CN111930463A - 展示方法及装置 - Google Patents

展示方法及装置 Download PDF

Info

Publication number
CN111930463A
CN111930463A CN202011009319.2A CN202011009319A CN111930463A CN 111930463 A CN111930463 A CN 111930463A CN 202011009319 A CN202011009319 A CN 202011009319A CN 111930463 A CN111930463 A CN 111930463A
Authority
CN
China
Prior art keywords
node
nodes
target
network graph
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.)
Pending
Application number
CN202011009319.2A
Other languages
English (en)
Inventor
叶奋进
陈杨
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.)
Hangzhou Chengying Data Technology Co ltd
Original Assignee
Hangzhou Chengying Data Technology 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 Hangzhou Chengying Data Technology Co ltd filed Critical Hangzhou Chengying Data Technology Co ltd
Priority to CN202011009319.2A priority Critical patent/CN111930463A/zh
Publication of CN111930463A publication Critical patent/CN111930463A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书提供展示方法及装置，其中所述展示方法包括：基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，该关系网络图用于表征参考时间段内的每个参考时间单元中至少两个目标对象之间的关联关系，且以至少两个目标对象为节点；基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；基于每个节点的目标向量，为关系网络图构建对应的可视化关系图，该可视化关系图中每个参考时间单元内两个节点之间的距离表征至少两个目标对象之间的关联度。如此，可以更加清楚直观地展示出节点之间的关系，便于快速确定出目标团队，进而提高了工作效率。

Description

展示方法及装置
技术领域
本说明书涉及数据处理技术领域，特别涉及一种展示方法及装置。
背景技术
随着互联网技术的发展，现有数据均以大数据的形式存在，且有关联关系的目标对象的数据之间存在联系，但由于大数据规模大、多元化且数据之间联系复杂，因此，如何将目标对象之间的关联关系清楚地展示出来，以便从目标对象中确定目标团队成为亟需解决的问题。
现有技术中可以通过时间轴的方法将所有内容显示在同一个视图中，然后由工作人员通过肉眼比较各个时间段图结构的变化，进而确定图中是否存在目标团队。例如，基于数据分析系统的话单时序分析可以基于多个目标对象的通话记录，将多个目标对象的通话关系展示在图表中，工作人员需要对通话时间点，通话时长、通话规律等进行分析，以便确定多个目标对象中的目标团队。
但上述方式在视图中展示的是通话记录中各个维度的信息，且需要工作人员对各个维度的信息进行分析得出相关的规律，才能确定多个目标对象之间的联系，且在数据量非常多，时间跨度较大的时候，可视图中展示的信息多且杂，很难通过肉眼去分析相关的规律，导致很难快速确定出目标团队，降低工作效率。因此，需要更简单更便捷的方法进行展示的操作或者处理。
发明内容
有鉴于此，本说明书实施例提供了一种展示方法。本说明书同时涉及一种展示装置，一种计算设备，以及一种计算机可读存储介质，以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面，提供了一种展示方法，包括：
基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，所述关系网络图用于表征所述参考时间段内的每个参考时间单元中所述至少两个目标对象之间的关联关系，且以所述至少两个目标对象为节点；
基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；
基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，其中，所述可视化关系图中每个参考时间单元内两个节点之间的距离表征所述至少两个目标对象之间的关联度。
可选地，所述基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，包括：
基于参考关系网络图中的节点和任意两个节点间的关系，通过词向量模型确定所述参考关系网络图中的每个节点的词向量，所述参考关系网络图为所述关系网络图中任意一个参考时间单元对应的关系网络图；
基于所述参考关系网络图中的每个节点的词向量，通过降维算法将所述参考关系网络图中每个节点转换为目标向量。
可选地，所述基于参考关系网络图中的节点和任意两个节点间的关系，通过词向量模型确定所述参考关系网络图中的每个节点的词向量，包括：
基于所述参考关系网络图中的节点和任意两个节点间的关系，确定所述参考关系网络图中包括的目标路径，所述目标路径中包括至少两个节点；
将所述目标路径包含的节点同时输入所述词向量模型中，得到所述参考关系网络图中每个节点的词向量。
可选地，所述历史联系数据中包括所述至少两个目标对象之间的联系次数，所述构建关系网络图之后，还包括：
基于所述至少两个目标对象之间的联系次数，确定所述关系网络图中每条边的权重；
相应地，所述基于所述参考关系网络图中的节点和任意两个节点间的关系，确定所述参考关系网络图中包括的目标路径，包括：
基于所述参考关系网络图确定其中包含的多个子路径，其中，每个子路径由所述参考关系网络图中每条边的两个节点和所述两个节点的关联关系确定；
基于每条边的权重，确定所述多个子路径中每个子路径输入所述词向量模型的次数，得到所述多个子路径的输入次数；
基于所述多个子路径的输入次数，将所述多个子路径中包括关联节点的子路径确定为关联路径，以及将所述多个子路径中不包括关联节点的子路径确定为非关联路径，其中，每个关联路径包括至少一个关联节点，所述关联节点与至少两个不同的节点相连；
将所述关联路径和所述非关联路径确定为所述参考关系网络图中包括的目标路径。
可选地，所述基于所述参考关系网络图中的每个节点的词向量，通过降维算法将所述参考关系网络图中每个节点转换为目标向量，包括：
对所述参考关系网络图中的节点进行两两组对，得到多个节点组；
基于每个节点组中两个节点的词向量，确定每个节点组中两个节点的词向量之间的距离，得到距离矩阵，其中，每个节点组中的两个节点的词向量之间的距离越小，则两个节点的关联度越大；
将所述距离矩阵输入所述降维算法中，得到所述参考关系网络图中每个节点的目标向量。
可选地，所述基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，包括：
以节点的目标向量为第一坐标轴，以时间为第二坐标轴，确定每个节点在平面坐标系中的投影点，得到所述可视化关系图，其中，每个参考时间单元内的至少两个节点的投影点在所述第二坐标轴上的第二坐标相同。
可选地，所述基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图之前，还包括：
对每个节点的目标向量进行归一化处理，得到每个节点归一化处理后的目标向量；
相应地，所述基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，包括：
基于每个节点归一化处理后的目标向量，为所述关系网络图构建对应的可视化关系图。
可选地，若所述参考时间单元的数量大于一个，所述基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图之后，还包括：
将同一个节点在不同参考时间单元内的投影点相连。
可选地，所述基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，包括：
以所述至少两个目标对象为节点，得到至少两个节点；
基于所述至少两个目标对象在每个参考时间单元内的历史联系数据，将每个参考时间单元内所述至少两个节点中存在关联关系的节点相连，得到每个参考时间单元对应的关系网络图。
可选地，所述基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图之前，还包括：
获取所述至少两个目标对象在所述参考时间段内的历史联系数据。
根据本说明书实施例的第二方面，提供了一种展示装置，包括：
第一图构建模块，用于基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，所述关系网络图用于表征所述参考时间段内的每个参考时间单元中所述至少两个目标对象之间的关联关系，且以所述至少两个目标对象为节点；
转换模块，用于基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；
第二图构建模块，用于基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，其中，所述可视化关系图中每个参考时间单元内两个节点之间的距离表征所述至少两个目标对象之间的关联度。
根据本说明书实施例的第三方面，提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，所述关系网络图用于表征所述参考时间段内的每个参考时间单元中所述至少两个目标对象之间的关联关系，且以所述至少两个目标对象为节点；
基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；
基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，其中，所述可视化关系图中每个参考时间单元内两个节点之间的距离表征所述至少两个目标对象之间的关联度。
根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现所述展示方法的步骤。
本说明书提供的展示方法，基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，所述关系网络图用于表征所述参考时间段内的每个参考时间单元中所述至少两个目标对象之间的关联关系，且以所述至少两个目标对象为节点；基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，其中，所述可视化关系图中每个参考时间单元内两个节点之间的距离表征所述至少两个目标对象之间的关联度。本说明书实施例中将节点转换为目标向量在可视化关系图中展示出来，且在可视化关系图中通过两个节点之间的距离便可以表示两个目标对象之间的关联度的大小，更加清楚直观，便于计算机快速从节点中确定出目标团队，进而提高了工作效率。
附图说明
图1是本说明书一实施例提供的一种展示方法的流程图；
图2A是本说明书一实施例提供的一种关系网络图的示意图；
图2B是本说明书一实施例提供的另一种关系网络图的示意图；
图3是本说明书一实施例提供的另一种关系网络图的示意图；
图4是本说明书一实施例提供的一种可视化关系图的示意图；
图5是本说明书一实施例提供的另一种可视化关系图的示意图；
图6是本说明书一实施例提供的一种应用于目标团队挖掘的展示方法的处理流程图；
图7A是本说明书一实施例提供的另一种关系网络图的示意图；
图7B是本说明书一实施例提供的另一种关系网络图的示意图；
图8是本说明书一实施例提供的另一种可视化关系图的示意图；
图9是本说明书一实施例提供的一种另一种可视化关系图的示意图；
图10是本说明书一实施例提供的一种另一种可视化关系图的示意图；
图11是本说明书一实施例提供的一种展示方法的处理流程的示意图；
图12是本说明书一实施例提供的一种展示装置的结构示意图；
图13是本说明书一实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先，对本说明书一个或多个实施例涉及的名词术语进行解释。
词向量模型：在词典(语料库)中，会有很多句子，每个句子都是由单词组成，词向量模型将单词映射到一个词空间，每个词都用一个向量进行表示，词之间的相似性可通过向量间的距离进行衡量。
降维算法：指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中的算法。通过降维，可以方便数据可视化、数据分析、数据压缩、数据提取等。
在本说明书中，提供了一种展示方法，本说明书同时涉及一种展示装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。
图1示出了根据本说明书一实施例提供的一种展示方法的流程图，具体包括以下步骤：
步骤102：基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，关系网络图用于表征参考时间段内的每个参考时间单元中至少两个目标对象之间的关联关系，且以至少两个目标对象为节点。
其中，历史联系数据可以为通话记录、聊天记录、在同一个WIFI(WirelessFidelity，无线保真)网络下的上网记录等等。
其中，参考时间单元小于或等于参考时间段。例如，参考时间段可以为1月1日-1月10日，参考时间单元可以为1天。
例如，至少两个目标对象在参考时间段的历史联系数据可以为两个人在1月1日-1月10日内的通话记录。
在一些实施例中，基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图的具体实现可以包括：以至少两个目标对象为节点，得到至少两个节点；基于至少两个目标对象在每个参考时间单元内的历史联系数据，将每个参考时间单元内至少两个节点中存在关联关系的节点相连，得到每个参考时间单元对应的关系网络图。
也就是说，在构建关系网络图的时候，是针对参考时间单元构建的，一个参考时间单元对应一个关系网络图。对于任意一个参考时间单元的关系网络图，以至少两个目标对象为节点，基于至少两个目标对象在该参考时间单元内的历史联系数据，确定至少两个节点中存在关联关系的节点，将存在关联关系的节点通过边相连，则可以得到关系网络图。即关系网络图中任意两个节点之间是否存在相连的边，是根据该任意两个节点的历史联系数据确定的。若根据两个节点的历史联系数据确定两个节点之间存在关联关系，则两个节点之间存在边，否则两个节点之间不存在边。
作为一种示例，若历史联系数据为聊天记录，目标对象包括目标对象A、目标对象B、目标对象C和目标对象D，参考时间段包括四个参考时间单元，分别为参考时间单元a、参考时间单元b、参考时间单元c和参考时间单元d。参见图2A，图2A是基于一示例性实施例示出的参考时间单元a对应的一种关系网络图的示意图。在参考时间单元a内，目标对象A与目标对象B有聊天记录，且与目标对象C有聊天记录；目标对象B与目标对象A有聊天记录，与目标对象C有聊天记录，且与目标对象D有聊天记录；目标对象C与目标对象A有聊天记录，与目标对象B有聊天记录，且与目标对象D有聊天记录；目标对象D与目标对象B有聊天记录，且与目标对象C有聊天记录。如此，可以确定参考时间单元a对应的关系网络图中包括目标对象A对应的节点A、目标对象B对应的节点B、目标对象C对应的节点C和目标对象D对应的节点D这四个节点，且这四个节点中节点A与节点B之间存在边、节点A与节点C之间存在边、节点B与节点C之间存在边、节点B与节点D之间存在边、且节点C与节点D之间存在边，由于目标对象A在参考时间单元a内与目标对象D没有聊天记录，则节点A与节点D之间不存在边，可以得到图2A。
继续上述举例，在参考时间单元b内，目标对象A、目标对象B、目标对象C和目标对象D的聊天记录与在参考时间单元a内的聊天记录相同，因此，参考时间单元b对应的关系网络图与图2A是相同的。
继续上述举例，参见图2B，图2B是基于一示例性实施例示出的参考时间单元c对应的一种关系网络图的示意图。在参考时间单元c内，目标对象A与目标对象B、目标对象C、以及目标对象D均有聊天记录；目标对象B与目标对象A、目标对象C、以及目标对象D均有聊天记录；目标对象C与目标对象A、目标对象B、以及目标对象D有聊天记录；目标对象D与目标对象A、目标对象B、以及目标对象C均有聊天记录。如此，可以确定参考时间单元c对应的关系网络图中包括目标对象A对应的节点A、目标对象B对应的节点B、目标对象C对应的节点C和目标对象D对应的节点D这四个节点，且这四个节点中节点A与节点B之间存在边、节点A与节点C之间存在边、节点A与节点D之间存在边、节点B与节点C之间存在边、节点B与节点D之间存在边、且节点C与节点D之间存在边，可以得到图2B。
继续上述举例，在参考时间单元d内，目标对象A、目标对象B、目标对象C和目标对象D的聊天记录与在参考时间单元c内的聊天记录相同，因此，参考时间单元d对应的关系网络图与图2B是相同的。
在另一些实施例中，历史联系数据可以包括目标对象的联系信息。其中，若历史联系数据为通话记录，联系信息可以为目标对象的电话号码，若历史联系数据为聊天记录，联系信息可以为聊天账号等。在这种情况下，基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图的具体实现可以包括：将至少两个目标对象的联系信息作为关系网络图中的节点，得到多个节点，根据每个参考时间单元内的历史联系数据，将每个参考时间单元内至少两个节点中存在关联关系的节点相连，得到每个参考时间单元对应的关系网络图。
也就是说，可以根据至少两个目标对象的历史联系数据中包括的联系信息确定关系网络图的节点，以及根据至少两个目标对象的联系信息之间的关联关系，确定多个节点中存在关联关系的节点，并将存在关联关系的节点相连，可以得到关系网络图。
通过上述方式构建参考时间段内每个参考时间单元对应的关系网络图，可以将至少两个目标对象在每个参考时间单元内的关联关系通过图的形式展示出来，比原始的历史联系数据更加直观。
进一步地，基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图之前还包括：获取至少两个目标对象在参考时间段内的历史联系数据。
作为一种示例，计算设备可以在自身的数据库中存储有多个目标对象的历史联系数据，如此，可以直接从数据库中获取至少两个目标对象的历史联系数据。
作为另一种示例，计算设备自身没有存储多个目标对象的历史联系数据，可以从其他存储有该信息的计算设备中获取至少两个目标对象的历史联系数据。
示例性地，在安防领域，若不确定某些目标对象是否是异常目标对象，可以获取这些目标对象的历史联系数据。
步骤104：基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量。
在一个关系网络图中一个节点对应一个目标向量，该目标向量与其他目标向量的相似度可以用于表示该节点与其他节点在一个参考时间单元内的关联度，且相似度越高，表示关联度越高，关系越亲密，相似度越低，表示关联度越低，关系越疏远。
另外，在不同的关系网络图中，一个节点可以对应多个目标向量，且一个节点对应的目标向量的数量与关系网络图的数量是相同的。
由于通过关系网络图展示的目标对象之间的关联关系仍然比较复杂，因此，可以将每个节点转换为目标向量。
在实施中，基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量的具体实现可以包括：基于参考关系网络图中的节点和任意两个节点间的关系，通过词向量模型确定参考关系网络图中的每个节点的词向量，该参考关系网络图为该关系网络图中任意一个参考时间单元对应的关系网络图。基于参考关系网络图中的每个节点的词向量，通过降维算法将参考关系网络图中每个节点转换为目标向量。
其中，词向量模型可以为word2vec模型、ELMo(Embeddings from LanguageModels，语言模型的嵌入)等。
其中，降维算法可以为MDS(Multi-dimensional Scaling，多维标度测量)算法、PCA(Principal ComponentAnalysis，主成成分分析)算法等。
也就是说，对于每个参考时间单元对应的关系网络图，可以通过词向量模型确定关系网络图中每个节点的词向量，并基于每个节点的词向量通过降维算法确定每个节点的目标向量。
上述方式是以参考关系网络图为例，说明通过词向量模型和降维算法确定每个节点的目标向量，但本领域技术人员应当了解，对于每个关系网络图均可以采取上述方式确定节点的目标向量。
在实施中，基于参考关系网络图中的节点和任意两个节点间的关系，通过词向量模型确定参考关系网络图中的每个节点的词向量的具体实现可以包括如下几个步骤：
(1)基于参考关系网络图中的节点和任意两个节点间的关系，确定该参考关系网络图中包括的目标路径，该目标路径中包括至少两个节点。
也就是说，对于参考关系网络图，可以基于参考关系网络图中的节点和节点之间的边，确定该参考关系网络图中的全部路径，得到目标路径。
在一些实施例中，历史联系数据中可以包括至少两个目标对象之间的联系次数，构建关系网络图之后，还可以基于至少两个目标对象之间的联系次数，确定关系网络图中每条边的权重。
作为一种示例，对于任意两个存在关联关系的目标对象，可以将该两个目标对象的联系次数确定为该两个目标对象对应的节点之间的边的权重。
示例性地，若历史联系数据为聊天记录，目标对象包括目标对象A、目标对象B、目标对象C和目标对象D，参考时间段包括四个参考时间单元，分别为参考时间单元a、参考时间单元b、参考时间单元c和参考时间单元d。参见图2A，图2A是基于一示例性实施例示出的参考时间单元a对应的一种关系网络图的示意图。在参考时间单元a内，目标对象A与目标对象B聊天两次，与目标对象C聊天一次；目标对象B与目标对象A聊天两次，与目标对象C聊天一次，与目标对象D聊天两次；目标对象C与目标对象A聊天一次，与目标对象B聊天一次，与目标对象D聊天三次；目标对象D与目标对象B聊天两次，与目标对象C聊天三次。如此，可以确定节点A与节点B之间的边的权重为2，节点A与节点C之间的边的权重为1，节点B与节点C之间的边的权重为1，节点B与节点D之间的边的权重为2，节点C与节点D之间的边的权重为3。
继续上述示例，在参考时间单元b内，目标对象A、目标对象B、目标对象C和目标对象D的聊天记录与在参考时间单元a内的聊天记录相同，彼此之间的聊天次数也相同，因此，参考时间单元b对应的关系网络图的示意图与图2A是相同的。
继续上述示例，参见图2B，图2B是基于一示例性实施例示出的参考时间单元c对应的一种关系网络图的示意图。在参考时间单元c内，目标对象A与目标对象B聊天两次，与目标对象C聊天两次，与目标对象D聊天两次；目标对象B与目标对象A聊天两次，与目标对象C聊天两次，与目标对象D聊天两次；目标对象C与目标对象A聊天一次，与目标对象B聊天两次，与目标对象D聊天两次；目标对象D与目标对象A聊天两次，与目标对象B聊天两次，与目标对象C聊天两次。如此，可以确定节点A与节点B之间的边的权重为2，节点A与节点C之间的边的权重为2，节点A与节点D之间的边的权重为2，节点B与节点C之间的边的权重为2，节点B与节点D之间的边的权重为2，节点C与节点D之间的边的权重为2。
继续上述示例，在参考时间单元d内，目标对象A、目标对象B、目标对象C和目标对象D的聊天记录与在参考时间单元c内的聊天记录相同，彼此之间的聊天次数也相同，因此，参考时间单元d对应的关系网络图的示意图与图2B是相同的。
作为另一种示例，可以预先设置联系次数与权重之间的转换系数，如此便可以根据联系次数与转换系数确定联系次数对应的边的权重。
示例性地，若历史联系数据为聊天记录，目标对象包括目标对象A、目标对象B、目标对象C和目标对象D。参见图3，图3是基于上述示例示出的另一种关系网络图的示意图。在参考时间单元a内，目标对象A与目标对象B聊天两次，与目标对象C聊天一次；目标对象B与目标对象A聊天两次，与目标对象C聊天一次，与目标对象D聊天两次；目标对象C与目标对象A聊天一次，与目标对象B聊天一次，与目标对象D聊天三次；目标对象D与目标对象B聊天两次，与目标对象C聊天三次。假设转换系数为0.1，可以确定节点A与节点B之间的边的权重为0.2，节点A与节点C之间的边的权重为0.1，节点B与节点C之间的边的权重为0.1，节点B与节点D之间的边的权重为0.2，节点C与节点D之间的边的权重为0.3。
在实施中，若关系网络图中包括每条边的权重，基于参考关系网络图中的节点和任意两个节点间的关系，确定参考关系网络图中包括的目标路径的具体实现可以包括：基于参考关系网络图确定其中包含的多个子路径，其中，每个子路径由该参考关系网络图中每条边的两个节点和该两个节点的关联关系确定。基于每条边的权重，确定多个子路径中每个子路径输入词向量模型的次数，得到多个子路径的输入次数。基于多个子路径的输入次数，将多个子路径中包括关联节点的子路径确定为关联路径，以及将多个子路径中不包括关联节点的子路径确定为非关联路径，其中，每个关联路径包括至少一个关联节点，且关联节点与至少两个不同的节点相连。将关联路径和非关联路径确定为参考关系网络图中包括的目标路径。
也就是说，可以先基于关系网络图确定多个子路径，且每个子路径包括两个节点，每个子路径对应一条边。将每条边的权重确定为对应的每个子路径输入词向量模型的次数，得到多个子路径的输入次数。基于多个子路径的输入次数，将多个子路径中包括关联节点的子路径进行合并，确定为关联路径，并将多个子路径中不包括关联节点的子路径确定为非关联路径，将关联路径和非关联路径确定为目标路径。
作为一种示例，对于任意两个路径来说，包括关联路径指的是该任意两个路径中包括重复的节点，且该重复的节点为关联节点。例如，参见图2A，子路径A-B和子路径B-C中包括重复的节点B，则节点B为关联路径。
示例性地，参见图2A，从图2A中可以确定多个子路径，包括A-B、B-C、C-D、A-C和B-D，且节点A与节点B之间的边的权重为2，节点A与节点C之间的边的权重为1，节点B与节点C之间的边的权重为1，节点B与节点D之间的边的权重为2，节点C与节点D之间的边的权重为3。如此，可以确定子路径A-B需要输入词向量模型中2次，子路径B-C需要输入词向量模型中1次，子路径C-D需要输入词向量模型中3次，子路径A-C需要输入词向量模型中1次，子路径B-D需要输入词向量模型中2次，可以认为子路径A-B包括2条，子路径B-C包括1条，子路径C-D包括3条，子路径A-C包括1条，子路径B-D包括2条。A-B、B-C和C-D存在关联节点B和C，可以合并得到关联路径A-B-C-D；此时，子路径A-B还包括1条，子路径C-D还包括2条，子路径A-C还包括1条，子路径B-D还包括2条，A-B、A-C和C-D中存在关联节点A和C，可以合并得到关联路径B-A-C-D；此时，子路径C-D还包括1条，子路径B-D还包括2条，C-D和B-D中存在关联节点D，可以合并得到关联路径B-D-C；此时，子路径B-D还包括1条，可以确定非关联路径B-D。通过上述方式，可以得到三条关联路径A-B-C-D、B-A-C-D和B-D-C，以及一条非关联路径B-D，可以将A-B-C-D、B-A-C-D、B-D-C和B-D确定为图2A对应的关系网络图包括的目标路径。
(2)将目标路径包含的节点同时输入词向量模型中，得到该参考关系网络图中每个节点的词向量。
在实施中，由于每个目标路径包括至少两个节点，以及该至少两个节点之间的关联关系，且词向量模型是基于目标路径中节点之间的关联关系确定各个节点的词向量，因此，需要将每个目标路径包括的节点同时输入词向量模型中，可以得到多个目标路径中每个节点的词向量，且多个目标路径中的同一个节点对应同一个词向量。另外，由于词向量模型是基于目标路径中节点之间的关联关系确定目标路径中各个节点的词向量，因此，若两个节点同时输入词向量模型的次数越多，两个节点的词向量之间的距离可能越小，即两个节点对应的目标对象之间的关联度越高。
示例性地，参见图2A，图2A对应的关系网络图包括的目标路径有A-B-C-D、B-A-C-D、B-D-C和B-D，假设将A-B-C-D、B-A-C-D、B-D-C和B-D输入词向量模型中，可以分别得到节点A、节点B、节点C和节点D的词向量。
确定参考关系网络图中每个节点的词向量后，可以基于每个节点的词向量，确定每个节点的目标向量。
在实施中，基于参考关系网络图中的每个节点的词向量，通过降维算法将参考关系网络图中每个节点转换为目标向量的具体实现可以包括：对参考关系网络图中的节点进行两两组对，得到多个节点组；基于每个节点组中两个节点的词向量，确定每个节点组中两个节点的词向量之间的距离，得到距离矩阵，其中，每个节点组中的两个节点的词向量之间的距离越小，则两个节点的关联度越大；将距离矩阵输入降维算法中，可以得到参考关系网络图中每个节点的目标向量。
需要说明的是，两个节点的词向量之间的距离可以为欧式距离、正弦距离、余弦距离、马氏距离、曼哈顿距离等，本说明书实施例对此不做限定。
也就是说，可以确定参考关系网络图中每个节点与其他节点的词向量之间的距离，以距离矩阵的形式表示，并将距离矩阵输入降维算法中，可以输出每个节点的目标向量。
作为一种示例，参见图2A，图2A中包括4个节点，进行两两组对可以得到AB、AC、AD、BC、BD和CD，可以基于A、B、C、D的词向量，确定节点A的词向量和节点B的词向量之间的距离、节点A的词向量和节点C的词向量之间的距离、节点A的词向量和节点D的词向量之间的距离、节点B的词向量和节点C的词向量之间的距离、节点B的词向量和节点D的词向量之间的距离、节点C的词向量和节点D的词向量之间的距离。假设AB对应的距离为d1，AC对应的距离为d2，AD对应的距离为d3，BC对应的距离为d4，BD对应的距离为d5，CD对应的距离为d6。将得到的多个距离以矩阵的形式可以表示为
Figure BDA0002697048020000191
作为一种示例，将该距离矩阵输入降维算法后，降维算法可以输入每个节点的目标向量，该目标向量可以为一维向量。
需要说明的是，对于每个关系网络图均进行上述操作后，可以确定每个节点在不同的关系网络图中对应的目标向量。
步骤106：基于每个节点的目标向量，为关系网络图构建对应的可视化关系图，其中，可视化关系图中每个参考时间单元内两个节点之间的距离表征至少两个目标对象之间的关联度。
也就是说，根据每个节点的目标向量，可以构建可视化关系图，相较于关系网络图，可视化关系图中节点之间没有连线，且在可视化关系图中，可以直接通过两个节点之间的距离表征两个目标对象之间的关联度，更加清楚直观，可以加快确定目标团队的效率。
在实施中，基于每个节点的目标向量，为关系网络图构建对应的可视化关系图的具体实现可以包括：以节点的目标向量为第一坐标轴，以时间为第二坐标轴，确定每个节点在平面坐标系中的投影点，得到可视化关系图，其中，每个参考时间单元内的至少两个节点的投影点在第二坐标轴上的第二坐标相同。
其中，第一坐标轴可以为纵轴，第二坐标轴可以为横轴。
作为一种示例，由于每个节点在不同的参考时间单元对应的关系网络图中确定的目标向量是不同的，可以将每个节点的目标向量作为其在平面坐标系中的纵坐标，将每个节点的目标向量对应的参考时间单元作为其在平面坐标系中的横坐标，可以确定每个节点在平面坐标系中的投影点，并且同一个参考时间单元内的至少两个节点的投影点在第二坐标轴上的第二坐标相同。
示例性地，参见图4，图4是根据一示例性实施例示出的一种可视化关系图的示意图。假设目标对象包括目标对象A、目标对象B、目标对象C和目标对象D，参考时间段包括四个参考时间单元，分别为参考时间单元a、参考时间单元b、参考时间单元c和参考时间单元d，则可视化关系图中包括四个目标对象在四个参考时间单元的投影点。
继续参见图4，在参考时间单元a中，目标对象A的纵坐标为x8，目标对象B的纵坐标为x7，目标对象C的纵坐标为x2，目标对象D的纵坐标为x1，且目标对象A与目标对象B的距离为d1，目标对象A与目标对象C的距离为d2，目标对象A与目标对象D的距离为d3，目标对象B与目标对象C的距离为d4，目标对象B与目标对象D的距离为d5，目标对象C与目标对象D的距离为d6。对于目标对象A来说，d1<d2<d3，说明目标对象A与目标对象B的关联度较高，关系更加亲密；对于目标对象B来说，d1<d4<d5，说明目标对象B与目标对象A的关联度较高，关系更加亲密；对于目标对象C来说，d6<d4<d2，说明目标对象C与目标对象D的关联度较高，关系比较亲密；对于目标对象D，d6<d5<d3，说明目标对象D与目标对象C的关联度较高，关系比较亲密，可以认为在参考时间单元a内，目标对象A和目标对象B可能属于同一个目标团队，目标对象C和目标对象D可能属于同一个目标团队。在参考时间单元b中，目标对象A、B、C、D之间的关系未发生变化，仍然是目标对象A和目标对象B可能属于同一个目标团队，目标对象C和目标对象D可能属于同一个目标团队。
继续参见图4，同理可以看出，在参考时间单元c中，目标对象A的纵坐标为x6，目标对象B的纵坐标为x5，目标对象C的纵坐标为x4，目标对象D的纵坐标为x3，且目标对象A与目标对象B之间的距离较近，目标对象B与目标对象C之间的距离较近，且目标对象C与目标对象D之间的距离较近，可以认为在参考时间单元c内，两个目标团队聚集在一起，即目标对象A、目标对象B、目标对象C和目标对象D可能属于同一个目标团队。在参考时间单元d中，目标对象A、B、C、D之间的关系未发生变化，仍然是目标对象A、目标对象B、目标对象C和目标对象D可能属于同一个目标团队。
进一步地，基于每个节点的目标向量，为关系网络图构建对应的可视化关系图之前，还可以对每个节点的目标向量进行归一化处理，得到每个节点归一化处理后的目标向量。在该种情况下，基于每个节点的目标向量，为关系网络图构建对应的可视化关系图的具体实现可以包括：基于每个节点归一化处理后的目标向量，为关系网络图构建对应的可视化关系图。
也就是说，可以对目标向量进行归一化处理，使得所有目标向量处于同一量级下，基于每个节点归一化处理后的目标向量构建可视化关系图。
由于在不同量级下直接构建可视化关系图时，确定的投影点之间的距离可能不准确，无法准确地表示两个节点之间的关联度，因此，需要将目标向量进行归一化处理，得到的可视化关系图可以更直观准确地展示节点之间的关联度。
进一步地，若参考时间单元的数量大于一个，基于每个节点的目标向量，为关系网络图构建对应的可视化关系图之后，还可以将同一个节点在不同参考时间单元内的投影点相连。
也就是说，构建可视化关系图之后，可以将同一个节点在不同参考时间单元的投影点相连，以便于追溯同一个节点的团队关系的变化情况。
进一步地，还可以通过河流图丰富可视化关系图。例如，参见图5，图5是不同年份两个不同的目标团队的变化，在b点处，目标团队B中的一部分目标对象到了目标团队A中，在a点处目标团队A的一部分目标对象到了目标团队B中。
本说明书提供的展示方法，基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，所述关系网络图用于表征所述参考时间段内的每个参考时间单元中所述至少两个目标对象之间的关联关系，且以所述至少两个目标对象为节点；基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，其中，所述可视化关系图中每个参考时间单元内两个节点之间的距离表征所述至少两个目标对象之间的关联度。本说明书实施例中将节点转换为目标向量在可视化关系图中展示出来，且在可视化关系图中通过两个节点之间的距离便可以表示两个目标对象之间的关联度的大小，更加清楚直观，便于计算机快速从节点中确定出目标团队，进而提高工作效率。
下述结合附图6，以本说明书提供的展示方法在目标团队挖掘中的应用为例，对所述展示方法进行进一步说明。其中，图6示出了本说明书一实施例提供的一种应用于目标团队挖掘的展示方法的处理流程图，具体包括以下步骤：
步骤602：获取至少两个目标对象在参考时间段内的通话记录。
需要说明的是，图6对应的实施例是以历史联系数据为通话记录为例对本说明书提出的展示方法进行说明。
作为一种示例，参考时间段包括多个参考时间单元。例如，参考时间段为10月1日-10月10日这10天，参考时间单元可以为10月1日-10月10日这10天中任意一天。
在安防领域，若不确定某些目标对象是否是异常目标对象，可以获取这些目标对象在一段时间内的通话记录，以便通过通话记录进行目标团队挖掘。
步骤604：基于至少两个目标对象在参考时间段的通话记录，构建关系网络图。
其中，该关系网络图用于表征该参考时间段内的每个参考时间单元中该至少两个目标对象之间的关联关系，且以至少两个目标对象为节点。
在实施中，本步骤的具体实现可以包括：以该至少两个目标对象为节点，得到至少两个节点。基于至少两个目标对象在每个参考时间单元内的通话记录，将每个参考时间单元内至少两个节点中存在关联关系的节点相连，得到每个参考时间单元对应的关系网络图。
作为一种示例，目标对象可以为人，参考时间段可以包括四个参考时间单元，且每个参考时间单元可以为1天。
示例性地，参见图7A，图7A是基于一示例性实施例示出的一种关系网络图的示意图。假设在10月1号，人员A的通话记录中有人员B，人员B的通话记录中有人员A、人员C和人员D，人员C的通话记录中有人员B和人员D，人员D的通话记录中有人员B和人员C，可以确定10月1号对应的关系网络图中包括人员A对应的节点A，人员B对应的节点B和人员C对应的节点C和人员D对应的节点D，且可以确定节点A与节点B之间有边，节点B与节点C之间有边，节点D和节点B之间有边，节点D和节点C之间有边，可以得到图7A。
示例性地，假设在10月2号，人员A、人员B、人员C和人员D的聊天记录与在10月1号的聊天记录相同，因此，10月2号对应的关系网络图与图7A是相同的。
示例性地，参见图7B，图7B是基于一示例性实施例示出的另一种关系网络图的示意图。假设在10月3号，人员A的通话记录中有人员B和人员C，人员B的通话记录中有人员A、人员C和人员D，人员C的通话记录中有人员A、人员B和人员D，人员D的通话记录中有人员B和人员C，可以确定10月3号对应的关系网络图中包括人员A对应的节点A，人员B对应的节点B和人员C对应的节点C和人员D对应的节点D，且可以确定节点A与节点B之间有边，节点A和节点C之间有边，节点B与节点C之间有边，节点D和节点B之间有边，节点D和节点C之间有边，可以得到图7B。
示例性地，假设在10月4号，人员A、人员B、人员C和人员D的聊天记录与在10月3号的聊天记录相同，因此，10月4号对应的关系网络图与图7B是相同的。
步骤606：基于参考关系网络图中的节点和任意两个节点间的关系，确定参考关系网络图中包括的目标路径，该目标路径中包括至少两个节点。
在一些实施例中，通话记录中可以包括至少两个目标对象之间的通话次数，构建关系网络图之后，还可以基于至少两个目标对象之间的通话次数，确定关系网络图中每条边的权重。
作为一种示例，对于任意两个存在关联关系的目标对象，可以将该两个目标对象的通话次数确定为该两个目标对象对应的节点之间的边的权重。
示例性地，参见图7A，图7A是基于一示例性实施例示出的一种关系网络图的示意图。假设在10月1号，人员A和人员B通话三次，人员B和人员C通话三次，人员B和人员D通话一次，人员C和人员D通话一次。则在图7A中，节点A和节点B之间的边的权重可以为3，节点B和节点C之间的边的权重可以为3，节点B和节点D之间的边的权重可以为1，节点C和节点D之间的边的权重可以为2。
示例性地，参见图7B，图7B是基于一示例性实施例示出的一种关系网络图的示意图。假设在10月3号，人员A和人员B通话两次，人员A和人员C通话一次、人员B和人员C通话一次，人员B和人员D通话两次，人员C和人员D通话三次。则在图7B中，节点A和节点B之间的边的权重可以为2，节点A和节点C之间的边的权重可以为1，节点B和节点C之间的边的权重可以为1，节点B和节点D之间的边的权重可以为2，节点C和节点D之间的边的权重可以为3。
在实施中，若关系网络图中包括每条边的权重，基于参考关系网络图中的节点和任意两个节点间的关系，确定参考关系网络图中包括的目标路径的具体实现可以包括：基于参考关系网络图确定其中包含的多个子路径，其中，每个子路径由该参考关系网络图中每条边的两个节点和该两个节点的关联关系确定。基于每条边的权重，确定多个子路径中每个子路径输入词向量模型的次数，得到该多个子路径的输入次数。基于该多个子路径的输入次数，将该多个子路径中包括关联节点的子路径确定为关联路径，以及将该多个子路径中不包括关联节点的子路径确定为非关联路径，其中，每个关联路径包括至少一个关联节点，关联节点与至少两个不同的节点相连。将关联路径和非关联路径确定为参考关系网络图中包括的目标路径。
也就是说，可以先确定多个子路径，且每个子路径包括两个节点，每个子路径对应一条边。将每条边的权重确定为对应的每个子路径输入词向量模型的次数，得到多个子路径的输入次数。基于多个子路径的输入次数，将多个子路径中包括关联节点的子路径进行合并，确定为关联路径，并将多个子路径中不包括关联节点的子路径确定为非关联路径，将关联路径和非关联路径确定为目标路径。
示例性地，参见图7A，从图7A中可以确定四个子路径，包括A-B、B-C、B-D和C-D，且节点A和节点B之间的边的权重为3，节点B和节点C之间的边的权重为3，节点B和节点D之间的边的权重为1，节点C和节点D之间的边的权重为2。如此，可以确定子路径A-B需要输入word2vec模型中3次，子路径B-C需要输入word2vec模型中3次，子路径B-D需要输入word2vec模型中1次，子路径C-D需要输入word2vec模型中2次，可以认为子路径A-B包括3条，子路径B-C包括3条，子路径B-D包括1条，子路径C-D包括2条。子路径A-B、B-C和C-D存在关联节点B、C和D，可以合并得到关联路径A-B-C-D；此时，子路径A-B包括2条，子路径B-C包括2条，子路径B-D包括1条，子路径B-D包括1条，子路径A-B、C-D和B-D存在关联节点B和D，可以合并得到关联路径A-B-D-C；此时，子路径A-B包括1条，子路径B-C包括2条，子路径A-B和B-C存在关联节点B，可以合并得到关联路径A-B-C；此时，子路径B-C包括1条，可以得到非关联路径B-C。如此，可以得到关联路径A-B-C-D、A-B-D-C和A-B-C，以及非关联路径B-C，可以将A-B-C-D、A-B-D-C、A-B-C和B-C确定为图7A对应的关系网络图包括的目标路径。
步骤608：将目标路径包含的节点同时输入词向量模型中，得到参考关系网络图中每个节点的词向量。
若词向量模型为word2vec模型，对于参考关系网络图，可以基于参考关系网络图中的节点和节点之间的边，确定该参考关系网络图中的全部路径，得到目标路径。由于word2vec模型是基于目标路径中节点之间的连接关系确定各个节点的词向量，因此，需要将每个目标路径包括的节点同时输入word2vec模型中，可以得到多个目标路径中每个节点的词向量。
示例性地，若确定的目标路径为A-B-C-D、A-B-D-C、A-B-C和B-C，可以将A-B-C-D、A-B-D-C、A-B-C和B-C输入word2vec模型中，可以分别得到节点A、节点B、节点C和节点D的词向量。
需要说明的是，若关系网络图中节点的数量较少，得到的目标路径也较少，可以将目标路径多次输入词向量模型中，以便模型可以输出更加准确的词向量。
需要说明的是，上述步骤606和步骤608是对基于参考关系网络图中的节点和任意两个节点间的关系，通过词向量模型确定参考关系网络图中的每个节点的词向量进行细化的两个子步骤。另外，上述步骤606-步骤608仅是以参考关系网络图为例对确定每个节点的词向量的过程进行描述，本领域技术人员应当了解，对于步骤604确定的每个参考时间单元对应的关系网络图均可以采用上述步骤606-步骤608的方式确定节点的词向量。
步骤610：基于参考关系网络图中的每个节点的词向量，确定该参考关系网络图对应的距离矩阵。
在实施中，本步骤的具体实现可以包括：对参考关系网络图中的节点进行两两组对，得到多个节点组。基于每个节点组中两个节点的词向量，确定每个节点组中两个节点的词向量之间的距离，得到距离矩阵，其中，每个节点组中的两个节点的词向量之间的距离越小，则两个节点的关联度越大。
也就是说，可以确定参考关系网络图中每个节点与其他节点的词向量之间的距离，并以距离矩阵的形式进行表示。并且，两个节点的词向量之间的距离越小，则这两个节点对应的目标对象之间的关联度越大，两个节点的词向量之间的距离越大，则这两个节点对应的目标对象之间的关联度越小。
作为一种示例，若距离为欧氏距离，参见图7A，图7A中包括4个节点，进行两两组对可以得到AB、AC、AD、BC、BD和CD，可以基于A、B、C、D的词向量，确定节点A的词向量和节点B的词向量之间的欧氏距离、节点A的词向量和节点C的词向量之间的欧氏距离、节点A的词向量和节点D的词向量之间的欧氏距离、节点B的词向量和节点C的词向量之间的欧氏距离、节点B的词向量和节点D的词向量之间的欧氏距离、节点C的词向量和节点D的词向量之间的欧氏距离。假设AB对应的欧氏距离为d10，AC对应的欧氏距离为d20，AD对应的欧氏距离为d30，BC对应的欧氏距离为d40，BD对应的欧氏距离为d50，CD对应的欧氏距离为d60。将得到的多个欧氏距离以矩阵的形式可以表示为
Figure BDA0002697048020000281
步骤612：将距离矩阵输入降维算法中，可以得到参考关系网络图中每个节点的目标向量。
作为一种示例，若降维算法为MDS算法，得到的距离矩阵为步骤610一种示例中的距离矩阵，可以将该距离矩阵输入MDS算法中，MDS算法可以输出节点A、节点B、节点C的和节点D的目标向量。
需要说明的是，上述步骤610和612是对基于参考关系网络图中的每个节点的词向量，通过降维算法将参考关系网络图中每个节点转换为目标向量进行细化的两个子步骤。另外，上述步骤610-步骤612仅是以参考关系网络图为例对确定节点目标向量的过程进行描述，对于步骤604确定的每个参考时间单元对应的关系网络图均可以采用上述步骤610-步骤612的方式确定节点的目标向量。
步骤614：基于每个节点的目标向量，为关系网络图构建对应的可视化关系图。
其中，该可视化关系图中每个参考时间单元内两个节点之间的距离表征至少两个目标对象之间的关联度。
在实施中，可以以节点的目标向量为纵轴，以时间为横轴，确定每个节点在平面坐标系中的投影点，得到可视化关系图，其中，每个参考时间单元内的至少两个节点的投影点在第二坐标轴上的第二坐标相同。
示例性地，参见图8，图8是根据一示例性实施例示出的另一种可视化关系图的示意图。假设参考时间段包括四天，分别为10月1号、10月2号、10月3号和10月4号，目标对象包括人员A、人员B、人员C和人员D，则可视化关系图中包括四个人员在四天的投影点。
继续参见图8，在10月1号，人员A的纵坐标为x80，人员B的纵坐标为x70，人员C的纵坐标为x60，人员D的纵坐标为x10，且人员A与人员B的距离为d10，人员A与人员C的距离为d20，人员A与人员D的距离为d30，人员B与人员C的距离为d40，人员B与人员D的距离为d50，人员C与人员D的距离为d60，对于人员A来说，d10<d20<d30，说明人员A与人员B的关联度较高，关系更加亲密；对于人员B来说，d10<d40<d50，说明人员B与人员A的关联度较高，关系更加亲密；对于人员C来说，d40<d30<d60，说明人员C与人员B的关联度较高，关系比较亲密；对于人员D，d60<d50<d30，说明人员D与人员C的关联度相对较高，但人员D与人员C的关联度不如人员C与其他人员的关联度高，可以认为在10月1号，人员A、人员B和人员C可能属于同一个目标团队。在10月2号，人员A、B、C、D之间的关系未发生变化，仍然是人员A、人员B和人员C可能属于同一个目标团队。
继续参见图8，同理可以看出，在10月3号，人员A的纵坐标为x80，人员B的纵坐标为x70，人员C的纵坐标为x60，人员D的纵坐标为x10，且人员A与人员B的距离较近，说明人员A与人员B的关联度更高，人员C与人员D的距离较近，说明人员C与人员D的关联度更高，可以认为在10月3号，人员C可能从原来的目标团队中转移至与人员D属于同一个目标团队，此时，人员A与人员B可能属于同一个目标团队，人员C和人员D可能属于同一个目标团队。在10月4号，人员A、B、C、D之间的关系未发生变化，仍然是人员A与人员B可能属于同一个目标团队，人员C和人员D可能属于同一个目标团队。
进一步地，基于每个节点的目标向量，为关系网络图构建对应的可视化关系图之前，还可以对每个节点的目标向量进行归一化处理，得到每个节点归一化处理后的目标向量，基于每个节点归一化处理后的目标向量，为关系网络图构建对应的可视化关系图。
进一步地，若参考时间单元的数量大于一个，基于每个节点的目标向量，为关系网络图构建对应的可视化关系图之后，还可以将同一个节点在不同参考时间单元内的投影点相连。
也就是说，可以将每个节点在不同时间单元的投影点相连，可以看出每个节点在目标团队中的变化情况。
示例性地，参见图8，在10月3号，人员C从ABC这个目标团队中转移至和人员D属于同一个目标团队。
示例性地，参见图9，在9月1号和9月2号，人员A的纵坐标为x61，人员B的纵坐标为x51，人员C的纵坐标为x41，人员D的纵坐标为x31，从图中的距离来看，人员A、人员B、人员C和人员D彼此之间的距离较近，说明ABCD可能属于同一个目标团队；在9月3号和9月4号，人员A的纵坐标为x61，人员B的纵坐标为x51，人员C的纵坐标为x21，人员D的纵坐标为x11，从图中的距离来看，人员A和人员B之间的距离更近，人员C和人员D之间的距离更近，则说明人员A和人员B可能属于一个目标团队，人员C和人员D可能属于一个目标团队。
示例性地，参见图10，在8月1号-8月4号这4天时间里，人员A的纵坐标为x62，人员B的纵坐标为x52，人员C的纵坐标为x32，人员D的纵坐标为x12，从图中的距离来看，人员A和人员B之间的距离一直较近，且人员C与其他人员之间的距离较远，人员D与其他人员之间的距离较远，则人员A和人员B可能属于一个目标团队。
本说明书提供的展示方法，基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，所述关系网络图用于表征所述参考时间段内的每个参考时间单元中所述至少两个目标对象之间的关联关系，且以所述至少两个目标对象为节点；基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，其中，所述可视化关系图中每个参考时间单元内两个节点之间的距离表征所述至少两个目标对象之间的关联度。本说明书实施例中将节点转换为目标向量在可视化关系图中展示出来，且在可视化关系图中通过两个节点之间的距离便可以表示两个目标对象之间的关联度的大小，更加清楚直观，便于计算机快速从节点中确定出目标团队，进而提高了工作效率。
图11示出了本说明书一个实施例提供的一种展示方法的处理流程的示意图。
计算设备获取多个目标在参考时间段的历史联系数据，参考时间段包括多个参考时间单元，基于每个参考时间单元的历史联系数据构建一个关系网络图，可以构建多个关系网络图。然后确定每个关系网络图中的目标路径，对于多个关系网络图中的任一关系网络图，将该任一关系网络图对应的目标路径输入词向量模型中，得到该任一关系网络图中每个节点的词向量。基于每个节点的词向量确定该任一关系网络图中每两个节点的词向量之间的距离，得到该任一系网络图对应的距离矩阵，将该距离矩阵输入降维算法中，可以得到该任一关系网络图中每个节点的目标向量。对每个关系网络图都进行上述操作后，可以得到多个关系网络图中每个节点的目标向量。将每个节点在不同关系网络图中的目标向量映射到平面坐标系中，可以得到可视化关系图。
与上述方法实施例相对应，本说明书还提供了展示装置实施例，图12示出了本说明书一实施例提供的一种展示装置的结构示意图。如图12所示，该装置包括：
第一图构建模块1202，用于基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，所述关系网络图用于表征所述参考时间段内的每个参考时间单元中所述至少两个目标对象之间的关联关系，且以所述至少两个目标对象为节点；
转换模块1204，用于基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；
第二图构建模块1206，用于基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，其中，所述可视化关系图中每个参考时间单元内两个节点之间的距离表征所述至少两个目标对象之间的关联度。
可选地，所述转换模块1204用于：
基于参考关系网络图中的节点和任意两个节点间的关系，通过词向量模型确定所述参考关系网络图中的每个节点的词向量，所述参考关系网络图为所述关系网络图中任意一个参考时间单元对应的关系网络图；
基于所述参考关系网络图中的每个节点的词向量，通过降维算法将所述参考关系网络图中每个节点转换为目标向量。
可选地，所述转换模块1204用于：
基于所述参考关系网络图中的节点和任意两个节点间的关系，确定所述参考关系网络图中包括的目标路径，所述目标路径中包括至少两个节点；
将所述目标路径包含的节点同时输入所述词向量模型中，得到所述参考关系网络图中每个节点的词向量。
可选地，所述第一图构建模块1202还用于：
所述历史联系数据中包括所述至少两个目标对象之间的联系次数，
基于所述至少两个目标对象之间的联系次数，确定所述关系网络图中每条边的权重；
基于所述参考关系网络图确定其中包含的多个子路径，其中，每个子路径由所述参考关系网络图中每条边的两个节点和所述两个节点的关联关系确定；
基于每条边的权重，确定所述多个子路径中每个子路径输入所述词向量模型的次数，得到所述多个子路径的输入次数；
基于所述多个子路径的输入次数，将所述多个子路径中包括关联节点的子路径确定为关联路径，以及将所述多个子路径中不包括关联节点的子路径确定为非关联路径，其中，每个关联路径包括至少一个关联节点，所述关联节点与至少两个不同的节点相连；
将所述关联路径和所述非关联路径确定为所述参考关系网络图中包括的目标路径。
可选地，所述转换模块1204用于：
对所述参考关系网络图中的节点进行两两组对，得到多个节点组；
基于每个节点组中两个节点的词向量，确定每个节点组中两个节点的词向量之间的距离，得到距离矩阵，其中，每个节点组中的两个节点的词向量之间的距离越小，则两个节点的关联度越大；
将所述距离矩阵输入所述降维算法中，得到所述参考关系网络图中每个节点的目标向量。
可选地，所述第二图构建模块1206用于：
以节点的目标向量为第一坐标轴，以时间为第二坐标轴，确定每个节点在平面坐标系中的投影点，得到所述可视化关系图，其中，每个参考时间单元内的至少两个节点的投影点在第二坐标轴上的第二坐标相同。
可选地，所述第二图构建模块1206还用于：
对每个节点的目标向量进行归一化处理，得到每个节点归一化处理后的目标向量；
基于每个节点归一化处理后的目标向量，为所述关系网络图构建对应的可视化关系图。
可选地，所述第二图构建模块1206还用于：
若所述参考时间单元的数量大于一个，将同一个节点在不同参考时间单元内的投影点相连。
可选地，所述第一图构建模块1202用于：
以所述至少两个目标对象为节点，得到至少两个节点；
基于所述至少两个目标对象在每个参考时间单元内的历史联系数据，将每个参考时间单元内所述至少两个节点中存在关联关系的节点相连，得到每个参考时间单元对应的关系网络图。
可选地，所述第一图构建模块1202还用于：
获取所述至少两个目标对象在所述参考时间段内的历史联系数据。
本说明书提供的展示方法，基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，所述关系网络图用于表征所述参考时间段内的每个参考时间单元中所述至少两个目标对象之间的关联关系，且以所述至少两个目标对象为节点；基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，其中，所述可视化关系图中每个参考时间单元内两个节点之间的距离表征所述至少两个目标对象之间的关联度。本说明书实施例中将节点转换为目标向量在可视化关系图中展示出来，且在可视化关系图中通过两个节点之间的距离便可以表示两个目标对象之间的关联度的大小，更加清楚直观，便于计算机快速从节点中确定出目标团队，进而提高了工作效率。
上述为本实施例的一种展示装置的示意性方案。需要说明的是，该展示装置的技术方案与上述的展示方法的技术方案属于同一构思，展示装置的技术方案未详细描述的细节内容，均可以参见上述展示方法的技术方案的描述。
图13示出了根据本说明书一实施例提供的一种计算设备1300的结构框图。该计算设备1300的部件包括但不限于存储器1310和处理器1320。处理器1320与存储器1310通过总线1330相连接，数据库1350用于保存数据。
计算设备1300还包括接入设备1340，接入设备1340使得计算设备1300能够经由一个或多个网络1360通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备1340可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。
在本说明书的一个实施例中，计算设备1300的上述部件以及图13中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图13所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
计算设备1300可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备1300还可以是移动式或静止式的服务器。
其中，处理器1320用于执行如下计算机可执行指令：
基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，所述关系网络图用于表征所述参考时间段内的每个参考时间单元中所述至少两个目标对象之间的关联关系，且以所述至少两个目标对象为节点；
基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；
基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，其中，所述可视化关系图中每个参考时间单元内两个节点之间的距离表征所述至少两个目标对象之间的关联度。
上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的展示方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述展示方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时以用于：
基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，所述关系网络图用于表征所述参考时间段内的每个参考时间单元中所述至少两个目标对象之间的关联关系，且以所述至少两个目标对象为节点；
基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；
基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，其中，所述可视化关系图中每个参考时间单元内两个节点之间的距离表征所述至少两个目标对象之间的关联度。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的展示方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述展示方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书并不受所描述的动作顺序的限制，因为依据本说明书，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。

Claims (13)

1.一种展示方法，其特征在于，所述方法包括：
基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，所述关系网络图用于表征所述参考时间段内的每个参考时间单元中所述至少两个目标对象之间的关联关系，且以所述至少两个目标对象为节点；
基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；
基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，其中，所述可视化关系图中每个参考时间单元内两个节点之间的距离表征所述至少两个目标对象之间的关联度。
2.如权利要求1所述的展示方法，其特征在于，所述基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，包括：
基于参考关系网络图中的节点和任意两个节点间的关系，通过词向量模型确定所述参考关系网络图中的每个节点的词向量，所述参考关系网络图为所述关系网络图中任意一个参考时间单元对应的关系网络图；
基于所述参考关系网络图中的每个节点的词向量，通过降维算法将所述参考关系网络图中每个节点转换为目标向量。
3.如权利要求2所述的展示方法，其特征在于，所述基于参考关系网络图中的节点和任意两个节点间的关系，通过词向量模型确定所述参考关系网络图中的每个节点的词向量，包括：
基于所述参考关系网络图中的节点和任意两个节点间的关系，确定所述参考关系网络图中包括的目标路径，所述目标路径中包括至少两个节点；
将所述目标路径包含的节点同时输入所述词向量模型中，得到所述参考关系网络图中每个节点的词向量。
4.如权利要求3所述的展示方法，其特征在于，所述历史联系数据中包括所述至少两个目标对象之间的联系次数，所述构建关系网络图之后，还包括：
基于所述至少两个目标对象之间的联系次数，确定所述关系网络图中每条边的权重；
相应地，所述基于所述参考关系网络图中的节点和任意两个节点间的关系，确定所述参考关系网络图中包括的目标路径，包括：
基于所述参考关系网络图确定其中包含的多个子路径，其中，每个子路径由所述参考关系网络图中每条边的两个节点和所述两个节点的关联关系确定；
基于每条边的权重，确定所述多个子路径中每个子路径输入所述词向量模型的次数，得到所述多个子路径的输入次数；
基于所述多个子路径的输入次数，将所述多个子路径中包括关联节点的子路径确定为关联路径，以及将所述多个子路径中不包括关联节点的子路径确定为非关联路径，其中，每个关联路径包括至少一个关联节点，所述关联节点与至少两个不同的节点相连；
将所述关联路径和所述非关联路径确定为所述参考关系网络图中包括的目标路径。
5.如权利要求2所述的展示方法，其特征在于，所述基于所述参考关系网络图中的每个节点的词向量，通过降维算法将所述参考关系网络图中每个节点转换为目标向量，包括：
对所述参考关系网络图中的节点进行两两组对，得到多个节点组；
基于每个节点组中两个节点的词向量，确定每个节点组中两个节点的词向量之间的距离，得到距离矩阵，其中，每个节点组中的两个节点的词向量之间的距离越小，则两个节点的关联度越大；
将所述距离矩阵输入所述降维算法中，得到所述参考关系网络图中每个节点的目标向量。
6.如权利要求1所述的展示方法，其特征在于，所述基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，包括：
以节点的目标向量为第一坐标轴，以时间为第二坐标轴，确定每个节点在平面坐标系中的投影点，得到所述可视化关系图，其中，每个参考时间单元内的至少两个节点的投影点在所述第二坐标轴上的第二坐标相同。
7.如权利要求6所述的展示方法，其特征在于，所述基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图之前，还包括：
对每个节点的目标向量进行归一化处理，得到每个节点归一化处理后的目标向量；
相应地，所述基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，包括：
基于每个节点归一化处理后的目标向量，为所述关系网络图构建对应的可视化关系图。
8.如权利要求1所述的展示方法，其特征在于，若所述参考时间单元的数量大于一个，所述基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图之后，还包括：
将同一个节点在不同参考时间单元内的投影点相连。
9.如权利要求1所述的展示方法，其特征在于，所述基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，包括：
以所述至少两个目标对象为节点，得到至少两个节点；
基于所述至少两个目标对象在每个参考时间单元内的历史联系数据，将每个参考时间单元内所述至少两个节点中存在关联关系的节点相连，得到每个参考时间单元对应的关系网络图。
10.如权利要求1所述的展示方法，其特征在于，所述基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图之前，还包括：
获取所述至少两个目标对象在所述参考时间段内的历史联系数据。
11.一种数据获取装置，其特征在于，所述装置包括：
第一图构建模块，用于基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，所述关系网络图用于表征所述参考时间段内的每个参考时间单元中所述至少两个目标对象之间的关联关系，且以所述至少两个目标对象为节点；
转换模块，用于基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；
第二图构建模块，用于基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，其中，所述可视化关系图中每个参考时间单元内两个节点之间的距离表征所述至少两个目标对象之间的关联度。
12.一种计算设备，其特征在于，所述计算设备包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现下述方法：
基于至少两个目标对象在参考时间段的历史联系数据，构建关系网络图，其中，所述关系网络图用于表征所述参考时间段内的每个参考时间单元中所述至少两个目标对象之间的关联关系，且以所述至少两个目标对象为节点；
基于节点和任意两个节点间的关系，将每个关系网络图中的每个节点转换为目标向量，其中，在一个关系网络图中一个节点对应一个目标向量；
基于每个节点的目标向量，为所述关系网络图构建对应的可视化关系图，其中，所述可视化关系图中每个参考时间单元内两个节点之间的距离表征所述至少两个目标对象之间的关联度。
13.一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现权利要求1至10任意一项所述展示方法的步骤。
CN202011009319.2A 2020-09-23 2020-09-23 展示方法及装置 Pending CN111930463A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011009319.2A CN111930463A (zh) 2020-09-23 2020-09-23 展示方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011009319.2A CN111930463A (zh) 2020-09-23 2020-09-23 展示方法及装置

Publications (1)

Publication Number Publication Date
CN111930463A true CN111930463A (zh) 2020-11-13

Family

ID=73335076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011009319.2A Pending CN111930463A (zh) 2020-09-23 2020-09-23 展示方法及装置

Country Status (1)

Country Link
CN (1) CN111930463A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113535860A (zh) * 2021-06-29 2021-10-22 中国人民解放军战略支援部队航天工程大学 一种目标及事件时空变化规律可视化方法

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060173957A1 (en) * 2005-01-28 2006-08-03 Robinson Eric M Apparatus and method for message-centric analysis and multi-aspect viewing using social networks
JP2010128598A (ja) * 2008-11-25 2010-06-10 Nippon Telegr & Teleph Corp <Ntt> 文書検索装置及び方法及びプログラム及びプログラムを記録した記録媒体
CN102081497A (zh) * 2009-11-26 2011-06-01 索尼公司 信息处理设备、信息处理方法和程序
US20110261049A1 (en) * 2008-06-20 2011-10-27 Business Intelligence Solutions Safe B.V. Methods, apparatus and systems for data visualization and related applications
JP2012252519A (ja) * 2011-06-02 2012-12-20 Nippon Telegr & Teleph Corp <Ntt> 分類システム及び分類方法
CN102890703A (zh) * 2012-07-20 2013-01-23 浙江工业大学 一种网络异质多维标度方法
US20140297690A1 (en) * 2013-03-28 2014-10-02 Fujitsu Limited Information processing technique for graph including nodes
CN104090890A (zh) * 2013-12-12 2014-10-08 深圳市腾讯计算机系统有限公司 关键词相似度获取方法、装置及服务器
US20180004822A1 (en) * 2016-06-28 2018-01-04 Andrew T. Mulder Apparatuses, methods and systems for relevance scoring in a graph database using multiple pathways
CN107767262A (zh) * 2017-10-24 2018-03-06 上海点融信息科技有限责任公司 信息处理方法、装置和计算机可读存储介质
CN108319627A (zh) * 2017-02-06 2018-07-24 腾讯科技（深圳）有限公司 关键词提取方法以及关键词提取装置
CN109905269A (zh) * 2018-01-17 2019-06-18 华为技术有限公司 确定网络故障的方法和装置
CN109947858A (zh) * 2017-07-26 2019-06-28 腾讯科技（深圳）有限公司 一种数据处理的方法及装置
CN109964224A (zh) * 2016-09-22 2019-07-02 恩芙润斯公司 用于语义信息可视化和指示生命科学实体之间显著关联的时间信号推断的系统、方法和计算机可读介质
CN110032665A (zh) * 2019-03-25 2019-07-19 阿里巴巴集团控股有限公司 确定关系网络图中图节点向量的方法及装置
CN110598972A (zh) * 2019-07-26 2019-12-20 浙江华云信息科技有限公司 一种基于自然语言处理的计量采集研究方向趋势分析方法
US20200050895A1 (en) * 2018-08-07 2020-02-13 International Business Machines Corporation Generating and ordering tags for an image using subgraph of concepts
CN110807103A (zh) * 2019-10-18 2020-02-18 中国银联股份有限公司 知识图谱构建方法、装置、电子设备及存储介质
CN110908741A (zh) * 2018-09-14 2020-03-24 阿里巴巴集团控股有限公司 应用性能管理的展示方法及装置
CN111309923A (zh) * 2020-01-22 2020-06-19 腾讯科技（深圳）有限公司 对象向量确定、模型训练方法、装置、设备和存储介质
US20200210833A1 (en) * 2018-12-28 2020-07-02 Visa International Service Association Method, System, and Computer Program Product for Determining Relationships of Entities Associated with Interactions

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060173957A1 (en) * 2005-01-28 2006-08-03 Robinson Eric M Apparatus and method for message-centric analysis and multi-aspect viewing using social networks
US20110261049A1 (en) * 2008-06-20 2011-10-27 Business Intelligence Solutions Safe B.V. Methods, apparatus and systems for data visualization and related applications
JP2010128598A (ja) * 2008-11-25 2010-06-10 Nippon Telegr & Teleph Corp <Ntt> 文書検索装置及び方法及びプログラム及びプログラムを記録した記録媒体
CN102081497A (zh) * 2009-11-26 2011-06-01 索尼公司 信息处理设备、信息处理方法和程序
JP2012252519A (ja) * 2011-06-02 2012-12-20 Nippon Telegr & Teleph Corp <Ntt> 分類システム及び分類方法
CN102890703A (zh) * 2012-07-20 2013-01-23 浙江工业大学 一种网络异质多维标度方法
US20140297690A1 (en) * 2013-03-28 2014-10-02 Fujitsu Limited Information processing technique for graph including nodes
CN104090890A (zh) * 2013-12-12 2014-10-08 深圳市腾讯计算机系统有限公司 关键词相似度获取方法、装置及服务器
US20180004822A1 (en) * 2016-06-28 2018-01-04 Andrew T. Mulder Apparatuses, methods and systems for relevance scoring in a graph database using multiple pathways
CN109964224A (zh) * 2016-09-22 2019-07-02 恩芙润斯公司 用于语义信息可视化和指示生命科学实体之间显著关联的时间信号推断的系统、方法和计算机可读介质
CN108319627A (zh) * 2017-02-06 2018-07-24 腾讯科技（深圳）有限公司 关键词提取方法以及关键词提取装置
CN109947858A (zh) * 2017-07-26 2019-06-28 腾讯科技（深圳）有限公司 一种数据处理的方法及装置
CN107767262A (zh) * 2017-10-24 2018-03-06 上海点融信息科技有限责任公司 信息处理方法、装置和计算机可读存储介质
CN109905269A (zh) * 2018-01-17 2019-06-18 华为技术有限公司 确定网络故障的方法和装置
US20200050895A1 (en) * 2018-08-07 2020-02-13 International Business Machines Corporation Generating and ordering tags for an image using subgraph of concepts
CN110908741A (zh) * 2018-09-14 2020-03-24 阿里巴巴集团控股有限公司 应用性能管理的展示方法及装置
US20200210833A1 (en) * 2018-12-28 2020-07-02 Visa International Service Association Method, System, and Computer Program Product for Determining Relationships of Entities Associated with Interactions
CN110032665A (zh) * 2019-03-25 2019-07-19 阿里巴巴集团控股有限公司 确定关系网络图中图节点向量的方法及装置
CN110598972A (zh) * 2019-07-26 2019-12-20 浙江华云信息科技有限公司 一种基于自然语言处理的计量采集研究方向趋势分析方法
CN110807103A (zh) * 2019-10-18 2020-02-18 中国银联股份有限公司 知识图谱构建方法、装置、电子设备及存储介质
CN111309923A (zh) * 2020-01-22 2020-06-19 腾讯科技（深圳）有限公司 对象向量确定、模型训练方法、装置、设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈杨: "基于维基百科语料的新闻文本词汇链构建技术研究_》", 《基于维基百科语料的新闻文本词汇链构建技术研究_》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113535860A (zh) * 2021-06-29 2021-10-22 中国人民解放军战略支援部队航天工程大学 一种目标及事件时空变化规律可视化方法

Similar Documents

Publication Publication Date Title
KR102342604B1 (ko) 뉴럴 네트워크 생성 방법 및 장치
US20220292269A1 (en) Method and apparatus for acquiring pre-trained model
WO2022174491A1 (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
EP3358476A1 (en) Method and apparatus for constructing decision model, computer device and storage device
WO2022007438A1 (zh) 情感语音数据转换方法、装置、计算机设备及存储介质
CN110795572B (zh) 一种实体对齐方法、装置、设备及介质
CN113407850A (zh) 一种虚拟形象的确定和获取方法、装置以及电子设备
KR20210001858A (ko) 텍스트의 컬러 결정 방법 및 장치
CN113240400A (zh) 一种基于知识图谱的候选人确定方法及装置
US11669767B2 (en) Automatic generation of an explanation, based on data lineage and user feedback, of a prediction produced by a machine learning system
CN111930463A (zh) 展示方法及装置
CN114357184A (zh) 事项推荐方法及相关装置、电子设备和存储介质
CN113723072A (zh) Rpa结合ai的模型融合结果获取方法、装置及电子设备
CN116186295B (zh) 基于注意力的知识图谱链接预测方法、装置、设备及介质
CN113361248B (zh) 一种文本的相似度计算的方法、装置、设备及存储介质
US11593740B1 (en) Computing system for automated evaluation of process workflows
CN113537263A (zh) 二分类模型的训练方法及装置、实体链接方法及装置
CN113641785A (zh) 基于多维度的科技资源相似词检索方法及电子设备
CN112102123B (zh) 一种基于数据匹配的学生知识面测试方法及装置
CN113535887B (zh) 一种公式相似度检测方法及装置
CN116522911B (zh) 实体对齐方法及装置
CN116364223B (zh) 特征处理方法、装置、计算机设备及存储介质
US20230315768A1 (en) Computerized systems and methods for semantic searching
CN111047133B (zh) 创新团队成员推荐方法、系统及计算机可读存储介质
Xie et al. Contrast preserving decolorization method under gradient domain global mapping

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
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20231017