一种智能提供推荐信息的方法和装置

技术领域

本发明涉及人工智能(Artificial intelligence，AI)技术领域，尤其涉及一种智能提供推荐信息的方法和装置。

背景技术

对于工厂经理来说，如何提高工人的技能水平是一个显著问题。管理人员致力于不断提高工人的技能水平。工人需要智能的学习方法，该方法可以使工人独立学习，从而减少人工培训的成本，培训时间以及因工人流失(例如退休)而导致的技能流失。

现有的工人学习方法主要为师徒制。师徒采用面对面交流方式传递知识。其他工人学习方式主要通过社交媒体进行，例如视频学习、在线实时学习和互联网论坛等。但是，上述方法存在以下问题：师徒制培训周期长，学习效率还取决于师傅的教学水平，而且师徒制不可避免地会影响师傅自身的生产能力。另外，与社交媒体相关的学习系统存在诸多问题，比如学习内容繁琐以及工人无法准确找到需要学习的内容。而且，工人通常不知道需要学习何种技能。

AI对各行各业产生重大影响。制造商已经开始认识并体验AI的优势。

发明内容

本发明实施方式提出智能提供推荐信息的方法和装置。

第一方面，提供一种智能提供推荐信息的方法，包括：

确定对应于用户标识的用户属性参数；

确定将所述用户属性参数输入得分模型所输出的、对应于所述用户标识的得分值；

基于所述得分值和与用户相关的知识图谱，确定对应于所述用户标识的推荐信息；

提供所述推荐信息。

可见，本发明实施方式可以基于知识图谱和得分模型，可以智能地提供推荐信息，有利于提高学习效率。

在一个实施方式中，所述确定对应于用户标识的用户属性参数包括下列中的至少一个：

从用户信息数据库获取对应于所述用户标识的工作时间；

从用户信息数据库获取对应于所述用户标识的历史任务量；

从用户信息数据库获取对应于所述用户标识的当前任务；

从用户信息数据库获取对应于所述用户标识的技能水平值；

从用户信息数据库获取对应于所述用户标识的培训时间；

从所述知识图谱获取对应于所述用户标识的技能数。

因此，可以从多种数据来源获取多种类型的用户属性参数。

在一个实施方式中，所述用户属性参数包含多个种类，所述得分模型为包含多个维度的、已训练的机器学习模型，其中每个维度对应于所述用户属性参数的每个种类。

可见，在本发明实施方式中，用户属性参数与机器学习模型中的维度保持对应，有利于快速得出得分值。

在一个实施方式中，所述知识图谱包含用户实体、技能实体与操作对象实体；其中用于构建所述知识图谱的数据来源包括下列中的至少一个：

结构化数据；非结构化数据；半结构化数据。

因此，在本发明实施方式中，可以通过多种数据来源构建知识图谱。

在一个实施方式中，所述基于得分值和与用户相关的知识图谱，确定对应于所述用户标识的推荐信息，包括：

确定对应于所述得分值所属的等级范围的技能集合；确定所述知识图谱中所保存的、对应于所述用户标识的技能；从所述技能集合中去除所述对应于用户标识的技能；基于技能集合中的剩余技能确定对应于所述用户标识的推荐信息；或

确定具有与该得分值相似的得分值的相似用户；确定所述知识图谱中所保存的、对应于所述相似用户的用户标识的技能；基于所述对应于相似用户的用户标识的技能，确定对应于所述用户标识的推荐信息；或

基于所述知识图谱确定与对应于所述用户标识的用户相似的相似用户；确定所述知识图谱中所保存的、对应于所述相似用户的用户标识的技能；基于所述对应于相似用户的用户标识的技能，确定对应于所述用户标识的推荐信息。

因此，可以通过多种方式生成推荐信息，具有适用性广的优点。

在一个实施方式中，

所述基于得分值和与用户相关的知识图谱，确定对应于所述用户标识的推荐信息，包括：

基于所述知识图谱确定与对应于所述用户标识的用户相似的第一相似用户集合；基于得分值比较过程确定与对应于所述用户标识的用户相似的第二相似用户集合；确定第一相似用户集合和第二相似用户集合的交集；基于所述知识图谱中所保存的、所述交集中用户的技能，以及所述知识图谱中所保存的、对应于所述用户标识的用户的技能，确定对应于所述用户标识的推荐信息。

因此，在本发明实施方式中，可以结合知识图谱和得分模型输出的得分值，更加智能地确定推荐信息。尤其是，知识图谱有助于寻找不同实体之间的关联性，从而能够基于员工能力与员工相似度这两方面的维度共同确定推荐信息。

第二方面，提供一种智能提供推荐信息的装置，包括：

第一确定模块，用于确定对应于用户标识的用户属性参数；

第二确定模块，用于确定将所述用户属性参数输入得分模型所输出的、对应于所述用户标识的得分值；

第三确定模块，用于基于所述得分值和与用户相关的知识图谱，确定对应于所述用户标识的推荐信息；

提供模块，用于提供所述推荐信息。

可见，本发明实施方式可以基于知识图谱和得分模型，可以智能地提供推荐信息，有利于提高学习效率。

在一个实施方式中，

第一确定模块，用于执行下列中的至少一个：

从用户信息数据库获取对应于所述用户标识的工作时间；

从用户信息数据库获取对应于所述用户标识的历史任务量；

从用户信息数据库获取对应于所述用户标识的当前任务；

从用户信息数据库获取对应于所述用户标识的技能水平值；

从用户信息数据库获取对应于所述用户标识的培训时间；

从所述知识图谱获取对应于所述用户标识的技能数。

因此，可以从多种数据来源获取多种类型的用户属性参数。

在一个实施方式中，所述用户属性参数包含多个种类，所述得分模型为包含多个维度的、已训练的机器学习模型，其中每个维度对应于所述用户属性参数的每个种类。

可见，在本发明实施方式中，用户属性参数与机器学习模型中的维度保持对应，有利于快速得出得分值。

在一个实施方式中，所述知识图谱包含用户实体、技能实体与操作对象实体；其中用于构建所述知识图谱的数据来源包括下列中的至少一个：

结构化数据；非结构化数据；半结构化数据。

因此，在本发明实施方式中，可以通过多种数据来源构建知识图谱。

在一个实施方式中，第三确定模块，用于：

确定对应于所述得分值所属的等级范围的技能集合；确定所述知识图谱中所保存的、对应于所述用户标识的技能；从所述技能集合中去除所述对应于用户标识的技能；基于技能集合中的剩余技能确定对应于所述用户标识的推荐信息；或

确定具有与该得分值相似的得分值的相似用户；确定所述知识图谱中所保存的、对应于所述相似用户的用户标识的技能；基于所述对应于相似用户的用户标识的技能，确定对应于所述用户标识的推荐信息；或

基于所述知识图谱确定与对应于所述用户标识的用户相似的相似用户；确定所述知识图谱中所保存的、对应于所述相似用户的用户标识的技能；基于所述对应于相似用户的用户标识的技能，确定对应于所述用户标识的推荐信息。

因此，可以通过多种方式生成推荐信息，具有适用性广的优点。

在一个实施方式中，第三确定模块，用于基于所述知识图谱确定与对应于所述用户标识的用户相似的第一相似用户集合；基于得分值比较过程确定与对应于所述用户标识的用户相似的第二相似用户集合；确定第一相似用户集合和第二相似用户集合的交集；基于所述知识图谱中所保存的、所述交集中用户的技能和所述知识图谱中所保存的、对应于所述用户标识的用户的技能，确定对应于所述用户标识的推荐信息。

因此，在本发明实施方式中，可以结合知识图谱和得分模型输出的得分值，更加智能地确定推荐信息。尤其是，知识图谱有助于寻找不同实体之间的关联性，从而能够基于员工能力与员工相似度这两方面的维度共同地确定推荐信息。

第三方面，提供一种智能提供推荐信息的装置，包括：包括处理器和存储器；

所述存储器中存储有可被所述处理器执行的应用程序，用于使得所述处理器执行如上任一项所述的智能提供推荐信息的方法。

第四方面，提供一种计算机可读存储介质，其中存储有计算机可读指令，该计算机可读指令用于执行如上任一项所述的智能提供推荐信息的方法。

附图说明

图1为本发明实施方式智能提供推荐信息的方法流程图。

图2为本发明实施方式构建知识图谱的示范性示意图。

图3为本发明实施方式与用户相关的知识图谱的第一示范性示意图。

图4为本发明实施方式与用户相关的知识图谱的第二示范性示意图。

图5为根据本发明实施方式在工人培训场景中智能提供推荐信息的示范性方法的流程图。

图6为本发明实施方式智能提供推荐信息的装置的方框图。

图7为本发明实施方式智能提供推荐信息的装置的模块图。

其中，附图标记如下：

/>

具体实施方式

为了使本发明的技术方案及优点更加清楚明白，以下结合附图及实施方式，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方式仅仅用以阐述性说明本发明，并不被配置为用于限定本发明的保护范围。

为了描述上的简洁和直观，下文通过描述若干代表性的实施方式来对本发明的方案进行阐述。实施方式中大量的细节仅被配置为用于帮助理解本发明的方案。但是很明显，本发明的技术方案实现时可以不局限于这些细节。为了避免不必要地模糊了本发明的方案，一些实施方式没有进行细致地描述，而是仅给出了框架。下文中，“包括”是指“包括但不限于”，“根据……”是指“至少根据……，但不限于仅根据……”。由于汉语的语言习惯，下文中没有特别指出一个成分的数量时，意味着该成分可以是一个也可以是多个，或可理解为至少一个。

图1为本发明实施方式智能提供推荐信息的方法流程图。

如图1所示，该方法100包括：

步骤102：确定对应于用户标识的用户属性参数。

在这里，用户标识为用户登录时用于识别用户身份的名字。比如，用户标识可以为工人编号、学生证号码、教师证编号、移动终端的客户识别模块(SMI)卡号，等等。用户属性参数包括与用户的能力属性相关的参数。比如，用户的能力属性可以包括：用户已掌握的技能和技能数目；用户已完成任务；用户当前正在执行任务，等等。具体地，用户属性参数可以包括：工作时间、历史任务量、当前任务、已掌握的技能数目、技能水平值(比如，上司设置的)、培训时间，等等。

在一个实施方式中，在步骤102中，可以将用户标识作为检索项，从各种类型的结构化数据库中获取对应于用户标识的、结构化的用户属性参数。比如，可以从人事资源数据库、工作日志数据库等各种类型的结构化数据库中，获取结构化的用户属性参数。

可选地，还可以从非结构化数据源(比如，邮件信息、聊天记录、办公文档、文本、图片、XML文件、HTML文件和各类报表)等，获取非结构化的用户属性参数。优选地，进一步对非结构化的用户属性参数执行归一化处理，从而便于后续统一处理。

步骤104：确定将用户属性参数输入得分模型所输出的、对应于用户标识的得分值。

在这里，将步骤102中获取的用户属性参数输入预先确定的得分模型，从而由得分模型输出对应于用户标识的得分值。

在一个实施方式中，用户属性参数包含多个种类，得分模型为包含多个维度的、已训练的机器学习模型，其中每个维度对应于用户属性参数的每个种类。得分模型利用用户属性参数对用户进行打分，从而输出得分值。

举例，机器学习模型具体可以实施为线性回归模型和非线性模型，其中非线性模型可以包括：全连接神经网络、卷积神经网络或循环神经网络，等等。

下面以线性回归模型为例，描述建立和训练机器学习模型的典型实例。

首先，定义n个特征值，分别为：x

然后，建立线性回归算法模型：y＝ω

y＝ω

假设训练集中有m个样本，矩阵的形式如下：

权重W也可以用矩阵形式表示：w＝[ω

然后，可以用简单明了的方式编写为：Y＝XW

计算权重W，然后定义用于计算工人技能水平的线性回归算法模型。而且，可以使用均方根误差(RMSE)按测试集更新模型。其中：RMSE如下：

以上示范性描述了建立和训练线性回归模型的典型实例，本领域技术人员可以意识到，这种描述仅是示范性，并不用于限定本发明实施方式的保护范围。

步骤106：基于得分值和与用户相关的知识图谱，确定对应于用户标识的推荐信息。

在一个实施方式中，知识图谱包含用户实体、技能实体与操作对象实体；其中用于构建知识图谱的数据来源包括下列中的至少一个：结构化数据；非结构化数据；半结构化数据。比如，可以从人事资源数据库、工作日志数据库等结构化数据库获取结构化的用户数据，以作为构建知识图谱的数据来源。可选地，还可以从非结构化数据源等，获取非结构化的用户数据，以作为构建知识图谱的数据来源。

图2为本发明实施方式构建知识图谱的示范性示意图。

如图2所示，数据源20包括多种类型，具体包括文件21、图片22、音频23和视频24。其中，可以将文件21中所包含的文本输入到基于NLP的语义分析系统30。图像识别25针对图片22执行图像识别处理，将图像识别结果(图像的文本描述)输入到基于NLP的语义分析系统30。语音识别27对音频23执行语音识别处理，并将语音识别结果输入到基于NLP的语义分析系统30。针对视频24，首先基于音频提取28提取出音频，针对提取出的音频执行语音识别29，然后将语音识别结果输入到基于NLP的语义分析系统30。

可见，基于NLP的语义分析系统30具有多路的文本输入源。基于NLP的语义分析系统30执行NLP处理，提炼出知识本体数据60。然后，基于该知识本体数据60可以创建包含用户实体、技能实体与操作对象实体的知识图谱。比如，具体可以采用Neo4j或者MongoDB等工具来创建知识图谱。其中，用户实体中可以包含表示为<用户标识、用户属性和用户属性值>的三元组；技能实体中可以包含表示为<技能标识、技能属性和技能属性值>的三元组；操作对象实体中可以包含表示为<对象实体标识、对象实体属性和对象实体属性值>的三元组。优选地，知识图谱处于动态更新状态。

步骤108：提供推荐信息。

在这里，可以利用视频、音频、照片或文字等多种方式呈现推荐信息。

在一个实施方式中，步骤106中基于得分值和包含所述用户标识的知识图谱，确定对应于所述用户标识的推荐信息，包括：确定对应于所述得分值所属的等级范围的技能集合；确定所述知识图谱中所保存的、对应于所述用户标识的技能；从所述技能集合中去除所述对应于所述用户标识的技能；基于技能集合中的剩余技能确定对应于所述用户标识的推荐信息。

在一个实施方式中，步骤106中基于得分值和包含所述用户标识的知识图谱，确定对应于所述用户标识的推荐信息，包括：确定具有与该得分值相似的得分值的相似用户；确定所述知识图谱中所保存的、对应于所述相似用户的用户标识的技能；基于所述对应于相似用户的用户标识的技能，确定对应于所述用户标识的推荐信息。

在一个实施方式中，骤106中基于得分值和包含所述用户标识的知识图谱，确定对应于所述用户标识的推荐信息，包括：基于所述知识图谱确定与对应于所述用户标识的用户相似的相似用户；确定所述知识图谱中所保存的、对应于所述相似用户的用户标识的技能；基于所述对应于相似用户的用户标识的技能，确定对应于所述用户标识的推荐信息。

在一个实施方式中，步骤106中基于得分值和包含所述用户标识的知识图谱，确定对应于所述用户标识的推荐信息，包括：确定第一相似用户集合，其中所述第一相似用户集合包括对应于所述用户标识的用户的相似用户；基于得分值比较过程确定第二相似用户集合，其中所述第二相似用户集合包括对应于所述用户标识的用户的相似用户；确定第一相似用户集合和第二相似用户集合的交集；基于所述知识图谱中所保存的、所述交集中用户的技能，以及所述知识图谱中所保存的、对应于所述用户标识的用户的技能，确定对应于所述用户标识的推荐信息。

图3为本发明实施方式与用户相关的知识图谱的第一示范性示意图。

在图3所示的知识图谱中，实体31为第一用户(比如，用户标识为E61)的实体；实体32为第二用户(比如，用户标识为E62)的实体；实体33为第三用户(比如，用户标识为E63)的实体。实体31经由第一技能实体41连接到第一机器实体51；实体31经由第二技能实体42连接到第一机器实体51；实体32经由第一技能实体41连接到第一机器实体51；实体33经由第二技能实体42连接到第一机器实体51；实体33经由第三技能实体43连接到第二机器实体52。

其中：得分的等级范围包括三个：(0～60)，(61～80)，(81～100)。其中等级范围(0～60)属于低水平技能，对应的技能集合为(第一技能实体41，第二技能实体42)；等级范围(61～80)属于中等水平技能，对应的技能集合为(第一技能实体41，第三技能实体43)；等级范围(81～100)属于高水平技能，对应的技能集合为(第一技能实体41，第二技能实体42，第三技能实体43)。

当实体32对应的用户E62登陆系统后，基于得分模型确定用户E62的得分为50分。因此，用户E62属于等级范围(0～60)，对应的技能集合为(第一技能实体41，第二技能实体42)。通过知识图谱发现；实体32经由第一技能实体41连接到第一机器实体51，因此实体32对应的用户E62已经掌握有第一技能实体41。那么，从对应的技能集合中去除第一技能实体41，剩下的技能为：第二技能实体42。因此，向实体32对应的用户E62推荐与第二技能实体42相关的培训信息。比如，培训信息可以包括：用户E63使用第二技能实体42操作第一机器实体1的视频；第二技能实体42的介绍音频；第二技能实体42的介绍图片；第二技能实体42的介绍文本，等等。

图4为本发明实施方式与用户相关的知识图谱的第二示范性示意图。

在图4所示的知识图谱中，实体31为第一用户(比如，用户标识为E61)的实体；实体32为第二用户(比如，用户标识为E62)的实体；实体33为第三用户(比如，用户标识为E63)的实体。实体31经由第一技能实体41连接到第一机器实体51；实体31经由第二技能实体42连接到第一机器实体51；实体32经由第一技能实体41连接到第一机器实体51；实体33经由第二技能实体42连接到第一机器实体51；实体33经由第三技能实体43连接到第二机器实体52；实体33经由第一技能实体41连接到第一机器实体51。

举例(1)：当每个用户退出系统后，都在得分数据库中保存该用户本次登录所计算出的得分值。当实体31对应的用户E61登陆系统后，基于得分模型确定用户E61的得分值为80分。经过查询得分数据库，确定与用户E61的得分值相似的用户(即相似用户)为：实体33对应的E63。通过知识图谱发现；实体33经由第二技能实体42连接到第一机器实体51；实体33经由第三技能实体43连接到第二机器实体52；实体33经由第一技能实体41连接到第一机器实体51。可见，实体33对应的用户E63掌握有第一技能实体41、第二技能实体42和第三技能实体43。而且，实体31经由第一技能实体41连接到第一机器实体51；实体31经由第二技能实体42连接到第一机器实体51。可见，实体31对应的用户E61掌握有第一技能实体41和第二技能实体42。因此，第二技能实体42是实体31所不具备的，但是相似用户所具备的技能。因此，向实体31对应的用户E61推荐与第三技能实体43相关的培训信息。比如，培训信息可以包括：用户E63使用第三技能实体43操作第二机器实体52的视频；第三技能实体43的介绍音频；第三技能实体43的介绍图片；第三技能实体43的介绍文本，等等。

