一种推荐方法、装置、设备和存储介质与流程

本发明涉及数据处理，特别是涉及一种推荐方法、装置、设备和存储介质。

背景技术：

1、在国资监管领域，目前存在一些基于大数据的监管系统。这些系统通常通过收集和整理大量的国资监管相关数据，然后利用关键词检索来提供相关信息，这些系统通常使用传统的数据库存储数据，并使用基于关键词匹配的检索算法来查找相关信息。

2、然而，传统的基于关键词匹配的检索算法存在一些局限性。它们只能根据用户提供的关键词进行检索，无法准确理解用户的意图和需求。因此，检索的准确率不高。

技术实现思路

1、鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种推荐方法、装置、设备和存储介质。

2、为了解决上述问题，本发明实施例公开了一种推荐方法，所述方法包括：

3、获取用户的检索需求；

4、根据所述检索需求，生成检索标签和对应的标签概率；所述检索标签用于描述检索需求；标签概率表示用户期望使用这个检索标签的概率；

5、获取概率知识模型，输入所述检索标签至所述概率知识模型，得到特征知识数据和对应的推荐概率；

6、将所述检索标签与所述特征知识数据进行匹配，将所述检索标签的标签概率与相匹配的特征知识数据的推荐概率进行比较；

7、若检索标签的标签概率大于特征知识数据的推荐概率，则将所述特征知识数据作为待推荐知识；

8、基于所述待推荐知识，向用户推荐知识。

9、可选的，所述基于所述待推荐知识，向用户推荐知识，包括：

10、根据所述检索标签的标签概率和预设分段阈值，将所述检索标签分为多个标签集合；

11、将同一个标签集合中检索标签对应的待推荐知识进行组合，得到待推荐知识集合；

12、基于所述待推荐知识集合，向用户推荐知识。

13、可选的，所述基于所述待推荐知识集合，向用户推荐知识，包括：

14、将待推荐知识集合按照所述标签集合对应于的分段顺序进行排序，得到待推荐知识集合的排序结果；

15、根据待推荐知识集合的排序结果，向用户推荐知识。

16、可选的，所述概率知识模型，通过如下方式训练得到：

17、获取业务数据及所述业务数据对应的类型标签；

18、获取业务知识和业务规则；

19、根据所述业务知识、所述业务规则、所述业务数据和所述业务数据对应的类型标签，提取特征知识数据，得到所述特征知识数据及所述特征知识数据对应的类型标签；

20、获取针对所述特征知识数据的初始概率；

21、基于所述特征知识数据、所述特征知识数据对应的类型标签和所述初始概率，训练预设的概率知识模型，得到概率知识模型。

22、可选的，所述业务数据及所述业务数据对应的类型标签，包括：

23、获取业务数据；

24、基于预设的贴标模型对所述业务数据进行识别，确定所述业务数据的类型并生成类型标签。

25、可选的，所述预设的贴标模型通过如下方式训练得到：

26、获取历史业务数据，所述历史业务数据包括历史业务知识、历史业务规则；

27、根据所述历史业务数据和预设标签进行，对初始贴标模型进行训练，得到训练后的贴标模型。

28、可选的，所述根据所述检索需求，生成检索标签和对应的标签概率，包括：

29、获取预设的需求转换模型；

30、输入所述检索需求至所述需求转换模型，得到所述检索标签和对应的标签概率。

31、相应的，本发明实施例公开了一种推荐装置，所述装置包括：

32、需求获取模块，用于用户获取用户的检索需求；

33、标签生成模块，用于根据所述检索需求，生成检索标签和对应的标签概率；所述检索标签用于描述检索需求；标签概率表示用户期望使用这个检索标签的概率；

34、知识生成模块，用于获取概率知识模型，输入所述检索标签至所述概率知识模型，得到特征知识数据和对应的推荐概率；

35、概率比较模块，用于将所述检索标签与所述特征知识数据进行匹配，将所述检索标签的标签概率与相匹配的特征知识数据的推荐概率进行比较；

36、确定模块，用于若检索标签的标签概率大于特征知识数据的推荐概率，则将所述特征知识数据作为待推荐知识；

37、推荐模块，用于基于所述待推荐知识，向用户推荐知识。

38、可选的，所述推荐模块包括：

39、拆分子模块，用于根据所述检索标签的标签概率和预设分段阈值，将所述检索标签分为多个标签集合；

40、组合子模块，用于将同一个标签集合中检索标签对应的待推荐知识进行组合，得到待推荐知识集合；

41、推荐子模块，用于基于所述待推荐知识集合，向用户推荐知识。

42、可选的，所述推荐子模块，包括：

43、排序单元，用于将待推荐知识集合按照所述标签集合对应于的分段顺序进行排序，得到待推荐知识集合的排序结果；

44、推荐单元，用于根据待推荐知识集合的排序结果，向用户推荐知识。

45、可选的，所述知识生成模块，包括：

46、第一获取子模块，用于获取业务数据及所述业务数据对应的类型标签；

47、第二获取子模块，用于获取业务知识和业务规则；

48、特征知识确定子模块，用于根据所述业务知识、所述业务规则、所述业务数据和所述业务数据对应的类型标签，提取特征知识数据，得到所述特征知识数据及所述特征知识数据对应的类型标签；

49、第三获取子模块，用于获取针对所述特征知识数据的初始概率；

50、训练子模块，用于基于所述特征知识数据、所述特征知识数据对应的类型标签和所述初始概率，训练预设的概率知识模型，得到概率知识模型。

51、可选的，所述第一获取子模块，包括：

52、获取单元，用于获取业务数据；

53、生成单元，用于基于预设的贴标模型对所述业务数据进行识别，确定所述业务数据的类型并生成类型标签。

54、可选的，所述生成单元，包括：

55、获取子单元，用于获取历史业务数据，所述历史业务数据包括历史业务知识、历史业务规则；

56、训练子单元，用于根据所述历史业务数据和预设标签进行，对初始贴标模型进行训练，得到训练后的贴标模型。

57、可选的，所述标签生成模块，包括：

58、需求转换模型获取子模块，用于获取预设的需求转换模型；

59、检索标签生成子模块，用于输入所述检索需求至所述需求转换模型，得到所述检索标签和对应的标签概率。

60、相应的，本发明实施例公开了一种电子设备，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述推荐方法实施例的各个步骤。

61、相应的，本发明实施例公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述推荐方法实施例的各个步骤。

62、本发明实施例包括以下优点：本发明实施例提供的推荐方法，需要获取用户的检索需求；然后根据所述检索需求，生成检索标签和对应的标签概率；所述检索标签用于描述检索需求；标签概率表示用户期望使用这个检索标签的概率；再获取概率知识模型，输入所述检索标签至所述概率知识模型，得到特征知识数据和对应的推荐概率；然后将所述检索标签与所述特征知识数据进行匹配，将所述检索标签的标签概率与相匹配的特征知识数据的推荐概率进行比较；若检索标签的标签概率大于特征知识数据的推荐概率，则将所述特征知识数据作为待推荐知识；然后基于所述待推荐知识，向用户推荐知识。通过上述方式，根据用户的检索需求生成检索标签并输入至概率知识模型中，能够解决现有技术中的关键词检索算法通常只能匹配精确的关键词，无法处理同义词、近义词等语义相关性问题，从而提高检索的准确性。