CN111695036B - 内容推荐方法及装置 - Google Patents

Abstract

本申请实施例提供一种内容推荐方法及装置，涉及知识图谱、深度学习技术领域，具体包括：获取第一数据和第二数据；将第一数据和第二数据输入预设的第一模型，得到推荐结果；第一模型是基于第一类数据的集合、第二类数据的集合和第三类数据的集合的组合关系训练得到的，其中，依据第一类数据的集合和第二类数据的集合能够推理得到第三类数据的集合；第一数据属于第一类数据，第二数据属于第二类数据，推荐结果属于第三类数据；第三类数据为表征规则的数据。本申请实施例的第一模型不同于现有技术中的利用文本相似性或用户行为日志训练得到的模型，能够适用于法条推荐的场景。

Description

内容推荐方法及装置

技术领域

本申请涉及数据处理的深度学习技术领域，尤其涉及一种内容推荐方法及装置。

背景技术

在庭审场景中，通常需要根据原告提出的诉请(也称为诉讼请求)，以及原被告提出的案情事实等，从法律法规中找到根据，并根据法规做出相应的判决。

通常的，相关人员需要依据自身的经验，查找法律法规等，以依据法律法规做出裁决。

但是通过人工查找法律法规的方式，效率较低。

发明内容

本申请实施例提供一种内容推荐方法及装置，以解决现有技术中人工查找法律法规的方式，效率较低的技术问题。

本申请实施例第一方面提供一种内容推荐方法，包括：获取第一数据和第二数据；

将所述第一数据和所述第二数据输入预设的第一模型，得到推荐结果；所述第一模型是基于第一类数据的集合、第二类数据的集合和第三类数据的集合的组合关系训练得到的，其中，依据所述第一类数据的集合和所述第二类数据的集合能够推理得到所述第三类数据的集合，所述第一数据属于第一类数据，所述第二数据属于第二类数据，所述推荐结果属于第三类数据；所述第三类数据为表征规则的数据。

本申请实施例第二方面提供一种内容推荐装置，包括：第一获取模块，用于获取第一数据和第二数据；

推荐模块，用于将所述第一数据和所述第二数据输入预设的第一模型，得到推荐结果；所述第一模型是基于第一类数据的集合、第二类数据的集合和第三类数据的集合的组合关系训练得到的，其中，依据所述第一类数据的集合和所述第二类数据的集合能够推理得到所述第三类数据的集合，所述第一数据属于第一类数据，所述第二数据属于第二类数据，所述推荐结果属于第三类数据；所述第三类数据为表征规则的数据。

本申请实施例第三方面提供一种电子设备，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前述第一方面任一项所述的方法。

本申请实施例第四方面提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如前述第一方面中任一项所述的方法。

根据本申请的第五方面，提供了一种计算机程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。

综上，本申请实施例相对于现有技术的有益效果：

本申请实施例中提供了一种内容推荐方法及装置，可以基于预先训练的模型自动为具有推理关系的组合数据推荐结果，效率高，且本申请实施例的第一模型不同于现有技术中的利用文本相似性或用户行为日志训练得到的模型，能够适用于法条推荐的场景。具体的，可以获取第一数据和第二数据；将第一数据和第二数据输入预设的第一模型，得到推荐结果；第一模型是基于第一类数据的集合、第二类数据的集合和第三类数据的集合的组合关系训练得到的，其中，依据第一类数据的集合和第二类数据的集合能够推理得到第三类数据的集合；第一数据属于第一类数据，第二数据属于第二类数据，推荐结果属于第三类数据；第三类数据为表征规则的数据。则本申请实施例可以应用于基于诉求数据和案件事实数据进行法律法规的推荐。

附图说明

图1为本申请实施例提供的内容推荐方法适用的系统架构示意图；

图2为本申请实施例提供的内容推荐方法的流程示意图；

图3为本申请实施例提供的一种模型训练流程示意图；

图4为本申请实施例提供的内容推荐装置的结构示意图；

图5是用来实现本申请实施例的内容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。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

本申请实施例的方法可以应用于终端或服务器，终端可以包括：手机、平板电脑、笔记本电脑、或者台式电脑等电子设备。本申请实施例对应用的具体设备不作具体限定。

示例性的，终端或服务器中可以提供图形用户界面(graphical user interface，GUI)，在图形用户界面中可以设置用于接收用户操作的控件、输入框等，使得用户可以在图形用户界面中输入数据，进而实现本申请实施例的内容推荐方法，可以理解，图形用户界面的具体内容可以根据实际的应用场景确定，本发明实施例对此不作具体限定。

本申请实施例中发现，通常的，在内容推荐场景中，通过挖掘文本的词频-逆文本频率指数(term frequency-inverse document frequency，TF-IDF)特征向量，来得到用户的偏好，进而做推荐。示例性的，用户的历史浏览记录中包括哈利波特I，基于内容的推荐算法可能会推荐哈利波特II-VI。或者，基于用户对某一类内容的点击次数或浏览次数等，为用户推荐用户喜好的内容。或者，基于与用户具有关联关系的其他用户的喜好为用户推荐内容，例如用户的朋友喜欢电影哈利波特I，可以为用户推荐哈利波特I。

也就是说，通常的内容推荐中，利用的是文本的相似性或用户行为。

然而，在一些场景中，需要推荐的内容在文本之间没有相似性，也难以确定用户行为，则无法利用上述方法实现内容推荐。例如，在法律庭审场景下，法官需根据原告提出的诉请，以及原被告提出的案情事实、及法院查明，从法律法规中找到根据，并根据法规做出相应的判决。诉请、案情与法条无明显文本相似性，另外产品上也无相关的用户行为日志。因此，在庭审场景中无法利用上述方法实现内容推荐。

基于此，本申请实施例提供了一种内容推荐方法，可以基于预先训练的模型自动为具有推理关系的组合数据推荐结果，效率高，且本申请实施例的第一模型不同于现有技术中的利用文本相似性或用户行为日志训练得到的模型，能够适用于法条推荐的场景。

示例性的，图1为本申请实施例提供的方法所适用的应用场景架构示意图。

一种可能的实现方式中，可以基于终端设备11与服务器12的交互，实现本申请实施例的内容推荐方法。例如，用户可以在终端设备11中输入第一数据和第二数据，则终端设备11可以获取第一数据和第二数据，终端设备11可以生成包含第一数据和第二数据的内容推荐请求，以及向服务器12发送该包含第一数据和第二数据的内容推荐请求；服务器12可以获取第一数据和第二数据，服务器12中可以设置预先训练的第一模型，将第一数据和第二数据输入预设的第一模型，得到推荐结果；第一模型是基于第一类数据的集合、第二类数据的集合和第三类数据的集合的组合关系训练得到的，其中，依据第一类数据的集合和第二类数据的集合能够推理得到第三类数据的集合；第一数据属于第一类数据，第二数据属于第二类数据，推荐结果属于第三类数据；进一步的，服务器12还可以向显示设备(例如终端设备11)发送推荐结果。从而可以在终端设备11中显示该推荐结果。可以理解，具体应用中，服务器的数量可以为大于或等于1的任意值，本申请实施例对此不作具体限定。

一种可能的实现方式中，终端设备11中可以设置第一模型，则终端设备可以实现本申请实施例的内容推荐方法。例如，用户可以在终端设备11中输入第一数据和第二数据，则终端设备11可以获取第一数据和第二数据，终端设备11可以将第一数据和第二数据输入预设的第一模型，得到推荐结果；第一模型是基于第一类数据的集合、第二类数据的集合和第三类数据的集合的组合关系训练得到的，其中，依据第一类数据的集合和第二类数据的集合能够推理得到第三类数据的集合；第一数据属于第一类数据，第二数据属于第二类数据，推荐结果属于第三类数据；进一步的，终端设备11可以向显示设备(例如终端设备11的显示设备)发送推荐结果。从而可以在终端设备11的显示设备中显示该推荐结果。

一种可能的实现方式中，服务器12中可以设置第一模型，则终端设备可以实现本申请实施例的内容推荐方法。例如，用户可以在服务器12中输入第一数据和第二数据，则服务器12可以获取第一数据和第二数据，服务器12可以将第一数据和第二数据输入预设的第一模型，得到推荐结果；第一模型是基于第一类数据的集合、第二类数据的集合和第三类数据的集合的组合关系训练得到的，其中，依据第一类数据的集合和第二类数据的集合能够推理得到第三类数据的集合；第一数据属于第一类数据，第二数据属于第二类数据，推荐结果属于第三类数据；进一步的，服务器12可以向显示设备(例如服务器12的显示设备)发送推荐结果。从而可以在服务器12的显示设备中显示该推荐结果。

可以理解，本申请实施例的内容推荐方法也可以应用于其他的场景，本申请实施例对此不作具体限定。且，无论哪种应用场景中，因为第一模型不同于现有技术中的利用文本相似性或用户行为日志训练得到的模型，能够适用于法条推荐的场景。

本申请实施例所描述的第一类数据、第二类数据和第三类数据之间具有推理关系。示例性的，以第一类数据为A1，第二类数据为B1，第三类数据为C1为例，第一类数据、第二类数据和第三类数据之间的推理关系可以表示为下述的一种或多种：A1+B1＝>C1、A1＝>C1、B1＝>C1、^A1+B1＝>C或A1+^B1＝>C等；其中“＝>”表示推理的关系，“^”表示“非”的逻辑。

可以理解，本申请实施例也可以泛化为采用N类数据推理M类数据，N和M为自然数的场景，本申请实施例对此不做具体限定。

示例性的，在庭审场景中，第一类数据为诉请数据，第二类数据为案件事实数据，第三类数据为法律法规。

示例性的，在管理场景中，第一类数据为员工申诉数据，第二类数据为具体时间数据，第三类数据为公司条文等表征规则的内容。

本申请实施例所描述的表征规则的内容可以为法律法规、条例、约定等用于约束的规则性内容。

本申请实施例所描述的诉请数据可以是原告提出的诉讼请求，例如，诉请求可能包含赔偿类型、赔偿金额等，在案件审理中，通常结合原告提出的诉讼请求进行适应的判定。

本申请实施例所描述的案件事实数据可以是客观的案件描述等。

本申请实施例所描述的法律法规也可能称为法条、法律信息等，本申请实施例对此不作具体限定。

本申请实施例所描述的第一模型可以是利用深度学习训练的模型，也可以是知识图谱等，本申请实施例对此不作具体限定。

如图2所示，图2为本申请实施例提供的内容推荐方法的流程示意图。该方法具体可以包括：

S101：获取第一数据和第二数据。

本申请实施例中，第一数据属于第一类数据，第二数据属于第二类数据。

第一数据和第二数据的格式可以是图片、文字、音频、视频等，本申请实施例对此不做具体要求。

一种可能的实现方式中，用户可以在设备的用户界面输入、上传或加载第一数据和第二数据，执行本申请实施例的方法的设备可以获取庭审记录。

S102：将所述第一数据和所述第二数据输入预设的第一模型，得到推荐结果；所述第一模型是基于第一类数据的集合、第二类数据的集合和第三类数据的集合的组合关系训练得到的，其中，依据所述第一类数据的集合和所述第二类数据的集合能够推理得到所述第三类数据的集合，所述第一数据属于第一类数据，所述第二数据属于第二类数据，所述推荐结果属于第三类数据；所述第三类数据为表征规则的数据。

本申请实施例中，第一类数据的集合、第二类数据的集合和第三类数据的集合可以是用于训练第一模型的样本集合，依据第一类数据的集合和第二类数据的集合能够推理得到第三类数据的集合。

在训练第一模型时，可以采用任意可行的模型训练方法，本申请实施例对此不作具体限定。

示例性的，在庭审场景中，第一类数据可以为诉请数据，第二类数据可以为案件事实数据，第三类数据可以为法律法规。

综上所述，本申请实施例中提供了一种内容推荐方法及装置，可以基于预先训练的第一模型自动为具有推理关系的组合数据推荐结果，效率高，且本申请实施例的第一模型不同于现有技术中的利用文本相似性或用户行为日志训练得到的模型，能够适用于法条推荐的场景。

在图2的实施例的基础上，一种可能的实现方式中，还可以显示推荐结果，以便于用户了解推荐结果。

一种可能的实现方式中，S101-S102的执行主体为服务器，显示推荐结果的是用户输入第一数据和第二数据的终端设备，服务器可以向终端设备发送推荐结果，进而终端设备可以显示推荐结果。

一种可能的实现方式中，S101-S105的执行主体为用户输入第一数据和第二数据的终端设备，则显示设备可以是终端设备的显示屏幕等，终端设备可以向显示设备发送推荐结果，显示设备可以显示推荐结果。

示例性的，图3示出了一种训练第一模型的流程示意图。包括：

S201：获取第一类数据的集合、第二类数据的集合和第三类数据的集合。

本申请实施例中，S201也可以理解为挖掘数据集(或可以称为样本集)。

可能的实现方式中，可以获取标注有第一类数据标签的集合，标注有第二类数据标签的集合，以及标注有第三类数据标签的集合。第一类数据的集合、第二类数据的集合和第三类数据的集合中的数据样本的数量可以为万级别，则可以利用数量较大的样本，后续得到较为准确的第一模型。

S202：对所述第一类数据的集合、所述第二类数据的集合和所述第三类数据的集合中的数据进行聚类，得到多组分组信息。

本申请实施例中，以第一类数据的集合为A、第二类数据的集合为B、第三类数据的集合为C为例进行说明。A、B和C中可以包含各自的子集。

示例性的，A＝{a 1,a2,a3…,a(n)}；B＝{b1,b2,b3…,b(m)}；C＝{c1,c2,c3…,c(k)}。其中，n，m和k为自然数，n，m和k可以相等也可以不相等。

可以对A、B和C集合中的子集数据进行聚类(也可以称为标签预归类等)，将具有组合关系的数据归为一类。

例如，聚类后可能得到{a1,a2,b2,c1,c2}为一类分组信息，说明c1,c2与a1,a2,b1有组合关系。

具体实现中，聚类计算所采用的方法可以包括：词向量空间距离计算、切词命中个数、或文本相似度计算等，本申请实施例对此不做具体限定。

S203：获取各所述分组信息内的组合关系；所述组合关系中包括依据所述第一类数据和/或所述第二类数据推理所述第三类数据的关系。

一种可能的实现方式中，可以采用穷举各分组信息内的第一类数据、第二类数据和第三类数据的推理组合关系，得到各分组信息内的组合关系。

示例性的，以S202中的分组信息{a1,a2,b2,c1,c2}为例，组合关系可以有a1＝>c1；a1＝>c2；a2＝>c1；a2＝>c2；b2＝>c1；b2＝>c2；a1+a2＝>c1；a1+a2＝>c2；a1+b2＝>c1；a2+b2＝>c1；a2+b2＝>c2；a1+a2+b2＝>c1；a1+a2+b2＝>c2等。

可能的理解中，该利用A和/或B中的数据推理得到C中的数据的组合关系可以称为正向关系。

可能的实现方式中，还可以获取分组信息内的组合关系中的负向关系，例如a1+^a2+b2＝>c1，表示包含a1并且不包含a2且包含b2，可推理出c1的组合关系。这样可以得到更加全面的组合关系，从而能训练得到更加准确的模型。

需要说明的是，本申请实施例中，由于对第一类数据的集合、第二类数据的集合以及第三类数据的集合进行了聚类，得到分组信息，后续在分组信息内获取组合关系时，相较于直接在三个组合中获取组合关系，能节约较大的计算量。

具体实现中，本申请实施例也可以采用任意可能的方式获取各分组信息内的组合关系，本申请实施例对此不做具体限定。

S204：依据各所述分组信息内的组合关系训练得到所述第一模型。

本申请实施例的可能实现方式中，可以采用调整分组信息内的组合关系的权重等方式，得到模型的输出结果，在模型的输出结果与样本的实际结果的误差在一定范围内时(例如满足损失函数)，可以得到第一模型。

本申请实施例中训练得到第一模型，且本申请实施例的第一模型不同于现有技术中的利用文本相似性或用户行为日志训练得到的模型，能够适用于法条推荐的场景。

在图3的基础上，一种可能的实现方式中，S204的依据各所述分组信息内的组合关系训练得到所述第一模型，包括：获取各所述分组信息内的组合关系的初始置信度；依据各所述分组信息内的组合关系的初始置信度初始化待训练模型；调整所述待训练模型中的各所述分组信息内的组合关系的置信度，直到所述待训练模型输出的结果满足预设条件，得到所述第一模型。

本申请实施例中，各分组信息内的组合关系的初始置信度可以是基于经验等获取的，也可以是随机获取的，依据初始置信度初始化待训练模型的参数，之后可以调整待训练模型中的各分组信息内的组合关系的置信度，直到待训练模型输出的结果满足预设条件，得到第一模型。其中，满足预设条件例如可以是模型的输出结果与样本的实际结果的误差在一定范围内，或满足损失函数等。

一种可能的实现方式中，获取各所述分组信息内的组合关系的初始置信度，包括：分别计算各所述分组信息内的组合关系的组合关系准确率、各所述分组信息内的组合关系的组合关系权重，以及各所述分组信息的权重；根据各所述分组信息内的组合关系的组合关系准确率、各所述分组信息内的组合关系的组合关系权重，以及各所述分组信息的权重计算各所述分组信息内的组合关系的初始置信度。

示例性的，组合关系准确率可以为：用第一类数据和第二类数据的集合推理得到第三类数据的准确率，准确率越高，该组合关系的置信度越高。

组合关系的组合关系权重可以为：推荐出第三类数据时，该组合关系在全部组合关系中的占比权重。关系权重越高，则说明组合关系越主要，该组合关系的置信度越高。

分组信息的权重可以任务是分组信息对应的标签的权重，权重高说明该分组信息比较热门，置信度越高。

具体应用中，上述三种置信度确定的依据中，可以根据实际需求进行综合设置，计算个组合关系的初始置信度，本申请实施例对此不做具体限定。

示例性的，在基于上述组合关系准确率、组合关系权重和分组信息的权重调整模型时，以挖掘数据集的A和B作为输入，依据组合关系推理出的C1作为输出。可以根据推理出的C1与挖掘数据集标注的C做对比，计算得到此数据集推荐的准招效果。若准确过低，可调高组合关系准确率阈值；若召回过低，可实时降低准确，并提高组合关系权重的阈值；若某个c推荐准确很差，且c标签的权重较低，可考虑暂时去掉此类标签的推荐；当准招都很低，可适用降低综合权重。本申请实施例对此不做具体限定。

实践中，将本申请实施例的内容推荐方法应用在庭审的发条推荐场景中(例如诉请+案情事实点＝>法规)，准招率约在87％至93％，具有较好的效果。

图4为本申请提供的内容推荐装置一实施例的结构示意图。如图4所示，本实施例提供的内容推荐装置包括：

第一获取模块31，用于获取第一数据和第二数据；

推荐模块32，还用于将所述第一数据和所述第二数据输入预设的第一模型，得到推荐结果；所述第一模型是基于第一类数据的集合、第二类数据的集合和第三类数据的集合的组合关系训练得到的，其中，依据所述第一类数据的集合和所述第二类数据的集合能够推理得到所述第三类数据的集合，所述第一数据属于第一类数据，所述第二数据属于第二类数据，所述推荐结果属于第三类数据；所述第三类数据为表征规则的数据。

一种可能的实现方式中，还包括：

第二获取模块，用于获取所述第一类数据的集合、所述第二类数据的集合和所述第三类数据的集合；

聚类模块，用于对所述第一类数据的集合、所述第二类数据的集合和所述第三类数据的集合中的数据进行聚类，得到多组分组信息；

第三获取模块，用于获取各所述分组信息内的组合关系；所述组合关系中包括依据所述第一类数据和/或所述第二类数据推理所述第三类数据的关系；

训练模块，用于依据各所述分组信息内的组合关系训练得到所述第一模型。

一种可能的实现方式中，所述第三获取模块，具体用于穷举各所述分组信息内的第一类数据、第二类数据和第三类数据的推理组合关系，得到各所述分组信息内的组合关系。

一种可能的实现方式中，各所述分组信息内的组合关系包括正向关系和负向关系。

一种可能的实现方式中，所述训练模块，包括：

获取子模块，用于获取各所述分组信息内的组合关系的初始置信度；

初始化子模块，用于依据各所述分组信息内的组合关系的初始置信度初始化待训练模型；

调整子模块，用于调整所述待训练模型中的各所述分组信息内的组合关系的置信度，直到所述待训练模型输出的结果满足预设条件，得到所述第一模型。

一种可能的实现方式中，所述获取子模块，具体用于：

分别计算各所述分组信息内的组合关系的组合关系准确率、各所述分组信息内的组合关系的组合关系权重，以及各所述分组信息的权重；

根据各所述分组信息内的组合关系的组合关系准确率、各所述分组信息内的组合关系的组合关系权重，以及各所述分组信息的权重计算各所述分组信息内的组合关系的初始置信度。

一种可能的实现方式中，所述第一类数据为诉请数据，所述第二类数据为案件事实数据，所述第三类数据为法律法规。

一种可能的实现方式中，还包括：

显示模块，用于显示所述推荐结果。

本申请实施例中提供了一种内容推荐装置，可以基于预先训练的模型自动为具有推理关系的组合数据推荐结果，效率高，且本申请实施例的第一模型不同于现有技术中的利用文本相似性或用户行为日志训练得到的模型，能够适用于法条推荐的场景。具体的，可以获取第一数据和第二数据；将第一数据和第二数据输入预设的第一模型，得到推荐结果；第一模型是基于第一类数据的集合、第二类数据的集合和第三类数据的集合的组合关系训练得到的，其中，依据第一类数据的集合和第二类数据的集合能够推理得到第三类数据的集合；第一数据属于第一类数据，第二数据属于第二类数据，推荐结果属于第三类数据。则本申请实施例可以适用于基于诉求数据和案件事实数据进行法律法规的推荐。

本申请各实施例提供的内容推荐装置可用于执行如前述各对应的实施例所示的方法，其实现方式与原理相同，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5所示，是根据本申请实施例的内容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。

根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

如图5所示，该电子设备包括：一个或多个处理器501、存储器502，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5中以一个处理器501为例。

存储器502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内容推荐方法。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内容推荐方法。

存储器502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内容推荐方法对应的程序指令/模块(例如，附图4所示的第一获取模块31和推荐模块32)。处理器501通过运行存储在存储器502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内容推荐方法。

存储器502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内容推荐电子设备的使用所创建的数据等。此外，存储器502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502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至内容推荐电子设备。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。

内容推荐方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与内容推荐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504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，可以基于预先训练的模型自动为具有推理关系的组合数据推荐结果，效率高，且本申请实施例的第一模型不同于现有技术中的利用文本相似性或用户行为日志训练得到的模型，能够适用于法条推荐的场景。具体的，可以获取第一数据和第二数据；将第一数据和第二数据输入预设的第一模型，得到推荐结果；第一模型是基于第一类数据的集合、第二类数据的集合和第三类数据的集合的组合关系训练得到的，其中，依据第一类数据的集合和第二类数据的集合能够推理得到第三类数据的集合；第一数据属于第一类数据，第二数据属于第二类数据，推荐结果属于第三类数据；第三类数据为表征规则的数据。

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 (10)

1.一种内容推荐方法，所述方法包括：

获取第一数据和第二数据；

将所述第一数据和所述第二数据输入预设的第一模型，得到推荐结果；所述第一模型是基于第一类数据的集合、第二类数据的集合和第三类数据的集合的组合关系训练得到的，其中，依据所述第一类数据的集合和所述第二类数据的集合能够推理得到所述第三类数据的集合，所述第一数据属于第一类数据，所述第二数据属于第二类数据，所述推荐结果属于第三类数据；所述第三类数据为表征用于约束的规则性内容的数据，所述第一模型用于进行法条推荐；

获取所述第一类数据的集合、所述第二类数据的集合和所述第三类数据的集合；

对所述第一类数据的集合、所述第二类数据的集合和所述第三类数据的集合中的数据进行聚类，将具有组合关系的数据归为一类，得到多组分组信息；

穷举各所述分组信息内的第一类数据、第二类数据和第三类数据的推理组合关系，得到各所述分组信息内的组合关系；所述组合关系中包括依据所述第一类数据和/或所述第二类数据推理所述第三类数据的关系，各所述分组信息内的组合关系包括正向关系和负向关系，所述正向关系包括在包含所述第一类数据中的第一数据且包含所述第二类数据中的第二数据时，推理得到所述第三类数据中的第三数据的关系，所述负向关系包括在包含所述第一类数据中的第一数据且不包含所述第一类数据中的第四数据，且包含所述第二类数据中的第二数据时，推理得到所述第三类数据中的第三数据的关系；

获取各所述分组信息内的组合关系的初始置信度；

依据各所述分组信息内的组合关系的初始置信度初始化待训练模型；

调整所述待训练模型中的各所述分组信息内的组合关系的置信度，直到所述待训练模型输出的结果满足预设条件，得到所述第一模型。

2.根据权利要求1所述的方法，其中，获取各所述分组信息内的组合关系的初始置信度，包括：

分别计算各所述分组信息内的组合关系的组合关系准确率、各所述分组信息内的组合关系的组合关系权重，以及各所述分组信息的权重；

根据各所述分组信息内的组合关系的组合关系准确率、各所述分组信息内的组合关系的组合关系权重，以及各所述分组信息的权重计算各所述分组信息内的组合关系的初始置信度。

3.根据权利要求1所述的方法，还包括：

显示所述推荐结果。

4.根据权利要求1所述的方法，其中，所述第一类数据为诉请数据，所述第二类数据为案件事实数据，所述第三类数据为法律法规。

5.一种内容推荐装置，包括：

第一获取模块，用于获取第一数据和第二数据；

推荐模块，用于将所述第一数据和所述第二数据输入预设的第一模型，得到推荐结果；所述第一模型是基于第一类数据的集合、第二类数据的集合和第三类数据的集合的组合关系训练得到的，其中，依据所述第一类数据的集合和所述第二类数据的集合能够推理得到所述第三类数据的集合，所述第一数据属于第一类数据，所述第二数据属于第二类数据，所述推荐结果属于第三类数据；所述第三类数据为表征用于约束的规则性内容的数据，所述第一模型用于进行法条推荐；

第二获取模块，用于获取所述第一类数据的集合、所述第二类数据的集合和所述第三类数据的集合；

聚类模块，用于对所述第一类数据的集合、所述第二类数据的集合和所述第三类数据的集合中的数据进行聚类，将具有组合关系的数据归为一类，得到多组分组信息；

第三获取模块，用于穷举各所述分组信息内的第一类数据、第二类数据和第三类数据的推理组合关系，得到各所述分组信息内的组合关系；所述组合关系中包括依据所述第一类数据和/或所述第二类数据推理所述第三类数据的关系，各所述分组信息内的组合关系包括正向关系和负向关系，所述正向关系包括在包含所述第一类数据中的第一数据且包含所述第二类数据中的第二数据时，推理得到所述第三类数据中的第三数据的关系，所述负向关系包括在包含所述第一类数据中的第一数据且不包含所述第一类数据中的第四数据，且包含所述第二类数据中的第二数据时，推理得到所述第三类数据中的第三数据的关系；

训练模块，包括：

获取子模块，用于获取各所述分组信息内的组合关系的初始置信度；

初始化子模块，用于依据各所述分组信息内的组合关系的初始置信度初始化待训练模型；

调整子模块，用于调整所述待训练模型中的各所述分组信息内的组合关系的置信度，直到所述待训练模型输出的结果满足预设条件，得到所述第一模型。

6.根据权利要求5所述的装置，其中，所述获取子模块，具体用于：

分别计算各所述分组信息内的组合关系的组合关系准确率、各所述分组信息内的组合关系的组合关系权重，以及各所述分组信息的权重；

根据各所述分组信息内的组合关系的组合关系准确率、各所述分组信息内的组合关系的组合关系权重，以及各所述分组信息的权重计算各所述分组信息内的组合关系的初始置信度。

7.根据权利要求5所述的装置，还包括：

显示模块，用于显示所述推荐结果。

8.根据权利要求5所述的装置，其中，所述第一类数据为诉请数据，所述第二类数据为案件事实数据，所述第三类数据为法律法规。

9.一种电子设备，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权利要求1-4任一项所述的方法的指令。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使所述计算机执行如权利要求1-4任一项所述的方法。