CN108920717B - 用于显示信息的方法及装置 - Google Patents
用于显示信息的方法及装置 Download PDFInfo
- Publication number
- CN108920717B CN108920717B CN201810843536.8A CN201810843536A CN108920717B CN 108920717 B CN108920717 B CN 108920717B CN 201810843536 A CN201810843536 A CN 201810843536A CN 108920717 B CN108920717 B CN 108920717B
- Authority
- CN
- China
- Prior art keywords
- information
- initial
- target
- displayed
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请实施例公开了用于显示信息的方法及装置。该方法的一具体实施方式包括:获取打开指定网页的用户的用户画像信息;将上述用户画像信息导入信息推送模型,得到对应上述用户画像信息的目标显示信息,其中,上述信息推送模型用于表征用户画像信息与目标显示信息之间的对应关系;在上述指定网页上显示用于打开上述目标显示信息的链接。该实施方式能够及时准确地为用户提供目标显示信息,提高了用户获取信息的效率。
Description
技术领域
本申请实施例涉及数据处理技术领域,具体涉及用于显示信息的方法及装置。
背景技术
随着信息技术的发展,信息的传递变得越来越频繁。人们可以通过网络将各种智能设备进行数据连接,进而实现信息的相互传递,提高了人们工作和生活的信息化水平。
现有方法中,当用户浏览网页等信息时,为了向用户提供某一方面的信息,技术人员可以根据用户浏览网页的内容直接为用户提供与用户浏览网页相关的信息。
发明内容
本申请实施例提出了用于显示信息的方法及装置。
第一方面,本申请实施例提供了一种用于显示信息的方法,该方法包括:获取打开指定网页的用户的用户画像信息;将上述用户画像信息导入信息推送模型,得到对应上述用户画像信息的目标显示信息,其中,上述信息推送模型用于表征用户画像信息与目标显示信息之间的对应关系,上述信息推送模型为对应关系表,上述目标显示信息包括目标历史信息和目标待显示信息;在上述指定网页上显示用于打开上述目标显示信息的链接。
在一些实施例中,上述在上述指定网页上显示用于打开上述目标显示信息的链接,包括:在上述指定网页上显示上述目标历史信息的链接;响应于上述目标历史信息的链接被触发,显示上述目标历史信息的页面,并在上述目标历史信息的页面显示上述目标待显示信息的链接;响应于上述目标待显示信息的链接被触发,显示上述目标待显示信息的页面。
在一些实施例中,上述信息推送模型包括卷积神经网络、循环神经网络和全连接层。
在一些实施例中,上述将上述用户画像信息导入信息推送模型,得到对应上述用户画像信息的目标显示信息,包括:将上述用户画像信息输入至上述卷积神经网络,得到与上述用户画像信息的初始历史信息,其中,上述卷积神经网络用于表征用户画像信息与初始历史信息之间的对应关系,初始历史信息包括以下至少一项:网页、图像、视频;将初始历史信息输入至上述循环神经网络,得到与初始历史信息对应的初始待显示信息,其中,上述循环神经网络用于表征初始历史信息与初始待显示信息之间的对应关系;将用户画像信息、初始历史信息和初始待显示信息输入至上述全连接层,得到上述用户画像信息对应的目标显示信息,其中,上述全连接层用于表征用户画像信息、初始历史信息、初始待显示信息与目标显示信息之间的对应关系。
在一些实施例中,上述将用户画像信息、初始历史信息和初始待显示信息输入至上述全连接层,得到上述用户画像信息对应的目标显示信息,包括:从初始历史信息提取第一关键词,通过第一关键词和初始历史信息构建倒排索引;响应于用户画像信息和初始待显示信息中存在与第一关键词对应的词条,通过与第一关键词对应的初始历史信息和初始待显示信息构建目标显示信息。
在一些实施例中,上述将用户画像信息、初始历史信息和初始待显示信息输入至上述全连接层,得到上述用户画像信息对应的目标显示信息,包括:获取上述目标待显示信息的特征词条;将上述目标历史信息中的、与特征词条对应的词条替换为特征词条。
在一些实施例中,上述信息推送模型通过如下步骤训练得到:获取多个样本用户画像信息和上述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息;将上述多个样本用户画像信息中每个样本用户画像信息作为输入,将与上述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息作为输出,训练得到信息推送模型。
在一些实施例中,上述将上述多个样本用户画像信息中每个样本用户画像信息作为输入,将与上述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息作为输出,训练得到信息推送模型,包括:执行以下训练步骤:将上述多个样本用户画像信息中每个样本用户画像信息依次输入至初始信息推送模型,得到上述多个样本用户画像信息中每个样本用户画像信息所对应的初始历史信息和初始待显示信息;计算样本用户画像信息、初始历史信息和初始待显示信息之间的匹配度,确定上述匹配度是否大于预设匹配度阈值;若大于上述预设匹配度阈值,则将上述初始信息推送模型作为训练完成的信息推送模型,其中,上述预设匹配度阈值通过样本用户画像信息、样本目标历史信息和样本目标待显示信息之间的匹配度来设置。
在一些实施例中,上述将上述多个样本用户画像信息中每个样本用户画像信息作为输入,将与上述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息作为输出,训练得到信息推送模型,还包括:响应于不大于上述预设匹配度阈值,调整上述初始信息推送模型的参数,并继续执行上述训练步骤。
在一些实施例中,上述预设匹配度阈值通过以下步骤得到:分别获取对应上述样本目标历史信息和样本目标待显示信息的第一点击率和第二点击率,其中,上述第一点击率用于表征从上述样本用户画像信息所对应的页面切换到上述样本目标历史信息所在页面的概率,上述第二点击率用于表征从上述样本目标历史信息所在的页面切换到上述样本目标待显示信息所在页面的概率;通过上述第一点击率和第二点击率计算上述样本目标待显示信息的匹配度;将小于上述匹配度设定误差的匹配度值设置为预设匹配度阈值。
第二方面,本申请实施例提供了一种用于显示信息的装置,该装置包括:用户画像信息获取单元,被配置成获取打开指定网页的用户的用户画像信息;目标显示信息获取单元,被配置成将上述用户画像信息导入信息推送模型,得到对应上述用户画像信息的目标显示信息,其中,上述信息推送模型用于表征用户画像信息与目标显示信息之间的对应关系,上述信息推送模型为对应关系表,上述目标显示信息包括目标历史信息和目标待显示信息;显示单元,被配置成在上述指定网页上显示用于打开上述目标显示信息的链接。
在一些实施例中,上述显示单元包括:第一显示子单元,被配置成在上述指定网页上显示上述目标历史信息的链接;第二显示子单元,被配置成响应于上述目标历史信息的链接被触发,显示上述目标历史信息的页面,并在上述目标历史信息的页面显示上述目标待显示信息的链接;第三显示子单元,被配置成响应于上述目标待显示信息的链接被触发,显示上述目标待显示信息的页面。
在一些实施例中,上述信息推送模型包括卷积神经网络、循环神经网络和全连接层。
在一些实施例中,上述目标显示信息获取单元包括:初始历史信息获取子单元,被配置成将上述用户画像信息输入至上述卷积神经网络,得到与上述用户画像信息的初始历史信息,其中,上述卷积神经网络用于表征用户画像信息与初始历史信息之间的对应关系,初始历史信息包括以下至少一项:网页、图像、视频;初始待显示信息获取子单元,被配置成将初始历史信息输入至上述循环神经网络,得到与初始历史信息对应的初始待显示信息,其中,上述循环神经网络用于表征初始历史信息与初始待显示信息之间的对应关系;目标显示信息获取子单元,被配置成将用户画像信息、初始历史信息和初始待显示信息输入至上述全连接层,得到上述用户画像信息对应的目标显示信息,其中,上述全连接层用于表征用户画像信息、初始历史信息、初始待显示信息与目标显示信息之间的对应关系。
在一些实施例中,上述目标显示信息获取子单元包括:第一关键词提取模块,被配置成从初始历史信息提取第一关键词,通过第一关键词和初始历史信息构建倒排索引;目标显示信息获取模块,响应于用户画像信息和初始待显示信息中存在与第一关键词对应的词条,被配置成通过与第一关键词对应的初始历史信息和初始待显示信息构建目标显示信息。
在一些实施例中,上述目标显示信息获取子单元包括:特征词条获取模块,被配置成获取上述目标待显示信息的特征词条;词条替换模块,被配置成将上述目标历史信息中的、与特征词条对应的词条替换为特征词条。
在一些实施例中,上述装置包括信息推送模型训练单元,被配置成训练信息推送模型,上述信息推送模型训练单元包括:样本获取子单元,被配置成获取多个样本用户画像信息和上述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息;信息推送模型训练子单元,被配置成将上述多个样本用户画像信息中每个样本用户画像信息作为输入,将与上述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息作为输出,训练得到信息推送模型。
在一些实施例中,上述信息推送模型训练子单元包括:信息推送模型训练模块,被配置成将上述多个样本用户画像信息中每个样本用户画像信息依次输入至初始信息推送模型,得到上述多个样本用户画像信息中每个样本用户画像信息所对应的初始历史信息和初始待显示信息;计算样本用户画像信息、初始历史信息和初始待显示信息之间的匹配度,确定上述匹配度是否大于预设匹配度阈值;若大于上述预设匹配度阈值,则将上述初始信息推送模型作为训练完成的信息推送模型,其中,上述预设匹配度阈值通过样本用户画像信息、样本目标历史信息和样本目标待显示信息之间的匹配度来设置。
在一些实施例中,上述信息推送模型训练子单元还包括:参数调整模块,响应于不大于上述预设匹配度阈值,被配置成调整上述初始信息推送模型的参数,并继续执行上述训练步骤。
在一些实施例中,上述信息推送模型训练子单元包括预设匹配度阈值设置模块,被配置成设置预设匹配度阈值,预设匹配度阈值设置模块包括:点击率获取子模块,被配置成分别获取对应上述样本目标历史信息和样本目标待显示信息的第一点击率和第二点击率,其中,上述第一点击率用于表征从上述样本用户画像信息所对应的页面切换到上述样本目标历史信息所在页面的概率,上述第二点击率用于表征从上述样本目标历史信息所在的页面切换到上述样本目标待显示信息所在页面的概率;匹配度计算子模块,被配置成通过上述第一点击率和第二点击率计算上述样本目标待显示信息的匹配度;预设匹配度阈值设置子模块,被配置成将小于上述匹配度设定误差的匹配度值设置为预设匹配度阈值。
第三方面,本申请实施例提供了一种服务器,包括:一个或多个处理器;存储器,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述第一方面的用于显示信息的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述第一方面的用于显示信息的方法。
本申请实施例提供的用于显示信息的方法及装置,首先获取打开指定网页的用户的用户画像信息;然后将用户画像信息导入信息推送模型,得到对应用户画像信息的目标显示信息;最后在指定网页上显示用于打开目标显示信息的链接。能够及时准确地为用户提供目标显示信息,提高了用户获取信息的效率。
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是本申请的一个实施例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显示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显示信息的方法的又一个实施例的流程图;
图4是根据本申请的信息推送模型训练方法的一个实施例的流程图;
图5是根据本申请的用于显示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实施例的用于显示信息的方法或用于显示信息的装置的示例性系统架构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上可以安装有各种信息浏览应用,例如网页浏览器应用、购物类应用、搜索类应用、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持信息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。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块,在此不做具体限定。
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上显示的指定网页进行数据处理,并向用户提供目标显示信息的服务器。服务器可以根据用户打开的指定网页查询到用户画像信息,并根据用户画像信息获取到目标显示信息。最后在用户打开的指定网页上显示打开目标显示信息的链接。
需要说明的是,本申请实施例所提供的用于显示信息的方法一般由服务器105执行,相应地,用于显示信息的装置一般设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块,在此不做具体限定。
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显示信息的方法的一个实施例的流程200。该用于显示信息的方法包括以下步骤:
步骤201,获取打开指定网页的用户的用户画像信息。
在本实施例中,用于显示信息的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取打开指定网页的用户的用户画像信息。其中,信息处理装置可以通过收集与分析用户的社会属性、生活习惯、消费行为等主要信息之后,对这些主要信息进行抽象后得到用户画像信息。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
为了向用户提供信息,现有方法往往需要技术人员根据用户自身的特性查找用户历史信息(例如可以是历史浏览网页),进而根据用户历史信息再向用户提供某一方面的信息。现有方法存在的问题包括:一方面,用户数量庞大,技术人员通常无法为每个用户提供针对性的信息;另一方面,为了引导用户获取某一方面的信息,需要技术人员根据用户自身特点查找相关的用户历史信息。之后,技术人员需要对用户历史信息进行分析,进而判断哪些用户历史信息能够作为有用的历史信息。最后,技术人员再通过某种方式建立有用的历史信息与上述某一方面信息的关联关系,以便用户能够获取到某一方面的信息。由上述描述可知,现有方法为用户提供信息时,不易实现对每个用户提供信息。并且为用户提供信息的过程较为复杂,不利于用户及时获取信息,为用户提供的信息依赖技术人员的经验,准确性也不高。
为此,本申请在用户打开指定网页时,可以首先获取到用户的用户画像信息。执行主体可以在用户打开指定网页时,从与网络连接的画像信息服务器或本地等获取当前用户的画像信息。
步骤202,将上述用户画像信息导入信息推送模型,得到对应上述用户画像信息的目标显示信息。
获取到用户画像信息后,执行主体可以将用户画像信息导入信息推送模型。信息推送模型可以根据用户画像信息得到对应上述用户画像信息的目标显示信息。其中,目标显示信息可以是待推送信息。即,目标显示信息可以是执行主体想要向用户展示的信息。目标显示信息可以预先存储在执行主体或信息服务器内。
在本实施例中,信息推送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。人工神经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。信息推送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,故信息推送模型的多个层的参数也可以不同。这里,执行主体可以将用户画像信息从信息推送模型的输入侧输入,依次经过信息推送模型中的各层的参数的处理(例如乘积、卷积等),并从信息推送模型的输出侧输出,输出侧输出的信息即为目标显示信息。
在本实施例中,信息推送模型可以用于表征用户画像信息与目标显示信息之间的对应关系,执行主体可以通过多种方式训练出可以表征用户画像信息与目标显示信息之间的对应关系的信息推送模型。
作为一种示例,执行主体可以基于对大量用户画像信息和与用户画像信息对应的目标显示信息进行统计而生成存储有用户画像信息与目标显示信息的对应关系的对应关系表,并将该对应关系表作为信息推送模型。这样,执行主体可以将当前的用户画像信息与该对应关系表中的多个用户画像信息依次进行比较。若该对应关系表中的一个用户画像信息与当前的用户画像信息相同或相似,则将该对应关系表中的该用户画像信息所对应的目标显示信息作为当前的用户画像信息的目标显示信息。
作为另一种示例,执行主体可以首先获取多个样本用户画像信息和多个样本用户画像信息中的每个样本用户画像信息所对应的样本目标显示信息;然后将多个样本用户画像信息中的每个样本用户画像信息作为输入,将多个样本用户画像信息中的每个样本用户画像信息所对应的样本目标显示信息作为输出,训练得到信息推送模型。这里,执行主体可以获取多个样本用户画像信息并为本领域技术人员分析,本领域技术人员可以根据经验对多个样本用户画像信息中的每个样本用户画像信息匹配对应的样本目标显示信息。执行主体训练的可以是初始信息推送模型,初始信息推送模型可以是未经训练的信息推送模型或未训练完成的信息推送模型,初始信息推送模型的各层可以设置有初始参数,参数在信息推送模型的训练过程中可以被不断地调整。初始信息推送模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型。例如,初始信息推送模型可以是未经训练的卷积神经网络,也可以是未经训练的循环神经网络,还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。这样,执行主体可以将用户画像信息从信息推送模型的输入侧输入,依次经过信息推送模型中的各层的参数的处理,并从信息推送模型的输出侧输出,输出侧输出的信息即为对应用户画像信息的目标显示信息。因此,本申请的信息推送模型可以快速准确地获取到目标显示信息。
步骤203,在上述指定网页上显示用于打开上述目标显示信息的链接。
得到目标显示信息后,执行主体可以在用户当前打开的指定网页上显示链接。该链接可以用于打开目标显示信息。通过本实施例方法能够快速准确地为用户提供目标显示信息。
在本实施例的一些可选的实现方式中,上述目标显示信息可以包括目标历史信息和目标待显示信息。其中,目标历史信息用于表征指定网页的内容与目标待显示信息之间的对应关系。即,用户可以从指定网页获取到目标历史信息,然后再根据目标历史信息获取到目标待显示信息。也可以认为目标历史信息是从指定网页到目标待显示信息之间的过渡信息或引导信息。通常目标历史信息与指定网页和目标待显示信息具有较强的相关性。
上述在上述指定网页上显示用于打开上述目标显示信息的链接可以包括以下步骤:
第一步,在上述指定网页上显示上述目标历史信息的链接。
执行主体得到目标显示信息后,可以首先在指定网页上显示上述目标历史信息的链接。用户可以通过点击目标历史信息的链接等方式对目标历史信息进行查询。目标历史信息的链接可以以独立窗口等方式显示在指定网页上。
第二步,响应于上述目标历史信息的链接被触发,显示上述目标历史信息的页面,并在上述目标历史信息的页面显示上述目标待显示信息的链接。
当用户点击目标历史信息的链接后(即被触发),执行主体可以为用户显示目标历史信息的页面。同时,在目标历史信息的页面显示目标待显示信息的链接。类似的,目标待显示信息的链接可以以独立窗口等方式显示在目标历史信息的页面上。
第三步,响应于上述目标待显示信息的链接被触发,显示上述目标待显示信息的页面。
当用户点击目标待显示信息的链接后,执行主体可以为用户显示目标待显示信息的页面,从而实现了为用户提供目标显示信息的效果。
进一步参考图3,其示出了根据本申请的用于显示信息的方法的又一个实施例的流程300。在该实施例中,信息推送模型可以包括卷积神经网络、循环神经网络和全连接层,该信息输出方法的流程300,包括以下步骤:
步骤301,获取打开指定网页的用户的用户画像信息。
步骤301的内容与步骤201的内容相同,此处不再一一赘述。
步骤302,将上述用户画像信息输入至上述卷积神经网络,得到与上述用户画像信息的初始历史信息。
在本实施例中,执行主体可以将用户画像信息输入至卷积神经网络,从而得到与用户画像信息对应的初始历史信息。初始历史信息可以是与用户画像信息中的、与指定网页对应的某些画像信息相关的历史网页、图像、视频等信息。例如,用户当前打开的指定网页与汽车相关。用户画像信息中也存在与汽车相关的画像信息。则卷积神经网络可以根据对应的画像信息获取到与汽车相关的历史网页、新闻、图像或视频等初始历史信息。
在本实施例中,卷积神经网络可以是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。通常,卷积神经网络的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。这里,执行主体可以将用户画像信息从卷积神经网络的输入侧输入,依次经过卷积神经网络中的各层的参数的处理,并从卷积神经网络的输出侧输出,输出侧输出的信息即为与用户画像信息对应的初始历史信息。
在本实施例中,卷积神经网络可以用于表征用户画像信息与初始历史信息之间的对应关系,执行主体可以通过多种方式训练出可以表征用户画像信息与初始历史信息之间的对应关系的卷积神经网络。
作为一种示例,执行主体可以基于对大量用户画像信息和初始历史信息进行统计而生成存储有多个用户画像信息与初始历史信息的对应关系的对应关系表,并将该对应关系表作为卷积神经网络。这样,执行主体可以将当前的用户画像信息与该对应关系表中的多个用户画像信息依次进行比较,若该对应关系表中的一个用户画像信息与当前的用户画像信息相同或相似,则将该对应关系表中的该用户画像信息对应的初始历史信息作为当前的用户画像信息的初始历史信息。
作为另一种示例,执行主体可以首先获取样本用户画像信息和样本初始历史信息;然后将样本用户画像信息作为输入,将样本初始历史信息作为输出,训练得到能够表征用户画像信息与初始历史信息之间的对应关系的卷积神经网络。这样,执行主体可以将当前的用户画像信息从卷积神经网络的输入侧输入,依次经过卷积神经网络中的各层的参数的处理,并从卷积神经网络的输出侧输出,输出侧输出的信息即为与当前的用户画像信息对应的初始历史信息。
步骤303,将初始历史信息输入至上述循环神经网络,得到与初始历史信息对应的初始待显示信息。
在本实施例中,执行主体可以将初始历史信息输入至循环神经网络,从而得到初始待显示信息。
在本实施例中,循环神经网络是一种节点定向连接成环的人工神经网络。这种网络的本质特征是在处理单元之间既有内部的反馈连接又有前馈连接,其内部状态可以展示动态时序行为。
在本实施例中,循环神经网络可以用于表征初始历史信息与初始待显示信息之间的对应关系,执行主体可以通过多种方式训练出可以表征初始历史信息与初始待显示信息之间的对应关系的循环神经网络。
作为一种示例,执行主体可以基于对大量初始历史信息和初始待显示信息进行统计而生成存储有多个初始历史信息与初始待显示信息的对应关系的对应关系表,并将该对应关系表作为循环神经网络。这样,执行主体可以比较当前的初始历史信息与该对应关系表中的多个初始历史信息的之间的相关性。若该对应关系表中的一个初始历史信息与当前的初始历史信息之间的相关性大于预设的第一相关性阈值,则将该对应关系表中的该初始历史信息的初始待显示信息作为当前的初始历史信息的初始待显示信息。其中,相关性可以通过初始历史信息中相同词条的数量或相同词条占全部词条的比例等方式来表示。
作为另一种示例,执行主体首先可以获取样本初始历史信息和样本初始待显示信息;然后将样本初始历史信息作为输入,将样本初始待显示信息作为输出,训练得到能够表征初始历史信息与初始待显示信息之间的对应关系的循环神经网络。这样,执行主体可以将当前的初始历史信息从循环神经网络的输入侧输入,依次经过循环神经网络中的各层的参数的处理,并从循环神经网络的输出侧输出,输出侧输出的信息即为与当前的初始历史信息对应的初始待显示信息。
步骤304,将用户画像信息、初始历史信息和初始待显示信息输入至上述全连接层,得到上述用户画像信息对应的目标显示信息。
在本实施例中,执行主体可以将用户画像信息、初始历史信息和初始待显示信息输入至全连接层,从而得到目标显示信息。
在本实施例中,全连接层的每一个节点都与循环神经网络的输出层的所有节点相连,用来把循环神经网络输出层输出的视频的特征向量综合起来。由于其全相连的特性,一般全连接层的参数也是最多的。同时,在利用全连接层的参数对用户画像信息、初始历史信息和初始待显示信息进行线性变换后,可以加上一个非线性激励函数对线性变换的结果进行转换,从而引入非线性因素,以增强信息推送模型的表达能力。其中,激励函数可以是softmax函数,softmax函数是人工神经网络中常见的一种激励函数,在此不再详细赘述。
在本实施例中,全连接层可以用于表征用户画像信息、初始历史信息、初始待显示信息与目标显示信息之间的对应关系,执行主体可以通过多种方式训练出可以表征用户画像信息、初始历史信息、初始待显示信息与目标显示信息之间的对应关系的全连接层。为便于描述,本实施例可以将用户画像信息、初始历史信息、初始待显示信息简称为输入信息集合。
作为一种示例,执行主体可以基于对大量输入信息集合和目标显示信息进行统计而生成存储有多个输入信息集合与目标显示信息的对应关系的对应关系表,并将该对应关系表作为全连接层。这样,执行主体可以计算当前的输入信息集合与该对应关系表中的多个输入信息集合之间的相关性,若该对应关系表中的一个输入信息集合与当前的输入信息集合之间的相关性大于预设的第二相关性阈值,则将该对应关系表中的该输入信息集合对应的目标显示信息作为当前的输入信息集合的目标显示信息。
作为另一种示例,执行主体可以首先获取样本输入信息集合和样本目标显示信息;然后将样本输入信息集合作为输入,将与样本输入信息集合对应的样本目标显示信息作为输出,训练得到能够表征用户画像信息、初始历史信息、初始待显示信息与目标显示信息之间的对应关系的全连接层。这样,执行主体可以将用户画像信息、初始历史信息、初始待显示信息从全连接层的输入侧输入,经过全连接层的参数和激励函数的处理,并从全连接层的输出侧输出,输出侧输出的信息即为用户画像信息、初始历史信息、初始待显示信息对应的目标显示信息。
在本实施例的一些可选的实现方式中,上述将用户画像信息、初始历史信息和初始待显示信息输入至上述全连接层,得到上述用户画像信息对应的目标显示信息可以包括以下步骤:
第一步,从初始历史信息提取第一关键词,通过第一关键词和初始历史信息构建倒排索引。
由上述描述可知,本申请可以通过用户画像信息得到初始历史信息。具体的,执行主体可以从用户的用户画像信息中查询到与当前打开的指定网页相关的画像信息。之后,执行主体可以通过网络查询等方式获取到大量的与用户画像信息中的、与当前打开的指定网页相关的画像信息相关的初始历史信息。为了便于后续与目标待显示信息建立对应关系,执行主体可以从初始历史信息提取第一关键词,通过第一关键词和初始历史信息构建倒排索引。例如,初始历史信息可以是网页。倒排索引可以包含多个第一关键词,每个第一关键词对应了多个初始历史信息。如此,可以实现通过第一关键词对初始历史信息的查询。
第二步,响应于用户画像信息和初始待显示信息中存在与第一关键词对应的词条,通过与第一关键词对应的初始历史信息和初始待显示信息构建目标显示信息。
初始待显示信息与初始历史信息具有相关性。当用户画像信息和初始待显示信息中存在与第一关键词对应的词条时,说明用户画像信息和初始待显示信息都与初始历史信息相关,即初始历史信息同时具备与用户画像信息和初始待显示信息的相关性。之后,执行主体可以通过初始历史信息和初始待显示信息来构建得到目标显示信息。需要说明的是,由于初始历史信息实现了从用户画像信息到初始待显示信息的信息过渡,所以,目标显示信息包含的目标历史信息和目标待显示信息具有先后顺序。即,实际中,在显示目标历史信息后,才可以显示目标待显示信息。
在本实施例的一些可选的实现方式中,上述将用户画像信息、初始历史信息和初始待显示信息输入至上述全连接层,得到上述用户画像信息对应的目标显示信息可以包括以下步骤:
第一步,获取上述目标待显示信息的特征词条。
为了提高信息的显示效率,执行主体可以从目标待显示信息中获取特征词条。
第二步,将上述目标历史信息中的、与特征词条对应的词条替换为特征词条。
得到特征词条后,执行主体可以将目标历史信息中的、与特征词条对应的词条替换为特征词条,以提高用户获取信息的效率。例如。目标待显示信息的特征词条可以是“汽车美容”。目标历史信息中存在与用户画像信息相关的词条“汽车装饰”。此时,执行主体可以将目标历史信息的词条“汽车装饰”替换为“汽车美容”。
步骤305,在上述指定网页上显示用于打开上述目标显示信息的链接。
步骤305的内容与步骤203的内容相同,此处不再一一赘述。
进一步参考图4,其示出了根据本申请的信息推送模型训练方法的一个实施例的流程400。该信息推送模型训练方法的流程400,包括以下步骤:
步骤401,获取多个样本用户画像信息和上述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息。
在本实施例中,信息推送模型训练方法运行于其上的执行主体(例如图1所示的服务105)可以获取多个样本用户画像信息和上述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息。
在本实施例中,执行主体可以获取多个样本用户画像信息,并为本领域技术人员分析,本领域技术人员可以根据经验对多个样本用户画像信息中每个样本用户画像信息匹配样本目标历史信息和样本目标待显示信息。
步骤402,将上述多个样本用户画像信息中每个样本用户画像信息依次输入至初始信息推送模型,得到上述多个样本用户画像信息中每个样本用户画像信息所对应的初始历史信息和初始待显示信息。
在本实施例中,执行主体可以将多个样本用户画像信息中每个样本用户画像信息依次输入至初始信息推送模型,从而得到多个样本用户画像信息中每个样本用户画像信息所对应的初始历史信息和初始待显示信息。这里,执行主体可以将每个样本用户画像信息从初始信息推送模型的输入侧输入,依次经过初始信息推送模型中的各层的参数的处理,并从初始信息推送模型的输出侧输出,输出侧输出的信息即为该初始信息推送模型所对应的初始历史信息和初始待显示信息。其中,初始信息推送模型可以是未经训练的信息推送模型或未训练完成的信息推送模型,其各层设置有初始化参数,初始化参数在信息推送模型的训练过程中可以被不断地调整。
步骤403,计算样本用户画像信息、初始历史信息和初始待显示信息之间的匹配度。
得到初始历史信息和初始待显示信息后,执行主体可以计算样本用户画像信息、初始历史信息和初始待显示信息之间的匹配度。
步骤404,确定上述匹配度是否大于预设匹配度阈值。
在本实施例中,基于步骤403所得到的初始信息推送模型的匹配度。执行主体可以将初始信息推送模型的匹配度与预设匹配度阈值进行比较。若匹配度大于预设匹配度阈值,则执行步骤405;若匹配度不大于预设匹配度阈值,则执行步骤406。其中,上述预设匹配度阈值通过样本用户画像信息、样本目标历史信息和样本目标待显示信息之间的匹配度来设置。
在本实施例的一些可选的实现方式中,上述预设匹配度阈值通过以下步骤得到:
第一步,分别获取对应上述样本目标历史信息和样本目标待显示信息的第一点击率和第二点击率。
样本目标历史信息可以是网络上的网页、新闻、图片等信息。通常,样本目标历史信息都有对应的点击率。点击率可以表征样本目标历史信息被浏览的次数。点击率越高,说明样本目标历史信息的传播性越好。由于本实施例的样本目标历史信息和样本目标待显示信息具有相关性。因此,本实施例中,上述第一点击率可以用于表征从上述样本用户画像信息所对应的页面切换到上述样本目标历史信息所在页面的概率,上述第二点击率可以用于表征从上述样本目标历史信息所在的页面切换到上述样本目标待显示信息所在页面的概率。
第二步,通过上述第一点击率和第二点击率计算上述样本目标待显示信息的匹配度。
本实施例的匹配度可以是各种不同类型的匹配度。例如,匹配度可以信息传递匹配度、信息展示匹配度等。其中,信息传递匹配度可以用于表征从上述样本用户画像信息所对应的页面切换到述样本目标待显示信息所在页面的概率。信息传递匹配度可以通过第一点击率和第二点击率的乘积来表示。信息展示匹配度可以用于表征样本用户画像信息、样本目标历史信息和样本目标待显示信息中相同或相似词条的匹配概率。信息展示匹配度可以通过样本用户画像信息、样本目标历史信息和样本目标待显示信息中相同的特征词条与全部特征词条的比值来表示。本申请的匹配度可以是某一总匹配度,也可以是多种匹配度加和得到的,具体视实际需要而定。
第三步,将小于上述匹配度设定误差的匹配度值设置为预设匹配度阈值。
样本用户画像信息、样本目标历史信息和样本目标待显示信息可以是优选出来的信息。实际中,用户画像信息可以匹配到多个目标历史信息。每个目标历史信息又可以匹配到多个目标待显示信息。执行主体可以构建多条由用户画像信息、目标历史信息和目标待显示信息构成的信息链路(信息链路可以是:用户画像信息→目标历史信息→目标待显示信息),并计算每条信息链路的匹配度。之后,可以以样本用户画像信息、样本目标历史信息和样本目标待显示信息的匹配度为标准,将小于匹配度设定误差的匹配度值设置为预设匹配度阈值。
步骤405,将上述初始信息推送模型作为训练完成的信息推送模型。
在本实施例中,在初始信息推送模型的匹配度大于预设匹配度阈值的情况下,说明该信息推送模型训练完成。此时,执行主体可以将初始信息推送模型作为训练完成的信息推送模型。
步骤406,调整初始信息推送模型的参数。
在本实施例中,在初始信息推送模型的匹配度不大于预设匹配度阈值的情况下,执行主体可以调整初始信息推送模型的参数,并返回执行步骤402,直至训练出能够表征用户画像信息与目标显示信息之间的对应关系的信息推送模型为止。
本申请的上述实施例提供的方法首先获取打开指定网页的用户的用户画像信息;然后将用户画像信息导入信息推送模型,得到对应用户画像信息的目标显示信息;最后在指定网页上显示用于打开目标显示信息的链接。能够及时准确地为用户提供目标显示信息,提高了用户获取信息的效率。
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显示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,本实施例的用于显示信息的装置500可以包括:用户画像信息获取单元501、目标显示信息获取单元502和显示单元503。其中,用户画像信息获取单元501被配置成获取打开指定网页的用户的用户画像信息;目标显示信息获取单元502被配置成将上述用户画像信息导入信息推送模型,得到对应上述用户画像信息的目标显示信息,其中,上述信息推送模型用于表征用户画像信息与目标显示信息之间的对应关系;显示单元503被配置成在上述指定网页上显示用于打开上述目标显示信息的链接。
在本实施例的一些可选的实现方式中,上述目标显示信息可以包括目标历史信息和目标待显示信息,以及,上述显示单元503可以包括:第一显示子单元(图中未示出)、第二显示子单元(图中未示出)和第三显示子单元(图中未示出)。其中,第一显示子单元被配置成在上述指定网页上显示上述目标历史信息的链接;第二显示子单元被配置成响应于上述目标历史信息的链接被触发,显示上述目标历史信息的页面,并在上述目标历史信息的页面显示上述目标待显示信息的链接;第三显示子单元被配置成响应于上述目标待显示信息的链接被触发,显示上述目标待显示信息的页面。
在本实施例的一些可选的实现方式中,上述信息推送模型可以包括卷积神经网络、循环神经网络和全连接层。
在本实施例的一些可选的实现方式中,上述目标显示信息获取单元502可以包括:初始历史信息获取子单元(图中未示出)、初始待显示信息获取子单元(图中未示出)和目标显示信息获取子单元(图中未示出)。初始历史信息获取子单元被配置成将上述用户画像信息输入至上述卷积神经网络,得到与上述用户画像信息的初始历史信息,其中,上述卷积神经网络用于表征用户画像信息与初始历史信息之间的对应关系,初始历史信息包括以下至少一项:网页、图像、视频;初始待显示信息获取子单元被配置成将初始历史信息输入至上述循环神经网络,得到与初始历史信息对应的初始待显示信息,其中,上述循环神经网络用于表征初始历史信息与初始待显示信息之间的对应关系;目标显示信息获取子单元被配置成将用户画像信息、初始历史信息和初始待显示信息输入至上述全连接层,得到上述用户画像信息对应的目标显示信息,其中,上述全连接层用于表征用户画像信息、初始历史信息、初始待显示信息与目标显示信息之间的对应关系。
在本实施例的一些可选的实现方式中,上述目标显示信息获取子单元可以包括:第一关键词提取模块(图中未示出)和目标显示信息获取模块(图中未示出)。其中,第一关键词提取模块被配置成从初始历史信息提取第一关键词,通过第一关键词和初始历史信息构建倒排索引;目标显示信息获取模块,响应于用户画像信息和初始待显示信息中存在与第一关键词对应的词条,被配置成通过与第一关键词对应的初始历史信息和初始待显示信息构建目标显示信息。
在本实施例的一些可选的实现方式中,上述目标显示信息获取子单元可以包括:特征词条获取模块(图中未示出)和词条替换模块(图中未示出)。其中,特征词条获取模块被配置成获取上述目标待显示信息的特征词条;词条替换模块被配置成将上述目标历史信息中的、与特征词条对应的词条替换为特征词条。
在本实施例的一些可选的实现方式中,用于显示信息的装置500可以包括信息推送模型训练单元(图中未示出),被配置成训练信息推送模型。上述信息推送模型训练单元可以包括:样本获取子单元(图中未示出)和信息推送模型训练子单元(图中未示出)。其中,样本获取子单元被配置成获取多个样本用户画像信息和上述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息;信息推送模型训练子单元被配置成将上述多个样本用户画像信息中每个样本用户画像信息作为输入,将与上述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息作为输出,训练得到信息推送模型。
在本实施例的一些可选的实现方式中,上述信息推送模型训练子单元可以包括信息推送模型训练模块(图中未示出),被配置成将上述多个样本用户画像信息中每个样本用户画像信息依次输入至初始信息推送模型,得到上述多个样本用户画像信息中每个样本用户画像信息所对应的初始历史信息和初始待显示信息;计算样本用户画像信息、初始历史信息和初始待显示信息之间的匹配度,确定上述匹配度是否大于预设匹配度阈值;若大于上述预设匹配度阈值,则将上述初始信息推送模型作为训练完成的信息推送模型,其中,上述预设匹配度阈值通过样本用户画像信息、样本目标历史信息和样本目标待显示信息之间的匹配度来设置。
在本实施例的一些可选的实现方式中,上述信息推送模型训练子单元还可以包括:参数调整模块(图中未示出),响应于不大于上述预设匹配度阈值,被配置成调整上述初始信息推送模型的参数,并继续执行上述训练步骤。
在本实施例的一些可选的实现方式中,上述信息推送模型训练子单元可以包括预设匹配度阈值设置模块(图中未示出),被配置成设置预设匹配度阈值。预设匹配度阈值设置模块可以包括:点击率获取子模块(图中未示出)、匹配度计算子模块(图中未示出)和预设匹配度阈值设置子模块(图中未示出)。其中,点击率获取子模块被配置成分别获取对应上述样本目标历史信息和样本目标待显示信息的第一点击率和第二点击率,其中,上述第一点击率用于表征从上述样本用户画像信息所对应的页面切换到上述样本目标历史信息所在页面的概率,上述第二点击率用于表征从上述样本目标历史信息所在的页面切换到上述样本目标待显示信息所在页面的概率;匹配度计算子模块被配置成通过上述第一点击率和第二点击率计算上述样本目标待显示信息的匹配度;预设匹配度阈值设置子模块被配置成将小于上述匹配度设定误差的匹配度值设置为预设匹配度阈值。
本实施例还提供了一种服务器,包括:一个或多个处理器;存储器,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述的用于显示信息的方法。
本实施例还提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现上述的用于显示信息的方法。
下面参考图6,其示出了适于用来实现本申请实施例的服务器(例如,图1中的服务器105)的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例,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)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)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、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
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609从网络上被下载和安装,和/或从可拆卸介质611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:一种处理器包括用户画像信息获取单元、目标显示信息获取单元和显示单元。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,显示单元还可以被描述为“用于显示目标显示信息的链接的单元”。
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:获取打开指定网页的用户的用户画像信息;将上述用户画像信息导入信息推送模型,得到对应上述用户画像信息的目标显示信息,其中,上述信息推送模型用于表征用户画像信息与目标显示信息之间的对应关系;在上述指定网页上显示用于打开上述目标显示信息的链接。
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 (22)
1.一种用于显示信息的方法,包括:
获取打开指定网页的用户的用户画像信息;
将所述用户画像信息导入信息推送模型,得到对应所述用户画像信息的目标显示信息,其中,所述信息推送模型用于表征用户画像信息与目标显示信息之间的对应关系,所述信息推送模型为对应关系表,所述目标显示信息包括目标历史信息和目标待显示信息;
在所述指定网页上显示用于打开所述目标显示信息的链接。
2.根据权利要求1所述的方法,其中,所述在所述指定网页上显示用于打开所述目标显示信息的链接,包括:
在所述指定网页上显示所述目标历史信息的链接;
响应于所述目标历史信息的链接被触发,显示所述目标历史信息的页面,并在所述目标历史信息的页面显示所述目标待显示信息的链接;
响应于所述目标待显示信息的链接被触发,显示所述目标待显示信息的页面。
3.根据权利要求1所述的方法,其中,所述信息推送模型包括卷积神经网络、循环神经网络和全连接层。
4.根据权利要求3所述的方法,其中,所述将所述用户画像信息导入信息推送模型,得到对应所述用户画像信息的目标显示信息,包括:
将所述用户画像信息输入至所述卷积神经网络,得到与所述用户画像信息的初始历史信息,其中,所述卷积神经网络用于表征用户画像信息与初始历史信息之间的对应关系,初始历史信息包括以下至少一项:网页、图像、视频;
将初始历史信息输入至所述循环神经网络,得到与初始历史信息对应的初始待显示信息,其中,所述循环神经网络用于表征初始历史信息与初始待显示信息之间的对应关系;
将用户画像信息、初始历史信息和初始待显示信息输入至所述全连接层,得到所述用户画像信息对应的目标显示信息,其中,所述全连接层用于表征用户画像信息、初始历史信息、初始待显示信息与目标显示信息之间的对应关系。
5.根据权利要求4所述的方法,其中,所述将用户画像信息、初始历史信息和初始待显示信息输入至所述全连接层,得到所述用户画像信息对应的目标显示信息,包括:
从初始历史信息提取第一关键词,通过第一关键词和初始历史信息构建倒排索引;
响应于用户画像信息和初始待显示信息中存在与第一关键词对应的词条,通过与第一关键词对应的初始历史信息和初始待显示信息构建目标显示信息。
6.根据权利要求4所述的方法,其中,所述将用户画像信息、初始历史信息和初始待显示信息输入至所述全连接层,得到所述用户画像信息对应的目标显示信息,包括:
获取所述目标待显示信息的特征词条;
将所述目标历史信息中的、与特征词条对应的词条替换为特征词条。
7.根据权利要求1所述的方法,其中,所述信息推送模型通过如下步骤训练得到:
获取多个样本用户画像信息和所述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息;
将所述多个样本用户画像信息中每个样本用户画像信息作为输入,将与所述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息作为输出,训练得到信息推送模型。
8.根据权利要求7所述的方法,其中,所述将所述多个样本用户画像信息中每个样本用户画像信息作为输入,将与所述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息作为输出,训练得到信息推送模型,包括:
执行以下训练步骤:将所述多个样本用户画像信息中每个样本用户画像信息依次输入至初始信息推送模型,得到所述多个样本用户画像信息中每个样本用户画像信息所对应的初始历史信息和初始待显示信息;计算样本用户画像信息、初始历史信息和初始待显示信息之间的匹配度,确定所述匹配度是否大于预设匹配度阈值;若大于所述预设匹配度阈值,则将所述初始信息推送模型作为训练完成的信息推送模型,其中,所述预设匹配度阈值通过样本用户画像信息、样本目标历史信息和样本目标待显示信息之间的匹配度来设置。
9.根据权利要求8所述的方法,其中,所述将所述多个样本用户画像信息中每个样本用户画像信息作为输入,将与所述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息作为输出,训练得到信息推送模型,还包括:
响应于不大于所述预设匹配度阈值,调整所述初始信息推送模型的参数,并继续执行所述训练步骤。
10.根据权利要求8所述的方法,其中,所述预设匹配度阈值通过以下步骤得到:
分别获取对应所述样本目标历史信息和样本目标待显示信息的第一点击率和第二点击率,其中,所述第一点击率用于表征从所述样本用户画像信息所对应的页面切换到所述样本目标历史信息所在页面的概率,所述第二点击率用于表征从所述样本目标历史信息所在的页面切换到所述样本目标待显示信息所在页面的概率;
通过所述第一点击率和第二点击率计算所述样本目标待显示信息的匹配度;
将小于所述匹配度设定误差的匹配度值设置为预设匹配度阈值。
11.一种用于显示信息的装置,包括:
用户画像信息获取单元,被配置成获取打开指定网页的用户的用户画像信息;
目标显示信息获取单元,被配置成将所述用户画像信息导入信息推送模型,得到对应所述用户画像信息的目标显示信息,其中,所述信息推送模型用于表征用户画像信息与目标显示信息之间的对应关系,所述信息推送模型为对应关系表,所述目标显示信息包括目标历史信息和目标待显示信息;
显示单元,被配置成在所述指定网页上显示用于打开所述目标显示信息的链接。
12.根据权利要求11所述的装置,其中,所述显示单元包括:
第一显示子单元,被配置成在所述指定网页上显示所述目标历史信息的链接;
第二显示子单元,被配置成响应于所述目标历史信息的链接被触发,显示所述目标历史信息的页面,并在所述目标历史信息的页面显示所述目标待显示信息的链接;
第三显示子单元,被配置成响应于所述目标待显示信息的链接被触发,显示所述目标待显示信息的页面。
13.根据权利要求11所述的装置,其中,所述信息推送模型包括卷积神经网络、循环神经网络和全连接层。
14.根据权利要求13所述的装置,其中,所述目标显示信息获取单元包括:
初始历史信息获取子单元,被配置成将所述用户画像信息输入至所述卷积神经网络,得到与所述用户画像信息的初始历史信息,其中,所述卷积神经网络用于表征用户画像信息与初始历史信息之间的对应关系,初始历史信息包括以下至少一项:网页、图像、视频;
初始待显示信息获取子单元,被配置成将初始历史信息输入至所述循环神经网络,得到与初始历史信息对应的初始待显示信息,其中,所述循环神经网络用于表征初始历史信息与初始待显示信息之间的对应关系;
目标显示信息获取子单元,被配置成将用户画像信息、初始历史信息和初始待显示信息输入至所述全连接层,得到所述用户画像信息对应的目标显示信息,其中,所述全连接层用于表征用户画像信息、初始历史信息、初始待显示信息与目标显示信息之间的对应关系。
15.根据权利要求14所述的装置,其中,所述目标显示信息获取子单元包括:
第一关键词提取模块,被配置成从初始历史信息提取第一关键词,通过第一关键词和初始历史信息构建倒排索引;
目标显示信息获取模块,响应于用户画像信息和初始待显示信息中存在与第一关键词对应的词条,被配置成通过与第一关键词对应的初始历史信息和初始待显示信息构建目标显示信息。
16.根据权利要求14所述的装置,其中,所述目标显示信息获取子单元包括:
特征词条获取模块,被配置成获取所述目标待显示信息的特征词条;
词条替换模块,被配置成将所述目标历史信息中的、与特征词条对应的词条替换为特征词条。
17.根据权利要求11所述的装置,其中,所述装置包括信息推送模型训练单元,被配置成训练信息推送模型,所述信息推送模型训练单元包括:
样本获取子单元,被配置成获取多个样本用户画像信息和所述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息;
信息推送模型训练子单元,被配置成将所述多个样本用户画像信息中每个样本用户画像信息作为输入,将与所述多个样本用户画像信息中每个样本用户画像信息对应的样本目标历史信息和样本目标待显示信息作为输出,训练得到信息推送模型。
18.根据权利要求17所述的装置,其中,所述信息推送模型训练子单元包括:
信息推送模型训练模块,被配置成将所述多个样本用户画像信息中每个样本用户画像信息依次输入至初始信息推送模型,得到所述多个样本用户画像信息中每个样本用户画像信息所对应的初始历史信息和初始待显示信息;计算样本用户画像信息、初始历史信息和初始待显示信息之间的匹配度,确定所述匹配度是否大于预设匹配度阈值;若大于所述预设匹配度阈值,则将所述初始信息推送模型作为训练完成的信息推送模型,其中,所述预设匹配度阈值通过样本用户画像信息、样本目标历史信息和样本目标待显示信息之间的匹配度来设置。
19.根据权利要求18所述的装置,其中,所述信息推送模型训练子单元还包括:
参数调整模块,响应于不大于所述预设匹配度阈值,被配置成调整所述初始信息推送模型的参数,并继续执行所述训练步骤。
20.根据权利要求18所述的装置,其中,所述信息推送模型训练子单元包括预设匹配度阈值设置模块,被配置成设置预设匹配度阈值,预设匹配度阈值设置模块包括:
点击率获取子模块,被配置成分别获取对应所述样本目标历史信息和样本目标待显示信息的第一点击率和第二点击率,其中,所述第一点击率用于表征从所述样本用户画像信息所对应的页面切换到所述样本目标历史信息所在页面的概率,所述第二点击率用于表征从所述样本目标历史信息所在的页面切换到所述样本目标待显示信息所在页面的概率;
匹配度计算子模块,被配置成通过所述第一点击率和第二点击率计算所述样本目标待显示信息的匹配度;
预设匹配度阈值设置子模块,被配置成将小于所述匹配度设定误差的匹配度值设置为预设匹配度阈值。
21.一种服务器,包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行权利要求1至10中任一所述的方法。
22.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810843536.8A CN108920717B (zh) | 2018-07-27 | 2018-07-27 | 用于显示信息的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810843536.8A CN108920717B (zh) | 2018-07-27 | 2018-07-27 | 用于显示信息的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108920717A CN108920717A (zh) | 2018-11-30 |
CN108920717B true CN108920717B (zh) | 2020-03-13 |
Family
ID=64418536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810843536.8A Active CN108920717B (zh) | 2018-07-27 | 2018-07-27 | 用于显示信息的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108920717B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658230A (zh) * | 2018-12-11 | 2019-04-19 | 中盟盛世投资控股(深圳)有限公司 | 互联网借贷处理方法及装置 |
EP3918589B1 (en) * | 2019-01-30 | 2022-11-09 | Volvo Truck Corporation | A method for adjusting a display view of a vision aid system |
CN110058781A (zh) * | 2019-04-29 | 2019-07-26 | 上海掌门科技有限公司 | 用于显示信息的方法和设备 |
WO2021087746A1 (zh) * | 2019-11-05 | 2021-05-14 | 深圳市欢太科技有限公司 | 推送内容的处理方法、装置、电子设备以及存储介质 |
CN110929209B (zh) * | 2019-12-06 | 2023-06-20 | 北京百度网讯科技有限公司 | 用于发送信息的方法及装置 |
CN113271325A (zh) * | 2020-02-17 | 2021-08-17 | 腾讯科技(北京)有限公司 | 信息推送方法、装置、电子设备及计算机可读介质 |
CN111639257A (zh) * | 2020-05-09 | 2020-09-08 | 北京三快在线科技有限公司 | 信息显示方法、装置、存储介质和电子设备 |
CN111901411A (zh) * | 2020-07-24 | 2020-11-06 | 北京字节跳动网络技术有限公司 | 用于推送信息的方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106168971A (zh) * | 2016-07-08 | 2016-11-30 | 北京麒麟合盛网络技术有限公司 | 信息订阅方法及装置 |
CN106599022B (zh) * | 2016-11-01 | 2019-12-10 | 中山大学 | 基于用户访问数据的用户画像形成方法 |
CN106776860A (zh) * | 2016-11-28 | 2017-05-31 | 北京三快在线科技有限公司 | 一种搜索摘要生成方法及装置 |
CN107766580A (zh) * | 2017-11-20 | 2018-03-06 | 北京奇虎科技有限公司 | 消息的推送方法及装置 |
CN108228887B (zh) * | 2018-01-31 | 2019-12-03 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
-
2018
- 2018-07-27 CN CN201810843536.8A patent/CN108920717B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108920717A (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920717B (zh) | 用于显示信息的方法及装置 | |
US10650102B2 (en) | Method and apparatus for generating parallel text in same language | |
JP2022058915A (ja) | 画像認識モデルをトレーニングするための方法および装置、画像を認識するための方法および装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN110766142A (zh) | 模型生成方法和装置 | |
CN112699991A (zh) | 用于加速神经网络训练的信息处理的方法、电子设备和计算机可读介质 | |
CN110555714A (zh) | 用于输出信息的方法和装置 | |
JP2020532012A (ja) | ランダム・ドキュメント埋め込みを用いたテキスト・データ表現学習 | |
WO2022016556A1 (zh) | 一种神经网络蒸馏方法以及装置 | |
CN110825956A (zh) | 一种信息流推荐方法、装置、计算机设备及存储介质 | |
US11729286B2 (en) | Feature-based network embedding | |
US20180341700A1 (en) | Artificial intelligence based method and apparatus for determining regional information | |
CN116010684A (zh) | 物品推荐方法、装置及存储介质 | |
CN110473042B (zh) | 用于获取信息的方法及装置 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
WO2024114659A1 (zh) | 一种摘要生成方法及其相关设备 | |
US11914657B2 (en) | Machine learning aided automatic taxonomy for web data | |
CN113343664B (zh) | 图像文本之间的匹配度的确定方法及装置 | |
CN116186395A (zh) | 一种资源推荐、模型训练方法及装置、设备及存储介质 | |
CN116204709A (zh) | 一种数据处理方法及相关装置 | |
CN114780809A (zh) | 基于强化学习的知识推送方法、装置、设备及存储介质 | |
CN112395314A (zh) | 用于查找信息的方法、电子设备和计算机可读介质 | |
CN116701972B (zh) | 业务数据处理方法、装置、设备以及介质 | |
CN116107574B (zh) | 应用界面自动构建方法、装置、电子设备和可读介质 | |
JP7473583B2 (ja) | 長い文書の要約のためのモデルグローバル化 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |