CN114443959A - 兴趣点的推荐方法、装置、电子设备及可读存储介质 - Google Patents
兴趣点的推荐方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114443959A CN114443959A CN202210096557.4A CN202210096557A CN114443959A CN 114443959 A CN114443959 A CN 114443959A CN 202210096557 A CN202210096557 A CN 202210096557A CN 114443959 A CN114443959 A CN 114443959A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- interest
- interest point
- preset
- point
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000013598 vector Substances 0.000 claims abstract description 289
- 238000012549 training Methods 0.000 claims description 54
- 238000002372 labelling Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 208000023514 Barrett esophagus Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种兴趣点的推荐方法、装置、电子设备及可读存储介质，涉及人工智能技术领域，尤其涉及智能推荐领域。具体实现方案为：通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量；确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量；基于相似度从预置兴趣点中确定待推荐问题信息的目标兴趣点。基于本方案，能够有效提取出问题中的兴趣点，为基于问题中的兴趣点来进行问题分发提供了基础，有助于提升问题分发的准确率，提升问题的答复效果。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及智能推荐技术领域，具体而言，本公开涉及一种兴趣点的推荐方法、装置、电子设备及可读存储介质
背景技术
随着互联网技术的飞速发展，各类问答平台也纷纷涌现。问答平台中一般是由提问用户提交问题，由问答平台将问题分发至答题用户进行解答。
问答平台中能否将问题准确分发至合适的答题用户进行解答，会直接影响对问题的答复效果，因此，如何提升问题分发的准确率是问答平台中的一个重要技术问题。
发明内容
本公开为了解决上述缺陷中的至少一项，提供了一种兴趣点的推荐方法、装置、电子设备及可读存储介质。
根据本公开的第一方面，提供了一种兴趣点的推荐方法，该方法包括：
通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量；
确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量；
基于相似度从预置兴趣点中确定待推荐问题信息的目标兴趣点。
根据本公开的第二方面，提供了一种兴趣点的推荐装置，该装置包括：
向量提取模块，用于通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量；
向量相似度模块，用于确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量；
目标兴趣点确定模块，用于基于相似度从预置兴趣点中确定待推荐问题信息的目标兴趣点。
根据本公开的第三方面，提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与上述至少一个处理器通信连接的存储器；其中，
存储器存储有可被上述至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述兴趣点的推荐方法。
根据本公开的第四方面，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，该计算机指令用于使计算机执行上述兴趣点的推荐方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述兴趣点的推荐方法。
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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的一种兴趣点的推荐方法的流程示意图；
图2是本公开的一种可选实施方式中确定目标兴趣点的流程示意图；
图3是本公开的一种可选实施方式中标注新增兴趣点的流程示意图；
图4是本公开实施例提供的另一种兴趣点的推荐方法的流程示意图；
图5是本公开实施例提供的又一种兴趣点的推荐方法的流程示意图；
图6是本公开实施例提供的一种兴趣点的推荐装置的结构示意图；
图7是本公开实施例提供的另一种兴趣点的推荐装置的结构示意图；
图8是本公开实施例提供的又一种兴趣点的推荐装置的结构示意图；
图9是用来实现本公开实施例的兴趣点的推荐方法的电子设备的框图。
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和精神。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。
提问用户所提交的问题中能够反映出提问用户的兴趣，而答题用户的兴趣往往能够体现其所擅长回答的问题。如果能够从问题中所反映的兴趣点中抽取到答题用户的兴趣点，那么可以认为答题用户的兴趣点与问题中的兴趣点相匹配，答题用户对该问题的答复效果较好。可见，如果能够基于问题中的兴趣点来进行问题分发，就能够提升分发的准确率，提升问题的答复效果。因此，如何能够有效提取出问题中的兴趣点成为了一个重要的技术问题。
本公开实施例提供的兴趣点的推荐方法、装置、电子设备及可读存储介质，旨在解决现有技术的如上技术问题中的至少一个。
图1示出了本公开实施例提供的一种兴趣点的推荐方法的流程示意图，如图1中所示，该方法主要可以包括：
步骤S110：通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量；
步骤S120：确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量；
步骤S130：基于相似度从预置兴趣点中确定待推荐问题信息的目标兴趣点。
其中，待推荐问题信息可以为待推荐问题的文本信息，待推荐问题可以由提问用户向问答平台提交。
预置兴趣点可以为已有的兴趣点，兴趣点可以是问题中所反映出的提问用户兴趣的标签，该预置兴趣点同样能够作为答题用户的兴趣标签。当针对待推荐问题所提取的兴趣点被答题用户的兴趣点覆盖时，可以认为该答题用户擅长回答待推荐问题。
匹配模型可以为用于预测问题与兴趣点匹配度的网络模型。匹配模型中的第一表示层中可以包括针对问题的特征向量提取模型，用于提取问题的特征向量。匹配模型中的第二表示层中可以包括针对兴趣点的特征向量提取模型，用于提取兴趣点的特征向量。
作为一个示例，匹配模型可以为双塔模型，该双塔模型可以包括第一表示层、第二表示层以及匹配层，匹配层可以用于将问题的特征向量与兴趣点的特征向量进行匹配，得到问题与兴趣点的匹配度。
第一特征向量可以为待推荐问题信息的语义特征向量，待推荐问题信息可以被映射为数字后输入第一表示层中针对问题的特征向量提取模型，得到第一特征向量。
第二特征向量可以为预置兴趣点的语义特征向量，预置兴趣点可以被先映射为数字后输入第二表示层中针对问题的特征向量提取模型，得到第二特征向量。
作为一个示例，第一表示层中针对问题的特征向量提取模型以及第二表示层中针对问题的特征向量提取模型，均可以为小型化基于转换器的双向编码表征(A LiteBidirectional Encoder Representations from Transformers，Albert)模型。
预置兴趣点一般会存在多个，可以预先基于第二表示层提取各预置兴趣点的第二特征向量，基于多个第二特征向量构建向量库。作为一个示例，向量库可以为近似最近邻(Approximate Nearest Neighbor，ANN)向量库。
本公开实施例中，在确定出待推荐问题信息的第一特征向量后，可以确定第一特征向量与各第二特征向量的相似度，从而基于第一特征向量与各第二特征向量的相似度确定目标兴趣点，目标兴趣点即为待推荐问题信息的兴趣点。
本公开实施例提供的方法，通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量，确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量，基于相似度从预置兴趣点中确定待推荐问题信息的目标兴趣点。基于本方案，能够有效提取出问题中的兴趣点，为基于问题中的兴趣点来进行问题分发提供了基础，有助于提升问题分发的准确率，提升问题的答复效果。
如果将待推荐问题信息分别与每个预置兴趣点共同输入匹配模型，得到匹配度，基于匹配度来确定目标兴趣点，这样则需要针对于待推荐问题信息与每个预置兴趣点分别进行一次模型预测过程，由于预置兴趣点的数据量众多，这种方案的计算量过大，计算耗时也过长。本公开实施例中，通过采用匹配模型的表示层提取待推荐问题信息的第一特征向量，而后将第一特征向量分别与各预置兴趣点的第二特征向量进行相似度计算的方式来确定目标兴趣点，能够大幅降低计算量，减少计算耗时。
本公开的一种可选方式中，基于相似度从预置兴趣点中确定待推荐问题信息的目标兴趣点，包括：
将与第一特征向量的相似度大于预设值的第二特征向量对应的预置兴趣点确定为目标兴趣点。
本公开实施例中，可以设定相似度的预设值，认为当第一特征向量与第二特征向量的相似度大于预设值时，二者的相似度较高，该第二特征向量对应的预置兴趣点能够作为目标兴趣点，而当第一特征向量与第二特征向量的相似度不大于预设值时，二者的相似度较低，该第二特征向量对应的预置兴趣点不能够作为目标兴趣点。
本公开实施例中，若存在与第一特征向量的相似度大于预设值的第二特征向量，则将此第二特征向量对应的预置兴趣点确定为目标兴趣点。若不存在与第一特征向量的相似度大于预设值的第二特征向量，可以认为预设兴趣点中不包含待推荐问题信息的目标兴趣点。
作为一个示例，可以从预置的ANN向量库中查询出与第一特征向量的相似度大于预设值的第二特征向量。例如，可以输出相似度最高的K个第二特征向量。
本公开的一种可选方式中，在基于相似度从预置兴趣点中确定待推荐问题信息的目标兴趣点之后，方法还包括：
基于预置兴趣点与答题用户的关联关系，确定目标兴趣点对应的目标答题用户，并将待推荐问题信息对应的问题提供给目标答题用户。
本公开实施例中，可以预建立答题用户与预置兴趣点的关联关系，具体而言，可以通过人工标注的方式为答题用户标注兴趣点，也可以获取答题用户的历史问答数据，对答题用户的历史问答数据进行数据挖掘，从而确定出答题用户的预置兴趣点。
本公开的一种可选方式中，匹配模型基于如下方式训练：
将样本问题信息与正样本兴趣点作为正样本，将样本问题信息与负样本兴趣点作为负样本，构建训练集，其中，正样本兴趣点与负样本兴趣点均属于预置兴趣点，正样本兴趣点为对样本问题信息的进行标注得到的，负样本兴趣点与正样本兴趣点为属于同一父层级兴趣点下的子层级兴趣点；
基于训练集训练匹配模型。
本公开实施例中，可以将预置兴趣点进行层级划分，得到预置兴趣点的层级结构，父层级兴趣点即为子层级兴趣点的上一层级的预置兴趣点。
相较于粗粒度的标签，模型对细粒度的标签的区分能力更差，因此本例中通过针对细粒度的子层级兴趣点构建正负样本，提升了模型对细粒度的标签的区分能力。
具体而言，样本问题信息即作为训练样本的问题的文本信息，可以对样本问题信息进行人工标注，从预置兴趣点中标注出正样本兴趣点。而后可以将与正样本兴趣点同属一个父层级兴趣点下的其他子层级兴趣点作为负样本兴趣点，从而完成训练集的构建。
作为一个示例，音乐培训为父层级兴趣点，钢琴培训、小提琴培训与大提琴培训均为音乐培训的子层级兴趣点，若样本问题信息的正样本兴趣点为钢琴培训，则负样本兴趣点可以从音乐培训的除了钢琴培新之外的其他子层级兴趣点进行随机选择，如可以选择为小提琴培训。
在匹配模型的训练时，第一表示层的Albert模型与第二表示层的Albert模型是一起训练的，通过匹配层来计算损失函数，而后更新第一表示层的Albert模型的参数与第二表示层的Albert模型参数。
本公开的一种可选方式中，在确定第一特征向量与至少一个第二特征向量的相似度之后，上述方法还包括：
若不存在与第一特征向量的相似度大于预设值的第二特征向量，则将待推荐问题信息提供给标注用户以进行新增兴趣点的标注。
本公开实施例中，若不存在与第一特征向量的相似度大于预设值的第二特征向量，可以认为预设兴趣点中不包含待推荐问题信息的目标兴趣点，这时可以将待推荐问题信息提供给标注用户进行人工标注，人工标注出的兴趣点即为新增兴趣点。
在实际使用中，标注用户也可以从预置兴趣点中对待推荐问题信息进行再标注，具体而言，可以将相似度最高的K个兴趣点提供给标注用户，标注用户如果认为相似度最高的K个兴趣点中存在能够满足标注需求的兴趣点，则可以将其作为目标兴趣点，如果认为相似度最高的K个兴趣点中不存在能够满足标注需求的兴趣点，则可以标注新增兴趣点。
本公开的一种可选方式中，在标注用户完成新增兴趣点的标注之后，上述方法还包括：
基于新增兴趣点更新预置兴趣点；
基于更新后的预置兴趣点更新训练集；
基于更新后的训练集对匹配模型进行微调。
本公开实施例中，基于新增兴趣点更新预置兴趣点，即将新增兴趣点作为已知兴趣点添加至预置兴趣点中。在将新增兴趣点添加至预置兴趣点之后，可以更新训练集，而后基于更新后的训练集对匹配模型进行微调。
本公开的一种可选方式中，在基于更新后的训练集对匹配模型进行微调之后，上述方法还包括：
基于微调后的匹配模型对第二特征向量进行更新。
本公开实施例中，在完成对匹配模型的微调后，可以基于微调后的匹配模型对第二特征向量进行更新，即基于更新后的第二表示层的Albert模型对包括新增兴趣点在内的预置兴趣点提取第二特征向量。
由于在问答平台下，提问用户提出问题的内容是多种多样的，因此很难限定一个完整的兴趣点集合作为预置兴趣点，本例中，能够通过新增兴趣点来扩充兴趣点集合，能够不断提升推荐***对问题的兼容性。
作为一个示例，图2中示出了本公开的一种可选实施方式中确定目标兴趣点的流程示意图。
如图2中所示，训练阶段，即匹配模型的训练阶段。提问输入Albert，即将样本问题信息输入第一表示层的Albert模型。兴趣输入Albert，即将预置兴趣点输入第二表示层的Albert模型。向量相似，即在匹配层进行样本问题信息与预置兴趣点的匹配，输出匹配度。
预测阶段，即对待推荐问题信息进行兴趣点推荐的阶段。通过匹配模型中的第二表示层的Albert模型提取待推荐问题信息的第一特征向量，在ANN向量库中查询与第一特征向量相似度第二特征向量，确定出相似度最高的K个第二特征向量，输出对应的预置兴趣点。
作为一个示例，图3中示出了本公开的一种可选实施方式中标注新增兴趣点的流程示意图。
如图3中所示，训练阶段，即匹配模型的训练阶段。提问输入Albert，即将样本问题信息输入第一表示层的Albert模型。兴趣输入Albert，即将预置兴趣点输入第二表示层的Albert模型。向量相似，即在匹配层进行样本问题信息与预置兴趣点的匹配，输出匹配度。
预测阶段，即对待推荐问题信息进行兴趣点推荐的阶段，以及后续根据新增兴趣点。通过匹配模型中的第二表示层的Albert模型提取待推荐问题信息的第一特征向量，在ANN向量库中查询与第一特征向量相似度第二特征向量，确定出相似度最高的K个第二特征向量，输出对应的预置兴趣点。若相似度最高的K个第二特征向量中没有与第一特征向量的相似度大于预设值的，即可以认为待标注信息中包含新增兴趣点，需要由人工进行新增兴趣点的标注。
在完成对新增兴趣点的标注后，可以基于将新增兴趣点作为已知兴趣点添加至预置兴趣点中。在将新增兴趣点添加至预置兴趣点之后，可以更新训练集，而后基于更新后的训练集对匹配模型进行微调。
图4示出了本公开实施例提供的另一种兴趣点的推荐方法的流程示意图，如图4中所示，该方法主要可以包括：
步骤S410：通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量；
步骤S420：确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量；
步骤S430：将与第一特征向量的相似度大于预设值的第二特征向量对应的预置兴趣点确定为目标兴趣点；
步骤S440：基于预置兴趣点与答题用户的关联关系，确定目标兴趣点对应的目标答题用户，并将待推荐问题信息对应的问题提供给目标答题用户。
其中，待推荐问题信息可以为待推荐问题的文本信息，待推荐问题可以由提问用户向问答平台提交。
预置兴趣点可以为已有的兴趣点，兴趣点可以是问题中所反映出的提问用户兴趣的标签，该预置兴趣点同样能够作为答题用户的兴趣标签。当针对待推荐问题所提取的兴趣点被答题用户的兴趣点覆盖时，可以认为该答题用户擅长回答待推荐问题。
