CN109614500A - 一种自动创建多层次事件和场景图谱特征的方法、装置及其应用 - Google Patents

Abstract

本发明提供一种自动创建多层次事件和场景图谱特征的方法、装置及其应用，通过组建预设多层次事件标签库；获取用户多层次事件，通过用户个人场景图谱及与之对应的事件，基于特定的单个场景，生成用户事件图谱，基于多个用户事件图谱，生成用户个人场景事件图谱，实现自动创建个人场景事件图谱，并应用所述个人场景事件图谱，实现用户行为预测，根据预测结果，实现个性化推荐。

Description

一种自动创建多层次事件和场景图谱特征的方法、装置及其 应用

技术领域

本发明涉及互联网技术领域，具体而言，涉及一种自动创建多层次事件和场景图谱特征的方法、装置及其应用。

背景技术

随着计算机行业的大数据和人工智能技术的快速发展，个性化推荐越来越受到用户的欢迎，也为用户创造了越来越多的个性化价值。预测用户行为是实现个性化推荐的重要前置技术，而目前的预测用户行为的技术方案主要是使用推荐算法，具体为：

通过用户维度数据、内容维度数据、时间维度、地址维度数据建立特征仓库，然后根据特征仓库数据进行逻辑计算，获得针对用户的推荐内容，包括：

1.根据用户喜欢某些特征的内容进行用户内容匹配；根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性，或者是发现用户的相关性，这种方案被称为基于协同过滤的推荐；

2.利用用户之前喜欢的内容进行内容匹配，找到与这些内容相似的内容，根据推荐物品或内容的元数据，发现物品或者内容的相关性，这种方案被称为基于内容的推荐；

3.根据用户特征寻找相似的用户、相似的用户喜欢的东西进行用户匹配，根据系统用户的基本信息发现用户的相关程度，这种方案被称为基于人口统计学的推荐。

现有技术中的推荐算法存在冷启动、稀疏性、精度和多样性等问题。图谱是通过链接形态更好地理解事物的一种技术，包括社交图谱、兴趣图谱等门类。其形态是把所有相关异构的信息连接在一起而得到的一个拓扑网络。它提供了从“链接”和“发展/传播”的角度去分析问题的能力，是关联推理的最直接的表达形式。基于图谱的推荐系统能有效帮助用户快速发现感兴趣和高质量的信息，提升用户体验。而现有技术中鲜有自动创建多层次事件和场景图谱融合多维特征的方法。有鉴于此，本发明提出一种自动创建多层次事件和场景图谱特征的方法、装置及其应用，通过创建个人场景事件图谱，预测用户行为，实现个性化推荐的目的。

发明内容

本发明的目的是：提出一种自动创建多层次事件和场景图谱特征的方法、装置及其应用，通过创建个人场景事件图谱，预测用户行为，实现个性化推荐的目的。

本发明所采用的技术方案是：

本发明一方面提出一种自动创建多层次事件和场景图谱特征的方法，包括：

步骤1：预设多层次事件标签库和多层次场景标签库，并预设对应的场景事件逻辑关系、场景逻辑关系、场景间的关联概率计算规则、事件间的关联概率计算规则、以及场景图谱建立方法、事件图谱建立方法；

步骤2：计算机终端通过视觉听觉识别获取和/或计算用户的多层次场景标签值，对应存储到预设的所述多层次场景标签库中，根据预设的所述场景逻辑关系，生成用户的个人场景，基于多个独立的用户个人场景，根据场景间的关联概率计算规则，计算预设时间段内多个独立的用户个人场景之间关联概率，根据预设的场景图谱建立方法，生成用户个人场景图谱；

步骤3：基于用户个人场景图谱中特定的单个场景，获取并计算用户在该场景下的多层次事件值，根据事件间的关联概率计算规则，计算单个场景下事件之间的关联概率，根据所述事件图谱建立方法，生成特定场景下的用户事件图谱于云服务器中；所述云服务器为区块链云服务器，包括私有区块链设备、公有区块链设备、节点服务器、中央服务器、硬件防火墙、区块链存储模块、发送模块和接收模块；其中私有区块链设备、公有区块链设备通过区块链存储模块存储个人的公有和私有的事件采集数据，实时的通过发送模块分布式发送到节点服务器中，通过接收模块接受实时采集的事件数据并通过节点服务器上传到中央服务器中，所述云服务器还包括硬件防火墙；区块链存储模块中数据划分为区块链备份模块、区块链隔离模块和区块链节点模块，即将现有区块链数据按照功能隔离为单独的模块，区块链节点模块可以设置在不同的节点服务器中，支持跨网络访问，在某个模块出现运行错误时，区块链备份模块、区块链隔离模块可以针对单一模块进行升级修复更新；

步骤4：基于多个特定场景下的用户事件图谱，结合步骤2中生成的用户个人场景图谱，生成用户个人场景事件图谱。

进一步地，所述的自动创建多层次事件和场景图谱特征的方法，其中：

所述多层次事件标签，包括一级事件标签和多级下属事件标签；

一级事件标签包括：主体事件和客体事件；

所述主体事件是指在计算机终端发生的事件；

所述客体事件是指计算机终端通过视觉听觉识别系统侦测识别的外部发生的事件。

进一步地，所述的自动创建多层次事件和场景图谱特征的方法，其中：

主体事件是一级事件标签；其包含二级事件标签，二级事件标签中可包含三级事件标签，依次类推；

客体事件是一级事件标签；其包含二级事件标签，二级事件标签中可包含三级事件标签，三级事件标签中可包含四级事件标签，依次类推。

进一步地，所述的自动创建多层次事件和场景图谱特征的方法，其中：

所述场景事件逻辑关系包括：事件标签置于场景标签之下的描述用户行为或状态的逻辑；

所述场景逻辑关系包括：场景标签之间的连接关系及将多个场景标签组合用于描述用户状态的逻辑；

所述场景间的关联概率计算规则包括：根据预设时间段内的统计用户数据，计算相邻场景之间关联发生的概率；

所述事件间的关联概率计算规则包括：在一个场景下，根据预设时间段内的统计用户数据，统计不同事件之间关联发生的概率。

进一步地，所述的自动创建多层次事件和场景图谱特征的方法，其中：

所述场景图谱建立方法，是指一定时间内的多个独立的用户个人场景，基于正向和反向时序关系建立链式串联表达图，并在相邻的用户个人场景之间的边上标注其关联发生的概率；

所述事件图谱建立方法，是指针对用户个人的单个场景包含的多层次事件，基于正向和反向时序关系建立链式串联表达图，并在相邻的事件之间的边上标注其关联发生的概率。

进一步地，所述的自动创建多层次事件和场景图谱特征的方法，其中：

所述时序关系包括：Before：事件/场景在另一个事件/场景之前发生；After：事件/场景在另一个事件/场景之后发生；Includes：一个事件/场景包含另一个事件/场景；Is_Included：一个事件/场景被另一个事件/场景包含；During：一个事件/场景在一段时间内保持一个状态；Simultane-ous：同时发生；Iafter：事件/场景紧跟另一个事件/场景发生，且它们不重叠、不间断；Ibe-fore：事件/场景在另一个事件/场景之前发生，且它们不重叠、不间断；1Iaentity：表示同一事件/场景；Begins：一个事件/场景开始导致另一个事件/场景开始；Ends：一个事件/场景结束导致另一个事件/场景结束；BegunBy：一个事件/场景因另一个事件/场景开始而开始，与Begins相对；Ended_By：一个事件/场景因另一个事件/场景结束而结束，与Ends相对；

所述时序关系的计算方法为：在采集事件/场景的同时，采集事件/场景发生的开始时间点和结束时间点，通过时间计算确定时序关系；

所述正向和反向时序关系的确定方法：根据如上计算方法获得的13种时序关系，通过在时间轴表示事件/场景相邻出现的关系；

所述链式串联表达是指：基于正向和反向时序关系，建立多个独立的用户事件/场景之间的链式串联表达图，并在邻接边上标注概率信息。

进一步地，所述的自动创建多层次事件和场景图谱特征的方法，其中：

所述预设时间段，可由用户自定义。

本发明的另一方面，提出一种自动创建个人场景事件图谱的装置，包括：

多层次事件标签库存储器，预设有多层次事件标签，并在各标签下预设存储对应的事件值的存储位；

多层次场景标签库单元，预设有多层次场景标签，并在各标签下预设存储对应的场景标签值的存储位；

预设计算规则模型单元，其上存储有与多层次场景标签库中的场景标签对应的场景逻辑关系、场景间的关联概率计算规则、场景图谱建立方法、事件图谱建立方法，与多层次事件标签库中的时间标签对应的事件间的关联概率计算规则，以及与多层次事件标签库中的时间标签和多层次场景标签库中的场景标签场景事件逻辑关系；

时间段预设单元，允许用户设置用于采集建立个人场景图谱的数据的时间长度；

场景标签值采集单元，用于根据多层次场景标签库中的场景标签，采集用户在预设时间段内，所处的各类场景标签值；

事件值采集器，用于根据多层次事件标签库中的事件标签，采集用户在预设时间段内，所处的各类事件值；

用户个人场景图谱生成单元，包括用户个人场景生成单元、相邻场景之间关联概率计算单元、场景链式串联表达图谱建立单元，用于根据时间上相邻的规则，基于正向和反向时序关系，建立多个独立的用户个人场景之间的链式串联表达，并在边上标注概率信息，形成用户个人场景图谱；

用户事件图谱生成单元，包括事件间关联概率计算单元、事件链式串联表达图谱建立单元，用于在特定的单个场景，基于正向和反向时序关系，建立多个用户事件之间的链式串联表达，并在边上标注概率信息，形成用户事件图谱；

用户个人场景事件图谱生成单元，用于基于多个特定场景下的用户事件图谱，结合用户个人场景图谱，生成用户个人场景事件图谱。

进一步地，所述的自动创建的个人场景图谱的装置，所述事件值采集器包括：

主体事件值直接采集单元，用于采集计算机终端发生的事件；

客体事件值采集器，用于计算机终端通过视觉听觉识别系统侦测识别的外部发生的事件。

本发明还提出一种自动创建的个人场景事件图谱的应用，应用于个性化推荐系统。

进一步地，所述的自动创建的个人场景事件图谱的应用，通过所述的个人场景事件图谱，实现用户行为预测，根据预测结果，实现个性化推荐。应用于个性化推荐系统，对生成的数据做滤波、去除伪迹等预处理操作，然后提取数据的人、时间、天气、地点、性别、职业、年龄、实时等特征参数，进行PCA相关性主成分分析，提取主成分特征参数，然后训练识别模型，选择径向基函数为核函数的支持向量机作为情绪识别模型。

本发明的有益效果是：本发明通过组建预设多层次场景与事件的融合多维特征标签库；获取并计算用户的人、时间、天气、地点的多层次场景、事件标签值，生成用户的个人场景；研究得到的用户模型的过程中主题数量丰富，解决了原始数据的稀疏性；基于多个独立的用户个人场景，生成用户个人场景图谱，实现自动创建个人场景图谱，使得功能推荐更具针对性，提升了功能推荐的有效率，使得一些多维新特征场景信息补充通过功能推荐迅速获得大量用户大数据；并应用所述个人场景图谱，实现用户行为预测，根据预测结果，实现推荐个性化。采用图谱特征是通过链接形态更好、直观地理解事物。通过多维度形态相关异构的信息连接在一起而得到的一个拓扑网络，信息样本全面，通过基于正向和反向时序关系的链式串联表达，提供了从“链接”和“发展/传播”的角度去分析问题的能力，根据13种时序关系，基于正向和反向时序关系建立多个独立的用户场景之间的链式串联表达图，并在邻接边上标注概率信息，是关联推理的最直接的表达形式。基于图谱的推荐系统能有效帮助用户快速发现感兴趣和高质量的信息，提升用户体验。利用构建的图谱为深入、准确地理解标签(词条)的语义以及标签之间的语义关联提供了背景知识。而采用改进的算法模型不仅提高了推介效果，而且将其应用于基于标签描述用户场景特征的个性化推荐技术后，推广了个性化推荐在交叉、推理领域的应用场景；所述云服务器为区块链云服务器，包括私有区块链设备、公有区块链设备、节点服务器、中央服务器、硬件防火墙、区块链存储模块、发送模块和接收模块；其中私有区块链设备、公有区块链设备通过区块链存储模块存储个人的公有和私有的事件采集数据，实时的通过发送模块分布式发送到节点服务器中，通过接收模块接受实时采集的事件数据并通过节点服务器上传到中央服务器中，所述云服务器还包括硬件防火墙；区块链存储模块中数据划分为区块链备份模块、区块链隔离模块和区块链节点模块，即将现有区块链数据按照功能隔离为单独的模块，区块链节点模块可以设置在不同的节点服务器中，支持跨网络访问，在某个模块出现运行错误时，区块链备份模块、区块链隔离模块可以针对单一模块进行升级修复更新。

附图说明

图1为本发明的方法流程图；

图2为本发明装置结构示意图；

图3为本发明的精简实施例一的流程图。

具体实施方式

本发明中所出现的特定技术名词解释如下：

事件标签：是指用户行为或状态的描述性文字标签，如主体事件、客体事件；

事件/事件值：是指在特定场景背景下的用户行为或者状态的客观描述，如：主体事件-使用微信、客体事件-购物；

场景标签：是指用户所处的场景的属性的描述性文字标签，如：人、时间、天气、地点、性别、职业、年龄、实时状态等；；

场景标签值：指用户在所处的场景中对应的属性值，如：人-刘医生、时间-2017.10.18 18：00、性别-男、实时状态-心情很好等；

多层次场景标签库：指根据用户所处的场景的属性对用户的场景标签值进行分级管理的数据库，如：一级场景标签-人-刘医生，“人”对应的二级场景标签-性别-男、职业-医生等，“职业”对应的三级场景标签-职位-主任医生、职务-西医外科医生等；

用户个人场景：指用户在某个具体时间上，可获取和计算所有的场景标签对应的场景标签值组合所描述的用户状态，如：秋季星期一的晚餐时间，天气凉爽，用户刘医生待在家里；

用户个人场景图谱：指用户在一定时间长度内多个独立的个人场景，通过基于正向和反向时序关系的链式串联表达，以及经计算获得的相邻场景之间的发生概率，生成对应的图谱；

事件图谱：是指用户个人的单个场景包含的多层次事件，基于正向和反向时序关系的链式串联表达，以及计算相邻多层次事件之间的发生概率，生成对应的图谱，例如：下午在公司上班的场景，打电话给客户，概率是70％；开会，概率是90％；

场景事件图谱，是指一定时间内的多个用户事件图谱，基于正向和反向时序关系的链式串联表达，以及计算相邻事件图谱之间的发生概率，生成对应的图谱。

下面结合附图和实施例对本发明作进一步说明。

如附图1所示为一种自动创建多层次事件和场景图谱特征的方法，包括：

步骤1：预设多层次事件标签库和多层次场景标签库，并预设对应的场景事件逻辑关系、场景逻辑关系、场景间的关联概率计算规则、事件间的关联概率计算规则、以及场景图谱建立方法、事件图谱建立方法；

步骤2：计算机终端通过视觉听觉识别获取和/或计算用户的多层次场景标签值，对应存储到预设的所述多层次场景标签库中，根据预设的所述场景逻辑关系，生成用户的个人场景，基于多个独立的用户个人场景，根据场景间的关联概率计算规则，计算预设时间段内多个独立的用户个人场景之间关联概率，根据预设的场景图谱建立方法，生成用户个人场景图谱；

步骤3：基于用户个人场景图谱中特定的单个场景，获取并计算用户在该场景下的多层次事件值，根据事件间的关联概率计算规则，计算单个场景下事件之间的关联概率，根据所述事件图谱建立方法，生成特定场景下的用户事件图谱于云服务器中；所述云服务器为区块链云服务器，包括处私有区块链设备、公有区块链设备、节点服务器、中央服务器、硬件防火墙、区块链存储模块、发送模块和接收模块；其中私有区块链设备、公有区块链设备通过区块链存储模块存储个人的公有和私有的事件采集数据，实时的通过发送模块分布式发送到节点服务器中，通过接收模块接受实时采集的事件数据并通过节点服务器上传到中央服务器中，所述云服务器还包括硬件防火墙；区块链存储模块中数据划分为区块链备份模块、区块链隔离模块和区块链节点模块，即将现有区块链数据按照功能隔离为单独的模块，区块链节点模块可以设置在不同的节点服务器中，支持跨网络访问，在某个模块出现运行错误时，区块链备份模块、区块链隔离模块可以针对单一模块进行升级修复更新；

步骤4：基于多个特定场景下的用户事件图谱，结合步骤2中生成的用户个人场景图谱，生成用户个人场景事件图谱。

进一步地，所述的自动创建多层次事件和场景图谱特征的方法，其中：

所述多层次事件标签，包括一级事件标签和多级下属事件标签；

一级事件标签包括：主体事件和客体事件；

所述主体事件是指在计算机终端发生的事件；

所述客体事件是指计算机终端通过视觉听觉识别系统侦测识别的外部发生的事件。

进一步地，所述的自动创建多层次事件和场景图谱特征的方法，其中：

主体事件是一级事件标签；其包含二级事件标签，二级事件标签中可包含三级事件标签，依次类推；

客体事件是一级事件标签；其包含二级事件标签，二级事件标签中可包含三级事件标签，三级事件标签中可包含四级事件标签，依次类推。

进一步地，所述的自动创建多层次事件和场景图谱特征的方法，其中：

所述场景事件逻辑关系包括：事件标签置于场景标签之下的描述用户行为或状态的逻辑；

所述场景逻辑关系包括：场景标签之间的连接关系及将多个场景标签组合用于描述用户状态的逻辑；

所述场景间的关联概率计算规则包括：根据预设时间段内的统计用户数据，计算相邻场景之间关联发生的概率；

所述事件间的关联概率计算规则包括：在一个场景下，根据预设时间段内的统计用户数据，统计不同事件之间关联发生的概率。

进一步地，所述的自动创建多层次事件和场景图谱特征的方法，其中：

所述场景图谱建立方法，是指一定时间内的多个独立的用户个人场景，基于正向和反向时序关系建立链式串联表达图，并在相邻的用户个人场景之间的边上标注其关联发生的概率；

所述事件图谱建立方法，是指针对用户个人的单个场景包含的多层次事件，基于正向和反向时序关系建立链式串联表达图，并在相邻的事件之间的边上标注其关联发生的概率。

进一步地，所述的自动创建多层次事件和场景图谱特征的方法，其中：

所述时序关系包括：Before：事件/场景在另一个事件/场景之前发生；After：事件/场景在另一个事件/场景之后发生；Includes：一个事件/场景包含另一个事件/场景；Is_Included：一个事件/场景被另一个事件/场景包含；During：一个事件/场景在一段时间内保持一个状态；Simultane-ous：同时发生；Iafter：事件/场景紧跟另一个事件/场景发生，且它们不重叠、不间断；Ibe-fore：事件/场景在另一个事件/场景之前发生，且它们不重叠、不间断；1Iaentity：表示同一事件/场景；Begins：一个事件/场景开始导致另一个事件/场景开始；Ends：一个事件/场景结束导致另一个事件/场景结束；BegunBy：一个事件/场景因另一个事件/场景开始而开始，与Begins相对；Ended_By：一个事件/场景因另一个事件/场景结束而结束，与Ends相对；

所述时序关系的计算方法为：在采集事件/场景的同时，采集事件/场景发生的开始时间点和结束时间点，通过时间计算确定时序关系；

所述正向和反向时序关系的确定方法：根据如上计算方法获得的13种时序关系，通过在时间轴表示事件/场景相邻出现的关系；

所述链式串联表达是指：基于正向和反向时序关系，建立多个独立的用户事件/场景之间的链式串联表达图，并在邻接边上标注概率信息。

进一步地，所述的自动创建多层次事件和场景图谱特征的方法，其中：

所述预设时间段，可由用户自定义。

如附图2所示为一种自动创建个人场景事件图谱的装置，包括：

多层次事件标签库存储器，预设有多层次事件标签，并在各标签下预设存储对应的事件值的存储位；

多层次场景标签库单元，预设有多层次场景标签，并在各标签下预设存储对应的场景标签值的存储位；

预设计算规则模型单元，其上存储有与多层次场景标签库中的场景标签对应的场景逻辑关系、场景间的关联概率计算规则、场景图谱建立方法、事件图谱建立方法，与多层次事件标签库中的时间标签对应的事件间的关联概率计算规则，以及与多层次事件标签库中的时间标签和多层次场景标签库中的场景标签场景事件逻辑关系；

时间段预设单元，允许用户设置用于采集建立个人场景图谱的数据的时间长度；

场景标签值采集单元，用于根据多层次场景标签库中的场景标签，采集用户在预设时间段内，所处的各类场景标签值；

事件值采集器，用于根据多层次事件标签库中的事件标签，采集用户在预设时间段内，所处的各类事件值；

用户个人场景图谱生成单元，包括用户个人场景生成单元、相邻场景之间关联概率计算单元、场景链式串联表达图谱建立单元，用于根据时间上相邻的规则，基于正向和反向时序关系，建立多个独立的用户个人场景之间的链式串联表达，并在边上标注概率信息，形成用户个人场景图谱；

用户事件图谱生成单元，包括事件间关联概率计算单元、事件链式串联表达图谱建立单元，用于在特定的单个场景，基于正向和反向时序关系，建立多个用户事件之间的链式串联表达，并在边上标注概率信息，形成用户事件图谱；

用户个人场景事件图谱生成单元，用于基于多个特定场景下的用户事件图谱，结合用户个人场景图谱，生成用户个人场景事件图谱。

进一步地，所述的自动创建的个人场景图谱的装置，所述事件值采集器包括：

主体事件值采集器，用于采集计算机终端发生的事件；

客体事件值采集器，用于计算机终端通过视觉听觉识别系统侦测识别的外部发生的事件。

本发明还提出一种自动创建的个人场景事件图谱的应用，应用于个性化推荐系统：识别模型训练：选取具有代表性的实验样本进行测试，一般选择各个年龄段生理正常的志愿者作为被试者，收集被试者提供特定的图谱、事件等素材。对生成的数据做滤波、去除伪迹等预处理操作，然后提取数据的人、时间、天气、地点、性别、职业、年龄、实时等特征参数，进行PCA相关性主成分分析，提取主成分特征参数，然后训练识别模型，选择径向基函数为核函数的支持向量机作为情绪识别模型。保存该情绪识别模型用来对其他用户的情绪识别。由上一步得到的识别模型可以用于识别，将识别结果反馈给推荐系统，推荐系统根据场景事件图谱选择合适的商品推荐给用户。

实施例一：

如附图3所示，一种自动创建多层次事件和场景图谱特征的方法，包括：

步骤1：预设多层次事件标签库和多层次场景标签库，并预设对应的场景事件逻辑关系、场景逻辑关系、场景间的关联概率计算规则、事件间的关联概率计算规则、以及场景图谱建立方法、事件图谱建立方法；所述多层次事件标签，包括一级事件标签和多级下属事件标签；一级事件标签包括：主体事件和客体事件；所述主体事件是指在计算机终端发生的事件；所述客体事件是指计算机终端通过视觉听觉识别系统侦测识别的外部发生的事件；

具体地，在本实施例中，对所述预设多层次事件标签库，做如下设计：

所述主体事件是指在计算机终端发生的事件，主体事件是一级事件标签，其包含二级事件标签：聊天、打电话、使用APP、浏览；二级事件标签中的使用APP包含三级事件标签：使用微信。

所述客体事件是指计算机终端通过视觉听觉识别系统侦测识别的外部发生的事件，客体事件是一级事件标签；其包含二级事件标签：开会、逛街、看电影、唱歌；二级事件标签中的看电影包含三级事件标签：看科幻片；三级事件标签中的看科幻片包含四级事件标签：看阿凡达。

步骤2：计算机终端通过视觉听觉识别获取和/或计算用户的多层次场景标签值，对应存储到预设的所述多层次场景标签库中，根据预设的所述场景逻辑关系，生成用户的个人场景，基于多个独立的用户个人场景，根据场景间的关联概率计算规则，计算预设时间段内多个独立的用户个人场景之间关联概率，根据预设的场景图谱建立方法，生成用户个人场景图谱；所述多层次场景标签，包括一级场景标签和多级下属场景标签，所述一级场景标签包括人、时间、地点、天气四个标签；所述场景图谱建立方法，是指一定时间内的多个独立的用户个人场景，基于正向和反向时序关系建立链式串联表达图，并在相邻的用户个人场景之间的边上标注其关联发生的概率；所述预设时间段，可由用户自定义；

所述时序关系包括：Before：场景在另一个场景之前发生；After：场景在另一个场景之后发生；Includes：一个场景包含另一个场景；Is_Included：一个场景被另一个场景包含；During：一个场景在一段时间内保持一个状态；Simultane-ous：同时发生；Iafter：场景紧跟另一个场景发生，且它们不重叠、不间断；Ibe-fore：场景在另一个场景之前发生，且它们不重叠、不间断；1Iaentity：表示同一场景；Begins：一个场景开始导致另一个场景开始；Ends：一个场景结束导致另一个场景结束；BegunBy：一个场景因另一个场景开始而开始，与Begins相对；Ended_By：一个场景因另一个场景结束而结束，与Ends相对；

所述时序关系的计算方法为：在采集场景的同时，采集场景发生的开始时间点和结束时间点，通过时间计算确定时序关系；所述正向和反向时序关系的确定方法：根据如上计算方法获得的13种时序关系，通过在时间轴表示场景相邻出现的关系；所述链式串联表达是指：基于正向和反向时序关系，建立多个独立的用户个人场景之间的链式串联表达图，并在邻接边上标注概率信息；

在本实施例中，针对用户刘先生，获得如下用户个人场景图谱：

一级场景标签对应的场景标签值为：人-刘先生；二级场景标签对应的场景标签值为：性别-男、职业-销售、婚姻状态-已婚、年龄-40岁、健康状况-实时身体健康、心情-实时心情很好；二级场景标签中的医生包含的三级场景标签对应的场景标签值为：职位-销售主管、职务-美容产品销售；对于时间、地点、天气的场景标签及对应的场景标签值以此类推；

在获得用户刘医生的多层次场景标签值后，可根据场景逻辑关系，建立个场景标签值之间的组合关系，生成对应的用户个人场景，如：刘先生，男，40岁，已婚，身体健康，在夏季工作日上午生日当天在公司，心情很好；

用户刘先生自定义记录夏季7-9月的所有用户个人场景，在系统通过记录获得刘先生在整个7-9月的所有用户个人场景后，系统依据所有这些相互独立的用户个人场景，统计相邻场景之间的发生概率，如刘先生下午在公司上班的场景，这个场景之前的场景是中餐时间在餐厅，概率是70％；之后的场景是在家里，概率是90％，将所记录的时间段内的所有这些相互独立的用户个人场景，组成基于正向和反向时序关系的链式串联表达，以及经计算获得的相邻场景之间的发生概率标注在链式串联表达的边上，生成用户个人场景图谱。

步骤3：基于用户个人场景图谱中特定的单个场景，获取并计算用户在该场景下的多层次事件值，根据事件间的关联概率计算规则，计算单个场景下事件之间的关联概率，根据所述事件图谱建立方法，生成特定场景下的用户事件图谱于云服务器中；所述事件图谱建立方法，是指针对用户个人的单个场景包含的多层次事件，基于正向和反向时序关系建立链式串联表达图，并在相邻的事件之间的边上标注其关联发生的概率；

所述时序关系包括：Before：事件在另一个事件之前发生；After：事件在另一个事件之后发生；Includes：一个事件包含另一个事件；Is_Included：一个事件被另一个事件包含；During：一个事件在一段时间内保持一个状态；Simultane-ous：同时发生；Iafter：事件紧跟另一个事件发生，且它们不重叠、不间断；Ibe-fore：事件在另一个事件之前发生，且它们不重叠、不间断；1Iaentity：表示同一事件；Begins：一个事件开始导致另一个事件开始；Ends：一个事件结束导致另一个事件结束；BegunBy：一个事件因另一个事件开始而开始，与Begins相对；Ended_By：一个事件因另一个事件结束而结束，与Ends相对；

所述时序关系的计算方法为：在采集事件的同时，采集事件发生的开始时间点和结束时间点，通过时间计算确定时序关系；所述正向和反向时序关系的确定方法：根据如上计算方法获得的13种时序关系，通过在时间轴表示事件相邻发生的关系(包括相交、包含、相邻发生、同时发生等等)；所述链式串联表达是指：基于正向和反向时序关系，建立多个独立的用户事件之间的链式串联表达图，并在邻接边上标注概率信息；

在本实施例中，针对用户刘先生，获得如下用户事件图谱：

用户刘先生自定义记录夏季7-9月的所有用户个人场景，在系统获得刘先生的用户个人场景图谱后，针对一个特定的场景，如：刘先生下午在公司上班的场景，统计7-9月用户刘先生在整个7-9月打电话给客户的次数、开会的次数，通过统计数据进行概率计算，如有开会的天数/总上班天数获得开会的概率，最后得到：下午在公司上班的场景，刘先生打电话给客户，概率是70％；开会，概率是90％；根据上述13种时序关系建立用户事件之间的链式串联表达图(如打电话给客户和开会这两个事件被包含在上班这个场景之中，在时间轴上表示为被包含的状态，而打电话给客户和开会两个事件之间则会出现重叠，表示为相交的状态)，并在邻接边上标注概率信息，建立该场景下刘先生的用户事件图谱。

步骤4：基于多个特定场景下的用户事件图谱，结合步骤2中生成的用户个人场景图谱，生成用户个人场景事件图谱；

最终，将多个特定场景下已经建立的用户事件图谱，连接形成用户个人场景事件图谱，连接规则是，将包含了用户事件图谱的用户场景，将时间上相邻的场景，基于正向和反向时序关系，建立多个独立的用户场景之间的链式串联表达图，并在邻接边上标注概率信息，建立刘先生的用户个人场景事件图谱，如：下午在公司上班的场景，其包含的事件：打电话给客户-概率是70％：开会-概率是90％；下午在公司上班的场景之前的场景是中餐时间在餐厅，概率是70％，中餐时间在餐厅的场景包含的事件：吃中餐-概率是90％；买零食-概率是50％；下午在公司上班的场景之后的场景是在家里，概率是90％，在家里的场景包含的事件：吃晚餐-概率是95％、看电视-概率是70％。

实施例二：

本发明还提出一种自动创建的个人场景事件图谱的应用，将所述的自动创建的个人场景事件图谱应用于个性化推荐系统，通过所述的个人场景事件图谱，实现用户行为预测，根据预测结果，实现个性化推荐。

本实施例中，创建好的个人场景事件图谱存储在服务器上，与用户终端关联，当用户使用如移动终端进行某种操作时，系统自动获取用户即时所处的场景，获取对应的场景标签值，然后从服务器上存储的用户个人场景事件图谱中，匹配最相近的一个个人场景，根据这个个人场景在用户个人场景事件图谱中的位置和用户在这个场景下历史执行过的事件的概率，预测用户的行为，并据此实现个性化推荐。例如用户刘先生在周一-周四下班后直接回家的概率是90％，周五则有80％的概率会去外面的餐厅吃饭、之后从事看电影或其他娱乐活动，则在用户刘先生周五下班前后查看手机，使用浏览器或其他工具上网时，可以优先推荐刘先生常去的餐厅、电影院等场所，为用户接下来的行程提供选择。

利用MATLAB采用生成的数据做滤波、去除伪迹等预处理操作，然后提取数据的人、时间、天气、地点、性别、职业、年龄、实时等特征参数，进行PCA相关性主成分分析，提取主成分特征参数，然后训练识别模型，选择径向基函数为核函数的支持向量机作为情绪识别模型，回判识别率提高20％以上，进行PCA相关性主成分分析之后数据训练时间收敛缩短75％。

本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，对前述实施例记载的技术方案进行修改或轻易想到的变化，或者对其中部分技术特征进行等同替换，而这些修改、变化或替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种自动创建多层次事件和场景图谱特征的方法，其特征在于，包括：

步骤1：预设多层次事件标签库和多层次场景标签库，并预设对应的场景事件逻辑关系、场景逻辑关系、场景间的关联概率计算规则、事件间的关联概率计算规则、以及场景图谱建立方法、事件图谱建立方法；

步骤2：计算机终端通过视觉听觉识别获取和/或计算用户的多层次场景标签值，对应存储到预设的所述多层次场景标签库中，根据预设的所述场景逻辑关系，生成用户的个人场景，基于多个独立的用户个人场景，根据场景间的关联概率计算规则，计算预设时间段内多个独立的用户个人场景之间关联概率，根据预设的场景图谱建立方法，生成用户个人场景图谱；

步骤3：基于用户个人场景图谱中特定的单个场景，获取并计算用户在该场景下的多层次事件值，根据事件间的关联概率计算规则，计算单个场景下事件之间的关联概率，根据所述事件图谱建立方法，生成特定场景下的用户事件图谱于云服务器中；

步骤4：基于多个特定场景下的用户事件图谱，结合步骤2中生成的用户个人场景图谱，生成用户个人场景事件图谱。

2.根据权利要求1所述的自动创建多层次事件和场景图谱特征的方法，其特征在于：

所述多层次事件标签，包括一级事件标签和多级下属事件标签；

一级事件标签包括：主体事件和客体事件；

所述主体事件是指在计算机终端发生的事件；

所述客体事件是指计算机终端通过视觉听觉识别系统侦测识别的外部发生的事件；

所述云服务器为区块链云服务器，包括私有区块链设备、公有区块链设备、节点服务器、中央服务器、硬件防火墙、区块链存储模块、发送模块和接收模块；其中私有区块链设备、公有区块链设备通过区块链存储模块存储个人的公有和私有的事件采集数据，实时的通过发送模块分布式发送到节点服务器中，通过接收模块接受实时采集的事件数据并通过节点服务器上传到中央服务器中，所述云服务器还包括硬件防火墙；区块链存储模块中数据划分为区块链备份模块、区块链隔离模块和区块链节点模块，即将现有区块链数据按照功能隔离为单独的模块，区块链节点模块可以设置在不同的节点服务器中，支持跨网络访问，在某个模块出现运行错误时，区块链备份模块、区块链隔离模块可以针对单一模块进行升级修复更新。

3.根据权利要求2所述的自动创建多层次事件和场景图谱特征的方法，其特征在于：主体事件是一级事件标签；其包含二级事件标签，二级事件标签中可包含三级事件标签，依次类推；客体事件是一级事件标签；其包含二级事件标签，二级事件标签中可包含三级事件标签，三级事件标签中可包含四级事件标签，依次类推。

4.根据权利要求1所述的自动创建多层次事件和场景图谱特征的方法，其特征在于：所述场景事件逻辑关系包括：事件标签置于场景标签之下的描述用户行为或状态的逻辑；所述场景逻辑关系包括：场景标签之间的连接关系及将多个场景标签组合用于描述用户状态的逻辑；所述场景间的关联概率计算规则包括：根据预设时间段内的统计用户数据，计算相邻场景之间关联发生的概率；所述事件间的关联概率计算规则包括：在一个场景下，根据预设时间段内的统计用户数据，统计不同事件之间关联发生的概率。

5.根据权利要求1所述的自动创建多层次事件和场景图谱特征的方法，其特征在于：所述场景图谱建立方法，是指一定时间内的多个独立的用户个人场景，基于正向和反向时序关系建立链式串联表达图，并在相邻的用户个人场景之间的边上标注其关联发生的概率；所述事件图谱建立方法，是指针对用户个人的单个场景包含的多层次事件，基于正向和反向时序关系建立链式串联表达图，并在相邻的事件之间的边上标注其关联发生的概率。

6.根据权利要求5所述的自动创建多层次事件和场景图谱特征的方法，其特征在于：所述时序关系包括：Before：事件/场景在另一个事件/场景之前发生；After：事件/场景在另一个事件/场景之后发生；Includes：一个事件/场景包含另一个事件/场景；Is_Included：一个事件/场景被另一个事件/场景包含；During：一个事件/场景在一段时间内保持一个状态；Simultane-ous：同时发生；Iafter：事件/场景紧跟另一个事件/场景发生，且它们不重叠、不间断；Ibe-fore：事件/场景在另一个事件/场景之前发生，且它们不重叠、不间断；1Iaentity：表示同一事件/场景；Begins：一个事件/场景开始导致另一个事件/场景开始；Ends：一个事件/场景结束导致另一个事件/场景结束；BegunBy：一个事件/场景因另一个事件/场景开始而开始，与Begins相对；Ended_By：一个事件/场景因另一个事件/场景结束而结束，与Ends相对；所述时序关系的计算方法为：在采集事件/场景的同时，采集事件/场景发生的开始时间点和结束时间点，通过时间计算确定时序关系；所述正向和反向时序关系的确定方法：根据如上计算方法获得的13种时序关系，通过在时间轴表示事件/场景相邻出现的关系；所述链式串联表达是指：基于正向和反向时序关系，建立多个独立的用户事件/场景之间的链式串联表达图，并在邻接边上标注概率信息。

7.根据权利要求1-6任意一项所述的自动创建多层次事件和场景图谱特征的方法，其特征在于：所述预设时间段，可由用户自定义。

8.一种自动创建个人场景事件图谱的装置，其特征在于，包括：

多层次事件标签库存储器，预设有多层次事件标签，并在各标签下预设存储对应的事件值的存储位；多层次场景标签库单元，预设有多层次场景标签，并在各标签下预设存储对应的场景标签值的存储位；预设计算规则模型单元，其上存储有与多层次场景标签库中的场景标签对应的场景逻辑关系、场景间的关联概率计算规则、场景图谱建立方法、事件图谱建立方法，与多层次事件标签库中的时间标签对应的事件间的关联概率计算规则，以及与多层次事件标签库中的时间标签和多层次场景标签库中的场景标签场景事件逻辑关系；时间段预设单元，允许用户设置用于采集建立个人场景图谱的数据的时间长度；场景标签值采集单元，用于根据多层次场景标签库中的场景标签，采集用户在预设时间段内，所处的各类场景标签值；事件值采集器，用于根据多层次事件标签库中的事件标签，采集用户在预设时间段内，所处的各类事件值；用户个人场景图谱生成单元，包括用户个人场景生成单元、相邻场景之间关联概率计算单元、场景链式串联表达图谱建立单元，用于根据时间上相邻的规则，基于正向和反向时序关系，建立多个独立的用户个人场景之间的链式串联表达，并在边上标注概率信息，形成用户个人场景图谱；用户事件图谱生成单元，包括事件间关联概率计算单元、事件链式串联表达图谱建立单元，用于在特定的单个场景，基于正向和反向时序关系，建立多个用户事件之间的链式串联表达，并在边上标注概率信息，形成用户事件图谱；用户个人场景事件图谱生成单元，用于基于多个特定场景下的用户事件图谱，结合用户个人场景图谱，生成用户个人场景事件图谱。

9.根据权利要求7所述的自动创建的个人场景图谱的装置，其特征在于，所述事件值采集器包括：主体事件值直接采集单元，用于采集计算机终端发生的事件；

客体事件值采集器，用于计算机终端通过视觉听觉识别系统侦测识别的外部发生的事件。

10.一种自动创建的个人场景事件图谱的应用，其特征在于，应用于个性化推荐系统，对生成的数据做滤波、去除伪迹等预处理操作，然后提取数据的人、时间、天气、地点、性别、职业、年龄、实时等特征参数，进行PCA相关性主成分分析，提取主成分特征参数，然后训练识别模型，选择径向基函数为核函数的支持向量机作为情绪识别模型。