述维修记录信息数据库可以为用于存储维修记录信息的数据库。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的电力设备维修方法可以提高电力设备运行时的安全性。具体来说，造成电力设备在维修之后运行时的安全性较低的原因在于：实体识别结果的准确性较低，导致根据实体识别结果确定的维修方案的准确性较低，从而造成电力设备在维修之后运行时的安全性较低。基于此，本公开的一些实施例的电力设备维修方法，首先，获取目标电力设备的设备巡检信息。由此，可以得到电力设备的运行状况，从而可以用于判断电力设别是否发生故障。其次，对上述设备巡检信息进行故障检测处理，得到设备故障信息。由此，可以得知电力设备是否发生故障。然后，响应于确定上述设备故障信息满足预设故障条件，对上述设备故障信息进行分词处理，得到故障关键词集合。由此，当电力设备发生故障时，可以得到表征故障的关键词集合，从而可以用于查询维修方案。之后，将预设关键词和上述故障关键词集合中的各个故障关键词确定为查询关键词集合。由此，可以得到用于查询维修方案的各个关键词，从而可以用于查询维修方案。接着，根据上述查询关键词集合和预先生成的设备维修知识图谱，生成设备维修信息。其中，上述设备维修知识图谱是基于电力文本识别模型预先生成的。上述电力文本识别模型可以为通过图1对应的那些实施例中的步骤101-102得到的电力文本识别模型。由此，可以通过基于电力文本识别模型的生成的设备维修知识图谱确定适合本次故障的维修方案，从而可以提高维修方案的准确性。最后，根据上述设备维修信息，控制相关联的维修设备对上述目标电力设备执行设备维修操作。由此，可以根据上述设备维修信息，维修发生故障的电力设备，从而可以提高解决电力设备故障的准确性。也因为在对发生故障的电力设备进行维修时，通过基于电力文本识别模型的生成的设备维修知识图谱确定适合本次故障的维修方案，从而提高了维修方案的准确性，由此，可以提高电力设备运行时的安全性。
进一步参考图3，作为对图1所示方法的实现，本公开提供了一种电力文本识别模型构建装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3示，一些实施例的电力文本识别模型构建装置300包括：获取单元301、执行单元302。其中，获取单元301被配置成获取样本集，其中，上述样本集中的样本包括样本电力文本信息和样本实体标注信息；执行单元302被配置成基于上述样本集执行以下训练步骤：将上述样本集中的至少一个样本分别输入至初始电力文本识别模型的输入层，得到上述至少一个样本中的每个样本对应的词向量集；将上述至少一个样本中的每个样本对应的词向量集分别输入至初始电力文本识别模型包括的第一特征提取模型和第二特征提取模型，得到上述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集；将上述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集输入至初始电力文本识别模型的输出层，得到上述至少一个样本中的每个样本对应的实体标注信息；将上述至少一个样本中的每个样本对应的实体标注信息与样本实体标注信息进行比较；根据比较结果确定初始电力文本识别模型是否达到预设的优化目标；响应于确定初始电力文本识别模型达到上述优化目标，将初始电力文本识别模型确定为训练完成的电力文本识别模型。
可以理解的是，电力文本识别模型构建装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述
进一步参考图4，作为对图2所示方法的实现，本公开提供了一种电力设备维修装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的电力设备维修装置400包括：获取单元401、检测单元402、分词单元403、确定单元404、生成单元405和控制单元406。其中，获取单元401被配置成获取目标电力设备的设备巡检信息；检测单元402被配置成对上述设备巡检信息进行故障检测处理，得到设备故障信息；分词单元403被配置成响应于确定上述设备故障信息满足预设故障条件，对上述设备故障信息进行分词处理，得到故障关键词集合；确定单元404被配置成将预设关键词和上述故障关键词集合中的各个故障关键词确定为查询关键词集合；生成单元405被配置成根据上述查询关键词集合和预先生成的设备维修知识图谱，生成设备维修信息，其中，上述设备维修知识图谱是基于电力文本识别模型预先生成的；控制单元406被配置成根据上述设备维修信息，控制相关联的维修设备对上述目标电力设备执行设备维修操作。
可以理解的是，电力设备维修装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置（例如中央处理器、图形处理器等）501，其可以根据存储在只读存储器（ROM）502中的程序或者从存储装置508加载到随机访问存储器（RAM）503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和表格数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换表格数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的表格数据信号，其中承载了计算机可读的程序代码。这种传播的表格数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字表格数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取样本集，其中，上述样本集中的样本包括样本电力文本信息和样本实体标注信息；基于上述样本集执行以下训练步骤：将上述样本集中的至少一个样本分别输入至初始电力文本识别模型的输入层，得到上述至少一个样本中的每个样本对应的词向量集；将上述至少一个样本中的每个样本对应的词向量集分别输入至初始电力文本识别模型包括的第一特征提取模型和第二特征提取模型，得到上述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集；将上述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集输入至初始电力文本识别模型的输出层，得到上述至少一个样本中的每个样本对应的实体标注信息；将上述至少一个样本中的每个样本对应的实体标注信息与样本实体标注信息进行比较；根据比较结果确定初始电力文本识别模型是否达到预设的优化目标；响应于确定初始电力文本识别模型达到上述优化目标，将初始电力文本识别模型确定为训练完成的电力文本识别模型。或获取目标电力设备的设备巡检信息；对上述设备巡检信息进行故障检测处理，得到设备故障信息；响应于确定上述设备故障信息满足预设故障条件，对上述设备故障信息进行分词处理，得到故障关键词集合；将预设关键词和上述故障关键词集合中的各个故障关键词确定为查询关键词集合；根据上述查询关键词集合和预先生成的设备维修知识图谱，生成设备维修信息，其中，上述设备维修知识图谱是基于电力文本识别模型预先生成的；根据上述设备维修信息，控制相关联的维修设备对上述目标电力设备执行设备维修操作。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元和执行单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取样本集单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (6)

1.一种电力设备维修方法，包括：
获取目标电力设备的设备巡检信息，其中，所述设备巡检信息包括电力设备图像、电力设备标识；
对所述设备巡检信息进行故障检测处理，得到设备故障信息，其中，所述设备故障信息包括故障类型；
响应于确定所述设备故障信息满足预设故障条件，对所述设备故障信息进行分词处理，得到故障关键词集合；
将预设关键词和所述故障关键词集合中的各个故障关键词确定为查询关键词集合；
根据所述查询关键词集合和预先生成的设备维修知识图谱，生成设备维修信息，其中，所述设备维修知识图谱是通过以下步骤基于电力文本识别模型预先生成的：
获取样本设备文本信息集，其中，所述样本设备文本信息集中的样本设备文本信息对应有设备信息类型；
对于所述样本设备文本信息集中的每个样本设备文本信息，将所述样本设备文本信息输入所述电力文本识别模型，得到设备实体标注信息，其中，所述设备实体标注信息包括各个设备实体标识，所述各个设备实体标识中的设备实体标识为对应电力设备的实体的标识；
对于所得到的每个设备实体标注信息，对所述设备实体标注信息进行实体关系抽取处理，得到至少一个三元组信息，其中，所述至少一个三元组信息中的三元组信息包括两个实体标识和对应两个实体标识的实体关系；
根据所得到的各个三元组信息构建设备维修知识图谱；
所述电力文本识别模型是通过以下步骤构建的：
获取样本集，其中，所述样本集中的样本包括样本电力文本信息和样本实体标注信息；
基于所述样本集执行以下训练步骤：
将所述样本集中的至少一个样本分别输入至初始电力文本识别模型的输入层，得到所述至少一个样本中的每个样本对应的词向量集；
将所述至少一个样本中的每个样本对应的词向量集分别输入至初始电力文本识别模型包括的第一特征提取模型和第二特征提取模型，得到所述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集；
将所述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集输入至初始电力文本识别模型的输出层，得到所述至少一个样本中的每个样本对应的实体标注信息；
将所述至少一个样本中的每个样本对应的实体标注信息与样本实体标注信息进行比较；
根据比较结果确定初始电力文本识别模型是否达到预设的优化目标；
响应于确定初始电力文本识别模型达到所述优化目标，将初始电力文本识别模型确定为训练完成的电力文本识别模型；
响应于确定初始电力文本识别模型未达到所述优化目标，调整初始电力文本识别模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始电力文本识别模型作为初始电力文本识别模型，再次执行所述训练步骤；
所述根据查询关键词集合和预先生成的设备维修知识图谱，生成设备维修信息，包括：
对于所述查询关键词集合中的每个查询关键词，执行以下步骤：
将所述查询关键词与所述设备维修知识图谱包括的各个实体标识进行象形匹配处理，得到象形匹配信息，其中，所述象形匹配信息包括象形相似度集合；
将所述查询关键词与所述设备维修知识图谱包括的各个实体标识进行语义匹配处理，得到语义匹配信息，其中，所述语义匹配信息包括语义相似度集合；
对于所述各个实体标识包括的每个实体标识，执行以下确定步骤：
将所述象形相似度集合中对应所述实体标识的象形相似度确定为目标相似度；
将所述语义相似度集合中对应所述实体标识的语义相似度确定为目标语义相似度；
将所述目标相似度与所述语义相似度的和确定为实体相似度；
从所得到的各个实体相似度中选择满足预设相似度条件的实体相似度作为目标实体相似度；
将对应所述目标实体相似度的实体标识确定为匹配实体标识；
根据所得到的各个匹配实体标识和所述设备维修知识图谱，生成设备维修信息；
根据所述设备维修信息，控制相关联的维修设备对所述目标电力设备执行设备维修操作。
2.根据权利要求1所述的方法，其中，所述对所述设备实体标注信息进行实体关系抽取处理，得到至少一个三元组信息，包括：
对所述设备实体标注信息包括的各个设备实体标识进行词向量处理，得到设备实体向量集；
对所述设备实体向量集中的各个设备实体向量进行特征提取处理，得到特征向量集；
根据所述特征向量集，生成至少一个三元组信息。
3.根据权利要求1所述的方法，其中，在所述获取样本设备文本信息集之后，所述方法还包括：
对于所述样本设备文本信息集中的每个样本设备文本信息，执行以下步骤：
删除所述样本设备文本信息包括的各个停用词，得到删除后的样本设备文本信息作为第一文本信息；
对所述第一文本信息包括的各个缩写词进行还原处理，得到第二文本信息；
对所述第二文本信息进行数字单位规范化处理，得到第三文本信息；
对所述第三文本信息进行无用字符处理，得到第三文本信息作为样本设备文本信息，以对样本设备文本信息进行更新。
4.一种电力设备维修装置，包括：
获取单元，被配置成获取目标电力设备的设备巡检信息，其中，所述设备巡检信息包括电力设备图像、电力设备标识；
检测单元，被配置成对所述设备巡检信息进行故障检测处理，得到设备故障信息，其中，所述设备故障信息包括故障类型；
分词单元，被配置成响应于确定所述设备故障信息满足预设故障条件，对所述设备故障信息进行分词处理，得到故障关键词集合；
确定单元，被配置成将预设关键词和所述故障关键词集合中的各个故障关键词确定为查询关键词集合；
生成单元，被配置成根据所述查询关键词集合和预先生成的设备维修知识图谱，生成设备维修信息，其中，所述设备维修知识图谱是通过以下步骤基于电力文本识别模型预先生成的：
获取样本设备文本信息集，其中，所述样本设备文本信息集中的样本设备文本信息对应有设备信息类型；
对于所述样本设备文本信息集中的每个样本设备文本信息，将所述样本设备文本信息输入所述电力文本识别模型，得到设备实体标注信息，其中，所述设备实体标注信息包括各个设备实体标识，所述各个设备实体标识中的设备实体标识为对应电力设备的实体的标识；
对于所得到的每个设备实体标注信息，对所述设备实体标注信息进行实体关系抽取处理，得到至少一个三元组信息，其中，所述至少一个三元组信息中的三元组信息包括两个实体标识和对应两个实体标识的实体关系；
根据所得到的各个三元组信息构建设备维修知识图谱；
所述电力文本识别模型是通过以下步骤构建的：
获取样本集，其中，所述样本集中的样本包括样本电力文本信息和样本实体标注信息；
基于所述样本集执行以下训练步骤：
将所述样本集中的至少一个样本分别输入至初始电力文本识别模型的输入层，得到所述至少一个样本中的每个样本对应的词向量集；
将所述至少一个样本中的每个样本对应的词向量集分别输入至初始电力文本识别模型包括的第一特征提取模型和第二特征提取模型，得到所述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集；
将所述至少一个样本中的每个样本对应的第一特征向量集和第二特征向量集输入至初始电力文本识别模型的输出层，得到所述至少一个样本中的每个样本对应的实体标注信息；
将所述至少一个样本中的每个样本对应的实体标注信息与样本实体标注信息进行比较；
根据比较结果确定初始电力文本识别模型是否达到预设的优化目标；
响应于确定初始电力文本识别模型达到所述优化目标，将初始电力文本识别模型确定为训练完成的电力文本识别模型；
响应于确定初始电力文本识别模型未达到所述优化目标，调整初始电力文本识别模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始电力文本识别模型作为初始电力文本识别模型，再次执行所述训练步骤；
所述根据查询关键词集合和预先生成的设备维修知识图谱，生成设备维修信息，包括：
对于所述查询关键词集合中的每个查询关键词，执行以下步骤：
将所述查询关键词与所述设备维修知识图谱包括的各个实体标识进行象形匹配处理，得到象形匹配信息，其中，所述象形匹配信息包括象形相似度集合；
将所述查询关键词与所述设备维修知识图谱包括的各个实体标识进行语义匹配处理，得到语义匹配信息，其中，所述语义匹配信息包括语义相似度集合；
对于所述各个实体标识包括的每个实体标识，执行以下确定步骤：
将所述象形相似度集合中对应所述实体标识的象形相似度确定为目标相似度；
将所述语义相似度集合中对应所述实体标识的语义相似度确定为目标语义相似度；
将所述目标相似度与所述语义相似度的和确定为实体相似度；
从所得到的各个实体相似度中选择满足预设相似度条件的实体相似度作为目标实体相似度；
将对应所述目标实体相似度的实体标识确定为匹配实体标识；
根据所得到的各个匹配实体标识和所述设备维修知识图谱，生成设备维修信息；
控制单元，被配置成根据所述设备维修信息，控制相关联的维修设备对所述目标电力设备执行设备维修操作。
5.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
6.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-3中任一所述的方法。
CN202310827234.2A 2023-07-07 2023-07-07 电力文本识别模型构建方法、电力设备维修方法和装置 Active CN116561588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310827234.2A CN116561588B (zh) 2023-07-07 2023-07-07 电力文本识别模型构建方法、电力设备维修方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310827234.2A CN116561588B (zh) 2023-07-07 2023-07-07 电力文本识别模型构建方法、电力设备维修方法和装置

