CN111538902B - 一种资讯推送方法、装置、存储介质及电子设备 - Google Patents
一种资讯推送方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111538902B CN111538902B CN202010294160.7A CN202010294160A CN111538902B CN 111538902 B CN111538902 B CN 111538902B CN 202010294160 A CN202010294160 A CN 202010294160A CN 111538902 B CN111538902 B CN 111538902B
- Authority
- CN
- China
- Prior art keywords
- information
- target
- model
- sub
- pushing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000006870 function Effects 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 9
- 239000002609 medium Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000004880 explosion Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明实施例公开了一种资讯推送方法、装置、存储介质及电子设备。所述方法包括:当接收到用户输入的资讯推送请求时,获取目标资讯数据库;将所述目标资讯数据库输入至资讯推送模型中,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯;其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型;将所述目标资讯推送给所述用户。通过采用上述技术方案,能够准确地向用户进行资讯推送,提高用户对推送资讯的点击率。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种资讯推送方法、装置、存储介质及电子设备。
背景技术
目前人们正处于一个信息爆炸的时代,大数据时代使得数据广泛应用的同时带来了很多冗余信息,因此,信息推送是缓解信息过载的最有效途径之一,尤其是对于大爆炸的资讯数据。
相关技术中,一般是根据用户近期关注的资讯内容,向用户推送相关联的资讯,无法很好的满足用户需求,因此,如何准确地向用户推送资讯,以提高用户对推送资讯的点击率变得至关重要。
发明内容
本发明实施例提供一种资讯推送方法、装置、存储介质及电子设备,以准确地向用户推送资讯,提高用户对推送资讯的点击率。
第一方面,本发明实施例提供了一种资讯推送方法,该方法包括:
当接收到用户输入的资讯推送请求时,获取目标资讯数据库;
将所述目标资讯数据库输入至资讯推送模型中,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯;其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型;
将所述目标资讯推送给所述用户。
第二方面,本发明实施例还提供了一种资讯推送装置,该装置包括:
目标资讯数据库获取模块,用于当接收到用户输入的资讯推送请求时,获取目标资讯数据库;
目标资讯确定模块,用于将所述目标资讯数据库输入至资讯推送模型中,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯;其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型;
目标资讯推送模块,用于将所述目标资讯推送给所述用户。
第三方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例提供的资讯推送方法。
第四方面,本发明实施例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计算机程序时实现如本发明实施例提供的资讯推送方法。
本发明实施例中提供的资讯推送方案,当接收到用户输入的资讯推送请求时,获取目标资讯数据库;将所述目标资讯数据库输入至资讯推送模型中,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯;其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型;将所述目标资讯推送给所述用户。通过采用上述技术手段,能够准确地向用户进行资讯推送,提高用户对推送资讯的点击率。
附图说明
图1为本发明实施例提供的一种资讯推送方法的流程示意图;
图2为本发明实施例提供的多目标模型的结构示意图;
图3为本发明实施例提供的另一种资讯推送方法的流程示意图;
图4为本发明实施例提供的另一种资讯推送方法的流程示意图;
图5为本发明实施例提供的一种资讯推送装置的结构框图;
图6为本发明实施例提供的一种电子设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的一种资讯推送方法的流程示意图,该方法可以由资讯推送装置执行,其中该装置可由软件和/或硬件实现,一般可集成在电子设备中。如图1所示,该方法包括:
步骤101、当接收到用户输入的资讯推送请求时,获取目标资讯数据库。
在本发明实施例中,资讯推送请求可以理解为用户根据自身需求,,向电子设备发送的请求。当接收到用户输入的资讯推送请求时,获取目标资讯数据库。其中,在进行资讯推送时,一般不会在浩大的资讯数据库中直接选取待推送的资讯进行推送,而是会根据某一或者某几个策略先从浩大的资讯数据库中选取一部分资讯,再对选取的资讯按照一定策略进行排序,从而选取出待推送的资讯,因此,目标资讯数据库可以理解为从浩大的资讯数据库中选取的针对性较强的资讯构成的数据库。当然,目标资讯数据库还可以理解为针对从浩大的资讯数据库中选取的资讯,进一步按照一定策略选取的资讯构成的数据库。
可选的,当接收到用户输入的资讯推送请求时,获取目标资讯数据库,包括:当接收到用户输入的资讯推送请求时,获取原始资讯数据库;获取所述用户的特征信息,并根据所述用户的特征信息从所述原始资讯数据库中确定目标资讯数据库;或者,根据所述原始资讯数据库中各个资讯的发布时间和/或资讯热度从所述原始资讯数据库中确定目标资讯数据库。这样设置的好处在于,可以提高资讯推送的速度,另外,也可以更加准确地向用户进行资讯推送。
示例性的,当接收到用户输入的资讯推送请求时,获取原始资讯数据库,其中,原始资讯数据库可以理解为浩大的资讯数据库,也可以理解为从浩大资讯数据库中选取(也即召回)的资讯构成的数据库。然后,获取用的特征信息,根据用户的特征信息从原始资讯数据库中确定目标资讯数据库。其中,用户的特征信息可以包括用户的兴趣爱好、年龄、性别、所处的地域及职业等相关特征,然后从原始资讯数据库中筛选与用户特征信息匹配的资讯生成目标资讯数据库。例如,用户对经济和历史比较感兴趣,则从原始资讯数据库中筛选与经济相关以及与历史相关的资讯,并基于从原始资讯数据库中筛选出的与经济相关的资讯以及与历史相关的资讯构成目标资讯数据库。可选的,还可以根据资讯发布的时间和/或资讯热度从原始资讯数据库中确定目标资讯数据库。通常资讯需要更强的时效性,并且要紧密联系时下热点。资讯本身是否热门也是资讯推送时的一个重要特征,热门资讯更加容易被大多数人接受。而且资讯更注重内容的相关性,相关的资讯内容用户更加喜欢。因此,为了进一步提高向用户推送的资讯的准确性,可根据资讯的发布时间和/或资讯热度从原始资讯数据库中确定目标资讯数据库,例如,从原始资讯数据库中选取当日发布的资讯和/或资讯热度最高的资讯,并将当日发布的资讯和/或资讯热度最高的资讯生成目标资讯数据库。其中,资讯的发布时间反映了资讯的时效性,资讯的发布时间越新,资讯的时效性越好;反之,资讯的发布时间越长,资讯的时效性越差。资讯热度反映了资讯受用户关注的冷热程度,资讯热度越高,表明大多数用户对资讯关注度越高;反之,资讯热度越低,表明大多数用户对资讯关注度越低。当然,还可以根据资讯的类别、标签、标题、内容以及资讯的关联程度原始资讯数据库中确定目标资讯数据库。
步骤102、将所述目标资讯数据库输入至资讯推送模型中,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯;其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型。
在本发明实施例中,资讯推送模型可以理解为可以快速确定出用户对目标资讯数据库中各个资讯的点击率大小的网络模型。例如,将目标资讯数据库输入至资讯推送模型中,资讯推送模型对目标资讯数据库中各个资讯进行分析,根据分析结果分别输出各个资讯被点击的概率值,根据各个资讯被点击的概率值从目标资讯数据库中确定待推送的目标资讯。可选的,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯,包括:获取所述资讯推送模型输出的所述目标资讯数据库中各个资讯的点击率;按照点击率从大到小的顺序对所述目标资讯数据库中的资讯进行排序;将预设数目个点击率最大的资讯作为目标资讯。示例性的,可以按照资讯推送模型输出的点击率从大到小的顺序对目标资讯数据库中各个资讯进行排序,并将点击率位于top k的资讯作为目标资讯,其中,k的取值可以为1,2,3或5等自然数,其中,本发明实施例对k的取值不做限定。
