CN114611022A - 推送展示信息的方法、装置、设备和存储介质 - Google Patents
推送展示信息的方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114611022A CN114611022A CN202210201890.7A CN202210201890A CN114611022A CN 114611022 A CN114611022 A CN 114611022A CN 202210201890 A CN202210201890 A CN 202210201890A CN 114611022 A CN114611022 A CN 114611022A
- Authority
- CN
- China
- Prior art keywords
- vector
- target account
- associated object
- sample
- node
- 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
- 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
- G06F16/9538—Presentation of query results
-
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种推送展示信息的方法、装置、设备和存储介质,属于计算机技术领域。该方法包括:获取目标账号的属性向量和关联对象的属性向量;基于目标账号的属性向量、关联对象的属性向量、关联对象与目标账号的关联关系和特征提取模型,确定目标账号的特征向量和关联对象的特征向量;当检测到目标账号的展示触发事件时,基于目标账号的特征向量和多个对象的特征向量,确定对目标账号展示的目标对象,向目标账号推送目标对象的展示信息。采用本申请,确定出的目标账号的特征向量融合了目标账号喜欢的对象和厌恶的对象的相关信息,那么,使用该特征向量确定出的目标对象也会较为准确,提高了推送的展示信息的转化率,提高了用户的使用体验。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种推送展示信息的方法、装置、设备和存储介质。
背景技术
在一些应用程序中,我们经常可以接收到应用程序推送的一些展示对象的展示信息,例如,在视频应用程序中通常会向用户推送视频,在搜索应用程序中通常会向用户推送图文信息,在购物应用程序中通常会向用户推送商品,在交友应用程序中向用户推送其他用户。另外,还可以在应用程序中得到与用户是正关系或者负关系的对象,正关系是指用户对该对象感兴趣,负关系是指用户对该对象明显厌恶,以对象是商品为例,正关系是用户浏览过该商品的展示信息或者是用户购买过该商品,负关系是用户删除过该商品的展示信息。
通常,确定一个用户的待展示对象的方法是基于协同过滤的方法,协同过滤的方法是基于用户与对象之间的正关系来进行推送的,以向用户推送商品为例进行说明:用户A和用户B均与商品C是正关系,则可以认为用户A和用户B的爱好兴趣较为相似,在向用户A推荐商品时,可以将与用户B是正关系是商品(即用户B购买过或者浏览过的商品)确定为用户A对应的多个待展示对象,将这些待展示对象的展示信息推送给用户A。
上述确定待展示对象的方法较为粗糙、片面,只考虑到了与用户是正关系的对象,而没有考虑与用户是负关系的对象,两个用户之间可能既存在相同感兴趣的对象,也可能同时存在一个用户感兴趣、而另一个用户厌恶的其他对象,因此,使用上述协同过滤的方法进行推送,可能会将用户厌恶的对象的展示信息发送给用户,降低了推送的展示信息的转化率,降低了用户的使用体验。
发明内容
本申请实施例提供了一种推送展示信息的方法,能够解决现有技术中确定待展示对象的方法较为粗糙从而导致的展示信息的转化率较低和用户的使用体验较低的问题。
第一方面,提供了一种推送展示信息的方法,所述方法包括:
获取目标账号的属性向量和所述目标账号对应的关联对象的属性向量,其中,所述关联对象是在用于展示的多个对象中与所述目标账号具有关联关系的对象,所述关联关系为正关联关系或负关联关系;
基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的特征提取模型,确定所述目标账号的特征向量和所述关联对象的特征向量;
当检测到目标账号的展示触发事件时,基于当前存储的所述目标账号的特征向量和所述多个对象的特征向量,确定对所述目标账号展示的目标对象,向所述目标账号推送所述目标对象的展示信息。
在一种可能的实现方式中,所述获取目标账号的属性向量和所述目标账号对应的关联对象的属性向量之前,所述方法还包括:
在用于展示的多个对象中,获取预设时段内与所述目标账号具有关联关系的对象,得到所述目标账号对应的初始关联对象;
确定在所述初始关联对象中,与所述目标账号具有正关联关系的初始关联对象的第一数目和与所述目标账号具有负关联关系的初始关联对象的第二数目;
在所述目标账号对应的初始关联对象中,确定所述目标账号对应的关联对象,其中,所述关联对象中的与所述目标账号具有正关联关系的初始关联对象的数目小于或等于第一数目阈值,所述关联对象中的与所述目标账号具有负关联关系的初始关联对象的数目小于或等于第二数目阈值。
在一种可能的实现方式中,所述获取目标账号的属性向量和所述目标账号对应的关联对象的属性向量,包括:
基于所述目标账号的每个属性参数对应的预设向量,确定所述目标账号的属性向量;
基于所述关联对象的每个属性参数对应的预设向量,确定所述关联对象的属性向量。
在一种可能的实现方式中,所述特征提取模型包括全局特征提取模型、局部特征提取模型和组合模型;
所述基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的特征提取模型,确定所述目标账号的特征向量和所述关联对象的特征向量,包括:
基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的全局特征提取模型,确定所述目标账号的全局特征向量和所述关联对象的全局特征向量;
基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的局部特征提取模型,确定所述目标账号的局部特征向量和所述关联对象的局部特征向量;
基于所述目标账号的全局特征向量、所述目标账号的局部特征向量、所述关联对象的全局特征向量、所述关联对象的局部特征向量和经过训练的组合模型,确定所述目标账号的特征向量和所述关联对象的特征向量。
在一种可能的实现方式中,所述全局特征提取模型包括初始化模块、更新模块和结果模块;
所述基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的全局特征提取模型,确定所述目标账号的全局特征向量和所述关联对象的全局特征向量,包括:
基于所述目标账号的属性向量、所述关联对象的属性向量、n个参考向量和所述初始化模块,确定所述目标账号对应的初始权重向量和每个关联对象对应的初始权重向量,其中,所述初始权重向量包括n个初始权重值,所述n为预设数目;
基于所述目标账号对应的初始权重向量、所述每个关联对象对应的初始权重向量、所述关联对象与所述目标账号的关联关系和所述更新模块,分别对所述目标账号对应的初始权重向量和所述关联对象对应的初始权重向量进行更新,得到所述目标账号对应的权重向量和所述每个关联对象对应的权重向量,其中,所述权重向量包括n个权重值;
基于所述目标账号对应的权重向量、所述每个关联对象对应的权重向量、所述n个参考向量和所述结果模块,确定所述目标账号的全局特征向量和所述关联对象的全局特征向量。
在一种可能的实现方式中,所述初始化模块包括MLP(Multi-Layer Perceptron,多层感知机)子模块;
所述基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系、n个参考向量和所述初始化模块,确定所述目标账号对应的初始权重向量和所述关联对象对应的初始权重向量,包括:
将所述目标账号的属性向量和所述关联对象的属性向量,分别输入所述MLP子模块,得到所述目标账号的调整向量和所述关联对象的调整向量;
将所述目标账号的调整向量和每个关联对象的调整向量,分别与所述n个参考向量进行向量内积处理,得到目标账号对应的n个初始权重值和所述每个关联对象对应的n个初始权重值,作为所述目标账号对应的初始权重向量和所述关联对象对应的初始权重向量。
在一种可能的实现方式中,所述基于所述目标账号对应的初始权重向量、所述每个关联对象对应的初始权重向量、所述关联对象与所述目标账号的关联关系和所述更新模块,分别对所述目标账号对应的初始权重向量和所述关联对象对应的初始权重向量进行更新,得到所述目标账号对应的权重向量和所述每个关联对象对应的权重向量,包括:
对于由所述目标账号和所述关联对象组成的节点集合中的每个节点,将与所述节点具有正关联关系的其他节点对应的初始权重向量进行对位相加处理,得到所述节点对应的正权重向量,将与所述节点具有负关联关系的其他节点对应的初始权重向量进行对位相加处理,得到所述节点对应的负权重向量,将所述节点对应的初始权重向量、所述节点对应的正权重向量和所述节点对应的负权重向量进行拼接处理,得到所述节点对应的关联权重向量,其中,所述节点是所述目标账号或所述关联对象;
对每个节点对应的关联权重向量分别进行非线性变换处理,得到所述目标账号对应的权重向量和所述关联对象对应的权重向量。
在一种可能的实现方式中,所述基于所述目标账号对应的权重向量、所述每个关联对象对应的权重向量、所述n个参考向量和所述结果模块,确定所述目标账号的全局特征向量和所述关联对象的全局特征向量,包括:
分别使用所述目标账号对应的权重向量和所述关联对象对应的权重向量,对所述n个参考向量进行加权和处理,得到所述目标账号的全局特征向量和所述关联对象的全局特征向量。
在一种可能的实现方式中,所述基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的局部特征提取模型,确定所述目标账号的局部特征向量和所述关联对象的局部特征向量,包括:
对于由所述目标账号和所述关联对象组成的节点集合中的每个节点,将与所述节点具有正关联关系的其他节点的属性向量进行对位相加,得到所述节点的正属性向量,将与所述节点具有负关联关系的其他节点的特征向量进行对位相加,得到所述节点的负属性向量,将所述节点的属性向量、所述节点的正属性向量和所述节点的负属性向量进行拼接处理,得到所述节点的关联属性向量,其中,所述节点是所述目标账号或所述关联对象;
对每个节点的关联属性向量分别进行非线性变换处理,得到所述目标账号的局部特征向量和所述关联对象的局部特征向量。
在一种可能的实现方式中,所述基于所述目标账号的全局特征向量、所述目标账号的局部特征向量、所述关联对象的全局特征向量、所述关联对象的局部特征向量和经过训练的组合模型,确定所述目标账号的特征向量和所述关联对象的特征向量,包括:
对于由所述目标账号和所述关联对象组成的节点集合中的每个节点,将所述节点的全局特征向量和所述节点的局部特征向量进行拼接处理,得到所述节点的拼接特征向量,其中,所述节点是所述目标账号或所述关联对象;
对每个节点的拼接特征向量分别进行非线性变换处理,得到所述目标账号的特征向量和所述关联对象的特征向量。
在一种可能的实现方式中,所述基于当前存储的所述目标账号的特征向量和所述多个对象的特征向量,确定对所述目标账号展示的目标对象,包括:
在所述当前存储的目标账号的特征向量和所述多个对象的特征向量中,分别确定所述目标账号的特征向量与每个对象的特征向量之间的关联度;
基于所述目标账号的特征向量与每个对象的特征向量之间的关联度,确定对所述目标账号展示的目标对象。
在一种可能的实现方式中,所述方法还包括:
获取样本输入数据和基准输出数据,其中,所述样本输入数据是存储的样本账号的属性向量、所述样本账号对应的样本关联对象的属性向量、以及样本关联对象与样本账号的关联关系,所述样本关联对象是在用于展示的多个对象中与所述样本账号具有关联关系的对象,所述基准输出数据包括每个样本关联对象对应的与所述样本账号之间的关联值,与所述样本账号的关联关系为正关联关系的样本关联对象对应的关联值为1,与所述样本账号的关联关系为负关联关系的样本关联对象对应的关联值为0;
基于所述样本账号的属性向量、所述样本关联对象的属性向量、待训练的n个参考向量和待训练的初始化模块,确定所述样本账号对应的初始权重向量和每个样本关联对象对应的初始权重向量;
基于所述样本账号对应的初始权重向量、所述每个样本关联对象对应的初始权重向量、所述样本关联对象与所述样本账号的关联关系和待训练的更新模块,确定所述样本账号对应的权重向量和所述样本关联对象对应的权重向量;
基于所述样本账号对应的权重向量、所述每个样本关联对象对应的权重向量、所述待训练的n个参考向量和待训练的结果模块,确定所述样本账号的全局特征向量和所述样本关联对象的全局特征向量;
基于所述样本账号的属性向量、所述样本关联对象的属性向量、所述样本关联对象与所述样本账号的关联关系和待训练的局部特征提取模型,确定所述样本账号的局部特征向量和所述样本关联对象的局部特征向量;
基于所述样本账号的全局特征向量、所述样本账号的局部特征向量、所述样本关联对象的全局特征向量、所述样本关联对象的局部特征向量和待训练的组合模型,确定所述样本账号的特征向量和所述样本关联对象的特征向量;
分别计算所述样本账号的特征向量与每个样本关联对象的特征向量之间的关联度,得到实际输出数据;
基于所述实际输出数据和所述基准输出数据,对所述待训练的n个参考向量、所述待训练的初始化模块、所述待训练的更新模块、所述待训练的结果模块、所述待训练的局部特征提取模型和所述待训练的组合模型进行训练,得到经过训练的n个参考向量、经过训练的初始化模块、经过训练的更新模块、经过训练的结果模块、所述经过训练的局部特征提取模型和所述经过训练的组合模型。
第二方面,提供一种推送展示信息的装置,所述装置包括:
获取模块,用于获取目标账号的属性向量和所述目标账号对应的关联对象的属性向量,其中,所述关联对象是在用于展示的多个对象中与所述目标账号具有关联关系的对象,所述关联关系为正关联关系或负关联关系;
确定模块,用于基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的特征提取模型,确定所述目标账号的特征向量和所述关联对象的特征向量;
展示模块,用于当检测到目标账号的展示触发事件时,基于当前存储的所述目标账号的特征向量和所述多个对象的特征向量,确定对所述目标账号展示的目标对象,向所述目标账号推送所述目标对象的展示信息。
在一种可能的实现方式中,所述获取模块,还用于:
在用于展示的多个对象中,获取预设时段内与所述目标账号具有关联关系的对象,得到所述目标账号对应的初始关联对象;
确定在所述初始关联对象中,与所述目标账号具有正关联关系的初始关联对象的第一数目和与所述目标账号具有负关联关系的初始关联对象的第二数目;
在所述目标账号对应的初始关联对象中,确定所述目标账号对应的关联对象,其中,所述关联对象中的与所述目标账号具有正关联关系的初始关联对象的数目小于或等于第一数目阈值,所述关联对象中的与所述目标账号具有负关联关系的初始关联对象的数目小于或等于第二数目阈值。
在一种可能的实现方式中,所述获取模块,用于:
基于所述目标账号的每个属性参数对应的预设向量,确定所述目标账号的属性向量;
基于所述关联对象的每个属性参数对应的预设向量,确定所述关联对象的属性向量。
在一种可能的实现方式中,所述特征提取模型包括全局特征提取模型、局部特征提取模型和组合模型;
所述确定模块,用于:
基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的全局特征提取模型,确定所述目标账号的全局特征向量和所述关联对象的全局特征向量;
基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的局部特征提取模型,确定所述目标账号的局部特征向量和所述关联对象的局部特征向量;
基于所述目标账号的全局特征向量、所述目标账号的局部特征向量、所述关联对象的全局特征向量、所述关联对象的局部特征向量和经过训练的组合模型,确定所述目标账号的特征向量和所述关联对象的特征向量。
在一种可能的实现方式中,所述全局特征提取模型包括初始化模块、更新模块和结果模块;
所述确定模块,用于:
基于所述目标账号的属性向量、所述关联对象的属性向量、n个参考向量和所述初始化模块,确定所述目标账号对应的初始权重向量和每个关联对象对应的初始权重向量,其中,所述初始权重向量包括n个初始权重值,所述n为预设数目;
基于所述目标账号对应的初始权重向量、所述每个关联对象对应的初始权重向量、所述关联对象与所述目标账号的关联关系和所述更新模块,分别对所述目标账号对应的初始权重向量和所述关联对象对应的初始权重向量进行更新,得到所述目标账号对应的权重向量和所述每个关联对象对应的权重向量,其中,所述权重向量包括n个权重值;
基于所述目标账号对应的权重向量、所述每个关联对象对应的权重向量、所述n个参考向量和所述结果模块,确定所述目标账号的全局特征向量和所述关联对象的全局特征向量。
在一种可能的实现方式中,所述初始化模块包括MLP子模块;
所述确定模块,用于:
将所述目标账号的属性向量和所述关联对象的属性向量,分别输入所述MLP子模块,得到所述目标账号的调整向量和所述关联对象的调整向量;
将所述目标账号的调整向量和每个关联对象的调整向量,分别与所述n个参考向量进行向量内积处理,得到目标账号对应的n个初始权重值和所述每个关联对象对应的n个初始权重值,作为所述目标账号对应的初始权重向量和所述关联对象对应的初始权重向量。
在一种可能的实现方式中,所述确定模块,用于:
对于由所述目标账号和所述关联对象组成的节点集合中的每个节点,将与所述节点具有正关联关系的其他节点对应的初始权重向量进行对位相加处理,得到所述节点对应的正权重向量,将与所述节点具有负关联关系的其他节点对应的初始权重向量进行对位相加处理,得到所述节点对应的负权重向量,将所述节点对应的初始权重向量、所述节点对应的正权重向量和所述节点对应的负权重向量进行拼接处理,得到所述节点对应的关联权重向量,其中,所述节点是所述目标账号或所述关联对象;
对每个节点对应的关联权重向量分别进行非线性变换处理,得到所述目标账号对应的权重向量和所述关联对象对应的权重向量。
在一种可能的实现方式中,所述确定模块,用于:
分别使用所述目标账号对应的权重向量和所述关联对象对应的权重向量,对所述n个参考向量进行加权和处理,得到所述目标账号的全局特征向量和所述关联对象的全局特征向量。
在一种可能的实现方式中,所述确定模块,用于:
对于由所述目标账号和所述关联对象组成的节点集合中的每个节点,将与所述节点具有正关联关系的其他节点的属性向量进行对位相加,得到所述节点的正属性向量,将与所述节点具有负关联关系的其他节点的特征向量进行对位相加,得到所述节点的负属性向量,将所述节点的属性向量、所述节点的正属性向量和所述节点的负属性向量进行拼接处理,得到所述节点的关联属性向量,其中,所述节点是所述目标账号或所述关联对象;
对每个节点的关联属性向量分别进行非线性变换处理,得到所述目标账号的局部特征向量和所述关联对象的局部特征向量。
在一种可能的实现方式中,所述确定模块,用于:
对于由所述目标账号和所述关联对象组成的节点集合中的每个节点,将所述节点的全局特征向量和所述节点的局部特征向量进行拼接处理,得到所述节点的拼接特征向量,其中,所述节点是所述目标账号或所述关联对象;
对每个节点的拼接特征向量分别进行非线性变换处理,得到所述目标账号的特征向量和所述关联对象的特征向量。
在一种可能的实现方式中,所述展示模块,用于:
在所述当前存储的目标账号的特征向量和所述多个对象的特征向量中,分别确定所述目标账号的特征向量与每个对象的特征向量之间的关联度;
基于所述目标账号的特征向量与每个对象的特征向量之间的关联度,确定对所述目标账号展示的目标对象。
在一种可能的实现方式中,所述装置还包括训练模块,用于:
获取样本输入数据和基准输出数据,其中,所述样本输入数据是存储的样本账号的属性向量、所述样本账号对应的样本关联对象的属性向量、以及样本关联对象与样本账号的关联关系,所述样本关联对象是在用于展示的多个对象中与所述样本账号具有关联关系的对象,所述基准输出数据包括每个样本关联对象对应的与所述样本账号之间的关联值,与所述样本账号的关联关系为正关联关系的样本关联对象对应的关联值为1,与所述样本账号的关联关系为负关联关系的样本关联对象对应的关联值为0;
基于所述样本账号的属性向量、所述样本关联对象的属性向量、待训练的n个参考向量和待训练的初始化模块,确定所述样本账号对应的初始权重向量和每个样本关联对象对应的初始权重向量;
基于所述样本账号对应的初始权重向量、所述每个样本关联对象对应的初始权重向量、所述样本关联对象与所述样本账号的关联关系和待训练的更新模块,确定所述样本账号对应的权重向量和所述样本关联对象对应的权重向量;
基于所述样本账号对应的权重向量、所述每个样本关联对象对应的权重向量、所述待训练的n个参考向量和待训练的结果模块,确定所述样本账号的全局特征向量和所述样本关联对象的全局特征向量;
基于所述样本账号的属性向量、所述样本关联对象的属性向量、所述样本关联对象与所述样本账号的关联关系和待训练的局部特征提取模型,确定所述样本账号的局部特征向量和所述样本关联对象的局部特征向量;
基于所述样本账号的全局特征向量、所述样本账号的局部特征向量、所述样本关联对象的全局特征向量、所述样本关联对象的局部特征向量和待训练的组合模型,确定所述样本账号的特征向量和所述样本关联对象的特征向量;
分别计算所述样本账号的特征向量与每个样本关联对象的特征向量之间的关联度,得到实际输出数据;
基于所述实际输出数据和所述基准输出数据,对所述待训练的n个参考向量、所述待训练的初始化模块、所述待训练的更新模块、所述待训练的结果模块、所述待训练的局部特征提取模型和所述待训练的组合模型进行训练,得到经过训练的n个参考向量、经过训练的初始化模块、经过训练的更新模块、经过训练的结果模块、所述经过训练的局部特征提取模型和所述经过训练的组合模型。
第三方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,存储器中存储有至少一条指令,指令由处理器加载并执行以实现推送展示信息的方法所执行的操作。
第四方面,提供了一种计算机可读存储介质,存储介质中存储有至少一条指令,指令由处理器加载并执行以实现推送展示信息的方法所执行的操作。
本申请实施例提供的技术方案带来的有益效果是:本申请实施例中提到的方案,可以基于目标账号的属性向量、关联对象的属性向量、关联对象与目标账号的关联关系和进行训练的特征提取模型,确定出目标账号的特征向量和每个关联对象的特征向量,使用上述方法确定出存储的多个账号的特征向量和多个对象的特征向量,然后,在检测到目标账号的展示触发事件时,可以基于当前存储的目标账号的特征向量和多个对象的特征向量,确定出对目标账号展示的目标对象,然后可以向目标账号推送目标对象的展示信息。在上述方法中,确定出的关联对象既可以包括与目标账号具有正关联关系的对象,也可以包括与目标账号具有负关联关系的对象,这样,确定出的目标账号的特征向量即是融合了该目标账号喜欢的对象和厌恶的对象的信息的特征向量,那么,使用该特征向量确定出的目标对象,也会较为准确,提高了推送的展示信息的转化率,提高了用户的使用体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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,下面描述中的附图仅仅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是本申请实施例提供的一种推送展示信息的方法流程图;
图2是本申请实施例提供的一种确定关联对象的方法流程图;
图3是本申请实施例提供的一种确定特征向量的方法流程图;
图4是本申请实施例提供的一种确定特征向量的方法流程图;
图5是本申请实施例提供的一种确定全局特征向量的方法流程图;
图6是本申请实施例提供的一种确定全局特征向量的方法流程图;
图7是本申请实施例提供的一种特征提取模型的训练方法流程图;
图8是本申请实施例提供的一种推送展示信息的装置的结构示意图;
图9是本申请实施例提供的一种服务器的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供了一种推送展示信息的方法,该方法可以由服务器实现。服务器可以是单个服务器或者也可以是多个服务器组成的服务器集群。
服务器可以包括处理器、存储器、通信部件等,处理器分别与存储器、通信部件连接。
处理器可以是CPU(Central Processing Unit,中央处理器)。处理器可以用于读取指令和对数据进行处理,例如,获取存储的目标账号的属性向量、获取存储的目标账号对应的关联对象的属性向量、确定目标账号的特征向量和关联对象的特征向量、确定对目标账号展示的目标对象,等等。
存储器可以包括ROM(Read-Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、CD-ROM(Compact Disc Read-Only Memory,光盘只读存储器)、磁盘、光数据存储设备等。存储器可以用于数据存储,例如,对目标账号的属性向量和特征向量的存储、对关联对象的属性向量和特征向量的存储、对在确定目标账号的特征向量和关联对象的特征向量的过程中的中间数据的存储、对确定出的目标对象的数据的存储、对在确定目标对象的过程中的中间数据的存储,等等。
通信部件可以是有线网络连接器、WiFi(Wireless Fidelity,无线保真)模块、蓝牙模块、蜂巢网通信模块等。通信部件可以用于接收和发送信号,例如,向目标账号推送目标对象的展会信息,等等。
服务器可以是购物应用程序、搜索应用程序等应用程序的后台服务器,在这些应用程序中,可以向用户推送一些相关的信息或者商品。例如,可以在购物应用程序中,向用户推送一些商品的展示信息;在搜索应用程序中,可以向用户推送一些商品的展示信息或者新闻的展示信息;在交友应用程序中,可以向用户推送其他用户的展示信息,等等,本申请实施例对此不作限定。下面,以在购物应用程序中向用户推送一些商品的展示信息为例对推送展示方法进行详细说明。
需要说明的是,本申请实施例中的账号(包括目标账号和其他账号)和关联对象(包括但不限于商品、新闻、账号等)可以统称为节点,即节点既可以是账号,也可以是关联对象。
图1是本申请实施例提供的一种推送展示信息的方法的流程图。参见图1,该实施例包括:
101、获取目标账号的属性向量和目标账号对应的关联对象的属性向量。
其中,关联对象是在用于展示的多个对象中与目标账号具有关联关系的对象,关联关系为正关联关系或负关联关系。
在实施中,数据库中会预先存储每个账号的属性向量和每个商品的属性向量。在想要确定数据库中的节点(包括账号和商品)的特征向量时,可以先将一个账号确定为目标账号,然后获取数据库中存储的该目标账号的属性向量和该目标账号对应的关联对象的属性向量。
关联对象是与目标账号存在正关联关系或负关联关系的对象。例如,在购物应用程序中,在推送界面中向用户推送一些商品的展示信息,若用户点击了A商品的展示信息进入到A商品的详情界面进行浏览或者购买了A商品,则A商品是该用户对应的账号的关联对象,且A商品与该用户对应的账号具有正关联关系,若是该用户在推送界面中删除了B商品的展示信息或者将B商品加入了黑名单,则B商品是该用户对应的账号的关联对象,且B商品与该用户对应的账号具有负关联关系,若是用户对其他商品均未进行上述操作,则其他商品不是该用户对应的账号的关联对象。
再例如,在搜索应用程序中,在推送界面中向用户推送一些新闻的展示信息,若用户点击了C新闻的展示信息从而对其进行浏览,则C新闻是该用户对应的账号的关联对象,且C新闻与该用户对应的账号具有正关联关系,若用户在推送界面中删除了D新闻的展示信息或者将D新闻加入了黑名单,则D新闻是该用户对应的账号的关联对象,且D新闻与该用户对应的账号具有负关联关系,同样的,未进行上述操作的其他新闻不是该用户对应的账号的关联对象。
再例如,在交友应用程序中,在推送界面中向用户推送其他可能感兴趣的用户的账号,若用户浏览了其他非好友用户(E用户)的主页,则可以将该E用户的账号确定为该用户的关联对象,且E用户的账号与该用户的账号具有正关联关系,若用户将F用户的账号加入了黑名单中,则F用户的账号是该用户的账号的关联对象,且F用户的账号与该用户的账号具有负关联关系,同样的,未进行上述操作的其他用户的账号不是该用户对应的账号的关联对象。
对象是除商品、新闻和账号之外的对象的情况与上述类似,在此不再赘述。
下面,对目标账号的属性向量和关联对象的属性向量的确定方法进行详细的描述,对应的处理可以是:基于目标账号的每个属性参数对应的预设向量,确定目标账号的属性向量。基于关联对象的每个属性参数对应的预设向量,确定关联对象的属性向量。
在实施中,工作人员可以预先设定节点的属性向量中包括的属性类型,其中,每个属性类型还包括至少一个属性参数,工作人员还可以预先设定每种属性参数对应的预设向量,每种属性参数对应的预设向量均是唯一的、不重复的。对于同一属性类型的至少一个属性参数,其对应的预设向量的长度是个定值,例如,对于“账号ID”这一属性类型,该属性类型包括每个账号对应的账号ID这多个属性参数,那么,每个账号ID对应的预设向量的维度相同,例如,均是五维向量。或者,多种属性类型包括的多个属性参数对应的预设向量的长度均相同,本申请实施例对此不作限定。
若关联对象是商品,则商品的属性类型可以包括商品类型和价格范围中的至少一个,若关联对象是新闻信息,则新闻信息的属性类型可以包括新闻类型。
当需要确定目标账号的属性向量时,可以按照预设的属性类型的顺序,对该目标账号对应的每种属性类型的属性参数对应的预设向量进行拼接处理,将该目标账号的属性参数对应的预设向量,拼接成一个向量,即为该目标账号的属性向量。同样的,当需要确定关联对象的属性向量时,可以按照商品的预设的属性类型的顺序,对关联对象的每种属性类型的属性参数对应的预设向量进行拼接处理,从而得到关联对象的属性向量。
每当一个节点被建立时,服务器均可以基于上述方法确定出该节点的属性向量,并将其存储在数据库中。例如,当一个新的账号被注册时,服务器可以基于该账号的属性参数生成该用户账号的属性向量,并将其对应存储在数据库中。再例如,当商家上新一件商品时,服务器可以基于该商品的属性参数生成该商品的属性向量,并存储在数据库中,等等。
102、基于目标账号的属性向量、关联对象的属性向量、关联对象与目标账号的关联关系和经过训练的特征提取模型,确定目标账号的特征向量和关联对象的特征向量。
其中,关联对象与目标账号的关联关系可以用向量或者矩阵来表示,每个向量或者矩阵均包含至少一个元素。
对于关联对象是商品或者新闻等类型的情况来说,由于任意两个关联对象之间不具有关联关系(例如,两个商品之间是不具有关联关系的),关联关系只存在于目标账号与关联对象之间,因此,可以用向量来表示关联对象与目标账号的关联关系,向量中的每个元素用于表征该元素对应的关联对象与目标账号的关联关系。
对于关联对象是账号等类型的情况来说,由于任意两个关联对象之间也可以具有关联关系(例如,两个账号之间可以是好友,也可以黑名单的关系),因此,可以用矩阵来表示关联对象与目标账号之间的关联关系,矩阵中还可以包括任意两个关联对象之间的关联关系,矩阵中的每个元素用于表征该元素对应的两个节点的关联关系。
在上述向量或者矩阵中,节点之间的关联关系若是正关联关系,则该元素的值可以是1,若是负关联关系,则该元素的值可以是0,对于用矩阵表示的情况,若两个关联对象之间并不具有关联关系,则该元素的值可以是0.5或者其他预设值,本申请实施例对此不作限定,可以理解的是,节点与自身的关联关系可以被认为是正关联关系,其对应的元素的值可以是1。
在实施中,可以将目标账号的属性向量、关联对象的属性向量和关联对象与目标账号的关联关系,输入经过训练的特征提取模型,从而得到目标账号的特征向量和每个关联对象的特征向量,然后可以将其存储在数据库中。得到的这些节点的特征向量由于融合了与该节点具有关联关系的其他节点的信息,因此,节点的特征向量可以用于表征该节点的偏好信息或类型信息。
可以使用上述步骤101-102中的方法,周期性的对数据库中存储的多个账号的属性向量和多个账号对应的关联对象的属性向量进行处理,从而得到较为贴合当前实际的账号的特征向量和关联对象的特征向量,使特征向量可以体现近期的账号对应的用户的取向和偏好,以及各个关联对象的被喜好情况或者被厌恶情况。
103、当检测到目标账号的展示触发事件时,基于当前存储的目标账号的特征向量和多个对象的特征向量,确定对目标账号展示的目标对象,向目标账号推送所述目标对象的展示信息。
在实施中,当服务器检测到目标账号的展示触发事件时,可以从数据库中获取当前存储的目标账号的特征向量和多个对象的特征向量,基于特征向量,确定出要推送给目标账号进行展示的目标对象,然后向目标账号所属的移动终端发送目标对象的展示信息。移动终端在接收到目标对象的展示信息后,可以将其显示在推荐界面中,以供用户查看。可以理解的是,服务器在检测到任何一个账号的展示触发事件时,均可以基于上述方法确定对该账号展示的目标对象,并向该账号推送目标对象的展示信息。
上述的对象可以是商品、新闻、账号等等。且上述的多个对象可以是数据库中存储的所有的对象,也可以是基于预设条件进行筛选之后得到的多个对象,本申请实施例对此不作限定。
可选的,在确定出目标对象之后,还可以基于每个目标对象的属性信息和历史操作统计信息,对多个目标对象进行排序,得到目标对象的排序信息,然后,向目标账号所属的移动终端发送目标对象和展示信息和排序信息,移动终端可以基于该排序信息,对目标对象的展示信息进行显示。
下面,对确定目标对象的方法进行详细描述,对应的处理可以如下:
在当前存储的目标账号的特征向量和多个对象的特征向量中,分别确定目标账号的特征向量与每个对象的特征向量之间的关联度。基于目标账号的特征向量与每个对象的特征向量之间的关联度,确定对目标账号展示的目标对象。
在实施中,在获取到目标账号的特征向量和多个对象的特征向量时,可以分别计算出每个对象的特征向量与目标账号的特征向量之间的关联度,计算两个向量之间关联度的方法有多种,以下提供其中的一种:可以计算对象的特征向量与目标账号的特征向量之间的向量距离,来作为关联度,例如,可以计算两个向量之间的欧式距离、信息熵、夹角余弦等来作为两个向量之间的关联度,本申请实施例对具体的方法不作限定。
在得到每个对象的特征向量与目标账号的特征向量之间的关联度之后,可以基于关联度在多个对象中确定出对目标账号展示的目标对象,确定目标对象的方法也有多种可能,以下为其中的几种:
第一种,工作人员可以预先设定关联度阈值。在确定出每个对象的特征向量与目标账号的特征向量之间的关联度之后,可以将大于关联度阈值的关联度对应的对象确定为目标对象。其中,关联度阈值的设定可以是任意合理性的数值,例如,可以是0.5,或者0.6等等,本申请实施例对此不作限定。
第二种,工作人员可以预先设定对象数目阈值。在确定出每个对象的特征向量与目标账号的特征向量之间的关联度之后,可以将这些对象按照对应的关联度由大到小的顺序排列,将前对象数目阈值个对象确定为目标对象。其中,对象数目阈值的设定可以是任意合理性的数值,例如,可以是50,或者80等等,本申请实施例对此不作限定。
在上述步骤101中,需要获取目标账号对应的关联对象的特征向量,而在此之前,需要先确定出该目标账号对应的关联对象。下面,对确定目标账号的关联对象的方法进行详细描述,如图2所示,对应的处理可以如下:
201、在用于展示的多个对象中,获取预设时段内与目标账号具有关联关系的对象,得到目标账号对应的初始关联对象。
其中,预设时段可以是任意合理性的时段,例如,可以是最近的一个月或者半年等等,本申请实施例对此不作限定。
202、确定在初始关联对象中,与目标账号具有正关联关系的初始关联对象的第一数目和与目标账号具有负关联关系的初始关联对象的第二数目。
在实施中,在确定出的目标账号对应的初始关联对象中,可能存在具有正关联关系的关联对象,也可能存在具有负关联关系的关联对象,对这两种关联对象的数量进行统计,得到与目标账号具有正关联关系的初始关联对象的数量,即为第一数目,也可以得到与目标账号具有负关联关系的初始关联对象的数量,即为第二数目。
203、在目标账号对应的初始关联对象中,确定目标账号对应的关联对象。
其中,关联对象中的与目标账号具有正关联关系的初始关联对象的数目小于或等于第一数目阈值,关联对象中的与目标账号具有负关联关系的初始关联对象的数目小于或等于第二数目阈值。
在实施中,工作人员可以预先设置在关联对象中与目标账号具有正关联关系的关联对象的数量阈值,即为第一数目阈值,同时,预先设置在关联对象中与目标账号具有负关联关系的关联对象的数量阈值,即为第二数目阈值。
那么,在确定出目标账号对应的初始关联对象后,可能得到数量较多的初始关联对象,此时,可以基于预先设置的第一数目阈值和第二数目阈值,对目标账号对应的初始关联对象进行筛选。
若是在初始关联对象中,第一数目小于或等于第一数目阈值,且第二数目小于或等于第二数目阈值,则可以将目标账号对应的初始关联对象直接确定为目标账号对应的关联对象。
若是在初始关联对象中,第一数目大于第一数目阈值,且第二数目小于或等于第二数目阈值,则可以在与目标账号具有正关联关系的所有的初始关联对象中,选取出第一数目阈值个初始关联对象,将这第一数目阈值个初始关联对象和所有的与目标账号具有负关联关系的所有的初始关联对象,确定为目标账号对应的关联对象。
若是在初始关联对象中,第一数目小于或等于第一数目阈值,且第二数目大于第二数目阈值,则可以在与目标账号具有负关联关系的所有的初始关联对象中,选取出第二数目阈值个初始关联对象,将这第二数目阈值个初始关联对象和所有的与目标账号具有正关联关系的所有的初始关联对象,确定为目标账号对应的关联对象。
若是在初始关联对象中,第一数目大于第一数目阈值,且第二数目大于第二数目阈值,则可以在与目标账号具有正关联关系的所有的初始关联对象中,选取出第一数目阈值个初始关联对象,在与目标账号具有负关联关系的所有的初始关联对象中,选取出第二数目阈值个初始关联对象,将这第一数目阈值个初始关联对象和第二数目阈值个初始关联对象,确定为目标账号对应的关联对象。
可选的,上述多种情况中的选取操作,可以是随机选取,也可以是选择距离当前时间最近的第一数目阈值或第二数目阈值个初始关联对象,也可以是其他任意合理性的方法,本申请实施例对此不作限定。
步骤102中的特征提取模型可以包括全局特征提取模型、局部特征提取模型和组合模型,其中,基于全局特征提取模型可以得到各个节点的全局特征向量,基于局部特征提取模型可以得到各个节点的局部特征向量,然后,基于组合模型可以将节点的全局特征向量和局部特征向量进行融合,得到该节点的特征向量。下面,对步骤102中的处理进行详细的描述,如图3和图4所示,对应的处理可以如下:
301、基于目标账号的属性向量、关联对象的属性向量、关联对象与目标账号的关联关系和经过训练的全局特征提取模型,确定目标账号的全局特征向量和关联对象的全局特征向量。
在实施中,可以将目标账号的属性向量、关联对象的属性向量、关联对象与目标账号的关联关系,输入经过训练的全局特征提取模型中,对于这些节点(即目标账号和关联对象)来说,得到了融合了与其具有正关联关系和/或负关联关系的其他节点的信息的全局特征向量,该节点的全局特征向量可以体现出该节点的偏好或类型。
在本申请实施例中,全局特征提取模型可以包括初始化模块、更新模块和结果模块,下面,对全局特征提取模型的处理过程进行详细的描述,如图5和图6所示,对应的处理可以如下:
301a、基于目标账号的属性向量、关联对象的属性向量、n个参考向量和初始化模块,确定目标账号对应的初始权重向量和每个关联对象对应的初始权重向量。
其中,初始权重向量包括n个初始权重值,n为预设数目。
在实施中,在进行步骤102之前,需要先对特征提取模型进行训练,得到经过训练的特征提取模型,即对全局特征提取模型、局部特征提取模型和组合模型进行训练,从而得到经过训练的全局特征提取模型、经过训练的局部特征提取模型和经过训练的组合模型,可以理解的是,n个参考向量对应的数据是全局特征提取模型中的调节参数,在对全局特征提取模型进行训练的过程中,也会对全局特征提取模型中的待训练的n个参考向量进行训练,从而得到经过训练的全局特征提取模型以及其中的经过训练的n个参考向量,在下述内容中对参考向量进行了更为详细的说明,在此不在赘述。
在确定了目标账号的属性向量和关联对象的属性向量后,将目标账号的属性向量、关联对象的属性向量和n个参考向量,输入到经过训练的初始化模块中,初始化模块可以目标账号对应的初始权重向量和每个关联对象对应的初始权重向量。
在节点(目标账号或者关联对象)对应的初始权重向量中,包括n个初始权重值,每个初始权重值对应一个参考向量,每个初始权重值用于表征该初始权重值对应的参考向量在该节点的更新的特征向量中所占的权重。
下面,对初始化模块内部的处理过程进行更为详细的描述,对应如下:
初始化模块包括MLP子模块。将目标账号的属性向量和关联对象的属性向量,分别输入MLP子模块,得到目标账号的调整向量和关联对象的调整向量。将目标账号的调整向量和每个关联对象的调整向量,分别与n个参考向量进行向量内积处理,得到目标账号对应的n个初始权重值和每个关联对象对应的n个初始权重值,作为目标账号对应的初始权重向量和关联对象对应的初始权重向量。
在实施中,可以将目标账号的属性向量和关联对象的属性向量输入MLP子模块中,MLP子模块可以对目标账号的属性向量和关联对象的属性向量进行调整,输出目标账号的调整向量和关联对象的调整向量。然后,对于由目标账号和关联对象组成的节点集合中的每个节点来说,将该节点的调整向量与每个参考向量进行向量内积处理(也可以称为点乘处理),得到n个初始权重值,将这些初始权重值按照对应的参考向量的顺序排列起来,从而可以得到该节点对应的初始权重向量。
301b、基于目标账号对应的初始权重向量、每个关联对象对应的初始权重向量、关联对象与目标账号的关联关系和更新模块,分别对目标账号对应的初始权重向量和关联对象对应的初始权重向量进行更新,得到目标账号对应的权重向量和每个关联对象对应的权重向量。
其中,权重向量包括n个权重值。
在此步骤中对上一步骤(即步骤301a)确定出的每个节点对应的初始权重向量进行更新,从而得到每个节点对应的权重向量,使得每个节点对应的权重向量中的每个权重值比对应的初始权重向量中的初始权重值更加的贴合实际,更加准确。
下面,对更新模块内部的处理过程进行更为详细的描述,对应如下:
对于由目标账号和关联对象组成的节点集合中的每个节点,将与节点具有正关联关系的其他节点对应的初始权重向量进行对位相加处理,得到节点对应的正权重向量,将与节点具有负关联关系的其他节点对应的初始权重向量进行对位相加处理,得到节点对应的负权重向量,将节点对应的初始权重向量、节点对应的正权重向量和节点对应的负权重向量进行拼接处理,得到节点对应的关联权重向量。其中,节点是目标账号或关联对象。对每个节点对应的关联权重向量分别进行非线性变换处理,得到目标账号对应的权重向量和关联对象对应的权重向量。
在实施中,若是各个关联对象之间也存在关联关系,则可以将关联对象与目标账号的关联关系,替换为在集合中的各个节点的关联关系,若是各个关联对象之间不具有关联关系,则可以直接使用关联对象与目标账号的关联关系。
在将各个节点对应的初始权重向量、关联对象与目标账号的关联关系或各个节点的关联关系,输入更新模块中后,更新模块会对每个节点进行如下处理:
基于关联关系,确定与节点具有正关联关系的其他节点和与节点具有负关联关系的其他节点,然后,将具有正关联关系的其他节点对应的初始权重向量进行对位相加处理,得到该节点对应的正权重向量,将具有负关联关系的其他节点对应的初始权重向量进行对位相加处理,得到该节点对应的负权重向量。可以理解的是,进行对位相加处理就是将每个向量中的第一位元素相加,得到新的向量的第一位元素,将每个向量中的第二位元素相加,得到的新的向量的第二位元素,以此类推,从而得到新的向量中的每位元素,此处的新的向量可以指代正权重向量或负权重向量。
在得到节点对应的正权重向量和对应的负权重向量之后,可以将该节点对应的初始权重向量、对应的正权重向量和对应的负权重向量进行拼接处理,即将每个向量的首尾相接,形成一个向量,从而得到该节点对应的关联权重向量。
通过上述方法,得到节点集合中的每个节点对应的关联权重向量,然后对每个节点对应的关联权重向量进行非线性变换处理,将节点的关联权重向量的维度调整为n维,从而得到每个节点对应的权重向量,在该权重向量中,包括n个权重值。每个权重值用于表征该权重值对应的参考向量在该节点的更新的特征向量中所占的权重,是对该权重值对应的初始权重值的更新,使得到的权重值更加贴合实际,更为准确。
例如,节点集合中包括A节点、B节点、C节点、D节点和E节点,设置有三个参考向量,与A节点具有正关联关系的其他节点是B节点和C节点,与A节点具有负关联关系的其他节点是D节点和E节点,A节点对应的初始权重向量为(a1,a2,a3),B节点对应的初始权重向量为(b1,b2,b3),C节点对应的初始权重向量为(c1,c2,c3),D节点对应的初始权重向量为(d1,d2,d3),E节点对应的初始权重向量为(e1,e2,e3),则得到的A节点对应的正权重向量为(b1+c1,b2+c2,b3+c3),A节点对应的负权重向量为(d1+e1,d2+e2,d3+e3),A节点对应的关联权重向量为(a1,a2,a3,b1+c1,b2+c2,b3+c3,d1+e1,d2+e2,d3+e3),然后对该A节点对应的关联权重向量进行非线性变换处理,即可以得到A节点对应的权重向量,该权重向量是一个三维的向量,包括三个权重值,每个权重值用于表征该权重值对应的参考向量在节点A对应的更新的特征向量中所占的权重。
可选的,在使用上述方法对节点集合中的每个节点的初始权重向量进行一次更新之后,可以使用上述方法对得到的每个节点对应的权重向量同样进行更新,得到第二次更新之后的节点对应的权重向量。工作人员可以设置循环更新的次数阈值,使用上述方法对节点集合中的每个节点对应的初始权重向量进行多次更新,从而得到更新之后的每个节点对应的权重向量,本申请实施例对于设定的循环更新的次数阈值的具体数值不作限定,可以是1,也可以是2,或者更多的次数,等等。
301c、基于目标账号对应的权重向量、每个关联对象对应的权重向量、n个参考向量和结果模块,确定目标账号的全局特征向量和关联对象的全局特征向量。
在实施中,在得到每个节点对应的权重向量后,可以基于权重向量中每个权重值以及参考向量,确定出每个节点的全局特征向量。
下面,对结果模块内部的处理过程进行更为详细的描述,对应如下:
分别使用目标账号对应的权重向量和关联对象对应的权重向量,对n个参考向量进行加权和处理,得到目标账号的全局特征向量和关联对象的全局特征向量。
在实施中,分别对节点集合中的每个节点进行如下处理:基于该节点对应的权重向量中的n个权重值,对n个参考向量进行加权和处理,从而得到该节点的全局特征向量,即:对于一个节点对应的权重向量,将该权重向量包括的n个权重值分别与对应的参考向量相乘,并将进行相乘处理后的参考向量进行对位相加处理,从而得到对n个参考向量进行了加权和处理后的向量,即为该节点的全局特征向量。
例如,设置有三个参考向量,分别是(X1,X2,X3,X4)、(Y1,Y2,Y3,Y4)和(Z1,Z2,Z3,Z4),若节点F对应的权重向量为(f1,f2,f3),则该节点的全局特征向量为(f1X1+f2Y1+f3Z1,f1X2+f2Y2+f3Z2,f1X3+f2Y3+f3Z3,f1X4+f2Y4+f3Z4)。
可以理解的是,在步骤301中,n个参考向量可以用于表征在数据库中存储的多个节点的类型向量,即n个参考向量将数据库中存储的多个节点分为了n个类型。那么,在全局特征提取模型中确定的每个节点对应的权重向量中包括的n个权重值,则可以用于表征该节点属于各个类型的权重。
302、基于目标账号的属性向量、关联对象的属性向量、关联对象与目标账号的关联关系和经过训练的局部特征提取模型,确定目标账号的局部特征向量和关联对象的局部特征向量。
在实施中,在步骤301中确定出了节点集合中每个节点的全局特征向量,该全局特征向量可以用于表征该节点更倾向于哪一个类型,但是数据库中还可能存在取向较为特殊的节点,例如,以账号和商品为例,B账号对应的用户讨厌各种类型的商品,反而没有表现出喜欢的商品,这种用户较为少数,因此,可以设置局部特征向量,用于表征该节点的偏好。
在实施中,可以将目标账号的属性向量、关联对象的属性向量、以及关联对象与目标账号的关联关系,输入经过训练的局部特征提取模型,从而得到输出的目标账号的局部特征向量和每个关联对象的局部特征向量。
同样的,若各个关联对象之间若存在关联关系,则可以用节点集合中的多个节点的关联关系,来替代关联对象与目标账号的关联关系,从而将目标账号的特征向量、关联对象的特征向量、以及各个节点的关联关系,输入经过训练的局部特征提取模型中,得到每个节点的局部特征向量。
下面,对局部特征提取模型的处理过程进行详细的描述,对应的处理可以如下:
对于由目标账号和关联对象组成的节点集合中的每个节点,将与节点具有正关联关系的其他节点的属性向量进行对位相加,得到节点的正属性向量,将与节点具有负关联关系的其他节点的属性向量进行对位相加,得到节点的负属性向量,将节点的属性向量、节点的正属性向量和节点的负属性向量进行拼接处理,得到节点的关联属性向量,其中,节点是目标账号或关联对象。对每个节点的关联属性向量分别进行非线性变换处理,得到目标账号的局部特征向量和关联对象的局部特征向量。
在实施中,对于节点集合中的每个节点分别进行如下处理:
基于输入局部特征提取模型中的关联关系,确定出与该节点具有正关联关系的其他节点和与该节点具有负关联关系的其他节点,将具有正关联关系的其他节点的属性向量进行对位相加处理,得到该节点的正属性向量,同样的,将具有负关联关系的其他节点的属性向量进行对位相加处理,得到该节点的负属性向量。然后,将该节点的属性向量、该节点的正属性向量和该节点的负属性向量进行拼接处理,即三个向量首尾相接组合成一个向量,得到该节点的关联属性向量。
使用上述方法得到节点集合中每个节点的关联属性向量,然后,对每个节点的关联属性向量进行非线性变换处理,从而得到每个节点的局部特征向量。
303、基于目标账号的全局特征向量、目标账号的局部特征向量、关联对象的全局特征向量、关联对象的局部特征向量和经过训练的组合模型,确定目标账号的特征向量和关联对象的特征向量。
在实施中,在得到节点集合中每个节点的全局特征向量和局部特征向量后,可以将其输入经过训练的组合模型,分别对每个节点的全局特征向量和局部特征向量进行融合,从而得到每个节点的特征向量。
下面,对组合模型的处理过程进行详细的描述,对应的处理可以如下:
对于由目标账号和关联对象组成的节点集合中的每个节点,将节点的全局特征向量和节点的局部特征向量进行拼接处理,得到节点的拼接特征向量,其中,节点是目标账号或关联对象。对每个节点的拼接特征向量分别进行非线性变换处理,得到目标账号的特征向量和关联对象的特征向量。
在实施中,对于节点集合中每个节点分别进行如下处理:将该节点的全局特征向量和局部特征向量进行拼接处理,即两个向量首尾相接组合成为一个向量,即为该节点的拼接特征向量。
使用上述方式得到节点集合中每个节点的拼接特征向量,然后对每个节点的拼接特征向量分别进行非线性变换处理,从而得到每个节点的特征向量。
下面,对上述特征提取模型的训练过程进行较为详细的描述,如图7所示,对应的处理可以如下:
701、获取样本输入数据和基准输出数据。
其中,样本输入数据是存储的样本账号的属性向量、样本账号对应的样本关联对象的属性向量、以及样本关联对象与样本账号的关联关系,样本关联对象是在用于展示的多个对象中与样本账号具有关联关系的对象,基准输出数据包括每个样本关联对象对应的与样本账号之间的关联值,与样本账号的关联关系为正关联关系的样本关联对象对应的关联值为1,与样本账号的关联关系为负关联关系的样本关联对象对应的关联值为0。
在实施中,可以先获取样本集合,在样本集合中包括多个样本数据,每个样本数据包括样本输入数据和基准输出数据。在需要对特征提取模型进行训练时,可以先在样本集合中获取一个样本数据,即获取样本输入数据和基准输出数据。
702、基于样本账号的属性向量、样本关联对象的属性向量、待训练的n个参考向量和待训练的初始化模块,确定样本账号对应的初始权重向量和每个样本关联对象对应的初始权重向量。
在实施中,在进行训练时,可以将样本账号的属性向量、关联对象的属性向量、以及待训练的n个参考向量,输入待训练的初始化模块中,得到输出的样本账号对应的初始权重向量和每个样本关联对象对应的初始权重向量。
其中,n个参考向量可以是全局特征提取模型中的参数组成的n个向量,在第一次运行全局特征提取模型(即第一次对全局特征提取模型进行训练)时,n个参考向量中的各个元素的值可以是随机选取得到的,在后续的对全局特征提取模型进行训练(也可以成为调参)的过程中,对这n个参考向量中的元素的值进行调整,从而得到经过训练的n个参考向量。
703、基于样本账号对应的初始权重向量、每个样本关联对象对应的初始权重向量、样本关联对象与样本账号的关联关系和待训练的更新模块,确定样本账号对应的权重向量和样本关联对象对应的权重向量。
在实施中,将样本账号对应的初始权重向量、每个样本关联对象对应的初始权重向量、样本关联对象与样本账号的关联关系,输入待训练的更新模块中,得到输出的样本账号对应的权重向量和样本关联对象对应的权重向量。
704、基于样本账号对应的权重向量、每个样本关联对象对应的权重向量、待训练的n个参考向量和待训练的结果模块,确定样本账号的全局特征向量和样本关联对象的全局特征向量。
在实施中,将样本账号对应的权重向量、每个样本关联对象对应的权重向量、待训练的n个参考向量,输入待训练的结果模块中,得到输出的样本账号的全局特征向量和每个样本关联对象的全局特征向量。
705、基于样本账号的属性向量、样本关联对象的属性向量、样本关联对象与样本账号的关联关系和待训练的局部特征提取模型,确定样本账号的局部特征向量和样本关联对象的局部特征向量。
在实施中,将样本账号的属性向量、每个样本关联对象的属性向量、样本关联对象与样本账号的关联关系,输入待训练的局部特征提取模型中,得到输出的样本账号的局部特征向量和每个样本关联对象的局部特征向量。
706、基于样本账号的全局特征向量、样本账号的局部特征向量、样本关联对象的全局特征向量、样本关联对象的局部特征向量和待训练的组合模型,确定样本账号的特征向量和样本关联对象的特征向量。
在实施中,在得到样本账号的全局特征向量和局部特征向量、每个样本关联对象的全局特征向量和局部特征向量后,将其输入待训练的组合模型中,从而得到输出的样本账号的特征向量和每个样本关联对象的特征向量。
707、分别计算样本账号的特征向量与每个样本关联对象的特征向量之间的关联度,得到实际输出数据。
在实施中,在得到样本账号的特征向量和每个样本关联对象的特征向量之后,可以计算每个样本关联对象的特征向量与样本账号的特征向量之间的关联度,得到一个范围在[0,1]之间的数值,即为实际输出数据。可以理解的是,实际输出数据的数据形式可以是向量,向量的每个元素代表了该元素对应的样本关联对象与样本账号之间的关联值。
可以理解的是,计算样本关联对象的特征向量与样本账号的特征向量之间的关联度的方法可以有多种,以下对两种方法进行描述:
第一种,可以计算样本关联对象的特征向量与样本账号的特征向量之间的向量距离,例如,可以计算两个向量之间的欧式距离、信息熵、夹角余弦等来作为两个向量之间的关联度,本申请实施例对具体的方法不作限定。
第二种,可以对每个样本关联对象的特征向量进行如下处理:可以将该样本关联对象的特征向量与样本账号的特征向量输入一个全连接层,从而得到一个数值,将其确定为该样本关联对象的特征向量与样本账号的特征向量之间的关联度。
本申请实施例可以使用上述任一种方法来计算样本关联对象的特征向量与样本账号的特征向量之间的关联度,也可以使用其他合理性的方法,本申请实施例对此不作限定。
708、基于实际输出数据和基准输出数据,对待训练的n个参考向量、待训练的初始化模块、待训练的更新模块、待训练的结果模块、待训练的局部特征提取模型和待训练的组合模型进行训练,得到经过训练的n个参考向量、经过训练的初始化模块、经过训练的更新模块、经过训练的结果模块、经过训练的局部特征提取模型和经过训练的组合模型。
在实施中,可以将实际输出数据和基准输出数据,输入损失函数中,得到损失值,然后基于该损失值,对待训练的n个参考向量、待训练的初始化向量、待训练的更新模块、待训练的结果模块、待训练的局部特征提取模型和待训练的组合模型进行训练(也可以成为进行调参)。
在进行过一次训练后,可以再从样本集合中获取另外的样本数据,对待训练的n个参考向量、待训练的初始化向量、待训练的更新模块、待训练的结果模块、待训练的局部特征提取模型和待训练的组合模型进行下一次的训练。使用多个不同的样本数据,重复步骤701-708对网络进行训练,当达到预设结束条件时,可以结束训练,将最后一次训练之后得到的全局特征提取模型(包括n个参考向量、初始化模块、更新模块和结果模块)、局部特征提取模型和组合模型,确定为经过训练的全局特征提取模型、经过训练的局部特征提取模型和经过训练的组合模型。
预设结束条件可以有多种设定,以下为其中的三种:
第一种,工作人员可以预先设定训练的次数阈值,当实际的训练次数(即调整参数的次数)达到次数阈值时,可以停止训练。例如,次数阈值可以设置为200或300等,也可以是其他合理性的次数,本申请实施例对此不作限定。
第二种,工作人员可以预先设定损失值阈值,当最近的预设次数个损失值均小于损失值阈值时,可以停止训练。例如,可以设定预设次数是3,设定损失值阈值是0.1,则最近的三次训练计算出的损失值均小于0.1时,可以停止训练。
第三种,当实际的训练次数达到预设的次数阈值,且最近的预设次数个损失值均小于损失值阈值时,可以停止训练。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
本申请实施例中提到的方案,可以基于目标账号的属性向量、关联对象的属性向量、关联对象与目标账号的关联关系和进行训练的特征提取模型,确定出目标账号的特征向量和每个关联对象的特征向量,使用上述方法确定出存储的多个账号的特征向量和多个对象的特征向量,然后,在检测到目标账号的展示触发事件时,可以基于当前存储的目标账号的特征向量和多个对象的特征向量,确定出对目标账号展示的目标对象,然后可以向目标账号推送目标对象的展示信息。在上述方法中,确定出的关联对象既可以包括与目标账号具有正关联关系的对象,也可以包括与目标账号具有负关联关系的对象,这样,确定出的目标账号的特征向量即是融合了该目标账号喜欢的对象和厌恶的对象的信息的特征向量,那么,使用该特征向量确定出的目标对象,也会较为准确,提高了推送的展示信息的转化率,提高了用户的使用体验。
本申请实施例提供了一种推送展示信息的装置,该装置可以是上述实施例中的计算机设备,如图8所示,所述装置包括:
获取模块810,用于获取目标账号的属性向量和所述目标账号对应的关联对象的属性向量,其中,所述关联对象是在用于展示的多个对象中与所述目标账号具有关联关系的对象,所述关联关系为正关联关系或负关联关系;
确定模块820,用于基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的特征提取模型,确定所述目标账号的特征向量和所述关联对象的特征向量;
展示模块830,用于当检测到目标账号的展示触发事件时,基于当前存储的所述目标账号的特征向量和所述多个对象的特征向量,确定对所述目标账号展示的目标对象,向所述目标账号推送所述目标对象的展示信息。
在一种可能的实现方式中,所述获取模块810,还用于:
在用于展示的多个对象中,获取预设时段内与所述目标账号具有关联关系的对象,得到所述目标账号对应的初始关联对象;
确定在所述初始关联对象中,与所述目标账号具有正关联关系的初始关联对象的第一数目和与所述目标账号具有负关联关系的初始关联对象的第二数目;
在所述目标账号对应的初始关联对象中,确定所述目标账号对应的关联对象,其中,所述关联对象中的与所述目标账号具有正关联关系的初始关联对象的数目小于或等于第一数目阈值,所述关联对象中的与所述目标账号具有负关联关系的初始关联对象的数目小于或等于第二数目阈值。
在一种可能的实现方式中,所述获取模块810,用于:
基于所述目标账号的每个属性参数对应的预设向量,确定所述目标账号的属性向量;
基于所述关联对象的每个属性参数对应的预设向量,确定所述关联对象的属性向量。
在一种可能的实现方式中,所述特征提取模型包括全局特征提取模型、局部特征提取模型和组合模型;
所述确定模块820,用于:
基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的全局特征提取模型,确定所述目标账号的全局特征向量和所述关联对象的全局特征向量;
基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的局部特征提取模型,确定所述目标账号的局部特征向量和所述关联对象的局部特征向量;
基于所述目标账号的全局特征向量、所述目标账号的局部特征向量、所述关联对象的全局特征向量、所述关联对象的局部特征向量和经过训练的组合模型,确定所述目标账号的特征向量和所述关联对象的特征向量。
在一种可能的实现方式中,所述全局特征提取模型包括初始化模块、更新模块和结果模块;
所述确定模块820,用于:
基于所述目标账号的属性向量、所述关联对象的属性向量、n个参考向量和所述初始化模块,确定所述目标账号对应的初始权重向量和每个关联对象对应的初始权重向量,其中,所述初始权重向量包括n个初始权重值,n为预设数目;
基于所述目标账号对应的初始权重向量、所述每个关联对象对应的初始权重向量、所述关联对象与所述目标账号的关联关系和所述更新模块,分别对所述目标账号对应的初始权重向量和所述关联对象对应的初始权重向量进行更新,得到所述目标账号对应的权重向量和所述每个关联对象对应的权重向量,其中,所述权重向量包括n个权重值;
基于所述目标账号对应的权重向量、所述每个关联对象对应的权重向量、所述n个参考向量和所述结果模块,确定所述目标账号的全局特征向量和所述关联对象的全局特征向量。
在一种可能的实现方式中,所述初始化模块包括MLP子模块;
所述确定模块820,用于:
将所述目标账号的属性向量和所述关联对象的属性向量,分别输入所述MLP子模块,得到所述目标账号的调整向量和所述关联对象的调整向量;
将所述目标账号的调整向量和每个关联对象的调整向量,分别与所述n个参考向量进行向量内积处理,得到目标账号对应的n个初始权重值和所述每个关联对象对应的n个初始权重值,作为所述目标账号对应的初始权重向量和所述关联对象对应的初始权重向量。
在一种可能的实现方式中,所述确定模块820,用于:
对于由所述目标账号和所述关联对象组成的节点集合中的每个节点,将与所述节点具有正关联关系的其他节点对应的初始权重向量进行对位相加处理,得到所述节点对应的正权重向量,将与所述节点具有负关联关系的其他节点对应的初始权重向量进行对位相加处理,得到所述节点对应的负权重向量,将所述节点对应的初始权重向量、所述节点对应的正权重向量和所述节点对应的负权重向量进行拼接处理,得到所述节点对应的关联权重向量,其中,所述节点是所述目标账号或所述关联对象;
对每个节点对应的关联权重向量分别进行非线性变换处理,得到所述目标账号对应的权重向量和所述关联对象对应的权重向量。
在一种可能的实现方式中,所述确定模块820,用于:
分别使用所述目标账号对应的权重向量和所述关联对象对应的权重向量,对所述n个参考向量进行加权和处理,得到所述目标账号的全局特征向量和所述关联对象的全局特征向量。
在一种可能的实现方式中,所述确定模块820,用于:
对于由所述目标账号和所述关联对象组成的节点集合中的每个节点,将与所述节点具有正关联关系的其他节点的属性向量进行对位相加,得到所述节点的正属性向量,将与所述节点具有负关联关系的其他节点的特征向量进行对位相加,得到所述节点的负属性向量,将所述节点的属性向量、所述节点的正属性向量和所述节点的负属性向量进行拼接处理,得到所述节点的关联属性向量,其中,所述节点是所述目标账号或所述关联对象;
对每个节点的关联属性向量分别进行非线性变换处理,得到所述目标账号的局部特征向量和所述关联对象的局部特征向量。
在一种可能的实现方式中,所述确定模块820,用于:
对于由所述目标账号和所述关联对象组成的节点集合中的每个节点,将所述节点的全局特征向量和所述节点的局部特征向量进行拼接处理,得到所述节点的拼接特征向量,其中,所述节点是所述目标账号或所述关联对象;
对每个节点的拼接特征向量分别进行非线性变换处理,得到所述目标账号的特征向量和所述关联对象的特征向量。
在一种可能的实现方式中,所述展示模块830,用于:
在所述当前存储的目标账号的特征向量和所述多个对象的特征向量中,分别确定所述目标账号的特征向量与每个对象的特征向量之间的关联度;
基于所述目标账号的特征向量与每个对象的特征向量之间的关联度,确定对所述目标账号展示的目标对象。
在一种可能的实现方式中,所述装置还包括训练模块,用于:
获取样本输入数据和基准输出数据,其中,所述样本输入数据是存储的样本账号的属性向量、所述样本账号对应的样本关联对象的属性向量、以及样本关联对象与样本账号的关联关系,所述样本关联对象是在用于展示的多个对象中与所述样本账号具有关联关系的对象,所述基准输出数据包括每个样本关联对象对应的与所述样本账号之间的关联值,与所述样本账号的关联关系为正关联关系的样本关联对象对应的关联值为1,与所述样本账号的关联关系为负关联关系的样本关联对象对应的关联值为0;
基于所述样本账号的属性向量、所述样本关联对象的属性向量、待训练的n个参考向量和待训练的初始化模块,确定所述样本账号对应的初始权重向量和每个样本关联对象对应的初始权重向量;
基于所述样本账号对应的初始权重向量、所述每个样本关联对象对应的初始权重向量、所述样本关联对象与所述样本账号的关联关系和待训练的更新模块,确定所述样本账号对应的权重向量和所述样本关联对象对应的权重向量;
基于所述样本账号对应的权重向量、所述每个样本关联对象对应的权重向量、所述待训练的n个参考向量和待训练的结果模块,确定所述样本账号的全局特征向量和所述样本关联对象的全局特征向量;
基于所述样本账号的属性向量、所述样本关联对象的属性向量、所述样本关联对象与所述样本账号的关联关系和待训练的局部特征提取模型,确定所述样本账号的局部特征向量和所述样本关联对象的局部特征向量;
基于所述样本账号的全局特征向量、所述样本账号的局部特征向量、所述样本关联对象的全局特征向量、所述样本关联对象的局部特征向量和待训练的组合模型,确定所述样本账号的特征向量和所述样本关联对象的特征向量;
分别计算所述样本账号的特征向量与每个样本关联对象的特征向量之间的关联度,得到实际输出数据;
基于所述实际输出数据和所述基准输出数据,对所述待训练的n个参考向量、所述待训练的初始化模块、所述待训练的更新模块、所述待训练的结果模块、所述待训练的局部特征提取模型和所述待训练的组合模型进行训练,得到经过训练的n个参考向量、经过训练的初始化模块、经过训练的更新模块、经过训练的结果模块、所述经过训练的局部特征提取模型和所述经过训练的组合模型。
需要说明的是:上述实施例提供的推送展示信息的装置在推送展示信息时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的推送展示信息的装置与推送展示信息的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图9是本申请实施例提供的一种服务器的结构示意图,该服务器900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器901和一个或一个以上的存储器902,其中,所述存储器902中存储有至少一条指令,所述至少一条指令由所述处理器901加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述实施例中推送展示信息的方法。该计算机可读存储介质可以是非暂态的。例如,所述计算机可读存储介质可以是ROM(read-onlymemory,只读存储器)、RAM(random access memory,随机存取存储器)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
需要说明的是,本申请所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号(包括但不限于用户终端与其他设备之间传输的信号等),均为经用户授权或者经过各方充分授权的,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如,本申请中涉及到的“账号ID”都是在充分授权的情况下获取的。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种推送展示信息的方法,其特征在于,所述方法包括:
获取目标账号的属性向量和所述目标账号对应的关联对象的属性向量,其中,所述关联对象是在用于展示的多个对象中与所述目标账号具有关联关系的对象,所述关联关系为正关联关系或负关联关系;
基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的特征提取模型,确定所述目标账号的特征向量和所述关联对象的特征向量;
当检测到目标账号的展示触发事件时,基于当前存储的所述目标账号的特征向量和所述多个对象的特征向量,确定对所述目标账号展示的目标对象,向所述目标账号推送所述目标对象的展示信息。
2.根据权利要求1所述的方法,其特征在于,所述获取目标账号的属性向量和所述目标账号对应的关联对象的属性向量之前,所述方法还包括:
在用于展示的多个对象中,获取预设时段内与所述目标账号具有关联关系的对象,得到所述目标账号对应的初始关联对象;
确定在所述初始关联对象中,与所述目标账号具有正关联关系的初始关联对象的第一数目和与所述目标账号具有负关联关系的初始关联对象的第二数目;
在所述目标账号对应的初始关联对象中,确定所述目标账号对应的关联对象,其中,所述关联对象中的与所述目标账号具有正关联关系的初始关联对象的数目小于或等于第一数目阈值,所述关联对象中的与所述目标账号具有负关联关系的初始关联对象的数目小于或等于第二数目阈值。
3.根据权利要求1所述的方法,其特征在于,所述获取目标账号的属性向量和所述目标账号对应的关联对象的属性向量,包括:
基于所述目标账号的每个属性参数对应的预设向量,确定所述目标账号的属性向量;
基于所述关联对象的每个属性参数对应的预设向量,确定所述关联对象的属性向量。
4.根据权利要求1所述的方法,其特征在于,所述特征提取模型包括全局特征提取模型、局部特征提取模型和组合模型;
所述基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的特征提取模型,确定所述目标账号的特征向量和所述关联对象的特征向量,包括:
基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的全局特征提取模型,确定所述目标账号的全局特征向量和所述关联对象的全局特征向量;
基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的局部特征提取模型,确定所述目标账号的局部特征向量和所述关联对象的局部特征向量;
基于所述目标账号的全局特征向量、所述目标账号的局部特征向量、所述关联对象的全局特征向量、所述关联对象的局部特征向量和经过训练的组合模型,确定所述目标账号的特征向量和所述关联对象的特征向量。
5.根据权利要求4所述的方法,其特征在于,所述全局特征提取模型包括初始化模块、更新模块和结果模块;
所述基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的全局特征提取模型,确定所述目标账号的全局特征向量和所述关联对象的全局特征向量,包括:
基于所述目标账号的属性向量、所述关联对象的属性向量、n个参考向量和所述初始化模块,确定所述目标账号对应的初始权重向量和每个关联对象对应的初始权重向量,其中,所述初始权重向量包括n个初始权重值,所述n为预设数目;
基于所述目标账号对应的初始权重向量、所述每个关联对象对应的初始权重向量、所述关联对象与所述目标账号的关联关系和所述更新模块,分别对所述目标账号对应的初始权重向量和所述关联对象对应的初始权重向量进行更新,得到所述目标账号对应的权重向量和所述每个关联对象对应的权重向量,其中,所述权重向量包括n个权重值;
基于所述目标账号对应的权重向量、所述每个关联对象对应的权重向量、所述n个参考向量和所述结果模块,确定所述目标账号的全局特征向量和所述关联对象的全局特征向量。
6.根据权利要求5所述的方法,其特征在于,所述初始化模块包括多层感知机MLP子模块;
所述基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系、n个参考向量和所述初始化模块,确定所述目标账号对应的初始权重向量和所述关联对象对应的初始权重向量,包括:
将所述目标账号的属性向量和所述关联对象的属性向量,分别输入所述MLP子模块,得到所述目标账号的调整向量和所述关联对象的调整向量;
将所述目标账号的调整向量和每个关联对象的调整向量,分别与所述n个参考向量进行向量内积处理,得到目标账号对应的n个初始权重值和所述每个关联对象对应的n个初始权重值,作为所述目标账号对应的初始权重向量和所述关联对象对应的初始权重向量。
7.根据权利要求5所述的方法,其特征在于,所述基于所述目标账号对应的初始权重向量、所述每个关联对象对应的初始权重向量、所述关联对象与所述目标账号的关联关系和所述更新模块,分别对所述目标账号对应的初始权重向量和所述关联对象对应的初始权重向量进行更新,得到所述目标账号对应的权重向量和所述每个关联对象对应的权重向量,包括:
对于由所述目标账号和所述关联对象组成的节点集合中的每个节点,将与所述节点具有正关联关系的其他节点对应的初始权重向量进行对位相加处理,得到所述节点对应的正权重向量,将与所述节点具有负关联关系的其他节点对应的初始权重向量进行对位相加处理,得到所述节点对应的负权重向量,将所述节点对应的初始权重向量、所述节点对应的正权重向量和所述节点对应的负权重向量进行拼接处理,得到所述节点对应的关联权重向量,其中,所述节点是所述目标账号或所述关联对象;
对每个节点对应的关联权重向量分别进行非线性变换处理,得到所述目标账号对应的权重向量和所述关联对象对应的权重向量。
8.根据权利要求5所述的方法,其特征在于,所述基于所述目标账号对应的权重向量、所述每个关联对象对应的权重向量、所述n个参考向量和所述结果模块,确定所述目标账号的全局特征向量和所述关联对象的全局特征向量,包括:
分别使用所述目标账号对应的权重向量和所述关联对象对应的权重向量,对所述n个参考向量进行加权和处理,得到所述目标账号的全局特征向量和所述关联对象的全局特征向量。
9.根据权利要求4所述的方法,其特征在于,所述基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的局部特征提取模型,确定所述目标账号的局部特征向量和所述关联对象的局部特征向量,包括:
对于由所述目标账号和所述关联对象组成的节点集合中的每个节点,将与所述节点具有正关联关系的其他节点的属性向量进行对位相加,得到所述节点的正属性向量,将与所述节点具有负关联关系的其他节点的特征向量进行对位相加,得到所述节点的负属性向量,将所述节点的属性向量、所述节点的正属性向量和所述节点的负属性向量进行拼接处理,得到所述节点的关联属性向量,其中,所述节点是所述目标账号或所述关联对象;
对每个节点的关联属性向量分别进行非线性变换处理,得到所述目标账号的局部特征向量和所述关联对象的局部特征向量。
10.根据权利要求4所述的方法,其特征在于,所述基于所述目标账号的全局特征向量、所述目标账号的局部特征向量、所述关联对象的全局特征向量、所述关联对象的局部特征向量和经过训练的组合模型,确定所述目标账号的特征向量和所述关联对象的特征向量,包括:
对于由所述目标账号和所述关联对象组成的节点集合中的每个节点,将所述节点的全局特征向量和所述节点的局部特征向量进行拼接处理,得到所述节点的拼接特征向量,其中,所述节点是所述目标账号或所述关联对象;
对每个节点的拼接特征向量分别进行非线性变换处理,得到所述目标账号的特征向量和所述关联对象的特征向量。
11.根据权利要求1所述的方法,其特征在于,所述基于当前存储的所述目标账号的特征向量和所述多个对象的特征向量,确定对所述目标账号展示的目标对象,包括:
在所述当前存储的目标账号的特征向量和所述多个对象的特征向量中,分别确定所述目标账号的特征向量与每个对象的特征向量之间的关联度;
基于所述目标账号的特征向量与每个对象的特征向量之间的关联度,确定对所述目标账号展示的目标对象。
12.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取样本输入数据和基准输出数据,其中,所述样本输入数据是存储的样本账号的属性向量、所述样本账号对应的样本关联对象的属性向量、以及样本关联对象与样本账号的关联关系,所述样本关联对象是在用于展示的多个对象中与所述样本账号具有关联关系的对象,所述基准输出数据包括每个样本关联对象对应的与所述样本账号之间的关联值,与所述样本账号的关联关系为正关联关系的样本关联对象对应的关联值为1,与所述样本账号的关联关系为负关联关系的样本关联对象对应的关联值为0;
基于所述样本账号的属性向量、所述样本关联对象的属性向量、待训练的n个参考向量和待训练的初始化模块,确定所述样本账号对应的初始权重向量和每个样本关联对象对应的初始权重向量;
基于所述样本账号对应的初始权重向量、所述每个样本关联对象对应的初始权重向量、所述样本关联对象与所述样本账号的关联关系和待训练的更新模块,确定所述样本账号对应的权重向量和所述样本关联对象对应的权重向量;
基于所述样本账号对应的权重向量、所述每个样本关联对象对应的权重向量、所述待训练的n个参考向量和待训练的结果模块,确定所述样本账号的全局特征向量和所述样本关联对象的全局特征向量;
基于所述样本账号的属性向量、所述样本关联对象的属性向量、所述样本关联对象与所述样本账号的关联关系和待训练的局部特征提取模型,确定所述样本账号的局部特征向量和所述样本关联对象的局部特征向量;
基于所述样本账号的全局特征向量、所述样本账号的局部特征向量、所述样本关联对象的全局特征向量、所述样本关联对象的局部特征向量和待训练的组合模型,确定所述样本账号的特征向量和所述样本关联对象的特征向量;
分别计算所述样本账号的特征向量与每个样本关联对象的特征向量之间的关联度,得到实际输出数据;
基于所述实际输出数据和所述基准输出数据,对所述待训练的n个参考向量、所述待训练的初始化模块、所述待训练的更新模块、所述待训练的结果模块、所述待训练的局部特征提取模型和所述待训练的组合模型进行训练,得到经过训练的n个参考向量、经过训练的初始化模块、经过训练的更新模块、经过训练的结果模块、所述经过训练的局部特征提取模型和所述经过训练的组合模型。
13.一种推送展示信息的装置,其特征在于,所述装置包括:
获取模块,用于获取目标账号的属性向量和所述目标账号对应的关联对象的属性向量,其中,所述关联对象是在用于展示的多个对象中与所述目标账号具有关联关系的对象,所述关联关系为正关联关系或负关联关系;
确定模块,基于所述目标账号的属性向量、所述关联对象的属性向量、所述关联对象与所述目标账号的关联关系和经过训练的特征提取模型,确定所述目标账号的特征向量和所述关联对象的特征向量;
展示模块,用于当检测到目标账号的展示触发事件时,基于当前存储的所述目标账号的特征向量和所述多个对象的特征向量,确定对所述目标账号展示的目标对象,向所述目标账号推送所述目标对象的展示信息。
14.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如权利要求1至权利要求12任一项所述的推送展示信息的方法所执行的操作。
15.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1至权利要求12任一项所述的推送展示信息的方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201890.7A CN114611022A (zh) | 2022-03-03 | 2022-03-03 | 推送展示信息的方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201890.7A CN114611022A (zh) | 2022-03-03 | 2022-03-03 | 推送展示信息的方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114611022A true CN114611022A (zh) | 2022-06-10 |
Family
ID=81861178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210201890.7A Pending CN114611022A (zh) | 2022-03-03 | 2022-03-03 | 推送展示信息的方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611022A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018009A (zh) * | 2022-07-07 | 2022-09-06 | 北京百度网讯科技有限公司 | 对象描述方法、网络模型的训练方法及装置 |
-
2022
- 2022-03-03 CN CN202210201890.7A patent/CN114611022A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018009A (zh) * | 2022-07-07 | 2022-09-06 | 北京百度网讯科技有限公司 | 对象描述方法、网络模型的训练方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110297848B (zh) | 基于联邦学习的推荐模型训练方法、终端及存储介质 | |
CN109902708A (zh) | 一种推荐模型训练方法及相关装置 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN103150696A (zh) | 选择目标增值业务潜在客户的方法及装置 | |
CN111815169B (zh) | 业务审批参数配置方法及装置 | |
CN108595493A (zh) | 媒体内容的推送方法和装置、存储介质、电子装置 | |
CN110647683A (zh) | 一种信息推荐方法、装置 | |
CN111695084A (zh) | 模型生成方法、信用评分生成方法、装置、设备及存储介质 | |
CN112100221A (zh) | 一种资讯推荐方法、装置、推荐服务器及存储介质 | |
CN112434184A (zh) | 基于历史影视海报的深度兴趣网络的排序方法 | |
CN114611022A (zh) | 推送展示信息的方法、装置、设备和存储介质 | |
CN108268519A (zh) | 一种推荐网络对象的方法和装置 | |
CN113486250A (zh) | 内容推荐方法、装置、设备及计算机可读存储介质 | |
CN111340566B (zh) | 一种商品分类方法、装置、电子设备及存储介质 | |
CN113327152A (zh) | 商品推荐方法、装置、计算机设备及存储介质 | |
CN117010992A (zh) | 用于多任务多场景推荐的推荐模型的训练方法和推荐方法 | |
CN115760315A (zh) | 商品推荐方法及其装置、设备、介质 | |
CN114741606A (zh) | 企业推荐方法、装置、计算机可读介质及电子设备 | |
CN111861674B (zh) | 一种产品推荐方法和系统 | |
CN112307319A (zh) | 一种页面生成方法及装置 | |
CN112860999A (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN113516524A (zh) | 用于推送信息的方法和装置 | |
CN113297467A (zh) | 推荐方法、装置及计算机存储介质 | |
CN113450167A (zh) | 一种商品推荐方法和装置 |
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 |