CN113569118B - 自媒体推送方法、装置、计算机设备及存储介质 - Google Patents
自媒体推送方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113569118B CN113569118B CN202110741715.2A CN202110741715A CN113569118B CN 113569118 B CN113569118 B CN 113569118B CN 202110741715 A CN202110741715 A CN 202110741715A CN 113569118 B CN113569118 B CN 113569118B
- Authority
- CN
- China
- Prior art keywords
- media
- self
- target
- score
- public opinion
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 80
- 238000011156 evaluation Methods 0.000 claims description 113
- 239000013598 vector Substances 0.000 claims description 64
- 230000009193 crawling Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000002452 interceptive effect Effects 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008451 emotion Effects 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000011157 data evaluation Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种自媒体推送方法、装置、计算机设备及存储介质，所述方法包括：通过采集目标自媒体在每个基础平台的作品的舆情数据，得到目标自媒体在每个基础平台的舆情数据，对每个舆情数据进行分析，得到分析结果，基于分析结果，确定目标自媒体对应的目标分类人群，并基于每个基础平台对应的预设评分权重，确定目标自媒体的综合评分，根据综合评分，确定目标自媒体的营销指数，基于营销指数，从每个基础平台中确定待推荐的目标平台，并将目标自媒体推荐给目标平台中的目标分类人群，采用本发明可以提高目标自媒体推送的精准性。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种自媒体推送方法、装置、计算机设备及介质。
背景技术
互联网能够给用户提供丰富的信息资源，随着互联网技术的飞速发展，越来越多的自媒体(个人或者品牌)通过自身的资源特色，通过各类平台给用户提供信息分享，现有方式往往根据单个平台中自媒体的表现，来对自媒体进行评估定位和并根据评估定位结果将自媒体推给给平台的相应分类的人群，在实现本发明的过程中，发明人意识到现有方式至少存在以下问题：在一个自媒体在多个平台进行信息分享时，如何实现对自媒体进行精准定位和推荐，是一个亟待解决的难题。
发明内容
本发明实施例提供一种自媒体推送方法、装置、计算机设备和存储介质，以提高自媒体推送的精准性。
为了解决上述技术问题，本申请实施例提供一种自媒体推送方法，包括：
采集目标自媒体在每个基础平台的作品的舆情数据，得到所述目标自媒体在每个所述基础平台的舆情数据；
对每个所述舆情数据进行分析，得到分析结果，基于所述分析结果，确定所述目标自媒体对应的目标分类人群，并基于每个所述基础平台对应的预设评分权重，确定所述目标自媒体的综合评分；
根据所述综合评分，确定所述目标自媒体的营销指数；
基于所述营销指数，从每个所述基础平台中确定待推荐的目标平台，并将所述目标自媒体推荐给所述目标平台中的目标分类人群。
可选地，所述综合评分表现形式为多维度评分图的形式。
可选地，所述采集目标自媒体在每个基础平台的作品的舆情数据，得到所述目标自媒体在每个所述基础平台的舆情数据包括：
获取每个所述基础平台对应的统一资源定位符；
针对每个所述基础平台，通过网络爬虫的方式，对所述统一资源定位符对应的页面文件进行爬取分析，得到所述目标自媒体对应作品的页面文件，作为目标页面；
针对每个所述基础平台，通过模糊匹配的方式，从所述目标页面包含的内容中提取与所述目标自媒体对应作品相关的舆情信息，作为所述目标自媒体在该所述基础平台的舆情数据。
可选地，所述舆情数据包括互动数据、作品内容和评论数据中的至少一种。
可选地，所述对每个所述舆情数据进行分析，得到分析结果包括：
根据每种互动数据的预设权重，对所述互动数据进行统计加权，得到第一分值，其中，所述互动数据包括点赞、收藏、浏览和转发中的至少一项；
对作品内容进行解析，根据解析结果对作品质量进行评分，得到第二分值；
对评论数据进行语义识别，根据得到的语义识别结果进行打分，得到第三分值；
基于所述第一分值、第二分值和第三分值，确定所述舆情数据的评估信息，作为所述分析结果。
可选地，所述对评论数据进行语义识别，根据得到的语义识别结果进行打分，得到第三分值包括：
针对同一用户名，若所述用户名对应的用户评价的数量超过预设阈值，则选取与所述预设阈值相同数量的所述用户评价作为所述用户名的有效评价，若所述用户名对应的用户评价的数量未超过所述预设阈值，则将每个所述用户名对应的用户评价均作为一条所述有效评价；
采用语义分析的方式，对每条所述有效评价进行评价情感分析，得到每条所述有效评价对应的认可程度；
按照预设的评估方式，对每条所述有效评价对应的认为程度进行综合评估，得到第三分值。
可选地，所述采用语义分析的方式，对每条所述有效评价进行评价情感分析，得到每条所述有效评价对应的认可程度包括：
采用预设的分词方式，提取所述有效评论中包含的关键词；
采用词向量的方式对所述关键字进行训练，得到所述关键字对应的空间词向量；
基于K-Means聚合算法对所述空间词向量进行聚类分析，得到聚类分析结果；
计算所述聚类分析结果与预设认可程度集合中的每个预设认可程度的欧氏距离，并将得到的欧氏距离值最小的所述预设认可程度，作为所述有效评论对应的认可程度。
为了解决上述技术问题，本申请实施例还提供一种自媒体推送装置，包括：
数据采集模块，用于采集目标自媒体在每个基础平台的作品的舆情数据，得到所述目标自媒体在每个所述基础平台的舆情数据；
数据评估模块，用于对每个所述舆情数据进行分析，得到分析结果，基于所述分析结果，确定所述目标自媒体对应的目标分类人群，并基于每个所述基础平台对应的预设评分权重，确定所述目标自媒体的综合评分；
指数确定模块，用于根据所述综合评分，确定所述目标自媒体的营销指数；
目标推荐模块，用于基于所述营销指数，从每个所述基础平台中确定待推荐的目标平台，并将所述目标自媒体推荐给所述目标平台中的目标分类人群。
可选地，所述数据采集模块包括：
资源定位单元，用于获取每个所述基础平台对应的统一资源定位符；
页面确定模块，用于针对每个所述基础平台，通过网络爬虫的方式，对所述统一资源定位符对应的页面文件进行爬取分析，得到所述目标自媒体对应作品的页面文件，作为目标页面；
数据爬取单元，用于针对每个所述基础平台，通过模糊匹配的方式，从所述目标页面包含的内容中提取与所述目标自媒体对应作品相关的舆情信息，作为所述目标自媒体在该所述基础平台的舆情数据。
可选地，所述数据评估模块包括：
互动分值评估单元，用于根据每种互动数据的预设权重，对所述互动数据进行统计加权，得到第一分值，其中，所述互动数据包括点赞、收藏、浏览和转发中的至少一项；
质量分值评估单元，用于对作品内容进行解析，根据解析结果对作品质量进行评分，得到第二分值；
评论分值评估单元，用于对评论数据进行语义识别，根据得到的语义识别结果进行打分，得到第三分值；
结果生成单元，用于基于所述第一分值、第二分值和第三分值，确定所述舆情数据的评估信息，作为所述分析结果。
可选地，所述评论分值评估单元包括：
有效评论筛选子单元，用于针对同一用户名，若所述用户名对应的用户评价的数量超过预设阈值，则选取与所述预设阈值相同数量的所述用户评价作为所述用户名的有效评价，若所述用户名对应的用户评价的数量未超过所述预设阈值，则将每个所述用户名对应的用户评价均作为一条所述有效评价；
语义分析子单元，用于采用语义分析的方式，对每条所述有效评价进行评价情感分析，得到每条所述有效评价对应的认可程度；
分值评估子单元，用于按照预设的评估方式，对每条所述有效评价对应的认为程度进行综合评估，得到第三分值。
可选地，所述语义分析子单元包括：
分词提取组件，用于采用预设的分词方式，提取所述有效评论中包含的关键词；
词向量生成组件，用于采用词向量的方式对所述关键字进行训练，得到所述关键字对应的空间词向量；
分词聚类组件，用于基于K-Means聚合算法对所述空间词向量进行聚类分析，得到聚类分析结果；
认可程度计算组件，用于计算所述聚类分析结果与预设认可程度集合中的每个预设认可程度的欧氏距离，并将得到的欧氏距离值最小的所述预设认可程度，作为所述有效评论对应的认可程度。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述自媒体推送方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述自媒体推送方法的步骤。
本发明实施例提供的自媒体推送方法、装置、计算机设备及存储介质，通过采集目标自媒体在每个基础平台的作品的舆情数据，得到目标自媒体在每个基础平台的舆情数据，对每个舆情数据进行分析，得到分析结果，基于分析结果，确定目标自媒体对应的目标分类人群，并基于每个基础平台对应的预设评分权重，确定目标自媒体的综合评分，根据综合评分，确定目标自媒体的营销指数，基于营销指数，从每个基础平台中确定待推荐的目标平台，并将目标自媒体推荐给目标平台中的目标分类人群，实现对目标自媒体的快速定位，并推荐给与定位相对应的目标平台中的目标分类人群，有利于提高目标自媒体推送的精准性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是本申请的自媒体推送方法的一个实施例的流程图；
图3是根据本申请的自媒体推送装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
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作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。
请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture EpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureEperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的自媒体推送方法由服务器执行，相应地，自媒体推送装置设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
请参阅图2，图2示出本发明实施例提供的一种自媒体推送方法，以该方法应用在图1中的服务端为例进行说明，详述如下：
S201：采集目标自媒体在每个基础平台的作品的舆情数据，得到目标自媒体在每个基础平台的舆情数据。
可选地，舆情数据包括互动数据、作品内容和评论数据中的至少一种。
其中，目标自媒体具体包括但不限于个人作者、品牌方等，其发布的作品包括但不限于：文字、图片、短视频、活动文案等。
具体采集舆情数据的方式，可参考后续实施例的描述，为避免重复，此处不再赘述。
S202：对每个舆情数据进行分析，得到分析结果，基于分析结果，确定目标自媒体对应的目标分类人群，并基于每个基础平台对应的预设评分权重，确定目标自媒体的综合评分。
可选地，综合评分表现形式为多维度评分图的形式。
其中，多维度评分图是指生成多个维度的分值数据的图形，具体维度数量可根据实际需要进行设定，此处不做限制。例如，在一具体实现方式中，采用六维评分图，分别为：人气、内容质量、更新频率、受众群体、风格倾向和主打类别，基于对舆情数据的分析，得到该六个维度的评估分值，进而生成六边形的评分图案，以可视化的方式存储到目标自媒体对应的数据资料中。
S203：根据综合评分，确定目标自媒体的营销指数。
其中，营销指数是指该目标自媒体在各个基础平台的市场定位指数。
S204：基于营销指数，从每个基础平台中确定待推荐的目标平台，并将目标自媒体推荐给目标平台中的目标分类人群。
本实施例中，采集目标自媒体在每个基础平台的作品的舆情数据，得到目标自媒体在每个基础平台的舆情数据，对每个舆情数据进行分析，得到分析结果，基于分析结果，确定目标自媒体对应的目标分类人群，并基于每个基础平台对应的预设评分权重，确定目标自媒体的综合评分，根据综合评分，确定目标自媒体的营销指数，基于营销指数，从每个基础平台中确定待推荐的目标平台，并将目标自媒体推荐给目标平台中的目标分类人群，实现对目标自媒体的快速定位，并推荐给与定位相对应的目标平台中的目标分类人群，有利于提高目标自媒体推送的精准性。
在一具体可选实施方式中，步骤S201中，采集目标自媒体在每个基础平台的作品的舆情数据，得到目标自媒体在每个基础平台的舆情数据包括：
获取每个基础平台对应的统一资源定位符；
针对每个基础平台，通过网络爬虫的方式，对统一资源定位符对应的页面文件进行爬取分析，得到目标自媒体对应作品的页面文件，作为目标页面；
针对每个基础平台，通过模糊匹配的方式，从目标页面包含的内容中提取与目标自媒体对应作品相关的舆情信息，作为目标自媒体在该基础平台的舆情数据。
具体地，在目标自媒体在每个基础平台的作品进行爬取之前，需要获取每个基础平台对应的统一资源定位符，每个基础平台对应的统一资源定位符对应多个页面文件，每个页面文件对应一个作品，通过该统一资源定位符对应的页面文件可以获取到该作品的舆情数据。
其中，统一资源定位符(Uniform Resource Locator，URL)是对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示，是互联网上标准资源的地址。
由于网络爬虫的爬行范围和数量巨大，对于爬行速度和存储空间要求较高，对于爬行页面的顺序要求相对较低，同时由于待刷新的页面太多，通常采用并行工作方式，网络爬虫的结构大致可以分为页面爬行模块、页面分析模块、链接过滤模块、页面数据库、URL队列、初始URL集合几个部分。为提高工作效率，通用网络爬虫会采取一定的爬行策略。常用的爬行策略有：深度优先策略、广度优先策略。
其中，深度优先策略的基本方法是按照深度由低到高的顺序，依次访问下一级网页链接，直到不能再深入为止。爬虫在完成一个爬行分支后返回到上一链接节点进一步搜索其它链接。当所有链接遍历完后，爬行任务结束。
其中，广度优先策略是按照网页内容目录层次深浅来爬行页面，处于较浅目录层次的页面首先被爬行。当同一层次中的页面爬行完毕后，爬虫再深入下一层继续爬行。这种策略能够有效控制页面的爬行深度，避免遇到一个无穷深层分支时无法结束爬行的问题，实现方便，无需存储大量中间节点。
优选地，本发明实施例采用的爬行策略为广度优先策略，先爬取么个基础平台对应的统一资源定位符，获取预设的统一资源定位符对应的多个页面文件，再在后续对每个页面文件进行爬取，获取每个页面文件中包含的作品的舆情信息，避免了爬取过多的无用信息而导致的额外时间开销，提高了爬取效率。
其中，模糊匹配的方式包括但不限于：基于字符串模式匹配(Horspool)算法的模糊匹配、基于Trie树实现搜索词的模糊匹配、基于jquery选择器的模糊匹配等。
在本实施例中，获取每个基础平台对应的统一资源定位符，针对每个基础平台，通过网络爬虫的方式，对统一资源定位符对应的页面文件进行爬取分析，得到目标自媒体对应作品的页面文件，作为目标页面，针对每个基础平台，通过模糊匹配的方式，从目标页面包含的内容中提取与目标自媒体对应作品相关的舆情信息，作为目标自媒体在该基础平台的舆情数据，实现从网络中智能获取目标自媒体的舆情数据，节约了获取时间，提高了舆情数据的获取效率。
在一具体可选实施方式中，步骤S202中，对每个舆情数据进行分析，得到分析结果包括：
根据每种互动数据的预设权重，对互动数据进行统计加权，得到第一分值，其中，互动数据包括点赞、收藏、浏览和转发中的至少一项；
对作品内容进行解析，根据解析结果对作品质量进行评分，得到第二分值；
对评论数据进行语义识别，根据得到的语义识别结果进行打分，得到第三分值；
基于第一分值、第二分值和第三分值，确定舆情数据的评估信息，作为分析结果。
在一具体可选实施方式中，对评论数据进行语义识别，根据得到的语义识别结果进行打分，得到第三分值包括：
针对同一用户名，若用户名对应的用户评价的数量超过预设阈值，则选取与预设阈值相同数量的用户评价作为用户名的有效评价，若用户名对应的用户评价的数量未超过预设阈值，则将每个用户名对应的用户评价均作为一条有效评价；
采用语义分析的方式，对每条有效评价进行评价情感分析，得到每条有效评价对应的认可程度；
按照预设的评估方式，对每条有效评价对应的认为程度进行综合评估，得到第三分值。
具体地，在用户评价中，存在用户针对同一个作品，进行多次重复评论的情况，为避免这种情况干扰对目标评价的解析，本实施例中，对用户针对同一作品的用户评价数量设置有预设阈值，当用户针对同一作品的用户评价数量超过该预设阈值时，选取与预设阈值相同数量的用户评价作为该用户针对该作品的有效评价，当用户名对应的用户评价的数量未超过预设阈值时，将该用户名对应的每条用户评价均作为一条有效评价，在确定有效评价后，采用语义分析的方式，对每条有效评价中包含的语义进行分析，得到该有效评价中包含的用户对该应用程序的认可程度，并对每个认为程度均预先设置有对应的评估方式，根据对同一作品的每个有效评价对应的认可程度均进行评估，进而对该作品的综合评估，得到目标自媒体对应的作品的第三分值。
其中，语义分析的实现方法包括但不限于：自然语言处理算法(Natural LanguageProcessing，NLP)、基于N-Gram模型的自然语言语义分析算法和基于词向量的聚类算法等。
优选地，本实施例采用基于词向量的聚类算法来实现对有效评价的语义分析。
其中，预设的评估方式可根据实际需求进行设置，例如，对不同的认可程度设置不同的评分等，此处不作具体限制。
在一具体可选实施方式中，采用语义分析的方式，对每条有效评价进行评价情感分析，得到每条有效评价对应的认可程度包括：
采用预设的分词方式，提取有效评论中包含的关键词；
采用词向量的方式对关键字进行训练，得到关键字对应的空间词向量；
基于K-Means聚合算法对空间词向量进行聚类分析，得到聚类分析结果；
计算聚类分析结果与预设认可程度集合中的每个预设认可程度的欧氏距离，并将得到的欧氏距离值最小的预设认可程度，作为有效评论对应的认可程度。
具体地，通过第三方分词工具，或者分词算法，对有效评论进行分词处理，得到至少一个关键字，关键字的具体数量依据分词结果而定。
其中，常见的第三方分词工具包括但不限于：Stanford NLP分词器、ICTClAS分词系统、ansj分词工具和HanLP中文分词工具等。
其中，分词算法包括但不限于：最大正向匹配(Maximum Matching，MM)算法、逆向最大匹配(ReverseDirectionMaximum Matching Method，RMM)算法、双向最大匹配(Bi-directction Matching method，BM)算法、隐马尔科夫模型(Hidden Markov Model，HMM)和N-gram模型等。
容易理解地，通过分词的方式提取关键字，一方面，可以过滤掉有效评论中一些无意义的词汇，另一方面，也有利于后续使用这些关键词生成空间词向量。
在人工智能中，词向量表示主要是指语言的形式化或数学的描述，以便在计算机中表示语言，并能让计算机程序自动处理。本实施例中所指的词向量的方式就是用向量的形式来表示关键词。
具体地，将每个关键词按照预设的语料库映射到向量中，将这些向量联系在一起，形成一个词向量空间，每个向量相当于是这个空间中的一个点，将每个向量作为一个空间词向量。
例如，某产品名称里面有宝马、奔驰这两个待匹配分词，根据预设的语料库，获取了这两个待匹配分词的所有可能分类：“汽车”、“奢侈品”、“动物”、“动作”和“美食”。因此，对这两个待匹配分词引入一种向量表示：
<汽车，奢侈品，动物，动作，美食>
根据统计学习的方法计算这两个待匹配分词属于每个分类的概率，计算机学到的可能是：
宝马＝<0.5,0.2,0.2,0.0,0.1>
奔驰＝<0.7,0.2,0.0,0.1,0.0>
可以理解地，空间词向量的每一维的值代表一个具有一定的语义和语法上能够解释的特征。
通过预设语料库，构建每个关键词的空间词向量，使得将机器无法准确理解的文字转换成了机器容易识别并进行运算的词向量，有利于通过对有效评价中的关键词进行分析，得到该有效评价中包含的对应用程序的认可程度。
进一步地，在构建空间词向量后，针对有效评价对应的每个空间词向量，计算该空间词向量与其他空间向量之间的空间距离，将与其他空间词向量空间距离均超过预设空间距离阈值的空间词向量确认为无效词向量，并剔除该无效词向量，以使每个空间词向量都尽可能正确地表示该空间词向量对应的关键词在有效评论中代表的语义。
进一步地，通过聚类的方式，对同一有效评价对应的空间词向量进行聚类分析，得到该有效评价对应的聚类结果，优选地，本提案使用K-Means聚合算法对空间词向量进行聚类分析。
其中，K-means算法是基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。
在本实施例中，使用K-Means聚合算法对空间词向量进行聚类分析详叙如下：
将预设的各个词性对应的词向量，作为聚类中心；
针对有效评价中的每个空间词向量，计算该空间词向量与当前每个聚类中心之间的第一距离，将该空间词向量放入最小第一距离对应的聚类中心所在的聚类中，得到m个临时聚类；
针对每个临时聚类，计算该临时聚类的均值，以及该临时聚类中每个空间词向量和该均值之间的第二距离，选取最小第二距离对应的该空间词向量作为该临时聚类的新的聚类中心，得到更新后的m个临时聚类；
按照如下公式计算每个更新后的临时聚类的标准差：
其中，σ为标准差，Ai为更新后的临时聚类中第i个空间词向量，n为更新后的临时聚类中空间词向量的数量，μ为空间词向量Ai所在的更新后的临时聚类的平均值，i∈[1，n]，且i和n为正整数；
若m个更新后的临时聚类的标准差中至少存在一个标准差大于或者等于预设的标准差阈值，则返回执行针对有效评价中的每个空间词向量，计算该空间词向量与当前每个聚类中心之间的第一距离，将该空间词向量放入最小第一距离对应的聚类中心所在的聚类中，得到m个临时聚类的步骤；
若m个更新后的临时聚类的标准差均小于标准差阈值，则将该m个更新后的临时聚类的聚类中心作为聚类分析结果。
进一步地，将预设认可程度集合中的每个预设认可程度均转化成词向量，并对聚类分析结果与每个预设认可程度对应的词向量进行欧氏距离的计算，将欧氏距离值最小的词向量对应的预设认可程度，作为有效评论对应的认可程度。
其中，认可程度是指用户评价中包含的对应用程序的偏好和认可的态度，具体可以根据实际需求进行设置，此处不做具体限定。
在本实施例中，采用预设的分词方式，提取有效评论中包含的关键词，进而采用词向量的方式对关键字进行训练，得到关键字对应的空间词向量，再基于K-Means聚合算法对空间词向量进行聚类分析，得到聚类分析结果，并计算聚类分析结果与预设认可程度集合中的每个预设认可程度的欧氏距离，并将得到的欧氏距离值最小的预设认可程度，作为有效评论对应的认可程度，使得通过将用户评论转换成空间词向量并进行聚类分析，得到有效评论中包含的用户情感，即对作品的认可程度，实现了对有效评论的智能解析，提高了对有效评论进行解析的速度，有利于提高作品评估的效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图3示出与上述实施例自媒体推送方法一一对应的自媒体推送装置的原理框图。如图3所示，该自媒体推送装置包括数据采集模块31、数据评估模块32、指数确定模块33和目标推荐模块34。各功能模块详细说明如下：
数据采集模块31，用于采集目标自媒体在每个基础平台的作品的舆情数据，得到目标自媒体在每个基础平台的舆情数据；
数据评估模块32，用于对每个舆情数据进行分析，得到分析结果，基于分析结果，确定目标自媒体对应的目标分类人群，并基于每个基础平台对应的预设评分权重，确定目标自媒体的综合评分；
指数确定模块33，用于根据综合评分，确定目标自媒体的营销指数；
目标推荐模块34，用于基于营销指数，从每个基础平台中确定待推荐的目标平台，并将目标自媒体推荐给目标平台中的目标分类人群。
可选地，数据采集模块31包括：
资源定位单元，用于获取每个基础平台对应的统一资源定位符；
页面确定模块，用于针对每个基础平台，通过网络爬虫的方式，对统一资源定位符对应的页面文件进行爬取分析，得到目标自媒体对应作品的页面文件，作为目标页面；
数据爬取单元，用于针对每个基础平台，通过模糊匹配的方式，从目标页面包含的内容中提取与目标自媒体对应作品相关的舆情信息，作为目标自媒体在该基础平台的舆情数据。
可选地，数据评估模块32包括：
互动分值评估单元，用于根据每种互动数据的预设权重，对互动数据进行统计加权，得到第一分值，其中，互动数据包括点赞、收藏、浏览和转发中的至少一项；
质量分值评估单元，用于对作品内容进行解析，根据解析结果对作品质量进行评分，得到第二分值；
评论分值评估单元，用于对评论数据进行语义识别，根据得到的语义识别结果进行打分，得到第三分值；
结果生成单元，用于基于第一分值、第二分值和第三分值，确定舆情数据的评估信息，作为分析结果。
可选地，评论分值评估单元包括：
有效评论筛选子单元，用于针对同一用户名，若用户名对应的用户评价的数量超过预设阈值，则选取与预设阈值相同数量的用户评价作为用户名的有效评价，若用户名对应的用户评价的数量未超过预设阈值，则将每个用户名对应的用户评价均作为一条有效评价；
语义分析子单元，用于采用语义分析的方式，对每条有效评价进行评价情感分析，得到每条有效评价对应的认可程度；
分值评估子单元，用于按照预设的评估方式，对每条有效评价对应的认为程度进行综合评估，得到第三分值。
可选地，语义分析子单元包括：
分词提取组件，用于采用预设的分词方式，提取有效评论中包含的关键词；
词向量生成组件，用于采用词向量的方式对关键字进行训练，得到关键字对应的空间词向量；
分词聚类组件，用于基于K-Means聚合算法对空间词向量进行聚类分析，得到聚类分析结果；
认可程度计算组件，用于计算聚类分析结果与预设认可程度集合中的每个预设认可程度的欧氏距离，并将得到的欧氏距离值最小的预设认可程度，作为有效评论对应的认可程度。
关于自媒体推送装置的具体限定可以参见上文中对于自媒体推送方法的限定，在此不再赘述。上述自媒体推送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。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的自媒体推送方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种自媒体推送方法，其特征在于，所述自媒体推送方法包括：
采集目标自媒体在每个基础平台的作品的舆情数据，得到所述目标自媒体在每个所述基础平台的舆情数据；
对每个所述舆情数据进行分析，得到分析结果，基于所述分析结果，确定所述目标自媒体对应的目标分类人群，并基于每个所述基础平台对应的预设评分权重，确定所述目标自媒体的综合评分；
根据所述综合评分，确定所述目标自媒体的营销指数；
基于所述营销指数，从每个所述基础平台中确定待推荐的目标平台，并将所述目标自媒体推荐给所述目标平台中的目标分类人群。
2.如权利要求1所述的自媒体推送方法，其特征在于，所述综合评分表现形式为多维度评分图的形式。
3.如权利要求1所述的自媒体推送方法，其特征在于，所述采集目标自媒体在每个基础平台的作品的舆情数据，得到所述目标自媒体在每个所述基础平台的舆情数据包括：
获取每个所述基础平台对应的统一资源定位符；
针对每个所述基础平台，通过网络爬虫的方式，对所述统一资源定位符对应的页面文件进行爬取分析，得到所述目标自媒体对应作品的页面文件，作为目标页面；
针对每个所述基础平台，通过模糊匹配的方式，从所述目标页面包含的内容中提取与所述目标自媒体对应作品相关的舆情信息，作为所述目标自媒体在该所述基础平台的舆情数据。
4.如权利要求1至3任一项所述的自媒体推送方法，其特征在于，所述舆情数据包括互动数据、作品内容和评论数据中的至少一种。
5.如权利要求4所述的自媒体推送方法，其特征在于，所述对每个所述舆情数据进行分析，得到分析结果包括：
根据每种互动数据的预设权重，对所述互动数据进行统计加权，得到第一分值，其中，所述互动数据包括点赞、收藏、浏览和转发中的至少一项；
对作品内容进行解析，根据解析结果对作品质量进行评分，得到第二分值；
对评论数据进行语义识别，根据得到的语义识别结果进行打分，得到第三分值；
基于所述第一分值、第二分值和第三分值，确定所述舆情数据的评估信息，作为所述分析结果。
6.如权利要求5所述的自媒体推送方法，其特征在于，所述对评论数据进行语义识别，根据得到的语义识别结果进行打分，得到第三分值包括：
针对同一用户名，若所述用户名对应的用户评价的数量超过预设阈值，则选取与所述预设阈值相同数量的所述用户评价作为所述用户名的有效评价，若所述用户名对应的用户评价的数量未超过所述预设阈值，则将每个所述用户名对应的用户评价均作为一条所述有效评价；
采用语义分析的方式，对每条所述有效评价进行评价情感分析，得到每条所述有效评价对应的认可程度；
按照预设的评估方式，对每条所述有效评价对应的认为程度进行综合评估，得到所述第三分值。
7.如权利要求6所述的自媒体推送方法，其特征在于，所述采用语义分析的方式，对每条所述有效评价进行评价情感分析，得到每条所述有效评价对应的认可程度包括：
采用预设的分词方式，提取所述有效评论中包含的关键词；
采用词向量的方式对所述关键字进行训练，得到所述关键字对应的空间词向量；
基于K-Means聚合算法对所述空间词向量进行聚类分析，得到聚类分析结果；
计算所述聚类分析结果与预设认可程度集合中的每个预设认可程度的欧氏距离，并将得到的欧氏距离值最小的所述预设认可程度，作为所述有效评论对应的认可程度。
8.一种自媒体推送装置，其特征在于，所述自媒体推送装置包括：
数据采集模块，用于采集目标自媒体在每个基础平台的作品的舆情数据，得到所述目标自媒体在每个所述基础平台的舆情数据；
数据评估模块，用于对每个所述舆情数据进行分析，得到分析结果，基于所述分析结果，确定所述目标自媒体对应的目标分类人群，并基于每个所述基础平台对应的预设评分权重，确定所述目标自媒体的综合评分；
指数确定模块，用于根据所述综合评分，确定所述目标自媒体的营销指数；
目标推荐模块，用于基于所述营销指数，从每个所述基础平台中确定待推荐的目标平台，并将所述目标自媒体推荐给所述目标平台中的目标分类人群。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中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权利要求1至7任一项所述的自媒体推送方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的自媒体推送方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110741715.2A CN113569118B (zh) | 2021-06-30 | 2021-06-30 | 自媒体推送方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110741715.2A CN113569118B (zh) | 2021-06-30 | 2021-06-30 | 自媒体推送方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113569118A CN113569118A (zh) | 2021-10-29 |
| CN113569118B true CN113569118B (zh) | 2023-12-22 |
Family
ID=78163287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110741715.2A Active CN113569118B (zh) | 2021-06-30 | 2021-06-30 | 自媒体推送方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113569118B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114861027B (zh) * | 2022-04-29 | 2024-06-18 | 深圳市东晟数据有限公司 | 一种基于大数据及自然语言处理的多维度舆情推荐方法 |
| CN115936514B (zh) * | 2022-12-14 | 2023-08-08 | 湖南工业大学 | 基于大数据联动管理的乡村美食创意系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106960063A (zh) * | 2017-04-20 | 2017-07-18 | 广州优亚信息技术有限公司 | 一种针对招商引资领域的互联网情报抓取和推荐系统 |
| CN110532461A (zh) * | 2019-07-05 | 2019-12-03 | 中国平安财产保险股份有限公司 | 信息平台推送方法、装置、计算机设备及存储介质 |
| WO2019227710A1 (zh) * | 2018-05-31 | 2019-12-05 | 平安科技（深圳）有限公司 | 网络舆情的分析方法、装置及计算机可读存储介质 |
| CN112116391A (zh) * | 2020-09-18 | 2020-12-22 | 北京达佳互联信息技术有限公司 | 多媒体资源投放方法、装置、计算机设备及存储介质 |
| CN112749341A (zh) * | 2021-01-22 | 2021-05-04 | 南京莱斯网信技术研究院有限公司 | 重点舆情推荐方法、可读存储介质及数据处理装置 |
-
2021
- 2021-06-30 CN CN202110741715.2A patent/CN113569118B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106960063A (zh) * | 2017-04-20 | 2017-07-18 | 广州优亚信息技术有限公司 | 一种针对招商引资领域的互联网情报抓取和推荐系统 |
| WO2019227710A1 (zh) * | 2018-05-31 | 2019-12-05 | 平安科技（深圳）有限公司 | 网络舆情的分析方法、装置及计算机可读存储介质 |
| CN110532461A (zh) * | 2019-07-05 | 2019-12-03 | 中国平安财产保险股份有限公司 | 信息平台推送方法、装置、计算机设备及存储介质 |
| CN112116391A (zh) * | 2020-09-18 | 2020-12-22 | 北京达佳互联信息技术有限公司 | 多媒体资源投放方法、装置、计算机设备及存储介质 |
| CN112749341A (zh) * | 2021-01-22 | 2021-05-04 | 南京莱斯网信技术研究院有限公司 | 重点舆情推荐方法、可读存储介质及数据处理装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113569118A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
| US11314806B2 (en) | Method for making music recommendations and related computing device, and medium thereof | |
| CN110162593B (zh) | 一种搜索结果处理、相似度模型训练方法及装置 | |
| CN113822067A (zh) | 关键信息提取方法、装置、计算机设备及存储介质 | |
| WO2020237856A1 (zh) | 基于知识图谱的智能问答方法、装置及计算机存储介质 | |
| CN111813905B (zh) | 语料生成方法、装置、计算机设备及存储介质 | |
| CN111538931B (zh) | 基于大数据的舆情监控方法、装置、计算机设备及介质 | |
| CN106294618A (zh) | 搜索方法及装置 | |
| CN113392209B (zh) | 一种基于人工智能的文本聚类方法、相关设备及存储介质 | |
| CN114780746A (zh) | 基于知识图谱的文档检索方法及其相关设备 | |
| CN111325030A (zh) | 文本标签构建方法、装置、计算机设备和存储介质 | |
| CN113569118B (zh) | 自媒体推送方法、装置、计算机设备及存储介质 | |
| CN111625715A (zh) | 信息提取方法、装置、电子设备及存储介质 | |
| CN115203421A (zh) | 一种长文本的标签生成方法、装置、设备及存储介质 | |
| CN113626704A (zh) | 基于word2vec模型的推荐信息方法、装置及设备 | |
| CN109271624A (zh) | 一种目标词确定方法、装置及存储介质 | |
| CN112926308B (zh) | 匹配正文的方法、装置、设备、存储介质以及程序产品 | |
| CN114328800A (zh) | 文本处理方法、装置、电子设备和计算机可读存储介质 | |
| CN110019763B (zh) | 文本过滤方法、系统、设备及计算机可读存储介质 | |
| CN114647739B (zh) | 实体链指方法、装置、电子设备及存储介质 | |
| CN116484085A (zh) | 一种信息投放方法、装置、设备及存储介质、程序产品 | |
| CN115062136A (zh) | 基于图神经网络的事件消歧方法及其相关设备 | |
| CN106021516A (zh) | 搜索方法及装置 | |
| CN112364649A (zh) | 命名实体的识别方法、装置、计算机设备及存储介质 | |
| CN113792549B (zh) | 一种用户意图识别的方法、装置、计算机设备及存储介质 |
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 |