CN113742593A - 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
- CN113742593A CN113742593A CN202111082317.0A CN202111082317A CN113742593A CN 113742593 A CN113742593 A CN 113742593A CN 202111082317 A CN202111082317 A CN 202111082317A CN 113742593 A CN113742593 A CN 113742593A
- Authority
- CN
- China
- Prior art keywords
- information
- feature vector
- user
- behavior
- attention
- 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 57
- 239000013598 vector Substances 0.000 claims abstract description 238
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 230000003993 interaction Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 5
- 230000006399 behavior Effects 0.000 description 106
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (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信息对应的特征向量；利用信息的特征向量和预先训练的特征提取模型，更新用户的行为特征向量，其中，特征提取模型包括编码网络和解码网络，解码网络以信息的特征向量为Query且以编码网络的输出结果为Key和Value；根据更新后的行为特征向量，确定该用户针对该信息的关注度；响应于确定关注度符合预设条件，向该用户所使用的终端设备推送该信息。该实施方式有助于提升向用户推送的信息的精确性。
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
个性化推送目前已广泛应用在各种信息推送场景中，以从网络的海量信息中向用户推送其较感兴趣的信息，实现个性化精准推送。例如，视频推送、物品推送、文章推送、好友推荐等等。
信息推送通常包括召回、粗排、精排、重排等多个步骤。其中，召回一般是指从指定的所有信息中快速选择一部分信息，粗排一般是基于个性化从召回的信息中进一步筛选出部分信息，精排一般是在粗排结果的基础上进行更精细的个性化信息筛选，重排一般会对精排结果以组合的形式进行重新排序，再通过一系列预设的规则等进行过滤，得到最终信息推送结果并呈现至用户。
现有的个性化信息推送方法主要都是将用户的历史行为信息转化为一个固定长度的特征向量，然后利用这一特征向量进行相似度等计算以确定用户较感兴趣的信息。
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信息对应的特征向量；利用信息的特征向量和预先训练的特征提取模型，更新用户的行为特征向量，其中，特征提取模型包括编码网络和解码网络，解码网络以信息的特征向量为Query且以编码网络的输出结果为Key和Value；根据更新后的行为特征向量，确定该用户针对该信息的关注度；响应于确定关注度符合预设条件，向该用户所使用的终端设备推送该信息。
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信息对应的特征向量；更新单元，被配置成利用信息的特征向量和预先训练的特征提取模型，更新用户的行为特征向量，其中，特征提取模型包括编码网络和解码网络，解码网络以信息的特征向量为Query且以编码网络的输出结果为Key和Value；确定单元，被配置成根据更新后的行为特征向量，确定该用户针对该信息的关注度；推送单元，被配置成响应于确定关注度符合预设条件，向该用户所使用的终端设备推送该信息。
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，通过特征提取模型中的解码网络以待推送的信息的特征向量为Query且以编码网络的输出结果为Key和Value，对用户的行为特征向量进行更新，从而可以强化用户的行为特征向量中与待推送的信息相关度较高的特征，同时弱化用户的行为特征向量中与与待推送的信息相关度较低或无关的特征，进而根据更新后的行为特征向量可以更准确地确定用户对该待推送的信息的关注度，再基于关注度确定是否向用户推送该信息有助于提升向用户推送的信息的精确性。
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推送信息的方法的一个实施例的流程图；
图3是特征提取模型的一个示意性的结构示意图；
图4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(如用户行为数据、行为特征、信息的属性特征等等)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、信息流类应用等等。
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服务支持的后端服务器。服务器105可以获取终端设备101、102、103对应的用户的行为特征向量和待推送的信息对应的特征向量，然后利用预先训练的特征提取模型更新用户的行为特征向量，并根据更新后的用户的行为特征向量确定用户针对该信息的关注度，若关注度符合预设条件，则可以进一步向终端设备101、102、103推送该信息。
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处理类应用，终端设备101、102、103也可以基于信息处理类应用获取用户的行为特征向量和待推送的信息对应的特征向量，然后利用预先训练的特征提取模型更新用户的行为特征向量，并根据更新后的用户的行为特征向量确定用户针对该信息的关注度，若关注度符合预设条件，则向对应的用户展示该信息。
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信息对应的特征向量。
在本实施例中，用户可以是任意终端设备的用户。用户的行为特征向量可以用于表征用户的历史行为特征。信息可以是待推送的各种类型的信息。例如，信息可以是图像、文本、音频、视频、物品信息、服务信息等等。信息的特征向量可以用于表征该信息的特征。
用于推送信息的方法的执行主体(如图1所示的服务器105等)可以从本地或其它存储设备获取用户的行为特征向量和信息对应的特征向量。需要说明的是，用户的行为特征向量和信息对应的特征向量分别对应的数据源可以相同，也可以不同。
步骤202，利用信息的特征向量和预先训练的特征提取模型，更新用户的行为特征向量。
在本实施例中，特征提取模型可以采用编码网络(Encoder)和解码网络(Decoder)的框架，具体采用的模型结构可以是各种神经网络(如卷积神经网络、循环神经网络等等)。例如，特征提取模型可以为Transform模型。
其中，解码网络都可以基于注意力机制实现。具体地，解码网络可以使用信息的特征向量为Query、编码网络的输出结果为Key和Value来实现注意力机制。
一般地，注意力机制的实现过程包括：根据用户的行为特征向量中的每个元素对行为特征向量中的所有元素进行评分(通常为Query向量与Key向量的点积)来表示每个元素对行为特征向量中的各元素的关联度，并对评分进行标准化处理，再将Value向量乘以标准化处理后的评分作为最终评分。然后，以最终评分作为权重以加权和的方式计算得到每个元素经过注意力机制处理后生成的更新值。
需要说明的是，上述注意力机制是目前基于深度学习的自然语言处理领域中研究和应用的主要技术之一，在此不再赘述。
步骤203，根据更新后的行为特征向量，确定用户针对信息的关注度。
在本实施例中，用户对信息的关注度可以表示用户对信息的感兴趣程度，具体可以根据实际的应用场景或应用需求灵活采用各种表示方法。例如，关注度可以使用用户对信息的点击率或浏览量等表示。
在得到用户的更新后的行为特征向量之后，可以采用各种方法确定用户针对信息的关注度。例如，可以通过计算用户的更新后的行为特征向量和信息的特征向量的距离，然后将计算结果作为用户针对信息的关注度。
步骤204，响应于确定关注度符合预设条件，向用户所使用的终端设备推送信息。
在本实施例中，预设条件可以根据实际的应用需求或应用场景由技术人员预先设置。例如，预设条件可以为关注度大于预设阈值。此时，若确定的信息的关注度大于预设的阈值，则可以向用户所使用的终端设备推送信息，以向用户展示该信息。
在本实施例的一些可选的实现方式中，特征提取模型可以包括第一解码网络和第二解码网络。其中，第一解码网络可以根据信息的特征向量和编码网络的输出结果生成用户的第一行为特征向量。第二解码网络可以根据信息的特征向量和第一解码网络输出的第一行为特征向量生成用户的第二行为特征向量。此时，可以确定第一解码网络和第二解码网络分别输出的第一行为特征向量和第二行为特征向量作为用户的更新后的行为特征向量。
如图3所示，其示出了特征提取模型的一个示意性的结构示意图300。特征提取模型300可以包括编码网络301、第一解码网络302和第二解码网络303。其中，第一解码网络302包括注意力模块3021和处理模块3022。第二解码网络303包括注意力模块3031和处理模块3032。其中，处理模块3022和处理模块3032可以是各种前馈神经网络，以根据注意力模块的输出结果进行融合、维度变换等处理分别生成第一行为特征向量和第二行为特征向量。
由于两个解码网络分别输出的相对较高维的行为特征向量和相对较低维的行为特征向量可以从不同粒度反应用户的行为特征，因此，利用用户多维度的行为特征向量分可以更全面、更准确的表达用户的行为特征，从而有助于提升基于用户的行为特征确定的推送信息的准确性。
在本实施例的一些可选的实现方式中，用户的特征行为向量可以用于表征用户在至少一个历史时段内对应的交互信息集。其中，交互信息可以表示用户历史交互过的信息。交互可以指各种类型的交互，如浏览、点击、分享、评论、购买等等。一般地，各历史时段对应的时间不同且不重复。各个历史时段分别对应的时长可以相同，也可以不同。
作为示例，可以通过如下步骤确定用户的行为特征向量：
步骤一、获取用户在目标历史时段内交互过的信息，且按对应的交互时间形成信息序列。
其中，目标历史时段可以由技术人员根据实际的应用场景灵活设置。例如，获取用户过去一个月内点击过的物品形成的物品序列。
步骤二、将目标历史时段划分成至少一个历史时段。
步骤三、对于划分得到的每个历史时段，从信息序列中选取该历史时段对应的信息子序列，并将选取的信息子序列映射为特征向量。
步骤四、融合各历史时段分别对应的特征向量得到用户的行为特征向量。
其中，融合方法可以采用各种向量融合方法。例如，可以顺序拼接各历史时段分别对应的特征向量。
通过对用户在一定历史时段内的交互信息集中信息按时间进行分段，并将每个分段映射对应的特征向量，可以更合理地统计分析用户的历史交互信息，进而更准确地表达用户的行为特征。
现有技术中，通常将用户历史行为特征压缩至一个固定长度的特征向量，这种方式会限制对用户行为特征的表达能力，而且无法准确地表示用户的兴趣，用户行为特征向量的提取通常也与代替送的信息无关。
本公开的上述实施例提供的方法通过特征提取模型中的解码网络以待推送的信息的特征向量为Query且以编码网络的输出结果为Key和Value，对用户的行为特征向量进行更新，从而可以强化用户的行为特征向量中与待推送的信息相关度较高的特征，同时弱化用户的行为特征向量中与与待推送的信息相关度较低或无关的特征，进而根据更新后的行为特征向量可以更准确地确定用户对该待推送的信息的关注度，再基于关注度确定是否向用户推送该信息有助于提升向用户推送的信息的精确性。这种方式下，使得对于每个待推送的信息，都可以结合该信息的具体特征提取用户行为特征中与该信息相关的特征，各个待推送的信息分别对应不同的用户的行为特征，可以从整体上提升用户的行为特征的表达能力，以更准确地体现用户多方面的兴趣。
进一步参考图4，其示出了用于推送信息的方法的又一个实施例的流程400。该用于推送信息的方法的流程400，包括以下步骤：
步骤401，获取用户的行为特征向量和信息对应的特征向量。
步骤402，利用信息的特征向量和预先训练的特征提取模型，更新用户的行为特征向量。
步骤403，获取关联特征向量。
在本实施例中，上述执行主体可以从本地或其它存储设备获取关联特征向量。关联特征向量可以用于表征以下至少一项：信息的属性特征、用户的属性特征、用户针对信息的交互特征。
其中，信息的属性特征可以用于表示信息的各种属性。例如，对于一物品来说，该物品的属性包括品类、价格、颜色、销售量等等。用户的属性特征可以用于表示用户的各种属性。例如，用户的基础属性、行为属性等。用户针对信息的交互特征可以用于表示用户对该信息之间的交互的特征。例如，交互的特征包括用户对该信息所属品类下的各种信息的交互属性(如点击率、销售量、浏览量等)。
在关联特征向量表征信息的属性特征、用户的属性特征、用户针对信息的交互特征中的至少两项时，可以拼接至少两项分别对应的特征向量，然后进行维度变换等处理(如降维等)得到关联特征向量。
步骤404，根据关联特征向量、更新后的行为特征向量和信息的特征向量，确定用户针对信息的关注度。
在本实施例中，可以根据关联特征向量、更新后的行为特征向量和信息的特征向量，采用各种方法确定用户针对信息的关注度。例如，可以计算关联特征向量、更新后的行为特征向量和信息的特征向量中任两个特征向量之间的距离，然后计算各距离的平均值作为用户针对信息的关注度。
步骤405，响应于确定关注度符合预设条件，向用户所使用的终端设备推送信息。
在本实施例的一些可选的实现方式中，关联特征向量可以基于低频过滤处理得到。其中，低频过滤处理可以指对频率较低的特征进行滤除。具体地，在获取到关联特征向量之后，可以对关联特征向量进行低频过滤处理，以更新关联特征向量。
通过低频过滤处理可以使得关联特征向量可以降低出现频次较低的特征对后续计算的影响，有助于更准确地表示用户、待推送的信息和两者之间的交互关系。
可选地，还可以对关联特征向量进行归一化处理，以方便于后续的计算。
在本实施例的一些可选的实现方式中，可以将关联特征向量、更新后的行为特征向量和信息的特征向量输入至预先训练的关注度生成模型，得到用户针对信息的关注度。
其中，关注度生成模型可以用于根据关联特征向量、用户的更新后的行为特征向量和信息的特征向量预测用户对信息的关注度。关注度生成模型可以是现有的各种神经网络模型，如基于深度学习的卷积神经网络等。
本实施例中未具体说明的内容可参考图2对应实施例中的相关说明，在此不再赘述。
本公开的上述实施例提供的方法在得到信息对应的更新后的用户的行为特征向量之后，可以结合信息的属性特征、用户的属性特征和用户针对信息的交互特征等来综合确定用户针对该信息的关注度，从而进一步提升所确定的关注度的准确度，进而有助于提升基于关注度确定的向用户推送的信息的精确性。
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，获取用户的行为特征向量和目标信息集中的信息对应的特征向量。
在本实施例中，目标信息集可以由若干信息组成，具体可以由技术人员预先指定。例如，目标信息集可以是上述信息推送流程中任意步骤得到的信息集，如粗排结果或精排结果等等。上述执行主体可以获取目标信息集中的各信息分别对应的特征向量。
步骤502，对于目标信息中的信息，利用该信息的特征向量和特征提取模型，更新用户的行为特征向量，以及根据用户的更新后的行为特征向量，确定用户针对该信息的关注度。
在本实施例中，对于目标信息集中的每个信息，可以利用该信息的特征向量和特征提取模型，更新用户的行为特征向量，得到该信息对应的更新后的行为特征向量。然后根据该信息对应的更新后的行为特征向量，确定用户针对该信息的关注度。
步骤503，根据目标信息集中的信息分别对应的关注度，从目标信息集中选取信息进行推送。
在本实施例中，可以按照关注度的大小关系进行排序，然后按照从大到小的顺序选取预设数目个信息进行推送。
在本实施例的一些可选的实现方式中，对于上述各种模型，如特征提取模型、关注度生成模型等可以采用端到端的方式进行统一训练得到，以降低模型训练的复杂度和计算量。
本实施例中未具体说明的内容可参考图2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，可以先获取用户在历史近一个月内点击过的物品601，并将用户按时间顺序点击过的物品序列映射为用户的行为特征序列602。同时，获取针对该用户的信息推送流程中的粗排步骤得到的粗排结果603(即待推送的物品集)，然后获取待推送的物品集中的每个物品的特征向量604。
之后，对于每个物品的特征向量，可以使用物品特征向量604为Query且以编码网络的输出结果为Key和Value，利用特征提取模型605对行为特征向量602进行更新，得到第一解码网络6051生成的第一行为特征向量606和第二解码网络6052生成的第二行为特征向量607。
对于待推送的物品集中的每个物品，将该物品的属性特征、用户的属性特征和用户对该物品的交互特征608输入至点击率预测模型609，得到用户针对该物品的点击率610。之后，可以按照点击率从大到小的顺序，从粗排结果中筛选部分物品得到物品筛选结果611，进一步可以将物品筛选结果611中的物品推送至用户终端进行展示。
本公开的上述实施例提供的方法通过在用户的行为特征提取的过程中，关联待推送的信息，以对每个代推送的信息，从用户的行为特征向量中筛选出与该信息对应的用户的行为特征，再利用该信息对应的更新后的用户的行为特征确定用户对该信息的关注度，再根据各信息分别对应的关注度选取推送信息，可以对不同的信息从不同的特征角度确定用户对该信息的关注度，从而更准确地筛选推送信息。
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、更新单元702、确定单元703和推送单元704。其中，获取单元701被配置成获取用户的行为特征向量和信息对应的特征向量；更新单元702被配置成利用信息的特征向量和预先训练的特征提取模型，更新行为特征向量，其中，特征提取模型包括编码网络和解码网络，解码网络以信息的特征向量为Query且以编码网络的输出结果为Key和Value；确定单元703被配置成根据更新后的行为特征向量，确定用户针对信息的关注度；推送单元704被配置成响应于确定关注度符合预设条件，向用户所使用的终端设备推送该信息。
在本实施例中，用于推送信息的装置700中：获取单元701、更新单元702、确定单元703和推送单元704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，特征提取模型包括第一解码网络和第二解码网络，其中，第一解码网络根据信息的特征向量和编码网络的输出结果生成第一行为特征向量，第二解码网络根据信息的特征向量和第一行为特征向量生成第二行为特征向量；以及上述更新单元702进一步被配置成：确定第一行为特征向量和第二行为特征向量作为更新后的行为特征向量。
在本实施例的一些可选的实现方式中，上述行为特征向量用于表征用户在至少一个历史时段内对应的交互信息集。
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：获取关联特征向量，其中，关联特征向量用于表征以下至少一项：信息的属性特征、用户的属性特征、用户针对信息的交互特征；以及上述确定单元703进一步被配置成：根据关联特征向量、更新后的行为特征向量和信息的特征向量，确定用户针对信息的关注度。
在本实施例的一些可选的实现方式中，上述关联特征向量基于低频过滤处理得到。
在本实施例的一些可选的实现方式中，上述确定单元703进一步被配置成：将上述关联特征向量、更新后的行为特征向量和信息的特征向量输入至预先训练的关注度生成模型，得到用户针对该信息的关注度。
在本实施例的一些可选的实现方式中，信息属于目标信息集；以及上述更新单元702进一步被配置成：对于目标信息中的信息，利用该信息的特征向量和特征提取模型，更新用户的行为特征向量；上述确定单元703进一步被配置成：对于目标信息中的信息，根据该信息对应的更新后的行为特征向量，确定用户针对该信息的关注度；以及上述推送单元704进一步被配置成根据目标信息集中的信息分别对应的关注度，从目标信息集中选取信息进行推送。
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信息对应的特征向量；更新单元利用信息的特征向量和预先训练的特征提取模型，更新行为特征向量，其中，特征提取模型包括编码网络和解码网络，解码网络以信息的特征向量为Query且以编码网络的输出结果为Key和Value；确定单元根据更新后的行为特征向量，确定用户针对信息的关注度；推送单元响应于确定关注度符合预设条件，向用户所使用的终端设备推送该信息。由此，通过特征提取模型对用户的行为特征向量的更新，可以强化用户的行为特征向量中与待推送的信息相关度较高的特征，同时弱化用户的行为特征向量中与与待推送的信息相关度较低或无关的特征，进而根据更新后的行为特征向量可以更准确地确定用户对该待推送的信息的关注度，再基于关注度确定是否向用户推送该信息有助于提升向用户推送的信息的精确性。
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信息对应的特征向量；利用信息的特征向量和预先训练的特征提取模型，更新用户的行为特征向量，其中，特征提取模型包括编码网络和解码网络，解码网络以信息的特征向量为Query且以编码网络的输出结果为Key和Value；根据更新后的行为特征向量，确定该用户针对该信息的关注度；响应于确定关注度符合预设条件，向该用户所使用的终端设备推送该信息。
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、更新单元、确定单元和推送单元。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信息对应的特征向量的单元”。
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 (16)
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信息对应的特征向量；
利用所述信息的特征向量和预先训练的特征提取模型，更新所述行为特征向量，其中，所述特征提取模型包括编码网络和解码网络，解码网络以信息的特征向量为Query且以编码网络的输出结果为Key和Value；
根据更新后的行为特征向量，确定所述用户针对所述信息的关注度；
响应于确定所述关注度符合预设条件，向所述用户所使用的终端设备推送所述信息。
2.根据权利要求1所述的方法，其中，所述特征提取模型包括第一解码网络和第二解码网络，其中，第一解码网络根据信息的特征向量和编码网络的输出结果生成第一行为特征向量，第二解码网络根据信息的特征向量和第一行为特征向量生成第二行为特征向量；以及
所述利用所述信息的特征向量和预先训练的特征提取模型，更新所述行为特征向量，包括：
确定所述第一行为特征向量和第二行为特征向量作为更新后的行为特征向量。
3.根据权利要求1所述的方法，其中，所述行为特征向量用于表征所述用户在至少一个历史时段内对应的交互信息集。
4.根据权利要求1所述的方法，其中，所述方法还包括：
获取关联特征向量，其中，所述关联特征向量用于表征以下至少一项：所述信息的属性特征、所述用户的属性特征、所述用户针对所述信息的交互特征；以及
所述根据更新后的行为特征向量，确定所述用户针对所述信息的关注度，包括：
根据所述关联特征向量、所述更新后的行为特征向量和所述信息的特征向量，确定所述用户针对所述信息的关注度。
5.根据权利要求4所述的方法，其中，所述关联特征向量基于低频过滤处理得到。
6.根据权利要求4所述的方法，其中，所述根据所述关联特征向量、所述更新后的行为特征向量和所述信息的特征向量，确定所述用户针对所述信息的关注度，包括：
将所述关联特征向量、所述更新后的行为特征向量和所述信息的特征向量输入至预先训练的关注度生成模型，得到所述用户针对所述信息的关注度。
7.根据权利要求1-6之一所述的方法，其中，所述信息属于目标信息集；以及
所述利用所述信息的特征向量和预先训练的特征提取模型，更新所述行为特征向量，以及根据更新后的行为特征向量，确定所述用户针对所述信息的关注度包括：
对于所述目标信息中的信息，利用该信息的特征向量和特征提取模型，更新所述行为特征向量；根据更新后的行为特征向量，确定所述用户针对该信息的关注度；以及
所述响应于确定所述关注度符合预设条件，向所述用户所使用的终端设备推送所述信息，包括：
根据所述目标信息集中的信息分别对应的关注度，从所述目标信息集中选取信息进行推送。
8.一种用于推送信息的装置，其中，所述装置包括：
获取单元，被配置成获取用户的行为特征向量和信息对应的特征向量；
更新单元，被配置成利用所述信息的特征向量和预先训练的特征提取模型，更新所述行为特征向量，其中，所述特征提取模型包括编码网络和解码网络，解码网络以信息的特征向量为Query且以编码网络的输出结果为Key和Value；
确定单元，被配置成根据更新后的行为特征向量，确定所述用户针对所述信息的关注度；
推送单元，被配置成响应于确定所述关注度符合预设条件，向所述用户所使用的终端设备推送所述信息。
9.根据权利要求8所述的装置，其中，所述特征提取模型包括第一解码网络和第二解码网络，其中，第一解码网络根据信息的特征向量和编码网络的输出结果生成第一行为特征向量，第二解码网络根据信息的特征向量和第一行为特征向量生成第二行为特征向量；以及
所述更新单元进一步被配置成：确定所述第一行为特征向量和第二行为特征向量作为更新后的行为特征向量。
10.根据权利要求8所述的装置，其中，所述行为特征向量用于表征所述用户在至少一个历史时段内对应的交互信息集。
11.根据权利要求8所述的装置，其中，所述获取单元进一步被配置成：获取关联特征向量，其中，所述关联特征向量用于表征以下至少一项：所述信息的属性特征、所述用户的属性特征、所述用户针对所述信息的交互特征；以及
所述确定单元进一步被配置成：根据所述关联特征向量、所述更新后的行为特征向量和所述信息的特征向量，确定所述用户针对所述信息的关注度。
12.根据权利要求11所述的装置，其中，所述关联特征向量基于低频过滤处理得到。
13.根据权利要求11所述的装置，其中，所述确定单元进一步被配置成：
将所述关联特征向量、所述更新后的行为特征向量和所述信息的特征向量输入至预先训练的关注度生成模型，得到所述用户针对所述信息的关注度。
14.根据权利要求8-13之一所述的装置，其中，所述信息属于目标信息集；以及
所述更新单元进一步被配置成：对于所述目标信息中的信息，利用该信息的特征向量和特征提取模型，更新所述行为特征向量；
所述确定单元进一步被配置成：对于所述目标信息中的信息，根据该信息对应的更新后的行为特征向量，确定所述用户针对该信息的关注度；以及
所述推送单元进一步被配置成：根据所述目标信息集中的信息分别对应的关注度，从所述目标信息集中选取信息进行推送。
15.一种电子设备，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1-7中任一所述的方法。
16.一种计算机可读介质，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1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111082317.0A CN113742593A (zh) | 2021-09-15 | 2021-09-15 | 用于推送信息的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111082317.0A CN113742593A (zh) | 2021-09-15 | 2021-09-15 | 用于推送信息的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113742593A true CN113742593A (zh) | 2021-12-03 |
Family
ID=78739146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111082317.0A Pending CN113742593A (zh) | 2021-09-15 | 2021-09-15 | 用于推送信息的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113742593A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117708439A (zh) * | 2024-02-06 | 2024-03-15 | 每日互动股份有限公司 | 一种目标文本的推送方法、装置、介质及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104679743A (zh) * | 2013-11-26 | 2015-06-03 | 阿里巴巴集团控股有限公司 | 一种确定用户的偏好模式的方法及装置 |
| US20170169349A1 (en) * | 2015-12-09 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Recommending method and electronic device |
| CN109034953A (zh) * | 2018-07-02 | 2018-12-18 | 西南交通大学 | 一种电影推荐方法 |
| KR20190047576A (ko) * | 2017-10-27 | 2019-05-08 | 한국과학기술원 | 추천시스템을 위한 선택적 오토인코딩 방법 및 오토인코딩 시스템 |
| CN110971659A (zh) * | 2019-10-11 | 2020-04-07 | 贝壳技术有限公司 | 推荐消息的推送方法、装置及存储介质 |
| CN111046911A (zh) * | 2019-11-13 | 2020-04-21 | 泰康保险集团股份有限公司 | 一种图像处理方法和装置 |
| CN111770125A (zh) * | 2019-05-23 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 用于推送信息的方法和装置 |
| WO2021012645A1 (zh) * | 2019-07-22 | 2021-01-28 | 创新先进技术有限公司 | 推送信息的生成方法及装置 |
| CN112633290A (zh) * | 2021-03-04 | 2021-04-09 | 北京世纪好未来教育科技有限公司 | 文本识别方法、电子设备及计算机可读介质 |
-
2021
- 2021-09-15 CN CN202111082317.0A patent/CN113742593A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104679743A (zh) * | 2013-11-26 | 2015-06-03 | 阿里巴巴集团控股有限公司 | 一种确定用户的偏好模式的方法及装置 |
| US20170169349A1 (en) * | 2015-12-09 | 2017-06-15 | Le Holdings (Beijing) Co., Ltd. | Recommending method and electronic device |
| KR20190047576A (ko) * | 2017-10-27 | 2019-05-08 | 한국과학기술원 | 추천시스템을 위한 선택적 오토인코딩 방법 및 오토인코딩 시스템 |
| CN109034953A (zh) * | 2018-07-02 | 2018-12-18 | 西南交通大学 | 一种电影推荐方法 |
| CN111770125A (zh) * | 2019-05-23 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 用于推送信息的方法和装置 |
| WO2021012645A1 (zh) * | 2019-07-22 | 2021-01-28 | 创新先进技术有限公司 | 推送信息的生成方法及装置 |
| CN110971659A (zh) * | 2019-10-11 | 2020-04-07 | 贝壳技术有限公司 | 推荐消息的推送方法、装置及存储介质 |
| CN111046911A (zh) * | 2019-11-13 | 2020-04-21 | 泰康保险集团股份有限公司 | 一种图像处理方法和装置 |
| CN112633290A (zh) * | 2021-03-04 | 2021-04-09 | 北京世纪好未来教育科技有限公司 | 文本识别方法、电子设备及计算机可读介质 |
Non-Patent Citations (1)
| Title |
|---|
| 郭喻栋;郭志刚;席耀一;: "基于降噪自编码器网络与词向量的信息推荐方法", 计算机工程, no. 12, 15 December 2017 (2017-12-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117708439A (zh) * | 2024-02-06 | 2024-03-15 | 每日互动股份有限公司 | 一种目标文本的推送方法、装置、介质及设备 |
| CN117708439B (zh) * | 2024-02-06 | 2024-05-31 | 每日互动股份有限公司 | 一种目标文本的推送方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460514B (zh) | 用于推送信息的方法和装置 | |
| CN109460513B (zh) | 用于生成点击率预测模型的方法和装置 | |
| US11978245B2 (en) | Method and apparatus for generating image | |
| CN109492772B (zh) | 生成信息的方法和装置 | |
| CN108830235B (zh) | 用于生成信息的方法和装置 | |
| CN108197652B (zh) | 用于生成信息的方法和装置 | |
| CN109740018B (zh) | 用于生成视频标签模型的方法和装置 | |
| CN108108743B (zh) | 异常用户识别方法和用于识别异常用户的装置 | |
| CN107609506B (zh) | 用于生成图像的方法和装置 | |
| CN109976997B (zh) | 测试方法和装置 | |
| CN109993150B (zh) | 用于识别年龄的方法和装置 | |
| US20190147539A1 (en) | Method and apparatus for outputting information | |
| CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
| CN111046027A (zh) | 时间序列数据的缺失值填充方法和装置 | |
| CN108388563B (zh) | 信息输出方法和装置 | |
| CN110543946A (zh) | 用于训练模型的方法和装置 | |
| CN110866040B (zh) | 用户画像生成方法、装置和系统 | |
| CN110929799A (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
| CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
| CN114119123A (zh) | 信息推送的方法和装置 | |
| CN112085103B (zh) | 基于历史行为的数据增强方法、装置、设备以及存储介质 | |
| CN113742593A (zh) | 用于推送信息的方法和装置 | |
| CN116186541A (zh) | 一种推荐模型的训练方法及装置 | |
| CN112000872A (zh) | 基于用户向量的推荐方法、模型的训练方法及装置 | |
| CN116188887A (zh) | 属性识别预训练模型生成方法、属性识别模型生成方法 |
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 |