用于生成信息的方法和装置
技术领域
本公开的实施例涉及计算机技术领域,尤其涉及用于生成信息的方法和装置。
背景技术
个性化推荐是根据用户的兴趣特点,向用户推荐用户感兴趣的信息,其可以帮助用户快速定位感兴趣的内容,提升用户体验。
实践中,由于市场上的产品数量较多,所以线上实时为用户推荐个性化产品时无法对全部产品进行评估计算。目前,个性化推荐的一般做法是预先针对每个用户构建个性化的产品候选集,进而,线上实施推荐时,可以从产品候选集中选取产品进行推荐。
发明内容
本公开的实施例提出了用于生成信息的方法和装置。
第一方面,本公开的实施例提供了一种用于生成信息的方法,该方法包括:获取目标用户在预设历史时间段内的历史行为数据;基于所获取的历史行为数据,生成用于表征目标用户的用户特征的特征向量;将特征向量输入预先训练的产品识别模型,获得产品向量作为基准产品向量,其中,基准产品向量用于指示目标用户感兴趣的产品;利用预先构建的向量搜索引擎搜索基准产品向量,获得第一目标数量个结果产品向量;获取第一目标数量个结果产品向量分别对应的产品的产品信息,组成产品信息集合。
在一些实施例中,在获取第一目标数量个结果产品向量分别对应的产品的产品信息,组成产品信息集合之后,该方法还包括:响应于获取到目标用户的、不同于历史行为数据的、新的行为数据,基于新的行为数据,更新特征向量,获得新的特征向量;将新的特征向量输入产品识别模型,获得产品向量作为新的基准产品向量;利用向量搜索引擎搜索新的基准产品向量,获得第三目标数量个新的结果产品向量;获取第三目标数量个新的结果产品向量分别对应的产品的产品信息作为新的产品信息;利用所获取的、新的产品信息更新产品信息集合,获得新的产品信息集合。
在一些实施例中,基于所获取的历史行为数据,生成用于表征目标用户的用户特征的特征向量包括:获取目标用户的属性信息,其中,属性信息用于表征目标用户的属性;基于所获取的历史行为数据和属性信息,生成用于表征目标用户的用户特征的特征向量。
在一些实施例中,产品识别模型通过以下步骤训练得到:获取第一产品获取数据集合,其中,产品获取数据包括被获取的产品的产品信息和获取产品的用户的用户信息;对于第一产品获取数据集合中的产品获取数据,执行以下步骤:提取该产品获取数据所对应的用户在目标历史时间段内的历史行为数据,其中,目标历史时间段为以用户获取该产品获取数据所对应的产品的时间为终点的历史时间段;基于所提取的历史行为数据,生成用于表征该产品获取数据所对应的用户的用户特征的特征向量作为样本特征向量;获取预先确定的、该产品获取数据中的产品信息所对应的产品向量作为样本产品向量;利用所获得的样本产品向量和样本特征向量组成训练样本;利用机器学习方法,将所组成的训练样本中的样本特征向量作为输入数据,将所输入的样本特征向量所对应的样本产品向量作为期望输出数据,训练得到产品识别模型。
在一些实施例中,产品信息所对应的产品向量通过以下步骤确定:获取第二产品获取数据集合;基于第二产品获取数据集合和预设的节点类型集合,构建产品获取网络,其中,产品获取网络包括属于节点类型集合中的节点类型的节点和用于连接节点的边,节点用于表征实体,边用于表征所连接的节点对应的实体之间的关系,其中,节点类型集合包括用户型和产品型;获取基于节点类型集合预先确定的元路径集合,其中,元路径集合中的元路径的起点和终点为用户型节点;基于产品获取网络,执行以下生成步骤:从产品获取网络中选取用户型节点作为起始节点,以及执行以下生成子步骤:从元路径集合中选取包括产品型节点的元路径作为基准元路径;从以起始节点为起点的路径中选取与基准元路径结构相同的路径作为候选路径;确定最近一次选取的候选路径的终点是否被选取过,响应于被选取过,依次提取所获得的候选路径中的节点表征的实体的实体信息,组成信息序列;重复执行生成步骤,以获得第二目标数量个信息序列;将第二目标数量个信息序列中的信息序列包括的产品信息作为初始神经网络的输入数据,将信息序列中除所输入的产品信息以外的信息作为初始神经网络的期望输出数据,对初始神经网络进行训练,获得训练完成的初始神经网络作为语言模型;对于第二目标数量个信息序列包括的产品信息中的产品信息,将该产品信息输入语言模型,获得用于表征该产品信息的信息特征的特征向量作为该产品信息所对应的产品向量。
在一些实施例中,生成步骤还包括:响应于确定最近一次选取的候选路径的终点未被选取过,选取最近一次选取的候选路径的终点作为新的起始节点,以及继续执行生成子步骤。
在一些实施例中,节点类型集合还包括以下至少一项:品牌型,品类型,店铺型,地址型。
在一些实施例中,向量搜索引擎通过以下方法构建:利用语言模型生成的产品向量,构建向量搜索引擎。
在一些实施例中,该方法还包括:从产品信息集合中选取目标产品信息;将目标产品信息推送给通信连接的用户终端,以及控制用户终端呈现目标产品信息。
在一些实施例中,行为数据包括以下至少一项:浏览数据、点击数据、搜索数据。
第二方面,本公开的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,被配置成获取目标用户在预设历史时间段内的历史行为数据;向量生成单元,被配置成基于所获取的历史行为数据,生成用于表征目标用户的用户特征的特征向量;第一输入单元,被配置成将特征向量输入预先训练的产品识别模型,获得产品向量作为基准产品向量,其中,基准产品向量用于指示目标用户感兴趣的产品;第一搜索单元,被配置成利用预先构建的向量搜索引擎搜索基准产品向量,获得第一目标数量个结果产品向量;第二获取单元,被配置成获取第一目标数量个结果产品向量分别对应的产品的产品信息,组成产品信息集合。
在一些实施例中,该装置还包括:第一更新单元,被配置成响应于获取到目标用户的、不同于历史行为数据的、新的行为数据,基于新的行为数据,更新特征向量,获得新的特征向量;第二输入单元,被配置成将新的特征向量输入产品识别模型,获得产品向量作为新的基准产品向量;第二搜索单元,被配置成利用向量搜索引擎搜索新的基准产品向量,获得第三目标数量个新的结果产品向量;第三获取单元,被配置成获取第三目标数量个新的结果产品向量分别对应的产品的产品信息作为新的产品信息;第二更新单元,被配置成利用所获取的、新的产品信息更新产品信息集合,获得新的产品信息集合。
在一些实施例中,向量生成单元包括:获取模块,被配置成获取目标用户的属性信息,其中,属性信息用于表征目标用户的属性;生成模块,被配置成基于所获取的历史行为数据和属性信息,生成用于表征目标用户的用户特征的特征向量。
在一些实施例中,产品识别模型通过以下步骤训练得到:获取第一产品获取数据集合,其中,产品获取数据包括被获取的产品的产品信息和获取产品的用户的用户信息;对于第一产品获取数据集合中的产品获取数据,执行以下步骤:提取该产品获取数据所对应的用户在目标历史时间段内的历史行为数据,其中,目标历史时间段为以用户获取该产品获取数据所对应的产品的时间为终点的历史时间段;基于所提取的历史行为数据,生成用于表征该产品获取数据所对应的用户的用户特征的特征向量作为样本特征向量;获取预先确定的、该产品获取数据中的产品信息所对应的产品向量作为样本产品向量;利用所获得的样本产品向量和样本特征向量组成训练样本;利用机器学习方法,将所组成的训练样本中的样本特征向量作为输入数据,将所输入的样本特征向量所对应的样本产品向量作为期望输出数据,训练得到产品识别模型。
在一些实施例中,产品信息所对应的产品向量通过以下步骤确定:获取第二产品获取数据集合;基于第二产品获取数据集合和预设的节点类型集合,构建产品获取网络,其中,产品获取网络包括属于节点类型集合中的节点类型的节点和用于连接节点的边,节点用于表征实体,边用于表征所连接的节点对应的实体之间的关系,其中,节点类型集合包括用户型和产品型;获取基于节点类型集合预先确定的元路径集合,其中,元路径集合中的元路径的起点和终点为用户型节点;基于产品获取网络,执行以下生成步骤:从产品获取网络中选取用户型节点作为起始节点,以及执行以下生成子步骤:从元路径集合中选取包括产品型节点的元路径作为基准元路径;从以起始节点为起点的路径中选取与基准元路径结构相同的路径作为候选路径;确定最近一次选取的候选路径的终点是否被选取过,响应于被选取过,依次提取所获得的候选路径中的节点表征的实体的实体信息,组成信息序列;重复执行生成步骤,以获得第二目标数量个信息序列;将第二目标数量个信息序列中的信息序列包括的产品信息作为初始神经网络的输入数据,将信息序列中除所输入的产品信息以外的信息作为初始神经网络的期望输出数据,对初始神经网络进行训练,获得训练完成的初始神经网络作为语言模型;对于第二目标数量个信息序列包括的产品信息中的产品信息,将该产品信息输入语言模型,获得用于表征该产品信息的信息特征的特征向量作为该产品信息所对应的产品向量。
在一些实施例中,生成步骤还包括:响应于确定最近一次选取的候选路径的终点未被选取过,选取最近一次选取的候选路径的终点作为新的起始节点,以及继续执行生成子步骤。
在一些实施例中,节点类型集合还包括以下至少一项:品牌型,品类型,店铺型,地址型。
在一些实施例中,向量搜索引擎通过以下方法构建:利用语言模型生成的产品向量,构建向量搜索引擎。
在一些实施例中,该装置还包括:选取单元,被配置成从产品信息集合中选取目标产品信息;推送单元,被配置成将目标产品信息推送给通信连接的用户终端,以及控制用户终端呈现目标产品信息。
在一些实施例中,行为数据包括以下至少一项:浏览数据、点击数据、搜索数据。
第三方面,本公开的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,其上存储有一个或多个程序,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,该程序被处理器执行时实现上述用于生成信息的方法中任一实施例的方法。
本公开的实施例提供的用于生成信息的方法和装置,通过获取目标用户在预设历史时间段内的历史行为数据,而后基于所获取的历史行为数据,生成用于表征目标用户的用户特征的特征向量,接着将特征向量输入预先训练的产品识别模型,获得产品向量作为基准产品向量,其中,基准产品向量用于指示目标用户感兴趣的产品,然后利用预先构建的向量搜索引擎搜索基准产品向量,获得第一目标数量个结果产品向量,最后获取第一目标数量个结果产品向量分别对应的产品的产品信息,组成产品信息集合,从而可以基于用户的历史行为数据,利用产品识别模型和向量搜索引擎,生成用户可能感兴趣的产品的产品信息集合,丰富了产品信息集合的生成方式,提高了信息生成的多样性,进而有助于提高向用户呈现的产品信息的多样性。
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信息的方法的一个实施例的流程图;
图3是本公开的用于生成信息的方法中的一个产品获取网络的示意图;
图4是根据本公开的实施例的用于生成信息的方法的一个应用场景的示意图;
图5是根据本公开的用于生成信息的方法的又一个实施例的流程图;
图6是根据本公开的用于生成信息的装置的一个实施例的结构示意图;
图7是适于用来实现本公开的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,例如网页浏览器应用、购物类应用、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发送的目标用户在预设历史时间段内的历史行为数据进行处理的信息处理服务器。信息处理服务器可以对接收到的历史行为数据等数据进行分析等处理,并获得处理结果(例如产品信息集合)。
需要说明的是,本公开的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。
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。在生成产品信息集合的过程中所使用的数据不需要从远程获取的情况下,上述系统架构可以不包括网络,而只包括终端设备或服务器。
继续参考图2,示出了根据本公开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,获取目标用户在预设历史时间段内的历史行为数据。
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)可以通过有线连接方式或者无线连接方式从远程或本地获取目标用户在预设历史时间段内的历史行为数据。其中,目标用户为待确定其感兴趣的产品的用户。预设历史时间段可以为预先确定的历史时间段,例如可以为过去一天、2019年2月份等。
在本实施例中,历史行为数据为目标用户在历史时间段内的历史行为所产生的数据。具体的,历史行为数据可以包括用于表征目标用户的历史行为所针对的对象的对象信息。作为示例,历史行为数据为目标用户获取产品A所产生的数据(这里,获取产品A即为目标用户的历史行为;产品A即为历史行为所针对的对象),则历史行为数据可以包括用于表征产品A的信息(例如文字“产品A”)。
需要说明的是,历史行为数据所对应的历史行为可以为各种行为,例如,如上述示例,可以为获取产品的行为。
在本实施例的一些可选的实现方式中,本公开中描述的行为数据(包括历史行为数据以及下文中的新的行为数据)可以包括但不限于以下至少一项:浏览数据、点击数据、搜索数据。这里,浏览数据可以为用户的浏览行为所产生的数据,浏览数据中可以包括用户浏览的对象(例如网页)的对象信息(例如网页信息);点击数据可以为用户的点击行为所产生的数据,点击数据中可以包括用户点击的对象(例如链接)的对象信息(例如链接信息);搜索数据可以为用户的搜索行为所产生的数据,搜索数据中可以包括用户搜索的对象(例如搜索词)的对象信息(例如搜索词信息)。
步骤202,基于所获取的历史行为数据,生成用于表征目标用户的用户特征的特征向量。
在本实施例中,基于步骤201中得到的历史行为数据,上述执行主体可以生成用于表征目标用户的用户特征的特征向量。其中,用户特征可以包括用户的兴趣点特征。
可以理解,用户的行为通常可以体现用户的兴趣点。例如目标用户存在“获取产品A”这一历史行为,则可以表征目标用户可能对产品A感兴趣。
具体的,上述执行主体可以将历史行为数据中的、用于表征历史行为所针对的对象的对象信息转化为特征向量,进而将所转化的特征向量确定为用于表征目标用户的用户特征的特征向量。需要说明的是,这里,确定出的特征向量可以用于表征目标用户的兴趣点特征。
在这里,可以采用各种方法将对象信息转化为特征向量,例如,若对象信息为文本,则可以采用word2vec的方法将对象信息转化为特征向量;或者,若对象信息为图像,则可以采用用于提取图像特征的模型(例如卷积神经网络)提取图像的图像特征,获得特征向量。
在本实施例的一些可选的实现方式中,基于所获取的历史行为数据,上述执行主体还可以通过以下步骤生成用于表征目标用户的用户特征的特征向量:
首先,获取目标用户的属性信息。
其中,属性信息用于表征目标用户的属性。作为示例,属性信息可以包括但不限于以下至少一项:年龄信息、性别信息、身高信息、体重信息。
然后,基于所获取的历史行为数据和属性信息,生成用于表征目标用户的用户特征的特征向量。
这里,所生成的特征向量可以用于表征目标用户的属性特征和兴趣点特征。具体的,上述执行主体可以分别针对历史行为数据和属性信息生成特征向量,然后对历史行为数据所对应的特征向量和属性信息所对应的特征向量进行拼接,获得拼接后的特征向量作为用于表征目标用户的用户特征的特征向量。
需要说明的是,历史行为数据所对应的特征向量可以采用上述转化历史行为数据中的对象信息的方式获得。属性信息所对应的特征向量可以采用与上述将对象信息转化为特征向量的方法相类似的方法生成,或者,可以采用特征变换的方法生成。这里,特征变换可以按照预先确定的方式将属性信息所表征的各个特征转化为特征值,进而生成包括特征值的特征向量。
作为示例,属性信息包括“年龄信息‘21’;性别信息‘男’”。预先确定的年龄信息对应的特征值为年龄;性别信息对应的特征值包括0和1,其中,0用于表征男性,1用于表征女性。进而,对于年龄信息“21”,其所对应的特征值为21;对于性别信息“男”,其所对应的特征值为0,即可以生成属性信息“年龄信息‘21’;性别信息‘男’”所对应的特征向量[21,0]。
还需要说明的是,对历史行为数据所对应的特征向量和属性信息所对应的特征向量进行拼接时,这两个特征向量的先后顺序可以是任意的,具体的,历史行为数据所对应的特征向量可以位于属性信息所对应的特征向量之前,也可以位于属性信息所对应的特征向量之后。
作为示例,历史行为数据所对应的特征向量为[3,4,5];属性信息所独有的特征向量为[21,0]。则进行拼接时,特征向量[3,4,5]可以位于特征向量[21,0]之前,进而获得拼接后的特征向量[3,4,5,21,0];特征向量[3,4,5]也可以位于特征向量[21,0]之后,进而获得拼接后的特征向量[21,0,3,4,5]。
步骤203,将特征向量输入预先训练的产品识别模型,获得产品向量作为基准产品向量。
在本实施例中,基于步骤202中得到的用于表征目标用户的用户特征的特征向量,上述执行主体可以将该特征向量输入预先训练的产品识别模型,获得产品向量作为基准产品向量。其中,基准产品向量可以用于指示目标用户感兴趣的产品。
在本实施例中,产品识别模型可以用于表征用户的特征向量与产品向量的对应关系。具体的,作为示例,产品识别模型可以是技术人员预先基于对大量的用户的特征向量和特征向量所对应的产品向量的统计而预先制定的、存储有多个用户的特征向量与对应的产品向量的对应关系表;也可以为基于预设的训练样本,利用机器学习方法对初始模型(例如深度神经网络)进行训练后得到的模型。
在本实施例的一些可选的实现方式中,产品识别模型可以由上述执行主体或其他电子设备通过以下步骤训练得到:
步骤2031,获取第一产品获取数据集合。
其中,第一产品获取数据集合中可以包括多个产品获取数据。产品获取数据可以为用户获取产品后所产生的数据。具体的,产品获取数据可以包括被获取的产品的产品信息和获取产品的用户的用户信息。产品信息可以用于指示产品,例如产品信息可以为产品的名称信息。用户信息可以用于指示用户,例如用户信息可以为用户的账号信息。
步骤2032,对于第一产品获取数据集合中的产品获取数据,执行以下步骤:
首先,提取该产品获取数据所对应的用户在目标历史时间段内的历史行为数据。
其中,该产品获取数据所对应的用户即为该产品获取数据中的用户信息所指示的用户。目标历史时间段为以用户获取该产品获取数据所对应的产品的时间为终点的历史时间段,目标历史时间段的时长可以是预先确定的,例如一个月。
然后,基于所提取的历史行为数据,生成用于表征该产品获取数据所对应的用户的用户特征的特征向量作为样本特征向量。
这里,可以采用与步骤202中生成目标用户所对应的特征向量的方法相类似的方法生成样本特征向量,此处不再赘述。
接着,获取预先确定的、该产品获取数据中的产品信息所对应的产品向量作为样本产品向量。
实践中,上述执行主体或其他电子设备可以预先将已有的产品的产品信息分别转化为产品向量,并建立产品信息和基于该产品信息转化成的产品向量的对应关系(例如建立对应关系表,或者在产品信息和对应的产品向量中添加相同的标识),进而,在执行本步骤时,可以直接基于上述对应关系,查找与该产品获取数据中的产品信息相对应的产品向量作为样本产品向量。
具体的,可以采用各种方法将产品信息转化为产品向量。例如,若产品信息为文本,则可以采用word2vec的方法将产品信息转化为产品向量;或者,若产品信息为图像,则可以采用用于提取图像特征的模型(例如卷积神经网络)提取图像的图像特征,获得产品向量。
在本实施例的一些可选的实现方式中,产品信息所对应的产品向量可以由上述执行主体或其他电子设备通过以下步骤确定:
第一步,获取第二产品获取数据集合。
这里,与第一产品获取数据集合中的产品获取数据相类似,第二产品获取数据集合中的产品获取数据也可以包括被获取的产品的产品信息和获取产品的用户的用户信息。产品信息为用于指示产品的信息,具体的,可以包括用于指示产品的品类的信息、用于指示产品的品牌的信息以及用于指示产品所属的店铺的信息等。用户信息为用于指示用户的信息,具体的,可以包括用于指示用户的账号的信息、用于指示用户的地址的信息以及用于指示用户的性别的信息等。
特别的,第二产品获取数据集合可以与上述第一产品获取数据集合相同。
第二步,基于第二产品获取数据集合和预设的节点类型集合,构建产品获取网络。
其中,产品获取网络包括属于上述节点类型集合中的节点类型的节点和用于连接节点的边。节点可以用于表征实体。实体可以为实际的事物或概念,例如用户、产品、店铺、品类等。边可以用于表征所连接的节点对应的实体之间的关系。具体的,利用边连接的两个节点有关系,而未利用边连接的两个节点不具有关系。需要说明的是,边所表征的关系的具体内容可以根据边所连接的两个节点的节点类型确定。例如,某个边所连接的两个节点的节点类型分别为用户型和产品型,则该边所表征的关系可以为获取关系;某个边所连接的两个节点的节点类型分别为产品型和品牌型,则该边所表征的关系可以为归属关系。
在这里,节点类型集合中的节点类型可以为技术人员预先确定的节点类型。但是需要说明的是,节点类型集合包括用户型和产品型。
在本实施例的一些可选的实现方式中,节点类型集合还可以包括但不限于以下至少一项:品牌型,品类型,店铺型,地址型。
可以理解,由于节点类型集合至少包括用户型和产品型,所以产品获取网络中的节点至少包括用户型节点和产品型节点,即产品获取网络所包括的节点的节点类型不同,所以在这里,产品获取网络为异构信息网络(Heterogeneous information Network)。
实践中,基于第二产品获取数据集合和预设的节点类型集合,可以采用各种方法生成产品获取网络。
作为示例,节点类型集合包括用户型、产品型、品牌型、品类型、店铺型和地址型。第二产品获取数据集合包括用户1获取产品1后所产生的数据、用户1获取产品2后所产生的数据、用户2获取产品1后所产生的数据、用户3获取产品2后所产生的数据以及用户3获取产品3后所产生的数据。进而,基于第二产品获取数据集合和节点类型集合,可以构建如图3所示的产品获取网络。需要说明的是,图3仅为构建的产品获取网络的一个示意图,实践中,根据实体间不同的关系,可以构建出不同的产品获取网络。
第三步,获取基于节点类型集合预先确定的元路径集合。
其中,元路径集合中的元路径的起点和终点为用户型节点。
实践中,元路径(Meta-Path)是定义在异构信息网络上的路径。如果元路径的起点和终点上的节点属于相同的节点类型,则称该元路径对称。进而,可以理解,上述元路径集合中的元路径均为对称的元路径。
需要说明的是,当节点类型集合以及元路径的起点和终点的节点类型确定之后,技术人员则可以基于节点类型集合中的各个节点类型对应的节点之间的关系构建元路径,进而生成元路径集合。
具体的,作为示例,节点类型集合包括用户型、产品型、品牌型、品类型、店铺型和地址型,则构建的元路径可以包括:用户-地址-用户;用户-产品-用户;用户-产品-品类-产品-用户;用户-产品-品牌-产品-用户;用户-产品-店铺-产品-用户。
实践中,不同的元路径具有不同的语义信息。例如,对于上述示例中的元路径“用户-地址-用户”,其语义信息可以为“两个用户的地址相同”;对于元路径“用户-产品-用户”,其语义信息可以为“两个用户获取了相同的产品”;对于元路径“用户-产品-品类-产品-用户”,其语义信息可以为“两个用户获取了相同品类的不同产品”;对于元路径“用户-产品-品牌-产品-用户”,其语义信息可以为“两个用户获取了相同品牌的不同产品”;对于元路径“用户-产品-店铺-产品-用户”,其语义信息可以为“两个用户获取了属于同一个店铺的不同产品”。
第四步,基于产品获取网络,执行以下生成步骤:从产品获取网络中选取用户型节点作为起始节点,以及执行以下生成子步骤:从元路径集合中选取包括产品型节点的元路径作为基准元路径;从以起始节点为起点的路径中选取与基准元路径结构相同的路径作为候选路径;确定最近一次选取的候选路径的终点是否被选取过,响应于被选取过,依次提取所获得的候选路径中的节点表征的实体的实体信息,组成信息序列。
这里,可以从产品获取网络中选取任意一个用户型节点作为起始节点。例如,针对图3中的产品获取网络,可以选取用户1对应的节点作为起始节点。
在生成子步骤中,可以从元路径集合中选取任意一个包括产品型节点的元路径作为基准元路径,例如,对于上述示例中构建的元路径,可以从中选取元路径“用户-产品-品类-产品-用户”作为基准元路径。
具体的,与基准元路径结构相同的路径(即候选路径)为所包括的节点的数量、节点类型以及节点间的连接方式分别与基准元路径包括的节点的节点数量、节点类型和节点间的连接方式相同的路径。作为示例,基准元路径为“用户-产品-品类-产品-用户”,对于图3中的产品获取网络,起始节点为用户1,则选取的候选路径可以为用户1-产品2-品类2-产品3-用户3。
特别的,当以起始节点为起点的路径中包括至少两个与基准元路径结构相同的路径时,可以从至少两个路径中选取一个路径作为候选路径。具体的,可以采用各种方法从上述至少两个路径中选取候选路径,例如可以采用随机选取的方法选取,或者可以确定至少两个路径中的每个路径上的产品的被获取量,进而选取被获取量大的路径作为候选路径。
在这里,候选路径的终点为用户型节点。上述执行主体或其他电子设备可以确定最近一次选取的候选路径的终点是否曾被选取作为起始节点,响应于被选取过,依次提取所获得的候选路径中的节点表征的实体的实体信息,组成信息序列。需要说明的是,用于提取实体信息的候选路径可以为所获得的所有候选路径,且针对先获得的候选路径可以先提取。
在本实施例的一些可选的实现方式中,上述生成步骤还可以包括:响应于确定最近一次选取的候选路径的终点未被选取过,选取最近一次选取的候选路径的终点作为新的起始节点,以及继续执行上述生成子步骤。
作为示例,对于图3中的产品获取网络,最近一次选取的候选路径为用户1-产品2-品类2-产品3-用户3,响应于用户3未被选取过,上述执行主体或其他电子设备可以选取用户3作为起始节点,继续执行上述生成子步骤,获得新的候选路径,例如获得候选路径“用户3-产品2-用户1”(该候选路径对应元路径“用户-产品-用户”),进而响应于候选路径“用户3-产品2-用户1”的终点“用户1”被选取过,依次提取候选路径“用户1-产品2-品类2-产品3-用户3”和候选路径“用户3-产品2-用户1”中的节点表征的实体的实体信息,组成信息序列“用户1;产品2;品类2;产品3;用户3;用户3;产品2;用户1”。
需要说明的是,在依次提取候选路径中的节点所对应的实体信息时,某次选取得到的候选路径的终点会与该次选取的下一次选取得到的候选路径的起点相同,因此,可以针对上述相同的终点和起点,提取一个实体信息。例如,候选路径“用户1-产品2-品类2-产品3-用户3”的终点与候选路径“用户3-产品2-用户1”的起点相同,均为“用户3”,进而,在依次提取实体信息时,可以针对终点“用户3”和起点“用户3”,只提取一个实体信息,进而获得信息序列“用户1;产品2;品类2;产品3;用户3;产品2;用户1”。
第五步,重复执行生成步骤,以获得第二目标数量个信息序列。
这里,第二目标数量可以为预先确定的数量,也可以为所能获得的所有信息序列的数量。
具体的,在重复执行生成步骤时,可以通过选取不同的用户型节点作为起始节点,或者选取不同的元路径作为基准元路径来获得不同的信息序列,以此,生成第二目标数量个信息序列。
第六步,将第二目标数量个信息序列中的信息序列包括的产品信息作为初始神经网络的输入数据,将信息序列中除所输入的产品信息以外的信息作为初始神经网络的期望输出数据,对初始神经网络进行训练,获得训练完成的初始神经网络作为语言模型。
其中,初始神经网络为预先确定的、用于生成语言模型的神经网络。在这里,可以利用机器学习方法,对初始神经网络进行训练,以获得语言模型。具体的,可以首先将信息序列中的产品信息输入初始神经网络,获得实际输出。然后,可以采用梯度下降法和反向传播法,基于实际输出和信息序列中除所输入的产品信息以外的信息(即期望输出),调整初始神经网络的参数,将每次调整参数后得到的初始神经网络作为下次训练的初始神经网络,并在满足预设的训练结束条件的情况下,结束训练,从而获得训练完成的初始神经网络(即语言模型)。
需要说明的是,上述预设的训练结束条件可以包括但不限于以下至少一项:训练时间超过预设时长;训练次数超过预设次数;利用预设的损失函数(例如交叉熵损失函数)计算得到的实际上下文信息相对于信息序列中除所输入的产品信息以外的信息的损失值小于预设损失值阈值。
第七步,对于第二目标数量个信息序列包括的产品信息中的产品信息,将该产品信息输入语言模型,获得用于表征该产品信息的信息特征的特征向量作为该产品信息所对应的产品向量。
可以理解,神经网络在实际应用过程中会首先提取所输入的信息的信息特征,生成特征向量,然后基于特征向量,生成结果信息。进而,上述语言模型在处理产品信息时也会首先提取产品信息的信息特征,生成特征向量。因此,这里可以基于语言模型生成第二目标数量个信息序列中的各个产品信息所对应的产品向量。
本实现方式通过产品获取网络构建产品信息与产品向量的对应关系可以提高产品向量的多样性,丰富产品信息的表示方式。
最后,利用所获得的样本产品向量和样本特征向量组成训练样本。
步骤2033,利用机器学习方法,将所组成的训练样本中的样本特征向量作为输入数据,将所输入的样本特征向量所对应的样本产品向量作为期望输出数据,训练得到产品识别模型。
具体的,可以基于所组成的训练样本,采用与上述训练获得语言模型的方法相类似的方法训练获得产品识别模型,此处不再赘述。
步骤204,利用预先构建的向量搜索引擎搜索基准产品向量,获得第一目标数量个结果产品向量。
在本实施例中,基于步骤203中得到的基准产品向量,上述执行主体可以利用预先构建的向量搜索引擎搜索该基准产品向量,获得第一目标数量个结果产品向量。这里,第一目标数量可以为预先确定的数量,也可以为搜索获得的所有结果产品向量的数量。结果产品向量为与基准产品向量相似或相同的产品向量。可以理解,实践中,利用搜索引擎可以获得与搜索词相似或相同的内容,所以,本实施例中利用上述向量搜索引擎,可以获取与基准产品向量相似或相同的结果产品向量。
具体的,可以预先确定已有的产品所对应的产品向量,进而利用确定出的产品向量构建向量搜索引擎。在这里,可以利用现有的各种搜索引擎构建向量搜索引擎。例如,可以利用最近邻搜索引擎构建向量搜索引擎。需要说明的是,产品向量的确定方法可以参考上述步骤2032中的内容,此处不再赘述。
在本实施例的一些可选的实现方式中,上述执行主体或其他电子设备可以利用步骤2032中的语言模型生成的产品向量,构建向量搜索引擎。
步骤205,获取第一目标数量个结果产品向量分别对应的产品的产品信息,组成产品信息集合。
在本实施例中,基于步骤204中得到的第一目标数量个结果产品向量,上述执行主体可以获取第一目标数量个结果产品向量分别对应的产品的产品信息,组成产品信息集合。
可以理解,结果产品向量为与基准产品向量相似或相同的产品向量,所以,若目标用户对基准产品向量所对应的产品感兴趣,则目标用户也可能对第一目标数量个结果产品向量分别对应的产品感兴趣。进而,实践中,可以将所获得的产品信息集合所对应的产品集合确定为用于针对目标用户进行个性化推荐的产品候选集。
在本实施例的一些可选的实现方式中,获得产品信息集合后,上述执行主体还可以执行以下步骤:首先,从产品信息集合中选取目标产品信息。然后,将目标产品信息推送给通信连接的用户终端,以及控制用户终端呈现目标产品信息。
其中,目标产品信息为待推送给用户终端的产品信息。具体的,上述执行主体可以采用各种方法从产品信息集合中选取目标产品信息,例如可以采用随机选取的方式选取,或者可以从产品信息集合中选取被获取量最大的产品所对应的产品信息作为目标产品信息。
在本实现方式中,用户终端可以为用户使用的终端。实践中,上述执行主体可以向用户终端发送控制信号,进而控制用户终端呈现目标产品信息。
本实现方式通过从产品信息集合中选取目标产品信息推送给用户终端,可以提高所推送的产品信息的多样性,进而,有助于提高产品信息呈现的多样性。
继续参见图4,图4是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图4的应用场景中,服务器401可以首先获取目标用户在预设历史时间段内的历史行为数据402。然后,服务器401可以基于所获取的历史行为数据402,生成用于表征目标用户的用户特征的特征向量403。接着,服务器401可以将特征向量403输入预先训练的产品识别模型404,获得产品向量作为基准产品向量405,其中,基准产品向量405用于指示目标用户感兴趣的产品。然后,服务器401可以利用预先构建的向量搜索引擎406搜索基准产品向量405,获得三个(即第一目标数量个)结果产品向量,分别为结果产品向量4071、结果产品向量4072和结果产品向量4073。最后,服务器401可以获取结果产品向量4071、4072、4073分别对应的产品的产品信息4081、4082、4083,以及利用产品信息4081、4082、4083组成产品信息集合408。
本公开的上述实施例提供的方法可以基于用户的历史行为数据,利用产品识别模型和向量搜索引擎,生成用户可能感兴趣的产品的产品信息集合,丰富了产品信息集合的生成方式,提高了信息生成的多样性,进而有助于提高向用户呈现的产品信息的多样性。
进一步参考图5,其示出了用于生成信息的方法的又一个实施例的流程500。该用于生成信息的方法的流程500,包括以下步骤:
步骤501,获取目标用户在预设历史时间段内的历史行为数据。
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)可以通过有线连接方式或者无线连接方式从远程或本地获取目标用户在预设历史时间段内的历史行为数据。其中,目标用户为待确定其感兴趣的产品的用户。预设历史时间段可以为预先确定的历史时间段。历史行为数据为目标用户在历史时间段内的历史行为所产生的数据。具体的,历史行为数据可以包括用于表征目标用户的历史行为所针对的对象的对象信息。
步骤502,基于所获取的历史行为数据,生成用于表征目标用户的用户特征的特征向量。
在本实施例中,基于步骤501中得到的历史行为数据,上述执行主体可以生成用于表征目标用户的用户特征的特征向量。其中,用户特征可以包括用户的兴趣点特征。
步骤503,将特征向量输入预先训练的产品识别模型,获得产品向量作为基准产品向量。
在本实施例中,基于步骤502中得到的用于表征目标用户的用户特征的特征向量,上述执行主体可以将该特征向量输入预先训练的产品识别模型,获得产品向量作为基准产品向量。其中,基准产品向量可以用于指示目标用户感兴趣的产品。产品识别模型可以用于表征用户的特征向量与产品向量的对应关系。
步骤504,利用预先构建的向量搜索引擎搜索基准产品向量,获得第一目标数量个结果产品向量。
在本实施例中,基于步骤503中得到的基准产品向量,上述执行主体可以利用预先构建的向量搜索引擎搜索该基准产品向量,获得第一目标数量个结果产品向量。这里,第一目标数量可以为预先确定的数量,也可以为搜索获得的所有结果产品向量的数量。结果产品向量为与基准产品向量相似或相同的产品向量。
步骤505,获取第一目标数量个结果产品向量分别对应的产品的产品信息,组成产品信息集合。
在本实施例中,基于步骤504中得到的第一目标数量个结果产品向量,上述执行主体可以获取第一目标数量个结果产品向量分别对应的产品的产品信息,组成产品信息集合。
上述步骤501、步骤502、步骤503、步骤504、步骤505可以分别采用与前述实施例中的步骤201、步骤202、步骤203、步骤204和步骤205类似的方式执行,上文针对步骤201、步骤202、步骤203、步骤204和步骤205的描述也适用于步骤501、步骤502、步骤503步骤504和步骤505,此处不再赘述。
步骤506,响应于获取到目标用户的、不同于历史行为数据的、新的行为数据,基于新的行为数据,更新特征向量,获得新的特征向量。
在本实施例中,上述执行主体可以响应于获取到目标用户的、不同于历史行为数据的、新的行为数据,基于新的行为数据,更新特征向量,获得新的特征向量。
在这里,历史行为数据可以为用户的至少一个历史行为所产生的数据。上述新的行为数据可以为目标用户当前的行为所产生的数据。具体的,上述执行主体可以首先将新的行为数据中的对象信息转化为特征向量,然后利用新的行为数据所对应的特征向量,更新所生成的、用于表征用户特征的特征向量,获得新的特征向量。需要说明的是,将新的行为数据中的对象信息转化为特征向量的方法与上述将历史行为数据中的对象信息转化为特征向量的方法相类似,此处不再赘述。
具体的,上述执行主体可以采用各种方法,利用新的行为数据所对应的特征向量,更新所生成的、用于表征用户特征的特征向量。
作为示例,若在生成用于表征用户特征的特征向量时,直接将目标用户的一个历史行为所产生的历史行为数据中的对象信息转化成的特征向量确定为用于表征用户特征的特征向量,则更新该用于表征用户特征的特征向量时,上述执行主体可以直接利用上述新的行为数据所对应的特征向量作为新的特征向量,替代用于表征用户特征的特征向量(即步骤502中生成的特征向量)。
作为又一个示例,若在生成用于表征用户特征的特征向量时,上述执行主体基于目标用户的至少两个历史行为所产生的历史行为数据,生成了特征向量,特征向量中包括与至少两个历史行为相对应的至少两个特征值。则更新该用于表征用户特征的特征向量时,上述执行主体可以首先从用于表征用户特征的特征向量中确定所对应的历史行为的发生时间距离当前时间最远的特征值作为目标特征值,然后利用上述新的行为数据所对应的特征向量中的特征值替代目标特征值,获得新的特征向量。
例如,基于步骤502获得用于表征用户特征的特征向量[3,4,5,21,0],其中,“3”、“4”、“5”分别对应一个历史行为,且“3”对应的历史行为的发生时间距离当前时间最远。对新的行为数据中的对象信息进行转化,获得新的行为数据所对应的特征向量为[9]。则上述执行主体可以利用特征向量[9]中的特征值“9”替代特征向量[3,4,5,21,0]中的、发生时间距离当前时间最远的历史行为所对应的特征值“3”,获得新的特征向量[9,4,5,21,0]。
可以理解,若用于表征用户特征的特征向量为基于历史行为数据和其他数据(例如用户的属性信息)获得的特征向量,则在更新用于表征用户特征的特征向量时,可以仅利用新的行为数据所对应的特征向量中的特征值更新用于表征用户特征的特征向量中的历史行为数据所对应的特征值,而对其他数据所对应的特征值不进行更新。
步骤507,将新的特征向量输入产品识别模型,获得产品向量作为新的基准产品向量。
在本实施例中,基于步骤506中得到的新的特征向量,上述执行主体可以将新的特征向量输入产品识别模型,获得产品向量作为新的基准产品向量。
步骤508,利用向量搜索引擎搜索新的基准产品向量,获得第三目标数量个新的结果产品向量。
在本实施例中,基于步骤507中得到的新的基准产品向量,上述执行主体可以利用向量搜索引擎搜索新的基准产品向量,获得第三目标数量个新的结果产品向量。这里,第三目标数量可以为预先确定的数量,也可以为搜索获得的所有结果产品向量的数量。具体的,第三目标数量可以与上述第一目标数量相同。
步骤509,获取第三目标数量个新的结果产品向量分别对应的产品的产品信息作为新的产品信息。
在本实施例中,基于步骤508中得到的第三目标数量个新的结果产品向量,上述执行主体可以获取第三目标数量个新的结果产品向量分别对应的产品的产品信息作为新的产品信息。
步骤510,利用所获取的、新的产品信息更新产品信息集合,获得新的产品信息集合。
在本实施例中,基于步骤509中得到的新的产品信息,上述执行主体可以利用所获取的、新的产品信息更新产品信息集合,获得新的产品信息集合。
具体的,上述执行主体可以采用各种方法,利用所获取的、新的产品信息更新产品信息集合,获得新的产品信息集合。
作为一个示例,上述执行主体可以直接删除产品信息集合,利用所获取的、新的产品信息组成新的产品信息集合。
作为又一个示例,对于所获取的新的产品信息中的每个新的产品信息,上述执行主体可以确定产品信息集合中是否包括该新的产品信息,响应于不包括,将该新的产品信息添加到产品信息集合中,以此更新产品信息集合。
需要说明的是,在这里,获得新的产品信息集合后,上述执行主体还可以响应于获取到目标用户的新的行为数据(与用于生成最新的特征向量的历史行为数据不同的行为数据),采用与上述步骤506-步骤510中所描述方法相类似的方法更新最近一次获取到的产品信息集合。进而每次获取到目标用户的新的行为数据,上述执行主体都可以对产品信息集合进行一次更新,以此,可以实现对产品信息集合的持续的、实时更新。
从图5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500突出了获得产品信息集合后,响应于获取到目标用户的新的行为数据,基于新的行为数据,生成新的产品信息,进而利用新的产品信息更新产品信息集合,获得新的产品信息集合的步骤。由此,本实施例描述的方案可以基于用户新的行为数据,对产品信息集合进行实时更新,提高了信息生成的实时性,有助于提高向用户呈现的产品信息的时效性。
进一步参考图6,作为对上述各图所示方法的实现,本公开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,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于生成信息的装置600包括:第一获取单元601、向量生成单元602、第一输入单元603、第一搜索单元604和第二获取单元605。其中,第一获取单元601被配置成获取目标用户在预设历史时间段内的历史行为数据;向量生成单元602被配置成基于所获取的历史行为数据,生成用于表征目标用户的用户特征的特征向量;第一输入单元603被配置成将特征向量输入预先训练的产品识别模型,获得产品向量作为基准产品向量,其中,基准产品向量用于指示目标用户感兴趣的产品;第一搜索单元604被配置成利用预先构建的向量搜索引擎搜索基准产品向量,获得第一目标数量个结果产品向量;第二获取单元605被配置成获取第一目标数量个结果产品向量分别对应的产品的产品信息,组成产品信息集合。
在本实施例中,用于生成信息的装置600的第一获取单元601可以通过有线连接方式或者无线连接方式从远程或本地获取目标用户在预设历史时间段内的历史行为数据。其中,目标用户为待确定其感兴趣的产品的用户。预设历史时间段可以为预先确定的历史时间段。历史行为数据为目标用户在历史时间段内的历史行为所产生的数据。具体的,历史行为数据可以包括用于表征目标用户的历史行为所针对的对象的对象信息。
在本实施例中,基于第一获取单元601得到的历史行为数据,向量生成单元602可以生成用于表征目标用户的用户特征的特征向量。其中,用户特征可以包括用户的兴趣点特征。
在本实施例中,基于向量生成单元602得到的用于表征目标用户的用户特征的特征向量,第一输入单元603可以将该特征向量输入预先训练的产品识别模型,获得产品向量作为基准产品向量。其中,基准产品向量可以用于指示目标用户感兴趣的产品。产品识别模型可以用于表征用户的特征向量与产品向量的对应关系。
在本实施例中,基于第一输入单元603得到的基准产品向量,第一搜索单元604可以利用预先构建的向量搜索引擎搜索该基准产品向量,获得第一目标数量个结果产品向量。这里,第一目标数量可以为预先确定的数量,也可以为搜索获得的所有结果产品向量的数量。结果产品向量为与基准产品向量相似或相同的产品向量。
在本实施例中,基于第一搜索单元604得到的第一目标数量个结果产品向量,第二获取单元605可以获取第一目标数量个结果产品向量分别对应的产品的产品信息,组成产品信息集合。
在本实施例的一些可选的实现方式中,装置600还可以包括:第一更新单元(图中未示出),被配置成响应于获取到目标用户的、不同于历史行为数据的、新的行为数据,基于新的行为数据,更新特征向量,获得新的特征向量;第二输入单元(图中未示出),被配置成将新的特征向量输入产品识别模型,获得产品向量作为新的基准产品向量;第二搜索单元(图中未示出),被配置成利用向量搜索引擎搜索新的基准产品向量,获得第三目标数量个新的结果产品向量;第三获取单元(图中未示出),被配置成获取第三目标数量个新的结果产品向量分别对应的产品的产品信息作为新的产品信息;第二更新单元(图中未示出),被配置成利用所获取的、新的产品信息更新所述产品信息集合,获得新的产品信息集合。
在本实施例的一些可选的实现方式中,向量生成单元602可以包括:获取模块(图中未示出),被配置成获取目标用户的属性信息,其中,属性信息用于表征目标用户的属性;生成模块(图中未示出),被配置成基于所获取的历史行为数据和属性信息,生成用于表征目标用户的用户特征的特征向量。
在本实施例的一些可选的实现方式中,产品识别模型可以通过以下步骤训练得到:获取第一产品获取数据集合,其中,产品获取数据包括被获取的产品的产品信息和获取产品的用户的用户信息;对于第一产品获取数据集合中的产品获取数据,执行以下步骤:提取该产品获取数据所对应的用户在目标历史时间段内的历史行为数据,其中,目标历史时间段为以用户获取该产品获取数据所对应的产品的时间为终点的历史时间段;基于所提取的历史行为数据,生成用于表征该产品获取数据所对应的用户的用户特征的特征向量作为样本特征向量;获取预先确定的、该产品获取数据中的产品信息所对应的产品向量作为样本产品向量;利用所获得的样本产品向量和样本特征向量组成训练样本;利用机器学习方法,将所组成的训练样本中的样本特征向量作为输入数据,将所输入的样本特征向量所对应的样本产品向量作为期望输出数据,训练得到产品识别模型。
在本实施例的一些可选的实现方式中,产品信息所对应的产品向量可以通过以下步骤确定:获取第二产品获取数据集合;基于第二产品获取数据集合和预设的节点类型集合,构建产品获取网络,其中,产品获取网络包括属于节点类型集合中的节点类型的节点和用于连接节点的边,节点用于表征实体,边用于表征所连接的节点对应的实体之间的关系,其中,节点类型集合包括用户型和产品型;获取基于节点类型集合预先确定的元路径集合,其中,元路径集合中的元路径的起点和终点为用户型节点;基于产品获取网络,执行以下生成步骤:从产品获取网络中选取用户型节点作为起始节点,以及执行以下生成子步骤:从元路径集合中选取包括产品型节点的元路径作为基准元路径;从以起始节点为起点的路径中选取与基准元路径结构相同的路径作为候选路径;确定最近一次选取的候选路径的终点是否被选取过,响应于被选取过,依次提取所获得的候选路径中的节点表征的实体的实体信息,组成信息序列;重复执行生成步骤,以获得第二目标数量个信息序列;将第二目标数量个信息序列中的信息序列包括的产品信息作为初始神经网络的输入数据,将信息序列中除所输入的产品信息以外的信息作为初始神经网络的期望输出数据,对初始神经网络进行训练,获得训练完成的初始神经网络作为语言模型;对于第二目标数量个信息序列包括的产品信息中的产品信息,将该产品信息输入所述语言模型,获得用于表征该产品信息的信息特征的特征向量作为该产品信息所对应的产品向量。
在本实施例的一些可选的实现方式中,生成步骤还包括:响应于确定最近一次选取的候选路径的终点未被选取过,选取最近一次选取的候选路径的终点作为新的起始节点,以及继续执行生成子步骤。
在本实施例的一些可选的实现方式中,节点类型集合还包括以下至少一项:品牌型,品类型,店铺型,地址型。
在本实施例的一些可选的实现方式中,向量搜索引擎可以通过以下方法构建:利用语言模型生成的产品向量,构建向量搜索引擎。
在本实施例的一些可选的实现方式中,装置600还可以包括:选取单元(图中未示出),被配置成从产品信息集合中选取目标产品信息;推送单元(图中未示出),被配置成将目标产品信息推送给通信连接的用户终端,以及控制用户终端呈现目标产品信息。
在本实施例的一些可选的实现方式中,行为数据可以包括以下至少一项:浏览数据、点击数据、搜索数据。
可以理解的是,该装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元,在此不再赘述。
本公开的上述实施例提供的装置600可以基于用户的历史行为数据,利用产品识别模型和向量搜索引擎,生成用户可能感兴趣的产品的产品信息集合,丰富了产品信息集合的生成方式,提高了信息生成的多样性,进而有助于提高向用户呈现的产品信息的多样性。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备(例如图1中的服务器)700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705: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706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,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。
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709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开所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:获取目标用户在预设历史时间段内的历史行为数据;基于所获取的历史行为数据,生成用于表征目标用户的用户特征的特征向量;将特征向量输入预先训练的产品识别模型,获得产品向量作为基准产品向量,其中,基准产品向量用于指示目标用户感兴趣的产品;利用预先构建的向量搜索引擎搜索基准产品向量,获得第一目标数量个结果产品向量;获取第一目标数量个结果产品向量分别对应的产品的产品信息,组成产品信息集合。
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公开的操作的计算机程序代码,所述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。其中,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“获取历史行为数据的单元”。
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,本公开中所涉及的公开范围,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公开构思的情况下,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。