智能对象推荐方法、装置、设备和存储介质与流程

本发明实施例涉及互联网技术领域，尤其涉及一种智能对象推荐方法、装置、设备和存储介质。

背景技术：

如今随着大数据和人工智能时代的来临，越来越多的大型公司和研究机构都开始进军互联网信息推荐领域。目前大多数智能推荐的产品只能给出推荐的机构信息，但不能推荐相应的对象，这往往对用户造成困惑，即便通过相关产品知道应该去什么机构，但是无法匹配最合适的对象。

在智能对象推荐方向主要有两类方法。一类是基于传统的规则树和规则索引，通过对表征信息和实体建立对象索引列表，进行对象推荐；另一类是基于机器学习的推荐。主要是基于协同过滤(collaboratefiltering)的对象推荐和基于排序学习(learningtorank)的方法。

但是上述传统方法存在以下共同缺点：1)每一个用户在不同时间所处状态不同，表征也不相同，这种“兴趣偏移”在某些推荐领域是客观存在的，比在物品推荐领域影响更大。2)学习模型需要训练上百万到千万的参数，因此训练需要大量的样本标签，而在某些推荐方面，往往存在很少的高质量标签数据。3)精准度以及稳定性不高。

技术实现要素：

本发明实施例提供一种智能对象推荐方法、装置、设备和存储介质，可以实现对象推荐的高准确率，而且大量减少参数，同时保证算法的高效性的技术效果。

第一方面，本发明实施例提供了一种智能对象推荐方法，所述方法包括：

根据获取的用户主诉描述信息和候选对象专长信息，分别生成用户特征表示和候选对象特征表示；

根据用户特征表示和候选对象特征表示，确定候选对象对用户的响应度；

根据候选对象对用户的响应度，从所述候选对象中为用户选择目标对象。

第二方面，本发明实施例提供了一种智能对象推荐装置，所述装置包括：

特征表示生成模块，用于根据获取的用户主诉描述信息和候选对象专长信息，分别生成用户特征表示和候选对象特征表示；

响应度确定模块，用于根据用户特征表示和候选对象特征表示，确定候选对象对用户的响应度；

目标对象选择模块，用于根据候选对象对用户的响应度，从所述候选对象中为用户选择目标对象。

第三方面，本发明实施例提供了一种设备，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的智能对象推荐方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的智能对象推荐方法。

本发明实施例通过用户主诉描述信息和候选对象专长信息，分别生成用户特征表示和候选对象特征表示，并根据获取的用户特征表示和候选对象特征表示，来确定候选对象对用户的响应度，且根据响应度来为用户选择目标对象，实现了基于用户主诉描述信息，向用户推荐目标对象，由于用户主诉描述信息能够直接且准确的描述用户当前状态信息，因此基于用户主诉描述信息进行对象推荐精准度高、稳定性好，且无需依赖大量样本标签。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例一提供的一种智能对象推荐方法的流程图；

图2是本发明实施例二提供的一种智能对象推荐方法的流程图；

图3为本发明实施例三提供的一种智能对象推荐装置的结构示意图；

图4为本发明实施例四提供的一种设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明实施例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本发明实施例，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种智能对象推荐方法的流程图，本实施例适用于用户通过应用程序获取推荐对象的情况，该方法可以由本发明实施例提供的智能对象推荐装置来执行，具体可以包括如下：

s101、根据获取的用户主诉描述信息和候选对象专长信息，分别生成用户特征表示和候选对象特征表示。

其中，用户主诉描述信息包括用户对自身情况的描述总结，候选对象专长信息包括候选对象所擅长领域的描述总结，不同场景下用户主诉描述信息不同，对应的候选对象专长信息也不同。示例性的，一个毕业生想要求职，那么用户主诉描述信息包括该大学生的学历、技能和期望薪酬等，对应的候选对象专长信息包括候选公司中岗位的学历范围、擅长领域和薪酬范围等；一个患者想要就医，那么用户主诉描述信息包括患者对自身症状的描述和主观预测的疾病等，对应的候选对象专长信息包括医生擅长确诊和治疗的疾病。

用户特征表示和候选对象特征表示分别是用户主诉描述信息和候选对象专长信息的一种数字化特征表示，可选的包括使用向量表示作为用户主诉描述信息和候选对象专长信息的特征表示，将用户主诉描述信息和候选对象专长信息输入到训练好的向量生成模型得到用户主诉描述信息和候选对象专长信息各自的向量表示。

通过获取的用户主诉描述信息和候选对象专长信息，分别生成用户特征表示和候选对象特征表示，实现了将直接且准确的描述用户当前状态信息的用户主诉描述信息和候选对象专长信息特征化处理，为后续向用户推荐目标对象奠定了数据基础。

s102、根据用户特征表示和候选对象特征表示，确定候选对象对用户的响应度。

其中，响应度表示一种相似匹配程度，候选对象对用户的响应度越高表示候选对象和用户相似匹配度越高，候选对象对用户的响应度越低表示候选对象和用户相似匹配度越低。

具体的，将用户特征表示和候选对象特征表示看作是两组多维输入信号，输入到包括响应函数的模式响应系统中，可选的响应函数包括但不限于余弦距离、欧几里得距离、卷积函数、马氏距离和基于神经网络的度量函数等，模式响应系统中响应函数的数量可以是一种也可以是经过线性组合后的多种。通过模式响应系统则可以输出候选对象对用户的响应度。

s103、根据候选对象对用户的响应度，从所述候选对象中为用户选择目标对象。

具体的，将模式响应系统输出的候选对象对用户的响应度进行顺序排列得到目标对象，并推荐给用户，用户可根据推荐的目标对象进行选择。可选的，为了保证目标对象推荐的准确性，根据预设阈值过滤掉响应度小于预设阈值的目标对象。

本实施例提供的技术方案，通过用户主诉描述信息和候选对象专长信息，分别生成用户特征表示和候选对象特征表示，并根据获取的用户特征表示和候选对象特征表示，来确定候选对象对用户的响应度，且根据响应度来为用户选择目标对象，实现了基于用户主诉描述信息，向用户推荐目标对象，由于用户主诉描述信息能够直接且准确的描述用户当前状态信息，因此基于用户主诉描述信息进行对象推荐精准度高、稳定性好，且无需依赖大量样本标签。

实施例二

图2是本发明实施例二提供的一种智能对象推荐方法的流程图。本实施例是在上述实施例一的基础上，提供了一种具体实施方式。该方法可以由本发明实施例提供的智能对象推荐装置来执行，该方法具体可以包括如下：

s201、分别确定用户主诉描述信息和候选对象专长信息中包括的实体。

其中，实体表示现实世界中客观存在的并可以相互区分的对象或事物，例如：人称、动物、植物、建筑物等。以毕业生求职场景为例，实体包括但不限于学历、专业、证书等，以患者就医场景为例，实体包括但不限于症状、疾病、检查、检验、手术、药品等。

可选的，s201可以包括：

a、根据候选对象所属领域的知识图谱中实体词，分别对所述用户主诉描述信息和所述候选对象专长信息进行分词。

其中，知识图谱是通过专业人员对海量所属领域专业术语进行实体标注得到的。分词指的是将一个汉字序列切分成一个个单独的词，可选的分词方法包括正向最大匹配法、逆向最大匹配法、最少切分法和双向最大匹配法等。通过根据所属领域的知识图谱，分别对所述用户主诉描述信息和所述候选对象专长信息进行分词，可以将所属领域实体词与其它领域实体词以及其它词性的词区分开。

示例性的，用户主诉描述信息为“我今天咳嗽头疼肚子疼，是不是感冒了？”，则根据医学领域的知识图谱，得到的分词结果为“我/今天/咳嗽/头疼/肚子疼/是不是/感冒/了”，对应的候选对象专长信息为“我擅长治疗感冒发烧”，则根据医学领域的知识图谱，得到的分词结果为“我/擅长/治疗/感冒/发烧”。

b、将所述用户主诉描述信息和所述候选对象专长信息的分词结果作为深度学习网络模型的输入，得到所述用户主诉描述信息和所述候选对象专长信息中包括的实体。

其中，深度学习网络模型是一种通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示的模型。

具体的,在本实施例中,深度学习网络模型是一种实体识别模型，其包括双向长短期记忆网络层、注意力机制层和条件随机场层。

双向长短期记忆网络层用于根据目标实体前后文信息，来预测目标实体属于预设标签的概率，示例性的，预设标签包括“症状”、“疾病”、“检查”、“检验”、“手术“和“药品”，经过分词后的用户主诉描述信息“我/今天/咳嗽/头疼/肚子疼/是不是/感冒/了”作为双向长短期记忆网络层的输入，则输出各实体属于预设标签的概率，如“咳嗽”对应“症状”的概率为0.7，对应“疾病”的概率为0.6，对应“药品”的概率为0.1。

注意力机制层用于对分词后的用户主诉描述信息中的每个词自动学习权重，示例性，分词后的用户主诉描述信息为“我/今天/感冒/了”，则根据实际业务需求，对各个词赋予权重，如“我”对应权重为0.1，“今天”对应权重为0.2，“感冒”对应权重为0.65，“了”，对应权重为0.05。注意力机制层对双向长短期记忆网络层起到辅助判断作用。

条件随机场层用于获取双向长短期记忆网络层输出的信息，结合全文信息将每个实体对应概率最高的预设标签作为该实体对应的标签，完成了实体识别操作，并根据句子中词与词之间的顺序关系，输出更加符合自然语言处理规则的语句，示例性的，条件随机场层输出的形式包括“我/今天/咳嗽【症状】/头疼【症状】/肚子疼【症状】/是不是/感冒【疾病】/了”。

通过将用户主诉描述信息和候选对象专长信息输入到包括双向长短期记忆网络层、注意力机制层和条件随机场层的深度学习网络模型，可以得到更加精准的所属领域实体分词与所属领域实体识别。

s202、基于无监督的向量生成模型，根据所述用户主诉描述信息和所述候选对象专长信息中包括的实体，分别生成用户特征表示和候选对象特征表示。

可选的，将候选对象所属领域的文献作为语料库，构建无监督的向量生成模型。示例性，候选对象所属领域为医学领域，则将经过相关医学专家精心编撰的包括但不仅限于医学书籍，医学文献，医学报告，医学百科作为语料库，构建无监督的向量生成模型，可选的无监督的向量生成模型包括word2vec模型、glove模型和fasttext模型等。基于无监督的向量生成模型，可以将自然语言处理生成的实体变成向量的分布式语义表示。

可选的，基于无监督的向量生成模型，根据所述用户主诉描述信息中包括的至少两个实体，生成至少两个用户子特征表示，作为所述用户特征表示。示例性的，采用word2vec模型作为无监督的向量生成模型，用户主诉描述信息中包括“症状”和“疾病”两个实体，则对应经过word2vec模型生成对应的向量[0.2，0.5]和[0.3，0.7]，即为用户特征表示。

可选的，基于无监督的向量生成模型，根据所述候选对象专长信息中包括的至少两个实体，生成至少两个对象子特征表示，且将至少两个子对象特征表示的均值作为所述候选对象特征表示。示例性的，采用word2vec模型作为无监督的向量生成模型，候选对象专长信息中包括“感冒”和“发烧”两个实体，则对应经过word2vec模型生成对应的向量[0.4，0.1]和[0.7，0.5]，将两个得到的向量计算均值，得到[0.55，0.3]，即为候选对象特征表示。

通常情况下用户主诉描述信息中包括的实体数量以及候选对象专长信息中包括的实体数量较多，因此对于后续根据用户特征表示和候选对象特征表示计算响应度时，计算量较多。并且由于是向用户推荐目标对象，所以用户特征表示的优先级高于候选对象特征表示，因此通过将至少两个子对象特征表示的均值作为所述候选对象特征表示，可以为后续准确地向用户推荐目标对象的前提下，减少系统计算量。可选的，包括基于无监督的向量生成模型，根据所述候选对象专长信息中包括的至少两个实体，生成至少两个对象子特征表示，作为所述候选对象特征表示。

可选的，在基于无监督的向量生成模型，根据所述用户主诉描述信息和所述候选对象专长信息中包括的实体，分别生成用户特征表示和候选对象特征表示之后，包括将所述用户特征表示和候选对象特征表示建立索引，并保存到特征表示数据库。

通过基于无监督的向量生成模型计算并保存用户特征表示和候选对象特征表示，为后续确定候选对象对用户的响应度提供数据支撑，并且基于无监督的向量生成模型来计算特征表示，无需样本标签，适用于无法获得高质量标签的领域。

s203、分别确定所述用户特征表示中至少两个用户子特征表示与所述候选对象特征表示的至少两个子响应度。

具体的，将用户特征表示和候选对象特征表示看作是两组多维输入信号，输入到包括响应函数的模式响应系统中，可选的响应函数包括但不限于余弦距离、欧几里得距离、卷积函数、马氏距离和基于神经网络的度量函数等，示例性的，响应函数选取余弦距离，用户特征表示为(0.5，0.5)、(0.1，0.1)，候选对象特征表示为(0.1，0.2)，则两个子响应度为和

s204、根据所述至少两个子响应度，确定候选对象对用户的响应度。

具体的，将所述至少两个子响应度中，响应度最大的子响应度作为候选对象对用户的响应度。

s205、根据候选对象对用户的响应度，从所述候选对象中为用户选择目标对象。

本实施例提供的技术方案，通过基于无监督的向量生成模型，根据所述用户主诉描述信息和所述候选对象专长信息中包括的实体，分别生成用户特征表示和候选对象特征表示，实现了无需大量人工标注条件下将实体变成向量的分布式语义表示；通过确定用户特征表示和候选对象特征表示的至少两个子响应度，并根据至少两个子响应度，确定候选对象对用户的响应度，实现精准确定最佳候选对象并且稳定性高的技术效果。

实施例三

图3为本发明实施例三提供的一种智能对象推荐装置的结构示意图，可执行本发明任一实施例所提供的智能对象推荐方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置可以包括：

特征表示生成模块31，用于根据获取的用户主诉描述信息和候选对象专长信息，分别生成用户特征表示和候选对象特征表示；

响应度确定模块32，用于根据用户特征表示和候选对象特征表示，确定候选对象对用户的响应度；

目标对象选择模块33，用于根据候选对象对用户的响应度，从所述候选对象中为用户选择目标对象。

在上述实施例的基础上，所述特征表示生成模块31，包括：

实体确定单元，用于分别确定所述用户主诉描述信息和所述候选对象专长信息中包括的实体；

特征表示生成单元，用于基于无监督的向量生成模型，根据所述用户主诉描述信息和所述候选对象专长信息中包括的实体，分别生成用户特征表示和候选对象特征表示。

在上述实施例的基础上，所述实体确定单元，包括：

分词子单元，用于根据候选对象所属领域的知识图谱中实体词，分别对所述用户主诉描述信息和所述候选对象专长信息进行分词；

实体获取子单元，用于将所述用户主诉描述信息和所述候选对象专长信息的分词结果作为深度学习网络模型的输入，得到所述用户主诉描述信息和所述候选对象专长信息中包括的实体；

其中，深度学习网络模型包括双向长短期记忆网络层、注意力机制层和条件随机场层。

在上述实施例的基础上，所述特征表示生成模块31还包括：

向量生成模型构建单元，设置在特征表示生成单元之前，用于将候选对象所属领域的文献作为语料库，构建无监督的向量生成模型。

在上述实施例的基础上，所述特征表示生成单元，包括：

用户特征表示确定子单元，用于基于无监督的向量生成模型，根据所述用户主诉描述信息中包括的至少两个实体，生成至少两个用户子特征表示，作为所述用户特征表示；

候选对象特征表示确定子单元，用于基于无监督的向量生成模型，根据所述候选对象专长信息中包括的至少两个实体，生成至少两个对象子特征表示，且将至少两个子对象特征表示的均值作为所述候选对象特征表示。

在上述实施例的基础上，所述响应度确定模块32，包括：

子响应度确定单元，用于分别确定所述用户特征表示中至少两个用户子特征表示与所述候选对象特征表示的至少两个子响应度；

响应度确定单元，用于根据所述至少两个子响应度，确定候选对象对用户的响应度。

本发明实施例所提供的一种智能对象推荐装置，可执行本发明任一实施例所提供的智能对象推荐方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任一实施例所提供的智能对象推荐方法。

实施例四

图4为本发明实施例四提供的一种设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性设备400的框图。图4显示的设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，设备400以通用计算设备的形式表现。设备400的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。

总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

设备400典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)404和/或高速缓存存储器405。设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。

设备400也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该设备400交互的设备通信，和/或与使得该设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口411进行。并且，设备400还可以通过网络适配器412与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器412通过总线403与设备400的其它模块通信。应当明白，尽管图中未示出，可以结合设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的智能对象推荐方法，包括：

根据获取的用户主诉描述信息和候选对象专长信息，分别生成用户特征表示和候选对象特征表示；

根据用户特征表示和候选对象特征表示，确定候选对象对用户的响应度；

根据候选对象对用户的响应度，从所述候选对象中为用户选择目标对象。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种智能对象推荐方法，该方法包括：

根据获取的用户主诉描述信息和候选对象专长信息，分别生成用户特征表示和候选对象特征表示；

根据用户特征表示和候选对象特征表示，确定候选对象对用户的响应度；

根据候选对象对用户的响应度，从所述候选对象中为用户选择目标对象。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的一种智能对象推荐方法中的相关操作。本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。