信息推荐方法、装置、设备、存储介质和程序产品与流程

1.本公开提供了一种信息推荐方法、装置、设备、存储介质和程序产品，涉及人工智能技术领域，具体为自然语言处理、文本处理、深度学习技术领域。


背景技术：

2.由于人们对于软件的功能需求日益丰富，软件的规模越来越大，结构日益复杂。在这样的情况下，软件开发人员很可能遇到一些软件编写困难的情况，比如某些不常见的功能如何实现。
3.为了提高软件开发人员的代码编写效率，将当前正在编写的代码内容上传至服务器，服务器根据代码的上下文信息，确定推荐代码，并将推荐代码下发给用户终端，以供软件开发人员参考推荐代码进行代码编写。
4.目前，软件开发人员需要频繁地修改代码，因此，会向服务器发送非常多的代码推荐请求，造成服务器的资源占用率较高。


技术实现要素：

5.本公开提供了一种信息推荐方法、装置、设备、存储介质和程序产品。
6.本公开的一方面，提供一种信息推荐方法，包括：
7.获取目标代码和所述目标代码对应的当前编辑位置；
8.将所述目标代码和所述当前编辑位置输入文本分类模型中，得到文本分类结果；
9.在所述文本分类结果为需要代码推荐的情况下，将所述目标代码和所述当前编辑位置发送至服务器，以供服务器根据所述目标代码和所述当前编辑位置，确定所述目标代码中的待补全代码对应的推荐代码。
10.本公开的另一方面，还提供一种信息推荐方法，包括：
11.接收用户终端上传的目标代码和当前编辑位置，其中，所述目标代码和所述当前编辑位置是在用户终端的文本分类模型输出需要代码推荐的文本分类结果后发送的信息；
12.根据所述目标代码和所述当前编辑位置，确定所述目标代码中的待补全代码对应的推荐代码；
13.将所述推荐代码下发至所述用户终端。
14.本公开的另一方面，还提供一种信息推荐装置，包括：
15.获取模块，用于获取目标代码和所述目标代码对应的当前编辑位置；
16.分类模型模块，用于将所述目标代码和所述当前编辑位置输入文本分类模型中，得到文本分类结果；
17.发送模块，在所述文本分类结果为需要代码推荐的情况下，用于将所述目标代码和所述当前编辑位置发送至服务器，以供服务器根据所述目标代码和所述当前编辑位置，确定所述目标代码中的待补全代码对应的推荐代码。
18.本公开的另一方面，还提供一种信息推荐装置，包括：
19.接收模块，用于接收用户终端上传的目标代码和当前编辑位置，其中，所述目标代码和所述当前编辑位置是在用户终端的文本分类模型输出需要代码推荐的文本分类结果后发送的信息；
20.确定模块，用于根据所述目标代码和所述当前编辑位置，确定所述目标代码中的待补全代码对应的推荐代码；
21.下发模块，用于将所述推荐代码下发至所述用户终端。
22.本公开的另一方面，还提供一种电子设备，包括：
23.至少一个处理器；以及
24.与所述至少一个处理器通信连接的存储器；其中，
25.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。
26.本公开的另一方面，还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述的方法。
27.本公开的另一方面，还提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现上述的方法。
28.在本公开的一些实施例中，获取目标代码和目标代码对应的当前编辑位置；将目标代码和当前编辑位置输入文本分类模型中，得到文本分类结果，在用户侧进行目标代码的文本分类检测；在检测到需要代码推荐的文本分类结果的情况下，将目标代码和当前编辑位置发送至服务器，以供服务器根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码，减少服务器的代码推荐请求数量，降低服务器的资源占用率。
29.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
30.附图用于更好地理解本方案，不构成对本公开的限定。其中：
31.图1为本公开实施例提供的一种信息推荐系统的结构示意图；
32.图2为本公开示例性实施例提供的一种文本分类模型的结构示意图；
33.图3为本公开示例性实施例提供的一种神经元的结构示意图；
34.图4为本公开示例性实施例提供的一种代码推荐模型的结构示意图；
35.图5为本公开实施例一提供的一种信息推荐方法的流程示意图；
36.图6为本公开实施例二提供的一种信息推荐方法的流程示意图；
37.图7为本公开示例性实施例提供的一种信息推荐装置的结构示意图；
38.图8为本公开示例性实施例提供的一种信息推荐装置的结构示意图；
39.图9示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
40.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同
样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
41.人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
42.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
43.在代码编写场景中，软件开发人员需要频繁地修改代码，会产生大量的代码推荐请求，服务器相应地也需要的请求处理节点去处理这些代码推荐请求，在很多情况下，软件开发人员并需要代码推荐，这样会造成服务器的资源占用率较高。
44.代码推荐的准确性影响用户代码编写体验，代码编写过程中，高质量的代码推荐能够提升软件开发人员的代码编写效率，频繁的低质量的代码推荐，会对软件开发人员造成干扰，降低用户体验。
45.针对上述存在的技术问题，在本公开的一些实施例中，获取目标代码和目标代码对应的当前编辑位置；将目标代码和当前编辑位置输入文本分类模型中，得到文本分类结果，在用户侧进行目标代码的文本分类检测；在检测到需要代码推荐的文本分类结果的情况下，将目标代码和当前编辑位置发送至服务器，以供服务器根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码，减少服务器的代码推荐请求数量，降低服务器的资源占用率。
46.以下结合附图，详细说明本公开各实施例提供的技术方案。
47.图1为本公开实施例提供的一种信息推荐系统10的结构示意图。如图1所示，该信息推荐系统10包括用户终端10a和服务器10b。其中，用户终端10a和服务器10b建立通信连接。图1所呈现的用户终端10a和服务器10b为示例性说明，并不对其实现形式构成限定。
48.其中，用户终端10a与服务器10b可以采用有线或无线连接。可选地，用户终端10a与服务器10b之间可以采用wifi、蓝牙、红外等通信方式建立通信连接，或者，用户终端10a与服务器10b通过移动网络建立通信连接。其中，移动网络的网络制式可以为2g(gsm)、2.5g(gprs)、3g(wcdma、td－scdma、cdma2000、utms)、4g(lte)、4g+(lte+)、5g、5g－advanced、wimax等中的任意一种。
49.在本实施例中，对用户终端10a的类型不作限定，用户终端10a包括但不限于以下任意一种：手机，个人台式电脑，笔记本电脑，平板电脑，智能电视和智能音响。
50.在本实施例中，对服务器10b的类型不作限定。例如，服务器10b可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中，服务器10b的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类型。
51.在本实施例中，用户终端10a获取目标代码和目标代码对应的当前编辑位置；用户终端10a将目标代码和当前编辑位置输入文本分类模型中，得到文本分类结果，在用户侧进行目标代码的文本分类检测；在检测到需要代码推荐的文本分类结果的情况下，将目标代码和当前编辑位置发送至服务器10b，服务器10b根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码，减少服务器的代码推荐请求数量，降低服务器的资
源占用率。
52.需要说明的是，目标代码，是指当前编辑的代码文件中已经编写的全部代码或者与待补全代码对应的至少部分代码。
53.当前编辑位置，是指光标当前所在代码文件中的位置。可以针对代码文件建立坐标系，确定光标在代码文件中的相对位置。
54.在本公开一些实施例中，软件开发人员使用用户终端10a编写代码，用户终端10a将当前已经编写完成的目标代码和当前编辑位置输入文本分类模型中，得到文本分类结果。用户终端10a根据文本分类结果，确定是否进行代码推荐，以减少服务器10b的代码推荐请求数量。
55.在本公开的一些可选实施例中，文本分类模型包括第一编码子模块和第二编码子模块。第一编码子模块用于按照目标代码从前往后的文本顺序进行编码，得到第一编码特征；以及第二编码子模块用于按照目标代码从后往前的文本顺序进行编码，得到第二编码特征；根据第一编码特征和第二编码特征，生成文本分类结果。单个神经元可以从前到后的编码整个文本，以让每个token感知上文的信息，在代码推荐场景中，代码下文内容也对代码理解具有重要作用。因此，本公开实施例设置第一编码子模块和第二编码子模块，分别从前到后以及从后到前，编码整个目标代码文本，提升模型的上下文建模能力；本公开实施例利用第一个token的特征向量进行分类，判断是否发起代码生成请求。
56.图2为本公开示例性实施例提供的一种文本分类模型的结构示意图。如图2所示，c为记忆状态，h为隐层状态，o为输出状态，f为前向，b为后向，t为代码token。其中，图2中位于第一行的三个lstm单元组成第二编码子模块，位于第二行的三个lstm单元组成第一编码子模块。第一编码子模块和第二编码子模块，分别从前到后以及从后到前，编码整个目标代码文本，提升模型的上下文建模能力。
57.在本公开的上述实施例中，针对第一编码子模块或者第二编码子模块中的任意一个目标神经元，在目标神经元内部，将输入信息和内部状态进行编码，得到编码后的特征向量；根据输入信息和历史状态，识别历史状态中需要更新的信息，更新内部状态；根据输入信息和历史状态，更新输出的特征向量，以及更新内部状态。
58.图3为本公开示例性实施例提供的一种神经元的结构示意图。如图3所示，其中，c
t-1
为上一个神经元输出的历史状态，r
t-1
为上一个神经元输出的内部状态，o
t
为输出的特征向量，r
t
为当前神经元输出的内部状态，c
t
为当前神经元输出的历史状态。
59.每个神经元接收代码文本的token即输入信息i
t
，通过神经网络计算，更新历史状态r
t-1
和内部状态c
t-1
，并输出编码后的特征向量o
t
。通过从前至后的循环编码每个token，每个token的特征向量o
t
都可以获得其上文信息。
60.每个神经元内部计算方式主要可以分为三个门控机制，分别为输入门、遗忘门和输出门，输入门的计算方式为：
61.n
t
＝σ(wn*[r
t-1
,i
t
]+bn)
[0062]
输入门将输入信息i
t
和历史状态r
t-1
进行信息融合，初步编码输入信息和历史状态，遗忘门的计算方式为：
[0063]ft
＝σ(wf*[r
t-1
,i
t
]+bf)
[0064]ct
＝tanh(wc*[r
t-1
,i
t
]+bc)
[0065]ct
＝f
t
*c
t-1
+n
t
*c
t
[0066]
遗忘门的作用，主要是根据输入信息和历史状态，识别内部状态c
t-1
中需要更新的信息，内部状态c
t-1
与遗忘权重f
t
相乘后，内部状态c
t-1
中绝大部分的值会变得非常接近0或者非常接近该位置上原来的值，从而实现对内部状态c
t-1
中携带信息进行选择性遗忘或巩固，最终利用输入门和遗忘门，更新内部状态c
t
。输出门的计算方式为：
[0067]ot
＝σ(wo*[r
t-1
,i
t
]+bo)
[0068]rt
＝o
t
*tanh(c
t
)
[0069]
输出门根据历史状态和输入信息，更新输出的特征向量o
t
，并更新历史状态r
t
。
[0070]
用户终端10a在文本分类结果为需要代码推荐的情况下，将目标代码和当前编辑位置发送至服务器10b。服务器10b接收用户终端10a上传的目标代码和当前编辑位置。服务器10b根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码；将推荐代码下发至用户终端10a。
[0071]
在本公开的一些实施例中，根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码。一种可实现的方式为，将目标代码和当前编辑位置输入代码推荐模型中，得到目标代码中的待补全代码对应的推荐代码。本公开实施例利用代码推荐模型确定目标代码中的待补全代码对应的推荐代码，提高推荐代码的准确度。
[0072]
在本公开的一些实施例中，代码推荐模型包括：多头自注意力机制层、第一归一化层、前向层和第二归一化层。将目标代码和当前编辑位置输入代码推荐模型中，得到目标代码中的待补全代码对应的推荐代码。一种可实现的方式为，在代码推荐模型内部，将目标代码和当前编辑位置输入多头自注意力机制层中，得到第一文本向量特征；将第一文本向量特征输入第一归一化层中，得到第二文本向量特征；将第二文本向量特征输入前向层中，得到第三文本向量特征；将第三文本向量特征输入第二归一化层中，得到推荐代码。需要说明的是，本公开实施例中的代码推荐模型可以为gpt大模型。
[0073]
图4为本公开示例性实施例提供的一种代码推荐模型的结构示意图。如图4所示，其核心的内容主要是利用多头自注意力机制，捕获文本的上下文信息，相比于传统的循环神经网络，transformer结构能够更好地建模长文本信息。多头自注意力机制的计算方式为：
[0074]
q＝wq*i；
[0075]
k＝wk*i；
[0076]
v＝wv*i；
[0077][0078]
其中，i代表输入向量，dk是向量k的维度。多头自注意力机制、第一归一化层、前向层和第二归一化层，共同组成一个transformer单元，通过堆叠多层的transformer单元组成代码推荐模型。代码推荐模型采用transformer的解码器作为整个模型框架，在计算多头自注意力机制时，解码器只能利用上文信息进行解码。该计算方式是在多头自注意力机制中，加入一个掩码矩阵实现的。
[0079]
代码生成模型利用大规模代码数据，作为训练文本，通过语言模型自监督地预训练代码推荐模型，其预训练方式为：
[0080][0081]
其核心思想是利用上文前t-1个词，预测下一个词，经过大规模代码预训练的代码推荐模型，可以有效地根据输入信息生成下一步需要的代码。
[0082]
在本公开上述系统实施例中，获取目标代码和目标代码对应的当前编辑位置；将目标代码和当前编辑位置输入文本分类模型中，得到文本分类结果，在用户侧进行目标代码的文本分类检测；在检测到需要代码推荐的文本分类结果的情况下，将目标代码和当前编辑位置发送至服务器，以供服务器根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码，减少服务器的代码推荐请求数量，降低服务器的资源占用率。
[0083]
除上述提供的信息推荐系统之外，本公开一些实施例还提供一种信息推荐方法，本公开所提供的信息推荐方法可应用于上述信息推荐系统，但并不限于上述实施例提供的信息推荐系统。
[0084]
从用户终端角度，图5为本公开实施例一提供的一种信息推荐方法的流程示意图。如图5所示，该方法包括：
[0085]
s501：获取目标代码和目标代码对应的当前编辑位置；
[0086]
s502：将目标代码和当前编辑位置输入文本分类模型中，得到文本分类结果；
[0087]
s503：在文本分类结果为需要代码推荐的情况下，将目标代码和当前编辑位置发送至服务器，以供服务器根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码。
[0088]
从用户终端角度，图6为本公开实施例二提供的一种信息推荐方法的流程示意图。如图6所示，该方法包括：
[0089]
s601：接收用户终端上传的目标代码和当前编辑位置，其中，目标代码和当前编辑位置是在用户终端的文本分类模型输出需要代码推荐的文本分类结果后发送的信息；
[0090]
s602：根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码；
[0091]
s603：将推荐代码下发至用户终端。
[0092]
在本实施例中，对用户终端的类型不作限定，用户终端包括但不限于以下任意一种：手机，个人台式电脑，笔记本电脑，平板电脑，智能电视和智能音响。
[0093]
在本实施例中，对服务器的类型不作限定。例如，服务器可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中，服务器的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类型。
[0094]
在本实施例中，用户终端获取目标代码和目标代码对应的当前编辑位置；用户终端将目标代码和当前编辑位置输入文本分类模型中，得到文本分类结果，在用户侧进行目标代码的文本分类检测；在检测到需要代码推荐的文本分类结果的情况下，将目标代码和当前编辑位置发送至服务器，服务器根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码，减少服务器的代码推荐请求数量，降低服务器的资源占用率。
[0095]
需要说明的是，目标代码，是指当前编辑的代码文件中已经编写的全部代码或者与待补全代码对应的至少部分代码。
[0096]
当前编辑位置，是指光标当前所在代码文件中的位置。可以针对代码文件建立坐
标系，确定光标在代码文件中的相对位置。
[0097]
在本公开一些实施例中，软件开发人员使用用户终端编写代码，用户终端将当前已经编写完成的目标代码和当前编辑位置输入文本分类模型中，得到文本分类结果。用户终端根据文本分类结果，确定是否进行代码推荐，以减少服务器的代码推荐请求数量。
[0098]
在本公开的一些可选实施例中，文本分类模型包括第一编码子模块和第二编码子模块。第一编码子模块用于按照目标代码从前往后的文本顺序进行编码，得到第一编码特征；以及第二编码子模块用于按照目标代码从后往前的文本顺序进行编码，得到第二编码特征；根据第一编码特征和第二编码特征，生成文本分类结果。单个神经元可以从前到后的编码整个文本，以让每个token感知上文的信息，在代码推荐场景中，代码下文内容也对代码理解具有重要作用。因此，本公开实施例设置第一编码子模块和第二编码子模块，分别从前到后以及从后到前，编码整个目标代码文本，提升模型的上下文建模能力；本公开实施例利用第一个token的特征向量进行分类，判断是否发起代码生成请求。
[0099]
图2为本公开示例性实施例提供的一种文本分类模型的结构示意图。如图2所示，c为记忆状态，h为隐层状态，o为输出状态，f为前向，b为后向，t为代码token。其中，图2中位于第一行的三个lstm单元组成第二编码子模块，位于第二行的三个lstm单元组成第一编码子模块。第一编码子模块和第二编码子模块，分别从前到后以及从后到前，编码整个目标代码文本，提升模型的上下文建模能力。
[0100]
在本公开的上述实施例中，针对第一编码子模块或者第二编码子模块中的任意一个目标神经元，在目标神经元内部，将输入信息和内部状态进行编码，得到编码后的特征向量；根据输入信息和历史状态，识别历史状态中需要更新的信息，更新内部状态；根据输入信息和历史状态，更新输出的特征向量，以及更新内部状态。
[0101]
图3为本公开示例性实施例提供的一种神经元的结构示意图。如图3所示，其中，c
t-1
为上一个神经元输出的历史状态，r
t-1
为上一个神经元输出的内部状态，o
t
为输出的特征向量，r
t
为当前神经元输出的内部状态，c
t
为当前神经元输出的历史状态。
[0102]
每个神经元接收代码文本的token即输入信息i
t
，通过神经网络计算，更新历史状态r
t-1
和内部状态c
t-1
，并输出编码后的特征向量o
t
。通过从前至后的循环编码每个token，每个token的特征向量o
t
都可以获得其上文信息。
[0103]
每个神经元内部计算方式主要可以分为三个门控机制，分别为输入门、遗忘门和输出门，输入门的计算方式为：
[0104]nt
＝σ(wn*[r
t-1
,i
t
]+bn)
[0105]
输入门将输入信息i
t
和历史状态r
t-1
进行信息融合，初步编码输入信息和历史状态，遗忘门的计算方式为：
[0106]ft
＝σ(wf*[r
t-1
,i
t
]+bf)
[0107]ct
＝tanh(wc*[r
t-1
,i
t
]+bc)
[0108]ct
＝f
t
*c
t-1
+n
t
*c
t
[0109]
遗忘门的作用，主要是根据输入信息和历史状态，识别内部状态c
t-1
中需要更新的信息，内部状态c
t-1
与遗忘权重f
t
相乘后，内部状态c
t-1
中绝大部分的值会变得非常接近0或者非常接近该位置上原来的值，从而实现对内部状态c
t-1
中携带信息进行选择性遗忘或巩固，最终利用输入门和遗忘门，更新内部状态c
t
。输出门的计算方式为：
[0110]ot
＝σ(wo*[r
t-1
,i
t
]+bo)
[0111]rt
＝o
t
*tanh(c
t
)
[0112]
输出门根据历史状态和输入信息，更新输出的特征向量o
t
，并更新历史状态r
t
。
[0113]
用户终端在文本分类结果为需要代码推荐的情况下，将目标代码和当前编辑位置发送至服务器。服务器接收用户终端上传的目标代码和当前编辑位置。服务器根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码；将推荐代码下发至用户终端。
[0114]
在本公开的一些实施例中，根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码。一种可实现的方式为，将目标代码和当前编辑位置输入代码推荐模型中，得到目标代码中的待补全代码对应的推荐代码。本公开实施例利用代码推荐模型确定目标代码中的待补全代码对应的推荐代码，提高推荐代码的准确度。
[0115]
在本公开的一些实施例中，代码推荐模型包括：多头自注意力机制层、第一归一化层、前向层和第二归一化层。将目标代码和当前编辑位置输入代码推荐模型中，得到目标代码中的待补全代码对应的推荐代码。一种可实现的方式为，在代码推荐模型内部，将目标代码和当前编辑位置输入多头自注意力机制层中，得到第一文本向量特征；将第一文本向量特征输入第一归一化层中，得到第二文本向量特征；将第二文本向量特征输入前向层中，得到第三文本向量特征；将第三文本向量特征输入第二归一化层中，得到推荐代码。
[0116]
图4为本公开示例性实施例提供的一种代码推荐模型的结构示意图。如图4所示，其核心的内容主要是利用多头自注意力机制，捕获文本的上下文信息，相比于传统的循环神经网络，transformer结构能够更好地建模长文本信息。多头自注意力机制的计算方式为：
[0117]
q＝wq*i；
[0118]
k＝wk*i；
[0119]
v＝wv*i；
[0120][0121]
其中，i代表输入向量，dk是向量k的维度。多头自注意力机制、第一归一化层、前向层和第二归一化层，共同组成一个transformer单元，通过堆叠多层的transformer单元组成代码推荐模型。代码推荐模型采用transformer的解码器作为整个模型框架，在计算多头自注意力机制时，解码器只能利用上文信息进行解码。该计算方式是在多头自注意力机制中，加入一个掩码矩阵实现的。
[0122]
代码生成模型利用大规模代码数据，作为训练文本，通过语言模型自监督地预训练代码推荐模型，其预训练方式为：
[0123][0124]
其核心思想是利用上文前t-1个词，预测下一个词，经过大规模代码预训练的代码推荐模型，可以有效地根据输入信息生成下一步需要的代码。
[0125]
服务器在确定目标代码中的待补全代码对应的推荐代码之后，将推荐代码下发至用户终端，用户终端接收服务器下发的推荐代码，并在用户终端的显示屏上展示推荐代码，
以供软件人员查看该推荐代码，并根据推荐代码进行后续的代码编写。
[0126]
在本公开上述方法实施例中，获取目标代码和目标代码对应的当前编辑位置；将目标代码和当前编辑位置输入文本分类模型中，得到文本分类结果，在用户侧进行目标代码的文本分类检测；在检测到需要代码推荐的文本分类结果的情况下，将目标代码和当前编辑位置发送至服务器，以供服务器根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码，减少服务器的代码推荐请求数量，降低服务器的资源占用率。
[0127]
图7为本公开示例性实施例提供的一种信息推荐装置70的结构示意图。该信息处理装置70包括获取模块71、分类模型模块72和发送模块73。
[0128]
其中，获取模块71，用于获取目标代码和目标代码对应的当前编辑位置；
[0129]
分类模型模块72，用于将目标代码和当前编辑位置输入文本分类模型中，得到文本分类结果；
[0130]
发送模块73，在文本分类结果为需要代码推荐的情况下，用于将目标代码和当前编辑位置发送至服务器，以供服务器根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码。
[0131]
可选地，发送模块73在将目标代码和当前编辑位置发送至服务器之后，还可用于：
[0132]
接收服务器下发的推荐代码。
[0133]
展示推荐代码。
[0134]
可选地，文本分类模型包括：第一编码子模块和第二编码子模块；分类模型模块72在将目标代码和当前编辑位置输入文本分类模型中，得到文本分类结果时，用于：
[0135]
第一编码子模块用于按照目标代码从前往后的文本顺序进行编码，得到第一编码特征；以及
[0136]
第二编码子模块用于按照目标代码从后往前的文本顺序进行编码，得到第二编码特征；
[0137]
根据第一编码特征和第二编码特征，生成文本分类结果。
[0138]
可选地，分类模型模块72，还可用于：
[0139]
针对第一编码子模块或者第二编码子模块中的任意一个目标神经元，在目标神经元内部，将输入信息和内部状态进行编码，得到编码后的特征向量；
[0140]
根据输入信息和历史状态，识别历史状态中需要更新的信息，更新内部状态；
[0141]
根据输入信息和历史状态，更新输出的特征向量，以及更新内部状态。
[0142]
图8为本公开示例性实施例提供的一种信息推荐装置80的结构示意图。该信息处理装置80包括接收模块81、确定模块82和下发模块83。
[0143]
其中，接收模块81，用于接收用户终端上传的目标代码和当前编辑位置，其中，目标代码和当前编辑位置是在用户终端的文本分类模型输出需要代码推荐的文本分类结果后发送的信息；
[0144]
确定模块82，用于根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码；
[0145]
下发模块83，用于将推荐代码下发至用户终端。
[0146]
可选地，确定模块82在根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码时，用于：
[0147]
将目标代码和当前编辑位置输入代码推荐模型中，得到目标代码中的待补全代码对应的推荐代码。
[0148]
可选地，代码推荐模型包括：多头自注意力机制层、第一归一化层、前向层和第二归一化层；确定模块82在将目标代码和当前编辑位置输入代码推荐模型中，得到目标代码中的待补全代码对应的推荐代码时，用于：
[0149]
在代码推荐模型内部，将目标代码和当前编辑位置输入多头自注意力机制层中，得到第一文本向量特征；
[0150]
将第一文本向量特征输入第一归一化层中，得到第二文本向量特征；
[0151]
将第二文本向量特征输入前向层中，得到第三文本向量特征；
[0152]
将第三文本向量特征输入第二归一化层中，得到推荐代码。
[0153]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0154]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0155]
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0156]
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(rom)902中的计算机程序或者从存储单元908加载到随机访问存储器(ram)903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、rom 902以及ram 903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
[0157]
设备900中的多个部件连接至i/o接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0158]
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如上述方法。例如，在一些实施例中，上述方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由rom 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到ram 903并由计算单元901执行时，可以执行上文描述的上述方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法。
[0159]
在本公开的上述装置、设备、存储介质及计算机程序产品实施例中，获取目标代码和目标代码对应的当前编辑位置；将目标代码和当前编辑位置输入文本分类模型中，得到文本分类结果，在用户侧进行目标代码的文本分类检测；在检测到需要代码推荐的文本分类结果的情况下，将目标代码和当前编辑位置发送至服务器，以供服务器根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码，减少服务器的代码推荐请求数量，降低服务器的资源占用率。
[0160]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0161]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0162]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd－rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0163]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0164]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网
(lan)、广域网(wan)、互联网和区块链网络。
[0165]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端－服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务(＂virtual private server＂，或简称＂vps＂)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0166]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0167]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

技术特征：
1.一种信息推荐方法，包括：获取目标代码和所述目标代码对应的当前编辑位置；将所述目标代码和所述当前编辑位置输入文本分类模型中，得到文本分类结果；在所述文本分类结果为需要代码推荐的情况下，将所述目标代码和所述当前编辑位置发送至服务器，以供服务器根据所述目标代码和所述当前编辑位置，确定所述目标代码中的待补全代码对应的推荐代码。2.根据权利要求1所述的方法，其中，在将所述目标代码和所述当前编辑位置发送至服务器之后，所述方法还包括：接收所述服务器下发的所述推荐代码；展示所述推荐代码。3.根据权利要求1所述的方法，其中，所述文本分类模型包括：第一编码子模块和第二编码子模块；所述将所述目标代码和所述当前编辑位置输入文本分类模型中，得到文本分类结果，包括：所述第一编码子模块用于按照所述目标代码从前往后的文本顺序进行编码，得到第一编码特征；以及所述第二编码子模块用于按照所述目标代码从后往前的文本顺序进行编码，得到第二编码特征；根据所述第一编码特征和所述第二编码特征，生成所述文本分类结果。4.根据权利要求3所述的方法，其中，所述方法还包括：针对所述第一编码子模块或者所述第二编码子模块中的任意一个目标神经元，在所述目标神经元内部，将输入信息和内部状态进行编码，得到编码后的特征向量；根据所述输入信息和历史状态，识别所述历史状态中需要更新的信息，更新所述内部状态；根据所述输入信息和所述历史状态，更新输出的特征向量，以及更新所述内部状态。5.一种信息推荐方法，包括：接收用户终端上传的目标代码和当前编辑位置，其中，所述目标代码和所述当前编辑位置是在用户终端的文本分类模型输出需要代码推荐的文本分类结果后发送的信息；根据所述目标代码和所述当前编辑位置，确定所述目标代码中的待补全代码对应的推荐代码；将所述推荐代码下发至所述用户终端。6.根据权利要求5所述的方法，其中，所述根据所述目标代码和所述当前编辑位置，确定所述目标代码中的待补全代码对应的推荐代码，包括：将所述目标代码和所述当前编辑位置输入代码推荐模型中，得到所述目标代码中的待补全代码对应的推荐代码。7.根据权利要求6所述的方法，其中，所述代码推荐模型包括：多头自注意力机制层、第一归一化层、前向层和第二归一化层；所述将所述目标代码和所述当前编辑位置输入代码推荐模型中，得到所述目标代码中的待补全代码对应的推荐代码，包括：在所述代码推荐模型内部，将所述目标代码和所述当前编辑位置输入多头自注意力机制层中，得到第一文本向量特征；
将所述第一文本向量特征输入所述第一归一化层中，得到第二文本向量特征；将所述第二文本向量特征输入所述前向层中，得到第三文本向量特征；将所述第三文本向量特征输入所述第二归一化层中，得到所述推荐代码。8.一种信息推荐装置，包括：获取模块，用于获取目标代码和所述目标代码对应的当前编辑位置；分类模型模块，用于将所述目标代码和所述当前编辑位置输入文本分类模型中，得到文本分类结果；发送模块，在所述文本分类结果为需要代码推荐的情况下，用于将所述目标代码和所述当前编辑位置发送至服务器，以供服务器根据所述目标代码和所述当前编辑位置，确定所述目标代码中的待补全代码对应的推荐代码。9.根据权利要求8所述的装置，其中，所述发送模块在将所述目标代码和所述当前编辑位置发送至服务器之后，还可用于：接收所述服务器下发的所述推荐代码；展示所述推荐代码。10.根据权利要求8所述的装置，其中，所述文本分类模型包括：第一编码子模块和第二编码子模块；所述分类模型模块在将所述目标代码和所述当前编辑位置输入文本分类模型中，得到文本分类结果时，用于：所述第一编码子模块用于按照所述目标代码从前往后的文本顺序进行编码，得到第一编码特征；以及所述第二编码子模块用于按照所述目标代码从后往前的文本顺序进行编码，得到第二编码特征；根据所述第一编码特征和所述第二编码特征，生成所述文本分类结果。11.根据权利要求10所述的装置，其中，所述分类模型模块，还可用于：针对所述第一编码子模块或者所述第二编码子模块中的任意一个目标神经元，在所述目标神经元内部，将输入信息和内部状态进行编码，得到编码后的特征向量；根据所述输入信息和历史状态，识别所述历史状态中需要更新的信息，更新所述内部状态；根据所述输入信息和所述历史状态，更新输出的特征向量，以及更新所述内部状态。12.一种信息推荐装置，包括：接收模块，用于接收用户终端上传的目标代码和当前编辑位置，其中，所述目标代码和所述当前编辑位置是在用户终端的文本分类模型输出需要代码推荐的文本分类结果后发送的信息；确定模块，用于根据所述目标代码和所述当前编辑位置，确定所述目标代码中的待补全代码对应的推荐代码；下发模块，用于将所述推荐代码下发至所述用户终端。13.根据权利要求12所述的装置，其中，所述确定模块在根据所述目标代码和所述当前编辑位置，确定所述目标代码中的待补全代码对应的推荐代码时，用于：将所述目标代码和所述当前编辑位置输入代码推荐模型中，得到所述目标代码中的待补全代码对应的推荐代码。
14.根据权利要求13所述的装置，其中，所述代码推荐模型包括：多头自注意力机制层、第一归一化层、前向层和第二归一化层；所述确定模块在将所述目标代码和所述当前编辑位置输入代码推荐模型中，得到所述目标代码中的待补全代码对应的推荐代码时，用于：在所述代码推荐模型内部，将所述目标代码和所述当前编辑位置输入多头自注意力机制层中，得到第一文本向量特征；将所述第一文本向量特征输入所述第一归一化层中，得到第二文本向量特征；将所述第二文本向量特征输入所述前向层中，得到第三文本向量特征；将所述第三文本向量特征输入所述第二归一化层中，得到所述推荐代码。15.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。16.一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。17.一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现权利要求1-7中任一项所述的方法。

技术总结
本公开提供了一种信息推荐方法、装置、设备、存储介质和程序产品，涉及人工智能技术领域，具体为自然语言处理、文本处理、深度学习技术领域。在本公开的一些实施例中，获取目标代码和目标代码对应的当前编辑位置；将目标代码和当前编辑位置输入文本分类模型中，得到文本分类结果，在用户侧进行目标代码的文本分类检测；在检测到需要代码推荐的文本分类结果的情况下，将目标代码和当前编辑位置发送至服务器，以供服务器根据目标代码和当前编辑位置，确定目标代码中的待补全代码对应的推荐代码，减少服务器的代码推荐请求数量，降低服务器的资源占用率。资源占用率。资源占用率。


技术研发人员：郭志越 彭云鹏 王初晴
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：2023.04.11
技术公布日：2023/8/9