CN113821608A - 服务搜索方法、装置和计算机设备以及存储介质 - Google Patents
服务搜索方法、装置和计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN113821608A CN113821608A CN202110613456.5A CN202110613456A CN113821608A CN 113821608 A CN113821608 A CN 113821608A CN 202110613456 A CN202110613456 A CN 202110613456A CN 113821608 A CN113821608 A CN 113821608A
- Authority
- CN
- China
- Prior art keywords
- service
- service search
- query
- original
- entity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000011218 segmentation Effects 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 23
- 238000005516 engineering process Methods 0.000 description 21
- 239000000463 material Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003058 natural language processing Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010225 co-occurrence analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种服务搜索方法、装置、计算机设备和存储介质。所述方法通过获取服务搜索请求；读取查询词条对应的原始服务搜索结果；识别查询词条与原始服务搜索结果的服务知识图谱关联关系；提取原始服务搜索结果中与查询词条存在服务知识图谱上下位关系的数据，得到目标服务搜索结果获取服务搜索请求。本申请的服务搜索方法，通过在得到原始服务搜索结果后，通过识别查询词条与原始服务搜索结果的服务知识图谱关联关系；并提取原始服务搜索结果中与查询词条存在服务知识图谱上下位关系的数据，基于这些数据得到最终的目标服务搜索结果，所得的目标服务搜索结果更能体现与查询词条的关联关系，能有效提高服务搜索过程的搜索准确率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种服务搜索方法、装置和计算机设备以及存储介质。
背景技术
随着计算机技术与搜索技术的发展，出现了垂直搜索技术，垂直搜索即为通过垂直搜索引擎提供的一种搜索服务。垂直搜索引擎是针对某一个行业的专业搜索引擎，是搜索引擎的细分和延伸，而垂直搜索则是根据特定用户的特定搜索请求，对网站(页)库中的某类专门信息进行深度挖掘与整合后，再以某种形式将结果返回给用户。垂直搜索是相对通用搜索引擎所得搜索结果的信息量大、查询不准确、深度不够等提出来的新的搜索引擎服务模式，通过针对某一特定领域、某一特定人群或某一特定需求提供的、有特定用途的信息和相关服务。而服务搜索属于垂直搜索中的一种，可以将满足用户查询请求的服务直接展示给用户。比如在搜索保姆时，通过服务搜索可以直接提供找保姆服务菜单给用户。
对于服务搜索，需要在搜索过程中确定查询请求与查询结果之间的语义相关性。目前一般通过语义模型来确定查询请求与查询结果之间的语义相关性，然而语义模型只能识别文本表面上的相关性，从而导致服务搜索的准确率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能提高服务搜索准确率的服务搜索方法、装置、计算机设备和存储介质。
一种服务搜索方法，所述方法包括：
获取服务搜索请求，所述服务搜索请求携带查询词条；
读取所述查询词条对应的原始服务搜索结果；
识别所述查询词条与所述原始服务搜索结果的服务知识图谱关联关系；
提取所述原始服务搜索结果中与所述查询词条存在服务知识图谱上下位关系的数据，得到目标服务搜索结果。
一种服务搜索装置，所述装置包括：
请求获取模块，用于获取服务搜索请求，所述服务搜索请求携带查询词条；
原始结果搜索模块，用于读取所述查询词条对应的原始服务搜索结果；
关联关系识别模块，用于识别所述查询词条与所述原始服务搜索结果的服务知识图谱关联关系；
目标结果识别模块，用于提取所述原始服务搜索结果中与所述查询词条存在服务知识图谱上下位关系的数据，得到目标服务搜索结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取服务搜索请求，所述服务搜索请求携带查询词条；
读取所述查询词条对应的原始服务搜索结果；
识别所述查询词条与所述原始服务搜索结果的服务知识图谱关联关系；
提取所述原始服务搜索结果中与所述查询词条存在服务知识图谱上下位关系的数据，得到目标服务搜索结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取服务搜索请求，所述服务搜索请求携带查询词条；
读取所述查询词条对应的原始服务搜索结果；
识别所述查询词条与所述原始服务搜索结果的服务知识图谱关联关系；
提取所述原始服务搜索结果中与所述查询词条存在服务知识图谱上下位关系的数据，得到目标服务搜索结果。
上述服务搜索方法、装置、计算机设备和存储介质，通过获取服务搜索请求，服务搜索请求携带查询词条；读取查询词条对应的原始服务搜索结果；识别查询词条与原始服务搜索结果的服务知识图谱关联关系；提取原始服务搜索结果中与查询词条存在服务知识图谱上下位关系的数据，得到目标服务搜索结果。本申请的服务搜索方法，通过在得到原始服务搜索结果后，通过识别查询词条与原始服务搜索结果的服务知识图谱关联关系；并提取原始服务搜索结果中与查询词条存在服务知识图谱上下位关系的数据，基于这些数据得到最终的目标服务搜索结果，所得的目标服务搜索结果更能体现与查询词条的关联关系，能有效提高服务搜索过程的搜索准确率。
附图说明
图1为一个实施例中服务搜索方法的应用环境图；
图2为一个实施例中服务搜索方法的流程示意图；
图3为一个实施例中获取原始服务搜索结果步骤的流程示意图；
图4为一个实施例中获取查询词条与原始服务搜索结果在预设服务知识图谱的关联关系步骤的流程示意图；
图5为一个实施例中构建第一实体节点集合步骤的流程示意图；
图6为另一个实施例中构建第一实体节点集合步骤的流程示意图；
图7为一个实施例中构建预设服务知识图谱步骤的流程示意图；
图8为一个实施例中预设服务知识图谱的部分结构示意图；
图9为一个实施例中基于图谱多节上下位关系来推断相关性的分级结构示意图；
图10为一个实施例中垂直搜索装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的方案涉及人工智能的自然语言处理(Nature Languageprocessing,NLP)领域，自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。本申请的方案具体通过如下实施例进行说明：
本申请提供的服务搜索方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102可以向服务器104发送服务搜索请求，以通过服务器104来进行相关的服务搜索，并得到最终的搜索结果，服务器104则获取终端102提交的服务搜索请求；获取服务搜索请求的查询词条对应的原始服务搜索结果；识别查询词条与原始服务搜索结果在预设服务知识图谱的关联关系；基于关联关系，确定原始服务搜索结果中的目标服务搜索结果。而后将最终的服务搜索结果返回给终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。在另一个实施例中，非必要的，本申请的服务搜索方法也可以应用于终端，用户可以直接在终端侧执行该方法。在其中一个实施例中，多个服务器可组成为一区块链，而服务器为区块链上的节点。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
平台产品服务层提供典型应用的基本能力和实现框架，开发人员可以基于这些基本能力，叠加业务的特性，完成业务逻辑的区块链实现。应用服务层提供基于区块链方案的应用服务给业务参与方进行使用。
在一个实施例中，如图2所示，提供了一种服务搜索方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤201，服务器104获取服务搜索请求，服务搜索请求携带查询词条。
其中，本申请的服务搜索方法具体为一种垂直搜索方法，垂直搜索的搜索服务为通过针对某一特定领域、某一特定人群或某一特定需求提供的、有特定用途的信息和相关服务，而服务搜索则是更进一步地垂直搜索方法，可以直接将满足用户查询请求的服务直接展示给用户。而服务搜索请求则是由终端102生成，用于向服务器104请求对应的服务的一个请求。服务搜索请求内具体包含有用户所输入的查询词条，服务器104可以基于查询词条识别服务搜索请求所搜索的已有服务。其中，查询词条即query，具体是指用户在搜索引擎内所输入的内容(查询条件)，一般为输入关键词。而对于垂直搜索引擎，还可以输入类目，如优酷网站中可以选择“电影”、“电视剧”这样的类目。在电子商务网站中，各种产品品牌、型号、款式、价格等也是常见的查询条件。
具体地，当终端102方的操作人员需要请求某项服务时，从服务器104获得这项服务相关的信息，可以通过终端102来生成服务搜索请求，而后通过将服务搜索请求提交至服务器104来开始启动服务搜索工作。具体地，本申请的服务搜索方法可以应用于一款即时通讯应用，该即时通讯应用集成有一种搜索功能，该搜索功能可以根据用户输入的查询词条，来完成搜索用户圈子、文章、公众号、小说、音乐、表情、服务等功能。此外，用户还可以对搜索功能进行限定，指定搜索过程为搜索某种服务，而后用户通过输入查询词条，在即时通讯应用的终端方生成服务搜索请求，并将生成的服务搜索请求发送至服务器104来进行后续的服务查询处理。
步骤203，读取查询词条对应的原始服务搜索结果。
其中，服务搜索的搜索结果即document，query与document的关系类似于商品推荐中user(用户)与item(商品)的关系。原始服务搜索结果是指通过搜索引擎基于查询词条所查找得到的所有原始的查询结果，这些原始服务搜索结果与输入的查询词条相似，但是可能不相关。因此需要通过筛选，来排除不想关的原始服务搜索结果来得到最终的目标服务搜索结果。
具体地，在进行服务搜索处理时，服务器104可以根据查询词条对应的关键字，从预设的数据库中查找到这些查询词条能匹配上的所有原始服务搜索结果，这些原始服务搜索结果与查询词条相类似，但可能相关也可能不相关，而与查询词条相关的原始服务搜索结果即为用户所需要的目标服务搜索结果。
步骤205，识别查询词条与原始服务搜索结果的服务知识图谱关联关系。
其中，知识图谱是自然语言处理技术的一种，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。其是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。而预设服务知识图谱是指预先构建的，基于实体的服务属性而建立，专门应用于服务搜索知识图谱。目前通用的知识图谱中服务实体覆盖少。通用图谱知识间关系不适合应用于服务搜索，因此，本申请针对给用户提供服务的场景，构建了专门针对服务的知识图谱框架以及服务知识图谱。可以通过构建的服务知识图谱来挖掘查询词条与原始服务搜索结果之间的相关性，即查询词条与原始服务搜索结果之间的服务知识图谱关联关系。
具体地，目前的搜索方法一般通过语义模型如CONV-KNRM，BERT，DSSM,CDSSM，Match-pyramid，DRMM等等模型来挖掘搜索过程中，用户输入的关键词(query)与查询结果(document)之间的关系。语义模型学习了表面上的相关性，但无法学到服务之间更深层次的知识关系。同时当服务搜索的数据里面有多级上下位关系时，语义模型的计算相关性基本失效。例如query＝初中英语教材辅导书,document＝高一英语教材辅导书，因为文本上的确很相似，而导致语义模型判断相关，实际无关。本申请的技术方法方案可以解决这种因为“服务范围”不同而导致语义完全不同的情况，对于传统的语义匹配模型是很好的补充。在搜索过程中，可以通过识别查询词条与原始服务搜索结果的服务知识图谱关联关系，确定查询词条与原始服务搜索结果是否在知识图谱的多级类目树中存在关联，从而从更深的层次挖掘其关联关系，从而提高服务搜索过程的搜索准确率。
步骤207，提取原始服务搜索结果中与查询词条存在服务知识图谱上下位关系的数据，得到目标服务搜索结果。
其中，服务知识图谱关联关系具体是指在服务知识图谱中的上下位关系，目标服务搜索结果即为用户输入的查询词条对应的最终的服务搜索结果，这些服务搜索结果与查询词条类似，且存在相关性，可以通过将目标服务搜索结果以及目标服务搜索结果反馈至终端102，完成服务搜索的流程。
具体地，当得到查询词条与原始服务搜索结果的关联关系后，如果基于预设服务知识图谱，判定查询词条与原始服务搜索结果存在关联关系，则说明该原始服务搜索结果为终端102所请求的目标服务搜索结果。但当查询词条与原始服务搜索结果不存在关联关系，则该原始服务搜索结果不为终端102所请求的目标服务搜索结果。通过提取原始服务搜索结果中与查询词条存在服务知识图谱上下位关系的数据，可以有效从所有相似的原始服务搜索结果中，得到所需要的目标服务搜索结果。
上述服务搜索方法，通过获取服务搜索请求；读取查询词条对应的原始服务搜索结果；识别查询词条与原始服务搜索结果的服务知识图谱关联关系；提取原始服务搜索结果中与查询词条存在服务知识图谱上下位关系的数据，得到目标服务搜索结果获取服务搜索请求。本申请的服务搜索方法，通过在得到原始服务搜索结果后，通过识别查询词条与原始服务搜索结果的服务知识图谱关联关系；并提取原始服务搜索结果中与查询词条存在服务知识图谱上下位关系的数据，基于这些数据得到最终的目标服务搜索结果，所得的目标服务搜索结果更能体现与查询词条的关联关系，能有效提高服务搜索过程的搜索准确率。
在一个实施例中，如图3所示，步骤203包括：
步骤302，在预设索引库中查找查询词条对应的索引关键词。
步骤304，基于索引关键词获取查询词条对应的原始服务搜索结果。
其中，预设索引库是指预先构建的索引数据库，用于存储各类服务相关的索引目录，垂直搜索在搜索系统建立的过程中，会把抓来的信息建立类似书目的数据文件，以便于实现高速检索。索引系统涉及的关键技术点有分词技术、预评分和后评分、增量索引与全索引、排序技术、热点词高速缓存、标准检索语句解析等。索引关键字是索引目录中的关键字，用于建立目录与信息之间的关联性。可以通过索引关键字来确定查询词条对应的原始服务搜索结果。
具体地，垂直搜索引擎是针对某一个行业的专业搜索引擎，是搜索引擎的细分和延伸，是对网页库中的某类专门的信息进行一次整合，定向分字段抽取出需要的数据进行处理后再以某种形式返回给用户。垂直搜索是相对通用搜索引擎的信息量大、查询不准确、深度不够等提出来的新的搜索引擎服务模式，通过针对某一特定领域、某一特定人群或某一特定需求提供的有一定价值的信息和相关服务。其特点就是“专、精、深”，且具有行业色彩，相比较通用搜索引擎的海量信息无序化，垂直搜索引擎则显得更加专注、具体和深入。因此，而服务搜索作为垂直搜索的一种，集成了垂直搜索的上述特性，在进行服务搜索时，可以先基于查询词条，在预设索引库中，查找到该查询词条对应的服务场景对应的目录，而后从该目录中查找查询词条对应的索引关键词。并基于索引关键词获取查询词条对应的原始服务搜索结果，从而有效得到与查询词条相似的原始服务搜索结果。本实施例中，通过查询词条对应的索引关键词来获取查询词条对应的原始服务搜索结果，可以有效提高原始服务搜索结果的获取效率，从而提高服务搜索的效率。
在其中一个实施例中，如图4所示，步骤205包括：
步骤401，识别查询词条在预设服务知识图谱对应的第一实体节点集合，以及原始服务搜索结果在预设服务知识图谱对应的第二实体节点集合。
步骤403，基于第一实体节点集合，获取查询词条对应的实体节点与原始服务搜索结果对应的实体节点的第一上下位关系，基于第二实体节点集合，获取查询词条对应的实体节点与原始服务搜索结果对应的实体节点的第二上下位关系。
步骤405，根据第一上下位关系以及第二上下位关系，识别查询词条与原始服务搜索结果的服务知识图谱关联关系。
其中，预设服务知识图谱是指针对当前查询词条所属服务领域预先构建的知识图谱，包括有各个实体节点同时还包含各个实体节点之间的关联关系。可以将查询词条与原始服务搜索结果置入到预设服务知识图谱中，而后分别识别出与查询词条对应的实体节点，与原始服务搜索结果对应的实体节点构成上下位关系的其他实体节点，根据识别出的实体节点分别构建第一实体节点集合以及第二实体节点集合，第一实体节点集合以及第二实体节点集合类似于多级类目树中的节点所组成的集合。而查询词条与原始服务搜索结果之间的关联关系，具体可以是指查询词条对应的实体节点与原始服务搜索结果对应的实体节点之间的上下位关系，具体可以包括查询词条对应的实体节点是原始服务搜索结果对应的实体节点的上位，查询词条对应的实体节点是原始服务搜索结果对应的实体节点的下位，原始服务搜索结果对应的实体节点是查询词条对应的实体节点的上位以及原始服务搜索结果对应的实体节点是查询词条对应的实体节点的下位这几种关联关系。
具体地，识别得到的查询词条与原始服务搜索结果在预设服务知识图谱的关联关系具体为它们对应的实体节点之间的上下位关系，而为了识别出这些上下位关系，可以分别构建出查询词条在预设服务知识图谱对应的第一实体节点集合，从而归纳查询词条相关的所有上下位实体。同理，通过第二实体节点集合，来归纳当前的原始服务搜索结果相关的所有上下位实体。而后基于第一实体节点集合，获取查询词条对应的实体节点与原始服务搜索结果对应的实体节点的第一上下位关系。具体可以判断当前的原始服务搜索结果是否被包含在第一实体节点集合中，当原始服务搜索结果被包含在第一实体节点集合中时，可以判定两者之间存在着对应的上下位关系。同理，可以通过判定查询词条是否归属与第二实体节点集合，来获取查询词条对应的实体节点与原始服务搜索结果对应的实体节点的第二上下位关系。而后通过综合第一上下位关系以及第二上下位关系，获取查询词条与原始服务搜索结果在预设服务知识图谱的关联关系。此处具体可以通过“或”的逻辑来进行判断，只要第一上下位关系或第二上下位关系中任意一者确定查询词条与原始服务搜索结果存在上下位关系，即可判定查询词条与原始服务搜索结果存在关联。本实施例中，通过实体节点集合来识别查询词条与原始服务搜索结果在预设服务知识图谱的关联关系，可以有效提高关联关系识别的准确性，保证服务搜索的准确率。如表1所示，在其中一个实施例中，通过实验可得，基于知识图谱的上下位推理可以有效提高服务搜索的准确率。
表1：服务搜索准确率表
在其中一个实施例中，如图5所示，步骤401包括：
步骤502，对查询词条进行分词处理，获取词条分词结果。
步骤504，通过N元分词算法获取词条分词结果对应的分词组合结果。
步骤506，基于分词组合结果查询预设服务知识图谱，获取查询词条对应的第一实体节点集合。
其中，分词处理具体是指将连续的字序列按照一定的规范重新组合成词序列的过程。本申请中的分词处理具体为切词处理，可以将用户输入的查询词条拆分为多个不同词语。分词处理的方法具体可以包括基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。而N元分词算法则具体是指ngram算法。N元分词算法的作用，是将分词得到词序列中的词按照顺序组合起来，N元分词算法获取查询词条对应文本的1-gram，2-gram以及3-gram。1-gram代表由单个分词构成的分词组合结果，2-gram代表由两个分词构成的分词组合结果，3-gram代表由三个分词构成的分词组合结果。
具体地，可以通过查询词条以及预设服务知识图谱，来构建第一实体节点集合，构建过程首先需要将查询词条进行分词处理，获取词条分词结果。如对于“初中英语教材辅导书”这个词条，可以通过分词算法，将其拆分为“初中”、“英语”、“教材”、“辅导”以及“书”这些词条分词结果。而后通过N元分词算法获取词条分词结果对应的分词组合结果，来尽可能多的获得查询词条所链接的实体，最后基于分词组合结果查询预设服务知识图谱，获取查询词条对应的第一实体节点集合。在这个过程中，具体可以基于预设服务知识图谱是否包含与分词组合结果相同的词或者相似的词，将这些相同的词或者相似的词置入第一实体节点集合，来获取查询词条对应的第一实体节点集合。特别地，可以如果识别出第一实体节点集合存在重叠部分的上位词与下位词，则可以仅保留重叠部分的上位词，而去掉下位词，来最大程度区分范围。同理，可以通过对原始服务搜索结果进行上述处理过程类似的处理，得到相应的第二实体节点集。本实施例中，通过分词以及组合等处理过程来对查询词条进行处理，可以有效地构建出查询词条对应的实体节点集合，并保证集合的有效性。
在其中一个实施例中，如图6所示，步骤506包括：
步骤601，基于分词组合结果查询预设服务知识图谱，查找预设服务知识图谱与分词组合结果语义一致的实体节点。
步骤603，根据查找到的实体节点构建第一实体节点集合。
具体地，预设服务知识图谱可以视为由多级类目树所构成，预设服务知识图谱内包含有各个实体节点，同时，实体节点之间则存在着一级级的上下位关系。当需要构建查询词条对应的实体节点列表时，可以通过将查询词条拆分重组，得到多个分词组合结果。而后查询预设服务知识图谱，确定预设服务知识图谱中，是否包括与分词组合结果语义一致的实体节点，当包括时，则可以将该分词组合结果作为一个元素，加入到第一实体节点集合中。本实施例中，通过对分词组合结果进行语义对照识别，可以有效从预设服务知识图谱中提取实体节点来构建第一实体节点集合。
在其中一个实施例中，步骤403包括：第一上下位关系包括存在上下位关系以及不存在上下位关系，当第一实体节点集合内实体节点包含原始服务搜索结果对应的实体节点时，判断查询词条与原始服务搜索结果存在上下位关系；当第一实体节点集合内实体节点不包含原始服务搜索结果对应的实体节点时，判定查询词条与原始服务搜索结果不存在上下位关系。
具体地，可以通过第一实体节点集合内实体节点是否包含原始服务搜索结果对应的实体节点，来确定查询词条与原始服务搜索结果是否存在着上下位关系。当第一实体节点集合内实体节点包含原始服务搜索结果对应的实体节点时，判断查询词条与原始服务搜索结果存在上下位关系；当第一实体节点集合内实体节点不包含原始服务搜索结果对应的实体节点时，判定查询词条与原始服务搜索结果不存在上下位关系。同理，对于第二实体节点集合也可以进行类似处理，当第二实体节点集合内节点包含查询词条对应的实体节点时，则判断查询词条与原始服务搜索结果存在上下位关系。如在一个具体的实施例中，分别对文本A(查询词条)与文本B(原始服务搜索结果)进行知识图谱的实体链接，构建其对应的实体节点集合，得到A实体集合与B实体集合。在判断其相关性的过程中，可以先初始化A与B相关性Similarity＝0(无关)：而后从A实体集合中取实体A，同时从B实体集合中取实体B的上位词以及下位词，判断实体A是否与实体B的上位词或下位词相等，如果存在某个实体B的上位词或下位词与实体A相等，则判定文本A(查询词条)与文本B(原始服务搜索结果)存在关联关系，Similarity＝1。同理，对实体B也进行类似判定，最后根据输出的Similarity来确定最终的关联关系识别结果。本实施例中，通过第一实体节点集合内实体节点是否包含原始服务搜索结果对应的实体节点，来进行实体节点间的相关性判别，可以有效提高判别的准确率。
在其中一个实施例中，如图7所示，步骤401之前，还包括：
步骤702，获取服务搜索对应的服务场景与服务实体。
步骤704，识别服务实体对应的服务属性以及实体关系。
步骤706，基于服务实体对应的服务属性以及实体关系，构建服务场景对应的预设服务知识图谱。
其中，服务场景是指该服务所面对的具体应用场景，如教育、医药以及科技等等场景。而服务实体则是指该应用场景下，所有可涉及到的事物。服务属性具体与实际的服务内容关联，具体可以包括服务实体、服务行为、服务装填以及服务品牌等。而实体关系具体可以为上下位关系以及同义词关系。
具体地，可以在方法实施前，先构建各个可以搜索的服务项目对应的预设服务知识图谱，对于每个应用场景，需要构建其对应的预设服务知识图谱。预设服务知识图谱基于服务实体以及服务实体间的关联关系所构建，在构建预设服务知识图谱时，可以先通过网络爬虫等技术来得到服务场景下的服务实体，而后基于服务实体的具体属性以及服务实体间的关联关系，来构建预设服务知识图谱。在其中一个实施例中，一个家政类服务的预设服务知识图谱的部分内容可以参照图8，用户输入的内容即家政目的包括“A牌家电清洗”以及“空调清洁到家服务”等等关键词，而通过预设服务知识图谱，可以识别出“家电”以及“空调”属于服务主体词，且它们之间存在上下位关系。“清洗”和“清洁”属于服务行为词，它们之间属于同义词关系。“到家”属于服务状态词。“A牌”属于服务品牌。通过构建服务场景对应的预设服务知识图谱，可以更有效地在服务搜索的过程中，识别出服务搜索请求的查询词条与原始服务搜索结果之间的关联关系，从而实现更准确地服务搜索，提高服务搜索的准确率。
在其中一个实施例中，本申请的服务搜索方法用于实现教育类的服务搜索，其对应的搜索过程可以参照图9。在搜索过程中，用户输入的文本，即查询词条为“初中英语教材辅导书”，在构建查询词条对应的第一实体节点集合的过程中，可以基于预设服务知识图谱，确定“初中英语”为“初中英语教材辅导书”的上位词，而“初中”为“初中英语”的上位概念，同时在预设服务知识图谱中“初中”的上位为“教育”。而通过检索，可以确定与“初中英语教材辅导书”类似的原始服务搜索结果包括“高一英语教材辅导书”、“高二英语教材辅导书”以及“高中英语教材辅导书”。“高一英语”为“高一英语教材辅导书”的上位词。而“高二英语”为“高二英语教材辅导书”的上位词。“高中英语”为“高一英语”、“高二英语”以及“高中英语教材辅导书”的上位词。“高中”为“高中英语”的上位词，同时在预设服务知识图谱中“高中”的上位为“教育”。词条“初中英语教材辅导书”与“高一英语教材辅导书”、“高二英语教材辅导书”以及“高中英语教材辅导书”这三个词条之间不存在相关性关系，普通的语义模型可能判断这三个词属于相关词，但是通过本申请的服务搜索方法，可以判定这些概念在服务搜索中并不存在上下位的关系，即“高一英语教材辅导书”、“高二英语教材辅导书”以及“高中英语教材辅导书”并不属于“初中英语教材辅导书”对应的服务搜索结果。
应该理解的是，虽然图2-9的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-9中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图10所示，提供了一种垂直搜索装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：请求获取模块1001、原始结果搜索模块1003、关联关系识别模块1005和目标结果识别模块1007，其中：
请求获取模块1001，用于获取服务搜索请求，服务搜索请求携带查询词条。
原始结果搜索模块1003，用于读取查询词条对应的原始服务搜索结果。
关联关系识别模块1005，用于识别查询词条与原始服务搜索结果的服务知识图谱关联关系。
目标结果识别模块1007，用于提取原始服务搜索结果中与查询词条存在服务知识图谱上下位关系的数据，得到目标服务搜索结果。
在其中一个实施例中，原始结果搜索模块1003具体用于：在预设索引库中查找查询词条对应的索引关键词；基于索引关键词获取查询词条对应的原始服务搜索结果。
在其中一个实施例中，关联关系识别模块1005具体用于：识别查询词条在预设服务知识图谱对应的第一实体节点集合，以及原始服务搜索结果在预设服务知识图谱对应的第二实体节点集合；基于第一实体节点集合，获取查询词条对应的实体节点与原始服务搜索结果对应的实体节点的第一上下位关系，基于第二实体节点集合，获取查询词条对应的实体节点与原始服务搜索结果对应的实体节点的第二上下位关系；根据第一上下位关系以及第二上下位关系，识别查询词条与原始服务搜索结果的服务知识图谱关联关系。
在其中一个实施例中，关联关系识别模块1005还用于：对查询词条进行分词处理，获取词条分词结果；通过N元分词算法获取词条分词结果对应的分词组合结果；基于分词组合结果查询预设服务知识图谱，获取查询词条对应的第一实体节点集合。
在其中一个实施例中，关联关系识别模块1005还用于：基于分词组合结果查询预设服务知识图谱，查找预设服务知识图谱与分词组合结果语义一致的实体节点；根据查找到的实体节点构建第一实体节点集合。
在其中一个实施例中，关联关系识别模块1005还用于：当第一实体节点集合内实体节点包含原始服务搜索结果对应的实体节点时，判断查询词条与原始服务搜索结果存在上下位关系；当第一实体节点集合内实体节点不包含原始服务搜索结果对应的实体节点时，判定查询词条与原始服务搜索结果不存在上下位关系。
在其中一个实施例中，还包括知识图谱构建模块，用于：获取服务搜索对应的服务场景与服务实体；识别服务实体对应的服务属性以及实体关系；基于服务实体对应的服务属性以及实体关系，构建服务场景对应的预设服务知识图谱。
关于垂直搜索装置的具体限定可以参见上文中对于服务搜索方法的限定，在此不再赘述。上述垂直搜索装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储垂直搜索数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种服务搜索方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种服务搜索方法，其特征在于，所述方法包括：
获取服务搜索请求，所述服务搜索请求携带查询词条；
读取所述查询词条对应的原始服务搜索结果；
识别所述查询词条与所述原始服务搜索结果的服务知识图谱关联关系；
提取所述原始服务搜索结果中与所述查询词条存在服务知识图谱上下位关系的数据，得到目标服务搜索结果。
2.根据权利要求1所述的方法，其特征在于，所述读取所述查询词条对应的原始服务搜索结果包括：
在预设索引库中查找所述查询词条对应的索引关键词；
基于所述索引关键词读取所述查询词条对应的原始服务搜索结果。
3.根据权利要求1所述的方法，其特征在于，所述识别所述查询词条与所述原始服务搜索结果的服务知识图谱关联关系包括：
识别所述查询词条在预设服务知识图谱对应的第一实体节点集合，以及所述原始服务搜索结果在所述预设服务知识图谱对应的第二实体节点集合；
基于所述第一实体节点集合，获取所述查询词条对应的实体节点与所述原始服务搜索结果对应的实体节点的第一上下位关系，基于所述第二实体节点集合，获取所述查询词条对应的实体节点与所述原始服务搜索结果对应的实体节点的第二上下位关系；
根据所述第一上下位关系以及所述第二上下位关系，识别所述查询词条与所述原始服务搜索结果的服务知识图谱关联关系。
4.根据权利要求3所述的方法，其特征在于，所述识别所述查询词条在所述预设服务知识图谱对应的第一实体节点集合包括：
对所述查询词条进行分词处理，获取词条分词结果；
通过N元分词算法获取所述词条分词结果对应的分词组合结果；
基于所述分词组合结果查询所述预设服务知识图谱，获取所述查询词条对应的第一实体节点集合。
5.根据权利要求4所述的方法，其特征在于，所述基于所述分词组合结果查询所述预设服务知识图谱，获取所述查询词条对应的第一实体节点集合包括：
基于所述分词组合结果查询所述预设服务知识图谱，查找所述预设服务知识图谱与所述分词组合结果语义一致的实体节点；
根据查找到的所述实体节点构建第一实体节点集合。
6.根据权利要求3所述的方法，其特征在于，所述第一上下位关系包括存在上下位关系以及不存在上下位关系，
所述基于所述第一实体节点集合，获取所述查询词条对应的实体节点与所述原始服务搜索结果对应的实体节点的第一上下位关系包括：
当所述第一实体节点集合内实体节点包含所述原始服务搜索结果对应的实体节点时，判定所述查询词条与所述原始服务搜索结果存在上下位关系；
当所述第一实体节点集合内实体节点不包含所述原始服务搜索结果对应的实体节点时，判定所述查询词条与所述原始服务搜索结果不存在上下位关系。
7.根据权利要求3所述的方法，其特征在于，所述识别所述查询词条与所述原始服务搜索结果的服务知识图谱关联关系之前，还包括：
获取服务搜索对应的服务场景与服务实体；
识别所述服务实体对应的服务属性以及实体关系；
基于所述服务实体对应的服务属性以及实体关系，构建所述服务场景对应的预设服务知识图谱。
8.一种服务搜索装置，其特征在于，所述装置包括：
请求获取模块，用于获取服务搜索请求，所述服务搜索请求携带查询词条；
原始结果搜索模块，用于读取所述查询词条对应的原始服务搜索结果；
关联关系识别模块，用于识别所述查询词条与所述原始服务搜索结果的服务知识图谱关联关系；
目标结果识别模块，用于提取所述原始服务搜索结果中与所述查询词条存在服务知识图谱上下位关系的数据，得到目标服务搜索结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110613456.5A CN113821608A (zh) | 2021-06-02 | 2021-06-02 | 服务搜索方法、装置和计算机设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110613456.5A CN113821608A (zh) | 2021-06-02 | 2021-06-02 | 服务搜索方法、装置和计算机设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113821608A true CN113821608A (zh) | 2021-12-21 |
Family
ID=78923791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110613456.5A Pending CN113821608A (zh) | 2021-06-02 | 2021-06-02 | 服务搜索方法、装置和计算机设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113821608A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235200A (zh) * | 2023-09-12 | 2023-12-15 | 杭州湘云信息技术有限公司 | 基于ai技术的数据集成方法、装置、计算机设备及存储介质 |
| CN118132680A (zh) * | 2024-04-30 | 2024-06-04 | 支付宝(杭州)信息技术有限公司 | 基于医疗知识库的查询处理方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239340A (zh) * | 2013-06-19 | 2014-12-24 | 北京搜狗信息服务有限公司 | 搜索结果筛选方法与装置 |
| US20190213280A1 (en) * | 2018-01-08 | 2019-07-11 | International Business Machines Corporation | Knowledge-graph based question correction |
| CN111061750A (zh) * | 2019-12-17 | 2020-04-24 | Oppo广东移动通信有限公司 | 一种查询处理方法、装置及计算机可读存储介质 |
| CN111782942A (zh) * | 2020-06-24 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于品牌保护的搜索方法及装置 |
-
2021
- 2021-06-02 CN CN202110613456.5A patent/CN113821608A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239340A (zh) * | 2013-06-19 | 2014-12-24 | 北京搜狗信息服务有限公司 | 搜索结果筛选方法与装置 |
| US20190213280A1 (en) * | 2018-01-08 | 2019-07-11 | International Business Machines Corporation | Knowledge-graph based question correction |
| CN111061750A (zh) * | 2019-12-17 | 2020-04-24 | Oppo广东移动通信有限公司 | 一种查询处理方法、装置及计算机可读存储介质 |
| CN111782942A (zh) * | 2020-06-24 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于品牌保护的搜索方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235200A (zh) * | 2023-09-12 | 2023-12-15 | 杭州湘云信息技术有限公司 | 基于ai技术的数据集成方法、装置、计算机设备及存储介质 |
| CN117235200B (zh) * | 2023-09-12 | 2024-05-10 | 杭州湘云信息技术有限公司 | 基于ai技术的数据集成方法、装置、计算机设备及存储介质 |
| CN118132680A (zh) * | 2024-04-30 | 2024-06-04 | 支付宝(杭州)信息技术有限公司 | 基于医疗知识库的查询处理方法和装置 |
| CN118132680B (zh) * | 2024-04-30 | 2024-09-03 | 支付宝(杭州)信息技术有限公司 | 基于医疗知识库的查询处理方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111506722B (zh) | 基于深度学习技术的知识图谱问答方法、装置及设备 | |
| CN112307215B (zh) | 数据处理方法、装置及计算机可读存储介质 | |
| CN108959559B (zh) | 问答对生成方法和装置 | |
| Argyrou et al. | Topic modelling on Instagram hashtags: An alternative way to Automatic Image Annotation? | |
| Lakshmanan et al. | Knowledge discovery in the blogosphere: Approaches and challenges | |
| US10248725B2 (en) | Methods and apparatus for integrating search results of a local search engine with search results of a global generic search engine | |
| US11928140B2 (en) | Methods and systems for modifying a search result | |
| JP7340286B2 (ja) | 知識グラフを用いてサイバーセキュリティを提供する方法、装置及びコンピュータプログラム | |
| CN113821608A (zh) | 服务搜索方法、装置和计算机设备以及存储介质 | |
| Dang et al. | Deep knowledge-aware framework for web service recommendation | |
| US8140464B2 (en) | Hypothesis analysis methods, hypothesis analysis devices, and articles of manufacture | |
| Fang et al. | Big search in cyberspace | |
| Rajasurya et al. | Semantic information retrieval using ontology in university domain | |
| Tsapatsoulis | Image retrieval via topic modelling of Instagram hashtags | |
| CN116702784A (zh) | 实体链接方法、装置、计算机设备和存储介质 | |
| Farghaly et al. | Investigating the challenges and prospects of construction models for dynamic knowledge graphs | |
| Fu et al. | Enhancing Semantic Search of Crowdsourcing IT Services using Knowledge Graph. | |
| KR101363497B1 (ko) | Ｆｏａｆ 데이터 관리 방법 및 장치 | |
| CN115293479A (zh) | 舆情分析工作流系统及其方法 | |
| Galitsky et al. | Discourse-level dialogue management | |
| Shirgave et al. | Semantically enriched web usage mining for predicting user future movements | |
| Carmagnola et al. | User data discovery and aggregation: the CS-UDD algorithm | |
| CN114281884A (zh) | 知识图谱的主题知识子模型提取方法 | |
| Jiang et al. | Personalized recommendation method of E-commerce based on fusion technology of smart ontology and big data mining | |
| Khan | Processing big data with natural semantics and natural language understanding using brain-like approach |
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 |