CN118035551A - 资源推送方法、装置、电子设备、存储介质及程序产品 - Google Patents
资源推送方法、装置、电子设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN118035551A CN118035551A CN202410232499.2A CN202410232499A CN118035551A CN 118035551 A CN118035551 A CN 118035551A CN 202410232499 A CN202410232499 A CN 202410232499A CN 118035551 A CN118035551 A CN 118035551A
- Authority
- CN
- China
- Prior art keywords
- search
- information
- resource
- preset
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 93
- 230000002452 interceptive effect Effects 0.000 claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 132
- 230000003993 interaction Effects 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 108010001267 Protein Subunits Proteins 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000012549 training Methods 0.000 description 16
- 238000000605 extraction Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 235000002020 sage Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了资源推送方法、装置、电子设备、存储介质及程序产品,涉及人工智能技术领域,尤其涉及智能检索技术领域、大数据技术领域和深度学习技术领域。具体实现方案为:响应于获取到搜索信息,对搜索信息进行检索交互属性检测,得到检测结果,检测结果表征搜索信息与检索交互操作之间的相关性程度;根据检测结果,确定与搜索信息相对应的关联检索场景信息;根据搜索信息和关联检索场景信息进行资源检索,得到目标资源;以及推送目标资源。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及智能检索技术领域、大数据技术领域和深度学习技术领域。
背景技术
随着互联网技术的快速发展,用户可以通过智能手机等终端设备快速地浏览新闻等信息资源,也可以基于需求在终端设备中输入搜索词、搜索语句等搜索文本,终端设备可以基于搜索文本来进行资源检索,以提供与用户的检索需求相匹配的资源,提升用户的信息获取效率。
发明内容
本公开提供了一种资源推送方法、装置、电子设备、存储介质及程序产品。
根据本公开的一方面,提供了一种资源推送方法,包括:响应于获取到搜索信息,对搜索信息进行检索交互属性检测,得到检测结果,检测结果表征搜索信息与检索交互操作之间的相关性程度;根据检测结果,确定与搜索信息相对应的关联检索场景信息;根据搜索信息和关联检索场景信息进行资源检索,得到目标资源;以及推送目标资源。
根据本公开的另一方面,提供了一种资源推送装置,包括:检索交互属性检测模块,用于响应于获取到搜索信息,对搜索信息进行检索交互属性检测,得到检测结果,检测结果表征搜索信息与检索交互操作之间的相关性程度;关联检索场景信息确定模块,用于根据检测结果,确定与搜索信息相对应的关联检索场景信息;目标资源获得模块,用于根据搜索信息和关联检索场景信息进行资源检索,得到目标资源;以及推送模块,用于推送目标资源。
根据本公开的另一方面,提供了一种电子设备,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本公开实施例提供的方法。
根据本公开的另一方面,提供了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本公开实施例提供的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开实施例提供的方法。
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示意性示出了根据本公开实施例的可以应用资源推送方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的资源推送方法的流程图;
图3示意性示出了根据本公开实施例的确定第一关联资源信息的原理示意图;
图4示意性示出了根据本公开实施例的确定第二关联资源信息的原理示意图;
图5示意性示出了根据本公开实施例的深度学习模型的原理示意图;
图6示意性示出了根据本公开实施例的确定预设融合特征的原理示意图;
图7示意性示出了根据本公开实施例的深度学习模型的训练方法的原理示意图;
图8示意性示出了根据本公开实施例的资源推送装置的框图;以及
图9示意性示出了根据本公开实施例的适于实现资源推送方法的电子设备的框图。
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。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
本公开的实施例提供了资源推送方法、装置、电子设备、存储介质及程序产品。该资源推送方法包括:响应于获取到搜索信息,对搜索信息进行检索交互属性检测,得到检测结果,检测结果表征搜索信息与检索交互操作之间的相关性程度;根据检测结果,确定与搜索信息相对应的关联检索场景信息;根据搜索信息和关联检索场景信息进行资源检索,得到目标资源;以及推送目标资源。
根据本公开的实施例,通过对搜索信息进行检索交互属性检测,可以使得到的检测结果来实时地、准确地表征搜索信息与预设的检索交互操作,或者历史时间段中的检索交互操作之间的相关性程度,从而根据检索结果来确定与搜索信息对应的关联检索场景信息,可以使关联检索场景信息能较为全面地、准确地表征在预设时间段中或预设规则中与搜索信息相关的目标对象的检索需求意图,从而根据搜索信息和关联检索场景信息进行资源检索可以提升搜索信息包含的语义信息和需求信息的丰富程度,进而使检索到的目标资源能够较为准确的满足用户的实际需求,提升资源检索的准确性,减少针对资源的检索操作频次,提升检索效率。
图1示意性示出了根据本公开实施例的可以应用资源推送方法及装置的示例性系统架构。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如,在另一实施例中,可以应用资源推送方法及装置的示例性系统架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的资源推送方法及装置。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、1 02、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的资源推送方法一般可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的资源推送装置也可以设置于终端设备101、102、或103中。
或者,本公开实施例所提供的资源推送方法一般也可以由服务器105执行。相应地,本公开实施例所提供的资源推送装置一般可以设置于服务器105中。本公开实施例所提供的资源推送方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的资源推送装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器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终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的资源推送方法的流程图。
如图2所示,该资源推送方法包括操作S210~S240。
在操作S210,响应于获取到搜索信息,对搜索信息进行检索交互属性检测,得到检测结果,检测结果表征搜索信息与检索交互操作之间的相关性程度。
在操作S220,根据检测结果,确定与搜索信息相对应的关联检索场景信息。
在操作S230,根据搜索信息和关联检索场景信息进行资源检索,得到目标资源。
在操作S240,推送目标资源。
根据本公开的实施例,搜索信息可以包括目标对象基于操作生成的字、词、句子等任意类型的文本,但不仅限于此,还可以包括字符、运算符号等其他类型的信息,本公开的实施例对搜索信息的具体信息类型不做限定。
根据本公开的实施例,可以基于目标对象的任意类型的操作生成搜索信息,例如可以基于文本输入操作来生成搜索信息,或者还可以基于针对点击操作、双击操作、语音输入操作等其他类型的操作生成搜索信息,本公开的实施例对生成搜索信息的具体操作类型不做限定。
根据本公开的实施例,对搜索信息进行检索交互属性检测,可以包括对与搜索信息相关的检索交互操作的检索交互操作数量、检索交互操作类型、检索交互操作持续时长等任意的检索交互属性进行检测,还可以包括对与搜索信息和检索交互操作相关的资源的资源属性进行检测,资源属性例如可以包括资源数量、资源类型、资源等级等等。
根据本公开的实施例,资源可以包括能够基于智能手机等终端设备浏览的任意类型的资源,包括新闻资源、广告资源、视频资源等,本公开的实施例对资源的具体类型不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,检测结果可以表征搜索信息与检索交互操作的属性之间的相关性程度,检测结果例如可以包括基于搜索信息执行的检索交互操作的类型、数量等,或者还可以包括与检索交互操作相关的资源,例如基于检索交互操作得到的资源,或者基于预设的映射关系与检索交互操作相关联的资源等。
根据本公开的实施例,关联检索场景信息可以包括与搜索操作相关联的检索交互操作的属性信息,或者还可以包括与搜索信息相关联的资源的资源属性信息,或者还可以包括与输入搜索信息的目标对象相关的对象属性信息,本公开的实施例对关联检索场景信息的具体信息类型不做限定,只要与目标对象的检索场景相关即可。
根据本公开的实施例,根据检测结果来确定关联检索场景信息,可以使关联检索场景信息能够较为及时、准确地表征搜索信息的检索需求,并较为准确地表征检索场景中相关的信息。这样通过根据搜索信息和关联检索场景信息进行资源检索,可以提升资源检索的信息丰富程度,以及提升与目标对象的检索需求的匹配程度,从而可以提升检索到的目标资源与检索需求的匹配程度,提升资源检索的准确性。避免目标对象多次输入搜索信息来进行资源检索,提升检索效率。
根据本公开的实施例,对搜索信息进行检索交互属性检测,得到检测结果可以包括:确定与搜索信息相对应的检索交互操作频次;以及根据检索交互操作频次,确定检测结果。
根据本公开的实施例,与搜索信息相对应的检索交互操作频次,可以包括历史时间段中基于搜索信息执行的检索交互操作的频次。但不仅限于此,还可以包括基于预设的规则设定的与搜索信息相对应的检索交互操作的数量,本公开的实施例对确定与搜索信息相对应的检索交互操作频次的具体方式不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,根据检索交互操作频次确定检测结果,可以包括将检索交互操作频次与预设的频次阈值进行比较,得到比较结果。通过确定比较结果是否满足设定的相关性条件,得到检测结果。
例如,在检索交互操作频次为10次,频次阈值为5的情况下,可以通过比较检索交互操作频次和频次阈值,得到的检查结果为满足相关性条件。
根据本公开的实施例,通过根据检索交互操作频次来确定检测结果,可以使检测结果较为准确地表征历史时间段中与搜索信息相关的检索交互操作的频繁程度,从而根据检索结果来确定关联检索场景信息,可以针对搜索信息的检索交互信息频繁程度来针对性地确定与搜索信息相匹配的关联检索场景信息,从而提升后续执行资源检索的数据的适配性与准确性。
根据本公开的实施例,对搜索信息进行检索交互属性检测,得到检测结果还可以包括:确定与搜索信息相对应的关联资源信息;以及根据关联资源信息,确定检测结果。
根据本公开的实施例,关联资源信息可以包括与搜索信息相关联的关联资源的资源属性,例如历史时间段中基于搜索信息执行检索交互操作,并被执行选择操作的关联资源。或者还可以包括预设的与搜索信息具有映射关系的关联资源的资源属性。关联资源信息可以包括关联资源的数量、关联资源的资源类型、资源等级等等任意类型的属性信息,本公开的实施例对此不做限定。
根据本公开的实施例,根据关联资源信息确定检测结果,可以包括确定关联资源信息是否满足预设的相关性条件。例如,关联资源信息可以包括与搜索信息相关联的关联资源的数量,在关联资源的数量大于预设资源数量阈值的情况下,可以确定检索结果满足相关性条件。
根据本公开的实施例,通过根据关联资源信息来确定检测结果,可以使检测结果较为准确地表征与搜索信息相关的关联资源之间的相关性程度,从而根据检索结果来确定关联检索场景信息,可以针对搜索信息的关联资源之间的相关性程度,来针对性地确定与搜索信息相匹配的关联检索场景信息,从而提升后续执行资源检索的数据的信息丰富程度和与搜索意图的适配性,从而可以提升资源检索准确性。
根据本公开的实施例,还可以基于关联资源信息和与搜索信息相对应的检索交互操作频次来确定检测结果。例如,还可以在关联资源的数量小于或等于预设资源数量阈值,和/或检索交互操作频次小于或等于预设数量阈值中的情况下,确定检测结果满足第一相关性条件。又例如在关联资源的数量大于预设资源数量阈值,且检索交互操作频次大于预设数量阈值的情况下,确定检测结果满足第二相关性条件。从而可以根据检测结果满足第一相关性条件或第二相关性条件,来针对性地确定关联检索场景信息,以提升关联检索场景信息与搜索信息执行资源检索的场景的适配程度。
根据本公开的实施例,根据检测结果,确定与搜索信息相对应的关联检索场景信息可以包括:在检索结果满足第一相关性条件的情况下,利用大语言模型处理搜索信息,得到第一关联资源信息。
根据本公开的实施例,第一相关性条件表征相关性程度小于或等于预设相关性阈值,关联检索场景信息包括第一关联资源信息。预设相关性阈值可以基于预设资源数量阈值和与检索交互操作频次相关的预设数量阈值中的至少一项来确定。
在本公开的一个示例中,第一相关性条件可以包括:关联资源的数量小于或等于预设资源数量阈值,和/或检索交互操作频次小于或等于预设数量阈值。这样可以通过关联资源的数量和检索交互操作频次来量化地确定搜索信息与检索交互操作之间的相关性程度,提升确定检测结果的准确性。
根据本公开的实施例,大语言模型(LLM:Large Language Model)可以包括使用大量文本数据训练得到的深度学习模型,大语言模型例如可以包括基于Transformer模型等神经网络模型构建得到的,大语言模型以理解语言文本的含义,以及生成自然语言文本。大语言模型可以处理自然语言任务。由于大语言模型通常包含数十亿的参数,大规模参数可以帮助大语言模型学习自然语言数据中的复杂模式,从而在自然语言处理(NLP:NaturalLanguage Processing)任务表现较好。
根据本公开的实施例,在检测结果满足第一相关性条件的情况下,可以确定与搜索信息相关的关联资源的数量、资源类型等资源属性样本较少,或者还可以表征基于搜索信息执行过的检索交互操作的频次较少,难以准确地确定与搜索信息相关性较高的关联资源。通过利用大语言模型较为强大地任务执行能力和语义理解能力,可以实现较为准确地预测出与搜索信息相关性较高的第一关联资源。这样根据第一关联资源的第一关联资源信息和搜索信息来执行资源检索操作,可以较为准确地满足目标对象的检索需求,提升资源的召回率,并提升检索到的目标资源的准确性。
根据本公开的实施例,利用大语言模型处理搜索信息,得到第一关联资源信息可以包括:利用大语言模型处理搜索信息和与搜索信息相对应的提示模板,得到第一关联资源信息。
根据本公开的实施例,提示模板(或称prompt模板)可以是用于帮助大语言模型理解关联资源信息查询任务的任务配置参数,提示模板可以基于控制大语言模型进行准确预测的提示标记序列,提示标记序列可以包括字符、字段、文字等任意类型的提示标记。利用大语言模型处理搜索信息和与搜索信息相对应的提示模板,可以包括基于搜索信息来填充提示模板,得到提示信息,将提示信息输入大语言模型,以便于控制大语言模型较为准确地执行第一关联资源信息的查询任务,输出与搜索信息相关程度较高的第一关联资源信息。
根据本公开的实施例,资源推送方法还可以包括:根据搜索信息进行资源需求意图识别,得到与搜索信息相对应的资源需求类型;以及根据资源需求类型确定提示模板。
根据本公开的实施例,根据搜索信息进行资源需求意图识别,可以包括将搜索信息输入预设的意图识别模型,输出资源需求类型。又或者,还可以基于与搜索信息相对应的目标对象的对象属性信息,来进行资源需求意图识别。例如,可以基于训练后的神经网络算法,或者任意类型的算法来处理对象属性信息,得到资源需求类型。又例如,还可以基于目标对象预设的资源需求类型配置参数来确定资源需求类型。本公开的实施例对进行资源需求意图识别的具体方式不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,资源需求类型可以表征目标对象针对广告营销类资源、知识分享类资源等任意资源类型的资源的需求。根据资源需求类型确定的提示模板,可以使提示模板更适用于查询到与搜索信息相对应的资源需求类型的第一关联资源信息,使第一关联资源信息与资源需求类型的匹配程度较高,从而进一步满足目标对象的检索需求,提升后续资源检索的准确性。
应该理解的是,与资源需求类型对应的提示模板可以预先构建得到,本公开的实施例在此不再赘述。
根据本公开的实施例,利用大语言模型处理搜索信息和与搜索信息相对应的提示模板,得到第一关联资源信息可以包括:利用大语言模型处理搜索信息、提示模板和预设的检索关系图,得到与搜索信息相关联的检索关系子图;其中,检索关系子图包括多个节点和多个节点之间的边关系,节点表征预设资源信息,边关系表征节点之间的检索交互操作关系;根据检索关系子图,从预设资源信息中确定第一关联资源信息。
根据本公开的实施例,检索关系图中可以包括多个节点和节点之间的边关系。节点可以表征预设搜索信息或预设资源信息,例如圆形节点可以表征预设搜索信息,三角形节点可以表征预设资源信息。边关系可以表征节点之间的检索交互操作关系,例如可以表征历史时间段中基于预设搜索信息执行检索交互操作并点击了基于该预设搜索信息召回的预设资源信息。又例如,还可以基于预设的映射关系来确定预设搜索信息与预设资源信息之间的边关系。
根据本公开的实施例,预设搜索信息可以包括历史时间段中采集到的搜索信息,或者还可以包括基于竞价规则等任意类型的规则确定的搜索词、搜索语句等。预设资源信息可以包括与预设资源相关的文本、图像、音频数据等任意类型的信息。本公开的实施例对预设资源信息的具体信息类型不做限定。
根据本公开的实施例,检索关系子图中与预设资源信息相对应的节点,可以包括与搜索信息的语义相近的预设搜索信息对应的节点,或者还可以包括检索关系子图中的中心节点,或者还可以基于其他的方式来从检索关系子图中确定与预设资源信息相对应的节点,本公开的实施例对此不做限定。
在本公开的一个示例中,检索关系子图还可以包括与搜索信息相对应的预设搜索信息节点的N阶邻近预设资源节点,N为大于1的整数。可以将与搜索信息相对应的预设搜索信息节点的N阶邻近预设资源节点,确定为与搜索信息对应的第一关联资源节点,并根据第一关联资源节点来从预设资源信息中确定第一关联资源信息,从而可以适当地扩大第一关联资源信息的范围,提升针对搜索信息的语义表征丰富程度,进一步提升后续资源检索的精度。
根据本公开的实施例,根据检索关系子图,从预设资源信息中确定第一关联资源信息还可以包括:从检索关系子图中确定与搜索信息对应的第一搜索信息节点;以及根据检索关系子图中与第一搜索信息节点具有边关系的节点,从预设资源信息中确定第一关联资源信息。
根据本公开的实施例,可以根据检索关系子图中与预设资源信息相对应的节点,确定第一搜索信息节点。第一搜索信息节点可以为检索关系子图中的中心节点,或者还可以基于检索关系子图中与各个预设搜索信息节点相对应的预设搜索信息与搜索信息之间的语义相似度,来从多个预设搜索信息节点中确定第一搜索信息节点。对第一搜索信息节点具有边关系的预设资源信息节点进行采样,得到第一关联资源节点,进而确定第一关联资源信息。
根据本公开的实施例,检索关系子图中的边关系可以设置有边权重,边权重可以表征历史时间段中,预设搜索信息与预设资源信息之间的检索交互操作的频次。可以基于第一搜索信息节点的边权重来确定采样概率,进而根据采样概率来对与第一搜索信息节点具有边关系的预设资源信息节点进行采样,得到第一关联资源信息,从而可以使采样得到的第一关联资源信息与第一搜索信息之间的相关性程度较高,从而使第一关联资源信息能够较为准确地表征搜索信息的检索需求意图,以提升后续地资源检索准确性。
图3示意性示出了根据本公开实施例的确定第一关联资源信息的原理示意图。
如图3所示,搜索信息301可以为目标对象基于输入操作输入的搜索文本。搜索信息301和提示模板302融合后可以输入大语言模型M310,以便于大语言模型M310较为准确地控制大语言模型较为准确地执行第一关联资源信息的查询任务,从检索关系图300中确定与搜索信息301相对应的检索关系子图310。从检索关系子图310中可以确定节点311为与搜索信息301相对应的节点,节点3121、3122和3123可以为与预设资源信息对应的节点。可以将与节点3121、3122和3123各自对应的预设资源确定为第一关联资源信息。
需要说明的是,查询任务可以基于近邻检索、随机游走等任意类型的算法构建得到,本公开的实施例对此不做限定。
根据本公开的实施例,利用大语言模型处理搜索信息和与搜索信息相对应的提示模板,得到第一关联资源信息还可以包括:利用大语言模型处理搜索信息和提示模板,得到与搜索信息相对应的关联预设搜索信息;以及从预设资源库中确定与关联预设搜索信息对应的第一关联资源信息。
根据本公开的实施例,关联预设搜索信息可以与搜索信息之间的语义相似度较高,从而可以通过关联预设搜索信息来表征搜索信息。例如,搜索信息可以为“鲜花邮寄”,关联预设搜索信息可以为“鲜花快递”、“鲜花闪送”等。
根据本公开的实施例,预设资源库可以包括至少一个预设资源,可以将与关联预设搜索信息具有映射关系的预设资源确定为第一关联资源,并根据第一关联资源确定第一关联资源信息。
根据本公开的实施例,通过大语言模型处理搜索信息和提示模板来得到关联预设搜索信息,并根据关联预设搜索信息来确定第一关联资源信息,可以至少部分解决与搜索信息相关性较高的资源信息量较少,搜索信息的检索频次较少,导致难以针对搜索信息准确执行资源检索的问题,从而提升资源检索的准确性。
根据本公开的实施例,根据检测结果,确定与搜索信息相对应的关联检索场景信息可以包括:在检索结果满足第二相关性条件的情况下,根据搜索信息确定第二关联资源信息,关联检索场景信息包括第二关联资源信息。
根据本公开的实施例,第二相关性条件表征相关性程度大于预设相关性阈值。
在本公开的一个示例中,第二相关性条件可以包括:满足关联资源的数量大于预设资源数量阈值,满足检索交互操作频次大于预设数量阈值中的至少一项。例如,可以基于关联资源的数量大于预设资源数量阈值,满足检索交互操作频次大于预设数量阈值来确定满足第二相关性条件。这样可以通过关联资源的数量和检索交互操作频次来量化地确定搜索信息与检索交互操作之间的相关性程度,提升确定检测结果的准确性。
根据本公开的实施例,根据搜索信息确定第二关联资源信息,可以包括根据与搜索信息具有映射关系的至少一个资源信息来确定第二关联资源信息。例如,可以基于搜索信息与资源信息之间的边权重和边权重阈值之间的比较结果来确定第二关联资源信息。
根据本公开的实施例,根据搜索信息确定第二关联资源信息可以包括:在预设的检索关系图中确定与搜索信息相匹配的第二搜索信息节点,其中,第二相关性条件表征相关性程度大于预设相关性阈值;以及根据第二搜索信息节点,从预设资源信息中确定第二关联资源信息。
根据本公开的实施例,第二搜索信息节点可以包括与搜索信息的语义相同,或者相似度较高的预设搜索信息节点。可以根据检索关系图中与第二搜索信息节点具有边关系的一阶或多阶邻近预设资源信息节点,确定第二关联资源信息节点,进而可以根据预设资源信息节点与预设资源信息之间的映射关系,从预设资源信息中确定第二关联资源信息。
图4示意性示出了根据本公开实施例的确定第二关联资源信息的原理示意图。
如图4所示,检索关系图400中可以包括多个节点,以及多个节点之间的边关系。与搜索信息401相匹配的第二搜索信息节点可以为第二搜索信息节点411。基于近邻检索算法来对与第二搜索信息节点411相对应的1阶邻近节点进行采样,可以得到检索关系子图410。检索关系子图410中可以包括与第二搜索信息节点411具有一阶边关系的节点4121、4122、41 23和4124。可以将节点4121、4122和4123确定为第二关联预设资源信息节点,从而可以根据第二关联预设资源信息节点4121、4122和4123,确定第二关联资源信息。
根据本公开的实施例,关联检索场景信息还包括与目标对象相关的对象属性信息,目标对象与搜索信息相关。
根据本公开的实施例,对象属性信息可以包括与目标对象的地域、商业类型、资源偏好等任意类型的属性信息,还可以包括与目标对象相关的收藏操作、点赞操作等任意类型的交互操作行为相关的属性信息,本公开的实施例对对象属性信息的具体类型不做限定,本领域技术人员可以根据实际需求进行选择。
需要说明的是,本公开实施例中任意信息的获取,包括但不限于对象属性信息、搜索信息等,均是在获取到相关目标对象的授权后得到的,且在获取信息之前告知相关目标对象获取到的信息的用途为提升资源检索的准确性,并对身份信息等信息进行脱敏、加密等必要的保密措施,避免信息泄露,符合相关法规的要求。
根据本公开的实施例,根据搜索信息和关联检索场景信息进行资源检索,得到目标资源可以包括:基于注意力机制对搜索信息和关联资源信息进行特征融合,得到搜索融合特征,关联资源信息包括第一关联资源信息或第二关联资源信息;对对象属性信息进行特征提取,得到对象属性特征;根据搜索融合特征和对象属性特征进行资源检索,得到目标资源。
根据本公开的实施例,基于注意力机制对搜索信息和关联资源信息进行特征融合,可以包括基于注意力网络算法来处理搜索信息和关联资源信息。注意力网络算法可以包括Transformer算法等任意类型的注意力网络算法。搜索融合特征可以充分融合搜索信息和关联资源信息各自的语义属性,从而使搜索融合特征能够较为准确地表征搜索信息的语义属性。
根据本公开的实施例,基于注意力机制对搜索信息和关联资源信息进行特征融合,还可以包括基于注意力网络算法来处理搜索信息、关联资源信息和与搜索信息相对应的检索关系子图,从而使得到的搜索融合特征能够融合检索关系子图中搜索信息节点的边关系,从而可以更加准确地表征搜索信息的语义属性。
根据本公开的实施例,检索关系子图中的边关系,可以基于线条的粗细来表征边权重,从而使检索关系子图能够通过图语义信息来更加直观地表征搜索信息与关联资源信息之间的相关性程度,从而可以提升搜索融合特征的特征信息丰富程度。
根据本公开的实施例,对对象属性信息进行特征提取,可以包括基于神经网络算法来处理对象属性信息,例如可以包括基于多层感知器(Multilayer Perceptron,MLP)来处理对象属性信息,以便于将离散化的对象属性信息进行特征表示。
根据本公开的实施例,根据搜索融合特征和对象属性特征进行资源检索,可以包括融合搜索融合特征和对象属性特征得到目标融合特征,并将与目标融合特征相关联的资源确定为目标资源。
根据本公开的实施例,根据搜索融合特征和对象属性特征进行资源检索,得到目标资源还可以包括:对搜索融合特征和对象属性特征进行特征融合,得到目标融合特征;将目标融合特征与预设融合特征进行相似度检测,得到相似度检测结果,其中,预设融合特征与预设搜索信息相关联;根据相似度检测结果,从预设搜索信息库中确定目标预设搜索信息,预设搜索信息库包括至少一个预设搜索信息;以及根据目标预设搜索信息确定目标资源。
根据本公开的实施例,对搜索融合特征和对象属性特征进行特征融合可以包括基于融合函数来处理索融合特征和对象属性特征,或者还可以包括基于神经网络算法来处理搜索融合特征和对象属性特征,例如可以基于全连接网络层来处理搜索融合特征和对象属性特征。本公开的实施例对融合搜索融合特征和对象属性特征的具体方式不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,预设融合特征可以与预设搜索信息相关。可以通过确定与搜索信息相对应的目标融合特征的方式来确定预设融合特征。
根据本公开的实施例,可以确定与预设搜索信息相对应的关联预设资源信息,以及与预设搜索信息相对应的预设搜索词相关信息。基于注意力机制融合预设搜索信息和关联预设资源信息,得到预设搜索融合特征。对预设搜索词相关信息进行特征提取,得到预设搜索词相关特征。融合预设搜索融合特征和预设搜索融合特征,得到预设融合特征。
根据本公开的实施例,预设搜索词相关信息可以包括与预设搜索信息相关的推广地域信息、推广对象年龄分布信息等等。本公开的实施例对预设搜索词相关信息的具体类型不做限定,只要与预设搜索信息相关即可。
根据本公开的实施例,对目标融合特征与预设融合特征进行相似度检测,可以包括基于相似度算法来处理目标融合特征与预设融合特征,得到相似度检测结果。或者还可以基于预先训练的语义分类模型来处理目标融合特征与预设融合特征,得到语义相关性分类结果。语义相关性分类结果可以表征目标融合特征与预设融合特征是否具有相同语义分类,从而可以根据语义相关性分类结果来确定相似度检测结果。
根据本公开的实施例,根据相似度检测结果可以从预设搜索信息库中确定与搜索信息相似度较高的目标预设搜索信息,进而可以使目标预设搜索信息来表征目标对象的检索意图,从而可以根据目标预设搜索信息来进行资源检索操作,以提升资源检索的准确性。
图5示意性示出了根据本公开实施例的深度学习模型的原理示意图。
如图5所示,深度学习模型500可以包括第一特征融合网络510、特征提取网络520和第二特征融合网络530。第一特征融合网络510可以基于ERNIE(EnhancedRepresentation through Knowledge Integration)sage模型构建得到。特征提取网络520和第二特征融合网络530可以基于深度神经网络(Deep Neural Network,DNN)构建得到。
如图5所示,可以确定与搜索信息501相对应的检索关系子图T510,检索关系子图T510可以包括与搜索信息501相对应的搜索信息节点N511,以及与搜索信息节点N511具有边关系的关联资源信息节点N521和N522。根据关联资源信息节点N521和N522可以确定关联资源信息502。可以将检索关系子图T510确定为子图信息503,将搜索信息501、关联资源信息502和子图信息503输入第一特征融合网络510,输出搜索融合特征。将与搜索信息501相对应的对象属性信息504输入特征提取网络520,输出对象属性特征。将搜索融合特征和对象属性特征输入第二特征融合网络530,输出目标融合特征505。将目标融合特征505与预设融合特征库中的预设融合特征进行相似度检测,可以得到相似度检测结果,根据相似度检测结果,可以得到与目标融合特征之间的相似度大于相似度阈值的目标预设融合特征。根据与目标预设融合特征相关联的目标预设搜索信息来进行资源检索,可以确定目标资源。
图6示意性示出了根据本公开实施例的确定预设融合特征的原理示意图。
如图6所示,深度学习模型600可以包括第一特征融合网络610、特征提取网络620和第二特征融合网络630。第一特征融合网络610可以基于ERNIE(EnhancedRepresentation through Knowledge Integration)sage模型构建得到。特征提取网络620和第二特征融合网络630可以基于深度神经网络(Deep Neural Network,DNN)构建得到。
如图6所示,根据预设搜索信息可以包括预设搜索词601,预设搜索词601可以基于检索关系图中的预设搜索信息节点N611表征。根据预设搜索信息节点N611来进行近邻检索,可以得到检索关系子图T610。检索关系子图T610可以包括与预设搜索信息节点N611具有一阶边关系的关联预设资源信息节点N621、N622和N623。将与关联预设资源信息节点N621、N622和N623相关联的预设资源信息确定为关联预设资源信息602。还可以将检索关系子图T610确定为预设子图信息603。将预设搜索词601、关联预设资源信息602和预设子图信息603输入第一特征融合网络610,输出预设搜索融合特征。将预设搜索词相关信息604输入特征提取网络620,输出预设搜索词相关特征。将预设搜索融合特征和预设搜索词相关特征输入第二特征融合网络630,输出预设融合特征605。可以基于多个预设搜索信息各自对应的预设融合特征,来构建预设融合特征库。
图7示意性示出了根据本公开实施例的深度学习模型的训练方法的原理示意图。
如图7所示,深度学习模型700可以包括第一特征融合网络710、特征提取网络720和第二特征融合网络730。第一特征融合网络710可以基于ERNIE(EnhancedRepresentation through Knowledge Integration)sage模型构建得到。特征提取网络720和第二特征融合网络730可以基于深度神经网络(Deep Neural Network,DNN)构建得到。
如图7所示,样本搜索信息训练数据701可以包括样本搜索信息、样本关联检索场景信息和样本检索关系子图。预设搜索信息训练数据702可以包括预设搜索词和关联预设资源信息,以及与预设搜索词相对应的检索关系子图。将样本搜索信息训练数据701输入第一特征融合网络710,输出样本搜索融合特征711。将预设搜索信息训练数据702输入第一特征融合网络710,输出预设搜索融合特征712。基于样本搜索融合特征711和预设搜索融合特征712来对第一特征融合网络710进行训练,可以得到训练后的第一特征融合网络。
应该理解的是,可以基于样本搜索信息和预设搜索信息之间的相似度来对样本搜索信息训练数据701预设搜索信息训练数据702进行标注,从而可以得到正例与负例。例如对于相似度高于预设阈值的样本搜索信息和预设搜索信息,可以确定样本搜索信息训练数据701和预设搜索信息训练数据702为正例;对于相似度低于预设阈值的样本搜索信息和预设搜索信息,可以确定样本搜索信息训练数据701和预设搜索信息训练数据702为负例。从而训练得到的第一特征融合网络能够较为准确地理解搜索信息和关联资源信息的语义属性,提升搜索融合特征的语义表征精度。
如图7所示,可以将样本对象属性信息703输入特征提取网络,输出样本对象属性特征721。可以将预设搜索词相关信息704输入特征提取网络,输出预设搜索词相关特征722。将样本搜索信息训练数据701和预设搜索信息训练数据702分别输入训练后的第一特征融合网络,输出样本搜索融合特征711和预设搜索融合特征712。将样本对象属性特征721以及训练后的第一特征融合网络输出的样本搜索融合特征711输入第二特征融合网络730,输出样本融合特征731。将预设搜索词相关特征722,以及训练后的第一特征融合网络输出的预设搜索融合特征712输入第二特征融合网络730,输出样本预设融合特征732。根据样本融合特征731和样本预设融合特征732来训练特征提取网络720和第二特征融合网络730,可以得到训练后的特征提取网络和第二特征融合网络。根据训练后的特征提取网络和第二特征融合网络,以及训练后的第一特征融合网络可以得到训练后的深度学习模型。
根据本公开的实施例,根据目标预设搜索信息确定目标资源可以包括:根据目标预设搜索信息进行资源检索,得到目标资源。
根据本公开的实施例,可以基于近邻检索等检索算法来处理目标预设搜索信息,得到目标资源。或者还可以包括将与目标预设搜索信息具有边关系的至少一个资源节点确定为目标资源节点,并将与目标资源节点对应的资源确定为目标资源。本公开的实施例对资源检索的具体方式不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,根据目标预设搜索信息确定目标资源包括:将目标预设搜索信息确定为目标资源。
根据本公开的实施例,还可以将目标预设搜索信息作为目标资源推送至与目标对象相关的客户端,以便于提示目标对象可以根据目标预设搜索信息的提示进行进行再一次检索,以帮助目标对象进行精确检索。
根据本公开的实施例,通过将目标预设搜索信息作为目标资源向目标对象推送,可以使目标对象在输入搜索信息的过程中,根据已经输入的搜索信息,向目标对象推送与搜索意图相对应的完整的目标预设搜索信息,从而可以减少目标对象的搜索信息输入操作的时长,提升检索效率。
图8示意性示出了根据本公开实施例的资源推送装置的框图。
如图8所示,资源推送装置800可以包括:检索交互属性检测模块810、关联检索场景信息确定模块820、目标资源获得模块830和推送模块840。
检索交互属性检测模块810,用于响应于获取到搜索信息,对搜索信息进行检索交互属性检测,得到检测结果,检测结果表征搜索信息与检索交互操作之间的相关性程度。
关联检索场景信息确定模块820,用于根据检测结果,确定与搜索信息相对应的关联检索场景信息。
目标资源获得模块830,用于根据搜索信息和关联检索场景信息进行资源检索,得到目标资源。
推送模块840,用于推送目标资源。
根据本公开的实施例,关联检索场景信息确定模块包括第一关联资源信息获得子模块。
根据本公开的实施例,在检索结果满足第一相关性条件的情况下,利用大语言模型处理搜索信息,得到第一关联资源信息,其中,第一相关性条件表征相关性程度小于或等于预设相关性阈值,关联检索场景信息包括第一关联资源信息。
根据本公开的实施例,第一关联资源信息获得子模块包括第一关联资源信息获得单元。
第一关联资源信息获得单元,用于利用大语言模型处理搜索信息和与搜索信息相对应的提示模板,得到第一关联资源信息。
根据本公开的实施例,第一关联资源信息获得单元包括:检索关系子图获得子单元和第一关联资源信息获得子单元。
检索关系子图获得子单元,用于利用大语言模型处理搜索信息、提示模板和预设的检索关系图,得到与搜索信息相关联的检索关系子图;其中,检索关系子图包括多个节点和多个节点之间的边关系,节点表征预设资源信息,边关系表征节点之间的检索交互操作关系。
第一关联资源信息获得子单元,用于根据检索关系子图,从预设资源信息中确定第一关联资源信息。
根据本公开的实施例,第一关联资源信息获得单元包括:关联预设搜索信息获得子单元和确定子单元。
关联预设搜索信息获得子单元,用于利用大语言模型处理搜索信息和提示模板,得到与搜索信息相对应的关联预设搜索信息。
确定子单元,用于从预设资源库中确定与关联预设搜索信息对应的第一关联资源信息。
根据本公开的实施例,资源推送装置还可以包括:资源需求类型获得模块和提示模板确定模块。
资源需求类型获得模块,用于根据搜索信息进行资源需求意图识别,得到与搜索信息相对应的资源需求类型。
提示模板确定模块,用于根据资源需求类型确定提示模板。
根据本公开的实施例,关联检索场景信息确定模块包括第二关联资源信息确定子模块。
第二关联资源信息确定子模块,用于在检索结果满足第二相关性条件的情况下,根据搜索信息确定第二关联资源信息,关联检索场景信息包括第二关联资源信息。
根据本公开的实施例,第二关联资源信息确定子模块包括第二搜索信息节点确定单元和第二关联资源信息确定单元。
第二搜索信息节点确定单元,用于在预设的检索关系图中确定与搜索信息相匹配的第二搜索信息节点,检索关系子图包括多个节点和多个节点之间的边关系,节点表征预设搜索信息或预设资源信息,边关系表征节点之间的检索交互操作关系,第二相关性条件表征相关性程度大于预设相关性阈值。
第二关联资源信息确定单元,用于根据第二搜索信息节点,从预设资源信息中确定第二关联资源信息。
根据本公开的实施例,关联检索场景信息还包括与目标对象相关的对象属性信息,目标对象与搜索信息相关。
根据本公开的实施例,目标资源获得模块包括:搜索融合特征获得子模块、对象属性特征获得子模块和目标资源获得子模块。
搜索融合特征获得子模块,用于基于注意力机制对搜索信息和关联资源信息进行特征融合,得到搜索融合特征,关联资源信息包括第一关联资源信息或第二关联资源信息。
对象属性特征获得子模块,用于对对象属性信息进行特征提取,得到对象属性特征。
目标资源获得子模块,用于根据搜索融合特征和对象属性特征进行资源检索,得到目标资源。
根据本公开的实施例,目标资源获得子模块包括:目标融合特征获得单元、相似度检测单元、目标预设搜索信息确定单元和目标资源确定单元。
目标融合特征获得单元,用于对搜索融合特征和对象属性特征进行特征融合,得到目标融合特征。
相似度检测单元,用于对目标融合特征与预设融合特征进行相似度检测,得到相似度检测结果,其中,预设融合特征与预设搜索信息相关联。
目标预设搜索信息确定单元,用于根据相似度检测结果,从预设搜索信息库中确定目标预设搜索信息,预设搜索信息库包括至少一个预设搜索信息。
目标资源确定单元,用于根据目标预设搜索信息确定目标资源。
根据本公开的实施例,目标资源确定单元包括第一目标资源确定子单元。
第一目标资源确定子单元,用于根据目标预设搜索信息进行资源检索,得到目标资源。
根据本公开的实施例,目标资源确定单元包括第二目标资源确定子单元。
第二目标资源确定子单元,用于将目标预设搜索信息确定为目标资源。
根据本公开的实施例,检索交互属性检测模块包括:检索交互操作频次确定子模块和第一确定子模块。
检索交互操作频次确定子模块,用于确定与搜索信息相对应的检索交互操作频次。
第一确定子模块,用于根据检索交互操作频次,确定检测结果。
根据本公开的实施例,检索交互属性检测模块包括关联资源信息确定子模块和第二确定子模块。
关联资源信息确定子模块,用于确定与搜索信息相对应的关联资源信息。
第二确定子模块,用于根据关联资源信息,确定检测结果。
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。
根据本公开的实施例,一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上所述的方法。
根据本公开的实施例,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,计算机指令用于使计算机执行如上所述的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上所述的方法。
图9示意性示出了根据本公开实施例的适于实现资源推送方法的电子设备的框图。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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理,例如资源推送方法。例如,在一些实施例中,资源推送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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的资源推送方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行资源推送方法。
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)和互联网。
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,也可以是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 (32)
1.一种资源推送方法,包括:
响应于获取到搜索信息,对所述搜索信息进行检索交互属性检测,得到检测结果,所述检测结果表征所述搜索信息与检索交互操作之间的相关性程度;
根据所述检测结果,确定与所述搜索信息相对应的关联检索场景信息;
根据所述搜索信息和所述关联检索场景信息进行资源检索,得到目标资源;以及
推送所述目标资源。
2.根据权利要求1所述的方法,其中,所述根据所述检测结果,确定与所述搜索信息相对应的关联检索场景信息包括:
在所述检索结果满足第一相关性条件的情况下,利用大语言模型处理所述搜索信息,得到第一关联资源信息,其中,所述第一相关性条件表征所述相关性程度小于或等于预设相关性阈值,所述关联检索场景信息包括所述第一关联资源信息。
3.根据权利要求2所述的方法,其中,所述利用大语言模型处理所述搜索信息,得到第一关联资源信息包括:
利用所述大语言模型处理所述搜索信息和与所述搜索信息相对应的提示模板,得到第一关联资源信息。
4.根据权利要求3所述的方法,其中,所述利用所述大语言模型处理所述搜索信息和与所述搜索信息相对应的提示模板,得到第一关联资源信息包括:
利用大语言模型处理所述搜索信息、所述提示模板和预设的检索关系图,得到与所述搜索信息相关联的检索关系子图;其中,所述检索关系子图包括多个节点和多个节点之间的边关系,所述节点表征预设资源信息,所述边关系表征节点之间的检索交互操作关系;
根据所述检索关系子图,从所述预设资源信息中确定所述第一关联资源信息。
5.根据权利要求4所述的方法,其中,所述根据所述检索关系子图,从所述预设资源信息中确定所述第一关联资源信息包括:
从所述检索关系子图中确定与所述搜索信息对应的第一搜索信息节点;以及
根据所述检索关系子图中与所述第一搜索信息节点具有边关系的节点,从所述预设资源信息中确定所述第一关联资源信息。
6.根据权利要求3所述的方法,其中,所述利用所述大语言模型处理所述搜索信息和与所述搜索信息相对应的提示模板,得到第一关联资源信息包括:
利用大语言模型处理所述搜索信息和所述提示模板,得到与所述搜索信息相对应的关联预设搜索信息;以及
从预设资源库中确定与所述关联预设搜索信息对应的第一关联资源信息。
7.根据权利要求3所述的方法,还包括:
根据所述搜索信息进行资源需求意图识别,得到与所述搜索信息相对应的资源需求类型;以及
根据所述资源需求类型确定所述提示模板。
8.根据权利要求1所述的方法,其中,所述根据所述检测结果,确定与所述搜索信息相对应的关联检索场景信息包括:
在所述检索结果满足第二相关性条件的情况下,根据所述搜索信息确定第二关联资源信息,所述关联检索场景信息包括所述第二关联资源信息。
9.根据权利要求8所述的方法,其中,所述根据所述搜索信息确定第二关联资源信息包括:
在预设的检索关系图中确定与所述搜索信息相匹配的第二搜索信息节点,所述检索关系子图包括多个节点和多个节点之间的边关系,所述节点表征预设搜索信息或预设资源信息,所述边关系表征节点之间的检索交互操作关系,所述第二相关性条件表征所述相关性程度大于预设相关性阈值;以及
根据所述第二搜索信息节点,从所述预设资源信息中确定所述第二关联资源信息。
10.根据权利要求2或9所述的方法,其中,所述关联检索场景信息还包括与目标对象相关的对象属性信息,所述目标对象与所述搜索信息相关;
其中,所述根据所述搜索信息和所述关联检索场景信息进行资源检索,得到目标资源包括:
基于注意力机制对所述搜索信息和关联资源信息进行特征融合,得到搜索融合特征,所述关联资源信息包括所述第一关联资源信息或所述第二关联资源信息;
对所述对象属性信息进行特征提取,得到对象属性特征;
根据所述搜索融合特征和所述对象属性特征进行资源检索,得到所述目标资源。
11.根据权利要求10所述的方法,其中,所述根据所述搜索融合特征和所述对象属性特征进行资源检索,得到所述目标资源包括:
对所述搜索融合特征和所述对象属性特征进行特征融合,得到目标融合特征,
对所述目标融合特征与预设融合特征进行相似度检测,得到相似度检测结果,所述预设融合特征与预设搜索信息相关联;
根据所述相似度检测结果,从预设搜索信息库中确定目标预设搜索信息;以及
根据所述目标预设搜索信息确定所述目标资源。
12.根据权利要求11所述的方法,其中,所述根据所述目标预设搜索信息确定所述目标资源包括:
根据所述目标预设搜索信息进行资源检索,得到所述目标资源。
13.根据权利要求11所述的方法,其中,所述根据所述目标预设搜索信息确定所述目标资源包括:
将所述目标预设搜索信息确定为所述目标资源。
14.根据权利要求1所述的方法,其中,所述对所述搜索信息进行检索交互属性检测,得到检测结果包括:
确定与所述搜索信息相对应的检索交互操作频次;以及
根据所述检索交互操作频次,确定所述检测结果。
15.根据权利要求1所述的方法,其中,所述对所述搜索信息进行检索交互属性检测,得到检测结果包括:
确定与所述搜索信息相对应的关联资源信息;以及
根据所述关联资源信息,确定所述检测结果。
16.一种资源推送装置,包括:
检索交互属性检测模块,用于响应于获取到搜索信息,对所述搜索信息进行检索交互属性检测,得到检测结果,所述检测结果表征所述搜索信息与检索交互操作之间的相关性程度;
关联检索场景信息确定模块,用于根据所述检测结果,确定与所述搜索信息相对应的关联检索场景信息;
目标资源获得模块,用于根据所述搜索信息和所述关联检索场景信息进行资源检索,得到目标资源;以及
推送模块,用于推送所述目标资源。
17.根据权利要求16所述的装置,其中,所述关联检索场景信息确定模块包括:
第一关联资源信息获得子模块,用于在所述检索结果满足第一相关性条件的情况下,利用大语言模型处理所述搜索信息,得到第一关联资源信息,其中,所述第一相关性条件表征所述相关性程度小于或等于预设相关性阈值,所述关联检索场景信息包括所述第一关联资源信息。
18.根据权利要求17所述的装置,其中,所述第一关联资源信息获得子模块包括:
第一关联资源信息获得单元,用于利用所述大语言模型处理所述搜索信息和与所述搜索信息相对应的提示模板,得到第一关联资源信息。
19.根据权利要求18所述的装置,其中,所述第一关联资源信息获得单元包括:
检索关系子图获得子单元,用于利用大语言模型处理所述搜索信息、所述提示模板和预设的检索关系图,得到与所述搜索信息相关联的检索关系子图;其中,所述检索关系子图包括多个节点和多个节点之间的边关系,所述节点表征预设资源信息,所述边关系表征节点之间的检索交互操作关系;
第一关联资源信息获得子单元,用于根据所述检索关系子图,从所述预设资源信息中确定所述第一关联资源信息。
20.根据权利要求18所述的装置,其中,所述第一关联资源信息获得单元包括:
关联预设搜索信息获得子单元,用于利用大语言模型处理所述搜索信息和所述提示模板,得到与所述搜索信息相对应的关联预设搜索信息;以及
确定子单元,用于从预设资源库中确定与所述关联预设搜索信息对应的第一关联资源信息。
21.根据权利要求18所述的装置,还包括:
资源需求类型获得模块,用于根据所述搜索信息进行资源需求意图识别,得到与所述搜索信息相对应的资源需求类型;以及
提示模板确定模块,用于根据所述资源需求类型确定所述提示模板。
22.根据权利要求16所述的装置,其中,所述关联检索场景信息确定模块包括:
第二关联资源信息确定子模块,用于在所述检索结果满足第二相关性条件的情况下,根据所述搜索信息确定第二关联资源信息,所述关联检索场景信息包括所述第二关联资源信息。
23.根据权利要求22所述的装置,其中,所述第二关联资源信息确定子模块包括:
第二搜索信息节点确定单元,用于在预设的检索关系图中确定与所述搜索信息相匹配的第二搜索信息节点,所述检索关系子图包括多个节点和多个节点之间的边关系,所述节点表征预设搜索信息或预设资源信息,所述边关系表征节点之间的检索交互操作关系,所述第二相关性条件表征所述相关性程度大于预设相关性阈值;以及
第二关联资源信息确定单元,用于根据所述第二搜索信息节点,从所述预设资源信息中确定所述第二关联资源信息。
24.根据权利要求17或23所述的装置,其中,所述关联检索场景信息还包括与目标对象相关的对象属性信息,所述目标对象与所述搜索信息相关;
其中,所述目标资源获得模块包括:
搜索融合特征获得子模块,用于基于注意力机制对所述搜索信息和关联资源信息进行特征融合,得到搜索融合特征,所述关联资源信息包括所述第一关联资源信息或所述第二关联资源信息;
对象属性特征获得子模块,用于对所述对象属性信息进行特征提取,得到对象属性特征;
目标资源获得子模块,用于根据所述搜索融合特征和所述对象属性特征进行资源检索,得到所述目标资源。
25.根据权利要求24所述的装置,其中,所述目标资源获得子模块包括:
目标融合特征获得单元,用于对所述搜索融合特征和所述对象属性特征进行特征融合,得到目标融合特征,
相似度检测单元,用于对所述目标融合特征与预设融合特征进行相似度检测,得到相似度检测结果,所述预设融合特征与预设搜索信息相关联;
目标预设搜索信息确定单元,用于根据所述相似度检测结果,从预设搜索信息库中确定目标预设搜索信息;以及
目标资源确定单元,用于根据所述目标预设搜索信息确定所述目标资源。
26.根据权利要求25所述的装置,其中,所述目标资源确定单元包括:
第一目标资源确定子单元,用于根据所述目标预设搜索信息进行资源检索,得到所述目标资源。
27.根据权利要求25所述的装置,其中,所述目标资源确定单元包括:
第二目标资源确定子单元,用于将所述目标预设搜索信息确定为所述目标资源。
28.根据权利要求16所述的装置,其中,所述检索交互属性检测模块包括:
检索交互操作频次确定子模块,用于确定与所述搜索信息相对应的检索交互操作频次;以及
第一确定子模块,用于根据所述检索交互操作频次,确定所述检测结果。
29.根据权利要求16所述的装置,其中,所述检索交互属性检测模块包括:
关联资源信息确定子模块,用于确定与所述搜索信息相对应的关联资源信息;以及
第二确定子模块,用于根据所述关联资源信息,确定所述检测结果。
30.一种电子设备,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至15中任一项所述的方法。
31.一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根据权利要求1至15中任一项所述的方法。
32.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至15中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410232499.2A CN118035551A (zh) | 2024-02-29 | 2024-02-29 | 资源推送方法、装置、电子设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410232499.2A CN118035551A (zh) | 2024-02-29 | 2024-02-29 | 资源推送方法、装置、电子设备、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118035551A true CN118035551A (zh) | 2024-05-14 |
Family
ID=90996628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410232499.2A Pending CN118035551A (zh) | 2024-02-29 | 2024-02-29 | 资源推送方法、装置、电子设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118035551A (zh) |
-
2024
- 2024-02-29 CN CN202410232499.2A patent/CN118035551A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107436875B (zh) | 文本分类方法及装置 | |
CN112860866B (zh) | 语义检索方法、装置、设备以及存储介质 | |
CN111428010B (zh) | 人机智能问答的方法和装置 | |
CN112380331A (zh) | 信息推送的方法和装置 | |
CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN114840671A (zh) | 对话生成方法、模型的训练方法、装置、设备及介质 | |
CN113190702B (zh) | 用于生成信息的方法和装置 | |
CN112926308B (zh) | 匹配正文的方法、装置、设备、存储介质以及程序产品 | |
CN116028618B (zh) | 文本处理、文本检索方法、装置、电子设备及存储介质 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN114817478A (zh) | 基于文本的问答方法、装置、计算机设备及存储介质 | |
CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
CN114116997A (zh) | 知识问答方法、装置、电子设备及存储介质 | |
CN112925912A (zh) | 文本处理方法、同义文本召回方法及装置 | |
CN116597443A (zh) | 素材标签处理方法、装置、电子设备及介质 | |
CN114676227B (zh) | 样本生成方法、模型的训练方法以及检索方法 | |
CN114647739B (zh) | 实体链指方法、装置、电子设备及存储介质 | |
CN113378015B (zh) | 搜索方法、装置、电子设备、存储介质和程序产品 | |
CN116048463A (zh) | 基于标签管理的需求项内容智能推荐方法及装置 | |
CN112528644B (zh) | 实体挂载的方法、装置、设备以及存储介质 | |
CN114528378A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN118035551A (zh) | 资源推送方法、装置、电子设备、存储介质及程序产品 | |
CN113612777A (zh) | 训练方法、流量分级方法、装置、电子设备以及存储介质 | |
CN111539208B (zh) | 语句处理方法和装置、以及电子设备和可读存储介质 | |
CN116151392B (zh) | 训练样本生成方法、训练方法、推荐方法以及装置 |
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 |