CN111737594B - 基于无监督标签生成的虚拟网络角色行为塑造方法 - Google Patents

基于无监督标签生成的虚拟网络角色行为塑造方法 Download PDF

Info

Publication number
CN111737594B
CN111737594B CN202010586257.5A CN202010586257A CN111737594B CN 111737594 B CN111737594 B CN 111737594B CN 202010586257 A CN202010586257 A CN 202010586257A CN 111737594 B CN111737594 B CN 111737594B
Authority
CN
China
Prior art keywords
user
interest tag
virtual network
tag set
knowledge graph
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
Application number
CN202010586257.5A
Other languages
English (en)
Other versions
CN111737594A (zh
Inventor
吴长君
胡宁
李岩
李艳丹
秦雷髯
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.)
China Open Data Beijing Co ltd
Original Assignee
China Open Data Beijing 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 China Open Data Beijing Co ltd filed Critical China Open Data Beijing Co ltd
Priority to CN202010586257.5A priority Critical patent/CN111737594B/zh
Publication of CN111737594A publication Critical patent/CN111737594A/zh
Application granted granted Critical
Publication of CN111737594B publication Critical patent/CN111737594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于网络虚拟行为分析技术领域，提供了基于无监督标签生成的虚拟网络角色行为塑造方法，包括，S101：持续动态构建知识图谱；S102：计算用户节点的影响力分值，通过与设定的阈值比较，筛选出分数高于阈值的用户，形成要学习的“榜样用户”集合；S103：抽取“榜样用户”集合关联的主题实体中的命名实体和n‑grams两个类型的实例，形成用户的兴趣标签集合；S104：整合“榜样用户”集合的属性信息和生成的个性化兴趣标签组合，训练用户行为模型，基于行为模型运行虚拟网络角色。本发明的基于无监督标签生成的虚拟网络角色行为塑造方法，能够准确的扩充的个性化兴趣标签集合，为虚拟网络角色运行提供依据。

Description

基于无监督标签生成的虚拟网络角色行为塑造方法
技术领域
本发明涉及网络虚拟行为分析技术领域，具体涉及基于无监督标签生成的虚拟网络角色行为塑造方法。
背景技术
美国著名的第三方调查机构尼尔森调查了影响用户相信某个用户推荐的因素，调查结果显示，90％的用户相信朋友对他们的推荐，70％的用户相信网上其他用户对广告商品的评论。从该调查可以看到，好友的推荐对于用户增加对某些商品和信息的信任度非常重要。所以，近年来社交网络也成了一些电商、广告代理商、微商的宠儿，各大厂商纷纷研究基于社交网络的营销和客户维护策略，而类似于Twitter和新浪微博这种仅仅出于对言论的兴趣的单向关注而建立起来的好友关系，也即是兴趣图谱，是各大厂商争相开拓的领地。
基于社交网络营销的前提被尽量多的用户“关注”，社交网用户往往只关注与阅读和自己有共同爱好的人的分享信息，从而减轻信息过载的问题。人工注册账号去营销和维护好友关系的效果不错，突出个性化的兴趣可以吸引一大批关注者，但是这种工作的效率很低，成本很高，毕竟没有人会无时无刻泡在社交媒体。所以，打造一些虚拟账号，仿真真人的社交行为，积累一定量的关注者，在适当的时机推送商业广告和发表商品评论，做到“沉浸式”的营销，既可以短时间推送给大量的用户，又不会被关注者反感。
目前，对于虚拟网络角色的塑造方法是通过采集用户行为数据来构建画像模型和模拟用户活动所需的身份模型来实现。这类方法总体来说是有效的仿真模拟手段，但是存在一些实施的难点影响仿真效果：
1.在模拟角色的画像维度构建上，个性化兴趣标签的影响很大，如何合理设置个性化兴趣标签组，使虚拟身份的行为更接近一个真实用户；
2.用于行为建模的用户特征数据中，关于兴趣、爱好往往不是标准的表达，所用的词组和短语有歧义，不能代表偏好特征，导致用户的特征数据不准确，影响用户行为的建模过程。
发明内容
针对现有技术中的缺陷，本发明提供的基于无监督标签生成的虚拟网络角色行为塑造方法，能够准确的扩充的个性化兴趣标签集合，为虚拟网络角色运行提供依据。
为了解决上述技术问题，本发明提供以下技术方案：
基于无监督标签生成的虚拟网络角色行为塑造方法，包括以下步骤：
S101：采用动态扩展的社交知识图谱构建方法持续构建知识图谱；
S102：利用pagerank算法计算用户节点的影响力分值，通过与设定的阈值比较，筛选出分数高于阈值的用户，形成要学习的“榜样用户”集合；
S103：抽取“榜样用户”集合关联的主题实体中的命名实体和n-grams两个类型的实例，形成用户的兴趣标签集合；
S104：整合“榜样用户”集合的属性信息和生成的个性化兴趣标签组合，训练用户行为模型，基于行为模型运行虚拟网络角色。
进一步地，所述步骤S101中构建知识图谱的过程包括：
S10101：数据获取：周期性地获取推文，通过时间、地域或文章领域进行推文过滤；
S10102：数据预处理：通过使用适当的垃圾信息、权威评分、不当语言和不当内容的阈值过滤所有帖子信息，得到过滤后的数据信息，帖子信息包括帖子文本和帖子相关联的任何链接；
S10103：创建社交知识图谱：用动态聚合的方式将过滤后的数据信息建立知识图谱，图谱包括用户、帖子、主题和链接四类节点。
进一步地，所述步骤S103中形成用户兴趣标签集合的过程包括：
S10301：获取“榜样用户”ID，在社交知识图谱中检索用户-主题关系：通过用户-主题关系检索到与目标用户关联的主题，抽取主题中命名实体和n-grams两个类型的实例，实现为每一个“榜样用户”ID构建一个兴趣标签集合，其中，用户-主题关系包括作者和共同引用两类；
S10302：对兴趣标签集合进行消歧：基于实体链接将用户兴趣标签集合的文字描述元组与维基百科中知识库的实体对齐，从而获得消歧后的兴趣标签集合；
S10303：对消歧后的兴趣标签集合进行扩充：基于百科知识分类，将消歧后兴趣标签集合元素中的上一级分类与百科知识分类相对应，将百科知识分类的分类名称和同类实体加入消歧后兴趣标签集合，得到扩充后的兴趣标签集合；
S10304：标签集合返回：将扩充后的用户兴趣标签集合存入用户属性信息中。
进一步地，所述步骤S10302中基于实体链接将用户兴趣标签集合的文字描述元组与维基百科中知识库的实体对齐，从而获得消歧后的兴趣标签集合的过程包括：
S1030201：基于DBpedia数据集构建实体关系图谱，同时进行步骤S1030202和步骤S1030203；
S1030202：顶端嵌入计算：通过DeepWalk算法计算社交知识图谱中每个节点的嵌入向量，节点的嵌入向量是与该节点相关联的n维向量，用于以紧凑方式对节点信息进行编码；
S1030203：候选实体查找：针对每一个兴趣标签的文字描述获取具有关联关系的节点，首先选取图中基于表面提及的以及在字符串层面的相似节点，然后利用重定向和消歧链接来广泛获取缩写、别称和多义词层面的相似节点；
S1030204：集体消歧：运用pagerank计算候选实体中节点元组的显著性得分，运用顶点向量平均余弦相似度计算候选实体中节点元组的全局得分，然后，通过加权求和计算显著性得分和全局得分的综合评分，最后，选取综合评分最高的节点元组作为结果元组返回，返回结果是消歧后的用户兴趣标签组。
进一步地，所述步骤S104中整合“榜样用户”集合的属性信息和生成个性化兴趣标签组合，训练用户行为模型的过程包括：
S10401：整合用户属性信息数据，构成用户画像特征集合：读取格式化的用户属性信息，将用户属性信息整合成笛卡尔坐标系上的二元坐标值，形成画像数据集；
S10402：通过聚类分析算法对画像数据集进行聚类，统计聚类结果得到用户画像特征；
S10403：建立用户行为模型：基于用户画像特征，训练用户行为模型，作为虚拟网络角色运行引擎。
进一步地，所述步骤S10304中的用户属性信息包括年龄、性别、地域、文化水平、昵称、活跃度、关注用户以及所处群体字段。
由上述技术方案可知，本发明的有益效果：通过构建知识图谱并将构建后的知识图谱汇总到对应于较长时间间隔的单个社交知识图谱中，具有动态更新图谱的特点，同时通过将“榜样用户”集合关联的主题实体中的命名实体和n-grams两个类型的实例，形成准确无歧义的用户个性化兴趣标签集合，作为虚拟网络角色运行的依据，具有准确模拟用户角色行为的特点。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明的流程图；
图2为本发明步骤S101中构建知识图谱的流程图；
图3为本发明社交知识图谱节点的关系示意图；
图4为本发明步骤S103中形成用户兴趣标签集合的流程图；
图5为本发明步骤S10302中基于实体链接将用户兴趣标签集合的文字描述元组与维基百科中知识库的实体对齐，从而获得消歧后的兴趣标签集合的流程图；
图6为本发明步骤S104中整合“榜样用户”集合的属性信息和生成个性化兴趣标签组合，训练用户行为模型的流程图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
参阅图1所示，本实施例提供的基于无监督标签生成的虚拟网络角色行为塑造方法，包括以下步骤：
S101：采用动态扩展的社交知识图谱构建方法持续构建知识图谱；
S102：利用pagerank算法计算用户节点的影响力分值，通过与设定的阈值比较，筛选出分数高于阈值的用户，形成要学习的“榜样用户”集合；
S103：抽取“榜样用户”集合关联的主题实体中的命名实体和n-grams两个类型的实例，形成用户的兴趣标签集合；
S104：整合“榜样用户”集合的属性信息和生成的个性化兴趣标签组合，训练用户行为模型，基于行为模型运行虚拟网络角色。
在实际使用中，通过构建知识图谱并将构建后的知识图谱汇总到对应于较长时间间隔的单个社交知识图谱中，具有动态更新图谱的特点，同时通过将“榜样用户”集合关联的主题实体中的命名实体和n-grams两个类型的实例，形成准确无歧义的用户个性化兴趣标签集合，作为虚拟网络角色运行的依据，具有准确模拟用户角色行为的特点。
参阅图2和图3所示，所述步骤S101中构建知识图谱的过程包括：
S10101：数据获取：周期性地获取推文，通过时间、地域或文章领域进行推文过滤，获取推文的周期可根据需求进行设定；
S10102：数据预处理：通过使用适当的垃圾信息、权威评分、不当语言和不当内容的阈值过滤所有帖子信息，得到过滤后的数据信息，帖子信息包括帖子文本和帖子相关联的任何链接；
S10103：创建社交知识图谱：用动态聚合的方式将过滤后的数据信息建立知识图谱，图谱包括用户、帖子、主题和链接四类节点，用户、帖子、主题和链接四类节点。
在实际使用中，通过在不同时间段、不同地域或不同文章领域对推文进行持续采集、过滤并建立知识图谱，将多个较短时间间隔的知识图谱汇总到对应于较长时间间隔的单个社交知识图谱中，实现图谱的动态更新，为“榜样用户”兴趣标签集合提供分类清晰的社交数据。
参阅图4所示，所述步骤S103中形成用户兴趣标签集合的过程包括：
S10301：获取“榜样用户”ID，在社交知识图谱中检索用户-主题关系：通过用户-主题关系检索到与目标用户关联的主题，抽取主题中命名实体和n-grams两个类型的实例，实现为每一个“榜样用户”ID构建一个兴趣标签集合，其中，用户-主题关系包括作者和共同引用两类；
S10302：对兴趣标签集合进行消歧：基于实体链接将用户兴趣标签集合的文字描述元组与维基百科中知识库的实体对齐，从而获得消歧后的兴趣标签集合；
S10303：对消歧后的兴趣标签集合进行扩充：基于百科知识分类，将消歧后兴趣标签集合元素中的上一级分类与百科知识分类相对应，将百科知识分类的分类名称和同类实体加入消歧后兴趣标签集合，得到扩充后的兴趣标签集合；
S10304：标签集合返回：将扩充后的用户兴趣标签集合存入用户属性信息中。
在实际使用中，通过将兴趣标签集合进行消歧并对消歧后的兴趣标签集合进行扩充，扩充过程是增加类名标签和同类实体标签。例如，原始用户标签集合为[苹果，iPhoneX]，经过实体链接确定“苹果”是指一种智能终端品牌，那么，扩展后的标签组可以是[苹果手机，iphoneX，华为，三星，智能终端，高科技产品......]，这里的“智能终端”是类名标签，而“华为”就是同属智能终端的另一个实体标签。
参阅图5所示，所述步骤S10302中基于实体链接将用户兴趣标签集合的文字描述元组与维基百科中知识库的实体对齐，从而获得消歧后的兴趣标签集合的过程包括：
S1030201：基于DBpedia数据集构建实体关系图谱，同时进行步骤S1030202和步骤S1030203；
S1030202：顶端嵌入计算：通过DeepWalk算法计算社交知识图谱中每个节点的嵌入向量，节点的嵌入向量是与该节点相关联的n维向量，用于以紧凑方式对节点信息进行编码；
S1030203：候选实体查找：针对每一个兴趣标签的文字描述获取具有关联关系的节点，首先选取图中基于表面提及的以及在字符串层面的相似节点，然后利用重定向和消歧链接来广泛获取缩写、别称和多义词层面的相似节点；
S1030204：集体消歧：运用pagerank计算候选实体中节点元组的显著性得分，运用顶点向量平均余弦相似度计算候选实体中节点元组的全局得分，然后，通过加权求和计算显著性得分和全局得分的综合评分，最后，选取综合评分最高的节点元组作为结果元组返回，返回结果是消歧后的用户兴趣标签组。
在实际使用中，通过对顶端嵌入计算和候选实体查找的结果进行显著性得分和全局的得分进行综合得分，选取综合评分最高的节点元组作为消歧后的用户兴趣标签组，达到标签集合内协同消歧的效果，同时使各个环节虚拟网络行为塑造的结果具有一致性。
参阅图6所示，所述步骤S104中整合“榜样用户”集合的属性信息和生成个性化兴趣标签组合，训练用户行为模型的过程包括：
S10401：整合用户属性信息数据，构成用户画像特征集合：读取格式化的用户属性信息，将用户属性信息整合成笛卡尔坐标系上的二元坐标值，形成画像数据集；
S10402：通过聚类分析算法对画像数据集进行聚类，统计聚类结果得到用户画像特征；
S10403：建立用户行为模型：基于用户画像特征，训练用户行为模型，作为虚拟网络角色运行引擎。
在实际使用中，首先通过整合用户属性信息，构成用户画像特征集合，然后，通过聚类分析算法形成用户画像特征，最后训练用户行为模型，形成塑造仿真程度高的虚拟网络角色。
在本实施例中，所述步骤S10304中的用户属性信息包括年龄、性别、地域、文化水平、昵称、活跃度、关注用户以及所处群体字段。
在实际使用中，针对用户的年龄、性别、地域、文化水平、昵称、活跃度、关注用户以及所处群体字段进行分类并分析用户的行为特征，便于准确地对用户虚拟网络行为模拟。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (3)

1.基于无监督标签生成的虚拟网络角色行为塑造方法，其特征在于，包括以下步骤：
S101：采用动态扩展的社交知识图谱构建方法持续构建知识图谱；
S102：利用pagerank算法计算用户节点的影响力分值，通过与设定的阈值比较，筛选出分数高于阈值的用户，形成要学习的“榜样用户”集合；
S103：抽取“榜样用户”集合关联的主题实体中的命名实体和n-grams两个类型的实例，形成用户的兴趣标签集合；
S104：整合“榜样用户”集合的属性信息和生成的个性化兴趣标签组合，训练用户行为模型，基于行为模型运行虚拟网络角色；
所述步骤S101中构建知识图谱的过程包括：
S10101：数据获取：周期性地获取推文，通过时间、地域或文章领域进行推文过滤；
S10102：数据预处理：通过使用适当的垃圾信息、权威评分、不当语言和不当内容的阈值过滤所有帖子信息，得到过滤后的数据信息，帖子信息包括帖子文本和帖子相关联的任何链接；
S10103：创建社交知识图谱：用动态聚合的方式将过滤后的数据信息建立知识图谱，图谱包括用户、帖子、主题和链接四类节点；
所述步骤S103中形成用户兴趣标签集合的过程包括：
S10301：获取“榜样用户”ID，在社交知识图谱中检索用户-主题关系：通过用户-主题关系检索到与目标用户关联的主题，抽取主题中命名实体和n-grams两个类型的实例，实现为每一个“榜样用户”ID构建一个兴趣标签集合，其中，用户-主题关系包括作者和共同引用两类；
S10302：对兴趣标签集合进行消歧：基于实体链接将用户兴趣标签集合的文字描述元组与维基百科中知识库的实体对齐，从而获得消歧后的兴趣标签集合；
S10303：对消歧后的兴趣标签集合进行扩充：基于百科知识分类，将消歧后兴趣标签集合元素中的上一级分类与百科知识分类相对应，将百科知识分类的分类名称和同类实体加入消歧后兴趣标签集合，得到扩充后的兴趣标签集合；
S10304：标签集合返回：将扩充后的用户兴趣标签集合存入用户属性信息中；
所述步骤S10302中基于实体链接将用户兴趣标签集合的文字描述元组与维基百科中知识库的实体对齐，从而获得消歧后的兴趣标签集合的过程包括：
S1030201：基于DBpedia数据集构建实体关系图谱，同时进行步骤S1030202和步骤S1030203；
S1030202：顶端嵌入计算：通过 DeepWalk 算法计算社交知识图谱中每个节点的嵌入向量，节点的嵌入向量是与该节点相关联的n维向量，用于以紧凑方式对节点信息进行编码；
S1030203：候选实体查找：针对每一个兴趣标签的文字描述获取具有关联关系的节点，首先选取图中基于表面提及的以及在字符串层面的相似节点，然后利用重定向和消歧链接来广泛获取缩写、别称和多义词层面的相似节点；
S1030204：集体消歧：运用pagerank计算候选实体中节点元组的显著性得分，运用顶点向量平均余弦相似度计算候选实体中节点元组的全局得分，然后，通过加权求和计算显著性得分和全局得分的综合评分，最后，选取综合评分最高的节点元组作为结果元组返回，返回结果是消歧后的用户兴趣标签组。
2.根据权利要求1所述的基于无监督标签生成的虚拟网络角色行为塑造方法，其特征在于，所述步骤S104中整合“榜样用户”集合的属性信息和生成个性化兴趣标签组合，训练用户行为模型的过程包括：
S10401：整合用户属性信息数据，构成用户画像特征集合：读取格式化的用户属性信息，将用户属性信息整合成笛卡尔坐标系上的二元坐标值，形成画像数据集；
S10402：通过聚类分析算法对画像数据集进行聚类，统计聚类结果得到用户画像特征；
S10403：建立用户行为模型：基于用户画像特征，训练用户行为模型，作为虚拟网络角色运行引擎。
3.根据权利要求1所述的基于无监督标签生成的虚拟网络角色行为塑造方法，其特征在于，所述步骤S10304中的用户属性信息包括年龄、性别、地域、文化水平、昵称、活跃度、关注用户以及所处群体字段。
CN202010586257.5A 2020-06-24 2020-06-24 基于无监督标签生成的虚拟网络角色行为塑造方法 Active CN111737594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010586257.5A CN111737594B (zh) 2020-06-24 2020-06-24 基于无监督标签生成的虚拟网络角色行为塑造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010586257.5A CN111737594B (zh) 2020-06-24 2020-06-24 基于无监督标签生成的虚拟网络角色行为塑造方法

Publications (2)

Publication Number Publication Date
CN111737594A CN111737594A (zh) 2020-10-02
CN111737594B true CN111737594B (zh) 2023-07-25

Family

ID=72650901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010586257.5A Active CN111737594B (zh) 2020-06-24 2020-06-24 基于无监督标签生成的虚拟网络角色行为塑造方法

Country Status (1)

Country Link
CN (1) CN111737594B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113656125A (zh) * 2021-07-30 2021-11-16 阿波罗智联(北京)科技有限公司 一种虚拟助手生成的方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108290071A (zh) * 2015-09-17 2018-07-17 Cy游戏公司 用于在预测游戏者的意图的情况下确定用于执行绘制的资源分配的程序、电子装置、系统和方法
CN110597870A (zh) * 2019-08-05 2019-12-20 长春市万易科技有限公司 一种企业关系挖掘方法
CN110741389A (zh) * 2017-11-21 2020-01-31 谷歌有限责任公司 改进的实体数据的打通

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9785630B2 (en) * 2014-05-30 2017-10-10 Apple Inc. Text prediction using combined word N-gram and unigram language models
CN105069172B (zh) * 2015-09-09 2018-10-30 中国人民大学 兴趣标签生成方法
EP3223179A1 (en) * 2016-03-24 2017-09-27 Fujitsu Limited A healthcare risk extraction system and method
DK179049B1 (en) * 2016-06-11 2017-09-18 Apple Inc Data driven natural language event detection and classification
CN110633373B (zh) * 2018-06-20 2023-06-09 上海财经大学 一种基于知识图谱和深度学习的汽车舆情分析方法
CN109960748B (zh) * 2019-02-22 2021-03-26 中国科学院计算技术研究所 基于知识图谱的个人直播用户观看主播预测的方法及系统
CN110245259B (zh) * 2019-05-21 2021-09-21 北京百度网讯科技有限公司 基于知识图谱的视频打标签方法及装置、计算机可读介质
CN110473549A (zh) * 2019-08-21 2019-11-19 北京智合大方科技有限公司 一种语音对话分析系统、方法及存储介质
CN110825882B (zh) * 2019-10-09 2022-03-01 西安交通大学 一种基于知识图谱的信息系统管理方法
CN110717106B (zh) * 2019-10-14 2022-05-17 支付宝(杭州)信息技术有限公司 信息推送的方法及装置
CN110990590A (zh) * 2019-12-20 2020-04-10 北京大学 一种基于强化学习和迁移学习的动态金融知识图谱构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108290071A (zh) * 2015-09-17 2018-07-17 Cy游戏公司 用于在预测游戏者的意图的情况下确定用于执行绘制的资源分配的程序、电子装置、系统和方法
CN110741389A (zh) * 2017-11-21 2020-01-31 谷歌有限责任公司 改进的实体数据的打通
CN110597870A (zh) * 2019-08-05 2019-12-20 长春市万易科技有限公司 一种企业关系挖掘方法

Also Published As

Publication number Publication date
CN111737594A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
McKenzie et al. Weighted multi-attribute matching of user-generated points of interest
Zhong et al. You are where you go: Inferring demographic attributes from location check-ins
US9367603B2 (en) Systems and methods for behavioral segmentation of users in a social data network
CN104933164A (zh) 互联网海量数据中命名实体间关系提取方法及其系统
CN105718579A (zh) 一种基于上网日志挖掘和用户活动识别的信息推送方法
CN103049435A (zh) 文本细粒度情感分析方法及装置
Ma et al. App2vec: Vector modeling of mobile apps and applications
CN104133817A (zh) 网络社区交互方法、装置及网络社区平台
Mehta et al. Sentiment analysis and influence tracking using twitter
Peled et al. Matching entities across online social networks
CN112084333B (zh) 一种基于情感倾向分析的社交用户生成方法
CN110347897B (zh) 基于事件检测的微博网络情感社区识别方法
Bae et al. Predicting the lifespan and retweet times of tweets based on multiple feature analysis
Xiong et al. Affective impression: Sentiment-awareness POI suggestion via embedding in heterogeneous LBSNs
CN111242218A (zh) 融合用户多属性信息的跨社交网络用户身份识别方法
CN111737594B (zh) 基于无监督标签生成的虚拟网络角色行为塑造方法
Wan et al. Topic modeling and progression of American digital news media during the onset of the COVID-19 pandemic
Lei et al. Personalized Item Recommendation Algorithm for Outdoor Sports
CN105468780A (zh) 一种微博文本中产品名实体的规范化方法及装置
CN112434126B (zh) 一种信息处理方法、装置、设备和存储介质
CN111177526B (zh) 网络意见领袖识别方法及装置
CN116521996A (zh) 一种基于知识图谱和图卷积神经网络的多行为推荐方法及系统
Riga et al. Atmospheric environment and quality of life information extraction from twitter with the use of self-organizing maps
Li et al. A personalized recommendation algorithm for college books based on user interest
Abebe et al. Overview of event-based collective knowledge management in multimedia digital ecosystems

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