问题推荐方法和装置与流程

1.本公开涉及互联网信息推荐技术，特别涉及问题推荐方法和装置。


背景技术：

2.目前，在例如一些互联网购物平台上的商品详情页中，设置有例如“问大家”之类的用户问答模块。在这样的用户问答模块中，买家在购物之前可以是向已经购买该商品的买家提问，也可以在购买之前浏览其他用户的提问和回答。
3.每天有数以千万计的用户会通过浏览问大家场景的问题，对是否购买进行辅助决策。这样，在针对一个商品已有多个问题及相应回答的情况下，这些问题的排序就显得尤为重要。
4.期望有一种问题推荐方法，能够将问题更高效地展示给用户。


技术实现要素：

5.本公开要解决的一个技术问题是提供一种例如互联网购物平台上商品详情页上的用户问答模块中可用的问题推荐方案，其能够将问题更高效地展示给用户。
6.根据本公开的第一个方面，提供了一种问题推荐方法，包括：将待推荐问题的问题文本特征输入到训练好的问题推荐模型，得到针对待推荐问题的预测分数；以及基于预测分数对待推荐问题进行排序或推荐。
7.可选地，问题推荐模型的输入特征包括待推荐问题的问题维度特征和当前用户的用户维度特征，问题维度特征至少包括问题文本特征。
8.可选地，问题维度特征还包括下述至少一项：问题行为热度特征、问题静态信息特征、答案文本特征；并且/或者用户维度特征包括下述至少一项：用户历史行为特征、用户个性化画像。
9.可选地，用户历史行为特征包括下述至少一项：用户点击过的问题的问题文本特征、用户点击过的问题的答案文本特征。
10.可选地，问题文本特征是基于问题文本所包括的多个词得到的词特征向量；并且/或者答案文本特征是基于答案文本所包括的多个词得到的词特征向量。
11.可选地，问题推荐模型包括第一多层神经网络、第二多层神经网络、第三多层神经网络，第一多层神经网络对问题维度特征进行组合处理，得到问题特征组合，第二多层神经网络对用户维度特征进行组合处理，得到用户特征组合，第三多层神经网络对问题特征组合和用户特征组合进行组合，得到综合特征组合。
12.可选地，第一多层神经网络对问题的问题文本特征和答案文本特征进行组合处理；第三多层神经网络还接收问题行为热度特征和/或问题静态信息特征作为输入。
13.根据本公开的第二个方面，提供了一种商品信息呈现方法，包括：显示商品信息页，商品信息页包括第一区域和第二区域，第一区域显示商家设置的商品信息，第二区域用于显示其他用户参与该商品交互过程产生的问题；针对第一用户，在第二区域中显示一个
或多个第一问题；以及针对第二用户，在第二区域中显示一个或多个第二问题，第一问题和第二问题不同。
14.可选地，该方法还可以包括：针对第一用户，在第二区域中显示分别与一个或多个第一问题对应的第一答案；针对第二用户，在第二区域中显示分别与一个或多个第二问题对应的第二答案。
15.可选地，该方法还可以包括：响应于用户对第二区域的操作，显示问题列表页，问题列表页显示其他用户参与该商品交互过程产生的一个或多个问题的问题列表，其中，针对第一用户，在问题列表页中显示第一问题列表，针对第二用户，在问题列表页中显示第二问题列表，在第一问题列表和第二问题列表中，问题的排列顺序不同。
16.可选地，对于同一个用户，在不同商品的商品信息页的第二区域中显示的问题具有相同或相似的文本特征。
17.可选地，对于不同用户，在相同商品的商品信息页的第二区域中显示的问题具有不相同且不相似的文本特征。
18.根据本公开的第三个方面，提供了一种问题推荐装置，包括：预测装置，用于将待推荐问题的问题文本特征输入到训练好的问题推荐模型，得到针对待推荐问题的预测分数；以及推荐装置，用于基于预测分数对待推荐问题进行排序或推荐。
19.根据本公开的第四个方面，提供了一种计算设备，包括：处理器；以及存储器，其上存储有可执行代码，当可执行代码被处理器执行时，使处理器执行如上述第一或第二个方面所述的方法。
20.根据本公开的第五个方面，提供了一种非暂时性机器可读存储介质，其上存储有可执行代码，当可执行代码被电子设备的处理器执行时，使处理器执行如上述第一或第二个方面所述的方法。
21.由此，通过更加泛化的问题表示特征，借助神经网络的强大表示能力，对于新增问题的排序/推荐可以提供更进一步的优化。
