[發(fā)明專利]基于知識圖譜的信息推薦方法、裝置、設備及存儲介質

有效

• 申請?zhí)枺?/td>: 202010930264.2
• 申請日: 2020-09-07
• 公開（公告）號: CN112084383B
• 公開（公告）日: 2023-08-18
• 發(fā)明（設計）人: 曾思敏;張旭;林靜;鄭越;梁智豪
• 申請（專利權）人: 中國平安財產保險股份有限公司
• 主分類號: G06F16/9035
• 分類號: G06F16/9035;G06F16/36;G06N3/0464;G06N3/042;G06N3/08
• 代理公司: 深圳市世聯(lián)合知識產權代理有限公司 44385
• 代理人: 汪琳琳

1.一種基于知識圖譜的信息推薦方法，其特征在于，包括：

獲取初始數據，所述初始數據包括客戶信息數據和產品信息數據；

將所述客戶信息數據和產品信息數據進行預處理，并按照預設方式進行分類，得到分類數據；

針對每一類分類數據，采用自然文本識別NLP技術，識別所述分類數據中的實體和實體間的關系，得到每一類分類數據的實體和實體間的關系；

根據所述每一類分類數據的實體和實體間的關系，分別構建圖譜，得到每一類分類數據的初始圖譜；

通過構建數據映射關系，將所述每一類分類數據的初始圖譜中的實體和實體間的關系，映射到同一數據庫中；

通過統(tǒng)計實體間相似度值的方式，判斷所述數據庫中，是否存在同一實體；

當判定所述數據庫中存在同一實體時，采用實體融合與節(jié)點互聯(lián)的方式，對所述同一實體的初始圖譜進行融合，得到知識圖譜；

當確定目標客戶時，從所述知識圖譜中提取所述目標客戶的初始數據，將每條所述目標客戶的初始數據作為一條基礎數據，并根據所有所述基礎數據構建子圖，其中，所述子圖由所述知識圖譜中所述目標客戶對應節(jié)點與其相關聯(lián)節(jié)點及關系邊共同構成；

采用所述子圖和預先構建的產品特征向量對圖卷積神經網絡GCN進行訓練，得到訓練好的圖卷積神經網絡GCN；

將基礎數據中的產品信息數據輸入到所述訓練好的圖卷積神經網絡GCN中，進行二分類處理，得到每種產品的選擇概率，并對所述選擇概率進行從大到小的排列，得到概率序列；

從所述概率序列中，依次按照前往后的順序選取預設數量的選擇概率，作為目標選擇概率，將所述目標選擇概率對應產品的產品信息數據，作為待推薦信息，并將所述待推薦信息推送給所述目標客戶。

2.根據權利要求1所述的基于知識圖譜的信息推薦方法，其特征在于，在所述針對每一類分類數據，采用自然文本識別NLP技術，識別所述分類數據中的實體和實體間的關系，得到每一類分類數據的實體和實體間的關系之后，所述方法還包括：

分別對所述每一類分類數據的實體進行特征編碼，得到實體特征編碼；

將所述實體特征編碼投射至同一空間后，計算所述實體特征編碼投射的向量距離，并將所述向量距離作為實體的相似度值；

將所述相似度值高于預設閾值的實體，作為同一實體，并保留同一實體其中一個實體。

3.根據權利要求1所述的基于知識圖譜的信息推薦方法，其特征在于，在所述根據所述每一類分類數據的實體和實體間的關系，分別構建圖譜，得到每一類分類數據的初始圖譜之后，所述方法還包括：

針對所述每一類分類數據的初始圖譜，采用正則匹配的方式，對所述實體與實體屬性進行匹配，得到匹配結果；

若檢測到所述匹配結果中的實體與實體屬性不匹配時，則判定所述實體與所述實體屬性匹配錯誤，并重新獲取所述實體的實體屬性。

4.根據權利要求1至3任一項所述的基于知識圖譜的信息推薦方法，其特征在于，在所述采用所述子圖和預先構建的產品特征向量對圖卷積神經網絡GCN進行訓練，得到訓練好的圖卷積神經網絡GCN之前，所述方法還包括：

獲取所述子圖的節(jié)點屬性；

通過預設的方式，對所述節(jié)點屬性進行數值化處理。

5.根據權利要求1至3任一項所述的基于知識圖譜的信息推薦方法，其特征在于，將所述初始數據存儲于區(qū)塊鏈中。