匹配模型可以为用于预测问题与兴趣点匹配度的网络模型。匹配模型中的第一表示层中可以包括针对问题的特征向量提取模型，用于提取问题的特征向量。匹配模型中的第二表示层中可以包括针对兴趣点的特征向量提取模型，用于提取兴趣点的特征向量。
作为一个示例，匹配模型可以为双塔模型，该双塔模型可以包括第一表示层、第二表示层以及匹配层，匹配层可以用于将问题的特征向量与兴趣点的特征向量进行匹配，得到问题与兴趣点的匹配度。
第一特征向量可以为待推荐问题信息的语义特征向量，待推荐问题信息可以被映射为数字后输入第一表示层中针对问题的特征向量提取模型，得到第一特征向量。
第二特征向量可以为预置兴趣点的语义特征向量，预置兴趣点可以被先映射为数字后输入第二表示层中针对问题的特征向量提取模型，得到第二特征向量。
作为一个示例，第一表示层中针对问题的特征向量提取模型以及第二表示层中针对问题的特征向量提取模型，均可以为小型化基于转换器的双向编码表征(A LiteBidirectional Encoder Representations from Transformers，Albert)模型。
预置兴趣点一般会存在多个，可以预先基于第二表示层提取各预置兴趣点的第二特征向量，基于多个第二特征向量构建向量库。作为一个示例，向量库可以为近似最近邻(Approximate Nearest Neighbor，ANN)向量库。
本公开实施例中，在确定出待推荐问题信息的第一特征向量后，可以确定第一特征向量与各第二特征向量的相似度，从而基于第一特征向量与各第二特征向量的相似度确定目标兴趣点，目标兴趣点即为待推荐问题信息的兴趣点。
本公开实施例中，可以设定相似度的预设值，认为当第一特征向量与第二特征向量的相似度大于预设值时，二者的相似度较高，该第二特征向量对应的预置兴趣点能够作为目标兴趣点，而当第一特征向量与第二特征向量的相似度不大于预设值时，二者的相似度较低，该第二特征向量对应的预置兴趣点不能够作为目标兴趣点。
本公开实施例中，若存在与第一特征向量的相似度大于预设值的第二特征向量，则将此第二特征向量对应的预置兴趣点确定为目标兴趣点。若不存在与第一特征向量的相似度大于预设值的第二特征向量，可以认为预设兴趣点中不包含待推荐问题信息的目标兴趣点。
本公开实施例中，可以预建立答题用户与预置兴趣点的关联关系，具体而言，可以通过人工标注的方式为答题用户标注兴趣点，也可以获取答题用户的历史问答数据，对答题用户的历史问答数据进行数据挖掘，从而确定出答题用户的预置兴趣点。
本公开实施例提供的方法，通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量，确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量，将与第一特征向量的相似度大于预设值的第二特征向量对应的预置兴趣点确定为目标兴趣点；基于预置兴趣点与答题用户的关联关系，确定目标兴趣点对应的目标答题用户，并将待推荐问题信息对应的问题提供给目标答题用户。基于本方案，能够有效提取出问题中的兴趣点，进而基于问题中的兴趣点来进行问题分发，有助于提升问题分发的准确率，提升问题的答复效果。
如果将待推荐问题信息分别与每个预置兴趣点共同输入匹配模型，得到匹配度，基于匹配度来确定目标兴趣点，这样则需要针对于待推荐问题信息与每个预置兴趣点分别进行一次模型预测过程，由于预置兴趣点的数据量众多，这种方案的计算量过大，计算耗时也过长。本公开实施例中，通过采用匹配模型的表示层提取待推荐问题信息的第一特征向量，而后将第一特征向量分别与各预置兴趣点的第二特征向量进行相似度计算的方式来确定目标兴趣点，能够大幅降低计算量，减少计算耗时。
图5示出了本公开实施例提供的又一种兴趣点的推荐方法的流程示意图，如图5中所示，该方法主要可以包括：
步骤S510：通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量；
步骤S520：确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量；
步骤S530：若不存在与第一特征向量的相似度大于预设值的第二特征向量，则将待推荐问题信息提供给标注用户以进行新增兴趣点的标注；
步骤S540：基于新增兴趣点更新预置兴趣点，基于更新后的预置兴趣点更新训练集，基于更新后的训练集对匹配模型进行微调。
其中，待推荐问题信息可以为待推荐问题的文本信息，待推荐问题可以由提问用户向问答平台提交。
预置兴趣点可以为已有的兴趣点，兴趣点可以是问题中所反映出的提问用户兴趣的标签，该预置兴趣点同样能够作为答题用户的兴趣标签。当针对待推荐问题所提取的兴趣点被答题用户的兴趣点覆盖时，可以认为该答题用户擅长回答待推荐问题。
匹配模型可以为用于预测问题与兴趣点匹配度的网络模型。匹配模型中的第一表示层中可以包括针对问题的特征向量提取模型，用于提取问题的特征向量。匹配模型中的第二表示层中可以包括针对兴趣点的特征向量提取模型，用于提取兴趣点的特征向量。
作为一个示例，匹配模型可以为双塔模型，该双塔模型可以包括第一表示层、第二表示层以及匹配层，匹配层可以用于将问题的特征向量与兴趣点的特征向量进行匹配，得到问题与兴趣点的匹配度。
第一特征向量可以为待推荐问题信息的语义特征向量，待推荐问题信息可以被映射为数字后输入第一表示层中针对问题的特征向量提取模型，得到第一特征向量。
第二特征向量可以为预置兴趣点的语义特征向量，预置兴趣点可以被先映射为数字后输入第二表示层中针对问题的特征向量提取模型，得到第二特征向量。
作为一个示例，第一表示层中针对问题的特征向量提取模型以及第二表示层中针对问题的特征向量提取模型，均可以为小型化基于转换器的双向编码表征(A LiteBidirectional Encoder Representations from Transformers，Albert)模型。
预置兴趣点一般会存在多个，可以预先基于第二表示层提取各预置兴趣点的第二特征向量，基于多个第二特征向量构建向量库。作为一个示例，向量库可以为近似最近邻(Approximate Nearest Neighbor，ANN)向量库。
本公开实施例中，在确定出待推荐问题信息的第一特征向量后，可以确定第一特征向量与各第二特征向量的相似度，从而基于第一特征向量与各第二特征向量的相似度确定目标兴趣点，目标兴趣点即为待推荐问题信息的兴趣点。
本公开实施例中，若不存在与第一特征向量的相似度大于预设值的第二特征向量，可以认为预设兴趣点中不包含待推荐问题信息的目标兴趣点，这时可以将待推荐问题信息提供给标注用户进行人工标注，人工标注出的兴趣点即为新增兴趣点。
在实际使用中，标注用户也可以从预置兴趣点中对待推荐问题信息进行再标注，具体而言，可以将相似度最高的K个兴趣点提供给标注用户，标注用户如果认为相似度最高的K个兴趣点中存在能够满足标注需求的兴趣点，则可以将其作为目标兴趣点，如果认为相似度最高的K个兴趣点中不存在能够满足标注需求的兴趣点，则可以标注新增兴趣点。
本公开实施例中，基于新增兴趣点更新预置兴趣点，即将新增兴趣点作为已知兴趣点添加至预置兴趣点中。在将新增兴趣点添加至预置兴趣点之后，可以更新训练集，而后基于更新后的训练集对匹配模型进行微调。
本公开实施例中，在完成对匹配模型的微调后，可以基于微调后的匹配模型对第二特征向量进行更新，即基于更新后的第二表示层的Albert模型对包括新增兴趣点在内的预置兴趣点提取第二特征向量。
由于在问答平台下，提问用户提出问题的内容是多种多样的，因此很难限定一个完整的兴趣点集合作为预置兴趣点，本例中，能够通过新增兴趣点来扩充兴趣点集合，能够不断提升推荐***对问题的兼容性。
本公开实施例提供的方法，通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量，确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量，若不存在与第一特征向量的相似度大于预设值的第二特征向量，则将待推荐问题信息提供给标注用户以进行新增兴趣点的标注；基于新增兴趣点更新预置兴趣点，基于更新后的预置兴趣点更新训练集，基于更新后的训练集对匹配模型进行微调。基于本方案，能够有效提取出问题中的兴趣点，并再提取出的兴趣点不属于已知兴趣点时，基于新增兴趣点来扩充已知兴趣点，能够不断提升推荐***对问题的兼容性。
基于与图1中所示的方法相同的原理，图6示出了本公开实施例提供的一种兴趣点的推荐装置的结构示意图，如图6所示，该兴趣点的推荐装置60可以包括：
向量提取模块610，用于通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量；
向量相似度模块620，用于确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量；
目标兴趣点确定模块630，用于基于相似度从预置兴趣点中确定待推荐问题信息的目标兴趣点。
本公开实施例提供的装置，通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量，确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量，基于相似度从预置兴趣点中确定待推荐问题信息的目标兴趣点。基于本方案，能够有效提取出问题中的兴趣点，为基于问题中的兴趣点来进行问题分发提供了基础，有助于提升问题分发的准确率，提升问题的答复效果。
可选地，目标兴趣点确定模块具体用于：
将与第一特征向量的相似度大于预设值的第二特征向量对应的预置兴趣点确定为目标兴趣点。
可选地，上述装置还包括：
答题用户确定模块，用于在基于相似度从预置兴趣点中确定待推荐问题信息的目标兴趣点之后，基于预置兴趣点与答题用户的关联关系，确定目标兴趣点对应的目标答题用户，并将待推荐问题信息对应的问题提供给目标答题用户。
可选地，匹配模型基于如下方式训练：
将样本问题信息与正样本兴趣点作为正样本，将样本问题信息与负样本兴趣点作为负样本，构建训练集，其中，正样本兴趣点与负样本兴趣点均属于预置兴趣点，正样本兴趣点为对样本问题信息的进行标注得到的，负样本兴趣点与正样本兴趣点为属于同一父层级兴趣点下的子层级兴趣点；
基于训练集训练匹配模型。
可选地，上述装置还包括：
新增兴趣点标注模块，用于在确定第一特征向量与至少一个第二特征向量的相似度之后，若不存在与第一特征向量的相似度大于预设值的第二特征向量，则将待推荐问题信息提供给标注用户以进行新增兴趣点的标注。
可选地，装置还包括模型微调模块，模型微调模块用于：
在标注用户完成新增兴趣点的标注之后，基于新增兴趣点更新预置兴趣点；
基于更新后的预置兴趣点更新训练集；
基于更新后的训练集对匹配模型进行微调。
可选地，装置还包括向量更新模块，向量更新模块用于：
在基于更新后的训练集对匹配模型进行微调之后，基于微调后的匹配模型对第二特征向量进行更新。
可以理解的是，本公开实施例中的兴趣点的推荐装置的上述各模块具有实现图1中所示的实施例中的兴趣点的推荐方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述兴趣点的推荐装置的各模块的功能描述具体可以参见图1中所示实施例中的兴趣点的推荐方法的对应描述，在此不再赘述。
基于与图4中所示的方法相同的原理，图7示出了本公开实施例提供的另一种兴趣点的推荐装置的结构示意图，如图7所示，该兴趣点的推荐装置70可以包括：
向量提取模块710，用于通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量；
向量相似度模块720，用于确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量；
目标兴趣点确定模块730，用于将与第一特征向量的相似度大于预设值的第二特征向量对应的预置兴趣点确定为目标兴趣点；
答题用户确定模块740，用于基于预置兴趣点与答题用户的关联关系，确定目标兴趣点对应的目标答题用户，并将待推荐问题信息对应的问题提供给目标答题用户。
本公开实施例提供的装置，通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量，确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量，将与第一特征向量的相似度大于预设值的第二特征向量对应的预置兴趣点确定为目标兴趣点；基于预置兴趣点与答题用户的关联关系，确定目标兴趣点对应的目标答题用户，并将待推荐问题信息对应的问题提供给目标答题用户。基于本方案，能够有效提取出问题中的兴趣点，进而基于问题中的兴趣点来进行问题分发，有助于提升问题分发的准确率，提升问题的答复效果。
可以理解的是，本公开实施例中的兴趣点的推荐装置的上述各模块具有实现图4中所示的实施例中的兴趣点的推荐方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述兴趣点的推荐装置的各模块的功能描述具体可以参见图4中所示实施例中的兴趣点的推荐方法的对应描述，在此不再赘述。
基于与图5中所示的方法相同的原理，图8示出了本公开实施例提供的又一种兴趣点的推荐装置的结构示意图，如图8所示，该兴趣点的推荐装置80可以包括：
向量提取模块810，用于通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量；
向量相似度模块820，用于确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量；
新增兴趣点标注模块830，用于在不存在与第一特征向量的相似度大于预设值的第二特征向量时，将待推荐问题信息提供给标注用户以进行新增兴趣点的标注；
模型微调模块840，用于基于新增兴趣点更新预置兴趣点，基于更新后的预置兴趣点更新训练集，基于更新后的训练集对匹配模型进行微调。
本公开实施例提供的装置，通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量，确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量，若不存在与第一特征向量的相似度大于预设值的第二特征向量，则将待推荐问题信息提供给标注用户以进行新增兴趣点的标注；基于新增兴趣点更新预置兴趣点，基于更新后的预置兴趣点更新训练集，基于更新后的训练集对匹配模型进行微调。基于本方案，能够有效提取出问题中的兴趣点，并再提取出的兴趣点不属于已知兴趣点时，基于新增兴趣点来扩充已知兴趣点，能够不断提升推荐***对问题的兼容性。
可以理解的是，本公开实施例中的兴趣点的推荐装置的上述各模块具有实现图5中所示的实施例中的兴趣点的推荐方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述兴趣点的推荐装置的各模块的功能描述具体可以参见图5中所示实施例中的兴趣点的推荐方法的对应描述，在此不再赘述。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开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。
该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如本公开实施例提供的兴趣点的推荐方法。
该电子设备与现有技术相比，通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量，确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量，基于相似度从预置兴趣点中确定待推荐问题信息的目标兴趣点。基于本方案，能够有效提取出问题中的兴趣点，为基于问题中的兴趣点来进行问题分发提供了基础，有助于提升问题分发的准确率，提升问题的答复效果。
该可读存储介质为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实施例提供的兴趣点的推荐方法。
该可读存储介质与现有技术相比，通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量，确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量，基于相似度从预置兴趣点中确定待推荐问题信息的目标兴趣点。基于本方案，能够有效提取出问题中的兴趣点，为基于问题中的兴趣点来进行问题分发提供了基础，有助于提升问题分发的准确率，提升问题的答复效果。
该计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开实施例提供的兴趣点的推荐方法。
该计算机程序产品与现有技术相比，通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量，确定第一特征向量与至少一个第二特征向量的相似度，第二特征向量为通过匹配模型中的第二表示层提取的预置兴趣点的特征向量，基于相似度从预置兴趣点中确定待推荐问题信息的目标兴趣点。基于本方案，能够有效提取出问题中的兴趣点，为基于问题中的兴趣点来进行问题分发提供了基础，有助于提升问题分发的准确率，提升问题的答复效果。
图9示出了可以用来实施本公开的实施例的示例电子设备90的示意性框图。电子设备旨在表示各种形式的数字计算机，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9所示，电子设备90包括计算单元910，其可以根据存储在只读存储器(ROM)920中的计算机程序或者从存储单元980加载到随机访问存储器(RAM)930中的计算机程序，来执行各种适当的动作和处理。在RAM930中，还可存储设备90操作所需的各种程序和数据。计算单元910、ROM920以及RAM 930通过总线940彼此相连。输入/输出(I/O)接口950也连接至总线940。
设备90中的多个部件连接至I/O接口950，包括：输入单元960，例如键盘、鼠标等；输出单元970，例如各种类型的显示器、扬声器等；存储单元980，例如磁盘、光盘等；以及通信单元990，例如网卡、调制解调器、无线通信收发机等。通信单元990允许设备90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。
计算单元910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910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910执行本公开实施例中所提供的兴趣点的推荐方法。例如，在一些实施例中，执行本公开实施例中所提供的兴趣点的推荐方法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980。在一些实施例中，计算机程序的部分或者全部可以经由ROM 920和/或通信单元990而被载入和/或安装到设备90上。当计算机程序加载到RAM 930并由计算单元910执行时，可以执行本公开实施例中所提供的兴趣点的推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元910可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开实施例中所提供的兴趣点的推荐方法。
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***、现场可编程门阵列(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。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
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执行也可以不同的次序执行，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。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (17)
1.一种兴趣点的推荐方法，包括：
通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量；
确定所述第一特征向量与至少一个第二特征向量的相似度，所述第二特征向量为通过所述匹配模型中的第二表示层提取的预置兴趣点的特征向量；
基于所述相似度从所述预置兴趣点中确定所述待推荐问题信息的目标兴趣点。
2.根据权利要求1所述的方法，其中，所述基于所述相似度从所述预置兴趣点中确定所述待推荐问题信息的目标兴趣点，包括：
将与所述第一特征向量的相似度大于预设值的第二特征向量对应的预置兴趣点确定为目标兴趣点。
3.根据权利要求1或2所述的方法，其中，在所述基于所述相似度从所述预置兴趣点中确定所述待推荐问题信息的目标兴趣点之后，所述方法还包括：
基于所述预置兴趣点与答题用户的关联关系，确定所述目标兴趣点对应的目标答题用户，并将所述待推荐问题信息对应的问题提供给所述目标答题用户。
4.根据权利要求1-3中任一项所述的方法，其中，所述匹配模型基于如下方式训练：
将样本问题信息与正样本兴趣点作为正样本，将所述样本问题信息与负样本兴趣点作为负样本，构建训练集，其中，所述正样本兴趣点与所述负样本兴趣点均属于所述预置兴趣点，所述正样本兴趣点为对所述样本问题信息的进行标注得到的，所述负样本兴趣点与所述正样本兴趣点为属于同一父层级兴趣点下的子层级兴趣点；
基于所述训练集训练所述匹配模型。
5.根据权利要求1-4中任一项所述的方法，其中，在所述确定所述第一特征向量与至少一个第二特征向量的相似度之后，所述方法还包括：
若不存在与所述第一特征向量的相似度大于预设值的第二特征向量，则将所述待推荐问题信息提供给标注用户以进行新增兴趣点的标注。
6.根据权利要求5所述的方法，其中，在所述标注用户完成新增兴趣点的标注之后，所述方法还包括：
基于所述新增兴趣点更新所述预置兴趣点；
基于更新后的所述预置兴趣点更新所述训练集；
基于更新后的所述训练集对所述匹配模型进行微调。
7.根据权利要求6所述的方法，在所述基于更新后的所述训练集对所述匹配模型进行微调之后，所述方法还包括：
基于微调后的所述匹配模型对所述第二特征向量进行更新。
8.一种兴趣点的推荐装置，包括：
向量提取模块，用于通过预置的匹配模型中的第一表示层提取待推荐问题信息的第一特征向量；
向量相似度模块，用于确定所述第一特征向量与至少一个第二特征向量的相似度，所述第二特征向量为通过所述匹配模型中的第二表示层提取的预置兴趣点的特征向量；
目标兴趣点确定模块，用于基于所述相似度从所述预置兴趣点中确定所述待推荐问题信息的目标兴趣点。
9.根据权利要求8所述的装置，其中，所述目标兴趣点确定模块具体用于：
将与所述第一特征向量的相似度大于预设值的第二特征向量对应的预置兴趣点确定为目标兴趣点。
10.根据权利要求8或9所述的装置，其中，所述装置还包括：
答题用户确定模块，用于在所述基于所述相似度从所述预置兴趣点中确定所述待推荐问题信息的目标兴趣点之后，基于所述预置兴趣点与答题用户的关联关系，确定所述目标兴趣点对应的目标答题用户，并将所述待推荐问题信息对应的问题提供给所述目标答题用户。
11.根据权利要求8-10中任一项所述的装置，其中，所述匹配模型基于如下方式训练：
将样本问题信息与正样本兴趣点作为正样本，将所述样本问题信息与负样本兴趣点作为负样本，构建训练集，其中，所述正样本兴趣点与所述负样本兴趣点均属于所述预置兴趣点，所述正样本兴趣点为对所述样本问题信息的进行标注得到的，所述负样本兴趣点与所述正样本兴趣点为属于同一父层级兴趣点下的子层级兴趣点；
基于所述训练集训练所述匹配模型。
12.根据权利要求8-11中任一项所述的装置，所述装置还包括：
新增兴趣点标注模块，用于在所述确定所述第一特征向量与至少一个第二特征向量的相似度之后，若不存在与所述第一特征向量的相似度大于预设值的第二特征向量，则将所述待推荐问题信息提供给标注用户以进行新增兴趣点的标注。
13.根据权利要求12所述的装置，所述装置还包括模型微调模块，所述模型微调模块用于：
在所述标注用户完成新增兴趣点的标注之后，基于所述新增兴趣点更新所述预置兴趣点；
基于更新后的所述预置兴趣点更新所述训练集；
基于更新后的所述训练集对所述匹配模型进行微调。
14.根据权利要求13所述的装置，所述装置还包括向量更新模块，所述向量更新模块用于：
在所述基于更新后的所述训练集对所述匹配模型进行微调之后，基于微调后的所述匹配模型对所述第二特征向量进行更新。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210096557.4A CN114443959A (zh) | 2022-01-26 | 2022-01-26 | 兴趣点的推荐方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210096557.4A CN114443959A (zh) | 2022-01-26 | 2022-01-26 | 兴趣点的推荐方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114443959A true CN114443959A (zh) | 2022-05-06 |
Family
ID=81369433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210096557.4A Pending CN114443959A (zh) | 2022-01-26 | 2022-01-26 | 兴趣点的推荐方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114443959A (zh) |
-
2022
- 2022-01-26 CN CN202210096557.4A patent/CN114443959A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108628830B (zh) | 一种语义识别的方法和装置 | |
| CN114549874A (zh) | 多目标图文匹配模型的训练方法、图文检索方法及装置 | |
| CN115455161A (zh) | 对话处理方法、装置、电子设备及存储介质 | |
| CN113407610B (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
| CN113836925A (zh) | 预训练语言模型的训练方法、装置、电子设备及存储介质 | |
| CN115293149A (zh) | 一种实体关系识别方法、装置、设备及存储介质 | |
| CN112528641A (zh) | 建立信息抽取模型的方法、装置、电子设备和可读存储介质 | |
| CN114861889A (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
| CN112988753A (zh) | 一种数据搜索方法和装置 | |
| CN113239157A (zh) | 对话模型的训练方法、装置、设备和存储介质 | |
| CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
| CN117271884A (zh) | 确定推荐内容的方法、装置、电子设备及存储介质 | |
| CN116049370A (zh) | 信息查询方法和信息生成模型的训练方法、装置 | |
| US20220327147A1 (en) | Method for updating information of point of interest, electronic device and storage medium | |
| CN114416990B (zh) | 对象关系网络的构建方法、装置和电子设备 | |
| CN115952258A (zh) | 政务标签库的生成方法、政务文本的标签确定方法和装置 | |
| CN113408298B (zh) | 语义解析方法、装置、电子设备及存储介质 | |
| CN114417862A (zh) | 文本匹配方法、文本匹配模型的训练方法和装置 | |
| CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
| CN114490969A (zh) | 基于表格的问答方法、装置以及电子设备 | |
| CN114254028A (zh) | 事件属性抽取方法、装置、电子设备和存储介质 | |
| CN114443959A (zh) | 兴趣点的推荐方法、装置、电子设备及可读存储介质 | |
| CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
| CN113850072A (zh) | 文本情感分析方法、情感分析模型训练方法、装置、设备及介质 | |
| CN112633381A (zh) | 音频识别的方法及音频识别模型的训练方法 |
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 |