CN111046170A - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN111046170A CN111046170A CN201811194564.8A CN201811194564A CN111046170A CN 111046170 A CN111046170 A CN 111046170A CN 201811194564 A CN201811194564 A CN 201811194564A CN 111046170 A CN111046170 A CN 111046170A
- Authority
- CN
- China
- Prior art keywords
- category
- training
- level
- information
- tree structure
- 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 57
- 239000013598 vector Substances 0.000 claims abstract description 72
- 238000013145 classification model Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims description 90
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 244000269722 Thea sinensis Species 0.000 description 26
- 235000013616 tea Nutrition 0.000 description 22
- 235000013305 food Nutrition 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 235000013361 beverage Nutrition 0.000 description 10
- 235000011888 snacks Nutrition 0.000 description 10
- 230000015654 memory Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000919 ceramic Substances 0.000 description 4
- 235000009569 green tea Nutrition 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 235000015895 biscuits Nutrition 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 235000014510 cooky Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括：将待分类的物品信息转换成词向量；将词向量输入预先训练的不同类目层级的分类模型，得到不同类目层级中的至少一个类目的概率，其中，一个类目层级的分类模型用于表征词向量与该类目层级中的类目的对应关系；根据不同类目层级中的至少一个类目的概率从预设的类目树结构中确定出至少一条候选路径，其中，类目树结构中的节点表示类目；从至少一条候选路径中确定出各节点对应的类目的概率的乘积最大的路径作为标题的分类结果进行输出。该实施方式能够提高将物品标题自动化分类到物品类目的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于输出信息的方法和装置。
背景技术
物品类目分类是电子商务领域中的一项基本问题，其质量优劣会直接影响到后续搜索推荐以及相关个性化服务的应用。现阶段由于手动或规则分类不具有扩展性，物品标题包含大量噪声，物品类目树层级复杂，物品类目分布不均衡等众多原因，导致物品类目分类比较困难。
相关技术方案主要有两种，一种主要通过运营人员依据物品信息挂靠物品类目，第二种通过贝叶斯概率方法进行计算出最大概率的类目，从而完成自动化物品类目分类工作。
举例来讲，第一种方法工作机制为：运营人员根据商家上架的物品标题如“2018新茶盛茗世家茶叶明前精品AA西湖龙井茶陶瓷罐礼盒装50g绿茶春茶”结合运营经验将该物品挂至食品饮料>茗茶>龙井目录下；第二种方法的工作机制为：利用贝叶斯概率模型估计计算该物品标题挂在各不同类目的下的概率，并选择概率最大的类目作为模型计算得到的物品类目。
发明内容
本申请实施例提出了用于输出信息的方法和装置。
第一方面，本申请实施例提供了一种用于输出信息的方法，包括：将待分类的物品信息转换成词向量；将词向量输入预先训练的不同类目层级的分类模型，得到不同类目层级中的至少一个类目的概率，其中，一个类目层级的分类模型用于表征词向量与该类目层级中的类目的对应关系；根据不同类目层级中的至少一个类目的概率从预设的类目树结构中确定出至少一条候选路径，其中，类目树结构中的节点表示类目；从至少一条候选路径中确定出各节点对应的类目的概率的乘积最大的路径作为标题的分类结果进行输出。
在一些实施例中，不同类目层级的分类模型是通过以下方式训练得到的：获取预定数目个不同类目层级对应的训练样本集，其中，一个类目层级的训练样本集中的训练样本包括物品信息和用于表征物品属于该类目层级中的类目的标注信息；将各类目层级对应的训练样本集中的训练样本中的物品信息转换成样本词向量；对于预定数目个不同类目层级中的类目层级，执行如下训练步骤：确定初始神经网络的网络结构以及初始化初始神经网络的网络参数；将该类目层级对应的样本词向量和标注信息分别作为初始神经网络的输入和期望输出，利用机器学习方法训练初始神经网络；将训练得到的初始神经网络确定为该类目层级的分类模型。
在一些实施例中，分类模型包括词向量与文本分类工具或长短期记忆网络。
在一些实施例中，根据不同类目层级中的至少一个类目的概率从预设的类目树结构中确定出至少一条候选路径，包括：基于预定数目个不同类目层级对应的训练样本集生成类目树结构；将类目树结构中节点对应的类目的概率大于0的节点确定为目标节点；从类目树结构中的根节点开始搜索包括目标节点的最深路径作为候选路径。
在一些实施例中，将待分类的物品信息转换成词向量，包括：将待分类的物品信息转换成稠密向量。
第二方面，本申请实施例提供了一种用于输出信息的装置，包括：转换单元，被配置成将待分类的物品信息转换成词向量；预测单元，被配置成将词向量输入预先训练的不同类目层级的分类模型，得到不同类目层级中的至少一个类目的概率，其中，一个类目层级的分类模型用于表征词向量与该类目层级中的类目的对应关系；确定单元，被配置成根据不同类目层级中的至少一个类目的概率从预设的类目树结构中确定出至少一条候选路径，其中，类目树结构中的节点表示类目；输出单元，被配置成从至少一条候选路径中确定出各节点对应的类目的概率的乘积最大的路径作为标题的分类结果进行输出。
在一些实施例中，装置还包括训练单元，被配置成：获取预定数目个不同类目层级对应的训练样本集，其中，一个类目层级的训练样本集中的训练样本包括物品信息和用于表征物品属于该类目层级中的类目的标注信息；将各类目层级对应的训练样本集中的训练样本中的物品信息转换成样本词向量；对于预定数目个不同类目层级中的类目层级，执行如下训练步骤：确定初始神经网络的网络结构以及初始化初始神经网络的网络参数；将该类目层级对应的样本词向量和标注信息分别作为初始神经网络的输入和期望输出，利用机器学习装置训练初始神经网络；将训练得到的初始神经网络确定为该类目层级的分类模型。
在一些实施例中，分类模型包括词向量与文本分类工具或长短期记忆网络。
在一些实施例中，确定单元进一步被配置成：基于预定数目个不同类目层级对应的训练样本集生成类目树结构；将类目树结构中节点对应的类目的概率大于0的节点确定为目标节点；从类目树结构中的根节点开始搜索包括目标节点的最深路径作为候选路径。
在一些实施例中，转换单元进一步被配置成：将待分类的物品信息转换成稠密向量。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。
本申请实施例提供的用于输出信息的方法和装置，通过将待分类的物品信息转换成词向量转换成向量后输入分类模型，得到不同类目层级中的至少一个类目的概率。然后根据概率的乘积从类目树结构中确定分类结果。从而能够使用稠密的文本特征来获得更准确的分类结果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于输出信息的方法的一个实施例的流程图；
图3是根据本申请的用于输出信息的方法的一个类目树结构的示意图；
图4是根据本申请的用于输出信息的方法的一个应用场景的示意图；
图5是根据本申请的用于输出信息的方法的又一个实施例的流程图；
图6是根据本申请的用于输出信息的方法的一个类目层级的分类模型的示意图；
图7是根据本申请的用于输出信息的方法的又一个类目层级的分类模型的示意图；
图8是根据本申请的用于输出信息的方法的又一个应用场景的示意图；
图9是根据本申请的用于输出信息的装置的一个实施例的结构示意图；
图10是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于输出信息的方法或用于输出信息的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的分类结果提供支持的后台分类服务器。后台分类服务器可以对接收到的待分类的物品信息等数据进行分析等处理，并将处理结果(例如物品所属的类目)反馈给终端设备。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于输出信息的方法一般由服务器105执行，相应地，用于输出信息的装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法，包括以下步骤：
步骤201，将待分类的物品信息转换成词向量。
在本实施例中，用于输出信息的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行物品分类的终端接收待分类的物品信息。例如，如“2018新茶盛茗世家茶叶明前精品AA西湖龙井茶陶瓷罐礼盒装50g绿茶春茶”。可通过词袋模型或向量空间模型进行词向量转换。词袋模型对应的文本表示如[0,0,0....1...0]，其特点是维度高，忽略语义信息，稀疏，并不能很好得表达语义信息。
可选的，可将待分类的物品信息转换成稠密向量。稀疏向量和稠密向量都是向量的表示方法。若向量中数值为0的元素数目远远多于非0元素的数目，则称之为稀疏向量，如[0,0,0,0,1,0,0,0],反之则称为稠密向量,如[0.1,0.2,0.8,0.7,0.23]。为了更好的进行文本表示，这里采用word2vec词向量转换方法。word2vec可以通过上下文对词进行数值转化，并得到较为稠密的向量进行表达。通过这种方式，可以将语义信息相似的词语进行连接。下面举个例子来进行说明利用word2vec寻找相似词的方法：统计学习的方法可以学习到每个词的这种表示。对于宝马、奔驰，通过大量数据的训练，word2vec得到的模型学到的可能是宝马＝[0.5,0.2,0.2,0.0,0.1],奔驰＝[0.7,0.2,0.0,0.1,0.0],通过计算余弦距离可以看出这两个词很相似，进而可以获取其带有语义相似上的特点。
步骤202，将词向量输入预先训练的不同类目层级的分类模型，得到不同类目层级中的至少一个类目的概率。
在本实施例中，类目指的是网上电子商务平台为适应当今时代的消费人群在网上商店有针对性的选购各种各样的商品而对商品做出的归类，级别越低越能体现商品的个性特征，级别越高越能体现一类商品的共有特征。一个类目层级的分类模型用于表征词向量与该类目层级中的类目的对应关系。根据实际应用场景的不同，层级的最大深度也不同。这里为了更好的解释技术方案流程，假定类目层级最多为8。可预先训练出8个分类模型，分别为一级类目分类模型、二级类目分类模型、三级类目分类模型…八级类目分类模型。每个层级类目的分类模型都是用该层级的样本标题集训练得到的。分类模型输出的是标题属于各类目层级中的类目的概率。例如，标题“2018新茶盛茗世家茶叶明前精品AA西湖龙井茶陶瓷罐礼盒装50g绿茶春茶”，属于一级类目“食品饮料”的概率为1，属于二级类目“茶叶”的概率为0.8，属于二级类目“香水”的概率0.1。
步骤203，根据不同类目层级中的至少一个类目的概率从预设的类目树结构中确定出至少一条候选路径。
在本实施例中，类目树结构中的节点表示类目。通过训练数据集的物品类目生成物品类目树结构，在生成类目树结构的过程中，根据实际应用场景的不同，层级的最大深度也不同。这里为了更好的解释技术方案流程，假定类目层级最多为8。类目树结构如图3所示。从根节点开始搜索路径，选择概率非0的点组成候选路径。
选择路径时主要算法规则：
(1)各级节点备选项选择：除一级分类模型选择概率最大的预测值外，其余分类模型计算出概率最大的预定数目个(例如三个)预测值作为路径备选项。比如对于输入文本“良品铺子食食有爱送礼坚果中秋礼盒10袋装每日坚果自营干果坚果炒货零食大礼包1149g”。一级分类模型预测值及其对应概率为食品饮料：0.91，母婴/玩具:0.03,美妆/个护：0.02,…；二级分类模型预测结果为：休闲食品：0.8,餐具：0.1,蔬菜蛋品：0.02,…；三级分类模型预测结果为：零食：0.62,茶具:0.21,饼干蛋糕:0.1，…。按照此条原则：一级节点备选项选择食品饮料，二级节点备选项选择休闲食品、餐具、蔬菜单品，三级节点备选项选择零食、茶具、饼干蛋糕。
(2)符合类目树原则：组合出的类目路径必须符合训练集中抽取出的类目树结构。按照(1)举的例子，从类目树结构来看，茶具不可能成为食品饮料的下级类目，故排除“食品饮料茶具”这种路径。
(3)预测路径尽量长原则：如果在生成的路径备选项中，同时存在三级路径和四级路径，选择四级路径。按照(1)举的例子，对于同时存在类目路径“食品饮料休闲食品零食”和“食品饮料休闲食品”，优先选择类目路径较长的选项，故排除“食品饮料休闲食品”类目路径。
(4)概率最大原则：如果按照前3条规则过滤后，仍有多条类目路径符合条件，按照类目路径每个节点概率连乘，选择连乘值最大者作为最终输出。按照(1)举的例子，对于同时存在类目路径“食品饮料休闲食品零食”和“食品饮料休闲食品饼干蛋糕”，两种类目路径的节点概率连乘值分别为0.91×0.8×0.61和0.91×0.8×0.1。从概率值来看前者更高，故最终选择“食品饮料休闲食品零食”作为最终类目预测进行输出。
在本实施例的一些可选的实现方式中，根据不同类目层级中的至少一个类目的概率从预设的类目树结构中确定出至少一条候选路径，包括：基于预定数目个不同类目层级对应的训练样本集生成类目树结构；将类目树结构中节点对应的类目的概率大于0的节点确定为目标节点；从类目树结构中的根节点开始搜索包括目标节点的最深路径作为候选路径。例如，如果路径A包括一级类目、二级类目，路径B包括一级类目、二级类目、三级类目、四级类目。路径C包括一级类目、二级类目、三级类目、四级类目…八级类目。路径D也包括八个层级的类目，则路径C和路径D为候选路径。
步骤204，从至少一条候选路径中确定出各节点对应的类目的概率的乘积最大的路径作为标题的分类结果进行输出。
在本实施例中，每条候选路径所包括的节点都有一个概率值，将这些概率值相乘后作为权重。比较各条候选路径的权重，选择权重最大的候选路径作为分类结果。分类结果中包括的节点即为标题的类目。
可选地，在不同深度的候选路径中选择深度最大的路径，如果有多条深度最大的路径，则选择各节点对应的类目的概率的乘积最大的路径作为标题的分类结果进行输出。例如，如果路径A包括一级类目、二级类目，路径B包括一级类目、二级类目、三级类目、四级类目。路径C包括一级类目、二级类目、三级类目、四级类目…八级类目。路径D也包括八个层级的类目，则从路径C和路径D中选择概率乘积最大的路径。
继续参见图4，图4是根据本实施例的用于输出信息的方法的应用场景的一个示意图。在图4的应用场景中，用户将待分类的物品信息“2018新茶盛茗世家茶叶明前精品AA西湖龙井茶陶瓷罐礼盒装50g绿茶春茶”转换成词向量。然后再分别输入8个层级的类目分类模型，在每个层级的类目分类模型可得到标题属于该层级的类目的几个概率较高的备选项，然后不同层级的备选项进行连接。按照训练数据集中出现的类目树结构，选择符合类目树规则并且类目层级尽量深的路径，然后在这些路径中计算连乘概率，选择其概率最高者作为最终输出。如图4中所示，选择最深的路径，即选择八级类目。如果有相同深度的路径则选择概率乘积最大的路径。
本申请的上述实施例提供的方法通过将标题转换成词向量之后使用分类模型得到各层级类目的概率，然后选择概率的乘积最大的路径作为分类结果。从而提高将物品标题自动化分类到物品类目的准确性。
进一步参考图5，其示出了用于输出信息的方法的又一个实施例的流程500。该用于输出信息的方法的流程500，包括以下步骤：
步骤501，获取预定数目个不同类目层级对应的训练样本集。
在本实施例中，训练步骤的执行主体可以与用于输出信息的方法的执行主体相同或者不同。如果相同，则训练步骤的执行主体可以在训练得到神经网络后将训练好的神经网络的网络结构信息和网络参数的参数值存储在本地。如果不同，则训练步骤的执行主体可以在训练得到神经网络后将训练好的神经网络的网络结构信息和网络参数的参数值发送给用于生成信息的方法的执行主体。
训练步骤的执行主体可以本地或者远程地从与上述执行主体网络连接的其他电子设备获取训练样本集。其中，每个类目层级的训练样本集中的训练样本包括物品信息和用于表征物品属于该类目层级中的类目的标注信息。如图6中所示，原始训练集数据中包括不同类目层级对应的训练样本集。例如，一级类目训练集数据、二级类目训练集数据……八级类目训练集数据。
步骤502，将各类目层级对应的训练样本集中的训练样本中的物品信息转换成样本词向量。
在本实施例中，词向量的转换方法与步骤201基本相同，因此不再赘述。
对于预定数目个不同类目层级中的类目层级，执行如下训练步骤：
步骤503，确定初始神经网络的网络结构以及初始化初始神经网络的网络参数。
在本实施例中，训练步骤的执行主体可以首先确定初始神经网络的网络结构。例如，需要确定初始神经网络包括哪些层，层与层之间的连接顺序关系，以及每层都包括哪些神经元，每个神经元对应的权重(weight)和偏置项(bias)，每层的激活函数等等。
可以理解的是，由于神经网络可以包括各种类型的神经网络，对于不同类型的神经网络所需要确定的网络结构也不相同。
在文本处理领域中，有多个适合分类任务的算法可以选择，随着深度学习技术的不断发展，这里简要介绍其中表现较好的Fasttext和AbLSTM方法。
(1)Fasttext方法
在选择分类算法时,主要选择了Fasttext方法。Fasttext是Mikolov在2016年提出的，它由输入层，隐含层(hidden)和输出层(output)三部分构成，其基本构成如图6所示。
输入层输入一个词序列，序列中的词和词通过N-gram方法组成若干特征向量，特征向量通过线性变换映射到隐含层，再通过非线性激活函数输出类别。
计算每类概率公式为：
其中i表示类别的序号，即层级，i的取值范围为1-8。Pi为第i类的概率，W为语料库容量，f为softmax函数，y是训练目标，yn是针对语料库中的第n个词的训练目标，x是训练样本，xn是针对语料库中的第n个词的训练样本。B是矩阵参数，A是词向量，BAx联合表达为一个多分类的线性函数。
(2)AbLSTM方法
AbLSTM(Attention based LSTM，基于注意力机制的长短期记忆网络)主要结构如图7所示，其网络结构主要由输入层、词向量转换层、双向LSTM(Long Short-Term Memory，长短期记忆网络)层和输出层构成。输入层输入分词后生成的词序列，词向量层将词序列转换成对应的词向量序列，双向LSTM层进行隐藏转换映射，输出层利用softmax函数取得各个分类的概率。
步骤504，将该类目层级对应的样本词向量和标注信息分别作为初始神经网络的输入和期望输出，利用机器学习方法训练初始神经网络。
在本实施例中，训练步骤的执行主体可以将训练样本集中的训练样本中的样本词向量输入初始神经网络，得到该样本词向量的属于类目的概率，以该训练样本中的标注信息作为初始神经网络的期望输出，利用机器学习方法训练初始神经网络。具体地，可以首先利用预设的损失函数计算所得到的类目与该训练样本中的标注信息之间的差异，例如，可以采用L2范数作为损失函数计算所得到的类目与该训练样本中的标注信息之间的差异。然后，可以基于计算所得的差异，调整初始神经网络的网络参数，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。
这里，可以采用各种实现方式基于所生成的类目与该训练样本中的标注信息之间的差异调整初始神经网络的网络参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整初始神经网络的网络参数。
步骤505，将训练得到的初始神经网络确定为该类目层级的分类模型。
在本实施例中，训练步骤的执行主体可以将步骤504中训练得到的初始神经网络确定为预先训练的该类目层级的分类模型。即，利用一种层级的类目训练集数据训练出一个类目层级的分类模型。如果类目树的深度为8，则需要训练出8个分类模型，如图8所示。
从图5中可以看出，与图2对应的实施例相比，本实施例中的用于输出信息的流程500体现了生成不同类目层级的分类模型的步骤。从而能够针对不同的应用环境生成不同的分类模型，实现根据标题对物品进行准确的分类。
进一步参考图9，作为对上述各图所示方法的实现，本申请提供了一种用于输出信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图9所示，本实施例的用于输出信息的装置900包括：转换单元901、预测单元902、确定单元903和输出单元904。其中，转换单元901被配置成将待分类的物品信息转换成词向量。预测单元902被配置成将词向量输入预先训练的不同类目层级的分类模型，得到不同类目层级中的至少一个类目的概率，其中，一个类目层级的分类模型用于表征词向量与该类目层级中的类目的对应关系。确定单元903被配置成根据不同类目层级中的至少一个类目的概率从预设的类目树结构中确定出至少一条候选路径，其中，类目树结构中的节点表示类目。输出单元904被配置成从至少一条候选路径中确定出各节点对应的类目的概率的乘积最大的路径作为标题的分类结果进行输出。
在本实施例中，用于输出信息的装置900的转换单元901、预测单元902、确定单元903和输出单元904的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的实现方式中，装置900还包括训练单元(未示出)，被配置成：获取预定数目个不同类目层级对应的训练样本集，其中，一个类目层级的训练样本集中的训练样本包括物品信息和用于表征物品属于该类目层级中的类目的标注信息；将各类目层级对应的训练样本集中的训练样本中的物品信息转换成样本词向量；对于预定数目个不同类目层级中的类目层级，执行如下训练步骤：确定初始神经网络的网络结构以及初始化初始神经网络的网络参数；将该类目层级对应的样本词向量和标注信息分别作为初始神经网络的输入和期望输出，利用机器学习装置训练初始神经网络；将训练得到的初始神经网络确定为该类目层级的分类模型。
在本实施例的一些可选的实现方式中，分类模型包括词向量与文本分类工具或长短期记忆网络。
在本实施例的一些可选的实现方式中，确定单元903进一步被配置成：基于预定数目个不同类目层级对应的训练样本集生成类目树结构；将类目树结构中节点对应的类目的概率大于0的节点确定为目标节点；从类目树结构中的根节点开始搜索包括目标节点的最深路径作为候选路径。
在本实施例的一些可选的实现方式中，转换单元901进一步被配置成：将待分类的物品信息转换成稠密向量。
下面参考图10，其示出了适于用来实现本申请实施例的电子设备(如图1所示的终端设备/服务器)的计算机系统1000的结构示意图。图10示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示，计算机系统1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有系统1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括转换单元、预测单元、确定单元和输出单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，转换单元还可以被描述为“将待分类的物品信息转换成词向量的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：将待分类的物品信息转换成词向量；将词向量输入预先训练的不同类目层级的分类模型，得到不同类目层级中的至少一个类目的概率，其中，一个类目层级的分类模型用于表征词向量与该类目层级中的类目的对应关系；根据不同类目层级中的至少一个类目的概率从预设的类目树结构中确定出至少一条候选路径，其中，类目树结构中的节点表示类目；从至少一条候选路径中确定出各节点对应的类目的概率的乘积最大的路径作为标题的分类结果进行输出。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于输出信息的方法，包括：
将待分类的物品信息转换成词向量；
将所述词向量输入预先训练的不同类目层级的分类模型，得到不同类目层级中的至少一个类目的概率，其中，一个类目层级的分类模型用于表征词向量与该类目层级中的类目的对应关系；
根据所述不同类目层级中的至少一个类目的概率从预设的类目树结构中确定出至少一条候选路径，其中，所述类目树结构中的节点表示类目；
从所述至少一条候选路径中确定出各节点对应的类目的概率的乘积最大的路径作为所述标题的分类结果进行输出。
2.根据权利要求1所述的方法，其中，不同类目层级的分类模型是通过以下方式训练得到的：
获取预定数目个不同类目层级对应的训练样本集，其中，一个类目层级的训练样本集中的训练样本包括物品信息和用于表征物品属于该类目层级中的类目的标注信息；
将各类目层级对应的训练样本集中的训练样本中的物品信息转换成样本词向量；
对于所述预定数目个不同类目层级中的类目层级，执行如下训练步骤：确定初始神经网络的网络结构以及初始化所述初始神经网络的网络参数；将该类目层级对应的样本词向量和标注信息分别作为所述初始神经网络的输入和期望输出，利用机器学习方法训练所述初始神经网络；将训练得到的所述初始神经网络确定为该类目层级的分类模型。
3.根据权利要求2所述的方法，其中，所述根据所述不同类目层级中的至少一个类目的概率从预设的类目树结构中确定出至少一条候选路径，包括：
基于所述预定数目个不同类目层级对应的训练样本集生成类目树结构；
将所述类目树结构中节点对应的类目的概率大于0的节点确定为目标节点；
从所述类目树结构中的根节点开始搜索包括目标节点的最深路径作为候选路径。
4.根据权利要求1所述的方法，其中，所述将待分类的物品信息转换成词向量，包括：
将待分类的物品信息转换成稠密向量。
5.一种用于输出信息的装置，包括：
转换单元，被配置成将待分类的物品信息转换成词向量；
预测单元，被配置成将所述词向量输入预先训练的不同类目层级的分类模型，得到不同类目层级中的至少一个类目的概率，其中，一个类目层级的分类模型用于表征词向量与该类目层级中的类目的对应关系；
确定单元，被配置成根据所述不同类目层级中的至少一个类目的概率从预设的类目树结构中确定出至少一条候选路径，其中，所述类目树结构中的节点表示类目；
输出单元，被配置成从所述至少一条候选路径中确定出各节点对应的类目的概率的乘积最大的路径作为所述标题的分类结果进行输出。
6.根据权利要求5所述的装置，其中，所述装置还包括训练单元，被配置成：
获取预定数目个不同类目层级对应的训练样本集，其中，一个类目层级的训练样本集中的训练样本包括物品信息和用于表征物品属于该类目层级中的类目的标注信息；
将各类目层级对应的训练样本集中的训练样本中的物品信息转换成样本词向量；
对于所述预定数目个不同类目层级中的类目层级，执行如下训练步骤：确定初始神经网络的网络结构以及初始化所述初始神经网络的网络参数；将该类目层级对应的样本词向量和标注信息分别作为所述初始神经网络的输入和期望输出，利用机器学习装置训练所述初始神经网络；将训练得到的所述初始神经网络确定为该类目层级的分类模型。
7.根据权利要求6所述的装置，其中，所述确定单元进一步被配置成：
基于所述预定数目个不同类目层级对应的训练样本集生成类目树结构；
将所述类目树结构中节点对应的类目的概率大于0的节点确定为目标节点；
从所述类目树结构中的根节点开始搜索包括目标节点的最深路径作为候选路径。
8.根据权利要求5所述的装置，其中，所述转换单元进一步被配置成：
将待分类的物品信息转换成稠密向量。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811194564.8A CN111046170B (zh) | 2018-10-15 | 2018-10-15 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811194564.8A CN111046170B (zh) | 2018-10-15 | 2018-10-15 | 用于输出信息的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111046170A true CN111046170A (zh) | 2020-04-21 |
| CN111046170B CN111046170B (zh) | 2024-06-18 |
Family
ID=70230002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811194564.8A Active CN111046170B (zh) | 2018-10-15 | 2018-10-15 | 用于输出信息的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111046170B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112463971A (zh) * | 2020-09-15 | 2021-03-09 | 杭州商情智能有限公司 | 一种基于层级组合模型的电商商品分类方法及系统 |
| CN113343147A (zh) * | 2021-06-18 | 2021-09-03 | 北京百度网讯科技有限公司 | 信息处理方法、装置、设备、介质及程序产品 |
| CN113568901A (zh) * | 2021-01-29 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置及存储介质 |
| CN113591979A (zh) * | 2021-07-30 | 2021-11-02 | 深圳前海微众银行股份有限公司 | 行业类目识别方法、设备、介质及计算机程序产品 |
| CN113744006A (zh) * | 2020-05-29 | 2021-12-03 | 北京达佳互联信息技术有限公司 | 类目推荐方法、装置、电子设备及存储介质 |
| CN113806524A (zh) * | 2020-06-16 | 2021-12-17 | 阿里巴巴集团控股有限公司 | 一种文本内容的层级类目构建和层级结构调整方法及装置 |
| CN114282627A (zh) * | 2022-01-18 | 2022-04-05 | 北京三快在线科技有限公司 | 分类模型的生成方法、物品分类的方法及装置 |
| CN114328797A (zh) * | 2021-11-09 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 内容搜索方法、装置、电子设备、存储介质及程序产品 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103123636A (zh) * | 2011-11-21 | 2013-05-29 | 北京百度网讯科技有限公司 | 建立词条分类模型的方法、词条自动分类的方法和装置 |
| CN104462347A (zh) * | 2014-12-04 | 2015-03-25 | 北京国双科技有限公司 | 关键词的分类方法及装置 |
| CN104978328A (zh) * | 2014-04-03 | 2015-10-14 | 北京奇虎科技有限公司 | 一种获取层级分类器以及文本分类的方法及装置 |
| KR20170039951A (ko) * | 2015-10-02 | 2017-04-12 | 네이버 주식회사 | 딥러닝을 이용하여 텍스트 단어 및 기호 시퀀스를 값으로 하는 복수 개의 인자들로 표현된 데이터를 자동으로 분류하는 방법 및 시스템 |
| CN108021667A (zh) * | 2017-12-05 | 2018-05-11 | 新华网股份有限公司 | 一种文本分类方法和装置 |
| CN108460428A (zh) * | 2018-04-11 | 2018-08-28 | 波奇（上海）信息科技有限公司 | 一种宠物图像识别的方法和装置 |
-
2018
- 2018-10-15 CN CN201811194564.8A patent/CN111046170B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103123636A (zh) * | 2011-11-21 | 2013-05-29 | 北京百度网讯科技有限公司 | 建立词条分类模型的方法、词条自动分类的方法和装置 |
| CN104978328A (zh) * | 2014-04-03 | 2015-10-14 | 北京奇虎科技有限公司 | 一种获取层级分类器以及文本分类的方法及装置 |
| CN104462347A (zh) * | 2014-12-04 | 2015-03-25 | 北京国双科技有限公司 | 关键词的分类方法及装置 |
| KR20170039951A (ko) * | 2015-10-02 | 2017-04-12 | 네이버 주식회사 | 딥러닝을 이용하여 텍스트 단어 및 기호 시퀀스를 값으로 하는 복수 개의 인자들로 표현된 데이터를 자동으로 분류하는 방법 및 시스템 |
| CN108021667A (zh) * | 2017-12-05 | 2018-05-11 | 新华网股份有限公司 | 一种文本分类方法和装置 |
| CN108460428A (zh) * | 2018-04-11 | 2018-08-28 | 波奇（上海）信息科技有限公司 | 一种宠物图像识别的方法和装置 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744006A (zh) * | 2020-05-29 | 2021-12-03 | 北京达佳互联信息技术有限公司 | 类目推荐方法、装置、电子设备及存储介质 |
| CN113806524A (zh) * | 2020-06-16 | 2021-12-17 | 阿里巴巴集团控股有限公司 | 一种文本内容的层级类目构建和层级结构调整方法及装置 |
| CN113806524B (zh) * | 2020-06-16 | 2024-05-24 | 阿里巴巴集团控股有限公司 | 一种文本内容的层级类目构建和层级结构调整方法及装置 |
| CN112463971A (zh) * | 2020-09-15 | 2021-03-09 | 杭州商情智能有限公司 | 一种基于层级组合模型的电商商品分类方法及系统 |
| CN113568901A (zh) * | 2021-01-29 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置及存储介质 |
| CN113568901B (zh) * | 2021-01-29 | 2024-04-19 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置及存储介质 |
| CN113343147A (zh) * | 2021-06-18 | 2021-09-03 | 北京百度网讯科技有限公司 | 信息处理方法、装置、设备、介质及程序产品 |
| CN113343147B (zh) * | 2021-06-18 | 2024-01-19 | 北京百度网讯科技有限公司 | 信息处理方法、装置、设备、介质及程序产品 |
| CN113591979A (zh) * | 2021-07-30 | 2021-11-02 | 深圳前海微众银行股份有限公司 | 行业类目识别方法、设备、介质及计算机程序产品 |
| CN114328797A (zh) * | 2021-11-09 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 内容搜索方法、装置、电子设备、存储介质及程序产品 |
| CN114328797B (zh) * | 2021-11-09 | 2024-03-19 | 腾讯科技（深圳）有限公司 | 内容搜索方法、装置、电子设备、存储介质及程序产品 |
| CN114282627A (zh) * | 2022-01-18 | 2022-04-05 | 北京三快在线科技有限公司 | 分类模型的生成方法、物品分类的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111046170B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111046170B (zh) | 用于输出信息的方法和装置 | |
| CN108446374B (zh) | 用户意图预测方法、装置、电子设备、存储介质 | |
| CN110969516B (zh) | 一种商品推荐方法及装置 | |
| US11188831B2 (en) | Artificial intelligence system for real-time visual feedback-based refinement of query results | |
| CN109492229B (zh) | 一种跨领域情感分类方法和相关装置 | |
| CN111949887B (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
| JP6967462B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
| CN110782308B (zh) | 推荐套餐的推送方法、装置、电子设备及可读存储介质 | |
| CN105844508B (zh) | 一种基于动态周期神经网络的商品推荐方法 | |
| CN113743971B (zh) | 一种数据处理方法和装置 | |
| CN110084658B (zh) | 物品匹配的方法和装置 | |
| CN111797622B (zh) | 用于生成属性信息的方法和装置 | |
| CN107247753B (zh) | 一种相似用户选取方法及装置 | |
| CN111695024A (zh) | 对象评估值的预测方法及系统、推荐方法及系统 | |
| CN111353838A (zh) | 自动化校验商品类目的方法和装置 | |
| Ben-Shimon et al. | An ensemble method for top-N recommendations from the SVD | |
| CN111967924A (zh) | 商品推荐方法、商品推荐装置、计算机设备和介质 | |
| JP2022523634A (ja) | 個人向けの在庫管理のためのテキストデータの符号化 | |
| CN117009650A (zh) | 一种推荐方法以及装置 | |
| CN110851694B (zh) | 基于用户记忆网络和树形结构的深度模型的个性化推荐系统 | |
| CN113792952A (zh) | 用于生成模型的方法和装置 | |
| Bhargavi et al. | Comparative study of consumer purchasing and decision pattern analysis using pincer search based data mining method | |
| JP6558765B2 (ja) | 処理装置、処理方法、推測装置、推測方法、およびプログラム | |
| CN114429384B (zh) | 基于电商平台的产品智能推荐方法及系统 | |
| CN114677174A (zh) | 一种计算未上架物品销量的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TG01 | Patent term adjustment | ||
| TG01 | Patent term adjustment |