CN110765273B - 推荐文案生成方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本申请实施例公开了一种推荐文案生成方法、装置、电子设备和可读存储介质。所述推荐文案生成方法，包括：根据目标用户的对话交互数据，获取针对所述目标用户的推荐对象；根据商品知识图谱，获取所述推荐对象对应的图谱实体信息；根据所述对话交互数据对应的交互语义信息，以及所述图谱实体信息，通过基于多头注意力机制的编码模块获取所述目标用户的用户需求向量，以及所述推荐对象的实体向量；根据所述用户需求向量和所述实体向量，通过基于多头注意力机制的解码模块获取所述推荐对象的推荐文案。解决了现有的推荐文案灵活性以及个性化不足，很难贴近用户实时需求的技术问题。取得了提高推荐文案与用户实时需求匹配度的有益效果。

Description

推荐文案生成方法、装置、电子设备及可读存储介质

技术领域

本申请实施例涉及计算机技术领域，具体涉及一种推荐文案生成方法、装置、电子设备及可读存储介质。

背景技术

随着AI(Artificial Intelligence，人工智能)技术的发展，于此相关的应用正在产生越来越重要的商业价值和社会影响力，如何解决其决策过程中的信任机制是促进人工智能进一步发展的关键因素。例如，对于搜索系统而言，评定主体是其面对的用户，而用户的主观性较强，因此结果的可解释性不仅会直接影响搜索系统的效果，也会影响用户对系统的信任度和接受程度。近年来可解释的搜索系统越来越受到关注，给用户展示商品或内容的同时透出推荐文案，这样不仅能提升系统的透明度，还能有效辅助用户完成选择操作，提高用户对平台的信任和接受程度。

但是在现有的外卖、点评等平台中，针对菜品、套餐等推荐对象缺乏于用户当前需求状态相匹配且营销性的推荐文案信息，不利于用户决策，而传统的文案生成方式则需要耗费大量的人力进行文案创作，且很难随着对话场景下用户关注点的实时变化而适应性调整，导致推荐文案的灵活性以及个性化不足，很难贴近用户的实时需求。

发明内容

本申请实施例提供一种推荐文案生成方法、装置、电子设备及可读存储介质，以部分或全部解决现有技术中在进行对象推荐过程中的上述问题。

依据本申请实施例第一方面，提供了一种推荐文案生成方法，包括：

根据目标用户的对话交互数据，获取针对所述目标用户的推荐对象；

根据商品知识图谱，获取所述推荐对象对应的图谱实体信息；

根据所述对话交互数据对应的交互语义信息，以及所述图谱实体信息，通过基于多头注意力机制的编码模块获取所述目标用户的用户需求向量，以及所述推荐对象的实体向量；

根据所述用户需求向量和所述实体向量，通过基于多头注意力机制的解码模块获取所述推荐对象的推荐文案。

根据本申请实施例的第二方面，提供了一种推荐文案生成装置，包括：

推荐对象获取模块，用于根据目标用户的对话交互数据，获取针对所述目标用户的推荐对象；

图谱实体信息获取模块，用于根据商品知识图谱，获取所述推荐对象对应的图谱实体信息；

中间向量构建模块，用于根据所述对话交互数据对应的交互语义信息，以及所述图谱实体信息，通过基于多头注意力机制的编码模块获取所述目标用户的用户需求向量，以及所述推荐对象的实体向量；

推荐文案生成模块，用于根据所述用户需求向量和所述实体向量，通过基于多头注意力机制的解码模块获取所述推荐对象的推荐文案。

根据本申请实施例的第三方面，提供了一种电子设备，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现前述的推荐文案生成方法。

根据本申请实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述的推荐文案生成方法。

根据本申请实施例的推荐文案生成方法，可以根据目标用户的对话交互数据，获取针对所述目标用户的推荐对象；根据商品知识图谱，获取所述推荐对象对应的图谱实体信息；根据所述对话交互数据对应的交互语义信息，以及所述图谱实体信息，通过基于多头注意力机制的编码模块获取所述目标用户的用户需求向量，以及所述推荐对象的实体向量；根据所述用户需求向量和所述实体向量，通过基于多头注意力机制的解码模块获取所述推荐对象的推荐文案。由此解决了现有的推荐文案灵活性以及个性化不足，很难贴近用户实时需求的技术问题。取得了提高推荐文案的灵活性以及个性化，以及推荐文案与用户实时需求匹配度的有益效果。

上述说明仅是本申请实施例技术方案的概述，为了能够更清楚了解本申请实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本申请实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请实施例的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本申请实施例的一种推荐文案生成方法的步骤流程图之一；

图2示出了根据本申请实施例的一种商品知识图谱的示意图；

图3示出了根据本申请实施例的一种多头注意力机制的结构示意图；

图4示出了根据本申请实施例的一种推荐文案生成方法的步骤流程图之二；

图5示出了根据本申请实施例的一种作为推荐文案生成模型的编码-解码模型的结构示意图；

图6示出了根据本申请实施例的一种推荐文案生成装置的结构示意图之一；以及

图7示出了根据本申请实施例的一种推荐文案生成装置的结构示意图之二。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

实施例一

详细介绍本申请实施例提供的一种推荐文案生成方法。

参照图1，示出了本申请实施例中一种推荐文案生成方法的步骤流程图。

步骤110，根据目标用户的对话交互数据，获取针对所述目标用户的推荐对象。

在本申请实施例中，为了获取用户当前的实时需求，可以通过一定方式与目标用户进行对话沟通，以询问目标用户当前的需求，进而则可以获取满足其当前需求的推荐对象。也即，可以根据目标用户的对话交互数据，获取针对所述目标用户的推荐对象。

其中，与目标用户进行对话的具体方式，也即对话交互数据的生成方式可以根据需求进行预先设置，对此本申请实施例不加以限定。

例如，可以预先设置一系列问题数据，并按照预设顺序对目标用户进行提问并获取目标用户输入的交互数据，从而得到目标用户的对话交互数据，等等。此时，目标用户的对话交互数据可以仅包括由目标用户生成的交互数据；也可以同时包括由目标用户生成的交互数据，以及预设的问题数据，具体的也可以根据需求进行预先设置，对此本申请实施例不加以限定。而且，为了避免目标用户在交互过程中输入无关内容，还可以设置多个选项以供目标用户选择，并将目标用户所选择的选择作为对话交互数据，等等。

例如，假设在目标用户在对话交互数据中，指定价格为“0-20元”，食材为“龙利鱼”、主食为“米饭”。针对目标用户的推荐对象则可以包括价格为“19元”的“龙利鱼饭”等。

步骤120，根据商品知识图谱，获取所述推荐对象对应的图谱实体信息。

在实际应用中，不同商品所对应的组成成分、所属种类、口味、做法等等属性一般是相对稳定的，而且不同商品之间也可能会在不同属性上存在相似点或相同点，从而可以构建得到商品知识图谱。

如图2所示为一种商品知识图谱的示意图，其中箭头指向的图谱实体属于箭头背向的图谱实体的下级。例如，“百合莲子冰糖雪梨”的构成包含了“冰糖雪梨汤”，也即“冰糖雪梨汤”是“百合莲子冰糖雪梨”的下级。当然，在本申请实施例中，在构建商品知识图谱时，也可以不标注各个图谱实体之间的上下级关系，对此本申请实施例不加以限定。

如前述，商品知识图谱可以记录其中包含的各个图谱实体之间的关联关系，因此在本申请实施例中，可以根据商品知识图谱，获取每个推荐对象对应的图谱实体信息。

例如，对于前述的推荐对象：价格为“19元”的“龙利鱼饭”，根据商品知识图谱，可以获取其对应的图谱实体信息包括“龙利鱼”、“19元”、“盖饭”等信息。

步骤130，根据所述对话交互数据对应的交互语义信息，以及所述图谱实体信息，通过基于多头注意力机制的编码模块获取所述目标用户的用户需求向量，以及所述推荐对象的实体向量。

步骤140，根据所述用户需求向量和所述实体向量，通过基于多头注意力机制的解码模块获取所述推荐对象的推荐文案。

在获取得到目标用户的话交互数据、以及推荐对象对应的图谱实体信息之后，则可以通过预设的推荐文案生成模型，生成基于在将相应的推荐对象推荐给相应的目标用户的推荐文案。而且，由于在实际应用中，目标用户的对话交互数据中可能包含特殊符号、表情等与用户需求相关程度不大的内容，可能会产生干扰，进而影响推荐文案的准确性。因此，在本申请实施例中，具体的可以根据所述对话交互数据对应的交互语义信息，以及所述图谱实体信息，通过预设的推荐文案生成模型，生成所述推荐对象的推荐文案。

具体的，推荐文案生成模型中可以包括基于多头注意力机制构建的解码模块和编码模块，那么在生成推荐对象的推荐文案时，可以先根据对话交互数据对应的交互语义信息，以及图谱实体信息，通过基于多头注意力机制的编码模块获取目标用户的用户需求向量，以及推荐对象的实体向量，进而则可以根据用户需求向量和实体向量，通过基于多头注意力机制的解码模块获取推荐对象的推荐文案。

其中，对话交互数据所对应的交互语义信息的获取方式可以根据需求进行预先设置，对此本申请实施例不加以限定。例如，对于前述的对话交互数据提取得到的交互语义信息可以包括“0-20元”、“龙利鱼”、“米饭”，等等。

另外，在本申请实施例中，为了提高最终得到的推荐文案与用户需求的匹配程度，可以设置推荐文案生成模型为通过已知推荐理由的多个样本对象，以及所述样本对象对应的样本交互语义信息和样本图谱实体信息训练得到的由多头注意力机制(multi-headattention)构造的机器学习模型。

其中，注意力机制(Attention Mechanism)源于对人类视觉的研究。在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息。上述机制通常被称为注意力机制。注意力机制的一种非正式的说法是，神经注意力机制可以使得神经网络具备专注于其输入(或特征)子集的能力：选择特定的输入。注意力可以应用于任何类型的输入而不管其形状如何。在计算能力有限情况下，注意力机制是解决信息超载问题的主要手段的一种资源分配方案，将计算资源分配给更重要的任务。

多头注意力(multi-head attention)是利用多个查询，来平行地计算从输入信息中选取多个信息，每个注意力关注输入信息的不同部分。相对于单一注意力机制只对d维的Q(Query，查询)，K(Key，关键词)，V(value，值)进行注意力计算，通过使用模型学习到的多种映射器，分别对Q，K，V的各个维度进行h次线性映射，效果更佳。

如图3所示为一种多头注意力机制的结构示意图，其中Q，K，V首先经过一个线性变换(linear)，然后输入到scaled dot-product attention放缩点积注意力，如图3所示，需要对输入K，V，Q分别进行h次线性变换，然后进行h次Scaled Dot-Product Attention(缩放点乘注意力)，类似于卷积网络里使用不同的卷积核多次进行卷积操作，也就是所谓的多头，且各个头之间参数不共享，也即每次Q，K，V进行线性变换的参数是不一样的。然后将h次的Scaled Dot-Product Attention结果进行拼接(concat)，再进行一次线性变换得到的值作为多头注意力机制的结果。

另外需要说明的是，在本申请实施例中，推荐文案生成模型的训练过程与训练后的推荐文案生成模型的使用过程类似，在此不加以赘述。

在本申请实施例中，通过根据目标用户的对话交互数据，获取针对所述目标用户的推荐对象；根据商品知识图谱，获取所述推荐对象对应的图谱实体信息；根据所述对话交互数据对应的交互语义信息，以及所述图谱实体信息，通过基于多头注意力机制的编码模块获取所述目标用户的用户需求向量，以及所述推荐对象的实体向量；根据所述用户需求向量和所述实体向量，通过基于多头注意力机制的解码模块获取所述推荐对象的推荐文案。由此提高了推荐文案的灵活性以及个性化，进而提高了推荐文案与用户实时需求的匹配度。

可选地，参照图4，在本申请实施例中，所述步骤130进一步可以包括：

子步骤131，获取所述对话交互数据中包含的语义信息片段，并根据所述语义信息片段构建所述目标用户的交互语义信息。

子步骤132，以所述交互语义信息作为所述编码模块中多头注意力机制的查询参数、关键词参数和值参数，并通过所述编码模块获取所述目标用户的用户需求向量。

子步骤133，以所述图谱实体信息作为所述编码模块中多头注意力机制的查询参数、关键词参数和值参数，并通过所述编码模块获取所述推荐对象的实体向量。

如前述，目标用户的交互语义信息在可以在一定程度上决定最终得到的推荐理由的准确性，且交互语义信息越准确全面，生成得到的推荐文案也相应越准确。而且在实际应用中，在与目标用户进行对话交互的过程中，用户可能未能回复相应的交互内容，或者是回复的交互内容冗杂等，那么则需要从目标用户的对话交互数据中提取出有用的语义信息片段，进而根据提取得到的语义信息片段构建相应目标用户的交互语义信息。

具体的，语义信息片段所包含的具体内容可以根据需求进行预先设置，而且各个语义信息片段在交互语义信息中的排列顺序、数据形式等等属性也可以根据需求进行预先设置，对此本申请实施例均不加以限定。

例如，假设目标用户当前的对话交互数据包括如下内容：

问题1，一个人吃、两个人吃，多人一起吃？

答案1，单人餐

问题2，想吃多少钱的呢？

答案2，0-20元

问题3，想要哪种主食？

答案3，米饭或者馒头

问题4，想要哪种食材？

答案4，龙利鱼或者辣子鸡。

可以提取得到语义信息片段包括“单人餐”、“0-20元”、“米饭”和“龙利鱼”。而根据上述的语义信息片段构建得到目标用户的交互语义信息可以为[单人餐，0-20元，龙利鱼，辣子鸡，米饭，馒头]。

而在根据所述对话交互数据对应的交互语义信息，以及所述图谱实体信息，通过预设的推荐文案生成模型，生成所述推荐对象的推荐文案时，则可以将交互语义信息和图谱实体信息输入推荐文案生成模型，并以推荐文案生成模型的输出作为推荐对象的推荐文案。

例如，对于上述的交互语义信息以及推荐对象，可以将交互语义信息[单人餐，0-20元，龙利鱼，辣子鸡，米饭，馒头]，以及图谱实体信息“龙利鱼”、“19元”、“盖饭”输入推荐文案生成模型，从而输出得到推荐对象：价格为“19元”的“龙利鱼饭”的推荐文案。

另外，在本申请实施例中，推荐文案生成模型可以仅输出一条得分最高的推荐文案即为推荐对象最终的推荐文案，当然也可以设置推荐文案生成模型可以仅输出得分最高的前N个推荐文案，而且默认以得分最高的推荐文案作为推荐对象初始的推荐文案，而且用户还可以通过点击推荐文案、或者刷新页面等方式触发按照一定顺序切换推荐文案，从而使得用户可以主动选定自己喜欢的推荐文案。

而且，在本申请实施例中，还可以记住目标用户自主选定的推荐文案，从而方便在下一次给同一目标用户推荐同一对象时，可以优先显示目标用户自主选定的推荐文案。

如图3所示的多头注意力机制的结构示意图，多头注意力机制需要确定Q，K和V的取值取值。因此在本发明实施例中，在基于交互语义信息，以及图谱实体信息，通过基于多头注意力机制的编码模块，获取目标用户的用户需求向量，以及推荐对象的实体向量时，可以分别确认在获取目标用户的用户需求向量，以及推荐对象的实体向量时编码模块中多头注意力机制的查询(Q)参数、关键词(K)参数和值(V)参数。

具体的，可以在以交互语义信息作为编码模块中多头注意力机制的查询参数、关键词参数和值参数时，通过编码模块获取目标用户的用户需求向量；而在以图谱实体信息作为编码模块中多头注意力机制的查询参数、关键词参数和值参数时，通过相应的编码模块获取推荐对象的实体向量。

可选地，在本申请实施例中，所述子步骤131，进一步可以包括：

子步骤A1，获取所述目标用户的当前对话交互数据中包含的语义信息片段；

子步骤A2，根据所述语义信息片段对应的第一信息维度，以及所述交互语义信息对应的第二信息维度，获取所述语义信息片段相对于所述交互语义信息的缺失信息维度；

子步骤A3，根据所述目标用户的历史对话交互数据，获取所述缺失信息维度对应的历史偏好信息；

子步骤A4，根据所述语义信息片段以及所述历史偏好信息，构建所述目标用户的交互语义信息。

另外，为了提高交互语义信息的全面性，可以预先设置交互语义信息具体所包含的信息维度，而且在获取目标用户当前的交互语义信息时，由于需要用户主动进行交互，用户在交互的过程中，可能会遗漏部分问题，或者是无法确定部分内容，从而导致当前的对话交互数据中包含的语义信息片段相对于交互语义信息的要求缺失部分信息维度，进而导致构建得到的目标用户当前的交互语义信息不够全面。另一方面，用户在过去时间段内的对话交互数据也可以在一定程度上反映用户的喜好，因此在本申请实施例中，可以根据目标用户的历史对话交互数据，补充目标用户当前的缺失信息维度。

因此，在本申请实施例中，可以在获取目标用户的当前对话交互数据中包含的语义信息片段之后，根据语义信息片段对应的第一信息维度，以及交互语义信息对应的第二信息维度，获取语义信息片段相对于交互语义信息的缺失信息维度，进而根据所述目标用户的历史对话交互数据，获取所述缺失信息维度对应的历史偏好信息，最终可以根据所述语义信息片段以及所述历史偏好信息，构建所述目标用户的交互语义信息。

例如，假设预设的交互语义信息对应的第二信息维度包括用餐人数、主食、食材、价格区间等信息维度，而目标用户的当前对话交互数据中包含的语义信息片段中仅包含用餐人数、食材、价格区间等信息维度，那么则可以根据目标用户的历史对话交互数据，获取其缺失信息维度“主食”所对应的历史偏好信息，进而则可以根据从当前对话交互数据中提取的语义信息片段以及根据历史对话交互数据获取得到的缺失信息维度对应的历史偏好信息，构建得到目标用户当前的交互语义信息。

可选地，参照图4，在本申请实施例中，所述步骤140进一步可以包括：

子步骤141，以所述用户需求向量作为所述解码模块中多头注意力机制的查询参数，以所述实体向量作为所述解码模块中多头注意力机制的关键词参数和值参数，通过所述解码模块，获取所述推荐对象的推荐文案。

在本发明实施例中，通过以用户需求向量为Q，以实体向量为K和V。按照多头注意力机制的计算公式

进行计算，可以得到用户需求向量与实体向量之间的权重分布，并对实体向量进行加此时，可以按照时间序列解码出的实体向量加权后的矩阵T，进而将矩阵T依次映射到预设的字典维度，并且可以通过Softmax解析出当前应使用的词，从而得到相应的推荐对象当前对应的推荐理由。

可选地，参照图4，在本申请实施例中，所述步骤120进一步可以包括：

子步骤121，根据每个商品的所属商家，以及所述商品的评价信息，构建所述商品知识图谱；其中，所述评价信息包括所述商品的所属商家针对所述商品的描述信息，和/或所述商品的用户评价信息。

在实际应用中，同一商品对应在不同商家的做法、名称等属性可能并不完全一致。以菜品为例，不同商家所制作的“宫保鸡丁”在食材、口感等方面则可能存在差别，而且用户对于不同商家同一菜品的评价也会存在差别，不同商家对于自身菜品的描述也可能存在差别。

因此，在本申请实施例中，在构建商品知识图谱时，可以根据每个商品的所属商家，以及每个商品的评价信息，构建商品知识图谱。其中的评价信息可以包括但不限于商品的所属商家针对商品的描述信息，和/或商品的用户评价信息，等等。而且在本申请实施例中可以通过任何可用方式获取商品的所属商家针对商品的描述信息，商品的用户评价信息，对此本申请实施例不加以限定。

具体的，在构建商品知识图谱时，可以根据每个商品的所属商家，以及所述商品的评价信息，分别从评价信息中提取出构建商品知识图谱所需的图谱实体，进而根据各个图谱实体之间的关联关系，建立商品知识图谱。

而且，在本申请实施例中，商品知识图谱在首次构建完成后，在后续使用过程中可以对已构建的商品知识图谱进行完善和优化，而无需重复构建新的商品知识图谱。也即，子步骤121可以在子步骤122之前，以及子步骤122之前的任一步骤之前执行，对此本申请实施例不加以限定。

子步骤122，从所述商品知识图谱中获取与所述推荐对象关联的图谱实体，并基于所述图谱实体构建所述推荐对象对应的图谱实体信息。

在本申请实施例中，根据商品知识图谱中各个图谱实体之间的关联关系，可以得到与推荐对象关联的图谱实体，从而则可以基于与推荐对象关联的图谱实体构建得到推荐对象对应的图谱实体信息。

而且，在获取与推荐对象关联的图谱实体时，可以只获取与推荐对象直接关联的图谱实体，作为与推荐对象关联的图谱实体；也可以获取与推荐对象直接关联的第一层级图谱实体，以及与各个第一层级图谱实体关联的M层级图谱实体，作为与推荐对象关联的图谱实体等等，其中M的取值可以根据需求进行预先设置，对此本申请实施例不加以限定。

如图2所示的一种商品知识图谱，假设当前的推荐对象为“冰糖雪梨汤”，而且如果在商品知识图谱中标注有各个图谱实体之间的上下级关系，此时可以只获取推荐对象直接关联的下级图谱实体，作为与推荐对象关联的图谱实体，此时可以得到与其关联的图谱实体包括“炖”、“汤羹”、“冰糖”、“雪花梨”等；也可以只获取推荐对象直接关联的全部图谱实体，作为与推荐对象关联的图谱实体，此时可以得到与其关联的图谱实体包括“炖”、“汤羹”、“冰糖”“雪花梨”、“百合莲子冰糖雪梨”。

其中，在图谱实体信息中各个图谱实体的排列顺序以及数据格式等属性也可以根据需求进行预先设置，对此本申请实施例不加以限定。例如，对于上述的推荐对象关联的图谱实体“炖”、“汤羹”、“冰糖”、“雪花梨”，可以得到图谱实体信息为[炖，汤羹，冰糖，雪花梨]。

可选地，在本申请实施例中，所述子步骤121，进一步可以包括：

子步骤B1，针对每个所述商品，响应于所述商品属于多个商家，获取所述商家针对所述商品的描述信息；

子步骤B2，响应于所述商家中存在多个目标商家针对所述商品的描述信息不同，设置每个所述目标商家对应的所述商品为不同的图谱实体；

子步骤B3，根据所述商品的评价信息，构建所述商品知识图谱。

如前述，在实际应用中，不同商家对于同一商品的描述可能有所不同，那么在构建商品知识图谱时，如果将属不同商家的同一商品都归类一个图谱实体，可能会影响商品知识图谱的准确性，进而影响最终得到的推荐文案的准确性；而如果将属于不同商家的同一商品都作为不同的图谱实体，则会导致商品知识图谱数据量较大，容易影响数据查询效率。

因此，在本申请实施例中，为了提高商品知识图谱的准确性，对于多个商家都可以提供的商品，也即如果某一商品属于多个商家，则可以获取其所属的每个商家对相应商品的描述信息，从而筛选得到对相应商品的描述信息不相同的目标商家，并在商品知识图谱中将各个目标商家中的相应商品设置为不同的图谱实体。进而则可以根据根据商品的评价信息，构建商品知识图谱。

例如，对于菜品A，假设有商家1、商家2和商家3可以提供菜品A，且商家1对菜品A的描述信息不同于商家2和商家3，商家2和商家3对菜品A的描述信息相同，那么在构建商品知识图谱时，则可以将商家2和商家3下的菜品A统一为一个图谱实体a1，而将商家1下的菜品A作为一个另一个图谱实体a2。而且在根据每个商品的评价信息，构建商品知识图谱时，还可以根据商家2和商家3对菜品A的描述信息，和/或各个用户对商家2和商家3下的菜品A的用户评价信息，构建与图谱实体a1关联的图谱实体，可以根据商家1对菜品A的描述信息，和/或各个用户对商家1下的菜品A的用户评价信息，构建与图谱实体a2关联的图谱实体。

可选地，在本申请实施例中，为了提高推荐文案的生成速度，可以设置编码模块中包括两个独立的基于多头注意力机制构造的编码器，其中一个编码器用于根据所述交互语义信息获取所述用户需求向量，另一个编码器用于根据所述图谱实体信息获取所述实体向量。

如前述，在本申请实施例中，在获取推荐文案时，先可以根据目标用户的交互语义信息，以及推荐对象的图谱实体信息，通过基于多头注意力机制的编码模块获取所述目标用户的用户需求向量，以及所述推荐对象的实体向量。也即编码模块的输入数据包括交互语义信息和图谱实体信息两部分内容，而输出数据包括目标用户的用户需求向量，以及推荐对象的实体向量两部分，且其中用户需求向量是基于交互语义信息得到的，而实体向量是基于图谱实体信息得到的。由此可见，如果编码模块中仅包括一个基于多头注意力机制的编码器，那么则需要依次分别单独以交互语义信息和图谱实体信息作为输入数据执行两次编码过程，耗时相对较长。

因此在本申请实施例中，为了提高编码模块的编码效率，可以设置编码模块中包括两个独立的基于多头注意力机制构造的编码器，其中一个编码器用于根据所述交互语义信息获取所述用户需求向量，另一个编码器用于根据所述图谱实体信息获取所述实体向量。当然，在本申请实施例中，也可以设置推荐文案生成模型中至少一个编码模块和/或解码模块通过多头注意力机制构造得到，而其他的编码模块和/或解码模块则可以通过任何可用其他方式进行构造得到，例如通过任意一种注意力机制构造得到等等，对此本发明实施例不加以限定。

另外，在本申请实施例中，解码模块中包含的解码器数量也可以根据需求进行预先设置，对此本申请实施例也不加以限定。

例如，图5所示为一种推荐文案生成模型的结构示意图。其中，编码模块具体可以包括左侧编码器和右侧编码器两部分。其中，左侧编码器可以输入推荐对象的图谱实体信息，经基于多头注意力机制的编码后可以得到实体向量P，右侧编码器可以输入目标用户当前的交互语义信息，经基于多头注意力机制的编码后可以得到用户需求向量U，而且实体向量和用户需求向量可以作为上方解码模块的输入数据，解码模块的输出数据则可以包括相应推荐对象的推荐理由。

如图5所示，假设得到的推荐对象的图谱实体信息包括S1，...,Sn，此时左侧编码器进行的multi-head attention计算可以为自注意力机制(self-attention)，其中多头注意力机制的Q、K和V可以均为图谱实体信息S，P的计算公式如下，对图谱实体信息S进行加权：

其中，d_k为K的维度大小。

在右侧编码器，作为输入数据的交互语义信息包括Z1，...，Zn，其多头注意力机制的计算过程同左侧编码器，其中Q、K和V可以均为交互语义信息Z，可以得到用户需求向量U。

对于解码模块，以用户需求向量U为Q，以实体向量P为K和V。按照与P同样的多头注意力机制计算公式进行计算，可以得到用户需求向量U与实体向量P之间的权重分布，并对实体向量P进行加权。此时，可以按照时间序列解码出的实体向量P加权后的矩阵T，进而将矩阵T依次映射到预设的字典维度，并且可以通过Softmax解析出当前应使用的词，从而得到相应的推荐对象当前对应的推荐理由。

可选地，在本申请实施例中，为了提高商品知识图谱的准确性以及全面性，可以设置商品知识图谱中包括用以表征商品名称、商品原材料、商品生成方式、商品所属类别、商品功能、商品口味、商品适宜地区、商品适宜时间段等中的至少一种的图谱实体，以及各个所述图谱实体之间的关联关系。

例如，对于图2所示的商品知识图谱，其中的图谱实体“炖”可以表征商品生成方式，图谱实体“百合”可以表征商品原材料，图谱实体“蔬菜”可以表征商品所属类别，图谱实体“甜”可以表征商品口味，图谱实体“润肺”可以表征商品功能，图谱实体“冰糖雪梨汤”可以表征商品名称，等等。而且，在图2中通过标有箭头的虚线表征各个图谱实体之间的关联关系。

在本申请实施例中，通过获取所述对话交互数据中包含的语义信息片段，并根据所述语义信息片段构建所述目标用户的交互语义信息；以所述交互语义信息作为所述编码模块中多头注意力机制的查询参数、关键词参数和值参数，并通过所述编码模块获取所述目标用户的用户需求向量；以所述图谱实体信息作为所述编码模块中多头注意力机制的查询参数、关键词参数和值参数，并通过所述编码模块获取所述推荐对象的实体向量。并且，获取所述目标用户的当前对话交互数据中包含的语义信息片段；根据所述语义信息片段对应的第一信息维度，以及所述交互语义信息对应的第二信息维度，获取所述语义信息片段相对于所述交互语义信息的缺失信息维度；根据所述目标用户的历史对话交互数据，获取所述缺失信息维度对应的历史偏好信息；根据所述语义信息片段以及所述历史偏好信息，构建所述目标用户的交互语义信息。提高了交互语义信息的准确性，进而提高最终得到的推荐文案与用户实时需求的匹配度。

而且，在本申请实施例中，还可以以所述用户需求向量作为所述解码模块中多头注意力机制的查询参数，以所述实体向量作为所述解码模块中多头注意力机制的关键词参数和值参数，通过所述解码模块，获取所述推荐对象的推荐文案。从而提高最终生成的推荐理由的准确性。

进一步地，在本申请实施例中，还可以根据每个商品的所属商家，以及所述商品的评价信息，构建所述商品知识图谱；从所述商品知识图谱中获取与所述推荐对象关联的图谱实体，并基于所述图谱实体构建所述推荐对象对应的图谱实体信息；其中，所述评价信息包括所述商品的所属商家针对所述商品的描述信息，和/或所述商品的用户评价信息。并且，针对每个所述商品，响应于所述商品属于多个商家，获取所述商家针对所述商品的描述信息；响应于所述商家中存在多个目标商家针对所述商品的描述信息不同，设置每个所述目标商家对应的所述商品为不同的图谱实体；根据所述商品的评价信息，构建所述商品知识图谱。以及，所述商品知识图谱中包括用以表征商品名称、商品原材料、商品生成方式、商品所属类别、商品功能、商品口味、商品适宜地区、商品适宜时间段中的至少一种的图谱实体，以及各个所述图谱实体之间的关联关系。从而可以提高商品知识图谱的准确性以及完备性，进而提高基于商品知识图谱获取得到的图谱实体信息的准确性，最终提高推荐理由的准确性。

另外，在本申请实施例中，所述编码模块中包括两个独立的基于多头注意力机制构造的编码器，其中一个编码器用于根据所述交互语义信息获取所述用户需求向量，另一个编码器用于根据所述图谱实体信息获取所述实体向量。从而可以提高编码模块的编码效率。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。

实施例二

详细介绍本申请实施例提供的一种推荐文案生成装置。

参照图6，示出了本申请实施例中一种推荐文案生成装置的结构示意图。

推荐对象获取模块210，用于根据目标用户的对话交互数据，获取针对所述目标用户的推荐对象。

图谱实体信息获取模块220，用于根据商品知识图谱，获取所述推荐对象对应的图谱实体信息。

中间向量构建模块230，用于根据所述对话交互数据对应的交互语义信息，以及所述图谱实体信息，通过基于多头注意力机制的编码模块获取所述目标用户的用户需求向量，以及所述推荐对象的实体向量。

推荐文案生成模块240，用于根据所述用户需求向量和所述实体向量，通过基于多头注意力机制的解码模块获取所述所述推荐对象的推荐文案；其中，所述推荐文案生成模型为通过已知推荐理由的多个样本对象，以及所述样本对象对应的样本交互语义信息和样本图谱实体信息训练得到的由多头注意力机制构造的机器学习模型。

在本申请实施例中，通过根据目标用户的对话交互数据，获取针对所述目标用户的推荐对象；根据商品知识图谱，获取所述推荐对象对应的图谱实体信息；根据所述对话交互数据对应的交互语义信息，以及所述图谱实体信息，通过基于多头注意力机制的编码模块获取所述目标用户的用户需求向量，以及所述推荐对象的实体向量；根据所述用户需求向量和所述实体向量，通过基于多头注意力机制的解码模块获取所述所述推荐对象的推荐文案。由此提高了推荐文案的灵活性以及个性化，进而提高了推荐文案与用户实时需求的匹配度。

可选地，参照图7，在本申请实施例中，所述中间向量构建模块230，进一步可以包括：

交互语义信息获取子模块231，用于获取所述对话交互数据中包含的语义信息片段，并根据所述语义信息片段构建所述目标用户的交互语义信息；

用户需求向量获取子模块232，用于以所述交互语义信息作为所述编码模块中多头注意力机制的查询参数、关键词参数和值参数，并通过所述编码模块获取所述目标用户的用户需求向量。

实体向量获取子模块233，用于以所述图谱实体信息作为所述编码模块中多头注意力机制的查询参数、关键词参数和值参数，并通过所述编码模块获取所述推荐对象的实体向量。

可选地，在本申请实施例中，所述交互语义信息获取子模块231，进一步可以包括：

语义信息片段获取单元，用于获取所述目标用户的当前对话交互数据中包含的语义信息片段；

缺失信息维度获取单元，用于根据所述语义信息片段对应的第一信息维度，以及所述交互语义信息对应的第二信息维度，获取所述语义信息片段相对于所述交互语义信息的缺失信息维度；

历史偏好信息获取单元，用于根据所述目标用户的历史对话交互数据，获取所述缺失信息维度对应的历史偏好信息；

交互语义信息获取单元，用于根据所述语义信息片段以及所述历史偏好信息，构建所述目标用户的交互语义信息。

可选地，参照图7，在本申请实施例中，所述推荐文案生成模块240，进一步可以包括：

推荐文案生成子模块241，用于以所述用户需求向量作为所述解码模块中多头注意力机制的查询参数，以所述实体向量作为所述解码模块中多头注意力机制的关键词参数和值参数，通过所述解码模块，获取所述推荐对象的推荐文案。

可选地，参照图7，在本申请实施例中，所述图谱实体信息获取模块220，进一步可以包括：

商品知识图谱构建子模块221，用于根据每个商品的所属商家，以及所述商品的评价信息，构建所述商品知识图谱；其中，所述评价信息包括所述商品的所属商家针对所述商品的描述信息，和/或所述商品的用户评价信息。

图谱实体信息获取子模块222，用于从所述商品知识图谱中获取与所述推荐对象关联的图谱实体，并基于所述图谱实体构建所述推荐对象对应的图谱实体信息。

可选地，在本申请实施例中，所述商品知识图谱构建子模块221，进一步可以包括：

描述信息获取单元，用于针对每个所述商品，响应于所述商品属于多个商家，获取所述商家针对所述商品的描述信息；

图谱实体设置单元，用于响应于所述商家中存在多个目标商家针对所述商品的描述信息不同，设置每个所述目标商家对应的所述商品为不同的图谱实体；

商品知识图谱构建单元，用于根据所述商品的评价信息，构建所述商品知识图谱。

可选地，在本申请实施例中，所述编码模块中包括两个独立的基于多头注意力机制构造的编码器，其中一个编码器用于根据所述交互语义信息获取所述用户需求向量，另一个编码器用于根据所述图谱实体信息获取所述实体向量。

可选地，在本申请实施例中，所述商品知识图谱中包括用以表征商品名称、商品原材料、商品生成方式、商品所属类别、商品功能、商品口味、商品适宜地区、商品适宜时间段中的至少一种的图谱实体，以及各个所述图谱实体之间的关联关系。

在本申请实施例中，通过获取所述对话交互数据中包含的语义信息片段，并根据所述语义信息片段构建所述目标用户的交互语义信息；以所述交互语义信息作为所述编码模块中多头注意力机制的查询参数、关键词参数和值参数，并通过所述编码模块获取所述目标用户的用户需求向量；以所述图谱实体信息作为所述编码模块中多头注意力机制的查询参数、关键词参数和值参数，并通过所述编码模块获取所述推荐对象的实体向量。并且，获取所述目标用户的当前对话交互数据中包含的语义信息片段；根据所述语义信息片段对应的第一信息维度，以及所述交互语义信息对应的第二信息维度，获取所述语义信息片段相对于所述交互语义信息的缺失信息维度；根据所述目标用户的历史对话交互数据，获取所述缺失信息维度对应的历史偏好信息；根据所述语义信息片段以及所述历史偏好信息，构建所述目标用户的交互语义信息。提高了交互语义信息的准确性，进而提高最终得到的推荐文案与用户实时需求的匹配度。

而且，在本申请实施例中，还可以所述用户需求向量作为所述解码模块中多头注意力机制的查询参数，以所述实体向量作为所述解码模块中多头注意力机制的关键词参数和值参数，通过所述解码模块，获取所述推荐对象的推荐文案。进而提高最终得到的推荐文案与用户实时需求的匹配度。

另外，在本发明实施例中，还可以根据每个商品的所属商家，以及所述商品的评价信息，构建所述商品知识图谱；从所述商品知识图谱中获取与所述推荐对象关联的图谱实体，并基于所述图谱实体构建所述推荐对象对应的图谱实体信息；其中，所述评价信息包括所述商品的所属商家针对所述商品的描述信息，和/或所述商品的用户评价信息。并且，针对每个所述商品，响应于所述商品属于多个商家，获取所述商家针对所述商品的描述信息；响应于所述商家中存在多个目标商家针对所述商品的描述信息不同，设置每个所述目标商家对应的所述商品为不同的图谱实体；根据所述商品的评价信息，构建所述商品知识图谱。以及，所述商品知识图谱中包括用以表征商品名称、商品原材料、商品生成方式、商品所属类别、商品功能、商品口味、商品适宜地区、商品适宜时间段中的至少一种的图谱实体，以及各个所述图谱实体之间的关联关系。从而可以提高商品知识图谱的准确性以及完备性，进而提高基于商品知识图谱获取得到的图谱实体信息的准确性，最终提高推荐理由的准确性。

另外，在本申请实施例中，所述编码模块中包括两个独立的基于多头注意力机制构造的编码器，其中一个编码器用于根据所述交互语义信息获取所述用户需求向量，另一个编码器用于根据所述图谱实体信息获取所述实体向量。从而可以提高编码模块的编码效率。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

另外，在本申请实施例中还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现前述的任意一种推荐文案生成方法。

在本申请实施例中还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前述的任意一种推荐文案生成方法的步骤。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的推荐文案生成设备中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种推荐文案生成方法，其特征在于，包括：

根据目标用户的对话交互数据，获取针对所述目标用户的推荐对象；

根据商品知识图谱，获取所述推荐对象对应的图谱实体信息；

根据所述对话交互数据对应的交互语义信息，以及所述图谱实体信息，通过基于多头注意力机制的编码模块获取所述目标用户的用户需求向量，以及所述推荐对象的实体向量；

以所述用户需求向量作为解码模块中多头注意力机制的查询参数，以所述实体向量作为所述解码模块中多头注意力机制的关键词参数和值参数，通过所述解码模块，获取所述推荐对象的推荐文案。

2.根据权利要求1所述的方法，其特征在于，所述根据所述对话交互数据对应的交互语义信息，以及所述图谱实体信息，通过基于多头注意力机制的编码模块，获取所述目标用户的用户需求向量，以及所述推荐对象的实体向量的步骤，包括：

获取所述对话交互数据中包含的语义信息片段，并根据所述语义信息片段构建所述目标用户的交互语义信息；

以所述交互语义信息作为所述编码模块中多头注意力机制的查询参数、关键词参数和值参数，并通过所述编码模块获取所述目标用户的用户需求向量；

以所述图谱实体信息作为所述编码模块中多头注意力机制的查询参数、关键词参数和值参数，并通过所述编码模块获取所述推荐对象的实体向量。

3.根据权利要求2所述的方法，其特征在于，所述获取所述对话交互数据中包含的语义信息片段，并根据所述语义信息片段构建所述目标用户的交互语义信息的步骤，包括：

获取所述目标用户的当前对话交互数据中包含的语义信息片段；

根据所述语义信息片段对应的第一信息维度，以及所述交互语义信息对应的第二信息维度，获取所述语义信息片段相对于所述交互语义信息的缺失信息维度；

根据所述目标用户的历史对话交互数据，获取所述缺失信息维度对应的历史偏好信息；

根据所述语义信息片段以及所述历史偏好信息，构建所述目标用户的交互语义信息。

4.根据权利要求1所述的方法，其特征在于，所述根据商品知识图谱，获取所述推荐对象对应的图谱实体信息的步骤，包括：

根据每个商品的所属商家，以及所述商品的评价信息，构建所述商品知识图谱；

从所述商品知识图谱中获取与所述推荐对象关联的图谱实体，并基于所述图谱实体构建所述推荐对象对应的图谱实体信息；

其中，所述评价信息包括所述商品的所属商家针对所述商品的描述信息，和/或所述商品的用户评价信息。

5.根据权利要求4所述的方法，其特征在于，所述根据每个商品的所属商家，以及所述商品的评价信息，构建所述商品知识图谱的步骤，包括：

针对每个所述商品，响应于所述商品属于多个商家，获取所述商家针对所述商品的描述信息；

响应于所述商家中存在多个目标商家针对所述商品的描述信息不同，设置每个所述目标商家对应的所述商品为不同的图谱实体；

根据所述商品的评价信息，构建所述商品知识图谱。

6.根据权利要求1-5中任一项所述的方法，其特征在于，所述编码模块中包括两个独立的基于多头注意力机制构造的编码器，其中一个编码器用于根据所述交互语义信息获取所述用户需求向量，另一个编码器用于根据所述图谱实体信息获取所述实体向量。

7.根据权利要求1-5中任一项所述的方法，其特征在于，所述商品知识图谱中包括用以表征商品名称、商品原材料、商品生成方式、商品所属类别、商品功能、商品口味、商品适宜地区、商品适宜时间段中的至少一种的图谱实体，以及各个所述图谱实体之间的关联关系。

8.一种推荐文案生成装置，其特征在于，包括：

推荐对象获取模块，用于根据目标用户的对话交互数据，获取针对所述目标用户的推荐对象；

图谱实体信息获取模块，用于根据商品知识图谱，获取所述推荐对象对应的图谱实体信息；

中间向量构建模块，用于根据所述对话交互数据对应的交互语义信息，以及所述图谱实体信息，通过基于多头注意力机制的编码模块获取所述目标用户的用户需求向量，以及所述推荐对象的实体向量；

以所述用户需求向量作为解码模块中多头注意力机制的查询参数，以所述实体向量作为所述解码模块中多头注意力机制的关键词参数和值参数，通过所述解码模块，获取所述推荐对象的推荐文案。

9.一种电子设备，其特征在于，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中的任一项所述的推荐文案生成方法。

10.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-7中的任一项所述的推荐文案生成方法。

Images