CN112685641B9 - 一种信息处理方法及装置 - Google Patents
一种信息处理方法及装置 Download PDFInfo
- Publication number
- CN112685641B9 CN112685641B9 CN202011640806.9A CN202011640806A CN112685641B9 CN 112685641 B9 CN112685641 B9 CN 112685641B9 CN 202011640806 A CN202011640806 A CN 202011640806A CN 112685641 B9 CN112685641 B9 CN 112685641B9
- Authority
- CN
- China
- Prior art keywords
- information
- user
- sample
- model
- data set
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims description 100
- 206010063659 Aversion Diseases 0.000 claims description 91
- 238000000034 method Methods 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 28
- 230000006399 behavior Effects 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 19
- 238000002372 labelling Methods 0.000 claims description 14
- 206010002091 Anaesthesia Diseases 0.000 claims description 6
- 238000001949 anaesthesia Methods 0.000 claims description 6
- 230000037005 anaesthesia Effects 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000002996 emotional effect Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 241000759909 Camptotheca Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Processing Or Creating Images (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请示出了一种信息处理方法及装置。可以获取用户的操控行为数据。根据操控行为数据以及喜厌画像获取模型获取用户的喜厌画像。在多个喜厌画像分别匹配的信息预测模型中，选择用户的喜厌画像匹配的信息预测模型。在多个信息中，根据选择的信息预测模型预测用户的个性化喜厌信息。响应个性化喜厌信息。如此，可以避免出现“无论是获取到用户的什么样的特征，电子设备都会借助基于信息推荐模型根据获取到的用户的特征在多个信息中尝试为用户筛选信息”的情况，用户的操控行为数据不同，则用户的喜厌画像不同，进而根据用户的喜厌画像在多个信息预测模型中可以灵活选择匹配的信息预测模型来为用户提供信息服务，从而可以提高用户体验。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种信息处理方法及装置。
背景技术
随着技术的飞速发展，网络上的信息越来越多，更多的用户也倾向于在网络上浏览信息。
其中，用户可以在网络上手动搜寻想要浏览的信息。然而，这种方式不仅耗费时间且会导致用户操作繁琐，进而会降低用户体验。
因此，为了提高用户体验，网络上的信息平台可以在海量的信息中为用户挑选信息，并向用户推荐挑选的信息。以使用户可以被动地得到信息平台推荐的信息，节省了用户的时间且简化了用户的操作，另外，用户对推荐的信息可能会感兴趣，从而可能会提高用户体验。
发明内容
本申请示出了一种信息处理方法及装置。
第一方面，本申请示出了一种信息处理方法，所述方法包括：
获取用户的操控行为数据；
根据所述操控行为数据以及喜厌画像获取模型获取所述用户的喜厌画像；
在多个喜厌画像分别匹配的信息预测模型中，选择所述用户的喜厌画像匹配的信息预测模型；
在多个信息中，根据选择的信息预测模型预测所述用户的个性化喜厌信息；
响应所述个性化喜厌信息。
在一个可选的实现方式中，所述在多个喜厌画像分别匹配的信息预测模型中，选择所述用户的喜厌画像匹配的信息预测模型，包括：
在喜厌画像与信息预测模型之间的对应关系中，查找与所述用户的喜厌画像对应的信息预测模型。
在一个可选的实现方式中，所述用户的喜厌画像包括所述用户的偏好特征；所述用户的偏好特征匹配的信息预测模型包括偏好信息推荐模型；
所述在多个信息中，根据选择的信息预测模型预测所述用户的个性化喜厌信息，包括：
至少根据所述用户的偏好特征以及所述偏好信息推荐模型获取所述用户感兴趣的至少一个信息的信息标识；
根据所述信息标识在所述多个信息中查找所述用户感兴趣的信息。
在一个可选的实现方式中，所述方法还包括：
获取至少一个第一训练数据集以及至少一个第二训练数据集，每一个第一训练数据集包括第一样本用户的第一样本偏好特征、第一样本信息以及所述第一样本用户对所述第一样本信息的标注偏好程度；每一个第二训练数据集包括第二样本用户的第二样本偏好特征、第二样本信息以及所述第二样本用户对所述第二样本信息不偏好的标注数据；
使用至少一个第一训练数据集以及至少一个第二训练数据集对初始化模型训练，直至初始化模型中的参数收敛，从而得到所述偏好信息推荐模型。
在一个可选的实现方式中，所述响应所述个性化喜厌信息，包括：
在显示的信息流中添加所述用户感兴趣的信息。
在一个可选的实现方式中，所述响应所述个性化喜厌信息，包括：
将显示的信息流中的信息与所述用户感兴趣的信息，按照所述用户感兴趣程度由高至低的顺序重新排序；
按照排序后的顺序显示所述显示的信息流中的信息与所述用户感兴趣的信息。
在一个可选的实现方式中，所述响应所述个性化喜厌信息，包括：
获取所述用户感兴趣的信息的推荐条；
在信息显示界面的顶部悬浮显示所述推荐条。
在一个可选的实现方式中，所述用户感兴趣的信息包括用于在当前时刻之后的目标时刻被激活的信息；
所述响应所述个性化喜厌信息，包括：
根据所述目标时刻设置推荐定时器；
根据所述推荐定时器在所述目标时刻向所述用户推荐所述用户感兴趣的信息。
在一个可选的实现方式中，所述用户的喜厌画像包括所述用户的厌恶特征；所述用户的厌恶特征匹配的信息预测模型包括厌恶信息过滤模型；
所述在多个信息中，根据选择的信息预测模型预测所述用户的个性化喜厌信息，包括：
至少根据所述用户的厌恶特征以及所述厌恶信息过滤模型获取所述用户厌恶的至少一个信息的信息标识；
根据所述信息标识在所述多个信息中查找所述用户厌恶的信息。
在一个可选的实现方式中，所述响应所述个性化喜厌信息，包括：
在所述多个信息中去除所述用户厌恶的信息；
向所述用户推荐所述多个信息中的剩余的信息。
在一个可选的实现方式中，所述方法还包括：
获取至少一个第三训练数据集以及至少一个第四训练数据集，每一个第三训练数据集包括第三样本用户的第三样本厌恶特征、第三样本信息以及所述第三样本用户对所述第三样本信息的标注厌恶程度；每一个第四训练数据集包括第四样本用户的第四样本厌恶特征、第四样本信息以及所述第四样本用户对所述第四样本信息不厌恶的标注数据；
使用至少一个第三训练数据集以及至少一个第四训练数据集对初始化模型训练，直至初始化模型中的参数收敛，从而得到所述厌恶信息过滤模型。
第二方面，本申请示出了一种信息处理装置，所述装置包括；
第一获取模块，用于获取用户的操控行为数据；
第二获取模块，用于根据所述操控行为数据以及喜厌画像获取模型获取所述用户的喜厌画像；
选择模块，用于在多个喜厌画像分别匹配的信息预测模型中，选择所述用户的喜厌画像匹配的信息预测模型；
预测模块，用于在多个信息中，根据选择的信息预测模型预测所述用户的个性化喜厌信息；
响应模块，用于响应所述个性化喜厌信息。
在一个可选的实现方式中，所述选择模块具体用于：在喜厌画像与信息预测模型之间的对应关系中，查找与所述用户的喜厌画像对应的信息预测模型。
在一个可选的实现方式中，所述用户的喜厌画像包括所述用户的偏好特征；所述用户的偏好特征匹配的信息预测模型包括偏好信息推荐模型；
所述预测模块包括：
第一获取单元，用于至少根据所述用户的偏好特征以及所述偏好信息推荐模型获取所述用户感兴趣的至少一个信息的信息标识；
第一查找单元，用于根据所述信息标识在所述多个信息中查找所述用户感兴趣的信息。
在一个可选的实现方式中，所述预测模块还包括：
第二获取单元，用于获取至少一个第一训练数据集以及至少一个第二训练数据集，每一个第一训练数据集包括第一样本用户的第一样本偏好特征、第一样本信息以及所述第一样本用户对所述第一样本信息的标注偏好程度；每一个第二训练数据集包括第二样本用户的第二样本偏好特征、第二样本信息以及所述第二样本用户对所述第二样本信息不偏好的标注数据；
第一训练单元，用于使用至少一个第一训练数据集以及至少一个第二训练数据集对初始化模型训练，直至初始化模型中的参数收敛，从而得到所述偏好信息推荐模型。
在一个可选的实现方式中，所述响应模块包括：
添加单元，用于在显示的信息流中添加所述用户感兴趣的信息。
在一个可选的实现方式中，所述响应模块包括：
排序单元，用于将显示的信息流中的信息与所述用户感兴趣的信息，按照所述用户感兴趣程度由高至低的顺序重新排序；
第一显示单元，用于按照排序后的顺序显示所述显示的信息流中的信息与所述用户感兴趣的信息。
在一个可选的实现方式中，所述响应模块包括：
第三获取单元，用于获取所述用户感兴趣的信息的推荐条；
第二显示单元，用于在信息显示界面的顶部悬浮显示所述推荐条。
在一个可选的实现方式中，所述用户感兴趣的信息包括用于在当前时刻之后的目标时刻被激活的信息；
所述响应模块包括：
设置单元，用于根据所述目标时刻设置推荐定时器；
第一推荐单元，用于根据所述推荐定时器在所述目标时刻向所述用户推荐所述用户感兴趣的信息。
在一个可选的实现方式中，所述用户的喜厌画像包括所述用户的厌恶特征；所述用户的厌恶特征匹配的信息预测模型包括厌恶信息过滤模型；
所述预测模块包括：
第四获取单元，用于至少根据所述用户的厌恶特征以及所述厌恶信息过滤模型获取所述用户厌恶的至少一个信息的信息标识；
第二查找单元，用于根据所述信息标识在所述多个信息中查找所述用户厌恶的信息。
在一个可选的实现方式中，所述响应模块包括：
去除单元，用于在所述多个信息中去除所述用户厌恶的信息；
第二推荐单元，用于向所述用户推荐所述多个信息中的剩余的信息。
在一个可选的实现方式中，所述预测模块还包括：
第五获取单元，用于获取至少一个第三训练数据集以及至少一个第四训练数据集，每一个第三训练数据集包括第三样本用户的第三样本厌恶特征、第三样本信息以及所述第三样本用户对所述第三样本信息的标注厌恶程度；每一个第四训练数据集包括第四样本用户的第四样本厌恶特征、第四样本信息以及所述第四样本用户对所述第四样本信息不厌恶的标注数据；
第二训练单元，用于使用至少一个第三训练数据集以及至少一个第四训练数据集对初始化模型训练，直至初始化模型中的参数收敛，从而得到所述厌恶信息过滤模型。
第三方面，本申请示出了一种电子设备，所述电子设备包括：
处理器；
用于存储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如第一方面所述的信息处理方法。
第四方面，本申请示出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的信息处理方法。
第五方面，本申请示出了一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的信息处理方法。
本申请提供的技术方案可以包括以下有益效果：
在一个方式中，技术人员事先可以在电子设备上设置信息推荐模型，如此，电子设备可以尝试获取用户的特征，然后借助信息推荐模型根据用户的特征在多个信息中筛选用户感兴趣的信息，然后向用户推荐筛选的信息，以使用户能够被推荐用户感兴趣的信息，从而提高用户体验。
然而，在获取的用户特征是用户的偏好特征的情况下，则借助信息推荐模型根据用户的偏好特征可以在多个信息中筛选出用户感兴趣的信息。
但是如果未能获取到用户的偏好特征，而获取的是用户的其他类型的特征(包括不具有情感色彩的特征，例如，中性特征，例如用户的姓名、用户名以及面部特征等，以及包括具有情感色彩的特征，但不是偏好特征而是厌恶特征)，则电子设备仍旧会默认地借助信息推荐模型根据用户的其他类型的特征在多个信息中尝试筛选用户感兴趣的信息。
然而，发明人发现，在上述方式中，电子设备上仅仅设置一个模型，即信息推荐模型，且无论是获取到用户的什么样的特征，电子设备都会借助基于信息推荐模型根据获取到的用户的特征在多个信息中尝试为用户筛选信息。
但是，通常情况下，在获取的特征是用户的偏好特征的情况下，借助信息推荐模型可以在多个信息中筛选出用户感兴趣的信息，而如果获取到的是其他类型的特征，借助信息推荐模型在多个信息中筛选出的信息往往不是用户感兴趣的信息，甚至是用户厌恶的信息，对于用户而言，被推荐了用户厌恶的信息，会很容易降低用户体验。
因此，为了克服上述缺陷，在本申请中，可以在电子设备上设置多个模型，且多个模型之间可以是级联的，上一级的模型连接有至少两个下一级的模型，上一级模型的输出数据可以为多个种类，在上一级模型的输出数据为不同种类的情况下，会激活至少两个下一级的模型中的不同的下一级模型，也即，上一级模型的不同种类的输出数据适配不同的下一级模型，可以提高模型使用的灵活性。
例如，在本申请中，可以获取用户的操控行为数据。根据操控行为数据以及喜厌画像获取模型获取用户的喜厌画像。在多个喜厌画像分别匹配的信息预测模型中，选择用户的喜厌画像匹配的信息预测模型。在多个信息中，根据选择的信息预测模型预测用户的个性化喜厌信息。响应个性化喜厌信息。
如此，可以避免出现“无论是获取到用户的什么样的特征，电子设备都会借助基于信息推荐模型根据获取到的用户的特征在多个信息中尝试为用户筛选信息”的情况，用户的操控行为数据不同，则用户的喜厌画像不同，进而根据用户的喜厌画像在多个信息预测模型中可以灵活选择匹配的信息预测模型来为用户提供信息服务，从而可以提高用户体验。
例如，在一种可能的情况下，在获取到的用户的喜厌画像为用户的偏好特征的情况下，可以使用与用户的偏好特征匹配的偏好信息推荐模型来在多个信息中为用户筛选用户感兴趣的信息，并向用户推荐用户感兴趣的信息，以提高用户体验。
以及，在获取到的用户的喜厌画像为用户的厌恶特征的情况下，可以使用与用户的厌恶特征匹配的厌恶信息过滤模型来在多个信息中去除掉用户厌恶的信息，然后可以在多个信息中的剩余信息中筛选信息并推荐给用户，这种方式中，由于已经将用户厌恶的信息去除掉了，因此可以避免向用户推荐用户厌恶的信息，进而可以避免降低用户体验。
附图说明
图1是本申请的一种信息处理方法的步骤流程图。
图2是本申请的一种信息处理装置的结构框图。
图3是本申请示出的一种电子设备的框图。
图4是本申请示出的一种电子设备的框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1，示出了本申请的一种信息处理方法的步骤流程图，该方法应用于电子设备中，该方法具体可以包括如下步骤：
在步骤S101中，获取用户的操控行为数据。
在本申请一个实施例中，操控行为数据可以包括用户在历史过程中的操控行为数据，也可以包括用户在近期的操控行为数据，例如，用户在当前时刻之前的预设时间段内的操控行为数据。
其中，当前时刻之前的预设时间段的结束时刻可以为当前时刻，也可以为位于当前时刻之前且距离当前时刻较近的时刻。
预设时间段的持续时长可以包括1分钟、5分钟、10分钟、30分钟、1小时、2小时、12小时、24小时或48小时等等，具体可以根据实际情况设定，本申请对此不加以限定。
其中，本步骤可以通过如下流程实现，包括：
11)、获取用户参与过的信息。
参与过的信息包括用户在历史过程中预约的、点击的、浏览的、回放的、参与聊天的、参与评论的购买的、加入购物车的、收藏的、拉黑的以及屏蔽的信息等。
对于用户而言，每当用户参与一个信息，电子设备就可以将用户参与的信息存储在用户的信息列表中。
如此，在本申请中，电子设备可以获取用户的信息列表，然后提取信息列表中的信息，然后将提取的信息作为用户参与过的信息。
对于任意一个参与过的信息，可以执行如下12)～15)的流程，对于其他每一个参与过的信息，同样如此。
12)、至少获取用户浏览该信息的浏览次数、用户浏览该信息的浏览时长以及用户针对该信息参与互动的参与次数。
在本申请中，用户针对该信息参与互动的方式包括：用户针对该信息与其他人在线沟通、用户对该信息评论、用户分享该信息、用户收藏该信息以及用户购买该信息等。
13)、根据该浏览次数、该浏览时长以及该参与次数获取用户对该信息的兴趣分值。
在本申请一个实施例中，可以对该浏览次数、该浏览时长以及该参与次数进行求和，得到用户对该信息的兴趣分值。
在本申请另一个实施例中，可以对该浏览次数、该浏览时长以及该参与次数进行加权求和，得到用户对该信息的兴趣分值。
其中，加权系数包括浏览次数的加权系数、浏览时长的加权系数以及参与次数的加权系数，浏览次数的加权系数、浏览时长的加权系数以及参与次数的加权系数可以根据实际情况而定，本申请对此不加以限定。
14)、获取该信息的信息标签。
在本申请中，信息标签包括信息的属性等，例如，信息属于商品类、属于广告类、属于视频类以及属于音乐类等。每一类有包括多个小类，例如商品类又包括运动类商品、电子类商品以及食品类商品等。
15)、在信息的标签与兴趣分值之间的对应关系中，根据该兴趣分值增加与该信息的标签相对应的兴趣分值。
具体地，可以在在信息的标签与兴趣分值之间的对应关系中查找与该信息的标签相对应的兴趣分值，然后计算查找到的兴趣分值与步骤13)得到的兴趣分值之间的和值，然后使用该和值替换在信息的标签与兴趣分值之间的对应关系中的与该信息的标签相对应的兴趣分值。
因此，用户操控行为数据可以包括但不限于：信息的标签与兴趣分值之间的对应关系等。
在步骤S102中，根据操控行为数据以及喜厌画像获取模型获取用户的喜厌画像。
在本申请中，可以按照兴趣分值由高至低的顺序，在信息的标签与兴趣分值之间的对应关系中选择至少一个兴趣分值。然后在信息的标签与兴趣分值之间的对应关系中查找至少一个兴趣分值对应的信息的标签，之后可以根据查找到的信息的标签获取用户的喜厌画像。
例如，可以将查找到的信息的标签作为用户的喜厌画像等。
或者，可以对查找到的信息的标签使用喜厌画像获取模型进行识别，得到用户的喜厌画像，喜厌画像获取模型可以是基于NLP(Natural LanguageProcessing，自然语言处理)的模型，也可以为其他形式的模型，本申请对此不加以限定。
用户的喜厌画像包括但不限于：用户偏好的信息的特征(标签)以及用户厌恶的信息的特征(标签)等。
在步骤S103中，在多个喜厌画像分别匹配的信息预测模型中，选择用户的喜厌画像匹配的信息预测模型。
在本申请中，技术人员事先可以统计广大用户可能具有的各种喜厌画像，喜厌画像可以包括偏好特征以及厌恶特征，偏好特征包括用户感兴趣的的信息标签等，厌恶特征包括用户厌恶的信息的标签等。
当然，喜厌画像还可以包括其他的类型，在此不一一举例，本申请对喜厌画像的具体内容不加以限定。
对于统计出的任意一个喜厌画像，可以事先训练与该喜厌画像适配的信息预测模型，然后可以在喜厌画像与信息预测模型之间的对应关系中，存储该喜厌画像以及与该喜厌画像适配的信息预测模型。对于统计出的其他每一个喜厌画像，同样如此。
例如，假设喜厌画像为偏好特征，根据经验可得，如果需要向用户推荐用户感兴趣的信息，则使用用户的偏好特征可以更加精准地在多个信息中为用户筛选出用户感兴趣的信息，因此，与偏好特征适配的信息预测模型可以为偏好信息推荐模型。
如此，可以在喜厌画像与信息预测模型之间的对应关系中，存储偏好特征以及偏好信息推荐模型。
再例如，假设喜厌画像为厌恶特征，根据经验可得，如果需要向用户推荐用户感兴趣的信息，则使用用户的厌恶特征通常无法精准地在多个信息中为用户筛选出用户感兴趣的信息，但是使用用户的厌恶特征可以在多个信息中为用户滤除用户厌恶的信息，进而在剩余的信息中可以筛选信息并向用户推荐，即使不能保证一定在剩余的信息中选择出用户感兴趣的信息，但是可以避免给用户推荐用户厌恶的信息，进而可以避免降低用户体验。因此，与厌恶特征适配的信息预测模型可以为厌恶信息过滤模型。
如此，可以在喜厌画像与信息预测模型之间的对应关系中，存储厌恶特征以及厌恶信息过滤模型。
因此，在在多个喜厌画像分别匹配的信息预测模型中，选择用户的喜厌画像匹配的信息预测模型时，可以在喜厌画像与信息预测模型之间的对应关系中，查找与用户的喜厌画像对应的信息预测模型。
在步骤S104中，在多个信息中，根据选择的信息预测模型预测用户的个性化喜厌信息。
在本申请一个实施例中，多个信息可以包括用户当前正在浏览的信息等，例如，包括电子设备的信息显示界面上正在显示的信息流中的信息(可以为多个)。
在本申请另一实施例中，多个信息可以包括用户在上一个页面上浏览的信息流中的信息(可以为多个)。
在本申请另一实施例中，多个信息可以包括用户需要浏览的下一个页面中的信息流中的信息等。
在本申请另一实施例中，多个信息也可以包括电子设备事先在大量的信息中筛选的、用于向广大用户推荐的信息(可以为多个)，例如，某一个信息的厂商具有推广自己的信息的需求，则该厂商可以向电子设备提出推广请求，以使电子设备可以将该厂商的信息筛选出来作为用于向广大用户推荐的信息，之后在需要向用户推荐信息时，可以将该厂商的信息作为备选来向用户推荐。
本步骤具体可以参见之后所示的实施例，在此不做详述。
在步骤S105中，响应个性化喜厌信息。
在一个方式中，技术人员事先可以在电子设备上设置信息推荐模型，如此，电子设备可以尝试获取用户的特征，然后借助信息推荐模型根据用户的特征在多个信息中筛选用户感兴趣的信息，然后向用户推荐筛选的信息，以使用户能够被推荐用户感兴趣的信息，从而提高用户体验。
然而，在获取的用户特征是用户的偏好特征的情况下，则借助信息推荐模型根据用户的偏好特征可以在多个信息中筛选出用户感兴趣的信息。
但是如果未能获取到用户的偏好特征，而获取的是用户的其他类型的特征(包括不具有情感色彩的特征，例如，中性特征，例如用户的姓名、用户名以及面部特征等，以及包括具有情感色彩的特征，但不是偏好特征而是厌恶特征)，则电子设备仍旧会默认地借助信息推荐模型根据用户的其他类型的特征在多个信息中尝试筛选用户感兴趣的信息。
然而，发明人发现，在上述方式中，电子设备上仅仅设置一个模型，即信息推荐模型，且无论是获取到用户的什么样的特征，电子设备都会借助基于信息推荐模型根据获取到的用户的特征在多个信息中尝试为用户筛选信息。
但是，通常情况下，在获取的特征是用户的偏好特征的情况下，借助信息推荐模型可以在多个信息中筛选出用户感兴趣的信息，而如果获取到的是其他类型的特征，借助信息推荐模型在多个信息中筛选出的信息往往不是用户感兴趣的信息，甚至是用户厌恶的信息，对于用户而言，被推荐了用户厌恶的信息，会很容易降低用户体验。
因此，为了克服上述缺陷，在本申请中，可以在电子设备上设置多个模型，且多个模型之间可以是级联的，上一级的模型连接有至少两个下一级的模型，上一级模型的输出数据可以为多个种类，在上一级模型的输出数据为不同种类的情况下，会激活至少两个下一级的模型中的不同的下一级模型，也即，上一级模型的不同种类的输出数据适配不同的下一级模型，可以提高模型使用的灵活性。
例如，在本申请中，可以获取用户的操控行为数据。根据操控行为数据以及喜厌画像获取模型获取用户的喜厌画像。在多个喜厌画像分别匹配的信息预测模型中，选择用户的喜厌画像匹配的信息预测模型。在多个信息中，根据选择的信息预测模型预测用户的个性化喜厌信息。响应个性化喜厌信息。
如此，可以避免出现“无论是获取到用户的什么样的特征，电子设备都会借助基于信息推荐模型根据获取到的用户的特征在多个信息中尝试为用户筛选信息”的情况，用户的操控行为数据不同，则用户的喜厌画像不同，进而根据用户的喜厌画像在多个信息预测模型中可以灵活选择匹配的信息预测模型来为用户提供信息服务，从而可以提高用户体验。
例如，在一种可能的情况下，在获取到的用户的喜厌画像为用户的偏好特征的情况下，可以使用与用户的偏好特征匹配的偏好信息推荐模型来在多个信息中为用户筛选用户感兴趣的信息，并向用户推荐用户感兴趣的信息，以提高用户体验。
以及，在获取到的用户的喜厌画像为用户的厌恶特征的情况下，可以使用与用户的厌恶特征匹配的厌恶信息过滤模型来在多个信息中去除掉用户厌恶的信息，然后可以在多个信息中的剩余信息中筛选信息并推荐给用户，这种方式中，由于已经将用户厌恶的信息去除掉了，因此可以避免向用户推荐用户厌恶的信息，进而可以避免降低用户体验。
在一个实施例中，用户的喜厌画像包括用户的偏好特征；用户的偏好特征匹配的信息预测模型包括偏好信息推荐模型。
如此，在多个信息中，根据选择的信息预测模型预测用户的个性化喜厌信息时，可以至少根据用户的偏好特征以及偏好信息推荐模型获取用户感兴趣的至少一个信息的信息标识；然后根据该信息标识在多个信息中查找用户感兴趣的信息。
之后在响应个性化喜厌信息时，可以向用户推荐用户感兴趣的信息。
其中，可以在偏好信息推荐模型中输入用户的偏好特征以及多个信息中的各个信息的标签以及信息标识，以使偏好信息推荐模型根据用户的偏好特征以及各个信息的标签计算出用户分别对各个信息的感兴趣的程度，然后根据感兴趣的程度在多个信息中筛选用户最感兴趣的至少一个信息，并输出用户最感兴趣的至少一个信息的信息标识。电子设备可以获取偏好信息推荐模型输出的用户最感兴趣的至少一个信息的信息标识。
在本申请一个实施例中，偏好信息推荐模型可以是电子设备事先训练得到的，具体的训练方式包括：
获取至少一个第一训练数据集以及至少一个第二训练数据集，每一个第一训练数据集包括第一样本用户的第一样本偏好特征、第一样本信息以及第一样本用户对第一样本信息的标注偏好程度；每一个第二训练数据集包括第二样本用户的第二样本偏好特征、第二样本信息以及第二样本用户对第二样本信息不偏好的标注数据。
使用至少一个第一训练数据集以及至少一个第二训练数据集对初始化模型训练，直至初始化模型中的参数收敛，从而得到偏好信息推荐模型。
其中，第一训练数据集中的样本数据可以为正样本数据，第二训练数据集中的样本数据可以为负样本数据，使用正样本数据以及负样本数据对初始化模型训练，可以提高训练得到的偏好信息推荐模型的泛化能力。
初始化模型包括基于CNN(Convolutional Neural Networks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)或LSTM(LongShort-Term Memory，长短期记忆网络)等模型，当然，也可以包括其他类型或结构的模型，本申请对此不加以限定。
在本申请一个实施例中，在响应个性化喜厌信息时，可以在显示的信息流中添加用户感兴趣的信息。显示信息流中包括多个信息，每一个信息在信息显示界面中的位置都不同，可以在信息显示界面上的当前用户触摸的位置显示用户感兴趣的信息，当前用户触摸的位置本来显示有信息流中的至少一个信息，可以隐藏当前用户触摸的位置本来显示的信息流中的至少一个信息，或者，可以不隐藏当前用户触摸的位置本来显示的信息流中的至少一个信息，而是将用户感兴趣的信息悬浮显示在当前用户触摸的位置本来显示的信息流中的至少一个信息的位置上。
在本申请另一个实施例中，在响应个性化喜厌信息时，将显示的信息流中的信息与用户感兴趣的信息，按照用户感兴趣程度由高至低的顺序重新排序；按照排序后的顺序显示该显示的信息流中的信息与用户感兴趣的信息。以方便用户可以按照其感兴趣的顺序依次查看当前显示的信息。
在本申请另一个实施例中，在响应个性化喜厌信息时，获取用户感兴趣的信息的推荐条(例如该信息的通知消息等)；该推荐条中包括该信息的摘要文本，然后在信息显示界面的顶部悬浮显示该推荐条，以供用户浏览该推荐条。
进一步地，在用户浏览到该推荐条之后，就可以看到该推荐条中的该摘要文本，并了解该摘要文本描述的主题，进而可以了解到该推荐条关联的该信息的主题，如果用户对该推荐条关联的该信息的主题感兴趣，则用户可以通过该推荐条获取该信息，例如，用户可以触发(例如点击等)该推荐条，以向电子设备告知用户需要浏览该推荐条关联的该信息，在该推荐条被触发之后，电子设备可以向用户提供该信息，例如电子设备可以显示该信息以供用户浏览。
其中，通过推荐条这种醒目的方式来向用户推荐信息可以提高用户能够感知到推荐条以及感知到被推荐信息的可能性。
在本申请另一个实施例中，用户感兴趣的信息包括用于在当前时刻之后的目标时刻被激活的信息；在这种情况下，现在立刻向用户推荐用户感兴趣的信息是没有意义的。
例如，假设用户感兴趣的是某一商品，但是该商品在两天后的10点才能上线销售，现在处于不可销售状态，如此，即使现在向用户推荐该商品，用户也无法购买该商品，对于用户而言是没有多大意义的，甚至用户被推荐了无法购买的商品会降低用户体验。因此，在这种情况下，为了避免降低用户体验，可以不立刻向用户推荐该商品，在两天后的10点再向用户推荐该商品。
如此，在响应个性化喜厌信息时，可以根据目标时刻设置推荐定时器；根据推荐定时器在目标时刻向用户推荐用户感兴趣的信息。
在一个实施例中，用户的喜厌画像包括用户的厌恶特征；用户的厌恶特征匹配的信息预测模型包括厌恶信息过滤模型。
如此，在多个信息中，根据选择的信息预测模型预测用户的个性化喜厌信息时，可以至少根据用户的厌恶特征以及厌恶信息过滤模型获取用户厌恶的至少一个信息的信息标识。然后根据该信息标识在多个信息中查找用户厌恶的信息。
之后在响应个性化喜厌信息时，可以在多个信息中去除用户厌恶的信息，然后向用户推荐多个信息中的剩余的信息。
其中，可以在厌恶信息过滤模型中输入用户的厌恶特征以及多个信息中的各个信息的标签以及信息标识，以使厌恶信息过滤模型根据用户的厌恶特征以及各个信息的标签计算出用户分别对各个信息的厌恶的程度，然后在多个信息中筛选用户的厌恶程度大于预设程度的信息，并输出用户的厌恶程度大于预设程度的信息的信息标识。电子设备可以获取厌恶信息过滤模型输出的用户的厌恶程度大于预设程度的信息的信息标识。
在本申请一个实施例中，厌恶信息过滤模型可以是电子设备事先训练得到的，具体的训练方式包括：
获取至少一个第三训练数据集以及至少一个第四训练数据集，每一个第三训练数据集包括第三样本用户的第三样本厌恶特征、第三样本信息以及第三样本用户对第三样本信息的标注厌恶程度；每一个第四训练数据集包括第四样本用户的第四样本厌恶特征、第四样本信息以及第四样本用户对第四样本信息不厌恶的标注数据。
使用至少一个第三训练数据集以及至少一个第四训练数据集对初始化模型训练，直至初始化模型中的参数收敛，从而得到厌恶信息过滤模型。
其中，第三训练数据集中的样本数据可以为正样本数据，第四训练数据集中的样本数据可以为负样本数据，使用正样本数据以及负样本数据对初始化模型训练，可以提高训练得到的厌恶信息过滤模型的泛化能力。
初始化模型包括基于CNN、RNN或LSTM等模型，当然，也可以包括其他类型或结构的模型，本申请对此不加以限定。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作并不一定是本申请所必须的。
参照图2，示出了本申请的一种信息处理装置的结构框图，该装置具体可以包括如下模块：
第一获取模块11，用于获取用户的操控行为数据；
第二获取模块12，用于根据所述操控行为数据以及喜厌画像获取模型获取所述用户的喜厌画像；
选择模块13，用于在多个喜厌画像分别匹配的信息预测模型中，选择所述用户的喜厌画像匹配的信息预测模型；
预测模块14，用于在多个信息中，根据选择的信息预测模型预测所述用户的个性化喜厌信息；
响应模块15，用于响应所述个性化喜厌信息。
在一个可选的实现方式中，所述选择模块具体用于：在喜厌画像与信息预测模型之间的对应关系中，查找与所述用户的喜厌画像对应的信息预测模型。
在一个可选的实现方式中，所述用户的喜厌画像包括所述用户的偏好特征；所述用户的偏好特征匹配的信息预测模型包括偏好信息推荐模型；
所述预测模块包括：
第一获取单元，用于至少根据所述用户的偏好特征以及所述偏好信息推荐模型获取所述用户感兴趣的至少一个信息的信息标识；
第一查找单元，用于根据所述信息标识在所述多个信息中查找所述用户感兴趣的信息。
在一个可选的实现方式中，所述预测模块还包括：
第二获取单元，用于获取至少一个第一训练数据集以及至少一个第二训练数据集，每一个第一训练数据集包括第一样本用户的第一样本偏好特征、第一样本信息以及所述第一样本用户对所述第一样本信息的标注偏好程度；每一个第二训练数据集包括第二样本用户的第二样本偏好特征、第二样本信息以及所述第二样本用户对所述第二样本信息不偏好的标注数据；
第一训练单元，用于使用至少一个第一训练数据集以及至少一个第二训练数据集对初始化模型训练，直至初始化模型中的参数收敛，从而得到所述偏好信息推荐模型。
在一个可选的实现方式中，所述响应模块包括：
添加单元，用于在显示的信息流中添加所述用户感兴趣的信息。
在一个可选的实现方式中，所述响应模块包括：
排序单元，用于将显示的信息流中的信息与所述用户感兴趣的信息，按照所述用户感兴趣程度由高至低的顺序重新排序；
第一显示单元，用于按照排序后的顺序显示所述显示的信息流中的信息与所述用户感兴趣的信息。
在一个可选的实现方式中，所述响应模块包括：
第三获取单元，用于获取所述用户感兴趣的信息的推荐条；
第二显示单元，用于在信息显示界面的顶部悬浮显示所述推荐条。
在一个可选的实现方式中，所述用户感兴趣的信息包括用于在当前时刻之后的目标时刻被激活的信息；
所述响应模块包括：
设置单元，用于根据所述目标时刻设置推荐定时器；
第一推荐单元，用于根据所述推荐定时器在所述目标时刻向所述用户推荐所述用户感兴趣的信息。
在一个可选的实现方式中，所述用户的喜厌画像包括所述用户的厌恶特征；所述用户的厌恶特征匹配的信息预测模型包括厌恶信息过滤模型；
所述预测模块包括：
第四获取单元，用于至少根据所述用户的厌恶特征以及所述厌恶信息过滤模型获取所述用户厌恶的至少一个信息的信息标识；
第二查找单元，用于根据所述信息标识在所述多个信息中查找所述用户厌恶的信息。
在一个可选的实现方式中，所述响应模块包括：
去除单元，用于在所述多个信息中去除所述用户厌恶的信息；
第二推荐单元，用于向所述用户推荐所述多个信息中的剩余的信息。
在一个可选的实现方式中，所述预测模块还包括：
第五获取单元，用于获取至少一个第三训练数据集以及至少一个第四训练数据集，每一个第三训练数据集包括第三样本用户的第三样本厌恶特征、第三样本信息以及所述第三样本用户对所述第三样本信息的标注厌恶程度；每一个第四训练数据集包括第四样本用户的第四样本厌恶特征、第四样本信息以及所述第四样本用户对所述第四样本信息不厌恶的标注数据；
第二训练单元，用于使用至少一个第三训练数据集以及至少一个第四训练数据集对初始化模型训练，直至初始化模型中的参数收敛，从而得到所述厌恶信息过滤模型。
一个方式中，技术人员事先可以在电子设备上设置信息推荐模型，如此，电子设备可以尝试获取用户的特征，然后借助信息推荐模型根据用户的特征在多个信息中筛选用户感兴趣的信息，然后向用户推荐筛选的信息，以使用户能够被推荐用户感兴趣的信息，从而提高用户体验。
然而，在获取的用户特征是用户的偏好特征的情况下，则借助信息推荐模型根据用户的偏好特征可以在多个信息中筛选出用户感兴趣的信息。
但是如果未能获取到用户的偏好特征，而获取的是用户的其他类型的特征(包括不具有情感色彩的特征，例如，中性特征，例如用户的姓名、用户名以及面部特征等，以及包括具有情感色彩的特征，但不是偏好特征而是厌恶特征)，则电子设备仍旧会默认地借助信息推荐模型根据用户的其他类型的特征在多个信息中尝试筛选用户感兴趣的信息。
然而，发明人发现，在上述方式中，电子设备上仅仅设置一个模型，即信息推荐模型，且无论是获取到用户的什么样的特征，电子设备都会借助基于信息推荐模型根据获取到的用户的特征在多个信息中尝试为用户筛选信息。
但是，通常情况下，在获取的特征是用户的偏好特征的情况下，借助信息推荐模型可以在多个信息中筛选出用户感兴趣的信息，而如果获取到的是其他类型的特征，借助信息推荐模型在多个信息中筛选出的信息往往不是用户感兴趣的信息，甚至是用户厌恶的信息，对于用户而言，被推荐了用户厌恶的信息，会很容易降低用户体验。
因此，为了克服上述缺陷，在本申请中，可以在电子设备上设置多个模型，且多个模型之间可以是级联的，上一级的模型连接有至少两个下一级的模型，上一级模型的输出数据可以为多个种类，在上一级模型的输出数据为不同种类的情况下，会激活至少两个下一级的模型中的不同的下一级模型，也即，上一级模型的不同种类的输出数据适配不同的下一级模型，可以提高模型使用的灵活性。
例如，在本申请中，可以获取用户的操控行为数据。根据操控行为数据以及喜厌画像获取模型获取用户的喜厌画像。在多个喜厌画像分别匹配的信息预测模型中，选择用户的喜厌画像匹配的信息预测模型。在多个信息中，根据选择的信息预测模型预测用户的个性化喜厌信息。响应个性化喜厌信息。
如此，可以避免出现“无论是获取到用户的什么样的特征，电子设备都会借助基于信息推荐模型根据获取到的用户的特征在多个信息中尝试为用户筛选信息”的情况，用户的操控行为数据不同，则用户的喜厌画像不同，进而根据用户的喜厌画像在多个信息预测模型中可以灵活选择匹配的信息预测模型来为用户提供信息服务，从而可以提高用户体验。
例如，在一种可能的情况下，在获取到的用户的喜厌画像为用户的偏好特征的情况下，可以使用与用户的偏好特征匹配的偏好信息推荐模型来在多个信息中为用户筛选用户感兴趣的信息，并向用户推荐用户感兴趣的信息，以提高用户体验。
以及，在获取到的用户的喜厌画像为用户的厌恶特征的情况下，可以使用与用户的厌恶特征匹配的厌恶信息过滤模型来在多个信息中去除掉用户厌恶的信息，然后可以在多个信息中的剩余信息中筛选信息并推荐给用户，这种方式中，由于已经将用户厌恶的信息去除掉了，因此可以避免向用户推荐用户厌恶的信息，进而可以避免降低用户体验。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
图3是本申请示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图像，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如采集模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播操作信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述方法。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。
图4是本申请示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。
参照图4，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932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1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种信息处理方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (20)
1.一种信息处理方法，其特征在于，所述方法包括；
获取用户的操控行为数据；
根据所述操控行为数据以及喜厌画像获取模型获取所述用户的喜厌画像；
在多个喜厌画像分别匹配的信息预测模型中，选择所述用户的喜厌画像匹配的信息预测模型；
在多个信息中，根据选择的信息预测模型预测所述用户的个性化喜厌信息；
响应所述个性化喜厌信息；
所述用户的喜厌画像包括所述用户的偏好特征和所述用户的厌恶特征；
所述用户的厌恶特征匹配的信息预测模型包括厌恶信息过滤模型；
所述在多个信息中，根据选择的信息预测模型预测所述用户的个性化喜厌信息，包括：
至少根据所述用户的厌恶特征以及所述厌恶信息过滤模型获取所述用户厌恶的至少一个信息的信息标识；
根据所述信息标识在所述多个信息中查找所述用户厌恶的信息；
所述响应所述个性化喜厌信息，包括：
在所述多个信息中去除所述用户厌恶的信息；
向所述用户推荐所述多个信息中的剩余的信息。
2.根据权利要求1所述的方法，其特征在于，所述在多个喜厌画像分别匹配的信息预测模型中，选择所述用户的喜厌画像匹配的信息预测模型，包括：
在喜厌画像与信息预测模型之间的对应关系中，查找与所述用户的喜厌画像对应的信息预测模型。
3.根据权利要求1所述的方法，其特征在于，所述用户的偏好特征匹配的信息预测模型包括偏好信息推荐模型；
所述在多个信息中，根据选择的信息预测模型预测所述用户的个性化喜厌信息，包括：
至少根据所述用户的偏好特征以及所述偏好信息推荐模型获取所述用户感兴趣的至少一个信息的信息标识；
根据所述信息标识在所述多个信息中查找所述用户感兴趣的信息。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取至少一个第一训练数据集以及至少一个第二训练数据集，每一个第一训练数据集包括第一样本用户的第一样本偏好特征、第一样本信息以及所述第一样本用户对所述第一样本信息的标注偏好程度；每一个第二训练数据集包括第二样本用户的第二样本偏好特征、第二样本信息以及所述第二样本用户对所述第二样本信息不偏好的标注数据；
使用至少一个第一训练数据集以及至少一个第二训练数据集对初始化模型训练，直至初始化模型中的参数收敛，从而得到所述偏好信息推荐模型。
5.根据权利要求3所述的方法，其特征在于，所述响应所述个性化喜厌信息，包括：
在显示的信息流中添加所述用户感兴趣的信息。
6.根据权利要求3所述的方法，其特征在于，所述响应所述个性化喜厌信息，包括：
将显示的信息流中的信息与所述用户感兴趣的信息，按照所述用户感兴趣程度由高至低的顺序重新排序；
按照排序后的顺序显示所述显示的信息流中的信息与所述用户感兴趣的信息。
7.根据权利要求3所述的方法，其特征在于，所述响应所述个性化喜厌信息，包括：
获取所述用户感兴趣的信息的推荐条；
在信息显示界面的顶部悬浮显示所述推荐条。
8.根据权利要求3所述的方法，其特征在于，所述用户感兴趣的信息包括用于在当前时刻之后的目标时刻被激活的信息；
所述响应所述个性化喜厌信息，包括：
根据所述目标时刻设置推荐定时器；
根据所述推荐定时器在所述目标时刻向所述用户推荐所述用户感兴趣的信息。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取至少一个第三训练数据集以及至少一个第四训练数据集，每一个第三训练数据集包括第三样本用户的第三样本厌恶特征、第三样本信息以及所述第三样本用户对所述第三样本信息的标注厌恶程度；每一个第四训练数据集包括第四样本用户的第四样本厌恶特征、第四样本信息以及所述第四样本用户对所述第四样本信息不厌恶的标注数据；
使用至少一个第三训练数据集以及至少一个第四训练数据集对初始化模型训练，直至初始化模型中的参数收敛，从而得到所述厌恶信息过滤模型。
10.一种信息处理装置，其特征在于，所述装置包括；
第一获取模块，用于获取用户的操控行为数据；
第二获取模块，用于根据所述操控行为数据以及喜厌画像获取模型获取所述用户的喜厌画像；
选择模块，用于在多个喜厌画像分别匹配的信息预测模型中，选择所述用户的喜厌画像匹配的信息预测模型；
预测模块，用于在多个信息中，根据选择的信息预测模型预测所述用户的个性化喜厌信息；
响应模块，用于响应所述个性化喜厌信息；
其中，第二获取模块获取的喜厌画像包括所述用户的偏好特征和所述用户的厌恶特征；
所述用户的厌恶特征匹配的信息预测模型包括厌恶信息过滤模型；
所述预测模块包括：
第四获取单元，用于至少根据所述用户的厌恶特征以及所述厌恶信息过滤模型获取所述用户厌恶的至少一个信息的信息标识；
第二查找单元，用于根据所述信息标识在所述多个信息中查找所述用户厌恶的信息；
所述响应模块包括：
去除单元，用于在所述多个信息中去除所述用户厌恶的信息；
第二推荐单元，用于向所述用户推荐所述多个信息中的剩余的信息。
。
11.根据权利要求10所述的装置，其特征在于，所述选择模块具体用于：在喜厌画像与信息预测模型之间的对应关系中，查找与所述用户的喜厌画像对应的信息预测模型。
12.根据权利要求10所述的装置，其特征在于，所述用户的偏好特征匹配的信息预测模型包括偏好信息推荐模型；
所述预测模块包括：
第一获取单元，用于至少根据所述用户的偏好特征以及所述偏好信息推荐模型获取所述用户感兴趣的至少一个信息的信息标识；
第一查找单元，用于根据所述信息标识在所述多个信息中查找所述用户感兴趣的信息。
13.根据权利要求12所述的装置，其特征在于，所述预测模块还包括：
第二获取单元，用于获取至少一个第一训练数据集以及至少一个第二训练数据集，每一个第一训练数据集包括第一样本用户的第一样本偏好特征、第一样本信息以及所述第一样本用户对所述第一样本信息的标注偏好程度；每一个第二训练数据集包括第二样本用户的第二样本偏好特征、第二样本信息以及所述第二样本用户对所述第二样本信息不偏好的标注数据；
第一训练单元，用于使用至少一个第一训练数据集以及至少一个第二训练数据集对初始化模型训练，直至初始化模型中的参数收敛，从而得到所述偏好信息推荐模型。
14.根据权利要求12所述的装置，其特征在于，所述响应模块包括：
添加单元，用于在显示的信息流中添加所述用户感兴趣的信息。
15.根据权利要求12所述的装置，其特征在于，所述响应模块包括：
排序单元，用于将显示的信息流中的信息与所述用户感兴趣的信息，按照所述用户感兴趣程度由高至低的顺序重新排序；
第一显示单元，用于按照排序后的顺序显示所述显示的信息流中的信息与所述用户感兴趣的信息。
16.根据权利要求12所述的装置，其特征在于，所述响应模块包括：
第三获取单元，用于获取所述用户感兴趣的信息的推荐条；
第二显示单元，用于在信息显示界面的顶部悬浮显示所述推荐条。
17.根据权利要求12所述的装置，其特征在于，所述用户感兴趣的信息包括用于在当前时刻之后的目标时刻被激活的信息；
所述响应模块包括：
设置单元，用于根据所述目标时刻设置推荐定时器；
第一推荐单元，用于根据所述推荐定时器在所述目标时刻向所述用户推荐所述用户感兴趣的信息。
18.根据权利要求10所述的装置，其特征在于，所述预测模块还包括：
第五获取单元，用于获取至少一个第三训练数据集以及至少一个第四训练数据集，每一个第三训练数据集包括第三样本用户的第三样本厌恶特征、第三样本信息以及所述第三样本用户对所述第三样本信息的标注厌恶程度；每一个第四训练数据集包括第四样本用户的第四样本厌恶特征、第四样本信息以及所述第四样本用户对所述第四样本信息不厌恶的标注数据；
第二训练单元，用于使用至少一个第三训练数据集以及至少一个第四训练数据集对初始化模型训练，直至初始化模型中的参数收敛，从而得到所述厌恶信息过滤模型。
19.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储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如权利要求1-9任一项所述的信息处理方法。
20.一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-9任一项所述的信息处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011640806.9A CN112685641B9 (zh) | 2020-12-31 | 2020-12-31 | 一种信息处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011640806.9A CN112685641B9 (zh) | 2020-12-31 | 2020-12-31 | 一种信息处理方法及装置 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| CN112685641A CN112685641A (zh) | 2021-04-20 |
| CN112685641B CN112685641B (zh) | 2023-04-07 |
| CN112685641B9 true CN112685641B9 (zh) | 2024-08-16 |
Family
ID=75456690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011640806.9A Active CN112685641B9 (zh) | 2020-12-31 | 2020-12-31 | 一种信息处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112685641B9 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114003806A (zh) * | 2021-09-27 | 2022-02-01 | 五八有限公司 | 内容的显示方法、装置、电子设备及可读介质 |
| CN114049216A (zh) * | 2021-10-13 | 2022-02-15 | 北京博瑞彤芸科技股份有限公司 | 为用户匹配保险业务员的方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110213325A (zh) * | 2019-04-02 | 2019-09-06 | 腾讯科技（深圳）有限公司 | 数据处理方法以及数据推送方法 |
| CN111222030A (zh) * | 2018-11-27 | 2020-06-02 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置及电子设备 |
| CN111798260A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 用户行为预测模型构建方法、装置、存储介质及电子设备 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9558244B2 (en) * | 2014-10-22 | 2017-01-31 | Conversable, Inc. | Systems and methods for social recommendations |
| CN105824912A (zh) * | 2016-03-15 | 2016-08-03 | 平安科技（深圳）有限公司 | 基于用户画像的个性化推荐方法和装置 |
| CN106845731A (zh) * | 2017-02-20 | 2017-06-13 | 重庆邮电大学 | 一种基于多模型融合的潜在换机用户发现方法 |
| CN107423442B (zh) * | 2017-08-07 | 2020-09-25 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备 |
| CN107818344B (zh) * | 2017-10-31 | 2020-01-07 | 深圳壹账通智能科技有限公司 | 用户行为进行分类和预测的方法和系统 |
| CN108521439B (zh) * | 2018-03-08 | 2022-01-21 | 北京三快在线科技有限公司 | 一种消息推送的方法和装置 |
| CN108769198B (zh) * | 2018-05-29 | 2021-11-12 | 百度在线网络技术（北京）有限公司 | 用于推送信息的方法和装置 |
| FR3087921A1 (fr) * | 2018-10-31 | 2020-05-01 | Amadeus S.A.S. | Systèmes et méthodes de recommandation utilisant des modèles d'apprentissage automatique en cascade |
| CN109543111B (zh) * | 2018-11-28 | 2021-09-21 | 广州虎牙信息科技有限公司 | 推荐信息筛选方法、装置、存储介质及服务器 |
| CN110598016B (zh) * | 2019-09-11 | 2021-08-17 | 腾讯科技（深圳）有限公司 | 一种多媒体信息推荐的方法、装置、设备和介质 |
| CN111310040A (zh) * | 2020-02-11 | 2020-06-19 | 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 |
| CN111861667A (zh) * | 2020-07-21 | 2020-10-30 | 上海仙豆智能机器人有限公司 | 车辆推荐方法及装置、电子设备、存储介质 |
| CN111966904B (zh) * | 2020-08-18 | 2023-09-05 | 深圳平安智慧医健科技有限公司 | 基于多用户画像模型的信息推荐方法和相关装置 |
| CN112000894A (zh) * | 2020-10-28 | 2020-11-27 | 北京妙医佳健康科技集团有限公司 | 一种健康管理信息推送方法、装置、设备及存储介质 |
-
2020
- 2020-12-31 CN CN202011640806.9A patent/CN112685641B9/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111222030A (zh) * | 2018-11-27 | 2020-06-02 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置及电子设备 |
| CN110213325A (zh) * | 2019-04-02 | 2019-09-06 | 腾讯科技（深圳）有限公司 | 数据处理方法以及数据推送方法 |
| CN111798260A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 用户行为预测模型构建方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于语义分析的情感计算技术研究进展;饶元;软件学报;第29卷(第8期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112685641A (zh) | 2021-04-20 |
| CN112685641B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107992604B (zh) | 一种任务条目的分发方法及相关装置 | |
| EP3316527A1 (en) | Method and device for managing notification messages | |
| CN111369271B (zh) | 一种广告的排序方法、装置、电子设备及存储介质 | |
| CN111198956A (zh) | 一种多媒体资源的互动方法、装置、电子设备及存储介质 | |
| CN112561631A (zh) | 一种信息显示方法、装置、电子设备及存储介质 | |
| CN107463643B (zh) | 弹幕数据的显示方法、装置及存储介质 | |
| CN110955821B (zh) | 一种推荐方法、装置及可读介质 | |
| CN112508612B (zh) | 训练广告创意生成模型、生成广告创意的方法及相关装置 | |
| CN112445970B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
| CN106777016B (zh) | 基于即时通信进行信息推荐的方法及装置 | |
| CN112685641B9 (zh) | 一种信息处理方法及装置 | |
| CN106815291B (zh) | 搜索结果项展现方法、装置和用于搜索结果项展现的装置 | |
| CN111046210B (zh) | 一种信息推荐方法、装置和电子设备 | |
| US20220277204A1 (en) | Model training method and apparatus for information recommendation, electronic device and medium | |
| CN112131466A (zh) | 群组展示方法、装置、系统和存储介质 | |
| CN113901241B (zh) | 页面展示方法、装置、电子设备及存储介质 | |
| CN112000840B (zh) | 一种业务对象的展示方法和装置 | |
| CN113778301A (zh) | 基于内容服务的情绪互动方法及电子设备 | |
| CN112784151B (zh) | 一种确定推荐信息的方法及相关装置 | |
| CN111246255B (zh) | 视频推荐方法、装置、存储介质、终端及服务器 | |
| CN114647774A (zh) | 推送方法、装置、电子设备及存储介质 | |
| CN109145151B (zh) | 一种视频的情感分类获取方法及装置 | |
| CN110389759B (zh) | 一种目标界面生成方法及装置 | |
| CN114268815B (zh) | 视频质量确定方法、装置、电子设备及存储介质 | |
| CN109977303A (zh) | 多媒体信息的交互方法、装置及存储介质 |
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 | ||
| CI03 | Correction of invention patent |
Correction item: Claims Correct: correct False: Error Number: 14-02 Page: ?? Volume: 39 |
|
| CI03 | Correction of invention patent |