CN113761326A - 一种过滤相似产品的方法和装置 - Google Patents
一种过滤相似产品的方法和装置 Download PDFInfo
- Publication number
- CN113761326A CN113761326A CN202010553418.0A CN202010553418A CN113761326A CN 113761326 A CN113761326 A CN 113761326A CN 202010553418 A CN202010553418 A CN 202010553418A CN 113761326 A CN113761326 A CN 113761326A
- Authority
- CN
- China
- Prior art keywords
- product
- word
- words
- similar
- target
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims description 73
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000002453 shampoo Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229940034610 toothpaste Drugs 0.000 description 1
- 239000000606 toothpaste Substances 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种过滤相似产品的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：根据各个产品标题计算出各个产品词之间的目标关系，基于所述目标关系构建产品词关系网络；所述目标关系包括相似关系和/或非相似关系；根据目标产品的主图、产品标题和所属类目，确定所述目标产品的产品词列表；将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除，对所述产品词列表中剩余的产品词进行相似产品词扩展，得到所述目标产品的相似产品词集合；过滤掉与所述目标产品的相似产品词集合有交集的产品。该实施方式能够解决误过滤或者漏过滤的技术问题。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种过滤相似产品的方法和装置。
背景技术
后台系统通常会基于用户的已阅读记录、已浏览记录、已购买记录、已下载记录等，对相似产品进行过滤。常用的过滤相似产品的方法主要有：
1)通过产品所属类目对相似产品进行过滤；2)使用词性标注模型对产品标题进行训练，进而预测出该产品标题中的产品词，并通过产品词对相似产品进行过滤。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
第一种过滤方法由于类目的粒度较大，因此会误过滤掉许多产品；
第二种过滤方法依赖于产品标题的质量及词性标注模型的预测结果，如果产品标题本身不包含产品词、产品标题本身不太明确，或者词性标注模型预测得到产品词不准，都可能会导致对产品的误过滤或者漏过滤。
发明内容
有鉴于此，本发明实施例提供一种过滤相似产品的方法和装置，以解决误过滤或者漏过滤的技术问题。
为实现上述目的，根据本发明实施例的一个方面，提供了一种过滤相似产品的方法，包括：
根据各个产品标题计算出各个产品词之间的目标关系，基于所述各个产品词之间的目标关系构建产品词关系网络；其中，所述目标关系包括相似关系和/或非相似关系；
根据目标产品的主图、产品标题和所属类目，确定所述目标产品的产品词列表；
基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除，并对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合；
过滤掉与所述目标产品的相似产品词集合有交集的产品。
可选地，根据各个产品标题计算出各个产品词之间的目标关系，包括：
对各个产品标题进行分词，采用词性标注模型对各个分词标记词性，筛选出名词词性的分词作为产品词；
计算各个产品词之间的相似度，以得到各个所述产品词之间的相似关系；
基于神经网络抽取出各个所述产品词之间的非相似关系；其中，所述非相似关系包括包含关系和/或搭配关系。
可选地，计算各个产品词之间的相似度，以得到各个所述产品词之间的相似关系，包括：
基于词向量模型生成各个产品词的词向量；
采用聚类算法对各个所述产品词的词向量进行聚类，得到多个簇；其中，同一个簇内的产品词之间具有相似关系。
可选地，基于神经网络抽取出各个所述产品词之间的非相似关系，包括：
基于词向量模型将产品标题中的各个分词转换成词向量；
根据各个所述分词在产品标题中的位置，确定各个所述分词在所述产品标题中的位置特征；
将各个产品标题中各个所述分词的词向量和各个所述分词在所述产品标题中的位置特征输入到串联的双向循环神经网络和双层注意力神经网络中，以输出各个所述产品词之间的包含关系和搭配关系；其中，所述产品标题中标记了产品词。
可选地，根据目标产品的主图、产品标题和所属类目，确定所述目标产品的产品词列表，包括：
采用词性标注模型从目标产品的产品标题中提取出属性词，基于词向量模型得到所述属性词的词向量；
基于独热编码得到所述目标产品的所属类目的特征；
将所述目标产品的主图、所述属性词的词向量、所属类目的特征输入到多模态模型中，以输出所述目标产品的产品词列表。
可选地，所述多模态模型包括卷积神经网络层、第一全连接层、批标准化层、第二全连接层、第三全连接层和损失函数层；
其中，所述卷积神经网络层与所述第一全连接层并联至所述批标准化层，所述批标准化层、所述第二全连接层、所述第三全连接层和所述损失函数层依次串联；所述目标产品的主图输入所述卷积神经网络层中，所述目标产品的属性词的词向量和所属类目的特征输入到所述第一全连接层中。
可选地，基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除，并对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合，包括：
基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除；
基于所述产品词关系网络中的叶子节点，对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合。
另外，根据本发明实施例的另一个方面，提供了一种过滤相似产品的装置，包括：
构建模块，用于根据各个产品标题计算出各个产品词之间的目标关系，基于所述各个产品词之间的目标关系构建产品词关系网络；其中，所述目标关系包括相似关系和/或非相似关系；
列表模块，用于根据目标产品的主图、产品标题和所属类目，确定所述目标产品的产品词列表；
处理模块，用于基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除，并对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合；
过滤模块，用于过滤掉与所述目标产品的相似产品词集合有交集的产品。
可选地，所述构建模块还用于：
对各个产品标题进行分词，采用词性标注模型对各个分词标记词性，筛选出名词词性的分词作为产品词；
计算各个产品词之间的相似度，以得到各个所述产品词之间的相似关系；
基于神经网络抽取出各个所述产品词之间的非相似关系；其中，所述非相似关系包括包含关系和/或搭配关系。
可选地，所述构建模块还用于：
基于词向量模型生成各个产品词的词向量；
采用聚类算法对各个所述产品词的词向量进行聚类，得到多个簇；其中，同一个簇内的产品词之间具有相似关系。
可选地，所述构建模块还用于：
基于词向量模型将产品标题中的各个分词转换成词向量；
根据各个所述分词在产品标题中的位置，确定各个所述分词在所述产品标题中的位置特征；
将各个产品标题中各个所述分词的词向量和各个所述分词在所述产品标题中的位置特征输入到串联的双向循环神经网络和双层注意力神经网络中，以输出各个所述产品词之间的包含关系和搭配关系；其中，所述产品标题中标记了产品词。
可选地，所述列表模块还用于：
采用词性标注模型从目标产品的产品标题中提取出属性词，基于词向量模型得到所述属性词的词向量；
基于独热编码得到所述目标产品的所属类目的特征；
将所述目标产品的主图、所述属性词的词向量、所属类目的特征输入到多模态模型中，以输出所述目标产品的产品词列表。
可选地，所述多模态模型包括卷积神经网络层、第一全连接层、批标准化层、第二全连接层、第三全连接层和损失函数层；
其中，所述卷积神经网络层与所述第一全连接层并联至所述批标准化层，所述批标准化层、所述第二全连接层、所述第三全连接层和所述损失函数层依次串联；所述目标产品的主图输入所述卷积神经网络层中，所述目标产品的属性词的词向量和所属类目的特征输入到所述第一全连接层中。
可选地，所述处理模块还用于：
基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除；
基于所述产品词关系网络中的叶子节点，对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合。
根据本发明实施例的另一个方面，还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现上述任一实施例所述的方法。
根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用基于产品词关系网络，将产品词列表中与目标产品的产品词之间具有搭配关系的产品词和具有包含关系的产品词删除，并对剩余的产品词进行相似产品词扩展，然后过滤掉与目标产品的相似产品词集合有交集的产品的技术手段，所以克服了现有技术中误过滤或者漏过滤的技术问题。本发明实施例通过构建产品词关系网络，并基于产品词关系网络对产品词列表中的产品词进行删除和扩展得到相似产品词集合，从而利用各个产品的相似产品词集合准确地过滤掉相似产品，过滤的粒度既不会过粗也不会过细，因此能够避免误过滤或者漏过滤相似产品。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的过滤相似产品的方法的主要流程的示意图；
图2是根据本发明实施例的串联的双向循环神经网络和双层注意力神经网络的结构示意图；
图3是根据本发明实施例的产品词关系网络的结构示意图；
图4是根据本发明实施例的多模态模型的结构示意图；
图5是根据本发明一个可参考实施例的过滤相似产品的方法的主要流程的示意图；
图6是根据本发明实施例的过滤相似产品的装置的主要模块的示意图；
图7是本发明实施例可以应用于其中的示例性系统架构图；
图8是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的过滤相似产品的方法的主要流程的示意图。作为本发明的一个实施例，如图1所示，所述过滤相似产品的方法可以包括：
步骤101，根据各个产品标题计算出各个产品词之间的目标关系，基于所述各个产品词之间的目标关系构建产品词关系网络。其中，所述目标关系包括相似关系和/或非相似关系，所述非相似关系包括包含关系和/或搭配关系。
在该步骤中，首先根据各个产品标题中的各个产品词计算出这些产品词之间的关系，比如相似关系、包含关系和/或搭配关系；然后基于这些产品词之间的相似关系、包含关系和/或搭配关系等构建产品词关系网络。需要指出的是，产品标题越多，越有利于构建完善的产品词关系网络，而且可以不断地对已构建的产品词关系网络进行优化。
可选地，根据各个产品标题计算出各个产品词之间的目标关系，包括：对各个产品标题进行分词，采用词性标注模型对各个分词标记词性，筛选出名词词性的分词作为产品词；计算各个产品词之间的相似度，以得到各个所述产品词之间的相似关系；基于神经网络抽取出各个所述产品词之间的非相似关系。在本发明的实施例中，先采用分词工具对各个产品标题分别进行分词处理，接着采用词性标注模型对各个分词标记词性，然后筛选出名词词性的分词作为产品词。得到了各个产品词之后，则进一步计算各个产品词之间的关系，从而筛选出具有相似关系的产品词、具有包含关系的产品词和具有搭配关系的产品词。
同样地，词性标注模型也需要预先训练，可以采用一定数量的产品标题对词性标注模型进行有监督训练，从而利用训练好的词性标注模型预测各个分词的词性。
可选地，计算各个产品词之间的相似度，以得到各个所述产品词之间的相似关系，包括：基于词向量模型生成各个产品词的词向量；采用聚类算法对各个所述产品词的词向量进行聚类，得到多个簇；其中，同一个簇内的产品词之间具有相似关系。在本发明的实施例中，可以采用训练好的fastText模型(一种开源的词向量与文本分类工具，可以用于计算出词向量)将各个产品词转换成对应的词向量，比如，产品词“拉杆箱”可能是[0.111206,0.212657,…,0.018394]这样300维的embedding向量；然后通过Annoy聚类算法(一种在高维空间求近似最近邻的快速算法)将相似的embedding向量聚到同一个簇内，即得到相似关系的产品词。通过该方法得到的相似产品词列表比较广泛，有利于构建完善的产品词关系网络。需要指出的是，在实施本发明之前，需要采用一定数量的产品词标题训练词向量模型，使得该词向量模型能够准确地预测各个产品词的词向量。比如“洗发水”和“洗发露”为相似关系。
可选地，基于神经网络抽取出各个所述产品词之间的包含关系和搭配关系，包括：基于词向量模型将产品标题中的各个分词转换成词向量；根据各个所述分词在产品标题中的位置，确定各个所述分词在所述产品标题中的位置特征；将各个产品标题中各个所述分词的词向量和各个所述分词在所述产品标题中的位置特征输入到串联的双向循环神经网络和双层注意力神经网络中，以输出各个所述产品词之间的包含关系和搭配关系；其中，所述产品标题中标记了产品词(即标记出词性为名词的分词)。在本发明的实施例中，可以采用训练好的fastText模型将各个分词转换成对应的词向量，并且根据各个分词在其所在产品标题中的位置，确定各个分词的位置特征，然后将各个分词的词向量和位置特征一起输入到训练好的串联的双向循环神经网络(Bi-GRU，循环神经网络的一种，能够解决长期记忆和反向传播中的梯度等问题)和双层注意力神经网络(包括词注意力层和句子注意力层)中，如图2所示，使得该串联的双向循环神经网络和双层注意力神经网络输出各个产品标题中的各个产品词之间的包含关系的概率和搭配关系的概率，然后通过预设的阈值判断出各个产品之间的包含关系或者搭配关系。通过该方法可以准确地计算出各个产品词之间是否具有包含关系或者搭配关系。比如“裙子”和“连衣裙”为包含关系，“牙刷”和“牙膏”为搭配关系。
通过上述方法得到了具有相似关系的产品词、具有包含关系的产品词和具有搭配关系的产品词之后，将这些产品词构建成一个产品词关系网络，如图3所示，比如“衣服”和“上衣”为包含关系，“裙子”和“连衣裙”为包含关系，“外套”和“内搭”为搭配关系，“卫衣”和“短袖”为搭配关系，“连衣裙”和“半身裙”为相似关系。需要指出的是，为了清楚的表示关系网络中各个产品词之间的关系，可以进一步对各个产品词标记关系类型。或者，也可以将产品词关系网络拆解成相似产品词关系网络、包含产品词关系网络和搭配产品词关系网络，本发明实施例对此不作限制。
步骤102，根据目标产品的主图、产品标题和所属类目，确定所述目标产品的产品词列表。
在该步骤中，基于目标产品的主图、产品标题和所属类目，并利用图片+文本特征多模态模型，得到目标产品的产品词列表。可选地，步骤102可以包括：采用词性标注模型从目标产品的产品标题中提取出属性词，基于词向量模型得到所述属性词的词向量；基于独热编码得到所述目标产品的所属类目的特征；将所述目标产品的主图、所述属性词的词向量、所属类目的特征输入到多模态模型中，以输出所述目标产品的产品词列表。同样地，词性标注模型也需要预先训练，可以采用一定数量的产品标题对词性标注模型进行有监督训练，从而利用训练好的词性标注模型预测产品标题中的各个属性词。比如标题为“爱华仕(OIWAS)飞机轮拉杆箱6182商务出差旅行箱男女休闲旅游登机箱20英寸黑色”的产品，通过词性标注模型提取出样式属性为“飞机轮”，人群属性为“男女”，颜色属性为“褐红色”。
如图4所示，所述多模态模型包括卷积神经网络层、第一全连接层、批标准化层、第二全连接层、第三全连接层和损失函数层；其中，所述卷积神经网络层与所述第一全连接层并联至所述批标准化层，所述批标准化层、所述第二全连接层、所述第三全连接层和所述损失函数层依次串联；所述目标产品的主图输入所述卷积神经网络层中，所述目标产品的属性词的词向量和所属类目的特征输入到所述第一全连接层中。需要指出的是，多模态模型也需要预先训练，可以采用一定数量的产品主图、产品标题的属性词和产品所属类目作为训练样本，对多模态模型进行有监督训练，从而利用训练好的多模态模型预测产品的产品词列表。通过该方法可以计算出产品的产品词列表，列表中的各个产品词能够准确地表示该产品。
以图4为例，左侧的卷积网络用来提取目标产品的主图特征，具体结构为两层卷积层加上一层全连接层：第一层20个卷积核，卷积核大小为5*5；第二层40个卷积核，卷积核大小为4*4；全连接层输出为128维。右侧是第一全连接层，输入层为目标产品的属性词的词向量(采用fastText模型将属性词转换成对应的词向量，与前文类似，不再赘述)，对词向量加权求和即得到300维属性embedding特征。另外，基于独热编码(one-hot)得到目标产品的所属类目ID的500维one-hot embedding特征，300维属性embedding特征与500维one-hotembedding特征组成800维的特性，通过第二全连接层输出128维特征。将两侧得到的各128维特征组装起来，经过一个批标准化层(Batch-Normaliz ation)和两个串联的全连接层(Fully-connected layer)，最终输出sof tmax多分类结果，取预测结果的top5产品词构成该目标产品的产品词列表。
需要指出的是，针对各个产品重复执行步骤102，就可以得到各个产品对应的产品词列表。
步骤103，基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除，并对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合。
可选地，步骤103可以包括：基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系(包括搭配关系和/或包含关系)的产品词删除；基于所述产品词关系网络中的叶子节点，对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合。得到目标产品的产品词列表后，首先使用步骤101构建的产品词关系网络去除掉具有搭配关系和/或包含关系的产品词，然后基于相似关系的产品词对产品词列表中剩余的产品词进行相似产品词扩展，从而得到相似产品词集合。通常来说，产品词列表中剩余的产品词为产品词关系网络中的叶子节点，因此相似产品词集合中的产品词也通常为产品词关系网络中的叶子节点。基于产品词关系网络对产品词列表中的产品词进行删除或者扩展，能够构建合适的相似产品词集合。
比如：产品“爱华仕(OIWAS)飞机轮拉杆箱6182商务出差旅行箱男女休闲旅游登机箱20英寸黑色”的产品词可以扩展为“拉杆箱”、“航空箱”、“拖拉杆箱”、“旅行箱”、“行李箱”、“登机箱”。
需要指出的是，针对各个产品重复执行步骤103，就可以得到各个产品对应的相似产品词集合。
步骤104，过滤掉与所述目标产品的相似产品词集合有交集的产品。
通过重复执行步骤102-103，本发明实施例可以为每个产品找到其对应的相似产品词集合。比如“爱华仕(OIWAS)飞机轮拉杆箱6182商务出差旅行箱男女休闲旅游登机箱20英寸黑色”和“TUMI/途明旗舰店19Degree系列银色男女登机箱拉杆箱托运行李箱022866SLV20228661SLV2/21寸”两个产品的产品词都可以扩展为“拉杆箱”、“航空箱”、“拖拉杆箱”、“旅行箱”、“行李箱”、“登机箱”。所以如果用户买了其中一个产品，另一个产品就会被过滤掉，即不会再给用户推荐。因此，采用本发明实施例可以准确地过滤掉相似产品，避免误过滤或者漏过滤相似产品。
需要指出的是，若两个产品的相似产品词集合中存在至少一个相同的产品词，则认为这两个产品的相似产品词集合有交集，这两个产品词即为相似产品。如果用户阅读、浏览、购买或者下载其中的某一个产品，则过滤掉另一个产品，不再向用户推送该产品。
根据上面所述的各种实施例，可以看出本发明实施例通过基于产品词关系网络，将产品词列表中与目标产品的产品词之间具有搭配关系的产品词和具有包含关系的产品词删除，并对剩余的产品词进行相似产品词扩展，然后过滤掉与目标产品的相似产品词集合有交集的产品的技术手段，解决了现有技术中误过滤或者漏过滤的技术问题。本发明实施例通过构建产品词关系网络，并基于产品词关系网络对产品词列表中的产品词进行删除和扩展得到相似产品词集合，从而利用各个产品的相似产品词集合准确地过滤掉相似产品，过滤的粒度既不会过粗也不会过细，因此能够避免误过滤或者漏过滤相似产品。
