CN110717340B - 推荐方法、装置、电子设备及存储介质 - Google Patents
推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110717340B CN110717340B CN201910934488.8A CN201910934488A CN110717340B CN 110717340 B CN110717340 B CN 110717340B CN 201910934488 A CN201910934488 A CN 201910934488A CN 110717340 B CN110717340 B CN 110717340B
- Authority
- CN
- China
- Prior art keywords
- vocabulary
- user
- word
- vocabularies
- words
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013519 translation Methods 0.000 claims abstract description 107
- 239000013598 vector Substances 0.000 claims abstract description 107
- 230000014616 translation Effects 0.000 claims description 103
- 230000015654 memory Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了信息推荐方法、装置、电子设备及存储介质，涉及人工智能技术领域。具体实现方案为：接收用户的携带指定词汇的翻译请求；根据预先训练的词向量模型，从预先创建的词汇库中获取基于所述指定词汇的数个目标推荐词汇；所述词向量模型基于语料库中各语料的词汇序列和/或历史翻译日志中同用户同会话中的词汇序列训练而成；基于所述数个目标推荐词汇，向所述用户进行信息推荐。本申请通过采用上述方案，能够更加准确地预测用户的翻译需求，进而能够有效地提高推荐效率，减少用户再次主动发起翻译请求的概率，从而能够有效地增强用户的使用体验度，能够满足更多用户的需求，增加产品的用户粘性。
Description
技术领域
本申请涉及计算机应用技术领域，尤其涉及人工智能应用领域，具体涉及一种信息推荐方法、装置、电子设备及存储介质。
背景技术
智能对话设备作为人工智能落地的重要形态之一，为用户提供了信息检索的语音入口，根据用户的语音内容进行其他的信息推荐是智能对话设备的一个重要功能，可以精确的预测用户的检索需求，减少用户主动发起询问的次数，为用户提供更好的产品体验。
在用户语音需求为词汇翻译查询的场景中，目前业界常用的方案在为用户推荐相关翻译信息时，基于现有的知识库，采用人工标注的方式将常见的词汇分为若干类，然后根据用户询问的翻译词汇，为用户推荐其他同类别的词汇翻译。
但是，现有的信息推荐方式中，人工标注词汇分类会导致分类的主观性较强，导致相似词语若被主观分到不同的分类中，会呈现完全不同的信息推荐结果，导致按照现有的方式进行信息推荐的准确性较差、效率较低。
发明内容
本申请提供了一种信息推荐方法、装置、电子设备及存储介质，用于提高信息推荐的准确性和效率。
本申请提供一种信息推荐方法，包括：
接收用户的携带指定词汇的翻译请求；
根据预先训练的词向量模型，从预先创建的词汇库中获取基于所述指定词汇的数个目标推荐词汇；所述词向量模型基于语料库中各语料的词汇序列和/或历史翻译日志中同用户同会话中的词汇序列训练而成；
基于所述数个目标推荐词汇，向所述用户进行信息推荐。
进一步可选地，如上所述的方法中，所述词汇库中包括所述语料库的所有语料中的词汇和/或所述历史翻译日志中的所有词汇；根据预先训练的词向量模型，从预先创建的词汇库中获取基于所述指定词汇的数个目标推荐词汇，包括：
根据所述词向量模型，获取所述指定词汇的向量和所述词汇库中每个所述词汇的向量；
计算所述指定词汇的向量与所述词汇库中每个词汇的向量的相似度；
根据所述指定词汇的向量与所述词汇库中每个词汇的向量的相似度，从所述词汇库中获取相似度大于预设相似度阈值的多个词汇，作为所述指定词汇的多个候选推荐词汇；
从所述多个候选推荐词汇中获取所述数个目标推荐词汇。
进一步可选地，如上所述的方法中，从所述多个候选推荐词汇中获取所述数个目标推荐词汇，包括：
统计各所述候选推荐词汇在智能对话中的历史被访问次数；
基于各所述候选推荐词汇的所述历史被访问次数，从所述多个候选推荐词汇中筛选出所述历史被访问次数大于预设次数阈值的候选推荐词汇，作为目标推荐词汇，得到所述数个目标推荐词汇。
进一步可选地，如上所述的方法中，接收用户的携带指定词汇的翻译请求之后，所述方法还包括：
获取所述指定词汇的翻译；
并向所述用户展示的所述指定词汇的翻译；
进一步地，所述基于所述数个目标推荐词汇，向所述用户进行信息推荐之前，所述方法还包括：
获取所述数个目标推荐词汇中各所述目标推荐词汇的翻译；
对应地，基于所述数个目标推荐词汇，向所述用户进行信息推荐，具体包括：
在向所述用户提供所述指定词汇的翻译的同时，采用自动续播的推荐方式向所述用户推荐所述数个目标推荐词汇的翻译。
进一步可选地，如上所述的方法中，根据预先训练的词向量模型，从预先创建的词汇库中获取基于所述指定词汇的数个目标推荐词汇之前，所述方法还包括：
基于所述语料库和/或所述历史翻译日志，采集多个具有上下文关系的词汇序列；
采用所述多个词汇序列对所述词向量模型进行训练。
进一步可选地，如上所述的方法中，基于所述语料库和/或所述历史翻译日志，采集多个具有上下文关系的词汇序列，包括：
对于所述语料库中的各所述语料，对所述语料进行切词，得到多个词汇；将所述多个词汇按照各所述词汇在所述语料中的先后顺序排列，构成所述词汇序列，共得到多个所述词汇序列；和/或
从所述历史翻译日志中获取同用户同会话中的各会话语句；将各所述会话语句进行分词，得到多个词汇；并将所述多个词汇按照在相应的所述会话语句中的先后顺序排列，得到所述词汇序列，共得到多个所述词汇序列。
本申请还提供了一种信息推荐装置，包括：
接收模块，用于接收用户的携带指定词汇的翻译请求；
获取模块，用于根据预先训练的词向量模型，从预先创建的词汇库中获取基于所述指定词汇的数个目标推荐词汇；所述词向量模型基于语料库中各语料的词汇序列和/或历史翻译日志中同用户同会话中的词汇序列训练而成；
推荐模块，用于基于所述数个目标推荐词汇，向所述用户进行信息推荐。
本申请还提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一项所述的方法。
本申请还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行如上任一项所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：由于所采用的词向量模型是基于语料库中各语料的词汇序列和/或历史翻译日志中同用户同会话中的词汇序列训练而成，可以得知该词向量模型在训练时参考了语句的上下文关系，可以准确地预测带有上下文关系的词汇的词向量，因此，基于该词向量模型，从预先创建的词汇库中获取基于翻译请求中的指定词汇的数个目标推荐词汇，并进行信息推荐时，克服了现有技术中推荐的主观性较强，准确性较差的技术问题，能够更加准确地预测用户的翻译需求，进而能够有效地提高推荐效率，减少用户再次主动发起翻译请求的概率，从而能够有效地增强用户的使用体验度，能够满足更多用户的需求，增加产品的用户粘性。
另外，现有的按照人工标注的类别进行推荐时，不是所有的词汇都有明确的类别归属，例如也可能存在一个词汇属于多个分类的场景；再者，词汇的相关不等同于相同的类别，也可能是上下文，采用本本申请的方案，能够有效地克服现有技术按照人工标注的分类进行推荐的缺陷，提高信息推荐的客观性和准确地，进而能够有有效地提高推荐效率。
进一步可选地，本申请中，可以基于词向量模型，计算翻译请求中指定词汇的向量与词汇库中每个词汇的向量的相似度，进而从词汇库中获取相似度大于预设相似度阈值的多个词汇，作为指定词汇的多个候选推荐词汇，并进而从多个候选推荐词汇中获取数个目标推荐词汇，以进行信息推荐，能够有效地提高目标推荐词汇获取的准确性，进而能够更加准确地预测用户的翻译需求，有效地提高推荐效率。
进一步可选地，本申请中，还可以能够参考历史访问请求，筛选出历史访问中被访问次数大于预设次数阈值的候选推荐词汇，作为目标推荐词汇，进一步提高目标推荐词汇获取的准确性。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是根据本申请第三实施例的示意图；
图4是用来实现本申请实施例的信息推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是本申请第一实施例提供的信息推荐方法的流程图。如图1所示，本实施例的信息推荐方法，具体可以包括如下步骤：
S101、接收用户的携带指定词汇的翻译请求；
S102、根据预先训练的词向量模型，从预先创建的词汇库中获取基于指定词汇的数个目标推荐词汇；词向量模型基于语料库中各语料的词汇序列和/或历史翻译日志中同用户同会话中的词汇序列训练而成；
S103、基于数个目标推荐词汇，向用户进行信息推荐。
本实施例的信息推荐方法的执行主体为信息推荐装置，该信息推荐装置可以设置一个电子实体，如智能对话设备中，或者也可以为一个独立的电子实体，与智能对话设备进行通信连接，以为智能对话设备提供信息推荐。或者本实施例的信息推荐装置也可以为软件集成的应用，为智能对话设备提供服务。
本实施例的信息推荐方法的应用场景为：在用户使用智能对话设备请求翻译时，智能对话设备可以自动地为用户推荐相关词汇的翻译，以精准地预测用户的翻译请求，减少用户主动发起请求翻译的次数，提供智能对话设备的工作效率。
具体地，在用户通过人工接口模块等向智能对话设备发送携带指定词汇的翻译请求时，智能对话设备根据该翻译请求，可以从词典中获取该指定词汇的翻译，并进而向用户展示该指定词汇的翻译。同时，本实施例的信息推荐装置，也接收该用户的携带指定词汇的翻译请求，然后根据预先训练的词向量模型，从预先创建的词汇库中获取基于指定词汇的数个目标推荐词汇。其中，本实施例的词向量模型基于语料库中各语料的词汇序列和/或历史翻译日志中同用户同会话中的词汇序列训练而成的。
本实施例中，信息推荐装置获取到指定词汇的数个目标推荐词汇后，可以基于数个目标推荐词汇，向用户进行信息推荐。例如，信息推荐装置可以先获取数个目标推荐词汇中各目标推荐词汇的翻译；然后在智能对话设备向用户展示指定词汇的翻译的同时，采用自动续播(endless)的方式，向用户推荐数个目标推荐词汇的翻译。
或者本实施例中，也可以由信息推荐装置将数个目标推荐词汇发送给智能对话设备，由智能对话设备从词典中获取数个目标推荐词汇的翻译，并在向用户展示指定词汇的翻译的同时，可以采用endless list的方式向用户推荐数个目标推荐词汇的翻译。
或者本实施例中，也可以由信息推荐装置从词典中获取数个目标推荐词汇的翻译，然后将数个目标推荐词汇的翻译发送给智能对话设备，由智能对话设备在向用户展示指定词汇的翻译的同时，可以采用endless list的方式向用户推荐数个目标推荐词汇的翻译。
例如，本实施例中，在采用endless list的方式向用户推荐数个目标推荐词汇的翻译的时候，可以先将多个目标推荐词汇的翻译存储在一队列中，推荐时，先从队列的队首获取一个目标推荐词汇的翻译，进行推荐。然后队列中的下一个目标推荐词汇的翻译自动更新为队首，依次类推，依次从队列的队首获取各目标推荐词汇的翻译，直至获取到多个目标推荐词汇的翻译，并进行推荐完毕。另外，本实施例的向用户推荐目标推荐词汇的翻译，具体地是将目标推荐词汇的翻译推荐到用户所使用的设备上，以展示给用户，从而实现了向用户推荐。
进一步可选地，本实施例的词汇库中包括语料库的所有语料中的词汇和/或历史翻译日志中的所有词汇；此时对应地，步骤S102根据预先训练的词向量模型，从预先创建的词汇库中获取基于指定词汇的数个目标推荐词汇，具体可以包括如下步骤：
(a)根据训练好的词向量模型，获取指定词汇的向量和词汇库中每个词汇的向量；
采用预先训练好的词向量模型，可以获取到指定词汇的向量以及词汇库中每一个词汇的向量，本实施例的词向量模型由于是采用语料库中各语料的词汇序列和/或历史翻译日志中同用户同会话中的词汇序列训练而成，训练时考虑到语句的上下文关系，进而可以准确地表达带有上下文关系的词汇的向量。
(b)计算指定词汇的向量与词汇库中每个词汇的向量的相似度；
(c)根据指定词汇的向量与词汇库中每个词汇的向量的相似度，从词汇库中获取相似度大于预设相似度阈值的多个词汇，作为指定词汇的多个候选推荐词汇；
本实施例的预设相似度阈值可以根据实际需求来设置，例如可以为80％、90％或者其他百分值。
(d)从多个候选推荐词汇中获取数个目标推荐词汇。
例如，具体地可以从多个候选推荐词汇中获取与指定词汇的相似度最高的数个目标推荐词汇。当然，也可以从多个候选推荐词汇中随机获取数个目标推荐词汇。或者可选地，还可以采用如下方式，从多个候选推荐词汇中获取数个目标推荐词汇：
(1)统计各候选推荐词汇在智能对话中的历史被访问次数；
(2)基于各候选推荐词汇的历史被访问次数，从多个候选推荐词汇中筛选出历史被访问次数大于预设次数阈值的候选推荐词汇，作为目标推荐词汇，得到数个目标推荐词汇。
本实施例中，还可以引入每个词汇的历史被访问次数，可以认为历史被访问次数越多，该词汇被再次请求访问的概率越高，所以，可以次用多个候选推荐词汇中获取历史被访问次数大于预设次数阈值的候选推荐词汇，作为目标推荐词汇，可以更加精准地预测用户的翻译需求，提高推荐效率。本实施例的预设次数阈值可以根据实际需求来设置，具体可以为任意正整数。
图2是本申请第二实施例提供的信息推荐方法的流程图。如图1所示，本实施例的信息推荐方法，具体介绍词向量模型的训练过程。如图2所示，本实施例的信息推荐方法，具体可以包括如下步骤：
S201、基于语料库和/或历史翻译日志，采集多个具有上下文关系的词汇序列；
本实施例的语料库为预先采集的，其中可以包括多个语料，每个语料具体可以为一个语句。本实施例的历史翻译日志可以为智能对话设设备在提供翻译服务时，存储的各个用户的历史翻译日志，例如每个历史翻译日志中可以包括用户的翻译请求语句。
例如，对于语料库中的各语料，可以先对语料进行切词，得到多个词汇；然后将多个词汇按照各词汇在语料中的先后顺序排列，构成词汇序列；每个语料对应一个词汇序列，语料库中多个语料，共可以得到多个词汇序列；和/或
对于历史翻译日志，可以从历史翻译日志中获取同用户同会话中的各会话语句；然后将各会话语句进行分词，得到多个词汇；并将多个词汇按照在相应的会话语句中的先后顺序排列，得到词汇序列；对于每个会话语句对应一个词汇序列，历史翻译日志中包括多个会话语句，对应可以共得到多个词汇序列。
S202、采用多个词汇序列对词向量模型进行训练。
本实施例中采用上述步骤S201得到的多个词汇序列对词向量模型进行训练，如本实施例中的词向量模型可以为基于word2vect的词向量模型。
本实施例中，可以认为一个词汇序列中各个词汇之间的向量相似度足够近，即本实施例的词向量模型基于词汇序列训练时，学习到词汇的上下文关系，使得具有上下文关系的词汇对之间的相似度更高。
具体训练时，将一个词汇序列中各词汇输入至词向量模型中，使得词向量模型预测的该词汇序列中各词汇的向量之间的相似度足够大，如大于某个预设的相似度阈值，否则若不大于该预设的相似度阈值，则可以调整词向量模型的参数，使得该词向量模型预测的同一词汇序列中各词汇的向量之间的相似度大于预设的相似度阈值。采用多个词汇序列不断地对词向量模型进行训练，在训练达到预设的次数如几百万次或者在词向量模型在预设连续次数的训练中，都能满足训练目标即对同一词汇序列中各词汇的向量的相似度阈值都大于预设相似度阈值，此时确定词向量模型的参数，进而确定词向量模型，训练结束。
本实施例与上述图1所示实施例结合实施时，本实施例的各步骤位于上述图1所示实施例的步骤S102根据预先训练的词向量模型，从预先创建的词汇库中获取基于指定词汇的数个目标推荐词汇之前。
另外，需要说明的是，本实施例的词向量模型的训练方案可以独立与上述图1所示实施例的技术方案，独立构成本申请的词向量模型训练方案。使用时，可以先采用本实施例的方案，对词向量模型进行训练，然后采用图1所示实施例的技术方案，基于训练好的词向量模型，实现信息的推荐。
本实施例的信息推荐方法，所采用的词向量模型是基于语料库中各语料的词汇序列和/或历史翻译日志中同用户同会话中的词汇序列训练而成，可以得知该词向量模型在训练时参考了语句的上下文关系，可以准确地预测带有上下文关系的词汇的词向量，因此，基于该词向量模型，从预先创建的词汇库中获取基于翻译请求中的指定词汇的数个目标推荐词汇，并进行信息推荐时，能够更加准确地预测用户的翻译需求，进而能够有效地提高推荐效率，减少用户再次主动发起翻译请求的概率，从而能够有效地增强用户的使用体验度，能够满足更多用户的需求，增加产品的用户粘性。
另外，现有的按照人工标注的类别进行推荐时，不是所有的词汇都有明确的类别归属，例如也可能存在一个词汇属于多个分类的场景；再者，词汇的相关不等同于相同的类别，也可能是上下文，采用本实施例的方案，能够有效地克服现有技术按照人工标注的分类进行推荐的缺陷，提高信息推荐的客观性和准确地，进而能够有有效地提高推荐效率。
进一步可选地，本实施例中，可以基于词向量模型，计算翻译请求中指定词汇的向量与词汇库中每个词汇的向量的相似度，进而从词汇库中获取相似度大于预设相似度阈值的多个词汇，作为指定词汇的多个候选推荐词汇，并进而从多个候选推荐词汇中获取数个目标推荐词汇，以进行信息推荐，能够有效地提高目标推荐词汇获取的准确性，进而能够更加准确地预测用户的翻译需求，有效地提高推荐效率。
进一步可选地，本实施例中，还可以能够参考历史访问请求，筛选出历史访问中被访问次数大于预设次数阈值的候选推荐词汇，作为目标推荐词汇，进一步提高目标推荐词汇获取的准确性。
图3为本申请第三实施例提供的信息推荐装置的结构图。如图3所示，本实施例的信息推荐装置300，包括：
接收模块301用于接收用户的携带指定词汇的翻译请求；
获取模块302用于根据预先训练的词向量模型，从预先创建的词汇库中获取基于指定词汇的数个目标推荐词汇；词向量模型基于语料库中各语料的词汇序列和/或历史翻译日志中同用户同会话中的词汇序列训练而成；
推荐模块303用于基于数个目标推荐词汇，向用户进行信息推荐。
进一步可选地，其中词汇库中包括语料库的所有语料中的词汇和/或历史翻译日志中的所有词汇；获取模块302具体用于：
根据词向量模型，获取指定词汇的向量和词汇库中每个词汇的向量；
计算指定词汇的向量与词汇库中每个词汇的向量的相似度；
根据指定词汇的向量与词汇库中每个词汇的向量的相似度，从词汇库中获取相似度大于预设相似度阈值的多个词汇，作为指定词汇的多个候选推荐词汇；
从多个候选推荐词汇中获取数个目标推荐词汇。
进一步可选地，本实施例的信息推荐装置300中，获取模块302具体用于：
统计各候选推荐词汇在智能对话中的历史被访问次数；
基于各候选推荐词汇的历史被访问次数，从多个候选推荐词汇中筛选出历史被访问次数大于预设次数阈值的候选推荐词汇，作为目标推荐词汇，得到数个目标推荐词汇。
进一步可选地，本实施例的信息推荐装置300中，获取模块302还用于获取指定词汇的翻译；
推荐模块303还用于向用户展示的指定词汇的翻译；
进一步地，获取模块302还用于：
获取数个目标推荐词汇中各目标推荐词汇的翻译；
推荐模块303还用于：
在向用户提供指定词汇的翻译的同时，采用自动续播的推荐方式向用户推荐数个目标推荐词汇的翻译。
进一步可选地，本实施例的信息推荐装置300中，还包括：
采集模块304，用于基于语料库和/或历史翻译日志，采集多个具有上下文关系的词汇序列；
训练模块305，用于采用多个词汇序列对词向量模型进行训练。
进一步可选地，采集模块304，具体用于：
对于语料库中的各语料，对语料进行切词，得到多个词汇；将多个词汇按照各词汇在语料中的先后顺序排列，构成词汇序列，共得到多个词汇序列；和/或
从历史翻译日志中获取同用户同会话中的各会话语句；将各会话语句进行分词，得到多个词汇；并将多个词汇按照在相应的会话语句中的先后顺序排列，得到词汇序列，共得到多个词汇序列。
本实施例的信息推荐装置中，采集模块304和训练模块305也可以单独构成一个实施例，以实现词向量模型的训练，为获取模块302提供训练好的词向量模型。
本实施例的信息推荐装置，通过采用上述模块实现信息推荐的实现原理以及技术效果与上述相关方法实施例相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图4所示，是根据本申请实施例的信息推荐方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。
存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的信息推荐方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的信息推荐方法。
存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的信息推荐方法对应的程序指令/模块(例如，附图3所示的相关模块)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的信息推荐方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据信息推荐的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至信息推荐的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
信息推荐方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与信息推荐的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，由于所采用的词向量模型是基于语料库中各语料的词汇序列和/或历史翻译日志中同用户同会话中的词汇序列训练而成，可以得知该词向量模型在训练时参考了语句的上下文关系，可以准确地预测带有上下文关系的词汇的词向量，因此，基于该词向量模型，从预先创建的词汇库中获取基于翻译请求中的指定词汇的数个目标推荐词汇，并进行信息推荐时，克服了现有技术中推荐的主观性较强，准确性较差的技术问题，能够更加准确地预测用户的翻译需求，进而能够有效地提高推荐效率，减少用户再次主动发起翻译请求的概率，从而能够有效地增强用户的使用体验度，能够满足更多用户的需求，增加产品的用户粘性。
另外，现有的按照人工标注的类别进行推荐时，不是所有的词汇都有明确的类别归属，例如也可能存在一个词汇属于多个分类的场景；再者，词汇的相关不等同于相同的类别，也可能是上下文，采用本本申请的方案，能够有效地克服现有技术按照人工标注的分类进行推荐的缺陷，提高信息推荐的客观性和准确地，进而能够有有效地提高推荐效率。
进一步可选地，本申请中，可以基于词向量模型，计算翻译请求中指定词汇的向量与词汇库中每个词汇的向量的相似度，进而从词汇库中获取相似度大于预设相似度阈值的多个词汇，作为指定词汇的多个候选推荐词汇，并进而从多个候选推荐词汇中获取数个目标推荐词汇，以进行信息推荐，能够有效地提高目标推荐词汇获取的准确性，进而能够更加准确地预测用户的翻译需求，有效地提高推荐效率。
进一步可选地，本申请中，还可以能够参考历史访问请求，筛选出历史访问中被访问次数大于预设次数阈值的候选推荐词汇，作为目标推荐词汇，进一步提高目标推荐词汇获取的准确性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (12)
1.一种信息推荐方法，其特征在于，包括：
接收用户的携带指定词汇的翻译请求；
根据预先训练的词向量模型，从预先创建的词汇库中获取基于所述指定词汇的数个目标推荐词汇；所述词向量模型基于语料库中各语料的词汇序列和/或历史翻译日志中同用户同会话中的词汇序列训练而成；
基于所述数个目标推荐词汇，向所述用户进行信息推荐；
其中，接收用户的携带指定词汇的翻译请求之后，所述方法还包括：
获取所述指定词汇的翻译；
并向所述用户展示的所述指定词汇的翻译；
基于所述数个目标推荐词汇，向所述用户进行信息推荐之前，所述方法还包括：
获取所述数个目标推荐词汇中各所述目标推荐词汇的翻译；
对应地，基于所述数个目标推荐词汇，向所述用户进行信息推荐，具体包括：
在向所述用户提供所述指定词汇的翻译的同时，采用自动续播的推荐方式向所述用户推荐所述数个目标推荐词汇的翻译。
2.根据权利要求1所述的方法，其特征在于，所述词汇库中包括所述语料库的所有语料中的词汇和/或所述历史翻译日志中的所有词汇；根据预先训练的词向量模型，从预先创建的词汇库中获取基于所述指定词汇的数个目标推荐词汇，包括：
根据所述词向量模型，获取所述指定词汇的向量和所述词汇库中每个所述词汇的向量；
计算所述指定词汇的向量与所述词汇库中每个词汇的向量的相似度；
根据所述指定词汇的向量与所述词汇库中每个词汇的向量的相似度，从所述词汇库中获取相似度大于预设相似度阈值的多个词汇，作为所述指定词汇的多个候选推荐词汇；
从所述多个候选推荐词汇中获取所述数个目标推荐词汇。
3.根据权利要求2所述的方法，其特征在于，从所述多个候选推荐词汇中获取所述数个目标推荐词汇，包括：
统计各所述候选推荐词汇在智能对话中的历史被访问次数；
基于各所述候选推荐词汇的所述历史被访问次数，从所述多个候选推荐词汇中筛选出所述历史被访问次数大于预设次数阈值的候选推荐词汇，作为目标推荐词汇，得到所述数个目标推荐词汇。
4.根据权利要求1-3任一所述的方法，其特征在于，根据预先训练的词向量模型，从预先创建的词汇库中获取基于所述指定词汇的数个目标推荐词汇之前，所述方法还包括：
基于所述语料库和/或所述历史翻译日志，采集多个具有上下文关系的词汇序列；
采用所述多个词汇序列对所述词向量模型进行训练。
5.根据权利要求4所述的方法，其特征在于，基于所述语料库和/或所述历史翻译日志，采集多个具有上下文关系的词汇序列，包括：
对于所述语料库中的各所述语料，对所述语料进行切词，得到多个词汇；将所述多个词汇按照各所述词汇在所述语料中的先后顺序排列，构成所述词汇序列，共得到多个所述词汇序列；和/或
从所述历史翻译日志中获取同用户同会话中的各会话语句；将各所述会话语句进行分词，得到多个词汇；并将所述多个词汇按照在相应的所述会话语句中的先后顺序排列，得到所述词汇序列，共得到多个所述词汇序列。
6.一种信息推荐装置，其特征在于，包括：
接收模块，用于接收用户的携带指定词汇的翻译请求；
获取模块，用于根据预先训练的词向量模型，从预先创建的词汇库中获取基于所述指定词汇的数个目标推荐词汇；所述词向量模型基于语料库中各语料的词汇序列和/或历史翻译日志中同用户同会话中的词汇序列训练而成；
推荐模块，用于基于所述数个目标推荐词汇，向所述用户进行信息推荐；
所述获取模块，还用于获取所述指定词汇的翻译；
所述推荐模块，还用于向所述用户展示的所述指定词汇的翻译；
所述获取模块，还用于：
获取所述数个目标推荐词汇中各所述目标推荐词汇的翻译；
所述推荐模块，还用于：
在向所述用户提供所述指定词汇的翻译的同时，采用自动续播的推荐方式向所述用户推荐所述数个目标推荐词汇的翻译。
7.根据权利要求6所述的装置，其特征在于，所述词汇库中包括所述语料库的所有语料中的词汇和/或所述历史翻译日志中的所有词汇；所述获取模块，用于：
根据所述词向量模型，获取所述指定词汇的向量和所述词汇库中每个所述词汇的向量；
计算所述指定词汇的向量与所述词汇库中每个词汇的向量的相似度；
根据所述指定词汇的向量与所述词汇库中每个词汇的向量的相似度，从所述词汇库中获取相似度大于预设相似度阈值的多个词汇，作为所述指定词汇的多个候选推荐词汇；
从所述多个候选推荐词汇中获取所述数个目标推荐词汇。
8.根据权利要求7所述的装置，其特征在于，所述获取模块，用于：
统计各所述候选推荐词汇在智能对话中的历史被访问次数；
基于各所述候选推荐词汇的所述历史被访问次数，从所述多个候选推荐词汇中筛选出所述历史被访问次数大于预设次数阈值的候选推荐词汇，作为目标推荐词汇，得到所述数个目标推荐词汇。
9.根据权利要求6-8任一所述的装置，其特征在于，所述装置还包括：
采集模块，用于基于所述语料库和/或所述历史翻译日志，采集多个具有上下文关系的词汇序列；
训练模块，用于采用所述多个词汇序列对所述词向量模型进行训练。
10.根据权利要求9所述的装置，其特征在于，所述采集模块，具体用于：
对于所述语料库中的各所述语料，对所述语料进行切词，得到多个词汇；将所述多个词汇按照各所述词汇在所述语料中的先后顺序排列，构成所述词汇序列，共得到多个所述词汇序列；和/或
从所述历史翻译日志中获取同用户同会话中的各会话语句；将各所述会话语句进行分词，得到多个词汇；并将所述多个词汇按照在相应的所述会话语句中的先后顺序排列，得到所述词汇序列，共得到多个所述词汇序列。
11.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910934488.8A CN110717340B (zh) | 2019-09-29 | 2019-09-29 | 推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910934488.8A CN110717340B (zh) | 2019-09-29 | 2019-09-29 | 推荐方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110717340A CN110717340A (zh) | 2020-01-21 |
| CN110717340B true CN110717340B (zh) | 2023-11-21 |
Family
ID=69211156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910934488.8A Active CN110717340B (zh) | 2019-09-29 | 2019-09-29 | 推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110717340B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113626565A (zh) * | 2020-05-09 | 2021-11-09 | 阿里巴巴集团控股有限公司 | 信息处理及数据处理方法、电子设备、服务器以及数据处理设备 |
| CN113761170A (zh) * | 2020-09-15 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 更新语料库的方法和装置 |
| CN112380331A (zh) * | 2020-11-16 | 2021-02-19 | 北京京东尚科信息技术有限公司 | 信息推送的方法和装置 |
| CN112541069A (zh) * | 2020-12-24 | 2021-03-23 | 山东山大鸥玛软件股份有限公司 | 一种结合关键词的文本匹配方法、系统、终端及存储介质 |
| CN113705221B (zh) * | 2021-08-27 | 2023-11-10 | 北京百度网讯科技有限公司 | 一种单词推送方法、装置、电子设备及存储介质 |
| CN115344787B (zh) * | 2022-08-23 | 2023-07-04 | 华南师范大学 | 一种多粒度推荐方法、系统、装置及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544147A (zh) * | 2013-11-06 | 2014-01-29 | 北京百度网讯科技有限公司 | 训练翻译模型的方法和装置 |
| CN105930318A (zh) * | 2016-04-11 | 2016-09-07 | 深圳大学 | 一种词向量训练方法及系统 |
| CN106055623A (zh) * | 2016-05-26 | 2016-10-26 | 《中国学术期刊（光盘版）》电子杂志社有限公司 | 一种跨语言推荐方法和系统 |
| CN106844353A (zh) * | 2016-12-30 | 2017-06-13 | 语联网（武汉）信息技术有限公司 | 一种可预测交互翻译方法 |
| CN108595445A (zh) * | 2018-04-23 | 2018-09-28 | Oppo广东移动通信有限公司 | 翻译方法、装置及终端 |
| CN108874785A (zh) * | 2018-06-01 | 2018-11-23 | 清华大学 | 一种翻译处理方法及系统 |
| CN109271646A (zh) * | 2018-09-04 | 2019-01-25 | 腾讯科技（深圳）有限公司 | 文本翻译方法、装置、可读存储介质和计算机设备 |
| CN109299480A (zh) * | 2018-09-04 | 2019-02-01 | 上海传神翻译服务有限公司 | 基于上下文语境的术语翻译方法及装置 |
| CN109710948A (zh) * | 2018-11-27 | 2019-05-03 | 语联网（武汉）信息技术有限公司 | 机器翻译引擎推荐方法及装置 |
| CN110147881A (zh) * | 2018-03-13 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 语言处理方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7783473B2 (en) * | 2006-12-28 | 2010-08-24 | At&T Intellectual Property Ii, L.P. | Sequence classification for machine translation |
-
2019
- 2019-09-29 CN CN201910934488.8A patent/CN110717340B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544147A (zh) * | 2013-11-06 | 2014-01-29 | 北京百度网讯科技有限公司 | 训练翻译模型的方法和装置 |
| CN105930318A (zh) * | 2016-04-11 | 2016-09-07 | 深圳大学 | 一种词向量训练方法及系统 |
| CN106055623A (zh) * | 2016-05-26 | 2016-10-26 | 《中国学术期刊（光盘版）》电子杂志社有限公司 | 一种跨语言推荐方法和系统 |
| CN106844353A (zh) * | 2016-12-30 | 2017-06-13 | 语联网（武汉）信息技术有限公司 | 一种可预测交互翻译方法 |
| CN110147881A (zh) * | 2018-03-13 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 语言处理方法、装置、设备及存储介质 |
| CN108595445A (zh) * | 2018-04-23 | 2018-09-28 | Oppo广东移动通信有限公司 | 翻译方法、装置及终端 |
| CN108874785A (zh) * | 2018-06-01 | 2018-11-23 | 清华大学 | 一种翻译处理方法及系统 |
| CN109271646A (zh) * | 2018-09-04 | 2019-01-25 | 腾讯科技（深圳）有限公司 | 文本翻译方法、装置、可读存储介质和计算机设备 |
| CN109299480A (zh) * | 2018-09-04 | 2019-02-01 | 上海传神翻译服务有限公司 | 基于上下文语境的术语翻译方法及装置 |
| CN109710948A (zh) * | 2018-11-27 | 2019-05-03 | 语联网（武汉）信息技术有限公司 | 机器翻译引擎推荐方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| "Learning continuous and data-driven molecular descriptors by translating equivalent chemical representations";Robin Winter;《Chemical Science》;全文 * |
| 基于语义分布相似度的翻译模型领域自适应研究;姚亮;洪宇;刘昊;刘乐;姚建民;;山东大学学报(理学版)(第07期) * |
| 基于降噪自编码器网络与词向量的信息推荐方法;郭喻栋;郭志刚;席耀一;;计算机工程(第12期) * |
| 姚亮 ; 洪宇 ; 刘昊 ; 刘乐 ; 姚建民 ; .基于语义分布相似度的翻译模型领域自适应研究.山东大学学报(理学版).2016,(第07期),全文. * |
| 郭喻栋 ; 郭志刚 ; 席耀一 ; .基于降噪自编码器网络与词向量的信息推荐方法.计算机工程.2017,(第12期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110717340A (zh) | 2020-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110717340B (zh) | 推荐方法、装置、电子设备及存储介质 | |
| CN111104514B (zh) | 文档标签模型的训练方法及装置 | |
| CN111859982B (zh) | 语言模型的训练方法、装置、电子设备及可读存储介质 | |
| US20210200813A1 (en) | Human-machine interaction method, electronic device, and storage medium | |
| CN112163405B (zh) | 问题的生成方法和装置 | |
| CN111967262A (zh) | 实体标签的确定方法和装置 | |
| CN111144115A (zh) | 预训练语言模型获取方法、装置、电子设备和存储介质 | |
| CN111737994A (zh) | 基于语言模型获取词向量的方法、装置、设备及存储介质 | |
| CN111859953B (zh) | 训练数据的挖掘方法、装置、电子设备及存储介质 | |
| CN111460384B (zh) | 策略的评估方法、装置和设备 | |
| CN111079945B (zh) | 端到端模型的训练方法及装置 | |
| CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
| CN111667056A (zh) | 用于搜索模型结构的方法和装置 | |
| CN113360751B (zh) | 意图识别方法、装置、设备和介质 | |
| CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
| CN112329453B (zh) | 样本章节的生成方法、装置、设备以及存储介质 | |
| CN111241234A (zh) | 文本分类方法及装置 | |
| CN112560499B (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
| CN111539209A (zh) | 用于实体分类的方法和装置 | |
| CN111291184B (zh) | 表情的推荐方法、装置、设备及存储介质 | |
| CN111666417B (zh) | 生成同义词的方法、装置、电子设备以及可读存储介质 | |
| CN111563198B (zh) | 一种物料召回方法、装置、设备及存储介质 | |
| CN111984774A (zh) | 搜索方法、装置、设备以及存储介质 | |
| CN111738015A (zh) | 文章情感极性分析方法、装置、电子设备及存储介质 | |
| CN111311309A (zh) | 用户满意度确定方法、装置、设备和介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210511 Address after: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing Applicant after: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. Applicant after: Shanghai Xiaodu Technology Co.,Ltd. Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing Applicant before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |