用于获取信息的方法及装置与流程
本公开的实施例涉及计算机技术领域，具体涉及用于获取信息的方法及装置。
背景技术：
随着网络技术的发展，用户可以登录网站搜索各种信息或购买物品。网站可以存储有海量的信息，并根据用户的搜索关键词向用户提供信息，提高了用户获取信息的效率。通常，用户在网站输入搜索关键词后，可以获取到多个信息。之后，用户可以对信息进行筛选，以得到需要的信息。
技术实现要素：
本公开的实施例提出了用于获取信息的方法及装置。
第一方面，本公开的实施例提供了一种用于获取信息的方法，该方法包括：获取包含搜索关键词的至少一条初始信息，其中，初始信息包含上述搜索关键词；对于上述至少一条初始信息中的初始信息，计算上述搜索关键词在该初始信息中的权重值，上述权重值用于表征搜索关键词在初始信息中的重要程度；将大于设定权重阈值的权重值对应的初始信息标记为备选信息，并展示上述备选信息；响应于接收到对应上述备选信息的选择信号，将上述选择信号对应的备选信息设置为目标信息。
在一些实施例中，上述权重值通过以下步骤得到：将初始信息划分为至少一个待处理词条，并查询至少一个待处理词条中每个待处理词条的词条特征，其中，上述词条特征包括以下至少一项：词性、句子成分、信息类型；根据上述至少一个待处理词条中的待处理词条在初始信息中的位置，为待处理词条设置位置信息，并根据上述位置信息确定上述待处理词条的上下文信息；将上述至少一个待处理词条和对应至少一个待处理词条中每个待处理词条的词条特征和上下文信息导入预先训练的词条权重值计算模型，得到对应上述至少一个待处理词条中每个待处理词条的权重值，其中，上述词条权重值计算模型用于通过词条特征和上下文信息计算待处理词条的权重值。
在一些实施例中，上述词条权重值计算模型通过以下步骤训练得到：获取多个样本信息和对应上述多个样本信息中每个样本信息包含的样本词条的样本词条特征、样本上下文信息和样本权重值，其中，样本权重值用于表征样本词条在样本信息中的重要程度；将上述多个样本信息的每个样本信息包含的样本词条的样本词条特征、样本上下文信息作为输入，将上述多个样本信息中的每个样本信息包含的样本词条所对应的样本权重值作为输出，训练得到上述词条权重值计算模型。
在一些实施例中，上述将上述多个样本信息的每个样本信息包含的样本词条的样本词条特征、样本上下文信息作为输入，将上述多个样本信息中的每个样本信息包含的样本词条所对应的样本权重值作为输出，训练得到上述词条权重值计算模型，包括：执行以下训练步骤：将上述多个样本信息中的每个样本信息包含的样本词条的样本词条特征、样本上下文信息输入至初始词条权重值计算模型，得到上述多个样本信息中的每个样本信息的样本词条所对应的预测权重值，将上述多个样本信息中的每个样本信息的样本词条所对应的预测权重值与该样本词条所对应的样本权重值进行比较，得到上述初始词条权重值计算模型的预测准确率，确定上述预测准确率是否大于预设准确率阈值，若大于上述预设准确率阈值，则将上述初始词条权重值计算模型作为训练完成的词条权重值计算模型。
在一些实施例中，上述将上述多个样本信息的每个样本信息包含的样本词条的样本词条特征、样本上下文信息作为输入，将上述多个样本信息中的每个样本信息包含的样本词条所对应的样本权重值作为输出，训练得到上述词条权重值计算模型，包括：响应于不大于上述预设准确率阈值，调整上述初始词条权重值计算模型的参数，并继续执行上述训练步骤。
在一些实施例中，上述样本权重值通过以下步骤计算：根据样本词条特征为上述样本词条设置词条特征权重；对于样本信息包含的至少一个样本词条中的待处理样本词条，将在上述样本信息中上述待处理样本词条之前的样本词条和待处理样本词条组合成样本上文词条序列，将在上述样本信息中上述待处理样本词条之后的样本词条和待处理样本词条组合成样本下文词条序列；分别将上述样本上文词条序列和样本下文词条序列转换为至少一个样本上文词条合成向量和至少一个样本下文词条合成向量；计算上述待处理样本词条的词条特征权重与至少一个样本上文词条合成向量的第一乘积和，得到对应上述样本上文词条序列的上文词条权重值，计算上述待处理样本词条的词条特征权重与至少一个样本下文词条合成向量的第二乘积和，得到对应上述样本下文词条序列的下文词条权重值；将上述上文词条权重值和下文词条权重值的和作为上述待处理样本词条的初始样本词条权重值；对上述样本信息的每个样本词条的初始样本词条权重值归一化，得到每个样本词条的最终样本权重值。
