CN116578781A - 应用神经网络算法的气象服务推送方法及服务器 - Google Patents

应用神经网络算法的气象服务推送方法及服务器 Download PDF

Info

Publication number
CN116578781A
CN116578781A CN202310483941.4A CN202310483941A CN116578781A CN 116578781 A CN116578781 A CN 116578781A CN 202310483941 A CN202310483941 A CN 202310483941A CN 116578781 A CN116578781 A CN 116578781A
Authority
CN
China
Prior art keywords
text
algorithm
knowledge
construction element
adjustment
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.)
Granted
Application number
CN202310483941.4A
Other languages
English (en)
Other versions
CN116578781B (zh
Inventor
梁乐宁
周颖
邵鹏
卢大维
张娟
孙艳
耿丹丹
吴志华
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.)
Beijing Tianyi Technology Co ltd
Original Assignee
Beijing Tianyi Technology 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 Beijing Tianyi Technology Co ltd filed Critical Beijing Tianyi Technology Co ltd
Priority to CN202310483941.4A priority Critical patent/CN116578781B/zh
Publication of CN116578781A publication Critical patent/CN116578781A/zh
Application granted granted Critical
Publication of CN116578781B publication Critical patent/CN116578781B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Machine Translation (AREA)

Abstract

本申请实施例提供的应用神经网络算法的气象服务推送方法及服务器，通过获取文本全局构建要素、第一定制构建要素和第二定制构建要素，构建包含文本全局构建要素的基础文本知识，分别为基础文本知识赋予第一定制构建要素和第二定制构建要素，接着对文本知识进行解析得到同时包含文本全局构建要素、第一定制构建要素和第二定制构建要素的目标推送文本，并将该目标推送文本发送至用户终端。基于此，分别为文本知识赋予对应的定制构建要素，解析后可获得包含定制构建要素的文本，匹配用户的潜在气象推送需求，提高服务推送的转化率，避免无效推送导致的信息资源浪费。

Description

应用神经网络算法的气象服务推送方法及服务器
技术领域
本申请涉及但不限于人工智能技术领域，尤其涉及一种应用神经网络算法的气象服务推送方法及服务器。
背景技术
随着科技发展，媒体平台呈现多元化，气象服务方式也随之改变，从传统影视气象播报转战各大新媒体战场，对于新媒体平台，气象服务需要更加精准、精细、具象、及时，并且表达方式也更加丰富。科技的发展催生了气象服务智能化产品的发展，特别是在公共气象服务发展规划中，气象部门将围绕人民群众所需、所想、所盼，大力促进气象服务数字化和智能化，为老百姓日常生活提供更高质量的气象服务。将提升数字化气象服务产品供给能力，为老百姓享受高品质的数字生活、智能生活提供支撑；在拓展气象服务内容、服务方式、服务渠道上下功夫，提供覆盖老百姓衣食住行等多元化需求的气象服务。进一步强化大数据、人工智能等信息技术在气象服务中的广泛应用，形成以用户为核心，提供基于用户位置和应用场景的气象服务，让公众随时可以便捷获取所需的气象服务。气象服务智能化的基础依然是底层产品的供给能力，包括气象数据，文字和图形等产品，数据以及图形产品目前自动化程度较高，提供及时，而文字产品依然依靠大量人工撰写，供给数量有限，效率低下，不能完全满足融媒体时代气象服务的需求，为提高融媒体气象服务产品的效率，提升用户满意度，贴合气象服务高质量发展的目标，有必要进行相关业务流程设计，尝试建立底层技术支持体系，实现气象服务智能提示类文字产品的生产，针对市场需求反馈做出高效响应。解决目前市场气息服务文字类产品时间维度单一，服务要素单一，模板固定化，单独开发成本高等问题。
发明内容
有鉴于此，本申请实施例至少提供一种应用神经网络算法的气象服务推送方法。
本申请实施例的技术方案是这样实现的：
一方面，本申请实施例提供一种应用神经网络算法的气象服务推送方法，应用于服务推送服务器，所述方法包括：
响应目标用户终端的服务推送请求，调取实时气象数据和用户个性标签；
基于所述实时气象数据和用户个性标签获取推送文本构建命令；其中，所述推送文本构建命令包括文本全局构建要素和文本定制构建要素，所述文本定制构建要素包括第一定制构建要素和第二定制构建要素；
获取与所述文本全局构建要素对应的文本全局数组表示，将所述文本全局数组表示进行特征挖掘，得到包含所述文本全局构建要素的基础文本知识；
在构建要素调整算法序列中调取与所述第一定制构建要素对应的第一调整算法和与所述第二定制构建要素对应的第二调整算法；
在所述第一调整算法中为所述基础文本知识分配所述第一定制构建要素，得到包含所述文本全局构建要素、所述第一定制构建要素的第一目标文本知识；
在所述第二调整算法中为所述第一目标文本知识分配所述第二定制构建要素，得到包含所述文本全局构建要素、所述文本定制构建要素的第二目标文本知识；
将所述第二目标文本知识进行解析，得到与所述推送文本构建命令对应的目标推送文本；
将所述目标推送文本推送至所述用户终端。
在一些实施例中，所述将所述文本全局数组表示进行特征挖掘，得到包含所述文本全局构建要素的基础文本知识，包括：
获取初始预设数组，将所述文本全局数组表示和所述初始预设数组拼接成加载数组；
获取特征挖掘算法，并基于所述特征挖掘算法中的特征挖掘线性变换算子，对所述加载数组进行线性滤波，得到包含所述文本全局构建要素的基础文本知识。
在一些实施例中，所述基础文本知识包括一个或多个基数基础文本知识；
所述在所述第一调整算法中为所述基础文本知识分配所述第一定制构建要素，得到包含所述文本全局构建要素、所述第一定制构建要素的第一目标文本知识，包括：
在所述第一调整算法中获取与所述第一定制构建要素对应的需求要素数组表示；
依据基数基础文本知识的维度拓张所述第一定制构建要素对应的需求要素数组表示，得到一个或多个基数需求文本知识；其中，所述基数需求文本知识与所述基数基础文本知识包含相同的维度；
将所述一个或多个基数需求文本知识与所述基础文本知识融合成需求基础文本知识；
基于所述第一调整算法中的调整线性变换算子、所述基础文本知识，为所述需求基础文本知识分配所述第一定制构建要素，得到包含所述文本全局构建要素、所述第一定制构建要素的第一目标文本知识。
在一些实施例中，所述基于所述第一调整算法中的调整线性变换算子、所述基础文本知识，为所述需求基础文本知识分配所述第一定制构建要素，得到包含所述文本全局构建要素、所述第一定制构建要素的第一目标文本知识，包括：
基于所述第一调整算法中的调整线性变换算子，对所述需求基础文本知识进行线性滤波，得到需求滤波数组；
基于所述第一调整算法中的梯度优化算子，对所述需求滤波数组进行跨层恒等连接，得到需求调整数组；
基于所述第一调整算法中的聚焦线性变换算子，对所述需求调整数组进行线性滤波，构建用以注释调整位置的聚焦字符；
基于所述需求调整数组、所述聚焦字符和所述基础文本知识构建包含所述文本全局构建要素、所述第一定制构建要素的第一目标文本知识。
在一些实施例中，所述将所述第二目标文本知识进行解析，得到与所述推送文本构建命令对应的目标推送文本，包括：
获取解析算法；
基于所述解析算法中的解析线性变换算子，对所述第二目标文本知识进行线性滤波，得到与所述推送文本构建命令对应的目标推送文本。
在一些实施例中，所述方法还包括：
获取第一示例文本模板；其中，所述第一示例文本模板是基于所述文本全局数组表示、与所述第一定制构建要素对应的需求要素数组表示、示例特征挖掘算法、第一示例调整算法和示例解析算法构建得到的；
获取第二示例文本模板；其中，所述第二示例文本模板是基于所述文本全局数组表示、与所述第二定制构建要素对应的需求要素数组表示、所述示例特征挖掘算法、第二示例调整算法和所述示例解析算法构建得到的；
获取包含所述文本全局构建要素的第三示例文本模板，所述第三示例文本模板为人工标准文本；
基于所述第一示例文本模板、所述第二示例文本模板、所述第三示例文本模板确定目标误差结果，并基于所述目标误差结果构建所述特征挖掘算法、所述第一调整算法、所述第二调整算法和所述解析算法。
在一些实施例中，所述基于所述第一示例文本模板、所述第二示例文本模板、所述第三示例文本模板确定目标误差结果，并基于所述目标误差结果构建所述特征挖掘算法、所述第一调整算法、所述第二调整算法和所述解析算法，包括：
获取与所述第一示例调整算法对应的第一评估算法以及获取与所述第二示例调整算法对应的第二评估算法；
基于所述第一评估算法、所述第二评估算法、所述第一示例文本模板、所述第二示例文本模板和所述第三示例文本模板确定所述目标误差结果；
基于所述目标误差结果优化所述示例特征挖掘算法的算法参变量、所述第一示例调整算法的算法参变量、所述第二示例调整算法的算法参变量、所述示例解析算法的算法参变量、所述第一评估算法的算法参变量和所述第二评估算法的算法参变量；
当所述目标误差结果小于预设的误差值时，将优化好的示例特征挖掘算法确定为所述特征挖掘算法，将优化好的第一示例调整算法确定为所述第一调整算法，将优化好的第二示例调整算法确定为所述第二调整算法，将优化好的示例解析算法确定为所述解析算法。
在一些实施例中，所述第三示例文本模板是包含所述第一定制构建要素的文本；所述第一评估算法包括第一构建评估算法和第一分类评估算法；
所述获取与所述第一示例调整算法对应的第一评估算法，包括：
获取基础类别识别算法，将所述基础类别识别算法确定为所述第一构建评估算法；
获取第四示例文本模板；其中，所述第四示例文本模板是为人工标准文本且包含第三定制构建要素的文本，所述第一定制构建要素和所述第三定制构建要素对应相同的定制构建要素分类；
基于所述第三示例文本模板和所述第四示例文本模板构建目标类别识别算法，并将所述目标类别识别算法确定为所述第一分类评估算法。
在一些实施例中，所述目标误差结果包括构建误差结果和评估误差结果；所述第一评估算法包括第一构建评估算法和第一分类评估算法；所述第二评估算法包括第二构建评估算法和第二分类评估算法；
所述基于所述第一评估算法、所述第二评估算法、所述第一示例文本模板、所述第二示例文本模板和所述第三示例文本模板确定所述目标误差结果，包括：
基于所述第一构建评估算法预测所述第一示例文本模板为所述人工标准文本的第一置信度，基于所述第二构建评估算法预测所述第二示例文本模板为所述人工标准文本的第二置信度；
基于所述第三示例文本模板、所述第一置信度、所述第二置信度确定所述构建误差结果；
基于所述第一分类评估算法获取所述第一示例文本模板的第一指示信息集；所述第一指示信息集包含所述第一示例文本模板与所述第一分类评估算法中的多个定制构建要素之间的适配系数；
基于所述第二分类评估算法获取所述第二示例文本模板的第二指示信息集；所述第二指示信息集包含所述第二示例文本模板与所述第二分类评估算法中的多个定制构建要素之间的适配系数；
基于所述第一指示信息集和所述第二指示信息集确定所述评估误差结果，并将所述构建误差结果和所述评估误差结果拼接成所述目标误差结果。
另一方面，本申请实施例提供一种服务推送服务器，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述方法中的步骤。
本申请实施例至少具有以下有益效果：
本申请实施例提供的应用神经网络算法的气象服务推送方法及服务器，通过获取文本全局构建要素、第一定制构建要素和第二定制构建要素，构建包含文本全局构建要素的基础文本知识，分别为基础文本知识赋予第一定制构建要素和第二定制构建要素，接着对文本知识进行解析得到同时包含文本全局构建要素、第一定制构建要素和第二定制构建要素的目标推送文本，并将该目标推送文本发送至用户终端。基于此，分别为文本知识赋予对应的定制构建要素，解析后可获得包含定制构建要素的文本，匹配用户的潜在气象推送需求，提高服务推送的转化率，避免无效推送导致的信息资源浪费。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请的技术方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种应用神经网络算法的气象服务推送方法的实现流程示意图。
图2为本申请实施例提供的一种气象服务推送装置的组成结构示意图。
图3为本申请实施例提供的一种服务推送服务器的硬件实体示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和实施例对本申请的技术方案进一步详细阐述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的，不是旨在限制本申请。
本申请实施例提供一种应用神经网络算法的气象服务推送方法，该方法可以由服务推送服务器的处理器执行。其中，服务推送服务器可以指的是单个网络服务器、多个网络服务器组成的服务器组或于云计算的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，服务推送服务器可单独运行来实现本申请，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本申请。其中，服务推送服务器所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
图1为本申请实施例提供的一种应用神经网络算法的气象服务推送方法的实现流程示意图，如图1所示，该方法包括如下步骤110至步骤180：
步骤110：响应目标用户终端的服务推送请求，调取实时气象数据和用户个性标签。
目标用户终端的服务推送请求例如可以是这样产生的：服务器根据目标用户账号的气象服务使用***台引导下自主选择的，用户个性标签主要包含用户期望推送的服务中包含的内容、模板等，例如推送服务中文本的风格(如严肃记实、幽默风趣、简短概括、详实解析等)、服务种类(如出行提醒、穿衣建议、长时气象动态预测等)、气象内容分类(如天气现象、空气质量、风、湿度、温度)等。服务器为目标用户账号的需求对应的需求大项和对应的细项赋予不同的标签，以形成用户个性标签。本申请实施例中，在向目标用户推送气象服务时，推送的内容是结合实时气象数据和用户个性标签而自动构建的文本。
步骤120：基于所述实时气象数据和用户个性标签获取推送文本构建命令。
本申请实施例中，该推送文本构建命令包括文本全局构建要素和文本定制构建要素，具体地，该文本定制构建要素包括第一定制构建要素和第二定制构建要素。
服务器获取推送文本构建命令，该推送文本构建命令用于指示服务器构建符合推送文本构建命令中构建要素的文本。推送文本构建命令包括文本全局构建要素和文本定制构建要素。文本全局构建要素表示构建推送文本的全局内容，例如语言风格和实时气象。文本定制构建要素表示构建服务推送文本中文本内容构成，例如文本定制构建要素为穿衣建议、通行预警、气象环境等。
文本定制构建要素中包括的定制构建要素可以为一个或多个，为将各个构建要素进行区分，将文本定制构建要素中的多个定制构建要素分别确定为第一定制构建要素和第二定制构建要素，换言之，文本定制构建要素包括第一定制构建要素和第二定制构建要素。其中，服务器将多个定制构建要素中的任一定制构建要素确定为第一定制构建要素，其他定制构建要素视作第二定制构建要素，如果第二定制构建要素还包括多个定制构建要素，服务器将其中任一定制构建要素确定为第一定制构建要素，其他定制构建要素视作第二定制构建要素，细分下来，使得每一定制构建要素均加入后续处理。
步骤130：获取与该文本全局构建要素对应的文本全局数组表示，将该文本全局数组表示进行特征挖掘，得到包含该文本全局构建要素的基础文本知识。
例如，服务器获取与文本全局构建要素对应的数组(例如一维的数组，即向量；或二维的数组，即矩阵)，得到文本全局数组表示，文本全局数组表示的维度(或称尺寸)例如为F×1×1。服务器任意构建维度为K×1×1的数组(即初始预设数组)，将初始预设数组和文本全局数组表示拼接得到维度为(K+F)×1×1的数组(即加载数组)。其中，首个维度代表通道、次个维度代表高、末个维度代表宽，服务器调取特征挖掘算法，将加载数组输入特征挖掘算法，通过特征挖掘算法先在次个维度和末个维度方向拓张高和宽，即进行填充，新增元素(如1)得到维度为(K+F)×i×j的多维数组(即张量)。通过特征挖掘完成文本全局数组表示的编码过程。通过特征挖掘算法中的多个线性变换算子(即特征挖掘线性变换算子)，分别对(K+F)×i×j的数组进行线性滤波(即基于滤波核的卷积计算过程)，得到包含文本全局构建要素的文本知识(视作基础文本知识，用以表征文本特征，例如可以是文本特征向量)。因为基础文本知识是包含文本全局构建要素的文本知识，所以如果直接将基础文本知识进行解析，可以获得包含文本全局构建要素的文本。每个特征挖掘线性变换算子对应至少一个卷积矩阵(具体个数取决于输入的通道)，输出的文本知识通道取决于特征挖掘线性变换算子中卷积矩阵个数，输出的文本知识的高和宽取决于输入的维度、卷积矩阵维度、步幅等。
步骤140：在构建要素调整算法序列中调取与该第一定制构建要素对应的第一调整算法和与该第二定制构建要素对应的第二调整算法。
构建要素调整算法序列中包括多个调整算法。服务器在构建要素调整算法序列中调取与第一定制构建要素对应的调整算法(即第一调整算法)，服务器在构建要素调整算法序列中调取与第二定制构建要素对应的调整算法(即第二调整算法)。
构建要素调整算法用于为基础文本知识赋予定制构建要素，不同的定制构建要素可能对应相同的定制构建要素分类，例如，定制构建要素“气温”、定制构建要素“湿度”、定制构建要素“能见度”等都对应定制构建要素“气象环境”，即“气温”、“湿度”、“能见度”对应相同调整算法，调整算法用于调整气象环境描述，不同气象内容的需求要素数组表示不同。
步骤150：在该第一调整算法中为该基础文本知识分配该第一定制构建要素，得到包含该文本全局构建要素、该第一定制构建要素的第一目标文本知识。
服务器将基础文本知识输入第一调整算法，通过第一调整算法获取与第一定制构建要素对应的需求要素数组表示(例如向量)，具体地，需求要素数组表示可以为维度为一维数组y×1×1。通过第一调整算法先将需求要素数组表示进行拓张，在次个维度和末个维度方向上拓张需求要素数组表示，得到维度为y×g×p的需求文本知识，那么，需求文本知识可以视作y个g×p的基数需求文本知识的组合，本申请实施例中，关于“基数”的前缀可以是指对应的指代(如需求文本知识)为一个单位。在拓张时，具体是先将需求要素数组表示copy g次，获得二维数组y×g×1，再将二维数组copy p次，获得维度为y×g×p的文本知识。基于此，基础文本知识为y个g×p的基数基础文本知识的组合，需求文本知识为y个g×p的基数需求文本知识的组合，基数基础文本知识的维度和基数需求文本知识的维度一致。通过第一调整算法将基础文本知识和拓张需求要素数组表示得到的需求文本知识融合成需求基础文本知识。
基于第一调整算法中的线性变换算子(即调整线性变换算子)对需求基础文本知识进行线性滤波运算，获得维度为y×g×p的需求滤波数组。基于第一调整算法中的梯度优化算子对需求滤波数组进行跨层恒等连接以得到需求调整数组，其中，梯度优化算子为至少一个残差网络(ResNet)，每个梯度优化算子的输入输出维度一致，跨层恒等连接为残差相连(即两次线性滤波后，激活函数对线性滤波前后对应的输入和输出的求和结果进行作用)。通过第一调整算法中的梯度优化算子对维度为y×g×p的需求滤波数组进行跨层恒等连接后，获得的需求调整数组的维度为y×g×p。基于第一调整算法中的聚焦线性变换算子对需求调整数组进行线性滤波，获得用于标记第一定制构建要素对应的调整位置的聚焦字符(可以视作文本掩膜)，聚焦字符的维度为g×p。聚焦字符对调整位置进行突出。
基于需求调整数组，聚焦字符和基础文本知识获取第一目标文本知识的方式可以是基于以下公式实现的：
K1＝t·A1+(1-t)A
其中，K1为第一目标文本知识，t为维度为g×p的聚焦字符，A1为维度为y×g×p的需求调整数组，A为维度为y×g×p的基础文本知识。第一目标文本知识是包含文本全局构建要素与第一定制构建要素的文本知识。第一目标文本知识的维度为y×g×p。
因为第一目标文本知识包含文本全局构建要素和第一定制构建要素的文本知识，所以如果直接将第一目标文本知识进行解析(即解码的过程)，可获得包含文本全局构建要素、包含第一定制构建要素的文本。
作为一种实施方式，在确定第一目标文本知识时，将基础文本知识加载到第一调整算法，第一调整算法中的拓张算子获取第一定制构建要素对应的需求要素数组表示，将需求要素数组表示拓张为需求文本知识，拼接算子将基础文本知识和需求文本知识拼接成需求基础文本知识。依据一线性变换算子(调整线性变换算子)和多个梯度优化算子得到需求调整数组，然后依据一线性变换算子(聚焦线性变换算子)获得用于注释调整位置的聚焦字符，基于聚焦字符、基础文本知识、需求调整数组构建第一目标文本知识。
步骤160：在该第二调整算法中为该第一目标文本知识分配该第二定制构建要素，得到包含该文本全局构建要素、该文本定制构建要素的第二目标文本知识。
例如，服务器将第一目标文本知识加载到第二调整算法，通过第二调整算法获取与第二定制构建要素对应的需求要素数组表示，该需求要素数组表示例如为维度y×1×1的一维数组，通过第二调整算法将需求要素数组表示进行拓张，得到维度为y×g×p的需求文本知识(视作协同文本知识)，将协同文本知识视作y个g×p的基数协同文本知识的组合，基数协同文本知识的维度与基数基础文本知识的维度一致。那么，第i个调整算法的需求文本知识取决于调整算法对应的需求要素数组表示和第i-1个调整算法的输出。
通过第二调整算法将第一目标文本知识和协同文本知识融合成维度是2y×g×p的协同目标文本知识。基于第二调整算法中的调整线性变换算子和梯度优化算子对协同目标文本知识分别进行线性滤波和跨层恒等连接，得到维度为y×g×p的需求调整数组(例如视作协同调整数组)。基于第二调整算法中的聚焦线性变换算子对协同调整数组进行线性滤波，获得用以标记第二定制构建要素所在调整位置的聚焦字符(例如视作协同字符)，协同字符的维度为g×p。
基于协同调整数组，协同字符和第一目标文本知识获取第二目标文本知识的方式例如为以下方式进行：
K2＝r·B1+(1-r)·B
其中，K2为第二目标文本知识，r为维度为g×p的协同字符，B1为维度为y×g×p的协同调整数组，B为维度为y×g×p的第一目标文本知识，第二目标文本知识是包含文本全局构建要素、第一定制构建要素和第二定制构建要素的文本知识。其中，第二目标文本知识的维度为y×g×p，第i个调整算法的输出取决于第i个调整算法中确定的需求调整数组、在第i个调整算法中确定的用于注释调整位置的聚焦字符和第i-1个调整算法的输出。参照基础文本知识、第一目标文本知识，也可将第二目标文本知识视为y个g×p的基数第二目标文本知识的组合。
步骤170：将该第二目标文本知识进行解析，得到与该推送文本构建命令对应的目标推送文本。
例如，服务器获取解析算法，将维度为y×g×p的第二目标文本知识加载到该解析算法，然后基于解析算法中线性变换算子(即解析线性变换算子)对第二目标文本知识进行线性滤波，获得同时包含文本全局构建要素、第一定制构建要素和第二定制构建要素的文本。从以上内容推知，特征挖掘算法的输出对接尺寸、构建要素调整算法序列中的全部调整算法的输入对接尺寸、全部调整算法的输出对接尺寸、解析算法的输入对接尺寸都是一致的，输出对接尺寸对应的输入文本知识的维度与输出对接尺寸对应的输出文本知识的维度都相同，例如，输入文本知识的维度都是y×g×p，输出的文本知识的维度都是y×g×p。基于特征挖掘算法的输出对接尺寸、全部调整算法的输入对接尺寸、全部调整算法的输出对接尺寸、解析算法的输入对接尺寸一致，特征挖掘算法和多个调整算法以及解析算法可完成级联，多个调整算法次序可以任意定义，如此构建同时包含文本全局构建要素和多个定制构建要素的文本，这样能够适配不同的文本构建需要。
作为一种实施方案，文本构建的过程可以包括级联的构建算子、调整算子和重建算子，构建算子对应以上特征挖掘算法，调整算子对应以上调整算法，重建算子对应以上解析算法。构建算子可以构建包含文本全局构建要素的文本知识，服务器可以随机组合各个调整算子，以优化调节文本知识的定制构建要素，重建算子可以将包含定制构建要素和文本全局构建要素的文本知识重建成文本。如果存在一个定制构建要素的文本构建需求，直接调取相应的一个调整算子，构建包括一个定制构建要素的文本，如果存在两个定制构建要素的文本构建需求，对应的，调取相应的两个调整算子，构建包括两个定制构建要素的文本，以此类推。
基于此，分别为文本知识赋予定制构建要素，解析后得到包含定制构建要素的文本，相较构建随机要素的文本，构建定制构建要素的文本更能适配用户的服务需求和喜好，提高用户对气象服务的接受度和粘性，对服务的转化率有促进效果。如果通过GAN(Generative adversarial nets，生成式对抗网络)调试多个的文本构建算法，每个文本构建算法通过特征挖掘、调整和解析得到包含对应特征的文本。比如文本构建算法A可以构建气象环境描述文本、文本构建算法B调整气象环境描述文本的文本长度、文本构建算法C调整气象环境描述文本的文本语言风格，通过文本构建算法A、文本构建算法B和文本构建算法C构建包含定制的文本长度、语言风格的气象环境描述文本。在一个算法架构即可构建同时包含多个定制构建要素的文本，相较基于多个GAN慢慢构建多个定制构建要素文本，减少了特征挖掘和特征解析的过程，构建的效率得到提升。
步骤180：将目标推送文本推送至用户终端。
例如，在特定的时间将目标推送文本推送至用户终端，该特定的时间例如是基于目标用户账号历史查询气象数据的规律总结出的最高转化率的时间点，例如早上8点、晚上9点等。
在其他的实施例中，本申请提供的应用神经网络算法的气象服务推送方法包括算法的调试过程，具体包括以下步骤：
步骤210：获取第一示例文本模板。
该第一示例文本模板是基于该文本全局数组表示、与该第一定制构建要素对应的需求要素数组表示、示例特征挖掘算法、第一示例调整算法和示例解析算法构建得到的。服务器分别初始化示例特征挖掘算法、第一示例调整算法和示例解析算法，任意构建一数组(视作第一示例初始预设数组)，将第一示例初始预设数组和与文本全局构建要素对应的文本全局数组表示组合拼接，得到第一示例加载数组。将第一示例加载数组加载至示例特征挖掘算法，通过示例特征挖掘算法对第一示例加载数组进行特征挖掘，得到第一示例基础文本知识。将第一示例基础文本知识加载到第一示例调整算法，基于与第一定制构建要素对应的需求要素数组表示，在第一示例调整算法中为第一示例基础文本知识分配第一定制构建要素，得到包含文本全局构建要素、第一定制构建要素的第一示例文本知识。基于解析算法对第一示例文本知识进行解析，得到第一示例文本模板。获取第一示例文本模板的方式请参照获取第一解析文本，第一解析文本为将第一目标文本知识解析后的文本。
步骤220：获取第二示例文本模板。
该第二示例文本模板是基于该文本全局数组表示、与该第二定制构建要素对应的需求要素数组表示、该示例特征挖掘算法、第二示例调整算法和该示例解析算法构建得到的。服务器初始化第二示例调整算法，任意构建一数组(此处视作第二示例初始预设数组)，将第二示例初始预设数组和与文本全局构建要素对应的文本全局数组表示组合拼接，得到第二示例加载数组。将第二示例加载数组加载到示例特征挖掘算法，通过示例特征挖掘算法对第二示例加载数组进行特征挖掘，得到第二示例基础文本知识。将第二示例基础文本知识加载到第二示例调整算法，基于与第二定制构建要素对应的需求要素数组表示，在第二示例调整算法中为第二示例基础文本知识分配第二定制构建要素，得到包含文本全局构建要素、第二定制构建要素的第二示例文本知识。基于解析算法对第二示例文本知识进行解析，得到第二示例文本模板。获取第二示例文本模板和获取第一示例文本模板的方式相同，仅却别于相应的调整算法、需求要素数组表示。
步骤230：获取包含该文本全局构建要素的第三示例文本模板。
第三示例文本模板为人工标准文本。例如，获取包含文本全局构建要素的人工撰写的标准文本(即第三示例文本模板)，第三示例文本模板是专家通过用户实际需求进行撰写得到的标准文本，非算法自动构建的而以上第一示例文本模板与第二示例文本模板是基于算法构建的模拟文本。
步骤240：基于该第一示例文本模板、该第二示例文本模板、该第三示例文本模板确定目标误差结果，基于该目标误差结果构建该特征挖掘算法、该第一调整算法、该第二调整算法和该解析算法。
例如，服务器获取与第一示例调整算法对应的第一评估算法以及获取与第二示例调整算法对应的第二评估算法，每个示例调整算法都具有和其相应的评估算法，但示例特征挖掘算法和示例解析算法为通用算法。每个评估算法均包括构建评估算法和分类评估算法，构建评估算法用以评估文本为人工标准文本的置信度，即文本为人工标准文本的可能性，分类评估算法用以评估文本和多个定制要素的适配系数。将第一评估算法中的构建评估算法和分类评估算法视作第一构建评估算法和第一分类评估算法，将第二评估算法中的构建评估算法和分类评估算法视作第二构建评估算法和第二分类评估算法。
关于怎样获取第一构建评估算法和第一分类评估算法的过程，因为第一构建评估算法用以实现二分类，则服务器预先配置类别识别算法，视作基础类别识别算法，将该基础类别识别算法确定为第一构建评估算法。服务器获取包含第三定制构建要素的第四示例文本模板，第四示例文本模板为人工标准文本，第一定制构建要素和第三定制构建要素对应相同的定制构建要素分类。如果第三示例文本模板包含第一定制构建要素，此时第三示例文本模板同时包含文本内容构建要素和第一定制构建要素的人工标准文本，为第三示例文本模板赋予一个指示信息(如标记)，为第四示例文本模板赋予另一指示信息，基于第三示例文本模板和第四示例文本模板以及分别对应的指示信息去调试优化目标类别识别算法，目标类别识别算法可以评估文本和多个定制构建要素之间的适配系数，同时该多个定制构建要素是对应同一定制构建要素的，将调试完成的目标类别识别算法确定为第一分类评估算法。其中，训练目标类别识别算法的损失函数不做限定，例如交叉熵损失函数。获取第二构建评估算法和第二分类评估算法与以上方式一致。
对于目标误差结果的确定，第一构建评估算法预测第一示例文本模板为人工标准文本的置信度(即第一置信度)，第二构建评估算法预测第二示例文本模板为人工标准文本的置信度(即第二置信度)。因为第一示例文本模板和第二示例文本模板是算法构建的文本，第三示例文本模板是人工标准文本，对第一构建评估算法而言，目标是评估得到第一示例文本模板为人工标准文本的置信度最小，评估得到第三示例文本模板为人工标准文本的置信度最高，对第二构建评估算法而言，目标是评估得到第二示例文本模板为人工标准文本的置信度最小，目标是评估得到第三示例文本模板为人工标准文本的置信度最高。所以基于第一构建评估算法评估得到的第一置信度和第二构建评估算法评估得到的第二置信度，第三示例文本模板可以获取第一构建评估算法和第二构建评估算法的构建误差结果。确定的构建误差结果用于优化整示例特征挖掘算法、第一示例调整算法、第二示例调整算法和示例解析算法的参数，使得算法构建的文本趋近人工标准。
第一分类评估算法评估第一示例文本模板与第一分类评估算法中多个定制构建要素之间的适配系数，将得到的适配系数和对应的定制构建要素拼接成第一指示信息集。第二分类评估算法评估第二示例文本模板与第二分类评估算法中多个定制构建要素之间的适配系数，将得到的适配系数和对应的定制构建要素拼接成第二指示信息集，相同分类评估算法中的多个定制构建要素对应同一定制构建要素。基于第一指示信息集和第二指示信息集，以及第一定制构建要素对应的需求要素数组表示和第二定制构建要素对应的需求要素数组表示，可以得到评估误差结果。各个误差结果的获取算式可以是通用的损失函数或误差函数，具体不做限定。将构建误差结果和评估误差结果进行相加或加权求和可获取到目标误差结果。目标误差结果综合了构建误差结果确保构建文本趋近人工标准和评估误差结果确保构建的文本的定制构建要素的准确性的特性。
基于目标误差结果，通过逆向传递去优化示例特征挖掘算法的算法参变量、第一示例调整算法的算法参变量、第二示例调整算法的算法参变量、示例解析算法的算法参变量、第一评估算法中第一构建评估算法参变量和第二评估算法中第二构建评估算法算法参变量。各参变量优化后基于以上方式重新构建新的第一示例文本模板和第二示例文本模板，并获取目标误差结果，迭代调试直到目标误差结果小于预设的误差值，或目标误差结果的变化率小于预设变化率，将优化好的示例特征挖掘算法确定为特征挖掘算法，将优化好的第一示例调整算法确定为第一调整算法，将优化好的第二示例调整算法确定为第二调整算法，将优化好的示例解析算法确定为解析算法。
步骤250：获取推送文本构建命令。
该推送文本构建命令包括文本全局构建要素和文本定制构建要素；该文本定制构建要素包括第一定制构建要素和第二定制构建要素。
步骤260：获取与该文本全局构建要素对应的文本全局数组表示，将该文本全局数组表示进行特征挖掘，得到包含该文本全局构建要素的基础文本知识。
步骤270：在构建要素调整算法序列中调取与该第一定制构建要素对应的第一调整算法和与该第二定制构建要素对应的第二调整算法。
步骤280：在该第一调整算法中为该基础文本知识分配该第一定制构建要素，得到包含该文本全局构建要素、该第一定制构建要素的第一目标文本知识。
步骤290：在该第二调整算法中为该第一目标文本知识分配该第二定制构建要素，得到包含该文本全局构建要素、该文本定制构建要素的第二目标文本知识。
步骤300：将该第二目标文本知识进行解析，得到与该推送文本构建命令对应的目标推送文本。
本申请实施例提供的应用神经网络算法的气象服务推送方法及服务器，通过获取文本全局构建要素、第一定制构建要素和第二定制构建要素，构建包含文本全局构建要素的基础文本知识，分别为基础文本知识赋予第一定制构建要素和第二定制构建要素，接着对文本知识进行解析得到同时包含文本全局构建要素、第一定制构建要素和第二定制构建要素的目标推送文本，并将该目标推送文本发送至用户终端。基于此，分别为文本知识赋予对应的定制构建要素，解析后可获得包含定制构建要素的文本，匹配用户的潜在气象推送需求，提高服务推送的转化率，避免无效推送导致的信息资源浪费。
基于前述的实施例，本申请实施例提供一种气象服务推送装置，该装置所包括的各单元、以及各单元所包括的各模块，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(Central ProcessingUnit，CPU)、微处理器(Microprocessor Unit，MPU)、数字信号处理器(Digital SignalProcessor，DSP)或现场可编程门阵列(Field Programmable Gate Array，FPGA)等。
图2为本申请实施例提供的一种气象服务推送装置的组成结构示意图，如图2所示，气象服务推送装置200包括：
约束确定模块210，用于响应目标用户终端的服务推送请求，调取实时气象数据和用户个性标签；
命令获取模块220，用于基于所述实时气象数据和用户个性标签获取推送文本构建命令；其中，所述推送文本构建命令包括文本全局构建要素和文本定制构建要素，所述文本定制构建要素包括第一定制构建要素和第二定制构建要素；
特征挖掘模块230，用于获取与所述文本全局构建要素对应的文本全局数组表示，将所述文本全局数组表示进行特征挖掘，得到包含所述文本全局构建要素的基础文本知识；
算法确定模块240，用于在构建要素调整算法序列中调取与所述第一定制构建要素对应的第一调整算法和与所述第二定制构建要素对应的第二调整算法；
第一要素分配模块250，用于在所述第一调整算法中为所述基础文本知识分配所述第一定制构建要素，得到包含所述文本全局构建要素、所述第一定制构建要素的第一目标文本知识；
第二要素分配模块260，用于在所述第二调整算法中为所述第一目标文本知识分配所述第二定制构建要素，得到包含所述文本全局构建要素、所述文本定制构建要素的第二目标文本知识；
知识解析模块270，用于将所述第二目标文本知识进行解析，得到与所述推送文本构建命令对应的目标推送文本；
文本推送模块280，用于将所述目标推送文本推送至所述用户终端。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。在一些实施例中，本申请实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法，对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的应用神经网络算法的气象服务推送方法，并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件、软件或固件，或者硬件、软件、固件三者之间的任意结合。
本申请实施例提供一种服务推送服务器，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。
本申请实施例提供一种计算机程序，包括计算机可读代码，在所述计算机可读代码在计算机设备中运行的情况下，所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一些实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
这里需要指出的是：上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
图3为本申请实施例提供的一种服务推送服务器的硬件实体示意图，如图3所示，该服务推送服务器1000的硬件实体包括：处理器1001和存储器1002，其中，存储器1002存储有可在处理器1001上运行的计算机程序，处理器1001执行程序时实现上述任一实施例的方法中的步骤。
存储器1002存储有可在处理器上运行的计算机程序，存储器1002配置为存储由处理器1001可执行的指令和应用，还可以缓存待处理器1001以及模型训练设备1000中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。
处理器1001执行程序时实现上述任一项的应用神经网络算法的气象服务推送方法的步骤。处理器1001通常控制服务推送服务器1000的总体操作。
本申请实施例提供一种计算机存储介质，计算机存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如上任一实施例的应用神经网络算法的气象服务推送方法的步骤。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。上述处理器可以为目标用途集成电路(Application Specific Integrated Circuit，ASIC)、数字信号处理器(DigitalSignal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各步骤/过程的序号的大小并不意味着执行顺序的先后，各步骤/过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (10)

1.一种应用神经网络算法的气象服务推送方法，其特征在于，应用于服务推送服务器，所述方法包括：
响应目标用户终端的服务推送请求，调取实时气象数据和用户个性标签；
基于所述实时气象数据和用户个性标签获取推送文本构建命令；其中，所述推送文本构建命令包括文本全局构建要素和文本定制构建要素，所述文本定制构建要素包括第一定制构建要素和第二定制构建要素；
获取与所述文本全局构建要素对应的文本全局数组表示，将所述文本全局数组表示进行特征挖掘，得到包含所述文本全局构建要素的基础文本知识；
在构建要素调整算法序列中调取与所述第一定制构建要素对应的第一调整算法和与所述第二定制构建要素对应的第二调整算法；
在所述第一调整算法中为所述基础文本知识分配所述第一定制构建要素，得到包含所述文本全局构建要素、所述第一定制构建要素的第一目标文本知识；
在所述第二调整算法中为所述第一目标文本知识分配所述第二定制构建要素，得到包含所述文本全局构建要素、所述文本定制构建要素的第二目标文本知识；
将所述第二目标文本知识进行解析，得到与所述推送文本构建命令对应的目标推送文本；
将所述目标推送文本推送至所述用户终端。
2.如权利要求1所述的方法，其特征在于，所述将所述文本全局数组表示进行特征挖掘，得到包含所述文本全局构建要素的基础文本知识，包括：
获取初始预设数组，将所述文本全局数组表示和所述初始预设数组拼接成加载数组；
获取特征挖掘算法，并基于所述特征挖掘算法中的特征挖掘线性变换算子，对所述加载数组进行线性滤波，得到包含所述文本全局构建要素的基础文本知识。
3.如权利要求1所述的方法，其特征在于，所述基础文本知识包括一个或多个基数基础文本知识；
所述在所述第一调整算法中为所述基础文本知识分配所述第一定制构建要素，得到包含所述文本全局构建要素、所述第一定制构建要素的第一目标文本知识，包括：
在所述第一调整算法中获取与所述第一定制构建要素对应的需求要素数组表示；
依据基数基础文本知识的维度拓张所述第一定制构建要素对应的需求要素数组表示，得到一个或多个基数需求文本知识；其中，所述基数需求文本知识与所述基数基础文本知识包含相同的维度；
将所述一个或多个基数需求文本知识与所述基础文本知识融合成需求基础文本知识；
基于所述第一调整算法中的调整线性变换算子、所述基础文本知识，为所述需求基础文本知识分配所述第一定制构建要素，得到包含所述文本全局构建要素、所述第一定制构建要素的第一目标文本知识。
4.如权利要求3所述的方法，其特征在于，所述基于所述第一调整算法中的调整线性变换算子、所述基础文本知识，为所述需求基础文本知识分配所述第一定制构建要素，得到包含所述文本全局构建要素、所述第一定制构建要素的第一目标文本知识，包括：
基于所述第一调整算法中的调整线性变换算子，对所述需求基础文本知识进行线性滤波，得到需求滤波数组；
基于所述第一调整算法中的梯度优化算子，对所述需求滤波数组进行跨层恒等连接，得到需求调整数组；
基于所述第一调整算法中的聚焦线性变换算子，对所述需求调整数组进行线性滤波，构建用以注释调整位置的聚焦字符；
基于所述需求调整数组、所述聚焦字符和所述基础文本知识构建包含所述文本全局构建要素、所述第一定制构建要素的第一目标文本知识。
5.如权利要求2所述的方法，其特征在于，所述将所述第二目标文本知识进行解析，得到与所述推送文本构建命令对应的目标推送文本，包括：
获取解析算法；
基于所述解析算法中的解析线性变换算子，对所述第二目标文本知识进行线性滤波，得到与所述推送文本构建命令对应的目标推送文本。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
获取第一示例文本模板；其中，所述第一示例文本模板是基于所述文本全局数组表示、与所述第一定制构建要素对应的需求要素数组表示、示例特征挖掘算法、第一示例调整算法和示例解析算法构建得到的；
获取第二示例文本模板；其中，所述第二示例文本模板是基于所述文本全局数组表示、与所述第二定制构建要素对应的需求要素数组表示、所述示例特征挖掘算法、第二示例调整算法和所述示例解析算法构建得到的；
获取包含所述文本全局构建要素的第三示例文本模板，所述第三示例文本模板为人工标准文本；
基于所述第一示例文本模板、所述第二示例文本模板、所述第三示例文本模板确定目标误差结果，并基于所述目标误差结果构建所述特征挖掘算法、所述第一调整算法、所述第二调整算法和所述解析算法。
7.如权利要求6所述的方法，其特征在于，所述基于所述第一示例文本模板、所述第二示例文本模板、所述第三示例文本模板确定目标误差结果，并基于所述目标误差结果构建所述特征挖掘算法、所述第一调整算法、所述第二调整算法和所述解析算法，包括：
获取与所述第一示例调整算法对应的第一评估算法以及获取与所述第二示例调整算法对应的第二评估算法；
基于所述第一评估算法、所述第二评估算法、所述第一示例文本模板、所述第二示例文本模板和所述第三示例文本模板确定所述目标误差结果；
基于所述目标误差结果优化所述示例特征挖掘算法的算法参变量、所述第一示例调整算法的算法参变量、所述第二示例调整算法的算法参变量、所述示例解析算法的算法参变量、所述第一评估算法的算法参变量和所述第二评估算法的算法参变量；
当所述目标误差结果小于预设的误差值时，将优化好的示例特征挖掘算法确定为所述特征挖掘算法，将优化好的第一示例调整算法确定为所述第一调整算法，将优化好的第二示例调整算法确定为所述第二调整算法，将优化好的示例解析算法确定为所述解析算法。
8.如权利要求7所述的方法，其特征在于，所述第三示例文本模板是包含所述第一定制构建要素的文本；所述第一评估算法包括第一构建评估算法和第一分类评估算法；
所述获取与所述第一示例调整算法对应的第一评估算法，包括：
获取基础类别识别算法，将所述基础类别识别算法确定为所述第一构建评估算法；
获取第四示例文本模板；其中，所述第四示例文本模板是为人工标准文本且包含第三定制构建要素的文本，所述第一定制构建要素和所述第三定制构建要素对应相同的定制构建要素分类；
基于所述第三示例文本模板和所述第四示例文本模板构建目标类别识别算法，并将所述目标类别识别算法确定为所述第一分类评估算法。
9.如权利要求7所述的方法，其特征在于，所述目标误差结果包括构建误差结果和评估误差结果；所述第一评估算法包括第一构建评估算法和第一分类评估算法；所述第二评估算法包括第二构建评估算法和第二分类评估算法；
所述基于所述第一评估算法、所述第二评估算法、所述第一示例文本模板、所述第二示例文本模板和所述第三示例文本模板确定所述目标误差结果，包括：
基于所述第一构建评估算法预测所述第一示例文本模板为所述人工标准文本的第一置信度，基于所述第二构建评估算法预测所述第二示例文本模板为所述人工标准文本的第二置信度；
基于所述第三示例文本模板、所述第一置信度、所述第二置信度确定所述构建误差结果；
基于所述第一分类评估算法获取所述第一示例文本模板的第一指示信息集；所述第一指示信息集包含所述第一示例文本模板与所述第一分类评估算法中的多个定制构建要素之间的适配系数；
基于所述第二分类评估算法获取所述第二示例文本模板的第二指示信息集；所述第二指示信息集包含所述第二示例文本模板与所述第二分类评估算法中的多个定制构建要素之间的适配系数；
基于所述第一指示信息集和所述第二指示信息集确定所述评估误差结果，并将所述构建误差结果和所述评估误差结果拼接成所述目标误差结果。
10.一种服务推送服务器，包括存储器和处理器，所述存储器存储有可在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程序时实现权利要求1至9任一项所述方法中的步骤。
CN202310483941.4A 2023-04-28 2023-04-28 应用神经网络算法的气象服务推送方法及服务器 Active CN116578781B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310483941.4A CN116578781B (zh) 2023-04-28 2023-04-28 应用神经网络算法的气象服务推送方法及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310483941.4A CN116578781B (zh) 2023-04-28 2023-04-28 应用神经网络算法的气象服务推送方法及服务器

Publications (2)

Publication Number Publication Date
CN116578781A true CN116578781A (zh) 2023-08-11
CN116578781B CN116578781B (zh) 2023-10-24

Family

ID=87544650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310483941.4A Active CN116578781B (zh) 2023-04-28 2023-04-28 应用神经网络算法的气象服务推送方法及服务器

Country Status (1)

Country Link
CN (1) CN116578781B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020134A (zh) * 2017-11-09 2019-07-16 北京国双科技有限公司 一种知识服务信息的推送方法、***、存储介质和处理器
US20200097597A1 (en) * 2018-09-24 2020-03-26 International Business Machines Corporation On-demand relation extraction from text
KR20200137736A (ko) * 2019-05-31 2020-12-09 (주)에스앤피인터내셔널 사용자 정보 기반 음료 추천 시스템 및 방법
CN112560468A (zh) * 2020-12-17 2021-03-26 北京百度网讯科技有限公司 气象预警文本处理方法、相关装置及计算机程序产品
CN113254789A (zh) * 2021-06-30 2021-08-13 中国气象局公共气象服务中心(国家预警信息发布中心) 一种推送气象服务内容的方法及装置
CN113569007A (zh) * 2021-06-18 2021-10-29 武汉理工数字传播工程有限公司 一种处理知识服务资源的方法、装置及存储介质
CN115203498A (zh) * 2022-06-30 2022-10-18 寇占香 应用专家***的数据信息推送分析方法及***
CN115270003A (zh) * 2022-09-27 2022-11-01 创域智能(常熟)网联科技有限公司 一种基于物联网平台行为数据挖掘的信息推荐方法及***
CN115640403A (zh) * 2022-09-07 2023-01-24 南方电网数字平台科技(广东)有限公司 基于知识图谱的知识管控方法及装置
CN115757745A (zh) * 2022-12-01 2023-03-07 潍坊羞摆信息科技有限公司 基于人工智能的业务场景控制方法、***及云平台
CN115757935A (zh) * 2022-10-20 2023-03-07 郜布军 应用计算机智能的大数据推送方法及***

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020134A (zh) * 2017-11-09 2019-07-16 北京国双科技有限公司 一种知识服务信息的推送方法、***、存储介质和处理器
US20200097597A1 (en) * 2018-09-24 2020-03-26 International Business Machines Corporation On-demand relation extraction from text
KR20200137736A (ko) * 2019-05-31 2020-12-09 (주)에스앤피인터내셔널 사용자 정보 기반 음료 추천 시스템 및 방법
CN112560468A (zh) * 2020-12-17 2021-03-26 北京百度网讯科技有限公司 气象预警文本处理方法、相关装置及计算机程序产品
CN113569007A (zh) * 2021-06-18 2021-10-29 武汉理工数字传播工程有限公司 一种处理知识服务资源的方法、装置及存储介质
CN113254789A (zh) * 2021-06-30 2021-08-13 中国气象局公共气象服务中心(国家预警信息发布中心) 一种推送气象服务内容的方法及装置
CN115203498A (zh) * 2022-06-30 2022-10-18 寇占香 应用专家***的数据信息推送分析方法及***
CN115640403A (zh) * 2022-09-07 2023-01-24 南方电网数字平台科技(广东)有限公司 基于知识图谱的知识管控方法及装置
CN115270003A (zh) * 2022-09-27 2022-11-01 创域智能(常熟)网联科技有限公司 一种基于物联网平台行为数据挖掘的信息推荐方法及***
CN115757935A (zh) * 2022-10-20 2023-03-07 郜布军 应用计算机智能的大数据推送方法及***
CN115757745A (zh) * 2022-12-01 2023-03-07 潍坊羞摆信息科技有限公司 基于人工智能的业务场景控制方法、***及云平台

Also Published As

Publication number Publication date
CN116578781B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN111144937B (zh) 广告素材确定方法、装置、设备及存储介质
CN110287477B (zh) 实体情感分析方法及相关装置
CN111291266A (zh) 基于人工智能的推荐方法、装置、电子设备及存储介质
CN111090756B (zh) 基于人工智能的多目标推荐模型的训练方法及装置
CN108804133B (zh) 虚拟资源的获取方法、***、计算机设备和存储介质
CN106651213B (zh) 服务订单的处理方法及装置
US20180315094A1 (en) Method and system for targeted advertising based on natural language analytics
CN108809718B (zh) 基于虚拟资源的网络访问方法、***、计算机设备和介质
CN103246690A (zh) 标签继承
CN114840327A (zh) 多模态多任务的处理方法、设备及***
CN112464034A (zh) 用户数据提取方法、装置、电子设备及计算机可读介质
CN112052316B (zh) 模型评估方法、装置、存储介质及电子设备
CN112488742A (zh) 用户属性信息的预测方法、装置、电子设备及存储介质
CN113438374B (zh) 智能外呼处理方法、装置、设备及存储介质
CN112667803A (zh) 一种文本情感分类方法及装置
CN116578781B (zh) 应用神经网络算法的气象服务推送方法及服务器
CN117708428A (zh) 推荐信息预测方法、装置以及电子设备
CN107423307B (zh) 一种互联网信息资源的分配方法及装置
CN111382232A (zh) 问答信息处理方法、装置及计算机设备
CN116957006A (zh) 预测模型的训练方法、装置、设备、介质及程序产品
CN115205763A (zh) 视频处理方法及设备
CN112508284B (zh) 展示物料预处理方法、投放方法、***、装置与设备
CN114548242A (zh) 用户标签识别方法、装置、电子设备和计算机可读存储介质
CN112905792A (zh) 基于非文本场景的文本聚类方法、装置、设备及存储介质
CN111968632A (zh) 通话语音获取方法、装置、计算机设备和存储介质

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
GR01 Patent grant
GR01 Patent grant