CN112000888B - 信息推送方法、装置、服务器及存储介质 - Google Patents
信息推送方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN112000888B CN112000888B CN202010858613.4A CN202010858613A CN112000888B CN 112000888 B CN112000888 B CN 112000888B CN 202010858613 A CN202010858613 A CN 202010858613A CN 112000888 B CN112000888 B CN 112000888B
- Authority
- CN
- China
- Prior art keywords
- information
- category
- account
- pushed
- 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 44
- 239000013598 vector Substances 0.000 claims description 236
- 230000004927 fusion Effects 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 23
- 238000007499 fusion processing Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种信息推送方法、装置、服务器及存储介质,该方法包括:获取待推送账户的账户特征;从至少一层信息类别层中,确定出符合所述待推送账户的账户特征的目标信息类别;每个信息类别层中包括至少两个信息类别;从所述目标信息类别对应的信息中,确定出符合所述待推送账户的账户特征的目标信息;将所述目标信息推送至所述待推送账户。采用本方法,有利于提高目标信息的确定准确度,从而使得推送给待推送账户的信息更加准确,进而提高了信息推送的准确率,同时避免了仅仅将召回的信息推送给账户,导致信息推送的准确率较低的缺陷。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种信息推送方法、装置、服务器及存储介质。
背景技术
随着计算机技术的发展,各式各样的信息层出不穷,在用户通过应用程序浏览信息的过程中,一些信息会基于用户请求推送至相应的用户。
相关技术中,目前的信息推送方法,一般是从信息库中召回若干个信息,比如基于热度召回若干个信息,再将这些信息推送至用户;但是,召回的这些信息不一定是定向该用户,导致信息推送的准确率较低。
发明内容
本公开提供一种信息推送方法、装置、服务器及存储介质,以至少解决相关技术中信息推送的准确率较低的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种信息推送方法,包括:
获取待推送账户的账户特征;
从至少一层信息类别层中,确定出符合所述待推送账户的账户特征的目标信息类别;每个信息类别层中包括至少两个信息类别;
从所述目标信息类别对应的信息中,确定出符合所述待推送账户的账户特征的目标信息;
将所述目标信息推送至所述待推送账户。
在一示例性实施例中,所述从至少一层信息类别层中,确定出符合所述待推送账户的账户特征的目标信息类别,包括:
获取待推送账户的账户特征向量,以及至少一层信息类别层中的第一信息类别层中的各个信息类别对应的类别特征向量;所述待推送账户的账户特征向量为基于所述待推送账户的账户特征融合得到;
根据所述账户特征向量以及各个所述类别特征向量,从各个所述信息类别中确定出符合所述待推送账户的账户特征的候选信息类别;
根据所述账户特征向量与所述候选信息类别的各个子信息类别的类别特征向量,从所述候选信息类别的各个子信息类别中再次确定出符合所述待推送账户的账户特征的候选信息类别,直到确定出的候选信息类别属于第二信息类别层;所述第二信息类别层中的信息类别不包含子信息类别;
当确定出的候选信息类别属于所述第二信息类别层时,将所述候选信息类别作为目标信息类别。
在一示例性实施例中,所述根据所述账户特征向量以及各个所述类别特征向量,从各个所述信息类别中确定出符合所述待推送账户的账户特征的候选信息类别,包括:
分别将所述账户特征向量与各个所述类别特征向量进行融合处理,得到各个所述信息类别的融合向量;
将各个所述融合向量输入预先训练的信息推送模型,利用所述预先训练的信息推送模型对各个所述融合向量进行全连接处理,得到各个所述信息类别的推荐度;
从各个所述信息类别中确定出所述推荐度大于预设阈值的信息,作为符合所述待推送账户的账户特征的候选信息类别。
在一示例性实施例中,所述从所述目标信息类别对应的信息中,确定出符合所述待推送账户的账户特征的目标信息,包括:
获取所述目标信息类别对应的各个信息的信息特征向量;
分别将所述账户特征向量与各个所述信息特征向量进行融合处理,得到各个所述信息的融合向量;
将各个所述融合向量输入预先训练的信息推送模型,利用所述预先训练的信息推送模型对各个所述融合向量进行全连接处理,得到各个所述信息的推荐度;
从各个所述信息中确定出所述推荐度大于预设阈值的信息类别,作为符合所述待推送账户的账户特征的目标信息。
在一示例性实施例中,所述预先训练的信息推送模型通过下述方式训练得到:
获取训练样本集;所述训练样本集包括样本账户特征向量、样本信息的信息特征向量、所述样本信息的信息类别的类别特征向量、所述样本信息的实际推送结果以及所述信息类别的实际推送结果;
将所述样本账户特征向量、所述信息特征向量或者类别特征向量输入待训练的信息推送模型,得到所述样本信息的推送结果或者所述信息类别的推送结果;
根据所述样本信息的推送结果与对应的所述实际推送结果,或者所述信息类别的推送结果与对应的所述实际推送结果,确定所述信息推送模型的损失值;
根据所述损失值反向训练所述信息推送模型,直至所述信息推送模型满足收敛条件,得到所述预先训练的信息推送模型。
在一示例性实施例中,所述将所述目标信息推送至所述待推送账户,包括:
按照所述目标信息对应的推荐度,对所述目标信息进行排序,得到排序后的目标信息;
将所述排序后的目标信息推送至所述待推送账户。
在一示例性实施例中,所述获取所述目标信息类别对应的各个信息的信息特征向量,包括:
获取所述目标信息类别对应的各个信息的信息特征;
通过预先训练的特征向量生成模型,对所述目标信息类别对应的各个信息的信息特征进行融合处理,生成所述目标信息类别对应的各个信息的信息特征向量。
根据本公开实施例的第二方面,提供一种信息推送装置,包括:
账户特征获取单元,被配置为执行获取待推送账户的账户特征;
信息类别确定单元,被配置为执行从至少一层信息类别层中,确定出符合所述待推送账户的账户特征的目标信息类别;每个信息类别层中包括至少两个信息类别;
目标信息确定单元,被配置为执行从所述目标信息类别对应的信息中,确定出符合所述待推送账户的账户特征的目标信息;
目标信息推送单元,被配置为执行将所述目标信息推送至所述待推送账户。
在一示例性实施例中,所述信息类别确定单元,还被配置为执行获取待推送账户的账户特征向量,以及至少一层信息类别层中的第一信息类别层中的各个信息类别对应的类别特征向量;所述待推送账户的账户特征向量为基于所述待推送账户的账户特征融合得到;根据所述账户特征向量以及各个所述类别特征向量,从各个所述信息类别中确定出符合所述待推送账户的账户特征的候选信息类别;根据所述账户特征向量与所述候选信息类别的各个子信息类别的类别特征向量,从所述候选信息类别的各个子信息类别中再次确定出符合所述待推送账户的账户特征的候选信息类别,直到确定出的候选信息类别属于第二信息类别层;所述第二信息类别层中的信息类别不包含子信息类别;当确定出的候选信息类别属于所述第二信息类别层时,将所述候选信息类别作为目标信息类别。
在一示例性实施例中,所述信息类别确定单元,还被配置为执行分别将所述账户特征向量与各个所述类别特征向量进行融合处理,得到各个所述信息类别的融合向量;将各个所述融合向量输入预先训练的信息推送模型,利用所述预先训练的信息推送模型对各个所述融合向量进行全连接处理,得到各个所述信息类别的推荐度;从各个所述信息类别中确定出所述推荐度大于预设阈值的信息类别,作为符合所述待推送账户的账户特征的候选信息类别。
在一示例性实施例中,所述目标信息确定单元,还被配置为执行获取所述目标信息类别对应的各个信息的信息特征向量;分别将所述账户特征向量与各个所述信息特征向量进行融合处理,得到各个所述信息的融合向量;将各个所述融合向量输入预先训练的信息推送模型,利用所述预先训练的信息推送模型对各个所述融合向量进行全连接处理,得到各个所述信息的推荐度;从各个所述信息中确定出所述推荐度大于预设阈值的信息,作为符合所述待推送账户的账户特征的目标信息。
在一示例性实施例中,所述信息推送装置还包括模型训练单元,被配置为执行获取训练样本集;所述训练样本集包括样本账户特征向量、样本信息的信息特征向量、所述样本信息的信息类别的类别特征向量、所述样本信息的实际推送结果以及所述信息类别的实际推送结果;将所述样本账户特征向量、所述信息特征向量或者类别特征向量输入待训练的信息推送模型,得到所述样本信息的推送结果或者所述信息类别的推送结果;根据所述样本信息的推送结果与对应的所述实际推送结果,或者所述信息类别的推送结果与对应的所述实际推送结果,确定所述信息推送模型的损失值;根据所述损失值反向训练所述信息推送模型,直至所述信息推送模型满足收敛条件,得到所述预先训练的信息推送模型。
在一示例性实施例中,所述目标信息推送单元,还被配置为执行按照所述目标信息对应的推荐度,对所述目标信息进行排序,得到排序后的目标信息;将所述排序后的目标信息推送至所述待推送账户。
在一示例性实施例中,所述目标信息确定单元,还被配置为执行获取所述目标信息类别对应的各个信息的信息特征;通过预先训练的特征向量生成模型,对所述目标信息类别对应的各个信息的信息特征进行融合处理,生成所述目标信息类别对应的各个信息的信息特征向量。
根据本公开实施例的第三方面,提供一种服务器,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现如第一方面的任一项实施例中所述的信息推送方法。
根据本公开实施例的第四方面,提供一种存储介质,包括:当所述存储介质中的指令由服务器的处理器执行时,使得所述服务器能够执行第一方面的任一项实施例中所述的信息推送方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,所述程序产品包括计算机程序,所述计算机程序存储在可读存储介质中,设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序,使得设备执行第一方面任一项实施例中所述的信息推送方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
通过获取待推送账户的账户特征,并从至少一层信息类别层中,确定出符合待推送账户的账户特征的目标信息类别,每个信息类别层中包括至少两个信息类别;然后从目标信息类别对应的信息中,确定出符合待推送账户的账户特征的目标信息;最后将目标信息推送至待推送账户;实现了从符合待推送账户的账户特征的目标信息类别对应的信息中,确定出符合待推送账户的账户特征的目标信息,并推送至待推送账户的目的,综合考虑了待推送账户的账户特征、信息类别以及信息类别对应的信息,有利于提高目标信息的确定准确度,从而使得推送给待推送账户的信息更加准确,进而提高了信息推送的准确率,同时避免了仅仅将召回的信息推送给账户,导致信息推送的准确率较低的缺陷。
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,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种信息推送方法的应用环境图。
图2是根据一示例性实施例示出的一种信息推送方法的流程图。
图3是根据一示例性实施例示出的确定出目标信息类别的步骤的流程图。
图4是根据一示例性实施例示出的目标信息的确定示意图。
图5是根据一示例性实施例示出的信息推送模型的训练步骤的流程图。
图6是根据一示例性实施例示出的另一种信息推送方法的流程图。
图7是根据一示例性实施例示出的一种信息推送装置的框图。
图8是根据一示例性实施例示出的一种服务器的内部结构图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开所提供的信息推送方法,可以应用于如图1所示的应用环境中。其中,终端110通过网络与服务器120进行交互。终端110将待推送账户的账户特征发送至服务器120,服务器120获取待推送账户的账户特征;从至少一层信息类别层中,确定出符合待推送账户的账户特征的目标信息类别;每个信息类别层中包括至少两个信息类别;从目标信息类别对应的信息中,确定出符合待推送账户的账户特征的目标信息;将目标信息推送至待推送账户对应的终端110,终端110通过界面显示推送的目标信息。其中,终端110可以是但不限于各种智能手机、平板电脑或笔记本电脑等,服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
图2是根据一示例性实施例示出的一种信息推送方法的流程图,如图2所示,信息推送方法用于如图1所示的服务器中,包括以下步骤:
在步骤S210中,获取待推送账户的账户特征。
其中,账户是指终端中的应用程序的注册账户,比如短视频应用程序的注册账户、视频浏览程序的注册账户等。待推送账户是指经过授权且需要进行处理分析的账户,具体是指信息的推送对象;在实际场景中,待推送账户可以是指广告的推送对象。
其中,账户特征是指账户的属性特征,比如性别、年龄、地域、职业、兴趣等。需要说明书的是,本公开提到的账户特征一般是指多个账户特征。
具体地,服务器基于大数据技术,获取网络上经过授权的账户所对应的账户特征,作为待推送账户的账户特征;举例说明,当需要将信息推送至待推送账户时,需要从信息中确定推送至待推送账户的目标信息,此时服务器可以从网络上或者本地数据库中获取待推送账户的性别、年龄等账户特征,便于后续确定出符合待推送账户的账户特征的目标信息。
在步骤S220中,从至少一层信息类别层中,确定出符合待推送账户的账户特征的目标信息类别;每个信息类别层中包括至少两个信息类别。
其中,信息类别层包括同一类别维度的两个或者两个以上信息类别,除最后一个信息类别层,每个信息类别层都具有对应的子信息类别层;子信息类别层具体是由上一层信息类别层中的信息类别的子信息类别所构成;需要说明的是,至少一层信息类别层是指一个或者一个以上信息类别层,且至少一层信息类别层呈树状结构。
其中,信息类别是指信息的类型;在实际场景中,信息是指广告,信息类别为广告类别,广告类别多种多样。
其中,符合待推送账户的账户特征的目标信息类别,是指适合推送给待推送账户的信息类别,可以是指推荐度靠前的信息类别;在实际场景中,目标信息类别是指待推送账户喜爱的信息类别。
具体地,服务器从信息类别层的某个信息类别层的信息类别中,确定出符合待推送账户的账户特征的候选信息类别;从候选信息类别的子信息类别中,再次确定出符合待推送账户的账户特征的候选信息类别,直到确定出的候选信息类别不包含子信息类别;将最后一次确定出的候选信息类别,作为符合待推送账户的账户特征的目标信息类别。这样,基于待推送账户的账户特征,对信息类别进行多次筛选,有利于准确确定出符合待推送账户的账户特征的目标信息类别,便于后续从目标信息类别对应的信息中,确定出符合待推送账户的账户特征的目标信息。
在步骤S230中,从目标信息类别对应的信息中,确定出符合待推送账户的账户特征的目标信息。
其中,每个信息类别对应多个信息,信息可以是指广告、视频、图片、音乐、文章等多媒体信息,比如每个广告类别对应多个广告。符合待推送账户的账户特征的目标信息,是指适合推送给待推送账户的信息,可以是指推荐度靠前的信息;在实际场景中,目标信息是指待推送账户喜爱的信息。
其中,目标信息类别匹配有对应的类别特征向量,目标信息类别的类别特征向量是指经过压缩编码后的用于表示目标信息类别的类别信息的低层语义的低维度特征向量,由目标信息类别对应的信息的信息特征向量融合得到,比如目标信息类别对应的多个信息的信息特征向量均为100维,那么目标信息类别的类别特征向量也为100维,且每一维度的数值等于目标信息类别对应的多个信息的信息特征向量的对应维度的数值的平均值。
其中,信息的信息特征向量是指经过压缩编码后的用于表示信息的低层语义的低维度特征向量,可以通过预先训练的特征向量生成模型得到,比如全连接网络模型。
具体地,服务器获取目标信息类别对应的各个信息的推荐度,从目标信息类别对应的各个信息中,确定出推荐度大于预设阈值的信息,作为符合待推送账户的账户特征的目标信息。这样,实现了从符合待推送账户的账户特征的目标信息类别对应的信息中,确定出符合待推送账户的账户特征的目标信息的目的,提高了目标信息的确定准确率,有利于实现信息的精准推送。
在步骤S240中,将目标信息推送至待推送账户。
具体地,服务器按照预设频率,将目标信息推送至待推送账户对应的终端,通过终端界面显示符合待推送账户的账户特征的目标信息,满足了待推送账户的兴趣需求,从而实现了信息的精准推送,进一步提高了信息推送的准确率。
进一步地,服务器还可以将目标信息进行排序,并将排序后的目标信息推送至待推送账户。
上述信息推送方法中,通过获取待推送账户的账户特征,并从至少一层信息类别层中,确定出符合待推送账户的账户特征的目标信息类别,每个信息类别层中包括至少两个信息类别;然后从目标信息类别对应的信息中,确定出符合待推送账户的账户特征的目标信息;最后将目标信息推送至待推送账户;实现了从符合待推送账户的账户特征的目标信息类别对应的信息中,确定出符合待推送账户的账户特征的目标信息,并推送至待推送账户的目的,综合考虑了待推送账户的账户特征、信息类别以及信息类别对应的信息,有利于提高目标信息的确定准确度,从而使得推送给待推送账户的信息更加准确,进而提高了信息推送的准确率,同时避免了仅仅将召回的信息推送给账户,导致信息推送的准确率较低的缺陷。
在一示例性实施例中,如图3所示,在步骤S220中,从至少一层信息类别层中,确定出符合待推送账户的账户特征的目标信息类别,具体可以通过以下步骤实现:
在步骤S310中,获取待推送账户的账户特征向量,以及至少一层信息类别层中的第一信息类别层中的各个信息类别对应的类别特征向量;待推送账户的账户特征向量为基于待推送账户的账户特征融合得到。
其中,账户特征向量是指经过压缩编码后的用于表示账户的账户特征的低层语义的低维度特征向量,由账户的多个账户特征融合得到。
其中,第一信息类别层是指至少一层信息类别层中的某一个信息类别层,参考图4,第一信息类别层可以是第一个信息类别层,也可以是其他信息类别层,具体本公开不做限定。
具体地,服务器通过预先训练的特征向量生成模型,比如全连接网络模型,对待推送账户的账户特征进行融合处理,生成待推送账户的账户特征向量;从存储有各个信息类别对应的类别特征向量的数据库中,获取至少一层信息类别层中的第一信息类别层中的各个信息类别对应的类别特征向量。
需要说明的是,参考图4,至少一层信息类别层中各个信息类别层中的各个信息类别对应的类别特征向量通过下述方式得到:最后一层信息类别层中,各个信息类别对应的类别特征向量由信息类别对应的各个信息的信息特征向量融合得到,且最后一层信息类别层中的各个信息类别通过聚类(比如通过k-means聚类算法)可以得到倒数第二层信息类别层中的各个信息类别;倒数第二层信息类别层中,信息类别对应的类别特征向量由聚类得到该信息类别的各个信息类别(即子信息类别)的类别特征向量融合得到;以此类推,可以得到至少一层信息类别层(即树状结构)中各个信息类别层中的各个信息类别对应的类别特征向量。
需要说明的是,最后一层信息类别层之后是真实的信息层,由最后一层信息类别层中的各个信息类别对应的信息组成。
在步骤S320中,根据账户特征向量以及各个类别特征向量,从各个信息类别中确定出符合待推送账户的账户特征的候选信息类别。
具体地,服务器根据账户特征向量以及各个类别特征向量,计算得到各个信息类别的推荐度,从各个信息类别中将推荐度大于预设阈值的信息类别,作为符合待推送账户的账户特征的候选信息类别。
在步骤S330中,根据账户特征向量与候选信息类别的各个子信息类别的类别特征向量,从候选信息类别的各个子信息类别中再次确定出符合待推送账户的账户特征的候选信息类别,直到确定出的候选信息类别属于第二信息类别层;第二信息类别层中的信息类别不包含子信息类别。
其中,第二信息类别层是指由不包含子信息类别的信息类别所构成的信息类别层,具体是指最后一个信息类别层。
具体地,服务器从存储有各个信息类别对应的类别特征向量的数据库中,获取候选信息类别的各个子信息类别的类别特征向量,根据账户特征向量与候选信息类别的各个子信息类别的类别特征向量,计算得到候选信息类别的各个子信息类别的推荐度;从候选信息类别的各个子信息类别中,将推荐度大于预设阈值的信息类别,再次作为符合待推送账户的账户特征的候选信息类别;若确定出的候选信息类别不属于第二信息类别层,则跳转至根据账户特征向量与候选信息类别的各个子信息类别的类别特征向量,从候选信息类别的各个子信息类别中再次确定出符合待推送账户的账户特征的候选信息类别的步骤,不断循环,直到确定出的候选信息类别属于第二信息类别层(即最后一层信息类别层)。
在步骤S340中,当确定出的候选信息类别属于第二信息类别层时,将候选信息类别作为目标信息类别。
本公开实施例提供的技术方案,基于待推送账户的账户特征,对信息类别进行多次筛选,有利于准确确定出符合待推送账户的账户特征的目标信息类别,便于后续从目标信息类别对应的信息中,确定出符合待推送账户的账户特征的目标信息。
在一示例性实施例中,在步骤S320中,根据账户特征向量以及各个类别特征向量,从各个信息类别中确定出符合待推送账户的账户特征的候选信息类别,具体包括如下内容:分别将账户特征向量与各个类别特征向量进行融合处理,得到各个信息类别的融合向量;将各个融合向量输入预先训练的信息推送模型,利用预先训练的信息推送模型对各个融合向量进行全连接处理,得到各个信息类别的推荐度;从各个信息类别中确定出推荐度大于预设阈值的信息类别,作为符合待推送账户的账户特征的候选信息类别。
其中,信息类别的推荐度用于衡量信息类别的推荐程度;一般地,信息类别的推荐度越高,表示该信息类别的推荐程度越高,说明该信息类别的信息越适合推送给账户。在实际场景中,推荐度较高的信息类别可以是指账户喜爱的广告类别。
具体地,服务器分别将账户特征向量与各个类别特征向量进行拼接处理,得到各个信息类别的融合向量;将各个融合向量输入预先训练的信息推送模型(比如全连接网络模型),通过预先训练的信息推送模型对融合向量进行全连接处理,得到各个信息类别的推荐概率;根据推荐概率与推荐度的对应关系,得到各个信息类别的推荐度;从各个信息类别中筛选出推荐度大于预设阈值(比如0.6)的信息类别,作为符合待推送账户的账户特征的候选信息类别。
需要说明的是,上述步骤S330的实现过程跟上述步骤S320的实现过程的原理一致,在此不再具体赘述。
本公开实施例提供的技术方案,根据账户特征向量以及各个类别特征向量,从各个信息类别中确定出符合待推送账户的账户特征的候选信息类别,有利于提高信息类别的确定准确率。
在一示例性实施例中,在步骤S230中,从目标信息类别对应的信息中,确定出符合待推送账户的账户特征的目标信息,具体包括如下内容:获取目标信息类别对应的各个信息的信息特征向量;分别将账户特征向量与各个信息特征向量进行融合处理,得到各个信息的融合向量;将各个融合向量输入预先训练的信息推送模型,利用预先训练的信息推送模型对各个融合向量进行全连接处理,得到各个信息的推荐度;从各个信息中确定出推荐度大于预设阈值的信息,作为符合待推送账户的账户特征的目标信息。
其中,信息的推荐度用于衡量信息的推荐程度;一般地,信息的推荐度越高,表示该信息的推荐程度越高,说明该信息越适合推送给账户。在实际场景中,推荐度较高的信息可以是指账户喜爱的广告。
具体地,服务器分别将账户特征向量与各个信息特征向量进行拼接处理,得到各个信息的融合向量;将各个融合向量输入预先训练的信息推送模型(比如全连接网络模型),通过预先训练的信息推送模型对融合向量进行全连接处理,得到各个信息的推荐概率;根据推荐概率与推荐度的对应关系,得到各个信息的推荐度;从各个信息中筛选出推荐度大于预设阈值(比如0.6)的信息,作为符合待推送账户的账户特征的目标信息。
举例说明,参考图4,在预测目标信息时,服务器由上而下,对信息类别层构成的树状结构进行逐层预估;先维护一个优先级队列,将某一层中的所有节点放入优先级队列中,并且按照计算得到的推荐度,选出其中top k个节点;并将这top k个节点的子节点放入优先级队列中(2k个);针对优先级队列中的2K个节点,按照计算得到的推荐度,从2K个节点中选出top k个节点;反复执行这个动作,直到计算至叶子节点(即最后一层节点),则返回topk个真实的信息,作为目标信息。
需要说明的是,上述计算过程中,算法整体的复杂度最大为2K×log(N),且账户特征和信息特征在底层进行了交叉,可以提升模型效果。
本公开实施例提供的技术方案,实现了从符合待推送账户的账户特征的目标信息类别对应的信息中,确定出符合待推送账户的账户特征的目标信息的目的,提高了目标信息的确定准确率,有利于实现信息的精准推送。
在一示例性实施例中,获取目标信息类别对应的各个信息的信息特征向量,具体包括如下内容:获取目标信息类别对应的各个信息的信息特征;通过预先训练的特征向量生成模型,对目标信息类别对应的各个信息的信息特征进行融合处理,生成目标信息类别对应的各个信息的信息特征向量。
其中,信息的信息特征是指信息的属性特征,比如信息类型、信息内容、信息大小等。需要说明的是,本公开提到的信息特征一般是指多个信息特征。
举例说明,服务器从网络上或者本地数据库中获取目标信息类别对应的各个信息的信息特征,通过预先训练的全连接网络模型,对目标信息类别对应的各个信息的信息特征进行融合处理,生成目标信息类别对应的各个信息的信息特征向量。
本公开实施例提供的技术方案,通过获取目标信息类别对应的各个信息的信息特征向量,有利于后续结合账户特征向量,从各个信息中确定出符合待推送账户的账户特征的目标信息,综合考虑了账户特征与信息特征,有利于提高信息的确定准确率,进而有利于后续实现信息的精准推送。
在一示例性实施例中,在步骤S240中,将目标信息推送至待推送账户,具体包括如下内容:按照目标信息对应的推荐度,对目标信息进行排序,得到排序后的目标信息;将排序后的目标信息推送至待推送账户。
其中,目标信息都匹配有对应的推荐度,是通过预先训练的信息推送模型计算得到的。
具体地,服务器按照目标信息对应的推荐度从高到低的顺序,对目标信息进行排序,得到排序后的目标信息;按照预设推送频率,将排序后的目标信息推送至对应的待推送账户,通过待推送账户对应的终端展示目标信息,从而实现了目标信息的定向推送和精准推送。
进一步地,服务器还可以在排序后的目标信息中,选择预设数量(比如5个)的目标信息;被选择的目标信息的推荐度的最小值大于未被选择的目标信息的推荐度的最大值;将被选择的预设数量的目标信息推送至待推送账户,通过待推送账户对应的终端展示这些目标信息。
本公开实施例提供的技术方案,将符合待推送账户的账户特征的目标信息推送至对应的待推送账户,满足了待推送账户的兴趣需求,从而实现了信息的精准推送,进一步提高了信息推送的准确率。
在一示例性实施例中,如图5所示,预先训练的信息推送模型通过下述步骤训练得到:
在步骤S510中,获取训练样本集;训练样本集包括样本账户特征向量、样本信息的信息特征向量、样本信息的信息类别的类别特征向量、样本信息的实际推送结果以及信息类别的实际推送结果。
举例说明,服务器基于大数据技术,采集样本账户的账户特征、样本信息的信息特征和信息类别;通过预先训练的特征向量生成模型,对样本账户的账户特征进行融合处理,生成样本账户的样本账户特征向量;通过预先训练的特征向量生成模型,对样本信息的信息特征进行融合处理,生成样本信息的信息特征向量;将样本信息的信息特征向量使用聚类算法(k-means)进行聚类,然后根据聚类结果生成一个如图4所示的树型结构,即可得到样本信息的信息类别的类别特征向量。
需要说明的是,图4中,叶子节点是所有真实的信息节点,其余节点为虚拟节点;非叶子节点使用子节点的特征向量聚合得到;由于叶子节点是全部真实的信息(如真实的广告),故可以选择负样本以及随机在其他样本中采样一些作为负样本;此外,如果叶子节点为正样本,其祖先的所有节点都可以认为是正样本,在其祖先的层中随机采样其他的节点作为负样本。通过这样筛选样本,使得样本使用负采样、负样本以及正样本的形式,从而保证了召回结果和定向的求交率。
在步骤S520中,将样本账户特征向量、信息特征向量或者类别特征向量输入待训练的信息推送模型,得到样本信息的推送结果或者信息类别的推送结果。
具体地,服务器将样本账户特征向量和信息特征向量融合得到的融合向量输入待训练的信息推送模型,通过待训练的信息推送模型对该融合向量进行处理,可以预测得到样本信息的推送结果;或者,服务器将样本账户特征向量和类别特征向量融合得到的融合向量输入待训练的信息推送模型,通过待训练的信息推送模型对该融合向量进行处理,可以预测得到信息类别的推送结果。
在步骤S530中,根据样本信息的推送结果与对应的实际推送结果,或者信息类别的推送结果与对应的实际推送结果,确定信息推送模型的损失值。
其中,损失值用于衡量信息推送模型预测出的样本信息的推送结果或者信息类别的推送结果的误差程度,损失值越小,则预测出的推送结果更加准确。
举例说明,服务器基于多个样本信息的推送结果与对应的实际推送结果,以及多个信息类别的推送结果与对应的实际推送结果,结合交叉熵损失函数,计算得到总的损失值,作为信息推送模型的损失值。
在步骤S540中,根据损失值反向训练信息推送模型,直至信息推送模型满足收敛条件,得到预先训练的信息推送模型。
其中,信息推送模型满足收敛条件是指信息推送模型的训练次数达到预设训练次数,或者信息推送模型的网络参数达到收敛,或者信息推送模型的损失值小于预设阈值。
举例说明,当信息推送模型的损失值大于或者等于预设阈值时,服务器根据该损失值,确定信息推送模型的网络参数更新梯度,基于网络参数更新梯度反向更新信息推送模型的网络参数,将更新后的信息推送模型作为待训练的信息推送模型,重复执行步骤S520至步骤S540,以不断更新信息推送模型的网络参数,直到根据信息推送模型得到的损失值小于预设阈值;当根据信息推送模型得到的损失值小于预设阈值时,则将该信息推送模型作为预先训练的信息推送模型。
本公开实施例提供的技术方案,通过样本账户特征向量、信息特征向量或者类别特征向量,对信息推送模型进行反复训练,有利于提高信息推送模型输出的信息类别或者目标信息的准确率,进而提高了信息推送的准确率;同时,使用模型和索引共同建模,保证了检索过程中的效果,而且通过模型和索引联合建模,使得检索得到的目标信息得到有效剪枝;此外,还可以使用复杂模型,以及可以对账户特征和信息特征进行全连接学习。
图6是根据一示例性实施例示出的另一种信息推送方法的流程图,如图6所示,信息推送方法用于如图1所示的服务器中,包括以下步骤:
在步骤S610中,获取待推送账户的账户特征。
在步骤S620中,获取待推送账户的账户特征向量,以及至少一层信息类别层中的第一信息类别层中的各个信息类别对应的类别特征向量;待推送账户的账户特征向量为基于待推送账户的账户特征融合得到。
在步骤S630中,根据账户特征向量以及各个类别特征向量,从各个信息类别中确定出符合待推送账户的账户特征的候选信息类别。
在步骤S640中,根据账户特征向量与候选信息类别的各个子信息类别的类别特征向量,从候选信息类别的各个子信息类别中再次确定出符合待推送账户的账户特征的候选信息类别,直到确定出的候选信息类别属于第二信息类别层;第二信息类别层中的信息类别不包含子信息类别。
在步骤S650中,当确定出的候选信息类别属于第二信息类别层时,将候选信息类别作为目标信息类别。
在步骤S660中,获取目标信息类别对应的各个信息的信息特征向量;分别将账户特征向量与各个信息特征向量进行融合处理,得到各个信息的融合向量。
在步骤S670中,将各个融合向量输入预先训练的信息推送模型,利用信息推送模型对各个融合向量进行全连接处理,得到各个信息的推荐度;从各个信息中确定出推荐度大于预设阈值的信息,作为符合待推送账户的账户特征的目标信息。
在步骤S680中,按照目标信息对应的推荐度,对目标信息进行排序,得到排序后的目标信息;将排序后的目标信息推送至待推送账户。
上述信息推送方法,实现了从符合待推送账户的账户特征的目标信息类别对应的信息中,确定出符合待推送账户的账户特征的目标信息,并推送至待推送账户的目的,综合考虑了待推送账户的账户特征、信息类别以及信息类别对应的信息,有利于提高目标信息的确定准确度,从而使得推送给待推送账户的信息更加准确,进而提高了信息推送的准确率。
应该理解的是,虽然图2、3、5、6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、3、5、6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
图7是根据一示例性实施例示出的一种信息推送装置的框图。参照图7,该装置包括账户特征获取单元710,信息类别确定单元720,目标信息确定单元730和目标信息推送单元740。
账户特征获取单元710,被配置为执行获取待推送账户的账户特征。
信息类别确定单元720,被配置为执行从至少一层信息类别层中,确定出符合待推送账户的账户特征的目标信息类别;每个信息类别层中包括至少两个信息类别。
目标信息确定单元730,被配置为执行从目标信息类别对应的信息中,确定出符合待推送账户的账户特征的目标信息。
目标信息推送单元740,被配置为执行将目标信息推送至待推送账户。
在一示例性实施例中,信息类别确定单元720,还被配置为执行获取待推送账户的账户特征向量,以及至少一层信息类别层中的第一信息类别层中的各个信息类别对应的类别特征向量;待推送账户的账户特征向量为基于待推送账户的账户特征融合得到;根据账户特征向量以及各个类别特征向量,从各个信息类别中确定出符合待推送账户的账户特征的候选信息类别;根据账户特征向量与候选信息类别的各个子信息类别的类别特征向量,从候选信息类别的各个子信息类别中再次确定出符合待推送账户的账户特征的候选信息类别,直到确定出的候选信息类别属于第二信息类别层;第二信息类别层中的信息类别不包含子信息类别;当确定出的候选信息类别属于第二信息类别层时,将候选信息类别作为目标信息类别。
在一示例性实施例中,信息类别确定单元720,还被配置为执行分别将账户特征向量与各个类别特征向量进行融合处理,得到各个信息类别的融合向量;将各个融合向量输入预先训练的信息推送模型,利用预先训练的信息推送模型对各个融合向量进行全连接处理,得到各个信息类别的推荐度;从各个信息类别中确定出推荐度大于预设阈值的信息类别,作为符合待推送账户的账户特征的候选信息类别。
在一示例性实施例中,目标信息确定单元730,还被配置为执行获取目标信息类别对应的各个信息的信息特征向量;分别将账户特征向量与各个信息特征向量进行融合处理,得到各个信息的融合向量;将各个融合向量输入预先训练的信息推送模型,利用预先训练的信息推送模型对各个融合向量进行全连接处理,得到各个信息的推荐度;从各个信息中确定出推荐度大于预设阈值的信息,作为符合待推送账户的账户特征的目标信息。
在一示例性实施例中,信息推送装置还包括模型训练单元,被配置为执行获取训练样本集;训练样本集包括样本账户特征向量、样本信息的信息特征向量、样本信息的信息类别的类别特征向量、样本信息的实际推送结果以及信息类别的实际推送结果;将样本账户特征向量、信息特征向量或者类别特征向量输入待训练的信息推送模型,得到样本信息的推送结果或者信息类别的推送结果;根据样本信息的推送结果与对应的实际推送结果,或者信息类别的推送结果与对应的实际推送结果,确定信息推送模型的损失值;根据损失值反向训练信息推送模型,直至信息推送模型满足收敛条件,得到预先训练的信息推送模型。
在一示例性实施例中,目标信息推送单元740,还被配置为执行按照目标信息对应的推荐度,对目标信息进行排序,得到排序后的目标信息;将排序后的目标信息推送至待推送账户。
在一示例性实施例中,目标信息确定单元730,还被配置为执行获取目标信息类别对应的各个信息的信息特征;通过预先训练的特征向量生成模型,对目标信息类别对应的各个信息的信息特征进行融合处理,生成目标信息类别对应的各个信息的信息特征向量。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图8是根据一示例性实施例示出的一种用于执行上述信息推送方法的设备800的框图。例如,设备800可以为一服务器。参照图8,设备800包括处理组件820,其进一步包括一个或多个处理器,以及由存储器822所代表的存储器资源,用于存储可由处理组件820的执行的指令,例如应用程序。存储器822中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件820被配置为执行指令,以执行上述信息推送方法。
设备800还可以包括一个电源组件824被配置为执行设备800的电源管理,一个有线或无线网络接口826被配置为将设备800连接到网络,和一个输入输出(I/O)接口828。设备800可以操作基于存储在存储器822的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器822,上述指令可由设备800的处理器执行以完成上述方法。存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,所述程序产品包括计算机程序,所述计算机程序存储在可读存储介质中,设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序,使得设备执行本公开的任一项实施例中所述的信息推送方法。
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它实施方案。本公开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下面的权利要求指出。
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制。
Claims (14)
1.一种信息推送方法,其特征在于,包括:
获取待推送账户的账户特征;
从至少一层信息类别层中,确定出符合所述账户特征的目标信息类别,包括:分别将所述待推送账户的账户特征向量,与至少一层信息类别层中的第一信息类别层中的各个信息类别对应的类别特征向量进行融合处理,得到所述各个信息类别的融合向量;将各个所述融合向量输入预先训练的信息推送模型中进行全连接处理,得到所述各个信息类别的推荐度;从所述各个信息类别中确定出所述推荐度大于预设阈值的信息类别,作为符合所述待推送账户的账户特征的候选信息类别;根据所述账户特征向量与所述候选信息类别的各个子信息类别的类别特征向量,从所述候选信息类别的各个子信息类别中再次确定出符合所述待推送账户的账户特征的候选信息类别,直到确定出的候选信息类别属于第二信息类别层,则将所述确定出的候选信息类别作为目标信息类别;所述第二信息类别层中的信息类别不包含子信息类别;每个信息类别层中包括至少两个信息类别;
从所述目标信息类别对应的信息中,确定出符合所述账户特征的目标信息;
将所述目标信息推送至所述待推送账户。
2.根据权利要求1所述的信息推送方法,其特征在于,在分别将所述待推送账户的账户特征向量,与至少一层信息类别层中的第一信息类别层中的各个信息类别对应的类别特征向量进行融合处理,得到所述各个信息类别的融合向量之前,还包括:
获取待推送账户的账户特征向量,以及至少一层信息类别层中的第一信息类别层中的各个信息类别对应的类别特征向量;所述待推送账户的账户特征向量为基于所述待推送账户的账户特征融合得到。
3.根据权利要求1所述的信息推送方法,其特征在于,所述从所述目标信息类别对应的信息中,确定出符合所述待推送账户的账户特征的目标信息,包括:
获取所述目标信息类别对应的各个信息的信息特征向量;
分别将所述账户特征向量与各个所述信息特征向量进行融合处理,得到各个所述信息的融合向量;
将各个所述融合向量输入预先训练的信息推送模型,利用所述预先训练的信息推送模型对各个所述融合向量进行全连接处理,得到各个所述信息的推荐度;
从各个所述信息中确定出所述推荐度大于预设阈值的信息,作为符合所述待推送账户的账户特征的目标信息。
4.根据权利要求1或3所述的信息推送方法,其特征在于,所述预先训练的信息推送模型通过下述方式训练得到:
获取训练样本集;所述训练样本集包括样本账户特征向量、样本信息的信息特征向量、所述样本信息的信息类别的类别特征向量、所述样本信息的实际推送结果以及所述信息类别的实际推送结果;
将所述样本账户特征向量、所述信息特征向量或者类别特征向量输入待训练的信息推送模型,得到所述样本信息的推送结果或者所述信息类别的推送结果;
根据所述样本信息的推送结果与对应的所述实际推送结果,或者所述信息类别的推送结果与对应的所述实际推送结果,确定所述信息推送模型的损失值;
根据所述损失值反向训练所述信息推送模型,直至所述信息推送模型满足收敛条件,得到所述预先训练的信息推送模型。
5.根据权利要求3所述的信息推送方法,其特征在于,所述将所述目标信息推送至所述待推送账户,包括:
按照所述目标信息对应的推荐度,对所述目标信息进行排序,得到排序后的目标信息;
将所述排序后的目标信息推送至所述待推送账户。
6.根据权利要求3所述的信息推送方法,其特征在于,所述获取所述目标信息类别对应的各个信息的信息特征向量,包括:
获取所述目标信息类别对应的各个信息的信息特征;
通过预先训练的特征向量生成模型,对所述目标信息类别对应的各个信息的信息特征进行融合处理,生成所述目标信息类别对应的各个信息的信息特征向量。
7.一种信息推送装置,其特征在于,包括:
账户特征获取单元,被配置为执行获取待推送账户的账户特征;
信息类别确定单元,被配置为执行从至少一层信息类别层中,确定出符合所述待推送账户的账户特征的目标信息类别;每个信息类别层中包括至少两个信息类别;所述信息类别确定单元,还被配置为执行分别将所述待推送账户的账户特征向量,与至少一层信息类别层中的第一信息类别层中的各个信息类别对应的类别特征向量进行融合处理,得到所述各个信息类别的融合向量;将各个所述融合向量输入预先训练的信息推送模型中进行全连接处理,得到所述各个信息类别的推荐度;从所述各个信息类别中确定出所述推荐度大于预设阈值的信息类别,作为符合所述待推送账户的账户特征的候选信息类别;根据所述账户特征向量与所述候选信息类别的各个子信息类别的类别特征向量,从所述候选信息类别的各个子信息类别中再次确定出符合所述待推送账户的账户特征的候选信息类别,直到确定出的候选信息类别属于第二信息类别层,则将所述确定出的候选信息类别作为目标信息类别;所述第二信息类别层中的信息类别不包含子信息类别;
目标信息确定单元,被配置为执行从所述目标信息类别对应的信息中,确定出符合所述待推送账户的账户特征的目标信息;
目标信息推送单元,被配置为执行将所述目标信息推送至所述待推送账户。
8.根据权利要求7所述的信息推送装置,其特征在于,所述信息类别确定单元,还被配置为执行获取待推送账户的账户特征向量,以及至少一层信息类别层中的第一信息类别层中的各个信息类别对应的类别特征向量;所述待推送账户的账户特征向量为基于所述待推送账户的账户特征融合得到。
9.根据权利要求7所述的信息推送装置,其特征在于,所述目标信息确定单元,还被配置为执行获取所述目标信息类别对应的各个信息的信息特征向量;分别将所述账户特征向量与各个所述信息特征向量进行融合处理,得到各个所述信息的融合向量;将各个所述融合向量输入预先训练的信息推送模型,利用所述预先训练的信息推送模型对各个所述融合向量进行全连接处理,得到各个所述信息的推荐度;从各个所述信息中确定出所述推荐度大于预设阈值的信息,作为符合所述待推送账户的账户特征的目标信息。
10.根据权利要求7或9所述的信息推送装置,其特征在于,,所述信息推送装置还包括模型训练单元,被配置为执行获取训练样本集;所述训练样本集包括样本账户特征向量、样本信息的信息特征向量、所述样本信息的信息类别的类别特征向量、所述样本信息的实际推送结果以及所述信息类别的实际推送结果;将所述样本账户特征向量、所述信息特征向量或者类别特征向量输入待训练的信息推送模型,得到所述样本信息的推送结果或者所述信息类别的推送结果;根据所述样本信息的推送结果与对应的所述实际推送结果,或者所述信息类别的推送结果与对应的所述实际推送结果,确定所述信息推送模型的损失值;根据所述损失值反向训练所述信息推送模型,直至所述信息推送模型满足收敛条件,得到所述预先训练的信息推送模型。
11.根据权利要求9所述的信息推送装置,其特征在于,所述目标信息推送单元,还被配置为执行按照所述目标信息对应的推荐度,对所述目标信息进行排序,得到排序后的目标信息;将所述排序后的目标信息推送至所述待推送账户。
12.根据权利要求9所述的信息推送装置,其特征在于,所述目标信息确定单元,还被配置为执行获取所述目标信息类别对应的各个信息的信息特征;通过预先训练的特征向量生成模型,对所述目标信息类别对应的各个信息的信息特征进行融合处理,生成所述目标信息类别对应的各个信息的信息特征向量。
13.一种服务器,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的信息推送方法。
14.一种存储介质,当所述存储介质中的指令由服务器的处理器执行时,使得所述服务器能够执行如权利要求1至6中任一项所述的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010858613.4A CN112000888B (zh) | 2020-08-24 | 2020-08-24 | 信息推送方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010858613.4A CN112000888B (zh) | 2020-08-24 | 2020-08-24 | 信息推送方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112000888A CN112000888A (zh) | 2020-11-27 |
CN112000888B true CN112000888B (zh) | 2024-02-02 |
Family
ID=73471744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010858613.4A Active CN112000888B (zh) | 2020-08-24 | 2020-08-24 | 信息推送方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112000888B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
CN111241360A (zh) * | 2020-01-09 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
CN111291266A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技(北京)有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
CN111400603A (zh) * | 2020-03-20 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 一种信息推送方法、装置、设备及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106685933B (zh) * | 2016-12-08 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 一种授权策略推荐及装置 |
-
2020
- 2020-08-24 CN CN202010858613.4A patent/CN112000888B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
CN111241360A (zh) * | 2020-01-09 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
CN111291266A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技(北京)有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
CN111400603A (zh) * | 2020-03-20 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 一种信息推送方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112000888A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN110321422B (zh) | 在线训练模型的方法、推送方法、装置以及设备 | |
CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
CN108776676B (zh) | 信息推荐方法、装置、计算机可读介质及电子设备 | |
CN112052387B (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
CN110955831B (zh) | 物品推荐方法、装置、计算机设备及存储介质 | |
CN112100504B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
CN112749330B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN112364184A (zh) | 多媒体数据的排序方法、装置、服务器及存储介质 | |
CN113515690A (zh) | 内容召回模型的训练方法、内容召回方法、装置及设备 | |
CN115687690A (zh) | 一种视频推荐方法、装置、电子设备及存储介质 | |
CN115618024A (zh) | 多媒体推荐方法、装置及电子设备 | |
CN113220974B (zh) | 点击率预测模型训练、搜索召回方法、装置、设备及介质 | |
CN112905885B (zh) | 向用户推荐资源的方法、装置、设备、介质和程序产品 | |
CN114528474A (zh) | 推荐对象确定方法、装置、电子设备及存储介质 | |
CN112115354B (zh) | 信息处理方法、装置、服务器及存储介质 | |
CN113742578A (zh) | 一种数据推荐方法、装置、电子设备及存储介质 | |
CN109299351B (zh) | 内容推荐方法和装置、电子设备及计算机可读介质 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN112000888B (zh) | 信息推送方法、装置、服务器及存储介质 | |
CN117216362A (zh) | 内容推荐方法、装置、设备、介质和程序产品 | |
CN116975359A (zh) | 资源处理方法、资源推荐方法、装置和计算机设备 | |
CN114996490A (zh) | 电影推荐方法、系统、存储介质及设备 | |
CN114328992A (zh) | 多媒体信息推荐方法、装置、程序产品、设备以及介质 | |
CN112711717A (zh) | 房间产品搜索方法、装置、电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |