-
公开(公告)号：CN112541589B
公开(公告)日：2022-10-14
申请号：CN202011520861.4
申请日：2020-12-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于AHE对齐超平面的文本知识嵌入方法，包括以下步骤：步骤S1:对数据集进行预训练词向量，获得文本描述的精确表示；步骤S2:采用AHE对齐超平面策略，将文本向量与内部向量对齐为统一的隐含层维度，并分别对头尾实体进行文本超平面投影，获得交互增强的表示向量,并将其应用至知识库基础模型中。解决了传统文本联合学习模型对文本描述引入的不精确性和不灵活性，进一步有效提高知识图谱补全效果。
-
公开(公告)号：CN111259085B
公开(公告)日：2022-08-16
申请号：CN201911389835.X
申请日：2019-12-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于关系超平面的时间感知翻译模型的关系预测方法。该方法在实体嵌入的过程中运用关系映射的方法，兼顾实体、关系随时间演化的特点，实现了实体在不同的关系和时间下的特定角色表示、关系在不同的时间下的特定意义表示。本发明一方面解决了同一关系下由于时间冲突导致的预测错误问题，另一方面解决了复杂关系导致预测效率低下的问题。
-
公开(公告)号：CN109657798B
公开(公告)日：2022-08-16
申请号：CN201811589472.X
申请日：2018-12-25
Applicant: 福州大学
Abstract: 本发明提出结合变量存储器和多变量连接器的流式推理方法，所述流式推理方法基于是基于OWL Horst的规则集对RDF流式数据进行处理；所述流式推理方法是在知识图谱的背景下，先提出了变量存储器旨在加速查找特定RDF流式数据中查询速度的同时，避免以规则为单位的形式进行冗余存储和数据传输开销。接着提出多变量连接器的存储方法，用于预判规则是否激活；最后结合该存储设计方案，设计流式推理算法EMSR，有效地实现针对流式RDF数据的高效推理；本发明通过增设变量存储器和多变量连接器，使得同一类型的三元组可用于多条规则，避免了以规则为单位的形式进行冗余存储，减少了数据网络传输。
-
公开(公告)号：CN109710774B
公开(公告)日：2022-06-21
申请号：CN201811568696.2
申请日：2018-12-21
Applicant: 福州大学
IPC: G06F16/36 , G06F16/901 , H04L67/1097
Abstract: 本发明涉及一种结合平衡策略的图数据划分与分布式存储算法。以标签图作为初始划分图，将标签图转化为节点与边都带权值的无向图，进行边融合时使用HEM算法将大权的边优先进行融合，可以将关系密切的节点划分到同一分区；在初始划分阶段，使用趋近公式将图的顶点总权值尽可能的平均分割给k个集群；同时本发明充分考虑到知识碎片在分布式环境下的存储问题，提出平衡策略对知识碎片进行存储。
-
公开(公告)号：CN109710621B
公开(公告)日：2022-06-21
申请号：CN201910039058.X
申请日：2019-01-16
Applicant: 福州大学
IPC: G06F16/22 , G06F16/242 , G06F16/28
Abstract: 本发明涉及一种结合语义类节点与边权重的关键词搜索KSANEW算法。包括：数据存储阶段，该阶段随着知识碎片的到来，动态地更新知识库中语义类、实体和属性等数据；关键词查询阶段，该阶段考虑到知识图谱的模式层相较于数据层数据量小，提出查询种子模型，该模型将查询关键词映射到模式层上，接着通过两类扩展方式，分别是基于节点的大权值方向扩展方式和基于边的大权值方向扩展方式生成候选种子模型，然后通过评分函数对候选种子集合进行评分排序，最后以高评分的候选种子作为查询种子，将查询种子作为指引，在数据层上进行分布式搜索，得到查询结果。
-
Patent Agency Ranking
公开(公告)号：CN112818136A
公开(公告)日：2021-05-18
申请号：CN202110220136.3
申请日：2021-02-26
Applicant: 福州大学
