CN117332856B - 一种基于采样子图策略的电池知识图谱摘要生成方法 - Google Patents
一种基于采样子图策略的电池知识图谱摘要生成方法 Download PDFInfo
- Publication number
- CN117332856B CN117332856B CN202311465209.0A CN202311465209A CN117332856B CN 117332856 B CN117332856 B CN 117332856B CN 202311465209 A CN202311465209 A CN 202311465209A CN 117332856 B CN117332856 B CN 117332856B
- Authority
- CN
- China
- Prior art keywords
- graph
- nodes
- node
- sub
- abstract
- 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 37
- 238000005070 sampling Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 6
- 229910052744 lithium Inorganic materials 0.000 claims description 6
- 239000007773 negative electrode material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 3
- 101000911753 Homo sapiens Protein FAM107B Proteins 0.000 claims description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- 102100026983 Protein FAM107B Human genes 0.000 claims description 3
- HMDDXIMCDZRSNE-UHFFFAOYSA-N [C].[Si] Chemical compound [C].[Si] HMDDXIMCDZRSNE-UHFFFAOYSA-N 0.000 claims description 3
- 239000011889 copper foil Substances 0.000 claims description 3
- 239000003792 electrolyte Substances 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于电池知识图谱数据处理领域,具体涉及一种基于采样子图策略的电池知识图谱摘要生成方法,包括对图谱中的节点进行节点重要性指标的计算和排序,并根据设定的阈值进行节点重要性划分;获取重要性最大的节点为中心的特定阶数的中心网络,并处理为子图摘要作为图谱的根摘要;对多个分段的节点集合按照重要性特征进行分层抽样获得采样节点,并加入中心节点集合;根据中心节点集合对图谱进行特定阶数的中心网络抽取,并将所有中心网络处理为子图摘要;将所有子图摘要逐个和根摘要融合作为目标摘要;本发明提出的基于采样子图策略都能有效地识别并压缩知识图谱中的特定结构,从而提高面向动力电池产业知识图谱的动态知识图谱挖掘算法的效率。
Description
技术领域
本发明属于电池知识图谱数据处理领域,具体涉及一种基于采样子图策略的电池知识图谱摘要生成方法。
背景技术
随着互联网的普及,用户群体规模与日俱增,由此产生大量的数据,进入大数据时代。互联网领域产生的数据大都使用图来建模表示,计算机领域将关于图的处理称为图计算,图摘要作为图计算的一个重要方面,是大数据分析和处理的重要手段。图摘要是将大规模的图归纳为更加简洁的表示形式的技术,能够降低图的规模和复杂性。图摘要具有广泛的应用,如社会网络分析、图可视化等,对其它分析和处理大规模图的技术起到了辅助或促进作用,有着重要的研究意义和应用价值。
动力电池产业知识图谱对于分析行业变化、发展趋势、供求分析等方面有着重要的作用。而近年来随着动力电池产业的蓬勃发展,动力电池产业知识图谱数据的爆炸式增长,图谱数据的传输、存储和有关知识图谱的挖掘任务的工作量大大增加,电池产业知识图谱所包含的信息复杂且庞大,如何高效的进行数据挖掘与分析,以及如何快速、高效的将大量电池知识图谱生成摘要是本领域技术人员亟需解决的问题。
发明内容
本发明的目的就在于提供一种基于采样子图策略的电池知识图谱摘要生成方法,以解决背景技术中提出的问题。
本发明通过以下技术方案来实现上述目的:
一种基于采样子图策略的电池知识图谱摘要生成方法,方法包括:
S1:对预先构建的电池产业知识图谱中各个节点进行节点重要性指标的计算以及排序,并根据预先设定的阈值对各个节点的重要性指标进行划分,以形成具有不同重要性指标的图谱群组;
S2:在所述图谱群组中选择重要性指标最大的节点,获取以此节点为中心的特定阶数的中心网络,并将所述中心网络作为第一子图摘要,并将所述第一子图摘要作为图谱的根摘要;
S3:在所述图谱群组中按照重要性指标大小进行分层抽样以获得采样节点,将所述采样节点加入所述中心网络中的中心节点集合;
S4:根据所述中心节点集合对图谱进行特定阶数的中心网络抽取,并将所有中心网络作为第二子图摘要;
S5:将第一子图摘要和第二子图摘要逐个和所述根摘要按设定融合方式融合为目标摘要。
作为本发明的进一步优化方案,步骤S1中,通过获取电池产业链信息来构建电池产业知识图谱,电池产业链信息至少包括锂电池产业链信息、电解铜箔产业链信息、氢燃料电池产业链信息、锂电池负极材料产业链信息、硅碳负极材料产业链信息、动力电池电解液产业链信息、以及各产业经营公司详细信息。
作为本发明的进一步优化方案,步骤S1具体为:
S1.1:首先针对图谱中的各个节点进行重要性计算,从而得到所有节点的重要性指标;其中,节点重要性指标的计算方法至少包括:度中心性算法、PageRank算法和HITS算法;
S1.2:通过对所有节点重要性指标进行排序,并利用设定阈值将具有不同重要性的节点划分到不同的图谱群组中,得到如下群组:
其中,X为节点的重要性指标,将X排序后得到从大到小的序列,Xi≥Xi+1,i∈(1,2,3,…,n),n为图中节点的数量;通过预定义的多个阈值βi≥βi+1,i∈(1,2,3,…,m),将具有不同重要性指标的节点划分为m+1个群组。
作为本发明的进一步优化方案,步骤S2中将所述中心网络作为第一子图摘要具体为:
S2.1:从中心节点开始,利用广度优先遍历方法遍历中心网络,
S2.2:结构处理:遍历过程中将节点的一阶邻居中具有相同类型的节点、关系进行合并,不同则保留;
S2.3:属性处理:对同类型的节点或关系中所具有的不同属性进行合并去重;
S2.4:最终得到描述中心网络中节点、关系及其属性包含信息的图,将中心网络对应的图作为第一子图摘要。
作为本发明的进一步优化方案,步骤S3中,所述分层抽样采用如下方式中的任一种:
(1)在所述图谱群组中,采样节点数量与节点重要性指标高低成反比;
(2)在所述图谱群组中,采样节点数量与节点重要性指标高低成正比。
作为本发明的进一步优化方案,步骤S5中,所述设定融合方式包括结构融合和属性融合,须按如下融合遵循规则进行:
(1)相同类型的节点至多保存两个;
(2)同类型边仅保留一条;
节点或边的属性融合过程中须保存属性信息。
本发明的有益效果在于:
本发明提出的图摘要方法是在保持图整体结构的同时,将节点和边进行有效地合并,从而得到更为简洁、抽象的超图的过程。与传统的图摘要方法不同,本发明提出了一种构造速度快的面向知识图谱的图聚集方法,可以有效地把一个知识图谱划分成一个规模较小,把包含核心知识的摘要知识图谱,以及由其他从属知识构成的详细知识图谱,将知识图谱中的核心部分和详细部分分离能够大大减少搜索空间从而加速挖掘任务。
附图说明
图1是本发明中生成方法的执行流程示意图;
图2是本发明中同类型且同属性合并融合的示例图;
图3是本发明中同类型且不同属性合并融合的示例图;
图4是本发明中中心网络的子图摘要生成流程图;
图5是本发明中图摘要结构融合的示例图。
具体实施方式
下面结合附图对本申请作进一步详细描述,有必要在此指出的是,以下具体实施方式只用于对本申请进行进一步的说明,不能理解为对本申请保护范围的限制,该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
实施例1
如图1所示,本实施方式提出了一种基于采样子图策略的电池知识图谱摘要生成方法,方法包括:
S1:对预先构建的电池产业知识图谱中各个节点进行节点重要性指标的计算以及排序,并根据预先设定的阈值对各个节点的重要性指标进行划分,以形成具有不同重要性指标的图谱群组;
其中,通过获取电池产业链信息来构建电池产业知识图谱,电池产业链信息至少包括锂电池产业链信息、电解铜箔产业链信息、氢燃料电池产业链信息、锂电池负极材料产业链信息、硅碳负极材料产业链信息、动力电池电解液产业链信息、以及各产业经营公司详细信息。
作为优选的,步骤S1具体为:
S1.1:首先针对图谱中的各个节点进行重要性计算,从而得到所有节点的重要性指标;其中,节点重要性指标的计算方法至少包括:度中心性算法、PageRank算法和HITS算法;其中,节点重要性指标表示着节点在图中的重要性、影响力、传播能力,是图挖掘算法中重要内容。并且,重要性越高的节点及其所链接的邻居在图中具有中心意义。
S1.2:通过对所有节点重要性指标进行排序,并利用设定阈值将具有不同重要性的节点划分到不同的图谱群组中,通过对所有节点重要性指标进行排序,并利用阈值进行分段划分将具有不同重要性的节点划分到不同的群组中,得到如下群组:
其中,X为节点的重要性指标,将X排序后得到从大到小的序列,Xi≥Xi+1,i∈(1,2,3,…,n),n为图中节点的数量;通过预定义的多个阈值βi≥βi+1,i∈(1,2,3,…,m),将具有不同重要性指标的节点划分为m+1个群组。
S2:在图谱群组中选择重要性指标最大的节点,获取以此节点为中心的特定阶数的中心网络,并将中心网络作为第一子图摘要,并将第一子图摘要作为图谱的根摘要;
作为优选的,结合图2和图3,步骤S2中将中心网络作为第一子图摘要具体为:
S2.1:从中心节点开始,利用广度优先遍历方法遍历中心网络,
S2.2:结构处理:遍历过程中将节点的一阶邻居中具有相同类型的节点、关系进行合并,不同则保留;其中,和节点相同类型的邻居会形成多重边。
S2.3:属性处理:对同类型的节点或关系中所具有的不同属性进行合并去重;
S2.4:最终得到描述中心网络中节点、关系及其属性包含信息的图,将中心网络对应的图作为第一子图摘要。
从中心网络到第一子图摘要的算法流程参考图4,其中虚线框中表示节点和关系及属性的合并处理过程。
S3:在图谱群组中按照重要性指标大小进行分层抽样以获得采样节点,将采样节点加入中心网络中的中心节点集合;
作为优选的,步骤S3中,分层抽样采用如下方式中的任一种:
(1)在图谱群组中,采样节点数量与节点重要性指标高低成反比;
即节点重要性指标越高的分段,采样节点数量应当越少,而节点重要性指标低的分段,采样点越多。这样做的好处是节点重要性指标较高的节点所在的中心网络包含更多的图数据结构信息,但处理为摘要较为消耗资源,并且重要性指标低的节点所在中心网络会包含较为“稀少”的结构信息。并且,在子图摘要融合阶段会将信息补充到根摘要中。这样形成的图摘要所包含的原图信息更多。
(2)在图谱群组中,采样节点数量与节点重要性指标高低成正比。
即节点重要性指标越高的分段,采样节点数量越多,而节点重要性指标低的分段,采样点越少。这样操作对于图数据中的核心结构信息能够完成更加全面的总结而形成图摘要。
S4:根据中心节点集合对图谱进行特定阶数的中心网络抽取,并将所有中心网络作为第二子图摘要;
需要说明的是,本实施例中中心网络处理为第二子图摘要的过程同步骤S2。
S5:将第一子图摘要和第二子图摘要逐个和根摘要按设定融合方式融合为目标摘要。
作为优选的,步骤S5中,设定融合方式包括结构融合和属性融合,结构融合的方式如图5所示,属性融合的方式如图2所述,须按如下融合遵循规则进行:
(1)相同类型的节点至多保存两个,这是为了保存同类型节点之间存在的边;
(2)同类型边仅保留一条,知识图谱中边的类型确定,则所连接的两端的节点类型就会确定;
(3)节点或边的属性融合过程中须保存属性信息。
在一些实施例中,对于新加入的节点和关系以及他们的属性,对目标摘要进行更新并保留记录。
本发明提出的基于采样子图策略都能有效地识别并压缩知识图谱中的特定结构,从而提高面向动力电池产业知识图谱这种特定结构的动态知识图谱挖掘算法的效率。
以上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,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (4)
1.一种基于采样子图策略的电池知识图谱摘要生成方法,其特征在于,方法包括:
S1:对预先构建的电池产业知识图谱中各个节点进行节点重要性指标的计算以及排序,并根据预先设定的阈值对各个节点的重要性指标进行划分,以形成具有不同重要性指标的图谱群组;
S2:在所述图谱群组中选择重要性指标最大的节点,获取以此节点为中心的特定阶数的中心网络,并将所述中心网络作为第一子图摘要,并将所述第一子图摘要作为图谱的根摘要;
S3:在所述图谱群组中按照重要性指标大小进行分层抽样以获得采样节点,将所述采样节点加入所述中心网络中的中心节点集合;
S4:根据所述中心节点集合对图谱进行特定阶数的中心网络抽取,并将所有中心网络作为第二子图摘要;
S5:将第一子图摘要和第二子图摘要逐个和所述根摘要按设定融合方式融合为目标摘要;
步骤S1中,通过获取电池产业链信息来构建电池产业知识图谱,电池产业链信息至少包括锂电池产业链信息、电解铜箔产业链信息、氢燃料电池产业链信息、锂电池负极材料产业链信息、硅碳负极材料产业链信息、动力电池电解液产业链信息、以及各产业经营公司详细信息;
步骤S2中将所述中心网络作为第一子图摘要具体为:
S2.1:从中心节点开始,利用广度优先遍历方法遍历中心网络,
S2.2:结构处理:遍历过程中将节点的一阶邻居中具有相同类型的节点、关系进行合并,不同则保留;
S2.3:属性处理:对同类型的节点或关系中所具有的不同属性进行合并去重;
S2.4:最终得到描述中心网络中节点、关系及其属性包含信息的图,将中心网络对应的图作为第一子图摘要。
2.根据权利要求1所述的一种基于采样子图策略的电池知识图谱摘要生成方法,其特征在于:步骤S1具体为:
S1.1:首先针对图谱中的各个节点进行重要性计算,从而得到所有节点的重要性指标;其中,节点重要性指标的计算方法至少包括:度中心性算法、PageRank算法和HITS算法;
S1.2:通过对所有节点重要性指标进行排序,并利用设定阈值将具有不同重要性的节点划分到不同的图谱群组中,得到如下群组:
其中,节点的重要性指标,将/>排序后得到从大到小的序列,,/>为图中节点的数量;通过预定义的多个阈值,将具有不同重要性指标的节点划分为/>个群组。
3.根据权利要求1所述的一种基于采样子图策略的电池知识图谱摘要生成方法,其特征在于:步骤S3中,所述分层抽样采用如下方式中的任一种:
(1)在所述图谱群组中,采样节点数量与节点重要性指标高低成反比;
(2)在所述图谱群组中,采样节点数量与节点重要性指标高低成正比。
4.根据权利要求1所述的一种基于采样子图策略的电池知识图谱摘要生成方法,其特征在于:步骤S5中,所述设定融合方式包括结构融合和属性融合,须按如下融合遵循规则进行:
(1)相同类型的节点至多保存两个;
(2)同类型边仅保留一条;
(3)节点或边的属性融合过程中须保存属性信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311465209.0A CN117332856B (zh) | 2023-11-03 | 2023-11-03 | 一种基于采样子图策略的电池知识图谱摘要生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311465209.0A CN117332856B (zh) | 2023-11-03 | 2023-11-03 | 一种基于采样子图策略的电池知识图谱摘要生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332856A CN117332856A (zh) | 2024-01-02 |
CN117332856B true CN117332856B (zh) | 2024-02-23 |
Family
ID=89290430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311465209.0A Active CN117332856B (zh) | 2023-11-03 | 2023-11-03 | 一种基于采样子图策略的电池知识图谱摘要生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332856B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259137A (zh) * | 2020-01-17 | 2020-06-09 | 平安科技(深圳)有限公司 | 知识图谱摘要的生成方法及系统 |
CN111581342A (zh) * | 2020-04-23 | 2020-08-25 | 上海明略人工智能(集团)有限公司 | 一种生成摘要的方法、系统和设备 |
CN113239168A (zh) * | 2021-05-31 | 2021-08-10 | 湖南大学 | 一种基于知识图谱嵌入预测模型的可解释性方法和系统 |
CN114239711A (zh) * | 2021-12-06 | 2022-03-25 | 中国人民解放军国防科技大学 | 基于异构信息网络少样本学习的节点分类方法 |
CN114861052A (zh) * | 2022-04-29 | 2022-08-05 | 广东工业大学 | 一种基于产业知识图谱的新闻重要度计算方法 |
CN115794884A (zh) * | 2022-11-23 | 2023-03-14 | 浙江邦盛科技股份有限公司 | 一种基于图摘要技术进行预计算子图查询的方法及装置 |
WO2023040530A1 (zh) * | 2021-09-18 | 2023-03-23 | 华为技术有限公司 | 网页内容溯源方法、知识图谱构建方法以及相关设备 |
CN116187812A (zh) * | 2022-12-20 | 2023-05-30 | 广东省国土资源测绘院 | 基于地理知识的耕地资源可持续利用评价方法及系统 |
CN116361447A (zh) * | 2023-02-28 | 2023-06-30 | 天津大学 | 基于图摘要的知识图谱可视化查询方法 |
-
2023
- 2023-11-03 CN CN202311465209.0A patent/CN117332856B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259137A (zh) * | 2020-01-17 | 2020-06-09 | 平安科技(深圳)有限公司 | 知识图谱摘要的生成方法及系统 |
CN111581342A (zh) * | 2020-04-23 | 2020-08-25 | 上海明略人工智能(集团)有限公司 | 一种生成摘要的方法、系统和设备 |
CN113239168A (zh) * | 2021-05-31 | 2021-08-10 | 湖南大学 | 一种基于知识图谱嵌入预测模型的可解释性方法和系统 |
WO2023040530A1 (zh) * | 2021-09-18 | 2023-03-23 | 华为技术有限公司 | 网页内容溯源方法、知识图谱构建方法以及相关设备 |
CN114239711A (zh) * | 2021-12-06 | 2022-03-25 | 中国人民解放军国防科技大学 | 基于异构信息网络少样本学习的节点分类方法 |
CN114861052A (zh) * | 2022-04-29 | 2022-08-05 | 广东工业大学 | 一种基于产业知识图谱的新闻重要度计算方法 |
CN115794884A (zh) * | 2022-11-23 | 2023-03-14 | 浙江邦盛科技股份有限公司 | 一种基于图摘要技术进行预计算子图查询的方法及装置 |
CN116187812A (zh) * | 2022-12-20 | 2023-05-30 | 广东省国土资源测绘院 | 基于地理知识的耕地资源可持续利用评价方法及系统 |
CN116361447A (zh) * | 2023-02-28 | 2023-06-30 | 天津大学 | 基于图摘要的知识图谱可视化查询方法 |
Non-Patent Citations (3)
Title |
---|
ABSTAT-HD: a scalable tool for profiling very large knowledge graphs;Renzo Arturo Alva Principe 等;《The VLDB Journal》;20210929;851-876 * |
Hashing-based semantic relevance attributed knowledge graph embedding enhancement for deep probability recommendation;Narrullah Khan 等;《Applied Intelligence》;20220506;2295-2230 * |
多源异构数据情境中学术知识图谱模型构建研究;李肖俊;邵必林;;《现代情报》;20200601;第40卷(第06期);88-97 * |
Also Published As
Publication number | Publication date |
---|---|
CN117332856A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102810113B (zh) | 一种针对复杂网络的混合型聚类方法 | |
Li et al. | A stable community detection approach for complex network based on density peak clustering and label propagation | |
CN110909111B (zh) | 基于知识图谱rdf数据特征的分布式存储与索引方法 | |
Xue et al. | Optimizing ontology alignment through memetic algorithm based on partial reference alignment | |
EP3940555A2 (en) | Method and apparatus of processing information, method and apparatus of recommending information, electronic device, and storage medium | |
CN111552813A (zh) | 一种基于电网全业务数据的电力知识图谱构建方法 | |
WO2023155508A1 (zh) | 一种基于图卷积神经网络和知识库的论文相关性分析方法 | |
Gao et al. | Evolutionary community discovery in dynamic networks based on leader nodes | |
Huang et al. | Constructing knowledge graph from big data of smart grids | |
Liu et al. | Evaluation on regional science and technology resources allocation in China based on the zero sum gains data envelopment analysis | |
CN117332856B (zh) | 一种基于采样子图策略的电池知识图谱摘要生成方法 | |
Wang et al. | Research on association rules of course grades based on parallel fp-growth algorithm | |
CN116450954A (zh) | 一种基于图卷积网络的协同过滤推荐方法 | |
Shi et al. | Exploring technological solutions for onboard hydrogen storage systems through a heterogeneous knowledge network: From current state to future research opportunities | |
CN110597929A (zh) | 一种基于MapReduce的并行数据立方构建方法 | |
Yang et al. | A spiderweb model for community detection in dynamic networks | |
Yang et al. | EDGES: An efficient distributed graph embedding system on GPU clusters | |
CN108319678A (zh) | 一种海量时间序列的分布式索引方法 | |
CN114995964A (zh) | 一种组合服务重构方法、装置、设备和计算机可读介质 | |
CN114610758A (zh) | 基于数据仓库的数据处理方法、装置、可读介质及设备 | |
CN114238045A (zh) | 一种电网多源量测数据完整性判断及自动修复系统和方法 | |
CN107515867A (zh) | 一种NoSQL数据库的数据存储、查询方法和装置以及一种rowKey全组合的生成方法和装置 | |
Xu et al. | What-if query processing policy for big data in OLAP system | |
Wei et al. | A two-stage diversity enhancement differential evolution algorithm for multi-objective optimization problem | |
CN114186071B (zh) | 知识树三元组存储查询方法 |
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 |