CN110362744B - 阅读推荐方法及系统、终端设备、计算机设备及介质 - Google Patents
阅读推荐方法及系统、终端设备、计算机设备及介质 Download PDFInfo
- Publication number
- CN110362744B CN110362744B CN201910559058.2A CN201910559058A CN110362744B CN 110362744 B CN110362744 B CN 110362744B CN 201910559058 A CN201910559058 A CN 201910559058A CN 110362744 B CN110362744 B CN 110362744B
- Authority
- CN
- China
- Prior art keywords
- emotion
- attribute information
- reading
- user
- corresponding relation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000008451 emotion Effects 0.000 claims abstract description 316
- 230000002996 emotional effect Effects 0.000 claims abstract description 17
- 210000004556 brain Anatomy 0.000 claims description 83
- 230000000694 effects Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000007493 shaping process Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 6
- 230000002143 encouraging effect Effects 0.000 claims description 5
- 229940068196 placebo Drugs 0.000 claims description 5
- 239000000902 placebo Substances 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000036651 mood Effects 0.000 claims 2
- 239000000758 substrate Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 241000287828 Gallus gallus Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 235000014347 soups Nutrition 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06F16/30—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
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种阅读推荐方法及系统、终端设备、计算机设备及介质。该方法的一个具体实施方式包括：获取情绪属性信息与阅读资源的对应关系；获取用户当前的情绪属性信息；基于用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系推荐阅读资源。该实施方式通过获取用户的情绪状态，阅读资源推荐平台根据得到的用户的情绪属性信息确定推荐给用户的阅读资源，从而实现了通过分析用户当前的情绪状态向用户发送推荐的阅读资源，能够满足不同用户对于阅读资源的个性化需求。不需要用户进行手动搜索即可准确地向用户推荐与用户当前的情绪状态相符的阅读资源，增加了用户的阅读兴趣与阅读量，提高了用户体验。
Description
技术领域
本发明涉及阅读推荐技术领域。更具体地，涉及一种阅读推荐方法及系统、终端设备、计算机设备及介质。
背景技术
随着移动互联网技术的成熟，信息资源的发展也越来越迅速，读者的需求也越来越多样化，海量的冗余信息及需求的不确定性都使得阅读平台的服务工作面临巨大的困难。现有的个性化推荐技术根据用户的需求和兴趣将有价值的资源主动提供给用户，从一定程度上解决了这一难题。但是在新的移动环境下，读者的需求带有很强的情绪敏感性。
情绪对人生活最大的影响就是会影响人的行为和对事情的一些判断。在不同情绪下，人会做出不同的阅读行为。比如人兴奋的时候，喜欢阅读一些让人开心与励志的书籍，伤心的时候，可能什么事情都不想做，或者从某些心灵鸡汤的书籍中寻求安慰。脑电波是一些自发的有节律的神经电活动。脑电波依频率主要可分为：delta波，theta波，alpha波，beta波，gamma伽玛波，这些频率波段的组合形成了一个人的内外在的情绪和行为上的表现。目前根据脑电波获取的用户当前的情绪和用户在某种情绪下阅读行为的大数据进行阅读推荐的技术方案还鲜见报道。
因此，需要提供一种阅读推荐方法及系统、终端设备、计算机设备及介质。
发明内容
本发明的目的在于提供一种阅读推荐方法及系统、终端设备、计算机设备及介质，以解决现有技术存在的问题中的至少一个。
为达到上述目的，本发明采用下述技术方案：
本发明的第一方面提供了一种阅读推荐方法，包括：获取情绪属性信息与阅读资源的对应关系；获取用户当前的情绪属性信息；基于所述用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系推荐阅读资源。
可选的，所述情绪属性信息包括情绪属性的定义信息和情绪属性的权重信息。
可选的，在所述获取情绪属性信息与阅读资源的对应关系之前，该方法还包括：提取所述阅读资源的语义特征；匹配情绪属性信息与所述语义特征以得到情绪属性信息与阅读资源的对应关系并关联存储。
可选的，在所述提取所述阅读资源的语义特征之后还包括：获取用户对所述阅读资源的情绪标注；将所述语义特征与所述情绪标注结合形成所述阅读资源的情绪关键字；所述匹配情绪属性信息与所述语义特征以得到情绪属性信息与阅读资源的对应关系并关联存储还包括：匹配所述情绪属性信息与所述情绪关键字以得到所述情绪属性信息与所述阅读资源的对应关系并关联存储。
可选的，所述基于所述用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系推荐阅读资源进一步包括：基于所述用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系获取所述用户当前的情绪属性信息对应的阅读资源；将所述用户当前的情绪属性信息对应的阅读资源进行排序，并推荐排序在前的预设数量的阅读资源。
可选的，所述获取用户当前的情绪属性信息进一步包括：采集用户当前的脑电波信号；获取脑电波信号与情绪属性信息的对应关系；基于所述用户当前的脑电波信号及脑电波信号与情绪属性信息的对应关系获取用户当前的情绪属性信息。
可选的，在基于所述用户当前的脑电波信号及脑电波信号与情绪属性信息的对应关系获取用户当前的情绪属性信息之前还包括：对所述用户当前的脑电波信号进行放大、滤波、整形后转换为数字信号形式的脑电波信号。
本发明的第二方面提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的阅读推荐方法。
本发明的第三方面提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上文所述的阅读推荐方法。
本发明的第四方面提供了一种终端设备，阅读推荐系统，包括：对应关系获取模块，被配置为获取情绪属性信息与阅读资源的对应关系；情绪信息获取模块，被配置为获取用户当前的情绪属性信息；阅读推荐模块，被配置为基于所述用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系推荐阅读资源。
可选的，所述情绪属性信息包括情绪属性的定义信息和情绪属性的权重信息。
可选的，还包括：特征提取模块，被配置为提取所述阅读资源的语义特征；对应关系获取模块，被配置为匹配情绪属性信息与所述语义特征以得到情绪属性信息与阅读资源的对应关系并关联存储。
可选的，还包括：标注获取模块，被配置为获取用户对所述阅读资源的情绪标注；关键字获取模块，被配置为将所述语义特征与所述情绪标注结合形成所述阅读资源的情绪关键字；所述对应关系获取模块还被配置为，匹配所述情绪属性信息与所述情绪关键字以得到所述情绪属性信息与所述阅读资源的对应关系并关联存储。
可选的，所述阅读推荐模块还被配置为，基于所述用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系获取所述用户当前的情绪属性信息对应的阅读资源；将所述用户当前的情绪属性信息对应的阅读资源进行排序，并推荐排序在前的预设数量的阅读资源。
可选的，所述情绪信息获取模块包括：脑电波输入传感器，用于采集用户当前的脑电波信号；对应关系获取子模块，被配置为获取脑电波信号与情绪属性信息的对应关系；处理计算子模块，被配置为基于所述用户当前的脑电波信号及脑电波信号与情绪属性信息的对应关系获取用户当前的情绪属性信息。
可选的，所述情绪信息获取模块还包括：信号放大器，用于对所述用户当前的脑电波信号进行放大；陷波滤波器，用于对所述用户当前的脑电波信号进行滤波；限幅放大器，用于对所述用户当前的脑电波信号进行整形；模数转换器，用于将经过放大、滤波和整形后的所述用户当前的脑电波信号转换为数字信号形式的脑电波信号。
本发明的第五方面提供了一种阅读推荐系统，包括服务器及上文所述的终端设备，所述服务器包括：特征提取模块，被配置为提取所述阅读资源的语义特征；对应关系获取模块，被配置为匹配情绪属性信息与所述语义特征以得到情绪属性信息与阅读资源的对应关系并关联存储。
可选的，所述服务器还包括：标注获取模块，被配置为获取用户对所述阅读资源的情绪标注；关键字获取模块，被配置为将所述语义特征与所述情绪标注结合形成所述阅读资源的情绪关键字；所述对应关系获取模块还被配置为，匹配所述情绪属性信息与所述情绪关键字以得到所述情绪属性信息与所述阅读资源的对应关系并关联存储。
本发明的有益效果如下：
通过获取用户的情绪状态，阅读资源推荐平台根据得到的用户的情绪属性信息确定推荐给用户的阅读资源，从而实现了通过分析用户当前的情绪状态向用户发送推荐的阅读资源，能够满足不同用户对于阅读资源的个性化需求。不需要用户进行手动搜索即可准确地向用户推荐与用户当前的情绪状态相符的阅读资源，增加了用户的阅读兴趣与阅读量，提高了用户体验。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1示出根据本发明一个实施例的阅读推荐方法的流程图；
图2示出根据本发明一个具体实施例的获取情绪属性信息与阅读资源的对应关系模型的方法流程图；
图3示出根据本发明另一个实施例的阅读推荐方法的流程图；
图4示出根据本发明一个实施例的阅读推荐系统、终端和服务器的结构示意图；
图5示出根据本发明一个实施例的终端设备的结构示意图；
图6示出根据本发明一个具体实施例的情绪信息获取模块的结构示意图；
图7示出根据本发明一个具体实施例的推荐引擎的结构示意图；
附图中相似的部件以相同的附图标记进行表示。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，根据本发明的第一方面的一个实施例，提供一种阅读推荐方法，包括：
S101：获取情绪属性信息与阅读资源的对应关系；
S102：获取用户当前的情绪属性信息；
S103：基于用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系推荐阅读资源。
获取情绪属性信息与阅读资源的对应关系。阅读资源可以包括书籍(包括电子书籍、漫画、视频资源)、画册、期刊、文章和诗歌等一切可供阅读的内容，也可以包括一些能够提供阅读资源的公众号或链接等，在此不作限定。
其中，情绪属性信息可以包括情绪属性的定义信息和情绪属性的权重信息，情绪属性的定义信息例如可以是高兴、伤心、安静等对情绪的定义，情绪属性的权重信息则表示为用户处于某种情绪的程度，相当于对情绪的量化，可以通过打分的形式进行体现，例如满分为10分时，伤心的情绪为1分则表示不怎么伤心，愤怒的情绪为3分则表示有点愤怒，高兴的情绪为8分则表示非常高兴，具体的表示方式在此不作限定。
情绪属性信息与阅读资源的对应关系即用户的某种情绪与可能会阅读的阅读资源的对应关系，例如用户在焦虑的情绪下可能会阅读一些具有鼓励性内容的阅读资源，例如心灵鸡汤。作为一种可选的实施方式，获取情绪属性信息与阅读资源的对应关系，可以根据用户情绪阅读的历史数据，当用户处于某种情绪下时阅读的阅读资源可能有多个，可以建立用户所处的情绪与这些阅读资源的对应关系，例如在历史数据中，当用户高兴时会阅读书籍甲和书籍乙，那么则建立用户高兴的情绪与书籍甲和书籍乙的对应关系，进一步的，可以建立用户高兴的情绪与近似于书籍甲或书籍乙的阅读资源的对应关系，近似于书籍甲或书籍乙的阅读资源例如可以包括与书籍甲或书籍乙同作者的书籍，与书籍甲或书籍乙文本相似的书籍或者与书籍甲或书籍乙具有其他关联关系的阅读资源，在此不作限定。
作为一个具体实施例，可以获取情绪属性信息与阅读资源的对应关系模型，如图2所示，S201-S203为模型训练阶段，S204-S206为模型预测阶段。通过在全国不同地域对不同年龄阶段不同性别的人员，发起不同情绪状态下阅读偏好问卷调查、阅读APP推广应用服务等方式，获取用户在不同情绪状态下的阅读偏好行为，为模型训练提供基础模型用户数据。
在模型训练阶段，首先取基础模型阅读APP的用户，为其标记“阅读APP用户”的标签，分析阅读APP用户在不同情绪条件下的多个等长时间段的历史阅读数据，对数据进行预处理和修正，包括：特征提取，特征降维，特征空值处理，特征转换，特征归一化，目标值空值处理和目标值转换。采用梯度提升树(Spark Gradient-boosted trees简称GBTs)算法建立训练模型并进行训练。在训练过程中，若每个等长时间段的数据都能达到较高的准确率，则说明模型效果较好；若准确率波动较大，则要不断迭代直到获取到较优的模型参数。可选的，可以取用不同等长时间段的不同数据，换用其他算法模型来反复训练，获取效果最好的模型作为预测用户在不同情绪下的阅读偏好的情绪属性信息与阅读资源的对应关系模型。进一步的，可以基于用户在多个登场时间段的历史阅读数据获取用户的阅读规律。
可选的，在阅读偏好预测阶段，可以利用训练出的模型对其他不带“阅读APP用户”标签的用户在某种情绪条件的阅读偏好进行预测。
除了可以基于历史数据，获取情绪属性信息与阅读资源的对应关系之外，还可以基于阅读资源的语义特征，获取情绪属性信息与阅读资源的对应关系。
作为一种可选的实施方式，在获取情绪属性信息与阅读资源的对应关系之前，该方法还可以包括：提取阅读资源的语义特征，匹配情绪属性信息与语义特征以得到情绪属性信息与阅读资源的对应关系并关联存储。
提取阅读资源的语义特征，这里以提取书籍的语义特征为例，可以对书籍使用word2vec模型结合书籍的上下文的信息，训练出词向量，通过把词映射到V维的向量空间，词与词之间的向量操作能够与语义相对应，从而提取书籍的语义特征。
匹配情绪属性信息与语义特征以得到情绪属性信息与阅读资源的对应关系并关联存储，当提取的某一阅读资源的语义特征与情绪属性信息相匹配，则获取这一阅读资源与该情绪属性信息的对应关系，并将这一阅读资源与该情绪属性信息关联存储。匹配的形式例如可以包括语义对某种情绪具有安慰作用、鼓励作用、警示作用等，在此不作限定。
作为又一种可选的实施方式，在提取阅读资源的语义特征之后还包括：获取用户对阅读资源的情绪标注；将语义特征与情绪标注结合形成阅读资源的情绪关键字；匹配情绪属性信息与情绪关键字以得到情绪属性信息与阅读资源的对应关系并关联存储。
提取阅读资源的语义特征，这里仍以提取书籍的语义特征为例，可以对书籍使用word2vec模型结合书籍的上下文的信息，训练出词向量，通过把词映射到V维的向量空间，词与词之间的向量操作能够与语义相对应，从而提取书籍的语义特征。用户在阅读书籍文本之后可能会产生多种情绪标注，例如可以包括喜、怒、哀、乐、悲等。
将语义特征与情绪标注结合形成阅读资源的情绪关键字，这种结合可以是简单的将语义特征与情绪标注合并形成情绪关键字，也可以根据每个语义特征与情绪标注的权重从中选出预定数量的情绪关键字，也可以进一步的对语义特征和情绪标注二次提取语义特征作为情绪关键字，在此不做限定。
匹配情绪属性信息与情绪关键字以得到情绪属性信息与阅读资源的对应关系并关联存储，当某一阅读资源的情绪关键字与情绪属性信息相匹配，则获取这一阅读资源与该情绪属性信息的对应关系，并将这一阅读资源与该情绪属性信息关联存储。匹配的方式例如可以包括情绪关键字的含义对某种情绪具有安慰作用、鼓励作用、警示作用等，在此不作限定。
作为一个具体实施例，采集相关语料及用户情绪标注，通过构建机器学习模型的方法获取情绪属性信息与阅读资源的对应关系模型的过程如下：
步骤a.提取书籍的文本特征，即从书籍文本中抽取有代表性的特征，其过程可以表示为构建一种特征映射：σ＝D→x，；
步骤b.针对不同的情绪标注，提取有差异化的书籍文本特征，即构建映射：σ1＝D→xn(n＝1,2,3,…)；
步骤c.在差异化的书籍文本特征基础上，构建基于书籍不同情绪标注的资源分类：fn＝xn-yn(n＝1,2,3,…)。
作为一种可选的实施方式，可以基于书籍资源的分类获取具体的书籍，例如可以通过如下算法进行：
1、文本相似度：先对阅读资源简介进行分词处理，利用TF-IDF特征化简介向量后，通过余弦相似度判断资源间的相似程度；
2、用户历史情绪偏好，首先计算出用户近半年到一年的时间内在情绪条件下偏好的阅读资源的前三名的资源分类，然后基于过滤情绪剧烈波动条件下阅读偏好的阅读资源分类排行榜进行推荐；
获取用户当前的情绪属性信息，可以通过对用户进行询问的方式获取用户的情绪属性信息，也可以通过让用户做情绪测试的方式获取用户的情绪属性信息，作为一种可选的实施方式，可以获取用户的脑电波信号，根据脑电波信号获取用户当前的情绪属性信息。
作为一种可选的实施方式，采集用户当前的脑电波信号，获取脑电波信号与情绪属性信息的对应关系，基于用户当前的脑电波信号即脑电波信号与情绪属性信息的对应关系获取用户当前的情绪属性信息。
作为一种可选的实施方式，采集用户当前的脑电波信号，通过对脑电波信号的预处理、特征提取、特征降维、情绪模式的学习和分类，来完成情绪的识别，获取脑电波信号与情绪属性信息的对应关系。脑电波信号中包含了大量的节律频段信息，其中delta(1Hz～4Hz)，theta(4Hz～8Hz)，alpha(8Hz～13Hz)，beta(13Hz～30Hz)和gamma(30Hz以上)等5个频段与情绪属性有着紧密的关联，例如负性情绪与大脑额部左半球区域的alpha能量有关，而正性情绪则与大脑额部右半球区域的alpha能量有关，表1列出了几种情绪属性与脑电波特征的对应关系。
表1
在基于用户当前的脑电波信号即脑电波信号与情绪属性信息的对应关系获取用户当前的情绪属性信息之前还包括对用户当前的脑电波信号的处理，可以将脑电波信号进行放大、滤波、整形后转换为数字信号形式的脑电波信号。
从而基于用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系推荐阅读资源。
通过获取用户的情绪状态，阅读资源推荐平台根据得到的用户的情绪属性信息确定推荐给用户的阅读资源，从而实现了通过分析用户当前的情绪状态向用户发送推荐的阅读资源，能够满足不同用户对于阅读资源的个性化需求。不需要用户进行手动搜索即可准确地向用户推荐与用户当前的情绪状态相符的阅读资源，增加了用户的阅读兴趣与阅读量，提高了用户体验。
如图3所示，根据本发明的第一方面的又一个实施例，一种阅读推荐方法，包括：
S301：获取情绪属性信息与阅读资源的对应关系；
S302：获取用户当前的情绪属性信息；
S303：基于用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系获取用户当前的情绪属性信息对应的阅读资源；
S304：将用户当前的情绪属性信息对应的阅读资源进行排序，并推荐排序在前的预设数量的阅读资源。
将用户当前的情绪属性信息对应的阅读资源进行排序，并推荐排序在前的预设数量的阅读资源。当用户处于某种情绪下时，其情绪属性信息与情绪关键字会存在一个匹配度的问题，例如当情绪属性信息与情绪关键字完全相同时则匹配度最高，当情绪属性信息仅仅与情绪关键字的近义词相匹配，则匹配度相对较低。
可选的，某一个阅读资源的情绪关键字可以有多个，多个情绪关键字可以根据阅读资源所反映出来的某种情绪的多少或程度深浅按递减或递增的顺序排序。将用户所反映出来的情绪属性信息与多个情绪关键字进行匹配，可以在多个情绪关键字中搜索与情绪属性相匹配某情绪关键字，并计算匹配度，并根据该匹配度递减的顺序对阅读资源进行排序，将排序在前预设数量的阅读资源推荐给用户，例如可以是前5个，也可以是前10个，在此不作限定。将阅读资源推荐给用户，可以将所推荐阅读的资源的链接或内容通过有线或无线通信发送到用户所使用的应用从而呈现给用户。
通过排序的方式自动为用户优选了用户在某种情绪下的阅读资源，不需要用户再次对所推荐的阅读资源进行挑选，提高了用户体验。
如图4所示，本发明的第二方面，提供适于用来实现本实施例提供的阅读推荐方法的计算机系统，包括中央处理模块(CPU)，其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有计算机系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线被此相连。输入/输入(I/O)接口也连接至总线。
以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地，根据本实施例，上文流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括有形地包含在计算机可读介质上的计算机程序，上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。
附图中的流程图和示意图，图示了本实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或示意图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为本发明的第三方面，还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质，也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当上述一个或者多个程序被一个设备执行时，实现如上的阅读推荐方法。
如图5所示，本发明的第四方面的一个实施例，提供一种终端设备，阅读推荐系统500，包括：对应关系获取模块501，被配置为获取情绪属性信息与阅读资源的对应关系；情绪信息获取模块502，被配置为获取用户当前的情绪属性信息；阅读推荐模块503，被配置为基于用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系推荐阅读资源。
可选的，情绪属性信息包括情绪属性的定义信息和情绪属性的权重信息。
可选的，还包括：特征提取模块，被配置为提取阅读资源的语义特征；对应关系获取模块，被配置为匹配情绪属性信息与语义特征以得到情绪属性信息与阅读资源的对应关系并关联存储。
可选的，还包括：标注获取模块，被配置为获取用户对阅读资源的情绪标注；关键字获取模块，被配置为将语义特征与情绪标注结合形成阅读资源的情绪关键字；对应关系获取模块还被配置为，匹配情绪属性信息与情绪关键字以得到情绪属性信息与阅读资源的对应关系并关联存储。
可选的，阅读推荐模块还被配置为，基于用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系获取用户当前的情绪属性信息对应的阅读资源；将用户当前的情绪属性信息对应的阅读资源进行排序，并推荐排序在前的预设数量的阅读资源。
可选的，情绪信息获取模块包括：脑电波输入传感器，用于采集用户当前的脑电波信号；对应关系获取子模块，被配置为获取脑电波信号与情绪属性信息的对应关系；处理计算子模块，被配置为基于用户当前的脑电波信号及脑电波信号与情绪属性信息的对应关系获取用户当前的情绪属性信息。
可选的，情绪信息获取模块还包括：信号放大器，用于对用户当前的脑电波信号进行放大；陷波滤波器，用于对用户当前的脑电波信号进行滤波；限幅放大器，用于对用户当前的脑电波信号进行整形；模数转换器，用于将经过放大、滤波和整形后的用户当前的脑电波信号转换为数字信号形式的脑电波信号。
如图6所示为根据本发明的情绪信息获取模块的一个具体实施例，包括脑电波输入传感器601，用于获取用户当前的脑电波信号，对应关系获取子模块602，用于获取脑电波信号与情绪属性信息的对应关系，处理计算子模块603，用于基于用户当前的脑电波信号及脑电波信号与情绪属性信息的对应关系获取用户当前的情绪属性信息，信号放大器604，用于对脑电波输入传感器601获取的脑电波信号进行放大，陷波滤波器605，用于对脑电波输入传感器601获取的脑电波信号进行滤波，滤除其中的杂波、干扰波，限幅放大器606，用于对脑电波输入传感器601获取的脑电波信号进行信号整形和过电压保护，模数转换器607，用于将将经过放大、滤波和整形后的用户当前的脑电波信号转换为数字信号形式的脑电波信号。还可以包括信号输出子模块608，被配置为将用户当前的情绪属性信息发送给应用软件(APP)。
本发明的第五方面的一个实施例，提供一种阅读推荐系统，包括服务器及如上文的终端设备，服务器包括：特征提取模块，被配置为提取阅读资源的语义特征；对应关系获取模块，被配置为匹配情绪属性信息与语义特征以得到情绪属性信息与阅读资源的对应关系并关联存储。
可选的，服务器还包括：标注获取模块，被配置为获取用户对阅读资源的情绪标注；关键字获取模块，被配置为将语义特征与情绪标注结合形成阅读资源的情绪关键字；对应关系获取模块还被配置为，匹配情绪属性信息与情绪关键字以得到情绪属性信息与阅读资源的对应关系并关联存储。
如图7所示，为根据本发明一个具体实施例的推荐引擎的结构示意图，分为基础层与封装层。
基础层从资源属性构建资源—>资源的中间结果数据，涉及的算法有：
a、文本相似：基于文本相似模型数据集7011先对资源长简介进行分词处理，利用TF-IDF特征化简介向量后，通过余弦相似度判断资源间的相似程度；
b、用户历史情绪偏好：基于用户历史情绪偏好模型数据集7012首先计算出用户近半年到一年情绪条件下偏好前三的资源分类，然后基于过滤情绪波动剧烈下的分类资源排行榜进行推荐。
结合脑电波传感器采集的用户情绪状况，构建封装层增强推荐内容的丰富程度、进行书籍的推荐，引入运营干预并对冷启动问题进行解决，基于权重因子(对基础层结果)进行混淆、重排701，再依次通过对运营书单中的资源优先展现702(运营书单干预)、对新资源优先展现703(新资源书单干预)以及强制置顶书单增强可运营性，并进行冷启动书单辅助填充704，最终得到资源的推荐数据705。既覆盖历史推荐场景，也适配新的场景需求生成精准推荐内容，提升整个推荐引擎的智能程度与用户感知。
其中，基于权重因子(对基础层结果)进行混淆、重排涉及混淆操作：基于权重因子，对“文本相似度结果”和“用户历史情绪偏好结果”进行混淆；通过对运营书单中的资源优先展现和对新资源优先展现涉及人工干预：若运营书单因子>0，则将混淆结果中属于运营书单的阅读书籍权重提高，若新资源因子>0，则将新资源中同类型的阅读书籍排入，若强制置顶因子>0(一般用于基于用户推荐)，则排入置顶阅读书单；进行冷启动书单辅助填充涉及冷启动：对推荐数量不满足要求的书籍，填充同分类的书籍排行榜为默认书单，并导出接口作为“新资源”的默认书单池。
本发明通过脑电波装置获取用户的情绪状态，应用推荐业务平台根据得到用户的情绪特征，去确定待推荐给用户的阅读资源的列表信息。从而实现了通过分析用户自身的特征，根据用户自身的需求向用户发送阅读资源的推荐列表，满足不同用户对于阅读资源的个性化需求。
并且，本实施方式通过分析平台分析大网用户的阅读情绪特征，建立了阅读情绪特征模型，然后再针对阅读平台的书籍进行了分类，最后采用文本相似度和用户历史情绪偏好规则，指定出推荐列表，从而为用户精准推荐符合其当前情绪个性化需求。
需要说明的是，本实施例中的各个步骤可以同时执行，也可以先后执行，此处不做限定。
还需要说明的是，在本发明的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (13)
1.一种阅读推荐方法，其特征在于，包括：
获取情绪属性信息与阅读资源的对应关系；
获取用户当前的情绪属性信息；
基于所述用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系推荐阅读资源；
在所述获取情绪属性信息与阅读资源的对应关系之前，该方法还包括：
提取所述阅读资源的语义特征；
匹配情绪属性信息与所述语义特征以得到情绪属性信息与阅读资源的对应关系并关联存储；
在所述提取所述阅读资源的语义特征之后还包括：
获取用户对所述阅读资源的情绪标注；
将所述语义特征与所述情绪标注结合形成所述阅读资源的情绪关键字；
所述匹配情绪属性信息与所述语义特征以得到情绪属性信息与阅读资源的对应关系并关联存储进一步包括：匹配所述情绪属性信息与所述情绪关键字以得到所述情绪属性信息与所述阅读资源的对应关系并关联存储；
所述提取所述阅读资源的语义特征包括对书籍使用word2vec模型结合书籍的上下文的信息，从而提取书籍的语义特征；
所述结合形成所述阅读资源的情绪关键字的方式包括将语义特征与情绪标注合并形成情绪关键字，或者根据每个语义特征与情绪标注的权重从中选出预定数量的情绪关键字，或者对语义特征和情绪标注二次提取语义特征作为情绪关键字；
所述匹配的方式包括情绪关键字的含义对某种情绪具有安慰作用、鼓励作用、警示作用。
2.根据权利要求1所述的方法，其特征在于，
所述情绪属性信息包括情绪属性的定义信息和情绪属性的权重信息。
3.根据权利要求1所述的方法，其特征在于，所述基于所述用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系推荐阅读资源进一步包括：
基于所述用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系获取所述用户当前的情绪属性信息对应的阅读资源；
将所述用户当前的情绪属性信息对应的阅读资源进行排序，并推荐排序在前的预设数量的阅读资源。
4.根据权利要求1所述的方法，其特征在于，所述获取用户当前的情绪属性信息进一步包括：
采集用户当前的脑电波信号；
获取脑电波信号与情绪属性信息的对应关系；
基于所述用户当前的脑电波信号及脑电波信号与情绪属性信息的对应关系获取用户当前的情绪属性信息。
5.根据权利要求4所述的方法，其特征在于，在基于所述用户当前的脑电波信号及脑电波信号与情绪属性信息的对应关系获取用户当前的情绪属性信息之前还包括：
对所述用户当前的脑电波信号进行放大、滤波、整形后转换为数字信号形式的脑电波信号。
6.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
7.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的方法。
8.一种终端设备，阅读推荐系统，其特征在于，包括：
对应关系获取模块，被配置为获取情绪属性信息与阅读资源的对应关系；
情绪信息获取模块，被配置为获取用户当前的情绪属性信息；
阅读推荐模块，被配置为基于所述用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系推荐阅读资源；
特征提取模块，被配置为提取所述阅读资源的语义特征；
对应关系获取模块，被配置为匹配情绪属性信息与所述语义特征以得到情绪属性信息与阅读资源的对应关系并关联存储；
标注获取模块，被配置为获取用户对所述阅读资源的情绪标注；
关键字获取模块，被配置为将所述语义特征与所述情绪标注结合形成所述阅读资源的情绪关键字；
所述对应关系获取模块还被配置为，匹配所述情绪属性信息与所述情绪关键字以得到所述情绪属性信息与所述阅读资源的对应关系并关联存储；
所述提取所述阅读资源的语义特征包括对书籍使用word2vec模型结合书籍的上下文的信息，从而提取书籍的语义特征；
所述结合形成所述阅读资源的情绪关键字的方式包括将语义特征与情绪标注合并形成情绪关键字，或者根据每个语义特征与情绪标注的权重从中选出预定数量的情绪关键字，或者对语义特征和情绪标注二次提取语义特征作为情绪关键字；
所述匹配的方式包括情绪关键字的含义对某种情绪具有安慰作用、鼓励作用、警示作用。
9.根据权利要求8所述的设备，其特征在于，
所述情绪属性信息包括情绪属性的定义信息和情绪属性的权重信息。
10.根据权利要求8所述的设备，其特征在于，所述阅读推荐模块还被配置为，
基于所述用户当前的情绪属性信息及情绪属性信息与阅读资源的对应关系获取所述用户当前的情绪属性信息对应的阅读资源；
将所述用户当前的情绪属性信息对应的阅读资源进行排序，并推荐排序在前的预设数量的阅读资源。
11.根据权利要求8所述的设备，其特征在于，所述情绪信息获取模块包括：
脑电波输入传感器，用于采集用户当前的脑电波信号；
对应关系获取子模块，被配置为获取脑电波信号与情绪属性信息的对应关系；
处理计算子模块，被配置为基于所述用户当前的脑电波信号及脑电波信号与情绪属性信息的对应关系获取用户当前的情绪属性信息。
12.根据权利要求11所述的设备，其特征在于，所述情绪信息获取模块还包括：
信号放大器，用于对所述用户当前的脑电波信号进行放大；
陷波滤波器，用于对所述用户当前的脑电波信号进行滤波；
限幅放大器，用于对所述用户当前的脑电波信号进行整形；
模数转换器，用于将经过放大、滤波和整形后的所述用户当前的脑电波信号转换为数字信号形式的脑电波信号。
13.一种阅读推荐系统，其特征在于，包括服务器及权利要求8-12所述的终端设备，所述服务器包括：
特征提取模块，被配置为提取所述阅读资源的语义特征；
对应关系获取模块，被配置为匹配情绪属性信息与所述语义特征以得到情绪属性信息与阅读资源的对应关系并关联存储；
标注获取模块，被配置为获取用户对所述阅读资源的情绪标注；
关键字获取模块，被配置为将所述语义特征与所述情绪标注结合形成所述阅读资源的情绪关键字；
所述对应关系获取模块还被配置为，匹配所述情绪属性信息与所述情绪关键字以得到所述情绪属性信息与所述阅读资源的对应关系并关联存储；
所述提取所述阅读资源的语义特征包括对书籍使用word2vec模型结合书籍的上下文的信息，从而提取书籍的语义特征；
所述结合形成所述阅读资源的情绪关键字的方式包括将语义特征与情绪标注合并形成情绪关键字，或者根据每个语义特征与情绪标注的权重从中选出预定数量的情绪关键字，或者对语义特征和情绪标注二次提取语义特征作为情绪关键字；
所述匹配的方式包括情绪关键字的含义对某种情绪具有安慰作用、鼓励作用、警示作用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910559058.2A CN110362744B (zh) | 2019-06-26 | 2019-06-26 | 阅读推荐方法及系统、终端设备、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910559058.2A CN110362744B (zh) | 2019-06-26 | 2019-06-26 | 阅读推荐方法及系统、终端设备、计算机设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110362744A CN110362744A (zh) | 2019-10-22 |
| CN110362744B true CN110362744B (zh) | 2023-10-24 |
Family
ID=68217047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910559058.2A Active CN110362744B (zh) | 2019-06-26 | 2019-06-26 | 阅读推荐方法及系统、终端设备、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110362744B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110990670B (zh) * | 2019-10-30 | 2023-11-10 | 华东师范大学 | 一种成长激励型图书推荐方法及推荐系统 |
| CN111274381A (zh) * | 2020-01-22 | 2020-06-12 | 上海工艺美术职业学院 | 电子书的推荐方法及系统、电子设备、计算机存储介质 |
| CN112307192B (zh) * | 2020-11-09 | 2024-03-08 | 武汉大学 | 一种基于阅读一致性的阅读内容重组方法 |
| CN112398952A (zh) * | 2020-12-09 | 2021-02-23 | 英华达（上海）科技有限公司 | 电子资源推送方法、系统、设备及存储介质 |
| CN116484091B (zh) * | 2023-03-10 | 2024-07-19 | 湖北天勤伟业企业管理有限公司 | 卡牌信息程序交互方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103714071A (zh) * | 2012-09-29 | 2014-04-09 | 株式会社日立制作所 | 标签情感倾向量化方法与系统 |
| CN104462487A (zh) * | 2014-12-19 | 2015-03-25 | 南开大学 | 一种融合多信息源的个性化在线新闻评论情绪预测方法 |
| WO2017101580A1 (zh) * | 2015-12-14 | 2017-06-22 | 中兴通讯股份有限公司 | 一种展示阅读文本的方法及装置 |
| CN106919673A (zh) * | 2017-02-21 | 2017-07-04 | 浙江工商大学 | 基于深度学习的文本情绪分析系统 |
| CN106960051A (zh) * | 2017-03-31 | 2017-07-18 | 掌阅科技股份有限公司 | 基于电子书的音频播放方法、装置和终端设备 |
| CN108154398A (zh) * | 2017-12-27 | 2018-06-12 | 广东欧珀移动通信有限公司 | 信息显示方法、装置、终端及存储介质 |
| CN109213932A (zh) * | 2018-08-09 | 2019-01-15 | 咪咕数字传媒有限公司 | 一种信息推送方法及装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104063427A (zh) * | 2014-06-06 | 2014-09-24 | 北京搜狗科技发展有限公司 | 一种基于语义理解的表情输入方法和装置 |
| US9864743B2 (en) * | 2016-04-29 | 2018-01-09 | Fujitsu Limited | Textual emotion detection |
| US10261991B2 (en) * | 2017-09-12 | 2019-04-16 | AebeZe Labs | Method and system for imposing a dynamic sentiment vector to an electronic message |
| CN107844586B (zh) * | 2017-11-16 | 2022-05-06 | 百度在线网络技术（北京）有限公司 | 新闻推荐方法和装置 |
-
2019
- 2019-06-26 CN CN201910559058.2A patent/CN110362744B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103714071A (zh) * | 2012-09-29 | 2014-04-09 | 株式会社日立制作所 | 标签情感倾向量化方法与系统 |
| CN104462487A (zh) * | 2014-12-19 | 2015-03-25 | 南开大学 | 一种融合多信息源的个性化在线新闻评论情绪预测方法 |
| WO2017101580A1 (zh) * | 2015-12-14 | 2017-06-22 | 中兴通讯股份有限公司 | 一种展示阅读文本的方法及装置 |
| CN106919673A (zh) * | 2017-02-21 | 2017-07-04 | 浙江工商大学 | 基于深度学习的文本情绪分析系统 |
| CN106960051A (zh) * | 2017-03-31 | 2017-07-18 | 掌阅科技股份有限公司 | 基于电子书的音频播放方法、装置和终端设备 |
| CN108154398A (zh) * | 2017-12-27 | 2018-06-12 | 广东欧珀移动通信有限公司 | 信息显示方法、装置、终端及存储介质 |
| CN109213932A (zh) * | 2018-08-09 | 2019-01-15 | 咪咕数字传媒有限公司 | 一种信息推送方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于双向分层语义模型的多源新闻评论情绪预测;张莹等;《计算机研究与发展》;20180515(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110362744A (zh) | 2019-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110362744B (zh) | 阅读推荐方法及系统、终端设备、计算机设备及介质 | |
| CN111414393B (zh) | 一种基于医学知识图谱的语义相似病例检索方法及设备 | |
| KR101582108B1 (ko) | 문서 분류 시스템, 문서 분류 방법 및 문서 분류 프로그램 | |
| CN109829108B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
| WO2021017306A1 (zh) | 根据用户画像的个性化搜索方法、系统、设备及存储介质 | |
| CN103577534B (zh) | 搜索方法和搜索引擎 | |
| CN111078971A (zh) | 简历文件的筛选方法、装置、终端及存储介质 | |
| CN107895303B (zh) | 一种基于ocean模型的个性化推荐的方法 | |
| JP6569183B2 (ja) | 情報処理装置、方法及びプログラム | |
| CN111428503B (zh) | 同名人物的识别处理方法及处理装置 | |
| KR20190128246A (ko) | 검색 방법 및 장치 및 비-일시적 컴퓨터-판독가능 저장 매체 | |
| KR102712720B1 (ko) | 본인 및 상대방의 선호 조건에 기반하여 매칭을 주선하는 ai 기반의 만남 매칭 서비스 제공 방법 및 장치 | |
| JP5513860B2 (ja) | 文書装飾支援システムおよび文書装飾支援方法 | |
| CN110209928A (zh) | 一种信息推荐方法、装置及存储介质 | |
| CN111651584A (zh) | 一种基于用户行为特征及文章属性的保险文章推荐方法 | |
| CN111506595A (zh) | 一种数据查询方法、系统及相关设备 | |
| CN113934937A (zh) | 一种内容智能推荐方法、装置、终端和存储介质 | |
| CN112287215A (zh) | 一种智能就业推荐方法和装置 | |
| JP3693514B2 (ja) | 文書検索・分類方法および装置 | |
| CN117436980A (zh) | 保险产品的推荐方法和装置、设备、存储介质 | |
| CN113609833B (zh) | 文件的动态生成方法、装置、计算机设备及存储介质 | |
| CN111816276B (zh) | 患教教程推荐方法、装置、计算机设备和存储介质 | |
| CN115203532A (zh) | 一种项目推荐方法、装置、电子设备及存储介质 | |
| CN114564956A (zh) | 一种细粒度属性自动提取的用户评论文本情感挖掘模型 | |
| CN114764437A (zh) | 用户意图识别方法、装置以及电子设备 |
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 |