CN117150042A - 基于知识图谱推荐应急预案的方法、装置、设备和介质 - Google Patents
基于知识图谱推荐应急预案的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117150042A CN117150042A CN202311126198.3A CN202311126198A CN117150042A CN 117150042 A CN117150042 A CN 117150042A CN 202311126198 A CN202311126198 A CN 202311126198A CN 117150042 A CN117150042 A CN 117150042A
- Authority
- CN
- China
- Prior art keywords
- fault
- knowledge graph
- entity
- graph
- entities
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000002787 reinforcement Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000005065 mining Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 95
- 230000006870 function Effects 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 28
- 238000005096 rolling process Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 description 9
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation 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
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于知识图谱推荐应急预案的方法、装置、设备和介质，获取目标系统的故障数据，根据故障数据构建故障知识图谱，使用基于强化学习和图卷积网络的知识图谱推理技术对故障知识图谱进行挖掘，以挖掘更多的故障，构建更多的三元组信息，拓展故障知识图谱。而后，使用基于知识图注意力网络算法对拓展故障知识图谱进行分析，分析各实体之间的依赖关系，以分析各实体的故障原因，并建立拓展故障知识图谱中各实体和应急预案之间的连接，从而能够在接收到目标故障时，基于拓展故障知识图谱为目标故障推荐目标应急预案，提高目标系统的故障处理能力，保证目标系统的稳定运行。
Description
技术领域
本申请涉及知识图谱技术领域，尤其涉及一种基于知识图谱推荐应急预案的方法、装置、设备和介质。
背景技术
核心交易系统是投资者完成证券交易、结算必备的系统。保障核心交易系统稳定运行是防范证券行业金融系统风险的重要环节，是维护交易信息安全、实现证券市场可持续发展的关键要素之一。
但是，目前核心交易系统的故障处理能力较差，影响核心交易系统的稳定运行。
发明内容
本申请提供一种基于知识图谱推荐应急预案的方法、装置、设备和介质，用以提高交易系统的故障处理能力。
第一方面，本申请提供一种基于知识图谱推荐应急预案的方法，所述方法包括：
获取目标系统的故障数据，根据所述故障数据构建故障知识图谱，所述故障知识图谱中的实体包括故障类型；
通过基于强化学习和图卷积网络的知识图谱推理技术对所述故障知识图谱进行挖掘，将挖掘后的故障类型输入所述故障知识图谱，形成拓展故障知识图谱，并在所述拓展故障知识图谱中添加应急预案节点；
基于知识图注意力网络算法对所述拓展故障知识图谱进行分析，分析各实体之间的依赖关系，根据所述依赖关系分析各实体的故障原因，基于所述各实体的故障原因建立各实体和应急预案节点之间的连接；
接收目标故障，基于所述拓展故障知识图谱为所述目标故障推荐目标应急预案。
可选的，所述根据所述故障数据构建知识图谱，具体包括：
对所述故障数据进行实体识别，获取故障；
建立各实体之间的关系，以建立故障类型之间的关系；
将所述实体和关系组织成图的形式，以构建故障知识图谱。
可选的，所述通过基于强化学习和图卷积网络的知识图谱推理技术对所述故障知识图谱进行挖掘，将挖掘后的故障类型输入所述故障知识图谱，形成拓展故障知识图谱，具体包括：
对所述实体和实体之间的关系进行向量化，形成实体嵌入向量和关系嵌入向量；
图卷积网络作为强化学习的策略网络，所述图卷积网络在内部层之间添加激活函数进行非线性处理，将实体嵌入向量和关系嵌入向量作为特征输入图卷积网络进行计算，以挖掘更多的故障类型；
将挖掘的故障类型嵌入所述故障知识图谱，以构建更多的三元组信息，形成拓展故障知识图谱。
可选的，所述基于知识图注意力网络算法对所述拓展故障知识图谱进行分析，分析各实体之间的依赖关系，根据所述依赖关系分析各实体的故障原因，基于所述各实体的故障原因建立各实体和应急预案节点之间的连接，具体包括：
在嵌入层将三元组的实体映射至实体之间的关系所在的向量空间，获得实体向量，根据实体向量以及关系向量计算各三元组的似然性得分，根据各三元组的似然性得分计算训练损失函数；
在注意力嵌入传播层将各实体向量和其邻居实体向量进行聚合，以获得各实体的多层向量；
在预测层，根据各实体的多层向量获得预测得分，根据预测得分获得协同损失函数；
根据所述训练损失函数和所述协同损失函数获得目标损失函数；
根据所述目标损失函数分析各实体之间的依赖关系，根据各实体之间的依赖关系，分析各实体对应的故障类型的原因。
可选的，所述根据实体向量以及关系向量计算各三元组的似然性得分，根据各三元组的似然性得分计算训练损失函数，具体包括：
根据公式(1)计算各三元组的似然性得分；
其中，(h，r，t)是三元组，eh，et∈Rd和er∈Rk分别是h，t，r的嵌入向量，Wr∈Rk×d是关系r的转换矩阵，将实体从d维实体空间投影到k维关系空间中；
所述根据各三元组的似然性得分计算训练损失函数，具体包括：
根据公式(2)计算训练损失函数；
LKG＝∑(h，r，t，t′)∈T-lnσ(g(h，r，t′)-g(h，r，t)) (2)；
其中，g(h，r，t′)是负例三元组(h，r，t′)的似然性得分，负例三元组(h，r，t′)是通过将三元组(h，r，t)中的尾实体替换得到的。
可选的，在注意力嵌入传播层将各实体向量和其邻居实体向量进行聚合，以获得各实体的多层向量，具体包括：
通过GCN聚合器根据公式(3)，或通过图形聚合器根据公式(4)，或通过双向交互聚合器根据公式(5)，将各实体向量和其邻居实体向量进行聚合；
其中，Nh＝{(h，r，t)|(h，r，t)∈G}；
则，各实体的多层向量表示为
在预测层，根据各实体的多层向量获得预测得分，根据预测得分获得协同损失函数，具体包括：
通过公式(6)根据各实体的多层向量获得预测得分，通过公式(7)根据预测得分获得协同损失函数；
其中，{(u，i，j)|(u，i)∈R+，(u，i)∈R+}，
根据所述训练损失函数和所述协同损失函数获得目标损失函数，具体包括：
根据公式(8)获得目标损失函数；
可选的，所述基于所述拓展故障知识图谱为所述目标故障推荐目标应急预案，具体包括：
基于所述拓展故障知识图谱为所述目标故障推荐多个应急预案；
选用带注意力机制的多任务学习模型输出目标应急预案。
第二方面，本申请提供一种基于知识图谱推荐应急预案的装置，所述装置包括：
构建模块，用于获取目标系统的故障数据，根据所述故障数据构建故障知识图谱，所述故障知识图谱中的实体包括故障类型；
拓展模块，用于通过基于强化学习和图卷积网络的知识图谱推理技术对所述故障知识图谱进行挖掘，将挖掘后的故障类型输入所述故障知识图谱，形成拓展故障知识图谱，并在所述拓展故障知识图谱中添加应急预案节点；
分析模块，用于基于知识图注意力网络算法对所述拓展故障知识图谱进行分析，分析各实体之间的依赖关系，根据所述依赖关系分析各实体的故障原因，基于所述各实体的故障原因建立各实体和应急预案之间的连接；
推荐模块，用于接收目标故障，基于所述拓展故障知识图谱为所述目标故障推荐目标应急预案。
第三方面，本申请提供一种电子设备，包括：存储器和处理器；
存储器用于存储指令；处理器用于调用存储器中的指令执行第一方面及第一方面任一种可能的设计中的基于故障知识图谱推荐应急预案的方法。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机指令，当电子设备的至少一个处理器执行该计算机指令时，电子设备执行第一方面及第一方面任一种可能的设计中的基于故障知识图谱推荐应急预案的方法。
第五方面，本申请提供一种计算机程序产品，所述计算机程序产品包括计算机指令，当电子设备的至少一个处理器执行该计算机指令时，电子设备执行第一方面及第一方面任一种可能的设计中的基于故障知识图谱推荐应急预案的方法。
本申请提供的基于知识图谱推荐应急预案的方法、装置、设备和介质，获取目标系统的故障数据，根据故障数据构建故障知识图谱，使用基于强化学习和图卷积网络的知识图谱推理技术对故障知识图谱进行挖掘，以挖掘更多的故障，构建更多的三元组信息，拓展故障知识图谱。而后，使用基于知识图注意力网络算法对拓展故障知识图谱进行分析，分析各实体之间的依赖关系，以分析各实体的故障原因，并建立拓展故障知识图谱中各实体和应急预案之间的连接，从而能够在接收到目标故障时，基于拓展故障知识图谱为目标故障推荐目标应急预案，提高目标系统的故障处理能力，保证目标系统的稳定运行。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请一实施例提供的基于知识图谱推荐应急预案的方法的流程图；
图2为本申请另一实施例提供的基于知识图谱推荐应急预案的方法的流程图；
图3为本申请又一实施例提供的基于知识图谱推荐应急预案的方法的流程图；
图4为本申请一实施例提供的基于知识图谱推荐应急预案的装置的结构示意图；
图5为本申请一实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
正如背景技术的描述，目前核心交易系统的故障处理能力较差，影响核心交易系统的稳定运行。
针对上述问题，本申请提出了一种基于知识图谱推荐应急预案的方法，使用基于强化学习和图卷积网络的知识图谱推理技术对故障知识图谱进行挖掘，以挖掘更多的故障，构建更多的三元组信息，拓展故障知识图谱。而后，使用基于知识图注意力网络算法对拓展故障知识图谱进行分析，分析各实体之间的依赖关系，以分析各实体的故障原因，并建立拓展故障知识图谱中各实体和应急预案之间的连接，从而能够在接收到目标故障时，基于拓展故障知识图谱为目标故障推荐目标应急预案，提高目标系统的故障处理能力，保证目标系统的稳定运行。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本申请一实施例提供的一种基于知识图谱推荐应急预案的方法的场景示意。电子设备获取进行证券交易对应的交易系统的历史故障数据，根据历史故障数据构建故障知识图谱，故障知识图谱中各实体包括故障类型，实体之间的关系包括故障类型之间的关系。而后，电子设备基于强化学习和图卷积网络的知识图谱推理技术对故障知识图谱进行挖掘，以挖掘更多可能发生的故障的类型，并将挖掘后的故障类型输入故障知识图谱，形成拓展故障知识图谱，并在拓展故障知识图谱中添加应急预案节点。随后，基于知识图注意力网络算法对拓展故障知识图谱进行分析，分析各实体之间的依赖关系，即分析各故障类型之间的依赖关系，根据依赖关系分析各故障类型的故障原因，基于故障原因建立各故障类型与应急预案节点之间的连接，即每个故障类型具有对应的应急预案，而后可以基于拓展故障知识图谱为目标故障推荐对应的目标应急预案。
本申请中，以电子设备为执行主体，执行如下实施例的基于故障知识图谱推荐应急预案的方法。具体地，该执行主体可以为电子设备的硬件装置，或者为电子设备中实现下述实施例的软件应用，或者为安装有实现下述实施例的软件应用的计算机可读存储介质，或者为实现下述实施例的软件应用的代码。
图1示出了本申请一实施例提供的一种基于故障知识图谱推荐应急预案的方法的流程图。如图1所示，以电子设备为执行主体，本实施例的方法可以包括如下步骤：
S101、获取目标系统的故障数据，根据故障数据构建故障知识图谱。
可选的，目标系统可以是核心交易系统。
本实施例中，获取目标系统的历史故障数据，历史故障数据包括预设时间内发生故障的故障类型，故障类型例如包括自动委托中断、远程终端中断、电话委托中断；转账系统故障，不能转账；交易服务器不能正常运行，交易系统瘫痪；客户股票、资金数据丢失等。示例的，可以通过收集和整理已有故障数据库中相关的信息作为故障数据的来源。
而后，对故障数据进行实体识别，即从文本或数据中提取具体实体(故障类型)，可以通过命令实体识别(Named Entity Recognition，NER)算法进行实体识别。而后，建立各实体之间的关系，以建立故障类型之间的关系，即从文本或数据中提取实体之间的关系，例如故障链路之间的因果关系，可以通过关系抽取算法建立各实体之间的关系。随后，将实体和关系组织成图的形式，构建故障知识图谱。故障知识图谱可以使用图数据库或图表示学习方法进行存储和处理，每个实体作为故障知识图谱中的一个节点，关系作为节点之间的边，则每个故障类型作为一个节点，各故障类型之间的关系作为边。
S102、通过基于强化学习和图卷积网络的知识图谱推理技术对故障知识图谱进行挖掘，将挖掘后的故障类型输入故障知识图谱，形成拓展故障知识图谱，并在拓展故障知识图谱中添加应急预案节点。
在一些实施例中，设计一个强化学习代理，该代理可以根据当前的状态选择合适的动作。代理可以使用GCN(Graph Neural Network，图卷积网络)来学习图中节点之间的关系和特征，并根据这些信息进行决策。GCN可以帮助代理捕捉节点之间的复杂关联和上下文信息。而后可以定义一个奖励函数来评估代理的行为。奖励函数可以根据故障主体节点的状态和动作的结果来评估代理的性能。例如，当代理成功识别一个新的故障主体节点时，可以给予正向奖励；当代理选择了一个无效的动作或导致更多故障时，可以给予负向奖励。随后使用强化学习算法对代理进行训练。在训练过程中，代理通过与环境交互，不断更新策略以最大化累积奖励。训练过程中，GCN可以帮助代理学习图中节点之间的关系和特征，从而更好地挖掘故障主体节点。
由于初始构建的故障知识图谱可能存在实体和关系单薄的问题，本实施例中，通过基于强化学习和图卷积网络的知识图谱推理技术对故障知识图谱进行挖掘，示例的，可以对实体进行向量化，对实体之间的关系进行向量化，形成实体嵌入向量和关系嵌入向量，而后将实体嵌入向量和关系嵌入向量输入图卷积网络进行计算，图卷积网络能够挖掘更多的实体，即挖掘更多的故障类型。而后，将挖掘后的故障类型嵌入故障知识图谱，以构建更多的三元组信息，形成拓展故障知识图谱，其中，三元组信息可以包括故障类型-关系-故障类型。
S103、基于知识图注意力网络算法对拓展故障知识图谱进行分析，分析各实体的依赖关系，根据依赖关系分析各实体的故障原因，基于各实体的故障原因建立各实体和应急预案节点之间的连接。
本实施例中，基于图注意力网络算法(Knowledge Graph Attention Network，KGAT)对拓展故障知识图谱嵌入传播和基于注意力的聚合对高阶连接进行编码，通过增强链路多跳节点语义的方式，捕捉相互节点之间的依赖关系，并根据依赖关系分析故障原因。
例如，可以在嵌入层将三元组的实体映射至实体之间的关系所在的向量空间，获得实体向量。而后，根据实体向量以及关系向量计算各三元组的似然性得分，根据各三元组的似然性得分计算训练损失函数。在注意力嵌入传播层将各实体向量和其邻居实体向量进行聚合，以获得各实体的多层向量。在预测层，根据各实体的多层向量获得预测得分，根据预测得分获得协同损失函数。而后，根据训练损失函数和协同损失函数获得目标损失函数，根据目标损失函数分析各实体之间的依赖关系，根据各实体之间的依赖关系，分析各实体对应的故障类型的原因。每个故障原因具有对应的应急预案，根据故障原因建立各实体和应急预案节点之间的连接，以便后续获取故障类型对应的应急预案。
S104、接收目标故障，基于拓展故障知识图谱为目标故障推荐目标应急预案。
由于拓展故障知识图谱中建立有实体和对应应急预案之间的关系，则可以基于拓展故障知识图谱为目标故障推荐对应的目标应急预案，从而能够提高目标系统的故障处理能力。
在一些实施例中，基于拓展故障知识图谱为目标故障推荐多个应急预案，选用带有注意力机制的多任务学习模型输出目标应急预案，以提高故障推荐效果和效率。
具体的，在多任务学习中，多个任务共享一个模型，这样就能更好地利用数据，提高泛化性能和降低计算复杂度。这里选用带注意力机制的多任务学习模型(Multi-TaskLearning with Attention，MTL-Att)。该模型通过使用注意力机制来结合各个任务的特征，从而学习共同的特征，并在任务间共享这些特征。在训练过程中，模型通过学习任务间的关系，并动态调整注意力机制的权重，从而提高各个任务的性能。MTL-Att模型可以通过注意力机制来学习如何分配用户个性化的故障应急预案推荐、相关故障链路的场景推荐以及链路分类这三个不同任务的重要性。具体来说，模型可以为每个任务学习一个权重向量，并使用这些权重向量来加权每个任务的输出，从而得到最终的预测结果。模型可以在训练过程中同时学习这三个任务，从而实现了多任务学习的目标。最终，通过调整权重向量的值，模型可以更好地调整每个任务的重要性，从而获得更好的故障应急预案推荐结果。
本申请提供的基于知识图谱推荐应急预案的方法，使用基于强化学习和图卷积网络的知识图谱推理技术对故障知识图谱进行挖掘，以挖掘更多的故障，构建更多的三元组信息，拓展故障知识图谱。而后，使用基于知识图注意力网络算法对拓展故障知识图谱进行分析，分析各实体之间的依赖关系，以分析各实体的故障原因，并建立拓展故障知识图谱中各实体和应急预案之间的连接，从而能够在接收到目标故障时，基于拓展故障知识图谱为目标故障推荐目标应急预案，提高目标系统的故障处理能力，保证目标系统的稳定运行。
图2为本申请一实施例示出的另一基于知识图谱推荐应急预案的方法的流程示意图。如图2所示，步骤S102，通过基于强化学习和图卷积网络的知识图谱推理技术对故障知识图谱进行挖掘，将挖掘后的故障类型输入故障知识图谱，形成拓展故障知识图谱，并在故障知识图谱中添加应急预案节点，包括：
S201、对实体和实体之间的关系进行向量化，形成实体嵌入向量和关系嵌入向量。
其中，实体嵌入向量和关系嵌入向量的获取通常涉及到训练过程，例如可以使用图卷积网络(GCN)或其他嵌入学习方法。
具体的：
(1)数据准备：准备一个包含实体和关系的训练数据集。这个训练数据集可以是一个知识图谱，其中包含实体和关系的节点和边。
(2)初始化嵌入向量：为每个实体和关系节点初始化一个嵌入向量。这些向量可以是随机初始化的。
(3)图卷积网络训练：使用图卷积网络的学习方法对知识图谱中的实体和关系进行训练。训练过程中，图卷积网络会通过节点之间的连接和特征传播来学习节点的嵌入表示。
(4)前向传播：在训练完成后，可以使用训练好的图卷积网络模型进行前向传播，以获取实体和关系的嵌入向量。在前向传播过程中，图卷积网络会根据节点之间的连接和特征传播，计算每个节点和关系的嵌入向量。
S202、图卷积网络作为强化学习的策略网络，图卷积网络在内部层之间添加激活函数进行非线性处理，将实体嵌入向量和关系嵌入向量作为特征输入图卷积网络进行计算，以挖掘更多的故障类型。
在RL-GCN的知识嵌入层中，实体嵌入向量Ve用作状态空间，关系嵌入向量Vr用作动作空间。为了解决数据稀疏问题，通过TransR嵌入实体和关系，得到实体嵌入向量与关系语义的结合，如下公式(1)：
其中，ei是实体的当前状态，是实体的当前特征向量。/>是当前状态ei＝eh下的头部实体向量，hr是关系的特征向量。
作为强化学习模型的策略网络，图卷积网络在内部层之间添加激活函数进行非线性处理，并将实体嵌入向量和关系嵌入向量作为特征输入发送到GCN中进行联合计算。这样不需要在网络的每一层上重复嵌入关系，这大大降低了关系向量的复杂性。
Q(Ve,Vr|θt)＝RL-GCN(Ve,Vr) (2)
其中，公式(2)的目的是通过RL-GCN模型和Q函数来估计给定实体向量和关系向量的状态-动作值。RL-GCN模型将实体向量和关系向量作为特征输入，通过内部层之间的非线性处理和联合计算，生成一个输出。Q函数则根据这个输出估计状态-动作值，用于指导强化学习代理在给定状态下选择最优的动作。
实体和关系的更新过程如下：
其中每个实体层的特征表示为并且关系特征表示为/>是节点ei对应的邻居节点集合，/>是关系向量的参数矩阵。
至此，可以根据公式(3)和公式(4)更新实体和实体关系，以获取更多的故障类型和故障类型之间的关系。
S203、将挖掘的故障类型嵌入故障知识图谱，以构建更多的三元组信息，形成拓展故障知识图谱，并在拓展故障知识图谱中添加应急预案节点。
根据挖掘的故障类型和故障类型之间的关系，将挖掘的故障类型嵌入故障知识图谱，获取更多的三元组信息。而后，可以根据实际情况对挖掘的故障类型生成对应的应急预案，将挖掘的故障类型对应的应急预案添加至拓展故障知识图谱。
本申请提供的基于故障知识图谱推荐应急预案的方法，基于强化学习和图卷积网络的知识图谱推理技术对故障知识图谱进行挖掘，以挖掘更多的故障，构建更多的三元组信息，拓展故障知识图谱，从而能够基于拓展故障知识图谱为目标故障推荐对应的目标应急预案，提高目标系统的故障处理能力。
图3为本申请一实施例示出的另一基于知识图谱推荐应急预案的方法的流程示意图。如图3所示，步骤S103，基于知识图注意力网络算法对拓展故障知识图谱进行分析，分析各实体之间的依赖关系，根据依赖关系分析各实体的故障原因，基于各实体的故障原因建立各实体和应急预案节点之间的连接，包括：
S301、在嵌入层将三元组的实体映射至实体之间的关系所在的向量空间，获得实体向量，根据实体向量以及关系向量计算各三元组的似然性得分，根据各三元组的似然性得分计算训练损失函数。
引入KGAT模型以端到端的方式利用高阶关系的概念，其中，图注意力网络算法模型包括嵌入层、注意力嵌入传播层和预测层。嵌入层用于采用基于距离的翻译模型TransR图谱嵌入算法，学习图谱的实体节点的向量表示；注意力嵌入传播层用于进行信息传播、知识感知注意力以及信息聚合，得到多层实体节点
在嵌入层(Embedding Layer)采用了一种广泛使用的方法——TransR，它的主要思想是不同的实体在不同的关系下有着不同的含义，所以需要将实体投影到特定关系空间中，假如图中存在三元组(h，r，t)，若h和t具有r关系，那么它们在r关系空间上的表示应该接近，否则应该远离，如下公式(5)：
其中eh，et∈Rd和er∈Rk分别是h，t，r的嵌入；分别是eh，et在关系r空间中的映射。所以，对于给定的三元组(h，r，t)，其似然性得分(或能量得分)如下公式(6)：
其中Wr∈Rk×d是关系r的转换矩阵，将实体从d维实体空间投影到k维关系空间中。g(h，r，t)的值越低，则表示该三元组为真的概率越大。
TransR的训练考虑了有效三元组和断裂三元组之间的相对顺序，并通过成对的排序损失(pairwise ranking loss)来衡量其效果，如下公式(7)：
LKG＝∑(h，r，t，t，)∈T-lnσ(g(h，r，t′)-g(h，r，t)) (7)
让负样本的值减去正样本的值尽可能的大。负样本的选择就是将t随机替换成一个别的。
S302、在注意力嵌入层将各实体向量和其邻居实体向量进行聚合，以获得各实体的多层向量。
在图形卷积网络的架构上，沿着高阶连通性递归传播嵌入信息；此外，利用图注意力网络的思想生成级联传播的注意力权重来揭示这种连通性的重要性。注意力嵌入传播层(Attentive Embedding Propagation Layers)由三个部分组成：信息传播、知识感知注意力和信息聚合。
信息传播中考虑实体h，使用Nh＝{(h，r，t)|(h，r，t)∈G}表示那些以h为头实体的三元组。计算h的ego-network如下公式(8)：
其中π(h，r，t)控制三元组每次传播的衰减因子，说明有多少信息量从t经过r传向h。
而在知识感知注意力中通过关系注意力机制实现π(h，r，t)，其如下公式(9)：
π(h，r，t)＝(Wret)Ttanh((Wreh+er)) (9)
这里使用tanh作为激活函数可以使得在关系空间中越接近的eh和et有更高的注意力分值。此后，通过采用softmax函数来归一化与h连接的所有三元组的系，如下公式(10)：
最终凭借π(h，r，t)可以知道哪些邻居节点应该被给予更多的关注。
在信息聚合这一最后阶段中将实体表示eh及其ego-network表示聚合为实体h的新标识，即/>使用三种类型的聚合器实现f(·)：
GCN聚合器总结了两种表示，并应用了非线性变换，如下公式(11)：
图形聚合器(GraphSage)将两个表示连接起来，然后进行非线性转换，如下公式(12)：
双向交互聚合器(Bi-Interaction)是本专利尤其重视的，它考虑了eh和之间的两种功能交互，如下公式(13)：
S303、在预测层，根据各实体的多层向量获得预测得分，根据预测得分获得协同损失函数。
对于其预测在执行L层后，得到用户节点u的多个表示，即类似于项目节点i，得到/>由于第l层的输出是以u(或i)为根的l的树结构深度的消息聚合，不同层的输出强调不同顺序的连通性信息。因此，采用层聚合机制将每一步的表示连接成一个向量，如下公式(14)：
最后，进行用户和项目表示的内积，以预测它们的匹配分数，如下公式(15)：
需要说明，此处的用户是指需要获得推荐的个体，例如目标系统，项目是指故障节点，例如故障类型对应的节点。
对于模型的优化，选择BPR损失。具体来说，它假设观察到的交互(，更多的用户偏好)应该被分配比未观察到的更高的预测值，如下公式(16)：
S304、根据训练损失函数和协同损失函数获得目标损失函数。
最后的目标损失函数联合学习公式(7和公式(16))，如下公式(17)：
S305、根据目标损失函数分析各实体之间的依赖关系，根据各实体之间的依赖关系，分析各实体对应的故障类型的原因。
本申请提供的基于知识图谱推荐应急预案的方法，使用基于知识图注意力网络算法对拓展故障知识图谱进行分析，分析各实体之间的依赖关系，以分析各实体的故障原因，并建立拓展故障知识图谱中各实体和应急预案之间的连接，从而能够在接收到目标故障时，基于拓展故障知识图谱为目标故障推荐目标应急预案，提高目标系统的故障处理能力，保证目标系统的稳定运行。
图4示出了本申请一实施例提供的一种基于知识图谱推荐应急预案的装置的结构示意图，如图4所示，本实施例的基于知识图谱推荐应急预案的装置10用于实现上述任一方法实施例中对应于电子设备的操作，本实施例的基于知识图谱推荐应急预案的装置10包括：
构建模块11，用于获取目标系统的故障数据，根据故障数据构建故障知识图谱，故障知识图谱中的实体包括故障类型；
拓展模块12，用于通过基于强化学习和图卷积网络的知识图谱推理技术对故障知识图谱进行挖掘，将挖掘后的故障类型输入故障知识图谱，形成拓展故障知识图谱，并在拓展故障知识图谱中添加应急预案节点；
分析模块13，用于基于知识图注意力网络算法对拓展故障知识图谱进行分析，分析各实体之间的依赖关系，根据依赖关系分析各实体的故障原因，基于各实体的故障原因建立各实体和应急预案之间的连接；
推荐模块14，用于接收目标故障，基于拓展故障知识图谱为目标故障推荐目标应急预案。
本申请实施例提供的基于知识图谱推荐应急预案的装置10，可执行上述方法实施例，其具体实现原理和技术效果，可参见上述方法实施例，本实施例此处不再赘述。
图5示出了本申请实施例提供的一种电子设备的硬件结构示意图。如图5所示，该电子设备20，用于实现上述任一方法实施例中对应于电子设备的操作，本实施例的电子设备20可以包括：存储器21，处理器22和通信接口23。
存储器21，用于存储计算机指令。该存储器21可能包含高速随机存取存储器(Random Access Memory，RAM)，也可能还包括非易失性存储(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
处理器22，用于执行存储器存储的计算机指令，以实现上述实施例中的基于知识图谱推荐应急预案的方法。具体可以参见前述方法实施例中的相关描述。该处理器22可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
可选地，存储器21既可以是独立的，也可以跟处理器22集成在一起。
通信接口23，可以与处理器22连接。处理器22可以控制通信接口23来实现信息的接收和发送的功能。
本实施例提供的电子设备可用于执行上述的基于知识图谱推荐应急预案的方法，其实现方式和技术效果类似，本实施例此处不再赘述。
本申请还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机指令，计算机指令被处理器执行时用于实现上述的各种实施方式提供的方法。
本申请还提供一种计算机程序产品，该计算机程序产品包括计算机指令，该计算机指令存储在计算机可读存储介质中。设备的至少一个处理器可以从计算机可读存储介质中读取该计算机指令，至少一个处理器执行该计算机指令使得设备实施上述的各种实施方式提供的方法。
本申请实施例还提供一种芯片，该芯片包括存储器和处理器，所述存储器用于存储计算机指令，所述处理器用于从所述存储器中调用并运行所述计算机指令，使得安装有所述芯片的设备执行如上各种可能的实施方式中所述的方法。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制。尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种基于知识图谱推荐应急预案的方法，其特征在于，所述方法包括：
获取目标系统的故障数据，根据所述故障数据构建故障知识图谱，所述故障知识图谱中的实体包括故障类型；
通过基于强化学习和图卷积网络的知识图谱推理技术对所述故障知识图谱进行挖掘，将挖掘后的故障类型输入所述故障知识图谱，形成拓展故障知识图谱，并在所述拓展故障知识图谱中添加应急预案节点；
基于知识图注意力网络算法对所述拓展故障知识图谱进行分析，分析各实体之间的依赖关系，根据所述依赖关系分析各实体的故障原因，基于所述各实体的故障原因建立各实体和应急预案节点之间的连接；
接收目标故障，基于所述拓展故障知识图谱为所述目标故障推荐目标应急预案。
2.根据权利要求1所述的方法，其特征在于，所述根据所述故障数据构建知识图谱，具体包括：
对所述故障数据进行实体识别，获取故障；
建立各实体之间的关系，以建立故障类型之间的关系；
将所述实体和关系组织成图的形式，以构建故障知识图谱。
3.根据权利要求1所述的方法，其特征在于，所述通过基于强化学习和图卷积网络的知识图谱推理技术对所述故障知识图谱进行挖掘，将挖掘后的故障类型输入所述故障知识图谱，形成拓展故障知识图谱，具体包括：
对所述实体和实体之间的关系进行向量化，形成实体嵌入向量和关系嵌入向量；
图卷积网络作为强化学习的策略网络，所述图卷积网络在内部层之间添加激活函数进行非线性处理，将实体嵌入向量和关系嵌入向量作为特征输入图卷积网络进行计算，以挖掘更多的故障类型；
将挖掘的故障类型嵌入所述故障知识图谱，以构建更多的三元组信息，形成拓展故障知识图谱。
4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述基于知识图注意力网络算法对所述拓展故障知识图谱进行分析，分析各实体之间的依赖关系，根据所述依赖关系分析各实体的故障原因，基于所述各实体的故障原因建立各实体和应急预案节点之间的连接，具体包括：
在嵌入层将三元组的实体映射至实体之间的关系所在的向量空间，获得实体向量，根据实体向量以及关系向量计算各三元组的似然性得分，根据各三元组的似然性得分计算训练损失函数；
在注意力嵌入传播层将各实体向量和其邻居实体向量进行聚合，以获得各实体的多层向量；
在预测层，根据各实体的多层向量获得预测得分，根据预测得分获得协同损失函数；
根据所述训练损失函数和所述协同损失函数获得目标损失函数；
根据所述目标损失函数分析各实体之间的依赖关系，根据各实体之间的依赖关系，分析各实体对应的故障类型的原因。
5.根据权利要求4所述的方法，其特征在于，所述根据实体向量以及关系向量计算各三元组的似然性得分，根据各三元组的似然性得分计算训练损失函数，具体包括：
根据公式(1)计算各三元组的似然性得分；
其中，(h,r,t)是三元组，eh，et∈Rd和er∈Rk分别是h，t，r的嵌入向量，Wr∈Rk×d是关系r的转换矩阵，将实体从d维实体空间投影到k维关系空间中；
所述根据各三元组的似然性得分计算训练损失函数，具体包括：
根据公式(2)计算训练损失函数；
LKG＝∑(h,r,t,t′)∈T-lnσ(g(h,r,t′)-g(h,r,t)) (2)；
其中，g(h,r,t′)是负例三元组(h,r,t′)的似然性得分，负例三元组(h,r,t′)是通过将三元组(h,r,t)中的尾实体替换得到的。
6.根据权利要求5所述的方法，其特征在于，在注意力嵌入传播层将各实体向量和其邻居实体向量进行聚合，以获得各实体的多层向量，具体包括：
通过GCN聚合器根据公式(3)，或通过图形聚合器根据公式(4)，或通过双向交互聚合器根据公式(5)，将各实体向量和其邻居实体向量进行聚合；
其中，Nh＝{(h,r,t)|(h,r,t)∈G}；
则，各实体的多层向量表示为
在预测层，根据各实体的多层向量获得预测得分，根据预测得分获得协同损失函数，具体包括：
通过公式(6)根据各实体的多层向量获得预测得分，通过公式(7)根据预测得分获得协同损失函数；
其中，{(u,i,j)|(u,i)∈R+,(u,i)∈R+}，
根据所述训练损失函数和所述协同损失函数获得目标损失函数，具体包括：
根据公式(8)获得目标损失函数；
7.根据权利要求1所述的方法，其特征在于，所述基于所述拓展故障知识图谱为所述目标故障推荐目标应急预案，具体包括：
基于所述拓展故障知识图谱为所述目标故障推荐多个应急预案；
选用带注意力机制的多任务学习模型输出目标应急预案。
8.一种基于知识图谱推荐应急预案的装置，其特征在于，所述装置包括：
构建模块，用于获取目标系统的故障数据，根据所述故障数据构建故障知识图谱，所述故障知识图谱中的实体包括故障类型；
拓展模块，用于通过基于强化学习和图卷积网络的知识图谱推理技术对所述故障知识图谱进行挖掘，将挖掘后的故障类型输入所述故障知识图谱，形成拓展故障知识图谱，并在所述拓展故障知识图谱中添加应急预案节点；
分析模块，用于基于知识图注意力网络算法对所述拓展故障知识图谱进行分析，分析各实体之间的依赖关系，根据所述依赖关系分析各实体的故障原因，基于所述各实体的故障原因建立各实体和应急预案之间的连接；
推荐模块，用于接收目标故障，基于所述拓展故障知识图谱为所述目标故障推荐目标应急预案。
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至7中任意一项所述的基于知识图谱推荐应急预案的方法。
10.一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中存储有计算机指令，所述计算机指令被处理器执行时用于实现如权利要求1至7中任一项所述的基于知识图谱推荐应急预案的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311126198.3A CN117150042B (zh) | 2023-09-01 | 2023-09-01 | 基于知识图谱推荐应急预案的方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311126198.3A CN117150042B (zh) | 2023-09-01 | 2023-09-01 | 基于知识图谱推荐应急预案的方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117150042A true CN117150042A (zh) | 2023-12-01 |
| CN117150042B CN117150042B (zh) | 2024-04-16 |
Family
ID=88911486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311126198.3A Active CN117150042B (zh) | 2023-09-01 | 2023-09-01 | 基于知识图谱推荐应急预案的方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150042B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117519052A (zh) * | 2023-12-12 | 2024-02-06 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
| CN117519052B (zh) * | 2023-12-12 | 2024-05-28 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113553420A (zh) * | 2020-04-22 | 2021-10-26 | 国网电力科学研究院有限公司 | 基于知识图谱的电网故障处理规程推荐方法和系统 |
| CN113779254A (zh) * | 2021-09-13 | 2021-12-10 | 广州汇通国信科技有限公司 | 一种基于知识图谱的电网故障处置预案推荐方法及装置 |
| CN113961718A (zh) * | 2021-10-28 | 2022-01-21 | 南京航空航天大学 | 一种基于工业机械故障诊断知识图谱的知识推理方法 |
| CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
| CN114741518A (zh) * | 2021-01-07 | 2022-07-12 | 中国科学院上海高等研究院 | 列车故障知识图谱的构建方法、故障分析方法与存储介质 |
| CN116541510A (zh) * | 2023-05-09 | 2023-08-04 | 西安电子科技大学 | 一种基于知识图谱的故障案例推荐方法 |
| CN116662580A (zh) * | 2023-04-17 | 2023-08-29 | 广西电网有限责任公司 | 基于知识图谱的应急调度智能助手方法和系统 |
-
2023
- 2023-09-01 CN CN202311126198.3A patent/CN117150042B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113553420A (zh) * | 2020-04-22 | 2021-10-26 | 国网电力科学研究院有限公司 | 基于知识图谱的电网故障处理规程推荐方法和系统 |
| CN114741518A (zh) * | 2021-01-07 | 2022-07-12 | 中国科学院上海高等研究院 | 列车故障知识图谱的构建方法、故障分析方法与存储介质 |
| CN113779254A (zh) * | 2021-09-13 | 2021-12-10 | 广州汇通国信科技有限公司 | 一种基于知识图谱的电网故障处置预案推荐方法及装置 |
| CN113961718A (zh) * | 2021-10-28 | 2022-01-21 | 南京航空航天大学 | 一种基于工业机械故障诊断知识图谱的知识推理方法 |
| CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
| CN116662580A (zh) * | 2023-04-17 | 2023-08-29 | 广西电网有限责任公司 | 基于知识图谱的应急调度智能助手方法和系统 |
| CN116541510A (zh) * | 2023-05-09 | 2023-08-04 | 西安电子科技大学 | 一种基于知识图谱的故障案例推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 乔骥;王新迎;闵睿;白淑华;姚冬;蒲天骄;: "面向电网调度故障处理的知识图谱框架与关键技术初探", 中国电机工程学报, no. 18 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117519052A (zh) * | 2023-12-12 | 2024-02-06 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
| CN117519052B (zh) * | 2023-12-12 | 2024-05-28 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117150042B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021082681A1 (zh) | 多方联合训练图神经网络的方法及装置 | |
| TWI726341B (zh) | 樣本屬性評估模型訓練方法、裝置、伺服器及儲存媒體 | |
| CN112818137B (zh) | 基于实体对齐的多源异构知识图谱协同推理方法及装置 | |
| CN112464292B (zh) | 基于隐私保护训练图神经网络的方法及装置 | |
| CN111476662A (zh) | 反洗钱识别方法及装置 | |
| EP3975092A1 (en) | Method and system for detecting fraudulent transactions | |
| US10675537B1 (en) | Determining action selection policies of an execution device | |
| CN112053327B (zh) | 视频目标物检测方法、系统及存储介质和服务器 | |
| WO2023010502A1 (en) | Method and apparatus for anomaly detection on graph | |
| CN114255121A (zh) | 信贷风险预测模型的训练方法和信贷风险预测方法 | |
| CN110060157B (zh) | 信誉度评估方法及系统 | |
| CN117150042B (zh) | 基于知识图谱推荐应急预案的方法、装置、设备和介质 | |
| Balafoutis et al. | Algorithms for stochastic CSPs | |
| CN113538126A (zh) | 基于gcn的欺诈风险预测方法及装置 | |
| US10765949B1 (en) | Determining action selection policies of an execution device | |
| CN114329099B (zh) | 重叠社区识别方法、装置、设备、存储介质及程序产品 | |
| US10719358B1 (en) | Determining action selection policies of an execution device | |
| CN114900435A (zh) | 一种连接关系预测方法及相关设备 | |
| Nápoles et al. | Partitive granular cognitive maps to graded multilabel classification | |
| CN114819442A (zh) | 一种运筹优化方法、装置和计算设备 | |
| CN113255935A (zh) | 基于联邦学习的模型更新方法和装置以及存储介质 | |
| Ravindra Krishna Chandar et al. | Deep iterative fuzzy pooling in unmanned robotics and autonomous systems for Cyber-Physical systems | |
| US20230351493A1 (en) | Efficient processing of extreme inputs for real-time prediction of future events | |
| Shastri et al. | Intelligent approach to switch replacement planning for Internet service provider networks | |
| CN117290554B (zh) | 一种基于图数据的业务规则确定方法及装置 |
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 |