[發(fā)明專利]知識推薦方法、裝置、計算機設(shè)備及可讀存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202011473041.4
• 申請日: 2020-12-15
• 公開（公告）號: CN112528010B
• 公開（公告）日: 2022-09-02
• 發(fā)明（設(shè)計）人: 李若;尹泓欽;王豪;邵小亮;謝隆飛
• 申請（專利權(quán)）人: 建信金融科技有限責(zé)任公司
• 主分類號: G06F16/335
• 分類號: G06F16/335;G06F16/33;G06F40/289;G06N3/04;G06N3/08
• 代理公司: 北京三友知識產(chǎn)權(quán)代理有限公司 11127
• 代理人: 賈磊;李輝

1.一種知識推薦方法，其特征在于，包括：

接收檢索問題的知識文本；

將所述知識文本輸入知識推薦模型，所述知識推薦模型輸出多個知識以及每個知識對應(yīng)的概率，其中，所述知識推薦模型是以歷史檢索問題的知識文本為樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到的，所述知識推薦模型學(xué)習(xí)樣本中知識之間的關(guān)系特征和使用軌跡特征，概率表示每個知識被檢索的概率；

根據(jù)概率大小從輸出的多個知識中推薦知識；

其中，以歷史檢索問題的知識文本為樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到所述知識推薦模型，包括：

從歷史檢索問題的知識文本中提取屬性特征；

將每個屬性特征和對應(yīng)的知識ID進行向量拼接后輸入長短期記憶網(wǎng)絡(luò)，所述長短期記憶網(wǎng)絡(luò)學(xué)習(xí)屬性特征之間的關(guān)系特征和使用軌跡特征，計算不同屬性特征對應(yīng)知識的概率并輸出，得到所述知識推薦模型。

2.如權(quán)利要求1所述的知識推薦方法，其特征在于，以歷史檢索問題的知識文本為樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到所述知識推薦模型，包括：

從歷史檢索問題的知識文本中提取屬性特征；

將每個屬性特征和對應(yīng)的知識ID進行向量拼接得到屬性特征向量；

對歷史檢索問題的知識文本進行分詞，并將每個分詞映射成向量，得到詞向量；

從所述詞向量中提取知識的內(nèi)容特征向量；

將所述內(nèi)容特征向量和所述屬性特征向量輸入長短期記憶網(wǎng)絡(luò)，所述長短期記憶網(wǎng)絡(luò)學(xué)習(xí)基于所述內(nèi)容特征向量和所述屬性特征向量學(xué)習(xí)知識之間的關(guān)系特征和使用軌跡特征，計算不同知識的概率并輸出，得到所述知識推薦模型。

3.如權(quán)利要求2所述的知識推薦方法，其特征在于，從所述詞向量中提取知識的內(nèi)容特征向量；包括：

將所述詞向量以正向輸入雙向長短期記憶網(wǎng)絡(luò)的前向長短期記憶網(wǎng)絡(luò)中，將所述詞向量以反向輸入所述雙向長短期記憶網(wǎng)絡(luò)的后向長短期記憶網(wǎng)絡(luò)中，所述雙向長短期記憶網(wǎng)絡(luò)輸出從所述詞向量中提取的知識的內(nèi)容特征向量；

將每個屬性特征和對應(yīng)的知識ID進行向量拼接得到屬性特征向量，包括：

將每個屬性特征和對應(yīng)的知識ID進行向量拼接后以正向輸入雙向長短期記憶網(wǎng)絡(luò)的前向長短期記憶網(wǎng)絡(luò)中，將將每個屬性特征和對應(yīng)的知識ID進行向量拼接后以反向輸入所述雙向長短期記憶網(wǎng)絡(luò)的后向長短期記憶網(wǎng)絡(luò)中，所述雙向長短期記憶網(wǎng)絡(luò)輸出所述屬性特征向量。

4.一種知識推薦裝置，其特征在于，包括：

檢索知識接收模塊，用于接收檢索問題的知識文本；

推薦知識預(yù)測模塊，用于將所述知識文本輸入知識推薦模型，所述知識推薦模型輸出多個知識以及每個知識對應(yīng)的概率，其中，所述知識推薦模型是以歷史檢索問題的知識文本為樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到的，所述知識推薦模型學(xué)習(xí)樣本中知識之間的關(guān)系特征和使用軌跡特征，概率表示每個知識被檢索的概率；

知識推薦模塊，用于根據(jù)概率大小從輸出的多個知識中推薦知識；

還包括：

第一模型訓(xùn)練模塊，用于從歷史檢索問題的知識文本中提取屬性特征；將每個屬性特征和對應(yīng)的知識ID進行向量拼接后輸入長短期記憶網(wǎng)絡(luò)，所述長短期記憶網(wǎng)絡(luò)學(xué)習(xí)屬性特征之間的關(guān)系特征和使用軌跡特征，計算不同屬性特征對應(yīng)知識的概率并輸出，得到所述知識推薦模型。

5.如權(quán)利要求4所述的知識推薦裝置，其特征在于，還包括：第二模型訓(xùn)練模塊，包括：

屬性特征提取單元，用于從歷史檢索問題的知識文本中提取屬性特征；

屬性特征向量拼接單元，用于將每個屬性特征和對應(yīng)的知識ID進行向量拼接得到屬性特征向量；

分詞單元，用于對歷史檢索問題的知識文本進行分詞，并將每個分詞映射成向量，得到詞向量；

內(nèi)容特征提取單元，用于從所述詞向量中提取知識的內(nèi)容特征向量；

模型訓(xùn)練單元，用于將所述內(nèi)容特征向量和所述屬性特征向量輸入長短期記憶網(wǎng)絡(luò)，所述長短期記憶網(wǎng)絡(luò)學(xué)習(xí)基于所述內(nèi)容特征向量和所述屬性特征向量學(xué)習(xí)知識之間的關(guān)系特征和使用軌跡特征，計算不同知識的概率并輸出，得到所述知識推薦模型。