CN104750798B - 一种应用程序的推荐方法和装置 - Google Patents
一种应用程序的推荐方法和装置 Download PDFInfo
- Publication number
- CN104750798B CN104750798B CN201510123052.2A CN201510123052A CN104750798B CN 104750798 B CN104750798 B CN 104750798B CN 201510123052 A CN201510123052 A CN 201510123052A CN 104750798 B CN104750798 B CN 104750798B
- Authority
- CN
- China
- Prior art keywords
- application programs
- classification
- application
- relation
- application program
- 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
Images
Abstract
本发明公开了一种应用程序的推荐方法和装置,用于描述应用程序之间广泛的相关性,提高向用户推荐应用程序的效果。本发明提供的应用程序的推荐方法包括:根据应用程序的评论信息和描述信息确定应用程序之间是否存在相关性;若所述应用程序之间存在相关性,根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出所述应用程序之间所属的分类关系;根据所述应用程序之间所属的分类关系向用户推荐应用程序。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种应用程序的推荐方法和装置。
背景技术
现实网络中存在海量的手机应用,为使用户能够更加方便和快捷的使用手机,需要向用户推荐手机上的各种应用程序,目前可以将手机应用在某种程度上看作为实体,从而进行手机应用间的相关度计算,具体可以直接参照实体间的相关度计算方法。目前针对实体间的相关度计算方法主要有两种,一种是基于词典的,一种是基于统计的。
基于词典的相关度计算方法主要是使用统计词典,通过实体在词典中的位置和词义来确定实体之间的相关度。由于词典大多是由专家定义,且划分较为详尽,因此计算结果较为准确。然而目前没有一种面向手机应用的专业词典,并且由于手机应用日新月异,这使得依据人工构造的专业词典的扩充速度很难跟得上手机应用的更新速度。
基于统计的相关度计算方法可以脱离专业词典的限制,其大多使用搜索引擎作为语料获取工具,通过从网络中获取与实体相关的文本作为统计语料,进而依靠统计语料抽取实体的描述特征来计算实体之间的相似性。因此,基于统计的相关度计算方法不会受到语料缺失问题的影响。然而,基于统计的相关度计算方法往往无法发现除相似性之外更加深层次的关系,即基于统计的相关度计算方法只能发现两个实体(例如两个手机应用)间是否反映相似的信息、具有相似的功能,而对于实体间的相关性计算(例如一个手机应用需要借助另一个手机应用去完成某些功能)却无法给予充分的支持。
综上所述,基于统计的相关度计算方法较适合于计算手机应用间的相互关系,而目前已有的研究方案也大多使用网络统计语料来计算手机应用间的相关性。然而,正如基于统计的相关度计算方法的特点,这种使用统计语料的方法仅仅能够发现手机应用间存在的相似性,却无法描述更加广泛的相关性。同时,目前针对手机应用间的相关性计算方法仅仅从应用的描述信息入手向用户推荐手机应用,这导致向用户推荐的手机应用局限性很大,推荐的效果很有限。
发明内容
本发明实施例提供了一种应用程序的推荐方法和装置,用于描述应用程序之间广泛的相关性,提高向用户推荐应用程序的效果。
为解决上述技术问题,本发明实施例提供以下技术方案:
第一方面,本发明实施例提供一种应用程序的推荐方法,包括:
根据应用程序的评论信息和描述信息确定应用程序之间是否存在相关性;
若所述应用程序之间存在相关性,根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出所述应用程序之间所属的分类关系;
根据所述应用程序之间所属的分类关系向用户推荐应用程序。
第二方面,本发明实施例还提供一种应用程序的推荐装置,包括:
相关性确定模块,用于根据应用程序的评论信息和描述信息确定应用程序之间是否存在相关性;
关系分类模块,用于若所述应用程序之间存在相关性,根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出所述应用程序之间所属的分类关系;
推荐模块,用于根据所述应用程序之间所属的分类关系向用户推荐应用程序。
从以上技术方案可以看出,本发明实施例具有以下优点:
在本发明实施例中,首先根据应用程序的评论信息和描述信息确定应用程序之间是否存在相关性,若应用程序之间存在相关性,接下来根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出应用程序之间所属的分类关系,最后根据应用程序之间所属的分类关系向用户推荐应用程序。由于在用户对应用程序的评论中通常包含有用户观点和用户对应用程序的需求态度,使得使用应用程序的评论信息和描述信息可判断出应用程序之间是否存在相关性,这种以用户对应用程序的评论作为计算依据的方法可挖掘出应用程序之间是否存在深层次的相关性,从而可以描述出应用程序之间存在着的广泛的相关性,在应用程序之间存在相关性时,进一步通过应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出应用程序之间所属的分类关系,当用户使用某个应用程序时,根据应用程序之间所属的分类关系向该用户推荐满足上述分类关系的应用程序,从而提高向用户推荐应用程序的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种应用程序的推荐方法的流程方框示意图;
图2为本发明实施例提供的根据评论信息和描述信息确定应用程序之间是否存在相关性的一种实现方式示意图;
图3为本发明实施例提供的应用程序之间的关系拓扑网络的一种实现方式示意图;
图4-a为本发明实施例提供的一种应用程序的推荐装置的组成结构示意图;
图4-b为本发明实施例提供的另一种应用程序的推荐装置的组成结构示意图;
图4-c为本发明实施例提供的另一种应用程序的推荐装置的组成结构示意图;
图5为本发明实施例提供的应用程序的推荐方法应用于服务器的组成结构示意图。
具体实施方式
本发明实施例提供了一种应用程序的推荐方法和装置,用于描述应用程序之间广泛的相关性,提高向用户推荐应用程序的效果。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明的一部分实施例,而非全部实施例。基于本发明中的实施例,本领域的技术人员所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
面对网络中海量的应用程序(例如手机应用),为使用户能够更加方便和快捷的使用手机,本发明研究了手机应用间的相关度计算方法,其以用户对应用程序的评论作为计算依据,通过评论中包含的用户观点和态度来挖掘手机应用间深层次的相关性,同时,本发明还研究了手机应用间的关系分类语料的构建问题,探讨了如何对已标注的小规模分类语料进行扩展,以减少标注的工作量而不降低标注的准确性,以解决针对手机应用间的关系分类语料非常匮乏的问题,接下来分别进行详细说明。
本发明应用程序的推荐方法的一个实施例,具体可以应用于向手机用户推荐应用程序的场景中,请参阅图1所示,本发明一个实施例提供的应用程序的推荐方法,可以包括如下步骤:
101、根据应用程序的评论信息和描述信息确定应用程序之间是否存在相关性。
在发明实施例中,应用程序之间的相关性计算采用应用程序中包含的评论信息和描述信息来实现,针对现有技术仅仅能够根据应用程序的描述信息来挖掘应用特征进而计算应用程序之间的相似性,存在无法发现应用程序之间更加广泛的相关性的问题,本发明期望利用用户对应用程序的评论作为基础,通过评论中体现的用户观点来挖掘出应用间更加广泛的相关性,在此基础上实现一个面向手机应用的原型推荐系统。
其中,应用程序中包括有评论信息,评论信息指的是用户在使用应用程序时发表的评论,目前各大应用网站中(例如Google play,Apple store)都有用户对于某个应用程序的评论,将用户对应用程序的评论收集在一起构成应用程序的评论信息。应用程序中除了包括评论信息,还包括有描述信息,应用程序的描述信息是在网站中开发者对于应用程序的描述,例如应用程序的功能、版本、使用人群等等,应用程序的描述信息在实现时可以考虑的更加广泛,例如一些除开发者之外(例如网络上的百科知识等)第三方对于应用程序的描述都可以看作应用程序的描述信息。
在本发明的一些实施例中,步骤101根据应用程序的评论信息和描述信息确定应用程序之间是否存在相关性,具体可以包括如下步骤:
1011、根据应用程序的评论信息计算应用程序之间的评论相似度,若评论相似度大于或等于预置的评论阈值,确定应用程序之间存在相关性,若评论相似度小于预置的评论阈值,确定应用程序之间不存在相关性;
和/或,
1012、根据应用程序的描述信息计算应用程序之间的描述相似度,若描述相似度大于或等于预置的描述阈值,确定应用程序之间存在相关性,若描述相似度小于预置的描述阈值,确定应用程序之间不存在相关性。
对于步骤1011,从每个应用程序中提取出评论信息,对两个应用程序的评论信息计算出评论相似度,其中评论相似度可以指的是两个应用程序各自包括的评论信息在评论内容上的相似程度,例如评论相似度可以是评论信息中的主题相似度,评论相似度具体可以表示为一个百分比数值,或者具体表示为两个应用程序各自包括的评论信息中共同出现的词语数目。计算出应用程序之间的评论相似度之后,将计算出的评论相似度与预置的评论阈值进行比较,判断出该评论相似度与评论阈值之间的大小关系,其中评论阈值可根据具体的场景来仿真后设定,也可以设置为一个初始值然后根据多次评论相似度计算后进行相应调整。判断出该评论相似度与评论阈值之间的大小关系之后,通过该评论相似度与评论阈值的大小关系描述出应用程序之间是否存在相关性,例如,若评论相似度大于或等于预置的评论阈值,确定应用程序之间存在相关性,若评论相似度小于预置的评论阈值,确定应用程序之间不存在相关性,在应用程序之间存在相关性的前提下,执行后续步骤102,若应用程序之间不存在相关性,可结束本次应用程序之间的相关性计算,继续进行其他应用程序之间的相关性计算,直至完成对所有应用程序中两两应用程序之间的相关性计算。
对于步骤1012,从每个应用程序中提取出描述信息,对两个应用程序的描述信息计算出描述相似度,其中描述相似度可以指的是两个应用程序各自包括的描述信息在描述内容上的相似程度,具体可以表示为一个百分比数值,或者具体表示为两个应用程序各自包括的描述信息中共同出现的词语数目。计算出应用程序之间的描述相似度之后,将计算出的描述相似度与预置的描述阈值进行比较,判断出该描述相似度与描述阈值之间的大小关系,其中描述阈值可根据具体的场景来仿真后设定,也可以设置为一个初始值然后根据多次描述相似度计算后进行相应调整。判断出该描述相似度与描述阈值之间的大小关系之后,通过该描述相似度与描述阈值的大小关系描述出应用程序之间是否存在相关性,例如,若描述相似度大于或等于预置的描述阈值,确定应用程序之间存在相关性,若描述相似度小于预置的描述阈值,确定应用程序之间不存在相关性,在应用程序之间存在相关性的前提下,执行后续步骤102,若应用程序之间不存在相关性,可结束本次应用程序之间的相关性计算,继续进行其他应用程序之间的相关性计算,直至完成对所有应用程序中两两应用程序之间的相关性计算。
在本发明的一些实施例中,为发现应用程序之间更加广泛的相关性,例如两个应用程序,其中一个应用程序需要另一个应用程序协助以完成某功能,但是这两个应用程序提供的功能完全不一样,本发明拟将用户对应用程序的评论引入到应用程序之间的相关度计算中来,应用程序的评论信息中包含了用户对于应用程序的评价和观点,因此能够用来度量应用程序之间的相关度。根据应用程序的评论信息和描述信息确定应用程序之间是否存在相关性时,为了将评论信息结合到应用程序间的相关度计算中来,还可以采用应用程序的评论信息和描述信息互指导的迭代计算方式,即采用如下的迭代过程:请参阅如图2所示。本发明实现一种“互指导”的计算方法,通过将评论信息中的主题相似度计算和应用程序之间的描述相似度计算融合到一个迭代过程中,以更加准确的计算应用间的相关度,本迭代过程可以沿着两条路径进行,一条为从初始的应用程序(英文Application,简称APP)之间的描述相似度开始,一条为从初始的评论相似度开始,反复运行这两条路径直到计算结果达到平衡即得到最终的APP之间的描述相似度和评论相似度。
在图2中有两条路径,一条为实线、一条为虚线,在具体的一种实现场景下可以沿着两条路径中的任意一条开始,其区别为如果沿着实线的路径执行计算过程则需要得到初始的描述相关度数值(即在迭代计算前先要预设不同应用程序之间的描述相似度)。在本发明的另一种实现场景下,也可以沿着虚线执行计算过程,但需要得到初始的评论相似度数值(即在迭代计算前先要预设不同应用程序之间的评论相似度)两条计算路径除了初始值的设置不同外,迭代过程完全相同。同时由于初始的评论相似度和初始的描述相似度是相互影响的,例如描述相似度大的应用程序对其对应的评论相似度也大,因此无论沿着哪条路径执行计算过程,得到的计算结果均是相似的。设计两条路径的原因是应用于不同的场景,例如某些场景可能仅仅知道初始的评论相似度,而某些场景可能仅仅知道初始的描述相似度。
在上述图2中无论沿着上述哪一条路径(实线或虚线)执行迭代过程,当迭代若干次后,迭代的结果会趋于平衡,即第N+1次的迭代结果和第N次的迭代结果相差小于一个特定的阈值时,此时可以停止迭代。其中,采用的公式如下:
R(appp,appq)=R(V(appp),V(appq)),
Sim(rwi,rwj)=Sim(V(rwi),V(rwj)),
上述公式中,无论是R还是Sim均可采用任何基于向量的相似度计算方法来实现,例如余弦相似度、欧氏距离、KL距离等。因为本发明将应用程序的描述和应用程序的评论组成为一个矩阵,其行为评论,列为描述。以采用余弦相似度为例,可以将上述的R和Sim转化为如下两个公式:
上述举例的余弦相似度计算中,各个参数的取值方式以及选取策略不再描述,可参阅现有技术,描述相似度R和评论相似度Sim是相互利用的,因此本方法又叫做互指导的应用间相关度计算方法。其中,appp和appq代表两个应用实体,rwi和rwj分别是appp和appq的两篇评论。V(appp)和V(rwi)代表appp和rwi的向量。tfcp为由应用程序和评论组成的矩阵中第c行第p列的值,可由统计得出,即第p行对应的评论中提及到的第c列对应的应用程序的数量。同理的还有tfic、tfjc、tfcq。在计算时,为了过滤掉噪声,可以过滤掉字数少于5的评论,以及仅仅含有一些宽泛性评价的评论,比如仅仅含有“好”、“坏”、“还行”等词语的评论,对于某些无用的评论在预处理时要过滤掉,只保留有用的信息,即长评论。
102、若应用程序之间存在相关性,根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出应用程序之间所属的分类关系。
在本发明实施例中,根据应用程序的评论信息和描述信息确定出应用程序之间存在相关性之后,进一步的需要具体判断出应用程序之间所属的分类关系。本发明实施例中一对应用程序之间所属的分类关系是面向应用程序的关系分类体系中一种分类关系。本发明中针对应用程序建立了关系分类体系,该关系分类体系是面向应用程序而设计的,体现的是对应用程序之间可能具有的关系的具体分类,在关系分类体系中对应用程序之间应该具有何种分类关系做出具体分类,在确定出应用程序之间存在相关性之后,可以进一步的确定出应用程序之间存在的这种相关性具体为关系分类体系中的哪种分类关系。本发明实施例预先设置应用程序之间的关系分类特征,根据该关系分类特征从关系分类体系中确定出一种分类关系作为上述应用程序之间所属的分类关系。
本发明针对目前缺乏一种面向应用程序的关系分类体系的问题,以实体间的关系分类体系为基础,设计出一种合理的面向应用程序的关系分类体系,并将上述的相关度计算结果和应用的描述信息相结合以构造应用程序之间的关系分类特征,通过这种合并后的关系分类特征来提升关系分类的精度。
进一步的,在本发明的一些实施例中,关系分类体系包括:部分与整体关系、相似关系、受事与事件关系、工具关系、目的关系、描述关系、相对关系、材料关系、平行关系。需要说明的是,本发明实施例中关系分类体系中包括的分类关系也可以不局限于上述分类关系,还可以根据应用程序之间真实存在的关系对关系分类体系进行扩展,或者根据具体的应用场景来设定关系分类体系中具体该包括哪些种分类关系,此处不做限定。另外,本发明可以进一步的对该关系分类体系进行完善,将更多的关系类别加入到关系分类体系中,以便更精准的描述出应用程序之间的分类关系。
举例说明,为对应用程序之间的关系进行分类,构建一个完善的面向应用程序的关系分类体系。基于此,本发明构造出如下的应用程序之间的关系分类体系,请参阅如下表1所示。
表1 应用程序之间的关系分类体系
在本发明的一些实施例中,步骤102根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出应用程序之间所属的分类关系,具体可包括如下步骤:
1021、根据预置的应用程序之间的关系分类特征,在训练语料的基础上,使用分类器计算出在关系分类体系中应用程序之间所属的分类关系。
其中,在计算应用程序之间所属的分类关系时可使用分类器,根据预置的关系分类特征,在训练语料的基础上,使用分类器计算出在关系分类体系中应用程序之间所属的分类关系。例如关系分类体系如上表1所示,通过关系分类特征可描述出应用程序之间的分类关系所具有的特征,并以训练语料为基础,使用分类器可计算出应用程序之间所属的分类关系。
进一步的,本发明实施例中分类器可以通过如下方式训练,在步骤102根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出应用程序之间所属的分类关系之前,本发明实施例提供的应用程序的推荐方法,还包括如下步骤:
A1、从样例中选择成对的应用程序对构造关系分类的训练语料;
A2、在训练语料的基础上,使用样例中成对的应用程序对训练出分类器。
具体的,步骤A1中可从网络或应用程序库中选择m对应用对,m所指为自然数,然后指定每个应用程序对所属的关系分类类型(其类型如表1所示),以这m对应用对作为初始的训练语料,另外,还可以通过后续的步骤A3的自助学习方式对这初始的m对应用对扩展,得到更庞大的训练语料,在训练分类器时,即是使用训练语料对表2中的关系分类特征赋予合适的权值,然后分类器即可利用表2中的特征对任一未确定分类关系类型的应用对确定其分类关系类型。
其中,样例中可以包括从网络中爬取的小规模的成对的应用程序对,以样例中成对的应用程序对来构造关系分类的训练语料,通过构造出的训练语料,使用样例中成对的应用程序对训练出分类器,该分类器通过训练语料的训练之后,可用于对应用程序之间所属的关系进行分类,具体分类为关系分类体系中的一种分类关系,例如如表1中所述的关系分类体系。
在本发明的一些实施例中,步骤A1从样例中选择成对的应用程序对构造关系分类的训练语料之后,本发明实施例提供的应用程序的推荐方法,还包括如下步骤:
A3、采用自助学习的方法,自动扩充训练语料。
在本发明实施例中,训练语料的规模较小时,还可以采用自助学习的方法来自动扩充训练语料。为了扩充训练语料,本发明使用自助学习的方式自动扩训充练语料,并且保证扩充后的训练语料并不会降低关系分类的精度。
举例说明,当形成关系分类体系后,就可以对应用程序之间的关系进行分类。在对应用程序之间的关系进行分类前,需要构造关系分类的训练语料。目前没有一种基准的面应用程序的关系分类语料库,为此本发明按照前述的关系分类体系从网络上针对每个关系类别分别爬取小规模的应用程序对。然而,为获得良好的分类结果,在训练语料的规模过于单薄时,需要扩大训练语料,本发明采用自助学习的方法,通过半监督方法选择应用程序对来扩大训练语料库。自助学习类似于无监督学习,其含义就是不需要用户的参与或不需要用户提供材料,自动完成某个任务。半监督学习是在自助学习的基础上需要用户给予一定的指导,例如设置某些函数,给出某些先验知识,但是这种知识只是少量的不完全的,然后由设备自身自动补充,并加以完善。其具体做法简述如下:
算法步骤:
5、重复步骤2-4;
本发明通过样例被分类器分到的类别标签的概率分布的熵来计算样例的置信度:
其中,H表示的熵值越低,该样例的置信度越高,上述公式中的m表示所有关系类别的数目,pi则是当前样例被分到第i类的概率。
在上述步骤2中,基本分类器指的就是现实应用中的分类器,例如SVM、KNN等分类算法都可以用作基本分类器。步骤3中,通过分类器C对进行分类,确定中包含的每个应用对之间的关系属于表1中的哪个类别,具体做法为:通过分类器确定应用程序对之间的关系属于表1中的哪个类别的置信度。比如某个应用程序对之间的关系可能属于表1中的第1种关系的置信度是65%,属于第2种关系的置信度是35%,则该应用程序对之间的关系最后分到第1种关系中。
在本发明的一些实施例中,预先设置应用程序之间的关系分类特征,其中一种可实现的方式是,该关系分类特征包括:应用程序之间的描述共现词语数目、应用程序之间的评论共现词语数目、应用程序之间的评论相似度、应用程序之间的描述相似度。也就是说,在确定应用程序之间应该具有何种分类关系时,可以采用描述中共现的词语数目,或者应用程序之间的评论中共现的词语数目,或者应用程序之间的评论相似度,或者应用程序之间的描述相似度作为分类依据,从而得到应用程序之间所属的分类关系。举例说明,在形成应用程序之间的关系分类语料的基础上,即可以使用分类器对应用程序之间的关系进行分类。本发明可采用表2中的4种特征作为关系分类特征,这四种特征分别考虑了应用程序的描述信息和应用程序之间的相关度计算结果。
表2 应用程序间的关系分类特征
特征编号 | 特征描述 |
f1 | 两个应用程序的描述共现词语数目 |
f2 | 两个应用程序的评论共现词语数目 |
f3 | 两个应用程序的评论相似度 |
f4 | 两个应用程序的描述相似度 |
其中,f1至f4是用来对关系进行分类的特征。前面的相关性计算仅仅计算出两个应用程序之间具有相关性,但是具有何类型关系需要通过步骤102来确定,因此需要使用关系分类特征,通过f1至f4中描述的关系分类特征,可进一步的确定应用程序之间的关系是何种类型,其中f3、f4的值需要使用前面的相关性计算方法得到。
需要说明的是,在本发明实施例中,通过步骤101和步骤102在对一对应用程序进行关系分类之后,可继续进行其它应用程序对之间的相关性计算和关系分类,直至完成对所有应用程序中两两应用程序之间的相关性计算和关系分类。举例说明,首先分别计算出某一个应用程序与其它所有应用程序之间是否具有相关性,并在具有相关性的前提下计算出其在关系分类体系中对应哪一种分类关系,然后再计算下一个应用程序与其它所有应用程序之间是否具有相关性,并在具有相关性的前提下计算出其在关系分类体系中对应哪一种分类关系,当然已经计算过相关性的应用程序之间不再计算。
103、根据应用程序之间所属的分类关系向用户推荐应用程序。
在本发明实施例中,确定出在关系分类体系中应用程序之间所属的分类关系之后,即可依此向用户推荐应用程序。例如,当用户使用手机中的某个应用程序时,向用户推荐与用户使用的应用程序具有某种分类关系的其它应用程序给用户。由于通过前述步骤101和步骤102可确定出应用程序之间具有相关性,并依据关系分类特征确定出应用程序之间所属的具体分类关系,依此的推荐结果更加能够满足用户的需要,同时由于应用程序之间的相关度是依据用户对应用的评论计算得出,而用户的评论信息包含了用户的真实需要意图,因此在向用户推荐应用程序时可提高推荐的效果。
在本发明的一些实施例中,步骤103根据应用程序之间所属的分类关系向用户推荐应用程序,包括:
1031、根据应用程序之间所属的分类关系构建出应用程序之间的关系拓扑网络;
1032、使用关系拓扑网络向用户推荐应用程序。
在本发明实施例中,确定出所有的两两应用程序之间的分类关系之后,为了更清楚准确的描述出应用程序之间的分类关系,可以在向用户推荐应用程序之前提前绘制出关系拓扑网络。依据应用程序之间的分类关系描绘出的关系拓扑网络可直观的反映出应用程序之间的分类关系,在关系拓扑网络中以应用程序为顶点,若两个应用程序之间存在相关性就建立一条边,并可以对边赋予权重用于表示应用程序之间具体的相关度数值,例如请参阅如图3所示,为本发明实施例提供的应用程序之间的关系拓扑网络的一种实现方式示意图,该关系拓扑网络可以完整的体现出所有的应用程序之间的分类关系。该网络中的顶点为应用程序,边为应用程序之间的分类关系,另外,为了进一步的说明各个应用程序之间的相关度,可以对边赋予关系权重,在本发明的另一些实施例中还可以对边赋予不同的颜色以代表关系的不同类型(边的颜色在图3中未示意)。需要说明的是,在实现关系拓扑网络的过程中,还可以对该网络进行扩展,使其可以动态的插入和删除应用程序,即实现自动的网络扩充和修改,这样可以当有新应用程序出现时,自动的将新应用加入到网络中去,例如,当某个新应用程序出现时,即先计算此应用程序和网络中其它所有应用程序之间的关系,如果网络中的某个应用程序和待插入应用程序间的关系大于一定数值,则在这两个应用程序之间建立一条边,即将此新应用程序插入到关系拓扑网络中。
针对目前的应用程序推荐系统多以应用程序的上下文信息作为基础来向用户推荐应用程序,使得推荐的应用程序无法体现用户的真实意图的问题,本发明以相关度计算结果和关系分类结果为基础,构造一个面向应用程序的关系拓扑网络,该网络中的顶点为应用程序,边为应用程序之间的关系类型,边的值为关系的权值(由迭代的相关度计算方法得出)。并以此关系拓扑网络为基础,实现面向应用程序的原型推荐系统,通过全面及准确的关系拓扑网络,可以提供准确的推荐结果。
在本发明的一些实施例中,步骤103根据应用程序之间所属的分类关系向用户推荐应用程序之前,本发明实施例提供的应用程序的推荐方法,还包括如下步骤:
B1、根据用户的日志信息对向用户推荐的应用程序进行过滤,得到过滤后的可推荐应用程序;
在这种实现场景下,步骤103根据应用程序之间所属的分类关系向用户推荐应用程序,具体为:将过滤后的可推荐应用程序推荐给用户。
也就是说,在确定出向用户推荐的应用程序之后,还可以根据用户的日志信息进行过滤,以提高向用户推荐的应用程序的精准度。例如当用户检索到某一应用程序时,可以按照不同的关系分类向用户推荐应用程序,并可以将上述的推荐结果和用户的搜索或安装日志相结合,从日志中挖掘出用户的倾向性,进一步对推荐结果进行过滤。
通过以上实施例对本发明实施例的描述可知,首先根据应用程序的评论信息和描述信息确定应用程序之间是否存在相关性,若应用程序之间存在相关性,接下来根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出应用程序之间所属的分类关系,最后根据应用程序之间所属的分类关系向用户推荐应用程序。由于在用户对应用程序的评论中通常包含有用户观点和用户对应用程序的需求态度,使得使用应用程序的评论信息和描述信息可判断出应用程序之间是否存在相关性。这种以用户对应用程序的评论作为计算依据的方法可挖掘出应用程序之间存在深层次的相关性,从而可以描述出应用程序之间存在的广泛的相关性。在应用程序之间存在相关性时,进一步可通过应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出应用程序之间所属的分类关系,当用户使用某个应用程序时,根据应用程序之间所属的分类关系向该用户推荐满足上述分类关系的应用程序,从而提高向用户推荐应用程序的效果。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
为便于更好的实施本发明实施例的上述方案,下面还提供用于实施上述方案的相关装置。
请参阅图4-a所示,本发明实施例提供的一种应用程序的推荐装置400,可以包括:相关性确定模块401、关系分类模块402、推荐模块403,其中,
相关性确定模块401,用于根据应用程序的评论信息和描述信息确定应用程序之间是否存在相关性;
关系分类模块402,用于若所述应用程序之间存在相关性,根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出所述应用程序之间所属的分类关系;
推荐模块403,用于根据所述应用程序之间所属的分类关系向用户推荐应用程序。
在本发明的一些实施例中,所述相关性确定模块401,具体用于根据应用程序的评论信息计算应用程序之间的评论相似度,若所述评论相似度大于或等于预置的评论阈值,确定所述应用程序之间存在相关性,若所述评论相似度小于预置的评论阈值,确定所述应用程序之间不存在相关性;和/或,根据应用程序的描述信息计算应用程序之间的描述相似度,若所述描述相似度大于或等于预置的描述阈值,确定所述应用程序之间存在相关性,若所述描述相似度小于预置的描述阈值,确定所述应用程序之间不存在相关性。
在本发明的一些实施例中,所述关系分类模块402,用于根据预置的应用程序之间的关系分类特征,在训练语料的基础上,使用分类器计算出在所述关系分类体系中所述应用程序之间所属的分类关系。
在本发明的一些实施例中,请参阅如图4-b所示,相对于如图4-a所示的应用程序的推荐装置,所述应用程序的推荐装置400,还包括:训练模块404,用于所述关系分类模块402根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出所述应用程序之间所属的分类关系之前,从样例中选择成对的应用程序对构造关系分类的训练语料;在所述训练语料的基础上,使用所述样例中成对的应用程序对训练出分类器。
在本发明的一些实施例中,所述训练模块404,还用于从样例中选择成对的应用程序对构造关系分类的训练语料之后,采用自助学习的方法,自动扩充所述训练语料。
在本发明的一些实施例中,所述推荐模块403,具体用于根据所述应用程序之间所属的分类关系构建出应用程序之间的关系拓扑网络;使用关系拓扑网络向用户推荐应用程序。
在本发明的一些实施例中,请参阅如图4-c所示,相对于如图4-a所示的应用程序的推荐装置,所述应用程序的推荐装置400,还包括:过滤模块405,用于所述推荐模块403根据所述应用程序之间所属的分类关系向用户推荐应用程序之前,根据用户的日志信息对向用户推荐的应用程序进行过滤,得到过滤后的可推荐应用程序;
所述推荐模块403,具体用于将过滤后的可推荐应用程序推荐给所述用户。
在本发明的一些实施例中,所述关系分类特征包括:应用程序之间的描述共现词语数目、应用程序之间的评论共现词语数目、应用程序之间的评论相似度、应用程序之间的描述相似度。
在本发明的一些实施例中,所述关系分类体系包括:部分与整体关系、相似关系、受事与事件关系、工具关系、目的关系、描述关系、相对关系、材料关系、平行关系。
通过以上实施例对本发明实施例的描述可知,首先根据应用程序的评论信息和描述信息确定应用程序之间是否存在相关性,若应用程序之间存在相关性,接下来根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出应用程序之间所属的分类关系,最后根据应用程序之间所属的分类关系向用户推荐应用程序。由于在用户对应用程序的评论中通常包含有用户观点和用户对应用程序的需求态度,使得使用应用程序的评论信息和描述信息可判断出应用程序之间是否存在相关性。这种以用户对应用程序的评论作为计算依据的方法可挖掘出应用程序之间存在的深层次的相关性,从而可以描述出应用程序之间存在的广泛的相关性。同时在应用程序之间存在相关性时,进一步通过应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出应用程序之间所属的分类关系,当用户使用某个应用程序时,根据应用程序之间所属的分类关系向该用户推荐满足上述分类关系的应用程序,从而提高向用户推荐应用程序的效果。
本发明实施例还提供了一种执行应用程序的推荐方法的服务器,如图5所示,为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。图5是本发明实施例提供的一种服务器结构示意图,该服务器500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)522(例如,一个或一个以上处理器)和存储器532,一个或一个以上存储应用程序542或数据544的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器532和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器522可以设置为与存储介质530通信,在服务器500上执行存储介质530中的一系列指令操作。
服务器500还可以包括一个或一个以上电源526,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口558,和/或,一个或一个以上操作系统541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的应用程序的推荐方法可以基于该图5所示的服务器结构。
通过以上实施例对本发明实施例的描述可知,首先根据应用程序的评论信息和描述信息确定应用程序之间是否存在相关性,若应用程序之间存在相关性,接下来根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出应用程序之间所属的分类关系,最后根据应用程序之间所属的分类关系向用户推荐应用程序。由于在用户对应用程序的评论中通常包含有用户观点和用户对应用程序的需求态度,使得使用应用程序的评论信息和描述信息可判断出应用程序之间是否存在相关性。这种以用户对应用程序的评论作为计算依据的方法可挖掘出应用程序之间存在深层次的相关性,从而可以描述出应用程序之间存在的广泛的相关性。在应用程序之间存在相关性时,进一步通过应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出应用程序之间所属的分类关系,当用户使用某个应用程序时,根据应用程序之间所属的分类关系向该用户推荐满足上述分类关系的应用程序,从而提高向用户推荐应用程序的效果。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘,U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
综上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照上述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对上述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种应用程序的推荐方法,其特征在于,包括:
根据应用程序的评论信息和描述信息以及互指导的迭代计算方式,确定应用程序之间是否存在相关性,所述应用程序的评论信息反映了用户对应用程序的需求;
若所述应用程序之间存在相关性,从样例中选择成对的应用程序对构造关系分类的训练语料;
采用自助学习结合半监督学习选择应用程序对来扩大训练语料库;
在所述训练语料的基础上,使用所述样例中成对的应用程序对训练出分类器;
根据预置的应用程序之间的关系分类特征,在所述训练语料的基础上,使用分类器计算出在关系分类体系中应用程序之间所属的分类关系;
根据所述应用程序之间所属的分类关系向用户推荐能够满足所述用户需求的应用程序;
其中,在训练分类器时,使用所述训练语料对应用程序间的关系分类特征赋予合适的权值,分类器利用所述特征对任一未确定分类关系类型的应用对确定分类关系类型;
其中,所述自助学习是自动完成任务,不需要用户的参与或不需要用户提供材料;所述半监督学习是在自助学习的基础上,通过设置先验知识,由设备自身自动补充,并加以完善,所述先验知识是不完全的。
2.根据权利要求1所述的方法,其特征在于,所述根据应用程序的评论信息和描述信息以及互指导的迭代计算方式,确定应用程序之间是否存在相关性,包括:
根据应用程序的评论信息计算应用程序之间的评论相似度,若所述评论相似度大于或等于预置的评论阈值,确定所述应用程序之间存在所述相关性,若所述评论相似度小于预置的评论阈值,确定所述应用程序之间不存在所述相关性;
和/或,
根据应用程序的描述信息计算应用程序之间的描述相似度,若所述描述相似度大于或等于预置的描述阈值,确定所述应用程序之间存在所述相关性,若所述描述相似度小于预置的描述阈值,确定所述应用程序之间不存在所述相关性。
3.根据权利要求1所述的方法,其特征在于,所述根据所述应用程序之间所属的分类关系向用户推荐应用程序,包括:
根据所述应用程序之间所属的分类关系构建出应用程序之间的关系拓扑网络;
使用关系拓扑网络向用户推荐应用程序。
4.根据权利要求1所述的方法,其特征在于,所述根据所述应用程序之间所属的分类关系向用户推荐应用程序之前,所述方法还包括:
根据用户的日志信息对向用户推荐的应用程序进行过滤,得到过滤后的可推荐应用程序;
根据所述应用程序之间所属的分类关系向用户推荐应用程序,具体为:将过滤后的可推荐应用程序推荐给所述用户。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述关系分类特征包括:应用程序之间的描述共现词语数目、应用程序之间的评论共现词语数目、应用程序之间的评论相似度、应用程序之间的描述相似度。
6.根据权利要求1至4中任一项所述的方法,其特征在于,所述关系分类体系包括:部分与整体关系、相似关系、受事与事件关系、工具关系、目的关系、描述关系、相对关系、材料关系、平行关系。
7.一种应用程序的推荐装置,其特征在于,包括:
相关性确定模块,用于根据应用程序的评论信息和描述信息以及互指导的迭代计算方式,确定应用程序之间是否存在相关性,所述应用程序的评论信息反映了用户对应用程序的需求;
关系分类模块,用于若所述应用程序之间存在相关性,从样例中选择成对的应用程序对构造关系分类的训练语料;采用自助学习结合半监督学习选择应用程序对来扩大训练语料库;在所述训练语料的基础上,使用所述样例中成对的应用程序对训练出分类器;根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出所述应用程序之间所属的分类关系;
推荐模块,用于根据所述应用程序之间所属的分类关系向用户推荐能够满足所述用户需求的应用程序;
其中,在训练分类器时,使用所述训练语料对应用程序间的关系分类特征赋予合适的权值,分类器利用所述特征对任一未确定分类关系类型的应用对确定分类关系类型;
其中,所述自助学习是自动完成任务,不需要用户的参与或不需要用户提供材料;所述半监督学习是在自助学习的基础上,通过设置先验知识,由设备自身自动补充,并加以完善,所述先验知识是不完全的。
8.根据权利要求7所述的装置,其特征在于,所述应用程序的推荐装置,还包括:训练模块,用于所述关系分类模块根据预置的应用程序之间的关系分类特征从面向应用程序的关系分类体系中确定出所述应用程序之间所属的分类关系之前,从样例中选择成对的应用程序对构造关系分类的训练语料;在所述训练语料的基础上,使用所述样例中成对的应用程序对训练出分类器。
9.一种应用程序的推荐设备,其特征在于,包括:处理器和存储器;
所述处理器用于执行所述存储器中存储的计算机程序;
所述存储器用于存储计算机程序,所述计算机程序用于执行权利要求1-6任一项所述应用程序的推荐方法。
10.一种存储介质,其特征在于,包括若干指令用以执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510123052.2A CN104750798B (zh) | 2015-03-19 | 2015-03-19 | 一种应用程序的推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510123052.2A CN104750798B (zh) | 2015-03-19 | 2015-03-19 | 一种应用程序的推荐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104750798A CN104750798A (zh) | 2015-07-01 |
CN104750798B true CN104750798B (zh) | 2020-09-29 |
Family
ID=53590482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510123052.2A Active CN104750798B (zh) | 2015-03-19 | 2015-03-19 | 一种应用程序的推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104750798B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677695B (zh) * | 2015-09-28 | 2019-03-08 | 杭州圆橙科技有限公司 | 一种基于内容的计算移动应用相似性的方法 |
CN105956072A (zh) * | 2016-04-29 | 2016-09-21 | 广州优视网络科技有限公司 | 一种应用程序的相关推荐列表的生成方法及装置 |
CN105956083A (zh) * | 2016-04-29 | 2016-09-21 | 广州优视网络科技有限公司 | 应用软件分类系统、应用软件分类方法及服务器 |
CN106682056B (zh) * | 2016-07-15 | 2018-11-20 | 腾讯科技(深圳)有限公司 | 不同应用软件之间相互关系的确定方法、装置及系统 |
CN106682058B (zh) * | 2016-08-08 | 2020-11-03 | 腾讯科技(深圳)有限公司 | 应用程序的筛选方法、装置和系统 |
CN108255522A (zh) * | 2016-12-27 | 2018-07-06 | 北京金山云网络技术有限公司 | 一种应用程序分类方法及装置 |
CN107590672B (zh) * | 2017-03-17 | 2021-01-22 | 南方科技大学 | 基于马斯洛需求层次理论的推荐方法及装置 |
CN108170794B (zh) * | 2017-12-27 | 2020-12-29 | 杭州网易云音乐科技有限公司 | 信息推荐方法及装置、存储介质和电子设备 |
CN109189892B (zh) * | 2018-09-17 | 2021-04-27 | 北京一点网聚科技有限公司 | 一种基于文章评论的推荐方法及装置 |
CN111831889A (zh) * | 2019-04-15 | 2020-10-27 | 泰康保险集团股份有限公司 | 基于区块链的虚拟健身应用推荐方法及装置 |
CN110472148A (zh) * | 2019-07-31 | 2019-11-19 | 维沃移动通信有限公司 | 应用推荐方法及终端设备 |
CN110457122B (zh) * | 2019-07-31 | 2022-02-22 | 中国工商银行股份有限公司 | 任务处理方法、任务处理装置和计算机系统 |
CN111833096A (zh) * | 2020-06-10 | 2020-10-27 | 北京龙云科技有限公司 | 一种基于机器学习的广告推荐方法及系统 |
CN112597284B (zh) * | 2021-03-08 | 2021-06-15 | 中邮消费金融有限公司 | 公司名称的匹配方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103853606A (zh) * | 2012-11-29 | 2014-06-11 | 北京三星通信技术研究有限公司 | 切换应用程序的方法及设备 |
CN104216971A (zh) * | 2014-08-26 | 2014-12-17 | 小米科技有限责任公司 | 应用程序的索引方法及装置 |
CN104427118A (zh) * | 2013-09-06 | 2015-03-18 | 华为技术有限公司 | 一种内容推荐的方法及移动终端 |
CN104090967B (zh) * | 2014-07-16 | 2017-08-25 | 北京智谷睿拓技术服务有限公司 | 应用程序推荐方法及推荐装置 |
-
2015
- 2015-03-19 CN CN201510123052.2A patent/CN104750798B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103853606A (zh) * | 2012-11-29 | 2014-06-11 | 北京三星通信技术研究有限公司 | 切换应用程序的方法及设备 |
CN104427118A (zh) * | 2013-09-06 | 2015-03-18 | 华为技术有限公司 | 一种内容推荐的方法及移动终端 |
CN104090967B (zh) * | 2014-07-16 | 2017-08-25 | 北京智谷睿拓技术服务有限公司 | 应用程序推荐方法及推荐装置 |
CN104216971A (zh) * | 2014-08-26 | 2014-12-17 | 小米科技有限责任公司 | 应用程序的索引方法及装置 |
Non-Patent Citations (1)
Title |
---|
Serendipitous Recommendation for Mobile Apps Using Item-Item Similarity Graph;Upasna Bhandari et al.;《Information Retrieval Technology.AIRS 2013.Lecture Notes in Computer Science》;20131231;第440-451页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104750798A (zh) | 2015-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104750798B (zh) | 一种应用程序的推荐方法和装置 | |
CN109101620B (zh) | 相似度计算方法、聚类方法、装置、存储介质及电子设备 | |
CN105224699B (zh) | 一种新闻推荐方法及装置 | |
CN107506480B (zh) | 一种基于评论挖掘与密度聚类的双层图结构推荐方法 | |
CN105005589B (zh) | 一种文本分类的方法和装置 | |
CN111400432B (zh) | 事件类型信息处理方法、事件类型识别方法及装置 | |
CN105809473B (zh) | 匹配模型参数的训练方法、服务推荐方法及对应装置 | |
CN107180093B (zh) | 信息搜索方法及装置和时效性查询词识别方法及装置 | |
US20170193086A1 (en) | Methods, devices, and systems for constructing intelligent knowledge base | |
US20230177360A1 (en) | Surfacing unique facts for entities | |
CN110147421B (zh) | 一种目标实体链接方法、装置、设备及存储介质 | |
CN108509479B (zh) | 实体推荐方法及装置、终端及可读存储介质 | |
CN109388743B (zh) | 语言模型的确定方法和装置 | |
CN109241243B (zh) | 候选文档排序方法及装置 | |
CN103150667B (zh) | 一种基于本体结构的个性化推荐方法 | |
WO2020114108A1 (zh) | 聚类结果的解释方法和装置 | |
CN107832297B (zh) | 一种面向特征词粒度的领域情感词典构建方法 | |
WO2018176913A1 (zh) | 搜索方法、装置及非临时性计算机可读存储介质 | |
CN111291177A (zh) | 一种信息处理方法、装置和计算机存储介质 | |
CN110688452A (zh) | 一种文本语义相似度评估方法、系统、介质和设备 | |
CN106126605A (zh) | 一种基于用户画像的短文本分类方法 | |
CN112632261A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN112579729A (zh) | 文档质量评价模型的训练方法、装置、电子设备和介质 | |
WO2020147259A1 (zh) | 一种用户画像方法、装置、可读存储介质及终端设备 | |
CN107665222B (zh) | 关键词的拓展方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |