CN118296164B - 基于知识图谱的农产信息自动采集与更新方法及系统 - Google Patents
基于知识图谱的农产信息自动采集与更新方法及系统 Download PDFInfo
- Publication number
- CN118296164B CN118296164B CN202410726188.1A CN202410726188A CN118296164B CN 118296164 B CN118296164 B CN 118296164B CN 202410726188 A CN202410726188 A CN 202410726188A CN 118296164 B CN118296164 B CN 118296164B
- Authority
- CN
- China
- Prior art keywords
- data
- product information
- agricultural product
- knowledge graph
- unit
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于知识图谱的农产信息自动采集与更新方法及系统，属于农业信息技术领域，包括：明确采集需求，设计知识图谱架构，引入领域本体和专业知识库以丰富语义信息；通过数据抓取技术抓取目标数据源中的农产信息，结合深度学习模型自动抽取实体、属性和关系，并与知识图谱中的已有数据进行匹配；利用数据融合算法整合多版本信息，结合规则引擎和时空数据分析发现隐含关系和动态变化；设定定期采集任务，采用流处理框架进行增量更新，并利用区块链技术确保数据可信；同时，设置用户反馈机制和智能监控预警系统，以优化知识图谱质量和及时响应异常变化，自动化程度高，同时，提高了生产效率和产量，确保了农产信息的安全性和可信度。
Description
技术领域
本发明属于农业信息技术领域，具体的说是基于知识图谱的农产信息自动采集与更新方法及系统。
背景技术
随着全球人口的增长和城市化进程的加快，农业生产面临着前所未有的挑战，包括提高生产效率、优化资源配置、确保食品安全和环境保护，在这一背景下，智能化和信息化成为了农业领域的重要发展方向，知识图谱技术作为人工智能领域的一个重要分支，以其强大的实体关系建模和推理能力，为农业信息化提供了有力的支持。农产信息作为农业生产和管理的重要依据，其准确性和时效性对农业生产决策具有重大影响，然而，传统的农产信息采集方式往往依赖于人工，效率低下且易出错，无法满足现代农业对信息准确性和时效性的高要求，因此，开发一种能够自动采集和更新农产信息的方法变得尤为重要。
如授权公告号为CN111582303B的中国专利公开了一种农产品信息采集校正方法及系统，包括：获取当前时刻信息采集表；根据当前时刻信息采集表采集元对农产品信息进行采集，确定活动采集元集合；获取当前时刻采集元与农产品信息采集比例集合；根据活动采集元集合以及当前时刻采集元与农产品信息采集比例集合，利用相似性算法确定不同采集元对同类农产品信息采集的相似度；根据不同采集元对同类农产品信息采集的相似度确定下一时刻采集元对农产品信息的采集特征；根据下一时刻采集元对农产品信息的采集特征更新当前时刻信息采集表，采集元根据更新的信息采集表对下一时刻的农产品信息进行采集。通过本技术方案的上述方法解决了传统的人工设置采集元需要采集哪些数据的繁琐工作，提高工作效率。
以上专利均存在本背景技术提出的问题：1）使用相似性算法确定不同采集元对同类农产品信息采集的相似度受到算法的局限性和阈值设置的影响；2）主要关注于单个采集元与农产品信息采集的相似度，缺乏对整体农产品市场和供应链的全局性；3）依赖于预设的采集元和采集比例，缺乏足够的灵活性来适应农产品市场的快速变化和不同地区的特异性。
发明内容
针对现有技术的不足，本发明提出了基于知识图谱的农产信息自动采集与更新方法及系统，设计知识图谱架构，引入领域本体和专业知识库以丰富语义信息；通过数据抓取技术抓取目标数据源中的农产信息，结合深度学习模型自动抽取实体、属性和关系，并与知识图谱中的已有数据进行匹配；利用数据融合算法整合多版本信息，结合规则引擎和时空数据分析发现隐含关系和动态变化；设定定期采集任务，采用流处理框架进行增量更新，并利用区块链技术确保数据可信；同时，设置用户反馈机制和智能监控预警系统，以优化知识图谱质量和及时响应异常变化，提高了生产效率和产量，确保了农产信息的安全性和可信度，防止了数据被篡改或伪造。
为实现上述目的，本发明提供如下技术方案：
基于知识图谱的农产信息自动采集与更新方法，包括：
步骤S1：明确需要采集和更新的农产信息类型，根据需求分析结果，设计知识图谱架构，规划知识图谱的顶层结构，定义核心实体及属性，同时，引入领域本体和农业专业知识库，丰富知识图谱的语义信息；
步骤S2：确定采集农产信息的目标数据源，从目标数据源中抓取农产信息并进行预处理，根据命名实体识别方法并结合深度学习模型，自动抽取农产信息中的实体、属性和关系，将抽取的实体与知识图谱中的已有实体和关系进行匹配；
步骤S3：选择图数据库系统，并将处理后的实体、属性与关系数据导入选定的图数据库，构建完整的农产知识图谱，结合农业领域的特性，采用图嵌入技术和索引优化策略优化知识图谱的查询和索引性能；
步骤S4：通过数据融合算法整合来自不同数据源、同一实体的农产信息，使用规则引擎推理模型，发现隐含关系、因果效应、趋势预测，并引入时空数据分析方法，利用GIS技术和时间序列分析，捕捉农产信息的动态变化和地域特征；
步骤S5：设定定期采集任务，根据新采集的数据，采用流处理框架对知识图谱进行增量更新，设置变更检测机制，监控到数据源变更，触发即时更新流程，利用区块链技术构建数据存证机制，并定期进行数据质量评估，设置用户反馈机制，根据反馈优化知识图谱质量，同时，引入智能监控和预警系统，对农产信息的异常变化进行及时检测和预警。
具体地，所述步骤S2的具体步骤包括：
S201：设计数据抓取程序的结构、访问频率、并发控制，设置数据抓取目标URL、抓取深度，设置完成后启动数据抓取程序抓取农产信息，并对抓取到的农产信息进行预处理；
S202：利用命名实体识别方法对农产信息进行标注，并使用标注好的农产信息对深度学习模型进行训练，训练完成后，应用训练好的深度学习模型对预处理后的农产信息进行实体识别，根据深度学习模型的输出，提取出标注为实体的词，并确定该实体类别，通过分析文本中的上下文关系，利用关系抽取技术识别出实体之间的关系，并提取出该实体属性；
S203：将抽取出的实体与知识图谱中的已有实体进行比对，若存在相同实体，则将该实体与知识图谱中的实体进行合并，并更新该实体属性和关系，若不存在相同实体，则将该实体作为新实体添加到知识图谱，同时，对抽取出的实体关系进行分析，判断是否与知识图谱中的已有关系相符，若相符，则将抽取出的实体关系与对应的实体进行连接，若不相符，则根据业务需求进行调整；
S204：使用Talend Data Quality评估抽取结果的准确性和完整性，并根据评估结果进行调整和优化。
具体地，所述步骤S3的具体步骤包括：
S301：使用Neo4j图数据库系统，收集调整后的实体、属性和关系数据并进行清洗和格式化，编写数据导入脚本，通过执行导入脚本，将调整后的实体、属性和关系数据导入到Neo4j图数据库；
S302：在Neo4j图数据库中定义实体、属性和关系的类型和关系，使用图查询语言构建知识图谱的结构和内容；
S303：分析知识图谱的结构和特性，采用图嵌入策略对知识图谱进行图嵌入，将节点和关系转换为低维向量表示，并使用基于向量相似性查询方法优化查询性能；
S304：对属性或关系建立索引，监控查询性能，使用复合索引定期调整和索引优化策略，并对知识图谱进行性能测试，根据测试结果进行调整和优化。
具体地，所述S4的具体步骤包括：
S401：从不同数据源收集同一实体的农产信息，其中，表示第m个数据源中的第n个农产信息数据值，n表示同一数据源同一实体的农产信息数量，m表示数据源种类，根据数据源的可信度、准确性、时效性因素，为每个数据源分配一个权重，使用加权平均融合算法将不同数据源的农产信息数据值按照各自权重进行融合，对于每个数据点，计算加权平均值，并将数据加权平均值作为融合后的农产信息数据值，并输出融合后的农产信息数据集，公式为：
其中，表示第m个数据源中融合后的同一实体的第n个农产信息数据值，表示第i个数据源的调整因子，表示第i个数据源的可信度因子，表示第i个数据源的时效性因子；
S402：定义逻辑规则，利用逻辑推理方法构建推理模型，对融合后的农产信息数据集进行预处理，将定义的逻辑规则配置到规则引擎中，设置触发条件和执行逻辑，并将预处理后的农产信息数据输入规则引擎中，规则引擎根据配置规则对输入的预处理后的农产信息数据进行条件判断、逻辑推理和数据分析，并输出预处理后的农产信息数据之间的隐含关系、因果效应，根据实际反馈和新的农产信息数据，优化逻辑推理模型和规则引擎的配置；
S403：将预处理后的农产信息数据与GIS技术结合，进行空间分析和可视化，并利用时间序列分析进行趋势预测；
S404：采用拟合优度评估方法对时间序列分析结果进行评估，根据评估结果优化规则引擎推理模型，公式为：
其中，表示拟合优度指标，表示第i个数据源中融合后的第n个农产信息数据值，表示的均值，表示数据源中第n个农产信息数据均值，a，b表示指数参数。
具体地，所述步骤S5的具体步骤包括：
S501：设定采集频率和采集内容，使用数据抓取方式定期从数据源中抓取农产信息数据；
S502：选择流处理框架，设置流处理任务，将新采集的农产信息数据实时传输到流处理框架，根据知识图谱的更新规则和逻辑，对流数据进行处理，并更新知识图谱；
S503：采用农产信息数据变更检测算法，实时检测数据变更事件，当检测到数据变更时，触发即时更新流程，根据变更内容，对知识图谱进行更新操作；
S504：利用区块链技术构建数据存证平台，将每次农产信息数据变更的记录上链，定期执行农产信息数据质量评估任务，设计用户反馈渠道和反馈收集机制，并根据用户反馈和农产信息数据质量评估结果，优化知识图谱的结构和内容，设置配置监控和预警规则，对农产信息的异常变化进行实时监控和预警。
基于知识图谱的农产信息自动采集与更新系统，所述系统包括：信息采集模块、知识图谱构建模块、数据处理与分析模块、更新与维护模块、用户反馈与优化模块；
所述信息采集模块，用于负责从各种数据源中抓取农产信息，并进行初步的预处理；所述知识图谱构建模块，用于根据预处理后的农产信息构建知识图谱，并优化其查询和索引性能；所述数据处理与分析模块，用于整合多源头的农产信息，进行数据融合和推理分析；所述更新与维护模块，用于定期采集新数据，对知识图谱进行增量更新，并监控数据质量和系统性能；所述用户反馈与优化模块，用于收集用户反馈，根据反馈优化知识图谱的质量和性能。
具体地，所述信息采集模块包括：数据源管理单元、数据抓取单元、数据解析单元、预处理单元，所述知识图谱构建模块包括：架构设计单元、实体与关系抽取单元、图模型设计单元、图数据库导入单元、性能优化单元；
所述数据源管理单元，用于确定需要采集信息的目标数据源；所述数据抓取单元，用于利用数据抓取技术实时从目标数据源中抓取农产信息；所述数据解析单元，用于将抓取到的不同格式数据转化为统一格式；所述预处理单元，用于对抓取到的农产信息进行数据清洗、标准化、数据融合；所述架构设计单元，用于设计知识图谱的整体架构和顶层结构；所述图模型设计单元，用于定义知识图谱的实体类型、属性、关系类型及其约束，形成知识图谱的元模型；所述实体与关系抽取单元，用于利用命名实体识别方法和深度学习模型，自动抽取农产信息中的实体、属性和关系；所述图数据库导入单元，用于将抽取的实体、属性和关系数据导入图数据库，构建知识图谱；所述性能优化单元，用于通过图嵌入技术和索引优化策略，提升知识图谱的查询和索引效率。
