[发明专利]用于推送信息的方法和装置

权利要求书

1.一种用于推送信息的方法，其特征在于，所述方法包括：

接收用户使用终端发来的登录请求；

响应于所述登录请求验证通过，获取所述用户在当前时间之前预设时间段内的历史查询文本序列；

对于所述历史查询文本序列中的每个历史查询文本，将对该历史查询文本进行分词所生成的切分词序列导入预先建立的卷积神经网络模型，生成用于表征该历史查询文本的语义的预设维数的语义向量，其中，所述卷积神经网络模型用于表征切分词序列与所述预设维数的向量之间的对应关系；

根据所述历史查询文本序列中的每个历史查询文本的语义向量生成历史查询文本语义向量序列；

将所述历史查询文本语义向量序列导入预先建立的循环神经网络模型，生成与所述历史查询文本序列对应的所述预设维数的推荐查询文本语义向量，其中，所述循环神经网络模型用于表征所述预设维数的向量序列与所述预设维数的向量之间的对应关系；

解码所述推荐查询文本语义向量，生成推荐查询文本；

向所述终端推送所生成的推荐查询文本。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括建立卷积神经网络模型和循环神经网络模型的步骤，所述建立卷积神经网络模型和循环神经网络模型的步骤包括：

获取初始卷积神经网络模型和初始循环神经网络模型；

从搜索日志中获取至少一个用户的至少一个历史查询文本序列，作为正例历史查询文本序列集合；

以所述正例历史查询文本序列集合为训练数据，训练所述初始卷积神经网络模型和所述初始循环神经网络模型；

将训练得到的所述初始卷积经网络模型确定为所述预先建立的卷积神经网络模型，以及将训练得到的所述初始循环神经网络模型确定为所述预先建立的循环神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述解码所述推荐查询文本语义向量，生成推荐查询文本，包括：

在预设的查询文本语义向量和查询文本的对应关系表中，查找与所述推荐查询文本语义向量之间的相似度最高的查询文本语义向量，并将与所找到的查询文本语义向量对应的查询文本确定为所述推荐查询文本。

4.根据权利要求3所述的方法，其特征在于，所述以所述正例历史查询文本序列集合为训练数据，训练所述初始卷积神经网络模型和所述初始循环神经网络模型，包括：

获取与所述正例历史查询文本序列集合对应的负例历史查询文本序列集合；

以所述正例历史查询文本序列集合为正例训练数据，以所述负例历史查询文本序列集合为负例训练数据，训练所述初始卷积神经网络模型和所述初始循环神经网络模型。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述循环神经网络模型为长短期记忆网络模型。

6.一种用于推送信息的装置，其特征在于，所述装置包括：

接收单元，配置用于接收用户使用终端发来的登录请求；

获取单元，配置用于响应于所述登录请求验证通过，获取所述用户在当前时间之前预设时间段内的历史查询文本序列；

第一生成单元，配置用于对于所述历史查询文本序列中的每个历史查询文本，将对该历史查询文本进行分词所生成的切分词序列导入预先建立的卷积神经网络模型，生成用于表征该历史查询文本的语义的预设维数的语义向量，其中，所述卷积神经网络模型用于表征切分词序列与所述预设维数的向量之间的对应关系；

第二生成单元，配置用于根据所述历史查询文本序列中的每个历史查询文本的语义向量生成历史查询文本语义向量序列；

第三生成单元，配置用于将所述历史查询文本语义向量序列导入预先建立的循环神经网络模型，生成与所述历史查询文本序列对应的所述预设维数的推荐查询文本语义向量，其中，所述循环神经网络模型用于表征所述预设维数的向量序列与所述预设维数的向量之间的对应关系；

第四生成单元，配置用于解码所述推荐查询文本语义向量，生成推荐查询文本；

推送单元，配置用于向所述终端推送所生成的推荐查询文本。