CN112954025B - 基于分层知识图谱推送信息方法、装置、设备、介质 - Google Patents

Abstract

本公开提供了一种推送信息的方法、装置、设备、介质和计算机程序产品，涉及人工智能技术领域，尤其是知识图谱、智能推荐和自然语言处理技术领域。实现方案为：获取来自用户端设备的检索请求；从检索请求中的检索信息中提取用户的关注点；基于用户的关注点以及预先构建的分层知识图谱，其中分层知识图谱包含技术领域知识图谱和非技术领域知识图谱，确定分层知识图谱与用户关注点对应的目标知识；将目标知识作为目标内容，推送给用户设备。

Description

基于分层知识图谱推送信息方法、装置、设备、介质

技术领域

本公开涉及人工智能技术领域，尤其涉及知识图谱、智能推荐和自然语言处理技术领域。具体地，本公开提供了一种基于分层知识图谱推送信息方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

在大型机构或公司，由于本身体量庞大，业务往来密切，员工流动较大，跨部门交流合作较多。同时员工需要面临大量的事务与流程处理、沟通、协同、知识信息获取等办公场景。这就导致了员工在日常工作中在找解决方案、找人上需要花费大量精力，导致办公效率低下。随着知识图谱，自然语言处理技术的发展普及，以企业知识管理为基础的智能办公日益受到重视，成为提升企业办公效率的关键路径。

发明内容

本公开提供了一种基于分层知识图谱推送信息方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种计算机实施的基于分层知识图谱推送信息方法，包括：获取来自用户设备的检索请求，所述检索请求包括用户针对目标内容的检索信息，对检索信息进行分词分析；利用关注点模型，从检索信息中提取用户的关注点；根据用户的关注点以及预先构建的分层知识图谱，确定所述分层知识图谱中与所述用户的关注点对应的目标知识，其中，分层知识图谱包括技术领域知识图谱和非技术领域知识图谱，技术领域知识图谱包括多个细分技术领域知识图谱，非技术领域知识图谱包括多个细分非技术领域知识图谱；将所述目标知识作为所述目标内容，推送给所述用户设备。

根据本公开的又一方面，提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上的计算机程序，其中，处理器被配置为执行计算机程序以实现如本公开中所述的方法的步骤。

根据本公开的又一方面，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，计算机指令用于使计算机执行如本公开中所述的方法。

根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序被处理器执行时实现如本公开中所述的方法的步骤。

根据本公开的一个或多个实施例，可以帮助员工及时有效地在***中定位关键问题，快速的找到解决问题的方式方法。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性***的示意图；

图2示出了根据本公开的实施例的基于分层知识图谱推送信息方法的流程图；

图3示出了根据本公开的实施例的构建分层知识图谱的流程图；

图4示出了根据本公开的实施例的构建成员画像标签的流程图；

图5示出了根据本公开的实施例的细分成员画像标签的流程图；

图6示出了根据本公开的实施例的基于分层知识图谱推送信息装置的结构框图；

图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

为了解决现有技术中的上述问题，本公开基于自然语言处理技术中的语义分析，对用户所提交的检索信息进行分析，提取用户关注点并且基于分层知识图谱技术，快速精确定位目标知识，对目标知识进行排序推送，从而提供了以下基于分层知识图谱推送信息的技术方案。

如本文所使用的，术语“聚类算法”是指利用计算实体间的相似度，无监督进行实体分类；术语“TextCNN”是指利用卷积神经网络对文本进行分类的算法。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性***100的示意图。参考图1，该***100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行基于分层知识图谱推送信息方法的一个或多个服务或软件应用。将理解的是，这不是限制性的，在某些实施例中，客户端设备101、102、103、104、105和106可以具有足够的存储和计算资源以至于它们也能够执行基于分层知识图谱推送信息方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的***配置是可能的，其可以与***100不同。因此，图1是用于实施本文所描述的各种方法的***的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来提交包含检索信息的检索请求。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏***、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作***，例如Microsoft Windows、AppleiOS、类UNIX操作***、Linux或类Linux操作***(例如Google Chrome OS)；或包括各种移动操作***，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏***可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作***的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作***以及任何商业上可用的服务器操作***的一个或多个操作***。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式***的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

***100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件***支持的常规存储库。

图1的***100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据本公开的示例性实施例，本公开提供了一种计算机实施的基于分层知识图谱推送信息方法，包括：获取来自用户设备的检索请求，所述检索请求包括用户针对目标内容的检索信息；从所述检索信息中提取所述用户的关注点；根据所述用户的关注点以及预先构建的分层知识图谱，确定所述分层知识图谱中与所述用户的关注点对应的目标知识，其中，所述分层知识图谱包括技术领域知识图谱和非技术领域知识图谱，所述技术领域知识图谱包括多个细分技术领域知识图谱，并且所述非技术领域知识图谱包括多个细分非技术领域知识图谱；以及将所述目标知识作为所述目标内容推送给所述用户设备。

图2示出了根据本公开的实施例的基于分层知识图谱推送信息方法200的流程图。

在步骤S201中，***获取来自用户检索请求。

根据一些实施例，实时接收来自客户端设备(例如，图1中的客户端设备101、102、103、104、105或106)的用户检索请求，并存储用户检索信息，例如，存储在图1中的数据库130中。

根据一些实施例，获取来自用户检索请求包括：***接收来自客户端设备的检索请求，获取用户输入的检索信息。

在步骤S203中，基于用户包含检索信息的检索请求，提取用户的关注点。

根据一些实施例，通过对用户输入进行分词分析，通过关注点模型，提取用户的关注点。

根据一些实施例，例如，通过确定所述用户输入对应的文字信息，对所述文字信息进行分词，对各分词进行词性标注，分析各分词、各分词的词性、进行分词分析。

根据一些实施例，通过训练好的关注点模型，基于用户的分词，提取出用户的检索信息的关注点。

在步骤S205中，基于所述用户关注点和预先构建的分层知识图谱，确定对应的目标知识。

根据一些实施例，预先构建的分层知识图谱中包含技术领域知识图谱和非技术领域知识图谱；技术领域知识图谱同时包含多个细分技术领域的知识图谱；非技术领域知识图谱同时包含多个细分非技术领域的知识图谱

根据一些实施例，技术领域知识图谱由多个细分技术领域知识图谱共同构成。例如，医美细分知识图谱、金融科技细分知识图谱、医疗领细分知识图谱、大数据细分知识图谱等。

根据一些实施例，非技术领域知识图谱由多个细分非技术领域知识图谱共同构成。例如，党建领域细分知识图谱、行政领域细分知识图谱、物业领域细分知识图谱、客服领域细分知识图谱等。

根据一些实施例，基于预构建的分层知识图谱确定的相关联实体以及与实体其相关联的知识信息，将所述知识信息作为目标知识。

在步骤S207中，基于所述对应的目标知识，推送给所述用户设备。

根据一些实施例，***响应用户的检索请求，将与检索请求相关联的目标知识按照一定的规则排序，推送给用户设备，解决用户的问题。

在本实施例所提供的基于分层知识图谱推送信息方法中，基于结合成员自身属性和与成员的相关联的知识文档构建成员的用户画像，实现未来响应用户的检索，推送的信息中不仅能包含相关联的文档知识，同时还能包括相关的成员的信息；本实施例中构建的分层知识图谱，可以精确的定位知识图谱中的目标知识，快速响应用户的检索。在大型的机构中，实现问题的快速定位，响应用户的检索，快速精确的推送目标信息，提高机构的工作效率。

根据一些实施例，本公开中的示例性实施例所提供分层知识图谱通过以下步骤构建：获取团体内多个成员的历史数据；基于所述多个成员的历史数据，为每个成员构建成员画像标签；对所述多个成员的成员画像标签进行层级分类，以得到技术类标签和非技术类标签，其中，所述技术类标签包括与多个细分技术领域相关联的多个细分技术标签，所述非技术类标签包括与多个细分非技术领域相关联的多个细分非技术标签；基于所述多个细分技术标签和所述多个细分非技术标签分别构建所述多个细分技术领域知识图谱和所述多个细分非技术领域知识图谱；以及将所述多个细分技术领域知识图谱和所述多个细分非技术领域知识图谱分别组成所述技术领域知识图谱和所述非技术领域知识图谱，从而得到所述分层知识图谱。

图3示出了根据本公开的实施例的基于分层知识图谱推送信息方法300的流程图。

在步骤S301中，获取团体内多个成员的历史数据。

根据一些实施例，成员的历史数据包含团体的自有历史数据和第三方的外部历史数据。

自有历史数据包含描述每个成员在所述团体内的属性的属性数据和由该成员维护的至少一个知识文档。例如，员工所在的部门、职级、工作小组以及员工的历史行为数据以及在企业内部软件中与所述员工相关联的知识文档数据。

获取来自第三方的外部历史数据，所述外部历史数据包含每个成员的第三方软件的使用日志数据。例如，所述第三方外部历史数据，可通过爬虫技术手段，对员工的第三方软件的历史信息进行爬取，得到第三方软件的使用日志数据。

在步骤S303中，基于步骤S301中得到的所述成员历史数据，构建内部成员画像。

根据一些实施例，使用自然语言处理模型对所述与内部成员相关联的知识文档进行处理分析，为对应文档添加对应的类别标签；基于所述类别标签和所述多个成员的各自的属性数据，构建内部成员的画像标签。

在步骤S305中，对所述多个成员的成员画像标签进行层级分类，以得到技术类标签和非技术类标签，其中，所述技术类标签包括与多个细分技术领域相关联的多个细分技术标签，所述非技术类标签包括与多个细分非技术领域相关联的多个细分非技术标签。

根据一些实施例，通过聚类算法，将步骤S303中得到的内部成员画像标签进行层级分类，分成技术类标签和非技术类标签。

根据一些实施例，通过深度学习算法，对所述技术类标签和非技术类标签进行多分类，得到多个细分技术类标签和多个细分非技术类标签。例如，细分技术类标签可以是人工智能标签，软件开发标签，信号编解码标签以及包含其他专业技术的标签；细分非技术类标签可以是人事标签，供应链标签，行政标签以及包含职能的非专业技术类的标签。

在步骤S307中，基于所述多个细分技术类标签和所述多个细分非技术类标签分别构建所述多个细分技术领域知识图谱和所述多个细分非技术领域知识图谱。

根据一些实施例，基于所述多个细分技术类标签和所述多个细分非技术类标签，通过多模态数据模型，对文本数据、视频、图片语音等数据的分析，确定这些多模态数据之间的关联关系。

根据一些实施例，所述多个模态数据间的关联关系也可以通过深度学习算法进行提取。

根据一些实施例，分别对每一个细分技术类标签和细分非技术类标签构建知识图谱。例如，对人工智能标签，软件开发标签等技术类标签进行细分技术领域标签知识图谱的构建；对人事标签，供应链标签等非技术类标签进行细分非技术领域知识图谱的构建。

在步骤S309中，将所述多个细分技术领域知识图谱和所述多个细分非技术领域知识图谱分别组成所述技术领域知识图谱和所述非技术领域知识图谱，从而得到所述分层知识图谱。

根据一些实施例，基于S307中构建的细分技术领域知识图谱和细分非技术领域知识图谱，分别构建技术领域的知识图谱和非技术领域的知识图谱。

根据一些实施例，将所述技术领域知识图谱与非技术领域知识图谱共同组成为一个知识图谱，得到所述分层知识图谱，完成分层知识图谱的构建。例如，将包含人工智能领域、软件开发领域等技术领域的知识图谱与包含人事领域、行政领域等非技术领域的知识图谱，共同构建为一个领域知识图谱，实现知识图谱细化构建，实现技术领域和非技术领域通过知识图谱的关联，快速精确定位目标知识。

根据一些实施例，基于所述多个成员的历史数据，为每个成员构建成员画像标签，包括：使用自然语言处理模型对所述多个成员的知识文档进行分析；基于所述自然语言处理模型的分析结果向所述多个成员的知识文档添加对应的类别标签；以及基于所述类别标签和所述多个成员各自的属性数据，为所述多个成员构建各自的成员画像标签。

图4示出根据本公开的实施例的基于分层知识图谱推送信息方法400的流程图。

在步骤S401中，基于自然语言处理模型，对所述多个成员文档进行分析处理。

根据一些实施例，所述自然语言处理模型包括但不仅限于关注点模型，关键词提取模型，篇章主题模型。通过评估文档分析结果，选择使用最合适的模型。

在步骤S403中，将所述分析结果，对内部成员的知识文档添加对应的类别标签。

根据一些实施例，得到的内部成员的知识文档的类别标签可以是自然语言处理、大数据、java开发、人事档案管理、供应链采购等类别标签。

在步骤S405中，基于所述类别标签和所述多个成员各自的属性数据，构建所述多个成员的画像标签。

根据一些实施例，基于得到的内部成员的知识文档的类别标签，结合内部成员的属性数据，共同构建内部成员的成员画像。例如基于员工的基本信息、年龄、所在部门、岗位等基础数据、员工的历史行为数据，结合步骤S403中得到员工相关联知识文档的标签，共同构建员工的画像标签。

根据本实施例，基于员工的自身属性以及与员工相关联的知识文档的标签构建的员工画像，相比较于只基于自身属性构建的员工画像，本实施例构建的用户画像，更精确的体现了用户的信息。

根据一些实施例，所述对所述多个成员的成员画像标签进层级分类，包括：利用聚类算法将所述多个成员的成员画像标签分为技术类标签和非技术类标签；以及利用深度学习算法对所述技术类标签和非技术类标签进行多分类，以得到所述多个细分技术标签和所述多个细分非技术标签。

图5示出根据本公开的实施例的基于分层知识图谱推送信息方法500的流程图。

在步骤S501中，采用聚类算法内部成员画像标签进行分类。

根据一些实施例，例如，利用基本聚类算法，随机地选择k个画像标签，每个画像标签初始地代表了一个簇的中心；对剩余的每个画像标签，根据其与各簇中心的距离，将它赋给最近的簇；重新计算每个簇的平均值，更新为新的簇中心；不断重复前两个步骤直到准则函数收敛。通过聚类算法实现技术类标签和非技术类标签的分类。

在步骤S503中，基于深度学习算法模型，对S501中分类出的技术类标签和非技术类标签进行多分类。

根据一些实施例，例如，采用TextCNN深度学习模型，对技术类标签进行多分类，细分到具体的行业领域，如软件开发领域、机器学习领域等技术行业领域；对非技术类标签进行多分类，细分到人事领域、行政领域等非技术行业领域。

根据本实施例，通过聚类算法和深度学习算法对标签分别进行两次分类，得到更好的分类效果。基于细分类的标签构建的知识图谱，响应于用户的检索，能更快的在知识图谱中定位到对应的领域，对应的实体，对应的相关联的目标知识。

根据一些实施例，所述从所述检索信息中提取所述用户的关注点，包括：从所述检索信息中确定文字串；对所述文字串进行分词，以得到一个或多个字词；利用关注点模型从所述一个或多个字词中提取所述用户的关注点。

根据一些实施例，例如，对于用户的检索请求，检索信息包含“我应该怎样去办理人事档案”，***首先将文字串进行分词，再利用关注点模型进行关注点“办理”，“人事档案”进行关注点提取。

根据一些实施例，所述根据所述用户的关注点以及预先构建的分层知识图谱，确定所述分层知识图谱中与所述用户的关注点对应的目标知识，包括：根据所述用户的关注点，确定所述分层知识图谱中的关联实体；根据与所述关联实体相关的知识的类型标签，确定与所述用户的关注点对应的目标知识。

根据一些实施例，所述目标知识包括以下中的至少一个：与所述用户的关注点相关的知识文档；和与所述用户的关注点相关的成员的属性。

根据一些实施例，例如，根据软件测试岗位员工的检索“X项目的前端Java代码报错”；***会基于检索信息的，提取出软件测试岗位员工的关注点“X项目”“Java”；基于用户的关注点，***会在预先构建好的知识图谱中定位技术领域知识图谱，进一步定位到软件开发领域的细分技术类知识图谱；在软件开发领域的细分技术类知识图谱，确定X项目java代码编写的至少一个的知识文档以及与所述知识文档相关联的员工。

根据本实施例，基于构建的分层知识图谱，响应用户的检索，针对检索的一些复杂的问题，***不仅能推送与所述检索问题相关联的文档，还能定位与问题相关联的员工，提高了解决问题的效率。

根据一些实施例，所述将所述目标知识作为所述目标内容推送给所述用户设备，包括：根据排序规则对所述目标知识进行排序；以及将排序后的所述目标知识推送给所述用户设备。

排序规则包括但不仅限于以下方法：

根据一些实施例，基于目标知识与用户的关注点之间的相关性从高到低进行排序。例如，构建打分模型，对用户关注点与目标知识的相关度进行评估打分，按照分数高低进行从高到低的排序。

根据一些实施例，基于所述目标知识的内容质量从高到低进行排序。例如，建立质量评估模型，对确定的目标知识进行提取，质量评估模型对目标知识进行质量评估，基于内容质量从高到低进行排序。

根据一些实施例，基于所述用户的选择的顺序进行排序，允许用户选择排序规则。例如，用户可以选择目标知识产生的时间作为排序规则，优先展示最近时间的内容。

图6示出了根据本公开的实施例的基于分层知识图谱推送信息装置600的结构框图。

根据一些实施例，基于分层知识图谱推送信息装置600包括检索获取模块601、关注点提取模块602、信息确定模块603和信息推送模块604，其中，获取模块601被配置为：获取来自用户设备的检索请求，所述检索请求包含用户的检索信息；关注点提取模块602被配置为：基于用户的检索信息，利用关注点模型，提取用户的关注点；信息确定模块603被配置为：基于用户关注点和预先构建的分层知识图谱，确定对应的目标知识；以及信息推送模块604被配置为：基于确定的目标知识，***按照一定规则进行排序，再对用户设备进行推送。

应当理解，装置600的在图6中示出的各个模块以及其他潜在的模块可以与参考图2描述的方法200中的各个步骤相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置600及其包括的模块。为了简洁起见，某些操作、特征和优点在此不再赘述。

根据本公开的实施例，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。

参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元701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701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701执行上文所描述的各个方法和处理，例如方法200及其变型。例如，在一些实施例中，方法200及其变型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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的方法200及其变型的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200及其变型。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、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***的***(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***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***、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***、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***、装置或设备使用或与指令执行***、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***、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***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***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(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***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***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***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***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。

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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、***和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (11)

1.一种用于推送信息的方法，包括：

获取来自用户设备的检索请求，所述检索请求包括用户针对目标内容的检索信息；

从所述检索信息中提取所述用户的关注点；

根据所述用户的关注点以及预先构建的分层知识图谱，确定所述分层知识图谱中与所述用户的关注点对应的目标知识，其中，所述分层知识图谱包括技术领域知识图谱和非技术领域知识图谱，所述技术领域知识图谱包括多个细分技术领域知识图谱，并且所述非技术领域知识图谱包括多个细分非技术领域知识图谱，所述分层知识图谱是基于成员画像构建的，所述成员画像是基于成员自身属性和与成员相关联的知识文档构建的，所述目标知识包括以下中的至少一个：与所述用户的关注点相关的知识文档，和与所述用户的关注点相关的成员的属性；以及

将所述目标知识作为所述目标内容推送给所述用户设备,

其中，所述分层知识图谱通过以下步骤构建：

获取团体内多个成员的历史数据，其中，所述历史数据包括描述每个成员在所述团体内的属性的属性数据和由该成员维护的至少一个知识文档；

基于所述多个成员的历史数据，为每个成员构建成员画像标签，其中，所述成员画像标签是基于相应成员的知识文档的类别标签和所述成员的属性数据构建的；

对所述多个成员的成员画像标签进行层级分类，以得到技术类标签和非技术类标签，其中，所述技术类标签包括与多个细分技术领域相关联的多个细分技术标签，所述非技术类标签包括与多个细分非技术领域相关联的多个细分非技术标签；

基于所述多个细分技术类标签和所述多个细分非技术类标签分别构建所述多个细分技术领域知识图谱和所述多个细分非技术领域知识图谱；以及

将所述多个细分技术领域知识图谱和所述多个细分非技术领域知识图谱分别组成所述技术领域知识图谱和所述非技术领域知识图谱，从而得到所述分层知识图谱。

2.如权利要求1所述的方法，其中，所述获取团体内多个成员的历史数据包括：

获取来自所述团体的自有历史数据，所述自有历史数据包含描述每个成员在所述团体内的属性的属性数据和由该成员维护的至少一个知识文档。

3.如权利要求2所述的方法，其中，所述获取团体内多个成员的历史数据还包括：

获取来自第三方的外部历史数据，所述外部历史数据包含每个成员的第三方软件的使用日志数据。

4.如权利要求2所述的方法，其中，所述基于所述多个成员的历史数据，为每个成员构建成员画像标签，包括：

使用自然语言处理模型对所述多个成员的知识文档进行分析；

基于所述自然语言处理模型的分析结果向所述多个成员的知识文档添加对应的类别标签；以及

基于所述类别标签和所述多个成员各自的属性数据，为所述多个成员构建各自的成员画像标签。

5.如权利要求1所述的方法，其中，所述对所述多个成员的成员画像标签进层级分类，包括：

利用聚类算法将所述多个成员的成员画像标签分为技术类标签和非技术类标签；以及

利用深度学习算法对所述技术类标签和非技术类标签进行多分类，以得到所述多个细分技术标签和所述多个细分非技术标签。

6.如权利要求1至5中任一项所述的方法，其中，所述从所述检索信息中提取所述用户的关注点，包括：

从所述检索信息中确定文字串；

对所述文字串进行分词，以得到一个或多个字词；

利用关注点模型从所述一个或多个字词中提取所述用户的关注点。

7.如权利要求1至5中任一项所述的方法，其中，所述根据所述用户的关注点以及预先构建的分层知识图谱，确定所述分层知识图谱中与所述用户的关注点对应的目标知识，包括：

根据所述用户的关注点，确定所述分层知识图谱中的关联实体；

根据与所述关联实体相关的知识的类型标签，确定与所述用户的关注点对应的目标知识。

8.如权利要求1至5中任一项所述的方法，其中，所述将所述目标知识作为所述目标内容推送给所述用户设备，包括：

根据排序规则对所述目标知识进行排序；以及

将排序后的所述目标知识推送给所述用户设备。

9.如权利要求8所述的方法，其中，所述排序规则包括：

根据所述目标知识与所述用户的关注点之间的相关性从高到低进行排序；

根据所述目标知识的内容质量从高到低进行排序；或者

根据所述用户选择的顺序进行排序。

10.一种计算机设备，包括：

存储器、处理器以及存储在所述存储器上的计算机程序，

其中，所述处理器被配置为执行所述计算机程序以实现权利要求1-9中任一项所述的方法的步骤。

11.一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1-9中任一项所述的方法。