本申請涉及計算機
技術(shù)領(lǐng)域：
，尤其涉及一種參數(shù)輸入的方法及裝置。
背景技術(shù)：
：隨著計算機技術(shù)的快速發(fā)展，人工智能技術(shù)也逐步發(fā)展并完善起來，現(xiàn)在，人們可通過人工智能技術(shù)，完成諸多的數(shù)據(jù)處理工作，人工智能的發(fā)展不僅提高了人們的數(shù)據(jù)處理的能力，而且還使得人們得到的數(shù)據(jù)處理結(jié)果更加的合理、準確。當前，隨著神經(jīng)網(wǎng)絡(luò)模型的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)模型所涉及的領(lǐng)域也愈加的廣泛，其中，對于搜索、廣告點擊量預測、圖像識別等領(lǐng)域來說，神經(jīng)網(wǎng)絡(luò)模型的作用尤為顯著。比如，對于搜索領(lǐng)域來說，人們?yōu)榱四軌虻玫礁玫乃阉鹘Y(jié)果，通?？刹捎蒙窠?jīng)網(wǎng)絡(luò)模型來完成信息的搜索。具體的，用戶在終端中輸入用于搜索的關(guān)鍵詞后，終端可將該關(guān)鍵詞發(fā)送給服務(wù)器，而服務(wù)器在接收到該關(guān)鍵詞，可根據(jù)該關(guān)鍵詞，查找出與該關(guān)鍵詞相匹配的各文檔，而后，服務(wù)器可將該關(guān)鍵詞以及各文檔轉(zhuǎn)換成向量，并將得到的各向量作為輸入?yún)?shù)輸入到神經(jīng)網(wǎng)絡(luò)模型中，其中，服務(wù)器在將該關(guān)鍵詞和文檔轉(zhuǎn)換成向量時，可根據(jù)預設(shè)的詞典，確定出該關(guān)鍵詞和文檔在該詞典中出現(xiàn)的位置，進而根據(jù)該關(guān)鍵詞和文檔中的各單字在該詞典中出現(xiàn)的位置，分別得出用于表示該關(guān)鍵詞以及各文檔的各向量。例如，假設(shè)用戶輸入的用于搜索的關(guān)鍵詞為“c”，而服務(wù)器的預設(shè)詞典中一共有“a、b、c、d、e、f、g”7個詞，這樣，服務(wù)器可根據(jù)該預設(shè)詞典中包含的詞匯數(shù)量，確定出一個向量維數(shù)為7的向量“0000000”，而后，服務(wù)器在確定出該關(guān)鍵詞“c”出現(xiàn)在該預設(shè)詞典中的第3個位置上后，可將確定 出的向量“0000000”的相應位置(即第3個位置)上的0置成1，進而得到一個用于表示該關(guān)鍵詞“c”的7維向量“0010000”。與此同時，服務(wù)器可根據(jù)關(guān)鍵詞“c”，搜索出與該關(guān)鍵詞“c”相匹配的各文檔，其中，對于某一文檔來說，該文檔的內(nèi)容為“cad”，該“cad”分別由“c”、“a”、“d”這三個詞組成，這三個詞全部出現(xiàn)在了服務(wù)器的預設(shè)詞典中，因此，與生成用于表示關(guān)鍵詞“c”的向量方式相同，服務(wù)器可根據(jù)這三個詞在預設(shè)詞典中出現(xiàn)的位置，確定出表示該文檔的向量為“1011000”，相應的，服務(wù)器可根據(jù)這種方式，依次確定出各文檔關(guān)于該預設(shè)詞典的向量。而后，服務(wù)器在分別確定出關(guān)鍵詞“c”的向量以及各文檔關(guān)于該預設(shè)詞典的向量后，可將該關(guān)鍵詞“c”的向量以及各信息關(guān)于該預設(shè)詞典的向量依次輸入到神經(jīng)網(wǎng)絡(luò)模型中，而神經(jīng)網(wǎng)絡(luò)模型將根據(jù)獲取到的各個向量，分別計算出關(guān)鍵詞“c”與各信息的相關(guān)度(該相關(guān)度可以是一個權(quán)重值)，這樣一來，神經(jīng)網(wǎng)絡(luò)模型可按照相關(guān)度由大到小的順序，將各相關(guān)度對應的信息進行排序，從而得到與關(guān)鍵詞“c”相匹配的信息的排序結(jié)果。從上述示例中可以看出，詞典中包含的詞匯往往就決定了服務(wù)器所生成的用于表示關(guān)鍵詞或文檔的向量。然而，在現(xiàn)有技術(shù)中，詞典中存儲的詞匯通常都是一些常用的高頻詞匯，而對于一些不常用的低頻詞匯來說，這些低頻詞匯通常都是不會存儲在該詞典中的，而在實際應用中，這些低頻詞匯可能恰恰是用戶所關(guān)心的，這樣一來，由于該詞典中未存儲這些低頻詞匯，因此，服務(wù)器根據(jù)當前的詞典而得出的能夠表示關(guān)鍵詞或各文檔的向量也將是不準確的，進而導致服務(wù)器將該向量輸入到神經(jīng)網(wǎng)絡(luò)模型后，神經(jīng)網(wǎng)絡(luò)模型根據(jù)該向量而給出的數(shù)據(jù)處理結(jié)果雖然看似是合理的，但是由于詞典中缺少一些與該關(guān)鍵詞相關(guān)的低頻詞匯，因此，這一數(shù)據(jù)處理實際上也將是不準確的。不僅如此，神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)處理速度通常都是與輸入向量的維數(shù)相關(guān)的，即，輸入的向量維數(shù)越大，神經(jīng)網(wǎng)絡(luò)模型根據(jù)該向量而得出的數(shù)據(jù)處理結(jié)果所消耗的時間也將越長，而在實際應用中，詞典的詞匯容量通常都是巨大的， 該詞典中除了會存儲諸如英文字母、單詞、漢字詞組等詞匯外，還會存儲諸如符號、計算機常用代碼等詞匯，因此，通常情況下，詞典中通常都會存儲上億或更多的詞匯，這樣一來，若預設(shè)的詞典中存儲的詞匯越多，則服務(wù)器生成的用于表示該關(guān)鍵詞的向量的維數(shù)也將越大，即，服務(wù)器根據(jù)搜索關(guān)鍵詞在詞典中出現(xiàn)的位置，來得出能夠表示該關(guān)鍵詞的向量將是一個維數(shù)極大的向量，進而導致了將該向量作為輸入?yún)?shù)輸入到神經(jīng)網(wǎng)絡(luò)模型中時，神經(jīng)網(wǎng)絡(luò)模型處理該輸入?yún)?shù)的用時也將較長。與此同時，服務(wù)器在將上述向量作為輸入?yún)?shù)輸入到神經(jīng)網(wǎng)絡(luò)模型之前，通常都會將該向量存儲在內(nèi)存中，這樣一來，由于該向量的向量維數(shù)極大，因此，該向量將會極大的占有內(nèi)存的存儲空間，進而給服務(wù)器帶來運行負擔。技術(shù)實現(xiàn)要素：本申請實施例提供一種參數(shù)輸入的方法，用于解決現(xiàn)有技術(shù)中輸入到神經(jīng)網(wǎng)絡(luò)模型中的輸入向量的不準確而導致的神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理后得出的數(shù)據(jù)處理結(jié)果不準確的問題。本申請實施例提供一種消息發(fā)送的裝置，用于解決現(xiàn)有技術(shù)中輸入到神經(jīng)網(wǎng)絡(luò)模型中的輸入向量的不準確而導致的神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理后得出的數(shù)據(jù)處理結(jié)果不準確的問題。本申請實施例采用下述技術(shù)方案：本申請實施例提供一種參數(shù)輸入的方法，包括：當接收到終端發(fā)送的關(guān)鍵詞時，根據(jù)所述關(guān)鍵詞，確定與所述關(guān)鍵詞相匹配的各信息；根據(jù)所述關(guān)鍵詞中包含的各單字，查找各單字對應的樣本字的向量，根據(jù)查找到的所述關(guān)鍵詞中各單字對應的樣本字的向量，確定所述關(guān)鍵詞對應的關(guān)鍵詞向量，其中，所述樣本字的向量是根據(jù)每個樣本字的點陣字體生成的；針對與所述關(guān)鍵詞相匹配的每個信息，根據(jù)該信息中包含的各單字，查找 該信息中包含的各單字對應的樣本字的向量，根據(jù)查找到的該信息中包含的各單字對應的樣本字的向量，確定該信息對應的信息向量；將所述關(guān)鍵詞向量以及各信息分別對應的信息向量作為輸入?yún)?shù)，輸入到神經(jīng)網(wǎng)絡(luò)模型中，以通過所述神經(jīng)網(wǎng)絡(luò)模型對所述各信息進行排序。本申請實施例提供一種參數(shù)輸入的裝置，包括：確定信息模塊，當接收到終端發(fā)送的關(guān)鍵詞時，根據(jù)所述關(guān)鍵詞，確定與所述關(guān)鍵詞相匹配的各信息；第一確定向量模塊，根據(jù)所述關(guān)鍵詞中包含的各單字，查找各單字對應的樣本字的向量，根據(jù)查找到的所述關(guān)鍵詞中各單字對應的樣本字的向量，確定所述關(guān)鍵詞對應的關(guān)鍵詞向量，其中，所述樣本字的向量是根據(jù)每個樣本字的點陣字體生成的；第二確定向量模塊，針對與所述關(guān)鍵詞相匹配的每個信息，根據(jù)該信息中包含的各單字，查找該信息中包含的各單字對應的樣本字的向量，根據(jù)查找到的該信息中包含的各單字對應的樣本字的向量，確定該信息對應的信息向量；參數(shù)輸入模塊，將所述關(guān)鍵詞向量以及各信息分別對應的信息向量作為輸入?yún)?shù)，輸入到神經(jīng)網(wǎng)絡(luò)模型中，以通過所述神經(jīng)網(wǎng)絡(luò)模型對所述各信息進行排序。本申請實施例采用的上述至少一個技術(shù)方案能夠達到以下有益效果：由于本申請實施在生成輸入到神經(jīng)網(wǎng)絡(luò)模型中的向量時并不是基于詞典來生成的，而是基于字體矩陣來生成的向量，相對于基于詞典而生成的向量來說，基于字體矩陣而生成的向量不受詞匯使用狀況的限制，可準確的對關(guān)鍵詞以及與該關(guān)鍵詞相匹配的各文檔進行表示，因此，將基于字體矩陣而生成的向量作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)輸入到神經(jīng)網(wǎng)絡(luò)模型后，可有效的提高神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理時的準確性。與此同時，基于字體矩陣而生成的向量在向量維數(shù)上要小于基于詞典而生成的向量，這樣一來，將基于字體矩陣而生成的向量作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)輸入到神經(jīng)網(wǎng)絡(luò)模型后，可有效的降低神經(jīng) 網(wǎng)絡(luò)模型進行數(shù)據(jù)處理時所消耗的時長，提高了神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理時的效率。附圖說明此處所說明的附圖用來提供對本申請的進一步理解，構(gòu)成本申請的一部分，本申請的示意性實施例及其說明用于解釋本申請，并不構(gòu)成對本申請的不當限定。在附圖中：圖1為本申請實施例提供的參數(shù)輸入的過程；圖2為本申請實施例提供的樣本字的點陣字體示意圖；圖3為本申請實施例提供的將各向量輸入在神經(jīng)網(wǎng)絡(luò)模型中的示意圖；圖4為本申請實施例提供的一種參數(shù)輸入的裝置結(jié)構(gòu)示意圖。具體實施方式現(xiàn)有技術(shù)中，服務(wù)器通常都是根據(jù)預設(shè)的詞典來生成用于輸入到神經(jīng)網(wǎng)絡(luò)模型中的向量的，由于該詞典中存儲的詞匯通常都是一些高頻的詞匯，因此，對于一些未在該詞典中出現(xiàn)的低頻詞匯來說，該詞匯將無法準確的以向量的形式表示出該低頻詞匯，進而導致將該向量輸入到神經(jīng)網(wǎng)絡(luò)模型中時，神經(jīng)網(wǎng)絡(luò)模型根據(jù)該向量而得出的結(jié)果也將是不準確的，不僅如此，該詞典中所包含的詞匯數(shù)量往往也就決定了該向量的維數(shù)，而由于該詞典中包含的詞匯數(shù)量通常都是極大的，相應的，根據(jù)該詞典而生成的該向量在維數(shù)上也將是極大的，將該向量輸入到神經(jīng)網(wǎng)絡(luò)模型中時，神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)處理效率將會降低。為了有效避免這些問題的發(fā)生，在本申請實施例中，服務(wù)器生成用于表示關(guān)鍵詞的向量時，將不再基于預設(shè)詞典來生成向量，即，摒棄了現(xiàn)有技術(shù)中用于生成向量的預設(shè)詞典，而是采用基于點陣字體來生成向量的方式來生成用于表示搜索關(guān)鍵詞的向量，由于基于點陣字體來生成的向量不受詞匯使用狀況的限制，可準確的對關(guān)鍵詞以及與該關(guān)鍵詞相匹配的各文檔進行表示，并且基于點陣字 體而生成的向量在維數(shù)上要遠小于基于預設(shè)詞典而生成的向量，因此，將基于點陣字體而生成的向量作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)輸入到神經(jīng)網(wǎng)絡(luò)模型中時，不但可以有效的提高神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理時的準確性，還可有效的提高神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理時的效率。為使本申請的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本申請具體實施例及相應的附圖對本申請技術(shù)方案進行清楚、完整地描述。顯然，所描述的實施例僅是本申請一部分實施例，而不是全部的實施例?；诒旧暾堉械膶嵤├?，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本申請保護的范圍。以下結(jié)合附圖，詳細說明本申請各實施例提供的技術(shù)方案。圖1為本申請實施例提供的參數(shù)輸入的過程，具體包括以下步驟：s101：當接收到終端發(fā)送的關(guān)鍵詞時，根據(jù)所述關(guān)鍵詞，確定與所述關(guān)鍵詞相匹配的各信息。在實際應用中，用戶在根據(jù)自身的需求，在網(wǎng)上搜索一些信息時，可在所持有的終端(諸如智能手機、平板電腦、電腦等終端設(shè)備)中輸入用于搜索信息的關(guān)鍵詞，具體的實現(xiàn)方式可以是用戶在所持有的終端中打開搜索應用或搜索網(wǎng)頁，并在相應的搜索輸入框中輸入用于搜索信息的關(guān)鍵詞。終端在接收到用戶輸入的關(guān)鍵詞后，可將該關(guān)鍵詞發(fā)送給服務(wù)器，相應的，服務(wù)器也將接收用戶通過終端發(fā)送的關(guān)鍵詞，并根據(jù)該關(guān)鍵詞，通過網(wǎng)絡(luò)來確定出與該關(guān)鍵詞相匹配的各信息，進而在后續(xù)過程中，將各信息進行排序，得到排序結(jié)果。s102：根據(jù)所述關(guān)鍵詞中包含的各單字，查找各單字對應的樣本字的向量，根據(jù)查找到所述關(guān)鍵詞中各單字對應的樣本字的向量，確定所述關(guān)鍵詞對應的關(guān)鍵詞向量，其中，所述樣本字的向量是根據(jù)每個樣本字的點陣字體生成的。為了使用戶得出的搜索結(jié)果在排序上更加的準確、合理，服務(wù)器通常會使用神經(jīng)網(wǎng)絡(luò)模型來完成用戶的搜索需要。服務(wù)器在運用神經(jīng)網(wǎng)絡(luò)模型來進行搜索時，通常需要將用戶用于搜索的關(guān)鍵詞，以及服務(wù)器搜索出的與該關(guān)鍵詞相 匹配的各信息轉(zhuǎn)換成用于表示該關(guān)鍵詞或用于表示該信息的向量，并將得出的各個向量作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)，輸入到神經(jīng)網(wǎng)絡(luò)模型中，從而使得神經(jīng)網(wǎng)絡(luò)模型將根據(jù)這些向量，來對得出的各搜索結(jié)果進行排序。因此，在本申請實施例中，當服務(wù)器接收到用戶通過終端發(fā)送的關(guān)鍵詞后，可將該關(guān)鍵詞轉(zhuǎn)換成能夠作為神經(jīng)網(wǎng)絡(luò)模型輸入?yún)?shù)的向量形式。而為了降低神經(jīng)網(wǎng)絡(luò)模型對各搜索結(jié)果進行排序時所消耗的時間，以及提高神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理時的準確性，本申請實施例中摒棄了現(xiàn)有技術(shù)中通過預設(shè)詞典來生成用于表示關(guān)鍵詞與各信息的向量的方式，而改用通過點陣字體來生成用于表示關(guān)鍵詞與各信息的向量的方式，通過采用基于點陣字體來生成用于表示關(guān)鍵詞與各信息的向量的方式，可有效提高神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理時的準確性，同時還可降低服務(wù)器在神經(jīng)網(wǎng)絡(luò)模型中所輸入的向量的維數(shù)，提高神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)處理效率。因此，服務(wù)器在將用戶用于搜索的關(guān)鍵詞轉(zhuǎn)換成向量之前，可針對各個單字，預先確定出各單字所對應的向量，并將各單字對應的各向量存儲在服務(wù)器中，這樣一來，服務(wù)器在后續(xù)將用戶用于搜索的關(guān)鍵詞轉(zhuǎn)換成向量時，即可在確定出該關(guān)鍵詞中包含的各個單字后，根據(jù)預先保存的各單字對應的向量，確定出該關(guān)鍵詞對應的向量。因此，在本申請實施例中，服務(wù)器可預先從網(wǎng)絡(luò)中收集各個樣本字，其中，服務(wù)器收集的樣本字包括但不限于漢字、外文、符號等，而由于本申請實施例中用于表示關(guān)鍵詞以及各信息(與關(guān)鍵詞相匹配的信息)的向量都是基于點陣字體生成的，因此，服務(wù)器在收集到各個樣本字后，需要預先確定出各個樣本字的點陣字體，進而在后續(xù)過程中，根據(jù)各樣本字的點陣字體，生成與各樣本字相匹配的各向量。服務(wù)器在確定出從網(wǎng)絡(luò)中收集的各個樣本字的點陣字體后，可針對每個樣本字，根據(jù)該樣本字的點陣字體中各實點的位置，生成與各樣本字相匹配的各向量。具體的，眾所周知，無論是漢字、外文還是符號，都可使用若干個點來進行表示，即，在使用若干個點來對一個漢字進行表示時，可將若干個點按照 該漢字的字體結(jié)構(gòu)進行排列，進而得出能夠表示該漢字的點陣字體，而由于本申請實施例中，服務(wù)器生成用于表示關(guān)鍵詞和各信息的向量是基于點陣字體來完成的，因此，服務(wù)器在確定出從網(wǎng)絡(luò)中收集的各樣本字的點陣字體后，可針對每個樣本字，根據(jù)該樣本字的點陣字體中各實點在該點陣字體中所處的位置，生成與該樣本字相匹配的向量。服務(wù)器在生成與該樣本字相匹配的向量時，可針對該樣本字的點陣字體中的每行點，根據(jù)該行點的數(shù)量，建立一個維數(shù)為該數(shù)量，并且每個元素為第一數(shù)值的向量，由于該樣本字都是通過該樣本字的點陣字體中的實點表示出來的，因此，服務(wù)器在可根據(jù)該行點中的實點在該行點中的位置，將先前建立的向量中相應位置處的元素的數(shù)值置為第二數(shù)值，從而得到針對每行點確定出的向量，而后，服務(wù)器在依次確定出針對每行點的向量后，可按照預設(shè)的順序，將針對每行點確定出的向量進行組合，得到一個單字向量，進而將該單字向量作為與樣本字相匹配的向量，如圖2所示。圖2為本申請實施例提供的樣本字的點陣字體示意圖。例如，假設(shè)服務(wù)器生成與樣本字“英”相匹配的向量時，可先確定出一個該樣本字“英”的點陣字體，即圖2所示的16×16的點陣字體，從圖2中可以看出，該16×16的點陣字體是由256個點所組成(該點即為圖2中的各個單元格)，在這256個點中，虛點(即圖2中空白的單元格)表示樣本字“英”的筆畫未經(jīng)過該點，而實點(即圖2中帶有實心圓點的單元格)則表示該樣本字“英”的筆畫經(jīng)過了該點，因此，通過這樣一個16×16的點陣字體，即可準確、清楚的表示出該樣本字“英”，而服務(wù)器也可根據(jù)各實點在該16×16的點陣字體中所處的位置，確定出能夠表示該樣本字“英”的向量，其中，服務(wù)器在確定能夠表示該樣本字“英”的向量時，可先針對該16×16的點陣字體的每行點，根據(jù)該16×16的點陣字體中每行點的數(shù)量，建立一個維數(shù)為16(每行中有16個點)，且每個元素為0的向量“0000000000000000”，而對于該16×16的點陣字體中的第一行(該第一行是按照各行在16×16的點陣字體中自 上而下的順序來劃分的)來說，服務(wù)器可根據(jù)各的實點(即圖2中的實心圓點)在該行點中所處的位置，將向量中相應位置處的0置為1，得到針對該行點確定出的向量為“0000010000010000”，相應的，服務(wù)器可根據(jù)這種方式，依次確定出該16×16的點陣字體中每行點的向量，如表1所示。行向量第1行0000010000010000第2行0000010000010000第3行0111111111111111第4行0000010000010000第5行0000010010010000第6行0000000010000000第7行0001111111111100第8行0001000010000100第9行0001000010000100第10行0001000010000100第11行0111111111111111第12行0000000101000000第13行0000001000100000第14行0000010000010000第15行0000100000001000第16行0111000000000111表1在分別確定出每行點所對應的向量后，服務(wù)器可按照各行在該16×16的點陣字體中自上而下的順序，將各行點對應的向量進行組合，得到一個單字向量，進而將該單字向量就作為能夠表示該樣本字“英”的向量。服務(wù)器在依次確定出與各樣本字相匹配的向量后，可將各向量進行存儲， 繼而為后續(xù)服務(wù)器將用戶用于搜索的關(guān)鍵詞轉(zhuǎn)換為輸入到神經(jīng)網(wǎng)絡(luò)模型的向量做準備。從這里可以看出，服務(wù)器在確定與各樣本字相匹配的向量時并不是基于詞典而得到的，而是采用基于點陣字體生成向量的方式，確定出與各樣本字相匹配的向量的，由于，無論各樣本字是否是常用的樣本字，各樣本字都可以采用點陣字體的形式進行表示，相應的，點陣字體也能夠完整的將各樣本字進行呈現(xiàn)，因此，通過基于點陣字體來生成向量的方式而得出的針對各樣本字的向量，可以準確的表示出各樣本字，從而使得服務(wù)器后續(xù)根據(jù)與各樣本字相匹配的向量而確定出的關(guān)鍵詞對應的關(guān)鍵詞向量也能夠準確的表示出該關(guān)鍵詞，相應的，服務(wù)器在后續(xù)過程中，通過基于點陣字體來生成向量的方式，也可得到能夠準確表示出與該關(guān)鍵詞相匹配的各信息所對應的各信息向量，進而服務(wù)器將該關(guān)鍵詞向量以及各信息向量輸入到神經(jīng)網(wǎng)絡(luò)模型中時，神經(jīng)網(wǎng)絡(luò)模型根據(jù)該關(guān)鍵詞向量和各信息向量而得出的結(jié)果也將是準確的。需要說明的是，上述示例中所提到的點陣字體并不只限定于16×16的點陣字體，在本申請實施例中，點陣字體可以是任意維度的，不僅如此，該點陣字體也并不一定是正方形的點陣，還可以是矩形的點陣，而考慮到點陣字體需要清楚的表示出各樣本字，服務(wù)器所選取的點陣的維數(shù)不易過小，而由于在本申請實施例中，服務(wù)器確定出與各樣本字相匹配的向量都是基于點陣字體得出的，因此，點陣的維數(shù)相應的將決定出各樣本字所對應的向量的維數(shù)，考慮到隨著向量維數(shù)的增大會增加神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理所消耗的時間，服務(wù)器所選取的點陣也不易過大，因此，基于上述兩點的考慮，服務(wù)器可將各樣本字表示成16×16或20×20的點陣字體。另外，服務(wù)器將針對每行點而確定出來的向量組合成單字向量時，除了可以按照上述說明的按照自上而下的順序?qū)⑨槍γ啃悬c確定出的向量進行組合外，也可以自下而上的順序?qū)Ω飨蛄窟M行組合。當然，服務(wù)器也可確定出針對每列點的向量，并按照自左向右或自右向左的順序，將針對每列點而確定出的 向量進行組合，得出與該樣本字相匹配的向量。由于服務(wù)器已經(jīng)通過基于點陣字體來生成向量的方式，確定出了各樣本字對應的向量，因此，服務(wù)器在接收到用戶通過終端發(fā)送的關(guān)鍵詞后，可將該關(guān)鍵詞轉(zhuǎn)換成能夠作為神經(jīng)網(wǎng)絡(luò)模型輸入?yún)?shù)的向量形式，具體的轉(zhuǎn)換過程可以是服務(wù)器在接收到用戶通過終端發(fā)送的用于搜索的關(guān)鍵詞后，可確定出該關(guān)鍵詞中包含的各個單字，而后，服務(wù)器可根據(jù)預先保存的與各樣本字的字形相匹配的向量，查找出與該關(guān)鍵詞中各單字對應的樣本字的向量，繼而再按照各單字在該關(guān)鍵詞中的排列順序，將查找出的各單字對應的樣本字的向量進行組合，從而確定出該關(guān)鍵詞所對應的關(guān)鍵詞向量。例如，假設(shè)服務(wù)器在接收到用戶通過終端發(fā)送的關(guān)鍵詞“黃河大合唱”后，可根據(jù)服務(wù)器中預先保存的與各樣本字相匹配的向量，分別查找到該關(guān)鍵詞“黃河大合唱”中所包含的5個單字所對應的樣本字的向量，其中，服務(wù)器查找到的單字“黃”所對應的樣本字的向量為“a”，單字“河”所對應的樣本字的向量為“q”，單字“大”所對應的樣本字的向量為“z”，單字“合”所對應的樣本字的向量為“h”，單字“唱”所對應的樣本字的向量為“v”，這樣，服務(wù)器在分別查找到這5個單字所對應的樣本字的向量后，可按照這5個單字在關(guān)鍵詞“黃河大合唱”中的排列順序，將這5個單字所對應的樣本字的向量進行組合，得到向量“aqzhv”，進而將該向量“aqzhv”就作為確定出的該關(guān)鍵詞“黃河大合唱”所對應的關(guān)鍵詞向量。需要說明的是，在實際應用中，服務(wù)器將一個向量作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)輸入到神經(jīng)網(wǎng)絡(luò)模型時，該向量通常都是一個固定維數(shù)的向量，即，神經(jīng)網(wǎng)絡(luò)模型所能接收的向量通常需要符合神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的關(guān)鍵詞向量的向量維數(shù)，因此，在本申請實施例中，服務(wù)器在確定出關(guān)鍵詞所對應的關(guān)鍵詞向量后，可根據(jù)神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)，判斷該關(guān)鍵詞向量的向量維度是否滿足神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)，其中，當服務(wù)器確定出該關(guān)鍵詞向量的向量維數(shù)小于神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)時，則服務(wù)器根據(jù)神經(jīng) 網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)，將由該關(guān)鍵詞中各單字所對應的樣本字的向量而組成的向量轉(zhuǎn)換成維數(shù)為神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)的向量，并將轉(zhuǎn)換后的向量作為該關(guān)鍵詞所對應的關(guān)鍵詞向量，具體做法可以是，當服務(wù)器確定出該關(guān)鍵詞向量的向量維數(shù)小于神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)時，可在該關(guān)鍵詞向量的后面或前面連續(xù)補若干位數(shù)的0，使得補完0后所得到的關(guān)鍵詞向量的向量維數(shù)與神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)(即，神經(jīng)網(wǎng)名模型所規(guī)定的向量維數(shù))相等，進而將補完0后所得到的該關(guān)鍵詞向量作為關(guān)鍵詞所對應的關(guān)鍵詞向量。例如，假設(shè)服務(wù)器在確定出某一關(guān)鍵詞中所包含的各單字對應的樣本字的向量后，可按照各單字在該關(guān)鍵詞中的排列順序，將確定出的各單字所對應的樣本字的向量進行組合，得到了一個向量維數(shù)為12的關(guān)鍵詞向量，與此同時，服務(wù)器在發(fā)現(xiàn)到神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)為17后，可判斷出該關(guān)鍵詞向量的向量維數(shù)小于神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)，因此，為了使關(guān)鍵詞向量的維數(shù)符合神經(jīng)網(wǎng)名模型所規(guī)定的向量維數(shù)，服務(wù)器可在該關(guān)鍵詞向量的后面補充5個0，這樣一來，補完0后所得到的關(guān)鍵詞向量在向量維數(shù)上與神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)相同，繼而，服務(wù)器可將補完0后所得到的關(guān)鍵詞向量作為該關(guān)鍵詞所對應的關(guān)鍵詞向量。當服務(wù)器根據(jù)關(guān)鍵詞中包含的各單字所對應的樣本字向量，以及各單字在該關(guān)鍵詞中的排列順序而確定出該關(guān)鍵詞所對應的關(guān)鍵詞向量，在向量維數(shù)上大于神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)，則服務(wù)器可將該關(guān)鍵詞向量進行截取，得到與神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)相同的向量，并將該截取后的向量就作為該關(guān)鍵詞所對應的關(guān)鍵詞向量。具體的截取方式可以是，在確定出的關(guān)鍵詞向量(該向量為截取前的向量)的前面(從頭開始)或后面(從尾開始)連續(xù)截取若干位數(shù)的向量，并將截取后的向量就作為該關(guān)鍵詞所對應的關(guān)鍵詞向量。例如，假設(shè)神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)為17，而服務(wù)器針對某一關(guān) 鍵詞而確定出的該關(guān)鍵詞所對應的關(guān)鍵詞向量的向量維數(shù)為22，則服務(wù)器可從該關(guān)鍵詞向量的尾部開始，向前連續(xù)截取5位向量，從而得到與神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)相同的向量，進而將截取后的向量就作為該關(guān)鍵詞所對應的關(guān)鍵詞向量。上述說明的截取方式雖然能夠使截取后的關(guān)鍵詞向量符合神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)，但是，由于服務(wù)器截取掉了原關(guān)鍵詞向量(即未截取的關(guān)鍵詞向量)中的一部分，相應的也就破壞了原關(guān)鍵詞向量的完整性，這樣一來，若服務(wù)器將截取后的關(guān)鍵詞向量輸入到神經(jīng)網(wǎng)絡(luò)模型中后，神經(jīng)網(wǎng)絡(luò)模型根據(jù)該截取后的關(guān)鍵詞向量而得到的數(shù)據(jù)處理結(jié)果可能是一個準確性較低的數(shù)據(jù)處理結(jié)果。為了防止上述情況的發(fā)生，在本申請實施例中，服務(wù)器也可通過修改神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)，來使得服務(wù)器確定出的關(guān)鍵詞向量符合神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)，其中，為了使服務(wù)器確定出的關(guān)鍵詞向量的向量維數(shù)不超出神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的向量維數(shù)，服務(wù)器可通過大量的數(shù)據(jù)統(tǒng)計以及數(shù)據(jù)分析，確定出用戶在進行搜索時所能輸入的最長的有效關(guān)鍵詞的單字個數(shù)，進而根據(jù)該最長的關(guān)鍵詞中所包含的單字個數(shù)，以及與單字向匹配的向量的維數(shù)，確定出神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的關(guān)鍵詞向量的向量維數(shù)，并將該向量維數(shù)作為一個預設(shè)的關(guān)鍵詞向量維數(shù)進行保存，方便后續(xù)進行使用。例如，假設(shè)服務(wù)器通過大量的數(shù)據(jù)統(tǒng)計以及數(shù)據(jù)分析，確定出用戶在進行搜索時所能輸入的最長的有效關(guān)鍵詞中包含的單字個數(shù)為30，因此，服務(wù)器可進一步的根據(jù)服務(wù)器中預設(shè)的各單字所能表示成的16×16的點陣字體，確定出神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的關(guān)鍵詞向量的向量維數(shù)為7680，并將該向量維數(shù)7680作為一個預設(shè)的關(guān)鍵詞向量維數(shù)進行保存。由于上述說明的神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的關(guān)鍵詞向量的向量維數(shù)是基于服務(wù)器確定出的最長的關(guān)鍵詞而確定出來的，因此，服務(wù)器后續(xù)在接收到用戶通過終端發(fā)送的關(guān)鍵詞后，發(fā)現(xiàn)確定出的該關(guān)鍵詞所對應的關(guān)鍵詞向量的向量維 數(shù)小于神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的關(guān)鍵詞向量的向量維數(shù)，則可根據(jù)預設(shè)的關(guān)鍵詞向量維數(shù)(該預設(shè)的關(guān)鍵詞向量維數(shù)與神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的關(guān)鍵詞向量的向量維數(shù)相同)，將由該關(guān)鍵詞中包含的各單字所對應的向量組合而成的向量轉(zhuǎn)換為維數(shù)與預設(shè)的該關(guān)鍵詞向量維數(shù)相同的向量，并將轉(zhuǎn)換后的向量就作為該關(guān)鍵詞所對應的關(guān)鍵詞向量。具體的實施方式可以是，服務(wù)器可在確定出的關(guān)鍵詞向量(即未轉(zhuǎn)換的關(guān)鍵詞向量)后面或前面用0進行補位，使得通過補位后而得到的向量在向量維數(shù)上與預設(shè)的關(guān)鍵詞向量維數(shù)(即，神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的關(guān)鍵詞向量的向量維數(shù))相同，進而將該補位后的向量就作為該關(guān)鍵詞所對應的關(guān)鍵詞向量。需要說明的是，服務(wù)器在對確定出的關(guān)鍵詞向量進行補位時，除了可以使用0進行補位外，還可使用1或其他數(shù)字進行補位，只需保證補位所使用的數(shù)字都為同一數(shù)字即可。s103：針對與所述關(guān)鍵詞相匹配的每個信息，根據(jù)該信息中包含的各單字，查找該信息中包含的各單字對應的樣本字的向量，根據(jù)查找到的該信息中包含的各單字對應的樣本字的向量，確定該信息對應的信息向量。神經(jīng)網(wǎng)絡(luò)模型在進行數(shù)據(jù)處理的過程中，除了需要服務(wù)器將用戶發(fā)送的用于搜索的關(guān)鍵詞轉(zhuǎn)換為向量形式輸入到神經(jīng)網(wǎng)絡(luò)模型中外，還需要服務(wù)器將與該關(guān)鍵詞相匹配的各個信息轉(zhuǎn)換成向量形式輸入到神經(jīng)網(wǎng)絡(luò)模型中，這樣，神經(jīng)網(wǎng)絡(luò)模型才能得出相應的數(shù)據(jù)處理結(jié)果。因此，在本申請實施例中，服務(wù)器確定出與用戶發(fā)送的關(guān)鍵詞相匹配的各個信息后，可針對每個信息，根據(jù)該信息中包含的各單字，查找出與該信息中包含的各單字所對應的樣本字的向量，而后，服務(wù)器可將確定出的各單字所對應的樣本字的向量按照各單字在該信息的排列順序進行組合，進而確定出該信息所對應的信息向量。相應的，服務(wù)器也可按照這種方式，分別確定出各信息所對應的信息向量，并在后續(xù)步驟s106中，將各信息對對應的信息向量以及關(guān)鍵詞所對應的關(guān)鍵詞向量，作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)，輸入在神經(jīng)網(wǎng)絡(luò)模型中。例如，假設(shè)服務(wù)器根據(jù)用戶發(fā)送的關(guān)鍵詞“英雄”而確定出的與該關(guān)鍵詞“英雄”相匹配的一條信息為“電影英雄進軍奧斯卡”，服務(wù)器在將該信息轉(zhuǎn)換成向量形式時，可根據(jù)該信息中所包含的各個單字，以及預先存儲的與各樣本字的字形相匹配的向量，依次確定出各單字所對應的樣本字的向量為“t”、“g”、“k”、“x”、“j”、“u”、“d”、“s”、“w”，而后，服務(wù)器可按照各單字在該信息中的排列順序，將確定出的各單字所對應的樣本字的向量進行組合，得到向量“tgkxjudsw”，進而將該向量“tgkxjudsw”就作為該信息所對應的信息向量。相應的，服務(wù)器也可通過這種方式，分別確定出與該關(guān)鍵詞“英雄”相匹配的各信息所對應的信息向量。需要說明的是，由于神經(jīng)網(wǎng)絡(luò)模型所能接收到的信息向量通常需要符合神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的信息向量的向量維數(shù)，因此，在本申請實施例中，服務(wù)器也將通過數(shù)據(jù)統(tǒng)計以及數(shù)據(jù)分析的方式，從網(wǎng)絡(luò)中確定出最長的信息所包含的單字個數(shù)，進而再根據(jù)預設(shè)的字體矩陣，確定出該將最長的信息轉(zhuǎn)換成向量形式時，該向量的向量維數(shù)，并將該向量維數(shù)作為預設(shè)的信息向量維數(shù)進行保存，與此同時，服務(wù)器可根據(jù)該向量維數(shù)，來修改神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的信息向量的向量維數(shù)，即，修改后的神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的信息向量的向量維數(shù)與服務(wù)器確定出的最長信息所對應的向量的向量維數(shù)相同。例如，假設(shè)服務(wù)器通過數(shù)據(jù)統(tǒng)計以及數(shù)據(jù)分析，確定出網(wǎng)絡(luò)中存在的最長的信息中所包含的單字個數(shù)為10000，因此，服務(wù)器可進一步的根據(jù)服務(wù)器中預設(shè)的各單字所能表示成的16×16的點陣字體，確定出神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的信息向量的向量維數(shù)為2560000，并將該向量維數(shù)2560000作為一個預設(shè)的信息向量維數(shù)進行保存。由于上述說明的神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的信息向量的向量維數(shù)是基于服務(wù)器確定戶的最長信息而得來的，因此，服務(wù)器后續(xù)在確定各信息所對應的信息向量時，若發(fā)現(xiàn)確定出的某一信息向量在向量維數(shù)上小于神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的信息向量的向量維數(shù)，則可根據(jù)預設(shè)的信息向量維數(shù)(該預設(shè)的信息向量維 數(shù)與神經(jīng)網(wǎng)絡(luò)模型所規(guī)定的信息向量的向量維數(shù)相同)，將由該信息中包含的各單字所對應的向量組合而得到的向量轉(zhuǎn)換為維數(shù)與預設(shè)的該信息向量維數(shù)相同的向量，并將轉(zhuǎn)換后的向量就作為該信息所對應的信息向量，具體的實施方式可以是，服務(wù)器在確定出的信息向量(即未轉(zhuǎn)換的信息向量)后面或前面用0或其他數(shù)字進行補位，得到與預設(shè)的信息向量維數(shù)相同的向量，進而將該補位后的向量作為該信息所對應的信息向量。還需說明的是，服務(wù)器從網(wǎng)絡(luò)中確定出的最長信息并不單指一個完整的信息，因為，在實際的搜索過程中，服務(wù)器根據(jù)用戶發(fā)送的關(guān)鍵詞而查找到的與該關(guān)鍵詞相匹配的各個信息通常都是網(wǎng)頁中的信息，而網(wǎng)頁中的信息所包含的單字數(shù)量通常都不會過多，即，根據(jù)數(shù)據(jù)統(tǒng)計得出的一個網(wǎng)頁中所包含的單字數(shù)據(jù)最多在10000個單字左右，因此，服務(wù)器基于字體矩陣而確定出的各信息所對應的信息向量與現(xiàn)有技術(shù)中基于詞典而確定出的信息向量相比，基于字體矩陣而確定出的信息向量在向量維數(shù)上要遠小于基于詞典而確定出的信息向量，進而可有效的降低神經(jīng)網(wǎng)絡(luò)模型的運行負擔，提高神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)處理效率。s104：將所述關(guān)鍵詞向量以及各信息分別對應的信息向量作為輸入?yún)?shù)，輸入到神經(jīng)網(wǎng)絡(luò)模型中，以通過所述神經(jīng)網(wǎng)絡(luò)模型對所述各信息進行排序。服務(wù)器在分別確定出關(guān)鍵詞所對應的關(guān)鍵詞向量，以及與該關(guān)鍵詞相匹配的各信息所對應的信息向量后，可將這些向量作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)輸入到神經(jīng)網(wǎng)絡(luò)模型中，使得神經(jīng)網(wǎng)絡(luò)模型在接收到這些向量后，可通過對這些向量的內(nèi)部運算，得出各信息的排序結(jié)果，并通過服務(wù)器，將該排序結(jié)果返回給用戶所使用的終端中，如圖3所示。圖3為本申請實施例提供的將各向量輸入在神經(jīng)網(wǎng)絡(luò)模型中的示意圖。假設(shè)，服務(wù)器分別確定出與關(guān)鍵詞對應的關(guān)鍵詞向量s(12800維)，以及與該關(guān)鍵詞相匹配的三個信息所對應的信息向量d(256000維)、h(256000維)、g(256000維)后，可將這四個向量作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)輸入 到神經(jīng)網(wǎng)絡(luò)模型的輸入層(inputlayer)中，而神經(jīng)網(wǎng)絡(luò)模型的輸入層在接收到這四個向量后，可將這四個向量發(fā)送到神經(jīng)網(wǎng)絡(luò)模型中的隱層(hiddenlayer)中，隱層在接收到這四個向量后，將對這四個向量進行內(nèi)部的運算，并將運算得到的結(jié)果發(fā)送至神經(jīng)網(wǎng)絡(luò)模型中的輸出層(outputlayer)中，而輸出層則可將該結(jié)果(即排序結(jié)果)作為神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)處理結(jié)果輸出給服務(wù)器。從上述方法中可以看出，由于基于點陣字體而生成向量的方式不受詞匯使用情況的影響，可準確的以向量的形式表示出關(guān)鍵詞以及與該關(guān)鍵詞相匹配的各信息，因此，相對于現(xiàn)有技術(shù)中通過詞典來生成向量的方式，服務(wù)器可有效的提高生成用于輸入在神經(jīng)網(wǎng)絡(luò)模型中的向量的準確性，進而提高神經(jīng)網(wǎng)絡(luò)模型根據(jù)該向量而進行數(shù)據(jù)處理時的準確性。不僅如此，基于點陣字體而確定出的向量在向量維數(shù)上要遠小于基于詞典而確定出的向量，因此，本申請實施例摒棄了現(xiàn)有技術(shù)中通過詞典來生成向量的方式，而采用點陣字體確定向量的方式，確定出輸入在神經(jīng)網(wǎng)絡(luò)模型中的各個向量，因此，可有效的降低神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理所消耗的時間，同時減少了服務(wù)器存儲各向量所占用的內(nèi)存空間，提高了服務(wù)器的運行效率。需要說明的是，在上述步驟s102中，為了進一步的降低向量的維數(shù)，服務(wù)器在生成針對每行點的向量時，可將該向量進一步的轉(zhuǎn)化，例如，對于上述表1中的各行點所對應的向量來說，服務(wù)器可將每一個16維向量拆分成4個2進制數(shù)，而后，在將每一個2進制數(shù)轉(zhuǎn)化成16進制數(shù)，這樣一來，原有的16維向量即可通過4個16進制數(shù)而形成的向量來表示，進而使得該關(guān)鍵詞“英”所對應的關(guān)鍵詞向量，在向量維數(shù)上進一步的降低。在實際應用中，神經(jīng)網(wǎng)絡(luò)模型用途十分的廣泛，其中，對于搜索、廣告點擊量預測、推薦、對話系統(tǒng)、智能客服等領(lǐng)域來說，神經(jīng)網(wǎng)絡(luò)模型的作用尤為突出，然而，神經(jīng)網(wǎng)絡(luò)模型在這些領(lǐng)域的應用過程中，所接收到的向量基本都是基于詞典而生成的，由于基于詞典所生成的向量通常都是維數(shù)極大的向量，因此，神經(jīng)網(wǎng)絡(luò)模型在接收到這些向量后，所消耗的數(shù)據(jù)處理時間也將是較長 的。為了避免基于詞典來生成向量所帶來的問題，對于涉及神經(jīng)網(wǎng)絡(luò)模型的領(lǐng)域來說，服務(wù)器也可采用基于點陣字體生成向量的方式，將一些文字、符號轉(zhuǎn)換成能夠輸入到神經(jīng)網(wǎng)絡(luò)模型中的向量形式，并將這些向量輸入到神經(jīng)網(wǎng)絡(luò)模型中。與現(xiàn)有技術(shù)相比，由于神經(jīng)網(wǎng)絡(luò)模型所接收到的向量在向量維數(shù)上極大的降低，因此，可有效的降低神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理所消耗的時間，顯著的提高了神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理時的效率。以上為本申請實施例提供的參數(shù)輸入的方法，基于同樣的思路，本申請實施例還提供一種參數(shù)輸入的裝置，如圖4所示。圖4為本申請實施例提供的一種參數(shù)輸入的裝置結(jié)構(gòu)示意圖，具體包括：確定信息模塊401，當接收到終端發(fā)送的關(guān)鍵詞時，根據(jù)所述關(guān)鍵詞，確定與所述關(guān)鍵詞相匹配的各信息；第一確定向量模塊402，根據(jù)所述關(guān)鍵詞中包含的各單字，查找各單字對應的樣本字的向量，根據(jù)查找到的所述關(guān)鍵詞中各單字對應的樣本字的向量，確定所述關(guān)鍵詞對應的關(guān)鍵詞向量，其中，所述樣本字的向量是根據(jù)每個樣本字的點陣字體生成的；第二確定向量模塊403，針對與所述關(guān)鍵詞相匹配的每個信息，根據(jù)該信息中包含的各單字，查找該信息中包含的各單字對應的樣本字的向量，根據(jù)查找到的該信息中包含的各單字對應的樣本字的向量，確定該信息對應的信息向量；參數(shù)輸入模塊404，將所述關(guān)鍵詞向量以及各信息分別對應的信息向量作為輸入?yún)?shù)，輸入到神經(jīng)網(wǎng)絡(luò)模型中，以通過所述神經(jīng)網(wǎng)絡(luò)模型對所述各信息進行排序。所述裝置還包括：所述生成模塊405，確定預先收集的各樣本字的點陣字體；針對每個樣本字，根據(jù)該樣本字的點陣字體中各實點的位置，生成與該樣本字相匹配的向量。所述生成模塊405，針對該樣本字的點陣字體中的每行點，根據(jù)該行點的 數(shù)量，建立維數(shù)為該數(shù)量、且每個元素為第一數(shù)值的向量；根據(jù)該行點中的實點在該行點中的位置，將向量中相應位置處的元素的數(shù)值置為第二數(shù)值，得到針對每行點確定出的向量；按照預設(shè)的順序，將針對每行點確定出來的向量組合成單字向量，并將所述單字向量作為與該樣本字相匹配的向量。所述第一確定向量模塊402，按照各單字在所述關(guān)鍵詞中的排列順序，將所述關(guān)鍵詞中各單字對應的向量進行組合，確定出所述關(guān)鍵詞對應的所述關(guān)鍵詞向量；所述第二確定向量模塊403，按照各單字在該信息中的排列順序，將該信息中各單字對應的向量進行組合，確定出該信息對應的所述信息向量。所述第一確定向量模塊402，根據(jù)預設(shè)的關(guān)鍵詞向量維數(shù)，將由所述關(guān)鍵詞中各單字對應的向量組合得到的向量轉(zhuǎn)換成維數(shù)為所述關(guān)鍵詞向量維數(shù)的向量，作為關(guān)鍵詞向量；所述第二確定向量模塊403，根據(jù)預設(shè)的信息向量維數(shù)，將由該信息中各單字對應的向量組合得到的向量轉(zhuǎn)換成維數(shù)為所述信息向量維數(shù)的向量，作為信息向量。本申請實施例提供一種參數(shù)輸入的方法及裝置，該方法中服務(wù)器在接收到終端發(fā)送的關(guān)鍵詞后，可根據(jù)預先保存的各樣本字通過點陣字體而生成的向量，確定出該關(guān)鍵詞所對應的關(guān)鍵詞向量，相應的，服務(wù)器根據(jù)該關(guān)鍵詞，確定出與該關(guān)鍵詞相匹配的各信息后，可根據(jù)預先保存的各樣本字通過點陣字體而生成的向量，確定出各信息所對應的各信息向量，并將各信息向量以及關(guān)鍵詞向量作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)輸入到神經(jīng)網(wǎng)絡(luò)模型中。由于本申請實施所采用的基于點陣字體而生成向量的方式不受詞匯使用情況的影響，可準確的以向量的形式表示出關(guān)鍵詞以及與該關(guān)鍵詞相匹配的各信息，因此，相對于現(xiàn)有技術(shù)中通過詞典來生成向量的方式，服務(wù)器可有效的提高生成用于輸入在神經(jīng)網(wǎng)絡(luò)模型中的向量的準確性，進而提高神經(jīng)網(wǎng)絡(luò)模型根據(jù)該向量而進行數(shù)據(jù)處理時的準確性，不僅如此，基于點陣字體而生成的向量在維數(shù)上要遠小于基 于詞典而生成的向量，因此，將基于點陣字體而生成的向量作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)輸入到神經(jīng)網(wǎng)絡(luò)模型后，可有效的降低神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理時所消耗的時長，提高了神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理時的效率。需要說明的是，實施例1所提供方法的各步驟的執(zhí)行主體均可以是同一設(shè)備，或者，該方法也由不同設(shè)備作為執(zhí)行主體。比如，步驟s103和步驟s104的執(zhí)行主體可以為服務(wù)器，步驟105的執(zhí)行主體可以為神經(jīng)網(wǎng)絡(luò)模型；又比如，步驟s103的執(zhí)行主體可以為服務(wù)器，步驟s104和步驟s105的執(zhí)行主體可以為神經(jīng)網(wǎng)絡(luò)模型；等等。本領(lǐng)域內(nèi)的技術(shù)人員應明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(zhì)(包括但不限于磁盤存儲器、cd-rom、光學存儲器等)上實施的計算機程序產(chǎn)品的形式。本發(fā)明是參照根據(jù)本發(fā)明實施例的方法、設(shè)備(系統(tǒng))、和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。這些計算機程序指令也可存儲在能引導計算機或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。在一個典型的配置中，計算設(shè)備包括一個或多個處理器(cpu)、輸入/輸出接口、網(wǎng)絡(luò)接口和內(nèi)存。內(nèi)存可能包括計算機可讀介質(zhì)中的非永久性存儲器，隨機存取存儲器(ram)和/或非易失性內(nèi)存等形式，如只讀存儲器(rom)或閃存(flashram)。內(nèi)存是計算機可讀介質(zhì)的示例。計算機可讀介質(zhì)包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術(shù)來實現(xiàn)信息存儲。信息可以是計算機可讀指令、數(shù)據(jù)結(jié)構(gòu)、程序的模塊或其他數(shù)據(jù)。計算機的存儲介質(zhì)的例子包括，但不限于相變內(nèi)存(pram)、靜態(tài)隨機存取存儲器(sram)、動態(tài)隨機存取存儲器(dram)、其他類型的隨機存取存儲器(ram)、只讀存儲器(rom)、電可擦除可編程只讀存儲器(eeprom)、快閃記憶體或其他內(nèi)存技術(shù)、只讀光盤只讀存儲器(cd-rom)、數(shù)字多功能光盤(dvd)或其他光學存儲、磁盒式磁帶，磁帶磁磁盤存儲或其他磁性存儲設(shè)備或任何其他非傳輸介質(zhì)，可用于存儲可以被計算設(shè)備訪問的信息。按照本文中的界定，計算機可讀介質(zhì)不包括暫存電腦可讀媒體(transitorymedia)，如調(diào)制的數(shù)據(jù)信號和載波。還需要說明的是，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、商品或者設(shè)備中還存在另外的相同要素。本領(lǐng)域技術(shù)人員應明白，本申請的實施例可提供為方法、系統(tǒng)或計算機程 序產(chǎn)品。因此，本申請可采用完全硬件實施例、完全軟件實施例或結(jié)合軟件和硬件方面的實施例的形式。而且，本申請可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(zhì)(包括但不限于磁盤存儲器、cd-rom、光學存儲器等)上實施的計算機程序產(chǎn)品的形式。以上所述僅為本申請的實施例而已，并不用于限制本申請。對于本領(lǐng)域技術(shù)人員來說，本申請可以有各種更改和變化。凡在本申請的精神和原理之內(nèi)所作的任何修改、等同替換、改進等，均應包含在本申請的權(quán)利要求范圍之內(nèi)。當前第1頁12