CN114625876B - 作者特征模型的生成方法、作者信息处理方法和装置 - Google Patents

作者特征模型的生成方法、作者信息处理方法和装置 Download PDF

Info

Publication number
CN114625876B
CN114625876B CN202210265443.8A CN202210265443A CN114625876B CN 114625876 B CN114625876 B CN 114625876B CN 202210265443 A CN202210265443 A CN 202210265443A CN 114625876 B CN114625876 B CN 114625876B
Authority
CN
China
Prior art keywords
author
information
author information
user
feature
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.)
Active
Application number
CN202210265443.8A
Other languages
English (en)
Other versions
CN114625876A (zh
Inventor
陈维识
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202210265443.8A priority Critical patent/CN114625876B/zh
Publication of CN114625876A publication Critical patent/CN114625876A/zh
Application granted granted Critical
Publication of CN114625876B publication Critical patent/CN114625876B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/383—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种作者特征模型的生成方法、作者信息处理方法和装置，所述方法包括：获取多个用户分组下对应的阅读序列信息，其中，每一所述用户分组中包含多个用户，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本；基于特征提取模型对所述多组对比样本进行特征提取，并确定每一组对比样本对应的距离信息；根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新，完成所述特征提取模型的一次训练，直至获得训练完成的作者特征模型，其中，所述作者特征模型用于输出作者信息对应的特征向量。

Description

作者特征模型的生成方法、作者信息处理方法和装置
技术领域
本公开涉及计算机技术领域，具体地，涉及一种作者特征模型的生成方法、作者信息处理方法和装置。
背景技术
随着计算机技术的发展，互联网中的数据也越来越多。为了便于用户可以更加准确、快捷地从互联网获取满足其需求的数据，通常可以对作者进行聚类，从而可以确定出相似的作者，以便于为用户推荐相同类型的内容。
在对作者进行聚类时需要对作者信息进行特征提取，相关技术中，在对作者信息进行特征提取时，提取出的作者信息的特征重心会受到用户消费的影响，即通常情况下对应的阅读量更大的作者会更倾向于出现在特征向量空间的重心，在基于该特征向量对作者进行聚类时，会使得聚类结果不稳定，难以获得准确的聚类结果，从而降低为用户推荐内容的准确性。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种作者特征模型的生成方法，所述方法包括：
获取多个用户分组下对应的阅读序列信息，其中，每一所述用户分组中包含多个用户，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本；
基于特征提取模型对所述多组对比样本进行特征提取，并确定每一组对比样本对应的距离信息；
根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新，完成所述特征提取模型的一次训练，直至获得训练完成的作者特征模型，其中，所述作者特征模型用于输出作者信息对应的特征向量。
第二方面，本公开提供一种作者信息处理方法，所述方法包括：
获取目标用户分组中的每一目标用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于第一方面所述的作者特征模型的生成方法所生成的；
基于所述目标用户分组中的每一所述作者信息对应的特征向量，对所述目标用户分组对应的作者信息进行处理。
第三方面，本公开提供一种作者信息处理方法，所述方法包括：
获取各个用户分组中的每一用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于第一方面所述的作者特征模型的生成方法所生成的；
基于每一所述作者信息对应的特征向量，对所述作者信息进行聚类处理，获得所述多个作者信息对应作者信息分组。
第四方面，本公开提供一种作者特征模型的生成装置，所述装置包括：
第一获取模块，用于获取多个用户分组下对应的阅读序列信息，其中，每一所述用户分组中包含多个用户，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
生成模块，用于基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本；
第一处理模块，用于基于特征提取模型对所述多组对比样本进行特征提取，并确定每一组对比样本对应的距离信息；
更新模块，用于根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新，完成所述特征提取模型的一次训练，直至获得训练完成的作者特征模型，其中，所述作者特征模型用于输出作者信息对应的特征向量。
第五方面，本公开提供一种作者信息处理装置，所述装置包括：
第二获取模块，用于获取目标用户分组中的每一目标用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
第一提取模块，用于基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于第一方面所述的作者特征模型的生成方法所生成的；
第二处理模块，用于基于所述目标用户分组中的每一所述作者信息对应的特征向量，对所述目标用户分组对应的作者信息进行处理。
第六方面，本公开提供一种作者信息处理装置，所述装置包括：
第三获取模块，用于获取各个用户分组中的每一用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
第二提取模块，用于基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于第一方面所述的作者特征模型的生成方法所生成的；
第三处理模块，用于基于每一所述作者信息对应的特征向量，对所述作者信息进行聚类处理，获得所述多个作者信息对应作者信息分组。
第七方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面或第二方面或第三方面所述方法的步骤。
第八方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面或第二方面或第三方面所述方法的步骤。
在上述技术方案中，获取多个用户分组下对应的阅读序列信息，从而可以基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本；并基于特征提取模型对所述多组对比样本进行特征提取，并确定每一组对比样本对应的距离信息；以根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新，完成所述特征提取模型的一次训练，直至获得训练完成的作者特征模型。由此，通过上述技术方案，可以基于多个用户的用户分组特征从用户的阅读序列信息中确定出多组对比样本，使得基于该对比样本训练生成的作者特征模型对作者信息进行准确的特征提取，使得提取出的特征与用户相匹配，避免提取出的作者特征受阅读量的影响，为后续基于作者特征对作者进行聚类提供准确的数据支持，提高聚类结果的稳定性，进一步提高为用户推荐内容的准确性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1为根据本公开的一种实施方式提供的作者特征模型的生成方法的流程图；
图2为基于本公开的一种实施方式提供的作者特征模型的训练流程示意图；
图3为根据本公开的一种实施方式提供的作者信息处理方法的流程图；
图4为基于现有技术中直接提取作者信息的特征向量以进行聚类的示意图；
图5为基于本公开中的实施方式对作者信息进行聚类获得作者信息分组的示意图；
图6为根据本公开的一种实施方式提供的作者特征模型的生成装置的框图；
图7为根据本公开的一种实施方式提供的作者信息处理装置的框图；
图8示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1所示，为根据本公开的一种实施方式提供的作者特征模型的生成方法的流程图，如图1所示，所述方法可以包括：
在步骤11中，获取多个用户分组下对应的阅读序列信息，其中，每一所述用户分组中包含多个用户，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息。
其中，所述内容可以是文本、图像、音频、视频、动画等对应的数据。在本公开实施例中，在用户许可的情况下可以获取该用户的阅读数据，并对该阅读数据进行预处理，例如提取出该阅读数据中的每一内容对应的作者信息，并按照阅读时间由早至晚的顺序对每一内容对应的作者信息进行排序，从而获得该阅读序列信息，如，获得的用户A的阅读序列信息表示如下：
{userID1，userID2，userID3，……，userIDn}。
在一种可能的实施例中，可以基于多个用户的特征信息预先对多个用户进行聚类。示例地，可以在用户许可的情况下获得用户的特征数据，如兴趣标签等，通过将该兴趣标签与所述作者信息的特征进行拼接获得用户的特征信息，从而基于该特征信息对多个用户进行聚类，获得多个用户分组。其中，该聚类方式可以为k-means聚类或者LDA(LatentDirichlet Allocation)模型进行聚类。其中，在基于LDA模型进行聚类时，可以将每一作者信息作为一个分词，以基于本领域中的LDA算法进行聚类，在此不再赘述。
在步骤12中，基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本，每组对比样本中可以包含与该组对比样本对应的基准作者信息、以及与该基准作者信息对应的至少一个对比作者信息。
其中，在获得的多个用户分组下，通常具有如下特征：属于同一用户分组下的各个用户的阅读偏好相近，即属于同一用户分组下的各个用户对应的阅读序列相近，属于不同用户分组下的用户之间的阅读偏好不同，即属于不同用户分组下的用户的阅读序列差异较大。基于此，在本公开中实施例中，则可以基于上述特征构建特征提取模型训练过程中的对比学习的样本，即该对比样本，使得基于训练后的作者特征模型可以对作者信息的特征进行准确提取，并基于提取出的特征向量对作者信息进行准确且全面的表征。
在步骤13中，基于特征提取模型对多组对比样本进行特征提取，并确定每一组对比样本对应的距离信息。
其中，可以将该对比样本中的每一作者信息输入特征提取模型，获得该对比样本中的每一作者信息对应的特征向量，之后则可以基于该特征向量进行距离计算。如每一组对比样本对应的距离信息可以包括该组对比样本中的基准作者信息与其对应的每一对比作者信息之间的距离。作为示例，该距离信息可以为欧氏距离。作为另一示例，该距离信息可以通过cosine进行确定，将对比样本中的两个作者信息对应的特征向量之间的cosine值的相反数作为该距离信息。其中，欧氏距离和cosine值的计算为本领域中的公知计算方式，在此不再赘述。
在步骤14中，根据每一组对比样本对应的距离信息对所述特征提取模型的参数进行更新，完成所述特征提取模型的一次训练，直至获得训练完成的作者特征模型，其中，所述作者特征模型用于输出作者信息对应的特征向量。
其中，可以基于每一组对比样本对应的距离信息确定目标损失，并在目标损失小于损失阈值的情况下，基于该目标损失对特征提取模型的参数进行更新。示例地，可以采用梯度下降法对特征提取模型的参数进行更新。在该实施例中，上述过程为所述特征提取模型的一次训练，则在本次训练结束后，若未满足训练停止条件，则可以基于上述步骤11-步骤14再次进行下一次训练，直至满足训练停止条件。作为示例，该训练停止条件可以为目标损失小于损失阈值，也可以是训练次数达到次数阈值。其中损失阈值和次数阈值可以基于具体的应用场景进行设置，在此不再赘述。
在上述技术方案中，获取多个用户分组下对应的阅读序列信息，从而可以基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本；并基于特征提取模型对所述多组对比样本进行特征提取，并确定每一组对比样本对应的距离信息；以根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新，完成所述特征提取模型的一次训练，直至获得训练完成的作者特征模型。由此，通过上述技术方案，可以基于多个用户的用户分组特征从用户的阅读序列信息中确定出多组对比样本，使得基于该对比样本训练生成的作者特征模型对作者信息进行准确的特征提取，使得提取出的特征与用户相匹配，避免提取出的作者特征受阅读量的影响，为后续基于作者特征对作者进行聚类提供准确的数据支持，提高聚类结果的稳定性，进一步提高为用户推荐内容的准确性。
在一种可能的实施例中，所述基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本的示例性实现方式如下，该步骤可以包括：
获取基准用户对应的基准作者信息，其中，所述基准作者信息为所述基准用户对应的阅读序列信息的任一作者信息。
其中，可以从多个用户分组的用户中选择任一一个用户作为该基准用户。在确定出基准用户后，则可以从该基准用户对应的阅读序列信息的多个作者信息中选择任一一个作为该基准作者信息，基于该基准作者信息生成其对应的对比样本。
从与所述基准用户属于同一用户分组的第一对比用户的阅读序列信息选择第一作者信息，作为第一对比样本，其中，所述第一作者信息为所述第一对比用户的阅读序列信息的作者信息中的任一者。
示例地，可以在确定出基准用户后，确定该基准用户所属的用户分组，则可以进一步地从该用户分组中选择除该基准用户之外的任一用户作为该第一对比用户，并获得该第一对比用户的阅读序列信息。之后，可以从该第一对比用户对应的阅读序列信息的多个作者信息中选择一个作为该第一作者信息。其中，该基准用户与该第一对比用户同属一个用户分组，则该基准用户和第一对比用户之间的兴趣偏好相近，则该第一作者信息和基准作者信息之间应该相近。
从与所述基准用户属于不同用户分组的第二对比用户的阅读序列信息选择第二作者信息，作为第二对比样本，其中，所述第二作者信息为所述第二对比用户的阅读序列信息的作者信息中的任一者。
相应地，在确定出基准用户所属的用户分组后，则可以进一步地确定出对比分组，即与该基准用户所属的用户分组不同的用户分组，并从任一对比分组中选择一个用户作为第二对比用户，并获得该第二对比用户的阅读序列信息。之后，可以从该第二对比用户对应的阅读序列信息的多个作者信息中选择一个作为该第二作者信息。其中，该基准用户与该第二对比用户属于不同的用户分组，则该基准用户和第一对比用户之间的兴趣偏好不同，则该第二作者信息和基准作者信息之间的差异较大。
从所述基准用户对应的阅读序列信息选择第三作者信息，作为第三对比样本，其中，所述第三作者信息为所述基准用户对应的阅读序列信息中除所述基准作者信息之外的作者信息中的任一者，其中，所述基准作者信息、所述第一对比样本、所述第二对比样本和所述第三对比样本形成为一组对比样本。
相应地，在确定出基准用户后，可以从该基准用户对应的阅读序列信息中除该基准作者信息之外的其他作者信息中、选择一者作为第三作者信息。其中，该第三作者信息和基准作者信息为对应于同一用户的作者信息，即同一用户阅读过的两个作者，则该第三作者信息和基准作者信息之间应该比较相似。
作为示例，Ua可以用于表示该基准用户，{CUa}用于表示该基准用户所属的用户分组；
Usg用于表示和基准用户属于同一用户分组的用户，即该第一对比用户，即Ua,Usg∈{CUa}&Ua≠Usg；
Udg用于表示和基准用户属于不同用户分组的用户，即该第二对比用户，即Udg不属于{CUa}；
Seq(Ua)＝{A(a1),A(a2),…,A(ak)}用于表示基准用户对应的阅读序列信息(共包含k个作者信息)；
Seq(Usg)＝{A(m1),A(m2),…,A(mj)}用于表示第一对比用户对应的阅读序列信息(共包含j个作者信息)；
Seq(Udg)＝{A(n1),A(n2),…,A(np)}用于表示第二对比用户对应的阅读序列信息(共包含p个作者信息)。
由此，通过上述技术方案，可以基于多个用户分组确定出与基准作者信息对应的多种对比样本，从而可以对该基准作者信息从用户的角度进行关联对比，提高后续提取出的作者特征与用户特征之间的匹配度，同时可以在一定程度上提高基于该对比样本进行训练的作者特征模型输出的特征向量的稳定性。
在一种可能的实施例中，所述根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新的示例性实现方式如下，该步骤可以包括：
根据所述第一对比样本对应的距离信息和所述第二对比样本对应的距离信息，生成第一损失。
其中，所述第一对比样本对应的距离信息为所述基准作者信息和所述第一对比样本之间的距离，所述第二对比样本对应的距离信息为所述基准作者信息和所述第二对比样本之间的距离。由于第一对比样本为从与所述基准用户属于同一用户分组的第一对比用户的阅读序列信息选择出的作者信息，第二对比样本为从与所述基准用户属于不同用户分组的第二对比用户的阅读序列信息选择出的作者信息，且属于同一用户分组的用户之间相似度更高，即属于同一用户分组中两个用户各自的阅读序列信息中选择的作者信息之间的距离、会小于属于不同用户分组的两个用户各自的阅读序列信息中选择的作者信息之间的距离，作为示例，可以基于上述距离关系，即则第一对比样本对应的距离信息应该小于第二对比样本对应的距离信息进行约束确定第一损失。例如，可以基于上述距离信息确定两分类的分类输出，基于输出的0和1的标签进行损失计算，示例地，可以基于本领域中的任一两分类的损失计算方式进行确定。
作为另一示例，所述第一损失为第一差值与零之间的最小值，所述第一差值为所述第一对比样本对应的距离信息减去所述第二对比样本对应的距离信息的差值。
即，第一损失loss1可以表示为Min(D2_Pos–D3_Mod,0)，其中，D2_Pos表示第一对比样本对应的距离信息；D3_Mod表示第二对比样本对应的距离信息。
根据所述第一对比样本对应的距离信息和所述第三对比样本对应的距离信息，生成第二损失。
其中，所述第三对比样本对应的距离信息为所述基准作者信息和所述第三对比样本之间的距离。由于第一对比样本为从与所述基准用户属于同一用户分组的第一对比用户的阅读序列信息选择出的作者信息，第三对比样本为基准用户对应的阅读序列信息中除该基准作者信息之外的其他任一作者信息，且属于同一用户的阅读序列信息中的作者信息之间的相似度更高，即属于同一用户的阅读序列信息中的两个作者信息之间的距离、会小于同一用户分组中两个用户各自的阅读序列信息中选择的作者信息之间的距离。作为示例，可以基于上述距离关系，即则第三对比样本对应的距离信息应该小于第第一对比样本对应的距离信息进行约束确定第二损失。例如，可以基于上述距离信息确定两分类的分类输出，基于输出的0和1的标签进行损失计算。
作为示例，所述第二损失为第二差值与零之间的最小值，所述第二差值为所述第三对比样本对应的距离信息与减去所述第一对比样本对应的距离信息的差值。
即，第二损失loss2可以表示为Min(D1_Mod–D2_Pos,0)，其中，D2_Pos表示第一对比样本对应的距离信息；D1_Mod表示第三对比样本对应的距离信息。其中，如图2所示，为基于本公开的一种实施方式提供的作者特征模型的训练流程示意图。
根据所述第一损失和所述第二损失，生成所述特征提取模型的目标损失，并根据所述目标损失对所述特征提取模型进行更新。
其中，可以将第一损失和第二损失的加权和作为目标损失。作为示例，在目标损失小于损失阈值的情况下，根据所述目标损失对特征提取模型的参数进行更新。其中可以通过梯度下降法进行更新。作为另一示例，可以在特征提取模型的训练次数小于迭代阈值的情况下，根据目标损失对特征提取模型的参数进行更新。
由此，通过上述技术方案，可以基于不同的对比样本之间的关系对特征提取模型的损失进行计算，使得训练得出的作者特征模型提取出的特征维度满足用户分组之间的约束，提高作者特征模型提取出的特征向量的准确性，为后续对作者信息进行处理提供可靠的数据支持。
在一种可能的实施例中，所述方法还包括：
在满足分组更新条件的情况下，基于当前的特征提取模型确定每一所述作者信息的特征向量，并基于每一所述作者信息的特征向量获得每一用户的特征向量。
其中，所述分组更新条件可以是距离上次更新后的训练次数达到预设的次数阈值，该分组更新条件也可以是在对特征提取模型进行更新。之后，则可以基于当前最新的特征提取模型确定各个作者信息对应的特征向量，即使得作者信息对应的特征向量为最新的特征向量，与特征提取模型之间保持一致。
基于每一所述用户的特征向量对所述用户进行聚类，获得多个用户对应的新的用户分组。
之后，基于各个用户的最新的特征向量对各个用户进行聚类，获得各个用户分组，以保证确定出的各个用户分组的实时性和准确性。
相应地，所述获取多个用户分组下对应的阅读序列信息，包括：
基于所述新的用户分组，获得每一新的用户分组下对应的阅读序列信息。
在确定出新的用户分组之后，则可以在后续的训练过程中，基于该新的用户分组，获得各个每一新的用户分组下对应的阅读序列信息，并基于新的用户分组，确定出新的对比样本，以保证后续训练过程的准确性。
由此，通过上述技术方案，可以在特征提取模型的训练过程中，基于训练中的特征提取模型对用户进行重新分组，并基于重新分组后的用户分组进一步确定新的对比样本，从而进一步提高对特征提取模型进行训练的样本的准确性和匹配度，进一步提高特征提取模型的训练效率。
本公开还提供一种作者信息处理方法，如图3所示，所述方法包括：
在步骤31中，获取目标用户分组中的每一目标用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息。同样地，可以在用户许可的情况下，获得目标用户分组中的每一目标用户对应的阅读序列信息。
在步骤32中，基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于上文任一所述的作者特征模型的生成方法所生成的。
其中可以将作者信息输入该作者特征模型中，以由该作者特征模型对作者信息进行特征提取，获得对应的特征向量。基于上文所述，该作者特征模型是基于属于相同或不同的用户分组的用户对应的作者信息进行训练的，因此，可以使得该作者信息对应的特征向量的特征维度符合该目标用户分组中的用户特征。
在步骤33中，基于目标用户分组中的每一作者信息对应的特征向量，对目标用户分组对应的作者信息进行处理。
由此，通过上述技术方案，在对目标用户分组中的用户对应的作者信息进行处理时，可以基于属于相同或不同的用户分组的用户对应的作者信息训练所得的作者特征模型进行特征提取，以提高该特征向量与通过该作者特征模型对作者信息进行特征提取时，提高获得的特征向量与该目标用户分组的用户的特征的匹配度，提高对作者信息进行处理的准确性和全面性，为后续基于作者信息为用户进行内容推荐提供准确的数据支持。
在一种可能的实施例中，所述基于所述目标用户分组中的每一所述作者信息对应的特征向量，对所述目标用户分组对应的作者信息进行处理的示例性实现方式如下，该步骤可以包括：
将所述目标用户分组中的每一所述作者信息对应的特征向量的平均值作为中心向量。
其中，可以将目标用户分组中的每一作者信息对应的特征向量在每一维度进行平均处理，以获得每一维度对应的平均特征，将每一维度的平均特征形成的向量确定为该中心向量，以对该目标用户分组下的中心作者的特征进行表示。
将所述目标用户分组中与所述中心向量之间的距离由小至大排名前N的作者，确定为所述目标用户分组对应的目标作者信息，其中N为正整数。
作为示例，该N的取值可以根据实际应用场景进行设置，本公开对此不进行限定。在该实施例中，中心向量可以对目标用户分组中的作者特征进行准确表征，从而可以将目标用户分组中距离该中心向量最近的N个作者确定为目标作者信息，从而可以基于用户聚类学习聚类的目标用户分组的用户消费最具代表性的多个作者，进而可以基于该代表性的作者为目标用户分组中的用户进行内容推荐，提高推荐的内容和该用户之间的匹配度，提升用户使用体验。
本公开还提供一种作者信息处理方法，所述方法可以包括：
获取各个用户分组中的每一用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息。同样地，可以在用户许可的情况下，获得目标用户分组中的每一目标用户对应的阅读序列信息。
基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于上文任一所述的作者特征模型的生成方法所生成的。其中可以将作者信息输入该作者特征模型中，以由该作者特征模型对作者信息进行特征提取，获得对应的特征向量。
之后，基于每一所述作者信息对应的特征向量，对所述作者信息进行聚类处理，获得所述多个作者信息对应作者信息分组。
其中，可以基于每一作者信息对应的特征向量对各个作者信息进行聚类，以使得获得的各个作者信息分组中可以参考该作者信息对应的用户所属的用户分组的特征。如图4所示为基于现有技术中直接提取作者信息的特征向量以进行聚类的示意图，其中，现有技术中阅读量越大的作者会越倾向于出现在特征空间的几何重心，并且离几何重心越近点密度越大。如图5所示，为基于本公开中的实施方式对作者信息进行聚类获得作者信息分组的示意图。在该实施例中，由于提取出的作者信息的特征向量为基于多个用户分组的特征相关，其可以具有多个特征密度重心，从而可以使得每一密度重心和周围的特征点聚类在一起，而不会收到聚类算法中的随机初始值的影响，提高作者信息分组的准确性和合理性，为进行用户推荐提供准确的数据支持。
本公开还提供一种作者特征模型的生成装置，如图6所示，所述装置10包括：
第一获取模块101，用于获取多个用户分组下对应的阅读序列信息，其中，每一所述用户分组中包含多个用户，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
生成模块102，用于基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本；
第一处理模块103，用于基于特征提取模型对所述多组对比样本进行特征提取，并确定每一组对比样本对应的距离信息；
更新模块104，用于根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新，完成所述特征提取模型的一次训练，直至获得训练完成的作者特征模型，其中，所述作者特征模型用于输出作者信息对应的特征向量。
可选地，所述生成模块包括：
获取子模块，用于获取基准用户对应的基准作者信息，其中，所述基准作者信息为所述基准用户对应的阅读序列信息的任一作者信息；
第一确定子模块，用于从与所述基准用户属于同一用户分组的第一对比用户的阅读序列信息选择第一作者信息，作为第一对比样本，其中，所述第一作者信息为所述第一对比用户的阅读序列信息的作者信息中的任一者；
第二确定子模块，用于从与所述基准用户属于不同用户分组的第二对比用户的阅读序列信息选择第二作者信息，作为第二对比样本，其中，所述第二作者信息为所述第二对比用户的阅读序列信息的作者信息中的任一者；
第三确定子模块，用于从所述基准用户对应的阅读序列信息选择第三作者信息，作为第三对比样本，其中，所述第三作者信息为所述基准用户对应的阅读序列信息中除所述基准作者信息之外的作者信息中的任一者，其中，所述基准作者信息、所述第一对比样本、所述第二对比样本和所述第三对比样本形成为一组对比样本。
可选地，所述更新模块包括：
第一生成子模块，用于根据所述第一对比样本对应的距离信息和所述第二对比样本对应的距离信息，生成第一损失；
第二生成子模块，用于根据所述第一对比样本对应的距离信息和所述第三对比样本对应的距离信息，生成第二损失；
更新子模块，用于根据所述第一损失和所述第二损失，生成所述特征提取模型的目标损失，并根据所述目标损失对所述特征提取模型进行更新。
可选地，所述第一损失为第一差值与零之间的最小值，所述第一差值为所述第一对比样本对应的距离信息减去所述第二对比样本对应的距离信息的差值；
所述第二损失为第二差值与零之间的最小值，所述第二差值为所述第三对比样本对应的距离信息与减去所述第一对比样本对应的距离信息的差值。
可选地，所述装置还包括：
确定模块，用于在满足分组更新条件的情况下，基于当前的特征提取模型确定每一所述作者信息的特征向量，并基于每一所述作者信息的特征向量获得每一用户的特征向量；
聚类模块，用于基于每一所述用户的特征向量对所述用户进行聚类，获得多个用户对应的新的用户分组；
所述第一获取模块进一步用于：
基于所述新的用户分组，获得每一新的用户分组下对应的阅读序列信息。
本公开还提供一种作者信息处理装置，如图7所示，所述装置20包括：
第二获取模块201，用于获取目标用户分组中的每一目标用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
第一提取模块202，用于基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于上文任一所述的作者特征模型的生成方法所生成的；
第二处理模块203，用于基于所述目标用户分组中的每一所述作者信息对应的特征向量，对所述目标用户分组对应的作者信息进行处理。
可选地，所述第二处理模块包括：
第四确定子模块，用于将所述目标用户分组中的每一所述作者信息对应的特征向量的平均值作为中心向量；
第五确定子模块，用于将所述目标用户分组中与所述中心向量之间的距离由小至大排名前N的作者，确定为所述目标用户分组对应的目标作者信息，其中N为正整数。
本公开还提供一种作者信息处理装置，所述装置包括：
第三获取模块，用于获取各个用户分组中的每一用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
第二提取模块，用于基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于上文任一所述的作者特征模型的生成方法所生成的；
第三处理模块，用于基于每一所述作者信息对应的特征向量，对所述作者信息进行聚类处理，获得所述多个作者信息对应作者信息分组。
下面参考图8，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开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600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600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600，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。
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，其包括承载在非暂态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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
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：获取多个用户分组下对应的阅读序列信息，其中，每一所述用户分组中包含多个用户，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本；基于特征提取模型对所述多组对比样本进行特征提取，并确定每一组对比样本对应的距离信息；根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新，完成所述特征提取模型的一次训练，直至获得训练完成的作者特征模型，其中，所述作者特征模型用于输出作者信息对应的特征向量。
或者，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：获取目标用户分组中的每一目标用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于上文所述的作者特征模型的生成方法所生成的；基于所述目标用户分组中的每一所述作者信息对应的特征向量，对所述目标用户分组对应的作者信息进行处理。
或者，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：获取各个用户分组中的每一用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于上文任一所述的作者特征模型的生成方法所生成的；基于每一所述作者信息对应的特征向量，对所述作者信息进行聚类处理，获得所述多个作者信息对应作者信息分组。
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操作的计算机程序代码，上述程序设计语言包括但不限于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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取多个用户分组下对应的阅读序列信息的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种作者特征模型的生成方法，其中，所述方法包括：
获取多个用户分组下对应的阅读序列信息，其中，每一所述用户分组中包含多个用户，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本；
基于特征提取模型对所述多组对比样本进行特征提取，并确定每一组对比样本对应的距离信息；
根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新，完成所述特征提取模型的一次训练，直至获得训练完成的作者特征模型，其中，所述作者特征模型用于输出作者信息对应的特征向量。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，其中，所述基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本，包括：
获取基准用户对应的基准作者信息，其中，所述基准作者信息为所述基准用户对应的阅读序列信息的任一作者信息；
从与所述基准用户属于同一用户分组的第一对比用户的阅读序列信息选择第一作者信息，作为第一对比样本，其中，所述第一作者信息为所述第一对比用户的阅读序列信息的作者信息中的任一者；
从与所述基准用户属于不同用户分组的第二对比用户的阅读序列信息选择第二作者信息，作为第二对比样本，其中，所述第二作者信息为所述第二对比用户的阅读序列信息的作者信息中的任一者；
从所述基准用户对应的阅读序列信息选择第三作者信息，作为第三对比样本，其中，所述第三作者信息为所述基准用户对应的阅读序列信息中除所述基准作者信息之外的作者信息中的任一者，其中，所述基准作者信息、所述第一对比样本、所述第二对比样本和所述第三对比样本形成为一组对比样本。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，其中，所述根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新，包括：
根据所述第一对比样本对应的距离信息和所述第二对比样本对应的距离信息，生成第一损失；
根据所述第一对比样本对应的距离信息和所述第三对比样本对应的距离信息，生成第二损失；
根据所述第一损失和所述第二损失，生成所述特征提取模型的目标损失，并根据所述目标损失对所述特征提取模型进行更新。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，其中，所述第一损失为第一差值与零之间的最小值，所述第一差值为所述第一对比样本对应的距离信息减去所述第二对比样本对应的距离信息的差值；
所述第二损失为第二差值与零之间的最小值，所述第二差值为所述第三对比样本对应的距离信息与减去所述第一对比样本对应的距离信息的差值。
根据本公开的一个或多个实施例，示例5提供了示例1的方法，其中，所述方法还包括：
在满足分组更新条件的情况下，基于当前的特征提取模型确定每一所述作者信息的特征向量，并基于每一所述作者信息的特征向量获得每一用户的特征向量；
基于每一所述用户的特征向量对所述用户进行聚类，获得多个用户对应的新的用户分组；
所述获取多个用户分组下对应的阅读序列信息，包括：
基于所述新的用户分组，获得每一新的用户分组下对应的阅读序列信息。
根据本公开的一个或多个实施例，示例6提供了一种作者信息处理方法，其中，所述方法包括：
获取目标用户分组中的每一目标用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于示例1-5中任一所述的作者特征模型的生成方法所生成的；
基于所述目标用户分组中的每一所述作者信息对应的特征向量，对所述目标用户分组对应的作者信息进行处理。
根据本公开的一个或多个实施例，示例7提供了示例6的方法，其中，所述基于所述目标用户分组中的每一所述作者信息对应的特征向量，对所述目标用户分组对应的作者信息进行处理，包括：
将所述目标用户分组中的每一所述作者信息对应的特征向量的平均值作为中心向量；
将所述目标用户分组中与所述中心向量之间的距离由小至大排名前N的作者，确定为所述目标用户分组对应的目标作者信息，其中N为正整数。
根据本公开的一个或多个实施例，示例8提供了一种作者信息处理方法，其中，所述方法包括：
获取各个用户分组中的每一用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于示例1-5中任一所述的作者特征模型的生成方法所生成的；
基于每一所述作者信息对应的特征向量，对所述作者信息进行聚类处理，获得所述多个作者信息对应作者信息分组。
根据本公开的一个或多个实施例，示例9提供了一种作者特征模型的生成装置，所述装置包括：
第一获取模块，用于获取多个用户分组下对应的阅读序列信息，其中，每一所述用户分组中包含多个用户，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
生成模块，用于基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本；
第一处理模块，用于基于特征提取模型对所述多组对比样本进行特征提取，并确定每一组对比样本对应的距离信息；
更新模块，用于根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新，完成所述特征提取模型的一次训练，直至获得训练完成的作者特征模型，其中，所述作者特征模型用于输出作者信息对应的特征向量。
根据本公开的一个或多个实施例，示例10提供了一种作者信息处理装置，所述装置包括：
第二获取模块，用于获取目标用户分组中的每一目标用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
第一提取模块，用于基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于示例1-5中任一所述的作者特征模型的生成方法所生成的；
第二处理模块，用于基于所述目标用户分组中的每一所述作者信息对应的特征向量，对所述目标用户分组对应的作者信息进行处理。
根据本公开的一个或多个实施例，示例11提供了一种作者信息处理装置，所述装置包括：
第三获取模块，用于获取各个用户分组中的每一用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
第二提取模块，用于基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于示例1-5中任一所述的作者特征模型的生成方法所生成的；
第三处理模块，用于基于每一所述作者信息对应的特征向量，对所述作者信息进行聚类处理，获得所述多个作者信息对应作者信息分组。
根据本公开的一个或多个实施例，示例12提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-8中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例13提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-8中任一项所述方法的步骤。
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，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (13)

1.一种作者特征模型的生成方法，其特征在于，所述方法包括：
获取多个用户分组下对应的阅读序列信息，其中，每一所述用户分组中包含多个用户，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本；
基于特征提取模型对所述多组对比样本进行特征提取，并确定每一组对比样本对应的距离信息，每一组对比样本对应的距离信息包括该组对比样本中的基准作者信息与其对应的每一对比作者信息之间的距离；
根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新，完成所述特征提取模型的一次训练，直至获得训练完成的作者特征模型，其中，所述作者特征模型用于输出作者信息对应的特征向量。
2.根据权利要求1所述的方法，其特征在于，所述基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本，包括：
获取基准用户对应的基准作者信息，其中，所述基准作者信息为所述基准用户对应的阅读序列信息的任一作者信息；
从与所述基准用户属于同一用户分组的第一对比用户的阅读序列信息选择第一作者信息，作为第一对比样本，其中，所述第一作者信息为所述第一对比用户的阅读序列信息的作者信息中的任一者；
从与所述基准用户属于不同用户分组的第二对比用户的阅读序列信息选择第二作者信息，作为第二对比样本，其中，所述第二作者信息为所述第二对比用户的阅读序列信息的作者信息中的任一者；
从所述基准用户对应的阅读序列信息选择第三作者信息，作为第三对比样本，其中，所述第三作者信息为所述基准用户对应的阅读序列信息中除所述基准作者信息之外的作者信息中的任一者，其中，所述基准作者信息、所述第一对比样本、所述第二对比样本和所述第三对比样本形成为一组对比样本。
3.根据权利要求2所述的方法，其特征在于，所述根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新，包括：
根据所述第一对比样本对应的距离信息和所述第二对比样本对应的距离信息，生成第一损失；
根据所述第一对比样本对应的距离信息和所述第三对比样本对应的距离信息，生成第二损失；
根据所述第一损失和所述第二损失，生成所述特征提取模型的目标损失，并根据所述目标损失对所述特征提取模型进行更新。
4.根据权利要求3所述的方法，其特征在于，所述第一损失为第一差值与零之间的最小值，所述第一差值为所述第一对比样本对应的距离信息减去所述第二对比样本对应的距离信息的差值；
所述第二损失为第二差值与零之间的最小值，所述第二差值为所述第三对比样本对应的距离信息与减去所述第一对比样本对应的距离信息的差值。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在满足分组更新条件的情况下，基于当前的特征提取模型确定每一所述作者信息的特征向量，并基于每一所述作者信息的特征向量获得每一用户的特征向量；
基于每一所述用户的特征向量对所述用户进行聚类，获得多个用户对应的新的用户分组；
所述获取多个用户分组下对应的阅读序列信息，包括：
基于所述新的用户分组，获得每一新的用户分组下对应的阅读序列信息。
6.一种作者信息处理方法，其特征在于，所述方法包括：
获取目标用户分组中的每一目标用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于权利要求1-5中任一所述的作者特征模型的生成方法所生成的；
基于所述目标用户分组中的每一所述作者信息对应的特征向量，对所述目标用户分组对应的作者信息进行处理。
7.根据权利要求6所述的方法，其特征在于，所述基于所述目标用户分组中的每一所述作者信息对应的特征向量，对所述目标用户分组对应的作者信息进行处理，包括：
将所述目标用户分组中的每一所述作者信息对应的特征向量的平均值作为中心向量；
将所述目标用户分组中与所述中心向量之间的距离由小至大排名前N的作者，确定为所述目标用户分组对应的目标作者信息，其中N为正整数。
8.一种作者信息处理方法，其特征在于，所述方法包括：
获取各个用户分组中的每一用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于权利要求1-5中任一所述的作者特征模型的生成方法所生成的；
基于每一所述作者信息对应的特征向量，对所述作者信息进行聚类处理，获得所述多个作者信息对应作者信息分组。
9.一种作者特征模型的生成装置，其特征在于，所述装置包括：
第一获取模块，用于获取多个用户分组下对应的阅读序列信息，其中，每一所述用户分组中包含多个用户，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
生成模块，用于基于属于同一用户分组下的作者信息和不同用户分组下的作者信息，生成多组对比样本；
第一处理模块，用于基于特征提取模型对所述多组对比样本进行特征提取，并确定每一组对比样本对应的距离信息，每一组对比样本对应的距离信息包括该组对比样本中的基准作者信息与其对应的每一对比作者信息之间的距离；
更新模块，用于根据每一组所述对比样本对应的距离信息对所述特征提取模型的参数进行更新，完成所述特征提取模型的一次训练，直至获得训练完成的作者特征模型，其中，所述作者特征模型用于输出作者信息对应的特征向量。
10.一种作者信息处理装置，其特征在于，所述装置包括：
第二获取模块，用于获取目标用户分组中的每一目标用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
第一提取模块，用于基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于权利要求1-5中任一所述的作者特征模型的生成方法所生成的；
第二处理模块，用于基于所述目标用户分组中的每一所述作者信息对应的特征向量，对所述目标用户分组对应的作者信息进行处理。
11.一种作者信息处理装置，其特征在于，所述装置包括：
第三获取模块，用于获取各个用户分组中的每一用户对应的阅读序列信息，每一所述阅读序列信息中包含同一用户阅读的多个内容分别对应的作者信息；
第二提取模块，用于基于作者特征模型对每一所述作者信息进行特征提取，获得每一所述作者信息对应的特征向量，其中，所述作者特征模型为基于权利要求1-5中任一所述的作者特征模型的生成方法所生成的；
第三处理模块，用于基于每一所述作者信息对应的特征向量，对所述作者信息进行聚类处理，获得所述多个作者信息对应作者信息分组。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-8中任一项所述方法的步骤。
13.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-8中任一项所述方法的步骤。
CN202210265443.8A 2022-03-17 2022-03-17 作者特征模型的生成方法、作者信息处理方法和装置 Active CN114625876B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210265443.8A CN114625876B (zh) 2022-03-17 2022-03-17 作者特征模型的生成方法、作者信息处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210265443.8A CN114625876B (zh) 2022-03-17 2022-03-17 作者特征模型的生成方法、作者信息处理方法和装置

Publications (2)

Publication Number Publication Date
CN114625876A CN114625876A (zh) 2022-06-14
CN114625876B true CN114625876B (zh) 2024-04-16

Family

ID=81901859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210265443.8A Active CN114625876B (zh) 2022-03-17 2022-03-17 作者特征模型的生成方法、作者信息处理方法和装置

Country Status (1)

Country Link
CN (1) CN114625876B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099323A (zh) * 2022-06-17 2022-09-23 抖音视界(北京)有限公司 内容小组确定方法、装置、介质及电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8938408B1 (en) * 2014-03-20 2015-01-20 Yandex Europe Ag Systems and methods for classification and segmentation of browsing logs based on user's search goals
CN109492128A (zh) * 2018-10-30 2019-03-19 北京字节跳动网络技术有限公司 用于生成模型的方法和装置
CN110413888A (zh) * 2019-07-24 2019-11-05 腾讯科技（深圳）有限公司 一种书籍推荐方法及装置
GB201915637D0 (en) * 2019-10-29 2019-12-11 Samsung Electronics Co Ltd Method and system for customising a machine learning model
CN110741367A (zh) * 2017-06-14 2020-01-31 阿里巴巴集团控股有限公司 用于实时交互式推荐的方法和装置
US10599770B1 (en) * 2015-07-10 2020-03-24 Google Llc Generating author vectors
CN112149699A (zh) * 2019-06-28 2020-12-29 北京京东尚科信息技术有限公司 用于生成模型的方法、装置和用于识别图像的方法、装置
CN112231572A (zh) * 2020-10-27 2021-01-15 腾讯科技（深圳）有限公司 用户特征的提取方法、装置、设备及存储介质
CN113343069A (zh) * 2021-06-10 2021-09-03 北京字节跳动网络技术有限公司 用户信息的处理方法、装置、介质及电子设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8938408B1 (en) * 2014-03-20 2015-01-20 Yandex Europe Ag Systems and methods for classification and segmentation of browsing logs based on user's search goals
US10599770B1 (en) * 2015-07-10 2020-03-24 Google Llc Generating author vectors
CN110741367A (zh) * 2017-06-14 2020-01-31 阿里巴巴集团控股有限公司 用于实时交互式推荐的方法和装置
CN109492128A (zh) * 2018-10-30 2019-03-19 北京字节跳动网络技术有限公司 用于生成模型的方法和装置
CN112149699A (zh) * 2019-06-28 2020-12-29 北京京东尚科信息技术有限公司 用于生成模型的方法、装置和用于识别图像的方法、装置
CN110413888A (zh) * 2019-07-24 2019-11-05 腾讯科技（深圳）有限公司 一种书籍推荐方法及装置
GB201915637D0 (en) * 2019-10-29 2019-12-11 Samsung Electronics Co Ltd Method and system for customising a machine learning model
CN112231572A (zh) * 2020-10-27 2021-01-15 腾讯科技（深圳）有限公司 用户特征的提取方法、装置、设备及存储介质
CN113343069A (zh) * 2021-06-10 2021-09-03 北京字节跳动网络技术有限公司 用户信息的处理方法、装置、介质及电子设备

Also Published As

Publication number Publication date
CN114625876A (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN112650841A (zh) 信息处理方法、装置和电子设备
CN112766284B (zh) 图像识别方法和装置、存储介质和电子设备
CN112200173B (zh) 多网络模型训练方法、图像标注方法和人脸图像识别方法
CN113449070A (zh) 多模态数据检索方法、装置、介质及电子设备
CN111104599A (zh) 用于输出信息的方法和装置
CN112883968A (zh) 图像字符识别方法、装置、介质及电子设备
CN114494709A (zh) 特征提取模型的生成方法、图像特征提取方法和装置
CN110634050B (zh) 一种鉴别房源类型的方法、装置、电子设备及存储介质
CN113140012B (zh) 图像处理方法、装置、介质及电子设备
CN113610034B (zh) 识别视频中人物实体的方法、装置、存储介质及电子设备
CN113033707B (zh) 视频分类方法、装置、可读介质及电子设备
CN114625876B (zh) 作者特征模型的生成方法、作者信息处理方法和装置
CN112990176A (zh) 书写质量评价方法、装置和电子设备
CN112860999B (zh) 信息推荐方法、装置、设备和存储介质
CN115269978A (zh) 一种视频标签生成方法、装置、设备及介质
CN111626044B (zh) 文本生成方法、装置、电子设备及计算机可读存储介质
CN116416018A (zh) 内容输出方法、装置、计算机可读介质及电子设备
CN114564606A (zh) 一种数据处理方法、装置、电子设备及存储介质
CN114595346A (zh) 内容检测模型的训练方法、内容检测方法及装置
CN111797263A (zh) 图像标签生成方法、装置、设备和计算机可读介质
CN113283115B (zh) 图像模型生成方法、装置和电子设备
CN112270170B (zh) 一种隐式表述语句的分析方法、装置、介质和电子设备
CN116645211B (zh) 推荐用户信息生成方法、装置、设备和计算机可读介质
CN111933122B (zh) 语音识别方法、装置、电子设备和计算机可读介质
CN111814807B (zh) 用于处理图像的方法、装置、电子设备和计算机可读介质

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
GR01 Patent grant
GR01 Patent grant