[发明专利]一种问题推荐方法及设备

权利要求书

1.一种问题推荐方法，其特征在于，该方法包括：

在样本采集周期内，获取问题并获取所述问题对应的问题特征；

对所述问题特征进行处理，处理后的问题特征在预设的数值区间内；

根据各个所述问题及其在所述问题中的第二概率和指定的推荐阈值确定推荐的问题；

其中，各个所述问题及其在所述问题中的第二概率是通过所述处理后的问题特征和第一概率得到的；所述第一概率是通过分类模型对所述问题特征进行分析得到的；所述问题特征包括数值型特征和文本型特征，所述数值型特征为连续的，所述文本型特征为不连续的；所述第二概率是通过对所述处理后的问题特征和所述第一概率进行深度神经网络DNN计算得到的；

在所述深度神经网络DNN训练前，通过第一概率控制深度神经网络DNN中网络节点所占的权重。

2.如权利要求1所述的方法，其特征在于，所述获取问题，具体包括：

在特征获取周期内获取所述问题；

若存在特征获取周期内未获取的问题，则所述未获取的问题的值为空；

若不存在特征获取周期内未获取的问题，则以获取的问题作为所述问题。

3.如权利要求1所述的方法，其特征在于，所述获取所述问题对应的问题特征，具体包括：

在特征获取周期内获取问题特征；

若存在特征获取周期内未获取的问题特征，且该问题特征为所述数值型特征时，则以获取的与问题对应的问题特征的数值的均值作为问题特征；

若存在特征获取周期内未获取的问题特征，且该问题特征为所述文本型特征时，则以获取的与问题对应的问题特征中出现频率最高的作为问题特征；

若不存在特征获取周期内未获取的问题特征，则以获取的问题特征作为所述问题特征。

4.如权利要求1所述的方法，其特征在于，对所述问题特征进行处理，具体包括：

若所述问题特征为数值型特征，则对问题特征进行归一化处理；

若所述问题特征为文本型特征，则对问题特征进行向量化处理，向量化处理后的问题特征为数值型特征。

5.一种问题推荐设备，其特征在于，所述设备包括：

获取模块：在样本采集周期内，获取问题并获取所述问题对应的问题特征；

处理模块：对所述问题特征进行处理，处理后的问题特征在指定的数值区间内；

确定模块：根据各个所述问题及其在所述问题中的第二概率和指定的推荐阈值确定推荐的问题；

其中，各个所述问题及其在所述问题中的第二概率是通过所述处理后的问题特征和第一概率得到的；所述第一概率是通过分类模型对所述问题特征进行分析得得到的；所述问题特征包括数值型特征和文本型特征，所述数值型特征为连续的，所述文本型特征为不连续的；所述第二概率是通过对所述处理后的问题特征和所述第一概率进行深度神经网络DNN计算得到的；

在所述深度神经网络DNN训练前，通过第一概率控制深度神经网络DNN中网络节点所占的权重。

6.如权利要求5所述的问题推荐设备，其特征在于，所述获取模块具体用于：

在特征获取周期内获取所述问题；

若存在特征获取周期内未获取的问题，则所述未获取的问题的值为空；

若不存在特征获取周期内未获取的问题，则以获取的问题作为所述问题。

7.如权利要求5所述的问题推荐设备，其特征在于，所述获取模块具体用于：

在特征获取周期内获取问题特征；

若存在特征获取周期内未获取的问题特征，且该问题特征为所述数值型特征时，则以获取的与问题对应的问题特征的数值的均值作为问题特征；

若存在特征获取周期内未获取的问题特征，且该问题特征为所述文本型特征时，则以获取的与问题对应的问题特征中出现频率最高的作为问题特征；

若不存在特征获取周期内未获取的问题特征，则以获取的问题特征作为所述问题特征。

8.如权利要求5所述的问题推荐设备，其特征在于，所述处理模块具体用于：

若所述问题特征为数值型特征，则对问题特征进行归一化处理；

若所述问题特征为文本型特征，则对问题特征进行向量化处理，向量化处理后的问题特征为数值型特征。