CN112905777B - 一种扩展问推荐方法、装置、电子设备及存储介质 - Google Patents
一种扩展问推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112905777B CN112905777B CN202110296823.3A CN202110296823A CN112905777B CN 112905777 B CN112905777 B CN 112905777B CN 202110296823 A CN202110296823 A CN 202110296823A CN 112905777 B CN112905777 B CN 112905777B
- Authority
- CN
- China
- Prior art keywords
- question
- head
- expanded
- attention model
- word
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 239000013598 vector Substances 0.000 claims description 56
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 14
- 230000011218 segmentation Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000013519 translation Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 230000010485 coping Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开了一种扩展问推荐方法、装置、电子设备及存储介质,涉及人工智能技术领域,进一步涉及自然语言处理、云计算领域,尤其涉及信息推荐技术。具体实现方案为:接收用户发送的待扩展提问,并将待扩展提问进行切分,得到待扩展提问对应的至少一个分词;将待扩展提问对应的至少一个分词输入至预先训练好的多头注意力模型中,得到多头注意力模型输出的待扩展提问对应的至少一个扩展提问;将待扩展提问对应的至少一个扩展提问推荐给用户。本申请实施例能够极大地丰富推荐内容,提升扩展提问的多样性,而且还可以提高推荐效率,达到更好的扩展问推荐效果。
Description
技术领域
本公开涉及人工智能技术领域,进一步涉及信息推荐技术,尤其涉及一种扩展问推荐方法、装置、电子设备及存储介质。
背景技术
在自然语言处理中,很多任务需要大量的相似语义的句子,这些句子具有同样或者类似的语义,但是表达的形式不同。例如,在智能客服产品的运营工具中,企业用户可以收集到客户小规模的标注数据,当使用这部分小规模的标注数据训练意图或者态度情感的模型时,需要对这部分数据进行扩展。因此,高效智能的推荐问扩展问推荐算法是一个很迫切的需求。
在现有技术中,扩展问推荐方法主要包括以下两种:人工的方法和自动化的方法;其中,人工的方法是最为传统的方法,该方法通过标注人员对客户提供的提问进行人工扩展,转换句子的表达形式,从而得到与该提问相似语义的句子。此外,自动化的方法是通过自动化的方式对客户提供的提问进行扩展,得到与该提问相似语义的句子。
进一步地,自动化的可以包括:基于同义词的方法、基于检索的方法和基于翻译模型的方法。上述方法分别存在以下技术问题:1)基于人工的方法,提问质量不能保证,而且人工进行标注的成本过高且效率低下,不能够满足大规模的扩展问推荐。2)基于同义词的方法只能改变词语的表达,不能够改变句子的表现形式,形式较为呆板。3)基于检索的方法只能在语料库中选择和提问相近的句子进行推荐,而且产生推荐问的水平会受限于语料库的质量。4)基于翻译模型的方法同样不具备多样性,形式不够丰富。
发明内容
本申请提供了一种扩展问推荐方法、装置、电子设备及存储介质,能够极大地丰富推荐内容,提升扩展提问的多样性,而且还可以提高推荐效率,达到更好的扩展问推荐效果。
根据本申请的第一方面,提供了一种扩展问推荐方法,所述方法包括:
接收用户发送的待扩展提问,并将所述待扩展提问进行切分,得到所述待扩展提问对应的至少一个分词;
将所述待扩展提问对应的至少一个分词输入至预先训练好的多头注意力模型中,得到所述多头注意力模型输出的所述待扩展提问对应的至少一个扩展提问;
将所述待扩展提问对应的至少一个扩展提问推荐给所述用户。
根据本申请的第二方面,提供了一种扩展问推荐装置,所述装置包括:接收模块、扩展模块和推荐模块;其中,
所述接收模块,用于接收用户发送的待扩展提问,并将所述待扩展提问进行切分,得到所述待扩展提问对应的至少一个分词;
所述扩展模块,用于将所述待扩展提问对应的至少一个分词输入至预先训练好的多头注意力模型中,得到所述多头注意力模型输出的所述待扩展提问对应的至少一个扩展提问;
所述推荐模块,用于将所述待扩展提问对应的至少一个扩展提问推荐给所述用户。
根据本申请的第三方面,提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
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本申请任意实施例所述的扩展问推荐方法。
根据本申请的第四方面,提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请任意实施例所述的扩展问推荐方法。
根据本申请的第五方面,提供了一种计算机程序产品,当所述计算机程序产品被计算机设备执行时实现本申请任意实施例所述的扩展问推荐方法。
根据本申请的技术解决了现有技术中基于人工的方法进行标注的成本过高且效率低下,不能够满足大规模的扩展问推荐的技术问题;基于同义词的方法不能够改变句子的表现形式,形式较为呆板的技术问题;基于检索的方法不能够产生新的句子,而且产生推荐问的水平会受限于语料库的质量的技术问题,以及基于翻译模型的方法形式不够丰富的技术问题,本申请提供的技术方案,能够极大地丰富推荐内容,提升扩展提问的多样性,而且还可以提高推荐效率,达到更好的扩展问推荐效果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的扩展问推荐方法的第一流程示意图;
图2是本申请实施例提供的扩展问推荐方法的第二流程示意图;
图3是本申请实施例提供的扩展问推荐方法的第三流程示意图;
图4是本申请实施例提供的多头注意力模型的结构示意图;
图5是本申请实施例提供的扩展问推荐装置的结构示意图;
图6是本申请实施例提供的扩展模块的结构示意图;
图7是用来实现本申请实施例的扩展问推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
实施例一
图1是本申请实施例提供的扩展问推荐方法的第一流程示意图,该方法可以由扩展问推荐装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,扩展问推荐方法可以包括以下步骤:
S101、接收用户发送的待扩展提问,并将待扩展提问进行切分,得到待扩展提问对应的至少一个分词。
在本步骤中,电子设备可以接收用户发送的待扩展提问,并将待扩展提问进行切分,得到待扩展提问对应的至少一个分词。具体地,现有的分词算法可以分为三大类,分别为:基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。按照是否与词性标注过程相结合,又可以分为单纯分词方法和分词与标注相结合的一体化方法。本申请可以采用以上分词算法将待扩展提问进行切分,得到待扩展提问对应的至少一个分词。例如,假设待扩展提问为“发言人称中国在应对疫情上积累了宝贵经验”,本步骤可以将该提问进行切分,得到该提问对应的11个分词,分别为:“发言人”、“称”、“中国”、“在”、“应对”、“疫情”、“上”、“积累”、“了”、“宝贵”、“经验”。
S102、将待扩展提问对应的至少一个分词输入至预先训练好的多头注意力模型中,得到多头注意力模型输出的待扩展提问对应的至少一个扩展提问。
在本步骤中,电子设备可以将待扩展提问对应的至少一个分词输入至预先训练好的多头注意力模型中,得到多头注意力模型输出的待扩展提问对应的至少一个扩展提问。在一个示例中,注意力模型为Transformer模型,可进行文本语义解析得到语义表示矩阵,即文本语义信息。Transformer模型具有强大的语义建模能力,能够双向建模文本序列,即能实现双向编码;而且Transformer模型且不受文本序列长度和位置的限制。
S103、将待扩展提问对应的至少一个扩展提问推荐给用户。
在本步骤中,电子设备可以将待扩展提问对应的至少一个扩展提问推荐给用户。具体地,电子设备可以在智能客服产品的运营工具中,将待扩展提问对应的至少一个扩展提问推荐给用户;此外,本申请也可以在其他场景中将待扩展提问对应的至少一个扩展提问推荐给用户,在此不作限制。
本申请实施例提出的扩展问推荐方法,先接收用户发送的待扩展提问,并将待扩展提问进行切分,得到待扩展提问对应的至少一个分词;然后将待扩展提问对应的至少一个分词输入至预先训练好的多头注意力模型中,得到多头注意力模型输出的待扩展提问对应的至少一个扩展提问;再将待扩展提问对应的至少一个扩展提问推荐给用户。也就是说,本申请可以基于多头注意力模型生成待扩展提问对应的至少一个扩展提问。而在现有的扩展问推荐方法中,采用基于人工的方法,或者基于同义词的方法,或者基于检索的方法,或者基于翻译模型的方法。因为本申请采用了基于多头注意力模型生成待扩展提问对应的至少一个扩展提问的技术手段,克服了现有技术中基于人工的方法进行标注的成本过高且效率低下,不能够满足大规模的扩展问推荐的技术问题;基于同义词的方法不能够改变句子的表现形式,形式较为呆板的技术问题;基于检索的方法不能够产生新的句子,而且产生推荐问的水平会受限于语料库的质量的技术问题,以及基于翻译模型的方法形式不够丰富的技术问题,本申请提供的技术方案,能够极大地丰富推荐内容,提升扩展提问的多样性,而且还可以提高推荐效率,达到更好的扩展问推荐效果;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例二
图2是本申请实施例提供的扩展问推荐方法的第二流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图2所示,扩展问推荐方法可以包括以下步骤:
S201、接收用户发送的待扩展提问,并将待扩展提问进行切分,得到待扩展提问对应的至少一个分词。
S202、将待扩展提问对应的至少一个分词依次输入至多头注意力模型的各个头中,得到各个头输出的待扩展提问在各个头中对应的特征向量。
在本步骤中,电子设备可以将待扩展提问对应的至少一个分词依次输入至多头注意力模型的各个头中,得到各个头输出的待扩展提问在各个头中对应的特征向量。具体地,电子设备可以先将待扩展提问对应的至少一个分词输入至多头注意力模型的最后一个头中,得到最后一个头输出的待扩展提问在最后一个头中对应的特征向量;然后将待扩展提问在最后一个头中对应的特征向量输入至多头注意力模型的倒数第二个头中,得到倒数第二个头输出的待扩展提问在倒数第二个头中对应的特征向量;以此类推;直到将待扩展提问在多头注意力模型的第一个头对应中对应的特征向量输入至多头注意力模型的第零个头中,得到第零个头输出的待扩展提问在第零个头中对应的特征向量。例如,假设待扩展提问为“发言人称中国在应对疫情上积累了宝贵经验”,先将该提问进行切分,得到该提问对应的11个分词,分别为:“发言人”、“称”、“中国”、“在”、“应对”、“疫情”、“上”、“积累”、“了”、“宝贵”、“经验”;将该提问对应的上述分词输入至预先训练好的多头注意力模型中,该模型可以包括8个头(head),分别为:head0-7;具体地,电子设备可以先将该提问对应的上述分词输入至head 7中,得到head 7输出的该提问在head 7中对应的特征向量;再将该提问在head7中对应的特征向量输入至head 6中,得到head 6输出的该提问在head 6中对应的特征向量;以此类推;直到先将该提问在head 1对应的特征向量输入至head 0中,得到head 0输出的该提问在head 0中对应的特征向量。
S203、基于各个头输出的待扩展提问在各个头中对应的特征向量,确定出待扩展提问对应的至少一个扩展提问。
在本步骤中,电子设备可以基于各个头输出的待扩展提问在各个头中对应的特征向量,确定出待扩展提问对应的至少一个扩展提问。具体地,电子设备可以先基于多头注意力模型的M个头中的任意一个头输出的待扩展提问在该头中对应的特征向量,确定出待扩展提问对应的至少一个扩展提问;或者,还可以基于多头注意力模型的M个头中的N个头输出的待扩展提问在该头中对应的特征向量,确定出待扩展提问对应的至少一个扩展提问;其中,M为大于1的自然数;N为大于1且小于等于M的自然数。
S204、将待扩展提问对应的至少一个扩展提问推荐给用户。
本申请实施例提出的扩展问推荐方法,先接收用户发送的待扩展提问,并将待扩展提问进行切分,得到待扩展提问对应的至少一个分词;然后将待扩展提问对应的至少一个分词输入至预先训练好的多头注意力模型中,得到多头注意力模型输出的待扩展提问对应的至少一个扩展提问;再将待扩展提问对应的至少一个扩展提问推荐给用户。也就是说,本申请可以基于多头注意力模型生成待扩展提问对应的至少一个扩展提问。而在现有的扩展问推荐方法中,采用基于人工的方法,或者基于同义词的方法,或者基于检索的方法,或者基于翻译模型的方法。因为本申请采用了基于多头注意力模型生成待扩展提问对应的至少一个扩展提问的技术手段,克服了现有技术中基于人工的方法进行标注的成本过高且效率低下,不能够满足大规模的扩展问推荐的技术问题;基于同义词的方法不能够改变句子的表现形式,形式较为呆板的技术问题;基于检索的方法不能够产生新的句子,而且产生推荐问的水平会受限于语料库的质量的技术问题,以及基于翻译模型的方法形式不够丰富的技术问题,本申请提供的技术方案,能够极大地丰富推荐内容,提升扩展提问的多样性,而且还可以提高推荐效率,达到更好的扩展问推荐效果;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例三
图3是本申请实施例提供的扩展问推荐方法的第三流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图3所示,扩展问推荐方法可以包括以下步骤:
S301、接收用户发送的待扩展提问,并将待扩展提问进行切分,得到待扩展提问对应的至少一个分词。
S302、基于预先计算的待扩展提问对应的各个分词在各个头中的注意力值,判断多头注意力模型中的各个头对于待扩展提问对应的至少一个分词的注意力是否集中;若不集中,则执行S303;若集中,则执行S304。
在本步骤中,电子设备可以基于预先计算的待扩展提问对应的各个分词在各个头中的注意力值,判断多头注意力模型中的各个头对于待扩展提问对应的至少一个分词的注意力是否集中;若多头注意力模型中的各个头对于待扩展提问对应的至少一个分词的注意力不集中,则执行S303;若多头注意力模型中的各个头对于待扩展提问对应的至少一个分词的注意力集中,则执行S304。具体地,电子设备可以先在待扩展提问对应的全部分词在各个头中的注意力值中提取出一个最大的注意力值;若最大的注意力值大于或者等于预先设置的注意力阈值,则电子设备可以判定多头注意力模型中的各个头对于待扩展提问对应的至少一个分词的注意力集中;若最大的注意力值小于注意力阈值,则电子设备可以判定多头注意力模型中的各个头对于待扩展提问对应的至少一个分词的注意力不集中。
S303、在待扩展提问对应的至少一个分词采集一个对应的分词作为多头注意力模型中的各个头所集中关注的分词。
在本步骤中,电子设备可以在待扩展提问对应的至少一个分词采集一个对应的分词作为多头注意力模型中的各个头所集中关注的分词。具体地,电子设备可以在待扩展提问对应的至少一个分词中进行采样,将采样得到的一个分词作为多头注意力模型中的对应的头所集中关注的分词,这样可以显著地增加生成扩展问的多样性,同时不丢失原来提问的语义,实现了更好效果的扩展问推荐。
S304、基于多头注意力模型中的各个头所集中关注的分词,将待扩展提问对应的至少一个分词依次输入至多头注意力模型的各个头中,得到各个头输出的待扩展提问在各个头中对应的特征向量。
S305、基于各个头输出的待扩展提问在各个头中对应的特征向量,确定出待扩展提问对应的至少一个扩展提问。
S306、将待扩展提问对应的至少一个扩展提问推荐给用户。
图4是本申请实施例提供的多头注意力模型的结构示意图。如图4所示,该模型可以包括8个头,分别为:head 0-7;假设待扩展提问为“发言人称中国在应对疫情上积累了宝贵经验”,先将该query进行切分,得到该query对应的11个分词,分别为:“发言人”、“称”、“中国”、“在”、“应对”、“疫情”、“上”、“积累”、“了”、“宝贵”、“经验”;再将该query对应的上述分词输入至预先训练好的多头注意力模型中;具体地,电子设备可以先将该提问对应的上述分词输入至head 7中,得到head 7输出的该提问在head7中对应的特征向量;再将该提问在head 7中对应的特征向量输入至head6中,得到head 6输出的该提问在head 6中对应的特征向量;以此类推;直到先将该提问在head 1对应的特征向量输入至head 0中,得到head 0输出的该提问在head 0中对应的特征向量;再基于各个头输出的该提问在各个头中对应的特征向量,确定出该提问对应的至少一个扩展提问。本申请可以利用多重词对齐的这一现象,通过控制不同的注意力头来控制模型在下一步的生成。如图4所示,当解码端解码到“报告人称”时,多头注意力模型中的head 4、head 5和head 6,分别关注到“中国”、“疫情”、“经验”三个词(如星号所示),此时使用某个头的注意力数值覆盖掉其他头的注意力数值,此时就会让解码的注意力集中于对应的某个词。因此,在多头中采样覆盖其他头会使得生成的词具有更多样的选择。但是,如果在所有步骤都进行采样时,会将解码的语义变得面目全非。因此,需要在控制语义的情况下进行采样。具体的做法为:如果此时待解码状态的多个头关注到多个词语时,证明此时有多个合理候选,此时才进行采样,这样可以显著增加生成扩展问的多样性,同时不丢失原来提问的语义,实现了更好效果的扩展问推荐。
本申请实施例提出的扩展问推荐方法,先接收用户发送的待扩展提问,并将待扩展提问进行切分,得到待扩展提问对应的至少一个分词;然后将待扩展提问对应的至少一个分词输入至预先训练好的多头注意力模型中,得到多头注意力模型输出的待扩展提问对应的至少一个扩展提问;再将待扩展提问对应的至少一个扩展提问推荐给用户。也就是说,本申请可以基于多头注意力模型生成待扩展提问对应的至少一个扩展提问。而在现有的扩展问推荐方法中,采用基于人工的方法,或者基于同义词的方法,或者基于检索的方法,或者基于翻译模型的方法。因为本申请采用了基于多头注意力模型生成待扩展提问对应的至少一个扩展提问的技术手段,克服了现有技术中基于人工的方法进行标注的成本过高且效率低下,不能够满足大规模的扩展问推荐的技术问题;基于同义词的方法不能够改变句子的表现形式,形式较为呆板的技术问题;基于检索的方法不能够产生新的句子,而且产生推荐问的水平会受限于语料库的质量的技术问题,以及基于翻译模型的方法形式不够丰富的技术问题,本申请提供的技术方案,能够极大地丰富推荐内容,提升扩展提问的多样性,而且还可以提高推荐效率,达到更好的扩展问推荐效果;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例四
图5是本申请实施例提供的扩展问推荐装置的结构示意图。如图5所示,所述装置500包括:接收模块501、扩展模块502和推荐模块503;其中,
所述接收模块501,用于接收用户发送的待扩展提问,并将所述待扩展提问进行切分,得到所述待扩展提问对应的至少一个分词;
所述扩展模块502,用于将所述待扩展提问对应的至少一个分词输入至预先训练好的多头注意力模型中,得到所述多头注意力模型输出的所述待扩展提问对应的至少一个扩展提问;
所述推荐模块503,用于将所述待扩展提问对应的至少一个扩展提问推荐给所述用户。
图6是本申请实施例提供的扩展模块的结构示意图。如图6所示,所述扩展模块502包括:计算子模块5021和确定子模块5022;其中,
所述计算子模块5021,用于将所述待扩展提问对应的至少一个分词依次输入至所述多头注意力模型的各个头中,得到各个头输出的所述待扩展提问在各个头中对应的特征向量;
所述确定子模块5022,用于基于各个头输出的所述待扩展提问在各个头中对应的特征向量,确定出所述待扩展提问对应的至少一个扩展提问。
进一步的,所述计算子模块5021,还用于基于预先计算的所述待扩展提问对应的各个分词在各个头中的注意力值,判断所述多头注意力模型中的各个头对于所述待扩展提问对应的至少一个分词的注意力是否集中;若所述多头注意力模型中的各个头对于所述待扩展提问对应的至少一个分词的注意力不集中,则在所述待扩展提问对应的至少一个分词采集一个对应的分词作为所述多头注意力模型中的各个头所集中关注的分词;基于所述多头注意力模型中的各个头所集中关注的分词,执行所述将所述待扩展提问对应的至少一个分词依次输入至所述多头注意力模型的各个头中,得到各个头输出的所述待扩展提问在各个头中对应的特征向量的操作。
进一步的,所述计算子模块5021,具体用于在所述待扩展提问对应的全部分词在各个头中的注意力值中提取出一个最大的注意力值;若所述最大的注意力值大于或者等于预先设置的注意力阈值,则判定所述多头注意力模型中的各个头对于所述待扩展提问对应的至少一个分词的注意力集中;若所述最大的注意力值小于所述注意力阈值,则判定所述多头注意力模型中的各个头对于所述待扩展提问对应的至少一个分词的注意力不集中。
进一步的,所述计算子模块5021,具体用于将所述待扩展提问对应的至少一个分词输入至所述多头注意力模型的最后一个头中,得到所述最后一个头输出的所述待扩展提问在所述最后一个头中对应的特征向量;将所述待扩展提问在所述最后一个头中对应的特征向量输入至所述多头注意力模型的倒数第二个头中,得到所述倒数第二个头输出的所述待扩展提问在所述倒数第二个头中对应的特征向量;以此类推;直到将所述待扩展提问在所述多头注意力模型的第一个头对应中对应的特征向量输入至所述多头注意力模型的第零个头中,得到所述第零个头输出的所述待扩展提问在所述第零个头中对应的特征向量。
进一步的,所述确定子模块5022,具体用于基于所述多头注意力模型的M个头中的任意一个头输出的所述待扩展提问在该头中对应的特征向量,确定出所述待扩展提问对应的至少一个扩展提问;或者,基于所述多头注意力模型的M个头中的N个头输出的所述待扩展提问在该头中对应的特征向量,确定出所述待扩展提问对应的至少一个扩展提问;其中,M为大于1的自然数;N为大于1且小于等于M的自然数。
上述扩展问推荐装置可执行本申请任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的扩展问推荐方法。
实施例五
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。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/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如扩展问推荐方法。例如,在一些实施例中,扩展问推荐方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的扩展问推荐方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行扩展问推荐方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)、区块链网络和互联网。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种扩展问推荐方法,所述方法包括:
接收用户发送的待扩展提问,并将所述待扩展提问进行切分,得到所述待扩展提问对应的至少一个分词;
在所述待扩展提问对应的全部分词在各个头中的注意力值中提取出一个最大的注意力值;若所述最大的注意力值大于或者等于预先设置的注意力阈值,则判定预先训练好的多头注意力模型中的各个头对于所述待扩展提问对应的至少一个分词的注意力集中;若所述最大的注意力值小于所述注意力阈值,则判定所述多头注意力模型中的各个头对于所述待扩展提问对应的至少一个分词的注意力不集中;
若所述多头注意力模型中的各个头对于所述待扩展提问对应的至少一个分词的注意力不集中,则在所述待扩展提问对应的至少一个分词采集一个对应的分词作为所述多头注意力模型中的各个头所集中关注的分词;基于所述多头注意力模型中的各个头所集中关注的分词,将所述待扩展提问对应的至少一个分词输入至所述多头注意力模型中,得到所述多头注意力模型输出的所述待扩展提问对应的至少一个扩展提问;
将所述待扩展提问对应的至少一个扩展提问推荐给所述用户。
2.根据权利要求1所述的方法,所述将待扩展提问对应的至少一个分词输入至所述多头注意力模型中,得到所述多头注意力模型输出的所述待扩展提问对应的至少一个扩展提问,包括:
将所述待扩展提问对应的至少一个分词依次输入至所述多头注意力模型的各个头中,得到各个头输出的所述待扩展提问在各个头中对应的特征向量;
基于各个头输出的所述待扩展提问在各个头中对应的特征向量,确定出所述待扩展提问对应的至少一个扩展提问。
3.根据权利要求2所述的方法,所述将所述待扩展提问对应的至少一个分词依次输入至所述多头注意力模型的各个头中,得到各个头输出的所述待扩展提问在各个头中对应的特征向量,包括:
将所述待扩展提问对应的至少一个分词输入至所述多头注意力模型的最后一个头中,得到所述最后一个头输出的所述待扩展提问在所述最后一个头中对应的特征向量;
将所述待扩展提问在所述最后一个头中对应的特征向量输入至所述多头注意力模型的倒数第二个头中,得到所述倒数第二个头输出的所述待扩展提问在所述倒数第二个头中对应的特征向量;以此类推;直到将所述待扩展提问在所述多头注意力模型的第一个头对应中对应的特征向量输入至所述多头注意力模型的第零个头中,得到所述第零个头输出的所述待扩展提问在所述第零个头中对应的特征向量。
4.根据权利要求2所述的方法,所述基于各个头输出的所述待扩展提问在各个头中对应的特征向量,确定出所述待扩展提问对应的至少一个扩展提问,包括:
基于所述多头注意力模型的M个头中的任意一个头输出的所述待扩展提问在该头中对应的特征向量,确定出所述待扩展提问对应的至少一个扩展提问;或者,基于所述多头注意力模型的M个头中的N个头输出的所述待扩展提问在该头中对应的特征向量,确定出所述待扩展提问对应的至少一个扩展提问;其中,M为大于1的自然数;N为大于1且小于等于M的自然数。
5.一种扩展问推荐装置,所述装置包括:接收模块、扩展模块和推荐模块;其中,
所述接收模块,用于接收用户发送的待扩展提问,并将所述待扩展提问进行切分,得到所述待扩展提问对应的至少一个分词;
所述扩展模块,用于在所述待扩展提问对应的全部分词在各个头中的注意力值中提取出一个最大的注意力值;若所述最大的注意力值大于或者等于预先设置的注意力阈值,则判定预先训练好的多头注意力模型中的各个头对于所述待扩展提问对应的至少一个分词的注意力集中;若所述最大的注意力值小于所述注意力阈值,则判定所述多头注意力模型中的各个头对于所述待扩展提问对应的至少一个分词的注意力不集中;若所述多头注意力模型中的各个头对于所述待扩展提问对应的至少一个分词的注意力不集中,则在所述待扩展提问对应的至少一个分词采集一个对应的分词作为所述多头注意力模型中的各个头所集中关注的分词;基于所述多头注意力模型中的各个头所集中关注的分词,将所述待扩展提问对应的至少一个分词输入至所述多头注意力模型中,得到所述多头注意力模型输出的所述待扩展提问对应的至少一个扩展提问;
所述推荐模块,用于将所述待扩展提问对应的至少一个扩展提问推荐给所述用户。
6.根据权利要求5所述的装置,所述扩展模块包括:计算子模块和确定子模块;其中,
所述计算子模块,用于将所述待扩展提问对应的至少一个分词依次输入至所述多头注意力模型的各个头中,得到各个头输出的所述待扩展提问在各个头中对应的特征向量;
所述确定子模块,用于基于各个头输出的所述待扩展提问在各个头中对应的特征向量,确定出所述待扩展提问对应的至少一个扩展提问。
7.根据权利要求6所述的装置,所述计算子模块,具体用于将所述待扩展提问对应的至少一个分词输入至所述多头注意力模型的最后一个头中,得到所述最后一个头输出的所述待扩展提问在所述最后一个头中对应的特征向量;将所述待扩展提问在所述最后一个头中对应的特征向量输入至所述多头注意力模型的倒数第二个头中,得到所述倒数第二个头输出的所述待扩展提问在所述倒数第二个头中对应的特征向量;以此类推;直到将所述待扩展提问在所述多头注意力模型的第一个头对应中对应的特征向量输入至所述多头注意力模型的第零个头中,得到所述第零个头输出的所述待扩展提问在所述第零个头中对应的特征向量。
8.根据权利要求6所述的装置,所述确定子模块,具体用于基于所述多头注意力模型的M个头中的任意一个头输出的所述待扩展提问在该头中对应的特征向量,确定出所述待扩展提问对应的至少一个扩展提问;或者,基于所述多头注意力模型的M个头中的N个头输出的所述待扩展提问在该头中对应的特征向量,确定出所述待扩展提问对应的至少一个扩展提问;其中,M为大于1的自然数;N为大于1且小于等于M的自然数。
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权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110296823.3A CN112905777B (zh) | 2021-03-19 | 2021-03-19 | 一种扩展问推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110296823.3A CN112905777B (zh) | 2021-03-19 | 2021-03-19 | 一种扩展问推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112905777A CN112905777A (zh) | 2021-06-04 |
CN112905777B true CN112905777B (zh) | 2023-10-17 |
Family
ID=76105759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110296823.3A Active CN112905777B (zh) | 2021-03-19 | 2021-03-19 | 一种扩展问推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112905777B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377710A (zh) * | 2019-06-17 | 2019-10-25 | 杭州电子科技大学 | 一种基于多模态融合的视觉问答融合增强方法 |
CN110389999A (zh) * | 2019-07-26 | 2019-10-29 | 北京香侬慧语科技有限责任公司 | 一种信息抽取的方法、装置、存储介质及电子设备 |
CN110442684A (zh) * | 2019-08-14 | 2019-11-12 | 山东大学 | 一种基于文本内容的类案推荐方法 |
CN110543551A (zh) * | 2019-09-04 | 2019-12-06 | 北京香侬慧语科技有限责任公司 | 一种问题语句处理方法和装置 |
CN111581474A (zh) * | 2020-04-02 | 2020-08-25 | 昆明理工大学 | 基于多头注意力机制的涉案微博评论的评价对象抽取方法 |
CN111859991A (zh) * | 2020-07-29 | 2020-10-30 | 中国平安财产保险股份有限公司 | 语言翻译处理模型训练方法和语言翻译处理方法 |
CN111898374A (zh) * | 2020-07-30 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 文本识别方法、装置、存储介质和电子设备 |
CN112069295A (zh) * | 2020-09-18 | 2020-12-11 | 科大讯飞股份有限公司 | 相似题推荐方法、装置、电子设备和存储介质 |
CN112270188A (zh) * | 2020-11-12 | 2021-01-26 | 佰聆数据股份有限公司 | 一种提问式的分析路径推荐方法、系统及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10776581B2 (en) * | 2018-02-09 | 2020-09-15 | Salesforce.Com, Inc. | Multitask learning as question answering |
-
2021
- 2021-03-19 CN CN202110296823.3A patent/CN112905777B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377710A (zh) * | 2019-06-17 | 2019-10-25 | 杭州电子科技大学 | 一种基于多模态融合的视觉问答融合增强方法 |
CN110389999A (zh) * | 2019-07-26 | 2019-10-29 | 北京香侬慧语科技有限责任公司 | 一种信息抽取的方法、装置、存储介质及电子设备 |
CN110442684A (zh) * | 2019-08-14 | 2019-11-12 | 山东大学 | 一种基于文本内容的类案推荐方法 |
CN110543551A (zh) * | 2019-09-04 | 2019-12-06 | 北京香侬慧语科技有限责任公司 | 一种问题语句处理方法和装置 |
CN111581474A (zh) * | 2020-04-02 | 2020-08-25 | 昆明理工大学 | 基于多头注意力机制的涉案微博评论的评价对象抽取方法 |
CN111859991A (zh) * | 2020-07-29 | 2020-10-30 | 中国平安财产保险股份有限公司 | 语言翻译处理模型训练方法和语言翻译处理方法 |
CN111898374A (zh) * | 2020-07-30 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 文本识别方法、装置、存储介质和电子设备 |
CN112069295A (zh) * | 2020-09-18 | 2020-12-11 | 科大讯飞股份有限公司 | 相似题推荐方法、装置、电子设备和存储介质 |
CN112270188A (zh) * | 2020-11-12 | 2021-01-26 | 佰聆数据股份有限公司 | 一种提问式的分析路径推荐方法、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于多头自注意力神经网络的购物篮推荐方法;倪维健;郭浩宇;刘彤;曾庆田;;数据分析与知识发现(第Z1期);全文 * |
用于下一项推荐的序列感知深度网络;赵串串;游进国;李晓武;;小型微型计算机系统(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112905777A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241819B (zh) | 词向量生成方法、装置及电子设备 | |
CN113590858B (zh) | 目标对象的生成方法、装置、电子设备以及存储介质 | |
CN113159010A (zh) | 视频分类方法、装置、设备和存储介质 | |
CN112749300B (zh) | 用于视频分类的方法、装置、设备、存储介质和程序产品 | |
CN113407610B (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
CN112926306A (zh) | 文本纠错方法、装置、设备以及存储介质 | |
CN112506359B (zh) | 输入法中候选长句的提供方法、装置及电子设备 | |
CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
CN113642324B (zh) | 文本摘要生成方法、装置、电子设备及存储介质 | |
CN113360683B (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
CN112270169B (zh) | 对白角色预测方法、装置、电子设备及存储介质 | |
CN115658903B (zh) | 文本分类方法、模型训练方法、相关装置及电子设备 | |
CN112905777B (zh) | 一种扩展问推荐方法、装置、电子设备及存储介质 | |
CN114818736B (zh) | 文本处理方法、用于短文本的链指方法、装置及存储介质 | |
CN113408298B (zh) | 语义解析方法、装置、电子设备及存储介质 | |
CN114758649B (zh) | 一种语音识别方法、装置、设备和介质 | |
CN116049370A (zh) | 信息查询方法和信息生成模型的训练方法、装置 | |
CN113254578B (zh) | 用于数据聚类的方法、装置、设备、介质和产品 | |
CN112560481B (zh) | 语句处理方法、设备和存储介质 | |
CN112559727B (zh) | 用于输出信息的方法、装置、设备、存储介质和程序 | |
CN112784599B (zh) | 诗句的生成方法、装置、电子设备和存储介质 | |
CN114417862A (zh) | 文本匹配方法、文本匹配模型的训练方法和装置 | |
CN112541346A (zh) | 摘要生成方法、装置、电子设备及可读存储介质 | |
CN115131709B (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 | |
CN113204667B (zh) | 音频标注模型的训练与音频标注的方法、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 |