CN110472136A - 查询结果的推送方法、装置、存储介质和计算机设备 - Google Patents
查询结果的推送方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN110472136A CN110472136A CN201910597524.6A CN201910597524A CN110472136A CN 110472136 A CN110472136 A CN 110472136A CN 201910597524 A CN201910597524 A CN 201910597524A CN 110472136 A CN110472136 A CN 110472136A
- Authority
- CN
- China
- Prior art keywords
- point
- knowledge
- default
- knowledge point
- models
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 11
- 238000009877 rendering Methods 0.000 claims description 9
- 230000001960 triggered effect Effects 0.000 claims description 8
- 230000009191 jumping Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000002716 delivery method Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9558—Details of hyperlinks; Management of linked annotations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种查询结果的推送方法、装置、计算机可读存储介质和计算机设备,所述方法包括:获取输入的查询信息;通过预设知识点模型确定所述查询信息对应的目标知识点,其中,每个预设知识点设置对应的预设知识点模型;根据所述目标知识点输出目标页面。本申请提供的方案不仅提升了针对查询信息的准确率和召回率,而且简化了目标页面导航,更加直观地输出目标页面。
Description
技术领域
本申请涉及计算机互联网技术领域,特别是涉及一种查询结果的推送方法、装置、计算机可读存储介质和计算机设备。
背景技术
常规的产品应用汇总了大量的信息,界面较为复杂,用户常常通过客服机器人了解产品的讯息。当用户输入查询信息时,系统通过查询信息与问题数据库中标准问题的相似性确定查询信息对应的标准问题,从而输出标准问题对应的标准答案。但是,由于文字的局限性,针对查询信息的召回率和准确率存在局限性,并且,标准答案一般为一长串点击路径的繁琐描述,冗长的点击路径给用户带来了难记忆性和不便捷性。
发明内容
基于此,有必要针对查询信息的召回率和准确率低以及查询结果繁琐冗长的技术问题,提供一种查询结果的推送方法、装置、计算机可读存储介质和计算机设备。
一种查询结果的推送方法,包括:
获取输入的查询信息;
通过预设知识点模型确定所述查询信息对应的目标知识点,其中,每个预设知识点设置对应的预设知识点模型;
根据所述目标知识点输出目标页面。
在一个实施例中,所述通过预设知识点模型确定所述查询信息对应的目标知识点的步骤,包括:
获取所述查询信息与所述预设知识点之间的相似度,根据所述相似度确定所述查询信息对应的候选知识点;
根据每个所述候选知识点对应的预设知识点模型,从所述候选知识点中确定所述查询信息对应的目标知识点。
在一个实施例中,所述根据每个所述候选知识点对应的预设知识点模型,从所述候选知识点中确定所述查询信息对应的目标知识点的步骤,包括:
根据每个所述候选知识点对应的预设知识点模型对所述查询信息进行概率计算,得到所述查询信息属于每个所述候选知识点的概率;
获取所述概率满足预设条件的预设知识点模型,并将所述预设知识点模型对应的候选知识点作为所述查询信息对应的目标知识点。
在一个实施例中,所述通过预设知识点模型确定所述查询信息对应的目标知识点的步骤,包括:
根据每个所述预设知识点对应的预设知识点模型对所述查询信息进行概率计算,得到所述查询信息属于每个所述预设知识点的概率;
获取所述概率满足预设条件的预设知识点模型,并将所述预设知识点模型对应的预设知识点作为所述查询信息对应的目标知识点。
在一个实施例中,所述根据所述目标知识点输出目标页面的步骤,包括:
根据预设知识点与页面参数之间的映射关系,根据所述页面参数输出所述目标知识点对应的目标页面,所述页面参数包括链接地址,或者,所述页面参数包括链接地址和页面配置参数。
在一个实施例中,所述根据所述页面参数输出所述目标知识点对应的目标页面的步骤,包括:
根据所述页面参数生成并输出所述目标页面的链接,所述链接用于在被触发时能跳转至所述目标页面;
或者,直接跳转至所述目标页面。
在一个实施例中,所述根据所述页面参数生成并输出所述目标页面的链接的步骤,包括:
利用所述页面配置参数渲染所述链接地址;
输出渲染后的所述链接地址。
