CN113609397A - 用于推送信息的方法和装置 - Google Patents
用于推送信息的方法和装置 Download PDFInfo
- Publication number
- CN113609397A CN113609397A CN202110934824.6A CN202110934824A CN113609397A CN 113609397 A CN113609397 A CN 113609397A CN 202110934824 A CN202110934824 A CN 202110934824A CN 113609397 A CN113609397 A CN 113609397A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- attribute
- vectors
- behavior
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 269
- 238000012512 characterization method Methods 0.000 claims abstract description 88
- 239000002775 capsule Substances 0.000 claims abstract description 85
- 230000006399 behavior Effects 0.000 claims description 102
- 238000000605 extraction Methods 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000001681 protective effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 235000009854 Cucurbita moschata Nutrition 0.000 description 1
- 240000001980 Cucurbita pepo Species 0.000 description 1
- 235000009852 Cucurbita pepo Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 235000020354 squash Nutrition 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了用于推送信息的方法和装置。该方法的一具体实施方式包括：获取用户的行为特征向量和属性特征向量，以及分别获取信息集中的各信息的属性特征向量；将用户的行为特征向量输入至预先训练的胶囊网络，生成至少两个用于表征用户的兴趣的胶囊向量；将至少两个胶囊向量分别与用户的属性特征向量进行拼接，以及根据拼接结果，生成至少两个用于表征用户的用户表征向量；确定信息集中的信息的属性特征向量与用户表征向量的匹配度，以及根据确定的匹配度，从信息集中选取信息进行推送。该实施方式有助于捕捉用户更多方面的兴趣，以更全面的进行用户表征。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用于推送信息的方法和装置。
背景技术
现有的基于大数据的信息推送方法通常都是先根据用户的历史数据对用户的兴趣进行建模，以精准地捕捉用户的兴趣，并为用户推送其感兴趣的内容。因此对用户的兴趣建模是非常关键的一个步骤，直接影响到后续的信息推送效果。
一般地，会基于用户的历史行为数据向用户推送用户历史直接交互过的信息(如浏览或购买过的物品和品牌等)，但是这种方式很容易导致推送内容收敛，而且频繁地向用户推送其交互过的信息也会一定程度地影响用户体验。基于此，如何探索用户潜在的偏好，对用户偏好进行泛化也是值得思考的一个问题。
发明内容
本公开的实施例提出了用于推送信息的方法和装置。
第一方面，本公开的实施例提供了一种用于推送信息的方法，该方法包括：获取用户的行为特征向量和属性特征向量，以及分别获取信息集中的各信息的属性特征向量；将用户的行为特征向量输入至预先训练的胶囊网络，生成至少两个用于表征用户的兴趣的胶囊向量；将至少两个胶囊向量分别与用户的属性特征向量进行拼接，以及根据拼接结果，生成至少两个用于表征用户的用户表征向量；确定信息集中的信息的属性特征向量与用户表征向量的匹配度，以及根据确定的匹配度，从信息集中选取信息进行推送。
第二方面，本公开的实施例提供了一种用于推送信息的装置，该装置包括：获取单元，被配置成获取用户的行为特征向量和属性特征向量，以及分别获取信息集中的各信息的属性特征向量；生成单元，被配置成将用户的行为特征向量输入至预先训练的胶囊网络，生成至少两个用于表征用户的兴趣的胶囊向量；生成单元，进一步被配置成将至少两个胶囊向量分别与用户的属性特征向量进行拼接，以及根据拼接结果，生成至少两个用于表征用户的用户表征向量；推送单元，被配置成确定信息集中的信息的属性特征向量与用户表征向量的匹配度，以及根据确定的匹配度，从信息集中选取信息进行推送。
第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，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，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的用于推送信息的方法和装置，利用胶囊网络根据用户的行为特征和属性特征对用户进行多兴趣分析，以捕捉用户多方面的兴趣，使用多个用户表征向量更全面的表征用户，进而基于多个用户表征向量与信息的属性特征的匹配度，不仅可以提升向用户推送的信息的准确度，还可以泛化出一些历史中用户无直接交互的信息，避免用户接收到的推送信息收敛的情况。
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推送信息的方法的一个实施例的流程图；
图3是根据本公开的用于推送信息的方法的又一个实施例的流程图；
图4是根据本公开的用户表征模型的训练网络结构的一个实施例的示意图；
图5是根据本公开的用于推送信息的方法的再一个实施例的流程图；
图6是根据本公开的实施例的用于推送信息的方法的一个应用场景的示意图；
图7是根据本公开的用于推送信息的装置的一个实施例的结构示意图；
图8是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，本公开中的实施例所涉及的数据采集(如用户属性特征、行为特征、物品信息等)是在已获取到相关主体的授权的基础上进行的，均符合相关法律法规的规定。
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推送信息的方法或用于推送信息的装置的实施例的示例性架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如浏览器类应用、搜索类应用、即时通信工具、社交平台、购物类应用等等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上安装的客户端应用提供后端支持的服务器。服务器105可以根据终端设备101、102、103对应的用户的行为特征向量和属性特征向量生成至少两个用户表征向量，并根据生成的用户表征向量与信息集中信息的属性特征向量的匹配度，从信息集中选取信息向终端设备101、102、103进行推送。
需要说明的是，本公开的实施例所提供的用于推送信息的方法一般由服务器105执行，相应地，用于推送信息的装置一般设置于服务器105中。
还需要指出的是，终端设备101、102、103中也可以安装有信息推送类应用，终端设备101、102、103也可以基于信息推送类应用对用户的行为特征向量和属性特征向量、信息集中的各信息的属性特征向量进行处理，此时，用于推送信息的方法也可以由终端设备101、102、103执行，相应地，用于推送信息的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105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。
继续参考图2，其示出了根据本公开的用于推送信息的方法的一个实施例的流程200。该用于推送信息的方法包括以下步骤：
步骤201，获取用户的行为特征向量和属性特征向量，以及分别获取信息集中的各信息的属性特征向量。
在本实施例中，用户可以任意的用户。用户的行为特征向量可以用于表征用户的行为特征。其中，用户的行为特征可以指用户的各种行为的特征。在不同的应用场景下，用户具有的行为可以相同，也可以不同。例如，对于视频类应用的用户来说，用户的行为包括但不限于浏览、收藏、发布、评论等等。又例如，对于购物类应用的用户来说，用户的行为包括但不限于浏览、点击、加入购物车、收藏、购买等等。
用户的属性特征向量可以用于表征用户的属性特征。其中，用户的属性特征可以指用户自身的各种属性的特征。
信息集可以由若干信息组成。信息集中的信息可以是各种类型的信息。例如，信息集中的各信息可以是分别用于指示不同物品的信息。信息的属性特征向量可以用于表征信息的属性特征。其中，信息的属性特征可以指信息本身的各种属性的特征。不同类型的信息的属性可以相同，也可以不同。以信息用于指示物品作为示例，信息的属性包括但不限于物品所属的品牌、品类、价格(如信息指示的物品的价格、信息指示的物品所属的品牌或品类下的所有物品的平均价格等)、热度(如信息指示的物品的点击量、关注度等等)、物品丰富度等等。
用户推送信息的方法的执行主体(如图1所示的服务器105等)可以从本地或其他存储设备等获取用户的行为特征向量和属性特征向量，以及获取信息集中的各信息的属性特征向量。需要说明的是，用户的行为特征向量、用户属性特征向量和信息集中的各信息的属性特征向量可以从同一数据源获取，也可以从不同数据源获取。
用户的行为特征向量可以基于用户的行为特征数据生成。具体地，可以利用现有的各种向量编码方法对用户的行为数据进行编码以得到用户的行为特征向量。其中，用户的行为数据可以是用于表征用户的各种行为的特征的特征值。例如，用户的行为数据包括用户购买的物品所属的品牌和/或品类以及物品名称、购买时间等等。
类似地，用户的属性特征向量可以基于用户的属性特征数据生成。具体地，可以利用现有的各种向量编码方法对用户的属性特征数据进行编码以得到用户的属性特征向量。其中，用户的属性特征数据可以是用于表征用户的各种属性的属性值。
信息的属性特征向量可以基于信息的属性特征数据生成。具体地，可以利用现有的各种向量编码方法对信息的属性特征数据进行编码以得到信息的属性特征向量。其中，信息的属性特征数据可以是用于表征信息的各种属性的属性值。
用户的行为特征向量、用户的属性特征向量和信息的属性特征向量可以由上述执行主体采用各种方法生成，也可以由其他电子设备采用各种方法生成。
步骤202，将用户的行为特征向量输入至预先训练的胶囊网络，生成至少两个用于表征用户的兴趣的胶囊向量。
在本实施例中，胶囊网络(Capsule Network)是区别于传统神经网络的一种新的神经网络。胶囊网络同时对空间信息和物体存在概率进行编码，且编码在胶囊(Capsule)向量中。一般地，向量的模表示特征存在的概率，向量的方向表示特征的姿态信息。移动的特征会改变胶囊向量，但不影响特征存在的概率。
具体地，预先训练的胶囊网络可以根据用户的行为特征向量生成至少两个胶囊向量。生成的各个胶囊向量可以用于分别表示用户的不同方面的兴趣。
胶囊网络的训练过程可以由上述执行主体完成，也可以由其他电子设备完成。具体地，可以利用现有的机器学习方法，通过预先设置的训练样本和损失函数完成胶囊网络的训练。
作为示例，胶囊向量可以通过如下公式得到：
其中，
表示高层级的胶囊向量，
表示低层级的胶囊向量。Squash()表示非线性映射函数。Sij表示胶囊网络中待学习的、高低层级之间的映射矩阵。wij表示连接高低层级之间的权重。b表示胶囊网络中高低层级之间的路由机制。i和k表示胶囊向量的序号，m表示胶囊向量的数目。通过上述公式的若干次迭代即可得到收敛的胶囊向量。
步骤203，将至少两个胶囊向量分别与用户的属性特征向量进行拼接，以及根据拼接结果，生成至少两个用于表征用户的用户表征向量。
在本实施例中，对于胶囊网络输出的至少两个胶囊向量中的每个胶囊向量，将该胶囊向量与用户的属性特征向量进行拼接，以形成该胶囊向量对应的拼接后的胶囊向量。因此，将至少两个胶囊向量分别与用户的属性特征向量进行拼接得到的拼接结果可以包括至少两个胶囊向量分别对应的拼接后的胶囊向量。
在得到拼接结果之后，可以进一步根据实际的应用需求或应用场景采用各种方法根据拼接结果，生成用户表征向量。其中，用户表征向量可以用于表征用户。至少两个用户表征向量中的各用户表征向量可以分别用于表示用户的不同方面的特征。
一般地，拼接结果所包括的拼接后的胶囊向量可以与生成的用户表征向量一一对应。例如，可以直接将拼接结果所包括的至少两个拼接后的胶囊向量作为用户表征向量。
步骤204，确定信息集中的信息的属性特征向量与用户表征向量的匹配度，以及根据确定的匹配度，从信息集中选取信息进行推送。
在本实施例中，对于信息集中的每个信息，可以分别确定该信息的属性特征向量与至少两个用户表征向量之间的匹配度，得到该信息对应的至少两个匹配度。其中，信息的属性特征向量与用户表征向量之间的匹配度可以利用现有的各种向量相似度计算方法得到。
在得到每个信息对应的至少两个匹配度之后，可以根据实际的应用需求灵活采用各种方法从信息集中选取信息进行推送。例如，可以先将每个信息对应的至少两个匹配度中的最大值或平均值作为该信息对应的目标匹配度。然后按照各个信息分别对应的目标匹配度的大小，从信息集中选取对应的目标匹配度大于预设的匹配度阈值的信息进行推送。
具体地，在从信息集中选取信息之后，可以向用户所使用的终端设备推送选取的信息的相关信息。例如，在信息集中的信息指示物品时，可以向用户推送所选取的信息所指示的物品的相关信息(如物品介绍页面等等)。
在本实施例的一些可选地实现方式中，可以先获取用户的行为数据，然后将用户的行为数据输入至预先训练的用户行为特征提取网络，得到用户的行为特征向量。其中，用户行为特征提取网络可以基于现有的各种特征提取网络的网络结构进行构建。
在本实施例的一些可选地实现方式中，可以先获取用户的属性数据，然后将用户的属性数据输入至预先训练的用户属性特征提取网络，得到用户的属性特征向量。其中，用户属性特征提取网络可以基于现有的各种特征提取网络的网络结构进行构建。
在本实施例的一些可选地实现方式中，对于信息集中的信息，可以先获取该信息的属性数据，然后将该信息的属性数据输入至预先训练的信息属性特征提取网络，得到该信息的属性特征向量。其中，信息属性特征提取网络可以基于现有的各种特征提取网络的网络结构进行构建。
上述用户行为特征提取网络、用户属性特征提取网络和信息属性特征提取网络可以采用相同的网络结构，也可以采用不同的网络结构。用户行为特征提取网络、用户属性特征提取网络和信息属性特征提取网络具体可以基于机器学习的方法，分别利用预先设置的训练样本和损失函数完成训练。
现有技术中，通常是基于用户的历史行为数据，通过简单的统计分析或利用深度学习算法等使用一个低纬度的向量来对用户兴趣进行表征。然而，这种单一向量的用户表征方法通常受限于向量维度的大小，比较难全面地表达用户多方面的兴趣或偏好，而且这种用户表征方法通常只能确定出用户对其历史有过直接交互的信息的偏好，而无法泛化出用户无直接交互的信息。基于此，本公开的上述实施例提供的方法通过用户的行为特征数据和属性特征数据，利用胶囊网络生成多个用户表征向量来更全面的表达用户多方面的兴趣，而且可以泛化出用户无直接交互过的信息，以提升用户接收到的推送信息的内容丰富度和准确度，进而还有助于提升信息的有效点击率和有效曝光用户浏览深度。此外，通过泛化出较多的用户无直接交互的信息还有助于提升一些信息与用户之间的交互度，辅助一些信息的冷启动等，提升泛化出的推送信息的曝光度，从而在整体上提升如物品的有效曝光平均品类数，同时有助于在搜索精排等场景下，提升Session(会话)订单AUC(Area UnderCurve)和Session点击AUC。
进一步参考图3，其示出了用于推送信息的方法的又一个实施例的流程300。该用于推送信息的方法的流程300，包括以下步骤：
步骤301，获取用户的行为特征向量和属性特征向量，以及分别获取信息集中的各信息的属性特征向量。
步骤302，将用户的行为特征向量输入至预先训练的胶囊网络，生成至少两个用于表征用户的兴趣的胶囊向量。
步骤303，将至少两个胶囊向量分别与用户的属性特征向量进行拼接，以及根据拼接结果，利用注意力机制生成至少两个用于表征用户的用户表征向量。
在本实施例中，在得到包括至少两个拼接后的胶囊向量的拼接结果之后，可以进一步利用注意力(Attention)机制生成对应的至少两个用户表征向量。具体地，可以采用现有的各种基于注意力机制实现的方法生成至少两个用户表征向量。
利用注意力机制可以对各个拼接后的胶囊向量分别进行注意力计算，以捕获各个拼接后的胶囊向量之间的关系，从而通过对各个拼接后的胶囊向量进行加权计算对应的用户表征向量。
步骤304，确定信息集中的信息的属性特征向量与用户表征向量的匹配度，以及根据确定的匹配度，从信息集中选取信息进行推送。
本实施例中上述未具体说明的内容可以参考图2对应实施例中的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，在得到包括至少两个拼接后的胶囊向量的拼接结果之后，可以将拼接结果输入至预先训练的全连接网络，得到至少两个初始用户表征向量，然后将至少两个初始用户表征向量输入至基于注意力机制实现的注意力网络，得到至少两个用户表征向量。
其中，全连接网络可以包括若干全连接层。具体地，利用全连接网络对各个拼接后的胶囊向量进一步进行特征映射和维度变换，生成各个拼接后的胶囊向量分别对应的初始用户表征向量。然后，利用注意力网络对各个初始用户表征向量进行加权计算，得到各个初始用户表征向量分别对应的用户表征向量。
一般地，基于注意力机制实现的注意力网络的处理过程通常是先对输入的每个初始用户表征向量乘以训练过程中创建的三个训练矩阵以分别生成该初始用户表征向量对应的Q(Query)向量、K(Key)向量、V(Value)向量这三个向量。然后计算每个初始用户表征向量对应的Q向量和K向量的内积来并进行标准化等处理，再将V向量乘以标准化处理后结果作为权重，最后通过加权和的方式计算得到每个初始用户表征向量经过注意力网络之后输出的用户表征向量。
继续参见图4，图4是根据本实施例的用户表征模型的训练网络结构的一个实施例的示意图。其中，用户表征模型可以由上述用户行为特征提取网络、用户属性特征提取网络、胶囊网络、全连接网络和注意力网络组成。
如图4所示，用户行为特征提取网络可以对输入的用户行为数据进行编码得到用户行为特征向量，胶囊网络可以对用户行为特征向量进行处理生成至少两个胶囊向量。用户属性特征提取网络可以对输入的用户属性数据进行编码得到用户属性特征向量。然后，可以将胶囊网络输出的至少两个胶囊向量分别与用户属性特征提取网络输出的用户属性特征向量进行拼接，得到对应的至少两个拼接后的胶囊向量并输入至全连接网络MLP(Multi-Layer Perceptron，多层感知机)得到至少两个初始用户表征向量，然后再利用Attention网络对MLP输出的至少两个初始用户表征向量进行加权处理得到对应的至少两个用户表征向量。此外，信息属性特征提取网络可以对输入的信息属性数据进行编码得到信息属性特征向量。然后，可以使用信息属性特征向量与用户表征模型最后输出的至少两个用户表征向量进行匹配计算。
以图4作为示例，可以通过如下步骤训练得到用户表征模型：
步骤一，获取样本集。
在本步骤中，样本集可以包括正样本和负样本。正样本可以包括用户的属性数据、用户的行为数据和目标信息的属性数据。负样本可以包括用户的属性数据、用户的行为数据和非目标信息的属性数据。其中，目标信息可以包括用户的行为数据对应的后续行为数据。作为示例，一个正样本中所包括的用户的行为数据为该用户在“T”时间点的行为数据，则目标信息可以包括该用户在“T+1”时间点的行为数据，以表征用户接下来的行为。非目标信息则指除目标信息之外的任意信息。样本集可以从任意的数据源获取，或者由技术人员预先采集或设置。
步骤二，获取待训练的用户表征模型和信息属性特征提取网络。
在本步骤中，待训练的用户表征模型可以包括待训练的用户行为特征提取网络、用户属性特征提取网络、胶囊网络、全连接网络(如图4所示的MLP)、注意力网络。待训练的用户表征模型和待训练的信息属性特征提取网络可以根据由技术人员预先设置或搭建。
步骤三，基于机器学习的方法，利用样本集对初始用户表征模型和初始信息属性特征提取网络进行训练。
在本步骤中，具体地，可以将样本集中的每个样本所包括用户的行为数据和属性数据分别作为待训练的用户表征模型所包括的用户行为特征提取网络和用户属性特征提取网络的输入，同时，使用目标信息或非目标信息的属性数据作为待训练的信息属性特征提取网络的输入，得到用户表征模型所包括的注意力网络实际输出的用户表征向量与信息属性特征提取网络实际输出的信息属性特征向量之间的匹配度，进而根据匹配度和预设的损失函数，确定是否完成训练。若确定未完成训练，可以根据损失函数的值利用反向传播和梯度下降等算法调整待训练的用户表征模型和信息属性特征提取网络的网络参数，并重新样本继续训练，直至确定完成训练，即可得到训练完成的用户表征模型和信息属性特征提取网络。在后续的信息推送过程中，就可以利用训练完成的用户表征模型得到至少两个用户表征向量，同时利用训练完成的信息属性特征提取网络提取信息集中的信息对应的信息属性特征向量。
其中，损失函数可以由技术人员根据实际的应用需求灵活设置。作为示例，目标函数可以基于如下公式设置：
其中，L表示损失函数。u表示用户，i和j表示信息(包括目标信息和非目标信息)。Pr(i|u)表示用户和信息的匹配度(或称交互概率)。
表示用户表征向量。
表示信息属性特征向量。τ表示信息数据集。
表示用户和信息的交互数据集。
在一些场景下，用户和信息的交互数据集和/或信息数据集可能会比较庞大，由于上述损失函数的计算过程中涉及累加求和等计算，因此这些场景下会出现较大的计算开销，因此，可以采用Sampled Softmax、最近邻检索等各种技术来进行模型训练，以降低计算开销，提升训练效率。
为了提升模型训练效果或模型训练效果，在具体训练过程中，还可以灵活采用各种方法来完成模型训练。例如，根据实际的应用场景或应用需求，将样本集按指定比例划分成训练集、评估集和验证集以更有效地对模型进行训练。又例如，可以基于各种Hitrate(命中率)、NDCG(Normalized Discounted Cumulative Gain，归一化折损累计增益)等指标对训练效果进行评估。在用户表征模型和信息属性特征提取模型的实际应用过程中，还可以根据CTR(点击通过率)、CVR(转化率)等指标对用户表征模型和信息属性特征提取模型进行不断更新。
本公开的上述实施例提供的方法在利用胶囊网络生成多个用户表征向量之后，利用注意力机制对多个用户表征向量进行注意力计算，以避免直接使用胶囊网络输出的用户表征向量进行匹配度计算可能会损失一些有利于信息推送的信息，从而保证胶囊网络输出的用户表征向量所包含的信息可以被更加充分的挖掘和利用，进而有助于提升后续的信息推送效果。
进一步参考图5，其示出了用于推送信息的方法的再一个实施例的流程500。该用于推送信息的方法的流程500，包括以下步骤：
步骤501，获取用于表征用户的实时行为特征和历史行为特征的行为特征向量、以及获取用户的属性特征向量和信息集中的各信息的属性特征向量。例如，可以获取用户近两天的行为特征作为实时行为特征。
在本实施例中，用户的行为特征向量可以用于表征用户的实时行为特征和历史行为特征，以利用更全面的行为特征分析用户兴趣，进而有助于提升后续得到的用户表征向量的准确性和时效性。
步骤502，将用户的行为特征向量输入至预先训练的胶囊网络，生成至少两个用于表征用户的兴趣的胶囊向量。
步骤503，将至少两个胶囊向量分别与用户的属性特征向量进行拼接，以及根据拼接结果，生成至少两个用于表征用户的用户表征向量。
步骤504，确定信息集中的信息的属性特征向量与用户表征向量的匹配度，以及根据确定的匹配度，从信息集中选取信息进行推送。
本实施例中上述未具体说明的内容可以参考图2和图3对应实施例中的相关说明，在此不再赘述。
继续参见图6，图6是根据本实施例的用于推送信息的方法的一个示意性的应用场景600。在图6的应用场景中，用户属性数据可以包括分别对应于第一属性、第二属性、第三属性和第四属性的第一属性值、第二属性值、第三属性值和第四属性值。用户行为数据包括购买过的物品和品牌。其中，购买过的物品包括保暖防护品、羽绒服和手机，购买过的品牌包括“A”、“B”、“C”、“D”、“E”“F”和“G”。然后利用预先训练的用户表征模型得到至少用户表征向量，如图中所示用户兴趣簇“User Embedding1”、“User Embedding2”……“UserEmbeddingN”。同时，利用预先训练的信息属性特征提取网络对信息集中的信息进行信息属性特征进行编码，得到信息属性特征向量(如图中所示的Brand Embedding)。其中，信息集中的信息指示物品，信息属性数据包括物品品牌信息。具体地，物品品牌信息包括物品品类(如一级或二级或三级)、物品热销程度和物品丰富度。进而可以计算用户表征向量和信息属性特征向量进行匹配度计算，根据计算结果确定用户偏好的物品和品牌信息，进而基于所确定的用户偏好的物品和品牌信息向用户推送某些品牌的某些物品。
具体地，如图中所示，确定出的用户偏好的物品包括基于用户购买过的品牌“A”、“B”的保暖防护物品、品牌“C”、“D”、“E”的羽绒服和品牌“F”、“G”的手机泛化出的、用户此前无直接交互的如品牌“D”的保暖防护物品、品牌“H”的暖贴、品牌“I”的口罩、品牌“J”、“K”、“L”的羽绒服、品牌“D”、“M”的棉服、品牌“D”的夹克、品牌“L”的休闲裤、品牌“N”的跑步鞋、品牌“O”、“P”、“Q”的手机、品牌“F”、“R”的创意配件、品牌“F”的移动电源、品牌“G”的充电器、品牌“S”的手机壳或保护套、品牌“Q”的网络盒子等等。进而，可以向用户推送泛化出的上述各种品牌的保暖防护物品、暖贴、口罩、羽绒服、棉服、夹克、卫衣、休闲裤、跑步鞋、手机、移动电源、创意配件、手机壳等等。
本公开的上述实施例提供的方法通过采用用户的实时行为特征和历史行为特征相结合的方式，更全面地分析用户兴趣偏好，以生成更准确地用户表征向量，进而提升信息的实时推送效果，避免预先训练好的模型时效性较差等问题。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了用于推送信息的装置的一个实施例，该装置实施例与图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7所示，本实施例提供的用于推送信息的装置700包括获取单元701、生成单元702和推送单元703。其中，获取单元701被配置成获取用户的行为特征向量和属性特征向量，以及分别获取信息集中的各信息的属性特征向量；生成单元702被配置成将用户的行为特征向量输入至预先训练的胶囊网络，生成至少两个用于表征用户的兴趣的胶囊向量；将至少两个胶囊向量分别与用户的属性特征向量进行拼接，以及根据拼接结果，生成至少两个用于表征用户的用户表征向量；推送单元703被配置成确定信息集中的信息的属性特征向量与用户表征向量的匹配度，以及根据确定的匹配度，从信息集中选取信息进行推送。
在本实施例中，用于推送信息的装置700中：获取单元701、生成单元702和推送单元703的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述生成单元702进一步被配置成：根据拼接结果，利用注意力机制生成至少两个用于表征用户的用户表征向量。
在本实施例的一些可选的实现方式中，上述生成单元702进一步被配置成：将拼接结果输入至预先训练的全连接网络，得到至少两个初始用户表征向量；将至少两个初始用户表征向量输入至基于注意力机制实现的注意力网络，得到至少两个用户表征向量。
在本实施例的一些可选的实现方式中，上述用户的行为特征向量用于表征用户的实时行为特征和历史行为特征。
在本实施例的一些可选的实现方式中，上述获取单元701进一步被配置成：获取用户的行为数据，以及将用户的行为数据输入至预先训练的用户行为特征提取网络，得到用户的行为特征向量；获取用户的属性数据，以及将用户的属性数据输入至预先训练的用户属性特征提取网络，得到用户的属性特征向量；对于信息集中的信息，获取该信息的属性数据，以及将该信息的属性数据输入至预先训练的信息属性特征提取网络，得到该信息的属性特征向量。
在本实施例的一些可选的实现方式中，通过如下步骤训练得到用户表征模型，用户表征模型由用户行为特征提取网络、用户属性特征提取网络、胶囊网络、全连接网络和注意力网络组成：获取样本集，其中，样本集包括正样本和负样本，正样本包括用户的属性数据、用户的行为数据和目标信息的属性数据，负样本包括用户的属性数据、用户的行为数据和非目标信息的属性数据，目标信息包括用户的行为数据对应的后续行为数据；获取待训练的用户表征模型和信息属性特征提取网络；基于机器学习的方法，利用样本集对待训练的用户表征模型和信息属性特征提取网络进行训练。
本公开的上述实施例提供的装置，通过获取单元获取用户的行为特征向量和属性特征向量，以及分别获取信息集中的各信息的属性特征向量；生成单元将用户的行为特征向量输入至预先训练的胶囊网络，生成至少两个用于表征用户的兴趣的胶囊向量；生成单元，进一步被配置成将至少两个胶囊向量分别与用户的属性特征向量进行拼接，以及根据拼接结果，生成至少两个用于表征用户的用户表征向量；推送单元确定信息集中的信息的属性特征向量与用户表征向量的匹配度，以及根据确定的匹配度，从信息集中选取信息进行推送，从而利用胶囊网络生成多个用户表征向量来更全面的表达用户多方面的兴趣，而且可以泛化出用户无直接交互过的信息，以提升用户接收到的推送信息的内容丰富度和准确度。此外，通过泛化出较多的用户无直接交互的信息还有助于提升一些信息与用户之间的交互度，辅助一些信息的冷启动等。
下面参考图8，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)800的结构示意图。图8示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述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：获取用户的行为特征向量和属性特征向量，以及分别获取信息集中的各信息的属性特征向量；将用户的行为特征向量输入至预先训练的胶囊网络，生成至少两个用于表征用户的兴趣的胶囊向量；将至少两个胶囊向量分别与用户的属性特征向量进行拼接，以及根据拼接结果，生成至少两个用于表征用户的用户表征向量；确定信息集中的信息的属性特征向量与用户表征向量的匹配度，以及根据确定的匹配度，从信息集中选取信息进行推送。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，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。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、生成单元和推送单元。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“获取用户的行为特征向量和属性特征向量，以及分别获取信息集中的各信息的属性特征向量的单元”。
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，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种用于推送信息的方法，包括：
获取用户的行为特征向量和属性特征向量，以及分别获取信息集中的各信息的属性特征向量；
将所述用户的行为特征向量输入至预先训练的胶囊网络，生成至少两个用于表征所述用户的兴趣的胶囊向量；
将所述至少两个胶囊向量分别与所述用户的属性特征向量进行拼接，以及根据拼接结果，生成至少两个用于表征所述用户的用户表征向量；
确定所述信息集中的信息的属性特征向量与所述用户表征向量的匹配度，以及根据确定的匹配度，从所述信息集中选取信息进行推送。
2.根据权利要求1所述的方法，其中，所述根据拼接结果，生成至少两个用于表征所述用户的用户表征向量，包括：
根据拼接结果，利用注意力机制生成至少两个用于表征所述用户的用户表征向量。
3.根据权利要求2所述的方法，其中，所述根据拼接结果，利用注意力机制生成至少两个用于表征所述用户的用户表征向量，包括：
将所述拼接结果输入至预先训练的全连接网络，得到至少两个初始用户表征向量；
将所述至少两个初始用户表征向量输入至基于注意力机制实现的注意力网络，得到至少两个用户表征向量。
4.根据权利要求1所述的方法，其中，所述用户的行为特征向量用于表征所述用户的实时行为特征和历史行为特征。
5.根据权利要求3所述的方法，其中，所述获取用户的行为特征向量和属性特征向量，以及分别获取信息集中的各信息的属性特征向量，包括：
获取用户的行为数据，以及将所述用户的行为数据输入至预先训练的用户行为特征提取网络，得到所述用户的行为特征向量；
获取用户的属性数据，以及将所述用户的属性数据输入至预先训练的用户属性特征提取网络，得到所述用户的属性特征向量；
对于所述信息集中的信息，获取该信息的属性数据，以及将该信息的属性数据输入至预先训练的信息属性特征提取网络，得到该信息的属性特征向量。
6.根据权利要求5所述的方法，其中，通过如下步骤训练得到用户表征模型，所述用户表征模型由所述用户行为特征提取网络、用户属性特征提取网络、胶囊网络、全连接网络和注意力网络组成：
获取样本集，其中，样本集包括正样本和负样本，正样本包括用户的属性数据、用户的行为数据和目标信息的属性数据，负样本包括用户的属性数据、用户的行为数据和非目标信息的属性数据，目标信息包括用户的行为数据对应的后续行为数据；
获取待训练的用户表征模型和信息属性特征提取网络；
基于机器学习的方法，利用所述样本集对所述待训练的用户表征模型和信息属性特征提取网络进行训练。
7.一种用于推送信息的装置，包括：
获取单元，被配置成获取用户的行为特征向量和属性特征向量，以及分别获取信息集中的各信息的属性特征向量；
生成单元，被配置成将所述用户的行为特征向量输入至预先训练的胶囊网络，生成至少两个用于表征所述用户的兴趣的胶囊向量；
所述生成单元，进一步被配置成将所述至少两个胶囊向量分别与所述用户的属性特征向量进行拼接，以及根据拼接结果，生成至少两个用于表征所述用户的用户表征向量；
推送单元，被配置成确定所述信息集中的信息的属性特征向量与所述用户表征向量的匹配度，以及根据确定的匹配度，从所述信息集中选取信息进行推送。
8.根据权利要求7所述的装置，其中，所述生成单元，进一步被配置成：
根据拼接结果，利用注意力机制生成至少两个用于表征所述用户的用户表征向量。
9.根据权利要求7所述的装置，其中，所述用户的行为特征向量用于表征所述用户的实时行为特征和历史行为特征。
10.一种电子设备，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1-6中任一所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110934824.6A CN113609397A (zh) | 2021-08-16 | 2021-08-16 | 用于推送信息的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110934824.6A CN113609397A (zh) | 2021-08-16 | 2021-08-16 | 用于推送信息的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113609397A true CN113609397A (zh) | 2021-11-05 |
Family
ID=78340760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110934824.6A Pending CN113609397A (zh) | 2021-08-16 | 2021-08-16 | 用于推送信息的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113609397A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926234A (zh) * | 2022-05-10 | 2022-08-19 | 南京数睿数据科技有限公司 | 物品信息推送方法、装置、电子设备和计算机可读介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050187786A1 (en) * | 2000-09-22 | 2005-08-25 | Tsai Daniel E. | Electronic commerce using personal preferences |
| CN107862339A (zh) * | 2017-11-15 | 2018-03-30 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法和装置 |
| CN107908789A (zh) * | 2017-12-12 | 2018-04-13 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
| CN109522483A (zh) * | 2018-11-14 | 2019-03-26 | 北京百度网讯科技有限公司 | 用于推送信息的方法和装置 |
| CN109859006A (zh) * | 2019-01-15 | 2019-06-07 | 上海连尚网络科技有限公司 | 用于确定用户兴趣特征的方法、系统、电子设备和计算机可读介质 |
| CN111225009A (zh) * | 2018-11-27 | 2020-06-02 | 北京沃东天骏信息技术有限公司 | 用于生成信息的方法和装置 |
| CN112395490A (zh) * | 2019-08-16 | 2021-02-23 | 京东数字科技控股有限公司 | 用于生成信息的方法和装置 |
| CN112765461A (zh) * | 2021-01-12 | 2021-05-07 | 中国计量大学 | 一种基于多兴趣胶囊网络的会话推荐方法 |
| CN112905887A (zh) * | 2021-02-22 | 2021-06-04 | 中国计量大学 | 一种基于多兴趣短期优先模型的会话推荐方法 |
| US20210194977A1 (en) * | 2019-12-24 | 2021-06-24 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and Apparatus for Generating Information |
| CN113239895A (zh) * | 2021-06-15 | 2021-08-10 | 天津工业大学 | 基于注意力机制的胶囊网络的sar图像变化检测方法 |
-
2021
- 2021-08-16 CN CN202110934824.6A patent/CN113609397A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050187786A1 (en) * | 2000-09-22 | 2005-08-25 | Tsai Daniel E. | Electronic commerce using personal preferences |
| CN107862339A (zh) * | 2017-11-15 | 2018-03-30 | 百度在线网络技术（北京）有限公司 | 用于输出信息的方法和装置 |
| US20190147539A1 (en) * | 2017-11-15 | 2019-05-16 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for outputting information |
| CN107908789A (zh) * | 2017-12-12 | 2018-04-13 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
| CN109522483A (zh) * | 2018-11-14 | 2019-03-26 | 北京百度网讯科技有限公司 | 用于推送信息的方法和装置 |
| CN111225009A (zh) * | 2018-11-27 | 2020-06-02 | 北京沃东天骏信息技术有限公司 | 用于生成信息的方法和装置 |
| CN109859006A (zh) * | 2019-01-15 | 2019-06-07 | 上海连尚网络科技有限公司 | 用于确定用户兴趣特征的方法、系统、电子设备和计算机可读介质 |
| CN112395490A (zh) * | 2019-08-16 | 2021-02-23 | 京东数字科技控股有限公司 | 用于生成信息的方法和装置 |
| US20210194977A1 (en) * | 2019-12-24 | 2021-06-24 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and Apparatus for Generating Information |
| CN112765461A (zh) * | 2021-01-12 | 2021-05-07 | 中国计量大学 | 一种基于多兴趣胶囊网络的会话推荐方法 |
| CN112905887A (zh) * | 2021-02-22 | 2021-06-04 | 中国计量大学 | 一种基于多兴趣短期优先模型的会话推荐方法 |
| CN113239895A (zh) * | 2021-06-15 | 2021-08-10 | 天津工业大学 | 基于注意力机制的胶囊网络的sar图像变化检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 崔艳萍;阎知知;王小巍;彭媛;: "互联网信息资源用户获取优化推送仿真研究", 计算机仿真, no. 07, 15 July 2017 (2017-07-15) * |
| 黄静;杨树国;刘子正;: "一种基于胶囊网络的图像检索方法", 电脑与电信, no. 06, 10 June 2020 (2020-06-10) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926234A (zh) * | 2022-05-10 | 2022-08-19 | 南京数睿数据科技有限公司 | 物品信息推送方法、装置、电子设备和计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102308002B1 (ko) | 정보 생성 방법 및 장치 | |
| CN107908789A (zh) | 用于生成信息的方法和装置 | |
| CN110555714A (zh) | 用于输出信息的方法和装置 | |
| EP4242955A1 (en) | User profile-based object recommendation method and device | |
| CN110347940A (zh) | 用于优化兴趣点标签的方法和装置 | |
| CN110083334A (zh) | 模型上线的方法及装置 | |
| US20240289636A1 (en) | Method, electronic device and storage medium for training federated learning model | |
| CN111738010A (zh) | 用于生成语义匹配模型的方法和装置 | |
| CN111104599B (zh) | 用于输出信息的方法和装置 | |
| CN108182472A (zh) | 用于生成信息的方法和装置 | |
| CN110858226A (zh) | 对话管理方法和装置 | |
| CN114119123A (zh) | 信息推送的方法和装置 | |
| CN114417174B (zh) | 内容推荐方法、装置、设备及计算机存储介质 | |
| US20230367972A1 (en) | Method and apparatus for processing model data, electronic device, and computer readable medium | |
| CN115237732A (zh) | 一种操作预测方法及相关装置 | |
| CN112269943B (zh) | 一种信息推荐系统及方法 | |
| CN113592315A (zh) | 一种处理纠纷单的方法和装置 | |
| CN113609397A (zh) | 用于推送信息的方法和装置 | |
| CN115700548A (zh) | 用户行为预测的方法、设备和计算机程序产品 | |
| WO2020211616A1 (zh) | 用于处理用户交互信息的方法和装置 | |
| CN112395490B (zh) | 用于生成信息的方法和装置 | |
| CN111814044A (zh) | 一种推荐方法、装置、终端设备及存储介质 | |
| CN111598599B (zh) | 用户表征方法、装置、电子设备及计算机可读介质 | |
| CN116578774A (zh) | 一种预估排序方法、装置、计算机设备及存储介质 | |
| CN113255819B (zh) | 用于识别信息的方法和装置 |
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 |