CN112148865A - 信息推送方法和装置 - Google Patents

Abstract

本申请实施例公开了信息推送方法和装置。该方法的一具体实施方式包括：获取目标用户的用户属性和文件操作历史数据；将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从该信息推荐模型输出的用户向量；基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与该目标参考向量对应的文件确定为目标文件；将该目标文件向该目标用户对应的终端设备推送。本申请实施例提供的方法能够通过用户的各种与文件相关的数据，准确地确定出用户向量。并利用信息推荐模型，准确地确定出适合该用户的文件。从而，可以实现文件的精准推送。

Description

信息推送方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及信息推送方法和装置。

背景技术

随着互联网技术的发展，越来越多的用户利用网络资源阅读书籍。现有的推荐方式，包括对用户进行分类，比如，可以对用户分类为男性，并对用户推荐男性常会选择的书籍。此外，推荐方式还可以是对用户推荐该用户已阅读小说的同类小说。

然而，采用上述的推荐方式，推荐的数据较为单一，且推荐精度和个性化程度有待于提高。

发明内容

本申请实施例提出了信息推送方法和装置。

第一方面，本申请实施例提供了一种信息推送方法，包括：获取目标用户的用户属性和文件操作历史数据，其中，文件操作历史数据所指示的文件属于预先设置的文件类别；将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从信息推荐模型输出的用户向量，其中，信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系；基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与目标参考向量对应的文件确定为目标文件，其中，多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联；将目标文件向目标用户对应的终端设备推送。

在一些实施例中，信息推荐模型包括嵌入层和全连接层；将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从信息推荐模型输出的用户向量，包括：将所获取的用户属性和文件操作历史数据输入嵌入层，以使用户属性和文件操作历史数据转换成浮点型数据；将浮点型数据依次输入至少两个级联的全连接层，得到用户向量。

在一些实施例中，信息推荐模型为预先训练的深度神经网络，信息推荐模型还包括负采样层和分类层；信息推荐模型通过如下步骤训练得到：获取训练数据集合，其中，训练数据集合中的训练数据包括用户的用户属性、文件操作历史数据和文件内容，训练数据中，文件操作历史数据用于指示该训练数据中的用户属性所指示的用户是否对该训练数据中的文件内容执行过历史操作，各训练数据按照该训练数据中的文件操作历史数据所指示的历史操作划分为正样本和负样本；将训练数据输入初始信息推荐模型，以训练初始信息推荐模型，得到信息推荐模型以及多个参考向量，其中，训练目标包括用户向量与正样本对应的向量的乘积大于或等于，用户向量与负样本对应的向量的乘积。

在一些实施例中，基于所得到的用户向量，从多个参考向量中选取目标参考向量，包括：将用户向量与多个参考向量中的各个参考向量相乘，得到多个乘积；按照从大到小的顺序，从多个乘积中，确定至少一个乘积，以及确定至少一个乘积对应的参考向量为目标参考向量。

在一些实施例中，基于所得到的用户向量，从多个参考向量中选取目标参考向量，包括：按照与用户向量的距离由小到大的顺序，从多个参考向量中，确定至少一个参考向量为目标参考向量。

第二方面，本申请实施例提供了一种信息推送装置，包括：获取单元，被配置成获取目标用户的用户属性和文件操作历史数据，其中，文件操作历史数据所指示的文件属于预先设置的文件类别；输入单元，被配置成将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从信息推荐模型输出的用户向量，其中，信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系；选取单元，被配置成基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与目标参考向量对应的文件确定为目标文件，其中，多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联；推送单元，被配置成将目标文件向目标用户对应的终端设备推送。

在一些实施例中，信息推荐模型包括嵌入层和全连接层；输入单元，包括：第一输入模块，被配置成将所获取的用户属性和文件操作历史数据输入嵌入层，以使用户属性和文件操作历史数据转换成浮点型数据；第二输入模块，被配置成将浮点型数据依次输入至少两个级联的全连接层，得到用户向量。

在一些实施例中，信息推荐模型为预先训练的深度神经网络，信息推荐模型还包括负采样层和分类层；信息推荐模型通过如下步骤训练得到：获取训练数据集合，其中，训练数据集合中的训练数据包括用户的用户属性、文件操作历史数据和文件内容，训练数据中，文件操作历史数据用于指示该训练数据中的用户属性所指示的用户是否对该训练数据中的文件内容执行过历史操作，各训练数据按照该训练数据中的文件操作历史数据所指示的历史操作划分为正样本和负样本；将训练数据输入初始信息推荐模型，以训练初始信息推荐模型，得到信息推荐模型以及多个参考向量，其中，训练目标包括用户向量与正样本对应的向量的乘积大于或等于，用户向量与负样本对应的向量的乘积。

在一些实施例中，选取单元，包括：第一确定模块，被配置成将用户向量与多个参考向量中的各个参考向量相乘，得到多个乘积；第二确定模块，被配置成按照从大到小的顺序，从多个乘积中，确定至少一个乘积，以及确定至少一个乘积对应的参考向量为目标参考向量。

在一些实施例中，选取单元，包括：向量确定单元，被配置成按照与用户向量的距离由小到大的顺序，从多个参考向量中，确定至少一个参考向量为目标参考向量。

第三方面，本申请实施例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信息推送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信息推送方法中任一实施例的方法。

本申请实施例提供的信息推送方案，首先，获取目标用户的用户属性和文件操作历史数据，其中，文件操作历史数据所指示的文件属于预先设置的文件类别。之后，将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从信息推荐模型输出的用户向量，其中，信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系。而后，基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与目标参考向量对应的文件确定为目标文件，其中，多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联，最后，将目标文件向目标用户对应的终端设备推送。本申请实施例提供的方法能够通过用户的各种与文件相关的数据，准确地确定出用户向量。并利用信息推荐模型，准确地确定出适合该用户的文件。从而，可以实现文件的精准推送。

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是根据本申请的信息推送方法的一个实施例的流程图；

图3是根据本申请的信息推送方法的一个应用场景的示意图；

图4是根据本申请的信息推送方法的又一个实施例的流程图；

图5是根据本申请的信息推送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的信息推送方法或信息推送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，例如信息推送应用、视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。

这里的终端设备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、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，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的用户属性和文件操作历史数据等数据进行分析等处理，并将处理结果(例如目标文件)反馈给终端设备。

需要说明的是，本申请实施例所提供的信息推送方法可以由服务器105或者终端设备101、102、103执行，相应地，信息推送装置可以设置于服务器105或者终端设备101、102、103中。

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，示出了根据本申请的信息推送方法的一个实施例的流程200。该信息推送方法，包括以下步骤：

步骤201，获取目标用户的用户属性和文件操作历史数据，其中，文件操作历史数据所指示的文件属于预先设置的文件类别。

在本实施例中，信息推送方法的执行主体(例如图1所示的服务器或终端设备)可以获取目标用户的用户属性和文件操作历史数据。具体地，用户属性指用户自身的性质，比如可以是年龄和/或性别。上述文本可以是多种形式的文本，比如，文本可以是电子书籍和/或论文等等。文件类别，可以包括小说或漫画等等。

这里的文件操作历史数据可以指用户点击文件的图标或链接的历史数据，比如点击次数，或者还可以指用户是否阅读(观看)和/或下载过该文件。此外，文件操作历史数据还可以包括搜索数据，比如，用户搜索过某个书籍的书名，那么文件操作历史数据中该用户和该书籍的相关度较高。

步骤202，将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从信息推荐模型输出的用户向量，其中，信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系。

在本实施例中，上述执行主体可以将获取的用户属性和文件操作历史数据输入信息推荐模型，得到从该模型中输出的用户向量。信息推荐模型可以对所获取的目标用户的文件相关特征进行向量化处理，从而得到用户向量。

具体地，信息推荐模型可以是多种形式的。比如，信息推荐模型可以是已建立的对应关系表，利用用户属性和文件操作历史数据在该表中查询，可以查询到相对应的用户向量。此外，信息推荐模型还可以是深度神经网络。

步骤203，基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与目标参考向量对应的文件确定为目标文件，其中，多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联。

在本实施例中，上述执行主体可以从多个参考向量中，选取出目标参考向量，进而确定目标文件。这里的参考向量与文件ID是一一对应的，并且，如果一个参考向量对应某文件，那么该参考向量与该文件的文件内容是相关联的。文件内容可以包括以下的至少一种：名称的切词结果、正文的切词结果、小说类别信息。用户所选取的目标文件可以包括一个或多个。

具体地，参考向量与文件内容相关联可以指，参考向量是由包括文件内容的数据，所生成的向量。在实践中，上述执行主体可以采用多种方式选取目标参考向量。比如，上述执行主体可以先从多个参考向量中，选取出用户点击过的文件对应的参考向量作为目标向量，并确定出与每个目标向量相似度最高的预设数量的向量作为候选向量。最后，将候选向量中，与目标向量的相似度最高的向量作为目标向量。

在本实施例的一些可选的实现方式中，步骤203可以包括：按照与用户向量的距离由小到大的顺序，从多个参考向量中，确定至少一个参考向量为目标参考向量。

在这些可选的实现方式中，上述执行主体可以基于向量之间的距离，确定出目标参考向量。具体地，上述执行主体可以利用临近算法(比如k-nearest neighbor,kNN)等进行计算。

在实践中，上述执行主体可以采用多种方式确定目标参考向量。举例来说，上述执行主体可以确定出与用户向量距离最小的预设数量的参考向量作为目标参考向量。此外，上述执行主体还可以从上述多个参考向量中，确定出与上述用户向量的距离不超过预设距离阈值的参考向量，并作为目标参考向量。

这些实现方式可以基于向量之间距离的大小，确定出最适合用户的文件。

步骤204，将目标文件向目标用户对应的终端设备推送。

在本实施例中，上述执行主体可以向终端设备推送目标文件。这里的终端设备与上述目标用户有对应关系。比如，可以是终端设备登录的用户。

继续参见图3，图3是根据本实施例的信息推送方法的应用场景的一个示意图。在图3的应用场景中，执行主体301可以获取目标用户的用户属性“女”和文件操作历史数据302比如用户阅读的小说的ID。执行主体301将所获取的用户属性和文件操作历史数据302输入预先训练的信息推荐模型303，得到从信息推荐模型输出的用户向量304，其中，信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系。执行主体301基于所得到的用户向量，从多个参考向量中305选取目标参考向量306，以及将与目标参考向量对应的文件确定为目标文件307，其中，多个参考向量中的各个参考向量存在相对应的文件且与该文件的文件内容相关联；将目标文件307向目标用户对应的终端设备推送。

本申请的上述实施例提供的方法能够通过用户的各种与文件相关的数据，准确地确定出用户向量，并利用信息推荐模型，准确地确定出适合该用户的文件。从而，本实施例可以实现文件的精准推送。

进一步参考图4，其示出了信息推送方法的又一个实施例的流程400。该信息推送方法的流程400，包括以下步骤：

步骤401，获取目标用户的用户属性和文件操作历史数据，其中，文件操作历史数据所指示的文件属于预先设置的文件类别。

在本实施例中，信息推送方法的执行主体(例如图1所示的服务器或终端设备)可以获取目标用户的用户属性和文件操作历史数据。具体地，用户属性指用户自身的性质，比如可以是年龄和/或性别。上述文本可以是多种形式的文本，比如，文本可以是电子书籍和/或论文等等。

步骤402，将所获取的用户属性和文件操作历史数据输入嵌入层，以使用户属性和文件操作历史数据转换成浮点型数据。

在本实施例中，信息推荐模型包括嵌入层和全连接层。上述执行主体可以将所获取的用户属性和文件操作历史数据输入信息推荐模型的嵌入层(embedding)。嵌入层可以将上述的各种数据，通过归一化转换成浮点型数据。

步骤403，将浮点型数据依次输入至少两个级联的全连接层，得到用户向量。

在本实施例中，上述执行主体可以将嵌入层输出的浮点型数据输入全连接层，得到用户向量。具体地，这里的全连接层的数量为至少两个。从其中一个全连接层输出的结果，可以输入另一个全连接层中进行处理，直至信息推荐模型中的全连接层全部进行了处理。并且，从每个全连接层输出的结果还可以输入激活层进行激活，得到的激活结果继续输入下一个全连接层。

步骤404，基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与目标参考向量对应的文件确定为目标文件，其中，多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联。

在本实施例中，上述执行主体可以从多个参考向量中，选取出目标参考向量，进而确定目标文件。这里的参考向量与文件ID是一一对应的，并且，如果一个参考向量对应某文件，那么该参考向量与该文件的文件内容是相关联的。文件内容可以包括以下的至少一种：名称的切词结果、正文的切词结果、小说类别信息。用户所选取的目标文件可以包括一个或多个。

在本实施例的一些可选的实现方式中，信息推荐模型为预先训练的深度神经网络，信息推荐模型还包括负采样层和分类层；信息推荐模型通过如下步骤训练得到：获取训练数据集合，其中，训练数据集合中的训练数据包括用户的用户属性、文件操作历史数据和文件内容，训练数据中，文件操作历史数据用于指示该训练数据中的用户属性所指示的用户是否对该训练数据中的文件内容执行过历史操作，各训练数据按照该训练数据中的文件操作历史数据所指示的历史操作划分为正样本和负样本；将训练数据输入初始信息推荐模型，以训练初始信息推荐模型，得到信息推荐模型以及多个参考向量，其中，训练目标包括用户向量与正样本对应的向量的乘积大于或等于，用户向量与负样本对应的向量的乘积。

在这些可选的实现方式中，信息推荐模型还可以包括负采样层和分类层。上述执行主体可以使用这两个层进行训练。一条训练数据可以是正样本，也可以是负样本。举例来说，负样本可以是训练数据中，文件操作历史数据指示用户未对该训练数据中的文件内容执行过历史操作的训练数据。相应地，正样本可以是训练数据中，文件操作历史数据指示用户曾对该训练数据中的文件内容执行过历史操作的训练数据。上述执行主体采用了用户属性、文件操作历史数据和文件内容输入信息推荐模型参与训练。这里执行过的历史操作可以是点击、阅读等等。

在训练的过程中，上述执行主体可以将用户向量输入分类层(比如softmax)，此外，可以采用负采样层利用负采样算法对表征文件内容的多个参考向量进行负采样以从多个参考向量中筛选出较少数量的参考向量输入分类层。分类层可以采用一预先设置的分类函数来对输入其中的用户向量和参考向量进行运算，得到运算结果。在一些应用场景中，分类函数例如可以为分数表示的函数，该函数的分子可以为针对某一条训练数据所生成的用户向量与该条训练数据中，对应于文件内容的参考向量的乘积，。此外，该函数的分母可以为该条训练数据所生成的用户向量与自负采样层中采样得到的各参考向量的乘积之和。在训练过程中，根据分类层输出的运算结果来调整各参考向量的数值以及嵌入层、全连接层的参数，使得用户对其进行过历史操作的文件所对应的参考向量与该用户的用户向量的运算结果大于用户未对其进行过历史操作的文件所对应的参考向量与该用户的用户向量的运算结果。

例如，若某两条训练数据分别为[a1,b1,-1]和[a2,b1,1]，其中，a1和a2分别为用户A1的用户属性和用户A2的用户属性，b1表征某一文件的文件内容，-1和1分别为用户A1和用户A2对b1这一文件的文件操作历史数据。在这里，-1例如可以表征用户A1未曾对b1这一文件执行过历史操作行为，而1例如可以表征用户A2曾对b1这一文件执行过历史操作行为，相应地，训练数据[a1,b1,-1]可理解为负样本，而训练数据[a2,b1,1]可理解为正样本。

若利用负采样算法从表征文件内容的多个参考向量中筛选出参考向量c1～cn，那么针对训练数据[a1,b1,-1]，其从分类层输出的运算结果为：

其中，a1’表征针对训练数据[a1,b1,-1]生成的用户向量，b1’表征与训练数据[a1,b1,-1]中的文件内容b1对应的参考向量。其中的ci是c1～cn的其中一个。而针对训练数据[a2,b1,1]，其从分类层输出的运算结果为

其中，a2’表征针对训练数据[a2,b1,1]生成的用户向量，b1’表征与训练数据[a2,b1,1]中的文件内容b1对应的参考向量。其中的ci是c1～cn的其中一个。

在没有负采样层的情况下，分数的分子包括一条训练数据中的参考向量与由该条数据得到的用户向量的乘积，而分数的分母则包括预设的多个参考向量，与上述用户向量的乘积之和。而这些实现方式引入了负采样层，并利用负采样层中的负采样算法的函数，将上述的分母替换为采样的参考向量，与上述用户向量的乘积之和。

上述执行主体在分类层中，进行包括用户向量与初始参考向量的运算。这样，上述执行主体利用上述的负采样层和分类层，能够对用户向量进行处理，以实现信息推荐模型的训练目标。训练得到的多个参考向量，可以由负采样层维护。

在这些实现方式的一些可选的应用场景中，步骤404可以包括：按照从大到小的顺序，从多个乘积中，从多个乘积中确定至少一个乘积，以及确定至少一个乘积对应的参考向量为目标参考向量。

在这些可选的应用场景中，上述执行主体可以将用户向量，分别与各个参考向量相乘，以得到多个乘积。并从这些乘积中，按照从大到小的顺序，选取至少一个乘积。之后，上述执行主体则可以确定上述至少一个乘积中，各个乘积分别对应的参考向量为目标参考向量。这里与乘积对应的参考向量指，与用户向量相乘得到该乘积的参考向量。信息推荐模型的训练目标包括用户向量与正样本对应的向量的乘积较大，所以，选择的较大乘积对应的参考向量，是较为适合用户的文件对应的参考向量。

这些应用场景可以通过选取符合信息推荐模型训练目标的参考向量，来准确地确定出适合用户的文件。

步骤405，将目标文件向目标用户对应的终端设备推送。

在本实施例中，上述执行主体可以向终端设备推送目标文件。这里的终端设备与上述目标用户有对应关系。比如，可以是终端设备登录的用户。

本实施例利用信息推荐模型中的多个全连接层，在训练以及预测时，对输入的信息进行充分的融合，从而训练出更准确的信息推荐模型并让该模型进行更准确的预测。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种信息推送装置的一个实施例，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5所示，本实施例的信息推送装置500包括：获取单元501、输入单元502、选取单元503和推送单元504。其中，获取单元501，被配置成获取目标用户的用户属性和文件操作历史数据，其中，文件操作历史数据所指示的文件属于预先设置的文件类别。输入单元502，被配置成将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从信息推荐模型输出的用户向量，其中，信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系。选取单元503，被配置成基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与目标参考向量对应的文件确定为目标文件，其中，多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联。推送单元504，被配置成将目标文件向目标用户对应的终端设备推送。

在一些实施例中，信息推送装置500的获取单元501可以获取目标用户的用户属性和文件操作历史数据。具体地，用户属性指用户自身的性质，比如可以是年龄和/或性别。上述文本可以是多种形式的文本，比如，文本可以是电子书籍和/或论文等等。

在一些实施例中，输入单元502可以将获取的用户属性和文件操作历史数据输入信息推荐模型，得到从该模型中输出的用户向量。信息推荐模型可以对所获取的目标用户的文件相关特征进行向量化处理，从而得到用户向量。

在一些实施例中，选取单元503可以从多个参考向量中，选取出目标参考向量，进而确定目标文件。这里的参考向量与文件ID是一一对应的，并且，如果一个参考向量对应某文件，那么该参考向量与该文件的文件内容是相关联的。文件内容可以包括以下的至少一种：名称的切词结果、正文的切词结果、小说类别信息。用户所选取的目标文件可以包括一个或多个。

在一些实施例中，推送单元504可以向终端设备推送目标文件。这里的终端设备与上述目标用户有对应关系。比如，可以是终端设备登录的用户。

在本实施例的一些可选的实现方式中，信息推荐模型包括嵌入层和全连接层；输入单元，包括：第一输入模块，被配置成将所获取的用户属性和文件操作历史数据输入嵌入层，以使用户属性和文件操作历史数据转换成浮点型数据；第二输入模块，被配置成将浮点型数据依次输入至少两个级联的全连接层，得到用户向量。

在本实施例的一些可选的实现方式中，信息推荐模型为预先训练的深度神经网络，信息推荐模型还包括负采样层和分类层；信息推荐模型通过如下步骤训练得到：获取训练数据集合，其中，训练数据集合中的训练数据包括用户的用户属性、文件操作历史数据和文件内容，训练数据中，文件操作历史数据用于指示该训练数据中的用户属性所指示的用户是否对该训练数据中的文件内容执行过历史操作，各训练数据按照该训练数据中的文件操作历史数据所指示的历史操作划分为正样本和负样本；将训练数据输入初始信息推荐模型，以训练初始信息推荐模型，得到信息推荐模型以及多个参考向量，其中，训练目标包括用户向量与正样本对应的向量的乘积大于或等于，用户向量与负样本对应的向量的乘积。

在本实施例的一些可选的实现方式中，选取单元，包括：第一确定模块，被配置成将用户向量与多个参考向量中的各个参考向量相乘，得到多个乘积；第二确定模块，被配置成按照从大到小的顺序，从多个乘积中，确定至少一个乘积，以及确定至少一个乘积对应的参考向量为目标参考向量。

在本实施例的一些可选的实现方式中，选取单元，包括：向量确定单元，被配置成按照与用户向量的距离由小到大的顺序，从多个参考向量中，确定至少一个参考向量为目标参考向量。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)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装置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，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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。

通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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6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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601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。

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：一种处理器包括获取单元、输入单元、选取单元和推送单元。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，获取单元还可以被描述为“获取目标用户的用户属性和文件操作历史数据的单元”。

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装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：获取目标用户的用户属性和文件操作历史数据，其中，文件操作历史数据所指示的文件属于预先设置的文件类别；将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从信息推荐模型输出的用户向量，其中，信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系；基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与目标参考向量对应的文件确定为目标文件，其中，多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联；将目标文件向目标用户对应的终端设备推送。

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 (12)

1.一种信息推送方法，所述方法包括：

获取目标用户的用户属性和文件操作历史数据，其中，所述文件操作历史数据所指示的文件属于预先设置的文件类别；

将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从所述信息推荐模型输出的用户向量，其中，所述信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系；

基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与所述目标参考向量对应的文件确定为目标文件，其中，所述多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联；

将所述目标文件向所述目标用户对应的终端设备推送。

2.根据权利要求1所述的方法，其中，所述信息推荐模型包括嵌入层和全连接层；

所述将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从所述信息推荐模型输出的用户向量，包括：

将所获取的用户属性和文件操作历史数据输入所述嵌入层，以使用户属性和文件操作历史数据转换成浮点型数据；

将所述浮点型数据依次输入至少两个级联的全连接层，得到所述用户向量。

3.根据权利要求2所述的方法，其中，所述信息推荐模型为预先训练的深度神经网络，所述信息推荐模型还包括负采样层和分类层；

所述信息推荐模型通过如下步骤训练得到：

获取训练数据集合，其中，所述训练数据集合中的训练数据包括用户的用户属性、文件操作历史数据和文件内容，所述训练数据中，文件操作历史数据用于指示该训练数据中的用户属性所指示的用户是否对该训练数据中的文件内容执行过历史操作，各训练数据按照该训练数据中的文件操作历史数据所指示的历史操作划分为正样本和负样本；

将所述训练数据输入初始信息推荐模型，以训练所述初始信息推荐模型，得到所述信息推荐模型以及所述多个参考向量，其中，训练目标包括用户向量与正样本对应的向量的乘积大于或等于，用户向量与负样本对应的向量的乘积。

4.根据权利要求3所述的方法，其中，所述基于所得到的用户向量，从多个参考向量中选取目标参考向量，包括：

将所述用户向量与所述多个参考向量中的各个参考向量相乘，得到多个乘积；

按照从大到小的顺序，从所述多个乘积中，确定至少一个乘积，以及确定所述至少一个乘积对应的参考向量为目标参考向量。

5.根据权利要求1所述的方法，其中，所述基于所得到的用户向量，从多个参考向量中选取目标参考向量，包括：

按照与所述用户向量的距离由小到大的顺序，从所述多个参考向量中，确定至少一个参考向量为所述目标参考向量。

6.一种信息推送装置，所述装置包括：

获取单元，被配置成获取目标用户的用户属性和文件操作历史数据，其中，所述文件操作历史数据所指示的文件属于预先设置的文件类别；

输入单元，被配置成将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从所述信息推荐模型输出的用户向量，其中，所述信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系；

选取单元，被配置成基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与所述目标参考向量对应的文件确定为目标文件，其中，所述多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联；

推送单元，被配置成将所述目标文件向所述目标用户对应的终端设备推送。

7.根据权利要求6所述的装置，其中，所述信息推荐模型包括嵌入层和全连接层；

所述输入单元，包括：

第一输入模块，被配置成将所获取的用户属性和文件操作历史数据输入所述嵌入层，以使用户属性和文件操作历史数据转换成浮点型数据；

第二输入模块，被配置成将所述浮点型数据依次输入至少两个级联的全连接层，得到所述用户向量。

8.根据权利要求7所述的装置，其中，所述信息推荐模型为预先训练的深度神经网络，所述信息推荐模型还包括负采样层和分类层；

所述信息推荐模型通过如下步骤训练得到：

获取训练数据集合，其中，所述训练数据集合中的训练数据包括用户的用户属性、文件操作历史数据和文件内容，所述训练数据中，文件操作历史数据用于指示该训练数据中的用户属性所指示的用户是否对该训练数据中的文件内容执行过历史操作，各训练数据按照该训练数据中的文件操作历史数据所指示的历史操作划分为正样本和负样本；

将所述训练数据输入初始信息推荐模型，以训练所述初始信息推荐模型，得到所述信息推荐模型以及所述多个参考向量，其中，训练目标包括用户向量与正样本对应的向量的乘积大于或等于，用户向量与负样本对应的向量的乘积。

9.根据权利要求8所述的装置，其中，所述选取单元，包括：

第一确定模块，被配置成将所述用户向量与所述多个参考向量中的各个参考向量相乘，得到多个乘积；

第二确定模块，被配置成按照从大到小的顺序，从所述多个乘积中，确定至少一个乘积，以及确定所述至少一个乘积对应的参考向量为目标参考向量。

10.根据权利要求9所述的装置，其中，所述选取单元，包括：

向量确定单元，被配置成按照与所述用户向量的距离由小到大的顺序，从所述多个参考向量中，确定至少一个参考向量为所述目标参考向量。

11.一种电子设备，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，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读存储介质，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中任一所述的方法。

Images