一般地,在使用模型之前需要对模型进行训练,通常训练所用的数据样本即为线上推送出去的数据记录,一般以是否点击作为正负样本的判断标准。但是,未推送出去的数据是否会被用户点击结果无法知道,无法作为模型训练的正样本或负样本,由此,模型是以推送数据集合为训练样本,然后在整个数据集合上进行预测,违背了模型对训练样本和预测样本的独立同分布的要求,产生样本偏差(SSB)。
在本发明实施例中,为了避免产生样本偏差,基于ESMM模型训练资讯推送模型。具体的,资讯推送模型可以是基于资讯被推送的规律和资讯被点击的规律生成的多目标模型(ESMM模型)中的子网络模型。
步骤103、将所述目标资讯推送给所述用户。
在本发明实施例中,当目标资讯为一个时,直接将该目标资讯推送给用户;当目标资讯为多个时,基于多个目标资讯生成资讯流,以资讯流的形式将目标资讯推送给用户。可选的,在生成资讯流的过程中可以按照步骤102确定的各个目标资讯的点击概率值从大到小的顺序排列以生成资讯流,这样可以有助于提高用户对目标资讯的点击率。
本发明实施例中提供的资讯推送方法,当接收到用户输入的资讯推送请求时,获取目标资讯数据库;将所述目标资讯数据库输入至资讯推送模型中,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯;其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型;将所述目标资讯推送给所述用户。通过采用上述技术手段,能够准确地向用户进行资讯推送,提高用户对推送资讯的点击率。
在一些实施例中,在接收到用户输入的资讯推送请求之前,还包括:获取预设时间段内的资讯样本集;根据资讯是否被推送以及资讯是否被点击对所述资讯样本集中的资讯进行样本标记;基于标记后的资讯样本集对多目标模型进行训练,其中,所述多目标模型包括第一子网络模型和第二子网络模型,所述第一子网络模型与所述第二子网络模型相同,所述第二子网络模型的损失函数基于所述第二子网络模型的预测结果与资讯是否被推送的真实值构造;将训练好的多目标模型中的第一子网络模型作为所述资讯推送模型。
示例性的,获取预设时间段内的资讯样本集,其中,资讯样本集中包括被推送出去的资讯,被用户点击的资讯以及未被推送出去的资讯,通常只有资讯被推送出去才有可能被用户点击,而未被推送出去的资讯不可能被用户点击,可以理解的是,被推送出去的资讯可以进一步分为被用户点击的资讯和未被用户点击的资讯。根据资讯是否被推送以及资讯是否被点击对资讯样本集中的各个资讯进行样本标记,并将标记后的资讯样本集输入至多目标模型中进行训练。其中,多目标模型包括第一子网络模型和第二子网络模型,第一子网络模型和第二子网络模型相同,例如可以同为LR模型。基于标记后的资讯样本集对多目标模型进行训练时,将标记后的资讯样本集同时分别输入至第一子网络模型和第二子网络模型中进行训练,其中,第二子网络模型的损失函数基于第二子网络模型的预测结果与资讯是否被推送的真实值构造。由于,训练好的多目标模型中,第一子网络模型可以预测出推送出的资讯被点击的概率,而第二子网络模型可以预测出资讯数据库中资讯被推送出去的概率,为了提高用户对资讯的点击率,可将训练好的多目标模型中的第一子网络模型作为资讯推送模型。
可选的,基于标记后的资讯样本集对多目标模型进行训练,包括:提取所述资讯样本集中每条资讯的特征信息,并基于所述特征信息构造特征向量;其中,所述特征向量与对应的资讯带有相同的样本标记;基于带样本标记的特征向量对多目标模型进行训练。
可选的,基于带样本标记的特征向量对多目标模型进行训练,包括:将所述带样本标记的特征向量分别输入至所述多目标模型中的第一子网络模型和第二子网络模型中;基于所述第二子网络模型的预测结果与资讯是否被推送的真实值构造第二子网络模型的第一损失函数;获取所述第一子网络模型的预测结果与所述第二子网络模型的预测结果的乘积;基于所述乘积与资讯是否被点击的真实值构造所述第一子网络模型与所述第二子网络模型的乘积的第二损失函数;将所述第一损失函数和所述第二损失函数的和作为所述多目标模型的目标损失函数;基于所述目标损失函数对所述多目标模型进行训练,直至所述目标损失函数的值最小为止。
