[發(fā)明專利]文本推薦方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011462527.8
• 申請(qǐng)日: 2020-12-14
• 公開（公告）號(hào): CN112231485B
• 公開（公告）日: 2021-03-26
• 發(fā)明（設(shè)計(jì)）人: 楊德杰;孫銀波;葉聆音
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06F16/35
• 分類號(hào): G06F16/35;G06F16/33;G06F40/126;G06N3/08
• 代理公司: 深圳市賽恩倍吉知識(shí)產(chǎn)權(quán)代理有限公司 44334
• 代理人: 楊毅玲;劉麗華

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，提供一種文本推薦方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)，包括：將每個(gè)文本輸入預(yù)訓(xùn)練模型中進(jìn)行編碼得到每個(gè)文本的多個(gè)語句向量；基于注意力機(jī)制融合每個(gè)文本的多個(gè)語句向量和語義向量得到每個(gè)文本的文本向量；計(jì)算每個(gè)文本的獨(dú)熱編碼并基于每個(gè)文本的文本向量及獨(dú)熱編碼訓(xùn)練文本主題分類模型，通過文本主題分類模型輸出文本主題矩陣，文本主題矩陣中的每行向量對(duì)應(yīng)一個(gè)主題向量；根據(jù)每個(gè)文本的文本向量及對(duì)應(yīng)的主題向量和獲取的用戶的閱讀習(xí)慣向量生成文本特征；基于多個(gè)文本特征訓(xùn)練XGBOOST得到文本推薦模型；根據(jù)文本推薦模型輸出的文本閱讀概率矩陣為用戶推薦文本。本發(fā)明能夠提高文本推薦的精準(zhǔn)度。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，具體涉及一種文本推薦方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

在教育培訓(xùn)場(chǎng)景中，用戶生產(chǎn)內(nèi)容（user generated content，UGC）是代理人課程的重要生產(chǎn)方式之一，對(duì)增加課程供給、提升培訓(xùn)效果有積極作用。目前的UGC創(chuàng)作存在內(nèi)容分散、質(zhì)量層次不齊等問題，如何高效和完備的挖掘文本內(nèi)容信息就成為一個(gè)重要課題。

發(fā)明人在實(shí)現(xiàn)本發(fā)明的過程中發(fā)現(xiàn)，現(xiàn)有技術(shù)主要通過結(jié)合代理人的閱讀習(xí)慣和文本語義進(jìn)行個(gè)性化的課程推送，或者結(jié)合代理人的閱讀習(xí)慣和主題語義進(jìn)行個(gè)性化的課程推送，但并未涉及到將文本語義和主題語義有機(jī)的結(jié)合在一起并嵌入到高維的向量空間。而當(dāng)給定每篇文本的主題分類后，無法將主題語義與文本語義融合起來并直接獲得主題語義，且同主題之間的文本與不同主題之間的文本的語義差別也無法體現(xiàn)出來。

因此，需要提供一種融合文本語義和主題語義進(jìn)行文本推送的方案。

發(fā)明內(nèi)容

鑒于以上內(nèi)容，有必要提出一種文本推薦方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)，能夠提高文本推薦的準(zhǔn)確度。

本發(fā)明的第一方面提供一種文本推薦方法，所述方法包括：

獲取多個(gè)文本，并將每個(gè)文本輸入預(yù)訓(xùn)練模型中進(jìn)行編碼，得到每個(gè)文本的多個(gè)語句向量；

基于注意力機(jī)制融合每個(gè)文本的多個(gè)語句向量和語義向量得到每個(gè)文本的文本向量；

計(jì)算每個(gè)文本的獨(dú)熱編碼并基于每個(gè)文本的文本向量及獨(dú)熱編碼訓(xùn)練文本主題分類模型，并通過所述文本主題分類模型輸出文本主題矩陣，其中，所述文本主題矩陣中的每行向量對(duì)應(yīng)一個(gè)主題向量；

獲取用戶的閱讀習(xí)慣向量，并根據(jù)每個(gè)文本的文本向量及對(duì)應(yīng)的主題向量和所述閱讀習(xí)慣向量生成文本特征；

基于多個(gè)所述文本特征訓(xùn)練XGBOOST，得到文本推薦模型；

根據(jù)所述文本推薦模型輸出的文本閱讀概率矩陣為所述用戶推薦文本。

在一個(gè)可選的實(shí)施例中，所述基于注意力機(jī)制融合每個(gè)文本的多個(gè)語句向量和語義向量得到每個(gè)文本的文本向量包括：

采用如下公式基于注意力機(jī)制計(jì)算每個(gè)文本的每個(gè)語句向量與對(duì)應(yīng)文本的語義向量之間的匹配度，，為隨機(jī)初始化的一個(gè)對(duì)角矩陣；為隨機(jī)初始化的文本的語義向量，為對(duì)應(yīng)文本的第個(gè)語句的語句向量，為匹配度；

采用如下公式根據(jù)所述匹配度計(jì)算每個(gè)文本的每個(gè)語句向量的語句權(quán)重，，表示第個(gè)語句在整個(gè)文本中的語句權(quán)重，為文本的總數(shù)目；

采用如下公式根據(jù)每個(gè)文本的每個(gè)語句向量的語句權(quán)重計(jì)算每個(gè)文本的文本向量，，表示文本向量。

在一個(gè)可選的實(shí)施例中，所述計(jì)算每個(gè)文本的獨(dú)熱編碼包括：

獲取每個(gè)文本對(duì)應(yīng)的真實(shí)文本主題；

為每個(gè)真實(shí)文本主題生成真實(shí)文本主題標(biāo)簽；

計(jì)算所述真實(shí)文本主題標(biāo)簽的數(shù)量；

根據(jù)所述數(shù)量生成N位狀態(tài)寄存器；