文章推荐方法、装置及设备
阅读：365发布：2020-05-14
专利汇可以提供文章推荐方法、装置及设备专利检索，专利查询，专利分析的服务。并且本 申请 公开了一种文章推荐方法、装置及设备，属于计算机 数据处理 技术领域。所述方法包括：根据文章的 密度 将多篇文章聚类，获得至少两个文章类簇；丢弃多个文章类簇中的非热 门 文章类簇，得到至少一个热门文章类簇；从热门文章类簇中提取热门文章类簇对应的热门话题；推荐热门话题以及热门话题对应的热门文章类簇。本申请通过文章的密度将多篇文章聚类，由于在聚类过程中不需要预测多篇文章聚类后的类簇个数，解决了相关技术中通过预测聚类后的类簇个数对多篇文章聚类所带来的聚类不准确的问题，提高了文章聚类的准确度，从而提高了从文章类簇中提取热门话题的准确度，进而提高了文章推荐的准确度。，下面是文章推荐方法、装置及设备专利的具体信息内容。
1.一种文章推荐方法，其特征在于，所述方法包括：
根据文章的密度将多篇文章聚类得到至少两个文章类簇；所述密度代表与所述文章的内容关联度超过第一关联度阈值的其他文章个数，所述文章类簇包含至少一篇文章；
丢弃所述多个文章类簇中的非热门文章类簇，得到至少一个热门文章类簇；所述非热门文章类簇是所述文章类簇中文章数目小于第一数量阈值的文章类簇；
从所述热门文章类簇中提取所述热门文章类簇对应的热门话题；
推荐所述热门话题以及所述热门话题对应的所述热门文章类簇。
2.根据权利要求1所述的方法，其特征在于，所述根据文章的密度将多篇文章聚类得到至少两个文章类簇，包括：
计算所述文章的密度；
根据第i篇文章的密度计算所述第i篇文章的父节点文章，所述第i篇文章的父节点文章是密度大于所述第i篇文章的密度且与所述第i篇文章的内容关联度最高的文章，i≥1；
若所述第i篇文章的密度小于密度阈值或与所述第i篇文章的父节点文章的内容关联度大于第二关联度阈值，则将所述第i文章与所述第i篇文章的父节点文章归为同一文章类簇。
3.根据权利要求2所述的方法，其特征在于，所述计算所述文章的密度，包括：
从所述文章的内容中提取所述文章的特征词；
根据所述特征词计算任意两篇所述文章之间的内容关联度；
根据任意两篇文章之间的内容关联度，计算所述文章的密度。
4.根据权利要求3所述的方法，其特征在于，所述根据所述特征词计算任意两篇所述文章之间的内容关联度，包括：
将所述第i篇文章的第i特征词向量化，得到向量化的第i特征词；
将所述第j篇文章的第j特征词向量化，得到向量化的第j特征词，j≥1；
计算所述向量化的第i特征词和所述向量化的第j特征词之间的余弦值，将所述余弦值作为所述第i篇文章和所述第j篇文章的内容关联度。
5.根据权利要求3或4所述的方法，其特征在于，所述方法还包括：
获取中心文章，所述中心文章是每个所述热门文章类簇中密度最大的文章；
向终端发送所述热门话题中的热门文章的排序信息，所述排序信息用于指示所述终端在所述热门话题下，根据与所述中心文章的内容关联度从大到小的顺序显示所述热门文章，所述热门文章是所述热门文章类簇包含的文章。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：
从所述热门话题中提取关键词；
在追加文章中，获取包含所述关键词的目标追加文章；所述追加文章是发表时间在所述多篇文章之后的文章；
将所述目标追加文章根据所述密度进行聚类得到至少一个观点文章类簇；
从所述观点文章类簇中提取所述观点文章类簇对应的热门观点；
在所述热门话题下推荐至少两篇不同所述热门观点对应的目标追加文章。
7.一种热门新闻推荐方法，其特征在于，所述方法包括：
在显示界面显示热门话题，所述热门话题是热门新闻对应的话题，所述热门新闻是包含新闻个数大于第二数量阈值的新闻类簇中的新闻，所述新闻类簇是根据新闻的密度将至少两篇新闻聚类后获得的；所述密度代表与所述新闻的内容关联度超过第一关联度阈值的其他新闻个数；
接收操作信号，所述操作信号是点击所述热门话题产生的信号；
根据所述操作信号显示所述热门话题对应的所述热门新闻。
8.根据权利要求7所述的方法，其特征在于，所述根据所述操作信号显示所述热门话题对应的所述热门新闻包括：
根据所述操作信号按照与所述热门话题的内容关联度从大到小的顺序显示所述热门新闻；
或，
根据所述操作信号按照发表时间从近到远的顺序显示所述热门新闻。
9.一种文章推荐装置，其特征在于，所述装置包括：
聚类单元，用于根据文章的密度将多篇文章聚类得到至少两个文章类簇；所述密度代表与所述文章的内容关联度超过第一关联度阈值的其他文章个数，所述文章类簇包含至少一篇文章；
处理单元，用于丢弃所述多个文章类簇中的非热门文章类簇，得到至少一个热门文章类簇；所述非热门文章类簇是所述文章类簇中文章数目小于第一数量阈值的文章类簇；
提取单元，用于从所述热门文章类簇中提取所述热门文章类簇对应的热门话题；
所述处理单元，还用于推荐所述热门话题以及所述热门话题对应的所述热门文章类簇。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括计算单元；
所述计算单元，用于计算所述文章的密度；根据第i篇文章的密度计算所述第i篇文章的父节点文章，所述第i篇文章的父节点文章是密度大于所述第i篇文章的密度且与所述第i篇文章的内容关联度最高的文章，i≥1；
所述聚类单元，还用于若所述第i篇文章的密度小于密度阈值且与所述第i篇文章的父节点文章的内容关联度大于第二关联度阈值，则将所述第i文章与所述第i篇文章的父节点文章归为同一文章类簇。
11.根据权利要求10所述的装置，其特征在于，
所述提取单元，还用于从所述文章的内容中提取所述文章的特征词；
所述计算单元，还用于根据所述特征词计算任意两篇所述文章之间的内容关联度；根据任意两篇文章之间的内容关联度，计算所述文章的密度。
12.根据权利要求11所述的装置，其特征在于，
所述处理单元，还用于将所述第i篇文章的第i特征词向量化，得到向量化的第i特征词；将所述第j篇文章的第j特征词向量化，得到向量化的第j特征词，j≥1；
所述计算单元，用于计算所述向量化的第i特征词和所述向量化的第j特征词之间的余弦值，将所述余弦值作为所述第i篇文章和所述第j篇文章的内容关联度。
13.根据权利要求11或12所述的装置，其特征在于，所述装置还包括获取单元和发送单元：
所述获取单元，用于获取中心文章，所述中心文章是每个所述热门文章类簇中密度最大的文章；
所述发送单元，用于向终端发送所述热门话题中的热门文章的排序信息，所述排序信息用于指示所述终端在所述热门话题下，根据与所述中心文章的内容关联度从大到小的顺序显示所述热门文章，所述热门文章是所述热门文章类簇包含的文章。
14.一种文章推荐设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求1至6任一所述的文章推荐方法。
15.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1至6任一所述的文章推荐方法。
文章推荐方法、装置及设备
技术领域
背景技术
[0002] 用户在网络上浏览文章时，通常会持续关注和热门话题相关联的热门文章。
[0003] 相关技术中，热门文章推荐方法为：服务器根据多篇文章预测得到类簇个数K，在将多篇文章归为K个文章类簇中，从每个文章类簇中提取热门话题，将每个文章类簇推荐在对应的热门话题下。
[0004] 由于对多篇文章的聚类需要事先预测聚类后的文章类簇个数，而文章个数是持续性大量更新的，因此当服务器对类簇个数的预测不准确时，会造成文章聚类准确度低，进而导致从文章类簇中提取的热门话题不准确的问题。发明内容
[0005] 本申请实施例提供了一种文章推荐方法、装置及设备，可以解决通过预测文章类簇个数对多篇文章聚类所带来的文章聚类准确度低，从而导致从文章类簇中提取的热门话题不准确的问题。所述技术方案如下：
[0006] 一方面，提供了一种文章推荐方法，所述方法包括：
[0007] 根据内容关联度将多篇文章聚类，获得至少两个文章类簇；所述文章类簇包含至少一篇文章；
[0008] 丢弃所述多个文章类簇中的非热门文章类簇，得到至少一个热门文章类簇；所述非热门文章类簇是所述文章类簇中文章数目小于第一数量阈值的文章类簇；
[0009] 从所述热门文章类簇中提取所述热门文章类簇对应的热门话题；
[0010] 推荐所述热门话题以及所述热门话题对应的所述热门文章类簇。
[0011] 一方面，提供了一种热门新闻推荐方法，所述方法包括：
[0012] 在显示界面显示热门话题，所述热门话题是热门新闻对应的话题，所述热门新闻是包含新闻个数大于第二数量阈值的新闻类簇中的新闻，所述新闻类簇是根据新闻的密度将至少两篇新闻聚类后获得的；所述密度代表与所述新闻的内容关联度超过第一关联度阈值的其他新闻个数；
[0014] 根据所述操作信号显示所述热门话题对应的所述热门新闻。
[0015] 一方面，提供了一种文章推荐装置，所述装置包括：
[0016] 聚类单元，用于根据文章的密度将多篇文章聚类得到至少两个文章类簇；所述密度代表与所述文章的内容关联度超过第一关联度阈值的其他文章个数，所述文章类簇包含至少一篇文章；
[0017] 处理单元，用于丢弃所述多个文章类簇中的非热门文章类簇，得到至少一个热门文章类簇；所述非热门文章类簇是所述文章类簇中文章数目小于第一数量阈值的文章类簇；
[0018] 提取单元，用于从所述热门文章类簇中提取所述热门文章类簇对应的热门话题；
[0019] 所述处理单元，还用于推荐所述热门话题以及所述热门话题对应的所述热门文章类簇。
[0020] 一方面，提供了一种文章推荐设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上述的文章推荐方法。
[0021] 一方面，提供了一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如上述的文章推荐方法。
[0022] 本申请实施例提供的技术方案带来的有益效果是：
[0023] 通过文章的密度将多篇文章聚类，丢弃多个文章类簇中的非热门文章类簇，得到至少一个热门文章类簇；从热门文章类簇中提取热门文章类簇对应的热门话题；推荐热门话题以及热门话题对应的热门文章类簇。由于在聚类过程中不需要预测多篇文章聚类后的类簇个数，解决了相关技术中通过预测聚类后的类簇个数对多篇文章聚类所带来的聚类不准确的问题，提高了文章聚类的准确度，从而提高了从文章类簇中提取热门话题的准确度，进而提高了文章推荐的准确度。附图说明
[0024] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025] 图1是本申请一个示例性的实施例提供的热门话题形成机制；
[0026] 图2是本申请一个示例性的实施例提供的文章推荐方法的方法流程图；
[0027] 图3是本申请另一个示例性的实施例提供的文章推荐方法的方法流程图；
[0028] 图4是本申请另一个示例性的实施例提供的文章推荐方法的方法流程图；
[0029] 图5是本申请一个示例性的实施例提供的热门新闻推荐方法的方法流程图；
[0030] 图6是本申请一个示例性的实施例提供的热门新闻推荐方法的显示界面的框图；
[0031] 图7是本申请另一个示例性的实施例提供的热门新闻推荐方法的显示界面的框图；
[0032] 图8是本申请另一个示例性的实施例提供的文章推荐方法的方法流程图；
[0033] 图9是本申请一个示例性的实施例提供的文章推荐方法的架构图；
[0034] 图10是本申请一个示例性的实施例提供的文章推荐装置的装置框图；
[0035] 图11本申请一个示例性的实施例提供的文章推荐设备的结构框图。
具体实施方式
[0036] 为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
[0037] 请参考图1，其示出了本申请一个示例性的实施例提供的热门话题形成机制。如图1所示，在热门话题形成过程的节点101中，公众号、自媒体或新闻媒体等文章发布者在文章发布平台发表针对某社会事件的相关文章之后，在热门话题形成过程的节点102中获得用户关注，在热门话题形成过程的节点103中，用户在文章发布平台，或社交平台，或网络搜索引擎上针对该社会事件进行持续的评论和搜索，根据用户的评论数和搜索数形成热门话题，再次推动更多的文章发布者从不同角度对该热门话题持续性地发表文章。
[0038] 如图1所示，文章发布平台是获得社会事件最及时的一方，但是文章发布平台不能获取社交平台和网络搜索引擎的数据，与社交平台相比，不能准确及时地获取用户评论转发的数据；和网络搜索引擎相比，不能及时地获取用户检索的数据，因此无法第一时间在发表的文章中预测出热门话题，并针对热门话题对文章进行推荐。
[0039] 在一个示意性的实现方式中，文章发布平台是安装在终端上的客户端，文章推荐设备是文章发布平台对应的服务器。文章作者在终端上通过文章发布平台上传并发表文章，文章推荐设备将用户不断上传的文章存储在文章资源库中，对文章资源库中的文章进行聚类得到文章类簇，从文章类簇中提取热门话题，并向终端发送热门话题及热门话题对应的文章类簇。
[0040] 请参考图2，其示出了本申请一个示例性实施例提供的文章推荐方法的方法流程图，该方法应用于文章推荐设备中，该文章推荐设备可以是服务器，该方法包括：
[0041] 在步骤201中，文章推荐设备根据文章的密度将多篇文章聚类，获得至少两个文章类簇。
[0042] 文章推荐设备根据多篇文章的密度将多篇文章聚类，获得至少两个文章类簇。其中，每个文章类簇中至少包含一篇文章。任意一篇文章的密度代表了与该文章内容的关联度超过第一关联度阈值的其他文章个数，第一关联度阈值是预设的密度参数。
[0043] 文章推荐设备根据内容关联度计算得到文章的密度。内容关联度是任意两篇文章的文章内容之间的关联程度，例如，第一篇文章的内容为A足球俱乐部夺得联赛冠军的相关报道，第二篇文章的内容是A足球俱乐部的主教练X离职的相关报道，根据文章推荐设备预置的算法获得第一篇文章和第二篇文章的内容关联度值，根据该内容关联度值计算出两篇文章的密度，进而判断第一篇文章和第二篇文章是否要聚合为同一文章类簇。
[0044] 文章推荐设备通过根据文章的密度对各个文章进行聚类，得到至少两个文章类簇。
[0045] 在步骤202中，文章推荐设备丢弃多个文章类簇中的非热门文章类簇，得到至少一个热门文章类簇。
[0046] 文章推荐设备在获得了至少两个文章类簇后，将该至少两个文章类簇中的非热门文章类簇丢弃，其中，非热门文章类簇是包含文章数小于第一数量阈值的文章类簇。
[0047] 文章推荐设备通过文章类簇中包含的文章数判断该文章类簇是否为热门文章类簇，其中，第一数量阈值是申请人通过计算或经验得到的数值，当文章类簇包含的文章大于等于该第一数量阈值时，文章推荐设备确定该文章类簇是热门文章类簇；当文章类簇包含的文章小于该数量阈值时，文章推荐设备确定该文章类簇为非热门类簇，将该非热门文章类簇丢弃。
[0048] 在步骤203中，文章推荐设备从热门文章类簇中提取热门文章类簇对应的热门话题。
[0049] 文章推荐设备从获得的热门文章类簇所包含的文章中，获得每一个热门文章类簇对应的热门话题。
[0050] 例如，在一个热门文章类簇中包含两篇文章，第一篇文章的内容为A足球俱乐部夺得联赛冠军的相关报道，第二篇文章的内容是广州恒大足球俱乐部的主教练X离职的相关报道，文章推荐设备通过从第一篇文章和第二篇文章的内容提取该热门文章类簇的热门话题为“A足球俱乐部夺得联赛冠军”。
[0051] 在步骤204中，文章推荐设备推荐热门话题以及热门话题对应的热门文章类簇。
[0052] 文章推荐设备在获得了热门文章类簇以及热门文章类簇对应的热门话题后，推荐热门话题以及每个热门话题对应的热门文章类簇。
[0053] 综上所述，本申请实施例中，文章推荐设备通过文章的密度将多篇文章进行聚类，由于在聚类过程中不需要预测多篇文章聚类后的类簇个数，解决了相关技术中通过预测聚类后的类簇个数对多篇文章聚类所带来的聚类不准确的问题，提高了文章聚类的准确度，从而提高了从文章类簇中提取热门话题的准确度，进而提高了文章推荐的准确度。
[0054] 请参考图3，其示出了本申请一个示例性的实施例提供的文章推荐方法的方法流程图，该方法应用于文章推荐设备中，该文章推荐设备可以是服务器，该方法为图2实施例中步骤201的一种可选的实施方式，该方法包括：
[0055] 在步骤301中，文章推荐设备提取多篇文章的特征词。
[0056] 文章推荐设备从多篇文章的内容中提取每篇文章的特征词。
[0057] 例如，第一篇文章的内容为A足球俱乐部夺得联赛冠军的相关报道，第二篇文章的内容是A足球俱乐部的主教练X离职的相关报道，文章推荐设备从第一篇文章中提取的特征词为“A足球俱乐部”、“联赛冠军”等，从第二篇文章中提取的特征词为“A足球俱乐部”、“主教练X”等。
[0058] 在步骤302中，文章推荐设备根据特征词计算第i篇文章和第j篇文章之间的内容关联度。
[0059] 文章推荐设备根据多篇文章中每篇文章的特征词，计算多篇文章中的第i篇文章和第j篇文章之间的内容关联度，其中，i≥1，j≥1，i≠j。
[0060] 可选的，文章推荐设备通过步骤302a至步骤302c计算第i篇文章和第j篇文章之间的内容关联度。
[0061] 在步骤302a中，文章推荐设备将第i篇文章的第i特征词向量化，得到向量化的第i特征词。
[0062] 文章推荐设备首先构建词汇表，根据第i篇文章的第i特征词在词汇表中的位置将第i特征词向量化，得到向量化的第i特征词。
[0063] 在步骤302b中，文章推荐设备将第j篇文章的第j特征词向量化，得到向量化的第j特征词。
[0064] 文章推荐设备根据第j篇文章的第j特征词在词汇表中的位置将第j特征词向量化，得到向量化的第j特征词。
[0065] 在步骤302c中，文章推荐设备计算向量化的第i特征词和向量化的第j特征词之间的余弦值，将该余弦值作为第i篇文章和第j篇文章的内容关联度。
[0066] 在获得了向量化的第i特征词和向量化的第j特征词后，文章推荐设备计算向量化的第i特征词和向量化的第j特征词之间的余弦值，将该余弦值作为第i篇文章和第j篇文章之间的内容关联度。
[0067] 在步骤303中，文章推荐设备计算第i篇文章的密度。
[0068] 文章推荐设备根据多篇文章中第i篇文章和第j篇文章的内容关联度计算第i篇文章的密度，其中，第i篇文章的密度代表了与第i篇文章的内容关联度超过第一关联度阈值的其他文章个数，第一关联度阈值是预设的密度参数。
[0069] 可选的，文章推荐设备通过以下公式计算第i篇文章的密度：
[0070]
[0071] 其中，rho(i)为第i篇文章的密度，dist(i,j)为第i篇文章和第j篇文章之间的距离，文章之间的距离为1减去文章之间的关联度，关联度越高，距离越近；dc为第一关联度阈值。
[0072] 由上述密度公式不难看出，第j篇文章和第i篇文章的内容关联度越低，第j篇文章对第i篇文章的密度贡献越低。
[0073] 在步骤304中，文章推荐设备根据第i篇文章的密度计算第i篇文章的父节点文章。
[0074] 文章推荐设备根据第i篇文章的密度计算第i篇文章的父节点文章，其中，第i篇文章的父节点文章是密度大于第i篇文章的密度且与第i篇文章关联度最高的文章，第i篇文章为第i篇文章的父节点文章的子节点文章。
[0075] 文章推荐设备在计算了每篇文章的密度后，计算每篇文章的父节点文章，对于第i篇文章，文章推荐设备首先获取高于第i篇文章密度的文章，然后在高于第i篇文章密度的文章中，获取和第i篇文章之间距离最近的文章，该文章即为第i篇文章的父节点文章。
[0076] 可选的，文章推荐设备通过以下公式计算第i篇文章的父节点文章：
[0077]其中，delta(i)为第i篇文章与其父节点文章的内容关联度，father(i)为第i篇文章的父节点文章，j为第j篇文章。
[0078] 在步骤305中，文章推荐设备检测第i篇文章的密度是否大于密度阈值。
[0079] 文章推荐设备检测第i篇的密度是否大于密度阈值，若大于密度阈值，则进入步骤307b；若不大于密度阈值，则进入步骤307a。
[0080] 文章推荐设备需要获取多篇文章中的中心文章，每篇中心文章即为聚类后的文章类簇的引用评述最多的文章。中心文章被定义为密度大于密度阈值，且与其父节点文章的内容关联度小于第二关联度阈值的文章。
[0081] 父节点文章可以理解为该文章内容被其他文章评述，评述该文章内容的文章即为该文章的子节点文章，而中心文章则可以理解为子节点文章较多，且与其父节点的内容关联度较低的文章，中心文章与其父节点文章在本申请实施例中不归为同一文章类簇。
[0082] 在步骤306中，文章推荐设备检测第i篇文章的与第i篇文章的父节点文章的内容关联度是否高于第二关联度阈值。
[0083] 文章推荐设备检测第i篇文章的与第i篇文章的父节点文章的内容关联度是否高于第二关联度阈值，若高于第二关联度阈值，则进入步骤307a；若不高于第二关联度阈值，则进入步骤307b。
[0084] 需要说明的是，步骤305和步骤306的执行顺序不加限定，可先执行步骤305再执行步骤306，或，先执行步骤306再执行步骤305。当文章推荐设备先执行步骤306时，若第i篇文章的与第i篇文章的父节点文章的内容关联度高于第二关联度阈值，则进入步骤305；若不高于第二关联度阈值，则进入步骤307a。
[0085] 在步骤307a中，文章推荐设备将第i篇文章与第i篇文章的父节点文章归为同一文章类簇。
[0086] 当第i篇文章的密度不高于密度阈值，或者，与第i篇文章的父节点文章的内容关联度高于第二关联度阈值时，文章推荐设备将将第i篇文章与第i篇文章的父节点文章归为同一文章类簇。
[0087] 在步骤307b中，文章推荐设备将第i篇文章与第i篇文章的父节点文章不归为同一文章类簇。
[0088] 当第i篇文章的密度高于密度阈值且与第i篇文章的父节点文章的内容关联度低于第二关联度阈值时，文章推荐设备将第i篇文章与第i篇文章的父节点文章不归为同一文章类簇。
[0089] 综上所述，本申请实施例中，通过计算多篇文章中第i篇文章的父节点文章，若第i篇文章不是中心文章，则将第i篇文章与其父节点文章归为同一文章类簇，提高了文章聚类的准确度。
[0090] 由于文章发布者在文章发布平台持续不断地在文章发布平台发表文章，因此文章推荐设备在对多篇文章聚类获得热门话题并推荐热门文章后，还会有追加文章发表在文章发布平台上，文章推荐设备需要从追加文章中获取和热门话题具有关联关系的目标追加文章对热门话题进行填充。
[0091] 请参考图4，其示出了本申请一个示例性的实施例提供的文章推荐方法的方法流程图，该方法应用于文章推荐设备中，该文章推荐设备可以是服务器，该方法可以是图2实施例或图3实施例方法并行的步骤，也可以是图2实施例或图3实施例方法步骤之后的步骤，该方法包括：
[0092] 在步骤401中，文章推荐设备从热门文章类簇中提取关键词。
[0093] 在获取了热门文章类簇后，文章推荐设备从热门文章类簇包含的热门文章中提取关键词。
[0094] 例如，一篇热门文章的内容为针对“A足球俱乐部夺得联赛冠军”这一热门话题进行评述的热门文章，文章推荐设备根据该热门文章类簇中的热门文章提取的关键词为“A足球俱乐部”、“联赛冠军”。
[0095] 在步骤402中，文章推荐设备在追加文章中获取包含关键词的目标追加文章。
[0096] 文章推荐设备在文章发布平台上根据关键词对追加文章进行检索，获得包含关键词的目标追加文章，其中，追加文章是发表在已聚类的文章之后的文章。
[0097] 由于关于热门话题的文章是持续性的，因此在获取了热门话题之后，文章推荐设备提取热门话题中的关键词，对追加文章进行检索，获取追加文章中内容包含关键词的目标追加文章。
[0098] 例如，一篇追加文章的内容为B足球俱乐部在联赛最后一轮战胜A足球俱乐部获得联赛亚军的文章，该文章内容中包含关键词“B足球俱乐部”、“A足球俱乐部”、“联赛亚军”。
[0099] 在步骤403中，文章推荐设备将目标追加文章根据密度进行聚类得到至少一个观点文章类簇。
[0100] 文章推荐设备对内容中包含关键词的目标追加文章根据密度进行聚类得到至少一个观点文章类簇，其中，观点文章类簇是对热门话题的补充。
[0101] 可选的，对内容中包含关键词的文章进行通过图3实施例中的方法进行聚类，得到至少一个观点文章类簇。
[0102] 在步骤404中，文章推荐设备从观点文章类簇中提取观点文章类簇对应的热门观点。
[0103] 文章推荐设备在获得了观点文章类簇后，根据观点文章类簇中包含的目标追加文章提取该观点文章类簇对应的热门观点。
[0104] 例如，在一个观点文章类簇中包含两篇追加文章，第一篇追加文章的内容为B俱乐部下赛季的阵容要强于A足球俱乐部，第二篇追加文章的内容是B足球俱乐部主教练Y将在下个赛季执教A足球俱乐部，文章推荐设备通过提取第一篇和第二篇追加文章的内容，得到该观点文章类簇的热门观点为“A足球俱乐部卫冕之路艰难”。
[0105] 在步骤405中，文章推荐设备在热门话题下推荐至少两篇不同热门观点对应的目标追加文章。
[0106] 文章推荐设备在获得了热门话题对应的观点文章类簇，以及观点文章类簇对应的热门观点后，在热门话题下推荐至少两篇不同热门观点对应的目标追加文章。
[0107] 可选的，文章推荐设备根据关键词建立倒排索引(inverted index)，将内容包含关键词的文章和该关键词建立对应关系，其中，建立索引的文章包括热门文章和追加文章。
[0108] 倒排索引是关键词以及关键词在文章中的位置的对应关系。通过倒排索引，可以根据关键词快速获取包含该关键词的文章列表。倒排索引主要由“关键词词典”和“倒排文章”这两个部分组成，通过关键词词典中的关键词可以快速地查询到该关键词对应的文章。
[0109] 综上所述，本申请实施例中，通过获取追加文章内容中包含热门文章类簇关键词的文章，对包含关键词的目标追加文章进行聚类获取热门观点，在热门话题下推荐至少两篇对应不同热门观点的目标追加文章，对热门话题做了进一步的填充，能够持续性地针对热门话题推荐观点不同的文章，提高了热门话题的关注度。
[0110] 请参考图5，其示出了本申请一个示例性的实施例提供的热门新闻推荐方法的方法流程图，该方法应用于终端中，该终端是包含显示屏的终端，该方法包括：
[0111] 在步骤501中，终端在显示界面显示热门话题。
[0112] 终端在显示界面显示热门话题，其中，热门话题是热门新闻对应的话题，热门新闻是包含新闻个数大于第二数量阈值的新闻类簇中的新闻，新闻类簇是服务器根据新闻的密度将至少两篇新闻聚类后获得的。
[0113] 可选地，所述新闻类簇是服务器计算所述新闻的密度；根据第i篇新闻的密度计算所述第i篇新闻的父节点新闻后，若所述第i篇新闻的密度小于密度阈值或与所述第i篇新闻的父节点新闻的内容关联度大于第二关联度阈值，则将所述第i新闻与所述第i篇新闻的父节点新闻聚类得到的。其中，所述第i篇新闻的父节点新闻是密度大于所述第i篇新闻的密度且与所述第i篇新闻的内容关联度最高的新闻，i≥1。
[0114] 可选的，服务器通过图3实施例中的方法对多篇新闻进行聚类得到新闻类簇。
[0115] 示例性的，如图6所示，终端600在显示界面中显示“F篮球俱乐部三连胜”、“A足球俱乐部夺得联赛冠军”、“中国花样滑冰大奖赛”、“拳手Z第一轮遭淘汰”、“E汽车拉力赛开赛”等热门话题，其中，显示界面是新闻推荐客户端的显示界面，是终端600安装了新闻推荐客户端后，打开新闻推荐客户端显示的界面。
[0116] 在步骤502中，终端接收操作信号。
[0117] 终端接收操作信号后，进入步骤503a或步骤503b，该操作信号可以是操作信号是点击热门话题产生的信号，该操作信号对应一个热门话题。
[0118] 例如，如图6所示，用户点击热门话题“A足球俱乐部夺得联赛冠军”产生操作信号，终端600接收该操作信号。
[0119] 在步骤503a中，终端根据操作信号按照与热门话题的内容关联度从大到小的顺序显示热门新闻。
[0120] 在接收到操作信号后，终端根据操作信号对应的热门话题，按照与热门话题的内容关联度从大到小的顺序显示该热门话题对应的热门新闻。
[0121] 例如，如图6所示，按照与热门话题“A足球俱乐部夺得联赛冠军”内容关联度从大到小的顺序，依次显示新闻“A足球俱乐部夺得联赛冠军”、“曾说B足球俱乐部无敌，A足球俱乐部四大皆空的键盘侠在哪里？”、“B足球俱乐部小胜A足球俱乐部夺得联赛亚军，主教练Y深情告别”、“B足球俱乐部是下个赛季夺冠热门”、“B足球俱乐部教练Y下赛季将执教A足球俱乐部”、“C足球俱乐部联赛降级”。
[0122] 在步骤503b中，终端根据操作信号按照发表时间从后到先的顺序显示热门新闻。
[0123] 在接收到操作信号后，终端根据操作信号对应的热门话题，按照发表时间从近到远的顺序显示该热门话题对应的热门新闻。
[0124] 例如，如图7所示，按照发表时间从近到远的顺序，依次显示新闻“B足球俱乐部教练Y下赛季将执教A足球俱乐部”、“C足球俱乐部联赛降级”、“曾说B足球俱乐部无敌，A足球俱乐部四大皆空的键盘侠在哪里？”、“B足球俱乐部小胜A足球俱乐部夺得联赛亚军，主教练Y深情告别”、“B足球俱乐部是下个赛季夺冠热门”、“A足球俱乐部夺得联赛冠军”。
[0125] 在步骤504中，终端每隔预定时间显示新增热门新闻。
[0126] 终端每隔一个预定时间对热门话题下显示的热门新闻进行刷新，显示新增热门新闻。
[0127] 可选的，服务器通过热门话题对应的热门新闻提取关键词，通过关键词获取包含关键词的新增热门新闻，通过图4实施例的方法对新增加的新闻进行聚类，得到填充新闻类簇，从填充新闻类簇中获得热门观点，每隔预定时间向终端发送至少两篇不同热门观点对应的新增热门新闻。
[0128] 请参考图8，其示出了本申请一个示例性的实施例提供的文章推荐方法的方法流程图，该方法应用于文章推荐设备中，该文章推荐设备可以是服务器，该方法包括：
[0129] 在步骤801中，文章推荐设备提取多篇文章的特征词。
[0130] 文章推荐设备从多篇文章的内容中提取每篇文章的特征词，特征词也叫做文章的标签，文章推荐设备可根据特征词计算文章之间的内容关联度。
[0131] 在步骤802中，文章推荐设备根据特征词计算第i篇文章和第j篇文章之间的内容关联度。
[0132] 文章推荐设备根据多篇文章中每篇文章的特征词，计算多篇文章中的第i篇文章和第j篇文章之间的内容关联度，其中，i≥1，j≥1，i≠j。
[0133] 可选的，文章推荐设备通过步骤802a至步骤802c计算第i篇文章和第j篇文章之间的内容关联度。
[0134] 在步骤802a中，文章推荐设备将第i篇文章的第i特征词向量化，得到向量化的第i特征词。
[0135] 文章推荐设备首先构建词汇表，根据第i篇文章的第i特征词在词汇表中的位置将第i特征词向量化，得到向量化的第i特征词。
[0136] 在步骤802b中，文章推荐设备将第j篇文章的第j特征词向量化，得到向量化的第j特征词。
[0137] 文章推荐设备根据第j篇文章的第j特征词在词汇表中的位置将第j特征词向量化，得到向量化的第j特征词。
[0138] 在步骤802c中，文章推荐设备计算向量化的第i特征词和向量化的第j特征词之间的余弦值，将该余弦值作为第i篇文章和第j篇文章的内容关联度。
[0139] 在获得了向量化的第i特征词和向量化的第j特征词后，文章推荐设备计算向量化的第i特征词和向量化的第j特征词之间的余弦值，将该余弦值作为第i篇文章和第j篇文章之间的内容关联度。
[0140] 在步骤803中，文章推荐设备计算第i篇文章的密度。
[0141] 文章推荐设备根据多篇文章中第i篇文章和第j篇文章的内容关联度计算第i篇文章的密度，其中，第i篇文章的密度代表了与第i篇文章的内容关联度超过第一关联度阈值的其他文章个数，第一关联度阈值是预设的密度参数。
[0142] 可选的，文章推荐设备通过以下公式计算第i篇文章的密度：
[0143]
[0144] 其中，rho(i)为第i篇文章的密度，dist(i,j)为第i篇文章和第j篇文章之间的距离，dc为第一关联度阈值。
[0145] 由上述密度公式不难看出，第j篇文章和第i篇文章的内容关联度越低，第j篇文章对第i篇文章的密度贡献越低。
[0146] 在步骤804中，文章推荐设备根据第i篇文章的密度计算第i篇文章的父节点文章。
[0147] 文章推荐设备根据第i篇文章的密度计算第i篇文章的父节点文章，其中，第i篇文章的父节点文章是密度大于第i篇文章的密度且与第i篇文章关联度最高的文章。
[0148] 文章推荐设备在计算了每篇文章的密度后，获取每篇文章的父节点文章，对于第i篇文章，文章推荐设备首先获取高于第i篇文章密度的文章，然后在高于第i篇文章密度的文章中，获取和第i篇文章之间距离最近的文章，该文章即为第i篇文章的父节点文章。
[0149] 可选的，文章推荐设备通过以下公式计算第i篇文章的父节点文章：
[0150]
[0151] 其中，delta(i)为第i篇文章与其父节点文章的内容关联度，father(i)为第i篇文章的父节点文章，j为第j篇文章。
[0152] 在步骤805中，文章推荐设备检测第i篇文章的密度是否大于密度阈值。
[0153] 文章推荐设备检测第i篇的密度是否大于密度阈值，若大于密度阈值，则进入步骤807b；若不大于密度阈值，则进入步骤807a。
[0154] 文章推荐设备需要获取多篇文章中的中心文章，每篇中心文章即为聚类后的文章类簇的引用评述最多的文章。中心文章被定义为密度大于密度阈值，且与其父节点文章的内容关联度小于第二关联度阈值的文章。
[0155] 在步骤806中，文章推荐设备检测第i篇文章的与第i篇文章的父节点文章的内容关联度是否高于第二关联度阈值。
[0156] 文章推荐设备检测第i篇文章的与第i篇文章的父节点文章的内容关联度是否高于第二关联度阈值，若高于第二关联度阈值，则进入步骤807a；若不高于第二关联度阈值，则进入步骤807b。
[0157] 需要说明的是，步骤805和步骤806的执行顺序不加限定，可先执行步骤805再执行步骤806，或，先执行步骤806再执行步骤805。当先执行步骤806时，若第i篇文章的与第i篇文章的父节点文章的内容关联度高于第二关联度阈值，则进入步骤805；若不高于第二关联度阈值，则进入步骤807a。
[0158] 在步骤807a中，文章推荐设备将第i篇文章与第i篇文章的父节点文章归为同一文章类簇。
[0159] 当第i篇文章的密度不高于密度阈值，或者，与第i篇文章的父节点文章的内容关联度高于第二关联度阈值时，文章推荐设备将将第i篇文章与第i篇文章的父节点文章归为同一文章类簇。
[0160] 在步骤807b中，文章推荐设备将第i篇文章与第i篇文章的父节点文章不归为同一文章类簇。
[0161] 当第i篇文章的密度高于密度阈值，且与第i篇文章的父节点文章的内容关联度低于第二关联度阈值时，文章推荐设备将第i篇文章与第i篇文章的父节点文章不归为同一文章类簇。
[0162] 在步骤808中，文章推荐设备丢弃多个文章类簇中的非热门文章类簇，得到至少一个热门文章类簇。
[0163] 文章推荐设备在获得了至少两个文章类簇后，将该至少两个文章类簇中的非热门文章类簇丢弃，其中，非热门文章类簇是包含文章数小于第一数量阈值的文章类簇。
[0164] 文章推荐设备通过文章类簇中包含的文章数判断该文章类簇是否为热门文章类簇，其中，第一数量阈值是申请人通过计算或经验得到的数值，当文章类簇包含的文章大于等于该第一数量阈值时，文章推荐设备确定该文章类簇是热门文章类簇；当文章类簇包含的文章小于该数量阈值时，文章推荐设备确定该文章类簇为非热门类簇，将该非热门文章类簇丢弃。
[0165] 在步骤809中，文章推荐设备从热门文章类簇中提取关键词。
[0166] 在获取了热门文章类簇后，文章推荐设备从热门文章类簇包含的热门文章中提取关键词。
[0167] 在步骤810中，文章推荐设备在追加文章中获取包含关键词的目标追加文章。
[0168] 文章推荐设备在文章发布平台上根据关键词对追加文章进行检索，获得包含关键词的目标追加文章，其中，追加文章是发表在已聚类的文章之后的文章。
[0169] 由于关于热门话题的文章是持续性的，因此在获取了热门话题之后，文章推荐设备提取热门话题中的关键词，对追加文章进行检索，获取追加文章中内容包含关键词的目标追加文章。
[0170] 在步骤811中，文章推荐设备将目标追加文章根据密度进行聚类得到至少一个观点文章类簇。
[0171] 文章推荐设备对内容中包含关键词的目标追加文章根据密度进行聚类得到至少一个观点文章类簇，其中，观点文章类簇是对热门话题的补充。
[0172] 可选的，对内容中包含关键词的文章进行通过图3实施例中的方法进行聚类，得到至少一个观点文章类簇。
[0173] 在步骤812中，文章推荐设备从观点文章类簇中提取观点文章类簇对应的热门观点。
[0174] 文章推荐设备在获得了观点文章类簇后，根据观点文章类簇中包含的目标追加文章提取该观点文章类簇对应的热门观点。
[0175] 在步骤813中，文章推荐设备在热门话题下推荐至少两篇不同热门观点对应的目标追加文章。
[0176] 文章推荐设备在获得了热门话题对应的观点文章类簇，以及观点文章类簇对应的热门观点后，在热门话题下推荐至少两篇不同热门观点对应的目标追加文章。
[0177] 可选的，文章推荐设备根据关键词建立倒排索引(inverted index)，将内容包含关键词的文章和该关键词建立对应关系，其中，建立索引的文章包括热门文章和追加文章。示例性的，本申请实施例提供的文章推荐方法的架构如图9所示，其包括话题发现流程和话题内容填充流程两个部分。
[0178] 在话题发现流程中：文章发布者通过文章发布平台发表的文章存储于文章推荐设备的文章资源库中，文章推荐设备首先对多篇文章进行预处理，预处理包括但不仅限于将低质量的文章过滤、将文章进行粗略分类、提取文章特征词，然后根据上述步骤801至步骤807b的方法对多篇文章进行聚类，然后根据类簇大小丢弃较小的类簇，较大的类簇即为热门文章类簇，然后从热门文章类簇中获得热门话题以及热门话题中的关键词。
[0179] 在话题内容填充流程中：文章推荐设备根据关键词建立关键词对应的文章的倒排索引，根据关键词在追加文章中检索，获得内容包含关键词的目标追加文章，然后对目标追加文章根据上述步骤801至步骤807b的方法进行聚类，根据获得的观点文章类簇得到热门观点，将至少两篇不同热门观点对应的目标追加文章推荐在对应的热门话题下，作为对热门话题的填充内容。
[0180] 综上所述，本申请实施例中，文章推荐设备通过文章的密度将多篇文章聚类，由于在聚类过程中不需要对预测多篇文章聚类后的类簇个数，解决了相关技术中通过预测聚类后的类簇个数对多篇文章聚类所带来的聚类不准确的问题，提高了文章聚类的准确度，从而提高了从文章类簇中提取热门话题的准确度，进而提高了文章推荐的准确度。
[0181] 进一步的，本申请实施例中，通过获取多篇文章中第i篇文章的父节点文章，若第i篇文章不是中心文章，则将第i篇文章与其父节点文章归为同一文章类簇，提高了文章聚类的准确度。
[0182] 进一步的，本申请实施例中，通过获取追加文章内容中包含热门话题文章类簇关键词的文章，对包含关键词的目标追加文章进行聚类获取热门观点，在热门话题下推荐至少两篇对应不同热门观点的目标追加文章，对热门话题做了进一步的填充，能够持续性地针对热门话题推荐观点不同的文章，提高了热门话题的关注度。
[0183] 请参考图10，其示出了本申请一个示例性的实施例提供的文章推荐装置的装置框图，该装置包括聚类单元1001、处理单元1002、提取单元1003、计算单元1004、获取单元1005以及发送单元1006，其中，计算单元1004、获取单元1005以及发送单元1006为可选的单元。
[0184] 聚类单元1001，用于根据文章的密度将多篇文章聚类得到至少两个文章类簇；密度代表与文章的内容关联度超过第一关联度阈值的其他文章个数，文章类簇包含至少一篇文章。
[0185] 处理单元1002，用于丢弃多个文章类簇中的非热门文章类簇，得到至少一个热门文章类簇；非热门文章类簇是文章类簇中文章数目小于第一数量阈值的文章类簇。
[0186] 提取单元1003，用于从热门文章类簇中提取热门文章类簇对应的热门话题。
[0187] 处理单元1002，还用于推荐热门话题以及热门话题对应的热门文章类簇。
[0188] 在一个可选的实施例中，
[0189] 计算单元1004，用于计算文章的密度；根据第i篇文章的密度计算第i篇文章的父节点文章，第i篇文章的父节点文章是密度大于第i篇文章的密度且与第i篇文章的内容关联度最高的文章，i≥1；
[0190] 聚类单元1001，还用于若第i篇文章的密度小于密度阈值且与第i篇文章的父节点文章的内容关联度大于第二关联度阈值，则将第i文章与第i篇文章的父节点文章归为同一文章类簇。
[0191] 在一个可选的实施例中，
[0192] 提取单元1003，还用于从文章的内容中提取该文章的特征词；
[0193] 计算单元1004，还用于根据特征词计算任意两篇文章之间的内容关联度；根据任意两篇文章之间的内容关联度，计算文章的密度。
[0194] 在一个可选的实施例中，
[0195] 处理单元1002，还用于将第i篇文章的第i特征词向量化，得到向量化的第i特征词；将第j篇文章的第j特征词向量化，得到向量化的第j特征词，j≥1；
[0196] 计算单元1004，用于计算向量化的第i特征词和向量化的第j特征词之间的余弦值，将该余弦值作为第i篇文章和第j篇文章的内容关联度。
[0197] 在一个可选的实施例中：
[0198] 获取单元1005，用于获取中心文章，中心文章是每个热门文章类簇中密度最大的文章；
[0199] 发送单元1006，用于向终端发送热门话题中的热门文章的排序信息，排序信息用于指示终端在热门话题下，根据与中心文章的内容关联度从大到小的顺序显示热门文章，热门文章是热门文章类簇包含的文章。
[0200] 在一个可选的实施例中，
[0201] 提取单元1003，还用于从热门话题中提取关键词；
[0202] 获取单元1005，还用于在追加文章中，获取包含关键词的目标追加文章；追加文章是发表时间在多篇文章之后的文章；
[0203] 聚类单元1001，还用于将目标追加文章根据密度进行聚类得到至少一个观点文章类簇；
[0204] 提取单元1003，还用于从观点文章类簇中提取观点文章类簇对应的热门观点；
[0205] 处理单元1002，还用于在热门话题下推荐至少两篇不同热门观点对应的目标追加文章。
[0207] 处理器1101可以是中央处理器(英文：central processing unit，CPU)，网络处理器(英文：network processor，NP)或者CPU和NP的组合。处理器801还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，ASIC)，可编程逻辑器件(英文：programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，FPGA)，通用阵列逻辑(英文：generic array logic，GAL)或其任意组合。
[0208] 文章推荐设备通过网络接口1103与终端连接，接收文章发布者发表的文章。
[0209] 存储器1102通过总线或其它方式与处理器1101相连，存储器1102中存储有至少一条指令、至少一段程序、代码集或指令集，上述至少一条指令、至少一段程序、代码集或指令集由处理器1101加载并执行以实现如图2、图3、图4或图8的文章推荐方法。存储器1102可以为易失性存储器(英文：volatile memory)，非易失性存储器(英文：non-volatile memory)或者它们的组合。易失性存储器可以为随机存取存储器(英文：random-access memory，RAM)，例如静态随机存取存储器(英文：static random access memory，SRAM)，动态随机存取存储器(英文：dynamic random access memory，DRAM)。非易失性存储器可以为只读存储器(英文：read only memory image，ROM)，例如可编程只读存储器(英文：programmable read only memory，PROM)，可擦除可编程只读存储器(英文：erasable programmable read only memory，EPROM)，电可擦除可编程只读存储器(英文：electrically erasable programmable read-only memory，EEPROM)。非易失性存储器也可以为快闪存储器(英文：flash memory)，磁存储器，例如磁带(英文：magnetic tape)，软盘(英文：floppy disk)，硬盘。非易失性存储器也可以为光盘。
[0210] 本申请还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述方法实施例提供的文章推荐方法。
[0211] 可选地，本申请还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面所述的文章推荐方法。
[0212] 应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，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：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0213] 上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
[0214] 本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 安全储存系统以及用于安全储存的方法 | 2020-05-12 | 529 |
| 毛里塔尼亚海域头足类资源丰度预测方法 | 2020-05-12 | 437 |
| 一种挖掘社区领域专家的方法和装置 | 2020-05-18 | 956 |
| 手机键盘的英语字母排列 | 2020-05-12 | 390 |
| 控制“SIP呼叫转移”功能特征的方法 | 2020-05-12 | 72 |
| 人体内生长激素变异的检测方法、该变异及其应用 | 2020-05-13 | 477 |
| 一种文章生成的方法和装置 | 2020-05-11 | 611 |
| 基于元结构技术的全局引文推荐方法、推荐系统 | 2020-05-17 | 216 |
| 一种适合中文打字习惯的键盘 | 2020-05-14 | 218 |
| 一种基于压电式传感器的机动车速度检测装置 | 2020-05-14 | 785 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