CN113902354A - 旅游评价数据处理方法、装置和计算机设备 - Google Patents
旅游评价数据处理方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113902354A CN113902354A CN202111461358.0A CN202111461358A CN113902354A CN 113902354 A CN113902354 A CN 113902354A CN 202111461358 A CN202111461358 A CN 202111461358A CN 113902354 A CN113902354 A CN 113902354A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- scenic spot
- target
- label
- evaluation data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 430
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 117
- 238000012163 sequencing technique Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 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
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及旅游数据处理技术领域，公开了一种旅游评价数据处理方法、装置和计算机设备，其中，方法包括：获取多个景区的旅游评价数据；提取一个景区，获取目标旅游评价数据；根据目标旅游评价数据得到目标景区的景区标签；计算目标景区的景区标签与其对应的评价文本的总相关性分数；根据多个景区的景区标签、旅游评价数据、景区名称构建图谱网络；根据图谱网络和用户指令建立多个景区的旅游评价数据的分类排序表。本发明提供的旅游评价数据处理方法、装置和计算机设备，建立并根据图谱网络和用户的指令形成分类排序表，使得用户能够快速的获知感兴趣的景区或获得有用的旅游知识，提高了旅游评价数据的参考价值，且提升了用户的使用体验。
Description
技术领域
本发明涉及旅游数据处理技术领域，特别涉及一种旅游评价数据处理方法、装置和计算机设备。
背景技术
随着互联网技术的迅速发展，大多数的用户在开始旅游之前都会通过互联网获取旅游知识，或在旅游结束之后通过互联网交流旅游心得；通常，用户可以在旅游网站中查阅其他用户发表的旅游评价数据，通过旅游评价数据中的文本内容中描述的景点信息或旅游主题等信息来获取其需要的旅游知识。然而，由于各大旅游网站的评价信息杂乱无章，需要用户进行大量的翻阅，使得用户无法快速的从这些数据获知感兴趣的景区或获得有用的旅游知识，浪费了用户大量的时间，最终导致旅游评价数据的参考价值弱化，且不利于提升用户的使用体验。
发明内容
本发明提供了一种旅游评价数据处理方法、装置和计算机设备，建立旅游评价数据的图谱网络，并根据图谱网络和用户的指令形成分类排序表，使得用户能够快速的获知感兴趣的景区或获得有用的旅游知识，节约了用户的时间，提高了旅游评价数据的参考价值，且提升了用户的使用体验。
本发明提供了一种旅游评价数据处理方法，包括：
获取多个景区的旅游评价数据；其中，一个景区的所述旅游评价数据中包含多条评价文本；
依次提取多个景区中的一个景区作为目标景区，并获取目标景区的旅游评价数据作为目标旅游评价数据；
对所述目标旅游评价数据进行去重处理；
根据所述目标旅游评价数据得到所述目标景区的景区标签，并根据语义相似度算法对所述景区标签进行去重处理；
计算所述目标景区的景区标签与其对应的旅游评价数据中每条评价文本的总相关性分数；
根据所述多个景区的景区标签、旅游评价数据、景区名称构建图谱网络，并将多个所述总相关性分数添加至所述图谱网络中；
根据所述图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端。
进一步地，所述依次提取多个景区中的一个景区作为目标景区，并获取目标景区的旅游评价数据作为目标旅游评价数据的步骤之后，还包括：
当所述目标旅游评价数据中具有负面评价文本时，获取评价发表所述负面评价文本的用户作为负面评价用户；
获取负面评价用户的历史评价总次数，以及获取负面评价用户的历史负面评价次数；
根据所述历史评价总次数和历史负面评价次数计算所述负面评价用户的负面评价率；
当所述负面评价率超过设定阈值时，删除所述负面评价用户的发表的所有评价文本。
进一步地，所述根据所述目标旅游评价数据得到所述目标景区的景区标签的步骤，包括：
依次提取所述目标旅游评价数据中的一条评价文本作为目标评价文本；
对所述目标评价文本进行分句得到多个离散句，并将多个离散句进行向量转化，得到句向量；
将景区标签数据库中每个景区标签进行向量转化，得到景区标签向量；
利用预设的神经网络模型，确定所述句向量的初始标签向量；其中，所述初始标签向量与景区标签向量具有相同的维度；
在预设的景区标签数据库中查找与所述初始标签向量相似度超过设定数值的景区标签向量，并将所述景区标签向量对应的景区标签作为所述目标评价文本的景区标签；
将所述目标旅游评价数据中所有评价文本的景区标签作为所述目标景区的景区标签。
进一步地，所述初始标签向量与所述景区标签向量的相似度计算公式为：
其中，
为所述初始标签向量与所述景区标签向量的相似度值，
表示初始标签向量，
表示景区标签向量，
表示初始标签向量的第i维，
表示景区标签向量的第i维。
进一步地，所述计算所述目标景区的景区标签与其对应的旅游评价数据中每条评价文本的总相关性分数的步骤，包括：
获取所述目标景区的景区标签中的一个景区标签作为目标景区标签，并提取与所述目标景区标签对应的所有评价文本；
提取所述目标景区标签对应的所有评价文本中的一条评价文本作为初始评价文本；
计算所述目标景区标签与所述初始评价文本之间的固定相关性分数；
获取所述目标景区标签对应的所有评价文本的总点击次数，以及获取所述初始评价文本的点击次数；
根据所述目标景区标签对应的所有评价文本的总点击次数和所述初始评价文本的点击次数计算所述目标景区标签与所述初始评价文本之间的变化相关性分数；
根据所述固定相关性分数和所述变化相关性分数计算所述目标景区标签与所述初始评价文本之间的总相关性分数。
进一步地，所述根据所述图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端的步骤，包括：
获取用户指令对应的多个景区标签，并将所述多个景区标签以景区分类；
将每个景区的景区标签按照景区标签对应的评价文本的数量由多到少进行排序；
根据每个景区标签对应的评价文本的数量计算每个景区标签的推荐百分比；
将所述推荐百分比展示在其对应的景区标签旁，并将所述景区标签对应的评价文本按照总相关性分数由大到小进行排序，形成景区排序表；
将所述多个景区的景区排序表进行组合，以形成所述分类排序表。
进一步地，所述根据所述图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端的步骤之后，还包括：
当获取到新的评价文本时，将所述评价文本置顶展示并标识最新评价文本；
设定时间段后，根据所述新的评价文本得到其对应景区的景区标签，并计算新的评价文本与其对应的景区标签的总相关性分数；
将所述新的评价文本、新的评价文本与其对应的景区标签的总相关性分数添加至所述图谱网络中，形成更新后的图谱网络；
根据更新后的图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端。
本发明还提供了一种旅游评价数据处理装置，包括：
获取模块，用于获取多个景区的旅游评价数据；其中，一个景区的所述旅游评价数据中包含多条评价文本；
提取模块，用于依次提取多个景区中的一个景区作为目标景区，并获取目标景区的旅游评价数据作为目标旅游评价数据；
去重模块，用于对所述目标旅游评价数据进行去重处理；
标签模块，用于根据所述目标旅游评价数据得到所述目标景区的景区标签，并根据语义相似度算法对所述景区标签进行去重处理；
计算模块，用于计算所述目标景区的景区标签与其对应的旅游评价数据中每条评价文本的总相关性分数；
构建模块，用于根据所述多个景区的景区标签、旅游评价数据、景区名称构建图谱网络，并将多个所述总相关性分数添加至所述图谱网络中；
展示模块，用于根据所述图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端。
本发明还提供了一种计算机设备，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上述方法的步骤。
本发明还提供了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上述方法的步骤。
本发明的有益效果为：
获取多个景区的旅游评价数据，进而选取一个景区的旅游评价数据去除重复的数据信息，然后根据旅游评价数据得到景区标签，同时对得到的多个景区标签进行去重处理，去除重复的景区标签，然后计算每个景区标签与其对应的旅游评价数据的总相关性分数，依据多个景区的景区标签、旅游评价数据、景区名称构建图谱网络，同时总相关性分数也添加至图谱网络中，以便在获取到用户指令时，能够根据用户的指令和图谱网络建立多个景区的旅游评价数据的分类排序表，方便用户分类查看需要的景区的旅游评价数据，使得用户能够快速的获知感兴趣的景区或获得有用的旅游知识，节约了用户的时间，提高了旅游评价数据的参考价值，且提升了用户的使用体验。
附图说明
图1为本发明一实施例的方法流程示意图。
图2为本发明一实施例的装置结构示意图。
图3为本发明一实施例的计算机设备内部结构示意图。
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。
如图1所示，本发明提供了一种旅游评价数据处理方法，包括：
S1、获取多个景区的旅游评价数据；其中，一个景区的所述旅游评价数据中包含多条评价文本；
S2、依次提取多个景区中的一个景区作为目标景区，并获取目标景区的旅游评价数据作为目标旅游评价数据；
S3、对所述目标旅游评价数据进行去重处理；
S4、根据所述目标旅游评价数据得到所述目标景区的景区标签，并根据语义相似度算法对所述景区标签进行去重处理；
S5、计算所述目标景区的景区标签与其对应的旅游评价数据中每条评价文本的总相关性分数；
S6、根据所述多个景区的景区标签、旅游评价数据、景区名称构建图谱网络，并将多个所述总相关性分数添加至所述图谱网络中；
S7、根据所述图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端。
如上述步骤S1所述，从各大旅游网站爬取旅游评价数据，该旅游评价数据一般为用户在旅行之后对景区的心得感受，具有参考意义和价值；其中，旅游评价数据按照景区进行分类，一个景区的旅游评价数据中包含多条评价文本，每条评价文本中包括文字、照片、视频等信息。
如上述步骤S2所述，从众多的旅游景区中提取一个景区作为目标景区，然后将目标景区的旅游评价数据作为目标旅游评价数据，对目标旅游评价数据中的每条评价文本进行处理得到景区标签和总相关性分数后；再次提取另一旅游景区作为目标景区，并对其旅游评价数据进行处理得到景区标签和总相关性分数；以此类推，直到处理完所有旅游景区的所有旅游评价数据后，依据景区之间相同的景区标签即可建立图谱网络，便于根据用户指令和图谱网络对所有的旅游评价数据进行分类。
如上述步骤S3所述，对目标景区的目标旅游评价数据采用PPjoin算法进行去重处理，在同一旅游景区中两个或两个以上相似度较高的评价文本中，仅留下一个评价文本，去除剩余的评价本文，能够减少数据处理量，提高数据处理效率。
如上述步骤S4所述，目标旅游评价数据中包含多条评价文本，根据每一条评价文本均能得到景区标签，综合目标旅游评价数据中的多条评价文本得到的景区标签，即得到目标景区的景区标签，然而，不同的评价文本可能会得到相同的景区标签，导致景区标签重复，使得图谱网络混乱，因此根据语义相似度算法（WMD算法，Word Mover’s Distance，通过计算文本间词的距离来衡量文本相似度的算法）对景区标签进行去重处理，如“美丽”和“漂亮”为同一意思表达，因而在两者中择其一留下，并将剩下的删除，使得图谱网络的关联清晰，并在后续建立分类排序表时减少数据处理量，提高数据处理效率。
如上述步骤S5所述，可以采用BM25算法计算景区标签与其对应的旅游评价数据中每条评价文本的固定相关性分数；BM25是一种用来评价搜索词和文档之间相关性的算法（将景区标签作为搜索词，评价文本作为文档），它是一种基于概率检索模型提出的算法。因用户的主观思想会对相关性产生印象，所以根据用户的点击次数（表达用户的主管思想）计算变化相关性分数，进而根据固定相关性分数和变化相关性分数所占不同的权重值计算出目标景区的景区标签与其对应的旅游评价数据中每条评价文本的总相关性分数。
如上述步骤S6所述，根据景区标签和景区的关联关系建立图谱网络，一个景区具有一个或多个景区标签，不同的景区可能会具有同一个景区标签，因此会使得一个景区标签对应一个或多个旅游景区，从而形成图谱网络；景区以景区名称显示，景区标签还对应了旅游评价数据中一条或多条得到该景区标签的评价文本，同时，将景区标签与评价文本的总相关性分数添加到图谱网络中，以便在建立分类排序表时能够直接通过总相关性分数进行排序。
如上述步骤S7所述，形成图谱网络后，获取用户指令，并根据用户指令建立多个景区的旅游评价数据的分类排序表，并将分类排序表展示在前端，以便用户进行查看。例如用户选择景区标签“人文”，则提取“人文”对应的旅游景区，以旅游景区分类，并将每个旅游景区对应的“人文”下的评价文本根据总相关性分数进行排序展示；若用户选择一个景区，则将该景区的景区标签根据推荐百分比排序展示，并展示该景区的每个景区标签对应的所有评价文本（评价文本通过总相关性分数排序展示），方便用户分类查看需要的景区的旅游评价数据，使得用户能够快速的获知感兴趣的景区或获得有用的旅游知识，节约了用户的时间，提高了旅游评价数据的参考价值，且提升了用户的使用体验。
在一个实施例中，所述依次提取多个景区中的一个景区作为目标景区，并获取目标景区的旅游评价数据作为目标旅游评价数据的步骤之后，还包括：
S21、当所述目标旅游评价数据中具有负面评价文本时，获取评价发表所述负面评价文本的用户作为负面评价用户；
S22、获取负面评价用户的历史评价总次数，以及获取负面评价用户的历史负面评价次数；
S23、根据所述历史评价总次数和历史负面评价次数计算所述负面评价用户的负面评价率；
S24、当所述负面评价率超过设定阈值时，删除所述负面评价用户的发表的所有评价文本。
如上述步骤S21-S24所述，旅游评价数据中包括正面评价文本和负面评价文本，定义好评和中评的评价文本为正面评价文本，定义差评的评价文本为负面评价文本，当目标旅游评价数据中具有负面评价文本时，其可能为用户的恶意评价，因此获取负面评价用户的历史负面评价次数，并根据历史评价总次数和历史负面评价次数计算负面评价用户的负面评价率，即负面评价率=历史负面评价次数/历史评价总次数，当负面评价率超过设定阈值（如90%，可以根据具体情况进行调整）时，判定用户的评价为恶意评价，其评价不具有参考意义和价值，因此对该负面评价文本进行删除，或对该负面评价文本进行隐藏，不显示其评价文本内容，同时，不将该负面评价文本列入图谱网络，也不使用该负面评价文本取得景区标签，进而不会计算景区标签与该负面评价文本的总相关性分数。
在一个实施例中，所述根据所述目标旅游评价数据得到所述目标景区的景区标签的步骤，包括：
S41、依次提取所述目标旅游评价数据中的一条评价文本作为目标评价文本；
S42、对所述目标评价文本进行分句得到多个离散句，并将多个离散句进行向量转化，得到句向量；
S43、将景区标签数据库中每个景区标签进行向量转化，得到景区标签向量；
S44、利用预设的神经网络模型，确定所述句向量的初始标签向量；其中，所述初始标签向量与景区标签向量具有相同的维度；
S45、在预设的景区标签数据库中查找与所述初始标签向量相似度超过设定数值的景区标签向量，并将所述景区标签向量对应的景区标签作为所述目标评价文本的景区标签；
S46、将所述目标旅游评价数据中所有评价文本的景区标签作为所述目标景区的景区标签。
如上述步骤S41-S46所述，提取目标旅游评价数据总一条评价文本作为目标评价文本，目标评价文本为文字内容，对目标评价文本进行分句，得到多个离散句，多个离散句组成目标评价文本，对多个离散句进行分词，得到多个离散词，然后对每个离散词进行向量转换处理，得到词向量，通过将词转换成多维实数向量，具有多个维度的词向量能够用于表达词组的多维信息，例如，词向量的其中一个维度能够用于表达词组的位置信息，词向量是一种将词组可视化的表示方式。对多个词向量进行加和求平均，或者对多个词向量进行权重加和，得到离散句对应的句向量。对景区标签库中的每一个景区标签进行向量转化处理，将每一个景区标签的词组转换成词向量，得到景区标签向量，其中，景区标签向量中的每一个景区标签向量的维度为V，V为不小于1的整数。向量转化处理的思想包括利用任一词的周边词来表示该词的含义，转换方法包括基于统计的方法和基于语言模型(language model)的方法，基于统计的方法包括共现矩阵法、奇异值分解法等，基于语言模型的方法包括Continuous Bag-of-Word法等，向量转化处理可采用现有技术实现，本实施例在此不做赘述。
利用预设的神经网络模型，确定句向量对应的初始标签向量，其中，初始标签向量与景区标签向量具有相同的维度。一个句向量可能不具有对应的初始标签向量，也可能对应一个或者多个初始标签向量，即在神经网络模型中输入某个句向量时，其输出的结果可能是一个或者多个分类，一个或者多个分类构成初始标签向量，区别于二分法或者激活函数，本实施例中利用神经网络模型得到的分类结果不具有唯一性。利用到的神经网络模型的训练方法包括将一定数量的句向量X作为输入样本，输入原始神经网络模型，拟合输出每一个句向量对应的标签向量Y，标签向量Y不是明确所属类别，也不具有明确概率值。通过调整原始神经网络模型的隐藏层深度、参数、激活函数等，使神经网络模型输出的标签向量Y的维度值与景区标签数据库中的景区标签向量的维度值相同。在经一定数量的样本训练之后的神经网络模型，相当于一个具有泛化能力的函数，当把任意一句向量输入神经网络模型后，得到与景区标签向量具有相同维度值的初始标签向量。
最后，在预设的景区标签数据库中查找与初始标签向量相似度超过设定数值（可根据具体情况进行调整）的景区标签向量，并将所述景区标签向量对应的景区标签作为目标评价文本的景区标签；将目标旅游评价数据中所有评价文本的景区标签作为所述目标景区的景区标签，即一个目标景区对应多个景区标签。
在一个实施例中，所述初始标签向量与所述景区标签向量的相似度计算公式为：
其中，
为所述初始标签向量与所述景区标签向量的相似度值，
表示初始标签向量，
表示景区标签向量，
表示初始标签向量的第i维，
表示景区标签向量的第i维。
在一个实施例中，所述计算所述目标景区的景区标签与其对应的旅游评价数据中每条评价文本的总相关性分数的步骤，包括：
S51、获取所述目标景区的景区标签中的一个景区标签作为目标景区标签，并提取与所述目标景区标签对应的所有评价文本；
S52、提取所述目标景区标签对应的所有评价文本中的一条评价文本作为初始评价文本；
S53、计算所述目标景区标签与所述初始评价文本之间的固定相关性分数；
S54、获取所述目标景区标签对应的所有评价文本的总点击次数，以及获取所述初始评价文本的点击次数；
S55、根据所述目标景区标签对应的所有评价文本的总点击次数和所述初始评价文本的点击次数计算所述目标景区标签与所述初始评价文本之间的变化相关性分数；
S56、根据所述固定相关性分数和所述变化相关性分数计算所述目标景区标签与所述初始评价文本之间的总相关性分数。
如上述步骤S51-S56所述，一个旅游景区具有多个景区标签，提取其中一个景区标签作为目标景区标签，并提取目标景区标签对应的所有评价文本，选择其中一个评价文本作为初始评价文本，采用BM25算法计算目标景区标签与初始评价文本之间的固定相关性分数，记为F固；获取目标景区标签对应的所有评价文本的总点击次数以及初始评价文本的点击次数，根据目标景区标签对应的所有评价文本的总点击次数和初始评价文本的点击次数计算目标景区标签与所述初始评价文本之间的变化相关性分数，记为F变，则F变=初始评价文本的点击次数/所有评价文本的总点击次数，最后根据固定相关性分数和变化相关性分数计算目标景区标签与所述初始评价文本之间的总相关性分数，记为F总，则F总=F固*A+F变*B，其中，A、B为加权百分比因子，可根据用户需要进行调整，且A+B=1。
在一个实施例中，所述根据所述图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端的步骤，包括：
S71、获取用户指令对应的多个景区标签，并将所述多个景区标签以景区分类；
S72、将每个景区的景区标签按照景区标签对应的评价文本的数量由多到少进行排序；
S73、根据每个景区标签对应的评价文本的数量计算每个景区标签的推荐百分比；
S74、将所述推荐百分比展示在其对应的景区标签旁，并将所述景区标签对应的评价文本按照总相关性分数由大到小进行排序，形成景区排序表；
S75、将所述多个景区的景区排序表进行组合，以形成所述分类排序表。
如上述步骤S71-S75所述，当用户选择了解一个或多个景区的评价时，选择一个或多个旅游景区对应的多个景区标签，当有多个旅游景区时，将多个景区标签按照景区进行分类，对其中一个旅游景区来说，将其景区标签按照景区标签对应的评价文本的数量由多到少进行排序，景区标签是由评价文本得来的，因而景区标签能够对应一个或多个评价文本；根据每个景区标签对应的评价文本的数量计算每个景区标签的推荐百分比，即，推荐百分比=景区标签对应的评价文本的数量/景区评价文本的总数量，因评价文本为每个用户输入的文本，所以推荐百分比则表示百分之多少的用户觉得该景区对应该标签。例如，计算出的推荐百分比为60%，景区标签为“人文”，则60%的用户觉该景区属于人文景区。将所述推荐百分比展示在其对应的景区标签旁，即将“60%的用户觉该景区属于人文景区”展示在“人文”旁边，并在“人文”下展示“人文”对应的评价文本（这些评价文本按照总相关性分数由大到小排序），形成一个景区的景区排序表。当具有多个景区时，将多个景区的景区排序表组合，形成分类排序表，方便用户分类查看需要的景区的旅游评价数据，使得用户能够快速的获知感兴趣的景区或获得有用的旅游知识，节约了用户的时间，提高了旅游评价数据的参考价值，且提升了用户的使用体验。若用户的指令为景区标签而不是景区，例如，用户选择景区标签“人文”，则提取“人文”对应的旅游景区，以旅游景区分类，并将每个旅游景区对应的“人文”下的评价文本根据总相关性分数进行排序展示。
在一个实施例中，所述根据所述图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端的步骤之后，还包括：
S8、当获取到新的评价文本时，将所述评价文本置顶展示并标识最新评价文本；
S9、设定时间段后，根据所述新的评价文本得到其对应景区的景区标签，并计算新的评价文本与其对应的景区标签的总相关性分数；
S10、将所述新的评价文本、新的评价文本与其对应的景区标签的总相关性分数添加至所述图谱网络中，形成更新后的图谱网络；
S11、根据更新后的图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端。
如上述步骤S8-S11所述，在对已有的旅游评价数据进行处理后，还有不断有新的评价文本产生，需要对图谱网络进行实时的更新。因而当获取到新的评价文本时，将该评价文本置顶展示并表示最新评价文本，即最新评价文本不属于任何一个景区标签，展示在最前面的景区标签之前，并打上最新评价文本的标签，以提示用户该评价文本是其他用户新发表的文本。当置顶了设定时间段后（可根据具体情况进行调整），将该文本纳入到旅游评价数据中进行处理，即，根据新的评价本文得到其对应的景区标签，并判断该景区标签是否已经存在于图谱网络中，若该标签存在于图谱网络中，则可以直接将新的评价文本与景区标签关联；若新的评价文本得到的景区标签不存在与图谱网络中，则在图谱网络中添加该景区标签，并与对应的景区和新的评价文本关联；同时，计算新的评价文本与其对应的景区标签的总相关性分数，并将总相关性分数添加至图谱网络中，形成更新后的图谱网络；在收到新的用户指令后，根据更新后的图谱网络和用户指令建立多个景区的旅游评价数据的分类排序表，并将分类排序表展示在前端，以便用户能够获取到最新数据组成的分类排序表，方便用户查看最新的分类排序情况，使得用户能够快速的获知感兴趣的景区或获得有用的旅游知识，节约了用户的时间，提高了旅游评价数据的参考价值，且提升了用户的使用体验。
如图2所示，本发明还提供了一种旅游评价数据处理装置，包括：
获取模块1，用于获取多个景区的旅游评价数据；其中，一个景区的所述旅游评价数据中包含多条评价文本；
提取模块2，用于依次提取多个景区中的一个景区作为目标景区，并获取目标景区的旅游评价数据作为目标旅游评价数据；
去重模块3，用于对所述目标旅游评价数据进行去重处理；
标签模块4，用于根据所述目标旅游评价数据得到所述目标景区的景区标签，并根据语义相似度算法对所述景区标签进行去重处理；
计算模块5，用于计算所述目标景区的景区标签与其对应的旅游评价数据中每条评价文本的总相关性分数；
构建模块6，用于根据所述多个景区的景区标签、旅游评价数据、景区名称构建图谱网络，并将多个所述总相关性分数添加至所述图谱网络中；
展示模块7，用于根据所述图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端。
在一个实施例中，还包括：
负面评价模块，用于当所述目标旅游评价数据中具有负面评价文本时，获取评价发表所述负面评价文本的用户作为负面评价用户；
负面评价次数获取模块，用于获取负面评价用户的历史评价总次数，以及获取负面评价用户的历史负面评价次数；
负面评价率计算模块，用于根据所述历史评价总次数和历史负面评价次数计算所述负面评价用户的负面评价率；
删除模块，用于当所述负面评价率超过设定阈值时，删除所述负面评价用户的发表的所有评价文本。
在一个实施例中，标签模块4，包括：
目标评价文本提取单元，用于依次提取所述目标旅游评价数据中的一条评价文本作为目标评价文本；
句向量单元，用于对所述目标评价文本进行分句得到多个离散句，并将多个离散句进行向量转化，得到句向量；
景区标签向量单元，用于将景区标签数据库中每个景区标签进行向量转化，得到景区标签向量；
初始标签向量单元，用于利用预设的神经网络模型，确定所述句向量的初始标签向量；其中，所述初始标签向量与景区标签向量具有相同的维度；
景区标签向量查找单元，用于在预设的景区标签数据库中查找与所述初始标签向量相似度超过设定数值的景区标签向量，并将所述景区标签向量对应的景区标签作为所述目标评价文本的景区标签；
作为单元，用于将所述目标旅游评价数据中所有评价文本的景区标签作为所述目标景区的景区标签。
在一个实施例中，所述初始标签向量与所述景区标签向量的相似度计算公式为：
其中，
为所述初始标签向量与所述景区标签向量的相似度值，
表示初始标签向量，
表示景区标签向量，
表示初始标签向量的第i维，
表示景区标签向量的第i维。
在一个实施例中，计算模块5，包括：
景区标签提取单元，用于获取所述目标景区的景区标签中的一个景区标签作为目标景区标签，并提取与所述目标景区标签对应的所有评价文本；
初始评价文本提取单元，用于提取所述目标景区标签对应的所有评价文本中的一条评价文本作为初始评价文本；
固定相关性分数单元，用于计算所述目标景区标签与所述初始评价文本之间的固定相关性分数；
总点击次数单元，用于获取所述目标景区标签对应的所有评价文本的总点击次数，以及获取所述初始评价文本的点击次数；
变化相关性分数单元，用于根据所述目标景区标签对应的所有评价文本的总点击次数和所述初始评价文本的点击次数计算所述目标景区标签与所述初始评价文本之间的变化相关性分数；
总相关性分数单元，用于根据所述固定相关性分数和所述变化相关性分数计算所述目标景区标签与所述初始评价文本之间的总相关性分数。
在一个实施例中，展示模块7，包括：
景区分类单元，用于获取用户指令对应的多个景区标签，并将所述多个景区标签以景区分类；
景区标签排序单元，用于将每个景区的景区标签按照景区标签对应的评价文本的数量由多到少进行排序；
推荐百分比单元，用于根据每个景区标签对应的评价文本的数量计算每个景区标签的推荐百分比；
景区排序表单元，用于将所述推荐百分比展示在其对应的景区标签旁，并将所述景区标签对应的评价文本按照总相关性分数由大到小进行排序，形成景区排序表；
组合单元，用于将所述多个景区的景区排序表进行组合，以形成所述分类排序表。
在一个实施例中，还包括：
置顶模块，用于当获取到新的评价文本时，将所述评价文本置顶展示并标识最新评价文本；
新的评价文本计算模块，用于设定时间段后，根据所述新的评价文本得到其对应景区的景区标签，并计算新的评价文本与其对应的景区标签的总相关性分数；
更新模块，用于将所述新的评价文本、新的评价文本与其对应的景区标签的总相关性分数添加至所述图谱网络中，形成更新后的图谱网络；
更新展示模块，用于根据更新后的图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端。
上述各模块、单元均是用于对应执行上述旅游评价数据处理方法中的各个步骤，其具体实现方式参照上述方法实施例所述，在此不再进行赘述。
如图3所示，本发明还提供了一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3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、网络接口和数据库。其中，该计算机设计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旅游评价数据处理方法的过程需要的所有数据。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旅游评价数据处理方法。
本领域技术人员可以理解，图3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。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一个旅游评价数据处理方法。
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，所述的计算机程序可存储与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，本申请所提供的和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/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，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他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种旅游评价数据处理方法，其特征在于，包括：
获取多个景区的旅游评价数据；其中，一个景区的所述旅游评价数据中包含多条评价文本；
依次提取多个景区中的一个景区作为目标景区，并获取目标景区的旅游评价数据作为目标旅游评价数据；
对所述目标旅游评价数据进行去重处理；
根据所述目标旅游评价数据得到所述目标景区的景区标签，并根据语义相似度算法对所述景区标签进行去重处理；
计算所述目标景区的景区标签与其对应的旅游评价数据中每条评价文本的总相关性分数；
根据所述多个景区的景区标签、旅游评价数据、景区名称构建图谱网络，并将多个所述总相关性分数添加至所述图谱网络中；
根据所述图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端。
2.根据权利要求1所述的旅游评价数据处理方法，其特征在于，所述依次提取多个景区中的一个景区作为目标景区，并获取目标景区的旅游评价数据作为目标旅游评价数据的步骤之后，还包括：
当所述目标旅游评价数据中具有负面评价文本时，获取评价发表所述负面评价文本的用户作为负面评价用户；
获取负面评价用户的历史评价总次数，以及获取负面评价用户的历史负面评价次数；
根据所述历史评价总次数和历史负面评价次数计算所述负面评价用户的负面评价率；
当所述负面评价率超过设定阈值时，删除所述负面评价用户的发表的所有评价文本。
3.根据权利要求1所述的旅游评价数据处理方法，其特征在于，所述根据所述目标旅游评价数据得到所述目标景区的景区标签的步骤，包括：
依次提取所述目标旅游评价数据中的一条评价文本作为目标评价文本；
对所述目标评价文本进行分句得到多个离散句，并将多个离散句进行向量转化，得到句向量；
将景区标签数据库中每个景区标签进行向量转化，得到景区标签向量；
利用预设的神经网络模型，确定所述句向量的初始标签向量；其中，所述初始标签向量与景区标签向量具有相同的维度；
在预设的景区标签数据库中查找与所述初始标签向量相似度超过设定数值的景区标签向量，并将所述景区标签向量对应的景区标签作为所述目标评价文本的景区标签；
将所述目标旅游评价数据中所有评价文本的景区标签作为所述目标景区的景区标签。
4.根据权利要求3所述的旅游评价数据处理方法，其特征在于，所述初始标签向量与所述景区标签向量的相似度计算公式为：
其中，
为所述初始标签向量与所述景区标签向量的相似度值，
表示初始标签向量，
表示景区标签向量，
表示初始标签向量的第i维，
表示景区标签向量的第i维。
5.根据权利要求1所述的旅游评价数据处理方法，其特征在于，所述计算所述目标景区的景区标签与其对应的旅游评价数据中每条评价文本的总相关性分数的步骤，包括：
获取所述目标景区的景区标签中的一个景区标签作为目标景区标签，并提取与所述目标景区标签对应的所有评价文本；
提取所述目标景区标签对应的所有评价文本中的一条评价文本作为初始评价文本；
计算所述目标景区标签与所述初始评价文本之间的固定相关性分数；
获取所述目标景区标签对应的所有评价文本的总点击次数，以及获取所述初始评价文本的点击次数；
根据所述目标景区标签对应的所有评价文本的总点击次数和所述初始评价文本的点击次数计算所述目标景区标签与所述初始评价文本之间的变化相关性分数；
根据所述固定相关性分数和所述变化相关性分数计算所述目标景区标签与所述初始评价文本之间的总相关性分数。
6.根据权利要求1所述的旅游评价数据处理方法，其特征在于，所述根据所述图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端的步骤，包括：
获取用户指令对应的多个景区标签，并将所述多个景区标签以景区分类；
将每个景区的景区标签按照景区标签对应的评价文本的数量由多到少进行排序；
根据每个景区标签对应的评价文本的数量计算每个景区标签的推荐百分比；
将所述推荐百分比展示在其对应的景区标签旁，并将所述景区标签对应的评价文本按照总相关性分数由大到小进行排序，形成景区排序表；
将所述多个景区的景区排序表进行组合，以形成所述分类排序表。
7.根据权利要求1所述的旅游评价数据处理方法，其特征在于，所述根据所述图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端的步骤之后，还包括：
当获取到新的评价文本时，将所述评价文本置顶展示并标识最新评价文本；
设定时间段后，根据所述新的评价文本得到其对应景区的景区标签，并计算新的评价文本与其对应的景区标签的总相关性分数；
将所述新的评价文本、新的评价文本与其对应的景区标签的总相关性分数添加至所述图谱网络中，形成更新后的图谱网络；
根据更新后的图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端。
8.一种旅游评价数据处理装置，其特征在于，包括：
获取模块，用于获取多个景区的旅游评价数据；其中，一个景区的所述旅游评价数据中包含多条评价文本；
提取模块，用于依次提取多个景区中的一个景区作为目标景区，并获取目标景区的旅游评价数据作为目标旅游评价数据；
去重模块，用于对所述目标旅游评价数据进行去重处理；
标签模块，用于根据所述目标旅游评价数据得到所述目标景区的景区标签，并根据语义相似度算法对所述景区标签进行去重处理；
计算模块，用于计算所述目标景区的景区标签与其对应的旅游评价数据中每条评价文本的总相关性分数；
构建模块，用于根据所述多个景区的景区标签、旅游评价数据、景区名称构建图谱网络，并将多个所述总相关性分数添加至所述图谱网络中；
展示模块，用于根据所述图谱网络和用户指令建立所述多个景区的旅游评价数据的分类排序表，并将所述分类排序表展示在前端。
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中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，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 |
|---|---|---|---|
| CN202111461358.0A CN113902354B (zh) | 2021-12-03 | 2021-12-03 | 旅游评价数据处理方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111461358.0A CN113902354B (zh) | 2021-12-03 | 2021-12-03 | 旅游评价数据处理方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113902354A true CN113902354A (zh) | 2022-01-07 |
| CN113902354B CN113902354B (zh) | 2022-03-04 |
Family
ID=79195309
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111461358.0A Active CN113902354B (zh) | 2021-12-03 | 2021-12-03 | 旅游评价数据处理方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113902354B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114186066A (zh) * | 2022-02-16 | 2022-03-15 | 子长科技(北京)有限公司 | 一种报告生成方法、系统、存储介质及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107153641A (zh) * | 2017-05-08 | 2017-09-12 | 北京百度网讯科技有限公司 | 评论信息确定方法、装置、服务器及存储介质 |
| CN107220352A (zh) * | 2017-05-31 | 2017-09-29 | 北京百度网讯科技有限公司 | 基于人工智能构建评论图谱的方法和装置 |
| CN109189944A (zh) * | 2018-09-27 | 2019-01-11 | 桂林电子科技大学 | 基于用户正负反馈画像编码的个性化景点推荐方法及系统 |
| CN110717090A (zh) * | 2019-08-30 | 2020-01-21 | 昆山市量子昆慈量子科技有限责任公司 | 一种旅游景点网络口碑评价方法、系统及电子设备 |
| CN110781300A (zh) * | 2019-09-20 | 2020-02-11 | 南宁师范大学 | 基于百度百科知识图谱的旅游资源文化特色评分算法 |
| US10643292B1 (en) * | 2015-07-22 | 2020-05-05 | Amazon Technologies, Inc. | Trust-based social graph for travel planning |
| CN111160756A (zh) * | 2019-12-26 | 2020-05-15 | 马上游科技股份有限公司 | 基于二次人工智能算法的景区评估方法及模型 |
| CN112269882A (zh) * | 2020-10-12 | 2021-01-26 | 西安工程大学 | 一种面向知识图谱的旅游景点推荐方法 |
| CN112749339A (zh) * | 2021-01-18 | 2021-05-04 | 陕西师范大学 | 一种基于旅游知识图谱的旅游路线推荐方法及系统 |
-
2021
- 2021-12-03 CN CN202111461358.0A patent/CN113902354B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10643292B1 (en) * | 2015-07-22 | 2020-05-05 | Amazon Technologies, Inc. | Trust-based social graph for travel planning |
| CN107153641A (zh) * | 2017-05-08 | 2017-09-12 | 北京百度网讯科技有限公司 | 评论信息确定方法、装置、服务器及存储介质 |
| CN107220352A (zh) * | 2017-05-31 | 2017-09-29 | 北京百度网讯科技有限公司 | 基于人工智能构建评论图谱的方法和装置 |
| CN109189944A (zh) * | 2018-09-27 | 2019-01-11 | 桂林电子科技大学 | 基于用户正负反馈画像编码的个性化景点推荐方法及系统 |
| CN110717090A (zh) * | 2019-08-30 | 2020-01-21 | 昆山市量子昆慈量子科技有限责任公司 | 一种旅游景点网络口碑评价方法、系统及电子设备 |
| CN110781300A (zh) * | 2019-09-20 | 2020-02-11 | 南宁师范大学 | 基于百度百科知识图谱的旅游资源文化特色评分算法 |
| CN111160756A (zh) * | 2019-12-26 | 2020-05-15 | 马上游科技股份有限公司 | 基于二次人工智能算法的景区评估方法及模型 |
| CN112269882A (zh) * | 2020-10-12 | 2021-01-26 | 西安工程大学 | 一种面向知识图谱的旅游景点推荐方法 |
| CN112749339A (zh) * | 2021-01-18 | 2021-05-04 | 陕西师范大学 | 一种基于旅游知识图谱的旅游路线推荐方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114186066A (zh) * | 2022-02-16 | 2022-03-15 | 子长科技(北京)有限公司 | 一种报告生成方法、系统、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113902354B (zh) | 2022-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111753060B (zh) | 信息检索方法、装置、设备及计算机可读存储介质 | |
| CN108829822B (zh) | 媒体内容的推荐方法和装置、存储介质、电子装置 | |
| CN110347835B (zh) | 文本聚类方法、电子装置及存储介质 | |
| 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 | |
| CN110377730B (zh) | 案由分类方法、装置、计算机设备和存储介质 | |
| CN110866140A (zh) | 图像特征提取模型训练方法、图像搜索方法及计算机设备 | |
| CN110929038A (zh) | 基于知识图谱的实体链接方法、装置、设备和存储介质 | |
| CN105975639B (zh) | 搜索结果排序方法和装置 | |
| CN113342958B (zh) | 问答匹配方法、文本匹配模型的训练方法和相关设备 | |
| WO2020065970A1 (ja) | 学習システム、学習方法、及びプログラム | |
| CN113515589A (zh) | 数据推荐方法、装置、设备以及介质 | |
| CN113902354B (zh) | 旅游评价数据处理方法、装置和计算机设备 | |
| CN113569118A (zh) | 自媒体推送方法、装置、计算机设备及存储介质 | |
| CN115827990B (zh) | 搜索方法及装置 | |
| CN115860283B (zh) | 基于知识工作者画像的贡献度预测方法及装置 | |
| CN113780832B (zh) | 舆情文本评分方法、装置、计算机设备和存储介质 | |
| CN112989022B (zh) | 虚拟文本智能选取方法、装置以及计算机设备 | |
| CN114090778A (zh) | 基于知识锚点的检索方法、装置、电子设备及存储介质 | |
| CN110110202A (zh) | 一种信息流推送方法及装置 | |
| CN113869803A (zh) | 企业敏感信息风险评估方法、系统和存储介质 | |
| CN114328894A (zh) | 文档处理方法、装置、电子设备及介质 | |
| CN113704623A (zh) | 一种数据推荐方法、装置、设备及存储介质 | |
| CN112148855A (zh) | 一种智能客服问题检索方法、终端以及存储介质 | |
| CN114722267A (zh) | 信息推送方法、装置及服务器 | |
| CN111368034A (zh) | 双向语义特征匹配方法及供给内容推荐装置 |
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 | ||
| GR01 | Patent grant |