CN112132628A - 一种用户意图预测方法、信息推荐方法及相关设备 - Google Patents
一种用户意图预测方法、信息推荐方法及相关设备 Download PDFInfo
- Publication number
- CN112132628A CN112132628A CN202011044166.5A CN202011044166A CN112132628A CN 112132628 A CN112132628 A CN 112132628A CN 202011044166 A CN202011044166 A CN 202011044166A CN 112132628 A CN112132628 A CN 112132628A
- Authority
- CN
- China
- Prior art keywords
- target
- user
- input data
- target user
- intention
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Machine Translation (AREA)
Abstract
本申请提供了一种用户意图预测方法、信息推荐方法及相关设备,其中,用户意图预测方法可以包括:获取目标用户的第一输入数据和第二输入数据,其中,第二输入数据为在第一输入数据之前输入的数据;基于第一输入数据,预测目标用户意图的目标;获取目标用户意图的目标所对应的需求标签集,其中,需求标签集中的每个标签为目标用户对其意图的目标的一种可能需求;基于第一输入数据、第二输入数据和需求标签集,预测目标用户对其意图的目标的需求,将预测出的目标和对该目标的需求作为目标用户的具体意图。本申请提供的用户意图预测方法可基于用户的输入数据预测出用户的具体意图。
Description
技术领域
本申请涉及自然语言处理技术领域,尤其涉及一种用户意图预测方法、信息推荐方法及相关设备。
背景技术
在某些应用场景中,需要对用户的意图进行预测,比如,在信息推荐这一应用场景中,需要根据用户数据预测出用户的意图,进而根据用户的意图筛选需要向用户推荐的信息,从而将筛选出的信息推荐给用户。然而,如何基于用户数据预测出用户的意图是当前亟需解决的问题。
发明内容
有鉴于此,本申请提供了一种用户意图预测方法、信息推荐方法及相关设备,用以实现对用户意图进行预测,以及基于预测出的用户意图实现信息推荐,其技术方案如下:
一种用户意图预测方法,包括:
获取目标用户的第一输入数据和第二输入数据,其中,所述第二输入数据为在所述第一输入数据之前输入的数据;
基于所述目标用户的第一输入数据,预测所述目标用户意图的目标;
获取所述目标用户意图的目标所对应的需求标签集,其中,所述需求标签集中的每个标签为所述目标用户对其意图的目标的一种可能需求;
基于所述目标用户的第一输入数据和第二输入数据,以及所述需求标签集,预测所述目标用户对其意图的目标的需求,将预测出的目标和对该目标的需求作为所述目标用户的具体意图。
可选的,所述获取所述目标用户意图的目标所对应的需求标签集,包括:
分别从预先构建的性能标签库和属性标签库中获取与所述目标用户意图的目标所对应的性能标签和属性标签,将由获得的性能标签组成的性能标签集以及由获得的属性标签组成的属性标签集作为所述目标用户意图的目标所对应的需求标签集;
所述基于所述目标用户的第一输入数据和第二输入数据,以及所述需求标签集,预测所述目标用户对其意图的目标的需求,包括:
基于所述目标用户的第一输入数据和第二输入数据,以及所述性能标签集和所述属性标签集,预测所述目标用户对其意图的目标的需求。
可选的,所述基于所述目标用户的第一输入数据,预测所述目标用户意图的目标,包括:
基于所述目标用户的第一输入数据,以及预先建立的意图预测模型,预测所述目标用户意图的目标;
所述基于所述目标用户的第一输入数据和第二输入数据,以及所述性能标签集和所述属性标签集,预测所述目标用户对其意图的目标的需求,包括:
基于所述目标用户的第一输入数据和第二输入数据、所述性能标签集、所述属性标签集和所述意图预测模型,预测所述目标用户对其意图的目标的需求;
其中,所述意图预测模型以训练用户的第一输入数据和第二输入数据为训练样本,以训练用户意图的目标和训练用户对其意图的目标的需求为样本标签训练得到。
可选的,所述用户意图预测方法还包括:
从预先构建的用户信息库中获取所述目标用户的用户信息,其中,所述目标用户的用户信息能够反映所述目标用户的偏好;
所述基于所述目标用户的第一输入数据和第二输入数据、所述性能标签集、所述属性标签集和所述意图预测模型,预测所述目标用户对其意图的目标的需求,包括:
基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述性能标签集、所述属性标签集和所述意图预测模型,预测所述目标用户对其意图的目标的需求。
可选的,所述基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述性能标签集、所述属性标签集和所述意图预测模型,预测所述目标用户对其意图的目标的需求,包括:
基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述意图预测模型,从所述性能标签集中确定所述目标用户关注的性能标签,并从所述目标用户的第一输入数据和第二输入数据中确定与所述属性标签集中的属性标签对应的属性信息,将确定出的性能标签和属性信息作为所述目标用户对其意图的目标的需求。
可选的,基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述意图预测模型,从所述性能标签集中确定所述目标用户关注的性能标签,包括:
针对所述性能标签集中的每个性能标签,基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述目标用户意图的目标、该性能标签和所述意图预测模型,预测所述用户是否关注该性能标签,得到在该性能标签上的预测结果;
根据在所述性能标签集中每个性能标签上的预测结果,从所述性能标签集中确定所述目标用户关注的性能标签。
可选的,所述基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述目标用户意图的目标、该性能标签和所述意图预测模型,预测所述用户是否关注该性能标签,包括:
针对将所述第一输入数据与所述第二输入数据拼接后再切分得到的每个数据段:
基于该数据段、所述目标用户的用户信息、所述目标用户意图的目标、该性能标签以及所述意图预测模型,确定参考向量和该数据段中每个字的语义表征向量,其中,所述参考向量能够同时表征所述目标用户的用户信息、所述目标用户意图的目标和该性能标签;
基于所述参考向量、该数据段中每个字的语义表征向量以及所述意图预测模型,确定该数据段中每个字对应的权重;
基于该数据段中每个字的语义表征向量、该数据段中每个字对应的权重以及所述意图预测模型,确定能够表征该数据段在该性能标签上的意图信息的向量,作为该数据段对应的目标向量;
基于该数据段对应的目标向量和所述意图预测模型,预测该数据段是否能够反映所述目标用户关注该性能标签,得到该数据段对应的预测结果;
根据每个数据段对应的预测结果确定所述目标用户是否关注该性能标签。
可选的,基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述意图预测模型,从所述目标用户的第一输入数据和第二输入数据中确定与所述属性标签集中的属性标签对应的属性信息,包括:
对于所述属性标签集中的每个属性标签,基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述目标用户意图的目标、该属性标签和所述意图预测模型,预测所述目标用户的第一输入数据和第二输入数据中的每个字是否为该属性标签对应的属性信息,得到在该属性标签上的预测结果;
根据在所述属性标签集中每个属性标签上的预测结果,获得与所述属性标签集中的属性标签对应的属性信息。
可选的,所述基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述目标用户意图的目标、该属性标签和所述意图预测模型,预测所述目标用户的第一输入数据和第二输入数据中的每个字是否为该属性标签对应的属性信息,包括:
针对将所述目标用户的第一输入数据与第二输入数据拼接后再切分得到的每个数据段:
利用所述意图预测模型在该数据段中每个字的语义表征向量中融合该数据段的全局信息和局部信息,以及该属性标签的信息,融合后得到该数据段中每个字对应的目标向量;
利用所述意图预测模型和该数据段中每个字对应的目标向量,预测该数据段中的每个字是否为该属性标签对应的属性信息。
一种信息推荐方法,包括:
采用上述任一项所述的用户意图预测方法,预测第一用户的意图;
获取与所述第一用户的意图匹配的候选推荐信息集合,其中,所述候选推荐信息集合包含至少一条候选推荐信息;
将所述候选推荐信息集合发送至第二用户客户端,以供第二用户基于所述候选推荐信息集合确定需向所述第一用户推荐的目标推荐信息。
一种用户意图预测装置,包括:数据获取模块、意图目标预测模块、需求标签集确定模块、意图需求预测模块和具体意图确定模块;
所述数据获取模块,用于获取目标用户的第一输入数据和第二输入数据,其中,所述第二输入数据为在所述第一输入数据之前输入的数据;
所述意图目标预测模块,用于基于所述目标用户的第一输入数据,预测所述目标用户意图的目标;
所述需求标签集确定模块,用于获取所述目标用户意图的目标所对应的需求标签集,其中,所述需求标签集中的每个标签为所述目标用户对其意图的目标的一种可能需求;
所述意图需求预测模块,用于基于所述目标用户的第一输入数据和第二输入数据,以及所述需求标签集,预测所述目标用户对其意图的目标的需求;
所述具体意图确定模块,用于将预测出的目标和对该目标的需求确定为所述目标用户的具体意图。
一种用户意图预测设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现上述任一项所述的用户意图预测方法的各个步骤。
一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述任一项所述的用户意图预测方法的各个步骤。
经由上述方案可知,本申请提供的用户意图预测方法,首先获取目标用户的第一输入数据和第二输入数据,然后基于第一输入数据预测目标用户意图的目标,接着获取预测出的目标对应的需求标签集,最后基于第一输入数据、第二输入数据和需求标签集,预测目标用户对其意图目标的需求,预测出的目标和需求作为目标用户的具体意图,由此可见,本申请提供的用户意图预测方法既可预测出目标用户意图的目标,又可预测出目标用户对其意图的目标的需求。在本申请提供的用户意图预测方法的基础上,本申请还提供了一种信息推荐方法,该方法可获取第一用户意图的目标以及第一用户对其意图目标的需求,在此基础上可获取候选推荐信息集合,进而可将候选推荐信息集合发送至第二用户客户端,以供第二用户基于候选推荐信息集合确定需向第一用户推荐的目标推荐信息,该信息推荐方法可将与第一用户意图匹配的信息推荐给第一用户,并且,需要推荐给第一用户的信息由第二用户推荐,这种由用户向用户进行信息推荐的方式,更容易让用户接受推荐的信息,从而能够提高信息推荐的接受度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的用户意图预测方法的流程示意图;
图2为本申请实施例提供的意图预测模型的拓扑结构的一示例的示意图;
图3为本申请实施例提供的基于目标用户的第一输入数据、第二输入数据和用户信息,以及意图预测模型,从性能标签集中确定目标用户关注的性能标签的流程示意图;
图4为本申请实施例提供的基于目标用户的第一输入数据、第二输入数据和用户信息,以及意图预测模型,从目标用户的第一输入数据和第二输入数据中确定与属性标签集中的属性标签对应的属性信息的流程示意图;
图5为本申请实施例提供的用户意图预测装置的结构示意图;
图6为本申请实施例提供的用户意图预测设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前的意图预测方案大多都只能预测出用户是否具有意图,然而,在某些场景中,预测出用户是否具有意图往往是不够的,还需要预测出用户的具体意图,为了能够实现用户具体意图的预测,本案发明人进行了深入研究,最终提出了一种效果较好的、能够预测出用户具体意图的用户意图预测方法,该方法适用于任何需要获取用户具体意图的应用场景,比如,信息推荐场景。接下来通过下述实施例对本案发明人提出的用户意图预测方法进行介绍。
第一实施例
本实施例提供了一种用户意图预测方法,请参阅图1,示出了该用户意图预测方法的流程示意图,可以包括:
步骤S101:获取目标用户的第一输入数据和第二输入数据。
其中,目标用户的第一输入数据和第二输入数据为目标用户在目标用户客户端上输入的数据,目标用户客户端可以为电视、手机、电脑等终端设备。
在本实施例中,第二输入数据为在第一输入数据之前输入的数据。可选的,第一输入数据可以为目标用户的当前输入数据,第二输入数据可以为目标用户的历史输入数据,需要说明的是,目标用户的当前输入数据可以为当前时刻的输入数据,也可以为当前时刻之前设定时间段内的输入数据。
步骤S102:基于目标用户的第一输入数据,预测目标用户意图的目标。
示例性的,目标用户的第一输入数据为目标用户通过其客户端与另一用户进行聊天时的输入数据,假设目标用户的第一输入数据为“最近想换个手机,有没有推荐的?”,则基于该第一输入数据可预测目标用户意图的目标为“手机”。
步骤S103:获取目标用户意图的目标所对应的需求标签集。
其中,需求标签集中的每个标签为目标用户对其意图的目标的一种可能需求。
具体的,可从预先构建的需求标签库中获取目标用户意图的目标所对应的需求标签集。
需要说明的是,预先构建的需求标签库中包括多种对象分别对应的需求标签,本步骤的目的在于,从多种对象分别对应的需求标签中获取目标用户意图的目标所对应的需求标签。
示例性的,预先构建的需求标签库中包括手机、电视、电脑、空调等分别对应的需求标签,假设基于目标用户的第一输入数据预测出目标用户意图的目标为手机,则从预先构建的需求标签库中获取手机对应的需求标签,组成需求标签集。
在一种可能的实现方式中,需求标签库可以包括性能标签库和属性标签库,性能标签库中包括多种对象分别对应的性能标签,属性标签库中包括多种对象分别对应的属性标签,比如,性能标签库中包括手机、电视、电脑、空调等分别对应的性能标签,属性标签库中包括手机、电视、电脑、空调等分别对应的属性标签。
需要说明的是,一对象对应的一性能标签为该对象的一种性能,一对象对应的一种属性标签为该对象的一种属性,比如,“手机”对应的性能标签有“性价比高”、“响应速度快”、“待机时间长”等,“手机”对应的属性标签有“品牌”、“型号”、“颜色”、“屏幕尺寸”等。
在需求标签库包括性能标签库和属性标签库的情况下,获取目标用户意图的目标所对应的需求标签集的过程可以包括:从预先构建的性能标签库获取目标用户意图的目标所对应的性能标签,由获得的性能标签组成性能标签集,并从预先构建的属性标签库中获取目标用户意图的目标所对应的属性标签,由获得的属性标签组成属性标签集,将获得的性能标签集和属性标签集作为目标用户意图的目标所对应的需求标签集。
步骤S104:基于目标用户的第一输入数据和第二输入数据,以及需求标签集,预测目标用户对其意图的目标的需求。
可以理解的是,当用户具有意图时,通常不只有意图的目标,往往还会有对其意图目标的需求,比如,用户意图的目标为手机,对于手机,其往往还会有具体的需求,比如,品牌、颜色、性价比、响应速度等等,有鉴于此,在预测出目标用户意图的目标后,还需进一步预测目标用户对于其意图的目标的具体需求,本实施例以目标用户的第一输入数据和第二输入数据,以及需求标签集为依据,预测目标用户对其意图的目标的需求。
将经由步骤S102预测出的、目标用户意图的目标,以及经由步骤S104预测出的、目标用户对其意图的目标的需求确定为目标用户的具体意图。
为了实现对用户意图的预测,在一种可能的实现方式中,可预先建立意图预测模型,在预测目标用户意图的目标时,基于目标用户的第一输入数据和意图预测模型,预测目标用户意图的目标,在预测目标用户对其意图的目标的需求时,可基于目标用户的第一输入数据和第二输入数据,以及需求标签集和意图预测模型,预测目标用户对其意图的目标的需求。
其中,意图预测模型以训练用户的第一输入数据和第二输入数据为训练样本,以训练用户意图的目标和训练用户对其意图的目标的需求为样本标签训练得到。
本申请实施例提供的用户意图预测方法,首先获取目标用户的第一输入数据和第二输入数据,然后基于目标用户的第一输入数据预测目标用户意图的目标,接着获取目标用户意图的目标预所对应的需求标签集,最后基于目标用户的第一输入数据和第二输入数据以及需求标签集,预测目标用户对其意图的目标的需求,预测出的目标和需求作为目标用户用户的具体意图,由此可见,本申请提供的用户意图预测方法可基于用户的输入数据预测出用户的具体意图,即用户意图的目标和用户对其意图目标的需求。
第二实施例
上述实施例提到,可“基于目标用户的第一输入数据和意图预测模型,预测目标用户意图的目标”本实施例对这一过程进行介绍。
基于目标用户的第一输入数据和意图预测模型,预测目标用户意图的目标的过程可以包括:将目标用户的第一输入数据输入意图预测模型,获得意图预测模型输出的、目标用户意图的目标分别为预先构建的对象集合中各对象的概率;将最大概率对应的对象确定为目标用户意图的目标。
需要说明的是,对于目标用户意图的目标的预测本质上为一个多分类任务,预先构建的对象集合中的每个对象为一个类别。
请参阅图2,示出了意图预测模型的拓扑结构的示意图,如图2所示,意图预测模型可以包括:意图目标预测模块201。在基于意图预测模型预测目标用户意图的目标时,将目标用户的第一输入数据输入意图预测模型的意图目标预测模块201,意图目标预测模块201根据目标用户的第一输入数据进行预测,输出目标用户意图的目标为预先构建的对象集合中各对象的概率。
示例性的,预先构建的对象集合中包括“手机”、“电视”、“电脑”、“空调”,将用户的第一输入数据输入意图目标预测模块201后,意图目标预测模块201输出目标用户意图的目标为“手机”的概率为p1,为“电视”的概率为p2,为“电脑”的概率为p3,为“空调”的概率为p4,假设p1最大,则可确定目标用户意图的目标为“手机”。
在一种可能的实现方式中,意图预测模型的意图目标预测模块201可以包括:字表征向量确定模块2011、语义表征向量确定模块2012、输入数据表征模块2013和概率确定模块2014。
在预测目标用户意图的目标时,首先将目标用户的第一输入数据输入字表征向量确定模块2011,获得第一输入数据中每个字的表征向量,然后将第一输入数据中每个字的表征向量输入语义表征向量确定模块2012,获得第一输入数据中每个字对应的、能够表征该字语义及该字部分上下文信息的语义表征向量,接着,将第一输入数据中每个字的语义表征向量输入输入数据表征模块2013,获得第一输入数据的表征向量,最后,将第一输入数据的表征向量输入概率确定模块2014,获得目标用户意图的目标为预先构建对象集合中各对象的概率。
其中,语义表征向量确定模块2012可以为双向的长短期记忆网络BiLSTM,BiLSTM用于捕获第一输入数据中每个字对应的语义及部分上下文信息,输出第一输入数据中每个字的语义表征向量;输入数据表征模块2013可以为注意力模块,注意力模块确定第一输入数据中每个字对应的权重,然后按第一输入数据中各个字分别对应的权重对各个字的语义表征向量加权求和,加权求和后向量作为第一输入数据的表征向量。
第三实施例
上述实施例提到,可“基于目标用户的第一输入数据和第二输入数据,以及需求标签集和意图预测模型,预测目标用户对其意图的目标的需求”,本实施例对该过程进行介绍。
基于目标用户的第一输入数据和第二输入数据,以及需求标签集和意图预测模型,预测目标用户对其意图的目标的需求的过程可以包括:基于目标用户的第一输入数据和第二输入数据,以及意图预测模型,从性能标签集中确定目标用户关注的性能标签,并从目标用户的第一输入数据和第二输入数据中确定与属性标签集中的属性标签对应的属性信息,将确定出的性能标签和属性信息作为目标用户对其意图的目标的需求。
示例性的,目标用户意图的目标为“手机”,性能标签集为{性价比高,时尚、待机时间长,响应速度快},属性标签集为{颜色,品牌,屏幕尺寸,价位},假设预测出目标用户关注的标签为“性价比高”和“待机时间长”,确定出的属性信息为“红色”和“华为”,则可确定目标用户对“手机”的需求为“性价比高”、“待机时间长”、颜色为“红色”、品牌为“华为”。
在预测用户对其意图的目标的需求时,考虑到用户的个人信息存在参考价值,例如,用户多次购买的商品都偏向于红色,可以推测用户偏爱的颜色为红色,再例如,在手机消费场景下,用户现在使用的手机是一款拍照手机,说明用户对手机摄像有特殊需求,用户更换手机的频率比较高,说明用户对于手机耐用性并不看重,基于此,可预先构建用户信息库,用户信息库中包括多个用户的用户信息,在对目标用户对其意图的目标的需求进行预测时,可从用户信息库中获取目标用户的用户信息,进而参考目标用户的用户信息进行需求预测。
在一种可能的实现方式中,用户信息库中可包括用户标识和用户标识所对应的用户信息,在从用户信息库中获取目标用户的用户信息时,可获取目标用户的用户标识,从用户信息库中获取目标用户的用户标识对应的用户信息,作为目标用户的用户信息。需要说明的是,用户信息库中的用户信息可不断补充和完善,以使其具有更高的参考价值。
接下来对基于目标用户的第一输入数据、第二输入数据和用户信息,以及意图预测模型,从性能标签集中确定目标用户关注的性能标签进行介绍,请参阅图3,示出了这一过程的流程示意图,可以包括:
步骤S301:针对性能标签集中的每个性能标签,基于目标用户的第一输入数据和第二输入数据、目标用户的用户信息、目标用户意图的目标、该性能标签以及意图预测模型,预测目标用户是否关注该性能标签。
针对一性能标签,在预测目标用户是否关注该性能标签时,将目标用户的第一输入数据和第二输入数据、目标用户的用户信息、目标用户意图的目标以及该性能标签作为意图预测模型的输入,利用意图预测模型预测目标用户是否关注该性能标签。
如图2所示,意图预测模型除了包括上述提及的意图目标预测模块201之外,还包括意图需求预测模块202,进一步的,意图需求预测模块202可以包括性能预测模块2021。针对一性能标签,在预测目标用户是否关注该性能标签时,可将目标用户的第一输入数据和第二输入数据、目标用户的用户信息、目标用户意图的目标以及该性能标签输入意图需求预测模块202的性能预测模块2021进行预测。
考虑到意图需求预测模块202能够处理的数据长度有限,本实施例可将第一输入数据和第二输入数据处理成多个数据段,从而针对一性能标签,基于多个数据段、目标用户的用户信息、目标用户意图的目标、该性能标签和意图预测模型,预测目标用户是否关注该性能标签。
更为具体的,针对一性能标签xc,基于多个数据段、目标用户的用户信息、目标用户意图的目标、该性能标签和意图预测模型,预测目标用户是否关注该性能标签xc的过程可以包括:
针对多个数据段中的每个数据段,执行:
步骤a1、基于该数据段、目标用户的用户信息、目标用户意图的目标、该性能标签以及意图预测模型,确定参考向量Vc和该数据段中每个字的语义表征向量。
其中,参考向量能够同时表征目标用户的用户信息、目标用户意图的目标和该性能标签xc。
如图2所示,意图预测模型的性能预测模块2021可以包括:字表征向量确定模块20211、语义表征向量确定模块20212。将该数据段中的每个字输入字表征向量确定模块20211,可得到该数据段中每个字的表征向量;将该数据段中每个字的表征向量输入语义表征向量确定模块20212,可得到该数据段中每个字对应的、能够表征该字语义及该字部分上下文信息的语义表征向量。可选的,语义表征向量确定模块20212可以为BiLSTM。
如图2所示,意图预测模型的性能预测模块2021还包括:参考向量确定模块20213。将目标用户的用户信息的表征向量、目标用户意图的目标的表征向量、该性能标签xc的表征向量输入参考向量确定模块20213,可得到同时表征目标用户的用户信息、目标用户意图的目标和该性能标签xc的参考向量。
其中,目标用户的用户信息的表征向量可通过编码器对目标用户的用户信息进行编码得到,同样的,目标用户意图的目标的表征向量可通过编码器对目标用户意图的目标进行编码得到,性能标签xc的表征向量可通过编码器对性能标签xc进行编码得到。
可选的,参考向量确定模块20213可以包括向量串联模块和向量融合模块,向量串联模块将目标用户的用户信息的表征向量、目标用户意图的目标的表征向量和该性能标签xc的表征向量串联起来,向量融合模块将串联后向量进行融合,可选的,向量融合模块可以为全连接网络。
步骤a2、基于参考向量Vc、该数据段中每个字的语义表征向量以及意图预测模型,确定该数据段中每个字对应的权重,并基于该数据段中每个字对应的权重、该数据段中每个字的语义表征向量以及意图预测模型,确定能够表征该数据段在该性能标签xc上的意图信息的向量,作为该数据段对应的目标向量Hc。
其中,该数据段中一个字对应的权重能够表征该字与该性能标签xc的相关度。
如图2所示,意图预测模型的性能预测模块2021还包括:目标向量确定模块20214,具体的,目标向量确定模块20214可以为注意力模块。将参考向量Vc和该数据段中每个字的语义表征向量输入目标向量确定模块20214,目标向量确定模块20214先根据参考向量xc和该数据段中每个字的语义表征向量确定该数据段中每个字对应的权重,然后按该数据段中各个字分别对应的权重对该数据段中各个字的语义表征向量加权求和,加权求和后向量作为该数据段对应的目标向量。
具体的,目标向量确定模块20214(即注意力模块)可按下式(1)确定该数据段中各个字分别对应的权重,按下式(2)确定该数据段对应的目标向量:
其中,αi为该数据段中第i个字对应的权重,Vc即为为能够同时表征目标用户的用户信息、目标用户意图的目标和该性能标签xc的参考向量,hi为该数据段中第i个字的语义表征向量,Hc为该数据段对应的目标向量,其能够表征该数据段关于性能标签xc的意图信息。
步骤a4、基于该数据段对应的目标向量Hc和意图预测模型,预测该数据段是否能够反映用户关注该性能标签,得到该数据段对应的预测结果。
如图2所示,意图预测模型的性能预测模块2021还包括:概率确定模块20214。将该数据段对应的目标向量Hc输入概率确定模块20214,概率确定模块20214可输出该数据段能够反映目标用户关注该性能标签xc的概率,以及该数据段不能够反映目标用户关注该性能标签xc的概率,进而可基于概率确定模块20214输出的概率确定该数据段是否能够反映目标用户关注该性能标签。可选的,概率确定模块20214可以为softmax层。
经由上述过程可获得多个数据段分别对应的预测结果,进而可根据多个数据段分别对应的预测结果确定用户是否关注该性能标签xc。可选的,若多个数据段中有至少一个数据段能够反映目标用户关注该性能标签xc,则可确定目标用户关注该性能标签xc。
经由步骤S301,可获得在性能标签集中每个性能标签上的预测结果。
步骤S302:根据在性能标签集中每个性能标签上的预测结果,从性能标签集中确定用户关注的性能标签。
示例性的,性能标签集中的性能标签包括x1、x2、x3、x4、x5、x6、x7、x8,假设经由步骤S301预测出目标用户关注x1、不关注x2、关注x3、关注x4、不关注x5、不关注x6、关注x7、关注x8,则可确定性能标签集中用户关注的性能标签为x1、x3、x4、x7、x8。
接下来对基于目标用户的第一输入数据、第二输入数据和用户信息,以及意图预测模型,从目标用户的第一输入数据和第二输入数据中确定与属性标签集中的属性标签对应的属性信息进行介绍,请参阅图4,示出了这一过程的流程示意,可以包括:
步骤S401:对于属性标签集中的每个属性标签,基于目标用户的第一输入数据和第二输入数据、目标用户的用户信息、目标用户意图的目标、该属性标签以及意图预测模型,预测目标用户的第一输入数据和第二输入数据中的每个字是否为该属性标签对应的属性信息,得到在该属性标签上的预测结果。
具体的,针对一属性标签xp,基于目标用户的第一输入数据和第二输入数据、目标用户的用户信息、目标用户意图的目标、该属性标签xp以及意图预测模型,预测目标用户的第一输入数据和第二输入数据中的每个字是否为该属性标签xp对应的属性信息的过程可以包括:针对将第一输入数据与第二输入数据串接后再切分得到的多个数据段中的每个数据段,执行:
步骤b1、利用意图预测模型在该数据段中每个字的语义表征向量中融合该数据段的全局信息和局部信息,以及该属性标签xp的信息,融合后得到该数据段中每个字对应的目标向量。
如图2所示,意图预测模型的意图需求预测模块202除了包括上述的性能预测模块2021外,还包括属性预测模块2022。具体的,属性预测模块2022可以包括:参考向量确定模块20221、自注意力模块20222、信息融合模块20223和特征提取模块20224。
将目标用户的用户信息的表征向量、目标用户意图的目标的表征向量、该属性标签xp的表征向量输入参考向量确定模块20221,可得到同时表征目标用户的用户信息、目标用户意图的目标和该属性标签xp的参考向量Vp。
其中,属性标签xp的表征向量可通过编码器对属性标签xp进行编码得到。可选的,参考向量确定模块20221可以包括向量串联模块和向量融合模块,向量串联模块将目标用户的用户信息的表征向量、目标用户意图的目标的表征向量和属性标签xp的表征向量串联起来,向量融合模块将串联后向量进行融合,可选的,向量融合模块可以为全连接网络。
本步骤共享语义表征向量确定模块20212输出的、该数据段中每个字的语义表征向量,将该数据段中每个字的语义表征向量输入自注意力模块20221,获得该数据段中每个字对应的第一向量,其中,一个字对应的第一向量能够表征该字的语义信息和该数据段的全局信息。具体的,自注意力模块20221基于下式确定该数据段中每个字对应的第一向量:
其中,H=[h1,h2,...,hT],H中的h1为该数据段中第1个字的语义表征向量,h2为该数据段中第2个字的语义表征向量,其它以此类,H∈RT×k,k表示语义表征向量确定模块20212的隐藏层维度,Hnew为该数据段中各个字分别对应的第一向量组成的矩阵。
在获得参考向量确定模块20221输出的参考向量Vp和自注意力模块20221输出的该数据段中每个字对应的第一向量后,将参考向量Vp和该数据段中每个字对应的第一向量输入信息融合模块20223,信息融合模块20223将参考向量Vp与该数据段中每个字对应的第一向量融合,融合后得到该数据段中每个字对应的第二向量,其中,一个字对应的第二向量相比于其对应的第一向量,增加了属性标签xp的信息,该数据段中第i个字对应的第二向量可以表示为:
在获得该数据段中每个字对应的第二向量后,针对每个字,将字对应的第二向量、该字的前m个字分别对应的第二向量以及该字的后m个字分别对应的第二向量输入特征提取模块20224,特征提取模块20224确定该数据段中每个字对应的目标向量,其中,一个字对应的目标向量相比于其对应的第二向量,增加了该数据段的局部信息。可选的,特征提取模块20224可以为卷积神经网络(Convolutional Neural Network)CNN,CNN可根据下式确定该数据段中每个字对应的目标向量
其中,表示该数据段中第i-m到第i+m个字分别对应的第二向量的串接向量,m是与CNN的滑动窗口的窗口长度相关的参数,Wc表示卷积操作的变换矩阵。通过CNN的卷积操作,可以充分抽取第i个字附近的局部信息。
通过自注意力模块20222、信息融合模块20223和特征提取模块20224的操作,针对该数据段中的每个字,都充分捕捉了该数据段的全局信息和局部信息,并融合了属性标签xp的信息。
步骤b2、利用意图预测模型和该数据段中每个字对应的目标向量,预测该数据段中的每个字是否为该属性标签对应的属性信息。
属性预测模块2022还包括属性信息确定模块20225。该数据段中每个字对应的目标向量输入属性信息确定模块20225,属性信息确定模块20225确定该数据段中的每个字是否为该属性标签对应的属性信息。本实施例中确定该数据段中的每个字是否为该属性标签对应的属性信息的过程本质上可看作序列标注任务,基于此,属性信息确定模块20225可以为CRF层。
本实施例可使用4种序列标签为属性标签对应的属性信息打标签,4种序列标签分别为B(关键词开始位置)、I(关键词中间位置)、E(关键词结束位置)、O(无关字),如图2中的“红色”为“颜色”这一属性标签对应的属性信息,因此,为“红”打上标签“B”,为“色”打上标签“E”,与“颜色”这一属性标签无关的字均打上标签“O”。
步骤S402:根据在属性标签集中每个属性标签上的预测结果,获得与属性标签集中的属性标签对应的属性信息。
如图2所示,针对“颜色”这一属性标签,输入数据中的“红”上打上标签“B”,“色”上打上标签“E”,因此“红色”为“颜色”这一属性标签对应的属性信息。
经由上述过程可预测出性能标签集中目标用户关注的性能标签,以及属性标签集中属性标签对应的属性信息,预测出的性能标签和属性信息即为目标用户对其意图的目标的需求。
经由上述第二实施例可预测出目标用户意图的目标,经由本实施例可确定出目标用户对其意图的目标的需求,从而可得到目标用户的具体意图。
第四实施例
在上述实施例的基础上,本实施例提供了一种信息推荐方法,该方法可以包括:
步骤c1、按上述实施例提供的用户意图预测方法,预测第一用户的意图。
步骤c2、获取与第一用户的意图匹配的候选推荐信息集合。
其中,候选推荐信息集合包含至少一条候选推荐信息。
在获得第一用户的意图后,可根据第一用户的意图,在相关数据库检索匹配的候选推荐信息。
步骤c3、将候选推荐信息集合发送至第二用户客户端,以供第二用户基于候选推荐信息集合确定需向第一用户推荐的目标推荐信息。
其中,第二用户可以是不同于第一用户的任意一个或多个用户。当然,第二用户也可以是与第一用户具备关联关系的用户,当然,较优的情况下,第二用户是与第一用户具备正向关系的用户,该正向关系为能够提高信息推荐接受度的用户间关系。
具体地,第二用户客户端在收到候选推荐信息集合时,可以通过显示组件向第二用户展示候选推荐信息集合。第二用户可以通过第二用户客户端对候选推荐信息集合进行操作,得到目标推荐信息,该目标推荐信息为待向第一用户推荐的信息。第二用户在得到目标推荐信息时,通过第二用户客户端,将目标推荐信息发送给第一用户客户端。
本实施例提供的信息推荐方法,可获取第一用户意图的目标以及第一用户对其意图目标的需求,在此基础上可获取候选推荐信息集合,进而可将候选推荐信息集合发送至第二用户客户端,以供第二用户基于候选推荐信息集合确定需向第一用户推荐的目标推荐信息,该信息推荐方法可将与第一用户意图匹配的信息推荐给第一用户,并且,需要推荐给第一用户的信息由第二用户推荐,这种由用户向用户进行信息推荐的方式,更容易让用户接受推荐的信息,从而能够提高信息推荐的接受度。
第五实施例
本实施例提供了一种用户意图预测装置,下面对本实施例提供的用户意图预测装置进行描述,下文描述的用户意图预测装置与上文描述的用户意图预测方法可相互对应参照。
请参阅图5,示出了本实施例提供的用户意图预测装置的结构示意图,可以包括:数据获取模块501、意图目标预测模块502、需求标签集确定模块503、意图需求预测模块504和具体意图确定模块505。
数据获取模块501,用于获取目标用户的第一输入数据和第二输入数据,其中,所述第二输入数据为在所述第一输入数据之前输入的数据。
意图目标预测模块502,用于基于所述目标用户的第一输入数据,预测所述目标用户意图的目标。
需求标签集确定模块503,用于获取所述目标用户意图的目标所对应的需求标签集。其中,所述需求标签集中的每个标签为所述目标用户对其意图的目标的一种可能需求。
意图需求预测模块504,用于基于所述目标用户的第一输入数据和第二输入数据,以及所述需求标签集,预测所述目标用户对其意图的目标的需求;
具体意图确定模块505,用于将预测出的目标和对该目标的需求确定为所述目标用户的具体意图。
可选的,需求标签集确定模块503,具体用于分别从预先构建的性能标签库和属性标签库中获取与所述目标用户意图的目标所对应的性能标签和属性标签,将由获得的性能标签组成的性能标签集以及由获得的属性标签组成的属性标签集作为所述目标用户意图的目标所对应的需求标签集。
意图需求预测模块504,具体用于基于所述目标用户的第一输入数据和第二输入数据,以及所述性能标签集和所述属性标签集,预测所述目标用户对其意图的目标的需求。
可选的,意图目标预测模块502,具体用于基于所述目标用户的第一输入数据,以及预先建立的意图预测模型,预测所述目标用户意图的目标。
意图需求预测模块504,具体用于基于所述目标用户的第一输入数据和第二输入数据、所述性能标签集、所述属性标签集和所述意图预测模型,预测所述目标用户对其意图的目标的需求。
其中,所述意图预测模型以训练用户的第一输入数据和第二输入数据为训练样本,以训练用户意图的目标和训练用户对其意图的目标的需求为样本标签训练得到。
可选的,本实施例提供的用户意图预测装置还可以包括:用户信息获取模块。
所述用户信息获取模块,用于从预先构建的用户信息库中获取所述目标用户的用户信息。其中,所述目标用户的用户信息能够反映所述目标用户的偏好。
意图需求预测模块504,具体用于基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述性能标签集、所述属性标签集和所述意图预测模型,预测所述目标用户对其意图的目标的需求。
可选的,意图需求预测模块504,具体用于基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述意图预测模型,从所述性能标签集中确定所述目标用户关注的性能标签,并从所述目标用户的第一输入数据和第二输入数据中确定与所述属性标签集中的属性标签对应的属性信息,将确定出的性能标签和属性信息作为所述目标用户对其意图的目标的需求。
可选的,意图需求预测模块504在基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述意图预测模型,从所述性能标签集中确定所述目标用户关注的性能标签时,具体用于针对所述性能标签集中的每个性能标签,基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述目标用户意图的目标、该性能标签和所述意图预测模型,预测所述用户是否关注该性能标签,得到在该性能标签上的预测结果,根据在所述性能标签集中每个性能标签上的预测结果,从所述性能标签集中确定所述目标用户关注的性能标签。
可选的,意图需求预测模块504在基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述目标用户意图的目标、该性能标签和所述意图预测模型,预测所述用户是否关注该性能标签时,具体用于针对将所述第一输入数据与所述第二输入数据拼接后再切分得到的每个数据段:
基于该数据段、所述目标用户的用户信息、所述目标用户意图的目标、该性能标签以及所述意图预测模型,确定参考向量和该数据段中每个字的语义表征向量,其中,所述参考向量能够同时表征所述目标用户的用户信息、所述目标用户意图的目标和该性能标签;基于所述参考向量、该数据段中每个字的语义表征向量以及所述意图预测模型,确定该数据段中每个字对应的权重;基于该数据段中每个字的语义表征向量、该数据段中每个字对应的权重以及所述意图预测模型,确定能够表征该数据段在该性能标签上的意图信息的向量,作为该数据段对应的目标向量;基于该数据段对应的目标向量和所述意图预测模型,预测该数据段是否能够反映所述目标用户关注该性能标签,得到该数据段对应的预测结果;根据每个数据段对应的预测结果确定所述目标用户是否关注该性能标签。
可选的,意图需求预测模块504在基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述意图预测模型,从所述目标用户的第一输入数据和第二输入数据中确定与所述属性标签集中的属性标签对应的属性信息时,具体用于对于所述属性标签集中的每个属性标签,基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述目标用户意图的目标、该属性标签和所述意图预测模型,预测所述目标用户的第一输入数据和第二输入数据中的每个字是否为该属性标签对应的属性信息,得到在该属性标签上的预测结果,以及根据在所述属性标签集中每个属性标签上的预测结果,获得与所述属性标签集中的属性标签对应的属性信息。
可选的,意图需求预测模块504在基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述目标用户意图的目标、该属性标签和所述意图预测模型,预测所述目标用户的第一输入数据和第二输入数据中的每个字是否为该属性标签对应的属性信息时,具体用于针对将所述目标用户的第一输入数据与第二输入数据拼接后再切分得到的每个数据段:
利用所述意图预测模型在该数据段中每个字的语义表征向量中融合该数据段的全局信息和局部信息,以及该属性标签的信息,融合后得到该数据段中每个字对应的目标向量;利用所述意图预测模型和该数据段中每个字对应的目标向量,预测该数据段中的每个字是否为该属性标签对应的属性信息。
本实施例提供的用户意图预测装置可基于用户的输入数据预测出用户的具体意图,即用户意图的目标和用户对其意图目标的需求。
第六实施例
本申请实施例还提供了一种用户意图预测设备,请参阅图6,示出了该用户意图预测设备的结构示意图,该用户意图预测设备可以包括:至少一个处理器601,至少一个通信接口602,至少一个存储器603和至少一个通信总线604;
在本申请实施例中,处理器601、通信接口602、存储器603、通信总线604的数量为至少一个,且处理器601、通信接口602、存储器603通过通信总线604完成相互间的通信;
处理器601可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器603可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
获取目标用户的第一输入数据和第二输入数据,其中,所述第二输入数据为在所述第一输入数据之前输入的数据;
基于所述目标用户的第一输入数据,预测所述目标用户意图的目标;
获取所述目标用户意图的目标所对应的需求标签集,其中,所述需求标签集中的每个标签为所述目标用户对其意图的目标的一种可能需求;
基于所述目标用户的第一输入数据和第二输入数据,以及所述需求标签集,预测所述目标用户对其意图的目标的需求,将预测出的目标和对该目标的需求作为所述目标用户的具体意图。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
第七实施例
本申请实施例还提供一种可读存储介质,该可读存储介质可存储有适于处理器执行的程序,所述程序用于:
获取目标用户的第一输入数据和第二输入数据,其中,所述第二输入数据为在所述第一输入数据之前输入的数据;
基于所述目标用户的第一输入数据,预测所述目标用户意图的目标;
获取所述目标用户意图的目标所对应的需求标签集,其中,所述需求标签集中的每个标签为所述目标用户对其意图的目标的一种可能需求;
基于所述目标用户的第一输入数据和第二输入数据,以及所述需求标签集,预测所述目标用户对其意图的目标的需求,将预测出的目标和对该目标的需求作为所述目标用户的具体意图。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种用户意图预测方法,其特征在于,包括:
获取目标用户的第一输入数据和第二输入数据,其中,所述第二输入数据为在所述第一输入数据之前输入的数据;
基于所述目标用户的第一输入数据,预测所述目标用户意图的目标;
获取所述目标用户意图的目标所对应的需求标签集,其中,所述需求标签集中的每个标签为所述目标用户对其意图的目标的一种可能需求;
基于所述目标用户的第一输入数据和第二输入数据,以及所述需求标签集,预测所述目标用户对其意图的目标的需求,将预测出的目标和对该目标的需求作为所述目标用户的具体意图。
2.根据权利要求1所述的用户意图预测方法,其特征在于,所述获取所述目标用户意图的目标所对应的需求标签集,包括:
分别从预先构建的性能标签库和属性标签库中获取与所述目标用户意图的目标所对应的性能标签和属性标签,将由获得的性能标签组成的性能标签集以及由获得的属性标签组成的属性标签集作为所述目标用户意图的目标所对应的需求标签集;
所述基于所述目标用户的第一输入数据和第二输入数据,以及所述需求标签集,预测所述目标用户对其意图的目标的需求,包括:
基于所述目标用户的第一输入数据和第二输入数据,以及所述性能标签集和所述属性标签集,预测所述目标用户对其意图的目标的需求。
3.根据权利要求2所述的用户意图预测方法,其特征在于,所述基于所述目标用户的第一输入数据,预测所述目标用户意图的目标,包括:
基于所述目标用户的第一输入数据,以及预先建立的意图预测模型,预测所述目标用户意图的目标;
所述基于所述目标用户的第一输入数据和第二输入数据,以及所述性能标签集和所述属性标签集,预测所述目标用户对其意图的目标的需求,包括:
基于所述目标用户的第一输入数据和第二输入数据、所述性能标签集、所述属性标签集和所述意图预测模型,预测所述目标用户对其意图的目标的需求;
其中,所述意图预测模型以训练用户的第一输入数据和第二输入数据为训练样本,以训练用户意图的目标和训练用户对其意图的目标的需求为样本标签训练得到。
4.根据权利要求3所述的用户意图预测方法,其特征在于,还包括:
从预先构建的用户信息库中获取所述目标用户的用户信息,其中,所述目标用户的用户信息能够反映所述目标用户的偏好;
所述基于所述目标用户的第一输入数据和第二输入数据、所述性能标签集、所述属性标签集和所述意图预测模型,预测所述目标用户对其意图的目标的需求,包括:
基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述性能标签集、所述属性标签集和所述意图预测模型,预测所述目标用户对其意图的目标的需求。
5.根据权利要求4所述的用户意图预测方法,其特征在于,所述基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述性能标签集、所述属性标签集和所述意图预测模型,预测所述目标用户对其意图的目标的需求,包括:
基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述意图预测模型,从所述性能标签集中确定所述目标用户关注的性能标签,并从所述目标用户的第一输入数据和第二输入数据中确定与所述属性标签集中的属性标签对应的属性信息,将确定出的性能标签和属性信息作为所述目标用户对其意图的目标的需求。
6.根据权利要求5所述的用户意图预测方法,其特征在于,基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述意图预测模型,从所述性能标签集中确定所述目标用户关注的性能标签,包括:
针对所述性能标签集中的每个性能标签,基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述目标用户意图的目标、该性能标签和所述意图预测模型,预测所述用户是否关注该性能标签,得到在该性能标签上的预测结果;
根据在所述性能标签集中每个性能标签上的预测结果,从所述性能标签集中确定所述目标用户关注的性能标签。
7.根据权利要求6所述的用户意图预测方法,其特征在于,所述基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述目标用户意图的目标、该性能标签和所述意图预测模型,预测所述用户是否关注该性能标签,包括:
针对将所述第一输入数据与所述第二输入数据拼接后再切分得到的每个数据段:
基于该数据段、所述目标用户的用户信息、所述目标用户意图的目标、该性能标签以及所述意图预测模型,确定参考向量和该数据段中每个字的语义表征向量,其中,所述参考向量能够同时表征所述目标用户的用户信息、所述目标用户意图的目标和该性能标签;
基于所述参考向量、该数据段中每个字的语义表征向量以及所述意图预测模型,确定该数据段中每个字对应的权重;
基于该数据段中每个字的语义表征向量、该数据段中每个字对应的权重以及所述意图预测模型,确定能够表征该数据段在该性能标签上的意图信息的向量,作为该数据段对应的目标向量;
基于该数据段对应的目标向量和所述意图预测模型,预测该数据段是否能够反映所述目标用户关注该性能标签,得到该数据段对应的预测结果;
根据每个数据段对应的预测结果确定所述目标用户是否关注该性能标签。
8.权利要求5所述的用户意图预测方法,其特征在于,基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述意图预测模型,从所述目标用户的第一输入数据和第二输入数据中确定与所述属性标签集中的属性标签对应的属性信息,包括:
对于所述属性标签集中的每个属性标签,基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述目标用户意图的目标、该属性标签和所述意图预测模型,预测所述目标用户的第一输入数据和第二输入数据中的每个字是否为该属性标签对应的属性信息,得到在该属性标签上的预测结果;
根据在所述属性标签集中每个属性标签上的预测结果,获得与所述属性标签集中的属性标签对应的属性信息。
9.根据权利要求8所述的用户意图预测方法,其特征在于,所述基于所述目标用户的第一输入数据、第二输入数据和用户信息,以及所述目标用户意图的目标、该属性标签和所述意图预测模型,预测所述目标用户的第一输入数据和第二输入数据中的每个字是否为该属性标签对应的属性信息,包括:
针对将所述目标用户的第一输入数据与第二输入数据拼接后再切分得到的每个数据段:
利用所述意图预测模型在该数据段中每个字的语义表征向量中融合该数据段的全局信息和局部信息,以及该属性标签的信息,融合后得到该数据段中每个字对应的目标向量;
利用所述意图预测模型和该数据段中每个字对应的目标向量,预测该数据段中的每个字是否为该属性标签对应的属性信息。
10.一种信息推荐方法,其特征在于,包括:
采用如权利要求1~9中任一项所述的用户意图预测方法,预测第一用户的意图;
获取与所述第一用户的意图匹配的候选推荐信息集合,其中,所述候选推荐信息集合包含至少一条候选推荐信息;
将所述候选推荐信息集合发送至第二用户客户端,以供第二用户基于所述候选推荐信息集合确定需向所述第一用户推荐的目标推荐信息。
11.一种用户意图预测装置,其特征在于,包括:数据获取模块、意图目标预测模块、需求标签集确定模块、意图需求预测模块和具体意图确定模块;
所述数据获取模块,用于获取目标用户的第一输入数据和第二输入数据,其中,所述第二输入数据为在所述第一输入数据之前输入的数据;
所述意图目标预测模块,用于基于所述目标用户的第一输入数据,预测所述目标用户意图的目标;
所述需求标签集确定模块,用于获取所述目标用户意图的目标所对应的需求标签集,其中,所述需求标签集中的每个标签为所述目标用户对其意图的目标的一种可能需求;
所述意图需求预测模块,用于基于所述目标用户的第一输入数据和第二输入数据,以及所述需求标签集,预测所述目标用户对其意图的目标的需求;
所述具体意图确定模块,用于将预测出的目标和对该目标的需求确定为所述目标用户的具体意图。
12.一种用户意图预测设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1~9中任一项所述的用户意图预测方法的各个步骤。
13.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1~9中任一项所述的用户意图预测方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011044166.5A CN112132628A (zh) | 2020-09-28 | 2020-09-28 | 一种用户意图预测方法、信息推荐方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011044166.5A CN112132628A (zh) | 2020-09-28 | 2020-09-28 | 一种用户意图预测方法、信息推荐方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132628A true CN112132628A (zh) | 2020-12-25 |
Family
ID=73844388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011044166.5A Pending CN112132628A (zh) | 2020-09-28 | 2020-09-28 | 一种用户意图预测方法、信息推荐方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132628A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298321A (zh) * | 2021-06-22 | 2021-08-24 | 深圳市查策网络信息技术有限公司 | 一种基于多数据融合的用户意图预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090037355A1 (en) * | 2004-12-29 | 2009-02-05 | Scott Brave | Method and Apparatus for Context-Based Content Recommendation |
CN103886081A (zh) * | 2014-03-26 | 2014-06-25 | 海信集团有限公司 | 一种信息发送方法及系统 |
WO2017107457A1 (zh) * | 2015-12-25 | 2017-06-29 | 乐视控股(北京)有限公司 | 查询推荐方法及装置 |
CN108446410A (zh) * | 2018-05-29 | 2018-08-24 | 科大讯飞股份有限公司 | 信息推荐方法、装置、系统、设备及可读存储介质 |
JP2019144639A (ja) * | 2018-02-16 | 2019-08-29 | 株式会社日立製作所 | 画像に対応するタグセットを表すベクトルを出力するモデルを訓練する方法 |
CN111061979A (zh) * | 2018-10-17 | 2020-04-24 | 北京字节跳动网络技术有限公司 | 一种用户标签的推送方法、装置、电子设备和介质 |
CN111428027A (zh) * | 2020-02-26 | 2020-07-17 | 中国平安财产保险股份有限公司 | 查询意图确定方法及相关装置 |
-
2020
- 2020-09-28 CN CN202011044166.5A patent/CN112132628A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090037355A1 (en) * | 2004-12-29 | 2009-02-05 | Scott Brave | Method and Apparatus for Context-Based Content Recommendation |
CN103886081A (zh) * | 2014-03-26 | 2014-06-25 | 海信集团有限公司 | 一种信息发送方法及系统 |
WO2017107457A1 (zh) * | 2015-12-25 | 2017-06-29 | 乐视控股(北京)有限公司 | 查询推荐方法及装置 |
JP2019144639A (ja) * | 2018-02-16 | 2019-08-29 | 株式会社日立製作所 | 画像に対応するタグセットを表すベクトルを出力するモデルを訓練する方法 |
CN108446410A (zh) * | 2018-05-29 | 2018-08-24 | 科大讯飞股份有限公司 | 信息推荐方法、装置、系统、设备及可读存储介质 |
CN111061979A (zh) * | 2018-10-17 | 2020-04-24 | 北京字节跳动网络技术有限公司 | 一种用户标签的推送方法、装置、电子设备和介质 |
CN111428027A (zh) * | 2020-02-26 | 2020-07-17 | 中国平安财产保险股份有限公司 | 查询意图确定方法及相关装置 |
Non-Patent Citations (4)
Title |
---|
XUCHEN ZHANG;DAIZONG DING;CHUDI HUANG: "A User Intention Modeling Algorithm for Friend Recommendation", PROCEEDINGS OF 2017 IEEE 2ND INTERNATIONAL CONFERENCE ON BIG DATA ANALYSIS(ICBDA; 2017), pages 789 - 795 * |
何明;要凯升;杨;张久伶;: "基于标签信息特征相似性的协同过滤个性化推荐", 计算机科学, no. 1, pages 428 - 435 * |
操雅琴,郭伏,屈庆星: "基于多模式测量的网站用户行为意图预测模型", 东北大学学报( 自然科学版), vol. 35, no. 11, pages 1669 - 1672 * |
涂金龙;涂风华;: "一种综合标签和时间因素的个性化推荐方法", 计算机应用研究, no. 04, pages 90 - 93 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298321A (zh) * | 2021-06-22 | 2021-08-24 | 深圳市查策网络信息技术有限公司 | 一种基于多数据融合的用户意图预测方法 |
CN113298321B (zh) * | 2021-06-22 | 2022-03-11 | 深圳市查策网络信息技术有限公司 | 一种基于多数据融合的用户意图预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110489639B (zh) | 一种内容推荐方法及装置 | |
WO2021088510A1 (zh) | 视频分类方法、装置、计算机以及可读存储介质 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN113392236A (zh) | 一种数据分类方法、计算机设备及可读存储介质 | |
CN112100504B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN110399473B (zh) | 为用户问题确定答案的方法和装置 | |
CN112364204A (zh) | 视频搜索方法、装置、计算机设备及存储介质 | |
CN110990598B (zh) | 资源检索方法、装置、电子设备及计算机可读存储介质 | |
CN110597965B (zh) | 文章的情感极性分析方法、装置、电子设备及存储介质 | |
CN111639988A (zh) | 经纪人推荐方法、装置、电子设备和存储介质 | |
CN112528029A (zh) | 文本分类模型处理方法、装置、计算机设备及存储介质 | |
CN112364184A (zh) | 多媒体数据的排序方法、装置、服务器及存储介质 | |
CN113220974B (zh) | 点击率预测模型训练、搜索召回方法、装置、设备及介质 | |
CN114780753A (zh) | 基于知识图谱的对话推荐方法、装置、设备及存储介质 | |
CN112132628A (zh) | 一种用户意图预测方法、信息推荐方法及相关设备 | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN113205189B (zh) | 训练预测模型的方法、预测方法及装置 | |
CN114387066A (zh) | 商品信息传输方法、系统、电子设备和存储介质 | |
CN113722584A (zh) | 任务推送方法、装置及存储介质 | |
CN110879863B (zh) | 跨领域搜索方法和跨领域搜索装置 | |
CN113535940A (zh) | 事件摘要生成方法、装置及电子设备 | |
CN116911912B (zh) | 一种交互对象和交互结果的预测方法及装置 | |
CN116911304B (zh) | 一种文本推荐方法及装置 | |
CN113965803B (zh) | 视频数据处理方法、装置、电子设备、存储介质 | |
CN117938951B (zh) | 信息推送方法、装置、计算机设备和存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230504 Address after: 230026 Jinzhai Road, Baohe District, Hefei, Anhui Province, No. 96 Applicant after: University of Science and Technology of China Applicant after: IFLYTEK Co.,Ltd. Address before: NO.666, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province Applicant before: IFLYTEK Co.,Ltd. |