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是本公开的一些实施例的程序接口信息推荐方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取针对目标编程语言的目标查询语句信息102;其次,计算设备101可以对上述目标查询语句信息102进行分词处理,以生成词集合103;然后,计算设备101可以根据上述词集合103和预先训练的标签预测模型104,生成目标标签集合105;接着,计算设备101可以根据上述目标标签集合105和上述目标查询语句信息102,确定上述目标查询语句信息102和预先构建的知识库106中的每条查询语句信息之间的相似度,以生成第一相似度数值,得到第一相似度数值序列107;此外,计算设备101可以从上述预先构建的知识库106中筛选出对应的第一相似度数值满足筛选条件的查询语句信息,作为候选查询语句信息,得到候选查询语句信息集合108,其中,上述筛选条件为查询语句信息对应的第一相似度数值大于等于目标值,上述候选查询语句信息集合108中的候选查询语句信息的数量与目标数量一致;接着,计算设备101可以确定上述候选查询语句信息集合108中每条候选查询语句信息对应的答复信息集合109与上述目标查询语句信息102的相似度,以生成第二相似度数值,得到第二相似度数值序列110;紧接着,计算设备101可以根据上述第二相似度数值序列110,对上述候选查询语句信息集合108中的候选查询语句信息对应的程序接口信息进行排序,以生成程序接口信息序列111;最后,计算设备101可以将上述程序接口信息序列111发送至目标界面112以供展示。
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,可以安装在上述所列举的硬件设备中。其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程序接口信息推荐方法的一些实施例的流程200。该程序接口信息推荐方法,包括以下步骤:
步骤201,获取针对目标编程语言的目标查询语句信息。
在一些实施例中,程序接口信息推荐方法的执行主体(例如图1所示的计算设备101)可以通过有线连接或无线连接的方式,获取针对目标编程语言的目标查询语句信息。其中,上述目标编程语言可以是用于应用程序开发的编程语言。例如,上述目标编程语言可以是Java编程语言。又如,上述目标编程语言可以是Python编程语言。上述目标查询语句信息可以表征查询目标功能所需的程序接口时的查询语句。上述目标功能可以是应用程序对应的待开发的程序功能。例如,上述目标功能可以是“将二进制字符串转换为小数”功能。上述查询语句可以是“How to convert a binary String such as String c=‘110010’tothe value in decimal in Java”。
步骤202,对目标查询语句信息进行分词处理,以生成词集合。
在一些实施例中,上述执行主体可以对上述目标查询语句信息进行分词处理,以生成上述词集合。其中,分词处理可以以词为粒度,对上述目标查询语句信息进行分割。
作为示例,当上述目标查询语句信息为“如何通过Java,将二进制字符串转换为浮点数”时,上述执行主体可以通过Jieba分词,对上述目标查询语句信息进行分词处理,以生成上述词集合,分词处理对应的代码可以如下例:
String="如何通过Java,将二进制字符串转换为浮点数"
print("".join(jieba.cut(String)))
得到的词集合可以是[“如何”,“通过”,“Java”,“将”,“二进制”,“字符串”,“转换”,“为”,“浮点数”]。
作为又一示例,当上述目标查询语句信息为“How to convert a binary Stringto the value in decimal in Java”时,上述执行主体可以通过如下代码,对上述目标查询语句进行分词处理:
String="How to convert a binary String to the value in demail inJava"
print(String.split(""))
得到的词集合可以是[“How”,“to”,“convert”,“a”,“binary”,“String”,“to”,“the”,“value”,“in”,“demail”,“in”,“Java”]。