Publications (2)

Publication Number Publication Date
CN116561588A CN116561588A (zh) 2023-08-08
CN116561588B true CN116561588B (zh) 2023-10-20

Family

ID=87488305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310827234.2A Active CN116561588B (zh) 2023-07-07 2023-07-07 电力文本识别模型构建方法、电力设备维修方法和装置

Country Status (1)

Country Link
CN (1) CN116561588B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195860B (zh) * 2023-11-07 2024-03-26 品茗科技股份有限公司 智能巡检方法、系统、电子设备和计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020232861A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 命名实体识别方法、电子装置及存储介质
CN112699681A (zh) * 2020-12-17 2021-04-23 国网冀北电力有限公司信息通信分公司 基于知识图谱的电力通信系统缺陷故障派单方法及装置
CN112733541A (zh) * 2021-01-06 2021-04-30 重庆邮电大学 基于注意力机制的BERT-BiGRU-IDCNN-CRF的命名实体识别方法
CN113283704A (zh) * 2021-04-23 2021-08-20 内蒙古电力（集团）有限责任公司乌兰察布电业局 基于知识图谱的电网故障智能处置系统及方法
CN114118088A (zh) * 2021-10-25 2022-03-01 首都师范大学 基于超图卷积神经网络的文档级实体关系抽取方法及装置
CN114817562A (zh) * 2022-04-26 2022-07-29 马上消费金融股份有限公司 知识图谱的构建方法、训练方法、信息推荐方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020232861A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 命名实体识别方法、电子装置及存储介质
CN112699681A (zh) * 2020-12-17 2021-04-23 国网冀北电力有限公司信息通信分公司 基于知识图谱的电力通信系统缺陷故障派单方法及装置
CN112733541A (zh) * 2021-01-06 2021-04-30 重庆邮电大学 基于注意力机制的BERT-BiGRU-IDCNN-CRF的命名实体识别方法
CN113283704A (zh) * 2021-04-23 2021-08-20 内蒙古电力（集团）有限责任公司乌兰察布电业局 基于知识图谱的电网故障智能处置系统及方法
CN114118088A (zh) * 2021-10-25 2022-03-01 首都师范大学 基于超图卷积神经网络的文档级实体关系抽取方法及装置
CN114817562A (zh) * 2022-04-26 2022-07-29 马上消费金融股份有限公司 知识图谱的构建方法、训练方法、信息推荐方法及装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Cw2vec: Learning Chinese Word Embeddings with Stroke n-gram Information;Shaosheng Cao 等;《Thirty-Second AAAI Conference on Artificial Intelligence》;第32卷(第1期);第1-9页 *
Improving Chinese Character Representation with Formation Graph Attention Network;Xiaosu Wang 等;《Proceedings of the 30th ACM International Conference on Information & Knowledge Management》;第1999–2009页 *
Learning Chinese Word Embeddings By Discovering Inherent Semantic Relevance in Sub-characters;Wei Lu 等;《Proceedings of the 31st ACM International Conference on Information & Knowledge Management》;第1369–1378页 *
基于关联图和文本相似度的实体消歧技术研究;王章辉 等;《计算机与数字工程》;第49卷(第12期);第2469-2475页 *
基于文本特征增强的电力命名实体识别;刘文松 等;《电力系统自动化》;第46卷(第21期);第134-142页 *
基于语义分析的文本相似性度量研究及应用;周萍;《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》(第4期);第I138-3614页 *
融合多特征的基于远程监督的中文领域实体关系抽;王斌 等;《模式识别与人工智能》;第32卷(第2期);第133-143页 *

Also Published As

Publication number Publication date
CN116561588A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN109543030B (zh) 客服机器人会话文本分类方法及装置、设备、存储介质
WO2020087974A1 (zh) 生成模型的方法和装置
CN109104620B (zh) 一种短视频推荐方法、装置和可读介质
US11392792B2 (en) Method and apparatus for generating vehicle damage information
WO2022116322A1 (zh) 异常检测模型生成方法和装置、异常事件检测方法和装置
CN116561588B (zh) 电力文本识别模型构建方法、电力设备维修方法和装置
CN111061881A (zh) 文本分类方法、设备及存储介质
CN110084317B (zh) 用于识别图像的方法和装置
EP4141786A1 (en) Defect detection method and apparatus, model training method and apparatus, and electronic device
CN109858045A (zh) 机器翻译方法和装置
CN109829164A (zh) 用于生成文本的方法和装置
CN115563528B (zh) 变压器维修设备控制方法、电子设备和介质
CN111383100A (zh) 基于风险模型的全生命周期管控方法和装置
CN116050496A (zh) 图片描述信息生成模型的确定方法及装置、介质、设备
CN115114448B (zh) 智能多模态融合用电检查方法、装置、系统、设备及介质
US20180253644A1 (en) Identifying electrical devices using artificial neural networks
CN113704058B (zh) 一种业务模型的监控方法、装置及电子设备
JP2019091012A (ja) 情報認識方法および装置
CN112581387B (zh) 一种配电室智能运维系统、装置及方法
CN111709784B (zh) 用于生成用户留存时间的方法、装置、设备和介质
US20200321026A1 (en) Method and apparatus for generating video
CN113742197B (zh) 模型管理装置、方法、数据管理装置、方法及系统
CN114501112B (zh) 用于生成视频笔记的方法、装置、设备、介质和产品
CN115905490B (zh) 人机交互对话方法、装置以及设备
CN117743555B (zh) 答复决策信息发送方法、装置、设备和计算机可读介质

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