本申請屬于網(wǎng)絡(luò)安全領(lǐng)域，具體涉及了一種網(wǎng)絡(luò)安全動態(tài)防御方法、系統(tǒng)及設(shè)備，旨在解決多設(shè)備場景下的網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評估單一、靈活性不足的問題。包括：獲取目標(biāo)服務(wù)器的網(wǎng)絡(luò)安全數(shù)據(jù)的標(biāo)準(zhǔn)化數(shù)據(jù)集；基于標(biāo)準(zhǔn)化數(shù)據(jù)集構(gòu)建貝葉斯網(wǎng)絡(luò)并輸出風(fēng)險(xiǎn)評估結(jié)果；基...

本申請屬于網(wǎng)絡(luò)安全領(lǐng)域，具體涉及了一種網(wǎng)絡(luò)安全事件分析方法、系統(tǒng)及設(shè)備，旨在解決現(xiàn)有的網(wǎng)絡(luò)安全事件分析檢測技術(shù)檢測效果較差的問題。包括：確定網(wǎng)絡(luò)安全數(shù)據(jù)集中的普通數(shù)據(jù)和可疑數(shù)據(jù)；對可疑數(shù)據(jù)構(gòu)建多維基線，并結(jié)合普通數(shù)據(jù)的特征向量生成復(fù)合特...

本發(fā)明屬于學(xué)術(shù)文獻(xiàn)引文分析技術(shù)領(lǐng)域，具體涉及了一種學(xué)術(shù)文獻(xiàn)施引內(nèi)容與被引內(nèi)容的匹配方法，旨在解決現(xiàn)有技術(shù)對分散于不同段落、章節(jié)或需綜合全文信息所表達(dá)的概念未在連續(xù)文本中無法進(jìn)行匹配定位的問題。本發(fā)明對施引內(nèi)容和被引文獻(xiàn)先進(jìn)行全文、章、節(jié)...

本發(fā)明屬于人工智能與知識工程領(lǐng)域，具體涉及了選題推薦方法、系統(tǒng)、電子設(shè)備及計(jì)算機(jī)可讀存儲介質(zhì)，旨在解決學(xué)術(shù)選題準(zhǔn)確性和實(shí)用性較低的問題，所述方法從學(xué)術(shù)數(shù)據(jù)中提取實(shí)體與語義關(guān)系構(gòu)建知識圖譜，并根據(jù)新的學(xué)術(shù)數(shù)據(jù)動態(tài)更新所述知識圖譜，使知識圖...

本發(fā)明涉及期刊審校技術(shù)領(lǐng)域，公開了一種期刊審校流程的自動優(yōu)化方法和系統(tǒng)，當(dāng)接收到新稿件時，根據(jù)新稿件的投稿信息自動匹配與投稿信息對應(yīng)的期刊，并將新稿件發(fā)送至期刊對應(yīng)的期刊終端；期刊終端獲得初始審稿人集合；根據(jù)新稿件的稿件特征及其與每個候...

本申請屬于數(shù)據(jù)處理領(lǐng)域，具體涉及了一種面向高并發(fā)場景的數(shù)據(jù)庫更新方法，旨在解決RDF數(shù)據(jù)庫在高并發(fā)場景下更新效率較低的問題。本申請包括：響應(yīng)于接收到更新指令，獲取待更新數(shù)據(jù)以及待更新數(shù)據(jù)的索引；基于索引將待更新數(shù)據(jù)插入第一副本中位于插入...

本發(fā)明屬于信息檢索技術(shù)領(lǐng)域，具體涉及了一種文檔排序方法、系統(tǒng)及設(shè)備。旨在解決單因子排序的排序結(jié)果準(zhǔn)確性低的問題。本發(fā)明包括：通過文檔查詢檢索出與查詢相關(guān)的多個文檔。把文檔與查詢之間對應(yīng)關(guān)系轉(zhuǎn)化為可量化、可處理的特征序列，以便學(xué)習(xí)排序模型...

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，具體涉及一種基于HTML的網(wǎng)頁劃詞注釋生成方法、系統(tǒng)及設(shè)備，旨在解決現(xiàn)有劃詞標(biāo)注方法存儲效率低、動態(tài)網(wǎng)頁適應(yīng)性差、缺乏容錯以及跨瀏覽器兼容性不足的問題。本方法包括：捕獲選區(qū)；獲取DOM節(jié)點(diǎn)路徑數(shù)據(jù)及文本偏移量...

本發(fā)明屬于信息檢索領(lǐng)域，具體涉及了一種多因子綜合排序方法、系統(tǒng)及設(shè)備，旨在解決不同場景、不同用戶群體下各因子的權(quán)重判斷不準(zhǔn)確的問題。本發(fā)明通過提取多個因子類型并進(jìn)行優(yōu)先級排序，能夠精準(zhǔn)確定各種因子類型對文檔的影響。通過為因子類型賦予分級...

本發(fā)明屬于網(wǎng)絡(luò)安全領(lǐng)域，具體涉及了一種文檔集安全防護(hù)方法、系統(tǒng)及計(jì)算機(jī)可讀存儲介質(zhì)，旨在解決文檔傳輸過程中密鑰和加密文檔易泄露的問題。本發(fā)明包括：第一服務(wù)器加密文檔集，生成加密文檔集和原始密碼表，將加密文檔集以文件流方式存儲，形成連續(xù)的...

本申請屬于網(wǎng)絡(luò)安全領(lǐng)域，具體涉及了一種基于漏洞動態(tài)驗(yàn)證的網(wǎng)絡(luò)安全監(jiān)控方法和系統(tǒng)，旨在解決系統(tǒng)運(yùn)行時漏洞驗(yàn)證誤報(bào)率高以及缺少防御的問題。所述方法在客戶端請求為管理員漏洞驗(yàn)證請求時，基于實(shí)時系統(tǒng)指標(biāo)、防御狀態(tài)參數(shù)及客戶端請求對應(yīng)的供應(yīng)鏈信任...

本發(fā)明屬于自然語言處理技術(shù)領(lǐng)域，具體涉及了一種文獻(xiàn)檢索語句的生成方法、系統(tǒng)及設(shè)備，旨在解決結(jié)構(gòu)化查詢語句轉(zhuǎn)換的準(zhǔn)確性和效率低的問題。本發(fā)明基于學(xué)術(shù)文獻(xiàn)數(shù)據(jù)庫對人工標(biāo)注數(shù)據(jù)進(jìn)行擴(kuò)充，在較少人工標(biāo)注數(shù)據(jù)上實(shí)現(xiàn)數(shù)據(jù)集的構(gòu)建，降低人工數(shù)據(jù)標(biāo)注的...

本發(fā)明屬于向量檢索領(lǐng)域，具體涉及了一種基于向量ID的向量檢索方法、系統(tǒng)、設(shè)備及存儲介質(zhì)，旨在解決現(xiàn)有技術(shù)在進(jìn)行向量檢索時的處理效率不夠高的問題。本發(fā)明所提出的方法包括：獲取用戶輸入的檢索信息；根據(jù)檢索信息，確定特征向量，以及用于限定向量...

本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域，具體涉及了一種基于生物醫(yī)學(xué)圖像的學(xué)術(shù)不端行為檢測方法及系統(tǒng)，旨在解決現(xiàn)有技術(shù)在生物醫(yī)學(xué)領(lǐng)域進(jìn)行圖片篡改不端行為檢測時不夠全面，影響檢測效果的問題。本發(fā)明方法包括：獲取待檢測的目標(biāo)圖片；利用預(yù)設(shè)輪廓提取算法，對目...

本發(fā)明涉及云計(jì)算平臺自動化部署技術(shù)領(lǐng)域，具體涉及一種面向信創(chuàng)異構(gòu)環(huán)境的自適應(yīng)部署方法及系統(tǒng)。針對國產(chǎn)化進(jìn)程中多元CPU架構(gòu)適配效率低、軟件依賴沖突頻發(fā)及安全基線配置復(fù)雜三大技術(shù)瓶頸，創(chuàng)新提出異構(gòu)計(jì)算資源智能調(diào)度引擎與動態(tài)安全策略生成機(jī)制...

本發(fā)明屬于自然語言處理領(lǐng)域，具體涉及了一種用于學(xué)術(shù)不端文獻(xiàn)檢測的方法和裝置，旨在解決現(xiàn)有技術(shù)應(yīng)對深度改寫的識別及區(qū)分文本關(guān)鍵與非關(guān)鍵內(nèi)容重復(fù)方面存在不足的問題。本發(fā)明方法包括：獲取查詢語義特征和版式特征；對查詢語義特征在多維度語義特征索...

本發(fā)明屬于數(shù)據(jù)表格相似性比對技術(shù)領(lǐng)域，具體涉及了一種基于有效數(shù)值的數(shù)據(jù)表格相似性比對方法，旨在解決表格內(nèi)數(shù)值經(jīng)過有規(guī)律的篡改，現(xiàn)有技術(shù)難以準(zhǔn)確識別兩個表格是否相似的問題。本發(fā)明提出了一種數(shù)據(jù)表格有效數(shù)值的定義；基于有效數(shù)值的定義，進(jìn)行表...

本申請屬于自然語言處理技術(shù)領(lǐng)域，具體涉及了一種多語種文本相似性比對方法，旨在解決多語種交叉的復(fù)雜文本比對難度高、效率低的問題。方法包括：獲取不同語種之間的對照詞典構(gòu)建的無向圖以及節(jié)點(diǎn)和邊構(gòu)建的映射詞典；將第一文本和第二文本拆分為文本比對...

本申請屬于文本處理領(lǐng)域，具體涉及了一種引文標(biāo)注方法，旨在解決對引用缺失現(xiàn)象識別效果差的問題。方法包括：將待標(biāo)注文本分割為多個子文本并確定任一子文本的位置標(biāo)識；在任一子文本中識別到引用標(biāo)注符的情況下，確定其引用類型標(biāo)識為第一標(biāo)識；在任一子...

本發(fā)明屬于自然語言處理領(lǐng)域，具體涉及了一種基于生成式大模型的文獻(xiàn)引用內(nèi)容抽取方法，旨在解決現(xiàn)有大模型抽取較慢、內(nèi)容存在字符不一致的問題。本發(fā)明方法包括：構(gòu)建模型微調(diào)數(shù)據(jù)，對生成式大模型進(jìn)行參數(shù)微調(diào)，獲得引用抽取模型；獲取待處理文獻(xiàn)，進(jìn)而...