CN112948417A - 一种基于选择交互的样本知识聚合度计算方法、系统以及存储介质 - Google Patents

一种基于选择交互的样本知识聚合度计算方法、系统以及存储介质 Download PDF

Info

Publication number
CN112948417A
CN112948417A CN202110126983.3A CN202110126983A CN112948417A CN 112948417 A CN112948417 A CN 112948417A CN 202110126983 A CN202110126983 A CN 202110126983A CN 112948417 A CN112948417 A CN 112948417A
Authority
CN
China
Prior art keywords
degree
knowledge
samples
vector
sample
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
Application number
CN202110126983.3A
Other languages
English (en)
Other versions
CN112948417B (zh
Inventor
项涛
刘智勇
杨旭
曾少锋
姚志煜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Lianyan Information Technology Co.,Ltd.
Original Assignee
Shanghai Weiwai Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Weiwai Technology Co ltd filed Critical Shanghai Weiwai Technology Co ltd
Priority to CN202110126983.3A priority Critical patent/CN112948417B/zh
Publication of CN112948417A publication Critical patent/CN112948417A/zh
Application granted granted Critical
Publication of CN112948417B publication Critical patent/CN112948417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2433—Query languages
    • G06F16/244—Grouping and aggregation

Abstract

本发明公开了一种基于选择交互的样本知识聚合度计算方法、系统以及存储介质，本方案首先构建相应样本的选择交互向量，包括推送向量与点击向量，其中推送向量为被动选择向量，点击向量为主动选择的向量；然后基于不同样本的推送向量与点击向量，分别计算两个样本间的真实契合度与没有知识点重合时的先验契合度；最后通过度量两种契合度的提升程度，即可获得样本间知识聚合度。本方案能够在不使用样本本身内容的情况下，仅利用选择向量表示的选择交互数据，计算出样本间知识点或兴趣的聚合程度，在计算中排除样本流行程度的影响。

Description

一种基于选择交互的样本知识聚合度计算方法、系统以及存 储介质
技术领域
本发明涉及互联网、人工智能领域中数据样本处理技术，具体涉及样本知识聚合度的计算技术。
背景技术
很多互联网任务中，存在大量选择交互，比如对某个网页的选择、对资讯的选择、及对商品的选择，由此可以产生大量的选择数据。从被选择的目标角度来看，选择数据可以整理成选择主体的集合，或者写成高维组合向量的形式，即维度为选择主体数目、元素值为0或1的高度稀疏向量。很多时候需要利用选择这种形式的选择数据计算被选择的目标间的相似度，比如通过两篇资讯的选择向量计算它们之间的相似度，该相似度可以进一步作为资讯推荐的依据，类似的，通过两件商品的选择向量计算它们之间的关联度也可用来推荐商品。
目前通常用于计算上述选择向量的方法包括皮尔逊相似性度量，余弦相似性度量与杰卡德相似性度量。在这些相似性度量方法中，杰卡德相似性度量方法尤其适合高度稀疏的高维组合选择向量，其核心思路是计算两个集合的交集规模在它们并集规模中的比例，对于选择向量来说则通过逻辑运算实现，通过分别对两个选择向量进行按位与和按位或操作，然后计算两种操作后结果1范数比值，其中1范数指向量中的非零元素个数。
众所周知在互联网应用中，很多时候要考虑选择数据样本间的本质内容的相似性，比如其涵盖的知识或兴趣的聚合程度，而包括杰卡德相似性度量在内的现有相似度计算方法通过对样本选择变量的统计获得，是一个绝对的数值，没有考虑样本自身的选择比例或流行程度，因此不能客观反映样本间知识点或兴趣的聚合程度或聚合价值。例如，对于两个被广泛选择的流行样本，即使它们包含的知识点或兴趣点完全不同(如资讯中的爆炸性新闻和抽奖新闻)，利用现有相似性度量方法计算，这两个样本相似度也会得到一个很高的值，但它们的知识点或兴趣点聚合程度可能非常低。相反的，对于两个被较少选择的小众样本，即使他们包含的知识点或兴趣点高度一致，由于数据推送原因导致选择主体往往分布分散，利用现有相似性度量方法计算，这两个样本相似度反而会得到一个不高的值。如此，如何有效的利用选择数据度量样本间知识或兴趣等本质相似性为本领域亟需解决的问题。
发明内容
针对现有数据样本相似性度量计算方法所存在的问题，本发明的目的在于提供一种基于选择交互的样本知识聚合度计算方法，可以在不引入被选择目标本身内容信息的前提下，获得数据样本间本质的知识点或兴趣点的聚合程度。据此，本发明还进一步提供一种计算系统，以及存储介质。
为了达到上述目的，本发明提供的基于选择交互的样本知识聚合度计算方法，包括：
构建相应样本的选择交互向量，包括推送向量与点击向量，其中推送向量为被动选择向量，点击向量为主动选择的向量；
基于不同样本的推送向量与点击向量，分别计算两个样本间的真实契合度与没有知识点重合时的先验契合度；
通过度量真实契合度与先验契合度之间的提升程度，获得样本间知识聚合度。
进一步地，所述方法通过如下方式构建样本的选择交互向量：
Figure BDA0002924338170000021
Figure BDA0002924338170000022
其中N表示选择主体的个数，TA表示N个选择主体被推送样本A的指示向量，如第i个选择主体被推送，TA中第i个元素记为1，否则记为0；DA表示N个选择主体点击样本A的指示向量，如第i个选择主体点击样本A，则DA中第i个元素记为1，否则记为0。
进一步地，所述方法计算样本知识聚合度时，包括：
首先基于不同样本的推送向量与点击向量，构建契合度与知识重合度的关联方式；
接着，通过将知识重合度置零可以获得样本的先验契合度；
接着，通过正常的样本契合度计算方式获得样本间真实契合度；
接着，通过两种契合度做比，并通过两个样本各自的流行程度进行比例修正获得样本知识聚合度。
为了达到上述目的，本发明提供的基于选择交互的样本知识聚合度计算系统，包括：
选择交互向量构建模块，构建每个样本的推送向量与点击向量，其中推送向量为被动选择向量，点击向量为主动选择的向量；
样本知识聚合度计算模块，基于不同样本的推送向量与点击向量，分别计算两个样本间的真实契合度与没有知识点重合时的先验契合度，并通过度量两种契合度的提升程度，获得样本间知识聚合度。
进一步的，所述样本知识聚合度计算模块包括：
关联子模块，所述关联子模块基于不同样本的推送向量与点击向量，构建契合度与知识重合度的关联方式；
先验契合度计算子模块，所述先验契合度计算子模块基于知识重合度置零来计算获得样本的先验契合度；
真实契合度计算子模块，所述真实契合度计算子模块通过正常的样本契合度计算方式获得样本间真实契合度；
知识聚合度计算子模块，所述知识聚合度计算子模块与先验契合度计算子模块和真实契合度计算子模块数据交互，将得到的样本间真实契合度与样本的先验契合度进行做比获得样本知识聚合度。
为了达到上述目的，本发明提供的存储介质，所述存储介质包括存储的程序，所述程序执行上述的样本知识聚合度计算方法。
本发明提供的方案能够在计算选择向量表示的选择数据样本间相似度时，消除被选择目标流行程度的影响，，从而可以在不引入被选择目标本身内容信息的前提下，获得数据样本间本质的知识点或兴趣点的聚合程度。
样本流行程度也可以称为被接受度，可以通过点击量与推送量的比值来度量，本发明提供的方案通过基于样本流行程度的知识聚合度修正实现消除被选择目标流行程度的影响的目的。
本发明提供的方案，所涉及到的样本契合度与样本知识聚合度均只依靠样本推送向量与点击向量，计算复杂度相同，而不需要样本本身的知识信息的处理带来的额外计算。如此本方案在实际应用时，能够在不增加计算量的情况下，仅利用选择交互信息即可获得被选择目标间的知识点或兴趣点聚合度。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实例，进一步阐述本发明。
本方案针对现有方案存在的缺陷，给出基于选择交互操作的样本间知识聚合度计算方案。
该方案，首先要构建每个样本的选择交互向量，这里的选择交互向量包括推送向量与点击向量，这两种类型的选择向量，其中推送向量是被动选择向量，而点击向量是主动选择的向量；
然后，在此基础上计算这两种选择向量(即推送向量与点击向量)间的契合度，即两个选择向量在给定分布情况下(真实分布或完全随机)的相似性度量。
本方案中，基于不同样本的推送向量与点击向量，分别计算两个样本间的真实契合度与没有知识点重合时的先验契合度。
基于真实契合度相比于先验契合度提高的越多，则两个样本知识重合越大。本方案再进一步通过度量两种契合度(即真实契合度与先验契合度)之间的提升程度，由此来获得样本间知识聚合度。
在此基础上，本方案在具体实施时，可通过如下方式构建样本的选择交互向量：
Figure BDA0002924338170000041
Figure BDA0002924338170000042
其中N表示选择主体的个数，TA表示N个选择主体被推送样本A的指示向量，如第i个选择主体被推送，TA中第i个元素记为1，否则记为0；DA表示N个选择主体点击样本A的指示向量，如第i个选择主体点击样本A，则DA中第i个元素记为1，否则记为0。
如此来构建相应的选择交互向量是高度稀疏的向量，可实现基于稀疏矩阵(向量)计算方式来大幅提高计算效率。
本方案在计算样本知识聚合度时，首先基于不同样本的推送向量与点击向量，构建契合度与知识重合度的关联方式；
接着，将知识重合度置零，以获得样本的先验契合度；
接着，通过正常的样本契合度计算方式获得样本间真实契合度；
最后，通过将计算得到的真实契合度与先验契合度进行对比，并通过两个样本各自的流行程度进行比例修正，从而获得样本知识聚合度。
由上可知，本方案基于选择交互数据，在两个样本间真实计算得到的契合度相比于完全随机或者没有知识点或兴趣点重合的基础上得到先验契合度得到明显提升。若两个样本(如帖子)之间有兴趣点的重合，提高的越多，则样本间的知识重合越大，这样通过度量两种契合度的提升程度，就可以获得样本间知识聚合度。
样本流行程度也可以称为被接受度，可以通过点击量与推送量的比值来度量，本方案通过基于样本流行程度的知识聚合度修正实现消除被选择目标流行程度的影响的目的。
基于上述方案，以下给出了基于选择交互操作来计算样本间知识聚合度的一具体实施流程。
这里计算样本间的知识聚合度的流程如下：
第一步，将样本A中的知识点记为KA，样本B中的知识点记为KB，那么样本A,B之间共同包含了知识点KAB。本步骤中能够为构建契合度与知识重合度的关联方式提供基础。
第二步，构建样本A推送向量与点击向量，具体通过
Figure BDA0002924338170000051
Figure BDA0002924338170000052
与
Figure BDA0002924338170000053
两个稀疏向量进行表示，其中N表示选择主体的个数，TA表示N个选择主体被推送样本A的指示向量，如第i个选择主体被推送，TA中第i个元素记为1，否则记为0；DA表示N个选择主体点击样本A的指示向量，如第i个选择主体点击样本A，则DA中第i个元素记为1，否则记为0。
同样的，构建样本B推送向量TB与点击向量DB。
本步骤中通过构建稀疏存储方式的选择交互数据，可实现后续的高效稀疏计算。
第三步，通过两个推送向量TA与TB，找到共同获得样本A，B推送的选择主体集合UAB，它们在样本A上的接受度记为PA，在样本B上的接受度记为PB。
本步骤过滤选择主体，避免没有同时收到两个样本推送的选择主体(如用户的)的噪声影响。
第四步，通过对KA，KB和KAB进行设定，记为PA＝KA，PB＝KB，此时共同点击过A,B两个样本的选择主体由下式得到：
Figure BDA0002924338170000061
第五步，第三步中得到的共同推送选择主体集合UAB中点击过样本A或者点击过样本B的并集用户由下式得到：
Figure BDA0002924338170000062
第六步，计算A，B之间的契合度。综合上述两个公式，根据样本契合度的计算公式可得到A，B之间的契合度为：
Figure BDA0002924338170000063
其中n与u分别由步骤四和步骤5中的公式获得。
第七步，针对步骤六中A，B之间契合度的计算公式，设KAB＝0，由此得到完全随机的或系统先验的契合度。
本方案通过构建契合度与知识重合度的关联，如此本步骤中通过将知识重合程度设为0，即上式可以简化为如下公式，即可获得系统先验契合度：
Figure BDA0002924338170000064
第八步，由第六步和第七步中两个公式相除获得知识聚合度r。
这里的知识聚合度r反映了由于知识重合度带来的比值提升，如果知识重合越多，则r值越大，所以r可以某种程度反映知识聚合程度。
如此，本步骤中记a＝PA，＝PB，＝KAB，同时令c＝a+b-ab，得到知识聚合度计算方法如下：
Figure BDA0002924338170000071
第九步，依据样本A，B的流行程度(可用a，b表示)对知识聚合度r进行修正。
这里的a，b即为步骤八中的a，b，流行程度即接受程度，即点击量与推送量的比例，也就是PA、PB。
经过计算可知，知识聚合度r和x间的变化主要受
Figure BDA0002924338170000072
Figure BDA0002924338170000073
的影响。
对于较为简单的情况，即样本A，B流行程度相当的情况，可以记为a＝b，f(a)可以写成：
Figure BDA0002924338170000074
f(a)下降的幅度系数粗略和
Figure BDA0002924338170000075
正相关，通过乘以幅度系数的倒数
Figure BDA0002924338170000076
对r进行修正。
如此操作能够消除样本A与B的流行程度带来的知识聚合度的影响，即这样做到知识聚合度与样本A与B的流行程度无关。
第十步，依据样本A，B的流行程度(可用a，b表示)，对知识聚合度r进行修正。对于更复杂的情况，即样本A，B流行程度不同的情况，可以记为a≠b，f(a)下降的幅度系数粗略和
Figure BDA0002924338170000077
正相关，通过乘以幅度系数的倒数
Figure BDA0002924338170000078
对r进行修正。
如此操作可以消除样本A与B的流行程度带来的知识聚合度的影响，即这样做到知识聚合度与样本A与B的流行程度无关，上述情况是用于样本A，B流行程度不同的情况。
在此原理方案的基础上，本方案构建了一套基于选择交互的样本知识聚合度计算系统，以用于基于选择交互操作来计算样本间知识聚合度。
在具体实现时，该系统包括：
选择交互向量构建模块，构建每个样本的推送向量与点击向量，其中推送向量为被动选择向量，点击向量为主动选择的向量；
样本知识聚合度计算模块，基于不同样本的推送向量与点击向量，分别计算两个样本间的真实契合度与没有知识点重合时的先验契合度，并通过度量两种契合度的提升程度，获得样本间知识聚合度。
进一步的，样本知识聚合度计算模块主要由关联子模块，先验契合度计算子模块，真实契合度计算子模块，以及知识聚合度计算子模块配合构成。
这里的关联子模块，基于不同样本的推送向量与点击向量，构建契合度与知识重合度的关联方式；
先验契合度计算子模块基于知识重合度置零来计算获得样本的先验契合度；
真实契合度计算子模块通过正常的样本契合度计算方式获得样本间真实契合度；
知识聚合度计算子模块，其与先验契合度计算子模块和真实契合度计算子模块数据交互，将得到的样本间真实契合度与样本的先验契合度进行做比获得样本知识聚合度。
进一步地，本知识聚合度计算子模块还进一步通过两个样本各自的流行程度进行比例修正获得样本知识聚合度。
本系统在具体实现时，具体可相应的软件程序形式呈现，并可存储在相应的存储介质中，这里对于存储介质的构型形式不加以限定。
最后，需要说明的，上述本发明的方法，或特定系统单元、或其部份单元，为纯软件架构，可以透过程序代码布设于实体媒体，如硬盘、光盘片、或是任何电子装置(如智能型手机、计算机可读取的储存媒体)，当机器加载程序代码且执行(如智能型手机加载且执行)，机器成为用以实行本发明的装置。上述本发明的方法与装置亦可以程序代码型态透过一些传送媒体，如电缆、光纤、或是任何传输型态进行传送，当程序代码被机器(如智能型手机)接收、加载且执行，机器成为用以实行本发明的装置。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.基于选择交互的样本知识聚合度计算方法，其特征在于，包括：
构建相应样本的选择交互向量，包括推送向量与点击向量，其中推送向量为被动选择向量，点击向量为主动选择的向量；
基于不同样本的推送向量与点击向量，分别计算两个样本间的真实契合度与没有知识点重合时的先验契合度；
通过度量真实契合度与先验契合度之间的提升程度，获得样本间知识聚合度。
2.根据权利要求1所述的基于选择交互的样本知识聚合度计算方法，其特征在于，所述方法通过如下方式构建样本的选择交互向量：
Figure FDA0002924338160000011
Figure FDA0002924338160000012
其中N表示选择主体的个数，TA表示N个选择主体被推送样本A的指示向量，如第i个选择主体被推送，TA中第i个元素记为1，否则记为0；DA表示N个选择主体点击样本A的指示向量，如第i个选择主体点击样本A，则DA中第i个元素记为1，否则记为0。
3.根据权利要求1所述的基于选择交互的样本知识聚合度计算方法，其特征在于，所述方法计算样本知识聚合度时，包括：
首先基于不同样本的推送向量与点击向量，构建契合度与知识重合度的关联方式；
接着，通过将知识重合度置零可以获得样本的先验契合度；
接着，通过正常的样本契合度计算方式获得样本间真实契合度；
接着，通过两种契合度做比，并通过两个样本各自的流行程度进行比例修正获得样本知识聚合度。
4.基于选择交互的样本知识聚合度计算系统，其特征在于，包括：
选择交互向量构建模块，构建每个样本的推送向量与点击向量，其中推送向量为被动选择向量，点击向量为主动选择的向量；
样本知识聚合度计算模块，基于不同样本的推送向量与点击向量，分别计算两个样本间的真实契合度与没有知识点重合时的先验契合度，并通过度量两种契合度的提升程度，获得样本间知识聚合度。
5.根据权利要求4所述的基于选择交互的样本知识聚合度计算系统，其特征在于，所述样本知识聚合度计算模块包括：
关联子模块，所述关联子模块基于不同样本的推送向量与点击向量，构建契合度与知识重合度的关联方式；
先验契合度计算子模块，所述先验契合度计算子模块基于知识重合度置零来计算获得样本的先验契合度；
真实契合度计算子模块，所述真实契合度计算子模块通过正常的样本契合度计算方式获得样本间真实契合度；
知识聚合度计算子模块，所述知识聚合度计算子模块与先验契合度计算子模块和真实契合度计算子模块数据交互，将得到的样本间真实契合度与样本的先验契合度进行做比获得样本知识聚合度。
6.存储介质，所述存储介质包括存储的程序，其特征在于，所述程序执行权利要求1-3中任一项所述的样本知识聚合度计算方法。
CN202110126983.3A 2021-01-29 2021-01-29 一种基于选择交互的样本知识聚合度计算方法、系统以及存储介质 Active CN112948417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110126983.3A CN112948417B (zh) 2021-01-29 2021-01-29 一种基于选择交互的样本知识聚合度计算方法、系统以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110126983.3A CN112948417B (zh) 2021-01-29 2021-01-29 一种基于选择交互的样本知识聚合度计算方法、系统以及存储介质

Publications (2)

Publication Number Publication Date
CN112948417A true CN112948417A (zh) 2021-06-11
CN112948417B CN112948417B (zh) 2023-01-13

Family

ID=76239808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110126983.3A Active CN112948417B (zh) 2021-01-29 2021-01-29 一种基于选择交互的样本知识聚合度计算方法、系统以及存储介质

Country Status (1)

Country Link
CN (1) CN112948417B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446208A (zh) * 2016-09-30 2017-02-22 东南大学 一种考虑路网契合度的智能手机出行方式识别方法
CN106769052A (zh) * 2017-03-21 2017-05-31 桂林电子科技大学 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法
CN108021682A (zh) * 2017-12-11 2018-05-11 西安交通大学 开放式信息抽取背景下一种基于维基百科的实体语义化方法
CN108595595A (zh) * 2018-04-19 2018-09-28 北京理工大学 一种基于交互式差分进化计算的用户知识需求获取方法
CN109299327A (zh) * 2018-11-16 2019-02-01 广州市百果园信息技术有限公司 视频推荐方法、装置、设备及存储介质
CN109446410A (zh) * 2018-09-19 2019-03-08 平安科技（深圳）有限公司 知识点推送方法、装置及计算机可读存储介质
CN110083692A (zh) * 2019-04-22 2019-08-02 齐鲁工业大学 一种金融知识问答的文本交互匹配方法及装置
CN110188208A (zh) * 2019-06-04 2019-08-30 河海大学 一种基于知识图谱的信息资源查询推荐方法和系统
CN110704739A (zh) * 2019-09-30 2020-01-17 汉海信息技术(上海)有限公司 资源推荐方法、装置及计算机存储介质
CN111475637A (zh) * 2020-06-24 2020-07-31 支付宝(杭州)信息技术有限公司 用于推送知识点的数据处理、训练方法及装置
CN111522963A (zh) * 2020-04-14 2020-08-11 南京烽火星空通信发展有限公司 一种基于公安知识图谱引擎的智能助理应用交互方法
CN111652312A (zh) * 2020-06-03 2020-09-11 上海维外科技有限公司 一种有选择特性的样本或集合间契合程度的度量方法、系统以及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446208A (zh) * 2016-09-30 2017-02-22 东南大学 一种考虑路网契合度的智能手机出行方式识别方法
CN106769052A (zh) * 2017-03-21 2017-05-31 桂林电子科技大学 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法
CN108021682A (zh) * 2017-12-11 2018-05-11 西安交通大学 开放式信息抽取背景下一种基于维基百科的实体语义化方法
CN108595595A (zh) * 2018-04-19 2018-09-28 北京理工大学 一种基于交互式差分进化计算的用户知识需求获取方法
CN109446410A (zh) * 2018-09-19 2019-03-08 平安科技（深圳）有限公司 知识点推送方法、装置及计算机可读存储介质
CN109299327A (zh) * 2018-11-16 2019-02-01 广州市百果园信息技术有限公司 视频推荐方法、装置、设备及存储介质
CN110083692A (zh) * 2019-04-22 2019-08-02 齐鲁工业大学 一种金融知识问答的文本交互匹配方法及装置
CN110188208A (zh) * 2019-06-04 2019-08-30 河海大学 一种基于知识图谱的信息资源查询推荐方法和系统
CN110704739A (zh) * 2019-09-30 2020-01-17 汉海信息技术(上海)有限公司 资源推荐方法、装置及计算机存储介质
CN111522963A (zh) * 2020-04-14 2020-08-11 南京烽火星空通信发展有限公司 一种基于公安知识图谱引擎的智能助理应用交互方法
CN111652312A (zh) * 2020-06-03 2020-09-11 上海维外科技有限公司 一种有选择特性的样本或集合间契合程度的度量方法、系统以及存储介质
CN111475637A (zh) * 2020-06-24 2020-07-31 支付宝(杭州)信息技术有限公司 用于推送知识点的数据处理、训练方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴炜晨: "基于用户点击数据的大规模文本合并", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
宋拓: "虚拟健康社区知识聚合及效果评价研究", 《中国博士学位论文全文数据库 (信息科技辑)》 *

Also Published As

Publication number Publication date
CN112948417B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
Cormode et al. Small summaries for big data
CN111563192B (zh) 实体对齐方法、装置、电子设备及存储介质
CN110737859A (zh) 一种up主匹配方法及装置
Toraman et al. User acceptance of metaverse: an analysis for e-commerce in the framework of technology acceptance model (TAM)
CN111159563A (zh) 用户兴趣点信息的确定方法、装置、设备及存储介质
Lopez et al. Symmetric spaces for graph embeddings: A finsler-riemannian approach
Gopalan et al. Smooth boolean functions are easy: Efficient algorithms for low-sensitivity functions
CN114692007B (zh) 表示信息的确定方法、装置、设备及存储介质
CN114020999A (zh) 一种电影社交网络的社区结构检测方法及系统
CN115186197A (zh) 一种基于端到端双曲空间的用户推荐方法
Zhang et al. Multimodal analogical reasoning over knowledge graphs
CN115907970A (zh) 信贷风险识别方法、装置、电子设备及存储介质
CN112948417B (zh) 一种基于选择交互的样本知识聚合度计算方法、系统以及存储介质
CN110851708B (zh) 负样本的抽取方法、装置、计算机设备和存储介质
CN104750775A (zh) 内容比对方法及系统
CN112819154A (zh) 一种应用于图学习领域的预训练模型的生成方法及装置
Zhang et al. Accelerating exact nearest neighbor search in high dimensional Euclidean space via block vectors
CN111212304A (zh) 一种视频推荐方法及服务器
Liao et al. Accumulative Time Based Ranking Method to Reputation Evaluation in Information Networks
Mann Simulating quantum computations with Tutte polynomials
CN105260481B (zh) 一种推送列表多样性的评测方法及系统
CN112651764B (zh) 一种目标用户识别方法、装置、设备和存储介质
CN114417161A (zh) 基于异构图的虚拟物品时序推荐方法、装置、介质及设备
CN111652312A (zh) 一种有选择特性的样本或集合间契合程度的度量方法、系统以及存储介质
Sun et al. CANARY: An Adversarial Robustness Evaluation Platform for Deep Learning Models on Image Classification

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

Effective date of registration: 20230607

Address after: Room 112, Building 11, Suxin, No. 2555 Taidong Road, Huangdai Town, Xiangcheng District, Suzhou City, Jiangsu Province, 215143

Patentee after: Suzhou Lianyan Information Technology Co.,Ltd.

Address before: 200023 room 701 / 702, 7th floor, building 11, 207 Mengzi Road, Huangpu District, Shanghai (actually building 13)

Patentee before: Shanghai weiwai Technology Co.,Ltd.

TR01 Transfer of patent right