用于推送信息的方法和装置制造方法及图纸

本申请实施例公开了用于推送信息的方法和装置。该方法的一具体实施方式包括：获取已登录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，生成该历史查询文本的预设维数的语义向量；根据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，生成与历史查询文本序列对应的预设维数的推荐查询文本语义向量；解码推荐查询文本语义向量，生成推荐查询文本；向终端推送所生成的推荐查询文本。该实施方式实现了富于针对性的信息推送。

【技术实现步骤摘要】
用于推送信息的方法和装置
本申请涉及计算机
，具体涉及互联网
，尤其涉及用于推送信息的方法和装置。
技术介绍
人工智能(ArtificialIntelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能领域中的自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。作为示例，目前，搜索引擎通常会向用户终端主动推送推荐查询文本，以提高搜索效率。然而，目前的搜索引擎在向用户终端推送推荐查询文本时，仅考虑了用户的历史查询文本信息，而没有考虑历史查询文本之间的时间先后顺序，从而存在着信息推送针对性较低的问题。
技术实现思路
本申请实施例的目的在于提出一种改进的用于推送信息的方法和装置，来解决以上
技术介绍
部分提到的技术问题。第一方面，本申请实施例提供了一种用于推送信息的方法，该方法包括：接收用户使用终端发来的登录请求；响应于上述登录请求验证通过，获取上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；对于上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，上述卷积神经网络模型用于表征切分词序列与上述预设维数的向量之间的对应关系；根据上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；将上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，生成与上述历史查询文本序列对应的上述预设维数的推荐查询文本语义向量，其中，上述循环神经网络模型用于表征上述预设维数的向量序列与上述预设维数的向量之间的对应关系；解码上述推荐查询文本语义向量，生成推荐查询文本；向上述终端推送所生成的推荐查询文本。在一些实施例中，上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，上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；以上述正例历史查询文本序列集合为训练数据，训练上述初始卷积神经网络模型和上述初始循环神经网络模型；将训练得到的上述初始卷积经网络模型确定为上述预先建立的卷积神经网络模型，以及将训练得到的上述初始循环神经网络模型确定为上述预先建立的循环神经网络模型。在一些实施例中，上述解码上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，查找与上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上述推荐查询文本。在一些实施例中，上述以上述正例历史查询文本序列集合为训练数据，训练上述初始卷积神经网络模型和上述初始循环神经网络模型，包括：获取与上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；以上述正例历史查询文本序列集合为正例训练数据，以上述负例历史查询文本序列集合为负例训练数据，训练上述初始卷积神经网络模型和上述初始循环神经网络模型。在一些实施例中，上述循环神经网络模型为长短期记忆网络模型。第二方面，本申请实施例提供了一种用于推送信息的装置，该装置包括：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，配置用于响应于上述登录请求验证通过，获取上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，配置用于对于上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，上述卷积神经网络模型用于表征切分词序列与上述预设维数的向量之间的对应关系；第二生成单元，配置用于根据上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，配置用于将上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，生成与上述历史查询文本序列对应的上述预设维数的推荐查询文本语义向量，其中，上述循环神经网络模型用于表征上述预设维数的向量序列与上述预设维数的向量之间的对应关系；第四生成单元，配置用于解码上述推荐查询文本语义向量，生成推荐查询文本；推送单元，配置用于向上述终端推送所生成的推荐查询文本。在一些实施例中，上述装置还包括建立卷积神经网络模型和循环神经网络模型的模型建立单元，上述模型建立单元包括：第一获取模块，配置用于获取初始卷积神经网络模型和初始循环神经网络模型；第二获取模块，配置用于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；训练模块，配置用于以上述正例历史查询文本序列集合为训练数据，训练上述初始卷积神经网络模型和上述初始循环神经网络模型；确定模块，配置用于将训练得到的上述初始卷积经网络模型确定为上述预先建立的卷积神经网络模型，以及将训练得到的上述初始循环神经网络模型确定为上述预先建立的循环神经网络模型。在一些实施例中，上述第四生成单元进一步配置用于：在预设的查询文本语义向量和查询文本的对应关系表中，查找与上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上述推荐查询文本。在一些实施例中，上述训练模块进一步配置用于：获取与上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；以上述正例历史查询文本序列集合为正例训练数据，以上述负例历史查询文本序列集合为负例训练数据，训练上述初始卷积神经网络模型和上述初始循环神经网络模型。在一些实施例中，上述循环神经网络模型为长短期记忆网络模型。第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。本申请实施例提供的用于推送信息的方法和装置，通过获取已登录用户在当前时间之前预设时间段内的历史查询文本序列，再对于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，接着根据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，而后将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，生成与历史查询文本序列对应的上述预设维数的推荐查询文本语义向量，然后解码推荐查询文本语义向量得到推荐查询文本，最后向已登录用户所使用的终端推送所生成的推荐查询本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：尹维冲，孙宇，于佃海，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京,11