CN109902446A - 用于生成信息预测模型的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于生成信息预测模型的方法和装置。该方法的一具体实施方式包括：获取表征目标用户的第一特征向量；获取样本集，样本包括表征样本信息的第二特征向量和样本操作信息，样本操作信息指示目标用户是否对样本信息执行过预设操作集中的各预设操作，预设操作集包括至少两个预设操作；执行如下训练步骤：将从样本集中选取的各个样本中的第二特征向量分别与第一特征向量输入至初始模型，得到各样本分别对应的预测操作信息；根据预测操作信息和对应的样本操作信息，确定损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为信息预测模型。该实施方式通过分析多种用户操作，有助于提升预测结果的准确性。

Description

用于生成信息预测模型的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成信息预测模型的方法和装置。

背景技术

随着互联网的快速发展，每天都会产生海量的用户数据。用户数据可以反映用户的需求、偏好等信息。基于此，如何对海量的用户数据进行分析，以准确地了解用户的需求、偏好或对用户之后的行为进行预测等是许多技术人员不断在研究的一些问题。

发明内容

本公开的实施例提出了用于生成信息预测模型的方法和装置。

第一方面，本公开的实施例提供了一种用于生成信息预测模型的方法，该方法包括：获取用于表征目标用户的第一特征向量；获取样本集，其中，样本集中的样本包括用于表征样本信息的第二特征向量和样本操作信息，其中，样本操作信息用于指示目标用户是否对样本信息执行过预设操作集中的各个预设操作，预设操作集包括至少两个预设操作；从样本集中选取至少一个样本，以及执行如下训练步骤：将选取的至少一个样本中的第二特征向量分别与第一特征向量输入至初始模型，得到选取的至少一个样本中的各个样本分别对应的预测操作信息；根据得到的至少一个预测操作信息和选取的至少一个样本中的样本操作信息，确定预设的损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为信息预测模型。

在一些实施例中，训练步骤还包括：响应于根据损失函数的值确定初始模型未训练完成，根据损失函数的值调整初始模型的参数，以及从样本集中重新选取至少一个样本，使用调整后的初始模型作为初始模型，继续执行训练步骤。

在一些实施例中，上述用于生成信息预测模型的方法还包括：获取目标用户的、最新的行为数据；根据行为数据，确定用于表征行为数据对应的信息的特征向量作为目标特征向量，以及确定行为数据对应的信息对应的操作信息作为目标操作信息；将目标特征向量和目标操作信息组成新的训练样本；基于新的训练样本对信息预测模型进行训练以更新信息预测模型。

在一些实施例中，预设操作集包括用于表示点击操作的预设操作。

第二方面，本公开的实施例提供了一种用于生成信息预测模型的装置，该装置包括：第一获取单元，被配置成获取用于表征目标用户的第一特征向量；第一获取单元，进一步被配置成获取样本集，其中，样本集中的样本包括用于表征样本信息的第二特征向量和样本操作信息，其中，样本操作信息用于指示目标用户是否对样本信息执行过预设操作集中的各个预设操作，预设操作集包括至少两个预设操作；训练单元，被配置成从样本集中选取至少一个样本，以及执行如下训练步骤：将选取的至少一个样本中的第二特征向量分别与第一特征向量输入至初始模型，得到选取的至少一个样本中的各个样本分别对应的预测操作信息；根据得到的至少一个预测操作信息和选取的至少一个样本中的样本操作信息，确定预设的损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为信息预测模型。

在一些实施例中，训练单元进一步被配置成：响应于根据损失函数的值确定初始模型未训练完成，根据损失函数的值调整初始模型的参数，以及从样本集中重新选取至少一个样本，使用调整后的初始模型作为初始模型，继续执行训练步骤。

在一些实施例中，训练单元进一步被配置成：获取目标用户的、最新的行为数据；根据行为数据，确定用于表征行为数据对应的信息的特征向量作为目标特征向量，以及确定行为数据对应的信息对应的操作信息作为目标操作信息；将目标特征向量和目标操作信息组成新的训练样本；基于新的训练样本对信息预测模型进行训练以更新信息预测模型。

在一些实施例中，预设操作集包括用于表示点击操作的预设操作。

第三方面，本公开的实施例提供了一种用于推送信息的方法，该方法包括：获取用于表征目标用户的特征向量；获取用于表征待推送信息的特征向量；将用于表征目标用户的特征向量和用于表征待推送信息的特征向量输入至预先训练的、目标用户对应的信息预测模型，得到待推送信息对应的操作信息，其中，操作信息用于预测目标用户是否对待推送信息执行预设操作集中的各个预设操作，其中，信息预测模型通过如第一方面中任一实现方式描述的方法生成；确定操作信息是否符合预设的推送条件；响应于确定操作信息符合推送条件，向目标用户对应的终端设备推送待推送信息。

在一些实施例中，在向选取的特征向量指示的用户对应的终端设备推送待推送信息之前，用于推送信息的方法还包括：根据选取的特征向量分别对应的操作信息，确定预设操作集中的各个预设操作分别对应的目标用户数，其中，预设操作对应的目标用户数用于表示预测对待推送信息执行预设操作的用户的数目；响应于确定预设操作集中的各个预设操作分别对应的目标用户数不符合预设的安全条件，执行预设的防护操作。

第四方面，本公开的实施例提供了一种用于推送信息的装置，该装置包括：第二获取单元，被配置成获取目标特征向量集，其中，目标特征向量集中的特征向量用于表征用户；第二获取单元，进一步被配置成获取用于表征待推送信息的特征向量；预测单元，被配置成对于所述目标特征向量集中的特征向量，将该特征向量和所述用于表征待推送信息的特征向量输入至预先训练的、该特征向量指示的用户对应的信息预测模型，得到该特征向量对应的操作信息，其中，操作信息用于预测该特征向量指示的用户是否对所述待推送信息执行预设操作集中的预设操作，其中，信息预测模型通过如第一方面中任一实现方式描述的方法生成；选取单元，被配置成从所述目标特征向量集中选取对应的操作信息符合预设的推送条件的特征向量；推送单元，被配置成向选取的特征向量指示的用户对应的终端设备推送所述待推送信息。

在一些实施例中，用于推送信息的装置还包括：确定单元，被配置成根据选取的特征向量分别对应的操作信息，确定预设操作集中的各个预设操作分别对应的目标用户数，其中，预设操作对应的目标用户数用于表示预测对待推送信息执行预设操作的用户的数目；执行单元，被配置成响应于确定预设操作集中的各个预设操作分别对应的目标用户数不符合预设的安全条件，执行预设的防护操作。

第五方面，本公开的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、第三方面中任一实现方式描述的方法。

第六方面，本公开的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，该计算机程序被处理器执行时实现如第一方面、第三方面中任一实现方式描述的方法。

现有技术中，关于用户对信息的操作信息预测，通常是分析所要预测的用户操作类型对应的操作数据以进行预测。例如，想要预测用户的点击操作，即预测用户是否会点击信息。通常是采集大量的用户已点击的信息和未点击的信息，然后分析用户的特征、用户已点击的信息的特征和未点击的信息的特征，进而根据分析结果对用户之后的点击操作进行预测。

基于这种思想，技术人员通常都致力于进一步提升特征提取的准确度。通过提取更准确的特征，来实现更准确的预测。而不管是一个用户的特征还是一个信息的特征，都是非常复杂且难以表达的，而且特征还可能会随着时间的推移不断变化。例如，对于一个用户来说，该用户的特征可能包括年龄、性别、地域、职业、学校、消费水平、偏好等等。一般地，考虑的特征越多或者越全面，在一定程度上预测的结果也会越准确。因此，这就需要技术人员花费大量的时间和资源去从海量的用户数据中尽可能全面地挖掘用户的特征和信息的特征。

本公开的实施例提供的用于生成信息预测模型的方法和装置，通过增加训练样本中操作信息所指示的用户操作的数目，使得多种用户操作能够互相辅助于彼此的预测学习过程。由于用户操作是多种多样的，而且不同的用户操作之间具有一定的关联性，因此，孤立的分析一种用户操作，必然会丢失不同用户操作之间的关联信息，从而不能考虑到其它的用户操作对所要分析的用户操作带来的影响。

基于此，本公开的实施例提供的用于生成信息预测模型的方法和装置，将重点放在考虑不同的用户操作之间的关联性来对用户操作信息进行预测，以提升预测结果的准确性。而且和现有技术中的从海量的用户数据中挖掘用户的特征和信息的特征的复杂度和难度相比，采集用户的不同操作要容易和方便许多。因此，本公开的实施例提供的用于生成信息预测模型的方法和装置，能够大大地缩短生成训练样本的速度，进而缩短生成信息预测模型的速度。另外，通过减小生成训练样本的难度和复杂度，有效地降低了这一过程中所需要花费的时间成本和资源成本。

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，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成信息预测模型的方法的一个实施例的流程图；

图3是根据本公开的用于生成信息预测模型的方法的又一个实施例的流程图；

图4是根据本公开的用于推送信息的方法的一个实施例的流程图；

图5是根据本公开的实施例的用于推送信息的方法的一个应用场景的示意图；

图6是根据本公开的用于生成信息预测模型的装置的一个实施例的结构示意图；

图7是根据本公开的用于推送信息的装置的一个实施例的结构示意图；

图8是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开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，本公开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公开。

图1示出了可以应用本公开的用于生成信息预测模型的方法或用于生成信息预测模型的装置的实施例的示例性架构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。

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上可以安装有各种客户端应用。例如浏览器类应用、搜索类应用、图像类应用、视频类应用等等。

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的多个软件或软件模块)，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，例如基于终端设备101、102、103采集并发送的训练样本集对初始模型进行训练以得到信息预测模型的服务器。服务器上可以安装有各种用于训练模型的应用框架、工具、库等等。

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的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，上述训练样本集也可以直接存储在服务器105的本地，或者上述训练样本集也可以由服务器105进行采集得到。此时，服务器105可以直接提取本地所存储的训练样本集并进行处理，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，本公开的实施例所提供的用于生成信息预测模型的方法一般由服务器105执行，相应地，用于生成信息预测模型的装置一般设置于服务器105中。

还需要指出的是，终端设备101、102、103中也可以安装有用于训练模型的应用框架、工具、库等。此时，终端设备101、102、103页可以基于所安装的应用框架、工具、库等，利用训练样本集对初始模型进行训练。此时，用于生成信息预测模型的方法可以由终端设备101、102、103执行，相应地，用于生成信息预测模型的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

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，其示出了根据本公开的用于生成信息预测模型的方法的一个实施例的流程200。该用于生成信息预测模型的方法包括以下步骤：

步骤201，获取用于表征目标用户的第一特征向量。

在本实施例中，目标用户可以是任意的用户。目标用户可以由技术人员预先指定，或者根据预设的筛选条件而确定。用于表征目标用户的第一特征向量可以是利用现有的各种特征提取方法，预先根据目标用户的历史行为数据提取的特征向量。用于表征目标用户的第一特征向量也可以从第三方数据平台获取。

步骤202，获取样本集，其中，样本集中的样本包括用于表征样本信息的第二特征向量和样本操作信息。

在本实施例中，用于生成信息预测模型的方法的执行主体(如图1所示的服务器105)可以从其它终端设备(如图1所示的终端设备101、102、103)、或连接的数据库、第三方数据平台等获取训练样本集。当然，训练样本集也可以直接存储于上述执行主体的本地。此时，可以直接从本地获取训练样本集。

样本信息可以是任意的信息。例如文本、图像、视频、音频等等。类似地，可以基于现有的各种特征提取方法提取用于表征样本信息的第二特征向量，也可以从第三方数据平台获取用于表征样本信息的第二特征向量。

样本操作信息可以用于指示目标用户是否对样本信息执行过预设操作集中的各个预设操作。其中，预设操作集可以包括至少两个预设操作。预设操作集可以指由技术人员预先指定的一些预设操作的集合。预设操作可以指任意的用户操作。例如，预设操作集可以包括用于表示评论的预设操作、用于表示分享样本信息的连接地址的预设操作等。

可选地，预设操作集可以包括用于表示点击操作的预设操作。

样本操作信息可以使用预先设置的一些指示信息来指示目标用户是否对样本信息执行过预设操作集中的各个预设操作。作为示例，假设预设操作集包括两个预设操作，分别为用于表示点击的预设操作和用于表示评论的预设操作。此时，可以使用包含两个分量的数组来作为样本信息。

其中，第一个分量可以用于指示目标用户是否对样本信息执行过点击操作，且使用数字“1”指示目标用户对样本信息执行过点击操作，使用数字“0”指示目标用户未对样本信息执行过点击操作。类似地，第二个分量可以用于指示目标用户是否对样本信息执行过评论操作，且使用数字“1”指示目标用户对样本信息执行过评论操作，使用数字“0”指示目标用户未对样本信息执行过评论操作。例如，样本信息[1,0]就可以表示目标用户对样本信息执行过点击操作，但未对样本信息执行过评论操作。

步骤203，从样本集中选取至少一个样本，以及执行如下训练步骤2031-2033：

在本步骤中，选取样本的选取方式可以灵活设置。例如，可以从样本中随机选取至少一个样本，也可以从样本中选取未被选取过的、至少一个样本。

步骤2031，将选取的至少一个样本中的第二特征向量分别与第一特征向量输入至初始模型，得到选取的至少一个样本中的各个样本分别对应的预测操作信息。

在本步骤中，初始模型可以是各种类型的未经训练的或未训练完成的人工神经网络，例如深度学习模型。初始模型也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。具体地，技术人员可以根据实际的应用需求(如需要包括哪些层、每层的层数、卷积核的大小等)构建初始模型。

以至少一个样本中的一个样本为示例，可以将该样本中的第二特征向量和第一特征向量输入至初始模型，得到初始模型输出的、该样本对应的预测操作信息。类似地，可以得到至少一个样本中的其它样本分别对应的预测操作信息。

在本实施例的一些可选的实现方式中，可以选取未经训练的或未训练完成的能够处理序列数据的神经网络(如循环神经网络等)作为初始模型。此时，还可以获取样本集中的各个样本中的操作信息分别对应的时间信息。其中，时间信息可以用于表示目标用户对样本信息执行过的预设操作的时间。

然后，可以按照选取的至少一个样本中的样本操作信息分别对应的时间信息从先到后的顺序，将各个第二特征向量分别与第一特征向量输入至初始模型，得到各个第二特征向量分别对应的预测操作信息。

步骤2032，根据得到的至少一个预测操作信息和选取的至少一个样本中的样本操作信息，确定预设的损失函数的值。

在本步骤中，损失函数的值可以用于表示得到的预测操作信息分别与对应的样本中的样本操作信息的差异程度。理想地，期望得到的预测操作信息分别与对应的样本中的样本操作信息相同。损失函数的具体形式可以由技术人员根据具体的应用场景预先进行设置。

