CN112035682B - 基于知识图谱的性格模型分析处理方法及系统 - Google Patents

基于知识图谱的性格模型分析处理方法及系统 Download PDF

Info

Publication number
CN112035682B
CN112035682B CN202011040749.0A CN202011040749A CN112035682B CN 112035682 B CN112035682 B CN 112035682B CN 202011040749 A CN202011040749 A CN 202011040749A CN 112035682 B CN112035682 B CN 112035682B
Authority
CN
China
Prior art keywords
user
target object
character
target
preset
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
CN202011040749.0A
Other languages
English (en)
Other versions
CN112035682A (zh
Inventor
崔炜
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.)
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Original Assignee
Shanghai Squirrel Classroom Artificial Intelligence 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 Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd filed Critical Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority to CN202011040749.0A priority Critical patent/CN112035682B/zh
Publication of CN112035682A publication Critical patent/CN112035682A/zh
Application granted granted Critical
Publication of CN112035682B publication Critical patent/CN112035682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0244—Optimization

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于知识图谱的性格模型分析处理方法及系统。通过获取用户在预设时间段内接触过的对象，从对象中确定接触次数等于或大于预设次数、并且最短一次接触对象的接触时长等于或大于预设时长的目标对象，最后根据目标对象所对应的知识图谱，确定用户的性格特征；知识图谱中列出了目标对象的相关信息，相关信息包括网页中对目标对象的评论信息。上述技术方案，利用用户的历史接触对象信息，可以确定出用户的性格特征，从而为一些互联网服务技术提供了后续的个性化服务的数据支撑。

Description

基于知识图谱的性格模型分析处理方法及系统
技术领域
本发明涉及智能技术领域，特别涉及基于知识图谱的性格模型分析处理方法及系统。
背景技术
现有的各个门户网站，都拥有大量的用户，门户网站也希望能根据用户的个人个性特征，为用户推送更多用户感兴趣的内容，以吸引和保留更多的用户。现有技术中，已经提供了很多技术来分析用户的个性特征，例如一些购物网站会根据用户的历史购物信息分析用户对购物的喜好，新闻发布网站会根据用户的历史浏览信息分析用户对信息的喜好。这些都是确定用户喜好的技术，现有技术中还缺少能够确定用户性格特征的技术，如果能分析确定出用户的性格特征，则大量的互联网公司可以利用用户的性格特征这一个性特征来为用户进行个性化的服务。
发明内容
本发明实施例提供了一种基于知识图谱的性格模型分析处理方法及系统，用以智能化的分析用户的性格特征。
本发明实施例提供了一种基于知识图谱的性格模型分析处理方法，包括：
获取用户在预设时间段内接触过的对象，所述对象包括文章、小说、音乐、电影中的任一对象或多个对象；
从所述对象中确定接触次数等于或大于预设次数、并且最短一次接触所述对象的接触时长等于或大于预设时长的目标对象；
根据所述目标对象所对应的知识图谱，确定所述用户的性格特征；所述知识图谱中列出了所述目标对象的相关信息，所述相关信息包括网页中对所述目标对象的评论信息。
在一个实施例中，所述获取用户在预设时间段内接触过的对象，包括：
监控所述用户的电子设备在所述预设时间段内的使用日志；
根据所述使用日志，确定所述用户在预设时间段内接触过的对象。
在一个实施例中，所述根据所述目标对象所对应的知识图谱，确定所述用户的性格特征，包括步骤A1-A4：
步骤A1、获取每个目标对象对应的知识图谱；
步骤A2、针对每个目标对象，执行如下步骤A21-A22：
步骤A21、从第d个目标对象对应的知识图谱中获取第d个目标对象对应的评论信息；从所述评论信息中获取关于感官感受的所有词语；按照词语在所述评论信息中的出现次数从大到小的顺序对所述所有词语进行排序；获取排在前n位的n个目标词语；
步骤A22、按照如下公式(1)计算所述第d个目标对象对应的n个目标词语与预设的b个性格特征中每个性格特征之间的匹配度：
Figure BDA0002706568510000021
其中，Xdj表示所述第d个目标对象对应的n个目标词语与第j个性格特征之间的匹配度；λij表示所述n个目标词语中的第i个目标词语与所述第j个性格特征之间的匹配因子；λij越高，表明第i个目标词语与所述第j个性格特征之间越匹配；pdi表示第d个目标对象对应的第i个目标词语在所述评论信息中的出现次数；
其中，
Figure BDA0002706568510000022
tci表示预设训练集中第c个对象的评论信息中包括的第i个目标词语的数目；ycj表示预设训练集中第c个对象的评论信息的发布者中拥有第j个性格特征的发布者的数目；X为所述预设训练集中对象的总数目；
步骤A3、按照步骤A21-A22计算出每个目标对象对应的与每个性格特征之间的匹配度之后，对如下公式(2)进行计算：
Figure BDA0002706568510000031
其中，βj表示所述用户的性格特征与第j个性格特征之间的匹配值；
Figure BDA0002706568510000032
表示预设的第d个目标对象所归属的作品种类对应的性格影响因子，为预设值，取值范围为[0,1]；M表示所述目标对象的总数目；
步骤A4、按照步骤A3计算出所述用户的性格特征分别与每个性格特征之间的匹配值之后，确定所有匹配值中的最大匹配值；将所述最大匹配值对应的性格特征作为所述用户的性格特征。
在一个实施例中，所述方法还包括：
根据所述用户的性格特征，为所述用户推送匹配的服务。
本发明实施例提供了一种基于知识图谱的性格模型分析处理系统，包括：
获取模块，用于获取用户在预设时间段内接触过的对象，所述对象包括文章、小说、音乐、电影中的任一对象或多个对象；
第一确定模块，用于从所述对象中确定接触次数等于或大于预设次数、并且最短一次接触所述对象的接触时长等于或大于预设时长的目标对象；
第二确定模块，用于根据所述目标对象所对应的知识图谱，确定所述用户的性格特征；所述知识图谱中列出了所述目标对象的相关信息，所述相关信息包括网页中对所述目标对象的评论信息。
在一个实施例中，所述获取用户在预设时间段内接触过的对象，包括：
监控所述用户的电子设备在所述预设时间段内的使用日志；
根据所述使用日志，确定所述用户在预设时间段内接触过的对象。
在一个实施例中，所述根据所述目标对象所对应的知识图谱，确定所述用户的性格特征，包括步骤A1-A4：
步骤A1、获取每个目标对象对应的知识图谱；
步骤A2、针对每个目标对象，执行如下步骤A21-A22：
步骤A21、从第d个目标对象对应的知识图谱中获取第d个目标对象对应的评论信息；从所述评论信息中获取关于感官感受的所有词语；按照词语在所述评论信息中的出现次数从大到小的顺序对所述所有词语进行排序；获取排在前n位的n个目标词语；
步骤A22、按照如下公式(1)计算所述第d个目标对象对应的n个目标词语与预设的b个性格特征中每个性格特征之间的匹配度：
Figure BDA0002706568510000041
其中，Xdj表示所述第d个目标对象对应的n个目标词语与第j个性格特征之间的匹配度；λij表示所述n个目标词语中的第i个目标词语与所述第j个性格特征之间的匹配因子；λij越高，表明第i个目标词语与所述第j个性格特征之间越匹配；pdi表示第d个目标对象对应的第i个目标词语在所述评论信息中的出现次数；
其中，
Figure BDA0002706568510000042
tci表示预设训练集中第c个对象的评论信息中包括的第i个目标词语的数目；ycj表示预设训练集中第c个对象的评论信息的发布者中拥有第j个性格特征的发布者的数目；X为所述预设训练集中对象的总数目；
步骤A3、按照步骤A21-A22计算出每个目标对象对应的与每个性格特征之间的匹配度之后，对如下公式(2)进行计算：
Figure BDA0002706568510000043
其中，βj表示所述用户的性格特征与第j个性格特征之间的匹配值；
Figure BDA0002706568510000044
表示预设的第d个目标对象所归属的作品种类对应的性格影响因子，为预设值，取值范围为[0,1]；M表示所述目标对象的总数目；
步骤A4、按照步骤A3计算出所述用户的性格特征分别与每个性格特征之间的匹配值之后，确定所有匹配值中的最大匹配值；将所述最大匹配值对应的性格特征作为所述用户的性格特征。
在一个实施例中，所述系统还包括：
推送模块，用于根据所述用户的性格特征，为所述用户推送匹配的服务。
上述技术方案，通过获取用户在预设时间段内接触过的对象，从对象中确定接触次数等于或大于预设次数、并且最短一次接触对象的接触时长等于或大于预设时长的目标对象，最后根据目标对象所对应的知识图谱，确定用户的性格特征；知识图谱中列出了目标对象的相关信息，相关信息包括网页中对目标对象的评论信息。上述技术方案，利用用户的历史接触对象信息，可以确定出用户的性格特征，从而为一些互联网服务技术提供了后续的个性化服务的数据支撑。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请公开的一种基于知识图谱的性格模型分析处理方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明实施例公开一种基于知识图谱的性格模型分析处理方法，如图1所示，包括如下步骤S1-S3：
步骤S1、获取用户在预设时间段内接触过的对象，对象包括文章、小说、音乐、电影中的任一对象或多个对象。
步骤S2、从对象中确定接触次数等于或大于预设次数、并且最短一次接触对象的接触时长等于或大于预设时长的目标对象。
步骤S3、根据目标对象所对应的知识图谱，确定用户的性格特征；知识图谱中列出了目标对象的相关信息，相关信息包括网页中对目标对象的评论信息。
上述技术方案，通过获取用户在预设时间段内接触过的对象，从对象中确定接触次数等于或大于预设次数、并且最短一次接触对象的接触时长等于或大于预设时长的目标对象，最后根据目标对象所对应的知识图谱，确定用户的性格特征；知识图谱中列出了目标对象的相关信息，相关信息包括网页中对目标对象的评论信息。上述技术方案，利用用户的历史接触对象信息，可以确定出用户的性格特征，从而为一些互联网服务技术提供了后续的个性化服务的数据支撑。
在一个实施例中，获取用户在预设时间段内接触过的对象，包括：
监控用户的电子设备在预设时间段内的使用日志；
根据使用日志，确定用户在预设时间段内接触过的对象。
例如使用日志中包括电子设备中的电子图书阅读程序、音乐播放器、视频播放器、电影网站的使用记录等，根据这些使用日志信息可以确定用户在预设时间段内接触过的对象。
在一个实施例中，步骤S3“根据目标对象所对应的知识图谱，确定用户的性格特征”可包括如下步骤A1-A4：
步骤A1、获取每个目标对象对应的知识图谱；
步骤A2、针对每个目标对象，执行如下步骤A21-A22：
步骤A21、从第d个目标对象对应的知识图谱中获取第d个目标对象对应的评论信息；从评论信息中获取关于感官感受的所有词语；按照词语在评论信息中的出现次数从大到小的顺序对所有词语进行排序；获取排在前n位的n个目标词语；
其中，上述关于感官感受的所有词语可以是“好感人”、“好感动”、“没有感觉”、“还可以”、“一般”、“可怕”、“可爱”、“温馨”、“不喜欢”、“喜欢”、“讨厌”等的与人的感受感官有关的词语。
步骤A22、按照如下公式(1)计算第d个目标对象对应的n个目标词语与预设的b个性格特征中每个性格特征之间的匹配度：
Figure BDA0002706568510000071
其中，Xdj表示第d个目标对象对应的n个目标词语与第j个性格特征之间的匹配度；λij表示n个目标词语中的第i个目标词语与第j个性格特征之间的匹配因子；λij越高，表明第i个目标词语与第j个性格特征之间越匹配；pdi表示第d个目标对象对应的第i个目标词语在评论信息中的出现次数；
其中，
Figure BDA0002706568510000072
tci表示预设训练集中第c个对象的评论信息中包括的第i个目标词语的数目；ycj表示预设训练集中第c个对象的评论信息的发布者中拥有第j个性格特征的发布者的数目，其中，每个评论信息的发布者都可以在元在相应的评论网站注册时将自身的性格特征输入给评论网站，本发明可通过评论网站存储的评论者的性格特征来获得发布者拥有的性格特征；X为预设训练集中对象的总数目；
步骤A3、按照步骤A21-A22计算出每个目标对象对应的与每个性格特征之间的匹配度之后，对如下公式(2)进行计算：
Figure BDA0002706568510000081
其中，βj表示用户的性格特征与第j个性格特征之间的匹配值；
Figure BDA0002706568510000082
表示预设的第d个目标对象所归属的作品种类对应的性格影响因子，为预设值，取值范围为[0,1]；M表示目标对象的总数目。
步骤A4、按照步骤A3计算出用户的性格特征分别与每个性格特征之间的匹配值之后，确定所有匹配值中的最大匹配值；将最大匹配值对应的性格特征作为用户的性格特征。
其中，所述性格特征具体的类型，可以由用户预先设定，例如可以包括理智型性格、感性型性格；或者，可以包括活泼型性格、沉稳型性格；或者，可以包括宽容型性格、苛刻型性格，等等。
上述技术方案，根据用户接触的一些对象的特征，利用大数据例如对目标对象的评论信息以及发布评论信息的发布者的性格特征，可以方便地确定出用户的性格特征，结果较为准确。
在一个实施例中，所述方法还可包括：
根据所述用户的性格特征，为所述用户推送匹配的服务。
具体地，可以实施为：预先规定每个性格特征对应的推荐服务特征；根据用户的性格特征，确定用户性格特征对应的推荐服务特征；根据用户性格特征对应的推荐服务特征，确定用户对应的推荐服务；向用户推送该推荐服务。
例如，预先规定感性型性格对应的推荐广告特征为公益型广告；则如果用户的性格特征为感性型性格，则根据上述方法可确定出用户对应的推荐广告特征为公益型广告；后续可向用户推送各种公益性质的广告，这样可以提高广告推送效果。
再例如，预先规定理智型性格对应的推荐广告特征为带有数据考证内容的广告(符合用户很理智的需求，不会冲动消费，只会购买自己认为好的物品；如果广告中包含一些对物品效果验证的内容，则该用户会更加认为该物品，会更有购买冲动)；则如果用户的性格特征为理智型性格，则根据上述方法可确定出用户对应的推荐广告特征为带有数据考证内容的广告；后续可向用户推送各种带有数据考证内容的广告，这样可以提高广告推送效果。
相应于本发明实施例提供的上述方法，本发明实施例还提供了一种基于知识图谱的性格模型分析处理系统，包括：
获取模块，用于获取用户在预设时间段内接触过的对象，对象包括文章、小说、音乐、电影中的任一对象或多个对象；
第一确定模块，用于从对象中确定接触次数等于或大于预设次数、并且最短一次接触对象的接触时长等于或大于预设时长的目标对象；
第二确定模块，用于根据目标对象所对应的知识图谱，确定用户的性格特征；知识图谱中列出了目标对象的相关信息，相关信息包括网页中对目标对象的评论信息。
在一个实施例中，获取用户在预设时间段内接触过的对象，包括：
监控用户的电子设备在预设时间段内的使用日志；
根据使用日志，确定用户在预设时间段内接触过的对象。
在一个实施例中，根据目标对象所对应的知识图谱，确定用户的性格特征，包括步骤A1-A4：
步骤A1、获取每个目标对象对应的知识图谱；
步骤A2、针对每个目标对象，执行如下步骤A21-A22：
步骤A21、从第d个目标对象对应的知识图谱中获取第d个目标对象对应的评论信息；从评论信息中获取关于感官感受的所有词语；按照词语在评论信息中的出现次数从大到小的顺序对所有词语进行排序；获取排在前n位的n个目标词语；
步骤A22、按照如下公式(1)计算第d个目标对象对应的n个目标词语与预设的b个性格特征中每个性格特征之间的匹配度：
Figure BDA0002706568510000101
其中，Xdj表示第d个目标对象对应的n个目标词语与第j个性格特征之间的匹配度；λij表示n个目标词语中的第i个目标词语与第j个性格特征之间的匹配因子；λij越高，表明第i个目标词语与第j个性格特征之间越匹配；pdi表示第d个目标对象对应的第i个目标词语在评论信息中的出现次数；
其中，
Figure BDA0002706568510000102
tci表示预设训练集中第c个对象的评论信息中包括的第i个目标词语的数目；ycj表示预设训练集中第c个对象的评论信息的发布者中拥有第j个性格特征的发布者的数目；X为预设训练集中对象的总数目；
步骤A3、按照步骤A21-A22计算出每个目标对象对应的与每个性格特征之间的匹配度之后，对如下公式(2)进行计算：
Figure BDA0002706568510000103
其中，βj表示用户的性格特征与第j个性格特征之间的匹配值；
Figure BDA0002706568510000104
表示预设的第d个目标对象所归属的作品种类对应的性格影响因子，为预设值，取值范围为[0,1]；M表示目标对象的总数目。
步骤A4、按照步骤A3计算出用户的性格特征分别与每个性格特征之间的匹配值之后，确定所有匹配值中的最大匹配值；将最大匹配值对应的性格特征作为用户的性格特征。
在一个实施例中，所述系统还可包括：
推送模块，用于根据所述用户的性格特征，为所述用户推送匹配的服务。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于知识图谱的性格模型分析处理方法，其特征在于，包括：
获取用户在预设时间段内接触过的对象，所述对象包括文章、小说、音乐、电影中的任一对象或多个对象；
从所述对象中确定接触次数等于或大于预设次数、并且最短一次接触所述对象的接触时长等于或大于预设时长的目标对象；
根据所述目标对象所对应的知识图谱，确定所述用户的性格特征；所述知识图谱中列出了所述目标对象的相关信息，所述相关信息包括网页中对所述目标对象的评论信息；
其中，所述根据所述目标对象所对应的知识图谱，确定所述用户的性格特征，包括步骤A1-A4：
步骤A1、获取每个目标对象对应的知识图谱；
步骤A2、针对每个目标对象，执行如下步骤A21-A22：
步骤A21、从第d个目标对象对应的知识图谱中获取第d个目标对象对应的评论信息；从所述评论信息中获取关于感官感受的所有词语；按照词语在所述评论信息中的出现次数从大到小的顺序对所述所有词语进行排序；获取排在前n位的n个目标词语；
步骤A22、按照如下公式(1)计算所述第d个目标对象对应的n个目标词语与预设的b个性格特征中每个性格特征之间的匹配度：
Figure FDA0002944640610000011
其中，Xdj表示所述第d个目标对象对应的n个目标词语与第j个性格特征之间的匹配度；λij表示所述n个目标词语中的第i个目标词语与所述第j个性格特征之间的匹配因子；λij越高，表明第i个目标词语与所述第j个性格特征之间越匹配；pdi表示第d个目标对象对应的第i个目标词语在所述评论信息中的出现次数；
其中，
Figure FDA0002944640610000021
tci表示预设训练集中第c个对象的评论信息中包括的第i个目标词语的数目；ycj表示预设训练集中第c个对象的评论信息的发布者中拥有第j个性格特征的发布者的数目；X为所述预设训练集中对象的总数目；
步骤A3、按照步骤A21-A22计算出每个目标对象对应的与每个性格特征之间的匹配度之后，对如下公式(2)进行计算：
Figure FDA0002944640610000022
其中，βj表示所述用户的性格特征与第j个性格特征之间的匹配值；
Figure FDA0002944640610000023
表示预设的第d个目标对象所归属的作品种类对应的性格影响因子，为预设值，取值范围为[0,1]；M表示所述目标对象的总数目；
步骤A4、按照步骤A3计算出所述用户的性格特征分别与每个性格特征之间的匹配值之后，确定所有匹配值中的最大匹配值；将所述最大匹配值对应的性格特征作为所述用户的性格特征。
2.如权利要求1所述的方法，其特征在于，
所述获取用户在预设时间段内接触过的对象，包括：
监控所述用户的电子设备在所述预设时间段内的使用日志；
根据所述使用日志，确定所述用户在预设时间段内接触过的对象。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述用户的性格特征，为所述用户推送匹配的服务。
4.一种基于知识图谱的性格模型分析处理系统，其特征在于，包括：
获取模块，用于获取用户在预设时间段内接触过的对象，所述对象包括文章、小说、音乐、电影中的任一对象或多个对象；
第一确定模块，用于从所述对象中确定接触次数等于或大于预设次数、并且最短一次接触所述对象的接触时长等于或大于预设时长的目标对象；
第二确定模块，用于根据所述目标对象所对应的知识图谱，确定所述用户的性格特征；所述知识图谱中列出了所述目标对象的相关信息，所述相关信息包括网页中对所述目标对象的评论信息；
其中，所述根据所述目标对象所对应的知识图谱，确定所述用户的性格特征，包括步骤A1-A4：
步骤A1、获取每个目标对象对应的知识图谱；
步骤A2、针对每个目标对象，执行如下步骤A21-A22：
步骤A21、从第d个目标对象对应的知识图谱中获取第d个目标对象对应的评论信息；从所述评论信息中获取关于感官感受的所有词语；按照词语在所述评论信息中的出现次数从大到小的顺序对所述所有词语进行排序；获取排在前n位的n个目标词语；
步骤A22、按照如下公式(1)计算所述第d个目标对象对应的n个目标词语与预设的b个性格特征中每个性格特征之间的匹配度：
Figure FDA0002944640610000031
其中，Xdj表示所述第d个目标对象对应的n个目标词语与第j个性格特征之间的匹配度；λij表示所述n个目标词语中的第i个目标词语与所述第j个性格特征之间的匹配因子；λij越高，表明第i个目标词语与所述第j个性格特征之间越匹配；pdi表示第d个目标对象对应的第i个目标词语在所述评论信息中的出现次数；
其中，
Figure FDA0002944640610000032
tci表示预设训练集中第c个对象的评论信息中包括的第i个目标词语的数目；ycj表示预设训练集中第c个对象的评论信息的发布者中拥有第j个性格特征的发布者的数目；X为所述预设训练集中对象的总数目；
步骤A3、按照步骤A21-A22计算出每个目标对象对应的与每个性格特征之间的匹配度之后，对如下公式(2)进行计算：
Figure FDA0002944640610000041
其中，βj表示所述用户的性格特征与第j个性格特征之间的匹配值；
Figure FDA0002944640610000042
表示预设的第d个目标对象所归属的作品种类对应的性格影响因子，为预设值，取值范围为[0,1]；M表示所述目标对象的总数目；
步骤A4、按照步骤A3计算出所述用户的性格特征分别与每个性格特征之间的匹配值之后，确定所有匹配值中的最大匹配值；将所述最大匹配值对应的性格特征作为所述用户的性格特征。
5.如权利要求4所述的系统，其特征在于，
所述获取用户在预设时间段内接触过的对象，包括：
监控所述用户的电子设备在所述预设时间段内的使用日志；
根据所述使用日志，确定所述用户在预设时间段内接触过的对象。
6.如权利要求4所述的系统，其特征在于，所述系统还包括：
推送模块，用于根据所述用户的性格特征，为所述用户推送匹配的服务。
CN202011040749.0A 2020-09-28 2020-09-28 基于知识图谱的性格模型分析处理方法及系统 Active CN112035682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011040749.0A CN112035682B (zh) 2020-09-28 2020-09-28 基于知识图谱的性格模型分析处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011040749.0A CN112035682B (zh) 2020-09-28 2020-09-28 基于知识图谱的性格模型分析处理方法及系统

Publications (2)

Publication Number Publication Date
CN112035682A CN112035682A (zh) 2020-12-04
CN112035682B true CN112035682B (zh) 2021-04-20

Family

ID=73573943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011040749.0A Active CN112035682B (zh) 2020-09-28 2020-09-28 基于知识图谱的性格模型分析处理方法及系统

Country Status (1)

Country Link
CN (1) CN112035682B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113849631A (zh) * 2021-09-30 2021-12-28 北京奇艺世纪科技有限公司 角色词语的推荐方法及装置、电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063188A (zh) * 2018-08-28 2018-12-21 国信优易数据有限公司 一种实体推荐方法和装置
CN109299221A (zh) * 2018-09-04 2019-02-01 广州神马移动信息科技有限公司 实体抽取和排序方法与装置
CN110516160A (zh) * 2019-08-30 2019-11-29 中国科学院自动化研究所 基于知识图谱的用户建模方法、序列推荐方法
CN111651678A (zh) * 2020-06-18 2020-09-11 达而观信息科技（上海）有限公司 一种基于知识图谱的个性化推荐方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150095303A1 (en) * 2013-09-27 2015-04-02 Futurewei Technologies, Inc. Knowledge Graph Generator Enabled by Diagonal Search
CN109033160A (zh) * 2018-06-15 2018-12-18 东南大学 一种知识图谱动态更新方法
US11995564B2 (en) * 2018-06-21 2024-05-28 Samsung Electronics Co., Ltd. System and method for generating aspect-enhanced explainable description-based recommendations

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063188A (zh) * 2018-08-28 2018-12-21 国信优易数据有限公司 一种实体推荐方法和装置
CN109299221A (zh) * 2018-09-04 2019-02-01 广州神马移动信息科技有限公司 实体抽取和排序方法与装置
CN110516160A (zh) * 2019-08-30 2019-11-29 中国科学院自动化研究所 基于知识图谱的用户建模方法、序列推荐方法
CN111651678A (zh) * 2020-06-18 2020-09-11 达而观信息科技（上海）有限公司 一种基于知识图谱的个性化推荐方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Knowledge Graph Identification;Jay Pujara;《International Semantic Web Conference》;20131231;全文 *
基于知识图谱的网络学习资源个性化推荐实现策略初探;黄宁;《中国多媒体与网络教学学报》;20191231;第42-43页 *
影评情感分析知识图谱构建研究;许智宏;《计算机仿真》;20200831;第37卷(第8期);第424-430页 *
融合知识图谱与用户评论的商品推荐算法;汤伟韬;《计算机工程》;20200831;第46卷(第8期);第93-100页 *

Also Published As

Publication number Publication date
CN112035682A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
Liang et al. A semantic-expansion approach to personalized knowledge recommendation
JP5450051B2 (ja) 行動ターゲティングシステム
US20130097176A1 (en) Method and system for data mining of social media to determine an emotional impact value to media content
JP7160980B2 (ja) 情報提供装置、情報提供方法、およびプログラム
US20100017259A1 (en) Method and system of automatically setting and changing price for online content selling
US20120130819A1 (en) method and system for providing customized content using emotional preference
US8401899B1 (en) Grouping user features based on performance measures
JP2023533475A (ja) キーワード推薦のための人工知能
US8359238B1 (en) Grouping user features based on performance measures
CN106503907B (zh) 一种业务评估信息确定方法以及服务器
CN111612588B (zh) 商品呈现方法及装置、计算设备、计算机可读存储介质
WO2019242453A1 (zh) 信息处理方法及装置、存储介质、电子装置
CN110362662A (zh) 数据处理方法、装置以及计算机可读存储介质
CN111310035A (zh) 基于心理和行为特征的推荐方法及装置
CN114742582A (zh) 基于用户终端的广告投放方法、服务器及存储介质
CN111461778A (zh) 广告推送的方法和装置
CN113469786A (zh) 物品推荐的方法、装置、计算机设备和存储介质
CN115392944A (zh) 一种推广内容的处理方法、装置、计算机设备和存储介质
US20190347296A1 (en) Method of recommending at least one skin care product to a user
CN111369148A (zh) 对象指标的监测方法、电子装置及存储介质
CN116228320B (zh) 一种直播广告投放效果分析系统及方法
Hou et al. Backers investment behavior on explicit and implicit factors in reward-based crowdfunding based on ELM theory
US20190205702A1 (en) System and method for recommending features for content presentations
CN112035682B (zh) 基于知识图谱的性格模型分析处理方法及系统
WO2023082864A1 (zh) 内容推荐模型的训练方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PP01 Preservation of patent right
PP01 Preservation of patent right

Effective date of registration: 20221020

Granted publication date: 20210420

PD01 Discharge of preservation of patent
PD01 Discharge of preservation of patent

Date of cancellation: 20241020

Granted publication date: 20210420