CN116992960A - 一种知识图谱可视化交互方法及系统 - Google Patents
一种知识图谱可视化交互方法及系统 Download PDFInfo
- Publication number
- CN116992960A CN116992960A CN202311235661.8A CN202311235661A CN116992960A CN 116992960 A CN116992960 A CN 116992960A CN 202311235661 A CN202311235661 A CN 202311235661A CN 116992960 A CN116992960 A CN 116992960A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- feature
- visual
- behavior
- features
- 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.)
- Granted
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 371
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012800 visualization Methods 0.000 title claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 267
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 24
- 230000006399 behavior Effects 0.000 claims description 500
- 230000002452 interceptive effect Effects 0.000 claims description 200
- 238000005457 optimization Methods 0.000 claims description 19
- 238000013473 artificial intelligence Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 abstract description 5
- 239000013598 vector Substances 0.000 description 24
- 238000003066 decision tree Methods 0.000 description 13
- 238000005304 joining Methods 0.000 description 13
- 230000003542 behavioural effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000013461 design Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003997 social interaction Effects 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000011151 fibre-reinforced plastic Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000009436 residential construction Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/904—Browsing; Visualisation therefor
-
- 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)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种知识图谱可视化交互方法及系统。通过本发明,在生成可视化知识图谱时,引入了不同可视化交互行为事件之间的上下游特征、关联特征和冲突特征进行综合分析,该上下游特征、关联特征和冲突特征能够尽可能丰富、深入地反映不同可视化交互行为事件之间的牵涉联系情况,这样可以保障所确定出的可视化交互行为事件的知识定位特征的适配性,从而提升可视化知识图谱的细节表征质量,为后续的电商推送、办公协作以及业务办理指导等应用处理提供准确可靠的分析依据。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种知识图谱可视化交互方法及系统。
背景技术
知识图谱(knowledge graph)是一种用于表示和组织结构化知识的图形模型,其中实体通过关系相互连接。知识图谱可视化交互方法及系统旨在提供一种直观、可交互的方式来探索、查询和理解知识图谱。知识图谱通常由大量的实体和关系组成,因此需要合适的图形布局算法将其呈现为可视化图形。常用的布局算法包括力导向布局、层次布局、圆形布局等,这些算法可以根据实体之间的关系、属性等进行自动排列和调整,以便更好地展示知识图谱的结构和关联。知识图谱可视化交互系统通常具备搜索和查询功能,用户可以通过输入关键词或条件来快速定位感兴趣的实体或关系。系统会根据用户的查询条件在知识图谱中进行匹配,并将结果高亮显示或以其他方式进行展示,帮助用户更快地获取所需的信息。
可见,知识图谱作为一种强大的知识表示和分析工具,能够帮助企业更好地组织和管理知识,支持智能决策、个性化推荐、风险管理、客户服务等关键业务领域,因此被越来越多的行业广泛应用。然而在实际应用过程中,如何确保所生成的知识图谱的质量,是当下需要进一步改善的一个技术问题。
发明内容
本发明至少提供一种知识图谱可视化交互方法及系统。
本发明的技术方案是通过如下至少部分实施例实现的。
一种知识图谱可视化交互方法,应用于人工智能分析系统,所述方法包括:
获取在线用户交互行为集的交互行为牵涉特征,所述在线用户交互行为集包括多种可视化交互行为事件,所述交互行为牵涉特征用于表征所述多种可视化交互行为事件中的不同可视化交互行为事件之间的上下游特征、关联特征和冲突特征中的至少一类;
基于针对所述在线用户交互行为集的知识图谱创建请求,依据所述交互行为牵涉特征生成所述在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,所述交互行为热力描述网包括所述多种可视化交互行为事件在所述AI知识特征空间中的知识定位特征;
依据所述在线用户交互行为集在所述AI知识特征空间中的所述交互行为热力描述网,在所述AI知识特征空间中生成所述在线用户交互行为集中的可视化交互行为事件所对应的知识成员以及所述知识成员对应的成员联系。
可选的,所述基于针对所述在线用户交互行为集的知识图谱创建请求,依据所述交互行为牵涉特征生成所述在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,包括:
基于所述知识图谱创建请求,生成第一可视化交互行为事件在所述AI知识特征空间中的第一知识定位特征;
依据所述第一可视化交互行为事件的所述第一知识定位特征以及所述交互行为牵涉特征,确定所述第一可视化交互行为事件在所述AI知识特征空间中的第二知识定位特征。
可选的,所述依据所述第一可视化交互行为事件的所述第一知识定位特征以及所述交互行为牵涉特征,确定所述第一可视化交互行为事件在所述AI知识特征空间中的第二知识定位特征,包括:
在所述第一可视化交互行为事件的所述第一知识定位特征中,清洗掉位于目标可视化交互行为事件的知识定位特征以外的知识定位特征,得到所述第一可视化交互行为事件的所述第二知识定位特征;
其中,所述第一可视化交互行为事件与所述目标可视化交互行为事件的为交互行为牵涉特征所述上下游特征,且所述第一可视化交互行为事件是所述目标可视化交互行为事件的下游可视化交互行为事件,所述目标可视化交互行为事件是所述多种可视化交互行为事件中与所述第一可视化交互行为事件不同的可视化交互行为事件。
可选的,所述依据所述第一可视化交互行为事件的所述第一知识定位特征以及所述交互行为牵涉特征,确定所述第一可视化交互行为事件在所述AI知识特征空间中的第二知识定位特征,包括:
在所述第一可视化交互行为事件的所述第一知识定位特征中,缓存与关联可视化交互行为事件的知识定位特征具有重叠特征的知识定位特征,得到所述第一可视化交互行为事件的所述第二知识定位特征;
其中,所述第一可视化交互行为事件与所述关联可视化交互行为事件的交互行为牵涉特征为所述关联特征,所述关联可视化交互行为事件是所述多种可视化交互行为事件中与所述第一可视化交互行为事件不同的可视化交互行为事件。
可选的,所述依据所述第一可视化交互行为事件的所述第一知识定位特征以及所述交互行为牵涉特征,确定所述第一可视化交互行为事件在所述AI知识特征空间中的第二知识定位特征,包括:
在所述第一可视化交互行为事件的所述第一知识定位特征与冲突可视化交互行为事件的知识定位特征具有重叠特征的基础上,在所述第一可视化交互行为事件的所述第一知识定位特征中清洗掉所述重叠特征,或在所述冲突可视化交互行为事件的知识定位特征中清洗掉所述重叠特征,得到所述第一可视化交互行为事件的所述第二知识定位特征;
其中,所述第一可视化交互行为事件与所述冲突可视化交互行为事件的交互行为牵涉特征为所述冲突特征,所述冲突可视化交互行为事件是所述多种可视化交互行为事件中与所述第一可视化交互行为事件不同的可视化交互行为事件。
可选的,所述交互行为牵涉特征映射于拓扑关系结构中,所述拓扑关系结构中的拓扑单元表征所述多种可视化交互行为事件中一种可视化交互行为事件,所述拓扑关系结构中存在连接关系的上级拓扑单元与下级拓扑单元为所述上下游特征且所述下级拓扑单元从属于所述上级拓扑单元,属于同一上级拓扑单元的不同下级拓扑单元为同级拓扑单元,所述同级拓扑单元之间的交互行为牵涉特征为所述冲突特征或所述关联特征;
所述基于所述知识图谱创建请求,生成第一可视化交互行为事件在所述AI知识特征空间中的第一知识定位特征,包括:基于所述知识图谱创建请求,基于所述拓扑关系结构中拓扑单元的优先级游走所述拓扑关系结构中的拓扑单元;在游走到第一拓扑单元的基础上,生成所述第一拓扑单元对应的所述第一可视化交互行为事件的所述第一知识定位特征;
所述依据所述第一可视化交互行为事件的所述第一知识定位特征以及所述交互行为牵涉特征,确定所述第一可视化交互行为事件在所述AI知识特征空间中的第二知识定位特征,包括:依据所述第一拓扑单元的上级拓扑单元与同级拓扑单元对应的可视化交互行为事件与所述第一可视化交互行为事件的关系,生成所述第一拓扑单元对应的所述第一可视化交互行为事件的所述第二知识定位特征。
可选的,所述基于所述知识图谱创建请求,基于所述拓扑关系结构中拓扑单元的优先级游走所述拓扑关系结构中的拓扑单元,包括:
基于所述知识图谱创建请求,基于所述拓扑关系结构中拓扑单元的优先级,将所述拓扑关系结构中的拓扑单元添加到列表作为当前拓扑单元,所述当前拓扑单元是当前游走到的拓扑单元;
所述方法还包括:基于完成生成所述当前拓扑单元对应的可视化交互行为事件的所述第二知识定位特征,将所述当前拓扑单元从所述列表中删除。
可选的,所述方法还包括:基于所述知识图谱创建请求,生成所述第一可视化交互行为事件的基础知识定位特征;
所述在游走到第一拓扑单元的基础上,生成所述第一拓扑单元对应的所述第一可视化交互行为事件的所述第一知识定位特征,包括:在游走到所述第一拓扑单元的基础上,依据所述第一拓扑单元对应的所述第一可视化交互行为事件的所述基础知识定位特征,生成所述第一拓扑单元对应的所述第一可视化交互行为事件的所述第一知识定位特征;其中,所述基础知识定位特征的辐射区间小于所述第一知识定位特征。
可选的,所述知识图谱创建请求包括针对所述AI知识特征空间的空间筛选指令,所述AI知识特征空间包括多个局部知识特征空间;
所述基于针对所述在线用户交互行为集的知识图谱创建请求,依据所述交互行为牵涉特征生成所述在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,包括:
基于所述知识图谱创建请求,在所述多个局部知识特征空间中确定与所述空间筛选指令匹配的知识特征空间具有重叠特征的一个或多个目标知识特征空间;
依据所述交互行为牵涉特征并行生成所述在线用户交互行为集在所述目标知识特征空间中的交互行为热力描述网,得到所述在线用户交互行为集在所述AI知识特征空间中的交互行为热力描述网。
可选的,所述方法还包括:
基于针对所述在线用户交互行为集的优化指令,依据所述交互行为牵涉特征更新所述在线用户交互行为集在所述AI知识特征空间中的交互行为热力描述网,得到交互行为热力优化描述网;
依据所述在线用户交互行为集在所述AI知识特征空间中的所述交互行为热力优化描述网,在所述AI知识特征空间中生成所述在线用户交互行为集中的可视化交互行为事件所对应的知识成员以及所述知识成员对应的成员联系。
可选的,所述方法还包括:
在存在针对所述在线用户交互行为集的多个处理指令的基础上,同步响应所述多个处理指令中每个处理指令对应的指令项目;
其中,所述多个处理指令包括所述知识图谱创建请求和所述优化指令中的至少一类,所述指令项目是在所述AI知识特征空间中生成所述可视化交互行为事件的业务项目。
一种人工智能分析系统,包括:处理器、存储器以及网络接口;所述处理器与所述存储器、所述网络接口相连;所述网络接口用于提供数据通信功能,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行上述方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时执行知识图谱可视化交互方法。
一种计算机程序产品,包括计算机程序或计算机可执行指令,所述计算机程序或计算机可执行指令被处理器执行时,实现知识图谱可视化交互方法。
根据本发明的一个实施例,通过获取在线用户交互行为集的交互行为牵涉特征,在生成在线用户交互行为集时,会基于交互行为牵涉特征来确定生成在线用户交互行为集中的可视化交互行为事件时的知识定位特征,进而能够基于生成的知识定位特征来实现可视化交互行为事件的知识图谱化处理,从而针对在线用户交互行为集准确完整地生成包括知识成员以及成员联系的可视化知识图谱。在生成可视化知识图谱时,引入了不同可视化交互行为事件之间的上下游特征、关联特征和冲突特征进行综合分析,该上下游特征、关联特征和冲突特征能够尽可能丰富、深入地反映不同可视化交互行为事件之间的牵涉联系情况,这样可以保障所确定出的可视化交互行为事件的知识定位特征的适配性,从而提升可视化知识图谱的细节表征质量,为后续的电商推送、办公协作以及业务办理指导等应用处理提供准确可靠的分析依据。
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,而非限制本发明的技术方案。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本发明的实施例,并与说明书一起用于说明本发明的技术方案。应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例所提供的一种人工智能分析系统的示意图。
图2示出了本发明实施例所提供的一种知识图谱可视化交互方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,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。通常在此处描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
图1示出了本发明实施例所提供的一种人工智能分析系统的示意图,人工智能分析系统100包括处理器110、存储器120以及网络接口130。所述处理器110与所述存储器120、所述网络接口130相连。进一步地,所述网络接口130用于提供数据通信功能,所述存储器120用于存储程序代码,所述处理器110用于调用所述程序代码,以执行知识图谱可视化交互方法。
图2是示出可以实现本发明的实施例的知识图谱可视化交互方法的流程示意图,知识图谱可视化交互方法可以通过图1所示的人工智能分析系统100实现,知识图谱可视化交互方法示例性地包括步骤101-步骤103。
步骤101、人工智能分析系统获取在线用户交互行为集的交互行为牵涉特征。
其中,所述在线用户交互行为集包括多种可视化交互行为事件,所述交互行为牵涉特征用于表征所述多种可视化交互行为事件中的不同可视化交互行为事件之间的上下游特征、关联特征和冲突特征中的至少一类。
步骤102、人工智能分析系统基于针对所述在线用户交互行为集的知识图谱创建请求,依据所述交互行为牵涉特征生成所述在线用户交互行为集在AI知识特征空间中的交互行为热力描述网。
其中,所述交互行为热力描述网包括所述多种可视化交互行为事件在所述AI知识特征空间中的知识定位特征。
步骤103、人工智能分析系统依据所述在线用户交互行为集在所述AI知识特征空间中的所述交互行为热力描述网,在所述AI知识特征空间中生成所述在线用户交互行为集中的可视化交互行为事件所对应的知识成员以及所述知识成员对应的成员联系。
其中,在线用户交互行为集中的可视化交互行为事件所对应的知识成员以及知识成员对应的成员联系组成可视化知识图谱。
在一些可能的实施例中,在电子商务应用场景下对步骤101-步骤103中的相关内容解释如下:在线用户交互行为集:在线购物平台上的用户交互行为,例如搜索商品、添加到购物车、查看商品详情等;交互行为牵涉特征:针对在线用户交互行为集中的不同可视化交互行为事件,可以提取出与这些行为相关的特征,比如用户浏览历史、购买偏好、点击量等;可视化交互行为事件:具体的用户交互行为,比如点击商品、筛选商品、放大图片等;上下游特征:指不同可视化交互行为事件之间的关联性,比如用户先搜索商品,然后点击查看商品详情,最后添加到购物车;关联特征:指可视化交互行为事件之间的相关性,比如用户浏览了某个商品类别后,系统会显示相关推荐的商品;冲突特征:指可视化交互行为事件之间的冲突关系,比如用户在购物车中删除了一个商品,但又重新添加了相似的商品;知识图谱创建请求:基于在线用户交互行为集和交互行为牵涉特征,构建知识图谱的请求,用于生成相应的交互行为热力描述网;AI知识特征空间:利用人工智能技术对用户交互行为进行建模和分析的特征空间;交互行为热力描述网:在AI知识特征空间中生成的网状结构,用于描述在线用户交互行为集中各种可视化交互行为事件在知识特征空间中的分布情况和热度;知识定位特征:反映了可视化交互行为事件在AI知识特征空间中的位置和属性,可以帮助理解用户行为和需求;知识成员:指可视化交互行为事件对应的知识实体或数据,在电子商务应用场景下可以是商品、商品类别、用户等;成员联系:表示不同知识成员之间的关联关系,比如商品与用户的购买行为、商品与商品的相关性等。
在另一些可能的实施例中,在远程办公应用场景下对步骤101-步骤103中的相关内容解释如下:在线用户交互行为集:远程办公工具中的用户交互行为,例如发送电子邮件、参与视频会议、共享文件等;交互行为牵涉特征:根据在线用户交互行为集,提取出与交互行为相关的特征,比如工作时段、频繁使用的功能、合作团队等;可视化交互行为事件:具体的用户交互行为,比如创建任务、标记重要邮件、编辑共享文档等;上下游特征:指不同可视化交互行为事件之间的关联性,比如在任务管理工具中,完成某个任务后会自动触发下一个相关任务;关联特征:指可视化交互行为事件之间的相关性,例如在视频会议中讨论某个主题后,系统会自动在共享文档中生成相关笔记;冲突特征:指可视化交互行为事件之间的冲突关系,例如多名用户同时编辑同一份文档,可能导致版本冲突或内容丢失;知识图谱创建请求:基于在线用户交互行为集和交互行为牵涉特征,发起创建知识图谱的请求,以便更好地理解和分析用户在远程办公工具中的行为和需求;AI知识特征空间:利用人工智能技术对用户交互行为进行建模和分析的特征空间,用于揭示用户偏好、工作习惯等;交互行为热力描述网:在AI知识特征空间中生成的网状结构,用于描述不同可视化交互行为事件在知识特征空间中的分布情况和热度,帮助优化远程办公工具的用户体验;知识定位特征:反映了可视化交互行为事件在AI知识特征空间中的位置和属性,可以帮助定位用户的工作需求和提供个性化的推荐服务;知识成员:指可视化交互行为事件对应的知识实体或数据,在远程办公应用场景下可以是会议记录、任务列表、团队成员等;成员联系:表示不同知识成员之间的关联关系,比如任务与参与者的关联、文件与协作者的关联等,有助于促进团队协作和信息共享。
在另一些可能的实施例中,在智慧政务应用场景下对步骤101-步骤103中的相关内容解释如下:在线用户交互行为集:政务门户网站或移动应用中的用户交互行为,例如在线申请证件、查询公共服务信息、提交反馈等;交互行为牵涉特征:根据在线用户交互行为集,提取与交互行为相关的特征,比如地理位置、查询历史、政务偏好等;可视化交互行为事件:具体的用户交互行为,比如搜索政策文件、填写在线表格、参与在线投票等;上下游特征:指不同可视化交互行为事件之间的关联性,比如在政务办理过程中,完成某项手续会触发下一步的审批流程;关联特征:指可视化交互行为事件之间的相关性,例如在政务咨询页面浏览相关问题后,系统会自动展示相关政策和解答;冲突特征:指可视化交互行为事件之间的冲突关系,例如多名用户同时提交相同的申请,可能导致重复工作或资源浪费;知识图谱创建请求:基于在线用户交互行为集和交互行为牵涉特征,发起创建知识图谱的请求,以便更好地理解和分析用户在智慧政务平台中的行为和需求;AI知识特征空间:利用人工智能技术对用户交互行为进行建模和分析的特征空间,用于提供个性化的服务和推荐;交互行为热力描述网:在AI知识特征空间中生成的网状结构,描述不同可视化交互行为事件在知识特征空间中的分布情况和热度,帮助政务了解公众需求和优化政务服务;知识定位特征:反映可视化交互行为事件在AI知识特征空间中的位置和属性,有助于政务精准定位用户需求,并提供相关政策、服务或信息;知识成员:指可视化交互行为事件对应的知识实体或数据,在智慧政务应用场景下可以是政策文件、公共服务项目、任职信息等;成员联系:表示不同知识成员之间的关联关系,比如政策与服务的关联、用户与政务部门的沟通联系等,有助于提升政务决策效率和提供精准的公共服务。
可以理解,应用步骤101-步骤103,通过获取在线用户交互行为集的交互行为牵涉特征,在生成在线用户交互行为集时,会基于交互行为牵涉特征来确定生成在线用户交互行为集中的可视化交互行为事件时的知识定位特征,进而能够基于生成的知识定位特征来实现可视化交互行为事件的知识图谱化处理,从而针对在线用户交互行为集准确完整地生成包括知识成员以及成员联系的可视化知识图谱。在生成可视化知识图谱时,引入了不同可视化交互行为事件之间的上下游特征、关联特征和冲突特征进行综合分析,该上下游特征、关联特征和冲突特征能够尽可能丰富、深入地反映不同可视化交互行为事件之间的牵涉联系情况,这样可以保障所确定出的可视化交互行为事件的知识定位特征的适配性,从而提升可视化知识图谱的细节表征质量,为后续的电商推送、办公协作以及业务办理指导等应用处理提供准确可靠的分析依据。
在一些可选的实施例中,步骤102中的基于针对所述在线用户交互行为集的知识图谱创建请求,依据所述交互行为牵涉特征生成所述在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,包括步骤1021和步骤1022。
步骤1021、基于所述知识图谱创建请求,生成第一可视化交互行为事件在所述AI知识特征空间中的第一知识定位特征。
步骤1022、依据所述第一可视化交互行为事件的所述第一知识定位特征以及所述交互行为牵涉特征,确定所述第一可视化交互行为事件在所述AI知识特征空间中的第二知识定位特征。
例如,用户在电子商务平台上搜索了一款手机,并点击了商品详情页面。根据该交互行为,在知识图谱中会生成对应的第一可视化交互行为事件,并在AI知识特征空间中为其生成第一知识定位特征,例如将该事件定位为“手机类别”,并与其他相关特征进行关联;进一步地,结合第一知识定位特征“手机类别”和用户的交互行为牵涉特征,如浏览历史、购买偏好等,进一步确定该交互行为在AI知识特征空间中的第二知识定位特征。例如,根据用户的浏览历史和购买偏好,将该交互行为进一步定位为“高端智能手机“或“入门级手机“等更为具体的知识定位特征。如此,电子商务平台可以将用户的交互行为在知识图谱和AI知识特征空间中进行准确定位和关联,从而更好地理解用户需求、提供个性化推荐,并优化用户体验。
又例如,用户在远程办公工具中使用任务管理功能创建了一个新的任务,并将其指派给特定的团队成员。根据该交互行为,在知识图谱中会生成对应的第一可视化交互行为事件,并在AI知识特征空间中为其生成第一知识定位特征,例如将该事件定位为“任务管理”,并与其他相关特征进行关联;结合第一知识定位特征“任务管理”和用户的交互行为牵涉特征,比如任务优先级、截止日期等,进一步确定该交互行为在AI知识特征空间中的第二知识定位特征。例如,根据任务的优先级和截止日期,将该交互行为进一步定位为“重要紧急任务”或“一般任务”等更为具体的知识定位特征。如此,远程办公工具可以将用户的交互行为在知识图谱和AI知识特征空间中进行准确定位和关联,以提供个性化的任务管理、团队协作建议等功能,帮助提高远程办公的效率和用户体验。
再例如,用户在智慧政务平台上提交了一份在线申请表格,申请办理建设项目许可。根据该交互行为,在知识图谱中会生成对应的第一可视化交互行为事件,并在AI知识特征空间中为其生成第一知识定位特征,例如将该事件定位为“建设项目许可申请”,并与其他相关特征进行关联;结合第一知识定位特征“建设项目许可申请”和用户的交互行为牵涉特征,如地理位置、申请类型等,进一步确定该交互行为在AI知识特征空间中的第二知识定位特征。例如,根据用户所在地区和申请类型,将该交互行为进一步定位为"住宅建设项目许可申请"或"商业建设项目许可申请"等更为具体的知识定位特征。如此,智慧政务平台可以将市民的交互行为在知识图谱和AI知识特征空间中进行准确定位和关联,从而提供个性化的申请指导、审批流程推进等服务,优化政务办理效率,并满足市民的个性化需求。
在一些优选的设计思路下,步骤1022中的依据所述第一可视化交互行为事件的所述第一知识定位特征以及所述交互行为牵涉特征,确定所述第一可视化交互行为事件在所述AI知识特征空间中的第二知识定位特征,可以通过上下游特征、关联特征和冲突特征三个思路分开实现。
针对上下游特征的思路,可以在所述第一可视化交互行为事件的所述第一知识定位特征中,清洗掉位于目标可视化交互行为事件的知识定位特征以外的知识定位特征,得到所述第一可视化交互行为事件的所述第二知识定位特征。其中,所述第一可视化交互行为事件与所述目标可视化交互行为事件的为交互行为牵涉特征所述上下游特征,且所述第一可视化交互行为事件是所述目标可视化交互行为事件的下游可视化交互行为事件,所述目标可视化交互行为事件是所述多种可视化交互行为事件中与所述第一可视化交互行为事件不同的可视化交互行为事件。
例如,用户在电子商务平台上搜索了一款手机,并点击了商品详情页面。根据该交互行为,在知识图谱中生成的第一可视化交互行为事件的第一知识定位特征可能包括:“手机类别”、“价格范围”、“品牌偏好”等多个知识定位特征。如果目标可视化交互行为事件是用户下单购买手机,那么根据上下游特征,清洗掉与目标交互行为事件不相关的知识定位特征,得到第二知识定位特征,例如仅保留“手机类别”和“价格范围”作为第二知识定位特征。
针对关联特征的思路,可以在所述第一可视化交互行为事件的所述第一知识定位特征中,缓存与关联可视化交互行为事件的知识定位特征具有重叠特征的知识定位特征,得到所述第一可视化交互行为事件的所述第二知识定位特征;其中,所述第一可视化交互行为事件与所述关联可视化交互行为事件的交互行为牵涉特征为所述关联特征,所述关联可视化交互行为事件是所述多种可视化交互行为事件中与所述第一可视化交互行为事件不同的可视化交互行为事件。
例如,用户在远程办公工具中创建了一个新的任务,并将其指派给特定的团队成员。根据该交互行为,在知识图谱中生成的第一可视化交互行为事件的第一知识定位特征可能包括:“任务管理”、“优先级”、“截止日期”等多个知识定位特征。如果关联可视化交互行为事件是团队成员接收到任务并开始工作,那么根据重叠特征,缓存并提取与关联可视化交互行为事件具有重叠特征的知识定位特征,得到第二知识定位特征,例如保留“任务管理”和“截止日期”作为第二知识定位特征。
针对冲突特征的思路,可以在所述第一可视化交互行为事件的所述第一知识定位特征与冲突可视化交互行为事件的知识定位特征具有重叠特征的基础上,在所述第一可视化交互行为事件的所述第一知识定位特征中清洗掉所述重叠特征,或在所述冲突可视化交互行为事件的知识定位特征中清洗掉所述重叠特征,得到所述第一可视化交互行为事件的所述第二知识定位特征;其中,所述第一可视化交互行为事件与所述冲突可视化交互行为事件的交互行为牵涉特征为所述冲突特征,所述冲突可视化交互行为事件是所述多种可视化交互行为事件中与所述第一可视化交互行为事件不同的可视化交互行为事件。
例如,用户在智慧政务平台上提交了一份在线申请表格,申请办理建设项目许可。根据该交互行为,在知识图谱中生成的第一可视化交互行为事件的第一知识定位特征可能包括:“建设项目许可申请”、“地理位置”、“申请类型”等多个知识定位特征。如果冲突可视化交互行为事件是市民对已提交的申请进行了修改,而修改的内容与第一可视化交互行为事件的知识定位特征存在重叠,那么清洗掉重叠特征后得到第二知识定位特征,例如去除与修改内容相关的知识定位特征。通过清洗冲突特征,可以确保第一可视化交互行为事件的第二知识定位特征更准确地描述目标交互行为,避免重复或混淆的信息干扰分析和决策过程。
在一些可能的示例中,所述交互行为牵涉特征映射于拓扑关系结构(可以理解为节点拓扑图)中,所述拓扑关系结构中的拓扑单元表征所述多种可视化交互行为事件中一种可视化交互行为事件,所述拓扑关系结构中存在连接关系的上级拓扑单元与下级拓扑单元为所述上下游特征且所述下级拓扑单元从属于所述上级拓扑单元,属于同一上级拓扑单元的不同下级拓扑单元为同级拓扑单元,所述同级拓扑单元之间的交互行为牵涉特征为所述冲突特征或所述关联特征。在此基础上,步骤1021中的基于所述知识图谱创建请求,生成第一可视化交互行为事件在所述AI知识特征空间中的第一知识定位特征,包括步骤10211和步骤10212。
步骤10211、基于所述知识图谱创建请求,基于所述拓扑关系结构中拓扑单元的优先级游走所述拓扑关系结构中的拓扑单元。
步骤10212、在游走到第一拓扑单元的基础上,生成所述第一拓扑单元对应的所述第一可视化交互行为事件的所述第一知识定位特征。
在此基础上,步骤1022中的依据所述第一可视化交互行为事件的所述第一知识定位特征以及所述交互行为牵涉特征,确定所述第一可视化交互行为事件在所述AI知识特征空间中的第二知识定位特征,包括:依据所述第一拓扑单元的上级拓扑单元与同级拓扑单元对应的可视化交互行为事件与所述第一可视化交互行为事件的关系,生成所述第一拓扑单元对应的所述第一可视化交互行为事件的所述第二知识定位特征。
在电子商务应用场景下,存在相应的知识图谱用于分析用户在电子商务平台上的交互行为,该知识图谱采用拓扑关系结构来表示不同交互行为事件之间的连接关系。
基于此,步骤10211和步骤10212的示例性说明如下。
步骤10211:基于知识图谱中的拓扑关系结构,按照优先级进行游走,遍历相关的拓扑单元。例如,从一个特定的交互行为事件(比如用户点击商品详情)开始,根据拓扑关系结构,可以依次游走到与之直接相连的其他交互行为事件(比如加入购物车、查看相关推荐等)。
步骤10212:在游走到的第一个拓扑单元(例如加入购物车)基础上,生成该拓扑单元对应的第一可视化交互行为事件的第一知识定位特征。这个特征可以包括与加入购物车相关的信息,如商品ID、加入时间等。
步骤1022的示例性说明如下:根据第一个拓扑单元的上级拓扑单元和同级拓扑单元对应的可视化交互行为事件与第一可视化交互行为事件的关系,生成第一个拓扑单元对应的第一可视化交互行为事件的第二知识定位特征。例如,假设加入购物车是一个下级拓扑单元,而与之同级的可能有收藏商品、浏览详情等,那么这些同级拓扑单元之间的交互行为牵涉特征可以作为冲突特征或关联特征。根据这些特征,可以确定第一个拓扑单元(加入购物车)在AI知识特征空间中的第二知识定位特征。
如此设计,通过基于知识图谱创建请求和依据拓扑关系结构进行游走,可以将用户交互行为转化为知识定位特征,并进一步确定其在AI知识特征空间中的第二知识定位特征。这样可以更好地理解用户行为,并提供个性化的推荐和服务。
在一些优选的设计思路中,步骤10211所描述的基于所述知识图谱创建请求,基于所述拓扑关系结构中拓扑单元的优先级游走所述拓扑关系结构中的拓扑单元,包括:基于所述知识图谱创建请求,基于所述拓扑关系结构中拓扑单元的优先级,将所述拓扑关系结构中的拓扑单元添加到列表作为当前拓扑单元,所述当前拓扑单元是当前游走到的拓扑单元。在此基础上,所述方法还包括:基于完成生成所述当前拓扑单元对应的可视化交互行为事件的所述第二知识定位特征,将所述当前拓扑单元从所述列表中删除。
在电子商务应用场景中,假设有一个知识图谱用于分析用户在电子商务平台上的交互行为,并且该知识图谱采用拓扑关系结构来表示不同交互行为事件之间的连接关系。
以一个购物车操作的例子来进行介绍:用户在电子商务平台上执行了以下购物车操作序列:浏览商品->加入购物车->修改购物车数量->提交订单。
首先,根据知识图谱的拓扑关系结构,将交互行为事件按照优先级进行游走。在这个例子中,拓扑关系结构可能如下所示:
浏览商品->加入购物车;
加入购物车->修改购物车数量;
修改购物车数量->提交订单。
基于知识图谱创建请求时,根据拓扑关系结构的优先级,将拓扑单元依次添加到列表中作为当前拓扑单元。初始时,列表为空,开始游走:第一步,浏览商品作为当前拓扑单元加入列表;第二步,加入购物车作为当前拓扑单元加入列表;第三步,修改购物车数量作为当前拓扑单元加入列表;第四步,提交订单作为当前拓扑单元加入列表。
在游走的过程中,根据当前拓扑单元生成对应的可视化交互行为事件的第二知识定位特征。这些特征可以是向量表征,例如:
浏览商品的第二知识定位特征向量:[0.2,0,0,0];
加入购物车的第二知识定位特征向量:[0,0.8,0,0];
修改购物车数量的第二知识定位特征向量:[0,0,0.6,0];
提交订单的第二知识定位特征向量:[0,0,0,0.4]。
注意,这里的特征向量仅用于示例,并非真实的数值。
完成了当前拓扑单元对应的可视化交互行为事件的第二知识定位特征生成后,需要将该拓扑单元从列表中删除,以便继续游走到下一个拓扑单元。
通过以上步骤,可以基于拓扑关系结构和优先级,在电子商务应用场景中对用户的交互行为进行分析,并生成相应的知识定位特征向量。这样的特征向量能够更好地表示用户行为,支持后续的数据分析和决策处理。
在一些可选的实施例中,所述方法还包括:基于所述知识图谱创建请求,生成所述第一可视化交互行为事件的基础知识定位特征(初始知识定位特征)。基于此,步骤10212中的在游走到第一拓扑单元的基础上,生成所述第一拓扑单元对应的所述第一可视化交互行为事件的所述第一知识定位特征,包括:在游走到所述第一拓扑单元的基础上,依据所述第一拓扑单元对应的所述第一可视化交互行为事件的所述基础知识定位特征,生成所述第一拓扑单元对应的所述第一可视化交互行为事件的所述第一知识定位特征;其中,所述基础知识定位特征的辐射区间(影响范围)小于所述第一知识定位特征。
在这个可选的实施例中,方法包括基于知识图谱创建请求,并生成第一可视化交互行为事件的基础知识定位特征(初始知识定位特征)。然后,在游走到第一个拓扑单元的基础上,生成该拓扑单元对应的第一可视化交互行为事件的第一知识定位特征。
举例来说,假设用户在电子商务平台上执行了以下购物车操作序列:浏览商品->加入购物车->修改购物车数量->提交订单。以加入购物车作为第一个拓扑单元和对应的第一可视化交互行为事件。
首先,基于知识图谱创建请求,生成加入购物车的基础知识定位特征(初始知识定位特征)。这个特征可以是向量表征,例如:[0.5,0,0,0]。该特征表示加入购物车这个事件的基础信息,比如加入购物车的时间、商品ID等。
在游走到加入购物车作为当前拓扑单元之后,根据加入购物车事件的基础知识定位特征,生成该事件的第一知识定位特征。这个特征可以是向量表征,例如:[0.2,0.3,0,0]。该特征表示加入购物车事件的更详细的信息,比如与其他相关事件的关联程度、冲突情况等。
需要注意的是,基础知识定位特征的辐射区间(影响范围)较小,只包含了加入购物车这个事件的基础信息;而第一知识定位特征则更加具体和丰富,涵盖了更多关联和冲突特征。
通过生成这两种不同级别的知识定位特征,可以在电子商务应用场景中更全面地描述用户的行为,并对其进行深入分析和推荐处理。
在一些示例下,所述知识图谱创建请求包括针对所述AI知识特征空间的空间筛选指令(空间选择操作),所述AI知识特征空间包括多个局部知识特征空间。基于此,步骤102中的基于针对所述在线用户交互行为集的知识图谱创建请求,依据所述交互行为牵涉特征生成所述在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,包括:基于所述知识图谱创建请求,在所述多个局部知识特征空间中确定与所述空间筛选指令匹配的知识特征空间具有重叠特征的一个或多个目标知识特征空间;依据所述交互行为牵涉特征并行生成所述在线用户交互行为集在所述目标知识特征空间中的交互行为热力描述网,得到所述在线用户交互行为集在所述AI知识特征空间中的交互行为热力描述网。
在一些示例情况下,知识图谱创建请求包括针对AI知识特征空间的空间筛选指令(空间选择操作),其中AI知识特征空间包含多个局部知识特征空间。
基于此,在步骤102中,根据针对在线用户交互行为集的知识图谱创建请求,并依据涉及交互行为的特征生成了在线用户交互行为集在AI知识特征空间中的交互行为热力描述网。具体步骤如下:基于知识图谱创建请求,确定与空间筛选指令匹配的知识特征空间,这些知识特征空间具有与请求中指定的特征重叠的特性。这意味着根据空间筛选指令,从多个局部知识特征空间中选择一个或多个目标知识特征空间;并行地根据涉及交互行为的特征,在目标知识特征空间中生成在线用户交互行为集的交互行为热力描述网。这表示将用户的交互行为映射到目标知识特征空间中,并根据交互行为的特征生成对应的热力描述网,用于表示用户在该空间中的行为活跃度或权重分布。
如此设计,可以得到在线用户交互行为集在AI知识特征空间中的交互行为热力描述网。这个热力描述网提供了用户交互行为在不同知识特征空间中的分布情况,帮助理解用户行为模式和偏好,并为推荐系统、个性化服务等提供基础数据支持。
进一步地,以电子商务平台为例,其中涉及了广告推荐的应用。
以下是一个示例的步骤:知识图谱创建请求:用户在电子商务平台上进行交互行为,例如点击、购买等,基于这些行为生成知识图谱的请求。此请求会包含空间筛选指令,用于选择AI知识特征空间,并且该空间由多个局部知识特征空间组成;交互行为牵涉特征:根据用户的交互行为,提取相关的特征。例如,对于广告推荐,可以考虑点击的广告类别、购买的产品类型、浏览的品牌等作为交互行为牵涉特征;生成交互行为热力描述网:a.基于知识图谱创建请求,在多个局部知识特征空间中确定与空间筛选指令匹配的目标知识特征空间。这些目标知识特征空间具有与请求中指定的特征重叠的特性;b.并行地生成在线用户交互行为集在目标知识特征空间中的交互行为热力描述网。这个热力描述网可以用表格结构表示,其中行表示用户,列表示目标知识特征空间中的不同特征或广告类别,而单元格中的数值则表示对应用户在特定特征或广告类别上的行为活跃度或权重。
举例来说,假设有三个局部知识特征空间:广告类别、品牌和产品类型。用户在电子商务平台上的交互行为涉及点击和购买。根据知识图谱创建请求和空间筛选指令,选择了与广告类别和品牌相关的目标知识特征空间。
在这些目标知识特征空间中,并行地生成交互行为热力描述网。例如:给出一表格用于描述用户在特定广告类别和品牌上的行为活跃度或权重。表格的行表示不同的用户,而列表示广告类别A、广告类别B、品牌X和品牌Y,以下是对表格的相关文字介绍。
User1在广告类别A上的行为活跃度为0.8,同时在广告类别B上的行为活跃度为0.2。对于品牌方面,User1在品牌X上的行为活跃度为0.6,而在品牌Y上的行为活跃度为0.4。
User2在广告类别A上的行为活跃度为0.3,而在广告类别B上的行为活跃度为0.7。在品牌方面,User2在品牌X上的行为活跃度为0.5,而在品牌Y上的行为活跃度为0.1。
User3在广告类别A上的行为活跃度为0.6,同时在广告类别B上的行为活跃度为0.4。对于品牌方面,User3在品牌X上的行为活跃度为0.1,而在品牌Y上的行为活跃度为0.9。
通过交互行为热力描述网,可以更好地理解用户的偏好和兴趣,并据此进行个性化的广告推荐,以提供更相关和有针对性的广告体验。
在另一些可能的设计思路下,所述方法还包括:基于针对所述在线用户交互行为集的优化指令,依据所述交互行为牵涉特征更新所述在线用户交互行为集在所述AI知识特征空间中的交互行为热力描述网,得到交互行为热力优化描述网(已更新的交互行为热力描述网);依据所述在线用户交互行为集在所述AI知识特征空间中的所述交互行为热力优化描述网,在所述AI知识特征空间中生成所述在线用户交互行为集中的可视化交互行为事件所对应的知识成员以及所述知识成员对应的成员联系。
在电子商务场景中,基于针对在线用户交互行为集的优化指令,可以进行交互行为热力描述网的更新,这将帮助更好地理解用户在AI知识特征空间中的行为偏好,从而更有效地进行个性化推荐和提供可视化交互行为事件。
例如,在电子商务平台上,存在一交互行为热力描述网,包含了用户在广告类别A、广告类别B、品牌X和品牌Y上的行为活跃度或权重。根据优化指令,要更新这个交互行为热力描述网。
在更新过程中,依据交互行为牵涉特征进行更新,可以考虑以下情况:增加新的交互行为:如果用户在广告类别C上开始表现出较高的行为活跃度,会相应地更新交互行为热力描述网,并在广告类别C的列中记录该行为活跃度;调整行为权重:如果某个用户之前在品牌X上的行为活跃度较高,但最近的数据显示他们在品牌Y上的行为活跃度也有所增加,可以通过更新交互行为热力描述网中相应单元格的数值来反映这一变化;删除不相关的行为:如果某个广告类别或品牌在用户交互中不再呈现活跃度或权重,可以将其对应的行或列从交互行为热力描述网中删除。
如此设计,至少可以达到如下有益效果:更准确的个性化推荐:通过更新交互行为热力描述网,可以更全面地了解用户的行为偏好和兴趣,从而提供更精确、个性化的推荐内容,提升用户体验;及时反映用户行为变化:由于交互行为热力描述网是基于实时数据进行更新的,它可以帮助及时捕捉到用户行为的变化趋势,使推荐系统能够快速适应用户的新需求;提供可视化洞察:通过使用交互行为热力描述网,可以生成可视化的交互行为事件,在AI知识特征空间中显示对应的知识成员以及成员联系。这有助于洞察用户的行为模式和用户群体之间的关联,为电子商务平台的决策制定和市场营销提供更深入的理解和指导。
在一些示例性设计思路下,所述方法还包括:在存在针对所述在线用户交互行为集的多个处理指令的基础上,同步响应所述多个处理指令中每个处理指令对应的指令项目。进一步的,所述多个处理指令包括所述知识图谱创建请求和所述优化指令(更新指令)中的至少一类,所述指令项目是在所述AI知识特征空间中生成所述可视化交互行为事件的业务项目。
在电子商务中,当存在针对在线用户交互行为集的多个处理指令时,可以同步响应每个处理指令中的指令项目。这些处理指令可以包括知识图谱创建请求和优化指令(更新指令)等,而指令项目则是指在AI知识特征空间中生成可视化交互行为事件的业务项目。
以一个电子商务平台为例进行说明,电子商务平台同时接收到了两个处理指令:知识图谱创建请求和优化指令(更新指令)。每个指令都有对应的指令项目,需要在AI知识特征空间中生成可视化的交互行为事件。
知识图谱创建请求:这个指令的指令项目是创建知识图谱,用于表示用户之间的关联、产品之间的联系等。在电子商务场景中,这个指令项目可能涉及将用户的交互行为数据转化为知识图谱中的节点和边,以便更好地理解用户之间的关系和商品之间的联系。
优化指令(更新指令):这个指令的指令项目是更新交互行为热力描述网,以提供更准确的个性化推荐和可视化交互行为事件。在电子商务中,这个指令项目可以包括对交互行为热力描述网的增加、修改或删除,以反映用户的最新行为偏好。
通过同步响应每个处理指令中的指令项目,至少可以达到如下有益效果:综合考虑多个因素:通过同时处理多个处理指令,能够综合考虑来自不同指令的信息。例如,在知识图谱创建请求和优化指令中都有关于用户行为的信息,通过同步响应两者,可以更全面地了解用户需求和兴趣;实现动态的更新和优化:通过在响应优化指令时更新交互行为热力描述网,能够根据用户最新的行为活跃度或权重进行个性化推荐和可视化交互展示。这使得系统能够实时调整和优化,并及时适应用户的变化需求;提供更精确的结果和洞察:通过同步响应多个处理指令,可以获得更准确的个性化推荐和深入的知识洞察。将知识图谱、交互行为热力描述网等不同指令的结果相结合,可以提供更精确、针对性的推荐和更深入的业务洞察,从而提升用户体验和市场竞争力。
以下是本发明实施例的相关具体应用场景的介绍说明。
(1)就电子商务应用场景的示例而言,是在线购物平台的知识图谱可视化交互。在这个场景中,该方法可以应用于电子商务平台的人工智能分析系统,提供更加智能化、个性化的商品推荐和购物辅助功能。
首先,该方法通过获取在线用户在购物平台上的交互行为集,包括多种可视化交互行为事件,例如搜索商品、点击商品详情、加入购物车等。同时,提取这些交互行为牵涉特征,用于表征不同可视化交互行为事件之间的上下游特征、关联特征和冲突特征。
其次,基于用户对商品的需求,系统根据针对在线用户交互行为集的知识图谱创建请求。利用交互行为牵涉特征,确定在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,该交互行为热力描述网包括多种可视化交互行为事件在AI知识特征空间中的知识定位特征。
而后,根据在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,系统可以生成可视化交互行为事件所对应的知识成员以及知识成员之间的成员联系。例如,当用户搜索某个特定商品时,系统可以根据该商品的交互行为热力描述网,推荐相关的商品、相似款式或者配件。
综上,该方法可以帮助电子商务平台理解用户的交互行为,并将其映射到AI知识特征空间中,以提供更加智能化和个性化的商品推荐和购物辅助功能。用户可以通过可视化交互方式与知识图谱进行交互,获得与自己需求和兴趣相关的商品信息,提升购物体验和便利性。
(2)就远程办公应用场景的示例而言,是基于知识图谱可视化交互的协同工作平台。在这个场景中,该方法可以应用于人工智能分析系统,提供更加智能化、协作性强的远程办公环境。
首先,该方法通过获取在线用户在协同工作平台上的交互行为集,包括多种可视化交互行为事件,例如创建文档、编辑表格、发布业务项目等。同时,提取这些交互行为牵涉特征,用于表征不同可视化交互行为事件之间的上下游特征、关联特征和冲突特征。
其次,基于用户对协同工作的需求,系统根据针对在线用户交互行为集的知识图谱创建请求。利用交互行为牵涉特征,确定在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,该交互行为热力描述网包括多种可视化交互行为事件在AI知识特征空间中的知识定位特征。
而后,根据在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,系统可以生成可视化交互行为事件所对应的知识成员以及知识成员之间的成员联系。例如,当用户在协同工作平台上创建一个新的文档时,系统可以根据该文档的交互行为热力描述网,推荐相关的团队成员、相似主题或者可复用的内容片段。
综上,该方法可以帮助远程办公平台理解用户的交互行为,并将其映射到AI知识特征空间中,以提供更加智能化和协作性强的远程办公环境。用户可以通过可视化交互方式与知识图谱进行交互,获得与自己需求和团队合作相关的知识内容,提升工作效率和协作质量。
(3)就智慧政务应用场景的示例而言,是基于知识图谱可视化交互的政务公共服务平台。在这个场景中,该方法可以应用于人工智能分析系统,提供更加智能化、便捷的政务服务和信息查询。
首先,该方法通过获取在线用户在政务公共服务平台上的交互行为集,包括多种可视化交互行为事件,例如搜索政策法规、提交申请表单、浏览政务服务指南等。同时,提取这些交互行为牵涉特征,用于表征不同可视化交互行为事件之间的上下游特征、关联特征和冲突特征。
其次,基于用户对政务服务的需求,系统根据针对在线用户交互行为集的知识图谱创建请求。利用交互行为牵涉特征,确定在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,该交互行为热力描述网包括多种可视化交互行为事件在AI知识特征空间中的知识定位特征。
而后,根据在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,系统可以生成可视化交互行为事件所对应的知识成员以及知识成员之间的成员联系。例如,当用户搜索某个政策法规时,系统可以根据该法规的交互行为热力描述网,推荐相关解读文章、政务公告或者常见问题解答。
综上,该方法可以帮助政务公共服务平台理解用户的交互行为,并将其映射到AI知识特征空间中,以提供更加智能化和便捷的政务服务和信息查询。用户可以通过可视化交互方式与知识图谱进行交互,获得与自己需求和关心的政务内容相关的知识信息,提升办事效率和满意度。
在一些可独立的实施例中,在步骤101-步骤103之后,还可以包括步骤104。
步骤104、人工智能分析系统依据所述知识成员和所述成员联系形成的可视化知识图谱,对基于所述在线用户交互行为集生成的用户画像文本报告进行个体隐私匿名处理,得到匿名画像文本报告。
例如,在电子商务应用场景中,可以依据知识图谱中的知识成员和成员联系,生成可视化的知识图谱。然后,在基于在线用户交互行为集生成的用户画像文本报告上进行个体隐私匿名处理,得到匿名画像文本报告。
例如,存在一电子商务平台,通过分析用户的交互行为数据,生成了用户画像文本报告,其中包含用户的偏好、兴趣和购买历史等信息。接下来,希望对这些用户画像进行隐私匿名处理,并结合知识图谱生成匿名画像文本报告。
生成知识图谱:根据用户之间的关系、商品之间的关联等信息,构建知识图谱。例如,用户之间的联系可以表示他们的社交关系或相似兴趣,而商品之间的联系可以表示它们的相关性或共同被购买的情况。
隐私匿名处理:在匿名处理阶段,需要对用户画像文本报告中的个人身份和敏感信息进行匿名化处理。这可以通过去除直接标识个人的信息如姓名、手机号码,进行泛化或脱敏操作来实现。
结合知识图谱生成匿名画像文本报告:在隐私匿名处理后,可以结合知识图谱,为每个匿名用户生成匿名画像文本报告。这些报告可能包含对用户在不同商品类别上的交互行为、偏好度和购买历史等信息,但不会直接暴露其真实身份。
进一步地,在实际实施时,在隐私保护和信息可用性之间进行平衡时,需要考虑以下因素:匿名化程度:匿名化程度越高,用户的隐私得到更好的保护,但可能导致匿名画像文本报告中的信息丧失过多,影响信息可用性和推荐准确性,因此,匿名化方法应该根据具体情况进行权衡,以确保适当的匿名程度;数据安全措施:在匿名化过程中,应采取适当的数据安全措施,例如数据加密、访问权限控制等,以防止未经授权的访问和数据泄漏;合规要求:在进行隐私匿名处理时,需遵守适用的法律、法规和隐私政策,确保符合相关的隐私保护标准和合规要求。
传统的匿名处理技术在平衡隐私保护和信息可用性是一个复杂的问题,需要综合考虑隐私保护、数据质量和用户体验等因素。而通过采用本发明实施例的上述技术方案,结合知识图谱生成匿名画像文本报告,可以在一定程度上保护用户隐私,同时提供有价值的可视化分析结果,从而实现隐私保护和信息可用性之间的平衡。
在一些可独立的实施例中,步骤104中的依据所述知识成员和所述成员联系形成的可视化知识图谱,对基于所述在线用户交互行为集生成的用户画像文本报告进行个体隐私匿名处理,得到匿名画像文本报告,包括:对利用所述可视化知识图谱对所述用户画像文本报告进行个体隐私特征挖掘,得到所述用户画像文本报告对应的第一个体隐私特征集;根据所述第一个体隐私特征集进行匿名,得到已匿名隐私特征集;对所述已匿名隐私特征集进行文本译码,得到所述已匿名隐私特征集对应的匿名画像文本报告。
在电子商务应用场景中,可以利用可视化知识图谱对用户画像文本报告进行个体隐私特征挖掘,并生成用户画像文本报告对应的第一个体隐私特征集。然后,通过对第一个体隐私特征集进行匿名处理,得到已匿名隐私特征集。最后,对已匿名隐私特征集进行文本译码,得到匿名画像文本报告。
继续以一电子商务平台进行介绍,根据用户的交互行为和购买历史等数据,生成了用户画像文本报告,其中包含用户的偏好、兴趣和购买行为等敏感信息。接下来,希望从这些报告中挖掘个体隐私特征,并进行匿名处理,得到匿名画像文本报告。
可视化知识图谱与个体隐私特征挖掘:通过可视化知识图谱,可以分析用户之间的关系、商品之间的联系等信息。结合这些信息,可以挖掘出与个体隐私相关的特征,例如用户的社交圈子、购买偏好和兴趣群组等。
第一个体隐私特征集:基于个体隐私特征的挖掘结果,可以得到用户画像文本报告对应的第一个体隐私特征集。这个集合可能包含一些敏感信息,如用户的具体姓名、手机号码等。
匿名处理:为了保护用户个体隐私,需要对第一个体隐私特征集进行匿名化处理。这可以通过去除直接标识个人的信息、脱敏操作或者数据泛化等方法来实现。匿名处理后,敏感信息将被替换为匿名标识符,以保护用户的隐私。
已匿名隐私特征集:匿名处理完成后,得到了已匿名隐私特征集。该集合保留了用户画像的关键特征,但不再暴露个体隐私和身份信息。
文本译码与匿名画像文本报告:在需要使用匿名画像文本报告时,可以对已匿名隐私特征集进行文本译码,将匿名标识符恢复为可读的文本信息。这样就得到了匿名画像文本报告,它提供了有关用户的一些特征和行为,同时保护了用户的隐私。
匿名画像文本报告具有平衡隐私保护和信息可用性的优点的详细介绍如下:隐私保护:通过匿名化处理,敏感个人信息被替换为匿名标识符,用户的隐私得到了有效保护。匿名化可以减少个体被直接识别和追踪的风险,提高数据安全性;信息可用性:尽管进行了匿名化处理,匿名画像文本报告仍保留了关键特征和行为信息,具有一定的信息可用性。这样的报告仍然可以提供有价值的分析结果和洞察力,支持个性化推荐、市场营销等业务需求;平衡隐私与效用:匿名画像文本报告实现了隐私保护和信息可用性之间的平衡。通过匿名化处理,个人身份得到保护,用户可以在不暴露敏感信息的情况下享受个性化服务和推荐。同时,由于仍保留关键特征和行为信息,商家和平台可以基于这些信息进行目标营销、精准广告等策略,提升用户体验和业务效果;数据共享和合作可能性:匿名画像文本报告降低了敏感信息的泄露风险,增加了数据共享和合作的可能性。商家或平台可以与其他合作伙伴共享匿名画像文本报告,进行联合分析、洞察和决策,从而获得更全面的市场视角和协同优势。
在一些可独立的实施例中,所述对用户画像文本报告进行个体隐私特征挖掘,得到所述用户画像文本报告对应的第一个体隐私特征集,包括:对用户画像文本报告进行卷积处理,得到所述用户画像文本报告对应的第一用户画像卷积特征集;对所述第一用户画像卷积特征集进行特征嵌入,得到所述用户画像文本报告对应的第一个体隐私特征集。
在电子商务应用场景中,进行用户画像文本报告的个体隐私特征挖掘可以包括以下步骤:采用卷积处理并进行特征嵌入。
卷积处理:通过使用卷积神经网络(Convolutional Neural Network, CNN)等技术,对用户画像文本报告进行卷积处理。将文本报告表示为一个特定尺寸的矩阵或张量形式,利用卷积层提取不同位置和组合的特征。
第一用户画像卷积特征集:经过卷积处理后,得到用户画像文本报告对应的第一用户画像卷积特征集。这些特征可以是语义、句法、上下文等方面的表征,用于捕捉文本报告中的关键信息。
特征嵌入:对第一用户画像卷积特征集进行特征嵌入。特征嵌入是将高维特征表示转换为低维稠密向量表示的过程,常用的方法包括词嵌入(Word Embedding)和句子嵌入(Sentence Embedding)。通过特征嵌入,将卷积得到的特征转化为更具语义信息的表示形式。
第一个体隐私特征集:经过特征嵌入后,得到用户画像文本报告对应的第一个体隐私特征集。这个集合包含了从原始文本报告中提取的卷积特征,并以更紧凑、语义丰富的方式表示用户的个体隐私特征。
应当理解,本领域技术人员可以根据具体场景和数据来确定具体的特征向量数值。例如,在电子商务应用中,可以考虑以下特征向量要素:用户偏好指标:如购买频率、购买金额、浏览时长等;商品类别偏好:用户对不同商品类别的偏好程度,如电子产品、服装、食品等;用户行为模式:用户在平台上的搜索行为、点击行为、加购行为等;用户兴趣标签:根据用户对商品的关注、收藏、评论等行为,生成描述用户兴趣的标签;社交关系特征:用户在社交平台上的粉丝数量、关注人数、社交互动情况等。
进一步地,针对上述五类指标,还可以通过如下示例性的特征向量进行表示。
用户偏好指标:购买频率:例如,购买频率特征向量为[2,3,1,4],表示用户在最近四周内分别购买了2次、3次、1次和4次商品;购买金额:例如,购买金额特征向量为[50,100,30,80],表示用户在最近四次购买中分别消费了50美元、100美元、30美元和80美元;浏览时长:例如,浏览时长特征向量为[10,8,15,12],表示用户在最近四次访问平台时的平均浏览时长分别为10分钟、8分钟、15分钟和12分钟。
商品类别偏好:商品类别偏好特征向量可以使用One-Hot编码表示,例如,如果有三个商品类别(电子产品、服装、食品),用户对不同类别的偏好可以用[1,0,0]、[0,1,0]、[0,0,1]来表示。
用户行为模式:搜索行为:例如,搜索行为特征向量可以使用整数表示,如[5,2,4,3],表示用户在最近四天内分别进行了5次、2次、4次和3次搜索操作;点击行为:例如,点击行为特征向量可以使用整数表示,如[10,3,8,6],表示用户在最近四次访问中分别点击了10次、3次、8次和6次广告或产品详情页面;加购行为:例如,加购行为特征向量可以使用整数表示,如[2,1,3,0],表示用户在最近四次访问中分别将2个、1个、3个和0个商品加入购物车。
用户兴趣标签:用户兴趣标签特征向量可以使用One-Hot编码或二进制位表示,例如,如果有五个兴趣标签(运动、美食、旅行、科技、时尚),用户的兴趣可以用[1,0,1,0,1]、[0,1,0,1,0]等形式进行表示。
社交关系特征:粉丝数量:例如,粉丝数量特征向量可以使用整数表示,如[1000,800,1200,950],表示用户在最近四个时间点上拥有的粉丝数量分别为1000人、800人、1200人和950人;关注人数:例如,关注人数特征向量可以使用整数表示,如[500,600,550,700],表示用户在最近四个时间点上关注的其他用户或品牌账号数量分别为500人、600人、550人和700人;社交互动情况:例如,社交互动情况特征向量可以使用整数表示,如[50,30,40,45],表示用户在最近四个时间点上平均每天的点赞、转发或回复数量分别为50次、30次、40次和45次。
如此设计,可以根据具体业务需求和数据特征进行定制化设计和挖掘,从而确保挖掘出的特征能够有效反映用户的个体隐私特征。
在一些可独立的实施例中,所述根据所述第一个体隐私特征集进行匿名,得到已匿名隐私特征集,包括:将所述第一个体隐私特征集输入第一匿名决策模型,经由所述第一匿名决策模型输出所述第一个体隐私特征集对应的已匿名隐私特征集。
在电子商务场景下使用决策树模型进行匿名处理,可以采取以下五个步骤。
一、数据准备:将第一个体隐私特征集作为输入数据。确保数据已经预处理,包括缺失值填充、特征归一化等。
二、构建决策树模型:将第一个体隐私特征集输入决策树算法,训练一个决策树模型。决策树是一种基于特征的分层分类模型,通过对特征的划分来对样本进行分类或回归。
三、模型训练与优化:利用训练数据对决策树模型进行训练,并根据模型性能进行优化调整,以提高模型的准确性和泛化能力。
四、匿名处理:通过决策树模型对第一个体隐私特征集进行匿名处理。具体操作是,根据决策树的节点划分规则,将原始特征转换为决策树中对应的叶节点或叶节点路径。
五、输出已匿名隐私特征集:根据决策树模型对第一个体隐私特征集的匿名处理,得到已匿名隐私特征集。该集合中的特征值将根据决策树模型中的叶节点或叶节点路径进行表示,以实现对原始个体隐私特征的匿名化。
例如,在一个示例性的电子商务场景中,有以下第一个体隐私特征集:
购买频率:[2,3,1,4];
商品类别偏好:[1,0,0];
用户行为模式:[5,2,4,3];
用户兴趣标签:[1,0,1,0,1];
社交关系特征:[1000,800,1200,950]。
通过决策树模型的训练和匿名处理,可能得到如下已匿名隐私特征集:
购买频率:[2,3,1,4];
商品类别偏好:[A];
用户行为模式:[B];
用户兴趣标签:[C];
社交关系特征:[D]。
其中,[A]、[B]、[C]、[D]分别表示决策树模型中的叶节点或叶节点路径。这样,原始的个体隐私特征被转换为已匿名的特征集,保护了用户的隐私信息。
在一些可独立的实施例中,所述对所述已匿名隐私特征集进行文本译码,得到所述已匿名隐私特征集对应的匿名画像文本报告,包括:对所述已匿名隐私特征集进行文本译码,得到所述已匿名隐私特征集对应的第二用户画像卷积特征集;对所述第二用户画像卷积特征集进行特征译码,得到所述已匿名隐私特征集对应的匿名画像文本报告。
在电子商务场景下使用深度学习模型进行已匿名隐私特征集的文本译码,可以采取以下五个步骤。
一、数据准备:将已匿名隐私特征集作为输入数据。
二、构建深度学习模型:使用适合文本数据处理的深度学习模型,如循环神经网络(RNN)、长短期记忆网络(LSTM)或变换器(Transformer),构建一个模型用于译码已匿名隐私特征集。
三、模型训练与优化:利用训练数据对深度学习模型进行训练,并根据模型性能进行优化调整,以提高模型的准确性和泛化能力。
四、特征译码:利用训练好的深度学习模型对已匿名隐私特征集进行特征译码。通过将已匿名特征映射回原始特征空间,可以还原出第二用户画像卷积特征集。
五、匹配结果与匿名画像文本报告生成:将译码得到的第二用户画像卷积特征集与预先定义好的转换规则进行匹配,生成对应的匿名画像文本报告。
以示例数据为例,假设已匿名隐私特征集为:
购买频率:[2,3,1,4];
商品类别偏好:[A];
用户行为模式:[B];
用户兴趣标签:[C];
社交关系特征:[D]。
通过深度学习模型的特征译码,可能得到第二用户画像卷积特征集为:
购买频率:[中等];
商品类别偏好:[电子产品];
用户行为模式:[活跃];
用户兴趣标签:[运动,旅行];
社交关系特征:[高人气]。
根据匹配结果,可以生成匿名画像文本报告,例如:该用户的购买频率属于中等水平,偏好购买电子产品。其在平台上表现活跃,对运动和旅行感兴趣。拥有较高的社交人气,与众多用户或品牌建立了连接。
在一些可独立的实施例中,所述对所述已匿名隐私特征集进行文本译码,得到所述已匿名隐私特征集对应的第二用户画像卷积特征集,包括:采用动态特征算子对所述已匿名隐私特征集进行循环处理,得到所述已匿名隐私特征集对应的第二用户画像卷积特征集。
本发明实施例中,动态特征算子可以是非线性激活函数,它将输入值与一个阈值进行比较,并对超过阈值的值进行压缩,而对小于等于阈值的值保持不变。
动态特征算子的数学表达式为:f(x)=max(0,|x|-threshold)*sign(x)。
其中,x表示输入值,threshold表示阈值,sign(x)是取x的符号(正或负),max(0,|x|-threshold)表示将|x|-threshold和0中的较大值作为输出。
在电子商务场景下,采用动态特征算子(软阈值的激活函数)对已匿名隐私特征集进行循环处理可以产生以下有益效果:
(1)强化特征表达:动态特征算子可以通过调整软阈值来增强或抑制特征的重要性。在循环处理过程中,它可以自适应地筛选和强化与用户画像相关的特征信息,从而提高第二用户画像卷积特征集的表达能力。
(2)特征融合与聚合:动态特征算子能够对特征进行融合与聚合。在电子商务场景下,不同的特征可能具有不同的重要性和关联性,通过循环处理并结合软阈值的激活函数,可以将相关特征进行聚合,减少噪声和冗余信息,提取更有代表性的用户画像信息。
(3)保护隐私特征:由于动态特征算子的循环处理和软阈值的使用,可以在一定程度上保护用户的隐私特征。因为在循环处理过程中,某些细节特征可能被抑制或过滤掉,只有与用户画像相关的特征得以突出表达,从而降低了对敏感信息的泄露风险。
(4)提高模型可解释性:循环处理过程中采用的动态特征算子和软阈值激活函数可以增加模型的可解释性。通过调整软阈值,可以控制特征的权重和影响程度,使得生成的第二用户画像卷积特征集更贴合现实世界,并能够更好地回溯到原始的匿名隐私特征集。
综上所述,采用动态特征算子(软阈值的激活函数)对已匿名隐私特征集进行循环处理,有助于提高特征表达能力、特征融合与聚合、隐私保护以及模型的可解释性,进而生成更准确和有意义的第二用户画像卷积特征集,为电子商务场景下的个性化推荐、精准营销等应用提供更有效的支持。
基于上述相同或相似的技术构思,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时执行知识图谱可视化交互方法。
基于上述相同或相似的技术构思,本发明实施例还提供了一种计算机程序产品,包括计算机程序或计算机可执行指令,所述计算机程序或计算机可执行指令被处理器执行时,实现知识图谱可视化交互方法。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明相关内容所作的等同变化,仍属本发明所涵盖的范围。
Claims (9)
1.一种知识图谱可视化交互方法,其特征在于,应用于人工智能分析系统,所述方法包括:
获取在线用户交互行为集的交互行为牵涉特征,所述在线用户交互行为集包括多种可视化交互行为事件,所述交互行为牵涉特征用于表征所述多种可视化交互行为事件中的不同可视化交互行为事件之间的上下游特征、关联特征和冲突特征中的至少一类;
基于针对所述在线用户交互行为集的知识图谱创建请求,依据所述交互行为牵涉特征生成所述在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,所述交互行为热力描述网包括所述多种可视化交互行为事件在所述AI知识特征空间中的知识定位特征;
依据所述在线用户交互行为集在所述AI知识特征空间中的所述交互行为热力描述网,在所述AI知识特征空间中生成所述在线用户交互行为集中的可视化交互行为事件所对应的知识成员以及所述知识成员对应的成员联系。
2.根据权利要求1所述的方法,其特征在于,所述基于针对所述在线用户交互行为集的知识图谱创建请求,依据所述交互行为牵涉特征生成所述在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,包括:
基于所述知识图谱创建请求,生成第一可视化交互行为事件在所述AI知识特征空间中的第一知识定位特征;
依据所述第一可视化交互行为事件的所述第一知识定位特征以及所述交互行为牵涉特征,确定所述第一可视化交互行为事件在所述AI知识特征空间中的第二知识定位特征。
3.根据权利要求2所述的方法,其特征在于,所述依据所述第一可视化交互行为事件的所述第一知识定位特征以及所述交互行为牵涉特征,确定所述第一可视化交互行为事件在所述AI知识特征空间中的第二知识定位特征,包括:
在所述第一可视化交互行为事件的所述第一知识定位特征中,清洗掉位于目标可视化交互行为事件的知识定位特征以外的知识定位特征,得到所述第一可视化交互行为事件的所述第二知识定位特征;
其中,所述第一可视化交互行为事件与所述目标可视化交互行为事件的为交互行为牵涉特征所述上下游特征,且所述第一可视化交互行为事件是所述目标可视化交互行为事件的下游可视化交互行为事件,所述目标可视化交互行为事件是所述多种可视化交互行为事件中与所述第一可视化交互行为事件不同的可视化交互行为事件。
4.根据权利要求2所述的方法,其特征在于,所述依据所述第一可视化交互行为事件的所述第一知识定位特征以及所述交互行为牵涉特征,确定所述第一可视化交互行为事件在所述AI知识特征空间中的第二知识定位特征,包括:
在所述第一可视化交互行为事件的所述第一知识定位特征中,缓存与关联可视化交互行为事件的知识定位特征具有重叠特征的知识定位特征,得到所述第一可视化交互行为事件的所述第二知识定位特征;
其中,所述第一可视化交互行为事件与所述关联可视化交互行为事件的交互行为牵涉特征为所述关联特征,所述关联可视化交互行为事件是所述多种可视化交互行为事件中与所述第一可视化交互行为事件不同的可视化交互行为事件。
5.根据权利要求2所述的方法,其特征在于,所述依据所述第一可视化交互行为事件的所述第一知识定位特征以及所述交互行为牵涉特征,确定所述第一可视化交互行为事件在所述AI知识特征空间中的第二知识定位特征,包括:
在所述第一可视化交互行为事件的所述第一知识定位特征与冲突可视化交互行为事件的知识定位特征具有重叠特征的基础上,在所述第一可视化交互行为事件的所述第一知识定位特征中清洗掉所述重叠特征,或在所述冲突可视化交互行为事件的知识定位特征中清洗掉所述重叠特征,得到所述第一可视化交互行为事件的所述第二知识定位特征;
其中,所述第一可视化交互行为事件与所述冲突可视化交互行为事件的交互行为牵涉特征为所述冲突特征,所述冲突可视化交互行为事件是所述多种可视化交互行为事件中与所述第一可视化交互行为事件不同的可视化交互行为事件。
6.根据权利要求2所述的方法,其特征在于,所述交互行为牵涉特征映射于拓扑关系结构中,所述拓扑关系结构中的拓扑单元表征所述多种可视化交互行为事件中一种可视化交互行为事件,所述拓扑关系结构中存在连接关系的上级拓扑单元与下级拓扑单元为所述上下游特征且所述下级拓扑单元从属于所述上级拓扑单元,属于同一上级拓扑单元的不同下级拓扑单元为同级拓扑单元,所述同级拓扑单元之间的交互行为牵涉特征为所述冲突特征或所述关联特征;
所述基于所述知识图谱创建请求,生成第一可视化交互行为事件在所述AI知识特征空间中的第一知识定位特征,包括:基于所述知识图谱创建请求,基于所述拓扑关系结构中拓扑单元的优先级游走所述拓扑关系结构中的拓扑单元;在游走到第一拓扑单元的基础上,生成所述第一拓扑单元对应的所述第一可视化交互行为事件的所述第一知识定位特征;
所述依据所述第一可视化交互行为事件的所述第一知识定位特征以及所述交互行为牵涉特征,确定所述第一可视化交互行为事件在所述AI知识特征空间中的第二知识定位特征,包括:依据所述第一拓扑单元的上级拓扑单元与同级拓扑单元对应的可视化交互行为事件与所述第一可视化交互行为事件的关系,生成所述第一拓扑单元对应的所述第一可视化交互行为事件的所述第二知识定位特征;
其中,所述基于所述知识图谱创建请求,基于所述拓扑关系结构中拓扑单元的优先级游走所述拓扑关系结构中的拓扑单元,包括:基于所述知识图谱创建请求,基于所述拓扑关系结构中拓扑单元的优先级,将所述拓扑关系结构中的拓扑单元添加到列表作为当前拓扑单元,所述当前拓扑单元是当前游走到的拓扑单元;所述方法还包括:基于完成生成所述当前拓扑单元对应的可视化交互行为事件的所述第二知识定位特征,将所述当前拓扑单元从所述列表中删除;
其中,所述方法还包括:基于所述知识图谱创建请求,生成所述第一可视化交互行为事件的基础知识定位特征;所述在游走到第一拓扑单元的基础上,生成所述第一拓扑单元对应的所述第一可视化交互行为事件的所述第一知识定位特征,包括:在游走到所述第一拓扑单元的基础上,依据所述第一拓扑单元对应的所述第一可视化交互行为事件的所述基础知识定位特征,生成所述第一拓扑单元对应的所述第一可视化交互行为事件的所述第一知识定位特征;其中,所述基础知识定位特征的辐射区间小于所述第一知识定位特征。
7.根据权利要求1所述的方法,其特征在于,所述知识图谱创建请求包括针对所述AI知识特征空间的空间筛选指令,所述AI知识特征空间包括多个局部知识特征空间;
所述基于针对所述在线用户交互行为集的知识图谱创建请求,依据所述交互行为牵涉特征生成所述在线用户交互行为集在AI知识特征空间中的交互行为热力描述网,包括:
基于所述知识图谱创建请求,在所述多个局部知识特征空间中确定与所述空间筛选指令匹配的知识特征空间具有重叠特征的一个或多个目标知识特征空间;
依据所述交互行为牵涉特征并行生成所述在线用户交互行为集在所述目标知识特征空间中的交互行为热力描述网,得到所述在线用户交互行为集在所述AI知识特征空间中的交互行为热力描述网。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于针对所述在线用户交互行为集的优化指令,依据所述交互行为牵涉特征更新所述在线用户交互行为集在所述AI知识特征空间中的交互行为热力描述网,得到交互行为热力优化描述网;
依据所述在线用户交互行为集在所述AI知识特征空间中的所述交互行为热力优化描述网,在所述AI知识特征空间中生成所述在线用户交互行为集中的可视化交互行为事件所对应的知识成员以及所述知识成员对应的成员联系;
其中,所述方法还包括:
在存在针对所述在线用户交互行为集的多个处理指令的基础上,同步响应所述多个处理指令中每个处理指令对应的指令项目;
其中,所述多个处理指令包括所述知识图谱创建请求和所述优化指令中的至少一类,所述指令项目是在所述AI知识特征空间中生成所述可视化交互行为事件的业务项目。
9.一种人工智能分析系统,其特征在于,包括:处理器、存储器以及网络接口;所述处理器与所述存储器、所述网络接口相连;所述网络接口用于提供数据通信功能,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行权利要求1-8任一项所述的知识图谱可视化交互方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311235661.8A CN116992960B (zh) | 2023-09-25 | 2023-09-25 | 一种知识图谱可视化交互方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311235661.8A CN116992960B (zh) | 2023-09-25 | 2023-09-25 | 一种知识图谱可视化交互方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116992960A true CN116992960A (zh) | 2023-11-03 |
CN116992960B CN116992960B (zh) | 2023-12-05 |
Family
ID=88530467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311235661.8A Active CN116992960B (zh) | 2023-09-25 | 2023-09-25 | 一种知识图谱可视化交互方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116992960B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046112A (zh) * | 2019-11-22 | 2020-04-21 | 精硕科技(北京)股份有限公司 | 品类知识图谱展示方法、装置和电子设备 |
CN111259297A (zh) * | 2020-01-14 | 2020-06-09 | 清华大学 | 一种面向知识图谱的交互可视化方法、平台和系统 |
CN111401068A (zh) * | 2020-03-23 | 2020-07-10 | 西南科技大学 | 基于知识图谱的炸药配方辅助设计可视化方法以及系统 |
CN111538872A (zh) * | 2020-07-09 | 2020-08-14 | 太平金融科技服务(上海)有限公司 | 业务节点信息的可视化方法、装置、计算机设备和介质 |
CN112287183A (zh) * | 2020-10-30 | 2021-01-29 | 北京字节跳动网络技术有限公司 | 一种链路拓扑图展示方法、装置及计算机存储介质 |
WO2021027260A1 (zh) * | 2019-08-15 | 2021-02-18 | 创新先进技术有限公司 | 处理交互序列数据的方法及装置 |
CN113254670A (zh) * | 2021-06-16 | 2021-08-13 | 中国科学院自动化研究所 | 基于力导向的知识图谱可视化方法 |
CN113362131A (zh) * | 2021-06-02 | 2021-09-07 | 合肥工业大学 | 一种融合知识图谱和用户交互的图模型智能商品推荐方法 |
CN114238764A (zh) * | 2021-12-20 | 2022-03-25 | 中国平安财产保险股份有限公司 | 基于循环神经网络的课程推荐方法、装置及设备 |
CN114265982A (zh) * | 2021-12-22 | 2022-04-01 | 北京中科闻歌科技股份有限公司 | 一种基于知识图谱的智能推荐方法 |
CN114465870A (zh) * | 2022-01-17 | 2022-05-10 | 中国工商银行股份有限公司 | 告警信息的处理方法及装置、存储介质和电子设备 |
CN114708051A (zh) * | 2021-12-31 | 2022-07-05 | 中国第一汽车股份有限公司 | 基于用户信息进行车辆推荐的方法和装置 |
US20220292525A1 (en) * | 2021-03-12 | 2022-09-15 | Hubspot, Inc. | Multi-service business platform system having event systems and methods |
CN115168615A (zh) * | 2022-07-26 | 2022-10-11 | 钟珍珍 | 结合数据可视化的知识图谱大数据处理方法及系统 |
CN115391555A (zh) * | 2022-08-26 | 2022-11-25 | 上海大学 | 一种用户感知的知识图谱推荐系统及方法 |
CN116049438A (zh) * | 2023-01-10 | 2023-05-02 | 昆明理工大学 | 一种基于知识图谱的群体成员关系分析方法 |
-
2023
- 2023-09-25 CN CN202311235661.8A patent/CN116992960B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021027260A1 (zh) * | 2019-08-15 | 2021-02-18 | 创新先进技术有限公司 | 处理交互序列数据的方法及装置 |
CN111046112A (zh) * | 2019-11-22 | 2020-04-21 | 精硕科技(北京)股份有限公司 | 品类知识图谱展示方法、装置和电子设备 |
CN111259297A (zh) * | 2020-01-14 | 2020-06-09 | 清华大学 | 一种面向知识图谱的交互可视化方法、平台和系统 |
CN111401068A (zh) * | 2020-03-23 | 2020-07-10 | 西南科技大学 | 基于知识图谱的炸药配方辅助设计可视化方法以及系统 |
CN111538872A (zh) * | 2020-07-09 | 2020-08-14 | 太平金融科技服务(上海)有限公司 | 业务节点信息的可视化方法、装置、计算机设备和介质 |
CN112287183A (zh) * | 2020-10-30 | 2021-01-29 | 北京字节跳动网络技术有限公司 | 一种链路拓扑图展示方法、装置及计算机存储介质 |
US20220292525A1 (en) * | 2021-03-12 | 2022-09-15 | Hubspot, Inc. | Multi-service business platform system having event systems and methods |
CN113362131A (zh) * | 2021-06-02 | 2021-09-07 | 合肥工业大学 | 一种融合知识图谱和用户交互的图模型智能商品推荐方法 |
CN113254670A (zh) * | 2021-06-16 | 2021-08-13 | 中国科学院自动化研究所 | 基于力导向的知识图谱可视化方法 |
CN114238764A (zh) * | 2021-12-20 | 2022-03-25 | 中国平安财产保险股份有限公司 | 基于循环神经网络的课程推荐方法、装置及设备 |
CN114265982A (zh) * | 2021-12-22 | 2022-04-01 | 北京中科闻歌科技股份有限公司 | 一种基于知识图谱的智能推荐方法 |
CN114708051A (zh) * | 2021-12-31 | 2022-07-05 | 中国第一汽车股份有限公司 | 基于用户信息进行车辆推荐的方法和装置 |
CN114465870A (zh) * | 2022-01-17 | 2022-05-10 | 中国工商银行股份有限公司 | 告警信息的处理方法及装置、存储介质和电子设备 |
CN115168615A (zh) * | 2022-07-26 | 2022-10-11 | 钟珍珍 | 结合数据可视化的知识图谱大数据处理方法及系统 |
CN115391555A (zh) * | 2022-08-26 | 2022-11-25 | 上海大学 | 一种用户感知的知识图谱推荐系统及方法 |
CN116049438A (zh) * | 2023-01-10 | 2023-05-02 | 昆明理工大学 | 一种基于知识图谱的群体成员关系分析方法 |
Non-Patent Citations (4)
Title |
---|
MAHESH KUMAR SINGH等: "EVENT DRIVEN RECOMMENDATION SYSTEM FOR E-COMMERCE USING KNOWLEDGE BASED COLLABORATIVE FILTERING TECHNIQUE", 《SCALABLE COMPUTING: PRACTICE AND EXPERIENCE》, vol. 21, no. 3, pages 369 * |
岳丽欣等: "基于交互式可视化的领域知识图谱构建研究", 《情报科学》, vol. 38, no. 6, pages 145 - 150 * |
王彤: "面向应用模式的数据可视化系统的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 04, pages 138 - 497 * |
王晰巍等: "直播平台用户信息交互行为图谱及特征研究", 《图书情报知识》, pages 15 - 26 * |
Also Published As
Publication number | Publication date |
---|---|
CN116992960B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | A trust-based collaborative filtering algorithm for E-commerce recommendation system | |
Hong et al. | Social recommendation service for cultural heritage | |
Sohail et al. | Classifications of recommender systems: A review. | |
US10033799B2 (en) | Semantically representing a target entity using a semantic object | |
US9984126B2 (en) | Identifying relevant feed items to display in a feed of an enterprise social networking system | |
US11715132B2 (en) | Adaptive and recursive system and method | |
US8161066B2 (en) | Methods and systems for creating a semantic object | |
USRE44966E1 (en) | Adaptive recommendations systems | |
US20170206276A1 (en) | Large Scale Recommendation Engine Based on User Tastes | |
US20170213272A1 (en) | Computer resource ranking for interconnected user profiles | |
US20040220893A1 (en) | User interface for managing semantic objects | |
US20190087887A1 (en) | Crowd sourced real-time search engine filters and user interfaces | |
Li et al. | Social recommendation based on trust and influence in SNS environments | |
Kuanr et al. | Recent challenges in recommender systems: a survey | |
US12093983B2 (en) | Adaptive and recursive system and method | |
Hsieh | SoLoMo technology: exploring the most critical determinants of SoLoMo technology in the contemporary mobile communication technology era | |
Addagarla et al. | A survey on comprehensive trends in recommendation systems & applications | |
Kumar et al. | Context enabled multi-CBR based recommendation engine for e-commerce | |
Shih et al. | An integrated framework for recommendation systems in e‐commerce | |
Eberhard et al. | Predicting trading interactions in an online marketplace through location-based and online social networks | |
Ye et al. | An interpretable mechanism for personalized recommendation based on cross feature | |
Liao et al. | Data mining analytics investigate WeChat users’ behaviours: online social media and social commerce development | |
CN116992960B (zh) | 一种知识图谱可视化交互方法及系统 | |
Revathy et al. | A proposed architecture for cold start recommender by clustering contextual data and social network data | |
Ogunde et al. | The design of a hybrid model-based journal recommendation system |
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 |