CN113868529A - 知识推荐方法、装置、电子设备及可读存储介质 - Google Patents
知识推荐方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113868529A CN113868529A CN202111148146.7A CN202111148146A CN113868529A CN 113868529 A CN113868529 A CN 113868529A CN 202111148146 A CN202111148146 A CN 202111148146A CN 113868529 A CN113868529 A CN 113868529A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- historical
- tag
- user
- label
- 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 40
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000012163 sequencing technique Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 74
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术，揭露一种知识推荐方法，包括：统计用户历史访问知识信息中历史知识标签出现的次数，得到标签访问权重；根据标签访问权重将历史知识标签排序组合，得到历史知识标签序列；获取包含知识标签的待推送知识集；计算用户初始标签与所述知识标签的相似度，得到第一推荐分数；计算从历史知识标签序列中历史知识标签与知识标签的相似度，得到第二推荐分数；根据第一推荐分数及第二推荐分数计算目标推荐分数；根据目标推荐分数从所述待推送知识集中筛选出待推送知识发送至用户。本发明还涉及区块链技术，历史知识标签可以存储在区块链节点中。本发明还提出一种知识推荐装置、设备以及介质。本发明可以提高知识推荐的准确率。
Description
技术领域
本发明涉及人工智能技术，尤其涉及一种知识推荐方法、装置、电子设备及可读存储介质。
背景技术
目前有针对性的推送消息的一种常见方法，从大量的知识中，找到与用户相关或者感兴趣的知识，做到千人千面，提高推荐知识的命中度，转化为用户的有效点击量。
目前的知识推荐方法将知识标签化(比如：房地产，金融，债券之类的标签)，然后再根据固定的用户初始化标签(比如房地产)，匹配对应的知识进行推荐，如用户初始化标签为“房地产”标签的用户推荐知识的时候，就会匹配到房地产”标签相关的知识标签对应的知识。
但是目前的知识推荐方法中用户的标签是固定不变的，使用过程中出现偏差时无法调节，导致知识推荐的准确率低。
发明内容
本发明提供一种知识推荐方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高知识推荐的准确率。
为实现上述目的，本发明提供的一种知识推荐方法，包括：
获取用户的用户初始标签及用户历史访问知识信息，其中，所述用户历史访问知识信息包括历史访问的知识对应的历史知识标签；
统计所述用户历史访问知识信息中每种历史知识标签出现的次数，得到标签访问权重；
根据所述标签访问权重将所有类别所述历史知识标签进行排序组合，得到历史知识标签序列；
在所述历史知识标签序列中筛选预设长度的子序列，得到历史知识标签子序列；
获取待推送知识集，其中，所述待推送知识集中每个待推送知识包含对应的知识标签；
计算所述用户初始标签与每个所述知识标签的相似度，得到对应的第一推荐分数；
计算所述历史知识标签子序列中的每个历史知识标签与所述知识标签的相似度，得到对应的第二推荐分数；
根据每个所述待推送知识对应的第一推荐分数及所有第二推荐分数进行计算，得到目标推荐分数；
根据所述目标推荐分数对所述待推送知识集进行筛选，并将筛选的待推送知识发送至所述用户。
可选地，所述统计所述用户历史访问知识信息中每种历史知识标签出现的次数，得到标签访问权重，包括：
统计所述用户历史访问知识信息中每种历史知识标签出现的次数；
根据每种所述历史标签出现的次数及所有所述历史标签的数量进行计算，得到对应的所述标签访问权重。
可选地，所述在所述历史知识标签序列中筛选预设长度的子序列，得到历史知识标签子序列，包括：
判断所述历史知识标签序列的序列长度是否大于预设长度；
当所述历史知识标签序列的序列长度不大于预设长度，那么将所述历史标签序列确定为所述历史标签子序列；
当所述历史知识标签序列的序列长度大于预设长度，根据所述历史知识标签序列的序列长度及预设的序列比例进行计算，得到动态序列长度；
选取所述历史知识标签序列中第一个历史知识标签作为起点，长度为动态序列长度的序列，得到所述历史知识标签子序列。
可选地，所述计算所述用户初始标签与每个所述知识标签的相似度，得到对应的第一推荐分数，包括：
将所述用户初始标签转化为向量，得到用户初始标签向量；
将每个所述知识标签进行向量转化，得到对应的知识标签向量；
计算所述用户初始标签向量与所述知识标签向量的向量距离，得到第一相似度；
根据所述历史知识标签子序列的序列长度计算所述用户初始标签的权重，得到用户初始标签权重；
根据所述第一相似度与所述用户初始标签权重进行计算，得到对应的所述第一推荐分数。
可选地，所述将所述用户初始标签转化为向量，得到用户初始标签向量，包括：
将所述用户初始标签中每个字符转化为向量，得到字向量；
选取所述字向量中所有元素的最大值，得到字向量特征值；
将所有字向量特征值按照对应的字向量所属字符在所述用户初始标签中的顺序进行纵向组合，得到所述用户初始标签向量。
可选地，所述将所有所述历史信息点击率按照大小进行排序组合，得到所述历史信息点击率序列，包括：
将所述历史知识标签子序列中的每个历史知识标签转化为向量，得到所述历史知识标签向量；
计算所述历史标签向量与所述知识标签向量的相似度，得到对应的第二相似度；
根据所述标签访问权重及所述用户初始标签权重计算所述用户知识标签子序列中每个历史知识标签的权重，得到历史知识标签权重；
根据所述第二相似度与所述历史知识标签权重进行计算，得到所述第二推荐分数。
可选地，所述根据所述目标推荐分数对所述待推送知识集进行筛选，并将筛选的待推送知识发送至所述用户，包括：
选取所述待推送知识集中所述目标推荐分数大于预设的推荐分数阈值的待推荐知识，得到目标待推荐知识；
将所有所述目标待推荐知识发送至所述用户。
为了解决上述问题，本发明还提供一种知识推荐装置，所述装置包括：
相似度计算模块，用于获取用户的用户初始标签及用户历史访问知识信息，其中，所述用户历史访问知识信息包括历史访问的知识对应的历史知识标签；统计所述用户历史访问知识信息中每种历史知识标签出现的次数，得到标签访问权重；根据所述标签访问权重将所有类别所述历史知识标签进行排序组合，得到历史知识标签序列；在所述历史知识标签序列中筛选预设长度的子序列，得到历史知识标签子序列；获取待推送知识集，其中，所述待推送知识集中每个待推送知识包含对应的知识标签；计算所述用户初始标签与每个所述知识标签的相似度，得到对应的第一推荐分数；计算所述历史知识标签子序列中的每个历史知识标签与所述知识标签的相似度，得到对应的第二推荐分数；
推荐分数计算模块，用于根据每个所述待推送知识对应的第一推荐分数及所有第二推荐分数进行计算，得到目标推荐分数；
知识推荐模块，用于根据所述目标推荐分数对所述待推送知识集进行筛选，并将筛选的待推送知识发送至所述用户。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的知识推荐方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的知识推荐方法。
本发明实施例根据用户的历史访问知识的信息，动态调整用户对应的历史知识标签，从而使用户对应的标签更加准确，进一步地利用动态调整的标签对待推送知识进行匹配筛选，筛选的更准确，知识推荐的准确率更高，因此本发明实施例提出的知识推荐方法、装置、电子设备及可读存储介质提高了知识推荐的准确率。
附图说明
图1为本发明一实施例提供的知识推荐方法的流程示意图；
图2为本发明一实施例提供的知识推荐装置的模块示意图；
图3为本发明一实施例提供的实现知识推荐方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种知识推荐方法。所述知识推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述知识推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的知识推荐方法的流程示意图，在本发明实施例中，所述知识推荐方法包括：
S1、获取用户的用户初始标签及用户历史访问知识信息，其中，所述用户历史访问知识信息包括历史访问的知识对应的历史知识标签；
详细地，本发明实施例中所述用户初始标签为根据所述用户的信息初始设置的固定标签，如：所述用户为银行员工，那么所述用户初始标签可以为行员、大堂经理等标签，所述历史访问的知识为用户历史访问知识信息获取时间之前用户访问过的知识，所述历史知识标签为历史访问的知识对应的知识标签，如：房地产、金融、债券等标签。
进一步地，本发明实施例中所述用户历史访问知识信息中历史访问的知识有一个或多个。
本发明另一实施例中，所述历史知识标签可以存储在区块链节点中，利用区块链节点高吞吐的特性，提高数据的取用效率。
S2、统计所述用户历史访问知识信息中每种历史知识标签出现的次数，得到标签访问权重；
本发明实施例中每个历史访问的知识都有对应的历史知识标签，不同的历史访问的知识的历史知识标签可能重复，因此，为了统计用户喜欢访问什么类型的知识，本发明实施例可以统计所述用户历史访问知识信息中每种历史知识标签出现的次数，得到所述标签访问权重。
详细地，本发明实施例中统计所述用户历史访问知识信息中每种历史知识标签出现的次数，得到所述标签访问权重，包括：
统计所述用户历史访问知识信息中每种历史知识标签出现的次数；
根据每种所述历史标签出现的次数及所有所述历史标签的数量进行计算，得到对应的所述标签访问权重。
例如：所有历史知识标签的数量为a，所有历史知识标签中历史知识标签A的出现的次数为b，那么历史知识标签A对应的标签访问权重为b/a。
S3、根据所述标签访问权重将所有类别所述历史知识标签进行排序组合，得到历史知识标签序列；
详细地，本发明实施例中按照所述标签访问权重的大小将所有类别所述历史知识标签进行排序组合，得到历史知识标签序列。
例如：所有历史知识标签中共有历史知识标签A、历史知识标签B，共两种历史知识标签，历史知识标签A对应的标签访问权重为0.8，历史知识标签B对应的标签访问权重为0.2，那么所述历史知识标签序列为[历史知识标签A，历史知识标签B]。
S4、在所述历史知识标签序列中筛选预设长度的子序列，得到历史知识标签子序列；
详细地，本发明实施例中判断所述历史知识标签序列的序列长度是否大于预设长度；
当所述历史知识标签序列的序列长度不大于预设长度，那么将所述历史标签序列确定为所述历史标签子序列；
当所述历史知识标签序列的序列长度大于预设长度，根据所述历史知识标签序列的序列长度及预设的序列比例进行计算，得到动态序列长度；
可选地，本发明实施例中将所述历史知识标签序列的序列长度与所述预设的序列比例进行乘法计算，得到所述初始动态序列长度；将所述初始动态序列长度进行取整操作，得到所述动态序列长度，例如：所述取整操作为去尾，那么所述初始动态序列长度为5.2，那么所述动态序列长度为5。
选取所述历史知识标签序列中第一个历史知识标签作为起点，长度为动态序列长度的序列，得到所述历史知识标签子序列。
例如：所述动态序列长度为2，所述历史知识标签序列为[历史知识标签C，历史知识标签B，历史知识标签A],那么所述历史标签子序列为[历史知识标签C，历史知识标签B]。
S5、获取待推送知识集，其中，所述待推送知识集中每个待推送知识包含对应的知识标签；
详细地，本发明实施例中所述待推送知识集可以向用户推送的待推送知识的集合，所述待推送知识集中的每个待推送知识都有对应的知识标签。
S6、计算所述用户初始标签与每个所述知识标签的相似度，得到对应的第一推荐分数；
详细地，本发明实施例中计算所述用户初始标签与每个所述知识标签的相似度，得到第一推荐分数，包括：
步骤A：将所述用户初始标签转化为向量，得到用户初始标签向量；
可选地，本发明实施例中将所述用户初始标签转化为向量，得到所述用户初始标签向量，包括：
将所述用户初始标签中每个字符转化为向量，得到字向量；
可选地，本发明实施例中可利用人工智能模型如word2vec模型将所述用户初始标签中每个字符转化为向量。
选取所述字向量中所有元素的最大值，得到字向量特征值；
将所有字向量特征值按照对应的字向量所述字符在所述用户初始标签中的顺序进行纵向组合，得到所述用户初始标签向量。
例如：所述用户初始标签为“房地产”，字符“房”对应的字向量为
因此，字向量
对应的字向量特征值为5；字符“地”对应的字向量为
因此，字向量
对应的字向量特征值为6；字符“产”对应的的字向量为
因此，字向量
对应的字向量特征值为9；那么将所有字向量特征值按照对应的字向量所述字符在所述用户初始标签中的顺序进行纵向组合，得到所述用户初始标签向量为
步骤B：将每个所述知识标签进行向量转化，得到对应的知识标签向量；
可选地，本发明实施例中可利用word2vec模型进行向量转化。
步骤C：计算所述用户初始标签向量与所述知识标签向量的向量距离，得到第一相似度；
步骤D：根据所述历史知识标签子序列的序列长度计算所述用户初始标签的权重，得到用户初始标签权重；
可选地，本发明实施例利用如下公式计算所述用户初始标签权重：
其中，Q为所述用户初始标签权重，n为所述历史知识标签子序列的序列长度。
步骤E：根据所述第一相似度与所述用户初始标签权重进行计算，得到对应的所述第一推荐分数。
可选地，本发明实施例将所述第一相似度与所述用户初始标签权重进行乘法计算，得到对应的所述第一推荐分数。
S7、计算所述历史知识标签子序列中的每个历史知识标签与所述知识标签的相似度，得到对应的第二推荐分数；
详细地，本发明实施例中计算所述历史知识标签子序列中的每个历史知识标签与所述知识标签的相似度，得到对应的第二推荐分数，包括：
步骤I：将所述历史知识标签子序列中的每个历史知识标签转化为向量，得到历史知识标签向量；
步骤II：计算所述历史标签向量与所述知识标签向量的相似度，得到对应的第二相似度；
步骤III：根据所述标签访问权重及所述用户初始标签权重计算所述用户知识标签子序列中每个历史知识标签的权重，得到历史知识标签权重；
可选地，本发明实施例中利用如下公式计算所述历史知识标签权重：
其中，i为所述历史知识标签子序列中历史知识标签的位置排序，fi为所述历史知识标签子序列中位置排序为i的历史知识标签的标签访问权重。
步骤IV：根据所述第二相似度与所述历史知识标签权重进行计算，得到所述第二推荐分数。
可选地，本发明实施例将每个所述第二相似度与对应的所述历史知识标签权重进行乘法计算，得到所述第二推荐分数。
S8、根据每个所述待推送知识对应的第一推荐分数及所有第二推荐分数进行计算，得到目标推荐分数；
详细地，本发明实施例中将每个所述待推送知识对应的第一推荐分数及所有第二推荐分数进行求和，得到所述目标推荐分数。
可选地，本发明另一实施例中将每个所述待推送知识对应的第一推荐分数及所有所述第二推荐分数进行求和，进一步地，为了防止求和得到的结果过大不方便计算，将求和后的结果按照预设的倍数进行数值缩小转换，得到所述目标推荐分数。如：求和后的结果为1000，预设的倍数为100，那么所述目标推荐分数为1000/100＝10。
S9、根据所述目标推荐分数对所述待推送知识集进行筛选，并将筛选的待推送知识发送至所述用户。
详细地，本发明实施例中选取所述待推送知识集中所述目标推荐分数大于预设的推荐分数阈值的待推荐知识，得到目标待推荐知识；将所有所述目标待推荐知识发送至所述用户。
进一步地，当用户访问所述目标推荐知识时，更新所述用户的用户历史访问知识信息，利用所述目标推荐知识作为历史访问的知识，将所述目标推荐知识对应的标签作为对应的历史知识标签，以便下次对所述用户进行知识推荐时，更准确。
本发明实施例中根据用户的历史访问知识的信息，动态调整用户的对应的标签，从而提高知识推荐的准确率。
如图2所示，是本发明知识推荐装置的功能模块图。
本发明所述知识推荐装置100可以安装于电子设备中。根据实现的功能，所述知识推荐装置可以包括相似度计算101、推荐分数计算102、知识推荐模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述相似度计算模块101用于获取用户的用户初始标签及用户历史访问知识信息，其中，所述用户历史访问知识信息包括历史访问的知识对应的历史知识标签；统计所述用户历史访问知识信息中每种历史知识标签出现的次数，得到标签访问权重；根据所述标签访问权重将所有类别所述历史知识标签进行排序组合，得到历史知识标签序列；在所述历史知识标签序列中筛选预设长度的子序列，得到历史知识标签子序列；获取待推送知识集，其中，所述待推送知识集中每个待推送知识包含对应的知识标签；计算所述用户初始标签与每个所述知识标签的相似度，得到对应的第一推荐分数；计算所述历史知识标签子序列中的每个历史知识标签与所述知识标签的相似度，得到对应的第二推荐分数；
所述推荐分数计算模块102用于根据每个所述待推送知识对应的第一推荐分数及所有第二推荐分数进行计算，得到目标推荐分数；
所述知识推荐模块103用于根据所述目标推荐分数对所述待推送知识集进行筛选，并将筛选的待推送知识发送至所述用户。
详细地，本发明实施例中所述知识推荐装置100中所述的各模块在使用时采用与上述图1中所述的知识推荐方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图2所示，是本发明实现知识推荐方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如知识推荐程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如知识推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如知识推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的知识推荐程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取用户的用户初始标签及用户历史访问知识信息，其中，所述用户历史访问知识信息包括历史访问的知识对应的历史知识标签；
统计所述用户历史访问知识信息中每种历史知识标签出现的次数，得到标签访问权重；
根据所述标签访问权重将所有类别所述历史知识标签进行排序组合，得到历史知识标签序列；
在所述历史知识标签序列中筛选预设长度的子序列，得到历史知识标签子序列；
获取待推送知识集，其中，所述待推送知识集中每个待推送知识包含对应的知识标签；
计算所述用户初始标签与每个所述知识标签的相似度，得到对应的第一推荐分数；
计算所述历史知识标签子序列中的每个历史知识标签与所述知识标签的相似度，得到对应的第二推荐分数；
根据每个所述待推送知识对应的第一推荐分数及所有第二推荐分数进行计算，得到目标推荐分数；
根据所述目标推荐分数对所述待推送知识集进行筛选，并将筛选的待推送知识发送至所述用户。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取用户的用户初始标签及用户历史访问知识信息，其中，所述用户历史访问知识信息包括历史访问的知识对应的历史知识标签；
统计所述用户历史访问知识信息中每种历史知识标签出现的次数，得到标签访问权重；
根据所述标签访问权重将所有类别所述历史知识标签进行排序组合，得到历史知识标签序列；
在所述历史知识标签序列中筛选预设长度的子序列，得到历史知识标签子序列；
获取待推送知识集，其中，所述待推送知识集中每个待推送知识包含对应的知识标签；
计算所述用户初始标签与每个所述知识标签的相似度，得到对应的第一推荐分数；
计算所述历史知识标签子序列中的每个历史知识标签与所述知识标签的相似度，得到对应的第二推荐分数；
根据每个所述待推送知识对应的第一推荐分数及所有第二推荐分数进行计算，得到目标推荐分数；
根据所述目标推荐分数对所述待推送知识集进行筛选，并将筛选的待推送知识发送至所述用户。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指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等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种知识推荐方法，其特征在于，所述方法包括：
获取用户的用户初始标签及用户历史访问知识信息，其中，所述用户历史访问知识信息包括历史访问的知识对应的历史知识标签；
统计所述用户历史访问知识信息中每种历史知识标签出现的次数，得到标签访问权重；
根据所述标签访问权重将所有类别的所述历史知识标签进行排序组合，得到历史知识标签序列；
在所述历史知识标签序列中筛选预设长度的子序列，得到历史知识标签子序列；
获取待推送知识集，其中，所述待推送知识集中每个待推送知识包含对应的知识标签；
计算所述用户初始标签与每个所述知识标签的相似度，得到对应的第一推荐分数；
计算所述历史知识标签子序列中的每个历史知识标签与所述知识标签的相似度，得到对应的第二推荐分数；
根据每个所述待推送知识对应的第一推荐分数及所有第二推荐分数进行计算，得到目标推荐分数；
根据所述目标推荐分数对所述待推送知识集进行筛选，并将筛选的待推送知识发送至所述用户。
2.如权利要求1所述的知识推荐方法，其特征在于，所述统计所述用户历史访问知识信息中每种历史知识标签出现的次数，得到标签访问权重，包括：
统计所述用户历史访问知识信息中每种历史知识标签出现的次数；
根据每种所述历史标签出现的次数及所有所述历史标签的数量进行计算，得到对应的所述标签访问权重。
3.如权利要求1所述的知识推荐方法，其特征在于，所述在所述历史知识标签序列中筛选预设长度的子序列，得到历史知识标签子序列，包括：
判断所述历史知识标签序列的序列长度是否大于预设长度；
当所述历史知识标签序列的序列长度不大于预设长度，那么将所述历史标签序列确定为所述历史标签子序列；
当所述历史知识标签序列的序列长度大于预设长度，根据所述历史知识标签序列的序列长度及预设的序列比例进行计算，得到动态序列长度；
选取所述历史知识标签序列中第一个历史知识标签作为起点，长度为动态序列长度的序列，得到所述历史知识标签子序列。
4.如权利要求1所述的知识推荐方法，其特征在于，所述计算所述用户初始标签与每个所述知识标签的相似度，得到对应的第一推荐分数，包括：
将所述用户初始标签转化为向量，得到用户初始标签向量；
将每个所述知识标签进行向量转化，得到对应的知识标签向量；
计算所述用户初始标签向量与所述知识标签向量的向量距离，得到第一相似度；
根据所述历史知识标签子序列的序列长度计算所述用户初始标签的权重，得到用户初始标签权重；
根据所述第一相似度与所述用户初始标签权重进行计算，得到对应的所述第一推荐分数。
5.如权利要求4所述的知识推荐方法，其特征在于，所述将所述用户初始标签转化为向量，得到用户初始标签向量，包括：
将所述用户初始标签中每个字符转化为向量，得到字向量；
选取所述字向量中所有元素的最大值，得到字向量特征值；
将所有字向量特征值按照对应的字向量所属字符在所述用户初始标签中的顺序进行纵向组合，得到所述用户初始标签向量。
6.如权利要求4所述的知识推荐方法，其特征在于，所述将所有所述历史信息点击率按照大小进行排序组合，得到所述历史信息点击率序列，包括：
将所述历史知识标签子序列中的每个历史知识标签转化为向量，得到所述历史知识标签向量；
计算所述历史标签向量与所述知识标签向量的相似度，得到对应的第二相似度；
根据所述标签访问权重及所述用户初始标签权重计算所述用户知识标签子序列中每个历史知识标签的权重，得到历史知识标签权重；
根据所述第二相似度与所述历史知识标签权重进行计算，得到所述第二推荐分数。
7.如权利要求1至6中任意一项所述的知识推荐方法，其特征在于，所述根据所述目标推荐分数对所述待推送知识集进行筛选，并将筛选的待推送知识发送至所述用户，包括：
选取所述待推送知识集中所述目标推荐分数大于预设的推荐分数阈值的待推荐知识，得到目标待推荐知识；
将所有所述目标待推荐知识发送至所述用户。
8.一种知识推荐装置，其特征在于，包括：
相似度计算模块，用于获取用户的用户初始标签及用户历史访问知识信息，其中，所述用户历史访问知识信息包括历史访问的知识对应的历史知识标签；统计所述用户历史访问知识信息中每种历史知识标签出现的次数，得到标签访问权重；根据所述标签访问权重将所有类别所述历史知识标签进行排序组合，得到历史知识标签序列；在所述历史知识标签序列中筛选预设长度的子序列，得到历史知识标签子序列；获取待推送知识集，其中，所述待推送知识集中每个待推送知识包含对应的知识标签；计算所述用户初始标签与每个所述知识标签的相似度，得到对应的第一推荐分数；计算所述历史知识标签子序列中的每个历史知识标签与所述知识标签的相似度，得到对应的第二推荐分数；
推荐分数计算模块，用于根据每个所述待推送知识对应的第一推荐分数及所有第二推荐分数进行计算，得到目标推荐分数；
知识推荐模块，用于根据所述目标推荐分数对所述待推送知识集进行筛选，并将筛选的待推送知识发送至所述用户。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的知识推荐方法。
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如权利要求1至7中任一项所述的知识推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111148146.7A CN113868529A (zh) | 2021-09-29 | 2021-09-29 | 知识推荐方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111148146.7A CN113868529A (zh) | 2021-09-29 | 2021-09-29 | 知识推荐方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113868529A true CN113868529A (zh) | 2021-12-31 |
Family
ID=78992253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111148146.7A Pending CN113868529A (zh) | 2021-09-29 | 2021-09-29 | 知识推荐方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113868529A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114723488A (zh) * | 2022-04-07 | 2022-07-08 | 平安科技（深圳）有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
| CN114819590A (zh) * | 2022-04-20 | 2022-07-29 | 平安科技（深圳）有限公司 | 策略智能推荐方法、装置、设备及存储介质 |
| CN115982429A (zh) * | 2023-03-21 | 2023-04-18 | 中交第四航务工程勘察设计院有限公司 | 一种基于流程控制的知识管理方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819552A (zh) * | 2021-03-26 | 2021-05-18 | 中国建设银行股份有限公司 | 广告推送方法、装置及计算机可读存储介质 |
| CN113065069A (zh) * | 2021-04-21 | 2021-07-02 | 山大地纬软件股份有限公司 | 一种基于数据画像的双向就业推荐方法和装置 |
-
2021
- 2021-09-29 CN CN202111148146.7A patent/CN113868529A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819552A (zh) * | 2021-03-26 | 2021-05-18 | 中国建设银行股份有限公司 | 广告推送方法、装置及计算机可读存储介质 |
| CN113065069A (zh) * | 2021-04-21 | 2021-07-02 | 山大地纬软件股份有限公司 | 一种基于数据画像的双向就业推荐方法和装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114723488A (zh) * | 2022-04-07 | 2022-07-08 | 平安科技（深圳）有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
| CN114723488B (zh) * | 2022-04-07 | 2023-05-30 | 平安科技（深圳）有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
| CN114819590A (zh) * | 2022-04-20 | 2022-07-29 | 平安科技（深圳）有限公司 | 策略智能推荐方法、装置、设备及存储介质 |
| CN114819590B (zh) * | 2022-04-20 | 2023-07-18 | 平安科技（深圳）有限公司 | 策略智能推荐方法、装置、设备及存储介质 |
| CN115982429A (zh) * | 2023-03-21 | 2023-04-18 | 中交第四航务工程勘察设计院有限公司 | 一种基于流程控制的知识管理方法及系统 |
| CN115982429B (zh) * | 2023-03-21 | 2023-08-01 | 中交第四航务工程勘察设计院有限公司 | 一种基于流程控制的知识管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112347214B (zh) | 目标区域划分方法、装置、电子设备及存储介质 | |
| CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
| CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
| CN114979120B (zh) | 数据上传方法、装置、设备及存储介质 | |
| CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN114186132A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
| CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| CN115600644A (zh) | 多任务处理方法、装置、电子设备及存储介质 | |
| CN114913371A (zh) | 多任务学习模型训练方法、装置、电子设备及存储介质 | |
| CN113656690A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN113505273A (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
| CN115238179A (zh) | 项目推送方法、装置、电子设备及计算机可读存储介质 | |
| CN115982454A (zh) | 基于用户画像的问卷推送方法、装置、设备及存储介质 | |
| CN112561500B (zh) | 基于用户数据的薪酬数据生成方法、装置、设备及介质 | |
| CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN113486646A (zh) | 产品报告发布方法、装置、电子设备及可读存储介质 | |
| CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN114742423B (zh) | 一种随机分组方法、装置、设备及介质 | |
| CN113704616B (zh) | 信息推送方法、装置、电子设备及可读存储介质 | |
| CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 | |
| CN113051475B (zh) | 内容推荐方法、装置、电子设备及可读存储介质 | |
| CN115409581A (zh) | 基于用户行为配置化的产品推荐方法、装置、设备及介质 |
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 |