CN116089708A - 农业知识推荐方法及装置 - Google Patents

农业知识推荐方法及装置 Download PDF

Info

Publication number
CN116089708A
CN116089708A CN202211611047.2A CN202211611047A CN116089708A CN 116089708 A CN116089708 A CN 116089708A CN 202211611047 A CN202211611047 A CN 202211611047A CN 116089708 A CN116089708 A CN 116089708A
Authority
CN
China
Prior art keywords
knowledge
acquisition request
target
agricultural
request 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.)
Pending
Application number
CN202211611047.2A
Other languages
English (en)
Inventor
陈诚
朱华吉
顾静秋
王元胜
缪祎晟
郝鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Original Assignee
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences filed Critical Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Priority to CN202211611047.2A priority Critical patent/CN116089708A/zh
Publication of CN116089708A publication Critical patent/CN116089708A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种农业知识推荐方法及装置，所述方法包括：将所述目标用户的知识获取请求信息以及属性信息输入至农业知识推荐模型，得到所述农业知识推荐模型输出的与所述目标用户关联的目标反馈知识以及目标推荐知识类别；根据所述目标推荐知识类别，从农业知识数据集中确定出目标推荐知识。本发明的农业知识推荐方法，通过确定目标用户的属性信息，利用农业知识推荐模型确定出准确的目标推荐知识类别，并从构建的农业知识数据集中确定出目标推荐知识以推送至目标用户，能够针对目标用户的属性信息精准确定推送信息，以便于知识平台开展精准化的知识推荐服务，以向不同用户推送精准的农业知识。

Description

农业知识推荐方法及装置
技术领域
本发明涉及农业知识服务技术领域，尤其涉及一种农业知识推荐方法及装置。
背景技术
在农业知识服务领域，随着服务链条的不断拓展、用户类型的不断增多、用户规模的不断扩大，以及现代信息技术与农业发展的不断深度融合，农业知识的类别不断丰富、数量不断积累。各种类型的知识平台均基本形成了领域覆盖广、知识分类全的海量知识库，为农业生产经营从业者提供了海量的农业知识。农业知识服务已经跨过了互联网平台发展初期的用户信息检索需求与数据匮乏之间的矛盾阶段，进入了大规模冗余数据与用户精准信息获取需求之间的矛盾新阶段。
但在知识服务过程中，针对用户兴趣发现和精准知识推荐的研究和应用开展较少，使用户需要直面海量的知识，造成冗余知识干扰有用知识准确定位的“知识过载”问题，以及低文化水平和信息获取技能用户易迷失于知识海洋，难以发现所需知识的“知识迷向”等问题。如何精准针对不同用户来推送合适的农业知识是一个亟需解决的问题。
发明内容
本发明提供一种农业知识推荐方法及装置，用以解决现有技术中难以向用户推送精准的农业知识的缺陷，实现针对不同用户的需求来精准推送知识。
本发明提供一种农业知识推荐方法，包括：
确定目标用户的知识获取请求信息以及所述目标用户的属性信息；
将所述目标用户的知识获取请求信息以及属性信息输入至农业知识推荐模型，得到所述农业知识推荐模型输出的与所述目标用户关联的目标反馈知识以及目标推荐知识类别；
根据所述目标推荐知识类别，从农业知识数据集中确定出目标推荐知识；
将所述目标反馈知识以及所述目标推荐知识推送至所述目标用户；
其中，所述农业知识推荐模型是以知识平台的历史知识获取请求信息以及所述历史知识获取请求信息所对应的用户的属性信息为样本，以所述历史知识获取请求信息所对应的反馈知识以及推荐知识类别为标签训练得到的。
根据本发明提供的一种农业知识推荐方法，所述农业知识数据集通过以下方式确定：
获取各历史知识获取请求信息所对应的用户的属性信息、各历史知识获取请求信息所对应的反馈知识以及推荐知识类别；
基于各历史知识获取请求信息所对应的反馈知识，确定各历史知识获取请求信息所关联的知识图谱信息；各历史知识获取请求信息所对应的反馈知识是基于各历史知识获取请求信息所关联的知识图谱信息确定的；
将各历史知识获取请求信息所对应的用户的属性信息、各历史知识获取请求信息所关联的知识图谱信息以及各历史知识获取请求信息所对应的推荐知识类别均映射为特征向量，并按照预设顺序将各历史知识获取请求信息所对应的特征向量组合为组合特征向量；
基于各历史知识获取请求信息所对应的组合特征向量，得到所述农业知识数据集。
根据本发明提供的一种农业知识推荐方法，用户的属性信息包括画像属性信息和行为属性信息；所述画像属性信息包括用户所在地域、行业、关联农业作物品种、性别、年龄、学历中的至少一个，所述行为属性信息包括用户在所述知识平台点击知识的时间、点击的知识类别、阅读停留时间、有无评论、是否本人提问以及是否采纳中的至少一个；
将各历史知识获取请求信息所对应的用户的属性信息映射为特征向量包括：
将各历史知识获取请求信息所对应的画像属性信息以及行为属性信息中的各属性信息分别映射为属性子向量；
将各历史知识获取请求信息所对应的画像属性信息以及行为属性信息所对应的所有所述属性子向量组合，得到各历史知识获取请求信息所对应的各用户的属性信息的特征向量。
根据本发明提供的一种农业知识推荐方法，历史知识获取请求信息所关联的知识图谱信息包括候选知识的类别、知识表现形式、知识来源、发布地点、发布时间、评论数量、以及是否被采纳过中的至少一个；
将各历史知识获取请求信息所关联的知识图谱信息映射为特征向量包括：
将各历史知识获取请求信息所关联的知识图谱信息中的各类型信息分别映射为知识图谱子向量；
将各历史知识获取请求信息所关联的知识图谱信息中所有类型的知识图谱子向量组合，得到各历史知识获取请求信息所关联的各知识图谱信息的特征向量。
根据本发明提供的一种农业知识推荐方法，所述农业知识推荐模型为基于宽深兴趣网络模型训练得到的，所述农业知识推荐模型包括输入层、类隐层以及输出层；
所述输入层用于接收所述目标用户的知识获取请求信息以及属性信息；
所述类隐层用于获取所述目标反馈知识以及所述目标推荐知识类别；
所述输出层用于输出所述目标反馈知识以及所述目标推荐知识类别。
根据本发明提供的一种农业知识推荐方法，所述确定目标用户的知识获取请求信息以及所述目标用户的属性信息，包括：
接收所述目标用户的目标输入；
基于所述目标输入，确定所述目标用户的知识获取请求信息，并获取所述目标用户在所述知识平台的历史使用数据；
基于所述目标用户在所述知识平台的注册信息、当前使用数据以及历史使用数据，确定所述目标用户的属性信息。
本发明还提供一种农业知识推荐装置，包括：
第一处理模块，用于确定目标用户的知识获取请求信息以及所述目标用户的属性信息；
第二处理模块，用于将所述目标用户的知识获取请求信息以及属性信息输入至农业知识推荐模型，得到所述农业知识推荐模型输出的与所述目标用户关联的目标反馈知识以及目标推荐知识类别；
第三处理模块，用于根据所述目标推荐知识类别，从农业知识数据集中确定出目标推荐知识；
第四处理模块，用于将所述目标反馈知识以及所述目标推荐知识推送至所述目标用户；
其中，所述农业知识推荐模型是以知识平台的历史知识获取请求信息以及所述历史知识获取请求信息所对应的用户的属性信息为样本，以所述历史知识获取请求信息所对应的反馈知识以及推荐知识类别为标签训练得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述农业知识推荐方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述农业知识推荐方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述农业知识推荐方法。
本发明提供的农业知识推荐方法及装置，通过确定目标用户的属性信息，利用农业知识推荐模型确定出准确的目标推荐知识类别，并从构建的农业知识数据集中确定出目标推荐知识以推送至目标用户，能够针对目标用户的属性信息精准确定推送信息，以便于知识平台开展精准化的知识推荐服务，以向不同用户推送精准的农业知识。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的农业知识推荐方法的流程示意图之一；
图2是本发明提供的组合特征向量的生成流程示意图；
图3是本发明提供的农业知识推荐方法的流程示意图之二；
图4是本发明提供的农业知识推荐方法的流程示意图之三；
图5是本发明提供的农业知识推荐装置的结构示意图；
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图6描述本发明的农业知识推荐方法及装置。
本发明实施例的农业知识推荐方法的执行主体可以是处理器，当然，在一些实施例中，执行主体还可以是服务器，此处对执行主体的具体类型不作限制。下面以执行主体为处理器为例，来对本发明实施例的农业知识推荐方法来进行说明。
如图1所示，本发明实施例的农业知识推荐方法主要包括步骤110、步骤120、步骤130以及步骤140。
步骤110，确定目标用户的知识获取请求信息以及目标用户的属性信息。
可以理解的是，目标用户为知识平台的用户，目标用户可以通过知识平台来获取农业相关知识。
目标用户的知识获取请求信息可以是目标用户在知识平台上对所需知识的检索信息，也可以是在知识平台上发布的问题信息。换言之，目标用户可以通过知识获取请求信息来获取自己所需的知识。
可以理解的是，目标用户的属性信息可以是与目标用户在知识平台上关联的信息。例如，目标用户的属性信息包括画像属性信息和行为属性信息。
画像属性信息为目标用户本身的身份信息，画像属性信息包括用户所在地域、行业、关联农业作物品种、性别、年龄、学历中的至少一个。
行为属性信息为目标用户在知识平台的行为特征信息，行为属性信息包括用户在知识平台点击知识的时间、点击的知识类别、阅读停留时间、有无评论、是否本人提问以及是否采纳中的至少一个。
在一些实施例中，步骤110：确定目标用户的知识获取请求信息以及目标用户的属性信息，可以包括以下步骤。
在本实施方式中，可以接收目标用户的目标输入。
可以理解的是，目标用户一般为农民等群体，目标用户群体通常使用移动终端如手机、平板等来实现目标输入。
在此基础上，以手机为例，目标输入可以表现为如下至少一种方式：
其一，目标输入可以表现为触控操作，包括但不限于点击操作和按压操作等。
在该实施方式中，接收目标用户的目标输入，可以表现为，接收用户在手机显示屏中知识平台相关模块显示区域的触控操作。
例如，可以接收目标用户点击相关农业问题的触控输入，或者接收目标用户输入的农业相关的问题，进而确定目标用户的知识获取请求信息。
其二，目标输入可以表现为语音输入。
在该实施方式中，目标语音可以触发手机记录目标用户的知识获取请求信息。
例如，用户使用手机直接在知识平台语音输入自己的农业相关的问题。
其三，目标输入可以表现为实体按键输入。
在该实施方式中，可以通过实体键盘等来实现输入。
当然，在其他实施例中，目标输入也可以表现为其他形式，包括但不限于字符输入等，具体可根据实际需要决定，本申请实施例对此不作限定。
在此基础上，基于目标输入，确定目标用户的知识获取请求信息。
可以理解的是，可以根据目标用户的目标输入，获取到目标用户在知识平台的历史使用数据。
进一步地，可以根据目标用户在知识平台的注册信息、当前使用数据以及历史使用数据，确定目标用户的属性信息。
可以理解的是，用户在知识平台进行注册时，会提供用户的基本身份信息、定位信息以及偏好的内容领域等信息。
用户在历史以及当前使用知识平台的过程中，会产生大量的使用数据，可以对这些使用数据进行收集，并分析这些数据得到目标用户的属性信息。
在本实施方式中，通过对用户的使用数据以及注册数据进行收集与分析，能得到各目标用户的属性信息，进而可以更加精准地得到各目标用户的知识需求。
步骤120，将目标用户的知识获取请求信息以及属性信息输入至农业知识推荐模型，得到农业知识推荐模型输出的与目标用户关联的目标反馈知识以及目标推荐知识类别。
可以理解的是，农业知识推荐模型可以为基于宽深兴趣网络模型训练得到的。
本发明实施例中，可以构建面向农业知识推荐的宽深兴趣网络(WDIN)模型，通过使用神经形态计算机制(Neuromorphological calculation，NeuroC)对用户兴趣预测建模的宽度神经网络与深度神经网络相结合的兴趣网络模型，引入NeuroC捕捉用户的特异性兴趣点，用来表示用户对某类知识的偏好兴趣。宽深兴趣网络模型网络可以分为输入层、类隐层以及输出层。
输入层用于接收目标用户的知识获取请求信息以及属性信息。输入层包括神经元节点和类脑神经元前突触节点，输入层的神经元节点与传统深度神经网络神经元节点功能一致，与下一层建立全连接；类脑神经元前突触节点与类脑神经元直连，用于增强信息传递效率，降低信息丢失几率，避免经过不必要的类隐层计算后增加模型复杂度，并丢失重要信息。
类隐层用于获取目标反馈知识以及目标推荐知识类别。类隐层类似常规神经网络的隐藏层，但每一层新增一类脑神经元节点，类脑神经元节点不参与上一层的参数传递，只向下一层传递参数，每一层的类脑神经元节点激活函数遵守离输出层越近激活函数阶数越低的原则。从模拟人类的视觉、听觉、触觉、嗅觉、味觉5大感知系统出发，以类隐含层模拟感知系统，结合模型宽度和深度平衡、参数规模约简原则，类隐层选取5层。
输出层用于输出目标反馈知识以及目标推荐知识类别，即输出层可以得出具体的推荐知识类别。
本发明类脑神经元参与农业知识推荐模型训练分为以下几个阶段，即建立连接、网络构建和激活函数的选择。
一、建立连接。
初始网络结构采用全向连接，输入层初始节点数为1，类隐层节点数根据处理的实际问题复杂性来确定。每个类隐层设置一个类脑神经元作为外键节点，在输入层建立n组类脑神经元前突触节点，类脑神经元前突触节点组数与隐藏层层数相同，每组对应一个类隐层的类脑神经元节点，记录每个类脑神经元前突触节点与类脑神经元的连接关系。每组类脑神经元前突触节点的个数不固定，根据网络仿真的实际激活情况确定。
二、网络构建。
将类脑神经元前突触节点与类脑神经元参与网络计算，突触使用事件驱动的方式，符合类脑神经元前突触节点激活条件的即有脉冲，类脑神经元则进行突触更新，哪一组类脑神经元前突触节点激活一个则该组新增一个节点类脑神经元前突触节点，用于后续参数使用。
类脑神经元前突触节点激活条件：采用横向寻优方法，将每一个自变量都依次遍历每一个输入层节点和类脑神经元前突触节点，选择拟合精度最高的节点作为该变量的输入节点；直至每个自变量均找到拟合精度最高的对应的输入层节点或类脑神经元前突触节点。
三、激活函数选择。
本发明实施例的农业知识推荐模型基于脉冲时间依赖可塑性(STDP)这一神经元之间突触连接改变机制，提出类脑神经元的自适应激活函数来辅助模型进行训练。在类脑神经元的激活函数方面，综合考虑神经元传导规律和模型可解释性，选择一个常见平滑函数的近似泰勒多项式(剔除余项的泰勒多项式)作为基准激活函数。泰勒多项式可以用若干项连加式来表示一个函数，这些相加的项由函数在某一点的导数求得，可拟合类似神经元传导的函数特性，便于进行模型规律解释。
基准激活函数作为类隐层第一层的类脑神经元激活函数，基准激活函数的一阶导数、二阶导数、三阶导数、四阶导数分别作为类隐层第二层、第三层、第四层、第五层的类脑神经元激活函数。
备选的平滑函数需满足以下条件：
在定义域上，函数具有单调性且为严格增函数，即x∈[0,1]区间上，任意两个自变量的值x1、x2，当x1>x2时都有f(x1)≥f(x2),那么就说f(x)在这个区间上是增函数(另一说法为单调不减函数)。
在x∈[0,1]区间上，函数一致可导，即设函数F在[0,1]上有定义，如果有一个在[0,1]上有定义的函数f和正数M,和一个在[0,1]上递增的非负函数d(x),且
Figure BDA0003994985150000101
在[0,1]上无界,使得对[0,1]上任意的x和x+h,有下列不等式：|F(x+h)-F(x)-f(x)h|≤|hd(|h|)|；
在此种情况下，则称F在[0,1]上一致可导,称f(x)是F(x)的导数，记作F'(x)＝f(x)，上述的不等式也可以写成等价的等式形式：F(x+h)-F(x)＝f(x)h+M(x,h)hd(|h|)；
其中，M(x,h)是一个在区域{(x,h):x∈[a,b],x+h∈[a,b]}上的有界的函数。
基于上述约束条件，选择ex为平滑函数，选择ex的近似泰勒多项式为基准激活函数，即类隐层第一层的类脑神经元激活函数。
其中，ex的泰勒多项式为
Figure BDA0003994985150000111
ex的近似泰勒多项式为
Figure BDA0003994985150000112
设F1(x)类隐层第1层的类脑神经元激活函数，记作：
Figure BDA0003994985150000113
设F2(x)类隐层第3层的类脑神经元激活函数，记作：
Figure BDA0003994985150000114
设F3(x)类隐层第3层的类脑神经元激活函数，记作：
Figure BDA0003994985150000115
设F4(x)类隐层第4层的类脑神经元激活函数，记作：
Figure BDA0003994985150000116
设F5(x)类隐层第5层的类脑神经元激活函数，记作：
Figure BDA0003994985150000121
在完成农业知识推荐模型的构建以及初始参数的确定后，向农业知识推荐模型输入训练数据。自一些实施例中，农业知识推荐模型是以知识平台的历史知识获取请求信息以及历史知识获取请求信息所对应的用户的属性信息为样本，以历史知识获取请求信息所对应的反馈知识以及推荐知识类别为标签训练得到的。
在此种情况下，在将目标用户的知识获取请求信息以及属性信息输入至农业知识推荐模型后，可以得到农业知识推荐模型输出的与目标用户关联的目标反馈知识以及目标推荐知识类别。
在本实施方式中，通过提出宽深兴趣网络模型，结合宽度神经网络、深度神经网络和神经元计算的优势，改进网络激活机制和激活函数，引入神经形态计算机制敏感区分用户属性信息等差异特点，克服知识图谱、深度学习等单一知识推荐方法无法全面覆盖用户知识需求、无法精准匹配用户需求知识、无法灵活跟踪用户兴趣变化等不足，提高用户知识需求预测准确性，对用户兴趣变化具有较敏感的感知能力，可实现精准、及时的知识推荐服务。
此外，本发明提出的农业知识推荐方法还具有以下优势。
本发明实施例的农业知识推荐模型更易理解：模型可解释性强，可实现用户知识选择规律的反向推导，输入层各变量离输出层键程越短说明作用机制越明显，代表相关性越强，对这一变量指标的调整对最终结果的影响越大。
本发明实施例的模型预测精度提高。类脑神经元只与下层进行参数传递，可使弱关联自变量影响权重降低，有效解决弱关联指标对输出结果的影响，减少过拟合现象发生，更容易得到全局最优解；
本发明实施例的参数规模降低。在可控宽度和深度的参数规模下，本发明实施例的农业知识推荐模型实现了较好的预测效果，降低传统模型的“梯度消失”影响，避免梯度指数衰减后低层基本上接受不到有效的训练信号，造成训练效率变慢、模型精度变低等问题，且由于自变量按最优化方案分布于输入层神经元节点和类脑神经元前突触节点，网络参数规模变小，极大程度消除参数数量膨胀问题。
步骤130，根据目标推荐知识类别，从农业知识数据集中确定出目标推荐知识。
可以理解的是，在确定目标推荐知识类别后，可以进一步确定目标推荐知识类别所对应的知识。
在一些实施例中，可以直接获取相关知识图谱中目标推荐知识类别所对应的知识。
在本实施方式中，为进一步保证目标推荐知识类别所对应的知识与目标用户的关联性，可以从农业知识数据集中确定出目标推荐知识。
需要说明的是，农业知识数据集中可以存储有用户属性信息、相关知识图谱以及推荐知识类别所一一对应的数据，以便于根据用户的属性信息确定更为贴合用户需求的知识。
在一些实施例中，农业知识数据集通过以下方式确定。
在本实施方式中，可以获取各历史知识获取请求信息所对应的用户的属性信息、各历史知识获取请求信息所对应的反馈知识以及推荐知识类别。
在此种情况下，对知识平台中用户的历史数据进行识别分析。各历史知识获取请求信息所对应的反馈知识可以是该用户历史提问的解答信息。
可以理解的是，可以基于各历史知识获取请求信息所对应的反馈知识，确定各历史知识获取请求信息所关联的知识图谱信息，即通过历史解答信息确定该历史解答信息所对应的知识图谱信息，确定出历史解答信息可能的知识来源。
在本实施方式中，各历史知识获取请求信息所对应的反馈知识是基于各历史知识获取请求信息所关联的知识图谱信息确定的，历史解答信息的来源即为对应的知识图谱信息。
在此种情况下，将各历史知识获取请求信息所对应的用户的属性信息、各历史知识获取请求信息所关联的知识图谱信息以及各历史知识获取请求信息所对应的推荐知识类别均映射为特征向量，并按照预设顺序将各历史知识获取请求信息所对应的特征向量组合为组合特征向量，以便于农业知识推荐模型能够识别与处理。
例如，用户的属性信息对应的特征向量为A、各历史知识获取请求信息所关联的知识图谱信息对应的特征向量为B，各历史知识获取请求信息所对应的推荐知识类别的特征向量为C，则组合特征向量可以为[A，B，C]。
可以理解的是，根据不同的历史知识获取请求信息所对应的组合特征向量，可以得到多组组合特征向量，进而得到农业知识数据集。
在一些实施例中，用户的属性信息包括画像属性信息和行为属性信息；画像属性信息包括用户所在地域、行业、关联农业作物品种、性别、年龄、学历中的至少一个，行为属性信息包括用户在知识平台点击知识的时间、点击的知识类别、阅读停留时间、有无评论、是否本人提问以及是否采纳中的至少一个。
将各历史知识获取请求信息所对应的用户的属性信息映射为特征向量包括以下过程。
在本实施方式中，将各历史知识获取请求信息所对应的画像属性信息以及行为属性信息中的各属性信息分别映射为属性子向量。
各历史知识获取请求信息所对应的画像属性信息对应的属性子向量可以为A1，各历史知识获取请求信息所对应的行为属性信息对应的属性子向量可以为A2。
在此基础上，再将各历史知识获取请求信息所对应的画像属性信息以及行为属性信息所对应的所有属性子向量组合，得到各历史知识获取请求信息所对应的各用户的属性信息的特征向量。
例如，用户所在地域、行业、关联农业作物品种、性别、年龄、学历这些可以分别映射为长度相同的向量A11、A12、A13、A14、A15以及A16。用户在知识平台点击知识的时间、点击的知识类别、阅读停留时间、有无评论、是否本人提问以及是否采纳这些可以分别映射为长度相同的向量A21、A22、A23、A24、A25以及A26。
因此，A1可以表示为[A11、A12、A13、A14、A15，A16]，A2可以表示为[A21、A22、A23、A24、A25，A26]。在此基础上，A可以表示为[A1，A2]，则组合特征向量可以为[A1，A2，B，C]。
如图2所示，将用户的画像属性信息、行为属性信息、知识图谱信息按照对应的知识类别分类映射到兴趣空间域，生成用户情境混合序列向量，即组合特征向量可以为[A1，A2，B，C]。
如图3所示，在本实施方式中，可以根据知识平台的历史数据以及新增数据，构建表征不同类型用户特征属性的兴趣空间域，将用户的画像属性信息、行为属性信息、知识图谱信息按照对应的知识类别分类映射到兴趣空间域，形成向量组合，结合推荐知识类别的向量，通过向量映射形成农业知识数据集，以便于农业知识推荐模型利用深度神经网络、宽度神经网络以及神经性态计算方式，输出用户所需的推荐知识类别。
现有技术中，在农业知识服务领域，用户情境包含用户画像特征、用户行为序列和知识图谱特征，以往深度兴趣预测模型对特征进行Embedding映射不考虑用户特征差异，暴力地将输入层的特征映射为固定长度的向量，造成无论隐含的用户兴趣是什么，用户的兴趣特征都被压缩为固定长度的Embedding向量，该方式难以捕获用户的地域、行业等多样性兴趣差异。
为从丰富的历史知识中匹配用户感兴趣知识带来困难，本发明在知识需求预测过程中，充分考虑农业知识服务的领域场景复杂、用户兴趣多变、需求表达不明等特点，通过融合用户画像特征、用户行为特征、知识图谱特征等用户知识需求影响因子，综合分析农业领域用户的行业差异、习惯差异、兴趣随农时变化等特性，构建面向农业知识推荐的用户情境混合序列，进而提高用户知识需求预测准确性，对用户兴趣变化具有较敏感的感知能力，可实现精准、及时的知识推荐服务。
步骤140，将目标反馈知识以及目标推荐知识推送至目标用户。
在此基础上，将目标反馈知识以及目标推荐知识推送至目标用户，以便于农业知识平台开展精准化的知识推荐服务。
如图4所示，可以利用知识平台的农业知识推荐系统中农业知识推荐模型的农业知识抽取模块抽取相关知识，并利用知识推送模块以及用户的终端服务向用户进行知识推送。
可以理解的是，可以根据目标用户的历史数据推送历史信息，实现兴趣追溯推送，或者根据目标用户的所在地进行相关地域产业定点推送，或者按照目标用户的历史登录时间，进行定时推送等。
根据本发明实施例提供的农业知识推荐方法，通过确定目标用户的属性信息，利用农业知识推荐模型确定出准确的目标推荐知识类别，并从构建的农业知识数据集中确定出目标推荐知识以推送至目标用户，能够针对目标用户的属性信息精准确定推送信息，以便于知识平台开展精准化的知识推荐服务，以向不同用户推送精准的农业知识。
下面对本发明提供的农业知识推荐装置进行描述，下文描述的农业知识推荐装置与上文描述的农业知识推荐方法可相互对应参照。
如图5所示，本发明实施例的农业知识推荐装置主要包括第一处理模块510、第二处理模块520、第三处理模块530以及第四处理模块540。
第一处理模块510用于确定目标用户的知识获取请求信息以及目标用户的属性信息；
第二处理模块520用于将目标用户的知识获取请求信息以及属性信息输入至农业知识推荐模型，得到农业知识推荐模型输出的与目标用户关联的目标反馈知识以及目标推荐知识类别；
第三处理模块530用于根据目标推荐知识类别，从农业知识数据集中确定出目标推荐知识；
第四处理模块540用于将目标反馈知识以及目标推荐知识推送至目标用户；
其中，农业知识推荐模型是以知识平台的历史知识获取请求信息以及历史知识获取请求信息所对应的用户的属性信息为样本，以历史知识获取请求信息所对应的反馈知识以及推荐知识类别为标签训练得到的。
根据本发明实施例提供的农业知识推荐装置，通过确定目标用户的属性信息，利用农业知识推荐模型确定出准确的目标推荐知识类别，并从构建的农业知识数据集中确定出目标推荐知识以推送至目标用户，能够针对目标用户的属性信息精准确定推送信息，以便于知识平台开展精准化的知识推荐服务，以向不同用户推送精准的农业知识。
在一些实施例中，第三处理模块530还用于获取各历史知识获取请求信息所对应的用户的属性信息、各历史知识获取请求信息所对应的反馈知识以及推荐知识类别；基于各历史知识获取请求信息所对应的反馈知识，确定各历史知识获取请求信息所关联的知识图谱信息；各历史知识获取请求信息所对应的反馈知识是基于各历史知识获取请求信息所关联的知识图谱信息确定的；将各历史知识获取请求信息所对应的用户的属性信息、各历史知识获取请求信息所关联的知识图谱信息以及各历史知识获取请求信息所对应的推荐知识类别均映射为特征向量，并按照预设顺序将各历史知识获取请求信息所对应的特征向量组合为组合特征向量；基于各历史知识获取请求信息所对应的组合特征向量，得到农业知识数据集。
在一些实施例中，用户的属性信息包括画像属性信息和行为属性信息；画像属性信息包括用户所在地域、行业、关联农业作物品种、性别、年龄、学历中的至少一个，行为属性信息包括用户在知识平台点击知识的时间、点击的知识类别、阅读停留时间、有无评论、是否本人提问以及是否采纳中的至少一个；第三处理模块530还用于将各历史知识获取请求信息所对应的画像属性信息以及行为属性信息中的各属性信息分别映射为属性子向量；将各历史知识获取请求信息所对应的画像属性信息以及行为属性信息所对应的所有属性子向量组合，得到各历史知识获取请求信息所对应的各用户的属性信息的特征向量。
在一些实施例中，历史知识获取请求信息所关联的知识图谱信息包括候选知识的类别、知识表现形式、知识来源、发布地点、发布时间、评论数量、以及是否被采纳过中的至少一个；第三处理模块530还用于将各历史知识获取请求信息所关联的知识图谱信息中的各类型信息分别映射为知识图谱子向量；将各历史知识获取请求信息所关联的知识图谱信息中所有类型的知识图谱子向量组合，得到各历史知识获取请求信息所关联的各知识图谱信息的特征向量。
在一些实施例中，农业知识推荐模型为基于宽深兴趣网络模型训练得到的，农业知识推荐模型包括输入层、类隐层以及输出层；输入层用于接收目标用户的知识获取请求信息以及属性信息；类隐层用于获取目标反馈知识以及目标推荐知识类别；输出层用于输出目标反馈知识以及目标推荐知识类别
在一些实施例中，第一处理模块510还用于接收目标用户的目标输入；基于目标输入，确定目标用户的知识获取请求信息，并获取目标用户在知识平台的历史使用数据；基于目标用户在知识平台的注册信息、当前使用数据以及历史使用数据，确定目标用户的属性信息。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行农业知识推荐方法，该方法包括：确定目标用户的知识获取请求信息以及目标用户的属性信息；将目标用户的知识获取请求信息以及属性信息输入至农业知识推荐模型，得到农业知识推荐模型输出的与目标用户关联的目标反馈知识以及目标推荐知识类别；根据目标推荐知识类别，从农业知识数据集中确定出目标推荐知识；将目标反馈知识以及目标推荐知识推送至目标用户；其中，农业知识推荐模型是以知识平台的历史知识获取请求信息以及历史知识获取请求信息所对应的用户的属性信息为样本，以历史知识获取请求信息所对应的反馈知识以及推荐知识类别为标签训练得到的。
此外，上述的存储器630中的逻辑指令可以通过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(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的农业知识推荐方法，该方法包括：确定目标用户的知识获取请求信息以及目标用户的属性信息；将目标用户的知识获取请求信息以及属性信息输入至农业知识推荐模型，得到农业知识推荐模型输出的与目标用户关联的目标反馈知识以及目标推荐知识类别；根据目标推荐知识类别，从农业知识数据集中确定出目标推荐知识；将目标反馈知识以及目标推荐知识推送至目标用户；其中，农业知识推荐模型是以知识平台的历史知识获取请求信息以及历史知识获取请求信息所对应的用户的属性信息为样本，以历史知识获取请求信息所对应的反馈知识以及推荐知识类别为标签训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的农业知识推荐方法，该方法包括：确定目标用户的知识获取请求信息以及目标用户的属性信息；将目标用户的知识获取请求信息以及属性信息输入至农业知识推荐模型，得到农业知识推荐模型输出的与目标用户关联的目标反馈知识以及目标推荐知识类别；根据目标推荐知识类别，从农业知识数据集中确定出目标推荐知识；将目标反馈知识以及目标推荐知识推送至目标用户；其中，农业知识推荐模型是以知识平台的历史知识获取请求信息以及历史知识获取请求信息所对应的用户的属性信息为样本，以历史知识获取请求信息所对应的反馈知识以及推荐知识类别为标签训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述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。可以根据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的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种农业知识推荐方法，其特征在于，包括：
确定目标用户的知识获取请求信息以及所述目标用户的属性信息；
将所述目标用户的知识获取请求信息以及属性信息输入至农业知识推荐模型，得到所述农业知识推荐模型输出的与所述目标用户关联的目标反馈知识以及目标推荐知识类别；
根据所述目标推荐知识类别，从农业知识数据集中确定出目标推荐知识；
将所述目标反馈知识以及所述目标推荐知识推送至所述目标用户；
其中，所述农业知识推荐模型是以知识平台的历史知识获取请求信息以及所述历史知识获取请求信息所对应的用户的属性信息为样本，以所述历史知识获取请求信息所对应的反馈知识以及推荐知识类别为标签训练得到的。
2.根据权利要求1所述的农业知识推荐方法，其特征在于，所述农业知识数据集通过以下方式确定：
获取各历史知识获取请求信息所对应的用户的属性信息、各历史知识获取请求信息所对应的反馈知识以及推荐知识类别；
基于各历史知识获取请求信息所对应的反馈知识，确定各历史知识获取请求信息所关联的知识图谱信息；各历史知识获取请求信息所对应的反馈知识是基于各历史知识获取请求信息所关联的知识图谱信息确定的；
将各历史知识获取请求信息所对应的用户的属性信息、各历史知识获取请求信息所关联的知识图谱信息以及各历史知识获取请求信息所对应的推荐知识类别均映射为特征向量，并按照预设顺序将各历史知识获取请求信息所对应的特征向量组合为组合特征向量；
基于各历史知识获取请求信息所对应的组合特征向量，得到所述农业知识数据集。
3.根据权利要求2所述的农业知识推荐方法，其特征在于，用户的属性信息包括画像属性信息和行为属性信息；所述画像属性信息包括用户所在地域、行业、关联农业作物品种、性别、年龄、学历中的至少一个，所述行为属性信息包括用户在所述知识平台点击知识的时间、点击的知识类别、阅读停留时间、有无评论、是否本人提问以及是否采纳中的至少一个；
将各历史知识获取请求信息所对应的用户的属性信息映射为特征向量包括：
将各历史知识获取请求信息所对应的画像属性信息以及行为属性信息中的各属性信息分别映射为属性子向量；
将各历史知识获取请求信息所对应的画像属性信息以及行为属性信息所对应的所有所述属性子向量组合，得到各历史知识获取请求信息所对应的各用户的属性信息的特征向量。
4.根据权利要求2所述的农业知识推荐方法，其特征在于，历史知识获取请求信息所关联的知识图谱信息包括候选知识的类别、知识表现形式、知识来源、发布地点、发布时间、评论数量、以及是否被采纳过中的至少一个；
将各历史知识获取请求信息所关联的知识图谱信息映射为特征向量包括：
将各历史知识获取请求信息所关联的知识图谱信息中的各类型信息分别映射为知识图谱子向量；
将各历史知识获取请求信息所关联的知识图谱信息中所有类型的知识图谱子向量组合，得到各历史知识获取请求信息所关联的各知识图谱信息的特征向量。
5.根据权利要求1-4中任一项所述的农业知识推荐方法，其特征在于，所述农业知识推荐模型为基于宽深兴趣网络模型训练得到的，所述农业知识推荐模型包括输入层、类隐层以及输出层；
所述输入层用于接收所述目标用户的知识获取请求信息以及属性信息；
所述类隐层用于获取所述目标反馈知识以及所述目标推荐知识类别；
所述输出层用于输出所述目标反馈知识以及所述目标推荐知识类别。
6.根据权利要求1-4中任一项所述的农业知识推荐方法，其特征在于，所述确定目标用户的知识获取请求信息以及所述目标用户的属性信息，包括：
接收所述目标用户的目标输入；
基于所述目标输入，确定所述目标用户的知识获取请求信息，并获取所述目标用户在所述知识平台的历史使用数据；
基于所述目标用户在所述知识平台的注册信息、当前使用数据以及历史使用数据，确定所述目标用户的属性信息。
7.一种农业知识推荐装置，其特征在于，包括：
第一处理模块，用于确定目标用户的知识获取请求信息以及所述目标用户的属性信息；
第二处理模块，用于将所述目标用户的知识获取请求信息以及属性信息输入至农业知识推荐模型，得到所述农业知识推荐模型输出的与所述目标用户关联的目标反馈知识以及目标推荐知识类别；
第三处理模块，用于根据所述目标推荐知识类别，从农业知识数据集中确定出目标推荐知识；
第四处理模块，用于将所述目标反馈知识以及所述目标推荐知识推送至所述目标用户；
其中，所述农业知识推荐模型是以知识平台的历史知识获取请求信息以及所述历史知识获取请求信息所对应的用户的属性信息为样本，以所述历史知识获取请求信息所对应的反馈知识以及推荐知识类别为标签训练得到的。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述农业知识推荐方法。
9.一种非暂态计算机可读存储介质，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如权利要求1至6任一项所述农业知识推荐方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述农业知识推荐方法。
CN202211611047.2A 2022-12-12 2022-12-12 农业知识推荐方法及装置 Pending CN116089708A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211611047.2A CN116089708A (zh) 2022-12-12 2022-12-12 农业知识推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211611047.2A CN116089708A (zh) 2022-12-12 2022-12-12 农业知识推荐方法及装置

Publications (1)

Publication Number Publication Date
CN116089708A true CN116089708A (zh) 2023-05-09

Family

ID=86198290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211611047.2A Pending CN116089708A (zh) 2022-12-12 2022-12-12 农业知识推荐方法及装置

Country Status (1)

Country Link
CN (1) CN116089708A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116361562A (zh) * 2023-06-02 2023-06-30 太极计算机股份有限公司 一种面向农业产业互联网的知识化推荐方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116361562A (zh) * 2023-06-02 2023-06-30 太极计算机股份有限公司 一种面向农业产业互联网的知识化推荐方法及系统

Similar Documents

Publication Publication Date Title
CN112687374B (zh) 一种基于文本和图像信息联合计算的心理危机预警方法
CN111242310A (zh) 特征有效性评估方法、装置、电子设备及存储介质
CN110321437B (zh) 一种语料数据处理方法、装置、电子设备及介质
CN113012811B (zh) 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法
CN111222847B (zh) 基于深度学习与非监督聚类的开源社区开发者推荐方法
CN111090764A (zh) 基于多任务学习和图卷积神经网络的影像分类方法及装置
CN114202791A (zh) 面部情绪识别模型的训练方法、情绪识别方法及相关设备
CN113722474A (zh) 文本分类方法、装置、设备及存储介质
CN112085541A (zh) 基于浏览消费时序数据的用户需求分析方法及装置
CN113140254A (zh) 元学习药物-靶点相互作用预测系统及预测方法
CN111400525B (zh) 基于视觉组合关系学习的时尚服装智能搭配与推荐方法
CN116089708A (zh) 农业知识推荐方法及装置
CN115879508A (zh) 一种数据处理方法及相关装置
Buskirk et al. Why machines matter for survey and social science researchers: Exploring applications of machine learning methods for design, data collection, and analysis
CN112749737A (zh) 图像分类方法及装置、电子设备、存储介质
CN116910357A (zh) 一种数据处理方法及相关装置
CN115293812A (zh) 一种基于长短期兴趣的电商平台会话感知推荐预测方法
CN109299291A (zh) 一种基于卷积神经网络的问答社区标签推荐方法
CN115660060A (zh) 一种模型训练方法以及检测方法、装置、设备及存储介质
CN112632275B (zh) 基于个人文本信息的人群聚类数据处理方法、装置及设备
Bellot Learning probabilistic graphical models in R
CN115482019A (zh) 一种活动关注度预测方法、装置、电子设备和存储介质
CN112035567A (zh) 一种数据处理方法、装置及计算机可读存储介质
Zhou Intelligent personalized content recommendations based on neural networks
De Fausti et al. Multilayer perceptron models for the estimation of the attained level of education in the Italian Permanent Census

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