[發(fā)明專利]基于機器學(xué)習(xí)的問題推薦方法及裝置

在審

• 申請?zhí)枺?/td>: 202110340033.0
• 申請日: 2021-03-30
• 公開（公告）號: CN112883185A
• 公開（公告）日: 2021-06-01
• 發(fā)明（設(shè)計）人: 劉唱;劉金山;梁侃;楊潔瓊
• 申請（專利權(quán)）人: 中國工商銀行股份有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06N20/00
• 代理公司: 北京三友知識產(chǎn)權(quán)代理有限公司 11127
• 代理人: 任默聞;王濤

1.一種基于機器學(xué)習(xí)的問題推薦方法，其特征在于，包括：

獲取文本問題，根據(jù)所述文本問題生成當前詞向量；

將所述當前詞向量輸入基于歷史詞向量創(chuàng)建的問題推薦模型中，得到各推薦單詞和各推薦單詞的推薦概率；

根據(jù)預(yù)設(shè)語法結(jié)構(gòu)、各推薦單詞和各推薦單詞的推薦概率確定問題推薦文本。

2.根據(jù)權(quán)利要求1所述的基于機器學(xué)習(xí)的問題推薦方法，其特征在于，根據(jù)預(yù)設(shè)語法結(jié)構(gòu)、各推薦單詞和各推薦單詞的推薦概率確定問題推薦文本包括：

根據(jù)預(yù)設(shè)語法結(jié)構(gòu)和各推薦單詞合成待推薦文本；

根據(jù)各推薦單詞的推薦概率確定待推薦文本的推薦概率；

根據(jù)所述待推薦文本的推薦概率從待推薦文本中選擇問題推薦文本。

3.根據(jù)權(quán)利要求1所述的基于機器學(xué)習(xí)的問題推薦方法，其特征在于，基于歷史詞向量創(chuàng)建問題推薦模型包括：

確定歷史問題中歷史詞向量的各特征；

執(zhí)行如下迭代處理：

根據(jù)歷史問題中歷史詞向量的各特征和各特征的特征權(quán)重確定訓(xùn)練集中各歷史詞向量的推薦概率；

根據(jù)訓(xùn)練集中各歷史詞向量的推薦概率與對應(yīng)的各實際詞向量確定損失函數(shù)；

當所述損失函數(shù)小于或等于預(yù)設(shè)損失函數(shù)閾值時，根據(jù)各特征的特征權(quán)重創(chuàng)建所述問題推薦模型，否則根據(jù)所述損失函數(shù)更新各特征的特征權(quán)重，繼續(xù)執(zhí)行所述迭代處理。

4.根據(jù)權(quán)利要求3所述的基于機器學(xué)習(xí)的問題推薦方法，其特征在于，所述特征包括：訓(xùn)練集概率特征、用戶咨詢概率特征、業(yè)務(wù)咨詢概率特征、業(yè)務(wù)階段概率特征和關(guān)聯(lián)特征；

確定歷史問題中歷史詞向量的各特征包括：

確定各歷史詞向量在所述訓(xùn)練集的出現(xiàn)概率為各歷史詞向量的訓(xùn)練集概率特征；

確定各歷史詞向量在各用戶咨詢歷史的出現(xiàn)概率為各歷史詞向量的用戶咨詢概率特征；

確定各歷史詞向量在各業(yè)務(wù)咨詢歷史的出現(xiàn)概率為各歷史詞向量的業(yè)務(wù)咨詢概率特征；

確定各歷史詞向量在各業(yè)務(wù)階段的出現(xiàn)概率為各歷史詞向量的業(yè)務(wù)階段概率特征；

根據(jù)各歷史詞向量之間的共現(xiàn)概率和順序標記確定各歷史詞向量的關(guān)聯(lián)特征。

5.一種基于機器學(xué)習(xí)的問題推薦裝置，其特征在于，包括：

詞向量生成模塊，用于獲取文本問題，根據(jù)所述文本問題生成當前詞向量；

推薦單詞概率模塊，用于將所述當前詞向量輸入基于歷史詞向量創(chuàng)建的問題推薦模型中，得到各推薦單詞和各推薦單詞的推薦概率；

問題推薦文本模塊，用于根據(jù)預(yù)設(shè)語法結(jié)構(gòu)、各推薦單詞和各推薦單詞的推薦概率確定問題推薦文本。

6.根據(jù)權(quán)利要求5所述的基于機器學(xué)習(xí)的問題推薦裝置，其特征在于，問題推薦文本模塊包括：

待推薦文本合成單元，用于根據(jù)預(yù)設(shè)語法結(jié)構(gòu)和各推薦單詞合成待推薦文本；

文本推薦概率單元，用于根據(jù)各推薦單詞的推薦概率確定待推薦文本的推薦概率；

問題推薦文本單元，用于根據(jù)所述待推薦文本的推薦概率從待推薦文本中選擇問題推薦文本。

7.根據(jù)權(quán)利要求5所述的基于機器學(xué)習(xí)的問題推薦裝置，其特征在于，還包括：

特征確定模塊，用于確定歷史問題中歷史詞向量的各特征；

問題推薦模型創(chuàng)建模塊，用于執(zhí)行如下迭代處理：

根據(jù)歷史問題中歷史詞向量的各特征和各特征的特征權(quán)重確定訓(xùn)練集中各歷史詞向量的推薦概率；

根據(jù)訓(xùn)練集中各歷史詞向量的推薦概率與對應(yīng)的各實際詞向量確定損失函數(shù)；

當所述損失函數(shù)小于或等于預(yù)設(shè)損失函數(shù)閾值時，根據(jù)各特征的特征權(quán)重創(chuàng)建所述問題推薦模型，否則根據(jù)所述損失函數(shù)更新各特征的特征權(quán)重，繼續(xù)執(zhí)行所述迭代處理。