第二方面，本公开的实施例提供了一种用于获取信息的装置，该装置包括：初始信息获取单元，被配置成获取包含搜索关键词的至少一条初始信息，其中，初始信息包含上述搜索关键词；权重值计算单元，对于上述至少一条初始信息中的初始信息，被配置成计算上述搜索关键词在该初始信息中的权重值，上述权重值用于表征搜索关键词在初始信息中的重要程度；备选信息获取单元，被配置成将大于设定权重阈值的权重值对应的初始信息标记为备选信息，并展示上述备选信息；目标信息获取单元，被配置成响应于接收到对应上述备选信息的选择信号，将上述选择信号对应的备选信息设置为目标信息。
在一些实施例中，上述装置包括权重值计算单元，用于计算权重值，上述权重值计算单元包括：词条特征查询子单元，被配置成将初始信息划分为至少一个待处理词条，并查询至少一个待处理词条中每个待处理词条的词条特征，其中，上述词条特征包括以下至少一项：词性、句子成分、信息类型；上下文信息确定子单元，被配置成根据上述至少一个待处理词条中的待处理词条在初始信息中的位置，为待处理词条设置位置信息，并根据上述位置信息确定上述待处理词条的上下文信息；权重值计算子单元，被配置成将上述至少一个待处理词条和对应至少一个待处理词条中每个待处理词条的词条特征和上下文信息导入预先训练的词条权重值计算模型，得到对应上述至少一个待处理词条中每个待处理词条的权重值，其中，上述词条权重值计算模型用于通过词条特征和上下文信息计算待处理词条的权重值。
在一些实施例中，上述装置包括词条权重值计算模型训练单元，被配置成训练词条权重值计算模型，上述词条权重值计算模型训练单元包括：样本获取子单元，被配置成获取多个样本信息和对应上述多个样本信息中每个样本信息包含的样本词条的样本词条特征、样本上下文信息和样本权重值，其中，样本权重值用于表征样本词条在样本信息中的重要程度；词条权重值计算模型训练子单元，被配置成将上述多个样本信息的每个样本信息包含的样本词条的样本词条特征、样本上下文信息作为输入，将上述多个样本信息中的每个样本信息包含的样本词条所对应的样本权重值作为输出，训练得到上述词条权重值计算模型。
在一些实施例中，上述词条权重值计算模型训练子单元包括：词条权重值计算模型训练模块，被配置成将上述多个样本信息中的每个样本信息包含的样本词条的样本词条特征、样本上下文信息输入至初始词条权重值计算模型，得到上述多个样本信息中的每个样本信息的样本词条所对应的预测权重值，将上述多个样本信息中的每个样本信息的样本词条所对应的预测权重值与该样本词条所对应的样本权重值进行比较，得到上述初始词条权重值计算模型的预测准确率，确定上述预测准确率是否大于预设准确率阈值，若大于上述预设准确率阈值，则将上述初始词条权重值计算模型作为训练完成的词条权重值计算模型。
在一些实施例中，上述词条权重值计算模型训练子单元包括：参数调整模块，响应于不大于上述预设准确率阈值，被配置成调整上述初始词条权重值计算模型的参数，并返回上述词条权重值计算模型训练模块。
在一些实施例中，上述装置包括样本权重值计算单元，被配置成计算样本权重值，上述样本权重值计算单元包括：词条特征权重设置子单元，被配置成根据样本词条特征为上述样本词条设置词条特征权重；词条序列获取子单元，对于样本信息包含的至少一个样本词条中的待处理样本词条，被配置成将在上述样本信息中上述待处理样本词条之前的样本词条和待处理样本词条组合成样本上文词条序列，将在上述样本信息中上述待处理样本词条之后的样本词条和待处理样本词条组合成样本下文词条序列；合成向量转换子单元，被配置成分别将上述样本上文词条序列和样本下文词条序列转换为至少一个样本上文词条合成向量和至少一个样本下文词条合成向量；词条权重值计算子单元，被配置成计算上述待处理样本词条的词条特征权重与至少一个样本上文词条合成向量的第一乘积和，得到对应上述样本上文词条序列的上文词条权重值，计算上述待处理样本词条的词条特征权重与至少一个样本下文词条合成向量的第二乘积和，得到对应上述样本下文词条序列的下文词条权重值；初始样本词条权重值计算子单元，被配置成将上述上文词条权重值和下文词条权重值的和作为上述待处理样本词条的初始样本词条权重值；样本权重值计算子单元，被配置成对上述样本信息的每个样本词条的初始样本词条权重值归一化，得到每个样本词条的最终样本权重值。
第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储器，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述第一方面的用于获取信息的方法。
第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述第一方面的用于获取信息的方法。
本公开的实施例提供的用于获取信息的方法及装置，首先获取包含搜索关键词的至少一条初始信息；然后计算上述搜索关键词在该初始信息中的权重值；之后将大于设定权重阈值的权重值对应的初始信息标记为备选信息，并展示上述备选信息；最后将上述选择信号对应的备选信息设置为目标信息。本申请能够根据权重值选择目标信息，提高了目标信息的有效性。
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，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2a是根据本公开的用于获取信息的方法的一个实施例的流程图；
图2b是根据本公开的计算样本权重值的一个实际的网络结构示意图；
图3是根据本公开的用于获取信息的方法的一个应用场景的示意图；
图4是根据本公开的词条权重值计算模型训练方法的一个实施例的流程图；
图5是根据本公开的用于获取信息的装置的一个实施例的结构示意图；
图6是适于用来实现本公开的实施例的电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本公开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，本公开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公开。
图1示出了可以应用本公开的实施例的用于获取信息的方法或用于获取信息的装置的示例性系统架构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可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持信息搜索的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。
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发来的搜索关键词进行数据处理的服务器。服务器可以对接收到的搜索关键词等数据进行分析等处理，并将处理结果(例如目标信息)反馈给终端设备。
需要说明的是，本公开的实施例所提供的用于获取信息的方法一般由服务器105执行，相应地，用于获取信息的装置一般设置于服务器105中。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。
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2a，示出了根据本公开的用于获取信息的方法的一个实施例的流程200。该用于获取信息的方法包括以下步骤：
步骤201，获取包含搜索关键词的至少一条初始信息。
在本实施例中，用于获取信息的方法的执行主体(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接收搜索关键词。其中，搜索关键词可以是用户通过终端设备101、102、103输入的信息，也可以是执行主体获取的其他信息。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(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
实际中，用户输入的搜索关键词在不同的信息中的重要程度不同，搜索关键词通常是用户最关注的信息。而信息提供方通常只是将包含搜索关键词的所有信息都展示给用户，进而导致用户获取信息的有效性不高。
本申请的执行主体在接收到搜索关键词后，可以首先查找至少一条初始信息。其中，初始信息包含上述搜索关键词。通常，初始信息为包含上述搜索关键词在内的多个词条。例如，搜索关键词为“牛奶”，初始信息可以是：“xx牛奶饼干xxxx”、“牛奶味xxxxx”等。
步骤202，对于上述至少一条初始信息中的初始信息，计算上述搜索关键词在该初始信息中的权重值。
