CN117252262A - 知识图谱构建与专利信息检索方法及装置 - Google Patents
知识图谱构建与专利信息检索方法及装置 Download PDFInfo
- Publication number
- CN117252262A CN117252262A CN202311279092.7A CN202311279092A CN117252262A CN 117252262 A CN117252262 A CN 117252262A CN 202311279092 A CN202311279092 A CN 202311279092A CN 117252262 A CN117252262 A CN 117252262A
- Authority
- CN
- China
- Prior art keywords
- information
- knowledge
- action
- model
- functional
- 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 57
- 238000010276 construction Methods 0.000 title claims abstract description 47
- 238000013461 design Methods 0.000 claims abstract description 22
- 230000009471 action Effects 0.000 claims description 199
- 238000013145 classification model Methods 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 40
- 238000012216 screening Methods 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 24
- 230000006872 improvement Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000006866 deterioration Effects 0.000 claims description 13
- PGLIUCLTXOYQMV-UHFFFAOYSA-N Cetirizine hydrochloride Chemical compound Cl.Cl.C1CN(CCOCC(=O)O)CCN1C(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PGLIUCLTXOYQMV-UHFFFAOYSA-N 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 92
- 238000001914 filtration Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000008094 contradictory effect Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 239000007788 liquid Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 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
- JPVYNHNXODAKFH-UHFFFAOYSA-N Cu2+ Chemical compound [Cu+2] JPVYNHNXODAKFH-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 229910001431 copper ion Inorganic materials 0.000 description 1
- 229910000365 copper sulfate Inorganic materials 0.000 description 1
- ARUVKPQLZAKDPS-UHFFFAOYSA-L copper(II) sulfate Chemical compound [Cu+2].[O-][S+2]([O-])([O-])[O-] ARUVKPQLZAKDPS-UHFFFAOYSA-L 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q50/18—Legal services
- G06Q50/184—Intellectual property management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Animal Behavior & Ethology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种知识图谱构建与专利信息检索方法及装置，所述知识图谱的构建方法包括：获取领域知识，所述领域知识包括若干知识条目；所述知识条目中包括专利包含的创新设计的要素信息；根据所述知识条目构建实体对象；构建多个关联对象；所述关联对象与所述要素信息相关；构建所述关联对象与所述实体对象的关联关系。通过抽取专利信息中包含的创新设计要素来构建知识图谱，能够使得相关的领域知识通过所述创新设计要素相互关联，构成一个有机关联的网络。通过将采用所述构建方法构建的知识图谱应用于信息的检索方法，能够使使用者更加准确高效地根据要素信息获取到检索结果。
Description
技术领域
本申请涉及计算机技术，尤其涉及一种知识图谱构建方法、专利信息检索方法及装置。
背景技术
创新设计是指充分发挥设计者的创造力，利用人类已有的相关科技成果进行创新构思，设计出具有科学性、创造性、新颖性及实用成果性的一种实践活动。工业领域的创新设计一般是指在产品结构或功能上进行改进，或者解决发明活动过程中的矛盾点。
在进行创新设计时，设计师往往需要通过专利文献检索从已有的设计构思中寻找灵感，而现有的检索方式一般是基于关键词或语义检索的方式，难以准确高效地检索到设计师需要的专利文献，难以给设计师提供创新设计的灵感和思路。
发明内容
为了解决现有的专利文献检索的方式不够准确的技术问题，本申请提供一种知识图谱构建与专利信息检索方法及装置。
第一方面，本申请提供一种知识图谱的构建方法，包括：
获取领域知识，所述领域知识包括若干知识条目；所述知识条目中包括专利包含的创新设计的要素信息；根据所述知识条目构建实体对象；构建多个关联对象；所述关联对象与所述要素信息相关；构建所述关联对象与所述实体对象的关联关系。
在上述实现过程中，通过抽取专利信息中包含的创新设计要素来构建知识图谱，能够使得相关的领域知识通过所述创新设计要素相互关联，构成一个有机关联的网络。通过该知识图谱进行专利文献的检索，能够更加准确高效地检索到相关的专利文献。
可选地，所述构建多个关联对象，包括：根据不同的要素模型构建与每种要素模型相对应的多个关联对象。
可选地，所述要素模型包括功能模型；所述功能模型包括标准功能动作模型与标准作用对象模型；所述根据不同的要素模型构建与每种要素模型相对应的多个关联对象，包括：将所述标准功能动作模型的实例与所述标准作用对象模型的实例进行两两组合，将每一个组合作为一个关联对象。
在上述实现过程中，基于要素模型构建关联对象，能够快速高效地构建多个与要素信息相关的关联对象。
可选地，所述要素信息包括功能信息，所述构建所述关联对象与所述实体对象的关联关系，包括：从所述实体对象中提取功能信息；基于所述功能信息与已训练的功能分类模型构建所述实体对象与所述关联对象的关联关系。
在上述实现过程中，基于功能信息与功能分类模型，能够更加快速高效地建立所述功能信息对应的实体对象与功能对象间的关联关系。
可选地，所述功能信息包括功能动作与作用对象，所述功能分类模型包括功能动作分类模型与作用对象分类模型，所述基于所述功能信息与已训练的功能分类模型构建所述实体对象与所述关联对象的关联关系，包括：基于所述功能动作分类模型对所述功能动作进行标记，得到动作标签；基于所述作用对象分类模型对所述作用对象进行标记，得到作用对象标签；遍历所述知识图谱的所有包含功能信息的关联对象，将所述动作标签、所述作用对象标签与所述包含功能信息的关联对象的功能动作、作用对象进行匹配；将能够匹配的关联对象与所述实体对象进行关联。
在上述实现过程中，通过采用功能动作分类模型对功能动作进行分类以及采用作用对象分类模型对作用对象进行分类，能够更加准确、高效地将对应的实体对象与关联对象关联。
可选地，所述方法还包括：获取领域关联知识；所述领域关联知识是指与所述知识条目具有关联关系的知识；对所述领域关联知识分词；针对每个分词，根据词向量模型生成对应词向量；计算词向量间的相关性；根据所述相关性将所有词向量结构化；将结构化的所有词向量作为领域扩展词集；相应地，所述基于所述功能动作分类模型对所述功能动作进行标记，得到动作标签，包括：根据功能模型中的每个标准功能动作，在领域扩展词集中找到该标准功能动作的近义词。功能动作分类模型将功能动作与每个标准功能动作的近义词库中的词进行匹配，将能够匹配的近义词库对应的标准功能动作作为该功能动作的动作标签。
在上述实现过程中，通过对词向量计算相关性并根据相关性将所有词向量结构化，能够使词向量检索更加高效。由于领域扩展词集中是与知识条目相关联的领域知识，通过使用结构化的领域扩展词集，能够扩大关联对象关联的实体对象的范围，将与关联对象具有近似关系的实体对象也进行关联，扩展了关联对象的关联范围。
可选地，所述要素模型包括发明原理模型，所述发明原理模型是指TRIZ理论的发明原理模型；所述根据不同的要素模型构建与每种要素模型相对应的多个关联对象，包括：将所述发明原理模型中的每个发明原理作为一个关联对象。
在上述实现过程中，通过将所述发明原理模型中的每个发明原理作为一个关联对象，能够快速简单的构建发明原理相关的关联对象。
可选地，所述要素信息包括结构，所述构建多个关联对象，包括：对所述实体对象对应的知识条目进行分词处理；根据预训练的结构提取模型提取代表结构的分词作为关联对象；相应地，所述构建所述关联对象与所述实体对象的关联关系，包括：将所述实体对象与所述关联对象关联。
第二方面，本申请提供一种信息的检索方法，包括：获取检索请求，所述检索请求中包括用户输入的检索内容；从所述检索内容中提取关键信息；根据所述关键信息从所述知识图谱中筛选与所述检索内容关联的实体对象，将所述与检索内容关联的实体对象作为检索结果，其中，所述知识图谱是根据第一方面中任一项所述的构建方法构建的。
在上述实现过程中，通过采用第一方面中构建的知识图谱，并通过提取关键信息，根据关键信息从知识图谱中找到对应的关联对象，再筛选出与关联对象关联的实体对象，能够更加高效、准确的检索到需要的专利信息。
可选地，所述检索内容为句子，所述从所述检索内容中提取关键信息，包括：从所述句子中提取语义信息；若所述语义信息中包含功能信息、结构或发明原理相关信息中的任意一种或多种；将所述功能信息、所述结构或所述发明原理相关信息作为所述关键信息；若所述语义信息中不包含功能信息、结构及发明原理相关信息，则提取所述句子的关键词作为所述关键信息。
在上述实现过程中，检索内容为句子，通过从句子中提取语义信息的方法，并与功能信息、结构或发明原理相比较，能够快速确定出句子中的关键信息。
可选地，所述关键信息包括功能信息或结构，所述根据所述关键信息从所述知识图谱中筛选与所述检索内容关联的实体对象，将所述与检索内容关联的实体对象作为检索结果，包括：从所述知识图谱中筛选出与所述功能信息或所述结构匹配的关联对象，作为命中关联对象；从所述知识图谱中筛选出所有与所述命中关联对象关联的实体对象作为检索结果。
可选地，所述关键信息包括发明原理相关信息；所述发明原理相关信息包括改善参数与恶化参数，所述根据所述关键信息从所述知识图谱中筛选与所述检索内容关联的实体对象，将所述与检索内容关联的实体对象作为检索结果，包括：根据所述改进参数、所述恶化参数及矛盾矩阵确定对应的发明原理，作为目标发明原理；所述矛盾矩阵是指TRIZ理论的矛盾矩阵；从所述知识图谱中筛选出与所述目标发明原理匹配的关联对象；作为命中关联对象；从所述知识图谱中筛选出所有与所述命中关联对象关联的实体对象作为检索结果。
第三方面，本申请提供一种知识图谱的构建装置，包括：获取模块，用于获取领域知识，所述领域知识包括若干知识条目；所述知识条目中包括专利的要素信息；对象构建模块，用于根据知识条目构建实体对象；及构建多个关联对象；所述关联对象与所述要素信息相关；关系构建模块，用于构建所述关联对象与所述实体对象的关联关系。
第四方面，本申请提供一种信息的检索装置，包括：请求获取模块，用于获取检索请求，所述检索请求中包括用户输入的检索内容；提取模块，用于从所述检索内容中提取关键信息；检索模块，用于根据所述关键信息从所述知识图谱中筛选与所述检索内容关联的实体对象，将所述与检索内容关联的实体对象作为检索结果，其中，所述知识图谱是根据第一方面中任一项所述的构建方法构建的。
第五方面，本申请提供一种电子设备，包括处理器与存储器，所述处理器用于执行所述存储器中存储的程序，以实现如第一方面或第二方面中任一项所述的方法。
第六方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如第一方面或第二方面中任一项所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本申请实施例一提供的一种知识图谱的构建方法的流程示意图；
图2是本申请实施例二提供的一种信息的检索方法的流程示意图；
图3是本申请实施例二提供的另一种信息的检索方法的流程示意图；
图4是本申请实施例二提供的又一种信息的检索方法的流程示意图；
图5是本申请实施例二提供的再一种信息的检索方法的流程示意图；
图6是本申请实施例三提供的一种知识图谱的构建装置的结构示意图；
图7是本申请实施例四提供的一种信息的检索装置的结构示意图；
图8是本申请实施例五提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
为了更好地理解本申请提供的技术方案，下面对本申请的现有技术做简要介绍。
现有的专利信息的检索方式一般包括关键词检索及语义信息检索。关键词一般可以包括专利标题、摘要中的关键词、或者专利涉及的相关信息，比如分类号、申请人、发明人、专利号码等。语义信息检索一般是提取专利的摘要信息进行语义分析，根据分析得到的语义信息进行专利信息的检索。然而，目前这种专利信息的检索方式，难以满足产业进行创新设计的需求。一般而言，创新设计是对产品结构、功能、或在生产制造产品过程中的矛盾之处进行改进。有鉴于此，本申请提供一种知识图谱构建方法、信息检索方法、装置。本申请提供的知识图谱构建方法，通过抽取专利信息中包含的创新设计要素来构建知识图谱，能够使得相关的领域知识通过创新设计要素相互关联，构成一个有机关联的网络，并且，本申请还提供一种信息检索方法，该检索方法基于上述构建方法构建的知识图谱，使创新设计者能够通过输入创新设计要素进行更加准确、高效地检索，从而给创新设计者提供设计灵感和思路。
本申请提供的技术方案，可以应用于专利信息检索领域，目的在于为生产制造行业的创新设计者们提供一种高效、准确地通过创新设计要素进行专利信息检索的方法。
为了更加详细的了解本申请提供的技术方案，下面通过具体的实施例对本申请的技术方案进行详细介绍。
实施例一
为了能够更加高效、准确的通过创新设计的要素信息对专利信息进行检索，本申请实施例一提供一种知识图谱的构建方法，如图1所示，该方法包括：
S101：获取领域知识，领域知识包括若干知识条目。知识条目中包括专利包含的创新设计的要素信息。
其中，知识条目包括专利标题或摘要。要素信息包括结构、功能信息、发明原理等。
具体地，获取领域知识的方法不做具体限定。示例性地，可以从网络爬取领域知识。也可以根据已有的领域知识库获取领域知识。
S102：根据知识条目构建实体对象。
具体地，将每个知识条目作为一个实体对象。
S103：构建多个关联对象。关联对象与要素信息相关。
具体地，构建关联对象的方法不做具体限定。下面将介绍步骤S103的两种可能的实现方式。
在第一种可行的实施方式中，步骤S103构建多个关联对象，包括：
根据不同的要素模型构建与每种要素模型相对应的多个关联对象。
其中，要素模型包括功能模型或发明原理模型。功能模型与功能信息这一要素信息对应；发明原理模型与发明原理这一要素信息对应。功能模型规定了功能信息这一要素信息包含的具体内容。发明原理模型规定了发明原理这一要素信息包含的内容。根据不同要素模型构建关联对象的具体方法如下：
在一种情况下，要素模型包括功能模型。功能模型包括标准功能动作模型与标准作用对象模型。其中，功能动作是指某一功能的操作，比如过滤、精炼；作用对象是指功能动作的施加对象。比如过滤液体，液体即为过滤的作用对象。对应的，根据不同的要素模型构建与每种要素模型相对应的多个关联对象，包括：将标准功能动作模型的实例与标准作用对象模型的实例进行两两组合，将每一个组合作为一个关联对象。
其中，功能动作模型具体如下所示：
其中，功能动作模型分为三级，第三级一共有59个类别，以第三级功能动作作为标准功能动作，每个类别作为一个实例。
作用对象模型如下所示：
其中，作用对象模型分为两级作用对象，其中第二级作用对象包括18个类别，以第二级作用对象作为标准作用对象，每个类别作为其中一个实例。
可选地，作用对象模型中还包括功能参数，每个作用对象都有对应的功能参数。
具体地，将标准功能动作的实例与标准作用对象的实例两两结合，得到多个关联对象，示例性地，将功能动作模型中的“过滤”与作用对象模型中的“液体”组合，得到“过滤液体”的关联对象。
在另一种情况下，要素模型包括发明原理模型，发明原理模型是指TRIZ理论的发明原理模型。根据不同的要素模型构建与每种要素模型相对应的多个关联对象，包括：将发明原理模型中的每个发明原理作为一个关联对象。
其中，发明原理模型是指TRIZ理论的发明原理模型。该模型中包含40条发明原理。将每条发明原理作为一个关联对象。
在第二种可行的实施方式中，要素信息包括结构，步骤S103构建多个关联对象，包括：对实体对象对应的知识条目进行分词处理；根据预训练的结构提取模型提取代表结构的分词作为关联对象。
由于实际的领域知识中存在各种各样的产品结构，无法通过构建模型来统一标准，因此，采用从知识条目中提取结构的方法来构建结构类的关联对象。
其中，分词处理的方法不做具体限定，可以是采用单词库的方法进行分词，也可以采用分词器进行分词处理。
可选的，在对实体对象提取结构之前，基于对训练样本人工标注结构的方式训练结构提取模型，然后通过该预训练的结构提取模型提取实体对象中代表结构的分词作为关联对象。
S104：构建关联对象与实体对象的关联关系。
具体地，构建实体对象与关联对象的关联关系的方法不做限定。以下介绍两种可能的实现方式。
对应于步骤S103的第一种可行的实现方式，步骤S104的第一种可行的实施方式为：要素信息包括功能信息，构建关联对象与实体对象的关联关系，包括：从实体对象中提取功能信息；基于功能信息与已训练的功能分类模型构建实体对象与关联对象的关联关系。
可选的，从实体对象中提取功能信息，包括：将实体对象分词，从分词后的实体对象中提取出动宾短语，采用句法分析从动宾短语中抽取出功能动作及作用对象。
其中，功能分类模型不做具体限定。示例性地，可以是TextRCNN，也可以是FastText、Bert、Transformer等模型。
在一种情况下，功能信息包括功能动作与作用对象，功能分类模型包括功能动作分类模型与作用对象分类模型，基于功能信息与已训练的功能分类模型构建实体对象与关联对象的关联关系，包括：基于功能动作分类模型对功能动作进行标记，得到动作标签；基于作用对象分类模型对作用对象进行标记，得到作用对象标签；遍历所述知识图谱的所有包含功能信息的关联对象，将动作标签、作用对象标签与包含功能信息的关联对象的功能动作、作用对象进行匹配；将能够匹配的关联对象与实体对象进行关联。
可选地，基于功能动作分类模型对功能动作进行标记，得到动作标签，包括：功能动作分类模型将功能动作与功能模型中的标准功能动作进行匹配，将能够匹配的标准功能动作作为该功能动作的动作标签。
可选地，为了避免近义词造成的分类偏差，在功能分类模型进行标记之前，该方法还包括：
获取领域关联知识；所述领域关联知识是指与所述知识条目具有关联关系的知识。对领域关联知识分词。针对每个分词，根据词向量模型生成对应词向量；计算词向量之间的相关性。根据相关性将所有词向量结构化，将结构化的所有词向量作为领域扩展词集。
具体地，获取知识条目相关的领域知识。获取方式不做限定，示例性地，可以从网络爬取领域数据，也可以采用已有的领域知识库。然后对领域关联知识进行分词，分词方法不做限定。可以采用分词器进行分词，也可以根据已有的单词库进行分词。采用词向量模型将分词转换为词向量。词向量模型不做具体限定。示例性地，可以是Skip-gram模型。然后计算所有词向量间的相关系数，其中，关联系数越高，说明两个词之间越有可能是近义词。根据关联系数将所有词向量结构化表达。具体方法为现有技术，在此不再一一赘述。其中，结构化的形式不做具体限定。示例性地，可以是二叉树、B+树等形式。
相应的，所述基于功能动作分类模型对功能动作进行标记，得到动作标签，包括：根据功能模型中的每个标准功能动作，在领域扩展词集中找到该标准功能动作的近义词。功能动作分类模型将功能动作与每个标准功能动作的近义词库中的词进行匹配，将能够匹配的近义词库对应的标准功能动作作为该功能动作的动作标签。
具体地，计算结构化的领域扩展词集中标准功能动作的词向量与其他词向量的相关系数，将相关系数高于预设阈值的词向量对应的词条，确定为标准功能动作的近义词。将功能动作转换为词向量，计算功能动作的词向量与每个标准功能动作的近义词库中的词向量的关联系数，将高于预设阈值的近义词库对应的标准功能动作作为该功能动作的动作标签。
对于步骤：基于作用对象分类模型对作用对象进行标记，得到作用对象标签，包括：根据相关性从结构化的领域扩展词集中找到作用对象对应的标准作用对象，具体地，计算作用对象词向量与标准作用对象词向量的相关性，相关性最高的标准作用对象作为该作用对象的作用对象标签。
在得到动作标签和作用对象标签之后，接下来，遍历知识图谱的所有包含功能信息的关联对象，将动作标签、作用对象标签与包含功能信息的关联对象的功能动作、作用对象进行匹配，将能够匹配的关联对象与实体对象进行关联。
具体地，将每个功能类的关联对象的功能动作与动作标签进行匹配，将作用对象与作用对象标签进行匹配，将两者均能匹配的关联对象与实体对象进行关联。
在另一种情况下，要素信息包括发明原理，步骤S104中，构建关联对象与实体对象的关联关系，包括：根据已训练的发明原理分类模型将实体对象归类到不同的发明原理下，然后将实体对象与归类的发明原理对应的关联对象进行关联。
具体地，实体对象可以包括专利标题和摘要内容，在将实体对象进行分类之前，首先训练发明原理分类模型，采用人工标注发明原理标签的方式对训练样本进行标注，然后将已标注的样本输入到发明原理分类模型中，该模型提取训练样本的语义信息，并学习语义信息与标签的对应关系，通过迭代训练提高发明原理分类模型的预测准确度，训练结束后，将实体对象输入到发明原理分类模型中进行分类，得到的分类为对应的具体某个发明原理。然后与分类对应的关联对象进行关联。比如，某篇专利摘要涉及的发明原理为“抽取”，则将该专利摘要分类为抽取，将内容为“抽取”的关联对象与该知识条目对应的实体对象关联。
对应于S103的第二种可行的实现方式，步骤S104的第二种可行的实施方式为，当要素信息为结构时，构建关联对象与实体对象的关联关系，包括：将实体对象与关联对象关联。
具体地，将该实体对象与该结构类的关联对象相关联。
在上述实现过程中，通过构建与创新设计相关的要素信息相对应的关联对象，并将关联对象与实体对象关联，创建了一个以要素信息为关联节点的知识图谱，通过应用该知识图谱进行专利信息的检索，能够让使用者更加快速高效的检索到需要的专利信息。
实施例二
本申请实施例二提供一种信息的检索方法，如图2所示，该方法包括：
S201：获取检索请求，检索请求中包括用户输入的检索内容。
具体地，获取用户发送的检索请求，该检索请求中包括用户输入的检索内容。其中，检索内容可以是功能信息、发明原理相关信息或自定义内容。其中功能信息包括功能动作及作用对象，可选地，还包括功能参数。发明原理相关信息包括改进参数及恶化参数。自定义内容可以是关键词。也可以是句子。
S202：从检索内容中提取关键信息。
可选地，可以是先对检索内容进行分词，采用自然语言处理算法确定语义信息，若采用依存句法分析算法得到一个动宾短语时，先根据功能模型确定其中的动词是否为一个标准功能动作，其中的宾语是否能够对应标准作用对象，若能够与功能模型中的标准功能动作及标准作用对象的实例相对应，将该动宾短语作为关键信息，当采用依存句法分析算法得到两个动宾短语时，且其中一个语义信息为改进XX或提升XX，另一个语义信息为恶化XX或降低XX，将改进XX，恶化XX作为关键信息。当语义信息为某种产品结构时，将该产品结构作为关键信息。
如图3所示，在一种可行地实施方式中，检索内容为句子，步骤S202从检索内容中提取关键信息，包括：
S2021：从句子中提取语义信息。
具体地，本申请实施例向用户提供自定义检索，即用户可以输入自定义的句子来进行信息检索。在本申请实施例中，可以采用自然语言处理相关算法从用户输入的句子中提取语义信息。其中，自然语言处理相关算法不做具体限定。示例性地，可以是句法分析算法、语义分析算法等。
S2022：若语义信息中包含功能信息、结构或发明原理相关信息中的任意一种或多种。将功能信息、结构或发明原理相关信息作为关键信息。
S2023：若语义信息中不包含功能信息、结构及发明原理相关信息，则提取句子的关键词作为关键信息。
S203：根据关键信息从知识图谱中筛选与检索内容关联的实体对象，将与检索内容关联的实体对象作为检索结果，其中，知识图谱是根据实施例一的任一项构建方法构建的。
具体地，关键信息包括功能信息、发明原理相关信息、结构或关键词其中一种。根据不同的关键信息从知识图谱中筛选检索内容关联的实体对象的方法不同，具体如下：
如图4所示，在一种可行的实施方式中，关键信息包括功能信息或结构，步骤S203根据关键信息从知识图谱中筛选与检索内容关联的实体对象，将与检索内容关联的实体对象作为检索结果，包括：
S2031A：从知识图谱中筛选出与功能信息或结构匹配的关联对象，作为命中关联对象。
其中，功能信息包括功能动作及作用对象。
可选地，由于从实体对象中提取的功能信息相比功能模型中的标准功能动作与标准作用对象来说，具有更细的粒度，因此，可以根据领域扩展词集中各词条的结构关系找到该功能动作及作用对象的父类的概念。示例性地，功能信息中的作用对象为压缩机，其在结构化的领域扩展词集中对应的父类概念为固体，因此，将固体作为该实体对象功能信息的标准作用对象。由于功能信息中的功能动作不一定能完全与功能模型中的标准功能动作相匹配，因此，需要首先找到功能动作及标准功能动作在领域扩展词集中的词向量，然后计算两个词向量的关联系数，如果关联系数大于预设阈值时，将该标准功能动作作为实体对象功能信息的标准功能动作。示例性地，实体对象中包括“滤除硫酸铜中的铜离子”，其中，滤除为功能动作，但在功能模型的标准功能动作中，仅包含过滤，因此，首先找到滤除与过滤在领域扩展词集中的词向量，然后计算滤除与过滤对应的词向量间的关联系数，当该关联系数大于预设阈值：如0.7时，确定“滤除”这一功能动作对应的标准功能动作为“过滤”。当确定了实体对象的功能信息的标准功能动作与标准作用对象后，遍历知识图谱的关联对象，筛选出与该实体对象的标准功能动作与标准作用对象一致的关联对象，作为命中关联对象。
可选地，由于结构类的关联对象是从实体对象中提取的，因此，可以遍历知识图谱的关联对象，判断是否能与该结构匹配，若能匹配，将匹配的关联对象作为命中关联对象。
S2032A：从知识图谱中筛选出所有与命中关联对象关联的实体对象作为检索结果。
如图5所示，在一种可行的实施方式中，关键信息包括发明原理相关信息。发明原理相关信息包括改善参数与恶化参数，步骤S203根据关键信息从知识图谱中筛选与检索内容关联的实体对象，将与检索内容关联的实体对象作为检索结果，包括：
S2031B:根据改进参数、恶化参数及矛盾矩阵确定对应的发明原理，作为目标发明原理。矛盾矩阵是指TRIZ理论的矛盾矩阵。
具体地，由于TRIZ理论的矛盾矩阵的行和列分别对应改进参数及恶化参数，而在创新设计中对于发明过程的矛盾点基本都可以归纳到上述矛盾矩阵中的改进参数和恶化参数中，因此，可以提取检索内容中的改进参数和恶化参数，根据改进参数和恶化参数在矛盾矩阵中找到对应的发明原理，将该发明原理作为目标发明原理。
S2032B:从知识图谱中筛选出与目标发明原理匹配的关联对象，作为命中关联对象。
具体地，遍历知识图谱的关联对象，筛选出与目标发明原理一致的关联对象，作为命中关联对象。
S2033B:从知识图谱中筛选出所有与命中关联对象关联的实体对象作为检索结果。
具体地，遍历知识图谱的实体对象，将标签与命中关联对象一致的实体对象筛选出来作为检索结果。
在上述实现过程中，通过采用第一方面中构建的知识图谱，并通过提取关键信息，根据关键信息从知识图谱中找到对应的关联对象，再筛选出与关联对象关联的实体对象，能够更加高效、准确的检索到需要的专利信息。
实施例三
本申请实施例三提供一种知识图谱的构建装置300，如图6所示，构建装置300包括：获取模块301、对象构建模块302、关系构建模块303。
获取模块301，用于获取领域知识，领域知识包括若干知识条目。知识条目中包括专利的要素信息。
对象构建模块302，用于根据知识条目构建实体对象。及构建多个关联对象。关联对象与要素信息相关。
关系构建模块303，用于构建关联对象与实体对象的关联关系。
可选地，对象构建模块302，具体用于根据不同的要素模型构建与每种要素模型相对应的多个关联对象。
可选地，要素模型包括功能模型。功能模型包括标准功能动作与标准作用对象。对象构建模块302，具体用于将标准功能动作的实例与标准作用对象的实例进行两两组合，将每一个组合作为一个关联对象。
可选地，要素信息包括功能信息，关系构建模块303，具体用于从实体对象中提取功能信息。基于功能信息与已训练的功能分类模型构建实体对象与关联对象的关联关系。
可选地，功能信息包括功能动作与作用对象，功能分类模型包括功能动作分类模型与作用对象分类模型，关系构建模块303，具体用于基于功能动作分类模型对功能动作进行标记，得到动作标签。基于作用对象分类模型对作用对象进行标记，得到作用对象标签。遍历知识图谱的所有包含功能信息的关联对象，将动作标签、作用对象标签与包含功能信息的关联对象的功能动作、作用对象进行匹配。将能够匹配的关联对象与实体对象进行关联。
可选地，构建装置300还包括领域词库构建模块，用于获取领域知识。对领域关联知识分词。针对每个分词，根据词向量模型生成对应词向量。计算词向量间的相关性；根据所述相关性将所有词向量结构化；将结构化的所有词向量作为领域扩展词集。
可选地，要素模型包括发明原理模型，发明原理模型是指TRIZ理论的发明原理模型。对象构建模块302，具体用于将发明原理模型中的每个发明原理作为一个关联对象。
可选地，要素信息包括结构，对象构建模块302，具体用于对实体对象对应的知识条目进行分词处理。根据预训练的结构提取模型提取代表结构的分词作为关联对象。相应地，关系构建模块303，具体用于将实体对象与关联对象关联。
实施例四
本申请实施例四提供一种信息的检索装置400，如图7所示，检索装置400包括：请求获取模块401、提取模块402、检索模块403。
请求获取模块401，用于获取检索请求，检索请求中包括用户输入的检索内容。
提取模块402，用于从检索内容中提取关键信息。
检索模块403，用于根据关键信息从知识图谱中筛选与检索内容关联的实体对象，将与检索内容关联的实体对象作为检索结果，其中，知识图谱是根据实施例一任一项构建方法构建的。
可选地，检索内容为句子，提取模块402，具体用于从句子中提取语义信息。若语义信息中包含功能信息、结构或发明原理相关信息中的任意一种或多种。将功能信息、结构或发明原理相关信息作为关键信息。若语义信息中不包含功能信息、结构及发明原理相关信息，则提取句子的关键词作为关键信息。
可选地，关键信息包括功能信息或结构，检索模块403，具体用于从知识图谱中筛选出与功能信息或结构匹配的关联对象，作为命中关联对象。从知识图谱中筛选出所有与命中关联对象关联的实体对象作为检索结果。
可选地，关键信息包括发明原理相关信息。发明原理相关信息包括改善参数与恶化参数，检索模块403，具体用于根据改进参数、恶化参数及矛盾矩阵确定对应的发明原理，作为目标发明原理。矛盾矩阵是指TRIZ理论的矛盾矩阵。从知识图谱中筛选出与目标发明原理匹配的关联对象。作为命中关联对象。从知识图谱中筛选出所有与命中关联对象关联的实体对象作为检索结果。
实施例五
本申请实施例五提供一种电子设备500。如图8所示，电子设备500包括：处理器501及存储器502。其中：
处理器501用于执行存储器502中存储的一个或多个程序，以实现上述实施例一所描述的方法。
可以理解，图8所示的结构仅为示意，电子设备还可包括比图8中所示更多或者更少的组件，或者具有与图8所示不同的配置。
例如，处理器501和存储器502之间可以是通过通信总线的方式进行的连接。又例如，电子设备还可包括诸如显示器、鼠标、键盘等部件。
在本申请实施例中，处理器501可以为中央处理器、微处理器、单片机等，但不作为限制。存储器502可以为随机存取存储器，只读存储器，可编程只读存储器，可擦除只读存储器，电可擦除只读存储器等，但不作为限制。
在本申请实施例中，电子设备可以是，但不限于台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备，还可以是虚拟机等虚拟设备。另外，电子设备也不一定是单台设备，还可以是多台设备的组合，例如服务器集群，等等。
本实施例还提供了一种计算机可读存储介质，如软盘、光盘、硬盘、闪存、U盘、SD(Secure Digital Memory Card，安全数码卡)卡、MMC(Multimedia Card，多媒体卡)卡等，在该计算机可读存储介质中存储有实现上述各个步骤的一个或者多个程序，这一个或者多个程序可被一个或者多个处理器执行，以实现上述实施例一所述的方法。在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
在本文中，多个是指两个或两个以上。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (14)
1.一种知识图谱的构建方法，其特征在于，所述方法包括：
获取领域知识，所述领域知识包括若干知识条目；所述知识条目中包括专利包含的创新设计的要素信息；
根据所述知识条目构建实体对象；
构建多个关联对象；所述关联对象与所述要素信息相关；
构建所述关联对象与所述实体对象的关联关系。
2.如权利要求1所述的知识图谱的构建方法，其特征在于，所述构建多个关联对象，包括：
根据不同的要素模型构建与每种要素模型相对应的多个关联对象。
3.如权利要求2所述的知识图谱的构建方法，其特征在于，所述要素模型包括功能模型；所述功能模型包括标准功能动作模型与标准作用对象模型；所述根据不同的要素模型构建与每种要素模型相对应的多个关联对象，包括：
将所述标准功能动作模型的实例与所述标准作用对象模型的实例进行两两组合，将每一个组合作为一个关联对象。
4.如权利要求3所述的知识图谱的构建方法，其特征在于，所述要素信息包括功能信息，所述构建所述关联对象与所述实体对象的关联关系，包括：
从所述实体对象中提取功能信息；
基于所述功能信息与已训练的功能分类模型构建所述实体对象与所述关联对象的关联关系。
5.如权利要求4所述的知识图谱的构建方法，其特征在于，所述功能信息包括功能动作与作用对象，所述功能分类模型包括功能动作分类模型与作用对象分类模型，所述基于所述功能信息与已训练的功能分类模型构建所述实体对象与所述关联对象的关联关系，包括：
基于所述功能动作分类模型对所述功能动作进行标记，得到动作标签；
基于所述作用对象分类模型对所述作用对象进行标记，得到作用对象标签；
遍历所述知识图谱的所有包含功能信息的关联对象，将所述动作标签、所述作用对象标签与所述包含功能信息的关联对象的功能动作、作用对象进行匹配；
将能够匹配的关联对象与所述实体对象进行关联。
6.如权利要求5所述的知识图谱的构建方法，其特征在于，所述方法还包括：
获取领域关联知识；所述领域关联知识是指与所述知识条目具有关联关系的知识；
对所述领域关联知识分词；
针对每个分词，根据词向量模型生成对应词向量；
计算词向量间的相关性；根据所述相关性将所有词向量结构化；
将结构化的所有词向量作为领域扩展词集；
相应地，所述基于所述功能动作分类模型对所述功能动作进行标记，得到动作标签，包括：
根据功能模型中的每个标准功能动作，在领域扩展词集中找到该标准功能动作的近义词。功能动作分类模型将功能动作与每个标准功能动作的近义词库中的词进行匹配，将能够匹配的近义词库对应的标准功能动作作为该功能动作的动作标签。
7.如权利要求2所述的知识图谱的构建方法，其特征在于，所述要素模型包括发明原理模型，所述发明原理模型是指TRIZ理论的发明原理模型；所述根据不同的要素模型构建与每种要素模型相对应的多个关联对象，包括：
将所述发明原理模型中的每个发明原理作为一个关联对象。
8.如权利要求1所述的知识图谱的构建方法，其特征在于，所述要素信息包括结构，所述构建多个关联对象，包括：
对所述实体对象对应的知识条目进行分词处理；
根据预训练的结构提取模型提取代表结构的分词作为关联对象；
相应地，所述构建所述关联对象与所述实体对象的关联关系，包括：
将所述实体对象与所述关联对象关联。
9.一种信息的检索方法，其特征在于，包括：
获取检索请求，所述检索请求中包括用户输入的检索内容；
从所述检索内容中提取关键信息；
根据所述关键信息从所述知识图谱中筛选与所述检索内容关联的实体对象，将所述与检索内容关联的实体对象作为检索结果，其中，所述知识图谱是根据权利要求1-8任一项所述的构建方法构建的。
10.如权利要求9所述的检索方法，其特征在于，所述检索内容为句子，所述从所述检索内容中提取关键信息，包括：
从所述句子中提取语义信息；
若所述语义信息中包含功能信息、结构或发明原理相关信息中的任意一种或多种；将所述功能信息、所述结构或所述发明原理相关信息作为所述关键信息；
若所述语义信息中不包含功能信息、结构及发明原理相关信息，则提取所述句子的关键词作为所述关键信息。
11.如权利要求9或10所述的检索方法，其特征在于，所述关键信息包括功能信息或结构，所述根据所述关键信息从所述知识图谱中筛选与所述检索内容关联的实体对象，将所述与检索内容关联的实体对象作为检索结果，包括：
从所述知识图谱中筛选出与所述功能信息或所述结构匹配的关联对象，作为命中关联对象；
从所述知识图谱中筛选出所有与所述命中关联对象关联的实体对象作为检索结果。
12.如权利要求9或10所述的检索方法，其特征在于，所述关键信息包括发明原理相关信息；所述发明原理相关信息包括改善参数与恶化参数，所述根据所述关键信息从所述知识图谱中筛选与所述检索内容关联的实体对象，将所述与检索内容关联的实体对象作为检索结果，包括：
根据所述改进参数、所述恶化参数及矛盾矩阵确定对应的发明原理，作为目标发明原理；所述矛盾矩阵是指TRIZ理论的矛盾矩阵；
从所述知识图谱中筛选出与所述目标发明原理匹配的关联对象；作为命中关联对象；
从所述知识图谱中筛选出所有与所述命中关联对象关联的实体对象作为检索结果。
13.一种知识图谱的构建装置，其特征在于，包括：
获取模块，用于获取领域知识，所述领域知识包括若干知识条目；所述知识条目中包括专利的要素信息；
对象构建模块，用于根据知识条目构建实体对象；及构建多个关联对象；所述关联对象与所述要素信息相关；
关系构建模块，用于构建所述关联对象与所述实体对象的关联关系。
14.一种信息的检索装置，其特征在于，包括：
请求获取模块，用于获取检索请求，所述检索请求中包括用户输入的检索内容；
提取模块，用于从所述检索内容中提取关键信息；
检索模块，用于根据所述关键信息从所述知识图谱中筛选与所述检索内容关联的实体对象，将所述与检索内容关联的实体对象作为检索结果，其中，所述知识图谱是根据权利要求1-8任一项所述的构建方法构建的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311279092.7A CN117252262B (zh) | 2023-09-28 | 2023-09-28 | 知识图谱构建与专利信息检索方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311279092.7A CN117252262B (zh) | 2023-09-28 | 2023-09-28 | 知识图谱构建与专利信息检索方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117252262A true CN117252262A (zh) | 2023-12-19 |
| CN117252262B CN117252262B (zh) | 2024-07-26 |
Family
ID=89131034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311279092.7A Active CN117252262B (zh) | 2023-09-28 | 2023-09-28 | 知识图谱构建与专利信息检索方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252262B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101587486A (zh) * | 2009-06-23 | 2009-11-25 | 四川大学 | 支持产品创新的设计知识的组织与应用方法 |
| CN105550190A (zh) * | 2015-06-26 | 2016-05-04 | 许昌学院 | 面向知识图谱的跨媒体检索系统 |
| CN109189942A (zh) * | 2018-09-12 | 2019-01-11 | 山东大学 | 一种专利数据知识图谱的构建方法及装置 |
| US20190080245A1 (en) * | 2017-09-08 | 2019-03-14 | Niantic, Inc. | Methods and Systems for Generation of a Knowledge Graph of an Object |
| WO2020001373A1 (zh) * | 2018-06-26 | 2020-01-02 | 杭州海康威视数字技术股份有限公司 | 一种本体构建方法及装置 |
| CN111694965A (zh) * | 2020-05-29 | 2020-09-22 | 中国科学院上海微系统与信息技术研究所 | 一种基于多模态知识图谱的图像场景检索系统及方法 |
| CN111930956A (zh) * | 2020-06-17 | 2020-11-13 | 西安交通大学 | 一种采用知识图谱的多创新方法推荐与流驱动的集成系统 |
| CN112199558A (zh) * | 2020-10-15 | 2021-01-08 | 北京如易堂科技有限公司 | 一种创新知识库构建工具、电子设备及计算机可读介质 |
| CN113342989A (zh) * | 2021-05-24 | 2021-09-03 | 北京航空航天大学 | 专利数据的知识图谱构建方法、装置、存储介质及终端 |
| US20220253477A1 (en) * | 2021-02-08 | 2022-08-11 | Adobe Inc. | Knowledge-derived search suggestion |
| CN115082165A (zh) * | 2022-07-22 | 2022-09-20 | 山东师范大学 | 基于相似关系识别的产品创新设计方案推荐方法及系统 |
| US20220327398A1 (en) * | 2019-12-27 | 2022-10-13 | Beijing Benying Technologies Co., Ltd. | Technology maturity judgment method and system based on science and technology data |
| CN115809345A (zh) * | 2022-12-01 | 2023-03-17 | 西南科技大学 | 一种基于知识图谱的多源数据差异溯源检索方法 |
| CN116187323A (zh) * | 2023-03-15 | 2023-05-30 | 中国科学院工程热物理研究所 | 一种数控机床领域知识图谱及其构建方法 |
| CN116386148A (zh) * | 2023-05-30 | 2023-07-04 | 国网江西省电力有限公司超高压分公司 | 基于知识图谱引导的小样本动作识别方法及系统 |
-
2023
- 2023-09-28 CN CN202311279092.7A patent/CN117252262B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101587486A (zh) * | 2009-06-23 | 2009-11-25 | 四川大学 | 支持产品创新的设计知识的组织与应用方法 |
| CN105550190A (zh) * | 2015-06-26 | 2016-05-04 | 许昌学院 | 面向知识图谱的跨媒体检索系统 |
| US20190080245A1 (en) * | 2017-09-08 | 2019-03-14 | Niantic, Inc. | Methods and Systems for Generation of a Knowledge Graph of an Object |
| WO2020001373A1 (zh) * | 2018-06-26 | 2020-01-02 | 杭州海康威视数字技术股份有限公司 | 一种本体构建方法及装置 |
| CN109189942A (zh) * | 2018-09-12 | 2019-01-11 | 山东大学 | 一种专利数据知识图谱的构建方法及装置 |
| US20220327398A1 (en) * | 2019-12-27 | 2022-10-13 | Beijing Benying Technologies Co., Ltd. | Technology maturity judgment method and system based on science and technology data |
| CN111694965A (zh) * | 2020-05-29 | 2020-09-22 | 中国科学院上海微系统与信息技术研究所 | 一种基于多模态知识图谱的图像场景检索系统及方法 |
| CN111930956A (zh) * | 2020-06-17 | 2020-11-13 | 西安交通大学 | 一种采用知识图谱的多创新方法推荐与流驱动的集成系统 |
| CN112199558A (zh) * | 2020-10-15 | 2021-01-08 | 北京如易堂科技有限公司 | 一种创新知识库构建工具、电子设备及计算机可读介质 |
| US20220253477A1 (en) * | 2021-02-08 | 2022-08-11 | Adobe Inc. | Knowledge-derived search suggestion |
| CN113342989A (zh) * | 2021-05-24 | 2021-09-03 | 北京航空航天大学 | 专利数据的知识图谱构建方法、装置、存储介质及终端 |
| CN115082165A (zh) * | 2022-07-22 | 2022-09-20 | 山东师范大学 | 基于相似关系识别的产品创新设计方案推荐方法及系统 |
| CN115809345A (zh) * | 2022-12-01 | 2023-03-17 | 西南科技大学 | 一种基于知识图谱的多源数据差异溯源检索方法 |
| CN116187323A (zh) * | 2023-03-15 | 2023-05-30 | 中国科学院工程热物理研究所 | 一种数控机床领域知识图谱及其构建方法 |
| CN116386148A (zh) * | 2023-05-30 | 2023-07-04 | 国网江西省电力有限公司超高压分公司 | 基于知识图谱引导的小样本动作识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| LONGLONG HE: "Manufacturing Knowledge Graph: A Connectivism to Answer Production Problems Query With Knowledge Reuse", 《IEEE ACCESS》, vol. 7, 26 July 2019 (2019-07-26), pages 101231 * |
| 刘翔等: "构建支持产品创新设计的专利知识库", 《机械设计与研究》, vol. 26, no. 6, 31 December 2010 (2010-12-31), pages 7 - 13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117252262B (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107798136B (zh) | 基于深度学习的实体关系抽取方法、装置及服务器 | |
| CN108829893B (zh) | 确定视频标签的方法、装置、存储介质和终端设备 | |
| Hua et al. | Short text understanding through lexical-semantic analysis | |
| CN106649818B (zh) | 应用搜索意图的识别方法、装置、应用搜索方法和服务器 | |
| Th. Gries et al. | The identification of stages in diachronic data: variability-based neighbour clustering | |
| CN112347778B (zh) | 关键词抽取方法、装置、终端设备及存储介质 | |
| US9465865B2 (en) | Annotating entities using cross-document signals | |
| CN109388801B (zh) | 相似词集合的确定方法、装置和电子设备 | |
| US20130060769A1 (en) | System and method for identifying social media interactions | |
| CN111046221A (zh) | 歌曲推荐方法、装置、终端设备以及存储介质 | |
| US11893537B2 (en) | Linguistic analysis of seed documents and peer groups | |
| Patel et al. | Dynamic lexicon generation for natural scene images | |
| Kastrati et al. | Performance analysis of machine learning classifiers on improved concept vector space models | |
| Jin et al. | Knowledge based image annotation refinement | |
| Chen et al. | Polyuhk: A robust information extraction system for web personal names | |
| CN113468339A (zh) | 基于知识图谱的标签提取方法、系统、电子设备及介质 | |
| CN110705285A (zh) | 一种政务文本主题词库构建方法、装置、服务器及可读存储介质 | |
| Escalante et al. | Particle swarm model selection for authorship verification | |
| CN114298048A (zh) | 命名实体识别方法及装置 | |
| CN109344397B (zh) | 文本特征词语的提取方法及装置、存储介质及程序产品 | |
| CN117252262B (zh) | 知识图谱构建与专利信息检索方法及装置 | |
| Lai et al. | An unsupervised approach to discover media frames | |
| CN111814025A (zh) | 一种观点提取方法及装置 | |
| CN111368068A (zh) | 一种基于词性特征和语义增强的短文本主题建模方法 | |
| El Idrissi et al. | HCHIRSIMEX: An extended method for domain ontology learning based on conditional mutual information |
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 |