CN110674408B - 业务平台、训练样本的实时生成方法及装置 - Google Patents

Abstract

本说明书公开了一种业务平台、训练样本的实时生成方法及装置，业务平台中的线上服务系统基于目标用户的业务请求，对与该业务请求相关的候选信息进行预测，得到预测结果，根据得到的预测结果，从候选信息中选取设定数量的候选信息作为推荐信息，并将选取出的推荐信息推荐给该目标用户，业务平台中的线下测试系统获取该目标用户针对该推荐信息的操作结果，根据该操作结果、获取到的该目标用户的用户标识以及该推荐信息的数据标识，生成针对该推荐信息的待填充样本，根据查询出该数据标识对应的推荐信息以及该用户标识对应的用户信息对该待填充样本进行填充，生成用于模型训练的训练样本，提高了训练样本的生成效率。

Description

业务平台、训练样本的实时生成方法及装置

技术领域

本说明书涉及计算机领域，尤其涉及一种业务平台、训练样本的实时方法及装置。

背景技术

为了能够给用户提供更好的业务体验，各业务平台可以基于用户的历史业务记录、历史浏览记录等信息，分析出用户的业务喜好和习惯，以向用户进行信息推荐。

业务平台通常通过预先训练的预测模型，来确定将哪些候选信息推荐给用户。而为了保证预测模型能够准确的向用户推荐信息，需要对预测模型进行训练。在现有技术中，业务平台在线上通过预测模型向用户进行信息推荐，在线下则是通过历史数据，对预测模型进行训练。

然而在实际应用中，通常都是收集了一定量的历史数据后，才通过人工标注的方式对收集到的历史数据进行标注，得到训练样本，进而通过得到的训练样本对线下的预测模型进行训练的。也就是说，在现有技术中，往往需要经过一段时间后(即收集历史数据所消耗的时间)才能对线下的预测模型进行训练，这样就极大的降低了模型训练的效率。

发明内容

本说明书提供一种业务平台、训练样本的实时生成方法及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种业务平台，包括：

线上服务系统，用于：基于目标用户的业务请求，通过设置的预测模型对与所述业务请求相关的候选信息进行预测，得到预测结果；根据所述预测结果，从所述候选信息中选取设定数量的候选信息作为推荐信息，并将所述推荐信息推荐给所述目标用户；

线下测试系统，获取所述目标用户的用户标识、所述推荐信息的数据标识以及所述目标用户针对所述推荐信息的操作结果；根据所述操作结果、所述数据标识以及所述用户标识，生成针对所述推荐信息的待填充样本；在模型训练时，根据所述待填充样本，查询出所述数据标识对应的推荐信息以及所述用户标识对应的用户信息，并通过所述用户信息以及所述推荐信息对所述待填充样本进行填充，生成用于模型训练的训练样本。

可选地，所述线下测试系统根据所述操作结果、所述数据标识以及所述用户标识，生成针对所述推荐信息的待填充样本，包括：根据所述操作结果，确定所述推荐信息对应的样本标签；根据所述样本标签、所述数据标识以及所述用户标识，生成所述待填充样本。

可选地，所述线下测试系统根据所述操作结果，确定所述推荐信息对应的样本标签，包括：若判定所述操作结果表明所述目标用户对所述推荐信息执行了指定操作，则确定所述待填充样本对应的样本标签为正样本；若判定所述操作结果表明所述目标用户未对所述推荐信息执行指定操作，则确定所述待填充样本对应的样本标签为负样本。

可选地，所述线下测试系统设有与所述预测模型相对应的镜像模型；

所述线下测试系统还用于通过所述训练样本对所述镜像模型进行训练。

可选地，所述线下测试系统通过所述训练样本对所述镜像模型进行训练，包括：根据预先针对所述预测模型配置的至少一个特征表达式，生成针对所述预测模型的特征提取代码；通过所述特征提取代码，从所述训练样本中提取特征数据；将提取出的特征数据输入到所述镜像模型中，以根据所述训练样本的样本标签，对所述镜像模型进行训练。

本说明书提供了一种训练样本的实时生成方法，包括：

基于目标用户的业务请求，通过设置的预测模型对与所述业务请求相关的候选信息进行预测，得到预测结果；

根据所述预测结果，从所述候选信息中选取设定数量的候选信息作为推荐信息，并将所述推荐信息推荐给所述目标用户，以使线下测试系统在获取到所述推荐信息的数据标识、所述目标用户的用户标识以及所述目标用户针对所述推荐信息的操作结果后，实现：根据所述操作结果、所述数据标识以及所述用户标识生成针对所述推荐信息的待填充样本，并在模型训练时，根据所述待填充样本，查询出所述数据标识对应的推荐信息以及所述用户标识对应的用户信息，以通过所述用户信息以及所述推荐信息对所述待填充样本进行填充，生成用于模型训练的训练样本。

本说明书提供了一种训练样本的实时生成方法，包括：

获取目标用户针对线上服务系统向所述目标用户推荐的推荐信息的操作结果、所述目标用户的用户标识以及所述推荐信息的数据标识，所述推荐信息是所述线上服务系统根据得到的预测结果，从候选信息中选取设定数量的候选信息作为推荐信息推荐给所述目标用户的，所述预测结果是所述线上服务系统基于所述目标用户的业务请求，通过设置在所述线上服务系统中的预测模型对与所述业务请求相关的候选信息进行预测得到的；

根据所述操作结果、所述用户标识以及所述数据标识，生成针对所述推荐信息的待填充样本；

在模型训练时，根据所述待填充样本，查询出所述数据标识对应的推荐信息以及所述用户标识对应的用户信息；

通过所述用户信息以及所述推荐信息对所述待填充样本进行填充，生成用于模型训练的训练样本。

本说明书提供了一种训练样本的实时生成装置，包括：

预测模块，用于基于目标用户的业务请求，通过设置的预测模型对与所述业务请求相关的候选信息进行预测，得到预测结果；

选取模块，用于根据所述预测结果，从所述候选信息中选取设定数量的候选信息作为推荐信息，并将所述推荐信息推荐给所述目标用户，以使线下测试系统在获取到所述推荐信息的数据标识、所述目标用户的用户标识以及所述目标用户针对所述推荐信息的操作结果后，实现：根据所述操作结果、所述数据标识以及所述用户标识生成针对所述推荐信息的待填充样本，并在模型训练时，根据所述待填充样本，查询出所述数据标识对应的推荐信息以及所述用户标识对应的用户信息，以通过所述用户信息以及所述推荐信息对所述待填充样本进行填充，生成用于模型训练的训练样本。

本说明书提供了一种训练样本的实时生成装置，包括：

获取模块，用于获取目标用户针对线上服务系统向所述目标用户推荐的推荐信息的操作结果、所述目标用户的用户标识以及所述推荐信息的数据标识，所述推荐信息是所述线上服务系统根据得到的预测结果，从候选信息中选取设定数量的候选信息作为推荐信息推荐给所述目标用户的，所述预测结果是所述线上服务系统基于所述目标用户的业务请求，通过设置在所述线上服务系统中的预测模型对与所述业务请求相关的候选信息进行推荐预测得到的；

第一生成模块，用于根据所述操作结果、所述用户标识以及所述数据标识，生成针对所述推荐信息的待填充样本；

查询模块，用于在模型训练时，根据所述待填充样本，查询出所述数据标识对应的推荐信息以及所述用户标识对应的用户信息；

第二生成模块，用于通过所述用户信息以及所述推荐信息对所述待填充样本进行填充，生成用于模型训练的训练样本。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述训练样本的实时生成方法。

本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述训练样本的实时生成方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的训练样本的实时生成方法中，业务平台中的线上服务系统可以基于目标用户的业务请求，对与该业务请求相关的候选信息进行预测，得到预测结果，根据得到的预测结果，从候选信息中选取设定数量的候选信息作为推荐信息，并将选取出的推荐信息推荐给该目标用户，而后，业务平台中的线下测试系统可以获取该目标用户针对该推荐信息的操作结果，并根据该操作结果、获取到的该目标用户的用户标识以及该推荐信息的数据标识，生成针对该推荐信息的待填充样本，并在模型训练时，根据该待填充样本，查询出该数据标识对应的推荐信息以及该用户标识对应的用户信息，以通过该用户信息以及该推荐信息对该待填充样本进行填充，生成用于模型训练的训练样本。

从上述方法中可以看出，由于业务平台将选取出的推荐信息推荐给目标用户后，可以在获取到该目标用户针对该推荐信息的操作结果，实时通过该操作结果以及该推荐信息，生成用于模型训练的训练样本，这样就极大的提高了训练样本的生成效率，提升了模型训练的效率。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书提供的一种训练样本的实时生成的流程示意图；

图2为本说明书提供的业务平台的架构示意图；

图3为本说明书提供的线下测试系统生成待填充样本的示意图；

图4为本说明书提供的一种训练样本的实时生成装置示意图；

图5为本说明书提供的一种训练样本的实时生成装置示意图；

图6为本说明书提供的对应于图1的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书中技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书提供的一种训练样本的实时生成的流程示意图，具体包括以下步骤：

S101：基于目标用户的业务请求，对与所述业务请求相关的候选信息进行预测，得到预测结果。

S102：通过设置的预测模型对与所述业务请求相关的候选信息进行预测，得到预测结果。

S103：根据所述预测结果，从所述候选信息中选取设定数量的候选信息作为推荐信息，并将所述推荐信息推荐给所述目标用户。

在本说明书中，业务平台可以由线上服务系统和线下测试系统两个部分组成，线上服务系统可以用于接收目标用户发送的业务请求，并向该目标用户进行信息推荐，而线下测试系统则可以基于线上服务系统向目标用户发送的推荐信息，以及获取到的目标用户针对获取到的推荐信息进行操作的操作结果，生成用于对模型进行训练的训练样本，并对该模型进行训练，如图2所示。

图2为本说明书提供的业务平台的架构示意图。

从图2中可以看出，业务平台由线上服务系统和线下测试系统构成，目标用户通过应用(Application，App)向业务平台发送业务请求时，业务平台可以通过该线上服务系统来接收该业务请求，并通过设置在该线上服务系统中的预测模型，从候选信息中选出设定数量的候选信息作为推荐信息并返回给该目标用户。而该目标用户针对获取到的推荐信息执行操作的操作结果，业务平台可以通过线下测试系统进行获取。这样一来，线下测试系统即可以根据该目标用户针对该推荐信息的操作结果，实时生成用于对设置在线下测试系统中的镜像模型进行训练的训练样本，并通过生成的训练样本对该镜像模型进行训练。

其中，这里提到的镜像模型是与线上服务系统中设置的预测模型相对应的，换句话说，可以理解成该镜像模型与该预测模型是同一模型，预测模型设置于线上服务系统中，用于向目标用户进行信息推荐，而镜像模型则用于在线下测试系统中进行训练。业务平台在完成镜像模型的训练后，可以通过该镜像模型对线上服务系统中的预测模型进行更新，使得更新后的预测模型能够更好的服务于线上服务系统中的信息推荐业务。

上述提到的目标用户可以是指用于从业务平台中获取推荐信息的用户。在本说明书中，该目标用户可以主动向该业务平台中的线上服务系统发送用于获取推荐信息的业务请求，例如，该目标用户需要进行商品查询时，可以在所持有的终端(如手机、平板电脑等设备)或是终端中安装的App中输入需要查询的商品的商品名称，终端或是App可以根据用户输入的商品名称，生成相应的业务请求，并发送给该业务平台的线上服务系统。

目标用户在终端中启动与业务平台相关联的App时，App也可以主动生成业务请求，并将该业务请求发送给业务平台中的线上服务系统，以使该线上服务系统向该目标用户返回相应的推荐信息。

当然，业务平台也可以通过线上服务系统主动向该目标用户进行信息推荐，而对于线上服务系统主动向目标用户进行信息推荐的情况来说，线上服务系统所基于的该目标用户的业务请求，可以是指该目标用户以往的一些历史业务请求。线上服务系统可以基于这些历史业务请求，统计出该目标用户的诸如喜好、习惯等用户画像信息，从而基于得到的该目标用户的用户画像，向该目标用户进行信息推荐。

在本说明书中，线上服务系统获取到该目标用户的业务请求后，可以根据该业务请求中携带的该目标用户的用户标识(如用户账号、手机号等标识信息)，查询出该目标用户的用户信息，进而从该用户信息中提取出相应的特征数据，并将该特征数据作为输入，输入到该预测模型中。其中，若是该业务请求中未携带有该目标用户所要查询的查询对象(这里提到的查询对象可以是指用户查询的商品、新闻事件等)的标识信息(如，商品标识、新闻事件的关键词等)，则线上服务系统可以将从该目标用户的用户信息中提取出的特征数据，以及从各候选信息中提取出的特征数据，输入到该预测模型中，从而得到预测结果。这里提到的各候选信息可以是指各种类别的信息，如商品类的各种商品信息、新闻类的各类新闻等。

若是该业务请求中携带有该目标用户所要查询的查询对象的标识信息，则线上服务系统可以根据该标识信息，确定出该目标用户所要查询的查询对象。而后，线上服务系统可以确定出与该查询对象相关的候选信息，并从这些候选信息中提取出相应的特征数据，进而将该特征数据以及从该目标用户的用户信息中提取出的特征数据输入到该预测模型中，得到预测结果。

在得到的上述预测结果后，业务平台中的线上服务系统可以根据该预测结果，从候选信息中选取出的用于推荐给目标用户的推荐信息。其中，线上服务系统可以通过上述预测模型，得到各候选信息针对该目标用户的推荐评分，并按照推荐评分从大到小的排序，对各候选信息进行排序，得到排序结果。这里提到的排序结果可以看作是线上服务系统通过预测模型得到的预测结果。服务系统可以通过该排序结果，将从这些候选信息选取出设定数量的候选信息作为推荐信息，并推荐给该目标用户。即，服务系统可以按照各候选信息的推荐评分，从高到低选取出设定数量的候选信息向该目标用户推荐。

当然，在本说明书中，线上服务系统通过预测模型所得到的预测结果，也可以是指该线上服务系统通过该预测模型，从众多的候选信息中选取出与该目标用户的用户画像(这里提到的用户画像可以是指上述的用户信息)相符的信息。其中，与该目标用户的用户画像相符的信息可以理解为推荐评分不低于设定评分的候选信息。而这些信息由于数量上可能依然较多，所以，线上服务系统并不是直接将这些信息作为推荐信息推荐给目标用户，而是按照推荐评分从高到低的顺序，从中筛选出设定数量的候选信息作为推荐信息推荐给该目标用户的。

S104：线下测试系统获取所述目标用户的用户标识、所述推荐信息的数据标识以及所述目标用户针对所述推荐信息的操作结果。

业务平台通过线上服务系统将选取出的推荐信息推荐给目标用户后，业务平台中的线下测试系统可以从该目标用户所使用的终端或是该终端中安装的App获取到该目标用户针对线上服务系统发送的推荐信息执行操作的操作结果。在本说明书中，目标用户所使用的终端或是终端中安装的App可以通过预设的端口向业务平台中的线下测试系统发送该目标用户针对线上服务系统发送的推荐信息的操作结果，具体可以通过操作日志的形式进行发送。

线下测试系统可以基于从App中获取到的该目标用户的操作日志以及该目标用户登录该App所使用的用户账号，获取到该目标用户的用户标识以及该推荐信息的数据标识，也可以从线上服务系统中获取到该用户标识以及该数据标识，在此不做具体的限定。

S105：根据所述操作结果、所述数据标识以及所述用户标识，生成针对所述推荐信息的待填充样本。

线下测试系统获取到的操作结果反映了该目标用户对于获取到的推荐信息的具体操作情况，如，对于该目标用户获取到的每个推荐信息，该操作结果中记录了该目标用户是否对该推荐信息进行了诸如点击查看、具体的浏览时间等信息。相应的，线下测试系统可以基于获取到操作结果，对线上服务系统事先向该目标用户进行发送的推荐信息进行标注，以得到训练样本。

具体的，线下测试系统在获取到该操作结果后，可以根据操作结果中记录的目标用户获取到的推荐信息的数据标识，获取这些推荐信息。而后，线下测试系统可以根据该操作结果中记录的该目标用户针对这些推荐信息的查看情况，对这些推荐信息标注。其中，对于每个推荐信息，若是通过该操作结果，判定该目标用户对该推荐信息执行了指定操作，则可以确定该推荐信息对应的待填充样本的样本标签为正样本，而若通过该操作结果，判定该目标用户虽然收到了该推荐信息，但是并未对该推荐信息执行指定操作，则可以确定该推荐信息对应的待填充样本的样本标签作为负样本。

目标用户是否对该推荐信息执行了指定操作，主要表明了该目标用户是否查看了该推荐信息的详细内容。也就是说，之所以在确定出该目标用户对该推荐信息执行了指定操作后将该推荐信息对应的待填充样本的样本标签设为正样本，是因为该目标用户通过对该推荐信息执行诸如点击、长按等指定操作，打开了该推荐信息并查看到该推荐信息的详细内容。而对于该目标用户并未对该推荐信息执行指定操作，而只是在推荐信息列表中查看了该推荐信息的情况来说，需要将该推荐信息对应的待填充样本的样本标签设为负样本。

在本说明书中，线下测试系统可以按照预设的数据格式，根据该推荐信息对应的数据标识、该目标用户的用户标识以及上述操作结果，生成针对该推荐信息的待填充样本，如图3所示。

图3为本说明书提供的线下测试系统生成待填充样本的示意图。

线下测试系统根据用户针对该推荐信息的操作结果，确定出该推荐信息对应的训练样本为正样本，在可以在图3所示的待填充样本中positive的值置为1，即，positive的值为1时，表明该推荐信息对应的训练样本为正样本。线下测试系统可以根据预先保存的各类信息与各数据类别的对应关系，确定出用户的用户信息所属的数据类别为数据类别11，则可以将该用户的用户标识添加在数据类别11，即，将用户标识：id＝654618951添加在type＝11处。同理，线下测试系统确定出该推荐信息为广告时，可以确定出该推荐信息所属的数据类别为数据类别13，则可以将该推荐信息的数据标识添加在数据类别13处，即，将数据标识：id＝265483521添加在type＝13处。

在图3中，待填充样本的前端10023用于唯一标识该待填充样本，而从图3中可以看出，由于该待填充样本中已经标注出了其所对应的训练样本为正样本还是负样本，并且，该待填充样本中已经记录了该用户的用户标识以及推荐信息的数据标识，这样在后续生成训练样本的过程中，只需要按照该待填充样本中记录的用户标识和数据标识，查询出相应的数据，并完成待填充样本与查询出的数据之间的组合，即可得到相应的训练样本。

S106：在模型训练时，根据所述待填充样本，查询出所述数据标识对应的推荐信息以及所述用户标识对应的用户信息。

S107：通过所述用户信息以及所述推荐信息对所述待填充样本进行填充，生成用于模型训练的训练样本。

在模型训练时，线下测试系统可以根据该待填充样本中记录的用户标识以及数据标识，查询出相应的用户信息以及推荐信息。其中，该线下测试系统可以从线上服务系统中查询出相应的用户信息以及推荐信息，也可以通过诸如公共数据库等存储设备中查询出该用户标识对应的用户信息以及该数据标识对应的推荐信息。

在查询出该用户信息以及推荐信息后，线下测试系统可以根据该用户信息以及推荐信息，对该待填充样本进行填充，从而得到该待填充样本对应的训练样本。具体的，在本说明书中，线下测试系统可以将从用户信息中提取出的目标数据作为该待填充样本中该用户标识对应的键值。同理，线下测试系统可以将从查询出的推荐信息中提取出的目标数据作为待填充样本中该数据标识对应的键值。而后，线下测试系统可以作为键值的目标数据填充在该待填充样本中相应的位置上，从而得到该待填充样本对应的训练样本。

其中，线下测试系统中记录有训练样本对各数据类别所需的数据，基于此，线下测试系统可以从用户信息中提取出训练样本对用户信息这一数据类别所需的数据，即，从用户信息中提取出的目标数据。同理，线下测试系统中从推荐信息中提取出的目标数据，即是训练样本对该推荐信息这一数据类别所需的数据。

需要说明的是，这里提到的模型训练的时机，可以是指线下测试系统在获取到该目标用户针对该推荐信息的操作结果后，立即生成相应的待填充样本，并通过查询出的该目标用户的用户信息以及该推荐信息，对该待填充样本进行填充，进而通过得到的训练样本进行模型训练。即，获取到该操作结果后，立即生成相应的训练样本，并对模型进行训练，这样就达到了实时训练的目的，同时极大的缩短模型的训练周期，提高模型的训练效率。

当然，也可以是指在生成待填充样本后，先将该待填充样本进行保存。当保存的待填充样本到达一定数量，或是到达指定的时间时，再通过保存的待填充样本，得到相应的训练样本，并对模型进行训练。而由于保存的待填充样本中只是记录了用户信息以及推荐信息的标识信息(用户标识和数据标识)，并没有记录用户信息和推荐信息的具体内容，所以，这样可以有效的节省存储空间。

在获取到该待填充样本对应的训练样本后，线下测试系统可以通过生成的特征提取代码，从该训练样本中提取出相应的特征数据，进而基于该特征数据以及该训练样本的样本标签，进行模型训练。其中，该特征提取代码可以是基于预先针对线上服务系统中的预测模型配置的至少一个特征表达式生成的针对该预测模型的特征提取代码。

具体的，在本说明书中，针对预测模型配置的至少一个特征表达式中包含有各因子，因子可以包括算子、元数据以及元数据对应的属性数据。其中，算子主要用于从元数据以及元数据对应的属性数据中确定出指定特征维度的数据。元数据可以理解成是实际的数据。例如，线上服务系统可以基于用户的用户信息向用户发送推荐信息，其中，这里提到的用户信息以及推荐信息均可以视为是元数据。而元数据对应的属性数据可以是指元数据中具体的某一个值、字段等数据。例如，元数据为用户信息时，元数据对应的属性数据可以是指该用户信息中包含的用户标识(如用户ID)。

当然，上述提到的因子也可以包括其他形式的数据，例如，如果采用的算子主要用于对元数据中是否存在指定数据进行判断，则该算子中包含的因子除了有该元数据外，还有该指定数据。

在本说明书中，业务平台中保存有多种算子，每个算子的功能不尽相同，业务平台中保存的算子可以是一些常规的算子，也可以是工作人员为了实现特定功能而设置的算子。这里对于所采用的算子，不做具体的限制。

对于一个特征表达式来说，该特征表达式所包含的算子主要用于对该特征表达式包含的元数据、元数据对应的属性数据以及上述指定数据进行运算，从而得到的一个运算结果。该运算结果还可以作为其他特征表达式中除算子以外的其他因子。所以，根据针对该预测模型配置的至少一个特征表达式之间的相互关系，可以确定出用于表征这些特征表达式之间相互关系的树结构，进而通过对该树结构进行解析，最终得到适用于该预测模型的特征提取代码。

需要说明的是，由于线上服务系统中的预测模型和线下测试系统中的镜像模型是相对应的，所以，适用于该预测模型的特征提取代码也同样适用于该镜像模型。因此，该特征提取代码可以是线下测试系统根据针对该预测模型(也即镜像模型)配置的至少一个特征表达式来生成的，也可以是线上服务系统根据针对该预测模型配置的至少一个特征表达式来生成的。而在生成该特征提取代码后，可以对其进行保存。这样一来，线上服务系统和线下测试系统可以基于同一特征提取代码进行特征提取。

线下测试系统可以通过该特征提取代码，从上述训练样本中提取出相应的特征数据，进而将该特征数据到线下测试系统中的镜像模型中，以通过该训练样本的样本标签，对该镜像模型进行训练。并在训练后，通过镜像模型中训练后的各项参数，对线上服务系统中设置的预测系统进行更新，从而在一定程度上实现了对线上服务系统中预测模型的快速更新。

需要强调的是，这里提到的特征数据是从填充在上述训练样本中的目标数据中提取出的。该特征数据其实是线下测试系统根据预测模型(或是镜像模型)所需的特征维度，从目标数据中提取出的。而上述提到的目标数据可以理解成是指包括所有预测模型(或是镜像模型)所需的数据。也就是说，线下测试系统其实从训练样本包含的目标数据中提取出了部分数据作为特征数据，该部分数据即是该预测模型(或是镜像模型)所需的数据。

从上述方法中可以看出，由于业务平台将选取出的推荐信息推荐给目标用户后，可以在获取到该目标用户针对该推荐信息的操作结果，实时通过该操作结果以及该推荐信息，生成用于模型训练的训练样本，这样就极大的提高的训练样本的生成效率，提升了模型训练的效率。

并且，通过本说明书提供的方式，可以极大的促进预测模型的更新频率，这样可以有效的保证线上服务系统中的预测模型更加快速的适应用户的需求，从而进一步地保证了该预测模型准确的确定出需要向用户进行推荐的信息，进而提高了用户使用信息推荐业务的业务体验。

需要说明的是，在本说明书中，线下测试系统中可以设有多个镜像模型，这些镜像模型可以对应线上服务系统中不同的预测模型。换个角度来说，线上服务系统中也设有多个预测模型，每个预测模型在线下测试系统均可以对应一个镜像模型。在线上服务系统中，每个业务场景可以对应至少一个预测模型，也就是说，对于任意一个业务场景来说，用于对该业务场景下进行信息推荐所使用的预测模型至少存在一个。而该业务场景对应的不同预测模型，所采用的具体算法存在一定的差异，致使在基于目标用户发送的同一业务请求向该目标用户进行推荐信息时，最终的推荐结果可能存在一定的不同。

而在本说明书中，对于同一业务场景来说，无论具体采用该业务场景的哪个预测模型对目标用户进行信息推荐，业务平台通过线上服务系统向用户发送的推荐信息以及后续通过线下测试系统得到的该目标用户针对这些推荐信息的操作结果，均可以用于对适用于该业务场景所有的预测模型在线下测试系统中对应的镜像模型进行训练。

例如，在线上服务系统中设置有业务场景A的两个预测模型a和b，相应的，在线下测试系统中也设置有预测模型a对应的镜像模型a′和预测模型b对应的镜像模型b′。线上服务系统在获取到目标用户发送的业务请求后，可以基于该业务请求，使用预测模型a来得到返回给用户的推荐信息。线下测试系统可以获取到用户针对这些推荐信息的操作结果。而在获取到该操作结果后，线下测试系统可以按照上述方式得到基于该操作结果生成的训练样本，并通过该训练样本对镜像模型b′进行训练。

虽然在同一业务场景下，不同预测模型针对同一业务请求所得到的推荐结果存在一定的不同，但是，对于一个用户感兴趣，能够被用户查看详细内容的推荐信息来说，该业务场景下的不同预测模型均应该能够从众多的候选信息中将其挑选出来。基于此，在本说明书中，在同一业务场景下所得到的所有推荐信息以及相应的操作结果，均可以用于生成对该业务场景下所有预测模型在测试系统中对应的镜像模型进行训练的训练样本。

以上为本说明书的一个或多个实施例提供的训练样本的实时生成方法，基于同样的思路，本说明书还提供了相应的训练样本的实时生成装置，如图4、5所示。

图4为本说明书提供的一种训练样本的实时生成装置示意图，具体包括：

预测模块401，用于基于目标用户的业务请求，对与所述业务请求相关的候选信息进行预测，得到预测结果；

选取模块402，用于根据所述预测结果，从所述候选信息中选取设定数量的候选信息作为推荐信息，并将所述推荐信息推荐给所述目标用户，以使线下测试系统在获取到所述推荐信息的数据标识、所述目标用户的用户标识以及所述目标用户针对所述推荐信息的操作结果后，实现：根据所述操作结果、所述数据标识以及所述用户标识生成针对所述推荐信息的待填充样本，并在模型训练时，根据所述待填充样本，查询出所述数据标识对应的推荐信息以及所述用户标识对应的用户信息，以通过所述用户信息以及所述推荐信息对所述待填充样本进行填充，生成用于模型训练的训练样本。

图5为本说明书提供的一种训练样本的实时生成装置示意图，具体包括：

获取模块501，用于获取目标用户针对线上服务系统向所述目标用户推荐的推荐信息的操作结果、所述目标用户的用户标识以及所述推荐信息的数据标识，所述推荐信息是所述线上服务系统根据得到的预测结果，从候选信息中选取设定数量的候选信息作为推荐信息推荐给所述目标用户的，所述预测结果是所述线上服务系统基于所述目标用户的业务请求，通过设置在所述线上服务系统中的预测模型对与所述业务请求相关的候选信息进行推荐预测得到的；

第一生成模块502，用于根据所述操作结果、所述用户标识以及所述数据标识，生成针对所述推荐信息的待填充样本；

查询模块503，用于在模型训练时，根据所述待填充样本，查询出所述数据标识对应的推荐信息以及所述用户标识对应的用户信息；

第二生成模块504，用于通过所述用户信息以及所述推荐信息对所述待填充样本进行填充，生成用于模型训练的训练样本。

可选地，所述第一生成模块502具体用于，根据所述操作结果，确定所述推荐信息对应的样本标签；根据所述样本标签、所述数据标识以及所述用户标识，生成所述待填充样本。

可选地，所述第一生成模块502具体用于，若判定所述操作结果表明所述目标用户对所述推荐信息执行了指定操作，则确定所述待填充样本对应的样本标签为正样本；若判定所述操作结果表明所述目标用户未对所述推荐信息执行指定操作，则确定所述待填充样本对应的样本标签为负样本。

可选地，所述装置设有与所述预测模型相对应的镜像模型；

所述装置还包括：

训练模块505，用于通过所述训练样本对所述镜像模型进行训练。

可选地，所述训练模块505具体用于，根据预先针对所述预测模型配置的至少一个特征表达式，生成针对所述预测模型的特征提取代码；通过所述特征提取代码，从所述训练样本中提取特征数据；将提取出的特征数据输入到所述镜像模型中，以根据所述训练样本的样本标签，对所述镜像模型进行训练。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述训练样本的实时生成方法。

本说明书还提供了图6所示的电子设备的示意结构图。如图6所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述训练样本的实时生成方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (9)

1.一种业务平台，其特征在于，包括：

线上服务系统，用于：基于目标用户的业务请求，通过设置的预测模型对与所述业务请求相关的候选信息进行预测，得到预测结果；根据所述预测结果，从所述候选信息中选取设定数量的候选信息作为推荐信息，并将所述推荐信息推荐给所述目标用户；

线下测试系统，用于：获取所述目标用户的用户标识、所述推荐信息的数据标识以及所述目标用户针对所述推荐信息的操作结果；根据所述操作结果、所述数据标识以及所述用户标识，生成针对所述推荐信息的待填充样本；在模型训练时，根据所述待填充样本，查询出所述数据标识对应的推荐信息以及所述用户标识对应的用户信息，并通过所述用户信息以及所述推荐信息对所述待填充样本进行填充，生成用于模型训练的训练样本；

所述线下测试系统设有与所述预测模型相对应的镜像模型；

所述线下测试系统还用于，根据针对所述预测模型配置的至少一个特征表达式之间的相互关系，确定用于表征所述至少一个特征表达式之间相互关系的树结构，通过对所述树结构进行解析，得到适用于所述预测模型的特征提取代码，通过所述特征提取代码，从所述训练样本中提取特征数据，将提取出的特征数据输入到所述镜像模型中，以根据所述训练样本的样本标签，对所述镜像模型进行训练，其中，所述至少一个特征表达式中包含有各因子，所述因子包括算子、元数据、元数据对应的属性数据以及指定数据，所述算子用于对特征表达式包含的元数据、元数据对应的属性数据以及指定数据进行运算。

2.如权利要求1所述的业务平台，其特征在于，所述根据所述操作结果、所述数据标识以及所述用户标识，生成针对所述推荐信息的待填充样本，包括：根据所述操作结果，确定所述推荐信息对应的样本标签；根据所述样本标签、所述数据标识以及所述用户标识，生成所述待填充样本。

3.如权利要求2所述的业务平台，其特征在于，所述根据所述操作结果，确定所述推荐信息对应的样本标签，包括：若判定所述操作结果表明所述目标用户对所述推荐信息执行了指定操作，则确定所述待填充样本对应的样本标签为正样本；若判定所述操作结果表明所述目标用户未对所述推荐信息执行指定操作，则确定所述待填充样本对应的样本标签为负样本。

4.一种训练样本的实时生成方法，其特征在于，包括：

基于目标用户的业务请求，通过设置的预测模型对与所述业务请求相关的候选信息进行预测，得到预测结果；

根据所述预测结果，从所述候选信息中选取设定数量的候选信息作为推荐信息，并将所述推荐信息推荐给所述目标用户，以使线下测试系统在获取到所述推荐信息的数据标识、所述目标用户的用户标识以及所述目标用户针对所述推荐信息的操作结果后，实现：根据所述操作结果、所述数据标识以及所述用户标识生成针对所述推荐信息的待填充样本，并在模型训练时，根据所述待填充样本，查询出所述数据标识对应的推荐信息以及所述用户标识对应的用户信息，以通过所述用户信息以及所述推荐信息对所述待填充样本进行填充，生成用于模型训练的训练样本，根据针对所述预测模型配置的至少一个特征表达式之间的相互关系，确定用于表征所述至少一个特征表达式之间相互关系的树结构，通过对所述树结构进行解析，得到适用于所述预测模型的特征提取代码，通过所述特征提取代码，从所述训练样本中提取特征数据，将提取出的特征数据输入到所述线下测试系统设置的与所述预测模型相对应的镜像模型中，以根据所述训练样本的样本标签，对所述镜像模型进行训练，其中，所述至少一个特征表达式中包含有各因子，所述因子包括算子、元数据、元数据对应的属性数据以及指定数据，所述算子用于对特征表达式包含的元数据、元数据对应的属性数据以及指定数据进行运算。

5.一种训练样本的实时生成方法，其特征在于，包括：

获取目标用户针对线上服务系统向所述目标用户推荐的推荐信息的操作结果、所述目标用户的用户标识以及所述推荐信息的数据标识，所述推荐信息是所述线上服务系统根据得到的预测结果，从候选信息中选取设定数量的候选信息作为推荐信息推荐给所述目标用户的，所述预测结果是所述线上服务系统基于所述目标用户的业务请求，通过设置在所述线上服务系统中的预测模型对与所述业务请求相关的候选信息进行预测得到的；

根据所述操作结果、所述用户标识以及所述数据标识，生成针对所述推荐信息的待填充样本；

在模型训练时，根据所述待填充样本，查询出所述数据标识对应的推荐信息以及所述用户标识对应的用户信息；

通过所述用户信息以及所述推荐信息对所述待填充样本进行填充，生成用于模型训练的训练样本，根据针对所述预测模型配置的至少一个特征表达式之间的相互关系，确定用于表征所述至少一个特征表达式之间相互关系的树结构，通过对所述树结构进行解析，得到适用于所述预测模型的特征提取代码，通过所述特征提取代码，从所述训练样本中提取特征数据，将提取出的特征数据输入到线下测试系统设置的与所述预测模型相对应的镜像模型中，以根据所述训练样本的样本标签，对所述镜像模型进行训练，其中，所述至少一个特征表达式中包含有各因子，所述因子包括算子、元数据、元数据对应的属性数据以及指定数据，所述算子用于对特征表达式包含的元数据、元数据对应的属性数据以及指定数据进行运算。

6.一种训练样本的实时生成装置，其特征在于，包括：

预测模块，用于基于目标用户的业务请求，通过设置的预测模型对与所述业务请求相关的候选信息进行预测，得到预测结果；

选取模块，用于根据所述预测结果，从所述候选信息中选取设定数量的候选信息作为推荐信息，并将所述推荐信息推荐给所述目标用户，以使线下测试系统在获取到所述推荐信息的数据标识、所述目标用户的用户标识以及所述目标用户针对所述推荐信息的操作结果后，实现：根据所述操作结果、所述数据标识以及所述用户标识生成针对所述推荐信息的待填充样本，并在模型训练时，根据所述待填充样本，查询出所述数据标识对应的推荐信息以及所述用户标识对应的用户信息，以通过所述用户信息以及所述推荐信息对所述待填充样本进行填充，生成用于模型训练的训练样本，根据针对所述预测模型配置的至少一个特征表达式之间的相互关系，确定用于表征所述至少一个特征表达式之间相互关系的树结构，通过对所述树结构进行解析，得到适用于所述预测模型的特征提取代码，通过所述特征提取代码，从所述训练样本中提取特征数据，将提取出的特征数据输入到所述线下测试系统设置的与所述预测模型相对应的镜像模型中，以根据所述训练样本的样本标签，对所述镜像模型进行训练，其中，所述至少一个特征表达式中包含有各因子，所述因子包括算子、元数据、元数据对应的属性数据以及指定数据，所述算子用于对特征表达式包含的元数据、元数据对应的属性数据以及指定数据进行运算。

7.一种训练样本的实时生成装置，其特征在于，包括：

获取模块，用于获取目标用户针对线上服务系统向所述目标用户推荐的推荐信息的操作结果、所述目标用户的用户标识以及所述推荐信息的数据标识，所述推荐信息是所述线上服务系统根据得到的预测结果，从候选信息中选取设定数量的候选信息作为推荐信息推荐给所述目标用户的，所述预测结果是所述线上服务系统基于所述目标用户的业务请求，通过设置在所述线上服务系统中的预测模型对与所述业务请求相关的候选信息进行推荐预测得到的；

第一生成模块，用于根据所述操作结果、所述用户标识以及所述数据标识，生成针对所述推荐信息的待填充样本；

查询模块，用于在模型训练时，根据所述待填充样本，查询出所述数据标识对应的推荐信息以及所述用户标识对应的用户信息；

第二生成模块，用于通过所述用户信息以及所述推荐信息对所述待填充样本进行填充，生成用于模型训练的训练样本，根据针对所述预测模型配置的至少一个特征表达式之间的相互关系，确定用于表征所述至少一个特征表达式之间相互关系的树结构，通过对所述树结构进行解析，得到适用于所述预测模型的特征提取代码，通过所述特征提取代码，从所述训练样本中提取特征数据，将提取出的特征数据输入到线下测试系统设置的与所述预测模型相对应的镜像模型中，以根据所述训练样本的样本标签，对所述镜像模型进行训练，其中，所述至少一个特征表达式中包含有各因子，所述因子包括算子、元数据、元数据对应的属性数据以及指定数据，所述算子用于对特征表达式包含的元数据、元数据对应的属性数据以及指定数据进行运算。

8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求4或5任一项所述的方法。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求4或5任一项所述的方法。

Images