步骤203,根据词集合和预先训练的标签预测模型,生成目标标签集合。
在一些实施例中,上述执行主体可以根据上述词集合和预先训练的上述标签预测模型,生成目标标签集合。其中,上述标签预测模型可以是用于根据上述词集合,确定上述目标查询语句信息对应的至少一个关键词的模型。上述目标标签集合中的目标标签可以表征上述目标查询语句信息对应的关键词。例如,上述标签预测模型可以是但不限于以下任意一项:AlexNet模型和RNN(Recurrent neural network,循环神经网络)模型。其中,上述标签预测模型可以根据目标训练样本集合训练得到。上述目标训练样本集合中的目标训练样本可以包含对查询问题信息分词后得到词集合查询问题对应的标签集。
作为示例,上述目标查询语句信息可以是“How to wait for all threads tofinish using ExecutorService”,对应的词集合可以是[“How”,“to”,“wait”,“for”,“all”,“threads”,“to”,“finish”,“using”,“ExecutorService”]。得到的目标标签集合可以是[“multithreading”,“concurrency”,“parallel-processing”,“executorservice”]。
步骤204,根据目标标签集合和目标查询语句信息,确定目标查询语句信息和预先构建的知识库中的每条查询语句信息之间的相似度,以生成第一相似度数值,得到第一相似度数值序列。
在一些实施例中,上述执行主体可以根据上述目标标签集合和上述目标查询语句信息,确定上述目标查询语句信息和预先构建的上述知识库中的每条查询语句信息之间的相似度,以生成第一相似度数值,得到上述第一相似度数值序列。其中,上述知识库可以是用于存储目标平台上查询语句信息,查询语句信息对应的标签信息和查询语句信息对应的程序接口信息的库。上述目标平台可以是用于查询应用程序功能所需的程序接口的平台。例如,上述目标平台可以是Stack Overflow平台。Stack Overflow是程序开发人员常用的程序开发讨论区,提供了大量的与编程需求相一致的API使用知识。查询语句信息对应的程序接口信息可以表征查询语句所查询的程序接口对应的信息。其中,程序接口信息可以包括:程序接口名称,程序接口所在程序包名称,程序接口功能介绍和程序接口使用方法。上述第一相似度数值序列中的第一相似度数值可以表征上述目标标签集合和上述目标查询语句信息,与上述查询语句信息之间的相似度。
作为示例,上述执行主体可以通过确定上述目标标签集合和上述目标查询语句信息,与上述查询语句信息之间的之间的欧氏距离,以生成上述第一相似度数值。
步骤205,从预先构建的知识库中筛选出对应的第一相似度数值满足筛选条件的查询语句信息,作为候选查询语句信息,得到候选查询语句信息集合。
在一些实施例中,上述执行主体可以从预先构建的上述知识库中筛选出对应的第一相似度数值满足筛选条件的查询语句信息,作为候选查询语句信息,得到上述候选查询语句信息集合。其中,上述筛选条件可以为查询语句信息对应的第一相似度数值大于等于目标值。上述目标值可以是人为设置的。例如,上述目标值可以是0.9。上述候选查询语句信息集合中的候选查询语句信息的数量可以与目标数量一致。上述目标数量可以表征最大的信息推荐量。例如,上述目标数量可以是5。
步骤206,确定候选查询语句信息集合中每条候选查询语句信息对应的答复信息集合与目标查询语句信息的相似度,以生成第二相似度数值,得到第二相似度数值序列。
在一些实施例中,上述执行主体可以确定上述候选查询语句信息集合中每条候选查询语句信息对应的答复信息集合与上述目标查询语句信息的相似度,以生成第二相似度数值,得到第二相似度数值序列。其中,上述执行主体可以通过确定上述候选查询语句信息对应的答复信息集合,与上述目标查询语句信息之间的汉明距离,以生成第二相似度数值。
步骤207,根据第二相似度数值序列,对候选查询语句信息集合中的候选查询语句信息对应的程序接口信息进行排序,以生成程序接口信息序列。
在一些实施例中,上述执行主体可以根据上述第二相似度数值序列,对上述候选查询语句信息集合中的候选查询语句信息对应的程序接口信息进行排序,以生成程序接口信息序列。其中,程序接口信息可以包括:程序接口名称,程序接口所在程序包名称,程序接口功能介绍和程序接口使用方法。上述执行主体可以按照上述第二相似度数值序列中的第二相似度数值的大小,按照由大到小的顺序,对上述候选查询语句信息集合中的候选查询语句信息对应的程序接口信息进行排序,以生成上述程序接口信息序列。
步骤208,将程序接口信息序列发送至目标界面以供展示。
在一些实施例中,上述执行主体可以将上述程序接口信息序列发送至上述目标界面以供展示。其中,上述目标界面可以是用于展示上述程序接口信息序列的界面。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的程序接口信息推荐方法,提高了应用程序开发效率和程序接口的查询精准度。具体来说,造成应用程序开发效率低下和程序接口的查询精准度低下的原因在于:一、随着程序接口的数量增多,开发人员难以快速地从众多程序接口中选择合适的程序接口进行应用程序开发,从而导致应用程序开发效率低下;二、在进行程序接口检索时,仅通过查询语句匹配的方式,程序接口查询效率低下。基于此,本公开的一些实施例的程序接口信息推荐方法,首先,获取针对目标编程语言的目标查询语句信息。然后,对上述目标查询语句信息进行分词处理,以生成词集合。由于查询语句中往往包含部分检索关键字,因此,通过分词的方式方便后续进行关键词的匹配。其次,根据上述词集合和预先训练的标签预测模型,生成目标标签集合。通过标签预测模型,以此对目标查询语句信息对应的检索关键字进行补充。进一步,根据上述目标标签集合和上述目标查询语句信息,确定上述目标查询语句信息和预先构建的知识库中的每条查询语句信息之间的相似度,以生成第一相似度数值,得到第一相似度数值序列。通过上述目标标签集合和上述目标查询语句信息,确定上述目标查询语句信息和查询语句信息之间的相似度的方式,考虑到了语句与语句之间的关联性,以及语句与目标标签的关联性,大大提高了确定第一相似度数值的准确性。接着,从上述预先构建的知识库中筛选出对应的第一相似度数值满足筛选条件的查询语句信息,作为候选查询语句信息,得到候选查询语句信息集合,其中,上述筛选条件为查询语句信息对应的第一相似度数值大于等于目标值,上述候选查询语句信息集合中的候选查询语句信息的数量与目标数量一致。通过此步骤筛选出相似度较大的目标数量个查询语句信息。进一步,确定上述候选查询语句信息集合中每条候选查询语句信息对应的答复信息集合与上述目标查询语句信息的相似度,以生成第二相似度数值,得到第二相似度数值序列。通过生成第二相似度数值,以此确定目标查询语句信息,与候选查询语句信息对应的答复信息集合得关联性。除此之外,根据上述第二相似度数值序列,对上述候选查询语句信息集合中的候选查询语句信息对应的程序接口信息进行排序,以生成程序接口信息序列。通过排序的方式,使得相似度较高的程序接口信息排列靠前。最后,将上述程序接口信息序列发送至目标界面以供展示。通过此种推荐方式,可以快速地向开发人员推荐开发人员待使用的程序接口,从而,大大提高了应用程序的开发效率。并且,在确定相似度时,除了考虑查询语句之间的相似度,本公开还考虑到了标签与查询语句,查询语句与答复信息集合的相似度,通过此种方式,大大提高了程序接口查询精度。
进一步参考图3,其示出了程序接口信息推荐方法的另一些实施例的流程300。该程序接口信息推荐方法的流程300,包括以下步骤:
步骤301,获取针对目标编程语言的目标查询语句信息。
在一些实施例中,步骤301的具体实现及其所带来的技术效果,可以参考图2对应的那些实施例中的步骤201,在此不再赘述。
步骤302,对目标查询语句信息进行分词处理,以生成词集合。
在一些实施例中,程序接口信息推荐方法的执行主体(例如图1所示的计算设备101)可以对上述目标查询语句信息进行分词处理,以生成上述词集合。
在一些实施例中,上述执行主体对上述目标查询语句信息进行分词处理,以生成上述词集合,可以包括以下步骤:
第一步,通过正则表达式,去除上述目标查询语句信息包含的HTML(HyperTextMarkup Language,超文本标记语言)标记,以生成第一候选语句。
作为示例,上述HTML标记可以是“<code>”标记。又如,上述HTML标记还可以是“<pre>”标记。上述目标查询语句信息可以是“<p>How to convert a binary String suchas</p>\n\n<pre><code>Stringc="110010";//as binary\n</code></pre>\n\n<p>tothe value in decimal in Java?(expected result in the example is 50)</p>\n”。上述执行主体可以通过正则表达式“<pre><code>(.*?)</code></pre>”去除上述目标查询语句信息包含的HTML标记,以生成第一候选语句“<p>How to convert a binary Stringsuch as</p>\n\n\n\n<p>to the value in decimal in Java?(expected result in theexample is 50)</p>\n”。
第二步,对上述第一候选语句中的段落标记和转移字符进行剔除,以生成第二候选语句。
其中,上述段落标记可以是HTML标记中的“<p>”标记。例如,上述转义字符可以是“\n”。其中,转移字符“\n”可以表示换行。上述执行主体可以通过正则表达式对行数对上述候选语句中的段落标记和转移字符进行剔除。
第三步,对上述第三候选语句进行分词处理,以生成上述词集合。
其中,上述执行主体可以通过Python语言的SNER库,对上述第三候选语句进行分词处理,以生成上述词集合。
步骤303,对于词集合中的每个词,响应于确定预设标签集合中存在与词对应的预设标签,将词确定为第一目标标签。
在一些实施例中,上述执行主体可以对于上述词集合中的每个词,响应于确定上述预设标签集合中存在与词对应的预设标签,将词确定为第一目标标签。其中,上述目标标签集合可以包括:第一目标标签集合和第二目标标签集合。上述预设标签集合中的预设标签可以是预先采集的,从与上述目标编程语言相关的查询语句中抽取的标签。上述执行主体可以响应于确定上述预设标签集合中存在与词相同的预设标签,将词确定为第一目标标签。
例如,上述预设标签集合中的预设标签可以是从候选问答信息包括的标签集合中抽取的出现次数大于目标次数的标签。例如,上述目标次数可以是10次。
步骤304,将词集合中的词输入预先训练的标签预测模型,以生成第二目标标签集合。
在一些实施例中,上述执行主体可以将上述词集合中的词输入上述预先训练的标签预测模型,以生成上述第二目标标签集合。其中,上述标签预测模型可以通过以下步骤训练得到:
第一步,根据上述候选问答信息集合中的候选问答信息包括的查询语句信息和标签集合构建训练样本,得到训练样本集合。其中,上述候选问答信息集合中的候选问答信息可以包括:查询语句信息,答复信息和标签集合。标签集合中的标签可以表征查询语句信息对应的关键词。上述候选问答信息集合可以通过以下子步骤得到:
第一子步骤,抓取问答页面,得到问答页面集合。
其中,上述问答页面集合中的问答页面可以是上述目标平台中的网页页面。上述执行主体可以通过爬虫,抓取上述问答页面。
第二子步骤,对问答页面集合中的每个问答页面进行信息提取,以生成问答信息,得到问答信息集合。
其中,上述问答信息集合中的问答信息包括:查询语句信息和答复信息。上述执行主体可以通过正则表达式过滤问答页面包含的HTML标记和转义字符,以生成问答信息。
第三子步骤,通过预先训练的词向量转换模型,对上述问答信息集合中的每个问答信息包括的查询语句信息进行词向量转换,以生成词向量,得到词向量集合。
其中,上述词向量转换模型可以是CBOW(Continuous Bag-of-Words,词向量转换)模型。
第四子步骤,将上述词向量集合中的词向量输入预先训练的二分模型,以生成分类结果,得到分类结果集合。
其中,上述二分类模型可以是Sentence-BERT模型。上述分类结果集合中的分类结果可以表征查询语句信息是否与目标编程语言对应的程序接口相关。
第五子步骤,从上述问答信息集合中筛选出对应的分类结果满足问答信息筛选条件的问答信息,作为候选问答信息,得到候选问答信息集合。
其中,上述问答信息筛选条件可以是分类结果表征查询语句信息与目标编程语言对应的程序接口相关。
第二步,将上述训练样本集合按照预设比例,划分成测试样本集合和验证样本集合。
其中,上述预设比例可以与上述测试样本集合中测试样本的数量和上述验证样本集合中验证样本的数量的比值相同。例如,上述预设比例可以是3:1。上述测试样本集合可以是用于对初始标签预测模型进行训练的样本集合。上述验证样本集合可以是用于对候选标签预测模型的预测准确性进行验证的样本集合。
第三步,通过上述测试样本集合对初始标签预测模型进行训练,以生成候选标签预测模型。
其中,上述执行主体可以通过上述测试样本集合,对上述初始标签预测模型进行迭代训练,以生成上述候选标签预测模型。
第四步,通过上述验证样本集合对上述候选标签预测模型进行验证。
例如,上述执行主体可以将上述验证样本集合中的验证样本输入上述候选标签预测模型,根据上述候选标签预测模型的预测结果和验证样本包含的标签集合的匹配度,生成预测准确率描述数值。其中,上述预测准确率描述数值可以用于表征上述候选标签预测模型的预测准确度。
第五步,响应于确定上述候选标签预测模型通过验证,将上述候选标签预测模型确定为上述标签预测模型。
其中,上述执行主体可以响应于确定上述预测准确率描述数值大于预设准确度数值,则认定上述候选标签预测模型通过验证。例如,上述预设准确度数值可以是99%。
作为示例,上述标签预测模型的网络结构可以如图4所示。其中,上述标签预测模型可以包括输入层401、第一特征提取层402、第二特征提取层403、全连接层集合404和输出层405。其中,上述第一特征特征提取层402和上述第二特征提取层403并联设置。上述全连接层集合404中的全连接层的数量可以为5。上述输入层401可以包含2048个神经元。上述输出层405可以包括745个神经元。上述标签预测模型可以采用Hamming Loss作为损失函数。上述第一特征提取层402可以是LSTM(Long short-term memory,长短期记忆)模型。上述第二特征提取层403可以是TextCNN(Text Convolutional NeuralNetworks,文本卷积神经网络)模型。
其中,标签预测模型的模型输入可以为词集合中词对应的词向量构成的矩阵X。其中,X∈Rs×d。s表示词向量的数量。d表示词向量的维度。R表示矩阵X所在的向量空间。标签预测模型的模型输出可以为向量z。其中,z∈Rk。k表示第二目标标签集合中第二目标标签的数量。向量z由0和1构成,其中,0表示包含标签,1表示不包含标签。
步骤305,根据目标标签集合和目标查询语句信息,确定目标查询语句信息和预先构建的知识库中的每条查询语句信息之间的相似度,以生成第一相似度数值,得到第一相似度数值序列。
在一些实施例中,上述执行主体可以根据目标标签集合和目标查询语句信息,确定目标查询语句信息和预先构建的知识库中的每条查询语句信息之间的相似度,以生成第一相似度数值,得到第一相似度数值序列。其中,上述知识库可以通过以下子步骤训练得到:
第一子步骤,抓取问答页面,得到问答页面集合。
其中,上述问答页面集合中的问答页面可以是上述目标平台中的网页页面。上述执行主体可以通过爬虫,抓取上述问答页面。
第二子步骤,对问答页面集合中的每个问答页面进行信息提取,以生成问答信息,得到问答信息集合。
其中,上述问答信息集合中的问答信息包括:查询语句信息和答复信息。上述执行主体可以通过正则表达式过滤问答页面包含的HTML标记和转义字符,以生成问答信息。
第三子步骤,通过预先训练的词向量转换模型,对上述问答信息集合中的每个问答信息包括的查询语句信息进行词向量转换,以生成词向量,得到词向量集合。
其中,上述词向量转换模型可以是CBOW(ContinuousBag-of-Words,词向量转换)模型。
第四子步骤,将上述词向量集合中的词向量输入预先训练的二分模型,以生成分类结果,得到分类结果集合。
其中,上述二分类模型可以是Sentence-BERT模型。上述分类结果集合中的分类结果可以表征查询语句信息是否与目标编程语言对应的程序接口相关。
第五子步骤,从上述问答信息集合中筛选出对应的分类结果满足问答信息筛选条件的问答信息,作为候选问答信息,得到候选问答信息集合。
第六子步骤,对上述候选问答信息集合中候选问答信息包括的查询语句信息和答复信息进行实体构建,以生成上述知识库。
其中,上述执行主体可以构建查询语句信息和答复信息的实体对,以生成上述知识库。例如,采用模板匹配的方式构建查询语句信息和答复信息的实体对。
作为示例,上述执行主体根据目标标签集合和目标查询语句信息,确定目标查询语句信息和预先构建的知识库中的每条查询语句信息之间的相似度,以生成第一相似度数值,可以包括以下步骤:
第一步,通过预先训练的语义相似度模型,确定上述目标查询语句信息与上述查询语句信息之前的语义相似度,得到语义相似度数值。
其中,上述语义相似度模型可以是Sentence-BERT模型。
第二步,确定上述目标标签集合与上述查询语句信息对应的标签集合的标签相似度,得到标签相似度数值。
其中,上述执行主体可以通过以下公式,确定上述目标标签集合与上述查询语句信息对应的标签集合的标签相似度,得到标签相似度数值:
其中,SimTag表示标签相似度数值。TagSet表示目标标签集合。KwdSet表示查询语句信息对应的标签集合。num()用于确定标签集合或目标标签集合中的标签数量。
第三步,对上述语义相似度数值和上述标签相似度数值进行加权求和,以生成上述第一相似度数值。
其中,上述执行主体可以通过以下公式,生成第一相似度数值:
SimQues=α×SimSem+(1-α)×SimTag
其中,SimQues表示第一相似度数值。SimSem表示语义相似度数值。SimTag表示标签相似度数值。α表示预设权重。例如,上述预设权重可以是0.2。
步骤306,从预先构建的知识库中筛选出对应的第一相似度数值满足筛选条件的查询语句信息,作为候选查询语句信息,得到候选查询语句信息集合。
在一些实施例中,步骤306的具体实现及其所带来的技术效果,可以参考图2对应的那些实施例中的步骤205,在此不再赘述。
步骤307,确定候选查询语句信息集合中每条候选查询语句信息对应的答复信息集合与目标查询语句信息的相似度,以生成第二相似度数值,得到第二相似度数值序列。
在一些实施例中,上述执行主体可以确定上述候选查询语句信息集合中每条候选查询语句信息对应的答复信息集合与上述目标查询语句信息的相似度,以生成第二相似度数值,得到上述第二相似度数值序列。
作为示例,上述执行主体确定上述候选查询语句信息对应的答复信息集合与上述目标查询语句信息的相似度,以生成第二相似度数值可以包括以下步骤:
第一步,确定上述候选查询语句信息对应的答复信息集合中的每个答复信息与上述目标查询语句信息的相似度,以生成候选相似度,得到候选相似度数值序列。
其中,上述执行主体可以通过以下公式确定上述答复信息与上述目标查询语句信息的相似度,以生成候选相似度:
其中,A表示候选相似度。α表示预设权重。B表示目标查询语句信息和候选查询语句信息的语义相似度。C表示候选查询语句信息对应的标签集合。TagSet表示目标标签集合。其中,目标查询语句信息和候选查询语句信息的语义相似度可以通过余弦相似度计算公式得到。num()用于确定标签集合或目标标签集合中的标签数量。
第二步,对上述候选相似度数值序列中的各个候选相似度数值进行加权求和,以生成均值相似度数值。
其中,上述执行主体可以通过以下公式,生成上述均值相似度数值:
其中,SimAve表示上述均值相似度数值。A表示候选相似度,i表示序号。N表示上述候选相似度数值序列中候选相似度数值的数量。Ai表示第i个候选相似度数值。
第三步,根据上述均值相似度数值,确定上述第二相似度数值。
其中,上述执行主体可以根据上述均值相似度数值,通过以下公式,确定上述第二相似度数值:
其中,SimSo表示上述第二相似度数值。SimAve表示上述均值相似度数值。n表示候选查询语句信息对应的答复信息集合中的答复信息的数量。
步骤308,根据第二相似度数值序列,对候选查询语句信息集合中的候选查询语句信息对应的程序接口信息进行排序,以生成程序接口信息序列。
步骤309,将程序接口信息序列发送至目标界面以供展示。
在一些实施例中,步骤308至步骤309的具体实现及其所带来的技术效果,可以参考图2对应的那些实施例中的步骤207至步骤208,在此不再赘述。
从图3可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例,细化了第一相似度数值和第二相似度数值的确定方式。如,在确定第一相似度数值时,除了考量目标查询语句与查询语句之间的语义相似度,还考虑到了标签是对查询语句的精炼概括,具有极佳的特征描述作用。因此,通过本公开的确定第一相似度数值的方式,提高了第一相似度数值对于目标查询语句与查询语句之间相关性的表征能力。此外,在确定第二相似度数值,同样采用与确定第一相似度数值的思想,保证了第二相似度数值对于目标查询语句和候选查询语句信息对应的答复信息集合之间的相关性的表征能力。通过方式,提高了程序接口信息推荐的准确性。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种程序接口信息推荐装置的一些实施例,这些装置实施例与图2所示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5所示,一些实施例的程序接口信息推荐装置500包括:获取单元501,被配置成获取针对目标编程语言的目标查询语句信息;分词处理单元,502被配置成对上述目标查询语句信息进行分词处理,以生成词集合;生成单元503,被配置成根据上述词集合和预先训练的标签预测模型,生成目标标签集合;第一确定单元504,被配置成根据上述目标标签集合和上述目标查询语句信息,确定上述目标查询语句信息和预先构建的知识库中的每条查询语句信息之间的相似度,以生成第一相似度数值,得到第一相似度数值序列;筛选单元505,被配置成从上述预先构建的知识库中筛选出对应的第一相似度数值满足筛选条件的查询语句信息,作为候选查询语句信息,得到候选查询语句信息集合,其中,上述筛选条件为查询语句信息对应的第一相似度数值大于等于目标值,上述候选查询语句信息集合中的候选查询语句信息的数量与目标数量一致;第二确定单元506,被配置成确定上述候选查询语句信息集合中每条候选查询语句信息对应的答复信息集合与上述目标查询语句信息的相似度,以生成第二相似度数值,得到第二相似度数值序列;排序单元507,被配置成根据上述第二相似度数值序列,对上述候选查询语句信息集合中的候选查询语句信息对应的程序接口信息进行排序,以生成程序接口信息序列;发送单元508,被配置成将上述程序接口信息序列发送至目标界面以供展示。
可以理解的是,该装置500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500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)600的结构示意图。图6示出的电子设备仅仅是一个示例,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6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置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。
通常,以下装置可以连接至I/O接口605: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606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,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6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609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601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中记载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电子设备中所包含的;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:获取针对目标编程语言的目标查询语句信息;对上述目标查询语句信息进行分词处理,以生成词集合;根据上述词集合和预先训练的标签预测模型,生成目标标签集合;根据上述目标标签集合和上述目标查询语句信息,确定上述目标查询语句信息和预先构建的知识库中的每条查询语句信息之间的相似度,以生成第一相似度数值,得到第一相似度数值序列;从上述预先构建的知识库中筛选出对应的第一相似度数值满足筛选条件的查询语句信息,作为候选查询语句信息,得到候选查询语句信息集合,其中,上述筛选条件为查询语句信息对应的第一相似度数值大于等于目标值,上述候选查询语句信息集合中的候选查询语句信息的数量与目标数量一致;确定上述候选查询语句信息集合中每条候选查询语句信息对应的答复信息集合与上述目标查询语句信息的相似度,以生成第二相似度数值,得到第二相似度数值序列;根据上述第二相似度数值序列,对上述候选查询语句信息集合中的候选查询语句信息对应的程序接口信息进行排序,以生成程序接口信息序列;将上述程序接口信息序列发送至目标界面以供展示。
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、分词处理单元、生成单元、第一确定单元、筛选单元、第二确定单元、排序单元和发送单元。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,发送单元还可以被描述为“将程序接口信息序列发送至目标界面以供展示的单元”。
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。
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。