CN115545822A - 产品属性推荐方法和装置、计算机存储介质、电子设备 - Google Patents
产品属性推荐方法和装置、计算机存储介质、电子设备 Download PDFInfo
- Publication number
- CN115545822A CN115545822A CN202211144790.1A CN202211144790A CN115545822A CN 115545822 A CN115545822 A CN 115545822A CN 202211144790 A CN202211144790 A CN 202211144790A CN 115545822 A CN115545822 A CN 115545822A
- Authority
- CN
- China
- Prior art keywords
- attribute
- product
- graph
- characteristic
- target product
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims description 87
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开是关于一种产品属性推荐方法和装置、计算机存储介质、电子设备,涉及计算机技术领域,该方法包括:获取目标产品以及所述目标产品的属性,根据所述目标产品的属性,生成所述目标产品的产品异构图以及产品属性图;将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性;通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性。本公开提高了产品属性推荐的准确性。
Description
技术领域
本公开实施例涉及计算机技术领域,具体而言,涉及一种产品属性推荐方法、产品属性推荐装置、计算机存储介质以及电子设备。
背景技术
当公司生产的产品需要售卖时,需要为产品设计属性,即,从产品的全局属性中选择能够表达产品的属性,以供受理人员在受理用户业务时使用。其中,产品为利用公司提供的实物或通信功能、信息、服务的单元。
在接入类产品中,产品属性多达上百条,在配置过程中,需要配置人员熟悉产品体系以及产品属性,对配置人员的专业能力要求较高,并且需要在众多全局属性中进行选择,导致配置人员的工作量较大。
因此,需要提供一种新的产品属性推荐方法。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种产品属性推荐方法、产品属性推荐装置、计算机可读存储介质以及电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的配置人员需要在众多全局属性中进行选择与产品对应的属性,需要耗费大量人力以及时间资源的问题。
根据本公开的一个方面,提供一种产品属性推荐方法,包括:
获取目标产品以及所述目标产品的属性,根据所述目标产品的属性,生成所述目标产品的产品异构图以及产品属性图;
将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性;
通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性。
在本公开的一种示例性实施例中,根据所述目标产品的属性,生成所述目标产品的产品异构图,包括:
获取所述目标产品的属性中的全局属性;
获取所述全局属性中包括的所述目标产品的从属产品、与所述目标产品关联的服务以及与所述服务对应的属性;
根据所述目标产品、所述从属产品、与所述目标产品关联的服务以及与所述服务对应的属性,生成所述目标产品的产品异构图。
在本公开的一种示例性实施例中,根据所述目标产品的属性,生成所述目标产品的产品属性图,包括:
获取所述目标产品的属性中包括的所述目标产品的产品属性;
根据所述目标产品以及所述目标产品的产品属性生成所述目标产品的产品属性图。
在本公开的一种示例性实施例中,将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性,包括:
获取所述产品异构图的第一图信息,将所述第一图信息输入至所述图卷积神经网络中,得到所述产品异构图的第一特征属性;
获取所述产品属性图的第二图信息,将所述第二图信息输入至所述图卷积神经网络中,得到所述产品属性图的第二特征属性。
在本公开的一种示例性实施例中,通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性,包括:
对所述第一特征属性与所述第二特征属性进行拼接,得到拼接特征矩阵;
将所述拼接特征矩阵输入至多层感知机中,通过所述多层感知机,得到输出特征矩阵;
通过所述输出特征矩阵,得到所述目标产品的推荐属性。
在本公开的一种示例性实施例中,对所述第一特征属性与所述第二特征属性进行拼接,得到拼接特征矩阵,包括:
获取所述第一特征属性,通过所述第一特征属性生成第一特征矩阵;
获取所述第二特征属性,通过所述第二特征属性生成第二特征矩阵;
对所述第一特征矩阵以及所述第二特征矩阵进行拼接,得到所述拼接特征矩阵。
在本公开的一种示例性实施例中,通过所述输出特征矩阵,得到所述目标产品的推荐属性,包括:
对所述第一特征矩阵以及所述输出特征矩阵进行内积计算,得到推荐属性矩阵;
获取与所述推荐属性矩阵中每一行的最大值对应的属性,将与所述推荐属性矩阵中每一行的最大值对应的属性确定为所述目标产品的推荐属性。
根据本公开的一个方面,提供一种产品属性推荐装置,包括:
图结构生成模块,用于获取目标产品以及所述目标产品的属性,根据所述目标产品的属性,生成所述目标产品的产品异构图以及产品属性图;
特征属性获取模块,用于将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性;
推荐属性获取模块,用于通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性。
根据本公开的一个方面,提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一示例性实施例所述的产品属性推荐方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任一示例性实施例所述的产品属性推荐方法。
本公开实施例提供的一种产品属性推荐方法,获取目标产品以及所述目标产品的属性,根据所述目标产品的属性,生成所述目标产品的产品异构图以及产品属性图;将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性;通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性;一方面,当获取到目标产品以及目标产品的属性之后,首先,根据目标产品的属性生成目标产品的产品异构图以及产品属性图,然后,将该产品异构图以及该产品属性图输入至图卷积神经网络中,得到第一特征属性以及第二特征属性,通过该图卷积神经网络增强了产品与属性间的特征表达,提高了目标产品属性推荐的准确性;另一方面,当得到第一特征属性以及第二特征属性之后,根据该第一特征属性以及该第二特征属性,得到目标产品的推荐属性,释放了配置人员的劳动力,同时提高了配置人员属性配置的效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示意性示出根据本公开示例实施例的一种产品属性推荐方法的流程图。
图2示意性示出根据本公开示例实施例的一种产品属性推荐系统的框图。
图3示意性示出根据本公开示例实施例的一种根据目标产品的属性,生成目标产品的产品异构图的方法流程图。
图4示意性示出根据本公开示例实施例的一种根据目标产品的属性,生成目标产品的产品属性图的方法流程图。
图5示意性示出根据本公开示例实施例的一种将产品异构图、产品属性图分别输入至图卷积神经网络中,得到产品异构图的第一特征属性、所述产品属性图的第二特征属性的方法流程图。
图6示意性示出根据本公开示例实施例的一种通过第一特征属性以及第二特征属性,得到目标产品的推荐属性的方法流程图。
图7示意性示出根据本公开示例实施例的一种对第一特征属性与第二特征属性进行拼接,得到拼接特征矩阵的方法流程图。
图8示意性示出根据本公开示例实施例的一种通过输出特征矩阵,得到目标产品的推荐属性的方法流程图。
图9示意性示出根据本公开示例实施例的一种产品属性推荐装置的框图。
图10示意性示出根据本公开示例实施例的用于实现上述产品属性推荐方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
相关技术中,配置人员在配置属性时,首先,获取目标产品的属性,为该属性中的全局属性进行全量打标;当配置人员在目标产品的产品属性配置页面申请全局属性时,根据配置人员的请求,在数据库中查找与目标产品对应的全局属性,并通过接口将该全局属性全量返回;配置人员接收到返回的全量属性之后,根据接收到的全量属性的标签,对全量属性进行筛选,得到目标产品的推荐属性。相关技术中的属性推荐方法虽然可以得到与目标产品对应的推荐属性,但是需要耗费大量的时间以及劳动力,导致配置人员的配置效率不高。
基于上述一个或者多个问题,本示例实施方式中首先提供了一种产品属性推荐方法,该方法可以运行于服务器、服务器集群或者云服务器等;当然,本领域技术人员也可以根据需求在其他平台运行本发明的方法,本示例性实施例中对此不做特殊限定。参考图1所示,该产品属性推荐方法可以包括步骤S110-步骤S140:
步骤S110.获取目标产品以及所述目标产品的属性,根据所述目标产品的属性,生成所述目标产品的产品异构图以及产品属性图;
步骤S120.将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性;
步骤S130.通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性。
上述产品属性推荐方法,获取目标产品以及所述目标产品的属性,根据所述目标产品的属性,生成所述目标产品的产品异构图以及产品属性图;将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性;通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性;一方面,当获取到目标产品以及目标产品的属性之后,首先,根据目标产品的属性生成目标产品的产品异构图以及产品属性图,然后,将该产品异构图以及该产品属性图输入至图卷积神经网络中,得到第一特征属性以及第二特征属性,通过该图卷积神经网络增强了产品与属性间的特征表达,提高了目标产品属性推荐的准确性;另一方面,当得到第一特征属性以及第二特征属性之后,根据该第一特征属性以及该第二特征属性,得到目标产品的推荐属性,释放了配置人员的劳动力,同时提高了配置人员属性配置的效率。
以下,对本公开示例实施例的产品属性推荐方法中涉及的各步骤进行详细的解释以及说明。
首先,对本公开示例实施例的应用场景以及目的进行解释以及说明。具体的,本公开示例实施例可以应用于产品的属性配置中,主要研究如何提高配置人员配置属性的效率。
在本公开中以获取到的目标产品以及目标产品的属性为基础,当获取到目标产品以及目标产品的属性之后,根据该属性中包括的全局属性生成目标产品的产品异构图,根据该属性中包括的产品属性生成目标产品的产品属性图;当生成目标产品的产品异构图以及产品属性图之后,获取该产品异构图中的第一图信息,将该第一图信息输入至图卷积神经网络中,得到产品异构图的第一特征属性,以及获取该产品属性图中的第二图信息,将该第二图信息输入至图卷积神经网络中,得到产品属性图的第二特征属性,通过该第一特征属性以及该第二特征属性分别得到第一特征矩阵以及第二特征矩阵,对该第一特征矩阵以及该第二特征矩阵进行拼接,得到拼接特征矩阵,将该拼接特征矩阵输入至多层感知机,得到输出特征矩阵,通过该输出特征矩阵得到目标产品的推荐属性,提高了目标产品属性推荐的准确性,同时也释放了配置人员的劳动力,提高了配置人员属性配置的效率。
其次,对本公开涉及到的产品属性推荐系统进行进一步的解释以及说明。参考图2所述,该产品属性推荐系统可以包括:数据处理模块210、数据查询模块220、属性筛选模块230以及属性推荐模块240。其中,数据处理模块210用于获取目标产品的全部属性,该全部属性中包括全局属性以及产品属性,对该全部属性中的全局属性进行打标签;数据查询模块220,用户接收配置人员在产品属性配置页面发送的属性获取申请,根据接收到的属性获取申请,在数据库中进行查询,得到目标产品的属性;属性筛选模块230与数据处理模块210、数据查询模块220网络连接,用于根据获取到的产品属性构建产品异构图以及产品属性图,分别将该产品异构图以及该产品属性图输入图卷积神经网络中,得到产品异构图的第一特征属性以及产品属性图的第二特征属性;属性推荐模块240,与属性筛选模块230网络连接,用于根据属性筛选模块230筛选得到的第一特征属性与第二特征属性进行特征融合,得到目标产品的推荐属性。
以下,将结合图2对步骤S110-步骤S130进行详细的解释以及说明。
在步骤S110中,获取目标产品以及所述目标产品的属性,根据所述目标产品的属性,生成所述目标产品的产品异构图以及产品属性图。
在本示例实施例中,配置人员在目标产品的属性配置也发起目标产品属性获取请求后,根据该配置人员的目标产品属性获取请求在数据库中获取该目标产品的属性,当获取到目标产品的属性之后,可以根据目标产品的属性中的全局属性生成目标产品的产品异构图,根据属性中的产品属性生成目标产品的产品属性图。其中,目标产品为可销售给客户,并且为利用企业资源提供的事务或者通信功能、信息、服务的单元;全局属性为所有产品规格属性的集合;产品属性为目标产品的特性信息;异构图是指图中的节点类型或者关系类型多于一种,在显示场景中,图数据对象是多类型的,对象之间的交互关系也是多样化的,因此,异构图可以更好地贴近现实;属性图是一种常见的工业级图数据的表达方式,能够广泛应用与多种业务场景下的数据表达,相较于异构图,属性图给图数据增加了额外的属性信息。对于属性图而言,节点和关系都有标签和属性,标签可以为节点或者关系的类型,属性是节点或关系的附加描述信息。
在本示例实施例中,参考图3所示,根据所述目标产品的属性,生成所述目标产品的产品异构图,可以包括:
步骤S310.获取所述目标产品的属性中的全局属性;
步骤S320.获取所述全局属性中包括的所述目标产品的从属产品、与所述目标产品关联的服务以及与所述服务对应的属性;
步骤S330.根据所述目标产品、所述从属产品、与所述目标产品关联的服务以及与所述服务对应的属性,生成所述目标产品的产品异构图。
以下,将对步骤S310-步骤S330进行进一步的解释以及说明。具体的,当获取到目标产品的属性之后,可以先获取目标产品的属性中的全局属性;然后,从全局属性中获取目标产品的从属产品、与目标产品关联的服务以及与该服务对应的属性;最后,根据全局属性中包括的目标产品的从属产品、与目标产品关联的服务以及与该服务对应的属性,生成目标产品的异构图。
举例而言,当目标产品为4G上网产品时,该4G上网产品的从属产品可以为移动语音产品,该4G上网产品提供的服务为安装,该4G上网产品的产品属性为上行速率,与该4G上网产品提供的安装服务对应的属性为上行速率,因此,可以根据上述全局属性构建4G上网产品的产品异构图。
除此之外,还可以根据属性中的产品属性构建目标产品的产品属性图,参考图4所示,根据所述目标产品的属性,生成所述目标产品的产品属性图,可以包括:
步骤S410.获取所述目标产品的属性中包括的所述目标产品的产品属性;
步骤S420.根据所述目标产品以及所述目标产品的产品属性生成所述目标产品的产品属性图。
以下,将对步骤S410、步骤S420进行进一步的解释以及说明。具体的,当获取到目标产品的属性之后,可以先获取目标产品的属性中的产品属性;然后,根据该目标产品以及该目标产品的产品属性,生成该目标产品的产品属性图。
举例而言,当获取到目标产品的属性中的产品属性之后,可以将目标产品以及目标产品的产品属性作为图中的节点来构建产品属性图。当目标产品为4G上网产品时,可以将该4G上网产品的产品属性上行速率作为产品属性图中的节点来构建4G上网产品的产品属性图。
在本示例实施例中,通过构建目标产品的产品异构图,弥补了目标产品的产品属性图中信息不足的劣势,为之后的特征提取提供了更多的输入数据。
在步骤S120中,将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性。
其中,图卷积神经网络是一种可以对图数据进行深度学习的方法,可以分为两类:基于频域的方法以及基于空域的方法,基于谱域的方法通过从图信号处理的角度引入滤波器来定义图卷积,其中图卷积操作被解释为从图信号中去除噪声。基于空域的方法将图卷积表示为聚合来自邻居的特征信息。图卷积神经网络将卷积操作从传统数据推广到图数据,关键是学习一个函数f,通过聚合其自身的特征和邻居的特征来生成节点的表示。可以分三步理解图卷积神经网络:第一步,发射,每一个节点将自身的特征信息经过变换后发送给邻居节点;第二步,接收,每个节点将邻居节点的特征信息聚集起来;第三部,变换,将前面的信息聚合之后进行非线性变换,增加模型的表达能力。
在本示例实施例中,参考图5所示,将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性,可以包括:
步骤S510.获取所述产品异构图的第一图信息,将所述第一图信息输入至所述图卷积神经网络中,得到所述产品异构图的第一特征属性;
步骤S520.获取所述产品属性图的第二图信息,将所述第二图信息输入至所述图卷积神经网络中,得到所述产品属性图的第二特征属性。
以下,将对步骤S510、步骤S520进行进一步的解释以及说明。具体的,首先,获取生成的产品异构图以及该产品异构图的第一图信息;然后,将第一图信息输入至图卷积神经网络中,输出该产品异构图的第一特征属性;其中,该第一图信息中包括产品异构图中的节点以及节点与节点之间的关系;得到的第一特征属性可以为产品多特征。对于目标产品的产品属性图,当获取生成的目标产品的产品属性图之后,获取该产品属性图的第二图信息,将该第二图信息输入至图卷积神经网络中,得到该产品属性图的第二特征属性;其中,该第二图信息中包括产品属性图中的节点;得到的第二特征属性可以为属性多特征。
在步骤S130中,通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性。
在本示例实施例中,当得到产品异构图的第一特征属性以及产品属性图的第二特征属性之后,可以通过该第一特征属性以及第二特征属性得到目标产品的推荐属性,参考图6所示,通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性,可以包括:
步骤S610.对所述第一特征属性与所述第二特征属性进行拼接,得到拼接特征矩阵;
步骤S620.将所述拼接特征矩阵输入至多层感知机中,通过所述多层感知机,得到输出特征矩阵;
步骤S630.通过所述输出特征矩阵,得到所述目标产品的推荐属性。
以下,将对步骤S610-步骤S630进行进一步的解释以及说明。具体的,当通过图卷积神经网络得到第一特征属性以及第二特征属性之后,对该第一特征属性进行拼接,得到拼接特征矩阵;然后,将该拼接特征矩阵输入至多层感知机中,通过该多层感知机得到与拼接特征矩阵对应的输出特征矩阵;最后,通过该输出特征矩阵得到该目标产品的推荐属性。其中,多层感知机也叫人工神经网络,除了输入层和输出层,中间还可以由多个隐藏层,输入层与隐藏层是全连接的,隐藏层的输出是输入层的输入向量经过激活函数得到的,通过激活函数给神经元引入非线性因素,使得神经网络可以任意逼近任何非线性函数,隐藏层到输出层可以看成是一个多类别的逻辑回归。在整个多层感知机中所有的参数就是各个层之间的连接权重以及偏置
进一步的,在本示例实施例中,参考图7所示,对所述第一特征属性与所述第二特征属性进行拼接,得到拼接特征矩阵,可以包括:
步骤S710.获取所述第一特征属性,通过所述第一特征属性生成第一特征矩阵;
步骤S720.获取所述第二特征属性,通过所述第二特征属性生成第二特征矩阵;
步骤S730.对所述第一特征矩阵以及所述第二特征矩阵进行拼接,得到所述拼接特征矩阵。
以下,将对步骤S710-步骤S730进行进一步的解释以及说明。具体的,当通过图卷积神经网络得到与产品异构图对应的第一特征属性以及与产品属性图对应的第二特征属性之后,当需要对第一特征属性以及第二特征属性进行拼接时,首先,利用第一特征属性生成第一特征矩阵,利用第二特征属性生成第二特征矩阵;然后,对第一特征属性以及第二特征属性进行拼接,得到拼接特征矩阵。
进一步的,在本示例实施例中,参考图8所示,通过所述输出特征矩阵,得到所述目标产品的推荐属性,可以包括:
步骤S810.对所述第一特征矩阵以及所述输出特征矩阵进行内积计算,得到推荐属性矩阵;
步骤S820.获取与所述推荐属性矩阵中每一行的最大值对应的属性,将与所述推荐属性矩阵中每一行的最大值对应的属性确定为所述目标产品的推荐属性。
以下,将对步骤S810、步骤S820进行进一步的解释以及说明。具体的,当通过拼接特征矩阵得到输出特征矩阵之后,可以对第一特征矩阵以及该输出特征矩阵进行内机计算,得到推荐属性矩阵,在该推荐属性矩阵中,可以获取该矩阵中每一行最大值对应的属性,将每一行最大值对应的属性确定为目标产品的推荐属性。
在本示例实施例中,通过特征属性拼接以及内积计算,将产品异构图和产品属性图相融合,增强了产品与属性间的语义表达,提高了目标产品属性推荐的准确性,减少了配置人员的工作量,提高了工作效率。
本公开示例实施例提供的产品属性推荐方法至少具有以下优点:一方面,当获取到目标产品以及目标产品的属性之后,首先,根据目标产品的属性生成目标产品的产品异构图以及产品属性图,然后,将该产品异构图以及该产品属性图输入至图卷积神经网络中,得到第一特征属性以及第二特征属性,通过该图卷积神经网络增强了产品与属性间的特征表达,提高了目标产品属性推荐的准确性;另一方面,当得到第一特征属性以及第二特征属性之后,根据该第一特征属性以及该第二特征属性,得到目标产品的推荐属性,释放了配置人员的劳动力,同时提高了配置人员属性配置的效率。
本公开示例实施例还提供了一种产品属性推荐装置,参考图9所示,可以包括:图结构生成模块910、特征属性获取模块920以及推荐属性获取模块930。其中:
图结构生成模块910,用于获取目标产品以及所述目标产品的属性,根据所述目标产品的属性,生成所述目标产品的产品异构图以及产品属性图;
特征属性获取模块920,用于将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性;
推荐属性获取模块930,用于通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性。
上述产品属性推荐装置中各模块的具体细节已经在对应的产品属性推荐方法中进行了详细的描述,因此此处不再赘述。
在本公开的一种示例性实施例中,根据所述目标产品的属性,生成所述目标产品的产品异构图,包括:
获取所述目标产品的属性中的全局属性;
获取所述全局属性中包括的所述目标产品的从属产品、与所述目标产品关联的服务以及与所述服务对应的属性;
根据所述目标产品、所述从属产品、与所述目标产品关联的服务以及与所述服务对应的属性,生成所述目标产品的产品异构图。
在本公开的一种示例性实施例中,根据所述目标产品的属性,生成所述目标产品的产品属性图,包括:
获取所述目标产品的属性中包括的所述目标产品的产品属性;
根据所述目标产品以及所述目标产品的产品属性生成所述目标产品的产品属性图。
在本公开的一种示例性实施例中,将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性,包括:
获取所述产品异构图的第一图信息,将所述第一图信息输入至所述图卷积神经网络中,得到所述产品异构图的第一特征属性;
获取所述产品属性图的第二图信息,将所述第二图信息输入至所述图卷积神经网络中,得到所述产品属性图的第二特征属性。
在本公开的一种示例性实施例中,通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性,包括:
对所述第一特征属性与所述第二特征属性进行拼接,得到拼接特征矩阵;
将所述拼接特征矩阵输入至多层感知机中,通过所述多层感知机,得到输出特征矩阵;
通过所述输出特征矩阵,得到所述目标产品的推荐属性。
在本公开的一种示例性实施例中,对所述第一特征属性与所述第二特征属性进行拼接,得到拼接特征矩阵,包括:
获取所述第一特征属性,通过所述第一特征属性生成第一特征矩阵;
获取所述第二特征属性,通过所述第二特征属性生成第二特征矩阵;
对所述第一特征矩阵以及所述第二特征矩阵进行拼接,得到所述拼接特征矩阵。
在本公开的一种示例性实施例中,通过所述输出特征矩阵,得到所述目标产品的推荐属性,包括:
对所述第一特征矩阵以及所述输出特征矩阵进行内积计算,得到推荐属性矩阵;
获取与所述推荐属性矩阵中每一行的最大值对应的属性,将与所述推荐属性矩阵中每一行的最大值对应的属性确定为所述目标产品的推荐属性。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本公开的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于:上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030以及显示单元1040。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1010执行,使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元1010可以执行如图1中所示的步骤S110:获取目标产品以及所述目标产品的属性,根据所述目标产品的属性,生成所述目标产品的产品异构图以及产品属性图;S120:将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性;S130:通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性。
存储单元1020可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202,还可以进一步包括只读存储单元(ROM)10203。
存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204,这样的程序模块10205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1000交互的设备通信,和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且,电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1000使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
根据本公开的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种产品属性推荐方法,其特征在于,包括:
获取目标产品以及所述目标产品的属性,根据所述目标产品的属性,生成所述目标产品的产品异构图以及产品属性图;
将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性;
通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性。
2.根据权利要求1所述的产品属性推荐方法,其特征在于,根据所述目标产品的属性,生成所述目标产品的产品异构图,包括:
获取所述目标产品的属性中的全局属性;
获取所述全局属性中包括的所述目标产品的从属产品、与所述目标产品关联的服务以及与所述服务对应的属性;
根据所述目标产品、所述从属产品、与所述目标产品关联的服务以及与所述服务对应的属性,生成所述目标产品的产品异构图。
3.根据权利要求1所述的产品属性推荐方法,其特征在于,根据所述目标产品的属性,生成所述目标产品的产品属性图,包括:
获取所述目标产品的属性中包括的所述目标产品的产品属性;
根据所述目标产品以及所述目标产品的产品属性生成所述目标产品的产品属性图。
4.根据权利要求1所述的产品属性推荐方法,其特征在于,将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性,包括:
获取所述产品异构图的第一图信息,将所述第一图信息输入至所述图卷积神经网络中,得到所述产品异构图的第一特征属性;
获取所述产品属性图的第二图信息,将所述第二图信息输入至所述图卷积神经网络中,得到所述产品属性图的第二特征属性。
5.根据权利要求1所述的产品属性推荐方法,其特征在于,通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性,包括:
对所述第一特征属性与所述第二特征属性进行拼接,得到拼接特征矩阵;
将所述拼接特征矩阵输入至多层感知机中,通过所述多层感知机,得到输出特征矩阵;
通过所述输出特征矩阵,得到所述目标产品的推荐属性。
6.根据权利要求5所述的产品属性推荐方法,对所述第一特征属性与所述第二特征属性进行拼接,得到拼接特征矩阵,包括:
获取所述第一特征属性,通过所述第一特征属性生成第一特征矩阵;
获取所述第二特征属性,通过所述第二特征属性生成第二特征矩阵;
对所述第一特征矩阵以及所述第二特征矩阵进行拼接,得到所述拼接特征矩阵。
7.根据权利要求6所述的产品属性推荐方法,其特征在于,通过所述输出特征矩阵,得到所述目标产品的推荐属性,包括:
对所述第一特征矩阵以及所述输出特征矩阵进行内积计算,得到推荐属性矩阵;
获取与所述推荐属性矩阵中每一行的最大值对应的属性,将与所述推荐属性矩阵中每一行的最大值对应的属性确定为所述目标产品的推荐属性。
8.一种产品属性推荐装置,其特征在于,包括:
图结构生成模块,用于获取目标产品以及所述目标产品的属性,根据所述目标产品的属性,生成所述目标产品的产品异构图以及产品属性图;
特征属性获取模块,用于将所述产品异构图、所述产品属性图分别输入至图卷积神经网络中,得到所述产品异构图的第一特征属性、所述产品属性图的第二特征属性;
推荐属性获取模块,用于通过所述第一特征属性以及所述第二特征属性,得到所述目标产品的推荐属性。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的产品属性推荐方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的产品属性推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211144790.1A CN115545822A (zh) | 2022-09-20 | 2022-09-20 | 产品属性推荐方法和装置、计算机存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211144790.1A CN115545822A (zh) | 2022-09-20 | 2022-09-20 | 产品属性推荐方法和装置、计算机存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115545822A true CN115545822A (zh) | 2022-12-30 |
Family
ID=84728448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211144790.1A Withdrawn CN115545822A (zh) | 2022-09-20 | 2022-09-20 | 产品属性推荐方法和装置、计算机存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545822A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933143A (zh) * | 2015-06-18 | 2015-09-23 | 北京京东尚科信息技术有限公司 | 获取推荐对象的方法及装置 |
CN111291270A (zh) * | 2020-03-02 | 2020-06-16 | 合肥工业大学 | 一种基于自适应图卷积网络的属性推理和产品推荐方法 |
WO2021046377A1 (en) * | 2019-09-06 | 2021-03-11 | Paypal, Inc. | Anomaly behavior detection in interactive networks |
CN113343113A (zh) * | 2021-07-05 | 2021-09-03 | 合肥工业大学 | 基于图卷积网络进行知识蒸馏的冷启动实体推荐方法 |
CN113409121A (zh) * | 2021-06-29 | 2021-09-17 | 南京财经大学 | 一种基于异构图表达学习的跨境电商推荐方法 |
US20210397947A1 (en) * | 2020-06-19 | 2021-12-23 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating model for representing heterogeneous graph node |
US20220122103A1 (en) * | 2020-10-20 | 2022-04-21 | Zhejiang University | Customized product performance prediction method based on heterogeneous data difference compensation fusion |
CN114510630A (zh) * | 2021-12-31 | 2022-05-17 | 中南财经政法大学 | 一种基于异质图卷积神经网络的学术论文推荐方法及系统 |
-
2022
- 2022-09-20 CN CN202211144790.1A patent/CN115545822A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933143A (zh) * | 2015-06-18 | 2015-09-23 | 北京京东尚科信息技术有限公司 | 获取推荐对象的方法及装置 |
WO2021046377A1 (en) * | 2019-09-06 | 2021-03-11 | Paypal, Inc. | Anomaly behavior detection in interactive networks |
CN111291270A (zh) * | 2020-03-02 | 2020-06-16 | 合肥工业大学 | 一种基于自适应图卷积网络的属性推理和产品推荐方法 |
US20210397947A1 (en) * | 2020-06-19 | 2021-12-23 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating model for representing heterogeneous graph node |
US20220122103A1 (en) * | 2020-10-20 | 2022-04-21 | Zhejiang University | Customized product performance prediction method based on heterogeneous data difference compensation fusion |
CN113409121A (zh) * | 2021-06-29 | 2021-09-17 | 南京财经大学 | 一种基于异构图表达学习的跨境电商推荐方法 |
CN113343113A (zh) * | 2021-07-05 | 2021-09-03 | 合肥工业大学 | 基于图卷积网络进行知识蒸馏的冷启动实体推荐方法 |
CN114510630A (zh) * | 2021-12-31 | 2022-05-17 | 中南财经政法大学 | 一种基于异质图卷积神经网络的学术论文推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10942708B2 (en) | Generating web API specification from online documentation | |
JP2021119463A (ja) | ナレッジグラフの生成方法、関係マイニング方法、装置、機器及び媒体 | |
CN111090756B (zh) | 基于人工智能的多目标推荐模型的训练方法及装置 | |
US20120198342A1 (en) | Automatic generation of task scripts from web browsing interaction history | |
US20170024396A1 (en) | Determining application deployment recommendations | |
JP2022553663A (ja) | 機械学習を使用した表形式データの内容特定方法、システム、プログラム | |
CN109614318A (zh) | 自动化测试方法、装置、电子设备及计算机可读介质 | |
US20150088772A1 (en) | Enhancing it service management ontology using crowdsourcing | |
US20220391589A1 (en) | Systems and methods for training and evaluating machine learning models using generalized vocabulary tokens for document processing | |
CN112711581A (zh) | 医疗数据校验方法、装置、电子设备及存储介质 | |
US11507747B2 (en) | Hybrid in-domain and out-of-domain document processing for non-vocabulary tokens of electronic documents | |
CN113159091A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN111242462B (zh) | 数据处理方法及装置、计算机存储介质、电子设备 | |
US11132179B1 (en) | Microapp functionality recommendations with cross-application activity correlation | |
CN112182359A (zh) | 推荐模型的特征管理方法及系统 | |
KR20140121832A (ko) | 중복 소비자 트랜잭션 규칙들의 필터링 기법 | |
US20220414689A1 (en) | Method and apparatus for training path representation model | |
Lv et al. | Computational intelligence in security of digital twins big graphic data in cyber-physical systems of smart cities | |
CN105094857B (zh) | 用于应用加载的方法和系统 | |
CN112329429B (zh) | 文本相似度学习方法、装置、设备以及存储介质 | |
US20220179764A1 (en) | Multi-source data correlation extraction for anomaly detection | |
CN113591934A (zh) | 业务分析模型的编排方法、装置和设备及存储介质 | |
CN113704420A (zh) | 文本中的角色识别方法、装置、电子设备及存储介质 | |
CN108768742B (zh) | 网络构建方法及装置、电子设备、存储介质 | |
CN115545822A (zh) | 产品属性推荐方法和装置、计算机存储介质、电子设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221230 |