CN110929137B - 文章推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种文章推荐方法、装置、设备及存储介质，属于计算机技术领域。所述方法包括：接收语音终端发送的请求文本；根据请求文本在文章数据库中查询得到与请求文本相匹配的目标文章；获取目标文章对应的摘要信息；向语音终端发送目标文章对应的摘要信息，该摘要信息用于被语音终端以语音形式进行播放。本申请通过根据语音终端发送的请求文本在文章数据库中查询得到与请求文本相匹配的目标文章并获取该目标文章的摘要信息，向语音终端发送该摘要信息后，语音终端以语音形式播放该摘要信息，由于摘要信息的篇幅较短，因此用户能够通过语音终端播放的摘要信息准确、快速地获取到目标文章的有效信息，提高了获取有效信息的效率。

Description

文章推荐方法、装置、设备及存储介质

技术领域

本申请涉及计算机技术领域，特别涉及一种文章推荐方法、装置、设备及存储介质。

背景技术

在互联网上阅读文章(例如新闻文章、博客文章、自媒体文章等)是人们获取信息的一种重要手段。随着互联网技术的发展，网络上的媒体平台可在用户帐号订阅该媒体平台的服务后向用户帐号推荐文章。

相关技术中，用户通过在终端上登录用户帐号并订阅媒体平台的服务后，媒体平台定期或不定期地向用户帐号推送通过人工筛选的文章。例如，用户通过社交应用程序登录用户帐号后，通过社交应用程序关注社交平台上的科技新闻公众号，该科技新闻公众号会定期或不定期地向用户帐号推荐并发送人工筛选后的科技新闻。

由于媒体平台向用户帐号推荐的文章是文章的正文，用户需要阅读文章的正文才能获取到文章中的有效信息，而文章的正文通常篇幅较长，因此用户难以快速获取得到有效信息，导致获取有效信息的效率较低。

发明内容

本申请实施例提供了一种文章推荐方法、装置、设备及存储介质，用以解决相关技术中的文章推荐方法导致获取有效信息的效率较低的问题。所述技术方案如下：

一方面，本申请实施例提供了一种文章推荐方法，所述方法应用于服务器中，所述方法包括：

接收语音终端发送的请求文本，所述请求文本是用于表示文章检索需求的文本信息，所述请求文本是所述语音终端在获取到用户语音信息后，识别所述用户语音信息得到的；

根据所述请求文本在文章数据库中查询得到与所述请求文本相匹配的目标文章；

获取所述目标文章对应的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型是用于基于文章的正文内容生成所述文章的摘要信息的机器学习模型；

向所述语音终端发送所述目标文章对应的摘要信息，所述摘要信息用于被所述语音终端以语音形式进行播放。

一方面，本申请实施例提供了一种文章推荐方法，所述方法应用于语音终端中，所述方法包括：

获取用户语音信息；

识别所述用户语音信息得到请求文本，所述请求文本是用于表示文章检索需求的文本信息；

向服务器发送所述请求文本，使所述服务器根据所述请求文本在文章数据库中查询得到与所述请求文本相匹配的目标文章，获取所述目标文章对应的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型是基于文章的正文内容生成所述文章的摘要信息的机器学习模型；

接收所述服务器发送的所述目标文章对应的摘要信息；

以语音形式播放所述目标文章对应的摘要信息。

一方面，本申请实施例提供了一种文章推荐方法，所述方法应用于智能音频设备中，所述智能音频设备包括语音检测组件、麦克风、处理器以及扬声器，所述方法包括：

通过所述语音检测组件确定是否存在用户声音；

当确定存在所述用户声音时，通过所述麦克风采集所述用户声音得到用户语音信息；

通过所述处理单元识别所述用户语音信息得到请求文本，所述请求文本是用于表示文章检索需求的文本信息；

向服务器发送所述请求文本，使所述服务器根据所述请求文本在文章数据库中查询得到与所述请求文本相匹配的目标文章，获取所述目标文章对应的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型是基于文章的正文内容生成所述文章的摘要信息的机器学习模型；

接收所述服务器发送的所述目标文章对应的摘要信息；

通过所述扬声器以语音形式播放所述目标文章对应的摘要信息。

一方面，本申请实施例提供了一种文章推荐方法，所述方法应用于终端设备中，所述终端设备的显示屏上显示有用户帐号和文章推荐帐号的对话界面，所述文章推荐帐号是所述用户帐号关注的媒体帐号，所述方法包括：

获取所述用户帐号的请求文本，所述请求文本是用于表示所述用户帐号的文章检索需求的文本信息；

向所述文章推荐帐号发送所述请求文本，所述文章推荐帐号对应的服务器用于根据所述请求文本在文章数据库中查询得到与所述请求文本相匹配的目标文章，获取所述目标文章对应的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型是基于文章的正文内容生成所述文章的摘要信息的机器学习模型；

接收所述服务器发送的所述目标文章对应的摘要信息；

在所述对话界面上以文字形式显示所述文章推荐帐号推送的所述摘要信息。

一方面，本申请实施例提供了一种文章推荐装置，所述装置应用于服务器中，所述装置包括：

接收模块，用于接收语音终端发送的请求文本，所述请求文本是用于表示文章检索需求的文本信息，所述请求文本是所述语音终端在获取到用户语音信息后，识别所述用户语音信息得到的；

处理模块，用于根据所述请求文本在文章数据库中查询得到与所述请求文本相匹配的目标文章；

获取模块，用于获取所述目标文章对应的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型是基于文章的正文内容生成所述文章的摘要信息的机器学习模型；

发送模块，用于向所述语音终端发送所述摘要信息，所述摘要信息用于被所述语音终端以语音形式进行播放。

一方面，本申请实施例提供了一种文章推荐装置，所述装置应用于语音终端中，所述装置包括：

获取模块，用于获取用户语音信息；

处理模块，用于识别所述用户语音信息得到请求文本，所述请求文本是用于表示文章检索需求的文本信息；

发送模块，用于向服务器发送所述请求文本，以便所述服务器根据所述请求文本在文章数据库中查询得到与所述请求文本相匹配的目标文章，获取所述目标文章对应的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型是基于文章的正文内容生成所述文章的摘要信息的机器学习模型；

接收模块，用于接收所述服务器发送的所述摘要信息；

播放模块，用于以语音形式播放所述摘要信息。

一方面，本申请实施例提供了一种文章推荐装置，所述装置应用于智能音频设备中，所述装置包括：

检测模块，用于确定是否存在用户声音；

采集模块，用于当确定存在所述用户声音时，采集所述用户声音得到用户语音信息；

处理模块，用于识别所述用户语音信息得到请求文本，所述请求文本是用于表示文章检索需求的文本信息；

发送模块，用于向服务器发送所述请求文本，使所述服务器根据所述请求文本在文章数据库中查询得到与所述请求文本相匹配的目标文章，获取所述目标文章对应的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型是基于文章的正文内容生成所述文章的摘要信息的机器学习模型；

接收模块，用于接收所述服务器发送的所述目标文章对应的摘要信息；

播放模块，用于通过所述扬声器以语音形式播放所述目标文章对应的摘要信息。

一方面，本申请实施例提供了一种文章推荐装置，所述装置应用于终端设备中，所述终端设备的显示屏上显示有用户帐号和文章推荐帐号的对话界面，所述文章推荐帐号是所述用户帐号关注的媒体帐号，所述装置包括：

获取模块，用于获取请求文本，所述请求文本是用于表示所述用户帐号的文章检索需求的文本信息；

发送模块，用于向所述文章推荐帐号发送所述请求文本，以便所述文章推荐帐号对应的服务器根据所述请求文本在文章数据库中查询得到与所述请求文本相匹配的目标文章，获取所述目标文章对应的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型是基于文章的正文内容生成所述文章的摘要信息的机器学习模型；

接收模块，用于接收所述服务器发送的所述摘要信息；

显示模块，用于在所述对话界面上以文字形式显示所述文章推荐帐号推送的摘要信息。

一方面，本申请实施例提供了一种计算机设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上所述的服务器侧的文章推荐方法。

一方面，本申请实施例提供了一种语音终端，所述语音终端包括麦克风、扬声器、显示屏、处理器以及存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上所述的语音终端侧的文章推荐方法。

一方面，本申请实施例提供了一种智能音频设备，所述智能音频设备包括语音检测组件、麦克风、扬声器、处理器以及存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上所述的智能音频设备侧的文章推荐方法。

一方面，本申请实施例提供了一种终端设备，所述终端设备包括麦克风、扬声器、显示屏、处理器以及存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如上所述的终端设备侧的文章推荐方法。

一方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如上所述的文章推荐方法。

本申请实施例提供的技术方案带来的有益效果至少包括：

通过根据语音终端发送的请求文本在文章数据库中查询得到与请求文本相匹配的目标文章并获取该目标文章的摘要信息，向语音终端发送该摘要信息后，语音终端以语音形式播放该摘要信息，由于摘要信息是目标文章的内容梗概，其篇幅较短，因此用户能够通过语音终端播放的摘要信息准确、快速地获取到目标文章的有效信息，提高了获取有效信息的效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一个示例性实施例提供的文章推荐方法的实施环境图；

图2是本申请一个示例性实施例提供的文章推荐方法的实施环境图；

图3是本申请一个示例性实施例提供的文章推荐方法的实施环境图；

图4是本申请一个示例性实施例提供的文章推荐方法的方法流程图；

图5是本申请一个示例性实施例提供的服务器的架构图；

图6是本申请一个示例性实施例提供的摘要生成模型的工作示意图；

图7是本申请一个示例性实施例提供的摘要生成方法的方法流程图；

图8是本申请一个示例性实施例提供的文章推荐方法的方法流程图；

图9是本申请一个示例性实施例提供的文章推荐平台的架构图；

图10是本申请一个示例性实施例提供的在线接入模块的架构图；

图11是本申请一个示例性实施例提供的文章推荐服务的方法步骤图；

图12是本申请一个示例性实施例提供的文章推荐方法的方法流程图；

图13是本申请一个示例性实施例提供的通过与公众号互动获取文章摘要信息的示意图；

图14是本申请一个示例性实施例提供的文章推荐装置的结构框图；

图15是本申请一个示例性实施例提供的文章推荐装置的结构框图；

图16是本申请一个示例性实施例提供的文章推荐装置的结构框图；

图17是本申请一个示例性实施例提供的文章推荐装置的结构框图；

图18是本申请一个示例性实施例提供的计算机设备的结构框图；

图19是本申请一个示例性实施例提供的智能音频设备的结构框图；

图20是本申请一个示例性实施例提供的终端设备的结构框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

首先，对本申请实施例中涉及的名词进行介绍：

机器学习模型：是一种运算模型，由大量的节点(或称神经元)之间相互联接构成，每个节点对应一个神经元，每两个节点间的连接代表一个对于通过该连接信号的加权值，称之为权重。样本输入机器学习模型的节点后，通过每个节点输出一个输出结果，该输出结果作为下一个节点的输入样本，机器学习模型通过样本最终输出结果对每个节点的神经元和权重进行调整，该过程被称为训练。

请求文本(Query)：是用于表示文章检索需求的文本信息。本申请实施例中的请求文本可以是用户对语音终端发出的语音口令转化的文本信息，也可以是用户语音终端输入的文本信息。例如，当语音终端是智能音频设备时，用户向智能音频设备发出语音口令，智能音频设备识别用户的语音口令得到请求文本；当语音终端是终端设备时，终端设备中运行有具有文章推荐功能的应用程序，终端设备的显示屏上显示有用户帐号和文章推荐帐号的对话界面，终端设备可通过接收在对话界面的语音输入控件上触发的语音输入信号采集用户声音得到语音信息，识别该语音信息得到请求文本，也可以通过接收在对话界面的文本输入框输入的字符串获得请求文本。

ES(Elastic Search)：是一种基于Lucene的搜索服务器。本申请实施例中可使用ES作为文章索引和请求文本检索的底层服务工具。

Lucene：是一个开放源代码的全文检索引擎工具包，但它不是一个完整的全文检索引擎，而是一个全文检索引擎的架构，提供了完整的查询引擎和索引引擎，部分文本分析引擎。

槽位解析:对请求文本进行自然语言处理和分析得到请求文本中的特征词和特征词对应的属性的分析过程。本申请实施例中，服务器可将请求文本中的特征词拆分归类到预设的属性中，该属性组成槽位。例如，若请求文本为“我想听XX网站今天发布的科技新闻”，通过槽位解析，得到该请求文本对应的特征词为“XX网站”、“科技”以及“今天”，特征词“XX网站”对应的属性为文章来源，特征词“科技”对应的属性为“文章分类”，特征词“今天”对应的属性为“时间”。

公众号：是公众号运营者(例如自媒体、官方媒体、博主等)在社交平台上申请的账号。公众号运营者可通过社交平台实现与关注该公众号的用户帐号之间进行文字、图片、语音、视频的全方位沟通和互动。本申请实施例中，用户帐号可通过社交平台与具有文章推荐功能的公众号(即文章推荐帐号)进行互动，向文章推荐帐号发送请求文本，文章推荐帐号接收该请求文本后，向用户帐号反馈根据请求文章检索到的目标文章的摘要信息。

本申请实施例中的文章方法可应用于用户与智能音频设备之间的交互的场景，或，用户与智能终端之间的交互场景，当然也适用于其它需要进行文章推荐的场景，本申请实施例不做限定。

用户与智能音频设备之间的交互场景

用户向智能音频设备发出语音口令，若该语音口令是要求智能音频设备推荐文章，则智能音频设备的反馈结果是以语音形式播放目标文章的摘要信息。

目标文章的摘要信息是智能音频设备采集得到语音口令对应的用户语音信息后，识别该用户语音信息得到请求文本，向服务器发送包括该请求文本，服务器根据该请求文本在文章数据中查询得到与该请求文本相匹配的目标文章，获取该目标文章的摘要信息后向智能音频设备发送该摘要信息得到的。其中，该摘要信息是语音形式的摘要信息。

用户与终端设备之间的交互场景

终端设备上运行有具有文章推荐功能的应用程序，终端设备的显示屏上显示有该应用程序的对话界面，该对话界面是用户帐号和文章推荐帐号(文章推荐帐号是用户帐号关注的媒体帐号)的对话界面，用户通过在对话界面的语音输入控件上触发语音输入信号，向终端设备发出语音口令，或，用户在对话界面的文本输入框中输入请求文本，若语音口令或请求文本是要求文章推荐帐号推荐文章，则文章推荐帐号的反馈结果是在对话界面显示目标文章的摘要信息。

目标文章的摘要信息是终端向服务器发送请求文本后，服务器根据该请求文本在文章数据中查询得到与该请求文本相匹配的目标文章，获取该目标文章的摘要信息后向智能音频设备发送该摘要信息得到的。其中，该摘要信息是语音形式的摘要信息和/或文字形式的摘要信息。

请参考图1，其示出了本申请一个示例性实施例提供的文章推荐方法的实施环境图。如图1所示，该实施环境包括语音终端110以及服务器120。其中，语音终端110通过有线或无线网络与服务器120建立连接。

语音终端110采集用户声音得到用户语音信息，对该用户语音信息进行识别后得到用户语音信息对应的请求文本，通过有线或无线网络向服务器120发送包括该请求文本。

服务器120根据请求文本在文章数据库中查询得到与请求文本匹配的目标文章，获取目标文章对应的摘要信息，其中，目标文章的摘要信息是服务器120根据目标文章的正文内容生成的，在获取到目标文章的摘要信息后，服务器120向语音终端110发送目标文章的摘要信息。

语音终端110在接收到服务器120发送的目标文章的摘要信息后，以语音形式播放该摘要信息。

示例性的，语音终端是智能音频设备，该智能音频设备包括检测是否存在用户声音的语音检测组件、采集用户声音的麦克风、识别用户语音信息的处理单元、发送信息的发送单元、接收信息的接收单元以及播放语音的扬声器。

如图2所示，用户200向智能音频设备111发出用户声音201：“帮我播科技新闻”，智能音频设备检测到用户声音201后，录制用户声音201得到用户语音信息，通过处理单元识别用户语音信息后得到请求文本，向服务器120发送该请求文本；服务器120根据请求文本在文章数据库中查询得到与请求文本匹配的目标文章，以及该目标文章对应的摘要信息后，向智能音频设备111发送该摘要信息，其中，该摘要信息是语音形式的摘要信息，该摘要信息是服务器120根据目标文章的正文内容生成的；智能音频设备111接收到摘要信息后，通过扬声器播放该摘要信息202：“XX公司发布最新旗舰手机……”。

示例性的，语音终端是终端设备，终端设备上运行有具有文章推荐功能的应用程序，终端设备的显示屏上显示有该应用程序的对话界面，该对话界面为用户帐号和文章推荐帐号的对话界面，文章推荐帐号是用户帐号关注的媒体帐号，终端设备在接收在对话界面的语音输入控件上触发的语音输入信号后，采集用户声音得到用户语音信息，对该用户语音信息进行识别后得到该用户语音信息对应的请求文本，通过有线或无线网络向服务器发送该请求文本；或，终端设备在获取到在对话界面的文本输入框中输入的请求文本后，通过有线或无线网络向服务器发送该请求文本。可选的，终端设备可以是手机、平板电脑、电子书阅读器、膝上型便携计算机、台式计算机等。

示例性的，具有文章推荐功能的应用程序可以是社交应用程序，用户通过在社交应用程序上登录用户帐号后，关注文章推荐平台的文章推荐帐号，向该文章推荐帐号发送请求文本，从而接收得到该文章推荐帐号根据请求文本查询得到的目标文章的摘要信息；或，该应用程序可以是文章推荐应用程序(例如新闻应用程序、博客应用程序等)，用户向该文章推荐应用程序发送请求文本后，接收得到该文章推荐应用程序根据请求文本查询得到的目标文章的摘要信息。

以该应用程序是社交应用程序为例，如图3所示，终端设备112上显示有社交应用程序的对话界面300，用户帐号310通过社交应用程序向文章推荐帐号320(即图3中的新闻小助手)发送请求文本301“我想看今天的科技新闻”，文章推荐帐号320的后台服务器接收到请求文本301后，在文章数据库查询得到与请求文本301匹配的目标文章以及目标文章的摘要信息后，向社交应用程序发送目标文章以及目标文章的摘要信息，社交应用程序在接收到目标文章以及目标文章的摘要信息后，在对话界面300以文字形式显示目标文章的摘要信息3013。可选的，在对话界面300上显示有输入控件330以及输入切换控件340。用户可通过触控切换控件340使输入控件330在文本输入框和语音输入控件之间切换。

可选的，服务器在获取到目标文章后，在文章数据库中获取得到目标文章的属性信息，向终端设备发送目标文章的属性信息，终端设备接收到目标文章的属性信息后，在对话界面显示该属性信息。例如，如图3所示，在对话界面300显示的属性信息302包括目标文章的附图3021、目标文章的标题3022以及目标文章的摘要信息3023。

可选的，上述属性信息中还包括语音形式的摘要信息，对话界面上还显示有语音播放控件3024，终端设备接收到目标文章的属性信息后，以语音形式播放目标文章的摘要信息，或，接收到在语音播放控件上触发的语音播放信号后，以语音形式播放目标文章的摘要信息。

示例性的，上述实施例中，请求文本中携带有语音终端110的设备信息，该设备信息可以是语音终端110的设备标识，和/或，语音终端110的设备类型。服务器120通过设备信息确定语音终端110的设备类型，当该设备类型是第一预设类型时，获取目标文章的语音形式的摘要信息，向语音终端110发送语音形式的摘要信息；当该设备类型是第二预设类型时，获取目标文章的语音形式的摘要信息和/或文字形式的摘要信息，向语音终端110发送语音形式的摘要信息和/或文字形式的摘要信息。其中，第一预设类型可以是智能音频设备；第二预设类型可以是普通智能终端，例如手机、平板电脑、电子书阅读器、膝上型便携计算机、台式计算机等。

请参考图4，其示出了本申请一个示例性实施例提供的文章推荐方法的流程图。该方法可应用于图1、图2或图3中所示的实施环境中，该方法包括：

步骤401，语音终端向服务器发送请求文本。

可选的，语音终端获取到用户语音信息后，识别语音信息得到该语音信息对应的请求文本，向服务器发送该请求文本。

示例性的，语音终端轮询检测是否存在用户声音，当确定存在用户声音后，采集用户声音得到用户语音信息，对该用户语音信息进行识别后得到该用户语音信息对应的请求文本。例如，用户对语音终端发出声音“我想看最新的科技新闻”，终端采集该用户声音后得到用户语音信息，识别该用户语音信息，得到该用户语音信息对应的请求文本：“我想看最新的科技新闻”。

示例性的，语音终端上运行有具有文章推荐功能的应用程序，该应用程序的显示界面上显示有用户帐号和文章推荐帐号的对话界面，语音终端接收到在对话界面的语音输入控件上触发的语音输入指令后，采集用户声音得到用户语音信息，通过对用户语音信息识别后得到该用户语音信息对应的请求文本，向服务器发送该请求文本。例如，用户在触控语音输入控件后，向语音终端发出声音“我想看最新的科技新闻”，语音终端在接收到触控语音输入控件触发的语音输入信号后，采集用户声音得到用户语音信息，识别该用户语音信息，得到该用户语音信息对应的请求文本“我想看最新的科技新闻”。

可选的，语音终端接收在文本输入框中输入的字符串，根据该字符串得到请求文本，向服务器发送该请求文本。

示例性的，语音终端上运行有具有文章推荐功能的应用程序，该应用程序的显示界面上显示有用户帐号和文章推荐帐号的对话界面，该对话界面具有文本输入框，用户在文本输入框输入字符串生成请求文本，语音终端向服务器发送该请求文本。例如，用户在文本输入框输入“我想看最新的科技新闻”，生成请求文本“我想看最新的科技新闻”。

步骤402，服务器根据请求文本在文章数据库中查询得到与请求文本相匹配的目标文章。

服务器在接收到请求文本后，根据该请求文本在文章数据库中查询得到与该请求文本相匹配的文章；或，服务器从请求文本中提取关键词，根据该关键词在文章数据库中查询得到与该关键词相匹配的文章，作为与请求文本匹配的目标文章；或，服务器从该请求文本中提取特征词和特征词对应的属性，根据特征词和特征词对应的属性在文章数据库中通过文章的索引检索得到索引与特征词和特征词对应的属性相匹配的文章，作为与请求文本匹配的目标文章。

示例性的，文章数据库存储有文章以及文章对应的属性信息，其中，该属性信息可以是文章的标题、文章的附图、文字形式的摘要信息、语音形式的摘要信息中的至少一种。

示例性的，请求文本为“我想看最新的科技新闻”，服务器提取该请求文本中的特征词为“科技”和“最新”，其中，“科技”对应的属性为文章分类，“最新”对应的属性为时间，服务器在文章数据库中获取文章分类为科技的文章后，从上述文章中获取距离当前时间最近的预设时间段的文章作为目标文章。

步骤403，服务器获取目标文章对应的摘要信息，该摘要信息是服务器调用摘要生成模型对目标文章进行处理后得到的。

服务器根据目标文章，在文章数据库中查询得到目标文章的属性信息，得到目标文章的摘要信息，其中，该摘要信息包括语音形式的摘要信息，该摘要信息是服务器调用摘要生成模型对目标文章进行处理后得到的，摘要生成模型是用于基于文章的正文内容生成文章的摘要的机器学习模型。可选的，语音形式的摘要信息是人工播报录制的，由人工播报录制的语音形式的摘要信息的播放效果更为流畅。

示例性的，服务器在接收终端的请求文本之前，需要获取文章建立文章数据库。服务器在获取到文章后，调用摘要生成模型对文章进行处理，得到文章的摘要信息后，将文章和文章的摘要信息存储在文章数据库中。其中，摘要生成模型是由至少一组样本文章数据组训练得到的机器学习模型，该样本文章数据组包括样本文章以及样本文章对应的摘要信息。

步骤404，服务器向语音终端发送目标文章的摘要信息。

服务器在获取到目标文章的摘要信息后，向语音终端发送该摘要信息。

步骤405，语音终端以语音形式播放目标文章的摘要信息。

语音终端在接收到服务器发送的目标文章的摘要信息后，以语音形式播放目标文章的摘要信息。例如，如图2所示，在接收到服务器发送的摘要信息后，智能音频设备111以语音形式播放该摘要信息202：“XX公司发布最新旗舰手机……”。

综上所述，本申请实施例中，通过根据语音终端发送的请求文本在文章数据库中查询得到与请求文本相匹配的目标文章并获取该目标文章的摘要信息，向语音终端发送该摘要信息后，语音终端以语音形式播放该摘要信息，由于摘要信息是目标文章的内容梗概，其篇幅较短，因此用户能够通过语音终端播放的摘要信息准确、快速地获取到目标文章的有效信息，提高了获取有效信息的效率。

可选的，本申请实施例中，通过服务器调用摘要生成模型对目标文章进行处理后得到目标文章的摘要信息，由于摘要生成模型是用于基于文章的正文内容生成文章的摘要信息的机器学习模型，因此能够准确地获取目标文章的摘要信息，提高了获取摘要信息的准确度。

在一个示例性的例子中，本申请实施例中的服务器架构如图5所示，该服务器120包括数据接入模块510、特征提取模块520、摘要生成模块530、ES数据模块540、ES更新模块550、多媒体数据查询模块560以及基础数据查询模块570。

数据接入模块510从其它相关的终端或服务器通过有线或无线网络接收文章，并实时更新文章。例如，与服务器110相关的服务器包括如图5所示的优质频道501、地域新闻502、二级频道503以及其它优质源504等网络平台的服务器。文章的作者通过终端在上述相关服务器平台发表文章后，相关服务器获取到该文章后，将该文章发送至服务器110，服务器110通过数据接入模块510接收相关服务器发送的文章，实时更新文章数据库。

数据接入模块510在接收到实时更新的文章后，对文章进行去重，统一格式和打平处理(即已经接收的文章不会重复进入后续流程)，得到筛选后的文章。

特征提取模块520提取筛选后的文章的特征，例如，文章的标题、文章的发布时间、文章的来源、文章正文。将筛选后的文章以及文章的特征发送至ES数据模块540以及摘要生成模块530。

摘要生成模块530调用摘要生成模型对筛选后的文章进行处理，得到每篇文章的摘要。其中，其中，摘要生成模型是由至少一组样本文章数据组训练得到的机器学习模型，样本文章数据组包括样本文章以及样本文章对应的摘要。摘要生成模块530将生成的摘要经过人工审核后，发送至ES数据模块。可选的，工作人员将生成的摘要信息进行人工播报录制为语音形式的摘要信息，得到语音摘要，将语音摘要上传至服务器110。

示例性的，摘要生成模型的训练方法包括：服务器110将样本文章输入原始摘要生成模型中，得到训练结果；原始摘要生成模型根据训练结果与样本文章对应的摘要进行比较，得到计算损失，该计算损失用于指示训练结果与样本文章对应的摘要之间的误差；根据至少一组样本文章数据组各自对应的计算损失，采用误差反向传播算法训练得到摘要生成模型。其中，样本文章的摘要可由人工设置。

多媒体数据查询模块560用于从相关服务器上获取文章的多媒体信息的状态(例如文章是否具有对应摘要信息和/或多媒体信息，该多媒体信息包含什么内容，该摘要信息和/或多媒体信息是否被人工审核过等)，其中，多媒体信息包含通过实时计算的文章的非自带属性的信息，例如，文章对应的附图、文章对应的视频、文章的语音形式的摘要信息等，将获取到的文章的多媒体信息的状态发送至ES更新模块550。ES更新模块550将获取到的文章的多媒体信息的状态发送至ES数据模块。

ES数据模块540以文章的特征为索引，建立基于ES搜索引擎的文章数据库，该文章数据库中还存储有文章的摘要以及文章的多媒体信息的状态。

如图6所示，摘要生成模型600包括句子特征提取模型610、句子打分模型620以及摘要抽取模型630。服务器通过调用摘要生成模型600处理文章，得到每篇文章的摘要信息的方法如图7所示，该方法可应用于图1、图2或图3中所示的实施环境中，该方法可以是图4实施例之前的方法，该方法包括：

步骤701，通过句子特征提取模型对文章进行分割，得到文章的至少一个句子。

服务器将文章输入摘要生成模型600中，摘要生成模型600的句子特征提取模型610根据文章的内容对文章进行分割，得到文章的句子S₁、S₂、……、S_n，n为正整数。

步骤702，通过句子特征提取模型提取句子的特征向量。

针对句子S₁-S_n中的任意一个句子S_i，句子特征提取模型610提取句子S_i的特征，生成句子S_i的特征向量，i为正整数，1≤i≤n。其中，句子的特征可以是句子在文章中的重要性、句子在文章中的起始位置、句子与文章的标题的相似度中的至少一种。

步骤703，通过句子打分模型，根据句子的特征向量对句子进行打分，得到每个句子对应的分数。

摘要生成模型600将句子S₁-S_n的特征向量输入句子打分模型620中，得到打分后的句子S’₁、S’₂、……、S’_n。打分后的句子包括句子对应的分数。其中，句子对应的分数表示该句子和文章内容的相关度，相关度越高，句子对应的分数的分值越高。

步骤704，通过摘要抽取模型，按照生成策略将分数排名靠前的x个句子，生成目标文章的摘要信息，x为正整数，x≥1。

摘要抽取模型630根据打分后的句子，按照分数大小从高到低的顺序，选择预设个数x个的句子，根据生成策略将x个句子合成为文章的摘要信息。

可选的，针对任意一篇文章，摘要生成模型600可输出m篇摘要，m篇摘要中每篇摘要对应不同预设个数x，m为正整数，m≥2，上述步骤704还可以是：

摘要抽取模型630按照生成策略将分数排名靠前的x_k个句子生成文章的第k篇摘要信息，k为正整数，1≤k≤m。

可选的，m篇摘要中每篇摘要对应一个应用场景。例如，在清晨时段，由于时间较紧，需要将摘要设置为较少内容，因此清晨时段的应用场景对应的摘要信息的内容较少，其对应的预设个数x较少；在夜间时段，由于空闲时间较多，可以将摘要设置为较多的内容，因此夜间时段的应用场景对应的摘要信息的内容较多，其对应的预设个数x较多。

请参考图8，其示出了本申请一个示例性实施例提供的文章推荐方法的方法流程图。该方法可应用于图1、图2或图3中所示的实施环境中，该方法包括：

步骤801，语音终端向服务器发送请求信息，该请求信息包括终端对应的用户帐号、请求文本和终端的设备信息。

终端获取请求文本的方法可参考图4实施例的步骤401，在此不做赘述。

示例性的，设备信息包括终端的设备标识和/或终端的设备类型。

步骤802，服务器调用意图识别模型对请求文本进行处理，得到请求文本对应的用户意图。

在解析请求文本之前，服务器需要根据请求文本识别出用户意图。例如，若请求文本为“我要听歌”，由于歌曲不是文章，则该请求文本的用户意图不是文章推荐；若请求文本为“我想看最新的科技新闻”，由于新闻是文章的一种，则该请求文本的用户意图是文章推荐。

服务器通过调用意图识别模型对请求文本进行处理，得到请求文本对应的用户意图。其中，意图识别模型是识别请求文本的用户意图的机器学习模型，是由至少一组样本请求文本数据组训练得到的，样本请求文本数据组包括样本请求文本以及样本请求文本对应的用户意图，请求文本的用户意图可由人工识别得到。

可选的，在调用意图识别模型对请求文本处理之前，服务器检测用户帐号是否是在服务器中存储的合法帐号，若该用户帐号不是合法帐号，则步骤停止；若该用户帐号是合法帐号，则执行调用意图识别模型对请求文本处理的步骤。

服务器中存储有用户数据库，该用户数据库中存储有在服务器上注册过的合法帐号以及每个合法帐号对应的信息，例如帐号名、帐号密码、感兴趣的文章、浏览过的文章等。

步骤803，当用户意图为推荐文章时，服务器对请求文本进行语义识别，得到请求文本的特征词以及特征词对应的属性。

当服务器确定请求文本对应的用户意图是推荐文章时，服务器对请求文本进行语义识别，得到请求文本的特征词，以及特征词对应的属性。

示例性的，特征词对应的属性包括文章分类、文章来源、人名、地名、关键词以及时间中的至少一种。例如，若请求文本为“我想听XX网站今天发布的科技新闻”，服务器提取得到该请求文本的特征词分别为“科技”、“XX网站”以及“今天”，上述三个特征分别对应的属性为“文章分类”、“文章来源”以及“时间”；若请求文本为“我想听关于XXX访华的最新新闻”，服务器提取得到该请求文本的特征词分别为“XXX”、“访华”以及“最新”，上述三个特征分别对应的属性为“人名”、“关键词”以及“时间”。服务器对请求文本进行语义识别，得到请求文本的特征词，以及特征词对应的属性过程也被称为槽位解析。上述示例中特征词和属性的对应关系如表一所示。

表一

可选的，服务器将获取到的特征词转化为对应的参数信息。例如，将“今天”转化为具体的时间段；将“最新”转化为预设的时间段。

步骤804，服务器根据特征词以及特征词对应的属性，在文章数据库中查询得到与特征词和特征词对应的属性相匹配的候选文章。

服务器在获取到特征词以及特征词对应的属性后，根据文章的索引标签，查询得到属性相同，且索引标签与特征词匹配的文章作为候选文章。

示例性的，服务器获取得到请求文本中的特征词为“科技”、“XX网站”以及“今天”，上述三个特征分别对应的属性为“文章分类”、“文章来源”以及“时间”，服务器查询得到索引标签为“科技”、“XX网站”且发布在当前时间所在的日期当天的文章作为候选文章。

步骤805，服务器调用排序模型对候选文章进行处理，得到候选文章的序号。

在获取到候选文章后，需要对候选文章进行排序，将最符合条件的前预设位候选文章作为目标文章。服务器调用排序模型对候选文章进行处理，得到候选文章的序号。其中，排序模型是按照文章与所述请求文本的匹配度对所述文章排序的机器学习模型，其由至少一组样本排序数据组训练得到，样本排序数据组包括样本请求文本、样本文章以及样本文章对应的序号，样本文章的序号可由人工标注。

可选的，排序模型包括文章特征提取模型、文章打分模型以及文章排序模型，服务器调用排序模型对候选文章进行处理，得到候选文章的序号的方法包括但不限于以下步骤：

步骤805a，通过文章特征提取模型提取候选文章的特征向量。

文章特征提取模型提取候选文章的特征，将候选文章的特征向量化，得到候选文章的特征向量。

步骤805b，通过文章打分模型，根据候选文章的特征向量、以及请求文本的特征词和属性，对候选文章进行打分，得到每篇候选文章的分数。

文章打分模型根据候选文章的特征向量，参考请求文本的特征词和属性，对候选文章进行打分，得到每篇候选文章的分数。

步骤805c，通过文章排序模型，根据每篇候选文章的分数，按照分数从大到小的顺序对候选文章进行排序，得到候选文章的序号。

文章排序模型根据文章打分模型输出的每篇候选文章的分数，按照分数从大到小的顺序对候选文章进行排序，得到候选文章的序号。例如，候选文章1的分数为80分，候选文章2的分数为88分，候选文章3的分数为72分，则候选文章1的序号为2，候选文章2的序号为1，候选文章3的序号为3。

步骤806，服务器检测序号在前预设位的候选文章中是否包括已读文章。

其中，已读文章是用户帐号浏览过的文章。服务器根据用户帐号，在本地存储的用户数据库中查询该用户帐号浏览过的文章，检测序号在前预设位的候选文章中是否包括用户帐号浏览过的文章。当序号在前预设位的候选文章中包括已读文章时，进入步骤808a；当序号在前预设位的候选文章中不包括已读文章时，进入步骤808b。

步骤807a，当序号在前预设位的候选文章中包括已读文章时，服务器将已读文章从序号在前预设位的候选文章中去除，将序号在前预设位的候选文章中除去已读文章的其它候选文章作为目标文章。

服务器确定序号在前预设位的候选文章中的已读文章后，需要将步骤807中获取到的候选文章中的已读文章去除，将除去已读文章的其它候选文章作为目标文章。

步骤807b，当序号在前预设位的候选文章中不包括已读文章时，服务器将序号在前预设位的候选文章作为目标文章。

服务器确定序号在前预设位的候选文章中不包括已读文章后，即可将步骤807中获取到的候选文章作为目标文章。

步骤808，服务器根据请求消息中的设备信息以及当前时间确定需要获取的目标文章的摘要信息。

当设备类型属于第一预设类型时，服务器获取目标文章的语音形式的摘要信息；或，当设备类型属于第二预设类型时，获取目标文章的文字形式的摘要信息。其中，第一预设类型可以是具有扬声器的终端类型，例如智能音频设备；第二预设类型是包括显示屏的终端类型，例如手机、平板电脑、电子书阅读器、膝上型便携计算机、台式计算机等。

示例性的，服务器可根据设备信息中的设备标识，在预设的设备标识和设备类型的对应关系中查询得到终端的设备类型，或，服务器可直接根据设备信息中的设备类型获取到终端的设备类型。

可选的，服务器根据当前时间确定当前时间所述的预设时间段，确定目标文章对应的m篇摘要中的目标摘要信息，m为正整数，m≥2。

例如，若终端是包括扬声器的智能音频设备，且当前时间属于清晨时间段，则服务器在目标文章对应的m篇摘要信息中获取得到清晨时间段对应的语音形式的摘要信息作为目标摘要信息；若终端是包括显示屏的终端设备，且当前时间属于夜间时间段，则服务器在目标文章对应的m篇摘要信息中获取得到夜间时间段的文字形式的摘要信息和/或语音形式的摘要信息作为目标摘要信息。

步骤809，服务器向语音终端发送目标文章的摘要信息。

服务器将获取到的目标文章的摘要信息发送至语音终端。

步骤810a，语音终端以语音形式播放目标文章的摘要信息。

当语音终端是智能音频设备时，通过扬声器以语音形式播放目标文章的摘要信息。

步骤810b，语音终端显示目标文章的摘要信息。

当语音终端是终端设备时，在具有文章推荐功能的应用程序的对话界面以文字形式显示目标文章的摘要信息。可选的，终端设备可在接收用户在语音播放控件上触发的语音播放信号后，通过终端设备的扬声器以语音形式播放目标文章的摘要信息。

综上所述，本申请实施例中，通过根据语音终端发送的请求文本在文章数据库中查询得到与请求文本相匹配的目标文章并获取该目标文章的摘要信息，向语音终端发送该摘要信息后，语音终端以语音形式播放该摘要信息，由于摘要信息是目标文章的内容梗概，其篇幅较短，因此用户能够通过语音终端播放的摘要信息准确、快速地获取到目标文章的有效信息，提高了获取有效信息的效率。

可选的，本申请实施例中，通过服务器调用摘要生成模型对目标文章进行处理后得到目标文章的摘要信息，由于摘要生成模型是用于基于文章的正文内容生成文章的摘要信息的机器学习模型，因此能够准确地获取目标文章的摘要信息，提高了获取摘要信息的准确度。

可选的，本申请实施例中，通过调用意图识别模型对请求文本进行处理，得到请求文本对应的用户意图，当确定用户意图是推荐文章后，再进行后续的步骤，避免了对用户意图不是推荐文章的请求文本进行处理额外消耗服务器的处理资源的问题，节省了服务器的资源占用。

可选的，本申请实施例中，通过调用排序模型对候选文章进行处理，得到候选文章的序号，从而根据候选文章的序号确定候选文章中的目标文章，由于排序模型是按照文章与请求文本的匹配度对文章排序的机器学习模型，因此能够准确地获取得到候选文章与请求文本的匹配度，从而根据该匹配度对候选文章打分排序，从而提高了确定目标文章的准确度。

上述实施例中，意图识别模型的训练方法包括：服务器将样本请求文本输入原始意图识别模型中，得到训练结果；原始意图识别模型根据训练结果与样本请求文本对应的用户意图进行比较，得到计算损失，该计算损失用于指示训练结果与样本请求文本对应的用户意图之间的误差；根据至少一组样本请求文本数据组各自对应的计算损失，采用误差反向传播算法训练得到意图识别模型。

上述实施例中，排序模型的训练方法包括：服务器将样本请求文本和样本文章输入原始排序模型中，得到训练结果；原始排序模型根据训练结果与样本文章对应的序号进行比较，得到计算损失，该计算损失用于指示训练结果与样本文章对应的序号之间的误差；根据至少一组样本排序数据组各自对应的计算损失，采用误差反向传播算法训练得到排序模型。

在一个示例性的例子中，本申请实施例中的文章推荐平台900的整体架构图如图9所示，包括在线接入模块910和实时数据服务模块920。用户200向在线接入服务模块910发出请求，在线接入服务模块910根据用户200的请求生成请求文本，对请求文本完成识别分析后，向实时数据服务模块920发送请求文本，实时数据服务模块920会将与请求文本匹配度最高的目标文章的属性信息返回给在线接入模块910，完成整个交互。

图10是在线接入模块910的架构图，如图10所示，用户200发出请求之后，生成用户语音信息，身份验证系统9101根据用户语音信息用户进行身份验证，如果是合法用户并且是正常请求的情况，识别用户语音信息后得到请求文本，否则拒绝该用户200的请求；对话管理系统9102分析请求文本中的上下文，粗判出用户意图，并访问对应的子服务；子服务包含文章推荐服务9103、闲聊服务9104、知识库服务9105等，以满足用户200的多种需求；对话管理系统9102收集到子服务的响应结果后，会根据响应结果和当前状态等条件做综合分析，挑选出符合本轮交互的最终结果返回给用户。

图11是文章推荐服务9103的步骤，其分为请求文本理解以及在线检索两大类型，文章推荐服务9103的步骤包括但不限于：

意图识别步骤1101，根据请求文本识别用户意图，当用户意图为文章推荐时，进入下一步骤。例如，若请求文本为“我想看最新的科技新闻”，由于新闻是文章的一种，因此其对应的用户意图为文章推荐，进入下一步。

槽位解析步骤1102，对请求文本进行槽位解析，得到请求文本中特征词和特征词的属性。例如，若请求文本为“我想看最新的科技新闻”，得到该请求文本的特征词为“科技”和“最新”，其对应的槽位分别为文章分类和时间。

请求处理步骤1103，对特征词和特征词的属性进行请求处理，将部分特征词转化为对应的参数信息。例如，特征词为“最新”，则获取该特征词对应的时间段。

检索操作步骤1104，根据特征词、特征词对应的属性以及参数信息，在文章数据库中查询得到与请求文本匹配的文章，该步骤为基础数据查询。例如，根据特征词“科技”和“最新”，在文章数据库中获取文章分类为科技的文章后，从上述文章中获取距离当前时间最近的预设时间段的文章。

低质过滤步骤1105，对检索操作步骤1104查询得到的文章进行过滤，去除低质量的文章，得到候选文章。

特征工程步骤1106，提取低质过滤步骤1105中得到候选文章的特征向量。

文章排序步骤1107，通过文章打分模型和排序模型对候选文章打分和排序，得到每篇候选文章的序号。其中，每篇候选文章的分数用于表示候选文章和请求文本的匹配度，根据分数的大小对候选文章进行排序，得到每篇候选文章的序号。例如，候选文章有三篇，候选文章1是距离当前时间一周以前发布的关于无人机使用方法的文章，候选文章2是距离当前时间24小时以内发布的XX公司发布最新旗舰手机的新闻，候选文章3是距离当前时间三天以前发布的弱电流传感器的新闻，通过文章打分模型打分，候选文章1的分数为55分，候选文章2的分数为85分，候选文章3的分数为75分；通过排序模型对这三篇候选文章按照分数从大到小的顺序排序得到候选文章1的序号为3，候选文章2的序号为1，候选文章3的序号为2。

已读去重步骤1108，去除排序在前预设位的候选文章中的已读文章，将排序在前预设位除去已读文章其它的候选文章作为目标文章。其中，已读文章是用户帐号浏览过的文章。例如，若候选文章2是已读文章，需要取排序第一位的文章为目标文章，则在上述三篇候选文章中，候选文章3是目标文章。

信息收集步骤1109，在文章数据库中获取目标文章的摘要信息和/或多媒体信息。

响应处理步骤1110，将目标文章的摘要信息和/或多媒体信息打包并传输至语音终端。例如，服务器在文章数据库中获取候选文章3的摘要信息和/或多媒体信息后，将候选文章3的摘要信息和/或多媒体信息打包发送至语音终端。

请参考图12，其示出了本申请一个示例性实施例提供的文章推荐方法的流程图。该方法可应用于图3中所示的实施环境中的终端设备112中，在该实施环境中，终端设备112的显示屏上显示有用户帐号310和文章推荐帐号320(即图3中的“新闻小助手”)的对话界面300，该文章推荐帐号是用户帐号310关注的公众号，该方法包括：

步骤1201，获取用户帐号的请求文本，该请求文本是用于表示用户帐号的文章检索需求的文本信息。

如图13的左图所示，终端设备112上运行有社交应用程序，用户通过社交应用程序在社交平台上注册用户帐号，关注文章推荐帐号后，可进入用户帐号和文章推荐帐号的对话界面300，该对话界面300上显示有文章推荐帐号320，输入控件330以及输入切换控件340。用户可通过触控切换控件340使输入控件330在文本输入框和语音输入控件之间切换。

终端设备可通过以下方式获取请求文本：

a、终端设备接收在文本输入框输入的字符串，根据输入的字符串得到请求文本。

如图13左图所示，输入控件330此时为文本输入框，用户触控文本输入框后开启输入法界面，通过触控输入法界面在文本输入框330输入字符串，终端设备112接收用户输入的字符串到的请求文本“我想看今天的科技新闻”。

b、终端设备接收在语音输入控件上触发的语音输入信号，根据语音输入信号采集用户语音信息，识别该用户语音信息得到请求文本。

如图13左图所示，输入控件330此时为文本输入框，用户可触控输入切换控件340，使输入控件330切换为语音输入控件，触控语音输入控件后对终端设备112发出声音，终端设备112接收在语音输入控件上触发语音输入信号后，采集用户声音，得到用户语音信息，通过识别该用户语音信息得到请求文本“我想看今天的科技新闻”。

步骤1202，向文章推荐帐号发送请求文本，使文章推荐帐号对应的服务器根据该请求文本在文章数据库中查询得到与该请求文本相匹配的目标文章，获取该目标文章对应的摘要信息。

在获取到请求文本后，终端设备向文章推荐帐号对应的服务器发送该请求文本，文章推荐帐号对应的服务器根据该请求文本在文章数据库中查询得到与该请求文本相匹配的目标文章，获取该目标文章对应的摘要信息。其中，该摘要信息是服务器调用摘要生成模型对目标文章进行处理后得到的，该摘要生成模型是基于文章的正文内容生成文章的摘要信息的机器学习模型。

文章推荐帐号对应的服务器获取目标文章以及目标文章对应的摘要信息的方法可参考上述实施例，在此不做赘述。

步骤1203，接收文章推荐帐号对应的服务器发送的目标文章对应的摘要信息。

服务器根据请求文本获取得到目标文章的摘要信息后，向终端设备发送目标文章的摘要信息。

步骤1204，在对话界面上以文字形式显示文章推荐帐号推送的摘要信息。

如图13的右图所示，终端设备112在接收到目标文章的摘要信息后，以文字形式在对话界面300上显示文章推荐帐号320推送的摘要信息3023。可选的，对话界面300上还显示有语音播放控件3024，终端设备112在接收到触控语音播放控件3024触发的语音播放信号后，以语音形式播放摘要信息。

综上所述，本申请实施例中，通过根据终端设备发送的请求文本在文章数据库中查询得到与请求文本相匹配的目标文章并获取该目标文章的摘要信息，向终端设备发送该摘要信息后，终端设备以文字形式显示该摘要信息，由于摘要信息是目标文章的内容梗概，其篇幅较短，因此用户能够通过终端设备显示的摘要信息准确、快速地获取到目标文章的有效信息，提高了获取有效信息的效率。

请参考图14，其示出了本申请一个示例性实施例提供的文章推荐装置的结构框图。该装置可以通过软件、硬件或者两者的结合实现成为图1、图2、图3实施例中的服务器120。该装置包括接收模块1410、处理模块1420、获取模块1430以及发送模块1440。

接收模块1410，用于接收语音终端发送的请求文本，该请求文本是用于表示文章检索需求的文本信息，该请求文本是语音终端在获取到用户语音信息后，识别用户语音信息得到的。

处理模块1420，用于根据请求文本在文章数据库中查询得到与请求文本相匹配的目标文章。

获取模块1430，用于获取目标文章对应的摘要信息，摘要信息是服务器调用摘要生成模型对目标文章进行处理后得到的，摘要生成模型是基于文章的正文内容生成文章的摘要信息的机器学习模型。

发送模块1440，用于向语音终端发送摘要信息，该摘要信息用于被语音终端以语音形式进行播放。

在一个可选的实施例中，摘要生成模型包括句子特征提取模型、句子打分模型以及摘要抽取模型；

处理模块1420，还用于通过句子特征提取模型对目标文章进行分割，得到目标文章的至少一个句子；通过句子特征提取模型提取句子的特征向量；通过句子打分模型，根据句子的特征向量对句子进行打分，得到每个句子对应的分数；通过摘要抽取模型，按照生成策略将分数排名靠前的x个句子，生成目标文章的摘要信息，x为正整数，x≥1。

在一个可选的实施例中，目标文章对应有m篇摘要信息，m为正整数，m≥2；

处理模块1420，还用于通过摘要抽取模型，按照生成策略将分数排名靠前的x_k个句子生成目标文章的第k篇摘要信息，1≤k≤m。

在一个可选的实施例中，处理模块1420，还用于调用意图识别模型对请求文本进行处理，得到请求文本对应的用户意图，意图识别模型是识别请求文本的用户意图的机器学习模型；当用户意图为推荐文章时，执行根据请求文本查询得到与请求文本匹配的目标文章的步骤。

在一个可选的实施例中，处理模块1420，还用于当用户意图为推荐文章时，对请求文本进行语义识别，得到请求文本的特征词以及特征词对应的属性；根据特征词以及特征词对应的属性，在文章数据库中查询得到与特征词和属性相匹配的候选文章；调用排序模型对候选文章进行处理，得到候选文章的序号，排序模型是按照文章与请求文本的匹配度对文章排序的机器学习模型；将序号在前预设位的候选文章作为目标文章。

在一个可选的实施例中，排序模型包括文章特征提取模型、文章打分模型以及文章排序模型；

处理模块1420，还用于通过文章特征提取模型提取候选文章的特征向量；通过文章打分模型，根据候选文章的特征向量对候选文章进行打分，得到每个候选文章的分数，分数用于表示候选文章与请求文本的匹配度；通过文章排序模型，根据每个候选文章的分数，按照分数从大到小的顺序对候选文章进行排序，得到候选文章的序号。

在一个可选的实施例中，请求文本中还携带有语音终端对应的用户帐号；

处理模块1420，还用于确定序号在前预设位的候选文章中是否包括已读文章，已读文章是用户帐号浏览过的文章；当序号在前预设位的候选文章中包括已读文章时，将已读文章从序号在前预设位的候选文章中去除，将序号在前预设位的候选文章中除去已读文章的其它候选文章作为目标文章；或，当序号在前预设位的候选文章中不包括已读文章时，将序号在前预设位的候选文章作为目标文章。

在一个可选的实施例中，请求文本还携带有语音终端的设备信息；

处理模块1420，还用于根据设备信息获取语音终端的设备类型；当设备类型属于第一预设类型时，获取语音形式的摘要信息；或，当设备类型属于第二预设类型时，获取文字形式的摘要信息和/或语音形式的摘要信息。

在一个可选的实施例中，目标文章对应m篇摘要信息，m为正整数，m≥2；

获取模块1430，还用于获取当前时间。

处理模块1420，还用于确定当前时间所属的预设时间段；根据预设时间段，确定目标文章对应的m篇摘要信息中的目标摘要信息。

请参考图15，其示出了本申请一个示例性实施例提供的文章推荐装置的结构框图。该装置可以通过软件、硬件或者两者的结合实现成为图1实施例中的语音终端110。该装置包括获取模块1510、处理模块1520、发送模块1530、接收模块1540以及播放模块1550。

获取模块1510，用于获取用户语音信息。

处理模块1520，用于识别用户语音信息得到请求文本，请求文本是用于表示文章检索需求的文本信息。

发送模块1530，用于向服务器发送请求文本，使服务器根据请求文本在文章数据库中查询得到与请求文本相匹配的目标文章，获取目标文章对应的摘要信息，摘要信息是服务器调用摘要生成模型对目标文章进行处理后得到的，该摘要生成模型是基于文章的正文内容生成文章的摘要信息的机器学习模型。

接收模块1540，用于接收服务器发送的目标文章对应的摘要信息。

播放模块1550，用于以语音形式播放目标文章对应的摘要信息。

请参考图16，其示出了本申请一个示例性实施例提供的文章推荐装置的结构框图。该装置可以通过软件、硬件或者两者的结合实现成为图2实施例中的智能音频设备111。该装置包括检测模块1610、采集模块1620、处理模块1630、发送模块1640、接收模块1650以及播放模块1660。

检测模块1610，用于确定是否存在用户声音。

采集模块1620，用于当确定存在用户声音时，采集用户声音得到用户语音信息。

处理模块1630，用于识别用户语音信息得到请求文本，请求文本是用于表示文章检索需求的文本信息。

发送模块1640，用于向服务器发送请求文本，使服务器根据请求文本在文章数据库中查询得到与请求文本相匹配的目标文章，获取目标文章对应的摘要信息，摘要信息是服务器调用摘要生成模型对目标文章进行处理后得到的，摘要生成模型是基于文章的正文内容生成文章的摘要信息的机器学习模型。

接收模块1650，用于接收服务器发送的目标文章对应的摘要信息。

播放模块1660，用于通过扬声器以语音形式播放目标文章对应的摘要信息。

请参考图17，其示出了本申请一个示例性实施例提供的文章推荐装置的结构框图。该装置可以通过软件、硬件或者两者的结合实现成为图3实施例中的终端设备112，终端设备112的显示屏上显示有用户帐号和文章推荐帐号的对话界面，文章推荐帐号是用户帐号关注的媒体帐号。该装置包括获取模块1710、发送模块1720、接收模块1730、显示模块1740、采集模块1750、处理模块1760以及播放模块1770，其中，采集模块1750和播放模块1770是可选的模块。

获取模块1710，用于获取请求文本，该请求文本是用于表示用户帐号的文章检索需求的文本信息。

发送模块1720，用于向文章推荐帐号发送请求文本，以便文章推荐帐号对应的服务器根据请求文本在文章数据库中查询得到与请求文本相匹配的目标文章，获取目标文章对应的摘要信息，摘要信息是服务器调用摘要生成模型对目标文章进行处理后得到的，摘要生成模型是基于文章的正文内容生成文章的摘要信息的机器学习模型。

接收模块1730，用于接收服务器发送的摘要信息。

显示模块1740，用于在对话界面上以文字形式显示文章推荐帐号推送的摘要信息。

在一个可选的实施例中，接收模块1730，还用于接收在对话界面的语音输入控件上触发的语音输入信号。

采集模块1750，用于根据语音输入信号采集用户语音信息。

处理模块1760，用于识别用户语音信息得到请求文本。

在一个可选的实施例中，接收模块1730，还用于接收在对话界面的文本输入框输入的字符串，根据字符串得到请求文本。

在一个可选的实施例中，接收模块1730，还用于接收在对话界面的语音播放控件上触发的语音播放信号。

播放模块1770，用于根据语音播放信号以语音形式播放摘要信息。

请参考图18，其示出了本申请一个实施例提供的计算机设备的结构示意图。该计算机设备用于实施上述实施例中提供的文章图鉴方法，该计算机设备可以是图1、图2、图3实施中的服务器120。具体来讲：

所述计算机设备1800包括中央处理单元(CPU)1801、包括随机存取存储器(RAM)1802和只读存储器(ROM)1803的系统存储器1804，以及连接系统存储器1804和中央处理单元1801的系统总线1805。所述计算机设备1800还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)1806，和用于存储操作系统1813、应用程序1814和其他程序模块1815的大容量存储设备1807。

所述基本输入/输出系统1806包括有用于显示信息的显示器1808和用于用户输入信息的诸如鼠标、键盘之类的输入设备1809。其中所述显示器1808和输入设备1809都通过连接到系统总线1805的输入输出控制器1810连接到中央处理单元1801。所述基本输入/输出系统1806还可以包括输入输出控制器1810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1810还提供输出到显示屏、打印机或其他类型的输出设备。

所述大容量存储设备1807通过连接到系统总线1805的大容量存储控制器(未示出)连接到中央处理单元1801。所述大容量存储设备1807及其相关联的计算机可读介质为计算机设备1800提供非易失性存储。也就是说，所述大容量存储设备1807可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。

不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1804和大容量存储设备1807可以统称为存储器。

根据本申请的各种实施例，所述计算机设备1800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1800可以通过连接在所述系统总线1805上的网络接口单元1811连接到网络1812，或者说，也可以使用网络接口单元1811来连接到其他类型的网络或远程计算机系统(未示出)。

所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行。上述一个或者一个以上程序包含用于进行上述实施例中提供的文章推荐方法的指令。

请参考图19，其示出了是本申请一个示例性实施例提供的智能音频设备的结构框图，该智能音频设备包括：麦克风1910、扬声器1920，处理器1930以及存储器1940：

麦克风1910用于采集用户声音得到用户语音信号，扬声器1920用于以语音形式播放摘要信息。

存储器1940中存储有至少一条指令，该指令由处理器1930加载并执行以实现上述任一实施例中由语音终端执行的文章推荐方法。

请参考图20，其示出了本申请一个示例性实施例提供的终端2000的结构框图。该终端2000可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(Moving PictureExperts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器。终端2000还可能被称为用户设备、便携式终端等其他名称。

通常，终端2000包括有：处理器2001和存储器2002。

处理器2001可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器2001可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器2001也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器2001可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器2001还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器2002可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是有形的和非暂态的。存储器2002还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器2002中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器2001所执行以实现本申请中提供的终端执行的文章推荐方法。

在一些实施例中，终端2000还可选包括有：外围设备接口2003和至少一个外围设备。具体地，外围设备包括：射频电路2004、触摸显示屏2005、摄像头2006、音频电路2007和电源2008中的至少一种。

外围设备接口2003可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器2001和存储器2002。在一些实施例中，处理器2001、存储器2002和外围设备接口2003被集成在同一芯片或电路板上；在一些其他实施例中，处理器2001、存储器2002和外围设备接口2003中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路2004用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路2004通过电磁信号与通信网络以及其他通信设备进行通信。射频电路2004将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路2004包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路2004可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路2004还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

触摸显示屏2005用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。触摸显示屏2005还具有采集在触摸显示屏2005的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器2001进行处理。触摸显示屏2005用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，触摸显示屏2005可以为一个，设置终端2000的前面板；在另一些实施例中，触摸显示屏2005可以为至少两个，分别设置在终端2000的不同表面或呈折叠设计；在再一些实施例中，触摸显示屏2005可以是柔性显示屏，设置在终端2000的弯曲表面上或折叠面上。甚至，触摸显示屏2005还可以设置成非矩形的不规则图形，也即异形屏。触摸显示屏2005可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

摄像头组件2006用于采集图像或视频。可选地，摄像头组件2006包括前置摄像头和后置摄像头。通常，前置摄像头用于实现视频通话或自拍，后置摄像头用于实现照片或视频的拍摄。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能，主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能。在一些实施例中，摄像头组件2006还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路2007用于提供用户和终端2000之间的音频接口。音频电路2007可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器2001进行处理，或者输入至射频电路2004以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端2000的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器2001或射频电路2004的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路2007还可以包括耳机插孔。

电源2008用于为终端2000中的各个组件进行供电。电源2008可以是交流电、直流电、一次性电池或可充电电池。当电源2008包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端2000还包括有一个或多个传感器2009。该一个或多个传感器2009包括但不限于：加速度传感器2010、陀螺仪传感器2011、压力传感器2012、光学传感器2013以及接近传感器2014。

加速度传感器2010可以检测以终端2000建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器2010可以用于检测重力加速度在三个坐标轴上的分量。处理器2001可以根据加速度传感器2010采集的重力加速度信号，控制触摸显示屏2005以横向视图或纵向视图进行用户界面的显示。加速度传感器2010还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器2011可以检测终端2000的机体方向及转动角度，陀螺仪传感器2011可以与加速度传感器2010协同采集用户对终端2000的3D动作。处理器2001根据陀螺仪传感器2011采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器2012可以设置在终端2000的侧边框和/或触摸显示屏2005的下层。当压力传感器2012设置在终端2000的侧边框时，可以检测用户对终端2000的握持信号，根据该握持信号进行左右手识别或快捷操作。当压力传感器2012设置在触摸显示屏2005的下层时，可以根据用户对触摸显示屏2005的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

光学传感器2013用于采集环境光强度。在一个实施例中，处理器2001可以根据光学传感器2013采集的环境光强度，控制触摸显示屏2005的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏2005的显示亮度；当环境光强度较低时，调低触摸显示屏2005的显示亮度。在另一个实施例中，处理器2001还可以根据光学传感器2013采集的环境光强度，动态调整摄像头组件2006的拍摄参数。

接近传感器2014，也称距离传感器，通常设置在终端2000的正面。接近传感器2014用于采集用户与终端2000的正面之间的距离。在一个实施例中，当接近传感器2014检测到用户与终端2000的正面之间的距离逐渐变小时，由处理器2001控制触摸显示屏2005从亮屏状态切换为息屏状态；当接近传感器2014检测到用户与终端2000的正面之间的距离逐渐变大时，由处理器2001控制触摸显示屏2005从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图20中示出的结构并不构成对终端2000的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

本申请还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述方法实施例提供的文章推荐方法。

可选地，本申请还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面所述的文章推荐方法。

应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (17)

1.一种文章推荐方法，其特征在于，所述方法应用于服务器中，所述方法包括：

接收语音终端发送的请求文本，调用意图识别模型对所述请求文本进行处理，得到所述请求文本对应的用户意图，所述意图识别模型是识别所述请求文本的所述用户意图的机器学习模型；所述请求文本是用于表示文章检索需求的文本信息，所述请求文本是所述语音终端在获取到用户语音信息后，识别所述用户语音信息得到的；

当所述用户意图为推荐文章时，对所述请求文本进行语义识别，得到所述请求文本的特征词以及所述特征词对应的属性；根据所述特征词以及所述特征词对应的属性，在文章数据库中查询得到与所述特征词和所述属性相匹配的候选文章；调用排序模型对所述候选文章进行处理，得到所述候选文章的序号，所述排序模型是按照文章与所述请求文本的匹配度对所述文章排序的机器学习模型；将所述序号在前预设位的候选文章作为目标文章；

根据所述目标文章，在所述文章数据库中查询得到所述目标文章的属性信息，基于所述属性信息得到所述目标文章的摘要信息；所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型包括句子特征提取模型、句子打分模型以及摘要抽取模型，通过所述句子特征提取模型对所述目标文章进行分割，得到所述目标文章的至少一个句子；通过所述句子特征提取模型提取所述句子的特征向量；通过所述句子打分模型，根据所述句子的特征向量对所述句子进行打分，得到每个所述句子对应的分数；通过所述摘要抽取模型按照生成策略将所述分数排名靠前的x_k个句子生成所述目标文章的第k篇摘要信息，1≤k≤m；所述摘要生成模型输出m篇所述摘要信息，一篇所述目标文章对应m篇所述摘要信息，m篇所述摘要信息中的每篇摘要信息对应一个应用场景，m为正整数，m≥2；m篇所述摘要信息中的每篇摘要信息对应的句子数量不同；所述句子数量与所述应用场景相关；

获取当前时间；确定所述当前时间所属的预设时间段；根据所述预设时间段，确定所述目标文章对应的m篇所述摘要信息中的目标摘要信息；

向所述语音终端发送所述目标文章对应的所述摘要信息，所述摘要信息用于被所述语音终端以语音形式进行播放。

2.根据权利要求1所述的方法，其特征在于，所述排序模型包括文章特征提取模型、文章打分模型以及文章排序模型；

所述调用排序模型对所述候选文章进行处理，得到所述候选文章的序号，包括：

通过所述文章特征提取模型提取所述候选文章的特征向量；

通过所述文章打分模型，根据所述候选文章的特征向量对所述候选文章进行打分，得到每个所述候选文章的分数，所述分数用于表示所述候选文章与所述请求文本的匹配度；

通过所述文章排序模型，根据每个所述候选文章的分数，按照分数从大到小的顺序对所述候选文章进行排序，得到所述候选文章的序号。

3.根据权利要求2所述的方法，其特征在于，所述请求文本中还携带有所述语音终端对应的用户帐号；

所述将所述序号在前预设位的候选文章作为目标文章，包括：

确定所述序号在前预设位的候选文章中是否包括已读文章，所述已读文章是所述用户帐号浏览过的文章；

当所述序号在前预设位的候选文章中包括所述已读文章时，将所述已读文章从所述序号在前预设位的候选文章中去除，将所述序号在前预设位的候选文章中除去所述已读文章的其它候选文章作为所述目标文章；或，当所述序号在前预设位的候选文章中不包括所述已读文章时，将所述序号在前预设位的候选文章作为所述目标文章。

4.一种文章推荐方法，其特征在于，所述方法应用于语音终端中，所述方法包括：

获取用户语音信息；

识别所述用户语音信息得到请求文本，所述请求文本是用于表示文章检索需求的文本信息；

向服务器发送所述请求文本，使所述服务器调用意图识别模型对所述请求文本进行处理，得到所述请求文本对应的用户意图，所述意图识别模型是识别所述请求文本的所述用户意图的机器学习模型；当所述用户意图为推荐文章时，使所述服务器对所述请求文本进行语义识别，得到所述请求文本的特征词以及所述特征词对应的属性；所述服务器根据所述特征词以及所述特征词对应的属性，在文章数据库中查询得到与所述特征词和所述属性相匹配的候选文章；所述服务器调用排序模型对所述候选文章进行处理，得到所述候选文章的序号，所述排序模型是按照文章与所述请求文本的匹配度对所述文章排序的机器学习模型；将所述序号在前预设位的候选文章作为目标文章；使所述服务器根据所述目标文章，在所述文章数据库中查询得到所述目标文章的属性信息，基于所述属性信息得到所述目标文章的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型包括句子特征提取模型、句子打分模型以及摘要抽取模型，通过所述句子特征提取模型对所述目标文章进行分割，得到所述目标文章的至少一个句子；通过所述句子特征提取模型提取所述句子的特征向量；通过所述句子打分模型，根据所述句子的特征向量对所述句子进行打分，得到每个所述句子对应的分数；通过所述摘要抽取模型按照生成策略将所述分数排名靠前的x_k个句子生成所述目标文章的第k篇摘要信息，1≤k≤m；所述摘要生成模型输出m篇所述摘要信息，一篇所述目标文章对应m篇所述摘要信息，m篇所述摘要信息中的每篇摘要信息对应一个应用场景，m为正整数，m≥2；m篇所述摘要信息中的每篇摘要信息对应的句子数量不同；所述句子数量与所述应用场景相关；

接收所述服务器发送的所述目标文章对应的摘要信息；

以语音形式播放所述目标文章对应的摘要信息。

5.一种文章推荐方法，其特征在于，所述方法应用于智能音频设备中，所述智能音频设备包括语音检测组件、麦克风、处理器以及扬声器，所述方法包括：

通过所述语音检测组件确定是否存在用户声音；

当确定存在所述用户声音时，通过所述麦克风采集所述用户声音得到用户语音信息；

通过所述处理器识别所述用户语音信息得到请求文本，所述请求文本是用于表示文章检索需求的文本信息；

向服务器发送所述请求文本，使所述服务器调用意图识别模型对所述请求文本进行处理，得到所述请求文本对应的用户意图，所述意图识别模型是识别所述请求文本的所述用户意图的机器学习模型；当所述用户意图为推荐文章时，使所述服务器对所述请求文本进行语义识别，得到所述请求文本的特征词以及所述特征词对应的属性；使所述服务器根据所述特征词以及所述特征词对应的属性，在文章数据库中查询得到与所述特征词和所述属性相匹配的候选文章；使所述服务器调用排序模型对所述候选文章进行处理，得到所述候选文章的序号，所述排序模型是按照文章与所述请求文本的匹配度对所述文章排序的机器学习模型；使所述服务器将所述序号在前预设位的候选文章作为目标文章；使所述服务器根据所述目标文章，在所述文章数据库中查询得到所述目标文章的属性信息，基于所述属性信息得到所述目标文章的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型包括句子特征提取模型、句子打分模型以及摘要抽取模型，通过所述句子特征提取模型对所述目标文章进行分割，得到所述目标文章的至少一个句子；通过所述句子特征提取模型提取所述句子的特征向量；通过所述句子打分模型，根据所述句子的特征向量对所述句子进行打分，得到每个所述句子对应的分数；通过所述摘要抽取模型按照生成策略将所述分数排名靠前的x_k个句子生成所述目标文章的第k篇摘要信息，1≤k≤m；所述摘要生成模型输出m篇所述摘要信息，一篇所述目标文章对应m篇所述摘要信息，m篇所述摘要信息中的每篇摘要信息对应一个应用场景，m为正整数，m≥2；m篇所述摘要信息中的每篇摘要信息对应的句子数量不同；所述句子数量与所述应用场景相关；

接收所述服务器发送的所述目标文章对应的摘要信息；

通过所述扬声器以语音形式播放所述目标文章对应的摘要信息。

6.一种文章推荐方法，其特征在于，所述方法应用于终端设备中，所述终端设备的显示屏上显示有用户帐号和文章推荐帐号的对话界面，所述文章推荐帐号是所述用户帐号关注的媒体帐号，所述方法包括：

获取所述用户帐号的请求文本，所述文章推荐帐号对应的服务器用于调用意图识别模型对所述请求文本进行处理，得到所述请求文本对应的用户意图，所述意图识别模型是识别所述请求文本的所述用户意图的机器学习模型；所述请求文本是用于表示所述用户帐号的文章检索需求的文本信息；

向所述文章推荐帐号发送所述请求文本，当所述用户意图为推荐文章时，所述文章推荐帐号对应的所述服务器对所述请求文本进行语义识别，得到所述请求文本的特征词以及所述特征词对应的属性；所述服务器根据所述特征词以及所述特征词对应的属性，在文章数据库中查询得到与所述特征词和所述属性相匹配的候选文章；所述服务器调用排序模型对所述候选文章进行处理，得到所述候选文章的序号，所述排序模型是按照文章与所述请求文本的匹配度对所述文章排序的机器学习模型；所述服务器将所述序号在前预设位的候选文章作为目标文章；根据所述目标文章，在所述文章数据库中查询得到所述目标文章的属性信息，基于所述属性信息得到所述目标文章的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型包括句子特征提取模型、句子打分模型以及摘要抽取模型，通过所述句子特征提取模型对所述目标文章进行分割，得到所述目标文章的至少一个句子；通过所述句子特征提取模型提取所述句子的特征向量；通过所述句子打分模型，根据所述句子的特征向量对所述句子进行打分，得到每个所述句子对应的分数；通过所述摘要抽取模型按照生成策略将所述分数排名靠前的x_k个句子生成所述目标文章的第k篇摘要信息，1≤k≤m；所述摘要生成模型输出m篇所述摘要信息，一篇所述目标文章对应m篇所述摘要信息，m篇所述摘要信息中的每篇摘要信息对应一个应用场景，m为正整数，m≥2；m篇所述摘要信息中的每篇摘要信息对应的句子数量不同；所述句子数量与所述应用场景相关；所述服务器获取当前时间；确定所述当前时间所属的预设时间段；根据所述预设时间段，确定所述目标文章对应的m篇所述摘要信息中的目标摘要信息；

接收所述服务器发送的所述目标文章对应的摘要信息；

在所述对话界面上以文字形式显示所述文章推荐帐号推送的所述摘要信息。

7.一种文章推荐装置，其特征在于，所述装置应用于服务器中，所述装置包括：

接收模块，用于接收语音终端发送的请求文本，调用意图识别模型对所述请求文本进行处理，得到所述请求文本对应的用户意图，所述意图识别模型是识别所述请求文本的所述用户意图的机器学习模型；所述请求文本是用于表示文章检索需求的文本信息，所述请求文本是所述语音终端在获取到用户语音信息后，识别所述用户语音信息得到的；

处理模块，用于当所述用户意图为推荐文章时，对所述请求文本进行语义识别，得到所述请求文本的特征词以及所述特征词对应的属性；根据所述特征词以及所述特征词对应的属性，在文章数据库中查询得到与所述特征词和所述属性相匹配的候选文章；调用排序模型对所述候选文章进行处理，得到所述候选文章的序号，所述排序模型是按照文章与所述请求文本的匹配度对所述文章排序的机器学习模型；将所述序号在前预设位的候选文章作为目标文章；

获取模块，用于根据所述目标文章，在所述文章数据库中查询得到所述目标文章的属性信息，基于所述属性信息得到所述目标文章的摘要信息；所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型包括句子特征提取模型、句子打分模型以及摘要抽取模型，通过所述句子特征提取模型对所述目标文章进行分割，得到所述目标文章的至少一个句子；通过所述句子特征提取模型提取所述句子的特征向量；通过所述句子打分模型，根据所述句子的特征向量对所述句子进行打分，得到每个所述句子对应的分数；通过所述摘要抽取模型按照生成策略将所述分数排名靠前的x_k个句子生成所述目标文章的第k篇摘要信息，1≤k≤m；所述摘要生成模型输出m篇所述摘要信息，一篇所述目标文章对应m篇所述摘要信息，m篇所述摘要信息中的每篇摘要信息对应一个应用场景，m为正整数，m≥2；m篇所述摘要信息中的每篇摘要信息对应的句子数量不同；所述句子数量与所述应用场景相关；获取当前时间；确定所述当前时间所属的预设时间段；根据所述预设时间段，确定所述目标文章对应的m篇所述摘要信息中的目标摘要信息；

发送模块，用于向所述语音终端发送所述目标文章对应的所述摘要信息，所述摘要信息用于被所述语音终端以语音形式进行播放。

8.根据权利要求7所述的装置，其特征在于，所述排序模型包括文章特征提取模型、文章打分模型以及文章排序模型；

所述处理模块，还用于通过所述文章特征提取模型提取所述候选文章的特征向量；通过所述文章打分模型，根据所述候选文章的特征向量对所述候选文章进行打分，得到每个所述候选文章的分数，所述分数用于表示所述候选文章与所述请求文本的匹配度；通过所述文章排序模型，根据每个所述候选文章的分数，按照分数从大到小的顺序对所述候选文章进行排序，得到所述候选文章的序号。

9.根据权利要求8所述的装置，其特征在于，所述请求文本中还携带有所述语音终端对应的用户帐号；

所述处理模块，还用于确定所述序号在前预设位的候选文章中是否包括已读文章，所述已读文章是所述用户帐号浏览过的文章；当所述序号在前预设位的候选文章中包括所述已读文章时，将所述已读文章从所述序号在前预设位的候选文章中去除，将所述序号在前预设位的候选文章中除去所述已读文章的其它候选文章作为所述目标文章；或，当所述序号在前预设位的候选文章中不包括所述已读文章时，将所述序号在前预设位的候选文章作为所述目标文章。

10.一种文章推荐装置，其特征在于，所述装置应用于语音终端中，所述装置包括：

获取模块，用于获取用户语音信息；

处理模块，用于识别所述用户语音信息得到请求文本，所述请求文本是用于表示文章检索需求的文本信息；

发送模块，用于向服务器发送所述请求文本，使所述服务器调用意图识别模型对所述请求文本进行处理，得到所述请求文本对应的用户意图，所述意图识别模型是识别所述请求文本的所述用户意图的机器学习模型；当所述用户意图为推荐文章时，使所述服务器对所述请求文本进行语义识别，得到所述请求文本的特征词以及所述特征词对应的属性；所述服务器根据所述特征词以及所述特征词对应的属性，在文章数据库中查询得到与所述特征词和所述属性相匹配的候选文章；所述服务器调用排序模型对所述候选文章进行处理，得到所述候选文章的序号，所述排序模型是按照文章与所述请求文本的匹配度对所述文章排序的机器学习模型；将所述序号在前预设位的候选文章作为目标文章；使所述服务器根据所述目标文章，在所述文章数据库中查询得到所述目标文章的属性信息，基于所述属性信息得到所述目标文章的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型包括句子特征提取模型、句子打分模型以及摘要抽取模型，通过所述句子特征提取模型对所述目标文章进行分割，得到所述目标文章的至少一个句子；通过所述句子特征提取模型提取所述句子的特征向量；通过所述句子打分模型，根据所述句子的特征向量对所述句子进行打分，得到每个所述句子对应的分数；通过所述摘要抽取模型按照生成策略将所述分数排名靠前的x_k个句子生成所述目标文章的第k篇摘要信息，1≤k≤m；所述摘要生成模型输出m篇所述摘要信息，一篇所述目标文章对应m篇所述摘要信息，m篇所述摘要信息中的每篇摘要信息对应一个应用场景，m为正整数，m≥2；m篇所述摘要信息中的每篇摘要信息对应的句子数量不同；所述句子数量与所述应用场景相关；

接收模块，用于接收所述服务器发送的所述摘要信息；

播放模块，用于以语音形式播放所述摘要信息。

11.一种文章推荐装置，其特征在于，所述装置应用于智能音频设备中，所述装置包括：

检测模块，用于确定是否存在用户声音；

采集模块，用于当确定存在所述用户声音时，采集所述用户声音得到用户语音信息；

处理模块，用于识别所述用户语音信息得到请求文本，所述请求文本是用于表示文章检索需求的文本信息；

发送模块，用于向服务器发送所述请求文本，使所述服务器调用意图识别模型对所述请求文本进行处理，得到所述请求文本对应的用户意图，所述意图识别模型是识别所述请求文本的所述用户意图的机器学习模型；当所述用户意图为推荐文章时，使所述服务器对所述请求文本进行语义识别，得到所述请求文本的特征词以及所述特征词对应的属性；使所述服务器根据所述特征词以及所述特征词对应的属性，在文章数据库中查询得到与所述特征词和所述属性相匹配的候选文章；使所述服务器调用排序模型对所述候选文章进行处理，得到所述候选文章的序号，所述排序模型是按照文章与所述请求文本的匹配度对所述文章排序的机器学习模型；使所述服务器将所述序号在前预设位的候选文章作为目标文章；使所述服务器根据所述目标文章，在所述文章数据库中查询得到所述目标文章的属性信息，基于所述属性信息得到所述目标文章的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型包括句子特征提取模型、句子打分模型以及摘要抽取模型，通过所述句子特征提取模型对所述目标文章进行分割，得到所述目标文章的至少一个句子；通过所述句子特征提取模型提取所述句子的特征向量；通过所述句子打分模型，根据所述句子的特征向量对所述句子进行打分，得到每个所述句子对应的分数；通过所述摘要抽取模型按照生成策略将所述分数排名靠前的x_k个句子生成所述目标文章的第k篇摘要信息，1≤k≤m；所述摘要生成模型输出m篇所述摘要信息，一篇所述目标文章对应m篇所述摘要信息，m篇所述摘要信息中的每篇摘要信息对应一个应用场景，m为正整数，m≥2；m篇所述摘要信息中的每篇摘要信息对应的句子数量不同；所述句子数量与所述应用场景相关；

接收模块，用于接收所述服务器发送的所述目标文章对应的摘要信息；

播放模块，用于通过扬声器以语音形式播放所述目标文章对应的摘要信息。

12.一种文章推荐装置，其特征在于，所述装置应用于终端设备中，所述终端设备的显示屏上显示有用户帐号和文章推荐帐号的对话界面，所述文章推荐帐号是所述用户帐号关注的媒体帐号，所述装置包括：

获取模块，用于获取请求文本，所述文章推荐帐号对应的服务器用于调用意图识别模型对所述请求文本进行处理，得到所述请求文本对应的用户意图，所述意图识别模型是识别所述请求文本的所述用户意图的机器学习模型；所述请求文本是用于表示所述用户帐号的文章检索需求的文本信息；

发送模块，用于向所述文章推荐帐号发送所述请求文本，当所述用户意图为推荐文章时，所述文章推荐帐号对应的所述服务器对所述请求文本进行语义识别，得到所述请求文本的特征词以及所述特征词对应的属性；所述服务器根据所述特征词以及所述特征词对应的属性，在文章数据库中查询得到与所述特征词和所述属性相匹配的候选文章；所述服务器调用排序模型对所述候选文章进行处理，得到所述候选文章的序号，所述排序模型是按照文章与所述请求文本的匹配度对所述文章排序的机器学习模型；所述服务器将所述序号在前预设位的候选文章作为目标文章；根据所述目标文章，在所述文章数据库中查询得到所述目标文章的属性信息，基于所述属性信息得到所述目标文章的摘要信息，所述摘要信息是所述服务器调用摘要生成模型对所述目标文章进行处理后得到的，所述摘要生成模型包括句子特征提取模型、句子打分模型以及摘要抽取模型，通过所述句子特征提取模型对所述目标文章进行分割，得到所述目标文章的至少一个句子；通过所述句子特征提取模型提取所述句子的特征向量；通过所述句子打分模型，根据所述句子的特征向量对所述句子进行打分，得到每个所述句子对应的分数；通过所述摘要抽取模型按照生成策略将所述分数排名靠前的x_k个句子生成所述目标文章的第k篇摘要信息，1≤k≤m；所述摘要生成模型输出m篇所述摘要信息，一篇所述目标文章对应m篇所述摘要信息，m篇所述摘要信息中的每篇摘要信息对应一个应用场景，m为正整数，m≥2；m篇所述摘要信息中的每篇摘要信息对应的句子数量不同；所述句子数量与所述应用场景相关；所述服务器获取当前时间；确定所述当前时间所属的预设时间段；根据所述预设时间段，确定所述目标文章对应的m篇所述摘要信息中的目标摘要信息；

接收模块，用于接收所述服务器发送的所述摘要信息；

显示模块，用于在所述对话界面上以文字形式显示所述文章推荐帐号推送的摘要信息。

13.一种计算机设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求1至3任一所述的文章推荐方法。

14.一种语音终端，其特征在于，所述语音终端包括麦克风、扬声器、显示屏、处理器以及存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求4所述的文章推荐方法。

15.一种智能音频设备，其特征在于，所述智能音频设备包括语音检测组件、麦克风、扬声器、处理器以及存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求5所述的文章推荐方法。

16.一种终端设备，其特征在于，所述终端设备包括麦克风、扬声器、显示屏、处理器以及存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求6所述的文章推荐方法。

17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1至6任一所述的文章推荐方法。

Images