附图说明
22.通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。
23.图1示出了根据本公开实施例的问题推荐方法的示意性流程图。
24.图2示出了根据本公开实施例的问题推荐装置的示意性框图。
25.图3示出了对应于问题文本特征的词特征向量的示例。
26.图4示出了本公开可以使用的问题推荐模型的示例性网络架构。
27.图5示意性地示出了根据本公开的问题推荐方案的流程示意图。
28.图6a和6b示意性地示出了为不同用户呈现的不同商品详情页。
29.图7a和7b示意性地示出了为不同用户呈现的不同问题列表页。
30.图8a和8b示意性地示出了为不同用户呈现的不同问题详情页。
31.图9示出了根据本发明一实施例可用于实现上述问题推荐方法的计算设备的结构示意图。
具体实施方式
32.下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
33.在互联网购物平台的商品详情页中，诸如“问大家”之类的用户问答模块是一种对于买家购买决策有重要意义的场景。
34.为了进一步提升用户获取信息的效率，本公开提出了一种基于深度神经网络的用户个性化问题排序模型。
35.【术语解释】
36.为使本公开所描述的方案更加清晰易懂，首先对一些术语的含义做简单解释如下。
37.商品详情页：互联网购物平台上用于描述商品信息的详情页。
38.用户问答模块：商品详情页中的问答模块，可以由买家提出问题，问题会发送给已购买过该商品的买家进行邀请回答，最后展示在商品的详情页中，形成问答的组合。
39.问题列表页：用于集合展示问题的页面，包含每个问题的描述。在一些情况下，可以进一步呈现一条买家回答的答案。
40.问题详情页：用户选中问题列表页中某个问题，例如点击该问题或针对该问题的描述之后，可以进入到的新页面，其中包含所选中的当前问题的全部回答内容。
41.用户历史日志：记录用户在列表页中浏览问题时，有哪些问题被实际曝光，以及有哪些问题被用户实际点击。用户历史日志可以写入离线数据之中。
42.页面停留时长：用户在点击问题列表页中的问题之后，进入到问题详情页中浏览的时间长短。
43.曝光点击率：对于每个问题的曝光，都有一定概率会被用户点击，这个点击率即为用户对每一个曝光问题的点击可能性的评估衡量。通常可以利用问题的历史点击次数，除以历史曝光次数，作为曝光点击率的近似表示。
44.个性化排序：根据不同用户的不同喜好，为其展示不同的排序结果，带来更有效率的个性化展示。
45.冷启动问题：在问题的排序中，如果对于新增的问题，是没有历史行为积累的，依赖于历史统计的特征就会失效，此时对于新增问题完全陌生的情况下，排序无法得到准确的预估。
46.有监督学习：有监督学习就是通过数据的特征与对应的标签，通过训练过程，可以自己找到特征和标签之间的联系，即训练模型。预测时，输入只有特征没有标签的数据，可以根据已经训练好的模型判断出标签的值。
47.泛化性：泛化性指算法模型对未知数据的预测能力，对具有同一规律的数据集合以外的数据，经过训练的模型也能给出正确的合理预测输出，该能力称为泛化能力。
48.深度神经网络：由输入的线性组合与非线性变换得到输出的单元结构组成了基本的计算节点，由多层计算节点组合而成行程了网络，被称为神经网络的计算能力更强的网络模型。深度神经网络通过堆叠网络层结构，以用于抽象更复杂的特征和计算表示，有更强
的计算能力。
49.【方案简述】
50.下面，首先参考图1和图2简述根据本公开实施例的问题推荐方案。
51.图1示出了根据本公开实施例的问题推荐方法的示意性流程图。
52.图2示出了可用于实施上述问题推荐方法的问题推荐装置的示意性框图。如图2所示，根据本公开实施例的问题推荐装置200可以包括预测装置210和推荐装置220。
53.返回图1，在步骤s110，例如可以通过预测装置210，将待推荐问题的相关特征输入到已训练好的问题推荐模型中，得到针对待推荐问题的预测分数。
54.然后，可以在步骤s120，例如可以通过推荐装置220，基于预测分数对待推荐问题进行排序或推荐。
55.由此，可以使用例如基于深度神经网络或其它各种机器学习模型的问题推荐模型，对待推荐问题进行预测，并相应进行排序或推荐，从而可以在针对同一商品具有大量问题或问答信息的情况下实现高效的展示。
56.下面，进一步描述根据本公开的问题推荐方案的实施例。在实施例一中，以待推荐问题的问题文本特征作为相关特征输入到已训练好的问题推荐模型中，以进行预测。在实施例二中，则向问题推荐模型输入更多的特征，大致可以分为问题维度特征和用户维度特征。
57.【实施例一】
58.在实施例一中，以待推荐问题的问题文本特征作为上述相关特征，在步骤s110，输入到已训练好的问题推荐模型中，以便得到针对待推荐问题的预测分数。
59.这里，问题文本特征可以是基于问题文本所包括的多个词得到的词特征向量。
60.下面简要描述一下问题文本特征的提取方法。
61.可以准备问题词典vocab，词典中收录各种相关问题中可能涉及的词，形成一个词的集合。
62.问题词典vocab可以收录已知常用的大量词。或者，问题词典vocab也可以只收录在问题中常出现的、能够表征问题特点的词。对于一些无助于问题特征表征的字词，可以忽略。
63.在使用中文的情况下，这里的词可以包括两个或更多个汉字。或者，有些汉字本身也可以作为一个词，即一些词可以是仅包括一个汉字。
64.这样，各种问题可以分别映射为对应的词特征向量。词特征向量的维度与问题词典vocab所收录的词的数量v(也可以称为“问题词典vocab的大小”)相等。
65.将问题词典vocab中的词排序。词特征向量的各个位分别对应于问题词典vocab中的各个词。
66.如果问题文本中包含问题词典vocab中的某个词，则在该问题文本的词特征向量中对应于该词的位为“1”(或者相反，为“0”)，以表示存在该词。如果问题文本中不包含问题词典vocab中的某个词，则在该问题文本的词特征向量中对应于该词的位为“0”(或者相反，为“1”)，以表示不存在该词。
67.在一些情况下，还可以将同义词或近义词视为同一个词，或者说，将多个同义词或近义词对应于词特征向量中的同一个位。只要问题文本中包含这些同义词或近义词中的任
何一个，则将对应的位设置为表示存在的“1”(或者相反，为“0”)。
68.这样，可以将问题文本表示为一个维度为v的{0,1}向量，可以称为该问题文本的词特征向量。问题文本的词特征向量中，问题文本中出现的(问题词典中收录的)词对应的位可以置为“1”(或者相反，为“0”)，以表示存在该词；其它位可以置为“0”(或者相反，为“1”)，以表示不存在该词。
69.这样，对问题文本进行拆分处理，将其拆分为多个词。然后根据从问题文本拆分得到的词，映射得到该问题文本对应的词特征向量。
70.另外，在一些情况下，还可以进一步输入待推荐问题对应的答案文本特征。类似地，答案文本特征可以是基于答案文本所包括的多个词得到的词特征向量。
71.基于与上述问题文本处理方法类似的方法针对答案文本进行处理，可以得到对应于答案文本的词特征向量，作为答案文本特征。
72.在获取对应于答案文本的词特征向量时，所采用的答案词典可以与上述问题词典vocab相同。或者，答案词典可以是针对答案专门整理的不同于问题词典vocab的词典，其中收录各种问题的各种相关答案可能涉及的词。
73.对应于答案文本的词特征向量是维度与答案词典中包含的词的数量相同的{0,1}向量。答案文本的词特征向量中，答案文本中出现的(答案词典中收录的)词对应的位可以置为“1”(或者相反，为“0”)，以表示存在该词；其它位可以置为“0”(或者相反，为“1”)，以表示不存在该词。
74.图3示出了对应于问题文本特征的词特征向量的示例。
75.在图3所示的示例中，问题词典vocab依次包括词“请问”、“尺码”、“耐磨”、“是否”、“可以”、“容易”、“吸水”、“色差”、“水洗
”……
76.对于问题“请问是否可以是水洗”，将其进行拆分处理后，得到四个词：“请问”、“是否”、“可以”、“水洗”。这四个词分别为问题词典vocab中第1、4、5、9个词。换言之，该问题文本中包含问题词典vocab中第1、4、5、9个词。因此，该问题“请问是否可以是水洗”对应的词特征向量中第1、4、5、9个位可以置为“1”，以表示存在对应的词；其它位可以置为“0”，以表示不存在对应的词。
77.应当明白，在预测阶段，问题推荐模型使用问题文本特征和/或答案文本特征作为输入特征。相应地，在模型训练阶段，可以基于已经积累了用户行为记录(例如大量用户对问题的曝光、点击、浏览等行为信息)的问题的问题文本特征(作为特征)和用户行为统计信息(作为标签)得到训练样本，对问题推荐模型进行训练，让问题推荐模型找到特征和标签之间的联系，以便对没有对应标签的问题文本特征进行预测。
78.这样，在实施例一的方案中，使用问题文本特征作为输入特征来进行预测。即使对于没有先前的历史行为记录的新问题，也可以基于问题本身的信息来进行预测，而不需要等待实际发生用户曝光、点击、浏览等行为以提供历史行为信息作为预测基础。
79.换言之，实施例一的方案能够有效地应对新增问题的“冷启动”问题。在模型训练阶段，基于已具有用户行为记录的问题的问题文本得到训练样本，对问题推荐模型进行了训练。这样，在线上预测阶段，在对于新增问题还没有相应用户行为记录的情况下，能够将已有问题的历史反馈特征有效地迁移泛化到新增问题中，实现对新增问题的有效预测。
80.【实施例二】
81.在实施例二中，除了可以如实施例一中那样，向问题推荐模型输入待预测问题的问题文本特征和/或答案文本特征，还可以输入更多特征作为预测依据。
82.在实施例二中，问题推荐模型的输入特征大致可以分为问题维度特征和用户维度特征。
83.1.问题维度特征
84.问题维度特征中除了可以包括上述实施例一中所提到的问题文本特征和答案文本特征，还可以进一步包括问题行为热度特征、问题静态信息特征。
85.a.问题文本特征
86.为了使问题有更多的泛化性表示，使历史问题能复用到之前没有反馈行为的新建问题中，可以加入问题的文本描述特征，即问题文本特征。文本描述越相似，一定程度上表示问题之间提供内容越相似的信息。这样，使用历史问题的文本描述特征来训练模型，然后基于待预测问题的文本描述特征来进行预测，可以基于问题文本之间的相似性来进行预测。
87.问题文本特征的生成方法可以与上文实施例一中描述的生成方法相同，在此不再赘述。
88.b.答案文本特征
89.每个问题都有对应的回答答案内容。与问题的描述一样，答案也可以在一定程度表示问题的内容。所以，也可以将答案内容也加入到问题维度的特征表示中，即答案文本特征。
90.答案文本特征的生成方法可以与上文实施例一中描述的生成方法相同，在此不再赘述。
91.可以对一个问题的每个答案分别生成词特征向量，综合得到问题的答案文本特征。或者，也可以将一个问题的所有答案其中选定的部分答案组合(例如分值较高的答案或点击次数较多的答案或字数较多的答案)作为一个文本，生成一个词特征向量，作为问题的答案文本特征。
92.另外，也可以将问题和答案组合起来作为一个文本，获取统一词特征向量，作为该问题的文本特征向量表示，即问题文本特征。
93.c.问题行为热度特征
94.问题行为热度特征用于描述问题自有的行为热度。通过对问题历史行为(即大量用户对该问题的历史行为)进行统计，历史的点击率比较高的问题，可以一定程度说明该问题收到了更多用户的选择。
95.问题行为特征可以包括问题在历史一定时期(例如7天、15天)内的曝光次数和点击次数。另外，问题行为特征还可以包括问题点击之后历史的平均页面停留时长。
96.可以对这些统计值进行函数变换以得到对应的特征。所得到的特征可以直接输入给推荐模型。
97.本实施例中选取的特征变化函数可以为底数为e的自然对数ln(x)，x为0时，取其值为0，即：
98.99.d.问题静态信息特征
100.问题静态信息特征可以包括问题的一些与时间无关的属性特征，或者与用户行为和/或问题内容实质无关的特征，例如问题的文本长度、问题的答案数目、问题创建时间距离当前天数等。
101.2.用户维度特征
102.针对用户维度的个性化问题展示和排序，可以参考能体现用户偏好的特征信息，即用户维度特征。
103.用户维度特征可以包括用户历史行为特征和/或用户个性化画像。
104.a.用户历史行为特征
105.本实施例所采用的用户历史行为特征还可以包括用户在用户问答模块(场景)中点击过的问题。通过参考用户的历史点击的问题偏好，可以发掘用户在用户问答场景中的不同偏好。
106.点击浏览过的问题通过问题和/或相应答案的文本来描述，可以通过问题文本特征和/或用户点击过的问题的答案文本特征来表示。
107.与上文中针对待预测问题描述的一样，对于用户点击过的问题，问题文本特征也可以是基于问题文本所包括的多个词得到的词特征向量。答案文本特征同样也可以是基于答案文本所包括的多个词得到的词特征向量。相应词特征向量的生成方法可以与实施例一中所描述的方法相同，在此不再赘述。
108.可以首先对每个历史问题进行上述文本特征处理，分别表示为维度为v(问题词典vocab)的向量。然后，可以将历史行为中的多个问题合并表示为每个问题的词特征向量的并集，换言之，最终得到用户历史所有问题文本的集合的一个词特征向量，作为历史行为特征中的历史问题文本特征。
109.同样地，也可以对各个历史问题的答案进行上述文本特征处理，合并多个答案的词特征向量，得到用户历史所有问题的答案文本集合的一个词特征向量，作为历史行为特征中的历史答案文本特征。
110.或者，可以将问题和该问题的所有答案或部分答案组合(例如分值较高的答案或点击次数较多的答案或字数较多的答案)合并为一个文本，生成一个词特征向量。然后通过求并集，得到用户历史所有问题的文本的集合的一个词特征向量，作为历史行为特征中的历史问题文本特征。
111.b.用户个性化画像
112.用户的个性化画像可以用于表征用户的自身固有属性，例如性别、年龄段、购买商品均价、购买能力等维度的特征表示，可以表示为值在{0,1}内的向量。
113.3.问题推荐模型的网络架构
114.问题推荐模型例如可以是基于深度神经网络的预测/推荐模型。
115.图4示出了本公开可以使用的问题推荐模型的示例性网络架构。
116.该深度神经网络模型可以包括第一多层神经网络410、第二多层神经网络420、第三多层神经网络430。
117.第一多层神经网络410对上述问题维度特征(例如问题的问题文本特征、答案文本特征、问题类别等静态信息特征等)进行组合处理，得到问题特征组合。
118.第二多层神经网络420对上述用户维度特征(例如用户描述词、性别、年龄、购买力等)进行组合处理，得到用户特征组合。
119.第三多层神经网络430对上述问题特征组合和上述用户特征组合进行组合，得到综合特征组合，最终预测得到一个是否点击(0/1)的预测结果。第三多层神经网络430还可以接收问题行为热度特征(例如7日pv(页面浏览量)、7日点击量、15日pv、15日点击量、平均停留时长等)和/或问题静态信息特征(例如问题长度、答案数量、问题创建时间等)作为输入。
120.本实施例中，一方面根据不同用户的购买习惯和偏好，可以为用户推荐更关心的内容；另一方面，通过更加泛化的问题表示特征，借助神经网络的强大表示能力，对于新增问题的排序/推荐也可以提供更进一步的优化。
121.【应用示例】
122.下面，参考图5描述一下本公开的问题推荐方案的一个应用示例。
123.图5示意性地示出了根据本公开的问题推荐方案的流程示意图。
124.如图5所示，首先，收集用户在商品详情页上的用户问答模块(用户问答场景)的反馈日志，可以得到用户点击日志。
125.用户点击日志可以包括两方面：用户维度的日志反馈和用户对问题的历史反馈。
126.用户维度的日志反馈主要可以收集用户在问题列表页的曝光和点击情况，例如获取到信息条目《用户，问题，曝光/点击》。该用户维度的日志反馈可以作为用户的训练样本数据，同时也可以作为用户的历史反馈行为特征。
127.关于用户对问题的历史反馈，例如，可以对用户历史上最近7天和/或基于用户点击日志可以生成离线训练样本。最近15天点击的问题统计之后进行收集。
128.从用户点击日志中可以收集/构造用户维度特征和问题维度特征。
129.如上文所述，问题维度特征可以包括：历史行为热度特征、问题静态信息特征、问题文本特征、答案文本特征等。
130.用户维度特征则可以包括：用户的历史行为特征、用户的个性化用户画像。
131.组合用户维度特征和问题维度特征、曝光/点击的标签信息以及历史反馈统计信息，可以得到离线训练样本。
132.将离线训练样本输入神经网络模型，对模型进行训练，从而进一步更新模型。
133.基于训练/更新后的模型，可以在线对待推荐问题进行分数预测、排序、推荐等操作处理。
134.在线预测/排序/推荐时，首先，基于当前用户的历史行为和个性化画像构建用户维度特征，基于当前待推荐问题(候选问题)的历史行为(热度)统计数据、问题相关静态信息以及问题和/或答案的文本内容等，构建问题维度特征。
135.使用问题推荐模型的例如多层神经网络模型，对当前用户的用户维度特征、当前待推荐问题的问题维度特征组合，分别各自通过多层神经网络层得到更深层次的特征组合，最后合并在一起得到预测分数。预测分数例如可以表示用户点击该问题的概率分值等。由此，可以在多个问题中进行排序/推荐，从而完成对每个用户的问题排序结果，返回给线上展示的页面。
136.在本公开的问题推荐方案中，针对用户维度的个性化问题展示和排序，参考了能
体现用户历史行为偏好的特征信息。
137.另一方面，对于例如冷启动的困难，即针对新增问题，通过引入问题和/或答案文本特征，能够将已有问题的历史反馈特征有效地迁移泛化到新问题中。
138.本公开的问题推荐方案通过神经网络的强大表示能力，将用户的特征以及问题文本类的特征结合在一起表示为更高级的特征，实现用户维度结合问题维度的个性化问题排序模型。
139.在例如互联网购物平台的商品详情页上的用户问答模块中，就问题本身而言，每天都有十万量级的新问题产生。对于新问题是没有历史用户行为信息可以用来作为参考。所以能将新问题有效的融合进入排序也是一个让系统持续有效运行的一个重要的能力。而且，与问题相关的答案内容也可以作为问题的补充信息，帮助问题做更好地扩展泛化。
140.另一方面，对于热门的商品，会存在大量相关提问和回答。对于用户而言，从大量问答中获取自己关注信息的效率变得很低。所以针对不同购买偏好的用户，为其推荐更贴近自身意图偏好的问题，是能够给用户决策效率带来很大提升的，从而进一步地优化了用户的购买决策链路的体验。例如，如果用户在浏览商品时，更在乎尺码和价格等信息，那么为该用户在场景中推荐与价格尺码相关的问题，会更加吸引用户的点击，从而更有效率的获取购物决策信息。
141.对于用户在问题列表页场景中的浏览效率评估，可以通过线上日志中用户在问题上的曝光点击率来衡量。如果用户在问题列表页中有更高的点击率，同时在点击之后对于问题有更长时间的浏览，则可以认为加入了个性化因素的问题排序会对用户带来更有效率的展示。
142.现有的用户问答模块中的问题排序方案更多考虑的是问题自身的热度，根据问题历史的表现来预估问题本身的一个热度。
143.一方面，对于新增的问题，由于没有历史行为的统计信息，与存量问题混排时会因为缺失这部分特征，所以会无法更准确、高效地与存量问题混合排序在一起。除了行为特征以外，没有更多有效的利用其它可以泛化的特征。
144.对于例如冷启动的问题，由于以往的模型中只考虑了问题的历史反馈行为特征，所以对于新增问题，得不到充分的衡量，无法通过历史特征来预估问题的质量和热度。
145.本公开通过加入问题维度的文本类特征，在训练学习过程，通过文本类的特征的表示，可以将相似描述的问题特性和热度信息学到。这样，新增问题的冷启动困难可以得到一定程度的缓解。无历史行为的问题也可以通过历史中具有类似文本的问题的点击率来进行估计和预测。
146.另一方面，现有方案中，对于不同的用户没有个性化的推荐，所有用户看到的是通用的排序结果。对于不同的浏览用户，没有根据用户的历史行为偏好，做出千人千面的效果，以做到最大程度满足不同需求的用户的购买推荐。
147.本公开通过加入用户的个性化信息，问题的排序得到了进一步的细化。用户画像类的特征，例如用户性别、年龄等特征对于用户浏览问题有很大的影响，不同性别的决策特性、不同年龄段的参考问题因素都会在不同的问题上有显著的差异，所以加入这部分特征可以进一步根据人群做出更精准的推荐。
148.而且，在问题排序的自身场景中，用户历史更加偏好怎样的问题，也能描绘出用户
的倾向和喜好，可以提炼出用户更加关注的问题焦点，所以加入这部分特征可以更好地拟合用户的喜好。
149.通过实现用户的个性化排序，并且在线上真实的场景进行流量投放，分为基准和测试的两组实验，基准实验中是只基于问题自身的历史反馈行为进行预测/排序/推荐，测试实验中则采用本公开的问题推荐方案中基于深度神经网络的个性化排序模型。实验对比数据中可以看到，加入个性化的问题排序效果相对基准实验有相对4％的问题点击率提升，对于用户的问题浏览提供了更有效率的展示结果。
150.下面，参考图6a至8b中的显示界面示例，进一步描述根据本公开的商品信息呈现方法。
151.在用户(例如用户a和用户b)请求浏览相同的商品x时，可以为用户a和用户b分别呈现不同的商品信息页(例如，也可以称为“商品详情页”)。图6a示意性地示出了为用户a呈现的商品详情页600a，图6b示意性地示出了为用户b呈现的商品详情页600b。
152.如图6a和6b所示，商品信息页600a和600b均可以包括第一区域610和第二区域620。
153.第一区域610显示商家设置的商品信息。针对同一个商品x，在商品详情页600a和商品详情页600b中呈现的内容可以是相同的。
154.第二区域620用于显示其他用户参与该商品交互过程产生的问题。
155.如图6a所示，针对用户a，在第二区域620中显示一个或多个第一问题，例如图6a中示出了两个问题q1、q2。
156.如图6b所示，针对用户b，在第二区域620中显示一个或多个第二问题，例如图6b中示出了两个问题q5、q6。
157.如上文所述，通过采用根据本公开的本公开的问题推荐方法，第一问题q1、q2和第二问题q5、q6可以是不同的。
158.另外，在一些实施例中，还可以在第二区域620中附带地示出相应问题的一个或多个答案(回答)。
159.如图6a所示，针对用户a，在第二区域620中显示与问题q1对应的、用户u11的回答a11；与问题q2对应的、用户u21的回答a21。
160.如图6b所示，针对用户b，在第二区域620中显示与问题q5对应的、用户u51的回答a51；与问题q6对应的、用户u61的回答a61。
161.另外，还可以显示出针对各个问题，还有多少个回答。
162.响应于用户a和用户b对第二区域620的操作，可以进一步显示问题列表页。问题列表页显示其他用户参与该商品交互过程产生的一个或多个问题的问题列表。
163.图7a示意性地示出了为用户a呈现的问题列表页700a，图7b示意性地示出了为用户b呈现的问题列表页700b。
164.问题列表页700a和700b可以都具有第三区域710和第四区域720。
165.在第三区域710中显示所针对商品x的简要信息，对于不同的用户，第三区域710中针对相同的商品x所显示的内容可以相同。
166.在第四区域720中，可以显示分别针对用户a和用户b的问题列表。
167.如图7a所示，针对用户a，在问题列表页700a中第四区域720显示第一问题列表，其
中示意性示出了排序前几项的问题q1、q2、q3、q4。
168.针对各个问题，可以有一个或多个回答。在问题列表页700a中，针对每个问题，可以分别列出一项回答，例如用户u11针对问题q1的回答a11；用户u21针对问题q2的回答a21；用户u31针对问题q3的回答a31；用户u41针对问题q4的回答a41。另外，还可以分别注明，针对该问题还有多少个回答。
169.如图7b所示，针对用户b，在问题列表页700b中第四区域720显示第二问题列表，其中示意性地示出了排序前几项的问题q5、q6、q4、q3。
170.同样地，针对各个问题，可以有一个或多个回答。在问题列表页700b中，针对每个问题，可以分别列出一项回答，例如用户u51针对问题q5的回答a51；用户u61针对问题q6的回答a61；用户u41针对问题q4的回答a41；用户u31针对问题q3的回答a31。另外，还可以分别注明，针对该问题还有多少个回答。
171.如图7a和7b所示，由于采用上述根据本公开的问题推荐/排序方法，在第一问题列表和第二问题列表中，问题的排列顺序是不同的。
172.由于采用了上述根据本公开的问题推荐方法，在问题推荐/排序时考虑了问题本身的文本特征，所以，对于同一个用户，在不同商品的商品信息页的第二区域620中显示的问题可以具有相同或相似的文本特征，该文本特征可以与该用户的历史行为和/或用户个性化画像等信息所体现的偏好、倾向、关注点等相匹配。
173.另一方面，同样由于在问题推荐/排序时考虑了问题本身的文本特征，对于不同用户，在相同商品的商品信息页的第二区域620中显示的问题可以因用户的偏好、倾向、关注点等不同而具有不相同且不相似的文本特征。
174.图8a和8b分别示意性地示出了为用户a和b呈现的不同问题详情页800a和800b。
175.假设用户a在第四区域720中点选了问题q1，用户b在第四区域720中点选了问题q5，则分别进入相应的问题详情页。
176.在第五区域810中显示所针对商品x的简要信息，对于不同的用户，第五区域810中针对相同的商品x所显示的内容可以相同。
177.在第六区域820中分别显示用户a和用户b所点选的问题q1和q5的信息，例如问题本身的详情及提问者uq1、uq2的信息等。
178.在第七区域830中则可以分别列出一个或多个用户针对相应问题给出的回答。例如，针对问题q1，可以有用户u11的回答a11，用户u12的回答a12；针对问题q5，可以有用户u51的回答a51，用户u52的回答a52，用户u53的回答a53，用户u54的回答a54，用户u55的回答等。
179.这样，针对相同的商品，在商品详情页中可以为不同用户显示不同的问题，在问题列表页中可以为不同用户以不同的排列顺序显示多个问题，便于用户选择自己所关心的问题，从而查看问题详情及其他用户已相应给出的回答。
180.图9示出了根据本发明一实施例可用于实现上述问题推荐方法的计算设备的结构示意图。
181.参见图9，计算设备900包括存储器910和处理器920。
182.处理器920可以是一个多核的处理器，也可以包含多个处理器。在一些实施例中，处理器920可以包含一个通用的主处理器以及一个或多个特殊的协处理器，例如图形处理
器(gpu)、数字信号处理器(dsp)等等。在一些实施例中，处理器920可以使用定制的电路实现，例如特定用途集成电路(asic，application specific integrated circuit)或者现场可编程逻辑门阵列(fpga，field programmable gate arrays)。
183.存储器910可以包括各种类型的存储单元，例如系统内存、只读存储器(rom)，和永久存储装置。其中，rom可以存储处理器920或者计算机的其它模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器910可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(dram，sram，sdram，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器910可以包括可读和/或写的可移除的存储设备，例如激光唱片(cd)、只读数字多功能光盘(例如dvd-rom，双层dvd-rom)、只读蓝光光盘、超密度光盘、闪存卡(例如sd卡、min sd卡、micro-sd卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
184.存储器910上存储有可执行代码，当可执行代码被处理器920处理时，可以使处理器920执行上文述及的问题推荐方法。
185.上文中已经参考附图详细描述了根据本发明的问题推荐方案。
186.此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中限定的上述各步骤的计算机程序代码指令。
187.或者，本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本发明的上述方法的各个步骤。
188.本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
189.附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
190.以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨
在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。