[发明专利]问题生成的方法和装置

权利要求书

1.一种问题生成的方法，其特征在于，包括：

获取问题推荐数据集中的用户画像、用户行为轨迹、标准问题点击详情、标准问题和标准问题对应的多级标签体系；

依据所述标准问题，获取所述标准问题的词语级向量；

通过对所述用户画像和所述用户行为轨迹进行编码，得到所述用户画像的特征向量和所述用户行为轨迹的特征向量；

依据所述标准问题点击详情、所述标准问题对应的多级标签体系、所述词语级向量、所述用户画像的特征向量和所述用户行为轨迹的特征向量对问题推荐模型进行训练，得到训练后的所述问题推荐模型；

依据用户请求信息中的用户行为轨迹和用户画像通过训练后的所述问题推荐模型从标准问题数据集中得到目标问题；

所述依据所述标准问题，获取所述标准问题的词语级向量包括:依据所述标准问题生成标准问题文本；对所述标准问题文本进行编码，得到所述标准问题文本的词语级向量；

其中，所述对所述标准问题文本进行编码，得到所述标准问题文本的词语级向量包括:

其中，R为词语级向量集合，其中n表示输入文本的长度，d表示所述标准问题文本中每一个字向量的维度，Q为所述标准问题文本，为BERT函数的参数；

所述依据所述标准问题点击详情、所述标准问题对应的多级标签体系、所述词语级向量、所述用户画像的特征向量和所述用户行为轨迹的特征向量对问题推荐模型进行训练，得到训练后的所述问题推荐模型包括：依据所述用户画像的特征向量和所述用户行为轨迹的特征向量进行所述多级标签体系中的一级标签和二级标签的第一预测任务；依据所述用户画像的特征向量、所述用户行为轨迹的特征向量和所述词语级向量进行标准问题的预测任务；通过深度神经网络对所述预测任务进行特征编码，得到第一指定层网络编码后的特征表示；通过交叉网络对所述预测任务进行特征编码，得到第二指定层网络编码后的特征表示；将所述第一指定层网络编码后的特征表示和所述第二指定层网络编码后的特征表示连接，并通过前反馈神经网络进行任务预测；通过门机制，将上层标签预测有用的特征传递到下一层预测任务中，将上层的特征和本层的特征进行融合以产生本层的层次化特征，用于本层的预测分类任务；通过第一预测分类任务完成问题推荐一级标签的预测任务，通过第二预测分类任务完成问题推荐二级标签的预测任务，通过第三预测分类任务完成问题推荐标准问题的预测任务，完成问题推荐模型的训练，得到训练后的所述问题推荐模型。

2.根据权利要求1所述的问题生成的方法，其特征在于，所述通过对所述用户画像和所述用户行为轨迹进行编码，得到所述用户画像的特征向量和所述用户行为轨迹的特征向量包括:

分别获取所述用户画像的用户画像特征和所述用户行为轨迹的用户行为特征；

对所述用户画像特征和所述用户行为特征中的类别特征以及数值特征值作为特征编码进行嵌入编码， 得到所述用户画像的特征向量和所述用户行为轨迹的特征向量。

3.根据权利要求1所述的问题生成的方法，其特征在于，所述通过深度神经网络对所述预测任务进行特征编码，得到第一指定层网络编码后的特征表示包括：

其中，x₀为所述用户画像的特征向量和所述用户行为轨迹的特征向量连接后的特征向量，为第一指定层网络编码后的特征表示，为第一指定层的上一层网络编码后的特征表示，为权重参数，为偏置项，ReLu为非线性函数，为DNN网络的层数。

4.根据权利要求1所述的问题生成的方法，其特征在于，所述将所述第一指定层网络编码后的特征表示和所述第二指定层网络编码后的特征表示连接，并通过前反馈神经网络进行任务预测包括：

其中，为交叉网络层中第L1层的特征输出表示，为交叉网络的层数，为DNN网络中第L2层的特征输出表示，为DNN网络的层数，为和连接后的特征向量，为权重参数，为偏置项，p为预测概率。