近似算法Approximation-PartI
中国商标网商标近似查询方法
中国商标网商标近似查询方法 商标注册之前是需要进行商标近似查询的，为的的了解自己准备申请注册的商标是否与他人已注册成功或正在申请的商标存在相同或者近似的情况，从而减少商标注册申请的盲目性，降低商标注册的申请风险。一般来说商标近似查询的常用方法就那么两种：一是委托公司宝这样代理机构帮您办理商标注册业务，商标查询本身就包含在商标注册服务之中了，公司宝查询商标的具体方法不方便对外透露；二是利用中国商标网，也就是商标注册官网进行商标近似查询。【公司宝】本文重点给您介绍的是中国商标网商标近似查询方法。 一、中国商标网商标近似查询方法流程详解 1、商标注册申请人如果自己进行商标近似查询的话，一定要在中国商标网上查询，中国商标网是商标注册官网，权威可信。中国商标网网址是：https://www.360docs.net/doc/c68525850.html,/，进入以后点击“商标查询”如下图： 2、在中国商标网首页点击“商标查询”进入以后，可以看到“免责声明”和“公告栏”，“免
责声明”主要是告知中国商标网提供的商标查询结果，只能供参考没有法律效率，不要将结果作为商标注册成功与否的最根本标准。“公告栏”里面的内容是红字显示的，主要是提醒商标注册申请人如果当前浏览器无法进行商标查询的话，可以更换IE浏览器。 3、点击“我接受”后，进入中国商标网网上查询页面，该页面提供商标近似查询、商标综合查询和商标状态查询三项商标查询服务和一项错误信息反馈服务。 （1）商标近似查询：本查询按图形、文字等商标组成要素分别提供近似检索功能，用户可以自行检索在相同或类似商品上是否已有相同或近似的商标。中国商标网商标近似查询方法是下文【公司宝】会给您详细介绍的。 （2）商标状态查询：用户可以通过商标申请号或注册号查询有关商标在业务流程中的状态，也就是用户只知道部分商标信息，然后查询商标信息的功能。 （3）商标综合查询：用户可以按商标号、商标、申请人名称等方式，查询某一商标的有关信息。一般下发受理通知书以后，商标是否公告，就用这个查就可以了。 （4）错误信息反馈：用户可以向商标局反馈有关错误信息，即如果您的商标注册证上的信息，与商标局官方网站的信息对应不起来，可以通过这个途径反馈给商标局，商标局接到信息以后会修改。
近似算法
近似算法 12.1 简介 到目前为止，我们已经学习了很多可以在多项式时间内高效解决的问题，我们可以很快速的解决这些问题。然而，在下面几讲，我们将考虑一些不知道如何高效解决的问题。 12.1.1 NP-完全性问题 在学习这些问题的时候，我们会遇到这个概念NP-完全性。NP-完全性问题是由很多组合和最优化问题组成，这些问题都有两个共同点： z没有很高效的算法；然而，我们可以在指数时间内解决这些问题。 z有高效的缩影存在于所有其他的NP-完全性问题中；因此，如果我们有一个黑盒，它能解决其中的一个问题，那么我们就能够高效的解决所有的问题。 下面就列举了一些NP-完全性问题的例子。除了SAT的每一个问题都可以被阐明为最优化问题，尽管严格来说，它取决于每一个问题的NP-完全性。另一方面讲，存在一个与SAT相关的最优化问题，称为MAXSAT。在这个问题中，我们给出一个布尔公式，我们必须找到一些变量的赋值来最大化的满足子句。 可满足性问题(SAT)：给定一个布尔公式，是否存在一个变量的赋值使得它满足此公式(即使公式的值为真)？ 装箱问题：给定一些箱子和物品，这些物品有着特定的大小，这些箱子有着一定的容积，求出能容纳这些物品的所需的最小箱子数。 最大独立子集问题：给定一个图，找出节点的最大子集，使得在这个子集中没有两个节点是相互连接的。 背包问题：给定一个能容纳一定大小的背包和一些物品，这些物品有着特定的大小和价值，求出此背包能容纳的最大价值量。 并行机器调度问题：给定一组相同的机器和一组任务，这些任务都有特定的所需时间，求如何分配任务给这些机器，使得所有的机器完成分配给它们的任务所需的时间最小。 旅行商问题：找出一个最短路径使得旅行商从一个城市出发，最后又回到该城市，并且要求每一个城市只能经过一次。 所有的这些问题不能依赖于这个假定P≠NP高效的解决。尽管这个推测还没有被证明，但是我们可以相信它是正确的，所以我们可以简单的假定P≠NP。 12.1.2 解决NP-完全性问题 如果我们不知道如何高效的解决NP-完全性问题，那我们应该怎么做呢？ 启发式：一种可能性就是放弃寻求多项式算法，取而代之的是集中开发启发式的算法，它在实践中接近于多项式的时间复杂度。但是一般来说，很难找到低于指数级的算法，达到这样的目标是有分歧的(关于P和NP问题是否相同)。
支持近似图查询的Why-Not问题解释方法
支持近似图查询的Why-Not 问题解释方法* 贺丹，宗传玉，王斌，李金旭，杨晓春+ 东北大学计算机科学与工程学院，沈阳110819 Explaining Why-Not Questions on Approximate Graph Queries * HE Dan,ZONG Chuanyu,WANG Bin,LI Jinxu,YANG Xiaochun + School of Computer Science and Engineering,Northeastern University,Shenyang 110819,China +Corresponding author:E-mail:yangxc@https://www.360docs.net/doc/c68525850.html, HE Dan,ZONG Chuanyu,WANG Bin,et al.Explaining why-not questions on approximate graph queries.Journal of Frontiers of Computer Science and Technology,2017,11(12)：1871-1885. Abstract:Why-not questions aim to seek clarifications on the missing tuples for query results.Answering why-not questions on database queries not only helps user better understand the query,but also improves data quality and the availability of database.To enhance the availability of graph database,this paper proposes an efficient explaining technique for why-not questions on approximate graph queries.This technique gives explanations for missing graphs,as well as some suggestions how to modify the initial query graph to let the missing graphs appear in the query result set.Algorithm for answering approximate graph queries includes two parts:the first part is a candidate generation phase,which proposes the basic algorithm according to frequency information of edges,and the improved algorithm by graph decomposition operation to acquire candidate operation set.And in the second part,in order to minimize the cost of modifying initial query graph,greedy algorithm and backtracking are proposed separately to select candidate operations.Reasonable greedy function is designed for greedy algorithm.The pruning trees based on candidate selection are built and three strategies for selecting candidate operations from the candidate set are proposed.The final candidate operation set includes the reasonable explanations for why-not questions on graph queries.According to experiments,the algorithm proposed in this paper can efficiently generate reasonable explanations for why-not questions on approximate graph queries. *The National Natural Science Foundation of China under Grant Nos.61572122,61322208,61272178,61532021(国家自然科学基金);the National Basic Research Program of China under Grant No.2012CB316201(国家重点基础研究发展计划(973计划)).Received 2016-08,Accepted 2016-10. CNKI 网络优先出版:2016-10-31,https://www.360docs.net/doc/c68525850.html,/kcms/detail/11.5602.TP.20161031.1650.014.html ISSN 1673-9418CODEN JKYTA8 Journal of Frontiers of Computer Science and Technology 1673-9418/2017/11(12)-1871-15 doi:10.3778/j.issn.1673-9418.1608050E-mail:fcst@https://www.360docs.net/doc/c68525850.html, https://www.360docs.net/doc/c68525850.html, Tel:+86-10-89056056万方数据
基于近似查询的在线分组聚集及其应用
基于近似查询的在线分组聚集及其应用 冯玉才 华中科技大学计算机科学与技术学院 摘 要 提出了在线分组聚集方案 关键词 联机查询处理 Ａｂｓｔｒａｃｔ Key words 16 2005年 8月 August 2005 1000 0097 A 中图分类号 用户经常需要对数据 仓库中存放的海量多维数据进行在线分组聚集 才能提炼出结 果中的有用信息用于挖掘关联规则或是引导部分结果的具体 分析 ＣＯＵＮＴ 首先要扫描整个源数据集 再对排序结果分组 因为整个过程需要大量的磁盘 I/O 和相当长的 处理时间 在实际应用中 轮廓 感 兴趣 这种系统快速响应的需求可以通过近似查询处理来实 现 本文对比了近似查询处理的两种方案 结合文献 [4]中的动态重排 序技术和文献 [5] 中的基本国会抽样方法 该系统能够灵活地与用户交互 提供较好的响应速度和误差 通过形成块嵌套循环和散 列连接 所有的多表连接查 询 只讨论单表查询 而响应时间与已处理的数据量成正比 对应用户不同的需求 通过引入对源数据集的预先计算过 程得到数据量相对较小的样本集或初步聚集结果 特点是通过减少运行时的 处理时间缩短系统响应时间 不能进一步改进 其二的联机查询处理方案 动态计算和聚集 返回当前的近似结果和置信区间 交互性能好 完成查询的总时间较长 响应速 度更快 用户很少需要完成查询 控制查询的执行速度 相对于灵活 性较差的预计算方案 ＳＥＬＥＣＴ ＡＶＧ（ｇｒａｄｅ） ＦＲＯＭ ｓｔｕｄｅｎｔ ＷＨＥＲＥ ｃｌａｓｓｎａｍｅ＝０４１ 基金项目 冯玉才(1944 男 研究方向 张鹏程 2004-07-10 E-mail
【CN109992786A】一种语义敏感的RDF知识图谱近似查询方法【专利】
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910279900.7 (22)申请日 2019.04.09 (71)申请人 杭州电子科技大学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 徐小良 颜海江 王宇翔 何宏 夏一行 (74)专利代理机构 杭州千克知识产权代理有限 公司 33246 代理人 周希良 (51)Int.Cl. G06F 17/27(2006.01) G06F 16/36(2019.01) (54)发明名称 一种语义敏感的RDF知识图谱近似查询方法 (57)摘要 本发明公开了一种语义敏感的RDF知识图谱 近似查询方法,该方法包括以下步骤：将类型相 同的RDF知识图谱实体归为一类作为划入领域知 识子图，并将其作为根节点，通过根节点向外遍 历实体，根据实体与根节点周围的谓词的分布计 算混合实体相似度，同时选定合适的阈值，将混 合实体相似度大于阈值的划入子图；利用TransE 方法训练各个子图，获得子图谓词之间的语义相 似度；将谓词相似度作为RDF知识图谱实体之间 边的权重，并通过语义敏感的路径探查方法进行 Top -K近似查询，获取语义近似的路径和实体结 果。本发明利用子图划分，克服了大规模知识图 谱语义相似度时间复杂度高的问题，利用语义敏 感的路径探查方法加快查询的收敛速度。权利要求书2页 说明书5页 附图1页CN 109992786 A 2019.07.09 C N 109992786 A
1.一种语义敏感的RDF知识图谱近似查询方法，该方法包含如下步骤： 步骤1：领域知识子图划分 步骤1.1：领域知识子图划分的初始化 根据RDF知识图谱O中实体的类型，将属于一个领域知识的所有相关实体汇集成领域知识子图，得到O1、O2……O n，其中O i∈O，i＝1，2，3…n，领域知识子图O i中都包含了相同类型实体集合E i，其中E i∈E，对于领域知识子图O i 中的每个实体都有 步骤1.2：领域知识子图划分的完善 针对步骤1.1中的领域知识子图O i中的实体集合E i， 逐个遍历实体完善领域知识子图的划分： a)将实体作为根节点通过广度优先遍历方法在RDF知识图谱O中向外遍历； b)对探查到的每个实体， 考虑该实体和根节点周围谓词的分布，据此进行基于Jaccard和余弦相似度相结合的混合实体相似度计算；当混合实体相似度大于设定阈值时，将其纳入该领域知识子图，遍历直至找不到满足阈值条件的实体终止； 最终得到与领域知识相关的实体构成的领域知识子图，完成领域知识子图的划分； 步骤2：谓词的语义相似度计算 针对步骤1生成的每个领域知识子图O i，将其构建成TransE的输入数据，利用随机梯度下降法调整其向量表示最小化TransE的目标函数，以获取所有实体与谓词的语义向量，形成模型M i； 接着加载模型M i，对领域知识子图O i中每一个谓词计算其与其它谓词在模型中语义向量的距离，通过取负再归一化得到谓词之间的语义相似度值；最终，任意两个谓词间都将具有一个唯一的语义相似度值，可在后续查询中使用； 步骤3：语义敏感的Top-k近似查询，这个阶段具体包含如下步骤： 步骤3.1：待查领域知识子图的选取 用户给定一个查询图，通过一组明确的实体和谓词来查询所有符合某类型约束的未知实体；根据用户指定的期望返回的实体类型t选取领域知识子图O t，根据用户指定的关系谓词p选取该谓词与领域知识子图O t中其他谓词的语义相似度，维持一个对应关系谓词p的谓词语义相似度表S，作为领域知识子图O t中实体与实体之间边的权重，将用户指定的实体作为查询的起始点e start；若用户指定多个实体及其不同的关系谓词，则维持不同起始点对应不同谓词语义相似度表，后续的查询使用多线程的方式，每一线程使用不同的起始点和谓词语义相似度表进行探查； 步骤3.2：语义敏感的路径探查 a)创建一个优先级队列PQ用来存放需要向外遍历的实体及起始点到该实体经过的实体集合，即起始点到达该实体的路径； b)将起始点e start放入优先级队列PQ中，优先级为1，路径{e start}； c)从优先级队列PQ取出队列中的元素，假设取出的元素代表的实体为e，路径代表的实体集合为Path，循环遍历完e的邻居实体e nb； d)新建实体集合NewPath，添加实体集合Path中的元素，并添加邻居实体e nb； 权 利 要 求 书1/2页 2 CN 109992786 A
商标近似查询检索方式
商标网上查询系统简易操作手册 第一章商标网上查询系统简介 第2章系统功能介绍 2．1 进入系统 2．2 商标近似查询 2．2．1 功能简介 2．2．2 业务流程 2．2．3 近似查询操作步骤 2．3 商标综合信息查询 2．3．1 功能简介 2．3．2 业务流程 2．3．3 商标综合查询操作步骤 2．4 商标状态信息查询 2．4．1 功能简介 2．4．2 业务流程 2．4．3 商标流程查询操作步骤 2．5 错误信息反馈 2．5．1 功能简介 2．5．2 业务流程 2．5．3 错误信息反馈操作步骤 第3章系统硬软件配置 3．1 网络设备配置要求 3．2 计算机设备配置要求 3．3 系统软件配置要求 第4章系统有关声明 4．1 关于系统数据的更新与备份时间 4．2 关于系统数据的拷贝与下载
第一章商标网上查询系统简介 商标网上查询系统是国家工商行政管理总局商标局、信息中心主办的商标互联网免费查询系统。该系统提供商标信息实时查询、实时反馈等功能。 第2章系统功能介绍 2．1 进入系统 2.1.1、网上查询系统不需要注册即可使用，登录中国商标网（访问地址：https://www.360docs.net/doc/c68525850.html,或https://www.360docs.net/doc/c68525850.html,）点击“商标查询”即可进入。 2.1.2、进入系统后，用户可以看到主要功能：商标近似查询、商标综合信息查询、商标状态信息查询、错误信息反馈、操作指南。 2．2 商标近似查询 2．2．1 功能简介 商标近似查询，查询方式分为汉字查询、拼音查询、英文查询、数字查询、图形查询、字头查询六种。
2．2．2 业务流程 进入中国商标网（https://www.360docs.net/doc/c68525850.html,）－>商标查询－>商标近似查询－>输入查询条件－>返回查询结果－>系统自动记录日志 2．2．3 近似查询操作步骤 第1步、进入系统 工作路径：中国商标网－>商标查询 第2步、进入商标近似查询 用户进入系统后，可以单击“商标近似查询”，进入近似查询界面。 第3步、输入商标近似查询条件 ●3.1、国际分类号（必填） 按照第八版《类似商品和服务区分表》填写，也可以点击“商标分类帮助”链接辅助填写；此处输入：1－45之间任意的阿拉伯数字，例如输入：9。 注：此处只能填写一个国际分类号，为必填写内容，否则无法查询。 ●3.2、类似群号 按照第八版《类似商品和服务区分表》输入商品的类似群号，例如输入：0901;0908。以半角分号分隔。 注：此项为可选择填写内容，查询人如认为无必要可不填写。 ●3.3、查询内容（必填） 输入需要查询的内容，例如输入：“555”。查询内容要根据具体的查询方式来填写，例如查询内容输入“555”后，则必须选择“数字查询”方式，查询方式的说明见下面3.4的阐述。 注：此项为必须填写内容，否则无法查询。
一种近似的K最近邻图算法
第31卷第4期 江苏科技大学学报（自然科学版）V d.31N〇.4 2017 年 8 月Journal of Jiangsu University of Science and Technology (Natural Science Edition)Aug.2017 DOI：10.3969/j.issn. 1673 -4807.2017.04.019 一种近似的K最近邻图算法 邹蕾 (吉林警察学院信息工程系，长春130000) 摘要：针对K最近邻（KNN)图方法在数据挖掘和机器学习方面的问题，文中提出一种高效的基于K最近邻图的近似算 法.首先随机生成一个KNN图近似值;对空间进行随意层次划分，构建一个近似近邻图,然后与KNN图近似值合并生成一 个更准确的图;最后对生成的更准确的图进行近邻传播，进一步提高准确度.通过采用各种真实数据集和高维度合成数据 进行实验研究，证实文中提出的算法性能优于先进的KNN图构造方法. 关键词：K最近邻图;多重随机划分;近似算法；近邻传播方法 中图分类号:TP393 文献标志码:A 文章编号= 1673 -4807(2017)04 -0513 -06 Approximate algorithm based on k-nearest neighbor graph ZHOU Lei (D e p a r t m e n t of Information Engineering,JiLin Police Coll e g e,C h a n g c h u n 130000, C h i n a) Abstract：In view of the k-nearest neighbor ( KNN) graph problems in data mining and machine learning, an ef-ficient approximate algorithm is proposed based on the k-nearest neighbor graph. First, a random graph KNN ap-proximation is generated; the space is divided at random level to construct an approximate nearest neighbor graph, and then approximate KNN value map they are combined to build a more accurate map; finally, neighbor propagation of the more accurate nearest neighbor graph further improves the accuracy. Experiments are per-formed by using real data sets and high-dimensional synthetic data, and the result shows that the proposed algo-rithm has better performance than the advanced KNN method. Key words：k-nearest neighbor graph, multiple random division, approximate algorithm, neighbor propagation method 能否有效构建大数据集的K最近邻图（一个 节点连接到其K个最近邻居）是协同过滤、网络搜 索引擎方面近似最近邻搜索以及查询有关应用领 域的关键[14.KNN图是一个关键的完成多降维 聚类以及其他机器学习任务的数据结构[44]. KNN图最初级方法是通过时间成本0(如2) 构建，其中…是数据集点数^是维数.但是这种方 法对大规模数据集的应用显得不实际.大量研究工 作已经投入到开发构建KNN图的有效算法的工作 中.但是，目前已有的方法不能处理高复杂的计算，也不能处理好高固有维数的数据集，即无法测得相似性. 构建近似KN N图的方法之一就是应用近似最 近邻搜索方法.数据集的每个点被当成是一个查询 点，采用最近邻搜索算法可以检索到它的K个最 近邻居.但是，现有方法大体都无法在搜索结构复 杂性和查询检索准确性之间实现平衡. 一种简单有效的方法就是近邻传播，它基于这 样的直觉意识，邻居的邻居也可能就是邻居，这一 思想已出现在诸多文献中.文献[7]中提出近邻传 播算法，已证实该算法通常表现良好，其方法的经 验复杂度是〇(。14)，表明算法效率非常高.不过， 收稿日期：2016 -04 -18 作者简介：邹蕾（1975—），女，讲师,研究方向为计算机应用技术.E-m a i l:290578678@ q q.c o m 引文格式：邹蕾.一种近似的K最近邻图算法[J].江苏科技大学学报（自然科学版），2017,31(4) :513 -518. D O I:10.3969/j.issn.1673 -4807.2017.04.019.