CN113688164A - 基于知识图谱关联分析的兴趣点查询方法及系统 - Google Patents
基于知识图谱关联分析的兴趣点查询方法及系统 Download PDFInfo
- Publication number
- CN113688164A CN113688164A CN202110859500.0A CN202110859500A CN113688164A CN 113688164 A CN113688164 A CN 113688164A CN 202110859500 A CN202110859500 A CN 202110859500A CN 113688164 A CN113688164 A CN 113688164A
- Authority
- CN
- China
- Prior art keywords
- interest point
- entity
- interest
- entities
- knowledge
- 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 65
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 6
- 238000012098 association analyses Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012549 training Methods 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06F16/29—Geographical information databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于知识图谱关联分析的兴趣点查询方法及系统,包括如下步骤:步骤1:提取兴趣点实体;步骤2:根据所述兴趣点实体构建兴趣点实体关系网络;步骤3:根据所述兴趣点实体关系网络进行兴趣点知识推荐,辅助用户决策。本发明通过构建POI知识图谱,对POI的描述语义和关系语义进行增强和优化,对建模真实世界、理解服务场景和更加智能化的辅助用户决策具有重要意义,POI知识图谱在搜索、推荐以及出行等位置相关服务中都发挥着重要作用。
Description
技术领域
本发明涉及兴趣点查询的技术领域,具体地,涉及一种基于知识图谱关联分析的兴趣点查询方法及系统。
背景技术
知识图谱(Knowledge Graph):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。兴趣点(Point-of-Interest,POI):在地理信息系统中,一个POI可以是一栋房子、一个商铺、一个邮筒和一个公交站等。地理位置服务(Location Based Service,LBS):是利用各类型的定位技术来获取定位设备当前的所在位置,通过移动互联网向定位设备提供信息资源和基础服务。LBSN(Location-based Social Network,基于位置的社会网络):LBSN是社会网络的一种。与传统的社会网络不同,LBSN除了传统社会网络中人与人的联系外,还可以跟踪和共享人的位置信息。
当下互联网发展迅速,导致各类互联网产品存在严重的信息过载问题,因此研究构建推荐系统来为个人用户在使用互联网应用的场景下尽可能的捕捉用户需求,从而推测用户可能最为感兴趣的信息给用户推送。推荐系统能够有效解决信息爆炸带来的信息过载的现状,有效地提升用户获取所需信息的效率,为了进一步提升用户对产品的易用性,构建推荐系统也成为目前拥有大量数据信息的互联网企业研究的重要方向。将知识图谱应用于推荐算法之中,无疑会解决一系列难题。
在地理信息系统中,餐馆、景点和影院等具有唯一标识的地点被称为兴趣点(Point-of-Interest,POI),位置推荐服务也被称为兴趣点推荐。POI推荐算法的关键是分析用户历史签到数据,挖掘用户访问POI的偏好,预测用户暂未访问但可能会访问的POI。当然,可利用的数据对象不仅仅局限于用户的历史签到数据,社交数据以及POI的位置、类别等属性信息也都可以加以利用,用于发现用户显式或隐式的偏好。
构建一个推荐系统最核心的部分就是选择合适的推荐策略。协同过滤算法是一种经典的推荐算法,协同过滤的中心思想是通过计算推荐用户或者推荐项之间的相似度来作为度量指标进行排序,协同过滤算法的适用场景多为特征维度较低的物品推荐。且其算法思想易于理解,而对于高维数据协同过滤的推荐效果并不理想,这是因为对于如电影、图像此类对象,不适用于对其进行特征工程构建。基于高维数据的推荐系统构建通常会使用深度学习方法,这是因为深度学习技术的技术无需对原始数据进行复杂的特征工程,直接通过构建网络结构并将数据进行向量化输入训练,网络模型会自行学到样本数据中隐藏的特征和关系,通过输入用户和推荐项的向量化的特征表示,预测推荐项得分或点击率的预估值作为输出。深度学习的也存在弊端,一是在样本量不足的情况下非常容易过拟合,二是不具有良好的可解释性。
公开号为CN109977309A的中国发明专利文献公开了一种基于多关键字和用户偏好的组合兴趣点查询方法,在查询时综合考虑了用户偏好、兴趣点之间的距离、兴趣点到查询位置的距离、兴趣点的流行度和拥挤度等重要因素。针对时间约束下访问成本最小化的兴趣点查询问题,提出了多关键字和用户偏好的组合兴趣点查询方法。特别地,设计了一个多目标的成本函数来计算候选集体兴趣点的访问成本,用于评价一组查询结果的可行性。然后,基于目标函数,提出了一种基于IR树的高效剪枝算法,有效的降低了查询处理时间。通过在来自多伦多的真实数据下进行的广泛实验,证明了基于多关键字和用户偏好的组合兴趣点查询方法的效率和准确性。
针对上述中的相关技术,发明人认为协同过滤算法对于高维数据协同过滤的推荐效果并不理想,不适用于对如电影和图像等图像进行特征工程构建;且深度学习技术也存在弊端,一是在样本量不足的情况下非常容易过拟合,二是不具有良好的可解释性。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于知识图谱关联分析的兴趣点查询方法及系统。
根据本发明提供的一种基于知识图谱关联分析的兴趣点查询方法,包括如下步骤:
步骤1:提取兴趣点实体;
步骤2:根据所述兴趣点实体构建兴趣点实体关系网络;
步骤3:根据所述兴趣点实体关系网络进行兴趣点知识推荐,辅助用户决策。
优选的,所述步骤1包括如下步骤:
步骤1.1:进行候选兴趣点实体的选取;
步骤1.2:从所述候选兴趣点实体中过滤抽取关键词,提取兴趣点实体。
优选的,所述步骤1.1包括如下步骤:
输入步骤;输入兴趣点领域用户数据集D;
过程步骤:遍历所述数据集D,得到筛选后的候选兴趣点实体集S;
输出步骤:输出筛选后的候选兴趣点实体集S。
优选的,所述过程步骤还包括如下步骤:
过程步骤1:构建空的候选兴趣点实体集S;
过程步骤2:对所述数据集D中的每条签到样本Xi分词,得到词汇集Wi;
过程步骤3:对所述词汇集Wi中内容进行关键词提取作为实体集Si;
过程步骤4:将所述实体集Si的内容追加到候选兴趣点实体集S中;
过程步骤5:遍历所述候选兴趣点实体集S。
优选的,所述过程步骤5还包括:对所述候选兴趣点实体集S中的每个实体集Si在剩余实体中遍历相同语义的实体集Sj,在候选兴趣点实体集S中删除遍历相同语义的实体集Sj。
优选的,所述步骤2包括如下步骤:
属性遍历步骤:当所述兴趣点实体之间的强相关性进行连接,知识图谱中存在兴趣点实体具有相同的父实体时,通过父实体能够连接具有一阶关联的兴趣点实体;
上下文特征实体遍历步骤:当知识图谱中具有上下位关系的兴趣点实体时,推测在事件发生后的下一步操作或必要条件;
多路径遍历对比步骤:当构建的兴趣点领域知识图谱中,兴趣点实体和兴趣点实体之间的关系是网状的,存在两个实体之间通过多种遍历逻辑推理得到,即由一个实体到另一个实体之间有多个连接关系时,根据边的权重计算得到实体之间的相关度;通过多路径遍历算法得到当用户发生某个实体表示的行为时,预测出用户后续会发生的多个行为。
根据本发明提供的一种基于知识图谱关联分析的兴趣点查询系统,包括如下模块:
模块M1:提取兴趣点实体;
模块M2:根据所述兴趣点实体构建兴趣点实体关系网络;
模块M3:根据所述兴趣点实体关系网络进行兴趣点知识推荐,辅助用户决策。
优选的,所述模块M1包括如下模块:
模块M1.1:进行候选兴趣点实体的选取;
模块M1.2:从所述候选兴趣点实体中过滤抽取关键词。
优选的,所述模块M1.1包括如下模块:
输入模块;输入兴趣点领域用户数据集D;
过程模块:遍历所述数据集D,得到筛选后的候选兴趣点实体集S;
输出模块:输出筛选后的候选兴趣点实体集S。
优选的,所述过程模块还包括如下模块:
过程模块M1:构建空的候选兴趣点实体集S;
过程模块M2:对所述数据集D中的每条签到样本Xi分词,得到词汇集Wi;
过程模块M3:对所述词汇集Wi中内容进行关键词提取作为实体集Si;
过程模块M4:将所述实体集Si的内容追加到候选兴趣实体集S中;
过程模块M5:遍历所述候选兴趣点实体集S。
与现有技术相比,本发明具有如下的有益效果:
1、本发明通过构建POI知识图谱,对POI的描述语义和关系语义进行增强和优化,对建模真实世界、理解服务场景和更加智能化的辅助用户决策具有重要意义,POI知识图谱在搜索、推荐以及出行等位置相关服务中都发挥着重要作用;
2、本发明对用户而言,POI推荐可以帮助用户从众多POI中快速找到兴趣所在,缓解选择的焦虑,达到快速的信息筛选,同时,还可以帮助用户探索所在区域,尤其是在外出时仍能找到符合心意的地点;对商家而言,可以帮助向目标人群投放广告,实现精准营销,降低店铺宣传的成本;对LBSN平台而言,精准的POI推荐可以对用户和商家形成正反馈,增强他们对平台的信任度,从而提升平台的知名度和满意度;对研究人员而言,此项研究不仅可以帮助理解用户的行为模式,还可以促进其他研究问题的发展与进步;
3、本发明在研究过程中,对推荐方法的创新可以应用于其他项目推荐中,而对用户行为建模的方法也可以应用于诸如链接预测、社区分类等任务中;除此之外,POI推荐技术还可以应用于犯罪预测、城市功能划分等社会公共安全领域,其本质是对移动对象轨迹进行分析和预测技术,通过对城市中罪犯和居民的行为活动进行分析,就可以预测他们可能出现的位置和活动类型。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明流程图;
图2为本发明组合属性知识图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例公开了一种基于知识图谱关联分析的兴趣点查询方法及系统,如图1和图2所示,提出一种适用于对兴趣点推荐的策略,由三个步骤构成,分别为兴趣点实体提取、构建兴趣点实体关系网络和兴趣点知识推荐。该方法包括如下步骤:步骤1:提取兴趣点实体。步骤1包括如下步骤:步骤1.1:进行候选兴趣点实体的选取。步骤1.1包括如下步骤:输入步骤;输入兴趣点领域用户数据集D。过程步骤:遍历数据集D,得到筛选后的候选兴趣点实体集S。过程步骤还包括如下步骤:过程步骤1:构建空的候选兴趣点实体集S。过程步骤2:对数据集D中的每条签到样本Xi分词,得到词汇集Wi。过程步骤3:对词汇集Wi中内容进行关键词提取作为实体集Si。过程步骤4:将实体集Si的内容追加到候选兴趣点实体集S中。过程步骤5:遍历候选兴趣点实体集S。对候选兴趣点实体集S中的每个实体集Si在剩余实体中遍历相同语义的实体集Sj,在候选兴趣点实体集S中删除遍历相同语义的实体集Sj。输出步骤:输出筛选后的候选兴趣点实体集S,候选兴趣点实体集S包括候选兴趣点实体。步骤1.2:从候选兴趣点实体中过滤抽取关键词,提取兴趣点实体。
兴趣点实体提取:兴趣点实体提取分为两步,首先进行候选兴趣点实体的选取,然后从候选兴趣点实体集中过滤抽取关键词。候选兴趣点实体提取的思路如下:输入:兴趣点领域用户数据集D。过程:遍历数据集D:(1)构建一个空的候选兴趣点实体集S。(2)对数据集中的每条签到样本Xi分词,得到词汇集Wi。(3)对Wi中内容进行关键词提取作为实体集Si。(4)将Si的内容追加到实体集S中。(5)遍历实体集S:对S中每个实体Si在剩余实体中遍历相同语义的实体Sj,在实体集S中删除Sj元素。输出:筛选后的实体集S。
步骤2:根据兴趣点实体构建兴趣点实体关系网络。步骤2包括如下步骤:属性遍历步骤:当兴趣点实体之间的强相关性进行连接,知识图谱中存在兴趣点实体具有相同的父实体时,通过父实体能够连接具有一阶关联的兴趣点实体。
上下文特征实体遍历步骤:当知识图谱中具有上下位关系的兴趣点实体时,推测在事件发生后的下一步操作或必要条件。
多路径遍历对比步骤:当构建的兴趣点领域知识图谱中,兴趣点实体和兴趣点实体之间的关系是网状的,存在两个实体之间通过多种遍历逻辑推理得到,即由一个实体到另一个实体之间有多个连接关系时,根据边的权重计算得到实体之间的相关度;通过多路径遍历算法得到当用户发生某个实体表示的行为时,预测出用户后续会发生的多个行为。
步骤3:根据兴趣点实体关系网络进行兴趣点知识推荐,辅助用户决策。
构建兴趣点实体关系网络与兴趣点知识推荐:兴趣点领域知识图谱就是对兴趣点实体的进行构建的属性关系网,这种图模型结构能够很好的表达出实体之间的关系,这个兴趣点关系网络可以是具有同样属性的兴趣点,也可以是具有上下文特征的兴趣点实体关系。对于构建一个推荐系统来说,这个兴趣点图谱中的各个实体不仅仅是推荐的兴趣点内容,它还包含了如用户的信息、标签等信息,所以知识图谱能够为兴趣点实体推荐提供一个有效的关系网络。
构建兴趣点实体关系网络的方法包含属性遍历、上下文特征实体遍历和多路径遍历对比3种方法。属性遍历是根据兴趣点实体之间的强相关性进行连接,知识图谱中存在一些实体具有相同的父实体,通过父实体能够连接其他具有一阶关联的兴趣点实体,如图2所示,此类场景是在推荐中最适用,比如用户曾搜索过某酒店,则找到某酒店的父实体,通过父实体可以理解为用户希望寻找一个酒店,此时推荐其他酒店的连接同一父实体的子实体,这样的推荐结果是非常符合实际的用户需求的。
上下文特征实体遍历适用于具有上下位关系的兴趣点实体推荐,具体的含义为在事件1发生后的下一步操作或必要条件、在兴趣点领域的推荐中,例如在餐饮等类型发生签到行为,则可以根据下位关系推测用户下一步的签到点可能为休闲娱乐类型的实体。不过也不是所有的具有下位关系的实体都是能具有较高的推荐优先级的,例如:笔记本贴纸与笔记本相关,但不是每个人都会贴笔记本贴纸,因此得出结论,下位关系事件也存在低概率发生的情况,这部分低概率事件应该排列在推荐列表中其他的高概率遍历实体之后。
在构建的兴趣点领域知识图谱中,兴趣点实体和兴趣点实体之间的关系是网状的,所以在遍历图的时候会存在两个实体之间通过多种遍历逻辑推理得到,即由一个实体到另一个实体之间可能有多个连接关系。此时需要采取一种方式来多种遍历逻辑的结果是最应该采用的。多路径遍历对比可以有效解决这个问题,根据边的权重计算得到两个实体的相关度。通过多路径遍历算法可以得到当用户发生某个实体表示的行为时,可以预测出用户后续可能会发生的多个行为,因此根据此预测结果进行推荐是具有实际价值的。
当下互联网发展迅速,导致各类互联网产品存在严重的信息过载问题,因此研究构建推荐系统来为个人用户在使用互联网应用的场景下尽可能的捕捉用户需求,从而推测用户可能最为感兴趣的信息给用户推送。推荐系统能够有效解决信息爆炸带来的信息过载的现状,有效地提升用户获取所需信息的效率,为了进一步提升用户对产品的易用性,构建推荐系统也成为目前拥有大量数据信息的互联网企业研究的重要方向。将知识图谱应用于推荐算法之中,无疑会解决一系列难题。兴趣点(Point of Interest,POI)是地理信息系统中表示地物的数据集,它主要包括名称,类别,经度和纬度四个方面的信息。全面丰富的POI数据是地理位置服务(Locat ion Based Service,LBS)的必备资源。POI推荐通过分析用户历史签到数据,挖掘用户偏好,预测用户可能访问的位置地点。
综上,对POI推荐算法的研究不仅具有重要的理论意义,同时也具备较高的社会价值和经济价值。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于知识图谱关联分析的兴趣点查询方法,其特征在于,包括如下步骤:
步骤1:提取兴趣点实体;
步骤2:根据所述兴趣点实体构建兴趣点实体关系网络;
步骤3:根据所述兴趣点实体关系网络进行兴趣点知识推荐,辅助用户决策。
2.根据权利要求1所述的基于知识图谱关联分析的兴趣点查询方法,其特征在于,所述步骤1包括如下步骤:
步骤1.1:进行候选兴趣点实体的选取;
步骤1.2:从所述候选兴趣点实体中过滤抽取关键词,提取兴趣点实体。
3.根据权利要求2所述的基于知识图谱关联分析的兴趣点查询方法,其特征在于,所述步骤1.1包括如下步骤:
输入步骤;输入兴趣点领域用户数据集D;
过程步骤:遍历所述数据集D,得到筛选后的候选兴趣点实体集S;
输出步骤:输出筛选后的候选兴趣点实体集S。
4.根据权利要求3所述的基于知识图谱关联分析的兴趣点查询方法,其特征在于,所述过程步骤还包括如下步骤:
过程步骤1:构建空的候选兴趣点实体集S;
过程步骤2:对所述数据集D中的每条签到样本Xi分词,得到词汇集Wi;
过程步骤3:对所述词汇集Wi中内容进行关键词提取作为实体集Si;
过程步骤4:将所述实体集Si的内容追加到候选兴趣实体集S中;
过程步骤5:遍历所述候选兴趣点实体集S。
5.根据权利要求4所述的基于知识图谱关联分析的兴趣点查询方法,其特征在于,所述过程步骤5还包括:对所述候选兴趣点实体集S中的每个实体集Si在剩余实体中遍历相同语义的实体集Sj,在候选兴趣点实体集S中删除遍历相同语义的实体集Sj。
6.根据权利要求1所述的基于知识图谱关联分析的兴趣点查询方法,其特征在于,所述步骤2包括如下步骤:
属性遍历步骤:当所述兴趣点实体之间的强相关性进行连接,知识图谱中存在兴趣点实体具有相同的父实体时,通过父实体能够连接具有一阶关联的兴趣点实体;
上下文特征实体遍历步骤:当知识图谱中具有上下位关系的兴趣点实体时,推测在事件发生后的下一步操作或必要条件;
多路径遍历对比步骤:当构建的兴趣点领域知识图谱中,兴趣点实体和兴趣点实体之间的关系是网状的,存在两个实体之间通过多种遍历逻辑推理得到,即由一个实体到另一个实体之间有多个连接关系时,根据边的权重计算得到实体之间的相关度;通过多路径遍历算法得到当用户发生某个实体表示的行为时,预测出用户后续会发生的多个行为。
7.一种基于知识图谱关联分析的兴趣点查询系统,其特征在于,应用权利要求1-6任一所述的基于知识图谱关联分析的兴趣点查询方法,包括如下模块:
模块M1:提取兴趣点实体;
模块M2:根据所述兴趣点实体构建兴趣点实体关系网络;
模块M3:根据所述兴趣点实体关系网络进行兴趣点知识推荐,辅助用户决策。
8.根据权利要求7所述的基于知识图谱关联分析的兴趣点查询系统,其特征在于,所述模块M1包括如下模块:
模块M1.1:进行候选兴趣点实体的选取;
模块M1.2:从所述候选兴趣点实体中过滤抽取关键词。
9.根据权利要求8所述的基于知识图谱关联分析的兴趣点查询系统,其特征在于,所述模块M1.1包括如下模块:
输入模块;输入兴趣点领域用户数据集D;
过程模块:遍历所述数据集D,得到筛选后的候选兴趣点实体集S;
输出模块:输出筛选后的候选兴趣点实体集S。
10.根据权利要求9所述的基于知识图谱关联分析的兴趣点查询系统,其特征在于,所述过程模块还包括如下模块:
过程模块M1:构建空的候选兴趣点实体集S;
过程模块M2:对所述数据集D中的每条签到样本Xi分词,得到词汇集Wi;
过程模块M3:对所述词汇集Wi中内容进行关键词提取作为实体集Si;
过程模块M4:将所述实体集Si的内容追加到候选兴趣实体集S中;
过程模块M5:遍历所述候选兴趣点实体集S。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110859500.0A CN113688164A (zh) | 2021-07-28 | 2021-07-28 | 基于知识图谱关联分析的兴趣点查询方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110859500.0A CN113688164A (zh) | 2021-07-28 | 2021-07-28 | 基于知识图谱关联分析的兴趣点查询方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113688164A true CN113688164A (zh) | 2021-11-23 |
Family
ID=78578164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110859500.0A Pending CN113688164A (zh) | 2021-07-28 | 2021-07-28 | 基于知识图谱关联分析的兴趣点查询方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688164A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114880572A (zh) * | 2022-05-23 | 2022-08-09 | 深圳市创意智慧港科技有限责任公司 | 新闻客户端智能推荐系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263248A (zh) * | 2019-05-21 | 2019-09-20 | 平安科技(深圳)有限公司 | 一种信息推送方法、装置、存储介质和服务器 |
CN110516152A (zh) * | 2019-08-28 | 2019-11-29 | 百度在线网络技术(北京)有限公司 | 兴趣点推送方法、装置、电子设备及存储介质 |
CN112131490A (zh) * | 2020-09-18 | 2020-12-25 | 东南大学 | 一种知识图谱驱动下区域敏感的兴趣点推荐方法 |
-
2021
- 2021-07-28 CN CN202110859500.0A patent/CN113688164A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263248A (zh) * | 2019-05-21 | 2019-09-20 | 平安科技(深圳)有限公司 | 一种信息推送方法、装置、存储介质和服务器 |
CN110516152A (zh) * | 2019-08-28 | 2019-11-29 | 百度在线网络技术(北京)有限公司 | 兴趣点推送方法、装置、电子设备及存储介质 |
CN112131490A (zh) * | 2020-09-18 | 2020-12-25 | 东南大学 | 一种知识图谱驱动下区域敏感的兴趣点推荐方法 |
Non-Patent Citations (1)
Title |
---|
周翔宇: "基于知识图谱的兴趣点领域推荐算法", 《电子技术与软件工程》, no. 19, pages 126 - 128 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114880572A (zh) * | 2022-05-23 | 2022-08-09 | 深圳市创意智慧港科技有限责任公司 | 新闻客户端智能推荐系统 |
CN114880572B (zh) * | 2022-05-23 | 2023-03-03 | 深圳市创意智慧港科技有限责任公司 | 新闻客户端智能推荐系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A trajectory clustering approach based on decision graph and data field for detecting hotspots | |
Chen et al. | VAUD: A visual analysis approach for exploring spatio-temporal urban data | |
CN111782965A (zh) | 意图推荐方法、装置、设备及存储介质 | |
Amato et al. | Exploiting cloud technologies and context information for recommending touristic paths | |
Sohrabi et al. | A predictive model of tourist destinations based on tourists' comments and interests using text analytics | |
Bin et al. | A travel route recommendation system based on smart phones and IoT environment | |
CN113505306B (zh) | 基于异质图神经网络的兴趣点推荐方法、系统及介质 | |
Liu et al. | Behavior2vector: Embedding users’ personalized travel behavior to vector | |
Utomo et al. | Geolocation prediction in social media data using text analysis: A review | |
KR102338381B1 (ko) | 빅데이터 기반의 감성정보 분석평가 시스템 및 그 구동방법 | |
CN103761286B (zh) | 一种基于用户兴趣的服务资源检索方法 | |
Rodrigues et al. | Smaframework: Urban data integration framework for mobility analysis in smart cities | |
Belcastro et al. | Automatic detection of user trajectories from social media posts | |
Hajrahnur et al. | Classification of posts Twitter traffic jam the city of Jakarta using algorithm C4. 5 | |
Wu et al. | A personalized recommendation system for multi-modal transportation systems | |
Zhang et al. | Automatic latent street type discovery from web open data | |
Yu et al. | Semantic web technologies automate geospatial data conflation: conflating points of interest data for emergency response services | |
Mata-Rivera et al. | A collaborative learning approach for geographic information retrieval based on social networks | |
CN113688164A (zh) | 基于知识图谱关联分析的兴趣点查询方法及系统 | |
Zou et al. | Deep learning for cross-domain data fusion in urban computing: Taxonomy, advances, and outlook | |
Liang | Intelligent Tourism Personalized Recommendation Based on Multi‐Fusion of Clustering Algorithms | |
Chen et al. | Modeling tourism using spatial analysis based on social media big data: A review | |
Huang | Personalized travel route recommendation model of intelligent service robot using deep learning in big data environment | |
CN116484085A (zh) | 一种信息投放方法、装置、设备及存储介质、程序产品 | |
Liang et al. | Enhancing scenic recommendation and tour route personalization in tourism using ugc text mining |
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 |