CN111881263A - 面向智能家居场景的服务推荐在线优化方法 - Google Patents
面向智能家居场景的服务推荐在线优化方法 Download PDFInfo
- Publication number
- CN111881263A CN111881263A CN202010806262.2A CN202010806262A CN111881263A CN 111881263 A CN111881263 A CN 111881263A CN 202010806262 A CN202010806262 A CN 202010806262A CN 111881263 A CN111881263 A CN 111881263A
- Authority
- CN
- China
- Prior art keywords
- user
- instruction
- model
- instructions
- service recommendation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims description 40
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种面向智能家居场景的服务推荐在线优化方法。首先根据智能家居知识图谱针对通用用户群体来生成通用的服务指令,然后基于指令的语义相似性训练出初始服务推荐模型。进一步在初始服务推荐模型上根据用户的使用轨迹进行模型的增量训练,进而实现服务推荐模型的在线优化,最终使得推荐模型可以适用于特定环境下的指令识别。因此,基于该技术,虚拟助手可以自适应地给出最佳的匹配的系统指令。
Description
技术领域
本发明涉及面向智能家居场景的服务推荐在线优化方法。
背景技术
随着国家战略的推进,大数据、云计算等技术和市场的驱动,以人工智能为代表的新一代信息技术已经越来越商业化、市场化,人工智能产业迎来难得的发展机遇,呈现出蓬勃发展的景象。人工智能的赋能作用在传统行业越来越流行,极大地影响了互联网、医疗保健、制造业等各行各业,对国家经济结构,社会生活的变革起到了重要作用。近几年来,人工智能产品正逐渐进入我们的日常生活中,不仅代替了各种简单重复的体力或脑力劳动,还极大地提高了生产效率。而基于人工智能的应用开发也越来越受到人们的青睐。
虚拟助手(virtual assistant)是一种能替个人执行任务或服务的软件代理(software agent)。在人工智能应用领域中,虚拟助手技术较为成熟,广泛应用于智能家居等领域。国外较为知名的智能语音虚拟助手有亚马逊的Alexa,苹果的Siri等。国内较知名的有阿里巴巴的天猫精灵、百度的小度等。这些智能语音虚拟助手都在市场有不错的反响,在日常生活中扮演着很重要的角色,连接和覆盖生活中的各个场景,成为我们的私人助理,为生活提供便利。
智能虚拟助手涉及的技术包括机器学习、深度学习、自然语音识别、自然语言处理等。由于国家战略的推动,市场和技术的驱动,这些技术和产品都逐渐趋于成熟,更加智能化和人性化。随着智能家居基础设施的不断发展,虚拟助手所提供的智能服务——根据服务对象所处情境的变化为其提供准确的服务,越来越成为人工智能的发展热点。
发明内容
本发明的目的在于提供一种面向智能家居场景的服务推荐在线优化方法,该方法应用于虚拟助手可以自适应地给出最佳的匹配的系统指令。
为实现上述目的,本发明的技术方案是:一种面向智能家居场景的服务推荐在线优化方法,包括如下步骤:
步骤S1、服务推荐:基于语义相似性推荐给用户与用户输入自然语言指令相似度最高的系统指令;
步骤S2、在线优化:根据用户常用自然语言指令和对应的系统指令进行组合,通过多层感知器算法进行模型的训练,得到原始服务推荐模型,而后对原始服务推荐模型进行增量训练,实现服务推荐的在线优化。
在本发明一实施例中,所述步骤S1具体实现步骤如下:
S11、用户输入自然语言指令;
S12、通过GloVe技术将用户输入自然语言指令的单词向量化,得到词向量;
S13、将句子中的所有词向量相加得到这个句子的句向量;
S14、采用余弦相似度计算两个句向量间的相似性,得到两条指令的语义相似性;
S15、根据用户输入自然语言指令和系统指令的语义相似性进行指令的排序,筛选出相似度最高的前N条系统指令推荐给用户。
在本发明一实施例中,所述步骤S2具体实现步骤如下:
S21、生成原始服务推荐模型:
S211、收集用户常用自然语言指令和对应的系统指令;
S212、将用户常用指令与所有的系统指令按照指令组合方法进行组合,得到模型训练样本,具体组合方式如下:设c是用户常用自然语言指令的向量表示,s是系统指令的向量表示,x为机器学习回归任务的自变量,y为因变量,则:
x=ci+si
y=sim(ci,si)
sim函数为余弦相似度公式,表示为:
其中,ci表示第i句用户常用自然语言指令的句向量,si表示第i句系统指令的句向量,wcj表示组成句向量ci的词向量,wsj表示组成句向量si的词向量;
S213、训练原始服务推荐模型:根据模型训练样本,通过多层感知器算法进行模型的训练,得到原始服务推荐模型,该模型能够根据用户输入自然语言指令和系统指令预测两者的相似度;
S22、推荐模型的增量训练和优化:
S221、获取用户的自然语言指令;
S222、根据原始推荐模型进行指令推荐:将用户输入自然语言指令与系统指令按照指令组合方法进行组合,将结果输入到已训练过的原始推荐模型中,得到模型预测的相似度,筛选出相似度最高的前N条指令推荐给用户;
S223、优化原始模型:
用户在系统给出的推荐指令中选择最匹配的一条,将用户输入自然语言指令令与所有的系统指令按照指令组合方法进行组合,并调高用户所选指令的推荐度,得到增量训练样本,通过多层感知器算法进行模型的增量训练,实现服务推荐的在线优化。
相较于现有技术,本发明具有以下有益效果:本发明一种面向智能家居场景的服务推荐在线优化方法,首先根据智能家居知识图谱针对通用用户群体来生成通用的服务指令,然后基于指令的语义相似性训练出初始服务推荐模型;进一步在初始服务推荐模型上根据用户的使用轨迹进行模型的增量训练,进而实现服务推荐模型的在线优化,最终使得推荐模型可以适用于特定环境下的指令识别。因此,基于该技术,虚拟助手可以自适应地给出最佳的匹配的系统指令。
附图说明
图1为本发明概览图。
图2为用户数据获取和系统指令呈现时序图。
图3为模型的RMSE值和增量训练次数关系。
图4为模型的MAE值和增量训练次数关系。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供了一种面向智能家居场景的服务推荐在线优化方法,包括如下步骤:
步骤S1、服务推荐:基于语义相似性推荐给用户与用户输入自然语言指令相似度最高的系统指令;
步骤S2、在线优化:根据用户常用自然语言指令和对应的系统指令进行组合,通过多层感知器算法进行模型的训练,得到原始服务推荐模型,而后对原始服务推荐模型进行增量训练,实现服务推荐的在线优化。
以下为本发明的具体实现过程。
如图1、2所示,本发明提出的一种面向智能家居场景的服务推荐在线优化方法设计并搭建了一个面向智能家居场景的服务推荐在线优化系统。从系统结构、主要功能模块,详细阐述了所用到的技术和方法。实现了用户使用轨迹存储、最优系统指令呈现、推荐指令在线优化等功能。
本发明一种面向智能家居场景的服务推荐在线优化方法的服务推荐在线优化原理:服务推荐在线优化技术首先记录下用户的使用轨迹,然后基于语义相似性进行模型增量训练,进而实现服务推荐模型的在线优化。因此,服务推荐在线优化的原理可以从两方面进行解释:服务推荐和在线优化。
A、服务推荐
服务推荐的具体做法是基于语义相似性推荐给用户相似度最高的多条指令(这里“相似度最高”是指与用户输入指令相似度最高)。
首先,计算出用户指令与系统指令的语义相似性。然后根据语义相似性进行指令排序,最后筛选出相似度最高的几条指令推荐给用户。
具体实现可以分为以下几个步骤。
(1)生成词向量
由于用户指令是自然语言,无法直接进行指令间相似性的计算。因此,通过GloVe技术将单词向量化。由于GloVe技术的提出者在其官网已经准备了预先训练好的单词模型,因此可以直接使用该模型,能够直接从单词映射为向量。
(2)生成句向量
通过把一个句子中的所有词向量相加得到这个句子的句向量,作为接下来计算句子间语义相似性的基础。
(3)计算指令间的语义相似性
采用余弦相似度作为相似性度量方法,计算两个向量间的相似性,从而得到两条指令的语义相似性。
(4)根据语义相似性进行指令排序和推荐
根据用户指令和系统指令的语义相似性进行指令的排序,筛选出相似度最高的前几条系统指令推荐给用户。
B、在线优化
由于多层感知器算法对于非线性数据良好的拟合效果,并且具有可以增量训练的特性。因此可以采用多层感知器算法进行服务推荐模型的训练和优化。具体实现可以分为两个部分:生成原始服务推荐模型和推荐模型的增量训练和优化。
B1、生成原始服务推荐模型
生成原始推荐模型有以下几个步骤:
i、收集用户常用指令和对应的系统指令
收集用户常用指令和对应系统指令,其中每一条用户常用指令对应多条匹配度高的系统指令。收集指令的目的在于为训练原始服务推荐模型提供训练样本。
ii、将用户常用指令与所有的系统指令按照指令组合方法进行组合。
指令组合方法的形式化描述如下:设c是用户常用指令的向量表示,s是系统指令的向量表示,x为机器学习回归任务的自变量,y为因变量。则其关系如式(1)、(2)所示:
x=ci+si (1)
y=sim(ci,si) (2)
sim函数为余弦相似度公式,表示为:
其中,ci表示第i句用户常用自然语言指令的句向量,si表示第i句系统指令的句向量,wcj表示组成句向量ci的词向量,wsj表示组成句向量si的词向量;通过上述工作,得到模型训练样本。
iii、训练原始服务推荐模型
通过多层感知器算法进行模型的训练,可以得到原始服务推荐模型,该模型能够根据用户指令和系统指令预测两者的相似度。
B2、推荐模型的增量训练和优化
推荐模型的增量训练和优化可以分为以下几个步骤:
i、获取用户的自然语言指令
可以通过用户主动提供的数据信息的方式显示地获取输入信息。
ii、根据原始推荐模型进行指令推荐
将用户提供的自然语言指令与系统指令按照指令组合方法如式(1)所示进行处理,将结果输入到已训练过的原始推荐模型中,得到模型预测的相似度,筛选出相似度最高的几条指令推荐给用户。
iii、优化原始模型
用户在系统给出的推荐指令中选择最匹配的一条,将用户输入的指令与所有的系统指令按照指令组合方法如式(1)所示进行处理,并适当调高用户所选指令的推荐度,得到增量训练样本,通过多层感知器算法进行模型的增量训练,实现服务推荐的在线优化。
本发明方法评估:
1)评估指标
最常见的推荐模型性能评价指标的有平均绝对误差(MAE)、均方根误差(RMSE)、召回率(Recall)、查准率(Precision)、F1等,其定义分别如(3)、(4)、(5)、(6)、(7)所示。
其中n为用户i进行评分的对象个数,pia和ria分别为推荐模型预测分值和实际分值。平均绝对误差和均方根误差的数值越小,说明推荐模型的性能越好。
其中Nrs为用户在推荐过程中偏好的对象个数,Nr为用户所偏好的所有推荐对象,Ns为所有推荐对象的个数。召回率和查准率越高,说明推荐模型性能越好。
其中P为准确率,R为召回率。F1是综合准确率和召回率产生的评价标准。F1值越大,说明推荐模型性能越好。
2)评估设计
本实验的目的是通过实验检测来评估服务推荐在线优化技术对于模型性能的影响。本文使用的评估模型方法是交叉验证法,数据集被随机均匀地分为训练集和测试集,并且利用训练集上建立模型,利用测试集上评估所建立的模型。实验具体的步骤如下:
i、将数据集随机均匀划分成训练集和测试集,其中训练集占数据集75%,测试集占25%。
ii、进行5组随机实验检测,每组实验中推荐模型进行10次增量训练,记录每次试验结果。
3)评估结果
本实验中,每组实验选取不同的用户输入指令,使用不同的增量训练数据进行模型的增量训练。采用均方根误差(RMSE)和平均绝对误差(MAE)作为评估模型性能的标准。
从图3和图4可知,随着模型增量训练次数的增加,模型的均方根误差值和平均绝对误差值呈现出下降的趋势,表示模型预测的准确度越来越高,也意味着推荐模型性能越来越好。
从上述的实验结果可以看出,服务推荐在线优化技术可以有效地提升模型的性能,因此可以提升虚拟助手在识别指令的准确率与服务推荐的精度。
本发明方法具有以下优点:
本发明面向智能家居场景的服务推荐在线优化技术在分析用户使用轨迹时,采用GloVe技术的词表征方法,把一个句子表达成一个向量,通过计算向量间的余弦相似度来得到两个句子之间的语义相似性。基于语义相似性,采用多层感知器算法,可以训练和优化服务推荐模型。整个过程是面向服务场景的在线优化和更新,可以有效地提升虚拟助手在识别指令的准确率,提高服务推荐的精度,使虚拟助手提供更好的智能服务,形成一个更加人性化和智能化的智能家居服务系统。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (3)
1.一种面向智能家居场景的服务推荐在线优化方法,其特征在于,包括如下步骤:
步骤S1、服务推荐:基于语义相似性推荐给用户与用户输入自然语言指令相似度最高的系统指令;
步骤S2、在线优化:根据用户常用自然语言指令和对应的系统指令进行组合,通过多层感知器算法进行模型的训练,得到原始服务推荐模型,而后对原始服务推荐模型进行增量训练,实现服务推荐的在线优化。
2.根据权利要求1所述的面向智能家居场景的服务推荐在线优化方法,其特征在于,所述步骤S1具体实现步骤如下:
S11、用户输入自然语言指令;
S12、通过GloVe技术将用户输入自然语言指令的单词向量化,得到词向量;
S13、将句子中的所有词向量相加得到这个句子的句向量;
S14、采用余弦相似度计算两个句向量间的相似性,得到两条指令的语义相似性;
S15、根据用户输入自然语言指令和系统指令的语义相似性进行指令的排序,筛选出相似度最高的前N条系统指令推荐给用户。
3.根据权利要求2所述的面向智能家居场景的服务推荐在线优化方法,其特征在于,所述步骤S2具体实现步骤如下:
S21、生成原始服务推荐模型:
S211、收集用户常用自然语言指令和对应的系统指令;
S212、将用户常用指令与所有的系统指令按照指令组合方法进行组合,得到模型训练样本,具体组合方式如下:设c是用户常用自然语言指令的向量表示,s是系统指令的向量表示,x为机器学习回归任务的自变量,y为因变量,则:
x=ci+si
y=sim(ci,si)
sim函数为余弦相似度公式,表示为:
其中,ci表示第i句用户常用自然语言指令的句向量,si表示第i句系统指令的句向量,wcj表示组成句向量ci的词向量,wsj表示组成句向量si的词向量;
S213、训练原始服务推荐模型:根据模型训练样本,通过多层感知器算法进行模型的训练,得到原始服务推荐模型,该模型能够根据用户输入自然语言指令和系统指令预测两者的相似度;
S22、推荐模型的增量训练和优化:
S221、获取用户的自然语言指令;
S222、根据原始推荐模型进行指令推荐:将用户输入自然语言指令与系统指令按照指令组合方法进行组合,将结果输入到已训练过的原始推荐模型中,得到模型预测的相似度,筛选出相似度最高的前N条指令推荐给用户;
S223、优化原始模型:
用户在系统给出的推荐指令中选择最匹配的一条,将用户输入自然语言指令令与所有的系统指令按照指令组合方法进行组合,并调高用户所选指令的推荐度,得到增量训练样本,通过多层感知器算法进行模型的增量训练,实现服务推荐的在线优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806262.2A CN111881263A (zh) | 2020-08-12 | 2020-08-12 | 面向智能家居场景的服务推荐在线优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010806262.2A CN111881263A (zh) | 2020-08-12 | 2020-08-12 | 面向智能家居场景的服务推荐在线优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111881263A true CN111881263A (zh) | 2020-11-03 |
Family
ID=73202553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010806262.2A Pending CN111881263A (zh) | 2020-08-12 | 2020-08-12 | 面向智能家居场景的服务推荐在线优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881263A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734132A (zh) * | 2021-01-22 | 2021-04-30 | 珠海格力电器股份有限公司 | 一种设备的推荐方法、装置、电子设备及存储介质 |
CN114398109A (zh) * | 2022-01-07 | 2022-04-26 | 福州大学 | 基于通用知识图谱的个性化智能助手构建方法 |
CN115079588A (zh) * | 2022-08-05 | 2022-09-20 | 福州大学 | 基于时空数据驱动的智能家居服务管控方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014000280A1 (en) * | 2012-06-29 | 2014-01-03 | Nokia Corporation | Method and apparatus for providing task-based service recommendations |
CN107704521A (zh) * | 2017-09-07 | 2018-02-16 | 北京零秒科技有限公司 | 一种问答处理服务器、客户端以及实现方法 |
CN109829541A (zh) * | 2019-01-18 | 2019-05-31 | 上海交通大学 | 基于学习自动机的深度神经网络增量式训练方法及系统 |
US20190220694A1 (en) * | 2018-01-18 | 2019-07-18 | Accenture Global Solutions Limited | Dynamically identifying object attributes via image analysis |
CN110070145A (zh) * | 2019-04-30 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 基于增量聚类的lstm轮毂单品能耗预测 |
CN110570855A (zh) * | 2019-08-28 | 2019-12-13 | 珠海格力电器股份有限公司 | 通过对话机制控制智能家居设备的系统、方法及装置 |
CN111033492A (zh) * | 2017-10-03 | 2020-04-17 | 谷歌有限责任公司 | 为自动化助手提供命令束建议 |
CN111400470A (zh) * | 2020-03-13 | 2020-07-10 | 深圳市腾讯计算机系统有限公司 | 问题处理方法、装置、计算机设备和存储介质 |
-
2020
- 2020-08-12 CN CN202010806262.2A patent/CN111881263A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014000280A1 (en) * | 2012-06-29 | 2014-01-03 | Nokia Corporation | Method and apparatus for providing task-based service recommendations |
CN107704521A (zh) * | 2017-09-07 | 2018-02-16 | 北京零秒科技有限公司 | 一种问答处理服务器、客户端以及实现方法 |
CN111033492A (zh) * | 2017-10-03 | 2020-04-17 | 谷歌有限责任公司 | 为自动化助手提供命令束建议 |
US20190220694A1 (en) * | 2018-01-18 | 2019-07-18 | Accenture Global Solutions Limited | Dynamically identifying object attributes via image analysis |
CN109829541A (zh) * | 2019-01-18 | 2019-05-31 | 上海交通大学 | 基于学习自动机的深度神经网络增量式训练方法及系统 |
CN110070145A (zh) * | 2019-04-30 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 基于增量聚类的lstm轮毂单品能耗预测 |
CN110570855A (zh) * | 2019-08-28 | 2019-12-13 | 珠海格力电器股份有限公司 | 通过对话机制控制智能家居设备的系统、方法及装置 |
CN111400470A (zh) * | 2020-03-13 | 2020-07-10 | 深圳市腾讯计算机系统有限公司 | 问题处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
M.戈帕尔(M.GOPAL): "《机器学习及其应用》", 30 April 2020 * |
曾宪武: "《大数据技术》", 30 November 2019 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734132A (zh) * | 2021-01-22 | 2021-04-30 | 珠海格力电器股份有限公司 | 一种设备的推荐方法、装置、电子设备及存储介质 |
CN114398109A (zh) * | 2022-01-07 | 2022-04-26 | 福州大学 | 基于通用知识图谱的个性化智能助手构建方法 |
CN115079588A (zh) * | 2022-08-05 | 2022-09-20 | 福州大学 | 基于时空数据驱动的智能家居服务管控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948165B (zh) | 基于混合注意力网络的细粒度情感极性预测方法 | |
CN110046304B (zh) | 一种用户推荐方法和装置 | |
CN111931062B (zh) | 一种信息推荐模型的训练方法和相关装置 | |
CN111881263A (zh) | 面向智能家居场景的服务推荐在线优化方法 | |
Hong et al. | Unsupervised feature selection using clustering ensembles and population based incremental learning algorithm | |
CN104598611B (zh) | 对搜索条目进行排序的方法及系统 | |
CN113934887B (zh) | 一种基于语义解耦的无提议时序语言定位方法 | |
CN108509573A (zh) | 基于矩阵分解协同过滤算法的图书推荐方法及系统 | |
CN111581520A (zh) | 基于会话中物品重要性的物品推荐方法和系统 | |
CN112182154A (zh) | 一种利用个人词向量消除关键词歧义的个性化搜索模型 | |
CN109727637B (zh) | 基于混合蛙跳算法识别关键蛋白质的方法 | |
Nunthanid et al. | Parameter-free motif discovery for time series data | |
CN113672720A (zh) | 一种基于知识图谱和语义相似度的电力审计问答方法 | |
CN116386899A (zh) | 基于图学习的药物疾病关联关系预测方法及相关设备 | |
CN111553140A (zh) | 数据处理方法、数据处理设备及计算机存储介质 | |
CN115292459A (zh) | 一种基于问答库的信息检索方法、问答系统及计算设备 | |
CN108509588B (zh) | 一种基于大数据的律师评估方法及推荐方法 | |
CN110795535A (zh) | 一种深度可分离卷积残差块的阅读理解方法 | |
CN113284627B (zh) | 基于患者表征学习的用药推荐方法 | |
CN110299194A (zh) | 基于综合特征表示与改进宽深度模型的相似病例推荐方法 | |
Bargellesi et al. | AutoSS: A deep learning-based soft sensor for handling time-series input data | |
CN115512721A (zh) | 基于pdan的跨库语音情感识别方法及装置 | |
Henri et al. | A deep transfer learning model for the identification of bird songs: A case study for Mauritius | |
CN113641789B (zh) | 基于分层融合多头注意力网络和卷积网络的观点检索方法及系统 | |
CN111611455A (zh) | 一种微博热点话题下基于用户情感行为特征的用户群体划分方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201103 |
|
RJ01 | Rejection of invention patent application after publication |