在本发明实施例中,每条资讯中可能包含于资讯推送模型训练无关的冗余信息,为了提高资讯推送模型的训练速度,可以提取资讯样本集中每条资讯的特征信息,然后基于特征信息构造特征向量。可选的,所述特征信息包括资讯类别、资讯标签、资讯标题、资讯的长短信息、资讯的发布时间及资讯热度中的至少一个。可以理解的是,每条资讯可以构造对应的一条特征向量,并且每个特征向量与对应的资讯带有同样的样本标记。然后可直接基于带样本标记的特征向量对多目标模型进行训练。
图2为本发明实施例提供的多目标模型的结构示意图,如图2所示,将带样本标记的特征向量分别输入至第一子网络模型和第二子网络模型中,由于图2中的左边训练好的第一子网络模型可以输出已经推送出的资讯的点击概率,可以记为Pctr;右边训练好的第二子网络模型可以输出全部目标资讯数据库中资讯被推送出去的概率,记为Prec;因此,训练好的第一子网络模型和第二子网络模型的输出结果的乘积可以得到目标资讯数据库中资讯被点击的概率,记为Prectr,具体可表示为:
Prectr=Prec×Pctr
因此,在训练多目标模型的过程中,可以根据第二子网络模型的预测结果与资讯是否被推送的真实值构造第二子网络模型的损失函数,为了方便后续表达,可以将第二子网络模型的损失函数记为第一损失函数;将第一子网络模型的预测结果与第二子网络模型的预测结果的乘积与资讯是否被点击的真实值构造第一子网络模型与第二子网络模型的乘积的损失函数;为了方便后续表达,可以将第一子网络模型与第二子网络模型的乘积的损失函数记为第二损失函数;然后,将第一损失函数和第二损失函数的和作为整个多目标模型的损失函数,可以将多目标模型的损失函数记为目标损失函数。基于多目标损失函数对多目标模型进行训练,直至目标损失函数的值最小为止,例如,可以基于梯度下降的方法,降低多目标模型的损失函数的值,直至多目标模型的损失函数的值最小为止,从而完成多目标模型的训练,使得多目标模型中的第一子网络模型和第二子网络模型中的网络参数最优。
图3为本发明实施例提供的另一种资讯推送方法的流程示意图,如图3所示,该方法包括如下步骤:
步骤301、当接收到用户输入的资讯推送请求时,获取原始资讯数据库。
步骤302、获取所述用户的特征信息,并根据所述用户的特征信息从所述原始资讯数据库中确定目标资讯数据库;或者,根据所述原始资讯数据库中各个资讯的发布时间和/或资讯热度从所述原始资讯数据库中确定目标资讯数据库。
步骤303、将所述目标资讯数据库输入至资讯推送模型中,获取所述资讯推送模型输出的所述目标资讯数据库中各个资讯的点击率。
其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型。
步骤304、按照点击率从大到小的顺序对所述目标资讯数据库中的资讯进行排序。
步骤305、将预设数目个点击率最大的资讯作为目标资讯。
步骤306、将所述目标资讯推送给所述用户。
本发明实施例中提供的资讯推送方法,不仅能够准确地向用户进行资讯推送,提高用户对推送资讯的点击率,而且还可以提高资讯推送的速度。
图4为本发明实施例提供的另一种资讯推送方法的流程示意图,如图4所示,该方法包括如下步骤:
步骤401、获取预设时间段内的资讯样本集。
步骤402、根据资讯是否被推送以及资讯是否被点击对所述资讯样本集中的资讯进行样本标记。
步骤403、提取所述资讯样本集中每条资讯的特征信息,并基于所述特征信息构造特征向量;其中,所述特征向量与对应的资讯带有相同的样本标记。
其中,所述特征信息包括资讯类别、资讯标签、资讯标题、资讯的长短信息、资讯的发布时间及资讯热度中的至少一个。
步骤404、将所述带样本标记的特征向量分别输入至所述多目标模型中的第一子网络模型和第二子网络模型中。
步骤405、基于所述第二子网络模型的预测结果与资讯是否被推送的真实值构造第二子网络模型的第一损失函数。
步骤406、获取所述第一子网络模型的预测结果与所述第二子网络模型的预测结果的乘积。
步骤407、基于所述乘积与资讯是否被点击的真实值构造所述第一子网络模型与所述第二子网络模型的乘积的第二损失函数。
步骤408、将所述第一损失函数和所述第二损失函数的和作为所述多目标模型的目标损失函数。
步骤409、基于所述目标损失函数对所述多目标模型进行训练,直至所述目标损失函数的值最小为止。
步骤410、将训练好的多目标模型中的第一子网络模型作为所述资讯推送模型。
步骤411、当接收到用户输入的资讯推送请求时,获取原始资讯数据库。
步骤412、获取所述用户的特征信息,并根据所述用户的特征信息从所述原始资讯数据库中确定目标资讯数据库;或者,根据所述原始资讯数据库中各个资讯的发布时间和/或资讯热度从所述原始资讯数据库中确定目标资讯数据库。
