CN114169938A - 信息推送方法、装置、设备及存储介质 - Google Patents
信息推送方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114169938A CN114169938A CN202111520757.XA CN202111520757A CN114169938A CN 114169938 A CN114169938 A CN 114169938A CN 202111520757 A CN202111520757 A CN 202111520757A CN 114169938 A CN114169938 A CN 114169938A
- Authority
- CN
- China
- Prior art keywords
- information
- advertisement
- neural network
- target
- user relationship
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能技术领域,提供一种信息推送方法、装置、设备及存储介质,该方法包括:通过获取参与课程活动事件的多个学员的学员信息;根据多个学员信息中的用户关系信息、课程活动信息和技能学习信息,构建课程活动事件对应的异构图;将多个异构图作为训练样本,对预设的图神经网络进行迭代训练,得到训练好的异构图神经网络;获取待推广广告的标签信息,标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关;将标签信息输入至异构图神经网络进行预测,以确定多个目标用户,并向多个目标用户推送待推广广告。本申请还涉及区块链技术,能够实现广告信息的精准投放,提高广告信息的转化率。
Description
技术领域
本申请涉及智能决策的技术领域,尤其涉及一种信息推送方法、装置、设备及存储介质。
背景技术
线上教育场景中,常会结合课程内容推送相关产品的广告信息供学员选购。例如在地理课程中根据本次课程涉及的地区推送旅游广告等。但是现有广告信息的推送都局限于学员,受众非常有限。为了解决这一问题,现有的方法也会将生成的广告信息随机地推送给其他非学员,例如是正在浏览课程的用户、在线上教育平台注册过账号的用户等。但是向这些用户推送广告信息能获得的有效反馈非常有限,广告信息的转化率不高。
发明内容
本申请的主要目的在于提供一种信息推送方法、装置、设备及存储介质,旨在实现广告信息的精准投放,提高广告信息的转化率。
第一方面,本申请提供一种信息推送方法,包括:
获取参与课程活动事件的多个学员的学员信息;
根据多个所述学员信息中的用户关系信息、课程活动信息和技能学习信息,构建所述课程活动事件对应的异构图;
将多个所述异构图作为训练样本,对预设的图神经网络进行迭代训练,得到训练好的异构图神经网络;
获取待推广广告的标签信息,所述标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关;
将所述标签信息输入至所述异构图神经网络进行预测,以确定多个目标用户,并向多个所述目标用户推送所述待推广广告。
第二方面,本申请还提供一种信息推送装置,所述信息推送装置包括:
获取模块,用于获取参与课程活动事件的多个学员的学员信息;
构建模块,用于根据多个所述学员信息中的用户关系信息、课程活动信息和技能学习信息,构建所述课程活动事件对应的异构图;
训练模块,用于将多个所述异构图作为训练样本,对预设的图神经网络进行迭代训练,得到训练好的异构图神经网络;
所述获取模块,还用于获取待推广广告的标签信息,所述标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关;
确定模块,用于将所述标签信息输入至所述异构图神经网络进行预测,以确定多个目标用户;
推送模块,用于向多个所述目标用户推送所述待推广广告。
第三方面,本申请还提供一种计算机设备,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如上所述的信息推送方法的步骤。
第四方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如上所述的信息推送方法的步骤。
本申请提供一种信息推送方法、装置、设备及存储介质,本申请通过获取参与课程活动事件的多个学员的学员信息;根据多个学员信息中的用户关系信息、课程活动信息和技能学习信息,构建课程活动事件对应的异构图;将多个异构图作为训练样本,对预设的图神经网络进行迭代训练,得到训练好的异构图神经网络;获取待推广广告的标签信息,标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关;将标签信息输入至异构图神经网络进行预测,以确定多个目标用户,并向多个目标用户推送待推广广告。通过学员信息构建异构图作为训练样本,训练出性能更高的异构图神经网络,从而准确查找出目标用户,能够实现广告信息的精准投放,提高广告信息的转化率。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种信息推送方法的步骤流程示意图;
图2为图1中的信息推送方法的子步骤流程示意图;
图3为实施本实施例提供的异构图的一示意图;
图4为本申请实施例提供的一种信息推送装置的示意性框图;
图5为图4中的信息推送装置的子模块的示意性框图;
图6为本申请实施例提供的一种计算机设备的结构示意性框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。另外,虽然在装置示意图中进行了功能模块的划分,但是在某些情况下,可以以不同于装置示意图中的模块划分。
本申请实施例提供一种信息推送方法、装置、设备及存储介质。其中,该信息推送方法可应用于终端设备或服务器中,该终端设备可以为手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备;该服务器可以为单台的服务器,也可以为由多台服务器组成的服务器集群。以下以该信息推送方法应用于服务器为例进行解释说明。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本申请实施例提供的一种信息推送方法的步骤流程示意图。
如图1所示,该信息推送方法包括步骤S101至步骤S105。
步骤S101、获取参与课程活动事件的多个学员的学员信息。
其中,学员信息包括用户关系信息、课程活动信息和技能学习信息。课程活动事件包括教学单位或教育机构举办的在线课程或者线下课程活动,例如直播课、录播课、公开课、随堂练习课、户外教育课等。
现有技术中,为了进行精准化营销,广告信息推送的方式有多种,例如会根据广告信息的特征数据对用户进行选定,从而挖掘出目标用户,但这种用户分类方式无法准确地获取低活跃度用户的用户特征,降低了选定用户的精确性,从而降低了广告信息的推送精确性。
本申请实施例通过用户关系信息、课程活动信息和技能学习信息构建异构图,将异构图作为训练样本对图神经网络进行迭代训练得到异构图神经网络,再通过异构图神经网络预测对待推广广告感兴趣的多个目标用户,从而能够向多个目标用户推送待推广广告,通过人工智能相关技术手段提高了选定用户的精确性,并提高了广告信息的推送精确性。
在一实施例中,从参与课程活动事件的学员的个人信息表中获取对应学员的学员信息,得到多个学员的学员信息。示例性的,确定在教育平台上购买课程产品以及参与课程体验活动的多个历史学员,并获取多个历史学员的个人信息表,从历史学员的个人信息表中获取对应学员的学员信息,学员信息包括历史学员在填写个人信息表时记录的用户关系信息、课程活动信息、技能学习信息等数据信息。
其中,用户关系信息是指学员与其他用户之间的人脉关系信息,包括职级关系信息、亲属关系信息、朋友关系信息和同学关系信息等。课程活动信息是指一种教育性经验,是对主体产生积极影响的各种因素的总和,包括文化课程、活动课程、实践课程、隐性课程等。如,培训类课程、销售训练营、考证培训班、职场技能。技能学习信息是指个体运用已有的知识经验,通过练习而形成的一定的动作方式或智力活动方式,包括职业技能、智力技能和运动技能等。如,羽毛球、篮球、车辆驾驶、织毛衣如心算、写作构思、工程设计等。
在一实施例中,学员的个人信息表存储于hadoop平台的hive数据表中,并保存在hdfs(The Hadoop Distributed File System)存储介质中。具体地,获取学员的个人信息表,对个人信息表中的多个数据信息进行过滤处理,得到学员的学员信息。其中,过滤处理包括过滤异常数据和线上测试数据,异常数据的过滤方式包括箱型图法,线上测试数据的过滤方式根据测试业务逻辑过滤,比如过滤某个测试公司的数据,某个测试组织的数据,本实施例对此不做具体限定。
在一实施例中,获取学员的学员信息之后,对学员信息进行数据来源的合法性验证,合法性验证包括对学员信息中的数据来源证明数据(例如含签名值或消息认证值)进行验证,并在合法性验证通过之后执行后续步骤。需要说明的是,学员的学员信息需要经用户授权才能获取,避免非法获取数据及用户隐私问题。
需要说明的是,为进一步保证上述学员信息等相关信息的私密和安全性,上述学员信息等相关信息还可以存储于一区块链的节点中,本申请的技术方案还可适用于添加其他存储于区块链上的数据文件。本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
步骤S102、根据多个学员信息中的用户关系信息、课程活动信息和技能学习信息,构建课程活动事件对应的异构图。
需要说明的是,用户关系信息、课程活动信息、技能学习信息等数据信息属于不同的数据类型。将不同数据类型的用户关系信息、课程活动信息、技能学习信息作为节点进行连接可以得到异构图。例如,用户-课程-技能,可以理解为用户学习了该课程掌握了对应的技能,技能是用户通过相应的课程活动学习而来的。
在一实施例中,课程活动事件可以是一个或多个,参与每个课程活动事件的学员为多个;将多个课程活动事件对应的学员的学员信息进行聚合,得到学员信息集合;根据学员信息集合,构建由用户关系信息、课程活动信息和技能学习信息组成的异构图,得到一个或多个课程活动事件对应的一个异构图。在后续步骤中,异构图作为训练样本参与模型训练,因此需要批量的学员信息来构建多个异构图,保证后续模型训练的训练效果。
在一实施例中,如图2所示,步骤S102包括:子步骤S1021至子步骤S1023。
子步骤S1021、将每个学员信息中的用户关系信息、课程活动信息和技能学习信息作为节点,得到节点集合。
将每个学员信息中的用户关系信息、课程活动信息和技能学习信息作为节点,得到三种不同数据类型的多个节点,将该三种不同数据类型的多个节点组合为节点集合。
示例性的,如图3所示,用户关系信息为a节点,课程活动信息为b节点,技能学习信息为c节点,多个a节点、b节点和c节点组成节点集合。
子步骤S1022、确定每两个节点之间的关联关系,得到关联关系集合。
其中,用户关系信息、课程活动信息、技能学习信息之间存在关联关系。例如:甲-英语课-口语技能,表示甲学习了英语课程并掌握了对应的口语技能。
示例性的,如图3所示,用户关系信息为a节点,a节点表示用户甲,课程活动信息为b节点,b节点表示英语课,技能学习信息为c节点,c节点表示口语技能。因此,a节点与b节点之间存在关联关系,b节点与c节点之间存在关联关系,多个a节点、b节点和c节点中的每两个节点之间的关联关系组成关联关系集合。
子步骤S1023、根据节点集合和关联关系集合,构建课程活动事件对应的异构图。
其中,将用户关系信息、课程活动信息、技能学习信息作为节点,如果任意两个节点之间存在关联关系,则将该两个节点进行连接,直至存在关联关系的两个节点均完成连接,得到获取多种类型数据的节点和边组成的异构的结构信息,即异构图。
示例性的,异构图G=(V,E,OV,RE),其中,V表示节点集合,E表示关联关系集合,OV表示为节点的类型集合,RE表示为关联关系的类型集合。此外,每个节点还包含异构的数据内容信息,例如实体属性或者是类型信息,课程活动信息的实体属性包括课程类别、课程价格、课程时长、任课教师等,用户关系信息的实体属性包括学员姓名、性别、年龄、职业、以及职级关系信息、亲属关系信息、朋友关系信息和同学关系信息等,技能学习信息的实体属性包括技能等级、技能受欢迎度等。
在一实施例中,根据节点集合和关联关系集合,构建课程活动事件对应的异构图,包括:生成节点集合中的多个目标节点的散点图;根据关联关系集合,对散点图中的多个目标节点进行连接;将完成连接的散点图作为异构图。需要说明的是,通过节点集合和关联关系集合,能够准确地在散点图完成目标节点之间的连接,快速得到作为训练样本的异构图。
示例性的,如图3所示,在空白图上标记节点集合中的多个目标节点,包括多个a节点、b节点和c节点,得到散点图;根据多个a节点、b节点和c节点中的每两个节点之间的关联关系,对散点图中的多个a节点、b节点和c节点之间进行连接;当关联关系集合中的每个关联关系都存在对应的连线或者边时,确定完成连接,并将完成连接的散点图作为异构图。
在一实施例中,根据关联关系集合,对散点图中的多个目标节点进行连接,包括:根据关联关系集合中的每两个节点之间的关联关系,确定每两个目标节点之间的元路径;根据每两个目标节点之间的元路径,对散点图中的多个目标节点进行连线。
示例性的,异构图包括多个元路径Φ,元路径Φ是定义在异构图的网络架构G=(V,E)中的,以进行表示,能够用于表征节点A1到Al之间的关联关系其中是关联关系的运算符。本申请实施例根据关联关系集合中的每两个节点之间的关联关系,确定每两个目标节点之间的元路径;以目标节点之间的元路径为基本单元,对散点图中的多个目标节点进行连线,极大提高构建的异构图的准确性。
步骤S103、将多个异构图作为训练样本,对预设的图神经网络进行迭代训练,得到训练好的异构图神经网络。
其中,图神经网络(GNN)包括图注意力网络(Graph Attention Network(GAT))和图卷积网络(Graph Convolution Networks,GCN)等。通过多个异构图作为训练样本对预设的图神经网络进行迭代训练,直至图神经网络收敛,能够得到性能良好的异构图神经网络。
在一实施例中,图神经网络包括异构图注意力网络;将多个异构图作为训练样本,对预设的图神经网络进行迭代训练,得到训练好的异构图神经网络,包括:将异构图作为训练样本输入至异构图注意力网络,得到节点级别的第一输出权重和语义级别的第二输出权重;根据第一输出权重和第二输出权重,计算异构图注意力网络的模型损失值;基于模型损失值更新异构图注意力网络的模型参数;根据多个异构图对更新的异构图注意力网络进行迭代训练;当确定更新的异构图注意力网络处于收敛状态时,停止对更新的异构图注意力网络进行迭代训练;将停止迭代训练的异构图注意力网络作为训练好的异构图神经网络。
其中,确定异构图注意力网络的迭代次数是否达到预设迭代次数,若确定异构图注意力网络的迭代次数达到预设迭代次数,则确定异构图注意力网络处于收敛状态;若确定异构图注意力网络的迭代次数未达到预设迭代次数,则确定异构图注意力网络未处于收敛状态;或者,确定异构图注意力网络的迭代时间是否大于等于预设迭代时间,若异构图注意力网络的迭代时间大于等于预设迭代时间,则确定异构图注意力网络处于收敛状态;若异构图注意力网络的迭代时间小于预设迭代时间,则确定异构图注意力网络未处于收敛状态。预设迭代时间和预设迭代次数可由用户灵活设置,本申请实施例不做具体限定。
在一实施例中,若确定异构图注意力网络未处于收敛状态,则根据作为训练样本的异构图继续对异构图注意力网络进行训练,直至更新后的异构图注意力网络收敛。
需要说明的是,基于自注意力机制的异构图注意力网络考虑了节点级注意力和语义级注意力。具体来说,给定作为训练样本的异构图的节点特征作为输入,使用转换矩阵将不同类型的节点特征投影到同一空间;节点级注意力能够学习节点与其基于元路径的邻居之间的注意值,语义级注意能够学习异构图中特定任务的不同元路径的注意值,得到节点级别的第一输出权重和语义级别的第二输出权重;基于得到节点级别的第一输出权重和语义级别的第二输出权重,异构图注意力网络能够以分层的方式得到邻居和多个元路径的最优组合,使得学习节点嵌入能够更好地捕获异构图中复杂的结构和丰富的语义信息;通过端到端的反向传播,对整个模型进行优化,得到训练好的异构图神经网络。
示例性的,若异构图中的i表示不同类型的节点,hi表示节点i的特征。由于不同的节点i有不同维度的属性,所以需要将节点的特征hi映射到同一个空间。通过预设的转换矩阵对hi进行映射,使不同类型的节点特征在同一空间,得到attnode表示执行节点级注意的深度神经网络,而基于元路径Φ的节点对(i,j)的权重为利用语义级别注意力来学习语义的重要性,并融合多个语义下的节点,因此语义级注意力的深度神经网络的表示为其中attsem表示执行语义级别关注的深度神经网络,为节点级别的第一输出权重;语义级别的注意力可以获取各种类型的语义信息,将这些语义特定的嵌入进行融合,得到最终的嵌入Z:Z为语义级别的第二输出权重。
在一实施例中,可以根据实际情况设计不同的损失函数,例如,最小化有标签节点的预测类标签分布与真实类标签的交叉熵,得到异构图注意力网络的模型损失值其中,C是预设的分类器参数,yyL是有标签节点的索引集,Yl和Zl分别为有标签节点的标签和嵌入。
需要说明的是,通过反向传播算法和学得的节点嵌入优化异构图注意力网络的模型参数。最后进行多次不断地迭代优化损失函数,直到迭代次数截止或者损失函数不再变化,得到训练好的异构图神经网络。
步骤S104、获取待推广广告的标签信息。
其中,标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关。例如,标签信息包括用户关系信息、课程活动信息和/或技能学习信息等数据信息。
其中,待推广广告可以是与课程活动事件相关的产品、品牌、服务的广告信息,标签信息可以是与待推广广告相关的标签或画像。例如待推广广告为在地理课程涉及地区推送的旅游广告,则标签信息可以是对旅游地区感兴趣者、旅游爱好者、相关口语课程、旅游地区信息、相关出行信息等;或者,待推广广告为羽毛球课程涉及的羽毛球拍的广告信息,则标签信息可以是羽毛球爱好者,羽毛球课程活动,初级羽毛球技能、羽毛球拍发售地区范围等;或者,待推广广告为健身课程相关的健康食品的推荐广告等,则标签信息可以是健康食品爱好者,健身课程活动,养生课程活动,营养师技能、健身教练证书、食品商家信息等。本实施例对此不做具体限定。
在一实施例中,获取待推广广告,并从待推广广告中提取广告信息;根据该广告信息获取待推广广告的标签信息。其中,确定标签信息包括广告词、目标广告对象、广告商、广告产品等特征信息。
步骤S105、将标签信息输入至异构图神经网络进行预测,以确定多个目标用户,并向多个目标用户推送待推广广告。
其中,待推广广告的推广方式可以是邮件、短信、APP消息、电话推广。通过异构图神经网络可以准确预测对待推广广告感兴趣的多个目标用户,从而准确的实现广告信息的精确投放,提高广告信息的转化率。
示例性的,待推广广告的标签信息与课程活动信息相关,将课程活动信息相关的标签信息输入到已经训练好的异构图神经网络,根据异构图神经网络的预测输出,确定可能对这些课程活动信息感兴趣的多个第一用户,并根据多个第一用户的用户关系信息确定多个目标用户;或者,待推广广告的标签信息与技能学习信息相关,将技能学习信息相关的标签信息作为异构图神经网络的输入,根据异构图神经网络的预测输出,确定可能对这些课程感兴趣的多个第二用户,并根据多个第二用户的用户关系信息确定多个目标用户。
示例性的,待推广广告的标签信息与技能学习信息以及用户关系信息相关,将技能学习信息和用户关系信息相关的标签信息作为模型的输入,根据模型的预测输出,输出该用户可能感兴趣的课程活动信息,并根据课程活动信息确定多个目标用户。
在一实施例中,将标签信息输入至异构图神经网络进行预测,以确定多个目标用户,包括:将标签信息输入至异构图神经网络进行处理,得到多个用户关系信息与每个用户关系信息的权重值;根据每个用户关系信息的权重值,从多个多个用户关系信息中选取目标用户关系信息;根据目标用户关系信息,确定多个目标用户。
需要说明的是,将待推广广告的标签信息输入至异构图注意力网络进行处理,通过异构图注意力网络输出多个用户信息对应的权重,根据多个用户信息对应的权重,确定多个目标用户。例如选取出权重大于或等于预设权重阈值的多个权重对应的目标用户信息,并根据目标用户信息确定多个目标用户。其中,预设权重阈值可以根据实际情况进行设置,从而能够灵活地调整筛选出的多个目标用户的数量,避免向不感兴趣的用户投放广告,减少广告成本,提高广告收益。
示例性的,待推广广告为销售培训课程的广告,用户关系信息包括同事关系信息,例如职位信息,目标用户根据异构图神经网络和职位信息进行预测得到,向多个公司的销售岗位的职员推送该销售培训课程的广告,从而准确的实现广告信息的精确投放,提高广告信息的转化率。有利的,员工职业能力是企业的发展息息相关,有效的向部门中员工推送更多、更好的广告信息将显得十分必要。
在一实施例中,向多个目标用户推送待推广广告,包括:根据待推广广告的标签信息,对多个目标用户进行分组,得到多个用户组;根据每个用户组的分组信息,对待推广广告进行调整,以生成每个用户组各自对应的目标广告;将目标广告发送给各自对应的用户组中的多个目标用户。
示例性的,待推广广告的标签信息为用户关系信息,用户关系信息包括职级关系信息、亲属关系信息、朋友关系信息和同学关系信息;根据该多种用户关系信息对多个目标用户进行分类,使得每个用户组对应一种用户关系信息;再根据每种用户关系信息对待推广广告进行调整,以生成多个目标广告,使得目标广告贴合对应的用户组中的多个目标用户,有利于提高广告信息的转化率,将目标广告发送给各自对应的用户组中的多个目标用户,从而准确的实现广告信息的精确投放。
上述实施例提供的信息推送方法,通过获取参与课程活动事件的多个学员的学员信息;根据多个学员信息中的用户关系信息、课程活动信息和技能学习信息,构建课程活动事件对应的异构图;将多个异构图作为训练样本,对预设的图神经网络进行迭代训练,得到训练好的异构图神经网络;获取待推广广告的标签信息,标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关;将标签信息输入至异构图神经网络进行预测,以确定多个目标用户,并向多个目标用户推送待推广广告。通过学员信息构建异构图作为训练样本,训练出性能更高的异构图神经网络,从而准确查找出目标用户,能够实现广告信息的精准投放,提高广告信息的转化率。
请参照图4,图4为本申请实施例提供的一种信息推送装置的示意性框图。
如图4所示,该信息推送装置200,包括:获取模块201、构建模块202、训练模块203、确定模块204和推送模块205。
获取模块201,用于获取参与课程活动事件的多个学员的学员信息;
构建模块202,用于根据多个所述学员信息中的用户关系信息、课程活动信息和技能学习信息,构建所述课程活动事件对应的异构图;
训练模块203,用于将多个所述异构图作为训练样本,对预设的图神经网络进行迭代训练,得到训练好的异构图神经网络;
所述获取模块201,还用于获取待推广广告的标签信息,所述标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关;
确定模块204,用于将所述标签信息输入至所述异构图神经网络进行预测,以确定多个目标用户;
推送模块205,用于向多个所述目标用户推送所述待推广广告。
在一个实施例中,如图5所示,构建模块202包括:
获取子模块2021,用于将每个所述学员信息中的用户关系信息、课程活动信息和技能学习信息作为节点,得到节点集合;
确定子模块2022,用于确定每两个所述节点之间的关联关系,得到关联关系集合;
构建子模块2023,用于根据所述节点集合和所述关联关系集合,构建所述课程活动事件对应的异构图。
在一个实施例中,构建模块202还用于:
生成所述节点集合中的多个目标节点的散点图;
根据所述关联关系集合,对所述散点图中的多个目标节点进行连接;
将完成连接的所述散点图作为所述异构图。
在一个实施例中,构建模块202还用于:
根据所述关联关系集合中的每两个所述节点之间的关联关系,确定每两个所述目标节点之间的元路径;
根据每两个所述目标节点之间的元路径,对所述散点图中的多个所述目标节点进行连线。
在一个实施例中,所述图神经网络包括异构图注意力网络;训练模块203还用于:
将所述异构图作为训练样本输入至所述异构图注意力网络,得到节点级别的第一输出权重和语义级别的第二输出权重;
根据所述第一输出权重和所述第二输出权重,计算所述异构图注意力网络的模型损失值;
基于所述模型损失值更新所述异构图注意力网络的模型参数;
根据多个所述异构图对更新的所述异构图注意力网络进行迭代训练;
当确定更新的所述异构图注意力网络处于收敛状态时,停止对更新的所述异构图注意力网络进行迭代训练;
将停止迭代训练的所述异构图注意力网络作为训练好的异构图神经网络。
在一个实施例中,确定模块204还用于:
将所述标签信息输入至所述异构图神经网络进行处理,得到多个用户关系信息与每个所述用户关系信息的权重值;
根据每个所述用户关系信息的权重值,从多个所述多个用户关系信息中选取目标用户关系信息;
根据所述目标用户关系信息,确定多个目标用户。
在一个实施例中,确定模块204还用于:
根据所述待推广广告的标签信息,对多个所述目标用户进行分组,得到多个用户组;
根据每个所述用户组的分组信息,对所述待推广广告进行调整,以生成每个所述用户组各自对应的目标广告;
将所述目标广告发送给各自对应的所述用户组中的多个目标用户。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各模块及单元的具体工作过程,可以参考前述信息推送方法实施例中的对应过程,在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图6所示的计算机设备上运行。
请参阅图6,图6为本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为服务器或终端设备。
如图6所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括存储介质和内存储器,存储介质可以是非易失性的,也可以是易失性的。
存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种信息推送方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种信息推送方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取参与课程活动事件的多个学员的学员信息;
根据多个所述学员信息中的用户关系信息、课程活动信息和技能学习信息,构建所述课程活动事件对应的异构图;
将多个所述异构图作为训练样本,对预设的图神经网络进行迭代训练,得到训练好的异构图神经网络;
获取待推广广告的标签信息,所述标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关;
将所述标签信息输入至所述异构图神经网络进行预测,以确定多个目标用户,并向多个所述目标用户推送所述待推广广告。
在一个实施例中,所述处理器在实现所述根据多个所述学员信息中的用户关系信息、课程活动信息和技能学习信息,构建所述课程活动事件对应的异构图时,用于实现:
将每个所述学员信息中的用户关系信息、课程活动信息和技能学习信息作为节点,得到节点集合;
确定每两个所述节点之间的关联关系,得到关联关系集合;
根据所述节点集合和所述关联关系集合,构建所述课程活动事件对应的异构图。
在一个实施例中,所述处理器在实现所述根据所述节点集合和所述关联关系集合,构建所述课程活动事件对应的异构图时,用于实现:
生成所述节点集合中的多个目标节点的散点图;
根据所述关联关系集合,对所述散点图中的多个目标节点进行连接;
将完成连接的所述散点图作为所述异构图。
在一个实施例中,所述处理器在实现所述根据所述关联关系集合,对所述散点图中的多个目标节点进行连接时,用于实现:
根据所述关联关系集合中的每两个所述节点之间的关联关系,确定每两个所述目标节点之间的元路径;
根据每两个所述目标节点之间的元路径,对所述散点图中的多个所述目标节点进行连线。
在一个实施例中,所述图神经网络包括异构图注意力网络;所述处理器在实现所述将多个所述异构图作为训练样本,对预设的图神经网络进行迭代训练,得到训练好的异构图神经网络时,用于实现:
将所述异构图作为训练样本输入至所述异构图注意力网络,得到节点级别的第一输出权重和语义级别的第二输出权重;
根据所述第一输出权重和所述第二输出权重,计算所述异构图注意力网络的模型损失值;
基于所述模型损失值更新所述异构图注意力网络的模型参数;
根据多个所述异构图对更新的所述异构图注意力网络进行迭代训练;
当确定更新的所述异构图注意力网络处于收敛状态时,停止对更新的所述异构图注意力网络进行迭代训练;
将停止迭代训练的所述异构图注意力网络作为训练好的异构图神经网络。
在一个实施例中,所述处理器在实现所述将所述标签信息输入至所述异构图神经网络进行预测,以确定多个目标用户时,用于实现:
将所述标签信息输入至所述异构图神经网络进行处理,得到多个用户关系信息与每个所述用户关系信息的权重值;
根据每个所述用户关系信息的权重值,从多个所述多个用户关系信息中选取目标用户关系信息;
根据所述目标用户关系信息,确定多个目标用户。
在一个实施例中,所述处理器在实现所述向多个所述目标用户推送所述待推广广告时,用于实现:
根据所述待推广广告的标签信息,对多个所述目标用户进行分组,得到多个用户组;
根据每个所述用户组的分组信息,对所述待推广广告进行调整,以生成每个所述用户组各自对应的目标广告;
将所述目标广告发送给各自对应的所述用户组中的多个目标用户。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述计算机设备的具体工作过程,可以参考前述信息推送方法实施例中的对应过程,在此不再赘述。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序中包括程序指令,所述程序指令被执行时所实现的方法可参照本申请信息推送方法的各个实施例。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种信息推送方法,其特征在于,包括:
获取参与课程活动事件的多个学员的学员信息;
根据多个所述学员信息中的用户关系信息、课程活动信息和技能学习信息,构建所述课程活动事件对应的异构图;
将多个所述异构图作为训练样本,对预设的图神经网络进行迭代训练,得到训练好的异构图神经网络;
获取待推广广告的标签信息,所述标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关;
将所述标签信息输入至所述异构图神经网络进行预测,以确定多个目标用户,并向多个所述目标用户推送所述待推广广告。
2.如权利要求1所述的信息推送方法,其特征在于,所述根据多个所述学员信息中的用户关系信息、课程活动信息和技能学习信息,构建所述课程活动事件对应的异构图,包括:
将每个所述学员信息中的用户关系信息、课程活动信息和技能学习信息作为节点,得到节点集合;
确定每两个所述节点之间的关联关系,得到关联关系集合;
根据所述节点集合和所述关联关系集合,构建所述课程活动事件对应的异构图。
3.如权利要求2所述的信息推送方法,其特征在于,所述根据所述节点集合和所述关联关系集合,构建所述课程活动事件对应的异构图,包括:
生成所述节点集合中的多个目标节点的散点图;
根据所述关联关系集合,对所述散点图中的多个目标节点进行连接;
将完成连接的所述散点图作为所述异构图。
4.如权利要求3所述的信息推送方法,其特征在于,所述根据所述关联关系集合,对所述散点图中的多个目标节点进行连接,包括:
根据所述关联关系集合中的每两个所述节点之间的关联关系,确定每两个所述目标节点之间的元路径;
根据每两个所述目标节点之间的元路径,对所述散点图中的多个所述目标节点进行连线。
5.如权利要求1-4中任一项所述的信息推送方法,其特征在于,所述图神经网络包括异构图注意力网络;所述将多个所述异构图作为训练样本,对预设的图神经网络进行迭代训练,得到训练好的异构图神经网络,包括:
将所述异构图作为训练样本输入至所述异构图注意力网络,得到节点级别的第一输出权重和语义级别的第二输出权重;
根据所述第一输出权重和所述第二输出权重,计算所述异构图注意力网络的模型损失值;
基于所述模型损失值更新所述异构图注意力网络的模型参数;
根据多个所述异构图对更新的所述异构图注意力网络进行迭代训练;
当确定更新的所述异构图注意力网络处于收敛状态时,停止对更新的所述异构图注意力网络进行迭代训练;
将停止迭代训练的所述异构图注意力网络作为训练好的异构图神经网络。
6.如权利要求1-4中任一项所述的信息推送方法,其特征在于,所述将所述标签信息输入至所述异构图神经网络进行预测,以确定多个目标用户,包括:
将所述标签信息输入至所述异构图神经网络进行处理,得到多个用户关系信息与每个所述用户关系信息的权重值;
根据每个所述用户关系信息的权重值,从多个所述多个用户关系信息中选取目标用户关系信息;
根据所述目标用户关系信息,确定多个目标用户。
7.如权利要求6所述的信息推送方法,其特征在于,所述向多个所述目标用户推送所述待推广广告,包括:
根据所述待推广广告的标签信息,对多个所述目标用户进行分组,得到多个用户组;
根据每个所述用户组的分组信息,对所述待推广广告进行调整,以生成每个所述用户组各自对应的目标广告;
将所述目标广告发送给各自对应的所述用户组中的多个目标用户。
8.一种信息推送装置,其特征在于,所述信息推送装置包括:
获取模块,用于获取参与课程活动事件的多个学员的学员信息;
构建模块,用于根据多个所述学员信息中的用户关系信息、课程活动信息和技能学习信息,构建所述课程活动事件对应的异构图;
训练模块,用于将多个所述异构图作为训练样本,对预设的图神经网络进行迭代训练,得到训练好的异构图神经网络;
所述获取模块,还用于获取待推广广告的标签信息,所述标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关;
确定模块,用于将所述标签信息输入至所述异构图神经网络进行预测,以确定多个目标用户;
推送模块,用于向多个所述目标用户推送所述待推广广告。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至7中任一项所述的信息推送方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1至7中任一项所述的信息推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520757.XA CN114169938A (zh) | 2021-12-13 | 2021-12-13 | 信息推送方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520757.XA CN114169938A (zh) | 2021-12-13 | 2021-12-13 | 信息推送方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169938A true CN114169938A (zh) | 2022-03-11 |
Family
ID=80486057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111520757.XA Pending CN114169938A (zh) | 2021-12-13 | 2021-12-13 | 信息推送方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169938A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637888A (zh) * | 2022-05-18 | 2022-06-17 | 深圳市华曦达科技股份有限公司 | 一种视频推送方法及装置 |
CN115809364A (zh) * | 2022-09-30 | 2023-03-17 | 北京百度网讯科技有限公司 | 对象推荐方法和模型训练方法 |
-
2021
- 2021-12-13 CN CN202111520757.XA patent/CN114169938A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637888A (zh) * | 2022-05-18 | 2022-06-17 | 深圳市华曦达科技股份有限公司 | 一种视频推送方法及装置 |
CN115809364A (zh) * | 2022-09-30 | 2023-03-17 | 北京百度网讯科技有限公司 | 对象推荐方法和模型训练方法 |
CN115809364B (zh) * | 2022-09-30 | 2023-12-08 | 北京百度网讯科技有限公司 | 对象推荐方法和模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Imran et al. | PLORS: a personalized learning object recommender system | |
Xintong et al. | Brief survey of crowdsourcing for data mining | |
Mishra | Machine learning in the AWS cloud: Add intelligence to applications with Amazon Sagemaker and Amazon Rekognition | |
Garg | Optimal selection of E‐learning websites using multiattribute decision‐making approaches | |
WO2021155691A1 (zh) | 用户画像生成方法、装置、存储介质及设备 | |
CN114169938A (zh) | 信息推送方法、装置、设备及存储介质 | |
CN109903087A (zh) | 基于行为特征预测用户属性值的方法、装置及存储介质 | |
CN110428277B (zh) | 推荐产品的触达方法、存储介质和程序产品 | |
Helles et al. | Infrastructures of tracking: Mapping the ecology of third-party services across top sites in the EU | |
US11886556B2 (en) | Systems and methods for providing user validation | |
CN110766438A (zh) | 一种通过人工智能对电网用户的用户行为进行分析的方法 | |
CN112488662A (zh) | 一种基于物联网的共享型计算机教学管理系统 | |
US20180300755A1 (en) | Segmenting customers of educational technology products | |
Paiho et al. | Opportunities of collected city data for smart cities | |
CN114722281A (zh) | 基于用户画像及用户选课行为的培训课程配置方法、装置 | |
Li et al. | [Retracted] Design of the Online Learning System for College Physical Education Teaching Based on the BP Neural Network | |
Nourmohammadi-Khiarak et al. | Combined multi-agent method to control inter-department common events collision for university courses timetabling | |
He et al. | A data-driven innovation model of big data digital learning and its empirical study | |
Feng | Research on the development path of internet ideological and political education based on deep learning | |
Pereira et al. | Application of a management and storage system for knowledge generated from simulation projects as a teaching and assessment tool | |
Zheng | Preference corrections: capturing student and instructor perceptions in educational recommendations | |
Sharma et al. | Hybrid Real-Time Implicit Feedback SOM-Based Movie Recommendation Systems | |
CN113407704A (zh) | 文本匹配方法、装置、设备及计算机可读存储介质 | |
Mauluddin et al. | Analysis of system requirements of go-edu indonesia application as a media to order teaching services and education in Indonesia | |
CN111882415A (zh) | 一种质量检测模型的训练方法和相关装置 |
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 |