CN110472155A - 基于知识图谱的协同推荐方法、装置、设备和存储介质 - Google Patents
基于知识图谱的协同推荐方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110472155A CN110472155A CN201910594137.7A CN201910594137A CN110472155A CN 110472155 A CN110472155 A CN 110472155A CN 201910594137 A CN201910594137 A CN 201910594137A CN 110472155 A CN110472155 A CN 110472155A
- Authority
- CN
- China
- Prior art keywords
- article
- target
- similarity
- preference
- score data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于知识图谱的协同推荐方法、装置、设备和存储介质，其中，协同推荐方法包括以下步骤：获取第一目标对物品的评分数据；对评分数据进行预处理；基于经预处理后的评分数据构建与所述物品相关的知识图谱，并获取物品标签；根据物品标签得到第一目标与其余目标之间的相似度；根据第一目标与其余目标之间的相似度得到相似目标，将相似目标的偏爱物品推荐给第一目标。相比于传统技术，本发明步骤简便，设计合理，在解决了冷启动问题的同时也无需专家标注，极大的减少了人力、时间成本，能够根据用户兴趣为其推荐符合喜好的物品。
Description
技术领域
本发明涉及计算机软件技术领域，尤其是基于知识图谱的协同推荐方法、装置、设备和存储介质。
背景技术
在大数据时代，人们往往陷入信息过载的困境，这时推荐***应运而生，并很快在音乐、电影、电子商务等领域成功地应用。推荐***能够准确的给用户推荐感兴趣的音乐、电影或商品，不仅帮助用户节省了很多时间，还高效地推销了产品，因此，推荐***得到了业界和学术界的广泛关注。目前，推荐***主要采用内容推荐方式和协同推荐方式，内容推荐方式通过将物品转化为内容向量然后计算其相似度，从而推荐与特定用户喜好类似的物品，但该方法需要专家标注，这将产生极大的人力、时间等成本；协同推荐方式存在冷启动问题。
发明内容
为了解决上述问题，本发明的目的是提供基于知识图谱的协同推荐方法、装置、设备和存储介质，在解决了冷启动问题的同时也无需专家标注，极大的减少了人力、时间成本，能够根据用户兴趣为其推荐符合喜好的物品。
为了弥补现有技术的不足，本发明实施例采用的技术方案是：
第一方面提供了基于知识图谱的协同推荐方法，包括以下步骤：
获取第一目标对物品的评分数据；
对评分数据进行预处理；
基于经预处理后的评分数据构建与所述物品相关的知识图谱，并获取物品标签；
根据物品标签得到第一目标与其余目标之间的相似度；
根据第一目标与其余目标之间的相似度得到相似目标，将相似目标的偏爱物品推荐给第一目标。
进一步地，所述的对评分数据进行预处理，包括以下步骤：
将物品的评分数据的属性设置为偏好程度依次递增的Q级评分属性；
滤除评分数据中属性缺失以及属性异常的数据；
将Q级评分属性转换为两级偏好属性，生成包含第一目标序号、物品名称和偏好属性的数据集。
进一步地，所述基于经预处理后的评分数据构建与所述物品相关的知识图谱，并获取物品标签，包括以下步骤：
采用Babelfy将物品与DBpedia进行链接，在链接过程中保留与数据集相关的内容，从而构建出与所述物品相关的知识图谱；
采用node2vec读取知识图谱，生成物品的标签向量。
进一步地，所述根据物品标签得到第一目标与其余目标之间的相似度，包括以下步骤：
从标签向量中筛选出目标偏好向量；
计算目标偏好向量间的余弦相似度，得到第一目标与其余目标之间的相似度。
进一步地，所述根据第一目标与其余目标之间的相似度得到相似目标，将相似目标的偏爱物品推荐给第一目标，包括以下步骤：
按照第一目标与其余目标之间的相似度，对其余目标按从大到小的顺序进行排序，筛选前n个目标；
计算第一目标对物品的偏好度，记为P(u,i)，
P(u,i)＝∑v∈Nsim(u,v)*P(v,i)
其中，u为第一目标，i为物品，N为n个目标的集合，sim(u,v)为第一目标u和目标v间的相似度，P(v,i)为目标v对物品i的偏好度；
将第一目标对物品的偏好度按从大到小的顺序排序，选取前M个物品推荐给第一目标。
进一步地，所述将Q级评分属性转换为两级偏好属性，包括以下步骤：
将第1至第Q1级的评分属性均转换为表示不喜欢的偏好属性，以及将除第1至第Q1级外的评分属性均转换为表示喜欢的偏好属性；其中，Q1小于或等于Q。
第二方面提供了基于知识图谱的协同推荐装置，包括：
获取单元，用于获取第一目标对物品的评分数据；
处理单元，用于对评分数据进行预处理；
构建单元，用于基于经预处理后的评分数据构建与所述物品相关的知识图谱，并获取物品标签；
计算单元，用于根据物品标签得到第一目标与其余目标之间的相似度；
推荐单元，用于根据第一目标与其余目标之间的相似度得到相似目标，将相似目标的偏爱物品推荐给第一目标。
第三方面提供了基于知识图谱的协同推荐设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行上述任一项所述的基于知识图谱的协同推荐方法。
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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述任一项所述的基于知识图谱的协同推荐方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下有益效果：通过获取第一目标(即选定的某用户)对物品的评分数据，可以得知该目标的兴趣，然后将评分数据与对应物品的知识图谱挂钩，该方式可以取代传统技术中单一分析评分数据的所带来的冷启动弊端，从而挖掘出知识图谱转给你物品的实际特征，藉此跟好地了解各目标的多维度特征，并通过比较相似度来得出与第一目标的偏好相类似的其余目标，以便于获取其余目标的偏好物品并将其方便地推荐给第一目标，由于相似度间的相近比较是客观明显的，因此该过程无需专家标注，更加简便。因此，本发明步骤简便，设计合理，在解决了冷启动问题的同时也无需专家标注，极大的减少了人力、时间成本，能够根据用户兴趣为其推荐符合喜好的物品。
附图说明
下面结合附图给出本发明较佳实施例，以详细说明本发明的实施方案。
图1是本发明实施例的基于知识图谱的协同推荐方法的步骤流程图；
图2是本发明实施例的基于知识图谱的协同推荐方法的程序运行流程图；
图3是本发明实施例的基于知识图谱的协同推荐装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在***示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于***中的模块划分，或流程图中的顺序执行所示出或描述的步骤。
下面结合附图，对本发明实施例作进一步阐述。
参照图1和图2，本发明实施例提供了基于知识图谱的协同推荐方法，包括以下步骤：
S100、获取第一目标对物品的评分数据；
S200、对评分数据进行预处理；
S300、基于经预处理后的评分数据构建与所述物品相关的知识图谱，并获取物品标签；
S400、根据物品标签得到第一目标与其余目标之间的相似度；
S500、根据第一目标与其余目标之间的相似度得到相似目标，将相似目标的偏爱物品推荐给第一目标。
在本实施例中，物品指的是音乐、电影或商品等具有用户偏好区别的特定物；第一目标即选定的某用户，获取第一目标对物品的评分数据，可以通过该用户的搜索记录或是从后台数据库中调取等方式来获得，这均是本领域人员所熟知的，并不限定；通过获取第一目标对物品的评分数据，可以得知该目标的兴趣，然后将评分数据与对应物品的知识图谱挂钩，该方式可以取代传统技术中单一分析评分数据的所带来的冷启动弊端，从而挖掘出知识图谱转给你物品的实际特征，藉此跟好地了解各目标的多维度特征，并通过比较相似度来得出与第一目标的偏好相类似的其余目标，以便于获取其余目标的偏好物品并将其方便地推荐给第一目标，由于相似度间的相近比较是客观明显的，因此该过程无需专家标注，更加简便。因此，本发明步骤简便，设计合理，在解决了冷启动问题的同时也无需专家标注，极大的减少了人力、时间成本，能够根据用户兴趣为其推荐符合喜好的物品。
本发明另一实施例还提供了基于知识图谱的协同推荐方法，其中，所述的对评分数据进行预处理，包括以下步骤：
S201、将物品的评分数据的属性设置为偏好程度依次递增的Q级评分属性；
S202、滤除评分数据中属性缺失以及属性异常的数据；
S203、将Q级评分属性转换为两级偏好属性，生成包含第一目标序号、物品名称和偏好属性的数据集。
在本实施例中，评分属性设置为偏好程度依次递增，可以很好地区分出目标对不同物品的偏好程度；对评分数据中属性缺失以及属性异常的数据进行滤除，保证了数据集中所涉及到的数据具有较高的准确性，因此能够真实反映目标的偏好；设置偏好属性，可以将评分属性进行进一步地细分，这样在创立数据集的时候会更加简便，所述的Q一般为5。
本发明另一实施例还提供了基于知识图谱的协同推荐方法，其中，所述基于经预处理后的评分数据构建与所述物品相关的知识图谱，并获取物品标签，包括以下步骤：
S301、采用Babelfy将物品与DBpedia进行链接，在链接过程中保留与数据集相关的内容，从而构建出与所述物品相关的知识图谱；
S302、采用node2vec读取知识图谱，生成物品的标签向量。
在本实施例中，Babelfy是一种现有技术，其是一个多语词汇语义网络和本体，可以将***链接到最常用的英语计算词典WordNet，这种链接整合以自动映射的方式完成；对于资源匮乏的语言所存在的词汇空缺，借助于统计机器翻译来补充，所获得的结果是一个百科词典，提供了多种语言的概念和命名实体，并包含了它们之间的丰富的语义关系；DBpedia作为一种现有技术，是一个特殊的语义网应用范例，它从***的词条里撷取出结构化的资料，以强化***的搜寻功能，并将其他资料集连结至***；node2vec是现有技术中的一种对网络中的节点学习连续特征表达的框架。
因此，采用Babelfy将物品与DBpedia进行链接，能够将物品的信息进一步地扩充完善，从而可根据数据集构建出与所述物品相关的知识图谱，知识图谱与物品之间的关联性强，匹配准确程度较高；并且，采用node2vec读取知识图谱，能够读取物品的整体特征，从而对应生成物品的标签向量，标签向量可用于计算、表征物品。
本发明另一实施例还提供了基于知识图谱的协同推荐方法，其中，所述根据物品标签得到第一目标与其余目标之间的相似度，包括以下步骤：
S401、从标签向量中筛选出目标偏好向量；
S402、计算目标偏好向量间的余弦相似度，得到第一目标与其余目标之间的相似度。
在本实施例中，从标签向量中筛选出目标偏好向量可依据目标偏好来进行，即目标偏好所对应的即为标签向量中的目标偏好向量；计算余弦相似度是本领域的现有技术，不作赘述，以余弦相似度作为第一目标与其余目标之间的相似度，计算方便，具有较高的准确性。
本发明另一实施例还提供了基于知识图谱的协同推荐方法，其中，所述根据第一目标与其余目标之间的相似度得到相似目标，将相似目标的偏爱物品推荐给第一目标，包括以下步骤：
S501、按照第一目标与其余目标之间的相似度，对其余目标按从大到小的顺序进行排序，筛选前n个目标；
S502、计算第一目标对物品的偏好度，记为P(u,i)，
P(u,i)＝∑v∈Nsim(u,v)*P(v,i)
其中，u为第一目标，i为物品，N为n个目标的集合，sim(u,v)为第一目标u和目标v间的相似度，P(v,i)为目标v对物品i的偏好度；
S503、将第一目标对物品的偏好度按从大到小的顺序排序，选取前M个物品推荐给第一目标。
在本实施例中，n的大小由目标总体规模所决定，M由第一目标所偏好的物品数量所决定；在计算第一目标对物品的偏好度时，考虑了目标之间的相似度和其他目标对物品的偏好度的因素影响，获得的结果更加准确；在得到第一目标对物品的偏好度后，进行排序，以便于选出偏好度靠前的若干物品来推荐给第一目标，非常方便。
本发明另一实施例还提供了基于知识图谱的协同推荐方法，其中，所述将Q级评分属性转换为两级偏好属性，包括以下步骤：
将第1至第Q1级的评分属性均转换为表示不喜欢的偏好属性，以及将除第1至第Q1级外的评分属性均转换为表示喜欢的偏好属性；其中，Q1小于或等于Q。
在本实施例中，Q可自行设置，比如，将其一般设置为5，第1至第3级转换为不喜欢的偏好属性，那么第4至第5级则转换为喜欢的偏好属性，通过这样的转换，可以将评分属性优化为简单的偏好属性，使得在制作数据表时，能够更加鲜明地体现目标对物品的偏好特性，有利于帮助构建知识图谱。
参照图3，本发明另一实施例还提供了基于知识图谱的协同推荐装置，包括：
获取单元1，用于获取第一目标对物品的评分数据；
处理单元2，用于对评分数据进行预处理；
构建单元3，用于基于经预处理后的评分数据构建与所述物品相关的知识图谱，并获取物品标签；
计算单元4，用于根据物品标签得到第一目标与其余目标之间的相似度；
推荐单元5，用于根据第一目标与其余目标之间的相似度得到相似目标，将相似目标的偏爱物品推荐给第一目标。
在本实施例中，需要说明的是，由于本实施例中的基于知识图谱的协同推荐装置与上述的基于知识图谱的协同推荐方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
本发明另一实施例还提供了基于知识图谱的协同推荐设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行上述任一实施例所述的基于知识图谱的协同推荐方法。
本发明另一实施例还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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述任一实施例所述的基于知识图谱的协同推荐方法。
以上内容对本发明的较佳实施例和基本原理作了详细论述，但本发明并不局限于上述实施方式，熟悉本领域的技术人员应该了解在不违背本发明精神的前提下还会有各种等同变形和替换，这些等同变形和替换都落入要求保护的本发明范围内。
Claims (9)
1.基于知识图谱的协同推荐方法，其特征在于，包括以下步骤：
获取第一目标对物品的评分数据；
对评分数据进行预处理；
基于经预处理后的评分数据构建与所述物品相关的知识图谱，并获取物品标签；
根据物品标签得到第一目标与其余目标之间的相似度；
根据第一目标与其余目标之间的相似度得到相似目标，将相似目标的偏爱物品推荐给第一目标。
2.根据权利要求1所述的基于知识图谱的协同推荐方法，其特征在于，所述的对评分数据进行预处理，包括以下步骤：
将物品的评分数据的属性设置为偏好程度依次递增的Q级评分属性；
滤除评分数据中属性缺失以及属性异常的数据；
将Q级评分属性转换为两级偏好属性，生成包含第一目标序号、物品名称和偏好属性的数据集。
3.根据权利要求2所述的基于知识图谱的协同推荐方法，其特征在于，所述基于经预处理后的评分数据构建与所述物品相关的知识图谱，并获取物品标签，包括以下步骤：
采用Babelfy将物品与DBpedia进行链接，在链接过程中保留与数据集相关的内容，从而构建出与所述物品相关的知识图谱；
采用node2vec读取知识图谱，生成物品的标签向量。
4.根据权利要求3所述的基于知识图谱的协同推荐方法，其特征在于，所述根据物品标签得到第一目标与其余目标之间的相似度，包括以下步骤：
从标签向量中筛选出目标偏好向量；
计算目标偏好向量间的余弦相似度，得到第一目标与其余目标之间的相似度。
5.根据权利要求1或4所述的基于知识图谱的协同推荐方法，其特征在于，所述根据第一目标与其余目标之间的相似度得到相似目标，将相似目标的偏爱物品推荐给第一目标，包括以下步骤：
按照第一目标与其余目标之间的相似度，对其余目标按从大到小的顺序进行排序，筛选前n个目标；
计算第一目标对物品的偏好度，记为P(u,i)，
P(u,i)＝∑v∈Nsim(u,v)*P(v,i)
