CN116662578B - 一种基于端到端的大型知识图谱构建和存储方法和系统 - Google Patents

一种基于端到端的大型知识图谱构建和存储方法和系统 Download PDF

Info

Publication number
CN116662578B
CN116662578B CN202310962016.XA CN202310962016A CN116662578B CN 116662578 B CN116662578 B CN 116662578B CN 202310962016 A CN202310962016 A CN 202310962016A CN 116662578 B CN116662578 B CN 116662578B
Authority
CN
China
Prior art keywords
clothing
model
models
garment
module
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
Application number
CN202310962016.XA
Other languages
English (en)
Other versions
CN116662578A (zh
Inventor
孙兆洋
隋媛
张莺
李文武
王志强
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.)
China National Institute of Standardization
Original Assignee
China National Institute of Standardization
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 China National Institute of Standardization filed Critical China National Institute of Standardization
Priority to CN202310962016.XA priority Critical patent/CN116662578B/zh
Publication of CN116662578A publication Critical patent/CN116662578A/zh
Application granted granted Critical
Publication of CN116662578B publication Critical patent/CN116662578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Animal Behavior & Ethology (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

本发明提供一种基于端到端的大型知识图谱构建和存储方法和系统，包括服装图谱构建模块、服装标签抽取模块、服装品质画像模块和服装品质反馈模块组成的构建架构，所述服装图谱构建模块包含：服装品类命名识别模块和同族服装关系抽取模块；从模型库中导入预训练的端到端神经网络模型，并且提取相关文本输入模型，通过所述服装品类命名识别模块创建大量的服装模型，所述服装模型包括实体指导模型和图片指导模型，根据所述服装模型获取大量服装的实体指导模型和图片指导模型，根据所述服装模型获取大量服装的实体指导模型和图片指导模型。本发明可以根据用户的需求，以及用户画像的应用方向进行不同策略的服装标签选择。

Description

一种基于端到端的大型知识图谱构建和存储方法和系统
技术领域
本发明涉及服装设计技术领域，尤其涉及一种基于端到端的大型知识图谱构建和存储方法和系统。
背景技术
服装定制企业的业务处理是生产经营活动中进行的，例如：布料进料的财务审批、量体师培训、量体师资格审批、服装订单派单、车间工艺流程调配等一系列需要进行的业务的处理。随着网络的普及和科技的发展，人们越来越多喜爱通过网络采购各种物品，人们吃、穿、住、行都可以通过从网络平台购买或预订。尤其是穿，各种网络平台层出不穷，每个网络平台都有大量的店铺出售各种各样的服装，供人们根据自己的喜爱和需求购买各种类型、各种品牌的衣物。
为了更好的满足人们的需求，各个平台还设置有各自的推荐机制，例如，某用户在某平台的某店铺采购了服装，则该平台会将与该服装款式类似的其他服装推荐给该用户。但该推荐方式的粒度过大，导致向用户推荐的服装不能满足用户需求，未能实现服装品牌的精准化定位推荐。
发明内容
针对上述问题，本发明提供一种基于端到端的大型知识图谱构建和存储方法和系统，本发明可以根据用户的需求，以及用户画像的应用方向进行不同策略的服装标签选择。
为解决上述问题，本发明所采用的技术方案是：
一种基于端到端的大型知识图谱构建和存储方法和系统，包括服装图谱构建模块、服装标签抽取模块、服装品质画像模块和服装品质反馈模块组成的构建架构；
所述服装图谱构建模块包含：服装品类命名识别模块和同族服装关系抽取模块；从模型库中导入预训练的端到端神经网络模型，并且提取相关文本输入模型；
通过所述服装品类命名识别模块创建大量的服装模型；
所述服装模型包括实体指导模型和图片指导模型；
根据所述服装模型获取大量服装的实体指导模型和图片指导模型，根据所述实体指导模型数据和图片指导模型数据构建大量服装的服装图谱模型；
根据所述服装图谱构建模块提取出用于构建服装图谱的节点间的关系；
基于所述节点间的关系，利用预设的服装图形数据库构建出所述大量服装的标签图谱；
服装图形数据库中节点与节点间的误差的具体过程如下：
均方根误差（RMSE）指的是：预测值与实际值偏差的平方与观测次数的比值的算术平方根，公式表示如下：
；
当预测值接近实际值时，RMSE值会达到最小值为0，当预测值远离实际值时，RMSE值达到无穷大；
平均绝对误差（MAE），是所有单个节点值与算术平均值的偏差的绝对值的平均，MAE定义如下式所示，该指标是对预测误差平均幅值的评价，
；
式中，为预测节点个数，/>为服装图形数据库中的节点数据，当预测值和实际值几乎相等时，MAE值趋于0，随着误差的增大，MAE值趋于无穷大，即随着预测值的实际值之间的误差增大，MAE值会呈线性增长；
服装品质画像模块通过服装品质反馈模块得到的服装图谱数据加入原有数据库中的服装图谱数据同时进行训练，进而提高服装模型的识别准确率；
从服装图形数据库中导入预训练的端对端神经网络进行实体关系的直接预测，由此得到的实体指导模型的外部服装图谱补充到端对端神经网络的训练中；
服装标签抽取模块包含服装标签选择、图谱数据清洗和服装标签存储；
服装标签选择：根据用户的需求，以及用户画像的应用方向进行不同策略的服装标签选择；
图谱数据清洗：标签是服装图形数据库中某个字段所对应的内容，也可能是内容中的内容，此时就需要对字段对应的内容进行清洗；
服装标签存储：将得到的标签按用户名称存储到服装图形数据库中，每个用户会对应多个标签；
若标签错误，则根据标签的产生方向分别反馈至样本库或数据库中，作为对数据和算法的修正。
优选地，根据所述实体指导模型和对大量服装进行系统划分，并根据划分的结果对实体指导模型进行调整。
优选地，根据所述实体指导模型对大量服装进行物理结构分解，并根据所述物理结构分解的结果对实体指导模型进行调整，基于调整后的实体指导模型，根据服装图谱信息数据构建得到大量服装的实体模型。
优选地，所述图片指导模型用于对获取到的大量的服装模型进行分析，提取出大量的服装模型的特征信息，并根据所述特征信息创建所述面向服装模型的服装图谱模型。
优选地，所述服装标签在完成选择后，再通过服装图形数据库确定需要选取的字段，从字段中抽取所需要的标签。
优选地，分别获取各实体指导模型中的首尾实体，并在各实体指导模型之间进行首尾实体的匹配，若不同实体指导模型之间的首尾实体匹配成功时，则分别获取不同实体指导模型的关系标识。
优选地，所述服装品质画像模块内部存储有服装数据信息，所述服装数据信息包括结构化数据、半结构化数据以及非结构化数据。
优选地，基于服装图谱模型构建多个服装板块分析模型，并通过对应的服装样本数据对各个服装板块分析模型进行训练，以得到优化后的服装板块分析模型。
优选地，统计服装图谱模型关联的所有标准图谱信息，并输入对应的优化后的服装板块分析模型中，输出对应的分析结果。
一种基于端到端的大型知识图谱构建和存储系统的方法，包括以下步骤；
S1、先构建服装图谱构建模块和服装标签抽取模块，服装图谱构建模块包含服装品类命名识别模块和同族服装关系抽取模块，服装标签抽取模块包含服装标签选择、图谱数据清洗和服装标签存储；
S2、构建服装品质画像模块和服装品质反馈模块，服装品质画像模块通过服装品质反馈模块得到的服装图谱数据加入原有数据库中的服装图谱数据同时进行训练；
S3、对实体指导模型和对大量服装进行系统划分，并根据划分的结果对实体指导模型进行调整；
S4、基于调整后的实体指导模型，根据服装图谱信息数据构建得到大量服装的实体模型。
本发明的有益效果为：
1.可以依据服装的模型数据，构建服装知识图谱，再查找与服装知识图谱中各历史品牌数据分别对应的服装品牌数据，并将各历史品牌数据及其对应的服装品牌数据形成为品牌数据矩阵，可以根据用户的需求，以及用户画像的应用方向进行不同策略的服装标签选择。
2.基于服装知识图谱中各历史服装数据对应的模型数据，生成与该服装数据对应的服装标签，以便于从各服装品牌数据中筛选出目标品牌数据进行推荐。
附图说明
图1为本发明的系统框图；
图2为本发明的流程框图。
具体实施方式
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，都属于本发明保护的范围。
参照图1-图2；一种基于端到端的大型知识图谱构建和存储方法和系统，包括服装图谱构建模块、服装标签抽取模块、服装品质画像模块和服装品质反馈模块组成的构建架构，所述服装图谱构建模块包含：服装品类命名识别模块和同族服装关系抽取模块；从模型库中导入预训练的端到端神经网络模型，并且提取相关文本输入模型，通过所述服装品类命名识别模块创建大量的服装模型，所述服装模型包括实体指导模型和图片指导模型，根据所述服装模型获取大量服装的实体指导模型和图片指导模型，根据所述实体指导模型数据和图片指导模型数据构建大量服装的服装图谱模型，根据所述服装图谱构建模块提取出用于构建服装图谱的节点间的关系，基于所述节点间的关系，利用预设的服装图形数据库构建出所述大量服装的标签图谱；
服装图形数据库中节点与节点间的误差的具体过程如下：
均方根误差（RMSE）指的是：预测值与实际值偏差的平方与观测次数的比值的算术平方根，公式表示如下：
；
当预测值接近实际值时，RMSE值会达到最小值为0，当预测值远离实际值时，RMSE值达到无穷大；
平均绝对误差（MAE），是所有单个节点值与算术平均值的偏差的绝对值的平均，MAE定义如下式所示，该指标是对预测误差平均幅值的评价，
；
式中，为预测节点个数，/>为服装图形数据库中的节点数据，当预测值和实际值几乎相等时，MAE值趋于0，随着误差的增大，MAE值趋于无穷大，即随着预测值的实际值之间的误差增大，MAE值会呈线性增长；
服装品质画像模块通过服装品质反馈模块得到的服装图谱数据加入原有数据库中的服装图谱数据同时进行训练，进而提高服装模型的识别准确率，从服装图形数据库中导入预训练的端对端神经网络进行实体关系的直接预测，由此得到的实体指导模型的外部服装图谱补充到端对端神经网络的训练中，服装标签抽取模块包含服装标签选择、图谱数据清洗和服装标签存储；
服装标签选择：根据用户的需求，以及用户画像的应用方向进行不同策略的服装标签选择，图谱数据清洗：标签是服装图形数据库中某个字段所对应的内容，也可能是内容中的内容，此时就需要对字段对应的内容进行清洗，服装标签存储：将得到的标签按用户名称存储到服装图形数据库中，每个用户会对应多个标签，若标签错误，则根据标签的产生方向分别反馈至样本库或数据库中，作为对数据和算法的修正。
进一步的，根据所述实体指导模型和对大量服装进行系统划分，并根据划分的结果对实体指导模型进行调整。
进一步的，根据所述实体指导模型对大量服装进行物理结构分解，并根据所述物理结构分解的结果对实体指导模型进行调整，基于调整后的实体指导模型，根据服装图谱信息数据构建得到大量服装的实体模型。
进一步的，所述图片指导模型用于对获取到的大量的服装模型进行分析，提取出大量的服装模型的特征信息，并根据所述特征信息创建所述面向服装模型的服装图谱模型。
进一步的，所述服装标签在完成选择后，再通过服装图形数据库确定需要选取的字段，从字段中抽取所需要的标签。
进一步的，分别获取各实体指导模型中的首尾实体，并在各实体指导模型之间进行首尾实体的匹配，若不同实体指导模型之间的首尾实体匹配成功时，则分别获取不同实体指导模型的关系标识。
进一步的，所述服装品质画像模块内部存储有服装数据信息，所述服装数据信息包括结构化数据、半结构化数据以及非结构化数据。
进一步的，基于服装图谱模型构建多个服装板块分析模型，并通过对应的服装样本数据对各个服装板块分析模型进行训练，以得到优化后的服装板块分析模型。
进一步的，统计服装图谱模型关联的所有标准图谱信息，并输入对应的优化后的服装板块分析模型中，输出对应的分析结果。
一种基于端到端的大型知识图谱构建和存储系统的方法，包括以下步骤；
S1、先构建服装图谱构建模块和服装标签抽取模块，服装图谱构建模块包含服装品类命名识别模块和同族服装关系抽取模块，服装标签抽取模块包含服装标签选择、图谱数据清洗和服装标签存储；
S2、构建服装品质画像模块和服装品质反馈模块，服装品质画像模块通过服装品质反馈模块得到的服装图谱数据加入原有数据库中的服装图谱数据同时进行训练；
S3、对实体指导模型和对大量服装进行系统划分，并根据划分的结果对实体指导模型进行调整；
S4、基于调整后的实体指导模型，根据服装图谱信息数据构建得到大量服装的实体模型。
综合上述，基于现有技术中各个平台设置的推荐机制的粒度过大，导致向用户推荐的服装不能满足用户需求，未能实现服装品牌的精准化定位推荐，本发明先构建服装图谱构建模块和服装标签抽取模块，服装图谱构建模块包含服装品类命名识别模块和同族服装关系抽取模块，服装标签抽取模块包含服装标签选择、图谱数据清洗和服装标签存储，然后构建服装品质画像模块和服装品质反馈模块，服装品质画像模块通过服装品质反馈模块得到的服装图谱数据加入原有数据库中的服装图谱数据同时进行训练，再对实体指导模型和对大量服装进行系统划分，并根据划分的结果对实体指导模型进行调整，并基于调整后的实体指导模型，根据服装图谱信息数据构建得到大量服装的实体模型，可以依据服装的模型数据，构建服装知识图谱，再查找与服装知识图谱中各历史品牌数据分别对应的服装品牌数据，并将各历史品牌数据及其对应的服装品牌数据形成为品牌数据矩阵，可以根据用户的需求，以及用户画像的应用方向进行不同策略的服装标签选择，基于服装知识图谱中各历史服装数据对应的模型数据，生成与该服装数据对应的服装标签，以便于从各服装品牌数据中筛选出目标品牌数据进行推荐。
本发明中的公式是去除量纲取其数值计算，通过采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设比例系数由本领域的技术人员根据实际情况设定或者通过大量数据模拟获取。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于端到端的大型知识图谱构建和存储系统，其特征在于，包括服装图谱构建模块、服装标签抽取模块、服装品质画像模块和服装品质反馈模块组成的构建架构；
所述服装图谱构建模块包含：服装品类命名识别模块和同族服装关系抽取模块；从模型库中导入预训练的端到端神经网络模型，并且提取相关文本输入模型；
通过所述服装品类命名识别模块创建大量的服装模型；
所述服装模型包括实体指导模型和图片指导模型；
根据所述服装模型获取大量服装的实体指导模型和图片指导模型，根据所述实体指导模型数据和图片指导模型数据构建大量服装的服装图谱模型；
根据所述服装图谱构建模块提取出用于构建服装图谱的节点间的关系；
基于所述节点间的关系，利用预设的服装图形数据库构建出所述大量服装的标签图谱；
服装图形数据库中节点与节点间的误差的具体过程如下：
均方根误差RMSE指的是：预测值与实际值偏差的平方与观测次数的比值的算术平方根，公式表示如下：
；
当预测值接近实际值时，RMSE值会达到最小值为0，当预测值远离实际值时，RMSE值达到无穷大；
平均绝对误差MAE，是所有单个节点值与算术平均值的偏差的绝对值的平均，MAE定义如下式所示，是对预测误差平均幅值的评价，
；
式中，为预测节点个数，/>为服装图形数据库中的节点数据，当预测值和实际值几乎相等时，MAE值趋于0，随着误差的增大，MAE值趋于无穷大，即随着预测值的实际值之间的误差增大，MAE值会呈线性增长；
服装品质画像模块通过服装品质反馈模块得到的服装图谱数据加入原有数据库中的服装图谱数据同时进行训练，进而提高服装模型的识别准确率；
从服装图形数据库中导入预训练的端对端神经网络进行实体关系的直接预测，由此得到的实体指导模型的外部服装图谱补充到端对端神经网络的训练中；
服装标签抽取模块包含服装标签选择、图谱数据清洗和服装标签存储；
服装标签选择：根据用户的需求，以及用户画像的应用方向进行不同策略的服装标签选择；
图谱数据清洗：标签是服装图形数据库中某个字段所对应的内容，也可能是内容中的内容，此时就需要对字段对应的内容进行清洗；
服装标签存储：将得到的标签按用户名称存储到服装图形数据库中，每个用户会对应多个标签；
若标签错误，则根据标签的产生方向分别反馈至样本库或数据库中，作为对数据和算法的修正。
2.根据权利要求1所述的一种基于端到端的大型知识图谱构建和存储系统，其特征在于，根据所述实体指导模型和对大量服装进行系统划分，并根据划分的结果对实体指导模型进行调整。
3.根据权利要求2所述的一种基于端到端的大型知识图谱构建和存储系统，其特征在于，根据所述实体指导模型对大量服装进行物理结构分解，并根据所述物理结构分解的结果对实体指导模型进行调整，基于调整后的实体指导模型，根据服装图谱信息数据构建得到大量服装的实体模型。
4.根据权利要求3所述的一种基于端到端的大型知识图谱构建和存储系统，其特征在于，所述图片指导模型用于对获取到的大量的服装模型进行分析，提取出大量的服装模型的特征信息，并根据所述特征信息创建面向服装模型的服装图谱模型。
5.根据权利要求4所述的一种基于端到端的大型知识图谱构建和存储系统，其特征在于，所述服装标签在完成选择后，再通过服装图形数据库确定需要选取的字段，从字段中抽取所需要的标签。
6.根据权利要求5所述的一种基于端到端的大型知识图谱构建和存储系统，其特征在于，分别获取各实体指导模型中的首尾实体，并在各实体指导模型之间进行首尾实体的匹配，若不同实体指导模型之间的首尾实体匹配成功时，则分别获取不同实体指导模型的关系标识。
7.根据权利要求6所述的一种基于端到端的大型知识图谱构建和存储系统，其特征在于，所述服装品质画像模块内部存储有服装数据信息，所述服装数据信息包括结构化数据、半结构化数据以及非结构化数据。
8.根据权利要求7所述的一种基于端到端的大型知识图谱构建和存储系统，其特征在于，基于服装图谱模型构建多个服装板块分析模型，并通过对应的服装样本数据对各个服装板块分析模型进行训练，以得到优化后的服装板块分析模型。
9.根据权利要求8所述的一种基于端到端的大型知识图谱构建和存储系统，其特征在于，统计服装图谱模型关联的所有标准图谱信息，并输入对应的优化后的服装板块分析模型中，输出对应的分析结果。
10.适用于权利要求1-9任意一条所述的一种基于端到端的大型知识图谱构建和存储系统的方法，其特征在于，包括以下步骤；
S1、先构建服装图谱构建模块和服装标签抽取模块，服装图谱构建模块包含服装品类命名识别模块和同族服装关系抽取模块，服装标签抽取模块包含服装标签选择、图谱数据清洗和服装标签存储；
S2、构建服装品质画像模块和服装品质反馈模块，服装品质画像模块通过服装品质反馈模块得到的服装图谱数据加入原有数据库中的服装图谱数据同时进行训练；
S3、对实体指导模型和对大量服装进行系统划分，并根据划分的结果对实体指导模型进行调整；
S4、基于调整后的实体指导模型，根据服装图谱信息数据构建得到大量服装的实体模型。
CN202310962016.XA 2023-08-02 2023-08-02 一种基于端到端的大型知识图谱构建和存储方法和系统 Active CN116662578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310962016.XA CN116662578B (zh) 2023-08-02 2023-08-02 一种基于端到端的大型知识图谱构建和存储方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310962016.XA CN116662578B (zh) 2023-08-02 2023-08-02 一种基于端到端的大型知识图谱构建和存储方法和系统

Publications (2)

Publication Number Publication Date
CN116662578A CN116662578A (zh) 2023-08-29
CN116662578B true CN116662578B (zh) 2023-10-31

Family

ID=87724699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310962016.XA Active CN116662578B (zh) 2023-08-02 2023-08-02 一种基于端到端的大型知识图谱构建和存储方法和系统

Country Status (1)

Country Link
CN (1) CN116662578B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532398A (zh) * 2019-07-24 2019-12-03 西安交通大学 基于多任务联合神经网络模型的家族图谱自动构建方法
CN111831831A (zh) * 2020-07-17 2020-10-27 广东金融学院 一种基于知识图谱的个性化学习平台及其构建方法
CN112926325A (zh) * 2021-02-14 2021-06-08 北京工业大学 基于bert神经网络的中文人物关系抽取构建方法
CN113076387A (zh) * 2021-04-08 2021-07-06 北京星天地信息科技有限公司 一种基于多基元图谱匹配的道路路网匹配方法及装置
WO2021189956A1 (zh) * 2020-09-18 2021-09-30 平安科技（深圳）有限公司 基于知识图谱的智能客服方法、装置、设备及存储介质
CN115309982A (zh) * 2022-07-19 2022-11-08 解放号网络科技有限公司 一种结合知识图谱的用户画像构建方法
CN115983332A (zh) * 2022-10-19 2023-04-18 南京工业大学 一种基于图神经网络的风电轴承预测与健康管理系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532398A (zh) * 2019-07-24 2019-12-03 西安交通大学 基于多任务联合神经网络模型的家族图谱自动构建方法
CN111831831A (zh) * 2020-07-17 2020-10-27 广东金融学院 一种基于知识图谱的个性化学习平台及其构建方法
WO2021189956A1 (zh) * 2020-09-18 2021-09-30 平安科技（深圳）有限公司 基于知识图谱的智能客服方法、装置、设备及存储介质
CN112926325A (zh) * 2021-02-14 2021-06-08 北京工业大学 基于bert神经网络的中文人物关系抽取构建方法
CN113076387A (zh) * 2021-04-08 2021-07-06 北京星天地信息科技有限公司 一种基于多基元图谱匹配的道路路网匹配方法及装置
CN115309982A (zh) * 2022-07-19 2022-11-08 解放号网络科技有限公司 一种结合知识图谱的用户画像构建方法
CN115983332A (zh) * 2022-10-19 2023-04-18 南京工业大学 一种基于图神经网络的风电轴承预测与健康管理系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
融合社交网络和图像内容的兴趣点推荐;邵长城;陈平华;;计算机应用(05);1261-1268 *

Also Published As

Publication number Publication date
CN116662578A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN108960719B (zh) 选品方法和装置以及计算机可读存储介质
CN109902708A (zh) 一种推荐模型训练方法及相关装置
CN106651542B (zh) 一种物品推荐的方法及装置
CN108205768B (zh) 数据库建立方法和数据推荐方法及装置、设备和存储介质
CN109034973B (zh) 商品推荐方法、装置、系统及计算机可读存储介质
CN111079015B (zh) 一种推荐方法、装置、计算机设备和存储介质
CN110008397B (zh) 一种推荐模型训练方法及装置
CN108320171A (zh) 热销商品预测方法、系统及装置
CN107562875A (zh) 一种模型的更新方法、装置及系统
CN109582876A (zh) 旅游行业用户画像构造方法、装置和计算机设备
CN107113466A (zh) 向用户推荐项目
CN109670546B (zh) 一种基于预设模板的商品匹配及数量回归识别算法
CN108664658A (zh) 一种考虑用户偏好动态变化的协同过滤视频推荐方法
CN107679103B (zh) 用于实体的属性分析方法及系统
CN114663198A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN113946754A (zh) 基于用户画像的权益推荐方法、装置、设备及存储介质
CN104699711A (zh) 一种推荐方法及服务器
CN114861050A (zh) 一种基于神经网络的特征融合推荐方法及系统
CN106202515A (zh) 一种基于排序学习的移动应用推荐方法及其推荐系统
CN113591986A (zh) 用于生成推荐模型的对象权值的方法和个性化推荐方法
CN116308683B (zh) 基于知识图谱的服装品牌定位推荐方法、设备及存储介质
CN109146606A (zh) 一种品牌推荐方法、电子设备、存储介质及系统
CN114358807A (zh) 基于可预测用户特征属性的用户画像方法及系统
CN116662578B (zh) 一种基于端到端的大型知识图谱构建和存储方法和系统
CN110874432B (zh) 排序方法、信息推荐方法、系统及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant