CN116383491A - 信息推荐方法、装置、设备、存储介质和程序产品 - Google Patents

信息推荐方法、装置、设备、存储介质和程序产品 Download PDF

Info

Publication number
CN116383491A
CN116383491A CN202310279886.7A CN202310279886A CN116383491A CN 116383491 A CN116383491 A CN 116383491A CN 202310279886 A CN202310279886 A CN 202310279886A CN 116383491 A CN116383491 A CN 116383491A
Authority
CN
China
Prior art keywords
matching object
vector
text
matching
object information
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
CN202310279886.7A
Other languages
English (en)
Inventor
吴高升
方泽阳
陈泽裕
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202310279886.7A priority Critical patent/CN116383491A/zh
Publication of CN116383491A publication Critical patent/CN116383491A/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
    • G06F16/90—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
    • 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
    • G06F16/9532—Query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本公开提供了一种信息推荐方法、装置、设备、存储介质和程序产品，涉及人工智能技术领域，具体为自然语言处理、文本处理、深度学习技术领域。在本公开的一些实施例中，获取查询语句文本和多个匹配对象信息；将查询语句文本和多个匹配对象信息输入信息匹配模型中，在信息匹配模型中，文本编码模块用于对查询语句文本进行编码，得到第一文本向量；匹配对象编码模块用于对每个匹配对象信息进行编码，得到第一匹配对象向量；利用交叉学习模块对文本编码模块和匹配对象编码模块的中间网络层的语义信息进行学习，促进查询语句文本和匹配对象信息的特征融合，提高信息匹配模型的精度。

Description

信息推荐方法、装置、设备、存储介质和程序产品
技术领域
本公开提供了一种信息推荐方法、装置、设备、存储介质和程序产品，涉及人工智能技术领域，具体为自然语言处理、文本处理、深度学习技术领域。
背景技术
随着互联网技术的快速发展，互联网中的数据量呈现爆炸式增长，用户通过搜索获取自身需要的对象，例如，文章、网页和商品等等。常用的技术有匹配算法或者信息匹配模型去匹配对象。
目前，信息匹配模型的精度较低。
发明内容
本公开提供了一种信息处理方法、装置、设备、存储介质和程序产品。
本公开的一方面，提供一种信息处理方法，包括：
获取查询语句文本和多个匹配对象信息；
将所述查询语句文本和多个所述匹配对象信息输入信息匹配模型中，以从多个所述匹配对象中确定出目标匹配对象信息和所述目标匹配对象信息的排序；
其中，所述信息匹配模型包括文本编码模块、匹配对象编码模块和交叉学习模块；所述文本编码模块用于对所述查询语句文本进行编码，得到第一文本向量；所述匹配对象编码模块用于对每个所述匹配对象信息进行编码，得到第一匹配对象向量；所述交叉学习模块用于对所述第一文本向量和每个所述目标匹配对象信息对应的所述第一匹配对象向量进行向量融合处理，得到所述第一文本向量对应的第二文本向量和每个所述第一匹配对象向量对应的第二匹配对象向量。
本公开的另一方面，提供一种信息处理装置，包括：
获取模块，用于获取查询语句文本和多个匹配对象信息；
匹配模型模块，用于将所述查询语句文本和多个所述匹配对象信息输入信息匹配模型中，以从多个所述匹配对象中确定出目标匹配对象信息和所述目标匹配对象信息的排序；
其中，其中，所述信息匹配模型包括文本编码模块、匹配对象编码模块和交叉学习模块；所述文本编码模块用于对所述查询语句文本进行编码，得到第一文本向量；所述匹配对象编码模块用于对每个所述匹配对象信息进行编码，得到第一匹配对象向量；所述交叉学习模块用于对所述第一文本向量和每个所述目标匹配对象信息对应的所述第一匹配对象向量进行向量融合处理，得到所述第一文本向量对应的第二文本向量和每个所述第一匹配对象向量对应的第二匹配对象向量。
本公开的另一方面，提供一种电子设备，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上述的方法。
本公开的另一方面，提供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上述的方法。
本公开的另一方面，提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现上述的方法中的步骤。
在本公开的一些实施例中，获取查询语句文本和多个匹配对象信息；将查询语句文本和多个匹配对象信息输入信息匹配模型中，在信息匹配模型中，文本编码模块用于对查询语句文本进行编码，得到第一文本向量；匹配对象编码模块用于对每个匹配对象信息进行编码，得到第一匹配对象向量；交叉学习模块用于对第一文本向量和每个目标匹配对象信息对应的第一匹配对象向量进行向量融合处理，得到特征融合后的第一文本向量对应的第二文本向量和每个第一匹配对象向量对应的第二匹配对象向量，进而通过第二文本向量和第二匹配对象向量，确定目标匹配对象信息的排序，利用交叉学习模块对文本编码模块和匹配对象编码模块的中间网络层的语义信息进行学习，促进查询语句文本和匹配对象信息的特征融合，提高信息匹配模型的精度。
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为本公开实施例一提供的一种信息处理方法的流程示意图；
图2为本公开实施例提供的一种信息匹配模型的结构示意图；
图3为本公开实施例二提供的一种信息处理方法的应用场景示意图；
图4为本公开实施例三提供的一种信息处理方法的流程示意图；
图5为本公开示例性实施例提供的一种信息处理装置50的结构示意图；
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的示意性框图。
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。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
目前，训练得到的信息匹配模型的精度较低，需要对信息匹配模型作进一步的优化操作，才能提升模型召回率，主要包括以下几种优化方式：
优化方式一，采用数据增强的方式，利用训练好的检索模型，检索大量的强负样本，利用强负样本对原始的信息匹配模型进行训练，提高模型的精度。
优化方式二，采用交叉编码器对原始的信息匹配模型的进行优化，原始的信息匹配模型速度快，精度低；交叉编码器速度慢，精度高，可以利用训练的交叉编码器，把知识蒸馏给信息匹配模型；或者利用交叉编码器进行数据标注，通过阈值筛选出高质量的正负样本添加到训练集中进行训练。
优化方式三，扩大训练批次，在信息匹配模型的训练过程中会使用其他样本当作负样本对比学习，训练批次越大，负样本数量越多，增加了负样本的比例。
现有的信息匹配模型采用的是双塔的形式，文本编码模块负责对用户输入的查询语句文本进行编码，文本编码模块负责对索引库的匹配对象信息进行编码，训练的时候一般使用模型最后一层位置的输出和pool层的输出向量作为最终的向量表示，最后使用对比学习对产生的向量表示进行学习。在这种方式中，文本编码模块和匹配对象编码模块是两个孤立的塔，查询语句文本和匹配对象信息只在最后一层进行了融合，在文本编码模块中间层在编码文本特征，并没有融合匹配对象信息的特征信息。需要说明的是，索引库具有ANN查询功能。
信息匹配模型在优化的过程中，为了提升模型的精度，进行多阶段优化。第一阶段的训练使用了交叉编码器优化信息匹配模型，第二阶段使用第一阶段模型产生的数据优化交叉编码器，第三阶段使用交叉编码器采样强负样本来优化信息匹配模型，第四阶段使用伪标签的方法自动标注更多的数据，然后进一步优化信息匹配模型，在训练过程中借助交叉编码器来优化信息匹配模型。这样的优化的主要原因是信息匹配模型的效率很高，但精度没有交叉编码器高，主要是因为交叉编码器是一个单塔模型，会把查询语句文本和匹配对象信息进行拼接，送入模型，在的学习过程中利用多头注意力促进了查询语句文本和匹配对象信息的信息融合，而信息匹配模型的双塔模型不能做到这一点，训练的流程较长。因此，采用这种模型优化方式，训练周期会较长。
针对上述存在的技术问题，在本公开的一些实施例中，获取查询语句文本和多个匹配对象信息；将查询语句文本和多个匹配对象信息输入信息匹配模型中，在信息匹配模型中，文本编码模块用于对查询语句文本进行编码，得到第一文本向量；匹配对象编码模块用于对每个匹配对象信息进行编码，得到第一匹配对象向量；交叉学习模块用于对第一文本向量和每个目标匹配对象信息对应的第一匹配对象向量进行向量融合处理，得到特征融合后的第一文本向量对应的第二文本向量和每个第一匹配对象向量对应的第二匹配对象向量，进而通过第二文本向量和第二匹配对象向量，确定目标匹配对象信息的排序，利用交叉学习模块对文本编码模块和匹配对象编码模块的中间网络层的语义信息进行学习，促进查询语句文本和匹配对象信息的特征融合，提高信息匹配模型的精度。
以下结合附图，详细说明本公开各实施例提供的技术方案。
图1为本公开实施例一提供的一种信息处理方法的流程示意图。如图1所示，该方法包括：
S101：获取查询语句文本和多个匹配对象信息；
S102：将查询语句文本和多个匹配对象信息输入信息匹配模型中，以从多个匹配对象中确定出目标匹配对象信息和目标匹配对象信息的排序；
其中，信息匹配模型包括文本编码模块、匹配对象编码模块和交叉学习模块；文本编码模块用于对查询语句文本进行编码，得到第一文本向量；匹配对象编码模块用于对每个匹配对象信息进行编码，得到第一匹配对象向量；交叉学习模块用于对第一文本向量和每个目标匹配对象信息对应的第一匹配对象向量进行向量融合处理，得到第一文本向量对应的第二文本向量和每个第一匹配对象向量对应的第二匹配对象向量。
在本实施例中，上述方法的执行主体可以为服务器或者终端设备。
在本实施例中，当上述方法的执行主体为服务器时，对服务器的类型不作限定。例如，服务器可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中，服务器的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类型。
在本实施例中，获取查询语句文本和多个匹配对象信息；将查询语句文本和多个匹配对象信息输入信息匹配模型中，在信息匹配模型中，文本编码模块用于对查询语句文本进行编码，得到第一文本向量；匹配对象编码模块用于对每个匹配对象信息进行编码，得到第一匹配对象向量；交叉学习模块用于对第一文本向量和每个目标匹配对象信息对应的第一匹配对象向量进行向量融合处理，得到特征融合后的第一文本向量对应的第二文本向量和每个第一匹配对象向量对应的第二匹配对象向量，进而通过第二文本向量和第二匹配对象向量，确定目标匹配对象信息的排序，利用交叉学习模块对文本编码模块和匹配对象编码模块的中间网络层的语义信息进行学习，促进查询语句文本和匹配对象信息的特征融合，提高信息匹配模型的精度。
需要说明的是，查询语句文本，是指用户搜索时采用的文本。匹配对象信息，是指与查询语句文本进行匹配的信息，匹配对象信息可以为匹配对象本身，例如，文章内容和网页内容等；匹配对象信息也可以为匹配对象的关联信息，例如，商品描述文本、摘要和关键句等。
在本公开的一些实施例中，信息匹配模型包括文本编码模块、匹配对象编码模块和交叉学习模块。改进后的信息匹配模型增加交叉学习模块，对查询语句文本和匹配对象信息进行特征融合。以提高信息匹配模型的精度。
需要说明的是，交叉学习模块的每个交叉层对应文本编码模块的一个第一编码层和匹配对象编码模块的一个第二编码层；第一编码层在文本编码模块中的位置与第二编码层在匹配对象编码模块中的位置对应。交叉学习模块为了交叉特征学习，其中，是模型学习的过程中不仅利用模型最后一层的特征信息，而且还会利用编码器的中间层的信息。例如，文本编码模块和匹配对象编码模块有12层，会利用模型的最后几层的信息，其中1≤N≤12，如果N取1，就是取文本编码模块和匹配对象编码模块的最后一层的特征信息，如果N取6，就是取文本编码模块和匹配对象编码模块最后6层的特征信息，如果N取12就是取文本编码模块和匹配对象编码模块的所有12层的特征信息。
在本公开的一些实施例中，将查询语句文本和多个匹配对象信息输入信息匹配模型中，以从多个匹配对象中确定出目标匹配对象信息和目标匹配对象信息的排序。一种可实现的方式为，模块中，得到第一文本向量；将每个匹配对象信息输入匹配对象编码模块中，得到每个匹配对象信息对应的第一匹配对象向量；根据第一文本向量和每个第一匹配对象向量的第一相似度，从多个匹配对象信息中选择出目标匹配对象信息；将第一文本向量和每个目标匹配对象信息对应的第一匹配对象向量输入交叉学习模块中进行向量融合处理，得到第一文本向量对应的第二文本向量和每个第一匹配对象向量对应的第二匹配对象向量；根据第二文本向量和每个第二匹配对象向量的第二相似度，确定目标匹配对象信息的排序。其中，根据第一文本向量和每个第一匹配对象向量的第一相似度，从多个匹配对象信息中选择出目标匹配对象信息，再将第一文本向量第一匹配对象向量输入交叉学习模块进行向量融合，基于向量融合后的第二文本向量和每个第二匹配对象向量，更加准确地确定目标匹配对象信息的排序，提高模型精度。
在上述实施例中，根据第一文本向量和每个第一匹配对象向量的第一相似度，从多个匹配对象信息中选择出目标匹配对象信息。一种可实现的方式为，依次计算第一文本向量和每个第一匹配对象向量的第一相似度；按照第一相似度从大到小的顺序，从多个匹配对象信息中选择出相似度排序位于前位序的匹配对象信息，作为目标匹配对象信息。需要说明的是，本公开实施例对前位序不作限定，可以根据实际情况作出调整，前位序，例如，前10位，前5位和前3位等。例如，分别计算第一文本向量和每个第一匹配对象向量的相似度，从多个匹配对象信息中选择出相似度排序位于前5位的匹配对象信息，作为目标匹配对象信息。
在上述实施例中，将第一文本向量和每个目标匹配对象信息对应的第一匹配对象向量输入交叉学习模块中进行向量融合处理，得到第一文本向量对应的第二文本向量和每个第一匹配对象向量对应的第二匹配对象向量。一种可实现的方式为，在交叉学习模块内部，针对交叉学习模块中的目标交叉层，将目标交叉层中的上一层交叉层的第一输出向量、目标交叉层对应的文本编码模块中的编码层输出的第一文本向量和目标交叉层对应的编码层输出的第一匹配对象向量输出至目标交叉层，得到第二输出向量，其中，任意一个交叉层为非首层交叉层。
在上述实施例中，根据第二文本向量和每个第二匹配对象向量的第二相似度，确定目标匹配对象信息的排序。依次计算第二文本向量和每个第二匹配对象向量的相似度；按照第二相似度从大到小的顺序，确定目标匹配对象信息的排序。需要说明的是，根据特征融合后的第二文本向量和每个第二匹配对象向量的第二相似度，重新确定目标匹配对象信息的排序，提高模型精度。
在本公开的一些实施例中，在从多个匹配对象中确定出目标匹配对象信息和目标匹配对象信息的排序之后，根据目标匹配对象信息和目标匹配对象信息的排序，确定目标匹配对象信息对应的目标匹配对象以及目标匹配对象的排序；按照目标匹配对象的排序，将目标匹配对象推荐给目标用户。其中，目标匹配对象信息对应一个匹配对象，因此，目标匹配对象信息的排序与目标匹配对象的排序也对应。需要说明的是，也可以将部分目标匹配对象推荐给用户。
图2为本公开实施例提供的一种信息匹配模型的结构示意图。需要说明的是，Query Encoder为文本编码模块，passage Encoder为匹配对象编码模块，文本编码模块中的编码层为Transformer编码层。Cross Encoder为交叉学习模块，Cross Layer为交叉层。
如图2所示，对于Cross Layer，公式如下：
Figure BDA0004140838090000091
Figure BDA0004140838090000092
Figure BDA0004140838090000093
其中，
Figure BDA0004140838090000094
表示的是查询语句文本的融合向量表示，/>
Figure BDA0004140838090000095
表示的是匹配对象信息的融合向量表示，对于第0层，使用文本编码模块、匹配对象编码模块的最后一层，分别用Vq,last layer和Vp,last layer表示，经过线性变换得到，/>
Figure BDA0004140838090000096
表示的是查询语句文本的类型向量，/>
Figure BDA0004140838090000097
表示的是匹配对象信息的类型向量，其他层的特征是经过交叉层得到。对于每个交叉层输入的公式如下：
Figure BDA0004140838090000098
Figure BDA0004140838090000099
其中，Vq表示的是文本编码模块的输出向量表示，k表示的是文本编码模块、匹配对象编码模块的网络层的索引，Vp表示的是查询语句文本和匹配对象信息的向量表示，
Figure BDA00041408380900000910
表示文本编码模块的输出向量和交叉层的融合向量的桥接向量；/>
Figure BDA00041408380900000911
表示的是匹配对象编码模块的输出向量和交叉层的融合向量的桥接向量，W和b表示的是可学习的参数。
综上，查询语句文本的交叉层的输入则是上一层输出和文本编码模块对应层的输出经过线性映射后相加，最后规范化得到；匹配对象信息的交叉层的输入则是上一层输出和匹配对象编码模块对应层的输出经过线性映射后相加，最后规范化后得到。对于查询语句文本的交叉层，是把融合输入和查询语句文本对应层的输出进行信息融合，对于匹配对象信息的交叉层，则是把融合的输入和匹配对象编码模块对应层的输出进行信息融合。交叉层的本身是一个Transformer网络的深度学习层。本公开融入了交叉学习模块，通过多头自注意力融合查询语句文本和匹配对象信息的能力，可以减少对交叉编码器进行优化的依赖，实现真正的端到端训练优化。
图3为本公开实施例二提供的一种信息处理方法的应用场景示意图。本公开在召回阶段融合了交叉学习模块的设计，所以可以弱化了交叉编码器的作用，借助交叉学习模块的信息融合的特点，精度更高，最后，在排序阶段做一些业务定制化的个性化排序即可，简化了流程，提升了效率。如图3所示，查询语句文本和索引库里面的匹配对象信息会通过各自的编码器建索引，查询语句文本通过文本编码模块得到第一文本向量，匹配对象信息通过匹配对象编码模块得到第一匹配对象向量，把第一匹配对象向量放入索引库中，用第一文本向量在索引库中所近似向量检索，得到排序前k位的匹配对象信息，然后把第一文本向量和排序前k位的匹配对象信息对应的第一文本向量放到交叉学习模块中，得到融合后的第二文本向量和第二匹配对象向量，然后进行相似度计算，得到排序前k位的目标匹配对象信息的排序。
结合上述各实施例的描述，图4为本公开实施例三提供的一种信息处理方法的流程示意图。如图4所示，该方法包括：
S401：获取查询语句文本和多个匹配对象信息；
S402：将查询语句文本和多个匹配对象信息输入信息匹配模型中，在信息匹配模型内部，将查询语句文本输入文本编码模块中，得到第一文本向量；
S403：将每个匹配对象信息输入匹配对象编码模块中，得到每个匹配对象信息对应的第一匹配对象向量；
S404：根据第一文本向量和每个第一匹配对象向量的第一相似度，从多个匹配对象信息中选择出目标匹配对象信息；
S405：将第一文本向量和每个目标匹配对象信息对应的第一匹配对象向量输入交叉学习模块中进行向量融合处理，得到第一文本向量对应的第二文本向量和每个第一匹配对象向量对应的第二匹配对象向量；
S406：根据第二文本向量和每个第二匹配对象向量的第二相似度，确定目标匹配对象信息的排序。
在本实施例中，上述方法的执行主体可以为服务器或者终端设备。
在本实施例中，当上述方法的执行主体为服务器时，对服务器的类型不作限定。例如，服务器可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中，服务器的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类型。
在本实施例中，上述方法的各步骤可参见前述各实施例的描述，也能取得前述各实施例相应的技术效果，在此不再赘述。
在本公开的上述方法实施例中，获取查询语句文本和多个匹配对象信息；将查询语句文本和多个匹配对象信息输入信息匹配模型中，在信息匹配模型中，文本编码模块用于对查询语句文本进行编码，得到第一文本向量；匹配对象编码模块用于对每个匹配对象信息进行编码，得到第一匹配对象向量；交叉学习模块用于对第一文本向量和每个目标匹配对象信息对应的第一匹配对象向量进行向量融合处理，得到特征融合后的第一文本向量对应的第二文本向量和每个第一匹配对象向量对应的第二匹配对象向量，进而通过第二文本向量和第二匹配对象向量，确定目标匹配对象信息的排序，利用交叉学习模块对文本编码模块和匹配对象编码模块的中间网络层的语义信息进行学习，促进查询语句文本和匹配对象信息的特征融合，提高信息匹配模型的精度。
图5为本公开示例性实施例提供的一种信息处理装置50的结构示意图。该信息处理装置50包括获取模块51和匹配模型模块52。
其中，获取模块51，用于获取查询语句文本和多个匹配对象信息；
匹配模型模块52，用于将查询语句文本和多个匹配对象信息输入信息匹配模型中，以从多个匹配对象中确定出目标匹配对象信息和目标匹配对象信息的排序；
其中，信息匹配模型包括文本编码模块、匹配对象编码模块和交叉学习模块；文本编码模块用于对查询语句文本进行编码，得到第一文本向量；匹配对象编码模块用于对每个匹配对象信息进行编码，得到第一匹配对象向量；交叉学习模块用于对第一文本向量和每个目标匹配对象信息对应的第一匹配对象向量进行向量融合处理，得到第一文本向量对应的第二文本向量和每个第一匹配对象向量对应的第二匹配对象向量。
可选地，匹配模型模块52在将查询语句文本和多个匹配对象信息输入信息匹配模型中，以从多个匹配对象中确定出目标匹配对象信息和目标匹配对象信息的排序时，用于：
在信息匹配模型内部，将查询语句文本输入文本编码模块中，得到第一文本向量；
将每个匹配对象信息输入匹配对象编码模块中，得到每个匹配对象信息对应的第一匹配对象向量；
根据第一文本向量和每个第一匹配对象向量的第一相似度，从多个匹配对象信息中选择出目标匹配对象信息；
将第一文本向量和每个目标匹配对象信息对应的第一匹配对象向量输入交叉学习模块中进行向量融合处理，得到第一文本向量对应的第二文本向量和每个第一匹配对象向量对应的第二匹配对象向量；
根据第二文本向量和每个第二匹配对象向量的第二相似度，确定目标匹配对象信息的排序。
可选地，匹配模型模块52在将第一文本向量和每个目标匹配对象信息对应的第一匹配对象向量输入交叉学习模块中进行向量融合处理，得到第一文本向量对应的第二文本向量和每个第一匹配对象向量对应的第二匹配对象向量时，用于：
在交叉学习模块内部，针对交叉学习模块中的目标交叉层，将目标交叉层中的上一层交叉层的第一输出向量、目标交叉层对应的文本编码模块中的编码层输出的第一文本向量和目标交叉层对应的编码层输出的第一匹配对象向量输出至目标交叉层，得到第二输出向量，其中，任意一个交叉层为非首层交叉层。
可选地，匹配模型模块52在根据第一文本向量和每个第一匹配对象向量的第一相似度，从多个匹配对象信息中选择出目标匹配对象信息时，用于：
依次计算第一文本向量和每个第一匹配对象向量的第一相似度；
按照第一相似度从大到小的顺序，从多个匹配对象信息中选择出相似度排序位于前位序的匹配对象信息，作为目标匹配对象信息。
可选地，匹配模型模块52在根据第二文本向量和每个第二匹配对象向量的第二相似度，确定目标匹配对象信息的排序时，用于：
依次计算第二文本向量和每个第二匹配对象向量的相似度；
按照第二相似度从大到小的顺序，确定目标匹配对象信息的排序。
可选地，匹配模型模块52在从多个匹配对象中确定出目标匹配对象信息和目标匹配对象信息的排序之后，还可用于：
根据目标匹配对象信息和目标匹配对象信息的排序，确定目标匹配对象信息对应的目标匹配对象以及目标匹配对象的排序；
按照目标匹配对象的排序，将目标匹配对象推荐给目标用户。
可选地，交叉学习模块的每个交叉层对应文本编码模块的一个第一编码层和匹配对象编码模块的一个第二编码层；第一编码层在文本编码模块中的位置与第二编码层在匹配对象编码模块中的位置对应。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。同时，本公开文本处理装置也能取的与上述文本处理方法相应的有益效果。
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/或者要求的本公开的实现。
如图6所示，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。
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，例如上述方法。例如，在一些实施例中，上述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上述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)而被配置为执行上述方法。
在本公开的上述装置、设备、存储介质及计算机程序产品实施例中，获取查询语句文本和多个匹配对象信息；将查询语句文本和多个匹配对象信息输入信息匹配模型中，在信息匹配模型中，文本编码模块用于对查询语句文本进行编码，得到第一文本向量；匹配对象编码模块用于对每个匹配对象信息进行编码，得到第一匹配对象向量；交叉学习模块用于对第一文本向量和每个目标匹配对象信息对应的第一匹配对象向量进行向量融合处理，得到特征融合后的第一文本向量对应的第二文本向量和每个第一匹配对象向量对应的第二匹配对象向量，进而通过第二文本向量和第二匹配对象向量，确定目标匹配对象信息的排序，利用交叉学习模块对文本编码模块和匹配对象编码模块的中间网络层的语义信息进行学习，促进查询语句文本和匹配对象信息的特征融合，提高信息匹配模型的精度。
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)、互联网和区块链网络。
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(＂Virtual Private Server＂，或简称＂VPS＂)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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 (17)

1.一种信息处理方法，包括：
获取查询语句文本和多个匹配对象信息；
将所述查询语句文本和多个所述匹配对象信息输入信息匹配模型中，以从多个所述匹配对象中确定出目标匹配对象信息和所述目标匹配对象信息的排序；
其中，所述信息匹配模型包括文本编码模块、匹配对象编码模块和交叉学习模块；所述文本编码模块用于对所述查询语句文本进行编码，得到第一文本向量；所述匹配对象编码模块用于对每个所述匹配对象信息进行编码，得到第一匹配对象向量；所述交叉学习模块用于对所述第一文本向量和每个所述目标匹配对象信息对应的所述第一匹配对象向量进行向量融合处理，得到所述第一文本向量对应的第二文本向量和每个所述第一匹配对象向量对应的第二匹配对象向量。
2.根据权利要求1所述的方法，其中，所述将所述查询语句文本和多个所述匹配对象信息输入信息匹配模型中，以从多个所述匹配对象中确定出目标匹配对象信息和所述目标匹配对象信息的排序，包括：
在所述信息匹配模型内部，将所述查询语句文本输入所述文本编码模块中，得到所述第一文本向量；
将每个所述匹配对象信息输入所述匹配对象编码模块中，得到每个所述匹配对象信息对应的所述第一匹配对象向量；
根据所述第一文本向量和每个所述第一匹配对象向量的第一相似度，从多个所述匹配对象信息中选择出所述目标匹配对象信息；
将所述第一文本向量和每个所述目标匹配对象信息对应的所述第一匹配对象向量输入所述交叉学习模块中进行向量融合处理，得到所述第一文本向量对应的所述第二文本向量和每个所述第一匹配对象向量对应的所述第二匹配对象向量；
根据所述第二文本向量和每个所述第二匹配对象向量的第二相似度，确定所述目标匹配对象信息的排序。
3.根据权利要求2所述的方法，其中，所述将所述第一文本向量和每个所述目标匹配对象信息对应的所述第一匹配对象向量输入所述交叉学习模块中进行向量融合处理，得到所述第一文本向量对应的所述第二文本向量和每个所述第一匹配对象向量对应的所述第二匹配对象向量，包括：
在所述交叉学习模块内部，针对所述交叉学习模块中的目标交叉层，将所述目标交叉层中的上一层交叉层的第一输出向量、所述目标交叉层对应的文本编码模块中的编码层输出的所述第一文本向量和所述目标交叉层对应的编码层输出的所述第一匹配对象向量输出至所述目标交叉层，得到第二输出向量，其中，所述任意一个交叉层为非首层交叉层。
4.根据权利要求2所述的方法，所述根据所述第一文本向量和每个所述第一匹配对象向量的第一相似度，从多个所述匹配对象信息中选择出所述目标匹配对象信息，包括：
依次计算所述第一文本向量和所述每个所述第一匹配对象向量的第一相似度；
按照所述第一相似度从大到小的顺序，从多个所述匹配对象信息中选择出所述相似度排序位于前位序的匹配对象信息，作为所述目标匹配对象信息。
5.根据权利要求2所述的方法，所述根据所述第二文本向量和每个所述第二匹配对象向量的第二相似度，确定所述目标匹配对象信息的排序，包括：
依次计算所述第二文本向量和每个所述第二匹配对象向量的相似度；
按照所述第二相似度从大到小的顺序，确定所述目标匹配对象信息的排序。
6.根据权利要求1所述的方法，其中，在所述从多个所述匹配对象中确定出目标匹配对象信息和所述目标匹配对象信息的排序之后，所述方法还包括：
根据所述目标匹配对象信息和所述目标匹配对象信息的排序，确定所述目标匹配对象信息对应的目标匹配对象以及目标匹配对象的排序；
按照所述目标匹配对象的排序，将所述目标匹配对象推荐给目标用户。
7.根据权利要求1所述的方法，其中，所述交叉学习模块的每个交叉层对应所述文本编码模块的一个第一编码层和所述匹配对象编码模块的一个第二编码层；所述第一编码层在所述文本编码模块中的位置与所述第二编码层在所述匹配对象编码模块中的位置对应。
8.一种信息处理装置，包括：
获取模块，用于获取查询语句文本和多个匹配对象信息；
匹配模型模块，用于将所述查询语句文本和多个所述匹配对象信息输入信息匹配模型中，以从多个所述匹配对象中确定出目标匹配对象信息和所述目标匹配对象信息的排序；
其中，其中，所述信息匹配模型包括文本编码模块、匹配对象编码模块和交叉学习模块；所述文本编码模块用于对所述查询语句文本进行编码，得到第一文本向量；所述匹配对象编码模块用于对每个所述匹配对象信息进行编码，得到第一匹配对象向量；所述交叉学习模块用于对所述第一文本向量和每个所述目标匹配对象信息对应的所述第一匹配对象向量进行向量融合处理，得到所述第一文本向量对应的第二文本向量和每个所述第一匹配对象向量对应的第二匹配对象向量。
9.根据权利要求8所述的装置，其中，所述匹配模型模块在将所述查询语句文本和多个所述匹配对象信息输入信息匹配模型中，以从多个所述匹配对象中确定出目标匹配对象信息和所述目标匹配对象信息的排序时，用于：
在所述信息匹配模型内部，将所述查询语句文本输入所述文本编码模块中，得到所述第一文本向量；
将每个所述匹配对象信息输入所述匹配对象编码模块中，得到每个所述匹配对象信息对应的所述第一匹配对象向量；
根据所述第一文本向量和每个所述第一匹配对象向量的第一相似度，从多个所述匹配对象信息中选择出所述目标匹配对象信息；
将所述第一文本向量和每个所述目标匹配对象信息对应的所述第一匹配对象向量输入所述交叉学习模块中进行向量融合处理，得到所述第一文本向量对应的所述第二文本向量和每个所述第一匹配对象向量对应的所述第二匹配对象向量；
根据所述第二文本向量和每个所述第二匹配对象向量的第二相似度，确定所述目标匹配对象信息的排序。
10.根据权利要求9所述的装置，其中，所述匹配模型模块在将所述第一文本向量和每个所述目标匹配对象信息对应的所述第一匹配对象向量输入所述交叉学习模块中进行向量融合处理，得到所述第一文本向量对应的所述第二文本向量和每个所述第一匹配对象向量对应的所述第二匹配对象向量时，用于：
在所述交叉学习模块内部，针对所述交叉学习模块中的目标交叉层，将所述目标交叉层中的上一层交叉层的第一输出向量、所述目标交叉层对应的文本编码模块中的编码层输出的所述第一文本向量和所述目标交叉层对应的编码层输出的所述第一匹配对象向量输出至所述目标交叉层，得到第二输出向量，其中，所述任意一个交叉层为非首层交叉层。
11.根据权利要求9所述的装置，其中，所述匹配模型模块在根据所述第一文本向量和每个所述第一匹配对象向量的第一相似度，从多个所述匹配对象信息中选择出所述目标匹配对象信息时，用于：
依次计算所述第一文本向量和所述每个所述第一匹配对象向量的第一相似度；
按照所述第一相似度从大到小的顺序，从多个所述匹配对象信息中选择出所述相似度排序位于前位序的匹配对象信息，作为所述目标匹配对象信息。
12.根据权利要求9所述的装置，其中，所述匹配模型模块在根据所述第二文本向量和每个所述第二匹配对象向量的第二相似度，确定所述目标匹配对象信息的排序时，用于：
依次计算所述第二文本向量和每个所述第二匹配对象向量的相似度；
按照所述第二相似度从大到小的顺序，确定所述目标匹配对象信息的排序。
13.根据权利要求8所述的装置，其中，所述匹配模型模块在从多个所述匹配对象中确定出目标匹配对象信息和所述目标匹配对象信息的排序之后，还可用于：
根据所述目标匹配对象信息和所述目标匹配对象信息的排序，确定所述目标匹配对象信息对应的目标匹配对象以及目标匹配对象的排序；
按照所述目标匹配对象的排序，将所述目标匹配对象推荐给目标用户。
14.根据权利要求8所述的装置，其中，所述交叉学习模块的每个交叉层对应所述文本编码模块的一个第一编码层和所述匹配对象编码模块的一个第二编码层；所述第一编码层在所述文本编码模块中的位置与所述第二编码层在所述匹配对象编码模块中的位置对应。
15.一种电子设备，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1-7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，其中，所述计算机指令用于使所述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/指令，所述计算机程序/指令在被处理器执行时实现权利要求1-7中任一项所述的方法中的步骤。
CN202310279886.7A 2023-03-21 2023-03-21 信息推荐方法、装置、设备、存储介质和程序产品 Pending CN116383491A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310279886.7A CN116383491A (zh) 2023-03-21 2023-03-21 信息推荐方法、装置、设备、存储介质和程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310279886.7A CN116383491A (zh) 2023-03-21 2023-03-21 信息推荐方法、装置、设备、存储介质和程序产品

Publications (1)

Publication Number Publication Date
CN116383491A true CN116383491A (zh) 2023-07-04

Family

ID=86974230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310279886.7A Pending CN116383491A (zh) 2023-03-21 2023-03-21 信息推荐方法、装置、设备、存储介质和程序产品

Country Status (1)

Country Link
CN (1) CN116383491A (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858032A (zh) * 2019-02-14 2019-06-07 程淑玉 融合Attention机制的多粒度句子交互自然语言推理模型
CN110377714A (zh) * 2019-07-18 2019-10-25 泰康保险集团股份有限公司 基于迁移学习的文本匹配方法、装置、介质及设备
US20210248181A1 (en) * 2020-02-11 2021-08-12 Samsung Electronics Co., Ltd. Electronic device and control method thereof
CN113657496A (zh) * 2021-08-17 2021-11-16 深圳平安智汇企业信息管理有限公司 基于相似度匹配模型的信息匹配方法、装置、设备及介质
CN113656547A (zh) * 2021-08-17 2021-11-16 平安科技（深圳）有限公司 文本匹配方法、装置、设备及存储介质
CN113779225A (zh) * 2021-09-17 2021-12-10 工银科技有限公司 实体链接模型的训练方法、实体链接方法及装置
CN113886550A (zh) * 2021-10-11 2022-01-04 平安国际智慧城市科技股份有限公司 基于注意力机制的问答匹配方法、装置、设备及存储介质
CN114492450A (zh) * 2021-12-22 2022-05-13 马上消费金融股份有限公司 文本匹配方法及装置
CN114492451A (zh) * 2021-12-22 2022-05-13 马上消费金融股份有限公司 文本匹配方法、装置、电子设备及计算机可读存储介质
CN114528474A (zh) * 2021-12-31 2022-05-24 北京达佳互联信息技术有限公司 推荐对象确定方法、装置、电子设备及存储介质
CN114548314A (zh) * 2022-03-02 2022-05-27 杭州网易再顾科技有限公司 文本匹配方法、装置、存储介质及电子设备
US20220180202A1 (en) * 2019-09-12 2022-06-09 Huawei Technologies Co., Ltd. Text processing model training method, and text processing method and apparatus
WO2022134360A1 (zh) * 2020-12-25 2022-06-30 平安科技（深圳）有限公司 基于词嵌入的模型训练方法、装置、电子设备及存储介质
CN114840705A (zh) * 2022-04-27 2022-08-02 中山大学 一种基于多模态预训练模型的组合商品检索方法及系统
CN114840671A (zh) * 2022-04-29 2022-08-02 北京百度网讯科技有限公司 对话生成方法、模型的训练方法、装置、设备及介质
CN114996566A (zh) * 2022-04-25 2022-09-02 山东省计算中心（国家超级计算济南中心） 一种面向工业互联网平台的智能推荐系统及方法
CN115204178A (zh) * 2022-05-17 2022-10-18 深圳集智数字科技有限公司 文本排序匹配方法、系统、装置及存储介质
CN115292468A (zh) * 2022-08-17 2022-11-04 中国工商银行股份有限公司 文本语义匹配方法、装置、设备及存储介质
CN115456176A (zh) * 2022-10-10 2022-12-09 延边大学 一种基于知识增强的文本匹配方法及系统

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858032A (zh) * 2019-02-14 2019-06-07 程淑玉 融合Attention机制的多粒度句子交互自然语言推理模型
CN110377714A (zh) * 2019-07-18 2019-10-25 泰康保险集团股份有限公司 基于迁移学习的文本匹配方法、装置、介质及设备
US20220180202A1 (en) * 2019-09-12 2022-06-09 Huawei Technologies Co., Ltd. Text processing model training method, and text processing method and apparatus
US20210248181A1 (en) * 2020-02-11 2021-08-12 Samsung Electronics Co., Ltd. Electronic device and control method thereof
WO2022134360A1 (zh) * 2020-12-25 2022-06-30 平安科技（深圳）有限公司 基于词嵌入的模型训练方法、装置、电子设备及存储介质
CN113656547A (zh) * 2021-08-17 2021-11-16 平安科技（深圳）有限公司 文本匹配方法、装置、设备及存储介质
CN113657496A (zh) * 2021-08-17 2021-11-16 深圳平安智汇企业信息管理有限公司 基于相似度匹配模型的信息匹配方法、装置、设备及介质
CN113779225A (zh) * 2021-09-17 2021-12-10 工银科技有限公司 实体链接模型的训练方法、实体链接方法及装置
CN113886550A (zh) * 2021-10-11 2022-01-04 平安国际智慧城市科技股份有限公司 基于注意力机制的问答匹配方法、装置、设备及存储介质
CN114492450A (zh) * 2021-12-22 2022-05-13 马上消费金融股份有限公司 文本匹配方法及装置
CN114492451A (zh) * 2021-12-22 2022-05-13 马上消费金融股份有限公司 文本匹配方法、装置、电子设备及计算机可读存储介质
CN114528474A (zh) * 2021-12-31 2022-05-24 北京达佳互联信息技术有限公司 推荐对象确定方法、装置、电子设备及存储介质
CN114548314A (zh) * 2022-03-02 2022-05-27 杭州网易再顾科技有限公司 文本匹配方法、装置、存储介质及电子设备
CN114996566A (zh) * 2022-04-25 2022-09-02 山东省计算中心（国家超级计算济南中心） 一种面向工业互联网平台的智能推荐系统及方法
CN114840705A (zh) * 2022-04-27 2022-08-02 中山大学 一种基于多模态预训练模型的组合商品检索方法及系统
CN114840671A (zh) * 2022-04-29 2022-08-02 北京百度网讯科技有限公司 对话生成方法、模型的训练方法、装置、设备及介质
CN115204178A (zh) * 2022-05-17 2022-10-18 深圳集智数字科技有限公司 文本排序匹配方法、系统、装置及存储介质
CN115292468A (zh) * 2022-08-17 2022-11-04 中国工商银行股份有限公司 文本语义匹配方法、装置、设备及存储介质
CN115456176A (zh) * 2022-10-10 2022-12-09 延边大学 一种基于知识增强的文本匹配方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HONGJI YANG 等: "Cross-view Geo-localization with Evolving Transformer", 《ARXIV:2107.00842V2》, 5 July 2021 (2021-07-05), pages 1 - 11 *
徐菲菲 等: "文本词向量与预训练语言模型研究", 《上海电力大学学报》, vol. 36, no. 04, 15 August 2020 (2020-08-15), pages 320 - 328 *
赵俊龙: "基于深度学习的文本检索与推荐系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 01, 15 January 2022 (2022-01-15), pages 138 - 3730 *

Similar Documents

Publication Publication Date Title
CN112560496A (zh) 语义分析模型的训练方法、装置、电子设备及存储介质
CN114549874B (zh) 多目标图文匹配模型的训练方法、图文检索方法及装置
CN113989593A (zh) 图像处理方法、检索方法、训练方法、装置、设备及介质
CN113220835B (zh) 文本信息处理方法、装置、电子设备以及存储介质
CN113239157B (zh) 对话模型的训练方法、装置、设备和存储介质
JP2023541742A (ja) ソートモデルのトレーニング方法及び装置、電子機器、コンピュータ可読記憶媒体、コンピュータプログラム
CN114548110A (zh) 语义理解方法、装置、电子设备及存储介质
US20230094730A1 (en) Model training method and method for human-machine interaction
CN112580733A (zh) 分类模型的训练方法、装置、设备以及存储介质
CN114782719B (zh) 一种特征提取模型的训练方法、对象检索方法以及装置
CN113407851A (zh) 基于双塔模型的确定推荐信息的方法、装置、设备和介质
CN114242113B (zh) 语音检测方法、训练方法、装置和电子设备
CN115359383A (zh) 跨模态特征提取、检索以及模型的训练方法、装置及介质
CN114861758A (zh) 多模态数据处理方法、装置、电子设备及可读存储介质
CN113033194B (zh) 语义表示图模型的训练方法、装置、设备和存储介质
CN113641829A (zh) 图神经网络的训练与知识图谱的补全方法、装置
CN115248890A (zh) 用户兴趣画像的生成方法、装置、电子设备以及存储介质
CN116049370A (zh) 信息查询方法和信息生成模型的训练方法、装置
CN114758649B (zh) 一种语音识别方法、装置、设备和介质
CN113792230B (zh) 服务链接方法、装置、电子设备和存储介质
CN114817476A (zh) 语言模型的训练方法、装置、电子设备和存储介质
CN113806541A (zh) 情感分类的方法和情感分类模型的训练方法、装置
CN116383491A (zh) 信息推荐方法、装置、设备、存储介质和程序产品
CN114490969A (zh) 基于表格的问答方法、装置以及电子设备
CN113407579A (zh) 群组查询方法、装置、电子设备及可读存储介质

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