CN113763075A - 推送物品的方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种推送物品的方法、装置、设备及存储介质，该方法包括：获取目标用户的目标用户特征集以及各个候选物品的候选物品特征集；基于预先训练得到的目标物品推送模型对用户特征集和物品特征集进行处理，得到每个候选物品的候选评估值；基于每个候选物品的候选评估值，生成包括至少一个候选物品的展示页面；其中，目标物品推送模型是基于物品特征集和用户特征集中各特征重要性程度设定的损失函数训练得到的。本发明实施例的技术方案，基于预先训练得到的目标物品推送模型可以确定与用户匹配度较高的物品，并将其推送至用户从而提高用户体验的技术效果。

Description

推送物品的方法、装置、设备及介质

技术领域

本发明实施例涉及互联网技术领域，尤其涉及一种推送物品的方法、装置、设备及介质。

背景技术

随着大数据和人工智能的发展，越来越多的用户倾向于网上购物。目前，各个应用程序上均可以向用户推送物品，推送的物品品类主要是依赖用户的历史浏览记录，根据历史浏览记录中各物品对应的SKU来确定用户感兴趣的物品，进而为其进行推送相同或者相似的物品。

发明人在基于上述方式确定用户感兴趣的物品时，发现存在如下问题：

在基于用户的历史浏览记录确定向其推送的物品时，存在很多浏览记录是随意浏览的，因此基于浏览记录匹配出来的物品，与用户之间的匹配度较低，导致用户体验较差的技术问题。

发明内容

本发明提供一种推送物品的方法、装置、设备及介质，以实现优化物品推送方法，提高推送的物品与用户的匹配度较高，进而提高用户体验的技术效果。

第一方面，本发明实施例提供了一种推送物品的方法，该方法包括：

获取目标用户的目标用户特征集以及各个候选物品的候选物品特征集；

基于预先训练得到的目标物品推送模型对所述用户特征集和物品特征集进行处理，得到每个候选物品的候选评估值；

基于每个候选物品的候选评估值，生成包括至少一个候选物品的展示页面；

其中，目标物品推送模型是基于物品特征集和用户特征集中各特征重要性程度设定的损失函数训练得到的。

第二方面，本发明实施例还提供了一种推送物品的装置，该装置包括：

特征集获取模块，用于获取目标用户的目标用户特征集以及各个候选物品的候选物品特征集；

候选评估值确定模块，用于基于预先训练得到的目标物品推送模型对所述用户特征集和物品特征集进行处理，得到每个候选物品的候选评估值；

页面展示模块，用于基于每个候选物品的候选评估值，生成包括至少一个候选物品的展示页面；

其中，目标物品推送模型是基于物品特征集和用户特征集中各特征重要性程度设定的损失函数训练得到的。

第三方面，本发明实施例还提供了一种设备，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的推送物品的方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的推送物品的方法。

本发明实施例的技术方案，通过预先训练得到的目标物品推送模型对各个候选物品的物品特征和目标用户的用户特征集进行处理，可以确定各个候选物品与用户之间的匹配度，基于匹配度向目标用户推送物品，提高了物品与用户之间的匹配度，进而提高用户体验的技术效果。

附图说明

为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。

图1为本发明实施例一所提供的一种推送物品的方法流程示意图；

图2为本发明实施例一所提供的一种推送物品的方法流程示意图；；

图3为本发明实施例三所提供的一种推送物品的装置流程示意图；；

图4为本发明实施例四所提供的一种电子设备结构示意图。

具体实施方式

下面结合附图和实施例对本发明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本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一所提供的一种推送物品的方法流程示意图，本实施例可适用于确定各个候选物品与用户之间的匹配度，进而基于匹配度对各个候选物品进行排序，基于排序结果生成包括各个候选物品的展示页面，并将展示页面推送至客户端的情形，该方法可以由推送物品的装置来执行，该装置可以通过软件和/或硬件的形式实现。该硬件可以是电子设备，该电子设备可以是PC端或移动终端。

如图1所述，本实施例的方法包括：

S110、获取目标用户的目标用户特征集以及各个候选物品的候选物品特征集。

通常，在用户基于应用程序浏览各个物品之前，可以先登录账号，该账号存在与用户相关联的关联信息。基于用户的关联信息以及候选物品的物品特征信息，可以确定候选物品与用户之间的匹配度。关联信息可以是用户特征信息，例如，用户的年龄、性别等。

其中，若需要确定与当前客户端所属用户相对应的候选物品，可以将当前客户端所属的用户作为目标用户。目标用户特征集中包括与用户相对应的特征。用户特征集中包括多个特征。用户特征集中包括用户单边特征和用户双边特征。用户单边特征可以是用户本身的特征，用户双边特征为与用户相关联的特征。单边特征可以是用户的性别、年龄；用户双边特征可以购买过的物品的特征，双边特征可以是用户的历史点击记录，购买过的物品SKU。物品特征集可以是点击的各物品对应的SKU，各物品对应的成交率，相似SKU的点击率等。候选物品的的物品品类数量是预先确定的，但是针对不同的目标用户各候选物品的物品展示顺序不同。

在本实施例中，用户特征集和物品特征集中可以包括但不局限于如下至少一种特征：目标用户在预设时间内点击的物品数量，目标用户最近一次点击行为距离当前的时间，用户最近点击一次相同或者相似SKU距离现在的时间；各个SKU对应的浏览数量，当前SKU在预设时间内的用户浏览数量；物品是否为自营商品；物品是否为新品；物品的好评率；物品热度评分值等特征，可以将此类特征作为用户特征集合目标特征集。

服务器可以定时基于各个用户的用户特征集和各个候选物品的物品特征集，确定各个候选物品与用户之间的匹配度，进而基于匹配度向用户推送相应的候选物品。当然，也可以是，在检测到用户触发应用程序时，服务器可以对用户特征集和各个候选物品的物品特征集进行处理，以确定各个候选物品与用户之间的匹配度，基于匹配度向各个用户推送物品。

S120、基于预先训练得到的目标物品推送模型对所述用户特征集和物品特征集进行处理，得到每个候选物品的候选评估值。

其中，目标物品推送模型为预先训练得到的，用于对物品的特征集和用户特征集进行处理，得到各候选物品与用户之间的匹配度值。由于目标物品推送模型是基于物品特征集和用户特征集中各特征重要性程度设定的损失函数训练得到的；特征重要性程度是通过特征重要性评估值来表征的，是基于预先训练得到的待使用物品推送模型来确定的，因此训练得到的目标物品推送模型确定出的结果与用户之间存在较高的匹配度，进而推送的物品与用户之间的匹配度较高。候选评估值是基于目标物品推送模型对用户特征集和物品特征集进行处理后，输出的结果值，该结果值用于表征各物品与目标用户之间的匹配度。

具体的，针对每个候选物品，可以将候选物品的物品特征集和目标用户的用户特征集，输入到预选训练得到的目标物品推送模型中，由于目标物品推送模型中的损失函数是基于各个特征对应的重要性程度来设定的，因此基于目标物品推荐模型得到各个候选物品的评估值时，可以基于候选物品评估值准确反映各个候选物品与用户之间的匹配度。

S130、基于每个候选物品的候选评估值，生成包括至少一个候选物品的展示页面。

具体的，根据各个候选物品的候选评估值，从高往低依次确定各个候选物品的排序，基于排序结果生成包括至少一个候选物品的展示页面。可以将展示页面发送至客户端或者浏览器，以在用户触发客户端或者相应网页时，显示与其相对应的展示页面。

本发明实施例的技术方案，通过预先训练得到的目标物品推送模型对各个候选物品的物品特征和目标用户的用户特征集进行处理，可以确定各个候选物品与用户之间的匹配度。由于目标物品推送模型中的损失函数是基于各个特征对应的重要性程度来设定的，因此基于目标物品推送模型确定出的各个物品的候选评估值与用户之间存在较高的匹配度，进而推送的物品与用户之间的匹配度也较高，达到了提升用户体验的技术效果。

实施例二

图2为本发明实施例二所提供的一种推送物品的方法流程示意图。在前述实施例的基础上，还包括，训练待使用物品推送模型，以基于训练得到的待使用物品推送模型来训练目标物品推送模型。其中，与上述实施例相同或者相应的技术术语在此不再赘述。

如图2所示，所述方法：

S210、获取第一训练样本数据集。

其中，第一训练样本数据集中包括多个第一训练样本数据。为了提高模型的准确性，可以尽可能多的获取样本数据。第一训练样本数据中包括用户特征集，训练物品特征集以及特征集中各个特征对应的训练特征标签。用户特征集中包括多个用户特征，物品特征集中包括物品特征。

在本实施例中，确定各个特征对应的标签，可以基于预先建立的特征-标签映射关系来确定，例如，可以将用户点击并购买的物品的特征标签标记为1，低质量点击的物品对应的特征标签标记为2等，基于预先建立的特征与标签之间的映射关系，确定各个特征对应的特征标签。可以将一组用户特征集、物品特征集以及各个特征对应的特征标签作为一个训练样本数据，即第一训练样本数据。

S220、针对每个第一训练样本数据，将第一训练样本数据中的训练用户特征集、训练物品特征集以及训练特征标签输入至待训练物品推送模型中，得到第一训练样本数据的第一训练评估值。

其中，待训练物品推送模型可以理解为模型的初始化，模型中的参数均是默认值，基于第一训练样本数据调整待训练物品推送模型中的模型参数，从而提高待训练物品模型的准确性。第一训练评估值为将第一训练样本数据输入至待训练物品推送模型中后，待训练物品推送模型的输出结果。

具体的，将第一训练样本数据输入至待训练物品推送模型中，待训练物品推送模型对第一训练样本数据处理，得到与第一待训练样本数据相对应的第一训练评估值。基于待训练物品推送模型依次对第一训练样本数据集中的各个第一待训练样本数据进行处理，得到与每个第一训练样本数据对应的第一训练评估值。

S230、基于各个第一训练样本数据的第一训练评估值以及相应的第一样本评估值，计算损失函数的函数值，根据计算结果对待训练物品推送模型中的网络参数进行调整。

需要说明的是，在对待训练物品推送模型训练之前，可以将物品推送模型的训练参数设置为默认值，即模型参数设置为默认值。对待训练物品推送模型训练时，可以基于待训练物品推送模型的输出结果修正模型中的训练参数，也就是说可以基于预设损失函数对待训练物品推送模型中的训练参数进行修正，得到待使用物品推送模型。

其中，损失函数是根据每个训练特征标签对应的权重值来设置的。在对待训练物品推送模型训练之前，为了提高模型的准确性，可以按照一定的规则设置模型中的损失函数。损失函数设定的规则，可以是确定各特征标签对应的特征数量，基于特征数量的比例关系，设定损失函数中各个特征标签对应的权重值。当然，也可以采用其它方式设定各个特征标签对应的权重值。第一样本评估中是第一训练样本数据中预先设定的，该模型可以输出的结果。

具体的，基于预先设置的损失函数可以对第一训练评估值和第一样本述评估值进行处理，基于处理结果可以修正模型中的模型参数，从而实现对待训练模型进行训练的效果。

S240、将损失函数达到收敛作为训练目标，对待训练物品推送模型进行训练，以得到待使用物品推送模型。

具体的，可以将损失函数的训练误差，即损失参数作为检测损失函数当前是否达到收敛的条件，比如训练误差是否小于预设误差或误差变化趋势是否趋于稳定，或者当前的迭代次数是否等于预设次数。若检测达到收敛条件，比如损失函数的训练误差达到小于预设误差或误差变化趋于稳定，表明待使用物品推送模型训练完成，此时可以停止迭代训练。若检测到当前未达到收敛条件，可以进一步获取样本数据对待训练物品推送模型进行训练，直至损失函数的训练误差在预设范围之内。当损失函数的训练误差达到收敛时，可以将待训练物品推送模型作为待使用物品推送模型。

本发明实施例的技术方案，通过基于各特征标签对应的权重值来确定待训练物品推送模型中的损失函数，基于该损失函数对待训练物品推送模型进行训练得到待使用物品推送模型，进而基于该模型训练得到目标物品推送模型，基于目标物品推送模型确定出与用户匹配度较高的物品，从而提高用户体验的技术效果。

在上述各技术方案的基础上，在训练得到待使用物品推送模型之后，还可以基于校验数据对待使用物品推送模型进行验证，以确定待使用物品推送模型的准确率，当准确率低于预设准确率阈值时，可以再次通过训练样本数据对待使用物品推送模型进行训练，以得到准确率大于等于预设准确率阈值的待使用物品推送模型。

可选的，将获取校验样本数据，将校验样本数据输入至待使用物品推送模型中，可以得到与各个校验样本数据相对应的评估值。基于模型输出的评估值与校验样本数据中的评估值，可以确定该模型的输出结果是否准确。通过统计输出结果准确的数量和总校验样本数据，可以确定待使用物品推送模型的准确率。

当然，为了得到目标物品推送模型，在得到待使用物品推送模型之后，可以基于待使用物品推送模型确定各个特征的重要性，进而基于各个特征的重要性，更新待使用物品推送模型中的模型参数，基于更新后的模型参数训练待使用物品推送模型，以得到目标物品推送模型。

可选的，在得到待使用物品推送模型之后，还包括：基于待使用物品推送模型对第二训练样本数据进行处理，确定第二训练样本数据集中各特征的特征重要性评估值；基于各特征的特征重要性评估值更新待使用物品推送模型中的损失函数，以基于更新后的损失函数训练待使用物品推送模型，得到目标物品推送模型。

其中，第一训练样本数据和第二训练样本数据可以是相同的训练样本数据，也可以是不同的训练样本数据。为了提高确定各特征对应的重要性，可以采用与第一训练样本数据不同的第二训练样本数据。基于第二训练样本数据以及待使用物品推送模型，确定训练样本数据中各特征对应的重要性等级。基于各特征对应的重要性等级可以更新待使用物品推送模型中的损失函数，基于更新后的损失函数训练待使用物品推送模型。这样设置的好处在于，可以进一步对模型进行优化，进而提高了基于模型推送的物品与用户之间的匹配度较高。特征重要性评估值，用于根据待使用物品推送模型的输出结果进行整合处理后，确定该特征是否重要的表征值；即，特征重要性评估值用于表征各特征重要性的等级。当然，第二训练样本数据中依然包括用户特征集、物品特征集以及各个特征对应的特征标签。

在本实施例中，基于待使用物品推送模型对第二训练样本数据进行处理，确定第二训练样本数据集中各个特征的特征重要性评估值，包括：获取第二训练样本数据集中的所有第二训练样本数据；根据各个第二训练样本数据的特征，确定所有第二训练样本数据每个特征对应的特征均值；特征均值是获取每个第二训练样本数据的相应特征进行处理得到的；针对第二训练样本数据中的每个特征，获取任意一个特征作为当前特征，其余特征作为固定特征；固定特征值为相应的特征均值；依次改变当前特征对应的特征值，将当前特征与固定特征输入至待使用物品推送中，得到与当前特征对应的特征重要性评估值；其中，改变当前特征对应的特征值的次数与第二训练样本数据中样本数据的数量相同。

其中，第二训练样本数据中包括用户特征集、物品特征集以及各个特征对应的特征标签。每个训练样本数据中的特征均是相同的，仅是特征对应的内容存在一定的差异。通过对第二训练样本数据集合中每个训练样本数据的相同特征进行处理，得到相同特征相对应的特征均值。例如，假设第二训练样本数据集包括100个训练样本数据，标记为A₁、A₂…A₁₀₀，每个训练样本数据中包括十个特征，标记为A₁(1、2、3…10)，以对其中特征标记为1的特征进行处理为例来介绍，可以是：获取所有第二训练样本数据，即得到100个训练样本数据中特征标记均为1的特征，并对100个特征进行处理，可以得到特征标记为1的特征均值1’，采用相同的方式，可以依次对特征标记为2，特征标记为3…特征标记为10的特征进行处理，得到各个特征对应的特征均值。为了得到每个特征的重要性等级，可以以样本数据中某一个特征作为当前特征，即当前特征为变量，该变量的取值为训练样本数据中当前特征对应的所有特征值，其它特征作为固定特征，来确定当前特征对应的重要性评估值。示例性的，若需要确定特征标识为1的特征重要性等级，可以将特征标识为2至10的特征设定为预先确定与各个特征标识对应的特征均值，将特征标识为1的特征依次选取100个训练样本数据中特征标识为1的特征对应的特征值，得到100个与当前特征相对应的样本数据。将100个样本数据输入至待使用物品推送模型中，可以得到100个评估值，基于100个评估值可以确定当前特征，即特征标识为1的特征所对应的特征重要性评估值。

需要说明的是，上述所列举的样本数据的数量以及特征的数量均是为了便于理解本方案，并不是对其进行的限定。

在本实施例中，确定特征重要性评估值，可以是，在基于待使用物品推送模型得到与当前特征相对应的至少一个评估值后，可以对所有评估值求方差，将得到的方差作为与当前特征相对应的特征重要性评估值。

具体的，针对第二训练样本数据集中每个训练样本数据中的每一个特征值，可以以任意一个特征作为当前特征，其它特征作为固定特征。当前特征为变量，其余的特征设置为预先确定的特征均值。可以将当前特征值依次设置为第二训练样本数据集中的每个训练样本中与当前特征相对应的特征值，并与固定特征进行组合，将组合后的样本数据输入至待使用物品推送模型中得到与当前特征相对应的特征评估值。根据各个与当前特征相对应的特征评估中可以确定与当前特征对应的特征重要性评估值。

在本实施例中，确定各个特征对应的特征重要性评估值主要是可以模型中各特征对应的标签权重值，进而优化模型参数，以使训练的到的模型推送的物品与用户之间的契合度较高，从而提高用户体验的技术效果。

需要说明的是，为了确定各个特征对应的重要性，可以采用上述方式依次确定各个特征对应的方差，进而基于各个特征对应的方差值来确定各个特征的重要性等级。可选的，方差值越大，说明该特征对待使用物品推送模型的输出结果影响越大，该特征就越重要，反之，该特征的重要性等级就越低。

在上述各技术方案的基础上，在确定各个特征的特征重要性评估值之后，还包括：确定各个特征对应的特征标签，基于特征重要性评估值确定与各特征标签相对应的至少一组候选标签权重值，并根据至少一组候选标签权重值更新待使用评估模型中损失函数的标签权重值，得到至少一个待训练候选物品推送模型；通过对每一个待训练候选物品推送模型进行训练，得到各个候选物品推送模型；基于候选物品推送模型对校验样本数据进行处理，根据处理结果从至少一个候选物品推送模型中确定目标物品推送模型。

需要说明的是，每个特征都存在与其相对应的特征标签，在确定各特征对应的特征重要性评估值后，可以依据特征和标签之间的对应关系，确定各个特征对应的特征标签，进而基于特征重要性评估值确定各特征标签对应的标签权重值。当然，为了提高最终得到的目标物品推送模型的准确性，可以基于特征重要性评估值，设定至少两组各标签对应的标签权重值。基于设定的标签权重值，更新待使用物品推送模型中的损失函数。可以将更新损失函数之后的待使用物品推送模型作为待训练候选物品推送模型。待训练候选物品推送模型的数量与标签权重值设定的组数相关，即设定了几组标签权重值，待训练候选物品推送模型的数量就有几个。

具体的，为了提高目标物品推送模型的准确性，可以基于各个特征对应的特征重要性评估值，确定对应特征标签的权重值。设定至少一组各个标签对应的权重值，基于每一组设置的特征标签的权重值，更新待使用评估模型中的损失函数，将更新损失函数后的待使用物品推送模型作为待训练候选物品推送模型。基于训练样本数据对各个待训练候选物品推送模型进行训练，得到各个候选物品推送模型。为了确定各个候选物品推送模型的准确性，可以基于校验样本数据对候选物品推送模型进行处理，基于处理结果可以确定各候选模型的准确率，可以将准确率最高的候选物品推送模型作为目标物品推送模型。

在上述技术方案的基础上，通过对每一个待训练候选物品推送模型进行训练，得到各个候选物品推送模型，包括：获取第三训练样本数据集；第三训练样本数据中包括多个第三训练样本数据；依次将第三训练样本数据输入至待训练候选物品推送模型中，得到与各个第三样本数据相对应第三训练评估值；基于各个第三训练样本数据的第三训练评估值以及相应的第三样本评估值，计算损失函数的函数值，根据计算结果对待训练候选物品推送模型中的网络参数进行调整；将损失函数达到收敛作为训练目标，对待训练候选物品推送模型进行训练，以得到候选物品推送模型。

其中，第三样本数据、第二样本数据以及第一样本数据中包括的数据是相同的，均是用户特征集、物品特征集以及特征标签。

基于第三样本数据对各个待训练候选物品推送模型进行训练，基于输出结果、第三样本评估值以及损失函数，更新候选物品推送模型中的模型参数，在检测到损失函数收敛时，将此时得到的待训练候选物品推送模型作为候选物品推送模型。

在本实施例中，针对每个候选物品推送模型，通过候选物品推送模型对校验样本数据进行处理，得到与候选物品推送模型对应的模型评估值；基于与各个候选物品推送模型对应的模型评估值，确定目标物品推送模型。

其中，模型评估值用于表征各个候选物品推送模型输出结果的准确性。

具体的，针对每一个候选物品推送模型，获取校验样本数据，并将校验样本数据输入至候选物品推送模型中，各个候选物品推送模型可以输出与样本数据相对应的训练评估值，基于各训练评估评估值与样本数据的样本评估值，可以确定候选物品推送模型的输出结果是否准确。根据输出结果准确的数量，以及校验样本数据的数量，可以确定该候选物品推送模型的准确率，并将该准确率作为候选物品推送模型额的模型评估值。采用上述方式依次确定各个候选物品推送模型的模型评估值，进而基于模型评估值筛选出与准确率最高的模型，进而推送的物品与用户之间的契合度最高，从而达到提升用户体验的技术效果。

也就是说，通过候选物品推送模型对校验样本数据进行处理，得到与候选物品推送模型对应的模型评估值，包括：获取校验样本数据；将校验样本数据输入至候选物品推送模型中，得到与各个校验样本数据相对应校验评估值；根据各个校验样本数据的校验评估值，确定与候选物品推送模型对应的模型评估值。

其中，校验评估值可以理解为候选物品推送模型对样本数据处理后，模型输出的结果值。基于校验评估值与样本数据中的评估值，可以确定模型输出的结果是否准确。相应的，根据输出结果准确的数量以及校验样本的总数量，可以确定该模型对应的准确率，即模型的模型评估值。

可选的，所述基于与各个候选物品推送模型对应的模型评估值，确定目标物品推送模型，包括：根据与各个候选物品推送模型对应的模型评估值，确定模型评估值最高时对应的候选物品推送模型，并作为目标物品推送模型。

具体的，根据各个候选物品推送模型对应的模型评估值，可以将模型评估值最高时对应的候选物品推送模型作为目标物品推送模型，这样设置的好处在于可以从所有候选物品推送模型中选择出准确率最高的模型，进而提高推送的物品与用户之间的匹配度的技术效果。

S250、获取目标用户的目标用户特征集以及各个候选物品的候选物品特征集。

S260、基于预先训练得到的目标物品推送模型对用户特征集和物品特征集进行处理，得到每个候选物品的候选评估值。

S270、基于每个候选物品的候选评估值，生成包括至少一个候选物品的展示页面。

本发明实施例的技术方案，通过基于各特征标签对应的权重值来确定待训练物品推送模型中的损失函数，基于该损失函数对待训练物品推送模型进行训练得到待使用物品推送模型，进而基于该模型训练得到目标物品推送模型，基于目标物品推送模型确定出与用户匹配度较高的物品，从而提高用户体验的技术效果。

实施例三

图3为本发明实施例四提供的一种推送物品的装置结构示意图。如图3所示，所述装置包括：特征集获取模块310、候选评估值确定模块320以及页面展示模块330。

其中，特征集获取模块310，用于获取目标用户的目标用户特征集以及各个候选物品的候选物品特征集；候选评估值确定模块320，用于基于预先训练得到的目标物品推送模型对所述用户特征集和物品特征集进行处理，得到每个候选物品的候选评估值；页面展示模块330，用于基于每个候选物品的候选评估值，生成包括至少一个候选物品的展示页面；其中，目标物品推送模型是基于物品特征集和用户特征集中各特征重要性程度设定的损失函数训练得到的。

本发明实施例的技术方案，通过将目标用户的用户特征集和候选物品的物品特征集输入至预先训练得到的目标物品推荐模型中，得到与目标用户匹配度较高的物品，进而向其推送，提高了推送物品与用户之间的匹配度，进而提高用户体验的技术效果。

在上述技术方案的基础上，所述特征重要性程度是通过特征重要性评估值来表征的，是基于预先训练得到的待使用物品推送模型来确定的。

在上述各技术方案的基础上，所述装置还包括：待使用物品模型训练模块，用于训练待使用物品推送模型；

待使用物品模型训练模块，还用于获取第一训练样本数据集；第一训练样本数据集中包括多个第一训练样本数据；每个第一训练样本数据中包括训练用户特征集、训练物品特征集，以及与各个特征对应的训练特征标签；用户特征集中包括至少一个用户特征，物品特征集中包括至少一个物品特征；针对每个第一训练样本数据，将第一训练样本数据中的训练用户特征集、训练物品特征集以及训练特征标签输入至待训练物品推送模型中，得到第一训练样本数据的第一训练评估值；基于各个第一训练样本数据的第一训练评估值以及相应的第一样本评估值，计算损失函数的函数值，根据计算结果对所述待训练物品推送模型中的网络参数进行调整；所述损失函数的中的参数是根据每个训练特征标签对应的权重值来设置的；将所述损失函数达到收敛作为训练目标，对所述待训练物品推送模型进行训练，以得到所述待使用物品推送模型。

在上述各技术方案的基础上，待使用物品模型训练模块，在用于得到所述待使用物品推送模型之后，还用于：

基于所述待使用物品推送模型对第二训练样本数据进行处理，确定第二训练样本数据集中各特征的特征重要性评估值；基于各特征的特征重要性评估值更新所述待使用物品推送模型中的损失函数参数，以基于更新后的损失函数训练所述待使用物品推送模型，得到目标推送模型。

在上述各技术方案的基础上，待使用物品模型训练模块，还用于获取第二训练样本数据集中的所有第二训练样本数据；根据各个第二训练样本数据的特征，确定所有第二训练样本数据每个特征对应的特征均值；所述特征均值是获取每个第二训练样本数据的相应特征进行处理得到的；针对第二训练样本数据中的每个特征，获取任意一个特征作为当前特征，其余特征作为固定特征；所述固定特征值为相应的特征均值；依次改变所述当前特征对应的特征值，将所述当前特征与所述固定特征输入至所述待使用物品推送中，得到与当前特征对应的特征重要性评估值；其中，改变所述当前特征对应的特征值的次数与所述第二训练样本数据中样本数据的数量相同。

在上述各技术方案的基础上，待使用物品模型训练模块，还用于：

针对每一个当前特征对应的自变量，将所述当前特征以及所述固定特征输入至所述待使用物品推送模型中，得到与当前自变量对应的当前评估值；基于各个自变量的当前评估值，确定所述当前特征的特征重要性评估值。

在上述各技术方案的基础上，待使用物品模型训练模块，还用于：确定各个特征对应的特征标签，基于所述特征重要性评估值确定与各特征标签相对应的至少一组候选标签权重值，并根据所述至少一组候选标签权重值更新所述待使用评估模型中损失函数的标签权重值，得到至少一个待训练候选物品推送模型；通过对每一个待训练候选物品推送模型进行训练，得到各个候选物品推送模型；基于所述候选物品推送模型对校验样本数据进行处理，根据处理结果从至少一个候选物品推送模型中确定所述目标物品推送模型。

在上述各技术方案的基础上，所述装置还包括候选物品推送模型训练模块，用于获取第三训练样本数据集；第三训练样本数据中包括多个第三训练样本数据；依次将所述第三训练样本数据输入至待训练候选物品推送模型中，得到与各个第三样本数据相对应第三训练评估值；基于各个第三训练样本数据的第三训练评估值以及相应的第三样本评估值，计算损失函数的函数值，根据计算结果对所述待训练候选物品推送模型中的网络参数进行调整；将所述损失函数达到收敛作为训练目标，对所述待训练候选物品推送模型进行训练，以得到候选物品推送模型。

在上述各技术方案的基础上，所述候选物品推送模型训练模块，还用于针对每个候选物品推送模型，通过候选物品推送模型对校验样本数据进行处理，得到与候选物品推送模型对应的模型评估值；

基于与各个候选物品推送模型对应的模型评估值，确定目标物品推送模型。

在上述各技术方案的基础上，所述装置还包括模型校验模块，用于：获取校验样本数据；将所述校验样本数据输入至所述候选物品推送模型中，得到与各个校验样本数据相对应校验评估值；根据各个校验样本数据的校验评估值，确定与所述候选物品推送模型对应的模型评估值。

在上述各技术方案的基础上，所述装置还包括模型确定模块，用于根据与各个候选物品推送模型对应的模型评估值，确定模型评估值最高时对应的候选物品推送模型，并作为目标物品推送模型。

本发明实施例所提供的推送物品的装置可执行本发明任意实施例所提供的推送物品的方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。

实施例四

图4为本发明实施例四提供的一种设备的结构示意图。图4示出了适于用来实现本发明实施例实施方式的示例性设备40的框图。图4显示的设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，设备40以通用计算设备的形式表现。设备40的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。

总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备40访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。

设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该设备40交互的设备通信，和/或与使得该设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且，设备40还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器412通过总线403与设备40的其它模块通信。应当明白，尽管图4中未示出，可以结合设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的推送物品的方法。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行推送物品的方法。

该方法：

获取目标用户的目标用户特征集以及各个候选物品的候选物品特征集；

基于预先训练得到的目标物品推送模型对所述用户特征集和物品特征集进行处理，得到每个候选物品的候选评估值；

基于每个候选物品的候选评估值，生成包括至少一个候选物品的展示页面；

其中，目标物品推送模型是基于物品特征集和用户特征集中各特征重要性程度设定的损失函数训练得到的。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。

计算机可读的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。计算机可读的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——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

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发明实施例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)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (14)

1.一种推送物品的方法，其特征在于，包括：

获取目标用户的目标用户特征集以及各个候选物品的候选物品特征集；

基于预先训练得到的目标物品推送模型对所述用户特征集和物品特征集进行处理，得到每个候选物品的候选评估值；

基于每个候选物品的候选评估值，生成包括至少一个候选物品的展示页面；

其中，目标物品推送模型是基于物品特征集和用户特征集中各特征重要性程度设定的损失函数训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述特征重要性程度是通过特征重要性评估值来表征的，是基于预先训练得到的待使用物品推送模型来确定的。

3.根据权利要求2所述的方法，其特征在于，还包括：训练待使用物品推送模型；

所述训练待使用物品推送模型，包括：

获取第一训练样本数据集；第一训练样本数据集中包括多个第一训练样本数据；每个第一训练样本数据中包括训练用户特征集、训练物品特征集，以及与各个特征对应的训练特征标签；用户特征集中包括至少一个用户特征，物品特征集中包括至少一个物品特征；

针对每个第一训练样本数据，将第一训练样本数据中的训练用户特征集、训练物品特征集以及训练特征标签输入至待训练物品推送模型中，得到第一训练样本数据的第一训练评估值；

基于各个第一训练样本数据的第一训练评估值以及相应的第一样本评估值，计算损失函数的函数值，根据计算结果对所述待训练物品推送模型中的网络参数进行调整；所述损失函数是根据每个训练特征标签对应的权重值来设置的；

将所述损失函数达到收敛作为训练目标，对所述待训练物品推送模型进行训练，以得到所述待使用物品推送模型。

4.根据权利要求2所述的方法，其特征在于，在得到所述待使用物品推送模型之后，还包括：

基于所述待使用物品推送模型对第二训练样本数据进行处理，确定第二训练样本数据集中各特征的特征重要性评估值；

基于各特征的特征重要性评估值更新所述待使用物品推送模型中的损失函数，以基于更新后的损失函数训练所述待使用物品推送模型，得到目标物品推送模型。

5.根据权利要求4所述的方法，其特征在于，所述基于所述待使用物品推送模型对第二训练样本数据进行处理，确定第二训练样本数据集中各特征的特征重要性评估值，包括：

获取第二训练样本数据集中的所有第二训练样本数据；

根据各个第二训练样本数据的特征，确定所有第二训练样本数据每个特征对应的特征均值；所述特征均值是获取每个第二训练样本数据的相应特征进行处理得到的；

针对第二训练样本数据中的每个特征，获取任意一个特征作为当前特征，其余特征作为固定特征；所述固定特征值为相应的特征均值；

依次改变所述当前特征对应的特征值，将所述当前特征与所述固定特征输入至所述待使用物品推送中，得到与当前特征对应的特征重要性评估值；

其中，改变所述当前特征对应的特征值的次数与所述第二训练样本数据中样本数据的数量相同。

6.根据权利要求5所述的方法，其特征在于，所述当前特征作为自变量；所述自变量的取值为所有第二训练样本数据中当前特征对应的特征值；所述依次改变所述当前特征对应的特征值，将所述当前特征与所述固定特征输入至所述待使用评估模型中，得到与当前特征对应的特征重要性评估值，包括：

针对每一个当前特征对应的自变量，将所述当前特征以及所述固定特征输入至所述待使用物品推送模型中，得到与当前自变量对应的当前评估值；

基于各个自变量的当前评估值，确定所述当前特征的特征重要性评估值。

7.根据权利要求5所述的方法，其特征在于，在得到各个特征的特征重要性评估值之后，还包括：

确定各个特征对应的特征标签，基于所述特征重要性评估值确定与各特征标签相对应的至少一组候选标签权重值，并根据所述至少一组候选标签权重值更新所述待使用物品推送模型中损失函数的标签权重值，得到至少一个待训练候选物品推送模型；

通过对每一个待训练候选物品推送模型进行训练，得到各个候选物品推送模型；

基于所述候选物品推送模型对校验样本数据进行处理，根据处理结果从至少一个候选物品推送模型中确定所述目标物品推送模型。

8.根据权利要求7所述的方法，其特征在于，所述通过对每一个待训练候选物品推送模型进行训练，得到各个候选物品推送模型，包括：

获取第三训练样本数据集；第三训练样本数据中包括多个第三训练样本数据；

依次将所述第三训练样本数据输入至待训练候选物品推送模型中，得到与各个第三样本数据相对应第三训练评估值；

基于各个第三训练样本数据的第三训练评估值以及相应的第三样本评估值，计算损失函数的函数值，根据计算结果对所述待训练候选物品推送模型中的网络参数进行调整；

将所述损失函数达到收敛作为训练目标，对所述待训练候选物品推送模型进行训练，以得到候选物品推送模型。

9.根据权利要求7所述的方法，其特征在于，所述基于所述候选物品推送模型对校验样本数据进行处理，根据处理结果从至少一个候选物品推送模型中确定所述目标物品推送模型，包括：

针对每个候选物品推送模型，通过候选物品推送模型对校验样本数据进行处理，得到与候选物品推送模型对应的模型评估值；

基于与各个候选物品推送模型对应的模型评估值，确定目标物品推送模型。

10.根据权利要求9所述的方法，其特征在于，所述通过候选物品推送模型对校验样本数据进行处理，得到与候选物品推送模型对应的模型评估值，包括：

获取校验样本数据；

将所述校验样本数据输入至所述候选物品推送模型中，得到与各个校验样本数据相对应校验评估值；

根据各个校验样本数据的校验评估值，确定与所述候选物品推送模型对应的模型评估值。

11.根据权利要求9所述的方法，其特征在于，所述基于与各个候选物品推送模型对应的模型评估值，确定目标物品推送模型，包括：

根据与各个候选物品推送模型对应的模型评估值，确定模型评估值最高时对应的候选物品推送模型，并作为目标物品推送模型。

12.一种推送物品的装置，其特征在于，包括：

特征集获取模块，用于获取目标用户的目标用户特征集以及各个候选物品的候选物品特征集；

候选评估值确定模块，用于基于预先训练得到的目标物品推送模型对所述用户特征集和物品特征集进行处理，得到每个候选物品的候选评估值；

页面展示模块，用于基于每个候选物品的候选评估值，生成包括至少一个候选物品的展示页面；

其中，目标物品推送模型是基于物品特征集和用户特征集中各特征重要性程度设定的损失函数训练得到的。

13.一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11中任一所述的推送物品的方法。

14.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-11中任一所述的推送物品的方法。

Images