具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
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。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的用于生成预测信息的方法的一个应用场景的示意图。
如图1所示,计算设备101可以获取输入单词103和输入单词104。其中,获取输入单词103和输入单词104可以是对输入文本102进行分词得到的。当然,上述分词也可以是别的计算设备对输入文本102进行,然后计算设备直接拿到分词结果,输入单词103和输入单词104。之后,计算设备101可以生成输入单词103的词向量105和输入单词104的词向量106。基于生成的词向量105和词向量106,可以生成输入文本向量107。计算设备101可以基于生成的输入文本向量107和用户向量108,生成预测信息110。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以实现成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。
应该理解,图1中的计算设备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计算设备。
继续参考图2,示出了根据本公开的用于生成预测信息的方法的一些实施例的流程200。该用于生成预测信息的方法,包括以下步骤:
步骤201,获取至少一个输入单词。
在一些实施例中,用于生成预测信息的方法的执行主体(如图1所示的计算设备101)可以通过有线连接方式或无线连接方式获取上述至少一个输入单词。上述至少一个输入单词可以对目标输入文本进行分词得到的单词。例如,上述执行主体可以接收用户输入的输入文本作为目标输入文本。然后,对接收的目标输入文本进行分词处理得到至少一个输入单词。又例如,上述执行主体可以接收用户输入的输入单词作为上述至少一个输入单词。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202,生成至少一个输入单词中每个输入单词的词向量,得到词向量集合。
在一些实施例中,上述执行主体可以通过多种方式生成输入单词的词向量。例如,上述执行主体可以对上述至少一个输入单词中每个输入单词进行词嵌入,得到每个输入单词的词向量,组合得到上述词向量集合。又例如,上述执行主体可以在预先定义的单词向量表中通过查找的方式,得到上述输入单词的词向量。这里,单词向量表可以用于表示输入单词与词向量之间的对应关系。
上文陈述的词嵌入是自然语言处理(Natural Language Processing,NLP)中语言模型与表征学习技术的统称。概念上而言,它是指把一个维数为所有词的数量的高维空间嵌入到一个维数低得多的连续向量空间中,每个单词或词组被映射为实数域上的向量。具体地,词向量可以是单词或短语通过词嵌入方法被映射到实数的向量。从概念上讲,它涉及从每个单词一维的空间到具有更低维度的连续向量空间的数学嵌入。
步骤203,基于上述词向量集合,生成输入文本向量。
在一些实施例中,上述执行主体可以通过求和的方式生成上述输入文本向量。作为示例,上述执行主体可以利用累加法将上述词向量集合中的词向量相加,生成上述输入文本向量。作为示例,上述执行主体可以利用平均法将上述词向量集合中的词向量相加再求平均值,生成上述输入文本向量。
步骤204,基于上述输入文本向量和用户向量,生成用于预测用户意图的预测信息。
在一些实施例中,上述执行主体可以将上述输入文本向量与上述用户向量进行点乘,得到点乘结果。上述执行主体可以通过在预先定义的用户账号信息与用户向量的对应关系表中根据用户的账号信息进行查找来得到用户向量。这里,用户向量可以是用于表示用户历史操作的向量。作为示例,用户向量可以是用于表示用户对弹出的GIF图像是否点击的历史记录的向量。对点乘结果,可以利用激活函数处理,得到点乘得分。这里,激活函数可以是Sigmoid函数,可以用于把数据映射至(0,1)区间。得分可以有多种表达形式,例如其可以由概率来表示。这里,向量的点乘也可以称为向量的内积、数量积。点乘可以是对两个向量对应位一一相乘之后再求和,点乘的结果是标量。
在一些实施例的一些可选的实现方式中,用户向量是基于用户历史记录信息得到的。用户历史记录信息可以是用户对弹出的图像是否进行了点击的历史操作记录信息。
可选的,上述执行主体也可以利用归一化方法对点乘结果进行处理,得到点乘得分。归一化方法可以用于把数据转变为(0,1)之间的小数。
在一些实施例中,上述执行主体可以对所得到的点乘得分与预设阈值进行比较,得到比较结果。再根据上述比较结果,生成用于预测用户意图的预测信息。预测信息可以是上述比较结果的文字表达。这里,预设阈值可以是预先设定的用于确定上述点乘得分是否满足需求的分数值。
作为示例,所得到的点乘得分可以是“0.8分”,预设阈值可以是“0.6分”。上述执行主体可以将上述点乘得分和上述预设阈值进行比较,得到比较结果“上述点乘得分大于上述预设阈值”。那么,上述执行主体可以生成预测信息“用户可能需要弹出GIF图像”。
作为示例,在图3的应用场景中,用户接收消息后,在输入框301输入信息“喵”时,所得到的点乘得分可以是“0.9分”,预设阈值可以是“0.6分”。那么,上述执行主体可以根据比较结果,生成预测信息“用户可能需要弹出GIF图像”。由此,上述执行主体显示图像302。可选的,用户点击图像302时,上述执行主体可以将图像302作为发送信息发送。在图4的应用场景中,用户接收消息后,在输入框301输入信息“都喜欢”时,所得到的点乘得分可以是“0.3分”。那么,上述执行主体可以根据比较结果,生成预测信息“用户可能不需要弹出GIF图像”。由此,上述执行主体不显示图像。可选的,用户点击发送按钮303时,上述执行主体可以将用户在输入框301中输入的信息发送。
在一些实施例的一些可选的实现方式中,上述方法还包括:根据上述用于预测用户意图的预测信息,确定是否弹出图像;响应于确定弹出图像,从图像数据库中选择出至少一个图像作为弹出图像,得到弹出图像集合;基于上述用户历史操作记录信息,对上述弹出图像集合中的弹出图像进行排序,得到弹出图像序列;从上述弹出图像序列中选择预定数目个弹出图像;将上述预定数目个弹出图像显示至目标界面上。
在一些实施例的一些可选的实现方式中,上述响应于确定弹出图像,从图像数据库中选择出至少一个图像作为弹出图像,得到弹出图像集合,包括:响应于确定弹出图像,获取图像数据库中每个图像的特征向量,得到特征向量集合;确定上述特征向量集合中的每个特征向量与上述输入文本向量的相关度,得到相关度集合;基于上述相关度集合,从上述图像数据库中选择出相关度大于预设阈值的图像作为弹出图像,得到弹出图像集合。
作为示例,用于预测用户意图的预测信息可以是“用户可能需要弹出GIF图像”。那么,上述执行主体可以确定要弹出图像(例如,GIF图像)。然后,上述执行主体可以获取图像数据库中每个图像的特征向量。这里,图像数据库中包括至少一个图像和与该图像对应的特征向量。上述相关度可以是用于表征特征向量与输入文本向量之间存在相互联系的分值。上述执行主体可以通过算法计算得到每个特征向量与输入文本向量之间的相关度,也可以利用预先训练的相关度模型得到每个特征向量与输入文本向量之间的相关度。之后,上述执行主体可以从图像数据库中选择出相关度大于预设阈值的图像作为弹出图像,得到弹出图像集合。上述用户历史操作记录信息可以包括用户对弹出的图像是否进行了点击,还可以包括用户对点击过的弹出的图像的点击次数。所以,上述执行主体可以基于点击次数的数值由大到小,对弹出图像集合进行排序,得到弹出图像序列。最后,上述执行主体可以从得到的弹出图像序列中选择预定数目个弹出图像,将其显示至目标界面上。
在一些实施例的一些可选的实现方式中,上述执行主体可以将上述输入文本向量和上述用户向量输入至预先训练的预测信息生成模型,得到预测信息。上述执行主体可以通过如下步骤生成上述预测信息生成模型:第一步,获取训练样本集合,其中,训练样本包括样本输入文本向量,样本用户向量和样本预测信息;第二步,从上述训练样本集合中选取训练样本;第三步,将训练样本集合的训练样本中的样本输入文本向量和样本用户向量输入初始模型;第四步,将输出的预测信息与上述样本预测信息进行比较,得到信息损失值;第五步,将上述信息损失值与预设阈值进行比较,得到比较结果;第六步,根据比较结果确定上述初始模型是否训练完成;第七步,响应于上述初始模型训练完成,将上述初始模型确定为预测信息生成模型。
在一些实施例的一些可选的实现方式中,在预测信息生成模型的训练过程中采用了梯度下降的优化方式来降低信息损失值。
在一些实施例的一些可选的实现方式中,上述执行主体可以通过如下步骤得到用户向量:第一,上述执行主体可以获取用户的账号信息;第二,上述执行主体可以根据用户的账号信息,从数据库中检索出用户的历史操作记录信息,其中,上述数据库中包括用户的账号信息和与账号信息对应的历史操作记录信息;第三步,上述执行主体可以对用户的历史操作记录信息进行词嵌入,得到历史操作记录信息向量;第四步,上述执行主体可以将得到的历史操作记录信息向量确定为该用户的用户向量。
在一些实施例的一些可选的实现方式中,上述样本预测信息可以是用于表征用户对弹出的图像是否进行了点击的样本信息。作为示例,样本预测信息可以是“0”,也可以是“1”。其中,样本预测信息为“0”时可以表示“用户没有对弹出的图像进行点击”,样本预测信息为“1”时可以表示“用户对弹出的图像进行了点击”。
上文陈述的信息损失值可以是将上述输出的预测信息与对应的样本预测信息作为参数,输入执行的损失函数中得到的值。这里,损失函数(例如平方损失函数、指数损失函数等)通常是用来估量模型的预测值(例如该样本采样帧对应的上述样本特征)与真实值(例如通过上述步骤得到的多个样本采样帧中的每个采样帧所对应的样本特征)的不一致程度。它是一个非负实值函数。一般情况下,损失函数越小,模型的鲁棒性就越好。损失函数可以根据实际需求来设置。作为示例,损失函数可以是交叉熵损失函数(Cross Entropy)。
在这里,上述初始模型可以是未经训练,或者训练后未达到预设条件的模型。上述初始模型也可以是具有深度神经网络结构的模型。预先训练的特征提取模型可以是预先训练好的用于提取特征的神经网络模型。该神经网络模型可以具有现有的各种神经网络结构。例如,神经网络结构可以是卷积神经网络(Convolutional Neural Network,CNN)。初始模型的存储位置在本公开中同样不限制。
在一些实施例的一些可选的实现方式中,上述方法还包括:响应于确定初始模型未训练完成,调整初始模型中的相关参数,以及从上述训练样本集中重新选取样本,使用调整后的初始模型作为初始模型,继续执行上述训练步骤。
在一些实施例的一些可选的实现方式中,上述训练样本集合是通过以下步骤进行更新:获取用户相关信息集合,其中,上述用户相关信息集合中的用户相关信息包括:输入文本向量,用户向量和预测信息,其中,上述预测信息不是通过上述预测信息生成模型进行预测得到的;基于预设比例,对上述用户相关信息集合进行数据扩增,得到扩增用户相关信息集合;将上述扩增用户相关信息集合加入上述训练样本集合,生成更新后的训练样本集合。
作为示例,对上述用户相关信息集合进行数据扩增可以是基于预设比例,对上述用户相关信息集合中的用户相关信息进行重复采样,得到扩增用户相关信息集合。
在一些实施例的一些可选的实现方式中,在预测信息生成模型的实际运行过程中,如果将用户相关信息集合中的用户相关信息通过预测信息生成模型来判断用户意图,那么,在新数据的积累过程中得到的用户相关信息中会掺杂模型干扰的结果。从而,导致生成的预测信息不准确。由此影响用户体验。所以,在实际运行过程中,将预设比例(例如,百分之九十)的用户相关信息通过预测信息生成模型来判断用户意图。将其余(例如,其余百分之十)的用户相关信息利用重复采样的方式,将数据量扩充到全量的比例。再用这些数据对预测信息生成模型进行下一次训练。由于本次训练使用的数据不掺杂模型干扰的结果,有利于提高预测信息生成模型的准确度。我们将这种方法称之为数据消偏。
可选的,上述执行主体可以按照预设周期对预测信息生成模型的训练样本集合进行更新。
本公开的上述各个实施例中的一个实施例具有如下有益效果:通过生成输入单词的词向量,来生成输入文本向量。可以避免直接生成输入文本向量容易造成误差的情况。然后,基于输入文本向量和用户向量,来生成用于预估用户的需求意图的预测信息。由于,用户向量是基于用户历史记录信息得到的。所以,用户向量可以反映用户的历史行为。从而,生成的预测信息也更加符合用户需求。由此,提供了一种根据根据用户向量与输入文本向量来判断用户的需求意图的方法,有助于减少不必要信息的弹出。可以避免对用户产生打扰,从而,提高了用户体验。
继续参考图5,示出了根据本公开的用于生成预测信息的方法的另一些实施例的流程500。该用于生成预测信息的方法,包括以下步骤:
步骤501,获取至少一个输入单词。
步骤502,生成至少一个输入单词中每个输入单词的词向量,得到词向量集合。
在一些实施例中,步骤501-502的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-202,在此不再赘述。
步骤503,获取用户向量。
在一些实施例中,上述执行主体可以通过多种方式获取用户向量。例如,上述执行主体可以从本地数据库中获取用户向量。又例如,上述执行主体可以通过有线连接或无线连接的方式连接其他电子设备,从而,获取用户向量。
步骤504,将上述用户向量输入至预先训练的全连接网络,得到新的用户向量。
在一些实施例中,上述执行主体可以将上述用户向量输入至预先训练的全连接网络,得到新的用户向量。上述预先训练的全连接网络具有非线性能力,可以提取更多的用户特征。
步骤505,将上述词向量集合中每个词向量与上述新的用户向量进行点乘,生成分数,得到分数组。
在一些实施例中,上述执行主体可以将上述词向量集合中每个词向量分别与上述新的用户向量进行点乘。对得到的各个点乘结果,可以利用归一化方法处理,得到上述各个点乘结果的分数,组合得到分数组。这里,分数可以用于表征词向量的权重。这里,归一化方法可以用于把数据转变为[0,1]之间的小数。
步骤506,基于上述词向量集合和上述分数组,生成输入文本向量。
在一些实施例中,上述执行主体首先可以将上述词向量集合中的每个词向量在上述分数组中对应的分数作为该词向量的权重。之后,上述执行主体可以将上述词向量集合中的每个词向量与该词向量对应的权重相乘,得到相乘结果。然后,上述执行主体可以将得到的各个相乘结果相加,得到输入文本向量。
作为示例,词向量集合可以是“[A(1,2,3),B(6,9,8),C(3,4,7)]”,分数组可以是“[A-0.4,B-0.8,C-0.1]”。上述执行主体可以将上述词向量集合中每个词向量与该词向量对应的分数(权重)相乘,得到相乘结果分别为“(1,2,3)*0.4”,“(6,9,8)*0.8”和“(3,4,7)*0.1”。上述执行主体可以将得到的相乘结果相加求和,得到输入文本向量“[0.4(1,2,3)+0.8(6,9,8)+0.1(3,4,7)]”。
步骤507,将上述输入文本向量与上述新的用户向量进行点乘,得到点乘得分。
在一些实施例中,上述执行主体可以将上述输入文本向量与上述新的用户向量进行点乘,得到点乘结果。再利用归一化方法对上述点乘结果进行处理,得到上述点乘得分。
步骤508,根据所得到的点乘得分,生成用于预测用户意图的预测信息。
在一些实施例中,步骤508的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤204,在此不再赘述。
作为示例,在图6的应用场景中,计算设备101可以获取输入单词602和输入单词603。其中,获取输入单词103和输入单词104可以是对输入文本601进行分词得到的。当然,上述分词也可以是别的计算设备对输入文本601进行,然后计算设备直接拿到分词结果,输入单词602和输入单词603。之后,计算设备101可以生成输入单词602的词向量604和输入单词603的词向量605。作为示例,计算设备101可以获取用户向量607。然后,计算设备101可以将用户向量607输入预先训练的全连接网络608,得到新的用户向量609。再然后,计算设备101可以将词向量604和词向量605与上述新的用户向量609进行点乘,生成分数,得到(点乘)分数组610。之后,计算设备101可以基于词向量604、词向量605和上述(点乘)分数组610,生成输入文本向量611。再之后,计算设备101可以将输入文本向量611和上述新的用户向量609进行点乘,得到点乘得分612。最后,计算设备101可以根据所得到的点乘得分612生成预测信息613。
应该理解,图6中的计算设备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计算设备。
本公开的上述各个实施例中的一个实施例具有如下有益效果:首先,生成输入单词的词向量,得到词向量集合。将用户向量通过全连接网络可以得到优化后的新的用户向量。然后,将新的用户向量与词向量集合中的每个词向量进行点乘,得到分数组以生成输入文本向量。再将输入文本向量与新的用户向量进行点乘,可以得到点乘得分。基于与新的用户向量的两次点乘,可以提高点乘得分的准确性。最后,根据点乘得分,生成预测信息。由此,提供了一种基于用户向量和对用户向量与输入文本向量进行点乘,来预判用户的需求意图的方法,有助于减少不必要信息的弹出。可以避免对用户产生打扰,从而提高了用户体验。
继续参考图7,作为对上述各图上述方法的实现,本公开提供了一种用于生成预测信息的装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,一些实施例的用于生成预测信息的装置700包括:获取单元701、词向量生成单元702、输入文本向量生成单元703、和生成单元704。其中,获取单元701被配置成获取至少一个输入单词,其中,上述至少一个输入单词是对目标输入文本进行分词得到的;词向量生成单元702,被配置成生成至少一个输入单词中每个输入单词的词向量,得到词向量集合;输入文本向量生成单元703,被配置成基于上述词向量集合,生成输入文本向量;生成单元704,被配置成基于上述输入文本向量和用户向量,生成用于预测用户意图的预测信息。
在一些实施例的一些可选的实现方式中,用于生成预测信息的装置700的输入文本向量生成单元703进一步被配置成:将上述词向量集合中的词向量进行求和,得到上述输入文本向量。
在一些实施例的一些可选的实现方式中,用于生成预测信息的装置700的输入文本向量生成单元703进一步被配置成:获取用户向量;基于上述词向量集合,上述用户向量和注意力机制网络,得到上述输入文本向量。
在一些实施例的一些可选的实现方式中,用于生成预测信息的装置700的输入文本向量生成单元703进一步被配置成:将上述用户向量输入至预先训练的全连接网络,得到新的用户向量;将上述词向量集合与上述新的用户向量输入至上述注意力机制网络,得到上述输入文本向量。
在一些实施例的一些可选的实现方式中,用于生成预测信息的装置700的输入文本向量生成单元703进一步被配置成:将上述词向量集合中每个词向量与上述用户向量进行点乘,生成分数,得到分数组;基于上述词向量集合和上述分数组,得到上述输入文本向量。
在一些实施例的一些可选的实现方式中,用于生成预测信息的装置700的生成单元704进一步被配置成:将上述输入文本向量与上述新的用户向量进行点乘,得到点乘得分;基于上述点乘得分,生成预测信息。
在一些实施例的一些可选的实现方式中,用于生成预测信息的装置700的生成单元703进一步被配置成:将上述输入文本向量和上述用户向量输入至预先训练的预测信息生成模型,得到预测信息,其中,上述预测信息生成模型是通过训练样本集合训练得到的。
在一些实施例的一些可选的实现方式中,上述训练样本集合中的训练样本包括样本输入文本向量,样本用户向量和样本预测信息,上述预测信息生成模型是以上述样本输入文本向量和上述样本用户向量作为输入,以上述样本预测信息用于作为期望输出训练得到的。
在一些实施例的一些可选的实现方式中,上述训练样本集合是通过以下步骤进行更新:获取用户相关信息集合,其中,上述用户相关信息集合中的用户相关信息包括:输入文本向量,用户向量和预测信息,其中,上述预测信息不是通过上述预测信息生成模型进行预测得到的;基于预设比例,对上述用户相关信息集合进行数据扩增,得到扩增用户相关信息集合;将上述扩增用户相关信息集合加入上述训练样本集合,生成更新后的训练样本集合。
在一些实施例的一些可选的实现方式中,上述用户历史记录信息包括用户对弹出的图像是否进行了点击的历史操作记录信息。
在一些实施例的一些可选的实现方式中,上述根据上述用于预测用户意图的预测信息,确定是否弹出图像;响应于确定弹出图像,从图像数据库中选择出至少一个图像作为弹出图像,得到弹出图像集合;基于上述用户历史操作记录信息,对上述弹出图像集合中的弹出图像进行排序,得到弹出图像序列;从上述弹出图像序列中选择预定数目个弹出图像;将上述预定数目个弹出图像显示至目标界面上。
在一些实施例的一些可选的实现方式中,上述响应于确定弹出图像,从图像数据库中选择出至少一个图像作为弹出图像,得到弹出图像集合,包括:响应于确定弹出图像,获取上述图像数据库中每个图像的特征向量,得到特征向量集合;确定上述特征向量集合中的每个特征向量与上述输入文本向量的相关度,得到相关度集合;基于上述相关度集合,从上述图像数据库中选择出相关度大于预设阈值的图像作为弹出图像,得到弹出图像集合。
可以理解的是,该装置700中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元,在此不再赘述。
下面参考图8,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备)800的结构示意图。图8示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上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。在本公开的一些实施例中,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。而在本公开的一些实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备:获取至少一个输入单词,其中,上述至少一个输入单词是对目标输入文本进行分词得到的;生成至少一个输入单词中每个输入单词的词向量,得到词向量集合;基于上述词向量集合,生成输入文本向量;基于上述输入文本向量和用户向量,生成用于预测用户意图的预测信息。
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公开的一些实施例的操作的计算机程序代码,上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,图示了按照本公开各种实施例的系统、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。
描述于本公开的一些实施例中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:一种处理器包括获取单元、词向量生成单元、输入文本向量生成单元和生成单元。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,获取单元还可以被描述为“获取至少一个输入单词的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例,提供了一种用于生成预测的方法,包括:获取至少一个输入单词,其中,上述至少一个输入单词是对目标输入文本进行分词得到的;生成至少一个输入单词中每个输入单词的词向量,得到词向量集合;基于上述词向量集合,生成输入文本向量;基于上述输入文本向量和用户向量,生成用于预测用户意图的预测信息。
根据本公开的一个或多个实施例,上述基于上述词向量集合,生成输入文本向量,包括:将上述词向量集合中的词向量进行求和,得到上述输入文本向量。
根据本公开的一个或多个实施例,上述基于上述词向量集合,生成输入文本向量,包括:获取用户向量;基于上述词向量集合,上述用户向量和注意力机制网络,得到上述输入文本向量。
根据本公开的一个或多个实施例,上述基于上述词向量集合,上述用户向量和注意力机制网络,得到上述输入文本向量,包括:将上述用户向量输入至预先训练的全连接网络,得到新的用户向量;将上述词向量集合与上述新的用户向量输入至上述注意力机制网络,得到上述输入文本向量。
根据本公开的一个或多个实施例,上述将上述词向量集合与上述新的用户向量输入至上述注意力机制网络,得到上述输入文本向量,包括:将上述词向量集合中每个词向量与上述用户向量进行点乘,生成分数,得到分数组;基于上述词向量集合和上述分数组,生成上述输入文本向量。
根据本公开的一个或多个实施例,上述基于上述输入文本向量和用户向量,生成预测信息,包括:将上述输入文本向量与上述新的用户向量进行点乘,得到点乘得分;基于上述点乘得分,生成预测信息。
根据本公开的一个或多个实施例,上述基于上述输入文本向量和用户向量,生成预测信息,包括:将上述输入文本向量和上述用户向量输入至预先训练的预测信息生成模型,得到预测信息,其中,上述预测信息生成模型是通过训练样本集合训练得到的。
根据本公开的一个或多个实施例,上述训练样本集合中的训练样本包括样本输入文本向量,样本用户向量和样本预测信息,上述预测信息生成模型是以上述样本输入文本向量和上述样本用户向量作为输入,以上述样本预测信息用于作为期望输出训练得到的。
根据本公开的一个或多个实施例,上述训练样本集合是通过以下步骤进行更新:获取用户相关信息集合,其中,上述用户相关信息集合中的用户相关信息包括:输入文本向量,用户向量和预测信息,其中,上述预测信息不是通过上述预测信息生成模型进行预测得到的;基于预设比例,对上述用户相关信息集合进行数据扩增,得到扩增用户相关信息集合;将上述扩增用户相关信息集合加入上述训练样本集合,生成更新后的训练样本集合。
根据本公开的一个或多个实施例,上述用户历史记录信息包括用户对弹出的图像是否进行了点击的历史操作记录信息。
根据本公开的一个或多个实施例,上述方法还包括:根据上述用于预测用户意图的预测信息,确定是否弹出图像;响应于确定弹出图像,从图像数据库中选择出至少一个图像作为弹出图像,得到弹出图像集合;基于上述用户历史操作记录信息,对上述弹出图像集合中的弹出图像进行排序,得到弹出图像序列;从上述弹出图像序列中选择预定数目个弹出图像;将上述预定数目个弹出图像显示至目标界面上。
根据本公开的一个或多个实施例,上述响应于确定弹出图像,从图像数据库中选择出至少一个图像作为弹出图像,得到弹出图像集合,包括:响应于确定弹出图像,获取图像数据库中每个图像的特征向量,得到特征向量集合;确定上述特征向量集合中的每个特征向量与上述输入文本向量的相关度,得到相关度集合;基于上述相关度集合,从上述图像数据库中选择出相关度大于预设阈值的图像作为弹出图像,得到弹出图像集合。
根据本公开的一个或多个实施例,提供了一种用于生成预测信息的装置,包括:获取单元,被配置成获取至少一个输入单词,其中,上述至少一个输入单词是对目标输入文本进行分词得到的;词向量生成单元,被配置成生成至少一个输入单词中每个输入单词的词向量,得到词向量集合;输入文本向量生成单元,被配置成基于上述词向量集合,生成输入文本向量;生成单元,被配置成基于上述输入文本向量和用户向量,生成用于预测用户意图的预测信息。
根据本公开的一个或多个实施例,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上述任一实施例描述的方法。
根据本公开的一个或多个实施例,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上述任一实施例描述的方法。
以上描述仅为本公开的一些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,本公开的实施例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上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。例如上述特征与本公开的实施例中公开的(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。