步骤413、将所述目标资讯数据库输入至资讯推送模型中,获取所述资讯推送模型输出的所述目标资讯数据库中各个资讯的点击率。
其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型。
步骤414、按照点击率从大到小的顺序对所述目标资讯数据库中的资讯进行排序。
步骤415、将预设数目个点击率最大的资讯作为目标资讯。
步骤416、将所述目标资讯推送给所述用户。
本发明实施例中提供的资讯推送方法,一方面,可以有效缓解资讯推送模型训练和预测时的样本偏差问题,另一方面,不仅能够准确地向用户进行资讯推送,提高用户对推送资讯的点击率,而且还可以提高资讯推送的速度。
图5为本发明实施例提供的一种资讯推送装置的结构框图,该装置可由软件和/或硬件实现,一般集成在电子设备中,可通过执行资讯推送方法来进行资讯推送。如图5所示,该装置包括:
目标资讯数据库获取模块501,用于当接收到用户输入的资讯推送请求时,获取目标资讯数据库;
目标资讯确定模块502,用于将所述目标资讯数据库输入至资讯推送模型中,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯;其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型;
目标资讯推送模块503,用于将所述目标资讯推送给所述用户。
本发明实施例中提供的资讯推送装置,当接收到用户输入的资讯推送请求时,获取目标资讯数据库;将所述目标资讯数据库输入至资讯推送模型中,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯;其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型;将所述目标资讯推送给所述用户。通过采用上述技术手段,能够准确地向用户进行资讯推送,提高用户对推送资讯的点击率。
可选的,所述目标资讯数据库获取模块,用于:
当接收到用户输入的资讯推送请求时,获取原始资讯数据库;
获取所述用户的特征信息,并根据所述用户的特征信息从所述原始资讯数据库中确定目标资讯数据库;或者,根据所述原始资讯数据库中各个资讯的发布时间和/或资讯热度从所述原始资讯数据库中确定目标资讯数据库。
可选的,所述目标资讯确定模块,用于:
获取所述资讯推送模型输出的所述目标资讯数据库中各个资讯的点击率;
按照点击率从大到小的顺序对所述目标资讯数据库中的资讯进行排序;
将预设数目个点击率最大的资讯作为目标资讯。
可选的,所述装置还包括:
资讯样本集获取模块,用于在接收到用户输入的资讯推送请求之前,获取预设时间段内的资讯样本集;
样本标记模块,用于根据资讯是否被推送以及资讯是否被点击对所述资讯样本集中的资讯进行样本标记;
模型训练模块,用于基于标记后的资讯样本集对多目标模型进行训练,其中,所述多目标模型包括第一子网络模型和第二子网络模型,所述第一子网络模型与所述第二子网络模型相同,所述第二子网络模型的损失函数基于所述第二子网络模型的预测结果与资讯是否被推送的真实值构造;
资讯推送模型确定模块,用于将训练好的多目标模型中的第一子网络模型作为所述资讯推送模型。
可选的,所述模型训练模块,包括:
特征向量构造单元,用于提取所述资讯样本集中每条资讯的特征信息,并基于所述特征信息构造特征向量;其中,所述特征向量与对应的资讯带有相同的样本标记;
模型训练单元,用于基于带样本标记的特征向量对多目标模型进行训练。
可选的,所述模型训练单元,用于:
将所述带样本标记的特征向量分别输入至所述多目标模型中的第一子网络模型和第二子网络模型中;
基于所述第二子网络模型的预测结果与资讯是否被推送的真实值构造第二子网络模型的第一损失函数;
获取所述第一子网络模型的预测结果与所述第二子网络模型的预测结果的乘积;
基于所述乘积与资讯是否被点击的真实值构造所述第一子网络模型与所述第二子网络模型的乘积的第二损失函数;
将所述第一损失函数和所述第二损失函数的和作为所述多目标模型的目标损失函数;
基于所述目标损失函数对所述多目标模型进行训练,直至所述目标损失函数的值最小为止。
可选的,所述特征信息包括资讯类别、资讯标签、资讯标题、资讯的长短信息、资讯的发布时间及资讯热度中的至少一个。
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行资讯推送方法,该方法包括:
当接收到用户输入的资讯推送请求时,获取目标资讯数据库;
将所述目标资讯数据库输入至资讯推送模型中,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯;其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型;
将所述目标资讯推送给所述用户。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDRRAM、SRAM、EDORAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的资讯推送操作,还可以执行本发明任意实施例所提供的资讯推送方法中的相关操作。
本发明实施例提供了一种电子设备,该电子设备中可集成本发明实施例提供的资讯推送装置。图6为本发明实施例提供的一种电子设备的结构框图。电子设备600可以包括:存储器601,处理器602及存储在存储器601上并可在处理器运行的计算机程序,所述处理器602执行所述计算机程序时实现如本发明实施例所述的资讯推送方法。
本发明实施例中提供的电子设备,当接收到用户输入的资讯推送请求时,获取目标资讯数据库;将所述目标资讯数据库输入至资讯推送模型中,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯;其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型;将所述目标资讯推送给所述用户。通过采用上述技术手段,能够准确地向用户进行资讯推送,提高用户对推送资讯的点击率。
上述实施例中提供的资讯推送装置、存储介质及电子设备可执行本发明任意实施例所提供的资讯推送方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的资讯推送方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种资讯推送方法,其特征在于,包括:
当接收到用户输入的资讯推送请求时,获取目标资讯数据库;
将所述目标资讯数据库输入至资讯推送模型中,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯;其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型;
将所述目标资讯推送给所述用户;
其中,当接收到用户输入的资讯推送请求时,获取目标资讯数据库,包括:
当接收到用户输入的资讯推送请求时,获取原始资讯数据库;
获取所述用户的特征信息,并根据所述用户的特征信息从所述原始资讯数据库中确定目标资讯数据库;或者,根据所述原始资讯数据库中各个资讯的发布时间和/或资讯热度从所述原始资讯数据库中确定目标资讯数据库;
其中,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯,包括:
获取所述资讯推送模型输出的所述目标资讯数据库中各个资讯的点击率;
按照点击率从大到小的顺序对所述目标资讯数据库中的资讯进行排序;
将预设数目个点击率最大的资讯作为目标资讯。
2.根据权利要求1所述的方法,其特征在于,在接收到用户输入的资讯推送请求之前,还包括:
获取预设时间段内的资讯样本集;
根据资讯是否被推送以及资讯是否被点击对所述资讯样本集中的资讯进行样本标记;
基于标记后的资讯样本集对多目标模型进行训练,其中,所述多目标模型包括第一子网络模型和第二子网络模型,所述第一子网络模型与所述第二子网络模型相同,所述第二子网络模型的损失函数基于所述第二子网络模型的预测结果与资讯是否被推送的真实值构造;
将训练好的多目标模型中的第一子网络模型作为所述资讯推送模型。
3.根据权利要求2所述的方法,其特征在于,基于标记后的资讯样本集对多目标模型进行训练,包括:
提取所述资讯样本集中每条资讯的特征信息,并基于所述特征信息构造特征向量;其中,所述特征向量与对应的资讯带有相同的样本标记;
基于带样本标记的特征向量对多目标模型进行训练。
4.根据权利要求3所述的方法,其特征在于,基于带样本标记的特征向量对多目标模型进行训练,包括:
将所述带样本标记的特征向量分别输入至所述多目标模型中的第一子网络模型和第二子网络模型中;
基于所述第二子网络模型的预测结果与资讯是否被推送的真实值构造第二子网络模型的第一损失函数;
获取所述第一子网络模型的预测结果与所述第二子网络模型的预测结果的乘积;
基于所述乘积与资讯是否被点击的真实值构造所述第一子网络模型与所述第二子网络模型的乘积的第二损失函数;
将所述第一损失函数和所述第二损失函数的和作为所述多目标模型的目标损失函数;
基于所述目标损失函数对所述多目标模型进行训练,直至所述目标损失函数的值最小为止。
5.根据权利要求3或4所述的方法,其特征在于,所述特征信息包括资讯类别、资讯标签、资讯标题、资讯的长短信息、资讯的发布时间及资讯热度中的至少一个。
6.一种资讯推送装置,其特征在于,包括:
目标资讯数据库获取模块,用于当接收到用户输入的资讯推送请求时,获取目标资讯数据库;
目标资讯确定模块,用于将所述目标资讯数据库输入至资讯推送模型中,根据所述资讯推送模型的输出结果从所述目标资讯数据库中确定待推送的目标资讯;其中,所述资讯推送模型包括基于资讯被推送的规律和资讯被点击的规律生成的多目标模型中的子网络模型;
目标资讯推送模块,用于将所述目标资讯推送给所述用户;
其中,所述目标资讯数据库获取模块,用于:
当接收到用户输入的资讯推送请求时,获取原始资讯数据库;
获取所述用户的特征信息,并根据所述用户的特征信息从所述原始资讯数据库中确定目标资讯数据库;或者,根据所述原始资讯数据库中各个资讯的发布时间和/或资讯热度从所述原始资讯数据库中确定目标资讯数据库;
其中,所述目标资讯确定模块,用于:
获取所述资讯推送模型输出的所述目标资讯数据库中各个资讯的点击率;
按照点击率从大到小的顺序对所述目标资讯数据库中的资讯进行排序;
将预设数目个点击率最大的资讯作为目标资讯。
7.一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,该程序被处理器执行时实现如权利要求1-5任一所述的资讯推送方法。
8.一种电子设备,其特征在于,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5任一所述的资讯推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294160.7A CN111538902B (zh) | 2020-04-15 | 2020-04-15 | 一种资讯推送方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294160.7A CN111538902B (zh) | 2020-04-15 | 2020-04-15 | 一种资讯推送方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111538902A CN111538902A (zh) | 2020-08-14 |
CN111538902B true CN111538902B (zh) | 2024-03-22 |
Family
ID=71978498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010294160.7A Active CN111538902B (zh) | 2020-04-15 | 2020-04-15 | 一种资讯推送方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111538902B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457581A (zh) * | 2019-08-02 | 2019-11-15 | 达而观信息科技(上海)有限公司 | 一种资讯推荐方法、装置、电子设备及存储介质 |
CN110969479A (zh) * | 2019-11-07 | 2020-04-07 | 连尚(新昌)网络科技有限公司 | 一种展示推广资源的方法、设备和计算机存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103929350B (zh) * | 2013-01-16 | 2018-05-22 | 阿里巴巴集团控股有限公司 | 一种信息推送的方法、设备和系统 |
-
2020
- 2020-04-15 CN CN202010294160.7A patent/CN111538902B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457581A (zh) * | 2019-08-02 | 2019-11-15 | 达而观信息科技(上海)有限公司 | 一种资讯推荐方法、装置、电子设备及存储介质 |
CN110969479A (zh) * | 2019-11-07 | 2020-04-07 | 连尚(新昌)网络科技有限公司 | 一种展示推广资源的方法、设备和计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
