CN113076405A - 基于用户画像的解决方案匹配方法及系统 - Google Patents

基于用户画像的解决方案匹配方法及系统 Download PDF

Info

Publication number
CN113076405A
CN113076405A CN202110622017.0A CN202110622017A CN113076405A CN 113076405 A CN113076405 A CN 113076405A CN 202110622017 A CN202110622017 A CN 202110622017A CN 113076405 A CN113076405 A CN 113076405A
Authority
CN
China
Prior art keywords
solution
feature
feature vector
matching
user
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
Application number
CN202110622017.0A
Other languages
English (en)
Inventor
姚娟娟
樊代明
钟南山
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.)
Mingpinyun Beijing Data Technology Co Ltd
Original Assignee
Mingpinyun Beijing Data 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 Mingpinyun Beijing Data Technology Co Ltd filed Critical Mingpinyun Beijing Data Technology Co Ltd
Priority to CN202110622017.0A priority Critical patent/CN113076405A/zh
Publication of CN113076405A publication Critical patent/CN113076405A/zh
Pending legal-status Critical Current

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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • 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
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于用户画像的解决方案匹配方法及系统，所述的方法包括：获取用户文本以及关联特征信息；根据所述关联特征信息确定所述用户文本中的第一语句以及第二语句；对所述第一语句以及所述第二语句分别进行编码化，并获取对应的第一特征矩阵和第二特征矩阵；将所述第一特征矩阵和所述第二特征矩阵输入神经网络中，获取第一特征向量和第二特征向量并进行融合处理，获取第三特征向量；通过所述第三特征向量获取分类标签；将所述分类标签与预设的解决方案进行匹配，完成解决方案匹配。提高了用户画像的精度，通过获取与用户匹配度较高的分类标签，利用分类标签完成预设的解决方案的匹配，提高了解决方案的匹配精度。

Description

基于用户画像的解决方案匹配方法及系统
技术领域
本发明涉及大数据技术领域，特别是涉及一种基于用户画像的解决方案匹配方法及系统。
背景技术
用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。在日常应用过程中，往往会根据业务场景的需求，将源自用户的数据信息进行标引，获取特征化、个性化的用户属性信息，然后再根据其属性信息进行用户潜在行为的分析和预测，为客户提供定制化的服务和解决方案。而目前，用户画像的精度较低，造成自动匹配解决方案的置信度也不高。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于用户画像的解决方案匹配方法及系统，用于解决现有技术中的基于用户画像自动匹配解决方案的置信度不高的问题。
为实现上述目的及其他相关目的，本发明提供一种基于用户画像的解决方案匹配方法，包括：
获取用户文本以及关联特征信息；
根据所述关联特征信息确定所述用户文本中的第一语句以及第二语句，其中，所述第一语句与所述关联特征信息匹配；
对所述第一语句以及所述第二语句分别进行编码化，并获取对应的第一特征矩阵和第二特征矩阵；
将所述第一特征矩阵和所述第二特征矩阵输入神经网络中，获取第一特征向量和第二特征向量，并将所述第一特征向量和所述第二特征向量进行融合处理，获取第三特征向量；
通过所述第三特征向量获取分类标签；
将所述分类标签与预设的解决方案进行匹配，完成解决方案匹配。
可选的，所述神经网络包括第一子神经网络，将所述第一特征矩阵输入到所述第一子神经网络中，获取第一特征向量，当经过多次迭代训练后，获取第一模型，所述第一子神经网络包括输入层、隐藏层和输出层。
可选的，所述神经网络包括第二子神经网络，将所述第二特征矩阵输入到第二子神经网络中，所述第二子神经网络包括输入层、卷积层、池化层、隐藏层和输出层，在卷积层中，通过一个或者多个尺寸的卷积核对所述第二特征矩阵进行卷积，获取一个或者多个尺寸的特征图，对一个或者多个尺寸的所述特征图分别进行池化处理并进行拼接，获取第二特征向量，当经过多次迭代训练后，获取第二模型。
可选的，通过所述第三特征向量获取分类标签的步骤包括：
将所述第三特征向量输入到分类输出层，获取一个或者多个所述分类标签。
可选的，将所述分类标签与预设的解决方案进行匹配，完成解决方案匹配的步骤包括：
获取一个或者多个分类标签和所述预设的解决方案，其中，定义分类标签的集合为R、所述预设的解决方案的集合为S；
通过R和S来确定预设的解决方案的概率集合，其中，预设的解决方案的概率集合为B。
可选的，通过R和S来确定预设的解决方案的概率集合的步骤包括：
通过R和S来确定转移概率，并通过转移概率确定转移矩阵，其中，转移概率为aij，转移矩阵为A；
通过R、S、aij和A来确定解决方案的概率集合B。
可选的，通过所述解决方案的概率集合B来获取各个预设的解决方案的概率，并对各个预设的解决方案的概率进行由高到低的排列，完成解决方案匹配。
一种基于用户数据推荐信息的系统，包括：
预处理模块，用于获取用户文本以及关联特征信息，根据所述关联特征信息确定所述用户文本中的第一语句以及第二语句，其中，所述第一语句与所述关联特征信息匹配，对所述第一语句以及所述第二语句分别进行编码化，并获取对应的第一特征矩阵和第二特征矩阵；
分类模块，用于将所述第一特征矩阵和所述第二特征矩阵输入神经网络中，获取第一特征向量和第二特征向量，并将所述第一特征向量和所述第二特征向量进行融合处理，获取第三特征向量，通过所述第三特征向量获取分类标签；
分析模块，用于将所述分类标签与预设的解决方案进行匹配，完成解决方案匹配；
所述预处理模块、所述分类模块与所述分类模块信号连接。
一种电子设备，包括：
一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行任一所述的方法。
一个种机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行任一所述的方法。
如上所述，本发明的基于用户画像的解决方案匹配方法及系统，具有以下有益效果：
通过对较高关联度的第一语句和隐藏信息较多的第二语句分别进行分析，能够实现对用户文本进行全文分析的目的，还能够获取较为精确的用户特征，提高了用户画像的精度，通过获取与用户匹配度较高的分类标签，利用分类标签完成预设的解决方案的匹配，提高了解决方案的匹配精度。
附图说明
图1显示为本发明实施例的基于用户画像的解决方案匹配方法的示意图。
图2显示为本发明实施例的神经网络的结构示意图。
图3显示为本发明实施例的第一特征向量和第二特征向量进行融合处理的示意图。
图4显示为本发明实施例的第一子神经网络的结构示意图。
图5显示为本发明实施例的第二子神经网络的结构示意图。
图6显示为本发明实施例的基于用户画像的解决方案匹配系统的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
发明人发现用户在日常的网站登录、帐号注册以及问答系统的自述过程中，会申请或者填写有关个人信息或者个人特征的用户文本，该用户文本往往承载着深层次的信息，为了获取有价值的推荐信息或者解决方案，需要对用户文本进行深度的挖掘和理解，并根据用户文本获取挖掘信息，形成用户画像，并为用户匹配解决方案，请参阅图1，本发明提供一种基于用户画像的解决方案匹配方法，包括：
S1：获取用户文本以及关联特征信息，该用户文本可以在系统与用户问答系统/交互系统中获取，也可以在用户通过系统进行帐号注册时获取，还可以依据用户的申请获取，所述关联特征信息包括但不限于用户风险关键词、用户健康风险关键词、用户体检数据关键词等；
S2：根据所述关联特征信息确定所述用户文本中的第一语句以及第二语句，其中，所述第一语句与所述关联特征信息匹配，可以将与解决方案相匹配的痛点或者问题归纳为一个关于关联特征信息的集合，将与该痛点或者问题相关的语句确定为第一语句，并将其余语句确定为第二语句，发明人发现第一语句往往是影响解决方案匹配的关键语句，含有较为丰富的、权重较高的语义信息，而第二语句往往语义信息较为隐藏，不太容易进行直接的自然语言处理；
S3：对所述第一语句以及所述第二语句分别进行编码化，并获取对应的第一特征矩阵和第二特征矩阵，例如，利用现有的语料库提供各个单词的编码，并在第一语句或者第二语句中将对应的单词的编码进行替换，获取与第一语句相匹配的第一特征矩阵，以及获取与第二语句相匹配的第二特征矩阵；
S4：将所述第一特征矩阵和所述第二特征矩阵输入神经网络中，获取第一特征向量和第二特征向量，并将所述第一特征向量和所述第二特征向量进行融合处理，获取第三特征向量，通过对较高关联度的第一语句和隐藏信息较多的第二语句进行分析，能够实现对用户文本进行全文分析的目的，能够获取较为精确的用户特征，提高了用户画像的精度；
S5：通过所述第三特征向量获取分类标签；
S6：将所述分类标签与预设的解决方案进行匹配，完成解决方案匹配。通过对较高关联度的第一语句和隐藏信息较多的第二语句分别进行分析，能够实现对用户文本进行全文分析的目的，还能够获取较为精确的用户特征，提高了用户画像的精度，通过获取与用户匹配度较高的分类标签，利用分类标签完成预设的解决方案的匹配，提高了解决方案的匹配精度。
请参阅图2和图4，所述神经网络包括第一子神经网络21，通过用户文本10获取第一特征矩阵100，第一特征矩阵100承载的用户画像的语义信息较为集中和表象，可将所述第一特征矩阵100输入到所述第一子神经网络21中，获取第一特征向量140，当经过多次迭代训练后，获取第一模型，其中，所述第一子神经网络包括输入层110、隐藏层120和输出层130，隐藏层可以包括多层全连接的神经网络层，由于第一特征矩阵100的信息较为集中和表象，无需对第一特征矩阵100进行深度学习和挖掘，提高了第一语句的处理效率。
请参阅图2和图5，所述神经网络包括第二子神经网络22，通过用户文本10获取第二特征矩阵200，将所述第二特征矩阵200输入到第二子神经网络22中，所述第二子神经网络22包括输入层210、卷积层220、池化层230、隐藏层240和输出层250，在第二子神经网络22中，输入第二特征矩阵200，第二特征矩阵200为5×7的矩阵，在输入层210将第二特征矩阵200分别进行窗口化，获取两个5×4的片段语句矩阵、两个5×3的片段语句矩阵和两个5×2的片段语句矩阵201，在卷积层220，分别利用尺寸为2、3和4的卷积核对片段语句矩阵进行卷积，获取两个1×4、两个1×5和两个1×6的特征图202，在池化层230，分别对1×4、1×5和1×6的特征图202进行池化处理并进行拼接，池化处理可以采用最大池化的方式进行，获取1×2的特征向量，并对3组1×2的特征向量进行拼接，获取第二特征向量203，然后再经过隐藏层240和输出层250的处理，获取处理后的第二特征向量204。
请参阅图3，将处理后的第二特征向量204和第一特征向量140进行融合处理，并获取第三特征向量300，并通过第三特征向量300去匹配解决方案40，通过分析关联度高、特征密集且关联度高的第一语句，获取第一特征向量140，通过分析关联度低、特征稀疏且隐藏层次较深的第二语句，获取第二特征向量204，并通过将第一特征向量140和第二特征向量204进行融合处理获取同时包括第一语句和第二语句的语音信息的第三特征向量300，提高用户文本全文分析的精确度。
在一些实施过程中，通过所述第三特征向量获取分类标签的步骤包括：
将所述第三特征向量输入到分类输出层，获取一个或者多个所述分类标签，该分类输出层的激活函数可以选取sigmoid函数，便于实现分类，能够直观地获取与用于文本有映射关系的分类标签，分类标签的种类可以包括多个或者多种，达到通过理解和分析用户文本获取分类标签，具有不同分类标签的集合形成较为精确的用户画像，进而刻画用户画像的目的。
通过获取具有多个不同分类标签的集合的用户画像，能够为特定的用户画像匹配预设的解决方案，具体的，将所述分类标签与预设的解决方案进行匹配，完成解决方案匹配的步骤包括：
获取一个或者多个分类标签和所述预设的解决方案，其中，定义分类标签的集合为R、所述预设的解决方案的集合为S；
通过R和S来确定预设的解决方案的概率集合，其中，预设的解决方案的概率集合为B。
可选的，通过R和S来确定预设的解决方案的概率集合的步骤包括：
通过R和S来确定转移概率，并通过转移概率确定转移矩阵，其中，转移概率为aij，转移矩阵为A；
通过R、S、aij和A来确定解决方案的概率集合B。具体的，S是所述预设的解决方案的集合，R是所述分类标签的集合，即：
S={s1,s2,...,sN}，R={r1,r2,...rM}
其中，N是预设的解决方案的种类数量，M是分类标签的种类数量。
分别获取一个长度为T的预设的解决方案以及分类标签的序列，I为对应的预设的解决方案的序列，O是为分类标签的序列，即：
I={i1,i2,...,iT}，O={o1,o2,...oT}
其中，任意一个预设的解决方案it∈S，任意一个分类标签ot∈R，t∈[1,T],且t和T均为正整数；
如果在时刻t，即该时刻t时，可从序列I中获取it，预设的解决方案是it=si，在时刻t+1的预设的解决方案是i(t+1)=sj，则从时刻t到时刻t+1的状态转移概率aij可以表示为：
aij=P(i(t+1)=sj|it=si)
并可以通过时刻t到时刻t+1的状态转移概率aij获取状态转移矩阵A:
A=[aij]N×N
在时刻t的预设的解决方案是it=sj，而对应的分类标签的序列为ot=rk, 则该时刻分类标签的序列rk在预设的解决方案sj下生成的概率为bj(k)，满足：
bj(k)=P(ot=rk|it=sj)
根据分类标签的序列rk在预设的解决方案sj下生成的概率bj(k)，可以获取解决方案的概率集合B：
B=[bj(k)]N×M
在一些实施过程中，通过所述解决方案的概率集合B来获取各个预设的解决方案的概率，并对各个预设的解决方案的概率进行由高到低的排列，完成解决方案匹配。
请参阅图6，本发明还提供一种基于用户数据推荐信息的系统，包括：
预处理模块，用于获取用户文本以及关联特征信息，根据所述关联特征信息确定所述用户文本中的第一语句以及第二语句，其中，所述第一语句与所述关联特征信息匹配，对所述第一语句以及所述第二语句分别进行编码化，并获取对应的第一特征矩阵和第二特征矩阵；
分类模块，用于将所述第一特征矩阵和所述第二特征矩阵输入神经网络中，获取第一特征向量和第二特征向量，并将所述第一特征向量和所述第二特征向量进行融合处理，获取第三特征向量，通过所述第三特征向量获取分类标签；
分析模块，用于将所述分类标签与预设的解决方案进行匹配，完成解决方案匹配；
所述预处理模块、所述分类模块与所述分类模块信号连接。通过对较高关联度的第一语句和隐藏信息较多的第二语句进行分析，能够实现对用户文本进行全文分析的目的，还能够获取较为精确的用户特征，提高了用户画像的精度，通过获取与用户匹配度较高的分类标签，利用分类标签完成预设的解决方案的匹配，提高了解决方案的匹配精度。
可选的，所述神经网络包括第一子神经网络，将所述第一特征矩阵输入到所述第一子神经网络中，获取第一特征向量，当经过多次迭代训练后，获取第一模型，所述第一子神经网络包括输入层、隐藏层和输出层。
可选的，所述神经网络包括第二子神经网络，将所述第二特征矩阵输入到第二子神经网络中，所述第二子神经网络包括输入层、卷积层、池化层、隐藏层和输出层，在卷积层中，通过一个或者多个尺寸的卷积核对所述第二特征矩阵进行卷积，获取一个或者多个尺寸的特征图，对一个或者多个尺寸的所述特征图分别进行池化处理并进行拼接，获取第二特征向量，当经过多次迭代训练后，获取第二模型。
可选的，通过所述第三特征向量获取分类标签的步骤包括：
将所述第三特征向量输入到分类输出层，获取一个或者多个所述分类标签。
可选的，将所述分类标签与预设的解决方案进行匹配，完成解决方案匹配的步骤包括：
获取一个或者多个分类标签、所述预设的解决方案以及一个或者多个分类标签的置信度，其中，定义分类标签的集合为R、所述预设的解决方案的集合为S；
通过R和S来确定预设的解决方案的概率集合，其中，预设的解决方案的概率集合为B。
可选的，通过R和S来确定预设的解决方案的概率集合的步骤包括：
通过R和S来确定转移概率，并通过转移概率确定转移矩阵，其中，转移概率为aij，转移矩阵为A；
通过R、S、aij和A来确定解决方案的概率集合B。具体的，S是所述预设的解决方案的集合，R是所述分类标签的集合，即：
S={s1,s2,...,sN}，R={r1,r2,...rM}
其中，N是预设的解决方案的种类数量，M是分类标签的种类数量。
分别获取一个长度为T的预设的解决方案以及分类标签的序列，I为对应的预设的解决方案的序列，O是为分类标签的序列，即：
I={i1,i2,...,iT}，O={o1,o2,...oT}
其中，任意一个预设的解决方案it∈S，任意一个分类标签ot∈R，t∈[1,T],且t和T均为正整数；
如果在时刻t，预设的解决方案是it=si，在时刻t+1的预设的解决方案是i(t+1) =sj, 则从时刻t到时刻t+1的状态转移概率aij可以表示为：
aij=P(i(t+1)=sj|it=si)
并可以通过时刻t到时刻t+1的状态转移概率aij获取状态转移矩阵A:
A=[aij]N×N
在时刻t的预设的解决方案是it=sj，而对应的分类标签的序列为ot=rk, 则该时刻分类标签的序列rk在预设的解决方案sj下生成的概率为bj(k)，满足：
bj(k)=P(ot=rk|it=sj)
根据分类标签的序列rk在预设的解决方案sj下生成的概率bj(k)，可以获取解决方案的概率集合B：
B=[bj(k)]N×M
在一些实施过程中，通过所述解决方案的概率集合B来获取各个预设的解决方案的概率的部分，并对各个预设的解决方案的概率进行由高到低的排列，完成解决方案匹配，进而按照解决方案的概率集合B为用户推荐概率较高的解决方案，完成解决方案的匹配，提高了解决方案匹配的适配程度，降低了用户获取合适的解决方案的机会成本，能够有效地应用于医疗、健康、保险、健身等领域的潜在客户分析挖掘和用户粘性培育中，能够为用户确定理想的解决方案。
本发明实施例提供一种电子设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行一个或多个所述的方法。本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明实施例还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行中一个或多个所述的方法。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于用户画像的解决方案匹配方法，其特征在于，包括：
获取用户文本以及关联特征信息；
根据所述关联特征信息确定所述用户文本中的第一语句以及第二语句，其中，所述第一语句与所述关联特征信息匹配；
对所述第一语句以及所述第二语句分别进行编码化，并获取对应的第一特征矩阵和第二特征矩阵；
将所述第一特征矩阵和所述第二特征矩阵输入神经网络中，获取第一特征向量和第二特征向量，并将所述第一特征向量和所述第二特征向量进行融合处理，获取第三特征向量；
通过所述第三特征向量获取分类标签；
将所述分类标签与预设的解决方案进行匹配，完成解决方案匹配。
2.根据权利要求1所述的基于用户画像的解决方案匹配方法，其特征在于，所述神经网络包括第一子神经网络，将所述第一特征矩阵输入到所述第一子神经网络中，获取第一特征向量，当经过多次迭代训练后，获取第一模型，所述第一子神经网络包括输入层、隐藏层和输出层。
3.根据权利要求1所述的基于用户画像的解决方案匹配方法，其特征在于，所述神经网络包括第二子神经网络，将所述第二特征矩阵输入到第二子神经网络中，所述第二子神经网络包括输入层、卷积层、池化层、隐藏层和输出层，在卷积层中，通过一个或者多个尺寸的卷积核对所述第二特征矩阵进行卷积，获取一个或者多个尺寸的特征图，对一个或者多个尺寸的所述特征图分别进行池化处理并进行拼接，获取第二特征向量，当经过多次迭代训练后，获取第二模型。
4.根据权利要求1所述的基于用户画像的解决方案匹配方法，其特征在于，通过所述第三特征向量获取分类标签的步骤包括：
将所述第三特征向量输入到分类输出层，获取一个或者多个所述分类标签。
5.根据权利要求4所述的基于用户画像的解决方案匹配方法，其特征在于，将所述分类标签与预设的解决方案进行匹配，完成解决方案匹配的步骤包括：
获取一个或者多个分类标签和所述预设的解决方案，其中，定义分类标签的集合为R，定义所述预设的解决方案的集合为S；
通过R和S来确定预设的解决方案的概率集合，其中，预设的解决方案的概率集合为B。
6.根据权利要求5所述的基于用户画像的解决方案匹配方法，其特征在于，通过R和q来确定预设的解决方案的概率集合的步骤包括：
通过R和q来确定转移概率，并通过转移概率确定转移矩阵，其中，转移概率为aij，转移矩阵为A；
通过R、S、aij和A来确定解决方案的概率集合B。
7.根据权利要求6所述的基于用户画像的解决方案匹配方法，其特征在于，通过所述解决方案的概率集合B来获取各个预设的解决方案的概率，并对各个预设的解决方案的概率进行由高到低的排列，完成解决方案匹配。
8.一种基于用户数据推荐信息的系统，其特征在于，包括：
预处理模块，用于获取用户文本以及关联特征信息，根据所述关联特征信息确定所述用户文本中的第一语句以及第二语句，其中，所述第一语句与所述关联特征信息匹配，对所述第一语句以及所述第二语句分别进行编码化，并获取对应的第一特征矩阵和第二特征矩阵；
分类模块，用于将所述第一特征矩阵和所述第二特征矩阵输入神经网络中，获取第一特征向量和第二特征向量，并将所述第一特征向量和所述第二特征向量进行融合处理，获取第三特征向量，通过所述第三特征向量获取分类标签；
分析模块，用于将所述分类标签与预设的解决方案进行匹配，完成解决方案匹配；
所述预处理模块、所述分类模块与所述分类模块信号连接。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行如权利要求1-7中任一所述的方法。
10.一个种机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-7中任一所述的方法。
CN202110622017.0A 2021-06-04 2021-06-04 基于用户画像的解决方案匹配方法及系统 Pending CN113076405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110622017.0A CN113076405A (zh) 2021-06-04 2021-06-04 基于用户画像的解决方案匹配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110622017.0A CN113076405A (zh) 2021-06-04 2021-06-04 基于用户画像的解决方案匹配方法及系统

Publications (1)

Publication Number Publication Date
CN113076405A true CN113076405A (zh) 2021-07-06

Family

ID=76616949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110622017.0A Pending CN113076405A (zh) 2021-06-04 2021-06-04 基于用户画像的解决方案匹配方法及系统

Country Status (1)

Country Link
CN (1) CN113076405A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505230A (zh) * 2021-09-10 2021-10-15 明品云(北京)数据科技有限公司 一种承揽服务推荐方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804689A (zh) * 2018-06-14 2018-11-13 合肥工业大学 面向问答平台的融合用户隐连接关系的标签推荐方法
US20190325081A1 (en) * 2018-04-20 2019-10-24 Facebook, Inc. Intent Identification for Agent Matching by Assistant Systems
CN110390107A (zh) * 2019-07-26 2019-10-29 腾讯科技（深圳）有限公司 基于人工智能的下文关系检测方法、装置及计算机设备
CN110444297A (zh) * 2019-08-06 2019-11-12 重庆仙桃前沿消费行为大数据有限公司 医疗信息推荐方法、装置、设备及可读存储介质
CN111985249A (zh) * 2020-09-03 2020-11-24 贝壳技术有限公司 语义分析方法、装置、计算机可读存储介质及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190325081A1 (en) * 2018-04-20 2019-10-24 Facebook, Inc. Intent Identification for Agent Matching by Assistant Systems
CN108804689A (zh) * 2018-06-14 2018-11-13 合肥工业大学 面向问答平台的融合用户隐连接关系的标签推荐方法
CN110390107A (zh) * 2019-07-26 2019-10-29 腾讯科技（深圳）有限公司 基于人工智能的下文关系检测方法、装置及计算机设备
CN110444297A (zh) * 2019-08-06 2019-11-12 重庆仙桃前沿消费行为大数据有限公司 医疗信息推荐方法、装置、设备及可读存储介质
CN111985249A (zh) * 2020-09-03 2020-11-24 贝壳技术有限公司 语义分析方法、装置、计算机可读存储介质及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505230A (zh) * 2021-09-10 2021-10-15 明品云(北京)数据科技有限公司 一种承揽服务推荐方法及系统

Similar Documents

Publication Publication Date Title
CN111538908B (zh) 搜索排序方法、装置、计算机设备和存储介质
CN111784455B (zh) 一种物品推荐方法及推荐设备
US11151177B2 (en) Search method and apparatus based on artificial intelligence
CN110334272B (zh) 基于知识图谱的智能问答方法、装置及计算机存储介质
CN108170684B (zh) 文本相似度计算方法及系统、数据查询系统和计算机产品
CN114358203B (zh) 图像描述语句生成模块的训练方法及装置、电子设备
CN111767375A (zh) 语义召回方法、装置、计算机设备及存储介质
CN112287069B (zh) 基于语音语义的信息检索方法、装置及计算机设备
CN111581364B (zh) 一种面向医疗领域的中文智能问答短文本相似度计算方法
CN114385780B (zh) 程序接口信息推荐方法、装置、电子设备和可读介质
CN113821592B (zh) 一种数据处理方法、装置、设备以及存储介质
CN113806487A (zh) 基于神经网络的语义搜索方法、装置、设备和存储介质
CN114676260A (zh) 基于知识图谱的人体骨骼运动康复模型构建方法
CN109359198A (zh) 一种文本分类方法及装置
CN110222144B (zh) 文本内容提取方法、装置、电子设备及存储介质
CN111506596A (zh) 信息检索方法、装置、计算机设备和存储介质
Taufik et al. The search for science and technology verses in Qur’an and hadith
CN113076405A (zh) 基于用户画像的解决方案匹配方法及系统
CN114610875A (zh) 信息分类方法、装置、电子设备及存储介质
CN113869068A (zh) 场景服务推荐方法、装置、设备及存储介质
CN110262906B (zh) 接口标签推荐方法、装置、存储介质和电子设备
CN116796729A (zh) 基于特征强化的文本推荐方法、装置、设备及存储介质
CN110647914A (zh) 智能服务水平训练方法、装置及计算机可读存储介质
CN113505230B (zh) 一种承揽服务推荐方法及系统
CN113743118B (zh) 基于融合关系信息编码的法律文书中的实体关系抽取方法

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: 20210706