【技术实现步骤摘要】
信息推荐模型的训练方法、信息推荐方法及装置
[0001]本公开涉及人工智能
和金融领域，更具体地，涉及一种信息推荐模型的训练方法、信息推荐方法及装置、电子设备、计算机可读存储介质和一种计算机程序产品。
技术介绍
[0002]随着云时代的来临，用于存储这些文本的数据库种类也越来越多。相关技术中数据库的报警分析基本上采用人工方式，由人工按照来自短信、邮件、或应用程序等的报警内容，查询报警处理指引手册，然后按照手册内容进行数据库的报警分析。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下问题：随着数据库种类的增多，报警内容的类型及对应的处理方法也更加复杂，人工查询报警手册耗费时间和人力。
技术实现思路
[0004]有鉴于此，本公开提供了一种信息推荐模型的训练方法、信息推荐方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
[0005]根据本公开的第一个方面，提供了一种信息推荐模型的训练方法，包括：
[0006]获取训练样本数据集，其中，上述训练样本数...
【技术保护点】
【技术特征摘要】
1.一种信息推荐模型的训练方法，包括：获取训练样本数据集，其中，所述训练样本数据集中的训练样本包括经预处理后的报警信息以及所述报警信息的标签信息，所述报警信息包括报警文本和与所述报警文本对应的报警手册文本，所述经预处理后的报警信息包括所述报警文本的词向量和所述报警手册文本的词向量；以及利用所述训练样本数据集训练所述信息推荐模型，得到经训练的信息推荐模型。2.根据权利要求1所述的方法，其中，所述信息推荐模型包括特征提取网络和特征匹配网络，所述利用所述训练样本数据集训练所述信息推荐模型，得到经训练的信息推荐模型包括：利用所述特征提取网络，提取所述训练样本数据集中的初始特征数据；利用所述特征匹配网络，处理所述初始特征数据，得到处理向量；根据信息推荐模型的损失函数，利用所述处理向量与所述标签信息，得到损失结果；根据所述损失结果调整所述信息推荐模型的网络参数，直至所述损失函数满足预设条件；以及将所述损失函数满足预设条件时得到的模型确定为所述信息推荐模型。3.根据权利要求2所述的方法，其中，所述特征提取网络包括问题特征提取网络和答案特征提取网络，所述利用所述特征提取网络，提取所述训练样本数据集中的初始特征数据包括：利用所述问题特征提取网络，提取所述训练样本数据集中所述报警文本的词向量的初始问题特征数据；利用所述答案特征提取网络，提取所述训练样本数据集中所述报警手册文本的词向量的初始答案特征数据。4.根据权利要求3所述的方法，其中，所述问题特征提取网络包括第一双向长短期记忆网络层、第一卷积层、第二卷积层及第三卷积层；所述利用所述问题特征提取网络，提取所述训练样本数据集中所述报警文本的词向量的初始问题特征数据包括：利用所述第一双向长短期记忆网络层，处理所述训练样本数据集中的所述报警文本的词向量，得到初始问题特征向量；利用所述第一卷积层，处理所述初始问题特征向量，得到第一特征向量；利用所述第二卷积层，处理所述第一特征向量，得到第二特征向量；利用所述第三卷积层，处理所述第二特征向量，得到第三特征向量；以及根据所述初始问题特征向量和所述第三特征向量，确定所述训练样本数据集的所述初始问题特征数据。5.根据权利要求4所述的方法，其中，所述答案特征提取网络包括第二双向长短期记忆网络层、第四卷积层、第五卷积层及第六卷积层；所述利用所述答案特征提取网络，提取所述训练样本数据集中所述报警手册文本的词向量的初始答案特征数据包括：利用所述第二双向长短期记忆网络层，处理所述训练样本数据集中的所述报警手册文本的词向量，得到初始答案特征向量；
利用所述第四卷积层，处理所述初始答案特征向量，得到第四特征向量；利用所述第五卷积层，处理所述第四特征向量，得到第五特征向量；利用所述第六卷积层，处理所述第五特征向量，得到第六特征向量；以及根据所述初始答案特征向量和所述第六特征向量，确定所述训练样本数据集的所述初始答案特征数据。6.根据权利要求5所述的方法，其中：所述第一卷积层和所述第四卷积层均包括2x2卷积核，其中，所述2x2卷积核的空洞率为1；所述第二卷积层和所述第五卷积层均包括2x2卷积核，其中，所述2x2卷积核的空洞率为2；所述第三卷积层和所述第六卷积层均包括2x2卷积核，其中，所述2x2卷积核的空洞率为4。...
【专利技术属性】
技术研发人员：刘运璇，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。