CN111738532B - 一种事件对对象影响度的获取方法和*** - Google Patents
一种事件对对象影响度的获取方法和*** Download PDFInfo
- Publication number
- CN111738532B CN111738532B CN202010817707.7A CN202010817707A CN111738532B CN 111738532 B CN111738532 B CN 111738532B CN 202010817707 A CN202010817707 A CN 202010817707A CN 111738532 B CN111738532 B CN 111738532B
- Authority
- CN
- China
- Prior art keywords
- event
- news
- nodes
- node
- target event
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Technology Law (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例公开了一种事件对对象影响度的获取方法和***,其包括:获取目标事件;将所述目标事件加入事件图谱中,并将所述目标事件对应的事件节点与所述事件图谱中至少一个描述节点关联,获得更新后的事件图谱;所述事件图谱包括多个节点以及节点之间的边权;所述节点包括事件节点、对象节点以及描述节点;在所述更新后的事件图谱中选取与所述目标事件对应的事件节点的关联路径不超过预设长度的对象节点,作为候选对象节点;利用影响度预测模型至少基于所述目标事件与各候选节点对应的候选对象,获得所述目标事件对各候选对象的影响度预测值。
Description
技术领域
本说明书涉及人工智能领域,特别涉及一种事件对对象影响度的获取方法和***。
背景技术
在互联网中,针对不同领域,每天会出现大量的新闻或事件,用户如何从众多事件中筛选对自己有价值或者会产生影响的事件是一个难题。
为了便于对事件进行监控和分析,将一类受关注程度高、影响程度大的事件称为热点事件,以通过分析热点事件来预测其将会产生的影响。
发明内容
本说明书实施例之一提供一种事件对对象影响度的获取方法,其包括:获取目标事件;将所述目标事件加入事件图谱中,并将所述目标事件对应的事件节点与所述事件图谱中至少一个描述节点关联,获得更新后的事件图谱;所述事件图谱包括多个节点以及节点之间的边权;所述节点包括事件节点、对象节点以及描述节点;在所述更新后的事件图谱中选取与所述目标事件对应的事件节点的关联路径不超过预设长度的对象节点,作为候选对象节点;利用影响度预测模型至少基于所述目标事件与各候选节点对应的候选对象,获得所述目标事件对各候选对象的影响度预测值。
本说明书实施例之一提供还一种事件对对象影响度的获取***,其包括:目标事件获取模块,用于获取目标事件;图谱更新模块,用于将所述目标事件加入事件图谱中,并将所述目标事件对应的事件节点与所述事件图谱中至少一个描述节点关联,获得更新后的事件图谱;所述事件图谱包括多个节点以及节点之间的边权;所述节点包括事件节点、对象节点以及描述节点;候选对象获取模块,用于在所述更新后的事件图谱中选取与所述目标事件对应的事件节点的关联路径不超过预设长度的对象节点,作为候选对象节点;影响度获取模块,用于利用影响度预测模型至少基于所述目标事件与各候选节点对应的候选对象,获得所述目标事件对各候选对象的影响度预测值。
本说明书实施例之一提供还一种事件对对象影响度的获取装置,其中,包括处理器以及存储介质,所述存储介质用于存储计算机指令,所述处理器用于执行所述计算机指令中的至少一部分以实现上述的方法。
本说明书实施例之一提供还一种对象推荐方法,其包括:获取目标事件;将所述目标事件加入事件图谱中,并将所述目标事件对应的事件节点与所述事件图谱中至少一个描述节点关联,获得更新后的事件图谱;所述事件图谱包括多个节点以及节点之间的边权;所述节点包括事件节点、对象节点以及描述节点;在所述更新后的事件图谱中选取与所述目标事件对应的事件节点的关联路径不超过预设长度的对象节点,作为候选对象节点;利用影响度预测模型至少基于所述目标事件与各候选节点对应的候选对象,获得所述目标事件对各候选对象的影响度预测值;基于所述目标事件对各候选对象的影响度预测值,确定是否向用户推荐对应的候选对象。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的事件图谱的示意图;
图2是根据本说明书一些实施例所示的事件对对象影响度的获取方法的示例性流程图;
图3是根据本说明书一些实施例所示的获取目标事件的示例性流程图;
图4是根据本说明书一些实施例所示的影响度预测模型获取影响值的示意图;
图5是根据本说明书一些实施例所示的一种事件对对象影响度的获取***的示例性***框图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
人们的生产生活领域,常常遇到需要向用户进行对象推荐的场景。其中,用户可以是各类服务平台的用户。对象可以是各个服务平台提供给用户的各种类型的产品,例如,各类商品或服务。随着网络的发达,越来越多的信息能够被公众高效的获知。这些信息对于对象推荐具有不可忽视的情报价值。例如,某领域发生的某些事件,会影响对象价值的涨跌,进而影响用户对不同对象的预期。如果能够基于这些事件对对象的影响,向用户进行推荐,将更加有益于用户体验的提升以及服务平台的收益。
