问题推荐方法及装置、设备与流程

本说明书一个或多个实施例涉及大数据技术领域，尤其涉及一种问题推荐方法及装置、设备。

背景技术：

客户服务(customerservice)是指任何能提高客户满意度的内容，在很多应用程序(app)中都提供了客服功能，一种典型的应用便是针对用户在使用app过程中可能碰到的问题给出相应的答案。

在相关技术中，当用户在使用app时需要获得某问题的答案时，通常需要进入问答页面并在该页面内输入自己想要询问的问题，以根据用户输入的问题查找相应答案。其中，由于用户需要进行输入问题的操作，造成用户操作繁琐，特别是当用户需要针对多个问题分别寻求相应的答案时。

技术实现要素：

有鉴于此，本说明书一个或多个实施例提供一种问题推荐方法及装置、设备。

为实现上述目的，本说明书一个或多个实施例提供的技术方案如下：

一种问题推荐方法，包括：

获取目标用户的行为数据，所述行为数据指示至少一个被所述目标用户访问过的第一问题；

根据所述行为数据确定通过机器学习获得的神经网络模型的输入值，并将所述输入值输入所述神经网络模型，输出至少一个第二问题；

将所述第一问题输入概率模型，输出与所述第一问题对应的至少一个关联问题，其中所述概率模型是通过统计任意两个问题之间的关联概率获得的；

从所述第二问题和所述关联问题中选取至少一个问题并推荐给所述目标用户。

一种问题推荐方法，包括：

获取目标用户的行为数据，所述行为数据包括：被所述目标用户访问过的第一问题、和/或被所述目标用户访问过的统一资源定位符url、和/或被所述目标用户访问过的远程过程调用rpc；

根据所述行为数据确定通过机器学习获得的神经网络模型的输入值；

将所述输入值输入所述神经网络模型，输出至少一个第二问题及与每一个第二问题对应的第一分值，所述第一分值表征预测出的第二问题是所述目标用户需要访问的问题的可能性；

根据所述第一分值，从所述第二问题中选取至少一个问题并推荐给所述目标用户。

一种问题推荐方法，包括：

获取目标用户的行为数据，所述行为数据指示至少一个被所述目标用户访问过的第一问题；

将所述第一问题输入概率模型，输出至少一个与所述第一问题对应的关联问题及与每一个关联问题对应的第二分值，所述第二分值表征所述第一问题和所述关联问题之间的关联概率，所述概率模型是通过统计任意两个问题之间的关联概率获得的；

根据所述第二分值，从所述关联问题中选取至少一个问题并推荐给所述目标用户。

一种问题推荐装置，包括：

数据获取单元，获取目标用户的行为数据，所述行为数据指示至少一个被所述目标用户访问过的第一问题；

第一模型预测单元，根据所述行为数据确定通过机器学习获得的神经网络模型的输入值，并将所述输入值输入所述神经网络模型，输出至少一个第二问题；

第二模型预测单元，将所述第一问题输入概率模型，输出与所述第一问题对应的至少一个关联问题，其中所述概率模型是通过统计任意两个问题之间的关联概率获得的；

问题推荐单元，从所述第二问题和所述关联问题中选取至少一个问题并推荐给所述目标用户。

一种问题推荐装置，包括：

数据获取单元，获取目标用户的行为数据，所述行为数据包括：被所述目标用户访问过的第一问题、和/或被所述目标用户访问过的统一资源定位符url、和/或被所述目标用户访问过的远程过程调用rpc；

输入值确定单元，根据所述行为数据确定通过机器学习获得的神经网络模型的输入值；

第一模型预测单元，将所述输入值输入所述神经网络模型，输出至少一个第二问题及与每一个第二问题对应的第一分值，所述第一分值表征预测出的第二问题是所述目标用户需要访问的问题的可能性；

问题推荐单元，根据所述第一分值，从所述第二问题中选取至少一个问题并推荐给所述目标用户。

一种问题推荐装置，包括：

数据获取单元，获取目标用户的行为数据，所述行为数据指示至少一个被所述目标用户访问过的第一问题；

第二模型预测单元，将所述第一问题输入概率模型，输出至少一个与所述第一问题对应的关联问题及与每一个关联问题对应的第二分值，所述第二分值表征所述第一问题和所述关联问题之间的关联概率，所述概率模型是通过统计任意两个问题之间的关联概率获得的；

问题推荐单元，根据所述第二分值，从所述关联问题中选取至少一个问题并推荐给所述目标用户。

一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

所述处理器被配置为：

获取目标用户的行为数据，所述行为数据指示至少一个被所述目标用户访问过的第一问题；

根据所述行为数据确定通过机器学习获得的神经网络模型的输入值，并将所述输入值输入所述神经网络模型，输出至少一个第二问题；

将所述第一问题输入概率模型，输出与所述第一问题对应的至少一个关联问题，其中所述概率模型是通过统计任意两个问题之间的关联概率获得的；

从所述第二问题和所述关联问题中选取至少一个问题并推荐给所述目标用户。

一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

所述处理器被配置为：

获取目标用户的行为数据，所述行为数据包括：被所述目标用户访问过的第一问题、和/或被所述目标用户访问过的统一资源定位符url、和/或被所述目标用户访问过的远程过程调用rpc；

根据所述行为数据确定通过机器学习获得的神经网络模型的输入值；

将所述输入值输入所述神经网络模型，输出至少一个第二问题及与每一个第二问题对应的第一分值，所述第一分值表征预测出的第二问题是所述目标用户需要访问的问题的可能性；

根据所述第一分值，从所述第二问题中选取至少一个问题并推荐给所述目标用户。

一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

所述处理器被配置为：

获取目标用户的行为数据，所述行为数据指示至少一个被所述目标用户访问过的第一问题；

将所述第一问题输入概率模型，输出至少一个与所述第一问题对应的关联问题及与每一个关联问题对应的第二分值，所述第二分值表征所述第一问题和所述关联问题之间的关联概率，所述概率模型是通过统计任意两个问题之间的关联概率获得的；

根据所述第二分值，从所述关联问题中选取至少一个问题并推荐给所述目标用户。

通过以上技术方案可以看出，通过获取目标用户的行为数据，并利用预先获得的神经网络模型和/或概率模型，输出一个或多个根据行为数据预测到的问题并推荐给所述目标用户，所推荐的问题符合用户的真实意图，准确性较高，可减少用户在问答页面中输入问题的操作。

附图说明

图1为根据一示例性实施例示出的一种问题推荐方法的流程；

图2为根据一示例性实施例示出的另一种问题推荐方法的流程；

图3为根据一示例性实施例示出的又一种问题推荐方法的流程；

图4为根据一示例性实施例示出的一种问题推荐装置的框图；

图5为根据一示例性实施例示出的另一种问题推荐装置的框图；

图6为根据一示例性实施例示出的又一种问题推荐装置的框图。

具体实施方式

客户服务(customerservice)是指任何能提高客户满意度的内容，在很多应用程序(app)中都提供了客服功能，一种典型的应用便是针对用户在使用app过程中可能碰到的问题给出相应的答案。一般地，客服基本可分为人工或自助两种方式。其中，人工方式通常是通过客服人员和用户之间的对话，由客服人员针对用户提出的问题进行解答。自助方式通常是用户通过自助渠道查找与问题对应的答案，其中，可以预先整理出用户可能遇到的各个问题以及与每一个问题对应的答案，并将问题与答案的对应关系部署到平台服务器上，之后用户通过访问平台服务器，便可以得到与所提出问题对应的答案。在相关技术中，当用户在使用app时需要获得某问题的答案时，通常需要进入问答页面并在该页面内输入自己想要询问的问题，以根据用户输入的问题查找相应答案。其中，由于用户需要进行输入问题的操作，造成用户操作繁琐，特别是当用户需要针对多个问题分别寻求相应的答案时，更需要用户多次进行输入问题的操作。如果能提供一种能够预测出用户所需咨询的问题，并向用户推荐预测到的问题的方案，则可以降低用户输入操作的繁琐，提高用户的使用体验。以下将介绍本文提出的解决方案。

图1为根据一示例性实施例示出的一种问题推荐方法的流程，该方法可应用于各类服务器(如各类app的服务端)，该方法可以包括步骤101～步骤107，其中：

在步骤101中，获取目标用户的行为数据。

其中，目标用户可指需要针对某种问题寻求答案的用户，包括：通过app客户端或网页访问问答页面的用户，或者通过语音通话咨询客服人员的用户，等等。其中，问答页面可为平台提供的用以为用户提供客服服务(包括人工渠道或自助渠道)的页面，用户可在该问答页面上输入或选择问题并查看相应答案。本文中提及的“问题”可为预定义的在客服环节可能被咨询的各种标准问题，如：“如何查看支付记录？”、“信用分的作用是什么？”等，每一个标准问题可对应于一种标准答案。

关于上述步骤101获取行为数据的时机，列举以下两种情况(但并不局限所列举的情况)：

①在服务器(如app服务器或专门用于提供客服服务的平台服务器)接收到来自目标用户的用于访问问答页面的请求后，响应于该请求，获取该目标用户在某个指定时间段(如：在服务器接收到所述请求的时刻之前的5分钟)内产生的行为数据。

②由用户来决定获取行为数据的时机，如通过用户在问答页面内点击某个按键的操作来触发获取行为数据的动作。

“行为数据”可为目标用户在通过app客户端或网页访问特定的互联网平台的过程中产生的、可反映用户行为轨迹的数据。在可选的实施例中，所述行为数据可包括但不限于：被目标用户访问过的统一资源定位符(uniformresourcelocator,url)，和/或被目标用户访问过的远程过程调用(remoteprocedurecallprotocol,rpc)，和/或至少一个被所述目标用户访问过的第一问题。其中，该第一问题可指被目标用户在过去某个时间点或时间段访问过的问题。

在步骤103中，根据所述行为数据确定通过机器学习(machinelearning,ml)获得的神经网络(neuralnetworks,nn)模型的输入值。

神经网络模型可以是由许多逻辑节点(或称神经元)按照一定的顺序连接起来的网络，每个节点可对应一种特定的输出函数，称为激励函数(activationfunction)，每两个节点间的连接可代表一个对通过该连接的输入值的权重。神经网络模型输出可取决于神经网络的结构、网络的连接方式、权重和激活函数。利用给定的训练集，神经网络可迭代地更新神经元之间的权重，不断地减小输出值与目标值的差距。

在一实施例中，可通过如下机器学习过程来训练获得上述神经网络模型：

步骤11：获得训练样本(如获取过去一个月内的所有用户的客服访问记录)，每一训练样本对应于每个样本用户在过去的一次客服访问过程。其中每个训练样本可以包括特征部分和标注部分，所述特征部分可为样本用户在客服访问之前的指定时间段内产生的行为数据(如：用户访问的url或rpc、或用户点击的问题等)，所述标注部分可为样本用户在一次客服访问中所访问的问题(若是人工渠道，则该问题可由人工记录，若是自助渠道，则可由平台记录)。举例而言，在获得的某个训练样本中，特征部分为：{url1、url2、rpc3、rpc4、questiona、questionb}，标注部分为：questionc。

在训练神经网络模型之前，需要针对每一训练样本，确定出相应的样本输入特征。在一具体实施例中，样本输入特征可以通过多维的向量来表示，其中，该向量中可由多个特征值组成，每个特征值对应于一种用户行为(如：用户访问某个rpc的行为、或用户点击某个问题的行为等)，也就是说，该向量的维度可等于可能发生的用户行为的总数。在定义出上述多维向量后，可以为每一个特征值设定一个初始值(如：0)，当某训练样本中的特征部分出现某种用户行为时，则将多维向量中与所出现的用户行为对应的特征值由初始值(如：0)变更为目标值(如：1)，而没有出现的用户行为，其在多维向量中的对应特征值依然是初始值。打个比方，假设某个训练样本的特征部分指示该用户操作过的行为包括：访问了url1，访问了url2以及点击过问题questiona，假设多维向量的维度是100，其中，与“访问了url1”这个行为对应的特征值是多维向量中的第1个值，与“访问了url2”这个行为对应的特征值是多维向量中的第2个值，与“点击过问题questiona”这个行为对应的特征值是多维向量中的第100个值，则最终得到的该训练样本的输入特征(向量表示)便是：(1,1,0,...,0,1)。基于上述原理，可以针对每一训练样本确定出一个向量，并将该向量作为输入特征。对于标注部分，同样可以通过相应的特征值来表示(如问题的编号)。

步骤12：基于所述训练样本，训练获得所述神经网络模型。

在一可选实施例中，可以采用随机梯度下降(stochasticgradientdescent,sgd)算法训练所述神经网络模型，以提高训练精度。

在获得神经网络模型之后，便可以利用该神经网络模型预测目标用户所需要访问的问题。在一实施例中，步骤103可以通过如下过程来实现：

根据所述行为数据指示的每一被操作行为(如访问过某url或rpc，或点击过某问题等)，将目标向量中与每一被操作行为对应的特征值由初始值(如：0)更改为目标值(如：1)，并将更改后得到的向量确定为神经网络模型的输入。当然，模型的输入可不限于通过向量来表示，并且，神经网络模型的输入也可以并限于与每个行为对应的特征值，如：通过特定算法将高维的特征向量成低维的特征向量等。

在步骤105中，将所述输入值输入所述神经网络模型，输出至少一个第二问题以及与每一个第二问题对应的第一分值。其中，所述第一分值表征预测出的第二问题是所述目标用户需要访问的问题的可能性。

在一实施例中，可以为上述第一分值相应设定一个阈值(如：0.7)，从而使得神经网络模型输出的第二问题所对应的第一分值大于或等于该阈值(如：0.7)，以确保预测得到的第二问题的准确性。或者，设定该神经网络模型输出排名前n(1≤n)位(按照第一分值从大到小进行排序)的第二问题。例如，输出的各第二问题以及对应的第一分值可如下表1所示：

表1：

在步骤107中，根据所述第一分值，从所述第二问题中选取至少一个问题并推荐给所述目标用户。

在一可选实施例中，步骤107可通过如下过程来实现：

将所述第一分值大于或等于第一设定阈值(如：0.8)的第二问题推荐给所述目标用户。

在上述表1中，最终可将“如何办理xx业务”和“xx积分能买火车票吗”这两个问题推荐给所述目标用户，使得目标用户可以在问答页面上查看到这两条问题，当目标用户点击被推荐的问题后，可在用户设备上展示出被点击问题对应的答案。

在另一可选实施例中，也可以从输出的多个第二问题中选取排名(按照第一分值从高到低进行排序)前n(1≤n)位的问题并推荐给用户。其中，n的值可以预先设定或是一个随机值。

可见，在图1提供的实施例中，通过获取目标用户的行为数据，并利用预先获得的神经网络模型，输出一个或多个根据行为数据预测得到的问题并向所述目标用户推荐，可以有效避免用户在访问问答页面时的操作繁琐性，并且所推荐的问题的准确性较高，符合用户的真实意图。

图2为根据一示例性实施例示出的另一种问题推荐方法的流程，该方法可应用于各类服务器(如各类app的服务端)，该方法可以包括步骤201～步骤205，其中：

在步骤201中，获取目标用户的行为数据，其中所述行为数据至少指示至少一个被所述目标用户访问过的第一问题。该步骤201可以参照上述针对步骤101的具体内容。

在步骤203中，将所述第一问题输入概率模型，输出至少一个与所述第一问题对应的关联问题及与每一个关联问题对应的第二分值。其中，所述第二分值表征所述第一问题和所述关联问题之间的关联概率，所述概率模型是通过统计任意两个问题之间的关联概率获得的。

在一实施例中，获得所述概率模型的过程可以包括步骤21～步骤23，其中：

步骤21：获得若干在问答会话过程中产生的会话数据。例如：获得过去两个月内的所有问答会话过程产生的会话数据。其中，所述问答会话可以包括：人工渠道产生的会话(该会话可为用户和人工客服人员之间的语音对话)、或自助渠道产生的会话(该会话可为平台和用户之间的交互会话)等。

例如：按照时间先后，一则问答会话中包括的内容如下：

{问句1；问句2；答案1；答案2；问句3}。

步骤22：根据所述会话数据，统计任意两个问题在同一问答会话中出现的概率，所述概率为所述任意两个问题间的关联概率。

在一可选实施例中，可利用问句相似性算法确定出与每一客服会话中出现的各问题对应的标准问题。如：

“问句1”对应于“标准问题1”，“问句2”对应于“标准问题2”，“问句3”对应于“标准问题3”。

对于每一个客服会话而言，都可以根据该客服会话中出现过的标准问题，确定出问题之间的相关性。例如：

在会话：{问句1；问句2；答案1；答案2；问句3}中，可以确定出如下相关性：

标准问题1和标准问题2相关；

标准问题2和标准问题3相关；

标准问题1和标准问题3相关。

在对每一会话确定出上述相关性之后，便可以计算出任意两个标准问题在同一会话中出现的概率。

例如，对于标准问题1和标准问题2，若通过统计发现：在1000个对话中出现了标准问题1但没有出现标准问题2，在另外1000个对话中出现了标准问题2但没有出现标准问题1，在另外2000个对话中同时出现了标准问题1和标准问题2，则计算出标准问题1和标准问题2在同一会话中出现的概率(即关联概率)＝2000/(2000+1000+1000)＝50％。

通过大数据计算，可以统计得到每个标准问题和其它标准问题之间(即在同一会话中出现)的概率。其中，如果两个问题在同一会话中出现的概率越高，则表明这两个问题较大可能属于相关联问题，可能是用户在同一次客服访问所需要访问的两个问题。

步骤23：基于统计得到的任意两个问题间的关联概率，确定所述概率模型。

在一实施例中，确定出的概率模型可以用于计算第一问题和其他问题间的关联概率。在另一实施例中，概率模型也可以是根据计算出的概率，确定出问题与问题之间的对应关系，例如，当一个问题和另一个问题之间的相关概率大于设定概率阈值(如0.5)，则将这两个问题确定为互为关联问题，概率模型中可以只保留相关概率大于0.5的两个问题间的对应关系。

在步骤205中，根据所述第二分值，从所述关联问题中选取至少一个问题并推荐给所述目标用户。

在一实施例中，步骤205可以包括：将所述第二分值大于设定阈值的关联问题推荐给所述目标用户。

在另一可选实施例中，也可以从输出的多个关联问题中选取排名(按照第二分值从高到低进行排序)前n(n≥1)的问题。其中，n的值可以预先设定或是一个随机值。

可见，在图2提供的实施例中，通过获取目标用户的行为数据，并利用预先获得的概率模型，输出一个或多个根据行为数据预测得到的问题并向所述目标用户推荐，可以有效避免用户在访问问答页面时的操作繁琐性，并且所推荐的问题的准确性较高，符合用户的真实意图。

图3为根据一示例性实施例示出的又一种问题推荐方法的流程，该方法可应用于各类服务器(如各类app的服务端)，该方法可以包括步骤301～步骤309，其中：

在步骤301中，获取目标用户的行为数据，其中所述行为数据指示至少一个被所述目标用户访问过的第一问题。该步骤301可以参照上述针对步骤101的具体内容。

在步骤303中，根据所述行为数据确定通过机器学习获得的神经网络模型的输入值。该步骤303可以参照上述针对步骤103的具体内容。

在步骤305中，将所述输入值输入所述神经网络模型，输出至少一个第二问题。该步骤305可以参照上述针对步骤105的具体内容。

在步骤307中，将所述第一问题输入概率模型，输出与所述第一问题对应的至少一个关联问题，其中所述概率模型是通过统计任意两个问题之间的关联概率获得的。该步骤307可以参照上述针对步骤203的具体内容。

在步骤309中，从所述第二问题和所述关联问题中选取至少一个问题并推荐给所述目标用户。

可见，在图3提供的实施例中，通过将神经网络模型和概率模型预测到的问题进行融合，可以进一步提高问题预测的准确性，提升客服质量。

在一可选的实施例中，在步骤305中，可以输出至少一个第二问题及与每一个第二问题对应的第一分值，其中所述第一分值表征预测出的第二问题是所述目标用户需要访问的问题的可能性。

同样地，在步骤307中，可以输出至少一个关联问题及与每一个关联问题对应的第二分值，其中所述第二分值表征所述第一问题和所述关联问题之间的关联概率。

则，在步骤309中，可以基于所述第一分值和所述第二分值，从所述第二问题和所述关联问题中选取至少一个问题。

举例而言，可以根据设定阈值(如：0.8)，选取第一分值大于所述设定阈值的第二问题以及第二分值大于所述设定阈值的关联问题。又例如，将输出的第二问题、关联问题按照第一分值以及第二分值从大到小进行排序，将排序后位于前n(n≥1)位的问题推荐给所述目标用户。再例如，可以预先设定上述输出的第二问题的数量(如：3个)和关联问题的数量(如：1个)，则最终向目标用户推荐的问题是4个。

当然，在步骤305中，可以不输出与问题对应的第一分值，而输出第一分值大于设定阈值(如：0.8)的第二问题；同样地，在步骤307中，可以不输出与问题对应的第二分值，而输出第二分值大于设定阈值(如：0.8)的关联问题。

与上述方法相应，本说明书一个或多个实施例还提供一种问题推荐装置200，该问题推荐装置200可以应用于电子设备(如app服务器20或专门用于实现问答服务的平台服务器)中，该服务器20可以与用户设备10(如手机、电脑、pda、手表等)进行交互，如图4所示，在一实施例中，一种问题推荐装置200可以包括：

数据获取单元210，获取目标用户的行为数据，所述行为数据指示至少一个被所述目标用户访问过的第一问题；

第一模型预测单元230，根据所述行为数据确定通过机器学习获得的神经网络模型的输入值，并将所述输入值输入所述神经网络模型，输出至少一个第二问题；

第二模型预测单元250，将所述第一问题输入概率模型，输出与所述第一问题对应的至少一个关联问题，其中所述概率模型是通过统计任意两个问题之间的关联概率获得的；

问题推荐单元270，从所述第二问题和所述关联问题中选取至少一个问题并推荐给所述目标用户。

在一可选的实施例中，所述第一模型预测单元230可以输出至少一个第二问题及与每一个第二问题对应的第一分值，其中，所述第一分值表征预测出的第二问题是所述目标用户需要访问的问题的可能性；所述第二模型预测单元250可以输出至少一个关联问题及与每一个关联问题对应的第二分值，所述第二分值表征所述第一问题和所述关联问题之间的关联概率；所述问题推荐单元270可以基于所述第一分值和所述第二分值，从所述第二问题和所述关联问题中选取至少一个问题。

在一可选的实施例中，所述问题推荐单元270可以根据设定阈值，选取第一分值大于所述设定阈值的第二问题以及第二分值大于所述设定阈值的关联问题。

在一可选的实施例中，所述装置200还可以包括：

样本数据获得单元，获得若干训练样本，每一训练样本包括特征部分和标注部分，所述特征部分为样本用户在访问客服前产生的行为数据，所述标注部分为所述样本用户访问的问题；

训练单元，基于所述训练样本，利用随机梯度下降sgd算法训练获得所述神经网络模型。

在一可选的实施例中，所述装置200还可以包括：

会话数据获得单元，获得若干在问答会话过程中产生的会话数据；

概率统计单元，根据所述会话数据，统计任意两个问题在同一问答会话中出现的概率，所述概率为所述任意两个问题间的关联概率；

概率模型确定单元，基于统计得到的任意两个问题间的关联概率，确定所述概率模型。

在一可选的实施例中，所述第一模型预测单元230：可以根据所述行为数据指示的每一被操作行为，将目标向量中与每一被操作行为对应的特征值由初始值更改为目标值，并将更改后得到的向量确定为神经网络模型的输入。

在一可选的实施例中，所述行为数据还包括但不限于：被所述目标用户访问过的统一资源定位符url和/或被所述目标用户访问过的远程过程调用rpc。

如图5所示，在另一实施例中，一种问题推荐装置200'可以包括：

数据获取单元210，获取目标用户的行为数据，其中，所述行为数据包括：被所述目标用户访问过的第一问题、和/或被所述目标用户访问过的统一资源定位符url、和/或被所述目标用户访问过的远程过程调用rpc；

输入值确定单元220，根据所述行为数据确定通过机器学习获得的神经网络模型的输入值；

第一模型预测单元230，将所述输入值输入所述神经网络模型，输出至少一个第二问题及与每一个第二问题对应的第一分值，所述第一分值表征预测出的第二问题是所述目标用户需要访问的问题的可能性；

问题推荐单元270，根据所述第一分值，从所述第二问题中选取至少一个问题并推荐给所述目标用户。

如图6所示，在另一实施例中，一种问题推荐装置200”可以包括：

数据获取单元210，获取目标用户的行为数据，所述行为数据指示至少一个被所述目标用户访问过的第一问题；

第二模型预测单元250，将所述第一问题输入概率模型，输出至少一个与所述第一问题对应的关联问题及与每一个关联问题对应的第二分值，所述第二分值表征所述第一问题和所述关联问题之间的关联概率，所述概率模型是通过统计任意两个问题之间的关联概率获得的；

问题推荐单元270，根据所述第二分值，从所述关联问题中选取至少一个问题并推荐给所述目标用户。

在一可选的实施例中，所述装置200”还可以包括：

会话数据获得单元，获得若干在问答会话过程中产生的会话数据；

概率统计单元，根据所述会话数据，统计任意两个问题在同一问答会话中出现的概率，所述概率为所述任意两个问题间的关联概率；

概率模型确定单元，基于统计得到的任意两个问题间的关联概率，确定所述概率模型。

本说明书一个或多个实施例提供的一种电子设备(如服务器)可以包括处理器、内部总线、网络接口、存储器(包括内存以及非易失性存储器)，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在一实施例中，所述处理器可以被配置为：

获取目标用户的行为数据，所述行为数据指示至少一个被所述目标用户访问过的第一问题；

根据所述行为数据确定通过机器学习获得的神经网络模型的输入值，并将所述输入值输入所述神经网络模型，输出至少一个第二问题；

将所述第一问题输入概率模型，输出与所述第一问题对应的至少一个关联问题，其中所述概率模型是通过统计任意两个问题之间的关联概率获得的；

从所述第二问题和所述关联问题中选取至少一个问题并推荐给所述目标用户。

在一实施例中，所述处理器可以被配置为：

获取目标用户的行为数据，所述行为数据包括：被所述目标用户访问过的第一问题、和/或被所述目标用户访问过的统一资源定位符url、和/或被所述目标用户访问过的远程过程调用rpc；

根据所述行为数据确定通过机器学习获得的神经网络模型的输入值；

将所述输入值输入所述神经网络模型，输出至少一个第二问题及与每一个第二问题对应的第一分值，所述第一分值表征预测出的第二问题是所述目标用户需要访问的问题的可能性；

根据所述第一分值，从所述第二问题中选取至少一个问题并推荐给所述目标用户。

在一实施例中，所述处理器可以被配置为：

获取目标用户的行为数据，所述行为数据指示至少一个被所述目标用户访问过的第一问题；

将所述第一问题输入概率模型，输出至少一个与所述第一问题对应的关联问题及与每一个关联问题对应的第二分值，所述第二分值表征所述第一问题和所述关联问题之间的关联概率，所述概率模型是通过统计任意两个问题之间的关联概率获得的；

根据所述第二分值，从所述关联问题中选取至少一个问题并推荐给所述目标用户。

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见即可，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，对于电子设备实施例、装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述实施例阐明的系统、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，计算机的具体形式可以是个人计算机、膝上型计算机、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、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、设备(系统)、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数据处理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数据处理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数据处理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数据处理设备上，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(flashram)。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(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

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

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。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。