问题生成的方法和装置制造方法及图纸

本发明专利技术实施例公开了一种问题生成的方法和装置。该问题生成的方法包括：依据标准问题，获取标准问题的词语级向量；通过对用户画像和用户行为轨迹进行编码，得到用户画像的特征向量和用户行为轨迹的特征向量；依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练，得到训练后的问题推荐模型；依据用户请求信息中的用户行为轨迹和用户画像通过训练后的问题推荐模型从标准问题数据集中得到目标问题。本发明专利技术提供的方案能够实现有效捕捉层级依赖关系，通过共享信息，相互补充来提升问题推荐的精确度的技术效果。效果。效果。

【技术实现步骤摘要】
问题生成的方法和装置


[0001]本专利技术涉及计算机技术应用领域，尤其涉及一种问题生成的方法和装置。

技术介绍

[0002]通过使用智能手机利用各种软件，比如购物、移动支付、交通出行等APP，在网络上完成各种货币交易、生活服务等，在现在的生活中非常普遍，当使用上述软件遇到问题的时候，客户最希望的是能够第一时间在客服界面上看到自己想咨询的问题，然后直接找到答案。如果第一眼没有看到想要的问题，那就希望在和“客服”交互过程中以最少的交互次数获取到需要的答案。现有的问题推荐模型都是根据用户画像信息，历史订单信息、历史访问页面等用户业务行为轨迹数据来给用户推荐相关标准问题，这就导致并不会准确为客户提供准确的问题。
[0003]针对上述由于相关技术无法精确的基于用户的轨迹行为来推荐给用户想要询问的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]为解决上述技术问题，本专利技术实施例期望提供一种问题生成的方法和装置，以至少解决由于相关技术无法精确的基于用户的轨迹行为来推荐给用户想要询问的问题。
[0005]本专利技术的技术方案是这样实现的：第一方面，本专利技术实施例提供一种问题生成的方法，包括：获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系；依据标准问题，获取标准问题的词语级向量；通过对用户画像和用户行为轨迹进行编码，得到用户画像的特征向量和用户行为轨迹的特征向量；依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练，得到训练后的问题推荐模型；依据用户请求信息中的用户行为轨迹和用户画像通过训练后的问题推荐模型从标准问题数据集中得到目标问题。
[0006]可选的，依据标准问题，获取标准问题的词语级向量包括：依据标准问题生成标准问题文本；对标准问题文本进行编码，得到标准问题文本的词语级向量。
[0007]进一步地，可选的，对标准问题文本进行编码，得到标准问题文本的词语级向量包括:其中，R为词语级向量集合，其中n表示输入文本的长度，d表示标准问题文本中每一个字向量的维度，Q为标准问题文本，为BERT函数的参数。
[0008]可选的，通过对用户画像和用户行为轨迹进行编码，得到用户画像的特征向量和用户行为轨迹的特征向量包括：分别获取用户画像的用户画像特征和用户行为轨迹的用户行为特征；对用户画像特征和用户行为特征中的类别特征以及数值特征值作为特征编码进
行嵌入编码， 得到用户画像的特征向量和用户行为轨迹的特征向量。
[0009]可选的，依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练，得到训练后的问题推荐模型包括：依据用户画像的特征向量和用户行为轨迹的特征向量进行多级标签体系中的一级标签和二级标签的第一预测任务；依据用户画像的特征向量、用户行为轨迹的特征向量和词语级向量进行标准问题的预测任务；通过深度神经网络对预测任务进行特征编码，得到第一指定层网络编码后的特征表示；通过交叉网络对预测任务进行特征编码，得到第二指定层网络编码后的特征表示；将第一指定层网络编码后的特征表示和第二指定层网络编码后的特征表示连接，并通过前反馈神经网络进行任务预测；通过门机制，将上层标签预测有用的特征传递到下一层预测任务中，将上层的特征和本层的特征进行融合以产生本层的层次化特征，用于本层的预测分类任务；通过第一预测分类任务完成问题推荐一级标签的预测任务，通过第二预测分类任务完成问题推荐二级标签的预测任务，通过第三预测分类任务完成问题推荐标准问题的预测任务，完成问题推荐模型的训练，得到训练后的问题推荐模型。
[0010]进一步地，可选的，通过深度神经网络对预测任务进行特征编码，得到第一指定层网络编码后的特征表示包括：其中，x0为所述用户画像的特征向量和所述用户行为轨迹的特征向量连接后的特征向量，为第一指定层网络编码后的特征表示，为第一指定层的上一层网络编码后的特征表示，为权重参数，为偏置项，ReLu为非线性函数，为DNN网络的层数。
[0011]可选的，将第一指定层网络编码后的特征表示和第二指定层网络编码后的特征表示连接，并通过前反馈神经网络进行任务预测包括：其中，为交叉网络层中第L1层的特征输出表示，为交叉网络的层数，为DNN网络中第L2层的特征输出表示，为和连接后的特征向量，为DNN网络的层数，为权重参数，为偏置项，p为预测概率。
[0012]可选的，通过门机制，将上层标签预测有用的特征传递到下一层预测任务中，将上层的特征和本层的特征进行融合以产生本层的层次化特征，用于本层的预测分类任务包括：
其中，表示第m层的标签层次化特征表示，表示m层的独立特征表示，门控机制GM的计算过程如下：其中，、、和为权重参数，b为偏置项，为上层对应的中间表示，表示元素乘法，表示拼接操作。
[0013]第二方面，本专利技术实施例提供一种问题生成的装置，包括：获取模块，用于获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系；第一向量获取模块，用于依据标准问题，获取标准问题的词语级向量；第二向量获取模块，用于通过对用户画像和用户行为轨迹进行编码，得到用户画像的特征向量和用户行为轨迹的特征向量；模型训练模块，用于依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练，得到训练后的问题推荐模型；问题生成模块，用于依据用户请求信息中的用户行为轨迹和用户画像通过训练后的问题推荐模型从标准问题数据集中得到目标问题。
[0014]可选的，第一向量获取模块包括：文本生成单元，用于依据标准问题生成标准问题文本；向量获取单元，用于对标准问题文本进行编码，得到标准问题文本的词语级向量。
[0015]本专利技术实施例提供了一种问题生成的方法和装置。通过获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系；依据标准问题，获取标准问题的词语级向量；通过对用户画像和用户行为轨迹进行编码，得到用户画像的特征向量和用户行为轨迹的特征向量；依据标准问题点击详情、标准问题对应的多级标签体系、词语级向量、用户画像的特征向量和用户行为轨迹的特征向量对问题推荐模型进行训练，得到训练后的问题推荐模型；依据用户请求信息中的用户行为轨迹和用户画像通过训练后的问题推荐模型从标准问题数据集中得到目标问题，从而能够实现有效捕捉层级依赖关系，通过共享信息，相互补充来提升问题推荐的精确度的技术效果。
附图说明
[0016]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术实施例一提供的一种问题生成的方法的流程示意图；图2为本专利技术实施例一提供的一种问题生成的方法中问题生成的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种问题生成的方法，其特征在于，包括：获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系；依据所述标准问题，获取所述标准问题的词语级向量；通过对所述用户画像和所述用户行为轨迹进行编码，得到所述用户画像的特征向量和所述用户行为轨迹的特征向量；依据所述标准问题点击详情、所述标准问题对应的多级标签体系、所述词语级向量、所述用户画像的特征向量和所述用户行为轨迹的特征向量对问题推荐模型进行训练，得到训练后的所述问题推荐模型；依据用户请求信息中的用户行为轨迹和用户画像通过训练后的所述问题推荐模型从标准问题数据集中得到目标问题。2.根据权利要求1所述的问题生成的方法，其特征在于，所述依据所述标准问题，获取所述标准问题的词语级向量包括:依据所述标准问题生成标准问题文本；对所述标准问题文本进行编码，得到所述标准问题文本的词语级向量。3.根据权利要求2所述的问题生成的方法，其特征在于，所述对所述标准问题文本进行编码，得到所述标准问题文本的词语级向量包括:其中，R为词语级向量集合，其中n表示输入文本的长度，d表示所述标准问题文本中每一个字向量的维度，Q为所述标准问题文本，为BERT函数的参数。4.根据权利要求1所述的问题生成的方法，其特征在于，所述通过对所述用户画像和所述用户行为轨迹进行编码，得到所述用户画像的特征向量和所述用户行为轨迹的特征向量包括:分别获取所述用户画像的用户画像特征和所述用户行为轨迹的用户行为特征；对所述用户画像特征和所述用户行为特征中的类别特征以及数值特征值作为特征编码进行嵌入编码， 得到所述用户画像的特征向量和所述用户行为轨迹的特征向量。5.根据权利要求1所述的问题生成的方法，其特征在于，所述依据所述标准问题点击详情、所述标准问题对应的多级标签体系、所述词语级向量、所述用户画像的特征向量和所述用户行为轨迹的特征向量对问题推荐模型进行训练，得到训练后的所述问题推荐模型包括：依据所述用户画像的特征向量和所述用户行为轨迹的特征向量进行所述多级标签体系中的一级标签和二级标签的第一预测任务；依据所述用户画像的特征向量、所述用户行为轨迹的特征向量和所述词语级向量进行标准问题的预测任务；通过深度神经网络对所述预测任务进行特征编码，得到第一指定层网络编码后的特征表示；通过交叉网络对所述预测任务进行特征编码，得到第二指定层网络编码后的特征表
示；将所述第一指定层网络编码后的特征表示和所述第二指定层网络编码后的特征表示连接，并通过前反馈神经网络进行任务预测；通过门机制，将上层标签预测有用的特征传递到下一层预测任务中，将上层的特征和本层的特征进行融合以产生本...

【专利技术属性】
技术研发人员：嵇望，安毫亿，陈默，张羽，梁青，
申请(专利权)人：杭州远传新业科技股份有限公司，
类型：发明
国别省市：