[發明專利]一種用戶需求驅動的資源匹配推送方法

有效

• 申請號: 201811137410.5
• 申請日: 2018-09-28
• 公開（公告）號: CN109460506B
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 陰艷超;陳富釗;牛紅偉;張立童
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種用戶需求驅動的資源匹配推送方法，其特征在于：包括以下步驟：

步驟1：依據用戶的檢索及操作歷史對用戶的知識資源需求信息進行收集整理，具體包括用戶身份信息、檢索歷史、具體檢索內容以及知識訂閱信息，并以文檔形式進行存儲，構建用戶需求庫；

步驟2：通過對用戶需求信息進行關鍵詞的抽取，依據本體技術對用戶來自多個領域的知識資源需求信息進行分類和規范化處理，形成用戶服務需求清單；

步驟3：依據用戶服務需求清單的本體信息確定其專業領域歸屬，調用知識資源服務匹配算法，從云端知識資源池中得到相應的知識資源匹配結果集，并將其提交到推送引擎；

步驟4：在步驟1中獲取用戶知識資源需求的基礎上得到并記錄用戶的個性化定制信息，建立相應的知識資源與推送引擎之間的觸發關聯，形成滿足用戶個性化需求推送規則并保存于云端知識資源池中；

步驟5：推送引擎依據知識資源匹配結果集，從云端知識資源池中調用相應的知識資源，并依據用戶個性化需求推送規則，當觸發條件得到滿足時，所述觸發條件包括時間觸發和事件觸發，由推送引擎將相應的知識資源快速準確的推送給用戶；

所述步驟3中知識資源服務匹配算法具體包括以下步驟：

(1)匹配準備階段：

步驟a：首先針對用戶服務需求清單進行任務分解，對分解后的任務內容做分詞處理，判斷各概念詞性，并根據服務領域，得到分詞結果集并賦予相應的權重；結果集以{(主語,權重),(謂語,權重),(賓語,權重)}＝{(s,sw),(p,pw),(o,ow)}的形式給出，所述結果集中主語、謂語、賓語三者的詞性均為名稱或動詞，否則值為null；同時，所述權重滿足：sw+pw+ow＝1；

步驟b：使用語義推理工具Jena推理機根據推理規則對得到的分詞結果集進行語義擴展，進而得到請求服務向量集；

(2)匹配執行階段：

步驟c：計算知識服務領域本體概念相似度；

利用深度公式計算概念在本體中所處的位置深度；

所述深度公式為：

所述深度公式定義中，α、β為服務本體中的兩個概念；Len(α,β)表示概念α與概念β之間的深度；函數len(α)(len(β))表示本體中概念α(β)到本體樹中根節點的最短距離；maxlen(α)(maxlen(β))為經過概念α(β)從根節點到葉節點的最短距離；

基于深度公式進一步得到概念間相似度計算公式為：

所述概念間相似度計算公式其中，S(α,β)為概念α與概念β之間的相似度，A＝{Tα_i|i＝1,2,…,n}，Β＝{Tβ_j|j＝1,2,…,m}；Tα_i、Tβ_j分別為概念α、β的屬性特征，i表示概念α的屬性序數，n表示概念α包含n個屬性，j表示概念β的屬性序數，m表示概念β包含m個屬性；A∩Β表示α與β的共有屬性特征；A-Β表示只屬于α而不屬于β的屬性特征；Β-A表示只屬于β而不屬于α的屬性特征；Len(α,β)為概念α與β之間的深度；

步驟d：計算請求服務內容與服務資源之間的相似度；

設X＝{X_i|i＝1,2,…,q}為請求的服務本體向量，X_i為請求的服務本體向量中的概念值，i表示請求的服務本體向量X中的本體概念序數，q表示請求的服務本體向量X中包含q個本體概念；Y＝{Y_j|j＝1,2,…,p}為服務資源本體向量，Y_j為服務資源本體向量中的概念值，j表示請求的服務本體向量X中的本體概念序數，p表示服務資源本體向量Y中包含p個本體概念；

構造X與Y的相似度矩陣M：

其中，X_iY_j表示X_i與Y_j之間的概念相似度，可由步驟c中的概念間相似度計算公式進行計算得出；

對相似矩陣M中的各行取概念相似度最大值，并求取平均值，相似矩陣中各行元素分布列舉了用戶請求服務本體向量X中某一概念與服務資源本體向量Y中所有概念之間的語義相似度；取各行相似度最大值實際上就可獲取向量X中該概念與本體向量Y的最大語義相似度；同時，計算本體向量X中所有概念與向量Y相似度的平均值，以此表示向量X與向量Y之間的相似度，定義為Sim(X,Y)；

(3)匹配結果輸出階段；

步驟e：進一步得到服務名稱匹配相似度Sim(X,Y)_name，服務功能名稱匹配相似度Sim(X,Y)_fun，服務屬性名稱匹配相似度Sim(X,Y)_att，進行加權計算，進一步得到服務整體相似度Sim(X,Y)_fin可表示為：

Sim(X,Y)_fin＝ω₁Sim(X,Y)_name+ω₂Sim(X,Y)_fun+ω₃Sim(X,Y)_att

其中，{ω₁,ω₂,ω₃}為權重值，并滿足進一步按整體相似度的大小順序，將知識服務匹配結果集返回推送引擎。