[發明專利]一種標準問題推薦方法、裝置、介質和設備

在審

• 申請號: 202011214886.1
• 申請日: 2020-11-04
• 公開（公告）號: CN114443942A
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 劉振宇;林文輝;楊碩;王芳;王亞平
• 申請（專利權）人: 航天信息股份有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/04;G06N3/08
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 萬曉君

1.一種標準問題推薦方法，其特征在于，所述方法包括：

確定指定用戶標識對應的標準問題序列，該標準問題序列由獲取的所述指定用戶標識對應的用戶歷史提問的每個標準問題，按照提問時間順序依次排列每個標準問題的標識得到；

確定所述標準問題序列對應的第一用戶特征向量；

將確定出的所述標準問題序列對應的第一用戶特征向量作為輸入，通過預先訓練出的推薦模型，確定出待推薦的標準問題的標識；

將確定出的待推薦的標準問題的標識對應的標準問題推薦給所述指定用戶標識對應的用戶；

其中，所述推薦模型為將遞歸神經網絡模型與線性模型進行融合獲得的模型。

2.如權利要求1所述的方法，其特征在于，所述方法還包括：

確定所述指定用戶標識對應的用戶屬性信息；

確定所述用戶屬性信息對應的第二用戶特征向量；

將確定出的所述標準問題序列對應的第一用戶特征向量作為輸入，通過預先訓練出的推薦模型，確定出待推薦的標準問題的標識，包括：

將確定出的所述標準問題序列對應的第一用戶特征向量以及所述用戶屬性信息對應的第二用戶特征向量作為輸入，通過預先訓練出的推薦模型，確定出待推薦的標準問題的標識。

3.如權利要求2所述的方法，其特征在于，預先訓練出的推薦模型，確定待推薦的標準問題的標識，包括：

利用線性模型根據所述第一用戶特征向量獲得線性向量，利用遞歸神經網絡模型的隱藏層根據所述第一用戶特征向量獲得遞歸向量；

將所述遞歸向量與所述用戶屬性信息對應的第二用戶特征向量進行合并，獲得合并向量；

根據所述遞歸神經網絡模型對應的邏輯損失函數對所述線性向量和所述合并向量進行邏輯回歸計算，確定出待推薦的標準問題的標識。

4.如權利要求3所述的方法，其特征在于，所述遞歸神經網絡模型為長短期記憶網絡模型。

5.如權利要求3所述的方法，其特征在于，利用線性模型根據所述第一用戶特征向量獲得線性向量，包括：

利用線性模型根據所述第一用戶特征向量，和/或交叉特征向量獲得線性向量，所述交叉特征向量對應的每個交叉特征通過對所述第一用戶特征向量對應的第一用戶特征進行交叉得到。

6.如權利要求5所述的方法，其特征在于，通過以下方式，對所述第一用戶特征向量對應的第一用戶特征X進行交叉得到所述交叉特征向量對應的第k個交叉特征φ_k(X)：

其中，X_i～X_d為選擇的所述第一用戶特征向量對應的d個第一用戶特征；

C_ki表示選擇的d個第一用戶特征中的第i個第一用戶特征，是否參與第k個交叉用戶特征的構造。

7.一種標準問題推薦裝置，其特征在于，所述裝置包括：

采集模塊，用于確定指定用戶標識對應的標準問題序列，該標準問題序列由獲取的所述指定用戶標識對應的用戶歷史提問的每個標準問題，按照提問時間順序依次排列每個標準問題的標識得到；

分析模塊，用于確定所述標準問題序列對應的第一用戶特征向量；

推薦模塊，用于將確定出的所述標準問題序列對應的第一用戶特征向量作為輸入，通過預先訓練出的推薦模型，確定出待推薦的標準問題的標識；將確定出的待推薦的標準問題的標識對應的標準問題推薦給所述指定用戶標識對應的用戶；其中，所述推薦模型為將遞歸神經網絡模型與線性模型進行融合獲得的模型。

8.如權利要求7所述的裝置，其特征在于，所述采集模塊，還用于確定所述指定用戶標識對應的用戶屬性信息；

所述分析模塊，還用于確定所述用戶屬性信息對應的第二用戶特征向量；

所述推薦模塊，將確定出的所述標準問題序列對應的第一用戶特征向量作為輸入，通過預先訓練出的推薦模型，確定出待推薦的標準問題的標識，包括：

將確定出的所述標準問題序列對應的第一用戶特征向量以及所述用戶屬性信息對應的第二用戶特征向量作為輸入，通過預先訓練出的推薦模型，確定出待推薦的標準問題的標識。