CN113486663A - 数据预测方法和装置 - Google Patents
数据预测方法和装置 Download PDFInfo
- Publication number
- CN113486663A CN113486663A CN202110835178.8A CN202110835178A CN113486663A CN 113486663 A CN113486663 A CN 113486663A CN 202110835178 A CN202110835178 A CN 202110835178A CN 113486663 A CN113486663 A CN 113486663A
- Authority
- CN
- China
- Prior art keywords
- candidate
- data
- words
- article
- word
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000005192 partition Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 description 8
- 238000005282 brightening Methods 0.000 description 6
- 239000000499 gel Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 239000006210 lotion Substances 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000015110 jellies Nutrition 0.000 description 1
- 239000008274 jelly Substances 0.000 description 1
- 230000003020 moisturizing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (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)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种数据预测方法和装置。数据预测方法包括:将待预测物品的名称进行分词处理,以得到M个目标单词;将数据池中与第i个目标单词的相似度分值最高的N个单词作为第i个目标单词的N个候选单词;根据预设的关联关系,在数据池中选择出候选单词相关联的多个候选名称;根据每个候选名称中的各候选单词的相似度分值总和,确定每个候选名称的相似度;将相似度最高的K个候选名称作为K个相似物品名称;根据K个相似物品在物品流转后的前L天的业务数据确定待预测物品在物品流转后的前L天的业务数据。
Description
技术领域
本公开涉及信息处理领域,特别涉及一种数据预测方法和装置。
背景技术
为了预测新流转物品的业务数据,通常利用与新流转物品相似的其它历史物品的历史数据进行预测。
发明内容
发明人注意到,在对新流转物品的业务数据进行预测的过程中,通常根据工作人员的主观选择确定历史物品。若历史物品与新流转物品相似度不高,因此历史物品的历史数据并不能准确预测新流转物品的业务数据。
据此,本公开提供一种数据预测方案,能够对新流转物品的业务数据进行准确预测。
根据本公开实施例的第一方面,提供一种数据预测方法,包括:将待预测物品的名称进行分词处理,以得到M个目标单词;将数据池中与第i个目标单词的相似度分值最高的N个单词作为第i个目标单词的N个候选单词,1≤i≤M,M、N为自然数;根据预设的关联关系,在所述数据池中选择出所述候选单词相关联的多个候选名称;根据每个候选名称中的各候选单词的相似度分值总和,确定所述每个候选名称的相似度;将相似度最高的K个候选名称作为K个相似物品名称,K为自然数;根据K个相似物品在物品流转后的前L天的业务数据确定所述待预测物品在物品流转后的前L天的业务数据,L为自然数。
在一些实施例中,根据K个相似物品在物品流转后的前L天的业务数据确定所述待预测物品在物品流转后的前L天的业务数据包括:计算K个相似物品在物品流转后的第j天的业务数据最大值、最小值和均值,1≤j≤L;判断所述最大值与所述均值的比值是否大于预设门限;若所述最大值与所述均值的比值大于预设门限,则选择第一分位点;根据所述第一分位点确定所述待预测物品在物品流转后的第j天的业务数据。
在一些实施例中,若所述最大值与所述均值的比值不大于预设门限,则判断所述均值与所述最小值的比值是否大于预设门限;若所述均值与所述最小值的比值大于预设门限,则选择第二分位点,其中第二分位点大于第一分位点;根据所述第二分位点确定所述待预测物品在物品流转后的第j天的业务数据。
在一些实施例中,所述第一分位点的取值范围为0.1-0.3;所述第二分位点的取值范围为0.7-0.9。
在一些实施例中,若所述均值与所述最小值的比值不大于预设门限,则选择第三分位点,其中第三分位点为所述均值;根据所述第三分位点确定所述待预测物品在物品流转后的第j天的业务数据。
在一些实施例中,将数据池中与第i个目标单词的相似度分值最高的N个单词作为第i个目标单词的N个候选单词包括:计算第i个目标单词的词向量和数据池中的每个单词的词向量的相似度;将相似度分值最高的N个单词作为第i个目标单词的N个候选单词。
在一些实施例中,将数据池中的全部物品名称进行分词处理,以得到多个单词;建立每个单词与所属物品名称之间的关联关系。
根据本公开实施例的第二方面,提供一种数据预测装置,包括:第一处理模块,被配置为将待预测物品的名称进行分词处理,以得到M个目标单词;第二处理模块,被配置为将数据池中与第i个目标单词的相似度分值最高的N个单词作为第i个目标单词的N个候选单词,1≤i≤M,M、N为自然数;第三处理模块,被配置为根据预设的关联关系,在所述数据池中选择出所述候选单词相关联的多个候选名称,根据每个候选名称中的各候选单词的相似度分值总和,确定所述每个候选名称的相似度,将相似度最高的K个候选名称作为K个相似物品名称,K为自然数;第四处理模块,被配置为根据K个相似物品在物品流转后的前L天的业务数据确定所述待预测物品在物品流转后的前L天的业务数据,L为自然数。
根据本公开实施例的第三方面,提供一种数据预测装置,包括:存储器,被配置为存储指令;处理器,耦合到存储器,处理器被配置为基于存储器存储的指令执行实现如上述任一实施例涉及的方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其中,计算机可读存储介质存储有计算机指令,指令被处理器执行时实现如上述任一实施例涉及的方法。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开一个实施例的数据预测方法的流程示意图;
图2为本公开另一个实施例的数据预测方法的流程示意图;
图3为本公开一个实施例的数据预测装置的结构示意图;
图4为本公开另一个实施例的数据预测装置的结构示意图;
图5为本公开又一个实施例的数据预测装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为本公开一个实施例的数据预测方法的流程示意图。在一些实施例中,下列的数据预测方法由数据预测装置执行。
在步骤101,将待预测物品的名称进行分词处理,以得到M个目标单词,M为自然数。
在步骤102,将数据池中与第i个目标单词的相似度分值最高的N个单词作为第i个目标单词的N个候选单词,1≤i≤M,N为自然数。
在一些实施例中,计算第i个目标单词的词向量和数据池中的每个单词的词向量的相似度。例如,相似度用余弦相似度度量。接下来,将相似度分值最高的N个单词作为第i个目标单词的N个候选单词。
在步骤103,根据预设的关联关系,在数据池中选择出候选单词相关联的多个候选名称。
在步骤104,根据每个候选名称中的各候选单词的相似度分值总和,确定每个候选名称的相似度。
在步骤105,将相似度最高的K个候选名称作为K个相似物品名称,K为自然数。
在一些实施例中,将数据池中的全部物品名称进行分词处理,以得到多个单词,并建立每个单词与所属物品名称之间的关联关系。
例如,若数据池中具有2个物品名称,如表1所示。则这两个物品名称中所包括的单词与物品名称的关系如表2所示。
名称编号 | 物品名称 |
1 | A牌保湿面膜 |
2 | A牌提亮啫喱 |
3 | B牌提亮润体乳 |
表1
单词编号 | 单词 | 对应关系 |
1 | A牌 | (<1,1>,<2,1>) |
2 | B牌 | (<3,1>) |
3 | 保湿 | (<1,2>) |
4 | 提亮 | (<2,2>,<3,2>) |
5 | 面膜 | (<1,3>) |
6 | 啫喱 | (<2,3>) |
7 | 润体乳 | (<3,3>) |
表2
如表2所示,<1,2>表示单词“保湿”为第1个物品名称的第2个单词,<2,3>表示单词“保湿”为第2个物品名称的第3个单词,依次类推。
通过将待预测物品的名称“A牌提亮面膜”进行分词处理,得到3个目标单词,即“A牌”、“提亮”、“面膜”。接下来,从数据池中提取出“A牌”的2个候选单词(A牌、B牌),从数据池中提取出“提亮”的2个候选单词(提亮、保湿),从数据池中提取出“面膜”的2个候选单词(面膜、啫喱)。利用所得到的候选单词确定出表1中的两个物品名称为候选名称。
设“A牌”这个单词与这两个名称中的“A牌”的距离都是1,“提亮”这个单词与名称1中的“保湿”的距离是0.8,与名称2中的“提亮”是1,“面膜”这个单词与名称1中的“面膜”距离为1,与名称2中的“啫喱”距离为0.7。
由此可以得到名称1中的3个单词的余弦距离为[1,0.8,1],均值为0.93,名称2中的3个单词的余弦距离为为[1,1,0.7],均值为0.9。因此认为名称1比名称2更相似于待预测物品的名称。
在步骤106,根据K个相似物品在物品流转后的前L天的业务数据确定待预测物品在物品流转后的前L天的业务数据,L为自然数。
图2为本公开另一个实施例的数据预测方法的流程示意图。在一些实施例中,下列的数据预测方法由数据预测装置执行。
在一些实施例中,上述步骤106包括以下步骤。
在步骤201,计算K个相似物品在物品流转后的第j天的业务数据最大值、最小值和均值,1≤j≤L。
在步骤202,判断最大值与均值的比值是否大于预设门限。
若最大值与均值的比值大于预设门限,则执行步骤203;若最大值与均值的比值不大于预设门限,则执行步骤204。例如,预设门限为3。
在步骤203,选择第一分位点,根据第一分位点确定待预测物品在物品流转后的第j天的业务数据。
例如,第一分位点的取值范围为0.1-0.3。
这里需要说明的是,若最大值与均值的比值大于预设门限,则认为该分布是一个左偏的长尾分布,大部分数据集中在左侧,因此选择一个较小的分位点。
在步骤204,判断均值与最小值的比值是否大于预设门限。
若均值与最小值的比值大于预设门限,则执行步骤205;若均值与最小值的比值不大于预设门限,则执行步骤206。
在步骤205,选择第二分位点,其中第二分位点大于第一分位点,并根据第二分位点确定待预测物品在物品流转后的第j天的业务数据。
例如,第二分位点的取值范围为0.7-0.9。
这里需要说明的是,若均值与最小值的比值大于预设门限,则认为该分布是一个右偏的长尾分布,大部分数据集中在右侧,因此选择一个较大的分位点。
在步骤206,选择第三分位点,其中第三分位点为均值,并根据第三分位点确定待预测物品在物品流转后的第j天的业务数据。
这里需要说明的是,若最大值与均值的比值不大于预设门限、且均值与最小值的比值不大于预设门限,则认为该分布接近正态分布,即数据分布较为均匀,因此选择均值作为分位点。
例如,通过利用图1所示实施例,获取到待预测物品的5个相似物品。这5个相似物品在物品流转后前7天的业务数据如表3所示。
天 | 相似物品1 | 相似物品2 | 相似物品3 | 相似物品4 | 相似物品5 |
1 | 77392 | 2372 | 2068 | 1194 | 3144 |
2 | 32806 | 1392 | 1124 | 756 | 1618 |
3 | 16382 | 796 | 700 | 426 | 1112 |
4 | 13050 | 706 | 692 | 398 | 786 |
5 | 10030 | 426 | 354 | 240 | 554 |
6 | 12806 | 662 | 558 | 438 | 1168 |
7 | 11400 | 508 | 594 | 342 | 1082 |
表3
通过利用图2所示实施例,得到待预测物品在物品流转后前7天的预测业务数据,如表4所示。
表4
从表4中可以看出,预测结果的整体准确率(1-smape)达到57.4%。即本公开所提供的数据预测方法能够解决待预测物品的冷启动问题。此外,在表5中,相似物品1的业务数据远超其它相似物品,即本公开的方案还能有效解决量级问题。
图3为本公开一个实施例的数据预测装置的结构示意图。如图3所示,数据预测装置包括第一处理模块31、第二处理模块32、第三处理模块33和第四处理模块34。
第一处理模块31被配置为将待预测物品的名称进行分词处理,以得到M个目标单词,M为自然数。
第二处理模块32被配置为将数据池中与第i个目标单词的相似度分值最高的N个单词作为第i个目标单词的N个候选单词,1≤i≤M,N为自然数。
在一些实施例中,第二处理模块32计算第i个目标单词的词向量和数据池中的每个单词的词向量的相似度。例如,相似度用余弦相似度度量。接下来,将相似度分值最高的N个单词作为第i个目标单词的N个候选单词。
第三处理模块33被配置为根据预设的关联关系,在数据池中选择出候选单词相关联的多个候选名称,根据每个候选名称中的各候选单词的相似度分值总和,确定每个候选名称的相似度,将相似度最高的K个候选名称作为K个相似物品名称,K为自然数。
第四处理模块34被配置为根据K个相似物品在物品流转后的前L天的业务数据确定待预测物品在物品流转后的前L天的业务数据,L为自然数。
在一些实施例中,第四处理模块34计算K个相似物品在物品流转后的第j天的业务数据最大值、最小值和均值,1≤j≤L。第四处理模块34判断最大值与均值的比值是否大于预设门限。例如,预设门限为3。若最大值与均值的比值大于预设门限,则选择第一分位点,并根据第一分位点确定待预测物品在物品流转后的第j天的业务数据。例如,第一分位点的取值范围为0.1-0.3。
若最大值与均值的比值不大于预设门限,则第四处理模块34判断均值与最小值的比值是否大于预设门限。若均值与最小值的比值大于预设门限,则选择第二分位点,其中第二分位点大于第一分位点。例如,第二分位点的取值范围为0.7-0.9。第四处理模块34根据第二分位点确定待预测物品在物品流转后的第j天的业务数据。
若均值与最小值的比值不大于预设门限,则第四处理模块34选择第三分位点,其中第三分位点为均值,并根据第三分位点确定待预测物品在物品流转后的第j天的业务数据。
图4为本公开另一个实施例的数据预测装置的结构示意图。图4与图3的不同之处在于,在图4所示实施例中,数据预测装置还包括第五处理模块35。
第五处理模块35将数据池中的全部物品名称进行分词处理,以得到多个单词,并建立每个单词与所属物品名称之间的关联关系。
图5为本公开又一个实施例的数据预测装置的结构示意图。如图5所示,数据预测装置包括存储器51和处理器52。
存储器51用于存储指令,处理器52耦合到存储器51,处理器52被配置为基于存储器存储的指令执行实现如图1或图2中任一实施例涉及的方法。
如图5所示,该数据预测装置还包括通信接口53,用于与其它设备进行信息交互。同时,该数据预测装置还包括总线54,处理器52、通信接口53、以及存储器51通过总线54完成相互间的通信。
存储器51可以包含高速RAM存储器,也可还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。存储器51也可以是存储器阵列。存储器51还可能被分块,并且块可按一定的规则组合成虚拟卷。
此外,处理器52可以是一个中央处理器CPU,或者可以是专用集成电路ASIC,或是被配置成实施本公开实施例的一个或多个集成电路。
本公开同时还涉及一种计算机可读存储介质,其中计算机可读存储介质存储有计算机指令,指令被处理器执行时实现如图1或图2中任一实施例涉及的方法。
在一些实施例中,在上面所描述的功能单元模块可以实现为用于执行本公开所描述功能的通用处理器、可编程逻辑控制器(Programmable Logic Controller,简称:PLC)、数字信号处理器(Digital Signal Processor,简称:DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,简称:ASIC)、现场可编程门阵列(Field-ProgrammableGate Array,简称:FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本公开的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用,并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种数据预测方法,包括:
将待预测物品的名称进行分词处理,以得到M个目标单词;
将数据池中与第i个目标单词的相似度分值最高的N个单词作为第i个目标单词的N个候选单词,1≤i≤M,M、N为自然数;
根据预设的关联关系,在所述数据池中选择出所述候选单词相关联的多个候选名称;
根据每个候选名称中的各候选单词的相似度分值总和,确定所述每个候选名称的相似度;
将相似度最高的K个候选名称作为K个相似物品名称,K为自然数;
根据K个相似物品在物品流转后的前L天的业务数据确定所述待预测物品在物品流转后的前L天的业务数据,L为自然数。
2.根据权利要求1所述的方法,其中,根据K个相似物品在物品流转后的前L天的业务数据确定所述待预测物品在物品流转后的前L天的业务数据包括:
计算K个相似物品在物品流转后的第j天的业务数据的最大值、最小值和均值,1≤j≤L;
判断所述最大值与所述均值的比值是否大于预设门限;
若所述最大值与所述均值的比值大于预设门限,则选择第一分位点;
根据所述第一分位点确定所述待预测物品在物品流转后的第j天的业务数据。
3.根据权利要求2所述的方法,还包括:
若所述最大值与所述均值的比值不大于预设门限,则判断所述均值与所述最小值的比值是否大于预设门限;
若所述均值与所述最小值的比值大于预设门限,则选择第二分位点,其中第二分位点大于第一分位点;
根据所述第二分位点确定所述待预测物品在物品流转后的第j天的业务数据。
4.根据权利要求3所述的方法,还包括:
所述第一分位点的取值范围为0.1-0.3;
所述第二分位点的取值范围为0.7-0.9。
5.根据权利要求3所述的方法,还包括:
若所述均值与所述最小值的比值不大于预设门限,则选择第三分位点,其中第三分位点为所述均值;
根据所述第三分位点确定所述待预测物品在物品流转后的第j天的业务数据。
6.根据权利要求1所述的方法,其中,将数据池中与第i个目标单词的相似度分值最高的N个单词作为第i个目标单词的N个候选单词包括:
计算第i个目标单词的词向量和数据池中的每个单词的词向量的相似度;
将相似度分值最高的N个单词作为第i个目标单词的N个候选单词。
7.根据权利要求1-6中任一项所述的方法,还包括:
将数据池中的全部物品名称进行分词处理,以得到多个单词;
建立每个单词与所属物品名称之间的关联关系。
8.一种数据预测装置,包括:
第一处理模块,被配置为将待预测物品的名称进行分词处理,以得到M个目标单词;
第二处理模块,被配置为将数据池中与第i个目标单词的相似度分值最高的N个单词作为第i个目标单词的N个候选单词,1≤i≤M,M、N为自然数;
第三处理模块,被配置为根据预设的关联关系,在所述数据池中选择出所述候选单词相关联的多个候选名称,根据每个候选名称中的各候选单词的相似度分值总和,确定所述每个候选名称的相似度,将相似度最高的K个候选名称作为K个相似物品名称,K为自然数;
第四处理模块,被配置为根据K个相似物品在物品流转后的前L天的业务数据确定所述待预测物品在物品流转后的前L天的业务数据,L为自然数。
9.一种数据预测装置,包括:
存储器,被配置为存储指令;
处理器,耦合到存储器,处理器被配置为基于存储器存储的指令执行实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其中,计算机可读存储介质存储有计算机指令,指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110835178.8A CN113486663B (zh) | 2021-07-23 | 2021-07-23 | 数据预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110835178.8A CN113486663B (zh) | 2021-07-23 | 2021-07-23 | 数据预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486663A true CN113486663A (zh) | 2021-10-08 |
CN113486663B CN113486663B (zh) | 2024-03-05 |
Family
ID=77942116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110835178.8A Active CN113486663B (zh) | 2021-07-23 | 2021-07-23 | 数据预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486663B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019052261A1 (zh) * | 2017-09-18 | 2019-03-21 | 京东方科技集团股份有限公司 | 用于问答服务的方法、问答服务系统以及存储介质 |
KR20200123544A (ko) * | 2019-04-22 | 2020-10-30 | 넷마블 주식회사 | 동의어 추출 방법 |
CN112288456A (zh) * | 2020-01-22 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 物品选择方法和装置 |
CN112330408A (zh) * | 2020-11-13 | 2021-02-05 | 上海络昕信息科技有限公司 | 一种产品推荐方法、装置及电子设备 |
CN112926310A (zh) * | 2019-12-06 | 2021-06-08 | 北京搜狗科技发展有限公司 | 一种关键词提取方法及装置 |
CN113033198A (zh) * | 2021-03-25 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 相似文本推送方法、装置、电子设备及计算机存储介质 |
-
2021
- 2021-07-23 CN CN202110835178.8A patent/CN113486663B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019052261A1 (zh) * | 2017-09-18 | 2019-03-21 | 京东方科技集团股份有限公司 | 用于问答服务的方法、问答服务系统以及存储介质 |
KR20200123544A (ko) * | 2019-04-22 | 2020-10-30 | 넷마블 주식회사 | 동의어 추출 방법 |
CN112926310A (zh) * | 2019-12-06 | 2021-06-08 | 北京搜狗科技发展有限公司 | 一种关键词提取方法及装置 |
CN112288456A (zh) * | 2020-01-22 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 物品选择方法和装置 |
CN112330408A (zh) * | 2020-11-13 | 2021-02-05 | 上海络昕信息科技有限公司 | 一种产品推荐方法、装置及电子设备 |
CN113033198A (zh) * | 2021-03-25 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 相似文本推送方法、装置、电子设备及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
汪沛;线岩团;郭剑毅;文永华;陈玮;王红斌;: "一种结合词向量和图模型的特定领域实体消歧方法", 智能系统学报, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN113486663B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105893561A (zh) | 一种排序方法和装置 | |
US10747961B2 (en) | Method and device for identifying a sentence | |
CN110852257B (zh) | 一种人脸关键点的检测方法、装置及存储介质 | |
CN111461164B (zh) | 样本数据集的扩容方法及模型的训练方法 | |
US20180143968A1 (en) | System, method and non-transitory computer readable storage medium for conversation analysis | |
CN111178537B (zh) | 一种特征提取模型训练方法及设备 | |
WO2015161782A1 (en) | Method and system for mining churn factor causing user churn for network application | |
CN110110035A (zh) | 数据处理方法和装置以及计算机可读存储介质 | |
CN112328735A (zh) | 热点话题确定方法、装置及终端设备 | |
CN110457704B (zh) | 目标字段的确定方法、装置、存储介质及电子装置 | |
CN109284504A (zh) | 利用深度学习模型的证券研报分析方法及装置 | |
CN115344805A (zh) | 素材审核方法、计算设备及存储介质 | |
CN111028042A (zh) | 一种商品价格的变更方法、装置、设备及存储介质 | |
CN107871277A (zh) | 服务器、客户关系挖掘的方法及计算机可读存储介质 | |
CN113486663A (zh) | 数据预测方法和装置 | |
CN116955538B (zh) | 医疗字典数据匹配方法及装置、电子设备及存储介质 | |
CN116137061B (zh) | 数量统计模型的训练方法、装置、电子设备及存储介质 | |
CN106874291A (zh) | 文本分类的处理方法及装置 | |
CN107451920A (zh) | 计算服务器、动态收益处理方法及存储介质 | |
CN110069772A (zh) | 预测问答内容的评分的装置、方法及存储介质 | |
CN115271361A (zh) | 电力工程结余物资处理方法及终端设备 | |
CN107016556B (zh) | 数据处理方法及装置 | |
CN108475339B (zh) | 用于对图像中的对象分类的方法和系统 | |
CN112380854B (zh) | 一种中文分词方法、装置、电子设备及存储介质 | |
CN106844715A (zh) | 一种图片检索匹配方法和装置 |
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 |