[发明专利]基于知识图谱的用户动态个性化画像方法

权利要求书

1.一种基于知识图谱的用户动态个性化画像方法，其特征在于，包括：

实时采集所要画像用户的用户数据；

将所述用户数据输入命名实体识别模型以获取所述用户数据中的实体和相应的实体关系；

基于知识融合技术对所述实体进行数据归类，得到所述用户多维的行为数据；

针对所述行为数据进行字段筛选后构建面向用户画像的知识图谱；

将所述知识图谱中实体采用词向量表示，在词向量空间中计算词语之间的欧式距离；

根据所述欧式距离确定所述知识图谱中语义相近的实体以及词语与所述实体之间的相关性，根据所述相关性构建用户行为标签表；

根据实时采集数据的迭代处理更新所述用户行为标签表，并构建所述用户的动态个性化画像。

2.根据权利要求1所述的基于知识图谱的用户动态个性化画像方法，其特征在于，所述实时采集所要画像用户的用户数据具体包括：

通过数据抓取工具针对所述用户的多终端、多系统和多领域数据进行实时动态抓取。

3.根据权利要求1所述的基于知识图谱的用户动态个性化画像方法，其特征在于，所述将所述用户数据输入命名实体识别模型以获取所述用户数据中的实体和相应的实体关系具体包括：

将所述用户数据输入基于深度学习的命名实体识别模型中；

所述命名实体识别模型对所述用户数据进行实体识别和关系抽取，得到所述用户数据中的实体和相应实体之间的实体关系。

4.根据权利要求1所述的基于知识图谱的用户动态个性化画像方法，其特征在于，所述基于知识融合技术对所述实体进行数据归类得到所述用户多维的行为数据具体包括：

采用基于跨模态共享子空间学习理论的知识融合技术对所述命名实体识别模型获取得到的所述实体进行分类，得到多维度的实体分类作为所述用户的行为数据。

5.根据权利要求1所述的基于知识图谱的用户动态个性化画像方法，其特征在于，所述将所述知识图谱中实体采用词向量表示，在词向量空间中计算词语之间的欧式距离具体包括：

利用深度语义模型将所述知识图谱中的实体采用词向量进行表示，形成词向量空间；

利用知识图谱的实体之间的语义相似性和逻辑相关性，在所述词向量空间中计算相关词语之间的欧式距离。

6.根据权利要求1所述的基于知识图谱的用户动态个性化画像方法，其特征在于，所述根据所述欧式距离确定所述知识图谱中语义相近的实体以及词语与所述实体之间的相关性，根据所述相关性构建用户行为标签表具体包括：

根据所述欧式距离在所述知识图谱中得到通过需求词泛化得到的词语表示语义相近的实体；

利用向量相似性计算得到该实体与标签语义相近的标签，并构建用户行为标签表。

7.根据权利要求1所述的基于知识图谱的用户动态个性化画像方法，其特征在于，所述根据实时采集数据的迭代处理更新所述用户行为标签表并构建所述用户的动态个性化画像具体包括：

根据实时采集到的数据，对所述用户的行为数据进行更新；

根据更新的行为数据更新所述知识图谱；

根据更新后的所述知识图谱更新所述用户行为标签表；

根据更新后的用户行为标签表，构建所述用户的动态个性化画像。

8.根据权利要求1所述的基于知识图谱的用户动态个性化画像方法，其特征在于，所述动态个性化画像中的特征标签根据出现频率以预设方式进行突出显示，所述预设方式包括增大该特征标签显示字号、以不同颜色突出显示该特征标签、将该特征标签显示于动态个性化图像中心区域或该特征标签与其他标签之间的密度小于普通标签之间的密度。