其中，u为第一目标，i为物品，N为n个目标的集合，sim(u,v)为第一目标u和目标v间的相似度，P(v,i)为目标v对物品i的偏好度；
将第一目标对物品的偏好度按从大到小的顺序排序，选取前M个物品推荐给第一目标。
6.根据权利要求2或3所述的基于知识图谱的协同推荐方法，其特征在于，所述将Q级评分属性转换为两级偏好属性，包括以下步骤：
将第1至第Q1级的评分属性均转换为表示不喜欢的偏好属性，以及将除第1至第Q1级外的评分属性均转换为表示喜欢的偏好属性；其中，Q1小于或等于Q。
7.基于知识图谱的协同推荐装置，其特征在于，包括：
获取单元，用于获取第一目标对物品的评分数据；
处理单元，用于对评分数据进行预处理；
构建单元，用于基于经预处理后的评分数据构建与所述物品相关的知识图谱，并获取物品标签；
计算单元，用于根据物品标签得到第一目标与其余目标之间的相似度；
推荐单元，用于根据第一目标与其余目标之间的相似度得到相似目标，将相似目标的偏爱物品推荐给第一目标。
8.基于知识图谱的协同推荐设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1-6任一项所述的基于知识图谱的协同推荐方法。
9.一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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述的基于知识图谱的协同推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910594137.7A CN110472155A (zh) | 2019-07-03 | 2019-07-03 | 基于知识图谱的协同推荐方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910594137.7A CN110472155A (zh) | 2019-07-03 | 2019-07-03 | 基于知识图谱的协同推荐方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110472155A true CN110472155A (zh) | 2019-11-19 |
Family
ID=68507276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910594137.7A Pending CN110472155A (zh) | 2019-07-03 | 2019-07-03 | 基于知识图谱的协同推荐方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110472155A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111651678A (zh) * | 2020-06-18 | 2020-09-11 | 达而观信息科技（上海）有限公司 | 一种基于知识图谱的个性化推荐方法 |
| CN111915409A (zh) * | 2020-08-11 | 2020-11-10 | 深圳墨世科技有限公司 | 基于物品的物品推荐方法、装置、设备及存储介质 |
| CN113312854A (zh) * | 2021-07-19 | 2021-08-27 | 成都数之联科技有限公司 | 选型推荐方法、装置、电子设备和可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273490A (zh) * | 2017-06-14 | 2017-10-20 | 北京工业大学 | 一种基于知识图谱的组合错题推荐方法 |
| CN109189944A (zh) * | 2018-09-27 | 2019-01-11 | 桂林电子科技大学 | 基于用户正负反馈画像编码的个性化景点推荐方法及*** |
| CN109919728A (zh) * | 2019-03-12 | 2019-06-21 | 贵州大学 | 一种微商城的商品推荐方法 |
-
2019
- 2019-07-03 CN CN201910594137.7A patent/CN110472155A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273490A (zh) * | 2017-06-14 | 2017-10-20 | 北京工业大学 | 一种基于知识图谱的组合错题推荐方法 |
| CN109189944A (zh) * | 2018-09-27 | 2019-01-11 | 桂林电子科技大学 | 基于用户正负反馈画像编码的个性化景点推荐方法及*** |
| CN109919728A (zh) * | 2019-03-12 | 2019-06-21 | 贵州大学 | 一种微商城的商品推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| (加)阿塔夫·法辛达: "社交媒体自然语言处理", 北京：中国宇航出版社 , pages: 74 - 79 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111651678A (zh) * | 2020-06-18 | 2020-09-11 | 达而观信息科技（上海）有限公司 | 一种基于知识图谱的个性化推荐方法 |
| CN111651678B (zh) * | 2020-06-18 | 2023-12-22 | 达观数据有限公司 | 一种基于知识图谱的个性化推荐方法 |
| CN111915409A (zh) * | 2020-08-11 | 2020-11-10 | 深圳墨世科技有限公司 | 基于物品的物品推荐方法、装置、设备及存储介质 |
| CN111915409B (zh) * | 2020-08-11 | 2023-08-04 | 深圳墨世科技有限公司 | 基于物品的物品推荐方法、装置、设备及存储介质 |
| CN113312854A (zh) * | 2021-07-19 | 2021-08-27 | 成都数之联科技有限公司 | 选型推荐方法、装置、电子设备和可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107220365B (zh) | 基于协同过滤与关联规则并行处理的精准推荐***及方法 | |
| US9183281B2 (en) | Context-based document unit recommendation for sensemaking tasks | |
| US8706674B2 (en) | Media tag recommendation technologies | |
| Lin et al. | Continuous improvement of knowledge management systems using Six Sigma methodology | |
| JP4637969B1 (ja) | ウェブページの主意，およびユーザの嗜好を適切に把握して，最善の情報をリアルタイムに推奨する方法 | |
| US20100281009A1 (en) | Hierarchical conditional random fields for web extraction | |
| US8874581B2 (en) | Employing topic models for semantic class mining | |
| US9323834B2 (en) | Semantic and contextual searching of knowledge repositories | |
| CN111291765A (zh) | 用于确定相似图片的方法和装置 | |
| CN110472155A (zh) | 基于知识图谱的协同推荐方法、装置、设备和存储介质 | |
| CN114547072A (zh) | 自然语言查询转换sql方法、***、设备及存储介质 | |
| Jirkovský et al. | Semantic Heterogeneity Reduction for Big Data in Industrial Automation. | |
| CN112507139B (zh) | 基于知识图谱的问答方法、***、设备及存储介质 | |
| CN112699232A (zh) | 文本标签提取方法、装置、设备和存储介质 | |
| Wong et al. | Learning to extract and summarize hot item features from multiple auction web sites | |
| CA3051919C (en) | Machine learning (ml) based expansion of a data set | |
| CN110489613B (zh) | 协同可视数据推荐方法及装置 | |
| CN117235281A (zh) | 基于知识图谱技术的多元数据管理方法及*** | |
| KR20120047622A (ko) | 디지털 콘텐츠 관리 시스템 및 방법 | |
| Khatter et al. | Web scraping based product comparison model for E-commerce websites | |
| Jannach et al. | Automated ontology instantiation from tabular web sources—the AllRight system | |
| CN116628303A (zh) | 一种基于提示学习的半结构化网页属性值抽取方法和*** | |
| US20230126022A1 (en) | Automatically determining table locations and table cell types | |
| Nugumanova et al. | Qurma: A table extraction pipeline for knowledge base population | |
| US20220156285A1 (en) | Data Tagging And Synchronisation 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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |