CN113254840B - 人工智能应用服务推送方法、推送平台及终端设备 - Google Patents

Abstract

本发明提供了一种人工智能应用服务推送方法、推送平台及终端设备，所述方法包括：获取需求描述信息，并根据所述需求描述信息确定目标模板；根据所述目标模板生成发布信息；智能匹配与所述发布信息对应的实体；为所述实体推送所述目标模板和/或发布消息，应用于智能场景需求推广和人工智能成果推广，安全高效的完成了需求方和供应方的双向匹配。

Description

人工智能应用服务推送方法、推送平台及终端设备

技术领域

本发明属于计算机技术领域，尤其涉及一种人工智能应用服务推送方法、推送平台及终端设备。

背景技术

随着智慧城市的建设和人工智能技术的迅速发展，技术如何满足需求，需求如何发现契合的技术应用的问题越来越突显。城市建设和管理的需求方，存在人工智能应用的需求，受限于人工智能应用的技术门槛，无法准确的找到心仪的应用服务；人工智能技术的供应方，掌握着核心技术，受限于对业务需求的了解程度以及需求方数据的开放程度，而无法充分发挥出技术的应用价值。

由此看出，在当前的技术平台下，人工智能技术的需求方和供应方难以高效的实现匹配，亟需新的技术来改变当前匹配效率低和准确度低的问题。

发明内容

本发明实施例提供了一种人工智能应用服务推送方法、推送平台及终端设备，可以有效提高匹配效率和准确度。

第一方面，本发明实施例提供了一种人工智能应用服务推送方法，包括：

获取需求描述信息，并根据所述需求描述信息确定目标模板；

根据所述目标模板生成发布信息；

智能匹配与所述发布信息对应的实体；

为所述实体推送所述目标模板和/或发布消息；

其中，获取需求描述信息，并根据所述需求描述信息确定目标模板，包括：

获取候选模板的第一关键词；

提取所述需求描述信息的第二关键词；

计算所述第一关键词和第二关键词的匹配度；

以最高匹配度对应的候选模板作为目标模板。

第二方面，本发明实施例提供了一种人工智能应用服务推送平台，包括：

模板确定模块，用于获取需求描述信息，并根据所述需求描述信息确定目标模板；

发布信息模块，根据所述目标模板生成发布信息；

智能匹配模块，智能匹配与所述发布信息对应的实体；

推送模块，为所述实体推送所述目标模板和/或发布消息；

其中，所述模板确定模块包括：

第一获取单元，用于获取候选模板的第一关键词；

第二获取单元，用于提取所述需求描述信息的第二关键词；

计算单元，用于计算所述第一关键词和第二关键词的匹配度；

选定单元，用于以最高匹配度对应的候选模板作为目标模板。

第三方面，本发明实施例提供了一种终端设备，存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项的人工智能应用服务推送方法。

第四方面，本发明实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的人工智能应用服务推送方法。

可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

本发明实施例与现有技术相比存在的有益效果是：本发明通过提供一种人工智能应用服务推送方法，包括获取需求描述信息，并根据所述需求描述信息确定目标模板；根据所述目标模板生成发布信息；智能匹配与所述发布信息对应的实体；为所述实体推送所述目标模板和/或发布消息，应用于智能场景需求推广和人工智能成果推广，安全高效的完成了需求方和供应方的双向匹配。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，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是本发明一实施例提供的***的架构示意框图；

图2是本发明一实施例提供的人工智能应用服务推送方法的流程示意图；

图3是本发明一实施例提供的另一人工智能应用服务推送方法的流程示意图；

图4是本发明实施例提供的人工智能应用服务推送平台的结构示意图；

图5是本发明实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到所描述条件或事件”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到所描述条件或事件”或“响应于检测到所描述条件或事件”。

另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

参见图1示出的用于为用户提供人工智能应用服务推送的***的架构示意框图，该***可以包括服务平台11和至少一个用户终端12。作为示例而非限定，图1中的用户终端为手机。在其它一些情况下，用户终端也可以是平板或电脑等，在此不对用户终端的类型作限定。

用户终端上可以安装有对应的应用程序，用户可以通过该应用程序获取到***提供的人工智能应用服务推送。当然，该***提供的人工智能应用服务推送也可以通过公众号（例如，微信公众号）或者小程序（例如，微信小程序）等方式呈现。也就是说，用户如果需要本发明实施例提供的人工智能应用服务推送，可以通过对应的应用程序、公众号或者小程序等方式访问本发明实施例提供的***。

下面对本发明实施例提供的技术方案进行详细阐述。

参见图2示出的一种人工智能应用服务推送方法的一种流程示意框图，该方法可以包括以下步骤：

步骤S201：获取需求描述信息，并根据所述需求描述信息确定目标模板，具体包括：

S2011：获取所述候选模板的第一关键词；

S2012：提取所述需求描述信息的第二关键词；

S2013：计算所述第一关键词和第二关键词的匹配度；

利用词向量将第一关键词和第二关键词以向量表示，再通过向量之间的欧式距离或余弦距离计算所述第一关键词和第二关键词的匹配度。

S2014：以最高匹配度对应的候选模板作为目标模板。

步骤S201之前，还包括：建立模板，具体包括：

获取专题类别和对应的原始需求数据，其中所述原始需求数据可以预先通过人工进行收集，并由专家根据所述原始需求数据进行分类为多个专题类别，然后将专题类别和对应的原始需求数据存储在服务器。本发明中针对每个专题类别建立一个对应的模板。

基于专题类别，使用预设的第一语言模型，分别提取所述原始需求数据的关键词；

按照频率从高到低排列，提取前m%的关键词，这些关键词可以代表专题类别的共有特征，因此前m%的关键词可以作为各个专题类别的模板对应的模板关键词。

根据所述模板关键词建立模板，所述模板包括专题类别、需求描述和可提供的资源支持中的至少一项，所述关键词包括专题类别、需求描述和可提供的资源支持中的至少一项对应的关键词。

步骤基于专题类别，使用预设的第一语言模型，分别提取所述原始需求数据的关键词之前，包括：建立预设的第一语言模型，具体包括：

第一步：选择一种常用的第一语言模型作为训练模型。常用的第一语言模型包括Word2vec、Glove、ELMO和GPT等。用户可根据数据的特点或者应用场景灵活选择，本发明对此不进行限定。

第二步：对所述训练模型进行训练，并确定所述训练模型的参数，包括：

训练模型接收输入数据，输入数据可包括训练数据和验证数据，其中所述训练数据用于对所述训练模型进行训练，所述验证数据用于判断是否可以结束训练。

所述训练模型根据训练数据的训练情况，自动调整所述训练模型的参数。本发明对调整的技术不进行任何的限定，可采用现有技术。

第三步：判断是否满足第一预设结束训练条件，如果满足，则结束训练；如果不满足，则返回对所述训练模型进行训练，并确定所述训练模型的参数的步骤。其中，第一预设结束训练条件包括：

训练次数达到预设次数阈值；或者，训练结果达到预设效果阈值，其中所述训练结果为所述训练模型根据所述验证数据输出的中间结果作为第一目标函数的输入值时对应的输出值，所述训练结果用来衡量训练情况的效果。

其中，第一目标函数LOSS₁为：

其中X代表训练集中所有短语词汇的集合，x为当前选择的短语词汇，

代表所 述当前选择的短语词汇作为自然词汇的评分，

代表字典，

代表将x进行变化为w的新 词，所述新词为负样本，

代表所述负样本的评分，

为0～1之间的超参数，m为正 样本数量，n为负样本数量，所述短语词汇包括训练数据和验证数据。

通过n/m把正负样本的比例因素加入目标函数中，从而平衡样本分布造成的影响。超参数a1用于控制这个因素加入的程度。若负样本占比越多，正样本占比越少，则可能加入的损失越大。

本发明实施例通过使用验证数据作为训练模型的输入数据，来测试训练情况的效果，从而更高效的得到符合使用要求的训练模型。由于本发明应用领域偏向委办局的需求，贴合城市治理和政务智能化场景，方向较明确且范围边界明显，因此不会像通常情况下降低模型的泛化性能，反而非常适用于本发明应用场景。

步骤S202：根据所述目标模板生成发布信息。

将所述目标模板与第二关键词相结合，生成发布信息，并对外滚动发布，可选的在对应的专题类别中展示所述发布信息。

步骤S203：智能匹配与所述发布信息对应的实体，具体包括：

步骤S2031：将所述第二关键词输入到预设的智能匹配模型；

步骤S2032：接收所述智能匹配模型输出的实体，所述实体与所述第二关键词有关联关系。

步骤S203智能匹配与所述发布信息对应的实体之前，还包括：建立预设的智能匹配语言模型，具体包括：

基于第二语言模型和数据挖掘技术，按照分组分类规则抽取实体关键词、业务关键词和关联关系，从而形成结构化的先验知识。所述第二语言模型可以为TransE或TranH或其他的语言模型。本发明对数据挖掘技术不进行任何的限定，可以采用现有技术实现；

使用迪卡尔积，生成先验知识的负样本；

基于第二目标函数，训练TransE模型；

利用向量化表示技术，将实体与关联关系使用向量的方式进行表示。例如

， 其中O₁，O₂表示实体向量，R₁表示关系向量。

其中，第二目标函数如下：

为正样本关系，即

，X为正样本关系集，

为负样本关系，

为负样本关系集,

，

，

表示正样本关系的L2范数，

表示负样本关系的L2范 数，其中

为0～1的超参数， M为负样本关系的模。

例如正样本交通局管辖异常停车，其中交通局为实体O₁，异常停车为实体O₂，管辖 为关系向量R₁。负样本教育局管辖异常停车，其中教育局为实体

，异常停车为实体

，管辖为关系向量

。

为正样本关系，即

，X为正样本关系集，

为负样本关系，即

，

为负样本关系集,教育 局为实体

，异常停车为实体

，管辖为关系向量

。样本关系的L2范数用d表示， 其中O₁和O₂为实体向量，R₁为关系向量。其中

为0～1的超参数，由训练过程中根据数据灵 活选择。M为负样本关系的模，即

。

判断符合第二预设结束训练条件时，结束训练。其中，第二预设结束训练条件包括：训练次数达到预设次数阈值。

步骤S204：步骤基于专题类别，使用预设的第一语言模型，分别的目标目标为所述实体推送所述目标模板和/或发布消息，所述实体包括供应方实体和/或需求方实体。

例如应急局发布某需求时，智能匹配模型发现国土局已经发布类似需求，那么自动分拨业务***就会将国土局的需求模板推送给应急局参考；或者应急局发布某需求时，智能匹配模型发现与该需求相契合的方案，曾经由A公司提供或提出过，那么自动分拨业务***将会提醒A公司应急局发布了此需求；或者应急局发布了某需求时，智能匹配模型发现该需求同时包含了A公司和B公司擅长的业务，那么自动分拨业务***将会分别提醒应急局和两家公司，存在合作协同的可能。

通过本发明实施例，应用于智能场景需求推广和人工智能成果推广，可以收集人工智能应用服务需求场景，对外滚动发布信息，并智能推送给与发布信息相对应的实体，实体中有意愿的机构均可揭榜申报，审核批准后，机构入场承担任务，从而更快的为有关联关系的实体搭建了沟通的桥梁，提供需求对接，安全高效的完成了需求方和供应方的双向匹配。

在一个可选的实施例中，参见图3示出的一种人工智能应用服务推送方法的一种流程示意框图，步骤S204为所述实体推送所述目标模板和/或发布消息之后还可以包括：

步骤S205：为所述实体分配资源，具体包括：

步骤S2051：判断实体是否为鉴权用户。例如实体可以为供应方用户。

接收用户针对发布信息输入的任务请求信息，所述任务请求信息用于请求执行所述发布信息所描述的任务；若任务请求信息满足预设条件，将该用户确定为鉴权用户。

步骤S2052：给鉴权用户分配资源。

依据用户的申报信息为其提供实体办公环境、技术培训、需求对接服务。用户填写的申报信息包括申请资源类型、用途和容量等，所述申报信息用于描述用户的资源使用请求，服务器会根据具体的场景对申报信息进行评估，在合理的申请下将分配适当的算力资源，当用户申请的资源与实际场景使用的资源不同时，***将基于评估的结果动态分配资源，以保证在满足场景的前提下达到资源的最合理使用。服务器的算力虚拟成算力资源池，精确到每张显卡、对算力单元进行细粒度的划分，在使用算力资源时，资源池对提交的具体任务基于预设的资源使用比例和当前资源池的实际使用情况，进行灵活配置，以此实现资源动态管理。

用户资源的分配分解示例如下：

第一步：用户甲，向中心的服务器提交申报信息，该申报信息包括资源容量（例如为20G）和资源用途（例如为训练用途），其中用户甲为实现智能任务的一方，即供应方；

第二步：服务器接收到申报信息，基于该申报信息中的资源用途从已有的显卡中选取用于训练的且容量大于20G的显卡；

若已有的显卡中有A、B、C、D、E，且A为128G的训练用途卡，B为128G的训练用途卡，C为64G的推理用途卡，D为64G的训练用途卡，E为16G的推理用途卡，那么此时可以选出A、B、D三张显卡。

第三步：根据显卡的已绑定用户数和使用率，对所选取的显卡进行排序，选出绑定用户最小且使用率最低的显卡，假定选取得到D显卡，此时可以将D显卡与用户甲绑定。

若用户提交了未预设的资源使用请求，服务器将获取该用户可使用的资源，将已经分配给该用户的资源按照空闲率由高到低排序，抽出第一张卡分配给当前任务运行；若提交资源使用请求时指定了算力资源类型，可将指定的算力资源作为当前用户的资源，任务提交时就可以将任务下发到该资源上运行。

通过本发明实施例提供的扶持机制，可以针对供需双方对数据的受控保密需求，提供中心化的计算资源、测试数据以及数据共享接口。本发明实施例搭建了安全、密闭、高效的数据应用环境，制定数据传输、保管、分析和使用的安全保密机制。

可选的情况下还可提供免费场地服务。

步骤S206：接收实体完成的任务模型，并对所述任务模型进行评估。

实体用户使用资源完成任务的过程包括：

获得资源的用户，可以通过数据接口的方式，使用需求方提供的数据，具体过程为：

第一步：打包计算镜像，将服务技术需要的计算环境安装在镜像中；

第二步：向服务器提出计算申请，包括计算资源和数据资源。

第三步：确认和记录。服务器确认使得镜像获得需要的计算资源和数据资源，同时记录资源调取明细，包括时间、硬件、数据编号等等。

第四步：用户完成任务模型。

对用户所完成的任务模型进行评估，即通过线上测评以及针对场景需求结合实际给出测试的参数。线上测评是一个横向比较的过程，具体包括：

准备好需要进行测评的模型文件，创建测评任务，分别将需要进行评测的模型上传，并补充每个模型的数据信息，填写完成保存并提交任务；

在提交任务后，开始构建模型测评任务，向服务器传输模型，服务器将每个模型使用预置的基础环境将模型通过容器的方式运行起来，提供推理预测的接口，容器运行完成后反馈容器信息，同时每个模型提供的调用方法包括调用的接口路径，调用的参数返回，返回结果与模型绑定后保存。

在跳转的测评页面中，能够看到针对当前需要横向测评的模型，将准备的测试数据输入到页面测试区域，执行测评时访问端请求程序，请求程序接收到输入参数，根据当前需要进入测评的模型数生成相应的处理进程，每个进程按照模型服务的入参要求将请求参数进行处理并调用容器提供的模型服务接口，模型服务接口根据入参调用处理模型并返回，程序接收到返回结果将结果返回给请求端；如此页面所有的模型都获得处理结果。

根据结果，在评测页面每个模型都有相应的返回值，根据模型返回值的指标和在线打分的专家人数，生成每个指标的多个打分项，对每个指标的分数计算平均分，在此基础上计算每个模型的所有指标的平均分，将每个模型的计算终值按照从大到小的排序。

通过本发明实施例，提供了公平竞争的测评机制，提供统一的测试环境，专家委员会对成果测评，形成《人工智能应用创新服务中心产品测试报告》。

需要说明的是，本领域技术人员在本发明揭露的技术范围内，可容易想到的其他排序方案也应在本发明的保护范围之内，在此不一一赘述。

参见图4，是本发明一实施例提供的一种人工智能应用服务推送平台示意图，为了便于说明，仅示出了与本发明实施例相关的部分，包括：

模板确定模块41，用于获取需求描述信息，并根据所述需求描述信息确定目标模板；

发布信息模块42，根据所述目标模板生成发布信息；

智能匹配模块43，智能匹配与所述发布信息对应的实体；

推送模块44，为所述实体推送所述目标模板和/或发布消息；

其中，所述模板确定模块包括：

第一获取单元，用于获取候选模板的第一关键词；

第二获取单元，用于提取所述需求描述信息的第二关键词；

计算单元，用于计算所述第一关键词和第二关键词的匹配度；

选定单元，用于以最高匹配度对应的候选模板作为目标模板。

在可选的实施例中，人工智能应用服务推送平台还包括模板建立模块，具体包括：

第三获取单元，用于获取专题类别和对应的原始需求数据；

提取单元，用于基于专题类别，使用预设的第一语言模型，提取所述原始需求数据的关键词；

关键词确定单元，用于按照频率从高到低排列，提取前m%的关键词作为各个专题类别的模板对应的模板关键词；

模板确定单元，根据所述模板关键词建立模板，所述模板包括专题类别、需求描述和可提供的资源支持中的至少一项，所述关键词包括专题类别、需求描述和可提供的资源支持中的至少一项对应的关键词。

在可选的实施例中，人工智能应用服务推送平台还包括第一语言模型建立模块，具体包括：

选择第一语言模型作为训练模型；

对所述训练模型进行训练，并确定所述训练模型的参数；

判断是否满足第一预设结束训练条件，如果满足，则结束训练；如果不满足，则返回对所述训练模型进行训练，并确定所述训练模型的参数的步骤；

其中，对所述训练模型进行训练，并确定所述训练模型的参数，包括：

训练模型接收输入数据，输入数据可包括训练数据和验证数据，其中所述训练数据用于对所述训练模型进行训练，所述验证数据用于判断是否可以结束训练；

所述训练模型根据训练数据的训练情况，自动调整所述训练模型的参数。

所述第一预设结束训练条件包括：训练次数达到预设次数阈值；或者，训练结果达到预设效果阈值，其中所述训练结果为所述训练模型根据所述验证数据输出的中间结果作为第一目标函数的输入值时对应的输出值，所述训练结果用来衡量训练情况的效果。

第一目标函数LOSS₁为：

其中X代表训练集中所有短语词汇的集合，x为当前选择的短语词汇，

代表所 述当前选择的短语词汇作为自然词汇的评分，

代表字典，

代表将x进行变化为w的新 词，所述新词为负样本，

代表所述负样本的评分，

为0～1之间的超参数，m为正 样本数量，n为负样本数量，所述短语词汇包括训练数据和验证数据。

智能匹配模块进一步包括：

将所述第二关键词输入到预设的智能匹配模型；

接收所述智能匹配模型输出的实体，所述实体与所述第二关键词有关联关系。

在可选的实施例中，人工智能应用服务推送平台还包括第二语言模型建立模块，具体包括：

基于第二语言模型和数据挖掘技术，按照分组分类规则抽取实体关键词、业务关键词和关联关系，形成结构化的先验知识；

使用迪卡尔积，生成先验知识的负样本；

基于第二目标函数，训练TransE模型；

判断符合第二预设结束训练条件时，结束训练；

其中，第二目标函数LOSS₂如下：

为正样本关系，X为正样本关系集，

为负样本关系，

为负样本关系集,

，

，

表示正样本关系的L2范数，

表示负样本关系的L2范 数，其中

为0～1的超参数， M为负样本关系的模。

例如正样本交通局管辖异常停车，其中交通局为实体O₁，异常停车为实体O₂，管辖 为关系向量R₁。负样本教育局管辖异常停车，其中教育局为实体

，异常停车为实体

，管辖为关系向量

。

为正样本关系，即

，X为正样本关系集，

为负样本关系，即

，

为负样本关系集,教育局为实体

，异常停车 为实体

，管辖为关系向量

。样本关系的L2范数用d表示，其中O₁和O₂为实体向量，R₁ 为关系向量。其中

为0～1的超参数，由训练过程中根据数据灵活选择。M为负样本关系的 模，即

。

在可选的实施例中，人工智能应用服务推送平台还包括资源分配模块，用于为所述实体分配资源；

以及评估模块，用于接收实体完成的任务模型，并对所述任务模型进行评估。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述移动终端的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述移动终端中模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图5是本发明一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述人工智能应用服务推送方法的步骤，例如图2所示的步骤201至204。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块31至34的功能。

示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。

所述终端设备5可以是桌上型计算机、笔记本、掌上电脑等计算设备。所述终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本发明实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种人工智能应用服务推送方法，其特征在于，包括：

获取需求描述信息，并根据所述需求描述信息确定目标模板；

根据所述目标模板生成发布信息；

智能匹配与所述发布信息对应的实体；

为所述实体推送所述目标模板和/或发布消息；

其中，获取需求描述信息，并根据所述需求描述信息确定目标模板，包括：

获取候选模板的第一关键词；

提取所述需求描述信息的第二关键词；

计算所述第一关键词和第二关键词的匹配度；

以最高匹配度对应的候选模板作为目标模板；

步骤获取需求描述信息，并根据所述需求描述信息确定目标模板之前，还包括建立模板，具体包括：

获取专题类别和对应的原始需求数据；

基于专题类别，使用预设的第一语言模型，提取所述原始需求数据的关键词；

按照频率从高到低排列，提取前m%的关键词作为各个专题类别的模板对应的模板关键词；

根据所述模板关键词建立模板，所述模板包括专题类别、需求描述和可提供的资源支持中的至少一项，所述关键词包括专题类别、需求描述和可提供的资源支持中的至少一项对应的关键词；

步骤基于专题类别，使用预设的第一语言模型，提取所述原始需求数据的关键词之前，还包括建立预设的第一语言模型，具体包括：

选择第一语言模型作为训练模型；

对所述训练模型进行训练，并确定所述训练模型的参数；

判断是否满足第一预设结束训练条件，如果满足，则结束训练；如果不满足，则返回对所述训练模型进行训练，并确定所述训练模型的参数的步骤；

其中，对所述训练模型进行训练，并确定所述训练模型的参数，包括：

训练模型接收输入数据，输入数据包括训练数据和验证数据，其中所述训练数据用于对所述训练模型进行训练，所述验证数据用于判断是否可以结束训练；

所述训练模型根据训练数据的训练情况，自动调整所述训练模型的参数。

2.如权利要求1所述的人工智能应用服务推送方法，其特征在于，所述第一预设结束训练条件包括：

训练次数达到预设次数阈值；或者，训练结果达到预设效果阈值，其中所述训练结果为所述训练模型根据所述验证数据输出的中间结果作为第一目标函数的输入值时对应的输出值，所述训练结果用来衡量训练情况的效果。

3.如权利要求2所述的人工智能应用服务推送方法，其特征在于，第一目标函数LOSS₁为：

其中X代表训练集中所有短语词汇的集合，x为当前选择的短语词汇，

代表所述当前选择的短语词汇作为自然词汇的评分，

代表字典，

代表将x进行变化为w的新词，所述新词为负样本，

代表所述负样本的评分，

为0～1之间的超参数，m为正样本数量，n为负样本数量，所述短语词汇包括训练数据和验证数据。

4.如权利要求1所述的人工智能应用服务推送方法，其特征在于，智能匹配与所述发布信息对应的实体，包括：

将所述第二关键词输入到预设的智能匹配模型；

接收所述智能匹配模型输出的实体，所述实体与所述第二关键词有关联关系。

5.如权利要求4所述的人工智能应用服务推送方法，其特征在于，智能匹配与所述发布信息对应的实体之前，还包括建立预设的智能匹配语言模型，包括：

基于第二语言模型和数据挖掘技术，按照分组分类规则抽取实体关键词、业务关键词和关联关系，形成结构化的先验知识；

使用迪卡尔积，生成先验知识的负样本；

基于第二目标函数，训练TransE模型；

判断符合第二预设结束训练条件时，结束训练；

其中，第二目标函数如下：

为正样本关系，X为正样本关系集，

为负样本关系，

为负样本关系集,

，

，

表示正样本关系的L2范数，

表示负样本关系的L2范数，其中

为0～1的超参数，M为负样本关系的模。

6.如权利要求1所述的人工智能应用服务推送方法，其特征在于，为所述实体推送所述目标模板和/或发布消息之后，还包括：

为所述实体分配资源；

接收实体完成的任务模型，并对所述任务模型进行评估。

7.一种人工智能应用服务推送平台，其特征在于，包括：

模板确定模块，用于获取需求描述信息，并根据所述需求描述信息确定目标模板；

发布信息模块，根据所述目标模板生成发布信息；

智能匹配模块，智能匹配与所述发布信息对应的实体；

推送模块，为所述实体推送所述目标模板和/或发布消息；

模板建立模块，具体包括：

第三获取单元，用于获取专题类别和对应的原始需求数据；

提取单元，用于基于专题类别，使用预设的第一语言模型，提取所述原始需求数据的关键词；

关键词确定单元，用于按照频率从高到低排列，提取前m%的关键词作为各个专题类别的模板对应的模板关键词；

模板确定单元，根据所述模板关键词建立模板，所述模板包括专题类别、需求描述和可提供的资源支持中的至少一项，所述关键词包括专题类别、需求描述和可提供的资源支持中的至少一项对应的关键词；

第一语言模型建立模块，具体包括：

选择第一语言模型作为训练模型；

对所述训练模型进行训练，并确定所述训练模型的参数；

判断是否满足第一预设结束训练条件，如果满足，则结束训练；如果不满足，则返回对所述训练模型进行训练，并确定所述训练模型的参数的步骤；

其中，对所述训练模型进行训练，并确定所述训练模型的参数，包括：

训练模型接收输入数据，输入数据可包括训练数据和验证数据，其中所述训练数据用于对所述训练模型进行训练，所述验证数据用于判断是否可以结束训练；

所述训练模型根据训练数据的训练情况，自动调整所述训练模型的参数；

其中，所述模板确定模块包括：

第一获取单元，用于获取候选模板的第一关键词；

第二获取单元，用于提取所述需求描述信息的第二关键词；

计算单元，用于计算所述第一关键词和第二关键词的匹配度；

选定单元，用于以最高匹配度对应的候选模板作为目标模板。

8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的人工智能应用服务推送方法。

Images