CN112069388A - 实体推荐方法、系统、计算机设备和计算机可读存储介质 - Google Patents

实体推荐方法、系统、计算机设备和计算机可读存储介质 Download PDF

Info

Publication number
CN112069388A
CN112069388A CN202010908468.6A CN202010908468A CN112069388A CN 112069388 A CN112069388 A CN 112069388A CN 202010908468 A CN202010908468 A CN 202010908468A CN 112069388 A CN112069388 A CN 112069388A
Authority
CN
China
Prior art keywords
entity
old
new
scoring
information
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.)
Granted
Application number
CN202010908468.6A
Other languages
English (en)
Other versions
CN112069388B (zh
Inventor
黄楷
梁新敏
陈羲
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 Second Picket Network Technology Co ltd
Original Assignee
Shanghai Fengzhi 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 Fengzhi Technology Co ltd filed Critical Shanghai Fengzhi Technology Co ltd
Priority to CN202010908468.6A priority Critical patent/CN112069388B/zh
Publication of CN112069388A publication Critical patent/CN112069388A/zh
Application granted granted Critical
Publication of CN112069388B publication Critical patent/CN112069388B/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
    • G06F16/90—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
    • G06F16/9532—Query formulation
    • 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
    • G06F40/295—Named entity recognition
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种实体推荐方法、系统、计算机设备和计算机可读存储介质。其方法技术方案包括：针对旧实体的实体信息进行关键词提取，得到旧实体与关键词之间的关系图谱；基于旧实体的信息库，采用评分技术对旧实体与关键词之间的关系进行打分，得到旧实体与关键词之间的评分图谱；对新实体的实体信息进行关键词提取，并对新实体与关键词之间的关系进行打分，结合旧实体与关键词之间的评分图谱，得到旧实体、新实体与关键词之间的评分图谱；根据旧实体、新实体与关键词之间的评分图谱结合用户的行为信息得到关于用户‑旧实体‑关键词‑新实体的图谱，根据图谱得到用户对新实体的喜好程度，并依据喜好程度对用户进行实体推荐。

Description

实体推荐方法、系统、计算机设备和计算机可读存储介质
技术领域
本申请涉及信息推荐技术领域，特别是涉及一种实体推荐方法、系统、计算机设备和计算机可读存储介质。
背景技术
在推荐算法中，通过用户行为推荐，是一种推荐系统的重要组成部分。通过用户的行为分析，可以在出现新的实体的情况下，为新的实体寻找合适的目标用户。在微信生态中、实体指的是新的商品、活动、优惠券等营销实体。
然而，现有的技术方案通常在新的营销实体出现时，一般进行人工冷启动搭配。例如，出现新的关于美白产品的优惠券推广信息，通过人工规则或用户画像等手段，运营人员手动圈包合适的用户，进行优惠券推送。或者出现新的商品时，通过衡量新的商品和其它已存在商品的相似度，进行冷启动推荐。
目前针对相关技术中，存在以下瓶颈，尚未提出有效解决方案，
1、用户画像的标签需要技术人员通过经验进行设置，易造成遗漏或者更新不及时的现象。
2、对用户画像与实体内容的对应具有主观性。例如，对“年轻”客户推荐具有价格低的产品的信息。
3、对商品的实体，相似度需要技术人员进行手动判别，存在主观性。
同时，以上冷启动或者人工圈包的技术方案，使用时需要人工适配，需要大量的工作量。
本发明提供了一套基于内容推荐的解决方案，并可以在微信生态中打通实体信息。这里的实体信息包括商品、优惠券和活动等，对实体内容的权重和产品关键词权重进行了适当计算，实现更为精确的内容推荐方案。旨在实现通过用户对实体的行为，出现新的实体时，通过搭建知识图谱，实现自动化用户查询，为新的实体进行用户推荐。
发明内容
本申请实施例提供了一种实体推荐方法、系统、计算机设备和计算机可读存储介质，以至少解决相关技术中主观因素影响的问题。
第一方面，本申请实施例提供了一种实体推荐方法，包括以下步骤：
步骤1：针对旧实体的实体信息，采用分词技术对所述实体信息进行关键词提取，得到旧实体与关键词之间的关系图谱；
步骤2：基于旧实体的信息库，采用评分技术对旧实体与关键词之间的关系进行打分，得到旧实体与关键词之间的评分图谱；
步骤3：对新实体的实体信息进行关键词提取，并对新实体与关键词之间的关系进行打分，结合步骤2中得到的旧实体与关键词之间的评分图谱，得到旧实体、新实体与关键词之间的评分图谱；
步骤4：根据所述步骤3中的旧实体、新实体与关键词之间的评分图谱，结合用户的行为信息得到关于用户-旧实体-关键词-新实体的图谱，根据所述图谱得到用户对新实体的喜好程度，并依据喜好程度对用户进行实体推荐。
在其中一些实施例中，所述步骤1具体包括：从旧实体的信息库中得到旧实体的实体信息，所述实体信息包括但不限于标题和简要介绍，根据旧实体的实体信息采用隐马尔可夫技术对实体信息进行关键词拆分，得到旧实体与关键词之间的关系图谱。
在其中一些实施例中，所述步骤2具体包括：根据所述步骤1得到的旧实体与关键词之间的关系图谱，基于关键词在旧实体的信息库中出现的频次，利用TFIDF算法对关键词进行打分，得到旧实体与关键词之间的评分图谱。
在其中一些实施例中，所述步骤4具体包括：根据关键词与旧实体和新实体之间的评分图谱，分别得到关键词与旧实体和新实体之间的权重。
在其中一些实施例中，所述用户对新实体的喜好程度为
Score＝∑EntityWordWeight*WordAeticleWeight
其中，EntityWordWeight为旧实体与关键词的权重， WordAeticleWeight为新实体对于相同的关键词的权重。
第二方面，本申请实施例提供了一种实体推荐系统，适用于上述一种实体推荐方法，包括旧实体分析模块、新实体分析模块、推荐模块，其中：
旧实体分析模块，用于从旧实体的信息库中得到旧实体的实体信息，并根据旧实体的实体信息采用隐马尔可夫技术对实体信息进行关键词拆分，然后利用TF-IDF算法对关键词打分，得到旧实体与关键词之间的评分图谱；
新实体分析模块，用于对新实体的实体信息进行关键字提取，并通过TF-IDF算法，得到各个关键词与新实体之间的评分图谱；
推荐模块，根据所述旧实体分析模块得到的旧实体与关键词之间的评分图谱与所述新实体分析模块得到的新实体与关键词之间的评分图谱，结合用户的行为信息，得到用户-旧实体-关键词-新实体之间的图谱，并进行实体推荐。
在其中一些实施例中，所述推荐模块根据用户-旧实体-关键词- 新实体之间的图谱，得到关键词与旧实体和新实体之间的权重，根据所述权重计算用户对于新实体的喜好程度，并根据喜好程度进行实体推荐。
在其中一些实施例中，所述喜好程度为
Score＝∑EntityWordWeight*WordAeticleWeight
其中，EntityWordWeight为旧实体与关键词的权重， WordAeticleWeight为新实体对于相同的关键词的权重。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的实体推荐方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的实体推荐方法。
相比于相关技术，本申请实施例提供的一种实体推荐方法、系统、设备及计算机可读存储介质，通过将用户行为信息和实体信息结合，根据客观的评分准则，解决了实体推荐过程中的人为干扰因素，实现了精确的实体推荐。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的实体推荐方法的流程图；
图2是根据本申请实施例的实体推荐系统的框架图；
图3是根据本申请实施例的旧实体与关键词之间的关系图谱；
图4是根据本申请实施例的旧实体、关键词和新实体之间的部分评分图谱；
图5是根据本申请实施例的用户-旧实体-关键词-新实体的关系图谱；
图6是根据本申请实施例的计算机设备的框架图。
以上图中：
81、处理器；82、存储器；83、通信接口；80、总线。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的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。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请中描述的各种技术可用于实体推荐，包括商品推荐、微信公众号推荐等，将商品等实体的信息进行关键词提取，并依据与用户之间的使用关系，通过对新的商品等实体进行分析，对用户进行新实体的推荐。
本申请所涉及的方法、装置、设备或者计算机可读存储介质不仅可用于根据根据实体的实体信息进行分析，还可以通过商家所做的活动以及优惠券进行推荐，可以考虑多重因素的影响，综合考虑，为用户进行实体推荐。
本申请利用了隐马尔可夫模型和TF-IDF(Term Frequency Inverse DocumentFrequency)算法，下面进行简要的介绍。
隐马尔可夫模型(Hidden Markov Model，HMM)是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。从可观察的参数中确定该过程的隐含参数，然后利用这些参数来作进一步的分析，例如模式识别。HMM是在被建模的系统被认为是一个马尔可夫过程与未观测到的或隐藏的状态的统计马尔可夫模型。
隐马尔可夫模型是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。所以，隐马尔可夫模型是一个双重随机过程---- 具有一定状态数的隐马尔可夫链和显示随机函数集。
自20世纪80年代以来，HMM被应用于语音识别，取得重大成功。到了90年代，HMM还被引入计算机文字识别和移动通信核心技术"多用户的检测"。HMM在生物信息科学、故障诊断等领域也开始得到应用。
TF-IDF(term frequency–inverse document frequency，词频-逆向文件频率)是一种用于信息检索(information retrieval) 与文本挖掘(text mining)的常用加权技术。
TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。
本申请主要是利用TF-IDF来评估关键词与实体之间的关系，主要思想是：如果某个单词在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。
在TF-IDF中TF是词频(Term Frequency)，用于表示词条(关键字)在文本中出现的频率。这个数字通常会被归一化(一般是词频除以文章总词数),以防止它偏向长的文件。
Figure BDA0002662377070000073
其中ni,j是该词在文件dj中出现的次数，分母则是文件dj中所有词汇出现的次数总和；
IDF是逆向文件频率(Inverse Document Frequency)，某一特定词语的IDF，可以由总文件数目除以包含该词语的文件的数目，再将得到的商取对数得到。如果包含词条t的文档越少,IDF越大，则说明词条具有很好的类别区分能力。
Figure BDA0002662377070000071
其中，|D|是语料库中的文件总数。|{j:ti∈dj}|表示包含词语ti的文件数目(即ni,j≠0的文件数目)。如果该词语不在语料库中，就会导致分母为零，因此一般情况下使用1+|{j:ti∈ dj}|
即
Figure BDA0002662377070000072
其中分母之所以加1的原因是为了避免分母为零。
所以，TF-IDF实际上是：TF*IDF，某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率，可以产生出高权重的TF-IDF。因此，TF-IDF倾向于过滤掉常见的词语，保留重要的词语。
TF-IDF主要应用于搜索引擎、关键词提取、文本相似性和文本摘要。本申请中主要利用TF-IDF用于关键词提取。
下面将以隐马尔可夫算法和TF-IDF算法为例对本申请实施例进行说明。
本实施例提供了一种实体推荐方法。图1是根据本申请实施例的实体推荐方法的流程图，如图1所示，该流程包括如下步骤：
步骤1：针对旧实体的实体信息，采用分词技术对所述实体信息进行关键词提取，得到旧实体与关键词之间的关系图谱；
在本实施例中，实体信息主要是指文字信息，但在其他的一些实施例中，实体信息还可以包括满减折扣、不同活动的优惠券等等通用信息。
步骤2：基于旧实体的信息库，采用评分技术对旧实体与关键词之间的关系进行打分，得到旧实体与关键词之间的评分图谱；
步骤3：对新实体的实体信息进行关键词提取，并对新实体与关键词之间的关系进行打分，结合步骤2中得到的旧实体与关键词之间的评分图谱，得到旧实体、新实体与关键词之间的评分图谱；
步骤4：根据所述步骤3中的旧实体、新实体与关键词之间的评分图谱，结合用户的行为信息得到关于用户-旧实体-关键词-新实体的图谱，根据所述图谱得到用户对新实体的喜好程度，并依据喜好程度对用户进行实体推荐。
通过上述步骤，利用标准的分词技术和评分技术代替技术人员通过经验设置，减少主观判断产生的不必要的误差，通过以往的数据对用户行为进行分析得到用户的行为信息，并得到用户-旧实体-关键词 -新实体的图谱，并从图谱中得到用户对新实体的喜好程度，依据喜好程度对用户进行实体推荐。
同时，通过机器工作代替人工适配，较少了人员的工作量。
在其中一些实施例中，所述步骤1具体包括：从旧实体的信息库中得到旧实体的实体信息，所述实体信息包括但不限于标题和简要介绍，根据旧实体的实体信息采用隐马尔可夫技术对实体信息进行关键词拆分，得到旧实体与关键词之间的关系图谱。
在其中一些实施例中，所述步骤2具体包括：根据所述步骤1得到的旧实体与关键词之间的关系图谱，基于关键词在旧实体的信息库中出现的频次，利用TFIDF算法对关键词进行打分，得到旧实体与关键词之间的评分图谱。
在其中一些实施例中，所述步骤3具体包括：根据关键词与旧实体和新实体之间的评分图谱，分别得到关键词与旧实体和新实体之间的权重。
在其中一些实施例中，所述用户对新实体的喜好程度为
Score＝∑EntityWordWeight*WordAeticleWeight
其中，EntityWordWeight为旧实体与关键词的权重， WordAeticleWeight为新实体对于相同的关键词的权重。
本实施例还提出一种实体推荐系统，适用于上述的一种实体推荐方法，图2为根据本申请实施例中的实体推荐系统的框架图，包括旧实体分析模块、新实体分析模块、推荐模块，其中：
旧实体分析模块，用于从旧实体的信息库中得到旧实体的实体信息，并根据旧实体的实体信息采用隐马尔可夫技术对实体信息进行关键词拆分，然后利用TF-IDF算法对关键词打分，得到旧实体与关键词之间的评分图谱；
新实体分析模块，用于对新实体的实体信息进行关键字提取，并通过TF-IDF算法，得到关键词与新实体之间的评分图谱；
推荐模块，根据所述旧实体分析模块得到的旧实体与关键词之间的评分图谱与所述新实体分析模块得到的新实体与关键词之间的评分图谱，结合用户的行为信息，得到用户-旧实体-关键词-新实体之间的图谱，并进行实体推荐。
在其中一些实施例中，所述推荐模块根据用户-旧实体-关键词- 新实体之间的图谱，得到关键词与旧实体和新实体之间的权重，根据权重计算用户对于新实体的喜好程度，并根据喜好程度进行实体推荐。
在其中一些实施例中，所述喜好程度为
Score＝∑EntityWordWeight*WordAeticleWeight
其中，EntityWordWeight为旧实体与关键词的权重， WordAeticleWeight为新实体对于相同的关键词的权重。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
基于上述方法，以悦诗风吟为例，实施上述实体推荐方法。
首先针对实体信息进行信息提取与关键词拆分。
以下以商品为例，活动信息、优惠券等信息也可以通过相似的方式进行信息提取。其中，在本实施例中，仅描述对文字信息的提取。
对于电商网站的商品标题和商品介绍，通常会突出产品功效以获得用户的搜索和关注。在本实施例中，通过电商后台获得商家商品信息，此处的商品信息包括但不限于标题、简要介绍，并对获得的商品信息进行分词，即关键词提取。图3为本实施例中旧实体与关键词之间的关系图谱，经过关键词提取得到如图3所示的关系图谱，其中，圆形为关键词，菱形为旧实体。
其中，关键词提取技术可以为基于隐马尔可夫的分词技术等。
其次，对于上述中的关键词与商品之间的关系进行评分。
对于每个商品/活动/优惠券而言，其突出的具体功能是不同的。在商品为例，例如对于面膜而言，有些突出保湿，有些突出其他功能。因此，采用TF-IDF算法进行关键词打分。在这里的实体的信息库包括商品的全部信息。活动/优惠券的关键词提取方式同理。
再次，对新实体进行关键词提取并进行打分，图4是根据本申请实施例的旧实体、关键词和新实体之间的部分评分关系，其中圆形为关键词，菱形为旧实体，正方形为新实体，展现关键词与旧实体和新实体之间的关系。
对于新的实体而言，其关键词出现的权重亦是不同的。例如某些商品突出保湿的效果，一些活动突出祛痘的效果。因此，通过关键词算法对新实体-关键词信息进行打分。在这个步骤中，关键词仅为实体进行关键词提取之后的词。
对于新实体和关键词的关系进行打分的优点如下:
通过关键词提取进行图谱构建，可以在产品的基础上，通过关键词将有提及关键词没提及产品的信息，通过知识图谱进行关联，将产品扩展到更多的实体当中。
对于实体和关键词之间打分的算法，采用TF-IDF算法。在这里的实体文档库包括实体的全部信息。通过该算法，可以表征关键词在该实体中的重要性。
最后，结合用户的行为信息，进行关联推荐，
根据上述得到的关键词与旧实体和新实体之间的关系，结合用户的行为信息，得到用户-旧实体-关键词-新实体的关系，并得到关键词与旧实体和新实体之间的权重关系，如图5所示，根据图中的信息进行实体推荐。详细如下：
若一个用户购买或者点击了某商品，则视为用户喜爱该商品。或者，用户参与了某活动或使用了某优惠券，则视为用户喜爱该活动的信息。
在一些实施例中，也可以通过阈值过滤，例如用户在活动中购买了一次，或者用户点击了3次商品视为用户喜爱该商品或活动等。
其中，关键词与旧实体和新实体之间的权重为步骤四及其直接步骤产生的。
对于用户A对某活动/商品/优惠券的喜好程度计算，采用如下公式：
Score＝∑EntityWordWeight*WordAeticleWeight
举例如下：
用户A对活动b的喜好程度为
Score＝0.7*0.03+0.3*0.01
用户A对优惠券b的喜好程度为
Score＝(0.2+0.3)*0.06+0.4*0.05
用户A对商品C的喜好程度为
Score＝0.4*0.04
根据Score从大到小排序进行用户对新实体的推荐。
同时，也可以在用户节点输入购买频次等RFM模型信息，作为筛选条件，进行进一步用户过滤，提高推荐的准确性。
另外，结合图1描述的本申请实施例的实体推荐方法可以由计算机设备来实现。图6为根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地，上述处理器81可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器82可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器82可在数据处理装置的内部或外部。在特定实施例中，存储器82是非易失性(Non-Volatile)存储器。在特定实施例中，存储器82包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM (Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中， DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令，以实现上述实施例中的任意一种实体推荐方法。
在其中一些实施例中，计算机设备还可包括通信接口83和总线 80。其中，如图6所示，处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线 (Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线80可包括图形加速接口(Accelerated Graphics Port，简称为 AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X) 总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线80 可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的旧实体-关键词-新实体的评分图谱，通过计算用户对实体的喜爱程度，排序，从而实现结合图1描述的实体推荐方法。
另外，结合上述实施例中的实体推荐方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种实体推荐方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种实体推荐方法，其特征在于，包括以下步骤：
步骤1：针对旧实体的实体信息，采用分词技术对所述实体信息进行关键词提取，得到旧实体与关键词之间的关系图谱；
步骤2：基于旧实体的信息库，采用评分技术对旧实体与关键词之间的关系进行打分，得到旧实体与关键词之间的评分图谱；
步骤3：对新实体的实体信息进行关键词提取，并对新实体与关键词之间的关系进行打分，结合步骤2中得到的旧实体与关键词之间的评分图谱，得到旧实体、新实体与关键词之间的评分图谱；
步骤4：根据所述步骤3中的旧实体、新实体与关键词之间的评分图谱，结合用户的行为信息得到关于用户-旧实体-关键词-新实体的图谱，根据所述图谱得到用户对新实体的喜好程度，并依据喜好程度对用户进行实体推荐。
2.根据权利要求1所述的实体推荐方法，其特征在于，所述步骤1具体包括：从旧实体的信息库中得到旧实体的实体信息，所述实体信息包括但不限于标题和简要介绍，根据旧实体的实体信息采用隐马尔可夫技术对实体信息进行关键词拆分，得到旧实体与关键词之间的关系图谱。
3.根据权利要求1所述的实体推荐方法，其特征在于，所述步骤2具体包括：根据所述步骤1得到的旧实体与关键词之间的关系图谱，基于关键词在旧实体的信息库中出现的频次，利用TFIDF算法对关键词进行打分，得到旧实体与关键词之间的评分图谱。
4.根据权利要求1所述的实体推荐方法，其特征在于，所述步骤4具体包括：根据关键词与旧实体和新实体之间的评分图谱，分别得到关键词与旧实体和新实体之间的权重。
5.根据权利要求4所述的实体推荐方法，其特征在于，所述用户对新实体的喜好程度为
Score＝∑EntityWordWeight*WordAeticleWeight
其中，EntityWordWeight为旧实体与关键词的权重，WordAeticleWeight为新实体对于相同的关键词的权重。
6.一种实体推荐系统，适用于上述权利要求1-5所述的一种实体推荐方法，其特征在于，包括旧实体分析模块、新实体分析模块、推荐模块，其中：
旧实体分析模块，用于从旧实体的信息库中得到旧实体的实体信息，并根据旧实体的实体信息采用隐马尔可夫技术对实体信息进行关键词拆分，然后利用TF-IDF算法对关键词打分，得到旧实体与关键词之间的评分图谱；
新实体分析模块，用于对新实体的实体信息进行关键字提取，并通过TF-IDF算法，得到关键词与新实体之间的评分图谱；
推荐模块，根据所述旧实体分析模块得到的旧实体与关键词之间的评分图谱与所述新实体分析模块得到的新实体与关键词之间的评分图谱，结合用户的行为信息，得到用户-旧实体-关键词-新实体之间的图谱，并进行实体推荐。
7.根据权利要求6所述的实体推荐系统，其特征在于，所述推荐模块根据用户-旧实体-关键词-新实体之间的图谱，得到关键词与旧实体和新实体之间的权重，根据所述权重计算用户对于新实体的喜好程度，并根据喜好程度进行实体推荐。
8.根据权利要求7所述的实体推荐系统，其特征在于，所述喜好程度为
Score＝∑EntityWordWeight*WordAeticleWeight
其中，EntityWordWeight为旧实体与关键词的权重，WordAeticleWeight为新实体对于相同的关键词的权重。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的实体推荐方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5中任一项所述的实体推荐方法。
CN202010908468.6A 2020-09-02 2020-09-02 实体推荐方法、系统、计算机设备和计算机可读存储介质 Active CN112069388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010908468.6A CN112069388B (zh) 2020-09-02 2020-09-02 实体推荐方法、系统、计算机设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010908468.6A CN112069388B (zh) 2020-09-02 2020-09-02 实体推荐方法、系统、计算机设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112069388A true CN112069388A (zh) 2020-12-11
CN112069388B CN112069388B (zh) 2023-07-21

Family

ID=73665845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010908468.6A Active CN112069388B (zh) 2020-09-02 2020-09-02 实体推荐方法、系统、计算机设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112069388B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925289A (zh) * 2022-05-23 2022-08-19 中国平安财产保险股份有限公司 员工推荐方法、装置、设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140372423A1 (en) * 2013-06-13 2014-12-18 Microsoft Corporation Personalized entity preferences model and notifications
CN108256119A (zh) * 2018-02-14 2018-07-06 北京方正阿帕比技术有限公司 一种资源推荐模型的构建方法及基于该模型的资源推荐方法
CN110427563A (zh) * 2019-08-30 2019-11-08 杭州智策略科技有限公司 一种基于知识图谱的专业领域系统冷启动推荐方法
CN110706783A (zh) * 2019-09-24 2020-01-17 深圳和而泰家居在线网络科技有限公司 食谱推荐方法、装置、计算设备及计算机存储介质
CN111143672A (zh) * 2019-12-16 2020-05-12 华南理工大学 基于知识图谱的专业特长学者推荐方法
CN111369318A (zh) * 2020-02-28 2020-07-03 安徽农业大学 一种基于商品知识图谱特征学习的推荐方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140372423A1 (en) * 2013-06-13 2014-12-18 Microsoft Corporation Personalized entity preferences model and notifications
CN108256119A (zh) * 2018-02-14 2018-07-06 北京方正阿帕比技术有限公司 一种资源推荐模型的构建方法及基于该模型的资源推荐方法
CN110427563A (zh) * 2019-08-30 2019-11-08 杭州智策略科技有限公司 一种基于知识图谱的专业领域系统冷启动推荐方法
CN110706783A (zh) * 2019-09-24 2020-01-17 深圳和而泰家居在线网络科技有限公司 食谱推荐方法、装置、计算设备及计算机存储介质
CN111143672A (zh) * 2019-12-16 2020-05-12 华南理工大学 基于知识图谱的专业特长学者推荐方法
CN111369318A (zh) * 2020-02-28 2020-07-03 安徽农业大学 一种基于商品知识图谱特征学习的推荐方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925289A (zh) * 2022-05-23 2022-08-19 中国平安财产保险股份有限公司 员工推荐方法、装置、设备及可读存储介质
CN114925289B (zh) * 2022-05-23 2024-04-30 中国平安财产保险股份有限公司 员工推荐方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN112069388B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
US10268670B2 (en) System and method detecting hidden connections among phrases
El-Beltagy et al. KP-Miner: A keyphrase extraction system for English and Arabic documents
US20160371280A1 (en) System and method for predicting user behaviors based on phrase connections
US20190318407A1 (en) Method for product search using the user-weighted, attribute-based, sort-ordering and system thereof
CN110287409B (zh) 一种网页类型识别方法及装置
CN104484380A (zh) 个性化搜索方法及装置
CN109857853B (zh) 基于电子书的搜索方法、电子设备及计算机存储介质
CN113392637B (zh) 基于tf-idf的主题词提取方法、装置、设备及存储介质
Siddiqui et al. Quality Prediction of Wearable Apps in the Google Play Store.
Suryaningrum Comparison of the TF-IDF method with the count vectorizer to classify hate speech
CN110019556B (zh) 一种话题新闻获取方法、装置及其设备
CN107908649B (zh) 一种文本分类的控制方法
CN111563361B (zh) 文本标签的提取方法及装置、存储介质
CN112069388A (zh) 实体推荐方法、系统、计算机设备和计算机可读存储介质
CN112214663A (zh) 获取舆情声量的方法、系统、装置、存储介质及移动终端
CN106919649B (zh) 一种词条权重计算的方法及装置
CN109344397B (zh) 文本特征词语的提取方法及装置、存储介质及程序产品
Özyirmidokuz Mining unstructured Turkish economy news articles
CN107665222A (zh) 关键词的拓展方法和装置
CN115129864A (zh) 文本分类方法、装置、计算机设备和存储介质
Amalia et al. The identification of negative content in websites by using machine learning approaches
Ferdous et al. Assortment of bangladeshi e-commerce site reviews using machine learning approaches
Samy et al. Aspect-based Sentiment Analysis of Mobile Apps Reviews using Class Association Rules and LDA
Afrinanda et al. Comparison of Machine Learning Algorithm Models in Bitcoin Price Sentiment Analysis
JP2008233963A (ja) 単語間相関度計算装置および方法、プログラム並びに記録媒体

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231115

Address after: 200232 Unit 5B03, 5th Floor, Building 2, No. 277 Longlan Road, Xuhui District, Shanghai

Patentee after: SHANGHAI SECOND PICKET NETWORK TECHNOLOGY CO.,LTD.

Address before: Floors 4, 5 and 6, No. 3, Lane 1473, Zhenguang Road, Putuo District, Shanghai, 200333

Patentee before: Shanghai Fengzhi Technology Co.,Ltd.