以金融市场为例,人们的生产、生活领域每天出现大量的新闻或者事件,对金融产品(即对象)的价值有着不可忽视的影响,投资者如何从众多事件中筛选对自己有投资参考的事件是个难题。事件的类型复杂多样,以及事件不断发酵和演化,想要对所有事件进行完备的分析,需要领域专家进行分析。但专家分析效率较低,对于新出现的热点,在海量新闻中专家可能也需要一定的时间进行分析,导致了评价的延后。
本说明书实施例通过构造事件图谱,并基于事件图谱以及人工智能技术对目标事件(如热点事件)进行监控和影响分析,从海量事件中快速找出对某些对象影响较大的事件,以及影响程度,并基于影响程度向用户提供咨询服务或者进行对象推荐。
图1是根据本说明书一些实施例所示的事件图谱的示意图。
如图1所示,事件图谱中可以包括多个点(节点)和边(边权),其中节点可以表示实体信息,如公司、事件、行业、时间、产品等,边权表示实体之间的联系。
在一些实施例中,节点所代表的实体信息根据类型可以进行分类,如可以分类为事件节点、对象节点以及描述节点。事件节点对应在人们日常生活或生产领域发生的事件,仅作为示例,公司A并购了公司B,或者区域C发生了地质灾害,又或者国家出台新的xx领域的调控政策等等,事件可以通过一个或多个新闻、消息等报道或记录。对象节点可以是待推荐的对象(如商品或服务)对应的节点,如在金融市场内,对象可以是金融产品,具体的,金融产品根据其实际需要可以细化为基金产品、股票产品等;描述节点包括事件图谱中除事件节点和对象节点之外的其他实体对应的节点。这类实体可以看作是事件和/或对象的特征描述或要素组成,例如,时间、地点、行业类型、行情状态、用户评价等等。在其他实施例中,节点的分类方式还可以根据其实际处理场景进行调整,如处理时间敏感性事件时,可以将时间节点单独作为一类,本说明书对此不作任何限制。
节点之间的边权可以表示两个节点之间的关联。在一些实施例中,可以基于事件图谱中实体之间的关系确定边权,继续采用金融市场作为示例,比如可以基于理财产品相关的公司、行业,以及理财产品本身的类型、投资领域、行情变化、评价等属性建立起对象节点与描述节点之间的边权,边权的形式可以包括0或1,以体现有或无,此外边权还可以是0~1之间的数值,以进一步表现关系的强弱,如根据事件涉及不同行业主体(人、公司等)和/或客体(产品等)的比例,该事件节点与不同的“行业”描述节点之间的边权可以是大小不等的0~1之间的数值。需要说明的是,在一些实施例中,边权的取值还可以根据实际的应用场景取其他值,如边权可以是负数,也可以大于1。
在一些实施例中,事件图谱可以是动态变化的,当新的事件、对象、描述实体或关系出现时,可以将其表示为节点和边权的形式添加至事件图谱中,形成新的事件图谱。
图2是根据本说明书一些实施例所示的事件对对象影响度的获取方法的示例性流程图。
如图2所示,该方法200包括以下步骤:
步骤210,获取目标事件。在一些实施例中,步骤210可以由目标事件获取模块510执行。
在一些实施例中,目标事件可以是任意待考察或关注或分析的事件,在一些实施例中,目标事件可以是受关注度较高的热点事件,可以理解的是,事件可以通过多个新闻或消息等报道或记录,因此可以从大量新闻中确定目标事件。仅作为示例,在一些实施例中,目标事件可以是“某境外汽车企业在中国建厂”,该目标事件可能被多个新闻报道,如标题为“某车企将工厂选址上海”、“某车企在华建厂,释放哪些信号”等的新闻。
在一些实施例中,可以基于关注度或热度决定某事件是否可以作为目标事件。不难理解,随着时间的变化,事件热度也会发生变化,如某事件进一步发酵,导致热度上升,或随时间流逝导致该事件的热度下降等。在一些实施例中,可以大量获取新闻,然后利用聚类算法将大量新闻聚类成多个类簇,每个新闻类簇中的新闻具有较高的相似度,可以认为是针对同一个事件的报道。基于各个新闻类簇中新闻的热度,从多个新闻类簇中选出一个或多个,并将其对应的事件作为目标事件。关于目标事件获取的更多介绍,可以参见图3的相关说明。
步骤220,将所述目标事件加入事件图谱中,并将所述目标事件对应的事件节点与所述事件图谱中至少一个描述节点关联,获得更新后的事件图谱。在一些实施例中,步骤220可以由图谱更新模块520执行。
获得目标事件后,可以在事件图谱中生成对应该目标事件的事件节点,除此之外,还可以基于该事件的描述内容将该事件节点与事件图谱中至少一个描述节点进行关联。
仅作为示例,可以提取目标事件中的描述实体,例如通过命名实体识别技术从目标事件对应的新闻文本中抽取出相关的实体作为所述描述实体。在一些实施例中,目标事件的描述实体可以包括该事件的特征描述或者要素组成,其形式可以是词语、词组、短语等。例如,该事件所属的行业、涉及的公司和发生的地域等。将目标事件的事件节点加入到事件图谱后,可以基于所述描述实体,将事件图谱中的一个或多个描述节点与所述事件节点建立关联。例如,将事件图谱中被所述目标事件的描述实体包含的描述节点(每个描述节点对应一个描述实体)与所述事件节点建立边权,或者将事件图谱中与所述目标事件的描述实体相似度大于设定阈值的描述节点与所述事件节点建立边权。
在一些实施例中,在目标事件对应的事件节点与所述某些描述节点之间建立边权可以是0~1内的取值。仅作为示例,当目标事件的描述实体包括事件图谱中的某些描述节点对应的描述实体时,可以将边权设为1,当目标事件的描述实体与事件图谱中的某些描述节点对应的描述实体相似时,则可以利用两描述实体之间的相似度确定边权,如,当相似度大于第二阈值时,在目标事件的事件节点与事件图谱中的相应的描述节点之间建立边权,边权与相似度正相关;当相似度不满足第二阈值条件时,则认为两描述实体之间的关联较小不足以建立边权。可以理解,边权为0等同于两节点之间没有边权。在一些实施例中,还可以基于已有的专家分析,确定目标事件对应的事件节点与事件图谱中对象节点的边权。例如,根据专家分析,目标事件对某对象存在影响,则可将边权设为1,又或者专家分析结果以影响分值的形式表现,则可基于影响分值将边权设为0~1之前的数值。
在一些实施例中,可以通过机器学习模型确定事件节点与描述节点之间的边权。例如,可以将目标事件对应的新闻文本以及事件图谱中的描述节点对应的描述实体输入到关联度预测模型中,获得新闻文本与描述实体间的关联度。模型输出的关联度可以是分值或概率值等,在一些实施例中,可以将分值或概率值进一步转化为边权。所述边权可以与关联度正相关。所述机器学习模型可以是Bert模型等。
步骤230,在所述更新后的事件图谱中选取与所述目标事件对应的事件节点的关联路径不超过预设长度的对象节点,作为候选对象节点。在一些实施例中,步骤230可以由候选对象获取模块530执行。
在一些实施例中,由于事件图谱包括多个节点以及节点之间的边权,在两个节点之间有直接关联时,两个节点由一个边权(或一条边)连接;在两个节点之间存在间接关系等情况下,两个节点可能是经由多个边权(或多条边)以及一个或多个节点建立连接。在一些实施例中,可以将事件图谱中节点A到达节点B所经过的边和节点作为节点A与节点B之间的路径,在一些实施例中,节点A到达节点B的路径可以有多条,可以将其中包含最少边和节点的路径作为关联路径。
在一些实施例中,可以将关联路径上的所有边权(或边)的数量作为关联路径的长度值,该长度值在一定程度上能够反映出该事件对对象的影响程度,且该影响程度与长度值负相关。
参考图4,以图中事件图谱作为示例,其中热点事件A与公司A之间的路径有一个边权,公司A分别和理财产品A和行业B之间的路径有一个边权,行业B与理财产品A之间的路径有一个边权,显然热点事件A和理财产品A之间至少有两条路径能够建立连接,其中:
路径A:热点事件A-公司A-理财产品A,路径中边权的和为2;
路径B:热点事件A-公司A-行业B-理财产品A,路径中边权的和为3;
因此,可以将路径A作为关联路径。
在一些实施例中,可以设置预设长度阈值,将与目标事件的事件节点关联的多个对象节点进行筛选,获得有目标事件可能对其具有一定影响的候选对象节点。假设预设长度为3,即与所述目标事件(热点事件)对应的事件节点的关联路径长度不超过3的所有对象节点作为候选对象节点。例如热点事件A对应的事件节点有3个相关的对象节点,对象节点分别理财产品A、理财产品B、理财产品C,事件节点与对象节点之间的关联路径长度分别为2、3、5,此时,由于预设长度为3,即选取理财产品A和理财产品B所对应的两个对象节点作为候选对象节点。
步骤240,利用影响度预测模型至少基于所述目标事件与各候选节点对应的候选对象,获得所述目标事件对各候选对象的影响度预测值。在一些实施例中,步骤240可以由影响度获取模块540执行。
在一些其他实施例中,基于所述目标事件与各候选节点对应的候选对象获取影响度预测值的方式可以获取目标事件与候选节点的向量表示,然后采用距离计算模型(如欧几里得距离、曼哈顿距离、余弦相似度等)计算目标事件与各候选节点对应的候选对象之间的距离,距离越小,代表两者的关联度越高,即影响度预测值越大。
在一些实施例中,可以利用影响度预测模型获得所述目标事件对各候选对象的影响度预测值。所述影响度预测模型可以包括图卷积神经网络(GCN)模型。具体的,利用影响度预测模型处理所述更新后的事件图谱,获得所述更新后的事件图谱中各节点的节点向量表示以及节点间的边权向量表示。针对每一个候选对象节点,利用所述目标事件对应的节点向量表示、该候选对象节点的节点向量表示以及两者之间的边权向量表示进行运算,获得所述目标事件对该候选对象的影响度预测值。
在一些实施例中,影响度预测值可以通过以下公式计算:
公式(1)中,表示目标事件对应的节点向量,可以表示为1*N的行向量;表示候选对象节点的节点向量,可以表示为1*N的行向量;表示前述两者之间的边权矩阵,可以表示为N*N的对角矩阵,对角线上的元素为边权向量中的元素,其中边权向量为1*N的行向量;T表示对向量转置,转置后向量形式为N*1的列向量。根据矩阵运算知识可知,公式(1)中进行矩阵乘法得到的影响度预测值W为一个数值,其数值的大小可以表示目标事件对候选对象节点代表的对象影响的大小。
在一些实施例中,图卷积神经网络可以是关系图卷积神经网络(R-GCN),关系图卷积神经网络相较于图卷积神经网络更加关注图形中的边,即更加注重节点之间的关系,因此在一些实施例中具有更好的效果。
除了采用图卷积神经网络模型作为影响度预测模型外,还可以采用其他类型的机器学习模型作为影响度预测模型。例如,决策树模型或逻辑回归模型等。在一些实施例中,对于每一个候选对象可以获取所述目标事件的特征信息以及该候选对象的特征信息;利用影响度预测模型处理所述目标事件的特征信息以及该候选对象的特征信息,获得所述目标事件对该候选对象的影响度预测值。其中,目标事件的特征信息以及候选对象的特征信息可以基于事件图谱中与两者分别关联的描述节点对应的描述实体表征。在一些实施例中,也可以采用特征工程,为目标事件和候选对象分别选择适于机器学习模型处理的特征信息。
在一些实施例中,可以将历史目标事件以及各对象组成训练样本,对影响度预测模型进行训练。其中,历史目标事件与对象的特征信息可以作为模型的输入数据,两者之间是否真实的存在影响作为标签。标签数据可以由专家知识得到,例如分析专家基于历史目标事件的特点以及对象价值的涨幅等信息,判断历史目标事件是否对对象有影响。当存在影响时,标签数据为1,反之为0。
本说明书的一些实施例中,还提供了一种对象推荐方法,该对象推荐方法可以基于步骤210~步骤240所述事件对对象影响度的获取方法得到目标事件以及目标事件对各对象的影响度预测值,再基于所述目标事件对各候选对象的影响度预测值,确定是否向用户推荐对应的候选对象。
在一些实施例中,可以取候选对象中影响度预测值最高的K个对象推荐给用户,也可以将影响划分为正面影响和负面影响,存在正面影响的候选对象可推荐给用户以便用户购买,存在负面影响的候选对象可以作为服务咨询内容推知用户,以便用户及时采取应对措施。
通过事件图谱将目标事件与各对象通过边权和/或描述节点关联,从事件图谱中筛选出关联路径不超过长度阈值的目标事件与对象节点,再利用人工智能计算预测两者之间的影响关联,使得预测结果更具解释性。例如,对于事件图谱中关联路径过长的事件节点与对象节点,我们有理由认为不具关联性,则不再利用机器学习模型处理两者的数据,得到一个不可解释的影响度预测值。
图3是根据本说明书一些实施例所示的获取目标事件的示例性流程图。
参考图3,在一些实施例中,可以利用K-means等聚类算法处理多个新闻,以获得多个新闻类簇。实际场景中,新闻是实时增长的,采用适于动态聚类对象的流式聚类算法可以进一步提高处理的准确性。为了及时获取热度较高的事件作为目标事件并在海量新闻中保持较高的获取效率,获取目标事件可以进一步包括:
步骤310,获取新闻流,新闻流中包括多个新闻。
在一些实施例中,新闻流中可以包括按照时间轴排列的多个新闻,每当有新的新闻产生时,将该新闻便可加入到新闻流中。在一些实施例中,还可以是每隔一个时间段,将间隔时间中的所有新闻收集添加至新闻流中。可以理解,使用新闻流的形式记录多个新闻,能进一步体现出新闻之间的时序关系。
步骤320,基于所述新闻流生成若干新闻类簇,其中新闻类簇与事件一一对应。
在一些实施例中,基于新闻流生成若干新闻类簇,可以包括对新闻流中的每一个新闻计算该新闻与已有的每个新闻类簇的相似度。在一些实施例中,计算新闻与已有的每个新闻类簇的相似度时,需要对每篇新闻向量化处理,在一些实施例中,对新闻的向量化处理可以包括doc2vec算法或word2vec算法等,得到新闻的向量表示,并基于该向量与每个新闻类簇计算相似度。在一些实施例中,新闻类簇中包括一个或多个新闻,因此该新闻类簇可以包括多个向量,因此在一些实施例中,新闻与新闻类簇的相似度可以看成是新闻的向量与新闻类簇中一个或多个新闻的向量之间计算得到的相似度。具体的,在一些实施例中,相似度的计算方法包括余弦相似度等,或者可以通过欧几里得距离、曼哈顿距离算法计算出两个新闻向量之间的距离,再基于距离确定相似度。一般来说,距离越小,相似度越大。
在一些实施例中,对每个新闻类簇计算相似度后,可得到多个相似度,而每篇新闻最多只能被划分到一个新闻类簇中,故取所有相似度中的最大值与阈值进行对比。当各相似度中的最大值大于或等于第一阈值时,将该新闻加入所述最大值对应的新闻类簇;否则,将该新闻作为新的新闻类簇。可以看出,将新闻加入一个新闻类簇需要满足两个条件,一个是新的新闻与该新闻类簇的相似度为各相似度中最大值,另一个是最大值需要满足大于或等于第一阈值,因此当一个新闻不满足上述条件时,将其作为一个新的新闻类簇,代表一个新的事件。在一些实施例中,也可以预先将一个新闻类簇中的新闻向量进行计算,如相加,得到对应于该新闻类簇的单个向量。再基于前述方法分别计算新的新闻与各新闻类簇对应的单个向量的相似度,最终完成新的新闻的归类。
在一些实施例中,对于相似度最大值对应的新闻类簇,还可以确定新的新闻与该新闻类簇中各个新闻向量的相似度的最小值。相应的,可以设置限制最小值的第二阈值。当所述最小值大于或等于第二阈值时,才将该新闻加入该新闻类簇。如此,可以进一步提高聚类的准确性。
在将新闻进行分类得到若干新闻类簇后,获取各新闻类簇的热度信息;所述新闻类簇的热度信息可以视作对应事件的热度信息,热度信息可以反映该事件的关注度。可以通过相关新闻被转载的次数来度量事件的关注度,仅作为示例,所述新闻类簇的热度信息可以与该新闻类簇中新闻的转载次数正相关。
在一些实施例中,将新闻的转载量作为热度的计算指标,即新闻类簇的热度信息与新闻类簇中的新闻转载次数呈正相关,为刻画事件热度的变化趋势,在一些实施例中,利用以下公式计算热度信息:
公式(2)中,表示该新闻类簇中所有新闻在所有时间上的总转载量,表示该新闻类簇中所有新闻在最近n小时内的转载量,n可以取12、36、24或48等,为权重系数,反映总转载量对热度信息的影响力,实际应用中可以基于需要设置,如,可设为0.1。利用公式(2)兼顾历史转载量和最近转载量,获得的热度信息带有实时性,能更为准确地表现出事件的热度。
步骤330,选取所述热度信息排序前N个的新闻类簇,将该N个新闻类簇对应的事件作为所述目标事件;其中,N为大于或等于1的整数。
在一些实施例中,利用公式(2)计算的热度信息对新闻类簇进行排序,选出热度最高的N的新闻类簇,仅作为示例,取N等于2,在所有新闻类簇中取热度信息最高的两个新闻,如“某境外汽车企业在中国建厂”和“某酱香型白酒市值创新高”作为目标事件,为了便于描述,在后文中基于沿用该示例。在一些实施例中,N的取值还可以是1、3、5等。
图4是根据本说明书一些实施例所示的影响度预测模型获取影响值的示意图。
在一些实施例中,可以采用关系图卷积神经网络(R-GCN,Modeling RelationalData with Graph Convolutional Networks)处理事件图谱,以将事件图谱向量化,得到事件图谱中各节点及边权的向量表示。网络中的编码器-解码器框架可以很好的解决大规模异构图谱的链接预测任务。R-GCN中的编码器可以将图谱向量化,解码器(DistMult)则可基于向量化的图谱完成设定的预测任务,通过训练R-GCN使其能够准确预测的同时,R-GCN中的编码器将能更加准确的进行图谱向量化,即,获得的节点向量与边权向量能够更好的体现图谱信息,甚至可以在节点间建立新的边权,准确体现节点间的关联关系。需要说明的是,不应将R-GCN作为本说明书的限制,在一些替代实施例中,还可以使用GCN、GNN(图神经网络)等作为编码器,TransE、TransR等作为解码器,搭建其他模型框架,实现事件图谱的向量话。
在一些实施例中,可以设定预测任务,基于该预测任务对R-GCN(或所述其他模型框架)进行训练,其中预测任务可以为预测事件和对象之间的关联性。训练时,将预先构造的事件图谱、指定的事件及对象输入模型,将专家意见(即专家分析图谱中某事件与某对象具有关联)作为标签或监督信息。R-GCN中的编码器对事件图谱进行向量化,解码器基于图谱中指定时间及对象对应的节点向量和/或边权向量计算两者的关联预测值,再基于模型输出的关联预测值与专家意见构造损失函数,迭代调整模型参数,使得损失函数最小化。经过训练,R-GCN可以准确完成预测任务,同时其编码器能够更好地进行图谱向量化。在一些实施例中,可以利用训练好的R-GCN编码器作为所述影响度预测模型完成更新的事件图谱的向量化,并基于步骤240完成目标事件对候选对象的影响度预测值计算。可以理解,在一些实施例中,也可以将完整的R-CGN(或所述其他模型框架)作为所述影响度预测模型,直接获得目标事件对候选对象的影响度预测值计算。
图5是根据本说明书一些实施例所示的一种事件对对象影响度的获取***的示例性***框图。
如图5所示,事件对对象影响度的获取***500包括目标事件获取模块510、图谱更新模块520、候选对象获取模块530和影响度获取模块540。这些模块也可以作为应用程序或一组由处理引擎读取和执行的指令实现。此外,模块可以是硬件电路和应用/指令的任何组合。例如,当处理引擎或处理器执行应用程序/一组指令时,模块可以是处理器的一部分。
目标事件获取模块510,用于获取目标事件。
关于目标事件的更多描述可以在本说明书的其他地方(如步骤210及步骤310~330中)找到,在此不作赘述。
图谱更新模块520,用于将所述目标事件加入事件图谱中,并将所述目标事件对应的事件节点与所述事件图谱中至少一个描述节点关联,获得更新后的事件图谱;所述事件图谱包括多个节点以及节点之间的边权;所述节点包括事件节点、对象节点以及描述节点。
关于事件图谱的更多描述可以在本说明书的其他地方(如步骤220及图1相关描述中)找到,在此不作赘述。
候选对象获取模块530,用于在所述更新后的事件图谱中选取与所述目标事件对应的事件节点的关联路径不超过预设长度的对象节点,作为候选对象节点。
关于候选对象节点的更多描述可以在本说明书的其他地方(如步骤230及相关描述中)找到,在此不作赘述。
影响度获取模块540,用于利用影响度预测模型至少基于所述目标事件与各候选节点对应的候选对象,获得所述目标事件对各候选对象的影响度预测值。
关于影响度预测模型的更多描述可以在本说明书的其他地方(如步骤240及图4相关描述中)找到,在此不作赘述。
在一些实施例中,所述目标事件获取模块510,还用于:获取新闻流;所述新闻流包括多个新闻;基于所述新闻流生成若干新闻类簇;所述新闻类簇与事件一一对应;获取各新闻类簇的热度信息;所述新闻类簇的热度信息与该新闻类簇中新闻的转载次数正相关;选取所述热度信息排序前N个的新闻类簇,将该N个新闻类簇对应的事件作为所述目标事件;其中,N为大于或等于1的整数。
在一些实施例中,目标事件获取模块510中,为了基于所述新闻流生成若干新闻类簇,所述目标事件获取模块还用于,对新闻流中的每一个新闻:计算该新闻与已有的每个新闻类簇的相似度;当各相似度中的最大值大于或等于第一阈值时,将该新闻加入所述最大值对应的新闻类簇;否则,将该新闻作为新的新闻类簇。
在一些实施例中,所述图谱更新模块520,还用于:提取目标事件中的描述实体;当目标事件的描述实体包括事件图谱中的某些描述节点对应的描述实体或与事件图谱中的某些描述节点对应的描述实体相似度大于第二阈值时,在所述目标事件对应的事件节点与所述某些描述节点之间建立边权。
在一些实施例中,所述影响度预测模型包括图卷积神经网络模型;所述影响度获取模块540还用于:利用影响度预测模型处理所述更新后的事件图谱,获得所述更新后的事件图谱中各节点的节点向量表示以及节点间的边权向量表示;对于各候选对象节点的每一个:对所述目标事件对应的节点向量表示、该候选对象节点的节点向量表示以及两者之间的边权向量表示进行运算,获得所述目标事件对该候选对象的影响度预测值。
在一些实施例中,所述影响度获取模块540包括,对于各候选对象的每一个:获取所述目标事件的特征信息以及该候选对象的特征信息;利用影响度预测模型处理所述目标事件的特征信息以及该候选对象的特征信息,获得所述目标事件对该候选对象的影响度预测值。
应当理解,图5所示的装置及其模块可以利用各种方式来实现。例如,在一些实施例中,装置及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行装置,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和装置可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的装置及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于数据下载装置及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该装置的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子装置与其他模块连接。例如,图5中候选对象获取模块530和影响度获取模块540可以为同一个模块,任意模块在获取候选对象后同时计算影响度。又例如,***中的各个模块可以位于同一服务器上,也可以分属不同的服务器。诸如此类的变形,均在本说明书的保护范围之内。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书实施例可能带来的有益效果包括但不限于:(1)通过流式聚类实时获取新闻中事件的热度变化,提升了对热点事件的发现、热点消退的判断准确率,并且相对于人工创建热点效率得到很大提升;(2)利用事件以及相关信息构建图谱,使得能够更加直观的发现图谱内关系,同时相较于现有方案,本方案得到影响度后,利用图谱可以获得可解释性;(3)对事件相关信息考虑更加全面、充分,得到的影响度和推荐产品的结果更加准确。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (14)
1.一种事件对对象影响度的获取方法,其包括:
获取目标事件;
将所述目标事件加入事件图谱中,并将所述目标事件对应的事件节点与所述事件图谱中至少一个描述节点关联,获得更新后的事件图谱;所述事件图谱包括多个节点以及节点之间的边权;所述节点包括事件节点、对象节点以及描述节点;
在所述更新后的事件图谱中选取与所述目标事件对应的事件节点的关联路径不超过预设长度的对象节点,作为候选对象节点;
利用影响度预测模型至少基于所述目标事件与各候选节点对应的候选对象,获得所述目标事件对各候选对象的影响度预测值。
2.如权利要求1所述的方法,其中,所述获取目标事件,包括:
获取新闻流;所述新闻流包括多个新闻;
基于所述新闻流生成若干新闻类簇;所述新闻类簇与事件一一对应;
获取各新闻类簇的热度信息;所述新闻类簇的热度信息与该新闻类簇中新闻的转载次数正相关;
选取所述热度信息排序前N个的新闻类簇,将该N个新闻类簇对应的事件作为所述目标事件;其中,N为大于或等于1的整数。
3.如权利要求2所述的方法,其中,基于所述新闻流生成若干新闻类簇,包括,对新闻流中的每一个新闻:
计算该新闻与已有的每个新闻类簇的相似度;
当各相似度中的最大值大于或等于第一阈值时,将该新闻加入所述最大值对应的新闻类簇;否则,将该新闻作为新的新闻类簇。
4.如权利要求1所述的方法,其中,所述将所述目标事件加入事件图谱中,并将所述目标事件对应的事件节点与所述事件图谱中至少一个描述节点关联,获得更新后的事件图谱,包括:
提取目标事件中的描述实体;
当目标事件的描述实体包括事件图谱中的某些描述节点对应的描述实体或与事件图谱中的某些描述节点对应的描述实体相似度大于第二阈值时,在所述目标事件对应的事件节点与所述某些描述节点之间建立边权。
5.如权利要求1所述的方法,其中,所述影响度预测模型包括图卷积神经网络模型;所述利用影响度预测模型至少基于所述目标事件与各候选对象,获得所述目标事件对各候选对象的影响度预测值,包括:利用影响度预测模型处理所述更新后的事件图谱,获得所述更新后的事件图谱中各节点的节点向量表示以及节点间的边权向量表示;
对于各候选对象节点的每一个:
对所述目标事件对应的节点向量表示、该候选对象节点的节点向量表示以及两者之间的边权向量表示进行运算,获得所述目标事件对该候选对象的影响度预测值。
6.如权利要求1所述的方法,其中,所述利用影响度预测模型至少基于所述目标事件与各候选对象,获得所述目标事件对各候选对象的影响度预测值,包括,对于各候选对象的每一个:
获取所述目标事件的特征信息以及该候选对象的特征信息;
利用影响度预测模型处理所述目标事件的特征信息以及该候选对象的特征信息,获得所述目标事件对该候选对象的影响度预测值。
7.一种事件对对象影响度的获取***,其包括:
目标事件获取模块,用于获取目标事件;
图谱更新模块,用于将所述目标事件加入事件图谱中,并将所述目标事件对应的事件节点与所述事件图谱中至少一个描述节点关联,获得更新后的事件图谱;所述事件图谱包括多个节点以及节点之间的边权;所述节点包括事件节点、对象节点以及描述节点;
候选对象获取模块,用于在所述更新后的事件图谱中选取与所述目标事件对应的事件节点的关联路径不超过预设长度的对象节点,作为候选对象节点;
影响度获取模块,用于利用影响度预测模型至少基于所述目标事件与各候选节点对应的候选对象,获得所述目标事件对各候选对象的影响度预测值。
8.如权利要求7所述的***,其中,所述目标事件获取模块,还用于:
获取新闻流;所述新闻流包括多个新闻;
基于所述新闻流生成若干新闻类簇;所述新闻类簇与事件一一对应;
获取各新闻类簇的热度信息;所述新闻类簇的热度信息与该新闻类簇中新闻的转载次数正相关;
选取所述热度信息排序前N个的新闻类簇,将该N个新闻类簇对应的事件作为所述目标事件;其中,N为大于或等于1的整数。
9.如权利要求8所述的***,其中,为了基于所述新闻流生成若干新闻类簇,所述目标事件获取模块还用于,对新闻流中的每一个新闻:
计算该新闻与已有的每个新闻类簇的相似度;
当各相似度中的最大值大于或等于第一阈值时,将该新闻加入所述最大值对应的新闻类簇;否则,将该新闻作为新的新闻类簇。
10.如权利要求7所述的***,其中,所述图谱更新模块,还用于:
提取目标事件中的描述实体;
当目标事件的描述实体包括事件图谱中的某些描述节点对应的描述实体或与事件图谱中的某些描述节点对应的描述实体相似度大于第二阈值时,在所述目标事件对应的事件节点与所述某些描述节点之间建立边权。
11.如权利要求7所述的***,其中,所述影响度预测模型包括图卷积神经网络模型;所述影响度获取模块还用于:利用影响度预测模型处理所述更新后的事件图谱,获得所述更新后的事件图谱中各节点的节点向量表示以及节点间的边权向量表示;
对于各候选对象节点的每一个:
对所述目标事件对应的节点向量表示、该候选对象节点的节点向量表示以及两者之间的边权向量表示进行运算,获得所述目标事件对该候选对象的影响度预测值。
12.如权利要求7所述的***,其中,所述影响度获取模块还用于,对于各候选对象的每一个:
获取所述目标事件的特征信息以及该候选对象的特征信息;
利用影响度预测模型处理所述目标事件的特征信息以及该候选对象的特征信息,获得所述目标事件对该候选对象的影响度预测值。
13.一种事件对对象影响度的获取装置,其中,包括处理器以及存储介质,所述存储介质用于存储计算机指令,所述处理器用于执行所述计算机指令中的至少一部分以实现如权利要求1~6中任一项所述的方法。
14.一种对象推荐方法,其包括:
获取目标事件;
将所述目标事件加入事件图谱中,并将所述目标事件对应的事件节点与所述事件图谱中至少一个描述节点关联,获得更新后的事件图谱;所述事件图谱包括多个节点以及节点之间的边权;所述节点包括事件节点、对象节点以及描述节点;
在所述更新后的事件图谱中选取与所述目标事件对应的事件节点的关联路径不超过预设长度的对象节点,作为候选对象节点;
利用影响度预测模型至少基于所述目标事件与各候选节点对应的候选对象,获得所述目标事件对各候选对象的影响度预测值;
基于所述目标事件对各候选对象的影响度预测值,确定是否向用户推荐对应的候选对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817707.7A CN111738532B (zh) | 2020-08-14 | 2020-08-14 | 一种事件对对象影响度的获取方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817707.7A CN111738532B (zh) | 2020-08-14 | 2020-08-14 | 一种事件对对象影响度的获取方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738532A CN111738532A (zh) | 2020-10-02 |
CN111738532B true CN111738532B (zh) | 2021-02-05 |
Family
ID=72658540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010817707.7A Active CN111738532B (zh) | 2020-08-14 | 2020-08-14 | 一种事件对对象影响度的获取方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738532B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313208A (zh) * | 2021-02-05 | 2021-08-27 | 支付宝(杭州)信息技术有限公司 | 一种对象聚类方法和*** |
CN112818257B (zh) * | 2021-02-19 | 2022-09-02 | 北京邮电大学 | 基于图神经网络的账户检测方法、装置和设备 |
CN112801798A (zh) * | 2021-04-08 | 2021-05-14 | 成都数联铭品科技有限公司 | 关联网络的影响传播分析和模式识别方法、***、设备 |
CN113190682B (zh) * | 2021-06-30 | 2021-09-28 | 平安科技(深圳)有限公司 | 基于树模型的事件影响度获取方法、装置及计算机设备 |
CN113781116A (zh) * | 2021-09-13 | 2021-12-10 | 支付宝(杭州)信息技术有限公司 | 确定文章对产品或服务的影响的方法、***、装置和介质 |
CN114357197B (zh) * | 2022-03-08 | 2022-07-26 | 支付宝(杭州)信息技术有限公司 | 事件推理方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384166A (zh) * | 2016-09-12 | 2017-02-08 | 中山大学 | 一种结合财经新闻的深度学习股市预测方法 |
CN111241300A (zh) * | 2020-01-09 | 2020-06-05 | 中信银行股份有限公司 | 舆情预警以及风险传播分析方法、***、设备及存储介质 |
CN111367961A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 基于图卷积神经网络的时序数据事件预测方法、***及其应用 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245237A (zh) * | 2018-03-09 | 2019-09-17 | 北京国双科技有限公司 | 事件预测方法及装置 |
CN110134797A (zh) * | 2019-04-29 | 2019-08-16 | 贳巽(北京)国际商业数据技术股份公司 | 一种基于事理图谱和多因子模型研判金融市场变化的方法 |
CN110968699B (zh) * | 2019-11-01 | 2023-07-18 | 数地工场(南京)科技有限公司 | 一种基于事理推荐的逻辑图谱构建及预警方法和装置 |
CN110889556B (zh) * | 2019-11-28 | 2022-08-12 | 福建亿榕信息技术有限公司 | 一种企业经营风险特征数据信息提取方法和提取*** |
-
2020
- 2020-08-14 CN CN202010817707.7A patent/CN111738532B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384166A (zh) * | 2016-09-12 | 2017-02-08 | 中山大学 | 一种结合财经新闻的深度学习股市预测方法 |
CN111241300A (zh) * | 2020-01-09 | 2020-06-05 | 中信银行股份有限公司 | 舆情预警以及风险传播分析方法、***、设备及存储介质 |
CN111367961A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 基于图卷积神经网络的时序数据事件预测方法、***及其应用 |
Also Published As
Publication number | Publication date |
---|---|
CN111738532A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738532B (zh) | 一种事件对对象影响度的获取方法和*** | |
CN108320171B (zh) | 热销商品预测方法、***及装置 | |
CN106095942B (zh) | 强变量提取方法及装置 | |
CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN111445339A (zh) | 双线性注意力卷积神经网络限价单预测分析方法及*** | |
CN115809887A (zh) | 一种基于***数据确定企业主要经营范围的方法和装置 | |
Chhikara et al. | Wine Quality Prediction Using Machine Learning Techniques | |
CN113837266A (zh) | 一种基于特征提取和Stacking集成学习的软件缺陷预测方法 | |
US20230360399A1 (en) | Segmentation of a sequence of video images with a transformer network | |
Kuo et al. | Building Graduate Salary Grading Prediction Model Based on Deep Learning. | |
CN115861902B (zh) | 无监督的动作迁移和发现方法、***、设备和介质 | |
Gu et al. | Dual-attention based joint aspect sentiment classification model | |
CN112232388A (zh) | 基于elm-rfe的购物意图关键因素识别方法 | |
CN111652430A (zh) | 一种互联网金融平台违约率的预测方法及*** | |
CN111523604A (zh) | 一种用户分类的方法和相关装置 | |
CN116432835A (zh) | 客户流失预警归因方法、装置、计算机设备及存储介质 | |
Lim et al. | Manufacturing lead time classification using support vector machine | |
CN115730152A (zh) | 基于用户画像分析的大数据处理方法及大数据处理*** | |
Spenrath et al. | Online prediction of aggregated retailer consumer behaviour | |
CN115712777A (zh) | 一种基于逻辑回归的文献推荐***的排序方法 | |
Himani et al. | A comparative study on machine learning based prediction of citations of articles | |
Kannout et al. | Speeding up recommender systems using association rules | |
Kajdanowicz et al. | Boosting-based sequential output prediction | |
Heino | New product demand forecasting in retail: applying machine learning techniques to forecast demand for new product purchasing decisions | |
Chen et al. | Dynamic comprehensive quality assessment of post-harvest grape in different transportation chains using SAHP–CatBoost machine learning |
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 |