CN116955613A - 一种基于研报数据和大语言模型生成产品概念的方法 - Google Patents
一种基于研报数据和大语言模型生成产品概念的方法 Download PDFInfo
- Publication number
- CN116955613A CN116955613A CN202310689284.9A CN202310689284A CN116955613A CN 116955613 A CN116955613 A CN 116955613A CN 202310689284 A CN202310689284 A CN 202310689284A CN 116955613 A CN116955613 A CN 116955613A
- Authority
- CN
- China
- Prior art keywords
- product
- data
- research
- new
- report
- 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
- 238000011160 research Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims description 46
- 238000003066 decision tree Methods 0.000 claims description 44
- 238000013461 design Methods 0.000 claims description 37
- 238000005516 engineering process Methods 0.000 claims description 32
- 230000006399 behavior Effects 0.000 claims description 17
- 238000003058 natural language processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 8
- 230000018109 developmental process Effects 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000013499 data model Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种基于研报数据和大语言模型生成产品概念的方法，包括：获取研报数据的主题、来源和发布时间，对研报内容进行分类，构建行业知识库，并进行知识库向量化；根据行业知识库对研报知识进行提取，对需要进行生成的产品概念进行分类；根据需要进行生成的产品的功能特点，对每个产品功能特点分类下的产品属性进行prompt生成；根据产品设计师使用习惯、技能和知识背景，针对不同产品的功能特点，自动推荐适合不同产品的prompt的结构化参数；根据不同的用户需求，对参数列表中的结构化参数进行调整，生成准确描述产品的Prompt内容。
Description
技术领域
本发明涉及信息技术领域，尤其涉及一种基于研报数据和大语言模型生成产品概念的方法。
背景技术
针对产品设计师在进行创意设计时，需要根据产品的功能特点生成准确的产品概念。传统的产品设计过程中，产品设计师需要从各种不同的信息来源中获取市场和行业的信息，分析市场和行业趋势，然后开始进行产品概念的生成。这个过程非常耗时，而且需要产品设计师具备丰富的市场和行业知识、技能和经验。现代人们对产品创新的需求越来越高，同时随着互联网信息的***式增长，研报数据也越来越丰富。然而，在面对如此海量的信息时，产品设计师往往难以快速准确地获取到所需的知识，更难以将其转化为具体的产品概念。而产品设计师需要在短时间内提出新的产品概念，同时还需要考虑市场需求和行业趋势。对于设计师来说，获取行业知识和产品信息是至关重要的，但是在不同行业中获取知识需要花费大量的时间和精力。如何提高产品设计师的工作效率和创新能力，成为了一个亟需解决的问题
发明内容
本发明提供了一种基于研报数据和大语言模型生成产品概念的方法，主要包括：
获取研报数据的主题、来源和发布时间，对研报内容进行分类，构建行业知识库，并进行知识库向量化，具体包括：基于word2vec模型，将研报内容转化为向量表示；根据行业知识库对研报知识进行提取，对需要进行生成的产品概念进行分类；根据需要进行生成的产品的功能特点，对每个产品功能特点分类下的产品属性进行prompt生成；根据产品设计师使用习惯、技能和知识背景，针对不同产品的功能特点，自动推荐适合不同产品的prompt的结构化参数，具体包括：基于余弦相似度计算方法，推荐过往作品相似的设计师的prompt结构化参数列表；根据不同的用户需求，对参数列表中的结构化参数进行调整，生成准确描述产品的Prompt内容，具体包括：基于用户的协同过滤算法对用户进行聚类，确定不同用户需求的结构化参数数值；更新行业知识库，根据行业知识库更新调整对应研究产品的创意领域，判断新的创意领域是否超出当前prompt参数能适用的范围，所述更新行业知识库，根据行业知识库更新调整对应研究产品的创意领域，判断新的创意领域是否超出当前prompt参数能适用的范围，具体包括：基于支持向量回归模型，预测新的创意领域的市场潜力，构建决策树，判断新领域的技术实现是否通过当前研究产品所拥有的技术实现进行实现；根据新的创意领域增加新的prompt结构化参数，并应用于创意设计，包括：基于决策树算法，确定结构化参数的限制条件和与业务属性进行匹配和协调。
进一步可选地，所述获取研报数据的主题、来源和发布时间，对研报内容进行分类，构建行业知识库，并进行知识库向量化包括：
采用网络搜索引擎，输入关键词，获取研报数据的主题；通过公开的网站信息以及行业资讯，获取研报数据来源；通过研究机构网站、公告的方式确认研报的发布时间；将研报按照研究行业进行分类，并为每个研报打上相应的分类标签；采用爬虫工具，获取研报数据，建立行业知识库的数据模型，包括研报数据的主题、来源、发布时间、分类信息；使用数据库软件建立行业知识库的数据表结构，并导入研报数据；通过word2vec模型，将研报内容转化为向量表示；向量化的相关属性包括研报文本、关键词、作者、机构、引用文献；包括：基于word2vec模型，将研报内容转化为向量表示；
所述基于word2vec模型，将研报内容转化为向量表示，具体包括：
获取研报信息，将研报文本、关键词、作者、机构、引用文献的数据进行清洗、分词和编码，构建出对应的数据集。使用gemsim深度学习框架构建word2vec模型；将输入的研报文本、关键词、作者、机构、引用文献的编码通过嵌入层转换成对应维度的向量。将输入的向量表示输入到模型中，经过多层自注意力机制和前向神经网络，得到每个数据的上下文相关的向量表示。将融合后的向量表示输入到全连接层中，得到最终的向量表示。
进一步可选地，所述根据行业知识库对研报知识进行提取，对需要进行生成的产品概念进行分类包括：
首先，确定需要进行生成的产品及相关关键词；将需要进行生成的产品相关的关键词输入行业知识库进行检索，并筛选出与需要进行生成的产品相关的研报；针对每篇研报，使用自然语言处理技术提取关键信息，所述关键信息为产品概念，包括产品的定位、功能特点和目标用户；将提取的关键信息进行整理分类，形成产品概念分类文档。
进一步可选地，所述根据需要进行生成的产品的功能特点，对每个产品功能特点分类下的产品属性进行prompt生成包括：
根据产品概念分类文档，确定需要进行生成的产品的功能特点；基于已有的开源知识图谱，根据需要进行生成的产品的功能特点确定其对应的产品属性；收集产品说明书、评论、新闻报道中的产品属性数据，利用数据挖掘和自然语言处理技术，为不同的产品属性建立语料库，并分析语料库中的关键词汇和短语，确定相应的产品属性相应的prompt词汇；构建词汇表，并为每个词分配一个唯一的整数编号；基于卷积神经网络模型，对产品属性进行深度学习和模型训练；输入产品属性，训练好的模型自动识别并推荐适当的产品属性相应的prompt词汇；根据用户的需求将不同的prompt词汇组合，使用自然语言生成技术生成针对每个产品功能特点的prompt内容。
进一步可选地，所述根据产品设计师使用习惯、技能和知识背景，针对不同产品的功能特点，自动推荐适合不同产品的prompt的结构化参数包括：
首先通过设计师过往的作品和设计风格，获取其习惯的设计元素和样式；通过设计师的履历和工作经验，确定其熟悉的软件、设计理论和技巧；根据设计师的技能和知识背景，推荐适合其技能和知识背景的设计元素和样式；根据产品所属行业、目标用户、产品功能特点，确定产品的功能特点参数；根据产品功能特点，确定需要设计师完成的任务和操作流程，包括输入数据、选择操作、查看结果；设计相应的prompt内容，包括参数名称、取值范围、默认值、输入方式、验证规则；利用自然语言处理技术，将prompt内容进行结构化处理，生成相应的参数列表；包括：基于余弦相似度计算方法，推荐过往作品相似的设计师的prompt结构化参数列表；
所述基于余弦相似度计算方法，推荐过往作品相似的设计师的prompt结构化参数列表，具体包括：
获取设计师过往作品的设计元素、样式软件、设计理论和技巧数据，作为特征数据，将获取的特征数据进行结构化处理；采用余弦相似度计算方法对设计师的过往作品进行相似度计算，得到一个相似度矩阵；根据相似度矩阵，找到与当前设计师最相似的设计师，并选取其过往作品作为推荐对象，获取作品的prompt结构化参数列表。为设计师推荐相似设计师作品的prompt结构化参数列表。
进一步可选地，所述根据不同的用户需求，对参数列表中的结构化参数进行调整，生成准确描述产品的Prompt内容包括：
通过用户调研和数据分析工具，获取不同用户群体的画像和需求；根据用户历史行为数据，基于用户的协同过滤算法对用户进行聚类，确定不同用户需求的结构化参数数值；根据确定的结构化参数数值，判断需要调整的产品prompt的结构化参数，对产品prompt的结构化参数进行调整；根据调整后的参数列表，生成准确描述产品的Prompt内容；包括：基于用户的协同过滤算法对用户进行聚类，确定不同用户需求的结构化参数数值；
所述基于用户的协同过滤算法对用户进行聚类，确定不同用户需求的结构化参数数值，具体包括：
获取用户的历史prompt输入数据；对收集到的用户行为数据进行预处理，包括去除重复数据、处理缺失值、归一化；根据用户行为数据，使用余弦相似度的方法计算每个用户之间的相似度。使用K-means聚类算法，将用户分成K个簇，每个簇代表一个用户群体，将用户根据相似度进行聚类；根据聚类结果，分析每个簇的用户行为数据，找出它们的共同点和差异点，确定不同用户群体的需求，确定不同用户需求的结构化参数数值，并对参数列表中的结构化参数进行调整。
进一步可选地，所述更新行业知识库，根据行业知识库更新调整对应研究产品的创意领域，判断新的创意领域是否超出当前prompt参数能适用的范围包括：
更新行业知识库，获取最新的研究报告和行业研究，包括新增的研究行业、已有行业的拓展；对已有的研究产品进行评估和分类，按照研究产品的特点、应用场景，将其归入相应的创意领域，根据研究产品的分类和行业研究的发展趋势，调整创意领域的分类；对于新增的研究行业，将其归入相应的创意领域，获取行业定义、研究范围、发展趋势方面的信息；判断新的创意领域是否适用于当前prompt参数，如果不适用，调整参数范围；将新增的研究行业和调整后的创意领域的信息整理并归档；包括：基于支持向量回归模型，预测新的创意领域的市场潜力；构建决策树，判断新领域的技术实现是否通过当前研究产品所拥有的技术实现进行实现；
所述基于支持向量回归模型，预测新的创意领域的市场潜力，具体包括：
从各种渠道收集用户对新的创意领域产品的需求描述数据，并进行清洗。采用自然语言处理技术对需求描述文本进行分词、去除停用词、词频统计的操作，并确定关键词。根据关键词将需求描述进行向量化，采用K-means聚类算法建立模型；根据聚类结果和聚类中心的特征，判断各类别的用户需求特点。将新领域的特点和优势与用户需求数据进行比较，判断新领域是否满足当前研究产品所针对的用户需求。使用SVM算法中的支持向量回归模型，将新领域的特点和优势作为自变量，将市场需求和竞争情况作为目标变量，预测新领域的市场潜力。
所述构建决策树，判断新领域的技术实现是否通过当前研究产品所拥有的技术实现进行实现，具体包括：
收集业务属性内容，包括当前研究产品的技术实现和新领域的技术实现。构建决策树，以当前研究产品的技术实现为根节点，根据新领域的技术实现是否通过当前研究产品所拥有的技术实现进行实现，将树分为可行和不可行两个分支。评估决策树的精度，使用交叉验证的方法将数据集分为训练集和测试集，使用训练集来训练决策树，并使用测试集来评估决策树的精度。根据决策树的结果，判断新领域的创意实现是否可行。
进一步可选地，所述根据新的创意领域增加新的prompt结构化参数，并应用于创意设计包括：
根据最新的研究报告和行业研究的数据源，确定需要使用的数据类型；根据数据源的限制条件，包括最小、最大值、允许的字符集，为结构化参数设置相应的限制条件；然后，确定结构化参数的显示格式，并获取数据源中的数据，并将其转化为结构化参数；判断结构化参数是否与其他属性有关联，如与另一个结构化参数联动或与数据集合并，则进行相应的处理；将新的prompt结构化参数应用于创意设计；包括：基于决策树算法，确定结构化参数的限制条件和与业务属性进行匹配和协调；
所述基于决策树算法，确定结构化参数的限制条件和与业务属性进行匹配和协调，具体包括：
获取特征属性和样本属性，特征属性包括数值型。通过样本属性确定每个样本所属的类别，确定决策树属性，包括属性类型和取值范围，以及分类准确率的要求和限制条件。选择根节点，该节点对应所有数据样本。选择一个属性，将数据样本按照该属性值进行分类，构建该属性的子节点，直到所有子节点下的数据样本都属于同一类别或者所有属性都被使用完毕。从根节点开始，按照节点上的属性值逐级向下遍历树，直到到达叶子节点，叶子节点所代表的类别即为新数据的分类结果。确定结构化参数的限制条件和与业务属性进行匹配和协调，得到决策树分类器，对新数据进行分类，判断其所属的类别。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明通过获取研报数据的主题、来源和发布时间，对研报内容进行分类，并构建行业知识库，实现对不同行业的知识进行向量化和提取。针对需要进行生成的产品概念，根据行业知识库对研报知识进行提取，进而对产品概念进行分类。根据需要进行生成的产品的功能特点，针对每个产品功能特点分类下的产品属性进行prompt生成。根据产品设计师使用习惯、技能和知识背景，针对不同产品的功能特点，自动推荐适合不同产品的prompt的结构化参数，生成准确描述产品的Prompt内容。同时，根据不同的用户需求，对参数列表中的结构化参数进行调整，生成更准确的Prompt内容。在更新行业知识库的过程中，根据行业知识库更新调整对应研究产品的创意领域。如果新的创意领域超出当前prompt参数能适用的范围，增加新的prompt结构化参数，并应用于创意设计。总之，通过以上技术，实现对不同行业知识的提取和向量化，生成准确描述产品的Prompt内容，帮助产品设计师更好地实现创意设计。
附图说明
图1为本发明的一种基于研报数据和大语言模型生成产品概念的方法的流程图。
图2为本发明的一种基于研报数据和大语言模型生成产品概念的方法的示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本实施例一种基于研报数据和大语言模型生成产品概念的方法具体可以包括：
步骤101，获取研报数据的主题、来源和发布时间，对研报内容进行分类，构建行业知识库，并进行知识库向量化。
采用网络搜索引擎，输入关键词，获取研报数据的主题。通过公开的网站信息以及行业资讯，获取研报数据来源。通过研究机构网站、公告的方式确认研报的发布时间。将研报按照研究行业进行分类，并为每个研报打上相应的分类标签；采用爬虫工具，获取研报数据，建立行业知识库的数据模型，包括研报数据的主题、来源、发布时间、分类信息；使用数据库软件建立行业知识库的数据表结构，并导入研报数据。通过word2vec模型，将研报内容转化为向量表示。向量化的相关属性包括研报文本、关键词、作者、机构、引用文献。例如，输入关键词“中国电子消费品市场”，通过搜索引擎可以获取到多篇研报，选取其中一篇作为分析对象。通过该研究机构网站、公告的方式确认该研报发布的时间，比如发布时间为2021年5月。将该研报按照研究对象进行分类，可以分为消费品行业、电子行业等分类，并为该研报打上相应的标签，如“电子消费品市场”、“2021年”、“中国市场”。通过爬虫工具获取该研报数据，进行人工筛查，去除垃圾信息，保留有价值的数据，构建研报知识库，保存该研报数据的主题、来源、发布时间、分类信息属性。通过word2vec模型，将该研报内容转化为向量表示，并保存向量化的相关属性，如研报文本、关键词、作者、机构、引用文献。
基于word2vec模型，将研报内容转化为向量表示。
获取研报信息，将研报文本、关键词、作者、机构、引用文献的数据进行清洗、分词和编码，构建出对应的数据集。使用gemsim深度学习框架构建word2vec模型；将输入的研报文本、关键词、作者、机构、引用文献的编码通过嵌入层转换成对应维度的向量。将输入的向量表示输入到模型中，经过多层自注意力机制和前向神经网络，得到每个数据的上下文相关的向量表示。将融合后的向量表示输入到全连接层中，得到最终的向量表示。例如，共有10个关键词、5个作者、3个机构和8篇引用文献，那么编码后的向量维度分别为10、5、3和8。对于输入的文本，使用词嵌入的方式将其转换为对应维度的向量。最后，将编码后的向量输入到wrd2vec模型中进行上下文相关的表示学习。假设使用128维度向量，隐藏层大小为128，自注意力头数为8。得到融合了所有数据信息的文本向量表示。最后，将融合后的向量表示输入到全连接层中，得到最终的向量表示。假设全连接层的大小为128维，最终的向量表示为[0.2,0.1,...,0.3]，其中向量的维度为128，表示该研报内容的特征。
步骤102，根据行业知识库对研报知识进行提取，对需要进行生成的产品概念进行分类。
首先，确定需要进行生成的产品及相关关键词；将需要进行生成的产品相关的关键词输入行业知识库进行检索，并筛选出与需要进行生成的产品相关的研报。针对每篇研报，使用自然语言处理技术提取关键信息，所述关键信息为产品概念，包括产品的定位、功能特点和目标用户；将提取的关键信息进行整理分类，形成产品概念分类文档；例如，需要进行一款智能隐形眼镜的生成，首先输入关键词“智能隐形眼镜”进行检索，并找到了一篇研报。然后使用自然语言处理技术提取出关键信息；然后将提取的关键信息进行整理分类，形成以下文档：智能隐形眼镜市场调研报告产品概念：产品定位：智能隐形眼镜，具备智能化、便携性、舒适度的特点。功能特点：实时监测眼睛健康状况，提供眼部保健建议，可自动调节镜片。目标用户：需要经常戴隐形眼镜的人，特别是工作压力大、长时间使用电子产品的人群。
步骤103，根据需要进行生成的产品的功能特点，对每个产品功能特点分类下的产品属性进行prompt生成。
根据产品概念分类文档，确定需要进行生成的产品的功能特点；基于已有的开源知识图谱，根据需要进行生成的产品的功能特点确定其对应的产品属性；收集产品说明书、评论、新闻报道中的产品属性数据，利用数据挖掘和自然语言处理技术，为不同的产品属性建立语料库，并分析语料库中的关键词汇和短语，确定相应的产品属性相应的prompt词汇；构建词汇表，并为每个词分配一个唯一的整数编号。基于卷积神经网络模型，对产品属性进行深度学***台、调节音效优化。
步骤104，根据产品设计师使用习惯、技能和知识背景，针对不同产品的功能特点，自动推荐适合不同产品的prompt的结构化参数。
首先通过设计师过往的作品和设计风格，获取其***面化的元素。根据其履历和工作经验，确定其熟悉的软件为Sketch和Photoshop，熟悉的设计理论为平面设计和用户体验设计，掌握的技巧为用色和排版。因此，推荐更适合其技能和知识背景的设计元素和样式，偏向于平面化的图标和简洁明快的字体。根据产品所属行业为电商，目标用户为年轻人，产品功能特点为浏览商品、购买商品和查看订单等。因此，需要设计师完成的任务和操作流程为设计网站首页的布局、配色和字体等，包括输入数据、选择操作、查看结果；设计相应的prompt内容，包括参数名称、取值范围、默认值、输入方式、验证规则，比如页面宽度为1200px，字体颜色为黑色，按钮颜色为红色，商品展示数量为8个。利用自然语言处理技术，将prompt内容进行结构化处理，生成相应的参数列表，比如页面宽度(1200px)、字体颜色(黑色)、按钮颜色(红色)、商品展示数量(8个)。
基于余弦相似度计算方法，推荐过往作品相似的设计师的prompt结构化参数列表。
获取设计师过往作品的设计元素、样式软件、设计理论和技巧数据，作为特征数据，将获取的特征数据进行结构化处理；采用余弦相似度计算方法对设计师的过往作品进行相似度计算，得到一个相似度矩阵；根据相似度矩阵，找到与当前设计师最相似的设计师，并选取其过往作品作为推荐对象，获取作品的prompt结构化参数列表。为设计师推荐相似设计师作品的prompt结构化参数列表；例如，计算出设计师A和设计师C之间的相似度为0.408，而设计师B和设计师C之间的相似度为0。因此，与当前设计师A最相似的设计师是设计师C，为设计师A推荐设计师c过往作品的prompt结构化参数列表。
步骤105，根据不同的用户需求，对参数列表中的结构化参数进行调整，生成准确描述产品的Prompt内容。
通过用户调研和数据分析工具，获取不同用户群体的画像和需求；根据用户历史行为数据，基于用户的协同过滤算法对用户进行聚类，确定不同用户需求的结构化参数数值。根据确定的结构化参数数值，判断需要调整的产品prompt的结构化参数，对产品prompt的结构化参数进行调整；根据调整后的参数列表，生成准确描述产品的Prompt内容；例如，产品是一款在线购物平台，通过用户调研和数据分析工具发现用户群体分为以下两类：年轻人群体：主要购买时尚、个性化的服装和配饰；家庭主妇群体:主要购买家居用品和日用品。基于用户的历史行为数据，发现年轻人群体更喜欢选择价格较低的商品，而家庭主妇群体则更注重品质和使用体验。因此，我们需要针对不同用户群体的需求进行调整：对于年轻人群体，提供更多价格较低的商品，并在产品prompt中突出显示价格和折扣信息。对于家庭主妇群体，加强对商品品质和使用体验的描述，在产品prompt中突出显示材料、尺寸和使用方式的关键信息。根据以上分析，调整产品prompt的结构化参数，比如调整价格和折扣信息的显示位置、增加商品描述的长度和细节。
基于用户的协同过滤算法对用户进行聚类，确定不同用户需求的结构化参数数值。
获取用户的历史prompt输入数据；对收集到的用户行为数据进行预处理，包括去除重复数据、处理缺失值、归一化；根据用户行为数据，使用余弦相似度的方法计算每个用户之间的相似度。使用K-means聚类算法，将用户分成K个簇，每个簇代表一个用户群体，将用户根据相似度进行聚类；根据聚类结果，分析每个簇的用户行为数据，找出它们的共同点和差异点，确定不同用户群体的需求，确定不同用户需求的结构化参数数值，并对参数列表中的结构化参数进行调整；例如，有1000个用户输入过prompt数据。获取每个用户的历史prompt输入数据，使用余弦相似度算法计算每个用户之间的相似度。接着，使用K-means聚类算法将用户分为K个簇。最后，分析每个簇的用户行为数据，找出它们的共同点和差异点，例如，发现某些簇的用户更喜欢购买高价值的商品，而另一些簇的用户则更注重价格优惠。例如，发现有一个用户群体，他们更喜欢购买高价值的商品，他们的购物记录中普遍包含价格较高的商品，比如奢侈品、高端电子产品。将这个用户群体定义为“高端消费者”，并且根据他们的需求来调整平台的结构化参数，例如增加高价值商品的推荐，改善平台的配送服务。
步骤106，更新行业知识库，根据行业知识库更新调整对应研究产品的创意领域，判断新的创意领域是否超出当前prompt参数能适用的范围。
更新行业知识库，获取最新的研究报告和行业研究，包括新增的研究行业、已有行业的拓展；对已有的研究产品进行评估和分类，按照研究产品的特点、应用场景，将其归入相应的创意领域，根据研究产品的分类和行业研究的发展趋势，调整创意领域的分类。对于新增的研究行业，将其归入相应的创意领域，获取行业定义、研究范围、发展趋势方面的信息。判断新的创意领域是否适用于当前prompt参数，如果不适用，调整参数范围。将新增的研究行业和调整后的创意领域的信息整理并归档。例如，更新行业知识库，最新的研究报告和行业研究显示出一个新的创意领域，名为"智能家居"，该领域的研究范围包括智能家居设备的设计、制造、销售以及与智能家居相关的服务。现有的研究产品中，有些产品可以被归入"智能家居"领域，如智能灯泡、智能插座、智能门锁。对这些产品进行评估和分类，并将其归入相应的创意领域。同时，根据研究产品的分类和行业研究的发展趋势，调整创意领域的分类，比如将"智能家居"细分为"智能照明"、"智能安防"的子领域。如果新的创意领域"智能家居"适用于当前prompt参数，将其加入参数范围，并继续监测该领域的发展趋势。例如，prompt参数为"创意领域：智能设备"，将其扩展为"创意领域：智能设备(包括智能家居、智能穿戴)"，以包含"智能家居"领域。将"智能家居"领域的信息整理并归档。
基于支持向量回归模型，预测新的创意领域的市场潜力。
从各种渠道收集用户对新的创意领域产品的需求描述数据，并进行清洗。采用自然语言处理技术对需求描述文本进行分词、去除停用词、词频统计的操作，并确定关键词。根据关键词将需求描述进行向量化，采用K-means聚类算法建立模型；根据聚类结果和聚类中心的特征，判断各类别的用户需求特点。将新领域的特点和优势与用户需求数据进行比较，判断新领域是否满足当前研究产品所针对的用户需求。使用SVM算法中的支持向量回归模型，将新领域的特点和优势作为自变量，将市场需求和竞争情况作为目标变量，预测新领域的市场潜力；例如，要将一个新的智能家居设备推向市场，并且想要预测这个产品在未来市场上的表现。从用户反馈和市场研究报告中收集到了大量的需求描述数据，包括“智能控制家电”，“自动化安全***”，“节能环保”，“语音识别”。首先，对这些需求描述进行清洗和分析。使用自然语言处理技术对文本进行分词、去除停用词、统计词频，并确定关键词。最终我们得到了10个关键词：智能、控制、家电、自动化、安全、***、节能、环保、语音、识别。接下来，将需求描述进行向量化，采用K-means聚类算法建立模型。设置聚类数为3，将需求描述分成了3个类别：智能家居控制、安全保障、节能环保。根据聚类结果和聚类中心的特征，我们可以得出各类别的用户需求特点：智能家居控制类的用户更注重方便性和智能化程度；然后，将新领域的特点和优势与用户需求数据进行比较，判断新领域是否满足当前研究产品所针对的用户需求。假设的新领域是智能健身设备，发现智能控制和语音识别等关键词与智能健身设备有一定的相关性。最后，使用SVM算法中的支持向量回归模型，将新领域的特点和优势作为自变量，将市场需求和竞争情况作为目标变量，预测新领域的市场潜力。假设得出的预测结果为1000万美元，这意味着我们的新领域有着很大的市场潜力，可以考虑将产品推向市场。
构建决策树，判断新领域的技术实现是否通过当前研究产品所拥有的技术实现进行实现。
收集业务属性内容，包括当前研究产品的技术实现和新领域的技术实现。构建决策树，以当前研究产品的技术实现为根节点，根据新领域的技术实现是否通过当前研究产品所拥有的技术实现进行实现，将树分为可行和不可行两个分支。评估决策树的精度，使用交叉验证的方法将数据集分为训练集和测试集，使用训练集来训练决策树，并使用测试集来评估决策树的精度。根据决策树的结果，判断新领域的创意实现是否可行；例如，当前研究的产品是一款智能家居***，其技术实现包括语音识别、远程控制等功能。新领域的技术实现是一种基于机器学习的人脸识别技术，用于识别家庭成员并自动调整家居***的设置。构建决策树：以智能家居***的技术实现为根节点，如果新领域的人脸识别技术可以通过已有的语音识别等技术来实现，则判定为可行，否则判定为不可行。评估决策树的精度：将数据集分为训练集和测试集，使用训练集来训练决策树，并使用测试集来评估决策树的精度。假设数据集中有100个样本，其中70个样本用于训练，30个样本用于测试。根据决策树的结果，判断新领域的创意实现是否可行：根据决策树的结果，如果新领域的人脸识别技术可以通过已有的语音识别等技术来实现，则判定为可行，否则判定为不可行。
步骤107，根据新的创意领域增加新的prompt结构化参数，并应用于创意设计。
根据最新的研究报告和行业研究的数据源，确定需要使用的数据类型。根据数据源的限制条件，包括最小、最大值、允许的字符集，为结构化参数设置相应的限制条件。然后，确定结构化参数的显示格式，并获取数据源中的数据，并将其转化为结构化参数。判断结构化参数是否与其他属性有关联，如与另一个结构化参数联动或与数据集合并，则进行相应的处理。将新的prompt结构化参数应用于创意设计；例如，在一个报表中添加一个结构化参数，用于选择显示的时间范围。数据源中提供了一个时间字段，格式为YYYY-MM-DD，最小值为2010-01-01，最大值为2022-12-31。设置结构化参数的限制条件为：最小值为2010-01-01，最大值为2022-12-31，只允许输入YYYY-MM-DD格式的日期。接下来，确定结构化参数的显示格式，选择日历控件或者文本框，用于输入日期。在获取数据源中的数据时，将时间字段转化为日期格式，并将其作为结构化参数的选项。例如，将时间字段中的所有日期作为结构化参数的选项，用户可以选择任何一个日期。如果该结构化参数与其他属性有关联，例如与另一个结构化参数联动，例如，如果我们在报表中需要添加一个结构化参数，用于选择时间范围类型，例如“本周”、“本月”、“本季度”等等，则设置相应的联动规则。例如，如果用户选择“本周”选项，则需要自动填充时间范围结构化参数，并将其设置为本周的起始日期和结束日期。最后，将新的prompt结构化参数应用于创意设计，并且在报表中展示。例如，使用该结构化参数来过滤报表中的数据，以显示用户选择的时间范围内的数据。如果用户选择了2020-01-01至2020-12-31的时间范围，则报表将显示该时间范围内的所有数据。
基于决策树算法，确定结构化参数的限制条件和与业务属性进行匹配和协调。
获取特征属性和样本属性，特征属性包括数值型。通过样本属性确定每个样本所属的类别，确定决策树属性，包括属性类型和取值范围，以及分类准确率的要求和限制条件。选择根节点，该节点对应所有数据样本。选择一个属性，将数据样本按照该属性值进行分类，构建该属性的子节点，直到所有子节点下的数据样本都属于同一类别或者所有属性都被使用完毕。从根节点开始，按照节点上的属性值逐级向下遍历树，直到到达叶子节点，叶子节点所代表的类别即为新数据的分类结果。确定结构化参数的限制条件和与业务属性进行匹配和协调，得到决策树分类器，对新数据进行分类，判断其所属的类别。例如，有一个数据集，包含以下属性：性别：男、女，年龄：数值型，收入：数值型，婚姻状态：已婚、未婚，职业：白领、蓝领、其他，和购买力：高、中、低。首先，将属性分为特征属性和样本属性。特征属性为性别、年龄、收入、婚姻状态和职业，样本属性为购买力，数值型属性为年龄和收入，根据样本属性购买力确定决策树属性，即分类准确率的要求和限制条件。假设要求分类准确率达到80％以上。选择根节点为购买力，该节点对应所有数据样本。选择一个属性，将数据样本按照该属性值进行分类，构建该属性的子节点，直到所有子节点下的数据样本都属于同一类别或者所有属性都被使用完毕。假设选择年龄作为第一个属性，将年龄小于等于30岁的样本划分到一个子节点中，年龄大于30岁的样本划分到另一个子节点中。计算两个子节点的购买力分类准确率，如果达到80％以上，则继续构建子节点，否则，选择另外一个属性进行划分。假设继续使用婚姻状态作为第二个属性，将已婚和未婚两个子节点分别划分为新的子节点，计算各子节点的购买力分类准确率，如果达到80％以上，则继续构建子节点，否则，选择另外一个属性进行划分。以此类推，直到所有子节点下的数据样本都属于同一类别或者所有属性都被使用完毕。从根节点开始，按照节点上的属性值逐级向下遍历树，直到到达叶子节点，叶子节点所代表的类别即为新数据的分类结果。确定结构化参数的限制条件和与业务属性进行匹配和协调，得到决策树分类器，对新数据进行分类，判断其所属的类别。例如，对一个30岁、收入中等、未婚、白领的人进行预测，根据决策树分类器可以得出其购买力为中等。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种基于研报数据和大语言模型生成产品概念的方法，其特征在于，所述方法包括：
获取研报数据的主题、来源和发布时间，对研报内容进行分类，构建行业知识库，并进行知识库向量化，具体包括：基于word2vec模型，将研报内容转化为向量表示；根据行业知识库对研报知识进行提取，对需要进行生成的产品概念进行分类；根据需要进行生成的产品的功能特点，对每个产品功能特点分类下的产品属性进行prompt生成；根据产品设计师使用习惯、技能和知识背景，针对不同产品的功能特点，自动推荐适合不同产品的prompt的结构化参数，具体包括：基于余弦相似度计算方法，推荐过往作品相似的设计师的prompt结构化参数列表；根据不同的用户需求，对参数列表中的结构化参数进行调整，生成准确描述产品的Prompt内容，具体包括：基于用户的协同过滤算法对用户进行聚类，确定不同用户需求的结构化参数数值；更新行业知识库，根据行业知识库更新调整对应研究产品的创意领域，判断新的创意领域是否超出当前prompt参数能适用的范围，所述更新行业知识库，根据行业知识库更新调整对应研究产品的创意领域，判断新的创意领域是否超出当前prompt参数能适用的范围，具体包括：基于支持向量回归模型，预测新的创意领域的市场潜力，构建决策树，判断新领域的技术实现是否通过当前研究产品所拥有的技术实现进行实现；根据新的创意领域增加新的prompt结构化参数，并应用于创意设计，包括：基于决策树算法，确定结构化参数的限制条件和与业务属性进行匹配和协调。
2.根据权利要求1所述的方法，其中，所述获取研报数据的主题、来源和发布时间，对研报内容进行分类，构建行业知识库，并进行知识库向量化，包括:
采用网络搜索引擎，输入关键词，获取研报数据的主题；通过公开的网站信息以及行业资讯，获取研报数据来源；通过研究机构网站、公告的方式确认研报的发布时间；将研报按照研究行业进行分类，并为每个研报打上相应的分类标签；采用爬虫工具，获取研报数据，建立行业知识库的数据模型，包括研报数据的主题、来源、发布时间、分类信息；使用数据库软件建立行业知识库的数据表结构，并导入研报数据；通过word2vec模型，将研报内容转化为向量表示；向量化的相关属性包括研报文本、关键词、作者、机构、引用文献；包括：基于word2vec模型，将研报内容转化为向量表示；
所述基于word2vec模型，将研报内容转化为向量表示，具体包括:
获取研报信息，将研报文本、关键词、作者、机构、引用文献的数据进行清洗、分词和编码，构建出对应的数据集；使用gemsim深度学习框架构建word2vec模型；将输入的研报文本、关键词、作者、机构、引用文献的编码通过嵌入层转换成对应维度的向量；将输入的向量表示输入到模型中，经过多层自注意力机制和前向神经网络，得到每个数据的上下文相关的向量表示；将融合后的向量表示输入到全连接层中，得到最终的向量表示。
3.根据权利要求1所述的方法，其中，所述根据行业知识库对研报知识进行提取，对需要进行生成的产品概念进行分类，包括:
首先，确定需要进行生成的产品及相关关键词；将需要进行生成的产品相关的关键词输入行业知识库进行检索，并筛选出与需要进行生成的产品相关的研报；针对每篇研报，使用自然语言处理技术提取关键信息，所述关键信息为产品概念，包括产品的定位、功能特点和目标用户；将提取的关键信息进行整理分类，形成产品概念分类文档。
4.根据权利要求1所述的方法，其中，所述根据需要进行生成的产品的功能特点，对每个产品功能特点分类下的产品属性进行prompt生成，包括:
根据产品概念分类文档，确定需要进行生成的产品的功能特点；基于已有的开源知识图谱，根据需要进行生成的产品的功能特点确定其对应的产品属性；收集产品说明书、评论、新闻报道中的产品属性数据，利用数据挖掘和自然语言处理技术，为不同的产品属性建立语料库，并分析语料库中的关键词汇和短语，确定相应的产品属性相应的prompt词汇；构建词汇表，并为每个词分配一个唯一的整数编号；基于卷积神经网络模型，对产品属性进行深度学习和模型训练；输入产品属性，训练好的模型自动识别并推荐适当的产品属性相应的prompt词汇；根据用户的需求将不同的prompt词汇组合，使用自然语言生成技术生成针对每个产品功能特点的prompt内容。
5.根据权利要求1所述的方法，其中，所述根据产品设计师使用习惯、技能和知识背景，针对不同产品的功能特点，自动推荐适合不同产品的prompt的结构化参数，包括:
首先通过设计师过往的作品和设计风格，获取其习惯的设计元素和样式；通过设计师的履历和工作经验，确定其熟悉的软件、设计理论和技巧；根据设计师的技能和知识背景，推荐适合其技能和知识背景的设计元素和样式；根据产品所属行业、目标用户、产品功能特点，确定产品的功能特点参数；根据产品功能特点，确定需要设计师完成的任务和操作流程，包括输入数据、选择操作、查看结果；设计相应的prompt内容，包括参数名称、取值范围、默认值、输入方式、验证规则；利用自然语言处理技术，将prompt内容进行结构化处理，生成相应的参数列表；包括：基于余弦相似度计算方法，推荐过往作品相似的设计师的prompt结构化参数列表；
所述基于余弦相似度计算方法，推荐过往作品相似的设计师的prompt结构化参数列表，具体包括:
获取设计师过往作品的设计元素、样式软件、设计理论和技巧数据，作为特征数据，将获取的特征数据进行结构化处理；采用余弦相似度计算方法对设计师的过往作品进行相似度计算，得到一个相似度矩阵；根据相似度矩阵，找到与当前设计师最相似的设计师，并选取其过往作品作为推荐对象，获取作品的prompt结构化参数列表；为设计师推荐相似设计师作品的prompt结构化参数列表。
6.根据权利要求1所述的方法，其中，所述根据不同的用户需求，对参数列表中的结构化参数进行调整，生成准确描述产品的Prompt内容，包括:
通过用户调研和数据分析工具，获取不同用户群体的画像和需求；根据用户历史行为数据，基于用户的协同过滤算法对用户进行聚类，确定不同用户需求的结构化参数数值；根据确定的结构化参数数值，判断需要调整的产品prompt的结构化参数，对产品prompt的结构化参数进行调整；根据调整后的参数列表，生成准确描述产品的Prompt内容；包括：基于用户的协同过滤算法对用户进行聚类，确定不同用户需求的结构化参数数值；
所述基于用户的协同过滤算法对用户进行聚类，确定不同用户需求的结构化参数数值，具体包括:
获取用户的历史prompt输入数据；对收集到的用户行为数据进行预处理，包括去除重复数据、处理缺失值、归一化；根据用户行为数据，使用余弦相似度的方法计算每个用户之间的相似度；使用K-means聚类算法，将用户分成K个簇，每个簇代表一个用户群体，将用户根据相似度进行聚类；根据聚类结果，分析每个簇的用户行为数据，找出它们的共同点和差异点，确定不同用户群体的需求，确定不同用户需求的结构化参数数值，并对参数列表中的结构化参数进行调整。
7.根据权利要求1所述的方法，其中，所述更新行业知识库，根据行业知识库更新调整对应研究产品的创意领域，判断新的创意领域是否超出当前prompt参数能适用的范围，包括:
更新行业知识库，获取最新的研究报告和行业研究，包括新增的研究行业、已有行业的拓展；对已有的研究产品进行评估和分类，按照研究产品的特点、应用场景，将其归入相应的创意领域，根据研究产品的分类和行业研究的发展趋势，调整创意领域的分类；对于新增的研究行业，将其归入相应的创意领域，获取行业定义、研究范围、发展趋势方面的信息；判断新的创意领域是否适用于当前prompt参数，如果不适用，调整参数范围；将新增的研究行业和调整后的创意领域的信息整理并归档；包括：基于支持向量回归模型，预测新的创意领域的市场潜力；构建决策树，判断新领域的技术实现是否通过当前研究产品所拥有的技术实现进行实现；
所述基于支持向量回归模型，预测新的创意领域的市场潜力，具体包括:
从各种渠道收集用户对新的创意领域产品的需求描述数据，并进行清洗；采用自然语言处理技术对需求描述文本进行分词、去除停用词、词频统计的操作，并确定关键词；根据关键词将需求描述进行向量化，采用K-means聚类算法建立模型；根据聚类结果和聚类中心的特征，判断各类别的用户需求特点；将新领域的特点和优势与用户需求数据进行比较，判断新领域是否满足当前研究产品所针对的用户需求；使用SVM算法中的支持向量回归模型，将新领域的特点和优势作为自变量，将市场需求和竞争情况作为目标变量，预测新领域的市场潜力；
所述构建决策树，判断新领域的技术实现是否通过当前研究产品所拥有的技术实现进行实现，具体包括:
收集业务属性内容，包括当前研究产品的技术实现和新领域的技术实现；构建决策树，以当前研究产品的技术实现为根节点，根据新领域的技术实现是否通过当前研究产品所拥有的技术实现进行实现，将树分为可行和不可行两个分支；评估决策树的精度，使用交叉验证的方法将数据集分为训练集和测试集，使用训练集来训练决策树，并使用测试集来评估决策树的精度；根据决策树的结果，判断新领域的创意实现是否可行。
8.根据权利要求1所述的方法，其中，所述根据新的创意领域增加新的prompt结构化参数，并应用于创意设计，包括:
根据最新的研究报告和行业研究的数据源，确定需要使用的数据类型；根据数据源的限制条件，包括最小、最大值、允许的字符集，为结构化参数设置相应的限制条件；然后，确定结构化参数的显示格式，并获取数据源中的数据，并将其转化为结构化参数；判断结构化参数是否与其他属性有关联，如与另一个结构化参数联动或与数据集合并，则进行相应的处理；将新的prompt结构化参数应用于创意设计；包括：基于决策树算法，确定结构化参数的限制条件和与业务属性进行匹配和协调；
所述基于决策树算法，确定结构化参数的限制条件和与业务属性进行匹配和协调，具体包括:
获取特征属性和样本属性，特征属性包括数值型；通过样本属性确定每个样本所属的类别，确定决策树属性，包括属性类型和取值范围，以及分类准确率的要求和限制条件；选择根节点，该节点对应所有数据样本；选择一个属性，将数据样本按照该属性值进行分类，构建该属性的子节点，直到所有子节点下的数据样本都属于同一类别或者所有属性都被使用完毕；从根节点开始，按照节点上的属性值逐级向下遍历树，直到到达叶子节点，叶子节点所代表的类别即为新数据的分类结果；确定结构化参数的限制条件和与业务属性进行匹配和协调，得到决策树分类器，对新数据进行分类，判断其所属的类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310689284.9A CN116955613B (zh) | 2023-06-12 | 2023-06-12 | 一种基于研报数据和大语言模型生成产品概念的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310689284.9A CN116955613B (zh) | 2023-06-12 | 2023-06-12 | 一种基于研报数据和大语言模型生成产品概念的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116955613A true CN116955613A (zh) | 2023-10-27 |
| CN116955613B CN116955613B (zh) | 2024-02-27 |
Family
ID=88445212
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310689284.9A Active CN116955613B (zh) | 2023-06-12 | 2023-06-12 | 一种基于研报数据和大语言模型生成产品概念的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116955613B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117407595A (zh) * | 2023-12-14 | 2024-01-16 | 江西财经大学 | 融合大语言模型与动态对话意图的家装设计师推荐方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020087313A1 (en) * | 2000-12-29 | 2002-07-04 | Lee Victor Wai Leung | Computer-implemented intelligent speech model partitioning method and system |
| US6678415B1 (en) * | 2000-05-12 | 2004-01-13 | Xerox Corporation | Document image decoding using an integrated stochastic language model |
| CN101620738A (zh) * | 2009-07-24 | 2010-01-06 | 中国科学院软件研究所 | 一种生成多媒体概念图的方法 |
| US20160162478A1 (en) * | 2014-11-25 | 2016-06-09 | Lionbridge Techologies, Inc. | Information technology platform for language translation and task management |
| WO2018033030A1 (zh) * | 2016-08-19 | 2018-02-22 | 中兴通讯股份有限公司 | 自然语言文句库的生成方法及装置 |
| US20180268464A1 (en) * | 2015-11-18 | 2018-09-20 | Alibaba Group Holding Limited | Order clustering and malicious information combating method and apparatus |
| CN110321549A (zh) * | 2019-04-09 | 2019-10-11 | 广州数说故事信息科技有限公司 | 基于序列化学习、关系挖掘、时序分析的新概念挖掘方法 |
| JP6624539B1 (ja) * | 2019-10-01 | 2019-12-25 | 株式会社トレードワークス | クラス分類と回帰分類を組み合わせたａｉチャットボットの構築方法 |
| CN112085251A (zh) * | 2020-08-03 | 2020-12-15 | 广州数说故事信息科技有限公司 | 一种消费品产品研发组合概念推荐方法和*** |
| CN112307153A (zh) * | 2020-09-30 | 2021-02-02 | 杭州量知数据科技有限公司 | 一种产业知识库自动构建方法、装置及存储介质 |
| CN112487182A (zh) * | 2019-09-12 | 2021-03-12 | 华为技术有限公司 | 文本处理模型的训练方法、文本处理方法及装置 |
| WO2022044053A1 (en) * | 2020-08-31 | 2022-03-03 | Indian Institute Of Science | Generating a knowledge base from mathematical formulae in technical documents |
| CN114357121A (zh) * | 2022-03-10 | 2022-04-15 | 四川大学 | 一种基于数据驱动的创新方案设计方法和*** |
| CN114463040A (zh) * | 2021-12-31 | 2022-05-10 | 深圳市东信时代信息技术有限公司 | 广告计划生成方法、装置、计算机设备及存储介质 |
| CN115329757A (zh) * | 2022-10-17 | 2022-11-11 | 广州数说故事信息科技有限公司 | 一种产品创新概念挖掘方法、装置、存储介质及终端设备 |
| US20220407961A1 (en) * | 2015-01-06 | 2022-12-22 | Cyara Solutions Pty Ltd | System and methods for chatbot and search engine integration |
| JP2023043129A (ja) * | 2021-09-15 | 2023-03-28 | ネイバー コーポレーション | ターゲット情報生成方法及びシステム |
-
2023
- 2023-06-12 CN CN202310689284.9A patent/CN116955613B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6678415B1 (en) * | 2000-05-12 | 2004-01-13 | Xerox Corporation | Document image decoding using an integrated stochastic language model |
| US20020087313A1 (en) * | 2000-12-29 | 2002-07-04 | Lee Victor Wai Leung | Computer-implemented intelligent speech model partitioning method and system |
| CN101620738A (zh) * | 2009-07-24 | 2010-01-06 | 中国科学院软件研究所 | 一种生成多媒体概念图的方法 |
| US20160162478A1 (en) * | 2014-11-25 | 2016-06-09 | Lionbridge Techologies, Inc. | Information technology platform for language translation and task management |
| US20220407961A1 (en) * | 2015-01-06 | 2022-12-22 | Cyara Solutions Pty Ltd | System and methods for chatbot and search engine integration |
| US20180268464A1 (en) * | 2015-11-18 | 2018-09-20 | Alibaba Group Holding Limited | Order clustering and malicious information combating method and apparatus |
| WO2018033030A1 (zh) * | 2016-08-19 | 2018-02-22 | 中兴通讯股份有限公司 | 自然语言文句库的生成方法及装置 |
| CN110321549A (zh) * | 2019-04-09 | 2019-10-11 | 广州数说故事信息科技有限公司 | 基于序列化学习、关系挖掘、时序分析的新概念挖掘方法 |
| CN112487182A (zh) * | 2019-09-12 | 2021-03-12 | 华为技术有限公司 | 文本处理模型的训练方法、文本处理方法及装置 |
| JP6624539B1 (ja) * | 2019-10-01 | 2019-12-25 | 株式会社トレードワークス | クラス分類と回帰分類を組み合わせたａｉチャットボットの構築方法 |
| CN112085251A (zh) * | 2020-08-03 | 2020-12-15 | 广州数说故事信息科技有限公司 | 一种消费品产品研发组合概念推荐方法和*** |
| WO2022044053A1 (en) * | 2020-08-31 | 2022-03-03 | Indian Institute Of Science | Generating a knowledge base from mathematical formulae in technical documents |
| CN112307153A (zh) * | 2020-09-30 | 2021-02-02 | 杭州量知数据科技有限公司 | 一种产业知识库自动构建方法、装置及存储介质 |
| JP2023043129A (ja) * | 2021-09-15 | 2023-03-28 | ネイバー コーポレーション | ターゲット情報生成方法及びシステム |
| CN114463040A (zh) * | 2021-12-31 | 2022-05-10 | 深圳市东信时代信息技术有限公司 | 广告计划生成方法、装置、计算机设备及存储介质 |
| CN114357121A (zh) * | 2022-03-10 | 2022-04-15 | 四川大学 | 一种基于数据驱动的创新方案设计方法和*** |
| CN115329757A (zh) * | 2022-10-17 | 2022-11-11 | 广州数说故事信息科技有限公司 | 一种产品创新概念挖掘方法、装置、存储介质及终端设备 |
Non-Patent Citations (1)
| Title |
|---|
| 夏天;: "基于***的中文文本层次路径生成研究", 现代图书情报技术, no. 03 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117407595A (zh) * | 2023-12-14 | 2024-01-16 | 江西财经大学 | 融合大语言模型与动态对话意图的家装设计师推荐方法 |
| CN117407595B (zh) * | 2023-12-14 | 2024-03-08 | 江西财经大学 | 融合大语言模型与动态对话意图的家装设计师推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116955613B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Extracting and summarizing affective features and responses from online product descriptions and reviews: A Kansei text mining approach | |
| Conrad et al. | ELM: An extended logic matching method on record linkage analysis of disparate databases for profiling data mining | |
| Chung et al. | Discovering business intelligence from online product reviews: A rule-induction framework | |
| CN112785397A (zh) | 一种产品推荐方法、装置及存储介质 | |
| CN108874992A (zh) | 舆情分析方法、***、计算机设备和存储介质 | |
| Syamala et al. | A Filter Based Improved Decision Tree Sentiment Classification Model for Real-Time Amazon Product Review Data. | |
| Mahdavi et al. | Designing evolving user profile in e-CRM with dynamic clustering of Web documents | |
| CN116431931B (zh) | 实时增量数据统计分析方法 | |
| CN116235144A (zh) | 用于快速筛查的领域专用语言解释器和交互式可视界面 | |
| CN116955613B (zh) | 一种基于研报数据和大语言模型生成产品概念的方法 | |
| CN112507691A (zh) | 一种融合情感、产业链和事理逻辑的可解释性金融标的物生成方法和装置 | |
| Özdağoğlu et al. | A predictive filtering approach for clarifying bibliometric datasets: an example on the research articles related to industry 4.0 | |
| CN112231593B (zh) | 一种金融资讯智能推荐*** | |
| Seymen et al. | Customer churn prediction using deep learning | |
| CN114861050A (zh) | 一种基于神经网络的特征融合推荐方法及*** | |
| CN116976564A (zh) | 基于大模型的智能企业决策方法 | |
| CN110852785A (zh) | 用户分级方法、装置及计算机可读存储介质 | |
| CN113298559A (zh) | 一种商品适用人群的推荐方法、***、装置及存储介质 | |
| CN116823321B (zh) | 一种电商用经济管理数据分析方法及*** | |
| Beheshti-Kashi et al. | Trendfashion-a framework for the identification of fashion trends | |
| KR102358357B1 (ko) | 시장규모추정장치 및 그 동작 방법 | |
| CN117474631A (zh) | 基于电商平台评论的数据挖掘与情感分析的推荐算法 | |
| CN111858930A (zh) | 一种社交电商用户画像的建立方法 | |
| Jiang et al. | Durable product review mining for customer segmentation | |
| Anastasopoulos et al. | Computational text analysis for public management research: An annotated application to county budgets |
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 |