服务获取方法和装置与流程

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及服务获取方法和装置。

背景技术：

目前，各种网站和应用(application，APP)的发展，为人们提供了覆盖日常生活的各个方面的服务。使得人们不用出门就可以办理各类商务类、政务类等事项，在很大程度为人们的生活提供了便利。

然而，各种网站和APP在向用户提供各类服务时，是在网页的多级菜单或者APP的多级菜单上接入服务入口。由于需要用户熟悉菜单功能名称和功能结构，进行多级访问才能打开服务入口，即不方便用户使用，也浪费用户的时间。

技术实现要素：

本申请的目的在于提出一种改进的服务获取方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请提供了一种服务获取方法，所述方法包括：获取并展示第一文本信息，其中，所述第一文本信息基于对用户输入的文字信息、图片信息或语音信息分析处理得到；接收第二文本信息，其中，所述第二文本信息是用户对所述第一文本信息处理后的文本信息；基于预存的服务列表采用有监督的、具有分类模型的机器学习算法对所述第二文本信息进行分类计算；基于分类计算结果选取所述服务列表中的至少一项服务展示给所述用户。

在一些实施例中，所述有监督的机器学习算法包括：支持向量机算法或朴素贝叶斯算法。

在一些实施例中，所述基于预存的服务列表采用有监督的、具有 分类模型的机器学习算法对所述第二文本信息进行分类计算，包括：建立特征词库，所述特征词为包括名词、形容词、动词的实词；基于所述特征词库对所述第二文本信息进行切分，建立词频向量；基于预存的服务列表采用有监督的、具有分类模型的机器学习算法对所述词频向量进行分类计算。

在一些实施例中，所述方法还包括：记录用户对展示的所述至少一项服务的选择结果；将所述选择结果作为学习内容或测试内容反馈给分类模型以调整参数。

在一些实施例中，所述获取并展示第一文本信息包括：当用户输入的信息为图片信息时，采用图像识别方法将所述图片信息转换为文本信息；当用户输入的信息为语音信息是，采用语音识别方法将所述语音信息转换为文本信息。

第二方面，本实施例提供例一种服务获取装置，所述装置包括：第一文本信息获取与展示单元，配置用于获取并展示第一文本信息，其中，所述第一文本信息是对用户输入的文字信息、图片信息或语音信息分析处理得到。第二文本信息接收单元，配置用于接收第二文本信息，其中，所述第二文本信息是用户对所述第一文本信息处理后的文本信息；分类计算单元，配置用于基于预存的服务列表采用有监督的、具有分类模型的机器学习算法对所述第二文本信息进行分类计算；选取与展示单元，配置用于基于分类计算结果选取所述服务列表中的至少一项服务展示给所述用户。

在一些实施例中，所述监督机器学习算法包括：支持向量机算法或朴素贝叶斯算法。

在一些实施例中，所述分类计算单元进一步配置用于：建立特征词库，所述特征词为包括名词、形容词、动词的实词；基于所述特征词库对所述第二文本信息进行切分，建立词频向量；基于预存的服务列表采用有监督的机器学习算法对所述词频向量进行分类计算。

在一些实施例中，所述装置还包括：记录单元，配置用于记录用户对展示的所述至少一项服务的选择结果；反馈单元，配置用于将所述选择结果作为学习内容或测试内容反馈给分类模型以调整参数。

在一些实施例中，所述第一文本信息获取与展示单元进一步配置用于：

当用户输入的信息为图片信息时，采用图像识别方法将所述图片信息转换为文本信息；当用户输入的信息为语音信息是，采用语音识别方法将所述语音信息转换为文本信息。

本申请提供的服务获取装置，通过获取用户输入的文字信息、图片信息以及语音信息的第一文本信息并展示给用户；然后接收用户对第一文本信息处理后的第二文本信息；再基于预存的服务列表采用有监督的机器学习算法对第二文本信息进行分类计算，最后根据分类计算结果在服务列表中选取至少一项服务展示给用户。由于该方法采用后台对用户输入的信息基于服务列表进行分类计算，并根据分类计算结果选取至少一项服务展示给用户，从而方便了用户的操作，同时也节省了用户的时间。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的服务获取方法的一个实施例的流程图；

图3是根据本申请的服务获取方法的又一个实施例的流程图；

图4是根据本申请的服务获取装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例 中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的服务获取方法或服务获取装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持移动APP应用或网页浏览的各种智能电子设备，包括但不限于智能手机、平板电脑、计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的服务内容提供支持的后台服务选取服务器。后台服务选取服务器可以对接收到的用户输入信息等数据进行分析等处理，并将处理结果(例如根据用户输入信息选取的服务)反馈给终端设备。

需要说明的是，本申请实施例所提供的信息获取方法一般由服务器105执行，相应地，信息获取装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的服务获取方法的一个实施例的流程200。所述的服务获取方法，包括以下步骤：

步骤201，获取并展示第一文本信息，其中，第一文本信息基于对用户输入的文本信息、图片信息或语音信息分析处理得到。

通常，用户利用终端设备上安装的浏览器打开网页来选择服务菜单或打开APP的分类来选择服务菜单，进入服务入口。在本实施例中，用户可以通过在终端设备(例如图1所示的101、102、103)上的浏 览器中或APP中的统一的、简单的初始入口处输入文本信息、图片信息或语音信息，通过网络(例如图所示的104)来向服务获取方法运行于其上的电子设备(例如图1所示的服务器)发起服务获取请求。

在本实施例中，用户输入的文本信息可以是一段文字信息，也可以是一组或一个关键字。用户输入的图片信息可以是至少一张图片，图片之间可以有关联也可以无关联；用户可以选择来自网络的图片，也可以选择使用各种图像采集器采集到的图片，例如使用照相机所拍摄的用户本地的实物的图片。用户输入的语音信息可以是一段语音、一句话或几个词；可以是使用任意音频采集器采集得到语音信息。

上述电子设备将接收到的文本信息、图片信息或语音信息转换为第一文本信息。当用户输入的是文本信息时，电子设备直接将用户输入的文本信息作为第一文本信息。电子设备将转换得到的第一文本信息通过网络展示给终端设备。

在本实施例的一些可选实现方式中，当用户输入的是图片信息时，电子设备，可以采用图像识别的方法将图片信息转换为一系列文本信息作为第一文本信息。当用户输入的是语音信息时，电子设备，可以采用语音识别的方法将语音信息转换为一系列文本信息作为第一文本信息。上述图像识别方法和语音识别方法是广泛研究的方法，此处不做赘述。

步骤202，接收第二文本信息，其中，第二文本信息是用户对所述第一文本信息处理后的文本信息。

在步骤201中，电子设备将得到的第一文本信息展示给终端设备。用户在终端设备上对所展示的第一文本信息做精确化处理，得到第二文本信息。例如用户从在终端设备上展示的由上述电子设备根据用户输入的图片信息转换得到的一系列文本信息中选择最适合自己目的一个文本信息作为第二文本信息。用户还可以对第一文本信息的内容进行删减得到第二文本信息。

在本实施例的一些可选实现方式中，也可以通过其他的方法对第一文本信息做精确化处理。例如，采用专门的装置对第一文本信息进行精确化处理。

在本实施例中，电子设备通过网络接收第二文本信息。

步骤203，基于预存的服务列表采用有监督的、具有分类模型的机器学习算法对所述第二文本信息进行分类计算。

在本实施例中，服务获取方法运行于其上的电子设备可以预先存储包含多条服务的服务列表。由此，上述电子设备采用有监督的机器学习算法对第二文本信息根据服务列表中的多项服务进行分类计算。在这个意义上来讲，也即计算第二文本信息归属于服务列表中的各项服务的概率。

有监督的机器学习算法，例如，可以通过已知类别的样本(即已知数据以及其对应的输出)去训练机器的分类模型以调整分类模型的参数，使其达到最优(最优表示在某个评价准则下是最佳的)，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。

在本实施例中，前期可以通过人工对一定数量的第二文本信息根据服务列表进行分类，得到一定数量的具有较高准确度的已知类别的样本来对分类模型进行训练。

在本实施例的一些可选的实现方式中，在训练数据(已知类别的样本)较少(万级或更低)时，例如，可以采用支持向量机(Support Vector Machine，SVM)算法对上述第二文本信息进行分类；在训练数据较多(十万级或更高)时，例如，可以采用朴素贝叶斯(Naive Bayes Classifier，NB)算法对上述第二文本信息进行分类。

需要指出的是，上述支持向量机算法和朴素贝叶斯算法等监督机器学习算法是广泛研究和应用的公知技术，在此不再赘述。

步骤204，基于分类计算结果选取服务列表中的至少一项服务展示给用户。

根据上述分类计算结果，上述电子设备可以从服务列表中选取至少一项服务。例如，上述电子设备可以选取在使用朴素贝叶斯方法下计算得到出现概率大于一定阈值的至少一项服务。将上述出现概率大于一定阈值的至少一项服务按照出现概率的大小排列，展示给用户

用户在展示的至少一项服务中，选择感兴趣的任何一项服务，进 入服务入口进行访问。

在本实施例的一些可选实现方式中，记录用户对展示的服务的选择结果，并将该选择结果和与之对应的第二文本信息作为学习内容反馈给分类模型进行模型训练。或将该选择结果和与之对应的第二文本信息作为测试内容反馈给分类模型进行模型评估。在模型训练或模型评估过程中，调整模型的参数，优化分类模型的性能。

本申请的上述实施例提供的方法通过获取用户输入的文字信息、图片信息以及语音信息的第一文本信息并展示给用户；然后接收用户对第一文本信息处理后的第二文本信息；再基于预存的服务列表采用有监督的机器学习算法对第二文本信息进行分类计算，最后根据分类计算结果在服务列表中选取至少一项服务展示给用户。由于该方法采用后台对用户输入的信息基于服务列表进行分类计算，并根据分类计算结果选取至少一项服务展示给用户，从而方便了用户的操作，同时也节省了用户的时间。

进一步参考图3，其示出了服务获取方法的又一个实施例的流程300。该服务获取方法的流程300，包括以下步骤：

步骤301，获取并展示第一文本信息，其中，第一文本信息基于对用户输入的文本信息、图片信息或语音信息分析处理得到。

在本实施例中，用户可以通过在终端设备(例如图1所示的101、102、103)上的浏览器中或APP中的统一的、简单的初始入口处输入文本信息、图片信息或语音信息通过网络来向服务获取方法运行于其上的电子设备(例如图1所示的服务器)发起服务获取请求。

上述电子设备将接收到的文本信息、图片信息或语音信息转换为第一文本信息。当用户输入的是文本信息时，电子设备直接将用户输入的文本信息作为第一文本信息。电子设备将转换得到的第一文本信息通过网络展示给终端设备。

步骤302，接收第二文本信息，其中，第二文本信息是用户对所述第一文本信息处理后的文本信息。

在步骤301中，电子设备将得到的第一文本信息展示给终端设备。 用户在终端设备上对第一文本信息做精确化处理，得到第二文本信息。例如用户从在终端设备上展示的由上述电子设备根据用户输入的图片信息转换得到的一系列文本信息中选择最适合自己目的一个文本信息作为第二文本信息。用户还可以对第一文本信息的内容进行删减得到第二文本信息。

在本实施例中，电子设备通过网络接收第二文本信息。

步骤303，基于预先建立的特征词库对第二文本信息进行词语切分。

在本实施例中，预先建立特征词库，特征词库的来源可以是语料库或词典。在本实施例的一些可选的实现方式中，特征词库主要保留了语料库或词典中的名词、动词、形容词、数词类实词。在本实施例中，特征词库中还包括服务列表中的各条服务的关键词、句。

在本实施例中，基于步骤302中得到的第二文本信息，上述电子设备把第二文本信息的内容切分成特征词。需要指出的是，目前有多种成熟的将文本信息切分成特征词的方法，此处不作详细赘述。

步骤304，基于上述词语切分，建立第二文本信息的词频向量。

对上述分词方法法对第二文本信息切分得到的各个特征词出现的频率进行统计，建立词频向量。所述词频向量类似于<词1出现频率，词2出现频率，…0,…,词N出现频率>的稀疏向量。

在本实施例的一些可选实现方式中，将使用统计切分方法得到的出现频率高于预定阈值的新词添加到特征词库中。

步骤305，基于预存的服务列表采用有监督、具有分类模型的机器学习算法对词频向量进行分类计算。

在本实施例中，服务获取方法运行于其上的电子设备上可以预先存储包含多条服务的服务列表。由此，上述电子设备采用有监督的、具有分类模型的机器学习算法对第二文本信息的词频向量根据服务列表中的多项服务进行分类计算。在这个意义上来讲，也即计算第二文本信息归属于服务列表中的各项服务的概率。

在本实施例的一些可选的实现方式中，在训练数据(已知类别的样本)较少(万级或更低)时，例如，可以采用支持向量机(Support Vector Machine，SVM)算法对上述第二文本信息的词频向量进行分类计算；在训练数据较多(十万级或更高)时，例如，可以采用朴素贝叶斯(Naive Bayes Classifier，NB)算法对上述第二文本信息的词频向量进行分类计算。

步骤306，基于分类计算结果选取所述服务列表中的至少一项服务展示给用户。

根据上述分类计算结果，上述电子设备可以从服务列表中选取至少一项服务。例如，上述电子设备可以选取在使用朴素贝叶斯方法下计算得到的出现概率大于一定阈值的至少一项服务。将上述出现概率大于一定阈值的至少一项服务按照出现概率的大小排列，展示给用户。

用户在展示的至少一项服务中，选择感兴趣的任何一项服务，进入服务入口进行访问。

在本实施例的一些可选实现方式中，记录用户对展示的服务的选择结果，并将该选择结果和与之对应的第二文本信息作为学习内容反馈给分类模型进行模型训练。或将该选择结果和与之对应的第二文本信息作为测试内容反馈给分类模型进行模型评估。在模型训练或模型评估过程中，调整模型的参数，优化分类模型的性能。

从图3中可以看出，与图2对应的实施例主要的不同点是，本实施例中增加了建立特征词库，基于特征词库对第二文本信息进行切分，建立第二文本信息的词频向量的步骤，以及分类计算是基于预存的服务列表采用有监督的机器学习算法对词频向量进行分类计算。由于该实施例采用词频向量进行分类计算，可以提高分类的准确率。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种服务获取装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例所述的服务获取装置400包括：第一文本信息获取与展示单元401、第二文本信息接收单元402、分类计算单元403和服务选取与展示单元404。其中，第一文本信息获取与展示单元401，配置用于获取并展示第一文本信息，其中，所述第一文本信息是 对用户输入的文本信息、图片信息或语音信息分析处理得到；第二文本接收单元402，配置用于接收第二文本信息，其中，所述第二文本信息是用户对所述第一文本信息处理后的文本信息；分类计算单元403，配置用于基于预存的服务列表采用有监督的、具有分类模型的机器学习算法对所述第二文本信息进行分类计算；服务选取与展示单元404，配置用于基于分类计算结果选取所述服务列表中的至少一项服务展示给所述用户。

在本实施例中，服务获取装置400的第一文本信息获取与展示单元401将用户在浏览器或APP中的统一的、简单的初始入口处输入的文本信息、图片信息、语音信息转换为一系列的文本信息作为第一文本信息。在本实施例的一些可选的实现方式中，当用户输入的信息为图片信息时，采用图像识别方法将所述图片信息转换为第一文本信息；当用户输入的信息为语音信息时，采用语音识别方法将所述语音信息转换为第一文本信息。

在本实施例中，第二文本信息接收单元402接收经过用户对第一文本信息处理得到的第二文本信息。

在本实施例中，在本实施例中，服务获取装置可以预先存储包含多项服务的服务列表。由此，分类计算单元403采用采用有监督的、具有分类模型的机器学习算法对第二文本信息根据服务列表中的多项服务进行分类计算。在这个意义上来讲，也即计算第二文本信息归属于服务列表中的各项服务的概率。

在本实施例的一些可选的实现方式中，有监督的、具有分类模型的机器学习算法包括支持向量机算法或朴素贝叶斯算法。

在本实施例中，服务选取与展示单元404根据分类计算单元403计算得到的结果，从服务列表中选取至少一项服务。例如，服务选取与展示单元404可以选取在使用朴素贝叶斯方法下计算得到出现概率大于一定阈值的至少一项服务。将上述出现概率大于一定阈值的至少一项服务，按照出现概率大小展示给用户。

用户在展示的至少一项服务中，选择感兴趣的任何一项服务，进入服务入口进行访问。

在本实施例的一些可选实现方式中，服务获取装置还包括记录单元以及反馈单元。记录单元配置用于记录用户对展示的至少一项服务的选择结果。反馈单元配置用于将选择结果和与之对应的第二文本信息作为学习内容或测试内容反馈给分类模型以使分类模型调整参数。

本领域技术人员可以理解，上述服务获取装置400还包括一些其他公知结构，例如处理器、存储器等，为了不必要地模糊本公开的实施例，这些公知的结构在图4中未示出。

下面参考图5，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统500的结构示意图。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标、触摸屏、照相机等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：获取并展示第一文本信息，其中，所述第一文本信息基于对用户输入的文字信息、图片信息或语音信息分析处理得到；接收第二文本信息，其中，所述第二文本信息是用户对所述第一文本信息处理后的文本信息；基于预存的服务列表采用有监督的、具有分类模型的机器学习算法对所述第二文本信息进行分类计算；基于分类计算结果选取所述服务列表中的至少一项服务展示给所述用户。

作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：获取并展示第一文本信息，其中，所述第一文本信息基于对用户输入的文字信息、图片信息或语音信息分析处理得到；接收第二文本信息，其中，所述第二文本信息是用户对所述第一文本信息处理后的文本信息；基于预存的服务列表采用有监督的、具有分类模型的机器学习算法对所述第二文本信息进行分类计算；基于分类计算结果选 取所述服务列表中的至少一项服务展示给所述用户。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。