CN110717106B - 信息推送的方法及装置 - Google Patents

Abstract

本说明书实施例提供一种信息推送的方法和装置，在信息推送过程中，基于预先建立的、用于描述多种信息之间关系的知识图谱，一方面基于用户特征和待推送目标的目标特征进行特征扩充，并利用第一神经网络处理用户特征、目标特征，以及扩充的特征，得到中间结果特征，另一方面基于用户的历史浏览目标，通过涟漪模型按照知识图谱提取用户的兴趣特征，然后将中间结果特征和兴趣特征输入预先确定的预测模型，从而根据预测模型的输出结果确定用户对所述待推送目标的兴趣分数，再基于兴趣分数确定待推送目标推送的用户。如此，可以提高信息推送的有效性。

Description

信息推送的方法及装置

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及通过计算机进行信息推送的方法和装置。

背景技术

随着计算机和互联网技术的发展，信息推送的应用越来越广泛。随着大数据时代的到来，信息推送通常具有针对性、个性化等特点。针对性是在信息推送方的立场上，针对有需求，或者推送成功概率较大的用户进行信息推送。而个性化可以从用户的角度出发，不同的用户，收到不同的推送信息。其中信息推送更重要的一个环节，就是如何更准确地进行“针对性”、“个性化”的推送。具体地：以针对性为例，如何更准确地确定有需求或者推送成功概率较大的用户；以个性化为例，如何为用户推送更符合其需求的信息；等等。准确度越高，也意味着信息推送更有效。

发明内容

本说明书一个或多个实施例描述了一种信息推送的方法和装置，可以提高信息推送的有效性。

根据第一方面，提供了一种信息推送的方法，所述方法包括：获取从待推送目标的描述信息中提取的目标特征，以及从第一用户的用户信息中提取的用户特征；基于预先建立的知识图谱，利用所述用户特征和所述目标特征与所述知识图谱中的实体的对应关系，进行特征扩充，其中，所述知识图谱用于描述多个历史目标及其描述信息中的各个实体之间的关联关系，在所述知识图谱中，各个节点分别表示各个实体，连接节点的边描述相应实体之间的关联关系；利用第一神经网络处理所述用户特征、所述目标特征，以及扩充的特征，得到中间结果特征；基于所述第一用户的历史浏览目标，通过涟漪模型按照所述知识图谱提取所述第一用户的兴趣特征；将所述中间结果特征和所述兴趣特征输入预先确定的预测模型，从而根据所述预测模型的输出结果确定所述第一用户对所述待推送目标的兴趣分数；基于所述第一用户对应的兴趣分数确定是否将所述待推送目标推送给所述第一用户。

在一个实施例中，所述知识图谱中的各个节点还对应有节点向量，所述用户特征或所述目标特征包括第一特征，所述第一特征通过第一特征向量表示，所述第一特征与所述知识图谱中的第一实体一致；所述基于预先建立的知识图谱，利用所述用户特征和所述目标特征与所述知识图谱中的实体的对应关系，进行特征扩充包括：从所述知识图谱中获取所述第一实体对应的节点向量；将所述节点向量与所述第一特征向量进行融合，将融合后的向量作为扩充的第一扩充向量，对应于第一扩充特征。

在一个实施例中，所述从所述知识图谱中获取所述第一实体对应的节点向量包括：确定所述第一实体的各个一级关联实体分别与所述第一实体的各个相似度，其中所述第一实体的一级关联实体是所述知识图谱中与所述第一实体通过边直接相连的各个实体；确定所述第一实体的一级关联实体中，与所述第一实体的相似度最大的k个实体，并将所述k个实体的当前节点向量进行融合；基于融合结果更新所述第一实体的当前节点向量。

在一个实施例中，所述基于融合结果更新所述第一实体的当前节点向量包括：对所述k个实体中的各个实体，分别对其当前节点向量通过其具一级关联实体的当前节点向量进行更新，以此类推，遍历整个知识图谱；按照预定次数迭代更新所述知识图谱中的各个实体分别对应的各个节点向量；所述从所述知识图谱中获取所述第一实体对应的节点向量还包括：获取按照所述预定次数更新后的所述第一实体对应的节点向量。

在一个实施例中，对向量的融合采用以下至少一种方式进行：取最大值、求平均值、拼接、利用预先确定的第二神经网络进行降维处理。

在一个实施例中，所述历史浏览目标包括第一目标，所述第一目标对应所述知识图谱中的第二实体；所述基于所述第一用户的历史浏览目标，通过涟漪模型按照所述知识图谱提取所述第一用户的兴趣特征包括：将所述第二实体提取为所述第一用户的兴趣特征；针对所述第二实体在预定关联级数内相关联的各个实体，分别确定与所述第二实体的各个关联权重，所述关联级数与所述知识图谱中从实体到实体的最短路径中包含的边的数量一致；将对应的关联权重大于预设权重阈值的实体，提取为所述第一用户的兴趣特征。

在一个实施例中，所述关联权重与相应实体和所述第二实体的相似度正相关，与所述关联级数负相关。

在一个实施例中，所述基于所述第一用户对应的兴趣分数确定是否将所述待推送目标推送给所述第一用户包括：将所述第一用户对应的兴趣分数与预设的分数阈值进行对比；在所述第一用户对应的兴趣分数超过预设的分数阈值的情况下，确定向所述第一用户推送所述待推送目标。

在一个实施例中，所述第一用户是多个用户之一，所述多个用户分别对应各个兴趣分数；所述基于所述第一用户对应的兴趣分数确定是否将所述待推送目标推送给所述第一用户包括：按照各个兴趣分数从大到小的顺序，从所述多个用户中确定出对应的兴趣分数最大的预定数量的用户；在第一用户是所述预定数量的用户之一的情况下，确定向所述第一用户推送所述待推送目标。

根据第二方面，提供一种信息推送的装置，所述装置包括：

获取单元，配置为获取从待推送目标的描述信息中提取的目标特征，以及从第一用户的用户信息中提取用户特征；

扩充单元，配置为基于预先建立的知识图谱，利用所述用户特征和所述目标特征与所述知识图谱中的实体的对应关系，进行特征扩充，所述知识图谱用于描述多个历史目标及其描述信息中的各个实体之间的关联关系，其中，在所述知识图谱中，各个节点分别表示各个实体，连接节点的边描述相应实体之间的关联关系；

中间处理单元，配置为利用第一神经网络处理所述用户特征、所述目标特征，以及扩充的特征，得到中间结果特征；

提取单元，配置为基于所述第一用户的历史浏览目标，通过涟漪模型按照所述知识图谱提取所述第一用户的兴趣特征；

预测单元，配置为将所述中间结果特征和所述兴趣特征输入预先确定的预测模型，从而根据所述预测模型的输出结果确定所述第一用户对所述待推送目标的兴趣分数；

推送单元，配置为基于所述第一用户对应的兴趣分数确定是否将所述待推送目标推送给所述第一用户。

根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。

根据第四方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。

通过本说明书实施例提供的信息推送的方法和装置，预先存储有基于海量数据建立的知识图谱，在信息推送过程中，一方面，通过知识图谱，基于待推送目标的目标特征，及候选用户的用户特征进行特征扩充之后，提取更高阶的特征，另一方面，根据用户的历史浏览目标，基于知识图谱挖掘用户的兴趣特征。进一步地，将所提取的更高阶的特征和兴趣特征一起输入一个用于打分的预测模型，来预测可以表示候选用户对于待推送目标的感兴趣程度的兴趣分数，并基于兴趣分数确定是否将待推送目标推送个相应的候选用户。由于利用知识图谱充分挖掘出各种信息之间的关联，为推送决策提供更多的辅助信息，从而可以提高信息推送的有效性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1示出本说明书披露的一个实施例的实施场景示意图；

图2示出根据一个实施例的信息推送的方法流程图；

图3示出一个具体例子的知识图谱结构示意图；

图4示出根据一个实施例的确定兴趣分数的整体架构示意图；

图5示出根据一个实施例的信息推送的装置的示意性框图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

图1为本说明书披露的一个实施例的实施场景示意图。如图1所示，该实施场景中，主要包括终端和服务器。终端上可以安装有各种应用，例如购物类应用、支付类应用、地图类应用、网页类应用，等等。用户可以通过终端进行各种应用操作，例如浏览网页、点击页面上的超链接等。用户通过在终端的各种操作与相应应用的服务端交互。其中的终端例如可以是个人计算机、智能手机、笔记本电脑、平板电脑等等。

在图1示出的实施场景中，按照用户在信息推送场景中的主体作用及立场的不同，可以将用户分为信息推送方和信息浏览方。信息推送方可以通过终端与服务端交互，向服务端提供推送信息，推送信息可以是用于推送待推送目标的信息，例如可以是待推送目标的描述信息等。待推送目标例如是商品、新闻、资讯等。信息浏览方可以通过服务端浏览各种信息，例如商品信息、新闻信息等。服务端可以从一个或多个信息推送方获取各种待推送信息，并针对每个信息浏览方进行个性化的信息推送。在可选的实现方式中，一些用户既可以时信息推送方，也可以是信息浏览方。

可以理解，图1的实施场景仅是一个示例。在实践中，服务端、信息浏览方、信息推送方的数量可以是任意的。服务端也可以预先存储有待推送的信息，此时，该实施场景中作为信息推送方的用户及对应终端可以不存在。

下面详细介绍本发明技术构思下的信息推送的方法。

图2示出根据一个实施例的信息推送的方法流程图。该方法的执行主体可以是任何具有计算、处理能力的系统、设备、装置、平台或服务器。例如图1示出的服务端。

如图2所示，该信息推送的方法可以包括以下步骤：步骤201，获取从待推送目标的描述信息中提取的目标特征，以及从第一用户的用户信息中提取的用户特征；步骤202，基于预先建立的知识图谱，利用用户特征和目标特征与知识图谱中的实体的对应关系，进行特征扩充，其中，知识图谱用于描述多个历史目标及其描述信息中的各个实体之间的关联关系，在知识图谱中，各个节点分别表示各个实体，连接节点的边描述相应实体之间的关联关系；步骤203，利用第一神经网络处理上述用户特征、目标特征，以及扩充的特征，得到第一中间结果特征；步骤204，基于第一用户的历史浏览目标，通过涟漪模型按照知识图谱提取第一用户的兴趣特征；步骤205，将中间结果特征和兴趣特征输入预先确定的预测模型，从而根据预测模型的输出结果确定第一用户对待推送目标的兴趣分数；步骤206，基于第一用户的兴趣分数确定是否将待推送目标推送给第一用户。

首先，在步骤201，获取从待推送目标的描述信息中提取的目标特征，以及从第一用户的用户信息中提取的用户特征。

其中，待推送目标可以是具体实施场景中需要向用户推送的各种事物。例如，在购物平台场景下，待推送目标可以是商品，在新闻平台场景下，待推送目标可以是新闻内容，保险资讯场景中，待推送目标可以是某个保险产品。待推送目标的描述信息可以是文字、图片、语音等至少一种。针对不同形式的描述信息，提取特征的方式可以有所不同。对于文字信息，可以在分词之后，提取关键词、提取预定词性(如形容词和名词)等方式提取出目标特征。对于语音信息，可以被识别成文字信息，再提取目标特征。对于图片信息，可以通过识别其中的像素特点确定颜色特征、风格特征(如素雅、绚烂)等，还可以通过目标识别确定其对象特征，如衬衫、长袖、泡泡袖等。

在本说明书的实施例中，以第一用户表示任意用户。可以理解，为了确定第一用户是否对待推送目标感兴趣，因此，除了获取目标特征外，还需要获取第一用户的用户特征。用户特征是对第一用户进行描述的各种特征，例如，学历特征、浏览特征、消费特征、年龄特征、收入特征等等。用户特征可以从用户信息中提取。用户信息可以是用户注册信息、历史行为信息等。例如，学历特征、年龄特征可以通过用户在购物平台的注册信息确定，浏览特征、消费特征等可以从用户的历史行为信息中提取。

进一步地，上述的目标特征和用户特征中的各个特征，分别可以通过向量表示。这里的向量可以是词汇的独热表示(one-hot)、通过诸如word2voc之类的方式生成的词向量等等，在此不再赘述。

值得说明的是，上述的用户特征和目标特征，可以是预先提取的，储存在数据库中的特征，此时，在本步骤201中，可以直接从数据库获取这些特征。上述的用户特征和目标特征还可以是根据数据库中存储的待推送目标的描述信息和第一用户的用户信息，在本步骤201中，实时提取。本说明书对此方面不做限定。

接着，在步骤202中，基于预先建立的知识图谱，利用上述的用户特征和目标特征与知识图谱中的实体的对应关系，进行特征扩充。其中，知识图谱(knowledge graph)是从海量信息中进行知识学习，得到的知识关系图谱。用于建立知识图谱的信息可以是任意信息，也可以是与具体实施场景相关的信息。例如，在保险产品推送的实施场景中，知识图谱可以是各种保险产品、与保险相关的资讯等等。

知识图谱是一种语义网络，其可以通过节点(node)表示实体(entity)或者概念(concept)，通过边(edge)描述实体/概念之间的各种语义关系(relation)。在本说明书中，将实体(entity)或者概念(concept)统一称为实体。其中，在计算机领域，实体可以是存在于现实世界中并且可以与其他物体区分开来的物体，实体可以通过一系列的属性进行描述。在知识图谱中，中间通过边连接的实体具有直接关联关系。

作为示例，请参考图3，是保险领域的一个知识图谱中的一小部分。如图3所示，知识图谱中的每个节点，都可以是一个实体或一个概念，例如杭州、水果商超、目标1、目标2等等。在保险领域，目标1、目标2等等分别可以表示一个保险产品，或者一篇保险资讯。与目标1、目标2等通过边连接的杭州、水果商超等等，可以是在相应保险产品的描述信息或者保险资讯的内容信息中出现过的实体，也可以是与相应保险产品或者保险资讯相关的概念。以“杭州”为例，其可以是在目标1和目标2中都出现过的实体，也可以是保险产品或者保险资讯发布的城市(该城市是一个相关的概念)。

可以理解，图3是对知识图谱的形象化表示，知识图谱的存储可以为多个三元组(h、r、t)，其中，h和t代表一个关系的头节点和尾节点，r代表头节点和尾节点之间的关系。

其中，知识图谱中的实体可以是根据先验知识确定的，也可以采用命名实体识别(Named Entity Recognition，简称NER)、关键词提取等方法从相关信息的内容中进行提取，还可以根据信息类目、发布日期、区域信息等属性信息确定。例如历史推送目标的目标名称、发布日期等，分别可以确定为实体，目标描述信息中的预定词性的词汇，例如名词、命名体词(人名、地名等)可以确定为实体。节点和节点之间的关系例如可以是相同发布时间关系、描述同一目标等等。例如，目标1对应第一篇保险资讯，从中提取的实体包括：好医保、杭州、小商贩、1天前(发布时间)、回报率、水果商超等等，目标2对应第二篇保险资讯，从中提取的实体包括：杭州、餐饮、3天前、加执单、高血钠症、相互保等等，那么目标1和目标2中共现的实体为“杭州”。该共现关系可以表示目标1和目标2的关联关系。同时，杭州分别和目标1、目标2具有直接关联关系。利用三元组表示方法进行表示的情况下，可以表示为(目标1，杭州，目标2)。另一方面，再例如，实体“杭州”和“好医保”之间通过“目标1”连接，目标1可以用于表示“杭州”和“好医保”的关联关系。同时，目标1分别和杭州、好医保具有直接关联关系。相应的三元组可以为(杭州，目标1，好医保)。

可以理解，目标特征和用户特征分别可以有至少一个。用户特征或目标特征中的单个特征，可能与知识图谱中的某个节点一致，例如都是男性。而知识图谱中，节点之间相互关联。这样，就可以利用知识图谱基于单个特征进行特征扩充。

在一个实施例中，在基于目标特征或者用户特征中的任一个特征进行特征扩充时，可以将与该特征一致的节点相关联的节点，提取为扩充的特征。参考图3的示例，假如用户特征包括杭州，则与杭州直接关联的目标1、目标2都可以作为扩充的特征。

根据一个可能的设计，知识图谱中的各个节点词汇还可以对应有节点向量。各个词汇的初始向量可以是词汇的独热表示(one-hot)、通过诸如word2voc之类的方式生成的词向量等等，在此不再赘述。在知识图谱中实体的节点向量和该单个特征的向量表达可能不相同。知识图谱中，节点的向量表达融合了周边特征，可以表达更多的信息，而该单个特征的向量可能最大限度保留了特征本身的信息。因此，在基于知识图谱进行特征扩充时，还可以利用向量进行特征扩充。

假设用户特征或目标特征包括第一特征，该第一特征可以是任一特征。基于该第一特征进行特征扩充时，可以先检测知识图谱中是否有和第一特征一致的节点。如果有，将该节点对应的实体称为第一实体。进一步地，可以从知识图谱中获取第一实体对应的节点向量，将该节点向量与第一特征向量进行融合，将融合后的向量作为扩充的第一扩充向量，对应于第一扩充特征。可选地，这里的向量融合可以采用取最大值、求平均值、拼接、利用预先确定的第二神经网络进行降维处理等等中的至少一种。通常，在通过拼接方式融合的情况下，由于向量拼接之后维度增多，可以通过预先确定的第二神经网络进行降维处理。

在一些实现方式中，知识图谱中的各个节点对应的节点向量还可以与周围的节点有关，以从多维度对节点进行描述。

此时，对于上述的与第一特征对应的第一实体，获取其节点向量时，可以通过对和其具有直接关联关系的各个一级关联实体的当前节点向量进行融合其中，一个实体的一级关联实体是在知识图谱中与该实体通过边直接相连的其他实体。然后，可以根据融合得到的向量更新第一实体的当前节点向量。例如，将融合后的向量与第一实体的当前节点向量进行进一步融合，作为更新后的第一实体的节点向量。其中，这里的向量融合的方法可以是取最大值、求平均值、拼接、利用预先确定的第二神经网络进行降维处理中的至少一项。

在一个可选的实现方式中，为了更加突出第一实体的特点，还可以有选择地对其周边的其他实体的当前节点向量进行融合。具体地，可以确定第一实体的各个一级关联实体分别与第一实体的各个相似度，确定与第一实体的相似度最大的k个实体，并将这k个实体的当前节点向量进行融合，基于融合结果更新第一实体的当前节点向量。

其中，节点的相似度可以通过向量相似度方法确定，也可以通过其他合理的方法确定。向量相似度可以通过余弦相似度、Jaccard系数等方式确定，在此不再赘述。其他合理的方法例如是，相似度与特征共现次数正相关。举例而言，图3中，假设水果商超在目标1的描述信息中出现5次，杭州在目标1的描述信息中出现3次，则水果商超与目标1的相似度大于杭州与目标1的相似度。可选地，水果商超与目标1的相似度，和杭州与目标1的相似度之间的比值为5:3。

这种方式可以选择出与第一实体最相关的各个实体来表征第一实体，使得描述结果更加准确。

参考图3所示，假设第一特征对应的第一实体为目标1，则可以对目标1的各个一级关联实体(好医保、杭州、小商贩、1天前、回报率、水果商超)分别对应的各个当前节点向量进行融合(embedding)。可以先确定目标1与其周边各个一级关联实体的相似度，并按照相似度从高到低的顺序从中选出对应的相似度较大的k(如5)个实体(或节点)，对这k个节点的当前节点向量进行向量融合。其中，k可以是预先确定的数值，也可以是根据实际情况变化的数值，例如对应的相似度大于相似度阈值的特征有5个，则k取5。向量融合可以通过求平均、最大值、拼接等方式进行。以最大值为例，在每个向量元素上，取k个向量相应元素的最大值，得到的向量就是融合后的向量。之后，可以用融合后的向量更新目标1的当前节点向量。也可以将融合后的向量和目标1的当前节点向量进一步融合，并将进一步融合后的向量作为目标1的当前节点向量。

本领域技术人员可以理解，对于与第一实体的一级关联实体，例如好医保、杭州、小商贩、1天前、回报率、水果商超等，其对应的节点向量也可以通过其周边节点进行描述。在一个可选的实现方式中，可以对这些一级关联实体也通过类似的方式进行周边实体对应的节点向量的融合。以此类推，对整个知识图谱中以第一实体为中心涉及到的各个实体都可以利用向量融合通过周边实体描述。由于遍历整个知识图谱后，多个实体对应的节点向量被更新，因此，可选地，可以迭代执行预定次数的对整个知识图谱的向量更新过程，并获取最终更新后的第一实体对应的节点向量，进行后续步骤。

值得说明的是，当上述任一向量融合过程采用拼接方式进行的情况下，向量维度会有较大增长。此时，通常还可以对融合后的向量通过预定的第二神经网络进行降维处理，以减少数据处理量。例如，在k个向量进行时，假设初始向量为64维，则拼接后的向量可以是64×k维，直接运算是非常复杂的。第二神经网络例如可以是CNN(Convolutional NeuralNetworks，卷积神经网络)、全连接神经网络等等。通过第二神经网络处理拼接后的向量，可以将拼接后的向量从64×k维降到64维，或者更低维度。

可选地，在上述特征扩展过程中，可以对知识图谱中节点的向量和用户特征或目标特征中的单个特征的向量进行双向扩展，以使得两者互相学习对方的信息。双向扩展的方法可以是向量拼接。即，将拼接的向量代替原来的单个特征的向量以及节点的向量。

从以上描述可知，利用知识图谱可以有效地丰富特征信息，解决常规推荐系统存在的特征稀疏性问题，并提高描述特征的向量的准确性。

进一步地，通过步骤203，利用第一神经网络处理用户特征、目标特征以及扩充的特征，得到中间结果特征。其中，第一神经网络用于深度挖掘用户和待推送目标之间的关联特征。将用户特征、目标特征和扩充后的特征一起输入第一神经网络，可以得到第一神经网络的输出结果。由于第一神经网络的输出结果是所提取的更高阶特征，该输出结果作为一个中间结果，并且是进一步处理需要用到的特征，因此，本说明书中将第一神经网络的输出结果称为中间结果特征。该名称并不对第一神经网络的输出结果的内容进行限定。

第一神经网络例如可以是DNN(deep neural networks)等神经网络。以DNN为例，第一神经网络可以由三部分组成，分别是输入层，隐藏层和输出层。其中隐藏层的数量可以根据实际情况设定。对于推荐场景中特征高维且稀疏性的问题，DNN泛化能力强，可以通过至少一个隐藏层较好的学习出二阶、三阶甚至更高阶的交叉特征。

其中，第一神经网络可以是整个模型架构中的其中一部分，通过第一神经网络提取的特征不是最终结果，其含义也无法具体定义，因此，该神经网络无需单独训练。

步骤204，基于第一用户的历史浏览目标，通过涟漪模型按照知识图谱中提取用户的兴趣特征。用户历史浏览目标可以包括用户历史浏览过的目标名称、内容关键词等。例如在保险产品场景中，第一用户浏览过相互保、家人保等产品，那么可以将“相互保”、“家人保”作为历史浏览目标。进一步地，以历史浏览目标为基础对用户提取兴趣特征。

由于知识图谱是基于相关领域的海量数据建立的，因此，在知识图谱中，对第一用户的历史浏览目标通常都可以对应到相应的实体。这样，就可以按照知识图谱来提取用户的兴趣特征。提取兴趣特征的过程可以通过涟漪算法(Ripple Network)实现。顾名思义，涟漪算法是以用户兴趣对应的一个实体为中心，在知识图谱上向外逐层扩散，并在扩散过程中逐渐衰减的过程。该过程类似于水波的传播，以此来模拟用户兴趣在知识图谱上的传播过程。

假设第一用户的历史浏览目标中包括第一目标，该第一目标对应知识图谱中的第二实体，下面以该第一目标作为一个具体例子来描述通过涟漪算法确定兴趣特征的过程。其中的第二实体是为了和第一实体进行用途上的区分，而不作其他限定。

一方面，可以将第二实体提取为用户的兴趣特征。在一个实现方式中，历史浏览目标还可以根据浏览次数、与当前时间的远近关系等具有相应权重。例如，对一个历史浏览目标的浏览次数越多，对应的权重越大，与当前时间越近，对应的权重越大。可选地，浏览次数和与当前时间的远近关系也具有相对的权重，例如，浏览权重和时间权重。作为示例，对于用户历史浏览过的一个目标s，对应的兴趣权重可以为：浏览权重×浏览次数权重+时间权重×与当前时间的远近关系权重+……

另一方面，可以基于第二实体，按照涟漪算法对第一用户的兴趣特征进行扩展。扩展过程中，可以按照知识图谱中与第二实体的关联级别、相似程度等等信息，为每个可能与用户兴趣相关的实体确定相应的权重，并根据相应权重确定扩展的兴趣特征。在本说明书实施例中，可以定义关联级数，关联级数与知识图谱中从实体到实体的最短路径中包含的边的数量一致。具体地，直接相连的实体互为一级关联实体，至少经过两条边连接(中间间隔1个实体)到一起的实体互为二级关联实体，以此类推。可以理解，在同一路径上，关联级别越高，相关性越低，与关联级别相关的权重越小。而一个实体的某个关联级别下的各个实体，与该实体的相似程度越高，权重越大。例如，第二实体的各个一级关联实体具有一级权重，对各个一级关联实体而言，根据与第二实体的相似度，又具有关联权重。其中的关联权重可以与第二实体和一级关联实体之间的共现次数正相关。举例而言，对于用户历史浏览过的一个目标s，对应第二实体s，实体s的一个一级关联实体t，相应的权重可以为：实体s的兴趣权重×一级权重×实体t与实体s的关联权重。实体t的一个一级关联实体r是实体s的一个二级关联实体，则实体r对应的权重可以通过实体s的兴趣权重确定，例如为：实体s的兴趣权重×二级权重×实体t与实体s的关联权重，也可以通过作为实体t的一级关联实体确定，例如为：实体s的兴趣权重×一级权重×实体t与实体r的关联权重。依次类推，可以确定出第二实体在预定关联级数内的所有实体分别对应的权重。

在一个可选的实现方式中，可以将权重非0的所有实体都确定为用户的扩展兴趣特征，并赋予相应权重。在另一个可选的实现方式中，可以利用预定的权重阈值进行筛选，筛除对应权重小于权重阈值的实体，剩下的实体作为扩展的兴趣特征，并赋予相应权重。

如此，可以逐个关联级数向外扩展提取第一用户的兴趣特征。

步骤205，将中间结果特征和兴趣特征输入预先确定的预测模型，从而根据预测模型的输出结果确定第一用户对待推送目标的兴趣分数。可以理解，中间结果特征可以是在步骤203中通过第一神经网络提取的高阶特征，其可以和兴趣特征一起作为预测模型的输入。

预测模型可以是一个评分模型，用于预测第一用户对于待推送信息的感兴趣程度，或者对于待推送信息的点击概率。预测模型例如可以是，决策树(Decision Tree)、点击率模型(click-through rate，CTR)、梯度提升决策树(GBDT)等等。通过预测模型对中间结果特征和兴趣特征的处理，可以量化第一用户对于待推送信息的兴趣程度。预测模型的输出结果可以是预定数值区间内的数值，例如0-1之间的小数，或者1-10之间的整数。

请参考图4，示出了步骤201至步骤205的整个模型架构。一方面，第一神经网络的特征包括步骤201获取的待推送目标的目标特征、第一用户的用户特征，以及基于知识图谱扩展的特征。经过第一神经网络对各个特征的处理，可以提取更高阶的特征，作为中间结果特征。另一方面，通过涟漪模型在知识图谱中对用户历史浏览目标进行扩散，提取第一用户的兴趣特征。然后将第一方面得到的中间结果特征和第二方面得到的兴趣特征进行综合，即用预测模型处理该中间结果特征，和兴趣特征，从而输出一个兴趣分数。该兴趣分数可以体现出第一用户对于待推送信息的感兴趣程度。

在对模型进行训练时，可以对图4示出的整个架构进行整体训练。训练过程可以如下：获取多个训练样本，每个训练样本对应一个用户以及向该用户推送某个目标的推送信息，且对应根据该用户对该推送信息的点击情况确定的兴趣标签。具体地，用户点击了相应推送信息，兴趣标签可以为“感兴趣”(例如用数字1表示)，否则，兴趣标签可以为“不感兴趣”(例如用数字0表示)；对各个训练样本，提取相应用户的用户特征，以及推送信息所针对目标的目标特征。然后结合知识图谱，在图4示出的架构下，按照选定的第一神经网络、预测模型，确定出一个样本兴趣分数，基于样本兴趣分数与相应兴趣标签的对比，至少调整架构中第一神经网络及预测模型的模型参数，从而训练出按照图4架构的模型。

可以理解，图4示出的架构中，知识图谱可以是预先建立好的，在训练图4架构的模型或者使用图4架构的模型预测兴趣分数的过程中，可以直接从知识图谱中读取相应数据。

进一步地，通过步骤206，基于上述第一用户的兴趣分数确定是否将待推送目标推送给第一用户。可以理解，步骤205确定的兴趣分数表示出第一用户对当前的待推送信息的感兴趣程度，因此可以基于该兴趣分数确定是否将当前的待推送目标推送给第一用户。

在一个实施方式中，可以针对第一用户独立确定是否向其推送当前的待推送目标。具体地，可以存储预先设定的分数阈值(如0.7)。在得到的兴趣分数超过该分数阈值的情况下，确定第一用户对当前的待推送目标感兴趣，可以将当前的待推送目标推送给第一用户，在得到的兴趣分数低于该分数阈值的情况下，确定第一用户对当前的待推送目标不感兴趣，可以不向第一用户推送当前的待推送目标。

在另一个实施方式中，可以采用多个用户横向对比的方法，确定是否向第一用户推送待推送目标。具体地，可以预先存储有设定的推送用户数量M。对多个用户中的每一个用户，分别按照步骤201-步骤205的流程，确定其与当前的待推送目标的兴趣分数。按照兴趣分数从大到小的顺序，确定前M个兴趣分数分别对应的M个用户。可以理解，如果第一用户是这M个用户之一，那么就向第一用户推送当前的待推送目标，否则，不向第一用户推送当前的待推送目标。

回顾以上过程，在信息推送过程中，一方面，通过知识图谱，基于待推送目标的目标特征，及候选用户的用户特征进行特征扩充之后，提取更高阶的特征，另一方面，根据用户的历史浏览目标，基于知识图谱挖掘用户的兴趣特征。进一步地，将所提取的更高阶的特征和兴趣特征一起输入一个用于打分的预测模型，来预测可以表示候选用户对于待推送目标的感兴趣程度的兴趣分数，并基于兴趣分数确定是否将待推送目标推送个相应的候选用户。由于利用预先通过海量数据建立的知识图谱，充分挖掘出各种信息之间的关联，为推送决策提供更多的辅助信息，从而可以提高信息推送的有效性。

根据另一方面的实施例，还提供一种信息推送的装置，基于预先建立的知识图谱进行信息推送。其中，知识图谱用于描述多个历史目标及其描述信息中的各个实体之间的关联关系。在知识图谱中，通过各个节点分别表示各个实体，通过连接节点的边描述相应实体之间的关联关系。

图5示出根据一个实施例的信息推送的装置的示意性框图。如图5所示，用于信息推送的装置500包括：获取单元51，配置为获取从待推送目标的描述信息中提取的目标特征，以及从第一用户的用户信息中提取用户特征；扩充单元52，配置为基于预先建立的知识图谱，利用用户特征和目标特征与知识图谱中的实体的对应关系，进行特征扩充其中，知识图谱用于描述多个历史目标及其描述信息中的各个实体之间的关联关系，在知识图谱中，各个节点分别表示各个实体，连接节点的边描述相应实体之间的关联关系；中间处理单元53，配置为利用第一神经网络处理用户特征、目标特征，以及扩充的特征，得到中间结果特征；提取单元54，配置为基于第一用户的历史浏览目标，通过涟漪模型按照知识图谱提取第一用户的兴趣特征；预测单元55，配置为将中间结果特征和兴趣特征输入预先确定的预测模型，从而根据预测模型的输出结果确定第一用户对待推送目标的兴趣分数；推送单元56，配置为基于第一用户对应的兴趣分数确定是否将待推送目标推送给第一用户。

根据一种实施方式，知识图谱中的各个节点还对应有节点向量，用户特征或目标特征包括第一特征，第一特征通过第一特征向量表示，第一特征与知识图谱中的第一实体一致；

扩充单元52可以配置为：

从知识图谱中获取第一实体对应的节点向量；

将第一实体对应的节点向量与第一特征向量进行融合，将融合后的向量作为扩充的第一扩充向量，对应于第一扩充特征。

在进一步地实施例中，扩充单元52还可以配置为通过以下方式从知识图谱中获取第一实体对应的节点向量：

确定第一实体的各个一级关联实体分别与第一实体的各个相似度，其中第一实体的一级关联实体是知识图谱中与第一实体通过边直接相连的各个实体；

确定第一实体的一级关联实体中，与第一实体的相似度最大的k个实体；并将这k个实体的当前节点向量进行融合；

基于融合结果更新第一实体的当前节点向量。

在更进一步的实施例中，扩充单元52还可以配置为，在从知识图谱中获取第一实体对应的节点向量之前：

对上述k个实体中的各个实体，分别对其当前节点向量通过其一级关联实体的当前节点向量进行更新，以此类推，遍历整个知识图谱；

按照预定次数迭代更新知识图谱中的各个实体分别对应的各个节点向量；

在可选的实现方式中，扩种单元52对向量的融合采用以下至少一种方式进行：

取最大值、求平均值、拼接、利用预先确定的第二神经网络进行降维处理。

根据一个可能的设计，历史浏览目标包括第一目标，第一目标对应知识图谱中的第二实体；

提取单元53配置为：

将第二实体提取为第一用户的兴趣特征；

针对第二实体在预定关联级数内相关联的各个实体，分别确定与第二实体的各个关联权重，关联级数与知识图谱中从实体到实体的最短路径中包含的边的数量一致；

将对应的关联权重大于预设权重阈值的实体，提取为第一用户的兴趣特征。

在一个实施例中，关联权重与相应实体和第二实体的相似度正相关，与关联级数负相关。

在一种实现方式中，推送单元56进一步配置为：

将第一用户对应的兴趣分数与预设的分数阈值进行对比；

在第一用户对应的兴趣分数超过预设的分数阈值的情况下，确定向第一用户推送待推送目标。

在另一种实现方式中，第一用户是多个用户之一，多个用户分别对应各个兴趣分数；

推送单元56进一步配置为：

按照各个兴趣分数从大到小的顺序，从多个用户中确定出对应的兴趣分数最大的预定数量的用户；

在第一用户是预定数量的用户之一的情况下，确定向第一用户推送待推送目标。

值得说明的是，图5所示的装置500是与图2示出的方法实施例相对应的装置实施例，图2示出的方法实施例中的相应描述同样适用于装置500，在此不再赘述。

根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。

根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所述的方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本说明书实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本说明书的技术构思的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本说明书的技术构思的具体实施方式而已，并不用于限定本说明书的技术构思的保护范围，凡在本说明书实施例的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本说明书的技术构思的保护范围之内。

Claims (20)

1.一种信息推送的方法，所述方法包括：

获取从待推送目标的描述信息中提取的目标特征，以及从第一用户的用户信息中提取的用户特征；

基于预先建立的知识图谱，利用所述用户特征和所述目标特征与所述知识图谱中的实体的对应关系，进行特征扩充，其中，所述知识图谱用于描述多个历史目标及其描述信息中的各个实体之间的关联关系，在所述知识图谱中，各个节点分别表示各个实体，连接节点的边描述相应实体之间的关联关系；

利用第一神经网络处理所述用户特征、所述目标特征，以及扩充的特征，得到中间结果特征；

基于所述第一用户的历史浏览目标，通过涟漪模型按照所述知识图谱提取所述第一用户的兴趣特征；

将所述中间结果特征和所述兴趣特征输入预先确定的预测模型，从而根据所述预测模型的输出结果确定所述第一用户对所述待推送目标的兴趣分数；

基于所述第一用户对应的兴趣分数确定是否将所述待推送目标推送给所述第一用户。

2.根据权利要求1所述的方法，其中，所述知识图谱中的各个节点还对应有节点向量，所述用户特征或所述目标特征包括第一特征，所述第一特征通过第一特征向量表示，所述第一特征与所述知识图谱中的第一实体一致；

所述基于预先建立的知识图谱，利用所述用户特征和所述目标特征与所述知识图谱中的实体的对应关系，进行特征扩充包括：

从所述知识图谱中获取所述第一实体对应的节点向量；

将所述第一实体对应的节点向量与所述第一特征向量进行融合，将融合后的向量作为扩充的第一扩充向量，对应于第一扩充特征。

3.根据权利要求2所述的方法，其中，所述从所述知识图谱中获取所述第一实体对应的节点向量包括：

确定所述第一实体的各个一级关联实体分别与所述第一实体的各个相似度，其中所述第一实体的一级关联实体是所述知识图谱中与所述第一实体通过边直接相连的各个实体；

确定所述第一实体的一级关联实体中，与所述第一实体的相似度最大的k个实体，并将所述k个实体的当前节点向量进行融合；

基于融合结果更新所述第一实体的当前节点向量。

4.根据权利要求3所述的方法，其中，所述基于融合结果更新所述第一实体的当前节点向量包括：

对所述k个实体中的各个实体，分别对其当前节点向量通过其一级关联实体的当前节点向量进行更新，以此类推，遍历整个知识图谱；

按照预定次数迭代更新所述知识图谱中的各个实体分别对应的各个节点向量；

所述从所述知识图谱中获取所述第一实体对应的节点向量还包括：

获取按照所述预定次数更新后的所述第一实体对应的节点向量。

5.根据权利要求3或4所述的方法，其中，对向量的融合采用以下至少一种方式进行：

取最大值、求平均值、拼接、利用预先确定的第二神经网络进行降维处理。

6.根据权利要求1所述的方法，其中，所述历史浏览目标包括第一目标，所述第一目标对应所述知识图谱中的第二实体；

所述基于所述第一用户的历史浏览目标，通过涟漪模型按照所述知识图谱提取所述第一用户的兴趣特征包括：

将所述第二实体提取为所述第一用户的兴趣特征；

针对所述第二实体在预定关联级数内相关联的各个实体，分别确定与所述第二实体的各个关联权重，所述关联级数与所述知识图谱中从实体到实体的最短路径中包含的边的数量一致；

将对应的关联权重大于预设权重阈值的实体，提取为所述第一用户的兴趣特征。

7.根据权利要求6所述的方法，其中，所述关联权重与相应实体和所述第二实体的相似度正相关，与所述关联级数负相关。

8.根据权利要求1所述的方法，其中，所述基于所述第一用户对应的兴趣分数确定是否将所述待推送目标推送给所述第一用户包括：

将所述第一用户对应的兴趣分数与预设的分数阈值进行对比；

在所述第一用户对应的兴趣分数超过预设的分数阈值的情况下，确定向所述第一用户推送所述待推送目标。

9.根据权利要求1所述的方法，其中，所述第一用户是多个用户之一，所述多个用户分别对应各个兴趣分数；

所述基于所述第一用户对应的兴趣分数确定是否将所述待推送目标推送给所述第一用户包括：

按照各个兴趣分数从大到小的顺序，从所述多个用户中确定出对应的兴趣分数最大的预定数量的用户；

在第一用户是所述预定数量的用户之一的情况下，确定向所述第一用户推送所述待推送目标。

10.一种信息推送的装置，所述装置包括：

获取单元，配置为获取从待推送目标的描述信息中提取的目标特征，以及从第一用户的用户信息中提取用户特征；

扩充单元，配置为基于预先建立的知识图谱，利用所述用户特征和所述目标特征与所述知识图谱中的实体的对应关系，进行特征扩充，其中，所述知识图谱用于描述多个历史目标及其描述信息中的各个实体之间的关联关系，在所述知识图谱中，各个节点分别表示各个实体，连接节点的边描述相应实体之间的关联关系；

中间处理单元，配置为利用第一神经网络处理所述用户特征、所述目标特征，以及扩充的特征，得到中间结果特征；

提取单元，配置为基于所述第一用户的历史浏览目标，通过涟漪模型按照所述知识图谱提取所述第一用户的兴趣特征；

预测单元，配置为将所述中间结果特征和所述兴趣特征输入预先确定的预测模型，从而根据所述预测模型的输出结果确定所述第一用户对所述待推送目标的兴趣分数；

推送单元，配置为基于所述第一用户对应的兴趣分数确定是否将所述待推送目标推送给所述第一用户。

11.根据权利要求10所述的装置，其中，所述知识图谱中的各个节点还对应有节点向量，所述用户特征或所述目标特征包括第一特征，所述第一特征通过第一特征向量表示，所述第一特征与所述知识图谱中的第一实体一致；

所述扩充单元配置为：

从所述知识图谱中获取所述第一实体对应的节点向量；

将所述第一实体对应的节点向量与所述第一特征向量进行融合，将融合后的向量作为扩充的第一扩充向量，对应于第一扩充特征。

12.根据权利要求11所述的装置，其中，所述扩充单元配置为通过以下方式从所述知识图谱中获取所述第一实体对应的节点向量：

确定所述第一实体的各个一级关联实体分别与所述第一实体的各个相似度，其中所述第一实体的一级关联实体是所述知识图谱中与所述第一实体通过边直接相连的各个实体；

确定所述第一实体的一级关联实体中，与所述第一实体的相似度最大的k个实体，并将所述k个实体的当前节点向量进行融合；

基于融合结果更新所述第一实体的当前节点向量。

13.根据权利要求12所述的装置，其中，所述扩充单元进一步配置为：

对所述k个实体中的各个实体，分别对其当前节点向量通过其一级关联实体的当前节点向量进行更新，以此类推，遍历整个知识图谱；

按照预定次数迭代更新所述知识图谱中的各个实体分别对应的各个节点向量；

所述从所述知识图谱中获取所述第一实体对应的节点向量还包括：

获取按照所述预定次数更新后的所述第一实体对应的节点向量。

14.根据权利要求12或13所述的装置，其中，所述扩充 单元对向量的融合采用以下至少一种方式进行：

取最大值、求平均值、拼接、利用预先确定的第二神经网络进行降维处理。

15.根据权利要求10所述的装置，其中，所述历史浏览目标包括第一目标，所述第一目标对应所述知识图谱中的第二实体；

所述提取单元配置为：

将所述第二实体提取为所述第一用户的兴趣特征；

针对所述第二实体在预定关联级数内相关联的各个实体，分别确定与所述第二实体的各个关联权重，所述关联级数与所述知识图谱中从实体到实体的最短路径中包含的边的数量一致；

将对应的关联权重大于预设权重阈值的实体，提取为所述第一用户的兴趣特征。

16.根据权利要求15所述的装置，其中，所述关联权重与相应实体和所述第二实体的相似度正相关，与所述关联级数负相关。

17.根据权利要求10所述的装置，其中，所述推送单元进一步配置为：

将所述第一用户对应的兴趣分数与预设的分数阈值进行对比；

在所述第一用户对应的兴趣分数超过预设的分数阈值的情况下，确定向所述第一用户推送所述待推送目标。

18.根据权利要求10所述的装置，其中，所述第一用户是多个用户之一，所述多个用户分别对应各个兴趣分数；

所述推送单元进一步配置为：

按照各个兴趣分数从大到小的顺序，从所述多个用户中确定出对应的兴趣分数最大的预定数量的用户；

在第一用户是所述预定数量的用户之一的情况下，确定向所述第一用户推送所述待推送目标。

19.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-9中任一项的所述的方法。

20.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-9中任一项所述的方法。

Images