图5是根据本发明一个可参考实施例的过滤相似产品的方法的主要流程的示意图。作为本发明的又一个实施例，如图5所示，所述过滤相似产品的方法可以包括：
步骤501，对各个产品标题进行分词，采用词性标注模型对各个分词标记词性，筛选出名词词性的分词作为产品词。
步骤502，计算各个产品词之间的相似度，以得到各个所述产品词之间的相似关系。
可以基于词向量模型生成各个产品词的词向量，然后采用聚类算法对各个所述产品词的词向量进行聚类，得到多个簇，同一个簇内的产品词之间具有相似关系。
步骤503，基于神经网络抽取出各个所述产品词之间的包含关系和搭配关系。
可以基于词向量模型将产品标题中的各个分词转换成词向量，并根据各个所述分词在产品标题中的位置确定各个所述分词在所述产品标题中的位置特征，然后将各个产品标题中各个所述分词的词向量和各个所述分词在所述产品标题中的位置特征输入到串联的双向循环神经网络和双层注意力神经网络中，以输出各个所述产品词之间的包含关系和搭配关系。
步骤504，基于所述各个产品词之间的相似关系、包含关系和搭配关系构建产品词关系网络。
步骤505，采用词性标注模型从目标产品的产品标题中提取出属性词，基于词向量模型得到所述属性词的词向量。
步骤506，基于独热编码得到所述目标产品的所属类目的特征。
步骤507，将所述目标产品的主图、所述属性词的词向量、所属类目的特征输入到多模态模型中，以输出所述目标产品的产品词列表。
其中，所述多模态模型包括卷积神经网络层、第一全连接层、批标准化层、第二全连接层、第三全连接层和损失函数层；其中，所述卷积神经网络层与所述第一全连接层并联至所述批标准化层，所述批标准化层、所述第二全连接层、所述第三全连接层和所述损失函数层依次串联；所述目标产品的主图输入所述卷积神经网络层中，所述目标产品的属性词的词向量和所属类目的特征输入到所述第一全连接层中。
步骤508，基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有搭配关系的产品词和具有包含关系的产品词删除，并对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合。
通常来说，产品词列表中剩余的产品词为产品词关系网络中的叶子节点，因此相似产品词集合中的产品词也通常为产品词关系网络中的叶子节点。
步骤509，过滤掉与所述目标产品的相似产品词集合有交集的产品。
若两个产品的相似产品词集合中存在至少一个相同的产品词，则认为这两个产品的相似产品词集合有交集，这两个产品词即为相似产品。如果用户阅读、浏览、购买或者下载其中的某一个产品，则过滤掉另一个产品(不再向用户推送该产品)。
需要指出的是，步骤501-步骤503与步骤505-步骤507可以同步执行，也可以先后执行，本发明实施例对此不作限制。
另外，在本发明一个可参考实施例中过滤相似产品的方法的具体实施内容，在上面所述过滤相似产品的方法中已经详细说明了，故在此重复内容不再说明。
图6是根据本发明实施例的过滤相似产品的装置的主要模块的示意图，如图6所示，所述过滤相似产品的装置600包括构建模块601、列表模块602、处理模块603和过滤模块；其中，构建模块601用于根据各个产品标题计算出各个产品词之间的目标关系，基于所述各个产品词之间的目标关系构建产品词关系网络；其中，所述目标关系包括相似关系和/或非相似关系；列表模块602用于根据目标产品的主图、产品标题和所属类目，确定所述目标产品的产品词列表；处理模块603用于基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除，并对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合；过滤模块604用于过滤掉与所述目标产品的相似产品词集合有交集的产品。
可选地，所述构建模块601还用于：
对各个产品标题进行分词，采用词性标注模型对各个分词标记词性，筛选出名词词性的分词作为产品词；
计算各个产品词之间的相似度，以得到各个所述产品词之间的相似关系；
基于神经网络抽取出各个所述产品词之间的非相似关系；其中，所述非相似关系包括包含关系和/或搭配关系。
可选地，所述构建模块601还用于：
基于词向量模型生成各个产品词的词向量；
采用聚类算法对各个所述产品词的词向量进行聚类，得到多个簇；其中，同一个簇内的产品词之间具有相似关系。
可选地，所述构建模块601还用于：
基于词向量模型将产品标题中的各个分词转换成词向量；
根据各个所述分词在产品标题中的位置，确定各个所述分词在所述产品标题中的位置特征；
将各个产品标题中各个所述分词的词向量和各个所述分词在所述产品标题中的位置特征输入到串联的双向循环神经网络和双层注意力神经网络中，以输出各个所述产品词之间的包含关系和搭配关系；其中，所述产品标题中标记了产品词。
可选地，所述列表模块602还用于：
采用词性标注模型从目标产品的产品标题中提取出属性词，基于词向量模型得到所述属性词的词向量；
基于独热编码得到所述目标产品的所属类目的特征；
将所述目标产品的主图、所述属性词的词向量、所属类目的特征输入到多模态模型中，以输出所述目标产品的产品词列表。
可选地，所述多模态模型包括卷积神经网络层、第一全连接层、批标准化层、第二全连接层、第三全连接层和损失函数层；
其中，所述卷积神经网络层与所述第一全连接层并联至所述批标准化层，所述批标准化层、所述第二全连接层、所述第三全连接层和所述损失函数层依次串联；所述目标产品的主图输入所述卷积神经网络层中，所述目标产品的属性词的词向量和所属类目的特征输入到所述第一全连接层中。
可选地，所述处理模块603还用于：
基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除；
基于所述产品词关系网络中的叶子节点，对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合。
根据上面所述的各种实施例，可以看出本发明实施例通过基于产品词关系网络，将产品词列表中与目标产品的产品词之间具有搭配关系的产品词和具有包含关系的产品词删除，并对剩余的产品词进行相似产品词扩展，然后过滤掉与目标产品的相似产品词集合有交集的产品的技术手段，解决了现有技术中误过滤或者漏过滤的技术问题。本发明实施例通过构建产品词关系网络，并基于产品词关系网络对产品词列表中的产品词进行删除和扩展得到相似产品词集合，从而利用各个产品的相似产品词集合准确地过滤掉相似产品，过滤的粒度既不会过粗也不会过细，因此能够避免误过滤或者漏过滤相似产品。
需要说明的是，在本发明所述过滤相似产品的装置的具体实施内容，在上面所述过滤相似产品的方法中已经详细说明了，故在此重复内容不再说明。
图7示出了可以应用本发明实施例的过滤相似产品的方法或过滤相似产品的装置的示例性系统架构700。
如图7所示，系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备701、702、703通过网络704与服务器705交互，以接收或发送消息等。终端设备701、702、703上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备701、702、703可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器705可以是提供各种服务的服务器，例如对用户利用终端设备701、702、703所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的物品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、物品信息——仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的过滤相似产品的方法一般由服务器705执行，相应地，所述过滤相似产品的装置一般设置在服务器705中。本发明实施例所提供的过滤相似产品的方法也可以由终端设备701、702、703执行，相应地，所述过滤相似产品的装置可以设置在终端设备701、702、703中。
应该理解，图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图8，其示出了适于用来实现本发明实施例的终端设备的计算机系统800的结构示意图。图8示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括构建模块、列表模块、处理模块和过滤模块，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，该设备实现如下方法：根据各个产品标题计算出各个产品词之间的目标关系，基于所述各个产品词之间的目标关系构建产品词关系网络；其中，所述目标关系包括相似关系和/或非相似关系；根据目标产品的主图、产品标题和所属类目，确定所述目标产品的产品词列表；基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除，并对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合；过滤掉与所述目标产品的相似产品词集合有交集的产品。
根据本发明实施例的技术方案，因为采用基于产品词关系网络，将产品词列表中与目标产品的产品词之间具有搭配关系的产品词和具有包含关系的产品词删除，并对剩余的产品词进行相似产品词扩展，然后过滤掉与目标产品的相似产品词集合有交集的产品的技术手段，所以克服了现有技术中误过滤或者漏过滤的技术问题。本发明实施例通过构建产品词关系网络，并基于产品词关系网络对产品词列表中的产品词进行删除和扩展得到相似产品词集合，从而利用各个产品的相似产品词集合准确地过滤掉相似产品，过滤的粒度既不会过粗也不会过细，因此能够避免误过滤或者漏过滤相似产品。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种过滤相似产品的方法，其特征在于，包括：
根据各个产品标题计算出各个产品词之间的目标关系，基于所述各个产品词之间的目标关系构建产品词关系网络；其中，所述目标关系包括相似关系和/或非相似关系；
根据目标产品的主图、产品标题和所属类目，确定所述目标产品的产品词列表；
基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除，并对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合；
过滤掉与所述目标产品的相似产品词集合有交集的产品。
2.根据权利要求1所述的方法，其特征在于，根据各个产品标题计算出各个产品词之间的目标关系，包括：
对各个产品标题进行分词，采用词性标注模型对各个分词标记词性，筛选出名词词性的分词作为产品词；
计算各个产品词之间的相似度，以得到各个所述产品词之间的相似关系；
基于神经网络抽取出各个所述产品词之间的非相似关系；其中，所述非相似关系包括包含关系和/或搭配关系。
3.根据权利要求2所述的方法，其特征在于，计算各个产品词之间的相似度，以得到各个所述产品词之间的相似关系，包括：
基于词向量模型生成各个产品词的词向量；
采用聚类算法对各个所述产品词的词向量进行聚类，得到多个簇；其中，同一个簇内的产品词之间具有相似关系。
4.根据权利要求2所述的方法，其特征在于，基于神经网络抽取出各个所述产品词之间的非相似关系，包括：
基于词向量模型将产品标题中的各个分词转换成词向量；
根据各个所述分词在产品标题中的位置，确定各个所述分词在所述产品标题中的位置特征；
将各个产品标题中各个所述分词的词向量和各个所述分词在所述产品标题中的位置特征输入到串联的双向循环神经网络和双层注意力神经网络中，以输出各个所述产品词之间的包含关系和搭配关系；其中，所述产品标题中标记了产品词。
5.根据权利要求1所述的方法，其特征在于，根据目标产品的主图、产品标题和所属类目，确定所述目标产品的产品词列表，包括：
采用词性标注模型从目标产品的产品标题中提取出属性词，基于词向量模型得到所述属性词的词向量；
基于独热编码得到所述目标产品的所属类目的特征；
将所述目标产品的主图、所述属性词的词向量、所属类目的特征输入到多模态模型中，以输出所述目标产品的产品词列表。
6.根据权利要求5所述的方法，其特征在于，所述多模态模型包括卷积神经网络层、第一全连接层、批标准化层、第二全连接层、第三全连接层和损失函数层；
其中，所述卷积神经网络层与所述第一全连接层并联至所述批标准化层，所述批标准化层、所述第二全连接层、所述第三全连接层和所述损失函数层依次串联；所述目标产品的主图输入所述卷积神经网络层中，所述目标产品的属性词的词向量和所属类目的特征输入到所述第一全连接层中。
7.根据权利要求1所述的方法，其特征在于，基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除，并对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合，包括：
基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除；
基于所述产品词关系网络中的叶子节点，对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合。
8.一种过滤相似产品的装置，其特征在于，包括：
构建模块，用于根据各个产品标题计算出各个产品词之间的目标关系，基于所述各个产品词之间的目标关系构建产品词关系网络；其中，所述目标关系包括相似关系和/或非相似关系；
列表模块，用于根据目标产品的主图、产品标题和所属类目，确定所述目标产品的产品词列表；
处理模块，用于基于所述产品词关系网络，将所述产品词列表中与所述目标产品的产品词之间具有非相似关系的产品词删除，并对所述产品词列表中剩余的产品词进行相似产品词扩展，从而得到所述目标产品的相似产品词集合；
过滤模块，用于过滤掉与所述目标产品的相似产品词集合有交集的产品。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010553418.0A CN113761326B (zh) | 2020-06-17 | 2020-06-17 | 一种过滤相似产品的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010553418.0A CN113761326B (zh) | 2020-06-17 | 2020-06-17 | 一种过滤相似产品的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113761326A true CN113761326A (zh) | 2021-12-07 |
| CN113761326B CN113761326B (zh) | 2024-06-18 |
Family
ID=78785466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010553418.0A Active CN113761326B (zh) | 2020-06-17 | 2020-06-17 | 一种过滤相似产品的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113761326B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101870353B1 (ko) * | 2017-01-26 | 2018-06-22 | 강원오픈마켓 주식회사 | 이슈키워드 및 연관키워드를 활용한 능동적인 검색 광고 제안 시스템 |
| KR20180108257A (ko) * | 2017-03-24 | 2018-10-04 | (주)아크릴 | 온톨로지에 의해 표현되는 자원들을 이용하여 상기 온톨로지를 확장하는 방법 |
| CN109670161A (zh) * | 2017-10-13 | 2019-04-23 | 北京京东尚科信息技术有限公司 | 商品相似度计算方法及装置、存储介质、电子设备 |
| WO2019218514A1 (zh) * | 2018-05-14 | 2019-11-21 | 平安科技（深圳）有限公司 | 网页目标信息的提取方法、装置及存储介质 |
-
2020
- 2020-06-17 CN CN202010553418.0A patent/CN113761326B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101870353B1 (ko) * | 2017-01-26 | 2018-06-22 | 강원오픈마켓 주식회사 | 이슈키워드 및 연관키워드를 활용한 능동적인 검색 광고 제안 시스템 |
| KR20180108257A (ko) * | 2017-03-24 | 2018-10-04 | (주)아크릴 | 온톨로지에 의해 표현되는 자원들을 이용하여 상기 온톨로지를 확장하는 방법 |
| CN109670161A (zh) * | 2017-10-13 | 2019-04-23 | 北京京东尚科信息技术有限公司 | 商品相似度计算方法及装置、存储介质、电子设备 |
| WO2019218514A1 (zh) * | 2018-05-14 | 2019-11-21 | 平安科技（深圳）有限公司 | 网页目标信息的提取方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王随涛;陆汝占;: "泛化类型的机读词典属性信息抽取", 计算机应用与软件, no. 04, 15 April 2011 (2011-04-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113761326B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107145485B (zh) | 用于压缩主题模型的方法和装置 | |
| CN112559747B (zh) | 事件分类处理方法、装置、电子设备和存储介质 | |
| Tiwari et al. | Sentiment analysis for airlines services based on Twitter dataset | |
| CN111159409B (zh) | 基于人工智能的文本分类方法、装置、设备、介质 | |
| CN107145516A (zh) | 一种文本聚类方法及系统 | |
| CN111353303A (zh) | 词向量构建方法、装置、电子设备及存储介质 | |
| CN112418320A (zh) | 一种企业关联关系识别方法、装置及存储介质 | |
| CN110990563A (zh) | 一种基于人工智能的传统文化素材库构建方法及系统 | |
| CN111444335B (zh) | 中心词的提取方法及装置 | |
| Meng et al. | Concept-concept association information integration and multi-model collaboration for multimedia semantic concept detection | |
| CN110807097A (zh) | 分析数据的方法和装置 | |
| CN113240177A (zh) | 训练预测模型的方法、预测方法、装置、电子设备及介质 | |
| CN109902152B (zh) | 用于检索信息的方法和装置 | |
| CN114970553B (zh) | 基于大规模无标注语料的情报分析方法、装置及电子设备 | |
| Wang et al. | High-level semantic image annotation based on hot Internet topics | |
| CN112529646A (zh) | 一种商品分类方法和装置 | |
| CN115795334A (zh) | 基于图对比学习的序列推荐数据增强方法 | |
| CN113761326B (zh) | 一种过滤相似产品的方法和装置 | |
| CN110852078A (zh) | 生成标题的方法和装置 | |
| CN112734519B (zh) | 一种基于卷积自编码器网络的商品推荐方法 | |
| CN114528378A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN112784046A (zh) | 文本聚簇的方法、装置、设备及存储介质 | |
| CN110879853B (zh) | 信息向量化方法与计算机可读存储介质 | |
| CN113763084A (zh) | 产品推荐的处理方法、装置、设备及存储介质 | |
| CN113342969A (zh) | 数据处理方法和装置 |
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 |