得到初始信息后，为了确定搜索关键词在初始信息中的重要程度，执行主体还可以计算上述搜索关键词在该初始信息中的权重值。其中，上述权重值可以用于表征搜索关键词在初始信息中的重要程度。权重值可以通过搜索关键词在初始信息中的位置(例如在初始信息的最后位置)来确定，搜索关键词包含的文字数量占初始信息包含的文字数量的百分比等方式表示，具体视实际需要而定。
在本实施例的一些可选的实现方式中，上述权重值通过以下步骤得到：
第一步，将初始信息划分为至少一个待处理词条，并查询至少一个待处理词条中每个待处理词条的词条特征。
执行主体可以将初始信息划分为多个待处理词条。之后，执行主体可以查询每个待处理词条的词条特征。其中，上述词条特征可以包括以下至少一项：词性、句子成分、信息类型。词性可以包括：名词、代词、形容词、数词等；句子成分可以包括主语、谓语、宾语等；信息类型可以是英文、数字、符号等。
第二步，根据上述至少一个待处理词条中的待处理词条在初始信息中的位置，为待处理词条设置位置信息，并根据上述位置信息确定上述待处理词条的上下文信息。
执行主体可以查询待处理词条在初始信息中的位置，为待处理词条设置位置信息。例如，初始信息为“xx牛奶饼干xxxx”。“xx牛奶饼干xxxx”包含的待处理词条包括：“xx”、“牛奶”、“饼干”和“xxxx”。则“xx”在初始信息中的位置可以是“第一词条”。类似的，“牛奶”、“饼干”和“xxxx”可以分别是“第二词条”、“第三词条”和“第四词条”。之后，执行主体可以根据位置信息确定待处理词条的上下文信息。上下文信息包括上文信息和下文信息。其中，上文信息用于表征初始信息中待处理词条和待处理词条之前的词条；下文信息用于表征初始信息中待处理词条和待处理词条之后的词条。例如：待处理词条“牛奶”的上文信息可以是“xx”和“牛奶”，待处理词条“牛奶”的下文信息可以是“牛奶”、“饼干”和“xxxx”。待处理词条“xx”的上文信息为“xx”，待处理词条“xx”的下文信息可以是“xx”、“牛奶”、“饼干”和“xxxx”。
第三步，将上述至少一个待处理词条和对应至少一个待处理词条中每个待处理词条的词条特征和上下文信息导入预先训练的词条权重值计算模型，得到对应上述至少一个待处理词条中每个待处理词条的权重值。
得到词条特征和上下文信息后，执行主体可以将词条特征和上下文信息导入预先训练的词条权重值计算模型，得到对应上述至少一个待处理词条中每个待处理词条的权重值。
在本实施例的一些可选的实现方式中，上述词条权重值计算模型通过以下步骤训练得到：
第一步，获取多个样本信息和对应上述多个样本信息中每个样本信息包含的样本词条的样本词条特征、样本上下文信息和样本权重值。
执行主体可以预先获取多个样本信息和对应上述多个样本信息中每个样本信息包含的样本词条的样本词条特征、样本上下文信息和样本权重值。其中，样本权重值用于表征样本词条在样本信息中的重要程度。
第二步，将上述多个样本信息的每个样本信息包含的样本词条的样本词条特征、样本上下文信息作为输入，将上述多个样本信息中的每个样本信息包含的样本词条所对应的样本权重值作为输出，训练得到上述词条权重值计算模型。
执行主体可以通过多种网络(例如可以是卷积神经网络、深度学习网络等)对词条权重值计算模型进行训练。执行主体可以将样本词条的样本词条特征、样本上下文信息作为输入，将上述多个样本信息中的每个样本信息包含的样本词条所对应的样本权重值作为输出，训练得到上述词条权重值计算模型。
在本实施例的一些可选的实现方式中，上述样本权重值通过以下步骤计算：
第一步，根据样本词条特征为上述样本词条设置词条特征权重。
由上述描述可知，上述词条特征可以包括以下至少一项：词性、句子成分、信息类型。实际中，不同的词条特征在信息中的重要程度不同。例如，当样本词条为“牛奶”时，在信息“牛奶饼干”中，样本词条为“牛奶”为形容词，“牛奶饼干”的重要信息则是“饼干”；当信息为“进口牛奶”时，样本词条“牛奶”则为该信息的重要信息。可见，同样的词条在不同的信息中的重要程度，与该词条在信息中的词条特征相关。为此，执行主体可以根据样本词条特征为上述样本词条设置词条特征权重。
第二步，对于样本信息包含的至少一个样本词条中的待处理样本词条，将在上述样本信息中上述待处理样本词条之前的样本词条和待处理样本词条组合成样本上文词条序列，将在上述样本信息中上述待处理样本词条之后的样本词条和待处理样本词条组合成样本下文词条序列。
执行主体可以将当前的待处理样本词条和样本信息中待处理样本词条之前的样本词条和待处理样本词条组合成样本上文词条序列，即样本上文词条序列相当于上文信息；执行主体可以将待处理样本词条之后的样本词条和待处理样本词条组合成样本下文词条序列，即样本下文词条序列相当于下文信息。
第三步，分别将上述样本上文词条序列和样本下文词条序列转换为至少一个样本上文词条合成向量和至少一个样本下文词条合成向量。
每个词条在通过终端设备处理时，都可以转换为对应的字符，执行主体可以将这些字符按照自然语言中的字向量或词向量等方式进行转换，得到对应样本上文词条序列的至少一个样本上文词条合成向量，以及对应样本下文词条序列的至少一个样本下文词条合成向量。例如，样本上文词条序列包括3个字，则样本上文词条合成向量可以是只包含第一个字的第一样本上文词条合成向量、包含第一个字和第二个字的第二样本上文词条合成向量，以及包含第一个字、第二个字和第三个字的第三样本上文词条合成向量。其中，第一样本上文词条合成向量中第一个字的信息含量最多，第二样本上文词条合成向量中第二个字的信息含量高于第一个字的信息含量，第三样本上文词条合成向量中第三个字的信息含量最多，第一个字的信息含量最少。
第四步，计算上述待处理样本词条的词条特征权重与至少一个样本上文词条合成向量的第一乘积和，得到对应上述样本上文词条序列的上文词条权重值，计算上述待处理样本词条的词条特征权重与至少一个样本下文词条合成向量的第二乘积和，得到对应上述样本下文词条序列的下文词条权重值。
执行主体可以计算上述待处理样本词条的词条特征权重与至少一个样本上文词条合成向量的第一乘积和，得到对应上述样本上文词条序列的上文词条权重值。执行主体可以将词条特征权重与每个样本上文词条合成向量进行乘运算，得到对应样本上文词条合成向量的一个值。词条特征权重通常为一个常数(例如可以是0.2)，为了实现词条特征权重和样本上文词条合成向量的乘积为一个常数，可以将词条特征权重转换为一个向量，并使得词条特征权重和样本上文词条合成向量的乘积为1×1维的常数。
第五步，将上述上文词条权重值和下文词条权重值的和作为上述待处理样本词条的初始样本词条权重值。
执行主体可以将上述上文词条权重值和下文词条权重值的和作为上述待处理样本词条的初始样本词条权重值。如此，可以得到样本信息中每个样本词条的初始样本词条权重值。
第六步，对上述样本信息的每个样本词条的初始样本词条权重值归一化，得到每个样本词条的最终样本权重值。
得到每个样本词条的初始样本词条权重值后，为了表征各个样本词条在样本信息中的重要程度，执行主体可以对上述样本信息的每个样本词条的初始样本词条权重值归一化，得到每个样本词条的最终样本权重值。
图2b为计算样本权重值的一个实际的网络结构示意图。图2b中，features表示样本词条的词条特征权重；wt-n+1、wt-2、wt为样本上文词条序列中每个词条的向量，组合起来对应样本上文词条的向量序列；类似的，wt···wt+n-1、为样本下文词条序列中每个词条的向量，组合起来对应样本下文词条的向量序列；lrtml和lrtmr为一种长短期记忆网络(longshort-termmemory)；
步骤203，将大于设定权重阈值的权重值对应的初始信息标记为备选信息，并展示上述备选信息。
为了提高信息的有效性，执行主体可以将大于设定权重阈值的权重值对应的初始信息标记为备选信息。即，备选信息为用户更可能需要的信息。其中，设定权重阈值的具体取值可以视实际需要而定。之后，执行主体可以展示备选信息，以告知用户。
步骤204，响应于接收到对应上述备选信息的选择信号，将上述选择信号对应的备选信息设置为目标信息。
当用户从执行主体提供的备选信息中选择某一备选信息后，执行主体可以接收到对应的选择信号。执行主体可以将对应选择信号的备选信息设置为目标信息，如此，提高了目标信息的有效性。之后，执行主体可以展示目标信息对应的更详细的网页信息等内容。
继续参见图3，图3是根据本实施例的用于获取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，用户可以通过终端设备102向服务器105发送搜索关键词“牛奶”。服务器105接收到搜索关键词“牛奶”后，可以查询到多个包含搜索关键词“牛奶”的初始信息：“牛奶糖”、“牛奶饼干”、“牛奶味冰激凌”、“xxx牛奶”、“xxx原装进口牛奶”、“纯牛奶”···；然后，服务器105可以计算每个初始信息中搜索关键词“牛奶”的权重值；之后，服务器105可以将大于设定权重阈值的权重值对应的初始信息标记为备选信息，并发送给终端设备102展示上述备选信息：“xxx牛奶”、“xxx原装进口牛奶”、“纯牛奶”···；最后，当服务器105接收到终端设备102发来的选择信号时，服务器105可以将选择信号对应的备选信息设置为目标信息。服务器105还可以向终端设备102展示目标信息的网页信息。
本公开的上述实施例提供的方法首先获取包含搜索关键词的至少一条初始信息；然后计算上述搜索关键词在该初始信息中的权重值；之后将大于设定权重阈值的权重值对应的初始信息标记为备选信息，并展示上述备选信息；最后将上述选择信号对应的备选信息设置为目标信息。本申请能够根据权重值选择目标信息，提高了目标信息的有效性。
进一步参考图4，其示出了词条权重值计算模型训练方法的又一个实施例的流程400。该词条权重值计算模型训练方法的流程400，包括以下步骤：
步骤401，获取多个样本信息和对应上述多个样本信息中每个样本信息包含的样本词条的样本词条特征、样本上下文信息和样本权重值。
在本实施例中，词条权重值计算模型训练方法的执行主体(例如图1所示的服务器105)可以获取多个样本信息和对应上述多个样本信息中每个样本信息包含的样本词条的样本词条特征、样本上下文信息和样本权重值。其中，样本权重值用于表征样本词条在样本信息中的重要程度。
步骤402，将上述多个样本信息中的每个样本信息包含的样本词条的样本词条特征、样本上下文信息输入至初始词条权重值计算模型，得到上述多个样本信息中的每个样本信息的样本词条所对应的预测权重值。
在本实施例中，基于步骤401所获取的多个样本信息，执行主体可以将上述多个样本信息中的每个样本词条的样本词条特征、样本上下文信息输入至初始词条权重值计算模型，从而得到上述多个样本信息中的每个样本信息所对应的预测权重值。这里，执行主体可以将每个样本词条的样本词条特征、样本上下文信息从初始词条权重值计算模型的输入侧输入，依次经过初始词条权重值计算模型中的各层的参数的处理，并从初始词条权重值计算模型的输出侧输出，输出侧输出的信息即为该样本词条所对应的预测权重值。其中，初始词条权重值计算模型可以是未经训练的模型(例如可以是深度学习模型等)或未训练完成的模型，其各层设置有初始化参数，初始化参数在模型的训练过程中可以被不断地调整。
步骤403，将上述多个样本信息中的每个样本信息的样本词条所对应的预测权重值与该样本词条所对应的样本权重值进行比较，得到上述初始词条权重值计算模型的预测准确率。
基于步骤402所得到的样本信息中的每个样本词条所对应的预测权重值，执行主体可以将样本信息中的每个样本词条所对应的预测权重值与该样本词条所对应的样本权重值进行比较，从而得到初始词条权重值计算模型的预测准确率。具体地，若一个样本词条所对应的预测权重值与该样本词条所对应的样本权重值相同或相近，则初始词条权重值计算模型预测正确；若一个样本词条所对应的预测权重值与该样本词条所对应的样本权重值不同或不相近，则初始词条权重值计算模型预测错误。这里，执行主体可以计算预测正确的数目与样本总数的比值，并将该比值作为初始词条权重值计算模型的预测准确率。
步骤404，确定上述预测准确率是否大于预设准确率阈值。
基于步骤403所得到的初始词条权重值计算模型的预测准确率，执行主体可以将初始词条权重值计算模型的预测准确率与预设准确率阈值进行比较。若大于预设准确率阈值，则执行步骤405；若不大于预设准确率阈值，则执行步骤406。
步骤405，将上述初始词条权重值计算模型作为训练完成的词条权重值计算模型。
在本实施例中，在初始词条权重值计算模型的预测准确率大于预设准确率阈值的情况下，说明该初始词条权重值计算模型训练完成，此时，执行主体可以将初始词条权重值计算模型作为训练完成的词条权重值计算模型。
步骤406，调整上述初始词条权重值计算模型的参数。
在本实施例中，在初始词条权重值计算模型的预测准确率不大于预设准确率阈值的情况下，执行主体可以调整初始词条权重值计算模型的参数，并返回执行步骤402，直至训练出能够通过词条特征和上下文信息计算待处理词条的权重值的词条权重值计算模型为止。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于获取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5所示，本实施例的用于获取信息的装置500可以包括：初始信息获取单元501、权重值计算单元502、备选信息获取单元503和目标信息获取单元504。其中，初始信息获取单元501被配置成获取包含搜索关键词的至少一条初始信息，其中，初始信息包含上述搜索关键词；权重值计算单元502，对于上述至少一条初始信息中的初始信息，被配置成计算上述搜索关键词在该初始信息中的权重值，上述权重值用于表征搜索关键词在初始信息中的重要程度；备选信息获取单元503被配置成将大于设定权重阈值的权重值对应的初始信息标记为备选信息，并展示上述备选信息；目标信息获取单元504被配置成响应于接收到对应上述备选信息的选择信号，将上述选择信号对应的备选信息设置为目标信息。
在本实施例的一些可选的实现方式中，上述用于获取信息的装置500可以包括权重值计算单元(图中未示出)，用于计算权重值，上述权重值计算单元可以包括：词条特征查询子单元(图中未示出)、上下文信息确定子单元(图中未示出)和权重值计算子单元(图中未示出)。其中，词条特征查询子单元被配置成将初始信息划分为至少一个待处理词条，并查询至少一个待处理词条中每个待处理词条的词条特征，其中，上述词条特征包括以下至少一项：词性、句子成分、信息类型；上下文信息确定子单元被配置成根据上述至少一个待处理词条中的待处理词条在初始信息中的位置，为待处理词条设置位置信息，并根据上述位置信息确定上述待处理词条的上下文信息；权重值计算子单元被配置成将上述至少一个待处理词条和对应至少一个待处理词条中每个待处理词条的词条特征和上下文信息导入预先训练的词条权重值计算模型，得到对应上述至少一个待处理词条中每个待处理词条的权重值，其中，上述词条权重值计算模型用于通过词条特征和上下文信息计算待处理词条的权重值。
在本实施例的一些可选的实现方式中，上述用于获取信息的装置500可以包括词条权重值计算模型训练单元(图中未示出)，被配置成训练词条权重值计算模型，上述词条权重值计算模型训练单元可以包括：样本获取子单元(图中未示出)和词条权重值计算模型训练子单元(图中未示出)。其中，样本获取子单元被配置成获取多个样本信息和对应上述多个样本信息中每个样本信息包含的样本词条的样本词条特征、样本上下文信息和样本权重值，其中，样本权重值用于表征样本词条在样本信息中的重要程度；词条权重值计算模型训练子单元被配置成将上述多个样本信息的每个样本信息包含的样本词条的样本词条特征、样本上下文信息作为输入，将上述多个样本信息中的每个样本信息包含的样本词条所对应的样本权重值作为输出，训练得到上述词条权重值计算模型。
在本实施例的一些可选的实现方式中，上述词条权重值计算模型训练子单元可以包括：词条权重值计算模型训练模块(图中未示出)，被配置成将上述多个样本信息中的每个样本信息包含的样本词条的样本词条特征、样本上下文信息输入至初始词条权重值计算模型，得到上述多个样本信息中的每个样本信息的样本词条所对应的预测权重值，将上述多个样本信息中的每个样本信息的样本词条所对应的预测权重值与该样本词条所对应的样本权重值进行比较，得到上述初始词条权重值计算模型的预测准确率，确定上述预测准确率是否大于预设准确率阈值，若大于上述预设准确率阈值，则将上述初始词条权重值计算模型作为训练完成的词条权重值计算模型。
在本实施例的一些可选的实现方式中，上述词条权重值计算模型训练子单元可以包括：参数调整模块(图中未示出)，响应于不大于上述预设准确率阈值，被配置成调整上述初始词条权重值计算模型的参数，并返回上述词条权重值计算模型训练模块。
在本实施例的一些可选的实现方式中，上述用于获取信息的装置500可以包括样本权重值计算单元(图中未示出)，被配置成计算样本权重值，上述样本权重值计算单元可以包括：词条特征权重设置子单元(图中未示出)、词条序列获取子单元(图中未示出)、合成向量转换子单元(图中未示出)、词条权重值计算子单元(图中未示出)、初始样本词条权重值计算子单元(图中未示出)和样本权重值计算子单元(图中未示出)。其中，词条特征权重设置子单元被配置成根据样本词条特征为上述样本词条设置词条特征权重；词条序列获取子单元，对于样本信息包含的至少一个样本词条中的待处理样本词条，被配置成将在上述样本信息中上述待处理样本词条之前的样本词条和待处理样本词条组合成样本上文词条序列，将在上述样本信息中上述待处理样本词条之后的样本词条和待处理样本词条组合成样本下文词条序列；合成向量转换子单元被配置成分别将上述样本上文词条序列和样本下文词条序列转换为至少一个样本上文词条合成向量和至少一个样本下文词条合成向量；词条权重值计算子单元被配置成计算上述待处理样本词条的词条特征权重与至少一个样本上文词条合成向量的第一乘积和，得到对应上述样本上文词条序列的上文词条权重值，计算上述待处理样本词条的词条特征权重与至少一个样本下文词条合成向量的第二乘积和，得到对应上述样本下文词条序列的下文词条权重值；初始样本词条权重值计算子单元被配置成将上述上文词条权重值和下文词条权重值的和作为上述待处理样本词条的初始样本词条权重值；样本权重值计算子单元被配置成对上述样本信息的每个样本词条的初始样本词条权重值归一化，得到每个样本词条的最终样本权重值。
本实施例还提供了一种电子设备，包括：一个或多个处理器；存储器，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述的用于获取信息的方法。
本实施例还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述的用于获取信息的方法。
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如，图1中的服务器105)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
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，其包括承载在计算机可读介质上的计算机程序，该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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开的实施例上述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开的实施例中，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。而在本公开的实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取包含搜索关键词的至少一条初始信息，其中，初始信息包含上述搜索关键词；对于上述至少一条初始信息中的初始信息，计算上述搜索关键词在该初始信息中的权重值，上述权重值用于表征搜索关键词在初始信息中的重要程度；将大于设定权重阈值的权重值对应的初始信息标记为备选信息，并展示上述备选信息；响应于接收到对应上述备选信息的选择信号，将上述选择信号对应的备选信息设置为目标信息。
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公开的实施例的操作的计算机程序代码，上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)。
附图中的流程图和框图，图示了按照本公开的各种实施例的系统、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，该模块、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。
描述于本公开的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：一种处理器包括初始信息获取单元、权重值计算单元、备选信息获取单元和目标信息获取单元。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，目标信息获取单元还可以被描述为“根据权重值提供信息的单元”。
以上描述仅为本公开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，本公开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上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。例如上述特征与本公开中公开的(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。
- 还没有人留言评论。精彩留言会获得点赞！