具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。

经过发明人大量研究发现，现有技术中，一般在线客服对话小结都是由客服进行人工标注，多级分类依次选择标注耗费时间较长，且由人工标注出错率较高。

有鉴于对上述问题的发现，本实施例提供了一种数据推荐方法、装置、电子设备及计算机可读存储介质，能够通过获取待检测对话数据，将待检测对话数据输入至推荐模型，得到待检测对话数据的推荐对话小结分类信息，推荐模型通过目标对话数据进行训练得到，对历史客服对话数据进行处理得到目标对话数据。能够提高对话小结分类信息的准确性，并且通过推荐模型输出对话小结分类信息，使得生成对话的小结更加快捷，下面对本实施例提供的方案进行详细阐述。

本实施例提供一种可以对数据进行推荐的电子设备。在一种可能的实现方式中，所述电子设备可以为用户终端，例如，电子设备可以是，但不限于，服务器、智能手机、个人电脑(PersonalComputer，PC)、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、移动上网设备(Mobile Internet Device，MID)等。

请参照图1，图1是本申请实施例提供的电子设备100的结构示意图。所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

所述电子设备100包括数据推荐装置110、存储器120及处理器130。

所述存储器120及处理器130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述数据推荐装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作系统(operating system，OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块，例如所述基于数据推荐装置110所包括的软件功能模块及计算机程序等。

其中，所述存储器120可以是，但不限于，随机存取存储器(RandomAccess Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable ProgrammableRead-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory，EEPROM)等。其中，存储器120用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。

请参照图2，图2为应用于图1的电子设备100的一种数据推荐方法的流程图，以下将方法包括各个步骤进行详细阐述。

步骤201：获取待检测对话数据。

步骤202：将待检测对话数据输入至推荐模型，得到待检测对话数据的推荐对话小结分类信息。

其中，推荐模型通过目标对话数据进行训练得到，对历史客服对话数据进行处理得到目标对话数据。

待检测对话数据为待确定对话小结分类信息的对话数据，为客服与用户的实时对话数据。

在将待检测对话数据输入至推荐模型之前，需要对推荐模型进行训练，从而使用训练后的推荐模型，得到待检测对话数据的对话小结分类信息。

本申请通过获取待检测对话数据，将待检测对话数据输入至推荐模型，得到待检测对话数据的推荐对话小结分类信息，推荐模型通过目标对话数据进行训练得到，对历史客服对话数据进行处理得到目标对话数据。能够提高对话小结分类信息的准确性，并且通过推荐模型输出对话小结分类信息，使得生成对话的小结更加快捷。

为了实现依据待检测对话数据得到小结分类信息，需要先进行推荐模型的训练，如图3所示，提供了一种数据推荐方法，具体包括如下步骤：

步骤301：将目标对话数据作为输入，通过bert层与第一级联全连接层，输出得到目标对话数据的预测一级分类信息。

步骤302：计算预测一级分类信息和目标对话数据的实际一级分类信息的第一二分类交叉熵损失。

步骤303：将目标对话数据和预测一级分类信息作为输入，通过bert层与第二级联全连接层，输出得到目标对话数据的预测二级分类信息。

步骤304：计算预测二级分类信息和目标对话数据的实际二级分类信息的第二二分类交叉熵损失。

步骤305：将目标对话数据和预测二级分类信息作为输入，通过bert层与第三级联全连接层，输出得到目标对话数据的预测三级分类信息。

步骤306：计算预测三级分类信息和目标对话数据的实际三级分类信息的第三二分类交叉熵损失。

步骤307：通过第一二分类交叉熵损失、第二二分类交叉熵损失以及第三二分类交叉熵损失，对bert层、第一级联全连接层、第二级联全连接层、第三级联全连接层的参数进行调整。

步骤308：返回执行将目标对话数据作为输入，通过bert层与第一级联全连接层，输出得到目标对话数据的预测一级分类信息至通过第一二分类交叉熵损失、第二二分类交叉熵损失以及第三二分类交叉熵损失，对bert层、第一级联全连接层、第二级联全连接层、第三级联全连接层的参数进行调整的步骤，直至达到预设训练次数。

其中，第一级联全连接层、第二级联全连接层、第三级联全连接层可以为drop+linear层。

本申请的推荐模型的具体结构如图4所示，推荐模型包括bert层、第一级联全连接层、第二级联全连接层、第三级联全连接层；目标对话数据输入bert层；bert层的输出作为第一级联全连接层、第二级联全连接层以及第三级联全连接层的输入；第一级联全连接层的输出作为第二级联全连接层的输入；第二级联全连接层的输出作为第三级联全连接层的输入。

示例性的，目标对话数据为：

客服：您好，请问有什么可以帮您？

用户：我听说最近有什么充值优惠活动么？

客服：有的，我们最近对老会员续费优化，请查看链接：xxx。

用户：谢谢，我去看看。

用户：对了，麻烦帮催一下我的订单，看现在还没有发货。

客服：好的，这边已经帮忙与商家沟通了，他们那边已经整理好货物，下午就发出。

用户：好的，谢谢。

目标对话数据的实际一级分类信息、实际二级分类信息以及实际三级分类信息为人工标注的，目标对话数据的实际一级分类信息为：活动和售中。目标对话数据的实际二级分类信息为：会员活动和物流。目标对话数据的实际三级分类信息为：会员充值优惠和催发货。

将目标对话数据作为输入，通过bert层，bert层的输出作为第一级联全连接层的输入，基于bert层和第一级联全连接层，输出目标对话数据的预测一级分类信息。计算预测一级分类信息和实际一级分类信息的第一二分类交叉熵损失，从而依据第一二分类交叉熵损失对bert层和第一级联全连接层的参数进行调整，从而优化bert层和第一级联全连接层对目标对话数据的预测一级分类信息的准确性。

将目标对话数据和预测一级分类信息作为输入，基于bert层和第二级联全连接层，输出目标对话数据的预测二级分类信息。计算预测二级分类信息和实际二级分类信息的第二二分类交叉熵损失，从而依据第二二分类交叉熵损失对bert层和第二级联全连接层的参数进行调整，从而优化bert层和第二级联全连接层对目标对话数据的预测二级分类信息的准确性。同时由于第一级联全连接层的输出作为第二级联全连接层的输入，即预测一级分类信息也作为第二级联全连接层的输入，进一步的基于第一级联全连接层可以指导第二级联全连接层对预测二级分类信息的预测，进一步提高对预测二级分类信息的准确性。

将目标对话数据和预测二级分类信息作为输入，基于bert层和第三级联全连接层，输出目标对话数据的预测三级分类信息。计算预测三级分类信息和实际三级分类信息的第三二分类交叉熵损失，从而依据第三二分类交叉熵损失对bert层和第二级联全连接层的参数进行调整，从而优化bert层和第三级联全连接层对目标对话数据的预测三级分类信息的准确性。同时由于第二级联全连接层的输出作为第三级联全连接层的输入，进一步的基于第二级联全连接层可以指导第三级联全连接层对预测三级分类信息的预测，进一步提高对预测三级分类信息的准确性。

当基于第一二分类交叉熵损失、第二二分类交叉熵损失以及第三二分类交叉熵损失对推荐模型中的层结构的参数进行调整后，判断是否需要继续迭代训练，有多种方式，示例性的，通过设置预设训练次数，依据设置的预设训练次数，实现对模型训练的停止，需要说明的是，预设训练次数可以为3次、4次、5次等，本申请实施例对此不做具体限制。另一示例中，确定更新后的第一二分类交叉熵损失、第二二分类交叉熵损失以及第三二分类交叉熵损失，在第一二分类交叉熵损失、第二二分类交叉熵损失以及第三二分类交叉熵损失均满足设定条件时，停止训练。

除了可以基于第一二分类交叉熵损失、第二二分类交叉熵损失以及第三二分类交叉熵损失分别对推荐模型中的各层级的参数进行调整外，还可以分别计算得到第一二分类交叉熵损失、第二二分类交叉熵损失以及第三二分类交叉熵损失后，通过加权求和，得到目标二分类交叉熵损失，基于目标二分类交叉熵损失对推荐模型的bert层、第一级联全连接层、第二级联全连接层、第三级联全连接层的参数进行调整。

本申请通过获取待检测对话数据，将待检测对话数据输入至推荐模型，得到待检测对话数据的推荐对话小结分类信息，推荐模型通过目标对话数据进行训练得到，对历史客服对话数据进行处理得到目标对话数据。能够提高对话小结分类信息的准确性，并且通过推荐模型输出对话小结分类信息，使得生成对话的小结更加快捷。并且基于对推荐模型中各层级的训练，不断优化推荐模型输出预测结果的准确性。

为了保证对推荐模型的训练的效果，针对历史客服话数据进行处理得到目标对话数据，如图5所示，提供了一种数据推荐方法，具体包括如下步骤：

步骤401：删除历史客服对话数据中的预设字符。

步骤402：得到目标对话数据。

因为本申请使用bert层，bert层处理的文本的最大文本长度为512，若对历史客服对话数据不做处理，最后拼接的文本输入平均长度会达到800多，bert层处理方式是直接截断为512，则会损失大量重要的信息，而删除历史客服对话数据中的所有预设字符后，拼接后文本长度只有300+，大大降低了重要信息损失问题。

对历史客服对话数据的处理方式还可以为：按照时间顺序将历史客服对话数据的单句进行排序，其中，每个单句对应有对话人标识；采用第一预设符号将不同对话人标识的单句进行分隔，生成目标对话数据。

或者先删除历史客服对话数据中的预设字符后，得到第一目标对话数据，按照时间顺序将第一目标对话数据的单句进行排序，其中，每个单句对应有对话人标识；采用第一预设符号将不同对话人标识的单句进行分隔，生成目标对话数据。

根据历史客户对话数据的时间顺序和角色拼接对话为一个目标对话数据，示例性的，1表示客服，2表示用户，“「_」”进行角色与文本分隔，“「#」”用于不同单句分隔，拼接后的目标对话数据，例如：「2_用户文本#1_客服文本#……」，这样的输入包含了对话的时间信息和角色信息，增加了推荐模型预测对话小结信息的准确性。

请参照图6，本申请实施例还提供了一种应用于图1所述电子设备100的数据推荐装置110，所述数据推荐装置110包括：

获取模块111，用于获取待检测对话数据；

处理模块112，用于将所述待检测对话数据输入至推荐模型，得到所述待检测对话数据的推荐小结信息，其中，推荐模型通过目标对话数据进行训练得到，对历史客服对话数据进行处理得到目标对话数据。

可选地，在一些可能的实施方式中，推荐模型包括bert层、第一级联全连接层、第二级联全连接层、第三级联全连接层；

所述目标对话数据输入所述bert层；

所述bert层的输出作为所述第一级联全连接层、第二级联全连接层以及第三级联全连接层的输入；

所述第一级联全连接层的输出作为所述第二级联全连接层的输入；

所述第二级联全连接层的输出作为所述第三级联全连接层的输入。

可选地，在一些可能的实施方式中，所述处理模块具体用于：

将所述目标对话数据作为输入，通过所述bert层与所述第一级联全连接层，输出得到所述目标对话数据的预测一级分类信息；

计算所述预测一级分类信息和所述目标对话数据的实际一级分类信息的第一二分类交叉熵损失；

将所述目标对话数据和所述预测一级分类信息作为输入，通过所述bert层与所述第二级联全连接层，输出得到所述目标对话数据的预测二级分类信息；

计算所述预测二级分类信息和所述目标对话数据的实际二级分类信息的第二二分类交叉熵损失；

将所述目标对话数据和所述预测二级分类信息作为输入，通过所述bert层与所述第三级联全连接层，输出得到所述目标对话数据的预测三级分类信息；

计算所述预测三级分类信息和所述目标对话数据的实际三级分类信息的第三二分类交叉熵损失；

通过所述第一二分类交叉熵损失、第二二分类交叉熵损失以及第三二分类交叉熵损失，对所述bert层、第一级联全连接层、第二级联全连接层、第三级联全连接层的参数进行调整；

返回执行所述将所述目标对话数据作为输入，通过所述bert层与所述第一级联全连接层，输出得到所述目标对话数据的预测一级分类信息至通过所述第一二分类交叉熵损失、第二二分类交叉熵损失以及第三二分类交叉熵损失，对所述bert层、第一级联全连接层、第二级联全连接层、第三级联全连接层的参数进行调整的步骤，直至达到预设训练次数。

可选地，在一些可能的实施方式中，所述处理模块112还用于：

对所述第一二分类交叉熵损失、第二二分类交叉熵损失以及第三二分类交叉熵损失加权求和，得到目标二分类交叉熵损失；

基于所述目标二分类交叉熵损失，对所述bert层、第一级联全连接层、第二级联全连接层、第三级联全连接层的参数进行调整。

可选地，在一些可能的实施方式中，所述处理模块112还用于：删除所述历史客服对话数据中的预设字符；

得到所述目标对话数据。

可选地，在一些可能的实施方式中，所述处理模块112还用于：按照时间顺序将所述历史客服对话数据的单句进行排序，其中，每个单句对应有对话人标识；

采用第一预设符号将不同对话人标识的单句进行分隔，生成目标对话数据。

综上所述，本申请通过获取待检测对话数据，将待检测对话数据输入至推荐模型，得到待检测对话数据的推荐对话小结分类信息，推荐模型通过目标对话数据进行训练得到，对历史客服对话数据进行处理得到目标对话数据。能够提高对话小结分类信息的准确性，并且通过推荐模型输出对话小结分类信息，使得生成对话的小结更加快捷。

本申请还提供一种电子设备100，电子设备100包括处理器130以及存储器120。存储器120存储有计算机可执行指令，计算机可执行指令被处理器130执行时，实现该数据推荐方法。

本申请实施例还提供一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序被处理器130执行时，实现该数据推荐方法。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，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方式中，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动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。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。