排序方式： 共有14条查询结果，搜索用时 0 毫秒
11.
[目的/意义]构建突发事件超本体,旨在从大数据中挖掘突发事件演变知识,揭示事件演变规律,依靠知识驱动支撑情报决策。[方法/过程]首先,提出了超本体的概念,利用超本体描述复杂系统的异质性,表征复杂系统中的“超连接”,揭示复杂系统的运行机制,并设计了突发事件超本体模型;其次,提出了突发事件超本体构建的统一框架和体系化方法,依靠本体复用构建概念分类体系,基于信息抽取搭建概念关系网络,围绕具体事件进行概念层的实例化;最后,构建了新冠疫情事件超本体,验证了超本体模型的合理性以及超本体构建方法的有效性。[结果/结论]实证结果表明,突发事件超本体可以利用概念性知识描述事件演变的普遍规律以及事物之间的相互作用,能够用于理解和解释突发事件的演变过程,预测突发事件的演变方向,赋能情报决策,防范化解重大风险,科学应对突发事件。 相似文献
12.
[目的/意义]对知识网络中结构关系的有效识别与提取，有助于从纷繁的数据中探测知识网络的拓扑结构及其演化模式。[方法/过程]本文提出一种基于邻接矩阵特征分解的知识网络结构关系提取方法。基于真实数据分别从静态结构关系提取和动态结构演化两个方面，对特征分解法和传统关联频度法进行对比分析，并与Pathfinder算法进行对比。对基于特征分解法提取知识网络结构关系的有效性进行验证。[结果/结论]研究结果表明：特征分解法能够识别原始知识网络中的主要成分信息，能够准确识别低频次的对网络整体拓扑结构较为重要的关联关系，且提取方法灵活自由。 相似文献
13.
[目的/意义]丰富的互联网数据为洞悉真实事件提供了多维视角,快速识别突发事件并准确判断其所属类别,有助于各级政府及应急管理部门高效地管理应急情报资源。[方法/过程]文章构建了基于文本—图像增强的突发事件识别及分类的理论模型;通过文本卷积神经网络、视觉几何群网络搭建深度神经网络共同组成Multi-DNN模型;最后以真实的自然灾害类突发事件数据进行实例验证。[结果/结论]通过文本、图像相互增强,多模态特征融合能够提升突发事件识别及分类的准确率,同时在小样本数据的任务处理中仍有良好效果,证明不同模态的数据能够相互补充、相互印证,对其融合处理能够提供比单一模态更为准确和全面的信息分析。 相似文献
14.