一种融合先验信息的多任务推荐方法及装置与流程

1.本技术涉及人工智能领域，可以用于金融领域，具体是一种融合先验信息的多任务推荐方法及装置。


背景技术：

2.信息检索(information retrieval)是用户进行信息获取的一种方式。狭义的信息检索主要是指信息查询(information search)，即用户根据需求输入其问题，借助检索工具，从信息集合中找出所需要的信息的过程。
3.基于上述，金融领域引入了一款众问众答的在线交流平台。信息检索是其中的一项主要功能。如何保证用户在进行信息检索的过程中快速、高效地获取到理想的答案，是提升用户粘性，为产品积累良好口碑的重要方式。在实际应用中，问题解答率及解决时效是重要的用户体验指标。如何针对用户的提问，在现有的专家知识库中，同时为用户检索到最有可能解决其问题的专家与答案是一个技术困难。


技术实现要素：

4.针对现有技术中的问题，本技术提供一种融合先验信息的多任务推荐方法及装置，能够融合预先存储的问答先验信息进行多任务推荐，利用数据之间的强相关性，帮助用户快速检索到其所提问题的最优回答。
5.为解决上述技术问题，本技术提供以下技术方案：
6.第一方面，本技术提供一种融合先验信息的多任务推荐方法，包括：
7.根据问答先验信息对应的埋点数据生成各专家对应的专家表征向量和当前提问用户对应的用户表征向量；其中，所述埋点数据包括全量用户提问数据和全量专家回答数据；所述问答先验信息包括所述当前提问用户的当前提问信息；
8.根据所述用户表征向量和所述专家表征向量确定所述当前提问信息对应的多个专家；
9.从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答。
10.进一步地，所述根据问答先验信息对应的埋点数据生成各专家对应的专家表征向量和当前提问用户对应的用户表征向量，包括：
11.将所述全量用户提问数据和全量专家回答数据输入长短期记忆人工神经网络，得到全量提问词向量和全量回答词向量；
12.基于所述全量提问词向量中所述当前提问用户对应的提问词向量构建所述用户表征向量；
13.基于所述全量回答词向量中各专家对应的回答词向量构建所述专家表征向量。
14.进一步地，所述根据所述用户表征向量和所述专家表征向量确定所述当前提问信息对应的多个专家，包括：
15.分别计算各专家对应的专家表征向量和所述用户表征向量之间的相似度，得到第
一相似度值；
16.对所述第一相似度值进行归一化处理及排序处理，得到所述当前提问信息对应的多个专家。
17.进一步地，所述从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答，包括：
18.从所述全量回答词向量中选取所述多个专家提供的全部回答对应的回答词向量；
19.分别计算各回答词向量和所述当前提问用户对应的提问词向量之间的相似度，得到第二相似度值；
20.选取所述第二相似度值中的最大者对应的回答作为所述最优回答。
21.进一步地，在从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答之后，还包括：
22.根据所述第一相似度值及所述第二相似度值构建推荐误差损失函数；
23.根据所述推荐误差损失函数调整所述长短期记忆人工神经网络的参数。
24.进一步地，所述根据归一化处理后的第一相似度值及所述第二相似度值构建推荐误差损失函数，包括：
25.根据所述第一相似度值计算专家推荐误差损失函数；
26.根据所述第二相似度值计算答案推荐误差损失函数；
27.根据所述专家推荐误差损失函数和所述答案推荐误差损失函数构建推荐误差损失函数。
28.第二方面，本技术提供一种融合先验信息的多任务推荐装置，包括：
29.表征向量生成单元，用于根据问答先验信息对应的埋点数据生成各专家对应的专家表征向量和当前提问用户对应的用户表征向量；其中，所述埋点数据包括全量用户提问数据和全量专家回答数据；所述问答先验信息包括所述当前提问用户的当前提问信息；
30.专家推荐单元，用于根据所述用户表征向量和所述专家表征向量确定所述当前提问信息对应的多个专家；
31.回答推荐单元，用于从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答。
32.进一步地，所述表征向量生成单元，包括：
33.全量词向量生成模块，用于将所述全量用户提问数据和全量专家回答数据输入长短期记忆人工神经网络，得到全量提问词向量和全量回答词向量；
34.用户表征向量生成模块，用于基于所述全量提问词向量中所述当前提问用户对应的提问词向量构建所述用户表征向量；
35.专家表征向量生成模块，用于基于所述全量回答词向量中各专家对应的回答词向量构建所述专家表征向量。
36.进一步地，所述专家推荐单元，包括：
37.第一相似度值计算模块，用于分别计算各专家对应的专家表征向量和所述用户表征向量之间的相似度，得到第一相似度值；
38.专家推荐模块，用于对所述第一相似度值进行归一化处理及排序处理，得到所述当前提问信息对应的多个专家。
39.进一步地，所述回答推荐单元，包括：
40.回答词向量选取模块，用于从所述全量回答词向量中选取所述多个专家提供的全部回答对应的回答词向量；
41.第二相似度值计算模块，用于分别计算各回答词向量和所述当前提问用户对应的提问词向量之间的相似度，得到第二相似度值；
42.回答推荐模块，用于选取所述第二相似度值中的最大者对应的回答作为所述最优回答。
43.进一步地，融合先验信息的多任务推荐装置，还包括：
44.推荐损失函数构建单元，用于根据所述第一相似度值及所述第二相似度值构建推荐误差损失函数；
45.网络参数调整单元，用于根据所述推荐误差损失函数调整所述长短期记忆人工神经网络的参数。
46.进一步地，所述推荐损失函数构建单元，包括：
47.专家损失函数构建模块，用于根据所述第一相似度值计算专家推荐误差损失函数；
48.答案损失函数构建模块，用于根据所述第二相似度值计算答案推荐误差损失函数；
49.推荐损失函数构建模块，用于根据所述专家推荐误差损失函数和所述答案推荐误差损失函数构建推荐误差损失函数。
50.第三方面，本技术提供一种电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述融合先验信息的多任务推荐方法的步骤。
51.第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述融合先验信息的多任务推荐方法的步骤。
52.第五方面，本技术提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述融合先验信息的多任务推荐方法的步骤。
53.针对现有技术中的问题，本技术提供的融合先验信息的多任务推荐方法及装置，能够针对应用场景与业务特征，通过原型网络捕捉问题与答案之间的强相关性，对信息检索与推荐专家两个任务进行联合训练，在推荐专家的过程缩小候选答案集合，最终为用户快速检索到其所提问题的最优回答，提高了用户问题的解决率，在实际应用中取得了良好的效果。
附图说明
54.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
55.图1为本技术实施例中融合先验信息的多任务推荐方法的流程图；
56.图2为本技术实施例中生成表征向量的流程图；
57.图3为本技术实施例中确定专家的流程图；
58.图4为本技术实施例中确定最优回答的流程图；
59.图5为本技术实施例中调整神经网络参数的流程图之一；
60.图6为本技术实施例中调整神经网络参数的流程图之二；
61.图7为本技术实施例中融合先验信息的多任务推荐装置的结构图之一；
62.图8为本技术实施例中表征向量生成单元的结构图；
63.图9为本技术实施例中专家推荐单元的结构图；
64.图10为本技术实施例中回答推荐单元的结构图；
65.图11为本技术实施例中融合先验信息的多任务推荐装置的结构图之二；
66.图12为本技术实施例中推荐损失函数构建单元的结构图；
67.图13为本技术实施例中的电子设备的结构示意图。
具体实施方式
68.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
69.本技术技术方案中对数据的获取、存储、使用及处理等均符合法律法规的相关规定。
70.一实施例中，参见图1，为了能够融合预先存储的问答先验信息进行多任务推荐，利用数据之间的强相关性，帮助用户快速检索到其所提问题的最优回答，本技术提供一种融合先验信息的多任务推荐方法，包括：
71.s101：根据问答先验信息对应的埋点数据生成各专家对应的专家表征向量和当前提问用户对应的用户表征向量；其中，所述埋点数据包括全量用户提问数据和全量专家回答数据；所述问答先验信息包括所述当前提问用户的当前提问信息；
72.s102：根据所述用户表征向量和所述专家表征向量确定所述当前提问信息对应的多个专家；
73.s103：从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答。
74.可以理解的是，本技术实施例可以依托金融领域引入的众问众答在线交流平台实现。所谓众问众答在线交流平台，可以理解为是一种允许用户在线提问，同时允许专家在线答疑的平台或系统。在众问众答在线交流平台中，用户与专家均可预先通过注册，登录平台，实现提问以及答疑。
75.区别于一般的信息检索平台，众问众答在线交流平台可以用于金融业务讨论互助。用户提出的问题需要在尽可能短的时间内得到解决。现有检索答案的方法一般是将信息检索与推荐专家两个任务分开进行，但这显然不利于提供问题解决效率。为了解决上述问题，本技术提出一种针对众问众答在线交流平台的多任务推荐方法，其通过问答对数据之间的强相关性，使用同一用户(或专家)提出的问题(或回答/答案)的原型表征作为该用户(或专家)的表征，同时完成信息检索与推荐专家两个任务。
from transformers，简称bert)。
89.第二，根据历史埋点数据，将问题与回答整理为qc与ae，下文中qc与ae是指问题与回答的表征向量集合。
90.第三，计算得到用户表征与专家表征，公式如下：
[0091][0092][0093]
其中，pc与pe分别为用户表征向量与专家表征向量，|qc|与|qe|表示问题集与答案集的大小。
[0094]
从上述描述可知，本技术提供的融合先验信息的多任务推荐方法，能够根据问答先验信息对应的埋点数据生成各专家对应的专家表征向量和当前提问用户对应的用户表征向量。
[0095]
图3为本技术实施例实现融合先验信息的多任务推荐方法的一具体实施例。
[0096]
一实施例中，参见图3，所述根据所述用户表征向量和所述专家表征向量确定所述当前提问信息对应的多个专家，包括：
[0097]
s301：分别计算各专家对应的专家表征向量和所述用户表征向量之间的相似度，得到第一相似度值；
[0098]
s302：对所述第一相似度值进行归一化处理及排序处理，得到所述当前提问信息对应的多个专家。
[0099]
可以理解的是，基于专家表征向量与用户表征向量，首先推荐专家，确定候选专家后，即相当于缩小了候选答案的范围(最优回答仅会出自于候选专家回答集合)。
[0100]
具体的，根据埋点数据获得q与a的对应关系，一个问题一般对应n个答案，可表示为[a1，a2，...，an]。根据问题答案的对应信息与问题用户、答案专家的对应信息，获得用户专家对应信息，即最有可能回答用户c问题的专家列表[e1，e2，...，em]。其中，用户c提出问题q，包含候选答案a1，a1由专家e回答，则对于用户c，专家e权重计数加1，最终按计数从大到小进行排序，获得专家列表。根据设定的阈值取前k个专家作为当前提问信息对应的多个专家，也就是能回答该用户所提出的该问题的专家。
[0101]
前述步骤已经生成pc与pe，接下来，将推荐专家任务抽象为信息检索任务，计算用户表征向量与所有专家表征向量的相似度，其中前述步骤计算得到的[e1，e2，...，em]为基准真相(也称ground truth)。
[0102]
s(pc，pe)＝pc·
peꢀꢀꢀꢀ
(3)
[0103][0104]
上式中，各符号的含义如下：
[0105]
在式(3)中，pc为用户的表征，pe为与该用户对应的专家表征，s(pc，pe)为用户与其对应专家的相似度，以向量点积表示。
[0106]
在式(4)中，x表示某一具体用户，x∈[０，1，2...，n]，n为系统用户最大数-1，i为x这一用户下的某一专家，i∈[0，1，2...，m]，m为x这一用户下的专家数。y
′
xi
为激活函数，表
示x用户与其对应的i专家的激活函数值。
[0107]
激活函数的作用是使得整体模型在训练得到的结果更加平滑。
[0108]
其中，公式(3)对应于步骤s301，公式(4)对应于步骤s302。
[0109]
从上述描述可知，本技术提供的融合先验信息的多任务推荐方法，能够根据所述用户表征向量和所述专家表征向量确定所述当前提问信息对应的多个专家。
[0110]
图4为本技术实施例实现融合先验信息的多任务推荐方法的一具体实施例。
[0111]
一实施例中，参见图4，所述从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答，包括：
[0112]
s401：从所述全量回答词向量中选取所述多个专家提供的全部回答对应的回答词向量；
[0113]
s402：分别计算各回答词向量和所述当前提问用户对应的提问词向量之间的相似度，得到第二相似度值；
[0114]
s403：选取所述第二相似度值中的最大者对应的回答作为所述最优回答。
[0115]
可以理解的是，接续前述步骤，通过设定阈值，可以获得最有可能回答问题的k个专家。此k个专家包含的所有回答为最终的备选答案集合(如果基准真相答案没有包含在内，可直接补充，即取并集)。
[0116]
接下来，将问题q与答案备选集合构成新的信息检索任务，计算问题q与答案备选集合中各答案之间的相似度，从而确定最优回答。
[0117]
s(pq，pa)＝pq·
paꢀꢀꢀꢀ
(5)
[0118][0119]
公式(5)和(6)同公式(3)和(4)，式中pq表示问题表征，pa表示答案表征，公式(5)为相似度公式，公式(6)为激活函数公式同样是为了保证模型训练中的取值平滑。
[0120]
从上述描述可知，本技术提供的融合先验信息的多任务推荐方法，能够从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答。
[0121]
图5为本技术实施例实现融合先验信息的多任务推荐方法的一具体实施例。
[0122]
一实施例中，参见图5，在从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答之后，还包括：
[0123]
s501：根据所述第一相似度值及所述第二相似度值构建推荐误差损失函数；具体地，参见图6，根据所述第一相似度值计算专家推荐误差损失函数(s601)；根据所述第二相似度值计算答案推荐误差损失函数(s602)；根据所述专家推荐误差损失函数和所述答案推荐误差损失函数构建推荐误差损失函数(s603)。
[0124]
s502：根据所述推荐误差损失函数调整所述长短期记忆人工神经网络的参数。
[0125]
可以理解的是，利用交叉熵损失函数可以调整人工神经网络的参数。在本技术实施例中，通过调整人工神经网络的参数可以让用户表征向量及专家表征向量得到更好地表征。
[0126]
在本技术实施例中，模型整体损失为l
rec
与l
ir
两部分的加权求和。其中，α为权重。
[0127]
l＝l
rec
+αl
ir
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0128][0129][0130]
式中，l
rec
为用户专家损失函数，l
ir
为问题答案损失函数。
[0131]
使用自适应算法，例如mini-batch梯度下降方法或adam优化器，结合损失函数，即损失函数是自适应算法所要优化的目标函数，其值反映了模型预测结果与真实结果之间的差异。具体来说，当模型的参数被调整时，损失函数的值也会相应发生变化，优化算法通过不断迭代，不断地调整模型参数来降低损失函数的值，直到达到收敛状态。可以对人工神经网络的参数进行优化，得到更准确的向量表征。换而言之，所述根据所述推荐误差损失函数调整所述人工神经网络的参数，包括：利用所述推荐误差损失函数计算所述人工神经网络对应的损失值；根据所述损失值调整所述人工神经网络的参数直至所述推荐误差损失函数达到收敛状态。
[0132]
从上述描述可知，本技术提供的融合先验信息的多任务推荐方法，能够根据所述推荐误差损失函数调整所述长短期记忆人工神经网络的参数。
[0133]
为了更好地阐述本发明的技术方案，在此举一个完整实例。
[0134]
第一步，由于问题与用户(提问者)相关，答案与专家(回答者)相关，因此根据问题与答案的对应关系推导出用户与专家的对应关系。将用户与专家的文本数据、问题与答案的文本数据通过编码器进行编码，转换成为一维向量c、e和q、a。例如c1＝[1,0.24,...,-0.33,-1]表示用户1，e1＝[1,0.24,...,-0.33,-1]表示专家1，q1＝[1,0.24,...,-0.33,-1]表示问题1，a1＝[1,0.24,...,-0.33,-1]表示答案1，同时用户c1∈[e1,e3...e8]，表示回答过该用户的专家有e1，e3等，那么未来最有可能回答该用户的专家也为e1，e3等；c1∈[q1,q3...q8]表示该用户曾发布过问题1，问题3等等。
[0135]
第二步，当某一个用户x新发布一个问题q时，根据公式(1)和(2)重新计算此时此刻该用户和其对应专家的表征向量，得到和
[0136]
第三步，通过公式(3)计算用户与其对应的专家的相似度值，并通过公式(4)计算所有专家的推荐度；
[0137]
第四步，通过人工设置推荐度为0.85及以上(参数可调整)为可推荐专家，获得最有可能回答问题的k个专家，此k个专家包含的所有回答为最终的备选答案集合；
[0138]
第五步，通过公式(5)计算该问题与备选答案的相似度值，并通过公式(6)计算所有答案的推荐度；
[0139]
第六步，通过人工设置推荐度为0.98及以上(参数可调整)为可推荐答案，发送给提问用户。
[0140]
基于同一发明构思，本技术实施例还提供了一种融合先验信息的多任务推荐装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于融合先验信息的多任务推荐装置解决问题的原理与融合先验信息的多任务推荐方法相似，因此融合先验信息的多任务推荐装置的实施可以参见基于软件性能基准确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实
现也是可能并被构想的。
[0141]
一实施例中，参见图7，为了能够融合预先存储的问答先验信息进行多任务推荐，利用数据之间的强相关性，帮助用户快速检索到其所提问题的最优回答，本技术提供一种融合先验信息的多任务推荐装置，包括：表征向量生成单元701、专家推荐单元702及回答推荐单元703。
[0142]
表征向量生成单元701，用于根据问答先验信息对应的埋点数据生成各专家对应的专家表征向量和当前提问用户对应的用户表征向量；其中，所述埋点数据包括全量用户提问数据和全量专家回答数据；所述问答先验信息包括所述当前提问用户的当前提问信息；
[0143]
专家推荐单元702，用于根据所述用户表征向量和所述专家表征向量确定所述当前提问信息对应的多个专家；
[0144]
回答推荐单元703，用于从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答。
[0145]
一实施例中，参见图8，所述表征向量生成单元701，包括：全量词向量生成模块801、用户表征向量生成模块802及专家表征向量生成模块803。
[0146]
全量词向量生成模块801，用于将所述全量用户提问数据和全量专家回答数据输入长短期记忆人工神经网络，得到全量提问词向量和全量回答词向量；
[0147]
用户表征向量生成模块802，用于基于所述全量提问词向量中所述当前提问用户对应的提问词向量构建所述用户表征向量；
[0148]
专家表征向量生成模块803，用于基于所述全量回答词向量中各专家对应的回答词向量构建所述专家表征向量。
[0149]
一实施例中，参见图9，所述专家推荐单元702，包括：第一相似度值计算模块901及专家推荐模块902。
[0150]
第一相似度值计算模块901，用于分别计算各专家对应的专家表征向量和所述用户表征向量之间的相似度，得到第一相似度值；
[0151]
专家推荐模块902，用于对所述第一相似度值进行归一化处理及排序处理，得到所述当前提问信息对应的多个专家。
[0152]
一实施例中，参见图10，所述回答推荐单元703，包括：回答词向量选取模块1001、第二相似度值计算模块1002及回答推荐模块1003。
[0153]
回答词向量选取模块1001，用于从所述全量回答词向量中选取所述多个专家提供的全部回答对应的回答词向量；
[0154]
第二相似度值计算模块1002，用于分别计算各回答词向量和所述当前提问用户对应的提问词向量之间的相似度，得到第二相似度值；
[0155]
回答推荐模块1003，用于选取所述第二相似度值中的最大者对应的回答作为所述最优回答。
[0156]
一实施例中，参见图11，融合先验信息的多任务推荐装置，还包括：推荐损失函数构建单元1101及网络参数调整单元1102。
[0157]
推荐损失函数构建单元1101，用于根据所述第一相似度值及所述第二相似度值构建推荐误差损失函数；
[0158]
网络参数调整单元1102，用于根据所述推荐误差损失函数调整所述长短期记忆人工神经网络的参数。
[0159]
一实施例中，参见图12，所述推荐损失函数构建单元1101，包括：专家损失函数构建模块1201、答案损失函数构建模块1202及推荐损失函数构建模块1203。
[0160]
专家损失函数构建模块1201，用于根据所述第一相似度值计算专家推荐误差损失函数；
[0161]
答案损失函数构建模块1202，用于根据所述第二相似度值计算答案推荐误差损失函数；
[0162]
推荐损失函数构建模块1203，用于根据所述专家推荐误差损失函数和所述答案推荐误差损失函数构建推荐误差损失函数。
[0163]
从硬件层面来说，为了能够融合预先存储的问答先验信息进行多任务推荐，利用数据之间的强相关性，帮助用户快速检索到其所提问题的最优回答，本技术提供一种用于实现所述融合先验信息的多任务推荐方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
[0164]
处理器(processor)、存储器(memory)、通讯接口(communications interface)和总线；其中，所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯；所述通讯接口用于实现所述融合先验信息的多任务推荐装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的融合先验信息的多任务推荐方法的实施例，以及融合先验信息的多任务推荐装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
[0165]
可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(pda)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
[0166]
在实际应用中，融合先验信息的多任务推荐方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本技术对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。
[0167]
上述的客户端设备可以具有通讯模块(即通讯单元)，可以与远程的服务器进行通讯连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
[0168]
图13为本技术实施例的电子设备9600的系统构成的示意框图。如图13所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图13是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
[0169]
一实施例中，融合先验信息的多任务推荐方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
[0170]
s101：根据问答先验信息对应的埋点数据生成各专家对应的专家表征向量和当前提问用户对应的用户表征向量；其中，所述埋点数据包括全量用户提问数据和全量专家回答数据；所述问答先验信息包括所述当前提问用户的当前提问信息；
[0171]
s102：根据所述用户表征向量和所述专家表征向量确定所述当前提问信息对应的多个专家；
[0172]
s103：从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答。
[0173]
从上述描述可知，本技术提供的融合先验信息的多任务推荐方法及装置，能够针对应用场景与业务特征，通过原型网络捕捉问题与答案之间的强相关性，对信息检索与推荐专家两个任务进行联合训练，在推荐专家的过程缩小候选答案集合，最终为用户快速检索到其所提问题的最优回答，提高了用户问题的解决率，在实际应用中取得了良好的效果。
[0174]
在另一个实施方式中，融合先验信息的多任务推荐装置可以与中央处理器9100分开配置，例如可以将数据复合传输装置融合先验信息的多任务推荐装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现融合先验信息的多任务推荐方法的功能。
[0175]
如图13所示，该电子设备9600还可以包括：通讯模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图13中所示的所有部件；此外，电子设备9600还可以包括图13中没有示出的部件，可以参考现有技术。
[0176]
如图13所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
[0177]
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
[0178]
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0179]
该存储器9140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
[0180]
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
[0181]
通讯模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通讯终端的情况相同。
[0182]
基于不同的通讯技术，在同一电子设备中，可以设置有多个通讯模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
[0183]
本技术的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的融合先验信息的多任务推荐方法中全部步骤的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有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的融合先验信息的多任务推荐方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
[0184]
s101：根据问答先验信息对应的埋点数据生成各专家对应的专家表征向量和当前提问用户对应的用户表征向量；其中，所述埋点数据包括全量用户提问数据和全量专家回答数据；所述问答先验信息包括所述当前提问用户的当前提问信息；
[0185]
s102：根据所述用户表征向量和所述专家表征向量确定所述当前提问信息对应的多个专家；
[0186]
s103：从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答。
[0187]
从上述描述可知，本技术提供的融合先验信息的多任务推荐方法及装置，能够针对应用场景与业务特征，通过原型网络捕捉问题与答案之间的强相关性，对信息检索与推荐专家两个任务进行联合训练，在推荐专家的过程缩小候选答案集合，最终为用户快速检索到其所提问题的最优回答，提高了用户问题的解决率，在实际应用中取得了良好的效果。
[0188]
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0189]
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0190]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0191]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0192]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种融合先验信息的多任务推荐方法，其特征在于，包括：根据问答先验信息对应的埋点数据生成各专家对应的专家表征向量和当前提问用户对应的用户表征向量；其中，所述埋点数据包括全量用户提问数据和全量专家回答数据；所述问答先验信息包括所述当前提问用户的当前提问信息；根据所述用户表征向量和所述专家表征向量确定所述当前提问信息对应的多个专家；从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答。2.根据权利要求1所述的融合先验信息的多任务推荐方法，其特征在于，所述根据问答先验信息对应的埋点数据生成各专家对应的专家表征向量和当前提问用户对应的用户表征向量，包括：将所述全量用户提问数据和全量专家回答数据输入人工神经网络，得到全量提问词向量和全量回答词向量；基于所述全量提问词向量中所述当前提问用户对应的提问词向量构建所述用户表征向量；基于所述全量回答词向量中各专家对应的回答词向量构建所述专家表征向量。3.根据权利要求2所述的融合先验信息的多任务推荐方法，其特征在于，所述根据所述用户表征向量和所述专家表征向量确定所述当前提问信息对应的多个专家，包括：分别计算各专家对应的专家表征向量和所述用户表征向量之间的相似度，得到第一相似度值；对所述第一相似度值进行归一化处理及排序处理，得到所述当前提问信息对应的多个专家。4.根据权利要求3所述的融合先验信息的多任务推荐方法，其特征在于，所述从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答，包括：从所述全量回答词向量中选取所述多个专家提供的全部回答对应的回答词向量；分别计算各回答词向量和所述当前提问用户对应的提问词向量之间的相似度，得到第二相似度值；选取所述第二相似度值中的最大者对应的回答作为所述最优回答。5.根据权利要求4所述的融合先验信息的多任务推荐方法，其特征在于，在从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答之后，还包括：根据所述第一相似度值及所述第二相似度值构建推荐误差损失函数；根据所述推荐误差损失函数调整所述人工神经网络的参数。6.根据权利要求5所述的融合先验信息的多任务推荐方法，其特征在于，所述根据归一化处理后的第一相似度值及所述第二相似度值构建推荐误差损失函数，包括：根据所述第一相似度值计算专家推荐误差损失函数；根据所述第二相似度值计算答案推荐误差损失函数；根据所述专家推荐误差损失函数和所述答案推荐误差损失函数构建推荐误差损失函数。7.根据权利要求5所述的融合先验信息的多任务推荐方法，其特征在于，所述根据所述推荐误差损失函数调整所述人工神经网络的参数，包括：利用所述推荐误差损失函数计算所述人工神经网络对应的损失值；
根据所述损失值调整所述人工神经网络的参数直至所述推荐误差损失函数达到收敛状态。8.一种融合先验信息的多任务推荐装置，其特征在于，包括：表征向量生成单元，用于根据问答先验信息对应的埋点数据生成各专家对应的专家表征向量和当前提问用户对应的用户表征向量；其中，所述埋点数据包括全量用户提问数据和全量专家回答数据；所述问答先验信息包括所述当前提问用户的当前提问信息；专家推荐单元，用于根据所述用户表征向量和所述专家表征向量确定所述当前提问信息对应的多个专家；回答推荐单元，用于从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述的融合先验信息的多任务推荐方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述的融合先验信息的多任务推荐方法的步骤。

技术总结
本申请提供一种融合先验信息的多任务推荐方法及装置，涉及人工智能领域，也可用于金融领域，包括：根据问答先验信息对应的埋点数据生成各专家对应的专家表征向量和当前提问用户对应的用户表征向量；其中，所述埋点数据包括全量用户提问数据和全量专家回答数据；所述问答先验信息包括所述当前提问用户的当前提问信息；根据所述用户表征向量和所述专家表征向量确定所述当前提问信息对应的多个专家；从所述多个专家提供的全部回答中推荐所述当前提问信息对应的最优回答。本申请能够融合预先存储的问答先验信息进行多任务推荐，利用数据之间的强相关性，帮助用户快速检索到其所提问题的最优回答。问题的最优回答。问题的最优回答。


技术研发人员：邓维 任瑜平 石忠德 王小红
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.04.25
技术公布日：2023/7/25