CN110334159A - 基于关系图谱的信息查询方法和装置 - Google Patents
基于关系图谱的信息查询方法和装置 Download PDFInfo
- Publication number
- CN110334159A CN110334159A CN201910457264.2A CN201910457264A CN110334159A CN 110334159 A CN110334159 A CN 110334159A CN 201910457264 A CN201910457264 A CN 201910457264A CN 110334159 A CN110334159 A CN 110334159A
- Authority
- CN
- China
- Prior art keywords
- destination node
- network
- node
- query result
- intimate
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000002452 interceptive effect Effects 0.000 claims description 13
- 230000003542 behavioural effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011017 operating method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 238000004904 shortening Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种基于关系图谱的信息查询方法和装置，所述方法包括：根据目标节点的识别信息从图数据库中获取目标节点所在的子网络；将所述子网络划分为若干亲密网络；从包含目标节点的亲密网络中选取与所述目标节点具有指定的关联关系的节点作为查询结果。本申请的方法通过提取子网络、划分亲密网络，逐步缩小查询范围，从而减少计算资源的占用，提升检索效率，有效缩短了查询联系人所需的时间。
Description
技术领域
本申请涉及关系图谱技术领域，具体涉及一种基于关系图谱的信息查询方法和装置。
背景技术
图谱是描述个体及个体之间关系的图，一个图谱主要包括三个要素：节点、关系和属性。节点是指图谱中定义的实体，一个图谱可以包含多种类型的节点；比如，自然人可以作为一种节点，手机号可以作为一种节点。关系用来描述节点之间相互联系的状态，两个节点之间可以存在一种或多种关系。比如两个自然人之间可以存在同事关系，也可以同时存在亲友关系。属性用于描述节点或关系的性质，比如自然人节点可以有性别属性，转账关系可以有金额属性等。
参照图1，图中给出了一个图谱的示例，不同形状表示不同类型的节点，直线表示关系，括号中描述的节点或关系的属性。
图数据库(Graph Database)，也可称为面向/基于图的数据库。图数据库的基本含义是以“图”这种数据结构存储和查询数据，而不是存储图片的数据库。它的数据模型主要是以节点和关系(边)来体现，也可处理键值对。它的优点是能够快速解决复杂的关系问题。
企业经常需要对客户数据进行检索，找到某个客户的联系方式。通常的做法是，仅提供目标客户的基本信息，在系统中直接搜索其关联人的联系方式。然后系统返回目标客户的所有联系人信息，由业务人员一一取得联系。
相关技术中，搜索过程需要在全量数据上进行，因此占用大量的资源，效率非常低。不仅如此，随着客户量的增加，关联关系与节点越来越多，全量搜索所花费的时间将会成倍增加。同时，目前搜索出的联系信息并没有根据客户类型和关联关系进行排序，缺乏针对性，这样导致业务成功率较低。
发明内容
为至少在一定程度上克服相关技术中存在的问题，本申请提供一种基于关系图谱的信息查询方法和装置。
根据本申请实施例的第一方面，提供一种基于关系图谱的信息查询方法，包括：
根据目标节点的识别信息从图数据库中获取目标节点所在的子网络；
将所述子网络划分为若干亲密网络；
从包含目标节点的亲密网络中选取与所述目标节点具有指定的关联关系的节点作为查询结果。
进一步地，所述目标节点所在的子网络包括：
从目标节点出发，关联出的全部关系和节点；或者，
以目标节点为圆心、与目标节点有指定层数以内关系的节点。
进一步地，所述将所述子网络划分为若干亲密网络，包括：
通过社群分类算法将所述子网络划分为若干亲密网络。
进一步地，所述选取与所述目标节点具有指定的关联关系的节点作为查询结果，包括：
从包含目标节点的亲密网络中选取所有的节点作为查询结果；或者，
从包含目标节点的亲密网络中选取指定关系层数以内的节点作为查询结果。
进一步地，所述方法还包括：
将所述查询结果中包含的所有节点进行排序。
进一步地，所述将所述查询结果中包含的所有节点进行排序，包括：
确定目标节点的分类特征；
根据所述分类特征对所述查询结果中包含的所有节点进行排序。
进一步地，所述根据所述分类特征对所述查询结果中包含的所有节点进行排序，包括：
根据所述分类特征确定所述查询结果中的各个节点与目标节点之间的关联强度；
将所述查询结果中包含的所有节点按照关联强度由高到低进行排序。
进一步地，所述确定目标节点的分类特征，包括：
根据目标节点的基本信息或行为特征确定分类特征。
进一步地，所述确定目标节点的分类特征，包括：
根据目标节点的基本信息直接对目标节点进行分类，确定分类特征；或者，
通过智能模型对目标节点的基本信息或行为特征进行处理，确定分类特征。
进一步地，所述智能模型是基于无监督学习算法的深度学习模型。
进一步地，所述方法还包括：
将排序后的查询结果发送到关系型数据库进行存储。
进一步地，所述识别信息是通过交互界面获取的输入信息，其中包含目标节点的唯一标识。
进一步地，所述目标节点为：目标客户；相应地，所述识别信息包括：身份证号，手机号，和/或银行卡号。
根据本申请实施例的第二方面，提供一种基于关系图谱的信息查询装置，包括：
获取模块，用于根据目标节点的识别信息从图数据库中获取目标节点所在的子网络；
划分模块，用于将所述子网络划分为若干亲密网络；
筛选模块，用于从包含目标节点的亲密网络中选取与所述目标节点具有指定的关联关系的节点作为查询结果。
根据本申请实施例的第三方面，提供一种基于关系图谱的信息查询系统，包括：
图数据库，用于存储图谱数据，并根据目标节点的识别信息提取目标节点所在的子网络；
图谱处理模块，用于将所述子网络划分为若干亲密网络，并从包含目标节点的亲密网络中选取与所述目标节点具有指定的关联关系的节点作为查询结果；
用户交互模块，用于获取输入的目标节点的识别信息，并展示查询结果。
根据本申请实施例的第四方面，提供一种计算设备，所述计算设备包括：处理器和存储器；
所述存储器用于存储计算机程序指令；
所述计算设备运行时，所述处理器执行所述存储器中的计算机程序指令，以执行如上所述的任一种信息查询方法的操作步骤。
本申请的实施例提供的技术方案具备以下有益效果：
本申请的方法通过提取子网络、划分亲密网络，逐步缩小查询范围，从而减少计算资源的占用，提升检索效率，有效缩短了查询联系人所需的时间。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是一个图谱的示例。
图2是根据一示例性实施例示出的一种基于关系图谱的信息查询方法的流程图。
图3是根据一示例性实施例示出的一种基于关系图谱的信息查询系统的结构框图。
图4是根据一扩展性实施例示出的一种基于关系图谱的信息查询方法的流程图。
图5是一具体应用场景下的从图数据库中提取出的包含目标客户在内的子网络的示意图。
图6是子网络划分为两个亲密网络的示意图。
图7是包含目标客户的亲密网络的示意图。
图8是只提取目标客户的直接联系人的结果示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图2是根据一示例性实施例示出的一种基于关系图谱的信息查询方法的流程图。该方法包括以下步骤：
步骤S1：根据目标节点的识别信息从图数据库中获取目标节点所在的子网络；
步骤S2：将所述子网络划分为若干亲密网络；
步骤S3：从包含目标节点的亲密网络中选取与所述目标节点具有指定的关联关系的节点作为查询结果。
本申请的方法通过提取子网络、划分亲密网络，逐步缩小查询范围，从而减少计算资源的占用，提升检索效率，有效缩短了查询联系人所需的时间。
一些实施例中，所述目标节点所在的子网络包括：
从目标节点出发，关联出的全部关系和节点；或者，
以目标节点为圆心、与目标节点有指定层数以内关系的节点。
一些实施例中，所述将所述子网络划分为若干亲密网络，包括：
通过社群分类算法将所述子网络划分为若干亲密网络。
一些实施例中，所述选取与所述目标节点具有指定的关联关系的节点作为查询结果，包括：
从包含目标节点的亲密网络中选取所有的节点作为查询结果；或者，
从包含目标节点的亲密网络中选取指定关系层数以内的节点作为查询结果。
一些实施例中，所述方法还包括：
将所述查询结果中包含的所有节点进行排序。
一些实施例中，所述将所述查询结果中包含的所有节点进行排序，包括：
确定目标节点的分类特征；
根据所述分类特征对所述查询结果中包含的所有节点进行排序。
一些实施例中，所述根据所述分类特征对所述查询结果中包含的所有节点进行排序，包括：
根据所述分类特征确定所述查询结果中的各个节点与目标节点之间的关联强度；
将所述查询结果中包含的所有节点按照关联强度由高到低进行排序。
一些实施例中，所述确定目标节点的分类特征，包括：
根据目标节点的基本信息或行为特征确定分类特征。
一些实施例中，所述确定目标节点的分类特征，包括：
根据目标节点的基本信息直接对目标节点进行分类，确定分类特征；或者，
通过智能模型对目标节点的基本信息或行为特征进行处理，确定分类特征。
一些实施例中，所述智能模型是基于无监督学习算法的深度学习模型。
一些实施例中，所述方法还包括：
将排序后的查询结果发送到关系型数据库进行存储。
一些实施例中，所述识别信息是通过交互界面获取的输入信息，其中包含目标节点的唯一标识。
一些实施例中，所述目标节点为：目标客户；相应地，所述识别信息包括：身份证号，手机号，和/或银行卡号。
如图3所示，本申请的实施例还提供一种基于关系图谱的信息查询系统，用于实现前述的信息查询方法。该系统包括：图数据库、图谱处理模块、用户交互模块。
图数据库，用于存储图谱数据；还提供图谱数据检索功能，可以根据目标节点的识别信息提取目标节点所在的子网络。
图谱处理模块，用于将所述子网络划分为若干亲密网络，并从包含目标节点的亲密网络中选取与所述目标节点具有指定的关联关系的节点作为查询结果。
具体地，图谱处理模块负责对图数据库输出的子网络进行社群分类，得到亲密网络。然后从亲密网络中提取指定关联关系的联系人，过滤后得到最终联系人库。同时，图谱处理模块需对目标客户进行归类，根据目标客户所属类别，对最终联系人库按照关系亲密程度进行排序，最后将排序后的联系人库存储在关系型数据库中。
用户交互模块，用于获取输入的目标节点的识别信息，并展示查询结果。用户交互模块主要由检索输入界面和信息展示界面组成。用户在检索输入界面输入想要查询的目标客户信息；信息展示界面负责展示与目标客户关系由近到远的联系人号码。
一些实施例中，该系统还包括：关系型数据库，用于存储明细数据，并提供明细数据检索功能。
参照图4，当所述目标节点为目标客户时，对本申请的方法流程进行详细说明。
步骤一：业务人员在用户交互模块输入目标客户的基本信息，如身份证号、手机号、银行卡号等。基于目标客户信息，图谱处理模块从存储了全量关系网络的图数据库中提取其所在的子网络。这一步的子网络可以是从目标客户为圆心关联出的全部关系和节点，也可以是提取到指定的关系层数，例如提取与目标客户有七层以内关系的联系人形成子网络。
步骤二：运用社群分类算法，在图谱处理模块中对上一步得到的子网络进行社群划分，从而得到关联关系更加紧密的亲密网络。
步骤三：提取包含目标客户的亲密网络后，从中选取指定的关联关系的联系人作为目标客户的最终联系人库。在这一步中，联系人的选择方式可以根据业务需要进行调整。例如，可以选择亲密网络中全部联系人作为联系人库；如果亲密网络规模较大，可以选取指定关系层数以内的联系人；同时，也可以结合关系层数与关联关系进行选择，例如提取两层以内的联系人，以及与目标客户绑定相同银行卡的三层以内联系人。
步骤四：根据目标客户的基本信息或行为特征，对目标客户进行归类。归类方法以无监督学习为主，例如聚类。也可以通过客户基本信息直接分类，例如基于年龄因素将客户分为30岁以上和30岁以下两类。
步骤五：根据目标客户所在的客群特点，对第三步中得到的联系人库进行排序。由于不同客群的表现特征不同，相同关联关系的联系人对其重要程度也不同。针对客群特点对联系人库进行排序，可以使与目标客户关系更亲密、取得联系成功率更高的联系人排在联系人库前列。
步骤六：将联系人库发送到关系型数据库进行存储，以后如要查询相同目标客户联系人信息可直接从关系型数据库调用。
步骤七：排序后的联系人库由关系型数据库返回用户交互模块，业务人可优先联系排名靠前的联系人。
下面结合具体的应用场景，对本申请的方法流程进行拓展说明。
1、业务人员在用户交互模块输入目标客户信息，所述信息至少包含目标客户唯一标识。
参照图5，为了简化说明，假设图谱中所有节点都是手机号，且图谱中只有两种关联关系，下列图示中虚线关系表示关联手机给目标客户手机有过话费充值记录，实线关系表示目标客户近30天内使用过的收货地址手机号(非本人)。如果业务人员想要找到目标客户的亲密联系人电话，可以在用户交互模块输入目标客户的手机号。
2、用户交互模块向图谱处理模块发送所述目标客户信息。
3、图谱处理模块将目标客户信息发送至图数据库，提取其所在子网络。
参照图5，图中示出了从图数据库中提取出的包含目标客户在内的子网络。
4、将得到的子网络返回至图谱处理模块，并进行社群划分。
参照图6，在对上述子网络进行社群划分后得到两个亲密网络，划分后得到的亲密网络在分析时认为互相没有关联、是相互独立的。
5、参照图7，提取包含目标客户的亲密网络。
6、提取指定关联关系联系人，得到最终号码库。
参照图8，假设只提取目标客户的直接联系人(一层联系人)，那么得到手机号F、手机号H、手机号G组成的最终号码库。
7、基于目标客户的行为特征、基本信息等，对目标客户进行归类。
假设将人群根据行为特征划分成A：“近30天有三笔以上网购记录”和B：“近30天有三笔及以下网购记录”两类，根据目标客户过去30天的网购次数(五次)，将其划分至A类。
8、按照目标客户所在人群特点，对其所对应的号码库进行排序。
根据客群划分条件，A类客户网购行为较多，认为“近30天内使用过的收货地址手机号”关联关系比话费充值关系更亲密。B类客户则相反。基于上一步目标客户的归类，可以将最终号码库根据关联关系排序：手机号J、手机号F、手机号G。
9、发送排序后的号码库至关系型数据库进行存储。
10、由关系型数据库将查询结果返回至用户交互模块。
以上描述了一种及时性的关系图谱查询方法，即用户输入查询目标后，系统开始进行相关计算。上述方法也可以在中后台定期执行，将所有客户关联信息存储在关系型数据库中。用户查询时直接由用户交互模块发送查询信息至关系型数据库提取信息，然后返回用户查询模块。
本申请的方法利用社群划分和客群分类，缩小搜索范围，提升检索效率，有效缩短了查询联系人时间。通过对全量关系图谱的划分，逐步缩小查询范围，并通过对目标客户针对性的归类，规范业务流程。
本申请还提供如下实施例：
一种基于关系图谱的信息查询装置，包括：
获取模块，用于根据目标节点的识别信息从图数据库中获取目标节点所在的子网络；
划分模块，用于将所述子网络划分为若干亲密网络；
筛选模块，用于从包含目标节点的亲密网络中选取与所述目标节点具有指定的关联关系的节点作为查询结果。
关于上述实施例中的装置，其中各个模块执行操作的具体步骤已经在有关该方法的实施例中进行了详细描述，此处不再详细阐述说明。
本申请还提供如下实施例：
一种计算设备，所述计算设备包括：处理器和存储器；
所述存储器用于存储计算机程序指令；
所述计算设备运行时，所述处理器执行所述存储器中的计算机程序指令，以执行如上所述的任一种信息查询方法的操作步骤。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (16)
1.一种基于关系图谱的信息查询方法，其特征在于，包括：
根据目标节点的识别信息从图数据库中获取目标节点所在的子网络；
将所述子网络划分为若干亲密网络；
从包含目标节点的亲密网络中选取与所述目标节点具有指定的关联关系的节点作为查询结果。
2.根据权利要求1所述的方法，其特征在于，所述目标节点所在的子网络包括：
从目标节点出发，关联出的全部关系和节点；或者，
以目标节点为圆心、与目标节点有指定层数以内关系的节点。
3.根据权利要求1所述的方法，其特征在于，所述将所述子网络划分为若干亲密网络，包括：
通过社群分类算法将所述子网络划分为若干亲密网络。
4.根据权利要求1所述的方法，其特征在于，所述选取与所述目标节点具有指定的关联关系的节点作为查询结果，包括：
从包含目标节点的亲密网络中选取所有的节点作为查询结果；或者，
从包含目标节点的亲密网络中选取指定关系层数以内的节点作为查询结果。
5.根据权利要求1-4任一项所述的方法，其特征在于，还包括：
将所述查询结果中包含的所有节点进行排序。
6.根据权利要求5所述的方法，其特征在于，所述将所述查询结果中包含的所有节点进行排序，包括：
确定目标节点的分类特征；
根据所述分类特征对所述查询结果中包含的所有节点进行排序。
7.根据权利要求6所述的方法，其特征在于，所述根据所述分类特征对所述查询结果中包含的所有节点进行排序，包括：
根据所述分类特征确定所述查询结果中的各个节点与目标节点之间的关联强度；
将所述查询结果中包含的所有节点按照关联强度由高到低进行排序。
8.根据权利要求6所述的方法，其特征在于，所述确定目标节点的分类特征，包括：
根据目标节点的基本信息或行为特征确定分类特征。
9.根据权利要求8所述的方法，其特征在于，所述确定目标节点的分类特征，包括：
根据目标节点的基本信息直接对目标节点进行分类，确定分类特征；或者，
通过智能模型对目标节点的基本信息或行为特征进行处理，确定分类特征。
10.根据权利要求9所述的方法，其特征在于：所述智能模型是基于无监督学习算法的深度学习模型。
11.根据权利要求6-10任一项所述的方法，其特征在于，还包括：
将排序后的查询结果发送到关系型数据库进行存储。
12.根据权利要求1-4、6-10任一项所述的方法，其特征在于，所述识别信息是通过交互界面获取的输入信息，其中包含目标节点的唯一标识。
13.根据权利要求12所述的方法，其特征在于，所述目标节点为：目标客户；相应地，所述识别信息包括：身份证号，手机号，和/或银行卡号。
14.一种基于关系图谱的信息查询装置，其特征在于，包括：
获取模块，用于根据目标节点的识别信息从图数据库中获取目标节点所在的子网络；
划分模块，用于将所述子网络划分为若干亲密网络；
筛选模块，用于从包含目标节点的亲密网络中选取与所述目标节点具有指定的关联关系的节点作为查询结果。
15.一种基于关系图谱的信息查询系统，其特征在于，包括：
图数据库，用于存储图谱数据，并根据目标节点的识别信息提取目标节点所在的子网络；
图谱处理模块，用于将所述子网络划分为若干亲密网络，并从包含目标节点的亲密网络中选取与所述目标节点具有指定的关联关系的节点作为查询结果；
用户交互模块，用于获取输入的目标节点的识别信息，并展示查询结果。
16.一种计算设备，其特征在于，所述计算设备包括：处理器和存储器；
所述存储器用于存储计算机程序指令；
所述计算设备运行时，所述处理器执行所述存储器中的计算机程序指令，以执行权利要求1至13中任一项所述方法的操作步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910457264.2A CN110334159A (zh) | 2019-05-29 | 2019-05-29 | 基于关系图谱的信息查询方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910457264.2A CN110334159A (zh) | 2019-05-29 | 2019-05-29 | 基于关系图谱的信息查询方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110334159A true CN110334159A (zh) | 2019-10-15 |
Family
ID=68140263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910457264.2A Pending CN110334159A (zh) | 2019-05-29 | 2019-05-29 | 基于关系图谱的信息查询方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110334159A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339373A (zh) * | 2020-02-22 | 2020-06-26 | 苏宁金融科技(南京)有限公司 | 一种图谱特征的提取方法、系统、计算机设备和存储介质 |
| CN112256719A (zh) * | 2020-10-20 | 2021-01-22 | 北京字节跳动网络技术有限公司 | 实体查询方法、装置、可读介质与电子设备 |
| WO2021083239A1 (zh) * | 2019-10-28 | 2021-05-06 | 北京大学 | 一种进行图数据查询的方法、装置、设备及存储介质 |
| CN114065060A (zh) * | 2020-07-28 | 2022-02-18 | 中国电信股份有限公司 | 数据分析方法、装置和存储介质 |
| CN115391564A (zh) * | 2022-09-01 | 2022-11-25 | 企查查科技有限公司 | 一种基于webworker构建关系图谱的方法 |
| WO2023065211A1 (zh) * | 2021-10-21 | 2023-04-27 | 华为技术有限公司 | 一种信息获取方法以及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010277438A (ja) * | 2009-05-29 | 2010-12-09 | Nippon Telegr & Teleph Corp <Ntt> | グラフ検索装置およびその動作方法 |
| CN104182504A (zh) * | 2014-08-18 | 2014-12-03 | 合肥工业大学 | 一种新闻事件的动态跟踪和总结算法 |
| CN106844500A (zh) * | 2016-12-26 | 2017-06-13 | 深圳大学 | 一种k‑core‑truss社区模型及分解、搜索算法 |
| CN107908702A (zh) * | 2017-11-06 | 2018-04-13 | 深圳市牛鼎丰科技有限公司 | 联系方式查找方法、装置、计算机设备和存储介质 |
| CN108038136A (zh) * | 2017-11-23 | 2018-05-15 | 上海斯睿德信息技术有限公司 | 基于图模型的企业知识图谱的建立方法和图形化查询方法 |
| CN108804516A (zh) * | 2018-04-26 | 2018-11-13 | 平安科技（深圳）有限公司 | 相似用户查找装置、方法及计算机可读存储介质 |
| CN109740034A (zh) * | 2018-12-20 | 2019-05-10 | 北京华夏电通科技有限公司 | 基于图形数据库的企业涉案信息查询方法及装置 |
-
2019
- 2019-05-29 CN CN201910457264.2A patent/CN110334159A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010277438A (ja) * | 2009-05-29 | 2010-12-09 | Nippon Telegr & Teleph Corp <Ntt> | グラフ検索装置およびその動作方法 |
| CN104182504A (zh) * | 2014-08-18 | 2014-12-03 | 合肥工业大学 | 一种新闻事件的动态跟踪和总结算法 |
| CN106844500A (zh) * | 2016-12-26 | 2017-06-13 | 深圳大学 | 一种k‑core‑truss社区模型及分解、搜索算法 |
| CN107908702A (zh) * | 2017-11-06 | 2018-04-13 | 深圳市牛鼎丰科技有限公司 | 联系方式查找方法、装置、计算机设备和存储介质 |
| CN108038136A (zh) * | 2017-11-23 | 2018-05-15 | 上海斯睿德信息技术有限公司 | 基于图模型的企业知识图谱的建立方法和图形化查询方法 |
| CN108804516A (zh) * | 2018-04-26 | 2018-11-13 | 平安科技（深圳）有限公司 | 相似用户查找装置、方法及计算机可读存储介质 |
| CN109740034A (zh) * | 2018-12-20 | 2019-05-10 | 北京华夏电通科技有限公司 | 基于图形数据库的企业涉案信息查询方法及装置 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021083239A1 (zh) * | 2019-10-28 | 2021-05-06 | 北京大学 | 一种进行图数据查询的方法、装置、设备及存储介质 |
| CN111339373A (zh) * | 2020-02-22 | 2020-06-26 | 苏宁金融科技(南京)有限公司 | 一种图谱特征的提取方法、系统、计算机设备和存储介质 |
| CN111339373B (zh) * | 2020-02-22 | 2023-06-30 | 苏宁金融科技(南京)有限公司 | 一种图谱特征的提取方法、系统、计算机设备和存储介质 |
| CN114065060A (zh) * | 2020-07-28 | 2022-02-18 | 中国电信股份有限公司 | 数据分析方法、装置和存储介质 |
| CN114065060B (zh) * | 2020-07-28 | 2023-09-08 | 中国电信股份有限公司 | 数据分析方法、装置和存储介质 |
| CN112256719A (zh) * | 2020-10-20 | 2021-01-22 | 北京字节跳动网络技术有限公司 | 实体查询方法、装置、可读介质与电子设备 |
| WO2023065211A1 (zh) * | 2021-10-21 | 2023-04-27 | 华为技术有限公司 | 一种信息获取方法以及装置 |
| CN115391564A (zh) * | 2022-09-01 | 2022-11-25 | 企查查科技有限公司 | 一种基于webworker构建关系图谱的方法 |
| CN115391564B (zh) * | 2022-09-01 | 2024-03-26 | 企查查科技股份有限公司 | 一种基于webworker构建关系图谱的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110334159A (zh) | 基于关系图谱的信息查询方法和装置 | |
| Jafarkarimi et al. | A naive recommendation model for large databases | |
| CN102708130B (zh) | 计算用户微细分以用于要约匹配的可扩展引擎 | |
| CN101055585B (zh) | 文档聚类系统和方法 | |
| CN100530185C (zh) | 基于网络行为的个性化推荐方法和系统 | |
| JP5620933B2 (ja) | エンタープライズウェブマイニングシステム及び方法 | |
| CN108764984A (zh) | 一种基于大数据的电力用户画像构建方法及系统 | |
| CN105320719B (zh) | 一种基于项目标签和图形关系的众筹网站项目推荐方法 | |
| CN105760443B (zh) | 项目推荐系统、项目推荐装置以及项目推荐方法 | |
| CN105074724A (zh) | 使用列式数据库中的直方图进行有效查询处理 | |
| US20160034505A1 (en) | Systems and methods for large-scale link analysis | |
| JPH1185769A (ja) | 対象の集団から選択可能な特性を有する対象群を発見する方法 | |
| CN101650717A (zh) | 一种节约数据库存储空间的方法和系统 | |
| CN106095920B (zh) | 面向大规模高维空间数据的分布式索引方法 | |
| CN105975537A (zh) | 一种应用程序的排序方法及装置 | |
| EP2530610A1 (en) | Apparatus and method of searching and visualizing instance path | |
| US20120215770A1 (en) | Structured relevance - a mechanism to reveal why data is related | |
| CN104794130B (zh) | 一种表间关联查询方法和装置 | |
| US20220019567A1 (en) | Data storage using vectors of vectors | |
| CN109271545A (zh) | 一种特征检索方法及装置、存储介质和计算机设备 | |
| Valero-Mas et al. | On the suitability of Prototype Selection methods for kNN classification with distributed data | |
| CN106649380A (zh) | 一种基于标签的热点推荐方法及系统 | |
| CN112860850B (zh) | 人机交互方法、装置、设备及存储介质 | |
| US12013855B2 (en) | Trimming blackhole clusters | |
| US9275104B2 (en) | Structured relevance—a mechanism to reveal how data is related |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191015 |