步骤2033，响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为信息预测模型。

在本步骤中，确定初始模型是否训练完成的判断方式可以由技术人员根据实际的应用需求设置。例如，可以通过判断损失函数的值是否小于预设的损失阈值来确定初始模型是否训练完成。若损失函数的值大于损失阈值，则确定初始模型未训练完成。

在本实施例的一些可选的实现方式中，响应于根据损失函数的值确定初始模型未训练完成，根据损失函数的值调整初始模型的参数，以及从样本集中重新选取至少一个样本，使用调整后的初始模型作为初始模型，继续执行上述训练步骤2031-2033。

若确定初始模型未训练完成，可以根据确定的损失函数的值，利用梯度下降和反向传播算法来调整初始模型的参数，使得调整后的初始模型输出的预测操作信息与输入的样本中的样本操作信息的差异尽可能的小。

一般地，对初始模型的训练过程通常需要多次迭代训练。在训练过程中，可以灵活设置多种判断初始模型是否训练完成的方式。例如，第一次对初始模型进行训练时，可以根据损失函数的值与损失阈值的大小关系来确定初始模型是否训练完成。在对初始模型调整参数之后，可以根据不同参数下的初始模型对应的损失函数的值的总和判断调整后的初始模型是否训练完成。举例来说，可以通过判断连续多次调整参数后的初始模型对应的损失函数的值的差异是否小于预设的差异阈值来确定是否训练完成。

本公开的上述实施例提供的方法避免孤立的对一种用户操作进行分析和预测，而是通过分析多种用户操作，利用不同用户操作之间的关联性辅助各种用户操作的预测学习过程，从而提升预测结果的准确性。

举例来说，用户“A”对信息“M”执行过点击操作和评论操作。用户“B”对信息“M”执行过点击操作，未执行过评论操作。若只考虑用户的点击操作的相关数据，那么对于用户“A”和“B”来说，对于信息“M”的操作是相同的，都是点击了信息“M”。但是若考虑用户的评论操作与用户的点击操作之间的关联性，那么对于用户“A”和“B”来说，对于信息“M”虽然都有点击操作，但时属于不同的点击操作。对于用户“A”来说，信息“M”是评论且点击的信息。对于用户“B”来说，信息“M”是只点击不评论的信息。

由上述示例也可以看出，若只考虑点击操作的相关数据，会丢失信息对于用户的差异信息，进而也会影响预测的操作信息的准确性。而通过将多种用户操作整体分析，可以保留信息对于用户的差异信息，进而提升训练出的信息预测模型的预测结果的准确度。

进一步参考图3，其示出了用于生成信息预测模型的方法的又一个实施例的流程300。该用于生成信息预测模型的方法的流程300，包括以下步骤：

步骤301，获取用于表征目标用户的第一特征向量。

步骤302，获取样本集，其中，样本集中的样本包括用于表征样本信息的第二特征向量和样本操作信息。

步骤303，从样本集中选取至少一个样本，以及执行如下训练步骤3031-3033：

步骤3031，将选取的至少一个样本中的第二特征向量分别与第一特征向量输入至初始模型，得到选取的至少一个样本中的各个样本分别对应的预测操作信息。

步骤3032，根据得到的至少一个预测操作信息和选取的至少一个样本中的样本操作信息，确定预设的损失函数的值。

步骤3033，根据损失函数的值确定初始模型是否训练完成。若根据损失函数的值确定初始模型训练完成，执行如下步骤30331，若根据损失函数的值确定初始模型未训练完成，执行如下步骤30332。

步骤30331，将初始模型确定为信息预测模型。

步骤30332，根据损失函数的值调整初始模型的参数，以及从样本集中重新选取至少一个样本，使用调整后的初始模型作为初始模型，继续执行上述训练步骤。

上述步骤301-303的具体的执行过程可参考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。

步骤304，获取目标用户的、最新的行为数据。

在本实施例中，可以从其它终端设备(如图1所示的终端设备101、102、103)、或连接的数据库、第三方数据平台等目标用户最新的行为数据。当然，上述执行主体也可以采集目标用户最新的行为数据并存储于本地。此时，可以直接从本地获取目标用户最新的行为数据。

步骤305，根据行为数据，确定用于表征行为数据对应的信息的特征向量作为目标特征向量，以及确定行为数据对应的信息对应的操作信息作为目标操作信息。

在本实施例中，行为数据对应的信息可以指用户的行为数据所关联的信息。上述执行主体可以利用现有的各种特征提取方法提取用于表征行为数据对应的信息的特征向量，也可以从其它终端设备或第三方数据平台获取用于表征行为数据对应的信息的特征向量作为目标特征向量。

根据行为数据，可以分析出目标用户对对应的信息的用户操作，进而可以了解行为数据对应的信息对应的操作信息，即了解目标用户对行为数据对应的信息是否执行了上述预设操作集中的各个预设操作。

步骤306，将目标特征向量和目标操作信息组成新的训练样本。

步骤307，基于新的训练样本对信息预测模型进行训练以更新信息预测模型。

本公开的上述实施例提供的方法通过用户最新的行为数据，生成新的训练样本以对信息预测模型进行更新。由于时刻都可能产生大量的用户行为数据，而且用户的偏好也可能会随着时间变化，因此，不断利用新的用户的行为数据而生成的新的训练样本对信息预测模型及时的更新，有助于保证信息预测模型的输出结果的准确性。

进一步参考图4，其示出了用于推送信息的方法的一个实施例的流程400。该用于推送信息的方法的流程400，包括以下步骤：

步骤401，获取目标特征向量集。

在本实施例中，目标特征向量集中的特征向量可以分别用于表征不同的用户。目标特征向量集可以是由技术人员预先指定的、或根据预设的筛选条件选出的一些用户对应的特征向量所组成的集合。用于推送信息的方法的执行主体(如图1所示服务器)可以从连接的数据库中或第三方数据平台获取目标特征向量集。

步骤402，获取用于表征待推送信息的特征向量。

在本实施例中，待推送信息可以是各种类型的信息。待推送信息可以由技术人员预先指定，或者根据预设的筛选条件而确定。类似地，上述执行主体可以利用现有的各种特征提取方法提取用于表征待推送信息的特征向量，也可以从第三方数据平台获取用于表征待推送信息的特征向量。

步骤403，对于目标特征向量集中的特征向量，将该特征向量和用于表征待推送信息的特征向量输入至预先训练的、该特征向量指示的用户对应的信息预测模型，得到该特征向量对应的操作信息。

在本实施例中，信息预测模型可以通过上述图2和图3对应实施例所描述的方法生成。操作信息可以用于预测在向用户推送待推送信息之后，用户是否会对待推送信息执行预设操作集中的各个预设操作。

步骤404，从目标特征向量集中选取对应的操作信息符合预设的推送条件的特征向量。

在本实施例中，预设条件可以由技术人员预先根据应用需求进行设置。例如，推送条件可以是操作信息指示用户会对待推送信息执行至少一个预设操作。又例如，推送条件可以是操作信息指示用户会对待推送信息执行评论操作。

步骤405，向选取的特征向量指示的用户对应的终端设备推送待推送信息。

在本实施例的一些可选的实现方式中，在向选取的特征向量指示的用户对应的终端设备推送待推送信息之前，还包括：根据选取的特征向量分别对应的操作信息，确定预设操作集中的各个预设操作分别对应的目标用户数。其中，预设操作对应的目标用户数可以用于表示预测对待推送信息执行预设操作的用户的数目；响应于确定预设操作集中的各个预设操作分别对应的目标用户数不符合预设的安全条件，执行预设的防护操作。

其中，安全条件可以由技术人员根据实际的应用场景进行设置。例如，安全条件可以是各个预设操作分别对应的目标用户数中的最大值不大于预设的安全阈值。又例如，安全条件可以是各个预设操作分别对应的目标用户数的总和不大于预设的安全阈值。

其中，防护操作可以指为了应对异常情况而设置的各种操作。例如，防护操作可以是预先设置的自动扩容操作。作为示例，在确定各个预设操作分别对应的目标用户数不符合预设的安全条件时，可以由上述执行主体通过动态地调整集群的节点数量等自动扩容操作来应对之后可能出现的异常情况。

又例如，防护操作可以是向用户输出警示信息，以通知用户及时采取防护措施，避免异常情况的发生。作为示例，在确定各个预设操作分别对应的目标用户数不符合预设的安全条件时，可以由上述执行主体发出预设的警报提示音。从而，可以技术人员可以及时的采取防护措施(如增加服务器的数量、增加存储容量、增加计算能力等)来避免可能出现的异常情况。

下面以一个具体的示例作为说明：预设操作集中的预设操作可以包括用于表示点击的操作和用于评论的操作。在推送待推送信息之前，可以根据各用户对应的操作信息，统计可能对待推送信息执行点击操作的用户的数目和可能对待推送信息执行评论操作的用户的数目。

安全条件可以设置为点击操作和预设操作分别对应的用户的数目的总和不超过预设的安全阈值。若比较点击操作对应的用户的数目和评论操作对应的用户的数目的总和大于安全阈值，则表示向各用户在推送待推送信息之后，可能出现短时间内爆发大量的用户交互(点击、评论等)，进而会导致相关的服务器因极大的流量占用而无法负荷，出现网络瘫痪，服务器暂停等异常情况。

防护操作可以是由上述执行主体发出警报提示音。此时，在确定点击操作和预设操作分别对应的用户的数目的总和超过安全阈值时，服务器发出警报提示音。相关技术人员就可以及时地租赁一定数目的服务器以应对在推送待推送信息之后，可能出现的由于流量异常而导致相关服务器宕机的情况。

另一方面，根据确定的点击操作和预设操作分别对应的用户的数目，还可以对具体要新增的服务器的数量进行一个估计。这样就可以避免由于新增的服务器太少而导致仍无法解决异常，或新增的服务器太多而导致许多服务器资源的浪费等情况。

继续参见图5，图5是根据本实施例的用于推送信息的方法的应用场景的一个示意图500。在图5的应用场景中，上述执行主体可以首先获取目标特征向量集。其中，目标特征向量集中的各个特征向量分别用于表征不同的用户。下面以其中一个特征向量作为示例说明向该特征向量指示的用户推送待推送信息的过程。

上述执行主体可以在获取到用于表征用户501的用户特征向量502之后，进一步获取用于表征待推送信息503的信息特征向量504。

然后，可以将用户特征向量502和信息特征向量504输入至预先训练的用户501对应的信息预测模型505，得到预测的操作信息506。如图中标号507所示，可以预先设置操作信息可以使用两个分量来分别表示点击操作和评论操作。

具体地，第一分量为“1”，表示预测用户会对待推送信息执行点击操作，第一分量为“0”，表示预测用户不会对待推送信息执行点击操作。第二分量为“1”，表示预测用户会对待推送信息执行评论操作，第一分量为“0”，表示预测用户不会对待推送信息执行评论操作。

因此，得到的操作信息506表示预测用户会对待推送信息执行点击操作，但是不会对待推送信息执行评论操作。推送条件可以为预测用户会对待推送信息执行点击操作(如图中标号508所示)，则操作信息506符合推送条件，因此，可以将待推送信息503推送至用户501对应的终端设备509。

本公开的上述实施例提供的方法基于上述图2和图3对应实施例所描述的方法生成的信息预测模型对用户是否会对待推送信息执行各种预设操作进行预测。从而在得到预测的操作信息之后，可以将操作信息作为指导信息，以确定是否向用户推送待推送信息。由于用户操作通常可以反映用户的偏好。用户对于感兴趣的推送信息会有一定的交互操作，而对于不感兴趣的推送信息则可能完全没有任何交互操作。因此，可以根据预测的操作信息，辅助相关人员在不同场景下进行决策，以尽可能地使得推送至用户的待推送信息符合用户的偏好，而且可以接收到用户的交互操作，从而避免向用户推送其不感兴趣的、不会进行交互的待推送信息，以节省信息投放侧的投放效率，也避免信息推送的发送端和接收端不必要的流量消耗。

进一步参考图6，作为对上述图2和图3所示方法的实现，本公开提供了用于生成信息预测模型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6所示，本实施例提供的用于生成信息预测模型的装置600包括第一获取单元601和训练单元602。其中，第一获取单元601被配置成获取用于表征目标用户的第一特征向量；第一获取单元601进一步被配置成获取样本集，其中，样本集中的样本包括用于表征样本信息的第二特征向量和样本操作信息，其中，样本操作信息用于指示目标用户是否对样本信息执行过预设操作集中的各个预设操作，预设操作集包括至少两个预设操作；训练单元602被配置成从样本集中选取至少一个样本，以及执行如下训练步骤：将选取的至少一个样本中的第二特征向量分别与第一特征向量输入至初始模型，得到选取的至少一个样本中的各个样本分别对应的预测操作信息；根据得到的至少一个预测操作信息和选取的至少一个样本中的样本操作信息，确定预设的损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为信息预测模型。

在本实施例中，用于生成信息预测模型的装置600中：第一获取单元601和训练单元602的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和步骤203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，训练单元602进一步被配置成：响应于根据损失函数的值确定初始模型未训练完成，根据损失函数的值调整初始模型的参数，以及从样本集中重新选取至少一个样本，使用调整后的初始模型作为初始模型，继续执行训练步骤。

在本实施例的一些可选的实现方式中，训练单元602进一步被配置成：获取目标用户的、最新的行为数据；根据行为数据，确定用于表征行为数据对应的信息的特征向量作为目标特征向量，以及确定行为数据对应的信息对应的操作信息作为目标操作信息；将目标特征向量和目标操作信息组成新的训练样本；基于新的训练样本对信息预测模型进行训练以更新信息预测模型。

在本实施例的一些可选的实现方式中，预设操作集包括用于表示点击操作的预设操作。

本公开的上述实施例提供的用于生成信息预测模型的装置，通过第一获取单元获取用于表征目标用户的第一特征向量，以及获取样本集，其中，样本集中的样本包括用于表征样本信息的第二特征向量和样本操作信息，其中，样本操作信息用于指示目标用户是否对样本信息执行过预设操作集中的各个预设操作，预设操作集包括至少两个预设操作；训练单元从样本集中选取至少一个样本，以及执行如下训练步骤：将选取的至少一个样本中的第二特征向量分别与第一特征向量输入至初始模型，得到选取的至少一个样本中的各个样本分别对应的预测操作信息；根据得到的至少一个预测操作信息和选取的至少一个样本中的样本操作信息，确定预设的损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为信息预测模型，从而避免只考虑单方面的用户操作，通过分析多种用户操作，利用不同用户操作之间的关联性辅助各种用户操作的预测学习过程，从而提升预测结果的准确性。

进一步参考图7，作为对上述图4所示方法的实现，本公开提供了用于推送信息的装置的一个实施例，该装置实施例与图4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7所示，本实施例提供的用于推送成信息的装置700包括第二获取单元701、预测单元702、选取单元703和推送单元704。其中，第二获取单元701被配置成获取目标特征向量集，其中，目标特征向量集中的特征向量用于表征用户；第二获取单元701进一步被配置成获取用于表征待推送信息的特征向量；预测单元702被配置成对于所述目标特征向量集中的特征向量，将该特征向量和所述用于表征待推送信息的特征向量输入至预先训练的、该特征向量指示的用户对应的信息预测模型，得到该特征向量对应的操作信息，其中，所述操作信息用于预测该特征向量指示的用户是否对所述待推送信息执行预设操作集中的预设操作，其中，信息预测模型通过如图2或图3对应的实施例所描述的方法生成；选取单元703被配置成从所述目标特征向量集中选取对应的操作信息符合预设的推送条件的特征向量；推送单元704被配置成向选取的特征向量指示的用户对应的终端设备推送所述待推送信息。

在本实施例中，用于推送信息的装置700中：第二获取单元701、预测单元702、选取单元703和推送单元704的具体处理及其所带来的技术效果可分别参考图4对应实施例中的步骤401、步骤402、步骤403、步骤404和步骤405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，用于推送信息的装置700还包括：确定单元(图中未示出)被配置成根据选取的特征向量分别对应的操作信息，确定预设操作集中的各个预设操作分别对应的目标用户数，其中，预设操作对应的目标用户数用于表示预测对待推送信息执行预设操作的用户的数目；执行单元(图中未示出)被配置成响应于确定预设操作集中的各个预设操作分别对应的目标用户数不符合预设的安全条件，执行预设的防护操作。

本公开的上述实施例提供的用于推送信息的装置，通过第二获取单元获取目标特征向量集，其中，目标特征向量集中的特征向量用于表征用户，以及获取用于表征待推送信息的特征向量；预测单元对于所述目标特征向量集中的特征向量，将该特征向量和所述用于表征待推送信息的特征向量输入至预先训练的、该特征向量指示的用户对应的信息预测模型，得到该特征向量对应的操作信息，其中，操作信息用于预测该特征向量指示的用户是否对所述待推送信息执行预设操作集中的预设操作，其中，信息预测模型通过如图2或图3对应的实施例所描述的方法生成；选取单元从所述目标特征向量集中选取对应的操作信息符合预设的推送条件的特征向量；推送单元被配置成向选取的特征向量指示的用户对应的终端设备推送所述待推送信息，从而可以根据预测的操作信息，辅助相关人员在不同场景下进行决策，以尽可能地使得推送至用户的待推送信息符合用户的偏好，而且可以接收到用户的交互操作，从而避免向用户推送其不感兴趣的、不会进行交互的待推送信息，以节省信息投放侧的投放效率，也避免信息推送的发送端和接收端不必要的流量消耗。

下面参考图8，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)800的结构示意图。图8示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所描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。在本公开的实施例中，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。而在本公开的实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。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服务器执行时，使得该服务器：获取用于表征目标用户的第一特征向量；获取样本集，其中，样本集中的样本包括用于表征样本信息的第二特征向量和样本操作信息，其中，样本操作信息用于指示目标用户是否对样本信息执行过预设操作集中的各个预设操作，预设操作集包括至少两个预设操作；从样本集中选取至少一个样本，以及执行如下训练步骤：将选取的至少一个样本中的第二特征向量分别与第一特征向量输入至初始模型，得到选取的至少一个样本中的各个样本分别对应的预测操作信息；根据得到的至少一个预测操作信息和选取的至少一个样本中的样本操作信息，确定预设的损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为信息预测模型。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

描述于本公开的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：一种处理器包括第一获取单元和训练单元。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，第一训练单元还可以被描述为“获取用于表征目标用户的第一特征向量的单元”。

以上描述仅为本公开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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (14)

1.一种用于生成信息预测模型的方法，包括：

获取用于表征目标用户的第一特征向量；

获取样本集，其中，所述样本集中的样本包括用于表征样本信息的第二特征向量和样本操作信息，其中，样本操作信息用于指示所述目标用户是否对样本信息执行过预设操作集中的各个预设操作，所述预设操作集包括至少两个预设操作；

从所述样本集中选取至少一个样本，以及执行如下训练步骤：将选取的至少一个样本中的第二特征向量分别与所述第一特征向量输入至初始模型，得到选取的至少一个样本中的各个样本分别对应的预测操作信息；根据得到的至少一个预测操作信息和选取的至少一个样本中的样本操作信息，确定预设的损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为信息预测模型。

2.根据权利要求1所述的方法，其中，所述训练步骤还包括：

响应于根据损失函数的值确定初始模型未训练完成，根据损失函数的值调整初始模型的参数，以及从所述样本集中重新选取至少一个样本，使用调整后的初始模型作为初始模型，继续执行所述训练步骤。

3.根据权利要求1所述的方法，其中，所述方法还包括：

获取所述目标用户的、最新的行为数据；

根据所述行为数据，确定用于表征所述行为数据对应的信息的特征向量作为目标特征向量，以及确定所述行为数据对应的信息对应的操作信息作为目标操作信息；

将所述目标特征向量和所述目标操作信息组成新的训练样本；

基于所述新的训练样本对所述信息预测模型进行训练以更新所述信息预测模型。

4.根据权利要求1-3之一所述的方法，其中，所述预设操作集包括用于表示点击操作的预设操作。

5.一种用于生成信息预测模型的装置，包括：

第一获取单元，被配置成获取用于表征目标用户的第一特征向量；

所述第一获取单元，进一步被配置成获取样本集，其中，所述样本集中的样本包括用于表征样本信息的第二特征向量和样本操作信息，其中，样本操作信息用于指示所述目标用户是否对样本信息执行过预设操作集中的各个预设操作，所述预设操作集包括至少两个预设操作；

训练单元，被配置成从所述样本集中选取至少一个样本，以及执行如下训练步骤：将选取的至少一个样本中的第二特征向量分别与所述第一特征向量输入至初始模型，得到选取的至少一个样本中的各个样本分别对应的预测操作信息；根据得到的至少一个预测操作信息和选取的至少一个样本中的样本操作信息，确定预设的损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为信息预测模型。

6.根据权利要求5所述的装置，其中，所述训练单元进一步被配置成：

响应于根据损失函数的值确定初始模型未训练完成，根据损失函数的值调整初始模型的参数，以及从所述样本集中重新选取至少一个样本，使用调整后的初始模型作为初始模型，继续执行所述训练步骤。

7.根据权利要求5所述的装置，其中，所述训练单元进一步被配置成：

获取所述目标用户的、最新的行为数据；

根据所述行为数据，确定用于表征所述行为数据对应的信息的特征向量作为目标特征向量，以及确定所述行为数据对应的信息对应的操作信息作为目标操作信息；

将所述目标特征向量和所述目标操作信息组成新的训练样本；

基于所述新的训练样本对所述信息预测模型进行训练以更新所述信息预测模型。

8.根据权利要求5-7之一所述的装置，其中，所述预设操作集包括用于表示点击操作的预设操作。

9.一种用于推送信息的方法，包括：

获取目标特征向量集，其中，所述目标特征向量集中的特征向量用于表征用户；

获取用于表征待推送信息的特征向量；

对于所述目标特征向量集中的特征向量，将该特征向量和所述用于表征待推送信息的特征向量输入至预先训练的、该特征向量指示的用户对应的信息预测模型，得到该特征向量对应的操作信息，其中，所述操作信息用于预测该特征向量指示的用户是否对所述待推送信息执行预设操作集中的预设操作，其中，所述信息预测模型通过如权利要求1-4之一所述的方法生成；

从所述目标特征向量集中选取对应的操作信息符合预设的推送条件的特征向量；

向选取的特征向量指示的用户对应的终端设备推送所述待推送信息。

10.根据权利要求9所述的方法，其中，在所述向选取的特征向量指示的用户对应的终端设备推送所述待推送信息之前，所述方法还包括：

根据选取的特征向量分别对应的操作信息，确定所述预设操作集中的各个预设操作分别对应的目标用户数，其中，预设操作对应的目标用户数用于表示预测对所述待推送信息执行预设操作的用户的数目；

响应于确定所述预设操作集中的各个预设操作分别对应的目标用户数不符合预设的安全条件，执行预设的防护操作。

11.一种用于推送信息的装置，包括：

第二获取单元，被配置成获取目标特征向量集，其中，所述目标特征向量集中的特征向量用于表征用户；

所述第二获取单元，进一步被配置成获取用于表征待推送信息的特征向量；

预测单元，被配置成对于所述目标特征向量集中的特征向量，将该特征向量和所述用于表征待推送信息的特征向量输入至预先训练的、该特征向量指示的用户对应的信息预测模型，得到该特征向量对应的操作信息，其中，所述操作信息用于预测该特征向量指示的用户是否对所述待推送信息执行预设操作集中的预设操作，其中，所述信息预测模型通过如权利要求1-4之一所述的方法生成；

选取单元，被配置成从所述目标特征向量集中选取对应的操作信息符合预设的推送条件的特征向量；

推送单元，被配置成向选取的特征向量指示的用户对应的终端设备推送所述待推送信息。

12.根据权利要求11所述的装置，其中，所述装置还包括：

确定单元，被配置成根据选取的特征向量分别对应的操作信息，确定所述预设操作集中的各个预设操作分别对应的目标用户数，其中，预设操作对应的目标用户数用于表示预测对所述待推送信息执行预设操作的用户的数目；

执行单元，被配置成响应于确定所述预设操作集中的各个预设操作分别对应的目标用户数不符合预设的安全条件，执行预设的防护操作。

13.一种服务器，包括：

一个或多个处理器；

存储装置，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，使得所述一个或多个处理器实现如权利要求1-4、9-10中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-4、9-10中任一所述的方法。