CN114331789A - 一种廉洁知识智能推荐方法、装置、设备及存储介质 - Google Patents
一种廉洁知识智能推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114331789A CN114331789A CN202210216587.4A CN202210216587A CN114331789A CN 114331789 A CN114331789 A CN 114331789A CN 202210216587 A CN202210216587 A CN 202210216587A CN 114331789 A CN114331789 A CN 114331789A
- Authority
- CN
- China
- Prior art keywords
- clean
- cheap
- knowledge
- similarity
- education
- 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 39
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000002265 prevention Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种廉洁知识智能推荐方法、装置、设备及存储介质，涉及智能推荐技术领域，包括以下步骤：形成初始廉洁知识库；构建廉洁知识图谱；形成初始廉洁风险库；构建廉洁风险库；形成初始学习日志库；构建学习偏好标签库；基于廉洁知识图谱的实体、关系、属性、廉洁风险库的标签，构建廉洁知识画像；基于廉洁知识画像，计算不同廉洁知识的相似度；基于廉洁风险库的标签、学习偏好标签库的标签，构建廉洁教育对象画像；基于廉洁教育对象画像，计算不同廉洁教育对象的相似度；基于廉洁知识画像和廉洁教育对象画像的相似度，为廉洁教育对象推荐廉洁知识，便于根据廉洁教育对象的标签精准推荐廉洁知识。
Description
技术领域
本发明涉及智能推荐技术领域，具体为一种廉洁知识智能推荐方法、装置、设备及存储介质。
背景技术
在廉洁教育领域，仍然存在4方面突出问题：（1）形式较单一，廉洁教育多以召开学习会、举办专题课、实地参观教育基地等线下教育方式为主；（2）风险不自知，部分在职党员干部、公职人员，不清楚自己的岗位廉洁风险；（3）触达不精准，廉洁教育学习资源分散，且缺乏与岗位风险匹配的针对性学习内容；（4）成效难监管，纪检监察人员较难全局掌握、衡量、评价廉洁教育对象及其学习成效。
随着信息科技的发展，在线教育呈现爆炸性的增长，人们在享受互联网带来的巨大便利时，也受到了一些问题的困扰。主要体现在在线教育课程相对固定，无法根据教育对象的身份、职业、兴趣、学习偏好等特点智能推荐学习内容，不能满足教育对象高效学习、快速提高的要求。
推荐系统是一种能为用户提供有效信息服务的技术。推荐系统主要利用用户对物品的行为信息，挖掘出用户的个性化需求，通过用户的兴趣模型主动向用户提供满足其需求的信息。推荐系统因其能够挖掘用户兴趣的特点，已经成为了为用户提供个性化服务的一个重要研究领域，并得到了非常广泛的应用。对于一些企业事业单位中容易产生廉洁风险的问题，现有相关技术中并没有提出一种比较完善的能够快速推荐廉洁知识用于廉洁教育对象学习的方法。
发明内容
本发明的目的在于：为了解决上述技术问题，本发明提供一种廉洁知识智能推荐方法、装置、设备及存储介质。
本发明为了实现上述目的具体采用以下技术方案：
一种廉洁知识智能推荐方法，包括以下步骤：
获取公开的廉洁相关知识，形成初始廉洁知识库；
自动抽取廉洁知识内的实体、关系、属性，构建廉洁知识图谱；
获取公开的廉洁风险防控责任清单，形成初始廉洁风险库；
梳理及归纳廉洁风险防控责任清单内的领域、职责、风险标签的关联关系，构建廉洁风险库；
获取廉洁教育对象的学习记录，形成初始学习日志库；
基于学习记录，构建学习偏好标签库；
基于廉洁知识图谱的实体、关系、属性、廉洁风险库的标签，构建廉洁知识画像；基于廉洁知识画像，计算不同廉洁知识的相似度；
基于廉洁风险库的标签、学习偏好标签库的标签，构建廉洁教育对象画像；基于廉洁教育对象画像，计算不同廉洁教育对象的相似度；
基于廉洁知识画像和廉洁教育对象画像的相似度，为廉洁教育对象推荐廉洁知识。
进一步地，利用爬虫技术收集整理网站公开的廉洁相关知识，形成初始廉洁知识库。
进一步地，基于深度学习的知识图谱抽取工具DeepKE对廉洁知识的内容进行实体、关系、属性抽取和廉洁知识图谱构建。
进一步地，构建廉洁知识画像包括以下步骤：
基于廉洁知识图谱的实体、关系、属性构建廉洁知识画像1，根据廉洁知识画像1计算廉洁知识相似度1；
基于廉洁风险标签构建廉洁知识画像2，根据廉洁知识画像2计算廉洁知识相似度2；
对廉洁知识相似度1、廉洁知识相似度2进行加权计算，得到廉洁知识相似度3。
进一步地，构建廉洁教育对象画像包括以下步骤：
基于廉洁风险标签构建廉洁教育对象画像3，基于廉洁教育对象画像3计算廉洁教育对象相似度4；
基于学习偏好标签构建廉洁教育对象画像4，基于廉洁教育对象画像4计算廉洁教育对象相似度5；
基于廉洁教育对象相似度4、廉洁教育对象相似度5加权计算，得到廉洁教育对象相似度6。
进一步地，基于廉洁知识画像和廉洁教育对象画像的相似度，为廉洁教育对象推荐廉洁知识包括以下步骤：
基于廉洁知识画像2、廉洁教育对象画像3计算廉洁知识与廉洁教育对象相似度7；
相似度7达到设定阈值，为廉洁教育对象匹配廉洁知识1；
廉洁知识相似度3达到设定阈值，为廉洁教育对象匹配相似廉洁知识2；
廉洁教育对象相似度6达到设定阈值，为廉洁教育对象推荐相似廉洁教育对象匹配的廉洁知识3；
基于廉洁知识1、廉洁知识2，廉洁知识3，去重，为廉洁教育对象推荐廉洁知识4。
进一步地，所述廉洁知识相似度1、廉洁知识相似度2、廉洁教育对象相似度4、廉洁教育对象相似度5、廉洁知识与廉洁教育对象相似度7均采用余弦相似度计算。
一种廉洁知识智能推荐装置，包括第一获取模块、第二获取模块、第三获取模块、第一画像模块、第二画像模块和智能推荐模块，其中：
所述第一获取模块，用于获取公开的廉洁相关知识，形成初始廉洁知识库；
所述第一构建模块，自动抽取廉洁知识内的实体、关系、属性，构建廉洁知识图谱；
所述第二获取模块，获取公开的廉洁风险防控责任清单，形成初始廉洁风险库；
所述第二构建模块，梳理及归纳廉洁风险防控责任清单内的领域、职责、风险标签的关联关系，构建廉洁风险库；
所述第三获取模块，获取廉洁教育对象的学习记录，形成初始学习日志库；
所述第三构建模块，基于学习记录，构建学习偏好标签库；
所述第一画像模块，基于廉洁知识图谱的实体、关系、属性、廉洁风险库的标签，构建廉洁知识画像；基于廉洁知识画像，计算不同廉洁知识的相似度；
所述第二画像模块，基于廉洁风险库的标签、学习偏好标签库的标签，构建廉洁教育对象画像；基于廉洁教育对象画像，计算不同廉洁教育对象的相似度；
所述智能推荐模块，基于廉洁知识画像和廉洁教育对象画像的相似度，为廉洁教育对象推荐廉洁知识。
一种廉洁知识智能推荐设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的廉洁知识智能推荐程序，所述廉洁知识智能推荐程序配置为实现如上文所述的廉洁知识智能推荐方法的步骤。
一种存储介质，所述存储介质上存储有廉洁知识智能推荐程序，所述廉洁知识智能推荐程序被处理器执行时实现如上文所述的廉洁知识智能推荐方法的步骤。
本发明的有益效果如下：
本发明通过构建廉洁知识图谱、廉洁风险库和学习偏好标签库，基于廉洁知识图谱和廉洁风险库构建廉洁知识画像，计算不同廉洁知识的相似度，基于廉洁风险库的标签、学习偏好标签库的标签，构建廉洁教育对象画像，计算不同廉洁教育对象的相似度，基于廉洁知识画像和廉洁教育对象画像的相似度，为廉洁教育对象推荐廉洁知识，便于根据廉洁教育对象的标签精准推荐廉洁知识。
附图说明
图1是本发明的方法流程示意图；
图2是本发明的构建廉洁知识画像方法流程示意图；
图3是本发明的构建廉洁教育对象画像方法流程示意图；
图4是本发明的为廉洁教育对象推荐廉洁知识方法流程示意图；
图5是本发明的装置框架示意图；
图6是本发明的设备框架示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，本实施例提供一种廉洁知识智能推荐方法，包括以下步骤：
获取公开的廉洁相关知识，形成初始廉洁知识库；
实施时，可以是利用爬虫技术收集整理网站公开的廉洁相关知识，初始廉洁知识库。
自动抽取廉洁知识内的实体、关系、属性，构建廉洁知识图谱；
本实施例中，基于深度学习的知识图谱抽取工具DeepKE对廉洁知识的内容进行实体、关系、属性抽取和廉洁知识图谱构建。具体步骤为：首先，人工进行样本打标，收集样本数据，再输入DeepKE相应模块进行建模，输出包含廉洁知识内的实体关系及属性的廉洁知识图谱，并将结果存入neo4j图数据库。需要说明的是，实体指客观存在的事物，一般指名词，比如廉洁知识中的法律法规名称、机构名、职务名等；关系指实体之间相互联系的方式，一般指两个实体之间的动词；属性指实体所具备的某一特征。
获取公开的廉洁风险防控责任清单，形成初始廉洁风险库；
实施时，可以是利用爬虫技术收集整理网站公开的廉洁风险防控责任清单，形成初始廉洁风险库。
梳理及归纳廉洁风险防控责任清单内的领域、职责、风险标签的关联关系，构建廉洁风险库；
获取廉洁教育对象的学习记录，形成初始学习日志库；
基于学习记录，构建学习偏好标签库；
基于廉洁知识图谱的实体、关系、属性、廉洁风险库的标签，构建廉洁知识画像；基于廉洁知识画像，计算不同廉洁知识的相似度；
基于廉洁风险库的标签、学习偏好标签库的标签，构建廉洁教育对象画像；基于廉洁教育对象画像，计算不同廉洁教育对象的相似度；
基于廉洁知识画像和廉洁教育对象画像的相似度，为廉洁教育对象推荐廉洁知识。
本实施例方法的执行主体可以是具有网络通信、数据处理以及程序运行功能的计算服务设备，如手机、电脑、服务器等。
综上所述，通过构建廉洁知识图谱、廉洁风险库和学习偏好标签库，基于廉洁知识图谱和廉洁风险库构建廉洁知识画像，计算不同廉洁知识的相似度，基于廉洁风险库的标签、学习偏好标签库的标签，构建廉洁教育对象画像，计算不同廉洁教育对象的相似度，基于廉洁知识画像和廉洁教育对象画像的相似度，为廉洁教育对象推荐廉洁知识，便于根据廉洁教育对象的标签精准推荐廉洁知识。
实施例2
在实施例1的基础之上，如图2所示，构建廉洁知识画像包括以下步骤：
基于廉洁知识图谱的实体、关系、属性构建廉洁知识画像1，根据廉洁知识画像1计算廉洁知识相似度1；
本实施例中，计算步骤如下：
将廉洁知识图谱的三要素：实体、关系、属性，作为数据集，导入库中；
表设计如下（示例）:
| 关联知识ID | 实体_head | 实体_tail | 关系 |
| C001 | 国有重要骨干企业领导人员任职和公务回避暂行规定 | 组织人事部门 | 监督检查 |
| C001 | 企业党组织 | 回避工作 | 纳入党风廉政建设责任制 |
| 关联知识ID | 属性 | 实体 | 属性值 |
| C001 | 任职回避程序 | 企业领导人员 | 需要回避的，由企业领导班子主管部门调整工作岗位 |
| C001 | 任职回避情况 | 企业领导人员有亲属关系的 | 在同一领导班子中任职的,同时在有直接隶属关系的领导班子中任主要领导职务的 |
此内容即为廉洁知识画像1；
将廉洁知识的廉洁知识画像进行两两计算，算出每两个廉洁知识的廉洁知识相似度1，计算相似度的过程如下：
首先把所有的实体要素(包括实体_head和实体_tail)和属性进行重复度计算，将最终结果按低到高，进行排序。按照5分法，将排序结果按比例分为五份，赋予不同的实体相似度权重值1和属性权重值1，例如：
0-20%：1；21-40%：0.8；41%-60%：0.6；61%-80%：0.4；81-100%：0.2；
根据所有廉洁知识对应的ID，分别获取对应的要素；
将两者的所有实体要素(包括实体_head和实体_tail)进行相似度计算，把相似度90%及以上的实体要素，计为共同实体要素1；
对两个廉洁知识的共同实体要素1和其关系要素，和其他共同实体要素1和其关系要素进行相似度计算。把每个目标实体关系相似度*该目标实体的相似度权重值1，进行累加，得到实体关系相似度1；
对两者共同实体要素1的属性，进行匹配，把相似度90%以上的属性，计算属性值相似度，把每个目标实体属性值相似度*该目标实体相似度权重值1*对应的属性权重值1，进行累加，得到属性值相似度1；
两个廉洁知识相似度1= 属性值相似度1/相似度90%以上的属性个数 + 实体关系相似度1/共同实体要素1的个数。
基于廉洁风险标签构建廉洁知识画像2，根据廉洁知识画像2计算廉洁知识相似度2；
本实施例中，计算步骤如下：
将廉洁风险标签作为数据集，导入库中。表设计如下（示例）:
| 标签名 | 关联职责ID | 风险级别 |
| 招投标 | Z001 | 高 |
| 行政执法 | Z034 | 中 |
| 请假审批 | Z011 | 低 |
进行廉洁风险标签风险级别权重配置（示例）：
高：0.8；
中：0.5；
低：0.3；
对廉洁知识的全文内容进行检索，得出各廉洁知识的廉洁知识画像标签与其分值，称之为廉洁知识画像2，计算规则为：
廉洁知识的各廉洁知识画像标签分值 = 内容出现该廉洁画像标签的次数*该廉洁画像标签风险级别权重的权重；
按照廉洁知识的各画像标签与分值，同其他廉洁知识的画像标签与分值，两两计算相似度，得出廉洁知识相似度2；
对廉洁知识相似度1、廉洁知识相似度2进行加权计算，得到廉洁知识相似度3。
实施时，便于根据实际需要设计相似度1和相似度2的权重，例如相似度1的权重可以设置为0.6，相似度2的权重可以设置为0.4。
实施例3
在实施例2的基础之上，如图3所示，构建廉洁教育对象画像包括以下步骤：
基于廉洁风险标签构建廉洁教育对象画像3，基于廉洁教育对象画像3计算廉洁教育对象相似度4；
本实施例中，计算步骤如下：
将教育对象的信息（对象ID、关联职责、对应风险标签、风险级别）作为数据集。表设计如下（示例）:
| 对象ID | 关联职责ID | 风险标签 | 风险级别 |
| 3123123 | Z001 | 招投标 | 高 |
| 4788182 | Z034 | 行政执法 | 中 |
| 2322278 | Z123 | 考勤管理 | 低 |
得出廉洁教育对象画像3的各风险画像标签；
进行风险标签风险级别权重配置（示例）：
高：0.8；
中：0.5；
低：0.3；
廉洁教育对象画像3的各风险画像标签和分值 = 廉洁教育对象的职责所关联的风险标签与该风险标签风险级别对应的权重；
按照廉洁教育对象画像3，和各廉洁知识的廉洁知识2的各画像与分值，进行相似度计算，计算出相似度4；
基于学习偏好标签构建廉洁教育对象画像4，基于廉洁教育对象画像4计算廉洁教育对象相似度5；
本实施例中，构建步骤如下：
标签计算方式：
收藏：收藏的廉洁知识所对应的风险标签，记录为该对象的廉洁对象的学习偏好标签；
搜索：通过搜索引擎搜索并点击的廉洁知识所对应的风险标签，记录为该对象的廉洁对象的学习偏好标签；
错题：做错的题，对应的廉洁知识的画像标签，记录为该对象的廉洁对象的学习偏好标签；
阅读：阅读超过30秒的廉洁知识所对应的风险标签，记录为该对象的廉洁对象的学习偏好标签；
创建学习偏好行为权重，例如：
收藏：0.3；
提问：0.5；
错题：0.8；
阅读：0.1；
半年内时间加权：0.05；
一个月内时间加权：0.2；
廉洁教育对象画像4计算规则：
各廉洁教育对象画像标签即为学习过程中，所记录的画像标签；
各廉洁教育对象画像标签分值4 = （1+对应行为出现时间的时间加权）*对应行为标签出现次数*对应行为权重；
用廉洁教育对象画像4，和各廉洁知识的廉洁知识4的各画像分值，进行相似度计算，计算出相似度5；
基于廉洁教育对象相似度4、廉洁教育对象相似度5加权计算，得到廉洁教育对象相似度6。
实施例4
在实施例3的基础之上，如图4所示，基于廉洁知识画像和廉洁教育对象画像的相似度，为廉洁教育对象推荐廉洁知识包括以下步骤：
基于廉洁知识画像2、廉洁教育对象画像3计算廉洁知识与廉洁教育对象相似度7；
本实施例中，计算方法如下：
用廉洁知识2的各画像与分值，和廉洁教育对象画像3的各标签画像与分值，进行相似度计算，得到廉洁教育对象相似度7。
相似度7达到设定阈值，为廉洁教育对象匹配廉洁知识1；
廉洁知识相似度3达到设定阈值，为廉洁教育对象匹配相似廉洁知识2；
廉洁教育对象相似度6达到设定阈值，为廉洁教育对象推荐相似廉洁教育对象匹配的廉洁知识3；
基于廉洁知识1、廉洁知识2，廉洁知识3，去重，为廉洁教育对象推荐廉洁知识4。
优选地，所述廉洁知识相似度1、廉洁知识相似度2、廉洁教育对象相似度4、廉洁教育对象相似度5、廉洁知识与廉洁教育对象相似度7均采用余弦相似度计算。
本实施例中，余弦相似度计算方法： 1、对廉洁教育对象或知识进行分词；2、列出所有词；3、对分词进行编码；4、词频向量化；5、通过余弦函数计量两个对象或知识之间的相似度。
余弦函数的计算公式为：
式中，
、
分别表示需要计算相似度的不同对象的向量，
是向量
第
个分量，
是向量
第
个分量，
为大于零的自然数，
。
实施例5
一种廉洁知识智能推荐装置，如图5所示，包括第一获取模块、第二获取模块、第三获取模块、第一画像模块、第二画像模块和智能推荐模块，其中：
所述第一获取模块，用于获取公开的廉洁相关知识，形成初始廉洁知识库；
所述第一构建模块，自动抽取廉洁知识内的实体、关系、属性，构建廉洁知识图谱；
所述第二获取模块，获取公开的廉洁风险防控责任清单，形成初始廉洁风险库；
所述第二构建模块，梳理及归纳廉洁风险防控责任清单内的领域、职责、风险标签的关联关系，构建廉洁风险库；
所述第三获取模块，获取廉洁教育对象的学习记录，形成初始学习日志库；
所述第三构建模块，基于学习记录，构建学习偏好标签库；
所述第一画像模块，基于廉洁知识图谱的实体、关系、属性、廉洁风险库的标签，构建廉洁知识画像；基于廉洁知识画像，计算不同廉洁知识的相似度；
所述第二画像模块，基于廉洁风险库的标签、学习偏好标签库的标签，构建廉洁教育对象画像；基于廉洁教育对象画像，计算不同廉洁教育对象的相似度；
所述智能推荐模块，基于廉洁知识画像和廉洁教育对象画像的相似度，为廉洁教育对象推荐廉洁知识。
本发明一种廉洁知识智能推荐装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
实施例6
一种廉洁知识智能推荐设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的廉洁知识智能推荐程序，所述廉洁知识智能推荐程序配置为实现如上文所述的廉洁知识智能推荐方法的步骤。
本实施例中，设备可以包括：处理器，例如中央处理器(Central ProcessingUnit,CPU），通信总线、用户接口，网络接口，存储器。其中，通信总线用于实现这些组件之间的连接通信。用户接口可以包括显示屏（Display）、输入单元比如键盘（Keyboard），用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口（如无线保真(Wireless-FI delity,WI-FI)接口）。存储器可以是高速的随机存取存储器（Random Access Memory,RAM），也可以是稳定的非易失性存储器（Non VolatileMemory,NVM），例如磁盘存储器。存储器还可以是独立于前述处理器的存储装置。
本领域技术人员可以理解，图6中示出的结构并不构成对廉洁知识智能推荐的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图6所示，作为一种存储介质的存储器中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及廉洁知识智能推荐程序。
在图6所示的一种廉洁知识智能推荐设备中，网络接口主要用于与网络服务器进行数据通信；用户接口主要用于与用户进行数据交互；所述一种廉洁知识智能推荐设备通过处理器调用存储器中存储的廉洁知识智能推荐程序，并执行本发明实施例提供的廉洁知识智能推荐方法。
Claims (10)
1.一种廉洁知识智能推荐方法，其特征在于，包括以下步骤：
获取公开的廉洁相关知识，形成初始廉洁知识库；
自动抽取廉洁知识内的实体、关系、属性，构建廉洁知识图谱；
获取公开的廉洁风险防控责任清单，形成初始廉洁风险库；
梳理及归纳廉洁风险防控责任清单内的领域、职责、风险标签的关联关系，构建廉洁风险库；
获取廉洁教育对象的学习记录，形成初始学习日志库；
基于学习记录，构建学习偏好标签库；
基于廉洁知识图谱的实体、关系、属性、廉洁风险库的标签，构建廉洁知识画像；基于廉洁知识画像，计算不同廉洁知识的相似度；
基于廉洁风险库的标签、学习偏好标签库的标签，构建廉洁教育对象画像；基于廉洁教育对象画像，计算不同廉洁教育对象的相似度；
基于廉洁知识画像和廉洁教育对象画像的相似度，为廉洁教育对象推荐廉洁知识。
2.根据权利要求1所述的一种廉洁知识智能推荐方法，其特征在于，利用爬虫技术收集整理网站公开的廉洁相关知识，形成初始廉洁知识库。
3.根据权利要求1所述的一种廉洁知识智能推荐方法，其特征在于，基于深度学习的知识图谱抽取工具DeepKE对廉洁知识的内容进行实体、关系、属性抽取和廉洁知识图谱构建。
4.根据权利要求1所述的一种廉洁知识智能推荐方法，其特征在于，构建廉洁知识画像包括以下步骤：
基于廉洁知识图谱的实体、关系、属性构建廉洁知识画像1，根据廉洁知识画像1计算廉洁知识相似度1；
基于廉洁风险标签构建廉洁知识画像2，根据廉洁知识画像2计算廉洁知识相似度2；
对廉洁知识相似度1、廉洁知识相似度2进行加权计算，得到廉洁知识相似度3。
5.根据权利要求4所述的一种廉洁知识智能推荐方法，其特征在于，构建廉洁教育对象画像包括以下步骤：
基于廉洁风险标签构建廉洁教育对象画像3，基于廉洁教育对象画像3计算廉洁教育对象相似度4；
基于学习偏好标签构建廉洁教育对象画像4，基于廉洁教育对象画像4计算廉洁教育对象相似度5；
基于廉洁教育对象相似度4、廉洁教育对象相似度5加权计算，得到廉洁教育对象相似度6。
6.根据权利要求5所述的一种廉洁知识智能推荐方法，其特征在于，基于廉洁知识画像和廉洁教育对象画像的相似度，为廉洁教育对象推荐廉洁知识包括以下步骤：
基于廉洁知识画像2、廉洁教育对象画像3计算廉洁知识与廉洁教育对象相似度7；
相似度7达到设定阈值，为廉洁教育对象匹配廉洁知识1；
廉洁知识相似度3达到设定阈值，为廉洁教育对象匹配相似廉洁知识2；
廉洁教育对象相似度6达到设定阈值，为廉洁教育对象推荐相似廉洁教育对象匹配的廉洁知识3；
基于廉洁知识1、廉洁知识2，廉洁知识3，去重，为廉洁教育对象推荐廉洁知识4。
7.根据权利要求6所述的一种廉洁知识智能推荐方法，其特征在于，所述廉洁知识相似度1、廉洁知识相似度2、廉洁教育对象相似度4、廉洁教育对象相似度5、廉洁知识与廉洁教育对象相似度7均采用余弦相似度计算。
8.一种廉洁知识智能推荐装置，其特征在于，包括第一获取模块、第二获取模块、第三获取模块、第一画像模块、第二画像模块和智能推荐模块，其中：
所述第一获取模块，用于获取公开的廉洁相关知识，形成初始廉洁知识库；
所述第一构建模块，自动抽取廉洁知识内的实体、关系、属性，构建廉洁知识图谱；
所述第二获取模块，获取公开的廉洁风险防控责任清单，形成初始廉洁风险库；
所述第二构建模块，梳理及归纳防控责任清单内的领域、职责、风险标签的关联关系，构建廉洁风险库；
所述第三获取模块，获取廉洁教育对象的学习记录，形成初始学习日志库；
所述第三构建模块，基于学习记录，构建学习偏好标签库；
所述第一画像模块，基于廉洁知识图谱的实体、关系、属性、廉洁风险库的标签，构建廉洁知识画像；基于廉洁知识画像，计算不同廉洁知识的相似度；
所述第二画像模块，基于廉洁风险库的标签、学习偏好标签库的标签，构建廉洁教育对象画像；基于廉洁教育对象画像，计算不同廉洁教育对象的相似度；
所述智能推荐模块，基于廉洁知识画像和廉洁教育对象画像的相似度，为廉洁教育对象推荐廉洁知识。
9.一种廉洁知识智能推荐设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的廉洁知识智能推荐程序，所述廉洁知识智能推荐程序配置为实现如权利要求1-7中任一项所述的廉洁知识智能推荐方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有廉洁知识智能推荐程序，所述廉洁知识智能推荐程序被处理器执行时实现如利要求1-7中任一项所述的廉洁知识智能推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210216587.4A CN114331789B (zh) | 2022-03-07 | 2022-03-07 | 一种廉洁知识智能推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210216587.4A CN114331789B (zh) | 2022-03-07 | 2022-03-07 | 一种廉洁知识智能推荐方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114331789A true CN114331789A (zh) | 2022-04-12 |
| CN114331789B CN114331789B (zh) | 2022-06-24 |
Family
ID=81031373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210216587.4A Active CN114331789B (zh) | 2022-03-07 | 2022-03-07 | 一种廉洁知识智能推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114331789B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017041369A1 (zh) * | 2015-09-07 | 2017-03-16 | 百度在线网络技术（北京）有限公司 | 基于人工智能的人机交互的交互引导方法和装置 |
| CN110059912A (zh) * | 2019-02-20 | 2019-07-26 | 国网浙江省电力有限公司杭州供电公司 | 基于智慧图谱的廉洁风险隐患全景管控方法及装置 |
| CN110222125A (zh) * | 2019-05-13 | 2019-09-10 | 厦门无常师教育科技有限公司 | 一种基于知识图谱的线上教育个性化推送方法及系统 |
| CN110309316A (zh) * | 2018-06-08 | 2019-10-08 | 腾讯科技（深圳）有限公司 | 一种知识图谱向量的确定方法、装置、终端设备和介质 |
| CN110377715A (zh) * | 2019-07-23 | 2019-10-25 | 天津汇智星源信息技术有限公司 | 基于法律知识图谱的推理式精准智能问答方法 |
| CN110689385A (zh) * | 2019-10-16 | 2020-01-14 | 国网山东省电力公司信息通信公司 | 一种基于知识图谱的电力客服用户画像构建方法 |
| CN112163162A (zh) * | 2020-10-14 | 2021-01-01 | 珠海格力电器股份有限公司 | 基于人像识别的选修课程推荐方法、存储介质及电子设备 |
| US20210089598A1 (en) * | 2019-09-19 | 2021-03-25 | Samsung Electronics Co., Ltd. | Method and apparatus for providing content based on knowledge graph |
| CN112699246A (zh) * | 2020-12-21 | 2021-04-23 | 南京理工大学 | 基于知识图谱的领域知识推送方法 |
-
2022
- 2022-03-07 CN CN202210216587.4A patent/CN114331789B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017041369A1 (zh) * | 2015-09-07 | 2017-03-16 | 百度在线网络技术（北京）有限公司 | 基于人工智能的人机交互的交互引导方法和装置 |
| CN110309316A (zh) * | 2018-06-08 | 2019-10-08 | 腾讯科技（深圳）有限公司 | 一种知识图谱向量的确定方法、装置、终端设备和介质 |
| CN110059912A (zh) * | 2019-02-20 | 2019-07-26 | 国网浙江省电力有限公司杭州供电公司 | 基于智慧图谱的廉洁风险隐患全景管控方法及装置 |
| CN110222125A (zh) * | 2019-05-13 | 2019-09-10 | 厦门无常师教育科技有限公司 | 一种基于知识图谱的线上教育个性化推送方法及系统 |
| CN110377715A (zh) * | 2019-07-23 | 2019-10-25 | 天津汇智星源信息技术有限公司 | 基于法律知识图谱的推理式精准智能问答方法 |
| US20210089598A1 (en) * | 2019-09-19 | 2021-03-25 | Samsung Electronics Co., Ltd. | Method and apparatus for providing content based on knowledge graph |
| CN110689385A (zh) * | 2019-10-16 | 2020-01-14 | 国网山东省电力公司信息通信公司 | 一种基于知识图谱的电力客服用户画像构建方法 |
| CN112163162A (zh) * | 2020-10-14 | 2021-01-01 | 珠海格力电器股份有限公司 | 基于人像识别的选修课程推荐方法、存储介质及电子设备 |
| CN112699246A (zh) * | 2020-12-21 | 2021-04-23 | 南京理工大学 | 基于知识图谱的领域知识推送方法 |
Non-Patent Citations (2)
| Title |
|---|
| 毛天怡: "基于学生画像和课程相似度的学生成绩预测模型", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
| 高扬: "基于知识图谱的纪检监察线索调查研究与应用", 《中国优秀博硕士学位论文全文数据库(硕士) 社会科学Ⅰ辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114331789B (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Massucci et al. | Measuring the academic reputation through citation networks via PageRank | |
| US11019017B2 (en) | Social media influence of geographic locations | |
| Mena‐Chalco et al. | Brazilian bibliometric coauthorship networks | |
| Stewart | The application and misapplication of factor analysis in marketing research | |
| Eisend et al. | Measurement characteristics of Aaker's brand personality dimensions: Lessons to be learned from human personality research | |
| US20100280985A1 (en) | Method and system to predict the likelihood of topics | |
| CN108121785A (zh) | 一种基于教育大数据的分析方法 | |
| WO2023108980A1 (zh) | 基于文本对抗样例的信息推送方法及装置 | |
| Pargent et al. | Predictive modeling with psychological panel data | |
| Goncalves et al. | Gathering alumni information from a web social network | |
| WO2019218452A1 (zh) | 热词分析方法、计算机可读存储介质、终端设备及装置 | |
| CN110111011B (zh) | 一种教学质量监管方法、装置及电子设备 | |
| CN111696656A (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
| Mahalle et al. | Data collection and preparation | |
| CN106055875A (zh) | 一种基于大数据的皮纹分析处理装置 | |
| CN110633410A (zh) | 信息处理方法及装置、存储介质、电子装置 | |
| KR102126911B1 (ko) | KeyplayerRank를 이용한 소셜 미디어상의 주제별 키플레이어 탐지 방법 | |
| CN117454217A (zh) | 一种基于深度集成学习的抑郁情绪识别方法、装置及系统 | |
| CN114331789B (zh) | 一种廉洁知识智能推荐方法、装置、设备及存储介质 | |
| Kaur et al. | A Review on Sentimental Analysis on Facebook Comments by using Data Mining Technique | |
| US11556547B2 (en) | Determination apparatus, determination method, and non-transitory computer readable storage medium | |
| CN112732908B (zh) | 试题新颖度评估方法、装置、电子设备和存储介质 | |
| US20210397623A1 (en) | Learning apparatus, learning method, and non-transitory computer readable storage medium | |
| CN113869038A (zh) | 一种针对百度贴吧、基于特征词分析的关注点相似性分析方法 | |
| Zhou et al. | Architectural styles of curiosity in global Wikipedia mobile app readership |
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 |