CN108388674B - 用于推送信息的方法和装置 - Google Patents
用于推送信息的方法和装置 Download PDFInfo
- Publication number
- CN108388674B CN108388674B CN201810251153.1A CN201810251153A CN108388674B CN 108388674 B CN108388674 B CN 108388674B CN 201810251153 A CN201810251153 A CN 201810251153A CN 108388674 B CN108388674 B CN 108388674B
- Authority
- CN
- China
- Prior art keywords
- topic
- topics
- user
- target
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/374—Thesaurus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例公开了用于推送信息的方法和装置。该方法的一具体实施方式包括:获取预设的第一用户类别下的用户当前的对话语句;基于对话语句在预设的话题集合中确定用户当前讨论的目标话题;获取概率差异矩阵,其中,概率差异矩阵是预设的第一话题转移矩阵和第二话题转移矩阵之间的差值,第一话题转移矩阵与预设的第二用户类别相关联,第二话题转移矩阵与第一用户类别相关联,第一话题转移矩阵和第二话题转移矩阵中的每个元素的行标和列标分别用于指示话题集合中的话题;基于目标话题和概率差异矩阵,从话题集合中选取话题作为推荐话题;将推荐话题的名称推送至用户的终端设备。该实施方式实现了富于针对性的信息推送,可以对用户进行话题引导。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于推送信息的方法和装置。
背景技术
目前,根据不同的场景,用户可以被划分到不同的用户类别。例如,针对销售人员的用户类别可以包括新销售和老销售,从事销售工作时间较短的销售人员可以归属于新销售,从事销售工作时间较长的销售人员可以归属于老销售。再例如,按照是否善于沟通,用户类别可以包括善于沟通和不善于沟通,善于沟通的用户可以归属于善于沟通,不善于沟通的用户可以归属于不善于沟通。
不同用户类别的用户的沟通能力通常有强弱之分。对于沟通能力较强的用户,例如归属于老销售和/或善于沟通等用户类别的用户,通常能凭借经验选择恰当的话题与他人进行沟通。而沟通能力较弱的用户,例如归属于新销售和/或不善于沟通等用户类别的用户,通常因缺乏经验,难以选择恰当的话题进行有效沟通。
发明内容
本申请实施例提出了用于推送信息的方法和装置。
第一方面,本申请实施例提供了一种用于推送信息的方法,该方法包括:获取预设的第一用户类别下的用户当前的对话语句;基于上述对话语句,在预设的话题集合中确定上述用户当前讨论的目标话题;获取概率差异矩阵,其中,上述概率差异矩阵是预设的第一话题转移矩阵和第二话题转移矩阵之间的差值,上述第一话题转移矩阵与预设的第二用户类别相关联,上述第二话题转移矩阵与上述第一用户类别相关联,上述第一话题转移矩阵和上述第二话题转移矩阵中的每个元素的行标和列标分别用于指示上述话题集合中的话题;基于上述目标话题和上述概率差异矩阵,从上述话题集合中选取话题作为推荐话题;将上述推荐话题的名称推送至上述用户的终端设备。
在一些实施例中,上述基于上述对话语句,在预设的话题集合中确定上述用户当前讨论的目标话题,包括:基于上述对话语句和上述对话语句的前第一预置数目条历史对话语句,确定上述目标话题。
在一些实施例中,上述话题集合中的每个话题对应有特征词序列和预先训练的话题识别模型,上述话题识别模型用于进行话题识别;以及上述基于上述对话语句和上述对话语句的前第一预置数目条历史对话语句,确定上述目标话题,包括:若上述对话语句为语音信息,则将上述对话语句转换为文本信息,对上述文本信息进行分词,得到分出的各个词;对于上述话题集合中的每个话题,执行以下概率确定步骤:确定上述各个词中的每个词与该话题所对应的特征词序列中的每个特征词之间的相似度;基于确定的相似度,生成与上述对话语句和该话题同时对应的第一特征向量,其中,上述第一特征向量中的每个元素的值是该特征词序列中的与该元素处于同一位置的特征词与上述各个词之间的相似度中的最大值;获取上述前第一预置数目条历史对话语句分别对应的、与该话题相关的第二特征向量,基于所获取的各个第二特征向量生成第三特征向量,其中,上述第三特征向量中的每个元素的值是上述各个第二特征向量中的、与该元素处于同一位置的元素的值中的最大值;将上述第一特征向量和上述第三特征向量输入与该话题对应的话题识别模型,得到上述对话语句归属于该话题的概率;上述基于上述对话语句和上述对话语句的前第一预置数目条历史对话语句,确定上述目标话题,还包括:从上述话题集合中选取对应最大概率的话题作为上述目标话题。
在一些实施例中,上述基于上述目标话题和上述概率差异矩阵,从上述话题集合中选取话题作为推荐话题,包括:从上述概率差异矩阵中提取出行标所指示的话题为上述目标话题的元素;按照数值由大到小的顺序,从提取出的各个元素中选取出第二预置数目个元素,将选取出的元素的列标所指示的话题作为推荐话题。
在一些实施例中,将上述第一用户类别或上述第二用户类别作为待处理用户类别,将与上述待处理用户类别相关联的第一话题转移矩阵或第二话题转移矩阵作为目标话题转移矩阵,上述目标话题转移矩阵是通过以下生成步骤生成的:获取与上述待处理用户类别对应的历史对话记录集合;对于上述历史对话记录集合中的每条历史对话记录,对该历史对话记录进行分析,确定与该历史对话记录对应的话题序列,其中,上述话题序列中的话题包含在上述话题集合中;将上述话题集合中的话题组成话题对组,对于每个话题对,将该话题对中的一个话题作为第一话题,将另一个话题作为第二话题,基于所生成的各个话题序列,确定上述第二话题在上述第一话题之后出现的次数,将该次数作为第一值,以及确定上述话题集合中的话题在上述第一话题之后出现的次数的总和,将上述第一值和上述总和的比值确定为上述第一话题的下一话题是上述第二话题的概率;将基于上述话题对组中的各个话题对确定的概率生成上述目标话题转移矩阵。
