[發(fā)明專利]信息推送的方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202011275803.X
• 申請(qǐng)日: 2020-11-16
• 公開(kāi)（公告）號(hào): CN112380331A
• 公開(kāi)（公告）日: 2021-02-19
• 發(fā)明（設(shè)計(jì)）人: 劉丹;蔣思宏;邱立坤;鄒波
• 申請(qǐng)（專利權(quán)）人: 北京京東尚科信息技術(shù)有限公司;北京京東世紀(jì)貿(mào)易有限公司
• 主分類號(hào): G06F16/332
• 分類號(hào): G06F16/332;G06F40/289;G06K9/62;G06N20/00;G06Q30/02
• 代理公司: 北京英賽嘉華知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11204
• 代理人: 王達(dá)佐;馬曉亞

本公開(kāi)的實(shí)施例公開(kāi)了信息推送的方法和裝置。該方法的一具體實(shí)施方式包括：響應(yīng)于接收到文本輸入指令，獲取輸入的文本；將文本輸入預(yù)先訓(xùn)練的意圖識(shí)別模型，預(yù)測(cè)出文本的意圖標(biāo)簽；基于文本和文本的意圖標(biāo)簽，從預(yù)先構(gòu)建的語(yǔ)料庫(kù)中檢索出預(yù)設(shè)數(shù)量的候選語(yǔ)料，語(yǔ)料庫(kù)中預(yù)存有標(biāo)記了意圖標(biāo)簽的語(yǔ)料，候選語(yǔ)料的意圖標(biāo)簽與文本的意圖標(biāo)簽匹配，且候選語(yǔ)料的文本特征與文本的文本特征相似；基于預(yù)設(shè)策略，對(duì)各候選語(yǔ)料排序，生成推薦語(yǔ)料列表；推送推薦語(yǔ)料列表。基于用戶輸入的文本預(yù)測(cè)出用戶的意圖，然后基于用戶的意圖和輸入的文本從語(yǔ)料庫(kù)中確定出候選語(yǔ)料，可以確保候選語(yǔ)料與用戶意圖的契合度更高，從而提高了推送信息的針對(duì)性。

技術(shù)領(lǐng)域

本公開(kāi)的實(shí)施例涉及計(jì)算機(jī)技術(shù)領(lǐng)域，具體涉及機(jī)器學(xué)習(xí)領(lǐng)域，尤其涉及一種信息推送的方法和裝置。

背景技術(shù)

目前，query(查詢，通常指用戶在搜索引擎或?qū)υ捪到y(tǒng)中輸入的完整文本)自動(dòng)補(bǔ)全常用于現(xiàn)代搜索引擎中，目的是輔助用戶輸入query，提升用戶體驗(yàn)，避免輸入拼寫(xiě)錯(cuò)誤或表述模糊的query。隨著商業(yè)對(duì)話系統(tǒng)(例如購(gòu)物網(wǎng)站中用戶與客服的對(duì)話系統(tǒng))的興起，query自動(dòng)補(bǔ)全算法被引入到了商業(yè)對(duì)話系統(tǒng)中。

相關(guān)技術(shù)中，query補(bǔ)全算法通常是在用戶輸入query過(guò)程中，基于用戶輸入的prefix(前綴，指用戶尚未輸入完成、處于中間狀態(tài)的文本，通常為query的一部分)預(yù)測(cè)完整的query，然后按照相關(guān)性排序后推薦給用戶。

發(fā)明內(nèi)容

本公開(kāi)的實(shí)施例提出了信息推送的方法和裝置。

第一方面，本公開(kāi)的實(shí)施例提供了一種信息推送的方法，該方法包括：響應(yīng)于接收到文本輸入指令，獲取輸入的文本；將文本輸入預(yù)先訓(xùn)練的意圖識(shí)別模型，預(yù)測(cè)出文本的意圖標(biāo)簽；基于文本和文本的意圖標(biāo)簽，從預(yù)先構(gòu)建的語(yǔ)料庫(kù)中檢索出預(yù)設(shè)數(shù)量的候選語(yǔ)料，語(yǔ)料庫(kù)中預(yù)存有標(biāo)記了意圖標(biāo)簽的語(yǔ)料，候選語(yǔ)料的意圖標(biāo)簽與文本的意圖標(biāo)簽匹配，且候選語(yǔ)料的文本特征與文本的文本特征相似；基于預(yù)設(shè)策略，對(duì)各候選語(yǔ)料排序，生成推薦語(yǔ)料列表；推送推薦語(yǔ)料列表。

在一些實(shí)施例中，將文本輸入預(yù)先訓(xùn)練的意圖識(shí)別模型，預(yù)測(cè)出文本的意圖標(biāo)簽，包括：對(duì)文本切詞，得到文本的詞集合；確定詞集合中的每個(gè)詞與各意圖標(biāo)簽之間的互信息，得到每個(gè)詞的互信息特征向量；基于詞集合中的各個(gè)詞的互信息特征向量，生成文本的互信息特征矩陣；將互信息特征矩陣，輸入預(yù)先構(gòu)建的意圖分類模型，估計(jì)出文本對(duì)應(yīng)的各意圖標(biāo)簽的置信度；將置信度大于預(yù)設(shè)置信度閾值的意圖標(biāo)簽，確定為文本的意圖標(biāo)簽。

在一些實(shí)施例中，將文本輸入預(yù)先訓(xùn)練的意圖識(shí)別模型，預(yù)測(cè)出文本的意圖標(biāo)簽，還包括：響應(yīng)于文本所在的當(dāng)前對(duì)話記錄中存在輸入時(shí)間早于該文本的其他對(duì)話文本，將對(duì)話記錄中輸入時(shí)間最接近文本的對(duì)話文本確定為第一對(duì)話文本，并確定出第一對(duì)話文本的意圖標(biāo)簽與各意圖標(biāo)簽之間的轉(zhuǎn)移概率；基于轉(zhuǎn)移概率，生成文本的意圖標(biāo)簽轉(zhuǎn)移特征向量；以及，將互信息特征矩陣和意圖標(biāo)簽轉(zhuǎn)移特征向量，輸入意圖分類模型，估計(jì)出文本對(duì)應(yīng)的各意圖標(biāo)簽的置信度。

在一些實(shí)施例中，意圖分類模型經(jīng)由如下步驟訓(xùn)練得到：獲取樣本對(duì)話記錄，樣本對(duì)話記錄中包括按照輸入時(shí)間排序的多個(gè)樣本對(duì)話文本；確定各樣本對(duì)話文本的意圖標(biāo)簽；從每個(gè)樣本對(duì)話文本的起始文字向后提取出預(yù)設(shè)長(zhǎng)度的字符串，作為樣本文本；基于樣本文本對(duì)應(yīng)的樣本對(duì)話文本的意圖標(biāo)簽，標(biāo)記樣本文本；對(duì)樣本文本進(jìn)行切詞，并確定樣本文本的樣本互信息特征向量；若樣本文本所在的樣本對(duì)話記錄中存在輸入時(shí)間早于該樣本文本的其他樣本對(duì)話文本，則確定出該樣本文本的樣本意圖標(biāo)簽轉(zhuǎn)移特征向量；若樣本文本所在的樣本對(duì)話記錄中不存在輸入時(shí)間早于該樣本文本的其他樣本對(duì)話文本，則將該樣本文本的樣本意圖標(biāo)簽轉(zhuǎn)移向量確定為零；將樣本文本的樣本互信息特征向量和樣本意圖標(biāo)簽轉(zhuǎn)移特征向量輸入預(yù)先構(gòu)建的初始意圖分類模型，將樣本文本標(biāo)記的意圖標(biāo)簽作為期望輸出，訓(xùn)練初始意圖分類模型，得到訓(xùn)練后的意圖分類模型。