CN107526800A - 信息推荐的装置、方法及计算机可读存储介质 - Google Patents

信息推荐的装置、方法及计算机可读存储介质 Download PDF

Info

Publication number
CN107526800A
CN107526800A CN201710715452.1A CN201710715452A CN107526800A CN 107526800 A CN107526800 A CN 107526800A CN 201710715452 A CN201710715452 A CN 201710715452A CN 107526800 A CN107526800 A CN 107526800A
Authority
CN
China
Prior art keywords
user
information
analyzed
participle
comment
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.)
Granted
Application number
CN201710715452.1A
Other languages
English (en)
Other versions
CN107526800B (zh
Inventor
王健宗
吴天博
黄章成
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201710715452.1A priority Critical patent/CN107526800B/zh
Priority to PCT/CN2017/108761 priority patent/WO2019037258A1/zh
Publication of CN107526800A publication Critical patent/CN107526800A/zh
Application granted granted Critical
Publication of CN107526800B publication Critical patent/CN107526800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G06F16/337—Profile generation, learning or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06F16/374—Thesaurus
    • 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

Abstract

本发明涉及一种信息推荐的装置、方法及计算机可读存储介质，信息推荐的装置包括存储器及处理器，存储器中存储有信息推荐的系统，信息推荐的系统被处理器执行时实现：在向用户推荐目标对象前，根据预定的目标对象与近似对象的映射关系确定目标对象对应的近似对象，并将目标对象和所确定的近似对象均作为待分析对象；从预定的数据源中获取各个用户在预设时间内对待分析对象所做的评价数据，根据预定的分析规则分析各个待分析对象的评价数据，得到各个待分析对象对应的正向标签值；若正向标签值大于等于预设阈值，则根据预定的推荐算法确定是否将该目标对象推荐给该用户；若是，则向用户推荐目标对象。本发明能够准确地向用户推荐个性化信息。

Description

信息推荐的装置、方法及计算机可读存储介质
技术领域
本发明涉及通信技术领域，尤其涉及一种信息推荐的装置、方法及计算机可读存储介质。
背景技术
目前的个性化信息推荐方案中，主要通过分析用户的历史行为得出用户的兴趣点，然后根据用户的兴趣点推送各种信息。通过用户所使用的社交媒体(例如微博、博客、论坛、播客等)可以获取到用户的历史行为，现有技术中通过分析用户的历史行为得到用户的正向偏好，例如用户A在微博上发布了较多的旅游及美食的文字、照片，则可以分析出用户A的正向偏好是喜欢旅游及美食。然而，一方面，用户的历史行为是有限的，基于用户上网历史行为向用户推荐个性化信息并不准确；另一方面，用户的兴趣是相对稳定的，而社会背景处于动态变化中(例如当前发生了热点新闻或时间等)，仅仅通过分析用户的历史行为的方式同样无法准确地向用户推荐个性化信息。
发明内容
本发明的目的在于提供一种信息推荐的装置、方法及计算机可读存储介质，旨在准确地向用户推荐个性化信息。
为实现上述目的，本发明提供一种信息推荐的装置，所述信息推荐的装置包括存储器及与所述存储器连接的处理器，所述存储器中存储有可在所述处理器上运行的信息推荐的系统，所述信息推荐的系统被所述处理器执行时实现如下步骤：
S1，在向用户推荐目标对象之前，根据预定的目标对象与近似对象的映射关系确定所述目标对象对应的近似对象，并将所述目标对象和所确定的近似对象均作为待分析对象；
S2，从预定的数据源中获取各个用户在预设时间内对所述待分析对象所做的评价数据，根据预定的分析规则分析各个待分析对象的评价数据，得到各个待分析对象对应的正向标签值；
S3，若所述正向标签值大于等于预设阈值，则根据预定的推荐算法确定是否将该目标对象推荐给该用户；
S4，若是，则确定所述用户为所述目标对象的相关用户，向所述用户推荐所述目标对象。
优选地，所述评价数据包括评分和评论，所述预定的分析规则包括：
若有待分析对象的评价数据为评分，且该待分析对象的评分小于预设评分，则确定该待分析对象为无效对象，或者，若大于等于预设评分，则确定该评价数据为正面信息类，并根据预设计算规则计算该待分析对象的评价数据对应的正向标签值；
若有待分析对象的评价数据为评论，则解析出该评论对应的核心观点信息，利用预先训练的分类器识别出所述核心观点信息对应的信息指向类别，若所述信息指向类别为负面信息类，则确定该待分析对象为无效对象，或者，若所述信息指向类别为正面信息类，则根据预设计算规则计算该待分析对象的评价数据对应的正向标签值。
优选地，所述信息推荐的系统被所述处理器执行实现所述步骤S3时，具体包括：
若所述正向标签值大于等于预设阈值，则基于所述正向标签值及待分析对象的用户数据构建的推荐值计算公式计算得到所述目标对象的推荐值，在所述推荐值大于等于预设推荐值时，将所述目标对象推荐给该用户，其中，所述推荐值计算公式为：
其中，所述 P(o|u,t)为时序t背景下用户u对目标对象或近似对象o的推荐值，所述λ为权重，所述P(o|u)为用户u对目标对象或近似对象o的正向标签值，所述 P(o|δt)为目标对象或近似对象o被用户u选择的概率，所述δt表示时序背景t下的话题分布，所述C＝{c1,c2,……,cn}为时序t背景下用户u的用户生成内容，所述n为用户生成内容的数量，所述sim(.)为一条用户生成内容与目标对象的相似度，所述o.w＝{w1,w2,……,wm}为目标对象o的关键字集合。
优选地，所述预设计算规则包括：
计算出该用户针对该待分析对象做出的属于正面信息类的评价数据的第一数量，及该用户针对所有待分析对象做出的属于正面信息类的评价数据的第二数量；
计算出所有用户针对该待分析对象做出的属于正面信息类的评价数据的第三数量，及所有用户针对所有待分析对象做出的属于正面信息类的评价数据的第四数量；
基于所述第一数量及第二数量获取第一正向标签参数，基于所述第三数量、第四数量及预设公式获取第二正向标签参数，并基于所述第一正向标签参数及第二正向标签参数得出该待分析对象的评价数据对应的正向标签值，其中，所述预设公式为：所述为第二正向标签参数，所述B为第三数量，所述A为第四数量。
优选地，所述信息推荐的系统被所述处理器执行实现所述解析出该评论对应的核心观点信息的步骤时，具体包括：
对该评论进行分词处理，并对该评论对应的各个分词进行词性标注；
根据该评论对应的各个分词的顺序及词性，将该评论对应的各个分词构建成预设结构分词树，基于该评论对应的各个分词构建成预设结构分词树解析出该评论对应的核心观点信息。
优选地，所述信息推荐的系统被所述处理器执行实现所述对该评论进行分词处理的步骤包括：
按预设类型标点符号对该评论进行短句拆分，对拆分的每一个短句，采用长词优先原则继续进行分词；
所述信息推荐的系统被所述处理器执行实现所述对该评论对应的各个分词进行词性标注的步骤包括：
根据通用字词典库中字和词分别与词性的映射关系，及/或，预设的字和词分别与词性的映射关系，确定各个分词对应的词性，并进行标注，其中，预设的字和词分别与词性的映射关系的词性标注优先级高于通用字词典库中字和词分别与词性的映射关系。
优选地，所述预设结构分词树包括多级节点，第一级节点为所述评论，第二级节点为由所述评论按照对应的分词的顺序及词性划分得到的分词短语，第二级节点之后的每一级节点均是由上一级节点的分词短语按照词性划分得到。
优选地，所述信息推荐的系统被所述处理器执行实现所述基于该评论对应的各个分词构建成预设结构分词树解析出该评论对应的核心观点信息的步骤包括：
基于构建的预设结构分词树计算各个第一关键词性分词与各个第二关键词性分词的节点距离；分别获取与各个第一关键词性分词节点距离最小的第二关键词性分词，将各个第一关键词性分词与节点距离最小的第二关键词性分词按照在该评论中的顺序组成对应的核心观点信息。
为实现上述目的，本发明还提供一种信息推荐的方法，所述信息推荐的方法包括：
S1，在向用户推荐目标对象之前，根据预定的目标对象与近似对象的映射关系确定所述目标对象对应的近似对象，并将所述目标对象和所确定的近似对象均作为待分析对象；
S2，从预定的数据源中获取各个用户在预设时间内对所述待分析对象所做的评价数据，根据预定的分析规则分析各个待分析对象的评价数据，得到各个待分析对象对应的正向标签值；
S3，若所述正向标签值大于等于预设阈值，则根据预定的推荐算法确定是否将该目标对象推荐给该用户；
S4，若是，则确定所述用户为所述目标对象的相关用户，向所述用户推荐所述目标对象。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息推荐的系统，所述信息推荐的系统被处理器执行时实现上述的信息推荐的方法的步骤。
本发明的有益效果是：本发明在向用户推荐目标对象之前，根据预定的映射关系确定目标对象对应的近似对象，并将目标对象和近似对象均作为待分析对象；从预定的数据源中获取各个用户在预设时间内对待分析对象所做的评价数据，根据预定的分析规则分析各个待分析对象的评价数据，得到各个待分析对象对应的正向标签值；当正向标签值大于等于预设阈值，根据预定的推荐算法确定是否将该目标对象推荐给该用户，以将目标对象推荐给用户，本发明基于分析目标对象和近似对象的评价数据的方式向用户推荐目标对象，能够准确地向用户推荐个性化信息。
附图说明
图1为本发明各个实施例一可选的应用环境示意图；
图2是图1中信息推荐的装置一实施例的硬件架构的示意图；
图3为预设结构分词树的结构示意图；
图4为本发明信息推荐的方法一实施例的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参阅图1，是本发明各个实施例一可选的应用环境示意图。在本实施例中，本发明可应用于包括，但不仅限于，信息推荐的装置1、用户终端2、网络3的应用环境中。信息推荐的装置1通过网络3与一个或多个用户终端 2进行通信。
所述用户终端2包括，但不限于，任何一种可与用户通过键盘、鼠标、遥控器、触摸板或者声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant， PDA)、游戏机、交互式网络电视(InternetProtocol Television,IPTV)、智能式穿戴式设备、导航装置等等的可移动设备，或者诸如数字TV、台式计算机、笔记本、服务器等等的固定终端。
其中，所述网络3可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(Wideband CodeDivision Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
所述信息推荐的装置1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。所述信息推荐的装置1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
参阅图2，是图1中信息推荐的装置1一可选的硬件架构的示意图，本实施例中，信息推荐的装置1可包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13。需要指出的是，图2仅示出了具有组件11-13的信息推荐的装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器 (PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11 可以是所述信息推荐的装置1的内部存储单元，例如该信息推荐的装置1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述信息推荐的装置1的外部存储设备，例如该信息推荐的装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述信息推荐的装置1的内部存储单元也包括其外部存储设备。本实施例中，所述存储器11 通常用于存储安装于所述信息推荐的装置1的系统和各类应用软件，例如所述信息推荐的系统的程序代码等。此外，所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述信息推荐的装置1的总体操作，例如执行与所述用户终端2进行通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行所述信息推荐的系统等。
所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13 通常用于在所述信息推荐的装置1与其他电子设备之间建立通信连接。本实施例中，所述网络接口13主要用于通过所述网络3将所述信息推荐的装置1 与一个或多个所述用户终端2相连，以建立数据传输通道和通信连接。
所述信息推荐的系统存储在存储器11中，包括至少一个存储在存储器 11中的计算机可读指令，该至少一个计算机可读指令可被处理器器12执行，以实现本申请各实施例的信息推荐的方法；以及，该至少一个计算机可读指令依据其各部分所实现的功能不同，可被划为不同的逻辑模块。
其中，上述信息推荐的系统被所述处理器12执行时实现如下步骤：
步骤S1，在向用户推荐目标对象之前，根据预定的目标对象与近似对象的映射关系确定所述目标对象对应的近似对象，并将所述目标对象和所确定的近似对象均作为待分析对象；
其中，目标对象可以是地点信息(例如餐厅地点、图书馆地点或景点地点等)、物品信息(例如衣服饰物、书籍或生活用品等)、网络信息(例如新闻、网站或音视频等)、理财信息(例如股票、证券、保险产品等)等。近似对象为与目标对象类似的对象，例如，目标对象为餐厅地点，则对应的近似对象可以是美食街地点、酒楼地点等，目标对象为图书馆地点，则对应的近似对象可以是各种书城的地点、书店地点、博物馆地点等。
本实施例中，预先将目标对象与其对应的近似对象进行映射，并存储目标对象与近似对象的映射关系，例如以映射表的形式进行存储。在向用户推荐目标对象之前，根据该目标对象获取与其存在映射关系的近似对象，将目标对象及近似对象均作为后续的待分析对象。
步骤S2，从预定的数据源中获取各个用户在预设时间内对所述待分析对象所做的评价数据，根据预定的分析规则分析各个待分析对象的评价数据，得到各个待分析对象对应的正向标签值；
本实施例中，预定的数据源例如为餐饮平台、微博网站、论坛网站、寿险服务器等，评价数据包括评论及评分，从预定的数据源中获取各个用户在预设时间内对所述待分析对象所做的评价数据，例如从预定的数据源中获取各个用户在六个月内对待分析对象所做的评价数据。正向标签值为以评价数据为变量的值，评价数据中评价高的评价量越大则正向标签值越大。
其中，预定的分析规则优选地包括：
若有待分析对象的评价数据为评分，且该待分析对象的评分小于预设评分，则确定该待分析对象为无效对象，或者，若大于等于预设评分，则确定该评价数据为正面信息类，并根据预设计算规则计算该待分析对象的评价数据对应的正向标签值；
若有待分析对象的评价数据为评论，则解析出该评论对应的核心观点信息，利用预先训练的分类器识别出所述核心观点信息对应的信息指向类别 (其中，信息指向类别包括正面信息类、负面信息类)，若所述信息指向类别为负面信息类，则确定该待分析对象为无效对象，或者，若所述信息指向类别为正面信息类，则根据预设计算规则计算该待分析对象的评价数据对应的正向标签值。
步骤S3，若所述正向标签值大于等于预设阈值，则根据预定的推荐算法确定是否将该目标对象推荐给该用户；
步骤S4，若是，则确定所述用户为所述目标对象的相关用户，向所述用户推荐所述目标对象。
本实施例中，预定一预设阈值，当有待分析对象的正向标签值大于等于预设阈值时，表明该待分析对象评价较好或者是被用户所认可，进一步根据预定的推荐算法考虑是否将该目标对象推荐给用户，当待分析对象的正向标签值均小于该预设阈值时，不考虑将该目标对象推荐给用户。
本实施例中，预定的推荐算法可以是基于正向标签值计算出推荐值，以该推荐值判定是否将目标对象推荐给用户，具体地，当该推荐值大于等于预设推荐值时将该目标对象推荐给用户，例如向用户发送该目标对象的推荐信息等，当该推荐值小于预设推荐值时不将该目标对象推荐给用户。
与现有技术相比，本实施例在向用户推荐目标对象之前，根据预定的映射关系确定目标对象对应的近似对象，并将目标对象和近似对象均作为待分析对象；从预定的数据源中获取各个用户在预设时间内对待分析对象所做的评价数据，根据预定的分析规则分析各个待分析对象的评价数据，得到各个待分析对象对应的正向标签值；当正向标签值大于等于预设阈值，根据预定的推荐算法确定是否将该目标对象推荐给该用户，以将目标对象推荐给用户，本实施例基于分析目标对象和近似对象的评价数据的方式向用户推荐目标对象，能够准确地向用户推荐个性化信息。
在一优选的实施例中，在上述实施例的基础上，所述信息推荐的系统被所述处理器12执行实现所述步骤S3时，具体包括：
若所述正向标签值大于等于预设阈值，则基于所述正向标签值及待分析对象的用户数据构建的推荐值计算公式计算得到所述目标对象的推荐值，在所述推荐值大于等于预设推荐值时，将所述目标对象推荐给该用户，其中，所述推荐值计算公式为：
其中，所述 P(o|u,t)为时序t背景下用户u对目标对象或近似对象o的推荐值，所述λ为权重(λ为常量)，所述P(o|u)为用户u对目标对象或近似对象o的正向标签值，所述P(o|δt)为目标对象或近似对象o被用户u选择的概率，δt表示时序背景t下的话题分布，所述C＝{c1,c2,……,cn}为时序t背景下用户u的用户生成内容，n为用户生成内容的数量，所述sim(.)为一条用户生成内容 (例如用户发布的微博或者论坛的评论等)与目标对象的相似度，所述o.w＝ {w1,w2,……,wm}为目标对象o的关键字集合。以微博平台为例，可以简单理解为：
每个话题都一定“活跃”周期，假设这个周期为t，那么设用户u在这段时期内发布的微博集合为C＝{c1,c2,……,cn}，同时，设目标对象的关键字集合为o.w＝{w1,w2,……,wm}，则得到：
其中，sim(.)表示一条微博与目标对象的相似度，优选地，本实施例采用TF-IDF(term frequency–inverse document frequency)模型来计算所述相似度的值。
在一优选的实施例中，在上述实施例的基础上，上述的预设计算规则包括：计算出该用户针对该待分析对象做出的属于正面信息类的评价数据的第一数量，及该用户针对所有待分析对象做出的属于正面信息类的评价数据的第二数量；计算出所有用户针对该待分析对象做出的属于正面信息类的评价数据的第三数量，及所有用户针对所有待分析对象做出的属于正面信息类的评价数据的第四数量；将第一数量除以第二数量以得出第一正向标签参数，并将第三数量和第四数量代入预设公式以得出第二正向标签参数，所述为第二正向标签参数，所述B为第三数量，所述A为第四数量；将第一正向标签参数乘以第二正向标签参数，得出该待分析对象的评价数据对应的正向标签值。
优选地，所述分类器为支持向量机分类器，所述分类器的训练过程包括：
获取预设数量(例如10000个)正面信息类的核心观点信息样本(例如，平安健康险保障范围广、平安车险大品牌理赔快)，及预设数量(例如4000 个)负面信息类的核心观点信息样本(例如，平安车险理赔慢服务差、平安理财产品没有承诺的高等)，将所有核心观点信息样本随机分成第一预设比例(例如，70％)的训练集和第二预设比例(例如，30％)的验证集，利用训练集训练分类器，并利用验证集验证训练的分类器的准确率，若准确率大于或者等于预设准确率(例如0.98)，则训练结束，或者，若准确率小于预设准确率，则增加正面信息类的核心观点信息样本数量及负面信息类的核心观点信息样本，并重新进行训练，直至训练的分类器的准确率大于或者等于预设准确率，训练结束。
在一优选的实施例中，在上述实施例的基础上，所述信息推荐的系统被所述处理器12执行实现所述解析出该评论对应的核心观点信息的步骤时，具体包括：
对该评论进行分词处理，并对该评论对应的各个分词进行词性标注；
根据该评论对应的各个分词的顺序及词性，将该评论对应的各个分词构建成预设结构分词树，基于该评论对应的各个分词构建成预设结构分词树解析出该评论对应的核心观点信息。
其中，分词包括字和词，例如对于评论“**推出的***产品很不错”，分词后的结果为“**”、“推出”、“的”、“***”、“很”、“不错”。
优选地，对评论进行分词处理包括：按预设类型标点符号(例如：“，”、“。”、“！”、“；”等)对该评论进行短句拆分，例如，从该评论起始位置至第一个预设类型标点符号之间的信息为一个短句；若评论结束位置无预设类型标点符号，则从倒数第一个预设类型标点符号至评论结束位置之间的信息为一个短句，且针对从第一个预设类型标点符号至倒数第一个预设类型标点符号之间的信息，每两个预设类型标点符号之间的信息为一个短句；若评论结束位置有预设类型标点符号，则针对从第一个预设类型标点符号至倒数第一个预设类型标点符号之间的信息，每两个预设类型标点符号之间的信息为一个短句。
对拆分的每一个短句，采用长词优先原则继续进行分词：例如，长词优先原则指的是：对于一个需要分词的短语T1，先从第一个字A开始，从预存的词库找出一个由A起始的最长词语X1，然后从T1中剔除X1剩下T2，再对T2采用相同的切分原理，切分后的结果为“X1/X2/、、、、、、”，例如，评论“平安推出了尊宏人生产品”的切分结果为“平安”/“推出”/“了”/“尊宏人生”/“产品”。
优选地，对评论对应的各个分词进行词性标注包括：
根据通用字词典库中字和词分别与词性的映射关系(例如，通用字词典库中，操场对应的词性是名词)，及/或，预设的字和词分别与词性的映射关系(例如，预设的字和词分别与词性的映射关系中，操场对应的词性是常用名词)，确定各个短句的各个分词对应的词性，其中，预设的字和词分别与词性的映射关系的词性标注优先级高于通用字词典库中字和词分别与词性的映射关系。其中，词性包括：实词(名词、动词、形容词、数量词、代词等)、虚词(副词、介词、连词、助词、叹词、拟声词等)。
为各个分词标注对应的词性，例如，对于分词“了”、“来”、“着”、“过”、“的”、“地”、“得”、“似的”、“所”等等，标注其词性为助词；对于“非常安全”、“保本型”、“收益高”、“周期长”等，标注其词性为形容词。
优选地，根据该评论对应的各个分词的顺序及词性，将该评论对应的各个分词构建成预设结构分词树包括：
如图3所示，预设结构分词树包括多级节点，第一级节点为所述评论本身，第二级节点为由所述评论按照对应的分词的顺序及词性划分得到的分词短语(例如名词短语、动词短语等等)，第二级节点之后的每一级节点均是由上一级节点的分词短语按照词性继续划分得到的，直至划分至各节点分支的最后一级节点。在划分过程中，如果某一分词短语不能进一步划分，则该分词短语为所在的节点分支的最后一级节点，以“我去操场踢足球了”，构建的预设结构分词树如图5所示。
其中，基于构建的预设结构分词树，计算各个第一关键词性分词(例如，名词)与各个第二关键词性分词(例如，形容词)的节点距离，节点距离为第一关键词性分词与第二关键词性分词之间相隔的节点数，分别获取与各个第一关键词性分词节点距离最小的第二关键词性分词，将各个第一关键词性分词与节点距离最小的第二关键词性分词按照在该评论中的顺序组成对应的核心观点信息。
如图4所示，图4为本发明信息推荐的方法一实施例的流程示意图，该信息推荐的方法包括以下步骤：
步骤S1，在向用户推荐目标对象之前，根据预定的目标对象与近似对象的映射关系确定所述目标对象对应的近似对象，并将所述目标对象和所确定的近似对象均作为待分析对象；
其中，目标对象可以是地点信息(例如餐厅地点、图书馆地点或景点地点等)、物品信息(例如衣服饰物、书籍或生活用品等)、网络信息(例如新闻、网站或音视频等)、理财信息(例如股票、证券、保险产品等)等。近似对象为与目标对象类似的对象，例如，目标对象为餐厅地点，则对应的近似对象可以是美食街地点、酒楼地点等，目标对象为图书馆地点，则对应的近似对象可以是各种书城的地点、书店地点、博物馆地点等。
本实施例中，预先将目标对象与其对应的近似对象进行映射，并存储目标对象与近似对象的映射关系，例如以映射表的形式进行存储。在向用户推荐目标对象之前，根据该目标对象获取与其存在映射关系的近似对象，将目标对象及近似对象均作为后续的待分析对象。
步骤S2，从预定的数据源中获取各个用户在预设时间内对所述待分析对象所做的评价数据，根据预定的分析规则分析各个待分析对象的评价数据，得到各个待分析对象对应的正向标签值；
本实施例中，预定的数据源例如为餐饮平台、微博网站、论坛网站、寿险服务器等，评价数据包括评论及评分，从预定的数据源中获取各个用户在预设时间内对所述待分析对象所做的评价数据，例如从预定的数据源中获取各个用户在六个月内对待分析对象所做的评价数据。正向标签值为以评价数据为变量的值，评价数据中评价高的评价量越大则正向标签值越大。
其中，预定的分析规则优选地包括：
若有待分析对象的评价数据为评分，且该待分析对象的评分小于预设评分，则确定该待分析对象为无效对象，或者，若大于等于预设评分，则确定该评价数据为正面信息类，并根据预设计算规则计算该待分析对象的评价数据对应的正向标签值；
若有待分析对象的评价数据为评论，则解析出该评论对应的核心观点信息，利用预先训练的分类器识别出所述核心观点信息对应的信息指向类别(其中，信息指向类别包括正面信息类、负面信息类)，若所述信息指向类别为负面信息类，则确定该待分析对象为无效对象，或者，若所述信息指向类别为正面信息类，则根据预设计算规则计算该待分析对象的评价数据对应的正向标签值。
步骤S3，若所述正向标签值大于等于预设阈值，则根据预定的推荐算法确定是否将该目标对象推荐给该用户；
步骤S4，若是，则确定所述用户为所述目标对象的相关用户，向所述用户推荐所述目标对象。
本实施例中，预定一预设阈值，当有待分析对象的正向标签值大于等于预设阈值时，表明该待分析对象评价较好或者是被用户所认可，进一步根据预定的推荐算法考虑是否将该目标对象推荐给用户，当待分析对象的正向标签值均小于该预设阈值时，不考虑将该目标对象推荐给用户。
本实施例中，预定的推荐算法可以是基于正向标签值计算出推荐值，以该推荐值判定是否将目标对象推荐给用户，具体地，当该推荐值大于等于预设推荐值时将该目标对象推荐给用户，例如向用户发送该目标对象的推荐信息等，当该推荐值小于预设推荐值时不将该目标对象推荐给用户。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息推荐的系统，所述信息推荐的系统被处理器执行时实现上述的信息推荐的方法的步骤。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种信息推荐的装置，其特征在于，所述信息推荐的装置包括存储器及与所述存储器连接的处理器，所述存储器中存储有可在所述处理器上运行的信息推荐的系统，所述信息推荐的系统被所述处理器执行时实现如下步骤：
S1，在向用户推荐目标对象之前，根据预定的目标对象与近似对象的映射关系确定所述目标对象对应的近似对象，并将所述目标对象和所确定的近似对象均作为待分析对象；
S2，从预定的数据源中获取各个用户在预设时间内对所述待分析对象所做的评价数据，根据预定的分析规则分析各个待分析对象的评价数据，得到各个待分析对象对应的正向标签值；
S3，若所述正向标签值大于等于预设阈值，则根据预定的推荐算法确定是否将该目标对象推荐给该用户；
S4，若是，则确定所述用户为所述目标对象的相关用户，向所述用户推荐所述目标对象。
2.根据权利要求1所述的信息推荐的装置，其特征在于，所述评价数据包括评分和评论，所述预定的分析规则包括：
若有待分析对象的评价数据为评分，且该待分析对象的评分小于预设评分，则确定该待分析对象为无效对象，或者，若大于等于预设评分，则确定该评价数据为正面信息类，并根据预设计算规则计算该待分析对象的评价数据对应的正向标签值；
若有待分析对象的评价数据为评论，则解析出该评论对应的核心观点信息，利用预先训练的分类器识别出所述核心观点信息对应的信息指向类别，若所述信息指向类别为负面信息类，则确定该待分析对象为无效对象，或者，若所述信息指向类别为正面信息类，则根据预设计算规则计算该待分析对象的评价数据对应的正向标签值。
3.根据权利要求2所述的信息推荐的装置，其特征在于，所述信息推荐的系统被所述处理器执行实现所述步骤S3时，具体包括：
若所述正向标签值大于等于预设阈值，则基于所述正向标签值及待分析对象的用户数据构建的推荐值计算公式计算得到所述目标对象的推荐值，在所述推荐值大于等于预设推荐值时，将所述目标对象推荐给该用户，其中，所述推荐值计算公式为：
P(o|u,t)＝λP(o|u)+(1-λ)P(o|δt)，其中，所述P(o|u,t)为时序t背景下用户u对目标对象或近似对象o的推荐值，所述λ为权重，所述P(o|u)为用户u对目标对象或近似对象o的正向标签值，所述P(o|δt)为目标对象或近似对象o被用户u选择的概率，所述δt表示时序背景t下的话题分布，所述C＝{c1,c2,……,cn}为时序t背景下用户u的用户生成内容，所述n为用户生成内容的数量，所述sim(.)为一条用户生成内容与目标对象的相似度，所述o.w＝{w1,w2,……,wm}为目标对象o的关键字集合。
4.根据权利要求2所述的信息推荐的装置，其特征在于，所述预设计算规则包括：
计算出该用户针对该待分析对象做出的属于正面信息类的评价数据的第一数量，及该用户针对所有待分析对象做出的属于正面信息类的评价数据的第二数量；
计算出所有用户针对该待分析对象做出的属于正面信息类的评价数据的第三数量，及所有用户针对所有待分析对象做出的属于正面信息类的评价数据的第四数量；
基于所述第一数量及第二数量获取第一正向标签参数，基于所述第三数量、第四数量及预设公式获取第二正向标签参数，并基于所述第一正向标签参数及第二正向标签参数得出该待分析对象的评价数据对应的正向标签值，其中，所述预设公式为：所述为第二正向标签参数，所述B为第三数量，所述A为第四数量。
5.根据权利要求2所述的信息推荐的装置，其特征在于，所述信息推荐的系统被所述处理器执行实现所述解析出该评论对应的核心观点信息的步骤时，具体包括：
对该评论进行分词处理，并对该评论对应的各个分词进行词性标注；
根据该评论对应的各个分词的顺序及词性，将该评论对应的各个分词构建成预设结构分词树，基于该评论对应的各个分词构建成预设结构分词树解析出该评论对应的核心观点信息。
6.根据权利要求5所述的信息推荐的装置，其特征在于，所述信息推荐的系统被所述处理器执行实现所述对该评论进行分词处理的步骤包括：
按预设类型标点符号对该评论进行短句拆分，对拆分的每一个短句，采用长词优先原则继续进行分词；
所述信息推荐的系统被所述处理器执行实现所述对该评论对应的各个分词进行词性标注的步骤包括：
根据通用字词典库中字和词分别与词性的映射关系，及/或，预设的字和词分别与词性的映射关系，确定各个分词对应的词性，并进行标注，其中，预设的字和词分别与词性的映射关系的词性标注优先级高于通用字词典库中字和词分别与词性的映射关系。
7.根据权利要求6所述的信息推荐的装置，其特征在于，所述预设结构分词树包括多级节点，第一级节点为所述评论，第二级节点为由所述评论按照对应的分词的顺序及词性划分得到的分词短语，第二级节点之后的每一级节点均是由上一级节点的分词短语按照词性划分得到。
8.根据权利要求7所述的信息推荐的装置，其特征在于，所述信息推荐的系统被所述处理器执行实现所述基于该评论对应的各个分词构建成预设结构分词树解析出该评论对应的核心观点信息的步骤包括：
基于构建的预设结构分词树计算各个第一关键词性分词与各个第二关键词性分词的节点距离；分别获取与各个第一关键词性分词节点距离最小的第二关键词性分词，将各个第一关键词性分词与节点距离最小的第二关键词性分词按照在该评论中的顺序组成对应的核心观点信息。
9.一种信息推荐的方法，其特征在于，所述信息推荐的方法包括：
S1，在向用户推荐目标对象之前，根据预定的目标对象与近似对象的映射关系确定所述目标对象对应的近似对象，并将所述目标对象和所确定的近似对象均作为待分析对象；
S2，从预定的数据源中获取各个用户在预设时间内对所述待分析对象所做的评价数据，根据预定的分析规则分析各个待分析对象的评价数据，得到各个待分析对象对应的正向标签值；
S3，若所述正向标签值大于等于预设阈值，则根据预定的推荐算法确定是否将该目标对象推荐给该用户；
S4，若是，则确定所述用户为所述目标对象的相关用户，向所述用户推荐所述目标对象。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息推荐的系统，所述信息推荐的系统被处理器执行时实现如权利要求9所述的信息推荐的方法的步骤。
CN201710715452.1A 2017-08-20 2017-08-20 信息推荐的装置、方法及计算机可读存储介质 Active CN107526800B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710715452.1A CN107526800B (zh) 2017-08-20 2017-08-20 信息推荐的装置、方法及计算机可读存储介质
PCT/CN2017/108761 WO2019037258A1 (zh) 2017-08-20 2017-10-31 信息推荐的装置、方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710715452.1A CN107526800B (zh) 2017-08-20 2017-08-20 信息推荐的装置、方法及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN107526800A true CN107526800A (zh) 2017-12-29
CN107526800B CN107526800B (zh) 2019-03-26

Family

ID=60681606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710715452.1A Active CN107526800B (zh) 2017-08-20 2017-08-20 信息推荐的装置、方法及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN107526800B (zh)
WO (1) WO2019037258A1 (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182608A (zh) * 2018-01-30 2018-06-19 重庆金融资产交易所有限责任公司 电子装置、产品推荐方法和计算机可读存储介质
CN108961069A (zh) * 2018-05-24 2018-12-07 中国平安人寿保险股份有限公司 电子装置、个人投保单数据处理方法和计算机存储介质
CN109002506A (zh) * 2018-07-01 2018-12-14 东莞市华睿电子科技有限公司 一种由品牌车型关注引起的信息推荐方法
CN109002507A (zh) * 2018-07-01 2018-12-14 东莞市华睿电子科技有限公司 一种大数据平台与品牌车型相结合的社交用户推荐方法
CN109033232A (zh) * 2018-07-01 2018-12-18 东莞市华睿电子科技有限公司 一种云平台与共享设备相结合的社交用户推荐方法
CN109033211A (zh) * 2018-07-01 2018-12-18 东莞市华睿电子科技有限公司 一种基于城市的街头艺术表演点的互动方法
CN109242545A (zh) * 2018-08-20 2019-01-18 中国平安人寿保险股份有限公司 转发链接的评分方法、装置、计算机设备和存储介质
CN109325796A (zh) * 2018-08-13 2019-02-12 中国平安人寿保险股份有限公司 潜在用户筛选方法、装置、计算机设备及存储介质
CN109639561A (zh) * 2018-10-25 2019-04-16 北京达佳互联信息技术有限公司 基于信息反馈的分享方法、装置、电子设备及存储介质
CN109670853A (zh) * 2018-09-25 2019-04-23 平安科技（深圳）有限公司 用户特征数据的确定方法、装置、设备及可读存储介质
CN109857922A (zh) * 2019-01-18 2019-06-07 深圳壹账通智能科技有限公司 数据评测模型建模方法、装置、计算机设备及存储介质
CN110110267A (zh) * 2018-01-25 2019-08-09 北京京东尚科信息技术有限公司 提取对象特征、搜索对象的方法和装置
CN110263248A (zh) * 2019-05-21 2019-09-20 平安科技（深圳）有限公司 一种信息推送方法、装置、存储介质和服务器
CN110610072A (zh) * 2019-09-06 2019-12-24 武汉达梦数据库有限公司 一种数据鉴权方法及装置
CN110866180A (zh) * 2019-10-12 2020-03-06 平安国际智慧城市科技股份有限公司 资源推荐方法、服务器及存储介质
CN110866768A (zh) * 2018-08-27 2020-03-06 阿里巴巴集团控股有限公司 一种评价方法及装置
CN112667884A (zh) * 2019-10-16 2021-04-16 财团法人工业技术研究院 企划书产生系统及其方法
CN116362761A (zh) * 2023-03-06 2023-06-30 北京三维天地科技股份有限公司 基于数据聚合推荐算法的检验检测机构推荐方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101329683A (zh) * 2008-07-25 2008-12-24 华为技术有限公司 推荐系统及方法
US20140100986A1 (en) * 1998-09-18 2014-04-10 Amazon.Com, Inc. Automated detection and exposure of behavior-based relationships between browsable items
CN103853789A (zh) * 2012-12-06 2014-06-11 深圳市点行天下科技有限公司 一种用于向用户推荐信息的方法和设备
CN104090912A (zh) * 2014-06-10 2014-10-08 腾讯科技（深圳）有限公司 信息推送方法及装置
CN106021586A (zh) * 2016-06-06 2016-10-12 腾讯科技（北京）有限公司 一种信息处理方法及服务器
US20170041673A1 (en) * 2007-03-30 2017-02-09 Google Inc. Interactive Media Display Across Devices

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136257B (zh) * 2011-11-30 2016-09-28 阿里巴巴集团控股有限公司 信息提供方法及其装置
US20150169727A1 (en) * 2012-09-03 2015-06-18 Sony Corporation Information processing apparatus, information processing method, and system
CN104699711B (zh) * 2013-12-09 2019-05-28 华为技术有限公司 一种推荐方法及服务器
CN103970858A (zh) * 2014-05-07 2014-08-06 百度在线网络技术（北京）有限公司 推荐内容确定系统和方法
CN103970857B (zh) * 2014-05-07 2017-08-25 百度在线网络技术（北京）有限公司 推荐内容确定系统和方法
US9507831B1 (en) * 2015-12-29 2016-11-29 International Business Machines Corporation Credibility enhancement for online comments and recommendations

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140100986A1 (en) * 1998-09-18 2014-04-10 Amazon.Com, Inc. Automated detection and exposure of behavior-based relationships between browsable items
US20170041673A1 (en) * 2007-03-30 2017-02-09 Google Inc. Interactive Media Display Across Devices
CN101329683A (zh) * 2008-07-25 2008-12-24 华为技术有限公司 推荐系统及方法
CN103853789A (zh) * 2012-12-06 2014-06-11 深圳市点行天下科技有限公司 一种用于向用户推荐信息的方法和设备
CN104090912A (zh) * 2014-06-10 2014-10-08 腾讯科技（深圳）有限公司 信息推送方法及装置
CN106021586A (zh) * 2016-06-06 2016-10-12 腾讯科技（北京）有限公司 一种信息处理方法及服务器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任磊: "推荐系统关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110267A (zh) * 2018-01-25 2019-08-09 北京京东尚科信息技术有限公司 提取对象特征、搜索对象的方法和装置
CN108182608A (zh) * 2018-01-30 2018-06-19 重庆金融资产交易所有限责任公司 电子装置、产品推荐方法和计算机可读存储介质
CN108182608B (zh) * 2018-01-30 2021-04-02 重庆金融资产交易所有限责任公司 电子装置、产品推荐方法和计算机可读存储介质
CN108961069A (zh) * 2018-05-24 2018-12-07 中国平安人寿保险股份有限公司 电子装置、个人投保单数据处理方法和计算机存储介质
CN109002506A (zh) * 2018-07-01 2018-12-14 东莞市华睿电子科技有限公司 一种由品牌车型关注引起的信息推荐方法
CN109002507A (zh) * 2018-07-01 2018-12-14 东莞市华睿电子科技有限公司 一种大数据平台与品牌车型相结合的社交用户推荐方法
CN109033232A (zh) * 2018-07-01 2018-12-18 东莞市华睿电子科技有限公司 一种云平台与共享设备相结合的社交用户推荐方法
CN109033211A (zh) * 2018-07-01 2018-12-18 东莞市华睿电子科技有限公司 一种基于城市的街头艺术表演点的互动方法
CN109033232B (zh) * 2018-07-01 2021-12-28 东莞市华睿电子科技有限公司 一种云平台与共享设备相结合的社交用户推荐方法
CN109325796A (zh) * 2018-08-13 2019-02-12 中国平安人寿保险股份有限公司 潜在用户筛选方法、装置、计算机设备及存储介质
CN109325796B (zh) * 2018-08-13 2023-09-26 中国平安人寿保险股份有限公司 潜在用户筛选方法、装置、计算机设备及存储介质
CN109242545A (zh) * 2018-08-20 2019-01-18 中国平安人寿保险股份有限公司 转发链接的评分方法、装置、计算机设备和存储介质
CN110866768A (zh) * 2018-08-27 2020-03-06 阿里巴巴集团控股有限公司 一种评价方法及装置
CN110866768B (zh) * 2018-08-27 2024-04-16 阿里巴巴集团控股有限公司 一种评价方法及装置
CN109670853B (zh) * 2018-09-25 2023-09-19 平安科技（深圳）有限公司 用户特征数据的确定方法、装置、设备及可读存储介质
CN109670853A (zh) * 2018-09-25 2019-04-23 平安科技（深圳）有限公司 用户特征数据的确定方法、装置、设备及可读存储介质
CN109639561B (zh) * 2018-10-25 2022-03-04 北京达佳互联信息技术有限公司 基于信息反馈的分享方法、装置、电子设备及存储介质
CN109639561A (zh) * 2018-10-25 2019-04-16 北京达佳互联信息技术有限公司 基于信息反馈的分享方法、装置、电子设备及存储介质
CN109857922A (zh) * 2019-01-18 2019-06-07 深圳壹账通智能科技有限公司 数据评测模型建模方法、装置、计算机设备及存储介质
CN110263248A (zh) * 2019-05-21 2019-09-20 平安科技（深圳）有限公司 一种信息推送方法、装置、存储介质和服务器
CN110263248B (zh) * 2019-05-21 2023-11-28 平安科技（深圳）有限公司 一种信息推送方法、装置、存储介质和服务器
CN110610072A (zh) * 2019-09-06 2019-12-24 武汉达梦数据库有限公司 一种数据鉴权方法及装置
CN110866180A (zh) * 2019-10-12 2020-03-06 平安国际智慧城市科技股份有限公司 资源推荐方法、服务器及存储介质
CN110866180B (zh) * 2019-10-12 2022-07-29 平安国际智慧城市科技股份有限公司 资源推荐方法、服务器及存储介质
US11481555B2 (en) 2019-10-16 2022-10-25 Industrial Technology Research Institute Project generating system and method thereof
CN112667884B (zh) * 2019-10-16 2023-11-28 财团法人工业技术研究院 企划书产生系统及其方法
CN112667884A (zh) * 2019-10-16 2021-04-16 财团法人工业技术研究院 企划书产生系统及其方法
CN116362761A (zh) * 2023-03-06 2023-06-30 北京三维天地科技股份有限公司 基于数据聚合推荐算法的检验检测机构推荐方法及系统
CN116362761B (zh) * 2023-03-06 2024-04-05 北京三维天地科技股份有限公司 基于数据聚合推荐算法的检验检测机构推荐方法及系统

Also Published As

Publication number Publication date
WO2019037258A1 (zh) 2019-02-28
CN107526800B (zh) 2019-03-26

Similar Documents

Publication Publication Date Title
CN107526800B (zh) 信息推荐的装置、方法及计算机可读存储介质
CN109657054B (zh) 摘要生成方法、装置、服务器及存储介质
US20180212918A1 (en) Methods and apparatus for inserting content into conversations in on-line and digital environments
US20190073357A1 (en) Hybrid classifier for assigning natural language processing (nlp) inputs to domains in real-time
US20180322188A1 (en) Automatic conversation creator for news
CN104750798B (zh) 一种应用程序的推荐方法和装置
CN104978314B (zh) 媒体内容推荐方法及装置
KR20190017739A (ko) 개인과 관련된 소셜 네트워크들을 통해 컨텐츠를 검색하고 매칭하기 위한 시스템 및 방법
CN104636371A (zh) 信息推荐方法及设备
US20140280614A1 (en) Personalized summaries for content
US10146775B2 (en) Apparatus, system and method for string disambiguation and entity ranking
CN110263248A (zh) 一种信息推送方法、装置、存储介质和服务器
CN103971684A (zh) 一种添加标点的方法、系统及其语言模型建立方法、装置
CN104978332B (zh) 用户生成内容标签数据生成方法、装置及相关方法和装置
CN105339933A (zh) 通过查询扩展的新闻结果
JP2009099088A (ja) Ｓｎｓユーザプロファイル摘出装置、摘出方法並びに摘出プログラム、及び該ユーザプロファイルを利用する装置
CN110222194A (zh) 基于自然语言处理的数据图表生成方法和相关装置
Gao et al. Text classification research based on improved Word2vec and CNN
CN109508373A (zh) 企业舆情指数的计算方法、设备及计算机可读存储介质
CN107357777A (zh) 提取标签信息的方法和装置
CN106202200B (zh) 一种基于固定主题的文本情感倾向性分类方法
US10699078B2 (en) Comment-centered news reader
CN107368489A (zh) 一种资讯数据处理方法及装置
CN104102662A (zh) 一种用户兴趣偏好相似度确定方法及装置
CN109190116B (zh) 语义解析方法、系统、电子设备及存储介质

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