CN114238767A - 业务推荐方法、装置、计算机设备和存储介质 - Google Patents
业务推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114238767A CN114238767A CN202111564218.6A CN202111564218A CN114238767A CN 114238767 A CN114238767 A CN 114238767A CN 202111564218 A CN202111564218 A CN 202111564218A CN 114238767 A CN114238767 A CN 114238767A
- Authority
- CN
- China
- Prior art keywords
- graph
- knowledge
- service
- user
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims description 34
- 230000002457 bidirectional effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000010801 machine learning Methods 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F16/90—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
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
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)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及人工智能领域，通过基于知识图谱网状图对用户画像信息进行知识图谱查询，并根据目标知识图谱确定待推荐业务表，可以避免通过关系型数据库查询知识图谱，提高了业务推荐的效率与准确性。涉及一种业务推荐方法、装置、设备和介质，该方法包括：当接收到业务检索请求时，确定业务检索请求对应的目标用户的用户画像信息；基于预设的知识图谱网状图，对用户画像信息进行知识图谱查询，确定用户画像信息对应的至少一个目标知识图谱；对每个目标知识图谱进行业务匹配，获得目标用户对应的待推荐业务表；向目标用户推荐待推荐业务表中的业务。此外，本申请还涉及区块链技术，知识图谱网状图可存储于区块链中。
Description
技术领域
本申请涉及人工智能领域，尤其涉及一种业务推荐方法、装置、计算机设备和存储介质。
背景技术
当前很多企业都设有内部知识网络平台，通过内部知识网络平台提供课程、项目、文章以及经验等业务给员工学习。当用户登录知识网络平台时，很多内部知识网络平台由于核心功能技术不足、数据来源匮乏，无法准确地向员工推荐合适的业务。并且，内部知识网络平台采用传统的关系型数据库存储数据，在向用户推荐业务时，需要遍历的数据较多，降低了业务推荐的效率。
因此，如何提高业务推荐的效率和准确性成为亟需解决的问题。
发明内容
本申请提供了一种业务推荐方法、装置、计算机设备和存储介质，通过基于知识图谱网状图对用户画像信息进行知识图谱查询，并根据目标知识图谱确定待推荐业务表，可以避免通过关系型数据库查询知识图谱，提高了业务推荐的效率与准确性。
第一方面，本申请提供了一种业务推荐方法，所述方法包括：
当接收到业务检索请求时，确定所述业务检索请求对应的目标用户的用户画像信息；
基于预设的知识图谱网状图，对所述用户画像信息进行知识图谱查询，确定所述用户画像信息对应的至少一个目标知识图谱；
对每个所述目标知识图谱进行业务匹配，获得所述目标用户对应的待推荐业务表；
向所述目标用户推荐所述待推荐业务表中的业务。
第二方面，本申请还提供了一种业务推荐装置，所述装置包括：
用户画像确定模块，用于当接收到业务检索请求时，确定所述业务检索请求对应的目标用户的用户画像信息；
知识图谱查询模块，用于基于预设的知识图谱网状图，对所述用户画像信息进行知识图谱查询，确定所述用户画像信息对应的至少一个目标知识图谱；
业务匹配模块，用于对每个所述目标知识图谱进行业务匹配，获得所述目标用户对应的待推荐业务表；
业务推荐模块，用于向所述目标用户推荐所述待推荐业务表中的业务。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的业务推荐方法。
第四方面，本申请还提供了一种计算机可读存储介质，所述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使所述处理器实现如上述的业务推荐方法。
本申请公开了一种业务推荐方法、装置、计算机设备和存储介质，通过在接收到业务检索请求时，确定业务检索请求对应的目标用户的用户画像信息，后续可以基于用户画像信息精准地向目标用户推荐业务；通过基于预设的知识图谱网状图，对用户画像信息进行知识图谱查询，确定用户画像信息对应的至少一个目标知识图谱，可以避免通过关系型数据库查询知识图谱，提高了知识图谱查询的效率与准确性，进而提高了业务推荐的效率与准确性；通过对每个目标知识图谱进行业务匹配，获得符合目标用户爱好、需求的待推荐业务表；通过向目标用户推荐待推荐业务表中的业务，可以使得目标用户便捷地从知识网络平台获得业务。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种业务推荐方法的示意性流程图；
图2是本申请实施例提供的一种向用户推荐业务的示意图；
图3是本申请实施例提供的一种知识图谱网状图的示意图；
图4是本申请实施例提供的一种知识图谱查询的子步骤的示意性流程图；
图5是本申请实施例提供的一种图节点的示意图；
图6是本申请实施例提供的一种对双向环形链表进行遍历的示意图；
图7是本申请实施例提供的一种业务推荐装置的示意性框图；
图8是本申请实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了一种业务推荐方法、装置、计算机设备和存储介质。其中，该业务推荐方法可以应用于知识网络服务器中，通过基于知识图谱网状图对用户画像信息进行知识图谱查询，并根据目标知识图谱确定待推荐业务表，可以避免通过关系型数据库查询知识图谱，提高了业务推荐的效率与准确性。
其中，知识网络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。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
如图1所示，业务推荐方法包括步骤S10至步骤S40。
步骤S10、当接收到业务检索请求时，确定所述业务检索请求对应的目标用户的用户画像信息。
需要说明的是，本申请实施例可以应用于知识网络服务器中，知识网络服务器可以在接收到终端发送的业务检索请求时，确定目标用户对应的待推荐业务表，并将待推荐业务表发送至终端，以向目标用户推荐业务。
在本申请实施例中，知识网络服务器可以是一个集成转发、知识分类、过滤、存储以及推荐等功能的服务器，也可以由多个具有不同功能的子服务器组成。
示例性的，知识网络服务器可以由转发服务器、用户画像中台、知识图谱中台、AI知识分类服务器、位图信息过滤服务器、位图信息存储服务器、推荐服务器、数据中台以及服务中心等子服务器组成。其中，转发服务器用于转发数据或请求；用户画像中台用于处理用户画像信息；知识图谱中台用于处理知识图谱；AI知识分类服务器用于对采集的多数据源进行信息抽取，得到知识图谱；位图信息过滤服务器用于对知识图谱进行过滤处理；位图信息存储服务器用于存储过滤后的知识图谱；推荐服务器用于向用户推荐业务；数据中台用于存储业务需求中的全量业务数据；服务中心用于对知识网络服务平台整个架构进行监控、设定以及管理。
示例性的，终端可以是智能手机、平板电脑、笔记本电脑和台式电脑等电子设备。在本申请实施例中，可以在终端上安装知识网络服务系统，用户可以登录知识网络服务系统，并进行业务检索。
请参阅图2，图2是本申请实施例提供的一种向用户推荐业务的示意图。如图2所示，终端可以生成业务检索请求，并将业务检索请求发送至知识网络服务器；知识网络服务器根据业务检索请求确定待推荐业务表，并将待推荐业务表发送至终端。
在一些实施方式中，当用户登录终端中的知识网络服务系统时，终端可以自动生成业务检索请求，并将业务检索请求发送至知识网络服务器。
在另一些实施方式中，当用户登录终端上的知识网络服务系统时，终端可以根据用户的点击、输入等检索操作生成业务检索请求，并将业务检索请求发送至知识网络服务器。
其中，终端发送的业务检索请求，首先到达SSL(Secure Sockets Layer，安全套接层)服务器进行安全认证；当通过安全认证时，业务检索请求经过负载均衡服务器到达OpenResty代理，再经过Nginx网关主备中间件，到达转发服务器。
在一些实施例中，确定业务检索请求对应的目标用户的用户画像信息，可以包括：基于预设的用户识别号与用户标签之间的对应关系，确定业务检索请求中的用户识别号对应的至少一个用户标签；根据至少一个用户标签，确定用户画像信息。
示例性的，预设的用户识别号可以是账号、身份证号码、手机号码以及终端的设备信息等等。用户标签可以是目标用户的年龄、性格、兴趣爱好以及职务等等。其中，设备信息可以包括但不限于国际移动设备识别码(International Mobile Equipment Identity，IMEI)、国际移动用户识别码(International Mobile Subscriber IdentificationNumber，IMSI)、媒体访问控制(Media Access Control，MAC)地址以及电子序列号(Electronic Serial Number，ESN)等等。
需要说明的是，在本申请实施例中，可以预先收集各用户的属性、爱好、生活习惯以及用户行为等信息，将收集的用户的信息作为用户标签；然后将各用户的用户标签与用户识别号进行绑定。
示例性的，可以通过知识图谱中台，基于预设的用户识别号与用户标签之间的对应关系，确定业务检索请求中的用户识别号对应的至少一个用户标签。例如，确定的用户标签为用户标签A、用户标签B以及用户标签C。然后，根据用户标签A、用户标签B以及用户标签C，生成目标用户的用户画像信息。可以理解的是，用户画像信息用于描述目标用户，可以通过用户标签体现。
通过在接收到业务检索请求时，确定业务检索请求对应的目标用户的用户画像信息，后续可以基于用户画像信息精准地向目标用户推荐业务。
步骤S20、基于预设的知识图谱网状图，对所述用户画像信息进行知识图谱查询，确定所述用户画像信息对应的至少一个目标知识图谱。
请参阅图3，图3是本申请实施例提供的一种知识图谱网状图的示意图。如图3所示，知识图谱网状图可以包括多个图节点，图节点之间通过环形指针相连，每个图节点用于存储知识图谱或索引知识图谱。其中，相邻的图节点对应的知识图谱具有关联性，图节点之间的位置越近，对应的知识图谱的关联性越强。
示例性的，知识图谱网状图可以预设生成，并存储至存储服务器中。为进一步保证上述知识图谱网状图的私密和安全性，上述知识图谱网状图可以存储于一区块链的节点中。
在本申请实施例中，通过知识图谱网状图中的图节点存储知识图谱或图谱索引值，可以快速查找知识图谱；相比关系型数据库或其它数据结构的数据库，在数据量指数递增的情况下，知识图谱网状图不仅查询速度快，而且内存消耗小、稳定性高。
通过基于预设的知识图谱网状图，对用户画像信息进行知识图谱查询，确定用户画像信息对应的至少一个目标知识图谱，可以避免通过关系型数据库查询知识图谱，提高了知识图谱查询的效率与准确性，进而提高了业务推荐的效率与准确性。
请参阅图4，图4是本申请实施例提供的一种知识图谱查询的子步骤的示意性流程图，具体可以包括以下步骤S201至步骤S203。
步骤S201、根据所述用户画像信息，确定所述知识图谱网状图中的中心图节点。
需要说明的是，在本申请实施例中，可以根据用户画像信息，确定知识图谱网状图中的中心图节点，从而可以以中心图节点为出发点，确定与中心图节点关联的从图节点。可以理解的是，中心图节点的知识图谱与用户画像信息的关联性最强；从图节点的知识图谱与中心图节点的知识图谱存在关联关系。
通过确定中心图节点以及从图节点，进而可以获得与用户画像信息存在关联性的多个知识图谱，从而实现根据多个知识图谱进行业务推荐，提高了业务推荐的效率与准确性。
在一些实施例中，根据用户画像信息，确定知识图谱网状图中的中心图节点，可以包括：基于向量查询模型，确定用户画像信息对应的用户向量；计算用户向量与知识图谱网状图中每个图节点的知识图谱的向量距离；将最小向量距离对应的图节点，确定为中心图节点。
示例性的，向量查询模型可以包括但不限于BERT(Bidirectional EncoderRepresentations from Transformer)模型、word2vec模型、glove模型以及ELMo模型等等。例如，可以将用户画像信息输入BERT模型进行向量化处理，获得用户画像信息对应的用户向量。其中，向量化处理的具体过程，在此不作限定。
在一些实施方式中，可以基于预设的距离算法，计算用户向量与知识图谱网状图中每个图节点的知识图谱的向量距离，获得每个图节点对应的向量距离。其中，距离算法可以包括欧式距离、曼哈顿距离、切比雪夫距离或闵可夫斯基距离等算法。需要说明的是，若两个向量的距离越小，则说明两个向量越相似；若两个向量的距离越大，则说明两个向量的相似性越弱。
示例性的，可以通过欧式距离算法计算用户向量与知识图谱网状图中每个图节点的知识图谱的向量距离。例如，对于图节点1，可以分别计算用户向量与图节点1的知识图谱之间的向量距离，获得图节点1对应的向量距离。对于图节点2，可以分别计算用户向量与图节点2的知识图谱之间的向量距离，获得图节点2对应的向量距离。然后，对于全部图节点，将最小向量距离对应的图节点，确定为中心图节点。例如，若最小向量距离对应的图节点为图节点1，则将图节点1确定为中心图节点。
步骤S202、根据所述中心图节点进行图节点遍历，获得遍历的从图节点。
示例性的，中心图节点包括双向环形链表。请参阅图5，图5是本申请实施例提供的一种图节点的示意图。如图5所示，知识图谱网状图中的每个图节点都包括双向环形链表。其中，双向环形链表设有缺口和多个环形指针，每个环形指针指向相邻的图节点的图节点地址，缺口用于在遍历双向环形链表中的环形指针时，确定遍历操作的开始与结束。
在一些实施例中，根据中心图节点进行图节点遍历，获得遍历的从图节点，可以包括：通过预设的迭代器，对双向环形链表中的每个环形指针进行遍历，直至遍历至双向环形链表中的缺口；根据遍历的全部环形指针对应的图节点地址，确定从图节点。
需要说明的是，迭代器(Iterator)是一个对象，它的工作是遍历并选择序列中的对象，它提供了一种访问一个容器(container)对象中的各个元素，而又不必暴露该对象内部细节的方法。通过迭代器，开发人员不需要了解容器底层的结构，就可以实现对容器进行遍历。其中，容器可以是链表或数组。
在本申请实施例中，可以通过迭代器访问双向环形链表中的各个环形指针。请参阅图6，图6是本申请实施例提供的一种对双向环形链表进行遍历的示意图。如图6所示，可以从双向环形链表中的缺口的其中一侧开始，通过迭代器，对双向环形链表中的每个环形指针进行遍历，直至遍历至双向环形链表中的缺口的另一侧。
示例性的，可以获取遍历的全部环形指针指向的图节点地址，将图节点地址对应的图节点，确定从图节点。
通过根据迭代器对双向环形链表中的每个环形指针进行遍历，可以快速地获得遍历的全部环形指针指向的图节点地址，进而可以根据图节点地址确定从图节点。
步骤S203、根据所述中心图节点对应的知识图谱与所述从图节点对应的知识图谱，确定所述用户画像信息对应的目标知识图谱。
需要说明的是，在本申请实施例中，知识图谱可以存储在图节点中。此外，当知识图谱的数据量过大时，可以将知识图谱存储在本地数据库或本地磁盘中，根据存储位置生成图谱索引值，并将图谱索引值存储至图节点中。从而可以通过图谱索引值查找并读取知识图谱。
在一些实施例中，根据中心图节点对应的知识图谱与从图节点对应的知识图谱，确定用户画像信息对应的目标知识图谱，可以包括：将中心图节点存储的知识图谱与从图节点存储的知识图谱，确定为用户画像信息对应的知识图谱。
示例性的，当图节点存储有知识图谱时，可以直接将中心图节点存储的知识图谱与从图节点存储的知识图谱，确定为用户画像信息对应的知识图谱。
通过将中心图节点存储的知识图谱与从图节点存储的知识图谱确定为用户画像信息对应的知识图谱，可以方便、快捷地获得知识图谱，提高了后续业务推荐的效率。
在另一些实施例中，根据中心图节点对应的知识图谱与从图节点对应的知识图谱，确定用户画像信息对应的目标知识图谱，可以包括：获取中心图节点存储的第一图谱索引值与从图节点存储的第二图谱索引值，将第一图谱索引值、第二图谱索引值对应的知识图谱，确定为用户画像信息对应的知识图谱。
示例性的，当图节点未存储有知识图谱时，可以根据图节点中的图谱索引值查找对应的知识图谱。例如，可以获取中心图节点存储的第一图谱索引值与从图节点存储的第二图谱索引值，从本地数据库或本地磁盘查找第一图谱索引值、第二图谱索引值对应的知识图谱，并将查找到的知识图谱确定为用户画像信息对应的知识图谱。其中，具体的查找过程，在此不作限定。
通过根据中心图节点存储的第一图谱索引值与从图节点存储的第二图谱索引值进行查找知识图谱，可以快速地索引获得用户画像信息对应的知识图谱，无需通过关系型数据库查找知识图谱，提高了查询知识图谱的效率。
在一些实施例中，基于预设的知识图谱网状图，对用户画像信息进行知识图谱查询，确定用户画像信息对应的至少一个目标知识图谱之前，还可以包括：向多数据源抓取节点发送抓取指令，以供多数据源抓取节点根据抓取指令对知识网络数据源进行数据源抓取，获得初始数据源；对初始数据源进行分类处理、过滤处理以及填充处理，获得至少一个知识图谱；将每个知识图谱存储至知识图谱网状图中对应的图节点。
示例性的，多数据源抓取节点可以包括多数据源抓取主节点和多数据源抓取从节点。在进行数据源抓取时，可以通过多数据源抓取主节点和/或多数据源抓取从节点实现数据源的抓取。从而可以提升数据源抓取的效率。
示例性的，知识网络数据源可以是外部的数据平台。例如，第三方合作数据平台。在本申请实施例中，多数据源抓取节点可以通过Netty框架与第三方合作数据平台进行网络连接，以获取第三方合作数据平台中的数据源。需要说明的是，Netty框架是一种提供异步的、事件驱动的网络应用程序框架和工具。
示例性的，在获得初始数据源之后，可以对初始数据源进行信息抽取、过滤处理以及填充处理，获得至少一个知识图谱。其中，信息抽取可以包括实体抽取、关系抽取以及属性抽取等操作。
示例性的，可以通过AI知识分类服务器，对初始数据源进行实体抽取、关系抽取以及属性抽取，得到初始的知识图谱。然后，通过位图信息过滤服务器根据Rank Brain算法对初始的知识图谱进行过滤，得到过滤后的知识图谱；此外，还可以通过Apache SystemML机器学习算法对过滤后的知识图谱进行填充处理，得到最终的知识图谱。最后，通过位图信息存储服务器存储最终的知识图谱。
其中，位图信息存储服务器可以将过滤后的知识图谱存储至知识图谱网状图中对应的图节点。位图信息存储服务器还可以将知识图谱存储至本地数据库或本地磁盘，根据存储位置生成图谱索引值，并将图谱索引值存储至图节点中。此外，位图信息存储服务器还可以将知识图谱存储在Redis存储系统或ES(Embedded Storage，内嵌式)存储系统等中间件。
通过对初始的知识图谱进行过滤和填充，可以完善知识图谱，提高后续根据知识图谱进行业务推荐的准确性。
步骤S30、对每个所述目标知识图谱进行业务匹配，获得所述目标用户对应的待推荐业务表。
示例性的，目标知识图谱可以是三元组，包括实体、关系以及属性。在本申请实施例中，目标知识图谱可以包括课程、项目、文章等业务的描述信息或简介信息。
示例性的，可以将每个目标知识图谱发送至推荐服务器中，以供推荐服务器对每个目标知识图谱进行业务匹配，获得至少一个业务。例如，可以根据目标知识图谱中的信息进行业务查找，获得至少一个业务。然后，根据至少一个业务，生成目标用户对应的待推荐业务表。
通过对每个目标知识图谱进行业务匹配，获得符合目标用户爱好、需求的待推荐业务表。
步骤S40、向所述目标用户推荐所述待推荐业务表中的业务。
示例性的，可以将待推荐业务表发送至终端，以供终端向目标用户推荐待推荐业务表中的业务。例如，可以通过推荐服务器，将待推荐业务表经Nginx网关主备中间件发送到Open Resty代理；再由Open Resty代理将待推荐业务表发送至负载均衡服务器，由负载均衡服务器通过SSL服务器发送至终端。其中，终端可以在知识网络服务系统上显示待推荐业务表。
通过向目标用户推荐待推荐业务表中的业务，可以使得目标用户便捷地从知识网络平台获得业务。
在一些实施例中，还可以将待推荐业务表与用户画像信息进行关联存储至存储服务器中。在下一次接收到终端的业务检索请求时，若存储服务器存在用户画像信息与业务检索请求对应的用户画像信息相同，则可以直接将用户画像信息对应的待推荐业务表返回给终端。从而无需对业务检索请求进行业务逻辑处理，提高了业务推荐的效率。
需要说明的是，知识网络服务系统创建有多个业务项目，在本申请实施例中，还可以发布知识网络服务系统中的业务项目，以供外部的第三方知识平台订阅业务。可以理解的是，第三方知识平台通过订阅业务项目，可以实现将业务引入到第三方知识平台的系统上。
在一些实施例中，本申请实施例提供的业务推荐方法还可以包括：调用项目管理工具，对每个业务项目的应用程序、应用程序对应的依赖包以及说明文档进行打包，获得每个业务项目对应的应用压缩包；将每个业务项目对应的应用压缩包存储至数据仓库，并确定每个业务项目对应的应用压缩包在数据仓库中的位置信息；将每个业务项目的位置信息发送至第三方知识平台，以供第三方知识平台根据位置信息进行业务项目调用。
示例性的，项目管理工具可以是maven工具。例如，可以调用项目管理工具对每个业务项目的应用程序、应用程序对应的依赖包以及说明文档进行打包。此外，还可以调用webpack打包器对每个业务项目的应用程序、应用程序对应的依赖包以及说明文档进行打包。
示例性的，在获得每个业务项目对应的应用压缩包之后，可以将每个业务项目对应的应用压缩包存储至数据仓库，并确定每个业务项目对应的应用压缩包在数据仓库中的位置信息。其中，数据仓库可以是maven仓库。位置信息可以是应用压缩包在数据仓库中的存储路径。
示例性的，可以将每个业务项目在数据仓库中的存储路径发送至第三方知识平台，以供第三方知识平台根据存储路径调用业务项目。
需要说明的是，第三方合作系统根据位置信息进行业务项目调用时，可以将位置信息添加至项目管理工具的配置文件中，从而可以通过项目管理工具调用数据仓库中的业务项目的应用压缩包。其中，配置文件可以是pom.xml文件。
通过将每个业务项目对应的应用压缩包存储至数据仓库，并将每个业务项目的位置信息发送至第三方知识平台，可以使得第三方知识平台根据位置信息进行业务项目调用，实现业务项目的发布与订阅。
上述实施例提供的业务推荐方法，通过在接收到业务检索请求时，确定业务检索请求对应的目标用户的用户画像信息，后续可以基于用户画像信息精准地向目标用户推荐业务；通过基于预设的知识图谱网状图，对用户画像信息进行知识图谱查询，确定用户画像信息对应的至少一个目标知识图谱，可以避免通过关系型数据库查询知识图谱，提高了知识图谱查询的效率与准确性，进而提高了业务推荐的效率与准确性；通过根据迭代器对双向环形链表中的每个环形指针进行遍历，可以快速地获得遍历的全部环形指针指向的图节点地址，进而可以根据图节点地址确定从图节点；通过将中心图节点存储的知识图谱与从图节点存储的知识图谱确定为用户画像信息对应的知识图谱，可以方便、快捷地获得知识图谱，提高了后续业务推荐的效率；通过根据中心图节点存储的第一图谱索引值与从图节点存储的第二图谱索引值进行查找知识图谱，可以快速地索引获得用户画像信息对应的知识图谱，无需通过关系型数据库查找知识图谱，提高了查询知识图谱的效率；通过对初始的知识图谱进行过滤和填充，可以完善知识图谱，提高后续根据知识图谱进行业务推荐的准确性；通过将每个业务项目对应的应用压缩包存储至数据仓库，并将每个业务项目的位置信息发送至第三方知识平台，可以使得第三方知识平台根据位置信息进行业务项目调用，实现业务项目的发布与订阅。
请参阅图7，图7是本申请的实施例还提供一种业务推荐装置1000的示意性框图，该业务推荐装置用于执行前述的业务推荐方法。其中，该业务推荐装置可以配置于知识网络服务器中。
如图7所示，该业务推荐装置1000，包括：用户画像确定模块1001、知识图谱查询模块1002、业务匹配模块1003和业务推荐模块1004。
用户画像确定模块1001，用于当接收到业务检索请求时，确定所述业务检索请求对应的目标用户的用户画像信息。
知识图谱查询模块1002，用于基于预设的知识图谱网状图，对所述用户画像信息进行知识图谱查询，确定所述用户画像信息对应的至少一个目标知识图谱。
业务匹配模块1003，用于对每个所述目标知识图谱进行业务匹配，获得所述目标用户对应的待推荐业务表。
业务推荐模块1004，用于向所述目标用户推荐所述待推荐业务表中的业务。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8，图8是本申请实施例提供的一种计算机设备的结构示意性框图。
请参阅图8，该计算机设备包括通过系统总线连接的处理器和存储器，其中，存储器可以包括存储介质和内存储器。所述存储介质可以是非易失性存储介质，也可以是易失性存储介质。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种业务推荐方法。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
当接收到业务检索请求时，确定所述业务检索请求对应的目标用户的用户画像信息；基于预设的知识图谱网状图，对所述用户画像信息进行知识图谱查询，确定所述用户画像信息对应的至少一个目标知识图谱；对每个所述目标知识图谱进行业务匹配，获得所述目标用户对应的待推荐业务表；向所述目标用户推荐所述待推荐业务表中的业务。
在一个实施例中，所述知识图谱网状图包括多个图节点；所述处理器在实现基于预设的知识图谱网状图，对所述用户画像信息进行知识图谱查询，确定所述用户画像信息对应的至少一个目标知识图谱时，用于实现：
根据所述用户画像信息，确定所述知识图谱网状图中的中心图节点；根据所述中心图节点进行图节点遍历，获得遍历的从图节点；根据所述中心图节点对应的知识图谱与所述从图节点对应的知识图谱，确定所述用户画像信息对应的目标知识图谱。
在一个实施例中，所述处理器在实现根据所述用户画像信息，确定所述知识图谱网状图中的中心图节点时，用于实现：
基于向量查询模型，确定所述用户画像信息对应的用户向量；计算所述用户向量与所述知识图谱网状图中每个图节点的知识图谱的向量距离；将最小向量距离对应的图节点，确定为所述中心图节点。
在一个实施例中，所述中心图节点包括双向环形链表；所述处理器在实现根据所述中心图节点进行图节点遍历，获得遍历的从图节点时，用于实现：
通过预设的迭代器，对所述双向环形链表中的每个环形指针进行遍历，直至遍历至所述双向环形链表中的缺口；根据遍历的全部环形指针对应的图节点地址，确定所述从图节点。
在一个实施例中，所述处理器在实现根据所述中心图节点对应的知识图谱与所述从图节点对应的知识图谱，确定所述用户画像信息对应的目标知识图谱时，用于实现：
将所述中心图节点存储的知识图谱与所述从图节点存储的知识图谱，确定为所述用户画像信息对应的知识图谱；或获取所述中心图节点存储的第一图谱索引值与所述从图节点存储的第二图谱索引值，将所述第一图谱索引值、所述第二图谱索引值对应的知识图谱，确定为所述用户画像信息对应的知识图谱。
在一个实施例中，所述处理器在实现确定所述业务检索请求对应的目标用户的用户画像信息时，用于实现：
基于预设的用户识别号与用户标签之间的对应关系，确定所述业务检索请求中的用户识别号对应的至少一个用户标签；根据所述至少一个用户标签，确定所述用户画像信息。
在一个实施例中，所述处理器在实现基于预设的知识图谱网状图，对所述用户画像信息进行知识图谱查询，确定所述用户画像信息对应的至少一个目标知识图谱之前，还用于实现：
向多数据源抓取节点发送抓取指令，以供多数据源抓取节点根据所述抓取指令对知识网络数据源进行数据源抓取，获得初始数据源；对所述初始数据源进行信息抽取、过滤处理以及填充处理，获得至少一个知识图谱；将每个所述知识图谱存储至所述知识图谱网状图中对应的图节点。
本申请的实施例中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存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项业务推荐方法。
例如，该程序被处理器加载，可以执行如下步骤：
当接收到业务检索请求时，确定所述业务检索请求对应的目标用户的用户画像信息；基于预设的知识图谱网状图，对所述用户画像信息进行知识图谱查询，确定所述用户画像信息对应的至少一个目标知识图谱；对每个所述目标知识图谱进行业务匹配，获得所述目标用户对应的待推荐业务表；向所述目标用户推荐所述待推荐业务表中的业务。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字卡(Secure Digital Card，SD Card)，闪存卡(Flash Card)等。
进一步地，所述计算机可读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。
本申请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。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种业务推荐方法，其特征在于，包括：
当接收到业务检索请求时，确定所述业务检索请求对应的目标用户的用户画像信息；
基于预设的知识图谱网状图，对所述用户画像信息进行知识图谱查询，确定所述用户画像信息对应的至少一个目标知识图谱；
对每个所述目标知识图谱进行业务匹配，获得所述目标用户对应的待推荐业务表；
向所述目标用户推荐所述待推荐业务表中的业务。
2.根据权利要求1所述的业务推荐方法，其特征在于，所述知识图谱网状图包括多个图节点；
所述基于预设的知识图谱网状图，对所述用户画像信息进行知识图谱查询，确定所述用户画像信息对应的至少一个目标知识图谱，包括：
根据所述用户画像信息，确定所述知识图谱网状图中的中心图节点；
根据所述中心图节点进行图节点遍历，获得遍历的从图节点；
根据所述中心图节点对应的知识图谱与所述从图节点对应的知识图谱，确定所述用户画像信息对应的目标知识图谱。
3.根据权利要求2所述的业务推荐方法，其特征在于，所述根据所述用户画像信息，确定所述知识图谱网状图中的中心图节点，包括：
基于向量查询模型，确定所述用户画像信息对应的用户向量；
计算所述用户向量与所述知识图谱网状图中每个图节点的知识图谱的向量距离；
将最小向量距离对应的图节点，确定为所述中心图节点。
4.根据权利要求2所述的业务推荐方法，其特征在于，所述中心图节点包括双向环形链表；
所述根据所述中心图节点进行图节点遍历，获得遍历的从图节点，包括：
通过预设的迭代器，对所述双向环形链表中的每个环形指针进行遍历，直至遍历至所述双向环形链表中的缺口；
根据遍历的全部环形指针对应的图节点地址，确定所述从图节点。
5.根据权利要求2所述的业务推荐方法，其特征在于，所述根据所述中心图节点对应的知识图谱与所述从图节点对应的知识图谱，确定所述用户画像信息对应的目标知识图谱，包括：
将所述中心图节点存储的知识图谱与所述从图节点存储的知识图谱，确定为所述用户画像信息对应的知识图谱；或
获取所述中心图节点存储的第一图谱索引值与所述从图节点存储的第二图谱索引值，将所述第一图谱索引值、所述第二图谱索引值对应的知识图谱，确定为所述用户画像信息对应的知识图谱。
6.根据权利要求1所述的业务推荐方法，其特征在于，所述确定所述业务检索请求对应的目标用户的用户画像信息，包括：
基于预设的用户识别号与用户标签之间的对应关系，确定所述业务检索请求中的用户识别号对应的至少一个用户标签；
根据所述至少一个用户标签，确定所述用户画像信息。
7.根据权利要求1-6任一项所述的业务推荐方法，其特征在于，所述基于预设的知识图谱网状图，对所述用户画像信息进行知识图谱查询，确定所述用户画像信息对应的至少一个目标知识图谱之前，还包括：
向多数据源抓取节点发送抓取指令，以供多数据源抓取节点根据所述抓取指令对知识网络数据源进行数据源抓取，获得初始数据源；
对所述初始数据源进行信息抽取、过滤处理以及填充处理，获得至少一个知识图谱；
将每个所述知识图谱存储至所述知识图谱网状图中对应的图节点。
8.一种业务推荐装置，其特征在于，包括：
用户画像确定模块，用于当接收到业务检索请求时，确定所述业务检索请求对应的目标用户的用户画像信息；
知识图谱查询模块，用于基于预设的知识图谱网状图，对所述用户画像信息进行知识图谱查询，确定所述用户画像信息对应的至少一个目标知识图谱；
业务匹配模块，用于对每个所述目标知识图谱进行业务匹配，获得所述目标用户对应的待推荐业务表；
业务推荐模块，用于向所述目标用户推荐所述待推荐业务表中的业务。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7任一项所述的业务推荐方法。
10.一种计算机可读存储介质，其特征在于，所述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使所述处理器实现如权利要求1至7任一项所述的业务推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111564218.6A CN114238767B (zh) | 2021-12-20 | 2021-12-20 | 业务推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111564218.6A CN114238767B (zh) | 2021-12-20 | 2021-12-20 | 业务推荐方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114238767A true CN114238767A (zh) | 2022-03-25 |
| CN114238767B CN114238767B (zh) | 2024-07-02 |
Family
ID=80759461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111564218.6A Active CN114238767B (zh) | 2021-12-20 | 2021-12-20 | 业务推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114238767B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114722184A (zh) * | 2022-03-30 | 2022-07-08 | 北京物灵科技有限公司 | 绘本推荐方法、装置、计算机设备及存储介质 |
| CN117235321A (zh) * | 2023-09-04 | 2023-12-15 | 之江实验室 | 一种展览点位推荐方法、装置、电子装置和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060026117A1 (en) * | 2004-07-30 | 2006-02-02 | Vijayshankar Raman | Microeconomic mechanism for distributed indexing |
| US20150169758A1 (en) * | 2013-12-17 | 2015-06-18 | Luigi ASSOM | Multi-partite graph database |
| CN111198988A (zh) * | 2019-12-25 | 2020-05-26 | 中国平安财产保险股份有限公司 | 业务推荐方法、训练方法、装置、计算机设备和存储介质 |
| CN111708895A (zh) * | 2020-05-28 | 2020-09-25 | 北京赛博云睿智能科技有限公司 | 一种知识图谱系统的构建方法及装置 |
| CN112163929A (zh) * | 2020-09-27 | 2021-01-01 | 中国平安财产保险股份有限公司 | 业务推荐方法、装置、计算机设备和存储介质 |
| CN112330455A (zh) * | 2020-11-24 | 2021-02-05 | 北京百度网讯科技有限公司 | 用于推送信息的方法、装置、设备以及存储介质 |
| US11127028B1 (en) * | 2018-05-29 | 2021-09-21 | State Farm Mutual Automobile Insurance Company | Systems and methods for providing user offers based on efficient iterative recommendation structures |
-
2021
- 2021-12-20 CN CN202111564218.6A patent/CN114238767B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060026117A1 (en) * | 2004-07-30 | 2006-02-02 | Vijayshankar Raman | Microeconomic mechanism for distributed indexing |
| US20150169758A1 (en) * | 2013-12-17 | 2015-06-18 | Luigi ASSOM | Multi-partite graph database |
| US11127028B1 (en) * | 2018-05-29 | 2021-09-21 | State Farm Mutual Automobile Insurance Company | Systems and methods for providing user offers based on efficient iterative recommendation structures |
| CN111198988A (zh) * | 2019-12-25 | 2020-05-26 | 中国平安财产保险股份有限公司 | 业务推荐方法、训练方法、装置、计算机设备和存储介质 |
| CN111708895A (zh) * | 2020-05-28 | 2020-09-25 | 北京赛博云睿智能科技有限公司 | 一种知识图谱系统的构建方法及装置 |
| CN112163929A (zh) * | 2020-09-27 | 2021-01-01 | 中国平安财产保险股份有限公司 | 业务推荐方法、装置、计算机设备和存储介质 |
| CN112330455A (zh) * | 2020-11-24 | 2021-02-05 | 北京百度网讯科技有限公司 | 用于推送信息的方法、装置、设备以及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 孙雨生 等: "国内基于知识图谱的信息推荐研究进展", 情报理论与实践, vol. 42, no. 12, 26 December 2019 (2019-12-26), pages 163 - 169 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114722184A (zh) * | 2022-03-30 | 2022-07-08 | 北京物灵科技有限公司 | 绘本推荐方法、装置、计算机设备及存储介质 |
| CN117235321A (zh) * | 2023-09-04 | 2023-12-15 | 之江实验室 | 一种展览点位推荐方法、装置、电子装置和存储介质 |
| CN117235321B (zh) * | 2023-09-04 | 2024-04-16 | 之江实验室 | 一种展览点位推荐方法、装置、电子装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114238767B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107798038B (zh) | 数据响应方法及数据响应设备 | |
| WO2022007434A1 (zh) | 可视化方法及相关设备 | |
| CN110717076B (zh) | 节点管理方法、装置、计算机设备及存储介质 | |
| CN114238767B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| CN111046237B (zh) | 用户行为数据处理方法、装置、电子设备及可读介质 | |
| US10223397B1 (en) | Social graph based co-location of network users | |
| US10496645B1 (en) | System and method for analysis of a database proxy | |
| US11250166B2 (en) | Fingerprint-based configuration typing and classification | |
| US10394788B2 (en) | Schema-free in-graph indexing | |
| CN111078776A (zh) | 数据表的标准化方法、装置、设备及存储介质 | |
| CN110166522A (zh) | 服务器识别方法、装置、可读存储介质和计算机设备 | |
| CN112035471A (zh) | 一种事务处理方法及计算机设备 | |
| CN108154024A (zh) | 一种数据检索方法、装置及电子设备 | |
| CN111538672A (zh) | 测试案例分层测试方法、计算机设备及计算机可读存储介质 | |
| CN111045928B (zh) | 一种接口数据测试方法、装置、终端及存储介质 | |
| CN117093619A (zh) | 一种规则引擎处理方法、装置、电子设备及存储介质 | |
| CN111625528A (zh) | 配置管理数据库的校验方法、装置及可读存储介质 | |
| CN108268545B (zh) | 一种分级的用户标签库的创建的方法和装置 | |
| CN110471708B (zh) | 基于可重用组件的配置项获取的方法及装置 | |
| CN113312895A (zh) | 自治系统as的组织机构映射方法、装置及电子设备 | |
| CN112364181A (zh) | 一种保险产品匹配度确定方法及装置 | |
| CN112632480A (zh) | 一种产品许可更新方法、装置、电子设备及存储介质 | |
| CN115955522B (zh) | 一种资产指纹识别方法、装置、设备和介质 | |
| CN113568683B (zh) | 资产数据流处理服务组件动态扩展的方法和装置 | |
| CN113392105B (zh) | 业务数据处理方法和终端设备 |
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 |