CN108268450A - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：接收用户输入信息；对所述用户输入信息进行处理，得到所述用户输入信息对应的同语言平行文本；确定所述同语言平行文本所属的类别；基于所确定的类别以及所述同语言平行文本，生成针对所述用户输入信息的反馈信息。该实施方式实现了基于类别生成反馈信息，使生成的反馈信息更有针对性。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于生成信息的方法和装置。

背景技术

目前，以贴吧、微博等为代表的社交网络平台人气高涨，社交网络平台的显著特点在于用户内容的丰富和聚集性、话题的快速传播、用户频繁的互动等等。但社交网络平台也存在明显的问题，例如，新用户缺乏历史数据，冷启动时间较长；又例如，内容繁杂，用户难以发现感兴趣内容和用户；再例如，粉丝量少的用户缺乏互动动力等等。这些问题会严重影响社交网络平台用户的活跃度和积极性，在社交网络平台内容日益增多、用户量增长的同时，日活量、人均互动量却难以持续提升。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，包括：接收用户输入信息；对上述用户输入信息进行处理，得到上述用户输入信息对应的同语言平行文本；确定上述同语言平行文本所属的类别；基于所确定的类别以及上述同语言平行文本，生成针对上述用户输入信息的反馈信息。

在一些实施例中，上述对上述用户输入信息进行处理，得到上述用户输入信息对应的同语言平行文本，包括：将上述用户输入信息对应的文本信息进行分词和词性标注，得到上述文本信息的至少一个分词和词性标注结果；将上述至少一个分词和上述词性标注结果导入预先建立的同语言平行文本生成模型，得到上述文本信息对应的同语言平行文本，其中，上述同语言平行文本生成模型用于表征分词和词性标注结果与同语言平行文本的对应关系。

在一些实施例中，上述确定上述同语言平行文本所属的类别，包括：基于预先建立的类别识别模型确定上述同语言平行文本所属的类别。

在一些实施例中，上述类别包括任务助手类、内容推荐类和交互类，上述类别识别模型包括第一类别识别模型和第二类别识别模型；以及上述基于预先建立的类别识别模型确定上述同语言平行文本所属的类别，包括：将上述同语言平行文本导入上述第一类别识别模型，得到第一识别结果，其中，上述第一类别识别模型用于表征同语言平行文本与任务助手类的对应关系；根据上述第一识别结果确定上述同语言平行文本是否属于任务助手类；响应于确定上述同语言平行文本不属于任务助手类，将上述同语言平行文本导入上述第二类别识别模型，得到第二识别结果，其中，上述第二类别识别模型用于表征同语言平行文本与内容推荐类的对应关系；根据上述第二识别结果确定上述同语言平行文本是否属于内容推荐类；响应于确定上述同语言平行文本不属于内容推荐类，确定上述同语言平行文本属于交互类。

在一些实施例中，上述基于所确定的类别以及上述同语言平行文本，生成针对上述用户输入信息的反馈信息，包括：响应于确定上述同语言平行文本属于任务助手类，确定上述同语言平行文本所对应的任务，执行所确定的任务；响应于确定上述同语言平行文本属于内容推荐类，基于上述同语言平行文本、用户的用户画像以及上述用户的用户兴趣从预先建立的知识库中获取待推荐信息；响应于确定上述同语言平行文本属于交互类，基于上述知识库生成应答信息。

在一些实施例中，上述用户的用户画像是通过以下方式得到的：获取上述用户的用户相关数据；将上述用户相关数据导入预先建立的用户标签模型，得到上述用户对应的用户标签，上述用户对应的用户标签形成上述用户的用户画像，其中，上述用户标签模型用于表征用户相关数据与用户标签的对应关系。

在一些实施例中，上述用户的用户兴趣是通过以下方式得到的：将上述用户对应的用户标签导入预先建立的用户兴趣模型，得到上述用户的用户兴趣，其中，上述用户兴趣模型用于表征用户标签与用户兴趣的对应关系。

第二方面，本申请实施例提供了一种用于生成信息的装置，包括：接收单元，用于接收用户输入信息；处理单元，用于对上述用户输入信息进行处理，得到上述用户输入信息对应的同语言平行文本；确定单元，用于确定上述同语言平行文本所属的类别；生成单元，用于基于所确定的类别以及上述同语言平行文本，生成针对上述用户输入信息的反馈信息。

在一些实施例中，上述处理单元进一步用于：将上述用户输入信息对应的文本信息进行分词和词性标注，得到上述文本信息的至少一个分词和词性标注结果；将上述至少一个分词和上述词性标注结果导入预先建立的同语言平行文本生成模型，得到上述文本信息对应的同语言平行文本，其中，上述同语言平行文本生成模型用于表征分词和词性标注结果与同语言平行文本的对应关系。

在一些实施例中，上述确定单元包括确定子单元，上述确定子单元用于：基于预先建立的类别识别模型确定上述同语言平行文本所属的类别。

在一些实施例中，上述类别包括任务助手类、内容推荐类和交互类，上述类别识别模型包括第一类别识别模型和第二类别识别模型；以及上述确定子单元进一步用于：将上述同语言平行文本导入上述第一类别识别模型，得到第一识别结果，其中，上述第一类别识别模型用于表征同语言平行文本与任务助手类的对应关系；根据上述第一识别结果确定上述同语言平行文本是否属于任务助手类；响应于确定上述同语言平行文本不属于任务助手类，将上述同语言平行文本导入上述第二类别识别模型，得到第二识别结果，其中，上述第二类别识别模型用于表征同语言平行文本与内容推荐类的对应关系；根据上述第二识别结果确定上述同语言平行文本是否属于内容推荐类；响应于确定上述同语言平行文本不属于内容推荐类，确定上述同语言平行文本属于交互类。

在一些实施例中，上述生成单元进一步用于：响应于确定上述同语言平行文本属于任务助手类，确定上述同语言平行文本所对应的任务，执行所确定的任务；响应于确定上述同语言平行文本属于内容推荐类，基于上述同语言平行文本、用户的用户画像以及上述用户的用户兴趣从预先建立的知识库中获取待推荐信息；响应于确定上述同语言平行文本属于交互类，基于上述知识库生成应答信息。

在一些实施例中，上述用户的用户画像是通过以下方式得到的：获取上述用户的用户相关数据；将上述用户相关数据导入预先建立的用户标签模型，得到上述用户对应的用户标签，上述用户对应的用户标签形成上述用户的用户画像，其中，上述用户标签模型用于表征用户相关数据与用户标签的对应关系。

在一些实施例中，上述用户的用户兴趣是通过以下方式得到的：将上述用户对应的用户标签导入预先建立的用户兴趣模型，得到上述用户的用户兴趣，其中，上述用户兴趣模型用于表征用户标签与用户兴趣的对应关系。

第三方面，本申请实施例提供了一种设备，该设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

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，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成信息的方法和装置，首先对接收的用户输入信息进行处理，得到上述用户输入信息对应的同语言平行文本，而后确定上述同语言平行文本所属的类别，最后基于所确定的类别以及上述同语言平行文本，生成针对上述用户输入信息的反馈信息，从而实现了基于类别生成反馈信息，使生成的反馈信息更有针对性。

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是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图4是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的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示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的信息提供支持的后台服务器。后台服务器可以对接收到的用户输入信息等数据进行分析等处理，并将处理结果(例如反馈信息)反馈给终端设备。

需要说明的是，本申请实施例所提供的用于生成信息的方法可以通过服务器105执行，也可以通过终端设备101、102、103执行。相应地，用于生成信息的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。本申请对此不做限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，接收用户输入信息。

在本实施例中，用于生成信息的方法运行于其上的电子设备可以接收用户输入信息。其中，上述电子设备可以是终端设备，也可以是服务器，当上述电子设备为终端设备时，上述电子设备可以直接接收用户输入的用户输入信息；当上述电子设备为服务器时，上述电子设备可以通过有线连接方式或者无线连接方式从用户所使用的终端设备接收用户输入信息。

在这里，上述用户输入信息可以包括以下至少一项：文本信息、图片信息和语音信息。在上述用户输入信息包括图片信息的情况下，上述电子设备可以对图片信息进行语义识别，生成与图片信息相关的文本信息。在上述用户输入信息包括语音信息的情况下，上述电子设备可以对语音信息进行语音识别，生成与语音信息相关的文本信息。显而易见，对图片进行语义识别的技术和对语音进行语音识别技术是目前广泛研究和应用的公知技术，因此这里不再赘述。

需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，对用户输入信息进行处理，得到用户输入信息对应的同语言平行文本。

在本实施例中，上述电子设备可以对步骤201中接收到的用户输入信息进行处理，得到上述用户输入信息对应的同语言平行文本。在这里，一个文本的平行文本可以是指与该文本的语义相似的文本。一个文本的同语言平行文本可以是指与该文本语言相同且语义相似的文本。例如，“老鼠”是“耗子”的同语言平行文本。又例如，“XX版块热门主题帖”是“XX版块最近什么帖子比较火”的同语言平行文本。

作为示例，上述电子设备可以预先存储有同语言平行文本转换对应关系表，该同语言平行文本转换对应关系表可以是技术人员基于对大量文本和文本的同语言平行文本的统计而预先制定的、存储有多个文本与文本的同语言平行文本的对应关系的对应关系表。这样，上述电子设备可以首先将上述用户输入信息所对应的文本信息进行分词处理，得到至少一个分词；之后，上述电子设备可以将得到的至少一个分词中的每一个分词与上述同语言平行文本转换对应关系表中的文本进行匹配，如果该分词与上述同语言平行文本转换对应关系表中的一个文本相同或相似，则表示匹配成功，将上述同语言平行文本转换对应关系表中的、匹配成功的文本对应的同语言平行文本作为该分词的同语言平行文本。通过上述方式，可以得到上述用户输入信息对应的同语言平行文本。

在本实施例的一些可选的实现方式中，上述步骤202可以具体包括：首先，上述电子设备可以将上述用户输入信息对应的文本信息进行分词和词性标注，得到上述文本信息的至少一个分词和词性标注结果；之后，上述电子设备可以将上述至少一个分词和上述词性标注结果导入预先建立的同语言平行文本生成模型，得到上述文本信息对应的同语言平行文本，其中，上述同语言平行文本生成模型可以用于表征分词和词性标注结果与同语言平行文本的对应关系。

作为示例，上述同语言平行文本生成模型可以是采用机器学习方法，利用预设样本集合训练得到的，其中，样本可以包括由样本文本得到的分词集合和词性标注结果，以及与样本文本对应的同语言平行文本。上述电子设备或者其他用于训练上述同语言平行文本生成模型的电子设备可以执行以下训练步骤：S1，将上述样本集合中的至少一个由样本文本得到分词集合和词性标注结果分别输入至初始机器学习模型，得到上述至少一个样本文本中的每个样本文本对应的预测文本，在这里，上述初始机器学习模型可以是未经训练的神经网络模型或未训练完成的神经网络模型，例如，卷积神经网络、深度神经网络等等。S2，将上述至少一个样本文本中的每个样本文本对应的预测文本与对应的同语言平行文本进行比较。S3，根据比较结果确定上述初始机器学习模型是否达到预设的优化目标，例如，上述优化目标可以是预测信息与对应的同语言平行文本之间的差异小于预设差异阈值。又例如，上述优化目标可以是上述初始神经网络模型的预测准确率大于预设准确率阈值。S4，响应于确定上述初始机器学习模型达到预设的优化目标，将上述初始机器学习模型作为训练完成的同语言平行文本生成模型。S5，响应于确定上述初始机器学习模型未达到预设的优化目标，可以调整上述初始机器学习模型的网络参数，以及继续执行上述训练步骤。例如，可以采用反向传播算法(Back Propgation Algorithm，BP算法)和梯度下降法(例如随机梯度下降算法)对上述初始机器学习模型的网络参数进行调整。需要说明的是，反向传播算法和梯度下降法是目前广泛研究和应用的公知技术，在此不再赘述。

步骤203，确定同语言平行文本所属的类别。

在本实施例中，上述电子设备可以通过各种方式确定上述用户输入信息所对应的同语言平行文本所属的类别。作为示例，上述电子设备可以首先从上述同语言平行文本中提取出关键词，然后，根据关键词确定类别，例如，上述电子设备本地可以存储有记录关键词和类别对应关系的对应关系表，通过将提取的关键词与该对应关系表中的关键词进行比较，从而确定提取的关键词对应的类别，提取的关键词对应的类别即为上述同语言平行文本所属的类别。

在本实施例的一些可选的实现方式中，上述步骤203可以具体包括：基于预先建立的类别识别模型确定同语言平行文本所属的类别。在这里，上述类别识别模型可以用于表征同语言平行文本与类别的对应关系。作为示例，上述类别识别模型可以是技术人员基于对大量的同语言平行文本和类别的统计而预先制定的、存储有多个同语言平行文本与类别的对应关系的对应关系表。这样，上述电子设备可以将步骤202中得到的同语言平行文本与该对应关系表中的多个同语言平行文本进行比较，若对应关系表中的一个同语言平行文本与步骤202中得到的同语言平行文本相同或相似，则将对应关系表中的该同语言平行文本对应的类别确定为步骤202中得到的同语言平行文本所属的类别。

在一些可选的实现方式中，上述类别可以包括任务助手类、内容推荐类和交互类。上述类别识别模型可以包括第一类别识别模型和第二类别识别模型。作为示例，上述用户输入信息可以是用户通过某社交网络平台发送的信息，如果上述同语言平行文本所属的类别为任务助手类，则可以表示上述同语言平行文本所对应的用户输入信息用于设定任务，例如，上述任务可以是收藏该社交网络平台内的某个帖子、关注该社交网络平台的某个用户、搜索该社交网络平台内的某些内容、定时签到、定时发帖回复等等，例如，用户输入信息“帮我在今天10点给XX吧发一个主题帖，帖子内容是：******”是用户用于设定发帖任务的信息，该用户输入信息所对应的同语言平行文本所属的类别为任务助手类。

如果上述同语言平行文本所属的类别为内容推荐类，则可以表示上述同语言平行文本所对应的用户输入信息用于获取推荐信息，例如，上述推荐信息可以是其他用户信息、社区板块信息、帖子信息等等，例如，用户输入信息“有什么比较火的新帖子”用于获取推荐信息，该用户输入信息所对应的同语言平行文本所属的类别为内容推荐类。

如果上述同语言平行文本所属的类别为交互类，则可以表示上述同语言平行文本所对应的用户输入信息用于进行交互，例如，聊天、咨询等等。例如，用户输入信息“你叫什么名字？”用于交互，该用户输入信息所对应的同语言平行文本所属的类别为交互类。

上述步骤，基于预先建立的类别识别模型确定同语言平行文本所属的类别，可以具体包括：首先，上述电子设备可以将步骤202得到的同语言平行文本导入上述第一类别识别模型，得到第一识别结果，其中，上述第一类别识别模型用于表征同语言平行文本与任务助手类的对应关系。其次，上述电子设备可以根据上述第一识别结果确定上述同语言平行文本是否属于任务助手类。再次，响应于确定上述同语言平行文本不属于任务助手类，上述电子设备可以将上述同语言平行文本导入上述第二类别识别模型，得到第二识别结果，其中，上述第二类别识别模型可以用于表征同语言平行文本与内容推荐类的对应关系。然后，上述电子设备可以根据上述第二识别结果确定上述同语言平行文本是否属于内容推荐类。最后，响应于确定上述同语言平行文本不属于内容推荐类，确定所述同语言平行文本属于交互类。作为一个示例，上述第一类别识别模型和第二类别识别模型可以预先制定的对应关系表，例如，第一类别识别模型可以是存储有多个同语言平行文本与任务助手类的对应关系的对应关系表，第二类别识别模型可以是存储有多个同语言平行文本与内容推荐类的对应关系的对应关系表。作为另一个示例，上述第一类别识别模型和第二类别识别模型还可以是采用机器学习方法训练得到的机器学习模型，例如，上述第一类别识别模型和第二类别识别模型可以是决策树模型、支持向量机模型等等。

步骤204，基于所确定的类别以及同语言平行文本，生成针对用户输入信息的反馈信息。

在本实施例中，上述电子设备可以基于所确定的类别以及上述同语言平行文本，生成针对上述用户输入信息的反馈信息。

可选的，上述步骤204可以具体包括：首先，响应于确定上述同语言平行文本属于任务助手类，确定上述同语言平行文本所对应的任务，执行所确定的任务。然后，响应于确定上述同语言平行文本属于内容推荐类，基于上述同语言平行文本、用户的用户画像以及上述用户的用户兴趣从预先建立的知识库中获取待推荐信息。在这里，上述用户指的是发送上述用户输入信息的用户，上述用户的用户画像和用户兴趣可以预先从用户的历史数据中获取，例如，可以根据用户的历史搜索和浏览数据分析出用户画像和用户兴趣。作为示例，当上述用于生成信息的方法用于某社交网络平台时，上述知识库可以包括与该社交网络平台相关的各种数据，知识库内的数据可以按照类别进行存储，例如，按体育-篮球-球星类，娱乐-电影类等分类存储，也可以按照时间、点击量、回复数等维度进行存储。最后，响应于确定上述同语言平行文本属于交互类，基于上述知识库生成应答信息。作为一种示例，上述电子设备可以对上述知识库中存储的交互信息(例如，不同用户之间的问答信息)进行各种分析，从而建立问答对应关系表，该问答对应关系表中可以存储有多个问题与答案的对应关系。基于该问答对应关系表上述电子设备可以生成应答信息。作为另一个示例，可以采用机器学习方法，利用上述知识库中存储的交互信息训练得到问答模型，该问答模型用于表征问题与答案的对应关系。

可选的，上述用户的用户画像可以是上述电子设备通过以下方式得到的：首先，获取上述用户的用户相关数据，在这里，用户相关数据可以是与用户相关的各种数据，例如，用户的注册数据、对话数据、所关注板块、历史浏览数据等等；将上述用户相关数据导入预先建立的用户标签模型，得到上述用户对应的用户标签，上述用户对应的用户标签形成上述用户的用户画像，其中，上述用户标签模型可以用于表征用户相关数据与用户标签的对应关系。用户标签可以包括年龄、性别、关注点、地理位置、工作、消费能力、家庭属性、常用词等等。上述用户标签模型可以是采用机器学习方法训练得到的。作为示例，针对每一种用户标签，可以采用机器学习方法，利用预设样本集训练得到与该用户标签对应的用户标签模型，其中，样本包括用户相关数据和与用户相关数据对应的用户标签。

可选的，上述用户的用户兴趣可以是通过以下方式得到的：将上述用户对应的用户标签导入预先建立的用户兴趣模型，得到上述用户的用户兴趣，其中，上述用户兴趣模型可以用于表征用户标签与用户兴趣的对应关系。作为示例，上述用户兴趣模型可以是采用机器学习方法训练得到的，训练过程中所使用的样本数据可以包括至少一个用户标签和与至少一个用户标签对应的用户兴趣。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，用户首先通过终端设备301发送信息，服务器302可以接收用户输入信息；之后，服务器302可以对上述用户输入信息进行处理，得到上述用户输入信息对应的同语言平行文本；然后，服务器302可以确定上述同语言平行文本所属的类别；最后，基于所确定的类别以及上述同语言平行文本，服务器302可以生成针对上述用户输入信息的反馈信息，以及服务器302还可以将所生成的反馈信息发送给终端设备301，以供终端设备301显示给用户。

本申请的上述实施例提供的方法实现了基于类别生成反馈信息，使生成的反馈信息更有针对性，更能满足用户需求，从而增强用户的活跃度和积极性。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于生成信息的装置400包括：接收单元401、处理单元402、确定单元403和生成单元404。其中，接收单元401用于接收用户输入信息；处理单元402用于对上述用户输入信息进行处理，得到上述用户输入信息对应的同语言平行文本；确定单元403用于确定上述同语言平行文本所属的类别；生成单元404用于基于所确定的类别以及上述同语言平行文本，生成针对上述用户输入信息的反馈信息。

在本实施例中，用于生成信息的装置400的接收单元401、处理单元402、确定单元403和生成单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述处理单元402进一步用于：将上述用户输入信息对应的文本信息进行分词和词性标注，得到上述文本信息的至少一个分词和词性标注结果；将上述至少一个分词和上述词性标注结果导入预先建立的同语言平行文本生成模型，得到上述文本信息对应的同语言平行文本，其中，上述同语言平行文本生成模型用于表征分词和词性标注结果与同语言平行文本的对应关系。

在本实施例的一些可选的实现方式中，上述确定单元可以包括确定子单元(图中未示出)，上述确定子单元用于：基于预先建立的类别识别模型确定上述同语言平行文本所属的类别。

在本实施例的一些可选的实现方式中，上述类别包括任务助手类、内容推荐类和交互类，上述类别识别模型包括第一类别识别模型和第二类别识别模型；以及上述确定子单元进一步用于：将上述同语言平行文本导入上述第一类别识别模型，得到第一识别结果，其中，上述第一类别识别模型用于表征同语言平行文本与任务助手类的对应关系；根据上述第一识别结果确定上述同语言平行文本是否属于任务助手类；响应于确定上述同语言平行文本不属于任务助手类，将上述同语言平行文本导入上述第二类别识别模型，得到第二识别结果，其中，上述第二类别识别模型用于表征同语言平行文本与内容推荐类的对应关系；根据上述第二识别结果确定上述同语言平行文本是否属于内容推荐类；响应于确定上述同语言平行文本不属于内容推荐类，确定上述同语言平行文本属于交互类。

在本实施例的一些可选的实现方式中，上述生成单元404进一步用于：响应于确定上述同语言平行文本属于任务助手类，确定上述同语言平行文本所对应的任务，执行所确定的任务；响应于确定上述同语言平行文本属于内容推荐类，基于上述同语言平行文本、用户的用户画像以及上述用户的用户兴趣从预先建立的知识库中获取待推荐信息；响应于确定上述同语言平行文本属于交互类，基于上述知识库生成应答信息。

在本实施例的一些可选的实现方式中，上述用户的用户画像是通过以下方式得到的：获取上述用户的用户相关数据；将上述用户相关数据导入预先建立的用户标签模型，得到上述用户对应的用户标签，上述用户对应的用户标签形成上述用户的用户画像，其中，上述用户标签模型用于表征用户相关数据与用户标签的对应关系。

在本实施例的一些可选的实现方式中，上述用户的用户兴趣是通过以下方式得到的：将上述用户对应的用户标签导入预先建立的用户兴趣模型，得到上述用户的用户兴趣，其中，上述用户兴趣模型用于表征用户标签与用户兴趣的对应关系。

下面参考图5，其示出了适于用来实现本申请实施例的服务器的计算机系统500的结构示意图。图5示出的服务器仅仅是一个示例，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，Central Processing Unit)501，其可以根据存储在只读存储器(ROM，Read Only Memory)502中的程序或者从存储部分506加载到随机访问存储器(RAM，Random Access Memory)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、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O，Input/Output)接口505也连接至总线504。

以下部件连接至I/O接口505：包括硬盘等的存储部分506；以及包括诸如LAN(局域网，Local Area Network)卡、调制解调器等的网络接口卡的通信部分507。通信部分507经由诸如因特网的网络执行通信处理。驱动器508也根据需要连接至I/O接口505。可拆卸介质509，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508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506。

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，该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507从网络上被下载和安装，和/或从可拆卸介质509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模块、程序段、或代码的一部分，该模块、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：一种处理器包括接收单元、处理单元、确定单元和生成单元。其中，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，接收单元还可以被描述为“接收用户输入信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：接收用户输入信息；对所述用户输入信息进行处理，得到所述用户输入信息对应的同语言平行文本；确定所述同语言平行文本所属的类别；基于所确定的类别以及所述同语言平行文本，生成针对所述用户输入信息的反馈信息。

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 (16)

1.一种用于生成信息的方法，包括：

接收用户输入信息；

对所述用户输入信息进行处理，得到所述用户输入信息对应的同语言平行文本；

确定所述同语言平行文本所属的类别；

基于所确定的类别以及所述同语言平行文本，生成针对所述用户输入信息的反馈信息。

2.根据权利要求1所述的方法，其中，所述对所述用户输入信息进行处理，得到所述用户输入信息对应的同语言平行文本，包括：

将所述用户输入信息对应的文本信息进行分词和词性标注，得到所述文本信息的至少一个分词和词性标注结果；

将所述至少一个分词和所述词性标注结果导入预先建立的同语言平行文本生成模型，得到所述文本信息对应的同语言平行文本，其中，所述同语言平行文本生成模型用于表征分词和词性标注结果与同语言平行文本的对应关系。

3.根据权利要求1所述的方法，其中，所述确定所述同语言平行文本所属的类别，包括：

基于预先建立的类别识别模型确定所述同语言平行文本所属的类别。

4.根据权利要求3所述的方法，其中，所述类别包括任务助手类、内容推荐类和交互类，所述类别识别模型包括第一类别识别模型和第二类别识别模型；以及

所述基于预先建立的类别识别模型确定所述同语言平行文本所属的类别，包括：

将所述同语言平行文本导入所述第一类别识别模型，得到第一识别结果，其中，所述第一类别识别模型用于表征同语言平行文本与任务助手类的对应关系；

根据所述第一识别结果确定所述同语言平行文本是否属于任务助手类；

响应于确定所述同语言平行文本不属于任务助手类，将所述同语言平行文本导入所述第二类别识别模型，得到第二识别结果，其中，所述第二类别识别模型用于表征同语言平行文本与内容推荐类的对应关系；

根据所述第二识别结果确定所述同语言平行文本是否属于内容推荐类；

响应于确定所述同语言平行文本不属于内容推荐类，确定所述同语言平行文本属于交互类。

5.根据权利要求4所述的方法，其中，所述基于所确定的类别以及所述同语言平行文本，生成针对所述用户输入信息的反馈信息，包括：

响应于确定所述同语言平行文本属于任务助手类，确定所述同语言平行文本所对应的任务，执行所确定的任务；

响应于确定所述同语言平行文本属于内容推荐类，基于所述同语言平行文本、用户的用户画像以及所述用户的用户兴趣从预先建立的知识库中获取待推荐信息；

响应于确定所述同语言平行文本属于交互类，基于所述知识库生成应答信息。

6.根据权利要求5所述的方法，其中，所述用户的用户画像是通过以下方式得到的：

获取所述用户的用户相关数据；

将所述用户相关数据导入预先建立的用户标签模型，得到所述用户对应的用户标签，所述用户对应的用户标签形成所述用户的用户画像，其中，所述用户标签模型用于表征用户相关数据与用户标签的对应关系。

7.根据权利要求6所述的方法，其中，所述用户的用户兴趣是通过以下方式得到的：

将所述用户对应的用户标签导入预先建立的用户兴趣模型，得到所述用户的用户兴趣，其中，所述用户兴趣模型用于表征用户标签与用户兴趣的对应关系。

8.一种用于生成信息的装置，包括：

接收单元，用于接收用户输入信息；

处理单元，用于对所述用户输入信息进行处理，得到所述用户输入信息对应的同语言平行文本；

确定单元，用于确定所述同语言平行文本所属的类别；

生成单元，用于基于所确定的类别以及所述同语言平行文本，生成针对所述用户输入信息的反馈信息。

9.根据权利要求8所述的装置，其中，所述处理单元进一步用于：

将所述用户输入信息对应的文本信息进行分词和词性标注，得到所述文本信息的至少一个分词和词性标注结果；

将所述至少一个分词和所述词性标注结果导入预先建立的同语言平行文本生成模型，得到所述文本信息对应的同语言平行文本，其中，所述同语言平行文本生成模型用于表征分词和词性标注结果与同语言平行文本的对应关系。

10.根据权利要求8所述的装置，其中，所述确定单元包括确定子单元，所述确定子单元用于：

基于预先建立的类别识别模型确定所述同语言平行文本所属的类别。

11.根据权利要求10所述的装置，其中，所述类别包括任务助手类、内容推荐类和交互类，所述类别识别模型包括第一类别识别模型和第二类别识别模型；以及

所述确定子单元进一步用于：

将所述同语言平行文本导入所述第一类别识别模型，得到第一识别结果，其中，所述第一类别识别模型用于表征同语言平行文本与任务助手类的对应关系；

根据所述第一识别结果确定所述同语言平行文本是否属于任务助手类；

响应于确定所述同语言平行文本不属于任务助手类，将所述同语言平行文本导入所述第二类别识别模型，得到第二识别结果，其中，所述第二类别识别模型用于表征同语言平行文本与内容推荐类的对应关系；

根据所述第二识别结果确定所述同语言平行文本是否属于内容推荐类；

响应于确定所述同语言平行文本不属于内容推荐类，确定所述同语言平行文本属于交互类。

12.根据权利要求11所述的装置，其中，所述生成单元进一步用于：

响应于确定所述同语言平行文本属于任务助手类，确定所述同语言平行文本所对应的任务，执行所确定的任务；

响应于确定所述同语言平行文本属于内容推荐类，基于所述同语言平行文本、用户的用户画像以及所述用户的用户兴趣从预先建立的知识库中获取待推荐信息；

响应于确定所述同语言平行文本属于交互类，基于所述知识库生成应答信息。

13.根据权利要求12所述的装置，其中，所述用户的用户画像是通过以下方式得到的：

获取所述用户的用户相关数据；

将所述用户相关数据导入预先建立的用户标签模型，得到所述用户对应的用户标签，所述用户对应的用户标签形成所述用户的用户画像，其中，所述用户标签模型用于表征用户相关数据与用户标签的对应关系。

14.根据权利要求13所述的装置，其中，所述用户的用户兴趣是通过以下方式得到的：

将所述用户对应的用户标签导入预先建立的用户兴趣模型，得到所述用户的用户兴趣，其中，所述用户兴趣模型用于表征用户标签与用户兴趣的对应关系。

15.一种设备，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，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。