CN114707510A - 资源推荐信息推送方法、装置、计算机设备及存储介质 - Google Patents
资源推荐信息推送方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114707510A CN114707510A CN202210339364.7A CN202210339364A CN114707510A CN 114707510 A CN114707510 A CN 114707510A CN 202210339364 A CN202210339364 A CN 202210339364A CN 114707510 A CN114707510 A CN 114707510A
- Authority
- CN
- China
- Prior art keywords
- resource
- entity
- information
- vector
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 97
- 230000002452 interceptive effect Effects 0.000 claims abstract description 37
- 238000006243 chemical reaction Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 230000003993 interaction Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000002994 raw material Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 235000019640 taste Nutrition 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 235000013311 vegetables Nutrition 0.000 description 3
- 241000270934 Rana catesbeiana Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000501754 Astronotus ocellatus Species 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 150000002016 disaccharides Chemical class 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种资源推荐信息推送方法、装置、计算机设备及存储介质,涉及数据处理技术领域,用于解决现有的资源推荐方案推荐准确率较低的问题。方法部分包括:通过采集终端与目标用户的交互信息;对交互信息进行命名实体提取,得到资源实体;将资源实体输入向量转换模型,得到资源实体向量;基于资源实体和所述资源实体向量,从资源知识图谱中匹配出目标资源;依据目标资源生成资源推荐信息,并将资源推荐信息推送给目标用户,提高了资源推荐的准确率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种资源推荐信息推送方法、资源推荐信息推送装置、计算机设备及存储介质。
背景技术
现有的推荐信息推送方案,通过分析用户历史行为(例如用户对店内菜品的点击、浏览、购买记录等行为特征),再利用能够预测用户行为的神经网络模型,确定出推荐信息推送给顾客。但这种推送方案多适用于老顾客,对于历史行为较少的顾客无法进行准确的推荐。
发明内容
基于此,有必要针对上述技术问题,提供一种资源推荐信息推送方法,以解决现有的推荐信息推送方案存在准确率较低的问题。
本申请实施例的第一方面提供了一种资源推荐信息推送方法,包括:
采集终端与目标用户的交互信息;所述交互信息包括所述目标用户的意向资源信息;
对所述意向资源信息进行命名实体提取,得到资源实体;
将所述资源实体输入向量转换模型,得到资源实体向量;
基于所述资源实体和所述资源实体向量,从资源知识图谱中匹配出目标资源;其中,所述资源知识图谱用于表征不同资源样本实体之间的相关性;
依据所述目标资源生成资源推荐信息,并将所述资源推荐信息推送给所述目标用户。
本申请实施例的第二方面提供了一种资源推荐信息推送装置,包括:
采集模块:用于采集终端与目标用户的交互信息;所述交互信息包括所述目标用户的意向资源信息;
提取模块:用于对所述意向资源信息进行命名实体提取,得到资源实体;
转换模块:用于将所述资源实体输入向量转换模型,得到资源实体向量;
匹配模块:用于基于所述资源实体和所述资源实体向量,从资源知识图谱中匹配出目标资源;其中,所述资源知识图谱用于表征不同资源样本实体之间的相关性;
推荐模块:用于依据所述目标资源生成资源推荐信息,并将所述资源推荐信息推送给所述目标用户。
本申请实施例的第三方面提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述资源推荐信息推送方法。
本申请实施例的第四方面提供了一个或多个存储有计算机可读指令的可读存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行上述资源推荐信息推送方法。
本申请实施例提供一种资源推荐信息推送方法、装置、计算机设备及存储介质,通过人机交互获取终端与目标用户的交互信息,其中,交互信息包括目标用户的意向资源信息,通过对该意向资源信息进行命名实体提取,可以得到目标用户意向资源信息对应的资源实体。然后通过向量转换模型将资源实体对应映射到向量空间,得到资源实体向量,由于预先构建的资源知识图谱包括大量的资源样本实体,且能够表征不同资源样本实体之间的相关性,而不同资源样本实体之间的相关性能够通过向量计算得到,因此基于目标用户的意向资源信息对应的资源实体及资源实体向量,可以从该资源知识图谱中匹配出目标用户感兴趣的目标资源,之后根据目标资源生成目标资源,将目标资源推送给目标用户,满足每个用户的需求,提高了资源推荐的准确率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例中资源推荐信息推送方法的实现流程示意图;
图2是本申请另一实施例中资源推荐信息推送方法的实现流程示意图;
图3是本申请再一实施例中资源推荐信息推送方法的实现流程示意图;
图4是本申请实施例中资源推荐信息推送装置的结构示意图;
图5是本申请实施例中计算机设备的一示意图。
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,都属于本申请保护的范围。
本申请提供一种资源推荐信息推送方法,以本实现方案应用于终端设备为例,终端设备通过问答等形式与目标用户进行意向资源信息的交流,其中,意向资源信息可以包括意向音乐信息,意向菜品信息、意向店铺信息等等,同时记录交互信息。然后从交互信息中提取有关意向资源信息对应的资源实体,例如菜品实体等,将这些资源实体通过向量转换模型映射到高维空间,得到资源实体向量。最后基于资源实体和资源实体向量,从预先构建的资源知识图谱中匹配出目标资源,将这些目标资源推荐给目标用户,可在目标用户终端的用户界面进行显示。需要说明的是资源知识图谱是指单一资源对应的知识图谱,例如菜品信息对应的菜品知识图谱。其中,终端设备包括但不限于人工智能终端、各种个人计算机、笔记本电脑、智能手机、平板电脑等等。
在具体实现时,本申请技术方案还可以应用于服务器,终端将与用户之间包含用户意向资源信息的交互信息发送给服务器,由服务器进行命名实体提取、向量转换以及资源信息匹配等,其中,服务器可以是独立的服务器,或者是由若干台服务器所组成的服务器集群,还可以是云计算服务器等,这里不做限定。
请参阅图1,图1所示为本申请实施例中资源推荐信息推送方法的实现流程图,以该方法应用在终端设备为例进行说明,包括如下步骤:
S11:采集终端与目标用户的交互信息;所述交互信息包括所述目标用户的意向资源信息。
在步骤S11中,终端与目标用户的交互信息包括目标用户的意向资源信息。其中,交互信息的形式可以基于对话框的文本、语音等聊天形式,还可以是智能对话形式。目标用户是指有意向点餐的顾客等。意向资源信息可以包括音乐信息、店铺信息、书籍信息、菜品信息等等,具体地,例如菜品信息可以包括菜品名称、菜品做法、菜品原材料、菜品口味、菜品菜系、菜品禁忌等等。
在本实施例中,终端通过与目标用户进行对话交流,以获取目标用户的意向资源信息。具体地,由于该意向资源信息包含于终端与目标用户的交互信息中,终端通过实时记录交互信息,再通过解析即获得目标用户的意向资源信息。作为一种实施方式,可以通过数据库存储用户的意向资源信息,以便于统计出用户意向较高的资源信息,并可将其添加至推荐信息中,同时定时更新该数据库,对于选择较少的数据信息进行及时删除处理,以节省系统空间,例如通过资源数据库用于存储用户的意向菜品信息或经常访问、购买的菜品信息。
S12:对所述意向资源信息进行命名实体提取,得到资源实体。
在步骤S12中,命名实体提取包括命名实体识别和命名实体抽取,其中,命名实体识别用于识别语料中的人名、地名、组织结构名等命名实体。命名实体是命名实体识别的研究主体,一般包括三大类(实体类、时间类和数字类)和七小类(人名、地名、机构名、时间、日期、货币和百分比)命名实体。命名实体识别的主要技术方法包括:基于规则和词典的方法、基于统计的方法、二者混合的方法。在成功进行命名实体识别后,要把文本中的命名实体给提取出来,就需要把组成命名实体词给单个提取出来且根据标记链接短语词组,可采用正则或神经网络等方式将命名实体从文本中提取出来。本实施例中,资源实体并不仅限于资源名称的实体,还可以是资源相关的信息实体,例如资源信息为菜品信息时,对应的资源实体包括但不限于做法、原材料、口味、菜系、禁忌等信息对应的实体。
在本实施例中,由于终端与目标用户的交互信息中包含目标用户的意向资源信息,通过命名实体识别和提取可将用户的意向资源信息从交互信息中提取出来,作为一示例,通过NER(Named EntitiesRecognition,命名实体识别)识别出资源实体,采用正则表达式把命名实体的每个词(词的形式为:词语/命名实体标注)给提取出来,再利用函数把单个词连接起来。例如,资源信息为菜品信息,假设通过人机交互获得的文本信息为“白斩鸡属于粤菜系列”,可利用正则“[鲁川粤闽苏浙湘徽]菜”的方式,从上述文本发信息中提取到“粤菜”菜系实体。在其他实施方式中,还可以采用神经网络等方式提取命名实体。
作为另一示例,通过NER识别出资源实体,通过神经网络方式提取资源实体。其中,神经网络方式提取命名实体需要预先进行序列标注,序列标注包括BIO、BIOSE、IOB等等方式,其中B(Begin)代表实体片段的开始,I(Internediate)代表实体片段的中间,E(End)代表实体片段的结束S(Single)代表实体片段为单个词,O(Other)代表字符不为任何实体,以用户意向资源信息为菜品信息为示例,可以使用BIO的方式对菜品实体进行序列标注,“我O想O吃O干B-food_name锅I-food_name牛I-food_name蛙I-food_name啊O”,然后通过BiLSTM(Bi-directional Long Short-Term Memory,双向长短词记忆模型)进行序列特征提取,以CRF(Conditional Random Field,条件随机场)为输出层,提取到实体“干锅牛蛙”。需要注意的是,在实际应用场景中,还可采用其他方式,例如机器学习,深层学习,无监督/有监督学习等方式进行命名实体提取。
作为本申请一实施例,所述对所述意向资源信息进行命名实体提取,得到资源实体,包括:若所述交互信息为交互音频信息,则将所述交互音频信息转换为交互文本信息;所述交互文本信息包括意向资源文本信息;对所述意向资源文本信息进行命名实体提取,得到资源实体。
在本实施例中,由于命名实体识别用于识别文本中具有特定意义的实体,例如人名、地名、机构名、专有名词等等,因此若终端与目标用户通过人机对话的方式,对应的交互信息为交互音频信息,则需将交互音频信息转换为机器可识别的交互文本信息,由于交互信息中包括目标用户的意向资源信息,对应地,在交互文本信息中包括意向资源文本信息,之后根据意向资源文本信息进行资源实体的提取。
S13:将所述资源实体输入向量转换模型,得到资源实体向量。
在步骤S13中,向量转换模型用于将资源实体映射到高维向量空间,转化为资源实体向量。该向量转换模型可以是神经网络模型,例如BERT(Bidirectional EncoderRepresentations from Transformers,预训练语言表征模型)、word2vec、Fasttext、GloVe等模型。
在本实施例中,在获取到目标用户意向资源信息对应的资源实体之后,为了计算机可识别以及分析文本特征,将资源实体映射到向量空间里,其中根据粒度大小不同可将文本特征表示为字、词、句子、或篇章等几个层次。本实施例中可采用神经网络模型,获取资源实体对应的特征向量。
作为本申请一实施例,所述将所述资源实体输入向量转换模型,得到资源实体向量,包括:对所述资源实体进行分词处理,得到分词后的资源实体;将所述分词后的资源实体输入至所述向量转换模型,得到资源实体向量。
在本实施例中,在对资源实体进行向量转换过程中,先对资源实体进行预处理,也即分词,对于中文文本自动分词即在中文文本中的词与词之间自动加上空格或其他边界标记,可以利用分词工具,例如jieba等分词工具对资源实体进行分词处理。然后将分词后的资源实体输入值向量转换模型,获取能够表征资源实体间隐藏特征的菜品向量或矩阵。
S14:基于所述资源实体和所述资源实体向量,从资源知识图谱中匹配出目标资源。
在步骤S14中,知识图谱技术是人工智能的重要性组成部分,以结构化的方式描述客观世界中的概念、实体及其键的关系。本实施例中,资源知识图谱可以理解为基于图的更加结构化的资源知识库,该资源知识库可以是推荐的音乐知识库、菜品知识库等。不仅囊括了海量的资源样本实体且能够用于表征不同资源样本实体之间的相关性。根据各资源样本实体对应的资源样本实体向量可以计算不同资源样本实体之间的相关性。需要说明的是本实施例中资源知识图谱是指单一资源的知识图谱,用于表征单一资源的资源样本实体之间的相关性,例如,菜品知识图谱,包含的是菜品及菜品相关信息的实体,用于表征菜品实体之间的相关性。
在本实施例中,不同资源实体之间的相关性可以通过资源实体之间的距离来确定,距离越近,相关性就越强。在实际计算时,可以根据资源实体对应的资源实体向量计算资源实体之间的距离,例如通过计算资源实体向量Cosine、Jaccard、Pearson等距离值,来获取不同资源实体之间的相关性,距离值越小,则资源实体之间相关性越强。由于预先构建的资源知识图谱能够用于表征不同资源样本之间的相关性,因此可以基于资源实体和资源实体向量可以从资源知识图谱中匹配出,与用户意向资源信息对应的资源实体相同或相似的资源样本实体作为目标资源实体,从而获取到更符合用户选择的目标资源。
作为本申请一实施例,所述基于所述资源实体和所述资源实体向量,从资源知识图谱中匹配出目标资源,包括:从所述资源知识图谱中匹配出第一目标资源;所述第一目标资源对应的资源样本实体与所述资源实体一致;若没有匹配到所述第一目标资源,则根据所述不同资源样本实体之间的相关性及所述资源实体向量,从所述资源知识图谱中匹配出第二目标资源;将所述第一目标资源和/或第二目标资源作为所述目标资源。
在本实施例中,资源知识图谱中包含若干资源样本对应的资源样本实体,该资源样本用于构建资源知识图谱。在获取目标资源时,首先从资源知识图谱中查找与用户意向资源信息对应的资源实体名称相同,例如都为“干锅牛蛙”,或原材料相同的实体,将该实体对应的菜品作为第一目标资源。倘若没有查找到第一目标资源,则根据资源知识图谱中不同资源样本之间的相关性,计算出与资源实体向量距离相近,也即与目标用户一箱菜品信息对应的资源实体原材料、菜系等相似的实体向量,将该实体向量对应的菜品作为第二目标资源。将第一目标资源和/或第二目标资源作为最终推送给目标用户的目标资源。
S15:依据所述目标资源生成资源推荐信息,并将所述资源推荐信息推送给所述目标用户。
在步骤S15中,目标资源可以是用户意向资源的资源名称,还可以是资源的相关属性等等,例如对与用户意向菜品,通过菜品知识图谱获取到的目标菜品可以是目标菜品的的名称、原材料、口味等等。
在本实施例中,在基于资源知识图谱获取到目标资源之后,终端根据目标资源生成对应的资源推荐信息,可在用户界面显示,目标用户可在终端进行查看或通过点击等操作方式进行选择意向菜品。作为其他实施方式,终端还可以将店铺销量较高或口碑较好的资源推荐给用户以供用户选择。
本申请实施例提供一种资源推荐信息推送方法,通过人机交互获取目标用户的意向资源信息,然后采集包含上述意向资源信息的交互信息,并对该交互信息进行命名实体提取以得到目标用户意向资源信息对应的资源实体。再通过向量转换模型将资源实体对应映射到向量空间,得到资源实体向量,由于预先构建的资源知识图谱能够表征不同资源样本实体之间的相关性,且不同资源样本实体之间的相关性能够通过向量计算得到,因此基于目标用户的意向资源信息对应的资源实体及资源实体向量,可以从该资源知识图谱中匹配出目标用户感兴趣的目标资源。之后根据目标资源生成目标资源,将目标资源推送给目标用户,满足每个用户的需求,提高了资源推荐的准确率。
请参阅图2,图2所示为本申请另一实施例中资源推荐信息推送方法的实现流程示意图,相比于图1所示实施例对应的实现流程示意图,本实施例中在步骤S13之前,还包括S21-S22,具体步骤如下:
S21:获取不同应用场景的训练语料;所述训练语料包括不同的资源数据。
在步骤S21中,训练预料包括至少一个资源数据。资源数据包括资源的名称,以及资源相关的其他属性消息。例如,采集的资源数据为资源数据,这些资源数据包括但不限于菜品的做法、原材料、口味、菜系、禁忌等信息对应的实体。不同应用场景可以是公开数据、有关网站等等场景。
在本实施例中,要对向量模型进行训练需要预先采集数据样本,可以从互联网上抓取大量的资源数据,例如OSCAR数据集,相关网站等。然后对这些资源数据进行命名实体提取,得到不同资源数据,将这些资源数据作为训练预料,对向量模型进行预训练。
S22:基于所述训练语料,对初始向量转换模型进行训练直至收敛,得到向量转换模型。
在本实施例中,基于训练语料对初始向量模型训练测试,直至稳定输出对应的向量时模型收敛,训练完成,得到训练好的向量转换模型。
本实施例通过采集不同应用场景下大量的资源数据作为向量转换模型下的训练样本,以提高模型训练的准确性。
请参阅图3,图3所示为本申请另一实施例中资源推荐信息推送方法的实现流程示意图,相比于图1所示实施例对应的实现流程示意图,本实施例中在步骤S14之前,还包括S31-S35,具体步骤如下:
S31:采集不同应用场景的资源样本集合,
在本实施例中,可通过公开数据集、有关网站、购买途径等购买大量资源数据用作资源样本,以是尽可能的丰富资源知识图谱的内容。需要说明的是,不同种类的资源对应不同的资源知识图谱,例如菜品资源对应的菜品知识图谱,音乐资源对应的音乐知识图谱。
S32:对所述资源样本集合进行命名实体提取,得到资源样本实体集合。
在本实施例中,资源样本实体集合包括至少一个资源样本实体。资源样本集合包含若干资源样本,例如,以菜品为例,该资源样本可以是菜品名称、菜品原材料、菜品菜系、菜品口味、菜品适宜人群等等。通过对资源样本集合中每个资源数据样本进行命名实体识别和命名实体抽取,得到每个资源数据样本对应的资源样本实体,由这些资源样本实体组成资源样本实体集合。
S33:对每个所述资源样本实体进行向量转换,得到资源样本向量集合。
在本实施例中,可以通过实体向量转换模型,例如神经网络模型BERT word2vec、Fasttext、GloVe等模型,每个资源样本实体进行向量转换,将资源样本实体转换为资源样本向量或矩阵,以获取资源样本实体特征。
S34:计算所述资源样本向量集合中,不同资源样本向量之间的距离值。
在本实施例中,可以通过Cosine、Jaccard、Pearson等常用距离计算方法计算不同资源样本实体对应的资源样本向量之间距离值,距离值越小,参与计算的资源样本实体之间的相关性越强,通过距离计算最终得到资源样本实体集合中资源样本实体的相关性分布。
S35:基于所述资源样本实体和所述距离值,构建资源知识图谱。
在本实施例中,由于不同资源样本向量之间的距离值能够反映不同资源样本实体的相关性,通过距离计算最终得到资源样本实体集合中资源样本实体的相关性分布,结合各个资源样本实体,可构建出能够表征资源实体之间相关性的资源知识图谱。
本实施例通过采集海量的资源数据,并通过向量转化及向量相关性计算,构建资源知识图谱,使得构建出的资源知识图谱不仅资源数据丰富且能够表征不同资源样本实体之间的相关性,有效提高了为用户推荐菜品的准确率,提升用户体验,吸引顾客进店。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一个实施例中,提供一种资源推荐信息推送装置400,该资源推荐信息推送装置与上述实施例中资源推荐信息推送方法一一对应。如图4所示,该资源推荐信息推送装置包括采集模块401、提取模块402、转换模块403、匹配模块404以及推荐模块405。各功能模块详细说明如下:
采集模块401:用于采集终端与目标用户的交互信息;所述交互信息包括用户的意向资源信息;
提取模块402:用于对所述意向资源信息进行命名实体提取,得到资源实体;
转换模块403:用于将所述资源实体输入向量转换模型,得到资源实体向量;
匹配模块404:用于基于所述资源实体和所述资源实体向量,从资源知识图谱中匹配出目标资源;其中,所述资源知识图谱用于表征不同资源样本实体之间的相关性;
推荐模块405:用于依据所述目标资源生成资源推荐信息,并将所述资源推荐信息推送给所述目标用户。
其中,提取模块包括:
转换子模块:用于若所述交互信息为交互音频信息,则将所述交互音频信息转换为交互文本信息;所述交互文本信息包括意向资源文本信息;
提取子模块:用于对所述意向资源文本信息进行命名实体提取,得到资源实体。
关于资源推荐信息推送装置的具体限定可以参见上文中对于资源推荐信息推送方法的限定,在此不再赘述。上述资源推荐信息推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示装置(显示屏)和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机可读指令被处理器执行时以实现一种资源推荐信息推送方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令,处理器执行计算机可读指令时实现以下步骤:
采集终端与目标用户的交互信息;所述交互信息包括所述目标用户的意向资源信息;
对所述意向资源信息进行命名实体提取,得到资源实体;
将所述资源实体输入向量转换模型,得到资源实体向量;
基于所述资源实体和所述资源实体向量,从资源知识图谱中匹配出目标资源;其中,所述资源知识图谱用于表征不同资源样本实体之间的相关性;
依据所述目标资源生成资源推荐信息,并将所述资源推荐信息推送给所述目标用户。
在一个实施例中,提供了一个或多个存储有计算机可读指令的计算机可读存储介质,本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时实现以下步骤:
采集终端与目标用户的交互信息;所述交互信息包括所述目标用户的意向资源信息;
对所述意向资源信息进行命名实体提取,得到资源实体;
将所述资源实体输入向量转换模型,得到资源实体向量;
基于所述资源实体和所述资源实体向量,从资源知识图谱中匹配出目标资源;其中,所述资源知识图谱用于表征不同资源样本实体之间的相关性;
依据所述目标资源生成资源推荐信息,并将所述资源推荐信息推送给所述目标用户。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种资源推荐信息推送方法,其特征在于,所述资源推荐信息推送方法包括:
采集终端与目标用户的交互信息;所述交互信息包括所述目标用户的意向资源信息;
对所述意向资源信息进行命名实体提取,得到资源实体;
将所述资源实体输入向量转换模型,得到资源实体向量;
基于所述资源实体和所述资源实体向量,从资源知识图谱中匹配出目标资源;其中,所述资源知识图谱用于表征不同资源样本实体之间的相关性;
依据所述目标资源生成资源推荐信息,并将所述资源推荐信息推送给所述目标用户。
2.如权利要求1所述的资源推荐信息推送方法,其特征在于,所述对所述意向资源信息进行命名实体提取,得到资源实体,包括:
若所述交互信息为交互音频信息,则将所述交互音频信息转换为交互文本信息;所述交互文本信息包括意向资源文本信息;
对所述意向资源文本信息进行命名实体提取,得到所述资源实体。
3.如权利要求1所述的资源推荐信息推送方法,其特征在于,在所述将所述资源实体输入向量转换模型,得到资源实体向量的步骤之前,还包括:
获取不同应用场景的训练语料;所述训练语料包括至少一个资源数据;
基于所述训练语料,对初始向量转换模型进行训练直至收敛,得到向量转换模型。
4.如权利要求1所述的资源推荐信息推送方法,其特征在于,所述将所述资源实体输入向量转换模型,得到资源实体向量,包括:
对所述资源实体进行分词处理,得到分词后的资源实体;
将所述分词后的资源实体输入至所述向量转换模型,得到资源实体向量。
5.如权利要求1所述的资源推荐信息推送方法,其特征在于,在所述基于所述资源实体和所述资源实体向量,从资源知识图谱中匹配出目标资源的步骤之前,还包括:
采集不同应用场景的资源样本集合;
对所述资源样本集合进行命名实体提取,得到资源样本实体集合;所述资源样本实体集合包括至少一个资源样本实体;
对每个所述资源样本实体进行向量转换,得到资源样本向量集合;
计算所述资源样本向量集合中,不同资源样本向量之间的距离值;
基于所述资源样本实体和所述距离值,构建资源知识图谱。
6.如权利要求1-5任一项所述的资源推荐信息推送方法,其特征在于,所述基于所述资源实体和所述资源实体向量,从资源知识图谱中匹配出目标资源,包括:
从所述资源知识图谱中匹配出第一目标资源;所述第一目标资源对应的资源样本实体与所述资源实体一致;
若没有匹配到所述第一目标资源,则根据所述不同资源样本实体之间的相关性及所述资源实体向量,从所述资源知识图谱中匹配出第二目标资源;
将所述第一目标资源和/或第二目标资源作为所述目标资源。
7.一种资源推荐信息推送装置,其特征在于,所述资源推荐信息推送装置包括:
采集模块:用于采集终端与目标用户的交互信息;所述交互信息包括所述目标用户的意向资源信息;
提取模块:用于对所述意向资源信息进行命名实体提取,得到资源实体;
转换模块:用于将所述资源实体输入向量转换模型,得到资源实体向量;
匹配模块:用于基于所述资源实体和所述资源实体向量,从资源知识图谱中匹配出目标资源;其中,所述资源知识图谱用于表征不同资源样本实体之间的相关性;
推荐模块:用于依据所述目标资源生成资源推荐信息,并将所述资源推荐信息推送给所述目标用户。
8.如权利要求7所述的资源推荐信息推送装置,其特征在于,所述提取模块包括:
转换子模块:用于若所述交互信息为交互音频信息,则将所述交互音频信息转换为交互文本信息;所述交互文本信息包括意向资源文本信息;
提取子模块:用于对所述意向资源文本信息进行命名实体提取,得到资源实体。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时以实现权利要求1-6任意一项所述的资源推荐信息推送方法。
10.一个或多个可读存储介质,所述可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1-6任意一项所述的资源推荐信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210339364.7A CN114707510A (zh) | 2022-04-01 | 2022-04-01 | 资源推荐信息推送方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210339364.7A CN114707510A (zh) | 2022-04-01 | 2022-04-01 | 资源推荐信息推送方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707510A true CN114707510A (zh) | 2022-07-05 |
Family
ID=82173448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210339364.7A Pending CN114707510A (zh) | 2022-04-01 | 2022-04-01 | 资源推荐信息推送方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707510A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473076A (zh) * | 2023-12-27 | 2024-01-30 | 广东信聚丰科技股份有限公司 | 基于大数据挖掘的知识点生成方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909124A (zh) * | 2019-10-24 | 2020-03-24 | 北京邮电大学 | 基于人在回路的混合增强智能需求精准感知方法及系统 |
US20200279147A1 (en) * | 2019-02-28 | 2020-09-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for intelligently recommending object |
CN112084383A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于知识图谱的信息推荐方法、装置、设备及存储介质 |
CN112329964A (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 |
CN113032618A (zh) * | 2021-03-26 | 2021-06-25 | 齐鲁工业大学 | 基于知识图谱的音乐推荐方法及系统 |
-
2022
- 2022-04-01 CN CN202210339364.7A patent/CN114707510A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200279147A1 (en) * | 2019-02-28 | 2020-09-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for intelligently recommending object |
CN110909124A (zh) * | 2019-10-24 | 2020-03-24 | 北京邮电大学 | 基于人在回路的混合增强智能需求精准感知方法及系统 |
CN112084383A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于知识图谱的信息推荐方法、装置、设备及存储介质 |
CN112329964A (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 |
CN113032618A (zh) * | 2021-03-26 | 2021-06-25 | 齐鲁工业大学 | 基于知识图谱的音乐推荐方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473076A (zh) * | 2023-12-27 | 2024-01-30 | 广东信聚丰科技股份有限公司 | 基于大数据挖掘的知识点生成方法及系统 |
CN117473076B (zh) * | 2023-12-27 | 2024-03-08 | 广东信聚丰科技股份有限公司 | 基于大数据挖掘的知识点生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN108874992B (zh) | 舆情分析方法、系统、计算机设备和存储介质 | |
CN111898031B (zh) | 一种获得用户画像的方法及装置 | |
CN109858010B (zh) | 领域新词识别方法、装置、计算机设备和存储介质 | |
CN110825956A (zh) | 一种信息流推荐方法、装置、计算机设备及存储介质 | |
CN107291840B (zh) | 一种用户属性预测模型构建方法和装置 | |
CN111177559B (zh) | 文旅服务推荐方法、装置、电子设备及存储介质 | |
CN110321437B (zh) | 一种语料数据处理方法、装置、电子设备及介质 | |
CN105069077A (zh) | 搜索方法及装置 | |
US12008047B2 (en) | Providing an object-based response to a natural language query | |
Zhong et al. | Design of a personalized recommendation system for learning resources based on collaborative filtering | |
CN114399396A (zh) | 保险产品推荐方法、装置、计算机设备及存储介质 | |
CN110647504B (zh) | 司法文书的检索方法及装置 | |
CN114707510A (zh) | 资源推荐信息推送方法、装置、计算机设备及存储介质 | |
CN114253990A (zh) | 数据库查询方法、装置、计算机设备和存储介质 | |
CN110717008A (zh) | 基于语意识别的搜索结果排序方法及相关装置 | |
CN113254571B (zh) | 知识点存储方法、装置、服务器及介质 | |
CN117009621A (zh) | 信息搜索方法、装置、电子设备、存储介质及程序产品 | |
CN112085566B (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
CN111078972B (zh) | 提问行为数据的获取方法、装置和服务器 | |
CN113807920A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN113569741A (zh) | 图像试题的答案生成方法、装置、电子设备及可读介质 | |
CN113724044A (zh) | 基于用户画像的商品推荐、装置、计算机设备和存储介质 | |
CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 | |
CN112287215A (zh) | 一种智能就业推荐方法和装置 |
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 |