CN111104591B

CN111104591B - 一种推荐信息生成方法及装置

Info

Publication number: CN111104591B
Application number: CN201911199008.4A
Authority: CN
Inventors: 张琳; 梁忠平
Original assignee: Alipay Hangzhou Information Technology Co Ltd
Current assignee: Alipay Hangzhou Information Technology Co Ltd
Priority date: 2019-11-29
Filing date: 2019-11-29
Publication date: 2023-05-12
Anticipated expiration: 2039-11-29
Also published as: CN111104591A

Abstract

本说明书提供一种推荐信息生成方法及装置，所述方法包括：将信息推荐时，单轮一次生成多个推荐信息，转换为单轮多次生成多个推荐信息，每一次生成一个推荐信息，并且上一次生成的推荐信息与信息推荐关联因子一起作为下一次推荐信息生成的输入信息。通过将单轮一次生成多个推荐信息，转换为单轮多次生成多个推荐信息的方式，使得可以在每一次推荐信息的生成过程中，加入历史推荐信息。

Description

一种推荐信息生成方法及装置

技术领域

本说明书属于计算机技术领域，尤其涉及一种推荐信息生成方法及装置。

背景技术

随着科技的发展，智能化的推荐软件或设备越来越多的出现在人们的生活中，例如：对话机器人会根据用户的输入为用户推荐用户想提问的问题，一些购物网站可以在用户打开网站时为用户推荐其可能需要的商品。还有一些软件可以根据用户的输入的提问信息，为用户推荐对应的答案，如：根据用户的提问或浏览记录为用户推荐景点信息等。因此，如何生成准确的推荐信息，越来越重要。

发明内容

本说明书实施例的目的在于提供一种推荐信息生成方法、装置及对话机器人，强化了信息推荐模型的输出效果，提高了推荐信息的准确性。

一方面本说明书实施例提供了一种推荐信息生成方法，包括：

获取信息推荐模型生成的历史推荐信息，所述历史推荐信息包括下述至少一个：所述信息推荐模型生成并输出的历史输出推荐信息、所述信息推荐模型生成未输出历史生成推荐信息；

将获取到的信息推荐关联因子和所述历史推荐信息作为所述信息推荐模型的输入信息，生成推荐信息；

将生成的推荐信息添加到历史生成推荐信息的集合中，作为下一次信息推荐时所述信息推荐模型的输入信息，生成推荐信息，直至生成的推荐信息满足所述信息推荐模型的输出规则；

根据所述输出规则，输出生成的推荐信息。

另一方面，本说明书提供了一种推荐信息生成装置，包括：

历史推荐信息获取模块，用于获取信息推荐模型生成的历史推荐信息，所述历史推荐信息包括下述至少一个：所述信息推荐模型生成并输出的历史输出推荐信息、所述信息推荐模型生成未输出历史生成推荐信息；

推荐信息生成模块，用于将获取到的信息推荐关联因子和所述历史推荐信息作为所述信息推荐模型的输入信息，生成推荐信息；

推荐信息循环生成模块，用于将生成的推荐信息添加到历史生成推荐信息的集合中，作为下一次信息推荐时所述信息推荐模型的输入信息，生成推荐信息，直至生成的推荐信息满足所述信息推荐模型的输出规则；

推荐信息输出模块，用于根据所述输出规则，输出生成的推荐信息。

又一方面，本说明书实施例提供了一种对话机器人，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述存储器中存储有信息推荐模型；

所述处理器用于获取信息推荐关联因子、所述信息推荐模型生成的历史推荐信息、候选推荐信息的信息熵、当前生成的推荐信息的位置信息，其中，所述历史推荐信息包括下述至少一个：所述信息推荐模型生成并输出的历史输出推荐信息、所述信息推荐模型生成未输出历史生成推荐信息；

所述处理器还用于将所述信息推荐关联因子、所述历史推荐信息、所述候选推荐信息的信息熵、所述位置信息输入所述信息推荐模型，利用所述信息推荐模型生成推荐信息，所述信息推荐模型基于输出规则，输出所述推荐信息。

还一方面，本说明书提供了一种推荐信息生成的数据处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述推荐信息生成方法。

本说明书提供的推荐信息生成方法、装置、处理设备、对话机器人，将信息推荐时，单轮一次生成多个推荐信息，转换为单轮多次生成多个推荐信息，每一次生成一个推荐信息，并且上一次生成的推荐信息作为下一次推荐信息生成的输入信息。通过将单轮一次生成多个推荐信息，转换为单轮多次生成多个推荐信息的方式，使得可以在每一次推荐信息的生成过程中，加入历史推荐信息，实现了对推荐信息之间关联关系的学习，一次输出进行了多次推荐信息的学习预测，强化了信息推荐模型单次推荐多个推荐信息的效果，提高了推荐信息的准确性。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，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说明书中记载的一些实施例，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是本说明书一个实施例中推荐信息生成方法的流程示意图；

图2是本说明书一个实施例推荐信息生成的原理框架示意图；

图3是本说明书又一个实施例中推荐信息生成方法的原理示意图；

图4是本说明书提供的推荐信息生成装置一个实施例的模块结构示意图；

图5是本说明书一个实施例中推荐信息生成服务器的硬件结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

随着计算机技术的发展，智能推荐技术越来越多的出现在人们的生活中，方便了人们的工作和生活。通常可以基于历史数据构建的机器学习模型来实现智能推荐，机器学习模型可以一次推荐n个推荐信息或者1个推荐信息。如：对话机器人可以推荐1个最有可能是用户提问的问题给用户，或者推荐前5个问题作为用户可能提出的问题，由用户选择。推荐n个推荐信息时，模型会一次生成多个推荐信息，并对生成的推荐信息进行评分，输出评分最高的前n个，但是这n个推荐信息可能会有类似推荐信息，使得推荐出的信息不够准确。

本说明书实施例提供一种推荐信息生成方法，可以将一次生成n个推荐信息的方式拆分成n次完成，每次生成1个，前一次生成的推荐信息作为后一次生成推荐信息的输入，在推荐信息的生成过程中，添加了历史推荐信息，有效的控制推荐信息之间的关系，强化了单次推荐多个推荐信息的效果，提高了推荐信息的准确性。

本说明书中推荐信息生成方法可以应用在客户端或服务器中，客户端可以是智能手机、平板电脑、智能可穿戴设备(智能手表、虚拟现实眼镜、虚拟现实头盔等)、智能车载设备等电子设备。

图1是本说明书一个实施例中推荐信息生成方法的流程示意图，如图1所示，本说明书一个实施例中提供的推荐信息生成方法可以包括：

步骤102、获取信息推荐模型生成的历史推荐信息，所述历史推荐信息包括下述至少一个：所述信息推荐模型生成并输出的历史输出推荐信息、所述信息推荐模型生成未输出历史生成推荐信息。

在具体的实施过程中，本说明书一些实施例中可以预先根据历史数据构建信息推荐模型，信息推荐模型可以基于信息推荐关联因子、历史推荐信息等生成新的推荐信息。信息推荐模型可以是机器学习模型，具体可以是基于强化学习的机器学习模型或基于监督学习的机器学习模型，关于模型的具体形式本说明书实施例不作具体限定。本说明书实施例中的信息推荐模型在每一轮信息推荐时，可以进行多次推荐信息的生成，但生成的推荐信息不一定马上输出展示给用户。本说明书实施例在进行信息推荐时，可以获取当前信息推荐的历史推荐信息与其他信息一起作为信息推荐模型的输入信息，用于下一次推荐信息的预测生成。历史推荐信息可以包括信息推荐模型生成并输出的历史输出推荐信息，以及信息推荐模型生成未输出的历史生成推荐信息。其中，历史输出推荐信息可以是历史指定轮次输出的推荐信息，历史生成推荐信息可以是当前一轮信息推荐过程中生成但还未输出的推荐信息。其中，历史输出推荐信息可以为同一个推荐过程如：在同一个话题或为一个用户连续生成推荐信息时，前面生成并输出的推荐信息作为历史输出推荐信息。当更换话题或换了用户，则应该重新获取历史输出推荐信息。

例如：在一个实施例中，每一轮信息推荐可以输出3个推荐信息，但是信息推荐模型是分3次进行预测生成推荐信息的，每次生成一个推荐信息。生成推荐信息后并不输出，前一次生成的推荐信息为历史生成推荐信息，作为下一次推荐信息生成的输入信息。同时，在每一次信息推荐生成时，还可以将上一轮信息推荐已经输出的推荐信息作为历史输出推荐信息，也作为信息推荐模型的输入信息，直至生成3个推荐信息后，将3个推荐信息一起输出。当用户切换话题，则在切换话题的第一次信息推荐时，历史推荐信息为0，若为新的用户进行信息推荐时，第一生成推荐信息时，历史推荐信息应该也为0。

步骤104、将获取到的信息推荐关联因子和所述历史推荐信息作为所述信息推荐模型的输入信息，生成推荐信息。

在具体的实施过程中，推荐关联因子可以表征与推荐信息相关的特征，可以根据实际应用场景、需要推荐的信息进行设置，本说明书不作具体限定。如：对于对话机器人推荐用户提问的问题时，信息推荐关联因子可以是用户历史提问的问题、用户当前已经输入的文本信息等，对于其他的应用场景信息推荐关联因子可以包括用户自身的特征信息(如：年龄、学历、职业、性别、收入情况等)、使用服务的轨迹、用户账户信息、浏览记录等行为信息、设备信息、历史购物记录等等。需要说明的是，信息推荐关联因子可以只在第一次推荐信息生成时获取，后续进行推荐信息的生成时可以直接使用获取到的信息推荐关联因子。每一次进行信息推荐的生成时，将获取到的历史推荐信息以及信息推荐关联因子一起作为信息推荐模型的输入信息，信息推荐模型基于输入信息可以生成一个推荐信息。

例如：在一个实施例中，对话机器人中设置有本说明书实施例中的信息推荐模型，用户在对话机器人中进行了多轮的提问，每一轮的信息推荐可以输出3个问题供用户选择。每一轮信息推荐，信息推荐模型会进行3次问题预测，在进行到第二轮问答时，第二轮第一次问题预测可以获取第一轮输出的3个问题与信息推荐关联因子一起作为信息推荐模型的输入，生成一个推荐信息，再进行第二轮第二次问题预测。第二轮第二次问题预测可以获取第一轮输出的3个问题、以及第二轮第一次生成但未输出的推荐信息以及信息推荐关联因子一起作为信息推荐模型的输入，生成一个新的推荐信息，以此类推。其中，信息推荐关联因子可以包括用户输入的文本信息、用户历史提问的问题信息、用户账户的相关信息等。

步骤106、将生成的推荐信息添加到历史生成推荐信息的集合中，作为下一次信息推荐时所述信息推荐模型的输入信息，生成推荐信息，直至生成的推荐信息满足所述信息推荐模型的输出规则。

在具体的实施过程中，本说明书实施例将单轮一次的信息推荐，转换为单轮多次信息推荐。参见上述实施例的记载，在同一轮信息推荐过程中，生成的推荐信息可以作为当前轮次的下一次信息推荐生成的输入信息，即可以将生成的推荐信息加入到历史生成推荐信息的集合中，与其他输入信息一起输入到信息推荐模型中，生成新的推荐信息。以此类推，将新生成的推荐信息加入到历史生成推荐信息的集合中，与其他输入信息一起输入到信息推荐模型中，生成下一次信息推荐的推荐信息，直至生成的推荐信息满足信息推荐模型的输出规则。其中输出规则，可以预先设置，基于输出规则判断生成的推荐信息是否可以输出。输出规则的具体内容可以根据实际需要设置，如：在每一次生成推荐信息时可以为生成的推荐信息评分，当生成的推荐信息的分值大于预设阈值时，可以认为满足输出规则。或可以设置推荐信息的输出数量，当生成的推荐信息的数量到达时，则认为满足输出规则。或者也可以设置推荐信息输出的时间阈值，时间到达时，则认为满足输出规则。具体可以根据实际的使用场景设置信息推荐模型的输出规则，本说明书实施例不作具体限定。

例如：上述关于对话机器人的实施例中，第二轮第二次问题预测生成的推荐信息可以作为第二轮第三次问题预测时的历史生成推荐信息，与其他输入信息一起输入到信息推荐模型，进行第二轮第三次的信息推荐，生成新的推荐信息。判断新生成的推荐信息是否满足输出规则，若不满足，则将新生成的推荐信息加入到历史生成推荐信息的集合中，与其他输入信息一起输入到信息推荐模型中，生成下一次信息推荐的推荐信息，直至生成的推荐信息满足信息推荐模型的输出规则。

步骤108、根据所述信息推荐模型的输出规则，输出生成的推荐信息。

在具体的实施过程中，可以基于预先设置的信息推荐模型的输出规则，将生成的所有推荐信息(不包括已经输出的推荐信息)进行输出。如：在每一次生成推荐信息时可以为生成的推荐信息评分，当生成的推荐信息的分值大于预设阈值时，认为推荐信息满足输出规则，可以直接输出生成未输出的推荐信息。或可以设置推荐信息的输出数量，当生成的推荐信息的数量到达时，认为推荐信息满足输出规则，则输出生成但还未输出的推荐信息。或者也可以设置推荐信息输出的时间阈值，时间到达时，认为推荐信息满足输出规则，则输出生成未输出的推荐信息。

本说明书一些实施例中，所述根据所述信息推荐模型的输出规则，输出所述推荐信息，可以包括：

统计所述信息推荐模型生成并未输出的推荐信息的数量，若所述推荐信息的数量到达所述输出规则规定的信息输出数量，则将所述信息推荐模型生成且未输出的推荐信息输出；

若所述推荐信息的数量未到达所述输出规则规定的信息输出数量，则将所述推荐信息作为历史生成推荐信息，输入到所述信息推荐模型中，生成下一个推荐信息，直至生成的推荐信息到达所述输出规则规定的信息输出数量，则将所述信息推荐模型生成且未输出的推荐信息输出。

在具体的实施过程中，可以设置信息推荐模型的信息输出数量作为输出规则，在每一次信息推荐模型生成推荐信息时，统计生成并未输出的推荐信息的数量。若统计出生成的推荐信息的数量达到信息输出数量，则输出所有生成并且未输出的推荐信息。若统计出推荐信息的数量没有到达信息输出数量，则将生成的推荐信息作为历史生成推荐信息，添加到历史生成推荐信息的集合中，与其他输入信息一起输入到信息推荐模型，进行下一次推荐信息的生成，直至生成的推荐信息达到信息输出数量。本说明书实施例通过设置信息推荐模型的输出规则中的信息输出数量，可以控制信息推荐模型的信息输出，调整信息推荐模型的输出信息，实现推荐信息的灵活输出，使得出书的推荐信息更加符合用户需求。

例如：上述关于对话机器人的实施例中，对话机器人中设置有本说明书实施例中的信息推荐模型，用户在对话机器人中进行了多轮的提问，每一轮的信息推荐可以输出3个问题供用户选择，可以认为该信息推荐模型的输出规则中设置了的信息输出数量为3。在进行到第二轮问答时，第二轮第一次问题预测可以获取第一轮输出的3个问题与信息推荐关联因子一起作为信息推荐模型的输入，生成一个推荐信息。统计生成且为未输出的推荐信息为1个小于3，可以获取第一轮输出的3个问题作为历史输出推荐信息、以及第二轮第一次生成但未输出的推荐信息作为历史生成推荐信息，与信息推荐关联因子一起作为信息推荐模型的输入，进行第二轮第二次问题预测，生成一个新的推荐信息。统计当前信息推荐模型生成且未输出的推荐信息为2个小于3，可以获取第一轮输出的3个问题作为历史输出推荐信息、第二轮第一次和第二次生成但未输出的推荐信息作为历史生成推荐信息，与信息推荐关联因子一起作为信息推荐模型的输入，进行第二轮第三次问题预测，生成一个新的推荐信息。统计当前信息推荐模型生成且未输出的推荐信息数量为3个，到达信息输出数量的要求，则输出生成的3个推荐信息，并结束第二轮的问题预测。

本说明书实施例提供的推荐信息生成方法，将信息推荐时，单轮一次生成多个推荐信息，转换为单轮多次生成多个推荐信息，每一次生成一个推荐信息，并且上一次生成的推荐信息作为下一次推荐信息生成的输入信息。通过将单轮一次生成多个推荐信息，转换为单轮多次生成多个推荐信息的方式，使得可以在每一次推荐信息的生成过程中，加入历史推荐信息，实现了对推荐信息之间关联关系的学习，一次输出进行了多次推荐信息的学习预测，强化了信息推荐模型单次推荐多个推荐信息的效果，提高了推荐信息的准确性。

在上述实施例的基础上，本说明书一些实施例中，所述方法还可以包括：

计算候选推荐信息的信息熵，将各个候选推荐信息的信息熵与所述信息推荐关联因子、所述历史推荐信息作为所述信息推荐模型的输入信息，生成推荐信息。

在具体的实施过程中，在进行信息推荐时，还可以在每一次信息推荐的生成时，可以计算候选推荐信息的信息熵，与其他输入信息一起输入到信息推荐模型，生成推荐信息。候选推荐信息可以理解为可能推荐的推荐信息，可以预先根据历史推荐记录、用户查询记录、实际应用场景等数据构建获得，候选推荐信息中可以包括历史推荐信息。信息熵可以理解为某种特定信息的出现概率，本说明书实施例中候选推荐信息的信息熵可以理解为该候选推荐信息可能出现的概率，或者该候选推荐信息与新生成的推荐信息之间的关联关系的大小。各个候选推荐信息的信息熵的计算方式可以根据实际使用场景进行设置，本说明书实施例不作具体限定。如：可以将1/(候选推荐信息的关联推荐信息的数量)或1/(除历史推荐信息之外候选推荐信息的关联推荐信息的数量)，作为该候选推荐信息的信息熵，当然，根据实际使用需要还可以采用其他的计算方式。

例如：在标签、标问推荐的应用场景中，标签信息可以理解为由单词或者短语组成，用来描述业务或者诉求，标问信息可以理解为一个自然句子，用来代表用户的问题，一般会有多个类似用户问题对应一个标问信息，一个标问信息可以对应多个标签信息。可以基于历史推荐的标签包括的标问，计算出候选推荐标签额外包括的标问数量来计算候选推荐标签的信息熵。如：若信息推荐模型上一次已经将“花呗”作为推荐标签，那么在本次信息推荐时，“花呗还款”这个候选推荐信息就不再有任何额外(即“花呗”包含的标问之外的)的标问数量，因为“花呗”覆盖范围肯定更大。若信息推荐模型上一次推荐的标签为“借呗”，那么“花呗还款”会覆盖额外的标问，因为这两个标签的覆盖范围不同。可以将1/历史推荐标签额外包含的标问数量，作为候选推荐标签的信息熵。因此，基于历史推荐信息，确定出候选推荐信息的信息熵，历史推荐信息不同，会导致候选推荐信息的信息熵不同，将信息熵作为信息推荐模型的输入信息，可以控制推荐的信息之间的关系，使得推荐的信息更加准确。本说明书实施例，在每一次信息推荐的过程中，添加了候选推荐信息的信息熵作为模型的输入信息，来控制后续推荐信息的生成，的是能够控制推荐信息之间的关系，使得推荐的信息更加符合用户需求。

在上实施例的基础上，本说明书一些实施例中，所述方法还可以包括：

确定所述推荐信息的位置信息，所述位置信息为所述推荐信息是所述信息推荐模型生成的推荐信息中生成顺序；

将所述推荐信息的位置信息作为信息推荐模型的输入信息，生成推荐信息。

在具体的实施过程中，可以在每一次信息推荐时，添加推荐信息的位置信息，作为每一次信息推荐时信息推荐模型的输入，位置信息可以理解为信息推荐模型生成的推荐信息的先后顺序。例如：在一次信息推荐过程中，信息推荐模型已经生成了2个推荐信息，则当前预备生成的推荐信息的位置信息可以为3。需要说明的是，位置信息可以指当前预备生成的推荐信息在信息推荐模型生成已经输出和生成未输出的推荐信息中总的排序。生成已经输出的推荐信息可以理解为属于同一个对话过程，当有新的话题或新的用户时，则重新开始计算。如：上述实施例中，对话机器人每一轮输出3个推荐信息，当进行第二轮的第二次的信息推荐时，第二轮第二次生成的推荐信息的位置信息应该为3+1＝4。

本说明书实施例中信息推荐模型优化的目标可以包括在合适的位置吐出适当的推荐信息，如：有更符合这个用户预期的推荐信息应该出现在更早的位置。可以在每一轮的信息推荐过程中，添加推荐信息的位置信息作为输入，可以将生成的推荐信息以及用户推荐信息的反馈作为训练数据，对信息推荐模型进行优化。信息推荐模型的训练过程中，也可以将各个推荐信息的位置信息作为输入信息进行模型训练，让模型从训练数据中找到和位置信息的关系，实现对模型的优化方向的控制，以便更早的输出更优的推荐信息，提高推荐信息生成的效率。

在上述实施例的基础上，本说明书一些实施例中，所述根据所述信息推荐模型的输出规则，输出所述推荐信息，包括：

设置输出标签、未输出标签、输出列表；

将所述推荐信息存入所述输出列表；

将已经输出的推荐信息标记上所述输出标签，将未输出的推荐信息标记上所述未输出标签；

基于推荐信息上的输出标签和未输出标签，输出所述输出列表中的带有未输出标签的推荐信息。

在具体的实施过程中，可以设置信息推荐模型的输出列表、输出标签和未输出标签，输出列表中可以包括所有已经输出以及未输出的信息，输出标签和未输出标签可以表示输出列表中的数据是否输出，如：可以采用0、1分别作为输出标签和未输出标签。将生成的推荐信息存入输出列表，并根据推荐信息是否输出为各个推荐信息标记上输出标签和未输出标签，当需要输出推荐信息如：未输出的推荐信息数量到达信息推荐模型的输出数量时，则将输出列表中所有带有未输出标签的推荐信息输出。通过输出标签、未输出标签以及输出列表控制模型的输出，实现模型的灵活输出。

根据用户对输出的推荐信息的点击数据，获取用户点击的推荐信息；

将用户点击的推荐信息加入下一轮信息推荐时信息推荐模型的输入信息。

在具体的实施过程中，参见上述实施例的记载可以看出，本说明书实施例中的信息推荐可以分为多轮信息推荐，每一轮信息推荐包括多次推荐信息的生成，但是一轮进行一次信息推荐的输出。本说明书一些实施例中，当信息推荐有多轮时，可以将前一轮、或前几轮的信息推荐中输出的推荐信息的点击数据，即用户点击的前一轮或前几轮输出的推荐信息，作为新一轮信息推荐生成时，信息推荐模型的输入信息，与其他输入信息一起用于生成新的推荐信息。

例如：上述实施例中，对话机器人中设置有本说明书实施例中的信息推荐模型，用户在对话机器人中进行了多轮的提问，每一轮的信息推荐可以输出3个问题供用户选择。当进行到第二轮第一次的信息推荐时，可以将用户对第一轮输出的3个问题的点击数据加入输入信息。如：模型输出了问题A、B、C，用户点击其中的A，则可以将A加入到输入信息中，与其他的输入信息一起作为信息推荐模型第二轮第一次信息推荐的输入信息。

本说明书实施例，在多轮信息推荐过程中，加入了前轮用户的点击数据作为输入信息，提升了后一轮推荐信息生成的准确性。

图2是本说明书一个实施例推荐信息生成的原理框架示意图，如图2所示，本说明书一些实施例中，所述推荐信息可以为标签信息，所述方法还可以包括：

根据用户对所述标签信息的点击数据，获取用户点击的标签信息；

将所述用户点击的标签信息作为下一轮标签信息生成时所述信息推荐模型的输入信息，生成下一轮信息推荐的标签信息；

判断所述下一轮信息推荐的标签信息是否满足预设要求，若不满足，则根据用户对输出的所述下一轮信息推荐的标签信息的点击数据，获取用户点击的标签信息作为下一轮的下一轮标签信息生成时所述信息推荐模型的输入信息，直至输出的标签信息符合所述预设条件；

根据用户对最后一轮输出的标签信息的点击数据，获取用户点击的最后一轮输出的标签信息作为所述信息推荐模型的输入信息，生成标问信息，并输出。

在具体的实施过程中，标签信息可以理解为由单词或者短语组成，用来描述业务或者诉求，标问信息可以理解为一个自然句子，用来代表用户的问题，一般会有多个类似用户问题对应一个标问信息，一个标问信息可以对应多个标签信息。通常在对话机器人等问答场景中，可以先为用户推荐标签信息，基于用户对推荐的标签信息的点击数据，为用户推荐标问信息。如图2所示，在本说明书一个场景示例中，可以设定先为用户推荐3轮信息，前两轮为标签信息推荐，每一轮推荐3个标签信息，最后一轮为标问信息推荐，最终为用户推荐3个标问信息。下面结合图2对本说明书实施例中标问信息的生成进行介绍：

如图2所示，在第一轮标签信息的生成时，可以先获取信息推荐关联因子即图中的S₀，将信息推荐关联因子S₀输入到信息推荐模型中，生成第一轮第一个标签信息t₁。再将S₀和t₁作为第一轮第二次标签信息生生成的输入信息，生成第一轮第二个标签信息t₂。再将S₀、t₁、t₂作为第一轮第三次标签信息生生成的输入信息，生成第一轮第三个标签信息t₃。输出第一轮生成的3个标签信息t₁、t₂、t₃，根据用户对第一轮输出的标签信息的点击数据，获取用户点击标签信息如t₃。将用户点击的标签信息t₃作为下一轮标签信息生成时信息推荐模型的输入信息，还可以将其他输入信息(如：信息推荐关联因子、第一轮输出的标签信息t₁、t₂，可以对第一轮生成的标签信息标记上用户是否点击)一起输入到信息推荐模型中，进行下一轮标签信息生成的生成。第二轮标签信息的生成过程与第一轮标签信息的生成过程相同，此次不再赘述。

判断第二轮生成的标签信息是否满足预设要求(如：是否到达标签信息生成轮次的要求，或者生成的标签信息的评分是否到达阈值等)，若不满足，则根据用户对第二轮输出的标签信息的点击数据，获取用户点击的标签信息作为再下一轮即第三轮标签信息生成时信息推荐模型的输入信息，直至输出的标签信息符合预设要求。如图2所示，第二轮生成的标签信息符合预设要求，则可以将第二轮生成的标签信息t₄、t₅、t₆输出。其中，预设要求的具体内容可以根据实际需要设置，可以设置为标签输出轮次的数量，或其他要求，本说明书实施例不作具体限定。

根据用户对最后一轮输出的标签信息的点击数据，获取用户点击的最后一轮输出的标签信息作为信息推荐模型的输入信息，进行标问信息的生成，生成标问信息，并输出。如图2所示，可以将用户点击的第二轮输出的标签信息t₆输入到信息推荐模型中，结合其他输入信息(如：信息推荐关联因子、第一轮、第二轮输出的标签信息，可以对第一轮、第二轮生成的标签信息标记上用户是否点击)一起输入到信息推荐模型中，生成标问信息。其中，标问信息的生成也和第一轮标签信息的生成过程相同，分为3次分别生成3个标问信息q₁、q₂、q₃，具体过程参见第一轮标签信息生成的过程，此处不再赘述。图2中c_T可以表示标签信息生成时的输入信息，c_Q可以表示标问信息生成时的输入信息。

在第一轮、第二轮标签信息的生成以及第三轮标问信息的生成过程中，可以每生成一个标签信息或标问信息可以判断生成的标签信息或标问信息是否符合输出规则(如：是否到达每一轮的信息输出数量)，若不符合，将生成的标签信息或标问信息作为信息推荐模型的输入信息，生成下一个标签信息或标问信息。继续判断生成的标签信息或标问信息是否符合输出规则，若不符合，将生成的标签信息或标问信息作为信息推荐模型的输入信息，直至生成的标签信息或标问信息符合输出规则，输出每一轮生成的所有标签信息或所有标问信息。

需要说明的是，上述实施例中关于轮次以及每一轮生成的标签信息或标问信息的数量可以根据实际需要进行调整，本说明书实施例不作具体限定。

本说明书实施例将标签和标问的单轮一次生成多个转换为单论多次生成的方式，对于用户来说，用户看到的标签是每一轮有三个标签，而模型实际上预测时，是预测三次，分别得到三个标签。通过单轮多次预测的形式，可以在每一轮预测时添加上一轮的历史标签信息、信息熵、位置信息、输出规则等特征，来控制后续标签的推荐，从而能控制推荐标签之间的关系符合用户的需求，实现模型输出的灵活控制，提高标签、标问推荐的准确性。

图3是本说明书又一个实施例中推荐信息生成方法的原理示意图，如图3所示，本说明书实施例中信息推荐过程如下：

信息推荐模型的输入除了正常使用到的信息推荐关联因子，还加入了历史推荐信息、信息熵、位置信息、强制规则(即上述实施例中的输出规则)等内容，其中输入信息的介绍如下：

历史推荐信息可以以列表的形式输入，比如已经推荐过花呗、借呗，则输入为包含花呗、借呗的一个列表。历史推荐信息的具体含义可以参考上述实施例的记载，此处不再赘述。

信息熵：这里计算出每一个候选推荐信息(可以预先根据历史推荐记录等数据构建获得)的信息熵(若推荐信息为标签信息，则信息熵的计算方式可以为计算能额外包含多少个标问数量)。位置信息：当前是第几个信息推荐。

强制规则：是一串由规则生成的0、1，可以用来抑制特定推荐信息的输出

其他内容：这里表示还可以加入其他需要加入的输入，具体可以根据实际应用场景进行添加，本说明书实施例不作具体限定，通过添加其他内容可以使得对模型输出拥有对于每个推荐信息输出的控制优势。

需要说明的是，本说明书实施例给出了单论多次信息推荐时，每一次推荐信息生成的过程。在实际应用时，当有多轮信息推荐的过程时，用户对上一轮推荐的推荐信息的点击数据也可以作为下一轮信息推荐时信息推荐模型的输入信息，以增加推荐的信息的准确性，使得推荐的信息更加符合用户的需求。

本说明书实施例，将单轮多标签推荐过程进行了拆分，单轮一次的训练过程，转换成了单轮多次的训练过程，使得在训练时可以加入对标签关系进行学习的特征，从而强化了推荐模型单次推荐多个标签的效果。通过分步的标签推荐训练方法，使得可以加入之前推出过的标签作为模型的输入，在这个基础上，允许加入信息熵、位置信息、强规则等内容，来控制后续标签的推荐，从而能控制推荐标签之间的关系符合用户的需求。

本说明书中上述方法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考即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。

基于上述所述的推荐信息生成方法，本说明书一个或多个实施例还提供一种推荐信息生成装置。所述的装置可以包括使用了本说明书实施例所述方法的***(包括分布式***)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参考前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

具体地，图4是本说明书提供的推荐信息生成装置一个实施例的模块结构示意图，如图4所示，本说明书中提供的推荐信息生成装置可以包括：历史推荐信息获取模块41、推荐信息生成模块42、推荐信息循环生成模块43、推荐信息输出模块44，其中：

历史推荐信息获取模块41，可以用于获取信息推荐模型生成的历史推荐信息，所述历史推荐信息包括下述至少一个：所述信息推荐模型生成并输出的历史输出推荐信息、所述信息推荐模型生成未输出历史生成推荐信息；

推荐信息生成模块42，可以用于将获取到的信息推荐关联因子和所述历史推荐信息作为所述信息推荐模型的输入信息，生成推荐信息；

推荐信息循环生成模块43，可以用于将生成的推荐信息添加到历史生成推荐信息的集合中，作为下一次信息推荐时所述信息推荐模型的输入信息，生成推荐信息，直至生成的推荐信息满足所述信息推荐模型的输出规则；

推荐信息输出模块44，可以用于根据所述输出规则，输出生成的推荐信息。

本说明书实施例提供的推荐信息生成装置，将信息推荐时，单轮一次生成多个推荐信息，转换为单轮多次生成多个推荐信息，每一次生成一个推荐信息，并且上一次生成的推荐信息作为下一次推荐信息生成的输入信息。通过将单轮一次生成多个推荐信息，转换为单轮多次生成多个推荐信息的方式，使得可以在每一次推荐信息的生成过程中，加入历史推荐信息，实现了对推荐信息之间关联关系的学习，一次输出进行了3次推荐信息的学习预测，强化了信息推荐模型单次推荐多个推荐信息的效果，提高了推荐信息的准确性。

在上述实施例的基础上，本说明书一些实施例中，所述推荐信息输出模块具体用于：

本说明书实施例，通过设置信息推荐模型的输出规则中的信息输出数量，可以控制信息推荐模型的信息输出，调整信息推荐模型的输出信息，实现推荐信息的灵活输出，使得出书的推荐信息更加符合用户需求。

在上述实施例的基础上，本说明书一些实施例中，所述装置还包括信息熵计算模块用于：根据所述历史推荐信息计算候选推荐信息的信息熵，并将计算出的各个候选推荐信息的信息熵发送给所述推荐信息生成模块；

所述推荐信息生成模块用于将各个候选推荐信息的信息熵与所述信息推荐关联因子、所述历史推荐信息作为所述信息推荐模型的输入信息，生成推荐信息。

本说明书实施例，在每一次信息推荐的过程中，添加了历史推荐信息的信息熵作为模型的输入信息，来控制后续推荐信息的生成，的是能够控制推荐信息之间的关系，使得推荐的信息更加符合用户需求。

在上述实施例的基础上，本说明书一些实施例中，所述装置还包括位置信息确定模块用于：确定所述推荐信息的位置信息，并将所述位置信息发送给所述推荐信息生成模块，所述位置信息为所述推荐信息是所述信息推荐模型生成的推荐信息中生成顺序；

所述推荐信息生成模块用于将所述推荐信息的位置信息作为信息推荐模型的输入信息，生成推荐信息。

本说明书实施例，信息推荐模型优化的目标可以包括在合适的位置吐出适当的推荐信息，比如说，有更符合这个用户预期的推荐信息应该出现在更早的位置。可以在每一轮的信息推荐过程中，添加推荐信息的位置信息作为输入，可以将生成的推荐信息以及用户推荐信息的反馈作为训练数据，对信息推荐模型进行优化。信息推荐模型的训练过程中，也可以将各个推荐信息的位置信息作为输入信息进行模型训练，让模型从训练数据中找到和位置信息的关系，实现对模型的优化方向的控制，以便更早的输出更优的推荐信息，提高推荐信息生成的效率。

设置输出标签、未输出标签、输出列表；

将所述推荐信息存入所述输出列表；

本说明书实施例，通过输出标签、未输出标签以及输出列表控制模型的输出，实现模型的灵活输出。

在上述实施例的基础上，本说明书一些实施例中，所述装置还包括点击数据获取模块用于：

在上述实施例的基础上，本说明书一些实施例中，所述推荐信息为标签信息，所述装置还包括标问信息输出模块，用于：

本说明书实施例，将标签和标问的单轮一次生成多个转换为单论多次生成的方式，对于用户来说，用户看到的标签是每一轮有三个标签，而模型实际上预测时，是预测三次，分别得到三个标签。通过单轮多次预测的形式，可以在每一轮预测时添加上一轮的历史标签信息、信息熵、位置信息、输出规则等特征，来控制后续标签的推荐，从而能控制推荐标签之间的关系符合用户的需求，实现模型输出的灵活控制，提高标签、标问推荐的准确性。

需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照上述对应的方法实施例的描述，在此不作一一赘述。

本说明书实施例还提供一种推荐信息生成的数据处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述实施例中推荐信息生成方法，如：

根据所述输出规则，输出生成的推荐信息。

本说明书实施例还提供一种用于对话机器人，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述存储器中存储有信息推荐模型；

需要说明的，上述所述的处理设备和对话机器人，根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照上述对应的方法实施例的描述，在此不作一一赘述。

本说明书提供的推荐信息生成装置或处理设备或对话机器人，也可以应用在多种数据分析处理***中。所述***或装置或处理设备可以包括上述实施例中任意一个推荐信息生成装置。所述的***或装置或处理设备可以为单独的服务器，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、***(包括分布式***)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述核对差异数据的检测***可以包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。

本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图5是本说明书一个实施例中推荐信息生成服务器的硬件结构框图，该服务器可以是上述实施例中的推荐信息生成装置、对话机器人。如图5所示，服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本邻域普通技术人员可以理解，图5所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图5中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图5所示不同的配置。

存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的推荐信息生成方法对应的程序指令/模块，处理器100通过运行存储在存储器200内的软件程序以及模块，从而执行各种功能应用以及资源数据更新。存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。

所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

本说明书实施例提供的上述推荐信息生成方法或装置可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作***的c++语言在PC端实现、linux***实现，或其他例如使用android、iOS***程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。

需要说明的是说明书上述所述的装置、计算机存储介质、***根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照对应方法实施例的描述，在此不作一一赘述。

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考即可，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，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。

本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。

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***“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***、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、车载人机交互设备、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。

虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式资源数据更新环境)。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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***，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

本发明是参照根据本发明实施例的方法、装置(***)、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资源数据更新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资源数据更新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资源数据更新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资源数据更新设备上，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、石墨烯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。

本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、***或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书一个或多个实施例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本说明书一个或多个实施例，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考即可，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***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，相关之处参考方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本说明书一个或多个实施例的实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例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，均应包含在权利要求范围之内。

Claims

1.一种推荐信息生成方法，包括：

根据所述输出规则，输出生成的推荐信息。

2.如权利要求1所述的方法，所述根据所述输出规则，输出所述推荐信息，包括：

3.如权利要求1所述的方法，所述方法还包括：

根据所述历史推荐信息计算候选推荐信息的信息熵，将各个候选推荐信息的信息熵与所述信息推荐关联因子、所述历史推荐信息作为所述信息推荐模型的输入信息，生成推荐信息。

4.如权利要求1所述的方法，所述方法还包括：

5.如权利要求1所述的方法，所述根据所述信息推荐模型的输出规则，输出所述推荐信息，包括：

设置输出标签、未输出标签、输出列表；

将所述推荐信息存入所述输出列表；

6.如权利要求1所述的方法，所述方法还包括：

7.如权利要求1所述的方法，所述推荐信息为标签信息，所述方法还包括：

8.一种推荐信息生成装置，包括：

9.如权利要求8所述的装置，所述推荐信息输出模块具体用于：

10.如权利要求8所述的装置，所述装置还包括信息熵计算模块用于：根据所述历史推荐信息计算候选推荐信息的信息熵，并将计算出的各个候选推荐信息的信息熵发送给所述推荐信息生成模块；

11.如权利要求8所述的装置，所述装置还包括位置信息确定模块用于：确定所述推荐信息的位置信息，并将所述位置信息发送给所述推荐信息生成模块，所述位置信息为所述推荐信息是所述信息推荐模型生成的推荐信息中生成顺序；

12.如权利要求8所述的装置，所述推荐信息输出模块具体用于：

设置输出标签、未输出标签、输出列表；

将所述推荐信息存入所述输出列表；

13.如权利要求8所述的装置，所述装置还包括点击数据获取模块用于：

14.如权利要求12所述的装置，所述推荐信息为标签信息，所述装置还包括标问信息输出模块，用于：

15.一种对话机器人，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述存储器中存储有信息推荐模型；

16.一种推荐信息生成的数据处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-7任一项所述的方法。