CN114117028A - 一种信息推荐方法、装置、存储介质及电子设备 - Google Patents

一种信息推荐方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN114117028A
CN114117028A CN202111346170.1A CN202111346170A CN114117028A CN 114117028 A CN114117028 A CN 114117028A CN 202111346170 A CN202111346170 A CN 202111346170A CN 114117028 A CN114117028 A CN 114117028A
Authority
CN
China
Prior art keywords
text
answer
entity
question
sample
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
Application number
CN202111346170.1A
Other languages
English (en)
Inventor
刘家骅
胡懋地
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202111346170.1A priority Critical patent/CN114117028A/zh
Publication of CN114117028A publication Critical patent/CN114117028A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书公开了一种信息推荐方法、装置、存储介质及电子设备，本说明书实施例先获取包含已知实体和实体关系的问题文本，查找与问题文本相关的答案文本，并从答案文本中识别出待搜索实体。最后，根据已知实体、实体关系和待搜索实体，构建知识图谱，并根据知识图谱中的各实体之间的关联关系进行信息推荐。此方法中，不需要人工参与构建知识图谱，提高了知识图谱的构建效率。

Description

一种信息推荐方法、装置、存储介质及电子设备
技术领域
本说明书涉及计算机技术领域，尤其涉及一种信息推荐方法、装置、存储介质及电子设备。
背景技术
目前，知识图谱可以应用于语义搜索、智能问答、个性推荐等应用场景，其中，知识图谱中每条知识可以表示实体与实体之间的关联关系。通常，每条知识可以由一个三元组组成，比如：<第一实体，关联关系，第二实体>。
以信息推荐的应用场景为例，可以通过知识图谱中各实体之间的关联关系以及用户的实际需求，为用户推荐相关的信息。但是，在构建知识图谱的过程中，现有技术中通常基于人为经验，人工选择具有关联关系的实体对，构建知识图谱。
这样，人工构建知识图谱工作量大，且构建知识图谱的效率低。
发明内容
本说明书实施例提供一种信息推荐方法、装置、存储介质及电子设备，以部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案：
本说明书提供的一种信息推荐方法，包括：
获取问题文本，所述问题文本包含至少一个已知实体以及实体关系，所述实体关系用于表示所述至少一个已知实体与待搜索实体之间的关联关系；
根据所述问题文本，确定与所述问题文本所关联的至少一个答案文本；
从所述至少一个答案文本中识别出所述待搜索实体；
根据所述至少一个已知实体，所述实体关系以及所述待搜索实体，构建知识图谱，以根据所述知识图谱中记录的各实体之间的关联关系，进行信息推荐。
可选地，获取问题文本，具体包括：
根据不同的实体关系类型，确定不同实体关系类型对应的问题模板；
针对每个问题模板，根据该问题模块中所对应的实体类型，从预设的词库中确定出与所述实体类型对应的已知实体，得到该问题模板对应的至少一个问题文本。
可选地，根据所述问题文本，确定与所述问题文本所关联的至少一个答案文本，具体包括：
根据所述问题文本，搜索出与所述问题文本相关的文本集合；
针对所述文本集合中的每个文本，将该文本以及所述问题文本输入预先训练的文本选择模型中，以通过所述文本选择模型，确定该文本与所述问题文本之间的关联度，作为该文本对应的关联度；
根据所述文本集合中每个文本对应的关联度，从所述文本集合中选择出与所述问题文本关联度大于预设阈值的至少一个文本，作为答案文本。
可选地，从所述至少一个答案文本中识别出所述待搜索实体，具体包括：
针对每个答案文本，将该答案文本与所述问题文本输入预先训练的答案识别模型中，以通过所述答案识别模型，从该答案文本中识别出所述问题文本对应的答案片段，作为待搜索实体。
可选地，通过所述答案识别模型，从该答案文本中识别出所述问题文本对应的答案片段，具体包括：
通过所述答案识别模型，确定该答案文本中的每个字作为答案片段开始位置的第一概率，以及每个字作为答案片段结束位置的第二概率；
根据每个字作为答案片段开始位置的第一概率与每个字作为答案片段结束位置的第二概率，确定该答案文本中答案片段开始位置和答案片段结束位置，并将答案片段开始位置与答案片段结束位置之间的文本片段作为答案片段。
可选地，预先训练文本选择模型，具体包括：
获取预先标注的训练样本，所述训练样本包括问题文本样本、与所述问题文本样本相关的文本集合样本；
将所述问题文本样本与所述文本集合样本输入待训练的文本选择模型中，以通过所述文本选择模型，从所述文本集合样本中选择出答案文本，作为待优化答案文本；
以所述待优化答案文本与标注的真实答案文本之间的差异最小化为目标，对所述文本选择模型进行训练。
可选地，预先训练答案识别模型，具体包括：
获取预先标注的训练样本，所述训练样本包括问题文本样本、与所述问题文本样本相关的答案文本样本；
将所述问题文本样本以及所述答案文本样本输入待训练的答案识别模型中，通过所述答案识别模型，从所述答案文本样本中识别出待搜索实体，作为待优化待搜索实体；
以所述待优化待搜索实体与标注的真实待搜索实体之间的差异最小化为目标，对所述答案识别模型进行训练。
本说明书提供的一种信息推荐装置，包括：
获取模块，用于获取问题文本，所述问题文本包含至少一个已知实体以及实体关系，所述实体关系用于表示所述至少一个已知实体与待搜索实体之间的关联关系；
确定模块，用于根据所述问题文本，确定与所述问题文本所关联的至少一个答案文本；
识别模块，用于从所述至少一个答案文本中识别出所述待搜索实体；
信息推荐模块，用于根据所述至少一个已知实体，所述实体关系以及所述待搜索实体，构建知识图谱，以根据所述知识图谱中记录的各实体之间的关联关系，进行信息推荐。
本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的信息推荐方法。
本说明书提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的信息推荐方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书实施例中先获取包含已知实体和实体关系的问题文本，查找与问题文本相关的答案文本，并从答案文本中识别出待搜索实体。最后，根据已知实体、实体关系和待搜索实体，构建知识图谱，并根据知识图谱中的各实体之间的关联关系进行信息推荐。此方法中，不需要人工参与构建知识图谱，提高了知识图谱的构建效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书实施例提供的信息推荐流程示意图；
图2为本说明书实施例提供的信息推荐装置结构示意图；
图3为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
本说明书提供的信息推荐方法旨在根据问题中的已知实体和实体关系，搜索出问题的答案，并将答案作为待搜索实体，然后，将已知实体、实体关系和待搜索实体组成一条知识，并将该条知识存储于知识图谱。其中，知识图谱中的一条知识可以由三元组构成，比如：<已知实体，实体关系，待搜索实体>。构建的知识图谱可以用于信息推荐、智能问答等。
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的信息推荐流程示意图，包括：
S100：获取问题文本，所述问题文本包含至少一个已知实体以及实体关系，所述实体关系用于表示所述至少一个已知实体与待搜索实体之间的关联关系。
在本说明书实施例中，构建用于信息推荐的知识图谱需要构建知识，每条知识可以表示实体与实体之间的关联关系，通常表示为三元组。本说明书中基于问答模式，获取知识中的实体对和实体关系。实体关系可以是实体与实体之间的关联关系。
在本说明书实施例中，可以针对不同的实体关系的类型，获取不同的问题文本。具体的，可以根据不同的实体关系类型，确定不同实体关系类型对应的问题模板。其中，问题模板可以是人工设置的。
比如：针对地方特色菜，可以构建出：“<地名>有什么特色美食”；针对地方特色景点，可以构建出：“<地名>有什么特色景点”等。其中，实体关系类型可以包括：地方特色菜、地方特色景点。
然后，针对每个实体关系类型的每个问题模板，根据该问题模块中所对应的实体类型，从预设的词库中确定出与实体类型对应的实体，作为已知实体，并将已知实体填充到该问题模板中，得到该问题模板对应的至少一个问题文本。
比如：针对地方特色菜的“<地名>有什么特色美食”，<地名>就是问题模板中的实体类型，这样，问题文本可以有：北京有什么特色美食、南京有什么特色美食等。针对地方特色景点的“<地名>有什么特色景点”，<地名>就是问题模板中的实体类型，这样，问题文本可以有：北京有什么特色景点、南京有什么特色景点等。
S102：根据所述问题文本，确定与所述问题文本所关联的至少一个答案文本。
在本说明书实施例中，在得到问题文本之后，可以将问题文本输入搜索引擎提供的开放的应用程序编程接口(Application Programming Interface，API)。通过搜索引擎，搜索出与问题文本相关的文本集合。
比如：将问题文本“北京有什么特色美食”输入浏览器的搜索栏中，搜索出与问题文本相关的至少一个文本，并将至少一个文本作为文本集合。
除了通过搜索引擎获取与问题文本相关的文本集合之外，还可以在预先存储的文本库中查询与问题文本相关的文本集合。
然后，可以针对文本集合中每个文本，确定该文本与问题文本之间的关联度。根据每个文本与问题文本之间的关联度，从文本集合中选择出关联度大于预设阈值的至少一个文本，作为答案文本。
具体的，可以通过关键词匹配的方法、向量空间匹配方法和深度学习方法，确定文本集合中每个文本与问题文本之间的关联度。
S104：从所述至少一个答案文本中识别出所述待搜索实体。
在本说明书实施例中，在得到答案文本之后，可以从答案文本中识别出答案片段，作为待搜索实体。也就是，从答案文本中抽取出与问题文本对应的答案片段。当答案文本存在多个或一个答案文本存在多个答案片段时，一个问题文本可以对应多个待搜索实体。
具体的，针对每个答案文本，将该答案文本与该答案文本对应的问题文本输入预先训练的答案识别模型中，以通过答案识别模型，从该答案文本中识别出问题文本对应的答案片段，作为待搜索实体。其中，答案识别模型可以是BERT模型、DPR模型等。
比如：问题文本是“北京有什么特色美食”，答案文本中的答案片段可能是烤鸭、炸酱面等。其中，烤鸭和炸酱面是待搜索实体。
进一步，通过答案识别模型，根据该答案文本中的每个字的向量以及第一线性变换参数，确定该答案文本中的每个字作为答案片段开始位置的第一概率，以及根据该答案文本中的每个字的向量以及第二线性变换参数，确定每个字作为答案片段结束位置的第二概率。其中，第一线性变换参数和第二线性变换参数是训练识别模型所确定的，且第一线性变换参数和第二线性变换参数不相同。
确定答案片段开始位置的具体公式为：
Figure BDA0003354197590000071
其中，
Figure BDA0003354197590000072
表示第i个字经过第一线性变换后得到的标量，v1、b1表示第一线性变换参数，h′i表示第i个字的向量。
Figure BDA0003354197590000073
表示对第i个字经过第一线性变换后得到的标量进行归一化得到第一概率，M表示该文本所有字的数量。
确定答案片段结束位置的具体公式为：
Figure BDA0003354197590000074
其中，
Figure BDA0003354197590000075
表示第i个字经过第二线性变换后得到的标量，v2、b2表示第二线性变换参数，h′i表示第i个字的向量。
Figure BDA0003354197590000076
表示对第i个字经过第二线性变换后得到的标量进行归一化得到第二概率，M表示该文本所有字的数量。
然后，根据每个字作为答案片段开始位置的第一概率、每个字作为答案片段结束位置的第二概率以及预设的最大片段长度，确定该答案文本中答案片段开始位置和答案片段结束位置，并将答案片段开始位置与答案片段结束位置之间的文本片段作为答案片段。
具体的，将每个字作为答案片段开始位置的第一概率与每个字作为答案片段结束位置的第二概率相乘，得到至少一个总概率。从多个总概率中选择概率值最大的总概率。然后，将概率值最大的总概率对应的字作为答案片段开始位置和答案片段结束位置。最后，将答案片段开始位置与答案片段结束位置之间的文本片段作为答案片段。
确定答案片段开始位置和结束位置的具体公式为：s′，
Figure BDA0003354197590000081
其中，s′表示答案片段开始位置，e′表示答案片段结束位置，max_len表示预设的最大片段长度。
除了从答案文本中识别出待搜索实体之外，还可以将答案文本输入预先训练的文本生成模型，生成与问题文本对应的答案片段，作为待搜索实体。其中，文本生成模型可以是GAN模型。
S106：根据所述至少一个已知实体，所述实体关系以及所述待搜索实体，构建知识图谱，以根据所述知识图谱中记录的各实体之间的关联关系，进行信息推荐。
在本说明书实施例中，在得到待搜索实体之后，可以根据问题文本中至少一个已知实体、实体关系以及答案文本中的待搜索实体，构建知识图谱。也就是，将问题文本中至少一个已知实体、实体关系以及答案文本中的待搜索实体构成三元组，即，一条知识，并存储于知识图谱中。
继续沿用上例，可以将北京、特色美食、烤鸭、炸酱面构成三元组，可能为：<北京，特色美食，烤鸭>、<北京，特色美食，炸酱面>、<北京，特色美食，烤鸭、炸酱面>。
然后，可以根据构建的知识图谱中记录的各实体之间的关联关系以及用户的语义搜索，为用户进行信息推荐。
具体的，获取用户输入的关键词，根据关键词以及知识图谱中各实体之间的关联关系，从知识图谱中查找与关键词相关的实体。根据查找到的实体，确定与查找到的实体关联的信息，并推荐给用户。其中，推荐给用户的信息与关键词相关。
比如：用户在餐饮页面输入北京特色美食，可以在知识图谱中查找相关的是实体，比如为烤鸭。然后，从用户当前地理位置周围的所有商家中，为用户召回提供北京烤鸭的商家，展示给用户。
此外，还可以根据构建的知识图谱中记录的各实体之间的关联关系，直接为用户推荐信息。
具体的，可以根据获取的用户历史上的位置信息以及用户当前的位置信息，判断用户的位置变化是否超过预设阈值。若是，获取用户历史上的消费数据。根据用户历史上的消费数据，判断用户历史上是否存在与当前的位置信息所关联的消费记录。若是，根据消费记录中所涉及的实体以及知识图谱中各实体之间的关联关系，为用户推荐信息。
比如：针对地方特色菜的情况，获取到居住在南京的用户当前的位置是北京，这时需要判断该用户历史上是否消费过与北京相关的美食。若是，就可以直接向用户推荐用户附近的提供北京烤鸭的商家。
通过上述图1所示的方法可见，本说明书先获取包含已知实体和实体关系的问题文本，查找与问题文本相关的答案文本，并从答案文本中识别出待搜索实体。最后，根据已知实体、实体关系和待搜索实体，构建知识图谱，并根据知识图谱中的各实体之间的关联关系进行信息推荐。此方法中，不需要人工参与构建知识图谱，提高了知识图谱的构建效率。
进一步的，在如图1所示的步骤S102中，可以通过关键词匹配的方法，确定问题文本与文本集合中每个文本之间的关联度。比如：N-gram相似度、Jaccard相似度。
具体的，针对文本集合中的每个文本，确定该文本与问题文本之间的词交集和词并集。然后，根据词交集与词并交集之间的的比值，确定该文本与问题文本之间的关联度。比值越大，关联度也越大。
另外，可以通过向量空间匹配，确定问题文本与文本集合中每个文本之间的关联度。比如：Word2vec、LDA等。
具体的，针对问题文本中的每个字，将每个字映射为固定长度的短向量，问题文本由多个短向量构成字向量空间。同样的，针对文本集合中的每个文本中的每个字，将每个字映射为固定长度的短向量，该文本由多个短向量构成字向量空间。然后，根据问题文本对应的字向量空间与该文本对应的字向量空间之间的相似度，确定问题文本与该文本之间的关联度。相似度越大，关联度也越大。
此外，可以通过深度学习方法，确定问题文本与文本集合中每个文本之间的关联度。比如：采用BERT模型、DPR模型等。
具体的，针对文本集合中的每个文本，将该文本以及问题文本输入预先训练的文本选择模型中，以通过文本选择模型，确定该文本与问题文本之间的关联度，作为该文本对应的关联度。根据文本集合中每个文本对应的关联度，从文本集合中选择出与问题文本关联度大于预设阈值的至少一个文本，作为答案文本。其中，文本选择模型可以是BERT模型、DPR模型等。
进一步，对文本选择模型进行训练时，可以从开放式问答数据集库中获取已标注的问答数据对，作为文本选择模型的训练样本。其中，开放式问答数据集库可以是DuReader、CMRC等。文本选择模型的训练样本可以包括：问题文本样本、与问题文本样本相关的文本集合样本。这样的训练样本可以不需要人工标注样本，并且从开放式问答数据集库中获取的训练样本各种各样，不局限于一个实体关系类型的数据，从而使训练完成的文本选择模型适用于不同实体关系类型的问题文本和文本集合，提高文本选择模型的通用性。
具体的，对文本选择模型进行训练时，获取预先标注的训练样本，训练样本包括问题文本样本、与所述问题文本样本相关的文本集合样本。然后，将问题文本样本与文本集合样本输入待训练的文本选择模型中，以通过文本选择模型，从文本集合样本中选择出答案文本，作为待优化答案文本。最后，以待优化答案文本与标注的真实答案文本之间的差异最小化为目标，对文本选择模型中的线性变换参数进行调整。
文本选择模型训练完成之后，针对输入文本选择模型中的每个文本，根据该文本对应的向量表示以及文本选择模型中调整后的线性变换参数，确定该文本与问题文本之间的关联度。
具体公式为：关联度Prob＝σ(vThc)。其中，σ为激活函数，v线性变换参数，hc为文本的向量表示。
在图1所示的步骤S104中，对答案识别模型进行训练时，可以从开放式问答数据集库中获取已标注的问答数据对，作为答案识别模型的训练样本，答案识别模型的训练样本可以包括：问题文本样本、与问题文本样本对应的答案文本样本。与文本选择模型相似的，答案识别模型的训练样本可以不需要人工标注样本，并且从开放式问答数据集库中获取的训练样本各种各样，不局限于一个实体关系类型的数据，从而使训练完成的答案识别模型适用于不同实体关系类型的问题文本和文本集合，提高答案识别模型的通用性。
具体的，对答案识别模型进行训练时，获取预先标注的训练样本，训练样本包括问题文本样本、与问题文本样本相关的答案文本样本。将问题文本样本以及答案文本样本输入待训练的答案识别模型中，通过答案识别模型，从答案文本样本中识别出待搜索实体，作为待优化待搜索实体。以待优化待搜索实体与标注的真实待搜索实体之间的差异最小化为目标，对答案识别模型中第一线性变换参数和第二线性变换参数进行调整。
另外，还可以对文本选择模型和答案识别模型进行联合训练。
具体的，获取预先标注的训练样本，训练样本包括问题文本样本、与所述问题文本样本相关的文本集合样本。然后，将问题文本样本与文本集合样本输入待训练的文本选择模型中，以通过文本选择模型，从文本集合样本中选择出答案文本，作为待优化答案文本。将问题文本样本以及待优化答案文本输入待训练的答案识别模型中，通过答案识别模型，从答案文本样本中识别出待搜索实体，作为待优化待搜索实体。以待优化答案文本与标注的真实答案文本之间的差异最小化、待优化待搜索实体与标注的真实待搜索实体之间的差异最小化为目标，对包含文本选择模型和答案识别模型的问答模型进行训练。
以上为本说明书实施例提供的信息推荐方法，基于同样的思路，本说明书还提供了相应的装置、存储介质和电子设备。
图2为本说明书实施例提供的一种信息推荐装置的结构示意图，所述装置包括：
获取模块201，用于获取问题文本，所述问题文本包含至少一个已知实体以及实体关系，所述实体关系用于表示所述至少一个已知实体与待搜索实体之间的关联关系；
确定模块202，用于根据所述问题文本，确定与所述问题文本所关联的至少一个答案文本；
识别模块203，用于从所述至少一个答案文本中识别出所述待搜索实体；
信息推荐模块204，用于根据所述至少一个已知实体，所述实体关系以及所述待搜索实体，构建知识图谱，以根据所述知识图谱中记录的各实体之间的关联关系，进行信息推荐。
可选地，所述获取模块201具体用于，根据不同的实体关系类型，确定不同实体关系类型对应的问题模板；针对每个问题模板，根据该问题模块中所对应的实体类型，从预设的词库中确定出与所述实体类型对应的已知实体，得到该问题模板对应的至少一个问题文本。
可选地，所述确定模块202具体用于，根据所述问题文本，搜索出与所述问题文本相关的文本集合；针对所述文本集合中的每个文本，将该文本以及所述问题文本输入预先训练的文本选择模型中，以通过所述文本选择模型，确定该文本与所述问题文本之间的关联度，作为该文本对应的关联度；根据所述文本集合中每个文本对应的关联度，从所述文本集合中选择出与所述问题文本关联度大于预设阈值的至少一个文本，作为答案文本。
可选地，所述识别模块203具体用于，针对每个答案文本，将该答案文本与所述问题文本输入预先训练的答案识别模型中，以通过所述答案识别模型，从该答案文本中识别出所述问题文本对应的答案片段，作为待搜索实体。
可选地，所述识别模块203具体用于，通过所述答案识别模型，确定该答案文本中的每个字作为答案片段开始位置的第一概率，以及每个字作为答案片段结束位置的第二概率；根据每个字作为答案片段开始位置的第一概率与每个字作为答案片段结束位置的第二概率，确定该答案文本中答案片段开始位置和答案片段结束位置，并将答案片段开始位置与答案片段结束位置之间的文本片段作为答案片段。
可选地，所述确定模块202具体用于，获取预先标注的训练样本，所述训练样本包括问题文本样本、与所述问题文本样本相关的文本集合样本；将所述问题文本样本与所述文本集合样本输入待训练的文本选择模型中，以通过所述文本选择模型，从所述文本集合样本中选择出答案文本，作为待优化答案文本；以所述待优化答案文本与标注的真实答案文本之间的差异最小化为目标，对所述文本选择模型进行训练。
可选地，所述识别模块203具体用于，获取预先标注的训练样本，所述训练样本包括问题文本样本、与所述问题文本样本相关的答案文本样本；将所述问题文本样本以及所述答案文本样本输入待训练的答案识别模型中，通过所述答案识别模型，从所述答案文本样本中识别出待搜索实体，作为待优化待搜索实体；以所述待优化待搜索实体与标注的真实待搜索实体之间的差异最小化为目标，对所述答案识别模型进行训练。
本说明书还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可用于执行上述图1提供的信息推荐方法。
基于图1所示的信息推荐方法，本说明书实施例还提供了图3所示的电子设备的结构示意图。如图3，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的信息推荐方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种信息推荐方法，其特征在于，包括：
获取问题文本，所述问题文本包含至少一个已知实体以及实体关系，所述实体关系用于表示所述至少一个已知实体与待搜索实体之间的关联关系；
根据所述问题文本，确定与所述问题文本所关联的至少一个答案文本；
从所述至少一个答案文本中识别出所述待搜索实体；
根据所述至少一个已知实体，所述实体关系以及所述待搜索实体，构建知识图谱，以根据所述知识图谱中记录的各实体之间的关联关系，进行信息推荐。
2.如权利要求1所述的方法，其特征在于，获取问题文本，具体包括：
根据不同的实体关系类型，确定不同实体关系类型对应的问题模板；
针对每个问题模板，根据该问题模块中所对应的实体类型，从预设的词库中确定出与所述实体类型对应的已知实体，得到该问题模板对应的至少一个问题文本。
3.如权利要求1所述的方法，其特征在于，根据所述问题文本，确定与所述问题文本所关联的至少一个答案文本，具体包括：
根据所述问题文本，搜索出与所述问题文本相关的文本集合；
针对所述文本集合中的每个文本，将该文本以及所述问题文本输入预先训练的文本选择模型中，以通过所述文本选择模型，确定该文本与所述问题文本之间的关联度，作为该文本对应的关联度；
根据所述文本集合中每个文本对应的关联度，从所述文本集合中选择出与所述问题文本关联度大于预设阈值的至少一个文本，作为答案文本。
4.如权利要求1所述的方法，其特征在于，从所述至少一个答案文本中识别出所述待搜索实体，具体包括：
针对每个答案文本，将该答案文本与所述问题文本输入预先训练的答案识别模型中，以通过所述答案识别模型，从该答案文本中识别出所述问题文本对应的答案片段，作为待搜索实体。
5.如权利要求4所述的方法，其特征在于，通过所述答案识别模型，从该答案文本中识别出所述问题文本对应的答案片段，具体包括：
通过所述答案识别模型，确定该答案文本中的每个字作为答案片段开始位置的第一概率，以及每个字作为答案片段结束位置的第二概率；
根据每个字作为答案片段开始位置的第一概率与每个字作为答案片段结束位置的第二概率，确定该答案文本中答案片段开始位置和答案片段结束位置，并将答案片段开始位置与答案片段结束位置之间的文本片段作为答案片段。
6.如权利要求3所述的方法，其特征在于，预先训练文本选择模型，具体包括：
获取预先标注的训练样本，所述训练样本包括问题文本样本、与所述问题文本样本相关的文本集合样本；
将所述问题文本样本与所述文本集合样本输入待训练的文本选择模型中，以通过所述文本选择模型，从所述文本集合样本中选择出答案文本，作为待优化答案文本；
以所述待优化答案文本与标注的真实答案文本之间的差异最小化为目标，对所述文本选择模型进行训练。
7.如权利要求4所述的方法，其特征在于，预先训练答案识别模型，具体包括：
获取预先标注的训练样本，所述训练样本包括问题文本样本、与所述问题文本样本相关的答案文本样本；
将所述问题文本样本以及所述答案文本样本输入待训练的答案识别模型中，通过所述答案识别模型，从所述答案文本样本中识别出待搜索实体，作为待优化待搜索实体；
以所述待优化待搜索实体与标注的真实待搜索实体之间的差异最小化为目标，对所述答案识别模型进行训练。
8.一种信息推荐装置，其特征在于，包括：
获取模块，用于获取问题文本，所述问题文本包含至少一个已知实体以及实体关系，所述实体关系用于表示所述至少一个已知实体与待搜索实体之间的关联关系；
确定模块，用于根据所述问题文本，确定与所述问题文本所关联的至少一个答案文本；
识别模块，用于从所述至少一个答案文本中识别出所述待搜索实体；
信息推荐模块，用于根据所述至少一个已知实体，所述实体关系以及所述待搜索实体，构建知识图谱，以根据所述知识图谱中记录的各实体之间的关联关系，进行信息推荐。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-7任一项所述的方法。
CN202111346170.1A 2021-11-15 2021-11-15 一种信息推荐方法、装置、存储介质及电子设备 Pending CN114117028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111346170.1A CN114117028A (zh) 2021-11-15 2021-11-15 一种信息推荐方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111346170.1A CN114117028A (zh) 2021-11-15 2021-11-15 一种信息推荐方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN114117028A true CN114117028A (zh) 2022-03-01

Family

ID=80396133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111346170.1A Pending CN114117028A (zh) 2021-11-15 2021-11-15 一种信息推荐方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN114117028A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117033664A (zh) * 2023-09-28 2023-11-10 腾讯科技（深圳）有限公司 业务的序列图生成方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117033664A (zh) * 2023-09-28 2023-11-10 腾讯科技（深圳）有限公司 业务的序列图生成方法、装置、计算机设备和存储介质
CN117033664B (zh) * 2023-09-28 2024-01-09 腾讯科技（深圳）有限公司 业务的序列图生成方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN110309283B (zh) 一种智能问答的答案确定方法及装置
CN111191078B (zh) 基于视频信息处理模型的视频信息处理方法及装置
CN110334272B (zh) 基于知识图谱的智能问答方法、装置及计算机存储介质
US20200372217A1 (en) Method and apparatus for processing language based on trained network model
US9069843B2 (en) Iterative refinement of search results based on user feedback
CN117235226A (zh) 一种基于大语言模型的问题应答方法及装置
CN110737756B (zh) 确定针对用户输入数据的应答的方法、装置、设备和介质
JP7204801B2 (ja) ニューラルネットワークに基づくマンマシンインタラクション方法、装置、及び媒体
CN107679082A (zh) 问答搜索方法、装置以及电子设备
CN115952272B (zh) 一种生成对话信息的方法、装置、设备及可读存储介质
US20210358570A1 (en) Method and system for claim scope labeling, retrieval and information labeling of gene sequence
CN111144093B (zh) 一种智能文本处理方法、装置、电子设备及存储介质
CN110147494B (zh) 信息搜索方法、装置，存储介质及电子设备
CN109522397B (zh) 信息处理方法及装置
CN113010640B (zh) 一种业务执行的方法及装置
CN112948449A (zh) 一种信息推荐的方法及装置
CN115714030A (zh) 一种基于疼痛感知和主动交互的医疗问答系统及方法
CN113887206B (zh) 一种模型训练及关键词提取方法及装置
CN114117028A (zh) 一种信息推荐方法、装置、存储介质及电子设备
CN113887235A (zh) 一种信息推荐的方法及装置
CN117520793A (zh) 意图槽位识别模型的生成方法、装置、及电子设备
CN112699307A (zh) 一种信息的生成方法及装置
CN117131155A (zh) 多类目识别方法、装置、电子设备及储存介质
CN116662657A (zh) 一种模型训练和信息推荐的方法、装置、存储介质及设备
CN114792256A (zh) 基于模型选择的人群扩量方法及装置

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