CN117113183A - 用户分类信息生成方法、装置、设备、介质和程序产品 - Google Patents

Abstract

本公开的实施例公开了用户分类信息生成方法、装置、设备、介质和程序产品。该方法的一具体实施方式包括：分别生成目标用户的实时特征表示和离线特征表示；将实时特征表示和离线特征表示输入预先训练的用户分类模型，得到第一用户分类信息，用户分类模型包括实时分类子模型、离线分类子模型、融合分类子模型；将离线特征表示、实时特征表示对应的伪实时特征表示、离线特征表示对应的伪离线特征表示输入用户分类模型，得到第二用户分类信息；基于第一用户分类信息和第二用户分类信息，生成目标用户的用户分类信息。该实施方式与人工智能有关，实现了提高生成的用户分类信息的准确率。

Description

用户分类信息生成方法、装置、设备、介质和程序产品

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用户分类信息生成方法、装置、设备、介质和程序产品。

背景技术

随着互联网技术的不断发展，针对不同的用户进行个性化展示和针对性的内容推荐，成为各个平台的重要机制。在此过程中，针对每次用户请求，需要实时生成用户分类信息。一般的，在生成用户分类信息的过程中，需要同时使用用户的离线特征和实时特征。具体的，可以将离线特征和实时特征进行拼接后，送入用户分类模型，得到用户分类信息。

然而，发明人发现，当采用上述方式生成用户分类信息时，经常会存在如下技术问题：

预测准确率较低。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于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。本公开的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。

本公开的一些实施例提出了用户分类信息生成方法、装置、设备、计算机可读介质和程序产品，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种用户分类信息生成方法，该方法包括：分别生成目标用户的实时特征表示和离线特征表示；将实时特征表示和离线特征表示输入预先训练的用户分类模型，得到第一用户分类信息，用户分类模型包括实时分类子模型、离线分类子模型、融合分类子模型；将离线特征表示、实时特征表示对应的伪实时特征表示、离线特征表示对应的伪离线特征表示输入用户分类模型，得到第二用户分类信息；基于第一用户分类信息和第二用户分类信息，生成目标用户的用户分类信息。

第二方面，本公开的一些实施例提供了一种用户分类信息生成装置，装置包括：生成单元，被配置成分别生成目标用户的实时特征表示和离线特征表示；第一生成单元，被配置成将实时特征表示和离线特征表示输入预先训练的用户分类模型，得到第一用户分类信息，用户分类模型包括实时分类子模型、离线分类子模型、融合分类子模型；第二生成单元，被配置成将离线特征表示、实时特征表示对应的伪实时特征表示、离线特征表示对应的伪离线特征表示输入用户分类模型，得到第二用户分类信息；第三生成单元，被配置成基于第一用户分类信息和第二用户分类信息，生成目标用户的用户分类信息。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

第五方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：提高了生成的用户分类信息的准确率。具体来说，相关的生成用户分类信息的方法之所以预测准确率低的原因在于：实践中，离线特征与实时特征数据分布不同的情况，离线特征往往数据更为集中，直接拼接实时特征和离线特征的方式进行预测，模型会更容易识别离线特征与标签之间虚假的相关性，从而造成离线特征偏差，实时特征被离线特征偏差淹了，最终导致生成的用户分类信息的准确率较低。基于此，本公开的一些实施例通过引入伪实时特征表示和伪离线特征表示，从而去除离线特征偏差，提高了生成的用户分类信息的准确率。

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，元件和元素不一定按照比例绘制。

图1-图2是根据本公开的一些实施例的用户分类信息生成方法的一个应用场景的示意图；

图3是根据本公开的用户分类信息生成方法的一些实施例的流程图；

图4是根据本公开的用户分类信息生成方法的另一些实施例的流程图；

图5是根据本公开的用户分类信息生成装置的一些实施例的结构示意图；

图6是适于用来实现本公开的一些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。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

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。

本公开中所涉及的用户个人信息的收集、存储、使用等操作，在执行相应操作之前，相关组织或个人尽到包括开展个人信息安全影响评估、向个人信息主体履行告知义务、事先征得个人信息主体的授权同意等义务，并符合相关法律法规的规定。

下面将参考附图并结合实施例来详细说明本公开。

图1-图2是根据本公开一些实施例的用户分类信息生成方法的一个应用场景的示意图。

如图1所示，用户分类信息生成方法的执行主体可以分别获取目标用户的实时特征和离线特征，其中，目标用户可以是当前请求数据的用户。进一步的，实时特征包括实时类别特征和实时数值特征，离线特征包括离线类别特征和离线数值特征。在此基础上，通过embedding层生成类别特征的特征表示，通过多层感知器来生成数值特征的特征表示，之后分别通过MLP层组交叉融合得到实时特征表示(也即实时表征信息)和离线特征表示(也即离线表征信息)。

在此基础上，将实时特征表示和离线特征表示输入预先训练的用户分类模型，得到第一用户分类信息，用户分类模型包括实时分类子模型、离线分类子模型、融合分类子模型。如图1所示，实时分类子模型包括实时分类层，离线分类子模型包括离线分类层，融合分类子模型包括MLP层组和融合分类层。其中，MLP层组用于将实时特征表示和离线特征表示进行融合，得到融合特征表示(也即融合表征信息)。

在此基础上，上述执行主体可以将离线特征表示、实时特征表示对应的伪实时特征表示、离线特征表示对应的伪离线特征表示输入用户分类模型，得到第二用户分类信息。作为示例，如图2中虚线以及图形“×”所示的过程中，用伪实时特征表示和伪离线特征表示代替真实的特征表示。具体的，将伪实时特征表示输入实时分类层，将伪实时特征表示和伪离线特征表示输入融合分类层；而对于离线分类层的输入仍然保持离线特征表示。在此基础上，对三个分类层的结果融合，得到第二用户分类信息。之后，基于第一用户分类信息和第二用户分类信息，生成目标用户的用户分类信息。

可以理解的是，用户分类信息生成方法的执行主体可以是硬件，也可以是软件，当其为硬件时，可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当其为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

继续参考图3，示出了根据本公开的用户分类信息生成方法的一些实施例的流程300。该用户分类信息生成方法，包括以下步骤：

步骤301，分别生成目标用户的实时特征表示和离线特征表示。

在一些实施例中，用户分类信息生成方法的执行主体可以首先生成目标用户的实时特征表示和离线特征表示。其中，实时特征表示用于表征实时特征，离线特征表示用于表征离线特征，例如可以将实时特征和离线特征分别输入embedding(嵌入)层或者多层感知器(MLP，Multilayer Perceptron)，进而得到实时特征表示和离线特征表示。其中，实时特征即随着时间不断改变的特征，包括截止到请求时间的一个短时间段内的相关特征。其中，短时间段是相对于离线特征对应的长时间段而言的，一般是小时或天级别的，例如24小时。实时特征可以例如是截止到请求时间24小时内用户加购某品类次数。离线特征是一般不会实时随着时间改变的特征，包括截止到请求时间的前一天的一个长时间段内的相关特征。其中，长时间段可以是天或月级别，离线特征可以例如是1个月内平均加购金额。

可选的，离线特征可以分为类别类特征或数值类特征，例如，性别为类别型特征，过去一个月的平均消费金额为数值类特征。类似的，实时特征也可以分为类别类特征或数值类特征。实践中，对于类别类特征可以通过embedding层来生成类型特征表示，对于数值类特征可以通过MLP层生成数值特征表示，在此基础上，对于类型特征表示和数值特征表示通过拼接等方式融合后生成实时特征表示或离线特征表示。

在一些实施例的一些可选的实现方式中，在分别生成目标用户的实时特征表示和离线特征表示之前，上述方法还包括：响应于接收到目标用户的数据获取请求，分别获取目标用户的实时特征和离线特征。生成实时特征对应的实时特征表示，以及生成离线特征对应的离线特征表示。由此，用户进行内容数据获取时可以触发生成用户分类信息，以便实现个性化和针对性的内容展示。

步骤302，将实时特征表示和离线特征表示输入预先训练的用户分类模型，得到第一用户分类信息，用户分类模型包括实时分类子模型、离线分类子模型、融合分类子模型。

在一些实施例中，上述执行主体可以将实时特征表示和离线特征表示输入预先训练的用户分类模型，进而得到第一用户分类信息。其中，用户分类模型包括实时分类子模型、离线分类子模型、融合分类子模型，实践中，三种子模型可以是各种分类网络，例如可以包括Softmax层，以实现根据输入数据生成对应的子分类结果，进一步的，对三个子分类结果进行融合后，得到第一用户分类信息。另外，融合分类子模型用于对输入的数据进行融合，可以包括用于进行特征融合的多层感知器(MLP)或循环神经网络。

在一些实施例的一些可选的实现方式中，将实时特征表示和离线特征表示输入预先训练的用户分类模型，得到第一用户分类信息，包括：将实时特征表示输入实时分类子模型，得到第一实时分类结果；将离线特征表示输入离线分类子模型，得到第一离线分类结果；将实时特征表示和离线特征表示输入融合分类子模型，得到第一融合分类结果；将第一实时分类结果、第一融合分类结果、第一离线分类结果融合，得到第一用户分类信息。

步骤303，将离线特征表示、实时特征表示对应的伪实时特征表示、离线特征表示对应的伪离线特征表示输入用户分类模型，得到第二用户分类信息。

在一些实施例中，上述执行主体可以获取或者生成实时特征表示对应的伪实时特征表示以及离线特征表示对应的伪实时特征表示。其中，伪实时特征表示并不是真实的实时特征，类似的，伪离线特征表示并不是真实的离线特征。例如，伪实时特征表示或伪离线特征表示可以是随机数。在此过程中，通过用伪实时特征表示替换真实的实时特征，以及用伪实时特征表示替换真实的离线特征，使得得到的第二用户分类信息可以表示离线特征的自然直接因果效应。

在一些实施例中，作为示例，可以将伪实时特征表示输入实时分类子模型，得到第二实时分类结果；将伪实时特征表示和伪离线特征表示输入融合分类子模型，得到第二融合分类结果；将离线特征表示输入离线分类子模型，得到第二离线分类结果；将第二实时分类结果、第二融合分类结果、第二离线分类结果融合，得到第二用户分类信息。作为示例，可以通过加权求和的方式进行融合。

步骤304，基于第一用户分类信息和第二用户分类信息，生成目标用户的用户分类信息。

在一些实施例中，上述执行主体可以通过加权求和的方式对第一用户分类信息和第二用户分类信息进行加权融合，例如求差，进而得到目标用户的分类信息。其中，由于第一用户分类信息是通过目标用户的实时特征表示和离线特征表示得到的，因此可以表示目标用户的实时特征表示和离线特征表示的总因果效应。对于第二用户分类信息可以表示离线特征的自然直接因果效应，通过求差可以去除前文所提及的离线特征偏差，从而提高生成的用户分类信息的准确率。

本公开的一些实施例提供的方法，通过用伪实时特征表示替换真实的实时特征，以及用伪实时特征表示替换真实的离线特征，使得得到的第二用户分类信息可以表示离线特征的自然直接因果效应，从而去除离线特征偏差，提高了生成的用户分类信息的准确率。

进一步参考图4，其示出了用户分类信息生成方法的另一些实施例的流程400。该用户分类信息生成方法的流程400，包括以下步骤：

步骤401，分别生成目标用户的实时特征表示和离线特征表示。

步骤402，将实时特征表示和离线特征表示输入预先训练的用户分类模型，得到第一用户分类信息，用户分类模型包括实时分类子模型、离线分类子模型、融合分类子模型。

在一些实施例中，步骤401-402的具体实现及其所带来的技术效果可以参考图3对应的那些实施例，在此不再赘述。

步骤403，将离线特征表示、实时特征表示对应的伪实时特征表示、离线特征表示对应的伪离线特征表示输入用户分类模型，得到第二用户分类信息。

在一些实施例中，步骤403包括以下子步骤4031-4034：

步骤4031，分别生成实时特征表示对应的伪实时特征表示，以及离线特征表示对应的伪离线特征表示。

在一些实施例中，可以通过以下步骤生成伪实时特征表示和伪离线特征表示：

步骤一，获取训练样本集，训练样本集中的训练样本包括样本实时特征、样本离线特征和样本用户分类信息。

步骤二，将训练样本集中的各个训练样本分别对应的样本实时特征的均值确定为伪实时特征表示。

步骤三，将训练样本集中的各个训练样本分别对应的样本离线特征的均值确定为伪离线特征表示。

在一些实施例中，通过采用训练样本集中的各个训练样本的均值来替换真实的实时特征和离线特征，从而可以在预测过程中，去除离线特征偏差的同时，增加伪实时特征表示、伪离线特征表示的可信度，避免采用随机值与实际情况不匹配而造成的误差，进而提高生成的用户分类信息的准确率。

步骤4032，将伪实时特征表示输入实时分类子模型，得到第二实时分类结果。

步骤4033，将伪实时特征表示和伪离线特征表示输入融合分类子模型，得到第二融合分类结果。

步骤4034，将离线特征表示输入离线分类子模型，得到第二离线分类结果。

步骤4035，将第二实时分类结果、第二融合分类结果、第二离线分类结果融合，得到第二用户分类信息。

在一些实施例中，可以通过例如拼接的方式进行融合，得到第二用户分类信息。

步骤404，基于第一用户分类信息和第二用户分类信息，生成目标用户的用户分类信息。

在一些实施例中，上述执行主体可以通过加权求和的方式对第一用户分类信息和第二用户分类信息进行加权融合，例如求差，进而得到目标用户的分类信息。

从图4中可以看出，与图3对应的一些实施例的描述相比，图4对应的一些实施例中的用户分类信息生成方法的流程400，通过采用训练样本集中的各个训练样本的均值来替换真实的实时特征和离线特征，从而可以在预测过程中，去除离线特征偏差，进一步提高了生成的用户分类信息的准确率。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用户分类信息生成装置的一些实施例，这些装置实施例与图3所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，一些实施例的用户分类信息生成装置500包括：生成单元501被配置成分别生成目标用户的实时特征表示和离线特征表示；第一生成单元502被配置成将实时特征表示和离线特征表示输入预先训练的用户分类模型，得到第一用户分类信息，用户分类模型包括实时分类子模型、离线分类子模型、融合分类子模型；第二生成单元503被配置成将离线特征表示、实时特征表示对应的伪实时特征表示、离线特征表示对应的伪离线特征表示输入用户分类模型，得到第二用户分类信息；第三生成单元504被配置成基于第一用户分类信息和第二用户分类信息，生成目标用户的用户分类信息。

在一些实施例的可选实现方式中，第二生成单元503进一步被配置成：分别生成实时特征表示对应的伪实时特征表示，以及离线特征表示对应的伪离线特征表示；将伪实时特征表示输入实时分类子模型，得到第二实时分类结果；将伪实时特征表示和伪离线特征表示输入融合分类子模型，得到第二融合分类结果；将离线特征表示输入离线分类子模型，得到第二离线分类结果；将第二实时分类结果、第二融合分类结果、第二离线分类结果融合，得到第二用户分类信息。

在一些实施例的可选实现方式中，第二生成单元503进一步被配置成：获取训练样本集，训练样本集中的训练样本包括样本实时特征、样本离线特征和样本用户分类信息；将训练样本集中的各个训练样本分别对应的样本实时特征的均值确定为伪实时特征表示；将训练样本集中的各个训练样本分别对应的样本离线特征的均值确定为伪离线特征表示。

在一些实施例的可选实现方式中，第一生成单元502进一步被配置成：将实时特征表示输入实时分类子模型，得到第一实时分类结果；将离线特征表示输入离线分类子模型，得到第一离线分类结果；将实时特征表示和离线特征表示输入融合分类子模型，得到第一融合分类结果；将第一实时分类结果、第一融合分类结果、第一离线分类结果融合，得到第一用户分类信息。

在一些实施例的可选实现方式中，第三生成单元504进一步被配置成：将第一用户分类信息和第二用户分类信息之差确定为目标用户的用户分类信息。

在一些实施例的可选实现方式中，用户分类信息生成装置500还包括：获取单元，被配置成：响应于接收到目标用户的数据获取请求，分别获取目标用户的实时特征和离线特征。

可以理解的是，该装置500中记载的诸单元与参考图3描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备600(例如图1中的服务器或终端设备)的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置601(例如中央处理器、图形处理器等)，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606也连接至总线604。

通常，以下装置可以连接至I/O接口606：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605；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6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。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些实施例包括一种计算机程序产品，其包括承载在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。在这样的一些实施例中，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，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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：分别生成目标用户的实时特征表示和离线特征表示；将实时特征表示和离线特征表示输入预先训练的用户分类模型，得到第一用户分类信息，用户分类模型包括实时分类子模型、离线分类子模型、融合分类子模型；将离线特征表示、实时特征表示对应的伪实时特征表示、离线特征表示对应的伪离线特征表示输入用户分类模型，得到第二用户分类信息；基于第一用户分类信息和第二用户分类信息，生成目标用户的用户分类信息。

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一些实施例的操作的计算机程序代码，程序设计语言包括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。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括生成单元、第一生成单元、第二生成单元和第三生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，生成单元还可以被描述为“生成目标用户的实时特征表示和离线特征表示的单元”。

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。

本公开的一些实施例还提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的任一种用户分类信息生成方法。

以上描述仅为本公开的一些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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。

Claims (10)

1.一种用户分类信息生成方法，包括：

分别生成目标用户的实时特征表示和离线特征表示；

将所述实时特征表示和所述离线特征表示输入预先训练的用户分类模型，得到第一用户分类信息，所述用户分类模型包括实时分类子模型、离线分类子模型、融合分类子模型；

将所述离线特征表示、所述实时特征表示对应的伪实时特征表示、所述离线特征表示对应的伪离线特征表示输入所述用户分类模型，得到第二用户分类信息；

基于所述第一用户分类信息和所述第二用户分类信息，生成所述目标用户的用户分类信息。

2.根据权利要求1所述的方法，其中，所述将所述离线特征表示、所述实时特征表示对应的伪实时特征表示、所述离线特征表示对应的伪离线特征表示输入所述用户分类模型，得到第二用户分类信息，包括：

分别生成所述实时特征表示对应的伪实时特征表示，以及所述离线特征表示对应的伪离线特征表示；

将所述伪实时特征表示输入所述实时分类子模型，得到第二实时分类结果；

将所述伪实时特征表示和所述伪离线特征表示输入所述融合分类子模型，得到第二融合分类结果；

将所述离线特征表示输入所述离线分类子模型，得到第二离线分类结果；

将所述第二实时分类结果、所述第二融合分类结果、所述第二离线分类结果融合，得到第二用户分类信息。

3.根据权利要求2所述的方法，其中，所述分别生成所述实时特征表示对应的伪实时特征表示，以及所述离线特征表示对应的伪离线特征表示，包括：

获取训练样本集，所述训练样本集中的训练样本包括样本实时特征、样本离线特征和样本用户分类信息；

将所述训练样本集中的各个训练样本分别对应的样本实时特征的均值确定为所述伪实时特征表示；

将所述训练样本集中的各个训练样本分别对应的样本离线特征的均值确定为所述伪离线特征表示。

4.根据权利要求1所述的方法，其中，所述将所述实时特征表示和所述离线特征表示输入预先训练的用户分类模型，得到第一用户分类信息，包括：

将所述实时特征表示输入所述实时分类子模型，得到第一实时分类结果；

将所述离线特征表示输入所述离线分类子模型，得到第一离线分类结果；

将所述实时特征表示和所述离线特征表示输入所述融合分类子模型，得到第一融合分类结果；

将所述第一实时分类结果、所述第一融合分类结果、所述第一离线分类结果融合，得到第一用户分类信息。

5.根据权利要求1所述的方法，其中，所述基于所述第一用户分类信息和所述第二用户分类信息，生成所述目标用户的用户分类信息，包括：

将所述第一用户分类信息和所述第二用户分类信息之差确定为所述目标用户的用户分类信息。

6.根据权利要求1所述的方法，其中，在所述分别生成目标用户的实时特征表示和离线特征表示之前，所述方法还包括：

响应于接收到目标用户的数据获取请求，分别获取所述目标用户的实时特征和离线特征；以及

所述分别生成目标用户的实时特征表示和离线特征表示，包括：

生成所述实时特征对应的实时特征表示，以及生成所述离线特征对应的离线特征表示。

7.一种用户分类信息生成装置，包括：

生成单元，被配置成分别生成目标用户的实时特征表示和离线特征表示；

第一生成单元，被配置成将所述实时特征表示和所述离线特征表示输入预先训练的用户分类模型，得到第一用户分类信息，所述用户分类模型包括实时分类子模型、离线分类子模型、融合分类子模型；

第二生成单元，被配置成将所述离线特征表示、所述实时特征表示对应的伪实时特征表示、所述离线特征表示对应的伪离线特征表示输入所述用户分类模型，得到第二用户分类信息；

第三生成单元，被配置成基于所述第一用户分类信息和所述第二用户分类信息，生成所述目标用户的用户分类信息。

8.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

9.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。

10.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。