一种面向信息推荐的任务偏好学习方法和装置与流程

本发明涉及偏好学习，特别是涉及一种面向信息推荐的任务偏好学习方法和装置。

背景技术：

1、偏好学习是信息推荐系统的重要任务，目的是通过对历史数据的挖掘，得到特定用户对待推荐对象特征的喜好差异。信息推荐系统可以利用对用户的偏好学习结果，有针对性地向用户推荐诸如电影、歌曲和商品等对象；信息推荐系统可以从任务规划人员领受到不同任务指令时所选择的状态信息历史记录中，学习到不同任务指令对状态信息的偏好差异，利用相应的偏好学习结果，基于任务指令向任务规划人员推荐状态信息，以减轻任务规划人员的工作负荷,提高任务规划的效率。

2、针对用户的偏好学习方法已经十分成熟，通过分析用户的个人基础信息、用户的历史行为记录，可以对用户偏好进行充分建模。然而，针对任务指令的偏好学习仍缺乏有效的方法；传统的任务偏好建模方法一般是对状态信息的信息推荐历史选择记录进行数据统计分析，这种方法虽然能直观反映信息推荐历史选择记录中“状态信息-任务指令”的配对情况，但是并未在统计基础上针对任务偏好情况进行总结提取，导致偏好学习结果难以直接被信息推荐系统使用。且当面临海量状态信息和任务指令时，数据统计分析方法存在处理效率低、直观有余而抽象不足的问题，信息推荐系统需要的规律性的偏好信息难以被提取出来，严重影响状态信息推荐的效率和质量。

3、鉴于此，克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。

技术实现思路

1、本发明要解决的技术问题是提供一种面向信息推荐的任务偏好学习方法和装置，其目的在于，挖掘在选择状态信息时起关键作用的任务特征，实现了任务指令的整体偏好表征和状态信息的偏好主题词表征的匹配，提高针对任务指令的偏好学习的质量和处理效率，有效改善现有技术在任务偏好建模中的成本与质量缺陷，解决了偏好学习结果难以直接被信息推荐系统使用的问题。

2、本发明采用如下技术方案：

3、第一方面，本发明提供了一种面向信息推荐的任务偏好学习方法，包括：

4、对于信息推荐历史选择记录中的任务指令，生成所述任务指令的结构化任务表示；对所述信息推荐历史选择记录中的状态信息进行聚类，得到多个类别的状态信息集合；对于不同任务的结构化任务表示，计算选择各个类别的状态信息集合的任务指令的结构化任务表示上每个任务元素的最大语义波动度；其中，所述结构化任务表示包括多个任务元素，所述多个任务元素包括任务类型；

5、根据所述最大语义波动度，计算每个所述任务元素的元素敏感度；聚合任务指令在相同类别的状态信息集合上的元素敏感度，得到相应类别的状态信息集合上任务指令的特征敏感度；聚合每个类型的任务指令在不同状态信息集合类别上的特征敏感度，根据聚合后的特征敏感度得到每个任务类型的多个关键任务特征；

6、将所述元素敏感度对于各个类别的状态信息集合的平均值，作为不同任务类型的关键任务特征的平均敏感度；根据所述结构化任务表示、所述多个关键任务特征和所述平均敏感度，生成所述结构化任务表示对应的整体偏好表征；

7、从所述状态信息中提取状态主题词；根据选择所述状态信息对应的任务类型的关键任务特征及相应的平均敏感度，融合所述状态主题词进行嵌入学习，得到所述状态信息的任务偏好主题词；

8、根据所述任务偏好主题词和所述整体偏好表征，确定所述状态信息与所述任务指令的匹配度，筛选所述状态信息对应的状态主题词，作为所述任务指令对应的偏好状态信息标签集合。

9、第二方面，本发明还提供了一种面向信息推荐的任务偏好学习装置，用于实现第一方面所述的面向信息推荐的任务偏好学习方法，所述面向信息推荐的任务偏好学习装置包括：

10、至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，用于执行第一方面所述的面向信息推荐的任务偏好学习方法。

11、第三方面，本发明还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，用于完成第一方面所述的面向信息推荐的任务偏好学习方法。

12、区别于现有技术，本发明至少具有以下有益效果：

13、本发明通过生成任务指令的结构化任务表示，挖掘在选择状态信息过程中起关键作用的关键任务特征集合，结合其中每个任务类型的关键任务特征，生成相应的状态主题词，基于对任务指令和状态信息文本的嵌入学习得到的偏好信息，进一步筛选与对相应的关键任务特征匹配度较高的状态主题词，最终得到目标状态信息标签集合，实现针对任务指令的状态信息的偏好学习；本发明能够提取出信息推荐系统所需的规律性的偏好信息(即，目标状态信息标签集合)，有效提升信息推荐的效率和质量，改善现有技术在任务偏好建模中的成本与质量缺陷，作为用户建模手段，针对任务指令为信息推荐系统的精准推荐提供工作基础。

技术特征：

1.一种面向信息推荐的任务偏好学习方法，其特征在于，包括：

2.根据权利要求1所述的面向信息推荐的任务偏好学习方法，其特征在于，所述对于信息推荐历史选择记录中的任务指令，生成所述任务指令的结构化任务表示；对所述信息推荐历史选择记录中的状态信息进行聚类，得到多个类别的状态信息集合；对于不同任务的结构化任务表示，计算选择各个类别的状态信息集合的任务指令的结构化任务表示上每个任务元素的最大语义波动度包括：

3.根据权利要求2所述的面向信息推荐的任务偏好学习方法，其特征在于，所述训练初始统计模型，得到完成任务指令类型识别和任务元素抽取的目标统计模型包括：

4.根据权利要求2所述的面向信息推荐的任务偏好学习方法，其特征在于，所述对于不同任务的结构化任务表示，计算选择各个类别的状态信息集合的任务指令的结构化任务表示上每个任务元素的最大语义波动度包括：

5.根据权利要求1所述的面向信息推荐的任务偏好学习方法，其特征在于，所述根据所述最大语义波动度，计算每个所述任务元素的元素敏感度；聚合任务指令在相同类别的状态信息集合上的元素敏感度，得到相应类别的状态信息集合上任务指令的特征敏感度；聚合每个类型的任务指令在不同状态信息集合类别上的特征敏感度，根据聚合后的特征敏感度得到每个任务类型的多个关键任务特征包括：

6.根据权利要求1所述的面向信息推荐的任务偏好学习方法，其特征在于，所述根据所述结构化任务表示、所述多个关键任务特征和所述平均敏感度，生成所述结构化任务表示对应的整体偏好表征包括：

7.根据权利要求1所述的面向信息推荐的任务偏好学习方法，其特征在于，所述从所述状态信息中提取状态主题词；根据选择所述状态信息对应的任务类型的关键任务特征及相应的平均敏感度，融合所述状态主题词进行嵌入学习，得到所述状态信息的任务偏好主题词包括：

8.根据权利要求1所述的面向信息推荐的任务偏好学习方法，其特征在于，所述根据所述任务偏好主题词和所述整体偏好表征，确定所述状态信息与所述任务指令的匹配度，筛选所述状态信息对应的状态主题词，作为所述任务指令对应的偏好状态信息标签集合包括：

9.一种面向信息推荐的任务偏好学习装置，其特征在于，所述面向信息推荐的任务偏好学习装置包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于实现权利要求1-8任一所述的面向信息推荐的任务偏好学习方法。

10.一种非易失性计算机存储介质，其特征在于，所述计算机存储介质有计算机可执行指令，所述计算机可执行指令被一个或多个处理器执行，用于完成权利要求1-8任一所述的面向信息推荐的任务偏好学习方法。

技术总结本发明涉及偏好学习技术领域，提供了一种面向信息推荐的任务偏好学习方法和装置。本发明根据信息推荐历史选择记录中任务指令的结构化任务表示和任务指令所选择过的状态信息聚类结果，计算每类任务指令的元素敏感度，进而得到每类任务指令的关键任务特征，由此生成任务指令的整体偏好表征；从状态信息中学习状态主题词，融合状态主题词及状态信息文本对应的任务关键特征平均词汇表征和任务元素敏感度，生成任务偏好主题词；基于整体偏好表征与任务偏好主题词的匹配度，生成任务指令对应偏好的状态信息标签集合；本发明有效提高了针对任务指令的偏好学习的质量和处理效率，解决了偏好学习结果难以直接被信息推荐系统使用的问题。技术研发人员：饶子昀,王振杰,高子文,张毅,刘俊涛受保护的技术使用者：中国船舶集团有限公司第七〇九研究所技术研发日：技术公布日：2024/10/10