CN117745379A - 基于人工智能的文本推荐方法、装置、计算机设备及介质 - Google Patents

Abstract

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的产品推荐方法、装置、计算机设备及介质。该方法获取待推荐用户的用户属性特征和候选文本的文本属性特征，提取候选文本的文本语义特征，根据用户属性特征、文本属性特征和文本语义特征，使用编码器和全连接层映射得到各个候选文本的推荐概率值，确定推荐概率值最大的候选文本为推荐文本。将语义特征与用户属性特征和文本属性特征相融合，能够丰富建模过程的关联关系，而且对不同维度的融合结果分别进行特征提取，能够更准确地提取到表征能力更强的第三融合特征，进而提高文本推荐的准确性。

Description

基于人工智能的文本推荐方法、装置、计算机设备及介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的文本推荐方法、装置、计算机设备及介质。

背景技术

目前的产品推荐方法一般考虑用户和被推荐物品之间的关联关系，对二者之间的关联关系进行建模，例如基于用户的协同过滤推荐、基于物品的协同过滤推荐等，其中，用户的特征一般采用年龄、性别、群体属性等，而被推荐物品的特征一般采用类别、价格、物理属性、用户评分等。

而在文本推荐场景下，被推荐对象是文本信息，文本信息除了作为一个整体有其类别、面向对象、地域、访问频次等特征之外，文本本身亦包含了丰富的语义信息，仅对用户和被推荐文本之间的关联关系进行建模，在面对文本语义较为复杂的情况时，会导致文本推荐的准确性较低。

因此，如何提高文本推荐的准确性成为了亟待解决的问题。

发明内容

有鉴于此，本发明实施例提供了一种基于人工智能的文本推荐方法、装置、计算机设备及介质，以解决采用现有产品推荐方法对文本进行推荐，会导致文本推荐的准确性较低的问题。

第一方面，本发明实施例提供一种基于人工智能的文本推荐方法，所述文本推荐方法包括：

获取待推荐用户的用户属性特征和所有候选文本对应的文本属性特征；

提取每个候选文本的语义特征信息，得到所有候选文本对应的文本语义特征；

将所述用户属性特征、所述文本属性特征和所述文本语义特征进行特征融合，得到第一融合特征；

将所述用户属性特征、所述文本属性特征和所述文本语义特征进行特征拼接，得到拼接特征，使用编码器对所述拼接特征进行特征提取，得到第二融合特征；

将所述第一融合特征和所述第二融合特征相加，确定相加结果为第三融合特征，使用全连接层将所述第三融合特征映射为各个候选文本的推荐概率值，确定推荐概率值最大的候选文本为推荐文本。

第二方面，本发明实施例提供一种基于人工智能的文本推荐装置，所述文本推荐装置包括：

特征获取模块，用于获取待推荐用户的用户属性特征和所有候选文本对应的文本属性特征；

语义特征提取模块，用于提取每个候选文本的语义特征信息，得到所有候选文本对应的文本语义特征；

第一特征融合模块，用于将所述用户属性特征、所述文本属性特征和所述文本语义特征进行特征融合，得到第一融合特征；

第二特征融合模块，将所述用户属性特征、所述文本属性特征和所述文本语义特征进行特征拼接，得到拼接特征，使用编码器对所述拼接特征进行特征提取，得到第二融合特征；

文本推荐模块，用于将所述第一融合特征和所述第二融合特征相加，确定相加结果为第三融合特征，使用全连接层将所述第三融合特征映射为各个候选文本的推荐概率值，确定推荐概率值最大的候选文本为推荐文本。

第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的文本推荐方法。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读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如第一方面所述的文本推荐方法。

本发明实施例与现有技术相比存在的有益效果是：获取待推荐用户的用户属性特征和所有候选文本对应的文本属性特征，提取每个候选文本的语义特征信息，得到所有候选文本对应的文本语义特征，将用户属性特征、文本属性特征和文本语义特征进行特征融合，得到第一融合特征，将用户属性特征、文本属性特征和文本语义特征进行特征拼接，得到拼接特征，使用编码器对拼接特征进行特征提取，得到第二融合特征，将第一融合特征和第二融合特征相加，确定相加结果为第三融合特征，使用全连接层将第三融合特征映射为各个候选文本的推荐概率值，确定推荐概率值最大的候选文本为推荐文本。将语义特征与用户属性特征和文本属性特征相融合，能够丰富建模过程的关联关系，而且对不同维度的融合结果分别进行特征提取，能够更准确地提取到表征能力更强的第三融合特征，进而提高文本推荐的准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种基于人工智能的文本推荐方法的一应用环境示意图；

图2是本发明实施例一提供的一种基于人工智能的文本推荐方法的流程示意图；

图3是本发明实施例二提供的一种基于人工智能的文本推荐装置的结构示意图；

图4是本发明实施例三提供的一种计算机设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

为了说明本发明的技术方案，下面通过具体实施例来进行说明。

本发明实施例一提供的一种基于人工智能的文本推荐方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、云端终端设备、个人数字助理(personal digital assistant，PDA)等计算机设备。服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

客户端和服务端可以部署于金融服务平台中，金融服务平台可以是保险系统、银行系统、交易系统、订单系统等，金融服务平台可以支持购物、社交、互动游戏、资源转移等功能，还可以具有申请贷款、信用卡或者购买保险、理财产品等功能，文本推荐技术可以应用于金融服务平台中的智能交互场景中，提高业务交互场景的智能化，使得能够根据用户信息和文本信息综合确定所推荐的文本，提高对用户进行文本推荐的准确性，也即提高了金融服务平台的服务效果。

参见图2，是本发明实施例一提供的一种基于人工智能的文本推荐方法的流程示意图，上述文本推荐方法可以应用于图1中的服务端，服务端对应的计算机设备与客户端通信连接，以获取待推荐用户的用户属性特征和所有候选文本对应的文本属性特征，服务端对应的计算机设备中部署有编码器和全连接层，编码器可以用于进行特征提取，全连接层可以用于将特征映射为输出结果，如图2所示，该文本推荐方法可以包括以下步骤：

步骤S201，获取待推荐用户的用户属性特征和所有候选文本对应的文本属性特征。

其中，待推荐用户的用户属性可以包括待推荐用户的年龄、性别、群体属性等用户属性，群体属性可以包括学生、老师、医生、家长、子女等属性，具有不同用户属性的待推荐用户对于文本的兴趣焦点不同。

候选文本可以是指能够推荐给待推荐用户的文本，每个候选文本可以对应若干个文本属性，文本属性可以包括类别、面向对象、地域、访问频次等属性。通过评估每个候选文本可以被推荐给待推荐用户的概率，可以为待推荐用户提供准确性更高的文本，以满足待推荐用户的对应需求。

例如，在保险领域的文本推荐场景中，待推荐用户可以是指待参保客户，候选文本可以是指保险知识文本，则针对用户属性为“30岁家长”的待参保客户，该待参保客户对于保险知识文本的兴趣焦点可能是属于“儿童重疾险”、“少儿意外险”等类别的保险产品的相关知识文本；针对用户属性为“40岁子女”的待参保客户，该待参保客户对于保险知识文本的兴趣焦点可能是属于“父母重疾险”、“癌症医疗险”等类别的保险产品的相关知识文本。

因此，本实施例可以根据用户属性特征提取模型来提取待推荐用户的用户属性特征，来表征待推荐用户具有的用户属性所对应的针对文字的兴趣焦点等特征信息，并作为对待推荐用户进行文本推荐的基础。对应地，用户属性特征至少包括年龄特征、性别特征和群体属性特征。其中，本领域技术人员知晓现有技术中任一用户属性特征提取模型落入到本发明的保护范围内，在此不再赘述。

然后可以根据文本属性特征提取模型来提取所有候选文本对应的文本属性特征，作为对待推荐用户进行文本推荐的基础。其中，本领域技术人员知晓现有技术中任一文本属性特征提取模型落入到本发明的保护范围内，在此不再赘述。

可选的是，获取所有候选文本对应的文本属性特征，包括：

针对任一候选文本，提取候选文本对应的若干个文本属性向量；

将若干个文本属性向量拼接，确定拼接得到的结果为候选文本对应的文本属性子特征；

遍历所有的候选文本，得到每个候选文本对应的文本属性子特征；

将所有候选文本对应的文本属性子特征拼接为文本属性特征。

其中，每个候选文本可以包括若干个文本属性，且每类文本属性均对应一个预训练好的特征提取模型，在本实施例中，每个候选文本可以包括类别属性、面向对象属性、地域属性、访问频次属性中的若干个，且类别属性对应一个预训练好的类别特征提取模型，面向对象属性对应一个预训练好的面向对象特征提取模型，地域属性对应一个预训练好的地域特征提取模型，访问频次属性对应一个预训练好的访问频次特征提取模型。其中，本领域技术人员知晓现有技术中任一特征提取模型落入到本发明的保护范围内，在此不再赘述。

因此，针对任一候选文本，使用预训练好的类别特征提取模型对候选文本进行类别特征的提取，得到对应的类别文本属性向量，使用预训练好的面向对象特征提取模型对候选文本进行面向对象特征的提取，得到对应的面向对象文本属性向量，使用预训练好的地域特征提取模型对候选文本进行地域特征的提取，得到对应的地域文本属性向量，使用预训练好的访问频次特征提取模型对候选文本进行访问频次特征的提取，得到对应的访问频次文本属性向量。

然后对类别文本属性向量、面向对象文本属性向量、地域文本属性向量和访问频次文本属性向量进行拼接，并将拼接得到的结果确定为文本属性子特征，来表征该候选文本中的文本属性信息。

然后遍历所有的候选文本，得到每个候选文本对应的文本属性子特征，并将所有候选文本对应的文本属性子特征拼接为文本属性特征，来表征所有候选文本中的文本属性信息，作为对待推荐用户进行文本推荐的数据基础。

本实施例提取候选文本对应的若干个文本属性向量，将若干个文本属性向量拼接，确定拼接得到的结果为文本属性特征，提高了对候选文本的文本属性的表征能力，提高了文本属性特征的准确性。

上述获取待推荐用户的用户属性特征和所有候选文本对应的文本属性特征的步骤，为对待推荐用户进行文本推荐提供了数据基础。

步骤S202，提取每个候选文本的语义特征信息，得到所有候选文本对应的文本语义特征。

其中，文本除了作为一个整体有其类别、面向对象、地域、访问频次等文本属性之外，文本本身也包含了丰富的语义信息，因此，本实施例可以结合候选文本的语义信息来判断候选文本和待推荐用户之间的关联关系，进而评估每个候选文本可以被推荐给待推荐用户的概率。

具体地，本实施例可以提取每个候选文本的语义特征信息，并对所有候选文本的语义特征信息进行拼接，得到所有候选文本对应的文本语义特征，作为对待推荐用户进行文本推荐的数据基础。

可选的是，提取每个候选文本的语义特征信息，得到所有候选文本对应的文本语义特征，包括：

使用预设语义提取模型提取每个候选文本的语义特征信息；

将所有语义特征信息拼接，确定拼接结果为文本语义特征。

其中，预设的语义提取模型可以是指预先训练好的语义提取模型，用于提取输入的候选文本的语义特征信息，以提高语义特征信息的提取效率和提取准确性。其中，本领域技术人员知晓现有技术中任一语义特征提取模型落入到本发明的保护范围内，在此不再赘述。

上述提取每个候选文本的语义特征信息，得到所有候选文本对应的文本语义特征的步骤，为对待推荐用户进行文本推荐提供了数据基础。

步骤S203，将用户属性特征、文本属性特征和文本语义特征进行特征融合，得到第一融合特征。

其中，用户属性特征可以表征待推荐用户的属性信息，文本属性特征可以表征候选文本的属性信息，文本语义特征可以表征候选文本的语义信息，本实施例将用户属性特征、文本属性特征和文本语义特征进行特征融合，得到第一融合特征，以通过特征融合的方式来表征待推荐用户和候选文本之间的关联关系。

可选的是，将用户属性特征、文本属性特征和文本语义特征进行特征融合，得到第一融合特征，包括：

将用户属性特征、文本属性特征和文本语义特征加权相加，得到加权相加结果；

确定加权相加结果为第一融合特征。

其中，为了提高第一融合特征的准确性，本实施例获取用户属性特征对应的第一融合权重、文本属性特征对应的第二融合权重和文本语义特征对应的第三融合权重，然后根据第一融合权重、第二融合权重和第三融合权重对用户属性特征、文本属性特征和文本语义特征加权相加，得到加权相加结果作为第一融合特征。

第一融合权重、第二融合权重和第三融合权重的具体数值可以根据实际情况进行设定，例如，本实施例中设置第一融合权重为0.5，第二融合权重为0.25，第三融合权重为0.25。

本实施例将用户属性特征、文本属性特征和文本语义特征加权相加，得到加权相加结果作为第一融合特征，以通过特征融合的方式来表征待推荐用户和候选文本之间的关联关系，作为对待推荐用户进行文本推荐的数据基础，提高了文本推荐的准确性。

可选的是，将用户属性特征、文本属性特征和文本语义特征进行特征融合，得到第一融合特征，包括：

将用户属性特征、文本属性特征和文本语义特征加权相加，得到加权相加结果；

将用户属性特征和文本属性特征相乘，得到第一相乘结果，计算用户属性特征和文本属性特征的第一相似度，确定第一相似度为第一权重，将第一相乘结果和第一权重相乘，得到第一特征交叉结果；

将用户属性特征和文本语义特征相乘，得到第二相乘结果，计算用户属性特征和文本语义特征的第二相似度，确定第二相似度为第二权重，将第二相乘结果和第二权重相乘，得到第二特征交叉结果；

将文本语义特征和文本属性特征相乘，得到第三相乘结果，计算文本语义特征和文本属性特征的第三相似度，确定第三相似度为第三权重，将第三相乘结果和第三权重相乘，得到第三特征交叉结果；

将第一特征交叉结果、第二特征交叉结果和第三特征交叉结果相加，确定相加得到的结果为交叉特征；

确定加权相加结果和交叉特征之和为第一融合特征。

其中，为了提高用户属性特征、文本属性特征和文本语义特征之间的关联程度，本实施例对用户属性特征、文本属性特征和文本语义特征进行交叉融合，以得到第一融合特征。

具体地，将用户属性特征和文本属性特征相乘，得到第一相乘结果，并计算用户属性特征和文本属性特征的第一相似度，确定第一相似度为第一权重，将第一相乘结果和第一权重相乘，得到第一特征交叉结果。

将用户属性特征和文本语义特征相乘，得到第二相乘结果，计算用户属性特征和文本语义特征的第二相似度，确定第二相似度为第二权重，将第二相乘结果和第二权重相乘，得到第二特征交叉结果。

将文本语义特征和文本属性特征相乘，得到第三相乘结果，计算文本语义特征和文本属性特征的第三相似度，确定第三相似度为第三权重，将第三相乘结果和第三权重相乘，得到第三特征交叉结果。

然后将第一特征交叉结果、第二特征交叉结果和第三特征交叉结果相加，确定相加得到的结果为交叉特征，并确定加权相加结果和交叉特征之和为第一融合特征。

本实施例对用户属性特征、文本属性特征和文本语义特征进行交叉融合，以得到第一融合特征，提高了用户属性特征、文本属性特征和文本语义特征之间的关联程度，提高了文本推荐的准确性。

上述将用户属性特征、文本属性特征和文本语义特征进行特征融合，得到第一融合特征的步骤，通过特征融合的方式来表征待推荐用户和候选文本之间的关联关系，并作为对待推荐用户进行文本推荐的数据基础，提高了文本推荐的准确性。

步骤S204，将用户属性特征、文本属性特征和文本语义特征进行特征拼接，得到拼接特征，使用编码器对拼接特征进行特征提取，得到第二融合特征。

其中，本实施例将用户属性特征、文本属性特征和文本语义特征进行特征拼接，得到拼接特征，并使用编码器对拼接特征进行特征提取，得到第二融合特征，以通过特征拼接和特征提取的方式来表征待推荐用户和候选文本之间的关联关系。

上述将用户属性特征、文本属性特征和文本语义特征进行特征拼接，得到拼接特征，使用编码器对拼接特征进行特征提取，得到第二融合特征的步骤，通过特征拼接和特征提取的方式来表征待推荐用户和候选文本之间的关联关系，并作为对待推荐用户进行文本推荐的数据基础，提高了文本推荐的准确性。

步骤S205，将第一融合特征和第二融合特征相加，确定相加结果为第三融合特征，使用全连接层将第三融合特征映射为各个候选文本的推荐概率值，确定推荐概率值最大的候选文本为推荐文本。

其中，第一融合特征通过特征融合的方式来表征待推荐用户和候选文本之间的关联关系，第二融合特征通过特征拼接和特征提取的方式来表征待推荐用户和候选文本之间的关联关系，为了进一步提高对待推荐用户和候选文本之间的关联关系的表征程度，本实施例将第一融合特征和第二融合特征相加，确定相加结果为第三融合特征，然后使用全连接层将第三融合特征映射为推荐概率值向量，其中，该推荐概率值向量的每个维度为对应候选文本的推荐概率值，则可确定推荐概率值最大的候选文本为推荐文本。

可选的是，使用全连接层将第三融合特征映射为各个候选文本的推荐概率值，包括：

使用全连接层将第三融合特征映射为各个候选文本的推荐值；

对所有推荐值进行归一化处理，得到每个候选文本对应的推荐概率值。

其中，使用全连接层将第三融合特征映射为推荐值向量，其中，该推荐值向量的每个维度为对应候选文本的推荐值，然后对所有推荐值进行归一化处理，可以得到每个候选文本对应的推荐概率值，作为确定推荐文本的基础。

上述将第一融合特征和第二融合特征相加，确定相加结果为第三融合特征，使用全连接层将第三融合特征映射为各个候选文本的推荐概率值，确定推荐概率值最大的候选文本为推荐文本的步骤，进一步提高了对待推荐用户和候选文本之间的关联关系的表征程度，进而提高了文本推荐的准确性。

本实施例获取待推荐用户的用户属性特征和所有候选文本对应的文本属性特征，提取每个候选文本的语义特征信息，得到所有候选文本对应的文本语义特征，将用户属性特征、文本属性特征和文本语义特征进行特征融合，得到第一融合特征，将用户属性特征、文本属性特征和文本语义特征进行特征拼接，得到拼接特征，使用编码器对拼接特征进行特征提取，得到第二融合特征，将第一融合特征和第二融合特征相加，确定相加结果为第三融合特征，使用全连接层将第三融合特征映射为各个候选文本的推荐概率值，确定推荐概率值最大的候选文本为推荐文本。将语义特征与用户属性特征和文本属性特征相融合，能够丰富建模过程的关联关系，而且对不同维度的融合结果分别进行特征提取，能够更准确地提取到表征能力更强的第三融合特征，进而提高文本推荐的准确性。

对应于上文实施例的基于人工智能的文本推荐方法，图3示出了本发明实施例二提供的基于人工智能的文本推荐装置的结构框图，上述文本推荐装置应用于服务端，服务端对应的计算机设备与客户端通信连接，以获取待推荐用户的用户属性特征和所有候选文本对应的文本属性特征，服务端对应的计算机设备中部署有编码器和全连接层，编码器可以用于进行特征提取，全连接层可以用于将特征映射为输出结果。为了便于说明，仅示出了与本发明实施例相关的部分。

参见图3，该文本推荐装置包括：

特征获取模块31，用于获取待推荐用户的用户属性特征和所有候选文本对应的文本属性特征；

语义特征提取模块32，用于提取每个候选文本的语义特征信息，得到所有候选文本对应的文本语义特征；

第一特征融合模块33，用于将用户属性特征、文本属性特征和文本语义特征进行特征融合，得到第一融合特征；

第二特征融合模块34，用于将用户属性特征、文本属性特征和文本语义特征进行特征拼接，得到拼接特征，使用编码器对拼接特征进行特征提取，得到第二融合特征；

文本推荐模块35，用于将第一融合特征和第二融合特征相加，确定相加结果为第三融合特征，使用全连接层将第三融合特征映射为各个候选文本的推荐概率值，确定推荐概率值最大的候选文本为推荐文本。

可选的是，上述第一特征融合模块33包括：

第一特征加权相加子模块，用于将用户属性特征、文本属性特征和文本语义特征加权相加，得到加权相加结果；

第一特征融合子模块，用于确定加权相加结果为第一融合特征。

可选的是，上述第一特征融合模块33包括：

第二特征加权相加子模块，用于将用户属性特征、文本属性特征和文本语义特征加权相加，得到加权相加结果；

第一特征交叉结果确定子模块，用于将用户属性特征和文本属性特征相乘，得到第一相乘结果，计算用户属性特征和文本属性特征的第一相似度，确定第一相似度为第一权重，将第一相乘结果和第一权重相乘，得到第一特征交叉结果；

第二特征交叉结果确定子模块，用于将用户属性特征和文本语义特征相乘，得到第二相乘结果，计算用户属性特征和文本语义特征的第二相似度，确定第二相似度为第二权重，将第二相乘结果和第二权重相乘，得到第二特征交叉结果；

第三特征交叉结果确定子模块，用于将文本语义特征和文本属性特征相乘，得到第三相乘结果，计算文本语义特征和文本属性特征的第三相似度，确定第三相似度为第三权重，将第三相乘结果和第三权重相乘，得到第三特征交叉结果；

交叉特征确定子模块，用于将第一特征交叉结果、第二特征交叉结果和第三特征交叉结果相加，确定相加得到的结果为交叉特征；

第一融合特征确定子模块，用于确定加权相加结果和交叉特征之和为第一融合特征。

可选的是，上述特征获取模块31包括：

属性向量提取子模块，用于针对任一候选文本，提取候选文本对应的若干个文本属性向量；

文本属性子特征拼接子模块，用于将若干个文本属性向量拼接，确定拼接得到的结果为候选文本对应的文本属性子特征；

候选文本遍历子模块，用于遍历所有的候选文本，得到每个候选文本对应的文本属性子特征；

文本属性特征拼接子模块，用于将所有候选文本对应的文本属性子特征拼接为文本属性特征。

可选的是，上述语义特征提取模块32包括：

语义特征信息提取子模块，用于使用预设语义提取模型提取每个候选文本的语义特征信息；

文本语义特征拼接子模块，用于将所有语义特征信息拼接，确定拼接结果为文本语义特征。

可选的是，上述文本推荐模块35包括：

推荐值映射子模块，用于使用全连接层将第三融合特征映射为各个候选文本的推荐值；

推荐概率值确定子模块，用于对所有推荐值进行归一化处理，得到每个候选文本对应的推荐概率值。

可选的是，用户属性特征至少包括年龄特征、性别特征和群体属性特征。

需要说明的是，上述模块、单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图4为本发明实施例三提供的一种计算机设备的结构示意图。如图4所示，该实施例的计算机设备包括：至少一个处理器(图4中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个文本推荐方法实施例中的步骤。

该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图4仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。

所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的文本推荐方法，其特征在于，所述文本推荐方法包括：

获取待推荐用户的用户属性特征和所有候选文本对应的文本属性特征；

提取每个候选文本的语义特征信息，得到所有候选文本对应的文本语义特征；

将所述用户属性特征、所述文本属性特征和所述文本语义特征进行特征融合，得到第一融合特征；

将所述用户属性特征、所述文本属性特征和所述文本语义特征进行特征拼接，得到拼接特征，使用编码器对所述拼接特征进行特征提取，得到第二融合特征；

将所述第一融合特征和所述第二融合特征相加，确定相加结果为第三融合特征，使用全连接层将所述第三融合特征映射为各个候选文本的推荐概率值，确定推荐概率值最大的候选文本为推荐文本。

2.根据权利要求1所述的文本推荐方法，其特征在于，所述将所述用户属性特征、所述文本属性特征和所述文本语义特征进行特征融合，得到第一融合特征，包括：

将所述用户属性特征、所述文本属性特征和所述文本语义特征加权相加，得到加权相加结果；

确定所述加权相加结果为所述第一融合特征。

3.根据权利要求1所述的文本推荐方法，其特征在于，所述将所述用户属性特征、所述文本属性特征和所述文本语义特征进行特征融合，得到第一融合特征，包括：

将所述用户属性特征、所述文本属性特征和所述文本语义特征加权相加，得到加权相加结果；

将所述用户属性特征和所述文本属性特征相乘，得到第一相乘结果，计算所述用户属性特征和所述文本属性特征的第一相似度，确定所述第一相似度为第一权重，将所述第一相乘结果和所述第一权重相乘，得到第一特征交叉结果；

将所述用户属性特征和所述文本语义特征相乘，得到第二相乘结果，计算所述用户属性特征和所述文本语义特征的第二相似度，确定所述第二相似度为第二权重，将所述第二相乘结果和所述第二权重相乘，得到第二特征交叉结果；

将所述文本语义特征和所述文本属性特征相乘，得到第三相乘结果，计算所述文本语义特征和所述文本属性特征的第三相似度，确定所述第三相似度为第三权重，将所述第三相乘结果和所述第三权重相乘，得到第三特征交叉结果；

将所述第一特征交叉结果、第二特征交叉结果和第三特征交叉结果相加，确定相加得到的结果为交叉特征；

确定所述加权相加结果和所述交叉特征之和为所述第一融合特征。

4.根据权利要求1所述的文本推荐方法，其特征在于，获取所有候选文本对应的文本属性特征，包括：

针对任一候选文本，提取所述候选文本对应的若干个文本属性向量；

将所述若干个文本属性向量拼接，确定拼接得到的结果为所述候选文本对应的文本属性子特征；

遍历所有的候选文本，得到每个候选文本对应的所述文本属性子特征；

将所有候选文本对应的所述文本属性子特征拼接为所述文本属性特征。

5.根据权利要求1所述的文本推荐方法，其特征在于，所述提取每个候选文本的语义特征信息，得到所有候选文本对应的文本语义特征，包括：

使用预设语义提取模型提取每个候选文本的语义特征信息；

将所有语义特征信息拼接，确定拼接结果为所述文本语义特征。

6.根据权利要求1所述的文本推荐方法，其特征在于，所述使用全连接层将所述第三融合特征映射为各个候选文本的推荐概率值，包括：

使用所述全连接层将所述第三融合特征映射为各个候选文本的推荐值；

对所有推荐值进行归一化处理，得到每个候选文本对应的推荐概率值。

7.根据权利要求1至6任一项所述的文本推荐方法，其特征在于，所述用户属性特征至少包括年龄特征、性别特征和群体属性特征。

8.一种基于人工智能的文本推荐装置，其特征在于，所述文本推荐装置包括：

特征获取模块，用于获取待推荐用户的用户属性特征和所有候选文本对应的文本属性特征；

语义特征提取模块，用于提取每个候选文本的语义特征信息，得到所有候选文本对应的文本语义特征；

第一特征融合模块，用于将所述用户属性特征、所述文本属性特征和所述文本语义特征进行特征融合，得到第一融合特征；

第二特征融合模块，将所述用户属性特征、所述文本属性特征和所述文本语义特征进行特征拼接，得到拼接特征，使用编码器对所述拼接特征进行特征提取，得到第二融合特征；

文本推荐模块，用于将所述第一融合特征和所述第二融合特征相加，确定相加结果为第三融合特征，使用全连接层将所述第三融合特征映射为各个候选文本的推荐概率值，确定推荐概率值最大的候选文本为推荐文本。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的文本推荐方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的文本推荐方法。