[发明专利]知识推荐方法、装置、计算机设备及可读存储介质

说明书

本发明实施例提供了一种知识推荐方法、装置、计算机设备及可读存储介质，其中，该方法包括：接收检索问题的知识文本；将知识文本输入知识推荐模型，知识推荐模型输出多个知识以及每个知识对应的概率，知识推荐模型学习样本中知识之间的关系特征和使用轨迹特征；根据概率大小从输出的多个知识中推荐知识。该方案无论用户是否为首次使用都可以向用户推荐知识；可以基于当前检索的知识文本预测出用户后续下一步可能需要检索的知识，可以解决检索中不连续、跳跃性问题的知识推荐问题；不需要人工标注，知识推荐模型的好坏也是可以具有可量化性的，上述知识推荐方法有利于提高推荐的准确性，对于不同的知识库系统相对具有很好的推广和快速启动性。

技术领域

本发明涉及信息推荐技术领域，特别涉及一种知识推荐方法、装置、计算机设备及可读存储介质。

背景技术

在推荐系统中，目前大多数采用协同过滤的思想，一方面基于知识内容一方面基于用户行为习惯。在大多数使用的知识库系统的场景中，用户还是简单的使用搜索框搜索关键词来寻找答案，经常需要多次搜索，不断改变关键字，串联搜索结果拼接出想要的答案。比如用户想问：公积金银行卡丢了怎么办。一般搜索结果：会提示先挂失和补办需要带的材料。接着用户还会问补办的公积金卡需要去公积金中心激活么，然后再次搜索。接着用户还会搜附近的公积金中心，激活公积金需要的材料，公积金中心的上班时间等一系列问题。这么一轮下来，需要搜索3-5次中间还有不同情况的分支问题。基于传统的推荐系统，在用户的搜索的第一个问题的时候就会推荐其他卡挂失方法，相关金融术语等。

目前，知识库系统推荐知识大多数是根据用户的行为习惯进行推荐，比如收藏、点赞、评论等行为。例如，现有技术提供了一种基于知识库的推荐方法、系统及装置，包括读取用户的资讯阅读记录；根据资讯阅读记录，获取资讯阅读记录中资讯的标签，得到待分析标签；根据待分析标签，分析生成推荐列表。该方法通过实时分析用户的资讯阅读记录，并在知识库和百科平台搜索库中进行分析，得到词与词之间的关系链，从而在资讯推荐过程中能够更好的处理优先级、相关性的问题，有效提高推荐的准确率，可广泛应用于资讯推荐应用中。即基于用户的使用习惯，提取知识标签，通过分类标签进行推荐。

但是，该方法存在以下缺陷：首先，在用户初次使用知识库的时候，知识库系统没有用户行为数据，没法提取到用户的特征去预测和推理以及推荐。其次，该方法推荐系统是根据知识的相关性进行推荐，在词、句子、文本层面、甚至在知识层面挖掘知识的内在联系，建立网络进行预测和推荐，这样的方式适合资讯推荐并不适合寻求答案式搜索，因为其解决不了用户遇到的不连续、跳跃性的问题。

现有技术中大多数推荐系统需要人工标准数据，比如，建立知识标签、知识图谱等。例如，现有技术提供了一种基于深度知识感知的信息推荐方法和系统，该方法包括：获取用户历史点击信息的实体集；对历史点击信息的实体集中的每一个实体，在预先建立的知识图谱中查找与其具有知识关联的实体，获取实体向量集；对实体向量集中的每一个实体，在知识图谱中查找与其对应的特征词，获取词向量集；对词向量集和历史点击信息的预设特征进行特征提取，获取历史信息特征集；根据历史信息特征集推荐一条以上候选推荐信息；计算用户对于每一条候选推荐信息的点击概率；将点击概率按照从大到小排序，生成信息推荐列表。该方法需要预先建立知识图谱，并且该方法对于知识是基于知识图谱的特征提取，特征提取好坏完全取决于建立的知识图谱，知识图谱的好坏不好量化，进而无法确保知识推荐的准确性。

发明内容

本发明实施例提供了一种知识推荐方法，以解决现有技术中知识推荐存在的无法实现用户首次使用时的知识推荐、推荐不准确、无法解决不连续或跳跃性问题的知识推荐的技术问题。该方法包括：

接收检索问题的知识文本；

将所述知识文本输入知识推荐模型，所述知识推荐模型输出多个知识以及每个知识对应的概率，其中，所述知识推荐模型是以历史检索问题的知识文本为样本训练神经网络得到的，所述知识推荐模型学习样本中知识之间的关系特征和使用轨迹特征，概率表示每个知识被检索的概率；