CN107908789A - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取目标用户的用户信息，其中，用户信息包括：历史资讯浏览信息、属性信息；对用户信息进行特征提取，生成用户信息的特征向量，其中，特征向量包括表示历史资讯浏览信息的分量、表示属性信息的分量；将特征向量输入至预先训练的资讯浏览预测模型中，得到至少一个预测标签词，预测标签词用于预测用户所感兴趣的资讯信息，资讯信息与预测标签词之间的对应关系为预先建立的；从至少一个预测标签词中选取预测标签词作为推送标签词，并生成与推送标签词对应的资讯信息。该实施方式实现了富于针对性的生成信息。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于生成信息的方法和装置。

背景技术

信息生成，通常是根据信息需求，将各种数据经过分析、计算后，得到所需要的信息。

现有的基于用户的兴趣的信息生成方式，通常是基于用户的搜索信息或浏览信息，生成与用户的搜索信息或浏览信息的主题相同或相近的信息，并推送各用户所使用的终端设备。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取目标用户的用户信息，其中，用户信息包括：历史资讯浏览信息、属性信息；对用户信息进行特征提取，生成用户信息的特征向量，其中，特征向量包括表示历史资讯浏览信息的分量、表示属性信息的分量；将特征向量输入至预先训练的资讯浏览预测模型中，得到至少一个预测标签词，其中，资讯浏览预测模型用于表征用户信息的特征向量与预测标签词之间的对应关系，预测标签词用于预测用户所感兴趣的资讯信息，资讯信息与预测标签词之间的对应关系为预先建立的；从至少一个预测标签词中选取预测标签词作为推送标签词，并生成与推送标签词对应的资讯信息。

在一些实施例中，从至少一个预测标签词中选取预测标签词作为推送标签词，包括：获取与历史资讯浏览信息对应的第一资讯标签词集合；将至少一个预测标签词与第一资讯标签词集合中的各第一资讯标签词比较，从至少一个预测标签词中选取与第一资讯标签词集合中的第一资讯标签词不同的词语作为推送标签词。

在一些实施例中，资讯浏览预测模型是通过如下步骤训练得到的：获取初始资讯浏览预测模型；对于历史用户终端集合中的每一个历史用户终端，分别获取该历史用户终端的资讯浏览信息以及属性信息，其中，资讯浏览信息包括浏览的资讯，属性信息包括以下至少一项：用户的年龄、性别；对该历史用户终端所浏览的资讯进行关键词提取，将提取到的关键词与第二资讯标签词集合中的第二资讯标签词匹配，确定与该历史用户终端对应的至少一个第二资讯标签词作为预测标签词；对各历史用户终端的资讯浏览信息以及属性信息进行特征提取，生成基于资讯浏览信息以及属性信息的特性向量；将历史用户终端中的每一个历史用户终端对应的特征向量作为输入数据，将与该用户终端对应的预测标签词作为输出数据，训练初始资讯浏览预测模型得到资讯浏览预测模型。

在一些实施例中，将提取到的关键词与第二资讯标签词集合中的第二资讯标签词匹配，确定与该历史用户终端对应的至少一个第二资讯标签词作为预测标签词，包括：对于提取到的关键词中的每一个关键词，确定第二资讯标签词集合中是否存在与该关键词相同的第二资讯标签词；响应于第二资讯标签词集合中不存在与该关键词相同的第二资讯标签词，计算该关键词与第二资讯标签词集合中的各第二资讯标签词之间的相似度；选取与该关键词之间的相似度大于预设阈值的第二资讯标签词作为预测标签词。

在一些实施例中，从至少一个预测标签词中选取预测标签词作为推送标签词，包括：分别获取目标用户终端基于搜索引擎的搜索信息以及基于页面浏览的页面点击信息；对搜索信息以及页面点击信息进行分析，确定目标用户的兴趣信息；基于兴趣信息与至少一个预测标签词，确定与兴趣信息具有关联关系的预测标签词作为推送标签词。

第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：获取单元，配置用于获取目标用户的用户信息，其中，用户信息包括：历史资讯浏览信息、属性信息；特征向量生成单元，配置用于对用户信息进行特征提取，生成用户信息的特征向量，其中，特征向量包括表示历史资讯浏览信息的分量、表示属性信息的分量；预测标签词获得单元，配置用于将特征向量输入至预先训练的资讯浏览预测模型中，得到至少一个预测标签词，其中，资讯浏览预测模型用于表征用户信息的特征向量与预测标签词之间的对应关系，预测标签词用于预测用户所感兴趣的资讯信息，资讯信息与预测标签词之间的对应关系为预先建立的；生成单元，配置用于从至少一个预测标签词中选取预测标签词作为推送标签词，并生成与推送标签词对应的资讯信息。

在一些实施例中，生成单元包括：第一获取子单元，配置用于获取与历史资讯浏览信息对应的第一资讯标签词集合；选取子单元，配置用于将至少一个预测标签词与第一资讯标签词集合中的各第一资讯标签词比较，从至少一个预测标签词中选取与第一资讯标签词集合中的第一资讯标签词不同的词语作为推送标签词。

在一些实施例中，装置还包括资讯浏览预测模型建立单元，资讯浏览预测模型建立单元包括：第二获取子单元，配置用于获取初始资讯浏览预测模型；第三获取子单元，配置用于对于历史用户终端集合中的每一个历史用户终端，分别获取该历史用户终端的资讯浏览信息以及属性信息，其中，资讯浏览信息包括浏览的资讯，属性信息包括以下至少一项：用户的年龄、性别；对该历史用户终端所浏览的资讯进行关键词提取，将提取到的关键词与第二资讯标签词集合中的第二资讯标签词匹配，确定与该历史用户终端对应的至少一个第二资讯标签词作为预测标签词；生成子单元，配置用于对各历史用户终端的资讯浏览信息以及属性信息进行特征提取，生成基于资讯浏览信息以及属性信息的特性向量；训练子单元，配置用于将历史用户终端中的每一个历史用户终端对应的特征向量作为输入数据，将与该用户终端对应的预测标签词作为输出数据，训练初始资讯浏览预测模型得到所述资讯浏览预测模型。

在一些实施例中，第三获取子单元进一步配置用于：对于提取到的关键词中的每一个关键词，确定第二资讯标签词集合中是否存在与该关键词相同的第二资讯标签词；响应于第二资讯标签词集合中不存在与该关键词相同的第二资讯标签词，计算该关键词与第二资讯标签词集合中的各第二资讯标签词之间的相似度；选取与该关键词之间的相似度大于预设阈值的第二资讯标签词作为预测标签词。

在一些实施例中，生成单元还包括：第四获取子单元，配置用于分别获取目标用户终端基于搜索引擎的搜索信息以及基于页面浏览的页面点击信息；第一确定子单元，配置用于对搜索信息以及页面点击信息进行分析，确定目标用户的兴趣信息；第二确定子单元，配置用于基于兴趣信息与至少一个预测标签词，确定与兴趣信息具有关联关系的预测标签词作为推送标签词。

第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成信息的方法和装置，通过将获取到的目标用户的用户信息进行特征提取后，生成该用户信息的特征向量，接着把该特征向量输入至预先训练的资讯浏览预测模型中，得到至少一个预测标签词，而后从至少一个预测标签词中选取预测标签词作为推送标签词，并生成与该推送标签词对应的资讯信息，从而根据资讯标签词富有针对性的生成信息。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图4是根据本申请的建立资讯浏览预测模型的方法的一个实施例的流程图；

图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的网页提供支持的后台服务器。后台服务器可以将获取到的用户的历史资讯浏览信息进行各种分析后生成资讯信息。

需要说明的是，本申请实施例所提供的用于生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，获取目标用户的用户信息。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取目标用户的用户信息。其中，该用户信息包括目标用户的历史资讯浏览信息以及目标用户的属性信息。在这里，资讯可以是网页页面内容。上述电子设备可以获取用户对网页的浏览日志，并通过浏览日志来获取用户浏览的网页页面内容。网页页面内容包括通过网页页面呈现的新闻、图片等。资讯还可以是图片、文本等，该图片、文本可以是用户通过网页下载至本地的。上述电子设备还可以获取目标用户的属性信息。在这里，属性信息可以包括用户的年龄、性别、爱好等。目标用户可以对上述电子设备所支持的应用进行账号注册。账号注册时，用户可以填写其属性信息，上述电子设备可以通过目标用户的注册账号信息获取目标用户的属性信息。

步骤202，对用户信息进行特征提取，生成用户信息的特征向量。

在本实施例中，根据步骤201中获取到的目标用户的用户信息，上述电子设备可以对该用户信息进行特征提取，生成该用户信息的特征向量。其中，上述特征向量可以包括表示历史资讯浏览信息的分量以及表示目标用户的属性信息的分量。

在本实施例中，用于上述历史资讯浏览信息既可以包括文本，也可以包括图像，因此，对于历史资讯浏览信息进行特征提取时，可以对文本进行特征提取，也可以对图像内容进行识别，将图像内容转换成文本信息，并对转换后的文本信息进行特征提取。通常，图像的内容包括图像所包含的对象，图像中的文字。利用OCR(Optical CharacterRecognition，光学字符识别)技术可以对图像的内容进行识别，从而将图像中的内容转化成文本。

在本实施例中，上述目标对象的属性信息通常包括文本信息，上述电子设备可以对目标对象的属性信息所对应的文本信息进行特征提取。

在本实施例中，文本的特征提取方法可以包括TF-IDF(采用词频-逆向文件频率方法term frequency–inverse document frequency)、文档频次方法、互信息方法、期望交叉熵方法、信息增益方法、主成分分析方法等。在这里值得注意的是，基于文本的特征提取方法均为现有的公知技术，在此不再赘述。

步骤203，将特征向量输入至预先训练的资讯浏览预测模型中，得到至少一个预测标签词。

在本实施例中，根据步骤202确定的用户信息的特征向量，上述电子设备可以将特征向量输入至资讯浏览预测模型中，可以得到至少一个预测标签词。其中，预测标签词可以为1个、2个、3个等。该预测标签词用于预测目标用户所述感兴趣的资讯信息，也即用户所感兴趣的新闻、图片等，该资讯信息通常呈现在用户所浏览的网页上。上述资讯信息与预测标签词之间的对应关系为预先建立的。例如，上述预测标签词为“足球”，则上述电子设备预先存储的与“足球”相关联的信息为“2018俄罗斯世界杯”。

在本实施例中，上述资讯浏览预测模型可以是人工神经网络，它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。通常由大量的节点(或称神经元)之间相互联接构成，每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重(又叫做参数)，网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。资讯浏览预测模型通常包括多个层，每个层包括多个节点，通常，同一层的节点的权重可以相同，不同层的节点的权重可以不同，故资讯浏览预测模型的多个层的参数也可以不同。这里，电子设备可以将用于表征用户信息的特征向量从资讯浏览预测模型的输入侧输入，依次经过资讯浏览预测模型中的各层的参数的处理(例如乘积、卷积等)，并从资讯浏览预测模型的输出侧输出，输出侧输出的信息即为预测标签词。

在本实施例中，资讯浏览预测模型可以用于表征用户信息的特征向量与预测标签词之间的对应关系，上述电子设备可以通过以下方式训练出可以表征用户信息的特征向量与预测标签词之间的对应关系的资讯浏览预测模型：

电子设备可以基于对大量的用户信息以及资讯浏览标签词进行统计而生成存储有多个用于表征用户信息的特征向量与资讯浏览标签词的对应关系的对应关系表，并将该对应关系表作为资讯浏览预测模型。这样，电子设备可以将用于表征目标用户信息的特征向量与该对应关系表中的多个表征用户信息的特征向量依次进行比较，若该对应关系表中的一个特征向量与用于表征目标用户信息的特征向量相同或相似，则将该对应关系表中的特征向量所对应的资讯浏览标签词作为目标用户的预测标签词。

步骤204，从至少一个预测标签词中选取预测标签词作为推送标签词，并生成与推送标签词对应的资讯信息。

在本实施例中，基于步骤203得到的至少一个预测标签词，上述电子设备可以从至少一个预测标签词中进行选取，并将选取的预测标签词作为推送标签词，并生成与推送标签词对应的资讯信息。

在本实施例的一些可选的实现方式中，上述服务器可以首先获取与目标用户的历史资讯浏览信息对应的第一资讯标签词集合，目标用户的历史资讯浏览信息与第一资讯标签词集合的对应关系为预先建立的。上述第一资讯标签词集合中包括多个第一资讯标签词，该多个第一资讯标签词用于表征上述目标用户的历史资讯浏览信息。接着，上述电子设备将至少一个预测标签词与第一资讯标签词集合中的各第一资讯标签词一一比较，确定上述至少一个预测标签词与第一资讯标签词集合中的各第一资讯标签词是否相同。在本可选的实现方式中，由于上述预测标签词是基于目标用户的用户信息得到的，因此，上述预测标签词与第一资讯标签词集合中的第一资讯标签词可能会有形同的词语。上述电子设备选择与第一资讯标签词集合中的第一资讯标签词均不相同的预测标签词作为推送标签词。

在本实施例的一些可选的实现方式中，上述电子设备可以分别获取目标用户终端基于搜索引擎的搜索信息以及基于页面浏览的页面点击信息。其中，上述搜索信息可以从用户的搜索日志中获取，页面点击信息可以从用户的页面浏览日志中获取。接着，上述电子设备可以对上述搜索信息以及页面点击信息进行分析，确定目标用户的兴趣信息。在这里，上述电子设备可以对搜索信息以及页面点击信息进行关键词提取，同时，基于提取到的关键词，确定目标用户的兴趣信息。其中，关键词提取的方法为现有的公知技术，在此不再赘述。例如，从搜索信息与页面点击信息中提取到的关键词为“鲜花”、“树木”，则确定目标用户对“植物”感兴趣。最后，上述电子设备可以基于兴趣信息与上述至少一个关键词，确定与兴趣信息具有关联关系的预测标签词作为推送标签词。例如，当上述电子设备确定出目标用户对“植物”感兴趣后，当预测标签词中包含有“百合”、“栀子花”时，可选选取“百合”、“栀子花”作为推送标签词。

继续参考图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，服务器303首先获取目标用户的用户信息302，在这里，目标用户可以通过终端设备301进行资讯浏览，以及进行应用的账号注册所填写的属性信息。服务器303可以获取目标用户的历史资讯浏览信息以及属性信息。例如，服务器303获取到用户的“年龄为25岁”，“性别女”，同时其历史资讯浏览信息包括“时装”等。接着服务器303将获取到的目标用户的用户信息302进行特征提取后，得到基于用户信息302的用户信息特征向量304。然后，服务器将该特征向量304输入值资讯浏览预测模型305，得到预测标签词“娱乐”、“旅游”306，并从预测标签词306中选取推送标签词307，此时可以选择“娱乐”作为推送标签词307，并生成与推送标标签词“娱乐”对应的资讯信息308，例如生成“2017奥斯卡颁奖典礼”等。

本申请实施例提供的用于生成信息的方法，通过将获取到的目标用户的用户信息进行特征提取后，生成该用户信息的特征向量，接着把该特征向量输入至预先训练的资讯浏览预测模型中，得到至少一个预测标签词，而后从至少一个预测标签词中选取预测标签词作为推送标签词，并生成与该推送标签词对应的资讯信息，从而根据资讯标签词富于针对性的生成信息。

在一些可选的实现方式中，可以参考图4的流程来建立资讯浏览预测模型。具体地，建立资讯浏览预测模型的流程包括：

步骤401，获取初始资讯浏览预测模型。

在本实施例中，上述电子设备可以首先获取初始资讯浏览预测模型。资讯浏览预测模型可以是未经训练的资讯浏览预测模型或未训练完成的资讯浏览预测模型。例如，资讯浏览预测模型可以为未经训练的神经网络(例如卷积神经网络、循环神经网络)。

步骤402，对于历史用户终端集合中的每一个历史用户终端，分别获取该历史用户终端的资讯浏览信息以及属性信息。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以对多个终端提供支持和服务。相应的，该电子设备可以获取用户通过终端进行资讯浏览的资讯浏览信息，以及用户通过终端对上述电子设备所支持的应用进行账号注册时的注册信息，该注册信息通常包括属性信息。对于上述电子设备所支持的历史用户终端集合中的每一个历史用户终端，上述电子设备可以获取每一个历史用户终端的资讯浏览信息以及属性信息。在这里，上述资讯浏览信息包括用户所浏览的资讯，上述属性信息可以包括用户的年龄、性别等。

步骤403，对历史用户终端所浏览的资讯进行关键词提取，将提取到的关键词与第二资讯标签词集合中的第二资讯标签词匹配，确定与历史用户终端对应的至少一个第二资讯标签词作为预测标签词。

在本实施例中，基于步骤401中提取到的各历史用户终端的资讯浏览信息以及属性信息，上述电子设备可以对每一个历史用户终端所浏览的资讯进行关键词提取。例如，当上述资讯为网页中的新闻信息时，可以直接提取该新闻信息的关键词；当上述资讯为图片时，可以对图片进行内容识别，基于图片的内容，确定与该图片对应的关键词。接着，将提取到的关键词与第二资讯标签词集合中的第二标签词匹配，确定与每一个历史用户终端对应的至少一个第二资讯标签词作为预测标签词。在这里，上述第二资讯标签词集合为预先设置的。当第二资讯标签词集合中包含有与提取到的关键词相同的第二标签词时，可以将与提取到的关键词相同的第二标签词作为与历史用户终端对应的预测标签词。

在本实施例的一些可选的实现方式中，对于上述提取到的关键词中的每一个关键词，首先确定上述第二资讯标签词集合中是否存在与该关键词相同的第二资讯标签词。接着，上述电子设备响应于确定上述第二资讯标签词集合中不存在与该关键词相同的第二资讯标签词，上述电子设备可以进一步计算该关键词与第二资讯标签词集合中的各第二资讯标签词之间的相似度。基于相似度计算结果，选取与该关键词之间的相似度大于预设阈值的第二资讯标签词作为预测标签词。

步骤404，对各历史用户终端的资讯浏览信息以及属性信息进行特征提取，生成基于资讯浏览信息以及属性信息的特性向量。

在本实施例中，上述电子设备可以对各历史用户终端的资讯浏览信息以及属性信息进行特征提取，以生成基于资讯浏览信息以及属性信息的特征向量。在这里，该特征向量包括基于资讯浏览信息的特征分量以及基于属性信息的特征分量。

步骤405，将历史用户终端中的每一个历史用户终端对应的特征向量作为输入数据，将与该用户终端对应的预测标签词作为输出数据，训练初始资讯浏览预测模型得到资讯浏览预测模型。

在本实施例中，根据步骤403中确定的与各历史用户终端对应的至少一个预测标签词，上述电子设备可以将历史用户终端中的每一个历史用户终端对应的特征向量作为输入数据，与该历史用户终端对应的至少一个预测标签词作为样本输出，基于多个样本输入-输出对，训练初始资讯浏览预测模型得到资讯浏览预测模型。

从图4中可以看出，与图2所示的实施例不同的是，本实施例突出了资讯浏览预测模型的建立步骤。由此，本实施例描述的方案可以使得预测标签词对目标用户的兴趣类别预测的更加准确，从而提高所生成的资讯信息与目标用户的兴趣的相关度。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成信息的装置500包括：获取单元501、特征向量生成单元502、预测标签词获得单元503以及生成单元504。其中，获取单元501配置用于获取目标用户的用户信息，其中，用户信息包括：历史资讯浏览信息、属性信息；特征向量生成单元502配置用于对用户信息进行特征提取，生成用户信息的特征向量，其中，特征向量包括表示历史资讯浏览信息的分量、表示属性信息的分量；预测标签词获得单元503配置用于将特征向量输入至预先训练的资讯浏览预测模型中，得到至少一个预测标签词，其中，资讯浏览预测模型用于表征用户信息的特征向量与预测标签词之间的对应关系，预测标签词用于预测用户所感兴趣的资讯信息，资讯信息与预测标签词之间的对应关系为预先建立的；而生成单元504配置用于从至少一个预测标签词中选取预测标签词作为推送标签词，并生成与推送标签词对应的资讯信息。

在本实施例中，用于生成信息的装置500中：获取单元501、特征向量生成单元502、预测标签词获得单元503以及生成单元504具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，生成单元504包括：第一获取子单元(未示出)，配置用于获取与历史资讯浏览信息对应的第一资讯标签词集合；选取子单元(未示出)，配置用于将至少一个预测标签词与第一资讯标签词集合中的各第一资讯标签词比较，从至少一个预测标签词中选取与第一资讯标签词集合中的第一资讯标签词不同的词语作为推送标签词。

在本实施例的一些可选的实现方式中，装置还包括资讯浏览预测模型建立单元(未示出)，资讯浏览预测模型建立单元(未示出)包括：第二获取子单元(未示出)，配置用于获取初始资讯浏览预测模型；第三获取子单元(未示出)，配置用于对于历史用户终端集合中的每一个历史用户终端，分别获取该历史用户终端的资讯浏览信息以及属性信息，其中，资讯浏览信息包括浏览的资讯，属性信息包括以下至少一项：用户的年龄、性别；对该历史用户终端所浏览的资讯进行关键词提取，将提取到的关键词与第二资讯标签词集合中的第二资讯标签词匹配，确定与该历史用户终端对应的至少一个第二资讯标签词作为预测标签词；生成子单元(未示出)，配置用于对各历史用户终端的资讯浏览信息以及属性信息进行特征提取，生成基于资讯浏览信息以及属性信息的特性向量；训练子单元(未示出)，配置用于将历史用户终端中的每一个历史用户终端对应的特征向量作为输入数据，将与该用户终端对应的预测标签词作为输出数据，训练初始资讯浏览预测模型得到所述资讯浏览预测模型。

在本实施例的一些可选的实现方式中，第三获取子单元进一步配置用于：对于提取到的关键词中的每一个关键词，确定第二资讯标签词集合中是否存在与该关键词相同的第二资讯标签词；响应于第二资讯标签词集合中不存在与该关键词相同的第二资讯标签词，计算该关键词与第二资讯标签词集合中的各第二资讯标签词之间的相似度；选取与该关键词之间的相似度大于预设阈值的第二资讯标签词作为预测标签词。

在本实施例的一些可选的实现方式中，生成单元504还包括：第四获取子单元(未示出)，配置用于分别获取目标用户终端基于搜索引擎的搜索信息以及基于页面浏览的页面点击信息；第一确定子单元(未示出)，配置用于对搜索信息以及页面点击信息进行分析，确定目标用户的兴趣信息；第二确定子单元(未示出)，配置用于基于兴趣信息与至少一个预测标签词，确定与兴趣信息具有关联关系的预测标签词作为推送标签词。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU，Central Processing Unit)601，其可以根据存储在只读存储器(ROM，Read Only Memory)602中的程序或者从存储部分606加载到随机访问存储器(RAM，Random Access Memory)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O，Input/Output)接口605也连接至总线604。

以下部件连接至I/O接口605：包括硬盘等的存储部分606；以及包括诸如LAN(局域网，Local Area Network)卡、调制解调器等的网络接口卡的通信部分607。通信部分607经由诸如因特网的网络执行通信处理。驱动器608也根据需要连接至I/O接口605。可拆卸介质609，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器608上，以便于从其上读出的计算机程序根据需要被安装入存储部分606。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分607从网络上被下载和安装，和/或从可拆卸介质609被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、特征向量生成单元、预测标签词获得单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标用户的用户信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取目标用户的用户信息，其中，用户信息包括：历史资讯浏览信息、属性信息；对用户信息进行特征提取，生成用户信息的特征向量，其中，特征向量包括表示历史资讯浏览信息的分量、表示属性信息的分量；将特征向量输入至预先训练的资讯浏览预测模型中，得到至少一个预测标签词，其中，资讯浏览预测模型用于表征用户信息的特征向量与预测标签词之间的对应关系，预测标签词用于预测用户所感兴趣的资讯信息，资讯信息与预测标签词之间的对应关系为预先建立的；从至少一个预测标签词中选取预测标签词作为推送标签词，并生成与推送标签词对应的资讯信息。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于生成信息的方法，包括：

获取目标用户的用户信息，其中，所述用户信息包括：历史资讯浏览信息、属性信息；

对所述用户信息进行特征提取，生成所述用户信息的特征向量，其中，所述特征向量包括表示所述历史资讯浏览信息的分量、表示所述属性信息的分量；

将所述特征向量输入至预先训练的资讯浏览预测模型中，得到至少一个预测标签词，其中，所述资讯浏览预测模型用于表征所述用户信息的特征向量与预测标签词之间的对应关系，预测标签词用于预测用户所感兴趣的资讯信息，资讯信息与预测标签词之间的对应关系为预先建立的；

从所述至少一个预测标签词中选取预测标签词作为推送标签词，并生成与所述推送标签词对应的资讯信息。

2.根据权利要求1所述的方法，其中，所述从所述至少一个预测标签词中选取预测标签词作为推送标签词，包括：

获取与所述历史资讯浏览信息对应的第一资讯标签词集合；

将所述至少一个预测标签词与所述第一资讯标签词集合中的各第一资讯标签词比较，从所述至少一个预测标签词中选取与所述第一资讯标签词集合中的第一资讯标签词不同的词语作为所述推送标签词。

3.根据权利要求1或2所述的方法，其中，所述资讯浏览预测模型是通过如下步骤训练得到的：

获取初始资讯浏览预测模型；

对于历史用户终端集合中的每一个历史用户终端，分别获取该历史用户终端的资讯浏览信息以及属性信息，其中，所述资讯浏览信息包括浏览的资讯，所述属性信息包括以下至少一项：用户的年龄、性别；对该历史用户终端所浏览的资讯进行关键词提取，将提取到的关键词与第二资讯标签词集合中的第二资讯标签词匹配，确定与该历史用户终端对应的至少一个第二资讯标签词作为预测标签词；

对各历史用户终端的资讯浏览信息以及属性信息进行特征提取，生成基于资讯浏览信息以及属性信息的特性向量；

将历史用户终端中的每一个历史用户终端对应的特征向量作为输入数据，将与该历史用户终端对应的预测标签词作为输出数据，训练初始资讯浏览预测模型得到资讯浏览预测模型。

4.根据权利要求3所述的方法，其中，所述将提取到的关键词与第二资讯标签词集合中的第二资讯标签词匹配，确定与该历史用户终端对应的至少一个第二资讯标签词作为预测标签词，包括：

对于提取到的关键词中的每一个关键词，确定所述第二资讯标签词集合中是否存在与该关键词相同的第二资讯标签词；响应于所述第二资讯标签词集合中不存在与该关键词相同的第二资讯标签词，计算该关键词与所述第二资讯标签词集合中的各第二资讯标签词之间的相似度；选取与该关键词之间的相似度大于预设阈值的第二资讯标签词作为预测标签词。

5.根据权利要求1所述的方法，其中，所述从所述至少一个预测标签词中选取预测标签词作为推送标签词，包括：

分别获取所述目标用户的终端基于搜索引擎的搜索信息以及基于页面浏览的页面点击信息；

对所述搜索信息以及所述页面点击信息进行分析，确定所述目标用户的兴趣信息；

基于所述兴趣信息与所述至少一个预测标签词，确定与所述兴趣信息具有关联关系的预测标签词作为所述推送标签词。

6.一种用于生成信息的装置，所述装置包括：

获取单元，配置用于获取目标用户的用户信息，其中，所述用户信息包括：历史资讯浏览信息、属性信息；

特征向量生成单元，配置用于对所述用户信息进行特征提取，生成所述用户信息的特征向量，其中，所述特征向量包括表示所述历史资讯浏览信息的分量、表示所述属性信息的分量；

预测标签词获得单元，配置用于将所述特征向量输入至预先训练的资讯浏览预测模型中，得到至少一个预测标签词，其中，所述资讯浏览预测模型用于表征所述用户信息的特征向量与预测标签词之间的对应关系，预测标签词用于预测用户所感兴趣的资讯信息，资讯信息与预测标签词之间的对应关系为预先建立的；

生成单元，配置用于从所述至少一个预测标签词中选取预测标签词作为推送标签词，并生成与所述推送标签词对应的资讯信息。

7.根据权利要求6所述的装置，其中，所述生成单元包括：

第一获取子单元，配置用于获取与所述历史资讯浏览信息对应的第一资讯标签词集合；

选取子单元，配置用于将所述至少一个预测标签词与所述第一资讯标签词集合中的各第一资讯标签词比较，从所述至少一个预测标签词中选取与所述第一资讯标签词集合中的第一资讯标签词不同的词语作为所述推送标签词。

8.根据权利要求6或7所述的装置，其中，所述装置还包括资讯浏览预测模型建立单元，所述资讯浏览预测模型建立单元包括：

第二获取子单元，配置用于获取初始资讯浏览预测模型；

第三获取子单元，配置用于对于历史用户终端集合中的每一个历史用户终端，分别获取该历史用户终端的资讯浏览信息以及属性信息，其中，所述资讯浏览信息包括浏览的资讯，所述属性信息包括以下至少一项：用户的年龄、性别；对该历史用户终端所浏览的资讯进行关键词提取，将提取到的关键词与第二资讯标签词集合中的第二资讯标签词匹配，确定与该历史用户终端对应的至少一个第二资讯标签词作为预测标签词；

生成子单元，配置用于对各历史用户终端的资讯浏览信息以及属性信息进行特征提取，生成基于资讯浏览信息以及属性信息的特性向量；

训练子单元，配置用于将历史用户终端中的每一个历史用户终端对应的特征向量作为输入数据，将与该用户终端对应的预测标签词作为输出数据，训练初始资讯浏览预测模型得到资讯浏览预测模型。

9.根据权利要求8所述的装置，其中，所述第三获取子单元进一步配置用于：

对于提取到的关键词中的每一个关键词，确定所述第二资讯标签词集合中是否存在与该关键词相同的第二资讯标签词；响应于所述第二资讯标签词集合中不存在与该关键词相同的第二资讯标签词，计算该关键词与所述第二资讯标签词集合中的各第二资讯标签词之间的相似度；选取与该关键词之间的相似度大于预设阈值的第二资讯标签词作为预测标签词。

10.根据权利要求6所述的装置，其中，所述生成单元还包括：

第四获取子单元，配置用于分别获取所述目标用户的终端基于搜索引擎的搜索信息以及基于页面浏览的页面点击信息；

第一确定子单元，配置用于对所述搜索信息以及所述页面点击信息进行分析，确定所述目标用户的兴趣信息；

第二确定子单元，配置用于基于所述兴趣信息与所述至少一个预测标签词，确定与所述兴趣信息具有关联关系的预测标签词作为所述推送标签词。

11.一种服务器，所述服务器包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。