CN113793197A - 一种基于知识图谱语义融合的会话推荐系统 - Google Patents

一种基于知识图谱语义融合的会话推荐系统 Download PDF

Info

Publication number
CN113793197A
CN113793197A CN202111025469.7A CN202111025469A CN113793197A CN 113793197 A CN113793197 A CN 113793197A CN 202111025469 A CN202111025469 A CN 202111025469A CN 113793197 A CN113793197 A CN 113793197A
Authority
CN
China
Prior art keywords
unit
knowledge graph
word
item
module
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
Application number
CN202111025469.7A
Other languages
English (en)
Inventor
郑超
苏俊
张耀其
孙彦斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongdian Jizhi Hainan Information Technology Co Ltd
Original Assignee
Zhongdian Jizhi Hainan Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongdian Jizhi Hainan Information Technology Co Ltd filed Critical Zhongdian Jizhi Hainan Information Technology Co Ltd
Priority to CN202111025469.7A priority Critical patent/CN113793197A/zh
Publication of CN113793197A publication Critical patent/CN113793197A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0613—Third-party assisted
    • 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
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本发明提供一种基于知识图谱语义融合的会话推荐系统。所述基于知识图谱语义融合的会话推荐系统，包括：用于提取用户和推荐系统对话的关键词的对话文本收集模块、用于增强表示对话文本中提取到的信息并对齐单词级和项目级语义空间的知识图谱模块。本发明提供一种基于知识图谱语义融合的会话推荐系统，通过设置知识图谱模块能够实现增强表示对话文本中提取到的信息并对齐单词级和项目级语义空间的基于语义融合，其中，通过分别采用面向单词的知识图谱ConceptNet单元和面向项目的知识图谱Dbpedia单元，可以分别对单词和项目的表示进行增强，并使用图卷积神经网络方法，基于增强后的单词和项目使用互信息最大化技术进行语义融合，进而有效的消除语义差距。

Description

一种基于知识图谱语义融合的会话推荐系统
技术领域
本发明涉及推荐技术领域，尤其涉及一种基于知识图谱语义融合的会话推荐系统。
背景技术
会话推荐系统主要是在通过交互式对话向用户推荐高质量的产品，与传统的推荐系统不同，它强调的是用自然语言进行交互式澄清和明确的反馈，对电子商务有很大的影响。
相关技术中，传统的会话推荐系统多是直接收集对话内容来理解用户偏好，然后来推荐与用户匹配的产品，而这种方式存在以下不足，首先，一个会话主要由几句话组成，若会话内容过少，则缺乏足够的语境信息来准确理解用户的偏好，其次，话语是用自然语言表示的，而实际的用户偏好反映在项目或实体上，这两种数据信号之间存在着自然的语义差距，因此使得推荐系统在会话内容过少的情况下，无法准确的对用户偏好度进行分析，进而导致推荐的产品匹配度较低。
因此，有必要提供一种基于知识图谱语义融合的会话推荐系统解决上述技术问题。
发明内容
本发明提供一种基于知识图谱语义融合的会话推荐系统，解决了会话推荐系统无法准确的对用户偏好度进行分析的问题。
为解决上述技术问题，本发明提供的基于知识图谱语义融合的会话推荐系统，包括：
用于提取用户和推荐系统对话的关键词的对话文本收集模块、用于增强表示对话文本中提取到的信息并对齐单词级和项目级语义空间的知识图谱模块、用于推荐用户合适的产品的推荐模块、用于分析对话文本的信息对话模块；
所述对话文本收集模块包括关键词提取单元和对话文本保存单元；
所述知识图谱模块包括面向于项目级的知识图谱Dbpedia单元、面单于单词级的知识图谱ConceptNet单元、互信息最大化技术单元。
优选的，所述Dbpedia单元与所述ConceptNet单元均与所述互信息最大化技术单元信号连接，所述互信息最大化技术单元用于随所述所述Dbpedia单元与所述ConceptNet单元进行语义融合，并用于对齐语义表示。
优选的，所述Dbpedia单元用于增强从对话文本中提取到的项目表示，提供项目属性之间的结构化事实，所述ConceptNet单元用于增强从所述对话文本中模块提取到的单词表示，提供单词之间的关系，如一个词的同义词、反义词和共现词。
优选的，所述Dbpedia单元能够从众多项目中筛选出与对话相关的项目构成子图，并采用三元组<e1，r，e2>表示，其中e1，e2∈ε是项目，r是项目关系。
优选的，所述Dbpedia单元利用R-GCN来学习提取的子图上项目的表示，每个项目e得到一个de维的向量表示ne，包括：
Figure BDA0003243209320000021
式中，
Figure BDA0003243209320000022
节点表示的是e在第l-th层，
Figure BDA0003243209320000023
表示的是在关系r下e的相邻节点集合，
Figure BDA0003243209320000024
是一个可学习的关系特定的变换矩阵，用于从关系r的邻近节点嵌入，W(l)是一个可学习矩阵，用于转换l-th层节点的表示，Ze,r是一个归一化因子。
优选的，所述ConceptNet单元能够从单词中筛选出与对话相关的单词构成子图，采用三元组<w1，r，w2>表示其中w1，w2∈V是单词，r是单词关系。
优选的，所述ConceptNet单元利用GCN学习单词节点的嵌入，每个单词w得到一个dw维的向量vw，包括：
Figure BDA0003243209320000025
式中，
Figure BDA0003243209320000026
Figure BDA0003243209320000027
是节点的表示，W(l)是l-th层上的一个可学习矩阵，A是图的邻接矩阵，D是一个对角矩阵。
优选的，所述互信息最大化技术单元(MIM)用来消除词语和项目之间的语义差距，改善两个耦合信号的数据表示，给定两个变量X和Y，其互信息(MI)包括：MI(X,Y)＝DKL(p(X,Y)||p(X)p(Y))，式中，DKL是联合分布中的Kullback-Leibler(KL)散度；所述互信息最大化技术单元(MIM)即对互信息(MI)进行最大化求值，包括：
Figure BDA0003243209320000031
式中，
Figure BDA0003243209320000032
和
Figure BDA0003243209320000033
分别表示对正样本和负样本的期望，g(·)是输出实数的二值分类函数；单词和项目两种语义空间，对齐它们的语义表示空间，通过转换矩阵拉近项目单词对，包括：
Figure BDA0003243209320000034
优选的，所述推荐模块能够收集对话中出现的所有单词c，通过上述经过图神经网络学习到的单词或项目嵌入，将单词嵌入连接到矩阵V(C)，将项目嵌入连接到矩阵N(C)，运用自注意机制学习单个单词向量v(C)表示V(C)，单个项目向量n(C)表示N(C)，设置用户偏好度pu，计算方式为：pu＝β·v(C)+(1-β)·n(C)，式中，β由门机制给出；根据已知的用户偏好，计算某个商品被推荐的概率，包括：
Figure BDA0003243209320000035
式中，pu表示用户u的偏好，把项目集中的某个项目i推荐给用户u的概率。
优选的，所述对话模块采用Transformer开发编码器-解码器框架，将上下文单词和项目的知识图谱表示纳入其中，以便更好的生成响应。
与相关技术相比较，本发明提供的基于知识图谱语义融合的会话推荐系统具有如下有益效果：
本发明提供一种基于知识图谱语义融合的会话推荐系统，该系统主要由话文本模块、知识图谱模块、推荐模块、对话模块四部分组成，能够实现向用于推荐高质量产品，通过设置知识图谱模块能够实现增强表示对话文本中提取到的信息并对齐单词级和项目级语义空间的基于语义融合，其中，通过分别采用面向单词的知识图谱ConceptNet单元和面向项目的知识图谱Dbped i a单元，可以分别对单词和项目的表示进行增强，并使用图卷积神经网络方法，基于增强后的单词和项目使用互信息最大化技术进行语义融合，进而有效的消除语义差距，通过外部知识图谱进行增强表示后的对话模块，能够对用户的偏好度进行更加准确的分析，即便在用户与推荐系统会话交互内容过少时，也能使得推荐模块通过单词嵌入和项目嵌入的方式，来根据用户的偏好度匹配合适的产品。
附图说明
图1为本发明提供的基于知识图谱语义融合的会话推荐系统的系统框图；
图2为本发明提供的基于知识图谱语义融合的会话推荐系统的流程图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
请结合参阅图1和图2，其中，图1为本发明提供的基于知识图谱语义融合的会话推荐系统的系统框图；图2为本发明提供的基于知识图谱语义融合的会话推荐系统的流程图。基于知识图谱语义融合的会话推荐系统，包括：
用于提取用户和推荐系统对话的关键词的对话文本收集模块、用于增强表示对话文本中提取到的信息并对齐单词级和项目级语义空间的知识图谱模块、用于推荐用户合适的产品的推荐模块、用于分析对话文本的信息对话模块；
所述对话文本收集模块包括关键词提取单元和对话文本保存单元；
对话文本单元能够收集保存用户通过用户单元和会话推荐系统之间的交互对话保存的内容，主要用于提取对话中的关键词和项目内容等关键信息，以供下一步进行分析；
所述知识图谱模块包括面向于项目级的知识图谱Dbpedia单元、面单于单词级的知识图谱ConceptNet单元、互信息最大化技术单元。
所述Dbpedia单元与所述ConceptNet单元均与所述互信息最大化技术单元信号连接，所述互信息最大化技术单元用于随所述所述Dbpedia单元与所述ConceptNet单元进行语义融合，并用于对齐语义表示。
知识图谱模块中，面向项目的知识图谱所述Dbpedia单元主要实现了提取对话文本中的项目信息，然后增强从对话文本中提取到的项目表示，提供项目属性之间的结构化事实，其主要方法如下：
面向项目级的知识图谱Dbpedia，从中筛选出与对话相关的项目构成子图，并采用三元组<e1，r，e2>表示，其中e1，e2∈ε是项目，r是项目关系；
利用R-GCN来学习提取的子图上项目的表示，每个项目e得到一个de维的向量表示ne，包括：
Figure BDA0003243209320000041
式中，
Figure BDA0003243209320000042
节点表示的是e在第l-th层，
Figure BDA0003243209320000043
表示的是在关系r下e的相邻节点集合，
Figure BDA0003243209320000051
是一个可学习的关系特定的变换矩阵，用于从关系r的邻近节点嵌入，W(l)是一个可学习矩阵，用于转换l-th层节点的表示，Ze,r是一个归一化因子；
面向单词的知识图谱所述ConceptNet单元主要实现了提取对话文本中的项目单词信息，然后增加从对话文本中提取到的单词表示，提供单词之间的关系，如一个词的同义词、反义词和共现词，其主要方法如下：
面向单词级的知识图谱ConceptNet，从中筛选出与对话相关的单词构成子图，采用三元组<w1，r，w2>表示其中w1，w2∈V是单，r是单词关系；
利用GCN学习单词节点的嵌入，每个单词w得到一个dw维的向量vw，包括：
Figure BDA0003243209320000052
式中，
Figure BDA0003243209320000053
是节点的表示，W(l)是l-th层上的一个可学习矩阵，A是图的邻接矩阵，D是一个对角矩阵。
所述互信息最大化技术模块主要实现用来消除词语和项目之间的语义差距，改善两个耦合信号的数据表示，对面向项目的知识图谱Dbpedia和面向单词的知识图谱ConceptNet进行语义融合，给定两个变量X和Y，其主要方法如下：
互信息最大化(MIM)，给定两个变量X和Y，其互信息(MI)包括：
MI(X,Y)＝DKL(p(X,Y)||p(X)p(Y))
式中，DKL是联合分布中的Kullback-Leibler(KL)散度；
互信息最大化(MIM)即对互信息(MI)进行最大化求值，包括：
Figure BDA0003243209320000054
式中，
Figure BDA0003243209320000055
和
Figure BDA0003243209320000056
分别表示对正样本和负样本的期望，g(·)是输出实数的二值分类函数；
单词和项目两种语义空间，对齐它们的语义表示空间，通过转换矩阵拉近项目单词对，包括：
Figure BDA0003243209320000057
推荐模块的关键是学习用户偏好的良好表示，与传统的推荐系统不同，本发明假设之前没有可用的交互记录，只能通过利用会话数据来推断用户喜好，推荐组件的主要实现方法如下：
收集对话中出现的所有单词c，通过上述经过图神经网络学习到的单词或项目嵌入，将单词嵌入连接到矩阵V(C)，将项目嵌入连接到矩阵N(C)，运用自注意机制学习单个单词向量v(C)表示V(C)，单个项目向量n(C)表示N(C)，设置用户偏好度pu，计算方式为：
pu＝β·v(C)+(1-β)·n(C)
式中，β由门机制给出；
根据已知的用户偏好，计算某个商品被推荐的概率，包括：
Figure BDA0003243209320000061
式中，pu表示用户u的偏好，把项目集中的某个项目i推荐给用户u的概率。
对话模块主要作用是响应用户的提问，与聊天模型不同，生成的回复包含推荐项、相关实体和描述性关键词，本发明采用了Transformer开发编码器-解码器框架，为了在解码的过程中更好地生成响应，本发明将上下文单词和项目的知识图谱表示纳入其中。
本发明提供的基于知识图谱语义融合的会话推荐系统的工作原理如下：
系统在运行时，首先通过对话文本收集模块中的关键词提取单元来提取用户与推荐系统之间会话中的关键词文本，并将提取出来的关键词信息分别发送至对话文本保存单元和对话模块中，而对话模块开始接收到的关键词进行分析，分析出该用户的喜好，并将分析的结果发送给推荐模块中，而推荐模块根据分析结果找到与之匹配的需要推荐产品；
若用户与推荐系统之间会话过少，且不存在有用的关键词，此时通过运行知识图谱模块，通过面向项目的知识图谱所述Dbpedia单元主要实现了提取对话文本中的项目信息，然后增强从对话文本中提取到的项目表示，提供项目属性之间的结构化事实，同时通过ConceptNet单元主要实现了提取对话文本中的项目单词信息，然后增加从对话文本中提取到的单词表示，提供单词之间的关系，如一个词的同义词、反义词和共现词，再将两者处理后的结构化事实与单词关系词发送给互信息最大化技术模块，此时通过互信息最大化技术模块主要实现用来消除词语和项目之间的语义差距，改善两个耦合信号的数据表示，对面向项目的知识图谱Dbpedia和面向单词的知识图谱ConceptNet进行语义融合，最终得出该用于的喜好属性，并发送至推荐模块中，将与之匹配的高质量产品向用户推荐。
与相关技术相比较，本发明提供的基于知识图谱语义融合的会话推荐系统具有如下有益效果：
该系统主要由话文本模块、知识图谱模块、推荐模块、对话模块四部分组成，能够实现向用于推荐高质量产品，通过设置知识图谱模块能够实现增强表示对话文本中提取到的信息并对齐单词级和项目级语义空间的基于语义融合，其中，通过分别采用面向单词的知识图谱ConceptNet单元和面向项目的知识图谱Dbped i a单元，可以分别对单词和项目的表示进行增强，并使用图卷积神经网络方法，基于增强后的单词和项目使用互信息最大化技术进行语义融合，进而有效的消除语义差距，通过外部知识图谱进行增强表示后的对话模块，能够对用户的偏好度进行更加准确的分析，即便在用户与推荐系统会话交互内容过少时，也能使得推荐模块通过单词嵌入和项目嵌入的方式，来根据用户的偏好度匹配合适的产品。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于知识图谱语义融合的会话推荐系统，其特征在于，包括：
用于提取用户和推荐系统对话的关键词的对话文本收集模块、用于增强表示对话文本中提取到的信息并对齐单词级和项目级语义空间的知识图谱模块、用于推荐用户合适的产品的推荐模块、用于分析对话文本的信息对话模块；
所述对话文本收集模块包括关键词提取单元和对话文本保存单元；
所述知识图谱模块包括面向于项目级的知识图谱Dbpedia单元、面单于单词级的知识图谱ConceptNet单元、互信息最大化技术单元。
2.根据权利要求1所述的基于知识图谱语义融合的会话推荐系统，其特征在于，所述Dbpedia单元与所述ConceptNet单元均与所述互信息最大化技术单元信号连接，所述互信息最大化技术单元用于随所述所述Dbpedia单元与所述ConceptNet单元进行语义融合，并用于对齐语义表示。
3.根据权利要求1所述的基于知识图谱语义融合的会话推荐系统，其特征在于，所述Dbpedia单元用于增强从对话文本中提取到的项目表示，提供项目属性之间的结构化事实，所述ConceptNet单元用于增强从所述对话文本中模块提取到的单词表示，提供单词之间的关系，如一个词的同义词、反义词和共现词。
4.根据权利要求1所述的基于知识图谱语义融合的会话推荐系统，其特征在于，所述Dbpedia单元能够从众多项目中筛选出与对话相关的项目构成子图，并采用三元组<e1，r，e2>表示，其中e1，e2∈ε是项目，r是项目关系。
5.根据权利要求1所述的基于知识图谱语义融合的会话推荐系统，其特征在于，所述Dbpedia单元利用R-GCN来学习提取的子图上项目的表示，每个项目e得到一个de维的向量表示ne，包括：
Figure FDA0003243209310000011
式中，
Figure FDA0003243209310000021
节点表示的是e在第l-th层，
Figure FDA0003243209310000022
表示的是在关系r下e的相邻节点集合，
Figure FDA0003243209310000023
是一个可学习的关系特定的变换矩阵，用于从关系r的邻近节点嵌入，W(l)是一个可学习矩阵，用于转换l-th层节点的表示，Ze,r是一个归一化因子。
6.根据权利要求1所述的基于知识图谱语义融合的会话推荐系统，其特征在于，所述ConceptNet单元能够从单词中筛选出与对话相关的单词构成子图，采用三元组<w1，r，w2>表示其中w1，w2∈V是单词，r是单词关系。
7.根据权利要求1所述的基于知识图谱语义融合的会话推荐系统，其特征在于，所述ConceptNet单元利用GCN学习单词节点的嵌入，每个单词w得到一个dw维的向量vw，包括：
Figure FDA0003243209310000024
式中，
Figure FDA0003243209310000025
Figure FDA0003243209310000026
是节点的表示，W(l)是l-th层上的一个可学习矩阵，A是图的邻接矩阵，D是一个对角矩阵。
8.根据权利要求1所述的基于知识图谱语义融合的会话推荐系统，其特征在于，所述互信息最大化技术单元(MIM)用来消除词语和项目之间的语义差距，改善两个耦合信号的数据表示，给定两个变量X和Y，其互信息(MI)包括：MI(X,Y)＝DKL(p(X,Y)||p(X)p(Y))，式中，DKL是联合分布中的Kullback-Leibler(KL)散度；所述互信息最大化技术单元(MIM)即对互信息(MI)进行最大化求值，包括：
Figure FDA0003243209310000027
式中，
Figure FDA0003243209310000028
和
Figure FDA0003243209310000029
分别表示对正样本和负样本的期望，g(·)是输出实数的二值分类函数；单词和项目两种语义空间，对齐它们的语义表示空间，通过转换矩阵拉近项目单词对，包括：
Figure FDA00032432093100000210
9.根据权利要求1所述的基于知识图谱语义融合的会话推荐系统，其特征在于，所述推荐模块能够收集对话中出现的所有单词c，通过上述经过图神经网络学习到的单词或项目嵌入，将单词嵌入连接到矩阵V(C)，将项目嵌入连接到矩阵N(C)，运用自注意机制学习单个单词向量v(C)表示V(C)，单个项目向量n(C)表示N(C)，设置用户偏好度pu，计算方式为：pu＝β·v(C)+(1-β)·n(C)，式中，β由门机制给出；根据已知的用户偏好，计算某个商品被推荐的概率，包括：
Figure FDA0003243209310000031
式中，pu表示用户u的偏好，把项目集中的某个项目i推荐给用户u的概率。
10.根据权利要求1所述的基于知识图谱语义融合的会话推荐系统，其特征在于，所述对话模块采用Transformer开发编码器-解码器框架，将上下文单词和项目的知识图谱表示纳入其中，以便更好的生成响应。
CN202111025469.7A 2021-09-02 2021-09-02 一种基于知识图谱语义融合的会话推荐系统 Pending CN113793197A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111025469.7A CN113793197A (zh) 2021-09-02 2021-09-02 一种基于知识图谱语义融合的会话推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111025469.7A CN113793197A (zh) 2021-09-02 2021-09-02 一种基于知识图谱语义融合的会话推荐系统

Publications (1)

Publication Number Publication Date
CN113793197A true CN113793197A (zh) 2021-12-14

Family

ID=78879513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111025469.7A Pending CN113793197A (zh) 2021-09-02 2021-09-02 一种基于知识图谱语义融合的会话推荐系统

Country Status (1)

Country Link
CN (1) CN113793197A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116108162A (zh) * 2023-03-02 2023-05-12 广东工业大学 一种基于语义增强的复杂文本推荐方法及系统
CN116975654A (zh) * 2023-08-22 2023-10-31 腾讯科技（深圳）有限公司 对象互动方法、装置、电子设备、存储介质及程序产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210209312A1 (en) * 2020-01-08 2021-07-08 Baidu Online Network Technology (Beijing) Co., Ltd. Dialogue interaction method and apparatus, device, and storage medium
CN113127646A (zh) * 2021-04-20 2021-07-16 清华大学 基于知识图谱的智能对话推荐方法及装置
CN113268609A (zh) * 2021-06-22 2021-08-17 中国平安人寿保险股份有限公司 基于知识图谱的对话内容推荐方法、装置、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210209312A1 (en) * 2020-01-08 2021-07-08 Baidu Online Network Technology (Beijing) Co., Ltd. Dialogue interaction method and apparatus, device, and storage medium
CN113127646A (zh) * 2021-04-20 2021-07-16 清华大学 基于知识图谱的智能对话推荐方法及装置
CN113268609A (zh) * 2021-06-22 2021-08-17 中国平安人寿保险股份有限公司 基于知识图谱的对话内容推荐方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KUN ZHOU等: "Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion", 《ACM SIGKDD 2020》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116108162A (zh) * 2023-03-02 2023-05-12 广东工业大学 一种基于语义增强的复杂文本推荐方法及系统
CN116108162B (zh) * 2023-03-02 2024-03-08 广东工业大学 一种基于语义增强的复杂文本推荐方法及系统
CN116975654A (zh) * 2023-08-22 2023-10-31 腾讯科技（深圳）有限公司 对象互动方法、装置、电子设备、存储介质及程序产品
CN116975654B (zh) * 2023-08-22 2024-01-05 腾讯科技（深圳）有限公司 对象互动方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN115238101B (zh) 一种面向多类型知识库的多引擎智能问答系统
CN112000791B (zh) 一种电机故障知识抽取系统及方法
US8972408B1 (en) Methods, systems, and articles of manufacture for addressing popular topics in a social sphere
CN105095444A (zh) 信息获取方法和装置
CN107301164B (zh) 数学公式的语义解析方法及装置
CN110781681B (zh) 一种基于翻译模型的初等数学应用题自动求解方法及系统
US20230394247A1 (en) Human-machine collaborative conversation interaction system and method
CN111460132A (zh) 一种基于图卷积神经网络的生成式会议摘要方法
CN113793197A (zh) 一种基于知识图谱语义融合的会话推荐系统
CN111368082A (zh) 一种基于层次网络的领域自适应词嵌入的情感分析方法
Meng et al. A multi-message passing framework based on heterogeneous graphs in conversational emotion recognition
CN112349294B (zh) 语音处理方法及装置、计算机可读介质、电子设备
CN114942991B (zh) 一种基于隐喻识别的情感分类模型构建方法
CN116402066A (zh) 多网络特征融合的属性级文本情感联合抽取方法及系统
CN117390409A (zh) 大规模语言模型生成答案可靠性检测方法
Jiang et al. A constituency parsing tree based method for relation extraction from abstracts of scholarly publications
CN113239143B (zh) 融合电网故障案例库的输变电设备故障处理方法及系统
CN112989803B (zh) 一种基于主题向量学习的实体链接预测方法
CN114118113A (zh) 一种基于语境识别的机器翻译方法
CN112084319B (zh) 一种基于动作的关系网络视频问答系统及方法
Mathur et al. Automated test case generation using t5 and GPT-3
Sokolova et al. Comparative analysis of text data in successful face-to-face and electronic negotiations
Giabbanelli et al. Generative AI for Systems Thinking: Can a GPT Question-Answering System Turn Text into the Causal Maps Produced by Human Readers?
Chung et al. A question detection algorithm for text analysis
CN117786092B (zh) 一种商品评论关键短语提取方法及系统

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