CN105912563B - 一种基于心理学知识赋予机器人工智能学习的方法 - Google Patents
一种基于心理学知识赋予机器人工智能学习的方法 Download PDFInfo
- Publication number
- CN105912563B CN105912563B CN201610168366.9A CN201610168366A CN105912563B CN 105912563 B CN105912563 B CN 105912563B CN 201610168366 A CN201610168366 A CN 201610168366A CN 105912563 B CN105912563 B CN 105912563B
- Authority
- CN
- China
- Prior art keywords
- keyword
- user
- document
- anlage
- value
- 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; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Abstract
本申请公开了一种基于心理学知识赋予机器人工智能学习的方法,包括以下步骤:a.对文档库中的文档进行分词和智能摘要预处理,得到关键词,对得到的关键词进行相关性分析,处理上述步骤提供的值,计算得出关键词针对该篇文档的关键度分值,得到带有赋值的关键词;b.按照心理学知识对用户性格分析得用户性格倾向值;c.将步骤b得到的性格倾向值与步骤a中得到的关键词关键度分值匹配,得到带有性格倾向属性的文档库;d.用户发起访问请求时,所述带有性格倾向属性的文档库给出带有性格倾向属性的文档。本申请,基于用户性格的推荐办法,可以实现特定时空维度及场景维度下对用户行为作出准确的预判,以此办法亦可预测用户真正会看的内容并予以推荐。
Description
技术领域
本发明涉及个性化推荐引擎(计算机人工智能)领域,尤其涉及一种基于心理学知识赋予机器人工智能学习的方法。
背景技术
个性化推荐引擎的优劣表现是在针对于互联网用户进行精准内容推荐的命中率上。准确的内容推荐会对用户带来便捷和帮助,而非精准的内容推荐会导致用户反感、浪费互联网资源及内容本身的生产者。
目前应用个性化推荐技术的领域非常多,例如移动互联网阅读、移动互联网金融、互联网广告网络等等,但即使在大数据的行为推演下用户的意图和下一步行为仍很难向个性化方向发展。现在的个性化推荐引擎,大多都是从众引擎。就是大家看了这个也会看那个,大家买了这个也买了那个的方式进行推荐,这种推荐是基于经验的和从众的推荐,并不真正符合个性化推荐的范畴。
本发明基于心理学知识关联的推荐方法,综合考虑内容所蕴含的关键词之间、关键词本身所具有的关键度特性。通过赋予内容心理学性格特征的方法,使得推荐过程中继承到用户属性上。以性格倾向性的得分,对用户进行性格范围内的独一无二的个性化内容推荐。基于用户性格的推荐办法,可以实现特定时空维度及场景维度下对用户作出准确的行为预判,以此办法亦可预测用户真正会看的内容并予以推荐。
发明内容
本申请解决的主要问题是提供一种基于心理学知识赋予机器人工智能学习的方法,以解决无法实现的为用户提供专属学习内容推介服务的技术问题。
为了解决上述技术问题,本发明公开了一种基于心理学知识赋予机器人工智能学习的方法,其特征在于包括以下步骤:
a.对文档库中的文档进行分词和智能摘要预处理,所述分词和智能摘要预处理,包括:获取对应的特定词,并对获取的特定词进行过滤去除无意义特定词得到关键词;
对得到的关键词进行相关性分析,所述相关性分析,包括:语义相似度计算,构建关键词关系网络,计算出关键词阈值;
所述相关性分析,还包括:关键词密度分析及赋值,关键词同公网热门关键词匹配赋值;
处理上述步骤提供的值,计算得出关键词针对该篇文档的关键度分值,得到带有赋值的关键词;
b.按照心理学知识对用户性格进行特征提取并进行分词对照,对用户性格倾向赋值;
c.将步骤b得到的性格倾向值与步骤a中得到的关键词关键度分值匹配,得到带有性格倾向属性的文档库;
d.用户发起访问请求时,所述带有性格倾向属性的文档库给出带有性格倾向属性的文档。
进一步的,所述获取对应的特定词,并对获取的特定词进行过滤去除无意义特定词得到关键词的步骤,包括:基于语义分析的中文文本特定词提取及分词、词性分析、应用动态过滤算法过滤特定词。
进一步的,所述应用动态过滤算法过滤特定词的方法,包括:经过公网及应用反馈的新词动态入库即时响应。
进一步的,所述相关性分析,还包括:计算并应用关键词之间的阈值。
进一步的,对所述关键词密度分析及赋值同时对关键词同公网热门关键词匹配赋值,所述关键词命中公网热门关键词则获较高权重加持。
进一步的,所述关键词的关键度以关键度分值的形式体现。
进一步的,所述按照心理学知识对用户性格进行特征提取并进行分词对照的步骤,包括:对性格特征的识别,对不同性格对应的喜好、偏好、行为进行特征提取,根据心理学理论的性格赋值倾向性对性格中对应喜好喜好、偏好、行为提取分值。
进一步的,步骤d,还包括:用户获取带有性格倾向的文档,利用所述文档中关键词分值完善用户性格倾向值。
进一步的,所述步骤d,还包括:利用完善的用户性格倾向值对用户的下一步行为作出预测。
与现有技术相比,本申请所述的一种基于心理学知识赋予机器人工智能学习的方法,达到了如下效果:
(1)方法合理科学,实施简单;
(2)以客户性格特征为依据,为客户进行独一无二的个性化内容推荐。
(3)采用语义与密度相结合的验证方法,更好的满足用户的动态需求;
(4)方便了人们的学习生活提高了学习效率;
(5)用户在使用过程能够更加用户个人个性化配置,交互体验良好;
(6)本方法提供的体系建立迅速,可靠性高。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例1所述的一种基于心理学知识赋予机器人工智能学习的方法的流程示意图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技 术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
以下结合附图对本申请作进一步详细说明,但不作为对本申请的限定。
实施例1
如图1所示,为本实施例1提供的一种基于心理学知识赋予机器人工智能学习的方法流程示意图,其特征在于包括以下步骤:
a.对文档库中的文档100进行分词和智能摘要预处理200,所述分词和智能摘要预处理,包括:获取对应的特定词210,并对获取的特定词进行过滤220,去除无意义特定词得到关键词;具体实施办法可以为:(1)通过词库中的词对文档(A)进行初步的机器分词预处理,获得文档(A)的特定词组(特定词1,特定词2,特定词3…特定词N);(2)根据词性分析,过滤掉无意义特定词,得到关键词。
对得到的关键词进行相关性分析300,所述相关性分析,包括:语义相似度计算311,构建关键词关系网络312,计算出关键词阈值313;
具体算法为将文档(A)100划分为4个区域,分别为标题、开头、中间、结尾。2个关键词在同一区域出现的频率大于设定的阈值(>0-2),则认为它们有联系并存在关系链接,并构建其关键词关系网络。链接为特定文档产生,但会共享。在步骤2中单一关键词的位置权重获取公式为Score(loc)=∑4 j=1locwjlocij
其中Locwj为关键词在文档(A)100中出现的位置,我们分为1标题,2开头,3中间,4结尾。赋予的分值分别对应0.3,0.15,0.075,0.0375,Locij拥有2个值,分别为0和1。其中关键词所处位置的所占分值是可以人工及机器干预的。
所述相关性分析300,还包括:关键词密度分析及赋值314,关键词同公网热门关键词匹配赋值315;
关键词频密度分析计算公式为
,
其中ni是关键词(wi)在文档(A)中出现的次数。其中分母是文档(A)中所有被提取出的关键词出现的次数总和。该关键词词频越大,所占权重越高。其中关键词(wi)在文档(A)中的(TF-IDF)tfidfi计算公式为Tfidfi=tfi×idfi。
