CN107526809B - 基于人工智能推送音乐的方法和装置 - Google Patents

Abstract

本申请实施例公开了基于人工智能推送音乐的方法和装置。方法的一具体实施方式包括：采用字典树服务模板解析用户查询，获取预定字段的值；基于同义词表，获取对应预定字段的值的同义数据集；基于同义数据集，从解析词典中确定推荐解析模板；推送对应推荐解析模板的音乐。该实施方式提高了对用户的多样性表达的识别能力。

Description

基于人工智能推送音乐的方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及计算机网络技术领域，尤其涉及基于人工智能推送音乐的方法和装置。

背景技术

人工智能(Artificial Intelligence，简称AI)技术的快速发展为人们的日常工作和生活提供了便利。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能越来越多地融入到应用中，结合人工智能的应用可以准确地确定出信息的种类，并按照不同用户的需求将不同种类的信息推送给相应的用户。

随着人工智能的飞速发展，如何让机器能拥有和人类一样的智能，成了无数企业希望做到的事情。在这个背景下，我们希望机器能够在识别用户的音乐需求度时，识别结果更为准确，并且可以识别用户更为多样化的表达方式。

目前，在识别用户的音乐需求度时，无需复杂的操作，只需对着音响(或其他智能终端)用自然的语言说出自己的音乐需求度，音响就自动播放了。实际上，基于语音交互的音乐体验不仅适用于居家场景，还适用于不方便看屏幕、用手操作的车载场景。语音场景下的音乐需求度识别，依赖于语音识别的准确度和对自然文字的理解能力。现有技术中对自然文字的理解能力，采取关键字匹配技术实现对用户需求的识别。

然而，现有技术中在识别用户的音乐需求度时，采取关键字匹配技术实现对用户需求的识别，可以识别的用户需求较少，并且识别结果的精准性较差。

发明内容

本申请的目的在于提出一种改进的基于人工智能推送音乐的方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种基于人工智能推送音乐的方法，方法包括：采用字典树服务模板解析用户查询，获取预定字段的值；基于同义词表，获取对应预定字段的值的同义数据集；基于同义数据集，从解析词典中确定推荐解析模板；推送对应推荐解析模板的音乐。

在一些实施例中，基于同义数据集，从解析词典中确定推荐解析模板包括：响应于从解析词典中获取命中同义数据集的解析模板集合，基于推荐规则，从解析模板集合中，确定推荐解析模板。

在一些实施例中，基于推荐规则，从解析模板集合中，确定推荐解析模板包括：基于过滤规则和推荐规则，从解析模板集合中，确定推荐解析模板。

在一些实施例中，过滤规则包括以下一项或多项：过滤解析模板集合中词的音乐需求度低于阈值的解析模板；采用必需过滤名单过滤解析模板集合中的解析模板；禁止过滤解析模板集合中位于禁止过滤名单中的解析模板。

在一些实施例中，推荐规则包括以下一项或多项：基于权重规则确定解析模板集合中各解析模板的权重，将权重最高的解析模板作为推荐解析模板；将解析模板集合中词频最高的解析模板作为推荐解析模板；基于深度学习的分类技术，从解析模板集合中确定推荐解析模板。

在一些实施例中，方法还包括：响应于从解析词典中未能获取命中同义数据集的解析模板，解析用户查询，得到分词；基于分词、预先确定的词与语义向量的对应关系和基于长短期记忆的循环神经网络编码器，将不同长度的用户查询编码成为固定长度的当前语义向量；基于当前语义向量，在对应解析模板的查询的预定语义向量中执行最近邻搜索，得到与当前语义向量最相似的预定语义向量；将最相似的预定语义向量对应的解析模板，确定为推荐解析模板。

在一些实施例中，基于同义数据集，从解析词典中确定推荐解析模板包括：从用户会话中查询当前查询的前置查询和前置意图；基于同义数据集、前置查询和前置意图，从解析词典中确定推荐解析模板。

在一些实施例中，解析词典根据以下一个或多个音乐解析库确定：基于搜索引擎或音乐平台的知识图谱音乐库构建的音乐解析库；基于影音信息网站的影音信息构建的电影、电视剧和综艺的音乐解析库；以及基于百科网站以及各垂直类网站构建的地区、语言、乐器、戏曲、心情和音乐榜的音乐解析库。

在一些实施例中，字典树服务模板包括：根据历史查询记录归纳得到的预定字段。

在一些实施例中，解析模板包括：根据具有相同模式的用户查询归纳得到的预定字段和辅助字段。

第二方面，本申请实施例提供了一种基于人工智能推送音乐的装置，装置包括：字段值获取单元，用于采用字典树服务模板解析用户查询，获取预定字段的值；同义数据获取单元，用于基于同义词表，获取对应预定字段的值的同义数据集；推荐模板确定单元，用于基于同义数据集，从解析词典中确定推荐解析模板；音乐推送单元，用于推送对应推荐解析模板的音乐。

在一些实施例中，推荐模板确定单元进一步用于：响应于从解析词典中获取命中同义数据集的解析模板集合，基于推荐规则，从解析模板集合中，确定推荐解析模板。

在一些实施例中，推荐模板确定单元进一步用于：基于过滤规则和推荐规则，从解析模板集合中，确定推荐解析模板。

在一些实施例中，推荐模板确定单元中的过滤规则包括以下一项或多项：过滤解析模板集合中词的音乐需求度低于阈值的解析模板；采用必需过滤名单过滤解析模板集合中的解析模板；禁止过滤解析模板集合中位于禁止过滤名单中的解析模板。

在一些实施例中，推荐模板确定单元中的推荐规则包括以下一项或多项：基于权重规则确定解析模板集合中各解析模板的权重，将权重最高的解析模板作为推荐解析模板；将解析模板集合中词频最高的解析模板作为推荐解析模板；基于深度学习的分类技术，从解析模板集合中确定推荐解析模板。

在一些实施例中，装置还包括：分词解析单元，用于响应于从解析词典中未能获取命中同义数据集的解析模板，解析用户查询，得到分词；当前向量编码单元，用于基于分词、预先确定的词与语义向量的对应关系和基于长短期记忆的循环神经网络编码器，将不同长度的用户查询编码成为固定长度的当前语义向量；预定向量确定单元，基于当前语义向量，在对应解析模板的查询的预定语义向量中执行最近邻搜索，得到与当前语义向量最相似的预定语义向量；解析模板确定单元，用于将最相似的预定语义向量对应的解析模板，确定为推荐解析模板。

在一些实施例中，推荐模板确定单元进一步用于：从用户会话中查询当前查询的前置查询和前置意图；基于同义数据集、前置查询和前置意图，从解析词典中确定推荐解析模板。

在一些实施例中，推荐模板确定单元中的解析词典根据以下一个或多个音乐解析库确定：基于搜索引擎或音乐平台的知识图谱音乐库构建的音乐解析库；基于影音信息网站的影音信息构建的电影、电视剧和综艺的音乐解析库；以及基于百科网站以及各垂直类网站构建的地区、语言、乐器、戏曲、心情和音乐榜的音乐解析库。

在一些实施例中，字段值获取单元中的字典树服务模板包括：根据历史查询记录归纳得到的预定字段。

在一些实施例中，推荐模板确定单元中的解析模板包括：根据具有相同模式的用户查询归纳得到的预定字段和辅助字段。

第三方面，本申请实施例提供了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任意一项基于人工智能推送音乐的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上任意一项基于人工智能推送音乐的方法。

本申请实施例提供的基于人工智能推送音乐的方法和装置，首先采用字典树服务模板解析用户查询，获取预定字段的值；之后，基于同义词表，获取对应预定字段的值的同义数据集；之后，基于同义数据集，从解析词典中确定推荐解析模板；之后，推送对应推荐解析模板的音乐。在这里，提高了对用户的多样性表达的识别能力。

在部分实施例中，可以从用户会话中查询当前查询的前置查询和前置意图，之后基于前置查询、前置意图，从解析词典中确定推荐解析模板，从而根据当前查询的前置查询和前置意图来确定用户兴趣，并进一步进行推送，使得推送的音乐更为符合用户的兴趣习惯，优化了推送的音乐的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是根据本申请的基于人工智能推送音乐的方法的一个实施例的示意性流程图；

图2是根据本申请的基于人工智能推送音乐的方法的另一个实施例的示意性流程图；

图3是根据本申请实施例的基于人工智能推送音乐的方法的一个应用场景的示意性流程图；

图4是根据本申请的基于人工智能推送音乐的装置的一个实施例的示例性结构图；

图5是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了根据本申请的基于人工智能推送音乐的方法的一个实施例的流程100。该基于人工智能推送音乐的方法包括：

在步骤110中，采用字典树服务模板解析用户查询，获取预定字段的值。

在本实施例中，用户表达的同类查询(query)通常符合某种模式，将具有相同模式的查询归纳起来，就变成了一种模板的形式。采用模板来描述用户需求，具有比较强的可控性且准确率高。

运行基于人工智能推送音乐的方法的电子设备，采用字典树服务来对用户查询进行解析，可以得到预定字段的值。也即，字典树服务模板包括用于表达用户需求的预定字段，这里的预定字段可以根据用户查询归纳得到。例如，预定字段可以包括以下一项或多项：歌曲名、歌手名、作词、作曲、专辑、标签、语言、地区、歌词、发行时间、发行公司、电影、电视剧、综艺、戏曲、乐器、音乐榜、心情等。

这里的字典树，又称单词查找树，是哈希树的变种。典型应用是用于统计，排序和保存大量的字符串(但不仅限于字符串)，所以经常被搜索引擎系统用于文本词频统计。它的优点是：利用字符串的公共前缀来减少查询时间，最大限度地减少无谓的字符串比较，查询效率高于哈希树。这里的字典树服务模板，可以包括根据历史查询记录归纳得到预定字段。

在一个具体地例子中，在字典树服务中建立了丰富的解析模板后，对于用户查询“我要听周杰伦的中国风的歌”，可以采用字典树服务模板对其进行解析，提取得到以下字段的值：歌手-AAA；需求关键词-我要听；标签-中国风；类型-歌曲。其中，歌手、需求关键词、标签和类型，分别为模板中的预定字段，AAA、我要听、中国风和歌曲，分别为对应预定字段歌手、需求关键词、标签和类型的值。

在步骤120中，基于同义词表，获取对应预定字段的值的同义数据集。

在本实施例中，对于同一语义，用户采用的表达方式可能不同，对此，可以基于预先定义的同义词词表，将不同的表达方式进行归一处理。例如，同样是想听悲伤的歌，用户说的可能是：我要听悲伤的歌、给我来几首难过的时候听的歌、我不开心给我放歌等，对此，可以基于预先定义的同义词词表，将悲伤、难过、不开心进行归一处理。

在步骤130中，基于同义数据集，从解析词典中确定推荐解析模板。

在本实施例中，在解析词典中，可以构建辅助字段以及模板来覆盖用户的多样化表达。例如，构建对于电影、电视剧、综艺的形容词字段：在、里、唱的等作为辅助字段，用于解析如“BB在我是歌手中唱的歌”；构建对于专辑的形容词字段：里、专辑、在等作为辅助字段，用于解析如“在CCC里的歌”；构建对于歌手的形容词字段：唱的、和、合唱等作为辅助字段，用于解析如“AAA和DD合唱的歌”；构建对于标签的形容词字段：适合、听的、时听等作为辅助字段，用于解析如“适合开车时听的歌”。

这里的解析词典，可以根据现有技术中或未来发展的技术中的音乐解析库来确定，本申请对此不做限定。这些音乐解析库，可以为已有的音乐解析库，也可以为构建的音乐解析库。例如，解析词典可以根据以下一个或多个音乐解析库确定：基于搜索引擎或音乐平台的知识图谱音乐库构建的音乐解析库(知识图谱音乐库可以包括以下一个或多个预定字段：歌曲名、歌手名、歌词、作曲者、作词者、发行时间、专辑名、标签和发行公司)；基于影音信息网站的影音信息构建的电影、电视剧和综艺的音乐解析库(可以包括以下一个或多个预定字段：电影名、电视剧名和综艺名)；以及基于百科网站以及各垂直类网站构建的地区、语言、乐器、戏曲、心情和音乐榜的音乐解析库(可以包括以下一个或多个预定字段：地区、语言、戏曲、乐器、音乐榜和心情)。

在这里，基于同义数据集，从解析词典中确定的解析模板，可以为单个，也可以为多个。当基于同义数据集从解析词典中确定的解析模板为单个时，直接将其作为推荐解析模板即可。当基于同义数据集从解析词典中确定的解析模板为多个时，可以采用推荐规则来从多个推荐解析模板中筛选出推荐解析模板。也即响应于从解析词典中获取命中同义数据集的解析模板集合，基于推荐规则从解析模板集合中确定推荐解析模板。这里的解析模板，可以包括根据具有相同模式的用户查询归纳得到的预定字段和辅助字段。

在基于推荐规则从解析模板集合中确定推荐解析模板时，可以直接根据推荐规则从解析模板集合中确定推荐解析模板，还可以基于过滤规则和推荐规则，从解析模板集合中，确定推荐解析模板。

这里的过滤规则，可以由本领域技术人员根据解析模板中出现的词是否需要过滤来设定。例如，过滤规则可以包括以下一项或多项：过滤解析模板集合中词的音乐需求度低于阈值的解析模板；采用必需过滤名单过滤解析模板集合中的解析模板；禁止过滤解析模板集合中位于禁止过滤名单中的解析模板。在这里，当必需过滤名单和禁止过滤名单发生冲突时，可以按照预先约定的优先级来确定哪一个过滤名单优先。例如，若禁止过滤名单的优先级更高，那么存在于禁止过滤名单中的解析模板即使存在于必需过滤名单中，也不可以被过滤掉。

当上述的过滤规则包括多项时，可以按照预定的优先级依次采用过滤规则中的各项来过滤解析模板。例如，可以首先过滤解析模板集合中词的音乐需求度低于阈值的解析模板；之后，可以禁止过滤解析模板集合中位于禁止过滤名单中的解析模板；之后，可以采用必需过滤名单过滤解析模板集合中的解析模板。

这里的推荐规则，可以由本领域技术人员根据解析模板中的希望推荐的内容来设定。例如，推荐规则可以包括：基于预设的权重规则，确定解析模板集合中各解析模板的权重，将权重最高的解析模板作为推荐解析模板，示例性地，可以设定能模板越复杂权重越高。备选地或附加地，推荐规则可以包括：将解析模板集合中词频最高的解析模板作为推荐解析模板，示例性地，“民谣”是标签字段的高频词，而在作词者字段不属于高频词，则对于“民谣”标签优先于作词者。备选地或附加地，推荐规则可以包括：基于深度学习的分类技术，从解析模板集合中确定推荐解析模板，示例性地，可以采用快速文本分类器(Fasttext)进行查询的意图分类。Fasttext是脸书(Facebook)开源的深度学习工具，基于丰富的语料用词向量模型(CBOW)的思路来做分本分类。我们利用Fasttext的分本分类来在多个模板命中时，做意图识别。

当上述的推荐规则包括多项时，可以按照预定的优先级依次采用推荐规则中的各项来确定推荐解析模板。例如，可以首先基于预设的权重规则，确定解析模板集合中各解析模板的权重，将权重最高的解析模板作为推荐解析模板；之后，若此时的推荐解析模板为多个，可以进一步将多个推荐解析模板中词频最高的解析模板作为推荐解析模板；之后，若此时的推荐解析模板仍为多个，还可以进一步基于深度学习的分类技术，从解析模板集合中确定推荐解析模板。

在本实施例的一些可选实现方式中，基于同义数据集，从解析词典中确定推荐解析模板可以包括：从用户会话中查询当前查询的前置查询和前置意图；基于同义数据集、前置查询和前置意图，从解析词典中确定推荐解析模板。

在本实现方式中，建立了每个用户的会话(session)，记录每个查询的前置查询和前置意图，在意图识别时根据前置意图做不同的区分。例如：

用户：你都会唱什么歌？

回答：我会华语流行歌曲和民谣等等很多，你要听什么歌曲呢？

用户：都不要。

回答：好的，请问你还想听什么呢？

用户：什么都不要。

回答：好的，那我先休息啦，有空再找我玩耍哦。

建立每个用户的session，保存一个session内该用户的所有已经解析出来的意图，当遇到用户的泛需求(没有明确指定，比如只有说要听歌但没说听什么歌)或正负反馈时，判断是否有记录到用户对预定字段的需求(如前面是否有说要挺某个风格或某个歌手的)，结合已经记录的字段的值判断用户的真实需求，从而具备多轮解析能力，可以基于用户的上下文查询理解用户需求。

在步骤140中，推送对应推荐解析模板的音乐。

在本实施例中，基于步骤130中得到的推荐解析模板，可以确定用户需求的音乐的预定字段以及辅助字段，从而向用户推送满足用户需求的对应推荐解析模板的音乐。

本申请的上述实施例提供的基于人工智能推送音乐的方法，可以提高对用户的多样性表达的识别能力。在本实施例的一些可选实现方式中，基于人工智能推送音乐的方法具备多轮解析能力，可以基于用户的上下文查询理解用户需求。

进一步地，请参考图2，图2示出了根据本申请的基于人工智能推送音乐的方法的另一个实施例的示意性流程。

如图2所示，该基于人工智能推送音乐的方法200包括：

在步骤210中，采用字典树服务模板解析用户查询，获取预定字段的值。

在本实施例中，用户表达的同类查询通常符合某种模式，把具有相同模式的查询归纳起来，就变成了一种模板的形式。使用模板来描述用户需求，具有比较强的可控性且准确率高。例如，采用基于字典树服务来对用户查询进行解析，可以得到预定字段的值。

在步骤220中，基于同义词表，获取对应预定字段的值的同义数据集。

在本实施例中，对于同一语义，用户采用的表达方式可能不同，对此，可以基于预先定义的同义词词表，将不同的表达方式进行归一处理。例如，同样是想听悲伤的歌，用户说的可能是：我要听悲伤的歌、给我来几首难过的时候听的歌、我不开心给我放歌等，对此，可以基于预先定义的同义词词表，将悲伤、难过、不开心进行归一处理。

在步骤230中，基于同义数据集，从解析词典中确定推荐解析模板。

在本实施例中，在解析词典中，可以构建辅助字段以及模板来覆盖用户的多样化表达。例如，构建对于电影、电视剧、综艺的形容词字段：在、里、唱的等，用于解析如“BB在我是歌手中唱的歌”；构建对于专辑的形容词字段：里、专辑、在等，用于解析如“在CCC里的歌”；构建对于歌手的形容词字段：唱的、和、合唱等，用于解析如“AAA和DD合唱的歌”；构建对于标签的形容词字段：适合、听的、时听等，用于解析如“适合开车时听的歌”。

在步骤240中，推送对应推荐解析模板的音乐。

在本实施例中，基于步骤130中得到的推荐解析模板，可以确定用户需求的音乐的预定字段以及辅助字段，从而向用户推送满足用户需求的对应推荐解析模板的音乐。

应当理解，上述的步骤210至步骤240，分别与上述图1中的步骤110至步骤140相对应，由此，上文针对图1中步骤110至步骤140描述的操作和特征同样适用于上述的步骤210至步骤240，在此不再赘述。

在步骤250中，响应于从解析词典中未能获取命中同义数据集的解析模板，解析用户查询，得到分词。

在本实施例中，由于多样化表达(同一个需求有多种不同的表达)以及语音场景下的口语化表述(参杂各种语气词、冗余词等，如：嗯嗯那就帮我播放一首XX游戏的歌吧谢谢)，此时基于规则和模板来解析和分析查询很难做到完全覆盖，更多的长尾需求需要语义匹配的技术。这里的解析用户查询的方法，为现有技术或未来发展的技术中的分词方法，本申请对此不做限定。

在步骤260中，基于分词、预先确定的词与语义向量的对应关系和基于长短期记忆的循环神经网络编码器，将不同长度的用户查询编码成为固定长度的当前语义向量。

在本实施例中，可以预先采用现有技术中或未来发展的技术中的语义向量训练方法，训练语料并得到每个词的语义向量，也即得到预先确定的词与语义向量的对应关系。之后，基于步骤250中得到的分词、该词与语义向量的对应关系，可以采用基于长短期记忆的循环神经网络编码器(LSTM Encoder，Long-Short Term Memory Encoder)，将不同长度的用户查询编码成为固定长度的当前语义向量。

在步骤270中，基于当前语义向量，在对应解析模板的查询的预定语义向量中执行最近邻搜索，得到与当前语义向量最相似的预定语义向量。

在本实施例中，预先构建了候选查询库，库内的所有查询都是基于规则和模板能解析的。对于用户表达的需求，在采用基于长短期记忆的循环神经网络编码器得到其语义向量后，使用该语义相对对候选查询库内的所有查询的语义向量(也即对应解析模板的查询的预定语义向量)做最近邻搜索，找到候选查询中与其语义最相似的查询，而这个查询则是规则的、模板能解析的。

在步骤280中，将最相似的预定语义向量对应的解析模板，确定为推荐解析模板。

在本实施例中，在步骤270中得到与当前语义向量最相似的预定语义向量之后，可以将最相似的预定语义向量对应的解析模板，确定为推荐解析模板。

本申请上述实施例提供的基于人工智能推送音乐的方法，提高了判定用户多样化表达的准确率，从而提高了推送音乐的准确率。

以下结合图3，描述本申请实施例的基于人工智能推送音乐的方法的示例性应用场景。

如图3所示，图3示出了根据本申请实施例的基于人工智能推送音乐的方法的一个应用场景的示意性流程图。

如图3所示，本申请实施例的基于人工智能推送音乐的方法300，运行于电子设备320中。

首先，对于当前接收的用户查询301，采用字典树服务模板302解析用户查询301，获取预定字段的值303；之后，基于同义词表304，获取对应预定字段的值303的同义数据集305；之后，基于同义数据集305，从解析词典306中确定推荐解析模板307；响应于从解析词典306中未能获取命中同义数据集的解析模板，解析用户查询301，得到分词309；基于分词309、预先确定的词与语义向量的对应关系310和基于长短期记忆的循环神经网络编码器311，将不同长度的用户查询301编码成为固定长度的当前语义向量312；之后，基于当前语义向量312，在对应解析模板的查询的预定语义向量中执行最近邻搜索，得到与当前语义向量312最相似的预定语义向量313；将最相似的预定语义向量对应的解析模板，确定为推荐解析模板307；推送对应推荐解析模板307的音乐。

本申请的上述应用场景中提供的基于人工智能推送音乐的方法，能够解析识别用户的多样化表达，提升了推送的音乐的准确性和针对性。

进一步参考图4，作为对上述方法的实现，本申请实施例提供了一种基于人工智能推送音乐的装置的一个实施例，该基于人工智能推送音乐的装置的实施例与图1至图3所示的基于人工智能推送音乐的方法的实施例相对应，由此，上文针对图1至图3中基于人工智能推送音乐的方法描述的操作和特征同样适用于基于人工智能推送音乐的装置400及其中包含的单元，在此不再赘述。

如图4所示，该基于人工智能推送音乐的装置400包括：字段值获取单元410，用于采用字典树服务模板解析用户查询，获取预定字段的值；同义数据获取单元420，用于基于同义词表，获取对应预定字段的值的同义数据集；推荐模板确定单元430，用于基于同义数据集，从解析词典中确定推荐解析模板；音乐推送单元440，用于推送对应推荐解析模板的音乐。

在本实施例的一些可选实现方式中，推荐模板确定单元430进一步用于：响应于从解析词典中获取命中同义数据集的解析模板集合，基于推荐规则，从解析模板集合中，确定推荐解析模板。

在本实施例的一些可选实现方式中，推荐模板确定单元430进一步用于：基于过滤规则和推荐规则，从解析模板集合中，确定推荐解析模板。

在本实施例的一些可选实现方式中，推荐模板确定单元430中的过滤规则包括以下一项或多项：过滤解析模板集合中词的音乐需求度低于阈值的解析模板；采用必需过滤名单过滤解析模板集合中的解析模板；禁止过滤解析模板集合中位于禁止过滤名单中的解析模板。

在本实施例的一些可选实现方式中，推荐模板确定单元430中的推荐规则包括以下一项或多项：基于权重规则确定解析模板集合中各解析模板的权重，将权重最高的解析模板作为推荐解析模板；将解析模板集合中词频最高的解析模板作为推荐解析模板；基于深度学习的分类技术，从解析模板集合中确定推荐解析模板。

在本实施例的一些可选实现方式中，装置还包括：分词解析单元450，用于响应于从解析词典中未能获取命中同义数据集的解析模板，解析用户查询，得到分词；当前向量编码单元460，用于基于分词、预先确定的词与语义向量的对应关系和基于长短期记忆的循环神经网络编码器，将不同长度的用户查询编码成为固定长度的当前语义向量；预定向量确定单元470，基于当前语义向量，在对应解析模板的查询的预定语义向量中执行最近邻搜索，得到与当前语义向量最相似的预定语义向量；解析模板确定单元480，用于将最相似的预定语义向量对应的解析模板，确定为推荐解析模板。

在本实施例的一些可选实现方式中，推荐模板确定单元430进一步用于：从用户会话中查询当前查询的前置查询和前置意图；基于同义数据集、前置查询和前置意图，从解析词典中确定推荐解析模板。

在本实施例的一些可选实现方式中，推荐模板确定单元430中的解析词典根据以下一个或多个音乐解析库确定：基于搜索引擎或音乐平台的知识图谱音乐库构建的音乐解析库；基于影音信息网站的影音信息构建的电影、电视剧和综艺的音乐解析库；以及基于百科网站以及各垂直类网站构建的地区、语言、乐器、戏曲、心情和音乐榜的音乐解析库。

在本实施例的一些可选实现方式中，字段值获取单元410中的字典树服务模板包括：根据历史查询记录归纳得到的预定字段。

在本实施例的一些可选实现方式中，推荐模板确定单元430中的解析模板包括：根据具有相同模式的用户查询归纳得到的预定字段和辅助字段。

本申请还提供了一种设备的实施例，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任意一项所述的基于人工智能推送音乐的方法。

本申请还提供了一种计算机可读存储介质的实施例，其上存储有计算机程序，该程序被处理器执行时实现如上任意一项所述的基于人工智能推送音乐的方法。

下面参考图5，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分，所述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括字段值获取单元、同义数据获取单元、推荐模板确定单元和音乐推送单元。这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，字段值获取单元还可以被描述为“采用字典树服务模板解析用户查询，获取预定字段的值的单元”。

作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：采用字典树服务模板解析用户查询，获取预定字段的值；基于同义词表，获取对应预定字段的值的同义数据集；基于同义数据集，从解析词典中确定推荐解析模板；推送对应推荐解析模板的音乐。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (20)

1.一种基于人工智能推送音乐的方法，其特征在于，所述方法包括：

采用字典树服务模板解析用户查询，获取预定字段的值；

基于同义词表，获取对应所述预定字段的值的同义数据集；

基于所述同义数据集，从解析词典中确定推荐解析模板；

推送对应所述推荐解析模板的音乐；

响应于从解析词典中未能获取命中所述同义数据集的解析模板，解析所述用户查询，得到分词；

基于所述分词、预先确定的词与语义向量的对应关系和基于长短期记忆的循环神经网络编码器，将不同长度的所述用户查询编码成为固定长度的当前语义向量；

基于所述当前语义向量，在对应解析模板的查询的预定语义向量中执行最近邻搜索，得到与所述当前语义向量最相似的预定语义向量，其中，所述在对应解析模板的查询的预定语义向量中执行最近邻搜索包括：在预先构建的候选查询库内查询的相对当前语义向量的预定语义向量中执行最近邻搜索；

将所述最相似的预定语义向量对应的解析模板，确定为推荐解析模板。

2.根据权利要求1所述的方法，其特征在于，所述基于所述同义数据集，从解析词典中确定推荐解析模板包括：

响应于从解析词典中获取命中所述同义数据集的解析模板集合，基于推荐规则，从所述解析模板集合中，确定推荐解析模板。

3.根据权利要求2所述的方法，其特征在于，所述基于推荐规则，从所述解析模板集合中，确定推荐解析模板包括：

基于过滤规则和推荐规则，从所述解析模板集合中，确定推荐解析模板。

4.根据权利要求3所述的方法，其特征在于，所述过滤规则包括以下一项或多项：

过滤所述解析模板集合中词的音乐需求度低于阈值的解析模板；

采用必需过滤名单过滤所述解析模板集合中的解析模板；

禁止过滤所述解析模板集合中位于禁止过滤名单中的解析模板。

5.根据权利要求3所述的方法，其特征在于，所述推荐规则包括以下一项或多项：

基于权重规则确定所述解析模板集合中各解析模板的权重，将权重最高的解析模板作为推荐解析模板；

将所述解析模板集合中词频最高的解析模板作为推荐解析模板；

基于深度学习的分类技术，从解析模板集合中确定推荐解析模板。

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述基于所述同义数据集，从解析词典中确定推荐解析模板包括：

从用户会话中查询当前查询的前置查询和前置意图；

基于所述同义数据集、所述前置查询和所述前置意图，从解析词典中确定推荐解析模板。

7.根据权利要求1所述的方法，其特征在于，所述解析词典根据以下一个或多个音乐解析库确定：

基于搜索引擎或音乐平台的知识图谱音乐库构建的音乐解析库；

基于影音信息网站的影音信息构建的电影、电视剧和综艺的音乐解析库；以及

基于百科网站以及各垂直类网站构建的地区、语言、乐器、戏曲、心情和音乐榜的音乐解析库。

8.根据权利要求1所述的方法，其特征在于，所述字典树服务模板包括：根据历史查询记录归纳得到的预定字段。

9.根据权利要求2所述的方法，其特征在于，所述解析模板包括：根据具有相同模式的用户查询归纳得到的预定字段和辅助字段。

10.一种基于人工智能推送音乐的装置，其特征在于，所述装置包括：

字段值获取单元，用于采用字典树服务模板解析用户查询，获取预定字段的值；

同义数据获取单元，用于基于同义词表，获取对应所述预定字段的值的同义数据集；

推荐模板确定单元，用于基于所述同义数据集，从解析词典中确定推荐解析模板；

音乐推送单元，用于推送对应所述推荐解析模板的音乐；

分词解析单元，用于响应于从解析词典中未能获取命中所述同义数据集的解析模板，解析所述用户查询，得到分词；

当前向量编码单元，用于基于所述分词、预先确定的词与语义向量的对应关系和基于长短期记忆的循环神经网络编码器，将不同长度的所述用户查询编码成为固定长度的当前语义向量；

预定向量确定单元，基于所述当前语义向量，在对应解析模板的查询的预定语义向量中执行最近邻搜索，得到与所述当前语义向量最相似的预定语义向量，其中，所述在对应解析模板的查询的预定语义向量中执行最近邻搜索包括：在预先构建的候选查询库内查询的相对当前语义向量的预定语义向量中执行最近邻搜索；

解析模板确定单元，用于将所述最相似的预定语义向量对应的解析模板，确定为推荐解析模板。

11.根据权利要求10所述的装置，其特征在于，所述推荐模板确定单元进一步用于：

响应于从解析词典中获取命中所述同义数据集的解析模板集合，基于推荐规则，从所述解析模板集合中，确定推荐解析模板。

12.根据权利要求11所述的装置，其特征在于，所述推荐模板确定单元进一步用于：

基于过滤规则和推荐规则，从所述解析模板集合中，确定推荐解析模板。

13.根据权利要求12所述的装置，其特征在于，所述推荐模板确定单元中的所述过滤规则包括以下一项或多项：

过滤所述解析模板集合中词的音乐需求度低于阈值的解析模板；

采用必需过滤名单过滤所述解析模板集合中的解析模板；

禁止过滤所述解析模板集合中位于禁止过滤名单中的解析模板。

14.根据权利要求12所述的装置，其特征在于，所述推荐模板确定单元中的所述推荐规则包括以下一项或多项：

基于权重规则确定所述解析模板集合中各解析模板的权重，将权重最高的解析模板作为推荐解析模板；

将所述解析模板集合中词频最高的解析模板作为推荐解析模板；

基于深度学习的分类技术，从解析模板集合中确定推荐解析模板。

15.根据权利要求10至14任意一项所述的装置，其特征在于，所述推荐模板确定单元进一步用于：

从用户会话中查询当前查询的前置查询和前置意图；

基于所述同义数据集、所述前置查询和所述前置意图，从解析词典中确定推荐解析模板。

16.根据权利要求10所述的装置，其特征在于，所述推荐模板确定单元中的所述解析词典根据以下一个或多个音乐解析库确定：

基于搜索引擎或音乐平台的知识图谱音乐库构建的音乐解析库；

基于影音信息网站的影音信息构建的电影、电视剧和综艺的音乐解析库；以及

基于百科网站以及各垂直类网站构建的地区、语言、乐器、戏曲、心情和音乐榜的音乐解析库。

17.根据权利要求10所述的装置，其特征在于，所述字段值获取单元中的所述字典树服务模板包括：根据历史查询记录归纳得到的预定字段。

18.根据权利要求10所述的装置，其特征在于，所述推荐模板确定单元中的所述解析模板包括：根据具有相同模式的用户查询归纳得到的预定字段和辅助字段。

19.一种设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任意一项所述的基于人工智能推送音乐的方法。

20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任意一项所述的基于人工智能推送音乐的方法。

Images