CN114491265B - 一种经营性空间平台运营服务系统的构建方法 - Google Patents

一种经营性空间平台运营服务系统的构建方法 Download PDF

Info

Publication number
CN114491265B
CN114491265B CN202210107578.1A CN202210107578A CN114491265B CN 114491265 B CN114491265 B CN 114491265B CN 202210107578 A CN202210107578 A CN 202210107578A CN 114491265 B CN114491265 B CN 114491265B
Authority
CN
China
Prior art keywords
data
operation service
platform operation
similarity
service system
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.)
Active
Application number
CN202210107578.1A
Other languages
English (en)
Other versions
CN114491265A (zh
Inventor
李其伦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Lekai Technology Co ltd
Original Assignee
Beijing Lekai Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Lekai Technology Co ltd filed Critical Beijing Lekai Technology Co ltd
Priority to CN202210107578.1A priority Critical patent/CN114491265B/zh
Publication of CN114491265A publication Critical patent/CN114491265A/zh
Application granted granted Critical
Publication of CN114491265B publication Critical patent/CN114491265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/90—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
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

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)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种经营性空间平台运营服务系统的构建方法，包括以下步骤：获取历史数据库中各类平台运营服务系统的数据并匹配对应的数据标签；建基于系统与数据标签的对应表；采集企业平台运营服务系统的构建请求数据，并分析得到与之相对应的意图标签；计算意图标签与数据标签的相似度，并对相似度计算结果进行排序；利用相似度的排序结果，结合系统与数据标签的对应表向企业推荐对应的初始平台运营服务系统；基于企业自身需求对初始平台运营服务系统进行参数配置，完成平台运营服务系统的实例化。本发明可以快速的实现针对企业自身平台运营服务系统的构建，从而可以更好地满足于经营性空间平台运营服务系统的构建需求。

Description

一种经营性空间平台运营服务系统的构建方法
技术领域
本发明涉及系统构建方法技术领域，具体来说，涉及一种经营性空间平台运营服务系统的构建方法。
背景技术
随着科技和互联网飞速发展，面向中小微企业服务的平台运营服务系统逐步兴起，然而在搭建平台运营服务系统架构的基础上，发挥平台最大价值的关键就在于构建配套的平台运营体系，通过开展一系列运营服务，提升用户体验，不断为平台赋能，最终完成平台营运目标等。
经营性空间包括酒店、民宿、餐饮、商场、文旅小镇、剧场、社区等多业态空间场所，而企业为了确保经营性空间的顺利运行，往往会相应的采购不同的平台运营服务系统来支撑不同业务，比如酒店平台运营服务系统，民宿平台运营服务系统，电影平台运营服务系统，餐饮平台运营服务系统等等。
然而，针对不同的平台运营服务系统而言其设计创作的专业性要求比较高，需要美工设计、程序代码编写、调试等，从而使得创建不同业务支撑系统的成本高、效率低。对于酒店、民宿、餐饮、商场等企业而言其公司内部一般很少具有编程能力较强的工作人员，从而使得创建不同支撑业务系统的能力掌握在少数具有编程能力的公司手中，影响了不同支撑业务系统的快速发展和多元化的进度。因此，本发明提出了一种经营性空间平台运营服务系统的构建方法。
发明内容
针对相关技术中的问题，本发明提出一种经营性空间平台运营服务系统的构建方法，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
一种经营性空间平台运营服务系统的构建方法，该构建方法包括以下步骤：
S1、获取历史数据库中各类平台运营服务系统的数据，并为其匹配对应的数据标签；
S2、结合各类平台运营服务系统及其对应的数据标签构建基于系统与数据标签的对应表；
S3、采集企业平台运营服务系统的构建请求数据，并对该构建请求数据进行分析得到与之相对应的意图标签；
S4、计算意图标签与数据标签的相似度，并对相似度计算结果进行排序；
S5、利用相似度的排序结果，结合系统与数据标签的对应表向企业推荐对应的初始平台运营服务系统；
S6、基于企业自身需求对初始平台运营服务系统进行参数配置，完成平台运营服务系统的实例化。
进一步的，所述获取历史数据库中各类平台运营服务系统的数据，并为其匹配对应的数据标签中数据标签的匹配采用LDA主题算法或基于注意力机制的Bi-LSTM的标签推荐算法。
进一步的，所述LDA主题算法为各类平台运营服务系统匹配对应的数据标签时包括以下步骤：
采集历史数据库中各类平台运营服务系统的数据，并对各类平台运营服务系统数据进行功能性文本标注，得到与各类平台运营服务系统相对应的若干功能性文本数据；
对若干功能性文本数据进行清洗与预处理，并将处理后的功能性文本数据分为数据训练集和数据测试集；
将数据训练集输入LDA主题算法进行训练，生成标题与主题模型；
将数据测试集逐个输入训练后的主题模型中，得到各功能性文本数据的标题，并将得到的若干标题分别作为各类平台运营服务系统的数据标签。
进一步的，所述基于注意力机制的Bi-LSTM的标签推荐算法为各类平台运营服务系统匹配对应的数据标签时包括以下步骤：
采集历史数据库中各类平台运营服务系统的数据，并进行相对应的数据处理，得到语料字典；
将语料字典输入预先构建的基于注意力机制的双向长短期记忆网络模型进行训练；
利用训练后的基于注意力机制的双向长短期记忆网络模型获取各类平台运营服务系统相对应的数据标签。
进一步的，所述对该构建请求数据进行分析得到与之相对应的意图标签中意图标签的获取采用基于胶囊网络的意图识别算法或基于深度学习的对话系统意图识别算法。
进一步的，所述计算意图标签与数据标签的相似度中相似度的计算采用TF余弦相似度、TFIDF余弦相似度、子串相似度、基于词嵌入的句子相似度、Jaccard系数相似度或Dice系数相似度中的一种。
进一步的，所述基于企业自身需求对初始平台运营服务系统进行参数配置包括以下步骤：
提取企业平台运营服务系统中的业务数据，并提炼形成对应的业务组件；
根据企业的自身需求利用预设的组件配置工具对业务组件进行配置，并生成对应的配置文件；
初始平台运营服务系统加载生成的配置文件，进行初始化并启动平台运营服务系统。
进一步的，所述基于企业自身需求对初始平台运营服务系统进行参数配置，完成平台运营服务系统的实例化还包括以下步骤：企业利用平台运营服务系统为其推荐潜在商机，并依据所述潜在商机向目标用户提供服务，同时依据目标用户反馈的服务评价对平台运营服务系统进行优化。
进一步的，所述企业利用平台运营服务系统为其推荐潜在商机，并依据所述潜在商机向相对应的目标用户提供服务包括以下步骤：
获取各用户的浏览记录并分析得到各用户之间的相似度，所述相似度的计算公式如下：
Figure BDA0003493905930000041
式中，Wuv表示用户u和用户v的相似度，N(u)表示用户u浏览过的服务集合，N(v)表示用户v浏览过的服务集合，Tui表示用户u浏览第i个服务的时间点，Tvi表示用户v浏览第i个服务的时间点，|N(u)|和|N(v)|分别表示N(u)和N(v)包含的元素个数，
Figure BDA0003493905930000042
表示用户u的兴趣向量和用户v的兴趣向量的相似度；β为权重因子；α为预设的时间因子；
依据各用户之间的相似度确定与目标用户相关的相似用户；
根据目标用户、与目标用户相关的相似用户之间的相似度及与目标用户相关的相似用户的浏览记录，分析得到目标用户对应的各推荐服务的推荐度，并依据所述推荐度对目标用户进行服务推荐，所述推荐度的计算公式如下：
Figure BDA0003493905930000043
式中，P(u，i)表示用户u对应的第i个待推荐服务的推荐度，S(u，k)表示和用户u相似度最大的k个用户的集合，Rvi表示用户v对第i个待推荐服务的兴趣值，若用户v浏览过第i个待推荐服务，则Rvi为1，若用户没有浏览过第i个待推荐服务，则Rvi为0，To表示当前时间，Tvi表示用户v对第i个待推荐服务的浏览时间点；α为预设的时间因子。
本发明的有益效果为：通过利用LDA主题算法为历史数据库中各类平台运营服务系统推荐的数据标签来构建基于数据标签与平台运营服务系统的关系对应表，并采用基于胶囊网络的意图识别算法来分析得到与企业对于平台运营服务系统的构建请求相对应的意图标签，同时利用余弦相似度算法计算得到的意图标签与数据标签的相似度，结合关系对应表来为企业推荐初始平台运营服务系统，最后企业可以在初始平台运营服务系统的基础上基于自身的需求来对平台运营服务系统进行参数配置，从而可以快速实现平台运营服务系统的构建，相比于传统平台运营服务系统的构建而言，本发明可以在历史平台运营服务系统的基础上根据自身企业需求进行系统参数配置，从而可以快速的实现针对企业自身平台运营服务系统的构建，从而可以更好地满足于经营性空间平台运营服务系统的构建需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是根据本发明实施例的一种经营性空间平台运营服务系统的构建方法的流程示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种经营性空间平台运营服务系统的构建方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的一种经营性空间平台运营服务系统的构建方法，该构建方法包括以下步骤：
S1、获取历史数据库中各类平台运营服务系统的数据，并为其匹配对应的数据标签；
其中，所述获取历史数据库中各类平台运营服务系统的数据，并为其匹配对应的数据标签中数据标签的匹配采用LDA主题算法或基于注意力机制的Bi-LSTM的标签推荐算法。
所述LDA主题算法为各类平台运营服务系统匹配对应的数据标签时包括以下步骤：
采集历史数据库中各类平台运营服务系统的数据，并对各类平台运营服务系统数据进行功能性文本标注，得到与各类平台运营服务系统相对应的若干功能性文本数据；具体的，所述对各类平台运营服务系统进行功能性文本标注包括以下步骤：基于各类平台运营服务系统的应用领域对其进行领域文本标注；基于各类平台运营服务系统的功能效果对其进行功能文本标注。
对若干功能性文本数据进行清洗与预处理，并将处理后的功能性文本数据分为数据训练集和数据测试集；具体的，所述清洗与预处理包括数据分词、剔除空数据/无效数据、剔除无情感意义的文字和重复数据。
在数据预处理时使用Jieba分词将功能性文本数据进行分词处理，将功能性文本数据根据词语含义分成多个中文短语，并将功能性文本数据中含义较弱的单字与词语使用TF-IDF算法进行剔除。
将数据训练集输入LDA主题算法进行训练，生成标题与主题模型；
将数据测试集逐个输入训练后的主题模型中，得到各功能性文本数据的标题，并将得到的若干标题分别作为各类平台运营服务系统的数据标签。
所述基于注意力机制的Bi-LSTM的标签推荐算法为各类平台运营服务系统匹配对应的数据标签时包括以下步骤：
采集历史数据库中各类平台运营服务系统的数据，并进行相对应的数据处理，得到语料字典；具体包括以下步骤：从历史数据库中获取若干各类平台运营服务系统的数据，并分别提取对应的运营服务标题和运营服务主体；将运营服务标题和运营服务主体组合为运营服务描述，并将运营服务描述的文本收集形成语料库；使用Word2vec词向量模型捕获语料库的语义规则；对语料库中的所有词向量进行训练，并转化为相应的向量表示；收集语料库中所有词及其相对应的词向量构建语料字典。
将语料字典输入预先构建的基于注意力机制的双向长短期记忆网络模型进行训练；具体包括以下步骤：每个运营服务描述都根据语料字典将其中的词语转换为向量矩阵；将运营服务描述的向量表达输入基于注意力机制的双向长短期记忆网络模型进行深层潜在特征的提取。
利用训练后的基于注意力机制的双向长短期记忆网络模型获取各类平台运营服务系统相对应的数据标签；
S2、结合各类平台运营服务系统及其对应的数据标签构建基于系统与数据标签的对应表；
S3、采集企业平台运营服务系统的构建请求数据，并对该构建请求数据进行分析得到与之相对应的意图标签；
其中，所述对该构建请求数据进行分析得到与之相对应的意图标签中意图标签的获取采用基于胶囊网络的意图识别算法或基于深度学习的对话系统意图识别算法。
具体的，利用基于胶囊网络的意图识别算法分析得到意图标签包括以下步骤：
采集企业平台运营服务系统的构建请求数据；
利用预先构建的基于胶囊网络的意图识别模型分析得到与该构建请求数据相对应的意图标签，具体包括以下步骤：
采集历史数据库中各类平台运营服务系统的数据，并对数据中的构建请求数据在文本应用领域及文本效果所表现的意图信息进行标注，形成不同维度上的意图标签；
在本发明实施例中，执行主体可以为基于胶囊网络的意图识别装置，具体应用在服务端，现有技术中通过单一维度来判断企业的构建意图往往比较片面，使得意图识别结果中包含的歧义较多，容易误导企业，无法准确识别。由于构建请求数据能够表现出不同维度上构建意图，本申请通过从构建请求数据中提取出表现在不同维度上的数据特征，并融合不同维度上的数据特征来识别企业的构建意图，能够提高意图识别结果的准确性。
将携带有不同维度上意图标签的构建请求数据进行向量化，并输入胶囊网络模型进行训练，构建意图识别模型；
胶囊网络模型由编码器和解码器两部分组成，前三层为编码器，包括卷积层、主胶囊层和数字胶囊层，后三层为解码器，主要为全连接层，通过将前期向量化处理形成不同维度上的信息特征输入至网络模型，并结合不同维度上所标注的意图标签对网络模型训练过程中的模型参数进行调整，构建意图识别模型，以使得意图识别模型能够针对信息特征输出更准确的意图标签。
所述将携带有不同维度上意图标签的构建请求数据进行向量化，并输入胶囊网络模型进行训练，构建意图识别模型包括以下步骤：
利用胶囊网络模型的编码层对携带有不同维度上意图标签的构建请求数据进行向量化处理，并对形成的向量矩阵进行特征提取，得到不同维度上意图标签的数据特征；
所述利用胶囊网络模型的编码层对携带有不同维度上意图标签的构建请求数据进行向量化处理，并对形成的向量矩阵进行特征提取，得到不同维度上意图标签的数据特征包括以下步骤：
将携带有不同维度上意图标签的构建请求数据采用胶囊网络模型的编码层进行向量化处理；
将处理后形成的向量矩阵分别转换至文本应用领域意图维度上意图标签的描述向量及文本效果维度上意图标签的描述向量；
针对构建请求数据对应的数据类型，确定适用于不同数据类型的构建请求数据进行预处理的特征提取模型；
利用所述特征提取模型对文本应用领域意图维度上意图标签的描述向量及文本效果维度上意图标签的描述向量进行特征学习，得到应用领域意图维度上意图标签的数据特征及文本效果维度上意图标签的数据特征。
利用胶囊网络模型的解码层对不同维度上意图标签的数据特征进行加权处理，并将构建请求数据在不同维度上意图标签的概率值作为意图识别结果，构建意图识别模型。
将采集的构建请求数据进行向量化后输入至所述意图识别模型中进行意图识别，得到携带有构建请求数据在不同维度上意图标签的意图识别结果；
分析得到意图识别结果中与构建请求数据相对应的意图标签。
具体的，利用基于深度学习的对话系统意图识别算法分析得到意图标签包括以下步骤：从对话语料中通过词频权重抽取关键词作为意图识别的规则，将预进行意图识别的对话D用规则进行匹配得到意图分类结果PA；用对话语料训练深度学习模型CNN-BLSTM，所述深度学习模型CNN-BLSTM融合了卷积神经网络CNN与双向长短期记忆网络BLSTM，然后用训练后的深度学习模型CNN-BLSTM，识别对话D，得到意图分类结果PB；最后，通过将意图分类结果PA和意图分类结果PB进行线性融合，得到对话D最终的意图。
S4、计算意图标签与数据标签的相似度，并对相似度计算结果进行排序；
其中，所述计算意图标签与数据标签的相似度中相似度的计算采用TF余弦相似度、TFIDF余弦相似度、子串相似度、基于词嵌入的句子相似度、Jaccard系数相似度或Dice系数相似度中的一种。
具体的，利用TFIDF余弦相似度算法计算意图标签与数据标签的相似度的计算公式如下：
Figure BDA0003493905930000091
其中，xi表示意图标签向量，yi表示数据标签向量，cos(θ)表示意图标签与数据标签的相似度，xi、yi均以0、1衡量属性值。
S5、利用相似度的排序结果，结合系统与数据标签的对应表向企业推荐对应的初始平台运营服务系统；
其中，初始平台运营服务系统为系统与数据标签的对应表中存储的基础平台运营服务系统，在初始平台运营服务系统的推荐过程中，首先分析得到与意图标签相似度最高的数据标签，然后基于该数据标签在上述对应表中得到与之相对应平台运营服务系统，最后获取该平台运营服务系统并将其设置为推荐的初始平台运营服务系统。
S6、基于企业自身需求对初始平台运营服务系统进行参数配置，完成平台运营服务系统的实例化。
其中，所述基于企业自身需求对初始平台运营服务系统进行参数配置包括以下步骤：
提取企业平台运营服务系统中的业务数据，并提炼形成对应的业务组件；具体的，所述业务组件是将平台运营服务系统中的业务功能抽象后形成一个可以独立运行的模块，其结构由业务对象，业务流程，操作界面，业务规则，报表组成。
根据企业的自身需求利用预设的组件配置工具对业务组件进行配置，并生成对应的配置文件；具体的，通过对象引擎添加或修改业务组件中对象的属性，通过流程引擎配置业务组件中可能包含的审批流程，通过界面引擎生成用户需要操作的界面，通过规则引擎添加用户定制的个性化操作方法，通过报表引擎配置显示报表。
初始平台运营服务系统加载生成的配置文件，进行初始化并启动平台运营服务系统。
所述基于企业自身需求对初始平台运营服务系统进行参数配置，完成平台运营服务系统的实例化还包括以下步骤：企业利用平台运营服务系统为其推荐潜在商机，并依据所述潜在商机向目标用户提供服务，同时依据目标用户反馈的服务评价对平台运营服务系统进行优化；
其中，所述企业利用平台运营服务系统为其推荐潜在商机，并依据所述潜在商机向相对应的目标用户提供服务包括以下步骤：
获取各用户的浏览记录并分析得到各用户之间的相似度，所述相似度的计算公式如下：
Figure BDA0003493905930000101
式中，Wuv表示用户u和用户v的相似度，N(u)表示用户u浏览过的服务集合，N(v)表示用户v浏览过的服务集合，Tui表示用户u浏览第i个服务的时间点，Tvi表示用户v浏览第i个服务的时间点，|N(u)|和|N(v)|分别表示N(u)和N(v)包含的元素个数，
Figure BDA0003493905930000102
表示用户u的兴趣向量和用户v的兴趣向量的相似度；β为权重因子；α为预设的时间因子；
依据各用户之间的相似度确定与目标用户相关的相似用户；
根据目标用户、与目标用户相关的相似用户之间的相似度及与目标用户相关的相似用户的浏览记录，分析得到目标用户对应的各推荐服务的推荐度，并依据所述推荐度对目标用户进行服务推荐，所述推荐度的计算公式如下：
Figure BDA0003493905930000111
式中，P(u，i)表示用户u对应的第i个待推荐服务的推荐度，S(u，k)表示和用户u相似度最大的k个用户的集合，Rvi表示用户v对第i个待推荐服务的兴趣值，若用户v浏览过第i个待推荐服务，则Rvi为1，若用户没有浏览过第i个待推荐服务，则Rvi为0，To表示当前时间，Tvi表示用户v对第i个待推荐服务的浏览时间点；α为预设的时间因子。
综上所述，借助于本发明的上述技术方案，通过利用LDA主题算法为历史数据库中各类平台运营服务系统推荐的数据标签来构建基于数据标签与平台运营服务系统的关系对应表，并采用基于胶囊网络的意图识别算法来分析得到与企业对于平台运营服务系统的构建请求相对应的意图标签，同时利用余弦相似度算法计算得到的意图标签与数据标签的相似度，结合关系对应表来为企业推荐初始平台运营服务系统，最后企业可以在初始平台运营服务系统的基础上基于自身的需求来对平台运营服务系统进行参数配置，从而可以快速实现平台运营服务系统的构建，相比于传统平台运营服务系统的构建而言，本发明可以在历史平台运营服务系统的基础上根据自身企业需求进行系统参数配置，从而可以快速的实现针对企业自身平台运营服务系统的构建，从而可以更好地满足于经营性空间平台运营服务系统的构建需求。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种经营性空间平台运营服务系统的构建方法，其特征在于，该构建方法包括以下步骤：
S1、获取历史数据库中各类平台运营服务系统的数据，并为其匹配对应的数据标签；
S2、结合各类平台运营服务系统及其对应的数据标签构建基于系统与数据标签的对应表；
S3、采集企业平台运营服务系统的构建请求数据，并对该构建请求数据进行分析得到与之相对应的意图标签；
S4、计算意图标签与数据标签的相似度，并对相似度计算结果进行排序；
S5、利用相似度的排序结果，结合系统与数据标签的对应表向企业推荐对应的初始平台运营服务系统；
S6、基于企业自身需求对初始平台运营服务系统进行参数配置，完成平台运营服务系统的实例化。
2.根据权利要求1所述的一种经营性空间平台运营服务系统的构建方法，其特征在于，所述获取历史数据库中各类平台运营服务系统的数据，并为其匹配对应的数据标签中数据标签的匹配采用LDA主题算法或基于注意力机制的Bi-LSTM的标签推荐算法。
3.根据权利要求2所述的一种经营性空间平台运营服务系统的构建方法，其特征在于，所述LDA主题算法为各类平台运营服务系统匹配对应的数据标签时包括以下步骤：
采集历史数据库中各类平台运营服务系统的数据，并对各类平台运营服务系统数据进行功能性文本标注，得到与各类平台运营服务系统相对应的若干功能性文本数据；
对若干功能性文本数据进行清洗与预处理，并将处理后的功能性文本数据分为数据训练集和数据测试集；
将数据训练集输入LDA主题算法进行训练，生成标题与主题模型；
将数据测试集逐个输入训练后的主题模型中，得到各功能性文本数据的标题，并将得到的若干标题分别作为各类平台运营服务系统的数据标签。
4.根据权利要求2所述的一种经营性空间平台运营服务系统的构建方法，其特征在于，所述基于注意力机制的Bi-LSTM的标签推荐算法为各类平台运营服务系统匹配对应的数据标签时包括以下步骤：
采集历史数据库中各类平台运营服务系统的数据，并进行相对应的数据处理，得到语料字典；
将语料字典输入预先构建的基于注意力机制的双向长短期记忆网络模型进行训练；
利用训练后的基于注意力机制的双向长短期记忆网络模型获取各类平台运营服务系统相对应的数据标签。
5.根据权利要求1所述的一种经营性空间平台运营服务系统的构建方法，其特征在于，所述对该构建请求数据进行分析得到与之相对应的意图标签中意图标签的获取采用基于胶囊网络的意图识别算法或基于深度学习的对话系统意图识别算法。
6.根据权利要求1所述的一种经营性空间平台运营服务系统的构建方法，其特征在于，所述计算意图标签与数据标签的相似度中相似度的计算采用TF余弦相似度、TFIDF余弦相似度、子串相似度、基于词嵌入的句子相似度、Jaccard系数相似度或Dice系数相似度中的一种。
7.根据权利要求1所述的一种经营性空间平台运营服务系统的构建方法，其特征在于，所述基于企业自身需求对初始平台运营服务系统进行参数配置包括以下步骤：
提取企业平台运营服务系统中的业务数据，并提炼形成对应的业务组件；
根据企业的自身需求利用预设的组件配置工具对业务组件进行配置，并生成对应的配置文件；
初始平台运营服务系统加载生成的配置文件，进行初始化并启动平台运营服务系统。
8.根据权利要求1所述的一种经营性空间平台运营服务系统的构建方法，其特征在于，所述基于企业自身需求对初始平台运营服务系统进行参数配置，完成平台运营服务系统的实例化还包括以下步骤：企业利用平台运营服务系统为其推荐潜在商机，并依据所述潜在商机向目标用户提供服务，同时依据目标用户反馈的服务评价对平台运营服务系统进行优化。
9.根据权利要求8所述的一种经营性空间平台运营服务系统的构建方法，其特征在于，所述企业利用平台运营服务系统为其推荐潜在商机，并依据所述潜在商机向相对应的目标用户提供服务包括以下步骤：
获取各用户的浏览记录并分析得到各用户之间的相似度，所述相似度的计算公式如下：
Figure FDA0003493905920000031
式中，Wuv表示用户u和用户v的相似度，N(u)表示用户u浏览过的服务集合，N(v)表示用户v浏览过的服务集合，Tui表示用户u浏览第i个服务的时间点，Tvi表示用户v浏览第i个服务的时间点，|N(u)|和|N(v)|分别表示N(u)和N(v)包含的元素个数，
Figure FDA0003493905920000032
表示用户u的兴趣向量和用户v的兴趣向量的相似度；β为权重因子；α为预设的时间因子；
依据各用户之间的相似度确定与目标用户相关的相似用户；
根据目标用户、与目标用户相关的相似用户之间的相似度及与目标用户相关的相似用户的浏览记录，分析得到目标用户对应的各推荐服务的推荐度，并依据所述推荐度对目标用户进行服务推荐，所述推荐度的计算公式如下：
Figure FDA0003493905920000033
式中，P(u，i)表示用户u对应的第i个待推荐服务的推荐度，S(u，k)表示和用户u相似度最大的k个用户的集合，Rvi表示用户v对第i个待推荐服务的兴趣值，若用户v浏览过第i个待推荐服务，则Rvi为1，若用户没有浏览过第i个待推荐服务，则Rvi为0，To表示当前时间，Tvi表示用户v对第i个待推荐服务的浏览时间点；α为预设的时间因子。
CN202210107578.1A 2022-01-28 2022-01-28 一种经营性空间平台运营服务系统的构建方法 Active CN114491265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210107578.1A CN114491265B (zh) 2022-01-28 2022-01-28 一种经营性空间平台运营服务系统的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210107578.1A CN114491265B (zh) 2022-01-28 2022-01-28 一种经营性空间平台运营服务系统的构建方法

Publications (2)

Publication Number Publication Date
CN114491265A CN114491265A (zh) 2022-05-13
CN114491265B true CN114491265B (zh) 2022-08-23

Family

ID=81477421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210107578.1A Active CN114491265B (zh) 2022-01-28 2022-01-28 一种经营性空间平台运营服务系统的构建方法

Country Status (1)

Country Link
CN (1) CN114491265B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116820502B (zh) * 2023-07-19 2024-04-23 天筑科技股份有限公司 一种软件平台可持续运行方法、装置及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105677846A (zh) * 2016-01-06 2016-06-15 中国传媒大学 推荐系统及其构建方法
CN107808322A (zh) * 2017-10-19 2018-03-16 河海大学 面向用户的大数据个性化推荐系统蜕变测试方法
CN108776686A (zh) * 2018-06-04 2018-11-09 浪潮软件集团有限公司 一种数据标签构建系统和方法
CN111241408A (zh) * 2020-01-21 2020-06-05 武汉轻工大学 推荐模型的构建系统及方法
CN111612549A (zh) * 2020-05-28 2020-09-01 中认英泰检测技术有限公司 一种平台运营服务系统的构建方法
CN112000389A (zh) * 2020-06-24 2020-11-27 苏州浪潮智能科技有限公司 一种配置推荐方法、系统、装置及计算机存储介质
CN113255370A (zh) * 2021-06-22 2021-08-13 中国平安财产保险股份有限公司 基于语义相似度的行业类型推荐方法、装置、设备及介质
CN113485902A (zh) * 2021-07-08 2021-10-08 中国建设银行股份有限公司 测试业务平台的方法、装置、设备和计算机可读介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090144265A1 (en) * 2007-12-03 2009-06-04 Chartsource, Inc., A Delaware Corporation Search engine for searching research data

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105677846A (zh) * 2016-01-06 2016-06-15 中国传媒大学 推荐系统及其构建方法
CN107808322A (zh) * 2017-10-19 2018-03-16 河海大学 面向用户的大数据个性化推荐系统蜕变测试方法
CN108776686A (zh) * 2018-06-04 2018-11-09 浪潮软件集团有限公司 一种数据标签构建系统和方法
CN111241408A (zh) * 2020-01-21 2020-06-05 武汉轻工大学 推荐模型的构建系统及方法
CN111612549A (zh) * 2020-05-28 2020-09-01 中认英泰检测技术有限公司 一种平台运营服务系统的构建方法
CN112000389A (zh) * 2020-06-24 2020-11-27 苏州浪潮智能科技有限公司 一种配置推荐方法、系统、装置及计算机存储介质
CN113255370A (zh) * 2021-06-22 2021-08-13 中国平安财产保险股份有限公司 基于语义相似度的行业类型推荐方法、装置、设备及介质
CN113485902A (zh) * 2021-07-08 2021-10-08 中国建设银行股份有限公司 测试业务平台的方法、装置、设备和计算机可读介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
互联网数据中心业务自动激活系统的分析与设计;刘化召 等;《电信技术》;20160415;77-80 *

Also Published As

Publication number Publication date
CN114491265A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
Li et al. Know more say less: Image captioning based on scene graphs
CN110222160B (zh) 智能语义文档推荐方法、装置及计算机可读存储介质
Arulmurugan et al. RETRACTED ARTICLE: Classification of sentence level sentiment analysis using cloud machine learning techniques
CN112000791B (zh) 一种电机故障知识抽取系统及方法
CN109933664B (zh) 一种基于情感词嵌入的细粒度情绪分析改进方法
CN111160023B (zh) 一种基于多路召回的医疗文本命名实体识别方法
Huang et al. Expert as a service: Software expert recommendation via knowledge domain embeddings in stack overflow
CN114065758A (zh) 一种基于超图随机游走的文档关键词抽取方法
Egger Topic modelling: Modelling hidden semantic structures in textual data
CN112800184B (zh) 基于Target-Aspect-Opinion联合抽取的短文本评论情感分析方法
CN111241397A (zh) 一种内容推荐方法、装置和计算设备
CN114064901B (zh) 一种基于知识图谱词义消歧的书评文本分类方法
CN115630145A (zh) 一种基于多粒度情感的对话推荐方法及系统
CN112036189A (zh) 一种金文语义识别方法和系统
Tang et al. Evaluation of Chinese sentiment analysis APIs based on online reviews
CN114491265B (zh) 一种经营性空间平台运营服务系统的构建方法
Daswani et al. CollegeBot: a conversational AI approach to help students navigate college
CN117056575B (zh) 一种基于智能图书推荐系统数据采集的方法
Wu et al. Inferring users' emotions for human-mobile voice dialogue applications
CN114791975A (zh) 一种可跨平台的ai模型推荐系统及方法
Shang Spoken Language Understanding for Abstractive Meeting Summarization
Zahra et al. Bidirectional long-short term memory and conditional random field for tourism named entity recognition
CN116226320A (zh) 一种预测下文信息的方法、装置、电子设备及存储介质
CN114911940A (zh) 文本情感识别方法及装置、电子设备、存储介质
Francis et al. SmarTxT: A Natural Language Processing Approach for Efficient Vehicle Defect Investigation

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