对关键词进行公网热门关键词匹配的计算公式为
Score(top)=∑4 t=1topwt×topit
其中topit包含2个值,分别为0和1。0代表该关键词未出现在公网热门词库中,1代表出现在公网热门词库中。当该关键词命中t1时表示为24小时内热门赋值+0.15,当命中t2时表示为7天内热门赋值+0.1,当命中t3时表示为30天内热门赋值+0.04,当命中t4时表示为历史热门赋值+0.01。
处理上述步骤提供的值410,计算得出关键词针对该篇文档(A)的关键度分值,得到带有赋值的关键词420;具体处理方式为:
通过计算会得出该关键词(wi)在文档(A)100中的关键度分值,其计算公式为
公式完整版展开为:
公式说明
Score(Wi)词语在文章中的关键度评分
Tw为统计特征值的权重本发明中此处定义为0.8,Tw的权重可根据算法优化、查全率、查准率、召回率等进行调整。
Locwj为词语出现的位置t的权重,我们分为1标题,2开头,3中间,4结尾
赋予的分值为0.3,0.15,0.075,0.0375
locij有2个值,分别为0的时候Wi未出现在位置J上,为1的时候表示Wi出现在了位置J上。
POSw表示统计特征中词性所占的权重,本发明中赋值词语关键度评分的时候,设定POSw权重0.15,实际应用中可根据需要进行调整。
Posi表示Wi的词性值。(0.2-0.8),本发明中针对词性的词性值标准如下
(形容词0.5,副词0.3,名形词0.6,成语0.6,简称0.7,惯用词0.6,动词0.3,动语素0.2,副动词0.4,动名词0.6,名词0.8,产品词0.8)词性预留拓展接口,可随机器学习过程进行拓展和自行添加。在实际应用中,针对不同词性的赋值可以自由调整。
Tfidfw表示Wi在统计特征中Tf-idf所占的权重,Tfidfw本发明中取值为
Tfidfi表示Wi的Tf-idf值
Tfidfi=tfi×idfi
ni表示该关键词在文档中出现的次数,∑knk表示所有词语在文档中出现的总和。(现行算法是文档中所有文字出现的字数总和,本发明中的算法是分词中所有提取出的关键词过滤后的比重,这种调整可以大大优化算法运行效率及查全查准率等)出现的关键词字符长度若超过12则其TF值*0.95。
分子A为文档库中所有文档的数量,分母Aw表示文档库中包含当前关键词的所有文档总数。
topwt表示Wi该关键词命中公网热门词库中t维度的权重。
t=1为24小时热门关键词,权重0.15。t=2为7天热门关键词,权重0.1。t=3表示为30天热门关键词,权重0.04。t=4表示为超过30天的热门关键词,权重0.01。
topit表示Wi该关键词是否命中公网热门关键词库。1为命中,0为未命中。
b.按照心理学知识对用户性格进行特征提取并进行分词对照,对用户性格倾向赋值;
c.将步骤b得到的性格倾向值与步骤a中得到的关键词关键度分值匹配,得到带有性格倾向属性的文档库;
d.用户发起访问请求时,所述带有性格倾向属性的文档库给出带有性格倾向属性的文档。
本实施例1提供的一种基于心理学知识赋予机器人工智能学习的方法,可靠性高,实用性强,为使用者提供自己专属的适合学习的内容,大大提高了学习效率。
实施例2
如图1所示,为本实施例1提供的一种基于心理学知识赋予机器人工智能学习的方法流程示意图,其特征在于包括以下步骤:
a.对文档库中的文档100进行分词和智能摘要预处理200,所述分词和智能摘要预处理,包括:获取对应的特定词210,并对获取的特定词进行过滤220,去除无意义特定词得到关键词;可以使结构更加精确,提高方法实施效率。
对得到的关键词进行相关性分析300,所述相关性分析300,包括:语义相似度计算311,构建关键词关系网络312,计算出关键词阈值313;
所述相关性分析300,还包括:关键词密度分析及赋值314,关键词同公网热门关键词匹配赋值315;
处理上述步骤提供的值,计算得出关键词针对该篇文档的关键度分值410,得到带有赋值的关键词420;通过实时机器监控公网热词办法动态调整词库中的公网热门事件及热门关键词,热门词库可人工干预或通过机器经验动态预测干预,可以保证文档关键词的关键度可以最贴合流行度和公网用户关注度的动态变化需求。
b.按照心理学知识500对用户性格进行特征提取并进行分词对照,对用户性格倾向赋值600;
c.将步骤b得到的性格倾向值与步骤a中得到的关键词关键度分值匹配,得到带有性格倾向属性的文档库700;
d.用户800发起访问请求时,所述带有性格倾向属性的文档库给出带有性格倾向属性的文档900。对性格分析是为客户设置独一无二的学习内容推介的关键。
优选地,所述获取对应的特定词,并对获取的特定词进行过滤去除无意义特定词得到关键词的步骤,包括:基于语义分析的中文文本特定词提 取及分词、词性分析、应用动态过滤算法过滤特定词。多样化的采集信息,使方法更科学。
优选地,所述应用动态过滤算法过滤特定词的方法,包括:经过公网及应用反馈的新词动态入库即时响应。满足用户关注度的动态变化需求
优选地,所述相关性分析,还包括:计算并应用关键词之间的阈值。
优选地,对所述关键词密度分析及赋值同时对关键词同公网热门关键词匹配赋值,所述关键词命中公网热门关键词则获较高权重加持。
优选地,所述关键词的关键度以关键度分值的形式体现。
优选地,所述按照心理学知识对用户性格进行特征提取并进行分词对照的步骤,包括:对性格特征的识别,对不同性格对应的喜好、偏好、行为进行特征提取,根据心理学理论的性格赋值倾向性对性格中对应喜好喜好、偏好、行为提取分值。根据用户个人喜好等数据,为客户提供更人文科学的服务。
优选地,步骤d,还包括:用户获取带有性格倾向的文档,利用所述文档中关键词分值完善用户性格倾向值。将为客户提供越来越优质的的服务,使用户在过了新事物新新鲜感后,还可以更好的接受服务。
优选地,所述步骤d,还包括:利用完善的用户性格倾向值对用户的下一步行为作出预测。可以及时的满足用户需求,使用户体验更好,学习寻找资料更加便捷有效。
应用实施例1
为了更明白阐述上述实施例1、实施例2中方IDF的算法的可操作性及优越性,首先设定库内所有文章为100000000篇,过滤器筛选出包含手机的文章为700万篇,包含智能的文章为1800万篇,包含iphone7的文章为6万篇)。在文章(A)中提取出3个关键词分别为“iphone7”“手机”“智能”(本发明在对关键词提取时对iphone7同iphone 7根据语义分析的匹配性 定义为雷同关键词进行归一处理)。
文章(A)中“手机”出现5次,“智能”出现7次,“iphone7”出现11次。应用本发明实施例1中公式计算关键词关键度:
表1
文章(A) | 手机 | 智能 | Iphone7 |
关键度 | 0.47931111370646 | 0.64588304913921 | 0.94221599812349 |
以上得出了文章(A)中其关键词所拥有的关键度分值。
根据上方实例中给出的数据进行关键词之间的关系度及关系网络建立的实例说明
词语Wi与Wj的关系度算法如下:
Aij表示同时包含Wi及关键词Wj的文档总数
Ai表示包含Wi但不包含Wj的文档总数
TOPtj表示热门词库的热门度在词语关键度评分中的热度值
利用实施例1中公式计算“iphone7”同“手机”之间的关联度.
首先利用分词算法,得到Aij同时包含“iphone7”和“手机”关键词的文档数量为59000篇。而包含iphone7的文章为6万篇.
通过公式算出iphone7同手机之间的关联度为0.9833。相当高的关联度。
如果我们假设下所有包含iphone7关键词的文章都包含手机,那么这个数值是趋向与1的,那么本发明是否可以得出iphone7就是手机?而对我们来讲我们当然知道iphone7就是手机。
应用实施例2
设定库内所有文章为100000000篇,过滤器筛选出包含手机的文章为700万篇,包含智能的文章为1800万篇,包含iphone7的文章为6万篇。
对文章D利用上述实施例1中的公式计算“iphone7”同“手机”之间的关联度.
首先分词算法得到Aij,包含iphone7的文章为6万篇,同时包含“iphone7”和“手机”关键词的文档数量为59000篇,所有文章中包含“苹果”关键词文章为600万篇,同时包含“苹果”和“手机”的150万篇,同时包含“苹果”和“iphone7”的58990篇,同时包含“iphone7”和“手机”“苹果”的文章为58990.
iphone7同“苹果”“手机”之间的关联按照上述实施例1给出公式计算。
计算iphone7同“苹果”之间的关联:
这个时候如果恰好“苹果手机”是TOP热门关键词,那么score(Wij)就会溢出
此时需要加一个阻尼dw,定义dw为0.8
由此得出如表2所示的关联度
表2
Iphone7 | 手机 | 苹果 | |
Iphone7 | 1 | 0.9833 | 0.9817 |
手机 | 0.2084 | 1 | 0.3124 |
苹果 | 0.2392 | 0.2500 | 1 |
配对运算的结果,分析下“iphone7“与“苹果手机”组合词的关联度,如表3所示:
表3
本发明通过这个条目知道了iphone7有0.9833的倾向性属于“手机”而且是0.9817倾向于“苹果手机”。
同级词之间关联性建立
如利用本发明分词出来的文章Di的关键词关联度如表4、表5所示:
表4
文章D<sub>i</sub> | 手机 | 智能 | Iphone7 |
关键度/代表度 | 0.4294607816 | 0.5344729768 | 0.92931151192 |
表5
关联性/分类归属性 | Iphone7 | 手机 | 苹果 |
Iphone7 | 1 | 0.9833 | 0.9817 |
手机 | 0.2084 | 1 | 0.3124 |
苹果 | 0.2392 | 0.2500 | 1 |
文章Dj的关键词关联度如表6、表7所示:
表6
文章D<sub>j</sub> | 手机 | 智能 | Galaxy S7 |
关键度/代表度 | 0.4294607816 | 0.5344729768 | 0.92931151192 |
表7
本发明根据以上实例说明我们可以通过关键词之间的关联性分析获得关键词之间的关联性及归属。例用以上实例中方法,我们通过运算,机器已经知道Iphone7倾向归属苹果手机,而Galaxy S7倾向归属三星手机并实现关键词在文章中的关键度赋值。
应用实施例3
根据荣格的心理学知识我们将性格分为16种,每种性格都由不同的性格元素组成,我们已经在心理学专家团队的帮助下建立了性格喜好倾向性的标签矩阵,其根据下表8所示生成。
表8
E | I | N | S | T | F | J | P |
外向 | 内向 | 直觉 | 感觉 | 思考 | 情感 | 判断 | 知觉 |
根据实例中我们提取出来的关键词会同我们矩阵中的与性格已有关联的顶级关键字(分类)的映射进行配对。命中顶级关键词的为直接命中,未直接命中顶级关键词的则命中分类。
与文档赋值的关键词匹配处理,得到性格雷达图。
用户通过前端网络请求访问该文档(A)时,将会继承该性格雷达,用户请求次数越多,该性格雷达图会越清晰,对用户的下一步行为预测会更加精准。本发明中机器通过心理学知识搭建的顶级关键词矩阵体系拥有了对用户性格分析的自学习系统,并掌握了关键词之间的关系网及文章之间的关联度网络,可以说真正解决了推荐引擎中的个性化,以及大大提高了机器在文字处理的优先级判断能力。
与现有技术相比,上述实施例所述的一种基于心理学知识赋予机器人工 智能学习的方法,达到了如下效果:
(1)方法合理科学,实施简单;
(2)以客户性格特征为依据,为客户进行独一无二的个性化内容推荐。
(3)采用语义与密度相结合的验证方法,更好的满足用户的动态需求;
(4)方便了人们的学习生活提高了学习效率;
(5)用户在使用过程能够更加用户个人个性化配置,交互体验良好;
(6)本方法提供的体系建立迅速,可靠性高。
由于方法部分已经对本申请实施例进行了详细描述,这里对实施例中涉及的系统与方法对应部分的展开描述省略,不再赘述。对于系统中具体内容的描述可参考方法实施例的内容,这里不再具体限定。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求的保护范围内。
Claims (9)
1.一种基于心理学知识赋予机器人工智能学习的方法,其特征在于,包括以下步骤:
a.对文档库中的文档进行分词和智能摘要预处理,所述分词和智能摘要预处理,包括:获取对应的特定词,并对获取的特定词进行过滤去除无意义特定词,得到关键词;
对得到的关键词进行相关性分析,所述相关性分析,包括:语义相似度计算,构建关键词关系网络,计算出关键词阈值;
所述相关性分析,还包括:关键词密度分析及赋值,关键词同公网热门关键词匹配赋值;
处理上述步骤提供的值,计算得出关键词针对该篇文档的关键度分值,得到带有赋值的关键词;
b.按照心理学知识对用户性格进行特征提取并进行分词对照,对用户性格倾向赋值;
c.将步骤b得到的性格倾向值与步骤a中得到的关键词关键度分值匹配,得到带有性格倾向属性的文档库;
d.用户发起访问请求时,所述带有性格倾向属性的文档库给出带有性格倾向属性的文档。
2.根据权利要求1所述的基于心理学知识赋予机器人工智能学习的方法,其特征在于,所述获取对应的特定词,并对获取的特定词进行过滤去除无意义特定词得到关键词的步骤,包括:基于语义分析的中文文本特定词提取及分词、词性分析、应用动态过滤算法过滤特定词。
3.根据权利要求2所述的基于心理学知识赋予机器人工智能学习的方法,其特征在于,所述应用动态过滤算法过滤特定词的方法,包括:经过公网及应用反馈的新词动态入库即时响应。
4.根据权利要求1所述的基于心理学知识赋予机器人工智能学习的方法,其特征在于,所述相关性分析,还包括:计算并应用关键词之间的阈值。
5.根据权利要求1所述的基于心理学知识赋予机器人工智能学习的方法,其特征在于,对所述关键词密度分析及赋值同时对关键词同公网热门关键词匹配赋值,所述关键词命中公网热门关键词则获权重加持。
6.根据权利要求1所述的基于心理学知识赋予机器人工智能学习的方法,其特征在于,所述关键词的关键度以关键度分值的形式体现。
7.根据权利要求1所述的基于心理学知识赋予机器人工智能学习的方法,其特征在于,所述按照心理学知识对用户性格进行特征提取并进行分词对照的步骤,包括:对性格特征的识别,对不同性格对应的喜好、偏好、行为进行特征提取,根据心理学理论的性格赋值倾向性对性格中对应喜好、偏好、行为提取分值。
8.根据权利要求1所述的基于心理学知识赋予机器人工智能学习的方法,其特征在于,步骤d,还包括:用户获取带有性格倾向的文档,利用所述文档中关键词分值完善用户性格倾向值。
9.根据权利要求8所述的基于心理学知识赋予机器人工智能学习的方法,其特征在于:所述步骤d,还包括:利用完善的用户性格倾向值对用户的下一步行为作出预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610168366.9A CN105912563B (zh) | 2016-03-23 | 2016-03-23 | 一种基于心理学知识赋予机器人工智能学习的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610168366.9A CN105912563B (zh) | 2016-03-23 | 2016-03-23 | 一种基于心理学知识赋予机器人工智能学习的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105912563A CN105912563A (zh) | 2016-08-31 |
CN105912563B true CN105912563B (zh) | 2019-04-02 |
Family
ID=56744459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610168366.9A Active CN105912563B (zh) | 2016-03-23 | 2016-03-23 | 一种基于心理学知识赋予机器人工智能学习的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105912563B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951964A (zh) * | 2017-03-20 | 2017-07-14 | 海桂珍 | 一种基于心理学知识的人工智能学习系统及其方法 |
CN109254993B (zh) * | 2017-07-07 | 2021-06-01 | 掌沃云科技(北京)有限公司 | 一种基于文本的性格数据分析方法及系统 |
CN110580947B (zh) * | 2019-07-29 | 2022-11-01 | 话媒(广州)科技有限公司 | 一种基于交互的心理分析方法及装置 |
CN110647678B (zh) * | 2019-09-02 | 2022-11-15 | 杭州数理大数据技术有限公司 | 一种基于用户性格标签的推荐方法 |
CN116030940A (zh) * | 2023-03-30 | 2023-04-28 | 西昌学院 | 一种基于大数据的心理评测管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049474A (zh) * | 2011-10-25 | 2013-04-17 | 微软公司 | 搜索查询和文档相关数据翻译 |
CN103577462A (zh) * | 2012-08-02 | 2014-02-12 | 北京百度网讯科技有限公司 | 一种文档分类方法及装置 |
CN103699625A (zh) * | 2013-12-20 | 2014-04-02 | 北京百度网讯科技有限公司 | 基于关键词进行检索的方法及装置 |
CN105095183A (zh) * | 2014-05-22 | 2015-11-25 | 株式会社日立制作所 | 文本情感倾向判断方法与系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070106663A1 (en) * | 2005-02-01 | 2007-05-10 | Outland Research, Llc | Methods and apparatus for using user personality type to improve the organization of documents retrieved in response to a search query |
-
2016
- 2016-03-23 CN CN201610168366.9A patent/CN105912563B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049474A (zh) * | 2011-10-25 | 2013-04-17 | 微软公司 | 搜索查询和文档相关数据翻译 |
CN103577462A (zh) * | 2012-08-02 | 2014-02-12 | 北京百度网讯科技有限公司 | 一种文档分类方法及装置 |
CN103699625A (zh) * | 2013-12-20 | 2014-04-02 | 北京百度网讯科技有限公司 | 基于关键词进行检索的方法及装置 |
CN105095183A (zh) * | 2014-05-22 | 2015-11-25 | 株式会社日立制作所 | 文本情感倾向判断方法与系统 |
Non-Patent Citations (2)
Title |
---|
A probability-based unified framework for semantic search and recommendation;Jae-won Lee et al;《Journal of Information Science》;20131231;第39卷(第5期);第608-628页 |
基于文本分析的微博用户性格获取模型;毕崇武;《科技创业月刊》;20151231(第5期);第61-62页 |
Also Published As
Publication number | Publication date |
---|---|
CN105912563A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Babar et al. | Improving performance of text summarization | |
Hung | Word of mouth quality classification based on contextual sentiment lexicons | |
Deveaud et al. | Accurate and effective latent concept modeling for ad hoc information retrieval | |
Do et al. | Legal question answering using ranking SVM and deep convolutional neural network | |
CN105912563B (zh) | 一种基于心理学知识赋予机器人工智能学习的方法 | |
CN109960756B (zh) | 新闻事件信息归纳方法 | |
Nguyen et al. | Tsum4act: A framework for retrieving and summarizing actionable tweets during a disaster for reaction | |
US20110264443A1 (en) | Information processing device, information processing method, and program | |
US10586174B2 (en) | Methods and systems for finding and ranking entities in a domain specific system | |
Aznag et al. | Probabilistic topic models for web services clustering and discovery | |
Pay | Totally automated keyword extraction | |
Rajagopal et al. | Commonsense-based topic modeling | |
Tiwari et al. | Ensemble approach for twitter sentiment analysis | |
Colace et al. | Improving relevance feedback‐based query expansion by the use of a weighted word pairs approach | |
Bergamaschi et al. | Comparing topic models for a movie recommendation system | |
Biba et al. | Sentiment analysis through machine learning: an experimental evaluation for Albanian | |
Brantner et al. | Content analysis of Twitter: Big data, big studies | |
Lipczak et al. | Tulip: Lightweight entity recognition and disambiguation using wikipedia-based topic centroids | |
Polignano et al. | Identification Of Bot Accounts In Twitter Using 2D CNNs On User-generated Contents. | |
Al-Mahmoud et al. | Arabic text mining a systematic review of the published literature 2002-2014 | |
Huang et al. | An empirical study of personalized advertising recommendation based on DBSCAN clustering of sina weibo user-generated content | |
Sinoara et al. | Named entities as privileged information for hierarchical text clustering | |
Marzijarani et al. | Opinion mining with reviews summarization based on clustering | |
WO2021035955A1 (zh) | 文本新闻的处理方法、设备和存储介质 | |
Bae et al. | Improving question retrieval in community question answering service using dependency relations and question classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |