CN113722611A - 政务服务的推荐方法、装置、设备及计算机可读存储介质 - Google Patents
政务服务的推荐方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113722611A CN113722611A CN202110970251.2A CN202110970251A CN113722611A CN 113722611 A CN113722611 A CN 113722611A CN 202110970251 A CN202110970251 A CN 202110970251A CN 113722611 A CN113722611 A CN 113722611A
- Authority
- CN
- China
- Prior art keywords
- items
- user
- service
- government
- association
- 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 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000005065 mining Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 241000234314 Zingiber Species 0.000 description 2
- 235000006886 Zingiber officinale Nutrition 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000008397 ginger Nutrition 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- G06F16/90—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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种政务服务的推荐方法、装置、设备及计算机可读存储介质,其中,所述政务服务的推荐方法包括:依据政务服务的业务数据库构建初始知识图谱;基于所述初始知识图谱挖掘用户标签和关联事项;基于所述政务服务的业务数据库,利用预设关联规则算法挖掘事项的频繁项集,并基于所述事项的频繁项集,确定事项的关联规则;基于所述用户标签和关联事项,利用所述事项的关联规则对所述初始知识图谱进行补全,得到新的知识图谱;基于所述新的知识图谱,对目标用户进行政务服务事项推荐。上述方案,能够针对不同用户推荐不同事项,简化事项的办理和有效推广新政策、新事项。
Description
技术领域
本申请涉及政务服务技术领域,特别是涉及一种政务服务的推荐方法、装置、设备及计算机可读存储介质。
背景技术
在政务服务领域,政务服务数据量庞大、数据真实可靠,涵盖了个人、企业生产生活的方方面面,是非常宝贵的数据资源,存在极大的利用空间。但是现阶段政务服务数据存在无序化、碎片化的问题,各业务部门之间存在数据壁垒,大规模的数据共享和关联十分困难,数据孤岛问题依然突出,阻碍了政务服务数据的有效利用。
另一方面,现有政务文件中的办件规则复杂,由于缺乏对自己的情况和办件规则的了解,办事人普遍反映网上办事过程中各类服务事项过于繁杂,办理业务时难以及时找到与自己匹配的事项,无法在繁杂的信息中找到自己需要的信息。并且,当事人在进行事项办理时,往往不知道需要提交哪些材料、登记机关在哪里、相关手续办理之后还可以或者需要办理哪些事项。此外,新政策、新事项、新服务无法有效触达个人和企业,而且展现给办事用户的服务事项内容基本一致,无法满足不同用户的办事需求。因此,针对不同用户推荐不同事项,简化事项的办理和有效推广新政策、新事项,是目前亟待解决的问题。
发明内容
本申请提供一种政务服务的推荐方法、装置、设备及计算机可读存储介质,能够针对不同用户推荐不同事项,简化事项的办理和有效推广新政策、新事项。
为了解决上述问题,本申请第一方面提供了一种政务服务的推荐方法,所述政务服务的推荐方法包括:依据政务服务的业务数据库构建初始知识图谱;基于所述初始知识图谱挖掘用户标签和关联事项;基于所述政务服务的业务数据库,利用预设关联规则算法挖掘事项的频繁项集,并基于所述事项的频繁项集,确定事项的关联规则;基于所述用户标签和关联事项,利用所述事项的关联规则对所述初始知识图谱进行补全,得到新的知识图谱;基于所述新的知识图谱,对目标用户进行政务服务事项推荐。
为了解决上述问题,本申请第二方面提供了一种政务服务的推荐装置,所述政务服务的推荐装置包括:图谱构建模块,所述图谱构建模块用于依据政务服务的业务数据库构建初始知识图谱;第一挖掘模块,所述第一挖掘模块用于基于所述初始知识图谱挖掘用户标签和关联事项;第二挖掘模块,所述第二挖掘模块用于基于所述政务服务的业务数据库,利用预设关联规则算法挖掘事项的频繁项集,并基于所述事项的频繁项集,确定事项的关联规则;图谱补全模块,所述图谱补全模块用于基于所述用户标签和关联事项,利用所述事项的关联规则对所述初始知识图谱进行补全,得到新的知识图谱;事项推荐模块,所述事项推荐模块用于基于所述新的知识图谱,对目标用户进行政务服务事项推荐。
为了解决上述问题,本申请第三方面提供了一种电子设备,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现上述第一方面的政务服务的推荐方法。
为了解决上述问题,本申请第四方面提供了一种计算机可读存储介质,其上存储有程序指令,所述程序指令被处理器执行时实现上述第一方面的政务服务的推荐方法。
本发明的有益效果是:区别于现有技术的情况,本申请依据政务服务的业务数据库构建初始知识图谱,基于初始知识图谱挖掘用户标签和关联事项,基于政务服务的业务数据库,利用预设关联规则算法挖掘事项的频繁项集,并基于事项的频繁项集,确定事项的关联规则;基于用户标签和关联事项,利用事项的关联规则对初始知识图谱进行补全,得到新的知识图谱;基于新的知识图谱,对目标用户进行政务服务事项推荐。因此利用知识图谱技术构建政务服务领域知识图谱,可以关联多源数据,基于知识图谱可以预测用户标签并挖掘关联事项,基于政务服务的业务数据库,可以利用预设关联规则算法挖掘事项的频繁项集和关联规则,实现挖掘潜在的业务知识,最终基于知识图谱和挖掘的业务知识进行事项推荐,优化了事项的推荐算法,解决了事项之间的潜在关联关系难以发现、人工梳理成本高等问题。
附图说明
图1是本申请政务服务的推荐方法一实施例的流程示意图;
图2是图1中步骤S12一实施例的流程示意图;
图3是图2中步骤S121一实施例的流程示意图;
图4是本申请政务服务的推荐方法一应用场景中构建事项关联子图的示意图;
图5是本申请政务服务的推荐方法一应用场景中挖掘关联事项的示意图;
图6是图2中步骤S122一实施例的流程示意图;
图7是本申请政务服务的推荐方法一应用场景中计算用户关联子图的示意图;
图8是本申请政务服务的推荐方法一应用场景中预测用户标签的示意图;
图9是图6中步骤S1222一实施例的流程示意图;
图10是本申请政务服务的推荐方法一应用场景中改进的图神经网络的示意图;
图11是图1中步骤S13一实施例的流程示意图;
图12是图1中步骤S15一实施例的流程示意图;
图13是本申请政务服务的推荐装置一实施例的框架示意图;
图14是本申请电子设备一实施例的框架示意图;
图15是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图,对本申请实施例的方案进行详细说明。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
知识图谱是一种大规模的语义网络,通过实体以及实体之间的语义关系来描述客观世界。本申请利用知识图谱技术可以将政务服务领域的事项、材料、部门、个人、企业进行关联,实现数据共享和知识关联,再结合大数据和深度学习技术进行潜在知识的挖掘和应用。另外基于知识图谱的推荐算法,综合考虑用户画像特点、事项关联关系、用户办件偏好等,事项推荐具有可解释性、推荐更智能,并且可以利用知识关联有效解决冷启动问题。
请参阅图1,图1是本申请政务服务的推荐方法一实施例的流程示意图。具体而言,本实施例的政务服务的推荐方法可以包括如下步骤:
步骤S11:依据政务服务的业务数据库构建初始知识图谱。
政务服务领域的业务数据库可以包括事项库、办件库、法人库和人口库等,依据政务服务领域的业务数据库和应用场景,可以提炼出政务服务相关的要素信息,设计政务服务领域的知识图谱的本体,然后利用规则和信息抽取的方式抽取知识,从而构建完成政务服务的知识图谱,政务服务的知识图谱的知识主要来源于业务数据库,此时的知识图谱还未获得事项之间的隐藏关联关系,故为初始知识图谱。例如,政务服务的知识图谱的本体涉及事项、材料、部门、数据源、用户、法人、个人等概念,依据业务梳理出用户办件、事项依赖和产生材料、材料归属部门等关系,考虑到用户的性别、年龄、职业、学历等属性,考虑事项的类型、性质等属性,从而可以构建政务服务的知识图谱;另外,可以采用D2R(将数据库转换为RDF)的方式对业务数据库进行知识抽取,其中涉及的实体对齐可以通过业务梳理的方式进行。
步骤S12:基于所述初始知识图谱挖掘用户标签和关联事项。
具体地,基于初始知识图谱,可以利用图神经网络、图挖掘和大数据算法等进行知识挖掘,以发现潜在的知识。例如,知识图谱中存储了部分用户的标签信息、用户的基本信息、用户的办理事项记录,利用图神经网络(GCN)综合考虑用户的基本信息、用户关联的办件信息,可以预测用户可能归属的标签;而基于知识图谱中事项之间的关联关系以及事项被不同用户办理的情况,则可以利用社区发现算法挖掘具有潜在关联关系的关联事项。
具体地,请结合图2,图2是图1中步骤S12一实施例的流程示意图。在一实施例中,上述步骤S12具体可以包括:
步骤S121:基于所述初始知识图谱中事项对应的用户信息,利用社区发现算法挖掘得到所述关联事项。
社区发现(Community Detection)算法用来发现网络中的社区结构,可以看做是一种聚类算法,其可以有效的应用于政务服务的知识图谱,来挖掘事项之间的关联关系。例如,根据每个事项对应的用户信息,可以确定该事项被不同的用户办理的情况,然后利用社区发现算法可以挖掘出同时被不同的用户办理的两个事项之间的关联关系,得到关联事项。
进一步地,请结合图3,图3是图2中步骤S121一实施例的流程示意图。在一实施例中,上述步骤S121具体可以包括:
步骤S1211:基于所述初始知识图谱中事项对应的用户信息,利用路径计算算法计算事项之间的关联度,构建事项关联子图。
基于初始知识图谱中事项对应的用户信息,可以确定各事项被用户办理的办件数据,利用路径计算算法可以计算事项之间的关联度,构建事项关联子图。请参阅图4,图4是本申请政务服务的推荐方法一应用场景中构建事项关联子图的示意图。例如,可以计算事项与事项之间长度为3的路径,选择经过人物节点的路径,统计路径的数量作为两个事项关联的权重。如图4左侧所示,事项A到事项C之间长度为3的路径有4条、那么事项A与事项C之间关联的权重为4,事项A到事项B之间长度为3的路径有1条、那么事项A与事项B之间关联的权重为1,以此类推,构建的事项关联子图如图4右侧所示。在政务服务的初始知识图谱中,应用路径计算方法计算事项之间的关联度,考虑了事项被不同用户办理的情况,两个事项被越多的人同时办理,那么这两个事项之间的潜在关系就越密切,有效的将路径计算算法应用到业务场景中。
步骤S1212:基于所述事项关联子图,利用社区发现算法挖掘得到所述关联事项。
基于关联事项子图,利用社区发现算法可以进一步分析事项之间潜在的关联关系。请结合图4和图5,其中图5是本申请政务服务的推荐方法一应用场景中挖掘关联事项的示意图。如图5所示,事项A和事项C之间关联度高,经常被相同的用户办理;事项B、D、E也经常被相同的用户办理,利用社区发现算法就可以发现两个不同的社区,社区1包括事项A和事项C,社区2包括事项B、D、E,而同一社区中的事项之间都具有一些潜在的关联关系,故同一社区中的事项为关联事项。
步骤S122:基于所述初始知识图谱中用户的基本信息以及用户对应的业务信息,利用图神经网络预测得到所述用户标签。
用户对应的业务信息包括用户历史办理过的事项信息,通过用户的基本信息可以得到用户之间的关系,可以理解的是,用户自身的基本信息、用户历史办理过的事项信息,用户之间的关系都对用户需要办理的事项有影响,也决定了用户在政务服务领域的画像标签。图神经网络可以综合考虑图中的用户信息以及用户之间的关联关系,以预测用户的分类标签。
进一步地,请结合图6,图6是图2中步骤S122一实施例的流程示意图。在一实施例中,上述步骤S122具体可以包括:
步骤S1221:基于所述初始知识图谱中用户的基本信息以及用户对应的业务信息,计算用户关联子图。
在政务服务领域,用户之间的社交关系、血缘关系很重要,用户共同办理了哪些事项关系也极其重要。请参阅图7,图7是本申请政务服务的推荐方法一应用场景中计算用户关联子图的示意图。通过政务服务的知识图谱可以计算用户共同办理了哪些事项,用户共同办理事项的数量可以用来表征用户之间关联关系的强弱,如图7所示,小王和小张共同办理了事项A和事项C,那么小王和小张之间关系的权重就为2,小刘和小曹共同办理了事项B、事项D和事项E,那么小刘和小曹之间关系的权重就为3,以此类推,可以建立用户关联子图,用户关联子图中还包含了用户的基本信息,例如年龄、性别、学历、职业等等。
步骤S1222:基于所述用户关联子图,利用图神经网络预测得到所述用户标签。
图神经网络GCN一般考虑节点特征和节点之间的邻接关系,但是在政务服务领域,用户之间仅仅用邻接关系难以表征用户的潜在关系强弱,两个用户共同办理了一个事项和十个事项对应的关系强弱是不同的,用户之间的社交关系也存在一定的影响,因此可以改进图神经网络GCN的邻接矩阵为权重矩阵,并且权重矩阵还考虑用户之间的社交关系(重点是同学、同事等关系)。请结合和图7图8,其中图8是本申请政务服务的推荐方法一应用场景中预测用户标签的示意图。小张、小李、小王和小姜相互之间的关系权重高,小刘、小曹和小赵相互之间的关系权重也高,并且基于个人的基本信息,利用图神经网络GCN可以发现小张、小李、小王和小姜之间具有相同的用户标签,小刘、小曹和小赵之间也具有相同的用户标签。
具体地,请结合图9,图9是图6中步骤S1222一实施例的流程示意图。上述步骤S1222具体可以包括:
步骤S12221:提取用户的属性特征。
具体地,可以提取用户的年龄、性别、职业、学历、婚姻状态等属性特征作为节点特征,节点特征向量表示为X=[x1 x2 … xn],其中xi表示第i个用户,并且其中表示第i个用户的第j维属性特征,例如学历。
步骤S12222:基于所述用户关联子图中的用户之间的关联关系,计算用户关系的权重矩阵。
用户关联子图中还建立了用户之间的关联关系,用户关联度的强弱用共同办理的事项的数量来度量,用户之间共同办理的事项数量越多,用户之间的关联关系就越强,边的权重就越高。同时,用户之间的同学、同事等社交关系对事项的办理也有一定影响,依据具体的业务场景可以定义多种用户之间的关联关系,得到用户关系的权重矩阵A:
用户关系的权重矩阵A是一个n*n的矩阵,其中aij表示用户i和用户j共同办理的事项的数量,用户之间是否存在特定的关系矩阵为P:
例如,pij=0表示用户i和用户j之间没有特定的关系,pij=0.5表示用户i和用户j之间有特定关系,0.5为可变参数。得到最终的用户关系的权重矩阵为:
步骤S12223:利用所述用户关系的权重矩阵替换图神经网络的邻接矩阵,得到改进的图神经网络。
步骤S12224:基于所述用户的属性特征,利用所述改进的图神经网络预测得到所述用户标签。
利用用户关系的权重矩阵替换图神经网络的邻接矩阵,计算得到拉普拉斯矩阵为L=D-A,其中D为度矩阵,正则化的拉普拉斯矩阵那么改进的图神经网络GCN的卷积层可以表示为Hl+1=σ(LsysHlWl)。请参阅图10,图10是本申请政务服务的推荐方法一应用场景中改进的图神经网络的示意图。于是,将用户的属性特征(X1、X2、X3、X4)输入改进的图神经网络后,可以输出对应的用户标签(Y1、YN)。
步骤S13:基于所述政务服务的业务数据库,利用预设关联规则算法挖掘事项的频繁项集,并基于所述事项的频繁项集,确定事项的关联规则。
具体地,请结合图11,图11是图1中步骤S13一实施例的流程示意图。在一实施例中,上述步骤S13具体可以包括:
步骤S131:基于所述政务服务的业务数据库中事项的办理信息,划分事项之间办理的时间间隔,并计算在不同时间间隔下事项的项集。
用户办理的事项具有一定的时间间隔,例如用户办理结婚登记和生育登记之间相隔时间较久,用户办理企业等级和企业开办的时间间隔较短,因此要依据不同时间间隔来划分事项的项集。具体地,可以通过政务服务的业务数据库获取事项的办理信息,然后划分事项之间办理的时间间隔,并计算在不同时间间隔下事项的项集。
步骤S132:基于所述事项的项集,利用预设关联规则算法和预设支持度,计算得到所述事项的频繁项集。
可以利用关联规则算法FP-Growth(Frequent Pattern Tree,频繁模式树)来计算事项频繁项集,例如,从业务知识考虑可以设置支持度为100,即同时被100个以上的用户办理的事项的项集可以认为是事项的频繁项集。
步骤S133:基于所述事项的频繁项集,根据预设置信度计算得到所述事项的关联规则,并依据所述事项的办理信息中事项的办理先后顺序对非法的关联规则进行过滤。
在得到事项的频繁项集后,可以基于业务规则预先设置的置信度来计算频繁项集中事项的关联规则,并且依据事项的办理信息中用户历史办件记录等记载的事项的办理前后顺序过滤掉非法的关联规则,得到最终挖掘到的事项的关联规则。
步骤S14:基于所述用户标签和关联事项,利用所述事项的关联规则对所述初始知识图谱进行补全,得到新的知识图谱。
本申请可以利用知识图谱相关技术辅助知识的挖掘,例如利用知识图谱技术关联多源数据,形成知识图谱,然后基于知识图谱,利用图神经网络GCN预测用户标签,利用社区发现算法挖掘关联事项,基于办件记录等信息,利用关联规则挖掘事项频繁项集和关联规则,可以解决事项之间的潜在关联关系难以发现、人工梳理成本高等问题,使得补全后的新的知识图谱具有事项之间的潜在关联关系。
步骤S15:基于所述新的知识图谱,对目标用户进行政务服务事项推荐。
可以理解的是,通过充分利用知识图谱中挖掘的事项潜在关联关系以及明确的业务知识,可以考虑用户的画像特征、用户的办件历史等信息,通过规则排序选择关联度最高的K个事项进行推荐,可以优化用户的办件体验。
具体地,请结合图12,图12是图1中步骤S15一实施例的流程示意图。在一实施例中,上述步骤S15具体可以包括:
步骤S151:基于所述目标用户的基本信息以及其对应的业务信息,得到所述目标用户的画像标签。
基于用户的基本信息、用户的办件记录和业务规则等对应的业务信息以及图神经网络算法可以计算用户的画像标签,依据知识图谱中画像的关联事项,可以给不同用户推荐不同类型的政务服务,可以有效解决冷启动的问题。
步骤S152:通过所述政务服务的业务数据库获取所述目标用户对应的已办理事项。
步骤S153:根据所述目标用户的画像标签和所述目标用户对应的已办理事项,利用所述新的知识图谱获取若干个待推荐事项,并赋予每个待推荐事项对应的推荐权重。
通过政务服务的业务数据库可以查询到目标用户已经办理过的事项,一方面可以过滤用户已办理事项,另一方面可以从知识图谱中获取已办理事项的潜在的关联事项,推送给目标用户进行办理。具体地,可以基于知识图谱的路径查询、图遍历接口,查询得到事项的后置事项、一件事事项、画像关联事项以及其他关系的关联事项,并且对各事项赋予不同的权重,由于已办理事项不需要再进行推荐,于是在过滤掉目标用户已经办理过的事项后,即得到若干个待推荐事项。
步骤S154:依据所述推荐权重对所述若干个待推荐事项进行排序,选择所述推荐权重最高的前K个待推荐事项对所述目标用户进行推荐。
依据待推荐事项的权重,对若干个待推荐事项进行排序,然后可以选择权重最高的前K个待推荐事项进行推荐。
上述方案,依据政务服务的业务数据库构建初始知识图谱,基于初始知识图谱挖掘用户标签和关联事项,基于政务服务的业务数据库,利用预设关联规则算法挖掘事项的频繁项集,并基于事项的频繁项集,确定事项的关联规则;基于用户标签和关联事项,利用事项的关联规则对初始知识图谱进行补全,得到新的知识图谱;基于新的知识图谱,对目标用户进行政务服务事项推荐。因此利用知识图谱技术构建政务服务领域知识图谱,可以关联多源数据,基于知识图谱可以预测用户标签并挖掘关联事项,基于政务服务的业务数据库,可以利用预设关联规则算法挖掘事项的频繁项集和关联规则,实现挖掘潜在的业务知识,最终基于知识图谱和挖掘的业务知识进行事项推荐,优化了事项的推荐算法,解决了事项之间的潜在关联关系难以发现、人工梳理成本高等问题。
请参阅图13,图13是本申请政务服务的推荐装置一实施例的框架示意图。本实施例中的政务服务的推荐装置13包括相互连接的图谱构建模块130、第一挖掘模块132、第二挖掘模块134、图谱补全模块136和事项推荐模块138;所述图谱构建模块130用于依据政务服务的业务数据库构建初始知识图谱;所述第一挖掘模块132用于基于所述初始知识图谱挖掘用户标签和关联事项;所述第二挖掘模块134用于基于所述政务服务的业务数据库,利用预设关联规则算法挖掘事项的频繁项集,并基于所述事项的频繁项集,确定事项的关联规则;所述图谱补全模块136用于基于所述用户标签和关联事项,利用所述事项的关联规则对所述初始知识图谱进行补全,得到新的知识图谱;所述事项推荐模块138用于基于所述新的知识图谱,对目标用户进行政务服务事项推荐。
在一实施例中,所述第一挖掘模块132执行基于所述初始知识图谱挖掘用户标签和关联事项的步骤,包括:基于所述初始知识图谱中事项对应的用户信息,利用社区发现算法挖掘得到所述关联事项;基于所述初始知识图谱中用户的基本信息以及用户对应的业务信息,利用图神经网络预测得到所述用户标签。
在一实施例中,所述第一挖掘模块132执行基于所述初始知识图谱中事项对应的用户信息,利用社区发现算法挖掘得到所述关联事项的步骤,包括:基于所述初始知识图谱中事项对应的用户信息,利用路径计算算法计算事项之间的关联度,构建事项关联子图;基于所述事项关联子图,利用社区发现算法挖掘得到所述关联事项。
在一实施例中,所述第一挖掘模块132执行基于所述初始知识图谱中用户的基本信息以及用户对应的业务信息,利用图神经网络预测得到所述用户标签的步骤,包括:基于所述初始知识图谱中用户的基本信息以及用户对应的业务信息,计算用户关联子图;基于所述用户关联子图,利用图神经网络预测得到所述用户标签。
在一实施例中,所述第一挖掘模块132执行基于所述用户关联子图,利用图神经网络预测得到所述用户标签的步骤,包括:提取用户的属性特征;基于所述用户关联子图中的用户之间的关联关系,计算用户关系的权重矩阵;利用所述用户关系的权重矩阵替换图神经网络的邻接矩阵,得到改进的图神经网络;基于所述用户的属性特征,利用所述改进的图神经网络预测得到所述用户标签。
在一实施例中,所述第二挖掘模块134执行基于所述政务服务的业务数据库,利用预设关联规则算法挖掘事项的频繁项集,并基于所述事项的频繁项集,确定事项的关联规则的步骤,包括:基于所述政务服务的业务数据库中事项的办理信息,划分事项之间办理的时间间隔,并计算在不同时间间隔下事项的项集;基于所述事项的项集,利用预设关联规则算法和预设支持度,计算得到所述事项的频繁项集;基于所述事项的频繁项集,根据预设置信度计算得到所述事项的关联规则,并依据所述事项的办理信息中事项的办理先后顺序对非法的关联规则进行过滤。
在一实施例中,所述事项推荐模块138执行基于所述新的知识图谱,对目标用户进行政务服务事项推荐的步骤,包括:通过所述政务服务的业务数据库获取所述目标用户对应的已办理事项;根据所述目标用户的画像标签和所述目标用户对应的已办理事项,利用所述新的知识图谱获取若干个待推荐事项,并赋予每个待推荐事项对应的推荐权重;依据所述推荐权重对所述若干个待推荐事项进行排序,选择所述推荐权重最高的前K个待推荐事项对所述目标用户进行推荐。
本申请的政务服务的推荐装置,利用知识图谱技术构建政务服务领域的知识图谱,利用社区发现、图挖掘、图神经网络等算法挖掘潜在业务知识,改进了图卷积网络和关联规则并应用于政务服务领域,最终基于知识图谱和挖掘的业务知识进行待办理事项推荐,解决了现有的事项推荐算法考虑不全面、解释性差、冷启动等问题,优化了用户的办件体验。
关于本申请政务服务的推荐装置实现政务服务的推荐方法的具体内容请参阅上述政务服务的推荐方法实施例中的内容,此处不再赘述。
请参阅图14,图14是本申请电子设备一实施例的框架示意图。电子设备14包括相互耦接的存储器141和处理器142,处理器142用于执行存储器141中存储的程序指令,以实现上述任一政务服务的推荐方法实施例的步骤。在一个具体的实施场景中,电子设备14可以包括但不限于:微型计算机、服务器。
具体而言,处理器142用于控制其自身以及存储器141以实现上述任一政务服务的推荐方法实施例的步骤。处理器142还可以称为CPU(Central Processing Unit,中央处理单元)。处理器142可能是一种集成电路芯片,具有信号的处理能力。处理器142还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外,处理器142可以由集成电路芯片共同实现。
上述方案,处理器142依据政务服务的业务数据库构建初始知识图谱,基于初始知识图谱挖掘用户标签和关联事项,基于政务服务的业务数据库,利用预设关联规则算法挖掘事项的频繁项集,并基于事项的频繁项集,确定事项的关联规则;基于用户标签和关联事项,利用事项的关联规则对初始知识图谱进行补全,得到新的知识图谱;基于新的知识图谱,对目标用户进行政务服务事项推荐。因此利用知识图谱技术构建政务服务领域知识图谱,可以关联多源数据,基于知识图谱可以预测用户标签并挖掘关联事项,基于政务服务的业务数据库,可以利用预设关联规则算法挖掘事项的频繁项集和关联规则,实现挖掘潜在的业务知识,最终基于知识图谱和挖掘的业务知识进行事项推荐,优化了事项的推荐算法,解决了事项之间的潜在关联关系难以发现、人工梳理成本高等问题。
请参阅图15,图15是本申请计算机可读存储介质一实施例的框架示意图。计算机可读存储介质15存储有能够被处理器运行的程序指令150,程序指令150用于实现上述任一政务服务的推荐方法实施例的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法、设备,可以通过其它的方式实现。例如,以上所描述的模型实施方式仅仅是示意性的,例如,模块或单元的划分,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,例如单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
集成的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。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种政务服务的推荐方法,其特征在于,所述政务服务的推荐方法包括:
依据政务服务的业务数据库构建初始知识图谱;
基于所述初始知识图谱挖掘用户标签和关联事项;
基于所述政务服务的业务数据库,利用预设关联规则算法挖掘事项的频繁项集,并基于所述事项的频繁项集,确定事项的关联规则;
基于所述用户标签和关联事项,利用所述事项的关联规则对所述初始知识图谱进行补全,得到新的知识图谱;
基于所述新的知识图谱,对目标用户进行政务服务事项推荐。
2.根据权利要求1所述的政务服务的推荐方法,其特征在于,所述基于所述初始知识图谱挖掘用户标签和关联事项,包括:
基于所述初始知识图谱中事项对应的用户信息,利用社区发现算法挖掘得到所述关联事项;
基于所述初始知识图谱中用户的基本信息以及用户对应的业务信息,利用图神经网络预测得到所述用户标签。
3.根据权利要求2所述的政务服务的推荐方法,其特征在于,所述基于所述初始知识图谱中事项对应的用户信息,利用社区发现算法挖掘得到所述关联事项,包括:
基于所述初始知识图谱中事项对应的用户信息,利用路径计算算法计算事项之间的关联度,构建事项关联子图;
基于所述事项关联子图,利用社区发现算法挖掘得到所述关联事项。
4.根据权利要求2所述的政务服务的推荐方法,其特征在于,所述基于所述初始知识图谱中用户的基本信息以及用户对应的业务信息,利用图神经网络预测得到所述用户标签,包括:
基于所述初始知识图谱中用户的基本信息以及用户对应的业务信息,计算用户关联子图;
基于所述用户关联子图,利用图神经网络预测得到所述用户标签。
5.根据权利要求4所述的政务服务的推荐方法,其特征在于,所述基于所述用户关联子图,利用图神经网络预测得到所述用户标签,包括:
提取用户的属性特征;
基于所述用户关联子图中的用户之间的关联关系,计算用户关系的权重矩阵;
利用所述用户关系的权重矩阵替换图神经网络的邻接矩阵,得到改进的图神经网络;
基于所述用户的属性特征,利用所述改进的图神经网络预测得到所述用户标签。
6.根据权利要求1所述的政务服务的推荐方法,其特征在于,所述基于所述政务服务的业务数据库,利用预设关联规则算法挖掘事项的频繁项集,并基于所述事项的频繁项集,确定事项的关联规则,包括:
基于所述政务服务的业务数据库中事项的办理信息,划分事项之间办理的时间间隔,并计算在不同时间间隔下事项的项集;
基于所述事项的项集,利用预设关联规则算法和预设支持度,计算得到所述事项的频繁项集;
基于所述事项的频繁项集,根据预设置信度计算得到所述事项的关联规则,并依据所述事项的办理信息中事项的办理先后顺序对非法的关联规则进行过滤。
7.根据权利要求1所述的政务服务的推荐方法,其特征在于,所述基于所述新的知识图谱,对目标用户进行政务服务事项推荐,包括:
基于所述目标用户的基本信息以及其对应的业务信息,得到所述目标用户的画像标签;
通过所述政务服务的业务数据库获取所述目标用户对应的已办理事项;
根据所述目标用户的画像标签和所述目标用户对应的已办理事项,利用所述新的知识图谱获取若干个待推荐事项,并赋予每个待推荐事项对应的推荐权重;
依据所述推荐权重对所述若干个待推荐事项进行排序,选择所述推荐权重最高的前K个待推荐事项对所述目标用户进行推荐。
8.一种政务服务的推荐装置,其特征在于,所述政务服务的推荐装置包括:
图谱构建模块,所述图谱构建模块用于依据政务服务的业务数据库构建初始知识图谱;
第一挖掘模块,所述第一挖掘模块用于基于所述初始知识图谱挖掘用户标签和关联事项;
第二挖掘模块,所述第二挖掘模块用于基于所述政务服务的业务数据库,利用预设关联规则算法挖掘事项的频繁项集,并基于所述事项的频繁项集,确定事项的关联规则;
图谱补全模块,所述图谱补全模块用于基于所述用户标签和关联事项,利用所述事项的关联规则对所述初始知识图谱进行补全,得到新的知识图谱;
事项推荐模块,所述事项推荐模块用于基于所述新的知识图谱,对目标用户进行政务服务事项推荐。
9.一种电子设备,其特征在于,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现权利要求1至7任一项所述的政务服务的推荐方法。
10.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1至7任一项所述的政务服务的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110970251.2A CN113722611B (zh) | 2021-08-23 | 2021-08-23 | 政务服务的推荐方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110970251.2A CN113722611B (zh) | 2021-08-23 | 2021-08-23 | 政务服务的推荐方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722611A true CN113722611A (zh) | 2021-11-30 |
CN113722611B CN113722611B (zh) | 2024-03-08 |
Family
ID=78677386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110970251.2A Active CN113722611B (zh) | 2021-08-23 | 2021-08-23 | 政务服务的推荐方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722611B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114428806A (zh) * | 2022-01-20 | 2022-05-03 | 北京北大英华科技有限公司 | 案件隐性知识挖掘方法、装置及电子设备 |
CN115062119A (zh) * | 2022-08-18 | 2022-09-16 | 中关村科学城城市大脑股份有限公司 | 政务事件办理推荐方法、装置 |
CN116070875A (zh) * | 2023-03-06 | 2023-05-05 | 济南丽阳神州智能科技有限公司 | 一种基于家政服务的用户需求分析方法、设备及介质 |
CN116450768A (zh) * | 2023-06-08 | 2023-07-18 | 昆山工业大数据创新中心有限公司 | 面向低代码开发平台的工业数据处理方法、装置及设备 |
WO2023134057A1 (zh) * | 2022-01-11 | 2023-07-20 | 平安科技(深圳)有限公司 | 事务信息查询方法、装置、计算机设备及存储介质 |
CN116542418A (zh) * | 2023-07-06 | 2023-08-04 | 武汉星际互动智能技术有限公司 | 基于深度学习的办事大厅业务处理方法及系统 |
CN117151429A (zh) * | 2023-10-27 | 2023-12-01 | 中电科大数据研究院有限公司 | 一种基于知识图谱的政务服务流程编排方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140344709A1 (en) * | 2013-05-14 | 2014-11-20 | Palo Alto Research Center Incorporated | Rule-based messaging and dialog engine |
CN109636564A (zh) * | 2018-10-16 | 2019-04-16 | 平安科技(深圳)有限公司 | 用于风控的信息核实方法、装置、设备及存储介质 |
CN110941723A (zh) * | 2019-11-18 | 2020-03-31 | 广东宜学通教育科技有限公司 | 一种知识图谱的构建方法、系统及存储介质 |
CN111428051A (zh) * | 2020-03-23 | 2020-07-17 | 郑州大学 | 一种融合多元智能的自适应学习知识图谱构建方法及系统 |
CN112214685A (zh) * | 2020-09-27 | 2021-01-12 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN112241420A (zh) * | 2020-10-26 | 2021-01-19 | 浪潮云信息技术股份公司 | 一种基于关联规则算法的政务服务事项推荐方法 |
CN112330307A (zh) * | 2020-12-30 | 2021-02-05 | 江苏数兑科技有限公司 | 一种基于数据图谱和业务图谱的事项办理智能推荐方法 |
CN112417171A (zh) * | 2020-11-23 | 2021-02-26 | 南京大学 | 面向知识图谱表示学习的数据增广方法 |
CN112434089A (zh) * | 2020-12-23 | 2021-03-02 | 龙马智芯(珠海横琴)科技有限公司 | 一种频繁项挖掘方法、装置、服务器及可读存储介质 |
CN112801751A (zh) * | 2021-02-04 | 2021-05-14 | 重庆邮电大学 | 一种多任务图神经网络的个性化景区推荐方法 |
CN112818134A (zh) * | 2021-02-22 | 2021-05-18 | 哈尔滨工程大学 | 一种基于规则和嵌入的知识图谱补全方法 |
CN113254673A (zh) * | 2021-06-28 | 2021-08-13 | 明品云(北京)数据科技有限公司 | 一种基于知识图谱的数据管理方法、系统、设备和介质 |
-
2021
- 2021-08-23 CN CN202110970251.2A patent/CN113722611B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140344709A1 (en) * | 2013-05-14 | 2014-11-20 | Palo Alto Research Center Incorporated | Rule-based messaging and dialog engine |
CN109636564A (zh) * | 2018-10-16 | 2019-04-16 | 平安科技(深圳)有限公司 | 用于风控的信息核实方法、装置、设备及存储介质 |
CN110941723A (zh) * | 2019-11-18 | 2020-03-31 | 广东宜学通教育科技有限公司 | 一种知识图谱的构建方法、系统及存储介质 |
CN111428051A (zh) * | 2020-03-23 | 2020-07-17 | 郑州大学 | 一种融合多元智能的自适应学习知识图谱构建方法及系统 |
CN112214685A (zh) * | 2020-09-27 | 2021-01-12 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN112241420A (zh) * | 2020-10-26 | 2021-01-19 | 浪潮云信息技术股份公司 | 一种基于关联规则算法的政务服务事项推荐方法 |
CN112417171A (zh) * | 2020-11-23 | 2021-02-26 | 南京大学 | 面向知识图谱表示学习的数据增广方法 |
CN112434089A (zh) * | 2020-12-23 | 2021-03-02 | 龙马智芯(珠海横琴)科技有限公司 | 一种频繁项挖掘方法、装置、服务器及可读存储介质 |
CN112330307A (zh) * | 2020-12-30 | 2021-02-05 | 江苏数兑科技有限公司 | 一种基于数据图谱和业务图谱的事项办理智能推荐方法 |
CN112801751A (zh) * | 2021-02-04 | 2021-05-14 | 重庆邮电大学 | 一种多任务图神经网络的个性化景区推荐方法 |
CN112818134A (zh) * | 2021-02-22 | 2021-05-18 | 哈尔滨工程大学 | 一种基于规则和嵌入的知识图谱补全方法 |
CN113254673A (zh) * | 2021-06-28 | 2021-08-13 | 明品云(北京)数据科技有限公司 | 一种基于知识图谱的数据管理方法、系统、设备和介质 |
Non-Patent Citations (2)
Title |
---|
SHIYA REN 等: "NEARM: Natural Language Enhanced Association Rules Mining", 《2018 IEEE INTERNATIONAL CONFERENCE ON DATA MINING WORKSHOPS (ICDMW)》, pages 438 - 445 * |
孙雨生 等: "国内基于知识图谱的信息推荐研究进展", 《情报理论与实践》, vol. 42, no. 12, pages 163 - 169 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023134057A1 (zh) * | 2022-01-11 | 2023-07-20 | 平安科技(深圳)有限公司 | 事务信息查询方法、装置、计算机设备及存储介质 |
CN114428806A (zh) * | 2022-01-20 | 2022-05-03 | 北京北大英华科技有限公司 | 案件隐性知识挖掘方法、装置及电子设备 |
CN115062119A (zh) * | 2022-08-18 | 2022-09-16 | 中关村科学城城市大脑股份有限公司 | 政务事件办理推荐方法、装置 |
CN116070875A (zh) * | 2023-03-06 | 2023-05-05 | 济南丽阳神州智能科技有限公司 | 一种基于家政服务的用户需求分析方法、设备及介质 |
CN116070875B (zh) * | 2023-03-06 | 2023-08-22 | 济南丽阳神州智能科技有限公司 | 一种基于家政服务的用户需求分析方法、设备及介质 |
CN116450768A (zh) * | 2023-06-08 | 2023-07-18 | 昆山工业大数据创新中心有限公司 | 面向低代码开发平台的工业数据处理方法、装置及设备 |
CN116450768B (zh) * | 2023-06-08 | 2023-11-24 | 昆山工业大数据创新中心有限公司 | 面向低代码开发平台的工业数据处理方法、装置及设备 |
CN116542418A (zh) * | 2023-07-06 | 2023-08-04 | 武汉星际互动智能技术有限公司 | 基于深度学习的办事大厅业务处理方法及系统 |
CN116542418B (zh) * | 2023-07-06 | 2023-09-15 | 武汉星际互动智能技术有限公司 | 基于深度学习的办事大厅业务处理方法及系统 |
CN117151429A (zh) * | 2023-10-27 | 2023-12-01 | 中电科大数据研究院有限公司 | 一种基于知识图谱的政务服务流程编排方法及装置 |
CN117151429B (zh) * | 2023-10-27 | 2024-01-26 | 中电科大数据研究院有限公司 | 一种基于知识图谱的政务服务流程编排方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113722611B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113722611B (zh) | 政务服务的推荐方法、装置、设备及计算机可读存储介质 | |
US20210073283A1 (en) | Machine learning and prediction using graph communities | |
US11645321B2 (en) | Calculating relationship strength using an activity-based distributed graph | |
Antonio et al. | Big data in hotel revenue management: Exploring cancellation drivers to gain insights into booking cancellation behavior | |
CN109255586B (zh) | 一种面向电子政务办事的在线个性化推荐方法 | |
US10453114B2 (en) | Selective sharing of user information based on contextual relationship information, such as to crowd-source gifts of interest to a recipient | |
CN107077486A (zh) | 情感评价系统和方法 | |
CN111177473B (zh) | 人员关系分析方法、装置和可读存储介质 | |
Dhingra et al. | Spam analysis of big reviews dataset using Fuzzy Ranking Evaluation Algorithm and Hadoop | |
WO2018175750A1 (en) | Intelligent visual object management system | |
CN112269805A (zh) | 数据处理方法、装置、设备及介质 | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
US9275125B1 (en) | System for organizing data from a plurality of users to create individual user profiles | |
US10846352B1 (en) | System and method for identifying potential clients from aggregate sources | |
Arun et al. | Big data: review, classification and analysis survey | |
CN112632405A (zh) | 一种推荐方法、装置、设备及存储介质 | |
US10474670B1 (en) | Category predictions with browse node probabilities | |
Yigit et al. | Extended topology based recommendation system for unidirectional social networks | |
Nanayakkara et al. | A survey of finding trends in data mining techniques for social media analysis | |
CN112560105B (zh) | 保护多方数据隐私的联合建模方法及装置 | |
CN114357184A (zh) | 事项推荐方法及相关装置、电子设备和存储介质 | |
CN111095328A (zh) | 用于检测和响应于交易模式的系统和方法 | |
CN112907308B (zh) | 数据检测方法和装置、计算机可读存储介质 | |
CN115983902B (zh) | 基于用户实时事件的信息推送方法及系统 | |
CN111177653A (zh) | 一种信用评估方法和装置 |
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 |