陈学辉 ; 陈少镇 ; 王培彬 ; 蓝汝琪 ; 熊梓韬 ; .基于内容推荐的资讯推荐系统的设计与实现.电脑知识与技术.2019,(09),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111538902A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451199B (zh) | 问题推荐方法及装置、设备 | |
CA3174601C (en) | Text intent identifying method, device, computer equipment and storage medium | |
US20180218241A1 (en) | Webpage classification method and apparatus, calculation device and machine readable storage medium | |
US20090319449A1 (en) | Providing context for web articles | |
WO2013078307A1 (en) | Image searching | |
CN110163376B (zh) | 样本检测方法、媒体对象的识别方法、装置、终端及介质 | |
CN116911312B (zh) | 一种任务型对话系统及其实现方法 | |
CN110321437B (zh) | 一种语料数据处理方法、装置、电子设备及介质 | |
CN111274822A (zh) | 语义匹配方法、装置、设备及存储介质 | |
CN108959550B (zh) | 用户关注点挖掘方法、装置、设备及计算机可读介质 | |
CN107527289B (zh) | 一种投资组合行业配置方法、装置、服务器和存储介质 | |
CN116361552A (zh) | 校园图书检索方法、装置、设备及可读存储介质 | |
JP2007323315A (ja) | 協調フィルタリング方法、協調フィルタリング装置、および協調フィルタリングプログラムならびにそのプログラムを記録した記録媒体 | |
CN113255742A (zh) | 一种政策匹配度计算方法、系统、计算机设备和存储介质 | |
CN111538902B (zh) | 一种资讯推送方法、装置、存储介质及电子设备 | |
JP7256357B2 (ja) | 情報処理装置、制御方法、プログラム | |
CN116016365B (zh) | 一种加密流量下基于数据包长度信息的网页识别方法 | |
CN111259126A (zh) | 基于词语特征的相似度计算方法、装置、设备及存储介质 | |
CN112685618A (zh) | 用户特征识别方法、装置、计算设备及计算机存储介质 | |
CN111241821A (zh) | 确定用户的行为特征的方法和装置 | |
CN112446812B (zh) | 一种基于区块链的政务信息自动推送方法及终端 | |
CN111858895B (zh) | 排序模型确定方法、排序方法、装置及电子设备 | |
CN112364130B (zh) | 样本采样方法、设备和可读存储介质 | |
CN113849618A (zh) | 基于知识图谱的策略确定方法、装置、电子设备及介质 | |
US8005845B2 (en) | System and method for automatically ranking lines of text |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Country or region after: China Address after: Room 501, 502, 503, No. 66 Boxia Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai, March 2012 Applicant after: Daguan Data Co.,Ltd. Address before: Room 301, 303 and 304, block B, 112 liangxiu Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 201203 Applicant before: DATAGRAND INFORMATION TECHNOLOGY (SHANGHAI) Co.,Ltd. Country or region before: China |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |