CN114090797A - 一种基于智能推荐的组件检索方法及装置 - Google Patents
一种基于智能推荐的组件检索方法及装置 Download PDFInfo
- Publication number
- CN114090797A CN114090797A CN202111430033.6A CN202111430033A CN114090797A CN 114090797 A CN114090797 A CN 114090797A CN 202111430033 A CN202111430033 A CN 202111430033A CN 114090797 A CN114090797 A CN 114090797A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- component
- retrieval
- result
- 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.)
- 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
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于智能推荐的组件检索方法及装置。其中,该方法包括:获取检索信息;将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据;根据所述多元化数据,利用组件推荐模型输出推荐结果;将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果。本发明解决了现有技术中的组件检索推荐生成方法仅仅是根据本地决策参数和输入因子来进行最终决策数据的生成,而不能针对多元数据的采集进行组件推荐生成,也无法利用大数据平台对生成的推荐数据进行反向验证,因此导致检索推荐过程精度不高、效率不高的技术问题的技术问题。
Description
技术领域
本发明涉及IT和软件研发中的数据预测、数据处理领域,具体而言,涉及一种基于智能推荐的组件检索方法及装置。
背景技术
随着智能化科技的不断发展,人们的生活、工作、学习之中越来越多地用到了智能化设备,使用智能化科技手段,提高了人们生活的质量,增加了人们学习和工作的效率。
在决策或组件推荐方面,往往通过服务器中的决策树逻辑算法,针对逻辑对抗模型来进行决策结果数据的生成,在逻辑生成过程之中,训练对抗模型和模型的输入数据均采用大量的历史数据或者采集器采集到的待处理数据进行分析和处理。但是现有技术中的组件检索推荐生成方法仅仅是根据本地决策参数和输入因子来进行最终决策数据的生成,而不能针对多元数据的采集进行组件推荐生成,也无法利用大数据平台对生成的推荐数据进行反向验证,因此导致检索推荐过程精度不高、效率不高的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于智能推荐的组件检索方法及装置,以至少解决现有技术中的组件检索推荐生成方法仅仅是根据本地决策参数和输入因子来进行最终决策数据的生成,而不能针对多元数据的采集进行组件推荐生成,也无法利用大数据平台对生成的推荐数据进行反向验证,因此导致检索推荐过程精度不高、效率不高的技术问题的技术问题。
根据本发明实施例的一个方面,提供了一种基于智能推荐的组件检索方法,包括:获取检索信息;将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据;根据所述多元化数据,利用组件推荐模型输出推荐结果;将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果。
进一步地,所述检索信息包括:用户根据检索需求生成的检索关键词。
进一步地,在所述将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据之后,所述方法还包括:根据所述多元化数据进行组件推荐模型的训练。
进一步地,在所述将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果之后,所述方法还包括:将所述推荐结果发送至用户终端。
根据本发明实施例的另一方面,还提供了一种基于智能推荐的组件检索装置,包括:获取模块,用于获取检索信息;提取模块,用于将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据;输出模块,用于根据所述多元化数据,利用组件推荐模型输出推荐结果;验证模块,用于将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果。
进一步地,所述检索信息包括:用户根据检索需求生成的检索关键词。
进一步地,所述装置还包括:训练模块,用于根据所述多元化数据进行组件推荐模型的训练。
进一步地,所述装置还包括:发送模块,用于将所述推荐结果发送至用户终端。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种基于智能推荐的组件检索方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种基于智能推荐的组件检索方法。
本发明具有以下有益效果:
在本发明实施例中,采用获取检索信息;将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据;根据所述多元化数据,利用组件推荐模型输出推荐结果;将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果的方式,解决了现有技术中的组件检索推荐生成方法仅仅是根据本地决策参数和输入因子来进行最终决策数据的生成,而不能针对多元数据的采集进行组件推荐生成,也无法利用大数据平台对生成的推荐数据进行反向验证,因此导致检索推荐过程精度不高、效率不高的技术问题的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种基于智能推荐的组件检索方法的流程图;
图2是根据本发明实施例的一种基于智能推荐的组件检索装置的结构框图;
图3是根据本发明实施例的DNN神经网络构成示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种基于智能推荐的组件检索方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1是根据本发明实施例的一种基于智能推荐的组件检索方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取检索信息。
步骤S104,将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据。
步骤S106,根据所述多元化数据,利用组件推荐模型输出推荐结果。
步骤S108,将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果。
可选的,所述检索信息包括:用户根据检索需求生成的检索关键词。
可选的,在所述将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据之后,所述方法还包括:根据所述多元化数据进行组件推荐模型的训练。
可选的,在所述将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果之后,所述方法还包括:将所述推荐结果发送至用户终端。
具体的,首先获取检索信息,其中,所述检索信息是用户根据检索需求或者检索指令生成的检索关键词等信息,用于检索相应的开发组件;具体的,在用户产生了关键词信息的时候,用户需要仅输入关键词检索信息,便可以得到相关组件检索的结果,因此在采集设备采集的时候,最先需要收集用户输入的检索指令,并分析出关键词等信息。随后,需要将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,并提取相应的与该组件检索需求有关的多元化数据;具体的,在通过大数据平台激活数据库之后,需要根据用户的需求或者检索信息来搜索和匹配大数据数据库中与该需求相关的多元化数据,其中,多元化数据指的是涉及到该需求的多种数据以及多渠道数据,增加后续模型训练的准确性。
根据所述多元化数据进行组件推荐神经网络模型的训练,并将训练结果作为所述检索信息的输入对象进行输入;通过所述组件推荐模型输出的推荐结果反向输入至大数据平台中,根据大数据平台中检索信息与最终选定的组建信息的组合数据集对所述推荐结果进行验证,并得到验证结果,其中,所述验证结果包括合格、不合格;具体的,在进行神经网络模型训练的时候,通过大数据平台采集到的多元化数据可以用来训练组件检索DNN神经网络模型,另外从DNN按不同层的位置划分,组件检索的DNN内部的神经网络层可以分为三类,输入层,隐藏层和输出层,如图3示例,一般来说第一层是输入层,最后一层是输出层,而中间的层数都是隐藏层。
其中,层与层之间是全连接的,也就是说,第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂,但是从小的局部模型来说,还是和感知机一样,即一个线性关系z=Σwixi+b加上一个激活函数σ(z)。进一步地,在构建了上述DNN网络模型之后,通过DNN网络模型得到组件检索结果并利用大数据平台中检索信息与最终选定的组建信息的组合数据集对所述推荐结果进行验证,并得到验证结果,验证过程可以是通过大数据平台对结果进行反向检索,并检验是否得到所述检索信息,当所述验证结果为合格的时候,说明通过反向利用大数据平台进行的组件推荐结果是符合用户预期的,也符合历史数据的统计规律;将所述推荐结果发送给用户终端。
通过上述实施例,解决了现有技术中的组件检索推荐生成方法仅仅是根据本地决策参数和输入因子来进行最终决策数据的生成,而不能针对多元数据的采集进行组件推荐生成,也无法利用大数据平台对生成的推荐数据进行反向验证,因此导致检索推荐过程精度不高、效率不高的技术问题的技术问题。
实施例二
图1是根据本发明实施例的一种基于智能推荐的组件检索方法的流程图,如图1所示,该方法包括如下步骤:
获取模块20,用于获取检索信息。
提取模块22,用于将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据。
输出模块24,用于根据所述多元化数据,利用组件推荐模型输出推荐结果。
验证模块26,用于将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果。
可选的,所述检索信息包括:用户根据检索需求生成的检索关键词。
可选的,所述装置还包括:训练模块,用于根据所述多元化数据进行组件推荐模型的训练。
可选的,所述装置还包括:发送模块,用于将所述推荐结果发送至用户终端。
具体的,首先获取检索信息,其中,所述检索信息是用户根据检索需求或者检索指令生成的检索关键词等信息,用于检索相应的开发组件;具体的,在用户产生了关键词信息的时候,用户需要仅输入关键词检索信息,便可以得到相关组件检索的结果,因此在采集设备采集的时候,最先需要收集用户输入的检索指令,并分析出关键词等信息。随后,需要将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,并提取相应的与该组件检索需求有关的多元化数据;具体的,在通过大数据平台激活数据库之后,需要根据用户的需求或者检索信息来搜索和匹配大数据数据库中与该需求相关的多元化数据,其中,多元化数据指的是涉及到该需求的多种数据以及多渠道数据,增加后续模型训练的准确性。
根据所述多元化数据进行组件推荐神经网络模型的训练,并将训练结果作为所述检索信息的输入对象进行输入;通过所述组件推荐模型输出的推荐结果反向输入至大数据平台中,根据大数据平台中检索信息与最终选定的组建信息的组合数据集对所述推荐结果进行验证,并得到验证结果,其中,所述验证结果包括合格、不合格;具体的,在进行神经网络模型训练的时候,通过大数据平台采集到的多元化数据可以用来训练组件检索DNN神经网络模型,另外从DNN按不同层的位置划分,组件检索的DNN内部的神经网络层可以分为三类,输入层,隐藏层和输出层,如图3示例,一般来说第一层是输入层,最后一层是输出层,而中间的层数都是隐藏层。
其中,层与层之间是全连接的,也就是说,第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂,但是从小的局部模型来说,还是和感知机一样,即一个线性关系z=Σwixi+b加上一个激活函数σ(z)。进一步地,在构建了上述DNN网络模型之后,通过DNN网络模型得到组件检索结果并利用大数据平台中检索信息与最终选定的组建信息的组合数据集对所述推荐结果进行验证,并得到验证结果,验证过程可以是通过大数据平台对结果进行反向检索,并检验是否得到所述检索信息,当所述验证结果为合格的时候,说明通过反向利用大数据平台进行的组件推荐结果是符合用户预期的,也符合历史数据的统计规律;将所述推荐结果发送给用户终端。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种基于智能推荐的组件检索方法。
具体的,上述方法包括:获取检索信息;将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据;根据所述多元化数据,利用组件推荐模型输出推荐结果;将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果。可选的,所述检索信息包括:用户根据检索需求生成的检索关键词。可选的,在所述将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据之后,所述方法还包括:根据所述多元化数据进行组件推荐模型的训练。可选的,在所述将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果之后,所述方法还包括:将所述推荐结果发送至用户终端。
根据本发明实施例的另一方面,还提供了一种电子装置,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种基于智能推荐的组件检索方法。
具体的,上述方法包括:获取检索信息;将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据;根据所述多元化数据,利用组件推荐模型输出推荐结果;将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果。可选的,所述检索信息包括:用户根据检索需求生成的检索关键词。可选的,在所述将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据之后,所述方法还包括:根据所述多元化数据进行组件推荐模型的训练。可选的,在所述将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果之后,所述方法还包括:将所述推荐结果发送至用户终端。
通过上述实施例,解决了现有技术中的组件检索推荐生成方法仅仅是根据本地决策参数和输入因子来进行最终决策数据的生成,而不能针对多元数据的采集进行组件推荐生成,也无法利用大数据平台对生成的推荐数据进行反向验证,因此导致检索推荐过程精度不高、效率不高的技术问题的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
所述集成的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。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于智能推荐的组件检索方法,其特征在于,包括:
获取检索信息;
将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据;
根据所述多元化数据,利用组件推荐模型输出推荐结果;
将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果。
2.根据权利要求1所述的方法,其特征在于,所述检索信息包括:用户根据检索需求生成的检索关键词。
3.根据权利要求1所述的方法,其特征在于,在所述将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据之后,所述方法还包括:
根据所述多元化数据进行组件推荐模型的训练。
4.根据权利要求1所述的方法,其特征在于,在所述将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果之后,所述方法还包括:
将所述推荐结果发送至用户终端。
5.一种基于智能推荐的组件检索装置,其特征在于,包括:
获取模块,用于获取检索信息;
提取模块,用于将所述检索信息中的关键词与开发组件大数据平台中的开发组件数据库进行匹配,提取多元化数据;
输出模块,用于根据所述多元化数据,利用组件推荐模型输出推荐结果;
验证模块,用于将所述推荐结果通过所述开发组件大数据平台进行反向验证,得到验证结果。
6.根据权利要求5所述的装置,其特征在于,所述检索信息包括:用户根据检索需求生成的检索关键词。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
训练模块,用于根据所述多元化数据进行组件推荐模型的训练。
8.根据权利要求5所述的装置,其特征在于,所述装置还包括:
发送模块,用于将所述推荐结果发送至用户终端。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至4中任意一项所述的方法。
10.一种电子装置,其特征在于,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111430033.6A CN114090797A (zh) | 2021-11-29 | 2021-11-29 | 一种基于智能推荐的组件检索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111430033.6A CN114090797A (zh) | 2021-11-29 | 2021-11-29 | 一种基于智能推荐的组件检索方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114090797A true CN114090797A (zh) | 2022-02-25 |
Family
ID=80305332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111430033.6A Pending CN114090797A (zh) | 2021-11-29 | 2021-11-29 | 一种基于智能推荐的组件检索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114090797A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595069A (zh) * | 2023-05-18 | 2023-08-15 | 广东玖诚网络科技有限公司 | 一种基于大数据的过滤展示方法及系统 |
-
2021
- 2021-11-29 CN CN202111430033.6A patent/CN114090797A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595069A (zh) * | 2023-05-18 | 2023-08-15 | 广东玖诚网络科技有限公司 | 一种基于大数据的过滤展示方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131383B (zh) | 特定目标的情感极性分类方法 | |
CN112085565B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN108108821A (zh) | 模型训练方法及装置 | |
CN109344240B (zh) | 一种数据处理方法、服务器及电子设备 | |
CN107545897A (zh) | 对话行为推定方法、对话行为推定装置以及程序 | |
CN107943792B (zh) | 一种语句分析方法、装置及终端设备、存储介质 | |
CN109800413A (zh) | 新闻事件的识别方法、装置、设备及可读存储介质 | |
CN105512156B (zh) | 点击模型生成方法和装置 | |
CN112632252B (zh) | 对话应答方法、装置、计算机设备和存储介质 | |
CN115470328A (zh) | 基于知识图谱的开放领域问答方法及相关设备 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN110457707B (zh) | 实词关键词的提取方法、装置、电子设备及可读存储介质 | |
CN114090797A (zh) | 一种基于智能推荐的组件检索方法及装置 | |
CN112597292B (zh) | 问题回复推荐方法、装置、计算机设备和存储介质 | |
CN111476446A (zh) | 业务状态的监控处理方法、装置、设备及存储介质 | |
CN110222144A (zh) | 文本内容提取方法、装置、电子设备及存储介质 | |
CN116702059B (zh) | 一种基于物联网的智能生产车间管理系统 | |
CN113065329A (zh) | 数据的处理方法和装置 | |
CN113312902A (zh) | 一种对合同文本的智能审核校验方法及装置 | |
CN113313615A (zh) | 一种对企业司法风险进行量化评分定级的方法及装置 | |
CN111667306A (zh) | 面向定制化生产的客户需求识别方法、系统及终端 | |
CN106776530B (zh) | 主题词抽取方法及装置 | |
CN113537297B (zh) | 一种行为数据预测方法及装置 | |
CN113312422A (zh) | 一种基于深度学习的新闻媒体数据智能结构化方法及装置 | |
CN117349518A (zh) | 确定最远邻候选点的方法、装置、计算机设备及存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 1308, 13th floor, East Tower, 33 Fuxing Road, Haidian District, Beijing 100036 Applicant after: China Telecom Digital Intelligence Technology Co.,Ltd. Address before: Room 1308, 13th floor, East Tower, 33 Fuxing Road, Haidian District, Beijing 100036 Applicant before: CHINA TELECOM GROUP SYSTEM INTEGRATION Co.,Ltd. |