问答推荐方法及其装置与流程

技术特征：
1.一种问答推荐方法，包括：采集历史搜索行为，并基于所述历史搜索行为确定历史搜索词和历史候选问题；以所述历史搜索词为第一类节点，所述历史候选问题为第二类节点，基于所述历史搜索行为的行为标识，构建无向图；基于所述无向图和图神经网络，获取搜索词到问题之间的第一映射词表和/或问题到问题的第二映射词表；获取目标输入，并将所述目标输入与所述第一映射词表和/或所述第二映射词表进行匹配，得到所述目标输入对应的推荐问题。2.根据权利要求1所述的方法，其中，所述基于所述历史搜索行为的行为标识，构建无向图，包括：获取归属于同一行为标识的第一类节点和第二类节点，并建立边连接；获取归属于同一行为标识的第二类节点的出现顺序，并按照所述出现顺序，依次在所述归属于同一行为标识的第二类节点之间建立边连接。3.根据权利要求2所述的方法，其中，所述方法还包括：获取任一边所连接两个节点归属于不同所述行为标识的次数；基于所述任一边的次数，确定所述任一边的权重。4.根据权利要求1
‑
3任一项所述的方法，其中，所述基于所述无向图和图神经网络，获取搜索词到问题之间的第一映射词表和/或问题到问题的第二映射词表，包括：以所述无向图中任一个节点为目标节点，从所述无向图中采样所述目标节点对应的样本子图；基于所述样本子图对所述图神经网络进行训练，以获取所述无向图中每个节点最终的节点融合向量；以所述历史搜索词和历史候选问题作为候选对象，从所述候选对象中获取出现频率大于各自设定频率的目标对象；基于所述目标对象对应的节点融合向量，生成目标映射词表，其中，所述目标映射词表为所述第一映射词表或为所述第二映射词表。5.根据权利要求4所述的方法，其特征在于，所述基于所述样本子图对所述图神经网络进行训练，以获取所述无向图中每个节点最终的节点融合向量，包括：将多个所述样本子图组成的样本子图组输入图神经网络中，由所述图神经网络对所述样本子图中的节点进行语义向量融合，以输出所述样本子图中目标节点的节点融合向量；根据所述样本子图组中包含的所述目标节点的节点融合向量，确定所述图神经网络的损失函数，并基于所述损失函数对所述图神经网络进行调整，并返回使用下一个样本子图组对调整后的图神经网络继续训练，直至训练结束得到目标图神经网络；从所述无向图中提取每个节点的目标子图，并输入所述目标神经网络进行语义向量融合，以获取所述无向图中每个节点最终的节点融合向量。6.根据权利要求5所述的方法，其中，所述由所述图神经网络对所述样本子图中的节点进行语义向量融合，以输出所述样本子图中目标节点的节点融合向量，包括：由所述图神经网络中的特征融合层，基于所述样本子图中节点之间边的权重，对所述样本子图中每个节点的语义向量进行加权，得到加权融合向量；
将所述加权融合向量与所述目标节点的语义向量拼接，生成节点拼接向量；由所述图神经网络中的全连接层对所述节点拼接向量进行全连接，以得到所述目标节点的节点融合向量。7.根据权利要求4所述的方法，其中，所述以所述无向图中任一个节点为目标节点，从所述无向图中采样所述目标节点对应的样本子图，包括：从所述无向图中提取所述目标节点和所述目标节点的邻居节点以及节点之间的边，生成所述样本子图。8.根据权利要求7所述的方法，其中，所述方法还包括：获取所述无向图中每个边的权重，基于所述边线的权重，从所述无向图中识别出现频次高的候选边，并调高所述候选边的采样权重。9.根据权利要求1所述的方法，其中，所述方法还包括：获取所述历史搜索词的语义向量；基于所述历史搜索词所归属的行为标识、所述历史搜索词和所述历史搜索词的语义向量，形成所述历史搜索词的三元组，所述无向图中携带所述历史搜索词的三元组。10.根据权利要求1所述的方法，其中，所述方法还包括：获取所述历史候选问题的语义向量；基于所述历史候选问题所归属的行为标识、所述历史候选问题和所述历史候选问题的语义向量，形成所述历史候选问题的三元组，所述无向图中携带所述历史候选问题的三元组。11.根据权利要求1所述的方法，其中，所述基于所述历史搜索行为确定历史搜索词和历史候选问题，包括：基于所述历史搜索行为，获取历史搜索词；响应于所述历史搜索行为存在历史对话数据，从所述历史对话数据中提取对话问题作为历史候选问题。12.一种问答推荐装置，包括：行为获取模块，用于采集历史搜索行为，并基于所述历史搜索行为确定历史搜索词和历史候选问题；无向图构建模块，用于以所述历史搜索词为第一类节点，所述历史候选问题为第二类节点，基于所述历史搜索行为的行为标识，构建无向图；词表获取模块，用于基于所述无向图和图神经网络，获取搜索词到问题之间的第一映射词表和/或问题到问题的第二映射词表；问题获取模块，用于获取目标输入，并将所述目标输入与所述第一映射词表和/或所述第二映射词表进行匹配，得到所述目标输入对应的推荐问题。13.根据权利要求12所述的装置，其中，所述无向图构建模块，还用于：获取归属于同一行为标识的第一类节点和第二类节点，并建立边连接；获取归属于同一行为标识的第二类节点的出现顺序，并按照所述出现顺序，依次在所述归属于同一行为标识的第二类节点之间建立边连接。14.根据权利要求13所述的装置，其中，所述无向图构建模块，还用于：获取任一边所连接两个节点归属于不同所述行为标识的次数；
基于所述任一边的次数，确定所述任一边的权重。15.根据权利要求12
‑
14任一项所述的装置，其中，所述词表获取模块，还用于：以所述无向图中任一个节点为目标节点，从所述无向图中采样所述目标节点对应的样本子图；基于所述样本子图对所述图神经网络进行训练，以获取所述无向图中每个节点最终的节点融合向量；以所述历史搜索词和历史候选问题作为候选对象，从所述候选对象中获取出现频率大于各自设定频率的目标对象；基于所述目标对象对应的节点融合向量，生成目标映射词表，其中，所述目标映射词表为所述第一映射词表或为所述第二映射词表。16.根据权利要求15所述的装置，其中，所述词表获取模块，还用于：将多个所述样本子图组成的样本子图组输入图神经网络中，由所述图神经网络对所述样本子图中的节点进行语义向量融合，以输出所述样本子图中目标节点的节点融合向量；根据所述样本子图组中包含的所述目标节点的节点融合向量，确定所述图神经网络的损失函数，并基于所述损失函数对所述图神经网络进行调整，并返回使用下一个样本子图组对调整后的图神经网络继续训练，直至训练结束得到目标图神经网络；从所述无向图中提取每个节点的目标子图，并输入所述目标神经网络进行语义向量融合，以获取所述无向图中每个节点最终的节点融合向量。17.根据权利要求16所述的装置，其中，所述词表获取模块，还用于：由所述图神经网络中的特征融合层，基于所述样本子图中节点之间边的权重，对所述样本子图中每个节点的语义向量进行加权，得到加权融合向量；将所述加权融合向量与所述目标节点的语义向量拼接，生成节点拼接向量；由所述图神经网络中的全连接层对所述节点拼接向量进行全连接，以得到所述目标节点的节点融合向量。18.根据权利要求15所述的装置，其中，所述词表获取模块，还用于：从所述无向图中提取所述目标节点和所述目标节点的邻居节点以及节点之间的边，生成所述样本子图。19.根据权利要求18所述的装置，其中，所述词表获取模块，还用于：获取所述无向图中每个边的权重，基于所述边线的权重，从所述无向图中识别出现频次高的候选边，并调高所述候选边的采样权重。20.根据权利要求12所述的装置，其中，所述行为获取模块，还用于：获取所述历史搜索词的语义向量；基于所述历史搜索词所归属的行为标识、所述历史搜索词和所述历史搜索词的语义向量，形成所述历史搜索词的三元组，所述无向图中携带所述历史搜索词的三元组。21.根据权利要求12所述的装置，其中，所述行为获取模块，还用于：获取所述历史候选问题的语义向量；基于所述历史候选问题所归属的行为标识、所述历史候选问题和所述历史候选问题的语义向量，形成所述历史候选问题的三元组，所述无向图中携带所述历史候选问题的三元组。
22.根据权利要求12所述的装置，其中，所述行为获取模块，还用于：基于所述历史搜索行为，获取历史搜索词；响应于所述历史搜索行为存在历史对话数据，从所述历史对话数据中提取对话问题作为历史候选问题。23.一种电子设备，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
‑
11中任一项所述的方法。24.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1
‑
11中任一项所述的方法。25.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1
‑
11中任一项所述方法的步骤。

技术总结
本公开提供了一种问答推荐方法及其装置，涉及知识图谱领域，尤其涉及人工智能领域。具体实现方案为：采集历史搜索行为，基于历史搜索行为确定历史搜索词和历史候选问题；以历史搜索词为第一类节点，历史候选问题为第二类节点，基于历史搜索行为的行为标识，构建无向图；基于无向图和图神经网络，获取搜索词到问题之间的第一映射词表和问题到问题的第二映射词表；获取目标输入，将目标输入与第一映射词表和第二映射词表进行匹配，得到目标输入对应的推荐问题。本申请对用户历史搜索行为进行分析，获得历史搜索词和历史候选问题对应的无向图，通过无向图反应的各节点之间的关系，获取映射词表，从而对用户的输入进行准确的问题推荐。荐。荐。


技术研发人员：瞿康 刘丽 韩友 阳锋
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：2021.08.25
技术公布日：2021/12/14