消息行业应用模板推荐方法、装置及计算设备与流程

1.本发明实施例涉及通信网络技术领域，具体涉及一种消息行业应用模板推荐方法、装置及计算设备。


背景技术：

2.现有技术中，5g消息行业应用模板需要由行业客户自主选择或由人工来进行推荐，但经常存在匹配不精准的问题，目前并无5g消息行业应用模板自动推荐方案。
3.每个行业内存在着多种多样的应用需求，并不能简单的将某个行业的消息应用直接映射到该行业模板，随着行业需求越来越多样化，传统由行业客户自主选择或由人工来进行推荐5g消息行业应用模板的做法已经无法适应新的需求，存在效率较低、行业客户使用体验差，选择的模板与实际需求不匹配等问题。


技术实现要素：

4.鉴于上述问题，本发明实施例提供了一种消息行业应用模板推荐方法、装置及计算设备，克服了上述问题或者至少部分地解决了上述问题。
5.根据本发明实施例的一个方面，提供了一种消息行业应用模板推荐方法，所述方法包括：接收行业客户发起的新建消息应用请求，所述消息应用请求中携带有新建消息应用的场景描述；获取多个现有消息行业应用模板的信息，并对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理；应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的第一匹配度评分；将所述第一匹配度评分最高的所述现有消息行业应用模板作为新建消息应用的消息行业应用模板推荐给所述行业客户。
6.在一种可选的方式中，所述所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理，包括：对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行文本清洗并将文本序列化。
7.在一种可选的方式中，所述对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行文本清洗并将文本序列化，包括：统一字母大小写，将大写字母转换成小写字母，将所述新建消息应用的场景描述和所述现有消息行业应用模板的信息构成的数据中的每个单词转换为整数序列；将所述新建消息应用的场景描述的长度补零至第一编码序列长度，将所述现有消息行业应用模板的信息补零至第二编码序列长度。
8.在一种可选的方式中，所述应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的匹配度之前，包括：获取历史新建消息应用的场景描述和所述现有消息行业应用模板的信息；将所述历史新建消息应用的场景描述与所述现有消息行业应用模板逐一成对进行人工匹配，获取正确匹配度评分，形成总数据集；对所述总数据集进行文本清洗和文本序列化；将所述总数据集划分为训练集和测试集，应用所述训练集对深度神经网络模型进行训练，应用所述测试集对训练收敛的所述深度神
经网络模型进行验证，将训练收敛的所述深度神经网络模型作为所述消息行业模板推荐器。
9.在一种可选的方式中，所述应用所述训练集对深度神经网络模型进行训练，包括：将所述训练集中的所述历史新建消息应用的场景描述与所述现有消息行业应用模板的信息输入所述深度神经网络模型，获取预测的第二匹配度评分；计算所述第二匹配度评分与所述正确匹配度评分之间的误差，应用目标函数衡量所述误差；应用梯度下降优化算法使所述深度神经网络模型梯度下降，获取使所述目标函数最小的所述深度神经网络模型的最优权重参数，所述最优权重参数对应的所述深度神经网络模型为训练收敛的所述深度神经网络模型。
10.在一种可选的方式中，所述将所述训练集中的所述历史新建消息应用的场景描述与所述现有消息行业应用模板的信息输入所述深度神经网络模型，获取预测的第二匹配度评分，包括：通过第一输入层接收输入的所述历史新建消息应用的场景描述，通过第二输入层接收输入的所述现有消息行业应用模板的信息；分别应用第一词嵌入层和第二词嵌入层对输入的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息进行处理，将每个单词转换为预设维度的空间向量；分别应用第一reshape层和第二reshape层将所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息转换为预设数据形状；将处理后的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息通过融合层进行合并；合并后的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息经过包括三个神经元个数不相同的2个全连接层和2个舍弃层的隐藏层进行处理；通过输出层输出所述第二匹配度评分。
11.在一种可选的方式中，所述方法还包括：获取所述行业客户根据推荐的所述消息行业应用模板的使用体验反馈的第三匹配度评分；根据所述行业客户反馈的所述第三匹配度评分对所述消息行业应用模板推荐器进行模型优化更新。
12.根据本发明实施例的另一个方面，提供了一种消息行业应用模板推荐装置，所述装置包括：请求接收单元，用于接收行业客户发起的新建消息应用请求，所述消息应用请求中携带有新建消息应用的场景描述；预处理单元，用于获取多个现有消息行业应用模板的信息，并对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理；匹配测试单元，用于应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的第一匹配度评分；模板推荐单元，用于将所述第一匹配度评分最高的所述现有消息行业应用模板作为新建消息应用的消息行业应用模板推荐给所述行业客户。
13.根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
14.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述消息行业应用模板推荐方法的步骤。
15.根据本发明实施例的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行上述消息行业应用模板推荐方法的步骤。
16.本发明实施例通过接收行业客户发起的新建消息应用请求，所述消息应用请求中携带有新建消息应用的场景描述；获取多个现有消息行业应用模板的信息，并对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理；应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的第一匹配度评分；将所述第一匹配度评分最高的所述现有消息行业应用模板作为新建消息应用的消息行业应用模板推荐给所述行业客户，能够为行业客户提供最适合其消息应用场景的行业模板，有助于提升行业客户使用体验。
17.上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
18.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
19.图1示出了本发明实施例提供的消息行业应用模板推荐方法的流程示意图；
20.图2示出了本发明实施例提供的消息行业应用模板推荐方法的深度神经网络模型的结构示意图；
21.图3示出了本发明实施例提供的消息行业应用模板推荐装置的结构示意图；
22.图4示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
23.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
24.相较于功能单一的传统短信，5g消息不仅拓宽了信息收发的广度，支持用户使用文本、音视频、卡片、位置等多媒体内容，更延展了交互体验的深度，用户在消息窗口就能完成服务搜索、发现、交互、支付等业务，构建一站式服务的信息窗口。5g消息兼具2c和2b应用的特征，它既能方便用户之间传递语音、图片、视频、卡片、文件等富媒体信息，又支持企业在5g消息平台上以聊天机器人(chatbot)的方式提供交互式服务。5g消息既是对于传统短信的全面升级，又为即将到来的一系列丰富的5g应用提供了入口。人们可以利用5g消息来购物、订餐、订票、订酒店，也可以观看影片、开视频会议、体验vr和在线教育，5g消息将成为人与社会的连接的桥梁。
25.5g消息提供增强的个人与应用间消息服务，实现“消息即服务”，并且引入了新的消息交互模式——chatbot聊天机器人，大家可以在消息窗口直观便捷地享受缴费充值、票务订购、酒店预订、物流查询、餐饮订座、外卖下单等各类5g应用服务。其中chatbot是一种行业客户向终端用户提供的以对话形式呈现的服务，该服务通常基于人工智能软件，模拟人类智能对话，向用户提供特定服务功能。
26.图1示出了本发明实施例提供的消息行业应用模板推荐方法的流程示意图。该消息行业应用模板推荐方法应用于5g消息应用开放平台，如图1所示，消息行业应用模板推荐方法包括：
27.步骤s11：接收行业客户发起的新建消息应用请求，所述消息应用请求中携带有新建消息应用的场景描述。
28.5g消息应用开放平台可以帮助行业客户按需实现多场景的a2p沟通，企业可通过平台快速完成消息应用的部署，无需进行复杂的代码开发，帮助行业客户简单便捷的创建自己的5g消息应用。本发明实施例的消息行业应用模板推荐方法适用于5g通信，对应地，新建消息应用请求为新建5g消息应用请求，现有消息行业应用模板为现有5g消息行业应用模板。在步骤s11中，行业客户向5g消息应用开放平台发起新建5g消息应用请求，5g消息应用开放平台接收该新建5g消息应用请求，新建5g消息应用请求中携带该新建5g消息应用的场景描述。
29.步骤s12：获取多个现有消息行业应用模板的信息，并对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理。
30.在步骤s12中，从5g消息应用开放平台中获取所有现有消息行业应用模板的信息。然后对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息预处理，即进行文本清洗并将文本序列化，具体地，统一字母大小写，将大写字母转换成小写字母，将所述新建消息应用的场景描述和所述现有消息行业应用模板的信息构成的数据中的每个单词转换为整数序列；将所述新建消息应用的场景描述的长度补零至第一编码序列长度，将所述现有消息行业应用模板的信息补零至第二编码序列长度。
31.步骤s13：应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的第一匹配度评分。
32.在本发明实施例中，在步骤s13之前，需要对消息行业模板推荐器进行训练以获取该消息行业模板推荐器的最优权重参数。具体地，获取历史新建消息应用的场景描述和所述现有消息行业应用模板的信息；将所述历史新建消息应用的场景描述与所述现有消息行业应用模板逐一成对进行人工匹配，获取正确匹配度评分，形成总数据集；对所述总数据集进行文本清洗和文本序列化；将所述总数据集划分为训练集和测试集，应用所述训练集对深度神经网络模型进行训练，应用所述测试集对训练收敛的所述深度神经网络模型进行验证，将训练收敛的所述深度神经网络模型作为所述消息行业模板推荐器。
33.在本发明实施例中，从5g消息应用开放平台中获取历史新建5g消息应用的场景描述和现有5g消息行业应用模板。新建5g消息应用的场景描述主要包括场景所需实现的功能，可表示为ak。例如某教育类的消息应用场景描述为：实现对学生和老师的每日健康状况上报信息的收集和分析、并对学生和老师下发防疫健康指导。每个现有5g消息行业应用模板的信息主要包括所包含的卡片信息、悬浮菜单信息、固定菜单信息、ai交互模型信息、位置信息、音视频呼叫信息等，可表示为pi。
34.将新建5g消息应用的场景描述与每个现有5g消息行业应用模板逐一成对进行人工匹配度评分，从而获得正确匹配度评分。匹配度评分范围为0-5，总数据集中的正确匹配度评分是利用专家经验对历史新建5g消息应用的场景需求和每个现有5g消息行业模板的匹配度进行人工打分得到，可表示为yi。
35.对总数据集进行文本清洗和文本序列化时，统一字母大小写，将大写字母转换成小写字母，将数据中的每个单词转换为整数序列，例如：[“qci”：40，“imsi”：105，“info”：8，“update”：278，“on”：89，“agent”：164，“modify”：59，“the”：21，“type”：303，“storage”：231，...]。同时取总数据集中新建5g消息应用的场景描述文本最长的长度作为第一编码序列长度scene_length，取总数据集中现有5g消息行业应用模板的信息文本最长的长度作为第二编码序列长度template_length。
[0036]
最后将总数据集的80％为训练集数据，剩余20％为测试集数据，取整个训练集对深度神经网络模型进行训练，用测试集来评价验证训练收敛的深度神经网络模型。
[0037]
在本发明实施例中，应用所述训练集对深度神经网络模型进行训练时，将所述训练集中的所述历史新建消息应用的场景描述与所述现有消息行业应用模板的信息输入所述深度神经网络模型，获取预测的第二匹配度评分；计算所述第二匹配度评分与所述正确匹配度评分之间的误差，应用目标函数衡量所述误差；应用梯度下降优化算法使所述深度神经网络模型梯度下降，获取使所述目标函数最小的所述深度神经网络模型的最优权重参数，所述最优权重参数对应的所述深度神经网络模型为训练收敛的所述深度神经网络模型。
[0038]
深度神经网络模型的结构参考图2，具体地，通过第一输入层接收输入的所述历史新建消息应用的场景描述，通过第二输入层接收输入的所述现有消息行业应用模板的信息；分别应用第一词嵌入层和第二词嵌入层对输入的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息进行处理，将每个单词转换为预设维度的空间向量；分别应用第一reshape层和第二reshape层将所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息转换为预设数据形状；将处理后的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息通过融合层进行合并；合并后的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息经过包括三个神经元个数不相同的2个全连接层和2个舍弃层的隐藏层进行处理；通过输出层输出所述第二匹配度评分。
[0039]
第一词嵌入层输入的历史新建消息应用的场景描述的数据维度为第一编码序列长度scene_length，输出设置为需要将单词转换为向量空间的大小128维度。类似地，第二词嵌入层输入的现有消息行业应用模板的信息的数据维度为第二编码序列长度template_length，输出也设置为需要将单词转换为向量空间的大小128维度。第一词嵌入层和第二词嵌入层的作用是对输入文本中的每个单词进行向量映射(word embeddings)，即将文本中的每个单词的整数序列转换为固定形状128维度的空间向量。第一reshape层和第二reshape层则是将数据形状从(batch_size，input_length，embedding_size)转换为(batch_size，embedding_size)。合并层(concatenate)是将两类数据的空间向量按列维度进行拼接。
[0040]
隐藏层包含2个全连接层(dense)和2个舍弃层(dropout)。其中第一个全连接层含有128个神经元，第二个全连接层含有64个神经元，全连接层使用的激活函数均为'relu'。在每一个全连接层之后均引入一个dropout层，以有效避免过拟合(overfitting)，所谓的dropout层是指以概率p舍弃神经元并让其它神经元以概率q＝1-p保留，本发明实施例中设置舍弃概率＝0.2，即随机忽略20％的神经元，使其失效。
[0041]
输出层含有1个全连接层(dense)神经元，激活函数设置为'relu'，输出所预测的
新建5g消息应用的场景需求和每个现有5g消息行业模板的第二匹配度评分yi。
[0042]
得到预测的第二匹配度评分yi之后，计算所述预测的第二匹配度评分yi与所述正确匹配度评分之间的误差，应用目标函数衡量所述误差。目标函数选择平均绝对值误差mse(mean squared error)作为损失函数即目标函数(loss＝'mse')：
[0043][0044]
应用梯度下降优化算法使深度神经网络模型梯度下降，获取使所述目标函数最小的所述深度神经网络模型的最优权重参数，所述最优权重参数对应的所述深度神经网络模型为训练收敛的所述深度神经网络模型。具体地，将训练回合数设置为1000(epochs＝1000)，批处理大小设置为10(batch_size＝10)，梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer＝'adam')。深度神经网络模型通过梯度下降，可以找到使目标函数最小的最优权重参数，深度神经网络模型通过训练会自主学习到权重参数，随着训练回合数的增加，训练误差也逐渐下降，深度神经网络模型逐渐收敛。用训练集进行训练，使得目标函数越小越好，并在每轮训练后用测试集来评价验证深度神经网络模型。深度神经网络模型收敛后导出该深度神经网络模型的权重参数，即为使目标函数最小的最优权重参数，将训练收敛的所述深度神经网络模型作为所述消息行业模板推荐器。
[0045]
在本发明实施例中，神经网络的层数和神经元个数等超参数的设置是通过多次模型调参得到，受不同的问题场景、不同的数据集影响，最终选择能使准确率最高的超参数。本发明实施例所选择的超参数设置仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明的超参数设置可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0046]
在步骤s13中，具体地，消息行业模板推荐器的结构参见图2中的深度神经网络模型，输入的数据分别为新建5g消息应用的场景描述和有消息行业应用模板的信息，将新建5g消息应用的场景描述和有消息行业应用模板的信息输入训练收敛的消息行业模板推荐器，该消息行业模板推荐器的权重参数为训练得到的最优权重参数，通过消息行业模板推荐器对新建5g消息应用的场景描述和有消息行业应用模板的信息进行处理，输出层输出的是预测的第一匹配度评分。
[0047]
步骤s14：将所述第一匹配度评分最高的所述现有消息行业应用模板作为新建消息应用的消息行业应用模板推荐给所述行业客户。
[0048]
在本发明实施例中，行业客户向5g消息应用开放平台发起新建5g消息应用请求，请求消息中携带该新建5g消息应用的场景描述，随后5g消息应用开放平台获取每个现有5g消息行业应用模板的信息，并将该请求消息中携带该消息应用的场景描述和每个现有5g消息行业模板的信息发送至数据预处理模块，经数据预处理模块文本预处理后发送至消息行业模板推荐器(由预训练收敛的多分支深度神经网络模型构成)，利用深度神经网络模型提取两者合并后的多维特征向量，学习两者输入间的匹配关系，最终逐一预测该5g新建消息应用的场景描述与每一个现有消息行业应用模板的第一匹配度评分，反馈给5g消息应用开放平台，5g消息应用开放平台取第一匹配度评分最高的现有消息行业应用模板作为该新建5g消息应用的消息行业应用模板，并反馈给行业客户，从而为行业客户提供最适合其5g消息应用场景的消息行业应用模板，有助于提升行业客户使用体验。
[0049]
在本发明实施例中，获取所述行业客户根据推荐的所述消息行业应用模板的使用体验反馈的第三匹配度评分；根据所述行业客户反馈的所述第三匹配度评分对所述消息行业应用模板推荐器进行模型优化更新。即行业客户接收到推荐的消息行业应用模板后可根据使用体验进行匹配度评分，获得第三匹配度评分，消息行业模板推荐器根据用户反馈的第三匹配度评分进行优化更新。具体地，将第三匹配度评分作为正确匹配度评分，将第三匹配度评分以及对应的新建5g消息应用的场景描述和现有5g消息行业应用模板的信息并入总数据集，应用该总数据集定期或不定期对构成消息行业模板推荐器的深度神经网络模型进行训练，更新最优权重参数，以实现对消息行业模板推荐器的优化更新。
[0050]
本发明实施例通过接收行业客户发起的新建消息应用请求，所述消息应用请求中携带有新建消息应用的场景描述；获取多个现有消息行业应用模板的信息，并对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理；应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的第一匹配度评分；将所述第一匹配度评分最高的所述现有消息行业应用模板作为新建消息应用的消息行业应用模板推荐给所述行业客户，能够为行业客户提供最适合其消息应用场景的行业模板，有助于提升行业客户使用体验。
[0051]
图3示出了本发明实施例的消息行业应用模板推荐装置的结构示意图。如图3所示，该消息行业应用模板推荐装置包括：请求接收单元301、预处理单元302、匹配测试单元303、模板推荐单元304以及模型训练单元305。其中：
[0052]
请求接收单元301用于接收行业客户发起的新建消息应用请求，所述消息应用请求中携带有新建消息应用的场景描述；预处理单元302用于获取多个现有消息行业应用模板的信息，并对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理；匹配测试单元303用于应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的第一匹配度评分；模板推荐单元304用于将所述第一匹配度评分最高的所述现有消息行业应用模板作为新建消息应用的消息行业应用模板推荐给所述行业客户。
[0053]
在一种可选的方式中，预处理单元302用于：对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行文本清洗并将文本序列化。
[0054]
在一种可选的方式中，预处理单元302用于：统一字母大小写，将大写字母转换成小写字母，将所述新建消息应用的场景描述和所述现有消息行业应用模板的信息构成的数据中的每个单词转换为整数序列；将所述新建消息应用的场景描述的长度补零至第一编码序列长度，将所述现有消息行业应用模板的信息补零至第二编码序列长度。
[0055]
在一种可选的方式中，模型训练模块305用于：获取历史新建消息应用的场景描述和所述现有消息行业应用模板的信息；将所述历史新建消息应用的场景描述与所述现有消息行业应用模板逐一成对进行人工匹配，获取正确匹配度评分，形成总数据集；对所述总数据集进行文本清洗和文本序列化；将所述总数据集划分为训练集和测试集，应用所述训练集对深度神经网络模型进行训练，应用所述测试集对训练收敛的所述深度神经网络模型进行验证，将训练收敛的所述深度神经网络模型作为所述消息行业模板推荐器。
[0056]
在一种可选的方式中，模型训练模块305用于：将所述训练集中的所述历史新建消息应用的场景描述与所述现有消息行业应用模板的信息输入所述深度神经网络模型，获取
预测的第二匹配度评分；计算所述第二匹配度评分与所述正确匹配度评分之间的误差，应用目标函数衡量所述误差；应用梯度下降优化算法使所述深度神经网络模型梯度下降，获取使所述目标函数最小的所述深度神经网络模型的最优权重参数，所述最优权重参数对应的所述深度神经网络模型为训练收敛的所述深度神经网络模型。
[0057]
在一种可选的方式中，模型训练模块305还用于：通过第一输入层接收输入的所述历史新建消息应用的场景描述，通过第二输入层接收输入的所述现有消息行业应用模板的信息；分别应用第一词嵌入层和第二词嵌入层对输入的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息进行处理，将每个单词转换为预设维度的空间向量；分别应用第一reshape层和第二reshape层将所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息转换为预设数据形状；将处理后的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息通过融合层进行合并；合并后的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息经过包括三个神经元个数不相同的2个全连接层和2个舍弃层的隐藏层进行处理；通过输出层输出所述第二匹配度评分。
[0058]
在一种可选的方式中，模型训练模块305还用于：获取所述行业客户根据推荐的所述消息行业应用模板的使用体验反馈的第三匹配度评分；根据所述行业客户反馈的所述第三匹配度评分对所述消息行业应用模板推荐器进行模型优化更新。
[0059]
本发明实施例通过接收行业客户发起的新建消息应用请求，所述消息应用请求中携带有新建消息应用的场景描述；获取多个现有消息行业应用模板的信息，并对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理；应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的第一匹配度评分；将所述第一匹配度评分最高的所述现有消息行业应用模板作为新建消息应用的消息行业应用模板推荐给所述行业客户，能够为行业客户提供最适合其消息应用场景的行业模板，有助于提升行业客户使用体验。
[0060]
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的消息行业应用模板推荐方法。
[0061]
可执行指令具体可以用于使得处理器执行以下操作：
[0062]
接收行业客户发起的新建消息应用请求，所述消息应用请求中携带有新建消息应用的场景描述；
[0063]
获取多个现有消息行业应用模板的信息，并对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理；
[0064]
应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的第一匹配度评分；
[0065]
将所述第一匹配度评分最高的所述现有消息行业应用模板作为新建消息应用的消息行业应用模板推荐给所述行业客户。
[0066]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0067]
对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行文本清洗并将文本序列化。
[0068]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0069]
统一字母大小写，将大写字母转换成小写字母，将所述新建消息应用的场景描述和所述现有消息行业应用模板的信息构成的数据中的每个单词转换为整数序列；
[0070]
将所述新建消息应用的场景描述的长度补零至第一编码序列长度，将所述现有消息行业应用模板的信息补零至第二编码序列长度。
[0071]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0072]
获取历史新建消息应用的场景描述和所述现有消息行业应用模板的信息；
[0073]
将所述历史新建消息应用的场景描述与所述现有消息行业应用模板逐一成对进行人工匹配，获取正确匹配度评分，形成总数据集；
[0074]
对所述总数据集进行文本清洗和文本序列化；
[0075]
将所述总数据集划分为训练集和测试集，应用所述训练集对深度神经网络模型进行训练，应用所述测试集对训练收敛的所述深度神经网络模型进行验证，将训练收敛的所述深度神经网络模型作为所述消息行业模板推荐器。
[0076]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0077]
将所述训练集中的所述历史新建消息应用的场景描述与所述现有消息行业应用模板的信息输入所述深度神经网络模型，获取预测的第二匹配度评分；
[0078]
计算所述第二匹配度评分与所述正确匹配度评分之间的误差，应用目标函数衡量所述误差；
[0079]
应用梯度下降优化算法使所述深度神经网络模型梯度下降，获取使所述目标函数最小的所述深度神经网络模型的最优权重参数，所述最优权重参数对应的所述深度神经网络模型为训练收敛的所述深度神经网络模型。
[0080]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0081]
通过第一输入层接收输入的所述历史新建消息应用的场景描述，通过第二输入层接收输入的所述现有消息行业应用模板的信息；
[0082]
分别应用第一词嵌入层和第二词嵌入层对输入的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息进行处理，将每个单词转换为预设维度的空间向量；
[0083]
分别应用第一reshape层和第二reshape层将所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息转换为预设数据形状；
[0084]
将处理后的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息通过融合层进行合并；
[0085]
合并后的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息经过包括三个神经元个数不相同的2个全连接层和2个舍弃层的隐藏层进行处理；
[0086]
通过输出层输出所述第二匹配度评分。
[0087]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0088]
获取所述行业客户根据推荐的所述消息行业应用模板的使用体验反馈的第三匹配度评分；
[0089]
根据所述行业客户反馈的所述第三匹配度评分对所述消息行业应用模板推荐器进行模型优化更新。
[0090]
本发明实施例通过接收行业客户发起的新建消息应用请求，所述消息应用请求中
携带有新建消息应用的场景描述；获取多个现有消息行业应用模板的信息，并对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理；应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的第一匹配度评分；将所述第一匹配度评分最高的所述现有消息行业应用模板作为新建消息应用的消息行业应用模板推荐给所述行业客户，能够为行业客户提供最适合其消息应用场景的行业模板，有助于提升行业客户使用体验。
[0091]
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的消息行业应用模板推荐方法。
[0092]
可执行指令具体可以用于使得处理器执行以下操作：
[0093]
接收行业客户发起的新建消息应用请求，所述消息应用请求中携带有新建消息应用的场景描述；
[0094]
获取多个现有消息行业应用模板的信息，并对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理；
[0095]
应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的第一匹配度评分；
[0096]
将所述第一匹配度评分最高的所述现有消息行业应用模板作为新建消息应用的消息行业应用模板推荐给所述行业客户。
[0097]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0098]
对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行文本清洗并将文本序列化。
[0099]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0100]
统一字母大小写，将大写字母转换成小写字母，将所述新建消息应用的场景描述和所述现有消息行业应用模板的信息构成的数据中的每个单词转换为整数序列；
[0101]
将所述新建消息应用的场景描述的长度补零至第一编码序列长度，将所述现有消息行业应用模板的信息补零至第二编码序列长度。
[0102]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0103]
获取历史新建消息应用的场景描述和所述现有消息行业应用模板的信息；
[0104]
将所述历史新建消息应用的场景描述与所述现有消息行业应用模板逐一成对进行人工匹配，获取正确匹配度评分，形成总数据集；
[0105]
对所述总数据集进行文本清洗和文本序列化；
[0106]
将所述总数据集划分为训练集和测试集，应用所述训练集对深度神经网络模型进行训练，应用所述测试集对训练收敛的所述深度神经网络模型进行验证，将训练收敛的所述深度神经网络模型作为所述消息行业模板推荐器。
[0107]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0108]
将所述训练集中的所述历史新建消息应用的场景描述与所述现有消息行业应用模板的信息输入所述深度神经网络模型，获取预测的第二匹配度评分；
[0109]
计算所述第二匹配度评分与所述正确匹配度评分之间的误差，应用目标函数衡量所述误差；
[0110]
应用梯度下降优化算法使所述深度神经网络模型梯度下降，获取使所述目标函数最小的所述深度神经网络模型的最优权重参数，所述最优权重参数对应的所述深度神经网络模型为训练收敛的所述深度神经网络模型。
[0111]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0112]
通过第一输入层接收输入的所述历史新建消息应用的场景描述，通过第二输入层接收输入的所述现有消息行业应用模板的信息；
[0113]
分别应用第一词嵌入层和第二词嵌入层对输入的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息进行处理，将每个单词转换为预设维度的空间向量；
[0114]
分别应用第一reshape层和第二reshape层将所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息转换为预设数据形状；
[0115]
将处理后的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息通过融合层进行合并；
[0116]
合并后的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息经过包括三个神经元个数不相同的2个全连接层和2个舍弃层的隐藏层进行处理；
[0117]
通过输出层输出所述第二匹配度评分。
[0118]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0119]
获取所述行业客户根据推荐的所述消息行业应用模板的使用体验反馈的第三匹配度评分；
[0120]
根据所述行业客户反馈的所述第三匹配度评分对所述消息行业应用模板推荐器进行模型优化更新。
[0121]
本发明实施例通过接收行业客户发起的新建消息应用请求，所述消息应用请求中携带有新建消息应用的场景描述；获取多个现有消息行业应用模板的信息，并对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理；应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的第一匹配度评分；将所述第一匹配度评分最高的所述现有消息行业应用模板作为新建消息应用的消息行业应用模板推荐给所述行业客户，能够为行业客户提供最适合其消息应用场景的行业模板，有助于提升行业客户使用体验。
[0122]
图4示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对设备的具体实现做限定。
[0123]
如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)406、以及通信总线408。
[0124]
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述消息行业应用模板推荐方法实施例中的相关步骤。
[0125]
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
[0126]
处理器402可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或各个集成电路。设备包括的一个或各个处理器，可以是同一类型的处理器，如一个或各个cpu；也可以是
不同类型的处理器，如一个或各个cpu以及一个或各个asic。
[0127]
存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0128]
程序410具体可以用于使得处理器402执行以下操作：
[0129]
接收行业客户发起的新建消息应用请求，所述消息应用请求中携带有新建消息应用的场景描述；
[0130]
获取多个现有消息行业应用模板的信息，并对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理；
[0131]
应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的第一匹配度评分；
[0132]
将所述第一匹配度评分最高的所述现有消息行业应用模板作为新建消息应用的消息行业应用模板推荐给所述行业客户。
[0133]
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
[0134]
对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行文本清洗并将文本序列化。
[0135]
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
[0136]
统一字母大小写，将大写字母转换成小写字母，将所述新建消息应用的场景描述和所述现有消息行业应用模板的信息构成的数据中的每个单词转换为整数序列；
[0137]
将所述新建消息应用的场景描述的长度补零至第一编码序列长度，将所述现有消息行业应用模板的信息补零至第二编码序列长度。
[0138]
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
[0139]
获取历史新建消息应用的场景描述和所述现有消息行业应用模板的信息；
[0140]
将所述历史新建消息应用的场景描述与所述现有消息行业应用模板逐一成对进行人工匹配，获取正确匹配度评分，形成总数据集；
[0141]
对所述总数据集进行文本清洗和文本序列化；
[0142]
将所述总数据集划分为训练集和测试集，应用所述训练集对深度神经网络模型进行训练，应用所述测试集对训练收敛的所述深度神经网络模型进行验证，将训练收敛的所述深度神经网络模型作为所述消息行业模板推荐器。
[0143]
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
[0144]
将所述训练集中的所述历史新建消息应用的场景描述与所述现有消息行业应用模板的信息输入所述深度神经网络模型，获取预测的第二匹配度评分；
[0145]
计算所述第二匹配度评分与所述正确匹配度评分之间的误差，应用目标函数衡量所述误差；
[0146]
应用梯度下降优化算法使所述深度神经网络模型梯度下降，获取使所述目标函数最小的所述深度神经网络模型的最优权重参数，所述最优权重参数对应的所述深度神经网络模型为训练收敛的所述深度神经网络模型。
[0147]
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
[0148]
通过第一输入层接收输入的所述历史新建消息应用的场景描述，通过第二输入层接收输入的所述现有消息行业应用模板的信息；
[0149]
分别应用第一词嵌入层和第二词嵌入层对输入的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息进行处理，将每个单词转换为预设维度的空间向量；
[0150]
分别应用第一reshape层和第二reshape层将所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息转换为预设数据形状；
[0151]
将处理后的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息通过融合层进行合并；
[0152]
合并后的所述历史新建消息应用的场景描述和所述现有消息行业应用模板的信息经过包括三个神经元个数不相同的2个全连接层和2个舍弃层的隐藏层进行处理；
[0153]
通过输出层输出所述第二匹配度评分。
[0154]
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
[0155]
获取所述行业客户根据推荐的所述消息行业应用模板的使用体验反馈的第三匹配度评分；
[0156]
根据所述行业客户反馈的所述第三匹配度评分对所述消息行业应用模板推荐器进行模型优化更新。
[0157]
本发明实施例通过接收行业客户发起的新建消息应用请求，所述消息应用请求中携带有新建消息应用的场景描述；获取多个现有消息行业应用模板的信息，并对所述新建消息应用的场景描述和所述现有消息行业应用模板的信息进行预处理；应用消息行业模板推荐器逐一预测所述新建消息应用的场景描述与每个所述现有消息行业应用模板的第一匹配度评分；将所述第一匹配度评分最高的所述现有消息行业应用模板作为新建消息应用的消息行业应用模板推荐给所述行业客户，能够为行业客户提供最适合其消息应用场景的行业模板，有助于提升行业客户使用体验。
[0158]
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0159]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0160]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
[0161]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任
何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0162]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。