CN111949860B - 用于生成相关度确定模型的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于生成相关度确定模型的方法和装置。该方法的一具体实施方式包括：获取训练样本集，训练样本集中的训练样本包括信息对和信息对中的信息之间的相关度，信息对对应的相关度通过如下步骤确定：获取信息对对应的相同用户数，以及根据信息对对应的相同用户数，确定信息对中的信息之间的相关度，信息对对应的相同用户数用于表示对信息对中的两个信息分别执行过预设操作集中的预设操作的用户的数目；利用机器学习的方法，基于训练样本集和预设的损失函数，训练得到相关度确定模型。该实施方式根据信息对对应的相同用户数来确定信息对对应的相关度，有助于提升相关度计算的准确性。

Description

用于生成相关度确定模型的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成相关度确定模型的方法和装置。

背景技术

两个信息之间的相关度通常是很难确定的。现有的一种方法是分别提取能够用于表征这两个信息的特征向量，然后计算两个特征向量之间的相似度，并使用得到的相似度来表征这两个信息之间的相关度。

发明内容

本公开的实施例提出了用于生成相关度确定模型的方法和装置。

第一方面，本公开的实施例提供了一种用于生成相关度确定模型的方法，该方法包括：获取训练样本集，其中，训练样本集中的训练样本包括信息对和信息对中的信息之间的相关度，其中，信息对对应的相关度通过如下步骤确定：获取信息对对应的相同用户数，以及根据信息对对应的相同用户数，确定信息对中的信息之间的相关度，其中，信息对对应的相同用户数用于表示对信息对中的两个信息分别执行过预设操作集中的预设操作的用户的数目；利用机器学习的方法，基于训练样本集和预设的损失函数，训练得到相关度确定模型，其中，相关度确定模型用于表征信息对与信息对中的信息之间的相关度的对应关系。

在一些实施例中，利用机器学习的方法，基于训练样本集和预设的损失函数，训练得到相关度确定模型，包括：从训练样本集中选取两个训练样本分别作为第一训练样本和第二训练样本，以及执行如下训练步骤：将第一训练样本中的信息对输入至初始模型，得到第一训练样本对应的第一相关度，以及将第二训练样本中的信息对输入至初始模型，得到第二训练样本对应的第二相关度；基于得到的第一相关度、第二相关度、第一训练样本中的相关度、第二训练样本中的相关度，确定损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为相关度确定模型。

在一些实施例中，训练步骤还包括：响应于确定根据损失函数的值确定初始模型未训练完成，调整初始模型的参数，以及从训练样本集中重新选取两个训练样本分别作为第一训练样本和第二训练样本，使用调整后的初始模型作为初始模型，继续执行训练步骤。

在一些实施例中，基于得到的第一相关度、第二相关度、第一训练样本中的相关度、第二训练样本中的相关度，确定损失函数的值，包括：确定第一相关度与第一训练样本中的相关度的差值作为第一差值；确定第二相关度与第二训练样本中的相关度的差值作为第二差值；根据第一差值和第二差值，确定损失函数的值。

在一些实施例中，训练样本集中的训练样本包括的信息对对应的相关度与对应的相同用户数正相关。

在一些实施例中，信息对对应的相同用户数用于表示对信息对中的两个信息分别执行过预设操作集中的同一预设操作的用户的数目。

第二方面，本公开的实施例提供了一种用于生成相关度确定模型的装置，该装置包括：训练样本集获取单元，被配置成获取训练样本集，其中，训练样本集中的训练样本包括信息对和信息对中的信息之间的相关度，其中，信息对对应的相关度通过如下步骤确定：获取信息对对应的相同用户数，以及根据信息对对应的相同用户数，确定信息对中的信息之间的相关度，其中，信息对对应的相同用户数用于表示对信息对中的两个信息分别执行过预设操作集中的预设操作的用户的数目；训练单元，被配置成利用机器学习的方法，基于训练样本集和预设的损失函数，训练得到相关度确定模型，其中，相关度确定模型用于表征信息对与信息对中的信息之间的相关度的对应关系。

在一些实施例中，上述训练单元进一步被配置成：从训练样本集中选取两个训练样本分别作为第一训练样本和第二训练样本，以及执行如下训练步骤：将第一训练样本中的信息对输入至初始模型，得到第一训练样本对应的第一相关度，以及将第二训练样本中的信息对输入至初始模型，得到第二训练样本对应的第二相关度；基于得到的第一相关度、第二相关度、第一训练样本中的相关度、第二训练样本中的相关度，确定损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为相关度确定模型。

在一些实施例中，上述训练单元进一步被配置成：响应于确定根据损失函数的值确定初始模型未训练完成，调整初始模型的参数，以及从训练样本集中重新选取两个训练样本分别作为第一训练样本和第二训练样本，使用调整后的初始模型作为初始模型，继续执行训练步骤。

在一些实施例中，上述训练单元进一步被配置成：确定第一相关度与第一训练样本中的相关度的差值作为第一差值；确定第二相关度与第二训练样本中的相关度的差值作为第二差值；根据第一差值和第二差值，确定损失函数的值。

在一些实施例中，训练样本集中的训练样本包括的信息对对应的相关度与对应的相同用户数正相关。

在一些实施例中，信息对对应的相同用户数用于表示对信息对中的两个信息分别执行过预设操作集中的同一预设操作的用户的数目。

第三方面，本公开的实施例提供了一种用于推送信息的方法，该方法包括：获取目标用户对应的目标信息，其中，目标用户对目标信息执行过预设操作；获取待推送信息集；对于待推送信息集中的待推送信息，将目标信息和该待推送信息输入至相关度确定模型，得到目标信息和该待推送信息之间的相关度，其中，相关度确定模型通过如第一方面中任一实现方式描述的方法生成；根据对应的相关度，从待推送信息集中选取待推送信息，以及将所选取的待推送信息推送至目标用户对应的终端设备。

第四方面，本公开的实施例提供了一种用于推送信息的装置，该装置包括：信息获取单元，被配置成获取目标用户对应的目标信息，其中，目标用户对目标信息执行过预设操作；信息获取单元，进一步被配置成获取待推送信息集；确定单元，被配置成对于待推送信息集中的待推送信息，将目标信息和该待推送信息输入至相关度确定模型，得到目标信息和该待推送信息之间的相关度，其中，相关度确定模型通过如第一方面中任一实现方式描述的方法生成；推送单元，被配置成根据对应的相关度，从待推送信息集中选取待推送信息，以及将所选取的待推送信息推送至目标用户对应的终端设备。

第五方面，本公开的实施例提供了一种服务器，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第六方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

现有技术中，对于一信息对，一般采用该信息对中的两个信息之间的相似度来表征两个信息之间的相关度。具体地，通常是先分别提取能够用于表征这两个信息的特征向量，然后计算两个特征向量之间的相似度，从而得到该信息对对应的相关度。

一方面由于相似度较高的两个信息之间的相关度不一定较高，而相似度较低的两个信息之间的相关度也不一定较低。因此，通过相似度来衡量信息之间的相关度很容易出现误差，准确度较差。另一方面，在一些需要计算大量信息对对应的相关度的情况下，对应的计算量也会非常大。

本公开的实施例提供的用于生成相关度确定模型的方法和装置，根据信息对对应的相同用户数来确定信息对对应的相关度。即利用用户的行为数据来分析信息之间的相关性。通常地，每个用户的兴趣都会集中于若干种类型的信息。所以可以认为被同一用户都执行过交互操作的两个信息之间自然有一定的相关性。而被越多的用户都执行过交互操作的两个信息，可以认为这两个信息之间的相关性越高。

基于此，可以借助用户的行为数据，使用信息对对应的相同用户数来表征信息对中的两个信息之间的相关度。一方面由于用户的行为数据可以良好的反映信息之间的相关度，因此通过这种方式有助于提升确定出的相关度的准确性。另一方面在具体计算信息对对应的相关度时，只需要统计分别对这两个信息执行过交互操作的相同用户的数目，大大减少了这一过程的计算量，从而减轻计算相关度的电子设备的计算压力。

因此，选用基于信息对对应的相同用户数计算出的相关度作为训练样本，训练得到相关度确定模型，能够保证训练出的相关度确定模型的输出结果的准确性。而且在训练样本的采集过程中，减轻采集训练样本的电子设备的计算压力，加快训练样本的采集速度。

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，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成相关度确定模型的方法的一个实施例的流程图；

图3是根据本公开的用于生成相关度确定模型的方法的又一个实施例的流程图；

图4是根据本公开的用于推送信息的方法的一个实施例的流程图；

图5是根据本公开的实施例的用于推送信息的方法的一个应用场景的示意图；

图6是根据本公开的用于生成相关度确定模型的装置的一个实施例的结构示意图；

图7是根据本公开的用于推送信息的装置的一个实施例的结构示意图；

图8是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开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，本公开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公开。

图1示出了可以应用本公开的用于生成相关度确定模型的方法或用于生成相关度确定模型的装置的实施例的示例性架构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。

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上可以安装有各种客户端应用。例如浏览器类应用、搜索类应用等、图像类应用、视频类应用等等。

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、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多个软件或软件模块)，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，例如基于终端设备101、102、103采集并发送的训练样本集对初始模型训练以得到相关度确定模型的服务器。服务器上可以安装有各种用于训练模型的应用框架、工具、库等等。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105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105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多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，上述训练样本集也可以直接存储在服务器105的本地，或者上述训练样本集也可以由服务器105进行采集得到。此时，服务器105可以直接提取本地所存储的训练样本集并进行处理，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，本公开的实施例所提供的用于生成相关度确定模型的方法一般由服务器105执行，相应地，用于生成相关度确定模型的装置一般设置于服务器105中。

还需要指出的是，终端设备101、102、103中也可以安装有用于训练模型的应用框架、工具、库等。此时，终端设备101、102、103也可以基于所安装的应用框架、工具、库等，利用训练样本集对初始模型进行训练。此时，用于生成相关度确定模型的方法也可以由终端设备101、102、103执行，相应地，用于生成相关度确定模型的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

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。

继续参考图2，其示出了根据本公开的用于生成相关度确定模型的方法的一个实施例的流程200。该用于生成相关度确定模型的方法包括以下步骤：

步骤201，获取训练样本集。

在本实施例中，用于生成相关度确定模型的方法的执行主体(如图1所示的服务器105)可以从其它终端设备(如图1所示的终端设备101、102、103)、或连接的数据库、第三方数据平台等获取训练样本集。当然，训练样本集也可以直接存储于上述执行主体的本地。此时，可以直接从本地获取训练样本集。

训练样本集中的每个样本可以包括信息对和信息对中的两个信息之间的相关度。其中，信息对中的信息可以用来表示任意的信息。例如，信息可以用来表示文本、图像、视频、音频等等。信息的形式也可以多种多样。例如，信息可以是一文本本身，信息也可以是用于表征一文本的特征向量。

相关度可以用于表征两个信息之间的关联程度。一般地，相关度越高，表征两个信息之间的关联程度越高。对于一信息对，该信息对中的两个信息之间的相关度可以通过如下步骤确定：可以先获取该信息对对应的相同用户数。然后根据得到的相同用户数，确定两个信息之间的相关度。

信息对对应的相同用户数可以用于表示对信息对中的两个信息分别执行过预设操作集中的预设操作的用户的数目。其中，预设操作集可以指由技术人员预先指定的一些预设操作的集合。预设操作可以指任意的用户操作。例如，预设操作集可以包括用于表示点击操作的预设操作、用于表示评论操作的预设操作等等。

以一个示例作为说明，若预设操作集中包含有两个个预设操作“A”、“B”。其中，“A”表示点击操作，“B”表示评论操作。一信息对中包括两个信息分别为第一信息和第二信息。若第一用户对第一信息执行了点击操作，对第二信息执行了评论操作。那么第一用户就是对这两个信息分别执行过预设操作集中的预设操作的用户。

在本实施例的一些可选的实现方式中，信息对对应的相同用户数可以用于表示对信息对中的两个信息分别执行过预设操作集中的同一预设操作的用户的数目。

继续以上述示例作为说明，由于第一用户对第一信息和第二信息分别执行的是不同的用户操作，那么第一用户就不是对这两个信息分别执行过预设操作集中的同一预设操作的用户。若第二用户对第一信息执行了点击操作，对第二信息也执行了点击操作。那么第二用户就是对这两个信息分别执行过预设操作集中的同一预设操作的用户。

在本实施例的一些可选的实现方式中，信息对对应的相关度可以与信息对对应的相同用户数正相关。此时，可以直接将信息对对应的相关用户数或者乘以预设调整参数之后的相关用户数作为信息对对应的相关度。

在本实施例的一些可选的实现方式中，可以为不同的用户预先设置不同的权重。例如，对于活跃度较高或者影响力较大(如关注该用户的用户数较多)的用户设置较高的权重。然后可以统计各种权重分别对应的用户数目，进而可以将各个用户数目的加权和作为信息对对应的相关度。

确定两个信息之间的相关度的执行主体可以是上述用于生成相关度确定模型的方法执行主体，也可以是其它终端设备。当然，生成训练样本集的执行主体也可以是上述用于生成相关度确定模型的方法执行主体，也可以是其它终端设备。

步骤202，利用机器学习的方法，基于训练样本集和预设的损失函数，训练得到相关度确定模型。

在本实施例中，可以利用现有的一些深度学习框架(如Tensorflow、Caffe等)，基于上述训练样本集和预设的损失函数，训练得到相关度确定模型。其中，相关度确定模型可以用于表征信息对与信息对中的两个信息之间的相关度的对应关系。

作为示例，可以先从训练样本集中选取训练样本，然后可以执行如下所示的训练步骤。其中，选取训练样本的选取方式可以灵活设置。例如，可以从训练样本中随机选取预设数目的训练样本，也可以从训练样本中选取未被选取过的、预设数目的训练样本。

训练步骤一，将选取的训练样本中的信息对中的两个信息输入至初始模型，得到输出的相关度。

在本步骤中，初始模型可以是各种类型的未经训练的或未训练完成的人工神经网络，例如深度学习模型。初始模型也可以是对多种未经训练的或未训练完成的人工神经网络进行组合得到的模型。具体地，技术人员可以根据实际的应用需求(如需要包括哪些层、每层的层数、卷积核的大小等)构建初始模型。

应当可以理解，若选取的样本的数目大于一个，则将各个样本中的信息对中的两个信息分别输入初始模型。对应地，可以得到多个输出的相关度。

训练步骤二，根据输出的相关度和输入的训练样本中的相关度的比较结果，确定损失函数的值。

在本步骤中，损失函数的值可以用于表示输出的相关度和输入的训练样本中的相关度的差异程度。理想地，输出的相关度和输入的训练样本中的相关度相同。损失函数的具体形式可以由技术人员根据应用场景预先进行设置。

训练步骤三，根据损失函数的值确定初始模型是否训练完成。

在本实施例中，确定初始模型是否训练完成的判断方式可以由技术人员根据实际的应用需求设置。例如，可以通过判断损失函数的值是否小于预设的损失阈值来确定初始模型是否训练完成。若损失函数的值大于损失阈值，则确定初始模型未训练完成。

训练步骤四，响应于确定初始模型训练完成，将训练完成的初始模型确定为相关度确定模型。响应于确定初始模型未训练完成，根据损失函数的值调整初始模型的参数，以及从训练样本集中重新选取训练样本，使用调整后的初始模型作为初始模型，继续执行上述训练步骤。

在上述实现方式中，可以根据确定的损失函数的值，利用梯度下降和反向传播算法来调整初始模型的参数，使得调整后的初始模型输出的相关度与输入的训练样本中的相关度的差异尽可能小。

对初始模型的训练过程通常需要多次迭代训练，在训练过程中，可以设置多种判断初始模型是否训练完成的方式。例如，第一次对初始模型进行训练时，可以根据损失函数的值与损失阈值的大小关系来确定初始模型是否训练完成。在对初始模型调整参数之后，可以根据不同参数下的初始模型对应的损失函数的值的总和判断调整后的初始模型是否训练完成。举例来说，可以通过判断连续多次调整参数后的初始模型对应的损失函数的值的差异是否小于预设的差异阈值来确定是否训练完成。

本公开的上述实施例提供的方法借助用户的行为数据，使用信息对对应的相同用户数来表征信息对中的两个信息之间的相关度。一方面由于用户的行为数据可以良好的反映信息之间的相关度，因此通过这种方式有助于提升确定出的相关度的准确性。而且，训练样本中的相关度的准确度，也保证了基于训练样本训练得到相关度确定模型的输出结果的准确性。另一方面在具体计算信息对对应的相关度时，只需要统计分别对这两个信息执行过交互操作的相同用户的数目，大大减少了这一过程的计算量，从而减轻计算相关度的电子设备的计算压力。

进一步参考图3，其示出了用于生成相关度确定模型的方法的又一个实施例的流程300。该用于生成相关度确定模型的方法的流程300，包括以下步骤：

步骤301，获取训练样本集。

本步骤301的具体的执行过程可参考图2对应实施例中的步骤201的相关说明，在此不再赘述。

步骤302，从训练样本集中选取两个训练样本分别作为第一训练样本和第二训练样本，以及执行如下训练步骤3021-3023：

在本步骤中，一般地，从训练样本集中选取的两个训练样本可以不同。

步骤3021，将第一训练样本中的信息对输入至初始模型，得到第一训练样本对应的第一相关度，以及将第二训练样本中的信息对输入至初始模型，得到第二训练样本对应的第二相关度。

步骤3022，基于得到的第一相关度、第二相关度、第一训练样本中的相关度、第二训练样本中的相关度，确定损失函数的值。

在本步骤中，损失函数可以由技术人员预先进行设置。例如，可以计算第一相关度与第二相关度的商值，以及第一训练样本中的相关度与第二训练样本中的相关度的商值。然后得到的两个商值的差异程度，确定损失函数的值。

在本实施例的一些可选的实现方式中，可以确定第一相关度与第一训练样本中的相关度的差值作为第一差值，以及确定第二相关度与第二训练样本中的相关度的差值作为第二差值。然后，可以根据第一差值和第二差值，确定损失函数的值。

应当可以理解，第一训练样本中的相关度与第二训练样本中的相关度的大小关系，应该与理想得到的第一相关度和第二相关度的大小关系一致。举例来说，若第一训练样本中的相关度大于第二训练样本中的相关度，那么理想地，得到的第一相关度也应该大于得到的第二相关度。即理想地，第一差值的正负号应该与第二差值的正负号一致，且第一差值应当等于第二差值。若两者的符号不一致，则表示可能需要调整初始模型的参数以使第一差值与第二差值的正负号一致，且第一差值与第二差值的差异尽可能的小。因此，可以基于这种关系来设计损失函数。

步骤3023，根据损失函数的值确定初始模型是否训练完成响应于根据损失函数的值确定初始模型训练完成，执行如下步骤30231。响应于确定根据损失函数的值确定初始模型未训练完成，执行如下步骤30232。

在本步骤中，可以预先设置初始模型训练完成的条件。例如损失函数的值在预设的区间之内等等。根据预设的条件来判断初始模型是否训练完成。

步骤30231，将初始模型确定为相关度确定模型。

步骤30232，调整初始模型的参数，以及从训练样本集中重新选取两个训练样本分别作为第一训练样本和第二训练样本，使用调整后的初始模型作为初始模型，继续上述训练步骤。

在本步骤中，若确定初始模型未训练完成，可以根据损失函数的值，利用梯度下降和反向传播算法来调整初始模型的参数。之后重新选取两个训练样本对调整后的初始模型进行训练。

实践中，每次选取两个训练样本对最新的初始模型进行训练，并根据初始模型的输出结果调整参数，并重新选取两个训练样本进行训练。由于对初始模型的训练过程通常需要多次迭代训练，因此这种方式可能反复地在调整初始模型的参数，训练过程也比较慢。因此，可以每次以两个训练样本为一组，每次从训练样本集中选取多组训练样本组。并基于这多组训练样本组对应的初始模型的输出结果，确定损失函数的值，调整一次初始模型的参数。这样就可以加快初始模型的训练速度。

应当可以理解，上述只是一个举例，在实践中，可以根据具体的应用场景，灵活选择合适的训练方式对初始模型进行训练。本公开对此不作限制。

本公开的上述实施例提供的方法通过每次选取一组训练样本对初始模型进行训练，并根据这一组训练样本中的相关度，以及训练过程中得到的相关度来确定损失函数的值。在每次只选取单个训练样本对初始模型训练时，在一些各个训练样本中的信息对和相关度都差异较小的情况下，训练效率较低，而且训练出的相关度确定模型的准确度在这种情况下也可能会较差。通过每次选取一组训练样本的方式，可以根据两个训练样本对应的比较关系来对初始模型进行训练，有助于加快对初始模型的训练速度和训练出的相关度确定模型的准确度。

进一步参考图4，其示出了用于推送信息的方法的一个实施例的流程400。该用于推送信息的方法的流程400，包括以下步骤：

步骤401，获取目标用户对应的目标信息。

在本实施例中，用户推送信息的方法的执行主体(如图1所示的服务器105)可以从连接的数据库或其它数据平台、终端设备获取目标用户对应的目标信息。其中，目标用户可以是任意的用户。目标用户可以由技术人员预先指定，或者根据预设的筛选条件而确定。

目标用户可以对目标信息执行过预设操作。其中，目标信息可以是任意形式的信息。例如文字、图像、音频、视频等等。预设操作可以指由技术人员预设指定的用户操作。例如，预设操作可以是用于表示点击操作的预设操作。

可选地，目标信息可以指目标用户距离当前时间最近一次执行的预设操作对应的信息。

步骤402，获取待推送信息集。

在本实施例中，待推送信息集中的待推送信息可以是任意的信息。上述执行主体可以从数据库中或其它数据平台、终端设备获取待推送信息集。当然，待推送信息集也可以预先存储于上述执行主体的本地。此时，可以直接从本地获取待推送信息集。

步骤403，对于待推送信息集中的待推送信息，将目标信息和该待推送信息输入至相关度确定模型，得到目标信息和该待推送信息之间的相关度。

在本实施例中，相关度确定模型可以通过上述图2和图3对应实施例所描述的方法生成。

步骤404，根据对应的相关度，从待推送信息集中选取待推送信息，以及将所选取的待推送信息推送至目标用户对应的终端设备。

在本实施例中，相关度越高，可以表示用户会对对应的待推送信息执行上述预设操作的概率越大。因此，可以优先推送相关度较高的待推送信息。这样也可以尽量保证用户接收到的信息都是用户比较感兴趣的，避免向用户推送一些对用户比较无用的信息。

例如，可以按照对应的相关度从大到小的顺序，从待推送信息集中选取预设数目个待推送信息。又例如，可以先根据预设的相关度阈值，筛选部分对应的相关度大于相关度阈值的待推送信息。然后从筛选出的待推送信息中随机选取待推送信息进行推送。

继续参见图5，图5是根据本实施例的用于推送信息的方法的应用场景的一个示意图500。在图5的应用场景中，上述执行主体可以获取用户当前通过使用的终端设备501点击浏览的信息502作为目标信息。然后可以从数据库503中获取待推送信息集504。

如图中标号504所示，待推送信息集包括三个待推送信息。以其中一个待推送信息5041作为示例，将目标信息502和待推送信息5041输入至预先训练的相关度确定模型505中，得到目标信息502和待推送信息5041的相关度506。类似地，可以将目标信息502分别和另两个待推送信息输入至相关度确定模型505，得到另两个待推送信息分别与目标信息502之间的相关度。

之后，可以比较待推送信息集504中的三个待推送信息分别对应的相关度的大小，从中选取出对应的相关度最大的待推送信息5041。进一步地，可以将选取出的待推送信息5041推送至用户所使用的终端设备501。

本公开的上述实施例提供的方法利用上述图2和图3对应的实施例描述的方法生成的相关度确定模型来计算用户历史操作对应的目标信息分别与各个待推送信息的相关度。之后基于得到的相关度，选取待推送信息并推送至用户。在前述基于相关度确定模型来计算相关度的速度快和准确性的基础上，使得向用户推送待推送信息的速度也变快，从而减小用户对应终端设备的响应延迟。

同时，通过向用户推送与用户历史操作对应的目标信息的相关度较高的待推送信息，从而保证用户对向用户推送的待推送信息执行交互操作的概率，保准推送的待推送信息的准确性，避免向用户推送其不太感兴趣的信息，以减少信息推送双方的流量消耗和资源消耗。

进一步参考图6，作为对上述图2和图3所示方法的实现，本公开提供了用于生成相关度确定模型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，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例提供的用于生成相关度确定模型的装置600包括训练样本集获取单元601和训练单元602。其中，训练样本集获取单元601被配置成获取训练样本集，其中，训练样本集中的训练样本包括信息对和信息对中的信息之间的相关度，其中，信息对对应的相关度通过如下步骤确定：获取信息对对应的相同用户数，以及根据信息对对应的相同用户数，确定信息对中的信息之间的相关度，其中，信息对对应的相同用户数用于表示对信息对中的两个信息分别执行过预设操作集中的预设操作的用户的数目；训练单元602被配置成利用机器学习的方法，基于训练样本集和预设的损失函数，训练得到相关度确定模型，其中，相关度确定模型用于表征信息对与信息对中的信息之间的相关度的对应关系。

在本实施例中，用于生成相关度确定模型的装置600中：训练样本集获取单元601和训练单元602的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201和步骤202的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述训练单元602进一步被配置成：从训练样本集中选取两个训练样本分别作为第一训练样本和第二训练样本，以及执行如下训练步骤：将第一训练样本中的信息对输入至初始模型，得到第一训练样本对应的第一相关度，以及将第二训练样本中的信息对输入至初始模型，得到第二训练样本对应的第二相关度；基于得到的第一相关度、第二相关度、第一训练样本中的相关度、第二训练样本中的相关度，确定损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为相关度确定模型。

在本实施例的一些可选的实现方式中，上述训练单元602进一步被配置成：响应于确定根据损失函数的值确定初始模型未训练完成，调整初始模型的参数，以及从训练样本集中重新选取两个训练样本分别作为第一训练样本和第二训练样本，使用调整后的初始模型作为初始模型，继续执行训练步骤。

在本实施例的一些可选的实现方式中，上述训练单元602进一步被配置成：确定第一相关度与第一训练样本中的相关度的差值作为第一差值；确定第二相关度与第二训练样本中的相关度的差值作为第二差值；根据第一差值和第二差值，确定损失函数的值。

在本实施例的一些可选的实现方式中，训练样本集中的训练样本包括的信息对对应的相关度与对应的相同用户数正相关。

在本实施例的一些可选的实现方式中，信息对对应的相同用户数用于表示对信息对中的两个信息分别执行过预设操作集中的同一预设操作的用户的数目。

本公开的上述实施例提供的装置，通过训练样本集获取单元601获取训练样本集，其中，训练样本集中的训练样本包括信息对和信息对中的信息之间的相关度，其中，信息对对应的相关度通过如下步骤确定：获取信息对对应的相同用户数，以及根据信息对对应的相同用户数，确定信息对中的信息之间的相关度，其中，信息对对应的相同用户数用于表示对信息对中的两个信息分别执行过预设操作集中的预设操作的用户的数目；训练单元602利用机器学习的方法，基于训练样本集和预设的损失函数，训练得到相关度确定模型，其中，相关度确定模型用于表征信息对与信息对中的信息之间的相关度的对应关系。即使用信息对对应的相同用户数来表征信息对中的两个信息之间的相关度。一方面由于用户的行为数据可以良好的反映信息之间的相关度，因此通过这种方式有助于提升确定出的相关度的准确性。而且，训练样本中的相关度的准确度，也保证了基于训练样本训练得到相关度确定模型的输出结果的准确性。另一方面在具体计算信息对对应的相关度时，只需要统计分别对这两个信息执行过交互操作的相同用户的数目，大大减少了这一过程的计算量，从而减轻计算相关度的电子设备的计算压力。

进一步参考图7，作为对上述图4所示方法的实现，本公开提供了用于推送信息的装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例提供的用于推送信息的装置700包括信息获取单元701、确定单元702和推送单元703。其中，信息获取单元701被配置成获取目标用户对应的目标信息，其中，目标用户对目标信息执行过预设操作；信息获取单元701进一步被配置成获取待推送信息集；确定单元702被配置成对于待推送信息集中的待推送信息，将目标信息和该待推送信息输入至相关度确定模型，得到目标信息和该待推送信息之间的相关度，其中，相关度确定模型通过如第一方面中任一实现方式描述的方法生成；推送单元703被配置成根据对应的相关度，从待推送信息集中选取待推送信息，以及将所选取的待推送信息推送至目标用户对应的终端设备。

在本实施例中，用于推送信息的装置700中：信息获取单元701、确定单元702和推送单元703的具体处理及其所带来的技术效果可分别参考图4对应实施例中的步骤401-404的相关说明，在此不再赘述。

本公开的上述实施例提供的装置，通过信息获取单元获取目标用户对应的目标信息，以及获取待推送信息集，其中，目标用户对目标信息执行过预设操作；确定单元对于待推送信息集中的待推送信息，将目标信息和该待推送信息输入至相关度确定模型，得到目标信息和该待推送信息之间的相关度，其中，相关度确定模型通过如第一方面中任一实现方式描述的方法生成；推送单元根据对应的相关度，从待推送信息集中选取待推送信息，以及将所选取的待推送信息推送至目标用户对应的终端设备。在前述基于相关度确定模型来计算相关度的速度快和准确性的基础上，使得向用户推送待推送信息的速度也变快，从而减小用户对应终端设备的响应延迟。同时，通过向用户推送与用户历史操作对应的目标信息的相关度较高的待推送信息，从而保证用户对向用户推送的待推送信息执行交互操作的概率，保准推送的待推送信息的准确性，避免向用户推送其不太感兴趣的信息，以减少信息推送双方的流量消耗和资源消耗。

下面参考图8，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)800的结构示意图。图8示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所描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。在本公开的实施例中，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。而在本公开的实施例中，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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。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服务器执行时，使得该服务器：获取训练样本集，其中，训练样本集中的训练样本包括信息对和信息对中的信息之间的相关度，其中，信息对对应的相关度通过如下步骤确定：获取信息对对应的相同用户数，以及根据信息对对应的相同用户数，确定信息对中的信息之间的相关度，其中，信息对对应的相同用户数用于表示对信息对中的两个信息分别执行过预设操作集中的预设操作的用户的数目；利用机器学习的方法，基于训练样本集和预设的损失函数，训练得到相关度确定模型，其中，相关度确定模型用于表征信息对与信息对中的信息之间的相关度的对应关系。

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公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—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，图示了按照本公开各种实施例的系统、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。

描述于本公开的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：一种处理器包括训练样本集获取单元和训练单元。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，训练单元还可以被描述为“利用机器学习的方法，基于训练样本集和预设的损失函数，训练得到相关度确定模型的单元，其中，相关度确定模型用于表征信息对与信息对中的信息之间的相关度的对应关系”。

以上描述仅为本公开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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (14)

1.一种用于生成相关度确定模型的方法，包括：

获取训练样本集，其中，所述训练样本集中的训练样本包括信息对和信息对中的信息之间的相关度，其中，信息对对应的相关度通过如下步骤确定：获取信息对对应的相同用户数，以及根据信息对对应的相同用户数，确定信息对中的信息之间的相关度，其中，信息对对应的相同用户数用于表示对信息对中的两个信息分别执行过预设操作集中的同一预设操作的用户的数目；所述确定信息对中的信息之间的相关度包括：为不同的用户预先设置不同的权重，统计各种权重分别对应的用户数目，将各个所述用户数目的加权和作为信息对对应的相关度；

利用机器学习的方法，基于所述训练样本集和预设的损失函数，训练得到相关度确定模型，其中，相关度确定模型用于表征信息对与信息对中的信息之间的相关度的对应关系。

2.根据权利要求1所述的方法，其中，所述利用机器学习的方法，基于所述训练样本集和预设的损失函数，训练得到相关度确定模型，包括：

从所述训练样本集中选取两个训练样本分别作为第一训练样本和第二训练样本，以及执行如下训练步骤：将第一训练样本中的信息对输入至初始模型，得到第一训练样本对应的第一相关度，以及将第二训练样本中的信息对输入至初始模型，得到第二训练样本对应的第二相关度；基于得到的第一相关度、第二相关度、第一训练样本中的相关度、第二训练样本中的相关度，确定损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为相关度确定模型。

3.根据权利要求2所述的方法，其中，所述训练步骤还包括：响应于确定根据损失函数的值确定初始模型未训练完成，调整初始模型的参数，以及从所述训练样本集中重新选取两个训练样本分别作为第一训练样本和第二训练样本，使用调整后的初始模型作为初始模型，继续执行所述训练步骤。

4.根据权利要求2所述的方法，其中，所述基于得到的第一相关度、第二相关度、第一训练样本中的相关度、第二训练样本中的相关度，确定损失函数的值，包括：

确定第一相关度与第一训练样本中的相关度的差值作为第一差值；

确定第二相关度与第二训练样本中的相关度的差值作为第二差值；

根据所述第一差值和所述第二差值，确定损失函数的值。

5.根据权利要求1所述的方法，其中，所述训练样本集中的训练样本包括的信息对对应的相关度与对应的相同用户数正相关。

6.一种用于生成相关度确定模型的装置，包括：

训练样本集获取单元，被配置成获取训练样本集，其中，所述训练样本集中的训练样本包括信息对和信息对中的信息之间的相关度，其中，信息对对应的相关度通过如下步骤确定：获取信息对对应的相同用户数，以及根据信息对对应的相同用户数，确定信息对中的信息之间的相关度，其中，信息对对应的相同用户数用于表示对信息对中的两个信息分别执行过预设操作集中的同一预设操作的用户的数目，信息对对应的相关度与对应的相同用户数正相关；所述确定信息对中的信息之间的相关度包括：为不同的用户预先设置不同的权重，统计各种权重分别对应的用户数目，将各个所述用户数目的加权和作为信息对对应的相关度；

训练单元，被配置成利用机器学习的方法，基于所述训练样本集和预设的损失函数，训练得到相关度确定模型，其中，相关度确定模型用于表征信息对与信息对中的信息之间的相关度的对应关系。

7.根据权利要求6所述的装置，其中，所述训练单元进一步被配置成：

从所述训练样本集中选取两个训练样本分别作为第一训练样本和第二训练样本，以及执行如下训练步骤：将第一训练样本中的信息对输入至初始模型，得到第一训练样本对应的第一相关度，以及将第二训练样本中的信息对输入至初始模型，得到第二训练样本对应的第二相关度；基于得到的第一相关度、第二相关度、第一训练样本中的相关度、第二训练样本中的相关度，确定损失函数的值；响应于根据损失函数的值确定初始模型训练完成，将初始模型确定为相关度确定模型。

8.根据权利要求7所述的装置，其中，所述训练单元进一步被配置成：

响应于确定根据损失函数的值确定初始模型未训练完成，调整初始模型的参数，以及从所述训练样本集中重新选取两个训练样本分别作为第一训练样本和第二训练样本，使用调整后的初始模型作为初始模型，继续执行所述训练步骤。

9.根据权利要求7所述的装置，其中，所述训练单元进一步被配置成：

确定第一相关度与第一训练样本中的相关度的差值作为第一差值；

确定第二相关度与第二训练样本中的相关度的差值作为第二差值；

根据所述第一差值和所述第二差值，确定损失函数的值。

10.根据权利要求6所述的装置，其中，所述训练样本集中的训练样本包括的信息对对应的相关度与对应的相同用户数正相关。

11.一种用于推送信息的方法，包括：

获取目标用户对应的目标信息，其中，所述目标用户对所述目标信息执行过预设操作；

获取待推送信息集；

对于所述待推送信息集中的待推送信息，将所述目标信息和该待推送信息输入至相关度确定模型，得到所述目标信息和该待推送信息之间的相关度，其中，所述相关度确定模型通过如权利要求1-5之一所述的方法生成；

根据对应的相关度，从所述待推送信息集中选取待推送信息，以及将所选取的待推送信息推送至所述目标用户对应的终端设备。

12.一种用于推送信息的装置，包括：

信息获取单元，被配置成获取目标用户对应的目标信息，其中，所述目标用户对所述目标信息执行过预设操作；

所述信息获取单元，进一步被配置成获取待推送信息集；确定单元，被配置成对于所述待推送信息集中的待推送信息，将所述目标信息和该待推送信息输入至相关度确定模型，得到所述目标信息和该待推送信息之间的相关度，其中，所述相关度确定模型通过如权利要求1-5之一所述的方法生成；

推送单元，被配置成根据对应的相关度，从所述待推送信息集中选取待推送信息，以及将所选取的待推送信息推送至所述目标用户对应的终端设备。

13.一种服务器，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1-5、11中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-5、11中任一所述的方法。

Images