[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

说明书

本发明提供一种推荐概率模型的训练方法、智能补全方法及相关装置。其中，推荐概率模型的训练方法包括：获取用户历史聊天信息、用户输入信息，以及用户对当前推荐概率模型的推荐响应作为输入样本集；基于所述输入样本集，利用深度学习网络对所述推荐概率模型进行训练，以得到训练后的推荐概率模型。通过使用新的样本集来训练推荐概率模型，从而实现动态推荐。

技术领域

本发明涉及智能装置技术领域，尤其涉及一种推荐概率模型的训练方法、智能补全方法及相关装置。

背景技术

机器人已经成为互联网公司热衷的产品，包括谷歌、百度、阿里等都已经推出自己的机器人平台，机器人可以成为个人助理，帮助个人解决如会议、咨询类的问题，机器人甚至可以帮助企业提升效率、降低成本。

BOT机器人中，用户在输入问题进行智能问题补全是一个重要的功能，问题补全准确率是体现机器人智能的重要指标。

现有技术中主要是通过将用户编辑或者导入的知识存入ES库，然后根据终端用户输入的问题进行ES检索，将检索结果分值较高的问法推荐给终端用户。现有的主流的问题补全技术，其核心技术主要依赖ES进行文本检索，检索结果大多是字面相似度较高的问法。其是基于字面的相似度进行匹配的，推荐的结果是静态的，在输入的关键词相同时，推荐的结果是一样的，没有区分度。

发明内容

本发明主要解决的技术问题是通过使用新的样本集来训练推荐概率模型，从而实现动态推荐。

为解决上述技术问题，本发明采用的第一个技术方案是：提供一种推荐概率模型的训练更新方法，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；

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。

为解决上述技术问题，本发明采用的第二个技术方案是：提供一种智能补全方法，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；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，所述知识库标签为所述输入信息的类型标签；输出所述预设数量的候选知识库标签对应的补全候选集。

其中，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上述所述的推荐概率模型的训练方法训练得到的。

其中，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。

其中，所述采集用户当前的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。

其中，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。