CN112085554A - 推荐理由生成方法、装置、电子设备及可读存储介质 - Google Patents
推荐理由生成方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112085554A CN112085554A CN202010768903.XA CN202010768903A CN112085554A CN 112085554 A CN112085554 A CN 112085554A CN 202010768903 A CN202010768903 A CN 202010768903A CN 112085554 A CN112085554 A CN 112085554A
- Authority
- CN
- China
- Prior art keywords
- node
- network node
- target
- user
- path
- 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 46
- 238000012216 screening Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本公开的实施例提供了一种推荐理由生成方法、装置、电子设备及可读存储介质。所述方法包括:在向目标用户推荐目标网络节点时,基于预先训练的网络节点图谱,获取与所述目标网络节点关联的目标节点路径;所述网络节点图谱上的每个节点是与网络节点关联的节点信息和与所述网络节点关联的用户所形成的;获取所述目标节点路径上的目标节点;根据所述目标节点和预先设置的推荐理由生成模板,生成所述目标网络节点关联的推荐理由。本公开的实施例可以实现针对没有用户评论的商家也可实现推荐理由的定制。
Description
技术领域
本公开的实施例涉及互联网技术领域,尤其涉及一种推荐理由生成方法、装置、电子设备及可读存储介质。
背景技术
在电子商务场景中,平台或商家向用户展示推荐商品时,推荐理由能够更直观地帮助用户了解商品特点,辅助用户决策,提升推荐系统整体的可解释性。
现有的推荐理由生成方法通常是通过人工构建的评论特征向量和评论分计算公式对用户评论打分,进而从商户的用户评论中选择若干高分评论及其特征向量,生成推荐理由。
现有技术中推荐理由的生成依赖于用户评论,没有用户评论的商家很难生成推荐理由。
发明内容
本公开的实施例提供一种推荐理由生成方法、装置、电子设备及可读存储介质,用以对没有用户评论的商家也可以生成推荐理由。
根据本公开的实施例的第一方面,提供了一种推荐理由生成方法,包括:
在向目标用户推荐目标网络节点时,基于预先训练的网络节点图谱,获取与所述目标网络节点关联的目标节点路径;所述网络节点图谱上的每个节点是与网络节点关联的节点信息和与所述网络节点关联的用户所形成的;
获取所述目标节点路径上的目标节点;
根据所述目标节点和预先设置的推荐理由生成模板,生成所述目标网络节点关联的推荐理由。
可选地,在所述基于预先训练的网络节点图谱,获取与所述目标网络节点关联的目标节点路径之前,还包括:
获取多个网络节点关联的节点信息;
获取与每个所述网络节点关联的用户的用户标识;
基于所述用户标识、所述节点信息和所述用户与所述网络节点之间的关联关系,构建所述网络节点图谱。
可选地,所述基于所述用户标识、所述节点信息和所述用户与所述网络节点之间的关联关系,构建所述网络节点图谱,包括:
以所述用户标识和所述节点信息作为图谱节点,生成初始网络节点图谱;
基于所述关联关系,获取所述初始网络节点图谱上各所述图谱节点之间的连接关系;
获取所述初始网络节点图谱上相邻两个所述图谱节点之间的关注度系数;
在所述初始网络节点图谱上标注所述关注度系数,生成所述网络节点图谱。
可选地,所述基于预先训练的网络节点图谱,获取与所述目标网络节点关联的目标节点路径,包括:
基于所述网络节点图谱,获取与所述目标网络节点关联的多条候选节点路径;
根据每条所述候选节点路径上相邻图谱节点之间的关注度系数,确定每条所述候选节点路径对应的路径权重;
根据所述路径权重,从所述多条候选节点路径中筛选出路径权重最大的目标节点路径。
可选地,所述根据所述目标节点和预先设置的推荐理由生成模板,生成所述目标网络节点关联的推荐理由,包括:
将所述目标节点填充于所述推荐理由生成模板;
根据填充信息生成所述目标网络节点关联的推荐理由。
可选地,在所述获取所述目标节点路径上的目标节点之后,还包括:
获取与所述目标网络节点关联的评论信息;
基于所述评论信息,生成所述目标网络节点关联的推荐理由。
根据本公开的实施例的第二方面,提供了一种推荐理由生成装置,包括:
目标路径获取模块,用于在向目标用户推荐目标网络节点时,基于预先训练的网络节点图谱,获取与所述目标网络节点关联的目标节点路径;所述网络节点图谱上的每个节点是与网络节点关联的节点信息和与所述网络节点关联的用户所形成的;
目标节点获取模块,用于获取所述目标节点路径上的目标节点;
推荐理由生成模块,用于根据所述目标节点和预先设置的推荐理由生成模板,生成所述目标网络节点关联的推荐理由。
可选地,所述装置还包括:
节点信息获取模块,用于获取多个网络节点关联的节点信息;
用户标识获取模块,用于获取与每个所述网络节点关联的用户的用户标识;
节点图谱构建模块,用于基于所述用户标识、所述节点信息和所述用户与所述网络节点之间的关联关系,构建所述网络节点图谱。
可选地,所述节点图谱构建模块包括:
初始图谱生成单元,用于以所述用户标识和所述节点信息作为图谱节点,生成初始网络节点图谱;
连接关系获取单元,用于基于所述关联关系,获取所述初始网络节点图谱上各所述图谱节点之间的连接关系;
关注度系数获取单元,用于获取所述初始网络节点图谱上相邻两个所述图谱节点之间的关注度系数;
节点图谱生成单元,用于在所述初始网络节点图谱上标注所述关注度系数,生成所述网络节点图谱。
可选地,所述目标路径获取模块包括:
候选路径获取单元,用于基于所述网络节点图谱,获取与所述目标网络节点关联的多条候选节点路径;
路径权重确定单元,用于根据每条所述候选节点路径上相邻图谱节点之间的关注度系数,确定每条所述候选节点路径对应的路径权重;
目标路径筛选单元,用于根据所述路径权重,从所述多条候选节点路径中筛选出路径权重最大的目标节点路径。
可选地,所述推荐理由生成模块包括:
节点填充单元,用于将所述目标节点填充于所述推荐理由生成模板;
推荐理由生成单元,用于根据填充信息生成所述目标网络节点关联的推荐理由。
可选地,还包括:
评论信息获取模块,用于获取与所述目标网络节点关联的评论信息;
推荐理由获取模块,用于基于所述评论信息,生成所述目标网络节点关联的推荐理由。
根据本公开的实施例的第三方面,提供了一种电子设备,包括:
处理器、存储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程序时实现如上述任一项所述的推荐理由生成方法。
根据本公开的实施例的第四方面,提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如上述任一项所述的推荐理由生成方法。
本公开的实施例提供的推荐理由生成方案,通过在向目标用户推荐目标网络节点时,基于预先训练的网络节点图谱,获取与目标网络节点关联的目标节点路径,网络节点图谱上的每个节点是与网络节点关联的节点信息和与网络节点关联的用户所形成的,获取目标节点路径上的目标节点,根据目标节点和预先设置的推荐理由生成模板,生成目标网络节点关联的推荐理由。本公开的实施例通过知识图谱丰富用户与商家的信息表示,依据图谱中用户节点和商家节点间路径的权重选择推荐元素,基于推荐元素定制推荐理由,可以实现针对没有用户评论的商家也可实现推荐理由的定制。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对本公开的实施例的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公开的实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开的实施例提供的一种推荐理由生成方法的步骤流程图;
图2为本公开的实施例提供的另一种推荐理由生成方法的步骤流程图;
图3为本公开的实施例提供的一种推荐理由生成装置的结构示意图;
图4为本公开的实施例提供的另一种推荐理由生成装置的结构示意图。
具体实施方式
下面将结合本公开的实施例中的附图,对本公开的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开的实施例一部分实施例,而不是全部的实施例。基于本公开的实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开的实施例保护的范围。
参照图1,示出了本公开的实施例提供的一种推荐理由生成方法的步骤流程图,如图1所示,该推荐理由生成方法具体可以包括如下步骤:
步骤101:在向目标用户推荐目标网络节点时,基于预先训练的网络节点图谱,获取与所述目标网络节点关联的目标节点路径。
本公开实施例可以应用于在向用户推荐目标网络节点时,自动生成推荐理由并呈现给用户的场景中。
目标用户是指需要进行网络节点推荐的用户,在本实施例中,目标用户可以为一个用户,也可以为多个用户,例如,在需要向用户A进行网络节点推荐时,可以将用户A视为目标用户。或者,在需要向用户A和用户B进行网络节点的推荐时,可以将用户A和用户B视为目标用户等。
目标网络节点是指预先注册于业务平台上的网络节点,在本实施例中,网络节点可以为商家(如饭店、酒店等商家)等。
网络节点图谱是指预先训练的一多个网络节点的节点信息和用户作为网络节点图谱上的图谱节点,而生成的网络节点图谱。
目标节点路径是指网络节点图谱上的与目标网络节点关联的节点路径,例如,在网络节点图谱上包含有三条节点路径,分别为节点路径1、节点路径2和节点路径3,其中,节点路径2和节点路径3上均包含目标网络节点,则将节点路径2和节点路径3视为候选目标节点路径,进而可以根据这两条候选目标节点路径的路径权重,从这两条候选目标节点路径中筛选出目标节点路径,如节点路径2的路径权重大于节点路径3的路径权重,此时可以将节点路径2作为目标节点路径。
可以理解地,上述示例仅是为了更好地理解本公开实施例的技术方案而列举的示例,不作为对本实施例的唯一限制。
在向目标用推荐目标网络节点时,可以基于预先训练的网络节点图谱,获取与目标网络节点关联的目标节点路径。
在获取与目标网络节点关联的目标节点路径之后,执行步骤102。
步骤102:获取所述目标节点路径上的目标节点。
目标节点是指位于目标节点路径上的节点,在本实施例中,网络节点图谱上的各节点是结合用户的用户标识与网络节点的节点信息所形成的,目标节点可以仅包含网络节点的节点信息,也可以同时包含网络节点的节点信息和用户对应的用户标识等,具体地,可以根据业务需求而定,本实施例对此不加以限制。
在获取与目标网络节点关联的目标节点路径之后,可以获取目标节点路径上的目标节点。
在获取目标节点路径上的目标节点之后,执行步骤103。
步骤103:根据所述目标节点和预先设置的推荐理由生成模板,生成所述目标网络节点关联的推荐理由。
推荐理由生成模板是指由业务人员预先设置的用于生成推荐理由的模板。
在推荐理由生成模板上预先添加有多个推荐理由词,在获取目标节点之后,可以将目标节点填充于推荐理由生成模板,结合填充的目标节点和模板上的多个推荐理由词可以自动生成目标网络节点关联的推荐理由。
本公开实施例通过知识图谱丰富用户与商家的信息表示,依据图谱中用户节点和商家节点间路径的权重选择推荐元素,基于推荐元素定制推荐理由,可以实现针对没有用户评论的商家也可实现推荐理由的定制。
本公开的实施例提供的推荐理由生成方法,通过在向目标用户推荐目标网络节点时,基于预先训练的网络节点图谱,获取与目标网络节点关联的目标节点路径,网络节点图谱上的每个节点是与网络节点关联的节点信息和与网络节点关联的用户所形成的,获取目标节点路径上的目标节点,根据目标节点和预先设置的推荐理由生成模板,生成目标网络节点关联的推荐理由。本公开的实施例通过知识图谱丰富用户与商家的信息表示,依据图谱中用户节点和商家节点间路径的权重选择推荐元素,基于推荐元素定制推荐理由,可以实现针对没有用户评论的商家也可实现推荐理由的定制。
参照图2,示出了本公开的实施例提供的另一种推荐理由生成方法的步骤流程图,如图2所示,该推荐理由生成方法具体可以包括如下步骤:
步骤201:获取多个网络节点关联的节点信息。
本公开的实施例可以应用于在向用户推荐目标网络节点时,自动生成推荐理由并呈现给用户的场景中。
网络节点是指预先注册于业务平台上的节点,在本实施例中,网络节点可以为商家(如饭店、酒店等商家)等。
节点信息是指网络节点关联的信息,在本示例中,节点信息可以为网络节点的节点名称、节点品类、地理位置、产品与服务、用户评价等信息,具体地,可以根据业务需求而定,本实施例对此不加以限制。
在构建网络节点图谱时,可以获取多个网络节点关联的节点信息,例如,网络节点以商家为例,可以从现有技术中抽取出商家品类、地理位置、产品与服务、用户评价等属性,结合各属性的详细信息(如品类间的包含关系、地理位置间的从属关系、产品的原材料)等,构建信息丰富的商家知识图谱,将信息表示成<head,relation,tail>三元组的形式(如<全聚德,供应边,北京烤鸭>等)。
在获取多个网络节点关联的节点信息之后,执行步骤202。
步骤202:获取与每个所述网络节点关联的用户的用户标识。
与每个网络节点关联的用户是指与网络节点存在关联关系的用户,例如,网络节点为商家a时,用户A从商家a处购买过商品,则用户A即为与商家a关联的用户。
用户标识是指用于指示用户身份的标识,在本示例中,用户标识可以为用户ID信息等。
在获取多个网络节点关联的节点信息之后,可以获取与每个网络节点关联的用户的用户标识,进而,执行步骤103。
步骤203:基于所述用户标识、所述节点信息和所述用户与所述网络节点之间的关联关系,构建所述网络节点图谱。
在获取多个网络节点关联的节点信息和与每个网络节点关联的用户的用户标识之后,可以基于用户标识、节点信息和用户与网络节点之间的关联关系,构建网络节点图谱,具体地,可以结合下述具体实现方式进行详细描述。
在本公开的一种具体实现方式中,上述步骤203可以包括:
子步骤S1:以所述用户标识和所述节点信息作为图谱节点,生成初始网络节点图谱。
在本实施例中,图谱节点是指网络节点图谱上的各节点,在本实施例中,在获取用户的用户标识和网络节点的节点信息之后,可以以用户标识和节点信息作为图谱节点,进而,可以生成初始网络节点图谱。
在生成初始网络节点图谱之后,执行子步骤S2。
子步骤S2:基于所述关联关系,获取所述初始网络节点图谱上各所述图谱节点之间的连接关系。
在生成初始网络节点图谱之后,可以根据初始网络节点图谱上各图谱节点之间的连接关系,例如,基于用户1对商家a的操作历史(点击、评价、收藏、购买等),可以确定用户1与商家a之间存在连接关系。
在基于关联关系,获取初始网络节点图谱上各图谱节点之间的连接关系之后,执行子步骤S3。
子步骤S3:获取所述初始网络节点图谱上相邻两个所述图谱节点之间的关注度系数。
关注度系数是指初始网络节点图谱上相邻两个图谱节点之间的关注度系数。
在本实施例中,在获取初始网络节点图谱上各图谱节点之间的连接关系之后,可以训练初始网络节点图谱上的各节点,对于图谱中的节点i,向量表示为hi;经过权重矩阵W,线性变化为Whi;利用attention机制,计算节点i对其邻居节点j的关注度eij=a(Whi,Whj),其中a为一种两个向量到实数的映射函数,如单层前馈神经网络;所有邻居节点的eij经过LeakyReLU激活函数做非线性变换后,进行归一化计算,得到节点i对各邻居节点分配的关注度αij(总和为1)。利用节点i的旧向量表示、节点i的邻居向量及i对它的关注度,更新节点i的向量表示。多次迭代训练后,得到图谱中各节点的向量表示。然后,可以利用构建好的图谱及其向量表示,计算出相邻节点两两间的关注度系数,具体地,可以通过计算两个图谱节点之间的余弦距离,以该余弦距离作为相邻两个图谱节点之间的关注度系数。
在获取初始网络节点图谱上相邻两个图谱节点之间的关注度系数之后,执行子步骤S4。
子步骤S4:在所述初始网络节点图谱上标注所述关注度系数,生成所述网络节点图谱。
在获取初始网络节点图谱上相邻两个图谱节点之间的关注度系数之后,可以在初始网络节点图谱上标注关注度系数,并生成网络节点图谱。
在基于用户标识、节点信息和用户与网络节点之间的关联关系,构建网络节点图谱之后,执行步骤204。
步骤204:在向目标用户推荐目标网络节点时,基于所述网络节点图谱,获取与所述目标网络节点关联的多条候选节点路径。
目标用户是指需要进行网络节点推荐的用户,在本实施例中,目标用户可以为一个用户,也可以为多个用户,例如,在需要向用户A进行网络节点推荐时,可以将用户A视为目标用户。或者,在需要向用户A和用户B进行网络节点的推荐时,可以将用户A和用户B视为目标用户等。
目标网络节点是指预先注册于业务平台上的用于向目标用户推荐的网络节点,在本实施例中,网络节点可以为商家(如饭店、酒店等商家)等。
候选节点路径是指网络节点图谱上包含有目标网络节点的节点路径。例如,在网络节点图谱上包含有三条节点路径,分别为节点路径1、节点路径2和节点路径3,其中,节点路径2和节点路径3上均包含目标网络节点,则将节点路径2和节点路径3视为候选节点路径。
可以理解地,上述示例仅是为了更好地理解本公开实施例的技术方案而列举的示例,不作为对本实施例的唯一限制。
在向目标用户推荐目标网络节点时,可以基于网络节点图谱获取与目标网络节点关联的多条候选节点路径,进而,执行步骤205。
步骤205:根据每条所述候选节点路径上相邻图谱节点之间的关注度系数,确定每条所述候选节点路径对应的路径权重。
路径权重是指每天候选节点路径对应的权重。
在获取多条候选节点路径之后,可以根据每条候选节点路径上相邻图谱节点之间的关注度系数,确定出每条候选节点路径所对应的路径权重,具体地,可以将每条候选节点路径上的关注度系数相加,进而可以将相加得到的和值作为候选节点路径的路径权重等。
在根据每条候选节点路径上相邻图谱节点之间的关注度系数确定每条候选节点路径对应的路径权重之后,执行步骤206。
步骤206:根据所述路径权重,从所述多条候选节点路径中筛选出路径权重最大的目标节点路径。
在获取每条候选节点路径对应的路径权重之后,可以根据路径权重从多条候选节点路径中筛选出路径权重最大的目标节点路径。
步骤207:获取所述目标节点路径上的目标节点。
目标节点是指位于目标节点路径上的节点,在本实施例中,网络节点图谱上的各节点是结合用户的用户标识与网络节点的节点信息所形成的,目标节点可以仅包含网络节点的节点信息,也可以同时包含网络节点的节点信息和用户对应的用户标识等,具体地,可以根据业务需求而定,本实施例对此不加以限制。
在获取与目标网络节点关联的目标节点路径之后,可以获取目标节点路径上的目标节点。
在获取目标节点路径上的目标节点之后,执行步骤208。
步骤208:将所述目标节点填充于所述推荐理由生成模板。
步骤209:根据填充信息生成所述目标网络节点关联的推荐理由。
推荐理由生成模板是指由业务人员预先设置的用于生成推荐理由的模板。
在推荐理由生成模板上预先添加有多个推荐理由词,在获取目标节点之后,可以将目标节点填充于推荐理由生成模板,结合填充的目标节点和模板上的多个推荐理由词可以自动生成目标网络节点关联的推荐理由。
本公开实施例通过知识图谱丰富用户与商家的信息表示,依据图谱中用户节点和商家节点间路径的权重选择推荐元素,基于推荐元素定制推荐理由,可以实现针对没有用户评论的商家也可实现推荐理由的定制。
步骤210:获取与所述目标网络节点关联的评论信息。
评论信息是指与目标网络节点关联的信息,例如,目标网络节点以商家A为例,评论信息即为用户对商家A的评论信息。
在网络节点图谱上不存在与目标网络节点关联的节点路径时,此时可以获取目标网络节点关联的评论信息,进而,执行步骤211。
步骤211:基于所述评论信息,生成所述目标网络节点关联的推荐理由。
在获取与目标网络节点关联的评论信息之后,可以根据评论信息生成目标网络节点关联的推荐理由,例如,通过人工构建的评论特征向量(包括句法结构、是否包含语气词、句子文本分、是否包含普通评价词、普通评价词数量、是否包含高级评价词、高级评价词数量、是否包含程度词、程度词数量、是否包含成语、成语数量、情感分、评论分、是否包含商户描述词、商户描述词数量、商户描述词权重、是否存在实体、实体数量、实体词词频、是否存在观点、观点数量、观点分)和评论分计算公式(公式为reviewScore=(log(follows+hits+voteGoods+1)+isQuality*T+star*W)*timeScore,其中,follows表示跟评数,hits表示点击数,voteGoods表示点赞数,isQuality表示是否是优质评论,T表示优质评论调节因子,star表示评论星级,W表示评论星级调节因子,timeScore表示时间衰减因子),对用户评论打分,进而从商户的用户评论中选择若干高分评论及其特征向量,作为候选理由。然后通过匹配,将每个候选理由归入已构建的实体词典中的某一实体(如“服务”、“性价比”等)。实体的向量用实体文本的词向量表示。当对用户推荐该商家时,通过用户的历史和实时行为(如搜索行为)关键词的词向量构建出用户向量,计算用户向量与候选推荐理由所属实体的向量之间的相似度,从相似度最高的实体对应的候选理由中选择一条作为推荐理由。
本公开的实施例提供的推荐理由生成方法,通过在向目标用户推荐目标网络节点时,基于预先训练的网络节点图谱,获取与目标网络节点关联的目标节点路径,网络节点图谱上的每个节点是与网络节点关联的节点信息和与网络节点关联的用户所形成的,获取目标节点路径上的目标节点,根据目标节点和预先设置的推荐理由生成模板,生成目标网络节点关联的推荐理由。本公开的实施例通过知识图谱丰富用户与商家的信息表示,依据图谱中用户节点和商家节点间路径的权重选择推荐元素,基于推荐元素定制推荐理由,可以实现针对没有用户评论的商家也可实现推荐理由的定制。
参照图3,示出了本公开的实施例提供的一种推荐理由生成装置的结构示意图,如图3所示,该推荐理由生成装置300具体可以包括如下模块:
目标路径获取模块310,用于在向目标用户推荐目标网络节点时,基于预先训练的网络节点图谱,获取与所述目标网络节点关联的目标节点路径;所述网络节点图谱上的每个节点是与网络节点关联的节点信息和与所述网络节点关联的用户所形成的;
目标节点获取模块320,用于获取所述目标节点路径上的目标节点;
推荐理由生成模块330,用于根据所述目标节点和预先设置的推荐理由生成模板,生成所述目标网络节点关联的推荐理由。
本公开的实施例提供的推荐理由生成装置,通过在向目标用户推荐目标网络节点时,基于预先训练的网络节点图谱,获取与目标网络节点关联的目标节点路径,网络节点图谱上的每个节点是与网络节点关联的节点信息和与网络节点关联的用户所形成的,获取目标节点路径上的目标节点,根据目标节点和预先设置的推荐理由生成模板,生成目标网络节点关联的推荐理由。本公开的实施例通过知识图谱丰富用户与商家的信息表示,依据图谱中用户节点和商家节点间路径的权重选择推荐元素,基于推荐元素定制推荐理由,可以实现针对没有用户评论的商家也可实现推荐理由的定制。
参照图4,示出了本公开的实施例提供的另一种推荐理由生成装置的结构示意图,如图4所示,该推荐理由生成装置400具体可以包括如下模块:
节点信息获取模块410,用于获取多个网络节点关联的节点信息;
用户标识获取模块420,用于获取与每个所述网络节点关联的用户的用户标识;
节点图谱构建模块430,用于基于所述用户标识、所述节点信息和所述用户与所述网络节点之间的关联关系,构建所述网络节点图谱;
目标路径获取模块440,用于在向目标用户推荐目标网络节点时,基于预先训练的网络节点图谱,获取与所述目标网络节点关联的目标节点路径;所述网络节点图谱上的每个节点是与网络节点关联的节点信息和与所述网络节点关联的用户所形成的;
目标节点获取模块450,用于获取所述目标节点路径上的目标节点;
推荐理由生成模块460,用于根据所述目标节点和预先设置的推荐理由生成模板,生成所述目标网络节点关联的推荐理由;
评论信息获取模块470,用于获取与所述目标网络节点关联的评论信息;
推荐理由获取模块480,用于基于所述评论信息,生成所述目标网络节点关联的推荐理由。
可选地,所述节点图谱构建模块430包括:
初始图谱生成单元,用于以所述用户标识和所述节点信息作为图谱节点,生成初始网络节点图谱;
连接关系获取单元,用于基于所述关联关系,获取所述初始网络节点图谱上各所述图谱节点之间的连接关系;
关注度系数获取单元,用于获取所述初始网络节点图谱上相邻两个所述图谱节点之间的关注度系数;
节点图谱生成单元,用于在所述初始网络节点图谱上标注所述关注度系数,生成所述网络节点图谱。
可选地,所述目标路径获取模块440包括:
候选路径获取单元441,用于基于所述网络节点图谱,获取与所述目标网络节点关联的多条候选节点路径;
路径权重确定单元442,用于根据每条所述候选节点路径上相邻图谱节点之间的关注度系数,确定每条所述候选节点路径对应的路径权重;
目标路径筛选单元443,用于根据所述路径权重,从所述多条候选节点路径中筛选出路径权重最大的目标节点路径。
可选地,所述推荐理由生成模块460包括:
节点填充单元461,用于将所述目标节点填充于所述推荐理由生成模板;
推荐理由生成单元462,用于根据填充信息生成所述目标网络节点关联的推荐理由。
本公开的实施例提供的推荐理由生成装置,通过在向目标用户推荐目标网络节点时,基于预先训练的网络节点图谱,获取与目标网络节点关联的目标节点路径,网络节点图谱上的每个节点是与网络节点关联的节点信息和与网络节点关联的用户所形成的,获取目标节点路径上的目标节点,根据目标节点和预先设置的推荐理由生成模板,生成目标网络节点关联的推荐理由。本公开的实施例通过知识图谱丰富用户与商家的信息表示,依据图谱中用户节点和商家节点间路径的权重选择推荐元素,基于推荐元素定制推荐理由,可以实现针对没有用户评论的商家也可实现推荐理由的定制。
本公开的实施例还提供了一种电子设备,包括:处理器、存储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程序时实现前述实施例的推荐理由生成方法。
本公开的实施例还提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述实施例的推荐理由生成方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本公开的实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的实施例的内容,并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的动态图片的生成设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已,并不用以限制本公开的实施例,凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本公开的实施例的保护范围之内。
以上所述,仅为本公开的实施例的具体实施方式,但本公开的实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的实施例的保护范围之内。因此,本公开的实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种推荐理由生成方法,其特征在于,包括:
在向目标用户推荐目标网络节点时,基于预先训练的网络节点图谱,获取与所述目标网络节点关联的目标节点路径;所述网络节点图谱上的每个节点是与网络节点关联的节点信息和与所述网络节点关联的用户所形成的;
获取所述目标节点路径上的目标节点;
根据所述目标节点和预先设置的推荐理由生成模板,生成所述目标网络节点关联的推荐理由。
2.根据权利要求1所述的方法,其特征在于,在所述基于预先训练的网络节点图谱,获取与所述目标网络节点关联的目标节点路径之前,还包括:
获取多个网络节点关联的节点信息;
获取与每个所述网络节点关联的用户的用户标识;
基于所述用户标识、所述节点信息和所述用户与所述网络节点之间的关联关系,构建所述网络节点图谱。
3.根据权利要求2所述的方法,其特征在于,所述基于所述用户标识、所述节点信息和所述用户与所述网络节点之间的关联关系,构建所述网络节点图谱,包括:
以所述用户标识和所述节点信息作为图谱节点,生成初始网络节点图谱;
基于所述关联关系,获取所述初始网络节点图谱上各所述图谱节点之间的连接关系;
获取所述初始网络节点图谱上相邻两个所述图谱节点之间的关注度系数;
在所述初始网络节点图谱上标注所述关注度系数,生成所述网络节点图谱。
4.根据权利要求3所述的方法,其特征在于,所述基于预先训练的网络节点图谱,获取与所述目标网络节点关联的目标节点路径,包括:
基于所述网络节点图谱,获取与所述目标网络节点关联的多条候选节点路径;
根据每条所述候选节点路径上相邻图谱节点之间的关注度系数,确定每条所述候选节点路径对应的路径权重;
根据所述路径权重,从所述多条候选节点路径中筛选出路径权重最大的目标节点路径。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标节点和预先设置的推荐理由生成模板,生成所述目标网络节点关联的推荐理由,包括:
将所述目标节点填充于所述推荐理由生成模板;
根据填充信息生成所述目标网络节点关联的推荐理由。
6.根据权利要求1所述的方法,其特征在于,在所述获取所述目标节点路径上的目标节点之后,还包括:
获取与所述目标网络节点关联的评论信息;
基于所述评论信息,生成所述目标网络节点关联的推荐理由。
7.一种推荐理由生成装置,其特征在于,包括:
目标路径获取模块,用于在向目标用户推荐目标网络节点时,基于预先训练的网络节点图谱,获取与所述目标网络节点关联的目标节点路径;所述网络节点图谱上的每个节点是与网络节点关联的节点信息和与所述网络节点关联的用户所形成的;
目标节点获取模块,用于获取所述目标节点路径上的目标节点;
推荐理由生成模块,用于根据所述目标节点和预先设置的推荐理由生成模板,生成所述目标网络节点关联的推荐理由。
8.根据权利要求7所述的装置,其特征在于,还包括:
节点信息获取模块,用于获取多个网络节点关联的节点信息;
用户标识获取模块,用于获取与每个所述网络节点关联的用户的用户标识;
节点图谱构建模块,用于基于所述用户标识、所述节点信息和所述用户与所述网络节点之间的关联关系,构建所述网络节点图谱。
9.一种电子设备,其特征在于,包括:
处理器、存储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程序时实现如权利要求1至6任一项所述的推荐理由生成方法。
10.一种可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至6任一项所述的推荐理由生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010768903.XA CN112085554A (zh) | 2020-08-03 | 2020-08-03 | 推荐理由生成方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010768903.XA CN112085554A (zh) | 2020-08-03 | 2020-08-03 | 推荐理由生成方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112085554A true CN112085554A (zh) | 2020-12-15 |
Family
ID=73735238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010768903.XA Pending CN112085554A (zh) | 2020-08-03 | 2020-08-03 | 推荐理由生成方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085554A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685651A (zh) * | 2021-01-29 | 2021-04-20 | 湖南安蓉科技有限公司 | 基于多目标属性的最近邻搜索的服务推荐方法 |
CN113190748A (zh) * | 2021-04-30 | 2021-07-30 | 北京达佳互联信息技术有限公司 | 账户推荐方法、装置、电子设备、计算机可读存储介质 |
-
2020
- 2020-08-03 CN CN202010768903.XA patent/CN112085554A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685651A (zh) * | 2021-01-29 | 2021-04-20 | 湖南安蓉科技有限公司 | 基于多目标属性的最近邻搜索的服务推荐方法 |
CN112685651B (zh) * | 2021-01-29 | 2021-10-19 | 湖南安蓉科技有限公司 | 基于多目标属性的最近邻搜索的服务推荐方法 |
CN113190748A (zh) * | 2021-04-30 | 2021-07-30 | 北京达佳互联信息技术有限公司 | 账户推荐方法、装置、电子设备、计算机可读存储介质 |
CN113190748B (zh) * | 2021-04-30 | 2023-11-28 | 北京达佳互联信息技术有限公司 | 账户推荐方法、装置、电子设备、计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6130609B2 (ja) | オンライン・ソーシャル・ネットワーク用のクライアント側検索テンプレート | |
US9064212B2 (en) | Automatic event categorization for event ticket network systems | |
JP6182279B2 (ja) | データ分析システム、データ分析方法、データ分析プログラム、および、記録媒体 | |
CN112000819B (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
US20130080208A1 (en) | User-Centric Opinion Analysis for Customer Relationship Management | |
CN110728298A (zh) | 多任务分类模型训练方法、多任务分类方法及装置 | |
CN108694647B (zh) | 一种商户推荐理由的挖掘方法及装置,电子设备 | |
CN111353091A (zh) | 信息处理方法、装置、电子设备及可读存储介质 | |
CN108596695B (zh) | 实体推送方法及系统 | |
CN111061946A (zh) | 场景化内容推荐方法、装置、电子设备及存储介质 | |
EP2862105A1 (en) | Ranking search results based on click through rates | |
CA2655196A1 (en) | System and method for generating a display of tags | |
US11017430B2 (en) | Delivering advertisements based on user sentiment and learned behavior | |
US20200356781A1 (en) | Method and apparatus for performing categorised matching of videos, and selection engine | |
CN110597962A (zh) | 搜索结果展示方法、装置、介质及电子设备 | |
CN108429776B (zh) | 网络对象的推送方法、装置、客户端、交互设备以及系统 | |
JP6472573B2 (ja) | データ分析手法候補決定装置 | |
CN110532469B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN112288042A (zh) | 行为预测系统的更新方法及装置、存储介质和计算设备 | |
US20190311415A1 (en) | Adaptive Multi-Perceptual Similarity Detection and Resolution | |
CN112085554A (zh) | 推荐理由生成方法、装置、电子设备及可读存储介质 | |
CN107622197A (zh) | 设备识别方法及装置、用于设备识别的权重计算方法及装置 | |
US20140214548A1 (en) | User Profiling Using Submitted Review Content | |
CN111160783A (zh) | 数字资产价值的评价方法、系统及电子设备 | |
JP5422284B2 (ja) | 利用者情報提供システム及び利用者情報提供方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201215 |
|
WD01 | Invention patent application deemed withdrawn after publication |