[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

本發明涉及一種標準問題推薦方法、裝置、介質和設備。根據本發明實施例提供的方案，可以根據獲取的指定用戶歷史曾經提問的每個標準問題對應的標準問題序列，利用預先訓練出的將遞歸神經網絡模型與線性模型進行融合獲得的推薦模型，確定出針對指定用戶的待推薦的標準問題的標識，進而將對應的標準問題推薦給指定用戶。從而可以通過將遞歸神經網絡模型與線性模型進行融合獲得的推薦模型，對用戶下一步可能提問的標準問題進行快速準確預測，實現標準問題的快速準確推薦。

技術領域

本發明涉及人工智能技術領域，特別涉及一種標準問題推薦方法、裝置、介質和設備。

背景技術

本部分旨在為權利要求書中陳述的本發明的實施方式提供背景或上下文。此處的描述不因為包括在本部分中就承認是現有技術。

智能問答系統是通過規范的問答庫，從而支撐各種形式問題的答復的系統。智能問答系統在答復過程中，需要將用戶提問的各種形式的問題轉換為標準問題，從而在問答庫中針對標準問題查找答案進行答復。

為了減少標準問題轉換過程，減輕系統負荷，目前的智能問答系統中，可以進行標準問題推薦，以便于直接根據用戶選擇出的標準問題，從問答庫中查找答案進行答復。

但是目前的智能問答標準問題推薦方案，均存在這樣那樣的問題，難以快速準確地進行標準問題推薦。

例如，基于內容的推薦方法根據用戶已問問題進行相似問題推薦，很難挖掘出用戶下一步的提問意圖，標準問題推薦不夠準確。又如，基于協同過濾的推薦方法中，用戶數量越大，計算問題相似度的算法越復雜，不僅難以保證標準問題推薦的及時性，且難以保證標準問題推薦的準確性。再如，基于知識的推薦方法知識構建的過程復雜，復用性差，也難以保證標準問題推薦的快速性和準確性。

因此，亟需提供一種可以快速準確地進行標準問題推薦的方案。

發明內容

本發明實施例提供一種標準問題推薦方法、裝置、介質和設備，用于解決無法快速準確地進行標準問題推薦的問題。

第一方面，本發明提供了一種標準問題推薦方法，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。

可選的，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。

可選的，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；