[发明专利]推荐概率模型的训练方法、智能补全方法及相关装置

权利要求书

1.一种推荐概率模型的训练方法，其特征在于，所述方法包括：

获取用户历史聊天信息、用户输入信息，以及用户对推荐概率模型的推荐响应作为模型训练的输入样本集；所述用户对推荐概率模型的推荐响应为用户对应当前输入信息点击的信息；

基于所述输入样本集，利用深度学习网络对当前的推荐概率模型进行训练，以得到训练后的推荐概率模型。

2.一种智能补全方法，其特征在于，所述智能补全方法包括：

采集用户当前输入信息以及历史聊天信息，并基于所述当前输入信息以及历史聊天信息预测候选知识库标签的推荐概率，所述知识库标签为所述输入信息的类型标签；

按照各所述候选知识库标签的推荐概率确定预设数量的候选知识库标签对应的补全候选集；

输出所述预设数量的候选知识库标签对应的补全候选集；

所述采集用户当前输入信息以及历史聊天信息，并基于所述当前输入信息以及历史聊天信息预测候选知识库标签的推荐概率的步骤包括：

将采集的用户当前输入信息以及历史聊天信息输入推荐概率模型，获取所述推荐概率模型输出的知识库标签的推荐概率；其中，所述推荐概率模型是通过如权利要求1所述的推荐概率模型的训练方法训练得到的。

3.根据权利要求2所述的智能补全方法，其特征在于，所述按照各所述候选知识库标签的推荐概率确定预设数量的候选知识库标签对应的补全候选集的步骤包括：

按照各所述候选知识库标签的推荐概率从高到低的顺序依次获取各所述预设数量的候选知识库标签对应的补全候选集；

所述输出所述预设数量的候选知识库标签对应的补全候选集的步骤包括：

按照推荐概率从高到低的顺序依次输出所述预设数量的候选知识库标签对应的补全候选集。

4.根据权利要求2所述的智能补全方法，其特征在于，所述采集用户当前输入信息以及历史聊天信息，并基于所述当前输入信息以及历史聊天信息预测候选知识库标签的推荐概率的步骤包括：

采集所述用户当前输入信息以及历史聊天信息；

分别对所述当前输入信息以及历史聊天信息进行预处理，得到所述当前输入信息以及所述历史聊天信息的特征向量；

根据所述特征向量通过卷积神经网络预测候选知识库标签的推荐概率。

5.根据权利要求2～4任一项所述的智能补全方法，其特征在于，所述按照各所述候选知识库标签的推荐概率确定预设数量的候选知识库标签对应的补全候选集的步骤包括；

按照各所述候选知识库标签的推荐概率利用ES数据库确定预设数量的候选知识库标签对应的补全候选集。

6.一种推荐概率模型的训练装置，其特征在于，所述推荐概率模型的训练装置包括数据获取模块以及训练模块，

所述数据获取模块用于获取用户历史聊天信息、用户输入信息以及推荐概率模型的推荐响应以用于模型训练的输入样本集；所述用户对推荐概率模型的推荐响应为用户对应当前输入信息点击的信息；

所述训练模块用于基于所述输入样本集，利用深度学习网络对当前的推荐概率模型进行训练，以得到训练后的推荐概率模型。

7.一种智能补全装置，其特征在于，所述智能补全装置包括采集模块、补全候选集获取模块以及输入模块，

所述采集模块用于采集用户当前输入信息以及历史聊天信息，并基于所述当前输入信息以及历史聊天信息预测候选知识库标签的推荐概率，所述知识库标签为所述输入信息的类型标签；其中，所述采集模块将采集的用户当前输入信息以及历史聊天信息输入推荐概率模型，获取所述推荐概率模型输出的知识库标签的推荐概率；其中，所述推荐概率模型是通过如权利要求1所述的推荐概率模型的训练方法训练得到的；

所述补全候选集获取模块用于按照各所述候选知识库标签的推荐概率确定预设数量的候选知识库标签对应的补全候选集；

所述输入模块用于输出所述预设数量的候选知识库标签对应的补全候选集。