CN116861071A - 资讯推送方法、装置、计算机设备、存储介质和程序产品 - Google Patents
资讯推送方法、装置、计算机设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN116861071A CN116861071A CN202310611178.9A CN202310611178A CN116861071A CN 116861071 A CN116861071 A CN 116861071A CN 202310611178 A CN202310611178 A CN 202310611178A CN 116861071 A CN116861071 A CN 116861071A
- Authority
- CN
- China
- Prior art keywords
- information
- term interest
- user
- short
- pushing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000007774 longterm Effects 0.000 claims abstract description 130
- 238000011176 pooling Methods 0.000 claims abstract description 73
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 230000006399 behavior Effects 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 45
- 238000012512 characterization method Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种资讯推送方法、装置、计算机设备、存储介质和计算机程序产品。应用于人工智能技术领域,方法包括:获取资讯信息、用户信息和历史行为信息;根据资讯信息、用户信息和历史行为信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;对长期兴趣资讯特征和短期兴趣资讯特征进行池化操作,以将用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、历史时间特征和资讯特征,输入至资讯推送模型,得到资讯预测信息,以生成推送信息,并推送至相应的用户。采用本方法能够提高了资讯预测信息的准确度,实现了为用户推送真正感兴趣的资讯。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种资讯推送方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着电子银行的发展,各大手机银行上线了资讯推送业务,扩展了用户的视野。
目前,常见的互联网行业、金融行业的资讯主要通过话题热度、新颖度进行或者根据用户的社交关系以推荐好友看过的资讯进行推送的。
但是,这种资讯推送的方式,导致很多用户所展现的资讯是一致的,无法实现为用户推送真正感兴趣的资讯。
发明内容
基于此,有必要针对上述技术问题,提供一种能够为用户推送感兴趣资讯的资讯推送方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种资讯推送方法。所述方法包括:
获取资讯信息、用户信息和历史行为信息;所述历史行为信息包括历史资讯信息和历史时间信息;所述历史资讯信息包括长期兴趣资讯信息和短期兴趣资讯信息;
根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;
对所述长期兴趣资讯特征和所述短期兴趣资讯特征进行池化操作;
将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;所述资讯预测信息包括预设第一数量的目标资讯和资讯预推送时间点;
根据所述资讯预测信息,生成推送信息,并按照所述资讯预推送时间点,推送至相应的用户。
在其中一个实施例中,所述根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征,包括:
对所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,进行数据清洗;
将清洗后的用户信息、长期兴趣资讯信息、短期兴趣资讯信息、历史时间信息和资讯信息,进行资讯相关特征提取,对提取到的特征进行特征化处理,得到用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个。
在其中一个实施例中,所述资讯推送模型包括特征拼接层、全连接残差网络层和逻辑回归层;所述将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息,包括:
将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至所述特征拼接层,以得到拼接特征;
将所述拼接特征输入至全连接残差网络层后,得到针对所述拼接特征的语义特征;
将所述语义特征输入至所述逻辑回归层,得到所述资讯预测信息。
在其中一个实施例中,获取用户基于所述推送信息所返回的第一反馈信息;
获取所述资讯推送模型的第一权重参数和参数调整值;所述参数调整值是基于探索因子、随机数以及所述第一权重参数所确定的;
根据所述第一权重参数和所述参数调整值,得到第二权重参数,基于所述第二权重参数对所述资讯推送模型进行调整,获得中间模型;
基于所述中间模型向用户推送中间推送信息,并获取用户基于所述中间推送信息所返回的第二反馈信息;
根据所述第一反馈信息和所述第二反馈信息,确定是否更新所述资讯推送模型;
在需要更新所述资讯推送模型的情况下,将所述中间模型作为更新后的资讯推送模型。
在其中一个实施例中,所述第一反馈信息包括对所述推送信息的第一点击频率;所述第二反馈信息包括对所述中间推送信息的第二点击频率;所述根据所述第一反馈信息和所述第二反馈信息,确定是否更新所述资讯推送模型,包括:
在所述第一点击频率不小于所述第二点击频率的情况下,确定不更新所述资讯推送模型;
在所述第一点击频率小于所述第二点击频率的情况下,确定更新所述资讯推送模型。
在其中一个实施例中,所述方法还包括:
获取第一样本,所述第一样本包括资讯信息样本、用户信息样本和历史行为信息样本,所述历史行为信息样本包括历史资讯信息样本和历史时间信息样本;所述历史资讯信息样本包括长期兴趣资讯信息样本和短期兴趣资讯信息样本;
对所述第一样本进行数据清洗,得到清洗后的第一样本;
将清洗后的第一样本,进行资讯相关特征提取,对提取到的特征样本进行特征化处理,得到第一特征样本;所述第一特征样本包括用户特征样本、长期兴趣资讯特征样本、短期兴趣资讯特征样本、历史时间特征样本和资讯特征样本,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个;
通过所述第一特征样本,调整资讯推送模型的参数,直至资讯推送模型收敛,得到预先训练后的资讯推送模型。
第二方面,本申请还提供了一种资讯推送装置。所述装置包括:
信息获取模块,用于获取资讯信息、用户信息和历史行为信息;所述历史行为信息包括历史资讯信息和历史时间信息;所述历史资讯信息包括长期兴趣资讯信息和短期兴趣资讯信息;
特征获取模块,用于根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;
池化操作模块,用于对所述长期兴趣资讯特征和所述短期兴趣资讯特征进行池化操作;
信息得到模块,用于将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;所述资讯预测信息包括预设第一数量的目标资讯和资讯预推送时间点;
信息推送模块,用于根据所述资讯预测信息,生成推送信息,并按照所述资讯预推送时间点,推送至相应的用户。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取资讯信息、用户信息和历史行为信息;所述历史行为信息包括历史资讯信息和历史时间信息;所述历史资讯信息包括长期兴趣资讯信息和短期兴趣资讯信息;
根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;
对所述长期兴趣资讯特征和所述短期兴趣资讯特征进行池化操作;
将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;所述资讯预测信息包括预设第一数量的目标资讯和资讯预推送时间点;
根据所述资讯预测信息,生成推送信息,并按照所述资讯预推送时间点,推送至相应的用户。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取资讯信息、用户信息和历史行为信息;所述历史行为信息包括历史资讯信息和历史时间信息;所述历史资讯信息包括长期兴趣资讯信息和短期兴趣资讯信息;
根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;
对所述长期兴趣资讯特征和所述短期兴趣资讯特征进行池化操作;
将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;所述资讯预测信息包括预设第一数量的目标资讯和资讯预推送时间点;
根据所述资讯预测信息,生成推送信息,并按照所述资讯预推送时间点,推送至相应的用户。
第五方面,本申请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,该计算机程序被处理器执行时实现以下步骤:
获取资讯信息、用户信息和历史行为信息;所述历史行为信息包括历史资讯信息和历史时间信息;所述历史资讯信息包括长期兴趣资讯信息和短期兴趣资讯信息;
根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;
对所述长期兴趣资讯特征和所述短期兴趣资讯特征进行池化操作;
将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;所述资讯预测信息包括预设第一数量的目标资讯和资讯预推送时间点;
根据所述资讯预测信息,生成推送信息,并按照所述资讯预推送时间点,推送至相应的用户。
上述资讯推送方法、装置、计算机设备、存储介质和计算机程序产品,获取资讯信息、用户信息和历史行为信息;根据资讯信息、用户信息和历史行为信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;对长期兴趣资讯特征和短期兴趣资讯特征进行池化操作,以将用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、历史时间特征和资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;以根据资讯预测信息,生成推送信息,并按照资讯预推送时间点,推送至相应的用户,提高了资讯预测信息的准确度,实现了为用户推送真正感兴趣的资讯,从而为用户提供个性化服务,以提高了用户体验。
附图说明
图1为一个实施例中资讯推送方法的应用环境图;
图2为一个实施例中资讯推送方法的流程示意图;
图3为一个实施例中资讯推送模型的结构图;
图4为一个实施例中全连接残差网络单元的结构图;
图5为一个实施例中更新模型的流程示意图;
图6为一个实施例中资讯推送模型训练的流程示意图;
图7为另一个实施例中资讯推送的流程示意图;
图8为一个实施例中资讯推送装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的资讯推送方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
终端102从服务器104获取用户信息、长期兴趣资讯信息、短期兴趣资讯信息、历史时间信息和资讯信息,并根据用户信息、长期兴趣资讯信息、短期兴趣资讯信息、历史时间信息和资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征,对长期兴趣资讯特征和短期兴趣资讯特征进行池化操作,并将用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、历史时间特征和资讯特征,输入至资讯推送模型,得到资讯预测信息,根据资讯预测信息,生成推送信息,并按照资讯预推送时间点,推送至相应的用户。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种资讯推送方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,获取资讯信息、用户信息和历史行为信息;所述历史行为信息包括历史资讯信息和历史时间信息;所述历史资讯信息包括长期兴趣资讯信息和短期兴趣资讯信息。
其中,资讯信息包括资讯的相关特征信息,资讯的相关特征信息包括但不限于该资讯的类别、ID信息、题目、关键字、新鲜度信息,其中,资讯信息为当前预估需要发送给用户的资讯信息。
用户信息包括但不限于该用户的年龄、性别、职业、阅读频率、用户所在地区。
历史行为信息包括历史资讯信息和历史时间信息,历史资讯信息包括长期兴趣资讯信息和短期兴趣资讯信息。长期兴趣资讯信息可以为用户在过去时间到前段时间点击的资讯;例如,用户在过去三个月到一周前点击的资讯。短期兴趣是用户在近段时间点击的资讯,例如,用户在近一周内点击的资讯。
历史时间信息包括但不限于用户阅读时间段。
示例性地,获取资讯信息、用户信息、历史时间信息、长期兴趣资讯信息和短期兴趣资讯信息。
步骤204,根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征。
在一些实施例中,可以对用户信息、长期兴趣资讯信息、短期兴趣资讯信息、历史时间信息和资讯信息分别进行处理,以获取相应的用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征。
步骤206,对所述长期兴趣资讯特征和所述短期兴趣资讯特征进行池化操作。
其中,池化操作可以为平均池化操作,即求均值。具体地,历史资讯信息往往包含很多条,导致对应的历史资讯特征往往特征维度比较大,平均池化是分别对历史资讯特征求和再平均,以得到池化后的历史资讯特征,这样可以使得网络学习的参数量较少,模型训练较为容易。
在一些实施例中,分别对长期兴趣资讯特征和短期兴趣资讯特征进行池化操作,以得到池化后的长期兴趣资讯特征和短期兴趣资讯特征。
步骤208,将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;所述资讯预测信息包括预设第一数量的目标资讯和资讯预推送时间点。
其中,资讯推送模型是通过深度学习训练得到的,用于进行资讯预测的模型。资讯预测信息可以包括预设第一数量的目标资讯、目标资讯对应的概率值以及资讯预推送时间点。资讯预推送时间点为预测用户可能会参看资讯的时间点,可以为几个时间段。具体地,预设第一数量的大小可以基于实际情况自行选定,本发明在此不作限定。
在一些实施例中,终端可以将用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、历史时间特征和资讯特征,输入至预先训练后的资讯推送模型,得到预设第一数量的目标资讯、目标资讯对应的概率值以及资讯预推送时间点。
步骤210,根据所述资讯预测信息,生成推送信息,并按照所述资讯预推送时间点,推送至相应的用户。
其中,推送信息可以包括用户标识,用户标识用于指向需要推送的用户。推送信息可以包括预设第二数量的目标资讯,预设第二数量不大于预设第一数量。具体地,推送信息中包括的预设第二数量的目标资讯是依据其对应的概率,从大至小进行排序的。
在一些实施例中,终端可以根据资讯预测信息,生成推送信息,并按照资讯预推送时间点,推送至相应的用户。
上述资讯推送方法中,获取资讯信息、用户信息和历史行为信息;根据资讯信息、用户信息和历史行为信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;对长期兴趣资讯特征和短期兴趣资讯特征进行池化操作,以将用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、历史时间特征和资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;以根据资讯预测信息,生成推送信息,并按照资讯预推送时间点,推送至相应的用户,提高了资讯预测信息的准确度,实现了为用户推送真正感兴趣的资讯,从而为用户提供个性化服务,以提高了用户体验。
在一个实施例中,步骤204包括:
步骤2042,对所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,进行数据清洗。
在一些实施例中,对用户信息、长期兴趣资讯信息、短期兴趣资讯信息、历史时间信息和资讯信息,进行预处理得到待处理数据,可以是对用户信息、长期兴趣资讯信息、短期兴趣资讯信息、历史时间信息和资讯信息进行清洗,以剔除用户信息、长期兴趣资讯信息、短期兴趣资讯信息、历史时间信息和资讯信息中的异常数据和空值数据,得到待处理数据。
步骤2044,将清洗后的用户信息、长期兴趣资讯信息、短期兴趣资讯信息、历史时间信息和资讯信息,进行资讯相关特征提取,对提取到的特征进行特征化处理,得到用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个。
在一些实施例中,将清洗后的用户信息、长期兴趣资讯信息、短期兴趣资讯信息、历史时间信息和资讯信息,进行资讯相关特征提取,以提取与资讯最相关的特征,对提取的特征进行特征化处理。
具体地,与资讯最相关的特征可以包括结构化特征和非结构化特征。结构化特征包括数值特征和类别特征两大类,其中,对于数值特征进行归一化处理,例如采用极差标准化法进行处理,采用极差标准化法的公式如下所示:
其中,x代表某种数值特征的具体值,min代表样本中该类特征的最小值,max代表所有样本中该类特征的最大值。
对于非结构化特征,例如文本信息,可以采用已经训练后的Bert大规模预训练语言模型进行提取特征。
在上述实施例中,对用户信息、长期兴趣资讯信息、短期兴趣资讯信息、历史时间信息和资讯信息进行数据清洗,得到待处理数据,避免用户信息、长期兴趣资讯信息、短期兴趣资讯信息、历史时间信息和资讯信息中的异常值和空值影响预测,提升了待处理数据的质量,进而提高了资讯预测的准确度。
在一个实施例中,所述资讯推送模型包括特征拼接层、全连接残差网络层和逻辑回归层;所述步骤208,包括:
步骤2082,所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至所述特征拼接层,以得到拼接特征。
其中,拼接特征为各个输入至特征拼接层的特征的拼接组合。
示例性地,参考图3,示出了资讯推送模型的结构图,资讯推送模型包括特征拼接层302、全连接残差网络层304和逻辑回归层306。其中,特征拼接层302,用于对用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、历史时间特征和资讯特征,这五类特征进行维度上的拼接,使得特征维度变大,得到拼接特征。
步骤2084,将所述拼接特征输入至全连接残差网络层后,得到针对所述拼接特征的语义特征。
其中,全连接残差网络层304可以包括多个全连接残差网络单元。语义特征为拼接特征经过全连接残差网络层得到的语义信息。
示例性地,全连接残差网络层304,用于对拼接特征的各个维度进行充分的交叉组合,以得到拼接特征的语义特征。
在一些实施例中,通过全连接残差网络层,可以实现让网络学习更多的特征的相关性,可使模型学习到更多的非线性特征和组合特征的信息,最终使得模型表达能力增强。一般情况下,全连接残差网络层可以包括三个全连接残差网络单元,使用3个全连接残差网络单元即可学习到足够的信息。
全连接残差网络层使用ResNet18网络结构,包括多个全连接残差网络单元,全连接残差网络单元的结构图如图4所示,具体地,在网络旁路加入了直连通道,允许保留前面网络层一定比例的输出。通过短路连接,将每个全连接残差网络单元的输出与输入进行逐元素相加。
使用上述全连接残差网络单元的结构,不会给网络带来过多的参数量和计算量,实现加快了网络收敛的速度以及能够有效的解决了由于层数加深而造成的退化问题。并且采用relu激活函数以增加网络的非线性,从而增强深度网络的学习能力。
步骤2086,所述语义特征输入至所述逻辑回归层,得到所述资讯预测信息。
示例性地,逻辑回归层306,用于根据设定的逻辑回归函数,得到资讯预测信息,其中,资讯预测信息包括预设第一数量的目标资讯、目标资讯对应的概率值以及资讯预推送时间点。
在上述实施例中,通过资讯推送模型的特征拼接层、全连接残差网络层和逻辑回归层,能够解决了由于层数加深而造成的退化问题以及增强深度网络的学习能力,并且通过用户的长期兴趣资讯特征和短期兴趣资讯特征得到的资讯预测信息,能够为用户推送真正感兴趣的资讯。
在一个实施例中,参看图5,示出了更新模型的流程示意图,包括以下步骤:
步骤502,获取用户基于所述推送信息所返回的第一反馈信息。
其中,推送信息基于当前资讯推送模型所得到,第一反馈信息包括用户基于推送信息在预设第一时间段内的点击行为和未点击行为。
步骤504,获取所述资讯推送模型的第一权重参数和参数调整值;所述参数调整值是基于探索因子、随机数以及所述第一权重参数所确定。
示例性地,参数调整值可以由探索因子、随机数以及第一权重参数进行确定,其中,探索因子用于决定探索采用的力度,其对应的取值范围为0至1之间,对应的数值越大,则代表扰动越大。随机数可以为-1至1之间的随机数。
具体地,参数调整值的计算公式如下所示:
其中,为参数调整值,α为探索因子,W为第一权值参数。
步骤506,根据所述第一权重参数和所述参数调整值,得到第二权重参数,基于所述第二权重参数对所述资讯推送模型进行调整,获得中间模型。
其中,中间模型为权重参数为第二权值参数的资讯推送模型。第二权重参数为第一权重参数与参数调整值之和。
在一些实施例中,根据第一权重参数和参数调整值,得到第二权重参数,以基于第二权重参数,对资讯推送模型进行调整,得到中间模型。
步骤508,基于所述中间模型向用户推送中间推送信息,并获取用户基于所述中间推送信息所返回的第二反馈信息。
其中,中间推送信息基于中间模型所得到,第二反馈信息包括用户基于中间推送信息的点击行为和未点击行为,具体地,第二反馈信息可以包括用户基于中间推送信息在预设第二时间段内的点击行为和未点击行为。预设第二时间段的大小可以与预设第一时间段的大小相等。具体地,预设第一时间段和预设第二时间段的大小可以根据实际情况进行设置,本发明在此不作限定。
步骤510,根据所述第一反馈信息和所述第二反馈信息,确定是否更新所述资讯推送模型。
在一些实施例中,获取第一反馈信息和第二反馈信息,根据第一反馈信息和第二反馈信息,确定是否需要更新资讯推送模型。具体地,可以根据反馈信息所包括的点击行为和未点击行为,进行确定是否需要更新资讯推送模型。
步骤512,在需要更新所述资讯推送模型的情况下,将所述中间模型作为更新后的资讯推送模型。
在一些实施例中,在需要更新资讯推送模型的情况下,将中间模型作为更新后的资讯推送模型;在不需要更新资讯推送模型的情况下,不进行更新资讯推送模型。
在上述实施例中,根据当前资讯推送模型的第一权重参数和参数调整值确定中间模型的权重参数,以基于中间模型,获取第二反馈信息,根据第一反馈信息和第二反馈信息,确定是否更新资讯推送模型,在需要更新资讯推送模型的情况下,进行更新资讯推送模型,实现了通过用户真实的反馈情况,来对资讯推送模型进行进一步地更新优化,以实现了更加精准地为用户推送真正感兴趣的资讯,从而为用户提供个性化服务。
在一个实施例中,所述第一反馈信息包括对所述推送信息的第一点击频率;所述第二反馈信息包括对所述中间推送信息的第二点击频率;步骤510,包括:
步骤5102,在所述第一点击频率不小于所述第二点击频率的情况下,确定不更新所述资讯推送模型。
步骤5104,在所述第一点击频率小于所述第二点击频率的情况下,确定更新所述资讯推送模型。
其中,第一反馈信息可以包括对推送信息的第一点击频率。第二反馈信息可以包括对中间推送信息的第二点击频率。
在上述实施例中,在第一点击频率不小于第二点击频率的情况下,确定不更新当前的资讯推送模型,在第一点击频率小于第二点击频率的情况下,确定更新当前的资讯推送模型,实现了通过用户真实的点击情况,来对资讯推送模型进行进一步地更新优化,以实现了更加精准地为用户推送真正感兴趣的资讯,从而为用户提供个性化服务。
在一个实施例中,参考图6,示出了资讯推送模型训练的流程示意图,包括以下步骤:
步骤602,获取第一样本,所述第一样本包括资讯信息样本、用户信息样本和历史行为信息样本,所述历史行为信息样本包括历史资讯信息样本和历史时间信息样本;所述历史资讯信息样本包括长期兴趣资讯信息样本和短期兴趣资讯信息样本。
在一些实施例中,第一样本包括资讯信息样本、用户信息样本和历史行为信息样本,历史行为信息样本包括历史资讯信息样本和历史时间信息样本;历史资讯信息样本包括长期兴趣资讯信息样本和短期兴趣资讯信息样本。
步骤604,对所述第一样本进行数据清洗,得到清洗后的第一样本;
在一些实施例中,可以对第一样本进行预处理,具体地可以为对第一样本进行数据清洗,得到清洗后的第一样本。
步骤606,将清洗后的第一样本,进行资讯相关特征提取,对提取到的特征样本进行特征化处理,得到第一特征样本;所述第一特征样本包括用户特征样本、长期兴趣资讯特征样本、短期兴趣资讯特征样本、历史时间特征样本和资讯特征样本,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个;
在一些实施例中,可以将清洗后的第一样本,进行资讯相关特征提取,以提取与资讯最相关的特征,对提取的特征进行特征化处理,得到第一特征样本。
步骤608,通过所述第一特征样本,调整资讯推送模型的参数,直至资讯推送模型收敛,得到预先训练后的资讯推送模型。
在上述实施例中,通过用户特征样本、长期兴趣资讯特征样本、短期兴趣资讯特征样本、历史时间特征样本和资讯特征样本,调整资讯推送模型的参数,直至资讯推送模型收敛,使得训练后的资讯推送模型适用于真实环境中对资讯进行预测,从而在一定程度上了提升了资讯预测的准确率。
参考图7,示出了另一个实施例中资讯推送的流程示意图;包括以下步骤:
步骤702,获取第一样本。
具体地,第一样本包括资讯信息样本、用户信息样本和历史行为信息样本,历史行为信息样本包括历史资讯信息样本和历史时间信息样本;历史资讯信息样本包括长期兴趣资讯信息样本和短期兴趣资讯信息样本。
步骤704,将清洗后的第一样本,进行资讯相关特征提取,对提取到的特征样本进行特征化处理,得到第一特征样本。
具体地,特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个。
步骤706,通过第一特征样本,调整资讯推送模型的参数,直至资讯推送模型收敛,得到预先训练后的资讯推送模型。
步骤708,获取资讯信息、用户信息、历史时间信息、长期兴趣资讯信息和短期兴趣资讯信息,以根据资讯信息、用户信息、历史时间信息、长期兴趣资讯信息和短期兴趣资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征。
步骤710,对长期兴趣资讯特征和短期兴趣资讯特征进行池化操作,并将这五个特征输入至预先训练后的资讯推送模型,得到资讯预测信息。
具体地,预设第一数量的目标资讯、目标资讯对应的概率值以及资讯预推送时间点。
步骤712,根据资讯预测信息,生成推送信息,并按照资讯预推送时间点,推送至相应的用户。
步骤714,获取用户基于推送信息所返回的第一反馈信息和基于中间推送信息所返回的第二反馈信息。
具体地,推送信息基于当前资讯推送模型所得到,第一反馈信息包括用户基于推送信息在预设第一时间段内的点击行为和未点击行为。第二反馈信息可以包括用户基于中间推送信息在预设第二时间段内的点击行为和未点击行为。
在一些实施例中,获取资讯推送模型的第一权重参数和参数调整值,得到第二权重参数,基于第二权重参数对资讯推送模型进行调整,获得中间模型。基于中间模型向用户推送中间推送信息,并获取用户基于中间推送信息所返回的第二反馈信息。
步骤716,根据所述第一反馈信息和第二反馈信息,确定是否更新资讯推送模型。
具体地,第一反馈信息包括对推送信息的第一点击频率;第二反馈信息包括对中间推送信息的第二点击频率。根据第一点击频率和第二点击频率,确定是否更新资讯推送模型。
步骤718,在需要更新资讯推送模型的情况下,将中间模型作为更新后的资讯推送模型。
本实施例中,获取资讯信息、用户信息和历史行为信息;根据资讯信息、用户信息和历史行为信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;对长期兴趣资讯特征和短期兴趣资讯特征进行池化操作,以将用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、历史时间特征和资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;以根据资讯预测信息,生成推送信息,并按照资讯预推送时间点,推送至相应的用户,提高了资讯预测信息的准确度,实现了为用户推送真正感兴趣的资讯,从而为用户提供个性化服务,以提高了用户体验。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的资讯推送方法的资讯推送装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个资讯推送装置实施例中的具体限定可以参见上文中对于资讯推送方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种资讯推送装置,包括:信息获取模块802、特征获取模块804、池化操作模块806、信息得到模块808和信息推送模块810,其中:
信息获取模块802,用于获取资讯信息、用户信息和历史行为信息;所述历史行为信息包括历史资讯信息和历史时间信息;所述历史资讯信息包括长期兴趣资讯信息和短期兴趣资讯信息;
特征获取模块804,用于根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;
池化操作模块806,用于对所述长期兴趣资讯特征和所述短期兴趣资讯特征进行池化操作;
信息得到模块808,用于将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;所述资讯预测信息包括预设第一数量的目标资讯和资讯预推送时间点;
信息推送模块810,用于根据所述资讯预测信息,生成推送信息,并按照所述资讯预推送时间点,推送至相应的用户。
在一些实施例中,所述特征获取模块,包括:
数据清洗单元,用于对所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,进行数据清洗;
特征得到单元,用于将清洗后的用户信息、长期兴趣资讯信息、短期兴趣资讯信息、历史时间信息和资讯信息,进行资讯相关特征提取,对提取到的特征进行特征化处理,得到用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个。
在一些实施例中,所述资讯推送模型包括特征拼接层、全连接残差网络层和逻辑回归层;所述信息得到模块,包括:
拼接特征得到单元,用于将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至所述特征拼接层,以得到拼接特征;
语义特征得到单元,用于将所述拼接特征输入至全连接残差网络层后,得到针对所述拼接特征的语义特征;
预测信息得到单元,用于将所述语义特征输入至所述逻辑回归层,得到所述资讯预测信息。
在一些实施例中,所述装置还包括:
第一信息获取模块,用于获取用户基于所述推送信息所返回的第一反馈信息;
第一参数获取模块,用于获取所述资讯推送模型的第一权重参数和参数调整值;所述参数调整值是基于探索因子、随机数以及所述第一权重参数所确定的;
第二参数获取模块,用于根据所述第一权重参数和所述参数调整值,得到第二权重参数,基于所述第二权重参数对所述资讯推送模型进行调整,获得中间模型;
第二信息获取模块,用于基于所述中间模型向用户推送中间推送信息,并获取用户基于所述中间推送信息所返回的第二反馈信息;
推送模型确定模块,用于根据所述第一反馈信息和所述第二反馈信息,确定是否更新所述资讯推送模型;
推送模型更新模块,用于在需要更新所述资讯推送模型的情况下,将所述中间模型作为更新后的资讯推送模型。
在一些实施例中,所述第一反馈信息包括对所述推送信息的第一点击频率;所述第二反馈信息包括对所述中间推送信息的第二点击频率;所述推送模型确定模块,包括:
第一确定单元,用于在所述第一点击频率不小于所述第二点击频率的情况下,确定不更新所述资讯推送模型;
第二确定单元,用于在所述第一点击频率小于所述第二点击频率的情况下,确定更新所述资讯推送模型。
在一些实施例中,所述装置还包括:
样本获取模块,用于获取第一样本,所述第一样本包括资讯信息样本、用户信息样本和历史行为信息样本,所述历史行为信息样本包括历史资讯信息样本和历史时间信息样本;所述历史资讯信息样本包括长期兴趣资讯信息样本和短期兴趣资讯信息样本;
样本清洗模块,用于对所述第一样本进行数据清洗,得到清洗后的第一样本;
特征样本得到模块,用于将清洗后的第一样本,进行资讯相关特征提取,对提取到的特征样本进行特征化处理,得到第一特征样本;所述第一特征样本包括用户特征样本、长期兴趣资讯特征样本、短期兴趣资讯特征样本、历史时间特征样本和资讯特征样本,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个;
模型得到模块,用于通过所述第一特征样本,调整资讯推送模型的参数,直至资讯推送模型收敛,得到预先训练后的资讯推送模型。
上述资讯推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种资讯推送方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取资讯信息、用户信息和历史行为信息;所述历史行为信息包括历史资讯信息和历史时间信息;所述历史资讯信息包括长期兴趣资讯信息和短期兴趣资讯信息;
根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;
对所述长期兴趣资讯特征和所述短期兴趣资讯特征进行池化操作;
将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;所述资讯预测信息包括预设第一数量的目标资讯和资讯预推送时间点;
根据所述资讯预测信息,生成推送信息,并按照所述资讯预推送时间点,推送至相应的用户。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取资讯信息、用户信息和历史行为信息;所述历史行为信息包括历史资讯信息和历史时间信息;所述历史资讯信息包括长期兴趣资讯信息和短期兴趣资讯信息;
根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;
对所述长期兴趣资讯特征和所述短期兴趣资讯特征进行池化操作;
将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;所述资讯预测信息包括预设第一数量的目标资讯和资讯预推送时间点;
根据所述资讯预测信息,生成推送信息,并按照所述资讯预推送时间点,推送至相应的用户。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取资讯信息、用户信息和历史行为信息;所述历史行为信息包括历史资讯信息和历史时间信息;所述历史资讯信息包括长期兴趣资讯信息和短期兴趣资讯信息;
根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;
对所述长期兴趣资讯特征和所述短期兴趣资讯特征进行池化操作;
将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;所述资讯预测信息包括预设第一数量的目标资讯和资讯预推送时间点;
根据所述资讯预测信息,生成推送信息,并按照所述资讯预推送时间点,推送至相应的用户。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种资讯推送方法,其特征在于,所述方法包括:
获取资讯信息、用户信息和历史行为信息;所述历史行为信息包括历史资讯信息和历史时间信息;所述历史资讯信息包括长期兴趣资讯信息和短期兴趣资讯信息;
根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;
对所述长期兴趣资讯特征和所述短期兴趣资讯特征进行池化操作;
将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;所述资讯预测信息包括预设第一数量的目标资讯和资讯预推送时间点;
根据所述资讯预测信息,生成推送信息,并按照所述资讯预推送时间点,推送至相应的用户。
2.根据权利要求1所述的方法,其特征在于,所述根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征,包括:
对所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,进行数据清洗;
将清洗后的用户信息、长期兴趣资讯信息、短期兴趣资讯信息、历史时间信息和资讯信息,进行资讯相关特征提取,对提取到的特征进行特征化处理,得到用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个。
3.根据权利要求2所述的方法,其特征在于,所述资讯推送模型包括特征拼接层、全连接残差网络层和逻辑回归层;所述将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息,包括:
将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至所述特征拼接层,以得到拼接特征;
将所述拼接特征输入至全连接残差网络层后,得到针对所述拼接特征的语义特征;
将所述语义特征输入至所述逻辑回归层,得到所述资讯预测信息。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取用户基于所述推送信息所返回的第一反馈信息;
获取所述资讯推送模型的第一权重参数和参数调整值;所述参数调整值是基于探索因子、随机数以及所述第一权重参数所确定的;
根据所述第一权重参数和所述参数调整值,得到第二权重参数,基于所述第二权重参数对所述资讯推送模型进行调整,获得中间模型;
基于所述中间模型向用户推送中间推送信息,并获取用户基于所述中间推送信息所返回的第二反馈信息;
根据所述第一反馈信息和所述第二反馈信息,确定是否更新所述资讯推送模型;
在需要更新所述资讯推送模型的情况下,将所述中间模型作为更新后的资讯推送模型。
5.根据权利要求4所述的方法,其特征在于,所述第一反馈信息包括对所述推送信息的第一点击频率;所述第二反馈信息包括对所述中间推送信息的第二点击频率;所述根据所述第一反馈信息和所述第二反馈信息,确定是否更新所述资讯推送模型,包括:
在所述第一点击频率不小于所述第二点击频率的情况下,确定不更新所述资讯推送模型;
在所述第一点击频率小于所述第二点击频率的情况下,确定更新所述资讯推送模型。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第一样本,所述第一样本包括资讯信息样本、用户信息样本和历史行为信息样本,所述历史行为信息样本包括历史资讯信息样本和历史时间信息样本;所述历史资讯信息样本包括长期兴趣资讯信息样本和短期兴趣资讯信息样本;
对所述第一样本进行数据清洗,得到清洗后的第一样本;
将清洗后的第一样本,进行资讯相关特征提取,对提取到的特征样本进行特征化处理,得到第一特征样本;所述第一特征样本包括用户特征样本、长期兴趣资讯特征样本、短期兴趣资讯特征样本、历史时间特征样本和资讯特征样本,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个;
通过所述第一特征样本,调整资讯推送模型的参数,直至资讯推送模型收敛,得到预先训练后的资讯推送模型。
7.一种资讯推送装置,其特征在于,所述装置包括:
信息获取模块,用于获取资讯信息、用户信息和历史行为信息;所述历史行为信息包括历史资讯信息和历史时间信息;所述历史资讯信息包括长期兴趣资讯信息和短期兴趣资讯信息;
特征获取模块,用于根据所述用户信息、所述长期兴趣资讯信息、所述短期兴趣资讯信息、所述历史时间信息和所述资讯信息,获取用户特征、长期兴趣资讯特征、短期兴趣资讯特征、历史时间特征和资讯特征;
池化操作模块,用于对所述长期兴趣资讯特征和所述短期兴趣资讯特征进行池化操作;
信息得到模块,用于将所述用户特征、池化操作后的长期兴趣资讯特征、池化操作后的短期兴趣资讯特征、所述历史时间特征和所述资讯特征,输入至预先训练后的资讯推送模型,得到资讯预测信息;所述资讯预测信息包括预设第一数量的目标资讯和资讯预推送时间点;
信息推送模块,用于根据所述资讯预测信息,生成推送信息,并按照所述资讯预推送时间点,推送至相应的用户。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的资讯推送方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的资讯推送方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的资讯推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310611178.9A CN116861071A (zh) | 2023-05-26 | 2023-05-26 | 资讯推送方法、装置、计算机设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310611178.9A CN116861071A (zh) | 2023-05-26 | 2023-05-26 | 资讯推送方法、装置、计算机设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861071A true CN116861071A (zh) | 2023-10-10 |
Family
ID=88234820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310611178.9A Pending CN116861071A (zh) | 2023-05-26 | 2023-05-26 | 资讯推送方法、装置、计算机设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861071A (zh) |
-
2023
- 2023-05-26 CN CN202310611178.9A patent/CN116861071A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11657371B2 (en) | Machine-learning-based application for improving digital content delivery | |
US20150278350A1 (en) | Recommendation System With Dual Collaborative Filter Usage Matrix | |
US20150278907A1 (en) | User Inactivity Aware Recommendation System | |
CN114782960B (zh) | 模型训练方法、装置、计算机设备及计算机可读存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN116861071A (zh) | 资讯推送方法、装置、计算机设备、存储介质和程序产品 | |
CN114219184A (zh) | 产品交易数据预测方法、装置、设备、介质和程序产品 | |
CN113780318A (zh) | 用于生成提示信息的方法、装置、服务器和介质 | |
CN110858235B (zh) | 热启动广义加性混合效应(game)框架 | |
CN116823384A (zh) | 产品推荐方法、装置、设备、存储介质和计算机程序产品 | |
CN117407418A (zh) | 信息获取方法、装置、计算机设备、存储介质和程序产品 | |
CN117436972A (zh) | 资源对象推荐方法、装置、计算机设备和存储介质 | |
CN117495191A (zh) | 服务质量评估方法、装置、计算机设备及存储介质 | |
CN117440041A (zh) | 静默服务信息推送方法、装置、计算机设备和存储介质 | |
CN117391490A (zh) | 金融业务的评价信息处理方法、装置和计算机设备 | |
CN116881543A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 | |
CN116680467A (zh) | 对象推荐方法、装置、计算机设备和存储介质 | |
CN117745337A (zh) | 产品生成方法、装置、计算机设备和存储介质 | |
CN116880886A (zh) | 产品推荐模型的更新方法和装置 | |
CN116866419A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN117196801A (zh) | 银行活动数据的分析方法、装置、计算机设备和存储介质 | |
CN117093874A (zh) | 文本生成方法、装置、计算机设备、介质和程序产品 | |
CN117289840A (zh) | 基于画像标签的菜单确定方法、装置、设备、介质和产品 | |
CN114998024A (zh) | 基于点击率的产品推荐方法、装置、设备及介质 | |
CN116910604A (zh) | 用户分类方法、装置、计算机设备、存储介质和程序产品 |
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 |