第二方面,本申请实施例提供了一种用于推送信息的装置,该装置包括:第一获取单元,配置用于获取预设的第一用户类别下的用户当前的对话语句;确定单元,配置用于基于上述对话语句,在预设的话题集合中确定上述用户当前讨论的目标话题;第二获取单元,配置用于获取概率差异矩阵,其中,上述概率差异矩阵是预设的第一话题转移矩阵和第二话题转移矩阵之间的差值,上述第一话题转移矩阵与预设的第二用户类别相关联,上述第二话题转移矩阵与上述第一用户类别相关联,上述第一话题转移矩阵和上述第二话题转移矩阵中的每个元素的行标和列标分别用于指示上述话题集合中的话题;选取单元,配置用于基于上述目标话题和上述概率差异矩阵,从上述话题集合中选取话题作为推荐话题;推送单元,配置用于将上述推荐话题的名称推送至上述用户的终端设备。
在一些实施例中,上述确定单元包括:确定子单元,配置用于基于上述对话语句和上述对话语句的前第一预置数目条历史对话语句,确定上述目标话题。
在一些实施例中,上述话题集合中的每个话题对应有特征词序列和预先训练的话题识别模型,上述话题识别模型用于进行话题识别;以及上述确定子单元包括:第一处理模块,配置用于若上述对话语句为语音信息,则将上述对话语句转换为文本信息,对上述文本信息进行分词,得到分出的各个词;第二处理模块,配置用于对于上述话题集合中的每个话题,执行以下概率确定步骤:确定上述各个词中的每个词与该话题所对应的特征词序列中的每个特征词之间的相似度;基于确定的相似度,生成与上述对话语句和该话题同时对应的第一特征向量,其中,上述第一特征向量中的每个元素的值是该特征词序列中的与该元素处于同一位置的特征词与上述各个词之间的相似度中的最大值;获取上述前第一预置数目条历史对话语句分别对应的、与该话题相关的第二特征向量,基于所获取的各个第二特征向量生成第三特征向量,其中,上述第三特征向量中的每个元素的值是上述各个第二特征向量中的、与该元素处于同一位置的元素的值中的最大值;将上述第一特征向量和上述第三特征向量输入与该话题对应的话题识别模型,得到上述对话语句归属于该话题的概率;上述确定子单元还包括:选取模块,配置用于从上述话题集合中选取对应最大概率的话题作为上述目标话题。
在一些实施例中,上述选取单元包括:提取子单元,配置用于从上述概率差异矩阵中提取出行标所指示的话题为上述目标话题的元素;选取子单元,配置用于按照数值由大到小的顺序,从提取出的各个元素中选取出第二预置数目个元素,将选取出的元素的列标所指示的话题作为推荐话题。
在一些实施例中,将上述第一用户类别或上述第二用户类别作为待处理用户类别,将与上述待处理用户类别相关联的第一话题转移矩阵或第二话题转移矩阵作为目标话题转移矩阵,上述目标话题转移矩阵是通过以下生成步骤生成的:获取与上述待处理用户类别对应的历史对话记录集合;对于上述历史对话记录集合中的每条历史对话记录,对该历史对话记录进行分析,确定与该历史对话记录对应的话题序列,其中,上述话题序列中的话题包含在上述话题集合中;将上述话题集合中的话题组成话题对组,对于每个话题对,将该话题对中的一个话题作为第一话题,将另一个话题作为第二话题,基于所生成的各个话题序列,确定上述第二话题在上述第一话题之后出现的次数,将该次数作为第一值,以及确定上述话题集合中的话题在上述第一话题之后出现的次数的总和,将上述第一值和上述总和的比值确定为上述第一话题的下一话题是上述第二话题的概率;将基于上述话题对组中的各个话题对确定的概率生成上述目标话题转移矩阵。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括: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,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介质,其上存储有计算机程序,上述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推送信息的方法和装置,通过获取预设的第一用户类别下的用户当前的对话语句,而后基于该对话语句,在预设的话题集合中确定该用户当前讨论的目标话题,之后获取概率差异矩阵,以便基于该目标话题和该概率差异矩阵,从该话题集合中选取话题作为推荐话题,最后将该推荐话题的名称推送至该用户的终端设备。有效利用了目标话题和概率差异矩阵来确定推荐话题,实现了富于针对性的信息推送,可以对用户进行话题引导。
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推送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推送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推送信息的方法的又一个实施例的流程图;
图5是根据本申请的用于推送信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备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推送信息的方法或用于推送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上可以安装有各种通讯客户端应用,例如网页浏览器应用、电话类应用、即时通信工具、社交平台软件等。
终端设备101、102、103可以是具有显示屏的各种电子设备,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,服务器105可以获取用户通过终端设备101、102、103输入的对话语句,基于该对话语句进行分析等处理,将处理结果(例如所确定的推荐话题的名称)返回给终端设备101、102、103。
需要说明的是,本申请实施例所提供的用于推送信息的方法一般由服务器105执行,相应地,用于推送信息的装置一般设置于服务器105中。
需要指出的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
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,示出了根据本申请的用于推送信息的方法的一个实施例的流程200。该用于推送信息的方法的流程200,包括以下步骤:
步骤201,获取预设的第一用户类别下的用户当前的对话语句。
在本实施例中,用于推送信息的方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取预设的第一用户类别下的用户当前的对话语句。其中,第一用户类别可以是用于指示用户的沟通能力较弱的用户类别,例如在背景技术部分提到的以下用户类别:新销售、不善于沟通。另外,对话语句可以是语音信息,也可以是文本信息。
步骤202,基于对话语句,在预设的话题集合中确定用户当前讨论的目标话题。
在本实施例中,上述电子设备可以基于获取到的对话语句,在预设的话题集合中确定用户当前讨论的目标话题。作为示例,假设对话语句为文本信息,上述电子设备本地可以预先存储有对应关系表,该对应关系表中的每条信息可以包括文本信息和与该文本信息对应的话题名称。上述电子设备可以计算对话语句与该对应关系表中的每条文本信息之间的相似度,然后将与该对话语句的相似度最大的文本信息所对应的话题名称所指示的话题确定为目标话题。
需要说明的是,上述电子设备可以采用余弦相似度(cosine similarity)算法、Jaccard系数之类的公知的文本相似度计算方法来进行相似度计算。由于余弦相似度算法和Jaccard系数是目前广泛研究和应用的公知技术,在此不再赘述。
在本实施例的一些可选的实现方式中,上述电子设备还可以基于获取到的对话语句和该对话语句的前第一预置数目(例如3等)条历史对话语句,确定目标话题。作为示例,假设对话语句为文本信息,上述话题集合中的每个话题对应有关键词集合。上述电子设备可以从对话语句和该对话语句的前第一预置数目条历史对话语句中提取出关键词,然后计算提取出的关键词与每个话题所对应的关键词集合中的关键词的相似度,最后将与提取出的关键词的相似度最大的关键词集合所对应的话题确定为目标话题。
需要说明的是,第一预置数目是可以根据实际需要进行调整的,本实施例不对此方面内容做任何限定。
步骤203,获取概率差异矩阵。
在本实施例中,上述电子设备可以获取概率差异矩阵。其中,概率差异矩阵可以是预设的第一话题转移矩阵和第二话题转移矩阵之间的差值。第一话题转移矩阵可以与预设的第二用户类别相关联。第二话题转移矩阵可以与第一用户类别相关联。第一话题转移矩阵和第二话题转移矩阵中的每个元素的行标和列标可以分别用于指示上述话题集合中的话题。该元素的值可以用于表示该元素的行标所指示的话题的下一话题是该元素的列标所指示的话题的概率。需要说明的是,第二用户类别可以是用于指示用户的沟通能力较强的用户类别,例如在背景技术部分提到的以下用户类别:老销售、善于沟通。
作为示例,上述概率差异矩阵可以是预先存储的矩阵。上述电子设备可以从本地或所连接的服务器获取上述概率差异矩阵。
在本实施例的一些可选的实现方式中,若未预先存储上述概率差异矩阵,则上述电子设备可以从本地或所连接的服务器获取最新的第一话题转移矩阵和第二话题转移矩阵,然后将第一话题转移矩阵减去第二话题转移矩阵,得到上述概率差异矩阵。
在本实施例的一些可选的实现方式中,将第一用户类别或第二用户类别作为待处理用户类别,将与待处理用户类别相关联的第一话题转移矩阵或第二话题转移矩阵作为目标话题转移矩阵,该目标话题转移矩阵可以是执行端(例如上述电子设备或上述电子设备所连接的服务器)通过以下生成步骤生成的:
首先,上述执行端可以获取与待处理用户类别对应的历史对话记录集合。历史对话记录集合可以预先存储在上述执行端本地或上述执行端所连接的服务器中。其中,历史对话记录集合可以包括待处理用户类别下的至少一个用户的历史对话记录。
而后,对于历史对话记录集合中的每条历史对话记录,上述执行端可以对该历史对话记录进行分析,确定与该历史对话记录对应的话题序列。其中,话题序列中的话题包含在上述话题集合中。这里,上述执行端可以将该历史对话记录划分成多条对话语句,然后确定每条对话语句所归属的话题,最后将确定出的各个话题组成与该历史对话记录对应的话题序列。另外,话题序列中的话题可以是按对应对话语句的先后顺序进行排列的。
然后,上述执行端可以将上述话题集合中的话题组成话题对组。对于每个话题对,上述执行端可以将该话题对中的一个话题作为第一话题,将另一个话题作为第二话题。上述执行端可以基于所生成的各个话题序列,确定第二话题在第一话题之后出现的次数,将该次数作为第一值。以及上述执行端可以确定上述话题集合中的话题在第一话题之后出现的次数的总和。上述执行端可以将第一值和该总和的比值确定为第一话题的下一话题是第二话题的概率。
作为示例,假设上述话题集合包括话题A、B、C,上述执行端组成的话题对组可以包括以下六个话题对:(A,B)、(A,C)、(B,A)、(B、C)、(C、A),(C,B)。以话题对(A,B)为例,上述执行端可以将话题A作为第一话题,将话题B作为第二话题,上述执行端可以在确定的各个话题序列中统计出话题B在话题A之后出现的次数。设该各个话题序列包括以下三个话题序列:[A,B,C]、[A,C,B]、[C,A,B]。在话题序列[A,B,C]、[C,A,B]中,话题B均位于话题A之后,可见,话题B在话题A之后出现的次数为2。另外,在话题序列[A,C,B]中,话题C在话题A之后出现了1次。因此,上述话题集合中的话题(即话题B、话题C)在话题A之后出现的次数的总和为3。上述执行端可以将2与3的比值(例如保留三位小数的比值0.667)确定为话题A的下一话题是话题B的概率。通俗地讲,该比值可以用于表示当前聊到话题A时下一个聊到话题B的概率。
最后,上述执行端可以将基于话题对组中的各个话题对确定的概率生成目标话题转移矩阵。其中,该目标话题转移矩阵的行数和列数与上述话题集合中的话题的数目相同。
步骤204,基于目标话题和概率差异矩阵,从话题集合中选取话题作为推荐话题。
在本实施例中,上述电子设备可以基于上述目标话题和上述概率差异矩阵,从上述话题集合中选取话题作为推荐话题。作为示例,对于上述概率差异矩阵中的行标所指示的话题为上述目标话题的一行元素,上述电子设备可以将该行元素中的各个元素的值进行大小比较,以查找到值最大的元素,上述电子设备可以将该元素的列标所指示的话题确定为推荐话题。
在本实施例的一些可选的实现方式中,上述电子设备可以先从上述概率差异矩阵中提取出行标所指示的话题为上述目标话题的元素。而后,上述电子设备可以按照数值由大到小的顺序,从提取出的各个元素中选取出第二预置数目(例如2或3等)个元素。例如,上述电子设备可以按照数值由大到小的顺序对提取出的各个元素进行排序,从值最大的一侧开始,从经排序后的元素中选取出前第二预置数目个元素。最后,上述电子设备可以将选取出的元素的列标所指示的话题作为推荐话题。需要说明的是,第二预置数目是可以根据实际需要进行调整的,本实施例不对此方面内容做任何限定。
步骤205,将推荐话题的名称推送至用户的终端设备。
在本实施例中,上述电子设备在确定推荐话题后,上述电子设备可以通过有线连接方式或者无线连接方式将该推荐话题的名称推送至在步骤201中获取到的对话语句所归属的用户的终端设备。
需要说明的是,上述推荐话题是上述电子设备根据上述第一话题转移矩阵和上述第二话题转移矩阵之间的话题转移概率差异预测出的沟通能力较强的用户(即第二用户类别下的用户)可能聊到的话题。将该推荐话题的名称推送至第一用户类别下的用户的终端设备,可以对该用户进行话题引导,使该用户根据推荐话题来确定下一个沟通话题。通过话题引导,可以逐渐地提高用户的沟通能力,使用户与另一沟通方进行有效的沟通。而且,在销售领域,还有助于提高客户转化率。
继续参见图3,图3是根据本实施例的用于推送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,第一用户类别为新销售,第二用户类别为老销售。新销售人员可以通过其持有的智能手机301上安装的电话类应用与客户进行电话沟通。在电话沟通过程中,服务器302可以从智能手机301获取该新销售人员当前的对话语句303。而后,服务器302可以基于对话语句303,在预设的话题集合中确定该新销售人员当前讨论的目标话题304。接着,服务器302可以本地获取已存储的概率差异矩阵305。然后,服务器302可以基于目标话题304和概率差异矩阵305,从上述话题集合中选取话题作为推荐话题306。最后,服务器302可以将推荐话题的名称307推送至智能手机301,以对该新销售人员进行话题引导。
本申请的上述实施例提供的方法有效利用了目标话题和概率差异矩阵来确定推荐话题,实现了富于针对性的信息推送,可以对用户进行话题引导。
进一步参考图4,其示出了用于推送信息的方法的又一个实施例的流程400。该用于推送信息的方法的流程400,包括以下步骤:
步骤401,获取预设的第一用户类别下的用户当前的对话语句。
在本实施例中,用于推送信息的方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取预设的第一用户类别下的用户当前的对话语句。其中,第一用户类别可以是用于指示用户的沟通能力较弱的用户类别,例如在背景技术部分提到的以下用户类别:新销售、不善于沟通。另外,对话语句可以是语音信息,也可以是文本信息。
步骤402,响应于对话语句为语音信息,将对话语句转换为文本信息,对文本信息进行分词,得到分出的各个词。
在本实施例中,响应于上述电子设备获取到的对话语句为语音信息,上述电子设备可以将该对话语句转换为文本信息,对该文本信息进行分词,得到分出的各个词。
需要说明的是,上述电子设备可以利用语音识别技术来将对话语句转换为文本信息(即字符序列)。其中,语音识别技术,也被称为自动语音识别(Automatic SpeechRecognition,ASR),其目标是将人类的语音中的词汇内容转换为计算机可读的输入,例如按键、二进制编码或者字符序列。语音识别技术所涉及的领域包括:信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。由于语音识别技术是目前广泛研究和应用的公知技术,在此不再赘述。
另外,上述电子设备例如可以对经转换所得的文本信息进行全切分方法等处理,把该文本信息分割成词,以得到分出的各个词。
步骤403,对于预设的话题集合中的每个话题,执行概率确定步骤。
在本实施例中,预设的话题集合可以预先存储在上述电子设备本地或与上述电子设备所连接的服务器。话题集合中的每个话题可以对应有特征词序列和预先训练的话题识别模型。该话题识别模型可以用于进行话题识别。
需要说明的是,话题识别模型可以是技术人员基于大量统计计算而预先制定的、用于表征特征向量与概率(用于指示对话语句归属于该话题识别模型所对应的话题的概率)的对应关系的对应关系表;也可以是使用朴素贝叶斯模型(Naive Bayesian Model,NBM)、支持向量机(Support Vector Machine,SVM)、XGBoost(eXtreme GradientBoosting)等用于分类的模型或使用分类函数(例如softmax函数等)等进行训练得到的。
在本实施例中,对于上述话题集合中的每个话题,上述电子设备可以执行以下概率确定步骤:
首先,上述电子设备可以确定上述各个词中的每个词与该话题所对应的特征词序列中的每个特征词之间的相似度。这里,上述电子设备可以采用余弦相似度(cosinesimilarity)算法、Jaccard系数之类的公知的文本相似度计算方法来进行相似度计算。由于余弦相似度算法和Jaccard系数是目前广泛研究和应用的公知技术,在此不再赘述。
而后,上述电子设备可以基于确定的相似度,生成与上述对话语句和该话题同时对应的第一特征向量。其中,该第一特征向量中的每个元素的值可以是该特征词序列中的与该元素处于同一位置的特征词与上述各个词之间的相似度中的最大值。这里,该第一特征向量的长度与该特征词序列的长度相同。该第一特征向量中的每个元素与该第一特征向量中的与该元素处于同一位置的特征词相对应。
然后,上述电子设备可以获取上述对话语句的前第一预置数目(例如3等)条历史对话语句分别对应的、与该话题相关的第二特征向量。上述电子设备可以基于所获取的各个第二特征向量生成第三特征向量。其中,第三特征向量中的每个元素的值可以是该各个第二特征向量中的、与该元素处于同一位置的元素的值中的最大值。
需要说明的是,该各个第二特征向量中的每个第二特征向量的生成方法类似于上述第一特征向量的生成方法。该第二特征向量的长度与上述第一特征向量的长度相同。该第二特征向量与上述第一特征向量对应位置上的元素对应相同的特征词。
另外,上述电子设备所获取的第二特征向量可以是预先生成的,也可以不是预先生成。若上述电子设备所获取的第二特征向量是预先生成的,上述电子设备可以从本地或所连接的服务器获取该第二特征向量。若该第二特征向量不是预先生成的,则上述电子设备可以获取上述前第一预置数目条历史对话语句,对于每条历史对话语句,上述电子设备可以采用第一特征向量的生成方法来生成与该历史对话语句和该话题同时对应的第二特征向量。
最后,上述电子设备可以将上述第一特征向量和上述第三特征向量输入与该话题对应的话题识别模型,得到上述对话语句归属于该话题的概率。
需要说明的是,结合对话语句的上下文来对对话语句进行话题识别,可以提高识别结果的准确度。
步骤404,从话题集合中选取对应最大概率的话题作为目标话题。
在本实施例中,上述电子设备执行完步骤403后,上述电子设备可以从上述话题集合中选取对应最大概率的话题作为目标话题,即上述用户当前讨论的话题。
步骤405,获取概率差异矩阵。
在本实施例中,上述电子设备可以获取概率差异矩阵。其中,概率差异矩阵可以是预设的第一话题转移矩阵和第二话题转移矩阵之间的差值。第一话题转移矩阵可以与预设的第二用户类别相关联。第二话题转移矩阵可以与第一用户类别相关联。第一话题转移矩阵和第二话题转移矩阵中的每个元素的行标和列标可以分别用于指示上述话题集合中的话题。该元素的值可以用于表示该元素的行标所指示的话题的下一话题是该元素的列标所指示的话题的概率。需要说明的是,第二用户类别可以是用于指示用户的沟通能力较强的用户类别,例如在背景技术部分提到的以下用户类别:老销售、善于沟通。
需要说明的是,针对概率差异矩阵的解释说明,可参看图2所示实施例中的步骤203的相关说明,在此不再赘述。
步骤406,基于目标话题和概率差异矩阵,从话题集合中选取话题作为推荐话题。
在本实施例中,上述电子设备可以基于上述目标话题和上述概率差异矩阵,从上述话题集合中选取话题作为推荐话题。作为示例,对于上述概率差异矩阵中的行标所指示的话题为上述目标话题的一行元素,上述电子设备可以将该行元素中的各个元素的值进行大小比较,以查找到值最大的元素,将该元素的列标所指示的话题确定为推荐话题。
再例如,上述电子设备可以先从上述概率差异矩阵中提取出行标所指示的话题为上述目标话题的元素。而后,上述电子设备可以按照数值由大到小的顺序,从提取出的各个元素中选取出第二预置数目(例如2或3等)个元素。例如,上述电子设备可以按照数值由大到小的顺序对提取出的各个元素进行排序,从值最大的一侧开始,从经排序后的元素中选取出前第二预置数目个元素。最后,上述电子设备可以将选取出的元素的列标所指示的话题作为推荐话题。需要说明的是,第二预置数目是可以根据实际需要调整的,本实施例不对此方面内容做任何限定。
步骤407,将推荐话题的名称推送至用户的终端设备。
在本实施例中,上述电子设备在确定推荐话题后,上述电子设备可以通过有线连接方式或者无线连接方式将该推荐话题的名称推送至在步骤201中获取到的对话语句所归属的用户的终端设备。
在本实施例的一些可选的实现方式中,若上述对话语句为文本信息,则上述电子设备可以对上述对话语句进行分词,得到分出的各个词。然后,上述电子设备可以基于分出的各个词,继续执行步骤403-407。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于推送信息的方法的流程400突出了对目标话题进行确定的步骤(即步骤402-404)。由此,本实施例描述的方案可以提高识别出的目标话题的准确度,进而可以提高所确定的推荐话题的有效性,将具有一定有效性的推荐话题的名称推送至用户的终端设备,可以对用户进行有效的话题引导。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于推送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5所示,本实施例的用于推送信息的装置500包括:第一获取单元501、确定单元502、第二获取单元503、选取单元504和推送单元505。其中,第一获取单元501配置用于获取预设的第一用户类别下的用户当前的对话语句;确定单元502配置用于基于上述对话语句,在预设的话题集合中确定上述用户当前讨论的目标话题;第二获取单元503配置用于获取概率差异矩阵,其中,上述概率差异矩阵可以是预设的第一话题转移矩阵和第二话题转移矩阵之间的差值,上述第一话题转移矩阵可以与预设的第二用户类别相关联,上述第二话题转移矩阵可以与上述第一用户类别相关联,上述第一话题转移矩阵和上述第二话题转移矩阵中的每个元素的行标和列标可以分别用于指示上述话题集合中的话题;选取单元504配置用于基于上述目标话题和上述概率差异矩阵,从上述话题集合中选取话题作为推荐话题;推送单元505配置用于将上述推荐话题的名称推送至上述用户的终端设备。
在本实施例中,用于推送信息的装置500中:第一获取单元501、确定单元502、第二获取单元503、选取单元504和推送单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205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,上述确定单元502可以包括:确定子单元(图中未示出),配置用于基于上述对话语句和上述对话语句的前第一预置数目条历史对话语句,确定上述目标话题。
在本实施例的一些可选的实现方式中,上述话题集合中的每个话题可以对应有特征词序列和预先训练的话题识别模型,上述话题识别模型可以用于进行话题识别;以及上述确定子单元可以包括:第一处理模块(图中未示出),配置用于若上述对话语句为语音信息,则将上述对话语句转换为文本信息,对上述文本信息进行分词,得到分出的各个词;第二处理模块(图中未示出),配置用于对于上述话题集合中的每个话题,执行以下概率确定步骤:确定上述各个词中的每个词与该话题所对应的特征词序列中的每个特征词之间的相似度;基于确定的相似度,生成与上述对话语句和该话题同时对应的第一特征向量,其中,上述第一特征向量中的每个元素的值是该特征词序列中的与该元素处于同一位置的特征词与上述各个词之间的相似度中的最大值;获取上述前第一预置数目条历史对话语句分别对应的、与该话题相关的第二特征向量,基于所获取的各个第二特征向量生成第三特征向量,其中,上述第三特征向量中的每个元素的值是上述各个第二特征向量中的、与该元素处于同一位置的元素的值中的最大值;将上述第一特征向量和上述第三特征向量输入与该话题对应的话题识别模型,得到上述对话语句归属于该话题的概率;上述确定子单元还可以包括:选取模块(图中未示出),配置用于从上述话题集合中选取对应最大概率的话题作为上述目标话题。
在本实施例的一些可选的实现方式中,上述选取单元504可以包括:提取子单元(图中未示出),配置用于从上述概率差异矩阵中提取出行标所指示的话题为上述目标话题的元素;选取子单元(图中未示出),配置用于按照数值由大到小的顺序,从提取出的各个元素中选取出第二预置数目个元素,将选取出的元素的列标所指示的话题作为推荐话题。
在本实施例的一些可选的实现方式中,将上述第一用户类别或上述第二用户类别作为待处理用户类别,将与上述待处理用户类别相关联的第一话题转移矩阵或第二话题转移矩阵作为目标话题转移矩阵,上述目标话题转移矩阵可以是通过以下生成步骤生成的:获取与上述待处理用户类别对应的历史对话记录集合;对于上述历史对话记录集合中的每条历史对话记录,对该历史对话记录进行分析,确定与该历史对话记录对应的话题序列,其中,上述话题序列中的话题包含在上述话题集合中;将上述话题集合中的话题组成话题对组,对于每个话题对,将该话题对中的一个话题作为第一话题,将另一个话题作为第二话题,基于所生成的各个话题序列,确定上述第二话题在上述第一话题之后出现的次数,将该次数作为第一值,以及确定上述话题集合中的话题在上述第一话题之后出现的次数的总和,将上述第一值和上述总和的比值确定为上述第一话题的下一话题是上述第二话题的概率;将基于上述话题对组中的各个话题对确定的概率生成上述目标话题转移矩阵。
本申请的上述实施例提供的装置有效利用了目标话题和概率差异矩阵来确定推荐话题,实现了富于针对性的信息推送,可以对用户进行话题引导。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子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6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示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,上述模块、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,框图或流程图中的每个方框、以及框图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:一种处理器包括第一获取单元、确定单元、第二获取单元、选取单元和推送单元。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,第一获取单元还可以被描述为“获取预设的第一用户类别下的用户当前的对话语句的单元”。
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电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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一个该电子设备执行时,使得该电子设备包括:获取预设的第一用户类别下的用户当前的对话语句;基于对话语句,在预设的话题集合中确定用户当前讨论的目标话题;获取概率差异矩阵,其中,概率差异矩阵是预设的第一话题转移矩阵和第二话题转移矩阵之间的差值,第一话题转移矩阵与预设的第二用户类别相关联,第二话题转移矩阵与第一用户类别相关联,第一话题转移矩阵和第二话题转移矩阵中的每个元素的行标和列标分别用于指示话题集合中的话题;基于目标话题和概率差异矩阵,从话题集合中选取话题作为推荐话题;将推荐话题的名称推送至用户的终端设备。
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 (12)
1.一种用于推送信息的方法,包括:
获取预设的第一用户类别下的用户当前的对话语句;
基于所述对话语句,在预设的话题集合中确定所述用户当前讨论的目标话题;
获取概率差异矩阵,其中,所述概率差异矩阵是预设的第一话题转移矩阵和第二话题转移矩阵之间的差值,所述第一话题转移矩阵与预设的第二用户类别相关联,所述第二话题转移矩阵与所述第一用户类别相关联,所述第一话题转移矩阵和所述第二话题转移矩阵中的每个元素的行标和列标分别用于指示所述话题集合中的话题,每个元素的值表示该元素的行标所指示的话题的下一话题是该元素的列标所指示的话题的概率;
基于所述目标话题和所述概率差异矩阵,从所述话题集合中选取话题作为推荐话题;
将所述推荐话题的名称推送至所述用户的终端设备;
其中,所述基于所述目标话题和所述概率差异矩阵,从所述话题集合中选取话题作为推荐话题,包括:从所述概率差异矩阵中提取出行标所指示的话题为所述目标话题的元素;从提取出的各个元素的列标分别指示的话题中选取话题作为推荐话题。
2.根据权利要求1所述的方法,其中,所述基于所述对话语句,在预设的话题集合中确定所述用户当前讨论的目标话题,包括:
基于所述对话语句和所述对话语句的前第一预置数目条历史对话语句,确定所述目标话题。
3.根据权利要求2所述的方法,其中,所述话题集合中的每个话题对应有特征词序列和预先训练的话题识别模型,所述话题识别模型用于进行话题识别;以及
所述基于所述对话语句和所述对话语句的前第一预置数目条历史对话语句,确定所述目标话题,包括:
若所述对话语句为语音信息,则将所述对话语句转换为文本信息,对所述文本信息进行分词,得到分出的各个词;
对于所述话题集合中的每个话题,执行以下概率确定步骤:
确定所述各个词中的每个词与该话题所对应的特征词序列中的每个特征词之间的相似度;
基于确定的相似度,生成与所述对话语句和该话题同时对应的第一特征向量,其中,所述第一特征向量中的每个元素的值是该特征词序列中的与该元素处于同一位置的特征词与所述各个词之间的相似度中的最大值;
获取所述前第一预置数目条历史对话语句分别对应的、与该话题相关的第二特征向量,基于所获取的各个第二特征向量生成第三特征向量,其中,所述第三特征向量中的每个元素的值是所述各个第二特征向量中的、与该元素处于同一位置的元素的值中的最大值;
将所述第一特征向量和所述第三特征向量输入与该话题对应的话题识别模型,得到所述对话语句归属于该话题的概率;
所述基于所述对话语句和所述对话语句的前第一预置数目条历史对话语句,确定所述目标话题,还包括:
从所述话题集合中选取对应最大概率的话题作为所述目标话题。
4.根据权利要求1所述的方法,其中,所述基于所述目标话题和所述概率差异矩阵,从所述话题集合中选取话题作为推荐话题,包括:
按照数值由大到小的顺序,从提取出的各个元素中选取出第二预置数目个元素,将选取出的元素的列标所指示的话题作为推荐话题。
5.根据权利要求1所述的方法,其中,将所述第一用户类别或所述第二用户类别作为待处理用户类别,将与所述待处理用户类别相关联的第一话题转移矩阵或第二话题转移矩阵作为目标话题转移矩阵,所述目标话题转移矩阵是通过以下生成步骤生成的:
获取与所述待处理用户类别对应的历史对话记录集合;
对于所述历史对话记录集合中的每条历史对话记录,对该历史对话记录进行分析,确定与该历史对话记录对应的话题序列,其中,所述话题序列中的话题包含在所述话题集合中;
将所述话题集合中的话题组成话题对组,对于每个话题对,将该话题对中的一个话题作为第一话题,将另一个话题作为第二话题,基于所生成的各个话题序列,确定所述第二话题在所述第一话题之后出现的次数,将该次数作为第一值,以及确定所述话题集合中的话题在所述第一话题之后出现的次数的总和,将所述第一值和所述总和的比值确定为所述第一话题的下一话题是所述第二话题的概率;
将基于所述话题对组中的各个话题对确定的概率生成所述目标话题转移矩阵。
6.一种用于推送信息的装置,包括:
第一获取单元,配置用于获取预设的第一用户类别下的用户当前的对话语句;
确定单元,配置用于基于所述对话语句,在预设的话题集合中确定所述用户当前讨论的目标话题;
第二获取单元,配置用于获取概率差异矩阵,其中,所述概率差异矩阵是预设的第一话题转移矩阵和第二话题转移矩阵之间的差值,所述第一话题转移矩阵与预设的第二用户类别相关联,所述第二话题转移矩阵与所述第一用户类别相关联,所述第一话题转移矩阵和所述第二话题转移矩阵中的每个元素的行标和列标分别用于指示所述话题集合中的话题,每个元素的值表示该元素的行标所指示的话题的下一话题是该元素的列标所指示的话题的概率;
选取单元,配置用于基于所述目标话题和所述概率差异矩阵,从所述话题集合中选取话题作为推荐话题;
推送单元,配置用于将所述推荐话题的名称推送至所述用户的终端设备;
其中,所述选取单元包括:提取子单元,配置用于从所述概率差异矩阵中提取出行标所指示的话题为所述目标话题的元素;从提取出的各个元素的列标分别指示的话题中选取话题作为推荐话题。
7.根据权利要求6所述的装置,其中,所述确定单元包括:
确定子单元,配置用于基于所述对话语句和所述对话语句的前第一预置数目条历史对话语句,确定所述目标话题。
8.根据权利要求7所述的装置,其中,所述话题集合中的每个话题对应有特征词序列和预先训练的话题识别模型,所述话题识别模型用于进行话题识别;以及
所述确定子单元包括:
第一处理模块,配置用于若所述对话语句为语音信息,则将所述对话语句转换为文本信息,对所述文本信息进行分词,得到分出的各个词;
第二处理模块,配置用于对于所述话题集合中的每个话题,执行以下概率确定步骤:
确定所述各个词中的每个词与该话题所对应的特征词序列中的每个特征词之间的相似度;
基于确定的相似度,生成与所述对话语句和该话题同时对应的第一特征向量,其中,所述第一特征向量中的每个元素的值是该特征词序列中的与该元素处于同一位置的特征词与所述各个词之间的相似度中的最大值;
获取所述前第一预置数目条历史对话语句分别对应的、与该话题相关的第二特征向量,基于所获取的各个第二特征向量生成第三特征向量,其中,所述第三特征向量中的每个元素的值是所述各个第二特征向量中的、与该元素处于同一位置的元素的值中的最大值;
将所述第一特征向量和所述第三特征向量输入与该话题对应的话题识别模型,得到所述对话语句归属于该话题的概率;
所述确定子单元还包括:
选取模块,配置用于从所述话题集合中选取对应最大概率的话题作为所述目标话题。
9.根据权利要求6所述的装置,其中,所述选取单元包括:
选取子单元,配置用于按照数值由大到小的顺序,从提取出的各个元素中选取出第二预置数目个元素,将选取出的元素的列标所指示的话题作为推荐话题。
10.根据权利要求6所述的装置,其中,将所述第一用户类别或所述第二用户类别作为待处理用户类别,将与所述待处理用户类别相关联的第一话题转移矩阵或第二话题转移矩阵作为目标话题转移矩阵,所述目标话题转移矩阵是通过以下生成步骤生成的:
获取与所述待处理用户类别对应的历史对话记录集合;
对于所述历史对话记录集合中的每条历史对话记录,对该历史对话记录进行分析,确定与该历史对话记录对应的话题序列,其中,所述话题序列中的话题包含在所述话题集合中;
将所述话题集合中的话题组成话题对组,对于每个话题对,将该话题对中的一个话题作为第一话题,将另一个话题作为第二话题,基于所生成的各个话题序列,确定所述第二话题在所述第一话题之后出现的次数,将该次数作为第一值,以及确定所述话题集合中的话题在所述第一话题之后出现的次数的总和,将所述第一值和所述总和的比值确定为所述第一话题的下一话题是所述第二话题的概率;
将基于所述话题对组中的各个话题对确定的概率生成所述目标话题转移矩阵。
11.一种电子设备,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,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251153.1A CN108388674B (zh) | 2018-03-26 | 2018-03-26 | 用于推送信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251153.1A CN108388674B (zh) | 2018-03-26 | 2018-03-26 | 用于推送信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108388674A CN108388674A (zh) | 2018-08-10 |
CN108388674B true CN108388674B (zh) | 2021-11-26 |
Family
ID=63072180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810251153.1A Active CN108388674B (zh) | 2018-03-26 | 2018-03-26 | 用于推送信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108388674B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543177B (zh) * | 2018-10-19 | 2022-04-12 | 中国平安人寿保险股份有限公司 | 消息数据处理方法、装置、计算机设备和存储介质 |
CN109522481A (zh) * | 2018-11-07 | 2019-03-26 | 中山大学 | 一种基于马尔可夫模型的可拓展用户视野的推荐方法 |
CN111859096B (zh) * | 2019-04-19 | 2024-04-19 | 北京嘀嘀无限科技发展有限公司 | 信息推送装置、方法、电子设备及计算机可读存储介质 |
CN110347973B (zh) * | 2019-07-15 | 2023-07-14 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN111414462B (zh) * | 2020-02-21 | 2023-06-30 | 网易(杭州)网络有限公司 | 一种对话语句确定方法、装置、计算机设备和介质 |
CN111368063B (zh) * | 2020-03-06 | 2023-03-17 | 腾讯科技(深圳)有限公司 | 一种基于机器学习的信息推送方法以及相关装置 |
CN111460120A (zh) * | 2020-03-31 | 2020-07-28 | 河北省讯飞人工智能研究院 | 一种对话管理方法、装置、设备及存储介质 |
CN112035633B (zh) * | 2020-08-21 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、对话设备及存储介质 |
CN112395498A (zh) * | 2020-11-02 | 2021-02-23 | 北京五八信息技术有限公司 | 话题推荐方法、装置、电子设备及存储介质 |
CN113434633B (zh) * | 2021-06-28 | 2022-09-16 | 平安科技(深圳)有限公司 | 基于头像的社交话题推荐方法、装置、设备及存储介质 |
CN113378977B (zh) * | 2021-06-30 | 2023-11-21 | 中国农业银行股份有限公司 | 一种录音数据的处理方法和装置 |
CN115186147B (zh) * | 2022-05-31 | 2023-08-25 | 华院计算技术(上海)股份有限公司 | 对话内容的生成方法及装置、存储介质、终端 |
CN114841294B (zh) * | 2022-07-04 | 2022-10-28 | 杭州德适生物科技有限公司 | 一种检测染色体结构异常的分类器模型训练方法及装置 |
CN115809669B (zh) * | 2022-12-30 | 2024-03-29 | 联通智网科技股份有限公司 | 一种对话管理方法和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488213A (zh) * | 2015-12-11 | 2016-04-13 | 哈尔滨工业大学深圳研究生院 | 面向lbs的基于马尔可夫预测算法的个性化推荐方法 |
CN106021372A (zh) * | 2016-05-11 | 2016-10-12 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及服务器 |
CN106294854A (zh) * | 2016-08-22 | 2017-01-04 | 北京光年无限科技有限公司 | 一种用于智能机器人的人机交互方法及装置 |
WO2017185396A1 (zh) * | 2016-04-26 | 2017-11-02 | 北京中科寒武纪科技有限公司 | 一种用于执行矩阵加/减运算的装置和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599029B (zh) * | 2016-11-02 | 2021-04-06 | 焦点科技股份有限公司 | 一种中文短文本聚类方法 |
-
2018
- 2018-03-26 CN CN201810251153.1A patent/CN108388674B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488213A (zh) * | 2015-12-11 | 2016-04-13 | 哈尔滨工业大学深圳研究生院 | 面向lbs的基于马尔可夫预测算法的个性化推荐方法 |
WO2017185396A1 (zh) * | 2016-04-26 | 2017-11-02 | 北京中科寒武纪科技有限公司 | 一种用于执行矩阵加/减运算的装置和方法 |
CN106021372A (zh) * | 2016-05-11 | 2016-10-12 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及服务器 |
CN106294854A (zh) * | 2016-08-22 | 2017-01-04 | 北京光年无限科技有限公司 | 一种用于智能机器人的人机交互方法及装置 |
Non-Patent Citations (2)
Title |
---|
"一种有效的多文档文摘语义空间降维方法";张先飞 等;《情报学报》;20110328;第28卷(第3期);第286-291页 * |
"状态转移矩阵的差分算法及其应用";胡小工 等;《天文学报》;20040227;第41卷(第2期);第113-122页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108388674A (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388674B (zh) | 用于推送信息的方法和装置 | |
US10558984B2 (en) | Method, apparatus and server for identifying risky user | |
CN109214386B (zh) | 用于生成图像识别模型的方法和装置 | |
US10777207B2 (en) | Method and apparatus for verifying information | |
US10650311B2 (en) | Suggesting resources using context hashing | |
CN111428010B (zh) | 人机智能问答的方法和装置 | |
CN110069698B (zh) | 信息推送方法和装置 | |
CN107437417B (zh) | 基于循环神经网络语音识别中语音数据增强方法及装置 | |
CN107291775B (zh) | 错误样本的修复语料生成方法和装置 | |
CN110555451A (zh) | 信息识别方法和装置 | |
CN108268450B (zh) | 用于生成信息的方法和装置 | |
CN109190123B (zh) | 用于输出信息的方法和装置 | |
CN112163081A (zh) | 标签确定方法、装置、介质及电子设备 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN111368551A (zh) | 一种确定事件主体的方法和装置 | |
CN111639162A (zh) | 信息交互方法和装置、电子设备和存储介质 | |
CN107766498B (zh) | 用于生成信息的方法和装置 | |
CN111861596A (zh) | 一种文本分类方法和装置 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN112148841B (zh) | 一种对象分类以及分类模型构建方法和装置 | |
CN113590756A (zh) | 信息序列生成方法、装置、终端设备和计算机可读介质 | |
CN110738056A (zh) | 用于生成信息的方法和装置 | |
US20220198487A1 (en) | Method and device for processing user interaction information | |
JP2020509397A (ja) | 音声における記号シーケンスの推定 | |
CN109710939B (zh) | 用于确定主题的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |