CN116051247B - 一种基于多模态知识图谱的农林牧产品推荐方法及系统 - Google Patents
一种基于多模态知识图谱的农林牧产品推荐方法及系统 Download PDFInfo
- Publication number
- CN116051247B CN116051247B CN202310287628.3A CN202310287628A CN116051247B CN 116051247 B CN116051247 B CN 116051247B CN 202310287628 A CN202310287628 A CN 202310287628A CN 116051247 B CN116051247 B CN 116051247B
- Authority
- CN
- China
- Prior art keywords
- knowledge graph
- result
- feature
- forestry
- information
- 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 44
- 230000010354 integration Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 3
- 235000013399 edible fruits Nutrition 0.000 description 10
- 241000220225 Malus Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000021016 apples Nutrition 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于多模态知识图谱的农林牧产品推荐方法及系统,应用于数据处理技术领域,该方法包括:通过采集获得农林牧产品的产品信息,对产品信息进行信息整合。读取农林牧产品的历史数据,通过历史数据搭建初始知识图谱。获得初始知识图谱的节点特征标识。通过信息整合结果和历史数据进行数据特征比对,获得数据特征比对结果。通过数据特征比对结果生成更新节点特征。通过更新节点特征进行初始知识图谱的更新。获得用户需求信息,对用户需求信息进行信息解析,基于解析特征进行更新后的知识图谱进行推荐匹配,获得推荐匹配结果。解决了现有技术中农林牧产品推荐方法推荐主观性较强,推荐效率较低,推荐效果较差的技术问题。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于多模态知识图谱的农林牧产品推荐方法及系统。
背景技术
知识图谱是将信息通过数据挖掘、信息处理和图形绘制后将信息通过可视化的方式显示。在现有技术中,对于农林牧产品推荐多通过人工的方式进行推荐,产品推荐的主观性较强,根据用户需求信息推荐效率较低,推荐效果较差。
因此,在现有技术中农林牧产品推荐方法推荐主观性较强,推荐效率较低,推荐效果较差的技术问题。
发明内容
本申请通过提供一种基于多模态知识图谱的农林牧产品推荐方法及系统,解决了在现有技术中农林牧产品推荐方法推荐主观性较强,推荐效率较低,推荐效果较差的技术问题。
本申请提供一种基于多模态知识图谱的农林牧产品推荐方法,所述方法包括:采集获得农林牧产品的产品信息,对所述产品信息进行信息整合;读取所述农林牧产品的历史数据,通过所述历史数据搭建初始知识图谱;获得所述初始知识图谱的节点特征标识;通过信息整合结果和所述历史数据进行数据特征比对,获得数据特征比对结果;通过所述数据特征比对结果生成更新节点特征;通过所述更新节点特征进行所述初始知识图谱的更新;获得用户需求信息,对所述用户需求信息进行信息解析,基于解析特征进行更新后的知识图谱进行推荐匹配,获得推荐匹配结果。
本申请还提供了一种基于多模态知识图谱的农林牧产品推荐系统,所述系统包括:信息采集模块,用于采集获得农林牧产品的产品信息,对所述产品信息进行信息整合;知识图谱搭建模块,用于读取所述农林牧产品的历史数据,通过所述历史数据搭建初始知识图谱;特征标识获取模块,用于获得所述初始知识图谱的节点特征标识;特征比对模块,用于通过信息整合结果和所述历史数据进行数据特征比对,获得数据特征比对结果;更新节点特征获取模块,用于通过所述数据特征比对结果生成更新节点特征;图谱更新模块,用于通过所述更新节点特征进行所述初始知识图谱的更新;推荐匹配模块,用于获得用户需求信息,对所述用户需求信息进行信息解析,基于解析特征进行更新后的知识图谱进行推荐匹配,获得推荐匹配结果。
本申请还提供了一种电子设备,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本申请实施例提供的一种基于多模态知识图谱的农林牧产品推荐方法。
本申请实施例提供一种计算机可读存储介质,存储有计算机程序,该程序被处理器执行时,实现本申请实施例提供的一种基于多模态知识图谱的农林牧产品推荐方法。
拟通过本申请提出的一种基于多模态知识图谱的农林牧产品推荐方法及系统,通过采集获得农林牧产品的产品信息,对所述产品信息进行信息整合。读取所述农林牧产品的历史数据,通过所述历史数据搭建初始知识图谱。获得所述初始知识图谱的节点特征标识。通过信息整合结果和所述历史数据进行数据特征比对,获得数据特征比对结果;通过所述数据特征比对结果生成更新节点特征;通过所述更新节点特征进行所述初始知识图谱的更新。获得用户需求信息,对所述用户需求信息进行信息解析,基于解析特征进行更新后的知识图谱进行推荐匹配,获得推荐匹配结果。由于采用知识图谱遍历的方式进行农林牧产品推荐降低了产品推荐的主观性,提高了农林牧产品推荐的效率和效果。解决了现有技术中农林牧产品推荐方法推荐主观性较强,推荐效率较低,推荐效果较差的技术问题。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请实施例提供的一种基于多模态知识图谱的农林牧产品推荐方法的流程示意图;
图2为本申请实施例提供的一种基于多模态知识图谱的农林牧产品推荐方法获得解析特征的流程示意图;
图3为本申请实施例提供的一种基于多模态知识图谱的农林牧产品推荐方法搭建初始知识图谱的流程示意图;
图4为本申请实施例提供的一种基于多模态知识图谱的农林牧产品推荐方法的系统的结构示意图;
图5为本发明实施例提供的一种基于多模态知识图谱的农林牧产品推荐方法的系统电子设备的结构示意图。
附图标记说明:信息采集模块11,知识图谱搭建模块12,特征标识获取模块13,特征比对模块14,更新节点特征获取模块15,图谱更新模块16,推荐匹配模块17,处理器31,存储器32,输入装置33,输出装置34。
具体实施方式
实施例
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,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,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上,所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
如图1所示,本申请实施例提供了一种基于多模态知识图谱的农林牧产品推荐方法,所述方法包括:
S10:采集获得农林牧产品的产品信息,对所述产品信息进行信息整合;
S20:读取所述农林牧产品的历史数据,通过所述历史数据搭建初始知识图谱;
具体的,采集获取农林牧产品的产品信息,其中产品信息包括产品类别以及各类产品的常用特征信息,以产品类别为苹果为例产品的常用特征信息则包括苹果的具体品种、果径大小、色泽度、重量等产品特征信息,对获取的各类农林牧产品的产品信息进行信息整合,将产品信息整合至数据库中。随后,读取农林牧产品的历史数据,其中农林牧产品的历史数据中包括各类农林牧产品的产品信息以及对应产品的销售信息,在销售信息中包含用户的需求信息、匹配结果信息、以及用户的购物评价信息,在购物评价信息中具体包括用户的满意度等级。随后,获取历史数据中各特征之间的关联评价阈值,并通过关联评价阈值获取强连通点,根据强连通点搭建初始知识图谱。
如图3所示,本申请实施例提供的方法S20还包括:
S21:对所述历史数据进行特征间关联评价,获得特征间关联评价结果;
S22:基于所述特征间关联评价结果设置关联阈值;
S23:通过所述关联阈值对所述特征间关联评价结果进行第一连通点筛选;
S24:基于第一连通点筛选结果搭建所述初始知识图谱。
具体的,对历史数据进行特征间关联评价,评价各特征之间的特征关联性,以果径大小为例50mm果径大小和48mm、52mm的果径特征关联性则较强,40mm果径以及60mm果径的关联性则较弱。其中,评价各特征之间的特征关联性时,通过特征数据之间的偏差值计算对应特征数据的相似度进行关联性评价,获取特征间关联评价结果。以果径大小为例A果径大小50mm和B果径大小为48mm,则对应的特征数据相似度为B果径大小/A果径大小等于0.96,即获取的特征关联为0.96,不同特征的相似度计算方式可以根据具体的数据特征进行计算后获取。随后,基于所述特征间关联评价结果设置关联阈值,当特征间关联评价结果大于等于关联阈值时则对应的特征间为强连通点,反之则为弱连通点,完成对强连通点筛选。其中强连通点表示特征关联度较高,在进行客户商品推荐时可以推荐包含强连通点特征的商品。其中强连通点即为第一连通点,弱连通点即为第二连通点最后,基于强连通点筛选结果搭建所述初始知识图谱,以苹果50mm果径为例则对应的强连通点则包括苹果48mm、51mm等多个强连通点,在知识图谱中包含各强连通点之间的连接关系。
本申请实施例提供的方法S20还包括:
S25:对所述历史数据进行特征选择统计,获得特征选择统计结果;
S26:基于所述特征选择统计结果进行所述初始知识图谱的特征遍历算力分布约束;
S27:根据特征遍历算力分布约束结果完成所述初始知识图谱的构建。
具体的,对历史数据进行特征选择统计,获得特征选择统计结果,其中特征选择为用户采购时的特征选择情况,对用户采购时的特征选择情况进行统计,如多个用户在采购A货品时的特征选择集中于A物品的多个特征,则A物品的多个特征即为用户采购A物品的特征偏好。随后,基于所述特征选择统计结果进行所述初始知识图谱的特征遍历算力分布约束,即按照特征选择统计结果对知识图谱的特征遍历算力进行分配,对于用户采购的特征偏好较多的特征分配多个遍历算力,提高对偏好特征的遍历速度,进一步提高推荐匹配结果的获取效率。最后,根据特征遍历算力分布约束结果完成所述初始知识图谱的构建,以实现对用户采购时特征的快速响应。
本申请实施例提供的方法S20还包括:
S251:对所述推荐匹配结果进行输出异常统计,获得输出异常匹配结果;
S252:对所述异常匹配结果进行特征聚合,生成异常触发特征;
S253:将所述异常触发特征添加至所述知识图谱。
具体的,对推荐匹配结果进行输出异常统计,即获取推荐匹配结果中的输出异常统计结果,输出异常匹配结果。随后,对所述异常匹配结果进行特征聚合,获取触发异常匹配结果的共同特征,生成异常触发特征。最后,将异常触发特征添加至所述知识图谱,使得在遍历知识图谱时可以快速对异常触发特征进行发现,及时输出异常结果,避免浪费知识图谱的遍历算力,提高知识图谱遍历效率。
S30:获得所述初始知识图谱的节点特征标识;
S40:通过信息整合结果和所述历史数据进行数据特征比对,获得数据特征比对结果;
S50:通过所述数据特征比对结果生成更新节点特征;
S60:通过所述更新节点特征进行所述初始知识图谱的更新;
S70:获得用户需求信息,对所述用户需求信息进行信息解析,基于解析特征进行更新后的知识图谱进行推荐匹配,获得推荐匹配结果。
具体的,获得初始知识图谱的节点特征标识,其中初始知识图谱的节点特征标识为具体的节点特征,通过信息整合结果和所述历史数据进行数据特征比对,获得数据特征比对结果,得到信息整合结果中历史数据并未包含的节点特征。随后,通过数据特征比对结果生成更新节点特征,通过更新节点特征进行所述初始知识图谱的更新。进一步,获取用户的需求信息,对用户需求信息进行信息解析,获取用户的实际需求,包括需求特征以及对应的特征需求系数。最后,基于解析特征进行更新后的知识图谱进行推荐匹配,即根据获取的解析特征,在更新后的知识图谱中进行强连通特征获取,进而获得推荐匹配结果。由于采用知识图谱遍历的方式进行农林牧产品推荐降低了产品推荐的主观性,提高了农林牧产品推荐的效率和效果。
如图2所示,本申请实施例提供的方法S70还包括:
S71:对所述用户需求信息进行需求特征归类,获得需求特征归类结果;
S72:获得所述需求信息中用户对于所述需求特征归类结果中各特征的特征需求系数;
S73:基于所述需求特征归类结果和所述特征需求系数获得所述解析特征。
具体的,获取用户对农林牧需求产品的需求信息,并提取用户需求信息中的需求特征,随后对用户需求信息进行需求特征归类,获取用户需求信息的特征归类结果,在需求特征归类结果中包含需求对象以及需求对象对应各特征信息。随后,获取需求信息中用户对于所述需求特征归类结果中各特征的特征需求系数,其中特征需求系数为用户的特征需求重要程度,由用户自行设置。最后,基于所述需求特征归类结果和所述特征需求系数获得所述解析特征。使得获取的解析特征可以更清楚的体现用户的实际需求,包括需求特征以及对应的特征需求系数。
本申请实施例提供的方法S70还包括:
S74:对用户的采购反馈结果进行数据统计,获得统计结果;
S75:基于所述统计结果与所述推荐匹配结果进行一致性分析,获得异常特征;
S76:获得用户的反馈信息,基于所述反馈信息和所述异常特征生成反馈优化数据;
S77:通过所述反馈优化数据进行所述知识图谱的优化更新。
具体的,对用户的采购反馈结果进行数据统计,统计用户采购后的满意程度,获得统计结果。随后,基于统计结果与所述推荐匹配结果进行一致性分析,即获取用户需求特征和实际推荐的特征的结果一致性,获取其中非一致的特征,获得异常特征。获取用户的反馈信息,基于所述反馈信息和所述异常特征生成反馈优化数据。如用户在反馈信息中提及单个或多个异常特征未满足用户需求,则可以基于对应特征生成反馈优化数据,其中反馈优化数据根据用户反馈结果中的满意程度进行获取。满意程度越高对应的反馈优化数据越低,根据获取的反馈优化数据,实现对应的特征关联阈值的缩小,进而实现对强连通点的限缩,进而完成知识图谱的优化更新。
本申请实施例提供的方法S70还包括:
S711:设定优化控制系数阈值;
S712:对所述推荐匹配结果进行匹配分析,生成第一影响系数;
S713:对优化时长进行时长统计,基于时长统计结果生成第二影响系数;
S714:通过所述第一影响系数和所述第二影响系数进行优化控制系数计算,获得计算结果;
S715:通过所述计算结果和所述优化控制系数阈值进行所述知识图谱的优化更新。
具体的,设定优化控制系数阈值,其中优化控制系数阈值为是否进行知识图谱的优化更新的触发阈值,当大于优化控制系数阈值时则触发对知识图谱的优化更新。对推荐匹配结果进行匹配分析,即根据用户的需求特征和实际的推荐匹配结果进行匹配分析,获取二者的匹配度,根据匹配度生成第一影响系数,即实际的匹配准确度。随后,对优化时长进行时长统计,基于时长统计结果生成第二影响系数,其中优化时长为距离前次优化的优化时间间隔,根据时间间隔生成第二影响系数,其中第二影响系数通过优化时长和预定更新周期的比值获取。通过所述第一影响系数和所述第二影响系数进行加和计算,获得优化控制系数计算结果,根据获取的计算结果和优化控制系数阈值进行比较,根据比较结果完成知识图谱的优化更新。由于优化控制系数计算结果需要根据实际的匹配准确度和优化时长完成计算,二者的加和结果触发优化控制系数阈值时则会触发对知识图谱的优化更新,进一步提高了知识图谱的匹配准确性。
本发明实施例所提供的技术方案,通过采集获得农林牧产品的产品信息,对产品信息进行信息整合。读取农林牧产品的历史数据,通过历史数据搭建初始知识图谱。获得初始知识图谱的节点特征标识。通过信息整合结果和历史数据进行数据特征比对,获得数据特征比对结果。通过数据特征比对结果生成更新节点特征。通过更新节点特征进行初始知识图谱的更新。获得用户需求信息,对用户需求信息进行信息解析,基于解析特征进行更新后的知识图谱进行推荐匹配,获得推荐匹配结果。解决了现有技术中农林牧产品推荐方法推荐主观性较强,推荐效率较低,推荐效果较差的技术问题。
实施例
基于与前述实施例中一种基于多模态知识图谱的农林牧产品推荐方法同样发明构思,本发明还提供了一种基于多模态知识图谱的农林牧产品推荐方法的系统,系统可以由硬件和/或软件的方式来实现,一般可集成于电子设备中,用于执行本发明任意实施例所提供的方法。如图4所示,所述系统包括:
信息采集模块11,用于采集获得农林牧产品的产品信息,对所述产品信息进行信息整合;
知识图谱搭建模块12,用于读取所述农林牧产品的历史数据,通过所述历史数据搭建初始知识图谱;
特征标识获取模块13,用于获得所述初始知识图谱的节点特征标识;
特征比对模块14,用于通过信息整合结果和所述历史数据进行数据特征比对,获得数据特征比对结果;
更新节点特征获取模块15,用于通过所述数据特征比对结果生成更新节点特征;
图谱更新模块16,用于通过所述更新节点特征进行所述初始知识图谱的更新;
推荐匹配模块17,用于获得用户需求信息,对所述用户需求信息进行信息解析,基于解析特征进行更新后的知识图谱进行推荐匹配,获得推荐匹配结果。
进一步地,所述推荐匹配模块17还用于:
对所述用户需求信息进行需求特征归类,获得需求特征归类结果;
获得所述需求信息中用户对于所述需求特征归类结果中各特征的特征需求系数;
基于所述需求特征归类结果和所述特征需求系数获得所述解析特征。
进一步地,所述推荐匹配模块17还用于:
对用户的采购反馈结果进行数据统计,获得统计结果;
基于所述统计结果与所述推荐匹配结果进行一致性分析,获得异常特征;
获得用户的反馈信息,基于所述反馈信息和所述异常特征生成反馈优化数据;
通过所述反馈优化数据进行所述知识图谱的优化更新。
进一步地,所述知识图谱搭建模块12还用于:
对所述历史数据进行特征间关联评价,获得特征间关联评价结果;
基于所述特征间关联评价结果设置关联阈值;
通过所述关联阈值对所述特征间关联评价结果进行第一连通点筛选;
基于第一连通点筛选结果搭建所述初始知识图谱。
进一步地,所述知识图谱搭建模块12还用于:
对所述历史数据进行特征选择统计,获得特征选择统计结果;
基于所述特征选择统计结果进行所述初始知识图谱的特征遍历算力分布约束;
根据特征遍历算力分布约束结果完成所述初始知识图谱的构建。
进一步地,所述推荐匹配模块17还用于:
对所述推荐匹配结果进行输出异常统计,获得输出异常匹配结果;
对所述异常匹配结果进行特征聚合,生成异常触发特征;
将所述异常触发特征添加至所述知识图谱。
进一步地,所述推荐匹配模块17还用于:
设定优化控制系数阈值;
对所述推荐匹配结果进行匹配分析,生成第一影响系数;
对优化时长进行时长统计,基于时长统计结果生成第二影响系数;
通过所述第一影响系数和所述第二影响系数进行优化控制系数计算,获得计算结果;
通过所述计算结果和所述优化控制系数阈值进行所述知识图谱的优化更新。
所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例
图5为本发明实施例三提供的电子设备的结构示意图,示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图5所示,该电子设备包括处理器31、存储器32、输入装置33及输出装置34;电子设备中处理器31的数量可以是一个或多个,图5中以一个处理器31为例,电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的一种基于多模态知识图谱的农林牧产品推荐方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述一种基于多模态知识图谱的农林牧产品推荐方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种基于多模态知识图谱的农林牧产品推荐方法,其特征在于,所述方法包括:
S10:采集获得农林牧产品的产品信息,对所述产品信息进行信息整合;
S20:读取所述农林牧产品的历史数据,通过所述历史数据搭建初始知识图谱;
S30:获得所述初始知识图谱的节点特征标识;
S40:通过信息整合结果和所述历史数据进行数据特征比对,获得数据特征比对结果;
S50:通过所述数据特征比对结果生成更新节点特征;
S60:通过所述更新节点特征进行所述初始知识图谱的更新;
S70:获得用户需求信息,对所述用户需求信息进行信息解析,基于解析特征进行更新后的知识图谱进行推荐匹配,获得推荐匹配结果;
S20还包括:
S21:对所述历史数据进行特征间关联评价,获得特征间关联评价结果;
S22:基于所述特征间关联评价结果设置关联阈值;
S23:通过所述关联阈值对所述特征间关联评价结果进行第一连通点筛选;
S24:基于第一连通点筛选结果搭建所述初始知识图谱;
S25:对所述历史数据进行特征选择统计,获得特征选择统计结果;
S26:基于所述特征选择统计结果进行所述初始知识图谱的特征遍历算力分布约束;
S27:根据特征遍历算力分布约束结果完成所述初始知识图谱的构建。
2.如权利要求1所述的一种基于多模态知识图谱的农林牧产品推荐方法,其特征在于,S70还包括:
对所述用户需求信息进行需求特征归类,获得需求特征归类结果;
获得所述需求信息中用户对于所述需求特征归类结果中各特征的特征需求系数;
基于所述需求特征归类结果和所述特征需求系数获得所述解析特征。
3.如权利要求1所述的一种基于多模态知识图谱的农林牧产品推荐方法,其特征在于,所述方法包括:
对用户的采购反馈结果进行数据统计,获得统计结果;
基于所述统计结果与所述推荐匹配结果进行一致性分析,获得异常特征;
获得用户的反馈信息,基于所述反馈信息和所述异常特征生成反馈优化数据;
通过所述反馈优化数据进行所述知识图谱的优化更新。
4.如权利要求1所述的一种基于多模态知识图谱的农林牧产品推荐方法,其特征在于,所述方法包括:
对所述推荐匹配结果进行输出异常统计,获得输出异常匹配结果;
对所述异常匹配结果进行特征聚合,生成异常触发特征;
将所述异常触发特征添加至所述知识图谱。
5.如权利要求1所述的一种基于多模态知识图谱的农林牧产品推荐方法,其特征在于,所述方法包括:
设定优化控制系数阈值;
对所述推荐匹配结果进行匹配分析,生成第一影响系数;
对优化时长进行时长统计,基于时长统计结果生成第二影响系数;
通过所述第一影响系数和所述第二影响系数进行优化控制系数计算,获得计算结果;
通过所述计算结果和所述优化控制系数阈值进行所述知识图谱的优化更新。
6.一种基于多模态知识图谱的农林牧产品推荐系统,其特征在于,所述系统包括:
信息采集模块,用于采集获得农林牧产品的产品信息,对所述产品信息进行信息整合;
知识图谱搭建模块,用于读取所述农林牧产品的历史数据,通过所述历史数据搭建初始知识图谱;
特征标识获取模块,用于获得所述初始知识图谱的节点特征标识;
特征比对模块,用于通过信息整合结果和所述历史数据进行数据特征比对,获得数据特征比对结果;
更新节点特征获取模块,用于通过所述数据特征比对结果生成更新节点特征;
图谱更新模块,用于通过所述更新节点特征进行所述初始知识图谱的更新;
推荐匹配模块,用于获得用户需求信息,对所述用户需求信息进行信息解析,基于解析特征进行更新后的知识图谱进行推荐匹配,获得推荐匹配结果;
所述知识图谱搭建模块,包括:
对所述历史数据进行特征间关联评价,获得特征间关联评价结果;
基于所述特征间关联评价结果设置关联阈值;
通过所述关联阈值对所述特征间关联评价结果进行第一连通点筛选;
基于第一连通点筛选结果搭建所述初始知识图谱;
对所述历史数据进行特征选择统计,获得特征选择统计结果;
基于所述特征选择统计结果进行所述初始知识图谱的特征遍历算力分布约束;
根据特征遍历算力分布约束结果完成所述初始知识图谱的构建。
7.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至5任一项所述的一种基于多模态知识图谱的农林牧产品推荐方法。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的一种基于多模态知识图谱的农林牧产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310287628.3A CN116051247B (zh) | 2023-03-23 | 2023-03-23 | 一种基于多模态知识图谱的农林牧产品推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310287628.3A CN116051247B (zh) | 2023-03-23 | 2023-03-23 | 一种基于多模态知识图谱的农林牧产品推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116051247A CN116051247A (zh) | 2023-05-02 |
CN116051247B true CN116051247B (zh) | 2023-07-14 |
Family
ID=86133461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310287628.3A Active CN116051247B (zh) | 2023-03-23 | 2023-03-23 | 一种基于多模态知识图谱的农林牧产品推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051247B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133838A (zh) * | 2017-03-22 | 2017-09-05 | 无锡中科富农物联科技有限公司 | 一种基于知识的农资商品推荐方法 |
CN110955834B (zh) * | 2019-11-27 | 2023-07-07 | 西北工业大学 | 一种知识图谱驱动的个性化精准推荐方法 |
CN112232925A (zh) * | 2020-11-02 | 2021-01-15 | 哈尔滨工程大学 | 一种融合知识图谱对商品进行个性化推荐的方法 |
CN112884542A (zh) * | 2021-01-21 | 2021-06-01 | 北京电解智科技有限公司 | 商品推荐方法和装置 |
CN115375382A (zh) * | 2021-05-18 | 2022-11-22 | 京东科技控股股份有限公司 | 一种商品推荐方法、装置及相关设备 |
CN114202390A (zh) * | 2021-12-24 | 2022-03-18 | 珠海格力电器股份有限公司 | 商品推荐方法、装置、电子设备和存储介质 |
-
2023
- 2023-03-23 CN CN202310287628.3A patent/CN116051247B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116051247A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427708B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN108960719B (zh) | 选品方法和装置以及计算机可读存储介质 | |
CN111798273A (zh) | 产品的购买概率预测模型的训练方法及购买概率预测方法 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN111340246A (zh) | 用于企业智能决策分析的处理方法、装置和计算机设备 | |
JP6551101B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
CN108920530B (zh) | 一种信息处理方法、装置、存储介质及电子设备 | |
CN113360711B (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
CN113537850A (zh) | 仓储优化方法、装置、计算机设备和存储介质 | |
Wawale et al. | Minimizing the error gap in smart framing by forecasting production and demand using ARIMA model | |
CN114549142A (zh) | 一种线上竞价拍卖信息处理方法及系统 | |
EP3857468A1 (en) | Recommendation method and system and method and system for improving a machine learning system | |
CN110489131B (zh) | 一种灰度用户选取方法及装置 | |
CN112424812A (zh) | 计算电子处理平台上的用户特定物品相关值 | |
Hossain et al. | IoT based smart soil fertilizer monitoring and ml based crop recommendation system | |
CN116051247B (zh) | 一种基于多模态知识图谱的农林牧产品推荐方法及系统 | |
CN111723000A (zh) | 测试方法、装置、电子设备和存储介质 | |
CN116340643B (zh) | 对象推荐的调整方法及装置、存储介质、电子设备 | |
CN117036060A (zh) | 车险欺诈识别方法、装置和存储介质 | |
CN111966916A (zh) | 一种推荐方法、装置、电子设备及计算机可读存储介质 | |
CN109886299B (zh) | 一种用户画像方法、装置、可读存储介质及终端设备 | |
CN111784403A (zh) | 基于网上商城的用户类别分析方法、装置和计算机设备 | |
CN111291795A (zh) | 人群特征分析方法、装置、存储介质和计算机设备 | |
US9213979B2 (en) | Array attribute configurator | |
CN111324594A (zh) | 用于粮食加工业的数据融合方法、装置、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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 210012 room 801-810, 8 building, 7 Ande Gate Street, Yuhuatai District, Nanjing, Jiangsu, China, 57 Patentee after: Xinlixun Technology Group Co.,Ltd. Country or region after: China Address before: 210012 room 801-810, 8 building, 7 Ande Gate Street, Yuhuatai District, Nanjing, Jiangsu, China, 57 Patentee before: New Lixun Technology Co.,Ltd. Country or region before: China |