CN107273508B - 基于人工智能的信息处理方法和装置 - Google Patents
基于人工智能的信息处理方法和装置 Download PDFInfo
- Publication number
- CN107273508B CN107273508B CN201710470407.4A CN201710470407A CN107273508B CN 107273508 B CN107273508 B CN 107273508B CN 201710470407 A CN201710470407 A CN 201710470407A CN 107273508 B CN107273508 B CN 107273508B
- Authority
- CN
- China
- Prior art keywords
- click
- sequence
- preset
- value range
- preset value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- 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
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
- G06F18/41—Interactive pattern learning with a human teacher
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
Abstract
本申请公开了基于人工智能的信息处理方法和装置。该方法的一具体实施方式包括:获取在预定时间段内记录的搜索点击信息,其中,该搜索点击信息包括在该预定时间段所包含的每个单位时间段内被搜索的词条和各词条在该单位时间段内的点击量;从该搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合;对于该候选词条集合中的每个候选词条,将该候选词条在该预定时间段内所对应的各个点击量按照时间先后顺序形成点击量序列;基于各点击量序列,确定与各点击量序列分别对应的候选词条的类别;将类别为预设类别的候选词条作为兴趣点并生成兴趣点集合。该实施方式实现了富于针对性的信息处理。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及基于人工智能的信息处理方法和装置。
背景技术
人工智能(Artificial Intelligence,AI),是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等。
当今互联网和新媒体迅猛发展,网络用户的兴趣多变。需要根据用户群体行为,发现用户当前时间感兴趣的点,该点可以称为具有时效性的兴趣点。如“某某国发生地震”等这样的新闻事件,又或“陈**”、“刘##”等这样最近热门的新闻娱乐人物,又或近期热门的电影娱乐专名等,都是在某一时刻相对普通兴趣点更加热门的。将具有时效性的兴趣点应用于信息推送等场景,可以提高用户体验,增加用户粘性等。因此,如何挖掘具有时效性的兴趣点是一个值得研究的问题。
发明内容
本申请的目的在于提出一种改进的基于人工智能的信息处理方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种基于人工智能的信息处理方法,该方法包括:获取在预定时间段内记录的搜索点击信息,其中,上述搜索点击信息包括在上述预定时间段所包含的每个单位时间段内被搜索的词条和各上述词条在该单位时间段内的点击量;从上述搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合;对于上述候选词条集合中的每个候选词条,将该候选词条在上述预定时间段内所对应的各个点击量按照时间先后顺序形成点击量序列;基于各上述点击量序列,确定与各上述点击量序列分别对应的候选词条的类别,其中,上述类别用于表征候选词条在上述预定时间段内被用户关注的程度;将类别为预设类别的候选词条作为兴趣点并生成兴趣点集合。
在一些实施例中,上述基于各上述点击量序列,确定与各上述点击量序列分别对应的候选词条的类别,包括:对于每个上述点击量序列,基于上述点击量序列中的各分量的值随时间变化的变化趋势,将上述点击量序列分割成多个子序列;生成针对上述多个子序列中的每个子序列的趋势描述信息;将上述多个子序列和上述多个子序列分别对应的趋势描述信息输入预先训练的分类模型,以使上述分类模型对上述点击量序列所对应的候选词条的类别进行预测;其中,上述分类模型用于表征第一信息和类别的对应关系,上述第一信息包括点击量序列所分割成的各个子序列和上述各个子序列分别对应的趋势描述信息。
在一些实施例中,上述基于上述点击量序列中的各分量的值随时间变化的变化趋势,将上述点击量序列分割成多个子序列,包括:对于上述点击量序列中的任意两个相邻分量,若预置数值范围集合中存在包括上述相邻分量的值的目标数值范围,并且上述相邻分量的值之差的绝对值大于上述目标数值范围所对应的阈值,则将上述相邻分量划分到不同的子序列,其中,上述预置数值范围集合中的每个预置数值范围具有与之对应的阈值。
在一些实施例中,上述基于上述点击量序列中的各分量的值随时间变化的变化趋势,将上述点击量序列分割成多个子序列,包括:基于上述点击量序列中的各分量的值随时间变化的变化趋势,将上述点击量序列划分成点击量组序列;确定上述点击量组序列中的每个点击量组中的各分量的值的平均值和方差;基于所确定的平均值和方差,在上述点击量组序列所包括的点击量组中确定分割点;从所确定的分割点处对上述点击量序列进行分割,得到与上述点击量序列对应的多个子序列。
在一些实施例中,上述基于上述点击量序列中的各分量的值随时间变化的变化趋势,将上述点击量序列划分成点击量组序列,包括:从上述点击量序列中查找出各个极值点,基于查找出的极值点将上述点击量序列划分成点击量组序列,其中,上述极值点是上述点击量序列中的值同时大于或小于左右相邻分量的值的分量。
在一些实施例中,上述基于所确定的平均值和方差,在上述点击量组序列所包括的点击量组中确定分割点,包括:对于上述点击量组序列中的任意两个相邻点击量组,若第一预置数值范围集合中存在目标第一预置数值范围、上述相邻点击量组中的位置靠后的点击量组所对应的平均值除以位置靠前的点击量组所对应的平均值所得的商大于上述目标第一预置数值范围所对应的第一预设值、并且上述相邻点击量组中的每个点击量组所对应的方差除以所对应的平均值所得的商大于上述目标第一预置数值范围所对应的第二预设值,则将上述位置靠前的点击量组中的最后一个分量作为分割点,其中,上述目标第一预置数值范围是包括上述相邻点击量组分别对应的平均值之差的绝对值的数值范围,上述第一预置数值范围集合中的每个第一预置数值范围具有与之对应的第一预设值和第二预设值。
在一些实施例中,上述方法还包括:计算上述兴趣点集合中的任意两个兴趣点之间的相似度,将相似度高于相似度阈值的兴趣点进行合并以生成第一兴趣点集合。
在一些实施例中,上述计算上述兴趣点集合中的任意两个兴趣点之间的相似度,包括:对上述兴趣点集合中的每个兴趣点进行切词,基于切出的词来计算上述兴趣点集合中的任意两个兴趣点之间的相似度。
在一些实施例中,上述方法还包括:从上述第一兴趣点集合中移除包含预设关键词集合中的关键词的兴趣点以生成第二兴趣点集合。
第二方面,本申请提供了一种基于人工智能的信息处理装置,该装置包括:获取单元,配置用于获取在预定时间段内记录的搜索点击信息,其中,上述搜索点击信息包括在上述预定时间段所包含的每个单位时间段内被搜索的词条和各上述词条在该单位时间段内的点击量;第一生成单元,配置用于从上述搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合;形成单元,配置用于对于上述候选词条集合中的每个候选词条,将该候选词条在上述预定时间段内所对应的各个点击量按照时间先后顺序形成点击量序列;确定单元,配置用于基于各上述点击量序列,确定与各上述点击量序列分别对应的候选词条的类别,其中,上述类别用于表征候选词条在上述预定时间段内被用户关注的程度;第二生成单元,配置用于将类别为预设类别的候选词条作为兴趣点并生成兴趣点集合。
在一些实施例中,上述确定单元包括:分割子单元,配置用于对于每个上述点击量序列,基于上述点击量序列中的各分量的值随时间变化的变化趋势,将上述点击量序列分割成多个子序列;生成子单元,配置用于生成针对上述多个子序列中的每个子序列的趋势描述信息;预测子单元,配置用于将上述多个子序列和上述多个子序列分别对应的趋势描述信息输入预先训练的分类模型,以使上述分类模型对上述点击量序列所对应的候选词条的类别进行预测;其中,上述分类模型用于表征第一信息和类别的对应关系,上述第一信息包括点击量序列所分割成的各个子序列和上述各个子序列分别对应的趋势描述信息。
在一些实施例中,上述分割子单元包括:处理模块,配置用于对于上述点击量序列中的任意两个相邻分量,若预置数值范围集合中存在包括上述相邻分量的值的目标数值范围,并且上述相邻分量的值之差的绝对值大于上述目标数值范围所对应的阈值,则将上述相邻分量划分到不同的子序列,其中,上述预置数值范围集合中的每个预置数值范围具有与之对应的阈值。
在一些实施例中,上述分割子单元包括:划分模块,配置用于基于上述点击量序列中的各分量的值随时间变化的变化趋势,将上述点击量序列划分成点击量组序列;第一确定模块,配置用于确定上述点击量组序列中的每个点击量组中的各分量的值的平均值和方差;第二确定模块,配置用于基于所确定的平均值和方差,在上述点击量组序列所包括的点击量组中确定分割点;分割模块,配置用于从所确定的分割点处对上述点击量序列进行分割,得到与上述点击量序列对应的多个子序列。
在一些实施例中,上述划分模块包括:划分子模块,配置用于从上述点击量序列中查找出各个极值点,基于查找出的极值点将上述点击量序列划分成点击量组序列,其中,上述极值点是上述点击量序列中的值同时大于或小于左右相邻分量的值的分量。
在一些实施例中,上述第二确定模块包括:确定子模块,配置用于对于上述点击量组序列中的任意两个相邻点击量组,若第一预置数值范围集合中存在目标第一预置数值范围、上述相邻点击量组中的位置靠后的点击量组所对应的平均值除以位置靠前的点击量组所对应的平均值所得的商大于上述目标第一预置数值范围所对应的第一预设值、并且上述相邻点击量组中的每个点击量组所对应的方差除以所对应的平均值所得的商大于上述目标第一预置数值范围所对应的第二预设值,则将上述位置靠前的点击量组中的最后一个分量作为分割点,其中,上述目标第一预置数值范围是包括上述相邻点击量组分别对应的平均值之差的绝对值的数值范围,上述第一预置数值范围集合中的每个第一预置数值范围具有与之对应的第一预设值和第二预设值。
在一些实施例中,上述装置还包括:第三生成单元,配置用于计算上述兴趣点集合中的任意两个兴趣点之间的相似度,将相似度高于相似度阈值的兴趣点进行合并以生成第一兴趣点集合。
在一些实施例中,上述第三生成单元包括:计算子单元,配置用于对上述兴趣点集合中的每个兴趣点进行切词,基于切出的词来计算上述兴趣点集合中的任意两个兴趣点之间的相似度。
在一些实施例中,上述装置还包括:第四生成单元,配置用于从上述第一兴趣点集合中移除包含预设关键词集合中的关键词的兴趣点以生成第二兴趣点集合。
第三方面,本申请实施例提供了一种服务器,该服务器包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,上述程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的基于人工智能的信息处理方法和装置,通过获取在预定时间段内记录的搜索点击信息,以便从该搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合;而后对于该候选词条集合中的每个候选词条,通过将该候选词条在该预定时间段内所对应的各个点击量按照时间先后顺序形成点击量序列,以便基于该点击量序列确定该点击量序列所对应的候选词条的类别;最后将类别为预设类别的候选词条作为兴趣点以便生成兴趣点集合。从而有效利用了在预定时间段内所记录的搜索点击信息,实现了富于针对性的信息处理。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的基于人工智能的信息处理方法的一个实施例的流程图;
图3是根据本申请的基于人工智能的信息处理方法的一个应用场景的示意图;
图4是根据本申请的基于人工智能的信息处理方法的另一个实施例的流程图;
图5是根据本申请的基于人工智能的信息处理装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的基于人工智能的信息处理方法或基于人工智能的信息处理装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括信息处理服务器101,网络102和数据存储用服务器103。网络102用以在信息处理服务器101和数据存储用服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
数据存储用服务器103可以是提供各种服务的服务器,例如对用户在每个单位时间段(例如一天、半小时等)内的搜索点击信息(包括搜索的词条和在该单位时间段内对该词条的点击量)进行存储。
信息处理服务器101可以是提供各种服务的服务器,例如定期地从数据存储用服务器103获取在预定时间段内所记录的搜索点击信息,并对该搜索点击信息进行处理,得到处理结果(例如所生成的兴趣点集合)。
需要说明的是,本申请实施例所提供的基于人工智能的信息处理方法一般由信息处理服务器101执行,相应地,基于人工智能的信息处理装置一般设置于信息处理服务器101中。
应该理解,图1中的信息处理服务器、网络和数据存储用服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的信息处理服务器、网络和数据存储用服务器。
需要指出的是,当所获取的搜索点击信息预先存储在信息处理服务器101本地时,***架构100中可以不包括数据存储用服务器103。
继续参考图2,示出了根据本申请的基于人工智能的信息处理方法的一个实施例的流程200。该基于人工智能的信息处理方法,包括以下步骤:
步骤201,获取在预定时间段内记录的搜索点击信息。
在本实施例中,基于人工智能的信息处理方法运行于其上的电子设备(例如图1所示的信息处理服务器101)可以定期地(例如每天或每半小时等)获取在预定时间段内记录的搜索点击信息。其中,该搜索点击信息可以包括在该预定时间段所包括的每个单位时间段内被搜索的词条和该词条在该单位时间段内的点击量。这里,词条可以包括字、词或其组合等。新闻事件的标题、新闻娱乐人物名称、电影娱乐专名等通常可以成为词条。需要说明的是,若上述电子设备以天为单位来获取搜索点击信息,则上述预定时间段可以不包括当天,上述预定时间段可以例如是当天的前30天或前20天等,上述预定时间段所包括的每个单位时间段的长度可以是1天。若上述电子设备以半小时为单位来获取搜索点击信息,则上述预定时间段可以不包括当前时刻,上述预定时间段可以例如是当前时刻的前12小时或前6小时等,上述预定时间段所包括的每个单位时间段的长度可以是半小时等。
在本实施例的一些可选的实现方式中,上述电子设备所获取的搜索点击信息可以预先存储在上述电子设备本地或与上述电子设备远程通信连接的服务器(例如图1所示的数据存储用服务器103)。
步骤202,从搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合。
在本实施例中,上述电子设备可以从所获取的搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合。其中,该预设单位时间段可以是上述预定时间段内的结束单位时间段。例如,若上述预定时间段所包括的各个单位时间段依次为5月6日至6月4日,那么6月4日可以为上述预定时间段内的结束单位时间段,该预设单位时间段可以是6月4号。若上述预定时间段所包括的每个单位时间段依次为00:00-00:29、00:30-00:59、01:00-01:29、…、11:30-11:59,那么11:30-11:59可以为上述预定时间段内的结束单位时间段,该预设单位时间段可以是11:30-11:59。这里,上述点击量阈值可以是人为设置的,也可以是上述电子设备自动设置的,上述点击量阈值可以根据实际需要进行修改,本实施例不对此方面内做任何限定。需要指出的是,不同长度的预定时间段可以对应不同的点击量阈值。
步骤203,对于候选词条集合中的每个候选词条,将该候选词条在预定时间段内所对应的各个点击量按照时间先后顺序形成点击量序列。
在本实施例中,上述电子设备在生成候选词条集合后,可以将该候选词条集合中的每个候选词条在上述预定时间段内所对应的各个点击量(该候选词条在上述预定时间段所包括的各个单位时间段内的点击量)按照时间先后顺序形成点击量序列。例如,假定上述预定时间段所包括的各个单位时间段依次为5月5日、5月6日、5月7日,词条“周**演唱会”在5月5日的点击量为1000,在5月6日的点击量为5000,在5月7日的点击量为4800,则上述电子设备按照时间先后顺序所形成的针对该词条的点击量序列可以例如是[1000,5000,4800]。
步骤204,基于各点击量序列,确定与各点击量序列分别对应的候选词条的类别。
在本实施例中,上述电子设备在形成与上述候选词条集合中的每个候选词条对应的点击量序列后,上述电子设备可以基于所形成的各个点击量序列,确定各个点击量序列分别对应的候选词条的类别。其中,类别可以用于表征候选词条在上述预定时间段内被用户关注的程度。类别可以例如包括热门、周期、平稳、变冷等。当某个候选词条所对应的点击量序列中的各分量的值随时间变化整体呈上升趋势时(例如点击量序列[30,50,100,68,101],虽然68低于100,但从该点击量序列的起始点到结束点整体还是呈上升趋势的),可以表征该候选词条被用户关注的程度同样是呈上升趋势的,那么该候选词条的类别可以例如是热门。当某个候选词条所对应的点击量序列中的各分量的值随时间变化呈现例如上升、下降、上升、下降等(例如点击量序列[50,100,50,100]),或下降、上升、下降、上升等(例如点击量序列[100,50,100,50])这种周期性的趋势时,可以表征该候选词条被用户关注的程度也是呈周期性趋势的,那么该候选词条的类别可以例如是周期。当某个候选词条所对应的点击量序列中的任意两个分量的值之差的绝对值低于绝对值阈值时,可以表征该点击量序列中的各分量的值大小接近,变化趋势比较平稳,同时可以表征该候选词条被用户关注的程度比较平稳,那么该候选词条的类别可以例如是平稳。当某个候选词条所对应的各分量的值随时间变化整体呈下降趋势时(例如点击量序列[1000,1200,900],虽然1200大于1000,但从该点击量序列的起始点到结束点整体是呈下降趋势的),可以表征该候选词条被用户关注的程度也呈下降趋势,那么该候选词条的类别可以例如是变冷。需要说明的是,对于类别的命名,并不局限于上述热门、周期、平稳、变冷等,类别的名称是可以根据实际需要进行修改的。
在本实施例的一些可选的实现方式中,对于上述电子设备所形成的每个点击量序列,上述电子设备可以根据该点击量序列中的各分量的值随时间变化的变化趋势,将该点击量序列分割成多个子序列,并生成针对该多个子序列中的每个子序列的趋势描述信息。上述电子设备可以将该多个子序列和该多个子序列分别对应的趋势描述信息输入预先训练的分类模型,以使该分类模型对该点击量序列所对应的候选词条的类别进行预测。其中,该分类模型可以用于表征第一信息和类别的对应关系,该第一信息可以包括点击量序列所分割成的各个子序列和该各个子序列分别对应的趋势描述信息。作为示例,对于该点击量序列中的任意两个相邻分量,若预置数值范围集合中存在包括该相邻分量的值的目标数值范围,并且该相邻分量的值之差的绝对值大于所述目标数值范围所对应的阈值,则上述电子设备可以将该相邻分量划分到不同的子序列。其中,该预置数值范围集合中的每个预置数值范围具有与之对应的阈值。这里,趋势描述信息可以包括用于表征上升趋势的信息和用于表征下降趋势的信息。趋势描述信息可以用特定的字符进行表示,例如用“1”表示上升,用“2”表示下降,本实施例不对此方面内容做任何限定。另外,上述预置数值范围集合和上述预置数值范围集合中的每个数值范围所对应的阈值可以是人为设置的,也可以是上述电子设备自动设置的,本实施例不对此方面内容做任何限定。
在本实施例的一些可选的实现方式中,上述电子设备还可以通过执行以下步骤将每个点击量序列分割成多个子序列:根据该点击量序列中的各分量的值随时间变化的变化趋势,将该点击量序列划分成点击量组序列;确定该点击量组序列中的每个点击量组中的各分量的值的平均值和方差;基于所确定的平均值和方差,在该点击量组序列所包括的点击量组中确定分割点;从所确定的分割点处对该点击量序列进行分割,得到与该点击量序列对应的多个子序列。作为示例,对于点击量序列[75,85,253,273,133,167,370],假定值为85的分量被确定为分割点,则与该点击量序列对应的多个子序列可以为[75,85]和[253,273,133,167,370]。这里,上述电子设备可以从点击量序列中查找出各个极值点,基于查找出的极值点将该点击量序列划分成点击量组序列。其中,该极值点可以是该点击量序列中的值同时大于或小于左右相邻分量的值的分量。例如,假定该点击量序列为[25,50,32,46],由于50同时大于25和32,并且32同时小于50和46,则上述电子设备可以将该点击量序列划分成点击量组序列例如{[25,50],[32],[46]}。
对于任意一个点击量组,该点击量组中的各分量的值的平均值可以为该各分量的值之和与该各分量的数目的比值。上述电子设备可以利用如下公式计算该各分量的值的方差:
需要指出的是,对于上述点击量组序列中的任意两个相邻点击量组,若第一预置数值范围集合中存在目标第一预置数值范围、该相邻点击量组中的位置靠后的点击量组所对应的平均值除以位置靠前的点击量组所对应的平均值所得的商大于该目标第一预置数值范围所对应的第一预设值、并且该相邻点击量组中的每个点击量组所对应的方差除以所对应的平均值所得的商大于该目标第一预置数值范围所对应的第二预设值,则上述电子设备可以将该位置靠前的点击量组中的最后一个分量作为分割点,其中,该目标第一预置数值范围是包括该相邻点击量组分别对应的平均值之差的绝对值的数值范围,该第一预置数值范围集合中的每个第一预置数值范围具有与之对应的第一预设值和第二预设值。需要说明的是,该第一预置数值范围集合和该第一预置数值范围集合包括的每个第一预置数值范围所对应的第一预设值和第二预设值可以是人为设置的,也可以是上述电子设备自动设置的,本实施例不对此方面内容做任何限定。
在本实施例的一些可选的实现方式中,对于所形成的每个点击量序列,上述电子设备还可以将该点击量序列所包括的各个极值点直接作为分割点,从该分割点处对该点击量序列进行分割,得到该点击量序列的多个子序列。
步骤205,将类别为预设类别的候选词条作为兴趣点并生成兴趣点集合。
在本实施例中,上述电子设备在确定上述候选词条集合中的每个候选词条的类别后,可以将类别为预设类别的候选词条作为兴趣点并生成兴趣点集合。这里,该预设类别可以例如是表征候选词条在上述预定时间段内被用户关注的程度呈上升趋势的类别,例如类别“热门”。
可选地,上述电子设备可以对所生成的兴趣点集合进行存储,例如存储至上述电子设备本地或与上述电子设备远程通信连接的服务器。
在本实施例的一些可选的实现方式中,上述电子设备还可以从上述兴趣点集合中移除包含预设关键词集合中的关键词的兴趣点以生成新兴趣点集合。这里,该预设关键词集合中的关键词可以例如是包括黄色内容(例如黄***的名称、黄色网站的站点名称等)的关键词。这样,将该新兴趣点集合用于信息推送等场景时,可以避免向用户推荐不良信息。
继续参见图3,图3是根据本实施例的基于人工智能的信息处理方法的应用场景的一个示意图。在图3的应用场景中,信息处理服务器301可以在每天早上9点自动获取当天的前30天所记录的搜索点击信息,其中,该搜索点击信息可以包括在该30天所包括的每天被用户群搜索的词条和该词条在该天的点击量,该搜索点击信息可以预存在数据存储用服务器302。假定当天为6月1日,信息处理服务器301可以在当天早上9点从数据存储用服务器302获取5月2日至5月31日记录的搜索点击信息303。而后,信息处理服务器301可以从搜索点击信息303中选取在5月31日点击量超出点击量阈值的词条生成候选词条集合304。之后,对于候选词条集合304中的每个候选词条,信息处理服务器301可以将该候选词条在5月2日至5月31日所对应的各个点击量按照时间先后顺序形成点击量序列,这里,可以将所形成的各个点击量序列称为点击量序列集合305。然后,信息处理服务器301可以基于点击量序列集合305,确定与点击量序列集合305中的各点击量序列分别对应的候选词条的类别,这里,可以将所确定的各个类别称为类别集合306。最后,信息处理服务器301可以将候选词条集合中的类别为预设类别“热门”的候选词条作为兴趣点并生成兴趣点集合307。
本申请的上述实施例提供的方法通过获取在预定时间段内记录的搜索点击信息,以便从该搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合;而后对于该候选词条集合中的每个候选词条,通过将该候选词条在该预定时间段内所对应的各个点击量按照时间先后顺序形成点击量序列,以便基于该点击量序列确定该点击量序列所对应的候选词条的类别;最后将类别为预设类别的候选词条作为兴趣点以便生成兴趣点集合。从而有效利用了在预定时间段内所记录的搜索点击信息,实现了富于针对性的信息处理。
进一步参考图4,其示出了基于人工智能的信息处理方法的又一个实施例的流程400。该基于人工智能的信息处理方法的流程400,包括以下步骤:
步骤401,获取在预定时间段内记录的搜索点击信息。
在本实施例中,基于人工智能的信息处理方法运行于其上的电子设备(例如图1所示的信息处理服务器101)可以定期地(例如每天或每半小时等)获取在预定时间段内记录的搜索点击信息。其中,该搜索点击信息可以包括在该预定时间段所包括的每个单位时间段内被搜索的词条和该词条在该单位时间段内的点击量。这里,针对步骤401的解释说明可参见图2所示实施例中的步骤201的相关描述,在此不再赘述。
步骤402,从搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合。
在本实施例中,上述电子设备可以从所获取的搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合。其中,该预设单位时间段可以是上述预定时间段内的结束单位时间段。这里,针对步骤402的解释说明可参见图2所示实施例中的步骤202的相关描述,在此不再赘述。
步骤403,对于候选词条集合中的每个候选词条,将该候选词条在预定时间段内所对应的各个点击量按照时间先后顺序形成点击量序列。
在本实施例中,上述电子设备在生成候选词条集合后,可以将该候选词条集合中的每个候选词条在上述预定时间段内所对应的各个点击量(该候选词条在上述预定时间段所包括的各个单位时间段内的点击量)按照时间先后顺序形成点击量序列。这里,针对步骤403的解释说明可参见图2所示实施例中的步骤203的相关描述,在此不再赘述。
步骤404,基于各点击量序列,确定与各点击量序列分别对应的候选词条的类别。
在本实施例中,上述电子设备在形成与上述候选词条集合中的每个候选词条对应的点击量序列后,上述电子设备可以基于所形成的各个点击量序列,确定各个点击量序列分别对应的候选词条的类别。这里,针对步骤404的解释说明可参见图2所示实施例中的步骤204的相关描述,在此不再赘述。
步骤405,将类别为预设类别的候选词条作为兴趣点并生成兴趣点集合。
在本实施例中,上述电子设备在确定上述候选词条集合中的每个候选词条的类别后,可以将类别为预设类别的候选词条作为兴趣点并生成兴趣点集合。这里,该预设类别可以例如是表征候选词条在上述预定时间段内被用户关注的程度呈上升趋势的类别,例如类别“热门”。
步骤406,计算兴趣点集合中的任意两个兴趣点之间的相似度,将相似度高于相似度阈值的兴趣点进行合并以生成第一兴趣点集合。
在本实施例中,上述电子设备可以计算兴趣点集合中的任意两个兴趣点之间的相似度,将相似度高于相似度阈值的兴趣点进行合并以生成第一兴趣点集合。这里,上述电子设备可以例如采用编辑距离(Edit Distance)算法来计算任意两个兴趣点之间的相似度。编辑距离又称Levenshtein距离,是指两个字串之间,由一个转成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符,***一个字符,删除一个字符。一般来说,编辑距离越小,两个串的相似度越大。这里,该第一兴趣点集合包括上述兴趣点集合中的未经合并的兴趣点和通过合并所得的兴趣点。这样,通过对相似度较高的兴趣点进行合并,可以减少兴趣点的数量,以及提高兴趣点的质量。
在本实施例的一些可选的实现方式中,上述电子设备还可以对上述兴趣点集合中的每个兴趣点进行切词,基于切出的词来计算上述兴趣点集合中的任意两个兴趣点之间的相似度。这里,上述电子设备可以采用余弦相似度(cosine similarity)算法、Jaccard系数之类的公知的文本相似度计算方法来进行相似度计算。以Jaccard系数方法为例,上述电子设备可以将上述兴趣点集合中的每个兴趣点所切出词的词组成词集合,对于上述兴趣点集合中的某两个兴趣点,例如兴趣点A和兴趣点B,兴趣点A对应词集合A1,兴趣点B对应词集合B1,词集合A1和词集合B1之间的相似度可以等于词集合A1和词集合B1之间共有的词的数目除以词集合A1和词集合B1一起包括的词的数目。
步骤407,从第一兴趣点集合中移除包含预设关键词集合中的关键词的兴趣点以生成第二兴趣点集合。
在本实施例中,上述电子设备在生成上述第一兴趣点集合后,可以进一步从第一兴趣点集合中移除包含预设关键词集合中的关键词的兴趣点以生成第二兴趣点集合。这里,该预设关键词集合中的关键词可以例如是包括黄色内容(例如黄***的名称、黄色网站的站点名称等)的关键词。这样,将该第二兴趣点集合用于信息推送等场景时,可以避免向用户推荐不良信息。而且,通过从第一兴趣点集合中移除包含预设关键词集合中的关键词的兴趣点,可以进一步减少兴趣点的数量,以及提高兴趣点的质量。
从图4中可以看出,与图2对应的实施例相比,本实施例中的基于人工智能的信息处理方法的流程400突出了对第一兴趣点集合和第二兴趣点集合的生成步骤。由此,本实施例描述的方案可以进一步减少所确定的兴趣点的数量,并且可以提高兴趣点的质量。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种基于人工智能的信息处理装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例所示的基于人工智能的信息处理装置500包括:获取单元501、第一生成单元502、形成单元503、确定单元504和第二生成单元505。其中,获取单元501配置用于获取在预定时间段内记录的搜索点击信息,其中,上述搜索点击信息包括在上述预定时间段所包含的每个单位时间段内被搜索的词条和各上述词条在该单位时间段内的点击量;第一生成单元502配置用于从上述搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合;形成单元503配置用于对于上述候选词条集合中的每个候选词条,将该候选词条在上述预定时间段内所对应的各个点击量按照时间先后顺序形成点击量序列;确定单元504配置用于基于各上述点击量序列,确定与各上述点击量序列分别对应的候选词条的类别,其中,上述类别用于表征候选词条在上述预定时间段内被用户关注的程度;而第二生成单元505配置用于将类别为预设类别的候选词条作为兴趣点并生成兴趣点集合。
在本实施例中,基于人工智能的信息处理装置500中:获取单元501、第一生成单元502、形成单元503、确定单元504和第二生成单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述确定单元504可以包括:分割子单元(图中未示出),配置用于对于每个上述点击量序列,基于上述点击量序列中的各分量的值随时间变化的变化趋势,将上述点击量序列分割成多个子序列;生成子单元(图中未示出),配置用于生成针对上述多个子序列中的每个子序列的趋势描述信息;预测子单元(图中未示出),配置用于将上述多个子序列和上述多个子序列分别对应的趋势描述信息输入预先训练的分类模型,以使上述分类模型对上述点击量序列所对应的候选词条的类别进行预测;其中,上述分类模型用于表征第一信息和类别的对应关系,上述第一信息包括点击量序列所分割成的各个子序列和上述各个子序列分别对应的趋势描述信息。
在本实施例的一些可选的实现方式中,上述分割子单元可以包括:处理模块(图中未示出),配置用于对于上述点击量序列中的任意两个相邻分量,若预置数值范围集合中存在包括上述相邻分量的值的目标数值范围,并且上述相邻分量的值之差的绝对值大于上述目标数值范围所对应的阈值,则将上述相邻分量划分到不同的子序列,其中,上述预置数值范围集合中的每个预置数值范围具有与之对应的阈值。
在本实施例的一些可选的实现方式中,上述分割子单元可以包括:划分模块(图中未示出),配置用于基于上述点击量序列中的各分量的值随时间变化的变化趋势,将上述点击量序列划分成点击量组序列;第一确定模块(图中未示出),配置用于确定上述点击量组序列中的每个点击量组中的各分量的值的平均值和方差;第二确定模块(图中未示出),配置用于基于所确定的平均值和方差,在上述点击量组序列所包括的点击量组中确定分割点;分割模块(图中未示出),配置用于从所确定的分割点处对上述点击量序列进行分割,得到与上述点击量序列对应的多个子序列。
在本实施例的一些可选的实现方式中,上述划分模块可以包括:划分子模块(图中未示出),配置用于从上述点击量序列中查找出各个极值点,基于查找出的极值点将上述点击量序列划分成点击量组序列,其中,上述极值点是上述点击量序列中的值同时大于或小于左右相邻分量的值的分量。
在本实施例的一些可选的实现方式中,上述第二确定模块可以包括:确定子模块(图中未示出),配置用于对于上述点击量组序列中的任意两个相邻点击量组,若第一预置数值范围集合中存在目标第一预置数值范围、上述相邻点击量组中的位置靠后的点击量组所对应的平均值除以位置靠前的点击量组所对应的平均值所得的商大于上述目标第一预置数值范围所对应的第一预设值、并且上述相邻点击量组中的每个点击量组所对应的方差除以所对应的平均值所得的商大于上述目标第一预置数值范围所对应的第二预设值,则将上述位置靠前的点击量组中的最后一个分量作为分割点,其中,上述目标第一预置数值范围是包括上述相邻点击量组分别对应的平均值之差的绝对值的数值范围,上述第一预置数值范围集合中的每个第一预置数值范围具有与之对应的第一预设值和第二预设值。
在本实施例的一些可选的实现方式中,上述装置500还可以包括:第三生成单元(图中未示出),配置用于计算上述兴趣点集合中的任意两个兴趣点之间的相似度,将相似度高于相似度阈值的兴趣点进行合并以生成第一兴趣点集合。
在本实施例的一些可选的实现方式中,上述第三生成单元可以包括:计算子单元(图中未示出),配置用于对上述兴趣点集合中的每个兴趣点进行切词,基于切出的词来计算上述兴趣点集合中的任意两个兴趣点之间的相似度。
在本实施例的一些可选的实现方式中,上述装置500还可以包括:第四生成单元(图中未示出),配置用于从上述第一兴趣点集合中移除包含预设关键词集合中的关键词的兴趣点以生成第二兴趣点集合
本申请的上述实施例提供的装置通过获取在预定时间段内记录的搜索点击信息,以便从该搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合;而后对于该候选词条集合中的每个候选词条,通过将该候选词条在该预定时间段内所对应的各个点击量按照时间先后顺序形成点击量序列,以便基于该点击量序列确定该点击量序列所对应的候选词条的类别;最后将类别为预设类别的候选词条作为兴趣点以便生成兴趣点集合。从而有效利用了在预定时间段内所记录的搜索点击信息,实现了富于针对性的信息处理。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机***600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的***中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一生成单元、形成单元、确定单元、第二生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取在预定时间段内记录的搜索点击信息的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的服务器中所包含的;也可以是单独存在,而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该服务器执行时,使得该服务器包括:获取在预定时间段内记录的搜索点击信息,其中,上述搜索点击信息包括在上述预定时间段所包含的每个单位时间段内被搜索的词条和各上述词条在该单位时间段内的点击量;从上述搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合;对于上述候选词条集合中的每个候选词条,将该候选词条在上述预定时间段内所对应的各个点击量按照时间先后顺序形成点击量序列;基于各上述点击量序列,确定与各上述点击量序列分别对应的候选词条的类别,其中,上述类别用于表征候选词条在上述预定时间段内被用户关注的程度;将类别为预设类别的候选词条作为兴趣点并生成兴趣点集合。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (20)
1.一种基于人工智能的信息处理方法,其特征在于,所述方法包括:
获取在预定时间段内记录的搜索点击信息,其中,所述搜索点击信息包括在所述预定时间段所包含的每个单位时间段内被搜索的词条和各所述词条在该单位时间段内的点击量;
从所述搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合;
对于所述候选词条集合中的每个候选词条,将该候选词条在所述预定时间段内所对应的各个点击量按照时间先后顺序形成点击量序列;
基于各所述点击量序列,确定与各所述点击量序列分别对应的候选词条的类别,其中,所述类别用于表征候选词条在所述预定时间段内被用户关注的程度;
将类别为预设类别的候选词条作为兴趣点并生成兴趣点集合。
2.根据权利要求1所述的方法,其特征在于,所述基于各所述点击量序列,确定与各所述点击量序列分别对应的候选词条的类别,包括:
对于每个所述点击量序列,基于所述点击量序列中的各分量的值随时间变化的变化趋势,将所述点击量序列分割成多个子序列;
生成针对所述多个子序列中的每个子序列的趋势描述信息;
将所述多个子序列和所述多个子序列分别对应的趋势描述信息输入预先训练的分类模型,以使所述分类模型对所述点击量序列所对应的候选词条的类别进行预测;
其中,所述分类模型用于表征第一信息和类别的对应关系,所述第一信息包括点击量序列所分割成的各个子序列和所述各个子序列分别对应的趋势描述信息。
3.根据权利要求2所述的方法,其特征在于,所述基于所述点击量序列中的各分量的值随时间变化的变化趋势,将所述点击量序列分割成多个子序列,包括:
对于所述点击量序列中的任意两个相邻分量,若预置数值范围集合中存在包括所述相邻分量的值的目标数值范围,并且所述相邻分量的值之差的绝对值大于所述目标数值范围所对应的阈值,则将所述相邻分量划分到不同的子序列,其中,所述预置数值范围集合中的每个预置数值范围具有与之对应的阈值。
4.根据权利要求2所述的方法,其特征在于,所述基于所述点击量序列中的各分量的值随时间变化的变化趋势,将所述点击量序列分割成多个子序列,包括:
基于所述点击量序列中的各分量的值随时间变化的变化趋势,将所述点击量序列划分成点击量组序列;
确定所述点击量组序列中的每个点击量组中的各分量的值的平均值和方差;
基于所确定的平均值和方差,在所述点击量组序列所包括的点击量组中确定分割点;
从所确定的分割点处对所述点击量序列进行分割,得到与所述点击量序列对应的多个子序列。
5.根据权利要求4所述的方法,其特征在于,所述基于所述点击量序列中的各分量的值随时间变化的变化趋势,将所述点击量序列划分成点击量组序列,包括:
从所述点击量序列中查找出各个极值点,基于查找出的极值点将所述点击量序列划分成点击量组序列,其中,所述极值点是所述点击量序列中的值同时大于或小于左右相邻分量的值的分量。
6.根据权利要求4所述的方法,其特征在于,所述基于所确定的平均值和方差,在所述点击量组序列所包括的点击量组中确定分割点,包括:
对于所述点击量组序列中的任意两个相邻点击量组,若第一预置数值范围集合中存在目标第一预置数值范围、所述相邻点击量组中的位置靠后的点击量组所对应的平均值除以位置靠前的点击量组所对应的平均值所得的商大于所述目标第一预置数值范围所对应的第一预设值、并且所述相邻点击量组中的每个点击量组所对应的方差除以所对应的平均值所得的商大于所述目标第一预置数值范围所对应的第二预设值,则将所述位置靠前的点击量组中的最后一个分量作为分割点,其中,所述目标第一预置数值范围是包括所述相邻点击量组分别对应的平均值之差的绝对值的数值范围,所述第一预置数值范围集合中的每个第一预置数值范围具有与之对应的第一预设值和第二预设值。
7.根据权利要求1-6之一所述的方法,其特征在于,所述方法还包括:
计算所述兴趣点集合中的任意两个兴趣点之间的相似度,将相似度高于相似度阈值的兴趣点进行合并以生成第一兴趣点集合。
8.根据权利要求7所述的方法,其特征在于,所述计算所述兴趣点集合中的任意两个兴趣点之间的相似度,包括:
对所述兴趣点集合中的每个兴趣点进行切词,基于切出的词来计算所述兴趣点集合中的任意两个兴趣点之间的相似度。
9.根据权利要求7所述的方法,其特征在于,所述方法还包括:
从所述第一兴趣点集合中移除包含预设关键词集合中的关键词的兴趣点以生成第二兴趣点集合。
10.一种基于人工智能的信息处理装置,其特征在于,所述装置包括:
获取单元,配置用于获取在预定时间段内记录的搜索点击信息,其中,所述搜索点击信息包括在所述预定时间段所包含的每个单位时间段内被搜索的词条和各所述词条在该单位时间段内的点击量;
第一生成单元,配置用于从所述搜索点击信息中选取在预设单位时间段内点击量超出点击量阈值的词条生成候选词条集合;
形成单元,配置用于对于所述候选词条集合中的每个候选词条,将该候选词条在所述预定时间段内所对应的各个点击量按照时间先后顺序形成点击量序列;
确定单元,配置用于基于各所述点击量序列,确定与各所述点击量序列分别对应的候选词条的类别,其中,所述类别用于表征候选词条在所述预定时间段内被用户关注的程度;
第二生成单元,配置用于将类别为预设类别的候选词条作为兴趣点并生成兴趣点集合。
11.根据权利要求10所述的装置,其特征在于,所述确定单元包括:
分割子单元,配置用于对于每个所述点击量序列,基于所述点击量序列中的各分量的值随时间变化的变化趋势,将所述点击量序列分割成多个子序列;
生成子单元,配置用于生成针对所述多个子序列中的每个子序列的趋势描述信息;
预测子单元,配置用于将所述多个子序列和所述多个子序列分别对应的趋势描述信息输入预先训练的分类模型,以使所述分类模型对所述点击量序列所对应的候选词条的类别进行预测;
其中,所述分类模型用于表征第一信息和类别的对应关系,所述第一信息包括点击量序列所分割成的各个子序列和所述各个子序列分别对应的趋势描述信息。
12.根据权利要求11所述的装置,其特征在于,所述分割子单元包括:
处理模块,配置用于对于所述点击量序列中的任意两个相邻分量,若预置数值范围集合中存在包括所述相邻分量的值的目标数值范围,并且所述相邻分量的值之差的绝对值大于所述目标数值范围所对应的阈值,则将所述相邻分量划分到不同的子序列,其中,所述预置数值范围集合中的每个预置数值范围具有与之对应的阈值。
13.根据权利要求11所述的装置,其特征在于,所述分割子单元包括:
划分模块,配置用于基于所述点击量序列中的各分量的值随时间变化的变化趋势,将所述点击量序列划分成点击量组序列;
第一确定模块,配置用于确定所述点击量组序列中的每个点击量组中的各分量的值的平均值和方差;
第二确定模块,配置用于基于所确定的平均值和方差,在所述点击量组序列所包括的点击量组中确定分割点;
分割模块,配置用于从所确定的分割点处对所述点击量序列进行分割,得到与所述点击量序列对应的多个子序列。
14.根据权利要求13所述的装置,其特征在于,所述划分模块包括:
划分子模块,配置用于从所述点击量序列中查找出各个极值点,基于查找出的极值点将所述点击量序列划分成点击量组序列,其中,所述极值点是所述点击量序列中的值同时大于或小于左右相邻分量的值的分量。
15.根据权利要求13所述的装置,其特征在于,所述第二确定模块包括:
确定子模块,配置用于对于所述点击量组序列中的任意两个相邻点击量组,若第一预置数值范围集合中存在目标第一预置数值范围、所述相邻点击量组中的位置靠后的点击量组所对应的平均值除以位置靠前的点击量组所对应的平均值所得的商大于所述目标第一预置数值范围所对应的第一预设值、并且所述相邻点击量组中的每个点击量组所对应的方差除以所对应的平均值所得的商大于所述目标第一预置数值范围所对应的第二预设值,则将所述位置靠前的点击量组中的最后一个分量作为分割点,其中,所述目标第一预置数值范围是包括所述相邻点击量组分别对应的平均值之差的绝对值的数值范围,所述第一预置数值范围集合中的每个第一预置数值范围具有与之对应的第一预设值和第二预设值。
16.根据权利要求10-15之一所述的装置,其特征在于,所述装置还包括:
第三生成单元,配置用于计算所述兴趣点集合中的任意两个兴趣点之间的相似度,将相似度高于相似度阈值的兴趣点进行合并以生成第一兴趣点集合。
17.根据权利要求16所述的装置,其特征在于,所述第三生成单元包括:
计算子单元,配置用于对所述兴趣点集合中的每个兴趣点进行切词,基于切出的词来计算所述兴趣点集合中的任意两个兴趣点之间的相似度。
18.根据权利要求16所述的装置,其特征在于,所述装置还包括:
第四生成单元,配置用于从所述第一兴趣点集合中移除包含预设关键词集合中的关键词的兴趣点以生成第二兴趣点集合。
19.一种服务器,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710470407.4A CN107273508B (zh) | 2017-06-20 | 2017-06-20 | 基于人工智能的信息处理方法和装置 |
US15/933,555 US11551045B2 (en) | 2017-06-20 | 2018-03-23 | Artificial intelligence based method and apparatus for processing information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710470407.4A CN107273508B (zh) | 2017-06-20 | 2017-06-20 | 基于人工智能的信息处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107273508A CN107273508A (zh) | 2017-10-20 |
CN107273508B true CN107273508B (zh) | 2020-07-10 |
Family
ID=60067868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710470407.4A Active CN107273508B (zh) | 2017-06-20 | 2017-06-20 | 基于人工智能的信息处理方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11551045B2 (zh) |
CN (1) | CN107273508B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112021010468A2 (pt) * | 2018-12-31 | 2021-08-24 | Intel Corporation | Sistemas de segurança que empregam inteligência artificial |
CN112182357B (zh) * | 2019-07-04 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 数据推荐方法、装置、计算机设备和存储介质 |
CN110781283B (zh) * | 2019-09-16 | 2023-12-08 | 腾讯大地通途(北京)科技有限公司 | 连锁品牌词库生成方法、装置以及电子设备 |
CN111831935B (zh) * | 2019-09-17 | 2024-05-31 | 北京嘀嘀无限科技发展有限公司 | 一种兴趣点排序方法、装置、电子设备及存储介质 |
CN111145778B (zh) * | 2019-11-28 | 2023-04-04 | 科大讯飞股份有限公司 | 音频数据的处理方法、装置、电子设备及计算机存储介质 |
JP7417074B2 (ja) * | 2020-02-19 | 2024-01-18 | 富士通株式会社 | 最適化装置、最適化方法及び最適化装置の制御プログラム |
CN111680102B (zh) * | 2020-05-21 | 2023-12-26 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的定位数据处理方法及相关设备 |
CN111949655A (zh) * | 2020-07-24 | 2020-11-17 | 北京每日优鲜电子商务有限公司 | 表单显示方法、装置、电子设备和介质 |
CN112052394B (zh) * | 2020-09-10 | 2023-11-21 | 上海梅斯医药科技有限公司 | 专业内容信息的推荐方法、***、终端设备和存储介质 |
CN115840895B (zh) * | 2021-12-31 | 2024-05-03 | 江苏常胜电器(淮安)有限公司 | 一种电子器件温度保护*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101000611A (zh) * | 2006-08-29 | 2007-07-18 | 曾文均 | 利用互联网为公众提供和查询信息的方法 |
CN103605673A (zh) * | 2013-10-29 | 2014-02-26 | 北京奇虎科技有限公司 | 一种用于分析多个网络资源点的方法和装置 |
CN103631939A (zh) * | 2013-12-06 | 2014-03-12 | 无锡艾德思奇软件有限公司 | 用于搜索引擎的数据处理方法和装置 |
CN104331493A (zh) * | 2014-11-17 | 2015-02-04 | 百度在线网络技术(北京)有限公司 | 通过计算机实现的用于生成趋势解释数据的方法及装置 |
CN105787079A (zh) * | 2016-05-05 | 2016-07-20 | 百度在线网络技术(北京)有限公司 | 基于人工智能的自媒体信息编辑方法及其装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050021461A1 (en) * | 2003-07-22 | 2005-01-27 | Flake Gary William | Term-based concept market |
US9454726B1 (en) * | 2013-06-06 | 2016-09-27 | Google Inc. | Systems and methods for cohort identification and reporting |
CN106156878B (zh) * | 2015-04-21 | 2020-09-15 | 深圳市腾讯计算机***有限公司 | 广告点击率矫正方法及装置 |
CN106126640B (zh) * | 2016-06-23 | 2019-01-22 | 腾讯科技(深圳)有限公司 | 内容数据推送方法及装置 |
-
2017
- 2017-06-20 CN CN201710470407.4A patent/CN107273508B/zh active Active
-
2018
- 2018-03-23 US US15/933,555 patent/US11551045B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101000611A (zh) * | 2006-08-29 | 2007-07-18 | 曾文均 | 利用互联网为公众提供和查询信息的方法 |
CN103605673A (zh) * | 2013-10-29 | 2014-02-26 | 北京奇虎科技有限公司 | 一种用于分析多个网络资源点的方法和装置 |
CN103631939A (zh) * | 2013-12-06 | 2014-03-12 | 无锡艾德思奇软件有限公司 | 用于搜索引擎的数据处理方法和装置 |
CN104331493A (zh) * | 2014-11-17 | 2015-02-04 | 百度在线网络技术(北京)有限公司 | 通过计算机实现的用于生成趋势解释数据的方法及装置 |
CN105787079A (zh) * | 2016-05-05 | 2016-07-20 | 百度在线网络技术(北京)有限公司 | 基于人工智能的自媒体信息编辑方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
US11551045B2 (en) | 2023-01-10 |
CN107273508A (zh) | 2017-10-20 |
US20180365534A1 (en) | 2018-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273508B (zh) | 基于人工智能的信息处理方法和装置 | |
US10795939B2 (en) | Query method and apparatus | |
CN108521439B (zh) | 一种消息推送的方法和装置 | |
CN109165302B (zh) | 多媒体文件推荐方法及装置 | |
CN107943877B (zh) | 待播放多媒体内容的生成方法和装置 | |
CN109271556B (zh) | 用于输出信息的方法和装置 | |
US20100191758A1 (en) | System and method for improved search relevance using proximity boosting | |
CN106407381B (zh) | 一种基于人工智能的推送信息的方法和装置 | |
CN111144952A (zh) | 基于用户兴趣的广告推荐方法、装置、服务器及存储介质 | |
CN111159341A (zh) | 基于用户投资理财偏好的资讯推荐方法及装置 | |
CN108540508B (zh) | 用于推送信息的方法、装置和设备 | |
WO2022007626A1 (zh) | 视频内容推荐方法、装置及计算机设备 | |
CN114780861B (zh) | 基于聚类技术的用户多兴趣推荐方法、装置、设备及介质 | |
CN112364235A (zh) | 搜索处理方法、模型训练方法、装置、介质及设备 | |
CN109255036B (zh) | 用于输出信息的方法和装置 | |
CN108038172B (zh) | 基于人工智能的搜索方法和装置 | |
CN110674400A (zh) | 排序方法、装置、电子设备及计算机可读存储介质 | |
WO2014107194A1 (en) | Identifying relevant user content | |
CN115801980A (zh) | 视频生成方法和装置 | |
CN109829117B (zh) | 用于推送信息的方法和装置 | |
CN111078849A (zh) | 用于输出信息的方法和装置 | |
CN108667875B (zh) | 信息更新方法和装置 | |
US20210149951A1 (en) | Audio and Visual Asset Matching Platform | |
CN117787290A (zh) | 基于知识图谱的绘图提示方法和装置 | |
CN108509442B (zh) | 搜索方法和装置、服务器以及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |