CN115186192A - 信息处理方法、装置、存储介质及设备 - Google Patents

信息处理方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN115186192A
CN115186192A CN202210895587.1A CN202210895587A CN115186192A CN 115186192 A CN115186192 A CN 115186192A CN 202210895587 A CN202210895587 A CN 202210895587A CN 115186192 A CN115186192 A CN 115186192A
Authority
CN
China
Prior art keywords
information
scene
ith
target
ith scene
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
Application number
CN202210895587.1A
Other languages
English (en)
Inventor
乔阳
付煜文
陈亮
何秀强
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.)
Tengan Fund Sales Shenzhen Co ltd
Original Assignee
Tengan Fund Sales Shenzhen 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 Tengan Fund Sales Shenzhen Co ltd filed Critical Tengan Fund Sales Shenzhen Co ltd
Priority to CN202210895587.1A priority Critical patent/CN115186192A/zh
Publication of CN115186192A publication Critical patent/CN115186192A/zh
Pending legal-status Critical Current

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
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

一种信息处理方法、装置、存储介质及设备，该方法包括：响应于为目标对象发送目标资源的触发操作，获取在M个场景中为目标对象发送目标资源时均需使用的共有信息；获取共有信息中每个子信息在第i场景下，为目标对象发送目标资源时对应的参考重要度，根据每个子信息在第i场景的参考重要度对共有信息进行转换处理，得到第i场景对应的参考共有信息；获取第i场景需使用的独有信息；将第i场景对应的参考共有信息与相应的独有信息进行拼接处理，得到第i场景的发送指示信息，根据发送指示信息预测在第i场景下，将目标资源发送给目标对象的发送概率。通过本申请的方法，可以有效提升资源处理效率。

Description

信息处理方法、装置、存储介质及设备
技术领域
本申请涉及人工智能技术领域，尤其涉及一种信息处理方法、装置、存储介质及设备。
背景技术
随着网络技术的迅速发展，网络平台所能提供的资源呈爆炸式增长，导致难以从海量的数据中获得实际需求的资源。信息发送系统作为信息爆炸的有效解决手段，已被广泛应用在信息发送领域。现有的信息发送方法，大都是基于用户的相关数据为相应用户发送感兴趣的资源，但经研究表明，现有的信处理方式，存在资源处理效率较低的问题。
发明内容
本申请实施例提供了一种信息处理方法、装置、存储介质及设备，可以有效提升资源处理效率。
一方面，本申请实施例提供了一种信息处理方法，该方法包括：
响应于为目标对象发送目标资源的触发操作，获取在M个场景为目标对象发送目标资源时，各场景均需使用的共有信息；M为大于1的整数，所述共有信息包含多个子信息；
获取每个子信息在第i场景下，为所述目标对象发送目标资源时对应的参考重要度，并根据每个子信息在所述第i场景的参考重要度对所述共有信息进行转换处理，得到所述第i场景对应的参考共有信息；i为小于等于M的正整数；
获取所述第i场景进行目标资源发送时，所述第i场景需使用的独有信息；
将所述第i场景对应的参考共有信息与相应的独有信息进行拼接处理，得到所述第i场景的发送指示信息，并根据所述发送指示信息预测在所述第i场景下，将所述目标资源发送给所述目标对象的发送概率。
一方面，本申请实施例提供了一种信息处理装置，该装置包括：
获取单元，用于响应于为目标对象发送目标资源的触发操作，获取在M个场景为目标对象发送目标资源时，各场景均需使用的共有信息；M为大于1的整数，所述共有信息包含多个子信息；
所述获取单元，还用于获取每个子信息在第i场景下，为所述目标对象发送目标资源时对应的参考重要度；
处理单元，用于根据每个子信息在所述第i场景的参考重要度对所述共有信息进行转换处理，得到所述第i场景对应的参考共有信息；i为小于等于M的正整数；
所述获取单元，还用于获取所述第i场景进行目标资源发送时，所述第i场景需使用的独有信息；
所述处理单元，还用于将所述第i场景对应的参考共有信息与相应的独有信息进行拼接处理，得到所述第i场景的发送指示信息，并根据所述发送指示信息预测在所述第i场景下，将所述目标资源发送给所述目标对象的发送概率。
一方面，本申请实施例提供了一种计算机设备，该计算机设备包括处理器、通信接口和存储器，该处理器、通信接口和存储器相互连接，其中，该存储器存储有计算机程序，该处理器用于调用该计算机程序，执行上述任一可能实现方式的信息处理方法。
一方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现该任一可能实现方式的信息处理方法。
一方面，本申请实施例还提供了一种计算机程序产品，上述计算机程序产品包括计算机程序或计算机指令，上述计算机程序或计算机指令被处理器执行实现本申请实施例提供的信息处理方法的步骤。
一方面，本申请实施例还提供了一种计算机程序，上述计算机程序包括计算机指令，上述计算机指令存储在计算机可读存储介质中，计算机设备的处理器从上述计算机可读存储介质读取上述计算机指令，上述处理器执行上述计算机指令，使得上述计算机设备执行本申请实施例提供的信息处理方法。
在本申请实施例中，确定了各场景均需使用的共有信息和第i场景需使用的独有信息，通过共有信息中的子信息在第i场景的参考重要度，能够自适应地从共有信息中选择适用于第i场景的重要信息(即参考共有信息)，可以解决共有信息在各场景下语义一样，但重要性不同的问题；再将第i场景的参考共有信息和对应的独有信息拼接，可以获得第i场景的完整信息表示(即发送指示信息)，基于第i场景的完整信息表示可以确定在第i场景下将目标资源发送给目标对象的发送概率，由于该完整信息表示既保有各个场景之间的共性又保有第i场景的独有性，因此可以有效提升资源发送概率的预测准确性，进而，在后续进行资源发送的过程中，提高了资源处理效率。
附图说明
为了更清楚地说明本申请实施例技术方法，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STAR模型的模型结构示意图；
图2为本申请实施例提供的一种信息处理系统的系统架构示意图；
图3为本申请实施例提供的一种信息处理方法的流程示意图；
图4为本申请实施例提供的另一种信息处理方法的流程示意图；
图5为本申请实施例提供的一种信息门控子模块的结构示意图；
图6为本申请实施例提供的一种星型拓扑模块的结构示意图；
图7为本申请实施例提供的一种预测模块的结构示意图；
图8为本申请实施例提供的一种个性化处理模块的结构示意图；
图9为本申请实施例提供的一种目标预测模型获取方法的流程示意图；
图10为本申请实施例提供的一种初始的目标预测模型的模型结构示意图；
图11为本申请实施例提供的一种信息处理装置的结构示意图；
图12为本申请实施例提供的一种计算机设备的结构示意图。
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法进行清楚、完整地描述，显然，所描述的实施例仅仅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作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。
首先对本申请涉及的相关术语和概念进行介绍和解释：
(1)人工智能(Artificial Intelligence，AI)：利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
(2)机器学习(Machine Learning，ML)：一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。例如，本申请实施例中采用机器学习技术学习资源发送的过程，使得计算机获得资源发送的技能。
(3)曝光后转化率(post-view clickthrough&conversion rate，CTCVR)：点击率(post-view Click-Through Rate，CTR)和转化率(post-click Conversion Rate，CVR)的乘积。点击率是点击次数和显示次数之比。转化率是转化次数与点击次数之比。
(4)多层感知器(Multilayer Perceptron，MLP)：一种前向结构的人工神经网络(前馈神经网络)，映射一组输入信息到一组输出信息。
(5)M-STAR(Multi-gate Star Topology Adaptive Recommender)模型：本申请提出的一种基于多门控星型拓扑结构的多域信息发送模型(即下述目标预测模型)。
(6)STAR(Star Topology Adaptive Recommender)：本申请提出的与M-STAR模型进行对比的一种星型拓扑多域信息发送模型，M-STAR模型可以视为对STAR模型的进一步改进。下面对STAR模型进行简要介绍。
STAR模型的输入包括对象的描述信息，该对象的描述信息可以包括与对象相关的描述信息、与资源相关的描述信息、场景标识(domain id，用于唯一标识场景)。如图1所示，STAR模型通常包括三个主要模块：
(6.1)分场景的批标准化(batch normalization)：Partitioned Normalization(PN)。PN中的网络参数在不同场景中是不同的，其表达式如式(1)所示。
Figure BDA0003768006800000051
其中，γ，γp，β，βp都是可学习参数，γ和β是所确物景的公共参数，γp和βp是第p个场景的独有参数，γ和β通过全部样本训练得到，γp和βp使用第p个场景的独有样本学习得到，z′是PN的输出，z是输入样本，σ是所有输入样本的均值，∈是所有输入样本的方差。
(6.2)星型拓扑网络：star topology fully-connected neural network(StarTopology FCN)。星型拓扑网络的核心思想是，将神经网络参数分为两部分，分别是所有场景的共享网络参数，参数为W和b，以及每个场景的独有网络参数，分别为Wp和bp。StarTopology FCN的参数定义如式(2)所示。
Figure BDA0003768006800000052
其中，
Figure BDA0003768006800000053
代表element-wise的乘法，即按位相乘，inp代表第p个场景的神经网络的当前层输入，φ代表神经网络的激活函数，如relu函数或sigmoid函数等。
(6.3)辅助网络：auxiliary network。辅助网络由两层前馈神经网络构成，其输入为各场景的相关信息(例如domain id)。如下述式(3)所示，辅助网络的输出为sa，星型拓扑网络的输出为sm，二者相加后通过sigmoid激活函数得到最终的CTR预估结果。
Figure BDA0003768006800000054
另外，STAR模型中的共享嵌入层(Share Embedding Layer)用于将对象的描述信息中的各个数据进行转换，池化&拼接(Pooling&Concatention)用于对转换得到的信息进行池化处理，以及将池化处理后的信息进行拼接。
在STAR模型实施资源发送的过程中发现，STAR模型存在以下问题：
问题1：STAR模型未考虑同一个信息在不同场景下的重要性不同的问题，如针对老对象(对场景中的资源进行操作过的对象)，其在场景中所产生的操作数据的重要性较高，但对于新对象(未对场景中的资源进行操作过的对象)其在场景中所产生的操作数据的重要性较低。
问题2：星型拓扑网络的所有神经网络参数全部拆分为共享参数网络和各场景的独有网络参数，并通过乘积的形式获得每个场景最终的神经网络参数，虽然理论上能够做到既利用全部场景信息又保留各场景独有性，但客观上增加了模型学习的难度，降低了模型的稳定性和收敛速度(两个很小的权重相乘会变得更小)。
针对上述问题，本申请实施例又提出了一种改进的信息处理方案(具体可以表现为M-STAR模型)，包括：
(1)将输入信息划分为各场景均需使用的共有信息和第i场景需使用的独有信息两部分。其中，共有信息为各个场景共同所有的信息，如对象基础数据(用于描述对象，可以是对象固有的信息)、资源基础数据(用于描述资源，如资源的颜色、价格、类别等)、当前时间等。独有信息为第i场景下独享的信息，如第i场景的场景标识、对象在第i场景下的操作数据和第i场景下的资源的统计数据等，比如资源的销量、对象访问第i场景的次数等。
(2)确定共有信息中的各个子信息在第i场景下，为目标对象发送目标资源时对应的参考重要度，从而能自适应地选择共有信息中适合第i场景的重要信息(即参考共有信息)，解决了共有信息在各场景下语义一致但重要性不同的问题。
(3)将第i场景的参考共有信息和对应的独有信息进行拼接处理，得到第i场景的完整信息表示(即发送指示信息)，完整信息表示中的参考共有信息在一定程度上可以保有各个场景之间的共性以及第i场景的独有性，而完整信息表示中的独有信息可以进一步强化第i场景的独有性。最终基于第i场景的完整信息表示，可以准确地确定在第i场景下将目标资源发送给目标对象的发送概率。其中，独有性可以使得在第i场景下的资源发送更具有针对性，共性作为所有场景共同反映的性质，在一定程度上可以作为一种补充信息辅助在第i场景下的资源的发送。
本申请通过精心设计的信息处理方案能够较好的解决STAR模型的问题：通过融合专家经验信息(即信息发送领域的专家人员通过实践而得到的经验)将输入信息拆分为各场景均需使用的共有信息和第i场景需使用的独有信息，通过共有信息中的子信息在第i场景的参考重要度，自适应地从共有信息中选择第i场景的参考共有信息(可以指示共有信息中的重要信息)，从而解决了STAR模型的问题1；将第i场景的重要共有信息和对应的独有信息进行拼接处理得到的完整信息表示，可以保有全部场景信息以及第i场景的独有信息，从而解决了STAR模型的问题2。因此本申请有利于提升资源发送概率的预测准确性。
请参见图2，图2是本申请实施例提供的一种信息处理系统的结构示意图。如图2所示，包括计算机设备200和数据库201，计算机设备200和数据库201之间可以通过有线或无线的方式进行通信连接。
数据库201可以为计算机设备200的本地数据库或计算机设备200可以访问的云端数据库，该数据库201可用于存储目标对象的描述信息。
计算机设备200可以是终端设备或服务器，在一个实施例中，终端设备可以是智能手机、平板电脑、智能可穿戴设备、智能语音交互设备、智能家电、个人电脑、车载终端等等设备，在此不做限制。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。在此不做限制。
对于计算机设备200和数据库201之间的交互过程如下：
计算机设备200响应于为目标对象发送目标资源的触发操作，从数据库201中获取目标对象的描述信息，该描述信息包括：目标对象的一个或多个对象描述信息，以及待为目标对象发送的目标资源的一个或多个资源描述信息，从描述信息中获取在M个场景为目标对象发送目标资源时，均需使用的描述信息，利用获取出的均需使用的描述信息，得到在M个场景为目标对象发送目标资源时，各场景均需使用的共有信息。
计算机设备200利用获取到的共有信息中每个子信息在第i场景下，为目标对象发送目标资源时对应的参考重要度，并根据每个子信息在第i(i为小于等于M的正整数)场景的参考重要度对共有信息进行转换处理，得到第i场景对应的参考共有信息。
计算机设备200从目标对象的描述信息中获取与M个场景的第i场景相关的对象描述信息，以及与第i场景相关的资源描述信息，利用获取出的对象描述信息和资源描述信息，获取第i场景进行目标资源发送时，第i场景需使用的独有信息。
计算机设备200将第i场景对应的参考共有信息与相应的独有信息进行拼接处理，得到第i场景的发送指示信息，并根据发送指示信息预测在第i场景下，将目标资源发送给目标对象的发送概率。
可见，本申请实施例提供的信息处理系统，可以利用描述信息拆分得到各场景均需使用的共有信息和第i场景需使用的独有信息，通过共有信息中子信息在第i场景的参考重要度能够自适应地从共有信息中选择第i场景的参考共有信息，解决共有信息在各场景下语义一样，但重要性不同的问题；进一步将第i场景的独有信息和对应的参考共有信息拼接，可以获得第i场景的完整信息表示(即发送指示信息)，从而基于各场景的完整信息表示，可以准确地确定在各场景下将目标资源发送给目标对象的发送概率，有效提高了资源发送概率的预测准确性，进而，在后续进行资源发送的过程中，提高了资源处理效率。
下面结合附图，对本申请实施例提出的信息处理方法的具体实现方式进行详细阐述。请参见图3，图3是本申请实施例提供的一种信息处理方法的流程示意图。该方法可以由计算机设备(例如图2所示的计算机设备200)执行。其中，该信息处理方法包括：
S301、响应于为目标对象发送目标资源的触发操作，获取在M个场景为目标对象发送目标资源时，各场景均需使用的共有信息；M为大于1的整数，共有信息包含多个子信息。
目标资源是指待向目标对象发送的资源，该资源可以包括视频、商品、话题、资讯、文章、书籍、电影、游戏中的一个或多个。该为目标对象发送目标资源的触发操作可以用于指示计算机设备执行信息(资源)发送任务，该为目标对象发送目标资源的触发操作可以由目标对象通过使用的客户端发起，该客户端可以安装于计算机设备(可以为终端设备)中，由计算机设备直接检测该为目标对象发送目标资源的触发操作；或者能够与计算机设备(计算机设备可以为服务器)建立通信连接，由客户端在检测到该为目标对象发送目标资源的触发操作之后，告知计算机设备再由计算机设备进行后续发送概率的预测处理。客户端可以为电商应用、直播应用、金融应用、音乐应用、游戏应用等，在一实施例中，当目标对象打开客户端的信息展示页面时或者对客户端中的信息展示页面刷新时，可以确定客户端发起了该为目标对象发送目标资源的触发操作，该信息展示页面用于展示资源。
该M个场景可以为客户端中的各个活动场景(或者叫领域)。例如，客户端为电商应用，涉及的M个场景可以包括商城活动区、首页广告区等；客户端为金融应用，涉及的M个场景可以包括新对象的信息展示首页、老对象的信息展示首页、基金tab页(基金理财页)、稳健tab页(稳健理财页)、持仓页等；客户端为音乐应用，涉及的M个场景可以包括每日发送区域、首页广告区域等；客户端为新闻应用，涉及的M个场景可以包括首页信息流和搜索框下拉等。
需说明的是，该M个场景之间存在一定的共性，但数据规模、业务形态往往存在着一定的差异，例如同一个资源可以在M个场景中进行发送。另外，M个场景也可以包括不同的客户端中的活动场景。
当为目标对象发送目标资源的触发操作发生时，可以获取在M个场景为目标对象发送目标资源时，各场景均需使用的共有信息。该共有信息为各个场景共同所有的信息，适合任何场景，可以对各场景下的发送概率的预测过程都具有一定的帮助。如目标对象的基础数据、目标资源的基础数据、当前时间等转换得到的信息都可以归纳为共有信息，可见共有信息在不同场景是可以通用的，不会因为场景的不同而发生变化。其中，目标对象的基础数据可以是指与目标对象在各个场景中的操作无关的数据，主要用于描述目标对象，如目标对象的身高长度等固有信息。目标资源的基础数据可以是指与对目标资源的各种操作无关的数据，主要用于描述目标资源对象，例如目标资源的颜色、大小、类别等固有信息。共有信息包含多个子信息，一个子信息是对一个维度进行描述的数据转换后的信息，例如目标资源的颜色可以是一个维度，目标资源的颜色为红色就是对一个维度进行描述的数据。
S302、获取每个子信息在第i场景下，为目标对象发送目标资源时对应的参考重要度，并根据每个子信息在第i场景的参考重要度对共有信息进行转换处理，得到第i场景对应的参考共有信息；i为小于等于M的正整数。
同一个子信息在不同的场景下会具有不同的重要度，该重要度可以反映在对应场景下，向目标对象发送目标资源时，该子信息对于最终预测结果(例如下述发送概率)的影响程度。例如重要度的绝对值越大，影响程度就越大。可以获取共有信息中的每个子信息在第i场景下为目标对象发送目标资源时对应的参考重要度，即参考重要度用于反映在第i场景下，向目标对象发送目标资源时，该子信息对于第i场景的最终预测结果(例如下述发送概率)的影响程度。通过利用每个子信息在第i场景的参考重要度对共有信息进行转换处理，可以得到第i场景对应的参考共有信息。其中，若一个子信息在第i场景的参考重要度的绝对值越大，转换处理会倾向于使转换后的该子信息的绝对值越大，相应的，若一个子信息在第i场景的参考重要度的绝对值越小(例如小于1的小数)，转换处理会倾向于使转换后的该子信息的绝对值越小。
共有信息中的各个子信息在不同的场景下会具有不同的重要度，而该转换处理可以强化在第i场景下，参考重要度比较高的子信息的决策能力(影响程度)，使得在第i场景下进行发送概率的预测时，可以更关注于这类参考重要度比较高的子信息，因此第i场景下的参考共有信息相比于共有信息而言，会与第i场景之间具有更高的适用性，有利于提升发送概率的预测准确性。
S303、获取第i场景进行目标资源发送时，第i场景需使用的独有信息。
当要在第i场景进行目标资源的发送时，需要获取第i场景需使用的独有信息，该独有信息是指第i场景独享的信息，可以是根据目标对象在第i场景下的操作数据和目标资源在第i场景下的统计数据转换生成的。目标对象在第i场景下的操作数据主要是根据目标对象在第i场景中的操作得到的。例如目标对象在第i场景中购买了哪些资源、倾向于购买哪种类别的资源，使用第i场景的次数等。目标资源在第i场景下的统计数据是根据对第i场景中的目标资源的操作进行统计得到的。例如，在第i场景中目标资源的点击次数、销量排名、目标资源的搜索次数等。独有信息还可以包括第i场景的场景标识转换后的信息以及第i场景的环境信息转换后的信息，第i场景的环境信息可以包括第i场景对应界面区域的大小、位置等。
本申请涉及目标对象在各个场景下的操作数据以及目标对象的基础数据等与目标对象相关的数据，在本申请实施例运用到具体产品或技术中时，其均为已获得目标对象许可或者同意，且相关数据的提取、使用和处理遵守当地法律法规。具体地，在获取目标对象的基础数据之前，可以向目标对象的终端设备中发送关于获取目标对象的基础数据的授权协议；当目标对象同意该授权协议时，计算机设备才可以获取该目标对象的基础数据，否则，计算机设备并不能获取到该目标对象的基础数据。
S304、将第i场景对应的参考共有信息与相应的独有信息进行拼接处理，得到第i场景的发送指示信息，并根据发送指示信息预测在第i场景下，将目标资源发送给目标对象的发送概率。
通过将第i场景对应的参考共有信息和相应的独有信息进行拼接处理，可以得到第i场景的发送指示信息。该拼接处理可以是将第i场景对应的参考共有信息拼接在相应的独有信息之后；或者将第i场景对应的独有信息拼接在相应的参考共有信息之后。拼接得到的发送指示信息是第i场景的完整信息表示，该发送指示信息中的参考共有信息可以强化第i场景的重要子信息的决策能力，而其中的独有信息可以强化第i场景的独有性，避免场景之间相互干扰，从而使得在利用发送指示信息预测在第i场景下，将目标资源发送给目标对象的发送概率时，可以利用各个场景之间的共享部分，以及第i场景的独有部分，提升第i场景的预测效果。其中发送概率用于表示向目标对象发送该目标资源的概率，发送概率越大，表示目标资源被发送的可能性越大。在确定发送概率时，具体可以将发送指示信息作为分类网络模型(例如下述个性化处理模块)的输入，将该分类网络模型的输出作为发送概率，其中，分类网络模型的模型参数可以通过多场景信息发送的学习过程生成。
在一实施例中，若在第i场景下，将目标资源发送给目标对象的发送概率大于概率阈值，则在第i场景中将目标资源发送给目标对象，可以通过在第i场景针对性地进行资源发送，提高资源处理效率。
采用本申请的方法，确定了各场景均需使用的共有信息和第i场景需使用的独有信息，通过共有信息中的子信息在第i场景的参考重要度，能够自适应地从共有信息中选择适用于第i场景的参考共有信息，可以解决共有信息在各场景下语义一样，但重要性不同的问题；再将第i场景的参考共有信息和对应的独有信息拼接，可以获得第i场景的完整信息表示(即发送指示信息)，该完整信息表示既保有各个场景之间的共性又保有第i场景的独有性，使得基于第i场景的完整信息表示，可以准确地确定在第i场景下将目标资源发送给目标对象的发送概率，可见，本申请可以有效提升资源发送概率的预测准确性，进而，在后续进行资源发送的过程中，提高资源处理效率。
请参见图4，图4是本申请实施例提供的另一种信息处理方法的流程示意图。该方法可以由计算机设备(例如图2所示的计算机设备200)执行。其中，该信息处理方法包括：
S401、响应于为目标对象发送目标资源的触发操作，获取目标对象的描述信息，描述信息包括：目标对象的一个或多个对象描述信息，以及待为目标对象发送的目标资源的一个或多个资源描述信息。
目标对象的描述信息包括目标对象的一个或多个对象描述信息，对象描述信息可以包括目标对象的基础数据和目标对象的操作数据。目标对象的基础数据用于描述目标对象，例如可以包括像目标对象的身高等固有数据，以及目标对象其他不随场景而改变的统计数据。目标对象的操作数据主要是基于目标对象在各个场景中的操作得到的，例如目标对象在各个场景中购买了哪些资源、倾向于购买哪种类别的资源，使用某个场景的次数等。一个对象描述信息是对目标对象的一个维度进行描述的数据，例如，像目标对象的身高就是一个维度。需说明的是，目标对象的描述信息是在获得目标对象的许可或允许后获得并使用的。
目标对象的描述信息还包括待为目标对象发送的目标资源的一个或多个资源描述信息。资源描述信息可以包括目标资源的基础数据以及目标资源的统计数据。目标资源的基础数据用于描述目标资源固有的信息，例如目标资源的类别、颜色、大小、价格等。目标资源的统计数据可以是根据对各个场景中的目标资源的操作进行统计得到的，例如，目标资源在各个场景中的点击次数、销量排名、目标资源的搜索次数等。一个资源描述信息是对目标资源的一个维度进行描述的数据，例如像目标资源的点击次数就是一个维度。
本申请涉及目标对象的描述信息等数据，在本申请实施例运用到具体产品或技术中时，其均为获得目标对象许可或者同意，且相关数据的提取、使用和处理遵守当地法律法规。例如，在获取目标对象的描述信息之前，可以向目标对象的终端设备中发送关于获取目标对象的描述信息的授权协议；当目标对象同意该授权协议时，计算机设备才可以获取该目标对象的描述信息，否则，计算机设备并不能获取到该目标对象的描述信息。
S402、从描述信息中获取在M个场景为目标对象发送目标资源时，均需使用的描述信息，将从描述信息中获取出的描述信息转换后的信息，作为共有信息；其中，从描述信息中获取出的一个描述信息，被转换为共有信息中的一个子信息，M为大于1的整数，共有信息包含多个子信息。
从描述信息中获取在M个场景为目标对象发送目标资源时，均需使用的描述信息，例如像目标对象和目标资源的基础数据这类不随场景而改变的数据，即可以是各个场景均需使用的描述信息。进一步，将从描述信息中获取出的描述信息转换后的信息，作为共有信息，且从描述信息中获取出的一个描述信息，被转换为共有信息中的一个子信息。
在一实施例中，可以利用嵌入模块(embedding layer)将从描述信息中获取出的一个描述信息转换为一个d维的定长信息，假设有Dc个子信息，如式(4)所示，共有信息EMDc被表示为：
Figure BDA0003768006800000131
其中，
Figure BDA0003768006800000134
表示从描述信息中获取出的各个描述信息。E(inpi)为神经网络的嵌入模块的简化表示，用于将稀疏信息映射为信息维度为d维的定长信息，inpi表示输入信息。假如输入信息
Figure BDA0003768006800000132
则
Figure BDA0003768006800000133
其中的嵌入模块是初始的目标预测模型在经过多场景信息发送学习之后得到的，详细学习过程可以参见图9所涉及的实施例。
S403、获取每个子信息在第i场景下，为目标对象发送目标资源时对应的参考重要度，并根据每个子信息在第i场景的参考重要度对共有信息进行转换处理，得到第i场景对应的参考共有信息；i为小于等于M的正整数。
共有信息中的同一个子信息在不同场景下的重要性是不同的，因此需要确定每个子信息在第i场景对应的参考重要度。在一实施例中，每个子信息在第i场景对应的参考重要度及第i场景对应的参考共有信息，均是通过调用信息门控模块得到的，信息门控模块设置有M个信息选择参数组，且一个信息选择参数组与一个场景相对应。则获取每个子信息在第i场景下，为目标对象发送目标资源时对应的参考重要度，包括：从信息门控模块中的M个信息选择参数组中，获取与第i场景对应的信息选择参数组，每个信息选择参数组包含多个信息选择参数，且一个信息选择参数与一个信息维度相对应，将获取的信息选择参数组中，与任一子信息对应相同信息维度的信息选择参数，作为任一子信息在第i场景下，为目标对象发送目标资源时对应的参考重要度。
进一步地，采用任一子信息的参考重要度，对任一子信息进行加权处理，得到相应的加权子信息。将由得到的加权子信息组合得到的组合信息，作为第i场景对应的参考共有信息。
在一实施例中，上述确定第i场景对应的参考共有信息的过程可以通过如图5所示的信息门控子模块实现，信息门控模块可以包括M个信息门控子模块(feature gate)，一个信息门控子模块与一个场景相对应，一个信息门控子模块可以用于确定一个信息选择参数组。具体的，可以确定与第i场景对应的信息门控子模块，将共有信息作为输入信息inpi输入确定的信息门控子模块，在确定的信息门控子模块中：①共有信息EMDc经过均值池化层(pooling)降低参数量，得到降维处理后的共有信息：
Figure BDA0003768006800000141
pooling(inpi)是神经网络的均值池化层的简化表示，如果输入信息inpi包含Dc维信息，每个信息为d维，则输入信息inpi表示为：
Figure BDA0003768006800000142
经过均值池化后，将得到
Figure BDA0003768006800000143
均结果，原理是对于每一个d维信息的所有维度计算均值，从而得到一个浮点数的均值结果。②将inpipool经过第一层输出维度为K维的前馈神经网络(以relu函数作为激活函数)，得到输出：
Figure BDA0003768006800000144
③将o1经过第二层输出维度为Dc维的前馈神经网络(以sigmoid函数作为激活函数)，得到与第i场景对应的信息选择参数组：
Figure BDA0003768006800000145
④利用得到的信息选择参数组中的各个信息选择参数，调节共有信息中对应的子信息，得到第i场景对应的参考共有信息：
Figure BDA0003768006800000146
weight中包括Dc个信息选择参数，weight*EMDc会使weight中的信息选择参数与EMDc中对应位置的子信息(即对应同一个信息维度)进行加权处理(即相乘处理)，得到加权子信息。可见参考共有信息与共有信息的信息维度都为
Figure BDA0003768006800000147
信息维度并未发生变化，但已经根据第i场景的特点调整了每一个子信息。
在一可行的实现方式中，可以获取第i场景的降维处理后的独有信息对应的信息维度(即降维处理后的独有信息的长度或者说数据数量)，按照信息维度对每个加权子信息进行降维处理，以使降维处理后的加权子信息对应的信息维度与降维处理后的独有信息的信息维度相同，再将降维处理后的加权子信息组合得到的组合信息，作为第i场景对应的参考共有信息。例如采用均值池化层对信息门控子模块输出的EMDci进行降维处理，得到参考共有信息：
Figure BDA0003768006800000151
降维处理一方面可以减少参数量，一方面便于后续与降维处理后的独有信息进行拼接。
其中的信息门控模块是初始的目标预测模型在经过多场景信息发送学习之后得到的，详细学习过程可以参见图9所涉及的实施例。
在可行的实施例中，还可以对共有信息中的各个子信息进行信息交叉处理，将对共有信息的各种处理转换为对信息交叉处理后的共有信息的处理。
S404、从描述信息的一个或多个对象描述信息中，获取出与M个场景的第i场景相关的对象描述信息，并从描述信息的一个或多个资源描述信息中，获取出与第i场景相关的资源描述信息，将与第i场景相关的对象描述信息转换后的信息，及与第i场景相关的资源描述信息转换后的信息，作为第i场景的独有信息。
从描述信息的一个或多个对象描述信息中，获取出与M个场景的第i场景相关的对象描述信息，例如目标对象在第i场景的操作数据。以及从描述信息的一个或多个资源描述信息中，获取出与第i场景相关的资源描述信息，例如目标资源在第i场景的统计数据。进一步，将获取出与第i场景相关的资源描述信息转换后的信息，以及与第i场景相关的对象描述信息转换后的信息作为第i场景的独有信息。另外独有信息还可以包括场景标识(domainid，用于唯一标识场景)转换后的信息以及场景所在界面区域的大小、位置等环境信息转换后的信息。
在一实施例中，可以利用嵌入模块(embedding layer)将从描述信息中获取出的与第i场景相关的资源描述信息和与第i场景相关的对象描述信息转换为一个d维的定长信息，假设总的有Dp个数据，如式(5)所示，第i场景的独有信息EMDpi被表示为：
Figure BDA0003768006800000152
其中，
Figure BDA0003768006800000153
表示从描述信息中获取出的与第i场景相关的资源描述信息和与第i场景相关的对象描述信息。
另外，场景标识转换后的信息以及场景所在界面区域的大小、位置等环境信息转换后的信息也可以通过嵌入模块获取。
S405、将第i场景对应的参考共有信息与相应的独有信息进行拼接处理，得到第i场景的发送指示信息，并根据发送指示信息预测在第i场景下，将目标资源发送给目标对象的发送概率。
在一可行的实现方式中，将第i场景对应的参考共有信息与相应的独有信息进行拼接处理，得到第i场景的发送指示信息，包括：获取M个场景中的每个场景分别对应的参考共有信息，并确定出不同场景对应参考共有信息之间的信息共性，以及第i场景与其他场景对应参考共有信息之间的信息差异性。信息共性是指不同场景的参考共有信息都具有的特性或规律，信息差异性是指第i场景的参考共有信息相比于其他场景的参考共有信息而言，其独有的特性或规律。可以按照信息共性和信息差异性，对第i场景对应的参考共有信息进行转换处理，得到第i场景的转换信息STARci。该转换处理可以利用信息共性和信息差异性，使得到的转换信息既保留有所有场景共有的信息，又保留第i场景的独有信息。
进一步地，可以对第i场景的独有信息进行降维处理，得到第i场景的降维处理后的独有信息，例如采用均值池化层得到降维处理后的独有信息：PEMDpi＝pooling(EMDpi)。进一步地，如下述式(6)所示，将第i场景的转换信息STARci与相应的降维处理后的独有信息PEMDpi进行拼接处理，得到第i场景的发送指示信息inputi。通过拼接独有信息和转换信息，可以进一步强化第i场景的独有性。
Figure BDA0003768006800000161
在一实施例中，上述对第i场景对应的参考共有信息的转换处理，是通过调用星型拓扑模块执行的，如图6所示，星型拓扑模块包含共享网络及M个场景网络(以3个场景网络进行示例)，一个场景网络与一个场景相关联；按照信息共性和信息差异性，对第i场景对应的参考共有信息进行转换处理，得到第i场景的转换信息，包括：获取共享网络对应的共享网络参数W和b，及第i场景对应场景网络的场景网络参数Wi和bi；其中，共享网络参数用于表征不同场景对应参考共有信息之间的信息共性，场景网络参数用于表征第i场景与其他场景对应参考共有信息之间的信息差异性。根据共享网络参数和场景网络参数生成转换参数
Figure BDA0003768006800000162
和
Figure BDA0003768006800000163
具体将共享网络参数ω和b和第i场景的场景网络参数Wi和bi代入下述式(7)确定转换参数
Figure BDA0003768006800000164
和
Figure BDA0003768006800000165
Figure BDA0003768006800000171
进一步采用转换参数对第i场景对应的参考共有信息进行转换处理，得到第i场景的转换信息STARci，具体可以将第i场景对应的参考共有信息PEMDci代入下述式(8)得到第i场景的转换信息STARci。
Figure BDA0003768006800000172
其中，
Figure BDA0003768006800000173
中的Dc是星型拓扑模块的输入维度，即根据
Figure BDA0003768006800000174
确定，d是星型拓扑模块的输出维度。
式(8)实际为单层前馈神经网络的计算表达式，星型拓扑模块也可以包括多层前馈神经网络，每一层前馈神经网络同样分为共享网络参数和场景网络参数，第一层前馈神经网络的输入是参考共有信息，之后每一层前馈神经网络的输入可以是前一层前馈神经网络的输出，最后一层前馈神经网络的输出为转换信息。
STAR模型没有区分共有信息和独有信息，因此STAR模型中的星型拓扑网络在所有场景都使用相同的信息表示，仅通过星型拓扑网络中的独有网络参数学习场景之间的差异性，虽然其中的辅助网络引入了domain id作为输入，来使网络感知不同场景下的数据分布，但层数较浅学习能力弱，使得STAR模型无法很好地学习不同场景的差异性。另外STAR模型中的星型拓扑网络由于会涉及对象的所有描述信息，则各场景的独有信息难免会干扰到星型拓扑网络的场景差异性的学习。
而与STAR模型中的星型拓扑网络不同的是，本申请不再使用相同的信息表示作为星型拓扑模块的输入，而是每一个场景都会有对应的参考共有信息，将对应的参考共有信息作为星型拓扑模块的输入，一方面可以便于星型拓扑模块利用对应场景的重要子信息更好地学习场景之间的共性和特异性，另一方面由于星型拓扑模块不再处理独有信息，也可以防止独有信息对星型拓扑模块学习场景之间的差异性产生干扰。
其中的星型拓扑模块是初始的目标预测模型在经过多场景信息发送学习之后得到的，详细学习过程可以参见图9所涉及的实施例。
在一实施例中，根据发送指示信息预测在第i场景下，将目标资源发送给目标对象的发送概率，包括：获取目标对象的对象标识(用于唯一标识目标对象)，目标资源的资源标识(用于唯一标识目标资源)和第i场景的场景标识(用于唯一标识第i场景)。其中，对象标识、资源标识和场景标识可以采用one-hot的形式进行表示。例如包括三个场景，三个场景的场景标识用one-hot分别表示为：[1，0，0]、[0，1，0]、[0，0，1]。
进一步根据对象标识，资源标识和第i场景的场景标识，生成在第i场景为目标对象发送目标资源的发送权重，包括：分别对对象标识，资源标识和第i场景的场景标识进行转换处理，得到对象标识的标识信息uemb，资源标识的标识信息iemb及第i场景的场景标识的标识信息pemb。具体可以通过嵌入模块将对象标识、对象标识和第i场景的场景标识分别转换为d维的定长信息，以得到各个标识信息。再将对象标识的标识信息，资源标识的标识信息及第i场景的场景标识的标识信息进行拼接处理，得到拼接信息。调用预测模块对拼接信息进行预测，得到在第i场景为目标对象发送目标资源的发送权重。如图7所示，预测模块包括个性化权重门控模块(domain gate)。个性化权重门控模块的门控输入为利用对象标识、资源标识和场景标识得到的拼接信息：
Figure BDA0003768006800000181
Figure BDA0003768006800000182
将拼接信息经过第一层输出维度为K维的前馈神经网络(以relu函数作为激活函数)，得到输出：
Figure BDA0003768006800000183
将out1gate经过第二层输出维度为D维的前馈神经网络(以sigmoid函数作为激活函数)，得到发送权重：
Figure BDA0003768006800000184
其中发送权重为Dp+Dc维，与发送指示信息的信息维度一样，因为后续发送权重需要与发送指示信息进行矩阵相乘。
进一步采用发送权重结合发送指示信息进行发送预测处理，得到在第i场景下，将目标资源发送给目标对象的发送概率。例如将发送权重与发送指示信息相乘后，将相乘得到的结果作为分类神经网络(例如以sigmoid函数为激活函数的前馈神经网络)的输入，分类神经网络的输出即为在第i场景下，将目标资源发送给目标对象的发送概率。
一具体实现方式中，可以利用如图8所示的个性化处理模块进行发送预测处理。个性化处理模块包括个性化参数模块(domain tower)和预测模块，预测模块包括个性化权重门控模块1(domain gate1)和个性化权重门控模块2(domain gate2)，domain gate1和domain gate2与图7所示的预测模块的模型结构相同。可以将拼接信息作为domain gate1的输入，得到第一发送权重：
Figure BDA0003768006800000191
Figure BDA0003768006800000192
以及将拼接信息作为domain gate2的输入，得到第二发送权重：
Figure BDA0003768006800000193
将发送指示信息inputi乘以第一发送权重out1gate1，得到输出：
Figure BDA0003768006800000194
将o1经过个性化参数模块中的第一层输出维度为D维的前馈神经网络(以relu函数作为激活函数)得到输出：
Figure BDA0003768006800000195
Figure BDA0003768006800000196
将o2乘以第二发送权重out2gate2得到输出：
Figure BDA0003768006800000197
Figure BDA0003768006800000198
将o3经过个性化参数模块中的第二层输出维度为1维的前馈神经网络(以sigmoid函数作为激活函数)得到在第i场景下，将目标资源发送给目标对象的发送概率：
Figure BDA0003768006800000199
考虑到相同对象和资源在不同场景往往存在较大差异性的现象，本申请在靠近模型输出的部分(即个性化处理模块)引入发送权重，通过第i场景的发送权重对完整信息表示进行处理，可以引入个性化场景信息(即在哪一个场景，向哪一个对象发送哪一个资源)，即该发送权重相当于是一个增加个性化场景信息的个性化权重，个性化权重可以通过强化场景独特性(即目标对象和目标资源在第i场景下的独有性)，提升发送概率的预测准确性，同时可以减少星型拓扑模块中的共享网络参数对各场景预测精度的不良影响。
其中的个性化处理模块是初始的目标预测模型在经过多场景信息发送学习之后得到的，详细学习过程可以参见图9所涉及的实施例。
在一实施例中，可以采用上述方式，确定在M个场景中的每个场景下，将目标资源发送给目标对象的发送概率，若存在一个发送概率大于概率阈值，则在该发送概率对应的场景中，将目标资源发送给目标对象，有利于提升多场景资源发送的预测准确性，从而提升多场景资源处理效率。
另外，对于信息门控模块，可以使用其他结构的信息选择网络达到相似的效果，另外对场景的独有信息也可以进行采用信息门控模块进行信息选择。个性化参数模块也可以直接使用普通MLP或其他结构的深度神经网络，但各个场景的模型参数不共享。
为保护相应对象的对象隐私，计算机设备在获取目标对象的对象描述信息时，是在获取到目标对象的信息授权后才进行获取的，且在获取到目标对象的对象描述信息后，也仅用于进行目标资源的发送，另外，计算机设备为目标对象进行目标资源的发送，也是在获取到目标对象的相应发送授权后进行的。
采用本申请的方法，可以通过融合专家经验信息将输入信息拆分为各场景均需使用的共有信息和第i场景需使用的独有信息，通过信息门控模块可以得到共有信息中的各个子信息在第i场景的参考重要度，利用参考重要度能够自适应地从共有信息中选择第i场景的参考共有信息，解决共有信息在各场景下语义一样，但重要性不同的问题；各场景的参考共有信息经过星型拓扑模块计算，得到的各个输出，可以既保留各个场景之间的共性又保留第i场景的独有性；而将各场景的独有信息和星型拓扑模块的输出拼接，可以获得第i场景的完整信息表示，完整信息表示中的独有信息可以强化第i场景的独有性；再经过第i场景独有的个性化参数模块(domain tower)，以及引入基于对象标识、资源标识、场景标识的个性化权重门控模块(domain gate)，能够强化场景独特性，提升资源发送概率的预测准确性，从而提高资源处理效率，同时可以减少星型拓扑模块中的共享网络参数对各场景预测精度的不良影响。
请参见图9，图9是本申请实施例提供的一种目标预测模型获取方法的流程示意图。该方法可以由计算机设备(例如图2所示的计算机设备200)执行。其中，该目标预测模型获取方法包括：
S901、获取初始的目标预测模型，初始的目标预测模型包括个性化处理模块、星型拓扑模块、信息门控模块和嵌入模块。
若初始的目标预测模型涉及在M个场景执行发送任务，则初始的目标预测模型包括M个个性化处理模块，一个个性化处理模块对应一个场景，一个个性化处理模块包括个性化参数模块(domain tower)和预测模块，该预测模块可以包括一个或多个个性化权重门控模块(domain gate)，该个性化权重门控模块或预测模块用于确定发送权重。初始的目标预测模型中的信息门控模块包括M个信息门控子模块，一个信息门控子模块对应一个场景，该信息门控子模块可以用于确定信息选择参数组。初始的目标预测模型中的嵌入模块用于将输入的描述信息转换为d(正整数)维的定长信息，输入的描述信息可以是对象信息(如对象的基础数据)、资源信息(如资源的基础数据)，统计信息(如对象在各个场景中的操作数据、在各个场景中的资源的统计数据)，场景标识等。初始的目标预测模型中的星型拓扑模块包括共享网络和各个场景对应的场景网络，可以兼顾学习场景之间的共性以及差异性。
参阅图10，图10为本申请实施例提供的一种初始的目标预测模型的模型结构示意图，该初始的目标预测模型示例性地涉及在三个场景执行发送任务，可见三个场景各自对应了一个信息门控子模块、一个场景网络和一个个性化处理模块(包括个性化参数模块和个性化权重门控模块)。
S902、获取训练样本集，训练样本集包括一个或多个样本信息，一个样本信息包括一个对象的描述信息以及一个对象的描述信息对应的发送标签。
训练样本集可以包括目标对象的描述信息。目标对象的描述信息对应的发送标签可以用于指示在第i场景下，是否成功将目标资源发送给目标对象。例如，若目标对象对第i场景中发送的目标资源执行目标操作(例如查看、购买)，则可以认为成功将目标资源发送给目标对象。发送标签具体可以表示为：yi∈{0，1}，即指示目标对象是否对第i场景中的目标资源执行目标操作，若yi为1，则指示目标对象对第i场景中的目标资源执行目标操作，若yi为0，则指示目标对象未对第i场景中的目标资源执行目标操作。
S903、利用初始的目标预测模型对训练样本集中的任一样本信息包括的描述信息进行处理，得到任一样本信息对应的发送概率，利用任一样本信息对应的发送概率和发送标签，对初始的目标预测模型的模型参数进行调整，得到调整后的目标预测模型。
若该任一样本信息包括目标对象的描述信息，则利用初始的目标预测模型对训练样本集中的任一样本信息包括的描述信息进行处理，包括：从目标对象的描述信息中获取各个场景均需使用的描述信息，利用初始的目标预测模型中的嵌入模块对获取出的描述信息进行转换处理，得到共有信息EMDc。将共有信息EMDc输入与第i场景对应的信息门控子模块中，得到第i场景对应的信息选择参数组，利用第i场景对应的信息选择参数组对共有信息EMDc中的各个子信息进行加权处理，得到第i场景对应的参考共有信息。利用初始的目标预测模型中的星型拓扑模块中的共享网络对应的共享网络参数W和b，及第i场景对应场景网络的场景网络参数Wi和bi，生成转换参数
Figure BDA0003768006800000211
和
Figure BDA0003768006800000212
利用转换参数
Figure BDA0003768006800000213
和
Figure BDA0003768006800000214
对第i场景对应的参考共有信息进行转换处理，得到第i场景的转换信息STARci。
进一步地，从目标对象的描述信息的一个或多个对象描述信息中，获取出与M个场景的第i场景相关的对象描述信息，并从描述信息的一个或多个资源描述信息中，获取出与第i场景相关的资源描述信息，利用初始的目标预测模型中的嵌入模块对与第i场景相关的对象描述信息和与第i场景相关的资源描述信息进行转换处理，得到第i场景的独有信息EMDpi。
将转换信息STARci和降维后的独有信息PEMDpi进行拼接得到第i场景的发送指示信息inputi，将发送指示信息inputi输入与第i场景对应的个性化处理模块中，得到目标对象的描述信息对应的发送概率，即在第i场景将目标资源发送给目标对象的概率。进一步可以基于目标对象的描述信息对应的发送标签和发送概率之间的差异确定损失参数，沿着损失参数调小(可以通过随机梯度下降)的方向，调整初始的目标预测模型中的嵌入模块、与第i场景对应的个性化处理模块、与第i场景对应的信息门控子模块，以及星型拓扑模块中共享网络和第i场景对应场景网络的模型参数，并得到调整后的目标预测模型。当目标预测模型调整的次数大于预设次数或者损失参数小于预设损失值时，可以利用调整得到的目标预测模型中的嵌入模块、个性化处理模块、信息门控模块、星型拓扑模块预测在第i场景将目标资源发送给目标对象的发送概率。可以看出，像目标预测模型中所有场景共用的模块可以使用全部场景的样本训练以学习更充分的信息表示，而各场景独有模块应使用该场景的样本训练避免场景之间相互干扰。
另外，图5中的“×”指示信息门控子模块采用截断梯度法进行模型参数的更新，截断梯度法主要是为了防止“×”之前的模型参数的反向传播调整过程影响到“×”之后的模型参数的调整过程，可以防止信息门控子模块的学习影响到目标预测模型的多场景发送学习。
上述目标预测模型的模型参数的调整过程即为目标预测模型的多场景信息发送的学习过程，在多场景信息发送学习的过程中，会通过在个性化处理模块中引入场景标识、资源标识和对象标识学习个性化场景信息，后续在用目标预测模型预测发送概率时，目标预测模型就可以利用训练阶段学习到的个性化场景信息引入个性化权重(即发送权重)，为了避免目标预测模型没有学习到关于目标对象和目标资源相关的个性化信息，而导致得到的个性化权重不够准确的问题，可以在目标预测模型的训练阶段使一些不具有代表性的资源和对象用通用标识进行指示。例如训练样本集涉及了1000件商品，里面有800件商品在训练样本集出现的次数较少，这800件可以共用一个资源标识，从而提高目标预测模型的泛化能力，即使训练阶段目标预测模型没有学习到关于目标资源和目标对象在第i场景的个性化信息，也可以准确预测发送概率。
在可行的实施例中，训练样本集可以包括多个训练批次，每个训练批次包括N个样本信息，每个样本信息包括用于生成共有信息的描述信息，以及用于生成M个场景中每个场景的独有特性的描述信息。则每个训练批次对应的共有信息可以表示为：
Figure BDA0003768006800000231
由于有M个场景就会有M个独有信息，因此每个训练批次在第i个场景下的独有信息可以表示为：
Figure BDA0003768006800000232
将每个训练批次的共有信息，输入各个信息门控子模块，可以得到各个信息门控子模块的输出：{EMDc1，EMDc2，......，EMDcM}，进一步对{EMDc1，EMDc2，......，EMDcM}进行降维处理可以得到M个参考共有信息：{PEMDc1，PEMDc2，......，PEMDcM}，PEMDci为第i场景对应的参考共有信息，再将M个参考共有信息输入星型拓扑模块，可以得到M个转换信息：{STARc1，STARc2，......，STARcM}，STARci为第i场景对应的转换信息。通过将第i场景对应的转换信息和第i场景降维后的独有信息PEMDpi拼接，可以得到第i场景的发送指示信息：
Figure BDA0003768006800000233
将各个场景的发送指示信息输入对应的个性化处理模块中的个性化参数模块，并利用预测模块包括的个性化权重门控模块(domain gate)引入个性化场景信息，最终可以输出该训练批次中所有样本信息对应的发送概率：
Figure BDA0003768006800000234
其中，
Figure BDA0003768006800000235
表示N个样本信息在第i场景对应的预测概率。
其中，将第i场景的发送指示信息输入与第i场景对应的个性化处理模块中的个性化参数模块，并利用其中的预测模块包括的个性化权重门控模块(domain gate)引入个性化场景信息，最终输出该训练批次中所有样本信息在第i场景对应的发送概率，包括：获取每个训练批次对应的拼接信息：
Figure BDA0003768006800000236
Figure BDA0003768006800000237
经过第i场景对应的feature gate1中第一层输出维度为Dp+Dc维的前馈神经网络，得到输出：
Figure BDA0003768006800000238
Figure BDA0003768006800000239
再将out1gate经过第i场景对应的feature gate1中第二层输出维度为D维的前馈神经网络得到第一发送权重：
Figure BDA00037680068000002310
Figure BDA00037680068000002311
同理，每个训练批次对应的拼接信息经过第i场景对应的feature gate2输出第二发送权重：
Figure BDA00037680068000002312
通过
Figure BDA00037680068000002313
乘上outgate1，得到
Figure BDA00037680068000002314
此时是第一次引入个性化场景信息，再将o1经过第i场景对应的个性化参数模块中的第一层前馈神经网络，得到输出
Figure BDA0003768006800000241
将输出o2乘上out2gate2，得到
Figure BDA0003768006800000242
Figure BDA0003768006800000243
此时可以进一步强化个性化场景信息，将o3经过第i场景对应的个性化参数模块中的第二层前馈神经网络，得到最终输出
Figure BDA0003768006800000244
即为上述
Figure BDA0003768006800000245
由于训练样本集涉及M个场景，因此需要将损失参数loss的计算公式扩展到M个场景，如下述式(9)所示。
Figure BDA0003768006800000246
其中，
Figure BDA0003768006800000247
表示第i个样本信息在第p场景的发送标签，
Figure BDA0003768006800000248
表示第i个样本信息在第p场景的发送概率，Np的数量为训练批次中的样本信息数量。
需说明的是，式(8)所示的损失参数计算公式，实际上是计算出每个场景对应的损失参数，即
Figure BDA0003768006800000249
利用每个场景对应的损失参数去调整目标预测模型中各个场景共用的模块和对应场景的独享模块。
通过式(8)可以得到每个训练批次对应的损失参数，通过沿着每个训练批次对应的损失参数调小(可以通过随机梯度下降)的方向，调整初始的目标预测模型。当调整次数大于预设次数，或者损失参数小于预设损失值时，可以利用调整得到的目标预测模型中的嵌入模块、个性化处理模块、信息门控模块、星型拓扑模块预测在各个场景将目标资源发送给目标对象的发送概率，采用这种批处理的方式可以加快目标预测模型的训练速度。
本申请实施例提供的目标预测模型(即M-STAR模型)，可以被应用到理财通平台，例如基金个性化发送场景。理财通平台有数千只优质基金供投资方选择，但投资方无法高效的从数千支基金中选出自己感兴趣的基金，因此需要个性化地快速匹配投资方感兴趣的基金。由于理财通产品形态较为复杂，有新对象的信息展示首页(新对象是未对理财通平台的基金进行任何操作的对象，信息展示首页用于展示基金)、老对象的信息展示首页(老对象是对理财通平台的基金进行操作过的对象)、基金tab页(基金理财页)、稳健tab页(稳健理财页)、持仓页等多个区域和位置，这些位置虽然都是基金展示场景，但产品形态、候选物品池(基金)、投资方群体均存在差异，是一个典型的多场景的资源发送。本申请具体应用在理财通平台的新对象的信息展示首页(简称为新对象首页)、老对象的信息展示首页(简称为老对象首页)、基金tab页三个场景的基金发送中，并取得了显著的离线效果和线上收益。其中离线评估指标采用的是AUC(area under the curve，一种模型评价指标)，在线指标使用的是曝光转化率(即CTCVR)，测试结果如表1所示：
表1
Figure BDA0003768006800000251
此外对于目标预测模型结构中每个部分的有效性也进行了消融实验，其结果如表2所示：
表2
Figure BDA0003768006800000252
Figure BDA0003768006800000261
从上述实验可以看出，目标预测模型不管是离线还是在线效果均优于原STAR模型，在多个场景下均取得了收益，消融实验也验证了目标预测模型每个模块的必要性和有效性。
通过调整目标预测模型的模型参数，可以使信息门控模块可以自动为每个场景选择所需的参考共有信息，同时星型拓扑模块通过拆分网络参数为共享网络参数和各场景独有的场景网络参数，能够使星型拓扑模块可以即学习各个场景的参考共有信息之间的共性，又学习各场景的独有性。而每个场景独有的个性化参数模块，将各场景的星型拓扑模块的输出和对应场景的独有信息表示进行拼接作为输入，再通过个性化权重门控模块强化每个场景的独特性以及提升个性化能力，有利于提高训练得到的目标预测模型对于资源发送概率的预测准确性，从而提高资源处理效率。
可以理解的是，在本申请的具体实施方式中，涉及到目标对象的描述信息等相关数据，当本申请以上实施例运用到具体产品或技术中时，需要获得目标对象许可或者同意，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。
上述详细阐述了本申请实施例的方法，为了便于更好地实施本申请实施例的上述方法，相应地，下面提供了本申请实施例的装置。请参见图11，图11是本申请实施例提供的一种信息处理装置的结构示意图，该信息处理装置110可以包括：
获取单元1101，用于响应于为目标对象发送目标资源的触发操作，获取在M个场景为目标对象发送目标资源时，各场景均需使用的共有信息；M为大于1的整数，所述共有信息包含多个子信息；
所述获取单元1101，还用于获取每个子信息在第i场景下，为所述目标对象发送目标资源时对应的参考重要度；
处理单元1102，用于根据每个子信息在所述第i场景的参考重要度对所述共有信息进行转换处理，得到所述第i场景对应的参考共有信息；i为小于等于M的正整数；
所述获取单元1101，还用于获取所述第i场景进行目标资源发送时，所述第i场景需使用的独有信息；
所述处理单元1102，还用于将所述第i场景对应的参考共有信息与相应的独有信息进行拼接处理，得到所述第i场景的发送指示信息，并根据所述发送指示信息预测在所述第i场景下，将所述目标资源发送给所述目标对象的发送概率。
在一实施例中，所述获取单元1101具体用于：获取所述目标对象的描述信息，所述描述信息包括：所述目标对象的一个或多个对象描述信息，以及待为所述目标对象发送的目标资源的一个或多个资源描述信息；从所述描述信息中获取在M个场景为所述目标对象发送所述目标资源时，均需使用的描述信息；
所述处理单元1102具体用于：将从所述描述信息中获取出的描述信息转换后的信息，作为共有信息；其中，从所述描述信息中获取出的一个描述信息，被转换为所述共有信息中的一个子信息。
在一实施例中，所述获取单元1101具体用于：获取所述目标对象的描述信息，所述描述信息包括：所述目标对象的一个或多个对象描述信息，以及待为所述目标对象发送的目标资源的一个或多个资源描述信息；从所述描述信息的一个或多个对象描述信息中，获取出与所述M个场景的第i场景相关的对象描述信息，并从所述描述信息的一个或多个资源描述信息中，获取出与所述第i场景相关的资源描述信息；
所述处理单元1102具体用于：将与所述第i场景相关的对象描述信息转换后的信息，及与所述第i场景相关的资源描述信息转换后的信息，作为所述第i场景的独有信息。
在一实施例中，每个子信息在所述第i场景对应的参考重要度及所述第i场景的参考共有信息，均是通过调用信息门控模块得到的，所述信息门控模块设置有M个信息选择参数组，且一个信息选择参数组与一个场景相对应；所述获取单元1101具体用于：从所述信息门控模块中的M个信息选择参数组中，获取与所述第i场景对应的信息选择参数组；所述信息选择参数组包含多个信息选择参数，且一个信息选择参数与一个信息维度相对应；
所述处理单元1102具体用于：将获取的信息选择参数组中，与任一子信息对应相同信息维度的信息选择参数，作为所述任一子信息的参考重要度。
在一实施例中，所述处理单元1102具体用于：采用任一子信息的参考重要度，对所述任一子信息进行加权处理，得到相应的加权子信息；将由得到的加权子信息组合得到的组合信息，作为所述第i场景对应的参考共有信息。
在一实施例中，所述获取单元1101具体用于：获取所述第i场景的降维处理后的独有信息对应的信息维度；
所述处理单元1102具体用于：按照所述信息维度对每个加权子信息进行降维处理，以使降维处理后的加权子信息对应的信息维度与所述降维处理后的独有信息的信息维度相同；将降维处理后的加权子信息组合得到的组合信息，作为所述第i场景对应的参考共有信息。
在一实施例中，所述获取单元1101具体用于：获取M个场景中的每个场景分别对应的参考共有信息，并确定出不同场景对应参考共有信息之间的信息共性，以及所述第i场景与其他场景对应参考共有信息之间的信息差异性；
所述处理单元1102具体用于：按照所述信息共性和所述信息差异性，对所述第i场景对应的参考共有信息进行转换处理，得到所述第i场景的转换信息；将所述第i场景的转换信息与相应的降维处理后的独有信息进行拼接处理，得到所述第i场景的发送指示信息。
在一实施例中，对所述第i场景对应的参考共有信息的转换处理，是通过调用星型拓扑模块执行的，所述星型拓扑模块包含共享网络及M个场景网络，一个场景网络与一个场景相关联，所述获取单元1101具体用于：获取所述共享网络对应的共享网络参数，及所述第i场景对应场景网络的场景网络参数；其中，所述共享网络参数用于表征不同场景对应参考共有信息之间的信息共性，所述场景网络参数用于表征所述第i场景与其他场景对应参考共有信息之间的信息差异性；
所述处理单元1102具体用于：根据所述共享网络参数和所述场景网络参数生成转换参数，并采用所述转换参数对所述第i场景对应的参考共有信息进行转换处理，得到所述第i场景的转换信息。
在一实施例中，所述获取单元1101具体用于：获取所述目标对象的对象标识，所述目标资源的资源标识和所述第i场景的场景标识；
所述处理单元1102具体用于：根据所述对象标识，所述资源标识和所述第i场景的场景标识，生成在所述第i场景为所述目标对象发送所述目标资源的发送权重；采用所述发送权重结合所述发送指示信息进行发送预测处理，得到在所述第i场景下，将所述目标资源发送给所述目标对象的发送概率。
在一实施例中，所述处理单元1102具体用于：分别对所述对象标识，所述资源标识和所述第i场景的场景标识进行转换处理，得到所述对象标识的标识信息，所述资源标识的标识信息及所述第i场景的场景标识的标识信息；将所述对象标识的标识信息，所述资源标识的标识信息及所述第i场景的场景标识的标识信息进行拼接处理，得到拼接信息；调用预测模块对所述拼接信息进行预测，得到在所述第i场景为所述目标对象发送所述目标资源的发送权重。
在一实施例中，确定将所述目标资源发送给所述目标对象的发送概率，是通过调用目标预测模型得到的，所述共有信息是从所述目标对象的描述信息中获取得到的，当所述目标对象的描述信息为样本信息时，所述获取单元1101具体用于：获取所述目标对象的描述信息对应的发送标签；所述发送标签用于指示在所述第i场景下，是否成功将所述目标资源发送给所述目标对象；
所述处理单元1102具体用于：基于所述发送标签和所述发送概率，对初始的目标预测模型的模型参数进行调整，得到调整后的目标预测模型。
可以理解的是，本申请实施例所描述的信息处理装置的各功能单元的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
在本申请实施例中，确定了各场景均需使用的共有信息和第i场景需使用的独有信息，通过共有信息中的子信息在第i场景的参考重要度，能够自适应地从共有信息中选择适用于第i场景的参考共有信息，可以解决共有信息在各场景下语义一样，但重要性不同的问题；再将第i场景的参考共有信息和对应的独有信息拼接，可以获得第i场景的完整信息表示(即发送指示信息)，基于第i场景的完整信息表示可以确定在第i场景下将目标资源发送给目标对象的发送概率，由于该完整信息表示既保有各个场景之间的共性又保有第i场景的独有性，因此可以有效提升资源发送概率的预测准确性，进而，在后续进行资源发送的过程中，提高了资源处理效率。
如图12所示，图12是本申请实施例提供的一种计算机设备的结构示意图，该计算机设备120内部结构如图12所示，包括：一个或多个处理器1201、存储器1202、通信接口1203。上述处理器1201、存储器1202和通信接口1203可通过总线1204或其他方式连接，本申请实施例以通过总线1204连接为例。
其中，处理器1201(或称CPU(Central Processing Unit，中央处理器))是计算机设备120的计算核心以及控制核心，其可以解析计算机设备120内的各类指令以及处理计算机设备120的各类数据，例如：CPU可以用于解析向计算机设备120所发送的开关机指令，并控制计算机设备120进行开关机操作；再如：CPU可以在计算机设备120内部结构之间传输各类交互数据，等等。通信接口1203可选的可以包括标准的有线接口、无线接口(如Wi-Fi、移动通信接口等)，受处理器1201的控制用于收发数据。存储器1202(Memory)是计算机设备120中的记忆设备，用于存放计算机程序和数据。可以理解的是，此处的存储器1202既可以包括计算机设备120的内置存储器，当然也可以包括计算机设备120所支持的扩展存储器。存储器1202提供存储空间，该存储空间存储了计算机设备120的操作系统，可包括但不限于：Windows系统、Linux系统、Android系统、iOS系统，等等，本申请对此并不作限定。处理器1201通过运行存储器1202中存储的计算机程序，执行如下操作：
响应于为目标对象发送目标资源的触发操作，获取在M个场景为目标对象发送目标资源时，各场景均需使用的共有信息；M为大于1的整数，所述共有信息包含多个子信息；
获取每个子信息在第i场景下，为所述目标对象发送目标资源时对应的参考重要度，并根据每个子信息在所述第i场景的参考重要度对所述共有信息进行转换处理，得到所述第i场景对应的参考共有信息；i为小于等于M的正整数；
获取所述第i场景进行目标资源发送时，所述第i场景需使用的独有信息；
将所述第i场景对应的参考共有信息与相应的独有信息进行拼接处理，得到所述第i场景的发送指示信息，并根据所述发送指示信息预测在所述第i场景下，将所述目标资源发送给所述目标对象的发送概率。
在一实施例中，所述处理器1201具体用于：获取所述目标对象的描述信息，所述描述信息包括：所述目标对象的一个或多个对象描述信息，以及待为所述目标对象发送的目标资源的一个或多个资源描述信息；从所述描述信息中获取在M个场景为所述目标对象发送所述目标资源时，均需使用的描述信息；将从所述描述信息中获取出的描述信息转换后的信息，作为共有信息；其中，从所述描述信息中获取出的一个描述信息，被转换为所述共有信息中的一个子信息。
在一实施例中，所述处理器1201具体用于：获取所述目标对象的描述信息，所述描述信息包括：所述目标对象的一个或多个对象描述信息，以及待为所述目标对象发送的目标资源的一个或多个资源描述信息；从所述描述信息的一个或多个对象描述信息中，获取出与所述M个场景的第i场景相关的对象描述信息，并从所述描述信息的一个或多个资源描述信息中，获取出与所述第i场景相关的资源描述信息；将与所述第i场景相关的对象描述信息转换后的信息，及与所述第i场景相关的资源描述信息转换后的信息，作为所述第i场景的独有信息。
在一实施例中，每个子信息在所述第i场景对应的参考重要度及所述第i场景的参考共有信息，均是通过调用信息门控模块得到的，所述信息门控模块设置有M个信息选择参数组，且一个信息选择参数组与一个场景相对应；所述处理器1201具体用于：从所述信息门控模块中的M个信息选择参数组中，获取与所述第i场景对应的信息选择参数组；所述信息选择参数组包含多个信息选择参数，且一个信息选择参数与一个信息维度相对应；将获取的信息选择参数组中，与任一子信息对应相同信息维度的信息选择参数，作为所述任一子信息的参考重要度。
在一实施例中，所述处理器1201具体用于：采用任一子信息的参考重要度，对所述任一子信息进行加权处理，得到相应的加权子信息；将由得到的加权子信息组合得到的组合信息，作为所述第i场景对应的参考共有信息。
在一实施例中，所述处理器1201具体用于：获取所述第i场景的降维处理后的独有信息对应的信息维度；按照所述信息维度对每个加权子信息进行降维处理，以使降维处理后的加权子信息对应的信息维度与所述降维处理后的独有信息的信息维度相同；将降维处理后的加权子信息组合得到的组合信息，作为所述第i场景对应的参考共有信息。
在一实施例中，所述处理器1201具体用于：获取M个场景中的每个场景分别对应的参考共有信息，并确定出不同场景对应参考共有信息之间的信息共性，以及所述第i场景与其他场景对应参考共有信息之间的信息差异性；按照所述信息共性和所述信息差异性，对所述第i场景对应的参考共有信息进行转换处理，得到所述第i场景的转换信息；将所述第i场景的转换信息与相应的降维处理后的独有信息进行拼接处理，得到所述第i场景的发送指示信息。
在一实施例中，对所述第i场景对应的参考共有信息的转换处理，是通过调用星型拓扑模块执行的，所述星型拓扑模块包含共享网络及M个场景网络，一个场景网络与一个场景相关联；所述处理器1201具体用于：获取所述共享网络对应的共享网络参数，及所述第i场景对应场景网络的场景网络参数；其中，所述共享网络参数用于表征不同场景对应参考共有信息之间的信息共性，所述场景网络参数用于表征所述第i场景与其他场景对应参考共有信息之间的信息差异性；根据所述共享网络参数和所述场景网络参数生成转换参数，并采用所述转换参数对所述第i场景对应的参考共有信息进行转换处理，得到所述第i场景的转换信息。
在一实施例中，所述处理器1201具体用于：获取所述目标对象的对象标识，所述目标资源的资源标识和所述第i场景的场景标识；根据所述对象标识，所述资源标识和所述第i场景的场景标识，生成在所述第i场景为所述目标对象发送所述目标资源的发送权重；采用所述发送权重结合所述发送指示信息进行发送预测处理，得到在所述第i场景下，将所述目标资源发送给所述目标对象的发送概率。
在一实施例中，所述处理器1201具体用于：分别对所述对象标识，所述资源标识和所述第i场景的场景标识进行转换处理，得到所述对象标识的标识信息，所述资源标识的标识信息及所述第i场景的场景标识的标识信息；将所述对象标识的标识信息，所述资源标识的标识信息及所述第i场景的场景标识的标识信息进行拼接处理，得到拼接信息；调用预测模块对所述拼接信息进行预测，得到在所述第i场景为所述目标对象发送所述目标资源的发送权重。
在一实施例中，确定将所述目标资源发送给所述目标对象的发送概率，是通过调用目标预测模型得到的，所述共有信息是从所述目标对象的描述信息中获取得到的，当所述目标对象的描述信息为样本信息时，所述处理器1201具体用于：获取所述目标对象的描述信息对应的发送标签；所述发送标签用于指示在所述第i场景下，是否成功将所述目标资源发送给所述目标对象；基于所述发送标签和所述发送概率，对初始的目标预测模型的模型参数进行调整，得到调整后的目标预测模型。
具体实现中，本申请实施例中所描述的处理器1201、存储器1202及通信接口1203可执行本申请实施例提供的一种信息处理方法中所描述的实现方式，也可执行本申请实施例提供的一种信息处理装置中所描述的实现方式，在此不再赘述。
通过调整目标预测模型的模型参数，可以使信息门控模块可以自动为每个场景选择所需的重要共有信息(即参考共有信息)，同时星型拓扑模块通过拆分网络参数为共享网络参数和各场景独有的场景网络参数，能够使星型拓扑模块可以即学习各个场景的参考共有信息之间的共性，又学习各场景的独有性。而每个场景独有的个性化参数模块，将各场景的星型拓扑模块的输出和对应场景的独有信息表示进行拼接作为输入，再通过个性化权重门控模块强化每个场景的独特性以及提升个性化能力，有利于提高训练得到的目标预测模型对于资源发送概率的预测准确性，从而提高资源处理效率。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机设备上运行时，使得计算机设备执行上述任一可能实现方式的信息处理方法。其具体实现方式可参考前文描述，此处不再赘述。
本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序或计算机指令，所述计算机程序或计算机指令被处理器执行时实现本申请实施例提供的信息处理方法的步骤。其具体实现方式可参考前文描述，此处不再赘述。
本申请实施例还提供了一种计算机程序，所述计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中，计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令，处理器执行所述计算机指令，使得所述计算机设备执行本申请实施例提供的信息处理方法。其具体实现方式可参考前文描述，此处不再赘述。
需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。
以上所揭露的仅为本申请部分实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (14)

1.一种信息处理方法，其特征在于，所述方法包括：
响应于为目标对象发送目标资源的触发操作，获取在M个场景为目标对象发送目标资源时，各场景均需使用的共有信息；M为大于1的整数，所述共有信息包含多个子信息；
获取每个子信息在第i场景下，为所述目标对象发送目标资源时对应的参考重要度，并根据每个子信息在所述第i场景的参考重要度对所述共有信息进行转换处理，得到所述第i场景对应的参考共有信息；i为小于等于M的正整数；
获取所述第i场景进行目标资源发送时，所述第i场景需使用的独有信息；
将所述第i场景对应的参考共有信息与相应的独有信息进行拼接处理，得到所述第i场景的发送指示信息，并根据所述发送指示信息预测在所述第i场景下，将所述目标资源发送给所述目标对象的发送概率。
2.根据权利要求1所述的方法，其特征在于，所述获取在M个场景为目标对象发送目标资源时，各场景均需使用的共有信息，包括：
获取所述目标对象的描述信息，所述描述信息包括：所述目标对象的一个或多个对象描述信息，以及待为所述目标对象发送的目标资源的一个或多个资源描述信息；
从所述描述信息中获取在M个场景为所述目标对象发送所述目标资源时，均需使用的描述信息；
将从所述描述信息中获取出的描述信息转换后的信息，作为共有信息；其中，从所述描述信息中获取出的一个描述信息，被转换为所述共有信息中的一个子信息。
3.根据权利要求1所述的方法，其特征在于，所述获取所述第i场景进行目标资源发送时，所述第i场景需使用的独有信息，包括：
获取所述目标对象的描述信息，所述描述信息包括：所述目标对象的一个或多个对象描述信息，以及待为所述目标对象发送的目标资源的一个或多个资源描述信息；
从所述描述信息的一个或多个对象描述信息中，获取出与所述M个场景的第i场景相关的对象描述信息，并从所述描述信息的一个或多个资源描述信息中，获取出与所述第i场景相关的资源描述信息；
将与所述第i场景相关的对象描述信息转换后的信息，及与所述第i场景相关的资源描述信息转换后的信息，作为所述第i场景的独有信息。
4.根据权利要求1所述的方法，其特征在于，每个子信息在所述第i场景对应的参考重要度及所述第i场景的参考共有信息，均是通过调用信息门控模块得到的，所述信息门控模块设置有M个信息选择参数组，且一个信息选择参数组与一个场景相对应；所述获取每个子信息在第i场景下，为所述目标对象发送目标资源时对应的参考重要度，包括：
从所述信息门控模块中的M个信息选择参数组中，获取与所述第i场景对应的信息选择参数组；所述信息选择参数组包含多个信息选择参数，且一个信息选择参数与一个信息维度相对应；
将获取的信息选择参数组中，与任一子信息对应相同信息维度的信息选择参数，作为所述任一子信息的参考重要度。
5.根据权利要求4所述的方法，其特征在于，所述根据每个子信息在所述第i场景的参考重要度对所述共有信息进行转换处理，得到所述第i场景对应的参考共有信息，包括：
采用任一子信息的参考重要度，对所述任一子信息进行加权处理，得到相应的加权子信息；
将由得到的加权子信息组合得到的组合信息，作为所述第i场景对应的参考共有信息。
6.根据权利要求5所述的方法，其特征在于，所述将由得到的加权子信息组合得到的组合信息，作为所述第i场景对应的参考共有信息，包括：
获取所述第i场景的降维处理后的独有信息对应的信息维度；
按照所述信息维度对每个加权子信息进行降维处理，以使降维处理后的加权子信息对应的信息维度与所述降维处理后的独有信息的信息维度相同；
将降维处理后的加权子信息组合得到的组合信息，作为所述第i场景对应的参考共有信息。
7.根据权利要求1所述的方法，其特征在于，所述将所述第i场景对应的参考共有信息与相应的独有信息进行拼接处理，得到所述第i场景的发送指示信息，包括：
获取M个场景中的每个场景分别对应的参考共有信息，并确定出不同场景对应参考共有信息之间的信息共性，以及所述第i场景与其他场景对应参考共有信息之间的信息差异性；
按照所述信息共性和所述信息差异性，对所述第i场景对应的参考共有信息进行转换处理，得到所述第i场景的转换信息；
将所述第i场景的转换信息与相应的降维处理后的独有信息进行拼接处理，得到所述第i场景的发送指示信息。
8.根据权利要求7所述的方法，其特征在于，对所述第i场景对应的参考共有信息的转换处理，是通过调用星型拓扑模块执行的，所述星型拓扑模块包含共享网络及M个场景网络，一个场景网络与一个场景相关联；所述按照所述信息共性和所述信息差异性，对所述第i场景对应的参考共有信息进行转换处理，得到所述第i场景的转换信息，包括：
获取所述共享网络对应的共享网络参数，及所述第i场景对应场景网络的场景网络参数；其中，所述共享网络参数用于表征不同场景对应参考共有信息之间的信息共性，所述场景网络参数用于表征所述第i场景与其他场景对应参考共有信息之间的信息差异性；
根据所述共享网络参数和所述场景网络参数生成转换参数，并采用所述转换参数对所述第i场景对应的参考共有信息进行转换处理，得到所述第i场景的转换信息。
9.根据权利要求1所述的方法，其特征在于，所述根据所述发送指示信息预测在所述第i场景下，将所述目标资源发送给所述目标对象的发送概率，包括：
获取所述目标对象的对象标识，所述目标资源的资源标识和所述第i场景的场景标识；
根据所述对象标识，所述资源标识和所述第i场景的场景标识，生成在所述第i场景为所述目标对象发送所述目标资源的发送权重；
采用所述发送权重结合所述发送指示信息进行发送预测处理，得到在所述第i场景下，将所述目标资源发送给所述目标对象的发送概率。
10.根据权利要求9所述的方法，其特征在于，所述根据所述对象标识，所述资源标识和所述第i场景的场景标识，生成在所述第i场景为所述目标对象发送所述目标资源的发送权重，包括：
分别对所述对象标识，所述资源标识和所述第i场景的场景标识进行转换处理，得到所述对象标识的标识信息，所述资源标识的标识信息及所述第i场景的场景标识的标识信息；
将所述对象标识的标识信息，所述资源标识的标识信息及所述第i场景的场景标识的标识信息进行拼接处理，得到拼接信息；
调用预测模块对所述拼接信息进行预测，得到在所述第i场景为所述目标对象发送所述目标资源的发送权重。
11.根据权利要求1所述的方法，其特征在于，确定将所述目标资源发送给所述目标对象的发送概率，是通过调用目标预测模型得到的，所述共有信息是从所述目标对象的描述信息中获取得到的，当所述目标对象的描述信息为样本信息时，还包括：
获取所述目标对象的描述信息对应的发送标签；所述发送标签用于指示在所述第i场景下，是否成功将所述目标资源发送给所述目标对象；
基于所述发送标签和所述发送概率，对初始的目标预测模型的模型参数进行调整，得到调整后的目标预测模型。
12.一种信息处理装置，其特征在于，所述装置包括：
获取单元，用于响应于为目标对象发送目标资源的触发操作，获取在M个场景为目标对象发送目标资源时，各场景均需使用的共有信息；M为大于1的整数，所述共有信息包含多个子信息；
所述获取单元，还用于获取每个子信息在第i场景下，为所述目标对象发送目标资源时对应的参考重要度；
处理单元，用于根据每个子信息在所述第i场景的参考重要度对所述共有信息进行转换处理，得到所述第i场景对应的参考共有信息；i为小于等于M的正整数；
所述获取单元，还用于获取所述第i场景进行目标资源发送时，所述第i场景需使用的独有信息；
所述处理单元，还用于将所述第i场景对应的参考共有信息与相应的独有信息进行拼接处理，得到所述第i场景的发送指示信息，并根据所述发送指示信息预测在所述第i场景下，将所述目标资源发送给所述目标对象的发送概率。
13.一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中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-11中任一项所述的信息处理方法。
14.一种计算机设备，其特征在于，所述计算机设备包括存储器、通信接口以及处理器，所述存储器、所述通信接口和所述处理器相互连接；所述存储器存储有计算机程序，所述处理器调用所述存储器中存储的计算机程序，用于实现如权利要求1-11中任一项所述的信息处理方法。
CN202210895587.1A 2022-07-27 2022-07-27 信息处理方法、装置、存储介质及设备 Pending CN115186192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210895587.1A CN115186192A (zh) 2022-07-27 2022-07-27 信息处理方法、装置、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210895587.1A CN115186192A (zh) 2022-07-27 2022-07-27 信息处理方法、装置、存储介质及设备

Publications (1)

Publication Number Publication Date
CN115186192A true CN115186192A (zh) 2022-10-14

Family

ID=83520697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210895587.1A Pending CN115186192A (zh) 2022-07-27 2022-07-27 信息处理方法、装置、存储介质及设备

Country Status (1)

Country Link
CN (1) CN115186192A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116808590A (zh) * 2023-08-25 2023-09-29 腾讯科技（深圳）有限公司 一种数据处理方法和相关装置
CN117708706A (zh) * 2024-02-06 2024-03-15 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) 一种端到端特征增强与选择的乳腺肿瘤分类方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116808590A (zh) * 2023-08-25 2023-09-29 腾讯科技（深圳）有限公司 一种数据处理方法和相关装置
CN116808590B (zh) * 2023-08-25 2023-11-10 腾讯科技（深圳）有限公司 一种数据处理方法和相关装置
CN117708706A (zh) * 2024-02-06 2024-03-15 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) 一种端到端特征增强与选择的乳腺肿瘤分类方法及系统
CN117708706B (zh) * 2024-02-06 2024-05-28 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) 一种端到端特征增强与选择的乳腺肿瘤分类方法及系统

Similar Documents

Publication Publication Date Title
US12038986B2 (en) Recommendation model training method, recommendation method, apparatus, and computer-readable medium
WO2021047593A1 (zh) 推荐模型的训练方法、预测选择概率的方法及装置
WO2020135535A1 (zh) 一种推荐模型训练方法及相关装置
WO2022016522A1 (zh) 推荐模型的训练方法、推荐方法、装置及计算机可读介质
CN111242748B (zh) 用于向用户推荐项目的方法、装置和存储介质
JP7564332B2 (ja) 融合パラメータの特定方法及び装置、情報推奨方法及び装置、パラメータ測定モデルのトレーニング方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム
CN115186192A (zh) 信息处理方法、装置、存储介质及设备
CN113392359A (zh) 多目标预测方法、装置、设备及存储介质
US10515378B2 (en) Extracting relevant features from electronic marketing data for training analytical models
CN112699305A (zh) 多目标推荐方法、装置、计算设备以及介质
CN112257841A (zh) 图神经网络中的数据处理方法、装置、设备及存储介质
WO2024041483A1 (zh) 一种推荐方法及相关装置
CN109189922B (zh) 评论评估模型的训练方法和装置
WO2023185925A1 (zh) 一种数据处理方法及相关装置
WO2024002167A1 (zh) 一种操作预测方法及相关装置
US20240242127A1 (en) Recommendation method and related apparatus
CN112819024A (zh) 模型处理方法、用户数据处理方法及装置、计算机设备
KR102515168B1 (ko) 광고 컨텐츠 제작 최적화 방법, 장치 및 시스템
CN115482021A (zh) 多媒体信息推荐方法、装置、电子设备及存储介质
CN116956204A (zh) 多任务模型的网络结构确定方法、数据预测方法及装置
CN116975426A (zh) 业务数据处理方法、装置、设备以及介质
CN112561000B (zh) 基于组合模型的分类方法、装置、设备及存储介质
CN116628236B (zh) 多媒体信息的投放方法、装置、电子设备及存储介质
CN117009556A (zh) 一种基于评估模型的内容推荐方法及相关装置
CN117251632A (zh) 信息推荐模型的训练方法、信息推荐方法及装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40074127

Country of ref document: HK