CN117010373A - 一种电力设备资产管理数据所属类别和组的推荐方法 - Google Patents
一种电力设备资产管理数据所属类别和组的推荐方法 Download PDFInfo
- Publication number
- CN117010373A CN117010373A CN202310856856.8A CN202310856856A CN117010373A CN 117010373 A CN117010373 A CN 117010373A CN 202310856856 A CN202310856856 A CN 202310856856A CN 117010373 A CN117010373 A CN 117010373A
- Authority
- CN
- China
- Prior art keywords
- asset
- layer
- entity
- knowledge graph
- node
- 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 38
- 238000007726 management method Methods 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013523 data management Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical 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
- G06N5/025—Extracting rules from data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电力设备资产管理数据所属类别和组的推荐方法,包括:利用自然语言技术对电力资产管理系统的文本数据进行处理,得到有效文本数据;对有效文本数据进行实体处理,并在基于实体结果构建知识图谱;根据知识图谱的拓扑结构信息,计算知识图谱节点的影响力;提取用户输入资产信息的标准实体,并从知识图谱中提取与标准实体匹配的子图谱;根据匹配的子图谱的主题概率分布和节点影响力,得到推荐的资产类别和资产组。本发明解决了现有针对电力资产数据管理平台的推荐方法存在推荐准确度不高的问题。
Description
技术领域
本发明涉及数据处理系统技术领域,具体而言,涉及一种电力设备资产管理数据所属类别和组的推荐方法。
背景技术
在不断完善的互联网技术服务里,各种各样的资源平台系统能够从用户所提供的多种数据中提取信息,并结合数据各方面特点进而自动推荐出相关内容,因此基于内容的推荐技术也推动了互联网的进步。资源平台系统中的推荐模型通常会根据用户自身提供的数据和数据库的资源内容作为判断依据,通过相似度的计算来实现推荐,但在此过程中,推荐结果会受到数据资源内容丰富程度的影响,同时如何去训练出高精确度的推荐模型也面临困难。如今计算机技术已进入发展迅速的信息时代,用户能够从海量的数据资源平台系统中获得所需的各种信息,因此平台系统为用户带来了信息获取的便捷与完整,例如,用户能够从平台里迅速获取到意向购买的物品。这样的资源平台系统为用户从海量的数据内容中获取信息带来了自动化、智能化的方便,因此数据资源平台系统需要不断提升并优化这样的数据推荐方法。在庞大的互联网中信息资源仍以指数的形式持续增长,为用户如何在取之不尽的信息资源中挖掘出所需的关键内容迎来了挑战。
根据目前的发展形势,多种互联网平台为优化资源数据内容的自动推荐做出竞争和创新。但是往往无法获得较高准确率的推荐结果,尤其在电力领域的电力资产数据管理平台上,部分推荐方法将文本数据之间的相互影响程度作为推荐依据的较少,同时类型定义、关系定义标准不明确。因此,针对用户提供的数据信息实现待推荐文本数据的自动推荐差异较大的问题,需要进行不断的技术迭代与探索。
发明内容
针对现有技术中的上述不足,本发明提供的一种电力设备资产管理数据所属类别和组的推荐方法解决了现有针对电力资产数据管理平台的推荐方法存在推荐准确度不高的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种电力设备资产管理数据所属类别和组的推荐方法,包括:
利用自然语言技术对电力资产管理系统的文本数据进行处理,得到有效文本数据;
对有效文本数据进行实体处理,并基于实体结果构建知识图谱;
根据知识图谱的拓扑结构信息,计算知识图谱节点的影响力;
提取用户输入资产信息的标准实体,并从知识图谱中提取与标准实体匹配的子图谱。
根据匹配的子图谱的主题的概率分布和节点影响力,得到推荐的资产类别和资产组;
进一步地,所述自然语言处理包括:分词、关键词抽取、语义抽取和去停用词;
所述实体处理包括:实体识别和实体对齐。
进一步地,所述计算知识图谱节点的影响力包括:
从知识图谱提取节点与节点之间的关系,构建有向图;
根据有向图,计算节点全局影响力;
对全局影响力归一化处理,得到归一化的全局影响力。
进一步地,所述计算节点全局影响力采用一阶马尔可夫链模型。
进一步地,采用实体抽取网络模型提取用户输入资产信息的标准实体,其中,实体抽取网络模型包括:输入层、词嵌入层、卷积注意力层、GRU层、全局注意力层、CRF层和输出层;所述词嵌入层的输入端与输入层连接,其输出端与卷积注意力层的输入端连接;所述GRU层的输入端与卷积注意力层的输出端连接,其输出端与全局注意力层的输入端连接;所述CRF层的输入端与全局注意力层的输出端连接,其输出端与输出层连接。
进一步地,所述从知识图谱中提取与标准实体匹配的子图谱包括:
计算用户的标准实体与知识图谱上节点信息的相似度;
将相似度高于相似度阈值的节点构建为与标准实体匹配的子图谱。
进一步地,所述相似度的计算公式为:
其中,siminformation(MA,MB)为相似度,MA为用户的标准实体,MB为知识图谱上节点信息,|MA|和|MB|为各自向量的取模运算,·为点乘。
进一步地,所述根据匹配的子图谱的主题的概率分布和节点影响力,得到推荐的资产类别和资产组包括:
提取匹配的子图谱中知识图谱节点影响力;
用户输入语句利用LDA模型进行主题计算,统计该语句所属资产类别和资产组的每个主题的概率分布;
根据每个主题的概率分布与节点影响力,计算节点推荐值;
根据节点推荐值,选取最大的节点推荐值对应的节点,作为推荐的资产类别和资产组。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明公开了一种电力设备资产管理数据相似计算的推荐方法,通过自然语言处理,解决了自动推荐结果不准确的问题。在引入节点影响力的计算下保证了电力资产数据推荐的鲁棒性,同时结合主题计算还可以使推荐过程更加灵活且有针对性,降低了错误信息的输出。最后该方法能够在多种领域的资产管理系统场景中应用,给企业提升管理水平提供了坚实的技术基础,极大的提高资产管理水平,实现信息的共享,提高工作效率,提供决策依据。
附图说明
图1为一种电力设备资产管理数据所属类别和组的推荐方法的流程图;
图2为本实施例的一种电力设备资产管理数据所属类别和组的推荐方法的详细流程图;
图3为电力资产标准知识模式构建图;
图4为知识图谱部分实体关系结构示意图;
图5为实体抽取网络模型的结构示意图。
具体实施方式
为使本发明实施例的目的技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1~2所示,一种电力设备资产管理数据所属类别和组的推荐方法,包括以下步骤:
S1、利用自然语言技术对电力资产管理系统的文本数据进行处理,得到有效文本数据;
在本实施例中,通过将电力内部资产管理系统的半结构化数据信息进行提取,按照资产类别、资产组和资产名称的数据结构模式将文本数据依次分为三种层级。三种层级分别为所属关系,同时资产类别对应于第一层级,资产组对应于第二层级,资产名称对应于第三层级。
对文本数据利用自然语言处理的一些技术,将三种类别的数据分别进行分词、去除停用词、关键词抽取、语义抽取操作,经过这些操作后的数据形成有效电力资产管理系统文本数据。
S2、对有效电力资产管理系统文本数据进行实体处理,并基于实体结果构建知识图谱;
在本实施例中,将有效电力资产管理系统文本数据通过知识抽取和知识融合技术来提取及加工实体信息,提供更准确、全面的知识表示。其中,知识抽取采用Bi-LSTM-CNN-CRF模型,识别电力资产管理系统文本的实体;知识融合包括:基于自定义实体对齐规则和图编辑距离,消除重复信息和提升实体信息的完整性。
在构建知识图谱时,先构建标准知识模式:
根据电力资产管理系统数据特点定义标准知识模式,根据资产名称,资产类别,资产组三类数据内容及特点,分析数据的相互关系来构建电力资产标准知识模式,通过实体与实体之间的关系模式来定义实体与关系,实现以三元组的方式对知识模式进行构建。具体的操作如下:根据资产类别的数据特点,定义实体为类别对象,类别状态;根据资产组的数据特点,定义实体为组对象、组状态;根据资产名称的数据特点,定义实体为名称首要对象、名称附属对象、名称状态。同时根据定义的实体构建实体间的关系,具体的操作如下:名称附属对象“名称从属”于名称首要对象,名称首要对象“组从属”于组对象,组对象“类别从属”于类别对象,所有状态实体都“状态从属”于层级内的对象,并定义为“名称状态从属”、“组状态从属”、“类别状态从属”,基本构建方式如图3所示。
例如某个资产的资产名称、资产类别、资产组分别为“鱼类增殖站综合楼”、“生产用房”、“其他土地”,则通过上述知识模式定义的实体可将鱼类、增殖站、综合楼分为资产名称的名称状态、名称首要对象、名称附属对象,而生产、用房则为类别状态和类别对象,最后其他、土地则分别为组状态和组对象。
构建知识图谱:
构建电力资产管理系统文本数据的基础知识图谱,根据电力资产管理系统内数据间的特点关系,通过定义标准知识模式后,拥有知识丰富、错综复杂的结构,由此需借助知识图谱来辅助理解及推理,抽象出资产名称、资产类别和资产组的关系,采用三元组的形式构成电力资产管理系统数据的本体模型,通过定义好的标准知识模式,最终完成基础知识图谱的构建。将资产名称、资产类别、资产组分别为“鱼类增殖站箱式配电装置”、“配电设备”、“箱式变压器”的资产结合上述举例构建部分知识图谱,实体关系结构示意图如图4所示。
最后将实体及关系存储在由Neo4j图数据库中,图数据库拥有自然延伸的图形结构,即使复杂程度在实体及其关系中不断提升,也不会对搜索效率有影响,不用通过连接的复杂程度而进行冗余计算,最终储存数据实体的方式由图形结构来呈现。
S3、根据知识图谱的拓扑结构信息,计算知识图谱节点的影响力;
所述S3中包括:
从知识图谱提取节点与节点之间的关系,构建有向图;
根据有向图,计算节点全局影响力;
对全局影响力归一化处理,得到归一化的全局影响力。
所述计算节点全局影响力采用一阶马尔可夫链模型:
该马尔可夫链模型的转移矩阵由两部分的线性组合组成,一部分是修正数据节点关联量加权转移矩阵H′,另一部分是任意数据节点关联加权转移矩阵A(由任意数据节点关联向量a拓展而来),线性组合系数为阻尼因子α(0≤α≤1),该随机游走的马尔可夫链存在平稳分布,记作π*。π*由如下公式决定:
π*=H′π*+(1-)a
结合数据节点关联量加权转移矩阵H′可以计算得出数据节点特征因子向量:
计算节点全局影响力的公式为:
S4、提取用户输入资产信息的标准实体,并从知识图谱中提取与标准实体匹配的子图谱;
在本实施例中,如图5所示,实体抽取网络模型提取用户输入资产信息的标准实体,其中,实体抽取网络模型包括:输入层、词嵌入层、卷积注意力层、GRU层、全局注意力层、CRF层和输出层;所述词嵌入层的输入端与输入层连接,其输出端与卷积注意力层的输入端连接;所述GRU层的输入端与卷积注意力层的输出端连接,其输出端与全局注意力层的输入端连接;所述CRF层的输入端与全局注意力层的输出端连接,其输出端与输出层连接。
根据提取到的相关标准实体获取与其最匹配的子图谱,为了要获得与用户提供数据最契合的子图谱,用预训练方法对电力资产管理系统标准知识图谱进行预训练,将图谱各节点信息转化为低维向量,以此映射到特征空间里,通过抽取出的用户输入实体内容和标准知识图谱节点进行匹配,以语义相似度作为判断依据,计算出最为匹配的实体节点内容。而上述用户输入数据与标准知识图谱的相似计算中采用的相似度算法为余弦相似度,以此来匹配出语义最为相似的实体节点。相似度计算公式如下所示,其中MA为用户输入信息,MB为节点信息。
为了找到最为匹配的子图谱,再通过相似度来判断实体节点的邻域节点集合里是否有节点与用户输入的实体信息相似。最后获取关联子图谱的过程中采取节点过滤的方法来筛选,以关联出涵盖实体节点内容的实体及关系的子图谱。
S5、根据匹配的子图谱的主题的概率分布和节点影响力,得到推荐的资产类别和资产组;
所述S5包括:
提取匹配的子图谱中知识图谱节点影响力;
用户输入语句利用LDA模型进行主题计算,统计该语句所属资产类别和资产组的每个主题的概率分布;
根据每个主题的概率分布与节点影响力,计算节点推荐值;
节点推荐值=节点影响力*节点主题概率(资产类别/资产组);
根据节点推荐值,选取最大的节点推荐值对应的节点,作为推荐的资产类别和资产组。
在本实施例中,S5具体如下:在用户输入新增数据时进行资产类别和资产组的推荐。将获取到的与新增实体内容最匹配的标准子图谱进行主题计算,结合节点影响力输出综合排序结果后完成最终推荐。
针对用户输入数据后所获取到的实体序列进行主题计算,经过LDA主题模型处理用户输入数据,得到对应主题概率分布。将对应主题概率分布应用于匹配的子图谱。
最终呈现是用户新增资产时,根据输入新增数据后的一系列操作得到标准子图谱,将子图谱的综合排序结果作为目标推荐结果,推荐出资产类别和资产组的信息。
将用户新增的资产信息作为知识图谱的数据源进行实时更新,将用户输入的新增数据信息作为知识图谱的新增节点,同时关联与其所属的资产类别和资产组信息,并作为知识图谱添加、修改以及删除的数据来完成对知识图谱的实时更新。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明公开了一种电力设备资产管理数据相似计算的推荐方法,通过自然语言处理,解决了电力资产领域中资产关系定义模糊和自动推荐结果不准确的问题。推荐过程结合标准知识模式形成知识图谱来呈现数据,将数据类别与关系准确定义,能够使推荐结果更加精准多样,且具有很好的可解释性。在引入节点影响力的计算下保证了电力资产数据推荐的鲁棒性,同时结合主题计算还可以使推荐过程更加灵活且有针对性,降低了错误信息的输出。最后该方法能够在多种领域的资产管理系统场景中应用,给企业提升管理水平提供了坚实的技术基础,极大的提高资产管理水平,实现信息的共享,提高工作效率,提供决策依据。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种电力设备资产管理数据所属类别和组的推荐方法,其特征在于,包括:
利用自然语言技术对电力资产管理系统的文本数据进行处理,得到有效文本数据;
对有效文本数据进行实体处理,并基于实体结果构建知识图谱;
根据知识图谱的拓扑结构信息,计算知识图谱节点的影响力;
提取用户输入资产信息的标准实体,并从知识图谱中提取与标准实体匹配的子图谱;
根据匹配的子图谱的主题的概率分布和节点影响力,得到推荐的资产类别和资产组。
2.根据权利要求1所述的电力设备资产管理数据所属类别和组的推荐方法,其特征在于,所述自然语言处理包括:分词、关键词抽取、语义抽取和去停用词;
所述实体处理包括:实体识别和实体对齐。
3.根据权利要求1所述的电力设备资产管理数据所属类别和组的推荐方法,其特征在于,所述计算知识图谱节点的影响力包括:
从知识图谱提取节点与节点之间的关系,构建有向图;
根据有向图,计算节点全局影响力;
对全局影响力归一化处理,得到归一化的全局影响力。
4.根据权利要求3所述的电力设备资产管理数据所属类别和组的推荐方法,其特征在于,所述计算节点全局影响力采用一阶马尔可夫链模型。
5.根据权利要求1所述的电力设备资产管理数据所属类别和组的推荐方法,其特征在于,采用实体抽取网络模型提取用户输入资产信息的标准实体,其中,实体抽取网络模型包括:输入层、词嵌入层、卷积注意力层、GRU层、全局注意力层、CRF层和输出层;所述词嵌入层的输入端与输入层连接,其输出端与卷积注意力层的输入端连接;所述GRU层的输入端与卷积注意力层的输出端连接,其输出端与全局注意力层的输入端连接;所述CRF层的输入端与全局注意力层的输出端连接,其输出端与输出层连接。
6.根据权利要求1所述的电力设备资产管理数据所属类别和组的推荐方法,其特征在于,所述从知识图谱中提取与标准实体匹配的子图谱包括:
计算用户的标准实体与知识图谱上节点信息的相似度;
将相似度高于相似度阈值的节点构建为与标准实体匹配的子图谱。
7.根据权利要求6所述的电力设备资产管理数据所属类别和组的推荐方法,其特征在于,所述相似度的计算公式为:
其中,siminformation(MA,MB)为相似度,MA为用户的标准实体,MB为知识图谱上节点信息,|MA|和|MB|为各自向量的取模运算,·为点乘。
8.根据权利要求1所述的电力设备资产管理数据所属类别和组的推荐方法,其特征在于,所述根据匹配的子图谱的主题的概率分布和节点影响力,得到推荐的资产类别和资产组包括:
提取匹配的子图谱中知识图谱节点影响力;
用户输入语句利用LDA模型进行主题计算,统计该语句所属资产类别和资产组的每个主题的概率分布;
根据每个主题的概率分布与节点影响力,计算节点推荐值;
根据节点推荐值,选取最大的节点推荐值对应的节点,作为推荐的资产类别和资产组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310856856.8A CN117010373A (zh) | 2023-07-12 | 2023-07-12 | 一种电力设备资产管理数据所属类别和组的推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310856856.8A CN117010373A (zh) | 2023-07-12 | 2023-07-12 | 一种电力设备资产管理数据所属类别和组的推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117010373A true CN117010373A (zh) | 2023-11-07 |
Family
ID=88573698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310856856.8A Pending CN117010373A (zh) | 2023-07-12 | 2023-07-12 | 一种电力设备资产管理数据所属类别和组的推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117010373A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649300A (zh) * | 2024-01-29 | 2024-03-05 | 山东新睿信息科技有限公司 | 一种基于数字孪生的资产分配管理方法及系统 |
-
2023
- 2023-07-12 CN CN202310856856.8A patent/CN117010373A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649300A (zh) * | 2024-01-29 | 2024-03-05 | 山东新睿信息科技有限公司 | 一种基于数字孪生的资产分配管理方法及系统 |
CN117649300B (zh) * | 2024-01-29 | 2024-04-30 | 山东新睿信息科技有限公司 | 一种基于数字孪生的资产分配管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881290A (zh) | 一种基于加权语义相似度的配网多源网架实体融合方法 | |
CN110147421B (zh) | 一种目标实体链接方法、装置、设备及存储介质 | |
US11775594B2 (en) | Method for disambiguating between authors with same name on basis of network representation and semantic representation | |
CN109325040B (zh) | 一种faq问答库泛化方法、装置及设备 | |
CN104239513A (zh) | 一种面向领域数据的语义检索方法 | |
CN110633365A (zh) | 一种基于词向量的层次多标签文本分类方法及系统 | |
CN107291895B (zh) | 一种快速的层次化文档查询方法 | |
CN116991869A (zh) | 一种基于nlp语言模型自动生成数据库查询语句的方法 | |
CN116127084A (zh) | 基于知识图谱的微电网调度策略智能检索系统及方法 | |
CN105335510A (zh) | 文本数据高效搜索方法 | |
CN117010373A (zh) | 一种电力设备资产管理数据所属类别和组的推荐方法 | |
CN113505190B (zh) | 地址信息修正方法、装置、计算机设备和存储介质 | |
CN105160046A (zh) | 基于文本的数据检索方法 | |
CN110765781A (zh) | 一种领域术语语义知识库人机协同构建方法 | |
CN111339258B (zh) | 基于知识图谱的大学计算机基础习题推荐方法 | |
CN114706989A (zh) | 一种基于技术创新资产为知识库的智能推荐方法 | |
CN117494760A (zh) | 一种基于超大规模语言模型的富语义标签数据增广方法 | |
Yin et al. | A deep natural language processing‐based method for ontology learning of project‐specific properties from building information models | |
CN116561264A (zh) | 一种基于知识图谱的智能问答系统的构建方法 | |
CN116226404A (zh) | 一种针对肠-脑轴的知识图谱构建方法及知识图谱系统 | |
CN116011564A (zh) | 一种面向电力设备的实体关系补全方法、系统及应用 | |
CN112905747A (zh) | 一种基于语义分析技术的专业制度档案问答机器人系统 | |
Wu et al. | Circuit-GNN: A Graph Neural Network for Transistor-level Modeling of Analog Circuit Hierarchies | |
CN111814457A (zh) | 一种电网工程合同文本生成方法 | |
CN111476037B (zh) | 文本处理方法、装置、计算机设备和存储介质 |
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 |