社区间信息融合方法、装置、计算机设备与存储介质与流程

1.本技术涉及人工智能自然语言理解技术领域，特别是涉及一种社区间信息融合方法、装置、计算机设备与存储介质。


背景技术：

2.随着互联网以及大数据技术的发展，基于信息科技与公共生活平台的深度融合策略，智慧社区概念对应的app(application，手机软件)为社区居民提供了一个便捷的信息窗口。居民们可以在社区app上实现在线报修、防疫登记、生活缴费、办事通知以及政策解读等等便民服务事项，除此之外，类似社区论坛的功能还搭起了社区与居民们之间的沟通平台。社区app依托互联网技术，方便快捷的带给人们更好的生活体验和工作便利。
3.目前传统的社区app，居民用户需要注册并通过所在社区认证，只能看到加入的所在社区的相关论坛信息与便民服务，无法越权接触到其他社区的信息。但不同社区的用户可能提出过相同或类似的报修问题、求助帖子，这类经验数据目前无法贯通使用，导致了大量公共资源与人力的浪费。且某些用户活跃度不高的社区，也会由于信息较少，导致用户逐渐流失。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够基于社区app上所有社区的经验数据，快速给提问用户找到解决办法的社区间信息融合方法、装置、计算机设备与存储介质。
5.第一方面，本技术提供了一种社区间信息融合方法，所述方法包括：
6.获取当前发布文本；
7.根据所述当前发布文本，提取所述当前发布文本对应的词向量；
8.根据所述词向量，采用预设问题分类模型得到所述词向量对应的分类结果；其中，所述预设问题分类模型根据预设问题解决方法数据库训练得到，所述预设问题解决方法数据库包括所有社区的历史信息；所述分类结果包括问题与解决方法；
9.在所述分类结果为问题时，根据所述词向量在所述预设问题解决方法数据库中匹配得到当前解决方法文本。
10.在其中一个实施例中，所述根据所述当前发布文本，提取所述当前发布文本对应的词向量，包括：
11.获取所述当前发布文本的各分词对应的嵌入向量，拼接后得到所述当前发布文本对应的整体嵌入向量；
12.计算所述当前发布文本的各分词的词频-逆向文件频率值；
13.根据所述各分词的词频-逆向文件频率值对所述整体嵌入向量进行过滤后，提取得到所述当前发布文本对应的词向量。
14.在其中一个实施例中，所述预设问题解决方法数据库的建立过程，包括：
15.获取预设发布文本，并对所述预设发布文本进行问题或解决方法的标注；
16.将所述标注为问题的预设发布文本与所述标注为解决方法的预设发布文本创建对应关系，得到所述预设问题解决方法数据库。
17.在其中一个实施例中，在所述获取预设发布文本，并对所述预设发布文本进行问题或解决方法的标注之后，将所述标注为问题的预设发布文本与所述标注为解决方法的预设发布文本创建对应关系之前，还包括：
18.创建情感词典，并对所述情感词典中的分词对应分配情感权重；
19.若所述预设发布文本中存在分词属于所述情感词典，根据所述分词对应的情感权重，将对应的问题或解决方法的标注增加情感标签。
20.在其中一个实施例中，所述预设问题分类模型的训练过程，包括：
21.获取标注的训练数据集，所述训练数据集中包括各训练文本，各所述训练文本从所述预设问题解决方法数据库中获取；
22.根据所述标注的训练数据集，训练得到所述预设问题分类模型。
23.在其中一个实施例中，所述在所述分类结果为问题时，根据所述词向量在所述预设问题解决方法数据库中匹配得到当前解决方法文本之后，所述方法还包括：
24.根据所述当前解决方法文本获取反馈参数；
25.将所述当前发布文本、所述当前解决方法文本以及所述反馈参数创建对应关系，并存储至所述预设问题解决方法数据库。
26.第二方面，本技术还提供了一种社区间信息融合装置，所述装置包括：
27.获取模块，用于获取当前发布文本；
28.提取模块，用于根据所述当前发布文本，提取所述当前发布文本对应的词向量；
29.分类模块，用于根据所述词向量，采用预设问题分类模型得到所述词向量对应的分类结果；其中，所述预设问题分类模型根据预设问题解决方法数据库训练得到，所述预设问题解决方法数据库包括所有社区的历史信息；所述分类结果包括问题与解决方法；
30.匹配模块，用于在所述分类结果为问题时，根据所述词向量在所述预设问题解决方法数据库中匹配得到当前解决方法文本。
31.在其中一个实施例中，所述提取模块用于获取所述当前发布文本的各分词对应的嵌入向量，拼接后得到所述当前发布文本对应的整体嵌入向量；
32.还用于计算所述当前发布文本的各分词的词频-逆向文件频率值；
33.还用于根据所述各分词的词频-逆向文件频率值对所述整体嵌入向量进行过滤后，提取得到所述当前发布文本对应的词向量。
34.在其中一个实施例中，所述分类模块中的所述预设问题解决方法数据库的建立过程，包括：
35.获取预设发布文本，并对所述预设发布文本进行问题或解决方法的标注；
36.将所述标注为问题的预设发布文本与所述标注为解决方法的预设发布文本创建对应关系，得到所述预设问题解决方法数据库。
37.在其中一个实施例中，所述分类模块中的所述预设问题解决方法数据库的建立过程，还包括：
38.创建情感词典，并对所述情感词典中的分词对应分配情感权重；
39.若所述预设发布文本中存在分词属于所述情感词典，根据所述分词对应的情感权重，将对应的问题或解决方法的标注增加情感标签。
40.在其中一个实施例中，所述分类模块中的所述预设问题分类模型的训练过程，包括：
41.获取标注的训练数据集，所述训练数据集中包括各训练文本，各所述训练文本从所述预设问题解决方法数据库中获取；
42.根据所述标注的训练数据集，训练得到所述预设问题分类模型。
43.在其中一个实施例中，所述装置还包括：
44.反馈模块，用于根据所述当前解决方法文本获取反馈参数，将所述当前发布文本、所述当前解决方法文本以及所述反馈参数创建对应关系，并存储至所述预设问题解决方法数据库。
45.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
46.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
47.上述社区间信息融合方法、装置、计算机设备和存储介质，能对用户当前发布文本进行关键词向量的提取，并根据该词向量采用预设问题分类模型得到分类结果，分类结果包括问题与解决方法，因此可根据分类结果判断用户是否在提出问题，若判断为是在提出问题，则根据该词向量在预设问题解决方法数据库中匹配得到该问题对应的解决方法，并将该解决方法推荐给用户，使得用户能在第一时间得到相应的解决方法。本方案不仅解决了在社区app中由于不同社区信息不互通，导致当不同社区的用户提出相同的问题时，需要技术人员重复回答或解决相同的问题，导致的浪费公共资源与人力的问题。同时也能保证在活跃度小的社区论坛中给出用户解决方法，避免用户提出问题却得不到解答，而导致的该社区群众流失的情况。
附图说明
48.图1为一个实施例中社区间信息融合方法的应用环境图；
49.图2为一个实施例中社区间信息融合方法的流程示意图；
50.图3为另一个实施例中社区间信息融合方法的流程示意图；
51.图4为另一个实施例中社区间信息融合方法的流程示意图；
52.图5为另一个实施例中社区间信息融合方法的流程示意图；
53.图6为一个实施例中社区间信息融合装置的结构框图；
54.图7为一个实施例中计算机设备的内部结构图。
具体实施方式
55.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
56.本技术实施例提供的社区间信息融合方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。具体地，服务器104通过终端102获取当前发布文本；根据当前发布文本，提取当前发布文本对应的词向量；根据词向量，采用预设问题分类模型得到词向量对应的分类结果；其中，预设问题分类模型根据预设问题解决方法数据库训练得到，预设问题解决方法数据库包括所有社区的历史信息；分类结果包括问题与解决方法；在分类结果为问题时，根据词向量在预设问题解决方法数据库中匹配得到当前解决方法文本。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
57.在一个实施例中，如图2所示，提供了一种社区间信息融合方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
58.步骤202：获取当前发布文本。
59.其中，当前发布文本可以是一句话，也可以是一段文字，还可以是一整个文档。具体地，当前发布文本来自于终端102上运行的社区app中，可以是用户提交的事务报修单，也可以是在论坛或贴吧发布的帖子以及评论。服务器104从终端102上获取当前发布文本的方式，在本技术的实施例中不做限定。
60.步骤204：根据当前发布文本，提取当前发布文本对应的词向量。
61.其中，由于当前发布文本是日常自然语言的表达，可能存在很多常见的词语，这类词语是为了语句的完整性，但对语义表达并没有帮助作用。因此，为了提高后续的数据处理效率，需要对当前发布文本的各分词进行重要分词的提取，确定当前发布文本对应的具有场景表达、区分能力的词向量。可以理解为根据词向量可以确定出上述当前发布文本对应表达的场景，也可以根据词向量快速找到类似的场景表达。
62.在一个实施例中，基于自然语言的分词理论，对当前发布文本进行分词，确定当前发布文本中的各分词。其中，分词的方式可以是基于词典分词算法和基于统计的机器学习算法中的至少一种。基于词典分词算法主要包括正向最大匹配法、逆向最大匹配法和双向匹配分词法等，基于统计的机器学习算法主要包括支持向量机和深度学习等。嵌入向量(embedding)能够采用较低维度的向量对自然语言文本进行编码还能保留其含义，适合用于对当前发布文本进行分词。
63.在一个实施例中，获取当前发布文本的各分词对应的嵌入向量，拼接后得到当前发布文本对应的整体嵌入向量；计算当前发布文本的各分词的词频-逆向文件频率值；根据各分词的词频-逆向文件频率值对整体嵌入向量进行过滤后，提取得到当前发布文本对应的词向量。
64.步骤206：根据词向量，采用预设问题分类模型得到词向量对应的分类结果；其中，预设问题分类模型根据预设问题解决方法数据库训练得到，预设问题解决方法数据库包括所有社区的历史信息；分类结果包括问题与解决方法。
65.具体地，根据上述计算得到的当前发布文本对应的词向量，将其输入预设问题分
类模型中，即可得到该词向量对应的分类结果。其中，分类结果包括问题与解决方法，即预设问题分类模型对应的两个输出。
66.在一个实施例中，预设问题分类模型根据预设问题解决方法数据库训练得到，训练过程包括从预设问题解决方法数据库中获取标注的训练数据集；再根据标注的训练数据集，训练得到预设问题分类模型。
67.在一个实施例中，预设问题解决方法数据库包括社区app中所有社区的历史信息。具体地，先从所有社区的历史信息中获取预设发布文本，并对预设发布文本进行问题或解决方法的标注；将标注为问题的预设发布文本与标注为解决方法的预设发布文本创建对应关系，得到预设问题解决方法数据库。在一个实施例中，预设问题解决方法数据库中的标注为问题的预设发布文本与标注为解决方法的预设发布文本还包含情感标签。
68.步骤208：在分类结果为问题时，根据词向量在预设问题解决方法数据库中匹配得到当前解决方法文本。
69.具体地，在当前发布文本根据预设问题分类模型得到对应的分类结果为问题时，表示用户在社区app中进行提问。那么，将根据该当前发布文本对应的词向量在预设问题解决方法数据库中，根据其词频-逆向文件频率值匹配得到相似的问题词向量，并将该相似的问题词向量对应的解决方法文本推送给该用户。
70.上述社区间信息融合方法，能对用户当前发布文本进行关键词向量的提取，并根据该词向量采用预设问题分类模型，判断用户是否在提出问题，若是则根据该词向量在预设问题解决方法数据库中匹配得到对应的解决方案，将其推荐给用户，使得用户能在第一时间得到相应的解决方案，以解决不同社区信息不互通，而用户提出相同问题导致浪费公共资源与人力的问题，也能减少用户提出问题却得不到解答的情况。
71.在一个实施例中，如图3所示，步骤204根据当前发布文本，提取当前发布文本对应的词向量的步骤，包括：
72.步骤302：获取当前发布文本的各分词对应的嵌入向量，拼接后得到当前发布文本对应的整体嵌入向量。
73.其中，嵌入向量为当前发布文本中的各分词对应的编码向量，获取当前发布文本的各分词对应的嵌入向量，可以是从预设的分词对应嵌入向量的预设表中获取，也可以通过本领域技术人员认可的得到分词对应的嵌入向量的方法获取，具体过程在本技术的实施例中不做限定。
74.进一步地，获取到当前发布文本的各分词对应的嵌入向量后，将各分词对应的嵌入向量按照文字表达顺序进行拼接，即得到当前发布文本的整体嵌入向量。可以理解，每一当前发布文本均对应有唯一的整体嵌入向量。
75.步骤304：计算当前发布文本的各分词的词频-逆向文件频率值。
76.其中，词频-逆向文件频率值(tf-idf,term frequency-inverse document frequency)是一种用于资讯检索与资讯探勘的加权评价指标，用以评估一分词对于一个文件集或一个语料库中的其中一份文件的重要程度。分词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。其中，分词在文件中出现的次数为词频(term frequency,tf)，分词在语料库中出现的频率为逆向文件频率(inverse document frequency,idf)，两者的乘积即可得到分词对应的词频-逆向文件频
率值。
77.具体地，对应计算当前发布文本中每一分词的词频-逆向文件频率值。
78.步骤306：根据各分词的词频-逆向文件频率值对整体嵌入向量进行过滤后，提取得到当前发布文本对应的词向量。
79.其中，对整体嵌入向量根据各分词的词频-逆向文件频率值进行过滤时，过滤的方式可以是采用预设的词频-逆向文件频率阈值进行过滤，预设的词频-逆向文件频率阈值可以根据实际的经验值进行设定，不作限定。另外，进行过滤的方式也可以是本领域技术人员认可的其他方式。
80.具体地，将低于预设的词频-逆向文件频率阈值的分词对应的嵌入向量进行滤除，根据高于预设的词频-逆向文件频率阈值的分词对应的嵌入向量，排列得到的整体嵌入向量作为当前发布文本对应的词向量。
81.在一个实施例中，如图4所示，步骤206中的预设问题解决方法数据库的建立过程，包括：
82.步骤401：获取预设发布文本，并对预设发布文本进行问题或解决方法的标注。
83.其中，预设发布文本与当前发布文本的获取方式一致，获取来源也一致。预设发布文本来自于终端102上运行的社区app中所有社区的历史信息，上述历史信息可以是用户提交的事务报修单，也可以是在论坛或贴吧发布的帖子以及评论。
84.具体地，获取社区app中所有社区已发布的预设发布文本，并对所有的预设发布文本进行标注。其中，标注的类型包括问题及解决方法。标注的方式可以是人工标注，也可以是采用机器进行标注，还可以是此采用第三方的数据标注服务，例如amazon mechanical turk，荟萃app等。在标注过程中，需要预先创建对应的问题词典与解决方法词典，若预设发布文本中存在分词属于问题词典，则对该预设发布文本进行问题标注；若预设发布文本中存在分词属于解决方法词典，则对该预设发布文本进行解决方法标注。其中，问题词典与解决方法词典的创建方法可采用本领域技术人员认可的方式，本技术实施例不作赘述。
85.进一步地，针对所有社区的历史信息中获取的预设发布文本，可收集k个问题标注和k个解决方法标注。可以理解，k的取值并不固定，在搜集的历史数据中，k的值越大，得到的前期标注数据越多，从而对场景的推荐就会越准确。
86.步骤404：将标注为问题的预设发布文本与标注为解决方法的预设发布文本创建对应关系，得到预设问题解决方法数据库。
87.在一个实施例中，对标注为问题的预设发布文本与标注为解决方法的预设发布文本提取对应的词向量。具体地，获取各预设发布文本的各分词对应的嵌入向量，拼接后得到各预设发布文本对应的整体嵌入向量；计算各预设发布文本的各分词的词频-逆向文件频率值；根据各分词的词频-逆向文件频率值对各预设发布文本的整体嵌入向量进行过滤后，提取得到各预设发布文本对应的词向量。其中，提取对应的词向量的过程可参考上文描述，在此不赘述。
88.其中，预设问题解决方法数据库为通过问题索引，找到对应解决方法的数据库，即可以理解每一问题均对应一个解决方法。在一个实施例中，将标注为问题的预设发布文本与标注为解决方法的预设发布文本创建对应关系，得到预设问题解决方法数据库。其中，预设问题解决方法数据库包含问题与解决方案的一一对应表，对应表的每一行包括标注为问
题的预设发布文本以及其词向量、标注为解决方法的预设发布文本以及其词向量，对应表的行数为k。
89.在一个实施例中，如图4所示，在步骤401之后，步骤404之前，还包括：
90.步骤402：创建情感词典，并对情感词典中的分词对应分配情感权重。
91.具体地，情感词典中的分词均为情感类词语表达，通过数据收集整理后，预先归纳得到。其中，根据文字表达习惯，情感词典中的分词也有程度区分，需要对应分配情感权重，以描述其情感程度。其中，情感权重为正时，代表该分词为正向表达；情感权重为负时，代表该分词为负向表达。另外，权重较大时，代表偏向程度约大；权重较小时，代表偏向程度约小。例如，“怪”一字在大多数情况下都是属于负向表达，但是句子“味道怪好闻的”却属于正向表达，因此怪字的情感权重会比较偏负面，约-0.75左右。
92.步骤403：若预设发布文本中存在分词属于情感词典，根据分词对应的情感权重，将对应的问题或解决方法的标注增加情感标签。
93.具体地，若预设发布文本中存在分词属于情感词典，根据分词对应的情感权重，将预设问题解决方法数据库中对应的问题或解决方法的标注增加情感标签。其中，情感标签包括正向表达与对应的情感权重、负向表达与对应的情感权重。
94.在一个实施例中，若预设发布文本中不存在分词属于情感词典，则不对预设发布文本增加情感标签。
95.在一个实施例中，若预设发布文本中存在两个以上的分词属于情感词典，根据分词对应的情感权重的乘积，将预设问题解决方法数据库中对应的问题或解决方法的标注增加情感标签。
96.在一个实施例中，如图5所示，步骤206中的预设问题分类模型的训练过程，包括：
97.步骤502：获取标注的训练数据集，训练数据集中包括各训练文本，各训练文本从预设问题解决方法数据库中获取。
98.具体地，预设问题分类模型的训练数据集来自于预设问题解决方法数据库，训练文本包括一组组对应的标注为问题的预设发布文本与标注为解决方法的预设发布文本，可以理解，训练文本可以为其对应的词向量。
99.步骤504：根据标注的训练数据集，训练得到预设问题分类模型。
100.具体地，根据标注的训练数据集，将问题和解决方法的分类分别作为训练任务，对待训练网络模型进行训练，得到预设问题分类模型。其中，预设问题分类模型可以用于对文本属于问题还是解决方法进行分类。在一个实施例中，训练过程将训练数据集按3:7分成训练集和测试集，在训练的正确率》90％时，代表模型训练成功，得到预设问题分类模型。
101.在一个实施例中，在训练模型时，训练方法可以是卷积神经网络(convolutional neural networks，cnn)或递归神经网络(recursive neural network，rnn)，还可以是textrcnn(recurrent convolutional neural networks for text classification)，在本实施例中，采用textrcnn模型算法进行训练，因为其更擅长捕获更长的序列信息，在训练过程中textrcnn先利用双向rnn得到每个分词的前向和后向上下文的表示，这样各分词的表示就变成词向量和前向后向上下文向量拼接起来的形式了，最后再接跟textcnn相同卷积层与池化层完善模型结构。
102.在一个实施例中，如图2所示，步骤208之后，方法还包括：
103.步骤210：根据当前解决方法文本获取反馈参数。
104.具体地，在用户得到推荐的当前解决方法文本后，对应得到其反馈参数。其中，该反馈参数的获取方式并不唯一，可以是在社区app对应位置设置点赞或反馈等方式获取，也可以是通过回访其是否解决了问题等方式获取，不做此限定。
105.步骤212：将当前发布文本、当前解决方法文本以及反馈参数创建对应关系，并存储至预设问题解决方法数据库。
106.具体地，在获取得到反馈参数后，将将当前发布文本、当前解决方法文本以及反馈参数创建新的一条对应关系，存储至预设问题解决方法数据库，预备为预设问题分类模型的训练集，用以提高预设问题分类模型的分类准确率。
107.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
108.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的社区间信息融合方法的社区间信息融合装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个社区间信息融合装置实施例中的具体限定可以参见上文中对于社区间信息融合方法的限定，在此不再赘述。
109.在一个实施例中，如图6所示，提供一种社区间信息融合装置，包括：获取模块610、提取模块620、分类模块630以及匹配模块640，其中：
110.获取模块610，用于获取当前发布文本。
111.提取模块620，用于根据当前发布文本，提取当前发布文本对应的词向量。
112.分类模块630，用于根据词向量，采用预设问题分类模型得到词向量对应的分类结果；其中，预设问题分类模型根据预设问题解决方法数据库训练得到，预设问题解决方法数据库包括所有社区的历史信息；分类结果包括问题与解决方法。
113.匹配模块640，用于在分类结果为问题时，根据词向量在预设问题解决方法数据库中匹配得到当前解决方法文本。
114.在一个实施例中，提取模块610用于获取当前发布文本的各分词对应的嵌入向量，拼接后得到当前发布文本对应的整体嵌入向量；提取模块610还用于计算当前发布文本的各分词的词频-逆向文件频率值；提取模块610还用于根据各分词的词频-逆向文件频率值对整体嵌入向量进行过滤后，提取得到当前发布文本对应的词向量。
115.在一个实施例中，分类模块630中的预设问题解决方法数据库的建立过程，包括：
116.获取预设发布文本，并对预设发布文本进行问题或解决方法的标注；
117.将标注为问题的预设发布文本与标注为解决方法的预设发布文本创建对应关系，得到预设问题解决方法数据库。
118.在一个实施例中，分类模块630中的预设问题解决方法数据库的建立过程，还包括：
119.创建情感词典，并对情感词典中的分词对应分配情感权重；
120.若预设发布文本中存在分词属于情感词典，根据分词对应的情感权重，将对应的问题或解决方法的标注增加情感标签。
121.在一个实施例中，分类模块630中的预设问题分类模型的训练过程，包括：
122.获取标注的训练数据集，训练数据集中包括各训练文本，各训练文本从预设问题解决方法数据库中获取；
123.根据标注的训练数据集，训练得到预设问题分类模型。
124.在一个实施例中，如图6所示，社区间信息融合装置还包括反馈模块650：
125.反馈模块650，用于根据当前解决方法文本获取反馈参数，将当前发布文本、当前解决方法文本以及反馈参数创建对应关系，并存储至预设问题解决方法数据库。
126.关于社区间信息融合装置的具体限定可以参见上文中对于社区间信息融合方法的限定，在此不再赘述。上述社区间信息融合装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
127.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设问题解决方法数据库中的发布文本数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种社区间信息融合方法。
128.本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
129.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的社区间信息融合方法的步骤。
130.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的社区间信息融合方法的步骤。
131.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
132.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器
(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
133.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
134.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。