CN112711707A - 一种基于深度学习推荐系统的家庭寻物方法及设备 - Google Patents
一种基于深度学习推荐系统的家庭寻物方法及设备 Download PDFInfo
- Publication number
- CN112711707A CN112711707A CN202011601108.8A CN202011601108A CN112711707A CN 112711707 A CN112711707 A CN 112711707A CN 202011601108 A CN202011601108 A CN 202011601108A CN 112711707 A CN112711707 A CN 112711707A
- Authority
- CN
- China
- Prior art keywords
- item
- user
- monitoring camera
- hidden representation
- recommendation list
- 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 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习推荐系统的家庭寻物方法及设备，该方案包括：基于用户信息进行重构，得到构造好的模型，获取所述用户的隐表示和/或项目的隐表示；将所述构造好的模型发送至追踪监控摄像设备，根据所述用户的隐表示和/或所述项目的隐表示，通过所述追踪监控摄像设备对物品出现的地点进行回溯，得到推荐列表；基于所述推荐列表，获取所述物品的可寻找地点，找到所述物品。
Description
技术领域
本说明书实施例涉及人工智能技术领域，尤其涉及一种基于深度学习推荐系统的家庭寻物方法及设备。
背景技术
近年来，人工智能技术成为当今科技热点，包括中国在内的科技大国纷纷制定人工智能发展战略，人工智能技术迅猛发展，人类进入人工智能的新时代，人工智能技术渗透在生活的方方面面。
在家庭生活中，总会遇到急需寻找某件物品的情况。现有技术下，一般是对物品进行改造，比如增加一些芯片用于定位，但这种家庭寻物方法成本较高，工程琐碎且繁杂。又由于当前的推荐算法有比较大的局限性，当打分很稀疏时，预测精度会严重下降，而将深度学习应用于推荐系统中，由于其最先进的性能和高质量的建议，可以更好地理解用户的需求。
基于此，如何提供一种方便快捷的基于深度学习推荐系统的家庭寻物方法及设备成为亟需解决的技术问题。
发明内容
本说明书实施例提供一种基于深度学习推荐系统的家庭寻物方法及设备，用以解决现有技术中的如下技术问题：
现有技术中的家庭寻物方法成本较高，工程琐碎且繁杂，并且当前的推荐算法有比较大的局限性。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供一种基于深度学习推荐系统的家庭寻物方法，包括：
基于用户信息进行重构，得到构造好的模型，获取所述用户的隐表示和/或项目的隐表示；
将所述构造好的模型发送至追踪监控摄像设备，根据所述用户的隐表示和/或所述项目的隐表示，通过所述追踪监控摄像设备对物品出现的地点进行回溯，得到推荐列表；
基于所述推荐列表，获取所述物品的可寻找地点，找到所述物品。
可选地，在通过追踪监控摄像设备对物品出现的地点进行回溯之前，所述方法还包括：基于所述用户提供的最后一次使用所述物品的时间，对所述回溯的时间进行设置。
可选地，在将所述构造好的模型发送至追踪监控摄像设备之后，通过所述追踪监控摄像设备对物品出现的地点进行回溯之前，所述方法还包括：在所述追踪监控摄像设备中，生成锚点，得到标定参数。
可选地，所述用户的隐表示，具体包括：所述用户从终端设备发送的需要寻找的所述物品的描述信息。
可选地，所述描述信息，至少包括文字信息、图片信息、语音信息中的一种。
可选地，所述推荐列表，具体包括：至少一个推荐物品和所述推荐物品的至少一个推荐地点。
可选地，在得到推荐列表之后，获取所述物品的可寻找地点之前，所述方法还包括：
判断需要寻找的所述物品是否在所述推荐列表中；
若所述需要寻找的所述物品在所述推荐列表中，选择正确的推荐物品。
可选地，在获取所述物品的可寻找地点之后，所述方法还包括：判断所述选择正确的推荐物品的所述推荐地点是否正确，并收集相关数据。
可选地，所述方法还包括：
获取所述收集到的相关数据，制作迭代训练数据集；
对所述构造好的模型持续迭代训练，持续获得新的模型。
本说明书实施例提供一种基于深度学习推荐系统的家庭寻物设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
基于用户信息进行重构，得到构造好的模型，获取所述用户的隐表示和/或项目的隐表示；
将所述构造好的模型发送至追踪监控摄像设备，根据所述用户的隐表示和/或所述项目的隐表示，通过所述追踪监控摄像设备对物品出现的地点进行回溯，得到推荐列表；
基于所述推荐列表，获取所述物品的可寻找地点，找到所述物品。
本说明书实施例采用上述至少一个技术方案能够达到以下有益效果：
附图说明
此处所说明的附图用来提供对本说明书实施例的进一步理解，构成本说明书实施例的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对申请的不当限定。在附图中：
图1为本申请实施例提供的一种基于深度学习推荐系统的家庭寻物方法的流程示意图；
图2为本申请实施例提供的一种基于深度学习推荐系统的家庭寻物方法的示意图；
图3为本申请实施例提供的一种基于深度学习推荐系统的家庭寻物设备的结构式示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于说明书中的实施例，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。
本申请的实施例提供了一种基于深度学习推荐系统的家庭寻物方法，下面进行具体说明：
图1为本申请实施例提供的一种基于深度学习推荐系统的家庭寻物方法的流程示意图，图1中的流程包括以下步骤：
S101：基于用户信息进行重构，得到构造好的模型，获取所述用户的隐表示和/或项目的隐表示；
S102：将所述构造好的模型发送至追踪监控摄像设备，根据所述用户的隐表示和/或所述项目的隐表示，通过所述追踪监控摄像设备对物品出现的地点进行回溯，得到推荐列表；
S103：基于所述推荐列表，获取所述物品的可寻找地点，找到所述物品。
深度学习可通过学习一种深层次非线性网络结构，表征用户和项目相关的海量数据，具有强大的从样本中学习数据集本质的能力，获取用户和项目的深层次特征表示，并根据学习的数据，为用户推荐需要寻找的家庭物品。根据用户的显式反馈或隐式反馈数据为用户进行画像，提取出用户经常需要找不到的物品，和这些物品经常被随手乱放的位置，为用户进行可靠地推荐寻找地点。
需要说明的是，本发明要结合可实时追踪的摄像装备和终端设备来为用户进行服务。本发明硬件模块包括至少包括追踪摄像设备、计算单元和用户使用模块。其中，计算单元可以是基于追踪摄像头自带的计算单元、能够开启广角摄像头的手机等；用户使用模块可以是基于用户手机APP来设置的。
首先，基于用户信息进行重构，得到构造好的模型，获取用户的隐表示和/或项目的隐表示。
用户的隐表示指的是用户从终端设备发送的需要寻找的物品的描述信息。其中，描述信息至少包括文字信息、图片信息、语音信息中的一种。其中，终端设备可以可以包括PC设备和移动设备，其移动设备可以包括但不限于手机、平板和其他特定通讯设备；终端设备的种类可以是手机、平板和其他特定通讯设备中的一种，也可以是多种；终端设备的数量可以为手机、平板和其他特定通讯设备中任意种类中的一台，也可以为手机、平板和其他特定通讯设备中任意种类中的多台。
将构造好的模型发送至追踪监控摄像设备，根据用户的隐表示和/或所述项目的隐表示，通过追踪监控摄像设备对物品出现的地点进行回溯，得到推荐列表。其中，推荐列表具体包括：至少一个推荐物品和推荐物品的至少一个推荐地点。
基于推荐列表，获取物品的可寻找地点，找到所述物品。
利用多层感知机模型，多层前馈网络能够让任意的可测函数接近任意的期望精度。其通过对用户信息进行重构学习到用户或项目的隐表示，其用户信息包括评分数据和文本、图像等信息，然后基于这种隐表示预测用户常用的场景。通过追踪监控摄像设备实时对物品出现的场景进行回溯，然后提示物品可能被存放的位置。
在通过追踪监控摄像设备对物品出现的地点进行回溯之前，本发明还提出：基于所述用户提供的最后一次使用所述物品的时间，对所述回溯的时间进行设置。用户可以通过在手机APP上，发送需要寻找物品的名字或之前存储在手机上的照片，来进行对相似物品的时间回溯寻找。用户也可以通过回忆上次使用该物品的情况，对回溯的时间进行设置，最后确定在摄像头中最后一次出现该物品的地点和时间。基于此，提示用户可寻找地点，让用户更加快速有效地找到自己需要的物品。
在将构造好的模型发送至追踪监控摄像设备之后，通过追踪监控摄像设备对物品出现的地点进行回溯之前，本发明还提出：在追踪监控摄像设备中，生成锚点，得到标定参数。
在得到推荐列表之后，获取物品的可寻找地点之前，本发明还提出，判断需要寻找的物品是否在推荐列表中；若需要寻找的物品在推荐列表中，选择正确的推荐物品。
在获取所述物品的可寻找地点之后，本发明还提出：判断选择正确的推荐物品的推荐地点是否正确，并收集相关数据；获取收集到的相关数据，制作迭代训练数据集；对构造好的模型持续迭代训练，持续获得新的模型。
在一种实施例中，进行了如下步骤：模型预训练、模型下发、使用手机端APP进行触发、根据标定数据寻找物品、收集数据、将数据传回边缘端处理存储、迭代训练。具体步骤如下：
使用卷积神经网络对小部分数据进行卷积运算，然后池化，选出最大值；使用循环神经网络，建模数据之间的序列影响，帮助更好的获取更有效的用户隐表示和项目隐表示；将训练好的模型通过边缘端发送至带追踪的监控摄像头；手机端APP对所需要寻找的物品进行文字、图片或语音描述；在带追踪的监控摄像头中，生成锚点，并计算标定参数；调用模型进行物品寻找，并给出用户多个推荐物品或存放地点；通过用户选择所寻找物品是否在推荐列表，是第几位推荐物品和位置推荐正确否，收集数据；若有遗漏或者推荐错误，将数据进行标注，传回边缘端进行处理存储；将传回的数据归集并制作迭代训练数据集，对已有模型进行持续的训练，每训练完一个迭代后将模型下发。
图2为本申请实施例提供的一种基于深度学习推荐系统的家庭寻物方法的示意图，如图2所示，深度学习模型包括RBM、AE、CNN、RNN、DNN等；输入层有用户的显示反馈或隐式反馈数据、用户画像和项目内容等信息、用户生成内容(社会化关系、标注、评论等辅助数据)；输出层通过利用学习到的用户和项目隐表示，通过内积、相似度计算等方法产生项目的推荐列表。
本申请实施例还提供了一种基于深度学习推荐系统的家庭寻物设备的结构式示意图，如图3所示，一种基于深度学习推荐系统的家庭寻物设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
基于用户信息进行重构，得到构造好的模型，获取所述用户的隐表示和/或项目的隐表示；
将所述构造好的模型发送至追踪监控摄像设备，根据所述用户的隐表示和/或所述项目的隐表示，通过所述追踪监控摄像设备对物品出现的地点进行回溯，得到推荐列表；
基于所述推荐列表，获取所述物品的可寻找地点，找到所述物品。
处理器与存储器之间可以通过总线通信，设备还可以包括与其他设备通信的输入/输出接口。
基于同样的思路，本说明书一个或多个实施例还提供了对应于上述方法的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
基于用户信息进行重构，得到构造好的模型，获取所述用户的隐表示和/或项目的隐表示；
将所述构造好的模型发送至追踪监控摄像设备，根据所述用户的隐表示和/或所述项目的隐表示，通过所述追踪监控摄像设备对物品出现的地点进行回溯，得到推荐列表；
基于所述推荐列表，获取所述物品的可寻找地点，找到所述物品。
综上所述，本发明提供一种基于深度学习推荐系统的家庭寻物方法及设备，通过组合底层的特征，形成更加抽象的高层表示属性或特征，已发现数据的分布式特征表示，将深度学习与推荐系统相结合，由于其最先进的性能和高质量的建议，可以更好的理解用户的需求，帮助用户更快更敏捷的找到随手乱放的急需品。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的要求范围之内。
Claims (10)
1.一种基于深度学习推荐系统的家庭寻物方法，其特征在于，所述方法包括：
基于用户信息进行重构，得到构造好的模型，获取所述用户的隐表示和/或项目的隐表示；
将所述构造好的模型发送至追踪监控摄像设备，根据所述用户的隐表示和/或所述项目的隐表示，通过所述追踪监控摄像设备对物品出现的地点进行回溯，得到推荐列表；
基于所述推荐列表，获取所述物品的可寻找地点，找到所述物品。
2.根据权利要求1所述的方法，其特征在于，在通过追踪监控摄像设备对物品出现的地点进行回溯之前，所述方法还包括：
基于所述用户提供的最后一次使用所述物品的时间，对所述回溯的时间进行设置。
3.根据权利要求1所述的方法，其特征在于，在将所述构造好的模型发送至追踪监控摄像设备之后，通过所述追踪监控摄像设备对物品出现的地点进行回溯之前，所述方法还包括：
在所述追踪监控摄像设备中，生成锚点，得到标定参数。
4.根据权利要求1所述的方法，其特征在于，所述用户的隐表示，具体包括：
所述用户从终端设备发送的需要寻找的所述物品的描述信息。
5.根据权利要求4所述的方法，其特征在于，所述描述信息，至少包括文字信息、图片信息、语音信息中的一种。
6.根据权利要求1所述的方法，其特征在于，所述推荐列表，具体包括：
至少一个推荐物品和所述推荐物品的至少一个推荐地点。
7.根据权利要求6所述的方法，其特征在于，在得到推荐列表之后，获取所述物品的可寻找地点之前，所述方法还包括：
判断需要寻找的所述物品是否在所述推荐列表中；
若所述需要寻找的所述物品在所述推荐列表中，选择正确的推荐物品。
8.根据权利要求7所述的方法，其特征在于，在获取所述物品的可寻找地点，所述方法还包括：
判断所述选择正确的推荐物品的所述推荐地点是否正确，并收集相关数据。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
获取所述收集到的相关数据，制作迭代训练数据集；
对所述构造好的模型持续迭代训练，持续获得新的模型。
10.一种基于深度学习推荐系统的家庭寻物设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
基于用户信息进行重构，得到构造好的模型，获取所述用户的隐表示和/或项目的隐表示；
将所述构造好的模型发送至追踪监控摄像设备，根据所述用户的隐表示和/或所述项目的隐表示，通过所述追踪监控摄像设备对物品出现的地点进行回溯，得到推荐列表；
基于所述推荐列表，获取所述物品的可寻找地点，找到所述物品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011601108.8A CN112711707A (zh) | 2020-12-29 | 2020-12-29 | 一种基于深度学习推荐系统的家庭寻物方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011601108.8A CN112711707A (zh) | 2020-12-29 | 2020-12-29 | 一种基于深度学习推荐系统的家庭寻物方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112711707A true CN112711707A (zh) | 2021-04-27 |
Family
ID=75546791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011601108.8A Pending CN112711707A (zh) | 2020-12-29 | 2020-12-29 | 一种基于深度学习推荐系统的家庭寻物方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112711707A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105183841A (zh) * | 2015-09-06 | 2015-12-23 | 南京游族信息技术有限公司 | 大数据环境下结合频繁项集和深度学习的推荐方法 |
| CN106926247A (zh) * | 2017-01-16 | 2017-07-07 | 深圳前海勇艺达机器人有限公司 | 具有自动家中寻物的机器人 |
| CN108052860A (zh) * | 2017-11-06 | 2018-05-18 | 珠海格力电器股份有限公司 | 物品检索方法及装置 |
| AU2020102874A4 (en) * | 2020-10-19 | 2020-12-17 | Alam, Mohammad Shabbir MR | A recommendation model for aero dynamic design of structures using deep recurrent neural network |
-
2020
- 2020-12-29 CN CN202011601108.8A patent/CN112711707A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105183841A (zh) * | 2015-09-06 | 2015-12-23 | 南京游族信息技术有限公司 | 大数据环境下结合频繁项集和深度学习的推荐方法 |
| CN106926247A (zh) * | 2017-01-16 | 2017-07-07 | 深圳前海勇艺达机器人有限公司 | 具有自动家中寻物的机器人 |
| CN108052860A (zh) * | 2017-11-06 | 2018-05-18 | 珠海格力电器股份有限公司 | 物品检索方法及装置 |
| AU2020102874A4 (en) * | 2020-10-19 | 2020-12-17 | Alam, Mohammad Shabbir MR | A recommendation model for aero dynamic design of structures using deep recurrent neural network |
Non-Patent Citations (1)
| Title |
|---|
| 黄立威: ""基于深度学习的推荐系统研究综述", 《计算机学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109800325B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
| US20190103111A1 (en) | Natural Language Processing Systems and Methods | |
| CN107851092B (zh) | 个人实体建模 | |
| CN109684510B (zh) | 视频排序方法、装置、电子设备及存储介质 | |
| CN108280458B (zh) | 群体关系类型识别方法及装置 | |
| CN109446961B (zh) | 姿势检测方法、装置、设备及存储介质 | |
| CN110298212B (zh) | 模型训练方法、情绪识别方法、表情显示方法及相关设备 | |
| WO2012154348A1 (en) | Generation of topic-based language models for an app search engine | |
| CN110619050A (zh) | 意图识别方法及设备 | |
| CN109800319A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN110597965B (zh) | 文章的情感极性分析方法、装置、电子设备及存储介质 | |
| CN110209810A (zh) | 相似文本识别方法以及装置 | |
| CN107729946A (zh) | 图片分类方法、装置、终端及存储介质 | |
| CN109710732A (zh) | 信息查询方法、装置、存储介质和电子设备 | |
| CN109101505A (zh) | 一种推荐方法、推荐装置和用于推荐的装置 | |
| CN108885637A (zh) | 人物相关性平台 | |
| CN111046927B (zh) | 标注数据的处理方法、装置、电子设备及存储介质 | |
| CN112148923A (zh) | 搜索结果的排序方法、排序模型的生成方法、装置及设备 | |
| CN108197105A (zh) | 自然语言处理方法、装置、存储介质及电子设备 | |
| CN108803890A (zh) | 一种输入方法、输入装置和用于输入的装置 | |
| CN112926300A (zh) | 图像搜索方法、图像搜索装置及终端设备 | |
| CN109814730A (zh) | 输入方法和装置、用于输入的装置 | |
| CN110895558B (zh) | 一种对话回复的方法及相关装置 | |
| CN112711707A (zh) | 一种基于深度学习推荐系统的家庭寻物方法及设备 | |
| CN113157923B (zh) | 实体分类方法、装置及可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210427 |
|
| RJ01 | Rejection of invention patent application after publication |