知识图谱的自动构建系统及其工作方法.pdf

上传人:梁腾 文档编号:13774987 上传时间:2023-05-26 格式:PDF 页数:17 大小:660.61KB
收藏 版权申诉 举报 下载
知识图谱的自动构建系统及其工作方法.pdf_第1页
第1页 / 共17页
知识图谱的自动构建系统及其工作方法.pdf_第2页
第2页 / 共17页
知识图谱的自动构建系统及其工作方法.pdf_第3页
第3页 / 共17页
文档描述:

《知识图谱的自动构建系统及其工作方法.pdf》由会员分享,可在线阅读,更多相关《知识图谱的自动构建系统及其工作方法.pdf(17页完成版)》请在专利查询网上搜索。

1、(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202211033491.0 (22)申请日 2022.08.26 (71)申请人 上海穰川信息技术有限公司 地址 200120 上海市浦东新区中国(上海) 自由贸易试验区亮秀路112号B座502A 室 (72)发明人 尹超 (74)专利代理机构 北京纪凯知识产权代理有限 公司 11245 专利代理师 陆惠中 (51)Int.Cl. G06F 16/36(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种知识图谱的自动构建系统及。

2、其工作方 法 (57)摘要 本发明公开了一种知识图谱的自动构建系 统及工作方法, 包括信息采集模块、 schema生成 模块、 信息提取模块、 信息融合模块和预训练语 言模型; 所述schema生成模块和信息抽取模块以 提示范式prompt的深度学习模型来表述自然语 言文本, 所述信息采集模块用于采集非结构化文 本语料和其对应的schema信息, 包括但不限于无 标注的互联网文本语料; 所述预训练语言模型设 置在服务器中, 基于transformer的encoder decoder的深度学习架构训练方式, 对文本语料 进行自监督训练, 之后通过相应微调后反馈至 schema生成模块和信息抽取模。

3、块, 提升训练精 度; 本发明解决基于schema指导的信息抽取依赖 于人工给定schema结构但没有解决schema自动 构建的和抽取所依赖的背景信息只限于当前文 本, 无法有效利用已构建的知识图谱的问题。 权利要求书2页 说明书7页 附图7页 CN 115618006 A 2023.01.17 CN 115618006 A 1.一种知识图谱的自动构建系统, 其特征在于, 包括信息采集模块、 schema生成模块、 信息提取模块、 信息融合模块和预训练语言模型; 所述schema生成模块和信息抽取模块以 提示范式prompt的深度学习模型来表述自然语言文本, 所述信息采集模块用于采集非结构 。

4、化文本语料和其对应的schema信息, 包括但不限于无标注的互联网文本语料; 所述schema生成模块由与预训练语言模型相同的编码器和生成式的解码器组成, 所述 schema生成模块用于生成以序列表示的schema片段, 对应SELECT的指定部分; 所述信息提取模块用于提取自然语言语料从而输出为结构化信息, 非结构化文本、 其 对应的schema信息拼接后作为输入, 将文本和schema对应的具体数据值作为输出, 所述结 构化信息以SQL方式表达; 所述预训练语言模型设置在服务器中, 基于transformer的encoderdecoder的深度学 习架构训练方式, 对文本语料进行自监督训练。

5、, 之后通过相应微调后反馈至schema生成模 块和信息抽取模块, 提升训练精度; 所述信息融合模块用于从单一非结构化文本中抽取出的包含部分schema的信息且信 息来源的可信度较低的结构化数据, 对结构化数据的碎片融合到知识图谱时, 对信息可信 度进行校验。 2.根据权利要求1所述的一种知识图谱的自动构建系统, 其特征在于, 所述schema生成 模块编码器和解码器之间的损失函数表示为 其中, e, d分别为编码器(encoder)和解码器(decoder)的参数; x为原始文本; metaSQL 为用SQL语言表述的meta信息; schema为所要输出的schema信息。 3.根据权利要。

6、求1所述的一种知识图谱的自动构建系统, 其特征在于, 所述信息抽取模 块的损失函数为: 其中, e, d分别为编码器(encoder)和解码器(decoder)的参数; x为原始文本; schemaSQL为用SQL语言表述的schema信息; data为所要输出的结构化数据信息。 4.根据权利要求1所述的一种知识图谱的自动构建系统, 其特征在于, 所述预训练语言 模型的损失函数为: Ltextxlog p(xtarget|x; e, d) 其中, e, d分别为编码器(encoder)和解码器(decoder)的参数; x为输入文本, xtarget为 所要预测的文本, 如果是采用遮蔽语言模型。

7、, xtarget即为所遮蔽的文本; 如果是采用因果语 言模型, xtarget即为下一个词或下一片段或下一句。 5.根据权利要求1所述的一种知识图谱的自动构建系统, 其特征在于: 所述信息融合模 块对schema中某个属性字段key的值value的校验公式如下: valuemaxk(jweightj(valuek),for k1,.N) 其中, weightj代表来源j的可信度, 用pagerank方法进行计算; k1,.,N代表value有 N种取值, valuek代表其中第k种取值; 从不同来源j提取的相同valuek对应有不同的权重值, 权利要求书 1/2 页 2 CN 1156180。

8、06 A 2 将权重值累加后, 取出对应分值最高的valuek即为key所对应的value。 6.根据权利要求15所述的一种知识图谱的自动构建系统的工作方法, 其特征在于, 包 括如下步骤: S1:通过预训练语言模型列举的自监督方式进行预训练语言模型, 其中非结构化文本 语料包括采集自各种无标注的互联网文本语料; S2:收集非结构化文本和其对应的schema信息, 作为schema生成模块的训练数据; 通过 结构化知识搜寻包含有结构化value的文本, 将此文本和结构化知识的schema当作训练数 据; S3:将非结构化文本、 其对应的schema信息拼接后作为输入, 将文本和schema对应。

9、的具 体数据值作为输出, 进行信息抽取模块的训练; 并给出了具体的输出数据格式; S4:通过S2得到schema生成模块, S3得到信息抽取模块后, 可以对一份新文档进行完整 的信息提取: 首先通过schema生成模块得到schema信息, 然后根据文本和schema信息得到 结构化数据信息; S5:通过S4得到任意来源的结构化数据信息后, 采用信息融合模块列举的知识融合方 式进行结构化数据的校验和融合; 校验通过的原始文本和结构化数据补充进训练数据, 继 续通过schema生成模块和信息抽取模块的训练方法进行持续训练。 7.根据权利要求6所述的一种知识图谱的自动构建系统的工作方法, 其特征在。

10、于, 所述 信息抽取模块使用的训练数据, 步骤S2的方法后需要同时保存原始文本、 结构化schema和 结构化数据。 权利要求书 2/2 页 3 CN 115618006 A 3 一种知识图谱的自动构建系统及其工作方法 技术领域 0001 本发明属于人工智能知识图谱技术领域, 具体涉及一种知识图谱的自动构建系统 及其工作方法。 背景技术 0002 知识图谱是指用实体(节点)关系(边)实体(节点)构成的图结构来表示数据 的。 其中节点和关系都可以定义多种属性以表达复杂的数据结构, 例如在关系上由时间、 地 点、 主语、 行为来表达事件。 0003 由于知识图谱特殊的图结构组织方式, 在涉及对关系。

11、的数据处理、 搜索、 统计分析 及建模等方面能有效提升效率, 应用广泛。 传统的知识图谱构建方式一般分为两个大的步 骤: 根据业务定义实体和关系的数据结构(schema); 根据指定的schema对非结构化或半结 构化数据进行人工标注或对齐, 构建信息抽取模块并对实际数据进行抽取。 以上两个步骤 都大量依赖人工方式, 一方面构建成本高昂, 另一方面领域拓展和自动更新面临很大挑战。 0004 构建知识图谱的主要方法, 在定义schema的步骤上, 有人工定义、 利用百科页面的 知识组织结构和预设模式, 如isa类型的概念图谱; 在信息抽取步骤上, 主要方式有基于词 法模式、 基于聚类的方法和基于。

12、schema指导的信息抽取方式。 其中, 人工定义以及基于词法 模式都是通过人工指定模式, 很难应对现实中复杂多变的文本表达; 利用百科的知识组织 能有效解决冷启动的问题, 但其结构化知识覆盖度非常小, 仍需要配合其他方式才能挖掘 非结构化文本中的信息; 基于schema指导的信息抽取是一种深度学习模型方法, 借鉴问答 类任务的解决方案: 将schema的表述当作问题、 待抽取的文本内容当作背景信息, 问题的答 案就是抽取出的结构化数据。 0005 但现阶段基于schema指导的信息抽取依赖于人工给定schema, 并没有解决schema 自动构建和抽取所依赖的背景信息只限于当前文本, 无法有。

13、效利用已构建的知识图谱的问 题。 发明内容 0006 为解决现有技术存在的缺陷, 本发明提供一种知识图谱的自动构建系统及其工作 方法。 0007 为了解决上述技术问题, 本发明提供了如下的技术方案: 0008 一种知识图谱的自动构建系统, 包括信息采集模块、 schema生成模块、 信息提取模 块、 信息融合模块和预训练语言模型; 所述schema生成模块和信息抽取模块以提示范式 prompt的深度学习模型来表述自然语言文本, 所述信息采集模块用于采集非结构化文本语 料和其对应的schema信息, 包括但不限于无标注的互联网文本语料; 0009 所述schema生成模块由与预训练语言模型相同的。

14、编码器和生成式的解码器组成, 所述schema生成模块用于生成以序列表示的schema片段, 对应SELECT的指定部分; 0010 所述信息提取模块用于提取自然语言语料从而输出为结构化信息, 非结构化文 说明书 1/7 页 4 CN 115618006 A 4 本、 其对应的schema信息拼接后作为输入, 将文本和schema对应的具体数据值作为输出, 所 述结构化信息以SQL方式表达; 0011 所述预训练语言模型设置在服务器中, 基于transformer的encoderdecoder的深 度学习架构训练方式, 对文本语料进行自监督训练, 之后通过相应微调后反馈至schema生 成模块。

15、和信息抽取模块, 提升训练精度; 0012 所述信息融合模块用于从单一非结构化文本中抽取出的包含部分schema的信息 且信息来源的可信度较低的结构化数据, 对结构化数据的碎片融合到知识图谱时, 对信息 可信度进行校验。 0013 进一步地, 所述schema生成模块编码器和解码器之间的损失函数表示为 0014 0015 其中, e, d分别为编码器(encoder)和解码器(decoder)的参数; x为原始文本; metaSQL为用SQL语言表述的meta信息; schema为所要输出的schema信息。 0016 进一步地, 所述信息抽取模块的损失函数为: 0017 0018 其中, e。

16、, d分别为编码器(encoder)和解码器(decoder)的参数; x为原始文本; schemaSQL为用SQL语言表述的schema信息; data为所要输出的结构化数据信息。 0019 更近一步地, 所述预训练语言模型的损失函数为: 0020 Ltextxlog p(xtarget|x; e, d) 0021 其中, e, d分别为编码器(encoder)和解码器(decoder)的参数; x为输入文本, xtarget为所要预测的文本, 如果是采用遮蔽语言模型, xtarget即为所遮蔽的文本; 如果是采用 因果语言模型, xtarget即为下一个词或下一片段或下一句。 0022 进。

17、一步地, 0023 所述信息融合模块对schema中某个属性字段key的值value的校验公式如下: 0024 valuemaxk(jweightj(valuek), for k1, .N) 0025 其中, weightj代表来源j的可信度, 用pagerank方法进行计算; k1, ., N代表 value有N种取值, 0026 valuek代表其中第k种取值; 从不同来源j提取的相同valuek对应有不同的权重值, 将权重值累加后, 取出对应分值最高的valuek即为key所对应的value。 0027 本发明还提供了一种知识图谱的自动构建系统的工作方法, 包括如下步骤: S1: 通 过。

18、预训练语言模型列举的自监督方式进行预训练语言模型, 其中非结构化文本语料包括采 集自各种无标注的互联网文本语料; 0028 S2: 收集非结构化文本和其对应的schema信息, 作为schema生成模块的训练数据; 通过结构化知识搜寻包含有结构化value的文本, 将此文本和结构化知识的schema当作训 练数据; 0029 S3: 将非结构化文本、 其对应的schema信息拼接后作为输入, 将文本和schema对应 的具体数据值作为输出, 进行信息抽取模块的训练; 并给出了具体的输出数据格式; 说明书 2/7 页 5 CN 115618006 A 5 0030 S4:通过S2得到schema。

19、生成模块, S3得到信息抽取模块后, 可以对一份新文档进行 完整的信息提取: 首先通过schema生成模块得到schema信息, 然后根据文本和schema信息 得到结构化数据信息; 0031 S5:通过S4得到任意来源的结构化数据信息后, 采用信息融合模块列举的知识融 合方式进行结构化数据的校验和融合; 校验通过的原始文本和结构化数据补充进训练数 据, 继续通过schema生成模块和信息抽取模块的训练方法进行持续训练。 0032 优选地, 所述信息抽取模块使用的训练数据, 步骤S2的方法后需要同时保存原始 文本、 结构化schema和结构化数据。 0033 本发明相较于现有技术, 具有以下有。

20、益效果: 0034 对比现有阶段prompt的设计方法, 采用SQL的表达方式能够通过WHERE表达式方便 加入原始文本以外的背景信息或约束, 并且语法跟SQL保持一致, 也便于持续扩展。 0035 已融入知识图谱的结构化数据并不是100值得信赖的, 随着新信息的补充, 旧的 知识可能在得分上不能保持最高排名, 从而被更新掉。 训练用的数据也会相应更新, 不断提 升抽取模型的可信度。 附图说明 0036 图1是本发明的一种知识图谱的自动构建系统架构图; 0037 图2是本发明的预训练语言模型的处理过程图; 0038 图3是本发明的schema结构化过程示意图; 0039 图4是本发明的输入文本。

21、拼接过程及结果输出示意图; 0040 图5是本发明的信息提取模块提取的结果示意图; 0041 图6是本发明信息融合模块校验过程示意图; 0042 图7是本发明实施例提供的校验结果示例一; 0043 图8是本发明实施例提供的校验结果示例二; 0044 图9是本发明实施例提供的校验结果示例三; 0045 图10是本发明实施例提供的校验结果示例四。 具体实施方式 0046 以下结合附图对本发明的优选实施例进行说明, 应当理解, 此处所描述的优选实 施例仅用于说明和解释本发明, 并不用于限定本发明。 0047 实施例 0048 为了达到本发明的目的, 如图1所示, 在本实施例提供一种知识图谱的自动构建。

22、系 统: 0049 信息采集模块中的表达规则定义 0050 metaschema表述: 0051 在可变的schema之上, 采用了schema的固定元结构(meta); 0052 schema的固定元结构(meta), 其中, 实体schema的meta结构为type,value, type 表示实体类型, value表示实体名称; 0053 关系分为isa和hasa, 分别表达概念关系和所属关系, 说明书 3/7 页 6 CN 115618006 A 6 0054 其meta结构分别为type,value, 表达关系名称和关系取值; 0055 事件schema的meta结构为who,wha。

23、t,where,when,why,how, 分别表达事件主体、 事件描述、 事件发生地点、 事件发生事件、 事件背景和事件结果, 0056 其meta结构分别为type,value。 0057 实体、 关系和事件的属性是随着实际场景变化的。 0058 例如公司和学校各自的实体属性是不同的, 相关的关系、 事件等属性也是不同的。 0059 信息采集模块中的提示范式(prompt)定义: 0060 schema生成模块和信息抽取模块均基于提示范式(prompt)的深度学习模型来构 建的, 用于表述自然语言文本, 且语法结构为SELECT#FROM#WHERE#的结构形式, 0061 其中, #是待。

24、填充的文本内容; SELECT表示需要抽取的信息; FROM的取值是entity, isa,hasa,event这四种; 0062 WHERE表示约束条件, 0063 约束的算子(operator)只考虑 “” , “AND” , “OR” 三种, 0064 prompt的具体写法详见: schema生成模块和信息抽取模块中示例。 0065 预训练语言模型: 0066 采集大量互联网的无标注文本语料, 先基于transformer的encoderdecoder的深 度学习架构, 对文本语料进行自监督训练, 得到一个预训练语言模型, 再通过相应微调提升 schema生成模块和信息抽取模块的效果;。

25、 0067 如遮蔽语言模型(masked language model, MLM)或者因果语言模型(causal language model, CLM); 0068 更近一步地, 预训练语言模型的损失函数为: 0069 Ltextxlog p(xtarget|x; e, d)(1) 0070 在式(1)中, e, d分别为编码器(encoder)和解码器(decoder)的参数; x为输入文 本, xtarget为所要预测的文本, 如果是采用遮蔽语言模型, xtarget即为所遮蔽的文本; 0071 如果是采用因果语言模型, xtarget即为下一个词或下一片段或下一句。 0072 sche。

26、ma生成模块 0073 schema生成模块的输入形式是: SQLtext文本; 0074 其中, text为特殊词(token), 以区分SQL表述部分和原始文本; schema生成模块 的输出为schema片段, 用序列表示对应SELECT的指定部分。 0075 schema生成模块的编码器部分采用跟预训练语言模型同样的编码器, 解码器部分 采用生成式的方式, 损失函数为: 0076 Lschema(x, schema)log p(schema|x, metaSQL; e, d)(2) 0077 其中, e, d分别为编码器(encoder)和解码器(decoder)的参数; x为原始文本。

27、; metaSQL为用SQL语言表述的meta信息; schema为所要输出的schema信息。 0078 详细地, 关于SQL的具体写法, 0079 (1)如果是确定实体类型, 0080 SQL写法为SELECT type FROM entity, 或者SELECT entity.type, 0081 生成结果为entity.type:#,., 表示结果可能有多个; 0082 (2)如果是根据已知实体类型来提取isa关系, SQL写法为SELECT type FROM is 说明书 4/7 页 7 CN 115618006 A 7 a WHERE entity.type#, 生成结果为ent。

28、ity.type:#,isa.type:#,.; 0083 (3)如果是联合提取实体和关系的具体schema, SQL写法为SELECT entity.type, isa.type, 生成结果同样为entity.type:#,isa.type:#,.; 0084 (4)如果是联合提取实体和事件具体schema, SQL写法为SELECT who.type , what.type,why.type,when.type,where.type,how.type FROM event, 生成结果为 who .type:# ,what .type:# ,why .type:# ,when .type:#。

29、 ,where .type:# , how.type:#,.; 0085 (5)如果是先提取事件类型再提取事件schema, 0086 可以分成两步: SELECT what.type FROM event和SELECT who.type,why.type, when.type,where.type,how.type FROM event WHERE what.type#, 0087 生成结果分别为what .type:# ,.和who .type:# ,what .type:# , why.type:#,when.type:#,where.type:#,how.type:#,.。 0088 。

30、信息抽取模块 0089 如图3所示, 信息抽取模块采用跟schema生成模块一致的模型架构, 0090 信息抽取的输入形式是: SQLtext文本, 输出为结构化的数据信息, 对应SELECT 的指定部分。 0091 关于SQL的具体写法, 0092 如果是联合抽取实体和isa关系信息, 0093 SQL写法为SELECT entity.value,isa.value WHERE entity.type#ANDis a.type#, 0094 抽取结果为entity .type:# ,entity .value:# ,isa .type:# ,is a.value:#,., 表示结果可能有多个。

31、; 0095 如果是联合提取实体和事件具体信息, SQL写法为SELECT who .value , what.value,why.value,when.value,where.value,how.value FROM event WHERE who.type#AND what.type#AND why.type#AND when.type#AND where.type# AND how.type#, 生成结果为who.type:#,what.type:#,why.type:#,when.type:#, where.type:#,how.type:#,who.value:#,what.valu。

32、e:#,why.value:#,when.value:#, where.value:#,how.value:#,.。 0096 需要说明的是, 采用SQL的表达方式便于加入原始文本以外背景信息或上下文信 息, 在提取事件信息时, 先提取实体信息, 然后根据实体信息从已构建的知识图谱中获取相 关背景片段, 0097 对应事件提取的SQL写法为SELECT what.value ,why .value ,when.value , where.value,how.value FROM event WHERE who.type#AND who.value#AND what.type#AND why.t。

33、ype#AND when.type#AND where.type#AND how.type# AND who.info#, 其中, who.info可以根据who.type和who.value从已构建的知识图谱中 获取相关实体的其他信息, 并整理成文本放入who.info。 0098 上述方式, 仅演示最简单的背景信息的表达方式, 但并不限于who.info的表达, 用 更加结构化的方式来表达背景信息。 0099 所述信息抽取模块的损失函数为: 说明书 5/7 页 8 CN 115618006 A 8 0100 Ldata(x, data)log p(data|x,schemaSQL; e, 。

34、d)(3) 0101 其式(3)中, e, d分别为编码器(encoder)和解码器(decoder)的参数; x为原始文 本; schemaSQL为用SQL语言表述的schema信息; data为所要输出的结构化数据信息。 0102 信息融合模块 0103 从单一非结构化文本中抽取出的结构化数据, 将结构化数据的碎片融合到原有的 知识图谱时, 需要对信息可信度进行校验。 0104 对schema中某个属性字段key的值value的校验公式如下: 0105 valuemaxk(jweightj(valuek),for k1,.N)(4) 0106 式(4)中, weightj代表来源j的可信度。

35、, 用pagerank方法进行计算; k1,.,N代 表value有N种取值, valuek代表其中第k种取值; 从不同来源j提取的相同valuek对应有不同 的权重值, 将权重值累加后, 取出对应分值最高的valuek即为key所对应的value。 0107 结构化数据融合进知识图谱时, 将来源、 原文本、 生成的schema和提取后的结构化 数据保存进另一个数据库中, 0108 通过校验的数据可以作为训练数据持续补充给schema生成模块和信息抽取模块 进行更新。 0109 已融入知识图谱的结构化数据并不是100值得信赖的, 随着新信息的补充, 旧的 知识可能在得分上不能保持最高排名, 从。

36、而被更新掉。 训练用的数据也会相应更新, 不断提 升抽取模型的可信度。 0110 在以上模块的基础上, 进一步的, 在持续训练schema生成模块和信息抽取模块, 即 schema生成模块和信息抽取模块时, 可以进行联合训练, 其损失函数为: 0111 LLtext+Lschema+Ldata(5) 0112 本实施例还提供了一种知识图谱的自动构建系统的工作方法包括如下步骤: 0113 S1:通过预训练语言模型列举的自监督方式进行预训练语言模型, 处理过程如图2 所示, 其中非结构化文本语料可以采集自各种无标注的互联网文本语料; 0114 S2:收集非结构化文本和其对应的schema信息, 作。

37、为schema生成模块的训练数据。 训练数据的冷启动方式, 通过收集百科类网页的结构化知识和对应的文本语料, 具体一种 对应方法为: 通过结构化知识搜寻包含有结构化value的文本, 将此文本和结构化知识的 schema当作训练数据。 采用schema生成模块列举的训练方法进行训练; 如图3所示 0115 S3:将非结构化文本、 其对应的schema信息拼接后作为输入, 将文本和schema对应 的具体数据值作为输出, 进行信息抽取模块的训练, 如图4所示。 信息抽取使用的训练数据, 可以采用跟S2同样的方式, 区别在于需要同时保存原始文本、 结构化schema和结构化数据。 模型采用信息抽取。

38、模块列举的训练方法进行训练; 0116 S4:通过S2得到schema生成模块, S3得到信息抽取模块后, 可以对一份新文档进行 完整的信息提取: 首先通过schema生成模块得到schema信息, 然后根据文本和schema信息 得到结构化数据信息; 如图5所示; 0117 S5:通过S4得到任意来源的结构化数据信息后, 采用信息融合模块列举的知识融 合方式进行结构化数据的校验和融合。 0118 其中, 当不同来源的 “市场交易” 知识产生冲突时, 可信度较低的知识被抛弃, 可信 度高的知识融入知识图谱。 说明书 6/7 页 9 CN 115618006 A 9 0119 校验通过的原始文本。

39、和结构化数据补充进训练数据, 继续通过schema生成模块和 信息抽取模块的训练方法进行持续训练。 0120 具体的校验过程如图6所示, 融合输出结果案例参见图710。 0121 最后应说明的是: 以上仅为本发明的优选实施例而已, 并不用于限制本发明, 尽管 参照前述实施例对本发明进行了详细的说明, 对于本领域的技术人员来说, 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。 凡在 本发明的精神和原则之内, 所作的任何修改、 等同替换、 改进等, 均应包含在本发明的保护 范围之内。 说明书 7/7 页 10 CN 115618006 A 10 图1 图2 说明书附图 1/7 页 11 CN 115618006 A 11 图3 说明书附图 2/7 页 12 CN 115618006 A 12 图4 说明书附图 3/7 页 13 CN 115618006 A 13 图5 说明书附图 4/7 页 14 CN 115618006 A 14 图6 说明书附图 5/7 页 15 CN 115618006 A 15 图7 图8 图9 说明书附图 6/7 页 16 CN 115618006 A 16 图10 说明书附图 7/7 页 17 CN 115618006 A 17 。

展开阅读全文
内容关键字: 知识 图谱 自动 构建 系统 及其 工作 方法
关于本文
本文标题:知识图谱的自动构建系统及其工作方法.pdf
链接地址:https://www.zhuanlichaxun.net/pdf/13774987.html
关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备2021068784号-1 
 


收起
展开