需求匹配方法、装置以及存储介质与流程

1.本技术涉及信息技术领域，特别是涉及一种需求匹配方法、装置以及存储介质。


背景技术：

2.在工业互联网中，现有的关于工业产品的智能匹配方法通常为分析文本数据的特征，找出能够用于匹配的数据字段，将供应方和需求方的数据字段进行字符串相似度和文本相似度的计算，两者的结果作为智能匹配的结果。但是通过相似度进行匹配，存在较大的局限性，并且会出现匹配不准确等问题。
3.针对上述的现有技术中存在的需求匹配的准确性差的技术问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本技术的实施例提供了一种需求匹配方法、装置以及存储介质，以至少解决现有技术中存在的需求匹配的准确性差的技术问题。
5.根据本技术实施例的一个方面，提供了一种需求匹配方法，包括：根据供应方的第一方案信息构建第一知识云图，其中第一知识云图用于指示与供应方的所有方案信息对应的文本标签之间的关系；根据需求方提出的需求信息构建第二知识云图，其中第二知识云图用于指示与需求方提出的需求信息对应的文本标签之间的关系；以及通过需求匹配模型根据第一知识云图和第二知识云图确定符合需求方的需求的供应方。
6.根据本技术实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。
7.根据本技术实施例的另一个方面，还提供了一种需求匹配装置，包括：第一构建模块，用于根据供应方的第一方案信息构建第一知识云图，其中第一知识云图用于指示与供应方的所有方案信息对应的文本标签之间的关系；第二构建模块，用于根据需求方提出的需求信息构建第二知识云图，其中第二知识云图用于指示与需求方提出的需求信息对应的文本标签之间的关系；以及供应方确定模块，用于通过需求匹配模型根据第一知识云图和第二知识云图确定符合需求方的需求的供应方。
8.根据本技术实施例的另一个方面，还提供了一种需求匹配装置，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：根据供应方的第一方案信息构建第一知识云图，其中第一知识云图用于指示与供应方的所有方案信息对应的文本标签之间的关系；根据需求方提出的需求信息构建第二知识云图，其中第二知识云图用于指示与需求方提出的需求信息对应的文本标签之间的关系；以及通过需求匹配模型根据第一知识云图和第二知识云图确定符合需求方的需求的供应方。
9.在本技术实施例中，对供应方的方案信息进行拆分，并根据拆分得到的文本标签生成第一知识云图，以及对需求方的需求信息进行拆分，并根据拆分得到的文本标签生成第二知识云图。之后本技术方案通过匹配模型将第一知识云图和第二知识云图进行匹配。
从而本技术方案通过构建知识云图，将供应方的方案信息和需求方的需求信息分别进行管理，使得供应方的多个方案的方案信息以及需求方的需求信息分别能够以多维度的方式进行关联，提高了文本标签的关联性。与现有技术相比，本技术方案在匹配过程中，通过匹配模型将文本标签一一进行匹配，并不仅仅通过相似度进行匹配，提高了匹配的准确度。进而解决了现有技术中存在的需求匹配的准确性差的技术问题。
附图说明
10.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
11.图1是用于实现根据本技术实施例1所述的方法的计算设备的硬件结构框图；
12.图2是根据本技术实施例1所述的需求匹配系统的示意图；
13.图3是根据本技术实施例1的第一个方面所述的需求匹配方法的流程示意图；
14.图4是根据本技术实施例1所述的知识云图的示意图；
15.图5是根据本技术实施例1所述的又一个知识云图的示意图；
16.图6是根据本技术实施例1所述的再一个知识云图的示意图；
17.图7是根据本技术实施例2所述的需求匹配装置的示意图；以及
18.图8是根据本技术实施例3所述的需求匹配装置的示意图。
具体实施方式
19.为了使本技术领域的人员更好地理解本技术的技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
20.需要说明的是，本技术的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。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。
21.实施例1
22.根据本实施例，提供了一种需求匹配方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
23.本实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的计算设备中执行。图1示出了一种用于实现需求匹配方法的计算设备的硬件结构框图。如图1所示，计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器mcu或可
编程逻辑器件fpga等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
24.应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
25.存储器可用于存储应用软件的软件程序以及模块，如本技术实施例中的需求匹配方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的需求匹配方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步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计算设备。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。
26.传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
27.显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算设备的用户界面进行交互。
28.此处需要说明的是，在一些可选实施例中，上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算设备中的部件的类型。
29.图2是根据本实施例所述的需求匹配系统的示意图。参照图2所示，该系统包括：知识构建模块100；语义归类模块200；知识生成模块300；知识校验模块400；以及知识匹配模块500。其中知识构建模块100包括标题生成模型，主题词提取模型，修饰词提取模型以及关键词提取模型。语义归类模块200包括语义编码模型、语义相似度计算模型以及词语分类模型。知识匹配模块500包括匹配模型。需要说明的是，系统中的知识构建模块100，语义归类模块200；知识生成模块300，知识校验模块400，以及知识匹配模块500均可适用上面所述的硬件结构。
30.在上述运行环境下，根据本实施例的第一个方面，提供了一种需求匹配方法。图3示出了该方法的流程示意图，参考图3所示，该方法包括：
31.s302：根据供应方的第一方案信息构建第一知识云图，其中第一知识云图用于指示与供应方的所有方案信息对应的文本标签之间的关系；
32.s304：根据需求方提出的需求信息构建第二知识云图，其中第二知识云图用于指示与需求方提出的需求信息对应的文本标签之间的关系；以及
33.s306：通过需求匹配模型根据第一知识云图和第二知识云图确定符合需求方的需求的供应方。
34.具体地，知识构建模块100获取供应方的方案1的方案信息(即，第一方案信息)，并根据供应方的名称查询该供应方是否有已构建的知识云图。当知识构建模块100查询到该供应方有已构建的知识云图，则在已构建的知识云图的基础上，根据方案1的方案信息，将方案1与已构建的知识云图进行结合，从而生成一个新的知识云图。当知识构建模块100查询到该供应方未曾构建知识云图，则根据方案1的方案信息生成一个新的知识云图。
35.例如，知识构建模块100查询到该供应方未曾构建知识云图，则将方案1的方案信息进行拆分，得到与方案信息对应的多个文本标签。其中文本标签包括：场景类别、主题词、概念类别、修饰词、关键词类别以及关键词。之后语义归类模块200确定多个文本标签之间的关系，知识生成模块300将多个文本标签进行关联，从而得到与方案1对应的知识云图(即，第一知识云图)(s302)。
36.进一步地，知识构建模块100获取需求方提出的需求信息，之后将需求信息进行拆分，得到与需求信息对应的多个文本标签。其中文本标签包括：场景类别、主题词、概念类别、修饰词、关键词类别以及关键词。之后语义归类模块200确定多个文本标签之间的关系，知识生成模块300将多个文本标签进行关联，从而得到与需求信息对应的知识云图(即，第二知识云图)(s304)。
37.进一步地，知识匹配模块500将与供应方提供的方案对应的知识云图(即，第一知识云图)和与需求方提出的需求信息对应的知识云图(即，第二知识云图)进行匹配，从而判断供应方提供的方案的方案信息是否符合需求方的需求。当供应方提供的方案符合需求方提出的需求，则将提供该方案的供应方作为符合需求方需求的供应方。其中符合需求方需求的供应方可以为多个，并且每个供应方对应一个知识云图(s306)。
38.正如背景技术中所述的，在工业互联网中，现有的关于工业产品的智能匹配方法通常为分析文本数据的特征，找出能够用于匹配的数据字段，将供应方和需求方的数据字段进行字符串相似度和文本相似度的计算，两者的结果作为智能匹配的结果。但是通过相似度进行匹配，存在较大的局限性，并且会出现匹配不准确等问题。
39.针对以上所述的技术问题，通过本技术实施例的技术方案，对供应方的方案信息进行拆分，并根据拆分得到的文本标签生成第一知识云图，以及对需求方的需求信息进行拆分，并根据拆分得到的文本标签生成第二知识云图。之后本技术方案通过匹配模型将第一知识云图和第二知识云图进行匹配。从而本技术方案通过构建知识云图，将供应方的方案信息和需求方的需求信息分别进行管理，使得供应方的多个方案的方案信息以及需求方的需求信息分别能够以多维度的方式进行关联，提高了文本标签的关联性。与现有技术相比，本技术方案在匹配过程中，通过匹配模型将文本标签一一进行匹配，并不仅仅通过相似度进行匹配，提高了匹配的准确度。进而解决了现有技术中存在的需求匹配的准确性差的技术问题。
40.可选地，根据供应方的第一方案信息构建第一知识云图的操作，包括：确定第一方案信息的第一主题词、第一修饰词以及第一关键词；根据第一方案的第一方案详情确定与
第一主题词对应的第一场景类别，根据第一修饰词确定与第一修饰词对应的第一概念类别，根据第一关键词确定与第一关键词对应的第一关键词类别，其中第一场景类别用于指示第一主题词的类别，第一概念类别用于指示第一修饰词的类别；根据第一场景类别、第一概念类别以及第一关键词类别确定第一主题词、第一修饰词以及第一关键词之间的上下级关系，并且根据上下级关系确定第一树模型，其中第一树模型用于指示与供应方的第一方案信息对应的文本标签之间的关系；以及根据第一树模型构建第一知识云图。
41.具体地，参考图2所示，知识构建模块100预先设置有标题生成模型、主题词提取模型、修饰词提取模型以及关键词提取模型。
42.知识构建模块100获取供应方提供的方案1的方案信息(即，第一方案信息)。其中方案信息包括方案标题和方案详情。首先知识构建模块100对方案1的方案信息进行数据清洗。之后知识构建模块100通过标题生成模型检测方案标题，根据预设的标题判断规则，判断该方案标题是否标准。当标题生成模型判定该方案标题标准时，则保留该方案标题。当标题生成模型判定该方案标题不标准时，则标题生成模型根据方案详情(即，第一方案详情)生成新的方案标题。
43.例如，标题生成模型根据标题判断规则判断方案标题是否标准时，首先根据预先设定的句法规则分析方案标题的句子成分，如方案标题中的动词、定语以及宾语等句子成分是否存在，同时上述成分之间是否具有动宾关系、定中关系以及状中关系等。
44.其中标题判断规则中的定语、状语以及定中关系等可举例说明为：
45.主谓关系，#我送她一束花(我《-送)
46.动宾关系，#我送她一束花(送-》我)
47.间宾关系，#我送她一束花(送-》她)
48.前置宾语，#他什么书都读(书《-读)
49.兼语，#他请我吃饭(请-》我)
50.定中关系，#红苹果(红《-苹果)
51.状中关系，#非常美丽(非常《-美丽)
52.动补结构，#做完了作业(做-》完)
53.并列关系，#大山和大海(大山-》大海)
54.介宾关系，#在贸易区内(在-》内)
55.左附关系，#大山和大海(和《-大海)
56.右附关系，#孩子们(孩子-》们)
57.独立结构，#两个单句在结构上彼此独立
58.核心关系，#整个句子的核心
59.进一步地，知识构建模块100通过主题词提取模型在方案标题中提取主题词(即，第一主题词)，通过修饰词提取模型在方案标题中提取修饰词(即，第一修饰词)，通过关键词提取模型在方案详情(即，第一方案详情)中提取关键词(即，第一关键词)。其中提取的主题词的数量为一个，修饰词以及关键词的数量不作限定。
60.之后知识构建模块100将方案1的方案详情(即，第一方案详情)和提取的主题词(即，第一主题词)、修饰词(即，第一修饰词)以及关键词(即，第一关键词)发送至语义归类模块200。
61.进一步地，语义归类模块200预先设置有语义编码模型、词语分类模型以及语义相似度计算模型。
62.语义归类模块200在接收到方案1的方案详情(即，第一方案详情)和提取的主题词(即，第一主题词)、修饰词(即，第一修饰词)以及关键词(即，第一关键词)后，通过语义编码模型分别对修饰词(即，第一修饰词)、关键词(即，第一关键词)以及方案详情(即，第一方案详情)进行编码，分别得到主题词(即第一主题词)的向量，修饰词(即，第一修饰词)相应的向量，关键词(即，第一关键词)相应的向量，以及方案详情(即，第一方案详情)的向量。
63.进一步地，语义归类模块200通过词语分类模型根据方案详情(即，第一方案详情)的向量，确定主题词的主题词类别，并将主题词类别作为场景类别(即，第一场景类别)。语义归类模块200通过词语分类模型根据修饰词(即，第一修饰词)的向量，确定相应的修饰词的修饰词类别，并将修饰词类别作为概念类别(即，第一概念类别)。语义归类模块200通过词语分类模型根据关键词(即，第一关键词)的向量，确定相应的关键词的关键词类别(即，第一关键词类别)。
64.其中词语分类模型预先存储有多种场景类别、多种概念类别以及多种关键词类别。场景类别例如可以包括：农、林、牧、渔。概念类别例如可以包括：非标自动化以及蔬菜采收机械等类别。关键词类别可以包括：自动化技术、计算机技术，机械仪表工业，轻工业、手工业、生活服务业，化学工业等类别。
65.例如，主题词(即，第一主题词)为“机械加工”，修饰词(即，第一修饰词)为“自动化”以及“农机”，关键词(即，第一关键词)为“自动化改造”。则语义归类模块200通过语义分类模型将与主题词“机械加工”(即，第一主题词)对应的场景类别确定为“农、林、牧、渔”(即，第一场景类别)，之后语义归类模块200通过语义分类模型将与修饰词“自动化”和“农机”(即，第一修饰词)对应的概念类别确定为“非标自动化”(即，第一概念类别)。之后语义归类模块200通过语义分类模型将与关键词“自动化改造”(第一关键词)对应的关键词类别确定为“自动化技术、计算机技术”(即，第一关键词类别)。
66.之后语义归类模块200通过语义相似度计算模型根据各个修饰词的向量和各个关键词的向量计算各个修饰词与各个关键词之间的相似度值，根据各个修饰词与各个关键词之间的相似度值得到各个修饰词与各个关键词之间的距离。
67.例如，语义归类模块200通过语义相似度计算模型根据修饰词“自动化”的向量和关键词“自动化改造”的向量，计算修饰词“自动化”与关键词“自动化改造”之间的相似度值，并将该相似度值作为修饰词“自动化”与关键词“自动化改造”之间的距离(例如为距离1)。之后语义归类模块200通过语义相似度计算模型根据修饰词“农机”的向量和关键词“自动化改造”的向量，计算修饰词“农机”和关键词“自动化改造”之间的相似度值，并将该相似度值作为修饰词“农机”和关键词“自动化改造”之间的距离(例如为距离2)。
68.之后语义归类模块200将方案1的场景类别(即，第一场景类别)、主题词(即，第一主题词)、概念类别(即，第一概念类别)、修饰词(即，第一修饰词)、关键词类别(即，第一关键词类别)以及关键词(即，第一关键词)发送至知识生成模块300。
69.进一步地，知识生成模块300根据主题词(即，第一主题词)、修饰词(即，第一修饰词)以及关键词(第一关键词)之间的距离，确定主题词(即，第一主题词)、修饰词(即，第一修饰词)以及关键词(第一关键词)之间的上下级关系，并根据场景类别(即，第一场景类别)
与主题词(即，第一主题词)的从属关系，概念类别(即，第一概念类别)与修饰词(即，第一修饰词)之间的从属关系，关键词类别(即，第一关键词类别)与关键词(即，第一关键词)之间的从属关系，将场景类别(即，第一场景类别)、主题词(即，第一主题词)、概念类别(即，第一概念类别)、修饰词(即，第一修饰词)、关键词类别(即，第一关键词类别)以及关键词(即，第一关键词)进行关联。
70.参考图4所示，例如，主题词“机械加工”的场景类别为“农、林、牧、渔”，则主题词“机械加工”与场景类别“农、林、牧、渔”之间存在从属关系，从而知识生成模块300将场景类别“农、林、牧、渔”作为主题词“机械加工”的上级。之后知识生成模块300将唯一的一个主题词“机械加工”作为修饰词“自动化”、修饰词“农机”以及概念类别“非标自动化”的上级。其中概念类别“非标自动化”与修饰词“自动化”以及修饰词“农机”存在从属关系，即概念类别“非标自动化”为修饰词“自动化”以及修饰词“农机”的上级。
71.之后知识生成模块300将距离1(即，修饰词“自动化”与关键词“自动化改造”之间的距离)与距离2(即，修饰词“农机”与关键词“自动化改造”之间的距离)进行比较，将距离最小的修饰词和关键词建立上下级关系。例如当距离1小于距离2时，则知识生成模块300将修饰词“自动化”作为关键词“自动化改造”的上级。并且关键词“自动化改造”与其关键词类别“自动化技术、计算机技术”存在从属关系，则将关键词类别“自动化技术、计算机技术”作为关键词“自动化改造”的上级，并且修饰词“自动化”为关键词类别“自动化技术、计算机技术”的上级。
72.进一步地，知识生成模块300根据场景类别(即，第一场景类别)、主题词(即，第一主题词)、概念类别(即，第一概念类别)、修饰词(即，第一修饰词)、关键词类别(即，第一关键词类别)以及关键词(即，第一关键词)之间的上下级关系，将场景类别(即，第一场景类别)、主题词(即，第一主题词)、概念类别(即，第一概念类别)、修饰词(即，第一修饰词)、关键词类别(即，第一关键词类别)以及关键词(即，第一关键词)进行关联，从而生成第一树模型。
73.进一步地，知识生成模块300将第一树模型中的场景类别(即，第一场景类别)写入第一知识云图中的场景云层，将第一树模型中的主题词(即，第一主题词)写入第一知识云图中的主题词层，将第一树模型中的概念类别(即，第一概念类别)写入第一知识云图中的概念云层，将第一树模型中的修饰词(即，第一修饰词)写入第一知识云图中的修饰词层，将第一树模型中的关键词类别(即，第一关键词类别)写入第一知识云图中的关键词类别云层，将第一树模型中的关键词(即，第一关键词)写入第一知识云图中的关键词层。从而知识生成模块300构建成功第一知识云图。
74.从而本技术方案通过将方案信息进行拆分，从而得到多种类型的文本标签，并将文本标签进行归类并确定上下级关系，可以快速的生成第一树模型，根据第一树模型构建第一知识云图，从而使得知识云图的布局更加清晰，提高了查询文本标签的速度。
75.可选地，根据第一树模型构建第一知识云图的操作，包括：基于第一树模型根据第二主题词、第二修饰词以及第二关键词生成第二树模型，其中第二主题词、第二修饰词以及第二关键词为根据第二方案信息生成的；以及根据第二树模型更新第一知识云图。
76.具体地，知识生成模块300生成第一树模型后，知识构建模块100接收到方案2的方案信息(即，第二方案信息)。之后知识构建模块100将方案2的方案信息进行拆分，得到多个
文本标签。其中文本标签包括主题词、修饰词以及关键词。例如知识构建模块100根据方案2的方案信息得到相应的主题词(即，第二主题词)、修饰词(即，第二修饰词)以及关键词(即，第二关键词)。之后语义归类模块200确定与主题词(即，第二主题词)对应的场景类别(即，第二场景类别)，与各个修饰词(即，第二修饰词)对应的概念类别(即，第二概念类别)，与各个关键词(即，第二关键词)对应的关键词类别。其中提取的主题词的数量为一个，修饰词和关键词的数量不作限定。
77.进一步地，知识生成模块300从第一知识云图中获取第一树模型，之后将方案2的场景类别(即，第二场景类别)、主题词(即，第二主题词)、概念类别(即，第二概念类别)、修饰词(即，第二修饰词)、关键词类别(即，第二关键词类别)、关键词(即，第二关键词类别)与第一树模型关联，从而生成第二树模型。其中第二树模型用于指示与供应方的第一方案信息和第二方案信息对应的文本标签之间的关系。即，第二树模型包括与第一方案信息对应的文本标签以及与第二方案信息对应的文本标签。
78.进一步地，知识生成模块300将与第一树模型关联的方案2的场景类别(即，第二场景类别)写入第一知识云图中的场景云层，将主题词(即，第二主题词)写入第一知识云图中的主题词层，将概念类别(即，第二概念类别)写入第一知识云图的概念云层，将关键词类别(即，第二关键词类别)写入第一知识云图的关键词类别云层，将关键词(即，第二关键词)写入第一知识云图的关键词层。从而第一知识云图中包括第二树模型中所有的文本标签。
79.从而本技术方案通过将方案2的方案信息与方案1的方案信息进行组合，更新第一知识云图，从而第一知识云图无需再次建立一个新的知识云图，使得第一知识云图可以快速写入供应方的多个方案的方案信息，并将多个方案信息进行关联。
80.可选地，基于第一树模型根据第二主题词、第二修饰词以及第二关键词生成第二树模型的操作，包括：确定与第二方案信息对应的第二主题词、第二修饰词以及第二关键词；根据第二方案的第二方案详情确定与第二主题词对应的第二场景类别，根据第二修饰词确定与第二修饰词对应的第二概念类别，根据第二关键词确定与第二关键词对应的第二关键词类别，其中第二场景类别用于指示第二主题词的类别，第二概念类别用于指示第二修饰词的类别；基于第一树模型，根据第二场景类别、第二概念类别以及第二关键词类别确定第二主题词、第二修饰词以及第二关键词之间的上下级关系；根据上下级关系生成第二树模型。
81.具体地，参考图2所示，知识构建模块100预先设置有标题生成模型、主题词提取模型、修饰词提取模型以及关键词提取模型。
82.知识构建模块100获取供应方提供的方案2的方案信息(即，第二方案信息)。其中方案信息包括方案标题和方案详情。首先知识构建模块100对方案2的方案信息进行数据清洗。之后知识构建模块100通过标题生成模型检测方案信息(即，第二方案信息)包括的方案标题，根据预设的标题判断规则，判断该方案标题是否标准。当标题生成模型判定该方案标题标准时，则保留该方案标题。当标题生成模型判定该方案标题不标准时，则标题生成模型根据方案详情(即，第二方案详情)生成新的方案标题。
83.例如，标题生成模型根据标题判断规则判断方案标题是否标准时，首先根据预先设定的句法规则分析方案标题的句子成分，如方案标题中的动词、定语以及宾语等句子成分是否存在，同时上述成分之间是否具有动宾关系、定中关系以及状中关系等。
84.其中标题判断规则中的定语、状语以及定中关系等可举例说明为：
85.主谓关系，#我送她一束花(我《-送)
86.动宾关系，#我送她一束花(送-》我)
87.间宾关系，#我送她一束花(送-》她)
88.前置宾语，#他什么书都读(书《-读)
89.兼语，#他请我吃饭(请-》我)
90.定中关系，#红苹果(红《-苹果)
91.状中关系，#非常美丽(非常《-美丽)
92.动补结构，#做完了作业(做-》完)
93.并列关系，#大山和大海(大山-》大海)
94.介宾关系，#在贸易区内(在-》内)
95.左附关系，#大山和大海(和《-大海)
96.右附关系，#孩子们(孩子-》们)
97.独立结构，#两个单句在结构上彼此独立
98.核心关系，#整个句子的核心
99.进一步地，知识构建模块100通过主题词提取模型在方案标题中提取主题词(即，第二主题词)，通过修饰词提取模型在方案标题中提取修饰词(即，第二修饰词)，通过关键词提取模型在方案详情(即，第二方案详情)中提取关键词(即，第二关键词)。其中提取的主题词的数量为一个，修饰词以及关键词的数量不作限定。
100.之后知识构建模块100将方案2的方案详情(即，第二方案详情)和提取的主题词(即，第二主题词)、修饰词(即，第二修饰词)以及关键词(即，第二关键词)发送至语义归类模块200。
101.进一步地，语义归类模块200预先设置有语义编码模型、词语分类模型以及语义相似度计算模型。
102.语义归类模块200在接收到方案2的方案详情(即，第二方案详情)和提取的主题词(即，第二主题词)、修饰词(即，第二修饰词)以及关键词(即，第二关键词)后，通过语义编码模型分别对修饰词(即，第二修饰词)、关键词(即，第二关键词)以及方案详情(即，第二方案详情)进行编码，分别得到主题词(即第二主题词)的向量，修饰词(即，第二修饰词)相应的向量，关键词(即，第二关键词)相应的向量，以及方案详情(即，第二方案详情)的向量。
103.进一步地，语义归类模块200通过词语分类模型根据方案详情(即，第二方案详情)的向量，确定主题词的主题词类别，并将主题词类别作为场景类别(即，第二场景类别)。语义归类模块200通过词语分类模型根据修饰词(即，第二修饰词)的向量，确定相应的修饰词的修饰词类别，并将修饰词类别作为概念类别(即，第二概念类别)。语义归类模块200通过词语分类模型根据关键词(即，第二关键词)的向量，确定相应的关键词的关键词类别(即，第二关键词类别)。
104.其中词语分类模型预先存储有多种场景类别、多种概念类别以及多种关键词类别。场景类别例如可以包括：农、林、牧、渔。概念类别例如可以包括：非标自动化以及蔬菜采收机械等类别。关键词类别可以包括：自动化技术、计算机技术，机械仪表工业，轻工业、手工业、生活服务业，化学工业等类别。
105.例如，主题词(即，第二主题词)为“蒜头大颗粒灌装线”，修饰词(即，第二修饰词)为“全自动”，关键词(即，第二关键词)为“封口”、“称重”、“理瓶”以及“充液氮”。则语义归类模块200通过语义分类模型将与主题词“蒜头大颗粒灌装线”(即，第二主题词)对应的场景类别确定为“农、林、牧、渔”(即，第二场景类别)，之后语义归类模块200通过语义分类模型将与修饰词“全自动”(即，第二修饰词)对应的概念类别确定为“蔬菜采收机械”(即，第二概念类别)。之后语义归类模块200通过语义分类模型将与关键词“封口”(即，第二关键词)对应的关键词类别确定为“机械仪表工业”(即，第二关键词类别)，将与关键词“称重”(即，第二关键词)对应的关键词类别确定为“轻工业、手工业、生活服务业”(即，第二关键词类别)，将与关键词“理瓶”(即，第二关键词)对应的关键词类别确定为“轻工业、手工业、生活服务业”(即，第二关键词类别)，以及将与关键词“充液氮”(即，第二关键词)对应的关键词类别确定为“化学工业”(即，第二关键词类别)。
106.进一步地，知识生成模块300获取第一知识云图中的第一树模型，并获取第一树模型中的场景类别(即，第一场景类别)、主题词(即，第一主题词)、概念类别(即，第一概念类别)、修饰词(即，第一修饰词)、关键词类别(即，第一关键词类别)以及关键词(即，第一关键词)。之后知识生成模块300将方案2的场景类别(即，第二场景类别)、主题词(即，第二主题词)、概念类别(即，第二概念类别)、修饰词(即，第二修饰词)、关键词类别(即，第二关键词类别)以及关键词(即，第二关键词)与第一树模型中的场景类别(即，第一场景类别)、主题词(即，第一主题词)、概念类别(即，第一概念类别)、修饰词(即，第一修饰词)、关键词类别(即，第一关键词类别)以及关键词(即，第一关键词)进行关联，从而生成第二树模型。
107.从而本技术方案通过将方案信息进行拆分，从而得到多种类型的文本标签，并将文本标签进行归类并确定上下级关系，可以快速的生成第二树模型，根据第二树模型构建第一知识云图，从而使得知识云图的布局更加清晰，提高了查询文本标签的速度。
108.可选地，基于第一树模型，根据第二场景类别、第二概念类别以及第二关键词类别确定第二主题词、第二修饰词以及第二关键词之间的上下级关系的操作，包括：将第二场景类别与第一树模型中的第一场景类别进行匹配，确定第二场景类别在第二树模型中的位置；将第二主题词与第一树模型中的第一主题词进行匹配，确定第二主题词在第二树模型中的位置；将第二概念类别与第一树模型中的第一概念类别进行匹配，确定第二概念类别在第二树模型中的位置；将第二修饰词与第一树模型中的第一修饰词进行匹配，确定第二修饰词在第二树模型中的位置；将第二关键词类别与第一树模型中的第一关键词类别进行匹配，确定第二关键词类别在第二树模型中的位置；以及将第二关键词与第一树模型中的第一关键词类别进行匹配，确定第二关键词在第二树模型中的位置。
109.具体地，知识生成模块300获取第一知识云图的场景云层中的场景类别，并将方案2的场景类别(即，第二场景类别)与场景云层中的场景类别进行匹配。当知识生成模块300在场景云层中查询到与方案2的场景类别(即，第二场景类别)相同的场景类别，则将第二场景类别与查询到的与第二场景类别相同的场景类别(即，第一场景类别)进行合并。当知识生成模块300在场景云层中未查询到与方案2的场景类别(即，第二场景类别)相同的场景类别，则将方案2的场景类别(即，第二场景类别)创建为在第二树模型中与其他场景类别不同的其中一个场景类别。
110.参考图5所示，例如第一知识云图包括第一树模型，场景云层包括第一树模型的场
景类别(即，第一场景类别)，则知识生成模块300获取到第一知识云图的场景云层中的场景类别为“农、林、牧、渔”。知识生成模块300将方案2的场景类别“农、林、牧、渔”(即，第二场景类别)与场景云层中的所有场景类别进行匹配，即将方案2的场景类别“农、林、牧、渔”(即，第二场景类别)与第一树模型中的场景类别(即，第一场景类别)进行匹配。
111.当知识生成模块300判定第二场景类别“农、林、牧、渔”与第一场景类别“农、林、牧、渔”相同，则将第二场景类别“农、林、牧、渔”与第一场景类别“农、林、牧、渔”进行合并，将合并后的场景类别“农、林、牧、渔”确定为第二树模型的场景类别。
112.例如当第二场景类别为“服务业”，则知识生成模块300获取到第一知识云图的场景云层中的场景类别为“农、林、牧、渔”。知识生成模块300将方案2的场景类别“服务业”(即，第二场景类别)与场景云层中的所有场景类别进行匹配，即将方案2的场景类别“服务业”(即，第二场景类别)与第一树模型中的场景类别(即，第一场景类别)进行匹配。
113.当知识生成模块300判定第二场景类别“服务业”与第一场景类别“农、林、牧、渔”不相同，则将第二场景类别“服务业”作为第二树模型中的其中一个场景类别。即，第二树模型中的场景类别包括：“服务业”和“农、林、牧、渔”。
114.进一步地，知识生成模块300确定了第二场景类别在第二树模型中的位置后，获取与第二场景类别对应的主题词(即，第二主题词)。之后知识生成模块300将方案2的主题词(即，第二主题词)与第二树模型中的第二场景类别下的其他主题词(即，第一主题词)进行匹配。当知识生成模块300在第一主题词中查询到与方案2的主题词(即，第二主题词)相同的主题词，则将第二主题词与查询到的与第二主题词相同的主题词(即，第一主题词)进行合并。当知识生成模块300在第一主题词中未查询到与方案2的主题词(即，第二主题词)相同的主题词，则将方案2的主题词(即，第二主题词)创建为在第二树模型中与其他主题词不同的其中一个主题词。
115.例如第二场景类别为“农、林、牧、渔”，第一场景类别也为“农、林、牧、渔”，当第二场景类别和第一场景类别合并后，得到第二树模型的场景类别，即第二树模型的场景类别为“农、林、牧、渔”，从而与第一场景类别关联的主题词“机械加工”与第二树模型中的场景类别“农、林、牧、渔”关联，并将第二主题词“蒜头大颗粒灌装线”与主题词“机械加工”进行匹配。之后知识生成模块300判定第二主题词“蒜头大颗粒灌装线”与主题词“非标自动化”不相同，则将第二主题词“蒜头大颗粒灌装线”创建为第二树模型中新的主题词。即第二树模型中的主题词包括“机械加工”以及“蒜头大颗粒灌装线”。
116.进一步地，第二概念类别在第二树模型中的位置的确定方式与第二主题词在第二树模型中的位置的确定方式相同。例如，知识生成模块300获取方案2的概念类别“蔬菜采收机械”(即，第二概念类别)，并获取在第一树模型中与主题词“蒜头大颗粒灌装线”关联的概念类别(即，第一概念类别)。因主题词“蒜头大颗粒灌装线”下没有概念类别，则知识生成模块300未匹配到与概念类别“蔬菜采收机械”相同的概念类别，从而将概念类别“蔬菜采收机械”创建为第二树模型中的一个概念类别。其中创建的该概念类别与第二树模型中的主题词“蒜头大颗粒灌装线”关联。
117.进一步地，第二修饰词在第二树模型中的位置的确定方式与第二概念类别在第二树模型中的位置的确定方式相同。例如，知识生成模块300获取方案2的修饰词“全自动”(即，第二修饰词)，并获取在第一树模型中与概念类别“蔬菜采收机械”关联的修饰词(即，
第一修饰词)。因概念类别“蒜蔬菜采收机械”下没有修饰词，则知识生成模块300未匹配到与修饰词“全自动”相同的修饰词，从而将修饰词“全自动”创建为第二树模型中的一个修饰词。其中创建的该修饰词与第二树模型中的概念类别“蔬菜采收机械”关联。
118.进一步地，知识生成模块300获取方案2的关键词类别“机械仪表工业”、“轻工业、手工业、生活服务业”(例如为关键词类别1)、“轻工业、手工业、生活服务业”(例如为关键词类别2)以及“化学工业”。并获取在第一树模型中与修饰词“全自动”关联的关键词类别(即，第一关键词类别)。因修饰词“全自动”下没有关键词类别，则知识生成模块300未匹配到与关键词类别“机械仪表工业”相同的关键词类别，从而将关键词类别“机械仪表工业”创建为第二树模型中的一个关键词类别。其中创建的该关键词类别与第二树模型中的修饰词“全自动”关联。
119.之后知识生成模块300将关键词类别1“轻工业、手工业、生活服务业”与已确定在第二树模型中的位置的关键词类别“机械仪表工业”进行匹配。当知识生成模块300判定关键词类别1“轻工业、手工业、生活服务业”与关键词类别“机械仪表工业”不相同，则将关键词类别1“轻工业、手工业、生活服务业”创建为第二树模型中的一个关键词类别，并与修饰词“全自动”进行关联。
120.之后知识生成模块300将关键词类别2“轻工业、手工业、生活服务业”与关键词类别“机械仪表工业”进行匹配。当知识生成模块300判定关键词类别2“轻工业、手工业、生活服务业”与关键词类别“机械仪表工业”不相同，则将关键词类别2“轻工业、手工业、生活服务业”与关键词类别1“轻工业、手工业、生活服务业”进行匹配。当知识生成模块300判定关键词类别2“轻工业、手工业、生活服务业”与关键词类别1“轻工业、手工业、生活服务业”相同，则将关键词类别2“轻工业、手工业、生活服务业”与关键词类别1“轻工业、手工业、生活服务业”进行合并，从而第二树模型中修饰词“全自动”下仅关联有一个“轻工业、手工业、生活服务业”。
121.之后，知识生成模块300将关键词类别“化学工业”依次与关键词类别“机械仪表工业”和“轻工业、手工业、生活服务业”进行匹配。当知识生成模块300判定关键词类别“化学工业”与“机械仪表工业”和“轻工业、手工业、生活服务业”都不相同，则将关键词类别“化学工业”创建为第二树模型中的一个关键词类别，并与修饰词“全自动”进行关联。
122.进一步地，知识生成模块300获取方案2中与关键词类别“机械仪表工业”、“轻工业、手工业、生活服务业”和“化学工业”对应的关键词。其中与关键词类别“机械仪表工业”对应的关键词为“封口”，与关键词类别“轻工业、手工业、生活服务业”对应的关键词为“称重”和“理瓶”，与关键词类别对应的关键词为“充液氮”。依照上述的第二树模型中关键词类别的确定方法，知识生成模块300将关键词“封口”、“称重”、“理瓶”和“充液氮”创建为第二树模型的关键词，并将该关键词与其对应的关键词类别进行关联。
123.从而本技术方案通过将方案2中的第二场景类别、第二关键词、第二概念类别、第二修饰词、第二关键词类别和第二关键词分别与第一树模型中的节点(即，第一场景类别、第一关键词、第一概念类别、第一修饰词、第一关键词类别和第一关键词)进行关联，从而可以快速的将同一供应商的方案生成一个知识云图，从而使得之后的检索过程更加简便，提高了检索效率。
124.可选地，方法还包括：计算与同一第三主题词关联的第三修饰词的相似度和的平
均值，其中第三主题词由第一主题词和第二主题词组成，第三修饰词由第一修饰词和第二修饰词组成；将第三修饰词的相似度和的平均值与预先确定的第一平衡系数进行比较，对第二修饰词进行筛查，其中第一平衡系数为根据第一树模型中的第一修饰词所确定的；计算与同一第三修饰词关联的第三关键词的相似度和的平均值，其中第三关键词由第一关键词和第二关键词组成；以及将第三关键词的相似度和的平均值与预先确定的第二平衡系数进行比较，对第二关键词进行筛查，其中第二平衡系数为根据第一树模型图中的第一关键词所确定的。
125.具体地，知识生成模块300生成第一树模型后，知识校验模块400对第一树模型中的所有节点做准确性评估。例如第一主题词“机械加工”关联有第一修饰词“自动化”和“农机”。知识校验模块400计算第一主题词“机械加工”与第一修饰词“自动化”的相似度值s1，并计算第一主题词“机械加工”与第一修饰词“农机”的相似度值s2。之后知识校验模块400计算相似度值s1和相似度值s2的相似度和的平均值r1。知识校验模块400预先设置有第一阈值和第二阈值。其中第一阈值小于第二阈值。知识校验模块400将相似度和的平均值r1与第一阈值进行比较，当判定相似度和的平均值r1小于第一阈值，则说明第一主题词“机械加工”与第一修饰词“农机”以及“自动化”之间存在弱关系。知识校验模块400则将第一修饰词“农机”和“自动化”从第一树模型中删除，并且将与第一修饰词“农机”和“自动化”关联的第一关键词类别和第一关键词进行删除。
126.知识校验模块400将相似度和的平均值r1与第一阈值进行比较，当判定相似度和的平均值r1大于第一阈值时，则将相似度和的平均值r1与第二阈值进行比较。当知识校验模块400判定相似度和的平均值r1小于第二阈值且大于第一阈值时，则将相似度和的平均值r1作为第一平衡系数。
127.知识校验模块400将相似度和的平均值r1与第一阈值进行比较，当判定相似度和的平均值r1大于第一阈值时，则将相似度和的平均值r1与第二阈值进行比较。当知识校验模块400判定相似度和的平均值r1大于第二阈值时，则将第二阈值作为第一平衡系数。
128.进一步地，知识校验模块400获取第一树模型中的第一关键词“自动化改造”，并获取与其关联的第一修饰词“自动化”。因与第一修饰词“自动化”关联的第一关键词仅有一个(即，自动化改造)，则知识校验模块400计算第一关键词“自动化改造”和第一修饰词“自动化”的相似度r2。之后知识校验模块400将相似度r2与第一阈值进行比较，当判定相似度r2小于第一阈值，则说明第一关键词“自动化改造”和第一修饰词“自动化”之间存在弱关系。知识校验模块400则将第一关键词“自动化改造”从第一树模型中删除。由于与第一关键词“自动化改造”关联的第一关键词类别“自动化技术、计算机技术”未关联有其他关键词，则将第一关键词类别“自动化技术、计算机技术”一并删除。
129.知识校验模块400将相似度r2与第一阈值进行比较，当判定相似度r2大于第一阈值时，则将相似度r2与第二阈值进行比较。当知识校验模块400判定相似度r2小于第二阈值且大于第一阈值时，则将相似度r2作为第二平衡系数。
130.知识校验模块400将相似度r2与第一阈值进行比较，当判定相似度r2大于第一阈值时，则将相似度r2与第二阈值进行比较。当知识校验模块400判定相似度r2大于第二阈值时，则将第二阈值作为第二平衡系数。
131.进一步地，参考图6所示，知识生成模块300生成第二树模型(对应于图6)，第二树
模型中所有的第三修饰词包括：第一修饰词“自动化”，第一修饰词“农机”以及第二修饰词“全自动”。其中修饰词“全自动”为第二树模型中新加入的修饰词(即，方案2的修饰词)。知识校验模块400获取第二树模型中的第二修饰词“全自动”，以及与其关联的主题词“机械加工”。之后知识校验模块400获取与主题词“机械加工”关联的第一修饰词“自动化”和“农机”。并且获取主题词“机械加工”与第一修饰词“自动化”的相似度值s1，以及主题词“机械加工”与第一修饰词“农机”的相似度值s2。之后知识校验模块400计算第二修饰词“全自动”与主题词“机械加工”之间的相似度值s3，并计算相似度值s1、s2和s3之间的相似度和的平均值r3。之后知识校验模块400将相似度和的平均值r3与第一平衡系数进行比较。例如第一平衡系数为相似度和的平均值r1，则知识校验模块400将相似度和的平均值r3与r1进行比较。当知识校验模块400判定相似度和的平均值r3小于r1，则说明第二修饰词“全自动”与第一修饰词“自动化”以及“农机”存在弱关系。从而知识校验模块400将第二修饰词“全自动”以及与该第二修饰词关联的关键词删除。当知识校验模块400判定相似度和的平均值r3大于r1，则将相似度和的平均值r3与第二阈值进行比较。当知识校验模块400判定相似度和的平均值r3小于第二阈值且大于r1，则将r1和r3的均值作为第一平衡系数。当知识校验模块400判定相似度和的平均值r3大于第二阈值，则将第二阈值作为第一平衡系数。
132.进一步的，第二树模型中所有的第三关键词包括：第一关键词“自动化改造”，第二关键词“封口”，第二关键词“称重”，第二关键词“理瓶”以及第二关键词“充液氮”。
133.知识校验模块400获取第二树模型中的第二关键词“封口”、“称重”、“理瓶”以及“充液氮”。并获取与第二关键词关联的第二修饰词“全自动”。之后知识校验模块400分别计算第二关键词“封口”、“称重”、“理瓶”以及“充液氮”与第二修饰词“自动化”之间的相似度值，分别为s4、s5、s6和s7，并计算相似度值s4、s5、s6和s7的相似度和的平均值r4。之后知识校验模块400将相似度和的平均值r3与第二平衡系数进行比较。例如第二平衡系数为相似度r2，则知识校验模块400将相似度和的平均值r4与r2进行比较。当知识校验模块400判定相似度和的平均值r4小于r2，则说明第二关键词“封口”、“称重”、“理瓶”以及“充液氮”与第二修饰词“自动化”存在弱关系。从而知识校验模块400将第二关键词“封口”、“称重”、“理瓶”以及“充液氮”删除。当知识校验模块400判定相似度和的平均值r4大于r2，则将相似度和的平均值r4与第二阈值进行比较。当知识校验模块400判定相似度和的平均值r4小于第二阈值且大于r2，则将r2和r4的均值作为第二平衡系数。当知识校验模块400判定相似度和的平均值r4大于第二阈值，则将第二阈值作为第二平衡系数。
134.从而本技术方案通过计算知识云图中同一层级的树节点的相似度和的平均值，并将该相似度和的平均值与预定阈值进行比较，从而将知识云图中的树节点进行筛查，剔除存在弱关系的树节点，使得树模型中的树节点之间的联系更加紧密和合理，提高了各个树节点直接的关联性。
135.可选地，根据需求方提出的需求信息构建第二知识云图的操作，包括：确定需求信息的第四主题词、第四修饰词以及第四关键词；根据需求信息的第四方案详情确定与第四主题词对应的第三场景类别，根据第四修饰词确定与第四修饰词对应的第三概念类别，根据第四关键词确定与第四关键词对应的第三关键词类别，其中第三场景类别用于指示第四主题词的类别，第三概念类别用于指示第四修饰词的类别；根据第三场景类别、第三概念类别以及第三关键词类别确定第四主题词、第四修饰词以及第四关键词之间的上下级关系；
根据上下级关系确定第二知识云图。
136.具体地，参考图2所示，知识构建模块100预先设置有标题生成模型、主题词提取模型、修饰词提取模型以及关键词提取模型。
137.知识构建模块100获取需求方提出的需求信息。其中需求信息包括需求标题和需求详情。首先知识构建模块100对需求信息进行数据清洗。之后知识构建模块100通过标题生成模型检测需求标题，根据预设的标题判断规则，判断该需求标题是否标准。当标题生成模型判定该需求标题标准时，则保留该需求标题。当标题生成模型判定该需求标题不标准时，则标题生成模型根据需求详情生成新的需求标题。
138.例如，标题生成模型根据标题判断规则判断需求标题是否标准时，首先根据预先设定的句法规则分析需求标题的句子成分，如需求标题中的动词、定语以及宾语等句子成分是否存在，同时上述成分之间是否具有动宾关系、定中关系以及状中关系等。
139.其中标题判断规则中的定语、状语以及定中关系等可举例说明为：
140.主谓关系，#我送她一束花(我《-送)
141.动宾关系，#我送她一束花(送-》我)
142.间宾关系，#我送她一束花(送-》她)
143.前置宾语，#他什么书都读(书《-读)
144.兼语，#他请我吃饭(请-》我)
145.定中关系，#红苹果(红《-苹果)
146.状中关系，#非常美丽(非常《-美丽)
147.动补结构，#做完了作业(做-》完)
148.并列关系，#大山和大海(大山-》大海)
149.介宾关系，#在贸易区内(在-》内)
150.左附关系，#大山和大海(和《-大海)
151.右附关系，#孩子们(孩子-》们)
152.独立结构，#两个单句在结构上彼此独立
153.核心关系，#整个句子的核心
154.进一步地，知识构建模块100通过主题词提取模型在需求标题中提取主题词(即，第四主题词)，通过修饰词提取模型在需求标题中提取修饰词(即，第四修饰词)，通过关键词提取模型在需求详情中提取关键词(即，第四关键词)。其中提取的主题词的数量为一个，修饰词以及关键词的数量不作限定。
155.之后知识构建模块100将需求详情和提取的主题词(即，第四主题词)、修饰词(即，第四修饰词)以及关键词(即，第四关键词)发送至语义归类模块200。
156.进一步地，语义归类模块200预先设置有语义编码模型、词语分类模型以及语义相似度计算模型。
157.语义归类模块200在接收到需求详情和提取的主题词(即，第四主题词)、修饰词(即，第四修饰词)以及关键词(即，第四关键词)后，通过语义编码模型分别对修饰词(即，第四修饰词)、关键词(即，第四关键词)以及需求详情进行编码，分别得到主题词(即第四主题词)相应的向量，修饰词(即，第四修饰词)相应的向量，关键词(即，第四关键词)相应的向量，以及需求详情的向量。
158.进一步地，语义归类模块200通过词语分类模型根据需求详情的向量，确定第四主题词的主题词类别，并将主题词类别作为场景类别(即，第三场景类别)。语义归类模块200通过词语分类模型根据修饰词(即，第四修饰词)的向量，确定相应的修饰词的修饰词类别，并将修饰词类别作为概念类别(即，第三概念类别)。语义归类模块200通过词语分类模型根据关键词(即，第四关键词)的向量，确定相应的关键词的关键词类别(即，第三关键词类别)。
159.其中词语分类模型预先存储有多种场景类别、多种概念类别以及多种关键词类别。场景类别例如可以包括：农、林、牧、渔。概念类别例如可以包括：非标自动化以及蔬菜采收机械等类别。关键词类别可以包括：自动化技术、计算机技术，机械仪表工业，轻工业、手工业、生活服务业，化学工业等类别。
160.之后语义归类模块200通过语义相似度计算模型根据各个修饰词的向量和各个关键词的向量计算各个修饰词与各个关键词之间的相似度值，根据各个修饰词与各个关键词之间的相似度值得到各个修饰词与各个关键词之间的距离。
161.之后语义归类模块200将与需求信息对应的场景类别(即，第三场景类别)、主题词(即，第四主题词)、概念类别(即，第三概念类别)、修饰词(即，第四修饰词)、关键词类别(即，第三关键词类别)以及关键词(即，第四关键词)发送至知识生成模块300。
162.进一步地，知识生成模块300根据主题词(即，第四主题词)、修饰词(即，第四修饰词)以及关键词(第四关键词)之间的距离，确定主题词(即，第四主题词)、修饰词(即，第四修饰词)以及关键词(第四关键词)之间的上下级关系，并根据场景类别(即，第三场景类别)与主题词(即，第四主题词)的从属关系，概念类别(即，第三概念类别)与修饰词(即，第四修饰词)之间的从属关系，关键词类别(即，第三关键词类别)与关键词(即，第四关键词)之间的从属关系，将场景类别(即，第三场景类别)、主题词(即，第四主题词)、概念类别(即，第三概念类别)、修饰词(即，第四修饰词)、关键词类别(即，第三关键词类别)以及关键词(即，第四关键词)进行关联。
163.进一步地，知识生成模块300根据场景类别(即，第三场景类别)、主题词(即，第四主题词)、概念类别(即，第三概念类别)、修饰词(即，第四修饰词)、关键词类别(即，第三关键词类别)以及关键词(即，第四关键词)之间的上下级关系，将场景类别(即，第三场景类别)、主题词(即，第四主题词)、概念类别(即，第三概念类别)、修饰词(即，第四修饰词)、关键词类别(即，第三关键词类别)以及关键词(即，第四关键词)进行关联，从而生成第三树模型。
164.进一步地，知识生成模块300将第三树模型中的场景类别(即，第三场景类别)写入第二知识云图中的场景云层，将第三树模型中的主题词(即，第四主题词)写入第二知识云图中的主题词层，将第三树模型中的概念类别(即，第三概念类别)写入第二知识云图中的概念云层，将第三树模型中的修饰词(即，第四修饰词)写入第二知识云图中的修饰词层，将第三树模型中的关键词类别(即，第三关键词类别)写入第二知识云图中的关键词类别云层，将第三树模型中的关键词(即，第四关键词)写入第二知识云图中的关键词层。从而知识生成模块300构建成功第二知识云图。
165.从而本技术方案通过将方案信息进行拆分，从而得到多种类型的文本标签，并将文本标签进行归类并确定上下级关系，可以快速的生成第三树模型，根据第三树模型构建
第二知识云图，从而使得知识云图的布局更加清晰，提高了查询文本标签的速度。
166.可选地，通过匹配模型根据第一知识云图和第二知识云图确定供应方的操作，包括：通过匹配模型将第一知识云图中的第四场景类别与第二知识云图中的第三场景类别进行匹配，确定与第三场景类别对应的第五场景类别；通过匹配模型将第四主题词与第五场景类别下的第三主题词进行匹配，确定与第四主题词对应的第五主题词；通过匹配模型将第三概念类别与第五主题词下的第四概念类别进行匹配，确定与第三概念类别对应的第五概念类别；通过匹配模型将第四修饰词与第五概念类别下的第三修饰词进行匹配，确定与第四修饰词对应的第五修饰词；通过匹配模型将第三关键词类别与第五修饰词下的第四关键词类别进行匹配，确定与第三关键词类别对应的第五关键词类别；通过匹配模型将第四关键词与第五关键词类别下的第三关键词进行匹配，确定与第四关键词对应的第五关键词；以及通过匹配模型根据第五关键词确定供应方。
167.具体地，知识匹配模块500获取与需求方对应的第二知识云图中的场景类别(即，第三场景类别)。之后通过预设的匹配模型将第三场景类别与第一知识云图中的场景类别(即，第四场景类别)进行匹配。当在第二知识云图中的场景类别(即，第三场景类别)中未能匹配到与第四场景类别相同的场景类别时，知识匹配模块500判定与第二知识云图对应的供应方不符合需求方的需求。
168.例如第二知识云图中的场景类别(即，第三场景类别)为“农、林、牧、渔”。第一知识云图中的场景类别(即，第四场景类别)为“农、林、牧、渔”以及“服务业”。知识匹配模块500通过匹配模型确定与第三场景类别“农、林、牧、渔”匹配的场景类别“农、林、牧、渔”(即，第五场景类别)。之后知识匹配模块500获取在第一知识云图中与场景类别“农、林、牧、渔”(即，第五场景类别)关联的主题词(即，第三主题词)，之后将第二知识云图中的主题词(即，第四主题词)与获取的第三主题词进行匹配。在未匹配成功的情况下，知识匹配模块500判定与第二知识云图对应的供应方不符合需求方的需求。在匹配成功的情况下，知识匹配模块500获取与第二知识云图的主题词(即，第四主题词)匹配的场景类别“农、林、牧、渔”(即，第五场景类别)下的主题词(即，第五主题词)。
169.进一步地，知识匹配模块500获取与第五主题词关联的概念类别(即，第四概念类别)，之后将获取的概念类别(即，第四概念类别)与第二知识云图中的第三概念类别进行匹配。在未匹配成功的情况下，知识匹配模块500判定与第二知识云图对应的供应方不符合需求方的需求。在匹配成功的情况下，知识匹配模块500确定与第二知识云图中的第三概念类别匹配的概念类别(即，第五概念类别)，并且确定可以匹配到第五概念类别的第二知识云图中的概念类别(即，第六概念类别)。其中第三概念类别和第四概念类别可以为多个，并且第五概念类别和第六关键词类别也可以为多个。
170.进一步地，知识匹配模块500获取与第五概念类别关联的修饰词(即，第三修饰词)，并且获取在第二知识云图中与第六概念类别关联的第四修饰词。之后知识匹配模块500将获取的修饰词(即，第三修饰词)与从第二知识云图中获取的第四修饰词进行匹配。在未匹配成功的情况下，知识匹配模块500判定与第二知识云图对应的供应方不符合需求方的需求。在匹配成功的情况下，知识匹配模块500确定与第二知识云图中的第四修饰词匹配的修饰词(即，第五修饰词)。并且确定可以匹配到第五修饰词的第二知识云图中的修饰词(即，第六修饰词)。其中第三修饰词和第四修饰词可以为多个，并且第五修饰词和第六关键
词类别也可以为多个。
171.进一步地，知识匹配模块500获取与第五修饰词关联的关键词类别(即，第四关键词类别)，并且获取在第二知识云图中与第六修饰词关联的第三关键词类别。之后知识匹配模块500将获取的关键词类别(即，第四关键词类别)与从第二知识云图中获取的第三关键词类别进行匹配。在未匹配成功的情况下，知识匹配模块500判定与第二知识云图对应的供应方不符合需求方的需求。在匹配成功的情况下，知识匹配模块500确定与第二知识云图中的第三关键词类别匹配的关键词类别(即，第五关键词类别)。并且确定可以匹配到第五关键词类别的第二知识云图中的关键词类别(即，第六关键词类别)。其中第三关键词类别和第四关键词类别可以为多个，并且第五关键词类别和第六关键词类别也可以为多个。
172.进一步地，知识匹配模块500获取与第五关键词类别关联的关键词(即，第三关键词)，并且获取在第二知识云图中与第六关键词类别关联的第四关键词。之后知识匹配模块500将获取的关键词(即，第三关键词)与从第二知识云图中获取的第四关键词进行匹配。在未匹配成功的情况下，知识匹配模块500判定与第二知识云图对应的供应方不符合需求方的需求。在匹配成功的情况下，知识匹配模块500确定与第二知识云图中的第四关键词匹配的关键词(即，第五关键词类别)。并且确定可以匹配到第五关键词的第二知识云图中的关键词(即，第六关键词)。其中第三关键词类别和第四关键词类别可以为多个，并且第五关键词类别和第六关键词类别也可以为多个。
173.进一步地，当知识匹配模块500从第二知识云图中确定了第五关键词，则将与该第二知识云图对应的供应方确定为符合需求方的需求信息的供应方。其中需求方可以同时与多个供应方相应的知识云图进行匹配，因此需求方可以确定多个符合要求的供应方。并且需求方可以通过统计各个供应方的第五关键词的数量，从而对供应方进行排序，确定匹配度最高的供应方。
174.从而本技术方案通过将第一知识云图中树节点与第一知识云图中的树节点进行匹配，从而可以快速且准确地得到符合需求方需求的供应方。
175.此外，参考图1所示，根据本实施例的第二个方面，提供了一种存储介质。所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行以上任意一项所述的方法。
176.从而根据本实施例，对供应方的方案信息进行拆分，并根据拆分得到的文本标签生成第一知识云图，以及对需求方的需求信息进行拆分，并根据拆分得到的文本标签生成第二知识云图。之后本技术方案通过匹配模型将第一知识云图和第二知识云图进行匹配。从而本技术方案通过构建知识云图，将供应方的方案信息和需求方的需求信息分别进行管理，使得供应方的多个方案的方案信息以及需求方的需求信息分别能够以多维度的方式进行关联，提高了文本标签的关联性。与现有技术相比，本技术方案在匹配过程中，通过匹配模型将文本标签一一进行匹配，并不仅仅通过相似度进行匹配，提高了匹配的准确度。进而解决了现有技术中存在的需求匹配的准确性差的技术问题。
177.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
178.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根据上述实施例的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，本发明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，或者网络设备等)执行本发明各个实施例所述的方法。
179.实施例2
180.图7示出了根据本实施例所述的需求匹配装置700，该装置700与根据实施例1的第一个方面所述的方法相对应。参考图7所示，该装置700包括：第一构建模块710，用于根据供应方的第一方案信息构建第一知识云图，其中第一知识云图用于指示与供应方的所有方案信息对应的文本标签之间的关系；第二构建模块720，用于根据需求方提出的需求信息构建第二知识云图，其中第二知识云图用于指示与需求方提出的需求信息对应的文本标签之间的关系；以及供应方确定模块730，用于通过需求匹配模型根据第一知识云图和第二知识云图确定符合需求方的需求的供应方。
181.可选地，第一构建模块710，包括：第一确定子模块，用于确定第一方案信息的第一主题词、第一修饰词以及第一关键词；第二确定子模块，用于根据第一方案的第一方案详情确定与第一主题词对应的第一场景类别，根据第一修饰词确定与第一修饰词对应的第一概念类别，根据第一关键词确定与第一关键词对应的第一关键词类别，其中第一场景类别用于指示第一主题词的类别，第一概念类别用于指示第一修饰词的类别；第三确定子模块，用于根据第一场景类别、第一概念类别以及第一关键词类别确定第一主题词、第一修饰词以及第一关键词之间的上下级关系，并且根据上下级关系确定第一树模型，其中第一树模型用于指示与供应方的第一方案信息对应的文本标签之间的关系；以及云图构建子模块，用于根据第一树模型构建第一知识云图。
182.可选地，云图构建子模块，包括：生成单元，用于基于第一树模型根据第二主题词、第二修饰词以及第二关键词生成第二树模型，其中第二主题词、第二修饰词以及第二关键词为根据第二方案信息生成的；以及更新单元，用于根据第二树模型更新第一知识云图。
183.可选地，生成单元，包括：确定与第二方案信息对应的第二主题词、第二修饰词以及第二关键词；根据第二方案的第二方案详情确定与第二主题词对应的第二场景类别，根据第二修饰词确定与第二修饰词对应的第二概念类别，根据第二关键词确定与第二关键词对应的第二关键词类别，其中第二场景类别用于指示第二主题词的类别，第二概念类别用于指示第二修饰词的类别；基于第一树模型，根据第二场景类别、第二概念类别以及第二关键词类别确定第二主题词、第二修饰词以及第二关键词之间的上下级关系；根据上下级关系生成第二树模型。
184.可选地，基于第一树模型，根据第二场景类别、第二概念类别以及第二关键词类别确定第二主题词、第二修饰词以及第二关键词之间的上下级关系的操作，包括：将第二场景类别与第一树模型中的第一场景类别进行匹配，确定第二场景类别在第二树模型中的位置；将第二主题词与第一树模型中的第一主题词进行匹配，确定第二主题词在第二树模型中的位置；将第二概念类别与第一树模型中的第一概念类别进行匹配，确定第二概念类别在第二树模型中的位置；将第二修饰词与第一树模型中的第一修饰词进行匹配，确定第二
修饰词在第二树模型中的位置；将第二关键词类别与第一树模型中的第一关键词类别进行匹配，确定第二关键词类别在第二树模型中的位置；以及将第二关键词与第一树模型中的第一关键词类别进行匹配，确定第二关键词在第二树模型中的位置。
185.可选地，装置700还包括：第一计算模块，用于计算与同一第三主题词关联的第三修饰词的相似度和的平均值，其中第三主题词由第一主题词和第二主题词组成，第三修饰词由第一修饰词和第二修饰词组成；第一比较模块，用于将第三修饰词的相似度和的平均值与预先确定的第一平衡系数进行比较，对第二修饰词进行筛查，其中第一平衡系数为根据第一树模型中的第一修饰词所确定的；第二计算模块，用于计算与同一第三修饰词关联的第三关键词的相似度和的平均值，其中第三关键词由第一关键词和第二关键词组成；以及第二比较模块，用于将第三关键词的相似度和的平均值与预先确定的第二平衡系数进行比较，对第二关键词进行筛查，其中第二平衡系数为根据第一树模型图中的第一关键词所确定的。
186.可选地，第二构建模块720，包括：第四确定子模块，用于确定需求信息的第四主题词、第四修饰词以及第四关键词；第五确定子模块，用于根据需求信息的第四方案详情确定与第四主题词对应的第三场景类别，根据第四修饰词确定与第四修饰词对应的第三概念类别，根据第四关键词确定与第四关键词对应的第三关键词类别，其中第三场景类别用于指示第四主题词的类别，第三概念类别用于指示第四修饰词的类别；第六确定子模块，用于根据第三场景类别、第三概念类别以及第三关键词类别确定第四主题词、第四修饰词以及第四关键词之间的上下级关系；第七确定子模块，用于根据上下级关系确定第二知识云图。
187.可选地，供应方确定模块730，包括：第八确定子模块，用于通过匹配模型将第一知识云图中的第四场景类别与第二知识云图中的第三场景类别进行匹配，确定与第三场景类别对应的第五场景类别；第九确定子模块，用于通过匹配模型将第四主题词与第五场景类别下的第三主题词进行匹配，确定与第四主题词对应的第五主题词；第十确定子模块，用于通过匹配模型将第三概念类别与第五主题词下的第四概念类别进行匹配，确定与第三概念类别对应的第五概念类别；第十一确定子模块，用于通过匹配模型将第四修饰词与第五概念类别下的第三修饰词进行匹配，确定与第四修饰词对应的第五修饰词；第十二确定子模块，用于通过匹配模型将第三关键词类别与第五修饰词下的第四关键词类别进行匹配，确定与第三关键词类别对应的第五关键词类别；第十三确定子模块，用于通过匹配模型将第四关键词与第五关键词类别下的第三关键词进行匹配，确定与第四关键词对应的第五关键词；以及第十四确定子模块，用于通过匹配模型根据第五关键词确定供应方。
188.从而根据本实施例，对供应方的方案信息进行拆分，并根据拆分得到的文本标签生成第一知识云图，以及对需求方的需求信息进行拆分，并根据拆分得到的文本标签生成第二知识云图。之后本技术方案通过匹配模型将第一知识云图和第二知识云图进行匹配。从而本技术方案通过构建知识云图，将供应方的方案信息和需求方的需求信息分别进行管理，使得供应方的多个方案的方案信息以及需求方的需求信息分别能够以多维度的方式进行关联，提高了文本标签的关联性。与现有技术相比，本技术方案在匹配过程中，通过匹配模型将文本标签一一进行匹配，并不仅仅通过相似度进行匹配，提高了匹配的准确度。进而解决了现有技术中存在的需求匹配的准确性差的技术问题。
189.实施例3
190.图8示出了根据本实施例的第一个方面所述的需求匹配装置800，该装置800与根据实施例1的第一个方面所述的方法相对应。参考图8所示，该装置800包括：处理器810；以及存储器820，与处理器810连接，用于为处理器810提供处理以下处理步骤的指令：根据供应方的第一方案信息构建第一知识云图，其中第一知识云图用于指示与供应方的所有方案信息对应的文本标签之间的关系；根据需求方提出的需求信息构建第二知识云图，其中第二知识云图用于指示与需求方提出的需求信息对应的文本标签之间的关系；以及通过需求匹配模型根据第一知识云图和第二知识云图确定符合需求方的需求的供应方。
191.可选地，根据供应方的第一方案信息构建第一知识云图的操作，包括：确定第一方案信息的第一主题词、第一修饰词以及第一关键词；根据第一方案的第一方案详情确定与第一主题词对应的第一场景类别，根据第一修饰词确定与第一修饰词对应的第一概念类别，根据第一关键词确定与第一关键词对应的第一关键词类别，其中第一场景类别用于指示第一主题词的类别，第一概念类别用于指示第一修饰词的类别；根据第一场景类别、第一概念类别以及第一关键词类别确定第一主题词、第一修饰词以及第一关键词之间的上下级关系，并且根据上下级关系确定第一树模型，其中第一树模型用于指示与供应方的第一方案信息对应的文本标签之间的关系；以及根据第一树模型构建第一知识云图。
192.可选地，根据第一树模型构建第一知识云图的操作，包括：基于第一树模型根据第二主题词、第二修饰词以及第二关键词生成第二树模型，其中第二主题词、第二修饰词以及第二关键词为根据第二方案信息生成的；以及根据第二树模型更新第一知识云图。
193.可选地，基于第一树模型根据第二主题词、第二修饰词以及第二关键词生成第二树模型的操作，包括：确定与第二方案信息对应的第二主题词、第二修饰词以及第二关键词；根据第二方案的第二方案详情确定与第二主题词对应的第二场景类别，根据第二修饰词确定与第二修饰词对应的第二概念类别，根据第二关键词确定与第二关键词对应的第二关键词类别，其中第二场景类别用于指示第二主题词的类别，第二概念类别用于指示第二修饰词的类别；基于第一树模型，根据第二场景类别、第二概念类别以及第二关键词类别确定第二主题词、第二修饰词以及第二关键词之间的上下级关系；根据上下级关系生成第二树模型。
194.可选地，基于第一树模型，根据第二场景类别、第二概念类别以及第二关键词类别确定第二主题词、第二修饰词以及第二关键词之间的上下级关系的操作，包括：将第二场景类别与第一树模型中的第一场景类别进行匹配，确定第二场景类别在第二树模型中的位置；将第二主题词与第一树模型中的第一主题词进行匹配，确定第二主题词在第二树模型中的位置；将第二概念类别与第一树模型中的第一概念类别进行匹配，确定第二概念类别在第二树模型中的位置；将第二修饰词与第一树模型中的第一修饰词进行匹配，确定第二修饰词在第二树模型中的位置；将第二关键词类别与第一树模型中的第一关键词类别进行匹配，确定第二关键词类别在第二树模型中的位置；以及将第二关键词与第一树模型中的第一关键词类别进行匹配，确定第二关键词在第二树模型中的位置。
195.可选地，装置还包括：计算与同一第三主题词关联的第三修饰词的相似度和的平均值，其中第三主题词由第一主题词和第二主题词组成，第三修饰词由第一修饰词和第二修饰词组成；将第三修饰词的相似度和的平均值与预先确定的第一平衡系数进行比较，对第二修饰词进行筛查，其中第一平衡系数为根据第一树模型中的第一修饰词所确定的；计
算与同一第三修饰词关联的第三关键词的相似度和的平均值，其中第三关键词由第一关键词和第二关键词组成；以及将第三关键词的相似度和的平均值与预先确定的第二平衡系数进行比较，对第二关键词进行筛查，其中第二平衡系数为根据第一树模型图中的第一关键词所确定的。
196.可选地，根据需求方提出的需求信息构建第二知识云图的操作，包括：确定需求信息的第四主题词、第四修饰词以及第四关键词；根据需求信息的第四方案详情确定与第四主题词对应的第三场景类别，根据第四修饰词确定与第四修饰词对应的第三概念类别，根据第四关键词确定与第四关键词对应的第三关键词类别，其中第三场景类别用于指示第四主题词的类别，第三概念类别用于指示第四修饰词的类别；根据第三场景类别、第三概念类别以及第三关键词类别确定第四主题词、第四修饰词以及第四关键词之间的上下级关系；根据上下级关系确定第二知识云图。
197.可选地，通过匹配模型根据第一知识云图和第二知识云图确定供应方的操作，包括：通过匹配模型将第一知识云图中的第四场景类别与第二知识云图中的第三场景类别进行匹配，确定与第三场景类别对应的第五场景类别；通过匹配模型将第四主题词与第五场景类别下的第三主题词进行匹配，确定与第四主题词对应的第五主题词；通过匹配模型将第三概念类别与第五主题词下的第四概念类别进行匹配，确定与第三概念类别对应的第五概念类别；通过匹配模型将第四修饰词与第五概念类别下的第三修饰词进行匹配，确定与第四修饰词对应的第五修饰词；通过匹配模型将第三关键词类别与第五修饰词下的第四关键词类别进行匹配，确定与第三关键词类别对应的第五关键词类别；通过匹配模型将第四关键词与第五关键词类别下的第三关键词进行匹配，确定与第四关键词对应的第五关键词；以及通过匹配模型根据第五关键词确定供应方。
198.从而根据本实施例，对供应方的方案信息进行拆分，并根据拆分得到的文本标签生成第一知识云图，以及对需求方的需求信息进行拆分，并根据拆分得到的文本标签生成第二知识云图。之后本技术方案通过匹配模型将第一知识云图和第二知识云图进行匹配。从而本技术方案通过构建知识云图，将供应方的方案信息和需求方的需求信息分别进行管理，使得供应方的多个方案的方案信息以及需求方的需求信息分别能够以多维度的方式进行关联，提高了文本标签的关联性。与现有技术相比，本技术方案在匹配过程中，通过匹配模型将文本标签一一进行匹配，并不仅仅通过相似度进行匹配，提高了匹配的准确度。进而解决了现有技术中存在的需求匹配的准确性差的技术问题。
199.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
200.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
201.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
202.所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。
203.另外，在本发明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。
204.所述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，本发明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，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
205.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。