CN109165351B - 一种基于语义的服务构件搜索推荐方法 - Google Patents

一种基于语义的服务构件搜索推荐方法 Download PDF

Info

Publication number
CN109165351B
CN109165351B CN201810982638.8A CN201810982638A CN109165351B CN 109165351 B CN109165351 B CN 109165351B CN 201810982638 A CN201810982638 A CN 201810982638A CN 109165351 B CN109165351 B CN 109165351B
Authority
CN
China
Prior art keywords
component
user
search
word
recommendation
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
Application number
CN201810982638.8A
Other languages
English (en)
Other versions
CN109165351A (zh
Inventor
杨晓
徐虹
刘魁
魏培阳
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN201810982638.8A priority Critical patent/CN109165351B/zh
Publication of CN109165351A publication Critical patent/CN109165351A/zh
Application granted granted Critical
Publication of CN109165351B publication Critical patent/CN109165351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • G06F40/295—Named entity recognition

Abstract

本发明涉及一种基于语义的服务构件搜索推荐方法，其包括：(1)根据用户输入的搜索语句进行分词，获取不同命名实体；(2)将命名实体转换为词向量方式，在构件中心寻找与该命名实体相近的构件；(3)将寻找出的基于语义的构件，按照相似度从大到小以列表形式展现；(4)用户根据业务场景需求选择所需构件；(5)在选择所需构件后，用户可直接可视化拖拽使用构件；(6)当用户选择某一构件使用在具体流程后，通过构件推荐功能直接给出推荐结果列表，显示出在此业务场景下，用完所选构件后可能会使用的下一个构件；(7)用户在使用推荐结果整个过程中，用户的使用数据将会被记录在数据中心，供推荐结果的更新。本发明能实现用户能够更全面查询所需构件，并减少用户的构件查询次数，有效提高软件开发效率。

Description

一种基于语义的服务构件搜索推荐方法
技术领域
本发明涉及服务构件搜索推荐领域，尤其涉及一种在语义层面的服务构件搜索推荐方法。
背景技术
在软件构件化开发过程中，随着时间积累，构件数量会越来越多，用户在海量构件库中寻找构件查询时间长，并且基于关键字的搜索，查全率低下；并且在某一个业务场景下需要用户多次搜索查询构件。这些问题会带来软件开发效率低，在企业级开发过程中这些问题是需要迫切解决的。目前业界针对上述问题也做了一些工作，比如将构件分类存储，减少无效查询，也有些基于多关键字查询提高查全率。但是这些方法在整体提高开发效率上提升较低，并不能很好的适用于海量数据操作，并且对于用户的数据没有进行标记，减少了整个过程的优化途径。
随着SOA思想在国内的发展日益成熟，构件化、服务化的开发模式逐渐成为了软件开发的主导模式。由于构件的不断沉淀，构件库里构件数量逐渐增多，用户在对构件库中海量构件操作时将会面临着如下问题：无法快速发现相互关联的有用行业服务构件，构件库中存储的行业服务构件数量信息过载，用户无法准确描述自己所需的行业服务构件等。这些问题都会造成软件开发效率低，智能化自动化软件开发程度低的后果。
为了解决上述问题，本文提出一种基于语义的服务构件搜索推荐方法，力图解决传统基于关键字构件搜索带来的查全率低的弊端，以及用户在具体的业务场景下需要在海量构件数据中多次使用查询来带的操作复杂性的不足。
发明内容
为了解决上述问题，本发明提出一种基于语义的服务构件搜索推荐方法，为用户提供一种便捷的构件开发模式，可方便用户查询更全面的构件信息，并智能化主动推荐即将使用的构件；在某一具体业务场景中，用户可以直接使用工具推荐的构件，减少大部分的构件查询次数，并能够对用户使用构件的全过程进行记录，形成新的用户构件使用数据。
本发明的技术方案如下：
上述的基于语义的服务构件搜索推荐方法，包括以下步骤：(1)根据用户输入的搜索语句进行分词，获取不同命名实体；(2)将命名实体转换为词向量方式，在构件中心寻找与该命名实体相近的构件；(3)将寻找出的基于语义的构件，按照相似度从大到小以列表形式展现；(4)用户根据业务场景需求选择所需构件；(5)在选择所需构件后，用户可直接可视化拖拽使用构件；(6)当用户选择某一构件使用在具体流程后，通过构件推荐功能直接给出推荐结果列表，显示出在此业务场景下，用完所选构件后可能会使用的下一个构件；(7)用户在使用推荐结果整个过程中，用户的使用数据将会被记录在数据中心，供推荐结果的更新。
所述基于语义的服务构件搜索推荐方法，其中，所述步骤(1)的具体过程为：先获取到用户在构件搜索框中的输入，将搜索语句进行分词，再在开源分词库上剖析分词模型并对分词模型进行优化与参数调整。
所述基于语义的服务构件搜索推荐方法，其中，所述步骤(1)中分词的具体过程为：先获取到企业实际的业务数据进行数据清洗作为可输入的数据集，再根据数据集对模型进行优化，调整参数，然后选取实际使用的业务数据作为测试集，判断分词结果是否合理；再对分词结果进行命名实体识别，标记出分词结果的具体词性，在词性的识别过程中，可以根据实际情况修改词语词性并存放在分词库中，方便下一次的使用。
所述基于语义的服务构件搜索推荐方法，其中：所述步骤(1)在分词过程中可对分词库中的词频进行修改调整或者新增构件词汇到分词库中，词库以及模型的训练都需确保分词结果符合构件开发的命名规则和业务场景。
所述基于语义的服务构件搜索推荐方法，其中：所述步骤(2)具体过程为：先将在所述步骤(1)获取到的分词结果转换为词向量，用词向量表示词语的语义本质含义；再从语义本质层面将搜索语句在构件库中进行相似度匹配，具体是将搜索语句的词向量与构件库中构件的词向量进行相似度计算；然后根据计算出的相似度选择出相似度在一定阈值的构件作为可选构件。
所述基于语义的服务构件搜索推荐方法，其中，所述构件库中的所有构件有对应的词向量映射，所述构件库中构件的词向量用于和用户搜索的构件名称的分词结果进行语义匹配；所述语义匹配的过程是：根据所述步骤(1)中获取的命名实体，根据名词、动词、形容词的方式进行依次匹配，可对不同命名实体增加权重进行重要性标识；所述分词结果与词向量的转换过程是通过训练一个浅层神经网络模型来进行实现，整个神经网络模型具有一个输入层、两个隐含层和一个输出层。
所述基于语义的服务构件搜索推荐方法，其中：所述步骤(3)是根据所述步骤(2)的相似度计算，搜索出在给定的相似度阈值的可选构件，将可选构件根据相似度从大到小依次进行排序，并将可选构件以可视化列表的形式展示搜索结果供用户选择，再根据用户的搜索记录将常用的前topN个搜索记录的结果进行缓存，加快搜索速度。
所述基于语义的服务构件搜索推荐方法，其中，所述步骤(4)的具体过程为：用户在搜索框输入所需构件名称后，即可在搜索结果列表中选择自己所需业务场景的对应构件，并且是以可视化列表的方式展现结果。
所述基于语义的服务构件搜索推荐方法，其中，所述步骤(5)的具体过程为：用户在确定搜索结果中有自己所需的业务构件时，直接通过拖拽方式获取该构件放在自己所需的业务场景下，并能直接使用该构件的功能。
所述基于语义的服务构件搜索推荐方法，其中，所述步骤(6)中构件推荐功能能够在构件化软件开发全生命周期被使用，主要分为：①在用户搜索构件并拖拽后构件以后，工具会根据用户当前的业务场景、当前已选构件以及用户的构件使用历史记录，智能推荐出当前构件使用完后，即将会使用的下一个构件；②用户即使没有使用构件搜索功能，工具也能够为其推荐构件，只要是用户在具体的业务场景下使用了构件，工具将会智能化为其推荐下一个构件；所述构件推荐功能是采用基于协同过滤算法和基于循环神经网络模型相结合的模式进行设置。
所述基于语义的服务构件搜索推荐方法，其中，所述述步骤(7)具体过程为：在用户使用搜索、推荐功能的整个过程中，记录用户的所有行为并以业务场景和用户属性为标记来进行记录，存放在数据中心。
所述基于语义的服务构件搜索推荐方法，其中：所述步骤(7)在标记的过程中用户的id、业务场景描述、当前使用的构件及下一个使用的构件都被标记存放，并且在每一次出现新的业务场景时，都需要记录实现整个业务场景所需要的构件及其先后使用顺序，所有记录的数据被存放于数据中心中；所述步骤(7)在进行推荐结果更新过程中会扫描所有新的数据和历史数据，形成一个整体在作为数据集进行推荐模型的输入，经过模型的训练获得出新的推荐结果，数据中心的数据会在给定时间内进行重新处理分析，逐步完善推荐结果。
有益效果：
本发明基于语义的服务构件搜索推荐方法构思合理，方便用户以构件化方式开发软件的全过程，使得搜索、推荐能够一体化被用户利用，提高用户搜索构件效率，减少用户搜索次数；随着构件数量的积累，减少搜索查询时间，也可大大提高软件开发效率；具体优点体现在以下几方面：
(1)基于语义层面的构件查询，能够从语句内在含义过滤查找出符合用户查询条件的构件信息，增加了搜索的查全率；
(2)提出自动化推荐构件信息手段，将原来在完成一个完整业务情景情况下，需要用户多次查找构件转换成，自动为用户智能化推荐可能会使用的构件，并且用户使用构件记录越多，会增加推荐的准确率；
(3)提出一种自完善的推荐过程，用户每次使用的构件记录都会被存放在数据中心供数据分析和算法输入；
(4)提出一种可视化的构件搜索、推荐结果显示，用户可以直接通过拖拽方式，选择自己所需的构件，直观简洁，便于用户操作。
附图说明
图1为本发明基于语义的服务构件搜索推荐方法的原理图。
具体实施方式
如图1所示，本发明基于语义的服务构件搜索推荐方法，具体包括以下步骤：
(1)根据用户输入的搜索语句进行分词，获取不同命名实体；
先获取到用户在构件搜索框中的输入，将搜索语句进行中文分词；分词是基于开源分词库，但是本发明提出的分词方法需要在开源分词库上剖析其模型，对其模型进行优化与参数调整；
上述步骤(1)中分词的具体过程为：首先，获取到企业实际的业务数据进行数据清洗作为可输入的数据集，再根据数据集对模型进行优化，调整参数；然后，选取实际使用的业务数据作为测试集，判断分词结果是否合理；其次，对分词结果进行命名实体识别，标记出分词结果的具体词性，在词性的识别过程中，可以根据实际情况修改词语词性并存放在分词库中，方便下一次的使用。
上述步骤(1)经过优化改善的分词技术能够在开源分词库上更具有实际业务构件分词的针对性；在分词过程中，也可以有监督地对分词库中的词频进行修改调整或者新增构件词汇到分词库中，词库以及模型的训练都需确保分词结果符合构件开发的命名规则和业务场景。
(2)将命名实体转换为词向量方式，在构件中心寻找与该命名实体相近的构件；
具体过程为：先将在上述步骤(1)获取到的分词结果转换为词向量，用词向量表示词语的语义本质含义(此处的词向量是使用神经网络模型进行训练的得出，并调整参数使其表达的语义结果符合实际业务需求)；再从语义本质层面将搜索语句在构件库中进行相似度匹配，即将搜索语句的词向量与构件库中构件的词向量进行相似度计算(此处可以将词向量的之间的欧式距离和cos距离求均值作为一种判断相似度的方法)，根据计算出的相似度选择出相似度在一定阈值的构件作为可选构件。
其中，上述步骤(2)构件库中的所有构件有对应的词向量映射(一一对应)，构件库中构件的词向量用于和用户搜索的构件名称的分词结果进行语义匹配；且语义匹配是根据上述步骤(1)中获取的命名实体，根据名词、动词、形容词的方式进行依次匹配，可以对不同命名实体增加权重进行重要性标识。分词结果与词向量的转换过程是通过训练一个浅层神经网络模型来进行实现，整个神经网络模型具有一个输入层、两个隐含层和一个输出层(参考现有的框架实现自己的神经网络模型，隐含层的权重和参数都需要根据数据集的交叉检验来进行获取)。上述步骤(2)的方法相比于传统的基于关键字的搜索方式，能够让搜索的范围更加广泛，结果更加全面。
(3)将寻找出的基于语义的构件，按照相似度从大到小以列表形式展现；
具体过程为：根据上述步骤(2)的相似度计算，搜索出在给定的相似度阈值的可选构件，将可选构件根据相似度从大到小依次进行排序，并将可选构件以可视化列表的形式展示供用户选择，再根据用户的搜索记录将常用的前topN个搜索记录的结果进行缓存，加快搜索速度。
(4)用户能够根据业务场景需求方便快捷的选择所需构件；
具体过程为：用户在搜索框输入所需构件名称后即可在搜索结果列表中选择自己所需业务场景的对应构件，并且以可视化列表的方式展现结果，方便简洁，方便用户在自己的业务场景下选择查询结果。
(5)在选择所需构件后用户可直接可视化拖拽使用构件；
具体过程为：用户在确定搜索结果中有自己所需的业务构件时，直接通过拖拽方式获取该构件放在自己所需的业务场景下，能够直接使用该构件的功能。
上述步骤(5)表现了用户以可视化拖拽方式在查询结果列表中选择所需构件。
(6)在定义具体实际业务流程时，当用户选择某一构件使用后，通过构件推荐功能直接给出推荐结果列表，显示出在此业务场景下，用完所选构件后可能会使用的下一个构件。
上述步骤(6)中的构件推荐功能能够在构件化软件开发全生命周期被使用，主要分为以下2个方面：①在用户搜索构件并拖拽后构件以后，构件推荐功能会根据用户当前的业务场景、当前已选构件以及用户的构件使用历史记录，智能推荐出当前构件使用完后，即将会使用的下一个构件；②用户即使没有使用构件搜索功能，工具也能够为其推荐构件，只要是用户在具体的业务场景下使用了构件，工具将会智能化为其推荐下一个构件。
上述步骤(6)中的构件推荐功能是采用基于协同过滤算法和循环神经网络模型相结合的方式，将两个技术的优点进行结合使用，避免传统推荐会造成的缺陷，为用户推荐出更加准确的构件列表。其中，在模型的整个训练过程中，根据企业实际的构件数据集进行评测，经过多次交叉检验获取最佳参数来确保模型结果适用于构件推荐。(目前大多数的推荐运用在电影、音乐、商品等方面，但是针对软件构件的推荐还没有比较通用的推荐案例)。上述步骤(6)根据业界方向选择多种算法相结合的方式进行推荐，体现出推荐的多样性和精准性；在实现循环神经网络模型过程中，需要设置一个深层网络模型(至少3个以上的隐含层)，并且在使用激活函数过程中可以选择Leaky ReLu函数作为激活函数避免梯度消失或者梯度爆炸的可能性。构件推荐方式能够提高开发人员构件化软件开发的效率，并且主动推荐用户需要的构件，能够减少用户搜索构件次数，使软件构件化开发更加自动化、智能化。
(7)用户在使用推荐结果整个过程中，用户的使用数据将会被记录在数据中心，供推荐结果的更新；
具体过程为：在用户使用搜索、推荐功能的整个过程中，用户的所有操作行为都将被记录(特别是当前构件到下一个构件的使用记录)，并且会以业务场景和用户属性为标记来进行记录，存放在数据中心。
上述步骤(7)在标记的过程中，用户的id、业务场景描述、当前使用的构件及下一个使用的构件都被标记存放，并且在每一次出现新的业务场景时，都需要记录实现整个业务场景所需要的构件及其先后使用顺序，所有记录的数据会被存放于数据中心中，一个用户在一个业务场景下，可能会产生多条数据；
上述步骤(7)中在进行推荐结果更新过程(即如何将记录的数据用于推荐算法，将构件推荐结果进行更新的过程)中，会扫描所有新的数据和历史数据，形成一个整体在作为数据集进行推荐模型的输入，经过模型的训练获得出新的推荐结果；数据中心的数据会在给定时间内进行重新处理分析，逐步完善推荐结果。
上述步骤(7)保证了推荐结果的不断优化过程，任何用户的操作过程都会被记录打上标签，存放于数据中心。
本发明为用户提供一种便捷的构件开发模式，可方便用户查询更全面的构件信息，并智能化主动推荐即将使用的构件；在某一具体业务场景中，用户可以直接使用工具推荐的构件，减少大部分的构件查询次数，并能够对用户使用构件的全过程进行记录，形成新的用户构件使用数据。

Claims (1)

1.一种基于语义的服务构件搜索推荐方法，其特征在于：所述推荐方法包括以下步骤：
(1)根据用户输入的搜索语句进行分词，获取不同命名实体；
(2)将命名实体转换为词向量方式，在构件中心寻找与该命名实体相近的构件；
(3)将寻找出的基于语义的构件，按照相似度从大到小以列表形式展现；
(4)用户根据业务场景需求选择所需构件；
(5)在选择所需构件后，用户可直接可视化拖拽使用构件；
(6)当用户选择某一构件使用在具体流程后，通过构件推荐功能直接给出推荐结果列表，显示出在此业务场景下，用完所选构件后可能会使用的下一个构件；
(7)用户在使用推荐结果整个过程中，用户的使用数据将会被记录在数据中心，供推荐结果的更新；
所述步骤(1)的具体过程为：先获取到用户在构件搜索框中的输入，将搜索语句进行分词，再在开源分词库上剖析分词模型并对分词模型进行优化与参数调整；
所述步骤(1)中分词的具体过程为：先获取到企业实际的业务数据进行数据清洗作为可输入的数据集，再根据数据集对模型进行优化，调整参数，然后选取实际使用的业务数据作为测试集，判断分词结果是否合理；再对分词结果进行命名实体识别，标记出分词结果的具体词性，在词性的识别过程中，可以根据实际情况修改词语词性并存放在分词库中，方便下一次的使用；
所述步骤(1)在分词过程中可对分词库中的词频进行修改调整或者新增构件词汇到分词库中，词库以及模型的训练都需确保分词结果符合构件开发的命名规则和业务场景；
所述步骤(2)具体过程为：先将在所述步骤(1)获取到的分词结果转换为词向量，用词向量表示词语的语义本质含义；再从语义本质层面将搜索语句在构件库中进行相似度匹配，具体是将搜索语句的词向量与构件库中构件的词向量进行相似度计算；然后根据计算出的相似度选择出相似度在一定阈值的构件作为可选构件；
所述构件库中的所有构件有对应的词向量映射，所述构件库中构件的词向量用于和用户搜索的构件名称的分词结果进行语义匹配；
所述语义匹配的过程是：根据所述步骤(1)中获取的命名实体，根据名词、动词、形容词的方式进行依次匹配，可对不同命名实体增加权重进行重要性标识；
所述分词结果与词向量的转换过程是通过训练一个浅层神经网络模型来进行实现，整个神经网络模型具有一个输入层、两个隐含层和一个输出层；
所述步骤(3)是根据所述步骤(2)的相似度计算，搜索出在给定的相似度阈值的可选构件，将可选构件根据相似度从大到小依次进行排序，并将可选构件以可视化列表的形式展示搜索结果供用户选择，再根据用户的搜索记录将常用的前topN个搜索记录的结果进行缓存，加快搜索速度；
所述步骤(4)的具体过程为：用户在搜索框输入所需构件名称后，即可在搜索结果列表中选择自己所需业务场景的对应构件，并且是以可视化列表的方式展现结果；
所述步骤(5)的具体过程为：用户在确定搜索结果中有自己所需的业务构件时，直接通过拖拽方式获取该构件放在自己所需的业务场景下，并能直接使用该构件的功能；
所述步骤(6)中构件推荐功能能够在构件化软件开发全生命周期被使用，主要分为：①在用户搜索构件并拖拽后构件以后，工具会根据用户当前的业务场景、当前已选构件以及用户的构件使用历史记录，智能推荐出当前构件使用完后，即将会使用的下一个构件；②用户即使没有使用构件搜索功能，工具也能够为其推荐构件，只要是用户在具体的业务场景下使用了构件，工具将会智能化为其推荐下一个构件；
所述构件推荐功能是采用基于协同过滤算法和基于循环神经网络模型相结合的模式进行设置；
所述述步骤(7)具体过程为：在用户使用搜索、推荐功能的整个过程中，记录用户的所有行为并以业务场景和用户属性为标记来进行记录，存放在数据中心；
所述步骤(7)在标记的过程中用户的id、业务场景描述、当前使用的构件及下一个使用的构件都被标记存放，并且在每一次出现新的业务场景时，都需要记录实现整个业务场景所需要的构件及其先后使用顺序，所有记录的数据被存放于数据中心中；
所述步骤(7)在进行推荐结果更新过程中会扫描所有新的数据和历史数据，形成一个整体在作为数据集进行推荐模型的输入，经过模型的训练获得出新的推荐结果，数据中心的数据会在给定时间内进行重新处理分析，逐步完善推荐结果。
CN201810982638.8A 2018-08-27 2018-08-27 一种基于语义的服务构件搜索推荐方法 Active CN109165351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810982638.8A CN109165351B (zh) 2018-08-27 2018-08-27 一种基于语义的服务构件搜索推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810982638.8A CN109165351B (zh) 2018-08-27 2018-08-27 一种基于语义的服务构件搜索推荐方法

Publications (2)

Publication Number Publication Date
CN109165351A CN109165351A (zh) 2019-01-08
CN109165351B true CN109165351B (zh) 2021-11-26

Family

ID=64896786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810982638.8A Active CN109165351B (zh) 2018-08-27 2018-08-27 一种基于语义的服务构件搜索推荐方法

Country Status (1)

Country Link
CN (1) CN109165351B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523019B (zh) * 2020-04-23 2023-05-09 北京百度网讯科技有限公司 用于输出信息的方法、装置、设备以及存储介质
CN112286514B (zh) * 2020-10-28 2023-06-16 上海淇玥信息技术有限公司 一种配置任务流程的方法、装置和电子设备
CN116127203B (zh) * 2023-04-17 2023-07-25 杭州实在智能科技有限公司 结合页面信息的rpa业务组件推荐方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682001A (zh) * 2011-03-09 2012-09-19 阿里巴巴集团控股有限公司 一种确定推荐词的方法及设备
CN105701216A (zh) * 2016-01-13 2016-06-22 北京三快在线科技有限公司 一种信息推送方法及装置
CN108351892A (zh) * 2015-11-05 2018-07-31 三星电子株式会社 用于提供对象推荐的电子装置和方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10339538B2 (en) * 2004-02-26 2019-07-02 Oath Inc. Method and system for generating recommendations
CN100412870C (zh) * 2006-07-17 2008-08-20 北京航空航天大学 采用元推荐引擎的门户个性化推荐服务方法和系统
CN101957758B (zh) * 2010-10-14 2013-01-23 上海普元信息技术股份有限公司 面向服务的架构应用系统中实现Web Service快速发布的方法
WO2013029233A1 (en) * 2011-08-30 2013-03-07 Nokia Corporation Method and apparatus for providing recommendations based on context-aware group modeling
US9607090B2 (en) * 2013-01-21 2017-03-28 Salesforce.Com, Inc. Computer implemented methods and apparatus for recommending events
WO2014176580A2 (en) * 2013-04-27 2014-10-30 Datafission Corporaion Content based search engine for processing unstructurd digital
CN103294475B (zh) * 2013-06-08 2016-01-13 北京邮电大学 基于图形化业务场景和领域模板的业务自动生成系统和方法
CN103440309A (zh) * 2013-08-26 2013-12-11 胡宝清 一种资源环境模型组合建模的自动语义识别与推荐方法
CN104618223B (zh) * 2015-01-20 2017-09-26 腾讯科技（深圳）有限公司 一种信息推荐的管理方法、装置和系统
CN104850399B (zh) * 2015-04-30 2018-03-06 昆明理工大学 一种构件接口与构件实现映射表的追溯分析方法及系统
CN104899037B (zh) * 2015-06-11 2018-05-01 上海大学 一种基于模型的侵入式灰盒组装验证方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682001A (zh) * 2011-03-09 2012-09-19 阿里巴巴集团控股有限公司 一种确定推荐词的方法及设备
CN108351892A (zh) * 2015-11-05 2018-07-31 三星电子株式会社 用于提供对象推荐的电子装置和方法
CN105701216A (zh) * 2016-01-13 2016-06-22 北京三快在线科技有限公司 一种信息推送方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
个性化推荐系统用户兴趣建模研究与实现;花青松;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131115;I138-1036 *

Also Published As

Publication number Publication date
CN109165351A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
CN112612902B (zh) 一种电网主设备的知识图谱构建方法及设备
US11120364B1 (en) Artificial intelligence system with customizable training progress visualization and automated recommendations for rapid interactive development of machine learning models
US10831811B2 (en) Resolution of ambiguous and implicit references using contextual information
US20190370695A1 (en) Enhanced pipeline for the generation, validation, and deployment of machine-based predictive models
CN110362660A (zh) 一种基于知识图谱的电子产品质量自动检测方法
CN109992650A (zh) 用于在运行中提供个性化洞察的认知对话代理
CN109165351B (zh) 一种基于语义的服务构件搜索推荐方法
CN105550190A (zh) 面向知识图谱的跨媒体检索系统
US20220398857A1 (en) Document analysis architecture
CN104933100A (zh) 关键词推荐方法和装置
KR101953190B1 (ko) 복잡한 양자 또는 다자 상대방 관계를 탐색하기 위해 이용되는 다차원 재귀적 학습 과정 및 시스템
CN100470547C (zh) 实现数据挖掘模型转换和应用的方法、系统及装置
CN110910175B (zh) 一种旅游门票产品画像生成方法
CN108647729B (zh) 一种用户画像获取方法
CN110737805B (zh) 图模型数据的处理方法、装置和终端设备
US6522780B1 (en) Indexing of images and/or text
US11620453B2 (en) System and method for artificial intelligence driven document analysis, including searching, indexing, comparing or associating datasets based on learned representations
CN108664509A (zh) 一种即席查询的方法、装置及服务器
US20230376857A1 (en) Artificial inelligence system with intuitive interactive interfaces for guided labeling of training data for machine learning models
WO2021252419A1 (en) Document analysis architecture
CN113434418A (zh) 知识驱动的软件缺陷检测与分析方法及系统
Díaz et al. A comparative approach between different computer vision tools, including commercial and open-source, for improving cultural image access and analysis
JP4891638B2 (ja) 目的データをカテゴリに分類する方法
KR20160120583A (ko) 지식 관리 시스템 및 이의 지식 구조 기반의 자료 관리 방법
Spiegel et al. Pattern recognition in multivariate time series: dissertation proposal

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