CN113051380A - 信息生成方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开提供了信息生成方法、装置、电子设备和存储介质，涉及数据处理领域，尤其涉及深度学习和自然语言处理等人工智能领域和云计算领域。具体实现方案为：根据待处理提问信息，在预先配置的文本信息集合中确定出与待处理提问信息匹配的第一目标文本；确定第一目标文本中的关键词；基于关键词，生成与待处理提问信息对应的回复信息。根据本公开实施例，能够自动处理提问信息，提高回复效率。

Description

信息生成方法、装置、电子设备和存储介质

技术领域

本公开涉及数据处理领域，尤其涉及深度学习和自然语言处理等人工智能领域。

背景技术

电子商务平台一般会提供信息咨询服务，方便用户针对感兴趣的商品或服务进行提问，以得到相应的回复信息。目前，信息咨询服务主要为人工服务。在咨询人数过多的情况下，用户需要耗费一定的时间排队等候才能咨询相关信息。

发明内容

本公开提供了一种信息生成方法、装置、电子设备和存储介质。

根据本公开的一方面，提供了一种信息生成方法，包括：

根据待处理提问信息，在预先配置的文本信息集合中确定出与待处理提问信息匹配的第一目标文本；

确定第一目标文本中的关键词；

基于关键词，生成与待处理提问信息对应的回复信息。

根据本公开的另一方面，提供了一种信息生成装置，包括：

第一匹配模块，用于根据待处理提问信息，在预先配置的文本信息集合中确定出与待处理提问信息匹配的第一目标文本；

关键词提取模块，用于确定第一目标文本中的关键词；

回复生成模块，用于基于关键词，生成与待处理提问信息对应的回复信息。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。

根据本公开的技术，在接收到待处理提问信息的情况下，在预先配置的文本信息集合中确定出匹配的第一目标文本，基于第一目标文本中的关键词生成对应的回复信息。由于能够基于待处理提问信息得到对应的回复信息，因此，能够自动处理提问信息，提高回复效率。

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，不构成对本公开的限定。其中：

图1是根据本公开一个实施例提供的信息生成方法的示意图；

图2是根据本公开另一个实施例提供的信息生成方法的示意图；

图3是用于实现本公开实施例中信息生成方法的系统的示意图；

图4是根据本公开一个实施例提供的信息生成装置的示意图；

图5是根据本公开另一个实施例提供的信息生成装置的示意图；

图6是用来实现本公开实施例的信息生成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。

图1示出了本公开一个实施例提供的信息生成方法的示意图。如图1所示，该方法包括：

步骤S110，根据待处理提问信息，在预先配置的文本信息集合中确定出与待处理提问信息匹配的第一目标文本。

示例性地，文本信息集合中可以包括商品描述信息、商品评论信息、从商品图像中识别得到的文本信息等至少一种。待处理提问信息可以包括用户输入的文本信息，或者对用户输入的语音信息进行转换得到的文本信息。

在得到文本信息集合后，对于接收到的待处理提问信息，可以利用文本匹配模型，在文本信息集合中确定出与待处理提问信息匹配的第一目标文本。其中，文本匹配模型可以包括BETR(Bidirectional Encoder Representation from Transformers，基于转换器的双向编码表征)模型或RoBERTa(Robustly Optimized BERT Pretraining Approach，稳健优化的BERT方式)模型。

以RoBERTa模型为例，可以先对待处理提问信息进行embedding(嵌入代码)，得到待处理提问信息对应的词向量和/或句向量，再利用RoBERTa模型对词向量和/或句向量进行处理，得到匹配的第一目标文本。由于RoBERTa模型在训练过程中使用了更大的bacthsize(批处理尺寸)，并且RoBERTa模型在预训练过程中使用大量的文本信息例如160GB(Gigabyte，十亿字节)文本作为训练数据，因此，RoBERTa模型对基于机器阅读理解的问答任务，具有较优的效果。

步骤S120，确定第一目标文本中的关键词。

示例性地，可以通过对第一目标文本进行分词，再对分词得到的各词语进行关键词判别，得到第一目标文本中的关键词。其中，对各词语进行关键词判别，可以利用分类器实现。例如，利用二分类器针对每个词语得到分类结果，分类结果为关键词或非关键词。实际应用中，还可以应用其他方式确定第一目标文本中的关键词，本公开实施例不对此进行限定。

步骤S130，基于关键词，生成与待处理提问信息对应的回复信息。

示例性地，可以基于关键词以及预先配置的语料库中的语句版式，得到上述回复信息。例如根据预先配置的语料库中的语句版式，对关键词进行排列以及补充，得到回复信息等。

可见，根据本公开实施例的方法，在接收到待处理提问信息的情况下，在预先配置的文本信息集合中确定出匹配的第一目标文本，基于第一目标文本中的关键词生成对应的回复信息。由于能够基于待处理提问信息得到对应的回复信息，因此，将回复信息发送给用户，能够自动处理提问信息，提高回复效率。

通过提取第一目标文本中的关键词再基于关键词生成回复信息，还可以有效利用文本信息集合中的关键信息并丢弃杂乱的冗余信息，提高用户体验。并可降低对文本信息集合中文本信息质量的要求，有利于扩充文本信息集合，例如使文本信息集合包含商品描述信息、商品评论信息、从商品图像中识别得到的文本信息等海量信息。从而能够在海量的文本信息中搜索与待处理提问信息匹配的第一目标文本，提高回复准确率。

示例性地，上述商品描述信息可以包括商品数据库中预先存储的商品属性信息、效果描述信息、购买提示信息等。

从商品图像中识别得到的文本信息可以包括商品图像所呈现的商品属性信息。相应的，在一个可选的示例性的实施方式中，上述信息生成方法还包括：

对至少一个商品图像进行商品属性识别，得到至少一个商品属性文本；

基于至少一个商品属性文本，得到文本信息集合。

例如，对商品图像进行商品属性识别，得到商品的形状、颜色、尺寸等属性信息，基于该属性信息得到相应的商品属性文本。商品属性文本例如是“商品为红色的、直径为20厘米的球状物体”。然后，将商品属性文本添加到文本信息集合中，更新文本信息集合。

示例性地，可以利用图像识别模型对商品图像进行商品属性识别，例如利用NCPIC(Neural Compositional Paradigm for Image Captioning，图像描述的神经组合范式)模型。NCPIC模型将图像描述任务分成语义分析和句法分析两部分。在句法分析中加入了句子的内部结构信息，使句子更加符合语义上的规则，在看图描述的任务中，效果要优于同类模型。

根据上述示例性的实施方式，可以从商品图像中挖掘商品属性文本，基于商品属性文本得到文本信息集合，使得文本信息集合包含更丰富的商品信息，有利于提高回复准确率。

从商品图像中识别到的文本信息还可以包括商品图像中的文本信息。相应的，在一个可选的示例性的实施方式中，上述信息生成方法还包括：

对至少一个商品图像进行文本识别，得到至少一个商品图像中的文本信息；

基于至少一个商品图像中的文本信息，得到文本信息集合。

例如，对商品图像进行文本识别，得到商品图像中用文本注释的商品名称、使用说明、商品属性等信息。然后，将商品图像中的文本信息添加到文本信息集合中，更新文本信息集合。

示例性地，可以利用文本识别模型对商品图像进行文本识别。例如利用CRNN(Convolutional Recurrent Neural Network，卷积递归神经网络)模型，从商品图像中提取出文本信息。

根据上述示例性的实施方式，可以提取商品图像中的文本信息，基于商品图像中的文本信息得到文本信息集合，使得文本信息集合包含更丰富的商品信息，有利于提高回复准确率。

示例性地，对于获取到的商品描述信息、商品评论信息、从商品图像中识别得到的文本信息等，可以先进行预处理，再将预处理后的文本信息添加到文本信息集合中。例如，由于受不同用户的语言处理习惯影响，各商品评论信息的语言风格不一，因此，可以针对商品评论信息进行去风格化、语句结构调整等预处理。又如，商品图像中的文本信息的字符类型、字体大小不一，可以针对商品图像中的文本信息进行格式统一等预处理。

在文本信息集合包含多种类型的文本信息的情况下，针对待处理提问信息，在文本信息集合中确定出的匹配的第一目标文本可以是商品描述信息、商品评论信息或从商品图像中识别得到的文本信息等。针对存在多样性的第一目标文本，本公开实施例还提供一种可选的示例性的实施方式，以准确提取关键词。具体地，上述步骤S120，确定第一目标文本中的关键词，包括：

对第一目标文本的各字符分别进行关键字判别，得到第一目标文本中的关键字；

对第一目标文本中位置相邻的关键字进行拼接，得到第一目标文本中的关键词。

示例性地，可以采用待处理提问信息作为关键字判别的参考信息，基于此对各字符分别进行关键字判别。具体而言，可以按照字符的颗粒度对第一目标文本进行切分，并为切分得到的每个字符标注相应的ID(Identifier，标识)，该ID体现字符在第一目标文本中的位置信息。还可以按照词的颗粒度对第一目标文本进行切分，得到第一目标文本中的每个词。对第一目标文本以及待处理提问信息进行embedding，然后将embedding得到的信息以及每个字符对应的字向量、ID以及每个词对应的词向量输入至ERNIE(EnhancedRepresentation from Knowledge Integration，知识增强的语义表示)模型中，从而获得每个字符的深层语义特征向量。基于每个字符的深层语义特征向量进行关键词判别。

示例性地，可以利用分类器得到关键词判别结果。例如，将字符输入分类器，得到分类器输出的分类结果，分类结果为关键字或非关键字。将连续判别为关键字的多个字符拼接在一起，可以构成完整的关键词。

根据上述实施方式，可以基于对每个字符的准确判别，得到第一目标文本中的关键词，实现准确提取关键信息。有利于提高回复准确率。

在一种可选的示例性的实施方式中，上述步骤S130，基于关键词，生成与待处理提问信息对应的回复信息，可以包括：

基于关键词以及预先配置的语料库中的语句版式，生成预处理语句；

利用序列生成模型对预处理语句进行语义编排，得到与待处理提问信息对应的回复信息。

示例性地，也可以通过将关键词和语料库中的语句版式输入序列生成模型，利用序列生成模型输出预处理语句。该序列生成模型可以是深层神经网络序列生成模型。在序列生成模型的编码器和解码器部分，均采用了层次化的结构，并包含有attention(注意力)机制。在得到预处理语句后，序列生成模型可以从全局语义和局部语义两个层面对句子进行合理的编排，得到逻辑性更好的语句，作为与待处理提问信息对应的回复信息。

可见，上述实施方式通过生成预处理语句，再进行语义编排的方式，可以提高回复信息的逻辑性，提高回复准确率以及用户体验度。

在确定回复信息后，可以将回复信息发送给用户。若发送回复信息后，用户并没有针对对应的商品进行操作，则该商品可能不符合用户的需求。在一些场景中，用户的需求往往为即时性需求。即时性需求与用户当前的购买倾向强相关，若基于即时性需求向用户推荐商品，则可以提高用户的购买率和用户体验。基于此，本公开实施例还提供一种可选的用于确定推荐商品的方式。具体而言，信息生成方法还可以包括：

利用相似度预测模型，在文本信息集合中确定出与第一目标文本的相似度高于预设阈值的相似文本；

根据待处理提问信息，在相似文本中确定出与待处理提问信息匹配的第二目标文本；

将第二目标文本对应的商品确定为推荐商品。

实际应用中，相似度预测模型可以基于文本信息集合中除第一目标文本外的其他文本与第一目标文本的距离，确定其他文本与第一目标文本的相似度。若相似度高于预设阈值，则可将对应的其他文本确定为相似文本。其中，相似文本的数量不限。

在确定相似文本后，在相似文本中对应的商品中查找是否存在满足用户的即时性需求的商品。实现方式为：根据待处理提问信息，在相似文本中确定出与待处理信息匹配的第二目标文本，将第二目标文本对应的商品确定为推荐商品。这里，可以参考上述步骤S110，采用文本匹配模型例如RoBERTa模型确定匹配的第二目标文本。区别在于确定出第二目标文本的范围为相似文本。

根据上述实施方式，可以为用户确定推荐商品，以满足用户的即时性需求，提高用户的购买率和用户体验。

示例性地，在确定相似文本时，还可以基于商品评价信息，对文本信息集合中各文本信息先进行筛选，再从筛选出的候选文本信息中确定第二目标文本。具体地，信息生成方法还可以包括：

对文本信息集合中的商品评价信息进行情感分析，得到商品评价信息的评价类型；

基于商品评价信息的评价类型，在文本信息集合中确定出候选文本。

由于用户在电子商务平台上输入的商品评论信包含用户的主观情感例如对商品的喜爱程度，因此，通过情感分析，可以得到商品评价信息的评价类型。这里，可以采用BERT模型对商品评价信息进行情感分析。BERT模型采用预训练联合微调的架构。先基于大量语料进行预训练，再基于应用场景中的语料进行微调，能够更深刻的解读语句内涵，其在微调阶段表现出快捷、有效等特点。且模型的泛化性强，是目前自然语言处理领域中应用广泛的模型之一。BERT模型将字向量、文本向量和位置向量的加和作为模型输入，这样能够充分理解文本的信息，更加准确地进行情感分析。实际应用中，情感分析的输出为对于商品的喜欢程度，分值在0-10之间。基于该分值可以将商品评价信息划分为不同的评价类型，例如划分为积极类型和消极类型。

示例性地，基于商品评价信息的评价类型，可以得到文本信息集合所对应的多个商品的评价类型分布信息，例如得到某个商品的积极类型的评价信息在该商品的全部评价信息中的占比。基于评价类型分布信息，可以确定该商品是否为候选商品。例如占比高的商品可以作为候选商品。进一步地，将文本信息中与候选商品对应的所有文本信息，包括商品描述信息、商品评价信息和从商品图像中识别得到的文本信息，作为候选文本。

相应地，利用相似度预测模型，在文本信息集合中确定出与第一目标文本的相似度高于预设阈值的相似文本，包括：

利用相似度预测模型，在文本信息集合中的候选文本中确定出与第一目标文本的相似度高于预设阈值的相似文本。

根据上述方法，基于商品评价信息从文本信息集合中筛选出候选文本，再在候选文本中确定相似文本，以确定推荐商品。如此，可以提高推荐商品的质量，提高用户体验度。

图2示出了一个具体的应用示例中信息生成方法的具体流程。如图2所示，信息生成方法可以包括：

步骤S210，收集商品描述信息；包括从数据库中调取商品描述信息；

步骤S220，识别商品图像，以获取商品图像对应的文本信息；

步骤S230，对商品描述信息、商品评论信息、从商品图像中识别得到的文本信息等进行预处理，得到文本信息集合；

步骤S240，对商品评价信息进行情感分析，得到各商品的评价类型，统计各商品的评价分布，得到候选文本；

步骤S250，接收待处理提问信息；基于此在文本信息集合中确定出第一目标文本，并提取关键词得到回复信息；

步骤S260，向用户推送回复信息；

步骤S270，判断回复信息是否正确；

步骤S280，若回复信息正确，则对待处理提问信息和对应的回复信息价进行结果存储，以作为系统的训练数据；

步骤S290，若回复信息不正确，则用户反馈没有找到符合需求的回复信息；

步骤S200，提示用户重新提问，获得下一个待处理提问信息。

可见，根据本公开实施例的方法，在接收到待处理提问信息的情况下，在预先配置的文本信息集合中确定出匹配的第一目标文本，基于第一目标文本中的关键词生成对应的回复信息。由于能够基于待处理提问信息得到对应的回复信息，因此，能够自动处理提问信息，提高回复效率。

在本公开实施例的应用示例中，可以基于信息生成系统实现信息生成方法。如图3所示，该系统包括图像信息转文本模块310、文本预处理模块320、情感分析模块330、问答模块340、推荐模块350、交互模块360、语音转换模块370和结果存储模块380。

其中，图像信息转文本模块310用于从商品图像中识别得到文本信息。

文本预处理模块320用于对商品评价信息、商品描述信息、从商品图像中识别得到的文本信息等进行预处理，以得到统一的文本信息，将这些文本信息添加到文本信息集合中。

情感分析模块330用于从文本信息集合中确定出候选文本，以便于推荐模块350确定与用户即时性需求相符的相似文本。

问答模块340用于执行上述步骤S110至步骤S130，以针对待处理提问信息确定回复信息。

推荐模块350用于在为用户推送回复信息后，在情感分析模块输出的候选文本中，确定出与用户需求相符的第二目标文本，从而得到与第二目标文本对应的推荐商品，为用户推送推荐商品。

交互模块360用于为用户提供交互界面。用户可以在交互界面上选择需要咨询的商品。例如，交互界面可以提供对话窗口。用户可以输入语音信息进行提问。交互界面还可以用于展示回复信息以及推荐商品，用户可以通过交互界面进行商品预定或了解更多商品信息。

语音转换模块370用于将用户输入的语音信息转化为文本信息，作为query(查询信息)即待处理提问信息。语音转换模块还可用于将回复信息转换为语音信息，以语音的形式回复用户。若用户无法获得理想的回复信息，可以通过语音转换模块和交互模块进行语音交互，提示用户补充更详细的提问信息。

结果存储模块380用于存储问答模块340中产生的数据和商品评价信息。经过标注后，这些数据可以作为系统的训练数据，用于提高情感分析、信息问答和商品推荐的准确性。

需要说明的是，本公开的技术方案中，所涉及的用户信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

作为上述各方法的实现，本公开还提供一种信息生成装置。如图4所示，该装置还包括：

第一匹配模块410，用于根据待处理提问信息，在预先配置的文本信息集合中确定出与待处理提问信息匹配的第一目标文本；

关键词提取模块420，用于确定第一目标文本中的关键词；

回复生成模块430，用于基于关键词，生成与待处理提问信息对应的回复信息。

示例性地，如图5所示，关键词提取模块420包括：

字符判别单元421，用于对第一目标文本的各字符分别进行关键字判别，得到第一目标文本中的关键字；

字符拼接单元422，用于对第一目标文本中位置相邻的关键字进行拼接，得到第一目标文本中的关键词。

示例性地，回复生成模块430包括：

语句生成单元431，用于基于关键词以及预先配置的语料库中的语句版式，生成预处理语句；

语义编排单元432，用于利用序列生成模型对预处理语句进行语义编排，得到与待处理提问信息对应的回复信息。

示例性地，如图5所示，该装置还包括：

相似文本模块510，用于利用相似度预测模型，在文本信息集合中确定出与第一目标文本的相似度高于预设阈值的相似文本；

第二匹配模块520，用于根据待处理提问信息，在相似文本中确定出与待处理提问信息匹配的第二目标文本；

商品确定模块530，用于将第二目标文本对应的商品确定为推荐商品。

示例性地，如图5所示，该装置还包括：

情感分析模块540，用于对文本信息集合中的商品评价信息进行情感分析，得到商品评价信息的评价类型；

候选文本模块550，用于基于商品评价信息的评价类型，在文本信息集合中确定出候选文本；

相应的，相似文本模块510用于：

利用相似度预测模型，在文本信息集合中的候选文本中确定出与第一目标文本的相似度高于预设阈值的相似文本。

示例性地，如图5所示，该装置还包括：

属性识别模块560，用于对至少一个商品图像进行商品属性识别，得到至少一个商品属性文本；

第一集合模块570，用于基于至少一个商品属性文本，得到文本信息集合。

示例性地，如图5所示，该装置还包括：

文本识别模块580，用于对至少一个商品图像进行文本识别，得到至少一个商品图像中的文本信息；

第二集合模块590，用于基于至少一个商品图像中的文本信息，得到文本信息集合。

本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述方法实施例中的对应描述，在此不再赘述。

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6示出了可以用来实施本公开的实施例的示例电子设备600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/或要求的本公开的实现。

如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入输出(I/O)接口605也连接至总线604。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600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601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601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601执行上文所描述的各个方法和处理，例如信息生成方法。例如，在一些实施例中，信息生成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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的信息生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息生成方法。

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)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。

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 (17)

1.一种信息生成方法，包括：

根据待处理提问信息，在预先配置的文本信息集合中确定出与所述待处理提问信息匹配的第一目标文本；

确定所述第一目标文本中的关键词；

基于所述关键词，生成与所述待处理提问信息对应的回复信息。

2.根据权利要求1所述的方法，其中，所述确定所述第一目标文本中的关键词，包括：

对所述第一目标文本的各字符分别进行关键字判别，得到所述第一目标文本中的关键字；

对所述第一目标文本中位置相邻的所述关键字进行拼接，得到所述第一目标文本中的关键词。

3.根据权利要求1所述的方法，其中，所述基于所述关键词，生成与所述待处理提问信息对应的回复信息，包括：

基于所述关键词以及预先配置的语料库中的语句版式，生成预处理语句；

利用序列生成模型对所述预处理语句进行语义编排，得到与所述待处理提问信息对应的回复信息。

4.根据权利要求1-3中任一项所述的方法，还包括：

利用相似度预测模型，在所述文本信息集合中确定出与所述第一目标文本的相似度高于预设阈值的相似文本；

根据所述待处理提问信息，在所述相似文本中确定出与所述待处理提问信息匹配的第二目标文本；

将所述第二目标文本对应的商品确定为推荐商品。

5.根据权利要求4所述的方法，还包括：

对所述文本信息集合中的商品评价信息进行情感分析，得到所述商品评价信息的评价类型；

基于所述商品评价信息的评价类型，在所述文本信息集合中确定出候选文本；

相应的，所述利用相似度预测模型，在所述文本信息集合中确定出与所述第一目标文本的相似度高于预设阈值的相似文本，包括：

利用所述相似度预测模型，在所述文本信息集合中的候选文本中确定出与所述第一目标文本的相似度高于预设阈值的相似文本。

6.根据权利要求1-3中任一项所述的方法，还包括：

对至少一个商品图像进行商品属性识别，得到至少一个商品属性文本；

基于所述至少一个商品属性文本，得到所述文本信息集合。

7.根据权利要求1-3中任一项所述的方法，还包括：

对至少一个商品图像进行文本识别，得到所述至少一个商品图像中的文本信息；

基于所述至少一个商品图像中的文本信息，得到所述文本信息集合。

8.一种信息生成装置，包括：

第一匹配模块，用于根据待处理提问信息，在预先配置的文本信息集合中确定出与所述待处理提问信息匹配的第一目标文本；

关键词提取模块，用于确定所述第一目标文本中的关键词；

回复生成模块，用于基于所述关键词，生成与所述待处理提问信息对应的回复信息。

9.根据权利要求8所述的装置，其中，所述关键词提取模块包括：

字符判别单元，用于对所述第一目标文本的各字符分别进行关键字判别，得到所述第一目标文本中的关键字；

字符拼接单元，用于对所述第一目标文本中位置相邻的所述关键字进行拼接，得到所述第一目标文本中的关键词。

10.根据权利要求8所述的装置，其中，所述回复生成模块包括：

语句生成单元，用于基于所述关键词以及预先配置的语料库中的语句版式，生成预处理语句；

语义编排单元，用于利用序列生成模型对所述预处理语句进行语义编排，得到与所述待处理提问信息对应的回复信息。

11.根据权利要求8-10中任一项所述的装置，还包括：

相似文本模块，用于利用相似度预测模型，在所述文本信息集合中确定出与所述第一目标文本的相似度高于预设阈值的相似文本；

第二匹配模块，用于根据所述待处理提问信息，在所述相似文本中确定出与所述待处理提问信息匹配的第二目标文本；

商品确定模块，用于将所述第二目标文本对应的商品确定为推荐商品。

12.根据权利要求11所述的装置，还包括：

情感分析模块，用于对所述文本信息集合中的商品评价信息进行情感分析，得到所述商品评价信息的评价类型；

候选文本模块，用于基于所述商品评价信息的评价类型，在所述文本信息集合中确定出候选文本；

相应的，所述相似文本模块用于：

利用所述相似度预测模型，在所述文本信息集合中的候选文本中确定出与所述第一目标文本的相似度高于预设阈值的相似文本。

13.根据权利要求8-10中任一项所述的装置，还包括：

属性识别模块，用于对至少一个商品图像进行商品属性识别，得到至少一个商品属性文本；

第一集合模块，用于基于所述至少一个商品属性文本，得到所述文本信息集合。

14.根据权利要求8-10中任一项所述的装置，还包括：

文本识别模块，用于对至少一个商品图像进行文本识别，得到所述至少一个商品图像中的文本信息；

第二集合模块，用于基于所述至少一个商品图像中的文本信息，得到所述文本信息集合。

15.一种电子设备，其特征在于，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1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。

Images