CN112231350A - 一种基于知识图谱的企业商机挖掘方法和装置 - Google Patents
一种基于知识图谱的企业商机挖掘方法和装置 Download PDFInfo
- Publication number
- CN112231350A CN112231350A CN202011090162.0A CN202011090162A CN112231350A CN 112231350 A CN112231350 A CN 112231350A CN 202011090162 A CN202011090162 A CN 202011090162A CN 112231350 A CN112231350 A CN 112231350A
- Authority
- CN
- China
- Prior art keywords
- business
- knowledge
- enterprise
- knowledge graph
- reach
- 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
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种基于知识图谱的企业商机挖掘方法及装置、计算设备及存储介质,其中所述基于知识图谱的企业商机挖掘方法,包括:对企业的各类数据进行数据处理,搭建知识图谱数据库;基于知识图谱数据库构建知识图谱结构模型,建立知识图谱;基于知识图谱确定触达客户企业的最短路径和路径触达概率;以及,基于知识图谱和触达客户企业的最短路径确定商机和商机触达概率;将所有客户企业的路径触达概率和商机触达概率加权相乘并排序,基于排序进行商机触达。
Description
技术领域
本公开涉及企业商机挖掘方法,尤其是涉及一种基于知识图谱的企业商机挖掘方法。
背景技术
目前,企业大都以全网电话、广告营销方式进行商机挖掘,开发客户和市场,提升企业效益,一方面营销成本巨大,另一方面随着个人信息隐私的重视度提升,可能会造成广大用户的反感、对企业品牌有所影响。此外,传统的商机挖掘基于单一的表信息,无法利用复杂的关系网络实现多属性、多信息融合的知识推理,在一定程度上降低了企业可触达企业客户范围。
因此,需要提供一种改进的基于知识图谱的企业商机挖掘方法。
发明内容
本公开的示例性实施例的目的在于克服现有技术中的上述的和/或其他的问题。
因此,根据本公开的一个方面,提供了一种基于知识图谱的企业商机挖掘方法,包括:
对企业的各类数据进行数据处理,搭建知识图谱数据库;
基于知识图谱数据库构建知识图谱结构模型,建立知识图谱;
基于知识图谱确定触达客户企业的最短路径和路径触达概率;
基于知识图谱和触达客户企业的最短路径确定商机和商机触达概率;以及,将所有客户企业的路径触达概率和商机触达概率加权相乘并排序,基于排序进行商机触达。
可选的,其中对企业的各类数据进行数据处理,搭建知识图谱数据库包括:
获取企业的数据,所述的数据包括内部数据和外部数据,所述的外部数据包括基于社交网络、移动互联网获取的企业工商数据、证照数据、知识产权数据、舆情数据、政策数据;
抽取数据并放入数据仓库,基于分布式计算工具对数据仓库中的数据进行数据整合和知识提取,确定知识图谱数据库。
可选的,其中基于知识图谱数据库构建知识图谱结构模型,建立知识图谱包括:
基于知识图谱数据库的知识构建实体和知识图谱结构模型,根据实体关联关系建立知识图谱。
可选的,其中基于知识图谱确定所有触达客户企业的最短路径和路径触达概率包括:
基于知识图谱进行知识检索,按照Dijkstra算法确定触达客户企业的最短路径,按照路径长度设定路径触达概率。
可选的,其中基于知识图谱或触达客户企业的最短路径确定商机和商机触达概率。包括:
基于触达客户企业的最短路径,以最短路径为输入按照KNN算法确定商机,确定商机触达概率。
可选的,其中基于知识图谱或触达客户企业的最短路径确定商机和商机触达概率包括:
基于知识图谱中的产品属性,以产品属性为输入按照相似度算法挖掘商机,确定商机触达概率。
可选的,其中基于知识图谱或触达客户企业的最短路径确定商机和商机触达概率包括:
当新的事件发生后,确定事件对应的特征值,以特征值为输入按照逻辑回归算法挖掘商机,确定商机触达概率。
可选的,其中将客户企业的路径触达概率和商机触达概率加权相乘并排序,基于排序进行商机触达包括:
将客户企业的路径触达概率和商机触达概率加权相乘得到结果,按照结果递减顺序排序,基于排序进行商机触达。
根据本公开的另一个方面,提供了一种基于知识图谱的企业商机挖掘装置,包括:
知识图谱数据库搭建单元,用于对企业的各类数据进行数据处理,搭建知识图谱数据库;
知识图谱建立单元,基于知识图谱数据库构建知识图谱结构模型,建立知识图谱;
最短路径和路径触达概率确定单元,基于知识图谱确定触达客户企业的最短路径和路径触达概率;
商机和商机触达概率确定单元,基于知识图谱和触达客户企业的最短路径确定商机和商机触达概率;以及,
商机触达单元,用于将所有客户企业的路径触达概率和商机触达概率加权相乘并排序,基于排序进行商机触达。
根据本说明书实施例的另一方面,提供了一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令,所述处理器执行所述指令时实现如上所述的一种基于知识图谱的企业商机挖掘方法的步骤。
根据本说明书实施例的另一方面,提供了一种计算机可读存储介质,其存储有计算机指令,其特征在于,该指令被处理器执行时实现如上所述的一种基于知识图谱的企业商机挖掘方法的步骤。
根据示例性实施例,基于大数据建立的知识图谱进行商机挖掘,可以扩大可触达企业客户范围,使企业的潜在商机呈指数级增长;同时基于连结关系和事件监测,运用商机挖掘算法实现智能监测和挖掘,第一时间发现商机、匹配产品;此外,通过知识图谱确定最短路径,确定商机最短可触达联系人,一方面减少因传统全网电话、广告营销等造成巨大的营销成本,另一方面精准触达可以提升商机有效性。
附图说明
通过结合附图对于本公开的示例性实施例进行描述,可以更好地理解本公开,在附图中:
图1所示的是根据本公开实施例的计算设备的示意性结构框图;
图2所示的是根据本公开实施例的一种基于知识图谱的企业商机挖掘方法示意性流程图;
图3是示出根据本公开实施例的一种基于知识图谱的企业商机挖掘装置结构示意图。
具体实施方式
以下将描述本公开的具体实施方式,需要指出的是,在这些实施方式的具体描述过程中,为了进行简明扼要的描述,本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是,在任意一种实施方式的实际实施过程中,正如在任意一个工程项目或者设计项目的过程中,为了实现开发者的具体目标,为了满足系统相关的或者商业相关的限制,常常会做出各种各样的具体决策,而这也会从一种实施方式到另一种实施方式之间发生改变。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,然而对于与本公开公开的内容相关的本领域的普通技术人员而言,在本公开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,不应当理解为本公开的内容不充分。
除非另作定义,权利要求书和说明书中使用的技术术语或者科学术语应当为本公开所属技术领域内具有一般技能的人士所理解的通常意义。本公开专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件,并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,也不限于是直接的还是间接的连接。
图1示出了根据本说明书一实施例的计算设备100的结构框图。该计算设备100的部件包括但不限于存储器110和处理器120。处理器120与存储器110通过总线130相连接,数据库150用于保存数据。
计算设备100还包括接入设备140,接入设备140使得计算设备100能够经由一个或多个网络160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140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100的上述部件以及图1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1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100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100还可以是移动式或静止式的服务器。
其中,处理器120可以执行图2所示方法中的步骤。
图2是示出了根据本申请一实施例的一种基于知识图谱的企业商机挖掘方法的示意性流程图,包括步骤201至步骤205。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
步骤201:对企业的各类数据进行数据处理,搭建知识图谱数据库。
在本申请实施例中,获取企业的数据,所述的数据包括内部数据和外部数据,所述的内部数据可以是企业内部交易数据,所述的外部数据包括基于社交网络、移动互联网获取的企业工商数据、证照数据、知识产权数据、舆情数据、政策数据;抽取数据并放入数据仓库,基于分布式计算工具对数据仓库中的数据进行数据整合和知识提取,确定知识图谱数据库,例如,优于获得的企业数据为海量数据,所以通过Kettle、Sqoop和Flume等ETL工具放入到Hive中,并利用Mapreduce和Spar将结构化的数据进行数据整合,将半结构化和非结构化的数据进行知识提取,包括实体识别、属性识别、关系识别,这样,就搭建了知识图谱数据库。
步骤202:基于知识图谱数据库构建知识图谱结构模型,建立知识图谱。
在本申请实施例中,基于知识图谱数据库的知识构建实体和知识图谱结构模型,根据实体关联关系建立知识图谱。例如,基于知识图谱数据库的知识建立以机构为核心的知识图谱结构模型,从产品、风险、行业、人等构建实体,基于实体间投资、拥有、属于以及舆情、政策相关事件等实体多方面的关联关系建立知识图谱。
步骤203:基于知识图谱确定触达客户企业的最短路径和路径触达概率。
在本申请实施例中,基于知识图谱进行知识检索,按照Dijkstra算法确定触达客户企业的最短路径,按照路径长度设定路径触达概率。例如,可以通过检索知识图谱中实体间多方面的关联关系,确定实体间距离,并以距离为输入基于python实现Dijkstra算法,确定本企业触达所有客户企业的最短路径.。而且,本企业触达客户企业的路径越短,触达成功的概率越大,这样,将所述的路径按照从小到大的顺序排序,并按照最短路径从小到大的顺序,按照从大到小的顺序设定路径触达概率。
步骤204:基于知识图谱和触达客户企业的最短路径确定商机和商机触达概率。
在本申请实施例中,基于触达客户企业的最短路径,以最短路径为输入按照KNN算法确定商机,确定商机触达概率。例如,当知识图谱中新增机构时,计算新增机构与已有机构的路径,并按照路径确定距离,并以距离为输入按照KNN算法设定的参数K,基于KNN算法确定距离新增机构最近的K个机构,并确定K个机构属性频率最高的属性类别,并将所述的属性类别,确定为新增机构对应的商机,并可以获得商机触达概率。
在本申请实施例中,基于知识图谱中的产品属性,以产品属性为输入按照相似度算法挖掘商机,确定商机触达概率。基于知识图谱中的产品属性,所述的产品属性可以是多维度的,这样,就可以以产品属性为输入按照相似度算法计算相似度,并对相似度计算结果进行排序,并将相似度结果大于设定的阈值的产品确定为商机,并可以获得商机触达概率。
在本申请实施例中,当监测到新的事件发生后,确定事件对应的特征值,以特征值为输入按照逻辑回归算法挖掘商机,确定商机触达概率。这样,通过新事件发生后,基于连结关系和事件监测,就可以实现智能监测和商机挖掘,以第一时间发现商机。
步骤205:将所有客户企业的路径触达概率和商机触达概率加权相乘并排序,基于排序进行商机触达。
在本申请实施例中,将客户企业的路径触达概率和商机触达概率加权相乘得到结果,按照结果递减顺序排序,基于排序进行商机触达。本企业触达客户企业的路径越短,触达成功的概率越大;基于KNN算法、相似度算法和线性回归算法得到的商机均具有一定的概率,因此将客户企业的路径触达概率和商机触达概率相乘加权相乘得到结果,按照结果递减顺序排序,基于排序进行商机触达。
与上述方法实施例相对应,本说明书还提供了一种基于知识图谱的企业商机挖掘装置实施例,图3示出了本说明书一个实施例的一种基于知识图谱的企业商机挖掘装置300结构示意图。如图3所示,该装置包括:
知识图谱数据库搭建单元301,用于对企业的各类数据进行数据处理,搭建知识图谱数据库;
知识图谱建立单元302,基于知识图谱数据库构建知识图谱结构模型,建立知识图谱;
最短路径和路径触达概率确定单元303,基于知识图谱确定触达客户企业的最短路径和路径触达概率;
商机和商机触达概率确定单元304,基于知识图谱和触达客户企业的最短路径确定商机和商机触达概率;以及,
商机触达单元305,用于将所有客户企业的路径触达概率和商机触达概率加权相乘并排序,基于排序进行商机触达。
本申请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实现如前所述基于知识图谱的企业商机挖掘方法的步骤。
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基于知识图谱的企业商机挖掘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,均可以参见上述一种基于知识图谱的企业商机挖掘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,RandomAccess 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。
综上所述,根据示例性实施例,基于大数据建立的知识图谱进行商机挖掘,可以扩大可触达企业客户范围,使企业的潜在商机呈指数级增长;同时基于连结关系和事件监测,运用商机挖掘算法实现智能监测和挖掘,第一时间发现商机、匹配产品;此外,通过知识图谱确定最短路径,确定商机最短可触达联系人,一方面减少因传统全网电话、广告营销等造成巨大的营销成本,另一方面精准触达可以提升商机有效性。
需要指出的是,在本公开的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种基于知识图谱的企业商机挖掘方法,包括:
对企业的各类数据进行数据处理,搭建知识图谱数据库;
基于知识图谱数据库构建知识图谱结构模型,建立知识图谱;
基于知识图谱确定触达客户企业的最短路径和路径触达概率;
基于知识图谱和触达客户企业的最短路径确定商机和商机触达概率;以及,将所有客户企业的路径触达概率和商机触达概率加权相乘并排序,基于排序进行商机触达。
2.如权利要求1所述的基于知识图谱的企业商机挖掘方法,其中对企业的各类数据进行数据处理,搭建知识图谱数据库包括:
获取企业的数据,所述的数据包括内部数据和外部数据,所述的外部数据包括基于社交网络、移动互联网获取的企业工商数据、证照数据、知识产权数据、舆情数据、政策数据;
抽取数据并放入数据仓库,基于分布式计算工具对数据仓库中的数据进行数据整合和知识提取,确定知识图谱数据库。
3.如权利要求1所述的基于知识图谱的企业商机挖掘方法,其中基于知识图谱数据库构建知识图谱结构模型,建立知识图谱包括:
基于知识图谱数据库的知识构建实体和知识图谱结构模型,根据实体关联关系建立知识图谱;
和/或,其中基于知识图谱确定所有触达客户企业的最短路径和路径触达概率包括:
基于知识图谱进行知识检索,按照Dijkstra算法确定触达客户企业的最短路径,按照路径长度设定路径触达概率。
4.如权利要求1所述的基于知识图谱的企业商机挖掘方法,其中基于知识图谱或触达客户企业的最短路径确定商机和商机触达概率。包括:
基于触达客户企业的最短路径,以最短路径为输入按照KNN算法确定商机,确定商机触达概率。
5.如权利要求1所述的基于知识图谱的企业商机挖掘方法,其中基于知识图谱或触达客户企业的最短路径确定商机和商机触达概率包括:
基于知识图谱中的产品属性,以产品属性为输入按照相似度算法挖掘商机,确定商机触达概率。
6.如权利要求1所述的基于知识图谱的企业商机挖掘方法,其中基于知识图谱或触达客户企业的最短路径确定商机和商机触达概率包括:
当新的事件发生后,确定事件对应的特征值,以特征值为输入按照逻辑回归算法挖掘商机,确定商机触达概率。
7.如权利要求4或5或6所述的基于知识图谱的企业商机挖掘方法,其中将客户企业的路径触达概率和商机触达概率加权相乘并排序,基于排序进行商机触达包括:
将客户企业的路径触达概率和商机触达概率加权相乘得到结果,按照结果递减顺序排序,基于排序进行商机触达。
8.一种基于知识图谱的企业商机挖掘装置,其特征在于,包括:
知识图谱数据库搭建单元,用于对企业的各类数据进行数据处理,搭建知识图谱数据库;
知识图谱建立单元,基于知识图谱数据库构建知识图谱结构模型,建立知识图谱;
最短路径和路径触达概率确定单元,基于知识图谱确定触达客户企业的最短路径和路径触达概率;
商机和商机触达概率确定单元,基于知识图谱和触达客户企业的最短路径确定商机和商机触达概率;以及,
商机触达单元,用于将所有客户企业的路径触达概率和商机触达概率加权相乘并排序,基于排序进行商机触达。
9.一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令,其特征在于,所述处理器执行所述指令时实现权利要求1-8任意一项所述方法的步骤。
10.一种计算机可读存储介质,其存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1-7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090162.0A CN112231350B (zh) | 2020-10-13 | 2020-10-13 | 一种基于知识图谱的企业商机挖掘方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011090162.0A CN112231350B (zh) | 2020-10-13 | 2020-10-13 | 一种基于知识图谱的企业商机挖掘方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112231350A true CN112231350A (zh) | 2021-01-15 |
CN112231350B CN112231350B (zh) | 2022-04-12 |
Family
ID=74112453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011090162.0A Active CN112231350B (zh) | 2020-10-13 | 2020-10-13 | 一种基于知识图谱的企业商机挖掘方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231350B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948469A (zh) * | 2021-04-16 | 2021-06-11 | 平安科技(深圳)有限公司 | 数据挖掘方法、装置、计算机设备及存储介质 |
CN113051409A (zh) * | 2021-04-09 | 2021-06-29 | 北京基智科技有限公司 | 基于多维度信息计算的知产行业商机推荐系统及存储介质 |
CN113157891A (zh) * | 2021-05-07 | 2021-07-23 | 泰康保险集团股份有限公司 | 知识图谱路径排序方法、系统、设备及存储介质 |
CN113362113A (zh) * | 2021-06-07 | 2021-09-07 | 中国工商银行股份有限公司 | 一种企业行为偏好的获取方法及装置 |
CN113592568A (zh) * | 2021-09-30 | 2021-11-02 | 深圳前海环融联易信息科技服务有限公司 | 一种商机挖掘方法、装置、计算机设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604312A (zh) * | 2007-12-07 | 2009-12-16 | 宗刚 | 信息的检索管理交流的方法和系统 |
CN101645155A (zh) * | 2008-08-08 | 2010-02-10 | 陈列生 | 一种网络营销方法 |
CN102722566A (zh) * | 2012-06-04 | 2012-10-10 | 上海电力学院 | 社交网络中潜在好友查询方法 |
CN103078956A (zh) * | 2013-02-01 | 2013-05-01 | 杭州蓝谷科技有限公司 | 一种实现数据精准挖掘的信息交互系统 |
CN103593747A (zh) * | 2013-11-07 | 2014-02-19 | 银江股份有限公司 | 一种基于meanshift分类的大规模客户点分类配送方法 |
CN104504448A (zh) * | 2014-07-02 | 2015-04-08 | 上海大学 | 基于图论的产品低碳设计方法 |
CN108846006A (zh) * | 2018-04-24 | 2018-11-20 | 成都量子矩阵科技有限公司 | 财经领域非结构化文本数据的挖掘、搜索方法与系统 |
CN109460491A (zh) * | 2018-10-19 | 2019-03-12 | 中山大学 | 基于Neo4j数据库的时序最短路径查询方法 |
CN109492077A (zh) * | 2018-09-29 | 2019-03-19 | 北明智通(北京)科技有限公司 | 基于知识图谱的石化领域问答方法及系统 |
CN109657868A (zh) * | 2018-12-26 | 2019-04-19 | 北京理工大学 | 一种任务时序逻辑约束的概率规划识别方法 |
CN110119466A (zh) * | 2019-03-29 | 2019-08-13 | 五渡(杭州)科技有限责任公司 | 一种大数据智能营销系统及其方法 |
CN110704434A (zh) * | 2019-09-24 | 2020-01-17 | 北京百度网讯科技有限公司 | 图谱最短路径的查询方法、装置、电子设备和存储介质 |
CN110781308A (zh) * | 2019-06-25 | 2020-02-11 | 广微数据科技(苏州)有限公司 | 一种基于大数据构建知识图谱的反欺诈系统 |
WO2020056984A1 (zh) * | 2018-09-19 | 2020-03-26 | 平安科技(深圳)有限公司 | 最短路径查询方法、系统、计算机设备和存储介质 |
-
2020
- 2020-10-13 CN CN202011090162.0A patent/CN112231350B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604312A (zh) * | 2007-12-07 | 2009-12-16 | 宗刚 | 信息的检索管理交流的方法和系统 |
CN101645155A (zh) * | 2008-08-08 | 2010-02-10 | 陈列生 | 一种网络营销方法 |
CN102722566A (zh) * | 2012-06-04 | 2012-10-10 | 上海电力学院 | 社交网络中潜在好友查询方法 |
CN103078956A (zh) * | 2013-02-01 | 2013-05-01 | 杭州蓝谷科技有限公司 | 一种实现数据精准挖掘的信息交互系统 |
CN103593747A (zh) * | 2013-11-07 | 2014-02-19 | 银江股份有限公司 | 一种基于meanshift分类的大规模客户点分类配送方法 |
CN104504448A (zh) * | 2014-07-02 | 2015-04-08 | 上海大学 | 基于图论的产品低碳设计方法 |
CN108846006A (zh) * | 2018-04-24 | 2018-11-20 | 成都量子矩阵科技有限公司 | 财经领域非结构化文本数据的挖掘、搜索方法与系统 |
WO2020056984A1 (zh) * | 2018-09-19 | 2020-03-26 | 平安科技(深圳)有限公司 | 最短路径查询方法、系统、计算机设备和存储介质 |
CN109492077A (zh) * | 2018-09-29 | 2019-03-19 | 北明智通(北京)科技有限公司 | 基于知识图谱的石化领域问答方法及系统 |
CN109460491A (zh) * | 2018-10-19 | 2019-03-12 | 中山大学 | 基于Neo4j数据库的时序最短路径查询方法 |
CN109657868A (zh) * | 2018-12-26 | 2019-04-19 | 北京理工大学 | 一种任务时序逻辑约束的概率规划识别方法 |
CN110119466A (zh) * | 2019-03-29 | 2019-08-13 | 五渡(杭州)科技有限责任公司 | 一种大数据智能营销系统及其方法 |
CN110781308A (zh) * | 2019-06-25 | 2020-02-11 | 广微数据科技(苏州)有限公司 | 一种基于大数据构建知识图谱的反欺诈系统 |
CN110704434A (zh) * | 2019-09-24 | 2020-01-17 | 北京百度网讯科技有限公司 | 图谱最短路径的查询方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
WILHELM DANGELMAIER ET AL.: ""The Shortest Path Problem in Uncertain Domains -- an Agent based Approach with Bayesian Networks"", 《INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEMS DESIGN AND APPLICATIONS》 * |
高松: ""基于知识图谱的合作者推荐系统设计与实现"", 《万方数据知识服务平台》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051409A (zh) * | 2021-04-09 | 2021-06-29 | 北京基智科技有限公司 | 基于多维度信息计算的知产行业商机推荐系统及存储介质 |
CN112948469A (zh) * | 2021-04-16 | 2021-06-11 | 平安科技(深圳)有限公司 | 数据挖掘方法、装置、计算机设备及存储介质 |
CN112948469B (zh) * | 2021-04-16 | 2023-10-13 | 平安科技(深圳)有限公司 | 数据挖掘方法、装置、计算机设备及存储介质 |
CN113157891A (zh) * | 2021-05-07 | 2021-07-23 | 泰康保险集团股份有限公司 | 知识图谱路径排序方法、系统、设备及存储介质 |
CN113157891B (zh) * | 2021-05-07 | 2023-11-17 | 泰康保险集团股份有限公司 | 知识图谱路径排序方法、系统、设备及存储介质 |
CN113362113A (zh) * | 2021-06-07 | 2021-09-07 | 中国工商银行股份有限公司 | 一种企业行为偏好的获取方法及装置 |
CN113592568A (zh) * | 2021-09-30 | 2021-11-02 | 深圳前海环融联易信息科技服务有限公司 | 一种商机挖掘方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112231350B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112231350B (zh) | 一种基于知识图谱的企业商机挖掘方法和装置 | |
US11593894B2 (en) | Interest recommendation method, computer device, and storage medium | |
Wang et al. | Efficient computing of radius-bounded k-cores | |
WO2020083020A1 (zh) | 确定用户对物品的兴趣度的方法与装置、设备和存储介质 | |
Lee et al. | An uncertainty-based approach: frequent itemset mining from uncertain data with different item importance | |
US20240152732A1 (en) | Training and prediction of hybrid graph neural network model | |
CN111010592B (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
CN112669096A (zh) | 对象推荐模型训练方法以及装置 | |
CN115062732B (zh) | 基于大数据用户标签信息的资源共享合作推荐方法及系统 | |
Li et al. | MapReduce-based web mining for prediction of web-user navigation | |
WO2022188646A1 (zh) | 图数据处理方法、装置、设备、存储介质及程序产品 | |
US11556595B2 (en) | Attribute diversity for frequent pattern analysis | |
CN112966177A (zh) | 咨询意图的识别方法、装置、设备以及存储介质 | |
Jiang et al. | A business intelligence solution for frequent pattern mining on social networks | |
Kumar et al. | Cuisine prediction based on ingredients using tree boosting algorithms | |
Khedkar et al. | Market basket analysis using A-priori algorithm and FP-tree algorithm | |
Abel et al. | Regional based query in graph active learning | |
Sharma et al. | Comparative analysis of different algorithms in link prediction on social networks | |
Farooqi et al. | A Model for UnifiedAgile Business Intelligence | |
CN114282119A (zh) | 一种基于异构信息网络的科技信息资源检索方法及系统 | |
CN113946755A (zh) | 基于关联规则的信息推送方法、装置、设备及存储介质 | |
Jin et al. | node2bits: Compact time-and attribute-aware node representations | |
Sharma et al. | Analysis of association rule in data mining | |
Ojha et al. | Data science and big data analytics | |
Jia et al. | Improved C4. 5 decision tree |
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: 20221129 Address after: Room 1111, 11th Floor, Main Building, Chengjian Beiyuan Hotel, No. 5 Courtyard, Anwai Beiyuan, Chaoyang District, Beijing 100020 Patentee after: Hantang Xintong (Beijing) Consulting Co.,Ltd. Address before: Room 118, 1st Floor, Building 15 #, Chuangke Town Community Supporting Commercial Building, Wenquan Town, Haidian District, Beijing 100089 Patentee before: SINO TONE COMMUNICATION (BEIJING) TECHNOLOGY CO.,LTD. |