问题推荐方法和装置制造方法及图纸

公开了一种问题推荐方法和装置，例如可以用于互联网购物平台上的商品详情页中的用户问答模块中。将待推荐问题的问题文本特征输入到训练好的问题推荐模型，得到针对所述待推荐问题的预测分数。基于所述预测分数对所述待推荐问题进行排序或推荐。进一步地，问题推荐模型的输入特征可以包括用户维度特征和问题维度特征。由此，在例如上述用户问答模块中，能够将问题更高效地展示给用户。将问题更高效地展示给用户。将问题更高效地展示给用户。

【技术实现步骤摘要】
问题推荐方法和装置


[0001]本公开涉及互联网信息推荐技术，特别涉及问题推荐方法和装置。

技术介绍

[0002]目前，在例如一些互联网购物平台上的商品详情页中，设置有例如“问大家”之类的用户问答模块。在这样的用户问答模块中，买家在购物之前可以是向已经购买该商品的买家提问，也可以在购买之前浏览其他用户的提问和回答。
[0003]每天有数以千万计的用户会通过浏览问大家场景的问题，对是否购买进行辅助决策。这样，在针对一个商品已有多个问题及相应回答的情况下，这些问题的排序就显得尤为重要。
[0004]期望有一种问题推荐方法，能够将问题更高效地展示给用户。

技术实现思路

[0005]本公开要解决的一个技术问题是提供一种例如互联网购物平台上商品详情页上的用户问答模块中可用的问题推荐方案，其能够将问题更高效地展示给用户。
[0006]根据本公开的第一个方面，提供了一种问题推荐方法，包括：将待推荐问题的问题文本特征输入到训练好的问题推荐模型，得到针对待推荐问题的预测分数；以及基于预测分数对待推荐问题进行排序或推荐。
[0007]可选地，问题推荐模型的输入特征包括待推荐问题的问题维度特征和当前用户的用户维度特征，问题维度特征至少包括问题文本特征。
[0008]可选地，问题维度特征还包括下述至少一项：问题行为热度特征、问题静态信息特征、答案文本特征；并且/或者用户维度特征包括下述至少一项：用户历史行为特征、用户个性化画像。
[0009]可选地，用户历史行为特征包括下述至少一项：用户点击过的问题的问题文本特征、用户点击过的问题的答案文本特征。
[0010]可选地，问题文本特征是基于问题文本所包括的多个词得到的词特征向量；并且/或者答案文本特征是基于答案文本所包括的多个词得到的词特征向量。
[0011]可选地，问题推荐模型包括第一多层神经网络、第二多层神经网络、第三多层神经网络，第一多层神经网络对问题维度特征进行组合处理，得到问题特征组合，第二多层神经网络对用户维度特征进行组合处理，得到用户特征组合，第三多层神经网络对问题特征组合和用户特征组合进行组合，得到综合特征组合。
[0012]可选地，第一多层神经网络对问题的问题文本特征和答案文本特征进行组合处理；第三多层神经网络还接收问题行为热度特征和/或问题静态信息特征作为输入。
[0013]根据本公开的第二个方面，提供了一种商品信息呈现方法，包括：显示商品信息页，商品信息页包括第一区域和第二区域，第一区域显示商家设置的商品信息，第二区域用于显示其他用户参与该商品交互过程产生的问题；针对第一用户，在第二区域中显示一个
或多个第一问题；以及针对第二用户，在第二区域中显示一个或多个第二问题，第一问题和第二问题不同。
[0014]可选地，该方法还可以包括：针对第一用户，在第二区域中显示分别与一个或多个第一问题对应的第一答案；针对第二用户，在第二区域中显示分别与一个或多个第二问题对应的第二答案。
[0015]可选地，该方法还可以包括：响应于用户对第二区域的操作，显示问题列表页，问题列表页显示其他用户参与该商品交互过程产生的一个或多个问题的问题列表，其中，针对第一用户，在问题列表页中显示第一问题列表，针对第二用户，在问题列表页中显示第二问题列表，在第一问题列表和第二问题列表中，问题的排列顺序不同。
[0016]可选地，对于同一个用户，在不同商品的商品信息页的第二区域中显示的问题具有相同或相似的文本特征。
[0017]可选地，对于不同用户，在相同商品的商品信息页的第二区域中显示的问题具有不相同且不相似的文本特征。
[0018]根据本公开的第三个方面，提供了一种问题推荐装置，包括：预测装置，用于将待推荐问题的问题文本特征输入到训练好的问题推荐模型，得到针对待推荐问题的预测分数；以及推荐装置，用于基于预测分数对待推荐问题进行排序或推荐。
[0019]根据本公开的第四个方面，提供了一种计算设备，包括：处理器；以及存储器，其上存储有可执行代码，当可执行代码被处理器执行时，使处理器执行如上述第一或第二个方面所述的方法。
[0020]根据本公开的第五个方面，提供了一种非暂时性机器可读存储介质，其上存储有可执行代码，当可执行代码被电子设备的处理器执行时，使处理器执行如上述第一或第二个方面所述的方法。
[0021]由此，通过更加泛化的问题表示特征，借助神经网络的强大表示能力，对于新增问题的排序/推荐可以提供更进一步的优化。
附图说明
[0022]通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。
[0023]图1示出了根据本公开实施例的问题推荐方法的示意性流程图。
[0024]图2示出了根据本公开实施例的问题推荐装置的示意性框图。
[0025]图3示出了对应于问题文本特征的词特征向量的示例。
[0026]图4示出了本公开可以使用的问题推荐模型的示例性网络架构。
[0027]图5示意性地示出了根据本公开的问题推荐方案的流程示意图。
[0028]图6A和6B示意性地示出了为不同用户呈现的不同商品详情页。
[0029]图7A和7B示意性地示出了为不同用户呈现的不同问题列表页。
[0030]图8A和8B示意性地示出了为不同用户呈现的不同问题详情页。
[0031]图9示出了根据本专利技术一实施例可用于实现上述问题推荐方法的计算设备的结构示意图。
具体实施方式
[0032]下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
[0033]在互联网购物平台的商品详情页中，诸如“问大家”之类的用户问答模块是一种对于买家购买决策有重要意义的场景。
[0034]为了进一步提升用户获取信息的效率，本公开提出了一种基于深度神经网络的用户个性化问题排序模型。
[0035]【术语解释】
[0036]为使本公开所描述的方案更加清晰易懂，首先对一些术语的含义做简单解释如下。
[0037]商品详情页：互联网购物平台上用于描述商品信息的详情页。
[0038]用户问答模块：商品详情页中的问答模块，可以由买家提出问题，问题会发送给已购买过该商品的买家进行邀请回答，最后展示在商品的详情页中，形成问答的组合。
[0039]问题列表页：用于集合展示问题的页面，包含每个问题的描述。在一些情况下，可以进一步呈现一条买家回答的答案。
[0040]问题详情页：用户选中问题列表页中某个问题，例如点击该问题或针对该问题的描述之后，可以进入到的新页面，其中包含所选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种问题推荐方法，包括：将待推荐问题的问题文本特征输入到训练好的问题推荐模型，得到针对所述待推荐问题的预测分数；以及基于所述预测分数对所述待推荐问题进行排序或推荐。2.根据权利要求1所述的方法，其中，所述问题推荐模型的输入特征包括待推荐问题的问题维度特征和当前用户的用户维度特征，所述问题维度特征至少包括所述问题文本特征。3.根据权利要求2所述的方法，其中，所述问题维度特征还包括下述至少一项：问题行为热度特征、问题静态信息特征、答案文本特征；并且/或者所述用户维度特征包括下述至少一项：用户历史行为特征、用户个性化画像。4.根据权利要求3所述的方法，其中，所述用户历史行为特征包括下述至少一项：用户点击过的问题的问题文本特征、用户点击过的问题的答案文本特征。5.根据权利要求3或4所述的方法，其中，所述问题文本特征是基于问题文本所包括的多个词得到的词特征向量；并且/或者所述答案文本特征是基于答案文本所包括的多个词得到的词特征向量。6.根据权利要求3所述的方法，其中，所述问题推荐模型包括第一多层神经网络、第二多层神经网络、第三多层神经网络，第一多层神经网络对所述问题维度特征进行组合处理，得到问题特征组合，第二多层神经网络对所述用户维度特征进行组合处理，得到用户特征组合，第三多层神经网络对所述问题特征组合和用户特征组合进行组合，得到综合特征组合。7.根据权利要求6所述的方法，其中，所述第一多层神经网络对问题的问题文本特征和答案文本特征进行组合处理；并且所述第三多层神经网络还接收问题行为热度特征和/或问题静态信息特征作为输入。8.一种商品信息呈现方法，包括：显示商品信息页，所述商品信息页包括第一区域和第二区域，第一区域显示商家设置的商品信息，...

【专利技术属性】
技术研发人员：吴嘉伟，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：