CN116662657A - 一种模型训练和信息推荐的方法、装置、存储介质及设备 - Google Patents
一种模型训练和信息推荐的方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN116662657A CN116662657A CN202310627053.5A CN202310627053A CN116662657A CN 116662657 A CN116662657 A CN 116662657A CN 202310627053 A CN202310627053 A CN 202310627053A CN 116662657 A CN116662657 A CN 116662657A
- Authority
- CN
- China
- Prior art keywords
- search
- model
- information
- association degree
- information recommendation
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/90—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
- G06F16/30—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种模型训练和信息推荐的方法、装置、存储介质及设备，用于隐私保护。所述模型训练的方法包括：获取搜索词以及领域描述信息；从词库中确定出在领域描述信息对应搜索领域下与搜索词相匹配的第一关键词以及至少一个第二关键词；根据搜索词、领域描述信息、第一关键词以及各第二关键词生成训练样本；将训练样本输入到待训练的信息推荐模型，确定在领域描述信息对应的搜索领域下各第二关键词与搜索词之间的关联度，作为参照关联度，并确定在领域描述信息对应的搜索领域下第一关键词和搜索词之间的关联度与参照关联度之间的差值；以最小化差值与训练样本对应的预设标签之间的偏差为优化目标，对信息推荐模型进行训练。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种模型训练和信息推荐的方法、装置、存储介质及设备。
背景技术
随着深度学习的发展，自然语言处理开始被广泛的应用到各个领域，其中，在向用户进行信息推荐时，自然语言处理模型可以对用户输入的搜索内容与相关推荐内容中的关键词进行匹配，从而找到符合用户搜索内容的信息并返回用户端。
然而，目前向用户进行信息推荐时，主要依赖用户输入的搜索词与关键词之间的语义相似度来匹配推荐信息，这种方式确定出的推荐信息并不准确。在一些场景下，尽管关键词与用户输入的搜索词在语义上比较接近，但这些关键词所对应推荐信息的内容却与用户的期望不符，难以满足用户的搜索需求，无法保证用户的业务体验。
因此，如何准确的确定出用户所期望的推荐信息以向用户进行信息推荐，保证用户的业务体验，是一个亟待解决的问题。
发明内容
本说明书提供一种模型训练和信息推荐的方法、装置、存储介质及设备。以根据搜索词、领域描述信息以及多个关键词选取目标信息进行信息推荐。
本说明书采用下述技术方案：
本说明书提供了一种模型训练的方法，包括：
获取搜索词以及用于描述所述搜索词对应搜索领域的领域描述信息；
从预设词库中确定出在所述领域描述信息对应搜索领域下与所述搜索词相匹配的第一关键词以及至少一个第二关键词；
根据所述搜索词、所述领域描述信息、所述第一关键词以及各第二关键词生成训练样本；
将所述训练样本输入到待训练的信息推荐模型，确定在所述领域描述信息对应的搜索领域下所述各第二关键词与所述搜索词之间的关联度，作为参照关联度，并确定在所述领域描述信息对应的搜索领域下所述第一关键词和所述搜索词之间的关联度与所述参照关联度之间的差值；
以最小化所述差值与所述训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型进行训练。
可选地，在将所述训练样本输入待训练的信息推荐模型之前，所述方法还包括：
获取经过预训练的基础模型；
基于所述基础模型以及预设的输出层，构建所述信息推荐模型。
可选地，以最小化所述差值与所述训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型进行训练，具体包括：
在所述基础模型包含的各网络层中确定出与所述输出层之间具有数据传输关系的网络层，作为目标网络层；
以最小化所述差值与所述训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型中的所述目标网络层以及所述输出层的参数进行调整。
本说明书提供了一种信息推荐的方法，包括：
获取用户输入的搜索词，并确定所述搜索词对应的搜索领域；
确定用于描述所述搜索领域的领域描述信息；
从各待推荐信息中确定出与所述搜索词相关联的各候选关键词，以及，从预设词库中确定出在所述搜索领域下与所述搜索词相关联的各参照词；
将所述领域描述信息、所述搜索词、所述各候选关键词以及所述各参照词输入到预先训练的信息推荐模型中，以确定在所述搜索领域下所述各参照词与所述搜索词之间的关联度，作为参照关联度，以及，针对每个候选关键词，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度与所述参照关联度之间的差值，所述信息推荐模型是通过上述模型训练的方法训练得到的；
根据所述参照关联度以及所述差值，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度，作为目标关联度；
根据每个候选关键词对应的目标关联度，从所述各候选关键词中选取目标关键词；
根据所述目标关键词，从所述各待推荐信息中选取目标信息，并将所述目标信息推荐给所述用户。
可选地，在将所述领域描述信息、所述搜索词、所述各候选关键词以及所述各参照词输入到预先训练的信息推荐模型中，以确定在所述搜索领域下所述各参照词与所述搜索词之间的关联度，作为参照关联度之前，所述方法还包括：
针对每个候选关键词，生成该候选关键词对应的各模型输入数据，该候选关键词对应的每个模型输入数据均包含有该候选关键词、所述搜索词以及所述领域描述词，该候选关键词对应的不同模型输入数据所包含的参照词不同；
将所述领域描述信息、所述搜索词、所述各候选关键词以及所述各参照词输入到预先训练的信息推荐模型中，以确定在所述搜索领域下所述各参照词与所述搜索词之间的关联度，作为参照关联度，以及，针对每个候选关键词，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度与所述参照关联度之间的差值，具体包括：
针对每个候选关键词，将该候选关键词对应的各模型输入数据输入到至少两个信息推荐模型中，以确定每个信息推荐模型输出在所述搜索领域下不同参照词与所述搜索词之间的参照关联度，以及针对每个信息推荐模型，确定该信息推荐模型输出的在所述搜索领域下该候选关键词和所述搜索词之间的关联度与该信息推荐模型输出的参照关联度之间的差值，其中，输入到不同信息推荐模型的模型输入数据不完全相同。
可选地，根据所述参照关联度以及所述差值，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度，作为目标关联度，具体包括：
根据每个信息推荐模型基于该候选关键词对应的模型输入数据所输出的参照关联度、每个信息推荐模型基于该候选关键词对应的模型输入数据所输出的差值以及所述信息推荐模型的模型数量，确定该候选关键词与所述搜索词之间的关联度。
本说明书提供了一种模型训练的装置，包括：
获取模块，获取搜索词以及用于描述所述搜索词对应搜索领域的领域描述信息；
确定模块，从预设词库中确定出在所述领域描述信息对应搜索领域下与所述搜索词相匹配的第一关键词以及至少一个第二关键词；
生成模块，根据所述搜索词、所述领域描述信息、所述第一关键词以及各第二关键词生成训练样本；
输入模块，将所述训练样本输入到待训练的信息推荐模型，确定在所述领域描述信息对应的搜索领域下所述各第二关键词与所述搜索词之间的关联度，作为参照关联度，并确定在所述领域描述信息对应的搜索领域下所述第一关键词和所述搜索词之间的关联度与所述参照关联度之间的差值；
训练模块，以最小化所述差值与所述训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型进行训练。
可选地，在将所述训练样本输入待训练的信息推荐模型之前，所述装置还包括：
构建模块，用于获取经过预训练的基础模型；基于所述基础模型以及预设的输出层，构建所述信息推荐模型。
可选地，所述训练模块具体用于，在所述基础模型包含的各网络层中确定出与所述输出层之间具有数据传输关系的网络层，作为目标网络层；以最小化所述差值与所述训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型中的所述目标网络层以及所述输出层的参数进行调整。
本说明书提供了一种信息推荐的装置，包括：
获取模块，获取用户输入的搜索词，并确定所述搜索词对应的搜索领域；
第一确定模块，确定用于描述所述搜索领域的领域描述信息；
第二确定模块，从各待推荐信息中确定出与所述搜索词相关联的各候选关键词，以及，从预设词库中确定出在所述搜索领域下与所述搜索词相关联的各参照词；
输入模块，将所述领域描述信息、所述搜索词、所述各候选关键词以及所述各参照词输入到预先训练的信息推荐模型中，以确定在所述搜索领域下所述各参照词与所述搜索词之间的关联度，作为参照关联度，以及，针对每个候选关键词，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度与所述参照关联度之间的差值；
第三确定模块，根据所述参照关联度以及所述差值，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度，作为目标关联度；
选取模块，根据每个候选关键词对应的目标关联度，从所述各候选关键词中选取目标关键词；
推荐模块，根据所述目标关键词，从所述各待推荐信息中选取目标信息，并将所述目标信息推荐给所述用户。
可选地，所述输入模块还用于，针对每个候选关键词，生成该候选关键词对应的各模型输入数据，该候选关键词对应的每个模型输入数据均包含有该候选关键词、所述搜索词以及所述领域描述词，该候选关键词对应的不同模型输入数据所包含的参照词不同；
所述输入模块具体用于，针对每个候选关键词，将该候选关键词对应的各模型输入数据输入到至少两个信息推荐模型中，以确定每个信息推荐模型输出在所述搜索领域下不同参照词与所述搜索词之间的参照关联度，以及针对每个信息推荐模型，确定该信息推荐模型输出的在所述搜索领域下该候选关键词和所述搜索词之间的关联度与该信息推荐模型输出的参照关联度之间的差值，其中，输入到不同信息推荐模型的模型输入数据不完全相同。
可选地，所述第三确定模块具体用于，根据每个信息推荐模型基于该候选关键词对应的模型输入数据所输出的参照关联度、每个信息推荐模型基于该候选关键词对应的模型输入数据所输出的差值以及所述信息推荐模型的模型数量，确定该候选关键词与所述搜索词之间的关联度。
本说明书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实现上述模型训练和信息推荐的方法。
本说明书提供了一种电子设备，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模型训练和信息推荐的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的模型训练的方法中，获取搜索词以及领域描述信息；从词库中确定出在领域描述信息对应搜索领域下与搜索词相匹配的第一关键词以及至少一个第二关键词；根据搜索词、领域描述信息、第一关键词以及各第二关键词生成训练样本；将训练样本输入到待训练的信息推荐模型，确定在领域描述信息对应的搜索领域下各第二关键词与搜索词之间的关联度，作为参照关联度，并确定在领域描述信息对应的搜索领域下第一关键词和搜索词之间的关联度与参照关联度之间的差值；以最小化差值与训练样本对应的预设标签之间的偏差为优化目标，对信息推荐模型进行训练。
从上述方法可以看出，本方案在对模型进行训练的过程中，可以确定出在领域描述信息对应的搜索领域下第一关键词和搜索词之间的关联度与参照关联度之间的差值，从而使该差值与预设标签之间的偏差达到最小化，这样一来，最终确定出的第一关键词和搜索词之间的关联度可以通过上述偏差和同一领域下第二关键词的参照关联度进行确定，从而使确定出的关联度可以更加准确的反应出搜索词与关键词之间的相关性，并且，上述关联度是由搜索词、多个关键词以及领域描述信息共同确定出的，这样一来，在实际应用中所确定出的目标关键词能够与搜索词对应的搜索领域相匹配，从而满足用户的搜索需求，提高用户的搜索体验。
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为本说明书中提供的一种模型训练的方法的流程示意图；
图2为本说明书中提供的一种信息推荐的方法的流程示意图；
图3为本说明书提供的一种模型训练的装置的示意图；
图4为本说明书提供的一种信息推荐的装置的示意图；
图5为本说明书提供的一种对应于图1或图2的电子设备示意图。
具体实施方式
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为本说明书中提供的一种模型训练的方法的流程示意图，包括以下步骤：
S100：获取搜索词以及用于描述所述搜索词对应搜索领域的领域描述信息。
当用户在诸如论文网站、专利网站等业务平台输入搜索内容进行文献搜索时，业务平台可以根据搜索词和从相关文章中抽取的关键词进行匹配，从而确定出与用户输入的搜索内容相关联的文献。
在实际应用中，同一概念在不同文献中可能会使用不同的词汇进行表述，同理，用户键入的关键词也有类似情况。这会导致用户通过某一关键词进行搜索时，得到的文献并不全面，可能会漏掉那些同义但表述不同的另一组关键词的文献，例如“Television Set”与“TV set”属于两个同义词(均表示电视机)，搜索出来的文献理应也是类似的，但有些时候却不尽然。
除了关键词之外，用户输入的搜索内容对应的领域也会对搜索结果产生影响，比如“strong material(坚固的材料)”与“steel(钢)”虽然在语义上较为接近，但是，如果用户想要对与纺织领域相关的文献进行搜索，在该领域下“strong material”与“steel”之间显然并不相关，如果用户输入“strong material”后向其推荐关键词为“steel”的文献，则会导致推荐内容与用户想要搜索的文献不符。
基于此，本说明书提供了一种模型训练的方法，将第一关键词、搜索词、领域描述信息以及至少一个第二关键词确定信息推荐模型的训练样本，并通过信息推荐模型确定在领域描述信息对应的搜索领域下所述第一关键词和所述搜索词之间的关联度与第二关键词和搜索词之间的参照关联度的差值，进而根据该差值以及预设标签对模型进行训练。
在本说明书中，用于实现一种模型训练和信息推荐的方法的执行主体可以是服务器等指定设备，为了便于描述，本说明书仅以服务器作为执行主体为例，对本说明书中提供的一种信息推荐的方法进行说明。
其中，服务器可以获取搜索词以及用于描述该搜索词对应搜索领域的领域描述信息，在实际应用中，不同的领域都会有其对应的标准描述或者介绍，服务器可以从相关网站、文献或者服务器本地获取上述搜索领域所对应的标准描述或者介绍的文本的摘要，并将其作为领域描述信息。上述搜索领域可以包括：生物、化学、电学、工业、纺织、农业等，本说明书对此不做具体限定。
S102：从预设词库中确定出在所述领域描述信息对应搜索领域下与所述搜索词相匹配的第一关键词以及至少一个第二关键词。
S104：根据所述搜索词、所述领域描述信息、所述第一关键词以及各第二关键词生成训练样本。
S106：将所述训练样本输入到待训练的信息推荐模型，确定在所述领域描述信息对应的搜索领域下所述各第二关键词与所述搜索词之间的关联度，作为参照关联度，并确定在所述领域描述信息对应的搜索领域下所述第一关键词和所述搜索词之间的关联度与所述参照关联度之间的差值。
服务器可以从预设词库中确定出在上述领域描述信息对应的搜索领域下与该搜索词相匹配的第一关键词以及至少一个第二关键词，并根据搜索词、领域描述信息、第一关键词以及各第二关键词生成训练样本，其中，第一关键词以及第二关键词可以是从向用户推荐的历史信息中所提炼出的，该训练样本可以表示为：
[anchor[SEP]target[SEP]context[SEP]target_x1[SEP]……[SEP]target_xn]
其中，anchor为搜索词，target为第一关键词，context为领域描述信息，target_x1[SEP]……[SEP]target_xn为各第二关键词。
而后服务器可以将训练样本输入待训练的信息推荐模型，以通过信息推荐模型确定第二关键词与搜索词之间的关联度，作为参照关联度，以及确定在领域描述信息对应的搜索领域下第一关键词和搜索词之间的关联度与参照关联度之间的差值。
在对信息推荐模型进行训练的过程中，可以事先对第一关键词与搜索词之间的关联度进行标注，当然也可以通过信息推荐模型计算，进而确定在领域描述信息对应的搜索领域下第一关键词和搜索词之间的关联度与参照关联度之间的差值。
需要说明的是，当存在多个第二关键词时，服务器可以根据第一关键词与搜索词之间的关联度与每个参照关联度之间差值的平均值确定最终的输出。
S108：以最小化所述差值与所述训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型进行训练。
服务器可以以最小化上述差值与训练样本对应的预设标签之间的偏差为优化目标，对信息推荐模型进行训练，直至满足训练目标。其中，上述预设标签可以为预先标注好的在领域描述信息对应的搜索领域下第一关键词和搜索词之间的关联度与参照关联度之间的差值。
在本说明书中，上述训练目标可以为信息推荐模型收敛至预设范围内，或达到预设训练次数，该预设范围和预设训练次数可以根据实际情况进行设定，本说明书对此不做具体限定。
另外，在对特征提取模型进行训练之前，服务器可以先获取经过预训练的基础模型(如Bert模型)，而后基于该基础模型以及预设的输出层，构建信息推荐模型。
由于基础模型已经完成了预训练，所以服务器可以在基础模型的各网络层中确定出与输出层之间具有数据传输关系的网络层(即基础模型的最后一层)作为目标网络层，服务器可以提取目标网络层的隐向量，通过pooling的方式将其从序列embedding缩减到单词embedding，再输入一层线性层(输出层)得到最终的参照关联度及差值。
而后服务器可以以最小化信息推荐模型输出的差值与训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型中的所述目标网络层以及输出层的参数进行微调，从而提高训练效率。
需要说明的是，在本说明书中服务器可以训练多个信息推荐模型，从而通过训练好的每个训练模型执行多任务的输入与输出。
完成对信息推荐模型的微调后，服务器可以将该信息推荐模型进行部署，以通过该信息推荐模型进行信息推荐。
以上为从模型训练的角度，对本说明书中提供的一种模型训练的方法进行的说明，以下将从实际应用的角度，对本说明书中提供的一种应用上述方法所训练出的信息推荐模型的信息推荐方法，如图2所示。
图2为本说明书中提供的一种模型训练的方法的流程示意图，包括以下步骤：
S200：获取用户输入的搜索词，并确定所述搜索词对应的搜索领域。
S202：确定用于描述所述搜索领域的领域描述信息。
服务器在接收到客户端发送的信息推荐请求后，可以获取用户在客户端中输入的搜索词，并确定该搜索词对应搜索领域。
在本说明书中，客户端也可以向用户展示包含有多种搜索领域的下拉菜单或者弹窗，用户可以通过诸如点击、长按等方式选取相应的搜索领域。当然，搜索领域可以是用户直接在客户端中输入的，为了与搜索词进行区分，用户可以对搜索领域的描述内容添加指定的字符(如括号、引号等)。
此外，当用户浏览信息时，也可选取信息页面中出现的词汇，并将其作为搜索词进行搜索，在这种场景下，客户端可以对该信息页面中的信息内容进行识别，从而确定该搜索词对应的搜索领域。
获取搜索领域后，服务器可以进一步确定该搜索领域对应的领域描述信息，在实际应用中，不同的领域都会有其对应的标准描述或者介绍，服务器可以从相关网站、文献或者服务器本地获取上述搜索领域所对应的标准描述或者介绍文本的摘要，并将其作为领域描述信息。
S204：从各待推荐信息中确定出与所述搜索词相关联的各候选关键词，以及，从预设词库中确定出在所述搜索领域下与所述搜索词相关联的各参照词。
服务器可以从各待推荐信息中确定出与搜索词相关联(如语义相似)并且属于同一搜索领域的候选关键词，这些候选关键词可以是服务器从待推荐信息中所提炼出来的，当然，也可以是待推荐信息(如文献)的作者或编者预先设置好的。
与此同时，服务器可以从预设词库中确定出在上述搜索领域下与搜索词相关联的各参照词。
S206：将所述领域描述信息、所述搜索词、所述各候选关键词以及所述各参照词输入到预先训练的信息推荐模型中，以确定在所述搜索领域下所述各参照词与所述搜索词之间的关联度，作为参照关联度，以及，针对每个候选关键词，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度与所述参照关联度之间的差值。
在本说明书中，信息推荐模型可以通过诸如BERT等自然语言处理模型进行构建，该模型支持多段输入，并通过特殊符号隔断。服务器可以根据搜索词、领域描述信息、候选关键词以及参照词构建信息推荐模型的模型输入数据，该模型输入数据可以表示为：
[anchor[SEP]target[SEP]context[SEP]target_xn]
其中，[SEP]为用于隔断搜索词(anchor)、领域描述信息(context)、候选关键词(target)以及参照词target_xn的特殊符号。
在本说明书中，由于服务器会事先训练出多个信息推荐模型，所以针对每个候选关键词，服务器可以生成该候选关键词对应的各模型输入数据，该候选关键词对应的每个模型输入数据均包含有该候选关键词、所述搜索词以及所述领域描述词，该候选关键词对应的不同模型输入数据所包含的参照词不同，包含有该候选关键词(target)的各模型输入数据可以表示为：
[anchor[SEP]target[SEP]context[SEP]target_x1]
[anchor[SEP]target[SEP]context[SEP]target_x2]
……
[anchor[SEP]target[SEP]context[SEP]target_xn]
服务器可以通过集成学习(ensemble)的方式，分别将包含该候选关键词的模型输入数据分别输入到多个信息推荐模型中。
以输入数据[anchor[SEP]target[SEP]context[SEP]target_x1]为例，服务器将该输入数据输入到信息推荐模型后，信息推荐模型可以确定参照词与搜索词之间的关联度，作为参照关联度score_x1。
而后信息推荐模型可以确定并输出在上述搜索领域下该候选关键词target和搜索词之间的关联度与所述参照关联度score_x1之间的差值score_diff_1。
S208：根据所述参照关联度以及所述差值，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度，作为目标关联度。
对于上述多任务输出来说，服务器可以确定每个信息推荐模型输出在搜索领域下不同参照词与所述搜索词之间的参照关联度，以及针对每个信息推荐模型，确定该信息推荐模型输出的在所述搜索领域下该候选关键词和所述搜索词之间的关联度与该信息推荐模型输出的参照关联度之间的差值，进而根据每个信息推荐模型基于该候选关键词对应的模型输入数据所输出的参照关联度、每个信息推荐模型基于该候选关键词对应的模型输入数据所输出的差值以及所述信息推荐模型的模型数量，确定该候选关键词与搜索词之间的关联度，作为目标关联度，该目标关联度关可以表示为：
SCORE＝(score_diff_1+score_x1+score_diff_2+score_x2+……+score_diff_n+score_xn)/n
其中，score_diff_n+score_n为信息推荐模型n针对模型输入数据[anchor[SEP]target[SEP]context[SEP]target_xn]所输出的target与anchor之间的差值以及target_xn与anchor之间的参照关联度，SCORE为目标关联度，n为信息推荐模型的总数量。
在本说明书中，对于包含该候选关键词的每个模型输入数据，该模型输入数据中也可以包含有两个或两个以上的参照词，需要说明的是，输入不同信息推荐模型的模型输入数据中的各参照词不完全相同，换句话说，包含候选关键词的各模型输入数据中存在至少一个参照词与包含该候选关键词的其他模型输入数据不同。
S210：根据每个候选关键词对应的目标关联度，从所述各候选关键词中选取目标关键词。
S212：根据所述目标关键词，从所述各待推荐信息中选取目标信息，并将所述目标信息推荐给所述用户。
服务器可以根据每个候选关键词对应的目标关联度，从各候选关键词中选取出目标关键词，例如，服务器可以将目标关联度大于预设关联度的候选关键词作为目标关键词，该预设关联度可以根据实际情况进行设定，本说明书对此不做具体限定。
而后服务器可以根据目标关键词，从各待推荐信息中选取目标信息，并将目标信息推荐给所述用户。当确定出多个目标关键词以及目标信息时，服务器可以按照各关键词对应目标关联度由大到小的顺序，对各目标信息进行排序，并按照该排序向用户进行信息推荐。
从上述方法可以看出，本方案在对模型进行训练的过程中，可以确定出在领域描述信息对应的搜索领域下第一关键词和搜索词之间的关联度与参照关联度之间的差值，从而使该差值与预设标签之间的偏差达到最小化，这样一来，最终确定出的第一关键词和搜索词之间的关联度可以通过上述偏差和同一领域下第二关键词的参照关联度共同进行确定，从而使确定出的关联度可以更加准确的反应出搜索词与关键词之间的相关性，并且，上述关联度是由搜索词、多个关键词以及领域描述信息共同确定出的，这样一来，在实际应用中所确定出的目标关键词能够与搜索词对应的搜索领域相匹配，从而满足用户的搜索需求，提高用户的搜索体验。
并且，同检索词(anchor)-领域词(context)的多个关键词(target)可生成多个样本，意味着只需要同检索词(anchor)-领域词(context)打少量标签即可。
以上为本说明书的一个或多个实施模型训练或信息推荐的方法，基于同样的思路，本说明书还提供了相应的信息推荐或模型训练的装置，如图3或图4所示。
图3为本说明书提供的一种模型训练的装置的示意图，包括：
获取模块300，用于获取搜索词以及用于描述所述搜索词对应搜索领域的领域描述信息；
确定模块302，用于从预设词库中确定出在所述领域描述信息对应搜索领域下与所述搜索词相匹配的第一关键词以及至少一个第二关键词；
生成模块304，用于根据所述搜索词、所述领域描述信息、所述第一关键词以及各第二关键词生成训练样本；
输入模块306，用于将所述训练样本输入到待训练的信息推荐模型，确定在所述领域描述信息对应的搜索领域下所述各第二关键词与所述搜索词之间的关联度，作为参照关联度，并确定在所述领域描述信息对应的搜索领域下所述第一关键词和所述搜索词之间的关联度与所述参照关联度之间的差值；
训练模块308，用于以最小化所述差值与所述训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型进行训练。
可选地，所述装置还包括：
构建模块310，用于获取经过预训练的基础模型；基于所述基础模型以及预设的输出层，构建所述信息推荐模型。
可选地，所述训练模块308具体用于，在所述基础模型包含的各网络层中确定出与所述输出层之间具有数据传输关系的网络层，作为目标网络层；以最小化所述差值与所述训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型中的所述目标网络层以及所述输出层的参数进行调整。
图4为本说明书提供的一种信息推荐的装置的示意图，包括：
获取模块400，用于获取用户输入的搜索词，并确定所述搜索词对应的搜索领域；
第一确定模块402，用于确定用于描述所述搜索领域的领域描述信息；
第二确定模块404，用于从各待推荐信息中确定出与所述搜索词相关联的各候选关键词，以及，从预设词库中确定出在所述搜索领域下与所述搜索词相关联的各参照词；
输入模块406，用于将所述领域描述信息、所述搜索词、所述各候选关键词以及所述各参照词输入到预先训练的信息推荐模型中，以确定在所述搜索领域下所述各参照词与所述搜索词之间的关联度，作为参照关联度，以及，针对每个候选关键词，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度与所述参照关联度之间的差值；
第三确定模块408，用于根据所述参照关联度以及所述差值，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度，作为目标关联度；
选取模块410，用于根据每个候选关键词对应的目标关联度，从所述各候选关键词中选取目标关键词；
推荐模块412，用于根据所述目标关键词，从所述各待推荐信息中选取目标信息，并将所述目标信息推荐给所述用户。
可选地，所述输入模块406还用于，针对每个候选关键词，生成该候选关键词对应的各模型输入数据，该候选关键词对应的每个模型输入数据均包含有该候选关键词、所述搜索词以及所述领域描述词，该候选关键词对应的不同模型输入数据所包含的参照词不同；
所述输入模块406具体用于，针对每个候选关键词，将该候选关键词对应的各模型输入数据输入到至少两个信息推荐模型中，以确定每个信息推荐模型输出在所述搜索领域下不同参照词与所述搜索词之间的参照关联度，以及针对每个信息推荐模型，确定该信息推荐模型输出的在所述搜索领域下该候选关键词和所述搜索词之间的关联度与该信息推荐模型输出的参照关联度之间的差值，其中，输入到不同信息推荐模型的模型输入数据不完全相同。
可选地，所述第三确定模块408具体用于，根据每个信息推荐模型基于该候选关键词对应的模型输入数据所输出的参照关联度、每个信息推荐模型基于该候选关键词对应的模型输入数据所输出的差值以及所述信息推荐模型的模型数量，确定该候选关键词与所述搜索词之间的关联度。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1或图2提供的一种模型训练或信息推荐的方法。
本说明书还提供了图5所示的一种对应于图1或图2的电子设备的示意结构图。如图5所述，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或图2所述的模型训练或信息推荐的方法。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 (14)
1.一种模型训练的方法，所述方法包括：
获取搜索词以及用于描述所述搜索词对应搜索领域的领域描述信息；
从预设词库中确定出在所述领域描述信息对应搜索领域下与所述搜索词相匹配的第一关键词以及至少一个第二关键词；
根据所述搜索词、所述领域描述信息、所述第一关键词以及各第二关键词生成训练样本；
将所述训练样本输入到待训练的信息推荐模型，确定在所述领域描述信息对应的搜索领域下所述各第二关键词与所述搜索词之间的关联度，作为参照关联度，并确定在所述领域描述信息对应的搜索领域下所述第一关键词和所述搜索词之间的关联度与所述参照关联度之间的差值；
以最小化所述差值与所述训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型进行训练。
2.如权利要求1所述的方法，在将所述训练样本输入待训练的信息推荐模型之前，所述方法还包括：
获取经过预训练的基础模型；
基于所述基础模型以及预设的输出层，构建所述信息推荐模型。
3.如权利要求2所述的方法，以最小化所述差值与所述训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型进行训练，具体包括：
在所述基础模型包含的各网络层中确定出与所述输出层之间具有数据传输关系的网络层，作为目标网络层；
以最小化所述差值与所述训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型中的所述目标网络层以及所述输出层的参数进行调整。
4.一种信息推荐的方法，包括：
获取用户输入的搜索词，并确定所述搜索词对应的搜索领域；
确定用于描述所述搜索领域的领域描述信息；
从各待推荐信息中确定出与所述搜索词相关联的各候选关键词，以及，从预设词库中确定出在所述搜索领域下与所述搜索词相关联的各参照词；
将所述领域描述信息、所述搜索词、所述各候选关键词以及所述各参照词输入到预先训练的信息推荐模型中，以确定在所述搜索领域下所述各参照词与所述搜索词之间的关联度，作为参照关联度，以及，针对每个候选关键词，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度与所述参照关联度之间的差值，所述信息推荐模型是通过如权利要求1～3任一项所述的方法训练得到的；
根据所述参照关联度以及所述差值，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度，作为目标关联度；
根据每个候选关键词对应的目标关联度，从所述各候选关键词中选取目标关键词；
根据所述目标关键词，从所述各待推荐信息中选取目标信息，并将所述目标信息推荐给所述用户。
5.如权利要求4所述的方法，在将所述领域描述信息、所述搜索词、所述各候选关键词以及所述各参照词输入到预先训练的信息推荐模型中，以确定在所述搜索领域下所述各参照词与所述搜索词之间的关联度，作为参照关联度之前，所述方法还包括：
针对每个候选关键词，生成该候选关键词对应的各模型输入数据，该候选关键词对应的每个模型输入数据均包含有该候选关键词、所述搜索词以及所述领域描述词，该候选关键词对应的不同模型输入数据所包含的参照词不同；
将所述领域描述信息、所述搜索词、所述各候选关键词以及所述各参照词输入到预先训练的信息推荐模型中，以确定在所述搜索领域下所述各参照词与所述搜索词之间的关联度，作为参照关联度，以及，针对每个候选关键词，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度与所述参照关联度之间的差值，具体包括：
针对每个候选关键词，将该候选关键词对应的各模型输入数据输入到至少两个信息推荐模型中，以确定每个信息推荐模型输出在所述搜索领域下不同参照词与所述搜索词之间的参照关联度，以及针对每个信息推荐模型，确定该信息推荐模型输出的在所述搜索领域下该候选关键词和所述搜索词之间的关联度与该信息推荐模型输出的参照关联度之间的差值，其中，输入到不同信息推荐模型的模型输入数据不完全相同。
6.如权利要求5所述的方法，根据所述参照关联度以及所述差值，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度，作为目标关联度，具体包括：
根据每个信息推荐模型基于该候选关键词对应的模型输入数据所输出的参照关联度、每个信息推荐模型基于该候选关键词对应的模型输入数据所输出的差值以及所述信息推荐模型的模型数量，确定该候选关键词与所述搜索词之间的关联度。
7.一种模型训练的装置，包括：
获取模块，获取搜索词以及用于描述所述搜索词对应搜索领域的领域描述信息；
确定模块，从预设词库中确定出在所述领域描述信息对应搜索领域下与所述搜索词相匹配的第一关键词以及至少一个第二关键词；
生成模块，根据所述搜索词、所述领域描述信息、所述第一关键词以及各第二关键词生成训练样本；
输入模块，将所述训练样本输入到待训练的信息推荐模型，确定在所述领域描述信息对应的搜索领域下所述各第二关键词与所述搜索词之间的关联度，作为参照关联度，并确定在所述领域描述信息对应的搜索领域下所述第一关键词和所述搜索词之间的关联度与所述参照关联度之间的差值；
训练模块，以最小化所述差值与所述训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型进行训练。
8.如权利要求7所述的装置，在将所述训练样本输入待训练的信息推荐模型之前，所述装置还包括：
构建模块，用于获取经过预训练的基础模型；基于所述基础模型以及预设的输出层，构建所述信息推荐模型。
9.如权利要求8所述的装置，所述训练模块具体用于，在所述基础模型包含的各网络层中确定出与所述输出层之间具有数据传输关系的网络层，作为目标网络层；以最小化所述差值与所述训练样本对应的预设标签之间的偏差为优化目标，对所述信息推荐模型中的所述目标网络层以及所述输出层的参数进行调整。
10.一种信息推荐的装置，包括：
获取模块，获取用户输入的搜索词，并确定所述搜索词对应的搜索领域；
第一确定模块，确定用于描述所述搜索领域的领域描述信息；
第二确定模块，从各待推荐信息中确定出与所述搜索词相关联的各候选关键词，以及，从预设词库中确定出在所述搜索领域下与所述搜索词相关联的各参照词；
输入模块，将所述领域描述信息、所述搜索词、所述各候选关键词以及所述各参照词输入到预先训练的信息推荐模型中，以确定在所述搜索领域下所述各参照词与所述搜索词之间的关联度，作为参照关联度，以及，针对每个候选关键词，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度与所述参照关联度之间的差值；
第三确定模块，根据所述参照关联度以及所述差值，确定在所述搜索领域下该候选关键词和所述搜索词之间的关联度，作为目标关联度；
选取模块，根据每个候选关键词对应的目标关联度，从所述各候选关键词中选取目标关键词；
推荐模块，根据所述目标关键词，从所述各待推荐信息中选取目标信息，并将所述目标信息推荐给所述用户。
11.如权利要求10所述的装置，所述输入模块还用于，针对每个候选关键词，生成该候选关键词对应的各模型输入数据，该候选关键词对应的每个模型输入数据均包含有该候选关键词、所述搜索词以及所述领域描述词，该候选关键词对应的不同模型输入数据所包含的参照词不同；
所述输入模块具体用于，针对每个候选关键词，将该候选关键词对应的各模型输入数据输入到至少两个信息推荐模型中，以确定每个信息推荐模型输出在所述搜索领域下不同参照词与所述搜索词之间的参照关联度，以及针对每个信息推荐模型，确定该信息推荐模型输出的在所述搜索领域下该候选关键词和所述搜索词之间的关联度与该信息推荐模型输出的参照关联度之间的差值，其中，输入到不同信息推荐模型的模型输入数据不完全相同。
12.如权利要求11所述的装置，所述第三确定模块具体用于，根据每个信息推荐模型基于该候选关键词对应的模型输入数据所输出的参照关联度、每个信息推荐模型基于该候选关键词对应的模型输入数据所输出的差值以及所述信息推荐模型的模型数量，确定该候选关键词与所述搜索词之间的关联度。
13.一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权利要求1～6任一项所述的方法。
14.一种电子设备，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权利要求1～6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627053.5A CN116662657A (zh) | 2023-05-30 | 2023-05-30 | 一种模型训练和信息推荐的方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310627053.5A CN116662657A (zh) | 2023-05-30 | 2023-05-30 | 一种模型训练和信息推荐的方法、装置、存储介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116662657A true CN116662657A (zh) | 2023-08-29 |
Family
ID=87714767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310627053.5A Pending CN116662657A (zh) | 2023-05-30 | 2023-05-30 | 一种模型训练和信息推荐的方法、装置、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116662657A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875413A (zh) * | 2024-03-13 | 2024-04-12 | 之江实验室 | 一种知识图谱本体中概念构建方法、装置、介质及设备 |
-
2023
- 2023-05-30 CN CN202310627053.5A patent/CN116662657A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875413A (zh) * | 2024-03-13 | 2024-04-12 | 之江实验室 | 一种知识图谱本体中概念构建方法、装置、介质及设备 |
| CN117875413B (zh) * | 2024-03-13 | 2024-05-24 | 之江实验室 | 一种知识图谱本体中概念构建方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108829893B (zh) | 确定视频标签的方法、装置、存储介质和终端设备 | |
| CN110134760A (zh) | 一种搜索方法、装置、设备及介质 | |
| CN117235226A (zh) | 一种基于大语言模型的问题应答方法及装置 | |
| CN113221555B (zh) | 一种基于多任务模型的关键词识别方法、装置及设备 | |
| CN110162778B (zh) | 文本摘要的生成方法及装置 | |
| CN111046221A (zh) | 歌曲推荐方法、装置、终端设备以及存储介质 | |
| EP3625797A1 (en) | Cluster based search and recommendation method to rapidly on-board commands in personal assistants | |
| CN115952272B (zh) | 一种生成对话信息的方法、装置、设备及可读存储介质 | |
| CN117591661B (zh) | 一种基于大语言模型的问答数据构建方法及装置 | |
| CN117331561B (zh) | 一种智能低代码页面开发系统及方法 | |
| CN116227474A (zh) | 一种对抗文本的生成方法、装置、存储介质及电子设备 | |
| CN115221872B (zh) | 一种基于近义扩展的词汇扩展方法和系统 | |
| CN112417093B (zh) | 一种模型训练的方法及装置 | |
| CN112733024A (zh) | 一种信息推荐的方法及装置 | |
| CN112948449A (zh) | 一种信息推荐的方法及装置 | |
| 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 | |
| CN117369783B (zh) | 一种安全代码生成模型的训练方法及装置 | |
| CN113887235A (zh) | 一种信息推荐的方法及装置 | |
| CN117786107A (zh) | 一种文本分类模型的训练方法、装置、介质及电子设备 | |
| CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
| CN111209277A (zh) | 一种数据处理方法、装置、设备及介质 | |
| CN113887234B (zh) | 一种模型训练以及推荐方法及装置 | |
| CN113887221B (zh) | 一种模型训练以及关键词分类方法及装置 | |
| CN113344197A (zh) | 一种识别模型的训练方法、业务执行的方法以及装置 | |
| CN117992600B (zh) | 一种业务执行方法、装置、存储介质以及电子设备 |
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 |