CN111784377A - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取用户对物品的评价信息；对于预先建立的物品对集合中的物品对，根据所获取的评价信息，生成该用户对该物品对的偏好向量；利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型，其中，该词嵌入模型的输入为偏好向量、输出为物品对概率分布；根据训练得到的词嵌入模型，生成物品对集合中的物品对的物品对向量；根据所生成的物品对向量，生成用户向量。该实施方式提供了新的生成用户向量的方式。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。

背景技术

随着计算机和互联网的发展，用户利用互联网订购物品，已经逐渐成为日常化的活动。用户可以对于所订购的物品，发布评价信息，以此向其它用户提供参考。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取用户对物品的评价信息；对于预先建立的物品对集合中的物品对，根据所获取的评价信息，生成上述用户对该物品对的偏好向量；利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型，其中，上述词嵌入模型的输入为偏好向量、输出为物品对概率分布；根据训练得到的词嵌入模型，生成物品对集合中的物品对的物品对向量；根据所生成的物品对向量，生成用户向量。

在一些实施例中，上述方法还包括：根据用户的评价信息，建立用户对物品的评分矩阵；根据至少一个用户的用户向量，建立用户矩阵；根据上述用户矩阵和上述评分矩阵，生成物品的物品向量。

在一些实施例中，上述对于预先建立的物品对集合中的物品对，根据所获取的评价信息，生成上述用户对该物品对的偏好向量，包括：根据评价信息，生成用户对物品对的偏好值，其中，偏好值为非零值或者零；将物品对集合中的物品对进行编号，建立物品对序列；对于物品对序列中的目标物品对，根据以下步骤生成该目标物品对的偏好向量：确定用户对上述目标物品值的偏好值是否为非零值，如果是，则将该目标物品对对应的向量元素设置为非零值，偏好向量的其它向量元素设置为零值。

在一些实施例中，上述偏好向量为独热编码；以及上述利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型，包括：构建第一神经网络，第一神经网络包括输入层、隐层和输出层，第一神经网络的输入为独热编码，第一神经网络的输出为物品对概率分布；对于至少一个用户中的每个用户，获取该用户的偏好向量集，以及以该用户的偏好向量集为训练样本，训练第一神经网络，第一网络的第一损失函数以用户所具有的偏好对应的物品对条件概率乘积最大为目标。

在一些实施例中，上述根据训练得到的词嵌入模型，生成物品对集合中的物品对的物品对向量，包括：根据第一神经网络的隐层的参数，得到物品对偏好向量。

在一些实施例中，上述根据上述用户矩阵和上述评分矩阵，生成物品的物品向量，包括：以物品矩阵为未知量，利用评分矩阵、用户矩阵和物品矩阵，构建第二损失函数；求取第二损失函数的最小值；根据第二损失函数的最小值对应的物品矩阵，确定物品的物品向量。

在一些实施例中，上述方法还包括：存储生成的用户向量。

第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：第一获取单元，被配置成获取用户对物品的评价信息；第一生成单元，被配置成对于预先建立的物品对集合中的物品对，根据所获取的评价信息，生成上述用户对该物品对的偏好向量；训练单元，被配置成利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型，其中，上述词嵌入模型的输入为偏好向量、输出为物品对概率分布；第二生成单元，被配置成根据训练得到的词嵌入模型，生成物品对集合中的物品对的物品对向量；第三生成单元，被配置成根据所生成的物品对向量，生成用户向量。

在一些实施例中，上述装置还可以包括：第一建立单元(未示出)，被配置成根据用户的评价信息，建立用户对物品的评分矩阵；第二建立单元(未示出)，被配置成根据至少一个用户的用户向量，建立用户矩阵；第四生成单元(未示出)，被配置成根据上述用户矩阵和上述评分矩阵，生成物品的物品向量。

在一些实施例中，上述第一生成单元，还被配置成：根据评价信息，生成用户对物品对的偏好值，其中，偏好值为非零值或者零；将物品对集合中的物品对进行编号，建立物品对序列；对于物品对序列中的目标物品对，根据以下步骤生成该目标物品对的偏好向量：确定用户对上述目标物品值的偏好值是否为非零值，如果是，则将该目标物品对对应的向量元素设置为非零值，偏好向量的其它向量元素设置为零值。

在一些实施例中，上述偏好向量为独热编码；以及上述训练单元，还被配置成：构建第一神经网络，第一神经网络包括输入层、隐层和输出层，第一神经网络的输入为独热编码，第一神经网络的输出为概率分布；对于至少一个用户中的每个用户，获取该用户的偏好向量集，以及以该用户的偏好向量集为训练样本，训练第一神经网络，第一网络的损失函数以用户所具有的偏好对应的物品对条件概率乘积最大为目标。

在一些实施例中，上述第二生成单元，还被配置成：根据第一神经网络的隐层的参数，得到物品对偏好向量。

在一些实施例中，上述第四生成单元，还被配置成：以物品矩阵为未知量，利用评分矩阵、用户矩阵和物品矩阵，构建第二损失函数；求取第二损失函数的最小值；根据第二损失函数的最小值对应的物品矩阵，确定物品的物品向量。

在一些实施例中，上述装置还包括：存储单元，被配置成存储生成的用户向量。

第三方面，本申请实施例提供了一种用于生成信息的电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现如上述用于生成信息的方法中任一实施例的方法。

第四方面，本申请实施例提供了一种用于生成信息的计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述用于生成信息的方法中任一实施例的方法。

本申请实施例提供的用于生成信息的方法和装置，通过用户对物品的评价信息，生成用户对物品对的偏好向量，在以偏好向量为输入，以物品对概率分布为输出，利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型，从训练好的词嵌入模型获取物品对向量，然后根据所生成的物品对向量，生成用户向量，由此，可以提供一种新的生成用户向量的方式；并且可以得到维度低、稠密的用户向量。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的用于生成信息的方法的一个应用场景的示意图；

图4是根据本申请的用于生成信息的方法的又一个实施例的流程图；

图5是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请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相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于生成信息的方法或用于生成信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103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、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、图像处理类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持图像呈现的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上的购物类应用支持的后台服务器。后台服务器可以对接收到的用户的评价信息等数据进行分析等处理。

需要说明的是，本申请实施例所提供的用于生成信息的方法可以由服务器105执行，相应地，用于生成信息的装置可以设置于服务器105中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

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。当用于生成信息的方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括用于生成信息的方法运行于其上的电子设备。

继续参考图2，其示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，获取用户对物品的评价信息。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器)可以获取用户对物品的评价信息。

在本实施例中，用户对物品的评价信息可以用各种形式表示。

可选的，评价信息可以是评价等级。例如，可以在订单收货确认页，设置评价等级展示控件，评价等级展示控件可以展示对物品的五个评价等级。用户可以选择对物品的评价等级。

可选的，评价信息可以是评分。例如，可以在订单收货确认页，设置评分框，接收用户对物品的评分。

可选的，每个用户可以给出一个或者多个物品的评价信息。上述执行主体可以获取一个或者多个用户的评价信息。

步骤202，对于预先建立的物品对集合中的物品对，根据所获取的评价信息，生成用户对该物品对的偏好向量。

在本实施例中，上述执行主体可以对于预先建立的物品对集合中的物品对，根据所获取的信息，生成上述用户对该物品对的偏好向量。

在这里，预先建立物品对集合中的物品对，可以包括两个物品。两个物品之间具有先后顺序。

在一些实施例中，步骤202可以包括：根据评价信息，生成用户对物品对的偏好值，其中，偏好值为非零值或者零；将物品对集合中的物品对进行编号，建立物品对序列；对于物品对序列中的目标物品对，根据以下步骤生成该目标物品对的偏好向量：确定用户对上述目标物品值的偏好值是否为非零值，如果是，则将该目标物品对对应的向量元素设置为非零值，偏好向量的其它向量元素设置为零值。

作为示例，物品对AB包括{物品A，物品B}，物品对BA包括{物品B和物品A}，物品对AB和物品对BA是不同的物品对。用户对物品A的评分大于对物品B的评分，则定义用户对物品对AB的偏好值p(A，B)＝1，定义用户对物品对BA的偏好值p(B，A)＝0。如果p(A，B)＝1，则可以称用户具有偏好AB；如果p(A，B)＝0，则可以称用户没有偏好AB。

例如，评价满分为5分，用户对物品A的评价为5分，用户对物品B的评价为4分。对物品A的评分(5分)大于对物品B的评分(4分)，则用户对物品对AB的偏好p(A，B)＝1，定义用户对物品对BA的偏好p(B，A)＝0。

可选的，可以将物品对集合中的物品对进行编号，建立物品对序列。物品对序列长度为N，N为大于1的自然数。为物品对XY建立空向量，空向量的长度为N，空向量中的向量元素与物品对序列中的序列位对应。对于上述用户，如果该用户具有偏好XY，将物品XY对应的向量元素置1，其余向量元素置0，生成上述用户的偏好XY对应的偏好向量；如果该用户不具有偏好XY，将空向量中所有的向量元素置0。

可选的，将上述用户的不为0的向量的集合，作为上述用户的偏好向量集合。

步骤203，利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型。

在本实施例中，上述执行主体可以利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型。

在这里，词嵌入模型的输入为偏好向量，词嵌入模型的输出为物品对概率分布。

在这里，物品对条件概率可以是：对于目标用户，如果该目标用户具有偏好AB，则目标用户有偏好CD的概率，称为目标用户在有偏好AB前提下有偏好CD的条件概率。

在本实施例中，词嵌入模型可以用于维数为所有词的数量的高维空间嵌入到一个维数低得多的连续向量空间中。本申请中可以利用各种方式得到词嵌入模型并进行训练。可选的，可以利用词至向量(Word2vec)、主成分分析(PCA)和t-分布邻域嵌入算法(t-SNE)等方式实现对词嵌入模型的训练。在这里，利用Word2vec可以实现对跳元(Skip-gram)模型或者连续词袋(Continuous Bag-of-Words，CBOW)模型这些词嵌入向量的获取和训练。

在这里，物品对概率分布，在用户具有输入的偏好向量指示的偏好的情况下，用户具有物品对集合中的各个物品对的偏好的概率。

作为示例，预先建立的物品对集合包括5个物品对，可以将五个物品对编号，分别为甲物品对、乙物品对、丙物品对、丁物品对和戊物品对。目标用户具有甲物品对指示的偏好，即目标用户对甲物品对的偏好向量(可以称为第一偏好向量)不为零。目标用户具有丙物品对指示的偏好，即目标用户对丙物品对的偏好向量(可以称为第三偏好向量)不为零。

在这里，将第一偏好向量导入词嵌入模型，第一损失函数输出物品对概率分布包括：目标用户具有甲物品对指示的偏好的第一概率、目标用户具有乙物品对指示的偏好的第一概率、目标用户具有丙物品对指示的偏好的第一概率、目标用户具有丁物品对指示的偏好的第一概率、目标用户具有戊物品对指示的偏好的第一概率。在这里，可以将目标用户具有甲物品对指示的偏好的第一概率和目标用户具有丙物品对指示的偏好的第一概率的乘积最大，作为目标，更新词嵌入模型。

在这里，将第二偏好向量导入词嵌入模型，第一损失函数输出物品对概率分布包括：目标用户具有甲物品对指示的偏好的第二概率、目标用户具有乙物品对指示的偏好的第二概率、目标用户具有丙物品对指示的偏好的第二概率、目标用户具有丁物品对指示的偏好的第二概率、目标用户具有戊物品对指示的偏好的第二概率。在这里，可以将目标用户具有甲物品对指示的偏好的第二概率和目标用户具有丙物品对指示的偏好的第二概率的乘积最大，作为目标，更新词嵌入模型。

作为示例，对于用户对物品对AB的偏好向量，对应的概率分布中的CD对应的概率，将该概率与概率分布的总和的比值，作为用户在有偏好AB前提下有偏好CD的条件概率。

在一些实施例中，上述偏好向量为独热编码；以及步骤203可以包括：构建第一神经网络，第一神经网络包括输入层、隐层和输出层，第一神经网络的输入为独热编码，第一神经网络的输出为概率分布；对于至少一个用户中的每个用户，获取该用户的偏好向量集，以及以该用户的偏好向量集为训练样本，训练第一神经网络，第一网络的损失函数以用户所具有的偏好对应的物品对条件概率乘积最大为目标。

在这里，第一神经网络可以是各种神经网络结构建立的。第一神经网络可以包括但不限于以下至少一项卷积神经网络、循环神经网络和长短时记忆网络等。

在这里，输入层可以用于接收独热编码，输出层可以是第一损失函数的实现层。

作为示例，可以将所确定的所有条件概率(用户所具有的偏好对应的偏好向量对应的条件概率)加和，再取负，作为第一损失函数。以第一损失函数的结果最小为目标，训练词嵌入模型。

作为示例，可以将所确定的所有条件概率相乘，再取负，作为第一损失函数。以第一损失函数的结果最小为目标，训练词嵌入模型。

作为示例，可以将所确定的各个条件概率取对数(底数大于1)，取对数之后的结果的和，再取负数，作为第一损失函数。以第一损失函数的结果最小为目标，训练词嵌入模型。可以理解，如果不取负，则以第一损失函数的结果最大为目标，训练词嵌入模型。

步骤204，根据训练得到的词嵌入模型，生成物品对向量。

在本实施例中，上述执行主体可以根据训练得到的词嵌入模型，生成物品对向量。

在这里，词嵌入模型建立的目的，是为了训练模型参数。在模型训练完成后，根据词嵌入模型的模型参数可以得到物品对向量。

作为示例，步骤204可以包括：根据第一神经网络的隐层的参数，得到物品对偏好向量。在这里，第一神经网络的隐层的参数，可以是第一神经网络的权重值。由于第一神经网络各个神经元的权重值可以用于表征转换矩阵，因此，可以从各个神经元的权重值得到转换矩阵，上述转换矩阵为物品对向量。

步骤205，根据所生成的物品对向量，生成用户向量。

在本实施例中，上述执行主体可以根据所生成的物品对向量，生成用户向量。

在这里，可以对于目标用户，根据该目标用户所具有的偏好，获取物品对向量，以该目标用户的用户向量为未知向量，以用户向量与物品对向量的乘积为待优化结果，确定用户向量。

在这里，物品对向量的维数已经小于物品对集合中的物品对集合的个数。可以把用户具有的偏好对应的物品对向量看做是样本点，把用户样本点与用户向量的乘积作为二分类模型，用户的偏好向量集合看做数据标注，那么用户向量实际可以看做二分类模型的参数集合。由此，可以构建逻辑回归形式的损失函数，求取用户向量。得到的用户向量的位数与物品对向量的位数相同，即远远小于物品对集合的元素个数。

在一些实施例中，上述方法还可以包括：存储所生成的用户向量。

继续参见图3，图是根据本实施例的用于生成信息的方法的一个应用场景的示意图，具体如下：

首先，服务器301可以获取用户对物品的评价信息。

然后，服务器可以根据评价信息，生成用户对物品对的偏好向量。

然后，服务器可以将偏好向量输入的词嵌入模型，对词嵌入模型进行训练。

再后，服务器可以根据训练得到的词嵌入模型，生成物品对向量。

最后，服务器可以再根据物品对向量，生成用户向量。

本申请的上述实施例提供的方法，通过用户对物品的评价信息，生成用户对物品对的偏好向量，在以偏好向量为输入，以物品对概率分布为输出，利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型，从训练好的词嵌入模型获取物品对向量，然后根据所生成的物品对向量，生成用户向量，由此，可以提供一种新的生成用户向量的方式；并且可以得到维度低、稠密的用户向量。

需要说明的是，用户向量可以用于各种场景。例如，对用户向量进行存储，以作为用户特征。将用户向量导入各种神经网络模型(例如对用户进行分类的模型、对用户爱好进行统计的模型等)，进行计算。维度低、稠密的用户向量，可以降低存储用户特征所占用的存储资源；并且，可以降低进行后续计算时的计算量，由此可以提高存储和计算速度、减少存储和计算资源的消耗。因此，在计算机互联网领域，生成维度低、稠密的用户特征，具有物理效果。

进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：

步骤401，获取用户对物品的评价信息。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的服务器)可以获取用户对物品的评价信息。

步骤402，对于预先建立的物品对集合中的物品对，根据所获取的评价信息，生成上述用户对该物品对的偏好向量。

步骤403，利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型。

步骤404，根据训练得到的词嵌入模型，生成物品对向量。

步骤405，根据所生成的物品对向量，生成用户向量。

步骤401、步骤402、步骤403、步骤404和步骤405的实现细节和技术效果，可以参考步骤201、步骤202、步骤203、步骤204和步骤205中的描述，在此不再赘述。

步骤406，根据用户的评价信息，建立用户对物品的评分矩阵。

在本实施例中，上述执行主体可以根据用户的评价信息，建立用户对物品的评分矩阵。

在这里，由于已知用户对物品的历史评分，则可以由此构建用户对物品的评分矩阵。作为示例，用户物品的评分矩阵可以通过以下方式构建：可以以矩阵用户对物品的评价值或者对物品对的偏好值作为横向量，将多个用户的横向量由上到下排列，得到评分矩阵。

步骤407，根据至少一个用户的用户向量，建立用户矩阵。

在本实施例中，上述执行主体可以根据至少一个用户的用户向量，建立用户矩阵。

在这里，可以将各个用户的用户向量，作为矩阵的行向量，由此生成用户矩阵。

步骤408，根据用户矩阵和评分矩阵，生成物品的物品向量。

在本实施例中，上述执行主体可以根据用户矩阵和评分矩阵，生成物品的物品向量。

在一些实施例中，步骤408可以通过以下方式实现：以物品矩阵为未知量，利用评分矩阵、用户矩阵和物品矩阵，构建第二损失函数；求取第二损失函数的最小值；根据第二损失函数的最小值对应的物品矩阵，确定物品的物品向量。

作为示例，可以将多个物品向量组成物品矩阵，以物品矩阵为未知矩阵，先求取用户矩阵与物品矩阵的乘积，以评分矩阵与此乘积的差值的绝对值为目标量，在为目标量确定最小值的过程中，对物品矩阵优化，得到目标值最小值对应的物品矩阵，从而可以得到多个物品向量。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400突出了生成物品向量的步骤，由此，本实施例描述的方案可以生成低维度、稠密的物品向量。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征。该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成信息的装置500包括：第一获取单元501、第一生成单元502、训练单元503、第二生成单元504和第三生成单元505；其中，第一获取单元，被配置成获取用户对物品的评价信息；第一生成单元，被配置成对于预先建立的物品对集合中的物品对，根据所获取的评价信息，生成上述用户对该物品对的偏好向量；训练单元，被配置成利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型，其中，上述词嵌入模型的输入为偏好向量、输出为物品对概率分布；第二生成单元，被配置成根据训练得到的词嵌入模型，生成物品对集合中的物品对的物品对向量；第三生成单元，被配置成根据所生成的物品对向量，生成用户向量。

在一些实施例中，上述装置还可以包括：第一建立单元(未示出)，被配置成根据用户的评价信息，建立用户对物品的评分矩阵；第二建立单元(未示出)，被配置成根据至少一个用户的用户向量，建立用户矩阵；第四生成单元(未示出)，被配置成根据上述用户矩阵和上述评分矩阵，生成物品的物品向量。

在一些实施例中，上述第一生成单元，还被配置成：根据评价信息，生成用户对物品对的偏好值，其中，偏好值为非零值或者零；将物品对集合中的物品对进行编号，建立物品对序列；对于物品对序列中的目标物品对，根据以下步骤生成该目标物品对的偏好向量：确定用户对上述目标物品值的偏好值是否为非零值，如果是，则将该目标物品对对应的向量元素设置为非零值，偏好向量的其它向量元素设置为零值。

在一些实施例中，上述偏好向量为独热编码；以及上述训练单元，还被配置成：构建第一神经网络，第一神经网络包括输入层、隐层和输出层，第一神经网络的输入为独热编码，第一神经网络的输出为概率分布；对于至少一个用户中的每个用户，获取该用户的偏好向量集，以及以该用户的偏好向量集为训练样本，训练第一神经网络，第一网络的损失函数以用户所具有的偏好对应的物品对条件概率乘积最大为目标。

在一些实施例中，上述第二生成单元，还被配置成：根据第一神经网络的隐层的参数，得到物品对偏好向量。

在一些实施例中，上述第四生成单元，还被配置成：以物品矩阵为未知量，利用评分矩阵、用户矩阵和物品矩阵，构建第二损失函数；求取第二损失函数的最小值；根据第二损失函数的最小值对应的物品矩阵，确定物品的物品向量。

在一些实施例中，上述装置还包括：存储单元，被配置成存储生成的用户向量。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机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。而在本申请中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、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或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括：第一获取单元、第一生成单元、训练单元、第二生成单元和第三生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取评价信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取用户对物品的评价信息；对于预先建立的物品对集合中的物品对，根据所获取的评价信息，生成上述用户对该物品对的偏好向量；利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型，其中，上述词嵌入模型的输入为偏好向量、输出为物品对概率分布；根据训练得到的词嵌入模型，生成物品对集合中的物品对的物品对向量；根据所生成的物品对向量，生成用户向量。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (11)

1.一种用于生成信息的方法，包括：

获取用户对物品的评价信息；

对于预先建立的物品对集合中的物品对，根据所获取的评价信息，生成所述用户对该物品对的偏好向量；

利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型，其中，所述词嵌入模型的输入为偏好向量、输出为物品对概率分布；

根据训练得到的词嵌入模型，生成物品对集合中的物品对的物品对向量；

根据所生成的物品对向量，生成用户向量。

2.根据权利要求1所述的方法，其中，所述方法还包括：

根据用户的评价信息，建立用户对物品的评分矩阵；

根据至少一个用户的用户向量，建立用户矩阵；

根据所述用户矩阵和所述评分矩阵，生成物品的物品向量。

3.根据权利要求1所述的方法，其中，所述对于预先建立的物品对集合中的物品对，根据所获取的评价信息，生成所述用户对该物品对的偏好向量，包括：

根据评价信息，生成用户对物品对的偏好值，其中，偏好值为非零值或者零；

将物品对集合中的物品对进行编号，建立物品对序列；

对于物品对序列中的目标物品对，根据以下步骤生成该目标物品对的偏好向量：确定用户对所述目标物品值的偏好值是否为非零值，如果是，则将该目标物品对对应的向量元素设置为非零值，偏好向量的其它向量元素设置为零值。

4.根据权利要求1所述的方法，其中，所述偏好向量为独热编码；以及

所述利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型，包括：

构建第一神经网络，第一神经网络包括输入层、隐层和输出层，第一神经网络的输入为独热编码，第一神经网络的输出为物品对概率分布；

对于至少一个用户中的每个用户，获取该用户的偏好向量集，以及以该用户的偏好向量集为训练样本，训练第一神经网络，第一网络的第一损失函数以用户所具有的偏好对应的物品对条件概率乘积最大为目标。

5.根据权利要求4所述的方法，其中，所述根据训练得到的词嵌入模型，生成物品对集合中的物品对的物品对向量，包括：

根据第一神经网络的隐层的参数，得到物品对偏好向量。

6.根据权利要求5所述的方法，其中，所述根据所述用户矩阵和所述评分矩阵，生成物品的物品向量，包括：

以物品矩阵为未知量，利用评分矩阵、用户矩阵和物品矩阵，构建第二损失函数；

求取第二损失函数的最小值；

根据第二损失函数的最小值对应的物品矩阵，确定物品的物品向量。

7.根据权利要求1所述的方法，其中，所述方法还包括：

存储生成的用户向量。

8.一种用于生成信息的装置，包括：

第一获取单元，被配置成获取用户对物品的评价信息；

第一生成单元，被配置成对于预先建立的物品对集合中的物品对，根据所获取的评价信息，生成所述用户对该物品对的偏好向量；

训练单元，被配置成利用基于用户所具有的偏好对应的物品对条件概率建立的第一损失函数，训练词嵌入模型，其中，所述词嵌入模型的输入为偏好向量、输出为物品对概率分布；

第二生成单元，被配置成根据训练得到的词嵌入模型，生成物品对集合中的物品对的物品对向量；

第三生成单元，被配置成根据所生成的物品对向量，生成用户向量。

9.根据权利要求8所述的装置，其中，所述装置还包括：

第一建立单元，被配置成根据用户的评价信息，建立用户对物品的评分矩阵；

第二建立单元，被配置成根据至少一个用户的用户向量，建立用户矩阵；

第四生成单元，被配置成根据所述用户矩阵和所述评分矩阵，生成物品的物品向量。

10.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

11.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images