举例(2)：当每个用户退出系统后，都在得分数据库中保存该用户本次登录所计算出的得分值。当实体31对应的用户E61登陆系统后，首先，基于知识图谱确定与用户E61相似的第一相似用户集合。可以查询知识图谱中各个用户实体的属性，以确定与用户E61具有相同属性的用户集合，即为第一相似用户集合。比如，发现用户E62和用户E63与用户E61具有相同属性(比如，属于同一车间)，因此确定用户E62和用户E63为用户E61的相似用户。然后，基于得分值比较过程确定出用户E63的得分值(比如，E63上次登录所计算出的得分值)与用户E61的得分值相似，因此确定第二相似用户集合包括用户E63。然后，确定第一相似用户集合与第二相似用户集合的交集为用户E63。通过知识图谱还发现；实体33经由第二技能实体42连接到第一机器实体51；实体33经由第三技能实体43连接到第二机器实体52；实体33经由第一技能实体41连接到第一机器实体51。可见，实体33对应的用户E63掌握有第一技能实体41、第二技能实体42和第三技能实体43。而且，实体31经由第一技能实体41连接到第一机器实体51；实体31经由第二技能实体42连接到第一机器实体51。可见，实体31对应的用户E61掌握有第一技能实体41和第二技能实体42。因此，第三技能实体43是实体31所不具备的，但是交集中的用户(用户E63)所具备的技能。向实体31对应的用户E61推荐与第三技能实体43相关的培训信息。比如，培训信息可以包括：用户E63使用第三技能实体43操作第二机器实体52的视频；第三技能实体43的介绍音频；第三技能实体43的介绍图片；第三技能实体43的介绍文本，等等。

下面以工人培训场景为例，描述本发明实施方式的示范性过程。

图5为根据本发明实施方式在工人培训场景中智能提供推荐信息的示范性方法的流程图。

如图5所示，该方法包括：

步骤501：工人输入工人编号和密码以登录工人管理系统。

步骤502：判断密码是否正确，如果是，则执行步骤503及其后续步骤，否则返回执行步骤501。

步骤503：利用得分模型确定包含相似工人的相似工人集。具体包括：基于工人编号检索出分别对应于得分模型中每个维度的各自属性参数，比如工作时间、历史任务量、已掌握的技能数，等等。然后，将检索出的属性参数输入得分模型以确定出工人的得分值。接着，将工厂内与该得分值处于相同等级范围工人确定为相似工人，从而得到相似工人集。

步骤504：利用知识图谱从相似工人集中确定出更相似的工人。具体包括：基于知识图谱中的用户实体的用户属性值的相似性比较，从相似工人集中确定出更相似的工人。比如，在相似工人集中的同一车间内的工人，可以视为用户属性值相似；在相似工人集中的相似(相同)工种的工人，可以视为用户属性值相似(相同)，等等。

步骤505：基于步骤504所确定的更相似的工人所具有的技能，确定出需要被推荐的技能。比如，可以将工人不具有的、而更相似的工人所具有的技能，确定为需要被推荐的技能。

步骤506：判断需要被推荐的技能是否已经被推荐，如果是，则执行步骤512并结束本流程，否则执行步骤507及其后续步骤。

步骤507：向对应于工人编号的工人推荐技能。

步骤508：以多种展示方式展示该推荐技能。

步骤509：接收对应于工人编号的工人的反馈。

步骤510：基于该反馈更新知识图谱。可见，知识图谱处于动态更新的过程。

以上以工人培训场景为例详细描述了本发明实施方式的示范性过程。本领域技术人员可以意识到，这种描述仅是示范性的，并不用于限定本发明实施方式的保护范围。

基于上述描述，本发明实施方式还提出了智能提供推荐信息的装置。

图6为本发明实施方式智能提供推荐信息的装置的方框图。

如图6所示，智能提供推荐信息的装置600包括：

第一确定模块601，用于确定对应于用户标识的用户属性参数；

第二确定模块602，用于确定将所述用户属性参数输入得分模型所输出的、对应于所述用户标识的得分值；

第三确定模块603，用于基于所述得分值和与用户相关的知识图谱，确定对应于所述用户标识的推荐信息；

提供模块604，用于向对应于所述用户标识的用户提供所述推荐信息。

在一个实施方式中，第一确定模块601，用于执行下列中的至少一个：从用户信息数据库获取对应于所述用户标识的工作时间；从用户信息数据库获取对应于所述用户标识的任务量；从所述知识图谱获取对应于所述用户标识的技能数，等等。

在一个实施方式中，所述用户属性参数包含多个种类，所述得分模型为包含多个维度的、已训练的机器学习模型，其中每个维度对应于所述用户属性参数的每个种类。

在一个实施方式中，所述知识图谱包含用户实体、技能实体与操作对象实体；其中用于构建所述知识图谱的数据来源包括下列中的至少一个：结构化数据；非结构化数据；半结构化数据，等等。

在一个实施方式中，第三确定模块603，用于确定对应于所述得分值所属的等级范围的技能集合；确定所述知识图谱中所保存的、对应于所述用户标识的技能；从所述技能集合中去除所述对应于用户标识的技能；基于技能集合中的剩余技能确定对应于所述用户标识的推荐信息。

在一个实施方式中，第三确定模块603，用于确定具有与该得分值相似的得分值的相似用户；确定所述知识图谱中所保存的、对应于所述相似用户的标识的技能；基于所述对应于相似用户的标识的技能，确定对应于所述用户标识的推荐信息。

在一个实施方式中，第三确定模块603，用于基于所述知识图谱确定与对应于所述用户标识的用户相似的相似用户；确定所述知识图谱中所保存的、对应于所述相似用户的标识的技能；基于所述对应于相似用户的标识的技能，确定对应于所述用户标识的推荐信息。

在一个实施方式中，第三确定模块603，用于基于所述知识图谱确定与对应于所述用户标识的用户相似的第一相似用户集合；基于得分值比较确定与对应于所述用户标识的用户相似的第二相似用户集合；确定第一相似用户集合和第二相似用户集合的交集；基于所述交集中用户的技能和所述知识图谱中所保存的、对应于所述相似用户的标识的技能，确定对应于所述用户标识的推荐信息。

基于上述描述，本发明实施方式还提出了具有存储器-处理器架构的、用于智能提供推荐信息的装置。

图7为本发明实施方式的具有存储器-处理器架构的、用于智能提供推荐信息的装置的结构图。

如图7所示，该装置700包括处理器701、存储器702及存储在存储器702上并可在处理器701上运行的计算机程序，计算机程序被处理器701执行时实现如上任一项的智能提供推荐信息的方法。

其中，存储器702具体可以实施为电可擦可编程只读存储器(EEPROM)、快闪存储器(Flash memory)、可编程程序只读存储器(PROM)等多种存储介质。处理器701可以实施为包括一或多个中央处理器或一或多个现场可编程门阵列，其中现场可编程门阵列集成一或多个中央处理器核。具体地，中央处理器或中央处理器核可以实施为CPU或MCU或DSP等等。

需要说明的是，上述各流程和各结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。各模块的划分仅仅是为了便于描述采用的功能上的划分，实际实现时，一个模块可以分由多个模块实现，多个模块的功能也可以由同一个模块实现，这些模块可以位于同一个设备中，也可以位于不同的设备中。

各实施方式中的硬件模块可以以机械方式或电子方式实现。例如，一个硬件模块可以包括专门设计的永久性电路或逻辑器件(如专用处理器，如FPGA或ASIC)用于完成特定的操作。硬件模块也可以包括由软件临时配置的可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。至于具体采用机械方式，或是采用专用的永久性电路，或是采用临时配置的电路(如由软件进行配置)来实现硬件模块，可以根据成本和时间上的考虑来决定。

本发明还提供了一种机器可读的存储介质，存储用于使一机器执行如本文所述方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施方式的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。此外，还可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作。还可以将从存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施方式中任一实施方式的功能。

用于提供程序代码的存储介质实施方式包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机或云上下载程序代码。

以上所述，仅为本发明的较佳实施方式而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例。基与上述多个实施例,本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。