CN114817737B - 一种基于知识图谱的文物热点推送方法及系统 - Google Patents
一种基于知识图谱的文物热点推送方法及系统 Download PDFInfo
- Publication number
- CN114817737B CN114817737B CN202210521545.1A CN202210521545A CN114817737B CN 114817737 B CN114817737 B CN 114817737B CN 202210521545 A CN202210521545 A CN 202210521545A CN 114817737 B CN114817737 B CN 114817737B
- Authority
- CN
- China
- Prior art keywords
- cultural relic
- interest
- training
- relic
- page operation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000000694 effects Effects 0.000 claims abstract description 174
- 238000005065 mining Methods 0.000 claims abstract description 112
- 238000012549 training Methods 0.000 claims description 279
- 238000011161 development Methods 0.000 claims description 171
- 238000013135 deep learning Methods 0.000 claims description 107
- 230000006870 function Effects 0.000 claims description 70
- 238000007667 floating Methods 0.000 claims description 18
- 238000007418 data mining Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 abstract description 20
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明实施例公开了一种基于知识图谱的文物热点推送方法及系统,通过挖掘文物页面操作活动数据中的多个文物兴趣实体,然后从多个文物兴趣实体中确定热点文物兴趣实体和延伸文物兴趣实体,以及将热点文物兴趣实体和延伸文物兴趣实体进行知识图谱生成,输出一个文物热点知识图谱,文物热点知识图谱包括多个具有关注流向关系的文物兴趣实体,从而基于文物热点知识图谱对文物展示设备节点进行文物热点推送。如此设计,能够先确定出热点文物兴趣实体和延伸文物兴趣实体,然后实现热点文物兴趣实体和延伸文物兴趣实体的重构处理,由此生成可以表征更多兴趣特征细节的文物热点知识图谱后进行文物热点推送,可以提高文物热点推送的精准性。
Description
技术领域
本发明涉及互联网信息技术领域,具体而言,涉及一种基于知识图谱的文物热点推送方法及系统。
背景技术
传统的文物展示是基于人工分类登记保存和文物实物展览,然而文物质地脆弱,在传统展览中易受各种因素影响而出现损害。另外,传统展览的输出模式是点对面式,受时间和地点的限制。在参观过程中,简单文字的介绍,难以使观众真切体会到文物所形成的文化语境,理解其背后的历史价值和内涵,不利于文物的文化传播。随着互联网信息技术的发展,为文物的保存和展示带来了新的思路,完善文物信息的数字化存储已经成为当前的趋势,也是大势所趋。例如,通过设置各个文物展示阶段终端进行点对点的文物热点信息推送展示,在利于文物的文化传播的基础上也可以提高与各地区受众人群的适应性。然而相关技术中,文物热点推送的精准性有待提高。
发明内容
有鉴于此,本发明实施例提供一种基于知识图谱的文物热点推送方法及系统。
第一方面,本发明实施例提供一种基于知识图谱的文物热点推送方法,应用于基于知识图谱的文物热点推送系统,包括:
基于文物展示设备节点请求的文物热点推送请求,获取与所述文物热点推送请求对应的文物页面操作活动数据;
对所述文物页面操作活动数据进行数据挖掘,确定所述文物页面操作活动数据中的多个文物兴趣实体;
从所述多个文物兴趣实体中确定热点文物兴趣实体和延伸文物兴趣实体,以及将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出一个文物热点知识图谱,其中,所述文物热点知识图谱包括多个具有关注流向关系的文物兴趣实体;
基于所述文物热点知识图谱对所述文物展示设备节点进行文物热点推送。
在第一方面的一种可能的实施方式中,所述多个文物兴趣实体包括文物引导性兴趣实体、文物非引导性兴趣实体和文物潜在兴趣实体中的两个以上不同兴趣维度的文物兴趣实体;
其中,所述基于所述文物热点知识图谱对所述文物展示设备节点进行文物热点推送的步骤包括:
基于所述文物热点知识图谱中的所述热点文物兴趣实体以及对应的关注流向关系在第一文物热点推送进程中生成对应的第一文物热点推送内容信息;
基于所述文物热点知识图谱中的所述延伸文物兴趣实体以及对应的关注流向关系在第二文物热点推送进程中生成对应的第二文物热点推送内容信息;
将所述第一文物热点推送内容信息和所述第二文物热点推送内容信息输出为所述文物页面操作活动数据的联合文物热点推送内容信息。
在第一方面的一种可能的实施方式中,所述文物页面操作活动数据为独立文物页面操作活动数据或联动文物页面操作活动数据;
所述对所述文物页面操作活动数据进行数据挖掘,确定所述文物页面操作活动数据中的多个文物兴趣实体,包括:
对所述独立文物页面操作活动数据或所述联动文物页面操作活动数据进行数据挖掘,确定所述独立文物页面操作活动数据或所述联动文物页面操作活动数据中的所述多个文物兴趣实体。
在第一方面的一种可能的实施方式中,从所述多个文物兴趣实体中确定热点文物兴趣实体和延伸文物兴趣实体,以及将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出一个文物热点知识图谱,包括:
确定所述文物页面操作活动数据中兴趣持续参数值最大的兴趣指向活动所对应的目标文物引导性兴趣实体作为热点文物兴趣实体,并确定所述目标文物引导性兴趣实体对应的目标文物非引导性兴趣实体,以及与所述兴趣指向活动的兴趣衔接度最大的衍生关注活动所对应的目标文物潜在兴趣实体作为延伸文物兴趣实体;
将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出所述文物热点知识图谱,其中,所述文物热点知识图谱包含所述目标文物引导性兴趣实体、所述目标文物非引导性兴趣实体和所述目标文物潜在兴趣实体中的两个以上不同兴趣维度的文物兴趣实体。
在第一方面的一种可能的实施方式中,从所述多个文物兴趣实体中确定热点文物兴趣实体和延伸文物兴趣实体,以及将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出一个文物热点知识图谱,包括:
响应文物热点知识图谱模板,从所述多个文物兴趣实体中确定所述热点文物兴趣实体,其中,所述热点文物兴趣实体为所述文物引导性兴趣实体、所述文物非引导性兴趣实体和所述文物潜在兴趣实体中的其中一种;
基于所述热点文物兴趣实体确定匹配所述热点文物兴趣实体的所述延伸文物兴趣实体,其中,所述延伸文物兴趣实体为所述文物引导性兴趣实体、所述文物非引导性兴趣实体和所述文物潜在兴趣实体中除所述热点文物兴趣实体之外的余下两个兴趣维度下的文物兴趣实体中的一种或两种;
将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出所述文物热点知识图谱。
在第一方面的一种可能的实施方式中,在所述热点文物兴趣实体为所述文物引导性兴趣实体所对应兴趣维度的目标文物引导性兴趣实体时,基于所述热点文物兴趣实体确定匹配所述热点文物兴趣实体的所述延伸文物兴趣实体,包括:
基于所述目标文物引导性兴趣实体,依据机器学习模型确定与所述目标文物引导性兴趣实体对应的文物非引导性兴趣实体,以及与所述目标文物引导性兴趣实体同时处于兴趣协同状态的协同兴趣节点的兴趣衔接度最大的衍生关注活动所对应的目标文物潜在兴趣实体作为所述延伸文物兴趣实体;
在所述热点文物兴趣实体为所述文物非引导性兴趣实体所对应兴趣维度的目标文物非引导性兴趣实体时,基于所述热点文物兴趣实体确定匹配所述热点文物兴趣实体的所述延伸文物兴趣实体,包括:
基于所述目标文物非引导性兴趣实体,依据机器学习模型确定与所述目标文物非引导性兴趣实体对应的目标文物引导性兴趣实体,以及与所述目标文物非引导性兴趣实体的非引导性兴趣标签的兴趣衔接度最大的衍生关注活动所对应的目标文物潜在兴趣实体作为所述延伸文物兴趣实体;
在所述热点文物兴趣实体为所述文物潜在兴趣实体所对应的兴趣维度的目标文物潜在兴趣实体时,基于所述热点文物兴趣实体确定匹配所述热点文物兴趣实体的所述延伸文物兴趣实体,包括:
基于所述目标文物潜在兴趣实体,依据机器学习模型确定与所述目标文物潜在兴趣实体的兴趣衔接度最大的引导性兴趣活动所对应的目标文物引导性兴趣实体,以及与所述目标文物引导性兴趣实体对应的目标文物非引导性兴趣实体作为所述延伸文物兴趣实体。
在第一方面的一种可能的实施方式中,从所述多个文物兴趣实体中确定热点文物兴趣实体和延伸文物兴趣实体,以及将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出一个文物热点知识图谱,包括:
基于兴趣实体选择模板从所述多个文物兴趣实体中确定所述热点文物兴趣实体和所述延伸文物兴趣实体,其中,所述热点文物兴趣实体和所述延伸文物兴趣实体包含所述文物引导性兴趣实体、所述文物非引导性兴趣实体和所述文物潜在兴趣实体中的两个以上不同兴趣维度的文物兴趣实体;
将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出所述文物热点知识图谱。
在第一方面的一种可能的实施方式中,所述对所述文物页面操作活动数据进行数据挖掘,确定所述文物页面操作活动数据中的多个文物兴趣实体的步骤,包括:
将所述文物页面操作活动数据输入到预先训练的文物兴趣实体挖掘模型中,确定所述文物页面操作活动数据中的多个文物兴趣实体;
其中,所述文物兴趣实体挖掘模型的训练步骤包括:
从云计算训练系统获取本端云计算模型开发单位所对应的参考文物页面操作活动训练数据序列,以及从所述云计算训练系统中的协同模型开发单位获取本端云计算模型开发单位所对应的深度学习网络模型的初始化兴趣挖掘函数信息,将本端云计算模型开发单位的所述深度学习网络模型的兴趣挖掘函数信息配置为所述初始化兴趣挖掘函数信息后,将参考文物页面操作活动训练数据序列拆分为目标数量的参考文物页面操作活动训练数据簇,其中,参考文物页面操作活动训练数据包括参考文物页面操作活动数据和针对参考文物页面操作活动数据进行标定的参考文物兴趣实体,所述参考文物页面操作活动数据为对参考文物页面进行操作活动采集所获得的页面操作活动数据,所述参考文物兴趣实体表征所述参考文物页面操作活动数据所对应所述参考文物页面的文物兴趣实体;
从所述目标数量的参考文物页面操作活动训练数据簇中选取参考文物页面操作活动训练数据簇作为候选参考训练数据簇,以及基于候选参考训练数据簇和深度学习网络模型,将候选参考训练数据簇中的参考文物页面操作活动训练数据的参考文物页面操作活动数据作为模型学习成员数据,将所输入的参考文物页面操作活动数据所对应的参考文物兴趣实体作为模型训练结果输出,对深度学习网络模型进行训练,获得模糊文物兴趣实体挖掘模型;
分析所述目标数量的参考文物页面操作活动训练数据簇中是否存在遗留的参考文物页面操作活动训练数据簇;
如果确定不存在遗留的参考文物页面操作活动训练数据簇,获得目标数量的模糊文物兴趣实体挖掘模型;
如果确定存在遗留的参考文物页面操作活动训练数据簇,从遗留的参考文物页面操作活动训练数据簇中选取参考文物页面操作活动训练数据簇作为新的候选参考训练数据簇,将最近一次获得的模糊文物兴趣实体挖掘模型作为新的深度学习网络模型,继续执行所述训练步骤;
所述基于候选参考训练数据簇和深度学习网络模型,将候选参考训练数据簇中的参考文物页面操作活动训练数据的参考文物页面操作活动数据作为模型学习成员数据,将所输入的参考文物页面操作活动数据所对应的参考文物兴趣实体作为模型训练结果输出,对深度学习网络模型进行训练,获得模糊文物兴趣实体挖掘模型的步骤,包括:
依据所述参考文物页面操作活动训练数据序列对本端云计算模型开发单位的所述深度学习网络模型进行多个训练阶段的遍历模型开发优化,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值;
将所述本端训练方向导数值传输至所述协同模型开发单位,以便于所述协同模型开发单位在接收到各所述训练执行单位发送的训练方向导数值后进行加权获得全局训练方向导数值,并依据所述全局训练方向导数值优化所述初始化兴趣挖掘函数信息,将优化后的初始化兴趣挖掘函数信息下发至各所述训练执行单位以使得各所述训练执行单位依据优化后的初始化兴趣挖掘函数信息作为下一轮本端云计算模型开发单位的训练阶段所对应的初始化兴趣挖掘函数信息;
在各次本端云计算模型开发单位的训练阶段过程中,如果分析到本端云计算模型开发单位的所述深度学习网络模型满足训练终止条件时,将满足训练终止条件的深度学习网络模型作为模糊文物兴趣实体挖掘模型,以依据所述模糊文物兴趣实体挖掘模型进行文物兴趣实体挖掘。
在第一方面的一种可能的实施方式中,所述依据所述参考文物页面操作活动训练数据序列对本端云计算模型开发单位的所述深度学习网络模型进行多个训练阶段的遍历模型开发优化,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值的步骤包括:
将本端云计算模型开发单位的所述深度学习网络模型的兴趣挖掘函数信息配置为所述初始化兴趣挖掘函数信息后,分析本端云计算模型开发单位的所述深度学习网络模型是否处于训练预终止状态; 若确定本端云计算模型开发单位的所述深度学习网络模型已进入所述训练预终止状态,则在上一次本端云计算模型开发单位的训练阶段时本端遍历模型开发的阶段数量基础上加上第一预设阶段数量,确定目标阶段数量,其中,第一次本端云计算模型开发单位的训练阶段时本端遍历模型开发的阶段数量设置为1;
依据所述参考文物页面操作活动训练数据序列对本端云计算模型开发单位的所述深度学习网络模型进行所述目标阶段数量的本端遍历模型开发,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值;
其中,所述分析本端云计算模型开发单位的所述深度学习网络模型是否处于训练预终止状态的步骤包括:
分析本端云计算模型开发单位的所述深度学习网络模型在第二预设阶段数量的在先本端遍历模型开发中的训练方向导数浮动值是否均小于预设浮动值,其中,所述训练方向导数浮动值是指本训练阶段本端遍历模型开发时计算得到的训练方向导数值相比于前一训练阶段本端遍历模型开发时计算得到的训练方向导数值的浮动值;
如果分析到均小于所述预设浮动值,则确定本端云计算模型开发单位的所述深度学习网络模型已处于训练预终止状态;
如果分析到不是均小于所述预设浮动值,则确定本端云计算模型开发单位的所述深度学习网络模型未进入所述训练预终止状态。
譬如在第一方面的一种可能的实施方式中,所述将本端云计算模型开发单位的所述深度学习网络模型的兴趣挖掘函数信息配置为所述初始化兴趣挖掘函数信息后,依据所述参考文物页面操作活动训练数据序列对本端云计算模型开发单位的所述深度学习网络模型进行多个训练阶段的遍历模型开发优化,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值的步骤之后,还包括:
获取当前本端云计算模型开发单位的模型开发性能指标,基于所述模型开发性能指标和所述本端训练方向导数值的参数量计算得到本端训练方向导数值返回协同模型开发单位的返回持续时间;
获取在先记录的每轮本端云计算模型开发单位的训练阶段的训练持续时间,并计算所述返回持续时间相对于所述训练持续时间的对比参数值;
如果分析到所述对比参数值大于第一目标参数值,则丢弃所述本端训练方向导数值;
如果分析到所述对比参数值不大于所述第一目标参数值,则执行所述将所述本端训练方向导数值传输至所述协同模型开发单位的步骤。
譬如在第一方面的一种可能的实施方式中,所述将本端云计算模型开发单位的所述深度学习网络模型的兴趣挖掘函数信息配置为所述初始化兴趣挖掘函数信息后,依据所述参考文物页面操作活动训练数据序列对本端云计算模型开发单位的所述深度学习网络模型进行多个训练阶段的遍历模型开发优化,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值的步骤包括:
将本端云计算模型开发单位的所述深度学习网络模型的兴趣挖掘函数信息配置为所述初始化兴趣挖掘函数信息;
将所述参考文物页面操作活动训练数据序列输入本端云计算模型开发单位的所述深度学习网络模型的兴趣特征变量挖掘单元进行兴趣特征变量挖掘得到兴趣特征变量;
将所述兴趣特征变量输入本端云计算模型开发单位的所述深度学习网络模型的兴趣实体决策单元得到所述参考文物页面操作活动训练数据序列中兴趣实体的兴趣判别置信度和兴趣实体定位信息;
基于所述兴趣判别置信度和所述兴趣实体定位信息计算得到所述深度学习网络模型的训练学习代价值相对于本端云计算模型开发单位的所述深度学习网络模型中当前兴趣挖掘函数信息的当前训练方向导数值,以完成本端云计算模型开发单位的一轮本端遍历模型开发;
分析本端云计算模型开发单位已进行的本端遍历模型开发的阶段数量是否大于或者等于第三预设阶段数量;
如果分析到大于或者等于第三预设阶段数量,则将所述当前训练方向导数值作为本端训练方向导数值;
如果分析到未大于或者等于第三预设阶段数量,则基于所述当前训练方向导数值优化本端云计算模型开发单位的所述深度学习网络模型中的兴趣挖掘函数信息,再返回执行所述将所述参考文物页面操作活动训练数据序列输入本端云计算模型开发单位的所述深度学习网络模型的兴趣特征变量挖掘单元进行兴趣特征变量挖掘得到兴趣特征变量的步骤。
通过将深度学习网络模型部署于云计算训练系统的各个训练执行单位,由各训练执行单位从云计算训练系统获取本端云计算模型开发单位所对应的参考文物页面操作活动训练数据序列,以及从云计算训练系统中的协同模型开发单位获取本端云计算模型开发单位所对应的深度学习网络模型的初始化兴趣挖掘函数信息;将本端云计算模型开发单位的深度学习网络模型的兴趣挖掘函数信息配置为初始化兴趣挖掘函数信息后,依据参考文物页面操作活动训练数据序列对本端云计算模型开发单位的深度学习网络模型进行多个训练阶段的遍历模型开发优化,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值;将本端训练方向导数值传输至协同模型开发单位,以便于协同模型开发单位在接收到各训练执行单位发送的训练方向导数值后进行加权获得全局训练方向导数值,并依据训练方向导数值优化所述初始化兴趣挖掘函数信息,将优化后的初始化兴趣挖掘函数信息下发至各所述训练执行单位以使得各所述训练执行单位依据优化后的初始化兴趣挖掘函数信息作为下一轮本端云计算模型开发单位的训练阶段所对应的初始化兴趣挖掘函数信息;在各次本端云计算模型开发单位的训练阶段过程中,如果分析到本端云计算模型开发单位的深度学习网络模型满足训练终止条件时,将满足训练终止条件的深度学习网络模型作为模糊文物兴趣实体挖掘模型,以基于模糊文物兴趣实体挖掘模型进行文物兴趣实体挖掘。由此,通过各个训练执行单位在完成本端云计算模型开发单位的训练阶段后将本端训练方向导数值传输至协同模型开发单位进行全局处理,实现各个训练执行单位共同进行模型训练,增加训练特征,进而提高训练效果。
第二方面,本发明实施例提供一种基于知识图谱的文物热点推送系统,包括:
处理器;
存储器,所述存储器中存储有计算机程序,所述计算机程序被执行时实现第一方面所述的基于知识图谱的文物热点推送方法。
如上,本发明实施例基于文物展示设备节点请求的文物热点推送请求,获取与所述文物热点推送请求对应的文物页面操作活动数据,解析文物页面操作活动数据并挖掘文物页面操作活动数据中的多个文物兴趣实体,然后从多个文物兴趣实体中确定热点文物兴趣实体和延伸文物兴趣实体,以及将热点文物兴趣实体和延伸文物兴趣实体进行知识图谱生成,输出一个文物热点知识图谱,文物热点知识图谱包括多个具有关注流向关系的文物兴趣实体,从而基于文物热点知识图谱对文物展示设备节点进行文物热点推送。如此设计,能够先确定出热点文物兴趣实体和延伸文物兴趣实体,然后实现热点文物兴趣实体和延伸文物兴趣实体的重构处理,由此生成可以表征更多兴趣特征细节的文物热点知识图谱后进行文物热点推送,可以提高文物热点推送的精准性。
附图说明
图1为本发明实施例提供的一种基于知识图谱的文物热点推送方法步骤流程示意图;
图2为本发明的实施例提供的用于执行图1中的基于知识图谱的文物热点推送方法的基于知识图谱的文物热点推送系统的结构示意框图。
具体实施方式
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。通过本发明中的实施例,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它实施例,都属于本发明保护的范围。
STEP101:基于文物展示设备节点请求的文物热点推送请求,获取与所述文物热点推送请求对应的文物页面操作活动数据。
一些示例性的设计思路中,文物展示设备节点可以向基于知识图谱的文物热点推送系统发送文物热点推送请求,从而依据基于知识图谱的文物热点推送系统进行文物兴趣实体挖掘和文物热点推送。文物展示设备节点可以是设置于各个文物展示单位的节点终端,文物页面操作活动数据可以是相关用户在文物展示设备节点上的文物展示页面上进行各种系列操作活动搜记录的大数据序列。
STEP102:对所述文物页面操作活动数据进行数据挖掘,确定所述文物页面操作活动数据中的多个文物兴趣实体。
一些示例性的设计思路中,文物页面操作活动数据中的多个文物兴趣实体可以理解为具体感兴趣的文物页面对象,如文物类别对象、文物类别下的某个具体文物,或者某个文物地区等。
STEP103:从所述多个文物兴趣实体中确定热点文物兴趣实体和延伸文物兴趣实体,以及将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出一个文物热点知识图谱。
一些示例性的设计思路中,所述文物热点知识图谱包括多个具有关注流向关系的文物兴趣实体。延伸文物兴趣实体可以理解为与热点文物兴趣实体存在关联关系的文物兴趣实体,热点文物兴趣实体可以是基于实际需求指定的,在此不作限定。将热点文物兴趣实体和延伸文物兴趣实体进行知识图谱生成可以理解为将热点文物兴趣实体和延伸文物兴趣实体进行兴趣指向关系的连接,从而将局部的文物兴趣实体进行关联性配置,进而生成可以表征更多兴趣特征细节的文物热点知识图谱。
STEP104:基于所述文物热点知识图谱对所述文物展示设备节点进行文物热点推送。
本实施例中,可以获取通过多个具有关注流向关系的文物兴趣实体
应用以上STEP101-STEP104时,通过挖掘文物页面操作活动数据中的多个文物兴趣实体,然后从多个文物兴趣实体中确定热点文物兴趣实体和延伸文物兴趣实体,以及将热点文物兴趣实体和延伸文物兴趣实体进行知识图谱生成,输出一个文物热点知识图谱,文物热点知识图谱包括多个具有关注流向关系的文物兴趣实体,从而基于文物热点知识图谱对文物展示设备节点进行文物热点推送。如此设计,能够先确定出热点文物兴趣实体和延伸文物兴趣实体,然后实现热点文物兴趣实体和延伸文物兴趣实体的重构处理,由此生成可以表征更多兴趣特征细节的文物热点知识图谱后进行文物热点推送,可以提高文物热点推送的精准性。
一些示例性的设计思路中,所述多个文物兴趣实体包括文物引导性兴趣实体、文物非引导性兴趣实体和文物潜在兴趣实体中的两个以上不同兴趣维度的文物兴趣实体。此外,文物引导性兴趣实体可以理解为受到一些页面提示引导而产生兴趣的文物页面对象,文物非引导性兴趣实体可以理解为未受到一些页面提示引导而产生兴趣的文物页面对象,文物潜在兴趣实体可以理解为可能存在兴趣倾向的文物页面对象。
一些示例性的设计思路中,STEP104可以通过下述步骤实现。
STEP201:基于所述文物热点知识图谱中的所述热点文物兴趣实体以及对应的关注流向关系在第一文物热点推送进程中生成对应的第一文物热点推送内容信息。
STEP202:基于所述文物热点知识图谱中的所述延伸文物兴趣实体以及对应的关注流向关系在第二文物热点推送进程中生成对应的第二文物热点推送内容信息。
STEP203:将所述第一文物热点推送内容信息和所述第二文物热点推送内容信息输出为所述文物页面操作活动数据的联合文物热点推送内容信息。
一些示例性的设计思路中,STEP103中从所述多个文物兴趣实体中确定热点文物兴趣实体和延伸文物兴趣实体,以及将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出一个文物热点知识图谱,可以包括如下内容STEP103A1和STEP103A2。
STEP103A1:确定所述文物页面操作活动数据中兴趣持续参数值最大的兴趣指向活动所对应的目标文物引导性兴趣实体作为热点文物兴趣实体,并确定所述目标文物引导性兴趣实体对应的目标文物非引导性兴趣实体,以及与所述兴趣指向活动的兴趣衔接度最大的衍生关注活动所对应的目标文物潜在兴趣实体作为延伸文物兴趣实体。
STEP103A2:将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出所述文物热点知识图谱,
一些示例性的设计思路中,所述文物热点知识图谱包含所述目标文物引导性兴趣实体、所述目标文物非引导性兴趣实体和所述目标文物潜在兴趣实体中的两个以上不同兴趣维度的文物兴趣实体。
基于以上步骤,在兴趣指向活动中兴趣衔接度最大的衍生关注活动下,确定目标文物潜在兴趣实体作为延伸文物兴趣实体,进而将热点文物兴趣实体和延伸文物兴趣实体,扩充文物热点知识图谱的特征细节。
一些示例性的设计思路中,STEP103中从所述多个文物兴趣实体中确定热点文物兴趣实体和延伸文物兴趣实体,以及将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出一个文物热点知识图谱,可以包括STEP103B1-STEP103B3。
STEP103B1:响应文物热点知识图谱模板,从所述多个文物兴趣实体中确定所述热点文物兴趣实体。
一些示例性的设计思路中,所述热点文物兴趣实体为所述文物引导性兴趣实体、所述文物非引导性兴趣实体和所述文物潜在兴趣实体中的其中一种。
STEP103B2:基于所述热点文物兴趣实体确定匹配所述热点文物兴趣实体的所述延伸文物兴趣实体。
一些示例性的设计思路中,所述延伸文物兴趣实体为所述文物引导性兴趣实体、所述文物非引导性兴趣实体和所述文物潜在兴趣实体中除所述热点文物兴趣实体之外的余下两个兴趣维度下的文物兴趣实体中的一种或两种。
STEP103B3:将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出所述文物热点知识图谱。
一些示例性的设计思路中,在所述热点文物兴趣实体为所述文物引导性兴趣实体所对应兴趣维度的目标文物引导性兴趣实体时,基于所述热点文物兴趣实体确定匹配所述热点文物兴趣实体的所述延伸文物兴趣实体,可以包括如下内容:基于所述目标文物引导性兴趣实体,依据机器学习模型确定与所述目标文物引导性兴趣实体对应的文物非引导性兴趣实体,以及与所述目标文物引导性兴趣实体同时处于兴趣协同状态的协同兴趣节点的兴趣衔接度最大的衍生关注活动所对应的目标文物潜在兴趣实体作为所述延伸文物兴趣实体。
例如,与所述目标文物引导性兴趣实体同时处于兴趣协同状态的协同兴趣节点的兴趣衔接度最大的衍生关注活动所对应的目标文物潜在兴趣实体可以作如下理解:目标文物潜在兴趣实体对应的衍生关注活动与协同兴趣节点的兴趣衔接度,而协同兴趣节点则是与所述目标文物引导性兴趣实体同时处于兴趣协同状态。
一些示例性的设计思路中,在所述热点文物兴趣实体为所述文物非引导性兴趣实体所对应兴趣维度的目标文物非引导性兴趣实体时,基于所述热点文物兴趣实体确定匹配所述热点文物兴趣实体的所述延伸文物兴趣实体,可以包括如下内容:基于所述目标文物非引导性兴趣实体,依据机器学习模型确定与所述目标文物非引导性兴趣实体对应的目标文物引导性兴趣实体,以及与所述目标文物非引导性兴趣实体的非引导性兴趣标签的兴趣衔接度最大的衍生关注活动所对应的目标文物潜在兴趣实体作为所述延伸文物兴趣实体。
一些示例性的设计思路中,在所述热点文物兴趣实体为所述文物潜在兴趣实体所对应的兴趣维度的目标文物潜在兴趣实体时,基于所述热点文物兴趣实体确定匹配所述热点文物兴趣实体的所述延伸文物兴趣实体,可以包括如下内容:基于所述目标文物潜在兴趣实体,依据机器学习模型确定与所述目标文物潜在兴趣实体的兴趣衔接度最大的引导性兴趣活动所对应的目标文物引导性兴趣实体,以及与所述目标文物引导性兴趣实体对应的目标文物非引导性兴趣实体作为所述延伸文物兴趣实体。
一些示例性的设计思路中,STEP103中从所述多个文物兴趣实体中确定热点文物兴趣实体和延伸文物兴趣实体,以及将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出一个文物热点知识图谱,可以包括STEP103C1和STEP103C2。
STEP103C1:获得兴趣实体选择模板,并基于所述兴趣实体选择模板从所述多个文物兴趣实体中确定所述热点文物兴趣实体和所述延伸文物兴趣实体。
一些示例性的设计思路中,所述热点文物兴趣实体和所述延伸文物兴趣实体包含所述文物引导性兴趣实体、所述文物非引导性兴趣实体和所述文物潜在兴趣实体中的两个以上不同兴趣维度的文物兴趣实体。
STEP103C2:将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出所述文物热点知识图谱。
一些示例性的设计思路中,所述文物页面操作活动数据为独立文物页面操作活动数据或联动文物页面操作活动数据。基于此,STEP102中对所述文物页面操作活动数据进行数据挖掘,确定所述文物页面操作活动数据中的多个文物兴趣实体,可以包括如下内容:解析所述独立文物页面操作活动数据或所述联动文物页面操作活动数据,并从所述独立文物页面操作活动数据或所述联动文物页面操作活动数据挖掘所述多个文物兴趣实体。
一些示例性的设计思路中,对所述文物页面操作活动数据进行数据挖掘,确定所述文物页面操作活动数据中的多个文物兴趣实体的步骤,包括:将所述文物页面操作活动数据输入到预先训练的文物兴趣实体挖掘模型中,确定所述文物页面操作活动数据中的多个文物兴趣实体。
其中,所述文物兴趣实体挖掘模型的训练步骤包括:
(1)从云计算训练系统获取本端云计算模型开发单位所对应的参考文物页面操作活动训练数据序列,以及从所述云计算训练系统中的协同模型开发单位获取本端云计算模型开发单位所对应的深度学习网络模型的初始化兴趣挖掘函数信息,将本端云计算模型开发单位的所述深度学习网络模型的兴趣挖掘函数信息配置为所述初始化兴趣挖掘函数信息后,将参考文物页面操作活动训练数据序列拆分为目标数量的参考文物页面操作活动训练数据簇,其中,参考文物页面操作活动训练数据包括参考文物页面操作活动数据和针对参考文物页面操作活动数据进行标定的参考文物兴趣实体,所述参考文物页面操作活动数据为对参考文物页面进行操作活动采集所获得的页面操作活动数据,所述参考文物兴趣实体表征所述参考文物页面操作活动数据所对应所述参考文物页面的文物兴趣实体;
(2)从所述目标数量的参考文物页面操作活动训练数据簇中选取参考文物页面操作活动训练数据簇作为候选参考训练数据簇,以及基于候选参考训练数据簇和深度学习网络模型,将候选参考训练数据簇中的参考文物页面操作活动训练数据的参考文物页面操作活动数据作为模型学习成员数据,将所输入的参考文物页面操作活动数据所对应的参考文物兴趣实体作为模型训练结果输出,对深度学习网络模型进行训练,获得模糊文物兴趣实体挖掘模型;
(3)分析所述目标数量的参考文物页面操作活动训练数据簇中是否存在遗留的参考文物页面操作活动训练数据簇;
(4)如果确定不存在遗留的参考文物页面操作活动训练数据簇,获得目标数量的模糊文物兴趣实体挖掘模型;
(5)如果确定存在遗留的参考文物页面操作活动训练数据簇,从遗留的参考文物页面操作活动训练数据簇中选取参考文物页面操作活动训练数据簇作为新的候选参考训练数据簇,将最近一次获得的模糊文物兴趣实体挖掘模型作为新的深度学习网络模型,继续执行所述训练步骤。
基于候选参考训练数据簇和深度学习网络模型,将候选参考训练数据簇中的参考文物页面操作活动训练数据的参考文物页面操作活动数据作为模型学习成员数据,将所输入的参考文物页面操作活动数据所对应的参考文物兴趣实体作为模型训练结果输出,对深度学习网络模型进行训练,获得模糊文物兴趣实体挖掘模型的步骤,包括:依据所述参考文物页面操作活动训练数据序列对本端云计算模型开发单位的所述深度学习网络模型进行多个训练阶段的遍历模型开发优化,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值;将所述本端训练方向导数值传输至所述协同模型开发单位,以便于所述协同模型开发单位在接收到各所述训练执行单位发送的训练方向导数值后进行加权获得全局训练方向导数值,并依据所述全局训练方向导数值优化所述初始化兴趣挖掘函数信息,将优化后的初始化兴趣挖掘函数信息下发至各所述训练执行单位以使得各所述训练执行单位依据优化后的初始化兴趣挖掘函数信息作为下一轮本端云计算模型开发单位的训练阶段所对应的初始化兴趣挖掘函数信息;在各次本端云计算模型开发单位的训练阶段过程中,如果分析到本端云计算模型开发单位的所述深度学习网络模型满足训练终止条件时,将满足训练终止条件的深度学习网络模型作为模糊文物兴趣实体挖掘模型,以依据所述模糊文物兴趣实体挖掘模型进行文物兴趣实体挖掘。
其中,依据所述参考文物页面操作活动训练数据序列对本端云计算模型开发单位的所述深度学习网络模型进行多个训练阶段的遍历模型开发优化,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值的步骤包括:将本端云计算模型开发单位的所述深度学习网络模型的兴趣挖掘函数信息配置为所述初始化兴趣挖掘函数信息后,分析本端云计算模型开发单位的所述深度学习网络模型是否处于训练预终止状态; 若确定本端云计算模型开发单位的所述深度学习网络模型已进入所述训练预终止状态,则在上一次本端云计算模型开发单位的训练阶段时本端遍历模型开发的阶段数量基础上加上第一预设阶段数量,确定目标阶段数量,其中,第一次本端云计算模型开发单位的训练阶段时本端遍历模型开发的阶段数量设置为1;依据所述参考文物页面操作活动训练数据序列对本端云计算模型开发单位的所述深度学习网络模型进行所述目标阶段数量的本端遍历模型开发,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值;
其中,分析本端云计算模型开发单位的所述深度学习网络模型是否处于训练预终止状态的步骤包括:分析本端云计算模型开发单位的所述深度学习网络模型在第二预设阶段数量的在先本端遍历模型开发中的训练方向导数浮动值是否均小于预设浮动值,其中,所述训练方向导数浮动值是指本训练阶段本端遍历模型开发时计算得到的训练方向导数值相比于前一训练阶段本端遍历模型开发时计算得到的训练方向导数值的浮动值;如果分析到均小于所述预设浮动值,则确定本端云计算模型开发单位的所述深度学习网络模型已处于训练预终止状态;如果分析到不是均小于所述预设浮动值,则确定本端云计算模型开发单位的所述深度学习网络模型未进入所述训练预终止状态。
譬如,一种可能的实施方式中,将本端云计算模型开发单位的所述深度学习网络模型的兴趣挖掘函数信息配置为所述初始化兴趣挖掘函数信息后,依据所述参考文物页面操作活动训练数据序列对本端云计算模型开发单位的所述深度学习网络模型进行多个训练阶段的遍历模型开发优化,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值的步骤之后,还包括:获取当前本端云计算模型开发单位的模型开发性能指标,基于所述模型开发性能指标和所述本端训练方向导数值的参数量计算得到本端训练方向导数值返回协同模型开发单位的返回持续时间;获取在先记录的每轮本端云计算模型开发单位的训练阶段的训练持续时间,并计算所述返回持续时间相对于所述训练持续时间的对比参数值;如果分析到所述对比参数值大于第一目标参数值,则丢弃所述本端训练方向导数值;如果分析到所述对比参数值不大于所述第一目标参数值,则执行所述将所述本端训练方向导数值传输至所述协同模型开发单位的步骤。
譬如在一种可能的实施方式中,将本端云计算模型开发单位的所述深度学习网络模型的兴趣挖掘函数信息配置为所述初始化兴趣挖掘函数信息后,依据所述参考文物页面操作活动训练数据序列对本端云计算模型开发单位的所述深度学习网络模型进行多个训练阶段的遍历模型开发优化,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值的步骤包括:将本端云计算模型开发单位的所述深度学习网络模型的兴趣挖掘函数信息配置为所述初始化兴趣挖掘函数信息;所述参考文物页面操作活动训练数据序列输入本端云计算模型开发单位的所述深度学习网络模型的兴趣特征变量挖掘单元进行兴趣特征变量挖掘得到兴趣特征变量;将所述兴趣特征变量输入本端云计算模型开发单位的所述深度学习网络模型的兴趣实体决策单元得到所述参考文物页面操作活动训练数据序列中兴趣实体的兴趣判别置信度和兴趣实体定位信息;基于所述兴趣判别置信度和所述兴趣实体定位信息计算得到所述深度学习网络模型的训练学习代价值相对于本端云计算模型开发单位的所述深度学习网络模型中当前兴趣挖掘函数信息的当前训练方向导数值,以完成本端云计算模型开发单位的一轮本端遍历模型开发;分析本端云计算模型开发单位已进行的本端遍历模型开发的阶段数量是否大于或者等于第三预设阶段数量;如果分析到大于或者等于第三预设阶段数量,则将所述当前训练方向导数值作为本端训练方向导数值;如果分析到未大于或者等于第三预设阶段数量,则基于所述当前训练方向导数值优化本端云计算模型开发单位的所述深度学习网络模型中的兴趣挖掘函数信息,再返回执行所述将所述参考文物页面操作活动训练数据序列输入本端云计算模型开发单位的所述深度学习网络模型的兴趣特征变量挖掘单元进行兴趣特征变量挖掘得到兴趣特征变量的步骤。
基于以上步骤,通过将深度学习网络模型部署于云计算训练系统的各个训练执行单位,由各训练执行单位从云计算训练系统获取本端云计算模型开发单位所对应的参考文物页面操作活动训练数据序列,以及从云计算训练系统中的协同模型开发单位获取本端云计算模型开发单位所对应的深度学习网络模型的初始化兴趣挖掘函数信息;将本端云计算模型开发单位的深度学习网络模型的兴趣挖掘函数信息配置为初始化兴趣挖掘函数信息后,依据参考文物页面操作活动训练数据序列对本端云计算模型开发单位的深度学习网络模型进行多个训练阶段的遍历模型开发优化,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值;将本端训练方向导数值传输至协同模型开发单位,以便于协同模型开发单位在接收到各训练执行单位发送的训练方向导数值后进行加权获得全局训练方向导数值,并依据训练方向导数值优化所述初始化兴趣挖掘函数信息,将优化后的初始化兴趣挖掘函数信息下发至各所述训练执行单位以使得各所述训练执行单位依据优化后的初始化兴趣挖掘函数信息作为下一轮本端云计算模型开发单位的训练阶段所对应的初始化兴趣挖掘函数信息;在各次本端云计算模型开发单位的训练阶段过程中,如果分析到本端云计算模型开发单位的深度学习网络模型满足训练终止条件时,将满足训练终止条件的深度学习网络模型作为模糊文物兴趣实体挖掘模型,以基于模糊文物兴趣实体挖掘模型进行文物兴趣实体挖掘。由此,通过各个训练执行单位在完成本端云计算模型开发单位的训练阶段后将本端训练方向导数值传输至协同模型开发单位进行全局处理,实现各个训练执行单位共同进行模型训练,增加训练特征,进而提高训练效果。
在以上描述的基础上,在另一种实施例中,本发明实施例还提供一种基于知识图谱的文物热点推送系统,参阅图2,图2为本发明实施例提供的基于知识图谱的文物热点推送系统100的结构图,基于知识图谱的文物热点推送系统100可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,CPU)112(例如,一个或一个以上处理器)和存储器111。其中,存储器111可以是短暂存储或持久存储。存储在存储器111的程序可以包括一个或一个以上模块,各个模块可以包括对基于知识图谱的文物热点推送系统100中的一系列指令操作。更进一步地,中央处理器112可以设置为与存储器111通信,在基于知识图谱的文物热点推送系统100上执行存储器111中的一系列指令操作。
基于知识图谱的文物热点推送系统100还可以包括一个或一个以上电源,一个或一个以上通信单元113,一个或一个以上传递到输出接口,和/或,一个或一个以上操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM, LinuxTM,FreeBSDTM等等。
上述实施例中由基于知识图谱的文物热点推送系统所执行的步骤可以结合图2所示的基于知识图谱的文物热点推送系统结构。
另外,本发明实施例还提供了一种存储介质,所述存储介质用于存储计算机程序,所述计算机程序用于执行上述实施例提供的方法。
本发明实施例还提供了一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例提供的方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:Read-only Memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,各个实施例重点说明的都是与其它实施例的不同之处。尤其,对于设备及系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统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,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。可以基于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在不付出创造性劳动时,即可以理解并实施。
以上所述,仅为本发明的一种具体执行步骤,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于知识图谱的文物热点推送方法,应用于基于知识图谱的文物热点推送系统,其特征在于,包括:
基于文物展示设备节点请求的文物热点推送请求,获取与所述文物热点推送请求对应的文物页面操作活动数据;
对所述文物页面操作活动数据进行数据挖掘,确定所述文物页面操作活动数据中的多个文物兴趣实体,所述文物页面操作活动数据中的多个文物兴趣实体为具体感兴趣的文物页面对象;
从所述多个文物兴趣实体中确定热点文物兴趣实体和延伸文物兴趣实体,以及将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出一个文物热点知识图谱,其中,所述文物热点知识图谱包括多个具有关注流向关系的文物兴趣实体;
基于所述文物热点知识图谱对所述文物展示设备节点进行文物热点推送;
所述多个文物兴趣实体包括文物引导性兴趣实体、文物非引导性兴趣实体和文物潜在兴趣实体中的两个以上不同兴趣维度的文物兴趣实体,所述文物引导性兴趣实体为受到页面提示引导而产生兴趣的文物页面对象,文物非引导性兴趣实体为未受到页面提示引导而产生兴趣的文物页面对象,文物潜在兴趣实体为可能存在兴趣倾向的文物页面对象;
其中,所述基于所述文物热点知识图谱对所述文物展示设备节点进行文物热点推送的步骤包括:
基于所述文物热点知识图谱中的所述热点文物兴趣实体以及对应的关注流向关系在第一文物热点推送进程中生成对应的第一文物热点推送内容信息;
基于所述文物热点知识图谱中的所述延伸文物兴趣实体以及对应的关注流向关系在第二文物热点推送进程中生成对应的第二文物热点推送内容信息;
将所述第一文物热点推送内容信息和所述第二文物热点推送内容信息输出为所述文物页面操作活动数据的联合文物热点推送内容信息;
从所述多个文物兴趣实体中确定热点文物兴趣实体和延伸文物兴趣实体,以及将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出一个文物热点知识图谱,包括:
确定所述文物页面操作活动数据中兴趣持续参数值最大的兴趣指向活动所对应的目标文物引导性兴趣实体作为热点文物兴趣实体,并确定所述目标文物引导性兴趣实体对应的目标文物非引导性兴趣实体,以及与所述兴趣指向活动的兴趣衔接度最大的衍生关注活动所对应的目标文物潜在兴趣实体作为延伸文物兴趣实体;
将所述热点文物兴趣实体和所述延伸文物兴趣实体进行知识图谱生成,输出所述文物热点知识图谱,其中,所述文物热点知识图谱包含所述目标文物引导性兴趣实体、所述目标文物非引导性兴趣实体和所述目标文物潜在兴趣实体中的两个以上不同兴趣维度的文物兴趣实体。
2.根据权利要求1所述的基于知识图谱的文物热点推送方法,其特征在于,所述文物页面操作活动数据为独立文物页面操作活动数据或联动文物页面操作活动数据;
所述对所述文物页面操作活动数据进行数据挖掘,确定所述文物页面操作活动数据中的多个文物兴趣实体,包括:
对所述独立文物页面操作活动数据或所述联动文物页面操作活动数据进行数据挖掘,确定所述独立文物页面操作活动数据或所述联动文物页面操作活动数据中的所述多个文物兴趣实体。
3.根据权利要求1或2所述的基于知识图谱的文物热点推送方法,其特征在于,所述对所述文物页面操作活动数据进行数据挖掘,确定所述文物页面操作活动数据中的多个文物兴趣实体的步骤,包括:
将所述文物页面操作活动数据输入到预先训练的文物兴趣实体挖掘模型中,确定所述文物页面操作活动数据中的多个文物兴趣实体;
其中,所述文物兴趣实体挖掘模型的训练步骤包括:
从云计算训练系统获取本端云计算模型开发单位所对应的参考文物页面操作活动训练数据序列,以及从所述云计算训练系统中的协同模型开发单位获取本端云计算模型开发单位所对应的深度学习网络模型的初始化兴趣挖掘函数信息,将本端云计算模型开发单位的所述深度学习网络模型的兴趣挖掘函数信息配置为所述初始化兴趣挖掘函数信息后,将参考文物页面操作活动训练数据序列拆分为目标数量的参考文物页面操作活动训练数据簇,其中,参考文物页面操作活动训练数据包括参考文物页面操作活动数据和针对参考文物页面操作活动数据进行标定的参考文物兴趣实体,所述参考文物页面操作活动数据为对参考文物页面进行操作活动采集所获得的页面操作活动数据,所述参考文物兴趣实体表征所述参考文物页面操作活动数据所对应所述参考文物页面的文物兴趣实体;
从所述目标数量的参考文物页面操作活动训练数据簇中选取参考文物页面操作活动训练数据簇作为候选参考训练数据簇,以及基于候选参考训练数据簇和深度学习网络模型,将候选参考训练数据簇中的参考文物页面操作活动训练数据的参考文物页面操作活动数据作为模型学习成员数据,将所输入的参考文物页面操作活动数据所对应的参考文物兴趣实体作为模型训练结果输出,对深度学习网络模型进行训练,获得模糊文物兴趣实体挖掘模型;
分析所述目标数量的参考文物页面操作活动训练数据簇中是否存在遗留的参考文物页面操作活动训练数据簇;
如果确定不存在遗留的参考文物页面操作活动训练数据簇,获得目标数量的模糊文物兴趣实体挖掘模型;
如果确定存在遗留的参考文物页面操作活动训练数据簇,从遗留的参考文物页面操作活动训练数据簇中选取参考文物页面操作活动训练数据簇作为新的候选参考训练数据簇,将最近一次获得的模糊文物兴趣实体挖掘模型作为新的深度学习网络模型,继续执行所述训练步骤;
所述基于候选参考训练数据簇和深度学习网络模型,将候选参考训练数据簇中的参考文物页面操作活动训练数据的参考文物页面操作活动数据作为模型学习成员数据,将所输入的参考文物页面操作活动数据所对应的参考文物兴趣实体作为模型训练结果输出,对深度学习网络模型进行训练,获得模糊文物兴趣实体挖掘模型的步骤,包括:
依据所述参考文物页面操作活动训练数据序列对本端云计算模型开发单位的所述深度学习网络模型进行多个训练阶段的遍历模型开发优化,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值;
将所述本端训练方向导数值传输至所述协同模型开发单位,以便于所述协同模型开发单位在接收到各训练执行单位发送的训练方向导数值后进行加权获得全局训练方向导数值,并依据所述全局训练方向导数值优化所述初始化兴趣挖掘函数信息,将优化后的初始化兴趣挖掘函数信息下发至各所述训练执行单位以使得各所述训练执行单位依据优化后的初始化兴趣挖掘函数信息作为下一轮本端云计算模型开发单位的训练阶段所对应的初始化兴趣挖掘函数信息;
在各次本端云计算模型开发单位的训练阶段过程中,如果分析到本端云计算模型开发单位的所述深度学习网络模型满足训练终止条件时,将满足训练终止条件的深度学习网络模型作为模糊文物兴趣实体挖掘模型,以依据所述模糊文物兴趣实体挖掘模型进行文物兴趣实体挖掘。
4.根据权利要求3所述的基于知识图谱的文物热点推送方法,其特征在于,所述依据所述参考文物页面操作活动训练数据序列对本端云计算模型开发单位的所述深度学习网络模型进行多个训练阶段的遍历模型开发优化,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值的步骤包括:
将本端云计算模型开发单位的所述深度学习网络模型的兴趣挖掘函数信息配置为所述初始化兴趣挖掘函数信息后,分析本端云计算模型开发单位的所述深度学习网络模型是否处于训练预终止状态; 若确定本端云计算模型开发单位的所述深度学习网络模型已进入所述训练预终止状态,则在上一次本端云计算模型开发单位的训练阶段时本端遍历模型开发的阶段数量基础上加上第一预设阶段数量,确定目标阶段数量,其中,第一次本端云计算模型开发单位的训练阶段时本端遍历模型开发的阶段数量设置为1;
依据所述参考文物页面操作活动训练数据序列对本端云计算模型开发单位的所述深度学习网络模型进行所述目标阶段数量的本端遍历模型开发,确定本端云计算模型开发单位的所述深度学习网络模型中各兴趣挖掘函数信息的本端训练方向导数值;
其中,所述分析本端云计算模型开发单位的所述深度学习网络模型是否处于训练预终止状态的步骤包括:
分析本端云计算模型开发单位的所述深度学习网络模型在第二预设阶段数量的在先本端遍历模型开发中的训练方向导数浮动值是否均小于预设浮动值,其中,所述训练方向导数浮动值是指本训练阶段本端遍历模型开发时计算得到的训练方向导数值相比于前一训练阶段本端遍历模型开发时计算得到的训练方向导数值的浮动值;
如果分析到均小于所述预设浮动值,则确定本端云计算模型开发单位的所述深度学习网络模型已处于训练预终止状态;
如果分析到不是均小于所述预设浮动值,则确定本端云计算模型开发单位的所述深度学习网络模型未进入所述训练预终止状态。
5.一种基于知识图谱的文物热点推送系统,其特征在于,包括:
处理器;
存储器,所述存储器中存储有计算机程序,所述计算机程序被执行时实现权利要求1-4中任意一项所述的基于知识图谱的文物热点推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210521545.1A CN114817737B (zh) | 2022-05-13 | 2022-05-13 | 一种基于知识图谱的文物热点推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210521545.1A CN114817737B (zh) | 2022-05-13 | 2022-05-13 | 一种基于知识图谱的文物热点推送方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114817737A CN114817737A (zh) | 2022-07-29 |
CN114817737B true CN114817737B (zh) | 2024-01-02 |
Family
ID=82515502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210521545.1A Active CN114817737B (zh) | 2022-05-13 | 2022-05-13 | 一种基于知识图谱的文物热点推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114817737B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122399A (zh) * | 2017-03-16 | 2017-09-01 | 中国科学院自动化研究所 | 基于公共文化知识图谱平台的综合推荐系统 |
CN109710935A (zh) * | 2018-12-26 | 2019-05-03 | 北京航空航天大学 | 一种基于文物知识图谱的博物馆导览与知识推荐方法 |
CN111177559A (zh) * | 2019-12-30 | 2020-05-19 | 中国联合网络通信集团有限公司 | 文旅服务推荐方法、装置、电子设备及存储介质 |
CN112085559A (zh) * | 2020-08-18 | 2020-12-15 | 山东大学 | 基于时序性知识图谱的可解释商品推荐方法及系统 |
CN112559764A (zh) * | 2020-12-10 | 2021-03-26 | 北京中视广信科技有限公司 | 一种基于领域知识图谱的内容推荐方法 |
WO2022033072A1 (zh) * | 2020-08-12 | 2022-02-17 | 哈尔滨工业大学 | 一种面向知识图谱表示学习训练的局部训练方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345702A (zh) * | 2018-04-10 | 2018-07-31 | 北京百度网讯科技有限公司 | 实体推荐方法和装置 |
US11366812B2 (en) * | 2019-06-25 | 2022-06-21 | Google Llc | Using live data streams and/or search queries to determine information about developing events |
CN111753198B (zh) * | 2020-06-22 | 2024-01-12 | 北京百度网讯科技有限公司 | 信息推荐方法和装置、以及电子设备和可读存储介质 |
-
2022
- 2022-05-13 CN CN202210521545.1A patent/CN114817737B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122399A (zh) * | 2017-03-16 | 2017-09-01 | 中国科学院自动化研究所 | 基于公共文化知识图谱平台的综合推荐系统 |
CN109710935A (zh) * | 2018-12-26 | 2019-05-03 | 北京航空航天大学 | 一种基于文物知识图谱的博物馆导览与知识推荐方法 |
CN111177559A (zh) * | 2019-12-30 | 2020-05-19 | 中国联合网络通信集团有限公司 | 文旅服务推荐方法、装置、电子设备及存储介质 |
WO2022033072A1 (zh) * | 2020-08-12 | 2022-02-17 | 哈尔滨工业大学 | 一种面向知识图谱表示学习训练的局部训练方法 |
CN112085559A (zh) * | 2020-08-18 | 2020-12-15 | 山东大学 | 基于时序性知识图谱的可解释商品推荐方法及系统 |
CN112559764A (zh) * | 2020-12-10 | 2021-03-26 | 北京中视广信科技有限公司 | 一种基于领域知识图谱的内容推荐方法 |
Non-Patent Citations (1)
Title |
---|
文物知识图谱的构建与应用探讨;刘绍南;杨鸿波;侯霞;;中国博物馆(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114817737A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837550B (zh) | 基于知识图谱的问答方法、装置、电子设备及存储介质 | |
US10796244B2 (en) | Method and apparatus for labeling training samples | |
US20180121801A1 (en) | Method and device for classifying questions based on artificial intelligence | |
Goloboff et al. | TNT, a free program for phylogenetic analysis | |
US10387430B2 (en) | Geometry-directed active question selection for question answering systems | |
CN107590214B (zh) | 搜索关键词的推荐方法、装置及电子设备 | |
CN109299320A (zh) | 一种信息交互方法、装置、计算机设备和存储介质 | |
CN111382347A (zh) | 一种对象特征的处理和信息推送方法、装置和设备 | |
CN105224554A (zh) | 推荐搜索词进行搜索的方法、系统、服务器和智能终端 | |
CN109241243B (zh) | 候选文档排序方法及装置 | |
KR101977231B1 (ko) | 커뮤니티 검출 방법 및 커뮤니티 검출 프레임워크 장치 | |
CN112530516B (zh) | 一种代谢途径预测方法、系统、终端设备及可读存储介质 | |
CN113344016A (zh) | 深度迁移学习方法、装置、电子设备及存储介质 | |
CN105446704A (zh) | 一种着色器的解析方法和装置 | |
CN110895656B (zh) | 一种文本相似度计算方法、装置、电子设备及存储介质 | |
CN112148844A (zh) | 机器人的信息回复方法及装置 | |
CN114817737B (zh) | 一种基于知识图谱的文物热点推送方法及系统 | |
CN114490923A (zh) | 相似文本匹配模型的训练方法、装置、设备及存储介质 | |
CN117370523A (zh) | 大语言模型应用服务方法及装置 | |
CN114564523B (zh) | 针对智慧虚拟场景的大数据漏洞分析方法及云端ai系统 | |
EP4068163A1 (en) | Using multiple trained models to reduce data labeling efforts | |
US20210073580A1 (en) | Method and apparatus for obtaining product training images, and non-transitory computer-readable storage medium | |
CN116882510A (zh) | 一种业务系统配置参数获取方法以及相关设备 | |
CN110309139B (zh) | 高维近邻对搜索方法和系统 | |
CN112541548A (zh) | 关系网络的生成方法、装置、计算机设备及存储介质 |
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 |