CN110633374A - 基于人工智能的社会关系知识图谱生成方法和机器人系统 - Google Patents

基于人工智能的社会关系知识图谱生成方法和机器人系统 Download PDF

Info

Publication number
CN110633374A
CN110633374A CN201910788265.5A CN201910788265A CN110633374A CN 110633374 A CN110633374 A CN 110633374A CN 201910788265 A CN201910788265 A CN 201910788265A CN 110633374 A CN110633374 A CN 110633374A
Authority
CN
China
Prior art keywords
relation
user
users
entities
relationship
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.)
Withdrawn
Application number
CN201910788265.5A
Other languages
English (en)
Inventor
朱定局
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.)
Big Country Innovation Intelligent Technology (dongguan) Co Ltd
Nanjing Wisdom Light Information Technology Research Institute Co Ltd
Original Assignee
Big Country Innovation Intelligent Technology (dongguan) Co Ltd
Nanjing Wisdom Light Information Technology Research Institute 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 Big Country Innovation Intelligent Technology (dongguan) Co Ltd, Nanjing Wisdom Light Information Technology Research Institute Co Ltd filed Critical Big Country Innovation Intelligent Technology (dongguan) Co Ltd
Priority to CN201910788265.5A priority Critical patent/CN110633374A/zh
Publication of CN110633374A publication Critical patent/CN110633374A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • 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—Systems or methods specially adapted for 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于人工智能的社会关系知识图谱生成方法和机器人系统，包括：经历获取步骤，经历抽取步骤，经历求交步骤，交集信息获取步骤，关系生成步骤，知识图谱生成步骤，实体获取步骤。上述方法和系统通过基于人工智能和大数据的用户关系知识图谱生成技术，提高了用户关系知识图谱生成的智能性、高效性。

Description

基于人工智能的社会关系知识图谱生成方法和机器人系统
技术领域
本发明涉及信息技术领域，特别是涉及一种基于人工智能的社会关系知识图谱生成方法和机器人系统。
背景技术
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有用户关系只限于是否属于同一个学校毕业或同一个单位工作之间的用户关系，而没有将时间与工作地点结合起来分析，那么就可能会出现在同一个单位但不同时间学习或工作的情况，那么就可能会误判为同学或同事。例如有的用户之间虽然有同校或同公司的关系，但是在不同时间属于某个学校或公司的。
因此，现有技术还有待于改进和发展。
发明内容
基于此，有必要针对现有技术中的缺陷或不足，提供基于人工智能的社会关系知识图谱生成方法和机器人系统，以解决现有技术中用户关系生成时没有将时间和空间综合考虑的缺点。
第一方面，本发明实施例提供一种社会关系知识图谱生成方法，所述方法包括：
经历获取步骤，获取每个用户的简历中的经历；
经历抽取步骤，从每一个用户的简历的经历中抽取每一个经历的时间段及该时间段用户所在的单位；
经历求交步骤，求属于不同用户的每两个经历的交集；
交集信息获取步骤，通过对经历进行匹配获取具有交集的每两个经历，获取交集部分的信息；
关系生成步骤，根据用户的经历，判断每两个用户之间的关系，生成该关系的实体、标签、属性进行关联后加入用户关系知识库；
知识图谱生成步骤，用于将每个用户作为用户关系知识图谱中的一个实体，将用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户的用户关系知识图谱中对应的实体之间的关联关系；
实体获取步骤，获取用户关系知识图谱中与任一实体具有关联关系的实体；
关系获取步骤，获取与第一用户在知识图谱中具备关系的第二用户，获取该第一用户与该第二用户之间的关系，计算该第一用户与该第二用户之间的关系的权重和，根据对应的关系权重和从高到低对与该第一用户有关系的每一用户进行排序。
优选地，
所述经历获取步骤包括：
教育和工作经历获取步骤，获取每个用户的简历中的教育经历和工作经历；
所述经历抽取步骤包括：
教育经历抽取步骤，从每一个用户的简历的教育经历中抽取每一个教育经历的时间段及该时间段用户所在的单位；
工作经历抽取步骤，从简历的工作经历中抽取每一个工作经历的时间段及该时间段用户所在的单位。
优选地，
交集信息获取步骤包括：
第一交集信息获取步骤，通过对经历进行匹配获取时间段交集不为空且单位交集不为空的属于不同用户的每两个经历，获取交集部分的时间段和单位信息；
第二交集信息获取步骤，通过对经历进行匹配获取时间段交集为空且单位交集不为空的属于不同用户的每两个经历，获取交集部分的单位信息；
关系生成步骤包括：
同时段关系生成步骤，根据用户的经历，判断每两个用户之间的同时段关系，生成该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
不同时段关系生成步骤，根据用户的经历，判断每两个用户之间的不同时段关系，生成该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库。
优选地，
同时段关系生成步骤包括：
教育经历同时段关系生成步骤，如果所述两个经历分别为两个用户的教育经历，则这两个用户具有同时段关系，将这两个用户的姓名作为该关系的实体，将同时段同学关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
工作经历同时段关系生成步骤，如果所述两个经历分别为两个用户的工作经历，则这两个用户具有同时段关系，将这两个用户的姓名作为该关系的实体，将同时段同事关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
教育工作经历同时段关系生成步骤，如果所述两个经历分别为一个用户的学习经历和另一个用户的工作经历，则这两个用户具有同时段关系，将这两个用户的姓名作为该关系的实体，将同时段师生关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
不同时段关系生成步骤包括：
教育经历不同时段关系生成步骤，如果所述每两个经历分别为两个用户的教育经历，则这两个用户具有不同时段关系，将这两个用户的姓名作为该关系的实体，将不同时段同学关系作为该关系的标签，将交集部分的单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库；
工作经历不同时段关系生成步骤，如果所述两个经历分别为两个用户的工作经历，则这两个用户具有不同时段关系，将这两个用户的姓名作为该关系的实体，将不同时段同事关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库；
教育工作经历不同时段关系生成步骤，如果所述两个经历分别为一个用户的学习经历和另一个用户的工作经历，则这两个用户具有不同时段关系，将这两个用户的姓名作为该关系的实体，将不同时段师生关系作为该关系的标签，将交集部分的单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库。
优选地，
知识图谱生成步骤包括：
同时段用户关系知识图谱生成步骤，将每个用户作为同时段用户关系知识图谱中的一个实体，将同时段用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户在同时段用户关系知识图谱中对应的实体之间的关联关系；
不同时段用户关系知识图谱生成步骤，将每个用户作为不同时段用户关系知识图谱中的一个实体，将不同时段用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户在不同时段用户关系知识图谱中对应的实体之间的关联关系；
混合时段用户关系知识图谱生成步骤，将每个用户作为用户关系知识图谱中的一个实体，将同时段用户关系知识库及不同时段用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户在用户关系知识图谱中对应的实体之间的关联关系；
实体获取步骤包括：
同时段实体获取步骤，获取同时段用户关系知识图谱中与任一实体具有关联关系的所有实体，可以得到该一实体对应的用户的所有同时段的同学、同事、师生；
不同时段实体获取步骤，获取不同时段用户关系知识图谱中与任一实体具有关联关系的所有实体，可以得到该一实体对应的用户的所有不同时段的同学、同事、师生；
混合时段实体获取步骤，获取用户关系知识图谱中与任一实体具有关联关系的所有实体，可以得到该一实体对应的用户的所有同学、同事、师生。
优选地，
关系获取步骤具体包括：根据上述步骤获取与一个用户在知识图谱中具备某类关系的所有用户，获取该个用户与该所有用户中每一用户之间的关系，将关系中时间段的长度作为P1，将关系中的最低单位级别作为P2，计算f(P1，P2)作为该关系的权重，计算该个用户与该所有用户中每一用户之间的所有关系的权重和，根据对应的关系权重和从高到低对与该用户有该类关系的每一用户进行排序，排序越靠前的用户与该用户的该类关系越密切，排序最靠前的用户与该用户的该类关系最密切。
第二方面，本发明实施例提供一种社会关系知识图谱生成系统，所述系统包括：
经历获取模块，用于获取每个用户的简历中的经历；
经历抽取模块，用于从每一个用户的简历的经历中抽取每一个经历的时间段及该时间段用户所在的单位；
经历求交模块，用于求属于不同用户的每两个经历的交集；
交集信息获取模块，用于通过对经历进行匹配获取具有交集的每两个经历，获取交集部分的信息；
关系生成模块，用于根据用户的经历，判断每两个用户之间的关系，生成该关系的实体、标签、属性进行关联后加入用户关系知识库；
知识图谱生成模块，用于将每个用户作为用户关系知识图谱中的一个实体，将用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户的用户关系知识图谱中对应的实体之间的关联关系；
实体获取模块，获取用户关系知识图谱中与任一实体具有关联关系的实体；
关系获取模块，获取与第一用户在知识图谱中具备关系的第二用户，获取该第一用户与该第二用户之间的关系，计算该第一用户与该第二用户之间的关系的权重和，根据对应的关系权重和从高到低对与该第一用户有关系的每一用户进行排序。
第三方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面实施例中任一项所述方法的步骤。
第四方面，本发明实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面实施例中任一项所述方法的步骤。
第五方面，本发明实施例提供一种社会关系知识图谱生成机器人系统，所述机器人系统包括存储器和处理器，所述存储器存储有机器人程序，所述处理器执行所述机器人程序时实现第一方面实施例中任一项所述方法的步骤。
本发明实施例提供的基于人工智能的社会关系知识图谱生成方法和机器人系统，包括：经历获取步骤，经历抽取步骤，经历求交步骤，交集信息获取步骤，关系生成步骤，知识图谱生成步骤，实体获取步骤。上述方法和系统通过基于人工智能的社会关系知识图谱生成方法生成和获得更为精准的用户之间关系，具体到某一级单位，例如同一学校、同一学院、同一系、同一公司、同一部门，可以区分同时段和不同时段的关系，例如有的用户之间虽然有同校或同公司的关系，但是在不同时间属于某个学校或公司的。可以精确地生成和得到两个用户之间的关系所在的具体时间段具体各级单位。可以根据关系对应的交集中时间段的长短和单位级别来判断与一个用户关系最密切的用户，并能根据关系的密切程度对这个用户的所有有关系用户进行排序。
附图说明
图1为本发明的实施例1提供的社会关系知识图谱生成方法的流程图；
图2为本发明的实施例2提供的社会关系知识图谱生成方法的流程图；
图3为本发明的实施例3提供的社会关系知识图谱生成方法的流程图；
图4为本发明的实施例4提供的社会关系知识图谱生成方法的流程图；
图5为本发明的实施例5提供的知识图谱的示意图；
图6为本发明的实施例6提供的知识图谱的示意图；
图7为本发明的实施例7提供的知识图谱的示意图；
图8为本发明的实施例8提供的社会关系知识图谱生成方法的流程图；
图9为本发明的实施例9提供的社会关系知识图谱生成系统的原理框图。
具体实施方式
下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。
(一)本发明的各种实施例中的方法包括以下步骤的各种组合：
实施例1：
如图1所示，提供一种社会关系知识图谱生成方法，包括经历获取步骤S100、经历抽取步骤S200、经历求交步骤S300、交集信息获取步骤S400、关系生成步骤S500。
经历获取步骤S100，用于获取每个用户的简历中的经历。所述简历包括用户的个人简历，也包括从社交网站等网络信息中获取的简历，还包括所有包含有用户的经历的信息。
经历抽取步骤S200，用于从每一个用户的简历的经历中抽取每一个经历的时间段及该时间段用户所在的单位。
经历求交步骤S300，用于求属于不同用户的每两个经历的交集
例如：
张三的教育经历2010.9-2014.7 A1大学B11学院
与
李四的工作经历2018.9-2019.7 A1大学B12学院
的交集为
A1大学
例如，
张三的教育经历2014.9-2017.7 A21大学B21学院
与
李四的教育经历2015.9-2018.7 A21大学B21学院
的交集为
2015.9-2017.7 A21大学B21学院
交集信息获取步骤S400，用于通过对经历进行匹配获取具有交集的每两个经历，获取交集部分的信息。
关系生成步骤S500，用于根据用户的经历，判断每两个用户之间的关系，生成该关系的实体、标签、属性进行关联后加入用户关系知识库。
知识图谱生成步骤S600，用于将每个用户作为用户关系知识图谱中的一个实体，将用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户的用户关系知识图谱中对应的实体之间的关联关系。
实体获取步骤S700，获取用户关系知识图谱中与任一实体具有关联关系的实体。
关系获取步骤S800，获取与第一用户在知识图谱中具备关系的第二用户，获取该第一用户与该第二用户之间的关系，计算该第一用户与该第二用户之间的关系的权重和，根据对应的关系权重和从高到低对与该第一用户有关系的每一用户进行排序。
实施例2：
如图2所示，根据实施例1提供的社会关系知识图谱生成方法，
其中，经历获取步骤S100包括教育和工作经历获取步骤S110。
教育和工作经历获取步骤S110，用于获取每个用户的简历中的教育经历和工作经历。
简历可以通过用户输入，也可以从百度百科或其它网站上获取，获取从中提取教育经历和工作经历。
例如
张三
教育经历
2010.9-2014.7 A1大学B11学院
2014.9-2017.7 A2大学B21学院
工作经历
2017.9-2018.7 A3公司B31部门
2018.9-2019.7 A4公司B41部门
李四
教育经历
2011.9-2015.7 A5大学B51学院
2015.9-2018.7 A2大学B21学院
工作经历
2018.9-2019.7 A1大学B12学院
2019.9-2021.7 A3公司B31部门
其中，经历抽取步骤S200包括教育经历抽取步骤S210、工作经历抽取步骤S220。
教育经历抽取步骤S210，用于从每一个用户的简历的教育经历中抽取每一个教育经历的时间段及该时间段用户所在的单位
例如
从张三的教育经历中抽取
2010.9-2014.7 A1大学B11学院
2014.9-2017.7 A2大学B21学院
从李四的教育经历中抽取
2011.9-2015.7 A5大学B51学院
2015.9-2018.7 A2大学B21学院
工作经历抽取步骤S220，用于从简历的工作经历中抽取每一个工作经历的时间段及该时间段用户所在的单位
例如
从张三的工作经历中抽取
2017.9-2018.7 A3公司B31部门
2018.9-2019.7 A4公司B41部门
从李四的工作经历中抽取
2018.9-2019.7 A1大学B12学院
2019.9-2021.7 A3公司B31部门
实施例3：
如图3所示，根据实施例1提供的社会关系知识图谱生成方法，
其中，交集信息获取步骤S400包括第一交集信息获取步骤S410。
第一交集信息获取步骤S410，用于通过对经历进行匹配获取时间段交集不为空且单位交集不为空的属于不同用户的每两个经历，获取交集部分的时间段和单位信息。
求两个用户经历(用户A的一个经历、用户B的一个经历)的单位交集的具体步骤
从用户A经历的单位信息中分别提取一级单位名称(例如学校名、公司名、研究院名，根据“大学、公司、研究院”等关键词识别和提取)、二级单位名称(例如学院名、部门名、研究中心名，根据“学院、部门、研究中心”等关键词识别和提取)等多级单位名称
同样，从用户B经历的单位信息中分别提取一级单位名称、二级单位名称等多级单位名称
如果用户A与用户B的一级单位名称相同但二级单位名称不同，则该两个用户的单位交集为该一级单位名称
如果用户A与用户B的一级单位名称相同且二级单位名称相同但三级单位名称不同，则该两个用户的单位交集为该一级单位名称二级单位名称
如果用户A与用户B的一级单位名称相同且二级单位名称相同且三级单位名称相同但四级单位名称不同，则该两个用户的单位交集为该一级单位名称二级单位名称三级单位名称
如此类推。
求两个用户经历(用户A的一个经历、用户B的一个经历)的时间段交集的具体步骤为取2个时间段的共同时间段作为交集的结果。
例如
交集2015.9-2017.7 A21大学B21学院对应的属于张三、李四的两个经历：
张三的教育经历2014.9-2017.7 A21大学B21学院
李四的教育经历2015.9-2018.7 A21大学B21学院
交集部分的时间段为：2015.9-2017.7
交集部分的单位信息为：A21大学B21学院
其中，关系生成步骤S500包括同时段关系生成步骤S510。
同时段关系生成步骤S510，用于根据用户的经历，判断每两个用户之间的同时段关系，生成该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
教育经历同时段关系生成步骤S511，用于如果所述两个经历分别为两个用户的教育经历，则这两个用户具有同时段关系，将这两个用户的姓名作为该关系的实体，将同时段同学关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
进一步地，获取这2个教育经历的学历，比较学历高低，学历高的教育经历对应的用户如果是男性则身份是师兄，如果是女性则身份是师姐，学历低的教育经历对应的用户如果是男性则身份是师弟，如果是女性则身份是师妹；如果学历相同，获取这2个教育经历的时间段的起始时间，起始时间早的教育经历对应的用户如果是男性则身份是师兄，如果是女性则身份是师姐，起始时间迟的教育经历对应的用户如果是男性则身份是师弟，如果是女性则身份是师妹；如果起始时间也相同，则双方身份都是同级。将双方对应的身份作为该关系的属性，加入同时段用户关系知识库。
例如
交集2015.9-2017.7 A21大学B21学院对应的属于张三、李四的两个经历：
张三的教育经历2014.9-2017.7 A21大学B21学院
李四的教育经历2015.9-2018.7 A21大学B21学院
分别为两个用户的教育经历
则这两个用户具有同时段关系，将这两个用户的姓名“张三、李四”作为该关系的实体，将同时段同学关系作为该关系的标签，将交集部分的时间段2015.9-2017.7和单位信息A21大学B21学院作为该关系的属性，加入同时段用户关系知识库；
工作经历同时段关系生成步骤S512，如果所述两个经历分别为两个用户的工作经历，则这两个用户具有同时段关系，将这两个用户的姓名作为该关系的实体，将同时段同事关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
进一步地，获取这2个工作经历的职位，比较职位高低，职位高的工作经历对应的用户身份是上级，职位高的工作经历对应的用户身份是下级，如果职位相同，则双方身份是平级。将双方对应的身份作为该关系的属性，加入同时段用户关系知识库。
教育工作经历同时段关系生成步骤S513，如果所述两个经历分别为一个用户的学习经历和另一个用户的工作经历，则这两个用户具有同时段关系，将这两个用户的姓名作为该关系的实体，将同时段师生关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
进一步地，学习经历对应的用户身份是学生，工作经历对应的用户身份是老师。将双方对应的身份作为该关系的属性，加入同时段用户关系知识库。
实施例4：
如图4所示，根据实施例1提供的社会关系知识图谱生成方法，
其中，交集信息获取步骤S400包括第二交集信息获取步骤S420。
第二交集信息获取步骤S420，用于通过对经历进行匹配获取时间段交集为空且单位交集不为空的属于不同用户的每两个经历，获取交集部分的单位信息
例如
交集A1大学对应的属于张三、李四的两个经历：
张三的教育经历2010.9-2014.7 A1大学B11学院
李四的工作经历2018.9-2019.7 A1大学B12学院
交集部分的时间段为空
交集部分的单位信息为：A1大学
其中，关系生成步骤S500包括不同时段关系生成步骤S520。
不同时段关系生成步骤S520，用于根据用户的经历，判断每两个用户之间的不同时段关系，生成该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库。
教育经历不同时段关系生成步骤S521，用于如果所述每两个经历分别为两个用户的教育经历，则这两个用户具有不同时段关系，将这两个用户的姓名作为该关系的实体，将不同时段同学关系作为该关系的标签，将交集部分的单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库；
进一步地，获取这2个教育经历的学历，比较学历高低，学历高的教育经历对应的用户如果是男性则身份是师兄，如果是女性则身份是师姐，学历低的教育经历对应的用户如果是男性则身份是师弟，如果是女性则身份是师妹；如果学历相同，获取这2个教育经历的时间段的起始时间，起始时间早的教育经历对应的用户如果是男性则身份是师兄，如果是女性则身份是师姐，起始时间迟的教育经历对应的用户如果是男性则身份是师弟，如果是女性则身份是师妹；如果起始时间也相同，则双方身份都是同级。将双方对应的身份作为该关系的属性，加入同时段用户关系知识库。
工作经历不同时段关系生成步骤S522，用于如果所述两个经历分别为两个用户的工作经历，则这两个用户具有不同时段关系，将这两个用户的姓名作为该关系的实体，将不同时段同事关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库；
进一步地，获取这2个工作经历的职位，比较职位高低，职位高的工作经历对应的用户身份是上级，职位高的工作经历对应的用户身份是下级，如果职位相同，则双方身份是平级。将双方对应的身份作为该关系的属性，加入同时段用户关系知识库。
教育工作经历不同时段关系生成步骤S523，如果所述两个经历分别为一个用户的学习经历和另一个用户的工作经历，则这两个用户具有不同时段关系，将这两个用户的姓名作为该关系的实体，将不同时段师生关系作为该关系的标签，将交集部分的单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库；
进一步地，学习经历对应的用户身份是学生，工作经历对应的用户身份是老师。将双方对应的身份作为该关系的属性，加入同时段用户关系知识库。
例如
交集A1大学对应的属于张三、李四的两个经历：
张三的教育经历2010.9-2014.7 A1大学B11学院
李四的工作经历2018.9-2019.7 A1大学B12学院
分别为一个用户的学习经历和另一个用户的工作经历
则这两个用户具有不同时段关系，将这两个用户的姓名“张三、李四”作为该关系的实体，将不同时段师生关系作为该关系的标签，将交集部分的单位信息A1大学作为该关系的属性，加入不同时段用户关系知识库；
实施例5：
如图5所示，根据实施例1提供的社会关系知识图谱生成方法，
知识图谱生成步骤S600包括：
同时段用户关系知识图谱生成步骤S610：将每个用户作为同时段用户关系知识图谱中的一个实体，将同时段用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户在同时段用户关系知识图谱中对应的实体之间的关联关系。
实体获取步骤S700包括：
同时段实体获取步骤S710：获取同时段用户关系知识图谱中与任一实体具有关联关系的所有实体，可以得到该一实体对应的用户的所有同时段的同学、同事、师生。获取同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称的所有实体，可以得到该一实体对应的用户的所有同时段同第k级单位的同学、同事、师生。K为大于1的自然数。
实施例6：
如图6所示，根据实施例1提供的社会关系知识图谱生成方法，
知识图谱生成步骤S600包括：
不同时段用户关系知识图谱生成步骤S620：将每个用户作为不同时段用户关系知识图谱中的一个实体，将不同时段用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户在不同时段用户关系知识图谱中对应的实体之间的关联关系，
实体获取步骤S700包括：
不同时段实体获取步骤S720：获取不同时段用户关系知识图谱中与任一实体具有关联关系的所有实体，可以得到该一实体对应的用户的所有不同时段的同学、同事、师生。获取不同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称的所有实体，可以得到该一实体对应的用户的所有不同时段同第k级单位的同学、同事、师生。K为大于1的自然数。
进一步，获取不同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称且含有“同学”关键词的所有实体，可以得到该一实体对应的用户的所有不同时段同第k级单位的同学。
进一步，获取不同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称且含有“同事”关键词的所有实体，可以得到该一实体对应的用户的所有不同时段同第k级单位的同事。
进一步，获取不同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称且含有“师生”关键词的所有实体，可以得到该一实体对应的用户的所有不同时段同第k级单位的师生。
进一步，获取不同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称且含有“同学”关键词且含有该一实体身份为师妹或师弟关键词的所有实体，可以得到该一实体对应的用户的所有不同时段同第k级单位的师兄或师姐。
进一步，获取不同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称且含有“同学”关键词且含有该一实体身份为师兄或师姐关键词的所有实体，可以得到该一实体对应的用户的所有不同时段同第k级单位的师妹或师弟。
进一步，获取不同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称且含有“同学”关键词且含有该一实体身份为同级关键词的所有实体，可以得到该一实体对应的用户的所有不同时段同第k级单位的同级。
进一步，获取不同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称且含有“同事”关键词且含有该一实体身份为下级关键词的所有实体，可以得到该一实体对应的用户的所有不同时段同第k级单位的上级。
进一步，获取不同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称且含有“同事”关键词且含有该一实体身份为上级关键词的所有实体，可以得到该一实体对应的用户的所有不同时段同第k级单位的下级。
进一步，获取不同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称且含有“同事”关键词且含有该一实体身份为同级关键词的所有实体，可以得到该一实体对应的用户的所有不同时段同第k级单位的平级。
进一步，获取不同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称且含有“师生”关键词且含有该一实体身份为学生关键词的所有实体，可以得到该一实体对应的用户的所有不同时段同第k级单位的老师。
进一步，获取不同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称且含有“师生”关键词且含有该一实体身份为老师关键词的所有实体，可以得到该一实体对应的用户的所有不同时段同第k级单位的学生。
实施例7：
如图7所示，根据实施例1提供的社会关系知识图谱生成方法，
知识图谱生成步骤S600包括：
混合时段用户关系知识图谱生成步骤S630：将每个用户作为用户关系知识图谱中的一个实体，将同时段用户关系知识库及不同时段用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户在用户关系知识图谱中对应的实体之间的关联关系。
实体获取步骤S700包括：
混合时段实体获取步骤S730：获取用户关系知识图谱中与任一实体具有关联关系的所有实体，可以得到该一实体对应的用户的所有同学、同事、师生。获取用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称的所有实体，可以得到该一实体对应的用户的所有同第k级单位的同学、同事、师生。K为大于1的自然数。
例如，
获取用户关系知识图谱中与张三具有关联关系的所有实体，可以得到张三的同学有李四、王二，同事有李四、王二，师生有李四。
例如，
k为2时，获取用户关系知识图谱中与张三具有的关联关系中具有第2级单位名称(对应学院、部门)的所有实体，可以得到张三的所有同第2级单位的同学有李四、王二，同事有李四，师生没有
实施例8：
如图8所示，根据实施例5、6、7提供的社会关系知识图谱生成方法进行组合使用。
实施例9：
如图9所示，根据实施例1提供的社会关系知识图谱生成方法，
关系获取步骤S800具体包括：根据上述步骤获取与一个用户在知识图谱中具备某类关系的所有用户，获取该个用户与该所有用户中每一用户之间的关系，将关系中时间段的长度作为P1，将关系中的最低单位级别作为P2，计算f(P1，P2)作为该关系的权重，计算该个用户与该所有用户中每一用户之间的所有关系的权重和，根据对应的关系权重和从高到低对与该用户有该类关系的每一用户进行排序，排序越靠前的用户与该用户的该类关系越密切，排序最靠前的用户与该用户的该类关系最密切。
其中，P1以年为单位，时间段的长度不是整年时，向上取整为整年，最低单位为k级单位时P2为k，f(P1,P2)可以有多种实现方式，例如f(P1,P2)＝P1*P2+P2
例如
根据上述步骤获取与张三在知识图谱中具备关系的所有用户李四、王二，获取张三与李四之间的关系、张三与王二之间的关系，
将张三与李四之间的关系“不同时段同事关系、A3公司B31部门”中时间段的长度0作为P1，将关系中的最低单位级别2作为P2，计算f(P1，P2)＝P1*P2+P2＝2作为该关系的权重。
将张三与李四之间的关系“不同时段师生关系、A1大学”中时间段的长度0作为P1，将关系中的最低单位级别1作为P2，计算f(P1，P2)＝P1*P2+P2＝1作为该关系的权重。
将张三与李四之间的关系“同时段同学关系、2015.9-2017.7 A21大学B21学院”中时间段的长度2作为P1，将关系中的最低单位级别2作为P2，计算f(P1，P2)＝P1*P2+P2＝6作为该关系的权重。
计算张三与李四之间的所有关系的权重和为2+1+6＝9
将张三与王二之间的关系“同时段同事关系、2017.9-2018.7 A3公司”中时间段的长度1作为P1，将关系中的最低单位级别1作为P2，计算f(P1，P2)＝max(P1*P2+P2)＝2作为该关系的权重，
将张三与王二之间的关系“同时段同学关系、2014.9-2017.7 A2大学B21学院”中时间段的长度3作为P1，将关系中的最低单位级别2作为P2，计算f(P1，P2)＝max(P1*P2+P2)＝8作为该关系的权重，
将张三与王二之间的关系“同时段同学关系、2010.9-2014.7 A1大学B11学院”中时间段的长度4作为P1，将关系中的最低单位级别2作为P2，计算f(P1，P2)＝max(P1*P2+P2)＝10作为该关系的权重，
计算张三与王二之间的所有关系的权重和为2+8+10＝20
根据关系的权重从高到低对与该用户有关系的所述每一用户进行排序为王二、李四，
王二与张三的关系更密切，排序最靠前的王二与张三的关系最密切。
例如
根据上述步骤获取与张三在知识图谱中具备同时段同学关系的所有用户李四、王二，获取张三与李四之间的关系、张三与王二之间的关系，
将张三与李四之间的关系“同时段同学关系、2015.9-2017.7 A21大学B21学院”中时间段的长度2作为P1，将关系中的最低单位级别2作为P2，计算f(P1，P2)＝P1*P2+P2＝6作为该关系的权重。
计算张三与李四之间的所有关系的权重和为6＝6
将张三与王二之间的关系“同时段同学关系、2014.9-2017.7 A2大学B21学院”中时间段的长度3作为P1，将关系中的最低单位级别2作为P2，计算f(P1，P2)＝max(P1*P2+P2)＝8作为该关系的权重，
将张三与王二之间的关系“同时段同学关系、2010.9-2014.7 A1大学B11学院”中时间段的长度4作为P1，将关系中的最低单位级别2作为P2，计算f(P1，P2)＝max(P1*P2+P2)＝10作为该关系的权重，
计算张三与王二之间的所有关系的权重和为8+10＝18
根据关系的权重从高到低对与该用户有同时段同学关系的所述每一用户进行排序为王二、李四，
王二与张三的同时段同学关系更密切，排序最靠前的王二与张三的同时段同学关系最密切。
效果：可以获得更为精准的用户之间关系，具体到某一级单位，例如同一学校、同一学院、同一系、同一公司、同一部门，可以区分同时段和不同时段的关系，例如有的用户之间虽然有同校或同公司的关系，但是在不同时间属于某个学校或公司的。可以精确地得到两个用户之间的关系所在的具体时间段具体各级单位。可以根据关系对应的交集中时间段的长短和单位级别来判断与一个用户关系最密切的用户，并能根据关系的密切程度对这个用户的所有有关系用户进行排序
实施例10：
如图10所示，提供一种社会关系知识图谱生成系统，包括经历获取模块100、经历抽取模块200、经历求交模块300、交集信息获取模块400、关系生成模块500。
经历获取模块100，用于获取每个用户的简历中的经历。
经历抽取模块200，用于从每一个用户的简历的经历中抽取每一个经历的时间段及该时间段用户所在的单位。
经历求交模块300，用于求属于不同用户的每两个经历的交集
交集信息获取模块400，用于通过对经历进行匹配获取具有交集的每两个经历，获取交集部分的信息。
关系生成模块500，用于根据用户的经历，判断每两个用户之间的关系，生成该关系的实体、标签、属性进行关联后加入用户关系知识库。
实施例11：
根据实施例10提供的社会关系知识图谱生成系统，
其中，经历获取模块100包括教育和工作经历获取模块110。
教育和工作经历获取模块110，用于获取每个用户的简历中的教育经历和工作经历。
其中，经历抽取模块200包括教育经历抽取模块210、工作经历抽取模块220。
教育经历抽取模块210，用于从每一个用户的简历的教育经历中抽取每一个教育经历的时间段及该时间段用户所在的单位
实施例12：
根据实施例10提供的社会关系知识图谱生成系统，
其中，交集信息获取模块400包括第一交集信息获取模块410。
第一交集信息获取模块410，用于通过对经历进行匹配获取时间段交集不为空且单位交集不为空的属于不同用户的每两个经历，获取交集部分的时间段和单位信息。
其中，关系生成模块500包括同时段关系生成模块510。
同时段关系生成模块510，用于根据用户的经历，判断每两个用户之间的同时段关系，生成该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
教育经历同时段关系生成模块511，用于如果所述两个经历分别为两个用户的教育经历，则这两个用户具有同时段关系，将这两个用户的姓名作为该关系的实体，将同时段同学关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
工作经历同时段关系生成模块512，如果所述两个经历分别为两个用户的工作经历，则这两个用户具有同时段关系，将这两个用户的姓名作为该关系的实体，将同时段同事关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
实施例13：
根据实施例10提供的社会关系知识图谱生成系统，
其中，交集信息获取模块400包括第二交集信息获取模块420。
第二交集信息获取模块420，用于通过对经历进行匹配获取时间段交集为空且单位交集不为空的属于不同用户的每两个经历，获取交集部分的单位信息
其中，关系生成模块500包括不同时段关系生成模块520。
不同时段关系生成模块520，用于根据用户的经历，判断每两个用户之间的不同时段关系，生成该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库。
教育经历不同时段关系生成模块521，用于如果所述每两个经历分别为两个用户的教育经历，则这两个用户具有不同时段关系，将这两个用户的姓名作为该关系的实体，将不同时段同学关系作为该关系的标签，将交集部分的单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库；
工作经历不同时段关系生成模块522，用于如果所述两个经历分别为两个用户的工作经历，则这两个用户具有不同时段关系，将这两个用户的姓名作为该关系的实体，将不同时段同事关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库；
教育工作经历不同时段关系生成模块523，如果所述两个经历分别为一个用户的学习经历和另一个用户的工作经历，则这两个用户具有不同时段关系，将这两个用户的姓名作为该关系的实体，将不同时段师生关系作为该关系的标签，将交集部分的单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库。
实施例14：
根据实施例10提供的社会关系知识图谱生成系统，
知识图谱生成模块600包括：
同时段用户关系知识图谱生成模块610：将每个用户作为同时段用户关系知识图谱中的一个实体，将同时段用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户在同时段用户关系知识图谱中对应的实体之间的关联关系。
实体获取模块700包括：
同时段实体获取模块710：获取同时段用户关系知识图谱中与任一实体具有关联关系的所有实体，可以得到该一实体对应的用户的所有同时段的同学、同事、师生。获取同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称的所有实体，可以得到该一实体对应的用户的所有同时段同第k级单位的同学、同事、师生。K为大于1的自然数。
实施例15：
根据实施例10提供的社会关系知识图谱生成系统，
知识图谱生成模块600包括：
不同时段用户关系知识图谱生成模块620：将每个用户作为不同时段用户关系知识图谱中的一个实体，将不同时段用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户在不同时段用户关系知识图谱中对应的实体之间的关联关系，
实体获取模块700包括：
不同时段实体获取模块720：获取不同时段用户关系知识图谱中与任一实体具有关联关系的所有实体，可以得到该一实体对应的用户的所有不同时段的同学、同事、师生。获取不同时段用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称的所有实体，可以得到该一实体对应的用户的所有不同时段同第k级单位的同学、同事、师生。K为大于1的自然数。
实施例16：
根据实施例10提供的社会关系知识图谱生成系统，
知识图谱生成模块600包括：
混合时段用户关系知识图谱生成模块630：将每个用户作为用户关系知识图谱中的一个实体，将同时段用户关系知识库及不同时段用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户在用户关系知识图谱中对应的实体之间的关联关系。
实体获取模块700包括：
混合时段实体获取模块730：获取用户关系知识图谱中与任一实体具有关联关系的所有实体，可以得到该一实体对应的用户的所有同学、同事、师生。获取用户关系知识图谱中与任一实体具有的关联关系中具有第k级单位名称的所有实体，可以得到该一实体对应的用户的所有同第k级单位的同学、同事、师生。K为大于1的自然数。
实施例17：
根据实施例14、15、16提供的社会关系知识图谱生成系统可以进行组合使用。
实施例18：
根据实施例10提供的社会关系知识图谱生成系统，
关系获取模块800具体包括：根据上述步骤获取与一个用户在知识图谱中具备某类关系的所有用户，获取该个用户与该所有用户中每一用户之间的关系，将关系中时间段的长度作为P1，将关系中的最低单位级别作为P2，计算f(P1，P2)作为该关系的权重，计算该个用户与该所有用户中每一用户之间的所有关系的权重和，根据对应的关系权重和从高到低对与该用户有该类关系的每一用户进行排序，排序越靠前的用户与该用户的该类关系越密切，排序最靠前的用户与该用户的该类关系最密切。
上述各实施例中的方法和系统可以在计算机、服务器、云服务器、超级计算机、机器人、嵌入式设备、电子设备等上执行和部署。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种社会关系知识图谱生成方法，其特征在于，所述方法包括：
经历获取步骤，获取每个用户的简历中的经历；
经历抽取步骤，从每一个用户的简历的经历中抽取每一个经历的时间段及该时间段用户所在的单位；
经历求交步骤，求属于不同用户的每两个经历的交集；
交集信息获取步骤，通过对经历进行匹配获取具有交集的每两个经历，获取交集部分的信息；
关系生成步骤，根据用户的经历，判断每两个用户之间的关系，生成该关系的实体、标签、属性进行关联后加入用户关系知识库；
知识图谱生成步骤，用于将每个用户作为用户关系知识图谱中的一个实体，将用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户的用户关系知识图谱中对应的实体之间的关联关系；
实体获取步骤，获取用户关系知识图谱中与任一实体具有关联关系的实体；
关系获取步骤，获取与第一用户在知识图谱中具备关系的第二用户，获取该第一用户与该第二用户之间的关系，计算该第一用户与该第二用户之间的关系的权重和，根据对应的关系权重和从高到低对与该第一用户有关系的每一用户进行排序。
2.根据权利要求1所述的社会关系知识图谱生成方法，其特征在于，
所述经历获取步骤包括：
教育和工作经历获取步骤，获取每个用户的简历中的教育经历和工作经历；
所述经历抽取步骤包括：
教育经历抽取步骤，从每一个用户的简历的教育经历中抽取每一个教育经历的时间段及该时间段用户所在的单位；
工作经历抽取步骤，从简历的工作经历中抽取每一个工作经历的时间段及该时间段用户所在的单位。
3.根据权利要求1所述的社会关系知识图谱生成方法，其特征在于，
交集信息获取步骤包括：
第一交集信息获取步骤，通过对经历进行匹配获取时间段交集不为空且单位交集不为空的属于不同用户的每两个经历，获取交集部分的时间段和单位信息；
第二交集信息获取步骤，通过对经历进行匹配获取时间段交集为空且单位交集不为空的属于不同用户的每两个经历，获取交集部分的单位信息；
关系生成步骤包括：
同时段关系生成步骤，根据用户的经历，判断每两个用户之间的同时段关系，生成该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
不同时段关系生成步骤，根据用户的经历，判断每两个用户之间的不同时段关系，生成该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库。
4.根据权利要求3所述的社会关系知识图谱生成方法，其特征在于，
同时段关系生成步骤包括：
教育经历同时段关系生成步骤，如果所述两个经历分别为两个用户的教育经历，则这两个用户具有同时段关系，将这两个用户的姓名作为该关系的实体，将同时段同学关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
工作经历同时段关系生成步骤，如果所述两个经历分别为两个用户的工作经历，则这两个用户具有同时段关系，将这两个用户的姓名作为该关系的实体，将同时段同事关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
教育工作经历同时段关系生成步骤，如果所述两个经历分别为一个用户的学习经历和另一个用户的工作经历，则这两个用户具有同时段关系，将这两个用户的姓名作为该关系的实体，将同时段师生关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入同时段用户关系知识库；
不同时段关系生成步骤包括：
教育经历不同时段关系生成步骤，如果所述每两个经历分别为两个用户的教育经历，则这两个用户具有不同时段关系，将这两个用户的姓名作为该关系的实体，将不同时段同学关系作为该关系的标签，将交集部分的单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库；
工作经历不同时段关系生成步骤，如果所述两个经历分别为两个用户的工作经历，则这两个用户具有不同时段关系，将这两个用户的姓名作为该关系的实体，将不同时段同事关系作为该关系的标签，将交集部分的时间段和单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库；
教育工作经历不同时段关系生成步骤，如果所述两个经历分别为一个用户的学习经历和另一个用户的工作经历，则这两个用户具有不同时段关系，将这两个用户的姓名作为该关系的实体，将不同时段师生关系作为该关系的标签，将交集部分的单位信息作为该关系的属性，将该关系的实体、标签、属性进行关联后加入不同时段用户关系知识库。
5.根据权利要求1所述的社会关系知识图谱生成方法，其特征在于，
知识图谱生成步骤包括：
同时段用户关系知识图谱生成步骤，将每个用户作为同时段用户关系知识图谱中的一个实体，将同时段用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户在同时段用户关系知识图谱中对应的实体之间的关联关系；
不同时段用户关系知识图谱生成步骤，将每个用户作为不同时段用户关系知识图谱中的一个实体，将不同时段用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户在不同时段用户关系知识图谱中对应的实体之间的关联关系；
混合时段用户关系知识图谱生成步骤，将每个用户作为用户关系知识图谱中的一个实体，将同时段用户关系知识库及不同时段用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户在用户关系知识图谱中对应的实体之间的关联关系；
实体获取步骤包括：
同时段实体获取步骤，获取同时段用户关系知识图谱中与任一实体具有关联关系的所有实体，可以得到该一实体对应的用户的所有同时段的同学、同事、师生；
不同时段实体获取步骤，获取不同时段用户关系知识图谱中与任一实体具有关联关系的所有实体，可以得到该一实体对应的用户的所有不同时段的同学、同事、师生；
混合时段实体获取步骤，获取用户关系知识图谱中与任一实体具有关联关系的所有实体，可以得到该一实体对应的用户的所有同学、同事、师生。
6.根据权利要求1所述的社会关系知识图谱生成方法，其特征在于，
关系获取步骤具体包括：获取与一个用户在知识图谱中具备某类关系的所有用户，获取该个用户与该所有用户中每一用户之间的关系，将关系中时间段的长度作为P1，将关系中的最低单位级别作为P2，计算f(P1，P2)作为该关系的权重，计算该个用户与该所有用户中每一用户之间的所有关系的权重和，根据对应的关系权重和从高到低对与该用户有该类关系的每一用户进行排序，排序越靠前的用户与该用户的该类关系越密切，排序最靠前的用户与该用户的该类关系最密切。
7.一种社会关系知识图谱生成系统，其特征在于，所述系统包括：
经历获取模块，用于获取每个用户的简历中的经历；
经历抽取模块，用于从每一个用户的简历的经历中抽取每一个经历的时间段及该时间段用户所在的单位；
经历求交模块，用于求属于不同用户的每两个经历的交集；
交集信息获取模块，用于通过对经历进行匹配获取具有交集的每两个经历，获取交集部分的信息；
关系生成模块，用于根据用户的经历，判断每两个用户之间的关系，生成该关系的实体、标签、属性进行关联后加入用户关系知识库；
知识图谱生成模块，用于将每个用户作为用户关系知识图谱中的一个实体，将用户关系知识库中每个关系的关系标签及其属性作为该关系中两个用户的用户关系知识图谱中对应的实体之间的关联关系；
实体获取模块，获取用户关系知识图谱中与任一实体具有关联关系的实体；
关系获取模块，获取与第一用户在知识图谱中具备关系的第二用户，获取该第一用户与该第二用户之间的关系，计算该第一用户与该第二用户之间的关系的权重和，根据对应的关系权重和从高到低对与该第一用户有关系的每一用户进行排序。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
10.一种社会关系知识图谱生成机器人系统，所述机器人系统包括存储器和处理器，所述存储器存储有机器人程序，其特征在于，所述处理器执行所述机器人程序时实现权利要求1至6中任一项所述方法的步骤。
CN201910788265.5A 2019-08-29 2019-08-29 基于人工智能的社会关系知识图谱生成方法和机器人系统 Withdrawn CN110633374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910788265.5A CN110633374A (zh) 2019-08-29 2019-08-29 基于人工智能的社会关系知识图谱生成方法和机器人系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910788265.5A CN110633374A (zh) 2019-08-29 2019-08-29 基于人工智能的社会关系知识图谱生成方法和机器人系统

Publications (1)

Publication Number Publication Date
CN110633374A true CN110633374A (zh) 2019-12-31

Family

ID=68969079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910788265.5A Withdrawn CN110633374A (zh) 2019-08-29 2019-08-29 基于人工智能的社会关系知识图谱生成方法和机器人系统

Country Status (1)

Country Link
CN (1) CN110633374A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112463835A (zh) * 2020-12-11 2021-03-09 广东电网有限责任公司 一种使用关联关系分析的专家关系查找方法及装置
CN112905805A (zh) * 2021-03-05 2021-06-04 北京中经惠众科技有限公司 知识图谱构建方法及装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140258400A1 (en) * 2013-03-08 2014-09-11 Google Inc. Content item audience selection
CN108509614A (zh) * 2018-04-03 2018-09-07 中山大学 一种基于图数据库的任务履历管理及分析方法
CN110110090A (zh) * 2018-01-09 2019-08-09 鸿合科技股份有限公司 搜索方法、教育搜索引擎系统及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140258400A1 (en) * 2013-03-08 2014-09-11 Google Inc. Content item audience selection
CN110110090A (zh) * 2018-01-09 2019-08-09 鸿合科技股份有限公司 搜索方法、教育搜索引擎系统及装置
CN108509614A (zh) * 2018-04-03 2018-09-07 中山大学 一种基于图数据库的任务履历管理及分析方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112463835A (zh) * 2020-12-11 2021-03-09 广东电网有限责任公司 一种使用关联关系分析的专家关系查找方法及装置
CN112905805A (zh) * 2021-03-05 2021-06-04 北京中经惠众科技有限公司 知识图谱构建方法及装置、计算机设备和存储介质
CN112905805B (zh) * 2021-03-05 2023-09-15 北京中经惠众科技有限公司 知识图谱构建方法及装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN106815252B (zh) 一种搜索方法和设备
CN109933666B (zh) 一种好友自动分类方法、装置、计算机设备和存储介质
CN105808590B (zh) 搜索引擎实现方法、搜索方法以及装置
US20100324970A1 (en) System and Method For Intelligent Job Hunt
CN110046236A (zh) 一种非结构化数据的检索方法及装置
US11216499B2 (en) Information retrieval apparatus, information retrieval system, and information retrieval method
CN104615616A (zh) 群组推荐方法和系统
CN109584094B (zh) 一种人际路径快速定位系统、方法及介质
US8583669B2 (en) Query suggestion for efficient legal E-discovery
CN110390352A (zh) 一种基于相似性哈希的图像暗数据价值评估方法
US20210349893A1 (en) Method and system for analytic based connections among user types in an online platform
CN111078835A (zh) 简历评估方法、装置、计算机设备及存储介质
CN107357763B (zh) 一种基于自步学习的众包分类数据质量控制方法
CN110046713A (zh) 基于多目标粒子群优化的鲁棒性排序学习方法及其应用
CN111143539A (zh) 基于知识图谱的教学领域问答方法
CN112163097A (zh) 一种军事知识图谱构建方法及系统
CN110633374A (zh) 基于人工智能的社会关系知识图谱生成方法和机器人系统
Ahmed et al. Enhancing link prediction in Twitter using semantic user attributes
CN111831898A (zh) 排序方法、装置、电子设备及可读存储介质
Chen Multiple criteria choice modeling using the grounds of T‐spherical fuzzy REGIME analysis
CN116244484B (zh) 一种面向不平衡数据的联邦跨模态检索方法及系统
CN110472057B (zh) 话题标签的生成方法及装置
Cao et al. A grey wolf optimizer–cellular automata integrated model for urban growth simulation and optimization
CN110334112A (zh) 一种简历信息检索方法及装置
WO2021036524A1 (zh) 基于人工智能的学术关系知识图谱生成方法和机器人系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20191231