基于标签知识图谱的关联推荐方法、装置及计算机设备
文献发布时间:2023-06-19 09:46:20
技术领域
本发明属于人工智能技术领域,尤其涉及一种基于标签知识图谱的关联推荐方法、装置及计算机设备。
背景技术
知识图谱,本质上是一种揭示实体之间关系的语义网络,在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及相互之间的联系。用户通常使用知识图谱来进行知识获取,现有技术中的知识图谱在特定领域存在稀疏性和冷启动的问题。其中,稀疏性指的是当用户和物品的交互信息稀疏时,使用较少的观测数据来预测大量的未知信息,会极大增加过拟合风险;冷启动指的是对于新加入的用户或者物品,当没有其对应的历史信息时,难以使用知识图谱进行准确的建模和推荐。
发明内容
本发明实施例提供了一种基于标签知识图谱的关联推荐方法、装置及计算机设备,解决了现有技术中无法准确对用户进行准确推荐的问题。
第一方面,本发明实施例提供了一种基于标签知识图谱的关联推荐方法,其包括:
根据预置的解析模型对预置的文本集中的每一条文本进行内容解析以得到所述每一条文本的文本类型;
根据所述每一条文本的文本类型分别对所述每一条文本进行标注以得到标注有多个基础标签的文本;
将标注有多个基础标签的所述每一条文本输入到预置的深度学习模型中以得到所述每一条文本的高阶语义标签;
根据所述每一条文本的高阶语义标签、所述高阶语义标签的属性信息以及各高阶语义标签之间的关系信息构建所述文本集的标签知识图谱;
若接收到用户的输入信息,根据所述输入信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签以对所述用户进行信息推送服务。
第二方面,本发明实施例提供了一种基于标签知识图谱的关联推荐装置,其包括:
解析单元,用于根据预置的解析模型对预置的文本集中的每一条文本进行内容解析以得到所述每一条文本的文本类型;
标注单元,用于根据所述每一条文本的文本类型分别对所述每一条文本进行标注以得到标注有多个基础标签的文本;
第一输入单元,用于将标注有多个基础标签的所述每一条文本输入到预置的深度学习模型中以得到所述每一条文本的高阶语义标签;
构建单元,用于根据所述每一条文本的高阶语义标签、所述高阶语义标签的属性信息以及各高阶语义标签之间的关系信息构建所述文本集的标签知识图谱;
推荐单元,用于若接收到用户的输入信息,根据所述输入信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签以对所述用户进行信息推送服务。
第三方面,本发明实施例又提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述第一方面所述的基于标签知识图谱的关联推荐方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于标签知识图谱的关联推荐方法。
本发明实施例提供了一种基于标签知识图谱的关联推荐方法、装置及计算机设备,通过预置的解析模型对预置的文本集中的每一条文本进行内容解析以得到所述每一条文本的文本类型;根据所述每一条文本的文本类型分别对所述每一条文本进行标注以得到标注有多个基础标签的文本;将标注有多个基础标签的所述每一条文本输入到预置的深度学习模型中以得到所述每一条文本的高阶语义标签;根据所述每一条文本的高阶语义标签、所述高阶语义标签的属性信息以及各高阶语义标签之间的关系信息构建所述文本集的标签知识图谱;若接收到用户的输入信息,根据所述输入信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签以对所述用户进行信息推送服务。本发明所述的基于标签知识图谱的关联推荐方法通过构建高阶语义的标签知识图谱使得在获取用户的输入信息后,能准确的根据所述用户的输入信息从标签知识图谱中获取用户所需要的信息并推送给用户,提高了推送的准确率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于标签知识图谱的关联推荐方法的流程示意图;
图2为本发明实施例提供的基于标签知识图谱的关联推荐方法的场景示意图;
图3为本发明实施例提供的基于标签知识图谱的关联推荐方法的子流程示意图;
图4为本发明实施例提供的基于标签知识图谱的关联推荐方法的另一子流程示意图;
图5为本发明实施例提供的基于标签知识图谱的关联推荐方法的另一子流程示意图;
图6为本发明实施例提供的基于标签知识图谱的关联推荐方法的另一子流程示意图;
图7为本发明实施例提供的基于标签知识图谱的关联推荐方法的另一子流程示意图;
图8为本发明实施例提供的基于标签知识图谱的关联推荐装置的示意性框图;
图9为本发明实施例提供的基于标签知识图谱的关联推荐装置的子单元示意性框图;
图10为本发明实施例提供的基于标签知识图谱的关联推荐装置的另一子单元示意性框图;
图11为本发明实施例提供的基于标签知识图谱的关联推荐装置的另一子单元示意性框图;
图12为本发明实施例提供的基于标签知识图谱的关联推荐装置的另一子单元示意性框图;
图13为本发明实施例提供的基于标签知识图谱的关联推荐装置的另一子单元示意性框图;
图14为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的基于标签知识图谱的关联推荐方法的流程示意图;图2为本发明实施例提供的基于标签知识图谱的关联推荐方法的场景示意图。所述基于标签知识图谱的关联推荐方法在服务器中进行搭建并运行,服务器通过预置的文本集构建标签知识图谱。当服务器接收到用户通过如手提电脑、平板电脑等用户终端设备发送的输入信息后,通过对输入信息的解析以得到输入信息的高阶语义标签并通过标签知识图谱获取与该高阶语义标签的相关信息,以对用户进行精准的推送服务。
如图1所示,该方法包括步骤S110~S150。
S110、根据预置的解析模型对预置的文本集中的每一条文本进行内容解析以得到所述每一条文本的文本类型。
根据预置的解析模型对预置的文本集中的每一条文本进行内容解析以得到所述每一条文本的文本类型。具体的,所述解析模型为用于对所述文本集中的每条文本进行内容解析的以获得所述每一条文本的文本类型的模型。所述文本类型为素材类型、异议类型以及FAQ类型中的任意一种类型。所述文本集包括至少一条素材类型的文本、至少一条异议类型的文本、至少一条FAQ类型的文本。其中,所述素材类型的文本为目标方案所需要的素材类型的文本,所述异议类型的文本为用户质疑以及质疑解答类型的文本,所述FAQ类型的文本为用户咨询以及咨询解答类型的文本。一个目标方案至少包括一条素材类型的文本,一个目标方案所对应的质疑以及质疑的解答至少包括一条异议类型的文本,一个目标方案所对应的咨询以及咨询的解答至少包括一条FAQ类型的文本。
例如,在保险行业中,保险代理人需要向客户推荐一个险种时,客户代理人需要制作一个关于该险种的目标方案,该险种的目标方案至少包括一条与该险种相关的素材类型的文本,当保险代理人根据该险种的目标方案向客户进行讲解的过程中,若客户根据该险种的目标方案进行质疑时,保险代理人根据该质疑进行解答,则客户的质疑以及保险代理人对该质疑的解答至少包括一条异议类型的文本;若客户根据该险种的目标方案进行咨询时,保险代理人根据该咨询进行解答,则客户的咨询以及保险代理人对该咨询的解答至少包括一条FAQ类型的文本。
S120、根据所述每一条文本的文本类型分别对所述每一条文本进行标注以得到标注有多个基础标签的文本。
根据所述每一条文本的文本类型分别对所述每一条文本进行标注以得到标注有多个基础标签的文本。具体的,所述文本集中的每一条文本标注有至少一条基础标签。文本标注工具在获取到所述文本集中的每一条文本以及每一条文本的文本类型后,根据每一条文本的文本类型对该文本进行标注以使得所述数据集中的每一条文本均标注有与该文本的文本类型相匹配的多个基础标签。当所述文本集中的一条文本的文本类型为素材类型的文本时,文本标注工具对该文本进行标注以使得该文本标注有与素材类型相匹配的多个基础标签,其中,与素材类型相匹配的多个基础标签包括性别、年收入、产品亮点、商品关键词、活动类型、服务类别、任务价值、展业习惯、销售阶段、保障范围、内容类别、活动范围、工具类别、游戏类别、用户画像、代理人画像、机构画像等基础标签;当所述文本集中的一条文本的文本类型为异议类型的文本时,文本标注工具对该文本进行标注以使得该文本标注有与异议类型相匹配的多个基础标签,其中,与异议类型相匹配的基础标签包括性别、年收入、产品亮点、商品关键词、活动类型、服务类别、任务价值、展业习惯、销售阶段、保障范围、内容类别、活动范围、工具类别、游戏类别、用户画像、代理人画像、机构画像等基础标签;当所述文本集中的一条文本的文本类型为FAQ类型的文本时,文本标注工具对该文本进行标注以使得该文本标注有与素材类型相匹配的多个基础标签,其中,与FAQ类型相匹配的基础标签包括性别、年收入、产品亮点、商品关键词、活动类型、服务类别、任务价值、展业习惯、销售阶段、保障范围、内容类别、活动范围、工具类别、游戏类别、用户画像、代理人画像、机构画像等基础标签。
S130、将标注有多个基础标签的所述每一条文本输入到预置的深度学习模型中以得到所述每一条文本的高阶语义标签。
将标注有多个基础标签的所述每一条文本输入到预置的深度学习模型中以得到所述每一条文本的高阶语义标签。具体的,所述深度学习模型为用于从标注有多个基础标签的所述每一条文本中获取所述每一条文本的语义信息并根据所述语义信息从所述每一条文本中的多个基础标签中抽取所述每一条文本的高阶语义标签的模型。所述高阶语义标签为将所述每一条文本的语义信息对与该文本所对应的多个基础标签进行关联而得到的标签。例如,一条素材类型的文本为“月入两万的已生育女士”,该文本的多个基础标签分别为“月收入”、“婚姻”、“性别”、“生育”,该文本的基础标签之间并未有直接的关系,通过对该文本的语义信息对该文本的基础标签进行关联,进而从该文本的基础标签中抽取出“职场宝妈”的高阶语义标签。
在一实施例中,如图3所示,步骤S130包括子步骤S131、S132和S133。
S131、对标注有多个基础标签的所述每一条文本进行分词处理以得到所述每一条文本的词语。
对标注有多个基础标签的所述每一条文本进行分词处理以得到所述每一条文本的词语。具体的,采用基于字符串的分词方法中的逆向最大匹配法对标注有多个基础标签的所述每一条文本进行分词处理,其分词过程为:设定预置的词典中最长词条所包含的汉字数量为L,从每一条文本的字符串末尾开始处理。在每一次循环开始时,都取所述字符串最后的L个字作为处理对象,查找所述词典。若所述词典中存在这样的一个L字词,则匹配成功,所述处理对象则被作为一个词被切分;若不成功,则去掉该处理对象的第一个汉字,剩下的字符串作为新的处理对象,再次进行匹配,直到切分成功为止,即完成一轮匹配,切分出一个词,类此循环直至文本中的词语全部被切分出来为止。
例如,词典中最长的词的长度为6,对于文本为“已生育的女性在家待就业”这一个字符串,首先取“性在家待就业”6个字作为待处理字符串,词典中没有该词,所以匹配失败;去掉第一个字,剩下的“在家待就业”作为新的待处理的字符串,再次匹配失败;如此进行,最后去“待就业”作为匹配字段,所述词典中有该词语,则匹配成功,切分处第一个词“待就业”。再取文本中剩下的字符串“已生育的女性在家”,切分处第二个词“在家”。如此循环,最后切分的结果为:“已生育”、“的”、“女性”“在家”、“待就业”。
S132、将所述每一条文本的词语输入至预先训练好的语言模型中以得到所述每一条文本的语义信息。
将所述每一条文本的词语输入至预先训练好的语言模型中以得到所述每一条文本的语义信息。具体的,所述语言模型为预先训练好且用于对所述每一条文本的词语进行语义分析以得到所述每一条文本的语义信息的模型。通过所述语言模型对所述每一条文本的词语以及词语之间的位置关系进行分析识别以得到所述每一条文本的语义信息。所述语言模型可以为BERT(Bidirectional Encoder Representations from Transformers)模型、ELMO(Embedding from language model)模型中的任意一种语言模型。
S133、根据所述每一条文本的语义信息对所述每一条文本中多个基础标签进行关联以得到所述每一条文本的高阶语义标签。
根据所述每一条文本的语义信息对所述每一条文本中多个基础标签进行关联以得到所述每一条文本的高阶语义标签。具体的,通常所述每一条文本中的多个基础标签之间无直接关联,通过所述每一条文本的语义信息从该文本中的多个基础标签中抽象出该文本中的多个基础标签的间接关系,该间接关系即为该文本的高阶语义标签。
S140、根据所述每一条文本的高阶语义标签、所述高阶语义标签的属性信息以及各高阶语义标签之间的关系信息构建所述文本集的标签知识图谱。
根据所述每一条文本的高阶语义标签、所述高阶语义标签的属性信息以及各高阶语义标签之间的关系信息构建所述文本集的标签知识图谱。具体的,所述标签知识图谱为通过将所述文本集中的每一条文本的高阶语义标签作为实体,所述文本集中的每一条文本的高阶语义标签与高阶语义标签之间关系作为实体与实体之间关系构建而成的知识图谱。本发明实施例中的所述标签知识图谱本质上是一种揭示所述文本集中的每一条文本的高阶语义标签与高阶语义标签之间关系的语义网络。
在一实施例中,如图4所示,步骤S140包括子步骤S141和S142。
S141、对所述每一条文本的高阶语义标签、所述高阶语义标签的属性信息以及各高阶语义标签之间的关系信息进行知识抓取和实体链接以得到所述标签知识图谱信息。
对所述每一条文本的高阶语义标签、所述高阶语义标签的属性信息以及各高阶语义标签之间的关系信息进行知识抓取和实体链接以得到所述标签知识图谱信息。具体的,从高阶语义标签、高阶语义标签的属性信息以及各高阶语义标签之间的关系信息中抓取出高阶语义标签、高阶语义标签的属性以及高阶语义标签之间的关联关系,然后对所抓取的知识进行高阶语义标签连接,即对知识进行整合,形成各高阶语义标签之间有关系的标签知识图谱信息。
S142、将所述标签知识图谱信息存储到结构化知识库中以形成所述标签知识图谱。
将所述标签知识图谱信息存储到结构化知识库中以形成所述标签知识图谱。具体的,将整合后得到的标签知识图谱信息加入到结构化知识库中,利用知识库的知识推理进行知识图谱演示,从而得到标签知识图谱信息。
S150、若接收到用户的输入信息,根据所述输入信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签以对所述用户进行信息推送服务。
若接收到用户的输入信息,根据所述输入信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签以对所述用户进行信息推送服务。具体的,通过对所述输入信息进行解析以得到所述输入信息的多个基础标签以及语义信息并根据所述输入信息的语义信息对所述输入信息的多个基础标签中的多个基础标签进行关联以从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签以从所述文本集中获取与所述输入信息相匹配的文本信息。
在一实施例中,如图5所示,步骤S150包括子步骤S151和S152。
S151、判断所述输入信息的类型。
判断所述输入信息的类型。具体的,通常用户终端获取用户的输入信息既可以为文本信息,也可以为语音信息,而语音信息是需要转换成文本信息后进行处理才能得到后续步骤中所述输入信息的词语,因此终端获取到用户的输入信息后需对用户的输入信息进行判断以得到所述输入信息的类型。
S152、若所述输入信息的类型为语音输入信息,将所述语音输入信息转换为所述输入信息的文本信息并根据所述文本信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签。
若所述输入信息的类型为语音输入信息,将所述语音输入信息转换为所述输入信息的文本信息并根据所述文本信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签。具体的,当用户从用户终端处的语音信息采集功能处输入信息时,用户终端便可判定所述输入信息为语音输入信息,然后便可将该语音输入信息进行转换以得到与该语音信息相对应的文本信息,即所述输入信息的文本信息。
在一实施例中,如图6所示,步骤S152中所述根据所述文本信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签包括:步骤S1521、S1522和S1523。
S1521、获取所述文本信息的语义信息以及所述文本信息的多个基础标签。
获取所述文本信息的语义信息以及所述文本信息的多个基础标签。具体的,通过对所述文本信息进行解析以得到所述文本信息文本类型,然后根据所述文本信息文本类型对所述文本信息进行标注以得到所述文本信息的多个基础标签,同时将标注后的文本信息进行使用语言模型语义分析以得到该文本信息的语义信息。
S1522、根据所述文本信息的语义信息对所述文本信息的多个基础标签进行关联以得到所述输入信息的高级语义标签。
在一实施例中,如图7所示,步骤S1522包括子步骤S15221、S15222和S15223。
S15221、判断所述输入信息是否为首次输入的输入信息。
判断所述输入信息是否为首次输入的输入信息。具体的,通过对所述输入信息的文本类型来辨别所述输入信息是否为首次输入的输入信息。当所述输入信息为异议类型、FAQ类型中的任意一种类型时,便可判别所述输入信息不为首次输入的输入信息;当所述输入信息为素材类型的信息时,便可判别所述输入信息为首次输入的输入信息。
S15222、若所述输入信息不为首次输入的输入信息,根据预设的获取规则获取所述输入信息之前的多个基础标签。
若所述输入信息不为首次输入的输入信息,根据预设的获取规则获取所述输入信息之前的多个基础标签。具体的,预设的获取规则为获取所述输入信息之前预设的时间内在终端处输入信息的多个基础标签的规则信息。通过当前输入信息的语义信息将当前输入信息的多个基础标签以及之前的输入信息的多个基础标签进行关联,进而抽取更高级的语义标签,从而能更加精准的对用户进行相应的推送服务。
S15223、根据所述文本信息的语义信息对所述文本信息的多个基础标签、所述上一时刻的多个基础标签进行关联以得到所述输入信息的高级语义标签。
根据所述文本信息的语义信息对所述文本信息的多个基础标签、所述上一时刻的多个基础标签进行关联以得到所述输入信息的高级语义标签。具体的,通过当前输入信息的语义信息从当前输入信息的多个基础标签以及之前的输入信息的多个基础标签中便可抽取出当前输入信息的高阶语义标签。
S1523、根据所述输入信息的高阶语义标签从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签。
本发明所述的基于标签知识图谱的关联推荐方法,通过预置的解析模型对预置的文本集中的每一条文本进行内容解析以得到所述每一条文本的文本类型;根据所述每一条文本的文本类型分别对所述每一条文本进行标注以得到标注有多个基础标签的文本;将标注有多个基础标签的所述每一条文本输入到预置的深度学习模型中以得到所述每一条文本的高阶语义标签;根据所述每一条文本的高阶语义标签、所述高阶语义标签的属性信息以及各高阶语义标签之间的关系信息构建所述文本集的标签知识图谱;若接收到用户的输入信息,根据所述输入信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签以对所述用户进行信息推送服务。本发明所述的基于标签知识图谱的关联推荐方法通过构建高阶语义的标签知识图谱使得在获取用户的输入信息后,能准确的根据所述用户的输入信息从标签知识图谱中获取用户所需要的信息并推送给用户,提高了推送的准确率。
本发明实施例还提供了一种基于标签知识图谱的关联推荐装置100,该装置用于执行前述基于标签知识图谱的关联推荐方法的任一实施例。具体地,请参阅图8,图8是本发明实施例提供的基于标签知识图谱的关联推荐装置100的示意性框图。
如图8所示,所述的基于标签知识图谱的关联推荐装置100,该装置包括解析单元110、标注单元120、第一输入单元130、构建单元140和推荐单元150。
解析单元110,用于根据预置的解析模型对预置的文本集中的每一条文本进行内容解析以得到所述每一条文本的文本类型。
标注单元120,用于根据所述每一条文本的文本类型分别对所述每一条文本进行标注以得到标注有多个基础标签的文本。
第一输入单元130,用于将标注有多个基础标签的所述每一条文本输入到预置的深度学习模型中以得到所述每一条文本的高阶语义标签。
在其他发明实施例中,如图9所示,所述第一输入单元130包括:分词单元131、第二输入单元132和第一获取单元133。
分词单元131,用于对标注有多个基础标签的所述每一条文本进行分词处理以得到所述每一条文本的词语。
第二输入单元132,用于将所述每一条文本的词语输入至预先训练好的语言模型中以得到所述每一条文本的语义信息。
第一获取单元133,用于根据所述每一条文本的语义信息对所述每一条文本中多个基础标签进行关联以得到所述每一条文本的高阶语义标签。
构建单元140,用于根据所述每一条文本的高阶语义标签、所述高阶语义标签的属性信息以及各高阶语义标签之间的关系信息构建所述文本集的标签知识图谱。
在其他发明实施例中,如图10所示,所述构建单元140包括:抓取单元141和存储单元142。
抓取单元141,用于对所述每一条文本的高阶语义标签、所述高阶语义标签的属性信息以及各高阶语义标签之间的关系信息进行知识抓取和实体链接以得到所述标签知识图谱信息。
存储单元142,用于将所述标签知识图谱信息存储到结构化知识库中以形成所述标签知识图谱。
推荐单元150,用于若接收到用户的输入信息,根据所述输入信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签以对所述用户进行信息推送服务。
在其他发明实施例中,如图11所示,所述推荐单元150包括:第一判断单元151、转换单元152和第二获取单元153。
第一判断单元151,用于判断所述输入信息的类型。
转换单元152,用于若所述输入信息的类型为语音输入信息,将所述语音输入信息转换为所述输入信息的文本信息并根据所述文本信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签。
在其他发明实施例中,如图12所示,所述转换单元152包括:第二获取单元1521、第三获取单元1522和第四获取单元1523。
第二获取单元1521,用于获取所述文本信息的语义信息以及所述文本信息的多个基础标签。
第三获取单元1522,用于根据所述文本信息的语义信息对所述文本信息的多个基础标签进行关联以得到所述输入信息的高级语义标签。
在其他发明实施例中,如图13所示,所述第三获取单元1522包括:第二判断单元15221、第五获取单元15222和第六获取单元15223。
第二判断单元15221,用于判断所述输入信息是否为首次输入的输入信息。
第五获取单元15222,用于若所述输入信息不为首次输入的输入信息,根据预设的获取规则获取所述输入信息之前的多个基础标签。
第六获取单元15223,用于根据所述文本信息的语义信息对所述文本信息的多个基础标签、所述上一时刻的多个基础标签进行关联以得到所述输入信息的高级语义标签。
第四获取单元1523,用于根据所述输入信息的高阶语义标签从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签。
本发明实施例所提供的基于标签知识图谱的关联推荐装置100用于执行上述用于通过预置的解析模型对预置的文本集中的每一条文本进行内容解析以得到所述每一条文本的文本类型;根据所述每一条文本的文本类型分别对所述每一条文本进行标注以得到标注有多个基础标签的文本;将标注有多个基础标签的所述每一条文本输入到预置的深度学习模型中以得到所述每一条文本的高阶语义标签;根据所述每一条文本的高阶语义标签、所述高阶语义标签的属性信息以及各高阶语义标签之间的关系信息构建所述文本集的标签知识图谱;若接收到用户的输入信息,根据所述输入信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签以对所述用户进行信息推送服务。
请参阅图14,图14是本发明实施例提供的计算机设备的示意性框图。
参阅图14,该设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行基于标签知识图谱的关联推荐方法。
该处理器502用于提供计算和控制能力,支撑整个设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行基于标签知识图谱的关联推荐方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图14中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的设备500的限定,具体的设备500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。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下功能:通过预置的解析模型对预置的文本集中的每一条文本进行内容解析以得到所述每一条文本的文本类型;根据所述每一条文本的文本类型分别对所述每一条文本进行标注以得到标注有多个基础标签的文本;将标注有多个基础标签的所述每一条文本输入到预置的深度学习模型中以得到所述每一条文本的高阶语义标签;根据所述每一条文本的高阶语义标签、所述高阶语义标签的属性信息以及各高阶语义标签之间的关系信息构建所述文本集的标签知识图谱;若接收到用户的输入信息,根据所述输入信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签以对所述用户进行信息推送服务。
本领域技术人员可以理解,图14中示出的设备500的实施例并不构成对设备500具体构成的限定,在其他实施例中,设备500可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,设备500可以仅包括存储器及处理器502,在这样的实施例中,存储器及处理器502的结构及功能与图14所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器502、数字信号处理器502(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器502可以是微处理器502或者该处理器502也可以是任何常规的处理器502等。
在本发明的另一实施例中提供计算机存储介质。该存储介质可以为非易失性的计算机可读存储介质。该存储介质存储有计算机程序5032,其中计算机程序5032被处理器502执行时实现以下步骤:通过预置的解析模型对预置的文本集中的每一条文本进行内容解析以得到所述每一条文本的文本类型;根据所述每一条文本的文本类型分别对所述每一条文本进行标注以得到标注有多个基础标签的文本;将标注有多个基础标签的所述每一条文本输入到预置的深度学习模型中以得到所述每一条文本的高阶语义标签;根据所述每一条文本的高阶语义标签、所述高阶语义标签的属性信息以及各高阶语义标签之间的关系信息构建所述文本集的标签知识图谱;若接收到用户的输入信息,根据所述输入信息从所述标签知识图谱中获取与所述输入信息相匹配的高阶语义标签以对所述用户进行信息推送服务。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台设备500(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
- 基于标签知识图谱的关联推荐方法、装置及计算机设备
- 基于知识图谱的推荐方法、装置、计算机设备及存储介质