在一个实施例中,所述预设知识点模型的构建方式包括:
获取每个所述预设知识点对应的模型训练数据;
根据每个所述预设知识点对应的模型训练数据,训练得到每个所述预设知识点对应的预设知识点模型。
一种查询结果的推送装置,所述装置包括:
获取模块,用于获取输入的查询信息;
确定模块,用于通过预设知识点模型确定所述查询信息对应的目标知识点,其中,每个预设知识点设置对应的预设知识点模型;
输出模块,用于根据所述目标知识点输出目标页面。
在一个实施例中,所述确定模块还用于获取所述查询信息与所述预设知识点之间的相似度,根据所述相似度确定所述查询信息对应的候选知识点;根据每个所述候选知识点对应的预设知识点模型,从所述候选知识点中确定所述查询信息对应的目标知识点。
在一个实施例中,所述确定模块还用于根据每个所述候选知识点对应的预设知识点模型对所述查询信息进行概率计算,得到所述查询信息属于每个所述候选知识点的概率;获取所述概率满足预设条件的预设知识点模型,并将所述预设知识点模型对应的候选知识点作为所述查询信息对应的目标知识点。
在一个实施例中,所述确定模块还用于根据每个所述预设知识点对应的预设知识点模型对所述查询信息进行概率计算,得到所述查询信息属于每个所述预设知识点的概率;获取所述概率满足预设条件的预设知识点模型,并将所述预设知识点模型对应的预设知识点作为所述查询信息对应的目标知识点。
在一个实施例中,所述输出模块用于根据预设知识点与页面参数之间的映射关系,根据所述页面参数输出所述目标知识点对应的目标页面,所述页面参数包括链接地址,或者,所述页面参数包括链接地址和页面配置参数。
在一个实施例中,所述输出模块还用于根据所述页面参数生成并输出所述目标页面的链接,所述链接用于在被触发时能跳转至所述目标页面;或者,直接跳转至所述目标页面。
在一个实施例中,所述输出模块还用于利用所述页面配置参数渲染所述链接地址;输出渲染后的所述链接地址。
在一个实施例中,所述查询结果的推送装置还包括训练模块,所述获取模块还用于获取每个所述预设知识点对应的模型训练数据;所述训练模块用于根据每个所述预设知识点对应的模型训练数据,训练得到每个所述预设知识点对应的预设知识点模型。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述查询结果的推送方法的步骤。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述查询结果的推送方法的步骤。
上述查询结果的推送方法、装置、计算机可读存储介质和计算机设备,预先设置每个预设知识点对应的预设知识点模型,通过每个预设知识点模型确定用户查询的目标知识点,并且预先设置预设知识点和页面之间的映射关系,以输出目标知识点对应的目标页面,不仅提升了针对查询信息的准确率和召回率,而且简化了目标页面导航,更加直观地输出目标页面。
附图说明
图1为一个实施例中查询结果的推送方法的应用环境图;
图2为一个实施例中查询结果的推送方法的流程示意图;
图3A为一个实施例中推送查询结果的界面示意图;
图3B为另一个实施例中推送查询结果的界面示意图;
图4A为又一个实施例中推送查询结果的界面示意图;
图4B为又一个实施例中查询结果的界面示意图;
图5A为再一个实施例中推送查询结果的界面示意图;
图5B为再一个实施例中查询结果的界面示意图;
图6为一个实施例中映射关系示意图;
图7为一个实施例中BERT预训练模型架构;
图8为一个实施例中BERT输入表示;
图9为另一个实施例中查询结果的推送方法的流程示意图;
图10为另一个实施例中查询结果的推送装置的结构框图;
图11为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1为一个实施例中查询结果的推送方法的应用环境图。参照图1,该查询结果的推送方法应用于查询结果的推送系统,该查询结果的推送系统包括终端102和服务器104。终端102和服务器104通过网络连接。终端102具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示,在一个实施例中,提供了一种查询结果的推送方法。本实施例主要以该方法应用于上述图1中的终端102(或服务器104)来举例说明。参照图2,该查询结果的推送方法具体包括如下步骤:
步骤202,获取输入的查询信息。
其中,查询信息是指用户针对想要了解的内容的文字或者语音描述。终端102(或服务器104)通过分析查询信息确定用户的查询意图,进而为用户提供查询意图对应的查询结果。
具体地,接收在应用界面输入的文字、语音等方式的查询信息,或者接收被触发的在应用界面中的展示的推送信息。比如,如图3所示的应用界面,用户可基于应用界面下方的输入区域输入文字、语音等,也可直接点击应用界面中的推送信息。
步骤204,通过预设知识点模型确定所述查询信息对应的目标知识点,其中,每个预设知识点设置对应的预设知识点模型。
其中,预设知识点是指通过分析历史查询数据得到的用户关注的知识点。比如,获取大量的历史查询数据,在历史查询数据中提取出各个历史查询数据对应的知识点,收集、分类这些知识点,将处理后的知识点作为预设知识点。可以理解,在历史查询数据中提取各个历史查询数据对应的知识点以及收集分类知识点可由人工操作。这样,预设知识点可涵盖用户关注的大部分知识点。其中,目标知识点是指用户的查询意图对应的知识点。当获取查询信息时,根据查询信息确定用户的查询意图,根据查询意图确定目标知识点。
其中,预设知识点模型是指根据每一个预设知识点对应的历史查询数据训练得到的知识点模型,预设知识点模型用于分析一查询信息是否属于该预设知识点模型对应的预设知识点。
由于不同的用户语言习惯不同,因此针对同一个问题,不同的用户的问法可能不同,因此在获取到用户输入的查询信息时,分析该查询信息的查询意图,以在查询数据库中确定与该查询意图相对应的目标知识点,进而根据目标知识点输出目标页面。
在查询意图分析中,一般采用短文本相似度的计算方法(比如word2vec)来确定查询信息与预先存储的查询信息的相似度,将相似度最大的预先存储的查询信息对应的内容推送给用户。但是,这种短文本相似度的计算方法针对查询信息的准确率和召回率较低,比如“人和动物本来是好朋友”与“动物和人原本是朋友”,两者文字的相似度较高,但是语义却完全不同。
本实施例中,可通过预设知识点模型确定查询信息对应的目标知识点。预设知识点模型可采用BERT(Bidirectional Encoder Representations from Transformers)模型,BERT模型可实现对文字和语义的准确识别,能够提高针对查询信息的准确率和召回率。
具体地,利用各个预设知识点的预设知识点模型对查询信息进行概率计算,得到查询信息属于每个预设知识点的概率,获取概率满足预设条件的预设知识点模型,并将预设知识点模型对应的预设知识点作为查询信息对应的目标知识点。其中,获取概率满足预设条件的预设知识点模型可以是:对各个预设知识点模型的概率进行排序,按照概率由高到低选取预设数量的预设知识点模型;对各个预设知识点模型的概率进行排序,选取概率最高的预设知识点模型。
在其中一个实施例中,在利用各个预设知识点的预设知识点模型对查询信息进行概率计算之前,计算查询信息与预设知识点之间的相似度,根据相似度从预设知识点中确定候选知识点,利用各个候选知识点的预设知识点模型对查询信息进行概率计算,以从候选知识点中确定目标知识点。其中,可通过计算查询信息与预设知识点之间的wmd(wordmover’s distance)值确定查询信息与预设知识点之间的相似度。
步骤206,根据所述目标知识点输出目标页面。
其中,目标页面是指用户的查询意图对应的页面,比如,该页面可以包含用户想要了解的信息,或者该页面包含用户想要使用的功能。在常规的查询结果中,一般为一长串点击路径的繁琐描述,例如,如图3A和图3B所示,“参与活动赠送的体验卡如何查看?”或“在哪里可以查看保单条款?”,查询结果中冗长的点击路径给用户带来了难记忆性和不便捷性。
本实施例中,建立预设知识点与页面之间的映射关系,在确定了查询信息对应的目标知识点后,对应输出目标知识点对应的目标页面。
具体地,可将预设知识点(或者预设知识点模型)与页面参数进行关联,页面参数包括链接地址,或者页面参数包括链接地址和页面配置参数。链接地址用于被触发时能够跳转至该页面,页面配置参数用于应用程序的前端渲染。例如,如图4A和图5A所示,经由前端渲染后,返回对应入口的小程序卡片或者图文链接,用户可通过小程序卡片或者图文链接进入目标页面,小程序卡片或者图文链接避免了冗长的文字描述,为用户提供了便捷的导航。
如图4B所示,用户点击小程序卡片跳转到所需的功能页面;如图5B所示,用户点击图文链接跳转到所需的信息页面。可以理解,在用户的查询意图是针对了解某类信息时,目标页面可以是仅包括用户针对的某类信息,也可以包括与某类信息相关联的其它信息,比如查询信息为“我26岁,保费是多少”,可将图5B所示的目标页面推送给用户,这样,用户咨询的信息得到了回复,也附带了解了其他年龄段的信息。
本实施例公开的技术方案中,预先设置每个预设知识点对应的预设知识点模型,通过每个预设知识点模型确定用户查询的目标知识点,并且预先设置预设知识点和页面之间的映射关系,以输出目标知识点对应的目标页面,不仅提升了针对查询信息的准确率和召回率,而且简化了目标页面导航,更加直观地输出目标页面。
在一个实施例中,所述通过预设知识点模型确定所述查询信息对应的目标知识点的步骤,包括:获取所述查询信息与所述预设知识点之间的相似度,根据所述相似度确定所述查询信息对应的候选知识点;根据每个所述候选知识点对应的预设知识点模型,从所述候选知识点中确定所述查询信息对应的目标知识点。
其中,相似度是指查询信息与预设知识点之间的文本的相似程度。
具体地,可通过计算查询信息与预设知识点之间的wmd(word mover’s distance)值确定查询信息与预设知识点之间的相似度。其中,word mover’s distance是一种计算句子之间距离的方法,距离越小,相似度越高。
其中,候选知识点是指通过相似度计算方法初步确定的查询信息可能归属的预设知识点,也就是说,预设知识点的数量大于等于候选知识点,候选知识点的数量大于等于目标知识点。具体地,预先设置wmd计算函数,该wmd计算函数可通过大量的历史查询数据训练得到。在获取到查询信息后,通过该计算函数计算查询信息和预设知识点之间的相似度。可设置相似度阈值来筛选查询信息可能归属的候选知识点,在获取到相似度后,选取相似度大于相似度阈值的预设知识点作为候选知识点,再在候选知识点中确定查询信息对应的目标知识点。相似度阈值可根据实际情况进行设置。
本实施例公开的技术方案中,通过相似度计算方法初步确定的查询信息可能归属的候选知识点,减少了预设知识点模型的计算量。
在一个实施例中,所述根据每个所述候选知识点对应的预设知识点模型,从所述候选知识点中确定所述查询信息对应的目标知识点的步骤,包括:根据每个所述候选知识点对应的预设知识点模型对所述查询信息进行概率计算,得到所述查询信息属于每个所述候选知识点的概率;获取所述概率满足预设条件的预设知识点模型,并将所述预设知识点模型对应的候选知识点作为所述查询信息对应的目标知识点。
其中,预设知识点模型可利用模型训练数据微调BERT(Bidirectional EncoderRepresentations from Transformers)预训练模型得到,其中,模型训练数据是指用户的历史查询数据。在历史查询数据中可获得用户关注的知识点,将历史查询数据按照知识点进行分类,得到每个预设知识点对应的模型训练数据;利用每个预设知识点对应的模型训练数据微调BERT预训练模型,生成每个预设知识点对应的预设知识点模型。
BERT模型的原理由两部分组成:通过对大量未标注的语料进行非监督的预训练,来学习其中的表达法;使用少量标记的训练数据以监督方式微调预训练模型以进行各种监督任务。BERT模型可实现对文字和语义的准确识别,能够提高针对查询信息的准确率和召回率。
具体地,通过计算查询信息与预设知识点之间的wmd(word mover’s distance)值确定查询信息与预设知识点之间的相似度,根据相似度从预设知识点中确定候选知识点,利用各个候选知识点的预设知识点模型对查询信息进行概率计算,得到查询信息属于每个预设知识点的概率,获取概率满足预设条件的预设知识点模型,并将预设知识点模型对应的预设知识点作为查询信息对应的目标知识点。其中,获取概率满足预设条件的预设知识点模型可以是:对各个预设知识点模型的概率进行排序,由高到低选取预设知识点模型。可选的,选取概率最高的预设知识点模型。
本实施例公开的技术方案中,通过预设知识点模型在候选知识点中确定查询信息对应的目标知识点,提高了对查询意图预测的准确性。
在一个实施例中,所述通过预设知识点模型确定所述查询信息对应的目标知识点的步骤,包括:根据每个所述预设知识点对应的预设知识点模型对所述查询信息进行概率计算,得到所述查询信息属于每个所述预设知识点的概率;获取所述概率满足预设条件的预设知识点模型,并将所述预设知识点模型对应的预设知识点作为所述查询信息对应的目标知识点。
具体地,利用各个预设知识点的预设知识点模型对查询信息进行概率计算,得到查询信息属于每个预设知识点的概率,获取概率满足预设条件的预设知识点模型,并将预设知识点模型对应的预设知识点作为查询信息对应的目标知识点。其中,获取概率满足预设条件的预设知识点模型可以是:对各个预设知识点模型的概率进行排序,由高到低选取预设知识点模型。可选的,选取概率最高的预设知识点模型。
本实施例公开的技术方案中,通过预设知识点模型在预设知识点中确定查询信息对应的目标知识点,提高了对查询意图预测的准确性。
在一个实施例中,根据预设知识点与页面参数之间的映射关系,根据所述页面参数输出所述目标知识点对应的目标页面,所述页面参数包括链接地址,或者,所述页面参数包括链接地址和页面配置参数。
其中,页面参数包括链接地址,或者页面参数包括链接地址和页面配置参数。链接地址用于被触发时能够跳转至该页面,页面配置参数用于应用程序的前端渲染,前端渲染后的效果可以是通过小程序卡片或者图文链接展示链接地址。
具体地,可将预设知识点(或者预设知识点模型)与页面参数进行关联。如图6所示,图6为查询信息-预设知识点(或者预设知识点模型)-页面参数之间的关联关系。
比如,以小程序为例,客服机器人通过识别查询信息确定目标知识点,从而对应确定目标页面,返回目标页面的小程序卡片或者图文链接,用户通过点击卡片或者图文链接直接进入对应的小程序页面查看需要的功能或信息。
本实施例公开的技术方案中,为用户提供便捷的功能或者信息导航。
在一个实施例中,所述根据所述页面参数输出所述目标知识点对应的目标页面的步骤,包括:根据所述页面参数生成并输出所述目标页面的链接,所述链接用于在被触发时能跳转至所述目标页面;或者,直接跳转至所述目标页面。
具体地,在确定查询信息对应的目标知识点后,可输出链接地址,其中,该链接地址也可以是经过渲染的链接地址,比如小程序卡片或者图文链接;或者,直接跳转至目标页面。
例如,如图4A和图5A所示,前端渲染后,返回对应入口的小程序卡片或者图文链接,用户可通过小程序卡片或者图文链接进入目标页面。
本实施例公开的技术方案中,为用户提供便捷的功能或者信息导航。
在一个实施例中,所述根据所述页面参数生成并输出所述目标页面的链接的步骤,包括:利用所述页面配置参数渲染所述链接地址;输出渲染后的所述链接地址。
其中,页面配置参数用于应用程序的前端渲染。前端负责和用户进行交互,当收到用户输入的查询信息之后,将查询信息传递至后端系统,并接收后端系统返回的链接地址和页面配置参数,利用页面配置参数渲染链接地址,并组织到界面上展示给用户。
比如,以小程序平台为例,配置信息可包括四个字段(mediaType,link,title,mediaID),四个字段可根据实际应用进行个性化设计和配置,以生成小程序卡片或图文链接的展示效果。
本实施例公开的技术方案中,小程序卡片或者图文链接为用户提供了便捷导航,避免了文字导航冗长的问题。
在一个实施例中,所述预设知识点模型的构建方式包括:获取每个所述预设知识点对应的模型训练数据;根据每个所述预设知识点对应的模型训练数据,训练得到每个所述预设知识点对应的预设知识点模型。
具体地,BERT模型的原理由两部分组成:通过对大量未标注的语料进行非监督的预训练,来学习其中的表达法,得到预训练模型;使用少量标记的模型训练数据以监督方式微调预训练模型,以进行各种监督任务。
其中,模型训练数据是指:用户的历史查询数据。在历史查询数据中可获得用户关注的知识点,将历史查询数据按照知识点进行分类,得到每个预设知识点对应的模型训练数据;利用每个预设知识点对应的模型训练数据微调BERT预训练模型,生成每个预设知识点对应的预设知识点模型。可以理解,在历史查询数据中提取各个历史查询数据对应的知识点以及收集分类知识点可由人工操作。
图7和图8为BERT模型架构。如图7所示,图7为BERT预训练模型架构,BERT使用双向Transformer,在所有层中共同依赖于左右上下文。如图8所示,图8为BERT输入表示。输入表示(input representation)能够在一个token序列中明确地表示单个文本句子或一对文本句子(例如,[Question,Answer])。对于给定token,其输入表示通过对相应的token、segment和position embeddings进行求和来构造。具体如下:(1)使用WordPiece嵌入(Wuet al.,2016)和30000个token的词汇表,用##表示分词;(2)使用学习的positionalembeddings,支持的序列长度最多为512个token,每个序列的第一个token始终是特殊分类嵌入([CLS]),对应于该token的最终隐藏状态(即,Transformer的输出)被用作分类任务的聚合序列表示,对于非分类任务,将忽略此向量;(3)句子对被打包成一个序列,以两种方式区分句子:首先,用特殊标记([SEP])将它们分开,其次,添加一个learned sentence A嵌入到第一个句子的每个token中,添加一个sentence B嵌入到第二个句子的每个token中;(4)对于单个句子输入,只使用sentence A嵌入。
本实施例公开的技术方案中,预先建立每个预设知识点对应的预设知识点模型,提升了针对查询信息的准确率和召回率。
如图9所示,下面对一实施例进行说明:
在基于小程序的客服机器人的应用界面,用户输入查询信息,客服机器人计算查询信息的wmd值,在预设知识点中确定查询信息对应的候选知识点,通过候选知识点的预设知识点模型计算查询信息属于该候选知识点的概率,选取最大概率的候选知识点作为目标知识点,根据预设知识点与页面参数之间的映射关系对应到目标页面,返回目标页面的小程序卡片或图文链接,用户点击小程序卡片或者图文链接进入目标页面查看需要的功能或信息。其中,预设知识点模型是利用历史查询数据微调BERT预训练模型得到的。
本实施例公开的技术方案中,预先设置每个预设知识点对应的预设知识点模型,通过每个预设知识点模型确定用户查询的目标知识点,并且预先设置预设知识点和页面之间的映射关系,以输出目标知识点对应的目标页面,不仅提升了针对查询信息的准确率和召回率,而且简化了目标页面导航,更加直观地输出目标页面。
图2为一个实施例中查询结果的推送方法的流程示意图。应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种查询结果的推送装置1000,包括:获取模块1002、确定模块1004和输出模块1006,其中:
获取模块1002,用于获取输入的查询信息;
确定模块1004,用于通过预设知识点模型确定所述查询信息对应的目标知识点,其中,每个预设知识点设置对应的预设知识点模型;
输出模块1006,用于根据所述目标知识点输出目标页面。
本实施例公开的查询结果的推送装置1000,预先设置问答数据库,问答数据库中包括问题节点和问题节点之间的关联信息,以在获取到用户输入的问题时,确定用户输入的问题对应的问题节点,通过该问题节点与其它的问题节点之间的关联信息,在其它的问题节点中确定待推送问题,使得推送问题与用户输入的问题有关联。
在一个实施例中,所述确定模块1004还用于获取所述查询信息与所述预设知识点之间的相似度,根据所述相似度确定所述查询信息对应的候选知识点;根据每个所述候选知识点对应的预设知识点模型,从所述候选知识点中确定所述查询信息对应的目标知识点。
在一个实施例中,所述确定模块1004还用于根据每个所述候选知识点对应的预设知识点模型对所述查询信息进行概率计算,得到所述查询信息属于每个所述候选知识点的概率;获取所述概率满足预设条件的预设知识点模型,并将所述预设知识点模型对应的候选知识点作为所述查询信息对应的目标知识点。
在一个实施例中,所述确定模块1004还用于根据每个所述预设知识点对应的预设知识点模型对所述查询信息进行概率计算,得到所述查询信息属于每个所述预设知识点的概率;获取所述概率满足预设条件的预设知识点模型,并将所述预设知识点模型对应的预设知识点作为所述查询信息对应的目标知识点。在一个实施例中,所述输出模块1006用于根据预设知识点与页面参数之间的映射关系,根据所述页面参数输出所述目标知识点对应的目标页面,所述页面参数包括链接地址,或者,所述页面参数包括链接地址和页面配置参数。
在一个实施例中,所述输出模块1006还用于根据所述页面参数生成并输出所述目标页面的链接,所述链接用于在被触发时能跳转至所述目标页面;或者,直接跳转至所述目标页面。
在一个实施例中,所述输出模块1006还用于利用所述页面配置参数渲染所述链接地址;输出渲染后的所述链接地址。
在一个实施例中,所述查询结果的推送装置1000还包括训练模块,所述获取模块1002还用于获取每个所述预设知识点对应的模型训练数据;所述训练模块用于根据每个所述预设知识点对应的模型训练数据,训练得到每个所述预设知识点对应的预设知识点模型。
图11示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端102(或服务器104)。如图11所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器等。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现查询结果的推送方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行查询结果的推送方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的查询结果的推送装置可以实现为一种计算机程序的形式,计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成该查询结果的推送装置的各个程序模块,比如,图10所示的获取模块、确定模块和输出模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的查询结果的推送方法中的步骤。
例如,图11所示的计算机设备可以通过如图10所示的查询结果的推送装置中的获取模块1002执行步骤202,计算机设备可通过确定模块1004执行步骤204,计算机设备可通过输出模块1006执行步骤206。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述查询结果的推送方法的步骤。此处查询结果的推送方法的步骤可以是上述各个实施例的查询结果的推送方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述查询结果的推送方法的步骤。此处查询结果的推送方法的步骤可以是上述各个实施例的查询结果的推送方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种查询结果的推送方法,包括:
获取输入的查询信息;
通过预设知识点模型确定所述查询信息对应的目标知识点,其中,每个预设知识点设置对应的预设知识点模型;
根据所述目标知识点输出目标页面。
2.根据权利要求1所述的方法,其特征在于,所述通过预设知识点模型确定所述查询信息对应的目标知识点的步骤,包括:
获取所述查询信息与所述预设知识点之间的相似度,根据所述相似度确定所述查询信息对应的候选知识点;
根据每个所述候选知识点对应的预设知识点模型,从所述候选知识点中确定所述查询信息对应的目标知识点。
3.根据权利要求2所述的方法,其特征在于,所述根据每个所述候选知识点对应的预设知识点模型,从所述候选知识点中确定所述查询信息对应的目标知识点的步骤,包括:
根据每个所述候选知识点对应的预设知识点模型对所述查询信息进行概率计算,得到所述查询信息属于每个所述候选知识点的概率;
获取所述概率满足预设条件的预设知识点模型,并将所述预设知识点模型对应的候选知识点作为所述查询信息对应的目标知识点。
4.根据权利要求1所述的方法,其特征在于,所述通过预设知识点模型确定所述查询信息对应的目标知识点的步骤,包括:
根据每个所述预设知识点对应的预设知识点模型对所述查询信息进行概率计算,得到所述查询信息属于每个所述预设知识点的概率;
获取所述概率满足预设条件的预设知识点模型,并将所述预设知识点模型对应的预设知识点作为所述查询信息对应的目标知识点。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标知识点输出目标页面的步骤,包括:
根据预设知识点与页面参数之间的映射关系,根据所述页面参数输出所述目标知识点对应的目标页面,所述页面参数包括链接地址,或者,所述页面参数包括链接地址和页面配置参数。
6.根据权利要求5所述的方法,其特征在于,所述根据所述页面参数输出所述目标知识点对应的目标页面的步骤,包括:
根据所述页面参数生成并输出所述目标页面的链接,所述链接用于在被触发时能跳转至所述目标页面;
或者,直接跳转至所述目标页面。
7.根据权利要求6所述的方法,其特征在于,所述根据所述页面参数生成并输出所述目标页面的链接的步骤,包括:
利用所述页面配置参数渲染所述链接地址;
输出渲染后的所述链接地址。
8.根据权利要求1所述的方法,其特征在于,所述预设知识点模型的构建方式包括:
获取每个所述预设知识点对应的模型训练数据;
根据每个所述预设知识点对应的模型训练数据,训练得到每个所述预设知识点对应的预设知识点模型。
9.一种查询结果的推送装置,其特征在于,所述装置包括:
获取模块,用于获取输入的查询信息;
确定模块,用于通过预设知识点模型确定所述查询信息对应的目标知识点,其中,每个预设知识点设置对应的预设知识点模型;
输出模块,用于根据所述目标知识点输出目标页面。
10.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597524.6A CN110472136B (zh) | 2019-07-04 | 2019-07-04 | 查询结果的推送方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597524.6A CN110472136B (zh) | 2019-07-04 | 2019-07-04 | 查询结果的推送方法、装置、存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472136A true CN110472136A (zh) | 2019-11-19 |
CN110472136B CN110472136B (zh) | 2024-07-09 |
Family
ID=68507198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910597524.6A Active CN110472136B (zh) | 2019-07-04 | 2019-07-04 | 查询结果的推送方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472136B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125491A (zh) * | 2019-11-29 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 商品信息的搜索方法和装置、存储介质及电子装置 |
CN111400623A (zh) * | 2020-03-10 | 2020-07-10 | 百度在线网络技术(北京)有限公司 | 用于搜索信息的方法和装置 |
CN111523763A (zh) * | 2020-03-23 | 2020-08-11 | 深圳市彬讯科技有限公司 | 装修信息推送方法、装置、计算机设备及存储介质 |
CN111950540A (zh) * | 2020-07-24 | 2020-11-17 | 浙江师范大学 | 一种基于深度学习的知识点提取方法、系统、装置及介质 |
CN113656572A (zh) * | 2021-08-26 | 2021-11-16 | 支付宝(杭州)信息技术有限公司 | 一种对话处理方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016137903A1 (en) * | 2015-02-23 | 2016-09-01 | Genesys Telecommunications Laboratories, Inc. | Proactive knowledge offering system and method |
CN107220380A (zh) * | 2017-06-27 | 2017-09-29 | 北京百度网讯科技有限公司 | 基于人工智能的问答推荐方法、装置和计算机设备 |
CN107832414A (zh) * | 2017-11-07 | 2018-03-23 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN108073600A (zh) * | 2016-11-11 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 一种智能问答交互方法、装置以及电子设备 |
CN109947909A (zh) * | 2018-06-19 | 2019-06-28 | 平安科技(深圳)有限公司 | 智能客服应答方法、设备、存储介质及装置 |
-
2019
- 2019-07-04 CN CN201910597524.6A patent/CN110472136B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016137903A1 (en) * | 2015-02-23 | 2016-09-01 | Genesys Telecommunications Laboratories, Inc. | Proactive knowledge offering system and method |
CN108073600A (zh) * | 2016-11-11 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 一种智能问答交互方法、装置以及电子设备 |
CN107220380A (zh) * | 2017-06-27 | 2017-09-29 | 北京百度网讯科技有限公司 | 基于人工智能的问答推荐方法、装置和计算机设备 |
CN107832414A (zh) * | 2017-11-07 | 2018-03-23 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
CN109947909A (zh) * | 2018-06-19 | 2019-06-28 | 平安科技(深圳)有限公司 | 智能客服应答方法、设备、存储介质及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125491A (zh) * | 2019-11-29 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 商品信息的搜索方法和装置、存储介质及电子装置 |
CN111400623A (zh) * | 2020-03-10 | 2020-07-10 | 百度在线网络技术(北京)有限公司 | 用于搜索信息的方法和装置 |
CN111523763A (zh) * | 2020-03-23 | 2020-08-11 | 深圳市彬讯科技有限公司 | 装修信息推送方法、装置、计算机设备及存储介质 |
CN111523763B (zh) * | 2020-03-23 | 2023-06-13 | 深圳市彬讯科技有限公司 | 装修信息推送方法、装置、计算机设备及存储介质 |
CN111950540A (zh) * | 2020-07-24 | 2020-11-17 | 浙江师范大学 | 一种基于深度学习的知识点提取方法、系统、装置及介质 |
CN113656572A (zh) * | 2021-08-26 | 2021-11-16 | 支付宝(杭州)信息技术有限公司 | 一种对话处理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110472136B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472136A (zh) | 查询结果的推送方法、装置、存储介质和计算机设备 | |
CN109033229B (zh) | 问答处理方法和装置 | |
CN107609101B (zh) | 智能交互方法、设备及存储介质 | |
CN109492164A (zh) | 一种简历的推荐方法、装置、电子设备及存储介质 | |
US10733197B2 (en) | Method and apparatus for providing information based on artificial intelligence | |
CN109727092A (zh) | 基于ai的产品推荐方法、装置、计算机设备及存储介质 | |
US20170337261A1 (en) | Decision Making and Planning/Prediction System for Human Intention Resolution | |
CN107256267A (zh) | 查询方法和装置 | |
CN106372132A (zh) | 基于人工智能的查询意图预测方法和装置 | |
CN110909145B (zh) | 针对多任务模型的训练方法及装置 | |
CN104933100A (zh) | 关键词推荐方法和装置 | |
CN104836720A (zh) | 交互式通信中进行信息推荐的方法及装置 | |
CN110874401B (zh) | 信息处理方法、模型训练方法、装置、终端及计算设备 | |
CN108959531A (zh) | 信息搜索方法、装置、设备及存储介质 | |
CN111506719A (zh) | 一种关联问句推荐方法、装置、设备及可读存储介质 | |
CN110633407A (zh) | 信息检索方法、装置、设备及计算机可读介质 | |
CN110135888A (zh) | 产品信息推送方法、装置、计算机设备和存储介质 | |
CN116611449A (zh) | 异常日志解析方法、装置、设备及介质 | |
CN115481222A (zh) | 语义向量提取模型的训练及语义向量表示方法、装置 | |
CN116881554A (zh) | 一种医疗处方推荐方法、装置、电子设备和可读存储介质 | |
CN117251541A (zh) | 一种辅助提问式内容生成系统及方法 | |
CN105975508A (zh) | 个性化元搜索引擎检索结果合成排序方法 | |
CN114970559B (zh) | 智能应答方法及装置 | |
US20060173820A1 (en) | System and method for generating contextual survey sequence for search results | |
US9141712B2 (en) | Sequential website moving system using voice guide message |
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 |