(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210885968.1 (22)申请日 2022.07.26 (71)申请人 平安科技 （深圳） 有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 刘元震　 (74)专利代理 机构 深圳市沃德知识产权代理事 务所(普通 合伙) 44347 专利代理师 高杰　于志光 (51)Int.Cl. G06F 40/166(2020.01) G06F 40/205(2020.01) G06F 40/30(2020.01) (54)发明名称 召回文本的生成方法、 装置、 电子设备及存 储介质 (57)摘要 本发明涉及人工智能技术， 揭露了一种召回 文本的生成方法， 包括： 生成基础用户画 像， 获取 每个所述画 像语义的画像向量； 提取产品数据的 产品关键词， 获取每个所述产品关键词的关键词 向量； 选取目标画像向量和目标关键词向量； 利 用待训练的召回装置计算所述目标画像向量和 所述目标关键词向量的相似度； 计算所述相似度 和预设的相似阈值的损失值， 当所述损失值小于 预设的损失阈值时， 得到训练完成的召回装置， 将待测文本输入至所述训练完成的召回装置， 得 到召回文本。 此外， 本发 明还涉及区块链技术， 数 据列表可存储于区块链的节点。 本发 明还提出一 种召回文本的生成装置、 电子设备以及存储介 质。 本发明可以提高召回文本的生成的效率。 权利要求书3页 说明书12页 附图3页 CN 115146596 A 2022.10.04 CN 115146596 A 1.一种召回文本的生成方法， 其特 征在于， 所述方法包括： 获取用户的基础信息， 根据所述基础信息生成基础用户画像； 对所述基础用户画像中的画像语义进行加权计算， 得到每个所述画像语义的画像向 量； 获取产品的产品数据， 提取 所述产品数据的产品关键词； 对所述产品关键词进行 赋权量化计算， 得到每 个所述产品关键词的关键词向量； 选取目标任务下的所述画像向量为目标画像向量， 选取目标任务下的所述关键词向量 为目标关键词向量； 将所述目标画像向量和所述目标关键词向量输入至待训练 的召回装置， 利用所述待训 练的召回装置计算所述目标画像向量和所述目标关键词向量的相似度； 计算所述相似度和预设的相似阈值的损 失值， 当所述损 失值小于预设的损 失阈值时， 得到训练完成的召回装置， 将待测文本 输入至所述训练完成的召回装置， 得到召回文本 。 2.如权利要求1所述的召回文本的生成方法， 其特征在于， 所述计算所述相似度和预设 的相似阈值的损失值， 包括： 利用如下公式计算所述相似度和预设的相似阈值的损失值： 其中， Lk(1， ...， θk， θs)所述损失值， K表示任务总数， k表示第k个任务， 表示目标任 务中第t迭代训练时第k个任务的任务权重， 其中t代表训练迭代次数， ωk， 0和 是权重计 算模型的超参数， X是输入样本数据， Lk( θk， θs)表示第k个任务的损失函数， θs是所有任务的 共享参数， θk是每个任务单独的独立参数， 表示样本是否在任务k场景N的样本 空间， 其 中 表示第i个场景在第k个任务中的标签， N表示存在N个场景， 是在第i个场景和第k个任务中的真实值， 是在第i个场 景和第k个任务中的损失函数。 3.如权利要求1所述的召回文本的生成方法， 其特征在于， 所述计算所述目标画像向量 和所述目标关键词向量的相似度， 包括： 利用如下公式计算所述目标画像向量和所述目标关键词向量的相似度： 其中， d(x， y)为所述相似度， xi为所述目标画像向量中第i个目标画像分向量， yi为所述权　利　要　求　书 1/3 页 2 CN 115146596 A 2目标关键词向量中第i个目标关键词分向量， n表示所述目标用户画像中的所述目标画像分 向量个数。 4.如权利要求1所述的召回文本的生成方法， 其特征在于， 所述对所述产品关键词 进行 赋权量化计算， 得到每 个所述产品关键词的关键词向量， 包括： 利用预先训练的语料模型将每 个所述产品关键词表征为 n维的词向量； 对所述词向量进行进行 赋权量化计算， 得到所述关键词信息的关键词权 重向量； 按照预设的向量维度设定对所述关键词权重向量进行向量维度调整， 得到所述关键词 信息的关键词向量。 5.如权利要求1所述的召回文本的生成方法， 其特征在于， 所述提取所述产品数据的产 品关键词， 包括： 利用预设的停用词表， 对所述产品数据的停用词进行 过滤； 对过滤后的产品数据进行去低频词处 理； 对去低频词处 理后得到的产品数据进行分词处 理， 得到产品关键词。 6.如权利要求1所述的召回文本的生成方法， 其特征在于， 所述对所述基础用户画像中 的画像语义进行加权计算， 得到每 个所述画像 语义的画像向量， 包括： 利用预设的向量 提取模型获取 所述基础用户画像中的画像 语义； 根据预设的向量函数对所述画像语义进行加权计算， 得到所述画像语义的向量画像向 量。 7.如权利要求1至6中任一项所述的召回文本的生成方法， 其特征在于， 所述根据所述 基础信息生成基础用户画像， 包括： 从所述基础信息中选取其中一个信息为目标信息； 对所述目标信息进行核心语义 提取， 得到信息语义； 对所述信息语义进行向量 化处理， 得到语义向量； 将所有基础信息对应的语义向量 拼接为所述基础用户画像。 8.一种召回文本的生成装置， 其特 征在于， 所述装置包括： 用户画像模块， 用于获取用户的基础信息， 根据所述基础信息生成基础用户画像； 画像向量模块， 用于对所述基础用户画像中的画像语义进行加权计算， 得到每个所述 画像语义的画像向量； 产品关键词模块， 用于获取产品的产品数据， 提取 所述产品数据的产品关键词； 关键词向量模块， 用于对所述产品关键词进行赋权量化计算， 得到每个所述产品关键 词的关键词向量； 目标向量模块， 用于选取目标任务下的所述画像向量为目标画像向量， 选取目标任务 下的所述关键词向量 为目标关键词向量； 相似度模块， 用于将所述目标画像向量和所述目标关键词向量输入至待训练 的召回装 置， 利用所述待训练的召回装置计算所述目标画像向量和所述目标关键词向量的相似度； 优化模块， 用于计算所述相似度和预设的相似阈值的损 失值， 当所述损 失值小于预设 的损失阈值时， 得到训练完成的召回装置， 将待测文本输入至所述训练完成的召回装置， 得 到召回文本 。 9.一种电子设备， 其特 征在于， 所述电子设备包括：权　利　要　求　书 2/3 页 3 CN 115146596 A 3