CN115098792B - 展品推荐方法、装置、计算机可读存储介质及电子设备 - Google Patents
展品推荐方法、装置、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN115098792B CN115098792B CN202211029434.5A CN202211029434A CN115098792B CN 115098792 B CN115098792 B CN 115098792B CN 202211029434 A CN202211029434 A CN 202211029434A CN 115098792 B CN115098792 B CN 115098792B
- Authority
- CN
- China
- Prior art keywords
- target
- exhibit
- space
- information
- score
- 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
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
- G06F16/30—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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种展品推荐方法、装置、计算机可读存储介质及电子设备。涉及人工智能领域,该方法包括:获取当前对象在目标区域内参观至少一个已参观展品时所生成的时空交互信息;基于时空交互信息,确定时空交互分数;根据时空交互信息以及时空交互分数,通过目标预测模型预测当前对象与目标区域内至少一个待参观展品之间的目标分数。本发明解决了现有技术中给相关展区内的游客推荐展品的推荐准确度低的技术问题。
Description
技术领域
本发明涉及人工智能领域,具体而言,涉及一种展品推荐方法、装置、计算机可读存储介质及电子设备。
背景技术
随着智能设备在各个领域的普及,使得展品推荐功能在导览设备中的部署成为可能。目前的传统推荐算法,诸如协同过滤(CF,Collaborative Filtering)、基于内容的推荐(CB,Content-based Recommendations)和CF+CB的混合推荐算法,都存在着很多弊端,例如冷启动问题、稀疏问题、关联程度低和可解释性较差等。同时,相关推荐算法往往仅基于对用户在终端设备上的线上行为进行分析来给出推荐,存在参考因素单一的问题。由此,使得现有技术中存在给相关展区(如:博物馆、展销会等)内的游客推荐展品的推荐准确度低的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种展品推荐方法、装置、计算机可读存储介质及电子设备,以至少解决现有技术中给相关展区内的游客推荐展品的推荐准确度低的技术问题。
根据本发明实施例的一个方面,提供了一种展品推荐方法,包括:获取当前对象在目标区域内参观至少一个已参观展品时所生成的时空交互信息,其中,时空交互信息包括当前对象参观至少一个已参观展品时的位置信息、时间信息以及在终端设备上进行操作的交互信息;基于时空交互信息,确定时空交互分数,其中,时空交互分数表征当前对象与至少一个已参观展品的关联程度;根据时空交互信息以及时空交互分数,通过目标预测模型预测当前对象与目标区域内至少一个待参观展品之间的目标分数,其中,目标预测模型为至少基于目标知识图谱训练得到的,目标知识图谱为基于目标区域内的展品的展品信息所构建的,目标分数表征当前对象参观待参观展品的概率;基于目标分数从至少一个待参观展品中确定推荐当前对象参观的目标展品。
进一步地,展品推荐方法还包括:将时空交互信息转换为时空交互矩阵;基于时空交互矩阵,确定时空交互分数。
进一步地,展品推荐方法还包括:根据时空交互矩阵,通过目标预测模型,提取当前对象的行为特征;根据关系分数、行为特征以及时空交互分数,通过目标预测模型,预测当前对象与目标区域内至少一个待参观展品之间的目标分数,其中,关系分数为对目标知识图谱进行图嵌入计算得到的。
进一步地,展品推荐方法还包括:基于目标区域内的展品的展品信息构建目标知识图谱;基于目标知识图谱训练初始模型,得到第一目标模型,并将第一目标模型作为目标预测模型。
进一步地,展品推荐方法还包括:基于目标区域内的展品的展品信息,确定至少一个展品中每个展品所对应的至少一个特征信息;基于至少一个展品中每个展品所对应的至少一个特征信息,确定连接于初始知识图谱中的节点之间的边,其中,节点与展品一一对应;基于边和初始知识图谱,构建目标知识图谱。
进一步地,展品推荐方法还包括:在基于目标知识图谱训练初始模型,得到第一目标模型之后,基于多个历史对象的历史时空交互信息构建训练样本集;基于训练样本集训练第一目标模型,得到第二目标模型,并将第二目标模型作为目标预测模型。
进一步地,展品推荐方法还包括:在基于训练样本集训练第一目标模型,得到第二目标模型之后,若检测到展品信息更新,则基于更新后的展品信息更新目标知识图谱;基于更新后的目标知识图谱以及目标训练样本集训练第二目标模型,得到第三目标模型,并将第三目标模型作为目标预测模型,其中,目标训练样本集为基于目标时空交互信息构建的,目标时空交互信息为目标对象生成的,目标对象为在展品信息更新后参观展品的对象。
根据本发明实施例的另一方面,还提供了一种展品推荐装置,获取模块,用于获取当前对象在目标区域内参观至少一个已参观展品时所生成的时空交互信息,其中,时空交互信息包括当前对象参观至少一个已参观展品时的位置信息、时间信息以及在终端设备上进行操作的交互信息;第一确定模块,用于基于时空交互信息,确定时空交互分数,其中,时空交互分数表征当前对象与至少一个已参观展品的关联程度;预测模块,用于根据时空交互信息以及时空交互分数,通过目标预测模型预测当前对象与目标区域内至少一个待参观展品之间的目标分数,其中,目标预测模型为至少基于目标知识图谱训练得到的,目标知识图谱为基于目标区域内的展品的展品信息所构建的,目标分数表征当前对象参观待参观展品的概率;第二确定模块,用于基于目标分数从至少一个待参观展品中确定推荐当前对象参观的目标展品。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的展品推荐方法。
根据本发明实施例的另一方面,还提供了一种电子设备,电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的展品推荐方法。
在本发明实施例中,采用基于当前对象参观至少一个已参观展品时的时空交互信息以及展品信息,为当前对象推荐待参观展品的方式,通过获取当前对象在目标区域内参观至少一个已参观展品时所生成的时空交互信息,然后基于时空交互信息,确定时空交互分数,从而根据时空交互信息以及时空交互分数,通过目标预测模型预测当前对象与目标区域内至少一个待参观展品之间的目标分数。其中,时空交互信息包括当前对象参观至少一个已参观展品时的位置信息、时间信息以及在终端设备上进行操作的交互信息,时空交互分数表征当前对象与至少一个已参观展品的关联程度,目标预测模型为至少基于目标知识图谱训练得到的,目标知识图谱为基于目标区域内的展品的展品信息所构建的,目标分数表征当前对象参观待参观展品的概率。
在上述过程中,通过基于时空交互信息,确定时空交互分数,实现了在结合时间因素和空间因素的基础上,对当前对象对至少一个已参观展品的兴趣程度的确定,从而使得在后续确定推荐当前对象参观的目标展品时,推荐结果实现了对当前对象所处位置的考量,从而提高了推荐准确度。进一步地,由于目标知识图谱为基于目标区域内的展品的展品信息所构建的,因此,通过采用目标知识图谱训练得到的目标预测模型对当前对象参观待参观展品的概率进行预测,实现了对展品的特征信息的结合,从而更进一步地提高了推荐准确度,实现了对目标展品的有效确定。
由此可见,本申请所提供的方案达到了基于当前对象参观至少一个已参观展品时的时空交互信息以及展品信息,为当前对象推荐待参观展品的目的,从而实现了提高推荐准确度的技术效果,进而解决了现有技术中给相关展区内的游客推荐展品的推荐准确度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的展品推荐方法的示意图;
图2是根据本发明实施例的一种可选的展品推荐系统的示意图;
图3是根据本发明实施例的一种可选的第一目标模型的训练及应用示意图;
图4是根据本发明实施例的一种可选的第二目标模型的训练及应用示意图;
图5是根据本发明实施例的一种可选的第三目标模型的训练及应用示意图;
图6是根据本发明实施例的一种可选的展品推荐装置的示意图;
图7是根据本发明实施例的一种可选的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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,以便这里描述的本发明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。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
实施例1
根据本发明实施例,提供了一种展品推荐方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的展品推荐方法的示意图,如图1所示,该方法包括如下步骤:
步骤S102,获取当前对象在目标区域内参观至少一个已参观展品时所生成的时空交互信息,其中,时空交互信息包括当前对象参观至少一个已参观展品时的位置信息、时间信息以及在终端设备上进行操作的交互信息。
在步骤S102中,可以通过电子设备、服务器、工作站、应用系统等装置获取当前对象在目标区域内参观至少一个已参观展品时所生成的时空交互信息,在本申请中,通过如图2所示的展品推荐系统获取前述的时空交互信息,展品推荐系统至少包括目标预测模型,还可以包括定位服务器以及实体关系数据库。可选的,前述的当前对象可以是游客,前述的目标区域可以是相关展区(如:博物馆、展销会等)中的区域。
可选的,展品推荐系统可以通过定位服务器,依据当前对象所持有的如图2所示的终端设备,确定当前对象在目标区域内参观某一展品时的时间信息和位置信息。其中,终端设备可以与如图2所示的定位服务器进行信息交互以传递位置信息,位置信息可以是该被参观的展品的位置信息,也可以是目标对象当前所处位置的位置信息。此外,展品推荐系统还可以获取当前对象在持有的终端设备进行点击、浏览、收藏、收听等操作时所生成的交互信息。其中,前述的终端设备包括但不限于智能手机、智能佩戴设备、台式电脑、笔记本电脑、平板电脑等,定位服务器可以采用工作站或电子设备等装置替代。
进一步地,当获取到了前述的时空交互信息后,展品推荐系统可以对所获取的时空交互信息进行数据清洗,以提高时空交互信息的有效性。
步骤S104,基于时空交互信息,确定时空交互分数,其中,时空交互分数表征当前对象与至少一个已参观展品的关联程度。
在步骤S104中,展品推荐系统可以将时空交互信息转换为时空交互矩阵,然后利用神经网络模型,对时空交互矩阵进行降噪处理,并计算得到时空交互得分,其中,前述的神经网络模型可以是长短期记忆网络(LSTM,Long Short-Term Memory)模型。可选的,展品推荐系统也可以基于其它计算模型,对时空交互信息进行处理,以计算得到时空交互分数。
其中,前述的时空交互分数与展品一一对应,每个展品所对应的时空交互分数用于表征在结合了时间因素和空间因素基础上,当前对象对该展品的兴趣程度,也即前述的表征当前对象与至少一个已参观展品的关联程度。例如,目标区域内设置有A、B、C三个展品,A展品与B展品距离更近,C展品相较于A展品距离较远,当当前对象参观完A展品时,当前对象相较于B展品更想去参观C展品,但是,由于B展品距离A展品更近,当前对象选择先去参观B展品再去参观C展品,则在此情况下,B展品所对应的时空交互分数高于C展品,但并不表征当前对象对B展品的兴趣程度绝对高于C展品。
需要说明的是,通过基于时空交互信息,确定时空交互分数,实现了在结合时间因素和空间因素的基础上,对当前对象对至少一个已参观展品的兴趣程度的确定,从而使得在后续确定推荐当前对象参观的目标展品时,推荐结果实现了对当前对象所处位置的考量,从而提高了推荐准确度。
步骤S106,根据时空交互信息以及时空交互分数,通过目标预测模型预测当前对象与目标区域内至少一个待参观展品之间的目标分数,其中,目标预测模型为至少基于目标知识图谱训练得到的,目标知识图谱为基于目标区域内的展品的展品信息所构建的,目标分数表征当前对象参观待参观展品的概率。
可选的,在确定目标分数之前,展品推荐系统可以根据目标区域内展品的展品信息构建目标知识图谱,目标知识图谱可以包括展品名称及其相关属性,且目标知识图谱中的节点与展品一一对应,节点之间的边基于展品的相关属性(也即特征信息)确定,以目标区域为博物馆内的区域为例,前述的相关属性可以是展品的所属朝代、器型、形状等。
进一步地,展品推荐系统可以至少基于目标知识图谱训练初始模型,得到目标预测模型。并可以将时空交互信息转换为时空交互矩阵,然后将时空交互矩阵与时空交互分数输入到目标预测模型中,从而通过目标预测模型预测当前对象与目标区域内至少一个待参观展品之间的目标分数,其中,目标分数与待参观展品一一对应,目标分数表征了当前对象处于当前地点时,对待参观展品的感兴趣程度,也即前述的表征当前对象参观待参观展品的概率。
需要说明的是,由于目标知识图谱为基于目标区域内的展品的展品信息所构建的,因此,通过采用目标知识图谱训练得到的目标预测模型对当前对象参观待参观展品的概率进行预测,实现了对展品的特征信息的结合,从而更进一步地提高了推荐准确度。
步骤S108,基于目标分数从至少一个待参观展品中确定推荐当前对象参观的目标展品。
在步骤S108中,展品推荐系统可以将目标分数最高的待参观展品确定为推荐给当前对象参观的目标展品,从而可以有效提高当前对象游览的兴趣度、关注度以及延长游客在目标区域内的参观时间等。同时,展品推荐系统还可以向当前对象指示目标展品所处的位置,从而帮助当前对象快速找到目标展品,减少当前对象的无效游览时长,提高用户体验。
基于上述步骤S102至步骤S108所限定的方案,可以获知,在本发明实施例中,采用基于当前对象参观至少一个已参观展品时的时空交互信息以及展品信息,为当前对象推荐待参观展品的方式,通过获取当前对象在目标区域内参观至少一个已参观展品时所生成的时空交互信息,然后基于时空交互信息,确定时空交互分数,从而根据时空交互信息以及时空交互分数,通过目标预测模型预测当前对象与目标区域内至少一个待参观展品之间的目标分数。其中,时空交互信息包括当前对象参观至少一个已参观展品时的位置信息、时间信息以及在终端设备上进行操作的交互信息,时空交互分数表征当前对象与至少一个已参观展品的关联程度,目标预测模型为至少基于目标知识图谱训练得到的,目标知识图谱为基于目标区域内的展品的展品信息所构建的,目标分数表征当前对象参观待参观展品的概率。
容易注意到的是,在上述过程中,通过基于时空交互信息,确定时空交互分数,实现了在结合时间因素和空间因素的基础上,对当前对象对至少一个已参观展品的兴趣程度的确定,从而使得在后续确定推荐当前对象参观的目标展品时,推荐结果实现了对当前对象所处位置的考量,从而提高了推荐准确度。进一步地,由于目标知识图谱为基于目标区域内的展品的展品信息所构建的,因此,通过采用目标知识图谱训练得到的目标预测模型对当前对象参观待参观展品的概率进行预测,实现了对展品的特征信息的结合,从而更进一步地提高了推荐准确度,实现了对目标展品的有效确定。
由此可见,本申请所提供的方案达到了基于当前对象参观至少一个已参观展品时的时空交互信息以及展品信息,为当前对象推荐待参观展品的目的,从而实现了提高推荐准确度的技术效果,进而解决了现有技术中给相关展区内的游客推荐展品的推荐准确度低的技术问题。
在一种可选的实施例中,在基于时空交互信息,确定时空交互分数的过程中,展品推荐系统可以将时空交互信息转换为时空交互矩阵,以表示当前对象在目标区域内参观至少一个已参观展品中的每个展品时所对应的位置信息、时间信息以及交互信息,之后,展品推荐系统可以将时空交互矩阵输入至LSTM神经网络模型中进行降噪处理,并计算得到时空交互分数。
需要说明的是,通过将时空交互信息转换为时空交互矩阵,便于将其输入到相关神经网络模型中进行处理,从而便于提高时空交互分数的准确性。
在一种可选的实施例中,在根据时空交互信息以及时空交互分数,通过目标预测模型预测当前对象与目标区域内至少一个待参观展品之间的目标分数的过程中,展品推荐系统可以根据时空交互矩阵,通过目标预测模型,提取当前对象的行为特征,从而根据关系分数、行为特征以及时空交互分数,通过目标预测模型,预测当前对象与目标区域内至少一个待参观展品之间的目标分数,其中,关系分数为对目标知识图谱进行图嵌入计算得到的。
可选的,展品推荐系统可以在时空交互信息转换为时空交互矩阵之后,将得到的时空交互矩阵输入至目标预测模型,通过目标预测模型中的嵌入层提取当前对象的行为特征。其中,前述的目标预测模型可以是图神经网络模型。
进一步地,目标预测模型可以基于前述的行为特征、时空交互分数以及关系分数,预测当前对象与目标区域内至少一个待参观展品之间的目标分数。其中,关系分数为目标预测模型在训练过程中对目标知识图谱进行图嵌入计算得到的,关系分数用于表征目标知识图谱中的各节点所对应的展品与各相关属性之间的关联关系。
需要说明的是,通过基于时空交互信息确定当前对象的行为特征,并结合行为特征以及关系分数预测目标分数,实现了对目标分数更准确的计算。
在一种可选的实施例中,目标预测模型可以通过以下方法生成:展品推荐系统可以基于目标区域内的展品的展品信息构建目标知识图谱,然后基于目标知识图谱训练初始模型,得到第一目标模型,并将第一目标模型作为目标预测模型。
可选的,如图3所示,展品推荐系统可以先根据目标区域内展品的展品信息构建目标知识图谱,然后将构建好的目标知识图谱输入到初始模型中,对初始模型进行训练,从而得到训练好的第一目标模型,且在训练过程中,第一目标模型可以对目标知识图谱进行图嵌入计算得到关系卷积得分,以实现对目标知识图谱的学习,随着训练的不断迭代,关系卷积得分可以不断更新,以供应用时使用。其中,前述的初始模型可以为图神经网络模型。在目标预测模型的初期,由于关于参观展品的对象的时空交互信息较少,因此,可以将第一目标模型作为目标预测模型进行应用,以对当前对象对应的时空交互信息以及时空交互分数基于前述的方法进行分析,得到目标分数,从而实现冷启动推荐,避免了现有技术中CF、CB等推荐算法存在的冷启动问题,提高了本申请的适用性。此外,在应用过程中,通过采用图神经网络对知识图谱和游客行为进行特征提取,相比于其他的卷积网络模型,该网络可以更好的提取图谱当中的路径以及计算权重信息,从而可以得到对相关特征学习和提取的更优效果。
在一种可选的实施例中,在基于目标区域内的展品的展品信息构建目标知识图谱的过程中,展品推荐系统可以基于目标区域内的展品的展品信息,确定至少一个展品中每个展品所对应的至少一个特征信息,然后基于至少一个展品中每个展品所对应的至少一个特征信息,确定连接于初始知识图谱中的节点之间的边,从而基于边和初始知识图谱,构建目标知识图谱,其中,节点与展品一一对应。
可选的,展品推荐系统可以从如图2所示的实体关系数据库中获取目标区域内的每个展品的展品信息,从而基于目标区域内的每个展品的展品信息,确定该展品的相关属性(也即特征信息),即前述的展品的所属朝代、器型、形状等属性。之后,展品推荐系统可以将存在相同属性的展品所对应的节点相连,从而实现对连接于初始知识图谱中的节点之间的边的确定,进而实现对目标知识图谱的构建。
需要说明的是,通过结合展品的特征信息构建目标知识图谱,使得目标知识图谱能够准确的反映展品的特征信息以及展品之间的关联关系,从而更进一步地提高展品推荐的准确性。
在一种可选的实施例中,在基于目标知识图谱训练初始模型,得到第一目标模型之后,展品推荐系统还可以基于多个历史对象的历史时空交互信息构建训练样本集,从而基于训练样本集训练第一目标模型,得到第二目标模型,并将第二目标模型作为目标预测模型。
可选的,随着参观展品的游客的不断增长,游客的时空交互信息的不断丰富,如图4所示,展品推荐系统可以在第一目标模型应用了预设的时间长度之后,基于所收集到的游客(也即历史对象)所对应的时空交互信息(也即历史时空交互信息)构建训练样本集,并基于训练样本集和目标知识图谱训练第一目标模型,通过损失函数反向传播更新第一目标模型,得到第二目标模型,从而将第二目标模型作为目标预测模型进行应用,以对当前对象对应的时空交互信息以及时空交互分数基于前述的方法进行分析,得到目标分数。
需要说明的是,随着游客参观展品的行为的不断输入,模型可以不断的更新和迭代,从而使得其推荐效果也会随之越来越高。此外,通过采用目标知识图谱、时空交互信息训练第一目标模型,使得模型可以学习到游客在时间上、位置上与展品的交互信息、游客的交互模式、参观路线特征,位置变化信息等,从而使得得到的第二目标模型具有可解释性,推荐结果具备空间上的准确性,进而让游客可以在路线上更合理、更有效的参观到感兴趣的展品。
在一种可选的实施例中,在基于训练样本集训练第一目标模型,得到第二目标模型之后,若检测到展品信息更新,则展品推荐系统可以基于更新后的展品信息更新目标知识图谱,并基于更新后的目标知识图谱以及目标训练样本集训练第二目标模型,得到第三目标模型,并将第三目标模型作为目标预测模型,其中,目标训练样本集为基于目标时空交互信息构建的,目标时空交互信息为目标对象生成的,目标对象为在展品信息更新后参观展品的对象。
可选的,如图5所示,当展品推荐系统检测到目标区域内的展品的位置、数量或是名称发生了改变时,其可以基于更新后的展品信息更新目标知识图谱,并在完成对目标知识图谱的更新后,继续收集参观目标区域内的展品的游客(也即目标对象)的时空交互信息,并在时空交互信息达到一定数量或是收集时间达到一定时间长度时,基于所新收集的时空交互信息构建目标训练样本集,然后基于目标训练样本集和更新后的目标知识图谱对第二目标模型进行训练,从而得到第三目标模型,并将第三目标模型作为目标预测模型进行应用,以对当前对象对应的时空交互信息以及时空交互分数基于前述的方法进行分析,得到目标分数。
可选的,若目标知识图谱不需要更新,则展品推荐系统也可以在得到了第二目标模型之后,当新收集的时空交互信息达到一定数量或是收集时间达到一定时间长度时,构建新的训练样本集,并对第二目标模型进行训练,得到第四目标模型,从而将第四目标模型作为目标预测模型进行应用。需要强调的是,前述的第二目标模型、第三目标模型以及第四目标模型在训练过程中,可以同时结合时空交互信息对目标知识图谱所对应的关系卷积得分进行更新,以提高推荐准确度,且前述的第一目标模型、第二目标模型、第三目标模型以及第四目标模型基于时空交互信息确定目标分数的方法与前述目标预测模型确定目标分数的方法相同,故此处不再赘述。
需要说明的是,随着展品的更新和游客行为数据的不断积累,一方面,展品推荐系统可以控制前述的各目标模型自动迭代和学习,而不需要人工调节模型参数,从而降低了人工成,另一方面,前述的各目标模型可以不断地学习新增的特征,保证推荐结果的精确性和稳定性。
实施例2
根据本发明实施例,提供了一种展品推荐装置的实施例,其中,图6是根据本发明实施例的一种可选的展品推荐装置的示意图,如图6所示,该装置包括:
获取模块602,用于获取当前对象在目标区域内参观至少一个已参观展品时所生成的时空交互信息,其中,时空交互信息包括当前对象参观至少一个已参观展品时的位置信息、时间信息以及在终端设备上进行操作的交互信息;
第一确定模块604,用于基于时空交互信息,确定时空交互分数,其中,时空交互分数表征当前对象与至少一个已参观展品的关联程度;
预测模块606,用于根据时空交互信息以及时空交互分数,通过目标预测模型预测当前对象与目标区域内至少一个待参观展品之间的目标分数,其中,目标预测模型为至少基于目标知识图谱训练得到的,目标知识图谱为基于目标区域内的展品的展品信息所构建的,目标分数表征当前对象参观待参观展品的概率;
第二确定模块608,用于基于目标分数从至少一个待参观展品中确定推荐当前对象参观的目标展品。
需要说明的是,上述获取模块602、第一确定模块604、预测模块606以及第二确定模块608对应于上述实施例中的步骤S102至步骤S108,四个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
可选的,第一确定模块还包括:转换模块,用于将时空交互信息转换为时空交互矩阵;第一确定子模块,用于基于时空交互矩阵,确定时空交互分数。
可选的,预测模块还包括:提取模块,用于根据时空交互矩阵,通过目标预测模型,提取当前对象的行为特征;预测子模块,用于根据关系分数、行为特征以及时空交互分数,通过目标预测模型,预测当前对象与目标区域内至少一个待参观展品之间的目标分数,其中,关系分数为对目标知识图谱进行图嵌入计算得到的。
可选的,展品推荐装置还包括:第一构建模块,用于基于目标区域内的展品的展品信息构建目标知识图谱;第一训练模块,用于基于目标知识图谱训练初始模型,得到第一目标模型,并将第一目标模型作为目标预测模型。
可选的,构建模块还包括:第二确定子模块,用于基于目标区域内的展品的展品信息,确定至少一个展品中每个展品所对应的至少一个特征信息;第三确定子模块,用于基于至少一个展品中每个展品所对应的至少一个特征信息,确定连接于初始知识图谱中的节点之间的边,其中,节点与展品一一对应;构建子模块,用于基于边和初始知识图谱,构建目标知识图谱。
可选的,展品推荐装置还包括:第二构建模块,用于基于多个历史对象的历史时空交互信息构建训练样本集;第二训练模块,用于基于训练样本集训练第一目标模型,得到第二目标模型,并将第二目标模型作为目标预测模型。
可选的,展品推荐装置还包括:更新模块,用于若检测到展品信息更新,则基于更新后的展品信息更新目标知识图谱;第三训练模块,用于基于更新后的目标知识图谱以及目标训练样本集训练第二目标模型,得到第三目标模型,并将第三目标模型作为目标预测模型,其中,目标训练样本集为基于目标时空交互信息构建的,目标时空交互信息为目标对象生成的,目标对象为在展品信息更新后参观展品的对象。
实施例3
根据本发明实施例的另一方面,还提供了计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的展品推荐方法。
实施例4
根据本发明实施例的另一方面,还提供了一种电子设备,其中,图7是根据本发明实施例的一种可选的电子设备的示意图,如图7所示,电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的展品推荐方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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,在本发明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。
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,本发明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,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种展品推荐方法,其特征在于,包括:
获取当前对象在目标区域内参观至少一个已参观展品时所生成的时空交互信息,其中,所述时空交互信息包括所述当前对象参观所述至少一个已参观展品时的位置信息、时间信息以及在终端设备上进行操作的交互信息;
基于所述时空交互信息,确定时空交互分数,其中,每个展品所对应的时空交互分数用于表征在结合了时间因素和空间因素的基础上,当前对象对该展品的兴趣程度;
根据所述时空交互信息以及所述时空交互分数,通过目标预测模型预测所述当前对象与所述目标区域内至少一个待参观展品之间的目标分数,其中,所述目标预测模型为至少基于目标知识图谱训练得到的,所述目标知识图谱为基于所述目标区域内的展品的展品信息所构建的,所述目标分数表征所述当前对象参观所述待参观展品的概率;
基于所述目标分数从所述至少一个待参观展品中确定推荐所述当前对象参观的目标展品;
其中,基于所述时空交互信息,确定时空交互分数,包括:
将所述时空交互信息转换为时空交互矩阵;
基于所述时空交互矩阵,确定所述时空交互分数;
其中,根据所述时空交互信息以及所述时空交互分数,通过目标预测模型预测所述当前对象与所述目标区域内至少一个待参观展品之间的目标分数,包括:
根据所述时空交互矩阵,通过所述目标预测模型,提取所述当前对象的行为特征;
根据关系分数、所述行为特征以及所述时空交互分数,通过所述目标预测模型,预测所述当前对象与所述目标区域内至少一个待参观展品之间的目标分数,其中,所述关系分数为对所述目标知识图谱进行图嵌入计算得到的,关系分数用于表征目标知识图谱中的各节点所对应的展品与该展品的特征信息之间的关联关系。
2.根据权利要求1所述的方法,其特征在于,所述目标预测模型,通过以下方法生成:
基于所述目标区域内的展品的展品信息构建所述目标知识图谱;
基于所述目标知识图谱训练初始模型,得到第一目标模型,并将所述第一目标模型作为所述目标预测模型。
3.根据权利要求2所述的方法,其特征在于,基于所述目标区域内的展品的展品信息构建所述目标知识图谱,包括:
基于所述目标区域内的展品的展品信息,确定至少一个展品中每个展品所对应的至少一个特征信息;
基于所述至少一个展品中每个展品所对应的至少一个特征信息,确定连接于初始知识图谱中的节点之间的边,其中,所述节点与所述展品一一对应;
基于所述边和所述初始知识图谱,构建所述目标知识图谱。
4.根据权利要求2所述的方法,其特征在于,在基于所述目标知识图谱训练初始模型,得到第一目标模型之后,所述方法还包括:
基于多个历史对象的历史时空交互信息构建训练样本集;
基于所述训练样本集训练所述第一目标模型,得到第二目标模型,并将所述第二目标模型作为所述目标预测模型。
5.根据权利要求4所述的方法,其特征在于,在基于所述训练样本集训练所述第一目标模型,得到第二目标模型之后,所述方法还包括:
若检测到展品信息更新,则基于更新后的展品信息更新所述目标知识图谱;
基于更新后的目标知识图谱以及目标训练样本集训练所述第二目标模型,得到第三目标模型,并将所述第三目标模型作为所述目标预测模型,其中,所述目标训练样本集为基于目标时空交互信息构建的,所述目标时空交互信息为目标对象生成的,所述目标对象为在所述展品信息更新后参观所述展品的对象。
6.一种展品推荐装置,其特征在于,包括:
获取模块,用于获取当前对象在目标区域内参观至少一个已参观展品时所生成的时空交互信息,其中,所述时空交互信息包括所述当前对象参观所述至少一个已参观展品时的位置信息、时间信息以及在终端设备上进行操作的交互信息;
第一确定模块,用于基于所述时空交互信息,确定时空交互分数,其中,每个展品所对应的时空交互分数用于表征在结合了时间因素和空间因素的基础上,当前对象对该展品的兴趣程度;
预测模块,用于根据所述时空交互信息以及所述时空交互分数,通过目标预测模型预测所述当前对象与所述目标区域内至少一个待参观展品之间的目标分数,其中,所述目标预测模型为至少基于目标知识图谱训练得到的,所述目标知识图谱为基于所述目标区域内的展品的展品信息所构建的,所述目标分数表征所述当前对象参观所述待参观展品的概率;
第二确定模块,用于基于所述目标分数从所述至少一个待参观展品中确定推荐所述当前对象参观的目标展品;
转换模块,用于将所述时空交互信息转换为时空交互矩阵;
第一确定子模块,用于基于所述时空交互矩阵,确定所述时空交互分数;
提取模块,用于根据所述时空交互矩阵,通过所述目标预测模型,提取所述当前对象的行为特征;
预测子模块,用于根据关系分数、所述行为特征以及所述时空交互分数,通过所述目标预测模型,预测所述当前对象与所述目标区域内至少一个待参观展品之间的目标分数,其中,所述关系分数为对所述目标知识图谱进行图嵌入计算得到的,关系分数用于表征目标知识图谱中的各节点所对应的展品与该展品的特征信息之间的关联关系。
7.一种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中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的展品推荐方法。
8.一种电子设备,其特征在于,所述电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现用于运行程序,其中,所述程序被设置为运行时执行所述权利要求1至5任一项中所述的展品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211029434.5A CN115098792B (zh) | 2022-08-26 | 2022-08-26 | 展品推荐方法、装置、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211029434.5A CN115098792B (zh) | 2022-08-26 | 2022-08-26 | 展品推荐方法、装置、计算机可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115098792A CN115098792A (zh) | 2022-09-23 |
CN115098792B true CN115098792B (zh) | 2022-11-08 |
Family
ID=83300961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211029434.5A Active CN115098792B (zh) | 2022-08-26 | 2022-08-26 | 展品推荐方法、装置、计算机可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115098792B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2855008A1 (en) * | 2011-11-17 | 2013-05-23 | Facebook, Inc. | Targeting advertisements to users of a social networking system based on events |
CN107657015A (zh) * | 2017-09-26 | 2018-02-02 | 北京邮电大学 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
CN110335077A (zh) * | 2019-07-02 | 2019-10-15 | 上海三菱电梯有限公司 | 商家推荐方法及装置 |
CN112380462A (zh) * | 2020-11-29 | 2021-02-19 | 龙马智芯(珠海横琴)科技有限公司 | 参展路径规划方法、装置、服务器及计算机可读存储介质 |
-
2022
- 2022-08-26 CN CN202211029434.5A patent/CN115098792B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2855008A1 (en) * | 2011-11-17 | 2013-05-23 | Facebook, Inc. | Targeting advertisements to users of a social networking system based on events |
CN107657015A (zh) * | 2017-09-26 | 2018-02-02 | 北京邮电大学 | 一种兴趣点推荐方法、装置、电子设备及存储介质 |
CN110335077A (zh) * | 2019-07-02 | 2019-10-15 | 上海三菱电梯有限公司 | 商家推荐方法及装置 |
CN112380462A (zh) * | 2020-11-29 | 2021-02-19 | 龙马智芯(珠海横琴)科技有限公司 | 参展路径规划方法、装置、服务器及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115098792A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8577962B2 (en) | Server apparatus, client apparatus, content recommendation method, and program | |
CN105677765B (zh) | 给用户推荐期望的功能序列的方法及系统 | |
JP5248915B2 (ja) | Gps追跡及び周知な近傍目的地からのユーザの行動趣向の学習 | |
CN109902224A (zh) | 基于用户行为分析的房源推荐方法、装置、设备和介质 | |
Adams et al. | Sensing and using social context | |
CN109903127A (zh) | 一种群组推荐方法、装置、存储介质及服务器 | |
CN112100221B (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
CN113343127B (zh) | 一种旅游路线推荐方法、系统、服务器及存储介质 | |
CN114936301B (zh) | 智能家居建材数据的管理方法、装置、设备及存储介质 | |
CN107885873A (zh) | 用于输出信息的方法和装置 | |
CN110191183A (zh) | 精准智能推送方法、系统、装置及计算机可读存储介质 | |
CN110909258B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN107977678A (zh) | 用于输出信息的方法和装置 | |
CN111695046A (zh) | 基于时空移动数据表征学习的用户画像推断方法及装置 | |
CN111090686A (zh) | 数据处理方法、装置、服务器和存储介质 | |
CN114862010A (zh) | 一种基于时空数据的流量确定方法、装置、设备和介质 | |
CN110633401A (zh) | 一种门店数据的预测模型及其建立方法 | |
CN114281976A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN115098792B (zh) | 展品推荐方法、装置、计算机可读存储介质及电子设备 | |
CN111488887B (zh) | 基于人工智能的图像处理方法、装置 | |
JP6896594B2 (ja) | 楽曲選択装置、楽曲選択方法及びプログラム | |
CN113961693A (zh) | 搜索结果推荐方法及装置、电子设备及可读存储介质 | |
KR100918167B1 (ko) | 사용자 성향 데이터를 이용한 사용자 프로파일 학습 방법 | |
CN112395490B (zh) | 用于生成信息的方法和装置 | |
CN110196891B (zh) | 街区类型的确定方法、装置、存储介质及电子装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |