CN109033101B - 标签推荐方法及装置 - Google Patents
标签推荐方法及装置 Download PDFInfo
- Publication number
- CN109033101B CN109033101B CN201710429233.7A CN201710429233A CN109033101B CN 109033101 B CN109033101 B CN 109033101B CN 201710429233 A CN201710429233 A CN 201710429233A CN 109033101 B CN109033101 B CN 109033101B
- Authority
- CN
- China
- Prior art keywords
- tag
- label
- entity
- target
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000006399 behavior Effects 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims description 94
- 230000006870 function Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 238000006073 displacement reaction Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101100281516 Caenorhabditis elegans fox-1 gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种标签推荐方法及装置,属于大数据领域。该方法包括:获取参考标签信息,该参考标签信息用于指示用户针对目标业务所产生的用户行为,参考标签信息包括n个参考标签的信息,n≥2。然后确定在初始知识图谱中与n个参考标签中每个参考标签和预先获取的指定标签对应的目标实体,得到m个目标实体,m≥2。之后,根据参考标签信息所指示的用户行为和指定标签为m个目标实体建立关联关系,得到参考知识图谱。最后,基于得到的参考知识图谱确定推荐标签。本申请解决了相关技术给业务人员推荐标签时推荐依据较单一,推荐的标签较单一的问题,丰富了标签推荐依据,推荐的标签更加丰富多样化,用于确定目标用户群。
Description
技术领域
本申请涉及大数据领域,特别涉及一种标签推荐方法及装置。
背景技术
在一些服务行业中,业务人员为了给一些特定用户提供合适的业务,需要先确定目标用户群,然后给确定的目标客户群提供合适的业务。在确定目标用户群时,通常会采用标签来确定用户分群规则,然后基于该用户分群规则获取相关用户数据,再基于该相关用户数据得到目标用户群。其中,标签用于指示用户使用业务的情况。
比如运营商为了留住老用户,延长老用户在网时间,通常会基于上述过程将老用户确定为目标用户群,然后针对该目标用户群进行合约续约工作或套餐适配工作。但目前在向目标用户群推荐业务时,业务人员只是采用经验标签(该经验标签是靠经验得到的)来确定用户分群规则,在这种情况下,如果没有关于该业务的历史推荐记录来参考,则无法较好地完成业务推荐工作,这个问题称为冷启动问题。为了解决该冷启动问题,需要给业务人员推荐出多样化的标签。
相关技术中,通常采用推荐设备推荐标签,推荐设备通常是基于用户对应的经验标签的标签向量与待推荐标签的标签向量的相似度来推荐标签。具体的,推荐设备先基于预先构建的知识谱图确定经验标签的标签向量,该经验标签是根据用户使用当前业务的情况确定的,再基于该知识图谱确定待推荐标签的标签向量。之后,判断两个标签向量的相似度是否大于预设值。当两个标签向量的相似度大于预设值时,将待推荐标签推荐给业务人员。其中,知识图谱为一个网络,该网络包括多个结点和代表结点间的语义关系的边,每个结点为一个实体(entity),实体与标签对应。
但上述过程仅单纯采用固定内容的知识图谱来给业务人员推荐标签,推荐依据较单一,推荐的标签较单一。
发明内容
为了解决相关技术给业务人员推荐标签时推荐依据较单一,推荐的标签较单一的问题,本发明实施例提供了一种标签推荐方法及装置。所述技术方案如下:
第一方面,提供了一种标签推荐方法,该方法包括:获取参考标签信息,该参考标签信息用于指示用户针对目标业务所产生的用户行为,该参考标签信息包括n个参考标签的信息,n≥2。然后,确定在初始知识图谱中与n个参考标签中每个参考标签和预先获取的指定标签对应的目标实体,得到m个目标实体,m≥2,该指定标签是基于预定的用户分群规则获取的。之后,根据参考标签信息所指示的用户行为和指定标签为m个目标实体建立关联关系,得到参考知识图谱,该参考知识图谱用于反映m个目标实体的关联关系。最后,基于该参考知识图谱确定推荐标签。
该方法结合用户行为对知识图谱进行了改进,基于改进后的知识图谱为业务人员推荐标签,知识图谱的内容不再是固定的,丰富了标签推荐依据,推荐的标签更加丰富多样化。
示例的,目标业务可以是汽车行业、交通运输行业、运营商行业和互联网行业等的业务。
可选的,参考标签信息包括由用户行为得到的参考标签之间的共现关系。
在本发明实施例中,可以基于用户的浏览行为得到存在共现关系的多个参考标签。也可以基于用户的购买行为得到存在共现关系的多个参考标签。本发明实施例对用户行为的形式不作限定。
可选的,在获取参考标签信息之前,该方法还可以包括:基于预定的用户分群规则获取指定标签,该用户分群规则是基于目标业务确定的。
基于参考知识图谱确定推荐标签,可以包括:先确定参考知识图谱中第一目标实体的第一向量和与第一目标实体相关的关联关系的第二向量,该第一目标实体为m个目标实体中的任一目标实体。再根据第一向量和第二向量,采用打分函数预测与第一目标实体存在共现关系的实体,得到期望实体信息,该期望实体信息包括第一目标实体,与第一目标实体存在共现关系的实体,以及第一目标实体对应的打分结果。之后,获取指定标签对应的期望标签信息。然后,从期望标签信息中查询与期望实体信息中的目标实体对应的标签,并基于期望实体信息得到第一标签列表。最后,对第一标签列表进行数据冗余处理,得到推荐列表,该推荐列表包括推荐标签。
第一标签列表可能包含冗余数据,该冗余数据指的是冗余的预测的存在共现关系的标签。在这种情况下,可以对该第一标签列表进行数据冗余处理。也即是,对第一标签列表中的冗余数据(即冗余的预测的存在共现关系的标签)进行处理,即对第一标签列表中的数据(即预测的存在共现关系的标签)进行去冗余处理,这样一来,使得业务人员能够快速根据推荐列表得到推荐标签,提高了用户分群规则的制定效率。
可选的,基于预定的用户分群规则获取指定标签,可以包括:先将用户分群规则以文本形式进行存储,再从文本形式的用户分群规则中提取出指定标签。
可选的,第一标签列表包括标签对应的排序值,对第一标签列表进行数据冗余处理,得到推荐列表,可以包括:先对第一标签列表中重复出现的多个相同标签去重保留一个,再将多个相同标签中每个标签对应的排序值的和作为保留的对应标签的排序值。
可选的,第一标签列表包括标签对应的排序值,对第一标签列表进行数据冗余处理,得到推荐列表,包括:对第一标签列表中重复出现的多个相同标签去重保留一个,再将多个相同标签中每个标签对应的排序值进行加权求和,并将加权求和的结果作为保留的对应标签的排序值。
可选的,基于预定的用户分群规则获取指定标签,包括:周期性基于预定的用户分群规则获取指定标签。获取参考标签信息,包括:周期性获取参考标签信息。
在本发明实施例中,还可以充分利用用户分群操作,将每次用户分群操作过程中制定的用户分群规则进行再次利用,达到更新参考知识图谱的目的。由于用户分群规则是基于经验标签和推荐标签制定的,所以基于该用户分群规则获取标签,再确定参考知识图谱中与该标签和用于指示用户行为的参考标签信息对应的实体,然后根据参考标签信息所指示的用户行为和基于用户分群规则获取的标签,为参考知识图谱中的相应实体建立关联关系,可以使参考知识图谱得到进一步的更新和优化,最终,基于参考知识图谱确定的推荐标签得到了持续更新和优化。该持续更新和优化过程提高了业务人员制定用户分群规则的效率和准确性,提高了确定目标用户群的效率和准确性。
可选的,确定在初始知识图谱中与n个参考标签中每个参考标签和预先获取的指定标签对应的目标实体,得到m个目标实体,包括:采用词频TF逆向文件频率IDF统计方式对初始知识图谱中的预设实体进行过滤;从过滤后的实体中确定m个目标实体。
在本发明实施例中,为了提高初始知识图谱的构建效率,可以预先过滤掉初始知识图谱中的重要程度较低的实体,然后从剩余的实体中确定参考标签和指定标签对应的目标实体。
可选的,期望标签信息包括指定标签的标签名称、用户分群规则的确定方式、标签统计周期和指定标签的标签实体。
可选的,确定参考知识图谱中第一目标实体的第一向量和与第一目标实体相关的关联关系的第二向量,包括:采用知识库方式确定第一向量和第二向量。
第二方面,提供了一种标签推荐装置,该装置包括至少一个模块,该至少一个模块用于实现上述第一方面所述的标签推荐方法。
第三方面,提供了一种标签推荐装置,包括处理器、存储器、网络接口和总线。其中,总线用于连接处理器、存储器和网络接口。存储器可能包含随机存取存储器,也可能包含非不稳定的存储器,例如至少一个磁盘存储器。通过网络接口(可以是有线或者无线)实现推荐设备与外部设备之间的通信连接。存储器中存储有程序,该程序用于实现各种应用功能,处理器用于执行存储器中存储的程序来实现上述第一方面所述的标签推荐方法。
第四方面,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中存储有指令,当所述计算机可读存储介质在计算机上运行时,使得计算机执行上述第一方面所述的标签推荐方法。
第五方面,提供了一种包含指令的计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述第一方面标签推荐方法。
上述第二方面至第五方面所获得的技术效果与第一方面中对应的技术手段所获得的技术效果近似,在这里不再赘述。
本发明实施例提供的技术方案带来的有益效果是:
能够获取参考标签信息,然后确定初始知识图谱中与n(n≥2)个参考标签中每个参考标签和预先获取的指定标签对应的目标实体,得到m(m≥2)个目标实体,再根据参考标签信息所指示的用户行为和指定标签,为m个目标实体建立关联关系,得到参考知识图谱,之后,再基于参考知识图谱确定推荐标签。其中,该参考标签信息用于指示用户针对目标业务所产生的用户行为,该参考标签信息包括n个参考标签的信息,指定标签是基于预定的用户分群规则获取的,参考知识图谱用于反映m个目标实体的关联关系。本申请结合用户行为对知识图谱进行了改进,基于改进后的知识图谱为业务人员推荐标签,相较于相关技术,知识图谱的内容不再是固定的,丰富了标签推荐依据,推荐的标签更加丰富多样化。
附图说明
图1是本公开部分实施例提供的标签推荐方法所涉及的实施环境示意图;
图2是本发明实施例提供的一种标签推荐装置的结构示意图;
图3-1是本发明实施例提供的一种标签推荐方法的流程图;
图3-2是本发明实施例提供的一种获取指定标签的流程图;
图3-3是一种初始知识图谱的示意图;
图3-4是本发明实施例提供的一种确定目标实体的流程图;
图3-5是本发明实施例提供的一种参考知识图谱的示意图;
图3-6是本发明实施例提供的一种确定推荐标签的流程图;
图3-7是本发明实施例提供的一种得到推荐列表的流程图;
图3-8是本发明实施例提供的另一种得到推荐列表的流程图;
图4-1是本发明实施例提供的一种标签推荐装置的结构示意图;
图4-2是本发明实施例提供的另一种标签推荐装置的结构示意图;
图4-3是本发明实施例提供的一种第二确定模块的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
图1是本公开部分实施例提供的标签推荐方法所涉及的实施环境示意图,该实施环境可以包括:推荐设备01和外部设备02。
推荐设备01可以是一台服务器,或者是一台计算机,推荐设备01用于为业务人员推荐标签。
外部设备02可以是一台服务器,或者由若干台服务器组成的服务器集群,或者是一个云计算服务中心。推荐设备01能够从外部设备02中获取初始知识图谱的数据。推荐设备01和外部设备02可以通过有线网络或无线网络建立连接。
业务人员根据推荐设备01推荐的标签制定用户分群规则,然后通过推荐设备01基于制定的用户分群规则获取相关用户数据,再基于该相关用户数据得到目标用户群。
图2是本发明实施例提供的一种标签推荐装置的结构示意图,该装置可以用于图1所示的推荐设备01。如图2所示,该装置包括处理器201(如中央处理器(centralprocessing unit,CPU))、存储器202、网络接口203和总线204。其中,总线204用于连接处理器201、存储器202和网络接口203。存储器202可能包含随机存取存储器(Random AccessMemory,RAM),也可能包含非不稳定的存储器(英文:non-volatile memory),例如至少一个磁盘存储器。通过网络接口203(可以是有线或者无线)实现推荐设备01与外部设备02之间的通信连接。存储器202中存储有程序2021,该程序2021用于实现各种应用功能,处理器201用于执行存储器202中存储的程序2021来实现下述标签推荐方法。
图3-1是根据一示例性实施例示出的一种标签推荐方法的流程图,本实施例以该标签推荐方法应用于图1所示实施环境中的推荐设备01来举例说明,该标签推荐方法可以包括:
步骤301、推荐设备基于预定的用户分群规则获取指定标签,该用户分群规则是基于目标业务确定的。
业务人员基于目标业务制定用户分群规则,推荐设备再基于该用户分群规则获取指定标签。示例的,目标业务可以是汽车行业、交通运输行业、运营商行业和互联网行业等的业务。本发明实施例以目标业务是汽车行业的业务为例进行说明。
如图3-2所示,步骤301可以包括:
步骤3011、将用户分群规则以文本形式进行存储。
示例的,业务人员为了给准备购车的用户提供目标业务,比如使用户获取某品牌汽车的参考信息,帮助用户制定购车计划,业务人员可以靠经验标签制定用户分群规则。之后,推荐设备将业务人员制定的用户分群规则以文本形式进行存储。示例的,该用户分群规则可以为:上月偏好福克斯=1,上月偏好轿车=1,且上月偏好福特=1。其中,1用于指示偏好。比如,上月偏好福克斯=1,表示的是上月偏好福克斯。而上月偏好福克斯=0,表示的是上月不偏好福克斯。
步骤3012、从文本形式的用户分群规则中提取出指定标签。
示例的,推荐设备从步骤3011得到的文本形式的用户分群规则:“上月偏好福克斯=1,上月偏好轿车=1,且上月偏好福特=1”中,提取出指定标签,该指定标签为:“偏好福克斯”、“偏好轿车”和“偏好福特”。
步骤302、推荐设备获取参考标签信息,该参考标签信息用于指示用户针对目标业务所产生的用户行为,该参考标签信息包括n个参考标签的信息,n≥2。
当用户使用目标业务时,经常会同时使用多个标签,在这种情况下,认为该多个标签存在共现关系。
可选的,该参考标签信息可以包括由用户行为得到的参考标签之间的共现关系。
示例的,推荐设备获取的参考标签信息为:“福克斯、1.0T~1.6T”、“科鲁兹、1.0T~1.6T”。其中,1.0T表示排量为1.0升带涡轮增压。在“福克斯、1.0T~1.6T”中,参考标签“福克斯”和参考标签“1.0T~1.6T”存在共现关系,在“科鲁兹、1.0T~1.6T”中,参考标签“科鲁兹”和参考标签“1.0T~1.6T”存在共现关系。
示例的,在本发明实施例中,可以基于用户的浏览行为得到存在共现关系的多个参考标签。具体的,如用户在网上搜索福克斯相关信息的过程中,输入关键词“福克斯”的同时,还会输入关键词“1.0T~1.6T”。也即是,用户想搜索排量为1.0T~1.6T的福克斯的信息。又如用户在网上搜索科鲁兹相关信息的过程中,输入关键词“科鲁兹”的同时,还会输入关键词“1.0T~1.6T”,也即是,用户想搜索排量为1.0T~1.6T的科鲁兹的信息。
除了浏览行为外,也可以基于用户的购买行为得到存在共现关系的多个参考标签。具体的,如用户购买福克斯时,还会要求其排量为1.0T~1.6T;又如用户购买科鲁兹时,还会要求其排量为1.0T~1.6T。
本发明实施例对用户行为的形式不作限定。
步骤303、推荐设备确定在初始知识图谱中与n个参考标签中每个参考标签和预先获取的指定标签对应的目标实体,得到m个目标实体,m≥2。
推荐设备可以从外部设备获取汽车行业的初始知识图谱的数据。示例的,推荐设备从外部设备获取的初始知识图谱的部分数据可以如表1所示,表1中包括汽车名称、车系、车型、品牌以及排量。此外,还可以包括价格等。
推荐设备根据表1所示的数据构建初始知识图谱,构建的初始知识图谱可以如图3-3所示。图3-3中与①有连接关系的实体和表1中的第一行数据相对应,与②有连接关系的实体和表1中的第二行数据相对应,与③有连接关系的实体和表1中的第三行数据相对应,与④有连接关系的实体和表1中的第四行数据相对应。表1中的1.0L表示自然吸气发动机的排量为1.0升。图3-3中的SUV指的是运动型多用途汽车,其英文为:Sport UtilityVehicle。
推荐设备构建初始知识图谱,再确定在该初始知识图谱中与步骤302中参考标签信息包括的参考标签对应的目标实体,以及步骤301获取的指定标签对应的目标实体。示例的,步骤302中推荐设备获取的参考标签信息为:“福克斯、1.0T~1.6T”、“科鲁兹、1.0T~1.6T”。推荐设备确定图3-3所示的初始知识图谱中与“福克斯、1.0T~1.6T”中的参考标签“福克斯”对应的目标实体:福克斯,与“福克斯、1.0T~1.6T”中的参考标签“1.0T~1.6T”对应的目标实体:1.0T~1.6T;与“科鲁兹、1.0T~1.6T”中的参考标签“科鲁兹”对应的目标实体:科鲁兹,与“科鲁兹、1.0T~1.6T”中参考标签“1.0T~1.6T”对应的目标实体:1.0T~1.6T。推荐设备确定图3-3所示的初始知识图谱中与步骤301中指定标签“偏好福克斯”对应的目标实体:福克斯,与指定标签“偏好轿车”对应的目标实体:轿车,与指定标签“偏好福特”对应的目标实体:福特。这样一来,推荐设备确定的目标实体为:福克斯、1.0T~1.6T、科鲁兹、轿车和福特。
表1
进一步的,为了提高初始知识图谱的构建效率,可以预先过滤掉初始知识图谱中的重要程度较低的实体,然后从剩余的实体中确定参考标签和指定标签对应的目标实体。可选的,如图3-4所示,步骤303可以包括:
步骤3031、采用TF IDF统计方式对初始知识图谱中的预设实体进行过滤。
推荐设备采用词频(Term Frequency,TF)逆向文件频率(Inverse DocumentFrequency,IDF)统计方式对初始知识图谱中的预设实体进行过滤。
其中,TF IDF统计方式用于评估某个词(或短语)对于一个文件集或一个语料库中的其中一份文件的重要程度。词(或短语)的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降。示例的,通过TF IDF统计方式可以将图3-3所示的初始知识图谱中重要程度较低的实体“轿车”过滤掉。步骤3031的过程可以参考相关技术。
步骤3032、从过滤后的实体中确定m个目标实体。
由于在步骤3031中,推荐设备将初始知识图谱中的实体“轿车”过滤掉了,所以推荐设备确定参考标签和指定标签对应的目标实体为:福克斯、1.0T~1.6T、科鲁兹和福特。
步骤304、推荐设备根据参考标签信息所指示的用户行为和指定标签为m个目标实体建立关联关系,得到参考知识图谱,该参考知识图谱用于反映m个目标实体的关联关系。
推荐设备根据步骤302中参考标签信息所指示的用户行为,以及步骤301中的指定标签,为步骤303得到的多个目标实体建立关联关系,得到参考知识图谱。示例的,参考标签信息为:“福克斯、1.0T~1.6T”、“科鲁兹、1.0T~1.6T”,指定标签为:“偏好福克斯”、“偏好轿车”和“偏好福特”,目标实体为:福克斯、1.0T~1.6T、科鲁兹和福特。推荐设备为4个目标实体建立关联关系,得到参考知识图谱,示例的,该参考知识图谱可以如图3-5所示。
图3-5中的虚线表示共现关系,比如,福特和福克斯之间存在共现关系,福克斯和(1.0T~1.6T)之间存在共现关系。由图3-5可以得到多组存在共现关系的实体,比如福特和福克斯,福克斯和(1.0T~1.6T),福特和(1.0T~1.6T),福克斯和科鲁兹。由图3-5和指定标签还可以得到存在车系关系的实体:1和福克斯,1表示偏好福克斯。还可以得到存在排量关系的实体:1和(1.0T~1.6T)(即偏好(1.0T~1.6T))。
在本发明实施例中,基于该参考知识图谱可以确定为业务人员推荐的推荐标签。相较于相关技术,该参考知识图谱融合了用户行为,知识图谱的内容不再是固定的,由于基于该参考知识图谱确定推荐标签时结合了用户行为,所以标签推荐依据更丰富,推荐标签更加丰富多样化。
步骤305、推荐设备基于参考知识图谱确定推荐标签。
可选的,如图3-6所示,步骤305可以包括:
步骤3051、确定参考知识图谱中第一目标实体的第一向量和与第一目标实体相关的关联关系的第二向量,该第一目标实体为m个目标实体中的任一目标实体。
现以图3-5所示的参考知识图谱为例进行说明。由图3-5可以得到多组存在共现关系的实体,包括:福特和福克斯,福克斯和(1.0T~1.6T),福特和(1.0T~1.6T),福克斯和科鲁兹,还可以得到存在车系关系的实体:1和福克斯(即偏好福克斯),还可以得到存在排量关系的实体:1和(1.0T~1.6T)(即偏好(1.0T~1.6T))。4个目标实体为:福克斯、1.0T~1.6T、科鲁兹和福特。那么推荐设备可以确定“福克斯”的第一向量,确定与“福克斯”相关的关联关系(即共现关系和车系关系)的第二向量;确定“1.0T~1.6T”的第一向量,确定与“1.0T~1.6T”相关的关联关系(即共现关系和排量关系)的第二向量;确定“科鲁兹”的第一向量,确定与“科鲁兹”相关的关联关系(即共现关系)的第二向量;确定“福特”的第一向量,确定与“福特”相关的关联关系(即共现关系)的第二向量。
具体的,可以通过优化一个基于间隔的损失函数,将第一目标实体和与第一目标实体相关的关联关系表示成向量空间中的向量。示例的,可以采用知识库方式(TransE)得到第一向量和第二向量,该过程具体可以参考相关技术。
步骤3052、根据第一向量和第二向量,采用打分函数预测与第一目标实体存在共现关系的实体,得到期望实体信息,该期望实体信息包括第一目标实体,与第一目标实体存在共现关系的实体,以及第一目标实体对应的打分结果。
推荐设备根据目标实体的第一向量和与目标实体相关的关联关系的第二向量,采用打分函数预测与第一目标实体存在共现关系的实体。比如,目标实体“福克斯”的第一向量为与目标实体“福克斯”相关的关联关系的第二向量为将第一向量和第二向量相加,得到第一向量和第二向量的和向量。同样的,可以得到目标实体“1.0T~1.6T”的第一向量和第二向量的和向量,得到目标实体“科鲁兹”的第一向量和第二向量的和向量,得到目标实体“福特”的第一向量和第二向量的和向量。然后基于4个和向量采用打分函数预测与目标实体存在共现关系的实体,得到期望实体信息。该期望实体信息包括目标实体,预测的与目标实体存在共现关系的实体,以及目标实体对应的打分结果。示例的,该期望实体信息可以如表2所示,表2中的排序值为目标实体对应的打分结果,排序值也叫做分数。
表2
目标实体 | 预测的存在共现关系的实体 | 排序值 |
福特 | 雪弗莱 | 0.8 |
福特 | 现代 | 0.7 |
福克斯 | 轿车 | 0.3 |
福克斯 | 1.0L~1.6L | 0.7 |
福克斯 | Ix25 | 0.5 |
福克斯 | 现代 | 0.5 |
具体的,推荐设备可以针对给定的目标实体生成候选实体集合,然后根据实体关系对打分函数对候选实体进行打分,再取分数最高的候选实体作为与目标实体对齐的实体。该过程可以参考相关技术。其中,候选实体的排序值也为目标实体的排序值。比如,表2中,候选实体“雪弗莱”的排序值为0.8,目标实体“福特”的排序值也为0.8。“雪弗莱”为与“福特”对齐的实体,“雪弗莱”和“福特”存在共现关系。
此外,在执行步骤3051时,确定实体的向量和关联关系的向量的过程也可以为:
1)根据知识图谱(即参考知识图谱)的至少一个实体关系对(h,r,t)得到正例实体关系对集合Δ、负例实体关系对集合Δ'、与头实体h按照关系(即关联关系)r构成的正例集Pr={t|(h,r,t)∈Δ}以及与头实体h按照关系r构成的负例集其中,R表示关系集合,实体关系对(h,r,t)包括头实体h、关系r和尾实体t,正例实体关系对集合Δ表示知识图谱中存在的实体关系对(h,r,t)的集合,负例实体关系对集合Δ'表示知识图谱中不存在的实体关系对(h',r',t')的集合。
2)根据给定维度,初始化知识图谱的实体关系对(h,r,t)中的头实体向量、关系向量和尾实体向量,其中,每个头实体h对应一个头实体向量,每个关系r对应一个关系向量,每个尾实体t对应一个尾实体向量。
3)针对特定实体h及对应关系r,根据正例集Pr以及负例集Nr,计算特定实体h的实体间隔Mh。具体的,针对特定实体h及其对应的关系r,选择和计算实体间隔Mh=mint,t”δ(||h-t”||-||h-t||),其中,||·||表示L1或L2范式,mint,t”表示从所有根据t或t”计算的结果中取最小值。
4)根据正例实体关系对集合Δ、负例实体关系对集合Δ'和实体间隔Mh计算损失函数。
该损失函数为:
其中,Mh表示与头实体h对应的实体间隔,[x]+返回x与0两者中的较大值,||·||表示L1或L2范式。
5)对实体关系对的头实体向量、关系向量和尾实体向量迭代进行更新,当损失函数满足预设条件时,更新得到的头实体向量、关系向量和尾实体向量作为训练模型。
其中,对实体关系对的头实体向量、关系向量和尾实体向量迭代进行更新,可以包括:
hi=hi-μ*2*|ti-hi-ri|,
ri=ri-μ*2*|ti-hi-ri|,
ti=ti+μ*2*|ti-hi-ri|,
h'i=h'i-μ*2*|t'i-h'i-r'i|,
r'i=r'i-μ*2*|t'i-h'i-r'i|,
t'i=t'i-μ*2*|t'i-h'i-r'i|。
在执行步骤3052时,根据实体的向量和关联关系的向量对实体进行打分的过程也可以为:
6)读取步骤5)中的训练模型,该训练模型中包括实体的向量和关系的向量。
7)针对给定实体及对应的关系,根据训练模型构造候选实体关系对集合。实体关系对集合中包括至少一个候选实体关系对,每个候选实体关系对包括给定实体、关系和候选实体,并且候选实体与给定实体的类型相同。
8)根据打分函数对所有候选实体关系对中的实体的向量和关系的向量进行打分,取打分值最高的候选实体关系对中的候选实体作为对齐的实体,其中,打分函数中包括给定实体的向量与候选实体的向量之间的属性相似度。当属性相似度值越高时打分函数打分值越高。
其中,Dist(h',t)=|tt-h't|+EditDist(tattribute,h'attribute),tt表示t的时间,h't表示h'的时间,tattribute表示t的属性,h'attribute表示h'的属性,EditDist(tattribute,h'attribute)表示属性之间的编辑距离。
步骤3053、获取指定标签对应的期望标签信息。
推荐标签从外部设备中获取该期望标签信息。用户针对目标业务所产生的用户行为的数据均存储于外部设备中。
以步骤301中的指定标签:“偏好福克斯”、“偏好轿车”和“偏好福特”为例进行说明。推荐设备获取该指定标签对应的期望标签信息,示例的,该期望标签信息可以如表3所示。期望标签信息包括指定标签的标签名称、用户分群规则的确定方式、标签统计周期和指定标签的标签实体。比如指定标签“偏好福克斯”的标签名称为:偏好福克斯,该指定标签对应的用户分群规则的确定方式为:汽车之家和太平洋汽车的浏览次数之和大于5,也即是,当用户在汽车之家和太平洋汽车的浏览次数之和大于5时,则认为该用户偏好福克斯。该指定标签的标签统计周期为:按月统计,每月更新。该指定标签的标签实体为:福克斯,且福克斯为某一车系。
表3
步骤3054、从期望标签信息中查询与期望实体信息中的目标实体对应的标签,并基于期望实体信息得到第一标签列表。
示例的,推荐设备从表3所示的期望标签信息中查询与表2中的目标实体“福特”和“福克斯”对应的标签,即“偏好福克斯”和“偏好福特”,并基于表2得到第一标签列表,该第一标签列表可以如表4所示。
表4
标签 | 预测的存在共现关系的标签 | 排序值 |
偏好福特 | 偏好雪弗莱 | 0.8 |
偏好福特 | 偏好现代 | 0.7 |
偏好福克斯 | 偏好轿车 | 0.3 |
偏好福克斯 | 偏好1.0L~1.6L | 0.7 |
偏好福克斯 | 偏好Ix25 | 0.5 |
偏好福克斯 | 偏好现代 | 0.5 |
步骤3055、对第一标签列表进行数据冗余处理,得到推荐列表,该推荐列表包括推荐标签。
如表4所示,第一标签列表可能包含冗余数据,该冗余数据指的是冗余的预测的存在共现关系的标签。在这种情况下,可以对该第一标签列表进行数据冗余处理。也即是,对第一标签列表中的冗余数据(即冗余的预测的存在共现关系的标签)进行处理,即对第一标签列表中的数据(即预测的存在共现关系的标签)进行去冗余处理。参见表4,第一标签列表可以包括标签对应的排序值。
一方面,如图3-7所示,步骤3055可以包括:
步骤3055a、对第一标签列表中重复出现的多个相同标签去重保留一个。
步骤3055b、将多个相同标签中每个标签对应的排序值的和作为保留的对应标签的排序值。
示例的,表4中预测的存在共现关系的标签中重复出现2个相同标签“偏好现代”,那么推荐设备可以对2个相同标签“偏好现代”去重保留一个。然后,推荐设备将2个相同标签“偏好现代”对应的排序值的和作为标签“偏好现代”的排序值,也即是将0.5和0.7的和作为标签“偏好现代”的排序值。最终得到的推荐列表如表5所示,该推荐列表包括推荐标签“偏好雪弗莱”、“偏好现代”、“偏好轿车”、“偏好1.0L~1.6L”和“偏好Ix25”。
表5
另一方面,如图3-8所示,步骤3055可以包括:
步骤3055c、对第一标签列表中重复出现的多个相同标签去重保留一个。
步骤3055d、将多个相同标签中每个标签对应的排序值进行加权求和,并将加权求和的结果作为保留的对应标签的排序值。
同样的,以表4为例,推荐设备可以对2个相同标签“偏好现代”去重保留一个。然后,推荐设备将其中一个“偏好现代”对应的排序值0.5和另一个“偏好现代”对应的排序值0.7进行加权求和,比如,加权求和的表达式可以为:0.5*0.6+0.7*(1-0.6)=0.58。之后,推荐设备将0.58作为标签“偏好现代”的排序值。最终得到的推荐列表如表6所示,该推荐列表包括推荐标签“偏好雪弗莱”、“偏好现代”、“偏好轿车”、“偏好1.0L~1.6L”和“偏好Ix25”。
表6
推荐标签 | 排序值 |
偏好雪弗莱 | 0.8 |
偏好现代 | 0.58 |
偏好轿车 | 0.3 |
偏好1.0L~1.6L | 0.7 |
偏好Ix25 | 0.5 |
推荐设备将得到的推荐标签推荐给业务人员,使得业务人员基于经验标签和推荐标签制定用户分群规则,然后基于制定的用户分群规则,从客户数据存储模块中获取相关用户数据,再基于获取的相关用户数据得到目标用户群,完成用户分群操作,从而为目标用户群提供目标业务。比如使用户获取某品牌汽车的参考信息,帮助用户制定购车计划。
进一步的,在本发明实施例中,还可以充分利用用户分群操作,将该用户分群操作过程中制定的用户分群规则进行再次利用,以达到更新参考知识图谱的目的。相应的,步骤301可以包括:周期性基于预定的用户分群规则获取指定标签。步骤302可以包括:周期性获取参考标签信息。比如,推荐设备每隔一周基于用户分群规则获取指定标签,每隔一周获取参考标签信息。
由于用户分群规则是基于经验标签和推荐标签制定的,所以基于该用户分群规则获取标签,再确定参考知识图谱中与该标签和用于指示用户行为的参考标签信息对应的实体,然后根据参考标签信息所指示的用户行为和基于用户分群规则获取的标签,为参考知识图谱中的相应实体建立关联关系,可以使参考知识图谱得到进一步的更新和优化,最终,基于参考知识图谱确定的推荐标签得到了持续更新和优化,也即是,表2中预测的存在共现关系的标签得到了持续更新和优化,该持续更新和优化过程提高了业务人员制定用户分群规则的效率和准确性,提高了确定目标用户群的效率和准确性。
需要说明的是,本发明实施例提供的标签推荐方法步骤的先后顺序可以进行适当调整。步骤也可以根据情况进行相应增减,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本发明的保护范围之内,因此不再赘述。
综上所述,本发明实施例提供的标签推荐方法,能够获取参考标签信息,然后确定初始知识图谱中与n(n≥2)个参考标签中每个参考标签和预先获取的指定标签对应的目标实体,得到m(m≥2)个目标实体,再根据参考标签信息所指示的用户行为和指定标签,为m个目标实体建立关联关系,得到参考知识图谱,之后,再基于参考知识图谱确定推荐标签。其中,该参考标签信息用于指示用户针对目标业务所产生的用户行为,该参考标签信息包括n个参考标签的信息,指定标签是基于预定的用户分群规则获取的,参考知识图谱用于反映m个目标实体的关联关系。该方法结合用户行为对知识图谱进行了改进,基于改进后的知识图谱为业务人员推荐标签,相较于相关技术,知识图谱的内容不再是固定的,丰富了标签推荐依据,推荐的标签更加丰富多样化。
图4-1是本发明实施例提供的一种标签推荐装置400的结构示意图,该标签推荐装置400可以用于图1所示的推荐设备01,如图4-1所示,该标签推荐装置400包括:
第一获取模块410,用于实现上述实施例中的步骤302。
第一确定模块420,用于实现上述实施例中的步骤303。
建立模块430,用于实现上述实施例中的步骤304。
第二确定模块440,用于实现上述实施例中的步骤305。
可选的,参考标签信息包括由用户行为得到的参考标签之间的共现关系。
进一步的,如图4-2所示,该标签推荐装置400还可以包括:
第二获取模块450,用于实现上述实施例中的步骤301。
如图4-3所示,第二确定模块440,包括:
确定子模块441,用于实现上述实施例中的步骤3051。
预测子模块442,用于实现上述实施例中的步骤3052。
获取子模块443,用于实现上述实施例中的步骤3053。
查询子模块444,用于实现上述实施例中的步骤3054。
处理子模块445,用于实现上述实施例中的步骤3055。
可选的,图4-2中的第二获取模块450,用于实现上述实施例中的步骤3011和步骤3012。
可选的,第一标签列表包括标签对应的排序值,图4-3中的处理子模块445,用于实现上述实施例中的步骤3055a和步骤3055b。
可选的,第一标签列表包括标签对应的排序值,处理子模块445,用于实现上述实施例中的步骤3055c和步骤3055d。
可选的,图4-2中的第二获取模块450,用于:
周期性基于预定的用户分群规则获取指定标签。
图4-2中的第一获取模块410,用于:
周期性获取参考标签信息。
图4-2中的第一确定模块420,用于实现上述实施例中的步骤3031和步骤3032。
可选的,期望标签信息包括指定标签的标签名称、用户分群规则的确定方式、标签统计周期和指定标签的标签实体。
可选的,图4-3中的确定子模块441,用于:
采用知识库方式确定第一向量和第二向量。
图4-2中的其它标记含义可以参考图4-1。
综上所述,本发明实施例提供的标签推荐装置,能够获取参考标签信息,然后确定初始知识图谱中与n(n≥2)个参考标签中每个参考标签和预先获取的指定标签对应的目标实体,得到m(m≥2)个目标实体,再根据参考标签信息所指示的用户行为和指定标签,为m个目标实体建立关联关系,得到参考知识图谱,之后,再基于参考知识图谱确定推荐标签。其中,该参考标签信息用于指示用户针对目标业务所产生的用户行为,该参考标签信息包括n个参考标签的信息,指定标签是基于预定的用户分群规则获取的,参考知识图谱用于反映m个目标实体的关联关系。该装置结合用户行为对知识图谱进行了改进,基于改进后的知识图谱为业务人员推荐标签,相较于相关技术,知识图谱的内容不再是固定的,丰富了标签推荐依据,推荐的标签更加丰富多样化。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机的可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质,或者半导体介质(例如固态硬盘)等。
需要说明的是:上述实施例提供的标签推荐装置在推荐标签时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的标签推荐装置与标签推荐方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (20)
1.一种标签推荐方法,其特征在于,所述方法包括:
获取参考标签信息,所述参考标签信息用于指示用户针对目标业务所产生的用户行为,所述参考标签信息包括n个参考标签的信息,n≥2,所述参考标签信息包括由所述用户行为得到的参考标签之间的共现关系;
确定在初始知识图谱中与所述n个参考标签中每个所述参考标签和预先获取的指定标签对应的目标实体,得到m个目标实体,m≥2,所述指定标签是基于预定的用户分群规则获取的;
根据所述参考标签信息所指示的用户行为和所述指定标签为所述m个目标实体建立关联关系,得到参考知识图谱,所述参考知识图谱用于反映所述m个目标实体的关联关系;
基于所述参考知识图谱确定推荐标签;
在所述获取参考标签信息之前,所述方法还包括:
基于所述预定的用户分群规则获取所述指定标签,所述用户分群规则是基于所述目标业务确定的;
所述基于所述参考知识图谱确定推荐标签,包括:
确定所述参考知识图谱中第一目标实体的第一向量和与所述第一目标实体相关的关联关系的第二向量,所述第一目标实体为所述m个目标实体中的任一目标实体;
根据所述第一向量和所述第二向量,采用打分函数预测与所述第一目标实体存在共现关系的实体,得到期望实体信息,所述期望实体信息包括所述第一目标实体,与所述第一目标实体存在共现关系的实体,以及所述第一目标实体对应的打分结果;
获取所述指定标签对应的期望标签信息;
从所述期望标签信息中查询与所述期望实体信息中的目标实体对应的标签,并基于所述期望实体信息得到第一标签列表;
对所述第一标签列表进行数据冗余处理,得到推荐列表,所述推荐列表包括所述推荐标签。
2.根据权利要求1所述的方法,其特征在于,所述基于所述预定的用户分群规则获取所述指定标签,包括:
将所述用户分群规则以文本形式进行存储;
从文本形式的所述用户分群规则中提取出所述指定标签。
3.根据权利要求1所述的方法,其特征在于,所述第一标签列表包括标签对应的排序值,
所述对所述第一标签列表进行数据冗余处理,得到推荐列表,包括:
对所述第一标签列表中重复出现的多个相同标签去重保留一个;
将所述多个相同标签中每个标签对应的排序值的和作为保留的对应标签的排序值。
4.根据权利要求1所述的方法,其特征在于,所述第一标签列表包括标签对应的排序值,
所述对所述第一标签列表进行数据冗余处理,得到推荐列表,包括:
对所述第一标签列表中重复出现的多个相同标签去重保留一个;
将所述多个相同标签中每个标签对应的排序值进行加权求和,并将加权求和的结果作为保留的对应标签的排序值。
5.根据权利要求1所述的方法,其特征在于,所述基于所述预定的用户分群规则获取所述指定标签,包括:
周期性基于所述预定的用户分群规则获取所述指定标签。
6.根据权利要求5所述的方法,其特征在于,所述获取参考标签信息,包括:
周期性获取所述参考标签信息。
7.根据权利要求1所述的方法,其特征在于,所述确定在初始知识图谱中与所述n个参考标签中每个所述参考标签和预先获取的指定标签对应的目标实体,得到m个目标实体,包括:
采用词频TF逆向文件频率IDF统计方式对所述初始知识图谱中的预设实体进行过滤;
从过滤后的实体中确定所述m个目标实体。
8.根据权利要求1所述的方法,其特征在于,
所述期望标签信息包括所述指定标签的标签名称、所述用户分群规则的确定方式、标签统计周期和所述指定标签的标签实体。
9.根据权利要求3所述的方法,其特征在于,
所述确定所述参考知识图谱中第一目标实体的第一向量和与所述第一目标实体相关的关联关系的第二向量,包括:
采用知识库方式确定所述第一向量和所述第二向量。
10.一种标签推荐装置,其特征在于,所述装置包括:
第一获取模块,用于获取参考标签信息,所述参考标签信息用于指示用户针对目标业务所产生的用户行为,所述参考标签信息包括n个参考标签的信息,n≥2,所述参考标签信息包括由所述用户行为得到的参考标签之间的共现关系;
第一确定模块,用于确定在初始知识图谱中与所述n个参考标签中每个所述参考标签和预先获取的指定标签对应的目标实体,得到m个目标实体,m≥2,所述指定标签是基于预定的用户分群规则获取的;
建立模块,用于根据所述参考标签信息所指示的用户行为和所述指定标签为所述m个目标实体建立关联关系,得到参考知识图谱,所述参考知识图谱用于反映所述m个目标实体的关联关系;
第二确定模块,用于基于所述参考知识图谱确定推荐标签;
所述装置还包括:
第二获取模块,用于基于所述预定的用户分群规则获取所述指定标签,所述用户分群规则是基于所述目标业务确定的;
所述第二确定模块,包括:
确定子模块,用于确定所述参考知识图谱中第一目标实体的第一向量和与所述第一目标实体相关的关联关系的第二向量,所述第一目标实体为所述m个目标实体中的任一目标实体;
预测子模块,用于根据所述第一向量和所述第二向量,采用打分函数预测与所述第一目标实体存在共现关系的实体,得到期望实体信息,所述期望实体信息包括所述第一目标实体,与所述第一目标实体存在共现关系的实体,以及所述第一目标实体对应的打分结果;
获取子模块,用于获取所述指定标签对应的期望标签信息;
查询子模块,用于从所述期望标签信息中查询与所述期望实体信息中的目标实体对应的标签,并基于所述期望实体信息得到第一标签列表;
处理子模块,用于对所述第一标签列表进行数据冗余处理,得到推荐列表,所述推荐列表包括所述推荐标签。
11.根据权利要求10所述的装置,其特征在于,所述第二获取模块,用于:
将所述用户分群规则以文本形式进行存储;
从文本形式的所述用户分群规则中提取出所述指定标签。
12.根据权利要求10所述的装置,其特征在于,所述第一标签列表包括标签对应的排序值,
所述处理子模块,用于:
对所述第一标签列表中重复出现的多个相同标签去重保留一个;
将所述多个相同标签中每个标签对应的排序值的和作为保留的对应标签的排序值。
13.根据权利要求10所述的装置,其特征在于,所述第一标签列表包括标签对应的排序值,
所述处理子模块,用于:
对所述第一标签列表中重复出现的多个相同标签去重保留一个;
将所述多个相同标签中每个标签对应的排序值进行加权求和,并将加权求和的结果作为保留的对应标签的排序值。
14.根据权利要求10所述的装置,其特征在于,所述第二获取模块,用于:
周期性基于所述预定的用户分群规则获取所述指定标签。
15.根据权利要求14所述的装置,其特征在于,所述第一获取模块,用于:
周期性获取所述参考标签信息。
16.根据权利要求10所述的装置,其特征在于,所述第一确定模块,用于:
采用词频TF逆向文件频率IDF统计方式对所述初始知识图谱中的预设实体进行过滤;
从过滤后的实体中确定所述m个目标实体。
17.根据权利要求10所述的装置,其特征在于,
所述期望标签信息包括所述指定标签的标签名称、所述用户分群规则的确定方式、标签统计周期和所述指定标签的标签实体。
18.根据权利要求10所述的装置,其特征在于,
所述确定子模块,用于:
采用知识库方式确定所述第一向量和所述第二向量。
19.一种标签推荐装置,其特征在于,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程序,所述处理器执行所述程序时执行权利要求1至9任一所述的标签推荐方法。
20.一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中存储有指令,当所述计算机可读存储介质在计算机上运行时,使得计算机执行权利要求1至9任一所述的标签推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710429233.7A CN109033101B (zh) | 2017-06-08 | 2017-06-08 | 标签推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710429233.7A CN109033101B (zh) | 2017-06-08 | 2017-06-08 | 标签推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109033101A CN109033101A (zh) | 2018-12-18 |
CN109033101B true CN109033101B (zh) | 2021-08-20 |
Family
ID=64629622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710429233.7A Active CN109033101B (zh) | 2017-06-08 | 2017-06-08 | 标签推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033101B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111522886B (zh) * | 2019-01-17 | 2023-05-09 | 中国移动通信有限公司研究院 | 一种信息推荐方法、终端及存储介质 |
CN111523010B (zh) * | 2019-02-03 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 推荐方法、装置、终端设备及计算机存储介质 |
CN110210892B (zh) * | 2019-05-05 | 2023-05-30 | 平安科技(深圳)有限公司 | 产品推荐方法、装置和可读存储介质 |
CN110321482B (zh) * | 2019-06-11 | 2023-04-18 | 创新先进技术有限公司 | 一种信息的推荐方法、装置及设备 |
CN110674307A (zh) * | 2019-08-21 | 2020-01-10 | 北京邮电大学 | 用于知识中心网络的知识推演方法及系统 |
CN111091454A (zh) * | 2019-11-05 | 2020-05-01 | 新华智云科技有限公司 | 一种基于知识图谱的金融舆情推荐方法 |
CN111078972B (zh) * | 2019-11-29 | 2023-06-16 | 支付宝(杭州)信息技术有限公司 | 提问行为数据的获取方法、装置和服务器 |
CN112084761B (zh) * | 2020-09-02 | 2024-09-06 | 董萍 | 一种水利工程信息管理方法及装置 |
CN112632405B (zh) * | 2020-12-31 | 2024-05-10 | 数字广东网络建设有限公司 | 一种推荐方法、装置、设备及存储介质 |
CN112765398A (zh) * | 2021-01-04 | 2021-05-07 | 珠海格力电器股份有限公司 | 一种信息推荐方法、装置及存储介质 |
CN113342990B (zh) * | 2021-05-25 | 2024-10-25 | 北京百度网讯科技有限公司 | 知识图谱的构建方法和装置 |
CN114417007A (zh) * | 2021-12-21 | 2022-04-29 | 建信金融科技有限责任公司 | 金融产品的推荐方法和相关设备 |
CN114996507B (zh) * | 2022-06-10 | 2024-08-06 | 北京达佳互联信息技术有限公司 | 视频推荐方法及装置 |
CN117579456B (zh) * | 2023-10-18 | 2024-10-29 | 中移互联网有限公司 | 业务消息发送方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100185509A1 (en) * | 2009-01-21 | 2010-07-22 | Yahoo! Inc. | Interest-based ranking system for targeted marketing |
CN103177384A (zh) * | 2013-04-16 | 2013-06-26 | 高鹏 | 基于用户兴趣图谱的网络广告投放方法 |
CN103577549A (zh) * | 2013-10-16 | 2014-02-12 | 复旦大学 | 一种基于微博标签的人群画像系统和方法 |
CN106294744A (zh) * | 2016-08-11 | 2017-01-04 | 上海动云信息科技有限公司 | 兴趣识别方法及系统 |
-
2017
- 2017-06-08 CN CN201710429233.7A patent/CN109033101B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100185509A1 (en) * | 2009-01-21 | 2010-07-22 | Yahoo! Inc. | Interest-based ranking system for targeted marketing |
CN103177384A (zh) * | 2013-04-16 | 2013-06-26 | 高鹏 | 基于用户兴趣图谱的网络广告投放方法 |
CN103577549A (zh) * | 2013-10-16 | 2014-02-12 | 复旦大学 | 一种基于微博标签的人群画像系统和方法 |
CN106294744A (zh) * | 2016-08-11 | 2017-01-04 | 上海动云信息科技有限公司 | 兴趣识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109033101A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033101B (zh) | 标签推荐方法及装置 | |
US10853360B2 (en) | Searchable index | |
CN108804641B (zh) | 一种文本相似度的计算方法、装置、设备和存储介质 | |
JP4011906B2 (ja) | プロファイル情報の情報検索方法、プログラム、記録媒体及び装置 | |
US20180130019A1 (en) | System and method for Managing user and project nodes in a graph database | |
US8589429B1 (en) | System and method for providing query recommendations based on search activity of a user base | |
US9934293B2 (en) | Generating search results | |
CN108717407B (zh) | 实体向量确定方法及装置,信息检索方法及装置 | |
US10838985B2 (en) | Item recommendation method, device, and system | |
CA3059929C (en) | Text searching method, apparatus, and non-transitory computer-readable storage medium | |
CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
US20170371965A1 (en) | Method and system for dynamically personalizing profiles in a social network | |
US20190087859A1 (en) | Systems and methods for facilitating deals | |
CN111444304A (zh) | 搜索排序的方法和装置 | |
US9552415B2 (en) | Category classification processing device and method | |
CN112685635B (zh) | 基于分类标签的项目推荐方法、装置、服务器和存储介质 | |
CN110795613A (zh) | 商品搜索方法、装置、系统及电子设备 | |
CN111078997A (zh) | 一种资讯推荐方法及装置 | |
CN111160699A (zh) | 一种专家推荐方法及系统 | |
CN116610853A (zh) | 搜索推荐方法、搜索推荐系统、计算机设备及存储介质 | |
US20150206220A1 (en) | Recommendation Strategy Portfolios | |
CN108984582B (zh) | 一种查询请求处理方法 | |
CA2485814A1 (en) | Method and apparatus for range processing in an n-dimensional space | |
CN113139834A (zh) | 信息处理方法、装置、电子设备和存储介质 | |
CN113763084A (zh) | 产品推荐的处理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200201 Address after: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Applicant after: HUAWEI TECHNOLOGIES Co.,Ltd. Address before: 210000 HUAWEI Nanjing base, 101 software Avenue, Yuhuatai District, Jiangsu, Nanjing Applicant before: Huawei Technologies Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |