基于人工智能的推送信息的方法和装置与流程

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及基于人工智能的推送信息的方法和装置。

背景技术：

随着互联网技术的快速发展，越来越多的用户开始通过各种终端获取信息。人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能越来越多地融入到网络及智能设备中，借助于这些网络和智能设备，用户可以采用与以往不同的方式获取信息。以新闻信息为例，早期的新闻门户网站通过把所有新闻都放在一个页面上来最大可能满足所有用户对不同新闻的需求。后来的新闻门户网站为方便用户阅读对新闻进了分类(例如，分为体育新闻、国内新闻、国际新闻等)，并且会在页面上按照一定模板样式展现给用户。当前流行的新闻应用客户端会依据用户浏览新闻兴趣爱好，浏览新闻行为习惯等，辅以一定推荐算法来挖掘出用户想要新闻，从而实现个性化新闻推荐。

然而，早期新闻门户网站由于在一个页面上罗列出尽量多的新闻链接，以满足用户需求，因此页面显得杂乱无章，用户很难去找到自己真正想要的新闻，且页面能够展示的新闻数量有限，无法满足所有用户的新闻需求。通过新闻分类的方式展示新闻由于对所有用户都推荐一样的新闻，因此无法满足用户的个性化需求。新闻应用客户端虽然在一定程度上满足了用户的个性化需求，但是由于用户对新闻的需求会随着时间、周围环境和周围事件影响而发生变化，此外，这些新闻应用客户端更多的是猜测用户需求，缺乏足够的交互机制，因此很难捕捉和了解用户在某个场景下的真实需求。

技术实现要素：

本申请的目的在于提出一种改进的基于人工智能的推送信息的方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请提供了一种基于人工智能的推送信息的方法，所述方法包括：接收用户通过客户端发送的对话信息，其中，所述对话信息用于获取预设类型信息；对所述对话信息进行语义分析；基于语义分析结果以及预先训练的用户兴趣偏好模型从预先设置的、用于存储所述预设类型信息的信息集合中选取至少一条待推送信息；将所述至少一条待推送信息发送到所述客户端。

在一些实施例中，所述对话信息包括不同时间所述用户输入的至少一条语句。

在一些实施例中，所述方法还包括：对所述用户的历史浏览信息集合中的历史浏览信息进行分析，确定所述用户所感兴趣的信息类别；确定所述至少一条待推送信息所属的类别相同；从所述信息集合中选取所属类别与所述至少一条待推送信息所属的类别不同的、且所属类别包含在所述用户所感兴趣的信息类别中的至少一条信息；将所述至少一条信息发送到所述客户端。

在一些实施例中，所述预设类型信息为新闻信息。

在一些实施例中，所述基于语义分析结果以及预先训练的用户兴趣偏好模型从预先设置的、用于存储所述预设类型信息的信息集合中选取至少一条待推送信息，包括：使用所述用户兴趣偏好模型确定基于语义分析结果从所述信息集合中选取的各条信息的用户偏好指数；结合基于语义分析结果从所述信息集合中选取的各条信息的基础特征以及用户偏好指数选取至少一条待推送信息，其中，所述信息集合中的各条信息的基础特征包括以下至少一项：热门程度、关注度、关键词热度、新闻质量、时效性。

在一些实施例中，所述用户兴趣偏好模型通过以下方法获得：从所述用户的历史浏览信息集合中获取所述用户所浏览的各条信息的信息特征，以及所述用户对所浏览的各条信息的偏好指数；将所述用户所浏览的各条信息的信息特征作为输入，所述用户对所浏览的各条信息的偏好指数作为输出，利用机器学习算法训练用户兴趣偏好模型。

在一些实施例中，所述用户所浏览的各条信息的信息特征包括以下至少一项：信息的主题内容、关键词、所属类别。

在一些实施例中，所述对话信息中的语句是用户直接输入的或者用户通过点击所述客户端显示的至少一条候选语句输入的。

第二方面，本申请提供了一种基于人工智能的推送信息的装置，所述装置包括：接收单元，用于接收用户通过客户端发送的对话信息，其中，所述对话信息用于获取预设类型信息；分析单元，用于对所述对话信息进行语义分析；第一选取单元，用于基于语义分析结果以及预先训练的用户兴趣偏好模型从预先设置的、用于存储所述预设类型信息的信息集合中选取至少一条待推送信息；推送单元，用于将所述至少一条待推送信息发送到所述客户端。

在一些实施例中，所述对话信息包括不同时间所述用户输入的至少一条语句。

在一些实施例中，所述装置还包括：第一确定单元，用于对所述用户的历史浏览信息集合中的历史浏览信息进行分析，确定所述用户所感兴趣的信息类别；第二确定单元，用于确定所述至少一条待推送信息所属的类别相同；第二选取单元，用于从所述信息集合中选取所属类别与所述至少一条待推送信息所属的类别不同的、且所属类别包含在所述用户所感兴趣的信息类别中的至少一条信息；发送单元，用于将所述至少一条信息发送到所述客户端。

在一些实施例中，所述预设类型信息为新闻信息。

在一些实施例中，所述第一选取单元进一步用于：使用所述用户兴趣偏好模型确定基于语义分析结果从所述信息集合中选取的各条信息的用户偏好指数；结合基于语义分析结果从所述信息集合中选取的各条信息的基础特征以及用户偏好指数选取至少一条待推送信息，其中，所述信息集合中的各条信息的基础特征包括以下至少一项：热门程度、关注度、关键词热度、新闻质量、时效性。

在一些实施例中，所述用户兴趣偏好模型通过以下方法获得：从所述用户的历史浏览信息集合中获取所述用户所浏览的各条信息的信息特征，以及所述用户对所浏览的各条信息的偏好指数；将所述用户所浏览的各条信息的信息特征作为输入，所述用户对所浏览的各条信息的偏好指数作为输出，利用机器学习算法训练用户兴趣偏好模型。

在一些实施例中，所述用户所浏览的各条信息的信息特征包括以下至少一项：信息的主题内容、关键词、所属类别。

在一些实施例中，所述对话信息中的语句是用户直接输入的或者用户通过点击所述客户端显示的至少一条候选语句输入的。

本申请提供的基于人工智能的推送信息的方法和装置，通过对用户发送的对话信息进行语义分析，而后基于语义分析结果以及预先训练的用户兴趣偏好模型从预先设置的、用于存储预设类型信息的信息集合中选取至少一条待推送信息，最后将待推送信息发送到客户端，从而利用用户发送的对话信息以及用户兴趣偏好模型捕捉用户当前需求，实现了富于针对性的信息推送。

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是根据本申请的基于人工智能的推送信息的方法的一个实施例的流程图；

图3是根据本申请的基于人工智能的推送信息的方法的一个应用场景的示意图；

图4是根据本申请的基于人工智能的推送信息的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的终端设备或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基于人工智能的推送信息的方法或基于人工智能的推送信息的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，例如基于人工智能的人机交互客户端应用、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信息交互的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

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上显示的信息提供支持的后台服务器。后台服务器可以对接收到的对话流进行语义分析，并基于语义分析结果选取待推送信息，并将待推送信息反馈给终端设备。

需要说明的是，本申请实施例所提供的基于人工智能的推送信息的方法一般由服务器105执行，相应地，基于人工智能的推送信息的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基于人工智能的推送信息的方法的一个实施例的流程200。所述的基于人工智能的推送信息的方法，包括以下步骤：

步骤201，接收用户通过客户端发送的对话信息。

在本实施例中，基于人工智能的推送信息的方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从用户利用其进行对话信息输入的终端接收用户输入的对话信息，其中，上述对话信息可以是用户通过文本、语音等方式输入到终端的。在上述电子设备接收到用户通过语音方式输入的对话信息之后，可以首先对对话信息进行识别，从而得到对话信息对应的文本。上述客户端可以是安装在终端上的基于人工智能的人机交互客户端。上述对话信息可以用于获取预设类型信息。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

在本实施例的一些可选的实现方式中，上述对话信息中的语句可以是用户直接输入的或者用户通过点击上述客户端显示的至少一条候选语句输入的，其中，候选语句可以是基于人工智能的人机交互客户端主动推送的、用于引导用户进一步交流的用户输入的候选项。

步骤202，对对话信息进行语义分析。

在本实施例中，上述电子设备可以对步骤201中接收到的对话信息进行语义分析，从而识别用户意图。例如，当用户在基于人工智能的人机交互客户端输入对话信息“今天最新的体育新闻”时，上述电子设备可以对该对话信息进行语义分析，从而识别出用户意图为获取今天最新的体育相关新闻。

在本实施例的一些可选的实现方式中，上述对话信息可以包括不同时间上述用户输入的至少一条语句。例如，用户通过客户端输入语句“今天有什么好看的新闻”之后，客户端会显示由服务器推送的若干条新闻，用户看过客户端显示的新闻之后再次输入语句“换一批”，虽然上述两条语句的输入时间不同，但是两条语句之间存在上下文关系，上述电子设备通过对用户在不同时间上输入的至少一条语句进行综合分析，可以更准确的分析用户意图。

步骤203，基于语义分析结果以及预先训练的用户兴趣偏好模型从预先设置的、用于存储预设类型信息的信息集合中选取至少一条待推送信息。

在本实施例中，上述电子设备可以基于步骤202的语义分析结果以及预先训练的用户兴趣偏好模型从预先设置的、用于存储预设类型信息的信息集合中选取至少一条待推送信息。在这里，上述用户兴趣偏好模型可以用于判断用户对某条信息感兴趣的程度。例如，上述电子设备从对话信息“今天最新的体育新闻”中识别出用户意图为获取今天最新的体育相关新闻之后，可以首先获取满足用户意图的多条体育相关新闻，然后，使用用户兴趣偏好模型对获取的多条体育相关新闻进行分析，得到用户对上述多条体育相关新闻中的各条体育相关新闻感兴趣的程度，并根据用户对各条体育相关新闻的感兴趣程度进一步从上述多条体育相关新闻选取至少一条符合用户兴趣的体育新闻。

在本实施例的一些可选的实现方式中，上述预设类型信息可以为新闻信息。

在一些可选的实现方式中，步骤203可以如下进行：首先，上述电子设备可以使用用户兴趣偏好模型确定基于语义分析结果从上述信息集合中选取的各条信息的用户偏好指数；然后，上述电子设备可以结合基于语义分析结果从上述信息集合中选取的各条信息的基础特征以及用户偏好指数选取至少一条待推送信息，其中，上述信息集合中的各条信息的基础特征可以包括以下至少一项：热门程度、关注度、关键词热度、新闻质量、时效性。热门程度可以是指信息被网民关注的程度，例如可以通过统计信息的点展比、搜索量、浏览量等获得信息的热门程度。关注度可以是指信息被网民关注的程度，例如可以通过统计信息的浏览量获得信息的关注度。关键词热度可以通过统计信息中包含的关键词被搜索的次数获得。新闻质量可以是指针对新闻本身的质量预先设置的分数，例如，新闻撰写质量越高分数越高。时效性可以是根据信息更新速度设置的分数。在这里，信息的基础特征以及用户偏好指数可以采用数值的形式，例如，新闻信息更新速度越快时效性的数值越大，关注的网民人数越多关注度的数值越大。通过将信息的基础特征以及用户偏好指数进行各种计算(例如加权平均等)可以得到信息的综合数值，根据综合数值的大小可以选取至少一条待推送信息。

可选的，上述用户兴趣偏好模型可以通过以下方法获得：上述电子设备或者其他用于训练上述用户兴趣偏好模型的电子设备，可以首先从上述用户的历史浏览信息集合中获取上述用户所浏览的各条信息的信息特征，以及上述用户对所浏览的各条信息的偏好指数；然后，将上述用户所浏览的各条信息的信息特征作为输入，上述用户对所浏览的各条信息的偏好指数作为输出，利用机器学习算法训练用户兴趣偏好模型。上述机器学习算法可以是各种机器学习算法，例如线性回归、支持向量机等等。

可选的，上述用户所浏览的各条信息的信息特征可以包括以下至少一项：信息的主题内容、关键词、所属类别。

步骤204，将至少一条待推送信息发送到客户端。

在本实施例中，上述电子设备可以将步骤203中选取的至少一条待推送信息发送到上述客户端，由上述客户端展示给上述用户。

在本实施例的一些可选的实现方式中，上述基于人工智能的推送信息的方法还可以包括以下步骤：首先，上述电子设备可以对上述用户的历史浏览信息集合中的历史浏览信息进行分析，确定上述用户所感兴趣的信息类别，上述信息类别可以是预先分类好的，具体分类方式可以不作限定，以新闻信息为例，新闻信息的类别可以分为体育新闻、社会新闻、科技新闻、娱乐新闻、政法新闻、经济新闻等等，还可以分为国际新闻、国内新闻、地方新闻等等；之后，上述电子设备确定上述至少一条待推送信息所属的类别相同；然后，上述电子设备从上述信息集合中选取所属类别与上述至少一条待推送信息所属的类别不同的、且所属类别包含在上述用户所感兴趣的信息类别中的至少一条信息，以新闻信息为例，服务器通过分析确定用户A所感兴趣的信息类别为体育新闻、社会新闻、娱乐新闻和科技新闻，当服务器确定上述至少一条待推送信息所属的类别均为体育新闻时，则从新闻库中选取所属类别不是体育新闻的、且所属类别为社会新闻、娱乐新闻或科技新闻的至少一条新闻；最后，上述电子设备可以将上述至少一条信息发送到上述客户端，上述客户端可以将上述至少一条信息与步骤203选取的至少一条待推送信息一同显示给用户。该实现方式在满足用户需求的前提下可以避免仅向用户推送一种类别的信息，从而使推送的信息更加丰富和多样化。

继续参见图3，图3是根据本实施例的基于人工智能的推送信息的方法的应用场景的一个示意图。在图3的应用场景中，首先，用户先后向人机交互客户端输入用于获取新闻信息的对话信息“今天好看的新闻”和“换一批”；之后，服务器可以后台获取该对话信息，并对该对话信息进行语义分析；然后，基于语义分析结果以及用户兴趣偏好模型从新闻信息集合中选取了多条待推送新闻信息；最后，将选取的多条待推送新闻信息发送到客户端，由客户端进行显示，就会如图3所示。

本申请的上述实施例提供的方法通过利用用户发送的对话信息以及用户兴趣偏好模型捕捉用户当前需求，实现了富于针对性的信息推送。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种基于人工智能的推送信息的装置的一个实施例，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，本实施例所述的基于人工智能的推送信息的装置400包括：接收单元401、分析单元402、第一选取单元403和推送单元404。其中，接收单元401用于接收用户通过客户端发送的对话信息，其中，所述对话信息用于获取预设类型信息；分析单元402用于对所述对话信息进行语义分析；第一选取单元403用于基于语义分析结果以及预先训练的用户兴趣偏好模型从预先设置的、用于存储所述预设类型信息的信息集合中选取至少一条待推送信息；推送单元404用于将所述至少一条待推送信息发送到所述客户端。

在本实施例中，接收单元401、分析单元402、第一选取单元403和推送单元404的具体处理可以参考图2对应实施例步骤201、步骤202、步骤203和步骤204的详细描述，在此不再赘述。

在本实施例的一些可选的实现方式中，所述对话信息包括不同时间所述用户输入的至少一条语句。该实现方式可参考上述图2对应实施例中相应实现方式的详细描述，在此不再赘述。

在本实施例的一些可选的实现方式中，所述装置400还包括：第一确定单元(未示出)，用于对所述用户的历史浏览信息集合中的历史浏览信息进行分析，确定所述用户所感兴趣的信息类别；第二确定单元(未示出)，用于确定所述至少一条待推送信息所属的类别相同；第二选取单元(未示出)，用于从所述信息集合中选取所属类别与所述至少一条待推送信息所属的类别不同的、且所属类别包含在所述用户所感兴趣的信息类别中的至少一条信息；发送单元(未示出)，用于将所述至少一条信息发送到所述客户端。该实现方式可参考上述图2对应实施例中相应实现方式的详细描述，在此不再赘述。

在本实施例的一些可选的实现方式中，所述预设类型信息为新闻信息。该实现方式可参考上述图2对应实施例中相应实现方式的详细描述，在此不再赘述。

在本实施例的一些可选的实现方式中，所述第一选取单元403进一步用于：使用所述用户兴趣偏好模型确定基于语义分析结果从所述信息集合中选取的各条信息的用户偏好指数；结合基于语义分析结果从所述信息集合中选取的各条信息的基础特征以及用户偏好指数选取至少一条待推送信息，其中，所述信息集合中的各条信息的基础特征包括以下至少一项：热门程度、关注度、关键词热度、新闻质量、时效性。该实现方式可参考上述图2对应实施例中相应实现方式的详细描述，在此不再赘述。

在本实施例的一些可选的实现方式中，所述用户兴趣偏好模型通过以下方法获得：从所述用户的历史浏览信息集合中获取所述用户所浏览的各条信息的信息特征，以及所述用户对所浏览的各条信息的偏好指数；将所述用户所浏览的各条信息的信息特征作为输入，所述用户对所浏览的各条信息的偏好指数作为输出，利用机器学习算法训练用户兴趣偏好模型。该实现方式可参考上述图2对应实施例中相应实现方式的详细描述，在此不再赘述。

在本实施例的一些可选的实现方式中，所述用户所浏览的各条信息的信息特征包括以下至少一项：信息的主题内容、关键词、所属类别。该实现方式可参考上述图2对应实施例中相应实现方式的详细描述，在此不再赘述。

在本实施例的一些可选的实现方式中，所述对话信息中的语句是用户直接输入的或者用户通过点击所述客户端显示的至少一条候选语句输入的。该实现方式可参考上述图2对应实施例中相应实现方式的详细描述，在此不再赘述。

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。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。

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：一种处理器包括接收单元、分析单元、第一选取单元和推送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“接收用户通过客户端发送的对话信息的单元”。

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：接收用户通过客户端发送的对话信息，其中，所述对话信息用于获取预设类型信息；对所述对话信息进行语义分析；基于语义分析结果以及预先训练的用户兴趣偏好模型从预先设置的、用于存储所述预设类型信息的信息集合中选取至少一条待推送信息；将所述至少一条待推送信息发送到所述客户端。

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。