信息输出方法和装置制造方法及图纸

本申请公开了信息输出方法和装置。该方法的一具体实施方式包括：接收客户端发送的信息；从该信息中提取出特征向量，其中，该特征向量用于表征该信息的内容；将该特征向量导入预先训练的信息分类模型进行分类得到该信息所属的类别；从该类别所指示的预存反馈信息集合中匹配出与该信息相关联的目标反馈信息，并将该目标反馈信息输出至该客户端。该实施方式提高了信息输出效率。

Information output method and device

The application discloses information output method and device. A specific embodiment of the method includes: receiving the information transmitted by the client; extracting a feature vector from the information, wherein the feature vector is used to represent the content of the information; importing the feature vector into a pre-trained information classification model to classify the information to obtain the category to which the information belongs; and indicating from the category. The target feedback information associated with the information is matched in the pre-stored feedback information set, and the target feedback information is output to the client. The implementation method improves the efficiency of information output.

【技术实现步骤摘要】
信息输出方法和装置
本申请涉及计算机
，具体涉及互联网
，尤其涉及信息输出方法和装置。
技术介绍
在人工智能领域，目前涌现出了很多基于自然语言处理的自动人工智能应答系统。人工智能应答系统的信息输出效率很大程度上依赖于分类模型的准确性。然而，现有的分类模型的准确性通常较低，从而导致人工智能应答系统的信息输出效率较低。
技术实现思路
本申请的目的在于提出一种改进的信息输出方法和装置，来解决以上
技术介绍
部分提到的技术问题。第一方面，本申请提供了一种信息输出方法，该方法包括：接收客户端发送的信息；从上述信息中提取出特征向量，其中，上述特征向量用于表征上述信息的内容；将上述特征向量导入预先训练的信息分类模型进行分类得到上述信息所属的类别；从上述类别所指示的预存反馈信息集合中匹配出与上述信息相关联的目标反馈信息，并将上述目标反馈信息输出至上述客户端。在一些实施例中，上述方法还包括建立信息分类模型的步骤，上述建立信息分类模型的步骤包括:获取样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别；对于预先存储的候选信息分类模型中的每一个候选信息分类模型，将上述候选信息分类模型作为待评估候选信息分类模型，基于上述样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别，确定上述待评估候选信息分类模型的准确率，其中，上述预先存储的候选信息分类模型是未经训练的模型；基于所确定的准确率，在上述预先存储的候选信息分类模型中确定目标信息分类模型；利用机器学习方法，基于上述样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别，对上述目标信息分类模型进行训练得到信息分类模型。在一些实施例中，上述确定上述待评估候选信息分类模型的准确率，包括：采用交叉验证方法来确定上述待评估候选信息分类模型的准确率。在一些实施例中，上述确定上述待评估候选信息分类模型的准确率，包括：对于上述样本数据集合中的每一类别样本数据，确定与上述类别样本数据相关联的权重值，其中，上述权重值为上述类别样本数据的数目与上述样本数据集合所包含的样本数据的总数目的比值；根据所确定的权重值，确定上述待评估候选信息分类模型的准确率。在一些实施例中，上述根据所确定的权重值，确定上述待评估候选信息分类模型的准确率，包括：循环执行以下处理步骤预定数目次：将上述样本数据集合划分为训练集和测试集，利用机器学习方法，基于上述训练集和与上述训练集中的每一个训练样本数据分别相关联的类别对上述待评估候选信息分类模型进行训练得到训练后的候选信息分类模型，利用上述训练后的候选信息分类模型对上述测试集中的每一个测试样本数据的类别进行预测得到预测结果，对于上述测试集中的每一类别测试样本数据，基于上述预测结果确定与上述类别测试样本数据相关联的预测准确率，将与上述样本数据集合所包含的与上述类别测试样本数据具有相同类别的样本数据相关联的权重值与上述预测准确率的乘积作为与上述类别测试样本数据相关联的加权预测准确率，将与上述测试集中的每一类别测试样本数据分别相关联的加权预测准确率相加所得的数值作为与上述待评估候选信息分类模型相关联的第一加权预测准确率，将上述待评估候选信息分类模型恢复至未经训练的状态，其中，上述训练集和上述测试集包含相同类别的样本数据，与上述类别测试样本数据相关联的预测准确率为上述训练后的候选信息分类模型对上述类别测试样本数据的类别预测正确的数目与上述类别测试样本数据的数目的比值；将所得的上述预定数目个第一加权预测准确率的平均值作为上述待评估候选信息分类模型的准确率。在一些实施例中，上述基于所确定的准确率，在上述预先存储的候选信息分类模型中确定目标信息分类模型，包括：将上述预先存储的候选信息分类模型中的准确率最高的候选信息分类模型作为目标信息分类模型。第二方面，本申请提供了一种信息输出装置，该装置包括：接收单元，配置用于接收客户端发送的信息；提取单元，配置用于从上述信息中提取出特征向量，其中，上述特征向量用于表征上述信息的内容；分类单元，配置用于将上述特征向量导入预先训练的信息分类模型进行分类得到上述信息所属的类别；输出单元，配置用于从上述类别所指示的预存反馈信息集合中匹配出与上述信息相关联的目标反馈信息，并将上述目标反馈信息输出至上述客户端。在一些实施例中，上述装置还包括：信息分类模型建立单元，配置用于建立信息分类模型，包括：获取子单元，配置用于获取样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别；准确率确定子单元，配置用于对于预先存储的候选信息分类模型中的每一个候选信息分类模型，将上述候选信息分类模型作为待评估候选信息分类模型，基于上述样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别，确定上述待评估候选信息分类模型的准确率，其中，上述预先存储的候选信息分类模型是未经训练的模型；目标信息分类模型确定子单元，配置用于基于所确定的准确率，在上述预先存储的候选信息分类模型中确定目标信息分类模型；训练子单元，配置用于利用机器学习方法，基于上述样本数据集合和与上述样本数据集合中的每一个样本数据分别相关联的类别，对上述目标信息分类模型进行训练得到信息分类模型。在一些实施例中，上述准确率确定子单元包括：第一准确率确定模块，配置用于采用交叉验证方法来确定上述待评估候选信息分类模型的准确率。在一些实施例中，上述准确率确定子单元包括：权重值确定模块，配置用于对于上述样本数据集合中的每一类别样本数据，确定与上述类别样本数据相关联的权重值，其中，上述权重值为上述类别样本数据的数目与上述样本数据集合所包含的样本数据的总数目的比值；第二准确率确定模块，配置用于根据所确定的权重值，确定上述待评估候选信息分类模型的准确率。在一些实施例中，上述第二准确率确定模块包括：处理子模块，配置用于循环执行以下处理步骤预定数目次：将上述样本数据集合划分为训练集和测试集，利用机器学习方法，基于上述训练集和与上述训练集中的每一个训练样本数据分别相关联的类别对上述待评估候选信息分类模型进行训练得到训练后的候选信息分类模型，利用上述训练后的候选信息分类模型对上述测试集中的每一个测试样本数据的类别进行预测得到预测结果，对于上述测试集中的每一类别测试样本数据，基于上述预测结果确定与上述类别测试样本数据相关联的预测准确率，将与上述样本数据集合所包含的与上述类别测试样本数据具有相同类别的样本数据相关联的权重值与上述预测准确率的乘积作为与上述类别测试样本数据相关联的加权预测准确率，将与上述测试集中的每一类别测试样本数据分别相关联的加权预测准确率相加所得的数值作为与上述待评估候选信息分类模型相关联的第一加权预测准确率，将上述待评估候选信息分类模型恢复至未经训练的状态，其中，上述训练集和上述测试集包含相同类别的样本数据，与上述类别测试样本数据相关联的预测准确率为上述训练后的候选信息分类模型对上述类别测试样本数据的类别预测正确的数目与上述类别测试样本数据的数目的比值；准确率确定子模块，配置用于将所得的上述预定数目个第一加权预测准确率的平均值作为上述待评估候选信息分类模型的准确率。在一些实施例中，上述目标信息分类模型确定子单元包括：目标信息分类模型确定模块，配置用于将上述预本文档来自技高网...

【技术保护点】
1.一种信息输出方法，其特征在于，所述方法包括：接收客户端发送的信息；从所述信息中提取出特征向量，其中，所述特征向量用于表征所述信息的内容；将所述特征向量导入预先训练的信息分类模型进行分类得到所述信息所属的类别；从所述类别所指示的预存反馈信息集合中匹配出与所述信息相关联的目标反馈信息，并将所述目标反馈信息输出至所述客户端。

【技术特征摘要】
1.一种信息输出方法，其特征在于，所述方法包括：接收客户端发送的信息；从所述信息中提取出特征向量，其中，所述特征向量用于表征所述信息的内容；将所述特征向量导入预先训练的信息分类模型进行分类得到所述信息所属的类别；从所述类别所指示的预存反馈信息集合中匹配出与所述信息相关联的目标反馈信息，并将所述目标反馈信息输出至所述客户端。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信息分类模型的步骤，所述建立信息分类模型的步骤包括:获取样本数据集合和与所述样本数据集合中的每一个样本数据分别相关联的类别；对于预先存储的候选信息分类模型中的每一个候选信息分类模型，将所述候选信息分类模型作为待评估候选信息分类模型，基于所述样本数据集合和与所述样本数据集合中的每一个样本数据分别相关联的类别，确定所述待评估候选信息分类模型的准确率，其中，所述预先存储的候选信息分类模型是未经训练的模型；基于所确定的准确率，在所述预先存储的候选信息分类模型中确定目标信息分类模型；利用机器学习方法，基于所述样本数据集合和与所述样本数据集合中的每一个样本数据分别相关联的类别，对所述目标信息分类模型进行训练得到信息分类模型。3.根据权利要求2所述的方法，其特征在于，所述确定所述待评估候选信息分类模型的准确率，包括：采用交叉验证方法来确定所述待评估候选信息分类模型的准确率。4.根据权利要求2所述的方法，其特征在于，所述确定所述待评估候选信息分类模型的准确率，包括：对于所述样本数据集合中的每一类别样本数据，确定与所述类别样本数据相关联的权重值，其中，所述权重值为所述类别样本数据的数目与所述样本数据集合所包含的样本数据的总数目的比值；根据所确定的权重值，确定所述待评估候选信息分类模型的准确率。5.根据权利要求4所述的方法，其特征在于，所述根据所确定的权重值，确定所述待评估候选信息分类模型的准确率，包括：循环执行以下处理步骤预定数目次：将所述样本数据集合划分为训练集和测试集，利用机器学习方法，基于所述训练集和与所述训练集中的每一个训练样本数据分别相关联的类别对所述待评估候选信息分类模型进行训练得到训练后的候选信息分类模型，利用所述训练后的候选信息分类模型对所述测试集中的每一个测试样本数据的类别进行预测得到预测结果，对于所述测试集中的每一类别测试样本数据，基于所述预测结果确定与所述类别测试样本数据相关联的预测准确率，将与所述样本数据集合所包含的与所述类别测试样本数据具有相同类别的样本数据相关联的权重值与所述预测准确率的乘积作为与所述类别测试样本数据相关联的加权预测准确率，将与所述测...

【专利技术属性】
技术研发人员：孙胜方，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京,11