CN117235249B - 一种基于知识与数据双驱动的智能创作方法与系统 - Google Patents
一种基于知识与数据双驱动的智能创作方法与系统 Download PDFInfo
- Publication number
- CN117235249B CN117235249B CN202311244923.7A CN202311244923A CN117235249B CN 117235249 B CN117235249 B CN 117235249B CN 202311244923 A CN202311244923 A CN 202311244923A CN 117235249 B CN117235249 B CN 117235249B
- Authority
- CN
- China
- Prior art keywords
- data
- knowledge
- artistic
- creation
- user
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000009977 dual effect Effects 0.000 title claims description 19
- 238000012216 screening Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 22
- 230000003993 interaction Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000013256 Gubra-Amylin NASH model Methods 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013523 data management Methods 0.000 description 4
- 230000008676 import Effects 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识与数据双驱动的智能创作方法与系统，通过从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识，根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱；基于艺术作品数据与艺术作品特征标注数据，生成艺术作品数据图谱；将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练；根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据。通过本发明，能够基于深度学习模型生成满足用户需求的创作作品，进一步，通过GAN模型，基于知识与数据的驱动，有效提高艺术创造的能力。
Description
技术领域
本发明涉及人工智能领域，更具体的，涉及一种基于知识与数据双驱动的智能创作方法与系统。
背景技术
当前人工智能的学习模式主要以数据驱动为主要手段，以深度神经网络为主流的机器学习算法取得了显著进展。但是这种数据驱动的人工智能手段依然面临数据获取成本高、可解释性弱、鲁棒性不强等不足。
ChatGPT按照“共生则关联”的原理，创新性地挖掘出语料中单词共生概率知识，并结合人类反馈信息，实现了指定主题的语言自动合成。它具有博览群书、出口成章、迭代提高、规矩谦虚、缺乏独创等特点。人类解决问题的方式往往要采用感知数据和记忆知识协同工作，逻辑思维和形象思维协同工作等双轮驱动工作。AI的再次创新需要多重知识表达、知识自动生成、视觉知识扮演开路先锋。数据和知识的结合将让人工智能走向更深入、更专业、更通用。
逻辑知识一般采取基于知识图谱(Knowledge Graph)的方式表征。目前将知识图谱引入深度学习的技术主要有两种方式：一是将知识图谱的语义信息输入到深度学习中；二是使用知识图谱的知识作为优化的约束条件。知识图谱与深度学习的融合虽然已有较多研究工作，但目前仍未实现深度融合，知识表示产生的损失、常识和领域知识的融合等问题都有待进一步解决。
在现有技术中，基于大规模的知识库和常识库让AI机器进行知识描述无法做到动态变化，难以与时俱进、因时因地地适应大规模的数据和灵活多变的知识。而在数据驱动的感知人工智能框架中，计算机模型又缺乏解决认知的问题，通过数据之间的特征学习，难以进行科学的推理。因此需要结合数据驱动和知识驱动，提供一个双驱动的智能创作方法。
发明内容
本发明克服了现有技术的缺陷，提出了一种基于知识与数据双驱动的智能创作方法与系统。
本发明第一方面提供了一种基于知识与数据双驱动的智能创作方法，包括：
从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识；
根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱；
基于艺术作品数据与艺术作品特征标注数据，生成艺术作品数据图谱；
将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练；
根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据。
本方案中，所述从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识，具体为：
基于专业知识，生成人文知识类检索标签与艺术创作类检索标签；
根据人文知识类检索标签与艺术创作类检索标签，从知识大数据中进行数据检索，得到人文历史专业知识与艺术创作专业知识；
将人文历史专业知识数据导入人文历史专业知识数据库；
将艺术创作专业知识导入艺术创作专业知识数据库。
本方案中，所述根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱，具体为：
对人文历史专业知识与艺术创作专业知识进行实体、关系与属性信息提取，得到对应实体数据，关系数据、属性数据；
对所述实体数据，关系数据、属性数据进行数据融合，得到初始图谱数据；
对初始图谱数据进行实体对齐与属性值填充处理，形成具有结构化的专业知识图谱。
本方案中，所述基于艺术作品数据与艺术作品特征标注数据，生成艺术作品数据图谱，具体为：
输入预设的艺术作品数据；
对所述艺术作品数据进行数据标准化与特征提取，得到艺术作品特征标注数据；
将艺术作品数据与对艺术作品特征标注数据进行数据融合与数据转化，得到艺术作品数据图谱。
本方案中，所述将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练，具体为：
构建基于GAN的创作模型；
基于专业知识图谱，生成专业知识特征；
基于艺术作品数据图谱，生成艺术作品数据特征；
对专业知识特征与艺术作品数据特征进行数据标准化、归一化与数据整合处理，并保证专业知识特征与艺术作品数据特征的数据量比例为1:1；
基于创作模型构建一个基础对抗网络，所述基础对抗网络包括生成器G0与判别器D0；
将专业知识特征与艺术作品数据特征导入生成器G0，基于导入数据，生成器G０生成对应结果数据集；
将结果数据集输入至判别器D０进行判断，得到训练数据判断概率P；
判断P是否等于0.5，若不等于，则生成器G０重复生成结果数据集并导入判别器D０进行判断，直至P等于0.5。
本方案中，所述根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据,具体为：
通过用户交互模块，获取用户创作需求数据；
基于所述用户创作需求数据，生成用户需求参数；
将用户需求参数导入创作模型，基于基础对抗网络生成多组初始艺术作品数据；
将所述多组初始艺术作品数据导入筛选模块，基于用户创作需求数据、预设创作规范，对多组初始艺术作品数据进行满意度计算，将满意度高于预设值的初始艺术作品数据标记为交付作品数据。
本方案中，所述根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据,还包括：
对多组初始艺术作品数据进行满意度计算，若满意度均低于预设值，则基于用户交互模块，采集用户使用偏好、浏览记录、交易记录信息；
将用户使用偏好、浏览记录、交易记录信息导入用户特征模块进行用户兴趣特征分析，得到兴趣特征数据；
根据兴趣特征数据，从专业知识图谱与艺术作品数据图谱进行知识与数据的特征偏好度分析，得到知识与数据的偏好度比例；
基于兴趣特征数据，从专业知识图谱与艺术作品数据图谱中进行知识与数据的提取，得到兴趣专业知识与兴趣艺术作品数据；
对兴趣专业知识与兴趣艺术作品数据进行数据标准化、归一化与数据整合处理，并保证趣专业知识与兴趣艺术作品数据的数据量比例为偏好度比例；
根据兴趣特征数据，从时事潮流大数据中进行数据检索，得到兴趣潮流数据；
基于创作模型构建一个第一对抗网络，所述第一对抗网络包括生成器G１与判别器D１；将兴趣专业知识、兴趣艺术作品数据、兴趣潮流数据导入生成器G１；
对第一对抗网络进行重复训练，直至第一对抗网络中的训练数据判断概率P1等于0.5；
将用户需求参数导入创作模型，基于第一对抗网络生成多组用户艺术作品数据；
将所述多组用户艺术作品数据导入筛选模块，基于用户创作需求数据、预设创作规范，对多组用户艺术作品数据进行满意度计算，将满意度高于预设值的用户艺术作品数据标记为交付作品数据。
本发明第二方面还提供了一种基于知识与数据双驱动的智能创作系统，该系统包括：存储器、处理器，所述存储器中包括一种基于知识与数据双驱动的智能创作程序，所述一种基于知识与数据双驱动的智能创作程序被所述处理器执行时实现如下步骤：
从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识；
根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱；
基于艺术作品数据与艺术作品特征标注数据，生成艺术作品数据图谱；
将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练；
根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据。
本方案中，所述从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识，具体为：
基于专业知识，生成人文知识类检索标签与艺术创作类检索标签；
根据人文知识类检索标签与艺术创作类检索标签，从知识大数据中进行数据检索，得到人文历史专业知识与艺术创作专业知识；
将人文历史专业知识数据导入人文历史专业知识数据库；
将艺术创作专业知识导入艺术创作专业知识数据库。
本方案中，所述根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱，具体为：
对人文历史专业知识与艺术创作专业知识进行实体、关系与属性信息提取，得到对应实体数据，关系数据、属性数据；
对所述实体数据，关系数据、属性数据进行数据融合，得到初始图谱数据；
对初始图谱数据进行实体对齐与属性值填充处理，形成具有结构化的专业知识图谱。
本发明公开了一种基于知识与数据双驱动的智能创作方法与系统，通过从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识，根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱；基于艺术作品数据与艺术作品特征标注数据，生成艺术作品数据图谱；将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练；根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据。通过本发明，能够基于深度学习模型生成满足用户需求的创作作品，进一步，通过GAN模型，基于知识与数据的驱动，有效提高艺术创造的能力。
附图说明
图1示出了本发明一种基于知识与数据双驱动的智能创作方法的流程图；
图2示出了本发明获取艺术创作专业知识流程图；
图3示出了本发明获取专业知识图谱流程图；
图4示出了本发明一种基于知识与数据双驱动的智能创作系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于知识与数据双驱动的智能创作方法的流程图。
如图1所示，本发明第一方面提供了一种基于知识与数据双驱动的智能创作方法，包括：
S102，从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识；
S104，根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱；
S106，基于艺术作品数据与艺术作品特征标注数据，生成艺术作品数据图谱；
S108，将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练；
S110，根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据。
需要说明的是，本发明系统包括用户交互模块、智能创作模块、计费交易模块、知识管理模块、大数据管理模块、用户特征模块、生产管理模块；用户交互模块用于和用户进行创作的需求收集、作品展示、作品选择，交易付费等交互功能。智能创作模块用于人文历史专业知识数据、艺术创作专业知识数据、艺术作品数据、时事潮流大数据的数据保存与分析，并基于用户的需求、用户的特征，进行智能创作，并负责与用户交互模块和交易模块对接，收集用户需求进行分析及处理，返回创作作品，并对接计费交易等。计费交易模块的作用为：基于智能创作模块输入的服务清单，对照价格清单形成订单，在收到订单支付完成后，将用户请求提交到生产管理模块。知识管理模块，负责对知识数据的管理，包括人文历史专业知识数据、艺术创作专业知识数据的更新迭代，以及新增数据的录入，在新增数据达到阈值时，负责新阶段的知识图谱学习训练与构建的发起。大数据管理模块：负责艺术作品大数据的管理，包括艺术作品、时事新闻热点等数据的更新迭代，以及新增数据的录入，在新增数据达到阈值时，负责新阶段的作品数据训练的发起。用户特征模块：负责用户使用偏好、浏览记录、交易记录的收集及特征学习。生产管理模块：负责对接第三方生产系统，将设计作品交付生产，并负责跟踪作品完成情况及物流情况。
图2示出了本发明获取艺术创作专业知识流程图。
根据本发明实施例，所述从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识，具体为：
S202，基于专业知识，生成人文知识类检索标签与艺术创作类检索标签；
S204，根据人文知识类检索标签与艺术创作类检索标签，从知识大数据中进行数据检索，得到人文历史专业知识与艺术创作专业知识；S206，将人文历史专业知识数据导入人文历史专业知识数据库；
S208，将艺术创作专业知识导入艺术创作专业知识数据库。
需要说明的是，所述知识大数据为从互联网大数据中得到知识大数据，包括多种艺术创作类知识数据与人文历史类知识数据。
图3示出了本发明获取专业知识图谱流程图。
根据本发明实施例，所述根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱，具体为：
S302，对人文历史专业知识与艺术创作专业知识进行实体、关系与属性信息提取，得到对应实体数据，关系数据、属性数据；
S304，对所述实体数据，关系数据、属性数据进行数据融合，得到初始图谱数据；
S306，对初始图谱数据进行实体对齐与属性值填充处理，形成具有结构化的专业知识图谱。
需要说明的是，所述专业知识图谱包括人文历史专业知识与艺术创作专业知识，所述人文历史专业知识与艺术创作专业知识用于对后续进行智能创作时提供知识支撑，从而得到更为专业的创作内容。
根据本发明实施例，所述基于艺术作品数据与艺术作品特征标注数据，生成艺术作品数据图谱，具体为：
输入预设的艺术作品数据；
对所述艺术作品数据进行数据标准化与特征提取，得到艺术作品特征标注数据；
将艺术作品数据与对艺术作品特征标注数据进行数据融合与数据转化，得到艺术作品数据图谱。
需要说明的是，所述艺术作品数据中，数据格式可以为文字、图像、视频等数据。所述艺术作品数据图谱具体为一种结构化数据，对后续的智能创作提供数据支持。
根据本发明实施例，所述将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练，具体为：
构建基于GAN的创作模型；
基于专业知识图谱，生成专业知识特征；
基于艺术作品数据图谱，生成艺术作品数据特征；
对专业知识特征与艺术作品数据特征进行数据标准化、归一化与数据整合处理，并保证专业知识特征与艺术作品数据特征的数据量比例为1:1；
基于创作模型构建一个基础对抗网络，所述基础对抗网络包括生成器G0与判别器D0；
将专业知识特征与艺术作品数据特征导入生成器G0，基于导入数据，生成器G０生成对应结果数据集；
将结果数据集输入至判别器D０进行判断，得到训练数据判断概率P；
判断P是否等于0.5，若不等于，则生成器G０重复生成结果数据集并导入判别器D０进行判断，直至P等于0.5。
需要说明的是，所述若不等于，则生成器G0重复生成结果数据集并导入判别器D0进行判断，直至P等于0.5中，即为生成器G0与判别器D0进行对抗训练的过程，通过两者不断对抗训练，最终得到一个纳什平衡点，即P等于0.5，此时，对应生成器G0与判别器D０构成的对抗网络为基于1:1的专业知识特征与艺术作品数据特征所生成的对抗网络。
所述GAN即生成对抗网络(Generative Adversarial Network)，由一个生成网络与一个判别网络组成，对应于生成器、判别器，是一种非监督学习方式网络，生成器、判别器为两套独立的神经网络。
根据本发明实施例，所述根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据,具体为：
通过用户交互模块，获取用户创作需求数据；
基于所述用户创作需求数据，生成用户需求参数；
将用户需求参数导入创作模型，基于基础对抗网络生成多组初始艺术作品数据；
将所述多组初始艺术作品数据导入筛选模块，基于用户创作需求数据、预设创作规范，对多组初始艺术作品数据进行满意度计算，将满意度高于预设值的初始艺术作品数据标记为交付作品数据。
根据本发明实施例，所述根据本发明实施例，所述根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据,还包括：
对多组初始艺术作品数据进行满意度计算，若满意度均低于预设值，则基于用户交互模块，采集用户使用偏好、浏览记录、交易记录信息；
将用户使用偏好、浏览记录、交易记录信息导入用户特征模块进行用户兴趣特征分析，得到兴趣特征数据；
根据兴趣特征数据，从专业知识图谱与艺术作品数据图谱进行知识与数据的特征偏好度分析，得到知识与数据的偏好度比例；
基于兴趣特征数据，从专业知识图谱与艺术作品数据图谱中进行知识与数据的提取，得到兴趣专业知识与兴趣艺术作品数据；
对兴趣专业知识与兴趣艺术作品数据进行数据标准化、归一化与数据整合处理，并保证趣专业知识与兴趣艺术作品数据的数据量比例为偏好度比例；
根据兴趣特征数据，从时事潮流大数据中进行数据检索，得到兴趣潮流数据；
基于创作模型构建一个第一对抗网络，所述第一对抗网络包括生成器G1与判别器D1；将兴趣专业知识、兴趣艺术作品数据、兴趣潮流数据导入生成器G1；
对第一对抗网络进行重复训练，直至第一对抗网络中的训练数据判断概率P1等于0.5；
将用户需求参数导入创作模型，基于第一对抗网络生成多组用户艺术作品数据；
将所述多组用户艺术作品数据导入筛选模块，基于用户创作需求数据、预设创作规范，对多组用户艺术作品数据进行满意度计算，将满意度高于预设值的用户艺术作品数据标记为交付作品数据。
需要说明的是，所述时事潮流数据具体为通过互联网进行热点数据抓取得到的大数据，通过时事潮流数据，能够在最后生成艺术作品时附加时事潮流艺术特征，从而更加符合用户需求。
图4示出了本发明一种基于知识与数据双驱动的智能创作系统的框图。
本发明第二方面还提供了一种基于知识与数据双驱动的智能创作系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种基于知识与数据双驱动的智能创作程序，所述一种基于知识与数据双驱动的智能创作程序被所述处理器执行时实现如下步骤：
从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识；
根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱；
基于艺术作品数据与艺术作品特征标注数据，生成艺术作品数据图谱；
将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练；
根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据。
需要说明的是，本发明系统包括用户交互模块、智能创作模块、计费交易模块、知识管理模块、大数据管理模块、用户特征模块、生产管理模块；用户交互模块用于和用户进行创作的需求收集、作品展示、作品选择，交易付费等交互功能。智能创作模块用于人文历史专业知识数据、艺术创作专业知识数据、艺术作品数据、时事潮流大数据的数据保存与分析，并基于用户的需求、用户的特征，进行智能创作，并负责与用户交互模块和交易模块对接，收集用户需求进行分析及处理，返回创作作品，并对接计费交易等。计费交易模块的作用为：基于智能创作模块输入的服务清单，对照价格清单形成订单，在收到订单支付完成后，将用户请求提交到生产管理模块。知识管理模块，负责对知识数据的管理，包括人文历史专业知识数据、艺术创作专业知识数据的更新迭代，以及新增数据的录入，在新增数据达到阈值时，负责新阶段的知识图谱学习训练与构建的发起。大数据管理模块：负责艺术作品大数据的管理，包括艺术作品、时事新闻热点等数据的更新迭代，以及新增数据的录入，在新增数据达到阈值时，负责新阶段的作品数据训练的发起。用户特征模块：负责用户使用偏好、浏览记录、交易记录的收集及特征学习。生产管理模块：负责对接第三方生产系统，将设计作品交付生产，并负责跟踪作品完成情况及物流情况。
根据本发明实施例，所述从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识，具体为：
基于专业知识，生成人文知识类检索标签与艺术创作类检索标签；
根据人文知识类检索标签与艺术创作类检索标签，从知识大数据中进行数据检索，得到人文历史专业知识与艺术创作专业知识；
将人文历史专业知识数据导入人文历史专业知识数据库；
将艺术创作专业知识导入艺术创作专业知识数据库。
需要说明的是，所述知识大数据为从互联网大数据中得到知识大数据，包括多种艺术创作类知识数据与人文历史类知识数据。
根据本发明实施例，所述根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱，具体为：
对人文历史专业知识与艺术创作专业知识进行实体、关系与属性信息提取，得到对应实体数据，关系数据、属性数据；
对所述实体数据，关系数据、属性数据进行数据融合，得到初始图谱数据；
对初始图谱数据进行实体对齐与属性值填充处理，形成具有结构化的专业知识图谱。
需要说明的是，所述专业知识图谱包括人文历史专业知识与艺术创作专业知识，所述人文历史专业知识与艺术创作专业知识用于对后续进行智能创作时提供知识支撑，从而得到更为专业的创作内容。
根据本发明实施例，所述基于艺术作品数据与艺术作品特征标注数据，生成艺术作品数据图谱，具体为：
输入预设的艺术作品数据；
对所述艺术作品数据进行数据标准化与特征提取，得到艺术作品特征标注数据；
将艺术作品数据与对艺术作品特征标注数据进行数据融合与数据转化，得到艺术作品数据图谱。
需要说明的是，所述艺术作品数据中，数据格式可以为文字、图像、视频等数据。所述艺术作品数据图谱具体为一种结构化数据，对后续的智能创作提供数据支持。
根据本发明实施例，所述将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练，具体为：
构建基于GAN的创作模型；
基于专业知识图谱，生成专业知识特征；
基于艺术作品数据图谱，生成艺术作品数据特征；
对专业知识特征与艺术作品数据特征进行数据标准化、归一化与数据整合处理，并保证专业知识特征与艺术作品数据特征的数据量比例为1:1；
基于创作模型构建一个基础对抗网络，所述基础对抗网络包括生成器G0与判别器D0；
将专业知识特征与艺术作品数据特征导入生成器G0，基于导入数据，生成器G０生成对应结果数据集；
将结果数据集输入至判别器D０进行判断，得到训练数据判断概率P；
判断P是否等于0.5，若不等于，则生成器G０重复生成结果数据集并导入判别器D０进行判断，直至P等于0.5。
需要说明的是，所述若不等于，则生成器G0重复生成结果数据集并导入判别器D0进行判断，直至P等于0.5中，即为生成器G０与判别器D0进行对抗训练的过程，通过两者不断对抗训练，最终得到一个纳什平衡点，即P等于0.5，此时，对应生成器G０与判别器D0构成的对抗网络为基于1:1的专业知识特征与艺术作品数据特征所生成的对抗网络。
所述GAN即生成对抗网络(Generative Adversarial Network)，由一个生成网络与一个判别网络组成，对应于生成器、判别器，是一种非监督学习方式网络，生成器、判别器为两套独立的神经网络。
根据本发明实施例，所述根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据,具体为：
通过用户交互模块，获取用户创作需求数据；
基于所述用户创作需求数据，生成用户需求参数；
将用户需求参数导入创作模型，基于基础对抗网络生成多组初始艺术作品数据；
将所述多组初始艺术作品数据导入筛选模块，基于用户创作需求数据、预设创作规范，对多组初始艺术作品数据进行满意度计算，将满意度高于预设值的初始艺术作品数据标记为交付作品数据。
根据本发明实施例，所述根据本发明实施例，所述根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据,还包括：
对多组初始艺术作品数据进行满意度计算，若满意度均低于预设值，则基于用户交互模块，采集用户使用偏好、浏览记录、交易记录信息；
将用户使用偏好、浏览记录、交易记录信息导入用户特征模块进行用户兴趣特征分析，得到兴趣特征数据；
根据兴趣特征数据，从专业知识图谱与艺术作品数据图谱进行知识与数据的特征偏好度分析，得到知识与数据的偏好度比例；
基于兴趣特征数据，从专业知识图谱与艺术作品数据图谱中进行知识与数据的提取，得到兴趣专业知识与兴趣艺术作品数据；
对兴趣专业知识与兴趣艺术作品数据进行数据标准化、归一化与数据整合处理，并保证趣专业知识与兴趣艺术作品数据的数据量比例为偏好度比例；
根据兴趣特征数据，从时事潮流大数据中进行数据检索，得到兴趣潮流数据；
基于创作模型构建一个第一对抗网络，所述第一对抗网络包括生成器G１与判别器D1；将兴趣专业知识、兴趣艺术作品数据、兴趣潮流数据导入生成器G1；
对第一对抗网络进行重复训练，直至第一对抗网络中的训练数据判断概率P1等于0.5；
将用户需求参数导入创作模型，基于第一对抗网络生成多组用户艺术作品数据；
将所述多组用户艺术作品数据导入筛选模块，基于用户创作需求数据、预设创作规范，对多组用户艺术作品数据进行满意度计算，将满意度高于预设值的用户艺术作品数据标记为交付作品数据。
需要说明的是，所述时事潮流数据具体为通过互联网进行热点数据抓取得到的大数据，通过时事潮流数据，能够在最后生成艺术作品时附加时事潮流艺术特征，从而更加符合用户需求。
本发明公开了一种基于知识与数据双驱动的智能创作方法与系统，通过从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识，根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱；基于艺术作品数据与艺术作品特征标注数据，生成艺术作品数据图谱；将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练；根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据。通过本发明，能够基于深度学习模型生成满足用户需求的创作作品，进一步，通过GAN模型，基于知识与数据的驱动，有效提高艺术创造的能力。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于知识与数据双驱动的智能创作方法，其特征在于，包括：
从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识；
根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱；
基于艺术作品数据与艺术作品特征标注数据，生成艺术作品数据图谱；
将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练；
根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据；
其中，所述将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练，具体为：
构建基于GAN的创作模型；
基于专业知识图谱，生成专业知识特征；
基于艺术作品数据图谱，生成艺术作品数据特征；
对专业知识特征与艺术作品数据特征进行数据标准化、归一化与数据整合处理，并保证专业知识特征与艺术作品数据特征的数据量比例为1:1；
基于创作模型构建一个基础对抗网络，所述基础对抗网络包括生成器G0与判别器D0；
将专业知识特征与艺术作品数据特征导入生成器G0，基于导入数据，生成器G0生成对应结果数据集；
将结果数据集输入至判别器D0进行判断，得到训练数据判断概率P；
判断P是否等于0.5，若不等于，则生成器G0重复生成结果数据集并导入判别器D0进行判断，直至P等于0.5；
其中，所述根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据,具体为：
通过用户交互模块，获取用户创作需求数据；
基于所述用户创作需求数据，生成用户需求参数；
将用户需求参数导入创作模型，基于基础对抗网络生成多组初始艺术作品数据；
将所述多组初始艺术作品数据导入筛选模块，基于用户创作需求数据、预设创作规范，对多组初始艺术作品数据进行满意度计算，将满意度高于预设值的初始艺术作品数据标记为交付作品数据；
其中，所述根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据,还包括：
对多组初始艺术作品数据进行满意度计算，若满意度均低于预设值，则基于用户交互模块，采集用户使用偏好、浏览记录、交易记录信息；
将用户使用偏好、浏览记录、交易记录信息导入用户特征模块进行用户兴趣特征分析，得到兴趣特征数据；
根据兴趣特征数据，从专业知识图谱与艺术作品数据图谱进行知识与数据的特征偏好度分析，得到知识与数据的偏好度比例；
基于兴趣特征数据，从专业知识图谱与艺术作品数据图谱中进行知识与数据的提取，得到兴趣专业知识与兴趣艺术作品数据；
对兴趣专业知识与兴趣艺术作品数据进行数据标准化、归一化与数据整合处理，并保证趣专业知识与兴趣艺术作品数据的数据量比例为偏好度比例；
根据兴趣特征数据，从时事潮流大数据中进行数据检索，得到兴趣潮流数据；
基于创作模型构建一个第一对抗网络，所述第一对抗网络包括生成器G1与判别器D1；将兴趣专业知识、兴趣艺术作品数据、兴趣潮流数据导入生成器G1；
对第一对抗网络进行重复训练，直至第一对抗网络中的训练数据判断概率P1等于0.5；
将用户需求参数导入创作模型，基于第一对抗网络生成多组用户艺术作品数据；
将所述多组用户艺术作品数据导入筛选模块，基于用户创作需求数据、预设创作规范，对多组用户艺术作品数据进行满意度计算，将满意度高于预设值的用户艺术作品数据标记为交付作品数据。
2.根据权利要求1所述的一种基于知识与数据双驱动的智能创作方法，其特征在于，所述从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识，具体为：
基于专业知识，生成人文知识类检索标签与艺术创作类检索标签；
根据人文知识类检索标签与艺术创作类检索标签，从知识大数据中进行数据检索，得到人文历史专业知识与艺术创作专业知识；
将人文历史专业知识数据导入人文历史专业知识数据库；
将艺术创作专业知识导入艺术创作专业知识数据库。
3.根据权利要求1所述的一种基于知识与数据双驱动的智能创作方法，其特征在于，所述根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱，具体为：
对人文历史专业知识与艺术创作专业知识进行实体、关系与属性信息提取，得到对应实体数据，关系数据、属性数据；
对所述实体数据，关系数据、属性数据进行数据融合，得到初始图谱数据；
对初始图谱数据进行实体对齐与属性值填充处理，形成具有结构化的专业知识图谱。
4.根据权利要求1所述的一种基于知识与数据双驱动的智能创作方法，其特征在于，所述基于艺术作品数据与艺术作品特征标注数据，生成艺术作品数据图谱，具体为：
输入预设的艺术作品数据；
对所述艺术作品数据进行数据标准化与特征提取，得到艺术作品特征标注数据；
将艺术作品数据与对艺术作品特征标注数据进行数据融合与数据转化，得到艺术作品数据图谱。
5.一种基于知识与数据双驱动的智能创作系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种基于知识与数据双驱动的智能创作程序，所述一种基于知识与数据双驱动的智能创作程序被所述处理器执行时实现如下步骤：
从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识；
根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱；
基于艺术作品数据与艺术作品特征标注数据，生成艺术作品数据图谱；
将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练；
根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据；
其中，所述将专业知识图谱与艺术作品数据图谱中的数据导入创作模型进行预训练，具体为：
构建基于GAN的创作模型；
基于专业知识图谱，生成专业知识特征；
基于艺术作品数据图谱，生成艺术作品数据特征；
对专业知识特征与艺术作品数据特征进行数据标准化、归一化与数据整合处理，并保证专业知识特征与艺术作品数据特征的数据量比例为1:1；
基于创作模型构建一个基础对抗网络，所述基础对抗网络包括生成器G0与判别器D0；
将专业知识特征与艺术作品数据特征导入生成器G0，基于导入数据，生成器G0生成对应结果数据集；
将结果数据集输入至判别器D0进行判断，得到训练数据判断概率P；
判断P是否等于0.5，若不等于，则生成器G0重复生成结果数据集并导入判别器D0进行判断，直至P等于0.5；
其中，所述根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据,具体为：
通过用户交互模块，获取用户创作需求数据；
基于所述用户创作需求数据，生成用户需求参数；
将用户需求参数导入创作模型，基于基础对抗网络生成多组初始艺术作品数据；
将所述多组初始艺术作品数据导入筛选模块，基于用户创作需求数据、预设创作规范，对多组初始艺术作品数据进行满意度计算，将满意度高于预设值的初始艺术作品数据标记为交付作品数据；
其中，所述根据用户需求生成需求参数，将所述需求参数导入创作模型并生成初始艺术作品数据，通过筛选模块，对初始艺术作品数据进行筛选并得到交付作品数据,还包括：
对多组初始艺术作品数据进行满意度计算，若满意度均低于预设值，则基于用户交互模块，采集用户使用偏好、浏览记录、交易记录信息；
将用户使用偏好、浏览记录、交易记录信息导入用户特征模块进行用户兴趣特征分析，得到兴趣特征数据；
根据兴趣特征数据，从专业知识图谱与艺术作品数据图谱进行知识与数据的特征偏好度分析，得到知识与数据的偏好度比例；
基于兴趣特征数据，从专业知识图谱与艺术作品数据图谱中进行知识与数据的提取，得到兴趣专业知识与兴趣艺术作品数据；
对兴趣专业知识与兴趣艺术作品数据进行数据标准化、归一化与数据整合处理，并保证趣专业知识与兴趣艺术作品数据的数据量比例为偏好度比例；
根据兴趣特征数据，从时事潮流大数据中进行数据检索，得到兴趣潮流数据；
基于创作模型构建一个第一对抗网络，所述第一对抗网络包括生成器G1与判别器D1；将兴趣专业知识、兴趣艺术作品数据、兴趣潮流数据导入生成器G1；
对第一对抗网络进行重复训练，直至第一对抗网络中的训练数据判断概率P1等于0.5；
将用户需求参数导入创作模型，基于第一对抗网络生成多组用户艺术作品数据；
将所述多组用户艺术作品数据导入筛选模块，基于用户创作需求数据、预设创作规范，对多组用户艺术作品数据进行满意度计算，将满意度高于预设值的用户艺术作品数据标记为交付作品数据。
6.根据权利要求5所述的一种基于知识与数据双驱动的智能创作系统，其特征在于，所述从知识大数据中进行专业知识数据提取，并形成人文历史专业知识与艺术创作专业知识，具体为：
基于专业知识，生成人文知识类检索标签与艺术创作类检索标签；
根据人文知识类检索标签与艺术创作类检索标签，从知识大数据中进行数据检索，得到人文历史专业知识与艺术创作专业知识；
将人文历史专业知识数据导入人文历史专业知识数据库；
将艺术创作专业知识导入艺术创作专业知识数据库。
7.根据权利要求5所述的一种基于知识与数据双驱动的智能创作系统，其特征在于，所述根据所述人文历史专业知识与艺术创作专业知识进行结构化处理，得到具有结构化的专业知识图谱，具体为：
对人文历史专业知识与艺术创作专业知识进行实体、关系与属性信息提取，得到对应实体数据，关系数据、属性数据；
对所述实体数据，关系数据、属性数据进行数据融合，得到初始图谱数据；
对初始图谱数据进行实体对齐与属性值填充处理，形成具有结构化的专业知识图谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311244923.7A CN117235249B (zh) | 2023-09-26 | 2023-09-26 | 一种基于知识与数据双驱动的智能创作方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311244923.7A CN117235249B (zh) | 2023-09-26 | 2023-09-26 | 一种基于知识与数据双驱动的智能创作方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117235249A CN117235249A (zh) | 2023-12-15 |
| CN117235249B true CN117235249B (zh) | 2024-04-26 |
Family
ID=89089202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311244923.7A Active CN117235249B (zh) | 2023-09-26 | 2023-09-26 | 一种基于知识与数据双驱动的智能创作方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117235249B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112199511A (zh) * | 2020-09-28 | 2021-01-08 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 跨语言多来源垂直领域知识图谱构建方法 |
| CN112287117A (zh) * | 2020-10-30 | 2021-01-29 | 云南电网有限责任公司电力科学研究院 | 一种基于数据自动生成的资产管理知识库构建方法 |
| CN114186497A (zh) * | 2021-12-15 | 2022-03-15 | 湖北工业大学 | 艺术作品价值智能化解析方法、系统、设备及介质 |
| CN115115745A (zh) * | 2022-06-24 | 2022-09-27 | 北京华录新媒信息技术有限公司 | 自主创作型的数字艺术的生成方法、系统、存储介质及电子设备 |
| CN115581456A (zh) * | 2022-05-11 | 2023-01-10 | 罗伯特·朱 | 一种艺术作品的生成方法、装置及系统 |
| CN116245177A (zh) * | 2023-05-06 | 2023-06-09 | 中国科学院自动化研究所 | 地理环境知识图谱自动化构建方法及系统、可读存储介质 |
| CN116739836A (zh) * | 2023-08-07 | 2023-09-12 | 深圳数拓科技有限公司 | 一种基于知识图谱的餐饮数据分析方法及系统 |
-
2023
- 2023-09-26 CN CN202311244923.7A patent/CN117235249B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112199511A (zh) * | 2020-09-28 | 2021-01-08 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 跨语言多来源垂直领域知识图谱构建方法 |
| CN112287117A (zh) * | 2020-10-30 | 2021-01-29 | 云南电网有限责任公司电力科学研究院 | 一种基于数据自动生成的资产管理知识库构建方法 |
| CN114186497A (zh) * | 2021-12-15 | 2022-03-15 | 湖北工业大学 | 艺术作品价值智能化解析方法、系统、设备及介质 |
| CN115581456A (zh) * | 2022-05-11 | 2023-01-10 | 罗伯特·朱 | 一种艺术作品的生成方法、装置及系统 |
| CN115115745A (zh) * | 2022-06-24 | 2022-09-27 | 北京华录新媒信息技术有限公司 | 自主创作型的数字艺术的生成方法、系统、存储介质及电子设备 |
| CN116245177A (zh) * | 2023-05-06 | 2023-06-09 | 中国科学院自动化研究所 | 地理环境知识图谱自动化构建方法及系统、可读存储介质 |
| CN116739836A (zh) * | 2023-08-07 | 2023-09-12 | 深圳数拓科技有限公司 | 一种基于知识图谱的餐饮数据分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117235249A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9135242B1 (en) | Methods and systems for the analysis of large text corpora | |
| CN109767318A (zh) | 贷款产品推荐方法、装置、设备及存储介质 | |
| US20060287937A1 (en) | Generative Investment Process | |
| US20150134401A1 (en) | In-memory end-to-end process of predictive analytics | |
| CN108052605A (zh) | 一种基于客户特征库的智能问答系统 | |
| CN102982097A (zh) | 用于基于知识的数据质量解决方案的域 | |
| CN111813974A (zh) | 一种基于图像语义分析的自适应实践系统 | |
| CN109492104A (zh) | 意图分类模型的训练方法、分类方法、系统、设备和介质 | |
| CN111651571A (zh) | 基于人机协同的会话实现方法、装置、设备及存储介质 | |
| CN107368521A (zh) | 一种基于大数据和深度学习的知识推介方法及系统 | |
| CN103077207A (zh) | 一种微博开心指数分析方法及系统 | |
| CN109903122A (zh) | 房产交易信息处理方法、装置、设备及存储介质 | |
| Weinzierl et al. | Predictive business process monitoring with context information from documents | |
| CN116595191A (zh) | 一种交互式低代码知识图谱的构建方法及装置 | |
| CN116595418A (zh) | 一种科技成果多维画像构建方法 | |
| CN102662929A (zh) | 一种基于本体的问题智能分析处理的方法和装置 | |
| CN112435103B (zh) | 一种事后多样性解释的智能推荐方法及系统 | |
| CN117668199A (zh) | 一种智能客服问答预测及推荐对话生成方法及装置 | |
| CN116186331B (zh) | 图表解读方法及系统 | |
| WO2005103983A9 (en) | Generative investment process | |
| CN117235249B (zh) | 一种基于知识与数据双驱动的智能创作方法与系统 | |
| CN116701658A (zh) | 业务意向的确定方法、装置及计算机设备 | |
| Croasdell et al. | Using adaptive hypermedia to support organizational memory and learning | |
| Lee | The combination of knowledge management and data mining with knowledge warehouse | |
| CN111913997A (zh) | 一种基于人工智能的用户画像系统的实现方法 |
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 |