用于展示信息的方法和装置
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于展示信息的方法和装置。
背景技术
现有的信息推送过程通常是先根据用户特征,从候选推送集中选取候选推送信息,然后再根据用户特征,为选取的候选推送信息匹配样式,之后再将带有样式的候选推送信息展示给用户。
发明内容
本公开的实施例提出了用于展示信息的方法和装置。
第一方面,本公开的实施例提供了一种用于展示信息的方法,该方法包括:获取用于表征目标用户的用户特征向量;将用户特征向量输入至预先训练的信息生成模型,得到待展示信息,其中,待展示信息用于展示具有目标样式的信息,信息生成模型用于根据用户特征向量生成用于展示具有目标样式的信息的待展示信息;向目标用户对应的终端设备推送得到的待展示信息,以及控制在终端设备上展示得到的待展示信息。
在一些实施例中,得到的待展示信息用于展示的信息包括文本。
在一些实施例中,得到的待展示信息用于展示的信息包括目标文本标识集中的文本标识指示的文本。
在一些实施例中,信息生成模型通过如下步骤训练得到:获取第一训练样本集,其中,第一训练样本集中的训练样本包括用户特征向量;获取初始信息生成模型和预先训练的操作信息预测模型,其中,操作信息预测模型用于根据输入至初始信息生成模型的用户特征向量和初始信息生成模型生成的待展示信息,得到操作信息,其中,操作信息用于表征预测的、用户特征向量指示的用户针对待展示信息执行的用户操作的相关信息;利用机器学习的方法,基于第一训练样本集和预设的第一损失函数,对初始信息生成模型进行训练,以及将训练完成后的初始信息生成模型确定为信息生成模型,其中,第一损失函数基于操作信息预测模型输出的操作信息确定。
在一些实施例中,信息生成模型通过如下步骤训练得到:获取第二训练样本集,其中,第二训练样本集中的训练样本包括用户特征向量和展示信息集,其中,展示信息集中的展示信息被用户特征向量指示的用户执行过预设操作;获取初始模型;利用机器学习的方法,将第二训练样本集中的训练样本中的用户特征向量作为初始模型的输入,基于预设的第二损失函数对初始模型进行训练,得到信息生成模型,其中,第二损失函数用于表征初始模型输出的待展示信息与输入至初始模型的用户特征向量对应的展示信息集中的展示信息的相似度。
在一些实施例中,得到的待展示信息为图像。
第二方面,本公开的实施例提供了一种用于展示信息的装置,该装置包括:用户特征向量获取单元,被配置成获取用于表征目标用户的用户特征向量;生成单元,被配置成将用户特征向量输入至预先训练的信息生成模型,得到待展示信息,其中,待展示信息用于展示具有目标样式的信息,信息生成模型用于根据用户特征向量生成用于展示具有目标样式的信息的待展示信息;展示单元,被配置成向目标用户对应的终端设备推送得到的待展示信息,以及控制在终端设备上展示得到的待展示信息。
在一些实施例中,得到的待展示信息用于展示的信息包括文本。
在一些实施例中,得到的待展示信息用于展示的信息包括目标文本标识集中的文本标识指示的文本。
在一些实施例中,信息生成模型通过如下步骤训练得到:获取第一训练样本集,其中,第一训练样本集中的训练样本包括用户特征向量;获取初始信息生成模型和预先训练的操作信息预测模型,其中,操作信息预测模型用于根据输入至初始信息生成模型的用户特征向量和初始信息生成模型生成的待展示信息,得到操作信息,其中,操作信息用于表征预测的、用户特征向量指示的用户针对待展示信息执行的用户操作的相关信息;利用机器学习的方法,基于第一训练样本集和预设的第一损失函数,对初始信息生成模型进行训练,以及将训练完成后的初始信息生成模型确定为信息生成模型,其中,第一损失函数基于操作信息预测模型输出的操作信息确定。
在一些实施例中,信息生成模型通过如下步骤训练得到:获取第二训练样本集,其中,第二训练样本集中的训练样本包括用户特征向量和展示信息集,其中,展示信息集中的展示信息被用户特征向量指示的用户执行过预设操作;获取初始模型;利用机器学习的方法,将第二训练样本集中的训练样本中的用户特征向量作为初始模型的输入,基于预设的第二损失函数对初始模型进行训练,得到信息生成模型,其中,第二损失函数用于表征初始模型输出的待展示信息与输入至初始模型的用户特征向量对应的展示信息集中的展示信息的相似度。
在一些实施例中,得到的待展示信息为图像。
第三方面,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中任一实现方式描述的方法。
第四方面,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中任一实现方式描述的方法。
本公开的实施例提供的用于展示信息的方法和装置,根据用户特征向量,利用预先训练的信息生成模型,生成用于展示带有样式的信息的待展示信息,从而可以直接将得到的待展示信息展示给用户。
和现有技术相比,不需要再分为先确定信息,再为确定的信息匹配样式两个步骤,而是将确定信息和为信息匹配样式融合为一个步骤,直接生成可以向用户展示的待展示信息,有助于提升信息推送的速度。
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展示信息的方法的一个实施例的流程图;
图3是根据本公开的实施例的用于展示信息的方法的一个应用场景的示意图;
图4是根据本公开的用于展示信息的方法的又一个实施例的流程图;
图5是根据本公开的用于展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展示信息的方法或用于展示信息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。如浏览器类应用、搜索类应用、社交平台软件、内容类应用等。
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,例如为终端设备101、102、103上所安装的应用提供支持的后端服务器。服务器可以对根据向终端设备对应的用户的用户特征向量,生成待展示信息。进一步地,还可以向终端设备推送生成的待展示信息,以及控制在终端设备上展示待展示信息。
需要说明的是,本公开的实施例所提供的用于展示信息的方法一般由服务器105执行,相应地,用于展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105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。
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展示信息的方法的一个实施例的流程200。该用于展示信息的方法包括以下步骤:
步骤201,获取用于表征目标用户的用户特征向量。
在本实施例中,用于展示信息的方法的执行主体(如图1所示的服务器105)可以本地、其它终端设备、第三方数据平台等获取用户特征向量。其中,目标用户可以指与上述执行主体连接的任意终端设备对应的用户。
用户特征向量可以用于表征目标用户。不同的用户通常具有不同的特征,用户特征向量可以用于区分不同的用户。一般地,由于用户的历史行为数据可以反映用户的兴趣爱好等信息,因此,可以基于用户的历史行为数据来得到用户特征向量。
应当可以理解,可以根据具体的应用场景选择用户的不同行为数据来构建用户特征向量。因此,不同应用需求下,同一用户对应的用户特征向量可以不同。
在本实施例中,期望向用户展示的待展示信息所展示的信息的内容和样式都能符合用户的偏好。因此,获取的特征向量可以是基于一些能够反映用户对信息的内容和样式的偏好的行为数据所构建的特征向量。
步骤202,将用户特征向量输入至预先训练的信息生成模型,得到待展示信息。
在本实施例中,待展示信息可以用于展示具有目标样式的信息。其中,待展示信息用于展示的信息可以是任意形式的信息。例如,图像、音频、视频等。
可选地,待展示信息用于展示的信息可以包括文本。
当然,待展示信息用于展示的信息也可以是各种形式的信息的组合。例如待展示信息用于展示的信息可以包括文本和图像。
在本实施例中,样式可以用于对信息进行修饰。一般地,不同类型的信息的可选样式可以不同。例如,对于文本,样式可以包括文本的排版、文本标题的格式(如标题长度等)、文本的插图的显示方式(如是否显示、显示大小等)等。又例如,对于图像,样式可以包括图像的显示大小、图像的显示分辨率等。
目标样式可以是由技术人员预先设置的样式,也可以是根据不同的用户特征向量确定的不同的样式。
在本实施例中,待展示信息可以是各种可以展示信息的载体。例如,待展示信息可以是网页、弹窗、虚拟物体等等。
可选地,待展示信息可以为图像。
在本实施例中,信息生成模型可以用于根据用户特征向量生成用于展示具有目标样式的信息的待展示信息。其中,生成的待展示信息所展示的信息可以是信息生成模型根据用户特征向量所生成的新的信息。即生成的待展示信息展示的信息可以是不确定的,由信息生成模型根据用户特征向量自主生成的。
其中,信息生成模型可以采用各种不同的方式训练得到。
可选地,信息生成模型可以通过如下步骤训练得到:
步骤一,获取第一训练样本集。其中,第一训练样本集中的每个训练样本可以包括用户特征向量。
步骤二,获取初始信息生成模型和预先训练的操作信息预测模型。
其中,初始信息生成模型可以是未经训练或训练完成的各种人工神经网络,也可以是各种人工神经网络进行组合所得到的模型。例如,初始模型可以是对一些开源地CGAN(Conditional Generative Adversarial Networks,条件生成对抗网络)调整后所得到的模型。
初始信息生成模型也可以由技术人员根据实际的应用需求(如需要哪些网络层、每个网络层的参数、卷积核的大小等),利用一些深度学习框架(如TensorFlow、Caffe等)进行搭建。
其中,操作信息预测模型可以用于根据输入至初始信息生成模型的用户特征向量和初始信息生成模型生成的待展示信息,得到操作信息。其中,操作信息可以用于表征预测的、用户特征向量指示的用户针对待展示信息执行的用户操作的相关信息。
用户操作可以指用户可对展示的信息执行的各种操作。例如,用户操作可以包括点击操作、评论操作、收藏操作、下载操作等。用户操作的相关性信息可以指与操作相关的各种信息。例如操作的一些属性的属性值。以点击操作作为示例,操作信息可以包括点击次数、点击率等。
根据不同的应用需求可以选取不同的信息预测模型。例如,信息预测模型可以是现有的一些点击率预测模型、转化率预测模型等等。上述执行主体可以从本地或其它终端设备获取信息预测模型。信息预测模型也可以由技术人员预先根据用户的历史行为数据训练得到。
步骤三,利用机器学习的方法,基于第一训练样本集和预设的第一损失函数,对初始信息生成模型进行训练,以及将训练完成后的初始信息生成模型确定为信息生成模型。其中,第一损失函数可以基于操作信息预测模型输出的操作信息确定。
以操作信息表示用户对待展示信息的点击率作为示例,理想地,期望输入至初始信息生成模型的用户特征向量指示的用户对初始信息生成模型实际输出的待展示信息的点击率较高。因此,可以基于根据初始信息生成模型实际输出的待展示信息得到的点击率确定第一损失函数的值,以通过控制初始信息生成模型实际输出的待展示信息对应的点击率来训练初始信息生成模型。
其中,第一损失函数的具体形式可以由技术人员预先设计。第一损失函数通常可以反映初始信息生成模型的实际输出与期望输出之间的差异。一般地,希望第一损失函数的值尽可能的小。不同的应用场景可以设置不同的期望输出。
具体地,可以每次从第一训练样本集中选取至少一个训练样本。然后将选取的训练样本中的用户特征向量分别输入至初始信息生成模型,得到选取的训练样本分别对应的待展示信息。之后,将得到的各个待展示信息分别与各自对应的用户特征向量输入至操作信息预测模型,得到各个待展示信息分别对应的操作信息。
之后,可以根据得到的各个操作信息确定第一损失函数的值,并根据第一损失函数的值确定初始信息生成模型是否训练完成。若根据第一损失函数的值确定初始信息生成模型训练完成,可以将训练完成的初始信息生成模型确定为信息生成模型。
若根据第一损失函数的值确定初始信息生成模型未训练完成,可以基于第一损失函数的值,利用反向传播和梯度下降算法调整初始信息生成模型的参数。同时,可以从第一训练样本集中重新选取至少一个训练样本,并将调整后的初始信息生成模型确定为初始模型,继续进行训练。
一般地,对初始信息生成模型的训练都需要反复地多次迭代才能训练完成。其中,也可以基于每次选取的各个训练样本对应的第一损失函数的值的平均值,调整初始信息生成模型的参数。
可选地,信息生成模型可以通过如下步骤训练得到:
步骤一,获取第二训练样本集。其中,第二训练样本集中的每个训练样本可以包括用户特征向量和展示信息集。其中,展示信息集中的展示信息可以被用户特征向量指示的用户执行过预设操作。
其中,预设操作可以指由技术人员预先指定的各种用户操作。例如,预设操作可以包括点击操作或评论操作等。此时,展示信息集可以由被用户特征向量指示的用户点击过或评论过的展示信息组成。
步骤二,获取初始模型。
其中,初始模型可以是未经训练或训练完成的各种人工神经网络,也可以是各种人工神经网络进行组合所得到的模型。例如,初始模型可以是对一些开源地GAN(Generative Adversarial Networks,生成对抗网络)调整后所得到的模型。
初始模型也可以由技术人员根据实际的应用需求(如需要哪些网络层、每个网络层的参数、卷积核的大小等),利用一些深度学习框架(如TensorFlow、Caffe等)进行搭建。
步骤三,利用机器学习的方法,将第二训练样本集中的训练样本中的用户特征向量作为初始模型的输入,基于预设的第二损失函数对初始模型进行训练,得到信息生成模型。其中,第二损失函数可以用于表征初始模型输出的待展示信息与输入至初始模型的用户特征向量对应的展示信息集中的展示信息的相似度。
其中,待展示信息与对应的展示信息集中的展示信息的相似度可以灵活采用各种方式确定。例如,可以将待展示信息分别与对应的展示信息集中的各个展示信息的相似度的平均值或最大值确定为待展示信息与对应的展示信息集中的展示信息的相似度。
由于用户偏爱的信息的内容个形式通常会集中于一定范围之内,因此,理想地,初始模型输出的待展示信息与输入至初始模型的用户特征向量对应的展示信息集中的展示信息具有一定的相似度。因此,可以根据初始模型输出的待展示信息对应的相似度来确定第二损失函数的值,以通过控制初始模型输出的待展示信息对应的相似度来训练初始模型。
其中,第二损失函数的具体形式可以由技术人员根据实际应用需求灵活设计。具体地,可以每次从第二训练样本集中选取至少一个训练样本。然后将选取的训练样本中的用户特征向量分别输入至初始模型,得到选取的训练样本分别对应的待展示信息。之后,计算得到的各个待展示信息分别与各自对应的展示信息集中的展示信息的相似度,并根据得到的各个相似度确定第二损失函数的值。
之后,可以根据第二损失函数的值确定初始模型是否训练完成。若根据第二损失函数的值确定初始模型训练完成,可以将训练完成的初始模型确定为信息生成模型。
若根据第二损失函数的值确定初始模型未训练完成,可以基于第二损失函数的值,利用反向传播和梯度下降算法调整初始模型的参数。同时,可以从第二训练样本集中重新选取至少一个训练样本,并将调整后的初始模型确定为初始模型,继续进行训练。
一般地,对初始模型的训练都需要反复地多次迭代才能训练完成。其中,也可以基于每次选取的各个训练样本对应的第二损失函数的值的平均值,调整初始模型的参数。
步骤203,向目标用户对应的终端设备推送得到的待展示信息,以及控制在终端设备上展示得到的待展示信息。
在本步骤中,由于得到的待展示信息用于展示带有样式的信息。因此,可以向用户对应的终端设备推送并直接在终端设备上展示得到的待展示信息。
继续参见图3,图3是根据本实施例的用于展示信息的方法的应用场景的一个示意图300。在图3的应用场景中,上述执行主体可以先获取用户301对应的用户特征向量302。之后,可以将用户特征向量302输入至预先训练的信息生成模型303,得到待展示信息304。如图中所示,待展示信息304为一图像。且待展示信息304用于展示一个文本。其中,文本的样式包括显示标题、不显示插图。之后,可以向用户301对应的终端设备305发送待展示信息304,并控制在终端设备305上展示待展示信息304。
本公开的上述实施例提供的方法通过根据用户特征向量,利用预先训练的信息生成模型,生成用于展示带有样式的信息的待展示信息,从而可以直接将得到的待展示信息展示给用户。和现有技术相比,不需要再分为先确定信息,再为确定的信息匹配样式两个步骤,而是将确定信息和为信息匹配样式融合为一个步骤,直接生成可以向用户展示的待展示信息,有助于提升信息推送的速度。
进一步参考图4,其示出了用于展示信息的方法的又一个实施例的流程400。该用于展示信息的方法的流程400,包括以下步骤:
步骤401,获取用于表征目标用户的用户特征向量。
本步骤401的具体的执行过程可参考图2对应实施例中的步骤201的相关说明,在此不再赘述。
步骤402,将用户特征向量输入至预先训练的信息生成模型,得到待展示信息,其中,得到的待展示信息用于展示的信息包括目标文本标识集中的文本标识指示的文本。
在本实施例中,目标文本标识集可以由技术人员预先指定的一些文本的文本标识组成。目标文本标识集也可以从第三方数据平台获取。这种方式下,信息生成模型生成的待展示信息所展示的信息可以属于目标文本标识集中的各个文本标识分别指示的文本。即对信息生成模型生成的待展示信息所展示的信息的内容可以预先设置可选的范围。
例如,可以预先根据用户特征向量获取符合用户特征向量对应的用户的偏好的文本。然后可以获取这些文本的文本标识,以及由这些文本标识组合得到目标文本标识集。
步骤403,向目标用户对应的终端设备推送得到的待展示信息,以及控制在终端设备上展示得到的待展示信息。
本步骤403的具体的执行过程可参考图2对应实施例中的步骤203的相关说明,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于展示信息的方法中向用户展示的待展示信息所展示的信息可以是目标文本标识集中的文本标识所指示的文本,而不是由信息生成模型自主生成的。由此,可以通过限定目标文本标识集中的文本标识所指示的文本的内容,控制向用户展示的待展示信息所展示的信息的具体内容,从而增加信息推送的准确性。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了用于展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,本实施例提供的用于展示信息的装置500包括用户特征向量获取单元501、生成单元502和展示单元。
在本实施例中,用于展示信息的装置500中:用户特征向量获取单元501、生成单元502和展示单元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,得到的待展示信息用于展示的信息包括文本。
在本实施例的一些可选的实现方式中,得到的待展示信息用于展示的信息包括目标文本标识集中的文本标识指示的文本。
在本实施例的一些可选的实现方式中,信息生成模型通过如下步骤训练得到:获取第一训练样本集,其中,第一训练样本集中的训练样本包括用户特征向量;获取初始信息生成模型和预先训练的操作信息预测模型,其中,操作信息预测模型用于根据输入至初始信息生成模型的用户特征向量和初始信息生成模型生成的待展示信息,得到操作信息,其中,操作信息用于表征预测的、用户特征向量指示的用户针对待展示信息执行的用户操作的相关信息;利用机器学习的方法,基于第一训练样本集和预设的第一损失函数,对初始信息生成模型进行训练,以及将训练完成后的初始信息生成模型确定为信息生成模型,其中,第一损失函数基于操作信息预测模型输出的操作信息确定。
在本实施例的一些可选的实现方式中,信息生成模型通过如下步骤训练得到:获取第二训练样本集,其中,第二训练样本集中的训练样本包括用户特征向量和展示信息集,其中,展示信息集中的展示信息被用户特征向量指示的用户执行过预设操作;获取初始模型;利用机器学习的方法,将第二训练样本集中的训练样本中的用户特征向量作为初始模型的输入,基于预设的第二损失函数对初始模型进行训练,得到信息生成模型,其中,第二损失函数用于表征初始模型输出的待展示信息与输入至初始模型的用户特征向量对应的展示信息集中的展示信息的相似度。
在本实施例的一些可选的实现方式中,得到的待展示信息为图像。
本公开的上述实施例提供的装置,通过用户特征向量获取单元501获取用于表征目标用户的用户特征向量;生成单元502将用户特征向量输入至预先训练的信息生成模型,得到待展示信息,其中,待展示信息用于展示具有目标样式的信息,信息生成模型用于根据用户特征向量生成用于展示具有目标样式的信息的待展示信息;展示单元503向目标用户对应的终端设备推送得到的待展示信息,以及控制在终端设备上展示得到的待展示信息,从而可以直接将得到的待展示信息展示给用户,有助于提升信息推送的速度。
下面参考图6,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)600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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。
通常,以下装置可以连接至I/O接口605: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606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,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6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609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601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用户特征向量;将用户特征向量输入至预先训练的信息生成模型,得到待展示信息,其中,待展示信息用于展示具有目标样式的信息,信息生成模型用于根据用户特征向量生成用于展示具有目标样式的信息的待展示信息;向目标用户对应的终端设备推送得到的待展示信息,以及控制在终端设备上展示得到的待展示信息。
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:一种处理器包括用户特征向量获取单元、生成单元和展示单元。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,用户特征向量获取单元还可以被描述为“获取用于表征目标用户的用户特征向量的单元”。
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。