CN111461757A - 信息处理方法及装置、计算机存储介质、电子设备 - Google Patents

Abstract

本公开的实施例提供了一种信息处理方法，该方法包括：获取初始产品信息，通过资源转移模拟模型根据所述初始产品信息生成多个与所述初始产品信息对应的用户行为信息；根据预设算法对所述初始产品信息和各所述用户行为信息进行计算，以得到与所述初始产品信息对应的多个目标值，并根据预设规则从所述多个目标值中确定最优目标值；根据所述最优目标值对所述初始产品信息进行更新，以获取更新产品信息；采用所述更新产品信息替代所述初始产品信息，并将上述步骤重复预设次数，直至获取目标产品信息。本公开实施例的技术方案能够通过资源转移模拟模型获得产品信息所对应的用户行为信息，并通过算法得到该最优产品信息，提高了信息处理的效率和准确度。

Description

信息处理方法及装置、计算机存储介质、电子设备

技术领域

本公开涉及互联网技术领域，具体而言，涉及一种信息处理方法、装置、计算机存储介质及电子设备。

背景技术

随着互联网技术的飞速发展和广泛应用，电子商务应运而生。电子商务的出现一方面拓宽了用户选购商品的范围，另一方面根据用户在电商平台上的反馈，加快了商品的更新换代。例如，生产商根据用户在电商平台上反馈的消费习惯和生活水平，预测和评估特定产品的销量和利润率等指标，并利用这些指标指导新产品的设计。

在现有技术中，通过用户在电商平台上的点击和浏览等行为，分析用户关注点，找到用户最关注的商品特性，并通过数据分析报告等形式反馈至生产商，帮助生产商进行生产设计。但现有技术依赖于对用户的跟踪调查和访问，数据采集难度高、开销大，同时数据的准确性大大依赖于调查的设计方式，评估和预测的精确度也依赖于专家的建议，无法直接给出生产方案。

鉴于此，本领域亟需开发一种新的信息处理方法及装置。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的实施例提供了一种消息处理方法、装置、计算机可读介质及电子设备，进而至少在一定程度上可以减小数据采集难度。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开实施例的一个方面，提供了一种信息处理方法，所述方法包括：获取初始产品信息，通过资源转移模拟模型根据所述初始产品信息生成多个与所述初始产品信息对应的用户行为信息；根据预设算法对所述初始产品信息和各所述用户行为信息进行计算，以得到与所述初始产品信息对应的多个目标值，并根据预设规则从所述多个目标值中确定最优目标值；根据所述最优目标值对所述初始产品信息进行更新，以获取更新产品信息；采用所述更新产品信息替代所述初始产品信息，并将上述步骤重复预设次数，直至获取目标产品信息。

在本公开的一些实施例中，所述资源转移模拟模型包括虚拟用户生成单元，其特征在于，所述方法还包括：通过所述虚拟用户生成单元生成多个虚拟用户，各所述虚拟用户具有不完全相同或完全不同的用户信息。

在本公开的一些实施例中，所述资源转移模拟模型包括用户行为单元；通过资源转移模拟模型根据所述初始产品信息生成多个与所述初始产品信息对应的用户行为信息，包括：通过所述用户行为单元根据所述初始产品信息和各所述虚拟用户的用户信息生成与所述初始产品信息对应的用户行为信息。

在本公开的一些实施例中，所述资源转移模拟模型还包括产品推荐单元；根据所述最优目标值对所述初始产品信息进行更新，以获取更新产品信息，包括：获取所述最优目标值对应的第一用户行为信息和第一用户信息；通过所述产品推荐单元根据所述第一用户行为信息和所述第一用户信息获取所述更新产品信息。

在本公开的一些实施例中，所述方法还包括：获取用户信息样本、与所述用户信息样本对应的产品信息样本和与产品信息样本对应的用户行为信息样本，根据所述用户信息样本、所述产品信息样本和所述用户行为信息样本对待训练资源转移模拟模型进行训练，以获取所述资源转移模拟模型。

在本公开的一些实施例中，所述待训练资源转移模拟模型包括待训练虚拟用户生成单元、待训练产品推荐单元和待训练用户行为单元；根据所述用户信息样本、所述产品信息样本和所述用户行为信息样本对待训练资源转移模拟模型进行训练，包括：根据所述用户信息样本，对所述待训练虚拟用户生成单元进行训练；根据所述用户信息样本和所述用户行为信息样本，对所述待训练产品推荐单元进行训练；根据所述用户信息样本和所述产品信息样本，对所述待训练用户行为单元进行训练。

在本公开的一些实施例中，获取用户信息样本，包括；获取静态用户信息样本和动态用户信息样本，其中，所述静态用户信息样本包括用户的个人信息，所述动态用户信息样本包括与所述用户的行为模式相关的信息；根据预设行为模式对所述动态用户信息样本进行聚类；对聚类后的所述动态用户信息样本添加标签。

在本公开的一些实施例中，对所述待训练产品推荐单元进行训练，包括：根据所述用户信息样本和所述用户行为信息样本，生成与所述用户信息样本对应的待验证产品信息；根据所述待验证产品信息与所述产品信息样本确定第一损失函数；根据所述第一损失函数，调整所述待训练产品推荐单元的参数，直至所述第一损失函数达到最小。

在本公开的一些实施例中，对所述待训练用户行为单元进行训练，包括：根据所述用户信息样本和所述产品信息样本，生成与所述产品信息对应的待验证用户行为信息；根据所述待验证用户行为信息与所述用户行为信息样本确定第二损失函数；根据所述第二损失函数，调整所述待训练用户行为单元的参数，直至所述第二损失函数达到最小。

在本公开的一些实施例中，所述待训练产品推荐单元为生成对抗网络；对所述待训练产品推荐单元进行训练，包括：将所述用户信息样本和所述用户行为信息样本输入至所述生成对抗网络中的生成器，以获取与所述用户信息样本对应的待验证产品信息；将所述待验证产品信息和与所述产品信息样本输入至所述生成对抗网络中的判别器，以获取所述待验证产品信息和所述产品信息样本之间的相似度；根据所述相似度调整所述待训练产品推荐单元的参数。

在本公开的一些实施例中，所述待训练用户行为单元为生成对抗网络；对所述待训练用户行为单元进行训练，包括：将所述用户信息样本和所述产品信息样本输入至所述生成对抗网络中的生成器，以获取与所述产品信息样本对应的待验证用户行为信息；将所述待验证用户行为信息与所述用户行为信息样本输入至所述生成对抗网络中的判别器，以获取所述待验证用户行为信息和所述用户行为信息样本之间的相似度；根据所述相似度调整所述待训练用户行为单元的参数。

在本公开的一些实施例中，所述方法还包括：对所述待训练产品推荐单元和所述待训练用户行为单元进行迭代训练。

根据本公开实施例的一个方面，提供了一种信息处理装置，所述装置包括：获取模块，用于获取所述初始产品信息，通过所述资源转移模拟模型根据所述初始产品信息生成多个与所述初始产品信息对应的用户行为信息；优化模块，用于根据预设算法对所述初始产品信息和各所述用户行为信息进行计算，以得到与所述初始产品信息对应的多个目标值，并根据预设规则从所述多个目标值中确定最优目标值；更新模块，用于根据所述最优目标值对所述初始产品信息进行更新，以获取更新产品信息；循环模块，用于采用所述更新产品信息替代所述初始产品信息，并将上述步骤重复预设次数，直至获取目标产品信息。

根据本公开实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的信息处理方法。

根据本公开实施例的一个方面，提供了一种电子设备，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，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的信息处理方法。

在本公开的一些实施例所提供的技术方案中，首先通过资源转移模拟模型生成与初始产品信息对应的用户行为信息，然后计算与该产品信息对应的最优目标值，并根据该最优目标值对该初始产品信息进行更新，最后将更新后的产品信息作为初始产品信息重复上述步骤，直至获取目标产品信息。本公开的信息处理方法一方面通过构建资源转移模拟模型，能够在该资源转移模拟模型中获取产品信息所对应的用户行为信息，在短时间内收集大量的用户反馈数据，节省了时间，提高了反向定制的效率；另一方面，通过对大量的产品信息和用户行为信息进行多次算法计算，得到了最优的产品信息，更加准确的提取了产品属性特征，提高了反向定制的准确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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他的附图。

在附图中：

图1示出了可以应用本公开实施例的技术方案的示例性系统架构的示意图；

图2示意性示出了根据本公开的一个实施例的信息处理方法的流程示意图；

图3示意性示出了根据本公开的一个实施例的资源转移模拟模型的结构示意图；

图4示意性示出了根据本公开的一个实施例的根据初始产品信息生成用户行为信息的流程示意图；

图5示意性示出了根据本公开的一个实施例的待训练资源转移模拟模型的结构示意图；

图6示意性示出了根据本公开的一个实施例的对待训练资源转移模拟模型进行训练的流程示意图；

图7示意性示出了根据本公开的一个实施例的对用户信息样本进行处理的流程示意图；

图8示意性示出了根据本公开的一个实施例的使用监督学习算法训练待训练产品推荐单元的流程示意图；

图9示意性示出了根据本公开的一个实施例的使用强化学习算法训练待训练产品推荐单元的流程示意图；

图10示意性示出了根据本公开的一个实施例的使用监督学习算法训练待训练用户行为单元的流程示意图；

图11示意性示出了根据本公开的一个实施例的使用强化学习算法训练待训练用户行为单元的流程示意图；

图12示意性示出了根据本公开的一个实施例的进行迭代训练的流程示意图；

图13示意性示出了根据本公开的一个实施例的信息处理装置的结构示意图；

图14示意性示出了根据本公开的一实施例的电子设备的模块示意图；

图15示意性示出了根据本公开的一实施例的程序产品示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

为了便于理解本公开提供的方案，下面首先针对本公开涉及到的名词进行解释。

机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习通常包括人工神经网络、置信网络、监督学习、半监督学习、强化学习、迁移学习、归纳学习、式教学习等技术。

监督学习是从标记的训练数据来推断一个功能的机器学习任务，训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。

强化学习是智能体(Agent)以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏，强化学习不同于连接主义学习中的监督学习，主要表现在强化信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learningsystem)如何去产生正确的动作。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习，通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。

损失函数(loss function)是用来评估模型的预测值和真实值的差异程度，损失函数是一个非负实数值函数，该损失函数越小，模型的鲁棒性就越好。

在本领域的相关技术中，为了提高评估和预测的精确度，在传统的反向定制方法中引入机器学习的方法，利用监督学习的方法学习产品的各项属性与销量、利润间的关系模型，以此指导产品生产。该反向定制方法通过建立由产品属性到利润指标间的模型，较好的降低了对专家经验的依赖。但是这种方法仍然存在两个问题，其一是仍然未能较好的解决数据收集的问题，对线下调查的依赖程度高；其二是监督学习得到的模型缺乏对未见或者少见产品属性的应对能力，在某些品类产品数据较少时效果较差。

基于相关技术中存在的问题，在本公开的一个实施例中提出了一种信息处理方法，图1示出了可以应用本公开实施例的技术方案的示例性系统架构的示意图。

如图1所示，系统架构100可以包括终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种，当然也可以是台式计算机等等)、网络104和服务器105。网络104用以在终端设备和服务器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，例如有线通信链路、无线通信链路等等。

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。比如服务器105可以是多个服务器组成的服务器集群等。

图2示意性示出了本公开实施例中一种信息处理方法流程示意图，本公开实施例提供的方法可以由任意具备计算处理能力的电子设备执行，例如图1中的终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种，当然也可以是台式计算机等等)和/或服务器105。如图2所示，该信息处理方法至少包括以下步骤：

在步骤S210中，获取初始产品信息，通过资源转移模拟模型根据该初始产品信息生成多个与该初始产品信息对应的用户行为信息；

在步骤S220中，根据预设算法对该初始产品信息和各用户行为信息进行计算，以得到与该初始产品信息对应的多个目标值，并根据预设规则从多个目标值中确定最优目标值；

在步骤S230中，根据该最优目标值对该初始产品信息进行更新，以获取更新产品信息；

在步骤S240中，采用该更新产品信息替代初始产品信息，并将上述步骤重复预设次数，直至获取目标产品信息。

本公开的实施例中的信息处理方法一方面通过构建资源转移模拟模型，能够在该资源转移模拟模型中获取产品信息所对应的用户行为信息，在短时间内收集大量的用户反馈数据，节省了时间，提高了反向定制的效率；另一方面，通过对大量的产品信息和用户行为信息进行多次算法计算，得到了最优的产品信息，更加准确的提取了产品属性特征，提高了反向定制的准确度。

为了使本公开的技术方案更加清晰，接下来对消息处理方法的各步骤进行说明。

参照图2所示，信息处理方法至少包括步骤S210至步骤S240，详细介绍如下：

在步骤S210中，获取初始产品信息，通过资源转移模拟模型根据初始产品信息生成多个与该初始产品信息对应的用户行为信息。

在本公开的一个实施例中，产品信息包括产品的属性信息，具体包括产品的大小、颜色、价格、结构、功能等信息中的一个或多个。资源转移模拟模型包括通过交易手段完成资源所有权转移的平台模型，该资源转移模拟模型具体可以是电商平台模型。用户行为信息包括用户在该资源转移模拟模型中针对产品或模型产生的行为，该用户行为信息可以是对该产品进行点击、浏览、收藏、购买的行为信息，也可以是打开、关闭等行为信息，本公开对此不做具体限定。

在本公开的一个实施例中，图3示意性示出了资源转移模拟模型300的结构示意图，如图3所示，该资源转移模拟模型300包括虚拟用户生成单元301、产品推荐单元302和用户行为单元303。

在本公开的一个实施例中，图4示意性示出了根据初始产品信息生成用户行为信息的流程示意图，如图4所示，该流程至少包括步骤S410至步骤S430，详细说明如下：

在步骤S410中，获取初始产品信息。

在本公开的一个实施例中，获取初始产品信息的方法可以是，通过资源转移模拟模型300直接生成一组产品信息，将资源转移模拟模型300生成的产品信息作为初始产品信息；也可以通过产品推荐单元302初始化生成随机产品信息，将该初始化生成的随机产品信息作为初始产品信息。当然，也可以通过生成商提供的产品信息作为初始产品信息，本公开对此不做具体限定。

在步骤S420中，通过虚拟用户生成单元301生成多个虚拟用户，各虚拟用户具有不完全相同或完全不同的用户信息。

在步骤S430中，通过用户行为单元303根据初始产品信息和各虚拟用户的用户信息生成与该初始产品信息对应的用户行为信息。

在本公开的一个实施例中，将该初始产品信息与各虚拟用户的用户信息输入至用户行为单元303，通过该用户行为单元303生成与用户信息和初始产品信息所对应的用户行为信息。

在步骤S220中，根据预设算法对初始产品信息和各用户行为信息进行计算，以得到与该初始产品信息对应的多个目标值，并根据预设规则从多个目标值中确定最优目标值。

在本公开的一个实施例中，得到多个虚拟用户对应的用户信息和各虚拟用户针对初始产品信息的用户行为信息之后，可以根据预设算法对初始产品信息和与其对应的多个用户行为信息进行计算，以获取与该初始产品信息对应的多个目标值，具体地，该目标值可以是产品利润、产品销量或者运输成本等与生产商对产品的需求相关的目标值，本公开对此不做具体限定。

在本公开的一个实施例中，根据预设规则可以从多个目标值中确定最优目标值，最优目标值具体可以是在多个产品利润中寻找最大产品利润，也可以是在多个产品销量中寻找最大产品销量，还可以是在多个运输成本中寻找最小运输成本，该预设规则的设定根据目标值的不同而不同，本公开对此不做具体限定。

在步骤S230中，根据最优目标值对初始产品信息进行更新，以获取更新产品信息。

在本公开的一个实施例中，确定最优目标值后，可以获取该最优目标值对应的第一用户信息和第一用户行为信息，根据该第一用户信息和第一用户行为信息，可以通过产品推荐单元302生成替换初始产品信息的更新产品信息。

在步骤S240中，采用该更新产品信息替代初始产品信息，并将上述步骤重复预设次数，直至获取目标产品信息。

在本公开的一个实施例中，将该更新产品信息作为新的初始产品信息，重复步骤S210至步骤S240，直至获取目标产品信息，其中，该目标产品信息即为最后获取的最优目标值所对应的产品信息。

在本公开的一个实施例中，在通过资源转移模拟模型300进行数据处理之前，还需要对待训练资源转移模拟模型进行训练，以获取该资源转移模拟模型300。图5示意性示出了待训练资源转移模拟模型500的结构示意图，如图5所示，该待训练资源转移模拟模型500包括待训练虚拟用户生成单元501、待训练产品推荐单元502和待训练用户行为单元503。

图6示出了对待训练资源转移模型500进行训练的流程示意图，如图6所示，该流程至少包括步骤S610至步骤S630，详细说明如下：

在步骤S610中，获取用户信息样本、与该用户信息样本对应的产品信息样本和与产品信息样本对应的用户行为信息样本。

在本公开的一个实施例中，可以从任意的购物平台获取真实用户信息、真实用户信息所对应的产品信息和与真实产品信息所对应的用户行为信息，并将真实用户信息、真实产品信息和真实用户行为信息作为用于训练待训练资源转移模拟模型500的用户信息样本、产品信息样本和用户行为信息样本。其中，用户信息样本可以包括用户的个人信息、用户近期的消费水平和用户近期浏览的货品等与用户相关的一个或多个信息；产品信息样本包括可以该产品的大小、颜色、价格、结构、功能等和产品相关的一个或多个信息；用户行为信息样本可以包括用户在该资源转移模拟模型中针对产品或模型产生的行为，该用户行为信息具体可以是对该产品进行点击、浏览、收藏、购买，也可以是对产品信息页进行打开、关闭等行为，本公开并不以此为限。

在步骤S620中，根据用户信息样本，对待训练虚拟用户生成单元501进行训练。

在本公开的一个实施例中，在根据用户信息样本对待训练虚拟用户生成单元501进行训练之前，需要对该用户信息样本进行处理。如图7所示，对用户信息样本进行处理过程包括步骤S710至步骤S730，详细说明如下：

在步骤S710中，获取静态用户信息样本和动态用户信息样本。

在本公开的一个实施例中，静态用户信息样本包括用户的个人信息，该静态用户信息样本具体可以包括性别、年龄、住址、爱好、职业等等，动态用户信息样本包括与用户的行为模式相关的信息，该动态用户信息样本具体可以包括近期的消费水平、近期浏览的货品、近期搜索的货品等等。

在步骤S720中，根据预设行为模式对动态用户信息样本进行聚类。

在本公开的一个实施例中，根据预设行为模式对动态用户信息样本进行聚类，比如，根据用户浏览货品的频率将近期浏览的货品划分为多个时间段，若该用户浏览货品的频率较高，则将近期浏览的货品划分为多个小时间段，将每个小时间段浏览的货品作为一个小动态用户信息样本。对该动态用户信息样本进行划分具体可以使用聚类算法进行划分，也可以使用人工标注的方法进行划分，本公开对动态用户信息进行划分的方法不做具体限定。

在步骤S730中，对聚类后的该动态用户信息样本添加标签。

在本公开的一个实施例中，对各划分后的动态用户信息样本打上静态标记，并将该静态用户信息样本和带有静态标记的动态用户信息样本输入待训练虚拟用户生成单元501，按照静态数据的训练方式对待训练虚拟用户生成单元501进行训练。

在步骤S630中，根据用户信息样本和/或用户行为信息样本，对待训练产品推荐单元502进行训练；

在本公开的一个实施例中，根据用户信息样本和用户行为信息样本，对待训练产品推荐单元502进行训练的方法包括以下两种：

第一种，根据监督学习算法对待训练产品推荐单元502进行训练。如图8所示，对待训练产品推荐单元502进行训练的过程包括如下步骤S810至步骤S830，详细说明如下：

在步骤S810中，根据用户信息样本和/或用户行为信息样本，生成与用户信息样本对应的待验证产品信息。

在本公开的一个实施例中，将用户信息样本和/或用户行为信息样本输入至待训练产品推荐单元502，通过待训练产品推荐单元502生成与用户信息样本和/或用户行为信息样本对应的待验证产品信息。

在步骤S820中，根据待验证产品信息与产品信息样本确定第一损失函数。

在本公开的一个实施例中，第一损失函数可以是平方损失函数、指数损失函数，也可以是绝对值损失函数，本公开对此不做具体限定。根据待验证产品信息和产品信息样本确定第一损失函数，根据第一损失函数可以判断待训练产品推荐单元502训练的结果。

在步骤S830中，根据该第一损失函数，调整待训练产品推荐单元502的参数，直至该第一损失函数达到最小。

在本公开的一个实施例中，通过判断第一损失函数的大小，相应地调整待训练产品推荐单元502的参数，比如，若第一损失函数较大，则将该待训练产品推荐单元502的参数相应调大或调小，调整参数后，再重复上述步骤S810至步骤S820，以获取新的第一损失函数，若新的第一损失函数减小，则继续按照上述方法进行调参并判断，直至获得的第一损失函数达到最小，则判定待训练产品推荐单元502完成训练。

第二种，根据强化学习算法对待训练产品推荐单元502进行训练。如图9所示，对待训练产品推荐单元502进行训练的过程包括如下步骤S910至步骤S930，详细说明如下：

需要说明的是，待训练产品推荐单元502为生成对抗网络，该生成对抗网络包括生成器和判别器。

在步骤S910中，将用户信息样本和/或用户行为信息样本输入至生成对抗网络中的生成器，以获取与该用户信息样本对应的待验证产品信息。

在本公开的一个实施例中，生成器根据用户信息样本和/或用户行为信息样本，生成待验证产品信息，其中，该待验证产品信息与产品信息样本可能相同，也可能不同。

在步骤S920中，将待验证产品信息和与产品信息样本输入至生成对抗网络中的判别器，以获取待验证产品信息和产品信息样本之间的相似度。

在本公开的一个实施例中，将前述待验证产品信息和产品信息样本输入判别器，通过判别器来确定待验证产品信息和产品信息样本之间的相似度。

在步骤S930中，根据相似度调整待训练产品推荐单元502的参数。

在本公开的一个实施例中，根据相似度的大小调整待训练产品推荐单元502的参数，具体地，若该相似度为0，则证明生成器生成的待验证产品信息不符合要求，则调节该生成器的参数，调参之后重新生成新的待验证产品信息，再通过判别器判断新的待验证产品信息与产品信息样本之间的相似度，重复调参判断的过程，直到该相似度达到预设阈值，其中，该预设阈值可以根据实际情况设定，本公开对此不做具体限定。当相似度达到该预设阈值时，则判定待训练产品推荐单元502完成训练。

在步骤S640中，根据用户信息样本和产品信息样本，对待训练用户行为单元503进行训练。

在本公开的一个实施例中，根据用户信息样本和产品信息样本，对待训练用户行为单元503进行训练的方法包括以下两种：

第一种，根据监督学习算法对待训练用户行为单元503进行训练。图10示意性示出了对待训练用户行为单元503进行训练的流程示意图，如图10所示，在步骤S1010中，根据用户信息样本和产品信息样本，生成与产品信息样本对应的待验证用户行为信息；在步骤S1020中，根据待验证用户行为信息与用户行为信息样本确定第二损失函数；在步骤S1030中，根据第二损失函数，调整待训练用户行为单元503的参数，直至第二损失函数达到最小。使用监督学习算法训练模型的方法已在上述实施例中详细说明，在此不做赘述。

第二种，根据强化学习算法对待训练用户行为单元503进行训练，该待训练用户行为单元503为生成对抗网络。图11示意性示出了对待训练用户行为单元503进行训练的流程示意图，如图11所示，在步骤S1110中，将用户信息样本和产品信息样本输入至该生成对抗网络中的生成器，以获取与产品信息样本对应的待验证用户行为信息；在步骤S1120中，将待验证用户行为信息与用户行为信息样本输入至生成对抗网络中的判别器，以获取待验证用户行为信息和用户行为信息样本之间的相似度；在步骤S1130中，根据相似度调整待训练用户行为单元503的参数。使用强化学习算法训练模型的方法已在上述实施例中详细说明，在此不做赘述。

在本公开的一个实施例中，可以对待训练产品推荐单元502和待训练用户行为单元503进行迭代训练，图12示意性示出了对待训练产品推荐单元502和待训练用户行为单元503进行迭代训练的流程示意图，如图12所示，在步骤S1210中，初始化生成随机参数；在步骤S1220中，使用虚拟用户生成单元501生成虚拟用户，并获取虚拟用户对应的用户信息；在步骤S1230中，将该用户信息输入待训练产品推荐单元502，通过待训练产品推荐单元502生成与该用户信息对应的产品信息；在步骤S1240中，将用户信息和产品信息输入至待训练用户行为单元503，通过该待训练用户行为单元503生成与产品信息对应的用户行为信息；在步骤S1250中，重复步骤S1230至步骤S1240，直至达到预设用户行为信息，其中，该预设用户行为信息可以根据是实际情况进行设定，比如，该预设用户行为信息可以是用户离开产品信息页，也可以是对该产品进行下单购买，本公开对此不做具体限定；在步骤S1260中，根据前述得到的用户行为信息，更新待训练产品推荐单元502和待训练用户行为单元503的参数；在步骤S1270中，将上述步骤S1220至步骤S1260重复预设次数，其中，该预设次数可以根据实际情况进行设定，本公开对此不做具体限定。

以下介绍本公开的装置实施例，可以用于执行本公开上述实施例中的信息处理方法。对于本公开装置实施例中未披露的细节，请参照本公开上述的信息处理方法的实施例。

图13示意性示出了根据本公开的一个实施例的信息处理装置的框图。

参照图13所示，根据本公开的一个实施例的信息处理装置1300，包括：获取模块1302、优化模块1304、更新模块1306和循环模块1308。具体地：

获取模块1302：用于获取初始产品信息，通过资源转移模拟模型30根据该初始产品信息生成多个与该初始产品信息对应的用户行为信息；

优化模块1304：用于根据预设算法对该初始产品信息和各用户行为信息进行计算，以得到与该初始产品信息对应的多个目标值，并根据预设规则从多个目标值中确定最优目标值；

更新模块1306：用于根据该最优目标值对该初始产品信息进行更新，以获取更新产品信息；

循环模块1308：用于采用更新产品信息替代该初始产品信息，并将上述步骤重复预设次数，直至获取目标产品信息。

上述各信息处理装置的具体细节已经在对应的信息处理方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图14来描述根据本公开的这种实施方式的电子设备1400。图14显示的电子设备1400仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图14所示，电子设备1400以通用计算设备的形式表现。电子设备1400的组件可以包括但不限于：上述至少一个处理单元1410、上述至少一个存储单元1420、连接不同系统组件(包括存储单元1420和处理单元1410)的总线1430、显示单元1440。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1410执行，使得所述处理单元1410执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元1410可以执行如图2中所示的步骤S210，获取初始产品信息，通过资源转移模拟模型根据所述初始产品信息生成多个与所述初始产品信息对应的用户行为信息；步骤S220，根据预设算法对所述初始产品信息和各所述用户行为信息进行计算，以得到与所述初始产品信息对应的多个目标值，并根据预设规则从所述多个目标值中确定最优目标值；步骤S230，根据所述最优目标值对所述初始产品信息进行更新，以获取更新产品信息；步骤S240，采用所述更新产品信息替代所述初始产品信息，并将上述步骤重复预设次数，直至获取目标产品信息。

存储单元1420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)14201和/或高速缓存存储单元14202，还可以进一步包括只读存储单元(ROM)14203。

存储单元1420还可以包括具有一组(至少一个)程序模块14205的程序/实用工具14204，这样的程序模块14205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1400也可以与一个或多个外部设备1600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得观众能与该电子设备1400交互的设备通信，和/或与使得该电子设备1400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1450进行。并且，电子设备1400还可以通过网络适配器1460与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1460通过总线1430与电子设备1400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图15所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品1500，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (15)

1.一种信息处理方法，其特征在于，包括：

获取初始产品信息，通过资源转移模拟模型根据所述初始产品信息生成多个与所述初始产品信息对应的用户行为信息；

根据预设算法对所述初始产品信息和各所述用户行为信息进行计算，以得到与所述初始产品信息对应的多个目标值，并根据预设规则从所述多个目标值中确定最优目标值；

根据所述最优目标值对所述初始产品信息进行更新，以获取更新产品信息；

采用所述更新产品信息替代所述初始产品信息，并将上述步骤重复预设次数，直至获取目标产品信息。

2.根据权利要求1所述的信息处理方法，所述资源转移模拟模型包括虚拟用户生成单元，其特征在于，所述方法还包括：

通过所述虚拟用户生成单元生成多个虚拟用户，各所述虚拟用户具有不完全相同或完全不同的用户信息。

3.根据权利要求2所述的信息处理方法，其特征在于，所述资源转移模拟模型包括用户行为单元；

通过资源转移模拟模型根据所述初始产品信息生成多个与所述初始产品信息对应的用户行为信息，包括：

通过所述用户行为单元根据所述初始产品信息和各所述虚拟用户的用户信息生成与所述初始产品信息对应的用户行为信息。

4.根据权利要求3所述的信息处理方法，其特征在于，所述资源转移模拟模型还包括产品推荐单元；

根据所述最优目标值对所述初始产品信息进行更新，以获取更新产品信息，包括：

获取所述最优目标值对应的第一用户行为信息和第一用户信息；

通过所述产品推荐单元根据所述第一用户行为信息和所述第一用户信息获取所述更新产品信息。

5.根据权利要求1所述的信息处理方法，其特征在于，所述方法还包括：

获取用户信息样本、与所述用户信息样本对应的产品信息样本和与产品信息样本对应的用户行为信息样本，根据所述用户信息样本、所述产品信息样本和所述用户行为信息样本对待训练资源转移模拟模型进行训练，以获取所述资源转移模拟模型。

6.根据权利要求5所述的信息处理方法，其特征在于，所述待训练资源转移模拟模型包括待训练虚拟用户生成单元、待训练产品推荐单元和待训练用户行为单元；

根据所述用户信息样本、所述产品信息样本和所述用户行为信息样本对待训练资源转移模拟模型进行训练，包括：

根据所述用户信息样本，对所述待训练虚拟用户生成单元进行训练；

根据所述用户信息样本和所述用户行为信息样本，对所述待训练产品推荐单元进行训练；

根据所述用户信息样本和所述产品信息样本，对所述待训练用户行为单元进行训练。

7.根据权利要求5所述的信息处理方法，其特征在于，获取用户信息样本，包括；

获取静态用户信息样本和动态用户信息样本，其中，所述静态用户信息样本包括用户的个人信息，所述动态用户信息样本包括与所述用户的行为模式相关的信息；

根据预设行为模式对所述动态用户信息样本进行聚类；

对聚类后的所述动态用户信息样本添加标签。

8.根据权利要求6所述的信息处理方法，其特征在于，对所述待训练产品推荐单元进行训练，包括：

根据所述用户信息样本和所述用户行为信息样本，生成与所述用户信息样本对应的待验证产品信息；

根据所述待验证产品信息与所述产品信息样本确定第一损失函数；

根据所述第一损失函数，调整所述待训练产品推荐单元的参数，直至所述第一损失函数达到最小。

9.根据权利要求6所述的信息处理方法，其特征在于，对所述待训练用户行为单元进行训练，包括：

根据所述用户信息样本和所述产品信息样本，生成与所述产品信息对应的待验证用户行为信息；

根据所述待验证用户行为信息与所述用户行为信息样本确定第二损失函数；

根据所述第二损失函数，调整所述待训练用户行为单元的参数，直至所述第二损失函数达到最小。

10.根据权利要求6所述的信息处理方法，其特征在于，所述待训练产品推荐单元为生成对抗网络；

对所述待训练产品推荐单元进行训练，包括：

将所述用户信息样本和所述用户行为信息样本输入至所述生成对抗网络中的生成器，以获取与所述用户信息样本对应的待验证产品信息；

将所述待验证产品信息和与所述产品信息样本输入至所述生成对抗网络中的判别器，以获取所述待验证产品信息和所述产品信息样本之间的相似度；

根据所述相似度调整所述待训练产品推荐单元的参数。

11.根据权利要求6所述的信息处理方法，其特征在于，所述待训练用户行为单元为生成对抗网络；

对所述待训练用户行为单元进行训练，包括：

将所述用户信息样本和所述产品信息样本输入至所述生成对抗网络中的生成器，以获取与所述产品信息样本对应的待验证用户行为信息；

将所述待验证用户行为信息与所述用户行为信息样本输入至所述生成对抗网络中的判别器，以获取所述待验证用户行为信息和所述用户行为信息样本之间的相似度；

根据所述相似度调整所述待训练用户行为单元的参数。

12.根据权利要求6所述的信息处理方法，其特征在于，所述方法还包括：

对所述待训练产品推荐单元和所述待训练用户行为单元进行迭代训练。

13.一种信息处理装置，其特征在于，所述装置包括：

获取模块，用于获取所述初始产品信息，通过所述资源转移模拟模型根据所述初始产品信息生成多个与所述初始产品信息对应的用户行为信息；

优化模块，用于根据预设算法对所述初始产品信息和各所述用户行为信息进行计算，以得到与所述初始产品信息对应的多个目标值，并根据预设规则从所述多个目标值中确定最优目标值；

更新模块，用于根据所述最优目标值对所述初始产品信息进行更新，以获取更新产品信息；

循环模块，用于采用所述更新产品信息替代所述初始产品信息，并将上述步骤重复预设次数，直至获取目标产品信息。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至12中任一项所述的信息处理方法。

15.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至12中任一项所述的信息处理方法。

Images