CN114255096A - 数据需求匹配方法和装置、电子设备、存储介质 - Google Patents
数据需求匹配方法和装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN114255096A CN114255096A CN202111445788.3A CN202111445788A CN114255096A CN 114255096 A CN114255096 A CN 114255096A CN 202111445788 A CN202111445788 A CN 202111445788A CN 114255096 A CN114255096 A CN 114255096A
- Authority
- CN
- China
- Prior art keywords
- requirement
- buyer
- demand
- matching
- recommendation
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
-
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例提供数据需求匹配方法和装置、电子设备、存储介质,涉及人工智能技术领域。该数据需求匹配方法,包括:获取买方需求信息,将买方需求文本输入预先训练的需求文本提取模型,得到需求关键词,根据需求关键词和买方需求标签得到关联买方,根据关联买方的历史交易数据获取第一需求推荐列表,根据需求关键词输入预先训练的卖方商品推荐模型得到第二需求推荐列表,根据第一需求推荐列表和第二需求推荐列表得到匹配结果。本申请实施例结合买方和卖方两个角度的需求推荐列表得到最终的匹配结果,能够更全面的匹配买方需求,提高数据需求匹配效率。
Description
技术领域
本发明涉及数据流通、数据处理和人工智能技术领域,尤其涉及数据需求匹配方法和装置、电子设备和存储介质。
背景技术
随着大数据技术的成熟和发展,大数据在商业上的应用越来越广泛,大数据交易的需求也在不断增加。大数据商品与实体商品不同,难以直接评估其价值,也没有行业的定价标准,存在因为交易双方信息不够通畅而导致的交易效率低下的问题。
目前大数据交易中在需求的匹配上多以线下沟通或者在线数据交易平台的方式进行。即使是在线数据交易平台也多是人工处理为主,例如买方发布需求说明和关键词、标签,由数据交易平台的运营人员或卖方人员对需求进行阅读理解,并基于人工理解和经验选择潜在卖方,但选择后还需要线下的沟通买卖双方才能了解是否匹配。当平台需求较多的时候,目前的匹配方式可能存在的问题有:1)当需求量大的时候,纯人工的处理耗时费力,效率较低;
2)纯人工的理解,由于人的经验水平不一致,可能对需求的理解也不同,容易存在错误匹配。
发明内容
本公开实施例的主要目的在于提出一种数据需求匹配方法和装置、电子设备和存储介质,提高数据需求匹配效率以及数据需求匹配准确度。
为实现上述目的,本公开实施例的第一方面提出了一种数据需求匹配方法,包括:获取买方需求信息,所述买方需求信息包括:买方需求文本和买方需求标签;
将所述买方需求文本输入预先训练的需求文本提取模型,得到需求关键词;
将所述需求关键词和所述买方需求标签输入预先训练的关联买方推荐模型,得到关联买方;
根据所述关联买方的历史交易数据获取第一需求推荐列表;
将所述需求关键词输入预先训练的卖方商品推荐模型,得到第二需求推荐列表;
根据所述第一需求推荐列表和所述第二需求推荐列表得到匹配结果。
在一些实施例,所述预先训练的需求文本提取模型包括:文本分析模型和关键词提取模型;所述将所述买方需求文本输入预先训练的需求文本提取模型,得到需求关键词,包括:
将所述买方需求文本输入所述文本分析模型,得到文本分析结果;
将所述文本分析结果输入所述关键词提取模型进行匹配,得到所述需求关键词。
在一些实施例,所述将所述需求关键词和所述买方需求标签输入预先训练的关联买方推荐模型,得到关联买方,包括:
将所述需求关键词和所述买方需求标签输入预先训练的关联买方推荐模型,计算得到用户相似度;
根据所述用户相似度筛选得到所述关联买方。
在一些实施例,所述根据所述第一需求推荐列表和所述第二需求推荐列表得到匹配结果,包括:
获取所述第一需求推荐列表的第一相关性排序结果;
根据所述第一相关性排序结果获取第一匹配结果;
获取所述第二需求推荐列表的第二相关性排序结果;
根据所述第二相关性排序结果获取第二匹配结果;
根据所述第一匹配结果和所述第二匹配结果得到所述匹配结果。
在一些实施例,所述根据所述第一匹配结果和所述第二匹配结果取交集,得到所述匹配结果,包括:
对所述第一匹配结果和所述第二匹配结果进行第三相关性排序;
根据所述第三相关性排序结果获取匹配结果。
在一些实施例,所述根据所述第一需求推荐列表和所述第二需求推荐列表得到匹配结果后,还包括:
根据所述匹配结果生成交易推荐方案。
在一些实施例,还包括:
获取买方根据所述交易推荐方案执行的交易行为;
利用所述交易行为训练所述关联买方推荐模型和所述卖方商品推荐模型。
为实现上述目的,本公开的第二方面提出了一种数据需求匹配装置,包括:
买方需求信息获取模块,用于获取买方需求信息,所述买方需求信息包括:买方需求文本和买方需求标签;
关键词提取模块,用于将所述买方需求文本输入预先训练的需求文本提取模型,得到需求关键词;
关联买方推荐模块,用于将所述需求关键词和所述买方需求标签输入预先训练的关联买方推荐模型,得到关联买方;
第一需求推荐列表获取模块,用于根据所述关联买方的历史交易数据获取第一需求推荐列表;
第二需求推荐列表获取模块,用于将所述需求关键词输入预先训练的卖方商品推荐模型,得到第二需求推荐列表;
匹配模块,用于根据所述第一需求推荐列表和所述第二需求推荐列表得到匹配结果。
为实现上述目的,本公开的第三方面提出了一种电子设备,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在存储器中,处理器执行所述至少一个程序以实现本公开如上述第一方面所述的方法。
为实现上述目的,本公开的第四方面提出了一种存储介质,该存储介质是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可执行指令,所述计算机可执行指令用于使计算机执行:
如上述第一方面所述的方法。
本公开实施例提出的数据需求匹配方法和装置、电子设备、存储介质,与相关技术相比,获取买方需求信息,其中,买方需求信息包括:买方需求文本和买方需求标签,将买方需求文本输入预先训练的需求文本提取模型,得到需求关键词,将需求关键词和买方需求标签输入预先训练的关联买方推荐模型,得到关联买方,根据关联买方的历史交易数据获取第一需求推荐列表,将需求关键词输入预先训练的卖方商品推荐模型,得到第二需求推荐列表,根据第一需求推荐列表和第二需求推荐列表得到匹配结果。本申请实施例通过对买方需求文本进行关键词提取,然后根据得到的需求关键词从买方角度进行匹配,得到第一需求推荐列表,然后再基于卖方角度进行匹配得到第二需求推荐列表,结合两个角度的需求推荐列表得到最终的匹配结果,能够更全面的匹配买方需求,提高数据需求匹配效率,避免相关技术中需求量大的时候,纯人工处理信息不对称耗时费力,效率较低的问题。同时采用预先训练的数据模型进行需求理解,提高数据需求匹配准确度,避免了由于人的经验水平不一致,对需求的理解不同,存在错误匹配的问题。
附图说明
图1是本公开实施例提供的数据需求匹配方法的流程图。
图2是图1中的步骤S102的流程图。
图3是图1中的步骤S103的流程图。
图4是图1中的步骤S106的流程图。
图5是本公开另一实施例实施例提供的数据需求匹配方法的流程图
图6是本公开另一实施例提供的数据需求匹配装置的结构框图。
图7是本公开另一实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、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,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的,不是旨在限制本发明。
首先,对本申请中涉及的若干名词进行解析:
自然语言处理(Natural Language Processing,NLP):是计算机科学领域与人工智能领域中的一个重要方向,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,但又有重要的区别。自然语言处理并不是一般地研究自然语言,而在于研制能有效地实现自然语言通信的计算机系统,特别是其中的软件系统。因而它是计算机科学的一部分。自然语言处理主要应用于机器翻译、舆情监测、自动摘要、观点提取、文本分类、问题回答、文本语义对比、语音识别、中文OCR等方面。
jieba分词算法:使用了基于前缀词典实现高效的词图扫描,生成句子中汉字所有可能生成词情况所构成的有向无环图(DAG),再采用了动态规划查找最大概率路径,找出基于词频的最大切分组合,对于未登录词,采用了基于汉字成词能力的HMM模型,使用Viterbi算法。jieba分词支持以下三种分词模式:1.适合文本分析的精确模式,能够将句子最精确地切开;2.全模式,能够把句子中所有的可以成词的词语都扫描出来;3.搜索引擎模式,在精确模式的基础上,对长词再词切分,提高召回率,适合用于搜索引擎分词。另外,jiaba分词还支持繁体分词和支持自定义分词。
随着大数据技术的成熟和发展,大数据在商业上的应用越来越广泛,大数据交易的需求也在不断增加。大数据商品与实体商品不同,难以直接评估其价值,也没有行业的定价标准,存在因为交易双方信息不够通畅而导致的交易效率低下的问题。
目前大数据交易中在需求的匹配上多以线下沟通或者在线数据交易平台的方式进行。即使是在线数据交易平台也多是人工处理为主,例如买方发布需求说明和关键词、标签,由数据交易平台的运营人员或卖方人员对需求进行阅读理解,并基于人工理解和经验选择潜在卖方,但选择后还需要线下的沟通买卖双方才能了解是否匹配。当平台需求较多的时候,目前的匹配方式可能存在的问题有:1)当需求量大的时候,纯人工的处理耗时费力,效率较低;2)纯人工的理解,由于人的经验水平不一致,可能对需求的理解也不同,容易存在错误匹配。相关技术中有的在线数据交易平台通过对关键词模糊匹配进行需求匹配,例如离线训练文本匹配模型和需求匹配模型,接收需求方输入的需求信息,其中需求信息包括多种类别的关键字;至少利用文本匹配模型计算需求信息与每一供应数据的多个语义相似度,多个语义相似度与多个类别相对应,利用需求匹配模型和多个语义相似度计算需求信息与每一供应数据的匹配相似度,确定提供给需求方的最终供应数据。但是该方法主要是基于关键词规则匹配,利用一些同义词替换,这种规则无法覆盖到所有的可能性,需要人工去添加规则,并且由于这种方法更多的是针对关键词,当买方需求描述使用一段或多段文本去描述时,这种规则无法得到准确的关键词去匹配。
基于此,本公开实施例提供一种数据需求匹配方法和装置、电子设备、存储介质,能够提高数据需求匹配效率以及数据需求匹配准确度。
本公开实施例提供数据需求匹配方法和装置、电子设备、存储介质,具体通过如下实施例进行说明,首先描述本公开实施例中的数据需求匹配方法。
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。
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、机器人技术、生物识别技术、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。
本公开实施例提供的数据需求匹配方法,涉及人工智能技术领域,尤其涉及数据挖掘技术领域。本公开实施例提供的数据需求匹配方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等;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;软件可以是实现数据需求匹配方法的应用等,但并不局限于以上形式。
在本发明的一公开实施例中,用户可以利用终端设备向服务器上传买方需求信息,其中,买方需求信息包括:买方需求文本和买方需求标签,服务器在获取到该买方需求信息后,将买方需求文本输入预先训练的需求文本提取模型,得到需求关键词,将需求关键词和买方需求标签输入预先训练的关联买方推荐模型,得到关联买方,根据关联买方的历史交易数据获取第一需求推荐列表,将需求关键词输入预先训练的卖方商品推荐模型,得到第二需求推荐列表,根据第一需求推荐列表和第二需求推荐列表得到匹配结果。通过对买方需求文本进行关键词提取,然后根据得到的需求关键词从买方角度进行匹配,得到第一需求推荐列表,然后再基于卖方角度进行匹配得到第二需求推荐列表,结合两个角度的需求推荐列表得到最终的匹配结果,能够更全面的匹配买方需求,提高数据需求匹配效率,避免相关技术中需求量大的时候,纯人工处理耗时费力,效率较低的问题。同时采用预先训练的数据模型进行需求理解,提高数据需求匹配准确度,避免了由于人的经验水平不一致,对需求的理解不同,存在错误匹配的问题。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本公开实施例提供的数据需求匹配方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S106。
步骤S101,获取买方需求信息。
在一实施例,买方需求信息包括:买方需求文本和买方需求标签。例如买方可以以文本的方式发送其需求信息形成买方需求文本到服务器,用于后续数据需求匹配,另外在发送买方需求文本时,可以选择对应的买方需求标签,便于提高后续数据需求匹配的准确率,避免因为数据需求匹配不准确,导致浪费时间或者不能完成买卖需求。买方需求标签可以是服务器根据既往的交易数据生成,包含不同大类需求标签,每个大类需求标签下还可以包括不同小类需求标签进行细化,以便能够更精确的匹配到买方真实需求,例如大类需求标签可以是需求所属的数据类型、应用领域、需求名称、需求简介或者需求图片等。
步骤S102,将买方需求文本输入预先训练的需求文本提取模型,得到需求关键词。
在一实施例中,需求文本提取模型可以是NPL自然语言处理类型的文本提取模型,对买方需求文本进行预处理,可以包括两个子模型:文本分析模型和关键词提取模型。可以预先使用大量训练数据对上述需求文本提取模型进行训练。
参照图2,步骤S102包括但不限于有以下步骤S1021和步骤S1022。
步骤S1021,将买方需求文本输入文本分析模型,得到文本分析结果。
在一实施例中,文本分析模型利用自然语言处理的算法对得到的买方需求文本进行包括词法分析、句法分析、语义分析或文档分析在内的文本分析,得到文本分析结果。
其中在一实施例中,词法分析包括:分词、词性标注、实体识别、拼写检查等。分词就是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,中文的分词方法可以选用jieba分词算法,实现分词、词性标注、关键词提取等。
在一实施例中,句法分析是为了确定句子的句法结构或者句子中词汇之间的依存关系。根据句法结构的表示形式不同,本实施例中句法分析任务分为以下三种:句法结构分析,作用是识别出句子中的短语结构以及短语之间的层次句法关系。依存关系分析,作用是识别句子中词汇与词汇之间的相互依存关系。深层文法句法分析,即利用深层文法,例如词汇化树邻接文法、词汇功能文法、组合文法等,对句子进行深层的句法以及语义分析。
在一实施例中,语义分析包括词语级语义分析和句子级语义分析。
其中词语级语义分析包括两个方面:词义消歧和词义表示。词义消歧是根据一个多义词在文本中出现的上下文环境来确定其词义,包含两个必要的步骤:a)在词典中描述词语的意义;b)在语料中进行词义自动消歧。本实施例中进行词义消歧的方法是:基于词典的词义消歧或者有监督词义消歧。词义表示是从该词义在同义词网络中出现的位置到该网络根节点之间的路径信息。本实施例中利用词向量方式进行词义表示,即通过训练将词映射成一个固定维数的向量,将所有这些向量放在一起形成一个词向量空间,而每一向量则可视为该空间中的一个点,在这个空间上引入“距离”,则可以根据词之间的距离来判断它们之间的(词法、语义上的)相似性。
在一实施例中,由于文档是指由一系列连续的子句、句子或语段构成的语言整体单位,在一个文档中,子句、句子或语段间具有一定的层次结构和语义关系,文档分析旨在分析出其中的层次结构和语义关系。例如,针对给定的买方需求文本,其任务是自动识别出该文本中的所有篇章结构,其中每个篇章结构由连接词,两个相应的论元,以及篇章关系类别构成。篇章结构可进一步分为显式和隐式,显式篇章关系指连接词存在于文本中,而隐式篇章关系指连接词不存在于文本中,但可以根据上下文语境推导出合适的连接词,即本实施例的文档分析过程。
上述对买方需求文本进行文本分析后,得到文本分析结果,例如可以是分词结果,然后进入下一步骤,进行关键词提取。
步骤S1022,将文本分析结果输入关键词提取模型进行匹配,得到需求关键词。
在一实施例中,上述得到的文本分析结果是分词结果,即将买方需求文本划分成不同的词,其中还可以通过对文本进行情感分析去掉部分助词或者副词或者形容词,以减少关键词提取的数量,提高关键词提取效率和提取准确率。该实施例中关键词提取模型可以是分类模型,预先利用大量词语对关键词提取模型进行训练,使得输入对应的词,可以将其归类到对应的关键词大类中,训练完成后,利用该关键词提取模型从输入的文本分析结果中匹配出相关的需求关键词。该实施例中关键词提取模型也可以是词权重模型,通过计算每个词的权重,判断其重要程度以及包含的信息量,根据权重以及预设的权重阈值筛选出需求关键词,例如权重可以是词频。
步骤S103,将需求关键词和买方需求标签输入预先训练的关联买方推荐模型,得到关联买方。
在一实施例中,上述得到需求关键词后,将需求关键词和买方需求标签输入预先训练的关联买方推荐模型。参照图3,步骤S103包括但不限于有以下步骤S1031和步骤S1032。
步骤S1031,将需求关键词和买方需求标签输入预先训练的关联买方推荐模型,计算得到用户相似度。
步骤S1032,根据用户相似度筛选得到关联买方。
在一实施例中,关联买方推荐模型为内容推荐算法模型,例如通过计算关键词之间的相似度,根据相似度排序结果选取推荐的内容,即关联买方。本实施例中将与发布该买方需求信息中需求关键词或者买方需求标签相似度较高的买方称为关联买方,通过预先训练的关联买方推荐模型,根据预先存储在数据库中的历史交易信息,计算需求关键词相似度或者买方需求标签相似度,根据预设相似度阈值选取关联买方,其中预设相似度阈值可以根据实际需求设定,在此不做具体限定。
在一实施例中,计算相似度的方法包括以下几种:
1)通过余弦相似度计算用户相似度
余弦相似性是通过测量两个词向量的夹角的余弦值来度量它们之间的相似性。0度角的余弦值是1,而其他任何角度的余弦值都不大于1,并且其最小值是-1,从而两个词向量之间的角度的余弦值确定两个向量是否大致指向相同的方向。两个向量有相同的指向时,余弦相似度的值为1;两个向量夹角为90°时,余弦相似度的值为0;两个向量指向完全相反的方向时,余弦相似度的值为-1。这结果是与向量的长度无关的,仅仅与向量的指向方向相关。表示为:
上式中,A和B表示两个关键词的向量,θ表示两者之间的夹角,cos(θ)表示两者之间的余弦值,即用户相似度。
2)通过欧式距离计算用户相似度:
欧式距离是一种距离度量,用于衡量的是多维空间中各个点之间的绝对距离,距离越远说明个体间的差异越大。表示为:
上式中,A和B表示两个关键词的向量,d表示欧式距离,即用户相似度。
3)通过皮埃尔相关系数计算用户相似度
皮尔逊相关系数是用于度量两个变量X和Y之间的相关(线性相关),其值介于-1与1之间,两个向量之间的皮尔逊相关系数定义为两个向量之间的协方差和标准差的商,表示为:
上式中,A和B表示两个关键词的向量,cov(A,B)表示向量AB之间的协方差,σAσB表示向量AB之间的标准差,ρ表示皮埃尔相关系数,即用户相似度。
4)通过斯皮尔曼等级相关系数计算用户相似度
斯皮尔曼等级相关系数是用来估计两个变量A、B之间的相关性,其中变量间的相关性可以使用单调函数来描述,如果两个变量取值的两个集合中均不存在相同的两个元素,那么,当其中一个变量可以表示为另一个变量的很好的单调函数时(即两个变量的变化趋势相同),两个变量之间的斯皮尔曼等级相关系数可以达到+1或-1。表示为:
上述四种计算用户相似度的方法仅作示例,并不代表本实施例对其进行限定。
步骤S104,根据关联买方的历史交易数据获取第一需求推荐列表。
在一实施例中,上述根据计算的相似度选取关联买方后,根据关联买方的历史交易数据找到当前关联买方在该需求关键词下或者买方需求标签下,对应的卖方以及对应交易的商品列表,将该商品列表作为第一需求推荐列表。
步骤S105,将需求关键词输入预先训练的卖方商品推荐模型,得到第二需求推荐列表。
在一实施例中,预先使用大量训练数据训练卖方商品推荐模型,例如卖方商品推荐模型可以根据输入的需求关键词给出关联性最高的卖方,获取该卖方对应的推荐商品。该实施例中,输入需求关键词,即可匹配到不同需求关键词对应的高推荐度商品,将推荐的商品列表作为第二需求推荐列表。该实施例中卖方商品推荐列表可以是根据相似度计算的内容推荐算法模型,在此不做具体限定。
步骤S106,根据第一需求推荐列表和第二需求推荐列表得到匹配结果。
在一实施例中,得到第一需求推荐列表和第二需求推荐列表后,对其取交集得到匹配结果,即根据买方需求信息最终推荐给买方的商品列表。
参照图4,在一实施例中,步骤S106包括但不限于步骤S1061至步骤S1065:
步骤S1061,获取第一需求推荐列表的第一相关性排序结果。
在一实施例中,即对获取的第一需求推荐列表中的商品按照相关性进行排序得到第一相关性排序结果,其中,相关性可以通过相似度计算或者交易频次来表示。
步骤S1062,根据第一相关性排序结果获取第一匹配结果。
在一实施例中,预先设定第一选取阈值,例如选取前20个商品,即第一选取阈值为20,根据第一相关性排序结果选取排名前20的商品作为第一匹配结果。
步骤S1063,获取第二需求推荐列表的第二相关性排序结果。
在一实施例中,即对获取的第二需求推荐列表中的商品按照相关性进行排序得到第二相关性排序结果,其中,相关性可以通过相似度计算或者交易频次来表示。
步骤S1064,根据第二相关性排序结果获取第二匹配结果。
在一实施例中,预先设定第二选取阈值,例如选取前20个商品,即第二选取阈值为20,根据第二相关性排序结果选取排名前20的商品作为第二匹配结果。
步骤S1065,根据第一匹配结果和第二匹配结果得到匹配结果。
在一实施例中,对第一匹配结果和第二匹配结果进行第三相关性排序,根据第三相关性排序结果获取匹配结果。例如,可以将第一匹配结果中的商品和第二匹配结果中的商品取交集,如无交集,则根据计算的相关性,进行第三相关性排序,按照预先设定的第三选取阈值选取匹配结果,例如取前5个商品,作为最终的匹配结果,推荐内容显示时,相关性越大的越靠前,以便买方能够直观的进行交易选取。
可以理解的是,第一选取阈值、第二选取阈值和第三选取阈值可以根据需求调整,例如判断相关度较低,则扩大这三个阈值的取值,以提高需求匹配命中率。
在一实施例中,在将上述步骤得到的匹配结果推送至买方以后,还可以根据匹配结果生成交易推荐方案,其中交易推荐方案还可以包括历史成交方案。例如按照卖方信用度或者买卖双方所在地等因素,根据相关性靠前的商品生成交易推荐方案,或者将相关性靠前的商品对应的历史成交方案(为保护隐私,可将对应的买卖双方信息进行脱敏处理),同时推送至买方,以进行撮合交易,降低买方的选择成本。
在一实施例中,上述对利用交易推荐方案或历史成交方案进行撮合交易后,获取买方根据交易推荐方案或历史成交方案执行的交易行为,该交易行为指买方是否接收推送的交易方案,然后利用交易行为训练前述步骤中的关联买方推荐模型和卖方商品推荐模型,以利用交易行为反馈训练对应的模型,形成新的模型训练数据,对模型进行自适应更新。
参照图5,为本申请一实施例中数据需求匹配流程图,包括以下步骤:
步骤S510:预先训练需求文本提取模型、关联买方推荐模型和卖方商品推荐模型;
步骤S511:获取买方需求信息,其中买方需求信息包括:买方需求文本和买方需求标签;
步骤S512:将买方需求文本输入预先训练的需求文本提取模型,得到需求关键词,分别进入步骤S520和步骤S530;
步骤S520:从买方角度进行匹配;
步骤S521:将需求关键词和买方需求标签输入预先训练的关联买方推荐模型,得到关联买方;
步骤S522:根据关联买方的历史交易数据获取第一需求推荐列表,随后进入步骤S613;
步骤S530:基于卖方角度进行匹配;
步骤S531:根据买方需求标签在卖方商品列表中进行筛选,如果无法找到与买方需求标签匹配的商品,则进入步骤S532;
步骤S532:将需求关键词输入预先训练的卖方商品推荐模型,得到第二需求推荐列表,随后进入步骤S513;
步骤S513:根据第一需求推荐列表和第二需求推荐列表,取交集得到匹配结果;
步骤S514:根据匹配结果生成交易推荐方案;
步骤S515:获取买方根据交易推荐方案执行的交易行为;
步骤S516:利用交易行为反馈训练对应的模型。
本实施例中提出的数据需求匹配方法,与相关技术相比,获取买方需求信息,其中,买方需求信息包括:买方需求文本和买方需求标签,将买方需求文本输入预先训练的需求文本提取模型,得到需求关键词,将需求关键词和买方需求标签输入预先训练的关联买方推荐模型,得到关联买方,根据关联买方的历史交易数据获取第一需求推荐列表,将需求关键词输入预先训练的卖方商品推荐模型,得到第二需求推荐列表,根据第一需求推荐列表和第二需求推荐列表得到匹配结果。本申请实施例通过对买方需求文本进行关键词提取,然后根据得到的需求关键词从买方角度进行匹配,得到第一需求推荐列表,然后再基于卖方角度进行匹配得到第二需求推荐列表,结合两个角度的需求推荐列表得到最终的匹配结果,能够更全面的匹配买方需求,提高数据需求匹配效率,避免相关技术中需求量大的时候,纯人工处理信息不对称耗时费力,效率较低的问题。同时采用预先训练的数据模型进行需求理解,提高数据需求匹配准确度,避免了由于人的经验水平不一致,对需求的理解不同,存在错误匹配的问题。
本公开实施例还提供一种数据需求匹配装置,可以实现上述数据需求匹配方法,参照图6,该装置包括:
买方需求信息获取模块610,用于获取买方需求信息,买方需求信息包括:买方需求文本和买方需求标签;
关键词提取模块620,用于将买方需求文本输入预先训练的需求文本提取模型,得到需求关键词;
关联买方推荐模块630,用于将需求关键词和买方需求标签输入预先训练的关联买方推荐模型,得到关联买方;
第一需求推荐列表获取模块640,用于根据关联买方的历史交易数据获取第一需求推荐列表;
第二需求推荐列表获取模块650,用于将需求关键词输入预先训练的卖方商品推荐模型,得到第二需求推荐列表;
匹配模块660,用于根据第一需求推荐列表和第二需求推荐列表得到匹配结果。
本实施例的数据需求匹配装置的具体实施方式与上述数据需求匹配方法的具体实施方式基本一致,在此不再赘述。
本公开实施例还提供了一种电子设备,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在存储器中,处理器执行所述至少一个程序以实现本公开实施上述的数据需求匹配方法。该电子设备可以为包括手机、平板电脑、个人数字助理(PersonalDigital Assistant,简称PDA)、车载电脑等任意智能终端。
请参阅图7,图7示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器701,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本公开实施例所提供的技术方案;
存储器702,可以采用ROM(ReadOnlyMemory,只读存储器)、静态存储设备、动态存储设备或者RAM(RandomAccessMemory,随机存取存储器)等形式实现。存储器702可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器702中,并由处理器701来调用执行本公开实施例的数据需求匹配方法;
输入/输出接口703,用于实现信息输入及输出;
通信接口704,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;和
总线705,在设备的各个组件(例如处理器701、存储器702、输入/输出接口703和通信接口704)之间传输信息;
其中处理器701、存储器702、输入/输出接口703和通信接口704通过总线705实现彼此之间在设备内部的通信连接。
本公开实施例还提供了一种存储介质,该存储介质是计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令用于使计算机执行上述数据需求匹配方法。
本公开实施例提出的数据需求匹配方法、数据需求匹配装置、电子设备、存储介质,通过对买方需求文本进行关键词提取,然后根据得到的需求关键词从买方角度进行匹配,得到第一需求推荐列表,然后再基于卖方角度进行匹配得到第二需求推荐列表,结合两个角度的需求推荐列表得到最终的匹配结果,能够更全面的匹配买方需求,提高数据需求匹配效率,避免相关技术中需求量大的时候,纯人工处理信息不对称耗时费力,效率较低的问题。同时采用预先训练的数据模型进行需求理解,提高数据需求匹配准确度,避免了由于人的经验水平不一致,对需求的理解不同,存在错误匹配的问题。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本公开实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-5中示出的技术方案并不构成对本公开实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中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,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。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的本申请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。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,所述单元的划分,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,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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请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,本申请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,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请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、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本公开实施例的优选实施例,并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本公开实施例的权利范围之内。
Claims (10)
1.一种数据需求匹配方法,其特征在于,包括:
获取买方需求信息,所述买方需求信息包括:买方需求文本和买方需求标签;
将所述买方需求文本输入预先训练的需求文本提取模型,得到需求关键词;
将所述需求关键词和所述买方需求标签输入预先训练的关联买方推荐模型,得到关联买方;
根据所述关联买方的历史交易数据获取第一需求推荐列表;
将所述需求关键词输入预先训练的卖方商品推荐模型,得到第二需求推荐列表;
根据所述第一需求推荐列表和所述第二需求推荐列表得到匹配结果。
2.根据权利要求1所述的数据需求匹配方法,其特征在于,所述预先训练的需求文本提取模型包括:文本分析模型和关键词提取模型;所述将所述买方需求文本输入预先训练的需求文本提取模型,得到需求关键词,包括:
将所述买方需求文本输入所述文本分析模型,得到文本分析结果;
将所述文本分析结果输入所述关键词提取模型进行匹配,得到所述需求关键词。
3.根据权利要求1所述的数据需求匹配方法,其特征在于,所述将所述需求关键词和所述买方需求标签输入预先训练的关联买方推荐模型,得到关联买方,包括:
将所述需求关键词和所述买方需求标签输入预先训练的关联买方推荐模型,计算得到用户相似度;
根据所述用户相似度筛选得到所述关联买方。
4.根据权利要求1所述的数据需求匹配方法,其特征在于,所述根据所述第一需求推荐列表和所述第二需求推荐列表得到匹配结果,包括:
获取所述第一需求推荐列表的第一相关性排序结果;
根据所述第一相关性排序结果获取第一匹配结果;
获取所述第二需求推荐列表的第二相关性排序结果;
根据所述第二相关性排序结果获取第二匹配结果;
根据所述第一匹配结果和所述第二匹配结果得到所述匹配结果。
5.根据权利要求4所述的数据需求匹配方法,其特征在于,所述根据所述第一匹配结果和所述第二匹配结果取交集,得到所述匹配结果,包括:
对所述第一匹配结果和所述第二匹配结果进行第三相关性排序;
根据所述第三相关性排序结果获取匹配结果。
6.根据权利要求1至5任一项所述的数据需求匹配方法,其特征在于,所述根据所述第一需求推荐列表和所述第二需求推荐列表得到匹配结果后,还包括:
根据所述匹配结果生成交易推荐方案。
7.根据权利要求6所述的数据需求匹配方法,其特征在于,还包括:
获取买方根据所述交易推荐方案执行的交易行为;
利用所述交易行为训练所述关联买方推荐模型和所述卖方商品推荐模型。
8.一种数据需求匹配装置,其特征在于,包括:
买方需求信息获取模块,用于获取买方需求信息,所述买方需求信息包括:买方需求文本和买方需求标签;
关键词提取模块,用于将所述买方需求文本输入预先训练的需求文本提取模型,得到需求关键词;
关联买方推荐模块,用于将所述需求关键词和所述买方需求标签输入预先训练的关联买方推荐模型,得到关联买方;
第一需求推荐列表获取模块,用于根据所述关联买方的历史交易数据获取第一需求推荐列表;
第二需求推荐列表获取模块,用于将所述需求关键词输入预先训练的卖方商品推荐模型,得到第二需求推荐列表;
匹配模块,用于根据所述第一需求推荐列表和所述第二需求推荐列表得到匹配结果。
9.一种电子设备,其特征在于,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在存储器中,处理器执行所述至少一个程序以实现:
如权利要求1至7任一项所述的方法。
10.一种存储介质,所述存储介质为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可执行指令,所述计算机可执行指令用于使计算机执行:
如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111445788.3A CN114255096A (zh) | 2021-11-30 | 2021-11-30 | 数据需求匹配方法和装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111445788.3A CN114255096A (zh) | 2021-11-30 | 2021-11-30 | 数据需求匹配方法和装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114255096A true CN114255096A (zh) | 2022-03-29 |
Family
ID=80791430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111445788.3A Pending CN114255096A (zh) | 2021-11-30 | 2021-11-30 | 数据需求匹配方法和装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114255096A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114402A (zh) * | 2022-06-27 | 2022-09-27 | 北京金堤科技有限公司 | 相关相似公司的推荐方法、装置、存储介质和电子设备 |
CN115761611A (zh) * | 2022-12-18 | 2023-03-07 | 四川数聚智造科技有限公司 | 基于图像对比异常检测的多阶段多底图图像差异过滤方法 |
CN116542443A (zh) * | 2023-03-29 | 2023-08-04 | 浙江中兴慧农信息科技有限公司 | 一种基于双边匹配模型的资源分配方法及设备 |
-
2021
- 2021-11-30 CN CN202111445788.3A patent/CN114255096A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114402A (zh) * | 2022-06-27 | 2022-09-27 | 北京金堤科技有限公司 | 相关相似公司的推荐方法、装置、存储介质和电子设备 |
CN115761611A (zh) * | 2022-12-18 | 2023-03-07 | 四川数聚智造科技有限公司 | 基于图像对比异常检测的多阶段多底图图像差异过滤方法 |
CN116542443A (zh) * | 2023-03-29 | 2023-08-04 | 浙江中兴慧农信息科技有限公司 | 一种基于双边匹配模型的资源分配方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363790B (zh) | 用于对评论进行评估的方法、装置、设备和存储介质 | |
CN108647205B (zh) | 细粒度情感分析模型构建方法、设备及可读存储介质 | |
CN109992646B (zh) | 文本标签的提取方法和装置 | |
US20230195773A1 (en) | Text classification method, apparatus and computer-readable storage medium | |
CN113792818A (zh) | 意图分类方法、装置、电子设备及计算机可读存储介质 | |
CN114255096A (zh) | 数据需求匹配方法和装置、电子设备、存储介质 | |
CN111563384B (zh) | 面向电商产品的评价对象识别方法、装置及存储介质 | |
CN108038725A (zh) | 一种基于机器学习的电商产品客户满意度分析方法 | |
CN111680159A (zh) | 数据处理方法、装置及电子设备 | |
CN109086265B (zh) | 一种语义训练方法、短文本中多语义词消歧方法 | |
Kaur | Incorporating sentimental analysis into development of a hybrid classification model: A comprehensive study | |
US11893537B2 (en) | Linguistic analysis of seed documents and peer groups | |
CN111177402B (zh) | 基于分词处理的评价方法、装置、计算机设备及存储介质 | |
CN110060132B (zh) | 基于细粒度数据的可解释商品推荐方法 | |
CN112182145A (zh) | 文本相似度确定方法、装置、设备和存储介质 | |
CN114329225A (zh) | 基于搜索语句的搜索方法、装置、设备及存储介质 | |
CN114595327A (zh) | 数据增强方法和装置、电子设备、存储介质 | |
CN114240552A (zh) | 基于深度聚类算法的产品推荐方法、装置、设备及介质 | |
Liu et al. | Open intent discovery through unsupervised semantic clustering and dependency parsing | |
CN112069312A (zh) | 一种基于实体识别的文本分类方法及电子装置 | |
CN113988057A (zh) | 基于概念抽取的标题生成方法、装置、设备及介质 | |
CN109298796B (zh) | 一种词联想方法及装置 | |
CN116644148A (zh) | 关键词识别方法、装置、电子设备及存储介质 | |
CN114492437B (zh) | 关键词识别方法、装置、电子设备及存储介质 | |
CN115827990A (zh) | 搜索方法及装置 |
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 |