CN110008396B - 对象信息推送方法、装置、设备及计算机可读存储介质 - Google Patents

对象信息推送方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN110008396B
CN110008396B CN201811437429.1A CN201811437429A CN110008396B CN 110008396 B CN110008396 B CN 110008396B CN 201811437429 A CN201811437429 A CN 201811437429A CN 110008396 B CN110008396 B CN 110008396B
Authority
CN
China
Prior art keywords
text
current user
similarity
target object
preset
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.)
Active
Application number
CN201811437429.1A
Other languages
English (en)
Other versions
CN110008396A (zh
Inventor
王伊琪
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.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies 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 Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201811437429.1A priority Critical patent/CN110008396B/zh
Publication of CN110008396A publication Critical patent/CN110008396A/zh
Application granted granted Critical
Publication of CN110008396B publication Critical patent/CN110008396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G06Q30/0256—User search
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开实施例提供对象信息推送方法、装置、设备及计算机可读存储介质。对象信息推送方法包括：根据针对当前用户提供的第一文本在由当前用户以外的用户提供的文本中搜索与第一文本的相似度大于预设相似度阈值的第二文本；搜索提供第二文本的用户历史上实际获取的与第二文本相关的对象；根据第二文本与第一文本的相似度，从搜索出的与第二文本相关的对象中选择第一目标对象；将第一目标对象的信息推送给当前用户，可以进行文本相似度与目标对象的关联，来取代查找文本对应的对象类别，从而可以在针对用户提供的文本进行对象信息的推送时保证精准化、多类别、专家级的目标对象选择和信息推送。

Description

对象信息推送方法、装置、设备及计算机可读存储介质
技术领域
本公开实施例涉及计算机技术领域，尤其涉及对象信息推送方法、装置、设备及计算机可读存储介质。
背景技术
在网络上，针对用户提供的文本(例如，用户提问)，很多平台都可以在数据库中通过相似度查询确定用户提问所针对的对象，再向用户推送所述对象的信息。例如，在常见的网络平台***上，以如下方式对用户进行信息推送：
1.对用户的问题在平台知识库相似度查询，找出知识库里最为相似的问题。
2.找出这个知识库里最为相似问题的对应答案，确定要推送的信息所属的对象的类别和其对应的推荐算法。
3.通过推荐算法，根据该用户的浏览信息、获取信息和热门对象输出对应类别的对象。
4.将输出结果排名靠前的一些对象选出，将这些对象的信息推送给用户。
在相关技术的示例中，在网络购物平台上，现有的智能客服可以在与用户对话过程中进行语义分析和词性标注，通过与智能知识库的相似度查询确定商品类别，再根据客户的信息(例如过去购买和浏览过的商品)调用商品推荐***算法进行较为模糊的商品信息推送。
然而，相关技术中，根据用户提供的文本进行高精度地信息推送是比较困难的，例如，购物平台进行化妆品推荐这种专家级别的推荐就比较困难。尤其是，当平台没有任何用户信息的时候，要做出精准地信息推送更是难上加难。
发明内容
有鉴于此，本公开第一方面提供了一种对象信息推送方法，包括：
根据针对当前用户提供的第一文本在由所述当前用户以外的用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本；
搜索提供所述第二文本的用户历史上实际获取的与所述第二文本相关的对象；
根据所述第二文本与所述第一文本的相似度，从搜索出的与所述第二文本相关的对象中选择第一目标对象；
将所述第一目标对象的信息推送给所述当前用户。
本公开第二方面提供了一种对象信息推送装置，包括：
第一搜索模块，被配置为根据针对当前用户提供的第一文本在由所述当前用户以外的用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本；
第二搜索模块，被配置为搜索提供所述第二文本的用户历史上实际获取的与所述第二文本相关的对象；
选择模块，被配置为根据所述第二文本与所述第一文本的相似度，从搜索出的与所述第二文本相关的对象中选择第一目标对象；
推送模块，被配置为将所述第一目标对象的信息推送给所述当前用户。
本公开第三方面提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现以下步骤：
根据针对当前用户提供的第一文本在由所述当前用户以外的用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本；
搜索提供所述第二文本的用户历史上实际获取的与所述第二文本相关的对象；
根据所述第二文本与所述第一文本的相似度，从搜索出的与所述第二文本相关的对象中选择第一目标对象；
将所述第一目标对象的信息推送给所述当前用户。
本公开第四方面提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面所述的方法。
在本公开实施方式中，通过根据针对当前用户提供的第一文本在由所述当前用户以外的用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本；搜索提供所述第二文本的用户历史上实际获取的与所述第二文本相关的对象；根据所述第二文本与所述第一文本的相似度，从搜索出的与所述第二文本相关的对象中选择第一目标对象；将所述第一目标对象的信息推送给所述当前用户，可以进行文本相似度与目标对象的关联，来取代查找文本对应的对象类别，从而可以在针对用户提供的文本进行对象信息的推送时保证精准化、多类别、专家级的目标对象选择和信息推送，尤其是在没有任何用户信息的时候，仍然可以精准地将用户期望的对象的信息推送给用户。
本公开的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本公开实施例或相关技术中的技术方案，下面将对示例性实施例或相关技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本公开的一些示例性实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出根据本公开一实施方式的对象信息推送方法的流程图；
图2示出根据本公开另一实施方式的对象信息推送方法的流程图；
图3示出根据本公开又一实施方式的对象信息推送方法的流程图；
图4示出根据本公开一实施方式的对象信息推送方法中的步骤S103的一个示例的流程图；
图5示出根据本公开又一实施方式的对象信息推送方法的流程图；
图6示出根据本公开又一实施方式的对象信息推送方法的流程图；
图7示出根据本公开一实施方式的对象信息推送方法的应用场景示例的示意图；
图8示出根据本公开另一实施方式的对象信息推送装置的结构框图；
图9示出根据本公开一实施方式的电子设备的结构框图；
图10是适于用来实现根据本公开一实施方式的对象信息推送方法的计算机***的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开方案，下面将结合本公开示例性实施例中的附图，对本公开示例性实施例中的技术方案进行清楚、完整地描述。
在本公开的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本公开示例性实施例中的附图，对本公开示例性实施例中的技术方案进行清楚、完整地描述，显然，所描述的示例性实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。.
图1示出根据本公开一实施方式的对象信息推送方法的流程图。该方法可以包括步骤S101、S102和S103和S104。
在步骤S101中，根据针对当前用户提供的第一文本在由当前用户以外的用户提供的文本中搜索与第一文本的相似度大于预设相似度阈值的第二文本。
在步骤S102中，搜索提供第二文本的用户历史上实际获取的与第二文本相关的对象。
在步骤S103中，根据第二文本与第一文本的相似度，从搜索出的与第二文本相关的对象中选择第一目标对象。
在步骤S104中，将第一目标对象的信息推送给当前用户。
在本公开的一个实施例中，当前用户提供的第一文本可以是当前用户在某一平台提出的问题。当前用户以外的用户提供的文本可以是当前用户以外的用户在该平台上提出的问题。在本公开的实施例中，通过找到与第一文本(当前用户的问题)最相似的第二文本(其他用户的问题)后，查找的是该第二文本的相关用户，而非第二文本(问题)所针对的答案。通过相关用户的行为来获取与第二文本相关的第一目标对象(例如，相关用户实际购买过的产品)。因此，可以将与第二文本相关的第一目标对象的信息推送给当前用户。
在本公开的一个实施例中，与第一文本(当前用户的问题)最相似的第二文本(其他用户的问题)可能有多个，因此可能会存在多个提供第二文本的用户，进而也就可能存在多个与第二文本相关的第一目标对对象。因此，可以将与多个来自不同的其他用户的第二文本相关的多个第一目标对对象的信息推送给当前用户。
在本公开的一个实施例中，可以运用潜语义分析(Latent SemanticsIndexing)”、“doc2vec”还有“余弦相似度(Cosine Similarity)”三种基础技术来确定第二文本与第一文本的相似度。
在本公开的一个实施例中，可以通过潜语义分析方法计算每个词在文本/词典维度的TF-IDF(词频-逆文频率，Term Frequency-Inverse Document Frequency)值，并通过奇异值分解进行降维，得到降维后的词-文档矩阵。通过计算新文本与矩阵每一列的余弦相似度，找到最相似的文本。
在本公开的一个实施例中，在doc2vec技术中，可以通过一个浅层神经网络生成文本的算法。其生成的网络包含了一个带有文本信息的矩阵，可用于计算文本相似度。
在本公开的一个实施例中，余弦相似度(Cosine Similarity)指的是通过计算两个文本向量的余弦夹角得出两个文本向量的相似度。值越大相似度越高。在本公开的一个实施例中，第二文本与所述第一文本的相似度是余弦相似度。
在本公开的一个实施例中，确定长文本的相似度可以用潜语义分析技术，确定短文本的相似度可以用word2vec技术，最后求出当前用户的文本与其他用户文本的余弦相似度。例如，可以找出与第一文本最相似的前1％个其他用户的文本作为第二文本。区分文本长度主要是因为短文本更依赖于上下文的联系，而长文本更依赖文字附近的前后文。此处，长文本/短文本通过一个基于准确率的文本长度分析模型来判断，此文本长度分析模型可以通过相关技术手段进行训练，在此不再赘述。
以上仅仅是对潜语义分析(Latent Semantics Indexing)”、“doc2vec”还有“余弦相似度(Cosine Similarity)”三种技术的简介，本领域技术人员可以理解，可以从相关技术中获取以上三种技术的细节，其具体内容在此不再赘述。
在本公开实施方式中，通过根据针对当前用户提供的第一文本在由当前用户以外的用户提供的文本中搜索与第一文本的相似度大于预设相似度阈值的第二文本；搜索提供第二文本的用户历史上实际获取的与第二文本相关的对象；根据第二文本与第一文本的相似度，从搜索出的与第二文本相关的对象中选择第一目标对象；将第一目标对象的信息推送给当前用户，可以进行文本相似度与目标对象的关联，来取代查找文本对应的对象类别，从而可以在针对用户提供的文本进行对象信息的推送时保证精准化、多类别、专家级的目标对象选择和信息推送，尤其是在没有任何用户信息的时候，仍然可以精准地将用户期望的对象的信息推送给用户。
以下参照图2对根据本公开另一实施方式的对象信息推送方法进行进一步描述。
图2示出根据本公开另一实施方式的对象信息推送方法的流程图。如图2所示，与图1所示的实施例的不同之处在于，在步骤S101之前，还包括步骤S201和S202。
在步骤S201中，确定当前用户提供的第一文本是长度小于预设长度阈值的短文本还是长度大于等于预设长度阈值的长文本。
在步骤S202中，根据第一文本是长文本还是短文本的确定结果，通过不同的相似度计算方式计算第一文本与当前用户以外的用户提供的文本的相似度。
在根据本公开的一个实施例中，可以通过前述的基于准确率的文本长度分析模型来判断第一文本是长文本还是短文本。例如，文本长度小于预设长度阈值则为短文本，文本长度大于等于预设长度阈值则为长文本。
在根据本公开的一个实施例中，当确定第一文本是长文本时，可以通过前述潜语义分析方法来计算第一文本与当前用户以外的用户提供的文本的相似度。当确定第一文本是短文本时，可以通过前述doc2vec方法来计算第一文本与当前用户以外的用户提供的文本的相似度。通过针对长文本和短文本采用不同的相似度计算方式，可以更准确地计算第一文本与当前用户以外的用户提供的文本的相似度。
在根据本公开的一个实施例中，步骤S201包括：根据预设的文本长度分析模型确定当前用户提供的第一文本是长度小于预设长度阈值的短文本还是长度大于等于预设长度阈值的长文本。如前所述，长文本/短文本可以通过一个基于准确率的文本长度分析模型来判断，此文本长度分析模型可以通过相关技术手段进行训练，在此不再赘述。word2vec算法以及潜语义分析的矩阵生成算法都可以基于准确度自动离线训练。
以下参照图3对根据本公开又一实施方式的对象信息推送方法进行进一步描述。
图3示出根据本公开又一实施方式的对象信息推送方法的流程图。图3所示的实施方式与图1所示的实施方式的区别在于还包括步骤S301。
在步骤S301中，将当前用户提供的多个文本合成为第一文本。
在根据本公开的一个实施例中，如果当前用户提供了多个文本，例如，提出了多个问题，每个问题可能涉及不同的目标对象，那么可以将多个文本合成为第一文本。这是因为本公开的实施方式无需针对当前用户的各个问题搜索对应的答案，而是可以基于文本相似度来寻找其他用户提出的相似的第二文本(相似问题)，由此来从其他实际获取的与第二文本相关的对象中选择目标对象。
如前所述，在将当前用户提供的多个文本合成为第一文本后，与第一文本(当前用户的问题)最相似的第二文本(其他用户的问题)可能有多个，因此可能会存在多个提供第二文本的用户，进而也就可能存在多个与第二文本相关的第一目标对对象。因此，可以将与多个来自不同的其他用户的第二文本相关的多个第一目标对对象的信息推送给当前用户。
以下参照图4对根据本公开又一实施方式的对象信息推送方法中的步骤S103进行进一步描述。
图4示出根据本公开一实施方式的对象信息推送方法中的步骤S103的一个示例的流程图。如图4所示，步骤S103包括步骤S401和S402。
在步骤S401中，根据第二文本与第一文本的相似度的大小，对搜索出的与第二文本相关的对象进行排序。
在步骤S402中，根据排序的结果从搜索出的与第二文本相关的对象中选择第一目标对象。
在根据本公开的一个实施例中，可以找出与第一文本相似度最高的前若干(例如，前1％，前10％等)其他用户的文本作为第二文本。根据排序的结果，从搜索出的与第二文本相关的对象中选择第一目标对象，即，提供的第二文本的用户具体获取了哪些与第二文本相关的对象，从这些对象中选择第一目标对象。在将这样选择的第一目标对象的信息向当前用户推送时，可以实现精准化、多类别、专家级的对象信息推送。
以下参照图5对根据本公开又一实施方式的对象信息推送方法进行进一步描述。
图5示出根据本公开又一实施方式的对象信息推送方法的流程图。如图5所示，与图1所示的实施方式的区别在于还包括步骤S501，并且步骤S101包括步骤S502。
在步骤S501中，根据预设的关联度条件从当前用户以外的用户中筛选出高关联度用户。
在步骤S502中，根据针对当前用户提供的第一文本在由高关联度用户提供的文本中搜索与第一文本的相似度大于预设相似度阈值的第二文本。
在根据本公开的一个实施例中，高关联度用户可以指的是与当前用户存在特殊关系的用户，例如，当前用户在平台上的好友可以作为高关联度用户，当前用户在现实中的好友也可以作为高关联度用户。可以以各种方式设置关联度条件，例如，当前用户与其他用户的联系次数、当前用户对其他用户设置有特定标记、当前用户与其他用户共同参与过某一行为等等。在根据本公开的一个实施例中，在由高关联度用户提供的文本中搜索与第一文本的相似度大于预设相似度阈值的第二文本可以提升搜索到符合当前用户要求的目标对象的可能性。
以下参照图6对根据本公开又一实施方式的对象信息推送方法进行进一步描述。
图6示出根据本公开又一实施方式的对象信息推送方法的流程图。如图6所示，与图1所示的实施方式的区别在于还包括步骤S601，并且步骤S104包括步骤S602。
在步骤S601中，从当前用户历史上实际获取的对象中选择与第一文本对应的对象作为第二目标对象。
在步骤S602中，将第一目标对象的信息和第二目标对象的信息推送给所述当前用户。
在根据本公开的一个实施例中，从当前用户历史上实际获取的对象中选择与第一文本对应的对象作为第二目标对象可以更加准确地搜索满足当前对象要求的目标对象。
以下参照图7对根据本公开一实施方式的对象信息推送方法的一个应用场景示例进行描述。
图7示出根据本公开一实施方式的对象信息推送方法的应用场景示例的示意图。
如图7所示，虽然示出了两个用户形象，但是，应该理解，这两个用户形象表示同一用户。当前用户向智能客服发送文字对话(提出问题)，智能客服基于预设的文本长度分析模型判断文本长度。当判断出文本长度<预设阈值n时，确定文本是短文本，通过word2vec算法计算余弦相似度最高的其他用户提出的问题。当判断出文本长度>＝预设阈值n时，确定文本是长文本，通过潜语义分析算法计算余弦相似度最高的其他用户提出的问题。在本公开的实施例中，可以对word2vec算法和潜语义分析算法进行全局的文本训练。
例如，可以通过找出与当前用户的问题相似度最高的1％其他用户的问题，找出相似度最高的1％个问题的对应商品，即问出相似问题的其他用户最后购买了什么商品。可以对这些商品所对应的问题(第二文本)的余弦相似度进行排序选出与当前用户的问题相似度最高的第二文本的前5名，并且找出前5名的第二文本所对应的商品，并将其信息推送给当前用户。
另外，如果当前用户是老用户，可以在筛选出与其相关度达到预设条件的一级用户后再找相似问题(第二文本)。例如，一级用户是当前用户在平台上的朋友。可以选择将一级用户提出的与当前用户的问题相似度最高的问题(例如，前5名)所对应的商品，并将其信息推送给当前用户。
另外，还可以将基于当前用户以前的购买行为推荐与当前用户的问题相对应的商品的信息融入到前述基于第二文本选择的商品的信息一起推送(展示)给当前用户。
图8示出根据本公开另一实施方式的对象信息推送装置的结构框图。该装置可以包括第一搜索模块801、第二搜索模块802、选择模块803和推送模块804。
第一搜索模块801被配置为根据针对当前用户提供的第一文本在由当前用户以外的用户提供的文本中搜索与第一文本的相似度大于预设相似度阈值的第二文本。
第二搜索模块802被配置为搜索提供第二文本的用户历史上实际获取的与第二文本相关的对象。
选择模块803被配置为根据第二文本与第一文本的相似度，从搜索出的与第二文本相关的对象中选择第一目标对象。
推送模块804被配置为将第一目标对象的信息推送给当前用户。
以上描述了对象信息推送***的内部功能和结构，在一个可能的设计中，该对象信息推送***的结构可实现为对象信息推送设备，如图9中所示，该处理设备900可以包括处理器901以及存储器902。
所述存储器902用于存储支持对象信息推送***执行上述任一实施例中对象信息推送方法的程序，所述处理器901被配置为用于执行所述存储器902中存储的程序。
所述存储器902用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器901执行以实现以下步骤：
根据针对当前用户提供的第一文本在由所述当前用户以外的用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本；
搜索提供所述第二文本的用户历史上实际获取的与所述第二文本相关的对象；
根据所述第二文本与所述第一文本的相似度，从搜索出的与所述第二文本相关的对象中选择第一目标对象；
将所述第一目标对象的信息推送给所述当前用户。
在本公开的一个实施例中，当前用户提供的第一文本可以是当前用户在某一平台提出的问题。当前用户以外的用户提供的文本可以是当前用户以外的用户在该平台上提出的问题。在本公开的实施例中，通过找到与第一文本(当前用户的问题)最相似的第二文本(其他用户的问题)后，查找的是该第二文本的相关用户，而非第二文本(问题)所针对的答案。通过相关用户的行为来获取与第二文本相关的第一目标对象(例如，相关用户实际购买过的产品)。因此，可以将与第二文本相关的第一目标对象的信息推送给当前用户。
在本公开的一个实施例中，与第一文本(当前用户的问题)最相似的第二文本(其他用户的问题)可能有多个，因此可能会存在多个提供第二文本的用户，进而也就可能存在多个与第二文本相关的第一目标对对象。因此，可以将与多个来自不同的其他用户的第二文本相关的多个第一目标对对象的信息推送给当前用户。
在本公开的一个实施例中，可以运用潜语义分析(Latent SemanticsIndexing)”、“doc2vec”还有“余弦相似度(Cosine Similarity)”三种基础技术来确定第二文本与第一文本的相似度。
在本公开的一个实施例中，可以通过潜语义分析方法计算每个词在文本/词典维度的TF-IDF(词频-逆文频率，Term Frequency-Inverse Document Frequency)值，并通过奇异值分解进行降维，得到降维后的词-文档矩阵。通过计算新文本与矩阵每一列的余弦相似度，找到最相似的文本。
在本公开的一个实施例中，在doc2vec技术中，可以通过一个浅层神经网络生成文本的算法。其生成的网络包含了一个带有文本信息的矩阵，可用于计算文本相似度。
在本公开的一个实施例中，余弦相似度(Cosine Similarity)指的是通过计算两个文本向量的余弦夹角得出两个文本向量的相似度。值越大相似度越高。在本公开的一个实施例中，第二文本与所述第一文本的相似度是余弦相似度。
在本公开的一个实施例中，确定长文本的相似度可以用潜语义分析技术，确定短文本的相似度可以用word2vec技术，最后求出当前用户的文本与其他用户文本的余弦相似度。例如，可以找出与第一文本最相似的前1％个其他用户的文本作为第二文本。区分文本长度主要是因为短文本更依赖于上下文的联系，而长文本更依赖文字附近的前后文。此处，长文本/短文本通过一个基于准确率的文本长度分析模型来判断，此文本长度分析模型可以通过相关技术手段进行训练，在此不再赘述。
以上仅仅是对潜语义分析(Latent Semantics Indexing)”、“doc2vec”还有“余弦相似度(Cosine Similarity)”三种技术的简介，本领域技术人员可以理解，可以从相关技术中获取以上三种技术的细节，其具体内容在此不再赘述。
在本公开实施方式中，通过根据针对当前用户提供的第一文本在由当前用户以外的用户提供的文本中搜索与第一文本的相似度大于预设相似度阈值的第二文本；搜索提供第二文本的用户历史上实际获取的与第二文本相关的对象；根据第二文本与第一文本的相似度，从搜索出的与第二文本相关的对象中选择第一目标对象；将第一目标对象的信息推送给当前用户，可以进行文本相似度与目标对象的关联，来取代查找文本对应的对象类别，从而可以在针对用户提供的文本进行对象信息的推送时保证精准化、多类别、专家级的目标对象选择和信息推送，尤其是在没有任何用户信息的时候，仍然可以精准地将用户期望的对象的信息推送给用户。
在根据本公开的一个实施例中，在根据针对当前用户提供的第一文本在由当前用户以外的用户提供的文本中搜索与第一文本的相似度大于预设相似度阈值的第二文本之前，一条或多条计算机指令还被处理器901执行以实现以下步骤：确定当前用户提供的第一文本是长度小于预设长度阈值的短文本还是长度大于等于预设长度阈值的长文本。
根据第一文本是长文本还是短文本的确定结果，通过不同的相似度计算方式计算第一文本与当前用户以外的用户提供的文本的相似度。
在根据本公开的一个实施例中，可以通过前述的基于准确率的文本长度分析模型来判断第一文本是长文本还是短文本。例如，文本长度小于预设长度阈值则为短文本，文本长度大于等于预设长度阈值则为长文本。
在根据本公开的一个实施例中，当确定第一文本是长文本时，可以通过前述潜语义分析方法来计算第一文本与当前用户以外的用户提供的文本的相似度。当确定第一文本是短文本时，可以通过前述doc2vec方法来计算第一文本与当前用户以外的用户提供的文本的相似度。通过针对长文本和短文本采用不同的相似度计算方式，可以更准确地计算第一文本与当前用户以外的用户提供的文本的相似度。
在根据本公开的一个实施例中，确定当前用户提供的第一文本是长度小于预设长度阈值的短文本还是长度大于等于所述预设长度阈值的长文本，包括：根据预设的文本长度分析模型确定当前用户提供的第一文本是长度小于预设长度阈值的短文本还是长度大于等于预设长度阈值的长文本。如前所述，长文本/短文本可以通过一个基于准确率的文本长度分析模型来判断，此文本长度分析模型可以通过相关技术手段进行训练，在此不再赘述。word2vec算法以及潜语义分析的矩阵生成算法都可以基于准确度自动离线训练。
在根据本公开的一个实施例中，所述一条或多条计算机指令还被处理器901执行以实现以下步骤：将当前用户提供的多个文本合成为第一文本。
在根据本公开的一个实施例中，如果当前用户提供了多个文本，例如，提出了多个问题，每个问题可能涉及不同的目标对象，那么可以将多个文本合成为第一文本。这是因为本公开的实施方式无需针对当前用户的各个问题搜索对应的答案，而是可以基于文本相似度来寻找其他用户提出的相似的第二文本(相似问题)，由此来从其他实际获取的与第二文本相关的对象中选择目标对象。
如前所述，在将当前用户提供的多个文本合成为第一文本后，与第一文本(当前用户的问题)最相似的第二文本(其他用户的问题)可能有多个，因此可能会存在多个提供第二文本的用户，进而也就可能存在多个与第二文本相关的第一目标对对象。因此，可以将与多个来自不同的其他用户的第二文本相关的多个第一目标对对象的信息推送给当前用户。
在根据本公开的一个实施例中，根据第二文本与第一文本的相似度，从搜索出的与第二文本相关的对象中选择第一目标对象，包括：根据第二文本与第一文本的相似度的大小，对搜索出的与第二文本相关的对象进行排序；根据排序的结果从搜索出的与第二文本相关的对象中选择第一目标对象。
在根据本公开的一个实施例中，可以找出与第一文本相似度最高的前若干(例如，前1％，前10％等)其他用户的文本作为第二文本。根据排序的结果，从搜索出的与第二文本相关的对象中选择第一目标对象，即，提供的第二文本的用户具体获取了哪些与第二文本相关的对象，从这些对象中选择第一目标对象。在将这样选择的第一目标对象的信息向当前用户推送时，可以实现精准化、多类别、专家级的对象信息推送。
在根据本公开的一个实施例中，所述一条或多条计算机指令还被处理器901执行以实现以下步骤：根据预设的关联度条件从当前用户以外的用户中筛选出高关联度用户；其中，根据针对当前用户提供的第一文本在由当前用户以外的用户提供的文本中搜索与第一文本的相似度大于预设相似度阈值的第二文本，包括：根据针对当前用户提供的第一文本在由高关联度用户提供的文本中搜索与第一文本的相似度大于预设相似度阈值的第二文本。
在根据本公开的一个实施例中，高关联度用户可以指的是与当前用户存在特殊关系的用户，例如，当前用户在平台上的好友可以作为高关联度用户，当前用户在现实中的好友也可以作为高关联度用户。可以以各种方式设置关联度条件，例如，当前用户与其他用户的联系次数、当前用户对其他用户设置有特定标记、当前用户与其他用户共同参与过某一行为等等。在根据本公开的一个实施例中，在由高关联度用户提供的文本中搜索与第一文本的相似度大于预设相似度阈值的第二文本可以提升搜索到符合当前用户要求的目标对象的可能性。
在根据本公开的一个实施例中，所述一条或多条计算机指令还被处理器901执行以实现以下步骤：从当前用户历史上实际获取的对象中选择与第一文本对应的对象作为第二目标对象；其中，将第一目标对象的信息推送给当前用户，包括：将第一目标对象的信息和第二目标对象的信息推送给当前用户。
在根据本公开的一个实施例中，从当前用户历史上实际获取的对象中选择与第一文本对应的对象作为第二目标对象可以更加准确地搜索满足当前对象要求的目标对象。
所述处理器901用于执行前述各方法步骤中的全部或部分步骤。
其中，所述对象信息推送设备的结构中还可以包括通信接口，用于对象信息推送设备与其他设备或通信网络通信。
本公开示例性实施例还提供了一种计算机存储介质，用于储存所述对象信息推送***所用的计算机软件指令，其包含用于执行上述任一实施例中对象信息推送方法所涉及的程序。
图10是适于用来实现根据本公开一实施方式的对象信息推送方法的计算机***的结构示意图。
如图10所示，计算机***1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行上述图1所示的实施方式中的各种处理。在RAM1003中，还存储有***1000操作所需的各种程序和数据。CPU1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地，根据本公开的实施方式，上文参考图1描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行图1的数据处理方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。
附图中的流程图和框图，图示了按照本公开各种实施方式的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述***中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (18)

1.一种对象信息推送方法，其特征在于，应用于智能客服，包括：根据针对当前用户提供的第一文本在由所述当前用户以外的用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本，所述第一文本是当前用户的问题，所述第一文本是长文本，所述第二文本是其他用户的问题；搜索提供所述第二文本的用户历史上实际获取的与所述第二文本相关的对象，所述对象是商品；根据所述第二文本与所述第一文本的相似度，从搜索出的与所述第二文本相关的对象中选择第一目标对象；将所述第一目标对象的信息推送给所述当前用户。
2.根据权利要求1所述的方法，其特征在于，在所述根据针对当前用户提供的第一文本在由所述当前用户以外的用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本之前，还包括：确定所述当前用户提供的第一文本是长度小于预设长度阈值的短文本还是长度大于等于所述预设长度阈值的长文本；根据所述第一文本是长文本还是短文本的确定结果，通过不同的相似度计算方式计算所述第一文本与所述当前用户以外的用户提供的文本的相似度。
3.根据权利要求1或2所述的方法，其特征在于，还包括：将所述当前用户提供的多个文本合成为所述第一文本。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第二文本与所述第一文本的相似度，从搜索出的与所述第二文本相关的对象中选择第一目标对象，包括：根据所述第二文本与所述第一文本的相似度的大小，对搜索出的与所述第二文本相关的对象进行排序；根据所述排序的结果从搜索出的与所述第二文本相关的对象中选择第一目标对象。
5.根据权利要求1所述的方法，其特征在于，还包括：根据预设的关联度条件从所述当前用户以外的用户中筛选出高关联度用户；其中，所述根据针对当前用户提供的第一文本在由所述当前用户以外的用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本，包括：根据针对当前用户提供的第一文本在由所述高关联度用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本。
6.根据权利要求1所述的方法，其特征在于，还包括：从所述当前用户历史上实际获取的对象中选择与所述第一文本对应的对象作为第二目标对象，其中，将所述第一目标对象的信息推送给所述当前用户，包括：将所述第一目标对象的信息和所述第二目标对象的信息推送给所述当前用户。
7.根据权利要求2所述的方法，其特征在于，所述确定所述当前用户提供的第一文本是长度小于预设长度阈值的短文本还是长度大于等于所述预设长度阈值的长文本，包括：根据预设的文本长度分析模型确定所述当前用户提供的第一文本是长度小于预设长度阈值的短文本还是长度大于等于所述预设长度阈值的长文本。
8.根据权利要求1所述的方法，其特征在于，所述第二文本与所述第一文本的相似度是余弦相似度。
9.一种对象信息推送装置，其特征在于，应用于智能客服，包括：第一搜索模块，被配置为根据针对当前用户提供的第一文本在由所述当前用户以外的用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本，所述第一文本是当前用户的问题，所述第一文本是长文本，所述第二文本是其他用户的问题；第二搜索模块，被配置为搜索提供所述第二文本的用户历史上实际获取的与所述第二文本相关的对象，所述对象是商品；选择模块，被配置为根据所述第二文本与所述第一文本的相似度，从搜索出的与所述第二文本相关的对象中选择第一目标对象；推送模块，被配置为将所述第一目标对象的信息推送给所述当前用户。
10.一种电子设备，其特征在于，应用于智能客服，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现以下步骤：根据针对当前用户提供的第一文本在由所述当前用户以外的用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本，所述第一文本是当前用户的问题，所述第一文本是长文本，所述第二文本是其他用户的问题；搜索提供所述第二文本的用户历史上实际获取的与所述第二文本相关的对象，所述对象是商品；根据所述第二文本与所述第一文本的相似度，从搜索出的与所述第二文本相关的对象中选择第一目标对象；将所述第一目标对象的信息推送给所述当前用户。
11.根据权利要求10所述的电子设备，其特征在于，在所述根据针对当前用户提供的第一文本在由所述当前用户以外的用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本之前，所述一条或多条计算机指令还被所述处理器执行以实现以下步骤：确定所述当前用户提供的第一文本是长度小于预设长度阈值的短文本还是长度大于等于所述预设长度阈值的长文本；根据所述第一文本是长文本还是短文本的确定结果，通过不同的相似度计算方式计算所述第一文本与所述当前用户以外的用户提供的文本的相似度。
12.根据权利要求10或11所述的电子设备，其特征在于，所述一条或多条计算机指令还被所述处理器执行以实现以下步骤：将所述当前用户提供的多个文本合成为所述第一文本。
13.根据权利要求10所述的电子设备，其特征在于，所述根据所述第二文本与所述第一文本的相似度，从搜索出的与所述第二文本相关的对象中选择第一目标对象，包括：根据所述第二文本与所述第一文本的相似度的大小，对搜索出的与所述第二文本相关的对象进行排序；根据所述排序的结果从搜索出的与所述第二文本相关的对象中选择第一目标对象。
14.根据权利要求10所述的电子设备，其特征在于，所述一条或多条计算机指令还被所述处理器执行以实现以下步骤：根据预设的关联度条件从所述当前用户以外的用户中筛选出高关联度用户；其中，所述根据针对当前用户提供的第一文本在由所述当前用户以外的用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本，包括：根据针对当前用户提供的第一文本在由所述高关联度用户提供的文本中搜索与所述第一文本的相似度大于预设相似度阈值的第二文本。
15.根据权利要求10所述的电子设备，其特征在于，所述一条或多条计算机指令还被所述处理器执行以实现以下步骤：从所述当前用户历史上实际获取的对象中选择与所述第一文本对应的对象作为第二目标对象，其中，将所述第一目标对象的信息推送给所述当前用户，包括：将所述第一目标对象的信息和所述第二目标对象的信息推送给所述当前用户。
16.根据权利要求11所述的电子设备，其特征在于，所述确定所述当前用户提供的第一文本是长度小于预设长度阈值的短文本还是长度大于等于所述预设长度阈值的长文本，包括：根据预设的文本长度分析模型确定所述当前用户提供的第一文本是长度小于预设长度阈值的短文本还是长度大于等于所述预设长度阈值的长文本。
17.根据权利要求10所述的电子设备，其特征在于，所述第二文本与所述第一文本的相似度是余弦相似度。
18.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现如权利要求1-8任一项所述的方法。
CN201811437429.1A 2018-11-28 2018-11-28 对象信息推送方法、装置、设备及计算机可读存储介质 Active CN110008396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811437429.1A CN110008396B (zh) 2018-11-28 2018-11-28 对象信息推送方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811437429.1A CN110008396B (zh) 2018-11-28 2018-11-28 对象信息推送方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110008396A CN110008396A (zh) 2019-07-12
CN110008396B true CN110008396B (zh) 2023-11-24

Family

ID=67165001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811437429.1A Active CN110008396B (zh) 2018-11-28 2018-11-28 对象信息推送方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110008396B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114303351A (zh) * 2019-11-13 2022-04-08 深圳市欢太科技有限公司 推送用户确定方法、装置、服务器以及存储介质
CN111708863B (zh) * 2020-06-02 2024-03-15 上海硬通网络科技有限公司 基于doc2vec的文本匹配方法、装置及电子设备
CN112784569B (zh) * 2021-02-04 2024-04-19 北京秒针人工智能科技有限公司 一种相似文本聚合的实现方法、***、设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101206752A (zh) * 2007-12-25 2008-06-25 北京科文书业信息技术有限公司 电子商务网站相关商品推荐***及其方法
JP2011070422A (ja) * 2009-09-25 2011-04-07 Dainippon Printing Co Ltd 商品推薦装置
CN103942279A (zh) * 2014-04-01 2014-07-23 百度(中国)有限公司 搜索结果的展现方法和装置
CN104809154A (zh) * 2015-03-19 2015-07-29 百度在线网络技术（北京）有限公司 用于资讯推荐的方法及装置
CN104933081A (zh) * 2014-03-21 2015-09-23 阿里巴巴集团控股有限公司 一种搜索建议提供方法及装置
CN105354300A (zh) * 2015-11-05 2016-02-24 上海智臻智能网络科技股份有限公司 一种信息推荐方法及装置
CN107562761A (zh) * 2016-06-30 2018-01-09 阿里巴巴集团控股有限公司 一种信息推送方法及装置
CN107644364A (zh) * 2017-09-18 2018-01-30 北京京东尚科信息技术有限公司 对象过滤方法及***
CN107767172A (zh) * 2017-10-12 2018-03-06 百度在线网络技术（北京）有限公司 信息推送方法、装置、服务器及介质
CN108241667A (zh) * 2016-12-26 2018-07-03 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN108388630A (zh) * 2018-02-13 2018-08-10 北京奇虎科技有限公司 一种购物信息推送方法、装置及电子设备
CN108829764A (zh) * 2018-05-28 2018-11-16 腾讯科技（深圳）有限公司 推荐信息获取方法、装置、***、服务器及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101206752A (zh) * 2007-12-25 2008-06-25 北京科文书业信息技术有限公司 电子商务网站相关商品推荐***及其方法
JP2011070422A (ja) * 2009-09-25 2011-04-07 Dainippon Printing Co Ltd 商品推薦装置
CN104933081A (zh) * 2014-03-21 2015-09-23 阿里巴巴集团控股有限公司 一种搜索建议提供方法及装置
CN103942279A (zh) * 2014-04-01 2014-07-23 百度(中国)有限公司 搜索结果的展现方法和装置
CN104809154A (zh) * 2015-03-19 2015-07-29 百度在线网络技术（北京）有限公司 用于资讯推荐的方法及装置
CN105354300A (zh) * 2015-11-05 2016-02-24 上海智臻智能网络科技股份有限公司 一种信息推荐方法及装置
CN107562761A (zh) * 2016-06-30 2018-01-09 阿里巴巴集团控股有限公司 一种信息推送方法及装置
CN108241667A (zh) * 2016-12-26 2018-07-03 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN107644364A (zh) * 2017-09-18 2018-01-30 北京京东尚科信息技术有限公司 对象过滤方法及***
CN107767172A (zh) * 2017-10-12 2018-03-06 百度在线网络技术（北京）有限公司 信息推送方法、装置、服务器及介质
CN108388630A (zh) * 2018-02-13 2018-08-10 北京奇虎科技有限公司 一种购物信息推送方法、装置及电子设备
CN108829764A (zh) * 2018-05-28 2018-11-16 腾讯科技（深圳）有限公司 推荐信息获取方法、装置、***、服务器及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Information search in the internet markets: Experience versus search goods;Shreya Basu;《 Electronic Commerce Research and Applications》;25-37 *
考虑图书推荐列表相似性的图书推荐研究;张恒 等;《图书与情报》;128-134 *

Also Published As

Publication number Publication date
CN110008396A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
WO2020147720A1 (zh) 信息推荐方法和装置以及存储介质
KR101644817B1 (ko) 탐색 결과들을 생성하는 방법
US7895235B2 (en) Extracting semantic relations from query logs
US20070250500A1 (en) Multi-directional and auto-adaptive relevance and search system and methods thereof
CN104933100A (zh) 关键词推荐方法和装置
JP2015515079A (ja) キーワードの推薦
CN112100396B (zh) 一种数据处理方法和装置
US10586174B2 (en) Methods and systems for finding and ranking entities in a domain specific system
CN110008396B (zh) 对象信息推送方法、装置、设备及计算机可读存储介质
CN106354856B (zh) 基于人工智能的深度神经网络强化搜索方法和装置
US10599760B2 (en) Intelligent form creation
CN111913954B (zh) 智能数据标准目录生成方法和装置
CN111522886B (zh) 一种信息推荐方法、终端及存储介质
CN111159431A (zh) 基于知识图谱的信息可视化方法、装置、设备及存储介质
CN114154013A (zh) 视频推荐方法、装置、设备及存储介质
CN110737824A (zh) 内容查询方法和装置
CN110059172B (zh) 基于自然语言理解的推荐答案的方法和装置
CN109636530B (zh) 产品确定方法、装置、电子设备及计算机可读存储介质
CN111428100A (zh) 一种数据检索方法、装置、电子设备及计算机可读存储介质
CN111160699A (zh) 一种专家推荐方法及***
US20120059786A1 (en) Method and an apparatus for matching data network resources
CN109190095B (zh) 一种文章的生成方法及装置
JP2007249600A (ja) 目的データをカテゴリに分類する方法
CN116089616A (zh) 主题文本获取方法、装置、设备及存储介质
US20230143777A1 (en) Semantics-aware hybrid encoder for improved related conversations

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200918

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200918

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

GR01 Patent grant
GR01 Patent grant