组保留的标签 余下为需要删除的标签
unset($oldtag[$key]);
}
}
}
if (!empty($oldtag)) {
$tagids = array();
foreach ($oldtag as $tagid => $tagname) {
$tagids[] = $tagid;
}
well_oldtag_delete($tagids, $tid);
}
$r = well_tag_process($tid, $fid, $create_tag, $tagarr);
return $r;
}
// 删除标签和绑定的主题
function well_oldtag_delete($tagids, $tid)
{
$pagesize = count($tagids);
$arrlist = well_tag_find_by_tagids($tagids, 1, $pagesize);
$delete_tagids = array(); // 删除
$tagids = array();
$n = 0;
foreach ($arrlist as $val) {
++$n;
if (1 == $val['count']) {
// 只有一个主题
$delete_tagids[] = $val['tagid'];
} else {
$tagids[] = $val['tagid'];
}
}
!empty($delete_tagids) and well_tag_delete($delete_tagids);
$arlist = well_tag_thread_find_by_tid($tid, 1, $n);
if ($arlist) {
$ids = array();
foreach ($arlist as $val) $ids[] = $val['id'];
well_tag_thread_delete($ids);
}
!empty($tagids) and well_tag_update($tagids, array('count-' => 1));
}
// 标签数据处理 $arr=新提交的数组 $tagarr=保留的旧标签
function well_tag_process($tid, $fid, $new_tags = array(), $tagarr = array())
{
if (empty($tid)) return '';
// 新标签处理入库
if ($new_tags) {
$threadarr = array();
$tagids = array();
$i = 0;
$size = 5;
$n = count($tagarr);
$n = $n > $size ? $size : $size - $n;
foreach ($new_tags as $name) {
++$i;
$name = trim($name);
$name = stripslashes($name);
$name = strip_tags($name);
$name = str_replace(array(' ', '#', "@", "$", "%", "^", '&', '·', '<', '>', ';', '`', '~', '!', '¥', '……', ';', '?', '?', '-', '—', '_', '=', '+', '.', '{', '}', '|', ':', ':', '、', '/', '。', '[', ']', '【', '】', '‘', ' ', ' ', ' ', ' ', ' '), '', $name);
$name = htmlspecialchars($name, ENT_QUOTES);
if ($name && $i <= $n) {
// 查询标签
$read = well_tag_read_name($name);
if ($read) {
// 存在 count+1
$tagids[] = $read['tagid'];
} else {
// 入库
$arr = array('name' => $name, 'count' => 1);
$tagid = well_tag_create($arr);
FALSE === $tagid and message(-1, lang('create_failed'));
$read = array('tagid' => $tagid, 'name' => $name);
}
$tag_thread = array('tagid' => $read['tagid'], 'tid' => $tid);
$threadarr[] = $tag_thread;
$tagarr[$read['tagid']] = $read['name'];
}
}
!empty($threadarr) and tag_thread_big_insert($threadarr);
!empty($tagids) and well_tag_update($tagids, array('count+' => 1));
}
$json = empty($tagarr) ? '' : xn_json_encode($tagarr);
return $json;
}
?> $v = implode(",", $v);
$temp[] = $v;
}
// 去掉重复的字符串,也就是重复的一维数组
$temp = array_unique($temp);
// 再将拆开的数组重新组装
$output = array();
foreach ($temp as $k => $v) {
if ($stkeep) $k = $starr[$k];
if ($ndformat) {
$temparr = explode(",", $v);
foreach ($temparr as $ndkey => $ndval) $output[$k][$ndarr[$ndkey]] = $ndval;
} else $output[$k] = explode(",", $v);
}
return $output;
}
// 合并二维数组 如重复 值以第一个数组值为准
function array2_merge($array1, $array2, $key = '')
{
if (empty($array1) || empty($array2)) return NULL;
$arr = array();
foreach ($array1 as $k => $v) {
isset($v[$key]) ? $arr[$v[$key]] = array_merge($v, $array2[$k]) : $arr[] = array_merge($v, $array2[$k]);
}
return $arr;
}
/*
* 对二维数组排序 两个数组必须有一个相同的键值
* $array1 需要排序数组
* $array2 按照该数组key排序
* */
function array2_sort_key($array1, $array2, $key = '')
{
if (empty($array1) || empty($array2)) return NULL;
$arr = array();
foreach ($array2 as $k => $v) {
if (isset($v[$key]) && $v[$key] == $array1[$v[$key]][$key]) {
$arr[$v[$key]] = $array1[$v[$key]];
} else {
$arr[] = $v;
}
}
return $arr;
}
?>
论文-《Making Personalized Recommendation through Conversation: Architecture Design and Recommendation》编程频道|福州电脑网
论文-《Making Personalized Recommendation through Conversation: Architecture Design and Recommendation》
编程之家540
更新时间:2026-04-03 20:26:19
题目
Making Personalized Recommendation through Conversation:
Architecture Design and Recommendation Methods
简介
论文旨在分享使用对话系统实现个性化推荐系统的总体架构的构建和设计的以下方面。首先,本文介绍架构设计以及各个组件及其工作流程。其次,介绍了从对话系统中提取用户意图和偏好的方法,以及通过网络对话用户界面的设计去解释如何将它们与意图目的的特征相匹配进行推荐
why
虽然今天的对话平台提供了基本的对话功能,如自然语言理解、实体提取和简单的对话管理,但在开发实际应用程序以支持使用对话系统的复杂用例方面仍然存在挑战。在本文中,我们强调了这样的挑战,并分享了本文在开发结合了个性化推荐系统和对话系统的休闲旅游购物应用中学到的一些相关知识。其中包括对话设计、用户意图提取、对话系统和分析系统之间的交互以及动态用户界面设计
what
通过表单了解用户的偏好是有一定的限制,本文开发了一个基于网络的对话应用程序,而提供个性化的旅行推荐。对话系统是用户交互的主要界面,通过理解用户的话语和意图,在适当的时候提供目的地推荐。然而,用户也可以与交互界面交互,以修改他们的偏好,或者与推荐的结果交互。此外,对话日志进一步的分析,还可以得到用户见解或用户满意度
how
-
Conversation services and templates
本文在该部分设置了Context variables,以适应Entity的变化
首先使用自然语言分类来确定用户正在采取的行动类型,例如,“我想去一个有历史建筑的地方”被分类为目的地请求,而“给我看看从芝加哥到巴黎的航班”被分类为航班请求。
然后使用关键字matching从这些地方提取Entity,如历史建筑、芝加哥和巴黎,对话管理器收集特定请求类型所需的所有首选项时,例如航班请求的始发地、目的地、出发日期和返回日期,它会向后端发出信号,根据当前的首选项集查找信息或提出建议。对话服务本质上是将用户所说的翻译成一个可由后端操作的查询。
-
Conversation-Web user interface
这部分主要介绍了对话系统和推荐的交互界面
-
Service integration engine
本文的应用程序不是一个独立的对话系统,所以架构中组件之间的通信对于在应用程序中实现期望的特性非常重要。因此,在设计和构建服务集成引擎时,必须全面考虑许多因素,如可扩展性、弹性和通信带宽
-
Personalized Recommendation
随着新型数据源的出现,已经开发并提出了各种类型的个性化推荐。我们相信对话系统是一个新的平台,可以产生另一种新的数据源
-
Personalized Recommendation
在本节中,本文提供了处理非结构化数据以构建目的地特征、了解用户偏好以及最终生成基于内容的个性化推荐系统的精确步骤
-
Content-based recommendation and semantic mapping
基于内容的推荐系统使用两个向量之间的余弦相似度,一个来自用户的偏好,另一个来自目的地的属性,来根据用户的口味推荐目的地
Conclusion
本文介绍了开发与对话系统交互的推荐系统的整体架构,介绍了各个组件在架构中的作用,同时分享了构建过程中的步骤和面临的问题
本文发布于:2025-08-08,感谢您对本站的认可!
版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。
本文标签:论文PersonalizedmakingRecommendationArchitecture
发布评论