CN116226533A - 基于关联性预测模型的新闻关联推荐方法、装置及介质 - Google Patents
基于关联性预测模型的新闻关联推荐方法、装置及介质 Download PDFInfo
- Publication number
- CN116226533A CN116226533A CN202310246806.8A CN202310246806A CN116226533A CN 116226533 A CN116226533 A CN 116226533A CN 202310246806 A CN202310246806 A CN 202310246806A CN 116226533 A CN116226533 A CN 116226533A
- Authority
- CN
- China
- Prior art keywords
- news
- target
- feature
- model
- recommended
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种新闻的关联推荐方法、装置、设备及介质。该方法包括:获取待关联推荐的目标新闻,并构建目标新闻的基础特征;获取与目标新闻匹配的多个候选推荐新闻,并根据与候选推荐新闻匹配的新闻主题特征和至少一个新闻实体特征,构建各候选推荐新闻的比对特征;将基础特征与各比对特征分别进行组合,得到多个特征对,并将各特征对分别输入至预先训练的关联性预测模型中,得到各特征对的关联概率;根据各特征对的关联概率,在多个候选推荐新闻中筛选出至少一个目标推荐新闻,并将各目标推荐新闻作为对目标新闻的关联推荐结果。通过本发明的技术方案,能够基于用户选择浏览的新闻进行有效的关联新闻的推荐,提高了新闻关联推荐的精准度。
Description
技术领域
本发明涉及信息推荐领域,尤其涉及一种新闻的关联推荐方法、装置、设备及介质。
背景技术
随着互联网技术的不断发展和日益普及,新闻用户所面对的信息量正在以惊人的速度增长,对能够方便地获取自己感兴趣的新闻信息的需求越来越迫切。由于新闻信息量急速增加,新闻类别越发细化,并具有很强的实时性,往往更新迅速,时效极短,因此对新闻进行有效的关联推荐,以提供给不同的用户是十分重要的。
现有技术中,对于新闻的关联推荐,主要有以下2种方式:方法1为基于标签的方式进行新闻的关联推荐,即一条新闻产生后会有运营人员打上类别、关键词等标签,把相同类别或相同标签的新闻作为相关推荐的结果;方法2为利用基于用户行为建模的方式,根据一段时间内用户的点击,点赞,评论等行为建立新闻推荐模型,并基于该新闻推荐模型进行相关新闻的推荐。
发明人在实现本发明的过程中,发现上述现有技术存在如下问题:方法1对标签的准确度有较高要求,并且运营人员打标签的方式效率较低,影响了新闻关联推荐的效率与精准度;方法2有一定的时间滞后性,对用户行为的数量与质量也有要求,用户的数据过少也会降低新闻关联推荐的精准度。
发明内容
本发明提供了一种新闻的关联推荐方法、装置、设备及介质,以提高新闻的关联推荐的精准度。
第一方面,本发明实施例提供了一种新闻的关联推荐方法,该方法包括:
获取待关联推荐的目标新闻,并根据与目标新闻匹配的新闻主题特征和至少一个新闻实体特征,构建目标新闻的基础特征;
获取与目标新闻匹配的多个候选推荐新闻,并根据与候选推荐新闻匹配的新闻主题特征和至少一个新闻实体特征,构建各候选推荐新闻的比对特征;
将基础特征与各比对特征分别进行组合,得到多个特征对,并将各特征对分别输入至预先训练的关联性预测模型中,得到各特征对的关联概率;
根据各特征对的关联概率,在多个候选推荐新闻中筛选出至少一个目标推荐新闻,并将各目标推荐新闻作为对目标新闻的关联推荐结果。
第二方面,本发明实施例提供了一种新闻的关联推荐装置,该装置包括:
基础特征构建模块,用于获取待关联推荐的目标新闻,并根据与目标新闻匹配的新闻主题特征和至少一个新闻实体特征,构建目标新闻的基础特征;
比对特征构建模块,用于获取与目标新闻匹配的多个候选推荐新闻,并根据与候选推荐新闻匹配的新闻主题特征和至少一个新闻实体特征,构建各候选推荐新闻的比对特征;
关联概率获取模块,用于将基础特征与各比对特征分别进行组合,得到多个特征对,并将各特征对分别输入至预先训练的关联性预测模型中,得到各特征对的关联概率;
关联推荐结果获取模块,用于根据各特征对的关联概率,在多个候选推荐新闻中筛选出至少一个目标推荐新闻,并将各目标推荐新闻作为对目标新闻的关联推荐结果。
第三方面,本发明实施例提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的新闻的关联推荐方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的新闻的关联推荐方法。
本发明实施例的技术方案,通过获取待关联推荐的目标新闻,并构建目标新闻的基础特征,之后获取多个候选推荐新闻,并构建各候选推荐新闻的比对特征,之后将基础特征与各比对特征分别进行组合,得到多个特征对,并将各特征对分别输入至预先训练的关联性预测模型中,得到各特征对的关联概率根据各特征对的关联概率,最后在多个候选推荐新闻中筛选出多个目标推荐新闻,并将各目标推荐新闻作为对目标新闻的关联推荐结果,解决了现有技术中进行新闻的关联推荐时精确度与时效性较差的问题,提供了一种新的关联新闻的推荐方式,提高了新闻的关联推荐的精准度,有效减少用户自行搜索实际感兴趣的新闻信息时的时间消耗。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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1a是根据本发明实施例一提供的一种新闻的关联推荐方法的流程图;
图1b是本发明实施例一提供的方法所适用的一种关联性预测模型的模型结构示意图;
图2是根据本发明实施例二提供的一种新闻的关联推荐方法的流程图;
图3是根据本发明实施例三提供的一种新闻的关联推荐装置的结构示意图;
图4是实现本发明实施例的新闻的关联推荐方法的电子设备的结构示意图。
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。
实施例一
图1a为本发明实施例一提供的一种新闻的关联推荐方法的流程图,本实施例可适用于根据用户选择浏览的新闻进行新闻的关联推荐的情况,该方法可以由新闻的关联推荐装置来执行,该新闻的关联推荐装置可以采用硬件和/或软件的形式实现,该新闻的关联推荐装置可配置于具有新闻的关联推荐功能的终端或者服务器中。如图1a所示,该方法包括:
S110、获取待关联推荐的目标新闻,并根据与目标新闻匹配的新闻主题特征和至少一个新闻实体特征,构建目标新闻的基础特征。
其中,所述目标新闻可以包括:用户目前正在浏览的或者存在过浏览行为的新闻;进一步的,所述目标新闻可以通过用户的实时行为数据筛选得到,或者,也可以从用于存储用户行为日志的服务器查询并调取获得。
具体的,该新闻主题特征可以理解为用于描述该目标新闻的主题内容的特征,该新闻实体特征可以理解为用于描述该目标新闻中所包括的关键新闻实体的特征。目标新闻的基础特征可以为直接使用新闻主题特征和至少一个新闻实体特征组合构成的特征集合,或者,还可以为由新闻主题特征、至少一个新闻实体特征以及从其他维度上描述该目标新闻的其他特征共同组合得到的特征集合等。
在本实施例中,为了实现基于目标新闻进行其他新闻的关联推荐,需要首先获取用于从多个维度描述该目标新闻的基础特征,进而,可以基于该基础特征,获取与该目标新闻在一个或者多个维度上存在关联性的新闻,进行关联推荐。
其中,可以通过将目标新闻输入至预先训练的主题模型中,获取与目标新闻匹配的新闻主题特征,或者,还可以通过将所述目标新闻的标题内容或者是关键段落的内容与设定的主题词库进行匹配的方式,获取所述目标新闻中的主题词,再通过设定的文本序列化方式,将上述各主题词生成与目标新闻匹配的新闻主题特征。
相应的,可以通过将目标新闻输入预先训练的语义映射模型中,获取与所述新闻匹配的新闻实体特征,或者,还可以通过将所述目标新闻中的实体进行提取,计算各个新闻实体所出现的频次,并挑选符合频次要求的实体在服务器中根据语义直接进行新闻实体特征的获取。
在本实施例的一个可选的实施方式中,根据与目标新闻匹配的新闻主题特征和至少一个新闻实体特征,构建目标新闻的基础特征,可以包括:
将所述目标新闻输入至预先训练的主题模型中,获取与所述目标新闻匹配的新闻主题特征;在目标新闻中进行实体识别,得到目标新闻的至少一个实体;按照各所述实体在所述目标新闻中出现次数由多到少的顺序,在全部实体中筛选出设定数量的目标新闻实体;将所述设定数量的目标新闻实体分别输入至预先训练的语义映射模型中,获取与所述目标新闻实体匹配的至少一个新闻实体特征;根据所述目标新闻的新闻主题特征以及至少一个新闻实体特征,构建得到目标新闻的基础特征。
其中,所述预先训练的主题模型可以为LDA(Latent Dirichlet Allocation,潜在狄利克雷分配)主题模型;进一步的,所述LDA主题模型可以用于识别大规模文档集或语料库中潜藏的主题信息,即所述主题模型可以用于获取所述目标新闻中的主题信息,进而基于所述主题信息获取与所述目标新闻匹配的新闻主题特征;具体的,LDA主题模型认为所有的新闻都是由基本词汇组合而来,词汇的使用频率可以反映出所述新闻的不同主题,进一步的,将所述主题与词汇之间的关系扩展到新闻与主题上,由于一篇新闻通常包含不止一个词汇,故一篇新闻可以包含多个不同的新闻主题,且每个新闻主题根据词汇出现的频率不同具有不同的概率,因此,所述LDA主题模型对每一篇新闻可以计算出匹配该新闻的不同新闻主题的概率分布,并基于所述概率分布生成与所述目标新闻匹配的新闻主题特征。
其中,所述实体可以为:所述目标新闻中出现的具有具体而真是的形态或结构的事物,即现实世界中的客观事物;示例性的,所述目标新闻的实体可以包括:人名、地名以及组织机构名称等。
在实际应用中,容易理解的是,通常一个实体在整篇目标新闻中出现至少一次,对所述至少一个实体的出现数量分别进行次数统计;进一步的,将所述实体按照出现次数由多到少的次数进行排序,即将目标新闻中出现次数最多的实体排在最前端,相应的,出现次数最少的实体排在最后端;进一步的,可以根据所述实体数量的情况对所述全部实体进行筛选得到设定数量的目标新闻实体;示例性的,若所述实体的总数量为100,设定所述规则为所述目标新闻具有3个目标新闻实体,则将所述100个实体依据上述步骤进行由多到少的排序之后,提取排名前三位的实体作为目标新闻实体,即提取出现次数最多的实体作为所述目标新闻的目标新闻实体;需要注意的是,在实际应用中,所述目标实体的数量可以根据实体总数的不同而进行人工调整。
在本实施例的一个可选的实施方式中,可选的,所述语义训练模型可以为:TransR(Translating Relation Embeddings,翻译关系嵌入)模型;进一步的,所述TransR模型可以用于将不同实体在不同的关系中处理为不同的向量表示;具体的,TransR模型认为每个实体都具有很多面,即实体之间的关系实际是实体的不同面之间的关系,基于此将所述实体的实体与关系分别映射到两个空间中,然后将实体空间中的实体通过转移矩阵转移到关系空间中进行向量表示,以完成由实体向向量的转化。
由上述可知,所述目标新闻的新闻实体特征的数量与所述目标新闻的目标新闻实体的数量相同,且具有一一对应的关系。
在本实施例的一个可选的实施方式中,根据所述目标新闻的新闻主题特征以及至少一个新闻实体特征,构建得到目标新闻的基础特征,可以包括:
获取所述目标新闻的至少一项新闻描述信息,所述新闻描述信息包括下述至少一项:所述目标新闻的分类、标签、作者与发布时间;将所述目标新闻的至少一项新闻描述信息、新闻主题特征以及至少一个新闻实体特征进行组合,得到目标新闻的基础特征。
其中,所述目标新闻的新闻描述信息为目标新闻具有的固有属性,可以通过调用服务器数据直接获取。
S120、获取与目标新闻匹配的多个候选推荐新闻,并根据与候选推荐新闻匹配的新闻主题特征和至少一个新闻实体特征,构建各候选推荐新闻的比对特征。
其中,所述候选推荐新闻为与该目标新闻的新闻内容粗关联的新闻,所谓粗关联的新闻是指与该目标新闻具有一定的关联性,但是其关联性的大小无法保证。
其中,所述各候选推荐新闻的比对特征的构建方式与S110中目标新闻的基础特征的构建方式相同,以使所述基础特征与所述比对特征具有可比性。
具体的,获取与目标新闻匹配的多个候选推荐新闻,并根据与候选推荐新闻匹配的新闻主题特征和至少一个新闻实体特征,构建各候选推荐新闻的比对特征,可以包括:
将所述各候选推荐新闻分别输入至预先训练的主题模型中,获取与所述各候选推荐新闻分别匹配的新闻主题特征;对各候选推荐新闻分别进行实体识别,得到各候选推荐新闻的至少一个实体;统计各候选推荐新闻中的各实体的出现次数,按照各所述实体在所述候选新闻中出现次数由多到少的顺序,在全部实体中筛选出设定数量的候选新闻实体;将所述设定数量的候选新闻实体分别输入至预先训练的语义映射模型中;获取与各候选推荐新闻的候选新闻实体匹配的新闻实体特征;将所述各候选推荐新闻的新闻主题特征、新闻实体特征与所述各候选推荐新闻的候选信息特征分别进行组合,得到各候选推荐新闻的比对特征。
可选的,获取与目标新闻匹配的多个候选推荐新闻包括:将所述目标新闻输入至预先训练的协同过滤模型中,获取与目标新闻匹配的多个候选推荐新闻。
其中,所述协同过滤模型可以为item-cf(item-Collaborative Filtering,协同过滤算法)模型;进一步的,可以基于用户行为,并根据一段时间内目标用户对新闻的点击、点赞或浏览等行为建立item-cf模型;具体的,在本实施例中,所述item-cf模型可以计算各新闻之间的相似度,并根基各新闻之间的相似度和用户的历史行为记录给用户生成候选推荐新闻。
需要注意的是,所述协同过滤模型可以根据目标用户针对上一次计算结果的行为反馈,在进行下一次计算时重新计算相关推荐结果,以实现新闻相关推荐的实时预测,避免了两次协同过滤模型计算之间,后一次计算没有产生新的相关推荐结果的问题。
S130、将基础特征与各比对特征分别进行组合,得到多个特征对,并将各特征对分别输入至预先训练的关联性预测模型中,得到各特征对的关联概率。
在本实施例中,示例性的,当对所述基础特征与各比对特征分别进行组合时,若存在基础特征a,与比对特征b、比对特征e与比对特征f,则根据上述基础特征与各比对特征分别进行组合得到的特征对分别为:基础特征a-比对特征b、基础特征a-比对特征e与基础特征a-比对特征f。
其中,所述每一个特征对中均包含所述目标新闻的新闻描述信息、新闻实体特征、新闻主题特征以及该特征对所对应的候选推荐新闻的新闻描述信息、新闻实体特征、新闻主题特征。
如图1b所示,将上述信息进行组合输入至所述关联性预测模型中,得到各特征对中的目标新闻与候选推荐新闻之间的相关概率。将所述相关概率作为该特征对的关联概率。
在本实施例中,所述关联性预测模型可以为wide&deep模型;进一步的所述wide&deep模型包括线性的wide模型与deep模型两部分;具体的,所述模型的wide模型部分可以提高模型的记忆能力,使模型可以记住一些系数的、特定的规则;相应的,所述模型的deep模型部分可以提高模型的泛化能力,进而挖掘输入数据之间的关联关系。
S140、根据各特征对的关联概率,在多个候选推荐新闻中筛选出至少一个目标推荐新闻,并将各目标推荐新闻作为对目标新闻的关联推荐结果。
其中,所述目标推荐新闻可以为使用预设筛选规则进行筛选后满足筛选要求的候选推荐新闻;进一步的,所述预设筛选规则可以为在得到各特征对的关联概率之后,选择达到一定概率阈值的候选推荐新闻作为满足要求的目标推荐新闻。或者,在所述预设筛选规则可以为在得到各特征对的关联概率之后,按照特征对的关联概率由高到低的顺序将所述各特征对匹配的候选推荐新闻进行排序,获取规定数量的前k个候选推荐新闻作为目标推荐新闻。
在本实施例的一个实施方式中,基于S130得到各特征对的关联概率之后,按照特征对的关联概率由高到低的顺序将所述各特征对匹配的候选推荐新闻进行排序,之后筛选出设定数量目标的候选推荐新闻作为对目标新闻的关联推荐结果进行显示,示例性的,若设定数量目标为k,则选取所述排序之后的候选推荐新闻的前k个新闻;需要注意的是,所述设定数量目标可以根据客户端的作用或支持规模不同人工进行调整。
本发明实施例的技术方案,通过获取待关联推荐的目标新闻,并构建目标新闻的基础特征,之后获取多个候选推荐新闻,并构建各候选推荐新闻的比对特征,之后将基础特征与各比对特征分别进行组合,得到多个特征对,并将各特征对分别输入至预先训练的关联性预测模型中,得到各特征对的关联概率根据各特征对的关联概率,最后在多个候选推荐新闻中筛选出多个目标推荐新闻,并将各目标推荐新闻作为对目标新闻的关联推荐结果,解决了现有技术中进行新闻的关联推荐时精确度与时效性较低的问题,实现了与目标新闻的关联新闻的推荐,提高了新闻的关联推荐的精准度,有效减少用户自行搜索感兴趣的新闻信息时的时间消耗。
在上述各实施例的基础上,在将各特征对分别输入至预先训练的关联性预测模型中之前,还可以包括:
构建初始关联性预测模型,并确定所述初始关联性预测模型的初始模型参数;获取样本模型数据;根据所述样本模型数据和所述关联性预测模型确定最终模型参数,并将最终模型参数对应的关联性预测模型作为关联性预测模型。
具体的,在本实施例中,所述样本模型数据可以由上述item-cf模型获得;示例性的,将某新闻A输入至所述item-cf模型中,获得输出结果为新闻B、新闻C与新闻D,则所述新闻B、新闻C与新闻D为新闻的正样本,之后按照正负比例1:1从新闻库中随机挑选出除新闻B、新闻C与新闻D之外的三个新闻文章新闻E、新闻F与新闻G作为负样本;将所述新闻A作为目标新闻,新闻B-G作为候选推荐新闻,根据本实施例所述方法得到所述新闻A的基础特征与新闻B-G的各比对特征,将基础特征与各比对特征分别进行组合;进一步的,如图1b所示,将所述新闻A的新闻描述信息、新闻实体特征以及新闻B-G的新闻描述信息以及新闻实体特征输入所述初始关联预测模型的wide模型部分,所述新闻A与新闻B-G的新闻主题特征输入至deep模型部分,并获取所述新闻A与新闻B-G分别的关联概率作为模型输出对模型进行参数训练,以确定最终模型参数,并将最终模型参数对应的关联性预测模型作为关联性预测模型。
实施例二
图2为本发明实施例二提供的一种新闻的关联推荐方法的流程图,本实施例以上述实施例为基础进行细化,在本实施例中,将主题模型与语义映射模型的具体构建过程进行具体化。
相应的,如图2所示,该方法包括:
S210、获取新闻集,并对所述新闻集中的各新闻单位分别进行文字预处理,得到所述各新闻单位的新闻文字词袋。
其中,所述新闻集可以为一定时间内服务器中更新的全部新闻;进一步的,所述新闻单位为组成新闻集的元素,一篇独立的新闻可以作为一个新闻单位。
可选的,所述文字预处理可以为:将所述新闻集中的各新闻单位的标题与正文合并,并对各合并后的新闻中的无用字符与停用词进行过滤,得到新闻信息;进一步的,将所述新闻信息中的全部单词根据出现先后顺序分别映射至不同的单词ID中,即每篇新闻信息均可以用一个单词ID列表表示。
需要注意的是,在统计每篇新闻信息中的单词与对应单词出现次数时,由于一些高频词,例如“是的、可以”等在不同新闻信息中都会出现且并不具有实体单词所包含的含义,故在进行每篇新闻信息中的单词与对应单词出现次数之后,通常除去前1000个出现频率最高的高频单词,其余全部单词的单词ID列表作为新闻单位的新闻文字词袋进行输出,即将所述各新闻单位均转化为新闻文字词袋,其中,所述各新闻单位中的单词以及对应单词的出现次数均由元组表示;示例性的,例如(13,2)表示单词ID为13的单词在其所在的新闻单位中出现的次数为2。
S220、使用自然语言数据库对所述新闻文字词袋进行处理,得到所述各新闻单位的新闻主题数量。
其中,所述新闻主题数量为所述一个新闻单位中所包含的互异的主题的个数。
其中,所述自然语言数据库可以为gensim数据库;进一步的,所述gensim数据库可以以无监督的方式从原始的非结构化文本中提取隐藏层的主题向量表达;进一步的,将所述新闻文字词袋使用gensim数据库进行处理,可以得到所述新闻文字词袋对应的新闻单位所包含的新闻主题数量。
S230、将所述各新闻单位的新闻文字词袋作为模型输入,新闻主题数量作为理想模型输出对设定的机器学习模型进行训练,得到所述主题模型。
其中,所述机器学习模型可以为初始的LDA主题模型
S240、构建初始语义映射模型,并确定所述初始语义映射模型的初始模型参数。
其中,所述初始语义模型可以为具有初始模型参数的TransR模型;进一步的,所述初始模型参数可以为随机设置的任一非零参数。
S250、获取样本模型数据。
本实施例中,在获取样本模型数据之前,还包括:获取新闻集,并对所述新闻集中的各新闻单位进行结构化处理,分别得到每个新闻单位的结构化信息;获取所述结构化信息分别对应的实体特征。
进一步的,将所述结构化信息与对应的实体特征进行组合,得到所述初始语义映射模型的样本模型数据。
S260、根据所述样本模型数据和所述初始模型参数训练得到最终模型参数,并根据所述最终模型参数将所述初始语义映射模型更新为所述语义映射模型。
其中,将所述样本数据中的结构化信息作为输入,对应的实体特征作为输出,基于下述的损失函数对所述初始模型参数进行训练,得到最终模型参数。
可选的,所述损失函数可以为:
L(h,r,t)=max(0,dpos-dneg+margin)
其中,h表示头实体向量,t表示尾实体向量,r表示关系向量,dpos和dneg分别表示正样本和负样本的L1或者L2范数。
S270、获取待关联推荐的目标新闻,通过所述主题模型获得与目标新闻匹配的新闻主题特征,以及通过所述语义映射模型获得与目标新闻匹配的至少一个新闻实体特征,并根据所述新闻主题特征与新闻实体特征构建目标新闻的基础特征。
S280、获取与目标新闻匹配的多个候选推荐新闻,并根据与候选推荐新闻匹配的新闻主题特征和至少一个新闻实体特征,构建各候选推荐新闻的比对特征。
S290、将基础特征与各比对特征分别进行组合,得到多个特征对,并将各特征对分别输入至预先训练的关联性预测模型中,得到各特征对的关联概率。
S2100、根据各特征对的关联概率,在多个候选推荐新闻中筛选出至少一个目标推荐新闻,并将各目标推荐新闻作为对目标新闻的关联推荐结果。
本发明实施例的技术方案,将初始的主题模型、协同过滤模型与关联推荐模型进行训练并得到相应的模型,之后通过获取待关联推荐的目标新闻,并构建目标新闻的基础特征,之后获取多个候选推荐新闻,并构建各候选推荐新闻的比对特征,之后将基础特征与各比对特征分别进行组合,得到多个特征对,并将各特征对分别输入至预先训练的关联性预测模型中,得到各特征对的关联概率根据各特征对的关联概率,最后在多个候选推荐新闻中筛选出多个目标推荐新闻,并将各目标推荐新闻作为对目标新闻的关联推荐结果,解决了现有技术中进行新闻的关联推荐时精确度与时效性较低的问题,实现了与目标新闻的关联新闻的推荐,提高了新闻的关联推荐的精准度,有效减少用户自行搜索感兴趣的新闻信息时的时间消耗。
实施例三
图3为本发明实施例三提供的一种新闻的关联推荐装置的结构示意图。
如图3所示,该装置包括:
基础特征构建模块310,用于获取待关联推荐的目标新闻,并根据与目标新闻匹配的新闻主题特征和至少一个新闻实体特征,构建目标新闻的基础特征;
比对特征构建模块320,用于获取与目标新闻匹配的多个候选推荐新闻,并根据与候选推荐新闻匹配的新闻主题特征和至少一个新闻实体特征,构建各候选推荐新闻的比对特征;
关联概率获取模块330,用于将基础特征与各比对特征分别进行组合,得到多个特征对,并将各特征对分别输入至预先训练的关联性预测模型中,得到各特征对的关联概率;
关联推荐结果获取模块340,用于根据各特征对的关联概率,在多个候选推荐新闻中筛选出至少一个目标推荐新闻,并将各目标推荐新闻作为对目标新闻的关联推荐结果。
本发明实施例的技术方案,通过获取待关联推荐的目标新闻,并构建目标新闻的基础特征,之后获取多个候选推荐新闻,并构建各候选推荐新闻的比对特征,之后将基础特征与各比对特征分别进行组合,得到多个特征对,并将各特征对分别输入至预先训练的关联性预测模型中,得到各特征对的关联概率根据各特征对的关联概率,最后在多个候选推荐新闻中筛选出多个目标推荐新闻,并将各目标推荐新闻作为对目标新闻的关联推荐结果,解决了现有技术中进行新闻的关联推荐时精确度与时效性较低的问题,实现了与目标新闻的关联新闻的推荐,提高了新闻的关联推荐的精准度,有效减少用户自行搜索感兴趣的新闻信息时的时间消耗。
在上述实施例的基础上,基础特征构建模块310,可以包括:
主题特征获取单元,用于将所述目标新闻输入至预先训练的主题模型中,获取与所述目标新闻匹配的新闻主题特征;
实体获取单元,用于在目标新闻中进行实体识别,得到目标新闻的至少一个实体;
实体筛选单元,用于按照各所述实体在所述目标新闻中出现次数由多到少的顺序,在全部实体中筛选出设定数量的目标新闻实体;
实体特征获取单元,用于将所述设定数量的目标新闻实体分别输入至预先训练的语义映射模型中,获取与所述目标新闻实体匹配的至少一个新闻实体特征;
基础特征获取单元,用于根据所述目标新闻的新闻主题特征以及至少一个新闻实体特征,构建得到目标新闻的基础特征。
在上述实施例的基础上,比对特征构建模块320,可以包括:
候选推荐新闻获取单元,用于将所述目标新闻输入至预先训练的协同过滤模型中,获取与目标新闻匹配的多个候选推荐新闻。
在上述实施例的基础上,关联推荐结果获取模块340,可以包括:
排序单元,用于按照各所述各特征对的关联概率从大到小的顺序,对各所述候选推荐新闻进行排序;
目标推荐新闻确定单元,用于在排序结果中按照从前到后的顺序,选取设定数量的候选推荐新闻作为目标推荐新闻。
在上述实施例的基础上,主题特征获取单元,进一步包括:
新闻文字词袋获取单元,用于获取新闻集,并对所述新闻集中的各新闻单位分别进行文字预处理,得到所述各新闻单位的新闻文字词袋;
新闻文字词袋处理单元,用于使用自然语言数据库对所述新闻文字词袋进行处理,得到所述各新闻单位的新闻主题数量;
主题模型训练单元,用于将所述各新闻单位的新闻文字词袋作为模型输入,新闻主题数量作为理想模型输出对设定的机器学习模型进行训练,得到所述主题模型。
在上述实施例的基础上,实体特征获取单元,进一步包括:
初始语义映射模型构建单元,用于构建初始语义映射模型,并确定所述初始语义映射模型的初始模型参数;
数据获取单元,用于获取样本模型数据;
语义映射模型训练单元,用于根据所述样本模型数据和所述初始模型参数训练得到最终模型参数,并根据所述最终模型参数将所述初始语义映射模型更新为所述语义映射模型。
本发明实施例所提供的新闻的关联推荐装置可执行本发明任意实施例所提供的新闻的关联推荐方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如新闻的关联推荐方法。
相应的,该方法包括:
获取待关联推荐的目标新闻,并根据与目标新闻匹配的新闻主题特征和至少一个新闻实体特征,构建目标新闻的基础特征;
获取与目标新闻匹配的多个候选推荐新闻,并根据与候选推荐新闻匹配的新闻主题特征和至少一个新闻实体特征,构建各候选推荐新闻的比对特征;
将基础特征与各比对特征分别进行组合,得到多个特征对,并将各特征对分别输入至预先训练的关联性预测模型中,得到各特征对的关联概率;
根据各特征对的关联概率,在多个候选推荐新闻中筛选出至少一个目标推荐新闻,并将各目标推荐新闻作为对目标新闻的关联推荐结果。
在一些实施例中新闻的关联推荐方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的新闻的关联推荐方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行新闻的关联推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
Claims (10)
1.一种新闻的关联推荐方法,其特征在于,包括:
获取待关联推荐的目标新闻,并根据与目标新闻匹配的新闻主题特征和至少一个新闻实体特征,构建目标新闻的基础特征;
获取与目标新闻匹配的多个候选推荐新闻,并根据与候选推荐新闻匹配的新闻主题特征和至少一个新闻实体特征,构建各候选推荐新闻的比对特征;
将基础特征与各比对特征分别进行组合,得到多个特征对,并将各特征对分别输入至预先训练的关联性预测模型中,得到各特征对的关联概率;
根据各特征对的关联概率,在多个候选推荐新闻中筛选出至少一个目标推荐新闻,并将各目标推荐新闻作为对目标新闻的关联推荐结果。
2.根据权利要求1所述的方法,其特征在于,根据与目标新闻匹配的新闻主题特征和至少一个新闻实体特征,构建目标新闻的基础特征,包括:
将所述目标新闻输入至预先训练的主题模型中,获取与所述目标新闻匹配的新闻主题特征;
在目标新闻中进行实体识别,得到目标新闻的至少一个实体;
按照各所述实体在所述目标新闻中出现次数由多到少的顺序,在全部实体中筛选出设定数量的目标新闻实体;
将所述设定数量的目标新闻实体分别输入至预先训练的语义映射模型中,获取与所述目标新闻实体匹配的至少一个新闻实体特征;
根据所述目标新闻的新闻主题特征以及至少一个新闻实体特征,构建得到目标新闻的基础特征。
3.根据权利要求2所述的方法,其特征在于,根据所述目标新闻的新闻主题特征以及至少一个新闻实体特征,构建得到目标新闻的基础特征,包括:
获取所述目标新闻的至少一项新闻描述信息,所述新闻描述信息包括下述至少一项:所述目标新闻的分类、标签、作者与发布时间;
将所述目标新闻的至少一项新闻描述信息、新闻主题特征以及至少一个新闻实体特征进行组合,得到目标新闻的基础特征。
4.根据权利要求1所述的方法,其特征在于,获取与目标新闻匹配的多个候选推荐新闻包括:
将所述目标新闻输入至预先训练的协同过滤模型中,获取与目标新闻匹配的多个候选推荐新闻。
5.根据权利要求1所述的方法,其特征在于,根据各特征对的关联概率,在多个候选推荐新闻中筛选出至少一个目标推荐新闻,包括:
按照各所述各特征对的关联概率从大到小的顺序,对各所述候选推荐新闻进行排序;
在排序结果中按照从前到后的顺序,选取设定数量的候选推荐新闻作为目标推荐新闻。
6.根据权利要求2所述的方法,其特征在于,将所述目标新闻输入至预先训练的主题模型中,获取与所述目标新闻匹配的新闻主题特征之前,还包括:
获取新闻集,并对所述新闻集中的各新闻单位分别进行文字预处理,得到所述各新闻单位的新闻文字词袋;
使用自然语言数据库对所述新闻文字词袋进行处理,得到所述各新闻单位的新闻主题数量;
将所述各新闻单位的新闻文字词袋作为模型输入,新闻主题数量作为理想模型输出对设定的机器学习模型进行训练,得到所述主题模型。
7.根据权利要求2所述的方法,其特征在于,将所述目标新闻实体输入至预先训练的语义映射模型中,获取与所述目标新闻实体匹配的新闻实体特征之前,还包括:
构建初始语义映射模型,并确定所述初始语义映射模型的初始模型参数;
获取样本模型数据;
根据所述样本模型数据和所述初始模型参数训练得到最终模型参数,并根据所述最终模型参数将所述初始语义映射模型更新为所述语义映射模型。
8.一种新闻的关联推荐装置,其特征在于,包括:
基础特征构建模块,用于获取待关联推荐的目标新闻,并根据与目标新闻匹配的新闻主题特征和至少一个新闻实体特征,构建目标新闻的基础特征;
比对特征构建模块,用于获取与目标新闻匹配的多个候选推荐新闻,并根据与候选推荐新闻匹配的新闻主题特征和至少一个新闻实体特征,构建各候选推荐新闻的比对特征;
关联概率获取模块,用于将基础特征与各比对特征分别进行组合,得到多个特征对,并将各特征对分别输入至预先训练的关联性预测模型中,得到各特征对的关联概率;
关联推荐结果获取模块,用于根据各特征对的关联概率,在多个候选推荐新闻中筛选出至少一个目标推荐新闻,并将各目标推荐新闻作为对目标新闻的关联推荐结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的新闻的关联推荐方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的新闻的关联推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310246806.8A CN116226533A (zh) | 2023-03-14 | 2023-03-14 | 基于关联性预测模型的新闻关联推荐方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310246806.8A CN116226533A (zh) | 2023-03-14 | 2023-03-14 | 基于关联性预测模型的新闻关联推荐方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116226533A true CN116226533A (zh) | 2023-06-06 |
Family
ID=86576746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310246806.8A Pending CN116226533A (zh) | 2023-03-14 | 2023-03-14 | 基于关联性预测模型的新闻关联推荐方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116226533A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708434A (zh) * | 2024-01-09 | 2024-03-15 | 青岛睿哲信息技术有限公司 | 一种基于关键词的用户推荐浏览内容生成方法 |
-
2023
- 2023-03-14 CN CN202310246806.8A patent/CN116226533A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708434A (zh) * | 2024-01-09 | 2024-03-15 | 青岛睿哲信息技术有限公司 | 一种基于关键词的用户推荐浏览内容生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549874B (zh) | 多目标图文匹配模型的训练方法、图文检索方法及装置 | |
TW201839628A (zh) | 一種基於網路媒體資料流程發現並跟蹤熱點話題的方法、系統和裝置 | |
CN112559747B (zh) | 事件分类处理方法、装置、电子设备和存储介质 | |
CN112989208B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN118210908B (zh) | 一种检索增强方法、装置、电子设备及存储介质 | |
CN115168537B (zh) | 语义检索模型的训练方法、装置、电子设备及存储介质 | |
CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
CN114299194A (zh) | 图像生成模型的训练方法、图像生成方法及装置 | |
CN112989235A (zh) | 基于知识库的内链构建方法、装置、设备和存储介质 | |
CN116049379A (zh) | 知识推荐方法、装置、电子设备和存储介质 | |
CN116028618A (zh) | 文本处理、文本检索方法、装置、电子设备及存储介质 | |
CN115827956A (zh) | 一种数据信息检索方法、装置、电子设备及存储介质 | |
CN116226533A (zh) | 基于关联性预测模型的新闻关联推荐方法、装置及介质 | |
CN113378015B (zh) | 搜索方法、装置、电子设备、存储介质和程序产品 | |
CN114328800A (zh) | 文本处理方法、装置、电子设备和计算机可读存储介质 | |
CN113806483A (zh) | 数据处理方法、装置、电子设备及计算机程序产品 | |
CN112925912A (zh) | 文本处理方法、同义文本召回方法及装置 | |
CN112528644B (zh) | 实体挂载的方法、装置、设备以及存储介质 | |
CN112784600B (zh) | 信息排序方法、装置、电子设备和存储介质 | |
CN115329850A (zh) | 信息比对方法、装置、电子设备及存储介质 | |
CN114528378A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN110472140B (zh) | 对象词推荐方法、装置及电子设备 | |
CN113377921B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
CN113377922B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
CN115795023B (zh) | 文档推荐方法、装置、设备以及存储介质 |
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 |