具体地，所述数据处理与分析模块包括：数据融合单元、推理分析单元、时空数据分析单元，所述更新与维护模块包括：数据流处理单元、增量更新单元、变更检测与触发单元、数据质量评估单元；
所述知识整合单元，用于对同一实体的不同描述进行合并、冲突消解，形成统一的知识表示；所述推理分析单元，用于基于已知事实和规则，进行逻辑推理、因果分析、趋势预测等，生成新的隐含知识；所述时空数据分析单元，用于结合GIS技术和时间序列分析，捕捉农产信息的动态变化和地域特征；所述数据流处理单元，用于对接实时数据流，实时更新知识图谱；所述增量更新单元，用于采用流处理框架，按照预设时间间隔，自动执行数据采集、处理、知识更新流程，对知识图谱进行实时或定期的增量更新；所述变更检测与触发单元，用于监控数据源的变化，一旦检测到变更，触发即时更新流程；所述数据质量评估单元，用于利用区块链技术构建数据存证机制，并定期对数据进行质量评估。
与现有技术相比，本发明的有益效果是：
1.本发明提出基于知识图谱的农产信息自动采集与更新系统，并进行了架构、运行步骤和流程上的优化改进，系统具备流程简单，投资运行费用低廉，生产工作成本低的优点。
2.本发明提出基于知识图谱的农产信息自动采集与更新方法，通过设计知识图谱架构和引入深度学习模型，实现了农产信息的自动采集、抽取、匹配和更新，减少了人工操作的繁琐性和错误率，提高了工作效率，同时，利用规则引擎推理模型，自动发现隐含关系、因果效应和趋势预测，提供智能化支持，结合时空数据分析方法，捕捉农产信息的动态变化和地域特征；通过数据融合算法整合不同数据源的农产信息，确保了信息的全面性和准确性，利用区块链技术构建数据存证机制，保证了数据的安全性和可信度，定期进行的数据质量评估和用户反馈机制，进一步优化知识图谱的质量和准确性。
3.本发明提出基于知识图谱的农产信息自动采集与更新方法，根据新的数据和知识进行动态更新和扩展，适应市场的快速变化和不同地区的特异性，引入智能监控和预警系统，对农产信息的异常变化进行及时检测和预警，能够应对市场波动和风险，降低潜在损失。
附图说明
图1为本发明基于知识图谱的农产信息自动采集与更新方法流程图；
图2为本发明基于知识图谱的农产信息自动采集与更新方法农产信息自动采集与预处理流程图；
图3为本发明基于知识图谱的农产信息自动采集与更新系统架构图。
具体实施方式
实施例1
请参阅图1-图2，本发明提供的一种实施例：基于知识图谱的农产信息自动采集与更新方法，包括以下步骤：
步骤S1：明确需要采集和更新的农产信息类型，根据需求分析结果，设计知识图谱架构，规划知识图谱的顶层结构，定义核心实体及属性，同时，引入领域本体和农业专业知识库，丰富知识图谱的语义信息；
知识图谱，又称为科学知识图谱，在图书情报界被称为知识域可视化或知识领域映射地图，是一种基于图的数据结构，由节点和边组成，每个节点表示一个“实体”，每条边表示实体与实体之间的“关系”。知识图谱的核心思想是将现实世界中的信息转化为图形，其中节点代表实体，边代表实体之间的关系，这种结构使得知识图谱能够描述知识发展进程与结构关系，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
步骤S2：确定采集农产信息的目标数据源，从目标数据源中抓取农产信息并进行预处理，根据命名实体识别方法并结合深度学习模型，自动抽取农产信息中的实体、属性和关系，将抽取的实体与知识图谱中的已有实体和关系进行匹配；
农产信息的目标数据源，包括政府部门、行业协会、电商平台、农业网站。
数据抓取技术，也被称为网络数据抓取、网络蜘蛛或网络机器人，是一种自动化的网络数据抓取技术，利用编程语言和工具，如BeautifulSoup、Scrapy，模拟人类在网页上的操作，按照规则自动抓取互联网上的网页内容，包括文本、图片、音频、视频，并将这些数据转换为结构化格式。
步骤S3：选择图数据库系统，并将处理后的实体、属性与关系数据导入选定的图数据库，构建完整的农产知识图谱，结合农业领域的特性，采用图嵌入技术和索引优化策略优化知识图谱的查询和索引性能；
步骤S4：通过数据融合算法整合来自不同数据源、同一实体的农产信息，使用规则引擎推理模型，发现隐含关系、因果效应、趋势预测，并引入时空数据分析方法，利用GIS技术和时间序列分析，捕捉农产信息的动态变化和地域特征；
步骤S5：设定定期采集任务，根据新采集的数据，采用流处理框架对知识图谱进行增量更新，设置变更检测机制，监控到数据源变更，触发即时更新流程，利用区块链技术构建数据存证机制，并定期进行数据质量评估，设置用户反馈机制，根据反馈优化知识图谱质量，同时，引入智能监控和预警系统，对农产信息的异常变化进行及时检测和预警。
农产信息类型包括：农产品种类、产量、产地、种植条件、病虫害情况。
所述步骤S2的具体步骤包括：
S201：设计数据抓取程序的结构、访问频率、并发控制，设置数据抓取目标URL、抓取深度，设置完成后启动数据抓取程序抓取农产信息，并对抓取到的农产信息进行预处理；
预处理包括：数据清洗、数据格式化、数据存储。
S202：利用命名实体识别方法对农产信息进行标注，并使用标注好的农产信息对深度学习模型进行训练，训练完成后，应用训练好的深度学习模型对预处理后的农产信息进行实体识别，根据深度学习模型的输出，提取出标注为实体的词，并确定该实体类别，通过分析文本中的上下文关系，利用关系抽取技术识别出实体之间的关系，并提取出该实体属性；
利用命名实体识别方法对农产信息进行标注的具体步骤包括：
（1）接收预处理后的农产信息，根据农产信息的特性，提取实体的特征，如词汇特征、词性特征、上下文特征，并将文本转换为特征向量或结构化表示；
（2）选择条件随机场的命名实体识别模型，若有标注好的数据，则使用这些数据来训练条件随机场的命名实体识别模型，若没有标注好的数据或数据不足，则使用迁移学习方法来训练条件随机场的命名实体识别模型；
（3）通过调整条件随机场的命名实体识别模型的参数和架构，优化条件随机场的命名实体识别模型的性能；
（4）使用验证集或测试集来评估条件随机场的命名实体识别模型的识别效果，并使用性能指标，如准确率、召回率、F1值指标度量标注准确率；
（5）对条件随机场的命名实体识别模型输出的标注结果进行后处理，如去除重复的实体、合并相邻的同类型实体，并将标注结果以结构化形式输出，如JSON、XML；
（6）根据实际应用的需求和效果反馈，迭代和优化条件随机场的命名实体识别模型。
本发明使用命名实体识别方法对农产信息进行标注，能够自动识别并标注文本中的特定实体，如农产品名称、产地、生产日期，迅速从大量文本数据中提取出与农产品相关的信息，从而提高了信息采集的效率，且能够准确识别文本中的实体边界和类型，与手动标注相比，自动标注能够减少人为错误，提高了信息的准确性。
利用关系抽取技术识别出实体之间的关系的具体步骤包括：
（1）加载预处理后的农产信息数据集和训练好的条件随机场的命名实体识别模型；
（2）将预处理后的农产信息数据集中的每条信息输入到条件随机场的命名实体识别模型，条件随机场的命名实体识别模型根据学习到的知识对输入信息进行解析，输出每个词的标签，即其所属的实体类别，并识别出其中的实体边界，并对每个识别出的实体，给出实体所属的实体类别；
（3）从命名实体识别的结果中提取出识别的实体及其类别，对于每个实体，进一步分析其上下文信息，提取出与该实体的属性，属性可以是实体的具体特征、数值、状态，并将提取出的实体和属性以结构化的形式保存；
（4）对条件随机场的命名实体识别模型的识别结果进行校验，确保实体的准确性和属性的完整性，若发现识别错误或遗漏，可以进行手动修正或辅助修正；
（5）将提取出的实体及属性用于构建或丰富农产知识图谱，其中，将实体作为知识图谱中的节点，属性作为节点之间的连接关系，从而构建出完整的农产知识网络。
S203：将抽取出的实体与知识图谱中的已有实体进行比对，若存在相同实体，则将该实体与知识图谱中的实体进行合并，并更新该实体属性和关系，若不存在相同实体，则将该实体作为新实体添加到知识图谱，同时，对抽取出的实体关系进行分析，判断是否与知识图谱中的已有关系相符，若相符，则将抽取出的实体关系与对应的实体进行连接，若不相符，则根据业务需求进行调整；
S204：使用Talend Data Quality评估抽取结果的准确性和完整性，并根据评估结果进行调整和优化。
评估抽取结果的准确性和完整性的具体步骤包括：
（1）从抽取结果中随机选取一部分样本，并将样本与原始数据进行逐条比对，计算抽取结果与原始数据一致的样本比例，得到准确率指标；
（2）当数据量较小时，对所有抽取结果进行比对，通过计算完全一致、部分一致或不一致的抽取结果数量，得到整体准确性评估；
（3）分析准确性评估结果，找出抽取过程中存在的问题或不足，并根据分析结果，调整和优化数据抽取方法、规则或工具，如多次重复评估、交叉验证。
常见的数据质量评估工具包括：1）Talend Data Quality；2）Informatica DataQuality；3）Data Wrangler；4）Trifacta；5）OpenRefine；6）IBM InfoSphere InformationAnalyzer；7）Apache NiFi；8）StreamSets。本发明使用Talend Data Quality数据质量评估方法，对数据进行全面的质量评估，覆盖数据的准确性、完整性、一致性等多个维度，确保数据的可靠性和有效性，且提供了丰富的数据质量规则库和模板，用户可以根据需要选择适合的规则和模板，快速进行数据质量评估和监控，提高了工作效率。
所述步骤S3的具体步骤包括：
S301：使用Neo4j图数据库系统，收集调整后的实体、属性和关系数据并进行清洗和格式化，编写数据导入脚本，通过执行导入脚本，将调整后的实体、属性和关系数据导入到Neo4j图数据库；
数据库系统包括：Neo4j、OrientDB、JanusGraph、Dgraph。
S302：在Neo4j图数据库中定义实体、属性和关系的类型和关系，使用图查询语言构建知识图谱的结构和内容；
使用图查询语言构建知识图谱的结构和内容的具体步骤包括：1）确定实体、属性和关系的类型；2）创建节点和关系；3）定义索引和约束；4）查询和更新知识图谱；5）导入数据；6）优化和监控；7）可视化。其中，以上步骤均使用Neo4j或Cypher语言构建知识图谱。
S303：分析知识图谱的结构和特性，采用图嵌入策略对知识图谱进行图嵌入，将节点和关系转换为低维向量表示，并使用基于向量相似性查询方法优化查询性能；
S304：对属性或关系建立索引，监控查询性能，使用复合索引定期调整和索引优化策略，并对知识图谱进行性能测试，根据测试结果进行调整和优化。
索引优化策略的具体步骤包括：
（1）识别知识图谱中常被查询的属性或关系，分析查询的复杂性，并根据查询需求和数据库类型，选择位图索引方式；
（2）在选定的属性或关系上建立位图索引，并设定位图索引的参数，如索引的粒度、更新策略；
（3）通过查询日志或性能监控工具，收集查询性能数据，分析查询响应时间、吞吐量指标；
（4）对比建立位图索引前后的查询性能数据，识别性能提升或下降的查询类型；
（5）根据评估结果，调整位图索引的参数或类型，并使用复合索引优化涉及多个属性或关系的查询；
（6）定期检查位图和复合索引的状态，如碎片化、过期，并对位图和复合索引进行重建或优化。
所述S4的具体步骤包括：
S401：从不同数据源收集同一实体的农产信息，其中，表示第m个数据源中的第n个农产信息数据值，n表示同一数据源同一实体的农产信息数量，m表示数据源种类，根据数据源的可信度、准确性、时效性因素，为每个数据源分配一个权重，使用加权平均融合算法将不同数据源的农产信息数据值按照各自权重进行融合，对于每个数据点，计算加权平均值，并将数据加权平均值作为融合后的农产信息数据值，并输出融合后的农产信息数据集，公式为：
其中，表示第m个数据源中融合后的同一实体的第n个农产信息数据值，表示第i个数据源的调整因子，表示第i个数据源的可信度因子，表示第i个数据源的时效性因子；
S402：定义逻辑规则，利用逻辑推理方法构建推理模型，对融合后的农产信息数据集进行预处理，如数据清洗、数据标准化、特征提取，将定义的逻辑规则配置到规则引擎中，设置触发条件和执行逻辑，并将预处理后的农产信息数据输入规则引擎中，规则引擎根据配置规则对输入的预处理后的农产信息数据进行条件判断、逻辑推理和数据分析，并输出预处理后的农产信息数据之间的隐含关系、因果效应，根据实际反馈和新的农产信息数据，优化逻辑推理模型和规则引擎的配置；
利用逻辑推理方法构建推理模型的具体步骤包括：
（1）接收农产实体信息和概念，并定义概念之间的关系，如因果关系、条件关系、包含关系，制定逻辑规则；
（2）从一般原则推导出特殊情况，并从个别事实中概括出一般规律，根据已知事物的相似性来推断未知事物的性质；
（3）将定义好的逻辑规则整理成结构化的知识库，根据选定的逻辑推理方法，设计推理机制，包括规则匹配、条件判断、权重计算，并使用编程语言实现推理算法，使模型能够自动执行逻辑推理；
（4）对接收的农产实体信息进行预处理，并将多个数据源的信息整合到一个统一的数据集中；
（5）设计推理模型与数据集之间的接口，将数据集中的实体和属性映射到推理模型中的对应概念，并利用推理模型对预处理后的数据集进行逻辑推理。
S403：将预处理后的农产信息数据与GIS技术结合，进行空间分析和可视化，并利用时间序列分析进行趋势预测，其中，时间序列分析方法为本领域的现有技术内容，不为本申请的创造性方案，在此不做赘述；
S404：采用拟合优度评估方法对时间序列分析结果进行评估，根据评估结果优化规则引擎推理模型，公式为：
其中，表示拟合优度指标，表示第i个数据源中融合后的第n个农产信息数据值，表示的均值，表示数据源中第n个农产信息数据均值，a，b表示指数参数。
所述步骤S5的具体步骤包括：
S501：设定采集频率和采集内容，使用数据抓取方式定期从数据源中抓取农产信息数据；
S502：选择流处理框架，设置流处理任务，将新采集的农产信息数据实时传输到流处理框架，根据知识图谱的更新规则和逻辑，对流数据进行处理，并更新知识图谱；
S503：采用农产信息数据变更检测算法，实时检测数据变更事件，当检测到数据变更时，触发即时更新流程，根据变更内容，对知识图谱进行更新操作；
S504：利用区块链技术构建数据存证平台，将每次农产信息数据变更的记录上链，定期执行农产信息数据质量评估任务，设计用户反馈渠道和反馈收集机制，并根据用户反馈和农产信息数据质量评估结果，优化知识图谱的结构和内容，设置配置监控和预警规则，对农产信息的异常变化进行实时监控和预警。
实施例2
请参阅图3，本发明提供的另一种实施例：基于知识图谱的农产信息自动采集与更新系统，所述系统包括：
信息采集模块、知识图谱构建模块、数据处理与分析模块、更新与维护模块、用户反馈与优化模块；
所述信息采集模块，用于负责从各种数据源中抓取农产信息，并进行初步的预处理；所述知识图谱构建模块，用于根据预处理后的农产信息构建知识图谱，并优化其查询和索引性能；所述数据处理与分析模块，用于整合多源头的农产信息，进行数据融合和推理分析；所述更新与维护模块，用于定期采集新数据，对知识图谱进行增量更新，并监控数据质量和系统性能；所述用户反馈与优化模块，用于收集用户反馈，根据反馈优化知识图谱的质量和性能。
所述信息采集模块包括：数据源管理单元、数据抓取单元、数据解析单元、预处理单元，所述知识图谱构建模块包括：架构设计单元、实体与关系抽取单元、图模型设计单元、图数据库导入单元、性能优化单元；
所述数据源管理单元，用于确定需要采集信息的目标数据源；所述数据抓取单元，用于利用数据抓取技术实时从目标数据源中抓取农产信息；所述数据解析单元，用于将抓取到的不同格式数据转化为统一格式；所述预处理单元，用于对抓取到的农产信息进行数据清洗、标准化、数据融合；所述架构设计单元，用于设计知识图谱的整体架构和顶层结构；所述图模型设计单元，用于定义知识图谱的实体类型、属性、关系类型及其约束，形成知识图谱的元模型；所述实体与关系抽取单元，用于利用命名实体识别方法和深度学习模型，自动抽取农产信息中的实体、属性和关系；所述图数据库导入单元，用于将抽取的实体、属性和关系数据导入图数据库，构建知识图谱；所述性能优化单元，用于通过图嵌入技术和索引优化策略，提升知识图谱的查询和索引效率。
所述数据处理与分析模块包括：数据融合单元、推理分析单元、时空数据分析单元，所述更新与维护模块包括：数据流处理单元、增量更新单元、变更检测与触发单元、数据质量评估单元；
所述知识整合单元，用于对同一实体的不同描述进行合并、冲突消解，形成统一的知识表示；所述推理分析单元，用于基于已知事实和规则，进行逻辑推理、因果分析、趋势预测等，生成新的隐含知识；所述时空数据分析单元，用于结合GIS技术和时间序列分析，捕捉农产信息的动态变化和地域特征；所述数据流处理单元，用于对接实时数据流，实时更新知识图谱；所述增量更新单元，用于采用流处理框架，按照预设时间间隔，自动执行数据采集、处理、知识更新流程，对知识图谱进行实时或定期的增量更新；所述变更检测与触发单元，用于监控数据源的变化，一旦检测到变更，触发即时更新流程；所述数据质量评估单元，用于利用区块链技术构建数据存证机制，并定期对数据进行质量评估。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以对上述实施例进行变化、修改、替换和变型，这些均属于本发明的保护之内。
Claims (7)
1.基于知识图谱的农产信息自动采集与更新方法，其特征在于，包括：
步骤S1：明确需要采集和更新的农产信息类型，根据需求分析结果，设计知识图谱架构，规划知识图谱的顶层结构，定义核心实体及属性，同时，引入领域本体和农业专业知识库，丰富知识图谱的语义信息；
步骤S2：确定采集农产信息的目标数据源，从目标数据源中抓取农产信息并进行预处理，根据命名实体识别方法并结合深度学习模型，自动抽取农产信息中的实体、属性和关系，将抽取的实体与知识图谱中的已有实体和关系进行匹配；
步骤S3：选择图数据库系统，并将处理后的实体、属性与关系数据导入选定的图数据库，构建完整的农产知识图谱，结合农业领域的特性，采用图嵌入技术和索引优化策略优化知识图谱的查询和索引性能；
步骤S4：通过数据融合算法整合来自不同数据源、同一实体的农产信息，使用规则引擎推理模型，发现隐含关系、因果效应、趋势预测，并引入时空数据分析方法，利用GIS技术和时间序列分析，捕捉农产信息的动态变化和地域特征；
步骤S5：设定定期采集任务，根据新采集的数据，采用流处理框架对知识图谱进行增量更新，设置变更检测机制，监控到数据源变更，触发即时更新流程，利用区块链技术构建数据存证机制，并定期进行数据质量评估，设置用户反馈机制，根据反馈优化知识图谱质量，同时，引入智能监控和预警系统，对农产信息的异常变化进行及时检测和预警；
所述S4的具体步骤包括：
S401：从不同数据源收集同一实体的农产信息，其中，表示第m个数据源中的第n个农产信息数据值，n表示同一数据源同一实体的农产信息数量，m表示数据源种类，根据数据源的可信度、准确性、时效性因素，为每个数据源分配一个权重，使用加权平均融合算法将不同数据源的农产信息数据值按照各自权重进行融合，对于每个数据点，计算加权平均值，并将数据加权平均值作为融合后的农产信息数据值，并输出融合后的农产信息数据集，公式为：
；
其中，表示第m个数据源中融合后的同一实体的第n个农产信息数据值，表示第i个数据源的调整因子，表示第i个数据源的可信度因子，表示第i个数据源的时效性因子；
S402：定义逻辑规则，利用逻辑推理方法构建推理模型，对融合后的农产信息数据集进行预处理，将定义的逻辑规则配置到规则引擎中，设置触发条件和执行逻辑，并将预处理后的农产信息数据输入规则引擎中，规则引擎根据配置规则对输入的预处理后的农产信息数据进行条件判断、逻辑推理和数据分析，并输出预处理后的农产信息数据之间的隐含关系、因果效应，根据实际反馈和新的农产信息数据，优化逻辑推理模型和规则引擎的配置；
S403：将预处理后的农产信息数据与GIS技术结合，进行空间分析和可视化，并利用时间序列分析进行趋势预测；
S404：采用拟合优度评估方法对时间序列分析结果进行评估，根据评估结果优化规则引擎推理模型，公式为：
；
其中，表示拟合优度指标，表示第i个数据源中融合后的第n个农产信息数据值，表示的均值，表示数据源中第n个农产信息数据均值，a，b表示指数参数。
2.如权利要求1所述的基于知识图谱的农产信息自动采集与更新方法，其特征在于，所述步骤S2的具体步骤包括：
S201：设计数据抓取程序的结构、访问频率、并发控制，设置数据抓取目标URL、抓取深度，设置完成后启动数据抓取程序抓取农产信息，并对抓取到的农产信息进行预处理；
S202：利用命名实体识别方法对农产信息进行标注，并使用标注好的农产信息对深度学习模型进行训练，训练完成后，应用训练好的深度学习模型对预处理后的农产信息进行实体识别，根据深度学习模型的输出，提取出标注为实体的词，并确定该实体类别，通过分析文本中的上下文关系，利用关系抽取技术识别出实体之间的关系，并提取出该实体属性；
S203：将抽取出的实体与知识图谱中的已有实体进行比对，若存在相同实体，则将该实体与知识图谱中的实体进行合并，并更新该实体属性和关系，若不存在相同实体，则将该实体作为新实体添加到知识图谱，同时，对抽取出的实体关系进行分析，判断是否与知识图谱中的已有关系相符，若相符，则将抽取出的实体关系与对应的实体进行连接，若不相符，则根据业务需求进行调整；
S204：使用Talend Data Quality评估抽取结果的准确性和完整性，并根据评估结果进行调整和优化。
3.如权利要求2所述的基于知识图谱的农产信息自动采集与更新方法，其特征在于，所述步骤S3的具体步骤包括：
S301：使用Neo4j图数据库系统，收集调整后的实体、属性和关系数据并进行清洗和格式化，编写数据导入脚本，通过执行导入脚本，将调整后的实体、属性和关系数据导入到Neo4j图数据库；
S302：在Neo4j图数据库中定义实体、属性和关系的类型和关系，使用图查询语言构建知识图谱的结构和内容；
S303：分析知识图谱的结构和特性，采用图嵌入策略对知识图谱进行图嵌入，将节点和关系转换为低维向量表示，并使用基于向量相似性查询方法优化查询性能；
S304：对属性或关系建立索引，监控查询性能，使用复合索引定期调整和索引优化策略，并对知识图谱进行性能测试，根据测试结果进行调整和优化。
4.如权利要求3所述的基于知识图谱的农产信息自动采集与更新方法，其特征在于，所述步骤S5的具体步骤包括：
S501：设定采集频率和采集内容，使用数据抓取方式定期从数据源中抓取农产信息数据；
S502：选择流处理框架，设置流处理任务，将新采集的农产信息数据实时传输到流处理框架，根据知识图谱的更新规则和逻辑，对流数据进行处理，并更新知识图谱；
S503：采用农产信息数据变更检测算法，实时检测数据变更事件，当检测到数据变更时，触发即时更新流程，根据变更内容，对知识图谱进行更新操作；
S504：利用区块链技术构建数据存证平台，将每次农产信息数据变更的记录上链，定期执行农产信息数据质量评估任务，设计用户反馈渠道和反馈收集机制，并根据用户反馈和农产信息数据质量评估结果，优化知识图谱的结构和内容，设置配置监控和预警规则，对农产信息的异常变化进行实时监控和预警。
5.基于知识图谱的农产信息自动采集与更新系统，其基于如权利要求1-4任一项所述的基于知识图谱的农产信息自动采集与更新方法实现，其特征在于，所述系统包括：信息采集模块、知识图谱构建模块、数据处理与分析模块、更新与维护模块、用户反馈与优化模块；
所述信息采集模块，用于负责从各种数据源中抓取农产信息，并进行初步的预处理；所述知识图谱构建模块，用于根据预处理后的农产信息构建知识图谱，并优化其查询和索引性能；所述数据处理与分析模块，用于整合多源头的农产信息，进行数据融合和推理分析；所述更新与维护模块，用于定期采集新数据，对知识图谱进行增量更新，并监控数据质量和系统性能；所述用户反馈与优化模块，用于收集用户反馈，根据反馈优化知识图谱的质量和性能。
6.如权利要求5所述的基于知识图谱的农产信息自动采集与更新系统，其特征在于，所述信息采集模块包括：数据源管理单元、数据抓取单元、数据解析单元、预处理单元，所述知识图谱构建模块包括：架构设计单元、实体与关系抽取单元、图模型设计单元、图数据库导入单元、性能优化单元；
所述数据源管理单元，用于确定需要采集信息的目标数据源；所述数据抓取单元，用于利用数据抓取技术实时从目标数据源中抓取农产信息；所述数据解析单元，用于将抓取到的不同格式数据转化为统一格式；所述预处理单元，用于对抓取到的农产信息进行数据清洗、标准化、数据融合；所述架构设计单元，用于设计知识图谱的整体架构和顶层结构；所述图模型设计单元，用于定义知识图谱的实体类型、属性、关系类型及其约束，形成知识图谱的元模型；所述实体与关系抽取单元，用于利用命名实体识别方法和深度学习模型，自动抽取农产信息中的实体、属性和关系；所述图数据库导入单元，用于将抽取的实体、属性和关系数据导入图数据库，构建知识图谱；所述性能优化单元，用于通过图嵌入技术和索引优化策略，提升知识图谱的查询和索引效率。
7.如权利要求6所述的基于知识图谱的农产信息自动采集与更新系统，其特征在于，所述数据处理与分析模块包括：数据融合单元、推理分析单元、时空数据分析单元，所述更新与维护模块包括：数据流处理单元、增量更新单元、变更检测与触发单元、数据质量评估单元；
所述数据融合单元，用于对同一实体的不同描述进行合并、冲突消解，形成统一的知识表示；所述推理分析单元，用于基于已知事实和规则，进行逻辑推理、因果分析、趋势预测等，生成新的隐含知识；所述时空数据分析单元，用于结合GIS技术和时间序列分析，捕捉农产信息的动态变化和地域特征；所述数据流处理单元，用于对接实时数据流，实时更新知识图谱；所述增量更新单元，用于采用流处理框架，按照预设时间间隔，自动执行数据采集、处理、知识更新流程，对知识图谱进行实时或定期的增量更新；所述变更检测与触发单元，用于监控数据源的变化，一旦检测到变更，触发即时更新流程；所述数据质量评估单元，用于利用区块链技术构建数据存证机制，并定期对数据进行质量评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410726188.1A CN118296164B (zh) | 2024-06-06 | 2024-06-06 | 基于知识图谱的农产信息自动采集与更新方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410726188.1A CN118296164B (zh) | 2024-06-06 | 2024-06-06 | 基于知识图谱的农产信息自动采集与更新方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118296164A CN118296164A (zh) | 2024-07-05 |
| CN118296164B true CN118296164B (zh) | 2024-12-03 |
Family
ID=91681360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410726188.1A Active CN118296164B (zh) | 2024-06-06 | 2024-06-06 | 基于知识图谱的农产信息自动采集与更新方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118296164B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118504679B (zh) * | 2024-07-12 | 2024-11-08 | 暗物智能科技(广州)有限公司 | 构建垂域知识图谱的方法及相关装置 |
| CN118503453B (zh) * | 2024-07-17 | 2024-09-24 | 浙江大学 | 基于自然语言处理的知识图谱技术特征分析方法 |
| CN119323305A (zh) * | 2024-10-15 | 2025-01-17 | 山东鲁软数字科技有限公司 | 一种基于数据挖掘的应急处置过程智能复盘分析方法 |
| CN119514657A (zh) * | 2024-11-05 | 2025-02-25 | 北京幂律智能科技有限责任公司 | 一种基于法律知识图谱的法律咨询报告生成系统及方法 |
| CN119760237B (zh) * | 2024-12-20 | 2025-08-08 | 临沂新型智慧城市研究院 | 一种基于机器智能的应用系统集成方法及系统 |
| CN120235038B (zh) * | 2025-03-17 | 2025-12-02 | 北京市水科学技术研究院 | 一种基于知识驱动的地下水模拟预测方法、装置及设备 |
| CN120705273A (zh) * | 2025-06-30 | 2025-09-26 | 广州蜂群互联网科技有限公司 | 智能商品问答推荐方法、装置、存储介质及计算机设备 |
| CN121144328A (zh) * | 2025-11-19 | 2025-12-16 | 中国电子科技集团公司第二十八研究所 | 一种结合时空数据的自适应动态知识更新方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952209A (zh) * | 2024-01-11 | 2024-04-30 | 国家能源集团新能源技术研究院有限公司 | 一种知识图谱构建方法及系统 |
| CN118114758A (zh) * | 2024-01-31 | 2024-05-31 | 贵州电网有限责任公司 | 一种基于知识图谱驱动语义治理方案动态生成方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113434610A (zh) * | 2021-07-06 | 2021-09-24 | 中电科大数据研究院有限公司 | 一种基于命名规则和缓存机制的知识图谱构的操作方法 |
| CN114205852B (zh) * | 2022-02-17 | 2022-05-03 | 网络通信与安全紫金山实验室 | 无线通信网络知识图谱的智能分析与应用系统及方法 |
| CN117932074A (zh) * | 2023-12-08 | 2024-04-26 | 北京国电通网络技术有限公司 | 一种基于数字化审计平台的审计知识图谱化系统 |
-
2024
- 2024-06-06 CN CN202410726188.1A patent/CN118296164B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952209A (zh) * | 2024-01-11 | 2024-04-30 | 国家能源集团新能源技术研究院有限公司 | 一种知识图谱构建方法及系统 |
| CN118114758A (zh) * | 2024-01-31 | 2024-05-31 | 贵州电网有限责任公司 | 一种基于知识图谱驱动语义治理方案动态生成方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118296164A (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118296164B (zh) | 基于知识图谱的农产信息自动采集与更新方法及系统 | |
| CN110889556B (zh) | 一种企业经营风险特征数据信息提取方法和提取系统 | |
| CN113254507B (zh) | 一种数据资产目录智能构建盘点方法 | |
| CN112579707A (zh) | 一种日志数据的知识图谱构建方法 | |
| CN110990590A (zh) | 一种基于强化学习和迁移学习的动态金融知识图谱构建方法 | |
| CN119623593A (zh) | 一种基于多模态大模型识别的无人机知识图谱构建方法 | |
| CN118964682B (zh) | 基于元级化低代码平台的软件知识图谱智能构建方法 | |
| CN118657213A (zh) | 基于多源异构知识图谱决策方案获取方法及系统 | |
| CN119646160A (zh) | 基于关系池化的电力数据安全政策大模型问答系统及方法 | |
| CN119205010A (zh) | 一种基于时序网络分析的化工隐患管理方法与系统 | |
| CN119494463A (zh) | 一种基于多源异构的城市运行指标监测方法 | |
| CN120469991A (zh) | 融合大模型转换算子的多源异构数据集成方法和装置 | |
| CN116542800A (zh) | 基于云端ai技术的智能化财务报表分析系统 | |
| Dutta et al. | Big data architecture for environmental analytics | |
| CN116467678A (zh) | 一种基于多源数据融合的用户画像生成方法及系统 | |
| US20250356219A1 (en) | Ontology-driven method and system for constructing fish knowledge graph in target region | |
| CN119494347B (zh) | 一种基于知识增强预训练模型的命名实体识别方法及系统 | |
| Zhang | Application of data mining technology in digital library. | |
| CN120216744A (zh) | 一种基于知识蒸馏的烟草舆情智能监测分析方法 | |
| CN118861321A (zh) | 一种海上油气勘探开发数据标签体系建立方法 | |
| CN116630052A (zh) | 一种金融数据ai分析系统及方法 | |
| CN118587718B (zh) | 一种基于深度学习的自动化贷后管理方法及装置 | |
| CN119962652B (zh) | 产业链图谱关联规则挖掘方法、装置及存储介质 | |
| Han | Intelligent recommendation method of literature reading based on user social network analysis | |
| CN121119785A (zh) | 基于课堂行为智能分析的教学目标达成度自动判别方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 211000 Jiangsu Province Nanjing City Yuhua District Fengzhan Road 66 Building 6 Patentee after: Xinlixun Technology Group Co.,Ltd. Country or region after: China Address before: 801-810, room 8, building 7, building 57, Ande Avenue, Yuhuatai District, Nanjing, Jiangsu, 210012 Patentee before: Xinlixun Technology Group Co.,Ltd. Country or region before: China |