(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210786377.9 (22)申请日 2022.07.06 (65)同一申请的已公布的文献号 申请公布号 CN 114860892 A (43)申请公布日 2022.08.05 (73)专利权人 腾讯科技 （深圳） 有限公司 地址 518057 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 朱秀红　曹训　张伟　黄泽谦　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 专利代理师 黄晶晶 (51)Int.Cl. G06F 16/33(2019.01) G06F 16/31(2019.01) G06F 16/35(2019.01) G06F 40/126(2020.01) G06F 40/30(2020.01) (56)对比文件 CN 114706987 A,202 2.07.05 CN 114328807 A,202 2.04.12CN 114357151 A,202 2.04.15 CN 104424296 A,2015.0 3.18 CN 110941958 A,2020.0 3.31 CN 111639156 A,2020.09.08 CN 10757 7785 A,2018.01.12 CN 113591979 A,2021.1 1.02 CN 105512131 A,2016.04.20 CN 112784590 A,2021.0 5.11 CN 109933801 A,2019.0 6.25 US 20173 37268 A1,2017.1 1.23 US 201937 7801 A1,2019.12.12 王涛.基于层级标签的社会标注模型研究. 《中国优秀硕士学位 论文全文数据库 信息科技 辑》 .2013, 何贤敏等.基 于孪生BERT网络的科技文献类 目映射. 《计算机 研究与发展》 .2021,第58卷(第8 期), (续) 审查员 王玮 (54)发明名称 层次类目预测方法、 装置、 设备和介质 (57)摘要 本申请涉及一种层次类目预测方法、 装置、 设备和介质， 属于人工智 能技术领域。 所述方法 包括： 预测搜索文本分别在 多个预设标签类别下 对应的具体标签， 得到预测标签集合； 多个预设 标签类别是对预设的层次类目树中各层级下的 具体标签分类得到的； 层次类目树中包括至少一 个层次类目； 从针对层次类目树中各层次类目分 别对应设置的候选标签集合中， 确定包含于预测 标签集合的目标标签集合； 每个候选标签集合是 根据相对应的层次类目中的具体标签进行组合 得到； 确定与目标标签集合对应的层次类目， 得 到搜索文本相匹配的目标层次类目。 采用本方法能够提升层次类目的预测准确率。 [转续页] 权利要求书3页 说明书19页 附图8页 CN 114860892 B 2022.09.06 CN 114860892 B (56)对比文件 Wei Huang等.Hierarc hical Multi-label Text Clas sificati on: An Attention-based Recurrent Netw ork Approach. 《Proce edings of the 28th AC M Internati onal Conference on Informati on and Kn owledge Mana gement》.2019, Andrew J.As man 等.Label Relati on Graphs Enhanced Hierarc hical Residual Network for Hierarc hical Multi- Granularity Clas sificati on. 《Medical Ima ge Analysis》 .2014,第18卷(第7期),2/2 页 2[接上页] CN 114860892 B1.一种层次类目预测方法， 其特 征在于， 所述方法包括： 预测搜索文本分别在多个预设标签类别下对应的具体标签， 得到预测标签集合； 所述 多个预设标签类别是对预设的层次类目树中各层级下的具体标签分类得到的； 所述层次类 目树中包括至少一个层次类目； 从针对所述层次类目树中各层次类目分别对应设置的候选标签集合中， 确定包含于所 述预测标签集合的目标标签集合； 每个候选标签集合是根据相对应的层次类目中的具体标 签进行组合得到； 确定与所述目标标签集合对应的层次类目， 得到所述搜索文本相匹配的目标层次类 目。 2.根据权利要求1所述的方法， 其特征在于， 每个预设标签类别分别设置有对应的分类 网络层； 所述预测搜索文本分别在多个预设标签类别下对应的具体标签， 得到预测标签集合， 包括： 通过每个预设标签类别对应的分类网络层， 预测所述搜索文本在每个预设标签类别下 对应的具体标签； 根据预测的各 预设标签 类别下对应的具体标签， 确定预测标签集 合。 3.根据权利要求2所述的方法， 其特征在于， 每个所述分类网络层包括至少一个全连接 层； 所述通过每个预设标签类别对应的分类网络层， 预测所述搜索文本在每个预设标签类 别下对应的具体标签， 包括： 获取搜索文本对应的初始文本语义特 征； 针对每一个预设标签类别， 通过所述预设标签类别对应的所述至少一个全连接层， 对 所述初始文本语义特 征进行特征处理， 得到所述预设标签 类别对应的目标文本语义特 征； 根据各个预设标签类别对应的目标文本语义特征， 预测所述搜索文本在每个预设标签 类别下对应的具体标签。 4.根据权利要求3所述的方法， 其特征在于， 所述分类网络层是已训练 的层次类目预测 模型中的网络层； 所述层次类目预测模型还 包括编码网络层； 所述获取搜索文本对应的初始文本语义特 征， 包括： 将所述搜索文本输入所述编码网络层， 以通过所述编码网络层对所述搜索文本进行编 码， 得到搜索文本对应的初始文本语义特 征。 5.根据权利要求2所述的方法， 其特征在于， 所述分类网络层是已训练 的层次类目预测 模型中的网络层； 所述层次类目预测模型还 包括类目映射网络层； 所述从针对所述层次类目树中各层次类目分别对应设置的候选标签集合中， 确定包含 于所述预测标签集 合的目标 标签集合， 包括： 将所述预测标签集合输入至所述类目映射网络层， 以通过所述类目映射网络层从针对 所述层次类目树中各层次类目分别对应设置的候选标签集合中， 确定包含于所述预测标签 集合的目标 标签集合； 所述确定与 所述目标标签集合对应的层次类目， 得到所述搜索文本相匹配的目标层次 类目， 包括： 通过所述类目映射网络层， 确定与所述目标标签集合对应的层次类目， 得到所述搜索权　利　要　求　书 1/3 页 2 CN 114860892 B 3