CN111309815A - 一种关系图谱的处理方法、装置和电子设备 - Google Patents
一种关系图谱的处理方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111309815A CN111309815A CN201811519930.2A CN201811519930A CN111309815A CN 111309815 A CN111309815 A CN 111309815A CN 201811519930 A CN201811519930 A CN 201811519930A CN 111309815 A CN111309815 A CN 111309815A
- Authority
- CN
- China
- Prior art keywords
- entity
- entity node
- node group
- determining
- attribute
- 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
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种关系图谱的处理方法、装置和电子设备,其中,该方法包括:确定目标对象之间的关系图谱,其中,所述目标对象包括服务提供方和/或服务请求方,所述关系图谱中包括多个实体节点和实体节点之间的关联关系,每个实体节点用于表征所述服务提供方或所述服务请求方;对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群;确定所述至少一个实体节点群中每个实体节点群的营销策略。本申请通过关系图谱的方式,能够更加准确的对目标对象进行聚类分组,从而得到更加准确的分类结果,以缓解现有技术中由于聚类分组的准确性较差导致的用户反馈效果较差的问题。
Description
技术领域
本申请涉及数据处理的技术领域,具体而言,涉及一种关系图谱的处理方法、装置和电子设备。
背景技术
目前,针对网约车平台,可以针对特定人群来制定专门的营销策略,通过制定专门的营销策略能够更有效的抓住人群的特点,以给出精准的营销策略。在现有技术中,最常见的方法就是利用用户画像技术(也称贴标签技术)和一些相似性度量方法来抽取一堆具有共同属性的人群。例如,对于“司机”这个实体,它自身带有性别和年龄等属性,因而要找出比如“35岁以下的女司机”这样的人群,只需对实体属性进行判断并通过倒排索引等技术便可以获取人群。但是很多情况下,采用现有技术的方式得到的信息不一定总是能遍历地通过画像的形式挖掘和呈现出来。这就导致无法更加准确的对具有共同属性的人群进行分组,从而导致网约车平台在向用户推送营销策略时,由于聚类分组的准确性较差导致的用户反馈效果较差的问题。
发明内容
有鉴于此,本申请实施例的目的在于提供一种关系图谱的处理方法、装置和电子设备,在本申请通过关系图谱的方式,能够更加准确的对目标对象进行聚类分组,从而得到更加准确的分类结果,以缓解现有技术中由于聚类分组的准确性较差导致的用户反馈效果较差的问题。
根据本申请的一个方面,提供一种电子设备,可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行所述机器可读指令,以执行一个或多个以下操作:
确定目标对象之间的关系图谱,其中,所述目标对象包括服务提供方和/或服务请求方,所述关系图谱中包括多个实体节点和实体节点之间的关联关系,每个实体节点用于表征所述服务提供方或所述服务请求方;对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群;确定所述至少一个实体节点群中每个实体节点群的营销策略。
在本申请较佳的实施例中,确定目标对象之间的关系图谱包括:获取所述目标对象之间的关联参数,其中,所述关联参数包括以下至少之一:推荐关系、出行共乘信息、家庭区域信息、公司区域信息;基于所述关联参数构建所述关系图谱。
在本申请较佳的实施例中,所述关系图谱中任意两个包含关联关系的实体节点之间通过至少一条连接线相连接,且每条连接线对应一个关联参数;在基于所述关联参数构建所述关系图谱之后,所述方法还包括:确定所述关系图谱中每个实体节点的实体属性;确定所述关系图谱中每条连接线的关系属性。
在本申请较佳的实施例中,确定所述关系图谱中每个实体节点的实体属性包括:获取每个目标对象的画像信息;其中,所述画像信息包括以下至少之一:身份标识信息,性别,年龄,常驻区域,平均工作时长,过去目标时间段内完成服务订单的数量,过去目标时间段内服务订单的取消量,过去目标时间段内的收入信息,服务等级,服务评分,出工类型,接单时间偏好信息,收车区域信息;将所述画像信息确定为所述目标对象所对应实体节点的实体属性。
在本申请较佳的实施例中,确定所述关系图谱中每条连接线的关系属性包括:确定每条连接线所对应的关联关系的属性信息,并将所述每条连接线所对应的关联关系的属性信息作为所述连接线的关系属性。
在本申请较佳的实施例中,对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群包括:利用社区发现算法对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
在本申请较佳的实施例中,利用社区发现算法对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群包括:确定所述多个实体节点中每个实体节点的标签信息,其中,所述标签信息用于表征实体节点所属实体节点群的标签信息;基于所述每个实体节点的标签信息对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
在本申请较佳的实施例中,确定所述多个实体节点中每个实体节点的标签信息包括:为所述实体节点中每个实体节点确定标签信息,并反复执行以下步骤,直至每个实体节点的标签不再进行更新:在所述关系图谱中确定各个实体节点的相邻实体节点;获取所述相邻实体节点的标签信息,并基于所述相邻实体节点的标签信息更新所述实体节点的标签信息。
在本申请较佳的实施例中,基于所述相邻实体节点的标签信息更新所述实体节点的标签信息包括:统计所述述相邻实体节点的标签信息中各类型的标签信息的数量;将所述各类型的标签信息的数量中数量最大的标签信息更新为所述实体节点的标签信息。
在本申请较佳的实施例中,基于所述每个实体节点的标签信息对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群包括:在所述多个实体节点中确定相同标签信息所对应的实体节点;将所述相同标签信息所对应的实体节点划分为同一个实体节点群中,从而得到所述至少一个实体节点群。
在本申请较佳的实施例中,确定所述至少一个实体节点群中每个实体节点群的营销策略包括:基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性对各个实体节点群进行评分,得到评分结果,其中,所述评分结果用于确定所述实体节点群与各个预设营销策略之间的匹配程度;基于所述评分结果确定每个实体节点群的营销策略。
在本申请较佳的实施例中,基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性对各个实体节点群进行评分包括:将所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性输入至第一神经网络中进行分析,得到第一分析结果;其中,所述第一分析结果为所述实体节点群的评分结果。
在本申请较佳的实施例中,基于所述评分结果确定每个实体节点群的营销策略包括:基于所述评分结果从多个预设营销策略中选择目标营销策略,其中,所述目标营销策略与所述实体节点群的匹配程度最高;将所述目标营销策略作为所述实体节点群的营销策略。
在本申请较佳的实施例中,确定所述至少一个实体节点群中每个实体节点群的营销策略还包括:基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性,确定所述实体节点群的特征属性;在多个预设营销策略中确定与所述实体节点群的特征属性相匹配的目标营销策略,并将所述目标营销策略作为所述实体节点群的营销策略。
在本申请较佳的实施例中,基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性,确定所述实体节点群的特征属性包括:将所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性输入至第二神经网络中进行分析,得到第二分析结果;其中,所述第二分析结果为所述实体节点群的特征属性。
根据本申请的另一个方面,还提供一种关系图谱的处理装置,包括:第一确定单元,用于确定目标对象之间的关系图谱,其中,所述目标对象包括服务提供方和/或服务请求方,所述关系图谱中包括多个实体节点和实体节点之间的关联关系,每个实体节点用于表征所述服务提供方或所述服务请求方;聚类分析单元,用于对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群;第二确定单元,用于确定所述至少一个实体节点群中每个实体节点群的营销策略。
在本申请较佳的实施例中,所述第一确定单元包括:获取模块,用于获取所述目标对象之间的关联参数,其中,所述关联参数包括以下至少之一:推荐关系、出行共乘信息、家庭区域信息、公司区域信息;构建模块,用于基于所述关联参数构建所述关系图谱。
在本申请较佳的实施例中,所述关系图谱中任意两个包含关联关系的实体节点之间通过至少一条连接线相连接,且每条连接线对应一个关联参数;在基于所述关联参数构建所述关系图谱之后,所述装置还用于:确定所述关系图谱中每个实体节点的实体属性;确定所述关系图谱中每条连接线的关系属性。
在本申请较佳的实施例中,所述装置还用于:获取每个目标对象的画像信息;其中,所述画像信息包括以下至少之一:身份标识信息,性别,年龄,常驻区域,平均工作时长,过去目标时间段内完成服务订单的数量,过去目标时间段内服务订单的取消量,过去目标时间段内的收入信息,服务等级,服务评分,出工类型,接单时间偏好信息,收车区域信息;将所述画像信息确定为所述目标对象所对应实体节点的实体属性。
在本申请较佳的实施例中,所述装置还用于:确定每条连接线所对应的关联关系的属性信息,并将所述每条连接线所对应的关联关系的属性信息作为所述连接线的关系属性。
在本申请较佳的实施例中,所述聚类分析单元包括:聚类分析模块,用于利用社区发现算法对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
在本申请较佳的实施例中,所述聚类分析模块用于:确定所述多个实体节点中每个实体节点的标签信息,其中,所述标签信息用于表征实体节点所属实体节点群的标签信息;基于所述每个实体节点的标签信息对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
在本申请较佳的实施例中,所述聚类分析模块还用于:为所述实体节点中每个实体节点确定标签信息,并反复执行以下步骤,直至每个实体节点的标签不再进行更新:在所述关系图谱中确定各个实体节点的相邻实体节点;获取所述相邻实体节点的标签信息,并基于所述相邻实体节点的标签信息更新所述实体节点的标签信息。
在本申请较佳的实施例中,所述聚类分析模块还用于:统计所述述相邻实体节点的标签信息中各类型的标签信息的数量;将所述各类型的标签信息的数量中数量最大的标签信息更新为所述实体节点的标签信息。
在本申请较佳的实施例中,所述聚类分析模块还用于包括:在所述多个实体节点中确定相同标签信息所对应的实体节点;将所述相同标签信息所对应的实体节点划分为同一个实体节点群中,从而得到所述至少一个实体节点群。
在本申请较佳的实施例中,所述第二确定单元包括:评分单元,用于基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性对各个实体节点群进行评分,得到评分结果,其中,所述评分结果用于确定所述实体节点群与各个预设营销策略之间的匹配程度;第一确定模块,用于基于所述评分结果确定每个实体节点群的营销策略。
在本申请较佳的实施例中,所述评分单元用于包括:将所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性输入至第一神经网络中进行分析,得到第一分析结果;其中,所述第一分析结果为所述实体节点群的评分结果。
在本申请较佳的实施例中,所述第一确定模块用于包括:基于所述评分结果从多个预设营销策略中选择目标营销策略,其中,所述目标营销策略与所述实体节点群的匹配程度最高;将所述目标营销策略作为所述实体节点群的营销策略。
在本申请较佳的实施例中,所述第二确定单元还包括:第二确定模块,用于基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性,确定所述实体节点群的特征属性;第三确定模块,用于在多个预设营销策略中确定与所述实体节点群的特征属性相匹配的目标营销策略,并将所述目标营销策略作为所述实体节点群的营销策略。
在本申请较佳的实施例中,所述第二确定模块用于:将所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性输入至第二神经网络中进行分析,得到第二分析结果;其中,所述第二分析结果为所述实体节点群的特征属性。
根据本申请的另一个方面,还提供一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如上述所述的关系图谱的处理方法的步骤。
根据本申请的另一个方面,还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述所述的关系图谱的处理方法的步骤。
在本申请中,首先,确定目标对象之间的关系图谱,然后,对关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群;最后,确定至少一个实体节点群中每个实体节点群的营销策略。通过上述描述可知,在本申请通过关系图谱的方式,能够更加准确的对目标对象进行聚类分组,从而得到更加准确的分类结果,以缓解现有技术中由于聚类分组的准确性较差导致的用户反馈效果较差的问题。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种电子设备的结构示意图;
图2示出了本申请实施例所提供的一种关系图谱的处理方法的流程图;
图3示出了本申请实施例所提供的一种关系图谱的结构示意图;
图4示出了本申请实施例所提供的第一种可选地关系图谱的处理方法的流程图;
图5示出了本申请实施例所提供的第二种可选地关系图谱的处理方法的流程图;
图6示出了本申请实施例所提供的第三种可选地关系图谱的处理方法的流程图;
图7示出了本申请实施例所提供的第四种可选地关系图谱的处理方法的流程图;
图8示出了本申请实施例所提供的第五种可选地关系图谱的处理方法的流程图;
图9示出了本申请实施例所提供的第六种可选地关系图谱的处理方法的流程图;
图10示出了本申请实施例所提供的一种关系图谱的处理装置的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请中的术语“服务”和“订单”可互换使用,以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的服务请求。接受该“服务”或“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务可以是收费的或免费的。
图1示出根据本申请的一些实施例的可以实现本申请提供的关系图谱的处理方法的电子设备100的示例性硬件和软件组件的示意图。
电子设备100可以是通用计算机或特殊用途的计算机,两者都可以用于实现本申请的关系图谱的处理方法。本申请尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
例如,电子设备100可以包括连接到网络的网络端口110、用于执行程序指令的一个或多个处理器120、通信总线130、和不同形式的存储介质140,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备100还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口150。
上述存储介质140存储有处理器120可执行的机器可读指令,当电子设备运行时,处理器120与存储介质140之间通过总线通信,处理器执行机器可读指令,以执行时执行下述关系图谱的处理方法的步骤。另外,存储介质也可以称为计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行下述关系图谱的处理方法的步骤。
为了便于说明,在电子设备100中仅描述了一个处理器。然而,应当注意,本申请中的电子设备100还可以包括多个处理器,因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备100的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
在网约车平台的大数据生态下,服务提供方或者服务请求方之间的关系网络也成规模化(上百亿)发展,这些关系包括推荐信息、信息分享、共同居住小区、同事等等。通过上述描述可知,在利用大数据手段来解决人群的划分问题时,不应该只是在孤立的看待人群本身,而是应该同时考虑实体之间的关系。举例来说,若想挖掘出所有潜在成为高频服务提供方的人群,或者若想挖掘潜在的作弊团伙。在考虑用户画像的同时,也要仔细考察社会关系。因为,每个人所产生的行动很大程度上会受周围人的影响,父母影响孩子,朋友影响朋友。基于此,在本实施例中,提供了一种关系图谱的处理方法,通过该方法,能够更加准确的对目标对象进行聚类分组,从而得到更加准确的分类结果,以缓解现有技术中由于聚类分组的准确性较差导致的用户反馈效果较差的问题,下面将具体介绍该方法。
参见图2所示的一种关系图谱的处理方法的流程图。
图2所示的关系图谱的处理方法以应用在服务器端为例进行说明,该方法包括如下步骤:
步骤S202,确定目标对象之间的关系图谱,其中,所述目标对象包括服务提供方和/或服务请求方,所述关系图谱中包括多个实体节点和实体节点之间的关联关系,每个实体节点用于表征所述服务提供方或所述服务请求方;
在本实施例中,目标对象可以为网约车平台的服务提供方和/或服务请求方。也就是说,目标对象可以仅包含服务提供方;目标对象还可以仅包含服务请求方;目标对象还可以同时包含服务提供方和服务请求方。本实施例对此不作具体限定。
在本实施例中,关系图谱可以为如图3所示的图谱。在如图3所示的图谱中,包含多个实体节点。每个实体节点为服务提供方或者服务请求方。如图3所示,包含关联关系的实体节点之间通过连线相连接。
例如,若要对某个区域内的目标对象进行分析处理,可以获取该目标区域内在网约车平台注册的服务提供方和/或服务请求方。然后,对获取到的服务提供方和/或服务请求方,构建关系图谱。
步骤S204,对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群;
在本实施例中,可以通过聚类算法对关系图谱中的各个实体节点进行聚类分析。然后,通过聚类分析来获得各个实体节点之间的关联关系,从而发掘出符合业务需求的社区结构(即,实体节点群)。
步骤S206,确定所述至少一个实体节点群中每个实体节点群的营销策略。
在本申请中,首先,确定目标对象之间的关系图谱,然后,对关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群;最后,确定至少一个实体节点群中每个实体节点群的营销策略。通过上述描述可知,在本申请通过关系图谱的方式,能够更加准确的对目标对象进行聚类分组,从而得到更加准确的分类结果,以缓解现有技术中由于聚类分组的准确性较差导致的用户反馈效果较差的问题。
在本实施例中,首先确定目标对象之间的关系图谱,如图3所示,关系图谱中包含多个实体节点,每个实体节点用于表征一个服务提供方或一个服务请求方。多个实体节点中具有关联关系的实体节点之间通过连接线段相连接,且每个连接线段对应一种关联关系。
如图4所示,在本实施例中,步骤S202,确定目标对象之间的关系图谱包括如下步骤:
步骤S401,获取所述目标对象之间的关联参数,其中,所述关联参数包括以下至少之一:推荐关系、出行共乘信息、家庭区域信息、公司区域信息;
步骤S402,基于所述关联参数构建所述关系图谱。
具体地,在本实施例中,可以根据目标对象之间的互动关系构建目标对象之间的关系图谱。例如,根据服务提供方之间的互动关系构建关系图谱;又例如,可以根据服务请求方之间的互动关系构建关系图谱;又例如,可以根据服务提供方和服务请求方之间的互动关系构建关系图谱。
上述互动关系可以表示为目标对象之间的关联参数。其中,关联参数可以为以下至少之一:推荐关系、出行共乘信息、家庭区域信息、公司区域信息。
推荐关系可以为一个网约车司机推荐另一个司机加入网约车平台;或者一个用户推荐另一个用户使用网约车平台的打车服务;或者一个网约车司机推荐另一个用户使用网约车平台的打车服务;或者一个用户推荐一个司机加入网约车平台,本实施例中不做具体限定。若服务提供方A推荐服务提供方B加入网约车平台,则服务提供方A推荐服务提供方B之间包含推荐关系。出行共乘信息为目标对象共同乘坐的网约车。家庭区域信息为各个目标对象所住位置的区域信息。公司区域信息为各个目标对象所属公司的区域信息。
在本实施例中,可以按照上述关联参数确定任意两个目标对象之间所对应的关联关系。例如,任意两个目标对象之间包括推荐关系和出行共乘关系,那么在这两个目标对象之间构建两个连接线段,其中一个连接线段对应推荐信息,另外一个连接线段对应出行共乘关系。
基于此,在本实施例中,就可以按照上述关联参数,确定目标对象之间的关联关系,进而,基于该关联关系构建关系图谱。进而根据关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
通过上述描述可知,现有的利用用户画像的对人群进行分类的方法无法按照一些更复杂的标准来对人群进行分类。在本实施例中,利用关系图谱以及图挖掘算法来对人群进行分类方式,能够挖掘出潜在的群体,例如发现“潜在的司机村”和发现“潜在的作弊团伙”等。
通过上述描述可知,在本实施例中,关系图谱中任意两个包含关联关系的实体节点之间通过至少一条连接线相连接,且每条连接线对应一个关联参数。
基于此,在本实施例中,如图5所示,在基于所述关联参数构建所述关系图谱之后,所述方法还包括:
步骤S501,确定所述关系图谱中每个实体节点的实体属性;具体包括:
步骤S11,获取每个目标对象的画像信息;其中,所述画像信息包括以下至少之一:身份标识信息,性别,年龄,常驻区域,平均工作时长,过去目标时间段内完成服务订单的数量,过去目标时间段内服务订单的取消量,过去目标时间段内的收入信息,服务等级,服务评分,出工类型,接单时间偏好信息,收车区域信息;
步骤S12,将所述画像信息确定为所述目标对象所对应实体节点的实体属性。
步骤S502,确定所述关系图谱中每条连接线的关系属性;具体包括:
确定每条连接线所对应的关联关系的属性信息,并将所述每条连接线所对应的关联关系的属性信息作为所述连接线的关系属性。
具体地,在本实施例中,在构建得到关系图谱之后,可以确定关系图谱中每个实体节点实体属性。具体地,在本实施例中,可以在网约车平台的数据平台中获取每个目标对象的画像信息(或者标签信息)。
在本实施例中,上述画像信息包括但不限于以下信息:身份标识信息(例如,ID信息),性别,年龄,常驻区域,平均工作时长,过去目标时间段内完成服务订单的数量,过去目标时间段内服务订单的取消量,过去目标时间段内的收入信息,服务等级,服务评分,出工类型,接单时间偏好信息,收车区域信息,全/兼职类型,长短服务订单偏好等信息。
需要说明的是,除了上述信息之外,还可以包含其他的画像信息,本实施例中不做详细限定。
在获取到上述画像信息之后,就可以将上述画像信息确定为目标对象所对应实体节点的实体属性。
通过上述描述可知,在本实施例中,在构建关系图谱之后,确定每个实体节点的实体属性的方式,能够更加准确的对人群进行分类方式,从而更加准确的挖掘出潜在的群体。
在本实施例中,还可以确定关系图谱中每条连接线段的关系属性。具体地,可以确定每条连接线所对应的关联关系的属性信息。例如,若该条连接线所对应的关联关系为推荐关系,那么该属性信息可以目标对象之间的推荐频次等信息。
在本实施例中,在按照上述所描述的方式得到关系图谱和关系图谱中每个实体节点的实体属性,以及关系图谱中每条连接线的关系属性之后,就可以对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
在一个可选实施方式中,对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群包括:
利用社区发现算法对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
具体地,在本实施例中,在构建好的关系图谱中,可以利用社区发现算法,例如标签传播算法(LPA,Label Propagation Algorithm)来发现社区,利用社区发现算法对关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。社区发现算法能够根据关系图谱中已经给出的信息来挖掘可能存在一定共性的社区(即,实体节点群)。
关系图谱中已经给出的信息可以为:实体节点的实体属性,以及实体节点之间的关联关系,以及每个关联关系的关系属性。
在一个可选的实施方式中,若社区发现算法为标签传播算法;如图6所示,那么利用社区发现算法对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群包括如下步骤:
步骤S601,确定所述多个实体节点中每个实体节点的标签信息,其中,所述标签信息用于表征实体节点所属实体节点群的标签信息;
步骤S602,基于所述每个实体节点的标签信息对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
在本实施例中,预先为每个实体节点预先配置了对应的标签信息,此时,可以基于该标签信息对实体节点进行聚类分析,得到至少一个实体节点群。
如图7所示,上述标签传播算法的具体处理过程描述如下:
步骤S701,为所述实体节点中每个实体节点确定标签信息:
步骤S702,在所述关系图谱中确定各个实体节点的相邻实体节点;
步骤S703,获取所述相邻实体节点的标签信息,并基于所述相邻实体节点的标签信息更新所述实体节点的标签信息;
步骤S704,判断是否满足迭代停止条件;若满足,则结束流程,否则返回继续执行步骤S702;其中,迭代停止条件为直至每个实体节点的标签不再进行更新。
具体地,在本实施例中,首先为实体节点中的每个实体节点设置对应的标签信息。然后,针对多个实体节点中的任意一个实体节点Ai,在关系图谱中确定与实体节点Ai的相邻实体节点,相邻实体节点记为B1至Bj。其中,相邻实体节点可以为一个,还可以为多个。
之后,获取相邻实体节点B1至Bj中每个实体节点所对应的标签信息,从而得到j个标签信息。然后,根据这j个标签信息对实体节点Ai的标签信息进行更新。
可选地,步骤S703,基于所述相邻实体节点的标签信息更新所述实体节点的标签信息包括如下步骤:
首先,统计所述述相邻实体节点的标签信息中各类型的标签信息的数量;
然后,将所述各类型的标签信息的数量中数量最大的标签信息更新为所述实体节点的标签信息。
具体地,在本实施例中,可以统计相邻实体节点B1至Bj所对应的j个标签信息中所属于各类标签信息的数量。
例如,j的取值为5。其中,实体节点B1所对应的标签信息为标签信息C1,实体节点B2所对应的标签信息为标签信息C2,实体节点B3所对应的标签信息为标签信息C1,实体节点B4所对应的标签信息为标签信息C3,实体节点B5所对应的标签信息为标签信息C1。可见,实体节点B1至B5所对应的标签信息中,标签信息C1的数量为3个,标签信息C2的数量为1个,标签信息C3的数量为1个,可见,标签信息C1的数量最高。
此时,可以将各类的标签信息中的数量中数量最大的标签信息更新为该实体节点的标签信息。即,将标签信息C1更新为实体节点Ai的标签信息。
在本实施例中,在每次迭代过程中,针对每个实体节点,均执行一次上述处理过程,当满足迭代停止条件时,即,每个实体节点的标签不再进行更新时,则停止上述处理过程,并基于最后迭代过程中确定出的各个实体节点的标签信息对关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
可选地,在本实施例中,步骤S602,基于所述每个实体节点的标签信息对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群包括:
首先,在所述多个实体节点中确定相同标签信息所对应的实体节点;
然后,将所述相同标签信息所对应的实体节点划分为同一个实体节点群中,从而得到所述至少一个实体节点群。
在本实施例中,在按照上述所描述的方式得到每个实体节点的标签信息之后,就可以将相同标签信息所对应的实体节点划分为相同的实体群中。
例如,在关系图谱中包括实体节点A1至实体节点A10。在按照上述步骤S701至步骤S704所描述的步骤处理之后,得到实体节点A1至实体节点A10中各个实体节点所对应的标签信息。
假设,实体节点A1所对应的标签信息为C1;实体节点A2所对应的标签信息为C2,实体节点A3所对应的标签信息为C2,实体节点A4所对应的标签信息为C3,实体节点A5所对应的标签信息为C1,实体节点A6所对应的标签信息为C2,实体节点A7所对应的标签信息为C4,实体节点A8所对应的标签信息为C4,实体节点A9所对应的标签信息为C3,实体节点A10所对应的标签信息为C1。
此时,可以将实体节点A1、实体节点A5和实体节点A10作为实体节点组C1;将实体节点A2、实体节点A3和实体节点A6作为实体节点组C2;将实体节点A4和实体节点A9作为实体节点组C3;将实体节点A8和实体节点A7作为实体节点组C4。
通过上述描述可知,在本实施例中,标签传播算法LPA通过向邻近的点发送本点的标签信息,在接收到标签信息的时候合并收到的标签信息,最后用出现最多次的标签信息来更新节点的标签信息。最后,根据每个实体节点上的标签信息来确定是否是属于同一个实体节点群。通过上述处理方式,能够提高用户分组的精度,得到更加准确的实体节点群。
在本实施例中,在对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群之后,还可以确定至少一个实体节点群中每个实体节点群的营销策略。
在一个可选的实施方式中,如图8所示,步骤S206,确定所述至少一个实体节点群中每个实体节点群的营销策略包括如下步骤:
步骤S801,基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性对各个实体节点群进行评分,得到评分结果,其中,所述评分结果用于确定所述实体节点群与各个预设营销策略之间的匹配程度;
步骤S802,基于所述评分结果确定每个实体节点群的营销策略。
具体地,在本实施例中,可以将各个实体节点群内各个实体节点的实体属性和实体节点群内实体节点之间的关系属性作为第一神经网络的输入,并将所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性输入至第一神经网络中进行分析,得到第一分析结果;其中,所述第一分析结果为所述实体节点群的评分结果。
该第一神经网络为预先训练好的神经网络模型,训练该第一神经网络的训练样本中包含特征数据和该特征数据所对应的评价结果。该特征数据为预先构建的关系图谱样本中各个实体节点群所对应的实体属性数据和关系属性数据。
需要说明的是,在本实施例中,第一分析结果可以为一组概率值。例如,预先设置了一组营销策略(即,预设营销策略)。那么这组概率值中概率值表征实体节点群与各个预设营销策略之间的匹配程度。
基于此,基于所述评分结果确定每个实体节点群的营销策略包括:
首先,基于所述评分结果从多个预设营销策略中选择目标营销策略,其中,所述目标营销策略与所述实体节点群的匹配程度最高;
然后,将所述目标营销策略作为所述实体节点群的营销策略。
在本实施例中,可以在一组概率值中选择一个最高概率值,然后将该最高概率值所对应的预设营销策略作为目标营销策略。其中,概率值最高表明目标营销策略与实体节点群的匹配程度最高。
需要说明的是,除此之外,还可以在一组概率值中选择大于预设概率值的一个或多个目标概率值,然后,确定该一个或多个目标概率值所对应的预设营销策略;并将该一个或多个目标概率值所对应的预设营销策略推荐给实体节点群。
需要说明的是,除此之外,还可以在一组概率值中选择前N个概率值最大的一个或多个目标概率值,然后,确定该一个或多个目标概率值所对应的预设营销策略;并将该一个或多个目标概率值所对应的预设营销策略推荐给实体节点群。
在另一个可选的实施方式中,如图9所示,步骤S206,确定所述至少一个实体节点群中每个实体节点群的营销策略还包括如下步骤:
步骤S901,基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性,确定所述实体节点群的特征属性;
步骤S902,在多个预设营销策略中确定与所述实体节点群的特征属性相匹配的目标营销策略,并将所述目标营销策略作为所述实体节点群的营销策略。
具体地,在本实施例中,可以将各个实体节点群内各个实体节点的实体属性和实体节点群内实体节点之间的关系属性作为第二神经网络的输入,并将所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性输入至第二神经网络中进行分析,得到第二分析结果;其中,所述第二分析结果为所述实体节点群的特征属性。
该第二神经网络为预先训练好的神经网络模型,训练该第二神经网络的训练样本中包含特征数据和该特征数据所对应的特征属性。该特征数据为预先构建的关系图谱样本中各个实体节点群所对应的实体属性数据和关系属性数据。
需要说明的是,在本实施例中,第二分析结果可以为该实体节点群的特征属性。
可选地,在本实施例中,第二神经网络输出的第二分析结果为用于表征对应的实体节点群的特征属性的属性标签。在得到该属性标签之后,可以将该属性标签与各个预设营销策略进行匹配。
例如,每个预设营销策略也对应一个或多个属性标签。若该预设营销策略包含实体节点群的属性标签最多,则将该预设营销策略作为目标营销策略。
在本实施例中,采用上述所描述的方式对这些网络(关系图谱)进行社区(即,实体节点群)的发现具有极大的意义。例如,在人际关系网中,可以发现出具有不同兴趣、背景的社会团体,方便进行不同的宣传策略。在交易网中,不同的社区(即,实体节点群)代表不同购买力的客户群体,方便运营为他们推荐合适的商品。在资金网络中,社区有可能是潜在的洗钱团伙、刷钻联盟,方便安全部门进行相应处理。在相似店铺网络中,社区发现可以检测出商帮、价格联盟等,对商家进行指导等等。总的来看,社区发现在各种具体的网络中都能有重点的应用场景。
本实施例所提供的方法能够用于找出具有不同兴趣、背景的社会团体,方便进行不同的宣传策略。比如,网约车平台中存在的“司机村”现象,不少司机可能来自同一个村,经过互相推荐加入滴滴司机网络。因此他们的社交网络会有交叉和联系,比如在社交平台有互动,有财务上的交易,等等。同时,他们会互相交流出车载客经验,讨论比如去什么适合去哪些地方比较容易获得价值高的订单,因此他们的出车行为也会有类似。
采用本实施例所提供的方法,能够得到这些司机实体间非现有属性直观表达的相似处,从而找到“司机村”的司机,对他们共同感兴趣的方面提供营销策略,比如发放激励信息,去他们居住的地点去线下营销等等。在滴滴的交易网络中,还能发现潜在的作弊团伙方便安全部门进行相应处理。
图10是示出本申请的一些实施例的关系图谱的处理装置的框图,该关系图谱的处理装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器,或服务器的处理器,也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件,如图所示,关系图谱的处理装置可以包括:第一确定单元10,聚类分析单元20和第二确定单元30:
第一确定单元10,用于确定目标对象之间的关系图谱,其中,所述目标对象包括服务提供方和/或服务请求方,所述关系图谱中包括多个实体节点和实体节点之间的关联关系,每个实体节点用于表征所述服务提供方或所述服务请求方;
聚类分析单元20,用于对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群;
第二确定单元30,用于确定所述至少一个实体节点群中每个实体节点群的营销策略。
在本申请中,首先,确定目标对象之间的关系图谱,然后,对关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群;最后,确定至少一个实体节点群中每个实体节点群的营销策略。通过上述描述可知,在本申请通过关系图谱的方式,能够更加准确的对目标对象进行聚类分组,从而得到更加准确的分类结果,以缓解现有技术中由于聚类分组的准确性较差导致的用户反馈效果较差的问题。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。
可选地,所述第一确定单元包括:获取模块,用于获取所述目标对象之间的关联参数,其中,所述关联参数包括以下至少之一:推荐关系、出行共乘信息、家庭区域信息、公司区域信息;构建模块,用于基于所述关联参数构建所述关系图谱。
可选地,所述关系图谱中任意两个包含关联关系的实体节点之间通过至少一条连接线相连接,且每条连接线对应一个关联参数;在基于所述关联参数构建所述关系图谱之后,所述装置还用于:确定所述关系图谱中每个实体节点的实体属性;确定所述关系图谱中每条连接线的关系属性。
可选地,所述装置还用于:获取每个目标对象的画像信息;其中,所述画像信息包括以下至少之一:身份标识信息,性别,年龄,常驻区域,平均工作时长,过去目标时间段内完成服务订单的数量,过去目标时间段内服务订单的取消量,过去目标时间段内的收入信息,服务等级,服务评分,出工类型,接单时间偏好信息,收车区域信息;将所述画像信息确定为所述目标对象所对应实体节点的实体属性。
可选地,所述装置还用于:确定每条连接线所对应的关联关系的属性信息,并将所述每条连接线所对应的关联关系的属性信息作为所述连接线的关系属性。
可选地,所述聚类分析单元包括:聚类分析模块,用于利用社区发现算法对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
可选地,所述聚类分析模块用于:确定所述多个实体节点中每个实体节点的标签信息,其中,所述标签信息用于表征实体节点所属实体节点群的标签信息;基于所述每个实体节点的标签信息对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
可选地,所述聚类分析模块还用于:为所述实体节点中每个实体节点确定标签信息,并反复执行以下步骤,直至每个实体节点的标签不再进行更新:在所述关系图谱中确定各个实体节点的相邻实体节点;获取所述相邻实体节点的标签信息,并基于所述相邻实体节点的标签信息更新所述实体节点的标签信息。
可选地,所述聚类分析模块还用于:统计所述述相邻实体节点的标签信息中各类型的标签信息的数量;将所述各类型的标签信息的数量中数量最大的标签信息更新为所述实体节点的标签信息。
可选地,所述聚类分析模块还用于包括:在所述多个实体节点中确定相同标签信息所对应的实体节点;将所述相同标签信息所对应的实体节点划分为同一个实体节点群中,从而得到所述至少一个实体节点群。
可选地,所述第二确定单元包括:评分单元,用于基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性对各个实体节点群进行评分,得到评分结果,其中,所述评分结果用于确定所述实体节点群与各个预设营销策略之间的匹配程度;第一确定模块,用于基于所述评分结果确定每个实体节点群的营销策略。
可选地,所述评分单元用于包括:将所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性输入至第一神经网络中进行分析,得到第一分析结果;其中,所述第一分析结果为所述实体节点群的评分结果。
可选地,所述第一确定模块用于包括:基于所述评分结果从多个预设营销策略中选择目标营销策略,其中,所述目标营销策略与所述实体节点群的匹配程度最高;将所述目标营销策略作为所述实体节点群的营销策略。
可选地,所述第二确定单元还包括:第二确定模块,用于基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性,确定所述实体节点群的特征属性;第三确定模块,用于在多个预设营销策略中确定与所述实体节点群的特征属性相匹配的目标营销策略,并将所述目标营销策略作为所述实体节点群的营销策略。
可选地,所述第二确定模块用于:将所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性输入至第二神经网络中进行分析,得到第二分析结果;其中,所述第二分析结果为所述实体节点群的特征属性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,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单元中,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单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (32)
1.一种关系图谱的处理方法,其特征在于,包括:
确定目标对象之间的关系图谱,其中,所述目标对象包括服务提供方和/或服务请求方,所述关系图谱中包括多个实体节点和实体节点之间的关联关系,每个实体节点用于表征所述服务提供方或所述服务请求方;
对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群;
确定所述至少一个实体节点群中每个实体节点群的营销策略。
2.根据权利要求1所述的方法,其特征在于,确定目标对象之间的关系图谱包括:
获取所述目标对象之间的关联参数,其中,所述关联参数包括以下至少之一:推荐关系、出行共乘信息、家庭区域信息、公司区域信息;
基于所述关联参数构建所述关系图谱。
3.根据权利要求2所述的方法,其特征在于,所述关系图谱中任意两个包含关联关系的实体节点之间通过至少一条连接线相连接,且每条连接线对应一个关联参数;
在基于所述关联参数构建所述关系图谱之后,所述方法还包括:
确定所述关系图谱中每个实体节点的实体属性;
确定所述关系图谱中每条连接线的关系属性。
4.根据权利要求3所述的方法,其特征在于,确定所述关系图谱中每个实体节点的实体属性包括:
获取每个目标对象的画像信息;其中,所述画像信息包括以下至少之一:身份标识信息,性别,年龄,常驻区域,平均工作时长,过去目标时间段内完成服务订单的数量,过去目标时间段内服务订单的取消量,过去目标时间段内的收入信息,服务等级,服务评分,出工类型,接单时间偏好信息,收车区域信息;
将所述画像信息确定为所述目标对象所对应实体节点的实体属性。
5.根据权利要求3所述的方法,其特征在于,确定所述关系图谱中每条连接线的关系属性包括:
确定每条连接线所对应的关联关系的属性信息,并将所述每条连接线所对应的关联关系的属性信息作为所述连接线的关系属性。
6.根据权利要求1所述的方法,其特征在于,对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群包括:
利用社区发现算法对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
7.根据权利要求6所述的方法,其特征在于,利用社区发现算法对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群包括:
确定所述多个实体节点中每个实体节点的标签信息,其中,所述标签信息用于表征实体节点所属实体节点群的标签信息;
基于所述每个实体节点的标签信息对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
8.根据权利要求7所述的方法,其特征在于,确定所述多个实体节点中每个实体节点的标签信息包括:
为所述实体节点中每个实体节点确定标签信息,并反复执行以下步骤,直至每个实体节点的标签不再进行更新:
在所述关系图谱中确定各个实体节点的相邻实体节点;
获取所述相邻实体节点的标签信息,并基于所述相邻实体节点的标签信息更新所述实体节点的标签信息。
9.根据权利要求8所述的方法,其特征在于,基于所述相邻实体节点的标签信息更新所述实体节点的标签信息包括:
统计所述述相邻实体节点的标签信息中各类型的标签信息的数量;
将所述各类型的标签信息的数量中数量最大的标签信息更新为所述实体节点的标签信息。
10.根据权利要求7所述的方法,其特征在于,基于所述每个实体节点的标签信息对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群包括:
在所述多个实体节点中确定相同标签信息所对应的实体节点;
将所述相同标签信息所对应的实体节点划分为同一个实体节点群中,从而得到所述至少一个实体节点群。
11.根据权利要求1所述的方法,其特征在于,确定所述至少一个实体节点群中每个实体节点群的营销策略包括:
基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性对各个实体节点群进行评分,得到评分结果,其中,所述评分结果用于确定所述实体节点群与各个预设营销策略之间的匹配程度;
基于所述评分结果确定每个实体节点群的营销策略。
12.根据权利要求11所述的方法,其特征在于,基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性对各个实体节点群进行评分包括:
将所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性输入至第一神经网络中进行分析,得到第一分析结果;其中,所述第一分析结果为所述实体节点群的评分结果。
13.根据权利要求11所述的方法,其特征在于,基于所述评分结果确定每个实体节点群的营销策略包括:
基于所述评分结果从多个预设营销策略中选择目标营销策略,其中,所述目标营销策略与所述实体节点群的匹配程度最高;
将所述目标营销策略作为所述实体节点群的营销策略。
14.根据权利要求1所述的方法,其特征在于,确定所述至少一个实体节点群中每个实体节点群的营销策略还包括:
基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性,确定所述实体节点群的特征属性;
在多个预设营销策略中确定与所述实体节点群的特征属性相匹配的目标营销策略,并将所述目标营销策略作为所述实体节点群的营销策略。
15.根据权利要求14所述的方法,其特征在于,基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性,确定所述实体节点群的特征属性包括:
将所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性输入至第二神经网络中进行分析,得到第二分析结果;其中,所述第二分析结果为所述实体节点群的特征属性。
16.一种关系图谱的处理装置,其特征在于,包括:
第一确定单元,用于确定目标对象之间的关系图谱,其中,所述目标对象包括服务提供方和/或服务请求方,所述关系图谱中包括多个实体节点和实体节点之间的关联关系,每个实体节点用于表征所述服务提供方或所述服务请求方;
聚类分析单元,用于对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群;
第二确定单元,用于确定所述至少一个实体节点群中每个实体节点群的营销策略。
17.根据权利要求16所述的装置,其特征在于,所述第一确定单元包括:
获取模块,用于获取所述目标对象之间的关联参数,其中,所述关联参数包括以下至少之一:推荐关系、出行共乘信息、家庭区域信息、公司区域信息;
构建模块,用于基于所述关联参数构建所述关系图谱。
18.根据权利要求17所述的装置,其特征在于,所述关系图谱中任意两个包含关联关系的实体节点之间通过至少一条连接线相连接,且每条连接线对应一个关联参数;
在基于所述关联参数构建所述关系图谱之后,所述装置还用于:
确定所述关系图谱中每个实体节点的实体属性;
确定所述关系图谱中每条连接线的关系属性。
19.根据权利要求18所述的装置,其特征在于,所述装置还用于:
获取每个目标对象的画像信息;其中,所述画像信息包括以下至少之一:身份标识信息,性别,年龄,常驻区域,平均工作时长,过去目标时间段内完成服务订单的数量,过去目标时间段内服务订单的取消量,过去目标时间段内的收入信息,服务等级,服务评分,出工类型,接单时间偏好信息,收车区域信息;
将所述画像信息确定为所述目标对象所对应实体节点的实体属性。
20.根据权利要求18所述的装置,其特征在于,所述装置还用于:
确定每条连接线所对应的关联关系的属性信息,并将所述每条连接线所对应的关联关系的属性信息作为所述连接线的关系属性。
21.根据权利要求16所述的装置,其特征在于,所述聚类分析单元包括:
聚类分析模块,用于利用社区发现算法对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
22.根据权利要求21所述的装置,其特征在于,所述聚类分析模块用于:
确定所述多个实体节点中每个实体节点的标签信息,其中,所述标签信息用于表征实体节点所属实体节点群的标签信息;
基于所述每个实体节点的标签信息对所述关系图谱中的各个实体节点进行聚类分析,得到至少一个实体节点群。
23.根据权利要求22所述的装置,其特征在于,所述聚类分析模块还用于:
为所述实体节点中每个实体节点确定标签信息,并反复执行以下步骤,直至每个实体节点的标签不再进行更新:
在所述关系图谱中确定各个实体节点的相邻实体节点;
获取所述相邻实体节点的标签信息,并基于所述相邻实体节点的标签信息更新所述实体节点的标签信息。
24.根据权利要求23所述的装置,其特征在于,所述聚类分析模块还用于:
统计所述述相邻实体节点的标签信息中各类型的标签信息的数量;
将所述各类型的标签信息的数量中数量最大的标签信息更新为所述实体节点的标签信息。
25.根据权利要求24所述的装置,其特征在于,所述聚类分析模块还用于包括:
在所述多个实体节点中确定相同标签信息所对应的实体节点;
将所述相同标签信息所对应的实体节点划分为同一个实体节点群中,从而得到所述至少一个实体节点群。
26.根据权利要求16所述的装置,其特征在于,所述第二确定单元包括:
评分单元,用于基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性对各个实体节点群进行评分,得到评分结果,其中,所述评分结果用于确定所述实体节点群与各个预设营销策略之间的匹配程度;
第一确定模块,用于基于所述评分结果确定每个实体节点群的营销策略。
27.根据权利要求26所述的装置,其特征在于,所述评分单元用于包括:
将所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性输入至第一神经网络中进行分析,得到第一分析结果;其中,所述第一分析结果为所述实体节点群的评分结果。
28.根据权利要求26所述的装置,其特征在于,所述第一确定模块用于包括:
基于所述评分结果从多个预设营销策略中选择目标营销策略,其中,所述目标营销策略与所述实体节点群的匹配程度最高;
将所述目标营销策略作为所述实体节点群的营销策略。
29.根据权利要求16所述的装置,其特征在于,所述第二确定单元还包括:
第二确定模块,用于基于所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性,确定所述实体节点群的特征属性;
第三确定模块,用于在多个预设营销策略中确定与所述实体节点群的特征属性相匹配的目标营销策略,并将所述目标营销策略作为所述实体节点群的营销策略。
30.根据权利要求29所述的装置,其特征在于,所述第二确定模块用于:
将所述实体节点群内各个实体节点的实体属性和所述实体节点群内实体节点之间的关系属性输入至第二神经网络中进行分析,得到第二分析结果;其中,所述第二分析结果为所述实体节点群的特征属性。
31.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如权利要求1至15中任一所述的关系图谱的处理方法的步骤。
32.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至15中任一所述的关系图谱的处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811519930.2A CN111309815A (zh) | 2018-12-12 | 2018-12-12 | 一种关系图谱的处理方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811519930.2A CN111309815A (zh) | 2018-12-12 | 2018-12-12 | 一种关系图谱的处理方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111309815A true CN111309815A (zh) | 2020-06-19 |
Family
ID=71157896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811519930.2A Pending CN111309815A (zh) | 2018-12-12 | 2018-12-12 | 一种关系图谱的处理方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111309815A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860655A (zh) * | 2020-07-23 | 2020-10-30 | 中国联合网络通信集团有限公司 | 用户的处理方法、装置和设备 |
CN113344060A (zh) * | 2021-05-31 | 2021-09-03 | 哈尔滨工业大学 | 文本分类模型训练方法、诉讼状分类方法及装置 |
CN115118693A (zh) * | 2022-06-28 | 2022-09-27 | 平安银行股份有限公司 | 群组成员的数据处理方法、装置、电子设备和存储介质 |
CN115619442A (zh) * | 2022-12-21 | 2023-01-17 | 北京仁科互动网络技术有限公司 | 销售机会生成方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2605160A1 (en) * | 2011-12-16 | 2013-06-19 | Palo Alto Research Center Incorporated | Generating a relationship vizualization for nonhomogeneous entities |
CN104731809A (zh) * | 2013-12-23 | 2015-06-24 | 阿里巴巴集团控股有限公司 | 对象的属性信息的处理方法及装置 |
CN106708844A (zh) * | 2015-11-12 | 2017-05-24 | 阿里巴巴集团控股有限公司 | 一种用户群体的划分方法和装置 |
CN108491511A (zh) * | 2018-03-23 | 2018-09-04 | 腾讯科技(深圳)有限公司 | 基于图数据的数据挖掘方法和装置、模型训练方法和装置 |
CN108780553A (zh) * | 2015-12-24 | 2018-11-09 | 北京嘀嘀无限科技发展有限公司 | 用于确定目标车辆/提供者的系统和方法 |
-
2018
- 2018-12-12 CN CN201811519930.2A patent/CN111309815A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2605160A1 (en) * | 2011-12-16 | 2013-06-19 | Palo Alto Research Center Incorporated | Generating a relationship vizualization for nonhomogeneous entities |
CN104731809A (zh) * | 2013-12-23 | 2015-06-24 | 阿里巴巴集团控股有限公司 | 对象的属性信息的处理方法及装置 |
CN106708844A (zh) * | 2015-11-12 | 2017-05-24 | 阿里巴巴集团控股有限公司 | 一种用户群体的划分方法和装置 |
CN108780553A (zh) * | 2015-12-24 | 2018-11-09 | 北京嘀嘀无限科技发展有限公司 | 用于确定目标车辆/提供者的系统和方法 |
CN108491511A (zh) * | 2018-03-23 | 2018-09-04 | 腾讯科技(深圳)有限公司 | 基于图数据的数据挖掘方法和装置、模型训练方法和装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860655A (zh) * | 2020-07-23 | 2020-10-30 | 中国联合网络通信集团有限公司 | 用户的处理方法、装置和设备 |
CN111860655B (zh) * | 2020-07-23 | 2023-05-30 | 中国联合网络通信集团有限公司 | 用户的处理方法、装置和设备 |
CN113344060A (zh) * | 2021-05-31 | 2021-09-03 | 哈尔滨工业大学 | 文本分类模型训练方法、诉讼状分类方法及装置 |
CN115118693A (zh) * | 2022-06-28 | 2022-09-27 | 平安银行股份有限公司 | 群组成员的数据处理方法、装置、电子设备和存储介质 |
CN115619442A (zh) * | 2022-12-21 | 2023-01-17 | 北京仁科互动网络技术有限公司 | 销售机会生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6913241B2 (ja) | 信用力があると判定された消費者にローンを発行するシステムおよび方法 | |
US11087413B2 (en) | Identity mapping between commerce customers and social media users | |
US8943004B2 (en) | Tools and methods for determining relationship values | |
EP3819835A1 (en) | Risk identification model training method and apparatus, and server | |
CN111309815A (zh) | 一种关系图谱的处理方法、装置和电子设备 | |
CN109711955B (zh) | 基于当前订单的差评预警方法、系统、黑名单库建立方法 | |
US6631362B1 (en) | General decision-making support method and system | |
GB2547395A (en) | User maintenance system and method | |
CN107729519B (zh) | 基于多源多维数据的评估方法及装置、终端 | |
US20180285936A1 (en) | Intelligent visual object management system | |
US20130204822A1 (en) | Tools and methods for determining relationship values | |
CN108985347A (zh) | 分类模型的训练方法、店铺分类的方法及装置 | |
CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
Alghamdi | A hybrid method for customer segmentation in Saudi Arabia restaurants using clustering, neural networks and optimization learning techniques | |
WO2019205410A1 (zh) | Nps短信调研方法、系统、计算机设备和存储介质 | |
US20130262355A1 (en) | Tools and methods for determining semantic relationship indexes | |
Pyo | Integrating tourist market segmentation, targeting, and positioning using association rules | |
Duarte et al. | Machine learning and marketing: A systematic literature review | |
CN111095328A (zh) | 用于检测和响应于交易模式的系统和方法 | |
CN111275480B (zh) | 面向多维稀疏销售数据仓库的欺诈行为挖掘方法 | |
Nair et al. | Classification of Trust in Social Networks using Machine Learning Algorithms | |
CN111091416A (zh) | 一种预测酒店购买机器人的概率的方法和装置 | |
CN110751180B (zh) | 一种基于谱聚类的虚假评论群组划分方法 | |
Siemes | Churn prediction models tested and evaluated in the Dutch indemnity industry | |
CN110472680B (zh) | 目标分类方法、装置和计算机可读存储介质 |
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 |