CN113722601A - 电力量测信息推荐方法、装置、计算机设备和存储介质 - Google Patents

电力量测信息推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113722601A
CN113722601A CN202111043138.6A CN202111043138A CN113722601A CN 113722601 A CN113722601 A CN 113722601A CN 202111043138 A CN202111043138 A CN 202111043138A CN 113722601 A CN113722601 A CN 113722601A
Authority
CN
China
Prior art keywords
information
user
power measurement
measurement information
target
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
Application number
CN202111043138.6A
Other languages
English (en)
Other versions
CN113722601B (zh
Inventor
杨劲锋
龚起航
郑楷洪
李胜
周尚礼
曾璐琨
刘玉仙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
China Southern Power Grid Co Ltd
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Southern Power Grid Co Ltd, Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202111043138.6A priority Critical patent/CN113722601B/zh
Publication of CN113722601A publication Critical patent/CN113722601A/zh
Application granted granted Critical
Publication of CN113722601B publication Critical patent/CN113722601B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种电力量测信息推荐方法、装置、计算机设备和存储介质。通过在待推荐用户触发电力量测信息咨询指令时，利用待推荐用户的用户标识和用户咨询信息查询目标用户数据库，将得到的目标用户信息输入目标电力量测信息推荐模型，获取目标电力量测信息推荐模型输出的待推荐用户对应的目标电力量测信息，并展示输出的目标电力量测信息。相较于目前的不能根据用户的特征进行符合用户需求的电力量测信息推荐，本方案通过基于用户身份信息、用户咨询信息和目标电力量测信息推荐模型，实现合理准确地对用户进行电力量测信息推荐。

Description

电力量测信息推荐方法、装置、计算机设备和存储介质
技术领域
本申请涉及机器学习技术领域，特别是涉及一种电力量测信息推荐方法、装置、计算机设备和存储介质。
背景技术
电力是人们日常生活中需要用到的必不可少的一种能源，在电力领域，用户在用电过程中以及电力设备在运行过程中会产生许多电力量测信息，而这些电力量测信息对于用户具有较高的参考价值，若能有效地将其利用起来，会给用户的生活以及社会生产发展带来帮助。然而，目前在电力领域，仍缺少对用户进行合理的电力量测数据推荐的方式。
因此，如何对用户进行合理准确地电力量测信息推荐成为了亟需解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实现合理准确地对用户进行电力量测信息推荐的电力量测信息推荐方法、装置、计算机设备和存储介质。
一种电力量测信息推荐方法，所述方法包括：
响应于待推荐用户触发的电力量测信息咨询指令，获取所述待推荐用户的用户标识以及用户咨询信息；
根据所述用户标识以及所述用户咨询信息查询目标用户数据库，获取对应的目标用户信息；所述目标用户信息包括所述待推荐用户对应的用户身份信息以及历史咨询信息；所述目标用户数据库存储有多个用户标识与历史咨询信息的对应关系；
将所述目标用户信息输入目标电力量测信息推荐模型，获取所述目标电力量测信息推荐模型输出的所述待推荐用户对应的目标电力量测信息并展示；所述目标电力量测信息推荐模型基于多个样本用户身份信息、多个历史咨询信息以及多个样本电力量测信息训练得到。
在其中一个实施例中，所述方法还包括：
获取用户对应的历史电力量测信息咨询记录；
获取所述历史电力量测信息咨询记录中获取所述用户的用户身份信息以及所述用户的历史咨询问题以及对应的历史咨询答复；
识别所述历史咨询问题以及所述历史咨询答复中的电力量测信息，作为历史咨询信息；
根据所述用户身份信息以及所述历史咨询信息，得到所述用户数据库。
在其中一个实施例中，所述方法还包括：
获取多个样本用户身份信息、多个历史咨询信息以及多个样本电力量测信息；一组所述样本用户身份信息和历史咨询信息与至少一个所述样本电力量测信息对应；
获取待训练的第一电力量测信息推荐模型，将所述样本用户身份信息以及对应的所述历史咨询信息输入所述第一电力量测信息推荐模型，获取所述第一电力量测信息推荐模型输出的预测电力量测信息，判断所述预测电力量测信息与所述样本用户身份信息以及所述历史咨询信息对应的样本电力量测信息的相似度是否大于或等于预设相似度阈值；
若否，根据所述相似度调整所述第一电力量测信息推荐模型，返回将所述样本用户身份信息以及对应的所述历史咨询信息输入第一电力量测信息推荐模型的步骤；
若是，结束循环，将当前的所述第一电力量测信息推荐模型作为所述目标电力量测信息推荐模型。
在其中一个实施例中，所述获取待训练的第一电力量测信息推荐模型，包括：
构建嵌入层；所述嵌入层用于将所述样本用户身份信息转换为第一低维向量以及将所述历史咨询信息转换成第二低维向量；
构建注意力层；所述注意力层用于通过多头注意力机制识别所述第一低维向量以及所述第二低维向量中的电力量测信息；
构建多层感知机；所述多层感知机用于识别所述注意力层输出的电力量测信息是否为样本用户身份对应的电力量测信息，并将所述样本用户身份对应的电力量测信息作为预测电力量测信息并通过预设激活函数输出；
根据所述嵌入层、所述注意力层以及所述多层感知机，得到所述第一电力量测信息推荐模型。
在其中一个实施例中，所述将所述样本用户身份信息以及对应的所述历史咨询信息输入所述第一电力量测信息推荐模型，包括：
将所述样本用户身份信息转换为第一字词向量以及将所述历史咨询信息转换为第二字词向量；
将所述第一字词向量以及所述第二字词向量输入所述第一电力量测信息推荐模型。
在其中一个实施例中，所述根据所述用户标识以及所述用户咨询信息查询目标用户数据库，获取对应的目标用户信息，包括：
若所述用户数据库中存在所述用户标识对应的用户身份信息，根据所述用户标识对应的用户身份信息以及所述用户身份信息对应的历史咨询信息得到所述目标用户信息；
若所述用户数据库中不存在所述用户标识对应的用户身份信息，获取所述用户数据库中与所述用户咨询信息最相似的历史咨询信息，根据所述最相似的历史咨询信息以及所述最相似的历史咨询信息对应的用户身份信息得到所述目标用户信息。
在其中一个实施例中，所述将所述目标用户信息输入目标电力量测信息推荐模型，获取所述目标电力量测信息推荐模型输出的所述待推荐用户对应的目标电力量测信息并展示，包括：
将所述用户身份信息以及所述历史咨询信息输入目标电力量测信息推荐模型；
获取所述目标电力量测信息模型输出的所述待推荐用户对应的多个目标电力量测信息以及每个目标电力量测信息对应的预测准确度；
根据所述预测准确度，展示所述多个目标电力量测信息中预设数量的目标电力量测信息。
一种电力量测信息推荐装置，所述装置包括：
获取模块，用于响应于待推荐用户触发的电力量测信息咨询指令，获取所述待推荐用户的用户标识以及用户咨询信息；
查询模块，用于根据所述用户标识以及所述用户咨询信息查询目标用户数据库，获取对应的目标用户信息；所述目标用户信息包括所述待推荐用户对应的用户身份信息以及历史咨询信息；所述目标用户数据库存储有多个用户标识与历史咨询信息的对应关系；
推荐模块，用于将所述目标用户信息输入目标电力量测信息推荐模型，获取所述目标电力量测信息推荐模型输出的所述待推荐用户对应的目标电力量测信息并展示；所述目标电力量测信息推荐模型基于多个样本用户身份信息、多个历史咨询信息以及多个样本电力量测信息训练得到。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述电力量测信息推荐方法、装置、计算机设备和存储介质，通过在待推荐用户触发电力量测信息咨询指令时，利用待推荐用户的用户标识和用户咨询信息查询目标用户数据库，将得到的目标用户信息输入目标电力量测信息推荐模型，获取目标电力量测信息推荐模型输出的待推荐用户对应的目标电力量测信息，并展示输出的目标电力量测信息。相较于目前的不能根据用户的特征进行符合用户需求的电力量测信息推荐，本方案通过基于用户身份信息、用户咨询信息和目标电力量测信息推荐模型，实现合理准确地对用户进行电力量测信息推荐。
附图说明
图1为一个实施例中电力量测信息推荐方法的应用环境图；
图2为一个实施例中电力量测信息推荐方法的流程示意图；
图3为一个实施例中目标电力量测信息推荐模型训练步骤的流程示意图；
图4为一个实施例中注意力层构建步骤的流程示意图；
图5为另一个实施例中电力量测信息推荐方法的流程示意图；
图6为又一个实施例中电力量测推荐方法的流程示意图；
图7为一个实施例中电力量测信息推荐装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的电力量测信息推荐方法，可以应用于如图1所示的应用环境中。终端102可以在检测到推荐用户触发的电力量测信息咨询指令时，获取待推荐用户的用户标识和用户咨询信息，并根据用户标识和用户咨询信息查询目标用户数据库，获取对应的目标用户信息，从而终端102可以根据目标用户信息和目标电力量测信息推荐模型，将待推荐用户对应的目标电力量测信息展示给待推荐用户，从而可以合理准确地对待推荐用户进行电力量测信息的推荐。其中，在一些实施例中，还可以包括服务器104。其中，终端102通过网络与服务器104进行通信。终端102可以将目标用户数据库设置在服务器104中，从而终端102可以向服务器104发送查询指令，从而服务器104可以查询得到目标用户信息户向终端102返回目标用户信息。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种电力量测信息推荐方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S202，响应于待推荐用户触发的电力量测信息咨询指令，获取待推荐用户的用户标识以及用户咨询信息。
其中，待推荐用户可以是需要进行电力量测信息推荐的用户。待推荐用户可以在终端102中触发电力量测信息咨询指令，例如待推荐用户在终端102输入其用户标识和需要咨询的用户咨询信息后，通过点击终端102中相应按钮实现触发。终端102检测到电力量测信息咨询指令时，可以获取待推荐用户的用户标识以及用户咨询信息，从而终端102可以基于用户标识和用户咨询信息获取符合待推荐用户要求的电力量测信息，并推荐给待推荐用户。
步骤S204，根据用户标识以及用户咨询信息查询目标用户数据库，获取对应的目标用户信息；目标用户信息包括待推荐用户对应的用户身份信息以及历史咨询信息；目标用户数据库存储有多个用户标识与历史咨询信息的对应关系。
其中，用户标识可以是终端102通过摄像设备识别用户得到的标识，或者是用户输入的标识；用户咨询信息可以是待推荐用户输入终端102的对电力量测领域的咨询信息，例如终端102可以通过语音接收设备获取用户咨询信息，还可以通过文字接收设备获取用户咨询信息。终端102中还可以设置有目标用户数据库。其中，目标用户数据库中可以存储有多个用户标识与历史咨询信息的对应关系。终端102获取到待推荐用户的用户标识和用户咨询信息后，可以通过用户标识和用户咨询信息查询目标用户数据库，从而终端102可以查询目标用户数据库中是否存在与用户标识或用户咨询信息对应的用户身份信息和历史咨询信息，当终端102查询到用户标识或用户咨询信息对应的用户身份信息和历史咨询信息时，可以获取查询得到的用户身份信息和历史咨询信息，作为目标用户信息。
步骤S206，将目标用户信息输入目标电力量测信息推荐模型，获取目标电力量测信息推荐模型输出的待推荐用户对应的目标电力量测信息并展示；目标电力量测信息推荐模型基于多个样本用户身份信息、多个历史咨询信息以及多个样本电力量测信息训练得到。
其中，目标用户信息可以包括待推荐用户的用户身份信息和历史咨询信息等。终端102可以将获取的目标用户信息驶入目标电力量测信息推荐模型，目标电力量测信息推荐模型可以根据输入的目标用户信息，获取待推荐用户感兴趣的目标电力量测信息并输出，终端102可以获取目标电力量测信息推荐模型输出的目标电力量测信息，作为待推荐用户感兴趣的电力量测信息。其中，电力量测信息可以是电力量测领域的知识，目标电力量测信息推荐模型可以通过训练得到，例如基于多个样本用户身份信息、多个历史咨询信息以及多个样本电力量测信息进行训练。上述样本用户身份信息和历史咨询信息可以从用户数据库中得到，上述样本电力量测信息可以从电力量测知识库中得到，电力量测信息推荐模型可以是一种深度学习模型。
其中，终端102还可以对通过目标电力量测信息推荐模型得到的目标电力量测信息进行展示，例如通过终端102中的显示设备进行展示，从而待推荐用户可以直观地获取到目标电力量测信息。其中，上述获取的目标电力量测信息可以包括多条，从而终端102展示的目标电力量测信息也可以是多条信息。例如，在一个实施例中，将目标用户信息输入目标电力量测信息推荐模型，获取目标电力量测信息推荐模型输出的待推荐用户对应的目标电力量测信息并展示，包括：将用户身份信息以及历史咨询信息输入目标电力量测信息推荐模型；获取目标电力量测信息模型输出的待推荐用户对应的多个目标电力量测信息以及每个目标电力量测信息对应的预测准确度；根据预测准确度，展示多个目标电力量测信息中预设数量的目标电力量测信息。本实施例中，终端102可以将上述目标用户信息中的用户身份信息和历史咨询信息输入到目标电力量测信息推荐模型中，目标电力量测信息推荐模型可以根据用户身份信息和历史咨询信息，获取并输出多个目标电力量测信息以及每个目标电力量测信息对应的预测准确度，该预测准确度可以表征该待推荐用户对每个目标电力量测信息的感兴趣程度。从而终端102根据上述各条目标电力量测信息的预测准确度，展示多个目标电力量测信息中预设数量的目标电力量测信息。例如，上述电力量测信息可以是一种电力量测知识，终端102可以获取上述模型输出的多条电力量测知识中每条电力量测知识的预测准确度，并根据需要展示的数量，从多条电力量测知识中按照预测准确度的数值从大到小选取预设数量的电力量测知识进行展示，例如终端102根据预测准确度从大到小选择五条电力量测知识进行展示。从而完成对电力量测知识的推荐。
上述电力量测信息推荐方法中，通过在待推荐用户触发电力量测信息咨询指令时，利用待推荐用户的用户标识和用户咨询信息查询目标用户数据库，将得到的目标用户信息输入目标电力量测信息推荐模型，获取目标电力量测信息推荐模型输出的待推荐用户对应的目标电力量测信息，并展示输出的目标电力量测信息。相较于目前的不能根据用户的特征进行符合用户需求的电力量测信息推荐，本方案通过基于用户身份信息、用户咨询信息和目标电力量测信息推荐模型，实现合理准确地对用户进行电力量测信息推荐。
在一个实施例中，还包括：获取用户对应的历史电力量测信息咨询记录；获取历史电力量测信息咨询记录中获取用户的用户身份信息以及用户的历史咨询问题以及对应的历史咨询答复；识别历史咨询问题以及历史咨询答复中的电力量测信息，作为历史咨询信息；根据用户身份信息以及历史咨询信息，得到用户数据库。
本实施例中，终端102可以基于用户的个人信息和用户对于电力量测的咨询信息来构建用户数据库。终端102可以获取用户的历史电力量测信息咨询记录，并从历史电力量测信息咨询记录中获取用户的用户身份信息和用户的历史咨询问题以及该历史咨询问题对应的历史咨询答复，终端102可以从历史咨询问题和对应的历史咨询答复中识别出电力量测信息，例如通过识别关键字词进行信息提取，并将识别出的电力量测信息作为历史咨询信息；从而终端102可以根据多个用户身份信息以及对应的历史咨询信息，形成用户数据库。
其中，上述用户身份信息可以包括用户的手机号、姓名等信息，则终端102可以将用户的手机号、姓名的信息与该用户对应的历史咨询信息进行绑定存储。例如，终端102在构建用户数据库过程中，可以统计出咨询过用电相关问题的用户信息，并在电力企业人工客服聊天***的服务记录中收集用户信息以及该用户曾咨询过的问题和客服的相应答复；还可以在电力企业电话客服的服务记录中收集用户信息以及该用户曾咨询过的问题和客服的相应答复；终端102可以将所收集到的数据中的电力量测相关数据筛选出来，如“用电量”、“电压”等数据；并以每位用户的手机号或者姓名作为主键，将其咨询的涉及电力量测数据的问题记录入该用户的信息记录中；并将每个咨询过的用户都建立一条包含其咨询过的问题的数据记录，形成用户信息数据库。
通过本实施例，终端102可以利用多个用户对电力量测信息咨询过程中产生的数据提取出电力量测信息，并与用户的个人信息一同存储形成用户数据库，从而终端102可以基于用户数据库对待推荐用户进行电力量测信息的推荐，实现合理准确的电力量测信息推荐。
在一个实施例中，还包括：获取多个样本用户身份信息、多个历史咨询信息以及多个样本电力量测信息；一组样本用户身份信息和历史咨询信息与至少一个样本电力量测信息对应；获取待训练的第一电力量测信息推荐模型，将样本用户身份信息以及对应的历史咨询信息输入第一电力量测信息推荐模型，获取第一电力量测信息推荐模型输出的预测电力量测信息，判断预测电力量测信息与样本用户身份信息以及历史咨询信息对应的样本电力量测信息的相似度是否大于或等于预设相似度阈值；若否，根据相似度调整第一电力量测信息推荐模型，返回将样本用户身份信息以及对应的历史咨询信息输入第一电力量测信息推荐模型的步骤；若是，结束循环，将当前的第一电力量测信息推荐模型作为目标电力量测信息推荐模型。
本实施例中，终端102可以根据用户的身份信息、用户身份信息对应的历史咨询信息以及样本电力量测信息对电力量测信息推荐模型进行训练。终端102可以获取多个样本用户身份信息、多个历史咨询信息以及多个样本电力量测信息，并且一组样本用户身份信息和历史咨询信息与至少一个样本电力量测信息对应。即一组样本用户身份信息和历史咨询信息对应一个或多个样本电力量测信息。终端102可以获取待训练的第一电力量测信息推荐模型，并将样本用户身份信息和对应的历史咨询信息输入第一电力量测信息推荐模型，并获取第一电力量测信息推荐模型输出的预测电力量测信息，从而终端102可以判断预测电力量测信息与样本用户身份信息以及历史咨询信息对应的样本电力量测信息的相似度是否大于或等于预设相似度阈值；若终端102确定上述预测电力量测信息和对应的样本电力量测信息的相似度小于预设相似度阈值，则终端102可以根据该相似度调整第一电力量测信息推荐模型，并且可以从多个样本用户身份信息、多个历史咨询信息和多个样本电力量测信息中选取新的样本用户身份信息、历史咨询信息以及对应的样本电力量测信息，返回将样本用户身份信息以及对应的历史咨询信息输入第一电力量测信息推荐模型的步骤，进行下一次的训练。当终端102确定上述相似度大于或等于预设相似度阈值时，则终端102可以结束循环，并将当前的第一电力量测信息推荐模型作为目标电力量测信息推荐模型，从而完成对目标电力量测信息推荐模型的训练。
其中，样本电力量测信息可以从电力量测知识库中获取，电力量测知识库可以存储有多个电力量测信息。终端102可以首先构建电力量测知识库。电力量测知识库构建过程中，终端102可以从电网企业内部数据库中获取相关数据；从公共媒体获取电力相关数据，如从政府网站、电力企业网站、电力行业期刊中收集相关数据信息；对收集到的数据进行去重、对齐等处理；确定知识库中所要收录的量测知识的名称，如“用电量”、“电压”等数据；将整理完毕的数据存入数据库中，形成正式的电力量测知识库。从而终端102可以利用电力量测知识库以及用户数据库中的数据对第一电力量测信息推荐模型进行训练。例如，如图3所示，图3为一个实施例中目标电力量测信息推荐模型训练步骤的流程示意图。终端102可以通过构建多层网络来得到待训练的第一电力量测信息推荐模型，包括Embedding(嵌入)层、Transformer(注意力)层和MLP(多层感知机)层。终端102可以利用上述各层构建第一电力量测信息推荐模型。例如，在一个实施例中，获取待训练的第一电力量测信息推荐模型，包括：构建嵌入层；嵌入层用于将样本用户身份信息转换为第一低维向量以及将历史咨询信息转换成第二低维向量；构建注意力层；注意力层用于通过多头注意力机制识别第一低维向量以及第二低维向量中的电力量测信息；构建多层感知机；多层感知机用于识别注意力层输出的电力量测信息是否为样本用户身份对应的电力量测信息，并将样本用户身份对应的电力量测信息作为预测电力量测信息并通过预设激活函数输出；根据嵌入层、注意力层以及多层感知机，得到第一电力量测信息推荐模型。本实施例中，终端102可以首先构建深度学习模型中的嵌入层，嵌入层可以用于将样本用户身份信息转换成第一低维向量以及将对应的历史咨询信息转换成第二低维向量，即将电力量测知识的特征、用户信息特征以及各组合特征嵌入为低维向量；终端102还可以构建注意力层，即构建Transformer层，如图4所示，图4为一个实施例中注意力层构建步骤的流程示意图。Transformer层可以用于学习各个电力量测知识特征或者用户信息特征与其他数据之间更深层的表征关系，终端102可以利用注意力层，通过其中的多头注意力机制识别第一低维向量和第二低维向量中的电力量测信息。其中，Transformer层中可以包括Self-Attention(自注意力)层以及FNN(Factorisation-machine supported Neural Networks，前馈神经网络)模块；终端102可以利用Transformer层中的各个模块进行表征关系的学习。终端102还可以构建MLP(Muti－Layer Perception，多层感知机)，可以用于识别注意力层输出的电力量测信息是否为样本用户身份对应的电力量测信息，并将样本用户身份对应的电力量测信息作为预测电力量测信息，通过预设激活函数输出；即MLP层可以使用三个全连接层来进一步学习各个稠密特征之间的交叉特征信息，使用sigmoid激活函数作为输出单元。终端102可以根据上述的嵌入层、注意力层以及多层感知机，得到第一电力量测信息推荐模型。从而终端102可以对上述构建的第一电力量测信息推荐模型进行训练。
例如，终端102可以利用Embedding层将所有的电力量测数据以及用户信息数据的特征输入到大小固定的低维向量中；将用户信息和电力量测数据位置特征作为两个主要的特征嵌入；终端102可以将用户信息嵌入：将用户姓名和用户手机号两个字段的数据作为用户信息嵌入的主要数据；终端102还可以将电力量测数据位置嵌入：使用位置嵌入来捕获句子中的顺序信息；从而终端102可以将用户信息嵌入和电力量测数据位置嵌入相结合，生成嵌入矩阵Wv∈R(|V|×dv)。其中dv为嵌入的维度大小，|V|为数据的数量。对于Self-Attention层，Transformer中的Attention定义为：
Figure BDA0003250155300000111
其中，Q表示查询，K表示键，V表示值。终端102可以使用多头注意力机制去提升其对数据上下文信息的提取能力；终端102可以使用嵌入矩阵WV作为输入，并将其转换为三个矩阵，将它们输入到多头注意力层中。对于前馈神经网络模块FNN，终端102可以在Transformer层中添加前馈数据网络，以增强模型的非线性能力，定义为：F＝FFN(S)；为了避免过拟合，并从深层次上学习得到更有意义的特征，终端102可以在自注意力层(Self-Attention)和前馈神经网络模块(FFN)中使用Dropout和LeakyReLU激活函数，以舍弃部分无意义的特征神经元以及优化部分被意外丢失的神经元。Self-Attention和FFN的整体输出如下：
S′＝LayerNorm(S+Dropout(MH(S)))；
F＝LayerNorm(S′+Dropout(Leaky Re LU(S′W(1)+b(1))W(2)+b(2)))；
其中，W(1)、b(1)、W(2)和b(2)均为可学习的参数。对于多层感知机，终端102可以通过连接Transformer层的输出，使用三个全连接层来学习各特征之间的交叉信息，每个全连接层都使用LeakyReLU激活函数；终端102可以将推荐预测的问题设定为二分类问题，例如分为与用户对某项电力量测数据信息感兴趣与不感兴趣；并使用Sigmoid函数作为输出单元。从而终端102可以利用上述各层对第一电力量测信息推荐模型进行训练。
通过上述实施例，终端102可以使用具有多层结构的深度学习模型，基于用户身份信息和历史咨询信息以及样本电力量测信息对模型进行训练，得到可以用于进行电力量测信息推荐的目标电力量测信息推荐模型。终端102将目前在自然语言处理领域中有着优异效果的Transformer模型结合到整体模型架构中，有效地提高了知识推荐的精度。实现准确合理地对用户进行电力量测信息推荐。
在一个实施例中，将样本用户身份信息以及对应的历史咨询信息输入第一电力量测信息推荐模型，包括：将样本用户身份信息转换为第一字词向量以及将历史咨询信息转换为第二字词向量；将第一字词向量以及第二字词向量输入第一电力量测信息推荐模型。
本实施例中，终端102可以利用上述的样本用户身份信息、历史咨询信息和对应的样本电力量测信息对第一电力量测信息推荐模型进行训练。终端102可以将处理后的样本用户身份信息和历史咨询信息输入第一电力量测信息推荐模型中，例如，终端102可以将上述样本用户身份信息转换为第一字词向量以及将历史咨询信息转换为第二字词向量，并将第一字词向量以及第二字词向量输入第一电力量测信息推荐模型。其中，终端102可以通过预设的预训练模型进行字词向量的转换。例如，终端102可以使用Word2vec预训练模型将文本信息中字和词转换为向量。
终端102将上述第一字词向量和第二字词向量输入第一电力量测信息推荐模型后，可以通过交叉熵损失函数对模型进行训练，该函数的定义如下：
Figure BDA0003250155300000131
其中，D代表所有样本数据，y∈{0,1}代表用户是否曾经咨询过某个问题，例如0代表用户未曾咨询过，1代表用户咨询过；p(x)是经过sigmoid单元后网络所输出的概率值，表示用户对某个问题或数据感兴趣的程度。从而终端102可以基于上述损失函数对第一电力量测信息推荐模型进行训练。
通过本实施例，终端102可以基于向量转换后的样本用户身份信息和历史咨询信息对第一电力量测信息推荐模型进行训练，具体可以通过交叉熵损失函数进行训练，从而可以得到用于进行电力量测信息推荐的目标电力量测信息推荐模型。实现准确合理地对用户进行电力量测信息推荐。
在一个实施例中，根据用户标识以及用户咨询信息查询目标用户数据库，获取对应的目标用户信息，包括：若用户数据库中存在用户标识对应的用户身份信息，根据用户标识对应的用户身份信息以及用户身份信息对应的历史咨询信息得到目标用户信息；若用户数据库中不存在用户标识对应的用户身份信息，获取用户数据库中与用户咨询信息最相似的历史咨询信息，根据最相似的历史咨询信息以及最相似的历史咨询信息对应的用户身份信息得到目标用户信息。
本实施例中，终端102可以利用用户标识以及用户咨询信息从目标用户数据库中获取对应的目标用户信息。终端102可以根据用户标识查询用户数据库中是否存在对应的用户身份信息，若是，则终端102可以将用户数据库中与用户标识对应的用户身份信息以及该用户身份信息对应的历史咨询信息作为目标用户信息。若终端102检测到用户数据库中不存在与用户标识对应的用身份信息，则终端102可以根据上述用户咨询信息查询目标用户数据库中是否存在你与用户咨询信息最相似的历史咨询信息，若存在，则终端102可以将该最相似的历史咨询信息以及该最相似的历史咨询信息对应的用户身份信息作为目标用户信息。
其中，上述用户标识可以是用户的手机号或姓名等信息。则终端102可以基于用户的手机号和姓名等信息进行目标用户信息的查询。例如，终端102可以在目标用户数据库中根据姓名或手机号等关键字段遍历查询是否存在该用户，如果用户信息数据库中存在当前用户的信息，则将该用户信息输入进训练完成的模型中，即上述目标电力量测信息推荐模型；如果用户信息数据库中不存在当前用户的信息，则终端102可以将数据库中已存在的所咨询问题等信息与当前用户正在咨询的问题最接近的用户信息返回，作为当前用户的基本信息，将信息传入上述训练完成的模型中。从而终端102可以将检索到的用户的姓名或者手机号，以及曾咨询过的问题等信息传入训练好的模型中进行预测。
通过本实施例，考虑到当前咨询用户信息不在用户信息数据库中这一问题，即该用户为新用户。这时***会在用户信息数据库中选择一名大致信息与当前用户信息相似度最高的一名用户，以其信息作为当前用户的基本信息进行后续的推荐预测工作。因此，终端102可以基于用户的个人信息和用户咨询的信息得到用户输入目标电力量测信息推荐模型的数据，从而实现准确合理地对用户进行电力量测信息推荐。
在一个实施例中，如图5所示，图5为另一个实施例中电力量测信息推荐方法的流程示意图。终端102可以基于电力量测知识库以及用户信息数据库，即上述目标用户数据库中的数据，利用深度学习模型对用户进行电力量测信息推荐。其中，电力量测知识库用于存储电力量测相关的数据。用户信息数据库用于存储咨询问题的用户的基本信息，包括姓名、手机号、所咨询问题和所给出的答复等。基于深度学习模型的电力量测知识推荐模块：以训练完成的深度学习推荐模型为基础。输入为当前正在咨询的用户的基本信息，输出为用户感兴趣概率最高的五条电力量测相关信息。
具体流程可以如图6所示，图6为又一个实施例中电力量测推荐方法的流程示意图。包括以下步骤：步骤S1、建立电力量测知识库，电力量测知识库中包含多个电力量测信息；步骤S2、建立用户信息数据库，即上述目标用户数据库，该数据库中存储有多个用户的身份信息和对应的用户历史咨询信息；步骤S3、构建深度学习模型，得到上述待训练的第一电力量测信息推荐模型；步骤S4、使用电力量测知识库以及用户信息数据库中的数据对模型进行训练，得到上述目标电力量测信息推荐模型；步骤S5、在用户信息数据库中检索当前正在咨询的用户的信息；步骤S6、将检索得到的当前用户的信息传入训练完成的深度学习模型中；步骤S7、模型输出当前用户感兴趣的电力量测知识信息。
通过上述实施例，终端102通过基于用户身份信息、用户咨询信息和目标电力量测信息推荐模型，实现合理准确地对用户进行电力量测信息推荐。
应该理解的是，虽然图2-图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种电力量测信息推荐装置，包括：获取模块500、查询模块502和推荐模块504，其中：
获取模块500，用于响应于待推荐用户触发的电力量测信息咨询指令，获取待推荐用户的用户标识以及用户咨询信息。
查询模块502，用于根据用户标识以及用户咨询信息查询目标用户数据库，获取对应的目标用户信息；目标用户信息包括待推荐用户对应的用户身份信息以及历史咨询信息；目标用户数据库存储有多个用户标识与历史咨询信息的对应关系。
推荐模块504，用于将目标用户信息输入目标电力量测信息推荐模型，获取目标电力量测信息推荐模型输出的待推荐用户对应的目标电力量测信息并展示；目标电力量测信息推荐模型基于多个样本用户身份信息、多个历史咨询信息以及多个样本电力量测信息训练得到。
在一个实施例中，上述装置还包括：构建模块，用于获取用户对应的历史电力量测信息咨询记录；获取历史电力量测信息咨询记录中获取用户的用户身份信息以及用户的历史咨询问题以及对应的历史咨询答复；识别历史咨询问题以及历史咨询答复中的电力量测信息，作为历史咨询信息；根据用户身份信息以及历史咨询信息，得到用户数据库。
在一个实施例中，上述装置还包括：训练模块，用于获取多个样本用户身份信息、多个历史咨询信息以及多个样本电力量测信息；一组样本用户身份信息和历史咨询信息与至少一个样本电力量测信息对应；获取待训练的第一电力量测信息推荐模型，将样本用户身份信息以及对应的历史咨询信息输入第一电力量测信息推荐模型，获取第一电力量测信息推荐模型输出的预测电力量测信息，判断预测电力量测信息与样本用户身份信息以及历史咨询信息对应的样本电力量测信息的相似度是否大于或等于预设相似度阈值；若否，根据相似度调整第一电力量测信息推荐模型，返回将样本用户身份信息以及对应的历史咨询信息输入第一电力量测信息推荐模型的步骤；若是，结束循环，将当前的第一电力量测信息推荐模型作为目标电力量测信息推荐模型。
在一个实施例中，上述训练模块，具体用于构建嵌入层；嵌入层用于将样本用户身份信息转换为第一低维向量以及将历史咨询信息转换成第二低维向量；构建注意力层；注意力层用于通过多头注意力机制识别第一低维向量以及第二低维向量中的电力量测信息；构建多层感知机；多层感知机用于识别注意力层输出的电力量测信息是否为样本用户身份对应的电力量测信息，并将样本用户身份对应的电力量测信息作为预测电力量测信息并通过预设激活函数输出；根据嵌入层、注意力层以及多层感知机，得到第一电力量测信息推荐模型。
在一个实施例中，上述训练模块，具体用于将样本用户身份信息转换为第一字词向量以及将历史咨询信息转换为第二字词向量；将第一字词向量以及第二字词向量输入第一电力量测信息推荐模型。
在一个实施例中，上述查询模块502，具体用于若用户数据库中存在用户标识对应的用户身份信息，根据用户标识对应的用户身份信息以及用户身份信息对应的历史咨询信息得到目标用户信息；若用户数据库中不存在用户标识对应的用户身份信息，获取用户数据库中与用户咨询信息最相似的历史咨询信息，根据最相似的历史咨询信息以及最相似的历史咨询信息对应的用户身份信息得到目标用户信息。
在一个实施例中，上述推荐模块504，具体用于将用户身份信息以及历史咨询信息输入目标电力量测信息推荐模型；获取目标电力量测信息模型输出的待推荐用户对应的多个目标电力量测信息以及每个目标电力量测信息对应的预测准确度；根据预测准确度，展示多个目标电力量测信息中预设数量的目标电力量测信息。
关于电力量测信息推荐装置的具体限定可以参见上文中对于电力量测信息推荐方法的限定，在此不再赘述。上述电力量测信息推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电力量测信息推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述的电力量测信息推荐方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的电力量测信息推荐方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种电力量测信息推荐方法，其特征在于，所述方法包括：
响应于待推荐用户触发的电力量测信息咨询指令，获取所述待推荐用户的用户标识以及用户咨询信息；
根据所述用户标识以及所述用户咨询信息查询目标用户数据库，获取对应的目标用户信息；所述目标用户信息包括所述待推荐用户对应的用户身份信息以及历史咨询信息；所述目标用户数据库存储有多个用户标识与历史咨询信息的对应关系；
将所述目标用户信息输入目标电力量测信息推荐模型，获取所述目标电力量测信息推荐模型输出的所述待推荐用户对应的目标电力量测信息并展示；所述目标电力量测信息推荐模型基于多个样本用户身份信息、多个历史咨询信息以及多个样本电力量测信息训练得到。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取用户对应的历史电力量测信息咨询记录；
获取所述历史电力量测信息咨询记录中获取所述用户的用户身份信息以及所述用户的历史咨询问题以及对应的历史咨询答复；
识别所述历史咨询问题以及所述历史咨询答复中的电力量测信息，作为历史咨询信息；
根据所述用户身份信息以及所述历史咨询信息，得到所述用户数据库。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取多个样本用户身份信息、多个历史咨询信息以及多个样本电力量测信息；一组所述样本用户身份信息和历史咨询信息与至少一个所述样本电力量测信息对应；
获取待训练的第一电力量测信息推荐模型，将所述样本用户身份信息以及对应的所述历史咨询信息输入所述第一电力量测信息推荐模型，获取所述第一电力量测信息推荐模型输出的预测电力量测信息，判断所述预测电力量测信息与所述样本用户身份信息以及所述历史咨询信息对应的样本电力量测信息的相似度是否大于或等于预设相似度阈值；
若否，根据所述相似度调整所述第一电力量测信息推荐模型，返回将所述样本用户身份信息以及对应的所述历史咨询信息输入第一电力量测信息推荐模型的步骤；
若是，结束循环，将当前的所述第一电力量测信息推荐模型作为所述目标电力量测信息推荐模型。
4.根据权利要求3所述的方法，其特征在于，所述获取待训练的第一电力量测信息推荐模型，包括：
构建嵌入层；所述嵌入层用于将所述样本用户身份信息转换为第一低维向量以及将所述历史咨询信息转换成第二低维向量；
构建注意力层；所述注意力层用于通过多头注意力机制识别所述第一低维向量以及所述第二低维向量中的电力量测信息；
构建多层感知机；所述多层感知机用于识别所述注意力层输出的电力量测信息是否为样本用户身份对应的电力量测信息，并将所述样本用户身份对应的电力量测信息作为预测电力量测信息并通过预设激活函数输出；
根据所述嵌入层、所述注意力层以及所述多层感知机，得到所述第一电力量测信息推荐模型。
5.根据权利要求3所述的方法，其特征在于，所述将所述样本用户身份信息以及对应的所述历史咨询信息输入所述第一电力量测信息推荐模型，包括：
将所述样本用户身份信息转换为第一字词向量以及将所述历史咨询信息转换为第二字词向量；
将所述第一字词向量以及所述第二字词向量输入所述第一电力量测信息推荐模型。
6.根据权利要求1所述的方法，其特征在于，所述根据所述用户标识以及所述用户咨询信息查询目标用户数据库，获取对应的目标用户信息，包括：
若所述用户数据库中存在所述用户标识对应的用户身份信息，根据所述用户标识对应的用户身份信息以及所述用户身份信息对应的历史咨询信息得到所述目标用户信息；
若所述用户数据库中不存在所述用户标识对应的用户身份信息，获取所述用户数据库中与所述用户咨询信息最相似的历史咨询信息，根据所述最相似的历史咨询信息以及所述最相似的历史咨询信息对应的用户身份信息得到所述目标用户信息。
7.根据权利要求1所述的方法，其特征在于，所述将所述目标用户信息输入目标电力量测信息推荐模型，获取所述目标电力量测信息推荐模型输出的所述待推荐用户对应的目标电力量测信息并展示，包括：
将所述用户身份信息以及所述历史咨询信息输入目标电力量测信息推荐模型；
获取所述目标电力量测信息模型输出的所述待推荐用户对应的多个目标电力量测信息以及每个目标电力量测信息对应的预测准确度；
根据所述预测准确度，展示所述多个目标电力量测信息中预设数量的目标电力量测信息。
8.一种电力量测信息推荐装置，其特征在于，所述装置包括：
获取模块，用于响应于待推荐用户触发的电力量测信息咨询指令，获取所述待推荐用户的用户标识以及用户咨询信息；
查询模块，用于根据所述用户标识以及所述用户咨询信息查询目标用户数据库，获取对应的目标用户信息；所述目标用户信息包括所述待推荐用户对应的用户身份信息以及历史咨询信息；所述目标用户数据库存储有多个用户标识与历史咨询信息的对应关系；
推荐模块，用于将所述目标用户信息输入目标电力量测信息推荐模型，获取所述目标电力量测信息推荐模型输出的所述待推荐用户对应的目标电力量测信息并展示；所述目标电力量测信息推荐模型基于多个样本用户身份信息、多个历史咨询信息以及多个样本电力量测信息训练得到。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111043138.6A 2021-09-07 2021-09-07 电力量测信息推荐方法、装置、计算机设备和存储介质 Active CN113722601B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111043138.6A CN113722601B (zh) 2021-09-07 2021-09-07 电力量测信息推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111043138.6A CN113722601B (zh) 2021-09-07 2021-09-07 电力量测信息推荐方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113722601A true CN113722601A (zh) 2021-11-30
CN113722601B CN113722601B (zh) 2024-04-16

Family

ID=78682137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111043138.6A Active CN113722601B (zh) 2021-09-07 2021-09-07 电力量测信息推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113722601B (zh)

Citations (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011081728A (ja) * 2009-10-09 2011-04-21 Ntt Data Corp 推薦コンテンツ抽出装置、推薦コンテンツ抽出方法および推薦コンテンツ抽出プログラム
US8751287B1 (en) * 2008-03-07 2014-06-10 Amazon Technologies, Inc. Generating item recommendations
CN104111938A (zh) * 2013-04-18 2014-10-22 腾讯科技（深圳）有限公司 一种信息推荐的方法及装置
KR20150051505A (ko) * 2013-11-04 2015-05-13 주식회사 티앤엠테크 계약 전력 추천 장치 및 방법
US20160109495A1 (en) * 2014-10-17 2016-04-21 Florida Power And Light Company System and method for analyzing and monitoring smart meter network communications
CN106294497A (zh) * 2015-06-09 2017-01-04 深圳市腾讯计算机***有限公司 信息推荐方法和装置
CN106485370A (zh) * 2016-11-03 2017-03-08 上海智臻智能网络科技股份有限公司 一种信息预测的方法和装置
US20180081883A1 (en) * 2012-06-01 2018-03-22 Tencent Technology (Shenzhen) Company Limited User recommendation method and system in sns community, and computer storage medium
EP3327650A1 (en) * 2016-11-29 2018-05-30 Samsung Electronics Co., Ltd. Method for recommending content and apparatus therefor
CN108763493A (zh) * 2018-05-30 2018-11-06 深圳市思迪信息技术股份有限公司 一种基于深度学习的推荐方法
US20180352091A1 (en) * 2017-06-01 2018-12-06 Adobe Systems Incorporated Recommendations based on feature usage in applications
US10244286B1 (en) * 2018-01-30 2019-03-26 Fmr Llc Recommending digital content objects in a network environment
WO2019070925A1 (en) * 2017-10-06 2019-04-11 Elsevier, Inc. SYSTEMS AND METHODS FOR PROVIDING RECOMMENDATIONS FOR UNIVERSITY ENTITIES AND RESEARCH
CN109885772A (zh) * 2019-02-27 2019-06-14 上海优谦智能科技有限公司 基于知识图谱的教育内容个性化推荐***
CN110287421A (zh) * 2019-06-28 2019-09-27 北京金山安全软件有限公司 一种信息内容推荐方法、装置及电子设备
CN110309427A (zh) * 2018-05-31 2019-10-08 腾讯科技（深圳）有限公司 一种对象推荐方法、装置及存储介质
US20190319868A1 (en) * 2019-06-25 2019-10-17 Intel Corporation Link performance prediction technologies
CN110413877A (zh) * 2019-07-02 2019-11-05 阿里巴巴集团控股有限公司 一种资源推荐方法、装置及电子设备
US20200013237A1 (en) * 2017-03-31 2020-01-09 Honda Motor Co., Ltd. Maintenance notification system and method for controlling same, and non-transitory computer readable medium
CN110825957A (zh) * 2019-09-17 2020-02-21 中国平安人寿保险股份有限公司 基于深度学习的信息推荐方法、装置、设备及存储介质
CN111046286A (zh) * 2019-12-12 2020-04-21 腾讯科技（深圳）有限公司 一种对象推荐方法、装置、以及计算机存储介质
CN111222044A (zh) * 2019-12-31 2020-06-02 深圳Tcl数字技术有限公司 基于情绪感知的信息推荐方法、设备及存储介质
CN111402013A (zh) * 2020-06-04 2020-07-10 成都晓多科技有限公司 一种商品搭配推荐方法、***、装置及存储介质
CN111815050A (zh) * 2020-07-07 2020-10-23 北京嘀嘀无限科技发展有限公司 模型训练、状态预测方法和装置、电子设备及存储介质
CN112035611A (zh) * 2020-08-28 2020-12-04 康键信息技术（深圳）有限公司 目标用户推荐方法、装置、计算机设备和存储介质
CN112100221A (zh) * 2019-06-17 2020-12-18 腾讯科技（北京）有限公司 一种资讯推荐方法、装置、推荐服务器及存储介质
CN112381112A (zh) * 2020-10-16 2021-02-19 华南理工大学 基于用户数据的多模项集的用户身份识别方法及***
CN112765453A (zh) * 2020-12-31 2021-05-07 平安资产管理有限责任公司 内容推荐方法、装置、计算机设备和存储介质
CN112836115A (zh) * 2019-11-25 2021-05-25 浙江大搜车软件技术有限公司 信息推荐方法、装置、计算机设备和存储介质
CN112991009A (zh) * 2021-03-08 2021-06-18 北京嘀嘀无限科技发展有限公司 对象推荐方法、装置、电子设备和存储介质
CN113239173A (zh) * 2021-06-09 2021-08-10 深圳集智数字科技有限公司 问答数据的处理方法、装置、存储介质与电子设备

Patent Citations (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8751287B1 (en) * 2008-03-07 2014-06-10 Amazon Technologies, Inc. Generating item recommendations
JP2011081728A (ja) * 2009-10-09 2011-04-21 Ntt Data Corp 推薦コンテンツ抽出装置、推薦コンテンツ抽出方法および推薦コンテンツ抽出プログラム
US20180081883A1 (en) * 2012-06-01 2018-03-22 Tencent Technology (Shenzhen) Company Limited User recommendation method and system in sns community, and computer storage medium
CN104111938A (zh) * 2013-04-18 2014-10-22 腾讯科技（深圳）有限公司 一种信息推荐的方法及装置
KR20150051505A (ko) * 2013-11-04 2015-05-13 주식회사 티앤엠테크 계약 전력 추천 장치 및 방법
US20160109495A1 (en) * 2014-10-17 2016-04-21 Florida Power And Light Company System and method for analyzing and monitoring smart meter network communications
CN106294497A (zh) * 2015-06-09 2017-01-04 深圳市腾讯计算机***有限公司 信息推荐方法和装置
CN106485370A (zh) * 2016-11-03 2017-03-08 上海智臻智能网络科技股份有限公司 一种信息预测的方法和装置
EP3327650A1 (en) * 2016-11-29 2018-05-30 Samsung Electronics Co., Ltd. Method for recommending content and apparatus therefor
US20200013237A1 (en) * 2017-03-31 2020-01-09 Honda Motor Co., Ltd. Maintenance notification system and method for controlling same, and non-transitory computer readable medium
US20180352091A1 (en) * 2017-06-01 2018-12-06 Adobe Systems Incorporated Recommendations based on feature usage in applications
WO2019070925A1 (en) * 2017-10-06 2019-04-11 Elsevier, Inc. SYSTEMS AND METHODS FOR PROVIDING RECOMMENDATIONS FOR UNIVERSITY ENTITIES AND RESEARCH
US10244286B1 (en) * 2018-01-30 2019-03-26 Fmr Llc Recommending digital content objects in a network environment
CN108763493A (zh) * 2018-05-30 2018-11-06 深圳市思迪信息技术股份有限公司 一种基于深度学习的推荐方法
CN110309427A (zh) * 2018-05-31 2019-10-08 腾讯科技（深圳）有限公司 一种对象推荐方法、装置及存储介质
CN109885772A (zh) * 2019-02-27 2019-06-14 上海优谦智能科技有限公司 基于知识图谱的教育内容个性化推荐***
CN112100221A (zh) * 2019-06-17 2020-12-18 腾讯科技（北京）有限公司 一种资讯推荐方法、装置、推荐服务器及存储介质
US20190319868A1 (en) * 2019-06-25 2019-10-17 Intel Corporation Link performance prediction technologies
CN110287421A (zh) * 2019-06-28 2019-09-27 北京金山安全软件有限公司 一种信息内容推荐方法、装置及电子设备
CN110413877A (zh) * 2019-07-02 2019-11-05 阿里巴巴集团控股有限公司 一种资源推荐方法、装置及电子设备
CN110825957A (zh) * 2019-09-17 2020-02-21 中国平安人寿保险股份有限公司 基于深度学习的信息推荐方法、装置、设备及存储介质
CN112836115A (zh) * 2019-11-25 2021-05-25 浙江大搜车软件技术有限公司 信息推荐方法、装置、计算机设备和存储介质
CN111046286A (zh) * 2019-12-12 2020-04-21 腾讯科技（深圳）有限公司 一种对象推荐方法、装置、以及计算机存储介质
CN111222044A (zh) * 2019-12-31 2020-06-02 深圳Tcl数字技术有限公司 基于情绪感知的信息推荐方法、设备及存储介质
CN111402013A (zh) * 2020-06-04 2020-07-10 成都晓多科技有限公司 一种商品搭配推荐方法、***、装置及存储介质
CN111815050A (zh) * 2020-07-07 2020-10-23 北京嘀嘀无限科技发展有限公司 模型训练、状态预测方法和装置、电子设备及存储介质
CN112035611A (zh) * 2020-08-28 2020-12-04 康键信息技术（深圳）有限公司 目标用户推荐方法、装置、计算机设备和存储介质
CN112381112A (zh) * 2020-10-16 2021-02-19 华南理工大学 基于用户数据的多模项集的用户身份识别方法及***
CN112765453A (zh) * 2020-12-31 2021-05-07 平安资产管理有限责任公司 内容推荐方法、装置、计算机设备和存储介质
CN112991009A (zh) * 2021-03-08 2021-06-18 北京嘀嘀无限科技发展有限公司 对象推荐方法、装置、电子设备和存储介质
CN113239173A (zh) * 2021-06-09 2021-08-10 深圳集智数字科技有限公司 问答数据的处理方法、装置、存储介质与电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHUN LI: "A personalized electricity tariff recommender system based on advanced metering infrastructure and collaborative filtering", 《 INTERNATIONAL JOURNAL OF ELECTRICAL POWER & ENERGY SYSTEMS》, vol. 113, pages 403 - 410, XP085724302, DOI: 10.1016/j.ijepes.2019.05.042 *
ZHENZHEN XU: "Cross-domain item recommendation based on user similarity", 《COMPUTER SCIENCE AND INFORMATION SYSTEMS》, vol. 13, no. 2, pages 359 - 373 *
张敏: "推荐算法及其在电力营销中的应用", 《中国优秀硕士学位论文全文数据库 工程科技》, pages 138 - 1460 *

Also Published As

Publication number Publication date
CN113722601B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN111680219A (zh) 内容推荐方法、装置、设备及可读存储介质
US20120317102A1 (en) Ranking expert responses and finding experts based on rank
CN109710739B (zh) 一种信息处理方法及装置、存储介质
CN112364204B (zh) 视频搜索方法、装置、计算机设备及存储介质
EP3475883A1 (en) Dynamically managing artificial neural networks
CN111192153B (zh) 人群关系网络构建方法、装置、计算机设备和存储介质
CN110401545B (zh) 聊天群组创建方法、装置、计算机设备和存储介质
CN115114448B (zh) 智能多模态融合用电检查方法、装置、***、设备及介质
CN113159187B (zh) 分类模型训练方法及装置、目标文本确定方法及装置
Alexandridis et al. A knowledge-based deep learning architecture for aspect-based sentiment analysis
CN112182174A (zh) 业务问答知识查询方法、装置、计算机设备和存储介质
Boahen et al. Detection of compromised online social network account with an enhanced knn
CN108885637A (zh) 人物相关性平台
Dai et al. Sequential behavior prediction based on hybrid similarity and cross-user activity transfer
Deng et al. Neural variational collaborative filtering with side information for top-K recommendation
CN111311455B (zh) 考务信息匹配方法、装置、计算机设备和存储介质
CN113869063A (zh) 数据推荐方法、装置、电子设备及存储介质
Taheri et al. DeepMovRS: a unified framework for deep learning-based movie recommender systems
CN116186295B (zh) 基于注意力的知识图谱链接预测方法、装置、设备及介质
CN113722601B (zh) 电力量测信息推荐方法、装置、计算机设备和存储介质
Gao et al. An efficient protein homology detection approach based on seq2seq model and ranking
CN111615178B (zh) 识别无线网络类型及模型训练的方法、装置及电子设备
CN113888216A (zh) 广告信息推送方法、装置、电子设备及存储介质
CN117938951B (zh) 信息推送方法、装置、计算机设备和存储介质
Narayanan et al. Towards open ended and free form visual question answering: Modeling vqa as a factoid question answering problem

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
CB02 Change of applicant information

Country or region after: China

Address after: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Applicant after: CHINA SOUTHERN POWER GRID Co.,Ltd.

Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Country or region before: China

Applicant before: CHINA SOUTHERN POWER GRID Co.,Ltd.

CB02 Change of applicant information
TA01 Transfer of patent application right

Effective date of registration: 20240313

Address after: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Country or region after: China

Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Country or region before: China

Applicant before: CHINA SOUTHERN POWER GRID Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant