CN113343102A - 基于特征筛选的数据推荐方法、装置、电子设备及介质 - Google Patents
基于特征筛选的数据推荐方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113343102A CN113343102A CN202110719758.0A CN202110719758A CN113343102A CN 113343102 A CN113343102 A CN 113343102A CN 202110719758 A CN202110719758 A CN 202110719758A CN 113343102 A CN113343102 A CN 113343102A
- Authority
- CN
- China
- Prior art keywords
- item
- recommended
- recommendation
- type
- candidate
- 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
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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及智能决策领域,揭露一种数据推荐方法,包括:计算用户信息与候选项目集中每个项目的相关度,得到推荐相关度值;根据推荐相关度值对候选项目集进行筛选,得到推荐项目集;利用推荐项目集中不同项目类型对应的历史项目评分计算对应项目类型的项目类型权重;利用项目类型权重对推荐相关度值进行校正,得到对应项目推荐值;将推荐项目集按项目类型进行分类,得到多个项目集合;对每个项目集合进行筛选,得到对应的目标推荐项目;将所有目标推荐项目按项目推荐值排列,得到推荐结果。本发明还涉及一种区块链技术,所述推荐相关度值可以存储在区块链节点中。本发明还提出一种数据推荐装置、设备以及介质。本发明可以提高数据推荐的准确性。
Description
技术领域
本发明涉及智能决策领域,尤其涉及一种基于特征筛选的数据推荐方法、装置、电子设备及介质。
背景技术
随着信息技术的快速发展,数据越来越多,从海量的数据中获取有效的信息变得越来越困难,因此,数据的推荐方法也越来越受到人们的重视,如利用数据推荐方法,在众多投资项目数据中筛选适合用户的投资项目的数据,降低用户投资风险。
但是现有的数据推荐方法,通常对推荐的项目进行相关度打分,将所有项目按照分值从高到低降序进行排序展示,由于项目推荐的结果通常比较丰富,导致相同类型的相似项目会堆在一起扎堆显示,导致用户无法及时获取有效的项目数据,数据推荐的准确性较差。
发明内容
本发明提供一种基于特征筛选的数据推荐方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高数据推荐的准确性。
为实现上述目的,本发明提供的一种基于特征筛选的数据推荐方法,包括:
获取用户信息,对所述用户信息进行特征提取,得到用户特征向量;
获取候选项目集,对所述候选项目集中每个候选项目进行特征提取,得到项目向量;
对所述用户特征向量及所述项目向量进行相关度计算,得到推荐相关度值;
根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目集;
获取所述推荐项目集中每个候选项目的项目类型,根据所述项目类型获取对应的历史项目评分,利用所述历史项目评分计算所述项目类型对应的项目类型权重;
根据所述项目类型权重及所述推荐相关度值对所述推荐项目集中每个候选项目进行权重计算,得到对应的项目推荐值;
根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目;
将所有推荐项目子集对应目标推荐项目按照所述项目推荐值进行排列,得到目标推荐项目序列;
将所述目标推荐项目序列发送至预设的终端设备。
可选地,所述对所述用户信息进行特征提取,得到用户特征向量,包括:
对所述用户信息进行文本转化,得到文本数据;
对所述文本数据进行分词处理,得到多个文本分词;
对每个所述文本分词进行词向量转化,得到每个所述文本分词对应的文本词向量;
将所有所述文本词向量合并为单维度向量,得到所述用户向量。
可选地,所述对所述用户信息进行文本转化,得到文本数据,包括:
识别所述用户信息对应的数据类型;
根据所述数据类型选取预设的转换算法对应所述用户信息进行文本转化,得到所述文本数据。
可选地,所述对所述候选项目集中每个候选项目进行特征提取,得到项目向量,包括:
获取所述候选项目集中每个项目的所有项目属性数据;
将所述项目的每个项目属性数据转化为向量,得到所述项目属性向量;
将所有项目属性向量按照预设的顺序进行横向组合,得到项目矩阵;
将所述项目矩阵中每一列所有元素的平均值作为每一列的列特征值;
根据所述项目矩阵中列的顺序将每一列的列特征值依次进行组合,得到所述项目向量。
可选地,所述获取所述推荐项目集中每个候选项目的项目类型,根据所述项目类型获取对应的历史项目评分,利用所述历史项目评分计算所述项目类型对应的项目类型权重,包括:
获取所述推荐项目集中每个候选项目的项目类型,并对获取到的所述项目类型进行汇总;
对汇总后的所述项目类型进行去重处理,得到目标项目类型集;
获取所述目标项目类型集中每种所述项目类型对应的所有历史项目评分,得到每种所述项目类型对应的历史项目评分集;
利用所述历史项目评分集计算所述目标项目类型集中每个项目类型对应的所述项目类型权重。
可选地,所述利用所述历史项目评分集计算所述目标项目类型集中每个项目类型对应的所述项目类型权重,包括:
计算所述历史项目评分集中所有历史项目评分的平均值,得到所述历史项目评分集对应的平均历史项目评分;
将所述平均历史项目评分与预设的评分区间值进行比值计算,得到所述历史项目评分集对应项目类型的所述项目类型权重。
可选地,所述根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目,包括:
将所述推荐项目集中同一项目类型的候选项目进行汇总,得到所述推荐项目子集;
选取所述推荐项目子集中所述项目推荐值最大的候选项目,得到一个或多个所述初始推荐项目;
当所述初始推荐项目的数量等于1,将所述初始推荐项目确定为目标推荐项目;
当所述初始推荐项目的数量大于1,随机选取一个所述初始推荐项目确定为目标推荐项目。
为了解决上述问题,本发明还提供一种基于特征筛选的数据推荐装置,所述装置包括:
特征提取模块,用于获取用户信息,对所述用户信息进行特征提取,得到用户特征向量;获取候选项目集,对所述候选项目集中每个候选项目进行特征提取,得到项目向量;
项目筛选模块,用于对所述用户特征向量及所述项目向量进行相关度计算,得到推荐相关度值;根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目集;获取所述推荐项目集中每个候选项目的项目类型,根据所述项目类型获取对应的历史项目评分,利用所述历史项目评分计算所述项目类型对应的项目类型权重;根据所述项目类型权重及所述推荐相关度值对所述推荐项目集中每个候选项目进行权重计算,得到对应的项目推荐值;根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目;
项目推荐模块,用于将每个所述推荐项目子集对应的目标推荐项目按照所述项目推荐值进行排列,得到目标推荐项目序列;将所述目标推荐项目序列发送至预设的终端设备。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的基于特征筛选的数据推荐方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于特征筛选的数据推荐方法。
本发明实施例对所述用户特征向量及所述项目向量进行相关度计算,得到推荐相关度值;根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目集;根据所述项目类型获取对应的历史项目评分,利用所述历史项目评分计算所述项目类型对应的项目类型权重;根据所述项目类型权重及所述推荐相关度值对所述推荐项目集中每个候选项目进行权重计算,得到对应的项目推荐值,在推荐相关度值的基础上利用历史项目评分进行进一步地权重计算,项目的数据推荐评价更准确;根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目,对相同项目类型的项目进行筛选过滤,避免了同一类型的相似项目扎堆显示,项目的数据推荐的更加多样,帮助用户及时过滤单一重复类型的项目的数据,提高了数据推荐的准确性;将所有推荐项目子集对应目标推荐项目按照所述项目推荐值进行排列,得到目标推荐项目序列;因此本发明实施例提出的基于特征筛选的数据推荐方法、装置、电子设备及可读存储介质提高了数据推荐的准确性。
附图说明
图1为本发明一实施例提供的基于特征筛选的数据推荐方法的流程示意图;
图2为本发明一实施例提供的基于特征筛选的数据推荐装置的模块示意图;
图3为本发明一实施例提供的实现基于特征筛选的数据推荐方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种基于特征筛选的数据推荐方法。所述基于特征筛选的数据推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于特征筛选的数据推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的基于特征筛选的数据推荐方法的流程示意图,在本发明实施例中,所述基于特征筛选的数据推荐方法包括:
S1、获取用户信息,对所述用户信息进行特征提取,得到用户特征向量;
本发明实施例中所述用户信息为资产用户信息,所述资产用户信息包括用户的投资要求信息、用户的资金信息、用户的个人信息等。
进一步的,本发明实施例中为了更好的根据所述用户信息匹配适合的投资项目,对所述用户信息进行特征提取,得到所述用户特征向量。
详细地,本发明实施例中对所述用户信息进行特征提取,得到所述用户特征向量,包括:
步骤A、对所述用户信息进行文本转化,得到文本数据;
步骤B、对所述文本数据进行分词处理,得到多个文本分词;
步骤C、对每个所述文本分词进行词向量转化,得到每个所述文本分词对应的文本词向量;
步骤D、将所有所述文本词向量合并为单维度向量,得到所述用户向量。
详细地,本发明实施例中,对所述用户信息进行文本转化,得到文本数据,包括:识别所述用户信息对应的数据类型,根据所述数据类型选取预设的转换算法对应所述用户信息进行文本转化,得到所述文本数据,其中,所述预设的转化算法包括:OCR算法、ASR算法等。
例如,当用户信息的数据类型为图像数据是,可利用OCR算法对用户信息转化为文本数据,以实现将图像数据转化为文本数据;当用户信息的数据类型为音频数据,利用ASR算法将用户信息进行文本转化,以实现将音频数据转化为文本数据。
本实施例可利用预先构建的标准词典对所述文本数据进行分词处理,所述标准词典中包含多个标准分词。例如,将所述文本数据按照不同的长度进行划分,并将划分结果在所述标准词典中进行检索,若可检索到与划分结果相同的标准分词,则确定该标准分词为所述文本数据的文本分词。
本发明其中一个实施例中,所述对所述文本数据进行分词处理,得到文本分词,包括:
获取预先构建的标准词典,其中,所述标准词典中包含多个标准分词;
将所述文本数据按照预设的第一分词粒度进行文本划分,得到检索词;
将所述检索词在所述标准词典中进行检索,当从所述标准词典中检索到与所述检索词相同的词语时,确定所述检索词为所述文本数据的文本分词,并返回文本划分的步骤按照预设的第二分词粒度进行文本划分,直至所述文本划分的次数达到预设次数,得到所述文本数据对应的文本分词。
例如:文本数据为“职业是程序员”,第一分词粒度为两个字符,那么文本数据的划分结果为“职业/是程/序员”,得到“职业”、“是程”、“序员”三个检索词,将“职业”、“是程”、“序员”三个词分别在标准词典中进行检索比对,若所述标准词典中包含相同的词语时,将该词划分为文本分词,如:标准词典中有词语“职业”,那么将词语“职业”确定为文本分词。
本发明实施例,将文本数据按照不同的分词粒度进行划分,兼顾了不同字符长度的词语,保证了分词的准确性。
进一步地,为了保证检索的效率,在将所述检索词在所述标准词典中进行检索之前,还需要对所述检索词进行停用词删除处理,所述停用词为无意义的词语,包括了语气助词、副词、介词、连接词等,如“的”、“在”,可选地,本发明实施例可利用预设的停用词词典进行停用词删除处理。
本实施例中,按照不同的长度对文本数据进行划分、检索的方式实现对文本数据的分词,无需对文本数据的内容进行分析,有利于提高对文本数据进行分词的效率。
本实施例中,可利用word2vec模型或one-hot算法将所述文本分词转化为文本词向量。
进一步地,本发明实施例将所有所述文本词向量合并为单维度向量,得到所述用户向量。
可选地,本发明实施例中将所有所述文本词向量合并为单维度向量,得到所述用户向量,包括:将所有所述文本词向量进行算术平均计算,得到所述用户向量。
S2、获取候选项目集,对所述候选项目集中每个候选项目进行特征提取,得到项目向量;
本发明实施例中,所述候选项目集为候选项目的集合,其中,所述候选项目为需要投资的资产项目,所述候选项目包含不同的项目属性数据,如:项目周期、项目预算、项目投资回报率等。
详细地,本发明实施例中对所述候选项目集中每个候选项目进行特征提取,得到所述项目向量,包括:
获取所述候选项目集中每个项目的所有项目属性数据;
将所述项目的每个项目属性数据转化为向量,得到所述项目属性向量;
将所有项目属性向量按照预设的顺序进行横向组合,得到项目矩阵;
将选所述项目矩阵中每一列所有元素的平均值作为每一列的列特征值;
根据所述项目矩阵中列的顺序将每一列的列特征值依次进行组合,得到所述项目向量。
S3、对所述用户特征向量及所述项目向量进行相关度计算,得到推荐相关度值;
本发明实施例中为了筛选适合所述用户信息对应用户的候选项目,对所述用户特征向量及所述项目向量进行相关度计算,得到所述推荐相关度值。
可选地,本发明实施例利用如下公式进行相关度计算:
其中,Xi表示用户向量X的第i个元素,Yi为项目向量Y的第i个元素,Sim表示用户向量X和项目向量Y的相似度,n表示用户向量及项目向量的向量维度。
本发明另一实施例中,所述推荐相关度值还可以存储在区块链节点中,利用区块链高吞吐的特性,提高推荐相关度值的取用效率。
S4、根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目集;
详细地,本发明实施例中所述推荐相关度值的大小代表了对应的候选项目与用户匹配程度,因此,为了选择适合用户的候选项目,根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目集。
详细地,本发明实施例中根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目推荐集,包括:筛选所述候选项目集中所述推荐相关度值大于预设相关度阈值的项目,得到所述推荐项目集。
S5、获取所述推荐项目集中每个候选项目的项目类型,根据所述项目类型获取对应的历史项目评分,利用所述历史项目评分计算所述项目类型对应的项目类型权重;
本发明实施例中获取所述推荐项目集中每个候选项目的项目类型,所述项目类型包括:房地产、金融等类型。
详细地,本发明实施例对获取到的所述项目类型进行汇总,对汇总后的项目类型进行去重处理,得到目标项目类型集。
进一步地,本发明实施例获取所述目标项目类型集中每种项目类型对应的所有历史项目评分,得到对应的历史项目评分集,其中,所述历史项目评分为用户对投资过的该项目类型的项目的反馈评分,由于用户可能每种项目类型投资了多个项目,因此,每种项目类型对应多个历史项目评分。
计算所述历史项目评分集中所有历史项目评分的平均值,得到所述历史项目评分集对应的平均历史项目评分;
将所述平均历史项目评分与预设的评分区间值进行比值计算,得到所述历史项目评分集对应项目类型的所述项目类型权重,其中,所述评分区间值为评分体系中的最大评分值,如评分范围为0-5分,那么评分区间值为5。
例如:A项目类型的平均历史项目评分为3,评分区间值为5,那么所述项目类型权重为3/5=0.6。
S6、根据所述项目类型权重及所述推荐相关度值对所述推荐项目集中每个候选项目进行权重计算,得到对应的项目推荐值;
详细地,本发明实施例中将所述推荐项目集中每个候选项目的所述推荐相关度值与对应的项目类型权重进行乘法计算,得到对应的项目推荐值。
如:所述推荐项目集中候选项目A对应的推荐相关度值为0.8,候选项目A对应的甲项目类型,甲项目类型对应的项目类型权重为0.6,那么候选项目A的项目推荐值为0.8*0.6=0.48。
S7、根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目;
本发明实施例中为了避免投资同质化,造成风险集中,因此,本发明实施例获取所述推荐项目集中每个候选项目的项目类型,根据所述项目类型对所述候选项目推荐集进行分类。
详细地,本发明实施例中,根据所述项目类型对所述推荐项目集进行分类,包括:将所述推荐项目集中同一项目类型的候选项目进行汇总,得到所述推荐项目子集。
详细地,本发明实施例中选取所述推荐项目子集中所述项目推荐值最大的候选项目,得到一个或多个初始推荐项目;
进一步地,由于所述推荐项目子集中的最大项目推荐值可能不止一个,因此还需要对所述初始推荐项目的数量进行判断,当所述初始推荐项目的数量等于1,将所述初始推荐项目确定为目标推荐项目;
当所述初始推荐项目的数量大于1,随机选取一个所述初始推荐项目确定为目标推荐项目。
S8、将每一个所述推荐项目子集对应的目标推荐项目按照所述项目推荐值进行排列,得到目标推荐项目序列;
详细地,本发明实施例为了便于用户对所述目标推荐项目进行选择,将所有所述目标推荐项目按照对应的所述项目推荐值从大到小进行排列,得到目标推荐项目序列。
S9、将所述目标推荐项目序列发送至预设的终端设备。
可选地,本发明实施例中将所述目标推荐项目序列发送至所述用户信息对应的用户的终端设备,所述终端设备包括:手机、电脑、平板等智能终端。
本发明实施例对所述用户特征向量及所述项目向量进行相关度计算,得到推荐相关度值;根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目集;根据所述项目类型获取对应的历史项目评分,利用所述历史项目评分计算所述项目类型对应的项目类型权重;根据所述项目类型权重及所述推荐相关度值对所述推荐项目集中每个候选项目进行权重计算,得到对应的项目推荐值,在推荐相关度值的基础上利用历史项目评分进行进一步地权重计算,项目的推荐评价更准确;根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目,将所有推荐项目子集对应目标推荐项目按照所述项目推荐值进行排列,得到目标推荐项目序列,对相同项目类型的项目进行筛选过滤,避免了同一类型的相似项目扎堆显示,项目推荐的更加多样,帮助用户及时过滤单一重复类型的项目,提高了项目推荐的准确性。
如图2所示,是本发明基于特征筛选的数据推荐装置的功能模块图。
本发明所述基于特征筛选的数据推荐装置100可以安装于电子设备中。根据实现的功能,所述基于特征筛选的数据推荐装置可以包括特征提取模块101、项目筛选模块102、项目推荐模块103,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述特征提取模块101用于获取用户信息,对所述用户信息进行特征提取,得到用户特征向量;获取候选项目集,对所述候选项目集中每个候选项目进行特征提取,得到项目向量;
本发明实施例中所述用户信息为资产用户信息,所述资产用户信息包括用户的投资要求信息、用户的资金信息、用户的个人信息等。
进一步的,本发明实施例中为了更好的根据所述用户信息匹配适合的投资项目,对所述用户信息进行特征提取,得到所述用户特征向量。
详细地,本发明实施例中所述特征提取模块101对所述用户信息进行特征提取,得到所述用户特征向量,包括:
步骤A、对所述用户信息进行文本转化,得到文本数据;
步骤B、对所述文本数据进行分词处理,得到多个文本分词;
步骤C、对每个所述文本分词进行词向量转化,得到每个所述文本分词对应的文本词向量;
步骤D、将所有所述文本词向量合并为单维度向量,得到所述用户向量。
详细地,本发明实施例中,所述特征提取模块101对所述用户信息进行文本转化,得到文本数据,包括:识别所述用户信息对应的数据类型,根据所述数据类型选取预设的转换算法对应所述用户信息进行文本转化,得到所述文本数据,其中,所述预设的转化算法包括:OCR算法、ASR算法等。
例如,当用户信息的数据类型为图像数据是,可利用OCR算法对用户信息转化为文本数据,以实现将图像数据转化为文本数据;当用户信息的数据类型为音频数据,利用ASR算法将用户信息进行文本转化,以实现将音频数据转化为文本数据。
本实施例所述特征提取模块101可利用预先构建的标准词典对所述文本数据进行分词处理,所述标准词典中包含多个标准分词。例如,将所述文本数据按照不同的长度进行划分,并将划分结果在所述标准词典中进行检索,若可检索到与划分结果相同的标准分词,则确定该标准分词为所述文本数据的文本分词。
本发明其中一个实施例中,所述特征提取模块101对所述文本数据进行分词处理,得到文本分词,包括:
获取预先构建的标准词典,其中,所述标准词典中包含多个标准分词;
将所述文本数据按照预设的第一分词粒度进行文本划分,得到检索词;
将所述检索词在所述标准词典中进行检索,当从所述标准词典中检索到与所述检索词相同的词语时,确定所述检索词为所述文本数据的文本分词,并返回文本划分的步骤按照预设的第二分词粒度进行文本划分,直至所述文本划分的次数达到预设次数,得到所述文本数据对应的文本分词。
例如:文本数据为“职业是程序员”,第一分词粒度为两个字符,那么文本数据的划分结果为“职业/是程/序员”,得到“职业”、“是程”、“序员”三个检索词,将“职业”、“是程”、“序员”三个词分别在标准词典中进行检索比对,若所述标准词典中包含相同的词语时,将该词划分为文本分词,如:标准词典中有词语“职业”,那么将词语“职业”确定为文本分词。
本发明实施例,所述特征提取模块101将文本数据按照不同的分词粒度进行划分,兼顾了不同字符长度的词语,保证了分词的准确性。
进一步地,为了保证检索的效率,所述特征提取模块101在将所述检索词在所述标准词典中进行检索之前,还需要对所述检索词进行停用词删除处理,所述停用词为无意义的词语,包括了语气助词、副词、介词、连接词等,如“的”、“在”,可选地,本发明实施例可利用预设的停用词词典进行停用词删除处理。
本实施例中,所述特征提取模块101按照不同的长度对文本数据进行划分、检索的方式实现对文本数据的分词,无需对文本数据的内容进行分析,有利于提高对文本数据进行分词的效率。
本实施例中,所述特征提取模块101可利用word2vec模型或one-hot算法将所述文本分词转化为文本词向量。
进一步地,本发明实施例所述特征提取模块101将所有所述文本词向量合并为单维度向量,得到所述用户向量。
可选地,本发明实施例中所述特征提取模块101将所有所述文本词向量合并为单维度向量,得到所述用户向量,包括:将所有所述文本词向量进行算术平均计算,得到所述用户向量。
本发明实施例中,所述候选项目集为候选项目的集合,其中,所述候选项目为需要投资的资产项目,所述候选项目包含不同的项目属性数据,如:项目周期、项目预算、项目投资回报率等。
详细地,本发明实施例中所述特征提取模块101对所述候选项目集中每个候选项目进行特征提取,得到所述项目向量,包括:
获取所述候选项目集中每个项目的所有项目属性数据;
将所述项目的每个项目属性数据转化为向量,得到所述项目属性向量;
将所有项目属性向量按照预设的顺序进行横向组合,得到项目矩阵;
将选所述项目矩阵中每一列所有元素的平均值作为每一列的列特征值;
根据所述项目矩阵中列的顺序将每一列的列特征值依次进行组合,得到所述项目向量。
所述项目筛选模块102用于对所述用户特征向量及所述项目向量进行相关度计算,得到推荐相关度值;根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目集;获取所述推荐项目集中每个候选项目的项目类型,根据所述项目类型获取对应的历史项目评分,利用所述历史项目评分计算所述项目类型对应的项目类型权重;根据所述项目类型权重及所述推荐相关度值对所述推荐项目集中每个候选项目进行权重计算,得到对应的项目推荐值;根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目;
本发明实施例中所述项目筛选模块102为了筛选适合所述用户信息对应用户的候选项目,对所述用户特征向量及所述项目向量进行相关度计算,得到所述推荐相关度值。
可选地,本发明实施例利用如下公式进行相关度计算:
其中,Xi表示用户向量X的第i个元素,Yi为项目向量Y的第i个元素,Sim表示用户向量X和项目向量Y的相似度,n表示用户向量及项目向量的向量维度。
本发明另一实施例中,所述推荐相关度值还可以存储在区块链节点中,利用区块链高吞吐的特性,提高推荐相关度值的取用效率。
详细地,本发明实施例中所述推荐相关度值的大小代表了对应的候选项目与用户匹配程度,因此,为了选择适合用户的候选项目,所述项目筛选模块102根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目集。
详细地,本发明实施例中所述项目筛选模块102根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目推荐集,包括:筛选所述候选项目集中所述推荐相关度值大于预设相关度阈值的项目,得到所述推荐项目集。
本发明实施例中获取所述推荐项目集中每个候选项目的项目类型,所述项目类型包括:房地产、金融等类型。
详细地,本发明实施例所述项目筛选模块102对获取到的所述项目类型进行汇总,对汇总后的项目类型进行去重处理,得到目标项目类型集。
进一步地,本发明实施例所述项目筛选模块102获取所述目标项目类型集中每种项目类型对应的所有历史项目评分,得到对应的历史项目评分集,其中,所述历史项目评分为用户对投资过的该项目类型的项目的反馈评分,由于用户可能每种项目类型投资了多个项目,因此,每种项目类型对应多个历史项目评分。
计算所述历史项目评分集中所有历史项目评分的平均值,得到所述历史项目评分集对应的平均历史项目评分;
将所述平均历史项目评分与预设的评分区间值进行比值计算,得到所述历史项目评分集对应项目类型的所述项目类型权重,其中,所述评分区间值为评分体系中的最大评分值,如评分范围为0-5分,那么评分区间值为5。
例如:A项目类型的平均历史项目评分为3,评分区间值为5,那么所述项目类型权重为3/5=0.6。
详细地,本发明实施例中所述项目筛选模块102将所述推荐项目集中每个候选项目的所述推荐相关度值与对应的项目类型权重进行乘法计算,得到对应的项目推荐值。
如:所述推荐项目集中候选项目A对应的推荐相关度值为0.8,候选项目A对应的甲项目类型,甲项目类型对应的项目类型权重为0.6,那么候选项目A的项目推荐值为0.8*0.6=0.48。
本发明实施例中为了避免投资同质化,造成风险集中,因此,本发明实施例所述项目筛选模块102根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目。
详细地,本发明实施例中,根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目,包括:将所述推荐项目集中同一项目类型的候选项目进行汇总,得到所述推荐项目子集。
详细地,本发明实施例中选取所述推荐项目子集中所述项目推荐值最大的候选项目,得到一个或多个初始推荐项目;
进一步地,由于所述推荐项目子集中的最大项目推荐值可能不止一个,因此还需要对所述初始推荐项目的数量进行判断,当所述初始推荐项目的数量等于1,将所述初始推荐项目确定为目标推荐项目;
当所述初始推荐项目的数量大于1,随机选取一个所述初始推荐项目确定为目标推荐项目。
所述项目推荐模块103用于将所有推荐项目子集对应目标推荐项目按照所述项目推荐值进行排列,得到目标推荐项目序列;将所述目标推荐项目序列发送至预设的终端设备。
详细地,本发明实施例为了便于用户对所述目标推荐项目进行选择,所述项目推荐模块103将所有所述目标推荐项目按照对应的所述项目推荐值从大到小进行排列,得到目标推荐项目序列。
可选地,本发明实施例中所述项目推荐模块103将所述目标推荐项目序列发送至所述用户信息对应的用户的终端设备,所述终端设备包括:手机、电脑、平板等智能终端。
如图3所示,是本发明实现基于特征筛选的数据推荐方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如数据推荐程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如项目推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如项目推荐程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图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。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的项目推荐程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取用户信息,对所述用户信息进行特征提取,得到用户特征向量;
获取候选项目集,对所述候选项目集中每个候选项目进行特征提取,得到项目向量;
对所述用户特征向量及所述项目向量进行相关度计算,得到推荐相关度值;
根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目集;
获取所述推荐项目集中每个候选项目的项目类型,根据所述项目类型获取对应的历史项目评分,利用所述历史项目评分计算所述项目类型对应的项目类型权重;
根据所述项目类型权重及所述推荐相关度值对所述推荐项目集中每个候选项目进行权重计算,得到对应的项目推荐值;
根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目;
将每个所述推荐项目子集对应的目标推荐项目按照所述项目推荐值进行排列,得到目标推荐项目序列;
将所述目标推荐项目序列发送至预设的终端设备。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取用户信息,对所述用户信息进行特征提取,得到用户特征向量;
获取候选项目集,对所述候选项目集中每个候选项目进行特征提取,得到项目向量;
对所述用户特征向量及所述项目向量进行相关度计算,得到推荐相关度值;
根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目集;
获取所述推荐项目集中每个候选项目的项目类型,根据所述项目类型获取对应的历史项目评分,利用所述历史项目评分计算所述项目类型对应的项目类型权重;
根据所述项目类型权重及所述推荐相关度值对所述推荐项目集中每个候选项目进行权重计算,得到对应的项目推荐值;
根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目;
将每个所述推荐项目子集对应的目标推荐项目按照所述项目推荐值进行排列,得到目标推荐项目序列;
将所述目标推荐项目序列发送至预设的终端设备。
进一步地,所述计算机可用存储介质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区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于特征筛选的数据推荐方法,其特征在于,所述方法包括:
获取用户信息,对所述用户信息进行特征提取,得到用户特征向量;
获取候选项目集,对所述候选项目集中每个候选项目进行特征提取,得到项目向量;
对所述用户特征向量及所述项目向量进行相关度计算,得到推荐相关度值;
根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目集;
获取所述推荐项目集中每个候选项目的项目类型,根据所述项目类型获取对应的历史项目评分,利用所述历史项目评分计算所述项目类型对应的项目类型权重;
根据所述项目类型权重及所述推荐相关度值对所述推荐项目集中每个候选项目进行权重计算,得到对应的项目推荐值;
根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目;
将每个所述推荐项目子集对应的目标推荐项目按照所述项目推荐值进行排列,得到目标推荐项目序列;
将所述目标推荐项目序列发送至预设的终端设备。
2.如权利要求1所述的基于特征筛选的数据推荐方法,其特征在于,所述对所述用户信息进行特征提取,得到用户特征向量,包括:
对所述用户信息进行文本转化,得到文本数据;
对所述文本数据进行分词处理,得到多个文本分词;
对每个所述文本分词进行词向量转化,得到每个所述文本分词对应的文本词向量;
将所有所述文本词向量合并为单维度向量,得到所述用户向量。
3.如权利要求2所述的基于特征筛选的数据推荐方法,其特征在于,所述对所述用户信息进行文本转化,得到文本数据,包括:
识别所述用户信息对应的数据类型;
根据所述数据类型选取预设的转换算法对应所述用户信息进行文本转化,得到所述文本数据。
4.如权利要求1所述的基于特征筛选的数据推荐方法,其特征在于,所述对所述候选项目集中每个候选项目进行特征提取,得到项目向量,包括:
获取所述候选项目集中每个项目的所有项目属性数据;
将所述项目的每个项目属性数据转化为向量,得到所述项目属性向量;
将所有项目属性向量按照预设的顺序进行横向组合,得到项目矩阵;
将所述项目矩阵中每一列所有元素的平均值作为每一列的列特征值;
根据所述项目矩阵中列的顺序将每一列的列特征值依次进行组合,得到所述项目向量。
5.如权利要求1所述的基于特征筛选的数据推荐方法,其特征在于,所述获取所述推荐项目集中每个候选项目的项目类型,根据所述项目类型获取对应的历史项目评分,利用所述历史项目评分计算所述项目类型对应的项目类型权重,包括:
获取所述推荐项目集中每个候选项目的项目类型,并对获取到的所述项目类型进行汇总;
对汇总后的所述项目类型进行去重处理,得到目标项目类型集;
获取所述目标项目类型集中每种所述项目类型对应的所有历史项目评分,得到每种所述项目类型对应的历史项目评分集;
利用所述历史项目评分集计算所述目标项目类型集中每个项目类型对应的所述项目类型权重。
6.如权利要求5所述的基于特征筛选的数据推荐方法,其特征在于,所述利用所述历史项目评分集计算所述目标项目类型集中每个项目类型对应的所述项目类型权重,包括:
计算所述历史项目评分集中所有历史项目评分的平均值,得到所述历史项目评分集对应的平均历史项目评分;
将所述平均历史项目评分与预设的评分区间值进行比值计算,得到所述历史项目评分集对应项目类型的所述项目类型权重。
7.如权利要求1至6中任意一项所述的基于特征筛选的数据推荐方法,其特征在于,所述根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目,包括:
将所述推荐项目集中同一项目类型的候选项目进行汇总,得到所述推荐项目子集;
选取所述推荐项目子集中所述项目推荐值最大的候选项目,得到一个或多个初始推荐项目;
当所述初始推荐项目的数量等于1,将所述初始推荐项目确定为目标推荐项目;
当所述初始推荐项目的数量大于1,随机选取一个所述初始推荐项目确定为目标推荐项目。
8.一种基于特征筛选的数据推荐装置,其特征在于,包括:
特征提取模块,用于获取用户信息,对所述用户信息进行特征提取,得到用户特征向量;获取候选项目集,对所述候选项目集中每个候选项目进行特征提取,得到项目向量;
项目筛选模块,用于对所述用户特征向量及所述项目向量进行相关度计算,得到推荐相关度值;根据所述推荐相关度值对所述候选项目集进行筛选,得到推荐项目集;获取所述推荐项目集中每个候选项目的项目类型,根据所述项目类型获取对应的历史项目评分,利用所述历史项目评分计算所述项目类型对应的项目类型权重;根据所述项目类型权重及所述推荐相关度值对所述推荐项目集中每个候选项目进行权重计算,得到对应的项目推荐值;根据所述项目类型对所述推荐项目集进行分类,得到多个推荐项目子集,并根据所述项目推荐值对每个所述推荐项目子集进行最大值筛选,得到每个所述推荐项目子集对应的目标推荐项目;
项目推荐模块,用于将每个所述推荐项目子集对应的目标推荐项目按照所述项目推荐值进行排列,得到目标推荐项目序列;将所述目标推荐项目序列发送至预设的终端设备。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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执行如权利要求1至7中任一项所述的基于特征筛选的数据推荐方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于特征筛选的数据推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719758.0A CN113343102A (zh) | 2021-06-28 | 2021-06-28 | 基于特征筛选的数据推荐方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719758.0A CN113343102A (zh) | 2021-06-28 | 2021-06-28 | 基于特征筛选的数据推荐方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113343102A true CN113343102A (zh) | 2021-09-03 |
Family
ID=77479135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110719758.0A Pending CN113343102A (zh) | 2021-06-28 | 2021-06-28 | 基于特征筛选的数据推荐方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343102A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520627A (zh) * | 2023-10-18 | 2024-02-06 | 广州汉申信息科技有限公司 | 项目检索数据处理方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959603A (zh) * | 2018-07-13 | 2018-12-07 | 北京印刷学院 | 基于深度神经网络的个性化推荐系统及方法 |
CN110046304A (zh) * | 2019-04-18 | 2019-07-23 | 腾讯科技(深圳)有限公司 | 一种用户推荐方法和装置 |
CN111241380A (zh) * | 2018-11-28 | 2020-06-05 | 富士通株式会社 | 用于生成推荐的方法和设备 |
CN111708950A (zh) * | 2020-06-22 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置及电子设备 |
CN111859126A (zh) * | 2020-07-09 | 2020-10-30 | 有半岛(北京)信息科技有限公司 | 推荐项目确定方法、装置、设备及存储介质 |
CN111859221A (zh) * | 2020-07-27 | 2020-10-30 | 中国联合网络通信集团有限公司 | 一种项目推荐方法及装置 |
CN112633988A (zh) * | 2020-12-30 | 2021-04-09 | 平安证券股份有限公司 | 用户产品推荐方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-06-28 CN CN202110719758.0A patent/CN113343102A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959603A (zh) * | 2018-07-13 | 2018-12-07 | 北京印刷学院 | 基于深度神经网络的个性化推荐系统及方法 |
CN111241380A (zh) * | 2018-11-28 | 2020-06-05 | 富士通株式会社 | 用于生成推荐的方法和设备 |
CN110046304A (zh) * | 2019-04-18 | 2019-07-23 | 腾讯科技(深圳)有限公司 | 一种用户推荐方法和装置 |
CN111708950A (zh) * | 2020-06-22 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置及电子设备 |
CN111859126A (zh) * | 2020-07-09 | 2020-10-30 | 有半岛(北京)信息科技有限公司 | 推荐项目确定方法、装置、设备及存储介质 |
CN111859221A (zh) * | 2020-07-27 | 2020-10-30 | 中国联合网络通信集团有限公司 | 一种项目推荐方法及装置 |
CN112633988A (zh) * | 2020-12-30 | 2021-04-09 | 平安证券股份有限公司 | 用户产品推荐方法、装置、电子设备及可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520627A (zh) * | 2023-10-18 | 2024-02-06 | 广州汉申信息科技有限公司 | 项目检索数据处理方法及装置 |
CN117520627B (zh) * | 2023-10-18 | 2024-04-26 | 广州汉申信息科技有限公司 | 项目检索数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449187B (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112528616B (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN114138784B (zh) | 基于存储库的信息溯源方法、装置、电子设备及介质 | |
CN113468421A (zh) | 基于向量匹配技术的产品推荐方法、装置、设备及介质 | |
CN115018588A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN114398557A (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN112632264A (zh) | 智能问答方法、装置、电子设备及存储介质 | |
CN112883730A (zh) | 相似文本匹配方法、装置、电子设备及存储介质 | |
CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN113486238A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN113688239A (zh) | 少样本下的文本分类方法、装置、电子设备及存储介质 | |
CN113343102A (zh) | 基于特征筛选的数据推荐方法、装置、电子设备及介质 | |
CN111651625A (zh) | 图像检索方法、装置、电子设备及存储介质 | |
CN111429085A (zh) | 合同数据生成方法、装置、电子设备及存储介质 | |
CN113705201B (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
CN115186188A (zh) | 基于行为分析的产品推荐方法、装置、设备及存储介质 | |
CN114240560A (zh) | 基于多维分析的产品排名方法、装置、设备及存储介质 | |
CN113822215A (zh) | 设备操作指引文件生成方法、装置、电子设备及存储介质 | |
CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210903 |
|
WD01 | Invention patent application deemed withdrawn after publication |