[發明專利]一種事件描述對象推薦方法及裝置

有效

• 申請號: 201711115994.1
• 申請日: 2017-11-13
• 公開（公告）號: CN108021619B
• 公開（公告）日: 2020-05-05
• 發明（設計）人: 楊寵;王曉棟
• 申請（專利權）人: 星潮閃耀移動網絡科技（中國）有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F40/30
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 許志勇

1.一種事件描述對象推薦方法，其特征在于，所述方法包括：

確定事件描述對象描述的事件的發生日期，以及表征所述事件描述對象的語義特征的特征向量；

根據所述發生日期和所述特征向量對事件描述對象進行聚類，確定事件描述對象所隸屬的事件簇；

根據對事件描述對象估計的點擊率，確定事件描述對象在所隸屬的事件簇中的第一推薦優先級；

根據所隸屬的事件簇中的所有事件描述對象的點擊率，確定所隸屬的事件簇的第二推薦優先級；

根據事件描述對象在所隸屬的事件簇中的第一推薦優先級，以及所隸屬的事件簇的第二推薦優先級，確定事件描述對象的綜合推薦優先級；

所述根據對事件描述對象估計的點擊率，確定事件描述對象在所隸屬的事件簇中的第一推薦優先級，包括：

提取事件描述對象的多維度靜態特征；

將所述多維度靜態特征和所述特征向量進行合并，得到表征事件描述對象的組合向量；

根據所述組合向量和點擊率預估模型，估計事件描述對象的點擊率；所述點擊率預估模型，是根據已推薦的事件描述對象的組合向量和真實點擊率確定的、用于估計事件描述對象的點擊率的模型；

根據估計出的事件描述對象的點擊率的大小，確定事件描述對象在所隸屬的事件簇中的第一推薦優先級的高低。

2.如權利要求1所述的方法，其特征在于，在所述根據所述發生日期和所述特征向量對事件描述對象進行聚類前，所述方法還包括：

根據事件領域模型確定事件描述對象所屬的事件領域；所述事件領域模型是根據已知事件領域的事件描述對象確定的、用于確定事件描述對象屬于預設事件領域的概率的模型；

根據事件描述對象所屬的事件領域，對事件描述對象進行預聚類；則，

所述根據所述發生日期和所述特征向量對事件描述對象進行聚類，包括：

根據所述發生日期和所述特征向量對預聚類后的事件描述對象進行聚類。

3.如權利要求2所述的方法，其特征在于，所述根據事件領域模型確定事件描述對象所屬的事件領域，包括：

確定事件描述對象的分詞的詞向量；

將事件描述對象的分詞的詞向量組成的矩陣輸入事件領域模型，獲得事件描述對象屬于預設事件領域的概率；

根據事件描述對象屬于預設事件領域的概率的大小，確定事件描述對象所屬的事件領域。

4.如權利要求1所述的方法，其特征在于，所述確定表征事件描述對象的語義特征的特征向量，包括：

對事件描述對象進行分詞處理獲得事件描述對象的分詞結果；

根據分詞結果和語義特征向量模型，確定表征事件描述對象的語義特征的特征向量；所述語義特征向量模型為doc2vec模型。

5.如權利要求1所述的方法，其特征在于，所述根據所述發生日期和所述特征向量對事件描述對象進行聚類，確定事件描述對象所隸屬的事件簇，包括：

根據所述發生日期確定事件描述對象描述的事件的時間屬性，所述時間屬性包括：未來型或當前型；

根據確定出的時間屬性和所述發生日期，對事件描述對象進行預聚類；

根據所述特征向量對預聚類后的事件描述對象進行聚類，確定事件描述對象所隸屬的事件簇。

6.如權利要求5所述的方法，其特征在于，所述根據所述特征向量對預聚類后的事件描述對象進行聚類，確定事件描述對象所隸屬的事件簇，包括：

計算所述特征向量與目標事件簇的聚類中心的余弦相似度；所述聚類中心為表征事件簇中存儲的事件描述對象的特征向量的平均向量；所述目標事件簇為與預聚類后的事件描述對象描述的事件的發生時間和時間屬性相同的事件簇；

確定計算出的余弦相似度中的最大值是否大于第一閾值；

若為是，將所述最大值對應的目標事件簇確定為事件描述對象所隸屬的事件簇。

7.如權利要求6所述的方法，其特征在于，若計算出的余弦相似度中的最大值不大于第一閾值，所述方法還包括：

當事件描述對象對應的時間屬性為未來型時，新建事件簇作為事件描述對象所隸屬的事件簇；

當事件描述對象對應的時間屬性為當前型時，將事件描述對象丟棄。