CN108446296A - 一种信息处理方法及装置 - Google Patents
一种信息处理方法及装置 Download PDFInfo
- Publication number
- CN108446296A CN108446296A CN201810068768.0A CN201810068768A CN108446296A CN 108446296 A CN108446296 A CN 108446296A CN 201810068768 A CN201810068768 A CN 201810068768A CN 108446296 A CN108446296 A CN 108446296A
- Authority
- CN
- China
- Prior art keywords
- report
- event
- event report
- text
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种信息处理方法及装置,所述方法包括:获取热点事件标签和多个事件报道;计算所述热点事件标签与所述多个事件报道的第一文本相似度,以及,计算所述多个事件报道之间的第二文本相似度,以及,获取所述多个事件报道的时效特征值;根据所述第一文本相似度、所述第二文本相似度和所述时效特征值,计算所述多个事件报道的最大边缘相关值;按照所述多个事件报道的最大边缘相关值聚合所述多个事件报道,得到报道聚合结果。根据本发明实施例,节省了用户获取具有多样性、时效性的事件报道的时间和精力。
Description
技术领域
本发明涉及信息处理领域,特别是涉及一种信息处理方法,以及,一种信息处理装置,以及,一种移动终端,以及,一种计算机可读存储介质。
背景技术
目前,越来越多的用户通过互联网关注资讯,尤其是对当前热点事件的关注。
通常,用户可以针对热点事件的事件报道进行搜索得到相关的事件报道,或者,由网站运营商将热点事件的事件报道推荐给用户。在搜索事件报道或推荐事件报道时,需要将大量的事件报道进行聚合,将聚合结果作为搜索结果或者推荐结果发送给用户。
然而,目前的事件报道聚合方式中,仅考虑了事件报道与热点事件的关联性,导致所聚合的多个事件报道中重复内容过多,而且,所聚合的事件报道可能已经过期。而通过上述的事件报道聚合方式,可能将大量重复、过期的事件报道提供给用户,用户还需要花费时间和精力从中筛选,以满足其对事件报道的多样性、时效性等方面的需求。
因此,现有技术的事件报道聚合方式存在着耗费用户时间和精力的问题。
发明内容
本发明实施例针对所要解决的技术问题提供了一种信息处理方法,以及,一种信息处理装置。
为了解决上述问题,本发明提供了一种信息处理方法,所述方法包括:
获取热点事件标签和多个事件报道;
计算所述热点事件标签与所述多个事件报道的第一文本相似度,以及,计算所述多个事件报道之间的第二文本相似度,以及,获取所述多个事件报道的时效特征值;
根据所述第一文本相似度、所述第二文本相似度和所述时效特征值,计算所述多个事件报道的最大边缘相关值;
按照所述多个事件报道的最大边缘相关值聚合所述多个事件报道,得到报道聚合结果。
可选地,所述热点事件标签具有对应的第一文本向量,所述计算所述热点事件标签与所述多个事件报道的第一文本相似度的步骤,包括:
从所述多个事件报道中选取待评价事件报道;
对所述待评价事件报道进行分词处理,得到多个报道分词文本;
计算所述多个报道分词文本的第二文本向量;
计算所述第一文本向量和所述第二文本向量的余弦值,作为所述第一文本相似度。
可选地,所述事件报道具有N个,N个事件报道中包括M个已评价事件报道,0<M<N,所述已评价事件报道具有对应的第三文本向量,所述计算所述多个事件报道之间的第二文本相似度的步骤,包括:
计算所述待评价事件报道的第二文本向量与所述M个已评价事件报道的第三文本向量的M个余弦值;
在所述M个余弦值中提取最大余弦值,作为所述第二文本相似度。
可选地,所述热点事件标签具有事件时间,所述事件报道具有报道时间,所述获取所述多个事件报道的时效特征值的步骤,包括:
计算所述待评价事件报道的报道时间与所述热点事件标签的事件时间的时间间隔值;
采用所述时间间隔值和预设的时效衰减值,计算所述待评价事件报道的时效特征值。
可选地,所述时效特征值包括第一时效特征值和第二时效特征值,所述根据所述第一文本相似度、所述第二文本相似度和所述时效特征值,计算所述多个事件报道的最大边缘相关值的步骤,包括:
计算所述第一文本相似度与所述第一时效特征值的第一乘积;
计算所述第二文本相似度与所述第二时效特征值的第二乘积;
计算所述第一乘积与所述第二乘积的差值,作为所述最大边缘相关值。
可选地,所述按照所述多个事件报道的最大边缘相关值聚合所述多个事件报道,得到报道聚合结果的步骤,包括:
按照所述最大边缘相关值的大小,对所述多个事件报道进行排序;
将排序后的多个事件报道作为所述报道聚合结果。
可选地,所述按照所述多个事件报道的最大边缘相关值聚合所述多个事件报道,得到报道聚合结果的步骤,包括:
在所述多个事件报道中,提取出所述最大边缘相关值大于预设阈值的事件报道;
将提取出的事件报道作为所述报道聚合结果。
可选地,所述方法还包括:
当接收到用户针对所述热点事件标签的报道搜索请求,发送所述报道聚合结果至所述用户;或者
向用户推荐所述报道聚合结果。
为了解决上述问题,本发明还提供了一种信息处理装置,所述装置包括:
标签、报道获取模块,用于获取热点事件标签和多个事件报道;
文本相似度、时效特征值计算模块,用于计算所述热点事件标签与所述多个事件报道的第一文本相似度,以及,计算所述多个事件报道之间的第二文本相似度,以及,获取所述多个事件报道的时效特征值;
最大边缘相关值计算模块,用于根据所述第一文本相似度、所述第二文本相似度和所述时效特征值,计算所述多个事件报道的最大边缘相关值;
报道聚合模块,用于按照所述多个事件报道的最大边缘相关值聚合所述多个事件报道,得到报道聚合结果。
可选地,所述热点事件标签具有对应的第一文本向量,所述文本相似度、时效特征值计算模块,包括:
待评价事件报道选取子模块,用于从所述多个事件报道中选取待评价事件报道;
分词处理子模块,用于对所述待评价事件报道进行分词处理,得到多个报道分词文本;
第二文本向量计算子模块,用于计算所述多个报道分词文本的第二文本向量;
第一文本相似度计算子模块,用于计算所述第一文本向量和所述第二文本向量的余弦值,作为所述第一文本相似度。
可选地,所述事件报道具有N个,N个事件报道中包括M个已评价事件报道,0<M<N,所述已评价事件报道具有对应的第三文本向量,所述文本相似度、时效特征值计算模块,包括:
M个余弦值计算子模块,用于计算所述待评价事件报道的第二文本向量与所述M个已评价事件报道的第三文本向量的M个余弦值;
第二文本相似度提取子模块,用于在所述M个余弦值中提取最大余弦值,作为所述第二文本相似度。
可选地,所述热点事件标签具有事件时间,所述事件报道具有报道时间,所述文本相似度、时效特征值计算模块,包括:
时间间隔值计算子模块,用于计算所述待评价事件报道的报道时间与所述热点事件标签的事件时间的时间间隔值;
时效特征值计算子模块,用于采用所述时间间隔值和预设的时效衰减值,计算所述待评价事件报道的时效特征值。
可选地,所述时效特征值包括第一时效特征值和第二时效特征值,所述最大边缘相关值计算模块,包括:
第一乘积计算子模块,用于计算所述第一文本相似度与所述第一时效特征值的第一乘积;
第二乘积计算子模块,用于计算所述第二文本相似度与所述第二时效特征值的第二乘积;
乘积差值计算子模块,用于计算所述第一乘积与所述第二乘积的差值,作为所述最大边缘相关值。
可选地,所述报道聚合模块,包括:
报道排序子模块,用于按照所述最大边缘相关值的大小,对所述多个事件报道进行排序;
第一报道聚合结果生成子模块,用于将排序后的多个事件报道作为所述报道聚合结果。
可选地,所述报道聚合模块,包括:
事件报道提取子模块,用于在所述多个事件报道中,提取出所述最大边缘相关值大于预设阈值的事件报道;
第二报道聚合结果生成子模块,用于将提取出的事件报道作为所述报道聚合结果。
可选地,所述装置还包括:
报道聚合结果发送模块,用于当接收到用户针对所述热点事件标签的报道搜索请求,发送所述报道聚合结果至所述用户;或者向用户推荐所述报道聚合结果。
为了解决上述问题,本发明还提供了一种移动终端,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时,实现上述任一所述的信息处理方法。
为了解决上述问题,本发明还提供了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上存储计算机程序,所述计算机程序被处理器执行时,实现上述任一所述的信息处理方法。
本发明实施例可以达到以下的有益效果:
根据本发明实施例,结合热点事件标签与多个事件报道的第一文本相似度、多个事件报道之间的第二文本相似度、以及多个事件报道的时效特征值,计算多个事件报道的最大边缘相关值,并根据最大边缘相关值对多个事件报道进行聚合,得到报道聚合结果。向用户提供该报道聚合结果,无须用户花费时间和精力筛选满足其对事件报道的多样性、时效性等方面需求的事件报道,节省了用户获取具有多样性、时效性的事件报道的时间和精力。
附图说明
图1是本发明实施例一提供的信息处理方法的步骤流程图;
图2是本发明实施例二提供的信息处理方法的步骤流程图;
图3是本发明实施例三提供的信息处理装置的结构框图;
图4是本发明实施例四提供的信息处理装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
图1是本发明实施例一提供的信息处理方法的步骤流程图,所述方法可以具体包括如下步骤:
步骤110,获取热点事件标签和多个事件报道。
上述的热点事件标签,可以为标识热点事件的一个或多个关键词。
具体实现中,可以通过收集用户的搜索关键词,根据搜索关键词的热度,对多个搜索关键词进行过滤和整理,得到热点事件标签。
例如,针对热点事件“赵本山的搭档演员李大美病逝”,针对搜索关键词,可以得到相应的热点事件标签为“演员李大美病逝”、“赵本山搭档病逝”、“李大美病逝”等。
上述的事件报道,可以为网络上针对热点事件的新闻稿、微博、博客文章等的报道。
具体实现中,可以基于热点事件标签进行搜索,从搜索结果中提取多个事件报道。
在前述例子的基础上,搜索“演员李大美病逝”,可以得到标题为“悲痛!赵本山搭档李大美病逝!儿子红孩发微博让人泪目!”、“赵本山搭档李大美去世儿子是小沈阳同门师弟”、“宋小宝搭档李大美去世,享年55岁!网友:赵家班真是多事之秋呀!”、“本山传媒再失一员大将,爱徒李大美去世,没想到儿子竟是他?”等的多个事件报道。
由此,获取到热点事件标签和针对热点事件标签的多个事件报道。
步骤120,计算所述热点事件标签与所述多个事件报道的第一文本相似度,以及,计算所述多个事件报道之间的第二文本相似度,以及,获取所述多个事件报道的时效特征值。
具体实现中,可以计算热点事件标签中各个关键词的文本向量,以及,计算事件报道中各个关键词的文本向量,计算两个文本向量之间的余弦值,作为上述的文本相似度。为了区分说明,将热点事件标签与事件报道之间的文本相似度,命名为第一文本相似度。该第一文本相似度,可以用于评价事件报道与热点事件的关联度。
具体实现中,可以针对两个事件报道,计算其各个关键词的文本向量,计算两个文本向量之间的余弦值,作为上述的文本相似度。为了区分说明,将两个事件报道之间的文本相似度,命名为第二文本相似度。该第一文本相似度,可以用于评价两个事件报道之间的关联度。
具体实现中,可以首先确定热点事件的事件时间,以及,确定事件报道的报道时间,根据事件时间和报道时间计算该事件报道的时效特征值。该时效特征值,可以用于评价该事件报道的时效性。
在实际应用中,多个事件报道中,可以包含有已评价事件报道和待评价事件报道。已评价事件报道可以为已经被评价为符合用户需求的、并标记为最终聚合结果的事件报道,而待评价事件报道则可以为当前进行评价是否符合用户需求的、未标记为最终聚合结果的事件报道。在执行步骤120时,更具体地,可以首先选取一个待评价事件报道,计算热点事件标签与待评价事件报道之间的第一文本相似度,以及,计算待评价事件报道与至少一个已评价事件报道之间的第二文本相似度,以及,根据事件时间和待评价事件报道的报道时间,计算该待评价事件报道的时效特征值。
当然,在实际的应用场景中,也可以针对全部事件报道计算第一文本相似度、第二文本相似度和时效特征值,本领域技术人员可以根据实际需求设定计算第一文本相似度、第二文本相似度和时效特征值的具体方式和具体顺序,本发明实施例对此不作限制。
步骤130,根据所述第一文本相似度、所述第二文本相似度和所述时效特征值,计算所述多个事件报道的最大边缘相关值。
具体实现中,可以采用MMR模型(Maximal Marginal Relevance,最大边缘相关)计算最大边缘相关值。MMR模型可以基于热点事件标签和事件报道之间的相似度、事件报道之间的相似度、事件时间和报道时间之间的间隔等维度,综合评价与热点事件关联的多个事件报道的关联性、多样性和时效性。
步骤140,按照所述多个事件报道的最大边缘相关值聚合所述多个事件报道,得到报道聚合结果。
具体实现中,可以按照多个事件报道的最大边缘相关值的大小,对多个事件报道进行排序,将排序后的事件报道作为报道聚合结果;也可以按照最大边缘相关值,对多个事件报道进行筛选,筛选出最大边缘相关值大于预设阈值的若干个事件报道作为报道聚合结果。聚合结果中的多个事件报道,排序靠前的均为与热点事件密切关联、重复率较低且具有时效性的事件报道,或者,聚合结果中均为与热点事件密切关联、重复率较低且具有时效性的事件报道,用户无须另外花费时间和精力,从聚合结果中筛选满足其对事件报道的多样性、时效性等方面需求的事件报道。
根据本发明实施例,结合热点事件标签与多个事件报道的第一文本相似度、多个事件报道之间的第二文本相似度、以及多个事件报道的时效特征值,计算多个事件报道的最大边缘相关值,并根据最大边缘相关值对多个事件报道进行聚合,得到报道聚合结果。向用户提供该报道聚合结果,无须用户花费时间和精力筛选满足其对事件报道的多样性、时效性等方面需求的事件报道,节省了用户获取具有多样性、时效性的事件报道的时间和精力。
实施例二
图2是本发明实施例二提供的信息处理方法的步骤流程图,所述方法可以具体包括如下步骤:
步骤210,获取热点事件标签和多个事件报道。
步骤220,计算所述热点事件标签与所述多个事件报道的第一文本相似度,以及,计算所述多个事件报道之间的第二文本相似度,以及,获取所述多个事件报道的时效特征值。
可选地,所述热点事件标签具有对应的第一文本向量,所述计算所述热点事件标签与所述多个事件报道的第一文本相似度的步骤,包括:
步骤221,从所述多个事件报道中选取待评价事件报道;
步骤222,对所述待评价事件报道进行分词处理,得到多个报道分词文本;
步骤223,计算所述多个报道分词文本的第二文本向量;
步骤224,计算所述第一文本向量和所述第二文本向量的余弦值,作为所述第一文本相似度。
具体实现中,可以计算热点事件标签中各个关键词的文本向量,作为热点事件标签的第一文本向量。针对多个事件报道,可以从中选取一个未被评价最大边缘相关值的事件报道,作为待评价事件报道。然后,对该待评价事件报道进行分词处理,得到多个报道分词文本。实际应用中,可以仅针对待评价事件报道的标题进行分词处理。例如,针对待评价事件报道的标题“本山传媒再失一员大将,爱徒李大美去世,没想到儿子竟是他”,进行分词处理得到“本山”、“爱徒”、“李大美”、“去世”、“儿子”等多个分词文本,计算该多个分词文本的文本向量,作为待评价事件报道的第二文本向量。
在得到待评价事件报道的第二文本向量之后,计算热点事件标签的第一文本向量与待评价事件报道的第二文本向量之间的余弦值,作为上述的第一文本相似度。
例如,热点事件标签Event的第一文本向量为eevent,当前有N个事件报道,选取第i个事件报道Feedi,作为待评价事件报道,其第二文本向量为efeed_i,计算第一文本向量eevent与第二文本向量efeed_i之间的余弦值sim1的公式如下:
可选地,所述事件报道具有N个,N个事件报道中包括M个已评价事件报道,0<M<N,所述已评价事件报道具有对应的第三文本向量,所述计算所述多个事件报道之间的第二文本相似度的步骤,包括:
步骤225,计算所述待评价事件报道的第二文本向量与所述M个已评价事件报道的第三文本向量的M个余弦值;
步骤226,在所述M个余弦值中提取最大余弦值,作为所述第二文本相似度。
具体实现中,假设当前具有N个事件报道,其中的M个事件报道已经被评价,即N个事件报道中具有M个已评价事件报道。针对已评价事件报道,可以计算其各个关键词的文本向量,作为已评价事件报道的第三文本向量。
在得到待评价事件报道的第二文本向量之后,可以计算待评价事件报道的第二文本向量与M个已评价事件报道的第三文本向量之间的余弦值,得到M个余弦值。针对该M个余弦值,查找数值最大的余弦值,作为上述的第二文本相似度。
在上述例子的基础上,N个事件报道中有M个已评价事件报道,取其中第j个已评价事件报道Feedj,其第三文本向量为efeed_j,计算第二文本向量efeed_i与第三文本向量efeed_j之间的余弦值sim2的公式如下:
可选地,所述热点事件标签具有事件时间,所述事件报道具有报道时间,所述获取所述多个事件报道的时效特征值的步骤,包括:
步骤227,计算所述待评价事件报道的报道时间与所述热点事件标签的事件时间的时间间隔值;
步骤228,采用所述时间间隔值和预设的时效衰减值,计算所述待评价事件报道的时效特征值。
具体实现中,可以通过人工定义或网络爬取的方式,确定热点事件的发生时间,作为热点事件标签具有的事件时间。此外,可以将事件报道的发布事件,作为其报道事件。由此,得到了热点事件标签的事件事件和事件报道的报道时间。
针对待评价事件报道的报道时间与热点事件标签的事件时间,计算之间的时间间隔值。例如,热点事件标签Event的事件时间为Tevent,待评价事件报道Feedi的报道时间为Tfeed_i,其时间间隔值Δt=Tevent-Tfeed_i。
可以根据经验值预先设定上述的时效衰减值to,用于调整某类型热点事件的事件热度随时间衰减的比例程度。针对时间间隔值Δt和时效衰减值to,通过指数函数公式,可以计算得到待评价事件报道的时效特征值。例如,可以采用以下公式计算时效特征值λ:
通过上述公式,可以量化事件报道相对于热点事件的时效性。
步骤230,根据所述第一文本相似度、所述第二文本相似度和所述时效特征值,计算所述多个事件报道的最大边缘相关值。
可选地,所述时效特征值包括第一时效特征值和第二时效特征值,所述步骤230,包括:
步骤231,计算所述第一文本相似度与所述第一时效特征值的第一乘积;
步骤232,计算所述第二文本相似度与所述第二时效特征值的第二乘积;
步骤233,计算所述第一乘积与所述第二乘积的差值,作为所述最大边缘相关值。
实际应用中,可以采用MMR模型计算最大边缘相关值。MMR公式如下:
从上述公式可见,计算第一文本相似度sim1(Feedi,Event)与第一时效特征值λ的第一乘积,计算第二文本相似度与第二时效特征值(1-λ)的第二乘积,根据两个乘积的差值,可以计算得到待评价事件报道的最大边缘相关值MMRfeed_i。
针对各个事件报道,重复上述步骤的方式,即可得到多个事件报道的最大边缘相关值。
在得到事件报道的最大边缘相关值之后,可以相应地标记其为已评价事件报道。
步骤240,按照所述多个事件报道的最大边缘相关值聚合所述多个事件报道,得到报道聚合结果。
可选地,所述步骤240,包括:
步骤241,按照所述最大边缘相关值的大小,对所述多个事件报道进行排序;
步骤242,将排序后的多个事件报道作为所述报道聚合结果。
具体实现中,可以针对多个事件报道的最大边缘相关值进行排序,将排序后的事件报道聚合作为上述的报道聚合结果。该报道聚合结果使得排序靠前的若干事件报道,均为与热点事件密切关联、重复率较低且具有时效性的事件报道,由此,用户可以便捷地浏览到所需的事件报道。
可选地,所述步骤240,包括:
步骤243,在所述多个事件报道中,提取出所述最大边缘相关值大于预设阈值的事件报道;
步骤244,将提取出的事件报道作为所述报道聚合结果。
具体实现中,可以将事件报道的最大边缘相关值与预设阈值进行比较,若最大边缘相关值大于预设阈值,则予以保留,若最大边缘相关值小于预设阈值,则予以丢弃。最后,将保留下来的事件报道聚合作为上述报道聚合结果。该报道聚合结果所包含的事件报道,均为与热点事件密切关联、重复率较低且具有时效性的事件报道,由此,用户可以便捷地浏览到所需的事件报道。
步骤250,当接收到用户针对所述热点事件标签的报道搜索请求,发送所述报道聚合结果至所述用户;或者,向用户推荐所述报道聚合结果。
具体实现中,在用户搜索事件报道时,用户通常会提交某个搜索关键词,若搜索关键词与某个热点事件标签匹配,则可以将热点事件标签对应的报道聚合结果发送给用户。
此外,也可以定期向用户发送某个热点事件标签的报道聚合结果,以将多个事件报道推荐给用户浏览。
需要说明的是,本发明实施例提供的信息处理方法可以应用于服务器上,服务器可以通过上述方法,根据获取的热点事件标签和多个事件报道,得到报道聚合结果,将报道聚合结果发送至用户终端,向用户展示。当然,在实际应用中,也可以应用于用户终端上,由用户终端通过上述方法,根据获取的热点事件标签和多个事件报道,得到报道聚合结果,向用户展示。
实施例三
图3是本发明实施例三提供的信息处理装置的结构框图,所述信息处理装置300,可以具体包括以下模块:
标签、报道获取模块310,用于获取热点事件标签和多个事件报道;
文本相似度、时效特征值计算模块320,用于计算所述热点事件标签与所述多个事件报道的第一文本相似度,以及,计算所述多个事件报道之间的第二文本相似度,以及,获取所述多个事件报道的时效特征值;
最大边缘相关值计算模块330,用于根据所述第一文本相似度、所述第二文本相似度和所述时效特征值,计算所述多个事件报道的最大边缘相关值;
报道聚合模块340,用于按照所述多个事件报道的最大边缘相关值聚合所述多个事件报道,得到报道聚合结果。
根据本发明实施例,通过标签、报道获取模块310获取热点事件标签和多个事件报道,通过文本相似度、时效特征值计算模块320获取第一文本相似度、第二文本相似度和时效特征值,由最大边缘相关值计算模块330结合热点事件标签与多个事件报道的第一文本相似度、多个事件报道之间的第二文本相似度、以及多个事件报道的时效特征值,计算多个事件报道的最大边缘相关值,并通过报道聚合模块340根据最大边缘相关值对多个事件报道进行聚合,得到报道聚合结果。向用户提供该报道聚合结果,无须用户花费时间和精力筛选出满足其对事件报道的多样性、时效性等方面需求的事件报道,节省了用户获取具有多样性、时效性的事件报道的时间和精力。
实施例四
图4是本发明实施例四提供的信息处理装置的结构框图,所述信息处理装置400,可以具体包括以下模块:
标签、报道获取模块410,用于获取热点事件标签和多个事件报道;
文本相似度、时效特征值计算模块420,用于计算所述热点事件标签与所述多个事件报道的第一文本相似度,以及,计算所述多个事件报道之间的第二文本相似度,以及,获取所述多个事件报道的时效特征值;
最大边缘相关值计算模块430,用于根据所述第一文本相似度、所述第二文本相似度和所述时效特征值,计算所述多个事件报道的最大边缘相关值;
报道聚合模块440,用于按照所述多个事件报道的最大边缘相关值聚合所述多个事件报道,得到报道聚合结果;
报道聚合结果发送模块450,用于当接收到用户针对所述热点事件标签的报道搜索请求,发送所述报道聚合结果至所述用户;或者向用户推荐所述报道聚合结果。
可选地,所述热点事件标签具有对应的第一文本向量,所述文本相似度、时效特征值计算模块420,可以具体包括以下子模块:
待评价事件报道选取子模块421,用于从所述多个事件报道中选取待评价事件报道;
分词处理子模块422,用于对所述待评价事件报道进行分词处理,得到多个报道分词文本;
第二文本向量计算子模块423,用于计算所述多个报道分词文本的第二文本向量;
第一文本相似度计算子模块424,用于计算所述第一文本向量和所述第二文本向量的余弦值,作为所述第一文本相似度。
可选地,所述事件报道具有N个,N个事件报道中包括M个已评价事件报道,0<M<N,所述已评价事件报道具有对应的第三文本向量,所述文本相似度、时效特征值计算模块420,可以具体包括以下子模块:
M个余弦值计算子模块425,用于计算所述待评价事件报道的第二文本向量与所述M个已评价事件报道的第三文本向量的M个余弦值;
第二文本相似度提取子模块426,用于在所述M个余弦值中提取最大余弦值,作为所述第二文本相似度。
可选地,所述热点事件标签具有事件时间,所述事件报道具有报道时间,所述文本相似度、时效特征值计算模块420,可以具体包括以下子模块:
时间间隔值计算子模块427,用于计算所述待评价事件报道的报道时间与所述热点事件标签的事件时间的时间间隔值;
时效特征值计算子模块428,用于采用所述时间间隔值和预设的时效衰减值,计算所述待评价事件报道的时效特征值。
可选地,所述时效特征值包括第一时效特征值和第二时效特征值,所述最大边缘相关值计算模块430,包括:
第一乘积计算子模块431,用于计算所述第一文本相似度与所述第一时效特征值的第一乘积;
第二乘积计算子模块432,用于计算所述第二文本相似度与所述第二时效特征值的第二乘积;
乘积差值计算子模块433,用于计算所述第一乘积与所述第二乘积的差值,作为所述最大边缘相关值。
可选地,所述报道聚合模块440,可以具体包括以下子模块:
报道排序子模块441,用于按照所述最大边缘相关值的大小,对所述多个事件报道进行排序;
第一报道聚合结果生成子模块442,用于将排序后的多个事件报道作为所述报道聚合结果。
可选地,所述报道聚合模块440,可以具体包括以下子模块:
事件报道提取子模块443,用于在所述多个事件报道中,提取出所述最大边缘相关值大于预设阈值的事件报道;
第二报道聚合结果生成子模块444,用于将提取出的事件报道作为所述报道聚合结果。
实施例五
本发明实施例五提供了一种移动终端,所述移动终端,可以包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述计算机程序被所述处理器执行时,可以实现上述方法实施例中任一所述信息处理方法的步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,处理器是移动终端的控制中心,利用各种接口和线路连接整个终端的各个部分,通过运行或执行存储在存储器内的软件程序和/或模块,以及调用存储在存储器内的数据,执行终端的各种功能和处理数据。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例六
本发明实施例六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上存储计算机程序,所述计算机程序被处理器执行时,可以实现上述方法实施例中任一所述信息处理方法的步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中,所述计算机***包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储***或任何其他非传输介质,可用于存储可以被计算***访问的信息。按照本文中的界定,计算机可读介质不包括非持续性的电脑可读媒体(transitory media),如调制的数据信号和载波。
本发明实施例是参照根据本发明实施例的方法、终端***(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端***的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端***的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端***以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端***上,使得在计算机或其他可编程终端***上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端***上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端***中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (18)
1.一种信息处理方法,其特征在于,所述方法包括:
获取热点事件标签和多个事件报道;
计算所述热点事件标签与所述多个事件报道的第一文本相似度,以及,计算所述多个事件报道之间的第二文本相似度,以及,获取所述多个事件报道的时效特征值;
根据所述第一文本相似度、所述第二文本相似度和所述时效特征值,计算所述多个事件报道的最大边缘相关值;
按照所述多个事件报道的最大边缘相关值聚合所述多个事件报道,得到报道聚合结果。
2.根据权利要求1所述的方法,其特征在于,所述热点事件标签具有对应的第一文本向量,所述计算所述热点事件标签与所述多个事件报道的第一文本相似度的步骤,包括:
从所述多个事件报道中选取待评价事件报道;
对所述待评价事件报道进行分词处理,得到多个报道分词文本;
计算所述多个报道分词文本的第二文本向量;
计算所述第一文本向量和所述第二文本向量的余弦值,作为所述第一文本相似度。
3.根据权利要求2所述的方法,其特征在于,所述事件报道具有N个,N个事件报道中包括M个已评价事件报道,0<M<N,所述已评价事件报道具有对应的第三文本向量,所述计算所述多个事件报道之间的第二文本相似度的步骤,包括:
计算所述待评价事件报道的第二文本向量与所述M个已评价事件报道的第三文本向量的M个余弦值;
在所述M个余弦值中提取最大余弦值,作为所述第二文本相似度。
4.根据权利要求2所述的方法,其特征在于,所述热点事件标签具有事件时间,所述事件报道具有报道时间,所述获取所述多个事件报道的时效特征值的步骤,包括:
计算所述待评价事件报道的报道时间与所述热点事件标签的事件时间的时间间隔值;
采用所述时间间隔值和预设的时效衰减值,计算所述待评价事件报道的时效特征值。
5.根据权利要求1所述的方法,其特征在于,所述时效特征值包括第一时效特征值和第二时效特征值,所述根据所述第一文本相似度、所述第二文本相似度和所述时效特征值,计算所述多个事件报道的最大边缘相关值的步骤,包括:
计算所述第一文本相似度与所述第一时效特征值的第一乘积;
计算所述第二文本相似度与所述第二时效特征值的第二乘积;
计算所述第一乘积与所述第二乘积的差值,作为所述最大边缘相关值。
6.根据权利要求1所述的方法,其特征在于,所述按照所述多个事件报道的最大边缘相关值聚合所述多个事件报道,得到报道聚合结果的步骤,包括:
按照所述最大边缘相关值的大小,对所述多个事件报道进行排序;
将排序后的多个事件报道作为所述报道聚合结果。
7.根据权利要求1所述的方法,其特征在于,所述按照所述多个事件报道的最大边缘相关值聚合所述多个事件报道,得到报道聚合结果的步骤,包括:
在所述多个事件报道中,提取出所述最大边缘相关值大于预设阈值的事件报道;
将提取出的事件报道作为所述报道聚合结果。
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:
当接收到用户针对所述热点事件标签的报道搜索请求,发送所述报道聚合结果至所述用户;或者
向用户推荐所述报道聚合结果。
9.一种信息处理装置,其特征在于,所述装置包括:
标签、报道获取模块,用于获取热点事件标签和多个事件报道;
文本相似度、时效特征值计算模块,用于计算所述热点事件标签与所述多个事件报道的第一文本相似度,以及,计算所述多个事件报道之间的第二文本相似度,以及,获取所述多个事件报道的时效特征值;
最大边缘相关值计算模块,用于根据所述第一文本相似度、所述第二文本相似度和所述时效特征值,计算所述多个事件报道的最大边缘相关值;
报道聚合模块,用于按照所述多个事件报道的最大边缘相关值聚合所述多个事件报道,得到报道聚合结果。
10.根据权利要求9所述的装置,其特征在于,所述热点事件标签具有对应的第一文本向量,所述文本相似度、时效特征值计算模块,包括:
待评价事件报道选取子模块,用于从所述多个事件报道中选取待评价事件报道;
分词处理子模块,用于对所述待评价事件报道进行分词处理,得到多个报道分词文本;
第二文本向量计算子模块,用于计算所述多个报道分词文本的第二文本向量;
第一文本相似度计算子模块,用于计算所述第一文本向量和所述第二文本向量的余弦值,作为所述第一文本相似度。
11.根据权利要求10所述的装置,其特征在于,所述事件报道具有N个,N个事件报道中包括M个已评价事件报道,0<M<N,所述已评价事件报道具有对应的第三文本向量,所述文本相似度、时效特征值计算模块,包括:
M个余弦值计算子模块,用于计算所述待评价事件报道的第二文本向量与所述M个已评价事件报道的第三文本向量的M个余弦值;
第二文本相似度提取子模块,用于在所述M个余弦值中提取最大余弦值,作为所述第二文本相似度。
12.根据权利要求10所述的装置,其特征在于,所述热点事件标签具有事件时间,所述事件报道具有报道时间,所述文本相似度、时效特征值计算模块,包括:
时间间隔值计算子模块,用于计算所述待评价事件报道的报道时间与所述热点事件标签的事件时间的时间间隔值;
时效特征值计算子模块,用于采用所述时间间隔值和预设的时效衰减值,计算所述待评价事件报道的时效特征值。
13.根据权利要求9所述的装置,其特征在于,所述时效特征值包括第一时效特征值和第二时效特征值,所述最大边缘相关值计算模块,包括:
第一乘积计算子模块,用于计算所述第一文本相似度与所述第一时效特征值的第一乘积;
第二乘积计算子模块,用于计算所述第二文本相似度与所述第二时效特征值的第二乘积;
乘积差值计算子模块,用于计算所述第一乘积与所述第二乘积的差值,作为所述最大边缘相关值。
14.根据权利要求9所述的装置,其特征在于,所述报道聚合模块,包括:
报道排序子模块,用于按照所述最大边缘相关值的大小,对所述多个事件报道进行排序;
第一报道聚合结果生成子模块,用于将排序后的多个事件报道作为所述报道聚合结果。
15.根据权利要求9所述的装置,其特征在于,所述报道聚合模块,包括:
事件报道提取子模块,用于在所述多个事件报道中,提取出所述最大边缘相关值大于预设阈值的事件报道;
第二报道聚合结果生成子模块,用于将提取出的事件报道作为所述报道聚合结果。
16.根据权利要求9所述的装置,其特征在于,所述装置还包括:
报道聚合结果发送模块,用于当接收到用户针对所述热点事件标签的报道搜索请求,发送所述报道聚合结果至所述用户;或者向用户推荐所述报道聚合结果。
17.一种移动终端,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时,实现上述权利要求1-8任一所述的信息处理方法。
18.一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上存储计算机程序,所述计算机程序被处理器执行时,实现上述权利要求1-8任一所述的信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810068768.0A CN108446296B (zh) | 2018-01-24 | 2018-01-24 | 一种信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810068768.0A CN108446296B (zh) | 2018-01-24 | 2018-01-24 | 一种信息处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446296A true CN108446296A (zh) | 2018-08-24 |
CN108446296B CN108446296B (zh) | 2021-10-15 |
Family
ID=63191142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810068768.0A Active CN108446296B (zh) | 2018-01-24 | 2018-01-24 | 一种信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446296B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918627A (zh) * | 2019-01-08 | 2019-06-21 | 平安科技(深圳)有限公司 | 文本生成方法、装置、电子设备及存储介质 |
CN110543914A (zh) * | 2019-09-04 | 2019-12-06 | 软通动力信息技术有限公司 | 一种事件数据的处理方法、装置、计算设备和介质 |
CN110929018A (zh) * | 2019-12-04 | 2020-03-27 | Oppo(重庆)智能科技有限公司 | 文本处理方法、装置、存储介质及电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101174273A (zh) * | 2007-12-04 | 2008-05-07 | 清华大学 | 基于元数据分析的新闻事件检测方法 |
JP4231298B2 (ja) * | 2003-01-14 | 2009-02-25 | 日本電信電話株式会社 | 情報抽出規則作成システム、情報抽出規則作成プログラム、情報抽出システム及び情報抽出プログラム |
US20120089599A1 (en) * | 2006-12-07 | 2012-04-12 | Google Inc. | Interleaving Search Results |
CN102929977A (zh) * | 2012-10-16 | 2013-02-13 | 浙江大学 | 一种面向新闻网站的事件跟踪方法 |
CN102937960A (zh) * | 2012-09-06 | 2013-02-20 | 北京邮电大学 | 突发事件热点话题的识别与评估装置和方法 |
CN103020159A (zh) * | 2012-11-26 | 2013-04-03 | 百度在线网络技术(北京)有限公司 | 一种面向事件的新闻展现方法和装置 |
CN103984757A (zh) * | 2014-05-29 | 2014-08-13 | 北京奇虎科技有限公司 | 在搜索结果页上***新闻信息条目的方法和*** |
CN104217033A (zh) * | 2014-09-29 | 2014-12-17 | 北京奇虎科技有限公司 | 基于时效性的搜索方法和装置 |
CN104915447A (zh) * | 2015-06-30 | 2015-09-16 | 北京奇艺世纪科技有限公司 | 一种热点话题追踪及关键词确定方法及装置 |
CN106776933A (zh) * | 2016-12-01 | 2017-05-31 | 厦门市美亚柏科信息股份有限公司 | 一种对相似事件信息进行分析聚合的处理方法及*** |
CN106874419A (zh) * | 2017-01-22 | 2017-06-20 | 北京航空航天大学 | 一种多粒度实时热点聚合方法 |
CN107038193A (zh) * | 2016-11-17 | 2017-08-11 | 阿里巴巴集团控股有限公司 | 一种文本信息的处理方法和装置 |
-
2018
- 2018-01-24 CN CN201810068768.0A patent/CN108446296B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4231298B2 (ja) * | 2003-01-14 | 2009-02-25 | 日本電信電話株式会社 | 情報抽出規則作成システム、情報抽出規則作成プログラム、情報抽出システム及び情報抽出プログラム |
US20120089599A1 (en) * | 2006-12-07 | 2012-04-12 | Google Inc. | Interleaving Search Results |
CN101174273A (zh) * | 2007-12-04 | 2008-05-07 | 清华大学 | 基于元数据分析的新闻事件检测方法 |
CN102937960A (zh) * | 2012-09-06 | 2013-02-20 | 北京邮电大学 | 突发事件热点话题的识别与评估装置和方法 |
CN102929977A (zh) * | 2012-10-16 | 2013-02-13 | 浙江大学 | 一种面向新闻网站的事件跟踪方法 |
CN103020159A (zh) * | 2012-11-26 | 2013-04-03 | 百度在线网络技术(北京)有限公司 | 一种面向事件的新闻展现方法和装置 |
CN103984757A (zh) * | 2014-05-29 | 2014-08-13 | 北京奇虎科技有限公司 | 在搜索结果页上***新闻信息条目的方法和*** |
CN104217033A (zh) * | 2014-09-29 | 2014-12-17 | 北京奇虎科技有限公司 | 基于时效性的搜索方法和装置 |
CN104915447A (zh) * | 2015-06-30 | 2015-09-16 | 北京奇艺世纪科技有限公司 | 一种热点话题追踪及关键词确定方法及装置 |
CN107038193A (zh) * | 2016-11-17 | 2017-08-11 | 阿里巴巴集团控股有限公司 | 一种文本信息的处理方法和装置 |
CN106776933A (zh) * | 2016-12-01 | 2017-05-31 | 厦门市美亚柏科信息股份有限公司 | 一种对相似事件信息进行分析聚合的处理方法及*** |
CN106874419A (zh) * | 2017-01-22 | 2017-06-20 | 北京航空航天大学 | 一种多粒度实时热点聚合方法 |
Non-Patent Citations (1)
Title |
---|
白庆祥: "《新闻论语》", 31 October 2002, 北京:北京广播学院出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918627A (zh) * | 2019-01-08 | 2019-06-21 | 平安科技(深圳)有限公司 | 文本生成方法、装置、电子设备及存储介质 |
CN109918627B (zh) * | 2019-01-08 | 2024-03-19 | 平安科技(深圳)有限公司 | 文本生成方法、装置、电子设备及存储介质 |
CN110543914A (zh) * | 2019-09-04 | 2019-12-06 | 软通动力信息技术有限公司 | 一种事件数据的处理方法、装置、计算设备和介质 |
CN110543914B (zh) * | 2019-09-04 | 2022-06-24 | 软通智慧信息技术有限公司 | 一种事件数据的处理方法、装置、计算设备和介质 |
CN110929018A (zh) * | 2019-12-04 | 2020-03-27 | Oppo(重庆)智能科技有限公司 | 文本处理方法、装置、存储介质及电子设备 |
CN110929018B (zh) * | 2019-12-04 | 2023-03-21 | Oppo(重庆)智能科技有限公司 | 文本处理方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108446296B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Reddy et al. | Content-based movie recommendation system using genre correlation | |
US9449271B2 (en) | Classifying resources using a deep network | |
CA2655196C (en) | System and method for generating a display of tags | |
Yu et al. | TIIREC: A tensor approach for tag-driven item recommendation with sparse user generated content | |
Jain et al. | Movie recommendation system: hybrid information filtering system | |
KR20140091530A (ko) | 소셜 네트워크 피쳐들을 갖는 이름 및 기타 검색 질의의 적합도 | |
Ricci | Recommender Systems: Models and Techniques. | |
Anand et al. | Folksonomy-based fuzzy user profiling for improved recommendations | |
Su et al. | Research on personalized recommendation algorithm based on ontological user interest model | |
Oliveira et al. | A recommendation approach for consuming linked open data | |
CN104123285B (zh) | 搜索结果的导航方法及装置 | |
Hamouda et al. | Put-tag: personalized user-centric tag recommendation for social bookmarking systems | |
CN108446296A (zh) | 一种信息处理方法及装置 | |
Rawat et al. | A comprehensive study on recommendation systems their issues and future research direction in e-learning domain | |
CN115329215A (zh) | 异构网络中基于自适应动态知识图谱的推荐方法及*** | |
Jay et al. | Review on web search personalization through semantic data | |
Lotfi et al. | A tool for study on impact of Big Data technologies on firm performance | |
Kolomvatsos et al. | An efficient recommendation system based on the optimal stopping theory | |
Loizou | How to recommend music to film buffs: enabling the provision of recommendations from multiple domains | |
Katiyar et al. | TagIT: a system for image auto-tagging and clustering | |
Sharma et al. | A trust-based architectural framework for collaborative filtering recommender system | |
CN113076453A (zh) | 域名分类方法、设备及计算机可读存储介质 | |
Chuanyan et al. | Neural graph filtering for context-aware recommendation | |
Han | [Retracted] Recommendation Algorithm of Web‐Based Learning Resources considering Timeliness and Popularity | |
Sammulal et al. | A personalized recommender system using conceptual dynamics |
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 |