CN111382254A - 电子名片推荐方法、装置、设备及计算机可读存储介质 - Google Patents

电子名片推荐方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111382254A
CN111382254A CN202010146417.4A CN202010146417A CN111382254A CN 111382254 A CN111382254 A CN 111382254A CN 202010146417 A CN202010146417 A CN 202010146417A CN 111382254 A CN111382254 A CN 111382254A
Authority
CN
China
Prior art keywords
business card
data
electronic business
user
target
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
Application number
CN202010146417.4A
Other languages
English (en)
Inventor
陈家鸿
刘畅
郑文琛
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.)
WeBank Co Ltd
Original Assignee
WeBank 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 WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202010146417.4A priority Critical patent/CN111382254A/zh
Publication of CN111382254A publication Critical patent/CN111382254A/zh
Pending 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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • 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
    • G06F16/338—Presentation of query results
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电子名片推荐方法、装置、设备及计算机可读存储介质，涉及金融科技技术领域，该方法包括：在接收到电子名片推荐请求时，根据所述电子名片推荐请求获取目标输入数据和待推荐电子名片；获取目标企业的第一企业数据，并根据所述第一企业数据构建行业关系图谱；根据所述目标输入数据、所述行业关系图谱和预先训练好的分值预测模型，得到各待推荐电子名片的推荐分值；根据所述各待推荐电子名片的推荐分值对所述待推荐用户进行推荐。本发明能够实现电子名片的精准推荐，提升电子名片的推荐效果。

Description

电子名片推荐方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及金融科技(Fintech)的数据处理技术领域，尤其涉及一种电子名片推荐方法、装置、设备及计算机可读存储介质。
背景技术
随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性、实时性要求，也对技术提出了更高的要求。
现代商务中，名片始终担当着自我介绍、结交商务伙伴、拓展维护人脉的重要桥梁，随着社交场景的线上化演进以及产业互联网的发展，企业社交逐渐从线下走向线上，电子名片应运而生。
现有的电子名片交换方法主要是通过近距直接交换、被动的接受其他用户发来的名片、或基于好友关系进行推荐，上述方法无法高效准确地将自己的名片交换出去，并且也无法利用产业互联网的优势，获取到用户感兴趣的名片，以发掘潜在合作伙伴。因此，如何实现电子名片的精准推荐、以提升电子名片的推荐效果是目前亟需解决的问题。
发明内容
本发明的主要目的在于提供一种电子名片推荐方法、装置、设备及计算机可读存储介质，旨在实现电子名片的精准推荐，提升电子名片的推荐效果。
为实现上述目的，本发明提供一种电子名片推荐方法，所述电子名片推荐方法包括：
在接收到电子名片推荐请求时，根据所述电子名片推荐请求获取目标输入数据和待推荐电子名片；
获取目标企业的第一企业数据，并根据所述第一企业数据构建行业关系图谱；
根据所述目标输入数据、所述行业关系图谱和预先训练好的分值预测模型，得到各待推荐电子名片的推荐分值；
根据所述各待推荐电子名片的推荐分值对所述待推荐用户进行推荐。
可选地，所述获取目标企业的第一企业数据，并根据所述第一企业数据构建行业关系图谱的步骤包括：
获取目标企业的第一企业数据，并提取所述第一企业数据中的第一目标特征，得到第一特征数据；
将所述目标企业两两组合，根据第一组合结果对所述第一特征数据进行处理，得到各个第一组合的第一特征向量；
将各第一特征向量输入至预先训练好的行业关系分类模型，得到各个第一组合的行业关系分类结果；
根据所述行业关系分类结果，生成所述行业关系图谱。
可选地，所述将各第一特征向量输入至预先训练好的行业关系分类模型，得到各个第一组合的行业关系分类结果的步骤之前，还包括：
获取样本企业的第二企业数据，并提取所述第二企业数据中的第一目标特征，得到第二特征数据；
将所述样本企业两两组合，根据第二组合结果对所述第二特征数据进行处理，得到各个第二组合的第二特征向量，并对各个第二组合进行标注；
根据所述各个第二组合的第二特征向量及标注结果构建得到第一训练样本；
通过所述第一训练样本对预设行业关系分类模型进行训练，得到所述预先训练好的行业关系分类模型。
可选地，所述根据所述目标输入数据、所述行业关系图谱和预先训练好的分值预测模型，得到各待推荐电子名片的推荐分值的步骤之前，还包括：
获取样本用户的第三用户数据、第三名片数据和第三行为数据；
根据所述第三行为数据得到样本用户的操作名片，并获取所述操作名片对应的操作名片数据和操作用户数据；
基于所述行业关系图谱获取所述操作名片与所述样本用户的样本名片之间的关联度；
提取所述第三用户数据、所述第三名片数据、所述操作名片数据和所述操作用户数据中的第二目标特征，得到第三特征数据；
对所述第三特征数据进行处理，根据处理结果和所述关联度得到第三特征向量，并根据所述第三特征向量构建得到第二训练样本；
通过所述第二训练样本对预设分值预测模型进行训练，得到所述预先训练好的分值预测模型。
可选地，所述在接收到电子名片推荐请求时，根据所述电子名片推荐请求获取目标输入数据和待推荐电子名片的步骤包括：
在接收到电子名片推荐请求时，根据所述电子名片推荐请求获取待推荐用户信息，所述待推荐用户信息包括待推荐用户的第一用户标识、第一用户数据和第一名片数据；
根据预设名片列表获取与所述第一用户标识对应的待推荐电子名片，并获取所述待推荐电子名片对应的第二用户数据及第二名片数据；其中，所述目标输入数据包括所述第一用户数据、所述第一名片数据、所述第二用户数据和所述第二名片数据。
可选地，所述根据预设名片列表获取与所述第一用户标识对应的待推荐电子名片，并获取所述待推荐电子名片对应的第二用户数据及第二名片数据的步骤之前，还包括：
获取目标用户的第四用户标识、第四用户数据、第四名片数据和第四行为数据；
根据所述第四用户数据、所述第四名片数据和第一预设算法，得到各目标用户对应的第一电子名片集；
根据所述第四行为数据和第二预设算法，得到各目标用户对应的第二电子名片集；
获取所述各目标用户对应的第一电子名片集与第二电子名片集的交集，得到各目标用户的感兴趣电子名片；
基于所述感兴趣电子名片和所述第四用户标识，构建得到所述预设名片列表。
可选地，所述根据所述第四用户数据、所述第四名片数据和第一预设算法，得到各目标用户对应的第一电子名片集的步骤包括：
根据所述第四用户数据和所述第四名片数据，得到各目标用户的用户标签；
基于所述用户标签计算各目标用户之间的用户相似度；
根据所述用户相似度和预设阈值范围确定各目标用户对应的相似用户；
根据所述相似用户的电子名片，得到各目标用户的第一电子名片集。
可选地，所述根据所述第四行为数据和第二预设算法，得到各目标用户对应的第二电子名片集的步骤包括：
根据所述第四行为数据得到各目标用户的历史感兴趣名片；
根据所述各目标用户的历史感兴趣名片对各历史感兴趣名片进行统计，并根据统计结果构建名片相似度矩阵；
基于所述名片相似度矩阵计算各历史感兴趣名片之间的名片相似度，并根据所述名片相似度和各目标用户的历史感兴趣名片计算得到各目标用户对各历史感兴趣名片的兴趣值；
根据所述名片相似度和所述兴趣值，得到各目标用户对应的第二电子名片集。
可选地，所述根据所述各待推荐电子名片的推荐分值对所述待推荐用户进行推荐的步骤包括：
根据所述各待推荐电子名片的推荐分值对所述待推荐电子名片进行排序；
根据排序结果和预设筛选规则对所述待推荐电子名片进行筛选，确定得到目标推荐电子名片，并将所述目标推荐电子名片推荐至所述待推荐用户。
此外，为实现上述目的，本发明还提供一种电子名片推荐装置，所述电子名片推荐装置包括：
第一获取模块，用于在接收到电子名片推荐请求时，根据所述电子名片推荐请求获取目标输入数据；
第二获取模块，用于获取目标企业的第一企业数据，并根据所述第一企业数据构建行业关系图谱；
分值确定模块，用于根据所述目标输入数据、所述行业关系图谱和预先训练好的分值预测模型，得到各待推荐电子名片的推荐分值；
名片推荐模块，用于根据所述各待推荐电子名片的推荐分值对所述待推荐用户进行推荐。
此外，为实现上述目的，本发明还提供一种电子名片推荐设备，所述电子名片推荐设备包括：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电子名片推荐程序，所述电子名片推荐程序被所述处理器执行时实现如上所述的电子名片推荐方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有电子名片推荐程序，所述电子名片推荐程序被处理器执行时实现如上所述的电子名片推荐方法的步骤。
本发明提供一种电子名片推荐方法、装置、设备及计算机可读存储介质，在接收到电子名片推荐请求时，根据电子名片推荐请求获取目标输入数据和待推荐电子名片；获取目标企业的第一企业数据，并根据第一企业数据构建行业关系图谱；根据目标输入数据、行业关系图谱和预先训练好的分值预测模型，得到各待推荐电子名片的推荐分值；根据各待推荐电子名片的推荐分值对待推荐用户进行推荐。通过上述方式，本发明结合多种算法预先构建出行业关系图谱，先基于电子名片推荐请求获取目标输入数据和待推荐电子名片，然后结合行业关系图谱与分值预测模型得到待推荐电子名片的推荐分值，进而基于推荐分值进行电子名片的推荐，可实现电子名片的智能精准推荐，提升了电子名片推荐结果的准确性和电子名片的交换效率，同时，还可以扩大企业知名度，有助于用户发掘潜在商业合作伙伴。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明电子名片推荐方法第一实施例的流程示意图；
图3为本发明电子名片推荐方法第二实施例的流程示意图；
图4为本发明电子名片推荐方法第三实施例的流程示意图；
图5为本发明电子名片推荐方法第四实施例的流程示意图；
图6为本发明电子名片推荐装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例电子名片推荐设备可以是智能手机，也可以是PC(PersonalComputer，个人计算机)、平板电脑、便携计算机、服务器等终端设备。
如图1所示，该电子名片推荐设备可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的电子名片推荐设备结构并不构成对电子名片推荐设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及电子名片推荐程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的电子名片推荐程序，并执行以下电子名片推荐方法的各个步骤。
基于上述硬件结构，提出本发明电子名片推荐方法的各实施例。
本发明提供一种电子名片推荐方法。
参照图2，图2为本发明电子名片推荐方法第一实施例的流程示意图。
在本实施例中，该电子名片推荐方法包括：
步骤S10，在接收到电子名片推荐请求时，根据所述电子名片推荐请求获取目标输入数据和待推荐电子名片；
本实施例的电子名片推荐方法是由电子名片推荐设备实现的，该设备以服务器为例进行说明。
本实施例中，在接收到电子名片推荐请求时，根据该电子名片推荐请求获取目标输入数据和待推荐电子名片，其中，该目标输入数据包括第一用户数据、第一名片数据、第二用户数据和第二名片数据，其获取过程如下：先根据电子名片推荐请求获取待推荐用户信息，其中，待推荐用户信息包括待推荐用户的第一用户标识、第一用户数据和第一名片数据，然后，根据预设名片列表获取与第一用户标识对应的待推荐电子名片，并获取待推荐电子名片对应的第二用户数据及第二名片数据。具体的获取过程可参照下述第四实施例，此次不作赘述。
步骤S20，获取目标企业的第一企业数据，并根据所述第一企业数据构建行业关系图谱；
获取目标企业的第一企业数据，并根据第一企业数据构建行业关系图谱。其中，目标企业可以为已在电子名片推荐小程序或电子名片推荐软件中完成注册并创建了电子名片的用户所在的企业，第一企业数据的类型包括但不限于：企业年报、行业报告、卫星遥感数据、社交网络数据、工商税务数据、行业分类字典等数据，第一目标特征可以包括但不限于：企业主要产品、企业上游公司、企业下游公司、地域、企业规模、热度、税务等级、年纳税额、行业分类等，第一特征数据即为第一企业数据中的第一目标特征及其对应的数值或信息。行业关系图谱的构建过程可参照下述第二实施例，此处不作赘述。
需要说明的是，步骤S10和步骤S20的执行顺序不分先后。
步骤S30，根据所述目标输入数据、所述行业关系图谱和预先训练好的分值预测模型，得到各待推荐电子名片的推荐分值；
然后，根据目标输入数据(即第二用户数据、第二名片数据、第一用户数据和第一名片数据)、行业关系图谱和预先训练好的分值预测模型，得到各待推荐电子名片的推荐分值。其中，分值预测模型的训练过程可参照下述第三实施例，此处不作赘述。
各待推荐电子名片的推荐分值的获取过程具体如下：先提取出第二用户数据、第二名片数据、第一用户数据和第一名片数据中的目标特征，得到目标特征数据，其中，目标特征包括但不限于：性别、年龄、籍贯、职位、企业名称、企业地址。同时，根据第二名片数据确定对应的第二行业，并根据第一名片确定对应的第一行业，基于行业关系图谱获取第二行业和第一行业之间的目标关联度。然后对这些目标特征数据进行处理，并根据处理结果和该目标关联度得到对应的目标特征向量，具体的处理方法可参照第三特征向量的获取过程，进而将该目标特征向量输入至预先训练好的分值预测模型，得到各待推荐电子名片的推荐分值。
步骤S40，根据所述各待推荐电子名片的推荐分值对所述待推荐用户进行推荐。
在获取到各待推荐电子名片的推荐分值之后，根据各待推荐电子名片的推荐分值对待推荐用户进行推荐。
作为其中一种推荐方式，步骤S40包括：
步骤a1，根据所述各待推荐电子名片的推荐分值对所述待推荐电子名片进行排序；
步骤a2，根据排序结果和预设筛选规则对所述待推荐电子名片进行筛选，确定得到目标推荐电子名片，并将所述目标推荐电子名片推荐至所述待推荐用户。
先根据各待推荐电子名片的推荐分值对待推荐电子名片进行排序，例如可按分值从大到小的顺序排序。然后，根据排序结果和预设筛选规则对待推荐电子名片进行筛选，确定得到目标推荐电子名片，并将目标推荐电子名片推荐至待推荐用户。其中，预设筛选规则是预先设定的，例如，可筛选推荐分值最高的N个，且/或推荐分值大于预设阈值的待推荐电子名片，作为目标推荐电子名片。在推荐时，可按推荐分值对目标推荐电子名片进行排序，以便于用户优先看到理论上更为感兴趣的电子名片，提升用户体验。
作为另一种推荐方式，可直接根据各待推荐电子名片的推荐分值的大小确定待推荐电子名片的推荐顺序，进而按该推荐顺序将各待推荐电子名片推荐给待推荐用户。
本发明实施例提供一种电子名片推荐方法，在接收到电子名片推荐请求时，根据电子名片推荐请求获取目标输入数据和待推荐电子名片；获取目标企业的第一企业数据，并根据第一企业数据构建行业关系图谱；根据目标输入数据、行业关系图谱和预先训练好的分值预测模型，得到各待推荐电子名片的推荐分值；根据各待推荐电子名片的推荐分值对待推荐用户进行推荐。通过上述方式，本发明实施例结合多种算法预先构建出行业关系图谱，先基于电子名片推荐请求获取目标输入数据和待推荐电子名片，然后结合行业关系图谱与分值预测模型得到待推荐电子名片的推荐分值，进而基于推荐分值进行电子名片的推荐，可实现电子名片的智能精准推荐，提升了电子名片推荐结果的准确性和电子名片的交换效率，同时，还可以扩大企业知名度，有助于用户发掘潜在商业合作伙伴。
进一步的，基于上述第一实施例，提出本发明电子名片推荐方法的第二实施例。参照图3，图3为本发明电子名片推荐方法第二实施例的流程示意图。
在本实施例中，步骤S20包括：
步骤S21，获取目标企业的第一企业数据，并提取所述第一企业数据中的第一目标特征，得到第一特征数据；
本实施例介绍了行业关系图谱的构建过程。
先获取目标企业的第一企业数据，并提取第一企业数据中的第一目标特征，得到第一特征数据。其中，目标企业可以为已在电子名片推荐小程序或电子名片推荐软件中完成注册并创建了电子名片的用户所在的企业，第一企业数据的类型包括但不限于：企业年报、行业报告、卫星遥感数据、社交网络数据、工商税务数据、行业分类字典等数据，第一目标特征可以包括但不限于：企业主要产品、企业上游公司、企业下游公司、地域、企业规模、热度、税务等级、年纳税额、行业分类等，第一特征数据即为第一企业数据中的第一目标特征及其对应的数值或信息。对于第一目标特征的提取，可基于正则匹配的方式进行提取，例如，对于年纳税额，可采用正则匹配的方式在工商税务数据中匹配得到与“年纳税额”对应的数值。
步骤S22，将所述目标企业两两组合，根据第一组合结果对所述第一特征数据进行处理，得到各个第一组合的第一特征向量；
然后，将目标企业两两组合，根据第一组合结果对第一特征数据进行处理，得到各个第一组合的第一特征向量。具体的，在根据第一组合结果对第一特征数据进行处理时，先根据预设映射关系表对第一特征数据中的部分特征的特征数据进行转换，例如，对于第一目标特征中的企业规模、热度、税务等级、年纳税额这些特征，分别设置不同范围值所对应的特征值(0或1)，以将上述特征数据转换成对应的特征值，进而基于预设相似度算法计算上述特征的特征值之间的相似度。其中，预设相似度算法包括但不限于欧几里得距离、余弦相似度。例如，对于企业规模这一特征，设置1000人以上对应的特征值为1；少于1000人时，对应的特征值为0。对于文字类的特征，例如企业主要产品、企业上游公司、企业下游公司、地域，可先基于Word2vec(word to vector，用来产生词向量的相关模型)算法生成对应的词向量，进而基于预设相似度算法计算上述词向量之间的相似度。然后，分别将各第一组合中的两目标企业之间的第一目标特征的相似度进行组合，得到第一特征向量。
步骤S23，将各第一特征向量输入至预先训练好的行业关系分类模型，得到各个第一组合的行业关系分类结果；
步骤S24，根据所述行业关系分类结果，生成所述行业关系图谱。
在得到各个第一组合的第一特征向量之后，将各第一特征向量输入至预先训练好的行业关系分类模型，得到各个第一组合的行业关系分类结果。其中，行业关系分类模型的训练过程可参照下述实施例，此处不作赘述。行业关系分类模型可以为二分类模型、也可以为多分类模型，若为二分类模型，则输出两目标企业对应的行业之间是否有关系的分类结果及其对应的概率值；若为多分类模型，则输出两目标企业对应的行业之间的分类结果，及存在上游关系、存在下游关系及不存在关系的三种情况的概率值。然后，根据行业关系分类结果，生成行业关系图谱。其中，该行业关系图谱中可包括各行业之间存在关系的类型和概率值，其中，该概率值即为关联度。
进一步地，在上述步骤S23之前，该电子名片推荐方法还包括：
步骤A，获取样本企业的第二企业数据，并提取所述第二企业数据中的第一目标特征，得到第二特征数据；
本实施例介绍了行业关系分类模型的训练过程。
获取样本企业的第二企业数据，并提取所述第二企业数据中的第一目标特征，得到第二特征数据。其中，第二企业数据的类型包括但不限于：企业年报、行业报告、卫星遥感数据、社交网络数据、工商税务数据、行业分类字典等数据，第二特征数据即为第二企业数据中的第一目标特征及其对应的数值或信息。
步骤B，将所述样本企业两两组合，根据第二组合结果对所述第二特征数据进行处理，得到各个第二组合的第二特征向量，并对各个第二组合进行标注；
步骤C，根据所述各个第二组合的第二特征向量及标注结果构建得到第一训练样本；
然后，将样本企业两两组合，根据第二组合结果对第二特征数据进行处理，得到各个第二组合的第二特征向量，并对各个第二组合进行标注；根据各个第二组合的第二特征向量及标注结果构建得到第一训练样本。其中，第二特征向量的获取过程与第一特征向量的获取过程相一致，可参照上述实施例。对于组合的标注，针对行业关系分类模型的类型不同，对应的标注方式也不同，具体的，若行业关系分类模型为二分类模型，即仅用于判断两行业之间是否有关联关系，此时，则只需要根据两个样本企业中任一企业的上游或下游公司是否为另一企业，若两个样本企业中任一企业的上游或下游公司为另一企业，则标注为是，若两个样本企业中任一企业的上游和下游公司均不是另一企业，则标注为否。若行业关系分类模型为多分类模型，即可用于判断两行业之间是否有关联关系及具体的关联关系(上游还是下游)，此时，则只需要根据两个样本企业中某一企业的上游或下游公司是否为另一企业，若两个样本企业中某一企业的上游或下游公司为另一企业，则对应标注为上游或下游，若两个样本企业中某一企业的上游和下游公司均不是另一企业，则标注为否。
步骤D，通过所述第一训练样本对预设行业关系分类模型进行训练，得到所述预先训练好的行业关系分类模型。
最后，通过第一训练样本对预设行业关系分类模型进行训练，得到预先训练好的行业关系分类模型。其中，预设行业关系分类模型的类型可以为逻辑回归模型、神经网络模型、XGBoost(eXtreme Gradient Boosting，极端梯度增强)模型，SVM(Support VectorMachine，支持向量机)模型，贝叶斯模型和CNN(Convolutional Neural Networks，卷积神经网络)模型等，优选地，预设行业关系分类模型的类型可以为逻辑回归模型。此外，需要说明的是，该预设行业关系分类模型可以为二分类模型、也可以为多分类模型，其区别在于训练样本的标注方式不同，上述步骤中已作说明，对于模型的具体训练过程可参照现有技术。
通过上述方式，先训练得到行业关系分类模型，以用于判断行业之间是否存在关联关系，然后基于行业关系分类模型得到各行业之间的行业关系分类结果，进而生成行业关系图谱，该行业关系图谱被应用于电子名片推荐，可提升电子名片推荐结果的准确性和电子名片的交换效率，此外，还可以扩大企业知名度，有助于用户发掘潜在商业合作伙伴。
进一步地，基于上述第二实施例，提出本发明电子名片推荐方法的第三实施例。参照图4，图4为本发明电子名片推荐方法第三实施例的流程示意图。
在本实施例中，在上述步骤S24之后，且在步骤S30之前，该电子名片推荐方法还包括：
步骤S50，获取样本用户的第三用户数据、第三名片数据和第三行为数据；
本实施例介绍了分值预测模型的训练过程。
首先，获取样本用户的第三用户数据、第三名片数据和第三行为数据。其中，第三用户数据的类型可以包括但不限于：用户基本属性数据(如性别、年龄、籍贯等)和用户意向属性数据(包括用户预先选定的期待结识的行业标签及基于用户的资讯浏览行为数据聚类得到的行业标签，如金融类、科技类)；第三名片数据即为样本用户的电子名片上的数据信息，第三名片数据中可以包括联系电话、邮箱、职位、企业名称、企业地址等信息；第三行为数据包括样本用户对电子名片的操作数据，例如操作对象(即名片标识)、操作次数、浏览时长等。
步骤S60，根据所述第三行为数据得到样本用户的操作名片，并获取所述操作名片对应的操作名片数据和操作用户数据；
根据第三行为数据得到样本用户的操作名片，进而获取操作名片对应的操作名片数据和操作用户数据。其中，操作名片即为样本用户对电子名片的操作数据中的操作对象，操作名片数据即为操作名片上的数据信息，操作用户数据为操作名片所对应用户的用户数据。
步骤S70，基于所述行业关系图谱获取所述操作名片与所述样本用户的样本名片之间的关联度；
然后，基于行业关系图谱获取操作名片与样本用户的样本名片之间的关联度。具体的，分别获取操作名片和样本名片对应的企业名称，进而根据预先设定的企业名称与行业类型之间的映射关系，确定得到的操作名片和样本名片对应的行业，进而基于行业关系图谱获取操作名片和样本名片对应的行业之间的关联度。
步骤S80，提取所述第三用户数据、所述第三名片数据、所述操作名片数据和所述操作用户数据中的第二目标特征，得到第三特征数据；
同时，提取第三用户数据、第三名片数据、操作名片数据和操作用户数据中的第二目标特征，得到第三特征数据。其中，第二目标特征包括但不限于性别、年龄、籍贯、职位、企业名称、企业地址，第三特征数据即为第三用户数据、第三名片数据、操作名片数据和操作用户数据中的第二目标特征及其对应的数值或信息。第三特征数据的获取过程与上述第一特征数据的获取过程相似，此处不作赘述。
步骤S90，对所述第三特征数据进行处理，根据处理结果和所述关联度得到第三特征向量，并根据所述第三特征向量构建得到第二训练样本；
然后，对第三特征数据进行处理，根据处理结果和关联度得到第三特征向量，并根据第三特征向量构建得到第二训练样本。第三特征数据的处理过程可参照上述第一特征数据的处理过程，得到的处理结果为第三用户数据与第三名片数据中的第二目标特征之间的相似度(记为第一相似度集)、第三名片数据与操作名片数据中的第二目标特征之间的相似度(记为第二相似度集)，然后将该第一相似度集、第二相似度集和关联度按预设顺序组合得到第三特征向量，进而根据三特征向量构建得到第二训练样本。
步骤S100，通过所述第二训练样本对预设分值预测模型进行训练，得到所述预先训练好的分值预测模型。
最后，通过第二训练样本对预设分值预测模型进行训练，得到预先训练好的分值预测模型。其中，分值预测模型的类型可以为逻辑回归模型，具体的训练过程可参照现有技术。
通过上述方式，可构建得到分值预测模型，以便于后续对待推荐名片进行推荐分值的预测，进而基于该推荐分值进行推荐。
进一步地，基于上述第一实施例，提出本发明电子名片推荐方法的第四实施例。参照图5，图5为本发明电子名片推荐方法第四实施例的流程示意图。
在本实施例中，步骤S10包括：
步骤S11，在接收到电子名片推荐请求时，根据所述电子名片推荐请求获取待推荐用户信息，所述待推荐用户信息包括待推荐用户的第一用户标识、第一用户数据和第一名片数据；
本实施例中，在接收到电子名片推荐请求时，先根据电子名片推荐请求获取待推荐用户信息，其中，待推荐用户信息包括待推荐用户的第一用户标识、第一用户数据和第一名片数据。
其中，电子名片推荐请求的触发方式可以为用户基于用户终端的电子名片推荐小程序或电子名片推荐软件、选择电子名片推荐选项时；也可以为检测到用户打开电子名片推荐小程序或电子名片推荐软件时。第一用户标识可以为待推荐用户的注册账号id(编号)、身份证号或设备id，即用于唯一表征待推荐用户身份的一编号；第一用户数据的类型可以包括但不限于：用户基本属性数据(如性别、年龄、籍贯等)和用户意向属性数据(包括用户预先选定的期待结识的行业标签及基于用户的资讯浏览行为数据聚类得到的行业标签，如金融类、科技类)；第一名片数据即为待推荐用户的电子名片上的数据信息，第一名片数据中可以包括联系电话、邮箱、职位、企业名称、企业地址等信息。
步骤S12，根据预设名片列表获取与所述第一用户标识对应的待推荐电子名片，并获取所述待推荐电子名片对应的第二用户数据及第二名片数据；其中，所述目标输入数据包括所述第一用户数据、所述第一名片数据、所述第二用户数据和所述第二名片数据。
然后，根据预设名片列表获取与第一用户标识对应的待推荐电子名片，并获取待推荐电子名片对应的第二用户数据及第二名片数据。其中，预设名片列表可以由用户标识和名片标识构成，其存储格式可以为键值对(key-value)的形式，即：key：用户标识，value：名片标识。可基于key查询得到的value，即根据待推荐用户的第一用户标识查询到对应的待推荐电子名片标识，进而获取待推荐电子名片对应的第二用户数据及第二名片数据。其中，第二用户数据即为待推荐电子名片对应用户的用户数据，第二用户数据的类型可以包括但不限于：用户基本属性数据(如性别、年龄、籍贯等)和用户意向属性数据(包括用户预先选定的期待结识的行业标签及基于用户的资讯浏览行为数据聚类得到的行业标签，如金融类、科技类)；第二名片数据即为待推荐电子名片上的数据信息，第二名片数据中可以包括联系电话、邮箱、职位、企业名称、企业地址等信息。预设名片列表的构建过程可参照下述第四实施例，此处不作赘述。
其中，目标输入数据包括上述获取到的第一用户数据、第一名片数据、第二用户数据和第二名片数据。
进一步地，在上述步骤S12之前，该电子名片推荐方法还包括：
步骤E，获取目标用户的第四用户标识、第四用户数据、第四名片数据和第四行为数据；
本实施例介绍了预设名片列表的构建过程，其中预设名片列表由用户标识和名片标识构成，可用于查找各用户感兴趣的电子名片。
先获取目标用户的第四用户标识、第四用户数据、第四名片数据和第四行为数据，其中，目标用户即为已在电子名片推荐小程序或电子名片推荐软件中完成注册并创建了电子名片的用户。第四用户标识可以为目标用户的注册账号id、身份证号或设备id，即用于唯一表征目标用户身份的一编号；第四用户数据的类型可以包括但不限于：用户基本属性数据(如性别、年龄、籍贯等)和用户意向属性数据(包括用户预先选定的期待结识的行业标签及基于用户的资讯浏览行为数据聚类得到的行业标签，如金融类、科技类)；第四名片数据即为目标用户电子名片上的数据信息，第四名片数据中可以包括联系电话、邮箱、职位、企业名称、企业地址等信息；第四行为数据包括用户对电子名片的操作数据，例如操作对象(即名片标识)、操作次数、浏览时长等。
步骤F，根据所述第四用户数据、所述第四名片数据和第一预设算法，得到各目标用户对应的第一电子名片集；
然后，根据第四用户数据、第四名片数据和第一预设算法，得到各目标用户对应的第一电子名片集。可选地，第一预设算法可以为基于内容的推荐算法。
具体的，步骤F包括：
步骤F1，根据所述第四用户数据和所述第四名片数据，得到各目标用户的用户标签；
步骤F2，基于所述用户标签计算各目标用户之间的用户相似度；
步骤F3，根据所述用户相似度和预设阈值范围确定各目标用户对应的相似用户；
步骤F4，根据所述相似用户的电子名片，得到各目标用户对应的第一电子名片集。
具体的，第一电子名片集的获取过程如下：
先根据第四用户数据和第四名片数据，得到各目标用户的用户标签，其中，用户标签的类型包括但不限于：性别标签、年龄标签、籍贯标签、意向行业标签、职位标签、企业标签等。例如，对于性别标签的提取，若第四用户数据中性别为男，则对应的性别标签为男。
然后，基于用户标签计算各目标用户之间的用户相似度，具体的用户相似度计算方法包括但不限于：1)统计各目标用户之间的用户标签相同的个数，然后与用户标签的总个数相除，得到用户相似度；2)对目标用户进行两两组合，计算各个组合中两目标用户之间的各用户标签之间的相似度，然后基于各用户标签之间的相似度和预设标签权重系数，计算加权和，作为用户相似度。其中，两用户标签之间的相似度可以基于预设映射表来确定，即根据两用户标签查询预设映射表，确定两者之间的相似度，例如，可将两用户标签相同时相似度设为1，不同时设为0，当然也可根据具体的情况设定不同的相似度。
在计算得到各目标用户之间的用户相似度之后，根据用户相似度和预设阈值范围确定各目标用户对应的相似用户。具体的，可将位于预设阈值范围内的用户相似度所对应的用户，作为相似用户，例如，目标用户A与目标用户B、C和D的用户相似度分别为0.8、0.7和0.5，预设阈值范围为0.6以上，则可以确定目标用户A的相似用户为B和C。进而根据相似用户的电子名片，得到各目标用户对应的第一电子名片集。例如上例中，可确定目标用户A对应的第一电子名片集包括相似用户B和C的电子名片。
步骤G，根据所述第四行为数据和第二预设算法，得到各目标用户对应的第二电子名片集；
根据第四行为数据和第二预设算法，得到各目标用户对应的第二电子名片集，可选地，第二预设算法可以为基于物品的协同过滤算法(Item Collaboration Filter，ItemCF)，通过分析用户的行为数据来确定用户历史感兴趣的电子名片，进而给用户推荐那些和他们之前感兴趣的电子名片相似的电子名片。
具体的，步骤G包括：
步骤G1，根据所述第四行为数据得到各目标用户的历史感兴趣名片；
步骤G2，根据所述各目标用户的历史感兴趣名片对各历史感兴趣名片进行统计，并根据统计结果构建名片相似度矩阵；
步骤G3，基于所述名片相似度矩阵计算各历史感兴趣名片之间的名片相似度，并根据所述名片相似度和各目标用户的历史感兴趣名片计算得到各目标用户对各历史感兴趣名片的兴趣值；
步骤G4，根据所述名片相似度、所述兴趣值和所述各目标用户的历史感兴趣名片，得到各目标用户对应的第二电子名片集。
第二电子名片集的获取过程如下：
先根据第四行为数据得到各目标用户的历史感兴趣名片，历史感兴趣名片的确定方式包括但不限于：1)根据第四行为数据确定出操作对象，即名片标识，则名片标识对应的电子名片即为历史感兴趣名片；2)根据第四行为数据确定出操作对象及对应的操作次数和浏览时长，进而根据操作次数和浏览时长筛选出满足一定条件的操作对象，进而将筛选得到的满足条件的操作对象作为历史感兴趣名片。
然后，根据各目标用户的历史感兴趣名片对各历史感兴趣名片进行统计，并根据统计结果构建名片相似度矩阵。例如，目标用户A的历史感兴趣名片包括a、b、c，目标用户B的历史感兴趣名片包括b、d，目标用户C的历史感兴趣名片包括a、b、d，可统计得到的同时对a、b感兴趣的用户有2个，同时对a、c感兴趣的用户有1个，同时对a、d感兴趣的用户有1个，同时对b、c感兴趣的人有1个，同时对b、d感兴趣的人有2个，进而根据该统计结果构建得到名片相似度矩阵，该名片相似度矩阵用于记录同时对名片i和名片j感兴趣的用户数。
基于名片相似度矩阵计算各历史感兴趣名片之间的名片相似度，进而根据名片相似度和各目标用户的历史感兴趣名片计算得到各目标用户对各历史感兴趣名片的兴趣值。其中，对于各历史感兴趣名片之间的名片相似度可通过下述公式(1)计算得到；各目标用户对各历史感兴趣名片的兴趣值可通过下述公式(2)计算得到。
Figure BDA0002400015160000181
Figure BDA0002400015160000182
其中，wij表示名片i和名片j之间的名片相似度，N(i)表示对名片i感兴趣的用户集合，N(j)表示对名片j感兴趣的用户集合；Puj表示用户u对名片j的兴趣值，N(u)表示用户喜欢的名片集合(i是该用户感兴趣的某一个名片)，S(j,k)表示和名片j最相似的k个名片集合(j是这个集合中的某一个名片)，wji表示名片j和名片i之间的名片相似度，rui表示用户u对名片i的感兴趣程度，rui＝1。
最后，根据各历史感兴趣名片之间的名片相似度、各目标用户对各历史感兴趣名片的兴趣值和各目标用户的历史感兴趣名片，得到各目标用户对应的第二电子名片集。以某一目标用户对应的第二电子名片集的获取过程为例进行说明，先根据各历史感兴趣名片之间的名片相似度，获取到该目标用户的历史感兴趣名片所对应的目标感兴趣名片，如可取与历史感兴趣名片的名片相似度最大的n个值(可具体设定)所对应的名片作为目标感兴趣名片；然后，根据目标感兴趣名片与对应历史感兴趣名片之间的名片相似度、及历史感兴趣名片的兴趣值，计算得到用户对目标感兴趣名片的目标兴趣度，进而将大于预设阈值的目标兴趣度所对应的目标感兴趣名片作为该目标用户对应的第二电子名片集。
需要说明的是，上述步骤F和G的执行顺序不分先后。
步骤H，获取所述各目标用户对应的第一电子名片集与第二电子名片集的交集，得到各目标用户的感兴趣电子名片；
步骤I，基于所述感兴趣电子名片和所述第四用户标识，构建得到所述预设名片列表。
在基于不同的算法获取到第一电子名片集和第二电子名片集之后，获取各目标用户对应的第一电子名片集与第二电子名片集的交集，得到各目标用户的感兴趣电子名片。例如，上述例中，目标用户A对应的第一电子名片集包括用户B的电子名片b和用户C的电子名片c。目标用户A对应的第二电子名片集包括用户B的电子名片b和用户E的电子名片e，则确定目标用户A的感兴趣电子名片为电子名片b。最后，基于感兴趣电子名片和第四用户标识，构建得到预设名片列表。其中，预设名片列表由用户标识和名片标识构成，其存储格式可以为键值对(key-value)的形式，即：key：用户标识，value：名片标识。在推荐时，可基于key查询得到的value，即根据用户标识获取到对应的名片标识。
通过上述方式，预先确定得到各目标用户可能感兴趣的电子名片，进而构建得到预设名片列表，便于后续从该预设名片列表中查询得到待推荐用户所对应的待推荐电子名片。同时，通过结合多种算法来各目标用户的确定感兴趣电子名片，可提高预设名片列表的可靠性，进而可提高电子名片推荐结果的准确性。
本发明还提供一种电子名片推荐装置。
参照图6，图6为本发明电子名片推荐装置第一实施例的功能模块示意图。
如图6所示，所述电子名片推荐装置包括：
第一获取模块10，用于在接收到电子名片推荐请求时，根据所述电子名片推荐请求获取目标输入数据；
第二获取模块20，用于获取目标企业的第一企业数据，并根据所述第一企业数据构建行业关系图谱；
分值确定模块30，用于根据所述目标输入数据、所述行业关系图谱和预先训练好的分值预测模型，得到各待推荐电子名片的推荐分值；
名片推荐模块40，用于根据所述各待推荐电子名片的推荐分值对所述待推荐用户进行推荐。
进一步地，所述第二获取模块20包括：
第一获取单元，用于获取目标企业的第一企业数据，并提取所述第一企业数据中的第一目标特征，得到第一特征数据；
第一处理单元，用于将所述目标企业两两组合，根据第一组合结果对所述第一特征数据进行处理，得到各个第一组合的第一特征向量；
向量输入单元，用于将各第一特征向量输入至预先训练好的行业关系分类模型，得到各个第一组合的行业关系分类结果；
图谱生成单元，用于根据所述行业关系分类结果，生成所述行业关系图谱。
进一步地，所述电子名片推荐装置还包括：
第一特征提取模块，用于获取样本企业的第二企业数据，并提取所述第二企业数据中的第一目标特征，得到第二特征数据；
第一处理模块，用于将所述样本企业两两组合，根据第二组合结果对所述第二特征数据进行处理，得到各个第二组合的第二特征向量，并对各个第二组合进行标注；
第一样本构建模块，用于根据所述各个第二组合的第二特征向量及标注结果构建得到第一训练样本；
第一训练模块，用于通过所述第一训练样本对预设行业关系分类模型进行训练，得到所述预先训练好的行业关系分类模型。
进一步地，所述电子名片推荐装置还包括：
第三获取模块，用于获取样本用户的第三用户数据、第三名片数据和第三行为数据；
第四获取模块，用于根据所述第三行为数据得到样本用户的操作名片，并获取所述操作名片对应的操作名片数据和操作用户数据；
第五获取模块，用于基于所述行业关系图谱获取所述操作名片与所述样本用户的样本名片之间的关联度；
第二特征提取模块，用于提取所述第三用户数据、所述第三名片数据、所述操作名片数据和所述操作用户数据中的第二目标特征，得到第三特征数据；
第二处理模块，用于对所述第三特征数据进行处理，根据处理结果和所述关联度得到第三特征向量，并根据所述第三特征向量构建得到第二训练样本；
第二训练模块，用于通过所述第二训练样本对预设分值预测模型进行训练，得到所述预先训练好的分值预测模型。
进一步地，所述第一获取模块10包括：
第二获取单元，用于在接收到电子名片推荐请求时，根据所述电子名片推荐请求获取待推荐用户信息，所述待推荐用户信息包括待推荐用户的第一用户标识、第一用户数据和第一名片数据；
第三获取单元，用于根据预设名片列表获取与所述第一用户标识对应的待推荐电子名片，并获取所述待推荐电子名片对应的第二用户数据及第二名片数据；其中，所述目标输入数据包括所述第一用户数据、所述第一名片数据、所述第二用户数据和所述第二名片数据。
进一步地，所述电子名片推荐装置还包括：
第六获取模块，用于获取目标用户的第四用户标识、第四用户数据、第四名片数据和第四行为数据；
第一确定模块，用于根据所述第四用户数据、所述第四名片数据和第一预设算法，得到各目标用户对应的第一电子名片集；
第二确定模块，用于根据所述第四行为数据和第二预设算法，得到各目标用户对应的第二电子名片集；
第三确定模块，用于获取所述各目标用户对应的第一电子名片集与第二电子名片集的交集，得到各目标用户的感兴趣电子名片；
名片列表构建模块，用于基于所述感兴趣电子名片和所述第四用户标识，构建得到所述预设名片列表。
进一步地，所述第一确定模块具体用于：
根据所述第四用户数据和所述第四名片数据，得到各目标用户的用户标签；
基于所述用户标签计算各目标用户之间的用户相似度；
根据所述用户相似度和预设阈值范围确定各目标用户对应的相似用户；
根据所述相似用户的电子名片，得到各目标用户的第一电子名片集。
进一步地，所述第二确定模块具体用于：
根据所述第四行为数据得到各目标用户的历史感兴趣名片；
根据所述各目标用户的历史感兴趣名片对各历史感兴趣名片进行统计，并根据统计结果构建名片相似度矩阵；
基于所述名片相似度矩阵计算各历史感兴趣名片之间的名片相似度，并根据所述名片相似度和各目标用户的历史感兴趣名片计算得到各目标用户对各历史感兴趣名片的兴趣值；
根据所述名片相似度和所述兴趣值，得到各目标用户对应的第二电子名片集。
进一步地，所述名片推荐模块40具体用于：
根据所述各待推荐电子名片的推荐分值对所述待推荐电子名片进行排序；
根据排序结果和预设筛选规则对所述待推荐电子名片进行筛选，确定得到目标推荐电子名片，并将所述目标推荐电子名片推荐至所述待推荐用户。
其中，上述电子名片推荐装置中各个模块的功能实现与上述电子名片推荐方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
本发明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电子名片推荐程序，所述电子名片推荐程序被处理器执行时实现如以上任一项实施例所述的电子名片推荐方法的步骤。
本发明计算机可读存储介质的具体实施例与上述电子名片推荐方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (12)

1.一种电子名片推荐方法，其特征在于，所述电子名片推荐方法包括：
在接收到电子名片推荐请求时，根据所述电子名片推荐请求获取目标输入数据和待推荐电子名片；
获取目标企业的第一企业数据，并根据所述第一企业数据构建行业关系图谱；
根据所述目标输入数据、所述行业关系图谱和预先训练好的分值预测模型，得到各待推荐电子名片的推荐分值；
根据所述各待推荐电子名片的推荐分值对所述待推荐用户进行推荐。
2.如权利要求1所述的电子名片推荐方法，其特征在于，所述获取目标企业的第一企业数据，并根据所述第一企业数据构建行业关系图谱的步骤包括：
获取目标企业的第一企业数据，并提取所述第一企业数据中的第一目标特征，得到第一特征数据；
将所述目标企业两两组合，根据第一组合结果对所述第一特征数据进行处理，得到各个第一组合的第一特征向量；
将各第一特征向量输入至预先训练好的行业关系分类模型，得到各个第一组合的行业关系分类结果；
根据所述行业关系分类结果，生成所述行业关系图谱。
3.如权利要求2所述的电子名片推荐方法，其特征在于，所述将各第一特征向量输入至预先训练好的行业关系分类模型，得到各个第一组合的行业关系分类结果的步骤之前，还包括：
获取样本企业的第二企业数据，并提取所述第二企业数据中的第一目标特征，得到第二特征数据；
将所述样本企业两两组合，根据第二组合结果对所述第二特征数据进行处理，得到各个第二组合的第二特征向量，并对各个第二组合进行标注；
根据所述各个第二组合的第二特征向量及标注结果构建得到第一训练样本；
通过所述第一训练样本对预设行业关系分类模型进行训练，得到所述预先训练好的行业关系分类模型。
4.如权利要求1所述的电子名片推荐方法，其特征在于，所述根据所述目标输入数据、所述行业关系图谱和预先训练好的分值预测模型，得到各待推荐电子名片的推荐分值的步骤之前，还包括：
获取样本用户的第三用户数据、第三名片数据和第三行为数据；
根据所述第三行为数据得到样本用户的操作名片，并获取所述操作名片对应的操作名片数据和操作用户数据；
基于所述行业关系图谱获取所述操作名片与所述样本用户的样本名片之间的关联度；
提取所述第三用户数据、所述第三名片数据、所述操作名片数据和所述操作用户数据中的第二目标特征，得到第三特征数据；
对所述第三特征数据进行处理，根据处理结果和所述关联度得到第三特征向量，并根据所述第三特征向量构建得到第二训练样本；
通过所述第二训练样本对预设分值预测模型进行训练，得到所述预先训练好的分值预测模型。
5.如权利要求1所述的电子名片推荐方法，其特征在于，所述在接收到电子名片推荐请求时，根据所述电子名片推荐请求获取目标输入数据和待推荐电子名片的步骤包括：
在接收到电子名片推荐请求时，根据所述电子名片推荐请求获取待推荐用户信息，所述待推荐用户信息包括待推荐用户的第一用户标识、第一用户数据和第一名片数据；
根据预设名片列表获取与所述第一用户标识对应的待推荐电子名片，并获取所述待推荐电子名片对应的第二用户数据及第二名片数据；其中，所述目标输入数据包括所述第一用户数据、所述第一名片数据、所述第二用户数据和所述第二名片数据。
6.如权利要求5所述的电子名片推荐方法，其特征在于，所述根据预设名片列表获取与所述第一用户标识对应的待推荐电子名片，并获取所述待推荐电子名片对应的第二用户数据及第二名片数据的步骤之前，还包括：
获取目标用户的第四用户标识、第四用户数据、第四名片数据和第四行为数据；
根据所述第四用户数据、所述第四名片数据和第一预设算法，得到各目标用户对应的第一电子名片集；
根据所述第四行为数据和第二预设算法，得到各目标用户对应的第二电子名片集；
获取所述各目标用户对应的第一电子名片集与第二电子名片集的交集，得到各目标用户的感兴趣电子名片；
基于所述感兴趣电子名片和所述第四用户标识，构建得到所述预设名片列表。
7.如权利要求6所述的电子名片推荐方法，其特征在于，所述根据所述第四用户数据、所述第四名片数据和第一预设算法，得到各目标用户对应的第一电子名片集的步骤包括：
根据所述第四用户数据和所述第四名片数据，得到各目标用户的用户标签；
基于所述用户标签计算各目标用户之间的用户相似度；
根据所述用户相似度和预设阈值范围确定各目标用户对应的相似用户；
根据所述相似用户的电子名片，得到各目标用户的第一电子名片集。
8.如权利要求6所述的电子名片推荐方法，其特征在于，所述根据所述第四行为数据和第二预设算法，得到各目标用户对应的第二电子名片集的步骤包括：
根据所述第四行为数据得到各目标用户的历史感兴趣名片；
根据所述各目标用户的历史感兴趣名片对各历史感兴趣名片进行统计，并根据统计结果构建名片相似度矩阵；
基于所述名片相似度矩阵计算各历史感兴趣名片之间的名片相似度，并根据所述名片相似度和各目标用户的历史感兴趣名片计算得到各目标用户对各历史感兴趣名片的兴趣值；
根据所述名片相似度和所述兴趣值，得到各目标用户对应的第二电子名片集。
9.如权利要求1至8中任一项所述的电子名片推荐方法，其特征在于，所述根据所述各待推荐电子名片的推荐分值对所述待推荐用户进行推荐的步骤包括：
根据所述各待推荐电子名片的推荐分值对所述待推荐电子名片进行排序；
根据排序结果和预设筛选规则对所述待推荐电子名片进行筛选，确定得到目标推荐电子名片，并将所述目标推荐电子名片推荐至所述待推荐用户。
10.一种电子名片推荐装置，其特征在于，所述电子名片推荐装置包括：
第一获取模块，用于在接收到电子名片推荐请求时，根据所述电子名片推荐请求获取目标输入数据；
第二获取模块，用于获取目标企业的第一企业数据，并根据所述第一企业数据构建行业关系图谱；
分值确定模块，用于根据所述目标输入数据、所述行业关系图谱和预先训练好的分值预测模型，得到各待推荐电子名片的推荐分值；
名片推荐模块，用于根据所述各待推荐电子名片的推荐分值对所述待推荐用户进行推荐。
11.一种电子名片推荐设备，其特征在于，所述电子名片推荐设备包括：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电子名片推荐程序，所述电子名片推荐程序被所述处理器执行时实现如权利要求1至9中任一项所述的电子名片推荐方法的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有电子名片推荐程序，所述电子名片推荐程序被处理器执行时实现如权利要求1至9中任一项所述的电子名片推荐方法的步骤。
CN202010146417.4A 2020-03-04 2020-03-04 电子名片推荐方法、装置、设备及计算机可读存储介质 Pending CN111382254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010146417.4A CN111382254A (zh) 2020-03-04 2020-03-04 电子名片推荐方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010146417.4A CN111382254A (zh) 2020-03-04 2020-03-04 电子名片推荐方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111382254A true CN111382254A (zh) 2020-07-07

Family

ID=71215230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010146417.4A Pending CN111382254A (zh) 2020-03-04 2020-03-04 电子名片推荐方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111382254A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800333A (zh) * 2021-02-04 2021-05-14 北京信息科技大学 企业用户服务的推荐方法、装置、设备及存储介质
CN114943234A (zh) * 2022-06-27 2022-08-26 企查查科技有限公司 企业名称链接方法、装置、计算机设备、存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800333A (zh) * 2021-02-04 2021-05-14 北京信息科技大学 企业用户服务的推荐方法、装置、设备及存储介质
CN112800333B (zh) * 2021-02-04 2023-10-27 北京信息科技大学 企业用户服务的推荐方法、装置、设备及存储介质
CN114943234A (zh) * 2022-06-27 2022-08-26 企查查科技有限公司 企业名称链接方法、装置、计算机设备、存储介质
CN114943234B (zh) * 2022-06-27 2024-03-19 企查查科技股份有限公司 企业名称链接方法、装置、计算机设备、存储介质

Similar Documents

Publication Publication Date Title
CN108804512B (zh) 文本分类模型的生成装置、方法及计算机可读存储介质
CN109947909B (zh) 智能客服应答方法、设备、存储介质及装置
CN108874992B (zh) 舆情分析方法、系统、计算机设备和存储介质
CN110825949B (zh) 基于卷积神经网络的信息检索方法、及其相关设备
US9218364B1 (en) Monitoring an any-image labeling engine
CN104615608B (zh) 一种数据挖掘处理系统及方法
US9037600B1 (en) Any-image labeling engine
CN110222160A (zh) 智能语义文档推荐方法、装置及计算机可读存储介质
CN109471944B (zh) 文本分类模型的训练方法、装置及可读存储介质
CN111797210A (zh) 基于用户画像的信息推荐方法、装置、设备及存储介质
Jiang et al. Fema: flexible evolutionary multi-faceted analysis for dynamic behavioral pattern discovery
CN112035599B (zh) 基于垂直搜索的查询方法、装置、计算机设备及存储介质
CN110096681B (zh) 合同条款分析方法、装置、设备及可读存储介质
CN108038208B (zh) 上下文信息识别模型的训练方法、装置和存储介质
CN110401545B (zh) 聊天群组创建方法、装置、计算机设备和存储介质
CN110019703B (zh) 数据标记方法及装置、智能问答方法及系统
CN110929125A (zh) 搜索召回方法、装置、设备及其存储介质
CN112395421B (zh) 课程标签的生成方法、装置、计算机设备及介质
CN104778283B (zh) 一种基于微博的用户职业分类方法及系统
CN113704623A (zh) 一种数据推荐方法、装置、设备及存储介质
CN111382254A (zh) 电子名片推荐方法、装置、设备及计算机可读存储介质
CN112507170A (zh) 基于智能决策的数据资产目录构建方法、及其相关设备
CN112287140A (zh) 一种基于大数据的图像检索方法及系统
CN115730597A (zh) 多级语义意图识别方法及其相关设备
US11393001B2 (en) Methods and systems for hair-service based digital image searching and ranking

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