Abstract: 本发明提供了一种基于时间卷积的交互知识表示学习模型TCIM的预测方法，通过卷积神经网络捕获时间的特征信息，通过圆形卷积神经网络去提取三元组的特征信息，将三元组的特征和时间的特征融合并进行链路预测。本发明通过卷积神经网络去捕获时间的特征信息，从而可以对动态知识图谱进行补全。
-
公开(公告)号：CN106980901B
公开(公告)日：2019-09-13
申请号：CN201710246309.2
申请日：2017-04-15
Applicant: 福州大学
IPC: G06N5/04
Abstract: 本发明提供流式RDF数据并行推理算法：构建规则的伪双向网络，若规则节点中存在类的连接变量则建立中间节点；定时获取Streaming数据流中的批量新数据以及前次推理产生的数据作为输入数据，对输入的数据进行归类或新建对应节点并存储到相应的Redis集群；对于输入的三元组数据结合伪双向网络判断对应的中间节点或者规则节点所监听的前件是否全部满足，进而对该规则进行推理，产生推理数据；通过实时地删除重复推理数据并本次推理产生的所有数据保存到Redis集群中作为下次推理的输入数据，从而完整高效地实现RDF数据OWL Horst规则的并行流式推理。
-
公开(公告)号：CN106874426A
公开(公告)日：2017-06-20
申请号：CN201710057433.4
申请日：2017-01-23
Applicant: 福州大学
IPC: G06F17/30
Abstract: 本发明涉及一种基于Storm的RDF流式数据关键词实时搜索方法，其特征在于：包括Storm实时处理、Redis分布式存储和Storm实时查询；Storm实时处理的具体内容为：Storm的Spout组件接收并处理RDF本体和实例数据文件流，将处理后的RDF本体和实例数据文件流分布式存储至Redis哈希表中；所述Storm实时查询的具体内容为：客户端发送实时查询请求，服务端接收客户端的查询请求后，先检查查询缓存中是否已存在该查询请求的查询结果，若存在，则复用缓存历史查询结果，执行增量更新查询算法，返回查询结果；若不存在，则服务端对查询请求进行实时计算，并返回查询结果。本发明支持对连续RDF数据流的进行实时查询，满足用户对RDF数据流实时查询的应用需求。
-
公开(公告)号：CN105930419A
公开(公告)日：2016-09-07
申请号：CN201610242787.1
申请日：2016-04-19
Applicant: 福州大学
CPC classification number: G06F16/2471 , G06F16/24564 , G06F17/2785
Abstract: 本发明涉及一种RDF数据分布式并行语义编码方法，具体包括以下步骤：步骤S1：读入RDF本体文件，构建类关系模型和属性关系模型；步骤S2：读入RDF数据文件，将三元组分割成三元组项，将三元组项按类划分，并删除重复的三元组项，同时生成前缀编码；对三元组项进行过滤，用以确保RDF三元组编码的一致性，使得同一个三元组项不会分配到不同的编码；步骤S3：将三元组项进行编码，生成字典表；步骤S4：将三元组进行编码，生成编码后的三元组文件；步骤S5：将步骤S4的结果文件作为此步骤的输入，根据步骤S3中的字典表，反转生成原始RDF数据文件。本发明在分布式环境下结合本体能够高效地实现大规模数据的压缩编码与反转。
-
公开(公告)号：CN103425803B
公开(公告)日：2016-06-01
申请号：CN201310346011.0
申请日：2013-08-10
Applicant: 福州大学
IPC: G06F17/40
Abstract: 本发明涉及信号采集技术领域，特别是一种利用低频采集卡采集脉冲信号的方法，将采集卡上的n路采集信道配置为k路全频率采集信道和n-k路分频率采集信道，当需要采集脉冲信号时，在一段时间间隔t中，将采集卡的最大采样频率全部分配给所述k路全频率采集信道中的s路，循环┌k/s┐次，完成k路全频率采集信道中所有脉冲信号的采集，其中，s≥1，┌k/s┐表示对k/s的值向上取整；如果采集的是普通低频信号，则将最大采样频率分配给n-k路分频率采集信道，采集所述n-k路分频率采集信道中的普通低频信号。该方法不仅可以采集较高频率信号尤其是脉冲信号，而且节省资源，投入成本小，使用效果好。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.028 seconds)
