基于局部敏感哈希的专家抽取方法、系统、设备及介质

技术领域

本发明涉及专家抽取算法技术领域，尤其是涉及一种基于局部敏感哈希的专家抽取方法、系统、设备及介质。

背景技术

评标过程是招投标流程的重要组成部分，其结果直接影响能否为招标项目选出最合适的中标人。评标专家是评标过程的主体，是指充分的熟悉招投标的流程，能够对投标文件进行专业评审的专业人员。因此，选取合适的评标专家能显著提升评标质量。当前最常用的评标专家抽取方法为随机抽取，这种方式虽然简单的考虑了项目的特点，但无法实现更加科学的配对。而人工筛选虽在一定程度上保证了配对效果，但效率低下。因此，在人工智能技术引入招投标市场的今天，急需更智能化的评标专家抽取方式，以合理利用专家资源。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于局部敏感哈希的专家抽取方法、系统、设备及介质，能够通过查找候选专家所参与的相似项目，并综合考量相似度和专家的多维度指标生成候选专家集合，最后引入知识图谱筛除需要回避的专家，既能够利用专家的评选经验和专家的专业水平，提高评选质量，通过局部敏感哈希森林取得精准的抽取效果和较低的时间开销，又能够避免任何潜在利益输送现象，从而提高评标公平性。

第一方面，本发明的实施例提供了一种基于局部敏感哈希的专家抽取方法，包括：

获取已招标项目特征集；

将所述已招标项目特征集进行第一局部敏感哈希计算得到第一哈希签名；

将所述第一哈希签名通过预设的哈希表进行分段存储，得到局部敏感哈希森林；

获取待招标项目特征集；

将所述待招标项目特征集进行第二局部敏感哈希计算得到第二哈希签名，并将所述第二哈希签名根据所述哈希表分段对所述局部敏感哈希森林进行哈希相似度计算，得到项目哈希相似度；

计算候选专家的指标得分，并根据所述项目哈希相似度和所述指标得分对所述候选专家筛选得到抽取专家集合。

根据本发明实施例的方法，至少具有如下有益效果：

本方法首先通过已招标项目特征集进行第一局部敏感哈希计算，能够将高维的特征集合转换为低维的特征集合，同时能够进行更加高效和准确的索引；其次，将第一哈希签名通过预设的哈希表进行分段存储来构建局部敏感哈希森林，能够在查找时减少时间开销提高抽取效率；然后通过待招标项目特征集进行第二局部敏感哈希计算得到第二哈希签名，将第二哈希签名分段进行哈希相似度计算，通过快速对比第一分段哈希签名和第二哈希签名的相似度，高效地判别得到与待招标项目相似的已招标项目；最后计算候选专家的指标得分，并根据项目哈希相似度和所述指标得分对所述候选专家筛选得到抽取专家集合，合理利用专家的评标经验和专家的专业水平筛选出更加合适的评选专家，大大提高了评标质量和效率。

根据本发明的一些实施例，所述已招标项目特征集通过如下方式得到：

获取多个已招标项目；

提取每个所述已招标项目的第一特征，得到所述已招标项目一一对应的第一已招标项目特征集；

将所述第一已招标项目特征集进行组合得到所述已招标项目特征集。

根据本发明的一些实施例，所述将所述第一哈希签名通过预设的哈希表进行分段存储，得到局部敏感哈希森林，包括：

将所述第一哈希签名根据所述哈希表进行分段，得到多个第一分段哈希签名；

将多个所述第一分段哈希签名从小到大存入所述哈希表的桶中，并使用所述第一分段哈希签名的值表示所述桶；

通过所述桶连接一个或多个键值，得到所述局部敏感哈希森林；所述键值表示所述第一分段哈希签名对应的评选专家。

根据本发明的一些实施例，所述将所述第二哈希签名根据所述哈希表分段对所述局部敏感哈希森林进行哈希相似度计算，得到项目哈希相似度，包括：

将所述第二哈希签名根据所述哈希表进行分段，得到多个第二分段哈希签名；

将所述第二分段哈希签名根据所述哈希表进行二分查找，搜索到对应的所述桶中的所述第一分段哈希签名；

计算所述第二分段哈希签名和所述第一分段哈希签名的相似度，得到所述项目哈希相似度。

根据本发明的一些实施例，所述计算所述候选专家的指标得分，包括：

获取所述候选专家的学历得分、学术成果得分、评标表现得分和培训得分；

将所述学历得分、所述学术成果得分、所述评标表现得分和所述培训得分通过加权法计算得到所述指标得分。

根据本发明的一些实施例，在所述计算所述候选专家的指标得分，并根据所述项目哈希相似度和所述指标得分对所述候选专家筛选得到抽取专家集合之后，所述基于局部敏感哈希的专家抽取方法还包括：

获取所述候选专家的知识图谱；所述知识图谱包括所述候选专家相关的公司、投标人和相关招标项目；

通过所述候选专家和所述投标人之间的最短路径和所述最短路径的权重进行关系强度计算，得到所述候选专家的关系强度值；

将所述抽取专家集合中所述关系强度值大于回避阈值的所述候选专家去除，得到最终专家集合。

根据本发明的一些实施例，所述候选专家的关系强度值的计算公式包括：

其中，R

第二方面，本发明的实施例提供了一种基于局部敏感哈希的专家抽取系统，包括：

已招标项目特征集获取模块，用于获取已招标项目特征集；

第一哈希签名计算模块，用于将所述已招标项目特征集进行第一局部敏感哈希计算得到第一哈希签名；

局部敏感哈希森林构建模块，用于将所述第一哈希签名通过预设的哈希表进行分段存储，得到局部敏感哈希森林；

待招标项目特征集获取模块，用于获取待招标项目特征集；

项目哈希相似度计算模块，用于将所述待招标项目特征集进行第二局部敏感哈希计算得到第二哈希签名，并将所述第二哈希签名根据所述哈希表分段对所述局部敏感哈希森林进行哈希相似度计算，得到项目哈希相似度；

抽取专家集合计算模块，用于计算候选专家的指标得分，并根据所述项目哈希相似度和所述指标得分对所述候选专家筛选得到抽取专家集合。

第三方面，本发明的实施例提供了一种电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如第一方面所述的基于局部敏感哈希的专家抽取方法。

第四方面，本发明的实施例提供了一种计算机存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的基于局部敏感哈希的专家抽取方法。

需要注意的是，本发明的第二方面至第四方面与现有技术之间的有益效果与第一方面的基于局部敏感哈希的专家抽取方法的有益效果相同，此处不再细述。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一实施例提供的一种基于局部敏感哈希的专家抽取方法的流程图；

图2是本发明一实施例提供的已招标项目特征集获取的流程图；

图3是本发明一实施例提供的将第一哈希签名通过预设的哈希表进行分段存储得到局部敏感哈希森林的流程图；

图4是本发明一实施例提供的将第二哈希签名根据哈希表分段对局部敏感哈希森林进行哈希相似度计算得到项目哈希相似度的流程图；

图5是本发明一实施例提供的计算候选专家的指标得分的流程图；

图6是本发明一实施例提供的计算最终专家集合的流程图；

图7是本发明一实施例提供的计算传统哈希的示意图；

图8是本发明一实施例提供的计算局部敏感哈希的示意图；

图9是本发明一实施例提供的局部敏感哈希森林的示意图；

图10是本发明一实施例提供的候选专家的知识图谱的示意图；

图11是本发明一实施例提供的哈希表数量与专家抽取准确率的实验数据图；

图12是本发明一实施例提供的匹配前缀长度与专家抽取准确率的实验数据图；

图13是本发明一实施例提供的不同权重组合对准确率影响的实验数据图；

图14是本发明一实施例提供的一种基于局部敏感哈希的专家抽取系统的结构图；

图15是本发明一实施例提供的一种电子设备的结构图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

下面将结合附图对本发明的技术方案进行清楚、完整的描述，显然，以下所描述的实施例是本发明一部分实施例，并非全部实施例。

参照图1，在本发明的一些实施例中，提供了一种基于局部敏感哈希的专家抽取方法，包括：

步骤S100、获取已招标项目特征集。

步骤S200、将已招标项目特征集进行第一局部敏感哈希计算得到第一哈希签名。

步骤S300、将第一哈希签名通过预设的哈希表进行分段存储，得到局部敏感哈希森林。

步骤S400、获取待招标项目特征集。

步骤S500、将待招标项目特征集进行第二局部敏感哈希计算得到第二哈希签名，并将第二哈希签名根据哈希表分段对局部敏感哈希森林进行哈希相似度计算，得到项目哈希相似度。

步骤S600、计算候选专家的指标得分，并根据项目哈希相似度和指标得分对候选专家筛选得到抽取专家集合。

需要说明的是，参照图7，传统的哈希(Hash)方法通过哈希函数计算哈希值将数据映射到哈希表中不同的桶(bucket)内，以减少冲突并方便快速进行增删改查。但在此过程中，相邻的数据可能被映射到相距较远的桶，而相距较远的数据可能被映射到同一个桶。数据空间中相邻的数据点经过哈希函数处理后，被映射到哈希表中的不同桶内，而相距较远的数据点被映射到了同一个桶内。

如果需要在海量的高维数据中找到与某个数据相邻的数据，那么如上所述，使用传统的哈希方法无法保证原本相邻的数据在映射后还是相邻的。

参照图8，局部敏感哈希是一种处理高维向量的索引办法。其核心思想是使原始空间中两个相邻的数据点在经过相同哈希函数映射后，出现在哈希表中的同一个桶内，如下面公式(1)所示：

if d(p

如果数据点在原始空间中不相邻，那么在映射后两个数据点不会出现在同一个桶内，如下面公式(2)所示：

if d(p

在公式(1)和(2)中，p

最小哈希是局部敏感哈希的关键步骤，用于将高维的特征集合数据转换为低维的哈希值签名，并在转换过程中保留数据的相关性。最小哈希的步骤是：随机选取n个哈希函数构成LSH函数族片＝{H

首先通过己招标项目特征集进行第一局部敏感哈希计算，能够将高维的特征集合转换为低维的特征集合，同时能够进行更加高效和准确的索引；其次，将第一哈希签名通过预设的哈希表进行分段存储来构建局部敏感哈希森林，能够在查找时减少时间开销提高抽取效率；然后通过待招标项目特征集进行第二局部敏感哈希计算得到第二哈希签名，将第二哈希签名分段进行哈希相似度计算，通过快速对比第一分段哈希签名和第二哈希签名的相似度，高效地判别得到与待招标项目相似的己招标项目；最后计算候选专家的指标得分，并根据项目哈希相似度和指标得分对候选专家筛选得到抽取专家集合，合理利用专家的评标经验和专家的专业水平筛选出更加合适的评选专家，大大提高了评标质量和效率。

参照图2，在本发明的一些实施例中，己招标项目特征集通过如下方式得到：

步骤S101、获取多个己招标项目。

具体的，获取N个己招标项目的集合P＝{P

步骤S102、提取每个已招标项目的第一特征，得到已招标项目一一对应的第一已招标项目特征集。

具体的，对于每个已招标项目P

步骤S103、将第一已招标项目特征集进行组合得到已招标项目特征集。

具体的，第一已招标项目特征集进行组合得到已招标项目特征集E

通过多个已招标项目不断提取特征，最后得到高维特征集，能够将已招标项目特征集规模最大化，得到完整且覆盖全面的特征集，为后续待招标项目提供更加优秀的数据基础。

参照图3，在本发明的一些实施例中，将第一哈希签名通过预设的哈希表进行分段存储，得到局部敏感哈希森林，包括：

步骤S301、将第一哈希签名根据哈希表进行分段，得到多个第一分段哈希签名。

需要说明的是，参照图9，局部敏感哈希森林算法保留了局部敏感哈希的核心思想，但改进了局部敏感哈希构建索引的方式，使用二叉随机投影树来代替局部敏感哈希中的哈希表。但本实施例没有使用二叉随机投影树，而是使用多个哈希表来构建森林结构，其中，签名分段数量由设置的哈希表数量来确定，比如长度为128位的哈希签名，设置4个哈希表则将将其分为4个签名分段，每个签名分段长度为32位，分别表示哈希签名的1-32位、33-64位、65-96位、97-128位。

步骤S302、将多个第一分段哈希签名从小到大存入哈希表的桶中，并使用第一分段哈希签名的值表示桶。

步骤S303、通过桶连接一个或多个键值，得到局部敏感哈希森林；键值表示第一分段哈希签名对应的评选专家。

通过多个哈希表来构建森林结构减少了类似构建二叉随机投影树方法的算力开销，同时将每个哈希表类似于一颗二叉搜索树，提供了更加快速和高效的索引。

参照图4，在本发明的一些实施例中，将第二哈希签名根据哈希表分段对局部敏感哈希森林进行哈希相似度计算，得到项目哈希相似度，包括：

步骤S501、将第二哈希签名根据哈希表进行分段，得到多个第二分段哈希签名。

步骤S502、将第二分段哈希签名根据哈希表进行二分查找，搜索到对应的桶中的第一分段哈希签名。

步骤S503、计算第二分段哈希签名和第一分段哈希签名的相似度，得到项目哈希相似度。

优选的是，通过Jaccard相似度公式来计算第二分段哈希签名和第一分段哈希签名的相似度，Jaccard相似度公式具体如下：

其中，X∩Y和X∪Y分别表示集合X和Y的交集、并集。

需要说明的是，计算第二分段哈希签名和第一分段哈希签名的相似度，会比较每个签名分段的前缀，即该分段的前x位，其中x的取值是我们综合考虑签名分段长度、时间开销和匹配相似度来确定的。

通过计算根据哈希表进行二分查找能够快速进行找到对应的第一分段哈希签名和第二分段哈希签名，同时计算第一分段哈希签名和第二分段哈希签名的相似度通过比较签名分段的前缀，能够平衡准确度和时间开销，为适应不同的任务场景提供较多的精度选择。

参照图5，在本发明的一些实施例中，计算候选专家的指标得分，包括：

步骤S601、获取候选专家的学历得分、学术成果得分、评标表现得分和培训得分。

步骤S602、将学历得分、学术成果得分、评标表现得分和培训得分通过加权法计算得到指标得分。

需要说明的是，将学历得分、学术成果得分、评标表现得分和培训得分通过加权法计算得到指标得分的计算公式具体如下：

W＝h

其中，W表示候选专家的得分加权值，S表示项目的哈希签名相似度，D表示专家的学历得分，A表示专家的学术成果得分，T和M分别表示专家的培训得分与评标表现得分，h

通过将学历得分、学术成果得分、评标表现得分和培训得分通过加权法计算得到指标得分，保证了候选专家较高的专业水平，通过权值筛选出了更加科学并且更加适合的候选专家，保证了带招标项目的评标质量。

参照图6，在本发明的一些实施例中，在计算候选专家的指标得分，并根据项目哈希相似度和指标得分对候选专家筛选得到抽取专家集合之后，基于局部敏感哈希的专家抽取方法还包括：

步骤S700、获取候选专家的知识图谱；知识图谱包括候选专家相关的公司、投标人和相关招标项目。

需要说明的是，参照图10，考虑到评标专家(即本实施例的候选专家)与投标人之间可能存在某种社会关系，为了保证评标过程的公平性，需要解决评标专家与投标人之间的回避问题，结合评标专家资源规划的相关规则，提出了3种评标专家回避关系，如表1所示：

表1评标专家回避关系

根据上表评标专家回避关系，本文构建了包含评标专家、投标人、公司、招标项目四个实体在内的知识图谱。

步骤S800、通过候选专家和投标人之间的最短路径和最短路径的权重进行关系强度计算，得到候选专家的关系强度值。

步骤S900、将抽取专家集合中关系强度值大于回避阈值的候选专家去除，得到最终专家集合。

通过知识图谱的构建，使得能够通过计算知识图谱上投标人与专家的关系强度来筛除需要回避的专家，以保证抽取结果的公平性，并且防止专家与投标人之间可能存在合作、控股等可疑的社会关系，以避免任何潜在利益输送现象，从而提高评标公平性。

在本发明的一些实施例中，候选专家的关系强度值的计算公式包括：

其中，R

通过在知识图谱中查找投标人与专家之间的最短关系路径和该路径的权重，进行关系强度计算，如果关系强度大于回避阈值，那么则认为二者之间存在可疑关系，能够为筛选提供统一标准化的计算方式和筛选条件，有利于对筛选进行严格监督，从而保证专家筛选的公平性，从而提高评标公平性。

在本实施例中，为了验证一种基于局部敏感哈希的专家抽取方法的有效性，提供如下实验数据：

实验设置：对于数据集的设置，从网络上获取了200个公开的招标文件，在提取了所有招标文件的关键词后，将关键词按照项目类别、投标人资格、技术要求、商务要求四个类别进行分类以形成四个集合，其中不同项目类别下的投标人资格等内容也有不同。之后本文按顺序从四个集合中抽取关键词形成招标项目的特征，结合每个招标项目评标时选择的评标专家，构成总计5000条数据的专家-项目数据集。数据集里每条数据包括expert_id(专家id)、expert_name(专家姓名)、program_features(参与项目特征)、academic_score(学历得分)、achievement_score(学术成果得分)、performance_score(评标表现得分)、Training_score(培训得分)。其中，一个招标项目在评标时由多个评标专家参与，例如某项目有5位评标专家参与，则该项目对应生成5条数据，每条数据表示1位评标专家参与该项目。在实验中，将数据集按照9：1的比例划分成训练集和测试集，训练集用于构建局部敏感哈希森林，测试集作为需要抽取专家的项目，并含有标注的三位最佳专家，以检验所提方法效果。

实验结果分析：S@N(success at N)是一种评价抽取系统效果的指标，其中N是抽取的数量。对于抽取的评标专家集合，如果最佳的三位专家在该集合中，那么此次抽取的结果是成功的，S@N的值为1，否则S@N的值为0。所有测试样本的平均S@N值作为整个测试集的S@N值。将S@N值作为衡量抽取准确率的指标，S@N的计算公式如下：

其中，n表示测试集中测试样本的数量，S@N(T

参照图11，横坐标表示t_num，t_num为哈希表数量，同时哈希表数量决定哈希签名的分段数量，纵坐标表示抽取专家的准确率，即每次实验的S@N值，值越大，表示效果越好，四条不同颜色的折线分别代表取值为10、15、20、50的N(图12和图13也是如此)。由图5可以看出，当t_num取值在16附近时，取得的准确率最高，而过多或过少的t_num都会导致准确率下降，这是因为过多的t_num会将特征签名分为多段，从而导致实际匹配的项目相似度不高，而过短的t_num则由于每段特征签名长度过长从而使得很难匹配到相似项目，二者都使得抽取专家的项目相似度分数不准确。

参照图12，prefix_l表示匹配前缀长度，即查找时匹配候选专家签名分段时的长度(第二哈希签名分段匹配哈希森林里签名分段的前多少位，比如长度为16位，我们选择比较前12位，相较比较16位来说减少了时间开销)，不同取值prefix_l对准确率的影响主要分三个阶段，当prefix_l<12时，随着prefix_l的增大，查找项目的相似度变得更高，有利于找到具备相关评标经验的专家，因此专家抽取的准确率呈上升趋势；当prefix_l取值为12时，准确率达到最大值；而当prefix_l>12时，准确率呈下降趋势，这是因为过长的prefix_l会使查找相似项目时的条件变得更加严苛，从而导致某些合适专家的项目相似度得分变低。

参照图13，中横坐标权重组合表示的是集合(h

并且由图11、图12和图13可以看出，当N值等于50时，抽取效果最好，这是因为增加了候选的专家，从而增大了最佳专家在候选集合中的概率。但候选专家的增多也会导致计算开销的增大，因此在实际应用时需要选取合适的N值以平衡准确率和计算开销间的平衡。

在取得了良好抽取效果的基础上，由于评标专家回避算法的存在，能够在知识图谱上获得专家的社会关系以及与投标人的最大关系强度，从而有效的筛除需要回避的评标专家，保证了抽取结果的公平性。而局部敏感哈希森林算法通过对数据进行哈希映射，保护了评标专家数据的隐私性，并为未来在分布式场景下训练评标专家抽取模型提供了参考。

参照图14，本发明的一个实施例，还提供了一种基于局部敏感哈希的专家抽取系统，包括已招标项目特征集获取模块1001、第一哈希签名计算模块1002、局部敏感哈希森林构建模块1003、待招标项目特征集获取模块1004、项目哈希相似度计算模块1005和抽取专家集合计算模块1006，其中：

已招标项目特征集获取模块1001，用于获取已招标项目特征集；

第一哈希签名计算模块1002，用于将已招标项目特征集进行第一局部敏感哈希计算得到第一哈希签名；

局部敏感哈希森林构建模块1003，用于将第一哈希签名通过预设的哈希表进行分段存储，得到局部敏感哈希森林；

待招标项目特征集获取模块1004，用于获取待招标项目特征集；

项目哈希相似度计算模块1005，用于将待招标项目特征集进行第二局部敏感哈希计算得到第二哈希签名，并将第二哈希签名根据哈希表分段对局部敏感哈希森林进行哈希相似度计算，得到项目哈希相似度；

抽取专家集合计算模块1006，用于计算候选专家的指标得分，并根据项目哈希相似度和指标得分对候选专家筛选得到抽取专家集合。

需要说明的是，由于本实施例中的一种基于局部敏感哈希的专家抽取系统与上述的一种基于局部敏感哈希的专家抽取方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。

参考图15，本发明的另一个实施例，还提供了一种电子设备，该电子设备6000可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。

具体的，电子设备6000包括：一个或多个控制处理器6001和存储器6002，图10中以一个控制处理器6001与一个存储器6002为例，控制处理器6001和存储器6002可以通过总线或者其他方式连接，图15中以通过总线连接为例。

存储器6002作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的一种电子设备对应的程序指令/模块；

控制处理器6001通过运行存储在存储器6002中的非暂态软件程序、指令以及模块，从而执行一种基于局部敏感哈希的专家抽取方法的各种功能应用以及数据处理，即实现上述方法实施例的一种基于局部敏感哈希的专家抽取方法。

存储器6002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储一种基于局部敏感哈希的专家抽取方法的使用所创建的数据等。此外，存储器6002可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器6002可选包括相对于控制处理器6001远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备6000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

在一个或者多个模块存储在存储器6002中，当被该一个或者多个控制处理器6001执行时，执行上述方法实施例中的一种基于局部敏感哈希的专家抽取方法，例如执行以上描述的图1至图6的方法步骤。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

需要说明的是，由于本实施例中的一种电子设备与上述的一种基于局部敏感哈希的专家抽取方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。

本发明的一个实施例，还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行：如上述实施例的基于局部敏感哈希的专家抽取方法。

需要说明的是，由于本实施例中的一种计算机可读存储介质与上述的一种基于局部敏感哈希的专家抽取方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储数据(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的数据并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何数据递送介质。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。