CN116662563A - 技能培养知识图谱生成方法、装置、设备和介质 - Google Patents
技能培养知识图谱生成方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116662563A CN116662563A CN202310578160.3A CN202310578160A CN116662563A CN 116662563 A CN116662563 A CN 116662563A CN 202310578160 A CN202310578160 A CN 202310578160A CN 116662563 A CN116662563 A CN 116662563A
- Authority
- CN
- China
- Prior art keywords
- skill
- information
- point
- graph
- advanced
- 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 63
- 238000012549 training Methods 0.000 claims abstract description 117
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 238000012258 culturing Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
- G06N3/045—Combinations of 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种技能培养知识图谱生成方法、装置、设备和介质。其中,方法包括:获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系;根据各技能点间的关联关系和难度进阶关系生成多个初始技能图谱;根据各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱。本发明实施例的技术方案,解决了目前技能培养知识图谱不能直观展示培养对象技能掌握情况的问题,能够生成包含难度进阶信息的技能培养知识图谱,有助于了解培养对象的不同难易程度的技能掌握情况以及技能水平。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及技能培养知识图谱生成方法、装置、设备和介质。
背景技术
随着互联网技术的发展,技能培养知识图谱也逐渐在工作中进行使用。但是,现有的技能培养知识图谱仅呈现各技能点名称信息,图谱内容不全面,无法直接得到员工对技能的掌握情况。
发明内容
本发明提供了一种技能培养知识图谱生成方法、装置、设备和介质,能够生成包含难度进阶信息的技能培养知识图谱,有助于了解培养对象的不同难易程度的技能掌握情况以及技能水平。
根据本发明的一方面,提供了一种技能培养知识图谱生成方法,该方法包括:
获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系;
根据各技能点间的关联关系和难度进阶关系生成多个初始技能图谱;
根据各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱。
根据本发明的另一方面,提供了一种技能培养知识图谱生成装置,该装置包括:
技能点获取模块,用于获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系;
技能图谱生成模块,用于根据各技能点间的关联关系和难度进阶关系生成多个初始技能图谱;
目标图谱生成模块,用于根据各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱。
根据本发明的另一方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的技能培养知识图谱生成方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例的技能培养知识图谱生成方法。
本发明实施例的技术方案,通过获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系;根据各技能点间的关联关系和难度进阶关系生成多个初始技能图谱;根据各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱。本发明实施例的技术方案,解决了目前技能培养知识图谱不能直观展示培养对象技能掌握情况的问题,能够生成包含难度进阶信息的技能培养知识图谱,有助于了解培养对象的不同难易程度的技能掌握情况以及技能水平。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种技能培养知识图谱生成方法的流程图;
图2是本发明实施例提供的一种初始技能图谱的示意图;
图3是本发明实施例提供的另一种技能培养知识图谱生成方法的流程图;
图4是本发明实施例提供的又一种技能培养知识图谱生成方法的流程图;
图5是本发明实施例提供的一种具体的技能培养知识图谱生成方法的流程图;
图6是本发明实施例提供的一种岗位技能图谱的可视化效果图;
图7是本发明实施例提供的一种技能培养知识图谱生成装置的结构框图;
图8是本发明实施例提供的一种电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“目标”和“初始”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1是本发明实施例提供的一种技能培养知识图谱生成方法的流程图,本实施例可适用于技能培养知识图谱生成的场景中。该方法可以由技能培养知识图谱生成装置来执行,该技能培养知识图谱生成装置可以采用硬件和/或软件的形式实现,也可以配置于电子设备中。
如图1所示,技能培养知识图谱生成方法包括以下步骤:
S110、获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系。
技能点信息包括从企业培养方案、各个招聘岗位技能需求信息、已有的技能学习或培训平台等渠道获取的技能点信息的文本数据。
可以理解的是,存在关联关系的技能点是指两个或多个技能之间技能内容存在联系和照应,例如,可以是技能与前置技能的关系,在掌握技能A之前需要先掌握前置技能B;还可以在技能与前置技能的关系基础之上建立技能点之间的难度进阶关系,学习难度相对高的技能2之前,可以先学习难度相对低的技能1。
S120、根据各技能点间的关联关系和难度进阶关系生成多个初始技能图谱。
图谱是按类编制的图集。对应的,初始技能图谱用于按关联关系和难度进阶关系对技能点进行分类编制。
具体的,针对每个技能点,将与其存在关联关系的所有技能点连接在一起,并标记其中存在难度进阶关系的技能点和存在先后学习顺序的技能点,例如,可以将难度从低到高的存在关联关系的两个技能点串联起来,生成该技能点的技能进阶路径,作为对应的初始技能图谱;遍历所有技能点,生成与技能点对应的初始技能图谱,最终得到多个初始技能图谱。
S130、根据各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱。
直接关联技能点集合信息用于表示与技能点直接连接的技能点集合,例如,可以是与该技能点对应的直接连接的前置技能点和进阶技能点的名称设置对应的名称编号的集合。
对于每个技能点,将能与该技能点直接连接的所有技能点及技能点之间的连接关系作为该技能点的完整技能路径。
完整技能进阶路径信息用于表示完整技能路径及其涉及到的所有技能点,可以对技能点之间的连接关系设置路径标识或对应的路径编号。具体的,图2是本发明实施例提供的一种初始技能图谱的示意图,如图2所示,在一个初始技能图谱中每一个技能点都会有相应的完整技能,以及与完整技能对应的完整技能路径。现以技能点S为例进行说明,能与S直接连接的全部技能点共同看作技能点S的完整技能,其中全部技能点包括与技能点S直接连接的所有前置技能点和进阶技能点。对于技能点S,其与技能点{s1,s2,s3,s4,s6}共同构成S的完整技能;S到技能点s4存在三个连接关系:S-s4、S-s3-s4和S-s2-s3-s4,该三个连接关系包括的所有S-s4的进阶路径,作为S到技能点s4的完整技能路径,同理可以得到S到其他技能点的完整技能路径。
知识图谱(Knowledge Graph)是显示知识发展进程与结构关系的图形,通过知识抽取(Knowledge Extraction,KE)、知识融合(Knowledge Fusion,KF)、知识加工(Knowledge Processing,KP)和知识更新(Knowledge Update,KU)等技术,从原始数据(包括结构化数据、半结构化数据和非结构化数据)和外部知识库中抽取知识事实。知识图谱可以与可视化技术结合描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及其相互联系,还可以应用于智能搜索、文本分析、机器阅读理解、异常监控和风险控制等场景中。
目标技能培养知识图谱反映所有技能点的完整关系,由节点(point)和边(edge)组成,每个节点表示一个技能点,每条边表示技能点之间的连接关系。
具体的,根据各个初级技能图谱中每个技能点和与该技能点直接连接的前置技能点和进阶技能点和所有技能点之间的完整技能路径,将所有技能点进行对应连接,生成包含所有技能点及所有技能点间完整连接关系的技能图谱,作为目标技能培养知识图谱。
本发明实施例的技术方案,通过获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系;根据各技能点间的关联关系和难度进阶关系生成多个初始技能图谱;根据各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱。本发明实施例的技术方案,解决了目前技能培养知识图谱不能直观展示培养对象技能掌握情况的问题,能够生成包含难度进阶信息的技能培养知识图谱,有助于了解培养对象的不同难易程度的技能掌握情况以及技能水平。
图3是本发明实施例提供的另一种技能培养知识图谱生成方法的流程图,本实施例与上述实施例中的技能培养知识图谱生成方法属于同一个发明构思,在上述实施例的基础上进一步的描述了根据各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱的过程。该方法可以由技能培养知识图谱生成装置执行,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的电子设备中。
如图3所示,技能培养知识图谱生成方法包括以下步骤:
S210、获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系。
S220、根据各技能点间的关联关系和难度进阶关系生成多个初始技能图谱。
S230、提取各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息。
具体的,对于每一个技能点,将初始技能图谱中与该技能点的直接关联的所有技能点组成关于该技能点的技能点集合,作为该技能点的直接关联技能点集合信息;提取初始技能图谱中各技能点之间的路径组成的完整进阶路径作为对应技能点之间的完整技能进阶路径信息。
S240、将直接关联技能点集合信息和完整技能进阶路径信息进行向量化表示,并基于向量化表示结果生成各初始技能图谱的向量化表示信息。
具体的,可以使用one-hot编码或文本嵌入(Text Embeddings)等方式将文本转换成能够表达对应文本语义的向量,实现直接关联技能点集合信息和完整技能进阶路径信息的向量化表示,便于计算机处理,可以提高技能培养知识图谱生成的效率。
进一步的,将直接关联技能点集合信息和完整技能进阶路径信息进行向量化表示,并基于向量化表示结果生成各初始技能图谱的向量化表示信息,包括:
首先,通过文本嵌入方式将直接关联技能点集合信息和完整技能进阶路径信息进行向量化表示,得到向量化表示结果。
文本嵌入用于将字符串转换为对应的实值向量,文本嵌入为每个单词建立一个向量,对文本中出现的单词选择相似的向量,实现文本和向量的转换。在传统的自然语言处理(Natural Language Processing,NLP)中,将单词视为离散符号,然后可以通过one-hot处理实现直接关联技能点集合信息和完整技能进阶路径信息的向量表示。但是,对于one-hot向量来说,没有自然的多义性概念,不能用于处理文本和对话等各个层次上存在的歧义性或多义性(ambiguity)的自然语言。
对于NLP而言,可以使用Word2vec模型、GloVe模型或Deeplearning4j进行词嵌入。词嵌入通过将一个维数为所有词的数量的高维空间嵌入到一个维数低的连续向量空间中,使每个单词或词组被映射为实数域上的向量。词嵌入的方法包括人工神经网络、对词语同现矩阵降维、概率模型以及单词所在上下文的显式表示等。
具体的,将直接关联技能点集合信息和完整技能进阶路径信息输入到Word2vec模型中,实现直接关联技能点集合信息和完整技能进阶路径信息的向量化表示,得到向量化表示结果。此外,还可以使用主成分分析和t-分布邻域嵌入算法对词语空间降维,实现词嵌入的可视化与词义感应。
然后,将向量化表示结果作为第一预设图卷积网络的输入信息进行网络训练,得到各初始技能图谱的向量化表示信息。
其中,图卷积网络(Graph Convolutional Networks,GCN)是一种能够直接作用于图并且利用其结构信息的卷积神经网络,用于提取图的特征,能够考虑图中的每个节点的所有特征,从而进行节点分类(node classification)、图分类(graph classification)和边预测(link prediction)等操作。
第一预设图卷积网络用于提取初始技能图谱的特征,实现初始技能图谱的向量化表示。
具体的,将各初始技能图谱中直接关联技能点集合信息和完整技能进阶路径信息的向量化表示结果作为第一预设图卷积网络的输入信息进行训练,得到包含图中每个结点及结点对应的所有特征的初始技能图谱的向量化表示,作为各初始技能图谱的向量化表示信息。
S250、基于各初始技能图谱的向量化表示信息生成目标技能培养知识图谱。
具体的,对于各初始技能图谱的向量化表示信息,需要通过图卷积网络提取各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息对应的向量化表示信息,从而生成目标技能培养知识图谱。
进一步的,根据各初始技能图谱的向量化表示信息生成目标技能培养知识图谱,包括:将每一个初始技能图谱的向量化表示信息作为第二预设图卷积网络的输入信息进行网络训练,得到目标技能培养知识图谱。
其中,第二预设图卷积网络用于提取初始技能图谱的向量化表示信息的所有特征,实现技能点分类,得到目标技能培养知识图谱。
具体的,将每一个初始技能图谱的向量化表示信息输入到第二预设图卷积网络,实现初始技能图谱的进一步向量化表示,进一步提高技能培养知识图谱生成的效率。
本发明实施例的技术方案,通过获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系;根据各技能点间的关联关系和难度进阶关系生成多个初始技能图谱;提取各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息;将直接关联技能点集合信息和完整技能进阶路径信息进行向量化表示,并基于向量化表示结果生成各初始技能图谱的向量化表示信息;基于各初始技能图谱的向量化表示信息生成目标技能培养知识图谱。本发明实施例的技术方案,解决了目前技能培养知识图谱不能直观展示培养对象技能掌握情况的问题,能够生成包含难度进阶信息的技能培养知识图谱,有助于进一步了解培养对象的不同难易程度的技能掌握情况以及技能水平。
图4是本发明实施例提供的又一种技能培养知识图谱生成方法的流程图,本实施例适用于企业的技能培养知识图谱生成,与上述实施例中的技能培养知识图谱生成方法属于同一个发明构思,在上述实施例的基础上进一步的描述了更新目标技能培养知识图谱的过程。该方法可以由技能培养知识图谱生成装置执行,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的电子设备中。
如图4所示,技能培养知识图谱生成方法包括以下步骤:
S310、获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系。
S320、根据各技能点间的关联关系和难度进阶关系生成多个初始技能图谱。
S330、根据各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱。
S340、获取新增技能点信息,并根据新增技能点信息与目标技能培养知识图谱中相关技能点的关联关系和难度进阶关系,更新目标技能培养知识图谱。
具体的,随着技术的发展和知识的增加,技能也在相应的增加。首先,当需要新增技能点时,获取新增的技能点信息;其次,建立新增技能点与目标技能培养知识图谱中技能点的关联关系和难度进阶关系,将所有与新增技能点有关联关系的技能点称为相关技能点,根据各技能点间的关联关系和难度进阶关系生成多个初始技能图谱;然后,通过图卷积网络提取各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息,得到各初始技能图谱的向量化表示信息;最后,基于各初始技能图谱的向量化表示信息生成更新后的目标技能培养知识图谱。
示例性的,如图2所示,假设S到S2之间增加新技能点A;S到S2的进阶关系r2变为S->A->S2,则此时应将S和S2的完整技能以及S和S2的完整技能进阶路径的所有技能点的所有完整技能进阶路径共同作为应更新部分。同理,若S到S4的进阶关系r4删除,则此时将S和S4的完整技能以及S和S4的完整技能进阶路径的所有技能点的所有完整技能进阶路径共同作为更新部分。将更新部分对应的完整技能和完整进阶路径进行向量化表示,并作为GCN的输入信息,通过GCN算法得到更新后的目标技能培养知识图谱。
S350、分析目标技能培养知识图谱中各技能点的关联关系状态,并根据关联关系状态确定过时技能点。
具体的,随着技术的发展,一些不再被应用的技能点也在相应的淘汰。首先,分析目标技能培养知识图谱中各技能点的关联关系状态,当某个技能点的完整技能包含于其他技能点的完整技能中,且该技能点与其他技能点的连接关系变少或断开连接时,则确定该技能点为过时技能点。
S360、在目标技能培养知识图谱剔除过时技能点以及与过时技能点存在难度进阶关系的技能点。
可以理解的是,与过时技能点存在难度进阶关系的技能点也需要被淘汰。对过时技能点以及与过时技能点存在难度进阶关系的技能点进行剔除来对目标技能培养知识图谱进行更新。
在一个具体的实施例中,图5是一种技能培养知识图谱生成方法的流程图。该一种技能培养知识图谱生成方法包括以下步骤:
S410、获取多个技能点信息并进行预处理,得到技能点信息的文本数据。
具体的,从企业培养方案、各个招聘岗位技能需求信息、已有的技能学习或培训平台等渠道获取技能点信息,并进行数据清洗、名称标准化等预处理,得到技能点信息的文本数据。
S420、基于关联关系的技能点之间的难度进阶关系,生成初始技能图谱并存储。
具体的,通过语义识别、实体分割等方式提取文本数据中存在关联关系的技能点之间的难度进阶关系;将所有具有关联关系的技能点转化为三元组(技能1,进阶,技能2),用于表示由技能1难度进阶到技能2,将初始技能图谱对应的三元组(技能1,进阶,技能2),以RDF格式存储;将每个三元组对应的技能点根据难度进阶关系连接起来作为对应初始技能图谱,得到一个或多个初始技能图谱,基于图数据库的形式将初始技能图谱利用neo4j存储起来。
S430、对初始技能图谱中直接关联技能点集合信息和完整技能进阶路径信息进行初始向量化表示,得到初始向量化表示结果;将初始向量化表示结果输入第一预设图卷积网络进行向量化表示,得到各初始技能图谱的向量化表示信息。
通过文本嵌入的方式,将初始技能图谱中直接关联技能点集合信息和完整技能进阶路径信息进行向量化表示,得到向量化表示结果,作为初始向量化表示结果;将初始向量化表示结果输入第一预设图卷积网络再次进行向量化表示,得到各初始技能图谱的向量化表示信息。
S440、根据各初始技能图谱的向量化表示信息生成目标技能培养知识图谱。
将各初始技能图谱的向量化表示信息作为第二预设图卷积网络的输入信息,得到目标技能培养知识图谱,基于图数据库的形式将目标技能培养知识图谱利用neo4j存储起来。
S450、基于技能点或其关联关系,更新目标技能培养知识图谱。
根据新增技能点/关联关系对应的技能点信息与目标技能培养知识图谱中对应的关联关系和难度进阶关系,和/或,根据过时技能点/关联关系对应的技能点以及目标技能培养知识图谱中对应的关联关系和难度进阶关系的技能点,对目标技能培养知识图谱进行更新。
S460、根据各预设工作岗位的预设技能需求,在目标技能培养知识图谱基础上生成各预设工作岗位的岗位技能图谱。
可以理解的是,工作岗位需要对应的技能。首先,建立工作岗位和技能的对应关系,针对每个技能点,获取与该技能点相关的各种类型的学习材料,并将所有材料整合为技能知识库,培训对象通过学习技能知识库的相关材料掌握其工作岗位的对应技能;然后,根据工作岗位和技能的对应关系,基于目标技能培养知识图谱,生成对应的岗位技能图谱,并且当目标技能培养知识图谱进行更新时,岗位技能图谱和技能知识库也进行对应的更新。此外,当存在某个技能S,满足以下两种情况:其一,技能S的完整技能包含于至少一个其他技能的完整技能中;其二,技能S到其他技能的连接关系数变少,或断开连接时,认为该技能S为过时技能。若过时技能点不存在于更新后的任何岗位技能图谱中则认为技能S为应删除技能,对应的,从企业技能图谱中删去该技能节点及其所有进阶关系。
具体的,根据各企业中预设工作岗位的预设技能需求,在目标技能培养知识图谱基础上生成各预设工作岗位的岗位技能图谱,并且将岗位技能图谱按照表1所示的岗位技能图谱数据结构存储。
表1岗位技能图谱数据结构
首先,获取培训对象的工作岗位和技能学习状态并存储。
具体的,通过笔试、面试和/或综合测评等获取培训对象的技能学习状态,将培训对象的技能学习状态生成该培训对象的个人技能图谱,并将培训对象的个人技能图谱按照如表2所示的数据结构存储。
表2个人技能图谱的数据结构
然后,将培训对象的个人技能图谱与其岗位技能图谱进行匹配。
具体的,将员工的个人技能图谱与其岗位技能图谱进行匹配,即可获得该员工未掌握的工作岗位的技能,可以推送相应技能的学习材料,并生成相应的学习路径并按表3所示的数据结构存储。
表3学习路径的数据结构
最后,更新个人技能图谱。
具体的,当培训对象完成对应技能的学习,或其岗位技能图谱发生更新时,更新培训对象的个人技能图谱,并按照如表2所示的数据结构存储,更新该培训对象的个人技能图谱。
S470、根据培训对象的岗位信息和技能学习状态可视化展示岗位技能图谱。
岗位信息用于表示培训对象的工作岗位。
技能学习状态用于表示培训对象对技能的掌握程度,例如,技能学习状态包括已掌握、未掌握和学习中,其中,当培训对象学会技能点的完整技能进阶路径对应的全部技能,认为该培训对象已掌握该技能。
具体的,首先,获取培训对象的工作岗位和技能学习状态;然后,根据工作岗位和技能的对应关系,得出该培训对象的工作岗位对应技能的学习状态;最后,对培训对象的工作岗位和技能学习状态和技能点之间的难度进阶关系设置不同的可视化效果,例如,可以是不同颜色对应不同技能学习状态,在对应的岗位技能图谱上显示,根据岗位技能图谱的更新进行相应的更新,并按照对应岗位技能图谱的数据结构进行存储;可以将技能点与前置技能的关系通过箭头或其他形式展现,显示于对应的目标技能知识图谱,实现技能点之间难度进阶关系的可视化。
具体的,如图6所示,根据培训对象的岗位信息和技能学习状态可视化展示岗位技能图谱,从而可以直观的显示培训对象的技能学习状态,以及培训对象已掌握、未掌握和学习中的技能。
具体的,通过图形化的方式将岗位技能图谱推送到培训界面,将岗位技能图谱设计为树状结构,并将所有技能点设置为“黑暗”状态显示;当培训对象掌握对应技能时,对其个人技能图谱进行更新,并将其对应的岗位技能点设置为“点亮”状态,
本发明实施例的技术方案,通过获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系;根据各技能点间的关联关系和难度进阶关系生成多个初始技能图谱;根据各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱;获取新增技能点信息,并根据新增技能点信息与目标技能培养知识图谱中相关技能点的关联关系和难度进阶关系,更新目标技能培养知识图谱;分析目标技能培养知识图谱中各技能点的关联关系状态,并根据关联关系状态确定过时技能点;在目标技能培养知识图谱剔除过时技能点以及与过时技能点存在难度进阶关系的技能点。本发明实施例的技术方案,使用新增和/或剔除技能点信息对目标技能培养知识图谱进行更新,解决了目前技能培养知识图谱不能直观展示培养对象技能掌握情况的问题,能够生成包含难度进阶信息的技能培养知识图谱,有助于了解培养对象的不同难易程度的技能掌握情况以及技能水平。
图7是本发明实施例提供的一种技能培养知识图谱生成装置的结构框图,本实施例可适用于技能培养知识图谱生成的场景中,特别的,本实施例更适用于企业的技能培养知识图谱生成情况。该装置可以采用硬件和/或软件的形式实现,集成于具有应用开发功能的电子设备中。
如图7所示,该技能培养知识图谱生成装置包括:技能点获取模块510、技能图谱生成模块520和目标图谱生成模块530。
其中,技能点获取模块510,用于获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系;技能图谱生成模块520,用于根据各技能点间的关联关系和难度进阶关系生成多个初始技能图谱;目标图谱生成模块530,用于根据各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱。
本发明实施例的技术方案,通过各个模块之间的相互配合,获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系;根据各技能点间的关联关系和难度进阶关系生成多个初始技能图谱;根据各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱。本发明实施例的技术方案,解决了目前技能培养知识图谱不能直观展示培养对象技能掌握情况的问题,能够生成包含难度进阶信息的技能培养知识图谱,有助于了解培养对象的不同难易程度的技能掌握情况以及技能水平。
可选的,目标图谱生成模块530用于:
提取各初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息;
将直接关联技能点集合信息和完整技能进阶路径信息进行向量化表示,并基于向量化表示结果生成各初始技能图谱的向量化表示信息;
基于各初始技能图谱的向量化表示信息生成目标技能培养知识图谱。
可选的,目标图谱生成模块530还用于:
通过文本嵌入方式将直接关联技能点集合信息和完整技能进阶路径信息进行向量化表示,得到向量化表示结果;
将向量化表示结果作为第一预设图卷积网络的输入信息进行网络训练,得到各初始技能图谱的向量化表示信息。
可选的,目标图谱生成模块530还用于:将每一个初始技能图谱的向量化表示信息作为第二预设图卷积网络的输入信息进行网络训练,得到目标技能培养知识图谱。
可选的,该技能培养知识图谱生成装置还包括岗位技能图谱生成模块,用于:根据各预设工作岗位的预设技能需求,在目标技能培养知识图谱基础上生成各预设工作岗位的岗位技能图谱。
可选的,该技能培养知识图谱生成装置还包括图谱可视化模块,用于:根据培训对象的岗位信息和技能学习状态可视化展示岗位技能图谱。
可选的,该技能培养知识图谱生成装置还包括图谱更新模块,用于:获取新增技能点信息,并根据新增技能点信息与目标技能培养知识图谱中相关技能点的关联关系和难度进阶关系,更新目标技能培养知识图谱。
可选的,图谱更新模块,还用于:
分析目标技能培养知识图谱中各技能点的关联关系状态,并根据关联关系状态确定过时技能点;
在目标技能培养知识图谱剔除所述过时技能点以及与过时技能点存在难度进阶关系的技能点。
本发明实施例所提供的技能培养知识图谱生成装置可执行本发明任一实施例所提供的技能培养知识图谱生成方法,具备执行方法相应的功能模块和有益效果。
图8是本发明的实施例提供的一种电子设备的结构框图。电子设备10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、大型计算机或其它适合的计算机。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(如头盔、眼镜、手表等)或其它类似的计算装置。本文所示的部件、它们的连接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/或者要求的本发明的实现。
如图8所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM12以及RAM13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘或鼠标等;输出单元17,例如各种类型的显示器或扬声器等;存储单元18,例如磁盘或光盘等;以及通信单元19,例如网卡、调制解调器或无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、数字信号处理器(DSP)、任何适当的处理器、控制器或微控制器等。处理器11执行上文所描述的各个方法和处理,例如技能培养知识图谱生成方法。
在一些实施例中,技能培养知识图谱生成方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时,可以执行上文描述的技能培养知识图谱生成方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行技能培养知识图谱生成方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行或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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(Cathode Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,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电子设备。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)、区块链网络和互联网。
计算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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种技能培养知识图谱生成方法,其特征在于,包括:
获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系;
根据各所述技能点间的所述关联关系和所述难度进阶关系生成多个初始技能图谱;
根据各所述初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱。
2.根据权利要求1所述的方法,其特征在于,所述根据各所述初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱,包括:
提取各所述初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息;
将所述直接关联技能点集合信息和所述完整技能进阶路径信息进行向量化表示,并基于向量化表示结果生成各所述初始技能图谱的向量化表示信息;
基于各所述初始技能图谱的向量化表示信息生成所述目标技能培养知识图谱。
3.根据权利要求2所述的方法,其特征在于,所述将所述直接关联技能点集合信息和所述完整技能进阶路径信息进行向量化表示,并基于向量化表示结果生成各所述初始技能图谱的向量化表示信息,包括:
通过文本嵌入方式将所述直接关联技能点集合信息和所述完整技能进阶路径信息进行向量化表示,得到向量化表示结果;
将所述向量化表示结果作为第一预设图卷积网络的输入信息进行网络训练,得到各所述初始技能图谱的向量化表示信息。
4.根据权利要求2所述的方法,其特征在于,所述根据各所述初始技能图谱的向量化表示信息生成所述目标技能培养知识图谱,包括:
将每一个所述初始技能图谱的向量化表示信息作为第二预设图卷积网络的输入信息进行网络训练,得到所述目标技能培养知识图谱。
5.根据权利要求1-4中任一所述的方法,其特征在于,所述方法还包括:
根据各预设工作岗位的预设技能需求,在所述目标技能培养知识图谱基础上生成各预设工作岗位的岗位技能图谱。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据培训对象的岗位信息和技能学习状态可视化展示所述岗位技能图谱。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取新增技能点信息,并根据所述新增技能点信息与所述目标技能培养知识图谱中相关技能点的关联关系和难度进阶关系,更新所述目标技能培养知识图谱。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
分析所述目标技能培养知识图谱中各技能点的关联关系状态,并根据所述关联关系状态确定过时技能点;
在所述目标技能培养知识图谱剔除所述过时技能点以及与所述过时技能点存在难度进阶关系的技能点。
9.一种技能培养知识图谱生成装置,其特征在于,包括:
技能点获取模块,用于获取多个技能点信息以及存在关联关系的技能点之间的难度进阶关系;
技能图谱生成模块,用于根据各所述技能点间的所述关联关系和所述难度进阶关系生成多个初始技能图谱;
目标图谱生成模块,用于根据各所述初始技能图谱中各技能点的直接关联技能点集合信息和各技能点之间的完整技能进阶路径信息生成目标技能培养知识图谱。
10.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-8任一所述的技能培养知识图谱生成方法。
11.一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指令,所述计算机指令用于使处理器执行时实现权利要求1-8任一所述的技能培养知识图谱生成方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211582910.6A CN115827893A (zh) | 2022-12-09 | 2022-12-09 | 技能培养知识图谱生成方法、装置、设备和介质 |
CN2022115829106 | 2022-12-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116662563A true CN116662563A (zh) | 2023-08-29 |
Family
ID=85546163
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211582910.6A Pending CN115827893A (zh) | 2022-12-09 | 2022-12-09 | 技能培养知识图谱生成方法、装置、设备和介质 |
CN202310578160.3A Pending CN116662563A (zh) | 2022-12-09 | 2023-05-22 | 技能培养知识图谱生成方法、装置、设备和介质 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211582910.6A Pending CN115827893A (zh) | 2022-12-09 | 2022-12-09 | 技能培养知识图谱生成方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN115827893A (zh) |
-
2022
- 2022-12-09 CN CN202211582910.6A patent/CN115827893A/zh active Pending
-
2023
- 2023-05-22 CN CN202310578160.3A patent/CN116662563A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN115827893A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111522994B (zh) | 用于生成信息的方法和装置 | |
CN112579727B (zh) | 文档内容的提取方法、装置、电子设备及存储介质 | |
CN115688920A (zh) | 知识抽取方法、模型的训练方法、装置、设备和介质 | |
CN112528658A (zh) | 层次化分类方法、装置、电子设备和存储介质 | |
CN115099239A (zh) | 一种资源识别方法、装置、设备以及存储介质 | |
CN114445826A (zh) | 视觉问答方法、装置、电子设备以及存储介质 | |
CN112560480B (zh) | 任务社区发现方法、装置、设备和存储介质 | |
CN112699237B (zh) | 标签确定方法、设备和存储介质 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN117632654A (zh) | 一种运维风险等级评估方法、装置、电子设备及存储介质 | |
CN117688946A (zh) | 基于大模型的意图识别方法、装置、电子设备和存储介质 | |
CN115248890A (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
CN116467461A (zh) | 应用于配电网的数据处理方法、装置、设备及介质 | |
CN115168609A (zh) | 一种文本匹配方法、装置、计算机设备和存储介质 | |
CN113590774B (zh) | 事件查询方法、装置以及存储介质 | |
CN112860811B (zh) | 数据血缘关系的确定方法、装置、电子设备和存储介质 | |
CN115186738A (zh) | 模型训练方法、装置和存储介质 | |
CN112560848B (zh) | 兴趣点poi预训练模型的训练方法、装置及电子设备 | |
CN116662563A (zh) | 技能培养知识图谱生成方法、装置、设备和介质 | |
CN114118937A (zh) | 基于任务的信息推荐方法、装置、电子设备及存储介质 | |
CN114239583A (zh) | 实体链指模型的训练及实体链指方法、装置、设备及介质 | |
CN114187448A (zh) | 文档图像识别方法和装置、电子设备、计算机可读介质 | |
CN113536751B (zh) | 表格数据的处理方法、装置、电子设备和存储介质 | |
CN114298427B (zh) | 企业属性数据预测方法、装置、电子设备及存储介质 | |
CN117874088B (zh) | 一种数据模糊匹配方法、装置、设备和介质 |
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 |