专家知识推荐方法、装置、计算机设备及存储介质与流程

本发明涉及人工智能
技术领域：
，尤其涉及一种专家知识推荐方法、装置、计算机设备及存储介质。
背景技术：
：目前，当用户有专业问题需咨询以得到回复时，一般是在咨询平台上发布问题后，由回答者人工编辑得到回复答案。现有的智能在线客服只能答复简单的问题，对于专业性强的问题(如法律问题，高新
技术领域：
的专业技术问题)现有的智能在线客服无法反馈准确的答复。技术实现要素：本发明实施例提供了一种专家知识推荐方法、装置、计算机设备及存储介质，旨在解决现有技术中用户有专业问题需咨询以得到回复时，是在自选平台发布后等待以得到由答复者人工编辑得到的回复答案，无法及时的得到咨询回复，而且回复答案的专业程度极大程度上受到答复者专业知识限制的问题。第一方面，本发明实施例提供了一种专家知识推荐方法，其包括：接收所上传的待答复咨询问题，将所述待答复咨询问题进行分词和关键词抽取，得到与所述待答复咨询问题对应的语义网络向量；将所述语义网络向量与预先构建的回复答案库中所包括的语义向量进行相似度计算，得到回复答案库中与所述语义网络向量之间相似度大于预设相似度阈值的语义向量，以作为目标语义向量；获取所述目标语义向量对应的专家列表；以及获取所述专家列表中每一专家的热度值，根据专家的热度值对语义向量进行降序排序得到排序后语义向量，获取所述排序后语义向量中排名位于预设的第一排名值之前的语义向量，以得到筛选后语义向量；获取所述筛选后语义向量中各语义向量在回复答案库中对应的回答内容以得到专家知识推荐信息，将所述专家知识推荐信息发送至与所述待答复咨询问题对应的上传端。第二方面，本发明实施例提供了一种专家知识推荐装置，其包括：咨询问题获取单元，用于接收所上传的待答复咨询问题，将所述待答复咨询问题进行分词和关键词抽取，得到与所述待答复咨询问题对应的语义网络向量；目标语义向量获取单元，用于将所述语义网络向量与预先构建的回复答案库中所包括的语义向量进行相似度计算，得到回复答案库中与所述语义网络向量之间相似度大于预设相似度阈值的语义向量，以作为目标语义向量；专家列表获取单元，用于获取所述目标语义向量对应的专家列表；以及排序单元，用于获取所述专家列表中每一专家的热度值，根据专家的热度值对语义向量进行降序排序得到排序后语义向量，获取所述排序后语义向量中排名位于预设的第一排名值之前的语义向量，以得到筛选后语义向量；咨询回复单元，用于获取所述筛选后语义向量中各语义向量在回复答案库中对应的回答内容以得到专家知识推荐信息，将所述专家知识推荐信息发送至与所述待答复咨询问题对应的上传端。第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上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所述的专家知识推荐方法。第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的专家知识推荐方法。本发明实施例提供了一种专家知识推荐方法、装置、计算机设备及存储介质。该方法在接收所上传的待答复咨询问题后，获取其对应的语义网络向量，在预先构建的回复答案库中检索得到与语义网络向量之间相似度大于预设相似度阈值的语义向量，以作为目标语义向量，获取目标语义向量对应的专家列表；获取专家列表中每一专家的热度值，根据专家的热度值对语义向量进行降序排序，以得到筛选后语义向量；根据筛选后语义向量，对应获取专家回答的内容信息并反馈至与待答复咨询问题对应的上传端。该方法采用语义识别技术能推荐出用户所信任的专家答案，提高推荐的准确性，而且基于语义网络匹配问题和回复答案库中的答案，更加能识别出相似问题，提高问题回答的质量。附图说明为了更清楚地说明本发明实施例技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的专家知识推荐方法的应用场景示意图；图2为本发明实施例提供的专家知识推荐方法的流程示意图；图3为本发明实施例提供的专家知识推荐方法的子流程示意图；图4为本发明实施例提供的专家知识推荐方法的另一子流程示意图；图5为本发明实施例提供的专家知识推荐装置的示意性框图；图6为本发明实施例提供的专家知识推荐装置的子单元示意性框图；图7为本发明实施例提供的专家知识推荐装置的另一子单元示意性框图；图8为本发明实施例提供的计算机设备的示意性框图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”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，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，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。请参阅图1和图2，图1是本发明实施例提供的专家知识推荐方法的应用场景示意图，图2是本发明实施例提供的专家知识推荐方法的流程示意图，该专家知识推荐方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。如图2所示，该方法包括步骤s110～s150。s110、接收所上传的待答复咨询问题，将所述待答复咨询问题进行分词和关键词抽取，得到与所述待答复咨询问题对应的语义网络向量。在本实施例中，当用户需在线咨询问题时，在用户终端(即待答复咨询问题对应的上传端)上编辑好待答复咨询问题，并将待答复咨询问题上传至服务器，服务器接收所述待答复咨询问题后，对所述待答复咨询问题进行语义识别，得到与所述待答复咨询问题对应的语义网络向量。由于服务器中无法直接理解待答复咨询问题的含义，但是针对待答复咨询问题进行分词和关键词抽取后，即可将所述待答复咨询问题转化为一个量化后的多维行向量或多维列向量，此时即可根据所述待答复咨询问题在预先构建的回复答案库中搜索近似问题及其答案，所得到的回复更准确。在一实施例中，如图3所示，步骤s110包括：s111、将所述待答复咨询问题通过基于概率统计分词模型进行分词，得到与所述待答复咨询问题对应的分词结果；s112、通过词频-逆文本频率指数模型，抽取所述分词结果中位于预设的第二排名值之前的关键词信息以作为目标关键词集合；s113、获取所述目标关键词集合中每一关键词信息对应的目标词向量；s114、根据每一目标词向量，及每一目标词向量对应的权重，获取与待答复咨询问题对应的语义网络向量。在本实施例中，将所述待答复咨询问题通过基于概率统计分词模型进行分词过程如下：例如，令c＝c1c2...cm，c是待切分的汉字串，令w＝w1w2...wn，w是切分的结果，wa，wb，……，wk是c的所有可能的切分方案。那么，基于概率统计分词模型就是能够找到目的词串w，使得w满足：p(w|c)＝max(p(wa|c),p(wb|c)...p(wk|c))的分词模型，上述分词模型得到的词串w即估计概率为最大之词串。即：对一个待分词的子串s，按照从左到右的顺序取出全部候选词w1、w2、…、wi、…、wn；在词典中查出每个候选词的概率值p(wi)，并记录每个候选词的全部左邻词；计算每个候选词的累计概率，同时比较得到每个候选词的最佳左邻词；如果当前词wn是字串s的尾词，且累计概率p(wn)最大，则wn就是s的终点词；从wn开始，按照从右到左顺序，依次将每个词的最佳左邻词输出，即s的分词结果。获取了与所述待答复咨询问题对应的分词结果后，再通过词频-逆文本频率指数模型(即tf-idf模型，tf-idf是termfrequency–inversedocumentfrequency的简写)，抽取所述分词结果中位于预设的第二排名值之前的关键词信息以作为目标关键词集合。通过tf-idf模型抽取所述分词结果中位于预设的排名值之前的关键词信息，具体如下：1)计算分词结果中每一分词i的词频，记为tfi；2)计算分词结果中每一分词i的逆文档频率idfi；在计算每一分词i的逆文档频率idfi时，需要一个语料库(与分词过程中的字典类似)，用来模拟语言的使用环境；逆文档频率idfi＝lg[语料库的文档总数/(包含该分词的文档数+1)]；如果一个词越常见，那么分母就越大，逆文档频率就越小越接近0。分母之所以要加1，是为了避免分母为0(即所有文档都不包含该词)。3)根据tfi*idfi计算分词结果中每一分词i对应的词频-逆文本频率指数tf-idfi；显然，tf-idf与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比。所以，自动提取关键词即是计算出文档的每个分词的tf-idf值，然后按降序排列，取排在前n位的词作为文档的关键词列表。4)将分词结果中每一分词对应的词频-逆文本频率指数按降序排序，取排名位于预设的排名值之前(例如预设的排名值为21)的分词组成与所述待答复咨询问题对应的目标关键词集合。获取与所述待答复咨询问题对应的目标关键词集合后，即可对应获取目标关键词集合中每一关键词对应的目标词向量。其中，获取关键词信息对应的词向量是基于预先构建的词汇表查询得到，词向量的获取过程称为word2vec，作用就是将自然语言中的字词转为计算机可以理解的稠密向量。例如，在语料库(也即词汇表)中，aa、bb、cc、dd(其中aa、bb、cc、dd代表一个中文词)各对应一个向量，向量中只有一个值为1，其余都为0。即先通过one-hotencoder(独热码)将字词转为离散的单独的符号，再通过word2vec降维转化为低维度的连续值，也就是稠密向量，并且其中意思相近的词将被映射到向量空间中相近的位置。最后，根据分词结果中每一关键词的词频，能获取与每一目标词向量对应的权重，此时根据每一目标词向量，及每一目标词向量对应的权重，获取与待答复咨询问题对应的语义网络向量。具体计算的公式如下：其中，vector指的是与待答复咨询问题对应的语义网络向量，word_embedding(kwi)为目标词向量i，ωi是目标词向量i对应的权重。通过上述过程即可将所述待答复咨询问题转化为一个多维行向量或多维列向量，实现了对所述待答复咨询问题的量化转化。s120、将所述语义网络向量与预先构建的回复答案库中所包括的语义向量进行相似度计算，得到回复答案库中与所述语义网络向量之间相似度大于预设相似度阈值的语义向量，以作为目标语义向量。在本实施例中，回复答案库中每一条答案数据均是以专家姓名、回答内容、关键词组合与语义向量的保存格式；其中，关键词组合是对回答内容，通过tf-idf模型抽取出排名前n位的关键词以组成关键词组合(其中，n为在服务器中自定义设置的值，例如设置n等于第二排名值+1)；语义向量是回答内容对应的各关键词、及各关键词对应的权重计算得到，计算过程与获取所述待答复咨询问题对应的语义网络向量相同。例如目标答案库的数据如下：序号专家姓名回答内容关键词组合语义向量1aa1b1b2b3b4b1+b2[c1c2……c3]2aa2b1b2b4b7b2+b7[c4c5……c6]……naanb3b4b7b9b3+b9[c7c8……c9]由于预先构建了所述回复答案库，当获取了与待答复咨询问题对应的语义网络向量后，即可将所述语义网络向量与预先构建的回复答案库中所包括的语义向量进行相似度计算，从而得到与所述语义网络向量相关度较高的回答内容，基于语义网络匹配问题和问题库中的答案，更加能识别出相似问题，提高问题回答的质量。在一实施例中，如图4所示，步骤s120包括：s121、获取所述语义网络向量对应的目标关键词集合；s122、将所述目标关键词集合与所述回复答案库中的关键词组合进行比对，获取所述回复答案库中包括所述目标关键词集合的关键词组合，以得到关键词匹配结果；s123、计算关键词匹配结果中每一关键词组合对应的语义向量与所述语义网络向量之间夹角的余弦值，以得到所述关键词匹配结果中每一关键词组合与所述语义网络向量之间的相似度，以作为相似度集合；s124、获取所述相似度集合中大于所述相似度阈值的相似度，以得到目标相似度集合；s125、获取所述目标相似度集合中每一相似度对应的语义向量，以作为目标语义向量。在本实施例中，在与待答复咨询问题对应的语义网络向量之前，是获取了与待答复咨询问题对应的目标关键词集合，此时为了提高获取待答复咨询问题的回答内容的检索效率，可先通过将所述目标关键词集合与所述回复答案库中的关键词组合进行比对，获取所述回复答案库中包括所述目标关键词集合的关键词组合，以得到关键词匹配结果。之后再在关键词匹配结果对应的多条答案数据中，计算关键词匹配结果中每一关键词组合对应的语义向量与所述语义网络向量之间的相似度。在计算向量之间的相似度时，可通过如下公式计算：其中，a和b分别代表两个向量，θ为向量a和向量b之间的夹角。具体实施时，设置相似度阈值为0.5。可见，通过上述过程即可快速筛选得到与所述语义网络向量相关度较高的回答内容。s130、获取所述目标语义向量对应的专家列表。在本实施例中，获取了目标语义向量，即获取了与待答复咨询问题相关度较高的回答内容，每一回答内容均对应回复答案库中的一条答案数据，而每一答案数据是对应一个专家姓名，故在获取了所述目标语义向量后，即可对应获取所述目标语义向量包括的各语义向量一一对应的专家姓名，从而组成专家列表。s140、获取所述专家列表中每一专家的热度值，根据专家的热度值对语义向量进行降序排序得到排序后语义向量，获取所述排序后语义向量中排名位于预设的第一排名值之前的语义向量，以得到筛选后语义向量。在本实施例中，为了对所述待答复咨询问题对应的上传端推送更值得信赖的回答内容，可以对所述目标语义向量对应的专家列表中各专家分别统计计算热度值，将热度值排名靠前的专家的回答内容作为优先推荐的回答内容，即更加能推荐出用户所信任的专家答案，提高准确性。在一实施例中，作为计算热度值的第一实施例，所述步骤s140中获取所述专家列表中每一专家的热度值，包括：根据专家列表中每一专家的文章被引用累计总次数，以对应得到每一专家的热度值。即作为计算热度值的第一实施例，可以根据专家列表中每一专家的文章被引用累计总次数，作为专家的热度值。若该专家发表了多篇文章，则其多篇文章中每一文章被引用累计总次数求和，即可得到该专家的热度值。在一实施例中，作为计算热度值的第二实施例，所述步骤s140中获取所述专家列表中每一专家的热度值，包括：根据预设的引用值模型获取所述专家列表中每一专家的文章被引用的引用值之和，以得到与所述专家列表中每一专家对应的热度值；其中，所述专家列表为其中valuek表示所述专家列表中专家k的热度值，其他专家i与所述专家列表中专家k之间的引用值为所述专家列表中专家k的文章发表时间是t0，其他专家i引用所述专家列表中专家k的文章的引用时间为t，λ为预设的调节参数。即作为计算热度值的第二实施例，在计算专家列表中每一专家的热度值时，可构建专家的有向社交网络结构，其中，主体是各个专家名称，有向的边指的是，专家a引用了专家b的文章，则专家a指向专家b，有向的边值为带有时间衰退因子的引用值，在计算某一专家的热度值时，计算公式如下：其中，valuek表示所述专家列表中专家k的热度值，其他专家i与所述专家列表中专家k之间的引用值为所述专家列表中专家k的文章发表时间是t0，其他专家i引用所述专家列表中专家k的文章的引用时间为t，λ为预设的调节参数(如设置调节参数为0.5)。s150、获取所述筛选后语义向量中各语义向量在回复答案库中对应的回答内容以得到专家知识推荐信息，将所述专家知识推荐信息发送至与所述待答复咨询问题对应的上传端。在本实施中，计算了专家列表中每一专家的热度值后，并且以此作为排序得到排序后语义向量，获取所述排序后语义向量中排名位于预设的第一排名值之前的语义向量(例如选择出排名前10的语义向量，第一排名值即设置为11)，及与语义向量对应的回答内容以得到专家知识推荐信息，推送至与所述待答复咨询问题对应的上传端，所推送的专家知识推荐信息包括了排序、回答内容、专家姓名。例如，所推送的专家知识推荐信息如下：序号专家姓名回答内容1aa1b1b2b3b42aa2b1b2b4b7……10aa10b3b4b7b9通过上述形式的专家知识推荐信息，所述待答复咨询问题对应的上传端即可得到可信度较高的答复内容。该方法采用语义识别技术能推荐出用户所信任的专家答案，提高推荐的准确性，而且基于语义网络匹配问题和回复答案库中的答案，更加能识别出相似问题，提高问题回答的质量。本发明实施例还提供一种专家知识推荐装置，该专家知识推荐装置用于执行前述专家知识推荐方法的任一实施例。具体地，请参阅图5，图5是本发明实施例提供的专家知识推荐装置的示意性框图。该专家知识推荐装置100可以配置于服务器中。如图5所示，专家知识推荐装置100包括咨询问题获取单元110、目标语义向量获取单元120、专家列表获取单元130、排序单元140、咨询回复单元150。咨询问题获取单元110，用于接收所上传的待答复咨询问题，将所述待答复咨询问题进行分词和关键词抽取，得到与所述待答复咨询问题对应的语义网络向量。在本实施例中，当用户需在线咨询问题时，在用户终端(即待答复咨询问题对应的上传端)上编辑好待答复咨询问题，并将待答复咨询问题上传至服务器，服务器接收所述待答复咨询问题后，对所述待答复咨询问题进行语义识别，得到与所述待答复咨询问题对应的语义网络向量。由于服务器中无法直接理解待答复咨询问题的含义，但是针对待答复咨询问题进行分词和关键词抽取后，即可将所述待答复咨询问题转化为一个量化后的多维行向量或多维列向量，此时即可根据所述待答复咨询问题在预先构建的回复答案库中搜索近似问题及其答案，所得到的回复更准确。在一实施例中，如图6所示，咨询问题获取单元110包括：分词单元111，用于将所述待答复咨询问题通过基于概率统计分词模型进行分词，得到与所述待答复咨询问题对应的分词结果；关键词抽取单元112，用于通过词频-逆文本频率指数模型，抽取所述分词结果中位于预设的第二排名值之前的关键词信息以作为目标关键词集合；目标词向量获取单元113，用于获取所述目标关键词集合中每一关键词信息对应的目标词向量；语义网络向量获取单元114，用于根据每一目标词向量，及每一目标词向量对应的权重，获取与待答复咨询问题对应的语义网络向量。在本实施例中，将所述待答复咨询问题通过基于概率统计分词模型进行分词过程如下：例如，令c＝c1c2...cm，c是待切分的汉字串，令w＝w1w2...wn，w是切分的结果，wa，wb，……，wk是c的所有可能的切分方案。那么，基于概率统计分词模型就是能够找到目的词串w，使得w满足：p(w|c)＝max(p(wa|c),p(wb|c)...p(wk|c))的分词模型，上述分词模型得到的词串w即估计概率为最大之词串。即：对一个待分词的子串s，按照从左到右的顺序取出全部候选词w1、w2、…、wi、…、wn；在词典中查出每个候选词的概率值p(wi)，并记录每个候选词的全部左邻词；计算每个候选词的累计概率，同时比较得到每个候选词的最佳左邻词；如果当前词wn是字串s的尾词，且累计概率p(wn)最大，则wn就是s的终点词；从wn开始，按照从右到左顺序，依次将每个词的最佳左邻词输出，即s的分词结果。获取了与所述待答复咨询问题对应的分词结果后，再通过词频-逆文本频率指数模型(即tf-idf模型，tf-idf是termfrequency–inversedocumentfrequency的简写)，抽取所述分词结果中位于预设的第二排名值之前的关键词信息以作为目标关键词集合。获取与所述待答复咨询问题对应的目标关键词集合后，即可对应获取目标关键词集合中每一关键词对应的目标词向量。其中，获取关键词信息对应的词向量是基于预先构建的词汇表查询得到，词向量的获取过程称为word2vec，作用就是将自然语言中的字词转为计算机可以理解的稠密向量。例如，在语料库(也即词汇表)中，aa、bb、cc、dd(其中aa、bb、cc、dd代表一个中文词)各对应一个向量，向量中只有一个值为1，其余都为0。即先通过one-hotencoder(独热码)将字词转为离散的单独的符号，再通过word2vec降维转化为低维度的连续值，也就是稠密向量，并且其中意思相近的词将被映射到向量空间中相近的位置。最后，根据分词结果中每一关键词的词频，能获取与每一目标词向量对应的权重，此时根据每一目标词向量，及每一目标词向量对应的权重，获取与待答复咨询问题对应的语义网络向量。具体计算的公式如下：其中，vector指的是与待答复咨询问题对应的语义网络向量，word_embedding(kwi)为目标词向量i，ωi是目标词向量i对应的权重。通过上述过程即可将所述待答复咨询问题转化为一个多维行向量或多维列向量，实现了对所述待答复咨询问题的量化转化。目标语义向量获取单元120，用于将所述语义网络向量与预先构建的回复答案库中所包括的语义向量进行相似度计算，得到回复答案库中与所述语义网络向量之间相似度大于预设相似度阈值的语义向量，以作为目标语义向量。在本实施例中，回复答案库中每一条答案数据均是以专家姓名、回答内容、关键词组合与语义向量的保存格式；其中，关键词组合是对回答内容，通过tf-idf模型抽取出排名前n位的关键词以组成关键词组合(其中，n为在服务器中自定义设置的值，例如设置n等于第二排名值+1)；语义向量是回答内容对应的各关键词、及各关键词对应的权重计算得到，计算过程与获取所述待答复咨询问题对应的语义网络向量相同。例如目标答案库的数据如下：序号专家姓名回答内容关键词组合语义向量1aa1b1b2b3b4b1+b2[c1c2……c3]2aa2b1b2b4b7b2+b7[c4c5……c6]……naanb3b4b7b9b3+b9[c7c8……c9]由于预先构建了所述回复答案库，当获取了与待答复咨询问题对应的语义网络向量后，即可将所述语义网络向量与预先构建的回复答案库中所包括的语义向量进行相似度计算，从而得到与所述语义网络向量相关度较高的回答内容，基于语义网络匹配问题和问题库中的答案，更加能识别出相似问题，提高问题回答的质量。在一实施例中，如图7所示，目标语义向量获取单元120包括：目标关键词集合获取单元121，用于获取所述语义网络向量对应的目标关键词集合；关键词比较单元122，用于将所述目标关键词集合与所述回复答案库中的关键词组合进行比对，获取所述回复答案库中包括所述目标关键词集合的关键词组合，以得到关键词匹配结果；相似度集合获取单元123，用于计算关键词匹配结果中每一关键词组合对应的语义向量与所述语义网络向量之间夹角的余弦值，以得到所述关键词匹配结果中每一关键词组合与所述语义网络向量之间的相似度，以作为相似度集合；目标相似度集合获取单元124，用于获取所述相似度集合中大于所述相似度阈值的相似度，以得到目标相似度集合；目标相似度集合解析单元125，用于获取所述目标相似度集合中每一相似度对应的语义向量，以作为目标语义向量。在本实施例中，在与待答复咨询问题对应的语义网络向量之前，是获取了与待答复咨询问题对应的目标关键词集合，此时为了提高获取待答复咨询问题的回答内容的检索效率，可先通过将所述目标关键词集合与所述回复答案库中的关键词组合进行比对，获取所述回复答案库中包括所述目标关键词集合的关键词组合，以得到关键词匹配结果。之后再在关键词匹配结果对应的多条答案数据中，计算关键词匹配结果中每一关键词组合对应的语义向量与所述语义网络向量之间的相似度。在计算向量之间的相似度时，可通过如下公式计算：其中，a和b分别代表两个向量，θ为向量a和向量b之间的夹角。具体实施时，设置相似度阈值为0.5。可见，通过上述过程即可快速筛选得到与所述语义网络向量相关度较高的回答内容。专家列表获取单元130，用于获取所述目标语义向量对应的专家列表。在本实施例中，获取了目标语义向量，即获取了与待答复咨询问题相关度较高的回答内容，每一回答内容均对应回复答案库中的一条答案数据，而每一答案数据是对应一个专家姓名，故在获取了所述目标语义向量后，即可对应获取所述目标语义向量包括的各语义向量一一对应的专家姓名，从而组成专家列表。排序单元140，用于获取所述专家列表中每一专家的热度值，根据专家的热度值对语义向量进行降序排序得到排序后语义向量，获取所述排序后语义向量中排名位于预设的第一排名值之前的语义向量，以得到筛选后语义向量。在本实施例中，为了对所述待答复咨询问题对应的上传端推送更值得信赖的回答内容，可以对所述目标语义向量对应的专家列表中各专家分别统计计算热度值，将热度值排名靠前的专家的回答内容作为优先推荐的回答内容，即更加能推荐出用户所信任的专家答案，提高准确性。在一实施例中，作为计算热度值的第一实施例，所述排序单元140还用于：根据专家列表中每一专家的文章被引用累计总次数，以对应得到每一专家的热度值。即作为计算热度值的第一实施例，可以根据专家列表中每一专家的文章被引用累计总次数，作为专家的热度值。若该专家发表了多篇文章，则其多篇文章中每一文章被引用累计总次数求和，即可得到该专家的热度值。在一实施例中，作为计算热度值的第二实施例，所述排序单元140还用于：根据预设的引用值模型获取所述专家列表中每一专家的文章被引用的引用值之和，以得到与所述专家列表中每一专家对应的热度值；其中，所述专家列表为其中valuek表示所述专家列表中专家k的热度值，其他专家i与所述专家列表中专家k之间的引用值为所述专家列表中专家k的文章发表时间是t0，其他专家i引用所述专家列表中专家k的文章的引用时间为t，λ为预设的调节参数。即作为计算热度值的第二实施例，在计算专家列表中每一专家的热度值时，可构建专家的有向社交网络结构，其中，主体是各个专家名称，有向的边指的是，专家a引用了专家b的文章，则专家a指向专家b，有向的边值为带有时间衰退因子的引用值，在计算某一专家的热度值时，计算公式如下：其中，valuek表示所述专家列表中专家k的热度值，其他专家i与所述专家列表中专家k之间的引用值为所述专家列表中专家k的文章发表时间是t0，其他专家i引用所述专家列表中专家k的文章的引用时间为t，λ为预设的调节参数(如设置调节参数为0.5)。咨询回复单元150，用于获取所述筛选后语义向量中各语义向量在回复答案库中对应的回答内容以得到专家知识推荐信息，将所述专家知识推荐信息发送至与所述待答复咨询问题对应的上传端。在本实施中，计算了专家列表中每一专家的热度值后，并且以此作为排序得到排序后语义向量，获取所述排序后语义向量中排名位于预设的第一排名值之前的语义向量(例如选择出排名前10的语义向量，第一排名值即设置为11)，及与语义向量对应的回答内容以得到专家知识推荐信息，推送至与所述待答复咨询问题对应的上传端，所推送的专家知识推荐信息包括了排序、回答内容、专家姓名。例如，所推送的专家知识推荐信息如下：序号专家姓名回答内容1aa1b1b2b3b42aa2b1b2b4b7……10aa10b3b4b7b9通过上述形式的专家知识推荐信息，所述待答复咨询问题对应的上传端即可得到可信度较高的答复内容。该装置采用语义识别技术能推荐出用户所信任的专家答案，提高推荐的准确性，而且基于语义网络匹配问题和回复答案库中的答案，更加能识别出相似问题，提高问题回答的质量。上述专家知识推荐装置可以实现为计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。请参阅图8，图8是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器。其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。参阅图8，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行专家知识推荐方法。该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行专家知识推荐方法。该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图8中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：接收所上传的待答复咨询问题，将所述待答复咨询问题进行分词和关键词抽取，得到与所述待答复咨询问题对应的语义网络向量；将所述语义网络向量与预先构建的回复答案库中所包括的语义向量进行相似度计算，得到回复答案库中与所述语义网络向量之间相似度大于预设相似度阈值的语义向量，以作为目标语义向量；获取所述目标语义向量对应的专家列表；获取所述专家列表中每一专家的热度值，根据专家的热度值对语义向量进行降序排序得到排序后语义向量，获取所述排序后语义向量中排名位于预设的第一排名值之前的语义向量，以得到筛选后语义向量；以及获取所述筛选后语义向量中各语义向量在回复答案库中对应的回答内容以得到专家知识推荐信息，将所述专家知识推荐信息发送至与所述待答复咨询问题对应的上传端。在一实施例中，处理器502在执行所述所述将所述待答复咨询问题进行分词和关键词抽取，得到与所述待答复咨询问题对应的语义网络向量的步骤时，执行如下操作：将所述待答复咨询问题通过基于概率统计分词模型进行分词，得到与所述待答复咨询问题对应的分词结果；通过词频-逆文本频率指数模型，抽取所述分词结果中位于预设的第二排名值之前的关键词信息以作为目标关键词集合；获取所述目标关键词集合中每一关键词信息对应的目标词向量；根据每一目标词向量，及每一目标词向量对应的权重，获取与待答复咨询问题对应的语义网络向量。在一实施例中，处理器502在执行所述将所述语义网络向量与预先构建的回复答案库中所包括的语义向量进行相似度计算，得到回复答案库中与所述语义网络向量之间相似度大于预设相似度阈值的语义向量，以作为目标语义向量的步骤时，执行如下操作：获取所述语义网络向量对应的目标关键词集合；将所述目标关键词集合与所述回复答案库中的关键词组合进行比对，获取所述回复答案库中包括所述目标关键词集合的关键词组合，以得到关键词匹配结果；计算关键词匹配结果中每一关键词组合对应的语义向量与所述语义网络向量之间夹角的余弦值，以得到所述关键词匹配结果中每一关键词组合与所述语义网络向量之间的相似度，以作为相似度集合；获取所述相似度集合中大于所述相似度阈值的相似度，以得到目标相似度集合；获取所述目标相似度集合中每一相似度对应的语义向量，以作为目标语义向量。在一实施例中，处理器502在执行所述获取所述专家列表中每一专家的热度值的步骤时，执行如下操作：根据专家列表中每一专家的文章被引用累计总次数，以对应得到每一专家的热度值。在一实施例中，处理器502在执行所述获取所述专家列表中每一专家的热度值的步骤时，执行如下操作：根据预设的引用值模型获取所述专家列表中每一专家的文章被引用的引用值之和，以得到与所述专家列表中每一专家对应的热度值；其中，所述专家列表为其中valuek表示所述专家列表中专家k的热度值，其他专家i与所述专家列表中专家k之间的引用值为所述专家列表中专家k的文章发表时间是t0，其他专家i引用所述专家列表中专家k的文章的引用时间为t，λ为预设的调节参数。本领域技术人员可以理解，图8中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图8所示实施例一致，在此不再赘述。应当理解，在本发明实施例中，处理器502可以是中央处理单元(centralprocessingunit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，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。其中，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。在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现以下步骤：接收所上传的待答复咨询问题，将所述待答复咨询问题进行分词和关键词抽取，得到与所述待答复咨询问题对应的语义网络向量；将所述语义网络向量与预先构建的回复答案库中所包括的语义向量进行相似度计算，得到回复答案库中与所述语义网络向量之间相似度大于预设相似度阈值的语义向量，以作为目标语义向量；获取所述目标语义向量对应的专家列表；获取所述专家列表中每一专家的热度值，根据专家的热度值对语义向量进行降序排序得到排序后语义向量，获取所述排序后语义向量中排名位于预设的第一排名值之前的语义向量，以得到筛选后语义向量；以及获取所述筛选后语义向量中各语义向量在回复答案库中对应的回答内容以得到专家知识推荐信息，将所述专家知识推荐信息发送至与所述待答复咨询问题对应的上传端。在一实施例中，所述将所述待答复咨询问题进行分词和关键词抽取，得到与所述待答复咨询问题对应的语义网络向量，包括：将所述待答复咨询问题通过基于概率统计分词模型进行分词，得到与所述待答复咨询问题对应的分词结果；通过词频-逆文本频率指数模型，抽取所述分词结果中位于预设的第二排名值之前的关键词信息以作为目标关键词集合；获取所述目标关键词集合中每一关键词信息对应的目标词向量；根据每一目标词向量，及每一目标词向量对应的权重，获取与待答复咨询问题对应的语义网络向量。在一实施例中，所述将所述语义网络向量与预先构建的回复答案库中所包括的语义向量进行相似度计算，得到回复答案库中与所述语义网络向量之间相似度大于预设相似度阈值的语义向量，以作为目标语义向量，包括：获取所述语义网络向量对应的目标关键词集合；将所述目标关键词集合与所述回复答案库中的关键词组合进行比对，获取所述回复答案库中包括所述目标关键词集合的关键词组合，以得到关键词匹配结果；计算关键词匹配结果中每一关键词组合对应的语义向量与所述语义网络向量之间夹角的余弦值，以得到所述关键词匹配结果中每一关键词组合与所述语义网络向量之间的相似度，以作为相似度集合；获取所述相似度集合中大于所述相似度阈值的相似度，以得到目标相似度集合；获取所述目标相似度集合中每一相似度对应的语义向量，以作为目标语义向量。在一实施例中，所述获取所述专家列表中每一专家的热度值，包括：根据专家列表中每一专家的文章被引用累计总次数，以对应得到每一专家的热度值。。在一实施例中，所述获取所述专家列表中每一专家的热度值，包括：根据预设的引用值模型获取所述专家列表中每一专家的文章被引用的引用值之和，以得到与所述专家列表中每一专家对应的热度值；其中，所述专家列表为其中valuek表示所述专家列表中专家k的热度值，其他专家i与所述专家列表中专家k之间的引用值为所述专家列表中专家k的文章发表时间是t0，其他专家i引用所述专家列表中专家k的文章的引用时间为t，λ为预设的调节参数。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，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的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、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。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发明实施例方案的目的。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，也可以是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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、磁碟或者光盘等各种可以存储程序代码的介质。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。当前第1页12