br>7. 如权利要求6所述的方法，其特征在于，用户短期兴趣的向量加权系数大于用户长 期兴趣的向量加权系数，用户长期兴趣的向量加权系数大于用户人群兴趣的向量加权系 数，其中，用户短期兴趣的向量加权系数大于等于0. 5且小于等于0. 8,用户长期兴趣的向 量加权系数大于等于0. 1且小于等于0. 5,用户人群兴趣的向量加权系数大于等于0. 1且小 于等于0. 5。
8. 如权利要求2所述的方法，其特征在于，所述根据历史回答记录、历史曝光记录建立 点击率模型的步骤，包括： 将所述历史曝光记录中已被用户回答过的问题标记为正样本，将所述历史曝光记录中 未被用户回答过的问题标记为负样本； 提取所有正样本和负样本的特征向量；W及 利用所述正样本和负样本的特征向量进行点击率模型训练，建立点击率模型。
9. 如权利要求8所述的方法，其特征在于，所述特征向量包括；用户特征向量、问题特 征向量W及场景特征向量。
10. 如权利要求1所述的方法，其特征在于，根据所述多个兴趣项由待解决问题集合中 获取候选推荐问题的步骤，包括： 根据所述多个兴趣项，计算待解决问题集合中的问题与所述用户的兴趣向量的相关 性； 根据相关性对该些问题进行排序；W及 提取相关性在预定范围内的问题作为所述候选推荐问题。
11. 如权利要求1所述的方法，其特征在于，所述根据点击率模型预估所述用户回答所 述候选推荐问题的概率的步骤，包括： 提取所述用户、候选推荐问题W及当前场景的特征向量； 利用所述特征向量W及所述点击率模型预估所述用户回答所述候选推荐问题的概率。
12. 如权利要求1所述的方法，其特征在于，所述根据预估的概率选取待推荐问题的步 骤包括根据预估的概率对候选推荐问题进行排序，提取概率在预定范围内的问题作为所述 待推荐问题。
13. -种问题推荐装置，运行于服务器，其特征在于，包括： 兴趣向量计算模块，用于根据用户的短期兴趣、长期兴趣W及人群兴趣构建所述用户 的兴趣向量，所述用户的兴趣向量中包括多个兴趣项； 候选推荐问题获取模块，用于根据所述多个兴趣项由待解决问题集合中获取候选推荐 问题； 待推荐问题获取模块，用于根据点击率模型预估所述用户回答所述候选推荐问题的概 率，并根据预估的概率选取待推荐问题；W及 问题推荐模块，用于向所述客户端推荐所述待推荐问题。
14. 如权利要求13所述的装置，其特征在于，所述兴趣向量计算模块包括： 短期兴趣计算单元，用于根据所述用户在距离当前时间预定时长内的实时回答记录， 计算所述用户的短期兴趣； 长期兴趣获取单元，用于根据历史回答记录，获取所述用户的长期兴趣； 人群兴趣计算单元，用于根据历史回答记录、用户的属性w及与每种用户属性对应的 兴趣项出现的概率，计算所述用户的人群兴趣；W及 点击率模型建立单元，用于根据历史回答记录、历史曝光记录建立点击率模型。
15. 如权利要求14所述的装置，其特征在于，所述短期兴趣计算单元，包括： 实时回答记录获取子单元，用于获取用户在距离当前时间预定时长内的实时回答记 录； 循环队列构建子单元，用于根据所述实时回答记录，提取每个问题对应的兴趣项W及 回答每个问题的时间，W回答每个问题的时间为所述问题对应的兴趣项的时间戳，W所述 兴趣项为元素并根据其对应的时间戳构建循环队列； 第一权重计算子单元，用于根据所述循环队列计算每个兴趣项对应的权重；W及 短期兴趣计算子单元，用于根据每个兴趣项对应的权重计算所述用户的短期兴趣。
16. 如权利要求15所述的装置，其特征在于，所述第一权重计算子单元用于根据每个 兴趣项在所述循环队列中的位置，计算每个兴趣项出现在该位置上时的时间衰减函数W及 每个兴趣项出现在该位置上时的时间戳与当前时间的时长；根据每个兴趣项出现在该位置 上时的时间衰减函数W及每个兴趣项出现在该位置上时的时间戳与当前时间的时长，计算 每个兴趣项对应的权重。
17. 如权利要求14所述的装置，其特征在于，所述人群兴趣计算单元，包括： 人群分类子单元，用于根据用户的属性组合，将所有用户分为多个不同类型的人群； 概率计算子单元，用于计算与用户的属性组合所对应的每个兴趣项出现的概率； 第二权重计算子单元，用于根据所述概率，计算与每种类型的人群对应的兴趣项的权 重； 查找子单元，用于根据所述用户的属性，查找与所述用户对应的人群；W及 人群兴趣计算子单元，用于根据该人群对应的兴趣项的权重，计算所述用户的人群兴 趣。
18. 如权利要求13所述的装置，其特征在于，所述兴趣向量计算模块，还包括： 兴趣向量计算单元，用于通过向量的线性加权，将所述用户的短期兴趣、长期兴趣W及 人群兴趣进行合并，得到用户的兴趣向量。
19. 如权利要求18所述的装置，其特征在于，用户短期兴趣的向量加权系数大于用户 长期兴趣的向量加权系数，用户长期兴趣的向量加权系数大于用户人群兴趣的向量加权系 数，其中，用户短期兴趣的向量加权系数大于等于0. 5且小于等于0. 8,用户长期兴趣的向 量加权系数大于等于0. 1且小于等于0. 5,用户人群兴趣的向量加权系数大于等于0. 1且小 于等于0. 5。
20. 如权利要求14所述的装置，其特征在于，所述兴趣向量计算模块还包括点击率模 型建立单元，所述点击率模型建立单元包括： 样本标记子单元，用于将所述历史曝光记录中已被用户回答过的问题标记为正样本， 将所述历史曝光记录中未被用户回答过的问题标记为负样本； 特征向量提取子单元，用于提取所有正样本和负样本的特征向量；W及 模型训练子单元，利用所述正样本和负样本的特征向量进行点击率模型训练，建立点 击率模型。
21. 如权利要求20所述的装置，其特征在于，所述特征向量包括；用户特征向量、问题 特征向量W及场景特征向量。
22. 如权利要求13所述的装置，其特征在于，所述候选推荐问题获取模块包括： 相关性计算单元，用于根据所述多个兴趣项，计算待解决问题集合中的问题与所述用 户的兴趣向量的相关性； 低于排序单元，用于根据相关性对该些问题进行排序；W及 候选推荐问题选取单元，用于提取相关性在预定范围内的问题作为所述候选推荐问 题。
23. 如权利要求13所述的装置，其特征在于，所述待推荐问题获取模块包括： 预估单元，用于根据所述点击率模型预估所述用户回答所述候选推荐问题的概率； 第二排序单元，用于根据预估的概率对候选推荐问题进行排序；W及 待推荐问题选取单元，用于提取概率在预定范围内的问题作为所述待推荐问题。
24. -种问题推荐系统，包括客户端W及服务端，其特征在于： 所述客户端将用户的回答行为反馈至所述服务端，向所述服务端发送问题推荐请求； 所述服务端响应所述客户端的问题推荐请求向所述客户端发送待推荐的问题，其中， 所述服务端包括；离线挖掘服务装置W及在线推荐服务装置，所述离线挖掘服务装置用于 获取用户的长期兴趣、对人群兴趣进行建模、建立点击率模型，所述在线推荐服务装置用于 根据用户在距离当前时间预定时长内的实时回答记录计算用户的短期兴趣，根据人群兴趣 建模获取用户的人群兴趣，并根据用户的长期兴趣、短期兴趣、人群兴趣构建用户的兴趣向 量，根据兴趣向量中的多个兴趣项由待解决问题集合中获取候选推荐问题，根据点击率模 型预估所述用户回答所述候选推荐问题的概率，并根据预估的概率选取所述待推荐问题， 并向所述客户端发送所述待推荐问题。
【专利摘要】本发明涉及一种问题推荐方法、装置及系统，方法包括：服务器根据用户的短期兴趣、长期兴趣以及人群兴趣构建用户的兴趣向量，用户的兴趣向量中包括多个兴趣项；根据多个兴趣项由待解决问题集合中获取候选推荐问题；根据点击率模型预估所述用户回答候选推荐问题的概率，并根据预估的概率选取待推荐问题；向客户端推荐所述待推荐问题。本发明可以解决现有技术中推荐兴趣滞后的问题，以及推荐结果不全面、结果单一的现象，也可以提高互动问答平台的问题回答率。
【IPC分类】G06F17-30
【公开号】CN104572734
【申请号】CN201310503499
【发明人】冯扬, 李京生, 孙拔群
【申请人】腾讯科技（深圳）有限公司
【公开日】2015年4月29日
【申请日】2013年10月23日
【公告号】WO2015058558A1