CN112765398A - 一种信息推荐方法、装置及存储介质 - Google Patents
一种信息推荐方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112765398A CN112765398A CN202110002140.2A CN202110002140A CN112765398A CN 112765398 A CN112765398 A CN 112765398A CN 202110002140 A CN202110002140 A CN 202110002140A CN 112765398 A CN112765398 A CN 112765398A
- Authority
- CN
- China
- Prior art keywords
- information
- recommendation
- user
- knowledge graph
- semantic
- 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 53
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims description 39
- 238000005457 optimization Methods 0.000 claims description 31
- 230000008451 emotion Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 27
- 230000002068 genetic effect Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 14
- 230000006870 function Effects 0.000 description 20
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010225 co-occurrence analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor 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
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/686—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title or artist information, time, location or usage information, user ratings
-
- 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
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种信息推荐方法、装置及存储介质，涉及智能推荐领域，用以提高智能音响向用户推荐音乐的推荐效果。该方法中，通过识别智能音响获取的语音信息，得到语义信息，并根据知识图谱对语音信息进行分析，最终得到最适合用户的推荐信息。这样，利用推荐知识图谱网络给出更有推荐效果的事件，根据用户的关注度、点击量、喜好，和其他用户的兴趣相似度，推荐最合适的内容，提高了智能音响向用户推荐音乐的推荐效果，从而提高了用户的使用体验。
Description
技术领域
本申请涉及智能推荐领域，尤其涉及一种信息推荐方法、装置及存储介质。
背景技术
随着人工智能的发展，人们对于产品的需求也逐渐提高，提高人们的满意度和服务成为了AI(Artificial Intelligence，人工智能)发展的方向。
如今的智能音响已经是款面向大部分家庭的产品，但是智能音响的推荐功能，利用现有技术的推荐效果并不理想，而且对于数据的自学习能力也有待改善。
发明内容
本申请实施例提供一种信息推荐方法、装置及存储介质，用以提高智能音响向用户推荐音乐的推荐效果。
第一方面，本申请实施例提供一种信息推荐方法，该方法包括：
获取用户的语音信息；
对所述语音信息进行语义识别，得到所述语音信息的语义信息；
将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合；
从所述推荐信息集合中为用户选取推荐信息。
上述方法，通过识别智能音响获取的语音信息，得到语义信息，并根据知识图谱对语音信息进行分析，最终得到最适合用户的推荐信息。这样，利用推荐知识图谱网络给出更有推荐效果的事件，根据用户的关注度、点击量、喜好，和其他用户的兴趣相似度，推荐最合适的内容，提高智能音响向用户推荐音乐的推荐效果，从而提高了用户的使用体验。
在一种可能的实现方式中，所述将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合之前，所述方法还包括：
通过多目标优化算法对所述知识图谱进行优化，得到优化后的知识图谱；
所述将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合，包括：
将所述语义信息输入到优化后的知识图谱中进行分析，得到所述语义信息的推荐信息集合。
上述方法，通过对知识图谱进行优化，可以进一步提高推荐效果。
在一种可能的实现方式中，所述通过多目标优化算法对所述知识图谱进行优化，得到优化后的知识图谱，包括：
将所述知识图谱中的各事件作为种群；其中，所述事件包括用户和与所述用户关联的互动信息；
针对各种群，通过非支配排序遗传算法对该种群进行进化，得到该种群的进化种群；
将各进化种群作为优化事件，得到优化后的知识图谱。
上述方法，通过不断迭代种群，使最终得到的种群达到最优，从而实现对知识图谱的优化。
在一种可能的实现方式中，所述将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合，包括：
将所述语义信息输入到知识图谱中，查找所述用户与所述语音信息的连接关系在所述知识图谱中的位置；
根据所述知识图谱的连接关系，确定与所述位置相关联的各推荐信息；
将各推荐信息作为所述语义信息的推荐信息集合。
上述方法，通过知识图谱中各个体之间的关联关系，来确定所要推荐的推荐信息，能够较为准确的为用户推荐内容。
在一种可能的实现方式中，所述从所述推荐信息集合中为用户选取推荐信息之后，所述方法还包括：
将所述用户和所述推荐信息输入到所述知识图谱中，更新所述知识图谱。
上述方法，将之前用户输入的信息和输出信息输入到知识图谱中以更新知识图谱，使知识图谱给出的推荐结果更加准确。
在一种可能的实现方式中，所述推荐信息具有标签；所述从所述推荐信息集合中为用户选取推荐信息之前，所述方法还包括：
根据所述语义信息和所述语音信息确定所述用户的情绪信息；
所述从所述推荐信息集合中为用户选取推荐信息，包括：
根据预设的情绪信息与标签的对应关系，从所述推荐信息集合中为用户选取与所述情绪信息对应的推荐信息。
上述方法，通过对用户的语音信息进行情感分析，可以确定用户的当前情绪，根据情绪推荐内容，可以使推荐的内容更为准确。
第二方面，本申请实施例提供的一种信息推荐装置，包括：
获取模块，用于获取用户的语音信息；
识别模块，用于对所述语音信息进行语义识别，得到所述语音信息的语义信息；
分析模块，用于将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合；
选取模块，用于从所述推荐信息集合中为用户选取推荐信息。
在一种可能的实现方式中，所述装置还包括：
优化模块，用于分析模块将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合之前，通过多目标优化算法对所述知识图谱进行优化，得到优化后的知识图谱；
分析模块具体用于将所述语义信息输入到优化后的知识图谱中进行分析，得到所述语义信息的推荐信息集合。
在一种可能的实现方式中，优化模块包括：
获取单元，用于将所述知识图谱中的各事件作为种群；其中，所述事件包括用户和与所述用户关联的互动信息；
进化单元，用于针对各种群，通过非支配排序遗传算法对该种群进行进化，得到该种群的进化种群；
第一确定单元，用于将各进化种群作为优化事件，得到优化后的知识图谱。
在一种可能的实现方式中，分析模块包括：
查找单元，用于将所述语义信息输入到知识图谱中，查找所述用户与所述语音信息的连接关系在所述知识图谱中的位置；
第二确定单元，用于根据所述知识图谱的连接关系，确定与所述位置相关联的各推荐信息；
第三确定单元，用于将各推荐信息作为所述语义信息的推荐信息集合。
在一种可能的实现方式中，所述装置还包括：
更新模块，用于选取模块从所述推荐信息集合中为用户选取推荐信息之后，将所述用户和所述推荐信息输入到所述知识图谱中，更新所述知识图谱。
在一种可能的实现方式中，所述推荐信息具有标签；所述装置还包括：
确定情绪模块，用于选取模块从所述推荐信息集合中为用户选取推荐信息之前，根据所述语义信息和所述语音信息确定所述用户的情绪信息；
选取模块具体用于根据预设的情绪信息与标签的对应关系，从所述推荐信息集合中为用户选取与所述情绪信息对应的推荐信息。
第三方面，提供一种计算装置，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当程序被处理单元执行时，使得处理单元执行上述任意一种信息推荐方法的步骤。
在一个实施例中，计算装置可以是服务器，也可以是终端设备。
第四方面，提供一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当程序在终端设备上运行时，使得终端设备执行上述任意一种信息推荐方法的步骤。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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为本申请实施例中信息推荐方法的流程示意图；
图2为本申请实施例中第一种推荐示意图；
图3为本申请实施例中第二种推荐示意图；
图4为本申请实施例中通过多目标优化算法优化知识图谱的流程示意图；
图5为本申请实施例中信息推荐结构示意图；
图6为根据本申请实施方式的计算装置的结构示意图。
具体实施方式
为了提高智能音响向用户推荐音乐的推荐效果，本申请实施例中提供一种信息推荐方法、装置及存储介质。为了更好的理解本申请实施例提供的技术方案，这里对该方案的基本原理做一下简单说明：
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
下面结合附图介绍本申请实施例提供的技术方案。
随着人工智能的发展，人们对于产品的需求也逐渐提高，提高人们的满意度和服务成为了AI(Artificial Intelligence，人工智能)发展的方向。
如今的智能音响已经是款面向大部分家庭的产品，但是智能音响的推荐功能，利用现有技术的推荐效果并不理想，而且对于数据的自学习能力也有待改善，常用于进行数据处理和推荐的知识图谱方法也存在类似的事件关系错误预测。
为了解决上述问题，本申请实施例提供了一种信息推荐方法、装置、电子设备和存储介质，通过识别智能音响获取的语音信息，得到语义信息，并根据知识图谱对语音信息进行分析，最终得到最适合用户的推荐信息。这样，利用推荐知识图谱网络给出更有推荐效果的事件，根据用户的关注度、点击量、喜好，和其他用户的兴趣相似度，推荐最合适的内容，提高智能音响向用户推荐音乐的推荐效果，从而提高了用户的使用体验。
其中，知识图谱在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。
知识图谱作为一种语义网络具有非常强的表达能力和建模能力，它不仅可以对现实世界中的概念、属性、定义、关系进行建模，也是其衍生物的一种标准。如今的智能音响已经是款面向大部分家庭的产品但是对于推荐、情感分析、语音识别等功能都没有进行实现，利用知识图谱完善该方面的功能，对智能知识进行采集、加工、理解、应用的知识库，可以实现推荐算法、语音搜索、情感识别，使用户找到最想要、最流行、最热门的音乐，可以根据用户情绪播放合适音乐。通过知识图谱的拓扑网络，改进推荐算法，根据同一事件所关系的其他事件来进行推荐。但知识图谱本身的自学习能力和关系事件的确定方法存在相应的缺陷，很多事件在数学领域来讲是劣解，而基于多目标优化改进知识图谱的事件连接关系，得到最优解，从而提高推荐效果。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请实施例中的实施例及实施例中的特征可以相互组合。
下面对本申请实施例提供的信息推荐方法进行进一步的解释说明。如图1所示，包括以下步骤：
S101：获取用户的语音信息。
在本申请实施例中，可通过智能音响的收音模块来采集用户的语音信息。在开启交互操作后，开启收音功能，监听用户所说的话。
S102：对所述语音信息进行语义识别，得到所述语音信息的语义信息。
在本申请实施例中，通过语音识别引擎，将用户输入的语音转换成文本，通过声学模型和文本分析模型，对语音内容进行处理，得到语义信息。
S103：将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合。
在本申请实施例中，知识图谱库可以是现有的国内知识图谱库或者谷歌及国外的其他知识图谱库，也可以预先根据各用户的数据信息建立知识图谱库。
在本申请实施例中，将语义信息输入到知识图谱中，根据知识图谱中的关联关系，来确定语义信息的推荐信息集合，具体可实施为：
将所述语义信息输入到知识图谱中，查找所述用户与所述语音信息的连接关系在所述知识图谱中的位置；
根据所述知识图谱的连接关系，确定与所述位置相关联的各推荐信息；
将各推荐信息作为所述语义信息的推荐信息集合。
如图2、图3所示，其为根据知识图谱中各个体的关联关系进行的推荐示意图。其中，图2中用户2与歌手1、歌手2、专辑1、专辑2、歌曲1和歌曲2均建立了关联关系，而用户1与歌手1、专辑1和歌曲1建立了关联关系，则在向用户1进行推荐时，由于用户1和用户2所关注的歌曲、歌手或者专辑比较相似，则将歌手2、专辑2和歌曲2推荐给用户1。
图3中，用户1与歌手1、专辑2和歌曲3建立了关联关系，由于歌手1、专辑2和歌曲3与歌手2、专辑1、歌曲1、歌手3、专辑3、歌曲2较为相似，则向用户1推荐歌手2、专辑1、歌曲1、歌手3、专辑3、歌曲2。
在本申请实施例中，由于知识图谱中有的数据可能并不完全准确，因此，若通过对知识图谱进行优化，可以在进行推荐时使推荐结果更加准确。具体可实施为：
通过多目标优化算法对所述知识图谱进行优化，得到优化后的知识图谱；
将所述语义信息输入到优化后的知识图谱中进行分析，得到所述语义信息的推荐信息集合。
这样，通过对知识图谱进行优化，可以进一步提高推荐效果。
在本申请实施例中，使用多目标优化算法MOEA来优化知识图谱，具体可实施为：
将所述知识图谱中的各事件作为种群；其中，所述事件包括用户和与所述用户关联的互动信息；
针对各种群，通过非支配排序遗传算法对该种群进行进化，得到该种群的进化种群；
将各进化种群作为优化事件，得到优化后的知识图谱。
在本申请实施例中，多目标优化算法可分为传统优化和智能优化，其中，MOEA(进化算法)为智能优化算法。而在使用MOEA算法对知识图谱进行进化时，可以采用非支配排序遗传算法(NSGA)。下面对进化算法的工作流程进行说明。
在本申请实施例中，优化的方法是通过对种群X(t)执行选择、交叉、变异等操作产生下一代种群X(t+1)，在每一次进化过程中，首先将种群X(t)中的素有非劣解个体复制到外部集A(t)中，然后运用小生境技术截断算子剔除A(t)中的劣解和一些距离较近的非劣势个体，以得到个体分布更为均匀的下一代外部集A(t+1),并且按照概率，从A(t+1)中选择一定数量的优秀个体进入下代种群，最后进化结束将外部集中的非劣解个体作为最优解，以知识图谱的其中一个用户包括其关注度、点击量、喜好为种群，这些事件与其他用户相连，产生相似度，其他用户的关系事件作为非劣解，其中小生境技术，是将每一代个体划分为若干类，每个类中选出若干适应度较大的个体作为一个类的优秀代表组成一个群，再在种群中，以及不同种群中之间，杂交，变异产生新一代个体群。
如图4所示，其为通过多目标优化算法优化知识图谱的流程图。其中，在通过多目标优化算法进化时，采用非支配排序遗传NSGA算法，假设种群规模为N的话，也就是知识图谱的各个事件，如各个关注度、点击量、相似度、其他用户的偏好的概率密度。设gen(表示进化的代数)＝1，对所有的Front(表示知识图谱中个体的数量)＝1，2，……，n且gen≠Front，按照图4所示，比较事件个体XFront与Xgen之间的支配与非支配关系，如果不存在任何一个个体XFront优于Xgen，则Xgen标记为非支配个体，忽略这些，即下一次比较的时候不需要进行比较，这是第一级非支配层，Front＝Front+1，继续进行以上步骤，获得第二级非支配层，直到真个种群被分层。要设定适应度规则，适应度函数是计算每个个体的适应度，具体可分为最小化和最大化两种，分别为：
其中f(x)为目标函数，Cmax和Cmin为目标的最大最小值估计，F(f(x))为适应值，当第一层的适应值确定，那么第二层的适应值应适当减少，依此类推，其中共享函数S表示各个事件个体和小生境群体中的其他事件的关系，公式如下：
其中d为距离函数，x，y为两个事件个体，σshare为共享半径，也就是小生境半径。交叉和变异操作是在种群中产生新个体的操作，其主要思路是将两个知识图谱的事件部分信息加以重组，如将其中一个喜爱音乐种类，和一个歌手，重组得到该歌手的该种类的歌曲，作为新事件个体，以此进行保证多样性，直到终止。
同时采用预选择机制和排挤机制或分享机制完成任务。而由于知识图谱的事件连接具有共享性，通过反映个体之间的相似程度的共享函数来调节知识图谱中各个事件的适应度，从而在这以后的知识图谱进化过程中，算法能够依据这个调整后的新适应度来进行选择运算，以维持知识图谱的多样性，创造出小生境的进化环境。
S104：从所述推荐信息集合中为用户选取推荐信息。
在本申请实施例中，由于用户的喜好可能发生变化，因此在每次向用户推荐完信息后，将所述用户和所述推荐信息输入到所述知识图谱中，更新所述知识图谱。这样，将之前用户输入的信息和输出信息输入到知识图谱中以更新知识图谱，使知识图谱给出的推荐结果更加准确。
在本申请实施例中，为了进一步提高推荐内容的准确性，在进行内容推荐时加入了情感分析，具体可实施为：
根据所述语义信息和所述语音信息确定所述用户的情绪信息；
根据预设的情绪信息与标签的对应关系，从所述推荐信息集合中为用户选取与所述情绪信息对应的推荐信息。
其中，所述推荐信息具有标签；且标签为情绪信息。例如：一首歌曲为欢快的歌曲，则该歌曲的标签为高兴。
这样，通过对用户的语音信息进行情感分析，可以确定用户的当前情绪，根据情绪推荐内容，可以使推荐的内容更为准确。
通过识别智能音响获取的语音信息，得到语义信息，并根据知识图谱对语音信息进行分析，最终得到最适合用户的推荐信息。这样，利用推荐知识图谱网络给出更有推荐效果的事件，根据用户的关注度、点击量、喜好，和其他用户的兴趣相似度，推荐最合适的内容，实现了通过智能音响向用户推荐音乐，从而提高了用户的使用体验。
基于相同的发明构思，本申请实施例还提供了一种信息推荐装置。如图5所示，该装置包括：
获取模块501，用于获取用户的语音信息；
识别模块502，用于对所述语音信息进行语义识别，得到所述语音信息的语义信息；
分析模块503，用于将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合；
选取模块504，用于从所述推荐信息集合中为用户选取推荐信息。
在一种可能的实现方式中，其特征在于，所述装置还包括：
优化模块，用于分析模块503将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合之前，通过多目标优化算法对所述知识图谱进行优化，得到优化后的知识图谱；
分析模块503具体用于将所述语义信息输入到优化后的知识图谱中进行分析，得到所述语义信息的推荐信息集合。
在一种可能的实现方式中，优化模块包括：
获取单元，用于将所述知识图谱中的各事件作为种群；其中，所述事件包括用户和与所述用户关联的互动信息；
进化单元，用于针对各种群，通过非支配排序遗传算法对该种群进行进化，得到该种群的进化种群；
第一确定单元，用于将各进化种群作为优化事件，得到优化后的知识图谱。
在一种可能的实现方式中，分析模块503包括：
查找单元，用于将所述语义信息输入到知识图谱中，查找所述用户与所述语音信息的连接关系在所述知识图谱中的位置；
第二确定单元，用于根据所述知识图谱的连接关系，确定与所述位置相关联的各推荐信息；
第三确定单元，用于将各推荐信息作为所述语义信息的推荐信息集合。
在一种可能的实现方式中，所述装置还包括：
更新模块，用于选取模块504从所述推荐信息集合中为用户选取推荐信息之后，将所述用户和所述推荐信息输入到所述知识图谱中，更新所述知识图谱。
在一种可能的实现方式中，所述推荐信息具有标签；所述装置还包括：
确定情绪模块，用于选取模块504从所述推荐信息集合中为用户选取推荐信息之前，根据所述语义信息和所述语音信息确定所述用户的情绪信息；
选取模块504具体用于根据预设的情绪信息与标签的对应关系，从所述推荐信息集合中为用户选取与所述情绪信息对应的推荐信息。
基于同一技术构思，本申请实施例还提供了一种终端设备600，参照图6所示，终端设备600用于实施上述各个方法实施例记载的方法，例如实施图2所示的实施例，终端设备600可以包括存储器601、处理器602、输入单元603和显示面板604。
存储器601，用于存储处理器602执行的计算机程序。存储器601可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据终端设备600的使用所创建的数据等。处理器602，可以是一个中央处理单元(central processing unit，CPU)，或者为数字处理单元等。输入单元603，可以用于获取用户输入的用户指令。显示面板604，用于显示由用户输入的信息或提供给用户的信息，本申请实施例中，显示面板604主要用于显示终端设备中各应用程序的显示界面以及各显示界面中显示的控件实体。可选的，显示面板604可以采用液晶显示器(liquid crystaldisplay，LCD)或OLED(organic light-emitting diode，有机发光二极管)等形式来配置显示面板604。
本申请实施例中不限定上述存储器601、处理器602、输入单元603和显示面板604之间的具体连接介质。本申请实施例在图6中以存储器601、处理器602、输入单元603、显示面板604之间通过总线605连接，总线605在图6中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线605可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器601可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器601也可以是非易失性存储器(non-volatilememory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器601是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器601可以是上述存储器的组合。
处理器602，用于实现如图1所示的实施例，包括：
处理器602，用于调用存储器601中存储的计算机程序执行如实施图1所示的实施例。
本申请实施例还提供了一种计算机可读存储介质，存储为执行上述处理器所需执行的计算机可执行指令，其包含用于执行上述处理器所需执行的程序。
在一些可能的实施方式中，本申请提供的一种信息推荐方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种信息推荐方法中的步骤。例如，终端设备可以执行如实施图1所示的实施例。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于一种信息推荐程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向实体的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
这些计算机程序指令也可存储在能引导计算机或其他可编程信息推荐设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程信息推荐设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (14)
1.一种信息推荐方法，其特征在于，所述方法包括：
获取用户的语音信息；
对所述语音信息进行语义识别，得到所述语音信息的语义信息；
将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合；
从所述推荐信息集合中为用户选取推荐信息。
2.根据权利要求1所述的方法，其特征在于，所述将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合之前，所述方法还包括：
通过多目标优化算法对所述知识图谱进行优化，得到优化后的知识图谱；
所述将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合，包括：
将所述语义信息输入到优化后的知识图谱中进行分析，得到所述语义信息的推荐信息集合。
3.根据权利要求2所述的方法，其特征在于，所述通过多目标优化算法对所述知识图谱进行优化，得到优化后的知识图谱，包括：
将所述知识图谱中的各事件作为种群；其中，所述事件包括用户和与所述用户关联的互动信息；
针对各种群，通过非支配排序遗传算法对该种群进行进化，得到该种群的进化种群；
将各进化种群作为优化事件，得到优化后的知识图谱。
4.根据权利要求1所述的方法，其特征在于，所述将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合，包括：
将所述语义信息输入到知识图谱中，查找所述用户与所述语音信息的连接关系在所述知识图谱中的位置；
根据所述知识图谱的连接关系，确定与所述位置相关联的各推荐信息；
将各推荐信息作为所述语义信息的推荐信息集合。
5.根据权利要求1所述的方法，其特征在于，所述从所述推荐信息集合中为用户选取推荐信息之后，所述方法还包括：
将所述用户和所述推荐信息输入到所述知识图谱中，更新所述知识图谱。
6.根据权利要求1～5任一所述的方法，其特征在于，所述推荐信息具有标签；所述从所述推荐信息集合中为用户选取推荐信息之前，所述方法还包括：
根据所述语义信息和所述语音信息确定所述用户的情绪信息；
所述从所述推荐信息集合中为用户选取推荐信息，包括：
根据预设的情绪信息与标签的对应关系，从所述推荐信息集合中为用户选取与所述情绪信息对应的推荐信息。
7.一种信息推荐装置，其特征在于，所述装置包括：
获取模块，用于获取用户的语音信息；
识别模块，用于对所述语音信息进行语义识别，得到所述语音信息的语义信息；
分析模块，用于将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合；
选取模块，用于从所述推荐信息集合中为用户选取推荐信息。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
优化模块，用于分析模块将所述语义信息输入到知识图谱中进行分析，得到所述语义信息的推荐信息集合之前，通过多目标优化算法对所述知识图谱进行优化，得到优化后的知识图谱；
分析模块具体用于将所述语义信息输入到优化后的知识图谱中进行分析，得到所述语义信息的推荐信息集合。
9.根据权利要求8所述的装置，其特征在于，优化模块包括：
获取单元，用于将所述知识图谱中的各事件作为种群；其中，所述事件包括用户和与所述用户关联的互动信息；
进化单元，用于针对各种群，通过非支配排序遗传算法对该种群进行进化，得到该种群的进化种群；
第一确定单元，用于将各进化种群作为优化事件，得到优化后的知识图谱。
10.根据权利要求7所述的装置，其特征在于，分析模块包括：
查找单元，用于将所述语义信息输入到知识图谱中，查找所述用户与所述语音信息的连接关系在所述知识图谱中的位置；
第二确定单元，用于根据所述知识图谱的连接关系，确定与所述位置相关联的各推荐信息；
第三确定单元，用于将各推荐信息作为所述语义信息的推荐信息集合。
11.根据权利要求7所述的装置，其特征在于，所述装置还包括：
更新模块，用于选取模块从所述推荐信息集合中为用户选取推荐信息之后，将所述用户和所述推荐信息输入到所述知识图谱中，更新所述知识图谱。
12.根据权利要求7～11任一所述的装置，其特征在于，所述推荐信息具有标签；所述装置还包括：
确定情绪模块，用于选取模块从所述推荐信息集合中为用户选取推荐信息之前，根据所述语义信息和所述语音信息确定所述用户的情绪信息；
选取模块具体用于根据预设的情绪信息与标签的对应关系，从所述推荐信息集合中为用户选取与所述情绪信息对应的推荐信息。
13.一种电子设备，其特征在于，其包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行权利要求1至6中任一所述方法的步骤。
14.一种计算机可读存储介质，其特征在于，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使所述电子设备执行权利要求1至6中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110002140.2A CN112765398A (zh) | 2021-01-04 | 2021-01-04 | 一种信息推荐方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110002140.2A CN112765398A (zh) | 2021-01-04 | 2021-01-04 | 一种信息推荐方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112765398A true CN112765398A (zh) | 2021-05-07 |
Family
ID=75698983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110002140.2A Pending CN112765398A (zh) | 2021-01-04 | 2021-01-04 | 一种信息推荐方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112765398A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113836401A (zh) * | 2021-09-07 | 2021-12-24 | 咪咕音乐有限公司 | 歌单推荐方法、装置及可读存储介质 |
| CN114999611A (zh) * | 2022-07-29 | 2022-09-02 | 支付宝(杭州)信息技术有限公司 | 一种模型训练和信息推荐的方法及装置 |
| CN115273903A (zh) * | 2022-07-12 | 2022-11-01 | 深圳市酷开网络科技股份有限公司 | 一种信息推送方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106844637A (zh) * | 2017-01-19 | 2017-06-13 | 北京工业大学 | 基于正交与聚类修剪改进多目标遗传算法的电影推荐方法 |
| CN107885759A (zh) * | 2016-12-21 | 2018-04-06 | 桂林电子科技大学 | 一种基于多目标优化的知识图谱表示学习方法 |
| CN109033101A (zh) * | 2017-06-08 | 2018-12-18 | 华为软件技术有限公司 | 标签推荐方法及装置 |
| US20190066679A1 (en) * | 2017-08-28 | 2019-02-28 | Baidu Online Network Technology (Beijing) Co., Ltd. | Music recommending method and apparatus, device and storage medium |
| CN110298770A (zh) * | 2019-06-25 | 2019-10-01 | 四川长虹电器股份有限公司 | 一种食谱推荐系统 |
| CN111651609A (zh) * | 2020-04-24 | 2020-09-11 | 中国电力科学研究院有限公司 | 一种融合知识图谱和情感监督的多轮对话方法及系统 |
| CN111914134A (zh) * | 2020-07-17 | 2020-11-10 | 海信视像科技股份有限公司 | 一种关联推荐方法、智能设备及服务设备 |
-
2021
- 2021-01-04 CN CN202110002140.2A patent/CN112765398A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107885759A (zh) * | 2016-12-21 | 2018-04-06 | 桂林电子科技大学 | 一种基于多目标优化的知识图谱表示学习方法 |
| CN106844637A (zh) * | 2017-01-19 | 2017-06-13 | 北京工业大学 | 基于正交与聚类修剪改进多目标遗传算法的电影推荐方法 |
| CN109033101A (zh) * | 2017-06-08 | 2018-12-18 | 华为软件技术有限公司 | 标签推荐方法及装置 |
| US20190066679A1 (en) * | 2017-08-28 | 2019-02-28 | Baidu Online Network Technology (Beijing) Co., Ltd. | Music recommending method and apparatus, device and storage medium |
| CN110298770A (zh) * | 2019-06-25 | 2019-10-01 | 四川长虹电器股份有限公司 | 一种食谱推荐系统 |
| CN111651609A (zh) * | 2020-04-24 | 2020-09-11 | 中国电力科学研究院有限公司 | 一种融合知识图谱和情感监督的多轮对话方法及系统 |
| CN111914134A (zh) * | 2020-07-17 | 2020-11-10 | 海信视像科技股份有限公司 | 一种关联推荐方法、智能设备及服务设备 |
Non-Patent Citations (2)
| Title |
|---|
| 牛雪婷: "网络攻击节点图谱最优化过程的仿真分析", 《科技通报》, vol. 29, no. 12, pages 121 - 123 * |
| 牛雪婷;: "网络攻击节点图谱最优化过程的仿真分析", 科技通报, no. 12, pages 121 - 123 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113836401A (zh) * | 2021-09-07 | 2021-12-24 | 咪咕音乐有限公司 | 歌单推荐方法、装置及可读存储介质 |
| CN113836401B (zh) * | 2021-09-07 | 2024-03-22 | 咪咕音乐有限公司 | 歌单推荐方法、装置及可读存储介质 |
| CN115273903A (zh) * | 2022-07-12 | 2022-11-01 | 深圳市酷开网络科技股份有限公司 | 一种信息推送方法、装置、电子设备及存储介质 |
| CN114999611A (zh) * | 2022-07-29 | 2022-09-02 | 支付宝(杭州)信息技术有限公司 | 一种模型训练和信息推荐的方法及装置 |
| CN114999611B (zh) * | 2022-07-29 | 2022-12-20 | 支付宝(杭州)信息技术有限公司 | 一种模型训练和信息推荐的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111241311B (zh) | 媒体信息推荐方法、装置、电子设备及存储介质 | |
| CN111339415B (zh) | 一种基于多交互式注意力网络的点击率预测方法与装置 | |
| CN112765398A (zh) | 一种信息推荐方法、装置及存储介质 | |
| US10109264B2 (en) | Composing music using foresight and planning | |
| CN102693309B (zh) | 用于计算机辅助翻译的候选短语查询方法及辅助翻译系统 | |
| CN107256267A (zh) | 查询方法和装置 | |
| CN110968695A (zh) | 基于弱监督技术主动学习的智能标注方法、装置及平台 | |
| CN109804364A (zh) | 知识图谱构建系统及方法 | |
| CN109408622A (zh) | 语句处理方法及其装置、设备和存储介质 | |
| CN109299245B (zh) | 知识点召回的方法和装置 | |
| EP2860672A2 (en) | Scalable cross domain recommendation system | |
| EP2588973A2 (en) | Method and system for using an information system | |
| TW201104466A (en) | Digital data processing method for personalized information retrieval and computer readable storage medium and information retrieval system thereof | |
| US11443202B2 (en) | Real-time on the fly generation of feature-based label embeddings via machine learning | |
| CN110019650A (zh) | 提供搜索联想词的方法、装置、存储介质及电子设备 | |
| CN112784157A (zh) | 行为预测模型的训练方法、行为预测方法及装置、设备 | |
| CN110162675A (zh) | 应答语句的生成方法、装置、计算机可读介质及电子设备 | |
| CN118093801A (zh) | 基于大语言模型的信息交互方法、装置以及电子设备 | |
| Lee et al. | Compact feature subset-based multi-label music categorization for mobile devices | |
| CN112347316A (zh) | 基于GraphSAGE的不良嗜好行为检测方法、装置及电子设备 | |
| CN114341795A (zh) | 用于系统设计的会话设计机器人 | |
| JP2012221489A (ja) | 効率的にクエリを処理する方法及び装置 | |
| CN116795341A (zh) | 生成带有预测占位符的代码段的机器学习的模型来优化软件开发 | |
| CN115048579A (zh) | 物料搜索的方法、装置及设备 | |
| CN117651950A (zh) | 具有上下文感知的经阐明的自然语言人工产物重组 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |