一种内容推送优化方法、内容推送优化装置及电子设备制造方法及图纸

本申请公开了一种内容推送方法、内容推送装置、电子设备及计算机可读存储介质，其中，该内容推送方法包括：接收用户输入的第一问题及所述第一问题的第一类别；根据所述第一问题的第一类别，确定所采用的目标梯度提升决策树GBDT模型；将所述第一问题输入至所述GBDT模型中，得到所述第一问题与所述第一类别下的各个第二类别相匹配的的第一概率；基于所述第一概率，确定所述第一问题的第二类别；基于所述第一问题的第二类别，推送与所述第一问题相关的问题和/或回答。本申请方案可进一步提升智能客服向用户推送内容时的准确度。

【技术实现步骤摘要】
一种内容推送优化方法、内容推送优化装置及电子设备
本申请属于数据处理
，尤其涉及一种内容推送优化方法、内容推送优化装置、电子设备及计算机可读存储介质。
技术介绍
人工客服是典型的劳动密集型行业，工作时间长且工作重复性高，给不少企业增加了大量的人力成本和管理成本。对于这种情况，人们通过智能客服的方式减少人工客服的工作量，智能客服可以根据用户输入的信息进行搜索匹配，并推送预先设置的答案给用户。但是当前的智能客服技术，如关键词匹配的搜索技术和根据文本相关性重排序技术等，均存在匹配精度低，返回结果相关性差的情况。综上，现有的智能客服技术匹配精度低，返回结果相关性差，难以推送给用户所需要的内容，极度影响用户的使用体验。
技术实现思路
有鉴于此，本申请提供了一种内容推送优化方法、内容推送优化装置、电子设备及计算机可读存储介质，可进一步提升智能客服向用户推送内容时的准确度。本申请实施例的第一方面提供了一种内容推送优化方法，包括：接收用户输入的第一问题及上述第一问题的第一类别；根据上述第一问题的第一类别，确定所采用的目标梯度提升决策树GBDT模型；将上述第一问题输入至上述GBDT模型中，得到上述第一问题与上述第一类别下的各个第二类别相匹配的第一概率；基于上述第一概率，确定上述第一问题的第二类别；基于上述第一问题的第二类别，推送与上述第一问题相关的问题和/或回答。本申请实施例的第二方面提供了一种内容优化推送装置，包括：问题接收单元，用于接收用户输入的第一问题及上述第一问题的第一类别；GBDT模型确定单元，用于根据上述第一问题的第一类别，确定所采用的目标梯度提升决策树GBDT模型；第一概率获取单元，用于将上述第一问题输入至上述GBDT模型中，得到上述第一问题与上述第一类别下的各个第二类别相匹配的第一概率；第二类别确定单元，用于基于上述第一概率，确定上述第一问题的第二类别；内容推送单元，用于基于上述第一问题的第二类别，推送与上述第一问题相关的问题和/或回答。本申请的第三方面提供了一种电子设备，上述电子设备包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面的方法的步骤。本申请的第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面的方法的步骤。本申请的第五方面提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时实现如上述第一方面的方法的步骤。由上可见，通过本申请方案，首先接收用户输入的第一问题及上述第一问题的第一类别，然后根据上述第一问题的第一类别，确定所采用的目标梯度提升决策树GBDT模型，再将上述第一问题输入至上述GBDT模型中，得到上述第一问题与上述第一类别下的各个第二类别相匹配的第一概率，并基于上述第一概率，确定上述第一问题的第二类别，最终基于上述第一问题的第二类别，推送与上述第一问题相关的问题和/或回答。由于GBDT模型预测用户所输入的问题的第二类别的精准确度较高，因而，可通过本方案提升智能客服向用户推送内容时的准确度。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例提供的内容推送优化方法的实现流程示意图；图2是本申请实施例提供的内容推送优化方法中，对GBDT模型进行训练的实现流程示意图；图3是本申请实施例提供的另一种内容推送优化方法的实现流程示意图；图4是本申请实施例提供的DRMC模型所采用的深度神经网络模型的架构示意图；图5是本申请实施例提供的另一种内容推送优化方法中，步骤302的实现流程示意图；图6是本申请实施例提供的内容推送优化装置的示意图；图7是本申请实施例提供的电子设备的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。为了说明本申请上述的技术方案，下面通过具体实施例来进行说明。实施例一下面对本申请实施例提供的一种内容推送优化方法进行描述，请参阅图1，本申请实施例中的内容推送优化方法包括：在步骤101中，接收用户输入的第一问题及上述第一问题的第一类别；在本申请实施例中，首先接收用户在与智能客服的对话过程中所输入的第一问题及该第一问题的第一类别。可选地，可以预先对用户可能咨询的问题设置多级类别，例如，可以根据类别范围由大至小的顺序，设置三种类别级别，分别为第一类别、第二类别及第三类别。其中，上述第一类别为问题的最大所属类别，上述第三类别为问题的最小所属类别。可以认为，一个第一类别中包含有多个第二类别，而一个第二类别中也可以包含有多个第三类别，通过上述第一类别、第二类别及第三类别，可逐渐缩小问题所属类别的范围。例如，第一类别可以为产品类别，第二类别可以为咨询的方向(如基础知识，app问题等)，第三类别为咨询方向的细化(如可将app问题细分为app操作、搭建流程和连接问题等)。在用户输入需要咨询的第一问题时，用户可通过下拉框、勾选或者手动输入等方式确定上述第一问题的第一类别，即确定上述第一问题所涉及的产品类型。在步骤102中，根据上述第一问题的第一类别，确定所采用的目标梯度提升决策树GBDT模型；在本申请实施例中，在得到了上述第一问题的第一类别后，即可确定上述第一类别所对应的梯度提升决策(GradientBoostingDecisionTree，GBDT)模型，上述GBDT模型具体为经过训练的GBDT模型。在本申请实施例中，每一种第一类别均对应有各自的GBDT模型，例如，针对第一类别A，其对应有一GBDT模型A；针对第一类别B，其对应有一GBDT模型B。因而，可以根据上述第一问题的第一类别，确定即将采用的GBDT模型；在步骤103中，将上述第一问题输入至上述GBDT模型中，得到上述第一问题与上述第一类别下的各个第二类别相匹配的第一概率；在本申请实施例中，将上述第一问题输入至上述梯度提升决策模型中，通过该GBDT模型，可以计算得到上述第一问题属于该第一类别下的各个第二类别的第一概率。例如，第一类别A包含有第二类别a1、第二类别a2、第二类别a3这三种不同的第二类别；假定用户向智能客服输入了问题Q1，并手动选择该问题Q1的第一类别为A，则可以将上本文档来自技高网...

【技术保护点】
1.一种内容推送优化方法，其特征在于，包括：/n接收用户输入的第一问题及所述第一问题的第一类别；/n根据所述第一问题的第一类别，确定所采用的目标梯度提升决策树GBDT模型；/n将所述第一问题输入至所述GBDT模型中，得到所述第一问题与所述第一类别下的各个第二类别相匹配的的第一概率；/n基于所述第一概率，确定所述第一问题的第二类别；/n基于所述第一问题的第二类别，推送与所述第一问题相关的问题和/或回答。/n

【技术特征摘要】
1.一种内容推送优化方法，其特征在于，包括：
接收用户输入的第一问题及所述第一问题的第一类别；
根据所述第一问题的第一类别，确定所采用的目标梯度提升决策树GBDT模型；
将所述第一问题输入至所述GBDT模型中，得到所述第一问题与所述第一类别下的各个第二类别相匹配的的第一概率；
基于所述第一概率，确定所述第一问题的第二类别；
基于所述第一问题的第二类别，推送与所述第一问题相关的问题和/或回答。


2.如权利要求1所述的内容推送优化方法，其特征在于，所述内容推送优化方法还包括对所述GBDT模型的训练；
所述对所述GBDT模型的训练包括：
从待处理的客服问答数据中，提取得到两个以上的问题；
针对属于同一第一类别的每一问题，对所述问题进行分词，并根据所述问题的分词结果，构建得到所述第一类别下的GBDT训练数据集，其中，所述GBDT训练数据集中有两个以上GBDT训练数据，所述GBDT训练数据的特征为所述问题的分词结果，所述GBDT训练数据的标签为所述问题的第二类别；
基于所述GBDT训练数据集，对与所述GBDT训练数据集相关联的第一类别的GBDT模型进行训练。


3.如权利要求1所述的内容推送优化方法，其特征在于，所述将所述第一问题输入至所述GBDT模型中，得到所述第一问题与所述第一类别下的各个第二类别相匹配的的第一概率，包括：
获取所述第一类别下的第二类别的数量；
基于所述第一类别下的第二类别的数量，对GBDT模型的输出结果进行均值化处理；
通过预设的激活函数对均值化处理后的输出结果进行激活，得到所述第一问题与所述第一类别下的各个第二类别相匹配的第一概率。


4.如权利要求1至3任一项所述的内容推送优化方法，其特征在于，在所述基于所述第一问题的第二类别，推送与所述第一问题相关的问题和/或回答之前，还包括：
将所述第一问题分别与属于所述第一类别的各个预设的第二问题组成问题组，并将所述问题组输入至深度检索匹配分类DRMC模型中，得到各个问题组所对应的第一分类标签的第二概率；
相应地，所述基于所述第一问题的第二类别，推送与所述第一问题相关的问题或回答，包括：
获取各个问题组中第二问题的第二类别；
根据各个问题组中第二问题的第二类别与所述第一问题的第二类别，调整各个问题组所对应的第一分类标签的第二概率；
根据调整后的第二概率，推送与所述第一问题相关的问题或回答。


5.如权利要求4所述的内容推送优化方法，其特征在于，所述将所述第一问题分别与属于所述第一类别的各个预设的第二问题组成问题组，并将所述问题组输入至深度检索匹配分类DRMC模型中，得到各个问题组所对应的第一分类标签的第二概率，包括：
将所述第一问题进行分词处理后，分别与所述第一类别对应的各个预设的第二问题组成问题组...

【专利技术属性】
技术研发人员：熊友军，熊为星，廖洪涛，
申请(专利权)人：深圳市优必选科技有限公司，
类型：发明
国别省市：广东;44