推荐方法、推荐装置、电子设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种推荐方法、推荐装置、电子设备及存储介质。


背景技术：

2.目前，在推荐过程中常常需要根据用户的访问数据进行用户偏好推理，从而根据推理结果选取符合用户需求的候选对象进行推荐，而相关技术的推荐方法往往存在着推理准确性不高的问题，影响推荐的准确性，因此，如何提高推荐的准确性，成为了亟待解决的技术问题。


技术实现要素：

3.本技术实施例的主要目的在于提出一种推荐方法、推荐装置、电子设备及存储介质，旨在提高推荐的准确性。
4.为实现上述目的，本技术实施例的第一方面提出了一种推荐方法，所述方法包括：
5.获取目标数据，所述目标数据为目标用户的访问数据；
6.对所述目标数据进行格式转换，得到目标三元组数据；
7.对所述目标三元组数据进行特征提取，得到实体推理特征；
8.通过预设的先验推理模型对所述实体推理特征进行第一关系预测，得到第一预测数据；
9.通过预设的后验推理模型对所述实体推理特征进行第二关系预测，得到第二预测数据；
10.根据所述第一预测数据和所述第二预测数据，得到目标推理数据；
11.根据所述目标推理数据对预设的候选对象进行筛选处理，得到目标对象，并将所述目标对象推送给所述目标用户。
12.在一些实施例，所述目标数据包括结构化数据和非结构化数据，所述目标三元组数据包括第一三元组数据和第二三元组数据，所述对所述目标数据进行格式转换，得到目标三元组数据的步骤，包括：
13.根据预设的格式类型对所述结构化数据进行格式转换，得到所述第一三元组数据；
14.通过预设的知识抽取模型对所述非结构化数据进行特征抽取，得到三元组特征，并根据所述三元组特征构建所述第二三元组数据。
15.在一些实施例，所述实体推理特征包括第一实体特征和第二实体特征，所述对所述目标三元组数据进行特征提取，得到实体推理特征的步骤，包括：
16.通过预设的实体字典对所述目标三元组数据进行字符匹配，得到所述第一实体特征；
17.通过预设的序列预测模型对所述目标三元组数据进行特征抽取，得到所述第二实
体特征。
18.在一些实施例，所述通过预设的先验推理模型对所述实体推理特征进行第一关系预测，得到第一预测数据的步骤，包括：
19.对每两个所述实体推理特征进行关系构建，得到初始实体对；
20.通过所述先验推理模型的知识库对所述初始实体对进行实体对齐，得到目标实体对；
21.对所述目标实体对与参考实体对进行比对分析，得到所述第一预测数据。
22.在一些实施例，所述通过预设的后验推理模型对所述实体推理特征进行第二关系预测，得到第二预测数据的步骤，包括：
23.获取所述实体推理特征对应的候选匹配特征，其中，所述候选匹配特征包括候选关系特征或者候选实体特征；
24.通过所述后验推理模型的三元知识图谱对所述实体推理特征和所述候选匹配特征进行预测处理，得到所述第二预测数据。
25.在一些实施例，所述根据所述第一预测数据和所述第二预测数据，得到目标推理数据的步骤，包括：
26.对所述第一预测数据和所述第二预测数据进行比对分析，得到分析结果；
27.若所述分析结果为所述第一预测数据和所述第二预测数据相同，则将所述第一预测数据或者所述第二预测数据作为目标推理数据；
28.若所述分析结果为所述第一预测数据和所述第二预测数据不相同，则获取所述第一预测数据和所述第二预测数据的优先级，并根据所述优先级将第一预测数据或者所述第二预测数据作为目标推理数据。
29.在一些实施例，所述目标数据包括结构化数据和非结构化数据，所述获取目标数据的步骤，包括：
30.通过网络爬虫对预设的数据源进行数据爬取，得到所述非结构化数据；
31.通过预设的ap i接口从目标数据库中获取所述结构化数据。
32.为实现上述目的，本技术实施例的第二方面提出了一种推荐装置，所述装置包括：
33.数据获取模块，用于获取目标数据，所述目标数据为目标用户的访问数据；
34.格式转换模块，用于对所述目标数据进行格式转换，得到目标三元组数据；
35.特征提取模块，用于对所述目标三元组数据进行特征提取，得到实体推理特征；
36.第一预测模块，用于通过预设的先验推理模型对所述实体推理特征进行第一关系预测，得到第一预测数据；
37.第二预测模块，用于通过预设的后验推理模型对所述实体推理特征进行第二关系预测，得到第二预测数据；
38.比对模块，用于根据所述第一预测数据和所述第二预测数据，得到目标推理数据；
39.推荐模块，用于根据所述目标推理数据对预设的候选对象进行筛选处理，得到目标对象，并将所述目标对象推送给所述目标用户。
40.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现
上述第一方面所述的方法。
41.为实现上述目的，本技术实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
42.本技术提出的推荐方法、推荐装置、电子设备及存储介质，其通过获取目标数据，对目标数据进行格式转换，得到目标三元组数据；并对目标三元组数据进行特征提取，得到实体推理特征，能够通过将目标用户的访问数据转换为三元组数据，将知识图谱的概念融入推理过程，使得能够基于实体特征对句子关系进行推理，提高了推理精度。进一步地，通过预设的先验推理模型对实体推理特征进行第一关系预测，得到第一预测数据；通过预设的后验推理模型对实体推理特征进行第二关系预测，得到第二预测数据；根据第一预测数据和第二预测数据，得到目标推理数据，这一方式将先验推理和后验推理相结合，能够有效地提高推理结果的精准性。最后，根据目标推理数据对预设的候选对象进行筛选处理，得到目标对象，并将目标对象推送给目标用户，能够根据目标用户的访问偏好有针对性地进行推荐，满足推荐的个性化需求，提高了推荐准确性。
附图说明
43.图1是本技术实施例提供的推荐方法的流程图；
44.图2是图1中的步骤s101的流程图；
45.图3是图1中的步骤s102的流程图；
46.图4是图1中的步骤s103的流程图；
47.图5是图1中的步骤s104的流程图；
48.图6是图1中的步骤s105的流程图；
49.图7是图1中的步骤s106的流程图；
50.图8是本技术实施例提供的推荐装置的结构示意图；
51.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
52.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
53.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
54.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技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
55.首先，对本技术中涉及的若干名词进行解析：
56.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人
的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
57.自然语言处理(natural language processing，nlp)：nlp用计算机来处理、理解以及运用人类语言(如中文、英文等)，nlp属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
58.信息抽取(information extraction)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
59.条件随机场算法(conditional random field algorithm，crf)：是一种数学算法；结合了最大熵模型和隐马尔可夫模型的特点，是一种无向图模型，近年来在分词、词性标注和命名实体识别等序列标注任务中取得了很好的效果。条件随机场是一个典型的判别式模型，其联合概率可以写成若干势函数联乘的形式，其中最常用的是线性链条件随机场。若让x＝(x1，x2，
…
xn)表示被观察的输入数据序列，y＝(y1，y2，
…
yn)表示一个状态序列，在给定一个输入序列的情况下，线性链的crf模型定义状态序列的联合条件概率为p(y|x)＝exp{}(2-14)；z(x)＝{}(2-15)；其中:z是以观察序列x为条件的概率归一化因子；fj(yi-1，yi，x，i)是一个任意的特征函数。
60.bert(bidirectional encoder representations from transformers)：是一个语言表示模型(language representation model)。bert采用了transformer encoder block进行连接，是一个典型的双向编码模型。bert模型能够进一步增加词向量模型泛化能力，充分描述字符级、词级、句子级甚至句间关系特征，基于transformer构建而成。bert中有三种embedding，即token embedding，segment embedding，position embedding；其中token embeddings是词向量，第一个单词是cls标志，可以用于之后的分类任务；segment embeddings用来区别两种句子，因为预训练不光做lm还要做以两个句子为输入的分类任务；position embeddings，这里的位置词向量不是transfor中的三角函数，而是bert经过训练学到的。但bert直接训练一个position embedding来保留位置信息，每个位置随机初始化一个向量，加入模型训练，最后就得到一个包含位置信息的embedding，最后这个position embedding和word embedding的结合方式上，bert选择直接拼接。
61.知识图谱(knowledge graph)：是通过将应用数学、图形学、信息可视化技术、信息
科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的现代理论。知识图谱主要目标是用来描述真实世界中存在的各种实体和概念，以及他们之间的强关系，我们用关系去描述两个实体之间的关联。在web视角下，知识图谱如同简单文本之间的超链接一样，通过建立数据之间的语义链接，支持语义搜索。在自然语言处理视角下，知识图谱就是从文本中抽取语义和结构化的数据。在人工智能视角下，知识图谱是利用知识库来辅助理解人类语言的工具。在数据库视角下，知识图谱是利用图的方式去存储知识的方法。知识图谱是比较通用的语义知识的形式化描述框架，用节点表示语义符号，用边表示语义之间的关系。知识图谱旨在描述真实世界中存在的各种实体或概念及其关系,其构成一张巨大的语义网络图，节点表示实体或概念，边则由属性或关系构成。现在的知识图谱已被用来泛指各种大规模的知识库。知识图谱又被称作语义网络(semantic network)，从早期开始，语义网络就推动了基于图的知识表示，例如，推动rdf标准的过程中，在这样一个基于图的知识表示体系里面，实体作为图的节点，节点之间的连线作为关系。在构建知识图谱的过程中，往往需要将文本向量化，因此基于文本数据的word2vec应运而生，其通过浅神经网络语言模型将每个词用一个向量表示，通过构建输入层、映射层和输出层，利用神经网络学习可预测在该词上下文中出现概率最大的词语。通过对文本词库的训练将文本转化为n维向量空间中的向量，并通过在空间中的余弦相似度代表词语在语义上的接近程度。
62.实体：指具有可区别性且独立存在的某种事物。如某一个人、某一个城市、某一种植物等、某一种商品等等。世界万物有具体事物组成，此指实体。实体是知识图谱中的最基本元素，不同的实体间存在不同的关系。
63.概念：某一类实体的集合。
64.语义类(概念)：具有同种特性的实体构成的集合，如国家、民族、书籍、电脑等。概念主要指集合、类别、对象类型、事物的种类，例如人物、地理等。
65.关系：实体与实体之间、不同的概念与概念之间、概念与实体之间存在的某种相互关系。关系形式化为一个函数，它把k个点映射到一个布尔值。在知识图谱上，关系则是一个把k个图节点(实体、语义类、属性值)映射到布尔值的函数。
66.三元组：三元组({e,r})是知识图谱的一种通用表示方式；三元组的基本形式主要包括(实体1-关系-实体2)和(实体-属性-属性值)等。每个实体(概念的外延)可用一个全局唯一确定的id来标识，每个属性-属性值对(attribute-value pair，avp)可用来刻画实体的内在特性，而关系可用来连接两个实体，刻画它们之间的关联。例如，在一个知识图谱的例子中，中国是一个实体，北京是一个实体，中国-首都-北京是一个(实体-关系-实体)的三元组样例。
67.目前，在推荐过程中常常需要根据用户的访问数据进行用户偏好推理，从而根据推理结果选取符合用户需求的候选对象进行推荐，而相关技术的推荐方法往往存在着推理准确性不高的问题，影响推荐的准确性，因此，如何提高推荐的准确性，成为了亟待解决的技术问题。
68.基于此，本技术实施例提供了一种推荐方法、推荐装置、电子设备及存储介质，旨在提高推荐的准确性。
69.本技术实施例提供的推荐方法、推荐装置、电子设备及存储介质，具体通过如下实
施例进行说明，首先描述本技术实施例中的推荐方法。
70.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
71.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
72.本技术实施例提供的推荐方法，涉及人工智能技术领域。本技术实施例提供的推荐方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现推荐方法的应用等，但并不局限于以上形式。
73.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
74.图1是本技术实施例提供的推荐方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s101至步骤s107。
75.步骤s101，获取目标数据，目标数据为目标用户的访问数据；
76.步骤s102，对目标数据进行格式转换，得到目标三元组数据；
77.步骤s103，对目标三元组数据进行特征提取，得到实体推理特征；
78.步骤s104，通过预设的先验推理模型对实体推理特征进行第一关系预测，得到第一预测数据；
79.步骤s105，通过预设的后验推理模型对实体推理特征进行第二关系预测，得到第二预测数据；
80.步骤s106，根据第一预测数据和第二预测数据，得到目标推理数据；
81.步骤s107，根据目标推理数据对预设的候选对象进行筛选处理，得到目标对象，并将目标对象推送给目标用户。
82.本技术实施例所示意的步骤s101至步骤s107，通过获取目标数据，对目标数据进行格式转换，得到目标三元组数据；并对目标三元组数据进行特征提取，得到实体推理特征，能够通过将目标用户的访问数据转换为三元组数据，将知识图谱的概念融入推理过程，
使得能够基于实体特征对句子关系进行推理，提高了推理精度。进一步地，通过预设的先验推理模型对实体推理特征进行第一关系预测，得到第一预测数据；通过预设的后验推理模型对实体推理特征进行第二关系预测，得到第二预测数据；根据第一预测数据和第二预测数据，得到目标推理数据，这一方式将先验推理和后验推理相结合，使先验推理和后验推理相互融合，使得两种推理方式能够优势互补，能够有效地提高推理结果的精准性。最后，根据目标推理数据对预设的候选对象进行筛选处理，得到目标对象，并将目标对象推送给目标用户，能够根据目标用户的访问偏好有针对性地进行推荐，满足推荐的个性化需求，提高了推荐准确性。
83.需要说明的是，在本技术的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本技术实施例需要获取用户的目标个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本技术实施例能够正常运行的必要的用户相关数据。
84.请参阅图2，在一些实施例中，目标数据包括结构化数据和非结构化数据，步骤s101可以包括但不限于包括步骤s201至步骤s202：
85.步骤s201，通过网络爬虫对预设的数据源进行数据爬取，得到非结构化数据；
86.步骤s202，通过预设的api接口从目标数据库中获取结构化数据。
87.在一些实施例的步骤s201中，可以通过编写网络爬虫,设置好数据源之后对数据源的数据进行有目标性地爬取，得到非结构化数据。也可以通过其他方式获取非结构化数据，不限于此，其中，数据源可以是各种类型的网络平台，非结构化数据包括不同领域的百科知识、新闻、咨询以及文章等等，以医疗领域为例，非结构数据可以是健康话题、疾病描述、症状描述以及病因描述等方面的科普文章、新闻咨询等等。
88.在一些实施例的步骤s202中，目标数据库可以是基于已有的实体之间的关系构建的关系库，通过预设的api接口链接到这些目标数据库，从目标数据库直接提取出相应的结构化数据，其中，结构化数据主要包括不同领域的实体特征以及实体特征之间的关系。以医疗领域和保险领域为例，结构化数据包括常见的疾病实体、疾病与症状的关系、疾病与保险产品的关系、保险产品与保障之间的关系等实体与关系的数据。
89.请参阅图3，在一些实施例中，目标数据包括结构化数据和非结构化数据，目标三元组数据包括第一三元组数据和第二三元组数据，步骤s102可以包括但不限于包括步骤s301至步骤s302：
90.步骤s301，根据预设的格式类型对结构化数据进行格式转换，得到第一三元组数据；
91.步骤s302，通过预设的知识抽取模型对非结构化数据进行特征抽取，得到三元组特征，并根据三元组特征构建第二三元组数据。
92.在一些实施例的步骤s301中，预设的格式类型为三元组形式，该三元组形式具体表示为(第一实体-》关系-》第二实体)的形式，将结构化数据(例如，疾病与保险产品的关系等)直接转换成三元组的表示形式，得到第一三元组数据。例如，高血压与保险产品的三元
组形式可以表示为(高血压
–
疾病投保
–
保险产品)。
93.在一些实施例的步骤s302中，知识抽取模型可以基于pipeline方法构建而成，其中，知识抽取模型包括实体抽取层和关系识别层，通过实体抽取层的词性类别对非结构化数据进行词性标注，根据标注的词性标签对非结构化数据进行分类处理，得到每一词性标签对应的三元组特征，该词性标签可以包括主语标签、谓语标签、宾语标签等。进而通过关系识别层对带有不同词性标签的三元组特征进行组合处理，得到第二三元组数据。
94.在一些具体实施例中，目标三元组数据中的每一三元组包括第一实体a、第二实体b以及第一实体a和第二实体b之间的关系。例如，一种疾病的症状分析、相关的保险产品等特征信息可以表示为三元组，更具体地，请参阅表1所示，根据对应的实体“高血压”所提取到的二个三元组表示为(第一实体-》关系-》第二实体)的形式：(高血压
–
疾病分析
–
高血压症状)、(高血压
–
疾病投保
–
保险产品)，在第一三元组中，第一实体a为“高血压”，关系为“疾病分析”，第二实体b为“高血压症状”；在第二三元组中，第一实体a为“高血压”，关系为“疾病投保”，第二实体b为“保险产品”。
[0095][0096]
表1
[0097]
请参阅图4，在一些实施例中，实体推理特征包括第一实体特征和第二实体特征，步骤s103可以包括但不限于包括步骤s401至步骤s402：
[0098]
步骤s401，通过预设的实体字典对目标三元组数据进行字符匹配，得到第一实体特征；
[0099]
步骤s402，通过预设的序列预测模型对目标三元组数据进行特征抽取，得到第二实体特征。
[0100]
在一些实施例的步骤s401中，根据已有的实体特征构建实体字典，即将已有的实体特征纳入同一集合，得到实体字典，将目标三元组分割为字符形式，得到三元组词段，将每一三元组词段输入至实体字典，对实体字典中的实体特征与三元组词段进行匹配，得到第一实体特征，其中，第一实体特征为实体字典中与三元组词段的相似度大于预设阈值的实体特征。
[0101]
在一些实施例的步骤s402中，序列预测模型基于机器学习训练而成，例如，可以根据条件随机场算法(crf)或者神经网络模型来构建序列预测模型。具体地，可以基于条件随机场算法和bert模型构建序列预测模型。具体地，通过序列预测模型的编码层(该编码层由bert模型构成)对目标三元组数据进行编码处理，得到三元组向量，再通过条件随机场算法来计算三元组向量的上下文关系的转移概率，从而根据转移概率的大小来提取实体特征，得到第二实体特征。
[0102]
在具体的应用场景中，上述的第一实体特征和第二实体特征可以是人名、地名、机构名称或者业务词语等等，不做限制。
[0103]
请参阅图5，在一些实施例中，步骤s104可以包括但不限于包括步骤s501至步骤s503：
[0104]
步骤s501，对每两个实体推理特征进行关系构建，得到初始实体对；
[0105]
步骤s502，通过先验推理模型的知识库对初始实体对进行实体对齐，得到目标实体对；
[0106]
步骤s503，对目标实体对与参考实体对进行比对分析，得到第一预测数据。
[0107]
在一些实施例的步骤s501中，可以通过预设的关系规则或者bootstrap技术等对每两个实体推理特征进行关系构建，得到初始实体对。具体地，从一个目标三元组数据提取出一个实体推理特征，从另一个目标三元组数据中提取出另一个实体推理特征，通过bootstrap技术构建出这两个实体推理特征的关系行列表，对这一关系行列表的行特征和列特征进行组合，得到初始实体对。
[0108]
在一些实施例的步骤s502中，通过对采集到的数据进行数据提取，并对提取的数据进行结构化处理，并将结构化处理之后的数据以三元组的形式存储在某一集合中，从而形成上述的知识库。根据知识库对初始实体对中的两个实体推理特征进行特征匹配，具体地，根据知识库中的实体特征以及实体特征之间的关系对初始实体对中的两个实体推理特征的相关性进行分析，若知识库中存在相同的两个实体推理特征有关联，则认为初始实体对中的两个实体推理特征的相关性较高，则将这一初始实体对作为目标实体对；若知识库中不存在相同的两个实体推理特征有关联，则认为初始实体对中的两个实体推理特征的相关性较低，则不将这一初始实体对作为目标实体对。
[0109]
在一些实施例的步骤s503中，通过预设的相似度算法对目标实体对与参考实体对进行相似度计算，其中，相似度算法可以是余弦相似算法等，通过计算的相似度来反映出目标实体对与参考实体对中的实体是否为同一实体，若相似度大于预设的相似阈值，则认为目标实体对与参考实体对中的实体为同一实体，提取参考实体对的实体以及实体之间的关系，得到先验结果，并将该先验结果作为第一预测数据。例如，在医疗领域或者保险领域，若目标实体对和参考实体对的相似度大于预设的相似阈值，则引用对应的参考实体对，如疾病与症状关系、疾病与保险产品关系、保险产品与保障关系的验证关系作为先验结果(即第一预测数据)。
[0110]
通过上述步骤s501至步骤s503能够通过先验推理模型的知识库对已知的实体对进行确定性先验推理，从而提取出实体特征以及实体特征之间的因果关系，从而得到先验结果，并将先验结果作为第一预测数据，该方式能够通过已有的实体关系进行分析，节省了模型的运算成本和运算时间，由于参考实体对可以从已有的关系库获取，数据来源的权威性较高，能够有效地提高预测的准确性。
[0111]
请参阅图6，在一些实施例，步骤s105包括但不限于包括步骤s601至步骤s602：
[0112]
步骤s601，获取实体推理特征对应的候选匹配特征，其中，候选匹配特征包括候选关系特征或者候选实体特征；
[0113]
步骤s602，通过后验推理模型的三元知识图谱对实体推理特征和候选匹配特征进行预测处理，得到第二预测数据。
[0114]
在一些实施例的步骤s601中，从实体特征集合或者关系集合中获取实体推理特征对应的候选实体特征，或者关系集合中获取实体推理特征对应的候选关系特征，根据三元
组的因果关系，能够从获取的两个特征中(实体推理特征和候选关系特征，或者实体推理特征和候选实体特征)推理出未知的第三个特征。
[0115]
在一些实施例的步骤s602中，三元知识图谱可以表示为g＝{e,r,f}，其中，e表示所有实体特征的集合，r表示所有关系的集合，即实体特征之间的关系特征，f为所有的三元组集合，该三元组集合的三元组表示为(第一实体-》关系-》第二实体)的形式，这些三元组可以通过已有的实体特征关系库获取到。基于三元知识图谱，只需要获取实体推理特征和对应的一个候选匹配特征即可推理出另外一个特征。
[0116]
例如，已知第一实体特征a和关系r，根据上述的三元知识图谱可以预测出第二实体特征b。例如，已知第一实体特征a为高血压，关系为疾病保险，则可以预测出第二实体特征b为高血压相关的保险产品。已知第二实体特征b和关系r，根据上述的三元知识图谱也能预测出第一实体特征a。例如，第二实体特征b为冠心病症状，关系为疾病，则可以预测出第一实体a为冠心病。已知第一实体特征a和第二实体特征b，根据上述的三元知识图谱也可以预测出未知的关系r。例如，第一实体特征a为车辆事故，第二实体特征b为车辆相关的保险产品，则可以预测出关系r为车险。
[0117]
通过上述步骤s601和步骤s602能够通过后验推理模型的三元知识图谱对已知的两个特征进行非确定性后验推理，从而预测出实体特征以及实体特征之间的因果关系，从而得到后验结果，并将后验结果作为第二预测数据，该方式能够实现对先验结果的补充，提高预测的全面性。
[0118]
请参阅图7，在一些实施例中，步骤s106可以包括但不限于包括步骤s701至步骤s703：
[0119]
步骤s701，对第一预测数据和第二预测数据进行比对分析，得到分析结果；
[0120]
步骤s702，若分析结果为第一预测数据和第二预测数据相同，则将第一预测数据或者第二预测数据作为目标推理数据；
[0121]
步骤s703，若分析结果为第一预测数据和第二预测数据不相同，则获取第一预测数据和第二预测数据的优先级，并根据优先级将第一预测数据或者第二预测数据作为目标推理数据。
[0122]
在一些实施例的步骤s701中，对第一预测数据和第二预测数据进行比对分析，判断第一预测数据和第二预测数据中的实体特征以及实体特征之间的关系是否相同，从而得到分析结果。
[0123]
在一些实施例的步骤s702中，若分析结果为第一预测数据(先验结果)和第二预测数据(后验结果)相同，则表明第一预测数据和第二预测数据中的实体特征以及实体特征之间的关系一致，即先验结果和后验结果相同，将第一预测数据或者第二预测数据作为目标推理数据即可。
[0124]
在一些实施例的步骤s703中，若分析结果为第一预测数据(先验结果)和第二预测数据(后验结果)不相同，则表明第一预测数据和第二预测数据中的实体特征以及实体特征之间的关系不一致，或者第一预测数据无法表征出实体特征以及实体特征之间的关系，获取第一预测数据和第二预测数据的优先级，并根据优先级将第一预测数据或者第二预测数据作为目标推理数据。
[0125]
进一步地，由于先验结果的权威性和准确性更高，为了提高推理精度，在第一预测
数据和第二预测数据不相同时，一般优先选择第一预测数据中的实体特征以及实体特征之间的关系作为目标推理数据。
[0126]
在一些实施例的步骤s107中，提取目标推理数据对应的实体特征以及实体特征之间的关系特征，根据实体特征以及实体特征之间的关系特征对预设的候选对象进行筛选处理，选取包含该实体特征和关系特征的候选对象作为目标对象，并将目标对象推送给目标用户。
[0127]
进一步地，经过筛选处理得到的目标对象数量较多时，可以根据实际业务需求选取部分目标对象推送给目标用户。
[0128]
本技术实施例的推荐方法，其通过获取目标数据，对目标数据进行格式转换，得到目标三元组数据；并对目标三元组数据进行特征提取，得到实体推理特征，能够通过将目标用户的访问数据转换为三元组数据，将知识图谱的概念融入推理过程，使得能够基于实体特征对句子关系进行推理，提高了推理精度。进一步地，通过预设的先验推理模型对实体推理特征进行第一关系预测，得到第一预测数据；通过预设的后验推理模型对实体推理特征进行第二关系预测，得到第二预测数据；根据第一预测数据和第二预测数据，得到目标推理数据，这一方式将先验推理和后验推理相结合，使先验推理和后验推理相互融合，使得两种推理方式能够优势互补，能够有效地提高推理结果的精准性。最后，根据目标推理数据对预设的候选对象进行筛选处理，得到目标对象，并将目标对象推送给目标用户，能够根据目标用户的访问偏好有针对性地进行推荐，满足推荐的个性化需求，提高了推荐准确性。
[0129]
请参阅图8，本技术实施例还提供一种推荐装置，可以实现上述推荐方法，该装置包括：
[0130]
数据获取模块801，用于获取目标数据，目标数据为目标用户的访问数据；
[0131]
格式转换模块802，用于对目标数据进行格式转换，得到目标三元组数据；
[0132]
特征提取模块803，用于对目标三元组数据进行特征提取，得到实体推理特征；
[0133]
第一预测模块804，用于通过预设的先验推理模型对实体推理特征进行第一关系预测，得到第一预测数据；
[0134]
第二预测模块805，用于通过预设的后验推理模型对实体推理特征进行第二关系预测，得到第二预测数据；
[0135]
比对模块806，用于根据第一预测数据和第二预测数据，得到目标推理数据；
[0136]
推荐模块807，用于根据目标推理数据对预设的候选对象进行筛选处理，得到目标对象，并将目标对象推送给目标用户。
[0137]
在一些实施例中，目标数据包括结构化数据和非结构化数据，数据获取模块801包括：
[0138]
数据爬取单元，用于通过网络爬虫对预设的数据源进行数据爬取，得到非结构化数据；
[0139]
获取单元，用于通过预设的api接口从目标数据库中获取结构化数据。
[0140]
在一些实施例中，目标数据包括结构化数据和非结构化数据，目标三元组数据包括第一三元组数据和第二三元组数据，格式转换模块802包括：
[0141]
转换单元，用于根据预设的格式类型对结构化数据进行格式转换，得到第一三元组数据；
[0142]
特征抽取单元，用于通过预设的知识抽取模型对非结构化数据进行特征抽取，得到三元组特征，并根据三元组特征构建第二三元组数据。
[0143]
在一些实施例中，实体推理特征包括第一实体特征和第二实体特征，特征提取模块803包括：
[0144]
字符匹配单元，用于通过预设的实体字典对目标三元组数据进行字符匹配，得到第一实体特征；
[0145]
特征抽取单元，用于通过预设的序列预测模型对目标三元组数据进行特征抽取，得到第二实体特征。
[0146]
在一些实施例中，第一预测模块804包括：
[0147]
关系构建单元，用于对每两个实体推理特征进行关系构建，得到初始实体对；
[0148]
实体对齐单元，用于通过先验推理模型的知识库对初始实体对进行实体对齐，得到目标实体对；
[0149]
比对单元，用于对目标实体对与参考实体对进行比对分析，得到第一预测数据。
[0150]
在一些实施例中，第二预测模块805包括：
[0151]
特征获取单元，用于获取实体推理特征对应的候选匹配特征，其中，候选匹配特征包括候选关系特征或者候选实体特征；
[0152]
预测单元，用于通过后验推理模型的三元知识图谱对实体推理特征和候选匹配特征进行预测处理，得到第二预测数据。
[0153]
在一些实施例中，比对模块806包括：
[0154]
分析单元，用于对第一预测数据和第二预测数据进行比对分析，得到分析结果；
[0155]
第一确定单元，用于若分析结果为第一预测数据和第二预测数据相同，则将第一预测数据或者第二预测数据作为目标推理数据；
[0156]
第二确定单元，用于若分析结果为第一预测数据和第二预测数据不相同，则获取第一预测数据和第二预测数据的优先级，并根据优先级将第一预测数据或者第二预测数据作为目标推理数据。
[0157]
该推荐装置的具体实施方式与上述推荐方法的具体实施例基本相同，在此不再赘述。
[0158]
本技术实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述推荐方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
[0159]
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0160]
处理器901，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
[0161]
存储器902，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本技术实施例的推荐
方法；
[0162]
输入/输出接口903，用于实现信息输入及输出；
[0163]
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0164]
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
[0165]
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
[0166]
本技术实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述推荐方法。
[0167]
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。
[0168]
本技术实施例提供的推荐方法、推荐装置、电子设备及存储介质，其通过获取目标数据，对目标数据进行格式转换，得到目标三元组数据；并对目标三元组数据进行特征提取，得到实体推理特征，能够通过将目标用户的访问数据转换为三元组数据，将知识图谱的概念融入推理过程，使得能够基于实体特征对句子关系进行推理，提高了推理精度。进一步地，通过预设的先验推理模型对实体推理特征进行第一关系预测，得到第一预测数据；通过预设的后验推理模型对实体推理特征进行第二关系预测，得到第二预测数据；根据第一预测数据和第二预测数据，得到目标推理数据，这一方式将先验推理和后验推理相结合，使先验推理和后验推理相互融合，使得两种推理方式能够优势互补，能够有效地提高推理结果的精准性。最后，根据目标推理数据对预设的候选对象进行筛选处理，得到目标对象，并将目标对象推送给目标用户，能够根据目标用户的访问偏好有针对性地进行推荐，满足推荐的个性化需求，提高了推荐准确性。
[0169]
本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0170]
本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0171]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0172]
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、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0173]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存
在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0174]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0175]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0176]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0177]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0178]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0179]
以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。