CN112711708B - 一种基于深度学习的产品方案组合推荐方法 - Google Patents
一种基于深度学习的产品方案组合推荐方法 Download PDFInfo
- Publication number
- CN112711708B CN112711708B CN202011631152.3A CN202011631152A CN112711708B CN 112711708 B CN112711708 B CN 112711708B CN 202011631152 A CN202011631152 A CN 202011631152A CN 112711708 B CN112711708 B CN 112711708B
- Authority
- CN
- China
- Prior art keywords
- product
- generator
- vector
- scheme
- solution
- 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
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
- G06F16/9535—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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06N3/045—Combinations of 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Abstract
本申请公开了一种基于深度学习的产品方案组合推荐方法，该方法包括：收集专业领域的产品说明书和解决方案，生成产品特征向量和解决方案特征向量；将所述产品特征向量和所述解决方案特征向量输入图生成器，生成原始的产品方案图结构；将所述原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构；所述生成的产品方案图结构经过方案生成器形成解决方案文档；持续收集产品说明书及解决方案，同时对生成的解决方案进行反馈，用于模型的持续优化。
Description
技术领域
本申请涉及人工智能领域，尤其涉及一种基于深度学习的产品方案组合推荐方法。
背景技术
近年来，人工智能技术发展迅速，其商业化速度超出预期，人工智能将会给整个社会带来颠覆性的变化，已经成为未来各国重要的发展战略。特别是以深度学习为核心的算法演进，其超强的进化能力，在大数据的支持下，通过训练构建得到类似人脑结构的大规模神经网络，已经可以解决各类问题。
随着信息技术和互联网技术的快速发展，传统的纸质产品文档和方案文档逐渐被电子文档来代替，特别是大型企业，为应对不同的业务场景和客户需求将会积累沉淀大量的产品和解决方案。客户业务场景的不断变化，需要新的产品方案组合来应对，以满足客户个性化的需求。
而传统的采用人工方式比较费时，并且对于编写整体解决方案的员工的个人能力要求较高，在这种情况下，如何利用深度学习技术，基于现有产品方案，形成新的产品方案组合来适应业务新需求成为亟需解决的问题。
发明内容
为了解决上述问题，本发明提供了一种基于深度学习的产品方案组合推荐方法，通过提取专业领域的产品说明书和解决方案中的产品方案特征，生成产品方案图数据结构，利用图卷积神经网络对图数据结构进行编码，采用自动编码器AutoEncoder模型结合生成对抗网络GAN，产生图结构生成模型。根据业务场景需求经过构造的神经网络模型，实现产品有针对性的组合，进而形成推荐方案，最终产生完整的产品解决方案文档。
本发明的一种基于深度学习的产品方案组合推荐方法，包括：
收集专业领域的产品说明书和解决方案，生成产品特征向量和解决方案特征向量；
将所述产品特征向量和所述解决方案特征向量输入图生成器，生成原始的产品方案图结构；
将所述原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构；所述生成的产品方案图结构经过方案生成器形成解决方案文档；
持续收集产品说明书及解决方案，同时对生成的解决方案进行反馈，用于模型的持续优化。
在本申请的一种实施例中，收集专业领域的产品说明书和解决方案，生成产品特征向量和解决方案特征向量，具体包括：
收集专业领域产品说明书和解决方案，为其创建唯一标识，产品之间的关系、解决方案之间的关系以及产品与解决方案之间的关系；利用所述产品特征提取器和所述方案特征提取器提取产品和方案特征，生成产品特征向量和解决方案特征向量。
在本申请的一种实施例中，将所述产品特征向量和所述解决方案特征向量输入图生成器，生成原始的产品方案图结构，具体包括：
通过所述图生成器，基于产品特征向量形成产品关系图谱，基于解决方案特征向量形成解决方案关系图谱，并构建所述解决方案特征向量与产品特征向量组合关系，由此生成原始的产品方案图结构。
在本申请的一种实施例中，将所述原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构，具体包括：
将所述原始的产品方案图结构通过编码器，对所述原始的产品方案图结构表示的产品方案进行编码，形成编码向量；将用户需求的属性特征向量通过条件生成器生成条件向量，将所述编码向量与所述条件向量连接形成第一向量；将所述第一向量输入所述生成器中；
所述编码器核心模型采用图卷积神经网络；所述条件生成器的核心模型采用卷积神经网络。
在本申请的一种实施例中，将所述原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构，具体包括：
将所述条件向量、随机向量、生成向量连接形成第二向量，将所述第二向量输入生成器，所述生成向量根据指定的数据分布生成，所述随机向量由随机数形成，经过所述生成器产生方案产品图结构。
在本申请的一种实施例中，将所述原始的产品方案图结构与所述生成的产品方案图结构输入判别器中进行训练，输出判别器判别的数值。
在本申请的一种实施例中，固定所述GAN中辨别器的网络参数，更新所述编码器、所述条件生成器和所述生成器的网络参数，使得所述辨别器无法区分是生成的产品方案图结构还是原始的产品方案图结构，同时生成的产品方案图结构，满足场景需求关键字标签分类。
在本申请的一种实施例中，交替训练所述辨别器和所述编码器、所述条件生成器、所述生成器的网络参数，得到最终的产品方案图结构。
在本申请的一种实施例中，将所述图生成器、所述方案生成器、所述编码器、所述生成器和所述辨别器初始化；将收集的所述专业领域产品说明书和解决方案作为样本，训练所述图生成器、所述方案生成器、所述编码器；根据所述产品方案图结构训练所述生成器和所述辨别器。
在本申请的一种实施例中，多次接收用户的方案需求，经过所述条件生成器生成条件向量，所述条件向量与随机向量、生成向量形成所述第二向量通过所述GAN中生成器、所述方案生成器生成多个解决方案文档。
本发明提供了一种基于深度学习的产品方案组合推荐方法，充分考虑产品和方案的特点，根据收集的专业领域产品说明书和解决方案，提取其特征，构建产品和方案的知识图谱。设计图卷积神经网络模型，采用自动编码器AutoEncoder模型结合生成对抗网络，通过模型训练得到图结构生成模型；根据业务场景需求经过图结构生成模型，实现产品有针对性的组合，再通过方案生成器，形成完整的推荐产品解决方案；与传统方案相比，本方法推荐的解决方案有更好的适应性，能满足客户业务场景的不断变化，特别是将产品方案关系加入到推荐算法中，通过图卷积神经网络提取其潜在特征，实现更优的产品组合，进而实现更加合理、准确的解决方案。另外，由于随机向量的存在，生成的解决方案呈现多样性，同时又满足条件向量的实际需求，完成客户对解决方案个性化的要求。
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为本申请实施例提供的一种基于深度学习的产品方案组合推荐方法步骤示意图；
图2为本申请实施例提供的利用深度学习技术生成解决方案文档的流程示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例对本申请进行清楚、完整的描述。显然，所描述的实施例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。
图卷积神经网络(Graph Convolutional Network,GCN)作为图神经网络(GraphNeural Networks，GNN)中的一种重要的分支，是一类采用图卷积的神经网络。传统的卷积神经网络在文本和图像领域带来提升，但是它仅能处理欧氏空间数据。图是一种由若干个结点(Node)及连接两个结点的边(Edge)所构成的图形，用于刻画不同结点之间的关系。图数据作为一种非欧空间数据，因其普遍存在性逐渐受到关注。特别是在计算机视觉和自然语言处理领域，图卷积神经网络已经体现出了优势。
大型企业为应对不同的业务场景和客户需求将会积累沉淀大量的产品和解决方案。客户业务场景的不断变化，需要新的产品方案组合来应对，以满足客户个性化的需求。而传统的采用人工方式比较费时，并且对于编写整体解决方案的员工的个人能力要求较高，要了解多种不同维度的产品，例如IT集成类项目，需要硬件、基础软件、中台、中间件、数据库产品、应用使能软件等等。在这种情况下，如何利用深度学习技术，基于现有产品方案，形成新的产品方案组合来适应业务新需求成为亟需解决的问题。
本申请的方案可以解决上述问题，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的产品方案组合推荐方法的过程示意图，可以包括以下步骤：
一种基于深度学习的产品方案组合推荐方法，包括：
收集专业领域的产品说明书和解决方案，生成产品特征向量和解决方案特征向量；
将产品特征向量和解决方案特征向量输入图生成器，生成原始的产品方案图结构；
将原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构；生成的产品方案图结构经过方案生成器形成解决方案文档；
持续收集产品说明书及解决方案，同时对生成的解决方案进行反馈，用于模型的持续优化。
根据收集的专业领域产品说明书和解决方案，根据其文字和内容抽取其属性特征，产生产品说明书和解决方案的特征向量，输入到图生成器中，形成产品方案图结构，将所述图结构存储在图数据库中，之所以使用图数据库是由于在需要描述大量关系时，传统的关系型数据库已经不堪重负。在两个实体之间常常同时存在着多个不同的关系，在尝试使用关系型数据库对这些关系进行建模时，我们首先需要建立表示各种实体的一系列表，这些表常常需要通过一系列关联表将它们关联起来，我们需要大量的关联表来记录这一系列复杂的关系。在更多实体引入之后，我们将需要越来越多的关联表，从而使得基于关系型数据库的解决方案繁琐易错，它所能承担的是较多实体但是实体间关系略显简单的情况。而对于这种实体间关系非常复杂，常常需要在关系之中记录数据，而且大部分对数据的操作都与关系有关的情况，支持了关系的图形数据库才是正确的选择，它不仅仅可以为我们带来运行性能的提升，更可以大大提高系统开发效率，减少维护成本。设计图卷积神经网络模型，采用自动编解码器AutoEncoder模型结合生成对抗网络，通过模型训练得到图结构生成模型；根据业务场景需求经过图结构生成模型，实现产品有针对性的组合，再通过方案生成器，形成完整的推荐产品解决方案文档。
在本申请的一种实施例中，收集专业领域的产品说明书和解决方案，生成产品特征向量和解决方案特征向量，具体包括：
收集专业领域产品说明书和解决方案，为其创建唯一标识，产品之间的关系、解决方案之间的关系以及产品与解决方案之间的关系；利用产品特征提取器和方案特征提取器提取产品和方案特征，生成产品特征向量和解决方案特征向量。
收集专业领域产品说明书和解决方案，为其创建唯一标识，设计产品之间的关系、解决方案之间的关系以及产品和方案之间的关系；如图2所示，利用产品特征提取器ProdFE和方案特征提取器SoluFE提取产品和方案特征，产品特征提取器ProdFE负责提取产品说明书的特征，根据说明书不同章节，提取产品属性特征，在进行融合形成产品特征向量；方案特征提取器SoluFE负责提取解决方案说明书的特征，根据提取方案场景、特性等属性特征，在进行融合形成方案特征向量；
在本申请的一种实施例中，将产品特征向量和解决方案特征向量输入图生成器，生成原始的产品方案图结构，具体包括：
通过图生成器，基于产品特征向量形成产品关系图谱，基于解决方案特征向量形成解决方案关系图谱，并构建解决方案特征向量与产品特征向量组合关系，由此生成原始的产品方案图结构。
在图2中，通过图生成器GGen，基于产品特征向量形成产品关系图谱，基于解决方案特征向量形成解决方案关系图谱，并在产品之上，构建解决方案与产品组合关系，图生成器GGen将根据产品标识和方案标识，构建产品方案图结构数据表示。
在本申请的一种实施例中，将图生成器、方案生成器、编码器、生成器和辨别器初始化；将收集的专业领域产品说明书和解决方案作为样本，训练图生成器、方案生成器、编码器；根据产品方案图结构训练生成器和辨别器。
将收集的专业领域产品说明书和现有解决方案作为样本，训练图生成器GGen和方案生成器SoluGen，训练编码器Encoder、条件生成器ConEncoder、生成器Generator和辨别器Discriminator；并对编码器Encoder、条件生成器ConEncoder、生成器Generator和辨别器Discriminator进行初始化。
在本申请的一种实施例中，将原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构，具体包括：将原始的产品方案图结构通过编码器，对原始的产品方案图结构表示的产品方案进行编码，形成编码向量；将用户需求的属性特征向量通过条件生成器生成条件向量，将编码向量与条件向量连接形成第一向量；将第一向量输入生成器中；编码器核心模型采用图卷积神经网络；条件生成器的核心模型采用卷积神经网络。
现有优秀方案及其关联的产品构成产品-方案图结构GPorg，将现有优秀方案图结构GPorg经过编码器Encoder生成编码向量；编码器Encoder核心模型采用图卷积神经网络，将图结构数据表示的产品方案进行编码，形成Embedding编码向量；将现有优秀方案的需求属性特征向量或用户需求的属性特征向量经过ConEncoder计算生成条件向量；条件生成器ConEncoder的核心是卷积神经网络，将方案的属性特征形成条件向量，条件向量表示业务场景需求属性；将编码向量和条件变量连接起来形成第一向量EVorg，经过生成器Generator产生产品方案图结构GPgen-real。
在本申请的一种实施例中，将原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构，具体包括：将条件向量、随机向量、生成向量连接形成第二向量，将第二向量输入生成器，生成向量根据指定的数据分布生成，随机向量由随机数形成，经过生成器产生方案产品图结构。
在图2中，生成向量是由指定的数据分布来生成，常见的数据分布包括正态分布、均匀分布、二项分布、柏松分布、卡方分布等；连接上随机数形成的向量随机向量，随机向量是随机数形成的向量，保证输出的结果的多样性；再连接上经过ConEncoder计算生成条件向量，形成第二向量EVgen，经过生成器Generator产生方案产品图结构GPgen-fake；产品方案图结构生成器Generator与产品方案图结构辨别器Discriminator构成带条件的GAN网络，产品方案图结构生成器Generator将根据输入向量产生产品方案图结构数据。
在本申请的一种实施例中，将原始的产品方案图结构与生成的产品方案图结构输入判别器中进行训练，输出判别器判别的数值。固定GAN中辨别器的网络参数，更新编码器、条件生成器和生成器的网络参数，使得辨别器无法区分是生成的产品方案图结构还是原始的产品方案图结构，同时生成的产品方案图结构，满足场景需求关键字标签分类。交替训练辨别器和编码器、条件生成器、生成器的网络参数，得到最终的产品方案图结构。
固定辨别器Discriminator网络参数，更新编码器Encoder、条件生成器ConEncoder和生成器Generator的网络参数，使得辨别器Discriminator无法区分是生成的产品方案图结构还是现有的实际产品方案图结构，同时生成的产品方案图结构，满足场景需求关键字标签分类；辨别器Discriminator的核心是二元分类器，用来区分是生成的产品方案图结构还是现有的实际产品方案图结构，同时生成的产品方案图结构，满足场景需求关键字标签分类。固定编码器Encoder、条件生成器ConEncoder和生成器Generator的网络参数，更新辨别器Discriminator网络参数，对于实际产品方案图结构计算得分高，生成的产品方案图结构低。交替训练辨别器Discriminator和编码器Encoder、条件生成器ConEncoder、生成器Generator的网络参数，得到最终的产品方案组合模型。
在本申请的一种实施例中，多次接收用户的方案需求，经过条件生成器生成条件向量，条件向量与随机向量、生成向量形成第二向量通过GAN中生成器、方案生成器生成多个解决方案文档。
多次接收用户输入方案的需求，经过条件生成器ConEncoder，产生条件向量，根据指定的数据分布来产生生成向量，加连接上随机数形成的向量随机向量以及生成的条件向量，输入到生成器Generator中，产生产品方案图结构；将产生的产品方案图结构经过方案生成器SoluGen多次形成最终的解决方案文档；方案生成器SoluGen是根据产品方案图结构生成最终的解决方案文档。持续收集产品及解决方案，同时对生成的解决方案进行反馈，用于模型的持续优化。
以上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。凡在本申请的精神和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权利要求范围之内。
Claims (8)
1.一种基于深度学习的产品方案组合推荐方法，其特征在于，包括：
收集专业领域的产品说明书和解决方案，生成产品特征向量和解决方案特征向量；
将所述产品特征向量和所述解决方案特征向量输入图生成器，生成原始的产品方案图结构；
将所述原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构；所述生成的产品方案图结构经过方案生成器形成解决方案文档；
持续收集产品说明书及解决方案，同时对生成的解决方案进行反馈，用于模型的持续优化；
将所述原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构，具体包括，
将所述原始的产品方案图结构通过编码器，对所述原始的产品方案图结构表示的产品方案进行编码，形成编码向量；将用户需求的属性特征向量通过条件生成器生成条件向量，将所述编码向量与所述条件向量连接形成第一向量；将所述第一向量输入所述生成器中；
所述编码器核心模型采用图卷积神经网络；所述条件生成器的核心模型采用卷积神经网络；
将所述条件向量、随机向量、生成向量连接形成第二向量，将所述第二向量输入生成器，所述生成向量根据指定的数据分布生成，所述随机向量由随机数形成，经过所述生成器产生方案产品图结构。
2.根据权利要求1所述方法，其特征在于，收集专业领域的产品说明书和解决方案，生成产品特征向量和解决方案特征向量，具体包括：
收集专业领域产品说明书和解决方案，为其创建唯一标识，产品之间的关系、解决方案之间的关系以及产品与解决方案之间的关系；利用所述产品特征提取器和所述方案特征提取器提取产品和方案特征，生成产品特征向量和解决方案特征向量。
3.根据权利要求1所述方法，其特征在于，将所述产品特征向量和所述解决方案特征向量输入图生成器，生成原始的产品方案图结构，具体包括：
通过所述图生成器，基于产品特征向量形成产品关系图谱，基于解决方案特征向量形成解决方案关系图谱，并构建所述解决方案特征向量与产品特征向量组合关系，由此生成原始的产品方案图结构。
4.根据权利要求1所述方法，其特征在于，所述方法还包括：
将所述原始的产品方案图结构与所述生成的产品方案图结构输入判别器中进行训练，输出判别器判别的数值。
5.根据权利要求4所述方法，其特征在于，所述方法还包括：
固定所述GAN中辨别器的网络参数，更新所述编码器、所述条件生成器和所述生成器的网络参数，使得所述辨别器无法区分是生成的产品方案图结构还是原始的产品方案图结构，同时生成的产品方案图结构，满足场景需求关键字标签分类。
6.根据权利要求1所述方法，其特征在于，所述方法还包括：
交替训练所述辨别器和所述编码器、所述条件生成器、所述生成器的网络参数，得到最终的产品方案图结构。
7.根据权利要求1所述方法，其特征在于，所述方法还包括：
将所述图生成器、所述方案生成器、所述编码器、所述生成器和所述辨别器初始化；将收集的所述专业领域产品说明书和解决方案作为样本，训练所述图生成器、所述方案生成器、所述编码器；根据所述产品方案图结构训练所述生成器和所述辨别器。
8.根据权利要求1所述方法，其特征在于，所述方法还包括：
多次接收用户的方案需求，经过所述条件生成器生成条件向量，所述条件向量与随机向量、生成向量形成所述第二向量通过所述GAN中生成器、所述方案生成器生成多个解决方案文档。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011631152.3A CN112711708B (zh) | 2020-12-30 | 2020-12-30 | 一种基于深度学习的产品方案组合推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011631152.3A CN112711708B (zh) | 2020-12-30 | 2020-12-30 | 一种基于深度学习的产品方案组合推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112711708A CN112711708A (zh) | 2021-04-27 |
| CN112711708B true CN112711708B (zh) | 2022-11-15 |
Family
ID=75547782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011631152.3A Active CN112711708B (zh) | 2020-12-30 | 2020-12-30 | 一种基于深度学习的产品方案组合推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112711708B (zh) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017212459A1 (en) * | 2016-06-09 | 2017-12-14 | Sentient Technologies (Barbados) Limited | Content embedding using deep metric learning algorithms |
| US20190318366A1 (en) * | 2019-06-26 | 2019-10-17 | Intel Corporation | Methods and apparatus for resolving compliance issues |
| CN110674407B (zh) * | 2019-09-30 | 2021-10-15 | 杭州电子科技大学 | 基于图卷积神经网络的混合推荐方法 |
| CN110968701A (zh) * | 2019-11-05 | 2020-04-07 | 量子数聚（北京）科技有限公司 | 用于图神经网络的关系图谱建立方法以及装置、设备 |
| CN111125325B (zh) * | 2019-12-06 | 2024-01-30 | 山东浪潮科学研究院有限公司 | 一种基于gan网络的faq生成系统及方法 |
| CN111310051A (zh) * | 2019-12-13 | 2020-06-19 | 北京邮电大学 | 一种基于知识图谱的冷启动解决方法 |
| CN111539517A (zh) * | 2020-04-21 | 2020-08-14 | 清华大学 | 基于图结构矩阵特征向量的图卷积神经网络生成方法 |
| CN111695965B (zh) * | 2020-04-26 | 2024-04-12 | 清华大学 | 基于图神经网络的产品筛选方法、系统及设备 |
-
2020
- 2020-12-30 CN CN202011631152.3A patent/CN112711708B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| "知识图谱构建中的语义标准问题研究";袁满等;《情报理论与实践》;20191028;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112711708A (zh) | 2021-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10055391B2 (en) | Method and apparatus for forming a structured document from unstructured information | |
| CN111753024B (zh) | 一种面向公共安全领域的多源异构数据实体对齐方法 | |
| Li et al. | Multiview semi-supervised learning with consensus | |
| CN104731962A (zh) | 一种社交网络中基于相似社团的好友推荐方法及系统 | |
| Asiaee T et al. | If you are happy and you know it... tweet | |
| CN110245228A (zh) | 确定文本类别的方法和装置 | |
| Xu et al. | Microblog dimensionality reduction—a deep learning approach | |
| Guo et al. | Multi-label classification methods for green computing and application for mobile medical recommendations | |
| CN109117891B (zh) | 融合社交关系和命名特征的跨社交媒体账户匹配方法 | |
| CN110751188A (zh) | 基于多标记学习的用户标签预测方法、系统及存储介质 | |
| CN109388805A (zh) | 一种基于实体抽取的工商变更分析方法 | |
| CN115481355A (zh) | 一种基于类别扩展的数据建模方法 | |
| CN116701584A (zh) | 基于电力用户画像的智能问答方法、装置以及电子设备 | |
| Liu et al. | Cross-class generative network for zero-shot learning | |
| CN115563982A (zh) | 广告文本优化方法及其装置、设备、介质、产品 | |
| CN112711708B (zh) | 一种基于深度学习的产品方案组合推荐方法 | |
| CN116561639A (zh) | 一种面向开源情报的多模态数据情感分析方法 | |
| CN113449808B (zh) | 多源图文信息分类方法及其相应的装置、设备、介质 | |
| CN112734519B (zh) | 一种基于卷积自编码器网络的商品推荐方法 | |
| CN115168609A (zh) | 一种文本匹配方法、装置、计算机设备和存储介质 | |
| CN112417317B (zh) | 一种基于知识图谱表示学习的相似人物推荐方法 | |
| CN114297375A (zh) | 网络安全实体与关系的网络模型的训练方法及抽取方法 | |
| KR20200083751A (ko) | 다차원 임베딩을 이용한 시퀀스 데이터 태깅 방법 및 장치 | |
| CN104751230A (zh) | 基于本体的稿件自动审查方法 | |
| CN111814059B (zh) | 基于网络表示学习和社团结构的矩阵分解推荐方法及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221012 Address after: 250101 building S02, 1036 Chaochao Road, high tech Zone, Jinan City, Shandong Province Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd. Address before: Floor 6, Chaochao Road, Shandong Province Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |