CN111274497B - 社区推荐及模型训练方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请公开了社区推荐及模型训练方法、装置、电子设备及存储介质，涉及人工智能技术领域。具体实现方案为：采集用户的标识和所述用户的社区关注列表中的各社区的标识，作为用户数据；利用预先训练好的特征预测模型和所述用户数据，生成所述用户的特征表达；基于所述用户的特征表达和预先生成的社区列表的社区特征表达库，从所述社区列表中获取与所述用户的特征表达相似度最大的N个社区的标识；向所述用户推荐所述N个社区的标识。本申请能够准确地向用户推荐N个社区，有效地提高社区推荐的准确性。

Description

社区推荐及模型训练方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及人工智能，具体涉及社区推荐及模型训练方法、装置、电子设备及存储介质。

背景技术

互联网发展到今天，社区类产品广泛性使用，每天占据用户较高的时长。且互联网用户基数巨大，各种兴趣社区层出不穷，随着时间演进，不断涌现出越来越多的社区。用户可以从社区中获取大量的信息。但是由于社区较多，导致用户无法筛选出自己最感兴趣的社区。基于此，现有的推荐方案可以帮助用户从大量的社区中找到用户真正感兴趣的社区。

例如，现有的社区推荐方式可以采用排行榜单的方式。具体地，基于网站或者应用内的用户行为数据进行统计，在全局用户数据下选择最近一段时间窗口内比较热门、互动较强的社区进行推荐。

但是现有的上述推荐方式推荐的社区并非用户真正想要关注的社区，导致社区推荐的准确性较差。

发明内容

为了解决上述技术问题，本申请提供一种社区推荐及模型训练方法、装置、电子设备及存储介质，用于提高社区推荐的准确性。

一方面，本申请提供一种社区推荐方法，包括：

采集用户的标识和所述用户的社区关注列表中的各社区的标识，作为用户数据；

利用预先训练好的特征预测模型和所述用户数据，生成所述用户的特征表达；

基于所述用户的特征表达和预先生成的社区列表的社区特征表达库，从所述社区列表中获取与所述用户的特征表达相似度最大的N个社区的标识；

向所述用户推荐所述N个社区的标识。

进一步可选地，如上所述的方法中，基于所述用户的特征表达和预先生成的社区列表的社区特征表达库，从所述社区列表中获取与所述用户的特征表达相似度最大的N个社区的标识，包括：

从所述社区列表的社区特征表达库中获取与所述用户的特征表达相似度最大的N个社区的特征表达；

从所述社区列表中获取所述N个社区的特征表达对应的标识。

进一步可选地，如上所述的方法中，基于所述用户的特征表达和预先生成的社区列表的社区特征表达库，从所述社区列表中获取与所述用户的特征表达相似度最大的N个社区的标识之前，所述方法包括：

采用预先训练好的特征表达模型，基于所述社区列表中各所述社区的标识，生成对应的社区特征表达；

基于所述社区列表中各所述社区的社区特征表达，构建所述社区特征表达库。

另一方面，本申请还提供了一种特征预测模型的训练方法，包括：

采集数条训练数据，各所述训练数据中包括训练用户的标识和所述训练用户的社区关注子列表中的各社区标识；

对于各所述训练数据，从所述社区关注子列表选择一个社区标识，作为标注数据；将所述训练用户的标识和所述社区关注子列表中其余的社区标识，作为输入数据；

采用各所述训练数据中的所述输入数据和所述标注数据，对特征预测模型进行训练。

进一步可选地，如上所述的方法中，采集数条训练数据，包括：

挖掘各所述训练用户的标识和社区关注列表；

对于各所述训练用户的社区关注列表，按照移动滑动窗口的方式，依次从所述社区关注列表中截取预设数量的社区标识，构成社区关注子列表；并将对应的所述训练用户的标识和和所述社区关注子列表构成一条所述训练数据，共得到数条所述训练数据。

进一步可选地，如上所述的方法中，采用各所述训练数据中的所述输入数据和所述标注数据，对特征预测模型进行训练，包括：

对于各所述训练数据，在嵌入层采用预先训练好的特征表达模型将所述输入数据中的所述训练用户的标识和各所述社区标识分别进行特征表达处理，得到对应的特征表达；

在操作层中，采用特征表达平均的方法，将所述输入数据中的所述训练用户的标识的特征表达和各所述社区标识对应特征表达进行操作，输出预测特征表达；

基于所述特征表达模型，获取所述标注数据中的所述社区标识对应的标注特征表达；

基于所述预测特征表达和标注特征表达，构建损失函数；

判断所述损失函数是否收敛；

若未收敛，调整所述特征预测模型中的参数，使得所述损失函数趋于收敛。

再一方面，本申请还提供了一种社区推荐装置，包括：

采集模块，用于采集用户的标识和所述用户的社区关注列表中的各社区的标识，作为用户数据；

生成模块，用于利用预先训练好的特征预测模型和所述用户数据，生成所述用户的特征表达；

获取模块，用于基于所述用户的特征表达和预先生成的社区列表的社区特征表达库，从所述社区列表中获取与所述用户的特征表达相似度最大的N个社区的标识；

推荐模块，用于向所述用户推荐所述N个社区的标识。

又一方面，本申请还提供了一种特征预测模型的训练装置，包括：

采集模块，用于采集数条训练数据，各所述训练数据中包括训练用户的标识和所述训练用户的社区关注子列表中的各社区标识；

数据整理模块，用于对于各所述训练数据，从所述社区关注子列表选择一个社区标识，作为标注数据；将所述训练用户的标识和所述社区关注子列表中其余的社区标识，作为输入数据；

训练模块，用于采用各所述训练数据中的所述输入数据和所述标注数据，对特征预测模型进行训练。

再另一方面，本申请还提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一项所述的方法。

再又一方面，本申请还提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上任一项所述的方法。

上述申请中的一个实施例具有如下优点或有益效果：通过采集用户的标识和用户的社区关注列表中的各社区的标识，作为用户数据；利用预先训练好的特征预测模型和用户数据，生成用户的特征表达；基于用户的特征表达和预先生成的社区列表的社区特征表达库，从社区列表中获取与用户的特征表达相似度最大的N个社区的标识；向用户推荐N个社区的标识。由于本申请的上述方案，向用户推荐的是与用户的特征表达相似度最大的N个社区表达对应的社区标识，可以准确地获取到用户感兴趣的N个社区的标识，可以弥补现有技术的不足，能够准确地向用户推荐N个社区，有效地提高社区推荐的准确性。

根据本申请实施例的技术方案，通过采用上述方案，能够对该特征预测模型进行有效训练，使得训练出的特征预测模型能够准确表达要预测的社区的特征表达，进而基于预测的结果，能够准确地获取要推荐的社区的信息。因此，采用本申请的技术方案训练得到的特征预测模型，在进行社区推荐时，能够准确地向用户推荐N个社区，有效地提高社区推荐的准确性。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的示意图；

图2是根据本申请第二实施例的示意图；

图3是本申请中的训练用户数据的示意图；

图4是本申请中的特征预测模型的结构示意图；

图5是根据本申请第三实施例的示意图；

图6是根据本申请第四实施例的示意图；

图7是用来实现本申请实施例的上述方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本申请第一实施例的示意图。如图1所示，本实施例的社区推荐方法，具体可以包括如下步骤：

S101、采集用户的标识和用户的社区关注列表中的各社区的标识，作为用户数据；

本实施例的社区推荐方法的执行主题可以为社区推荐装置，该社区推荐装置可以为一个独立的电子实体，或者也可以为采用软件集成的应用，本实施例的社区推荐装置。该社区推荐装置，可以基于用户数据，为该用户推荐该用户感兴趣的社区。

本实施例的社区可以为一个网站中的一个版块，如篮球、足球、乒乓球、明朝历史、清朝历史等等。实际应用中，社区也可以理解为应用中的分类标签。

例如，在本实施例中，在为某个用户推荐社区之前，需要先采集该用户的标识和该用户的社区关注列表。其中用户的标识能够唯一标识该用户，如可以为该用户的ID。采集用户的社区关注列表时，可以包括显式采集和隐式采集，显式采集指的是直接获取该用户关注的社区ID，隐式采集指的是通过分析该用户的行为信息，确定用户关注的社区ID，具体地，可以设置一些隐式采集策略，如用户浏览某个社区的信息的频次达到预设频次阈值，或者用户浏览某个社区的时长达到预设时长阈值等等，均可以认为该用户隐式关注了该社区。例如用户未关注篮球社区，但多次浏览该篮球社区的信息，超出预设频次阈值，此时可以认为该用户隐式关注了篮球社区。即本实施例的用户的社区关注列表中不仅包括用户显式关注的社区的标识，还包括用户隐式关注的社区的标识。实际应用中，用户的社区关注列表中的社区的标识的数量不做限定，可以为一个、两个或者多个。

S102、利用预先训练好的特征预测模型和用户数据，生成用户的特征表达；

本实施例中，可以将用户数据中的用户标识、用户关注列表中的各社区标识，依次输入至预先训练好的特征预测模型中，该特征预测模型可以输出一个特征表达，此处可以称之为用户的特征表达。本实施例的特征表达具体可以为向量的形式，因此，该用户的特征表达也可以称之为用户向量。

实际应用中，该步骤的具体实现过程中，可以基于预先训练好的特征预测模型，将特征预测模型的参数部署上线，用于计算该用户向量。这样，在获取用户数据后，直接利用部署上线的特征预测模型的参数和用户数据，便生成相应的用户向量。

S103、基于用户的特征表达和预先生成的社区列表的社区特征表达库，从社区列表中获取与用户的特征表达相似度最大的N个社区的标识；

例如，该步骤具体实施时可以包括：从社区列表的社区特征表达库中获取与用户的特征表达相似度最大的N个社区的特征表达；然后从社区列表中获取N个社区的特征表达对应的标识。

例如本实施例的预先生成的社区列表可以包括要筛选的所有社区的标识。如某个网站中的所有社区的标识。

在该步骤之前，可以包括采用预先训练好的特征表达模型，基于社区列表中各社区的标识，生成对应的社区特征表达；基于社区列表中各社区的社区特征表达，构建社区特征表达库。

本实施例的特征表达模型具体用于生成一个社区标识的特征表达，该特征表达可以为向量的形式，也可以称为社区向量。社区特征表达库也可以称之为社区向量库，其中包括社区列表中每个社区的向量。该步骤具体实施时，可以认为是在社区向量库中检索与该用户向量的相似度最大的TopN个社区向量。并参考社区列表，获取该TopN个社区向量对应的TopN个社区的标识。

本实施例的特征表达模型可以采用word2vec模型，能够对所有的用户的标识以及社区的标识分别进行嵌入(embedding)表达，得到对应的特征表达。或者实际应用中，也可以预先训练一个特征表达模型，以能够进行准确地嵌入表达即可。

S104、向用户推荐N个社区的标识。

具体地，可以向用户发送该N个社区的标识，实现社区推荐。

本实施例的社区推荐方法，通过采集用户的标识和用户的社区关注列表中的各社区的标识，作为用户数据；利用预先训练好的特征预测模型和用户数据，生成用户的特征表达；基于用户的特征表达和预先生成的社区列表的社区特征表达库，从社区列表中获取与用户的特征表达相似度最大的N个社区的标识；向用户推荐N个社区的标识。由于本实施例的上述方案，向用户推荐的是与用户的特征表达相似度最大的N个社区表达对应的社区标识，可以准确地获取到用户感兴趣的N个社区的标识，可以弥补现有技术的不足，能够准确地向用户推荐N个社区，有效地提高社区推荐的准确性。

图2是根据本申请第二实施例的示意图。如图2所示，本实施例的特征预测模型的训练方法，具体可以包括如下步骤：

S201、采集数条训练数据，各训练数据中包括训练用户的标识和训练用户的社区关注子列表中的各社区标识；

本实施例的特征预测模型的训练方法的执行主体为特征预测模型的训练装置。该特征预测模型的训练装置可以为一电子实体，或者采用软件集成的应用系统，该应用系统运行时，需要运行在计算机设备上，以实现对图1所示的特征预测模型训练。本实施例的特征预测模型具体为一神经网络模型。即本实施例的技术方案是对该神经网络模型的训练。

例如，本实施例的该步骤S201具体可以包括如下步骤：

(1)挖掘各训练用户的标识和各训练用户的社区关注列表；

(2)对于各训练用户的社区关注列表，按照移动滑动窗口的方式，依次从社区关注列表中截取预设数量的社区标识，构成社区关注子列表，并将对应的训练用户的标识和社区关注子列表构成一条训练数据，共得到数条训练数据。

即本实施例中滑动窗口的大小等于预设数量，也就是说，滑动窗口中包括预设数量个社区标识。本实施例的预设数量可以根据实际需求设置为大于等于2的正整数。

例如，图3是本申请中的训练用户数据的示意图。如图3所示，挖掘的训练用户数据中包括训练用户标识，如图3中的User(1)、User(2)或者User(3)均为用户标识。另外，每条训练用户数据中还包括该训练用户的社区关注列表。如图3中以User(1)为例，按照该训练用户关注的各社区的先后顺序，可以依次Item11、Item12、Item13、Item14、Item15、Item16共6个社区标识。另外，本实施例中，一条训练用户数据，可以对应生成多条训练数据。如图3所示，以滑动窗口＝5为例，可以截取Item11、Item12、Item13、Item14、Item15共5个社区标识。然后由User(1)和Item11、Item12、Item13、Item14、Item15一起，构成一条训练数据。接下来，向后移动滑动窗口，还可以取到Item12、Item13、Item14、Item15、Item16五个社区标识，此时User(1)和Item12、Item13、Item14、Item15、Item16一起，还可以构成一条训练数据。如果某个训练用户的社区关注列表非常长，可以按照类似的方式，按照从前向后的顺序，依次移动滑动窗口，直至社区关注列表中的所有社区标识都遍历完，获取到所有的训练数据。对于采集到的每一个训练用户的数据，均可以按照上述方式，采用滑动窗口来截取社区标识，并结合相应的训练用户标识，一起构成训练数据，共可以得到数条训练数据。

需要说明的是，本实施例中挖掘各训练用户社区关注列表时，不仅需要挖掘训练用户显式关注的社区标识，还需要挖掘训练用户隐式关注的社区标识，如训练用户虽然未关注某个社区，但是浏览某个社区的信息的频次达到预设频次阈值，或者浏览某个社区的时长达到预设时长阈值，此时可以认为该训练用户隐式关注了该社区。

S202、对于各训练数据，从社区关注子列表选择一个社区标识，作为标注数据；将训练用户的标识和社区关注子列表中其余的社区标识，作为输入数据；

本实施例中，对于各条训练数据，可以从社区关注子列表中选择一个社区标识，作为标注数据，如图3中的Item13作为标注数据。对应地，可以将训练用户的标识如User(1)和社区关注子列表中其余的社区标识如Item11、Item12、Item14和Item15作为输入数据。

优选地，本实施例中，社区关注子列表中包括的社区标识的数量为大于2的奇数。这样，可以选取社区关注子列表中正中间的社区标识为标注数据，而训练用户的标识和社区关注列表中的其余的社区标识一起作为输入数据，此时输入数据作为标注数据的上下文信息。该种设置方式，每条训练数据中的输入数据和标注数据设置最为标准，训练的效果最好。

当然，可选地，也可以随机从社区关注子列表中选取一个作为标注数据，而将训练用户的标识和社区关注列表中的其余的社区标识一起作为输入数据。

另外需要说明的是，对于本实施例中的各条训练数据，按照上述方式整理好后，还需要进行格式转换和处理，以转换为适合机器学习模块读取的数据格式，便于后续进行特征预测模型的训练。

S203、采用各训练数据中的输入数据和标注数据，对特征预测模型进行训练。

例如，该步骤的具体训练过程可以包括如下步骤：

(a)对于各训练数据，在嵌入层采用预先训练好的特征表达模型将输入数据中的训练用户的标识和各社区标识分别进行特征表达处理，得到对应的特征表达；

例如，图4是本申请中的特征预测模型的结构示意图。如图4所示，最下一层为输入层，在输入层中输入输入数据，包括训练用户的标识如User_id(j)、顺次关系的社区标识如Item_id(i-m),…,Item_id(i-1),Item_id(i+1),…,Item_id(i+m)，其中2*m+1等于滑动窗口的大小。

从下到上第二层为嵌入(embedding)层，该嵌入层用于对输入的训练用户的标识、以及各社区标识分别进行embedding处理，得到各自对应的向量表达。例如，在嵌入层中可以采用word2vec模型或者预先训练的特征表达模型对输入数据中的各标识进行embedding处理。如将User_id(j)进行embedding后，得到User_v(j)。分别将Item_id(i-m),…,Item_id(i-1),Item_id(i+1),…,Item_id(i+m)依次进行embedding后，得到Item_v(i-m),…,Item_v(i-1),Item_v(i+1),…,Item_v(i+m)各特征表达，本实施例的各特征表达均为向量的形式。

(b)在操作层中，采用特征表达平均的方法，将输入数据中的训练用户的标识的特征表达和各社区标识对应特征表达进行操作，输出预测特征表达；

在嵌入层的再上一层是操作层，在该操作层中，可以使用特征表达平均的方法即向量平均的方法，对得到的所有的向量进行操作，该操作层的输出预测特征表达，即一个预测向量，该模型要使得输出的预测向量直接用来表示滑动窗口中的中心社区标识Item_id(i)的向量。例如该模型在训练时可以使用负采样或者层次哈夫曼树的方法来设置损失函数进行训练。

(c)基于特征表达模型，获取标注数据中的社区标识对应的标注特征表达；

具体地，可以采用嵌入层embedding处理时的特征表达模型如word2vec对标注数据中的社区标识进行embedding处理，得到对应的标注特征表达，也是向量的形式。

(d)基于预测特征表达和标注特征表达，构建损失函数；

例如，本实施例中，可以采用对数似然函数来构建损失函数，如可以采用如下公式来表示：其中/>表示对数似然函数值；w是预测特征表达即预测的目标向量，context(w)表示预测w时所采用的滑动窗口内的上下文，p(w|context(w))表示表示给定的上下文context(w)，预测的w是真实的item的表达即标注特征表达的概率，C为所有的item的集合。

基于该公式，训练该特征预测模型要拟合的目标是：在给定上下文context(w)，预测得到的预测特征表达w是真实的item的表达即标注特征表达的概率最大。例如，以图3中的滑动窗口为例，context(w)包括：item11、item12、item14和item15，p(w|context(w))表示给定上下文context(w)，预测特征表达w是item13的表达的概率。训练的目标时，在给定上下文情况下，预测得到的预测特征表达w是item13的表达的概率最大。

(e)判断损失函数是否收敛；若未收敛，执行步骤(f)；若收敛，执行步骤(g)；

具体地，可以判断对数似然函数是否不再继续增大，即已经到最大值，此时，可以认为对数似然函数收敛。

(f)调整特征预测模型中的参数，使得损失函数趋于收敛；返回步骤(a)采用下一条训练数据继续训练；

(g)判断是否在连续预设轮数的训练中始终收敛，若不是，返回步骤(a)采用下一条训练数据继续训练；若是，确定训练结束，确定特征预测模型的参数，进而确定特征预测模型。

本实施例的特征预测模型，即是将经典模型word2vec应用到社区推荐之中，该模型类似与自然语言处理中的经典模型word2vec。word2vec的核心思想是词语的语义关系与词语上下文存在关联，该模型用于学习字词的向量表示法，称为“字词嵌入”。

而本实施例的特征预测模型类似与自然语言处理中的经典模型word2vec的cbow模型，认为每个用户关注的社区列表中，每个社区之间都具有潜在的关系，通过训练，让模型学习出这种关系，能够根据输入数据的特征表达，学习出标注数据对应的特征表达。由于标注数据是从用户的社区关注子列表中抽取的，即相当于本实施例的特征预测模型能够基于标注数据中的社区的标识上下文的信息即输入数据的特征表达，输出能够标识该标注数据对应的社区标识的特征表达。所以本实施例中需要基于预测特征表达和标注特征表达，构建损失函数，就是为了使得预测的结果和标注的结果即训练要实现的目标结果一致，若不一致，调整该特征预测模型的参数，按照上述方式不断地对特征预测模型训练，直至在连续预设轮数的训练中损失函数始终收敛，训练结果。

本实施例中的连续预设轮数可以根据实际需求设置为连续100、200或者其他数量的轮数，在此不做限定。

另外，实际应用中，还可以采用构建其他损失函数的方式，使得预测特征表达和标注特征表达能够足够接近，在此不再一一举例赘述。

基于本实施例的训练原理，在上述图1所示实施例的应用中，将根据输入数据输出的特征表达直接称之为用户的特征表达，而与该用户的特征表达最接近的社区的特征表达，便认为是要推荐的社区的特征表达。

本实施例的特征预测模型的训练方法，通过采用上述方案，能够对该特征预测模型进行有效训练，使得训练出的特征预测模型能够准确表达要预测的社区的特征表达，进而基于预测的结果，能够准确地获取要推荐的社区的信息。因此，采用本实施例的技术方案训练得到的特征预测模型，在进行社区推荐时，能够准确地向用户推荐N个社区，有效地提高社区推荐的准确性。

图5是根据本申请第三实施例的示意图；如图5所示，本实施例的社区推荐装置500，具体可以包括：

采集模块501，用于采集用户的标识和用户的社区关注列表中的各社区的标识，作为用户数据；

生成模块502，用于利用预先训练好的特征预测模型和用户数据，生成用户的特征表达；

获取模块503，用于基于用户的特征表达和预先生成的社区列表的社区特征表达库，从社区列表中获取与用户的特征表达相似度最大的N个社区的标识；

推荐模块504，用于向用户推荐N个社区的标识。

进一步可选地，本实施例的社区推荐装置500中，获取模块503，用于：

从社区列表的社区特征表达库中获取与用户的特征表达相似度最大的N个社区的特征表达；

从社区列表中获取N个社区的特征表达对应的标识。

进一步可选地，本实施例的社区推荐装置500中，还包括构建模块505；

生成模块502还用于采用预先训练好的特征表达模型，基于社区列表中各社区的标识，生成对应的社区特征表达；

构建模块505用于基于社区列表中各社区的社区特征表达，构建社区特征表达库。

本实施例的社区推荐装置500，通过采用上述模块实现社区推荐的实现原理以及技术效果与上述相关方法实施例相同，详细可以参考上述相关方法实施例的机制，在此不再赘述。

图6是根据本申请第四实施例的示意图；如图6所示，本实施例的特征预测模型的训练装置600，具体可以包括：

采集模块601，用于采集数条训练数据，各训练数据中包括训练用户的标识和训练用户的社区关注子列表中的各社区标识；

数据整理模块602，用于对于各训练数据，从社区关注子列表选择一个社区标识，作为标注数据；将训练用户的标识和社区关注子列表中其余的社区标识，作为输入数据；

训练模块603，用于采用各训练数据中的输入数据和标注数据，对特征预测模型进行训练。

进一步可选地，本实施例的特征预测模型的训练装置600中，采集模块601用于：

挖掘各训练用户的标识和社区关注列表；

对于各训练用户的社区关注列表，按照移动滑动窗口的方式，依次从社区关注列表中截取预设数量的社区标识，构成社区关注子列表；并将对应的训练用户的标识和和社区关注子列表构成一条训练数据，共得到数条训练数据。

进一步可选地，本实施例的特征预测模型的训练装置600中，训练模块603用于：

对于各训练数据，在嵌入层采用预先训练好的特征表达模型将输入数据中的训练用户的标识和各社区标识分别进行特征表达处理，得到对应的特征表达；

在操作层中，采用特征表达平均的方法，将输入数据中的训练用户的标识的特征表达和各社区标识对应特征表达进行操作，输出预测特征表达；

基于特征表达模型，获取标注数据中的社区标识对应的标注特征表达；

基于预测特征表达和标注特征表达，构建损失函数；

判断损失函数是否收敛；

若未收敛，调整特征预测模型中的参数，使得损失函数趋于收敛。

本实施例的特征预测模型的训练装置600，通过采用上述模块实现特征预测模型的训练的实现原理以及技术效果与上述相关方法实施例相同，详细可以参考上述相关方法实施例的机制，在此不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图7所示，是根据本申请实施例的实现上述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的社区推荐方法或特征预测模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的社区推荐方法或特征预测模型的训练方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的社区推荐方法或特征预测模型的训练方法对应的程序指令/模块(例如，附图5和图6中所示的相关模块)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的社区推荐方法或特征预测模型的训练方法。

存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储实现社区推荐方法或特征预测模型的训练方法的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至实现社区推荐方法或特征预测模型的训练方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

实现社区推荐方法或特征预测模型的训练方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与实现社区推荐方法或特征预测模型的训练方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，通过采集用户的标识和用户的社区关注列表中的各社区的标识，作为用户数据；利用预先训练好的特征预测模型和用户数据，生成用户的特征表达；基于用户的特征表达和预先生成的社区列表的社区特征表达库，从社区列表中获取与用户的特征表达相似度最大的N个社区的标识；向用户推荐N个社区的标识。由于本申请的上述方案，向用户推荐的是与用户的特征表达相似度最大的N个社区表达对应的社区标识，可以准确地获取到用户感兴趣的N个社区的标识，可以弥补现有技术的不足，能够准确地向用户推荐N个社区，有效地提高社区推荐的准确性。

根据本申请实施例的技术方案，通过采用上述方案，能够对该特征预测模型进行有效训练，使得训练出的特征预测模型能够准确表达要预测的社区的特征表达，进而基于预测的结果，能够准确地获取要推荐的社区的信息。因此，采用本申请的技术方案训练得到的特征预测模型，在进行社区推荐时，能够准确地向用户推荐N个社区，有效地提高社区推荐的准确性。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种社区推荐方法，其特征在于，包括：

采集用户的标识和所述用户的社区关注列表中的各社区的标识，作为用户数据；所述社区包括网站中的版块或者应用中的分类标签；采集所述用户的社区关注列表中的各社区的标识的采集方式包括显式采集和隐式采集；所述显式采集指的是直接获取所述用户关注的社区的标识的采集方式；所述隐式采集指的是通过分析所述用户的行为信息，确定所述用户关注的社区的标识的采集方式；

利用预先训练好的特征预测模型和所述用户数据，生成所述用户的特征表达；

基于所述用户的特征表达和预先生成的社区列表的社区特征表达库，从所述社区列表中获取与所述用户的特征表达相似度最大的N个社区的标识；

向所述用户推荐所述N个社区的标识。

2.根据权利要求1所述的方法，其特征在于，基于所述用户的特征表达和预先生成的社区列表的社区特征表达库，从所述社区列表中获取与所述用户的特征表达相似度最大的N个社区的标识，包括：

从所述社区列表的社区特征表达库中获取与所述用户的特征表达相似度最大的N个社区的特征表达；

从所述社区列表中获取所述N个社区的特征表达对应的标识。

3.根据权利要求1或2所述的方法，其特征在于，基于所述用户的特征表达和预先生成的社区列表的社区特征表达库，从所述社区列表中获取与所述用户的特征表达相似度最大的N个社区的标识之前，所述方法包括：

采用预先训练好的特征表达模型，基于所述社区列表中各所述社区的标识，生成对应的社区特征表达；

基于所述社区列表中各所述社区的社区特征表达，构建所述社区特征表达库。

4.一种特征预测模型的训练方法，其特征在于，包括：

采集数条训练数据，各所述训练数据中包括训练用户的标识和所述训练用户的社区关注子列表中的各社区标识；

对于各所述训练数据，从所述社区关注子列表选择一个社区标识，作为标注数据；将所述训练用户的标识和所述社区关注子列表中其余的社区标识，作为输入数据；

采用各所述训练数据中的所述输入数据和所述标注数据，对特征预测模型进行训练；

采用各所述训练数据中的所述输入数据和所述标注数据，对特征预测模型进行训练，包括：

对于各所述训练数据，在所述特征预测模型的输入层，输入对应的所述输入数据；

在所述特征预测模型的嵌入层，采用预先训练好的特征表达模型将所述输入数据中的所述训练用户的标识和各所述社区标识分别进行特征表达处理，得到对应的特征表达；

在所述特征预测模型的操作层中，采用特征表达平均的方法，将所述输入数据中的所述训练用户的标识的特征表达和各所述社区标识对应特征表达进行操作，输出预测特征表达，作为预测的所述标注数据中的所述社区标识的特征表达。

5.根据权利要求4所述的方法，其特征在于，采集数条训练数据，包括：

挖掘各所述训练用户的标识和社区关注列表；

对于各所述训练用户的社区关注列表，按照移动滑动窗口的方式，依次从所述社区关注列表中截取预设数量的社区标识，构成社区关注子列表；并将对应的所述训练用户的标识和和所述社区关注子列表构成一条所述训练数据，共得到数条所述训练数据。

6.根据权利要求4或5所述的方法，其特征在于，采用各所述训练数据中的所述输入数据和所述标注数据，对特征预测模型进行训练，还包括：

基于所述特征表达模型，获取所述标注数据中的所述社区标识对应的标注特征表达；

基于所述预测特征表达和标注特征表达，构建损失函数；

判断所述损失函数是否收敛；

若未收敛，调整所述特征预测模型中的参数，使得所述损失函数趋于收敛。

7.一种社区推荐装置，其特征在于，包括：

采集模块，用于采集用户的标识和所述用户的社区关注列表中的各社区的标识，作为用户数据；所述社区包括网站中的版块或者应用中的分类标签；采集所述用户的社区关注列表中的各社区的标识的采集方式包括显式采集和隐式采集；所述显式采集指的是直接获取所述用户关注的社区的标识的采集方式；所述隐式采集指的是通过分析所述用户的行为信息，确定所述用户关注的社区的标识的采集方式；

生成模块，用于利用预先训练好的特征预测模型和所述用户数据，生成所述用户的特征表达；

获取模块，用于基于所述用户的特征表达和预先生成的社区列表的社区特征表达库，从所述社区列表中获取与所述用户的特征表达相似度最大的N个社区的标识；

推荐模块，用于向所述用户推荐所述N个社区的标识。

8.根据权利要求7所述的装置，其特征在于，所述获取模块，用于：

从所述社区列表的社区特征表达库中获取与所述用户的特征表达相似度最大的N个社区的特征表达；

从所述社区列表中获取所述N个社区的特征表达对应的标识。

9.根据权利要求7或8所述的装置，其特征在于，所述装置还包括构建模块；

所述生成模块，还用于采用预先训练好的特征表达模型，基于所述社区列表中各所述社区的标识，生成对应的社区特征表达；

所述构建模块，用于基于所述社区列表中各所述社区的社区特征表达，构建所述社区特征表达库。

10.一种特征预测模型的训练装置，其特征在于，包括：

采集模块，用于采集数条训练数据，各所述训练数据中包括训练用户的标识和所述训练用户的社区关注子列表中的各社区标识；

数据整理模块，用于对于各所述训练数据，从所述社区关注子列表选择一个社区标识，作为标注数据；将所述训练用户的标识和所述社区关注子列表中其余的社区标识，作为输入数据；

训练模块，用于采用各所述训练数据中的所述输入数据和所述标注数据，对特征预测模型进行训练；

所述训练模块，用于：

对于各所述训练数据，在所述特征预测模型的输入层，输入对应的所述输入数据；

在所述特征预测模型的嵌入层，采用预先训练好的特征表达模型将所述输入数据中的所述训练用户的标识和各所述社区标识分别进行特征表达处理，得到对应的特征表达；

在所述特征预测模型的操作层中，采用特征表达平均的方法，将所述输入数据中的所述训练用户的标识的特征表达和各所述社区标识对应特征表达进行操作，输出预测特征表达，作为预测的所述标注数据中的所述社区标识的特征表达。

11.根据权利要求10所述的装置，其特征在于，所述采集模块，用于：

挖掘各所述训练用户的标识和社区关注列表；

对于各所述训练用户的社区关注列表，按照移动滑动窗口的方式，依次从所述社区关注列表中截取预设数量的社区标识，构成社区关注子列表；并将对应的所述训练用户的标识和和所述社区关注子列表构成一条所述训练数据，共得到数条所述训练数据。

12.根据权利要求10或11所述的装置，其特征在于，所述训练模块，还用于：

基于所述特征表达模型，获取所述标注数据中的所述社区标识对应的标注特征表达；

基于所述预测特征表达和标注特征表达，构建损失函数；

判断所述损失函数是否收敛；

若未收敛，调整所述特征预测模型中的参数，使得所述损失函数趋于收敛。

13.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3、或者4-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-3、或者4-6中任一项所述的方法。