申请/专利权人：北京字节跳动网络技术有限公司

申请日：2018-12-20

公开（公告）日：2021-04-27

公开（公告）号：CN109670111B

主分类号：G06F16/9535(20190101)

分类号：G06F16/9535(20190101);G06F16/35(20190101);G06F16/332(20190101)

优先权：

专利状态码：有效-授权

法律状态：2021.04.27#授权;2019.05.17#实质审查的生效;2019.04.23#公开

摘要：本申请实施例公开了用于推送信息的方法和装置。该方法的一具体实施方式包括：接收客户端发送的、用于请求推送信息的语音数据；将语音数据输入至预先训练的分类模型，得到分类结果信息，其中，分类结果信息用于表示语音数据所请求的推送信息所属的预设类别；根据分类结果信息，确定待推送信息；向客户端推送待推送信息。该实施方式向用户提供语音触发信息推送的交互方式，以及实现更精细化的信息推送。

主权项：1.一种用于推送信息的方法，包括：接收客户端发送的、用于请求推送信息的语音数据；将所述语音数据输入至预先训练的分类模型，得到分类结果信息，其中，所述分类结果信息用于表示所述语音数据所请求的推送信息所属的预设类别，预设类别包括基于用户意图划分得到的第一预设类别、第二预设类别、第三预设类别，所述第一预设类别表示所述语音数据所请求的推送信息属于预设子类别，所述第二预设类别表示所述语音数据请求的推送信息为所述语音数据表达的问题的答案，所述第三预设类别表示所述语音数据请求的推送信息为任意的推送信息；根据所述分类结果信息，确定待推送信息；向所述客户端推送所述待推送信息；所述根据所述分类结果信息，确定待推送信息，包括：响应于确定所述分类结果信息表示所述语音数据所请求的推送信息所属的预设类别为第一预设类别，确定所述语音数据所请求的推送信息的子类别信息，其中，所述子类别信息用于表示所述语音数据所请求的推送信息所属的、所述预设类别中的预设子类别；从与所述子类别信息对应的信息集中选取信息作为待推送信息；响应于确定分类结果信息表示所述语音数据所请求的推送信息所属的预设类别为第二预设类别，利用所述语音数据在第二预设类别对应的信息集中进行检索，得到检索结果集；从所述检索结果集中选取检索结果作为待推送信息；响应于确定分类结果信息表示所述语音数据所请求的推送信息所属的预设类别为第三预设类别，在所述第三预设类别对应的信息集中选取信息作为待推送信息；其中，所述确定所述语音数据所请求的推送信息的子类别信息，包括：确定所述语音数据对应的文本数据；将所述文本数据输入至预先训练的子类别信息确定模型，得到所述子类别信息，其中，所述子类别信息确定模型包括特征提取模型和子类别分类模型，特征提取模型用于提取文本数据的、预设属性的属性值，预设属性包括以下至少一项：文本数据指示的人物、文本数据指示的时间、文本数据指示的地理位置。

全文数据：用于推送信息的方法和装置技术领域本申请实施例涉及计算机技术领域，具体涉及用于推送信息的方法和装置。背景技术随着移动互联网的高速发展和普及，涌现了许许多多的客户端应用。越来越多的客户端应用为用户提供了各种各样的功能，用户每天使用各种客户端应用的时间也越来越长。目前，内容类应用是常见的一种、用户活跃度较高的客户端应用。内容类应用可以向用户推送各种类型的信息，而用户则可以快速地浏览大量信息。例如，短视频类应用、音乐类应用、新闻类应用、图片分享类应用等等。内容类应用向用户推送信息的方式通常有两种。一种是由内容类应用的服务器根据用户的历史行为数据，主动向用户推送相关信息。另一种是服务器接收用户通过在客户端的交互操作如上下滑动屏幕、左右滑动屏幕、点击刷新按钮等所触发的信息推送请求，并根据接收的信息推送请求向客户端返回相关信息。发明内容本申请实施例提出了用于推送信息的方法和装置。第一方面，本申请实施例提供了一种用于推送信息的方法，该方法包括：接收客户端发送的、用于请求推送信息的语音数据；将语音数据输入至预先训练的分类模型，得到分类结果信息，其中，分类结果信息用于表示语音数据所请求的推送信息所属的预设类别；根据分类结果信息，确定待推送信息；向客户端推送待推送信息。在一些实施例中，分类模型包括文本确定模型和文本分类模型；以及将语音数据输入至预先训练的分类模型，得到分类结果信息，包括：将语音数据输入至文本确定模型，得到语音数据对应的文本数据；将文本数据输入至文本分类模型，得到分类结果信息。在一些实施例中，根据分类结果信息，确定待推送信息，包括：响应于确定分类结果信息表示语音数据所请求的推送信息所属的预设类别为第一预设类别，确定语音数据所请求的推送信息的子类别信息，其中，子类别信息用于表示语音数据所请求的推送信息所属的、预设类别中的预设子类别；从与子类别信息对应的信息集中选取信息作为待推送信息。在一些实施例中，确定语音数据所请求的推送信息的子类别信息，包括：确定语音数据对应的文本数据；根据文本数据，确定子类别信息。在一些实施例中，根据文本数据，确定子类别信息，包括：将文本数据输入至预先训练的子类别信息确定模型，得到子类别信息。在一些实施例中，根据分类结果信息，确定待推送信息，包括：响应于确定分类结果信息表示语音数据所请求的推送信息所属的预设类别为第二预设类别，利用语音数据在第二预设类别对应的信息集中进行检索，得到检索结果集；从检索结果集中选取检索结果作为待推送信息。在一些实施例中，根据分类结果信息，确定待推送信息，包括：响应于确定分类结果信息表示语音数据所请求的推送信息所属的预设类别为第三预设类别，在第三预设类别对应的信息集中选取信息作为待推送信息。第二方面，本申请实施例提供了一种用于推送信息的装置，该装置包括：接收单元，被配置成接收客户端发送的、用于请求推送信息的语音数据；分类单元，被配置成将语音数据输入至预先训练的分类模型，得到分类结果信息，其中，分类结果信息用于表示语音数据所请求的推送信息所属的预设类别；确定单元，被配置成根据分类结果信息，确定待推送信息；推送单元，被配置成向客户端推送待推送信息。在一些实施例中，分类模型包括文本确定模型和文本分类模型；以及分类单元进一步被配置成：将语音数据输入至文本确定模型，得到语音数据对应的文本数据；将文本数据输入至文本分类模型，得到分类结果信息。在一些实施例中，确定单元进一步被配置成：响应于确定分类结果信息表示语音数据所请求的推送信息所属的预设类别为第一预设类别，确定语音数据所请求的推送信息的子类别信息，其中，子类别信息用于表示语音数据所请求的推送信息所属的、预设类别中的预设子类别；从与子类别信息对应的信息集中选取信息作为待推送信息。在一些实施例中，确定单元进一步被配置成：确定语音数据对应的文本数据；根据文本数据，确定子类别信息。在一些实施例中，确定单元进一步被配置成：将文本数据输入至预先训练的子类别信息确定模型，得到子类别信息。在一些实施例中，确定单元进一步被配置成：响应于确定分类结果信息表示语音数据所请求的推送信息所属的预设类别为第二预设类别，利用语音数据在第二预设类别对应的信息集中进行检索，得到检索结果集；从检索结果集中选取检索结果作为待推送信息。在一些实施例中，确定单元进一步被配置成：响应于确定分类结果信息表示语音数据所请求的推送信息所属的预设类别为第三预设类别，在第三预设类别对应的信息集中选取信息作为待推送信息。第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。第四方面，本申请实施例提供了一种计算机可读介质，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如第一方面中任一实现方式描述的方法。本申请实施例提供的用于推送信息的方法和装置，通过接收客户端发送的、用于请求推送信息的语音数据；将语音数据输入至预先训练的分类模型，得到分类结果信息，其中，分类结果信息用于表示语音数据所请求的推送信息所属的预设类别；根据分类结果信息，确定待推送信息；向客户端推送待推送信息，从而向用户提供语音触发信息推送的交互方式，而且通过分析语音数据所请求的推送信息所属的预设类别，向客户端推送与预设类别对应的信息，实现更精细化的信息推送，进而有助于提升用户粘度、用户的活跃度和留存率。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请的一个实施例可以应用于其中的示例性系统架构图；图2是根据本申请的用于推送信息的方法的一个实施例的流程图；图3是根据本申请的用于推送信息的方法的又一个实施例的流程图；图4是根据本申请实施例的用于推送信息的方法的一个应用场景的示意图；图5是根据本申请的用于推送信息的装置的一个实施例的结构示意图；图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。图1示出了可以应用本申请的用于推送信息的方法或用于推送信息的装置的实施例的示例性架构100。如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如，短视频类应用、网页浏览器类应用、图片分享类应用、新闻类应用等。终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是支持信息推送和语音录入的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。服务器105可以是提供各种服务的服务器，例如支持终端设备101、102、103上所安装的客户端应用的后端服务器。后端服务器可以接收客户端发送的、用于请求推送信息的语音数据，并通过对语音数据的分析等处理，确定待推送信息。之后，可以将确定的待推送信息返回至终端设备。需要说明的是，本申请实施例所提供的用于推送信息的方法一般由服务器105执行，相应地，用于推送信息的装置一般设置于服务器105中。需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。继续参考图2，其示出了根据本申请的用于推送信息的方法的一个实施例的流程200。该用于推送信息的方法包括以下步骤：步骤201，接收客户端发送的、用于请求推送信息的语音数据。在本实施例中，用于推送信息的方法的执行主体如图1所示的服务器105可以接收客户端如图1所示的终端设备101、102、103发送的、用于请求推送信息的语音数据。用户在想要获取推送信息时，可以通过其使用的客户端录入用于请求推送信息的语音数据。客户端可以将用户录入的用于请求推送信息的语音数据发送至上述执行主体。步骤202，将语音数据输入至预先训练的分类模型，得到分类结果信息。在本实施例中，分类结果信息可以用于表示语音数据所请求的推送信息所属的预设类别。具体地，可以由技术人员根据实际的应用需求预先为语音数据所请求的推送信息设置一个或多个类别。其中，分类模型可以对接收到的语音数据进行分类，以确定语音数据所请求的推送信息属于预设的哪个类别。向用户推送信息的一个主要的问题就是需要分析用户的真实需求，或者说识别用户的意图。常见的一种方式就是基于用户的历史行为数据，预测用户的真实需求。由于在分析出用户的真实需求之后，可以缩小待推送信息的检索范围，因此可以检索到更高质量的信息，并向用户推送。基于此，在本实施例中，由技术人员预先将用户的真实需求或者说用户的意图划分为若干类别，在接收到用户的、用于请求推送信息的语音数据时，先确定用户的意图所属的预设类别。然后基于预设类别确定待推送信息，以使可以向用户推送更贴合于用户的真实需求的信息。应当可以理解，具体的划分为哪些类别，以及划分几个类别等都可以根据实际的业务需求和产品需求来确定。例如，一个专门用于推送音乐类信息的服务器和一个专门用于推送财经类信息的服务器所设置的类别种类可能具有很大的不同。可选地，上述分类模型可以通过如下步骤训练得到：步骤一，获取训练样本集。其中，训练样本集中的训练样本可以包括用于请求推送信息的语音数据，以及用于表示语音数据所请求的推送信息所属的预设类别的分类结果信息。实践中，可以由技术人员标注每个训练样本中的语音数据对应的分类结果信息。步骤二，确定初始分类模型。其中，初始分类模型可以是各种类型的未经训练的或未训练完成的人工神经网络。例如初始分类模型可以是深度学习模型。初始分类模型也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。例如，初始分类模型可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合得到的模型。初始分类模型的具体网络结构如需要包括哪些层、每层的层数、卷积核的大小等可以由技术人员根据实际的应用需求确定。步骤三，利用机器学习的方法，将训练样本集中的训练样本中的训练样本中的语音数据作为初始分类模型的输入，将与输入的语音数据对应的分类结果信息作为期望输出，训练得到上述分类模型。具体地，可以基于常用的、适于训练用于分类的模型的损失函数如交叉熵等来训练初始分类模型。其中，损失函数的值可以用来确定训练过程中模型的实际输出与期望的输出的接近程度。然后，可以基于损失函数的值，采用反向传播的方法调整初始分类模型的参数，并在满足预设的训练结束条件的情况下，结束训练。训练完成后，可以将训练完成的初始分类模型确定为上述分类模型。其中，预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长、训练次数超过预设次数、损失函数的值满足一定条件等。在本实施例的一些可选地实现方式中，分类模型可以包括文本确定模型和文本分类模型。此时，可以先将语音数据输入至文本确定模型，得到语音数据对应的文本数据。然后，可以将文本数据输入至文本分类模型，得到分类结果信息。其中，文本确定模型可以基于现有的各种语音识别方法得到。可选地，可以直接获取开源地、已训练好的语音识别模型作为文本确定模型。可选地，也可以采用现有的一些语音识别模型如基于参数模型的隐马尔科夫模型、基于非参数模型的矢量量化算法等的网络结构，利用训练数据训练得到文本确定模型。文本分类模型可以通过如下步骤训练得到：步骤一，获取训练样本集。其中，训练样本集中的训练样本可以包括用于请求推送信息的语音数据对应的文本数据，以及用于表示语音数据所请求的推送信息所属的预设类别的分类结果信息。实践中，可以由技术人员标注每个训练样本中的文本数据对应的分类结果信息。步骤二，确定初始文本分类模型。其中，初始文本分类模型可以由技术人员根据实际的应用需求如需要包括哪些层、每层的层数、卷积核的大小等进行构建，也可以选取现有的一些训练完成或未完成的文本分类模型如Text-CNN文本卷积神经网络、Text-RNN文本循环神经网络等作为初始文本分类模型。步骤三，利用机器学习的方法，将训练样本集中的训练样本中的训练样本中的文本数据作为初始文本分类模型的输入，将与输入的文本数据对应的分类结果信息作为期望输出，训练得到上述文本分类模型。具体地，可以基于常用的、适于训练用于分类的模型的损失函数如交叉熵等来训练上述初始文本分类模型。其中，损失函数的值可以用来确定训练过程中模型的实际输出与期望的输出的接近程度。然后，可以基于损失函数的值，采用反向传播的方法调整初始文本分类模型的参数，并在满足预设的训练结束条件的情况下，结束训练。训练完成后，可以将训练完成的初始文本分类模型确定为上述文本分类模型。其中，预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长、训练次数超过预设次数、损失函数的值满足一定条件等。步骤203，根据分类结果信息，确定待推送信息。在本实施例中，可以将分类结果信息作为确定待推送信息时考虑的一个方面，以使得所确定的待推送信息可以尽可能地符合发送语音数据的客户端对应的用户真实想要的推送信息。具体确定待推送信息的方法可以灵活变化。作为示例，可以先根据用户的历史行为数据确定候选待推送信息集。然后从候选待推送信息集中选取属于分类结果信息指示的预设类别的候选待推送信息作为待推送信息。类似地，当然也可以先确定与分类结果信息指示的预设类别匹配的候选待推送信息集，然后从候选待推送信息集中，根据用户的历史行为数据，选取候选推送信息作为待推送信息。作为示例，也可以根据各种预设类别对应的待推送信息的属性，预先设置不同的确定待推送信息的算法。此时，在得到分类结果信息之后，可以对语音数据执行与分类结果信息指示的预设类别对应的算法来确定待推送信息。实践中，可以由上述执行主体根据分类结果信息，执行对应的算法以确定待推送信息。或者，也可以预先设置分别对应于各种预设类别的终端设备，以分别根据各种预设类别的语音数据，确定待推送信息。此时，上述执行主体在得到分类结果信息之后，可以将语音数据发送至与所述分类结果信息指示的类别对应的终端设备。由终端设备确定待推送信息并发送至上述执行主体。步骤204，向客户端推送待推送信息。本申请的上述实施例提供的方法实现了利用语音数据来触发推送待推送信息的交互方式。而且对接收到的用于请求推送信息的语音数据进行分类，以根据语音数据所属的类别确定待推送信息，从而有助于使得所确定到的待推送信息能够更贴近于语音数据对应的用户的真实意图，同时也可以节省用户得到其所需求的信息所花费的时间、所需要花费的交互成本等。进一步参考图3，其示出了用于推送信息的方法的又一个实施例的流程300。该用于推送信息的方法的流程300，包括以下步骤：步骤301，接收客户端发送的、用于请求推送信息的语音数据。步骤302，将语音数据输入至预先训练的分类模型，得到分类结果信息。上述步骤301和302的具体的执行过程可参考图2对应实施例中的步骤201和202的相关说明，在此不再赘述。步骤303，响应于确定分类结果信息表示语音数据所请求的推送信息所属的预设类别为第一预设类别，确定语音数据所请求的推送信息的子类别信息；从与子类别信息对应的信息集中选取信息作为待推送信息。在本步骤中，子类别信息可以用于表示语音数据所请求的推送信息所属的、预设类别中的预设子类别。第一预设类别可以用于表示语音数据所请求的推送信息还可以进一步划分到更细的一个预设子类别中。换言之，用户想要的待推送信息是属于某一预设子类别的信息。在本步骤中，可以由技术人员根据实际的应用场景预先设置多个预设子类别。例如，若上述执行主体用于向客户端推送各种图片，那么可以预先设置：风景、人物、动漫、中国风等等多个子类别。若上述执行主体用于向客户端推送各种视频，那么可以预先设置：娱乐、体育、财经等等多个子类别。在本步骤中，在确定语音数据对应的用户想要的待推送信息是属于某一预设子类别的信息之后，可以采用各种方法来确定语音数据所请求的推送信息的子类别信息。可选地，可以预先训练细分类模型，并利用细分类模型确定语音数据所请求的推送信息的子类别信息。具体地，可以将语音数据输入至预先训练的细分类模型，得到语音数据所请求的推送信息的子类别信息。其中，细分类模型可以通过如下步骤训练得到：步骤一，获取训练样本集。其中，训练样本集中的训练样本可以包括用于请求推送信息的语音数据，以及语音数据所请求的推送信息的子类别信息。实践中，可以由技术人员标注每个训练样本中的语音数据对应的子类别信息。步骤二，确定初始细分类模型。其中，初始细分类模型可以是各种类型的未经训练的或未训练完成的人工神经网络。例如初始细分类模型可以是深度学习模型。初始细分类模型也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。例如，初始细分类模型可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合得到的模型。初始细分类模型的具体网络结构如需要包括哪些层、每层的层数、卷积核的大小等可以由技术人员根据实际的应用需求设置。步骤三，利用机器学习的方法，将训练样本集中的训练样本中的训练样本中的语音数据作为初始细分类模型的输入，将输入的语音数据的子类别信息作为期望输出，训练得到上述细分类模型。具体地，可以基于常用的、适于训练用于分类的模型的损失函数如交叉熵等来训练初始细分类模型。其中，损失函数的值可以用来确定训练过程中模型的实际输出与期望的输出的接近程度。然后，可以基于损失函数的值，采用反向传播的方法调整初始细分类模型的参数，并在满足预设的训练结束条件的情况下，结束训练。训练完成后，可以将训练完成的初始细分类模型确定为上述细分类模型。其中，预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长、训练次数超过预设次数、损失函数的值满足一定条件等。可选地，可以先确定语音数据对应的文本数据，然后根据文本数据，确定语音数据的子类别信息。其中，可以利用现有的各种语音识别算法确定语音数据对应的文本数据。而基于文本数据，也可以采用多种不同的方法来确定语音数据对应的子类别信息。可选地，可以针对每种预设子类别，预先设置对应的关键词库。在确定了语音数据对应的文本数据之后，可以利用现有的各种关键词提取算法提取文本数据的关键词。之后，可以计算提取的文本数据的关键词与各个预设子类别对应的关键词库的相似度。然后选取最大相似度对应的预设子类别的子类别信息作为语音数据对应的子类别信息。其中，对于任一预设子类别对应的关键词库，该关键词库与所提取的文本数据的关键词的相似度可以用提取的文本数据的关键词与该关键词库中的各个关键词的相似度的平均值或加权平均值来表示。可选地，可以将文本数据输入至预先训练的子类别信息确定模型，得到子类别信息。其中，子类别信息确定模型可以通过如下步骤训练得到：步骤一，获取训练样本集。其中，训练样本集中的训练样本可以包括用于请求推送信息的语音数据对应的文本数据，以及语音数据所请求的推送信息的子类别信息。实践中，可以由技术人员标注每个训练样本中的文本数据对应的子类别信息。步骤二，确定初始子类别信息确定模型。其中，初始子类别信息确定模型可以由技术人员根据实际的应用需求如需要包括哪些层、每层的层数、卷积核的大小等进行构建。初始子类别信息确定模型也可以选取现有的一些训练完成或未完成的文本分类模型如Text-CNN文本卷积神经网络、Text-RNN文本循环神经网络等作为初始文本分类模型。可选地，初始子类别信息确定模型可以包括初始特征提取模型和初始子类别分类模型。其中，初始特征提取模型可以用于提取文本数据的、预设属性的属性值。其中，预设属性可以由技术人员根据实际的应用场景来设置。作为示例，预设属性包括但不限于：文本数据指示的人物、文本数据指示的时间、文本属性指示的地理位置等。初始特征提取模型所输出的属性值可以作为初始子类别分类模型的输入，初始子类别分类模型可以输出子类别信息。具体地，可以选取现有的一些用于槽填充slotfilling的模型作为上述初始特征提取模型，可以选取现有的一些训练完成或未完成的文本分类模型如Text-CNN文本卷积神经网络、Text-RNN文本循环神经网络等作为初始文本分类模型初始子类别分类模型。步骤三，利用机器学习的方法，将训练样本集中的训练样本中的训练样本中的文本数据作为初始子类别信息确定模型的输入，将与输入的文本数据对应的子类别信息作为初始子类别信息确定模型的期望输出，训练得到上述子类别信息确定模型。具体地，可以基于常用的、适于训练用于分类的模型的损失函数如交叉熵等来训练上述初始子类别信息确定模型。其中，损失函数的值可以用来确定训练过程中模型的实际输出与期望的输出的接近程度。然后，可以基于损失函数的值，采用反向传播的方法调整初始子类别信息确定模型的参数，并在满足预设的训练结束条件的情况下，结束训练。训练完成后，可以将训练完成的初始子类别信息确定模型确定为上述子类别信息确定模型。其中，预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长、训练次数超过预设次数、损失函数的值满足一定条件等。需要说明的是，对于初始子类别信息确定模型由两个或两个以上的子模型组成的情况，例如初始子类别信息确定模型由初始特征提取模型和初始子类别分类模型组成时，还可以先训练其中一个子模型，然后固定训练好的那个子模型的参数，再训练另一个子模型。具体地的训练方式多种多样，不同的训练方式所需的训练数据可能有所不同。本申请对此不做限制。步骤304，响应于确定分类结果信息表示语音数据所请求的推送信息所属的预设类别为第二预设类别，利用语音数据在第二预设类别对应的信息集中进行检索，得到检索结果集；从检索结果集中选取检索结果作为待推送信息。在本步骤中，第二预设类别可以用于表示语音数据所请求的推送信息是语音数据所表达的问题的检索结果或者说答案。这种情况下，语音数据表示的可以是一个问题，即用户想要的待推送信息是所问的问题的答案。应当可以理解，语音数据可以是一个用于提问的疑问句，也可以是肯定句式，但用于表达一个问题。例如，语音数据对应的文本数据可以为“XX电视的片尾曲是什么？”，也可以为“我想听XX电视的片尾曲”。在本步骤中，可以预先设置第二预设类别对应的信息集。其中，信息集可以是上述执行主体所存储的信息集，也可以是第三方数据源所提供的信息集。在确定语音数据所请求的推送信息所属的预设类别为第二预设类别之后，可以基于语音数据在第二预设类别对应的信息集中进行检索，以得到检索结果集。之后，可以从检索结果集选取检索结果作为待推送信息。例如，可以从检索结果集中随机选取一个检索结果，也可以从检索结果集中选取第一个检索结果作为待推送信息。步骤305，响应于确定分类结果信息表示语音数据所请求的推送信息所属的预设类别为第三预设类别，在第三预设类别对应的信息集中选取信息作为待推送信息。在本步骤中，第三预设类别可以用于表示语音数据所请求的推送信息可以为任意的推送信息，即用户想随便浏览信息，没有明确的限定想要浏览的信息的内容。这种情况下，可以直接在第三预设类别对应的信息集中选取信息作为待推送信息。具体地选取方式可以灵活设置。例如，可以从第三预设类别对应的信息集中随机选取信息作为待推送信息，也可以从第三预设类别对应的信息集中选取最新存储的信息作为待推送信息等等。其中，第三预设类别对应的信息集可以由技术人员预先指定。步骤306，向客户端推送待推送信息。继续参见图4，图4是根据本实施例的用于推送信息的方法的应用场景的一个示意图400。在图4的应用场景中，用户可以通过使用的客户端录制用于请求推送信息的语音数据401，然后发送至上述执行主体。如图中所示，语音数据为“我想看XX的球赛”。上述执行主体在接收到语音数据401之后，可以将语音数据输入至分类模型402。如图中所示，分类模型402用于确定输入的语音数据属于预设的“第一预设类别”、“第二预设类别”、“第三预设类别”中的哪一种预设类别。第一预设类别可以用于表示语音数据所请求的推送信息还可以进一步划分到更细的一个预设子类别中。第二预设类别可以用于表示语音数据所请求的推送信息是语音数据所表达的问题的答案。第三预设类别可以用于表示语音数据所请求的推送信息可以为任意的推送信息。如图中标号403所示，语音数据401属于第一预设类别。因此，可以将语音数据401输入至子类别信息确定模型404。如图中所示，子类别信息确定模型404用于确定输入的语音数据属于预设的“娱乐”、“体育”、“财经”中的哪一个子类别。如图中标号405所示，语音数据401属于“体育”这一子类别。因此，可以从“体育”这一子类别对应的信息集406中选取推送信息，即用户所需的“球赛”407发送至客户端。从图3中可以看出，与图2对应的实施例相比，本实施例中的用于推送信息的方法的流程300突出了将用户需求的推送信息划分为三种预设类别。一种是用户想要随意浏览一些信息，一种是用户提出问题，想要获取问题的答案，一种是用户所需的推送信息可以进一步划分至某一个预设子类别。根据需求的信息所属的预设类别的不同，对应采用不同的方法确定待推送信息并推送至用户所使用的终端设备。由于纯粹的根据用户历史行为数据向用户推送信息，容易出现用户意图识别错误的情况，而这种将用户的意图进行细分的方式，可以使得用户接收的推送信息可以更符合用户的真实需求。另外，在用户所需的推送信息可以进一步划分至某一个预设子类别时，可以在对应的子类别下进一步选取待推送信息，使得用户可以接收到更高质量的推送信息。进一步参考图5，作为对上述各图所示方法的实现，本申请提供了用于推送信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。如图5所示，本实施例提供的用于推送信息的装置500包括接收单元501、分类单元502、确定单元503和推送单元504。其中，接收单元501，被配置成接收客户端发送的、用于请求推送信息的语音数据；分类单元502，被配置成将语音数据输入至预先训练的分类模型，得到分类结果信息，其中，分类结果信息用于表示语音数据所请求的推送信息所属的预设类别；确定单元503，被配置成根据分类结果信息，确定待推送信息；推送单元504，被配置成向客户端推送待推送信息。在本实施例中，用于推送信息的装置500中：接收单元501、分类单元502、确定单元503和推送单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。在本实施例的一些可选的实现方式中，分类模型包括文本确定模型和文本分类模型；以及分类单元502进一步被配置成：将语音数据输入至文本确定模型，得到语音数据对应的文本数据；将文本数据输入至文本分类模型，得到分类结果信息。在本实施例的一些可选的实现方式中，确定单元503进一步被配置成：响应于确定分类结果信息表示语音数据所请求的推送信息所属的预设类别为第一预设类别，确定语音数据所请求的推送信息的子类别信息，其中，子类别信息用于表示语音数据所请求的推送信息所属的、预设类别中的预设子类别；从与子类别信息对应的信息集中选取信息作为待推送信息。在本实施例的一些可选的实现方式中，确定单元503进一步被配置成：确定语音数据对应的文本数据；根据文本数据，确定子类别信息。在本实施例的一些可选的实现方式中，确定单元503进一步被配置成：将文本数据输入至预先训练的子类别信息确定模型，得到子类别信息。在本实施例的一些可选的实现方式中，确定单元503进一步被配置成：响应于确定分类结果信息表示语音数据所请求的推送信息所属的预设类别为第二预设类别，利用语音数据在第二预设类别对应的信息集中进行检索，得到检索结果集；从检索结果集中选取检索结果作为待推送信息。在本实施例的一些可选的实现方式中，确定单元503进一步被配置成：响应于确定分类结果信息表示语音数据所请求的推送信息所属的预设类别为第三预设类别，在第三预设类别对应的信息集中选取信息作为待推送信息。本申请的上述实施例提供的装置，通过接收单元接收客户端发送的、用于请求推送信息的语音数据；分类单元将语音数据输入至预先训练的分类模型，得到分类结果信息，其中，分类结果信息用于表示语音数据所请求的推送信息所属的预设类别；确定单元根据分类结果信息，确定待推送信息；推送单元向客户端推送待推送信息，从而向用户提供语音触发信息推送的交互方式，而且通过分析语音数据所请求的推送信息所属的预设类别，向客户端推送与预设类别对应的信息，实现更精细化的信息推送，进而有助于提升用户粘度、用户的活跃度和留存率。下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。如图6所示，计算机系统600包括中央处理单元CPU601，其可以根据存储在只读存储器ROM602中的程序或者从存储部分608加载到随机访问存储器RAM603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。输入输出IO接口605也连接至总线604。以下部件连接至IO接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管CRT、液晶显示器LCD等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至IO接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和或从可拆卸介质611被安装。在该计算机程序被中央处理单元CPU601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器RAM、只读存储器ROM、可擦式可编程只读存储器EPROM或闪存、光纤、便携式紧凑磁盘只读存储器CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品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，该模块、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，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示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。描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括接收单元、分类单元，确定单元和推送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“接收客户端发送的、用于请求推送信息的语音数据的单元”。作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：接收客户端发送的、用于请求推送信息的语音数据；将语音数据输入至预先训练的分类模型，得到分类结果信息，其中，分类结果信息用于表示语音数据所请求的推送信息所属的预设类别；根据分类结果信息，确定待推送信息；向客户端推送待推送信息。以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的但不限于具有类似功能的技术特征进行互相替换而形成的技术方案。

权利要求：1.一种用于推送信息的方法，包括：接收客户端发送的、用于请求推送信息的语音数据；将所述语音数据输入至预先训练的分类模型，得到分类结果信息，其中，所述分类结果信息用于表示所述语音数据所请求的推送信息所属的预设类别；根据所述分类结果信息，确定待推送信息；向所述客户端推送所述待推送信息。2.根据权利要求1所述的方法，其中，所述分类模型包括文本确定模型和文本分类模型；以及所述将所述语音数据输入至预先训练的分类模型，得到分类结果信息，包括：将所述语音数据输入至所述文本确定模型，得到所述语音数据对应的文本数据；将所述文本数据输入至所述文本分类模型，得到所述分类结果信息。3.根据权利要求1或2所述的方法，其中，所述根据所述分类结果信息，确定待推送信息，包括：响应于确定所述分类结果信息表示所述语音数据所请求的推送信息所属的预设类别为第一预设类别，确定所述语音数据所请求的推送信息的子类别信息，其中，所述子类别信息用于表示所述语音数据所请求的推送信息所属的、所述预设类别中的预设子类别；从与所述子类别信息对应的信息集中选取信息作为待推送信息。4.根据权利要求3所述的方法，其中，所述确定所述语音数据所请求的推送信息的子类别信息，包括：确定所述语音数据对应的文本数据；根据所述文本数据，确定所述子类别信息。5.根据权利要求4所述的方法，其中，所述根据所述文本数据，确定所述子类别信息，包括：将所述文本数据输入至预先训练的子类别信息确定模型，得到所述子类别信息。6.根据权利要求1或2所述的方法，其中，所述根据所述分类结果信息，确定待推送信息，包括：响应于确定分类结果信息表示所述语音数据所请求的推送信息所属的预设类别为第二预设类别，利用所述语音数据在第二预设类别对应的信息集中进行检索，得到检索结果集；从所述检索结果集中选取检索结果作为待推送信息。7.根据权利要求1或2所述的方法，其中，所述根据所述分类结果信息，确定待推送信息，包括：响应于确定分类结果信息表示所述语音数据所请求的推送信息所属的预设类别为第三预设类别，在所述第三预设类别对应的信息集中选取信息作为待推送信息。8.一种用于推送信息的装置，包括：接收单元，被配置成接收客户端发送的、用于请求推送信息的语音数据；分类单元，被配置成将所述语音数据输入至预先训练的分类模型，得到分类结果信息，其中，所述分类结果信息用于表示所述语音数据所请求的推送信息所属的预设类别；确定单元，被配置成根据所述分类结果信息，确定待推送信息；推送单元，被配置成向所述客户端推送所述待推送信息。9.根据权利要求8所述的装置，其中，所述分类模型包括文本确定模型和文本分类模型；以及所述分类单元进一步被配置成：将所述语音数据输入至所述文本确定模型，得到所述语音数据对应的文本数据；将所述文本数据输入至所述文本分类模型，得到所述分类结果信息。10.根据权利要求8或9所述的装置，其中，所述确定单元进一步被配置成：响应于确定所述分类结果信息表示所述语音数据所请求的推送信息所属的预设类别为第一预设类别，确定所述语音数据所请求的推送信息的子类别信息，其中，所述子类别信息用于表示所述语音数据所请求的推送信息所属的、所述预设类别中的预设子类别；从与所述子类别信息对应的信息集中选取信息作为待推送信息。11.根据权利要求10所述的装置，其中，所述确定单元进一步被配置成：确定所述语音数据对应的文本数据；根据所述文本数据，确定所述子类别信息。12.根据权利要求11所述的装置，其中，所述确定单元进一步被配置成：将所述文本数据输入至预先训练的子类别信息确定模型，得到所述子类别信息。13.根据权利要求8或9所述的装置，其中，所述确定单元进一步被配置成：响应于确定分类结果信息表示所述语音数据所请求的推送信息所属的预设类别为第二预设类别，利用所述语音数据在第二预设类别对应的信息集中进行检索，得到检索结果集；从所述检索结果集中选取检索结果作为待推送信息。14.根据权利要求8或9所述的装置，其中，所述确定单元进一步被配置成：响应于确定分类结果信息表示所述语音数据所请求的推送信息所属的预设类别为第三预设类别，在所述第三预设类别对应的信息集中选取信息作为待推送信息。15.一种服务器，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。16.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

百度查询： 北京字节跳动网络技术有限公司 用于推送信息的方法和装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD