CN113806550A - 个性化知识图谱的生成方法、装置及计算机设备 - Google Patents
个性化知识图谱的生成方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN113806550A CN113806550A CN202110406534.4A CN202110406534A CN113806550A CN 113806550 A CN113806550 A CN 113806550A CN 202110406534 A CN202110406534 A CN 202110406534A CN 113806550 A CN113806550 A CN 113806550A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- user
- knowledge point
- corpus
- points
- 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
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
- G06F16/30—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
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提出一种个性化知识图谱的生成方法、装置及计算机设备,具体涉及人工智能等技术领域。其中,该方法包括:获取用户的基本信息及兴趣标签;根据所述用户的基本信息及兴趣标签,确定所述用户对应的各个知识点;对所述各个知识点进行解析,以确定所述各个知识点间的关联关系;从多模态语料库中,获取与每个所述知识点关联的语料集;对每个所述知识点关联的语料集进行融合,以生成每个所述知识点对应的核心信息;根据所述各个知识点间的关联关系及每个所述知识点对应的核心信息,生成与所述用户对应的知识图谱。由此,生成的知识图谱结合了用户的相关信息,从而具有较强的针对性,可以更好地满足用户需求,极大地节省了用户时间。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及一种个性化知识图谱的生成方法、装置及计算机设备。
背景技术
随着计算机技术的蓬勃发展,信息爆炸时代已经到来,新知识层出不穷。当用户想要获取某一内容时,需要从海量信息中逐一进行筛选,才能找到满足需求的内容,有时,可能在进行了大量筛选之后,获取到的结果也不符合要求,既浪费了时间又没有解决问题。
另外,互联网中存在有很多碎片化知识,没有形成完整的知识体系,用户从碎片化知识中查找信息,十分不便,同时碎片化知识也不利于用户整体提升。此外,若将碎片化知识形成知识体系,需要专业人士花费大量时间和精力才能实现,因此用户若想使用已构建好的知识体系时,需要支付昂贵的费用。
目前,从大量信息到知识结构体系的梳理,存在一定的困难,如何构建更符合用户需求的知识图谱,以节省用户时间和经济成本,提高效率,成为当前至关重要的问题。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开第一方面实施例提出了一种个性化知识图谱的生成方法,包括:
获取用户的基本信息及兴趣标签;
根据所述用户的基本信息及兴趣标签,确定所述用户对应的各个知识点;
对所述各个知识点进行解析,以确定所述各个知识点间的关联关系;
从多模态语料库中,获取与每个所述知识点关联的语料集;
对每个所述知识点关联的语料集进行融合,以生成每个所述知识点对应的核心信息;
根据所述各个知识点间的关联关系及每个所述知识点对应的核心信息,生成与所述用户对应的知识图谱。
本公开第二方面实施例提出了一种个性化知识图谱的生成装置,包括:
第一获取模块,用于获取用户的基本信息及兴趣标签;
第一确定模块,用于根据所述用户的基本信息及兴趣标签,确定所述用户对应的各个知识点;
第二确定模块,用于对所述各个知识点进行解析,以确定所述各个知识点间的关联关系;
第二获取模块,用于从多模态语料库中,获取与每个所述知识点关联的语料集;
第一生成模块,用于对每个所述知识点关联的语料集进行融合,以生成每个所述知识点对应的核心信息;
第二生成模块,用于根据所述各个知识点间的关联关系及每个所述知识点对应的核心信息,生成与所述用户对应的知识图谱。
本公开第三方面实施例提出了一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本公开第一方面实施例提出的个性化知识图谱的生成方法。
本公开第四方面实施例提出了一种非临时性计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如本公开第一方面实施例提出的个性化知识图谱的生成方法。
本公开第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行本公开第一方面实施例提出的个性化知识图谱的生成方法。
本公开的提供的个性化知识图谱的生成方法、装置、计算机设备及存储介质,可以先获取用户的基本信息及兴趣标签,之后根据用户的基本信息及兴趣标签,确定用户对应的各个知识点,再对各个知识点进行解析,以确定各个知识点间的关联关系,之后可以从多模态语料库中,获取与每个知识点关联的语料集,再对每个知识点关联的语料集进行融合,以生成每个知识点对应的核心信息,从而可以根据各个知识点间的关联关系及每个知识点对应的核心信息,生成与用户对应的知识图谱。由此,可以根据用户的基本信息及兴趣标签确定出用户对应的各个知识点,之后得到各个知识点间的关联关系,再将获取到的语料集进行融合,可以得到各个知识点对应的核心信息,从而可以生成用户对应的知识图谱,该知识图谱结合了用户的相关信息,从而具有较强的针对性,可以更好地满足用户需求,极大地节省了用户时间,也减轻了用户的经济负担,提高了效率。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本公开一实施例所提供的个性化知识图谱的生成方法的流程示意图;
图2为本公开另一实施例所提供的个性化知识图谱的生成方法的流程示意图;
图3为本公开又一实施例所提供的个性化知识图谱的生成方法的流程示意图;
图4为本公开一实施例所提供的个性化知识图谱的生成装置的结构示意图;
图5示出了适于用来实现本公开实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的个性化知识图谱的生成方法、装置、计算机设备和存储介质。
图1为本公开实施例所提供的个性化知识图谱的生成方法的流程示意图。
本公开实施例以该个性化知识图谱的生成方法被配置于个性化知识图谱的生成装置中来举例说明,该个性化知识图谱的生成装置可以应用于任一计算机设备中,以使该计算机设备可以执行个性化知识图谱的生成功能。
其中,计算机设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
为方便说明,本公开以下各实施例中该个性化知识图谱的生成装置,均简称为“生成装置”。
如图1所示,该个性化知识图谱的生成方法可以包括以下步骤:
步骤101,获取用户的基本信息及兴趣标签。
其中,用户的基本信息可以为:年龄、学历、职业等信息,兴趣标签可以为“健身”、“养生”、“做饭”等任意兴趣标签,本公开对此不做限定。
另外,获取用户的基本信息及兴趣标签时,可以有多种方式。
比如,可以根据用户的历史行为数据,确定出用户的基本信息及兴趣标签。
比如说,用户A经常搜索“基金”、“股票”等内容,可以确定出该用户对应的兴趣标签可以为“金融”。或者,用户B经常搜索“健身”、“40岁养生”、“40岁如何锻炼”等内容,可以确定出该用户B的基本信息可以为“40岁”、兴趣标签可以为“健身”、“养生”。
或者,也可以根据用户在个性化学习界面填写的信息,确定出基本信息及兴趣标签。
比如说,用户A可以在个性化学习界面填写年龄、职业、爱好、特长等信息,从而可以根据用户A填写的信息确定出其对应的基本信息及兴趣标签。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中用户的基本信息及兴趣标签、以及获取用户的基本信息及兴趣标签方式等的限定。
需要说明的是,本公开的技术方案中,所涉及的用户基本信息的获取、存储和应用等等,均符合相关法律法规的规定,且不违背公序良俗。
步骤102,根据用户的基本信息及兴趣标签,确定用户对应的各个知识点。
其中,知识点可以为与用户的兴趣标签相关的书籍名称、时间信息、关键词等任意信息,其可以为词语、句子等任意形式,本公开对此不做限定。
比如,用户B的基本信息为“35岁、市场经理”,兴趣标签为“金融”、“跑步”,“金融”对应的知识点可以为:基金定投、收益比、基金规模等,“跑步”对应的知识点可以为:正确的跑步姿势、跑步的危害等,从而可以确定出用户B对应的知识点可以为基金定投、收益比、基金规模、正确的跑步姿势、跑步的危害等。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施中用户的基本信息、兴趣标签以及对应的知识点等的限定。
步骤103,对各个知识点进行解析,以确定各个知识点间的关联关系。
其中,各个知识点间的关联关系,可以有多种,比如可以为上下位关系、同层级关系、顺承关系等,本公开对此不做限定。
另外,对各个知识点进行解析时,可以有多种方式。
比如,可以利用数据挖掘引擎使用如超像素算法等等,对各个知识点进行解析、挖掘,从而确定出各个知识点间的关系。
或者,也可以对各个知识点进行实体关系抽取,以确定各个知识点间的实体关系。
比如,知识点1可以为“基金”,对其进行实体关系抽取,得到的结果可以为:基金。知识点2可以为“保险基金是基金的一种分类”,对其进行实体关系抽取,得到的结果可以为:保险基金、基金、分类。知识点3可以为“投资基金是一种基金”。对其进行实体关系抽取,得到的结果可以为:“投资基金、基金”。从而可以确定出知识点1为大层级,知识点2和3为知识点1下属的同一小层级,且知识点2和3为并列关系。
或者,也可以利用知识结构分类法,对各个知识点进行处理,以确定各个知识点间的结构关系。
比如,知识点1为“雅思考试学习资料”,知识点2为“雅思考试写作视频讲解”,利用知识结构分类法可以对“雅思考试学习资料”、“雅思考试写作视频讲解”进行解析,之后可以确定出知识点1为大层级,知识点2为知识点1下属的小层级。
可以理解的是,还可以对确定出的各个知识点间的结构关系进行校验,比如使用根本原因分析法等等,从而可以进一步保证确定出的各个知识点间的结构关系的准确性。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中对各个知识点进行解析以及各个知识点间的关联关系等的限定。
步骤104,从多模态语料库中,获取与每个知识点关联的语料集。
其中,多模态语料库可以为提前生成的、其中可以包含各种模态的语料,比如可以包含文字、笔记、网页链接、音频资料、视频资料、新闻播报、现场访谈等各种模态的语料,本公开对此不做限定。
比如,知识点为:基金定投,从多模态语料库中查找与其相关的内容,获取到的相关联的语料集可以为:基金A的类型为混合型、基金近一年的历史业绩、基金的分析指标包括抗风险波动、投资性价比等。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中各个知识点及与其关联的语料集等的限定。
步骤105,对每个知识点关联的语料集进行融合,以生成每个知识点对应的核心信息。
其中,语料集中可以包括与知识点关联的语料,也可以包括各个语料对应的推荐度,本公开对此不做限定。
另外,对每个知识点关联的语料集进行融合时,可以有多种方式。
比如,可以根据各个语料对应的关键词对其进行融合,从而生成知识点对应的核心信息。
或者,也可以使用模型对语料集中的各个语料进行融合,比如使用多文档摘要模型等等,从而生成知识点对应的核心信息。
或者,也可以将语料集中推荐度最高的前N条语料进行融合,从而生成知识点对应的核心信息,比如可以将语料集中推荐度最高的前3条语料进行融合、将语料集中推荐度最高的前10条语料进行融合等。
或者也可以提前设定好一个阈值,可以将推荐度大于该阈值的各语料进行融合,从而生成该知识点对应的核心信息。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中对语料集进行融合以及生成的核心信息等的限定。
步骤106,根据各个知识点间的关联关系及每个知识点对应的核心信息,生成与用户对应的知识图谱。
比如,用户A对应的知识点1为“基金的抗风险波动指数”、知识点2为“基金的投资性价比指数”,二者均为基金分析指标,为并列关系,之后对知识点进行解析,确定出知识点1对应的核心信息可以为“利用基金抗风险波动选取基金”,知识点2对应的核心信息可以为“利用基金投资性价比选取基金”,之后即可根据二者的核心信息以及二者的关联关系生成与用户对应的知识图谱。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中各知识点及其对应的核心信息等的限定。
可以理解的是,生成的知识图谱结合了用户的基本信息及兴趣标签,更加符合用户的需求,更便于用户理解,从而是更具有针对性的个性化知识图谱。
本公开实施例,可以先获取用户的基本信息及兴趣标签,之后根据用户的基本信息及兴趣标签,确定用户对应的各个知识点,再对各个知识点进行解析,以确定各个知识点间的关联关系,之后可以从多模态语料库中,获取与每个知识点关联的语料集,再对每个知识点关联的语料集进行融合,以生成每个知识点对应的核心信息,从而可以根据各个知识点间的关联关系及每个知识点对应的核心信息,生成与用户对应的知识图谱。由此,可以根据用户的基本信息及兴趣标签确定出用户对应的各个知识点,之后得到各个知识点间的关联关系,再将获取到的语料集进行融合,可以得到各个知识点对应的核心信息,从而可以生成用户对应的知识图谱。该知识图谱结合了用户的相关信息,从而具有较强的针对性,可以更好地满足用户需求,极大地节省了用户时间,也减轻了用户的经济负担,提高了效率。
上述实施例,通过根据用户的基本信息及兴趣标签确定出对应的各个知识点,再对其进行解析可以得到各个知识点间的关联关系,之后再对获取到的语料集进行融合,可以得到各个知识点对应的核心信息,从而可以生成用户对应的知识图谱。在一种可能的实现方式中,可以先根据用户的基本信息及兴趣标签,确定出各个参考用户,之后再根据各个参考用户确定出用户对应的各个知识点,下面结合图2对上述过程进行进一步说明。
图2为本公开实施例所提供的个性化知识图谱的生成方法的流程示意图。如图2所示,该个性化知识图谱的生成方法可以包括以下步骤:
步骤201,获取用户的基本信息及兴趣标签。
步骤202,根据用户的基本信息及兴趣标签,确定各个参考用户。
其中,参考用户可以为根据基本信息、兴趣标签以及二者的对应关系,提前设定好的各参考用户。
另外,根据用户的基本信息及兴趣标签,可以确定出一个参考用户,或者也可以确定出多个参考用户,本公开对此不做限定。
步骤203,根据各个参考用户对应的各个知识图谱中的知识点,确定用户对应的各个知识点。
其中,可以将各个参考用户对应的各个知识图谱中的知识点,按照关键词进行融合,从而确定出用户对应的各个知识点。
比如,根据用户的基本信息及兴趣标签,确定出共有三个参考用户,分别为参考用户1、参考用户2、参考用户3,参考用户1对应的知识点为:A、B,参考用户2对应的知识点为C、D,参考用户3对应的知识点为B、E,之后可以将其进行融合,从而确定出用户对应的各个知识点分别为:A、B、C、D、E。
或者,也可以先对各个参考用户对应的各个知识图谱中的知识点进行筛选,之后将满足条件的各个知识点确定为用户对应的各个知识点。
比如说,根据用户的基本信息及兴趣标签,可以确定出各个参考用户、其对应的各个知识图谱中的知识点以及各知识点的重要值,可以提前设定好一个阈值,将重要值大于该阈值的各个知识点确定为用户对应的各个知识点。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中确定用户对应的各个知识点等的限定。
可选的,还可以根据各个知识点,与兴趣标签和/或基本信息的对应关系,确定用户对应的各个知识点。
比如,可以提前设定好各个知识点与兴趣标签和/或基本信息的对应关系。
举例来说,兴趣标签为“雅思考试”,知识点“雅思考试技巧”、“雅思考试资料”等均与该兴趣标签相对应,从而可以确定出该用户对应的知识点可以为“雅思考试技巧”、“雅思考试资料”。
或者,基本信息为“女、20岁、健身”,其对应的知识点可以为“健身方法”等。
或者,兴趣标签为“基金”、基本信息可以为“37岁、高级工程师”,对应的知识点可以为“基金类型”、“基金选取”等,从而可以确定出用户对应的知识点可以为“基金类型”、“基金选取”。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中确定用户对应的各个知识点等的限定。
步骤204,对各个知识点进行解析,以确定各个知识点间的关联关系。
步骤205,将每个知识点与多模态语料库中的各个语料分别进行匹配,以获取包含每个知识点的各个候选语料。
其中,获取包含每个知识点的各个候选语料时,可以有多种方式。
另外,多模态语料库,可以为提前生成的,其中可以包含各种模态语料,比如可以包含文字、笔记、网页链接、音频资料、视频资料、新闻播报、现场访谈等等,本公开对此不做限定。
比如,可以根据各个知识点与多模态语料库中的各个语料的语义相似度,确定出各个知识点与多模态语料库中的各个语料的匹配度。
之后,对于同一个知识点,可以选取与其匹配度高的前N个语料作为候选预料。比如可以将匹配度最高的前5个语料确定为候选语料、将匹配度最高的前11个语料确定为候选语料等。
或者,也可以提前设定好某一阈值,将匹配度大于该阈值的包含同一知识点的各个语料确定为候选语料等。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中确定各个候选语料等的限定。
步骤206,利用阅读理解模型对每个候选语料进行处理,以确定每个候选语料中包含的与知识点关联的目标语料。
其中,可以向阅读理解模型中输入各个候选语料和对应的知识点,之后阅读理解模型可以输出各候选语料中包含知识点的语料的起始位置、结束位置,从而可以确定出与知识点关联的目标语料。
本公开实施例中,通过将各个知识点与多模态语料库中的各个语料分别进行匹配,可以获取包含各个知识点的各个候选语料,之后再利用阅读理解模型对各个候选语料进行处理,从而可以确定出各个候选语料中包含的与知识点关联的目标语料,确定出的目标语料更为准确,可以更好的满足用户需求。
步骤207,对每个知识点关联的语料集进行融合,以生成每个知识点对应的核心信息。
步骤208,根据各个知识点间的关联关系及每个知识点对应的核心信息,生成与用户对应的知识图谱。
本公开实施例,可以先根据获取到的用户的基本信息及兴趣标签,确定出各个参考用户,之后根据各个参考用户对应的各个知识图谱中的知识点,确定用户对应的各个知识点,再对各个知识点进行解析,以确定各个知识点间的关联关系。并将每个知识点与多模态语料库中的各个语料分别进行匹配,以获取包含每个知识点的各个候选语料,再利用阅读理解模型对每个候选语料进行处理,以确定每个候选语料中包含的与知识点关联的目标语料。之后对每个知识点关联的语料集进行融合,以生成每个知识点对应的核心信息,从而可以根据各个知识点间的关联关系及每个知识点对应的核心信息,生成与用户对应的知识图谱。由此,可以先根据用户的基本信息及兴趣标签,确定出各个参考用户,之后再根据各个参考用户确定出用户对应的各个知识点,再通过将各个知识点进行匹配、处理,可以确定出目标语料,从而可以生成与用户对应的知识图谱。该知识图谱结合了用户的相关信息,从而具有较强的针对性,可以更好地满足用户需求,极大地节省了用户时间,提高了效率,也尽可能的减轻了用户的经济负担。
可以理解的是,在知识图谱生成之后,即可使用该知识图谱获取相关信息。当用户想要了解相关信息,生成装置可以先确定出用户信息,之后根据与该用户信息匹配的知识图谱,向用户推送相关信息,从而用户可以更为便捷的获取到满足需求的信息,下面结合图3详细对上述过程进行详细描述。
图3为本公开实施例所提供的个性化知识图谱的生成方法的流程示意图。如图3所示,该个性化知识图谱的生成方法可以包括以下步骤:
步骤301,接收信息获取请求,其中,获取请求中包括用户的标识。
其中,信息获取请求中,还可以包括用户的相关请求,比如可以为“了解基金”、“基金定投是什么”等,本公开对此不做限定。
另外,用户标识,可以为唯一表征用户身份的内容,比如可以为用户的姓名、账号、手机号等任意信息,本公开对此不做限定。
步骤302,根据用户的标识,获取知识图谱,其中,知识图谱中包括多个互相关联的知识点。
其中,知识图谱,可以为预先生成的知识图谱,其可以参照上述各实施例中的个性化知识图谱的生成方法所生成。
另外,可以利用用户标识,确定出当前的用户,从而确定出与该用户相匹配的知识图谱。
步骤303,返回知识图谱中的根节点对应的知识点,以获取第一反馈信息。
其中,在向用户返回知识图谱中的根节点对应的知识点,可以有多种方式。
比如,可以直接向用户返回知识图谱中的根节点对应的知识点。
举例来说,接收到的信息获取请求中,可以包括“什么是基金定投”。生成装置可以直接向用户推送知识图谱中与“什么是基金定投”相关的根节点对应的知识点“基金定投是定期定额投资基金的简称”,之后再根据用户的操作,获取到用户的第一反馈信息。
或者,也可以生成并返回根节点对应的知识点关联的问答语句。
比如说,信息获取请求中,可以为“什么是基金定投”。生成装置可以先向用户推送“是否买过基金”、“请问基金是否有风险”等关联的语句,之后可以再根据用户对关联的问答语句的回答,获取到用户的第一反馈信息。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中向用户返回知识图谱中的根节点对应的知识点等的限定。
步骤304,根据第一反馈信息,从根节点关联的各个一级子节点中获取待返回的目标一级子节点。
其中,可以将第一反馈信息进行解析,之后可以根据第一反馈信息与各个一级子节点的匹配度确定出目标一级子节点。
比如,可以根据语义相似度,分别确定出第一反馈信息与各个一级子节点的匹配度,之后将匹配度最高的一级子节点确定为目标一级子节点。
或者,也可以将各个一级子节点与第一反馈信息关联性最高的一级子节点确定为目标一级子节点。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中获取目标一级子节点等的限定。
步骤305,返回目标一级子节点,以获取第二反馈信息,并根据第二反馈信息,从目标一级子节点关联的各个二级子节点中获取待返回的目标二级子节点,直至将知识图谱中各个知识点遍历完毕。
其中,可以直接向用户返回目标一级子节点对应的知识点,之后根据用户的操作,获取第二反馈信息。
或者,也可以向用户返回目标一级子节点关联的问答语句,之后根据用户的回答内容,获取第二反馈信息。
之后可以对第二反馈信息进行解析,再根据第二反馈信息与目标一级子节点关联的各个二级子节点的匹配度,确定出目标二级子节点。
比如说,根节点A对应有三个一级子节点分别为A1、A2、A3。可以先向用户推送根节点A关联的问答语句,之后根据获取到的用户返回的第一反馈信息,对三个一级子节点分别进行筛选,可以确定出A2为目标一级子节点,之后可以将A2关联的问答语句推送给用户。
A2对应有两个二级子节点A21、A22,再根据获取到的第二反馈信息,对两个二级子节点A21、A22进行筛选,可以确定出A22为目标二级子节点,之后可以将A22推送给用户。A22没有三级子节点,之后可以根据用户的第三反馈信息,确定出向用户返回A21的内容。A21没有三级子节点,之后可以根据用户的反馈信息,确定出向用户返回A1节点对应的内容。
A1对应有一个二级子节点A11,可以根据用户的反馈信息,确定出向用户返回A11节点对应的内容。A11没有三级子节点,从而可以根据用户的反馈信息,确定出向用户返回A3的内容。A3没有子节点,此时已将知识图谱中的所有知识点都已推送给用户,即已将知识图谱中各个知识点遍历完毕,没有遗漏。
可以理解的是,当子节点较多时,可以重复上述确定目标一级子节点、目标二级子节点的过程,确定出知识图谱中各级目标子节点,并向用户推送各级目标子节点对应的知识点。该知识图谱中的知识点更符合用户需求,可以提高用户获取信息的效率以及对信息的利用率。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中知识图谱中各个子节点对应的知识点等的限定。
本公开实施例中,先接收信息获取请求,之后根据用户标识,获取知识图谱,即可返回知识图谱中的根节点对应的知识点,以获取第一反馈信息,再根据第一反馈信息,从根节点关联的各个一级子节点中获取待返回的目标一级子节点,之后返回目标一级子节点,以获取第二反馈信息,并根据第二反馈信息,从目标一级子节点关联的各个二级子节点中获取待返回的目标二级子节点,直至将知识图谱中各个知识点遍历完毕。由此,使用知识图谱可以向用户推送更符合用户需求的信息,用户获取信息更加高效、快捷,节省了用户的时间,提高了效率,同时也减轻了用户的经济负担。
为了实现上述实施例,本公开还提出一种个性化知识图谱的生成装置。
图4为本公开实施例所提供的个性化知识图谱的生成装置的结构示意图。
如图4所示,该个性化知识图谱的生成装置100可以包括:第一获取模块110、第一确定模块120、第二确定模块130、第二获取模块140、第一生成模块150、第二生成模块160。
其中,第一获取模块110,用于获取用户的基本信息及兴趣标签。
第一确定模块120,用于根据所述用户的基本信息及兴趣标签,确定所述用户对应的各个知识点。
第二确定模块130,用于对所述各个知识点进行解析,以确定所述各个知识点间的关联关系。
第二获取模块140,用于从多模态语料库中,获取与每个所述知识点关联的语料集。
第一生成模块150,用于对每个所述知识点关联的语料集进行融合,以生成每个所述知识点对应的核心信息。
第二生成模块160,用于根据所述各个知识点间的关联关系及每个所述知识点对应的核心信息,生成与所述用户对应的知识图谱。
在一种可能的实现方式中,第二获取模块140,具体用于将每个所述知识点与所述多模态语料库中的各个语料分别进行匹配,以获取包含每个所述知识点的各个候选语料;利用阅读理解模型对每个所述候选语料进行处理,以确定每个所述候选语料中包含的与所述知识点关联的目标语料。
在一种可能的实现方式中,第二确定模块130,具体用于对所述各个知识点进行实体关系抽取,以确定所述各个知识点间的实体关系;利用知识结构分类法,对所述各个知识点进行处理,以确定所述各个知识点间的结构关系。
在一种可能的实现方式中,第一确定模块120,具体用于根据各个知识点,与兴趣标签和/或基本信息的对应关系,确定所述用户对应的各个知识点。
在一种可能的实现方式中,第一确定模块120,具体用于根据所述用户的基本信息及兴趣标签,确定各个参考用户;根据所述各个参考用户对应的各个知识图谱中的知识点,确定所述用户对应的各个知识点。
在一种可能的实现方式中,第一确定模块120,还用于接收信息获取请求,其中,所述获取请求中包括用户标识。
第一获取模块110,还用于根据所述用户标识,获取知识图谱,其中,所述知识图谱中包括多个互相关联的知识点。
第一获取模块110,还用于返回所述知识图谱中的根节点对应的知识点,以获取第一反馈信息。
第一获取模块110,还用于根据所述第一反馈信息,从所述根节点关联的各个一级子节点中获取待返回的目标一级子节点。
第一获取模块110,还用于返回所述目标一级子节点,以获取第二反馈信息,并根据所述第二反馈信息,从所述目标一级子节点关联的各个二级子节点中获取待返回的目标二级子节点,直至将所述知识图谱中各个知识点遍历完毕。
在一种可能的实现方式中,第一获取模块110,具体用于生成并返回所述根节点对应的知识点关联的问答语句。
本公开实施例中的上述各模块的功能及具体实现原理,可参照上述各方法实施例,此处不再赘述。
本公开实施例的个性化知识图谱的生成装置,可以先获取用户的基本信息及兴趣标签,之后根据用户的基本信息及兴趣标签,确定用户对应的各个知识点,再对各个知识点进行解析,以确定各个知识点间的关联关系,之后可以从多模态语料库中,获取与每个知识点关联的语料集,再对每个知识点关联的语料集进行融合,以生成每个知识点对应的核心信息,从而可以根据各个知识点间的关联关系及每个知识点对应的核心信息,生成与用户对应的知识图谱。由此,可以根据用户的基本信息及兴趣标签确定出用户对应的各个知识点,之后得到各个知识点间的关联关系,再将获取到的语料集进行融合,可以得到各个知识点对应的核心信息,从而可以生成用户对应的知识图谱,该知识图谱结合了用户的相关信息,从而具有较强的针对性,可以更好地满足用户需求,极大地节省了用户时间,也减轻了用户的经济负担,提高了效率。
为了实现上述实施例,本公开还提出一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如本公开前述实施例提出的个性化知识图谱的生成方法。
为了实现上述实施例,本公开还提出一种非临时性计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现如本公开前述实施例提出的个性化知识图谱的生成方法。
为了实现上述实施例,本公开还提出一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行如本公开前述实施例提出的个性化知识图谱的生成方法。
图5示出了适于用来实现本公开实施方式的示例性计算机设备的框图。图5显示的计算机设备12仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
本公开的技术方案,可以先获取用户的基本信息及兴趣标签,之后根据用户的基本信息及兴趣标签,确定用户对应的各个知识点,再对各个知识点进行解析,以确定各个知识点间的关联关系,之后可以从多模态语料库中,获取与每个知识点关联的语料集,再对每个知识点关联的语料集进行融合,以生成每个知识点对应的核心信息,从而可以根据各个知识点间的关联关系及每个知识点对应的核心信息,生成与用户对应的知识图谱。由此,可以根据用户的基本信息及兴趣标签确定出用户对应的各个知识点,之后得到各个知识点间的关联关系,再将获取到的语料集进行融合,可以得到各个知识点对应的核心信息,从而可以生成用户对应的知识图谱,该知识图谱结合了用户的相关信息,从而具有较强的针对性,可以更好地满足用户需求,极大地节省了用户时间,也减轻了用户的经济负担,提高了效率。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本公开各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本公开的限制,本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (17)
1.一种个性化知识图谱的生成方法,其特征在于,包括:
获取用户的基本信息及兴趣标签;
根据所述用户的基本信息及兴趣标签,确定所述用户对应的各个知识点;
对所述各个知识点进行解析,以确定所述各个知识点间的关联关系;
从多模态语料库中,获取与每个所述知识点关联的语料集;
对每个所述知识点关联的语料集进行融合,以生成每个所述知识点对应的核心信息;
根据所述各个知识点间的关联关系及每个所述知识点对应的核心信息,生成与所述用户对应的知识图谱。
2.如权利要求1所述的方法,其特征在于,所述从多模态语料库中,获取与每个所述知识点关联的语料集,包括:
将每个所述知识点与所述多模态语料库中的各个语料分别进行匹配,以获取包含每个所述知识点的各个候选语料;
利用阅读理解模型对每个所述候选语料进行处理,以确定每个所述候选语料中包含的与所述知识点关联的目标语料。
3.如权利要求1所述的方法,其特征在于,所述对所述各个知识点进行解析,以确定所述各个知识点间的关联关系,包括:
对所述各个知识点进行实体关系抽取,以确定所述各个知识点间的实体关系;
利用知识结构分类法,对所述各个知识点进行处理,以确定所述各个知识点间的结构关系。
4.如权利要求1所述的方法,其特征在于,所述根据所述用户的基本信息及兴趣标签,确定所述用户对应的各个知识点,包括:
根据各个知识点,与兴趣标签和/或基本信息的对应关系,确定所述用户对应的各个知识点。
5.如权利要求1所述的方法,其特征在于,所述根据所述用户的基本信息及兴趣标签,确定所述用户对应的各个知识点,包括:
根据所述用户的基本信息及兴趣标签,确定各个参考用户;
根据所述各个参考用户对应的各个知识图谱中的知识点,确定所述用户对应的各个知识点。
6.如权利要求1-5任一所述的方法,其特征在于,还包括:
接收信息获取请求,其中,所述获取请求中包括所述用户的标识;
根据所述用户的标识,获取知识图谱,其中,所述知识图谱中包括多个互相关联的知识点;
返回所述知识图谱中的根节点对应的知识点,以获取第一反馈信息;
根据所述第一反馈信息,从所述根节点关联的各个一级子节点中获取待返回的目标一级子节点;
返回所述目标一级子节点,以获取第二反馈信息,并根据所述第二反馈信息,从所述目标一级子节点关联的各个二级子节点中获取待返回的目标二级子节点,直至将所述知识图谱中各个知识点遍历完毕。
7.如权利要求6所述的方法,其特征在于,所述返回所述知识图谱中的根节点对应的知识点,包括:
生成并返回所述根节点对应的知识点关联的问答语句。
8.一种个性化知识图谱的生成装置,其特征在于,包括:
第一获取模块,用于获取用户的基本信息及兴趣标签;
第一确定模块,用于根据所述用户的基本信息及兴趣标签,确定所述用户对应的各个知识点;
第二确定模块,用于对所述各个知识点进行解析,以确定所述各个知识点间的关联关系;
第二获取模块,用于从多模态语料库中,获取与每个所述知识点关联的语料集;
第一生成模块,用于对每个所述知识点关联的语料集进行融合,以生成每个所述知识点对应的核心信息;
第二生成模块,用于根据所述各个知识点间的关联关系及每个所述知识点对应的核心信息,生成与所述用户对应的知识图谱。
9.如权利要求8所述的装置,其特征在于,所述第二获取模块,具体用于:
将每个所述知识点与所述多模态语料库中的各个语料分别进行匹配,以获取包含每个所述知识点的各个候选语料;
利用阅读理解模型对每个所述候选语料进行处理,以确定每个所述候选语料中包含的与所述知识点关联的目标语料。
10.如权利要求8所述的装置,其特征在于,所述第二确定模块,具体用于:
对所述各个知识点进行实体关系抽取,以确定所述各个知识点间的实体关系;
利用知识结构分类法,对所述各个知识点进行处理,以确定所述各个知识点间的结构关系。
11.如权利要求8所述的装置,其特征在于,所述第一确定模块,具体用于:
根据各个知识点,与兴趣标签和/或基本信息的对应关系,确定所述用户对应的各个知识点。
12.如权利要求8所述的装置,其特征在于,所述第一确定模块,具体用于:
根据所述用户的基本信息及兴趣标签,确定各个参考用户;
根据所述各个参考用户对应的各个知识图谱中的知识点,确定所述用户对应的各个知识点。
13.如权利要求8-12任一所述的装置,其特征在于,
所述第一确定模块,还用于接收信息获取请求,其中,所述获取请求中包括用户标识;
所述第一获取模块,还用于根据所述用户标识,获取知识图谱,其中,所述知识图谱中包括多个互相关联的知识点;
所述第一获取模块,还用于返回所述知识图谱中的根节点对应的知识点,以获取第一反馈信息;
所述第一获取模块,还用于根据所述第一反馈信息,从所述根节点关联的各个一级子节点中获取待返回的目标一级子节点;
所述第一获取模块,还用于返回所述目标一级子节点,以获取第二反馈信息,并根据所述第二反馈信息,从所述目标一级子节点关联的各个二级子节点中获取待返回的目标二级子节点,直至将所述知识图谱中各个知识点遍历完毕。
14.如权利要求13所述的装置,其特征在于,所述第一获取模块,具体用于:
生成并返回所述根节点对应的知识点关联的问答语句。
15.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-7中任一所述的个性化知识图谱的生成方法。
16.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的个性化知识图谱的生成方法。
17.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现如权利要求1-7中任一项所述的个性化知识图谱的生成方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110406534.4A CN113806550A (zh) | 2021-04-15 | 2021-04-15 | 个性化知识图谱的生成方法、装置及计算机设备 |
PCT/CN2022/085187 WO2022218186A1 (zh) | 2021-04-15 | 2022-04-02 | 个性化知识图谱的生成方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110406534.4A CN113806550A (zh) | 2021-04-15 | 2021-04-15 | 个性化知识图谱的生成方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113806550A true CN113806550A (zh) | 2021-12-17 |
Family
ID=78892931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110406534.4A Pending CN113806550A (zh) | 2021-04-15 | 2021-04-15 | 个性化知识图谱的生成方法、装置及计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113806550A (zh) |
WO (1) | WO2022218186A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114519131A (zh) * | 2021-12-29 | 2022-05-20 | 航天科工网络信息发展有限公司 | 一种面向异构资源的知识融合处理方法和装置 |
WO2022218186A1 (zh) * | 2021-04-15 | 2022-10-20 | 京东科技控股股份有限公司 | 个性化知识图谱的生成方法、装置及计算机设备 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116054910B (zh) * | 2022-12-20 | 2024-05-14 | 中国人民解放军63819部队 | 基于知识图谱构建的地球站设备故障分析及装置 |
CN116342340B (zh) * | 2023-03-31 | 2023-10-17 | 上海毅学堂智能科技有限公司 | 基于多版本教材知识图谱实现的个性化教育系统及方法 |
CN116757709B (zh) * | 2023-08-22 | 2023-11-14 | 南京海关工业产品检测中心 | 一种基于知识图谱的铜精矿进口风险分析方法及系统 |
CN116955589B (zh) * | 2023-09-19 | 2024-01-30 | 山东山大鸥玛软件股份有限公司 | 一种基于教材知识图谱的智能命题方法、系统、命题终端及存储介质 |
CN117172978B (zh) * | 2023-11-02 | 2024-02-02 | 北京国电通网络技术有限公司 | 学习路径信息生成方法、装置、电子设备和介质 |
CN117669713A (zh) * | 2024-01-31 | 2024-03-08 | 宁德时代新能源科技股份有限公司 | 电池信息处理方法、装置、电子设备和存储介质 |
CN117672027B (zh) * | 2024-02-01 | 2024-04-30 | 青岛培诺教育科技股份有限公司 | 一种vr教学方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170185670A1 (en) * | 2015-12-28 | 2017-06-29 | Google Inc. | Generating labels for images associated with a user |
CN109902187A (zh) * | 2019-03-21 | 2019-06-18 | 广东小天才科技有限公司 | 一种特征知识图谱的构建方法及装置、终端设备 |
CN110046811A (zh) * | 2019-04-03 | 2019-07-23 | 上海乂学教育科技有限公司 | 适合自适应学习的知识点追根溯源方法 |
US20200050632A1 (en) * | 2018-08-08 | 2020-02-13 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating knowledge graph, device and computer readable storage medium |
CN111046194A (zh) * | 2019-12-31 | 2020-04-21 | 重庆和贯科技有限公司 | 构建多模态教学知识图谱的方法 |
CN112395403A (zh) * | 2020-11-30 | 2021-02-23 | 广东国粒教育技术有限公司 | 一种基于知识图谱的问答方法、系统、电子设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112331201A (zh) * | 2020-11-03 | 2021-02-05 | 珠海格力电器股份有限公司 | 语音的交互方法和装置、存储介质、电子装置 |
CN113806550A (zh) * | 2021-04-15 | 2021-12-17 | 京东科技控股股份有限公司 | 个性化知识图谱的生成方法、装置及计算机设备 |
-
2021
- 2021-04-15 CN CN202110406534.4A patent/CN113806550A/zh active Pending
-
2022
- 2022-04-02 WO PCT/CN2022/085187 patent/WO2022218186A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170185670A1 (en) * | 2015-12-28 | 2017-06-29 | Google Inc. | Generating labels for images associated with a user |
US20200050632A1 (en) * | 2018-08-08 | 2020-02-13 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating knowledge graph, device and computer readable storage medium |
CN109902187A (zh) * | 2019-03-21 | 2019-06-18 | 广东小天才科技有限公司 | 一种特征知识图谱的构建方法及装置、终端设备 |
CN110046811A (zh) * | 2019-04-03 | 2019-07-23 | 上海乂学教育科技有限公司 | 适合自适应学习的知识点追根溯源方法 |
CN111046194A (zh) * | 2019-12-31 | 2020-04-21 | 重庆和贯科技有限公司 | 构建多模态教学知识图谱的方法 |
CN112395403A (zh) * | 2020-11-30 | 2021-02-23 | 广东国粒教育技术有限公司 | 一种基于知识图谱的问答方法、系统、电子设备及介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022218186A1 (zh) * | 2021-04-15 | 2022-10-20 | 京东科技控股股份有限公司 | 个性化知识图谱的生成方法、装置及计算机设备 |
CN114519131A (zh) * | 2021-12-29 | 2022-05-20 | 航天科工网络信息发展有限公司 | 一种面向异构资源的知识融合处理方法和装置 |
CN114519131B (zh) * | 2021-12-29 | 2023-07-25 | 航天科工网络信息发展有限公司 | 一种面向异构资源的知识融合处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2022218186A1 (zh) | 2022-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113806550A (zh) | 个性化知识图谱的生成方法、装置及计算机设备 | |
CN107908635B (zh) | 建立文本分类模型以及文本分类的方法、装置 | |
CN108460014B (zh) | 企业实体的识别方法、装置、计算机设备及存储介质 | |
CN106649818B (zh) | 应用搜索意图的识别方法、装置、应用搜索方法和服务器 | |
CN107644011B (zh) | 用于细粒度医疗实体提取的系统和方法 | |
CN109726274B (zh) | 问题生成方法、装置及存储介质 | |
US8370278B2 (en) | Ontological categorization of question concepts from document summaries | |
CN110276023B (zh) | Poi变迁事件发现方法、装置、计算设备和介质 | |
EP3866028A2 (en) | Method and apparatus for constructing quality evaluation model, device and storage medium | |
CN110929038B (zh) | 基于知识图谱的实体链接方法、装置、设备和存储介质 | |
CN111475623A (zh) | 基于知识图谱的案件信息语义检索方法及装置 | |
Saravanan et al. | Identification of rhetorical roles for segmentation and summarization of a legal judgment | |
CN109325201A (zh) | 实体关系数据的生成方法、装置、设备及存储介质 | |
CN110377886A (zh) | 项目查重方法、装置、设备及存储介质 | |
CN110874536B (zh) | 语料质量评估模型生成方法和双语句对互译质量评估方法 | |
CN111143556A (zh) | 软件功能点自动计数方法、装置、介质及电子设备 | |
CN113704415B (zh) | 医学文本的向量表示生成方法和装置 | |
CN108319586B (zh) | 一种信息提取规则的生成和语义解析方法及装置 | |
CN112988784B (zh) | 数据查询方法、查询语句生成方法及其装置 | |
CN113704420A (zh) | 文本中的角色识别方法、装置、电子设备及存储介质 | |
CN112559711A (zh) | 一种同义文本提示方法、装置及电子设备 | |
CN116521892A (zh) | 知识图谱的应用方法、装置、电子设备、介质和程序产品 | |
CN114428788A (zh) | 自然语言处理方法、装置、设备及存储介质 | |
CN114067343A (zh) | 一种数据集的构建方法、模型训练方法和对应装置 | |
AU2019290658B2 (en) | Systems and methods for identifying and linking events in structured proceedings |
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 |