CN117688470A - 内容推送的确定方法、模型的训练方法、装置及电子设备 - Google Patents

内容推送的确定方法、模型的训练方法、装置及电子设备 Download PDF

Info

Publication number
CN117688470A
CN117688470A CN202311685436.4A CN202311685436A CN117688470A CN 117688470 A CN117688470 A CN 117688470A CN 202311685436 A CN202311685436 A CN 202311685436A CN 117688470 A CN117688470 A CN 117688470A
Authority
CN
China
Prior art keywords
scene
data
sub
trained
operation type
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
CN202311685436.4A
Other languages
English (en)
Inventor
梁振铎
袁子超
贾凯凯
王思吉
邴峰
邹冰
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202311685436.4A priority Critical patent/CN117688470A/zh
Publication of CN117688470A publication Critical patent/CN117688470A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本公开提供了一种内容推送的确定方法、模型的训练方法、装置及电子设备，涉及人工智能领域，尤其涉及大数据领域。具体实现方案为：获取在预设时间段内的用户数据；其中，所述用户数据包括用户的行为数据和行为数据对应的场景，所述行为数据表征用户对推送内容所执行的操作类型，所述用户数据中包括至少两种场景，所述场景对应的行为数据中包括至少两种操作类型；根据所述用户数据，确定所述场景下所述操作类型的执行概率；其中，所述执行概率表征用户执行操作类型的可能性；根据所述场景下各所述操作类型的执行概率，确定是否在所述场景为所述用户进行内容推送。根据多个执行概率确定是否进行推送，提高推送精度。

Description

内容推送的确定方法、模型的训练方法、装置及电子设备
技术领域
本公开涉及人工智能领域中的大数据领域，尤其涉及一种内容推送的确定方法、模型的训练方法、装置及电子设备。
背景技术
随着移动互联网的快速发展，用户使用人工智能产品的需求也变得越来越多样化，在不同场景下用户的使用需求和偏好有着巨大的差异。
为了更好的满足用户对人工智能产品的使用需求，可以在用户使用人工智能产品的过程中，为用户推送感兴趣的内容。但用户在某些场景下可能不想接收到推送的内容，因此，需要根据用户对产品的使用情况，判断是否为用户进行推送，以提升用户的使用体验。
发明内容
本公开提供了一种内容推送的确定方法、模型的训练方法、装置及电子设备。
根据本公开的第一方面，提供了一种内容推送的确定方法，包括：
获取在预设时间段内的用户数据；其中，所述用户数据包括用户的行为数据和行为数据对应的场景，所述行为数据表征用户对推送内容所执行的操作类型，所述用户数据中包括至少两种场景，每种所述场景分别对应的行为数据中包括至少两种操作类型；
根据所述用户数据，确定每种所述场景下各所述操作类型的执行概率；其中，所述执行概率表征用户执行操作类型的可能性；
根据每种所述场景下各所述操作类型的执行概率，确定是否在每种所述场景为所述用户进行内容推送。
根据本公开的第二方面，提供了一种执行概率确定模型的训练方法，包括：
获取待训练集合；其中，所述待训练集合中包括待训练的行为数据、待训练的行为数据对应的场景、以及待训练的行为数据对应的场景下各操作类型的执行概率；
根据所述待训练集合对预设的初始执行概率确定模型进行训练，确定训练后的执行概率确定模型；其中，所述初始执行概率确定模型中包括至少两个待训练的子场景网络和至少两个待训练的子操作类型网络；一个子场景网络对应一个场景，一个子操作类型网络对应一个操作类型；所述子场景网络用于对场景对应的行为数据进行特征提取处理，所述子操作类型网络用于输出操作类型的执行概率；
其中，所述执行概率确定模型用于得到第一方面所述的操作类型的执行概率。
根据本公开的第三方面，提供了一种内容推送的确定装置，包括：
数据获取单元，用于获取在预设时间段内的用户数据；其中，所述用户数据包括用户的行为数据和行为数据对应的场景，所述行为数据表征用户对推送内容所执行的操作类型，所述用户数据中包括至少两种场景，每种所述场景分别对应的行为数据中包括至少两种操作类型；
第一确定单元，用于根据所述用户数据，确定每种所述场景下各所述操作类型的执行概率；其中，所述执行概率表征用户执行操作类型的可能性；
第二确定单元，用于根据每种所述场景下各所述操作类型的执行概率，确定是否在每种所述场景为所述用户进行内容推送。
根据本公开的第四方面，提供了一种执行概率确定模型的训练装置，包括：
集合获取单元，用于获取待训练集合；其中，所述待训练集合中包括待训练的行为数据、待训练的行为数据对应的场景、以及待训练的行为数据对应的场景下各操作类型的执行概率；
模型训练单元，用于根据所述待训练集合对预设的初始执行概率确定模型进行训练，确定训练后的执行概率确定模型；其中，所述初始执行概率确定模型中包括至少两个待训练的子场景网络和至少两个待训练的子操作类型网络；一个子场景网络对应一个场景，一个子操作类型网络对应一个操作类型；所述子场景网络用于对场景对应的行为数据进行特征提取处理，所述子操作类型网络用于输出操作类型的执行概率；
其中，所述执行概率确定模型用于得到第三方面所述的操作类型的执行概率。
根据本公开的第五方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面和第二方面所述的方法。
根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面和第二方面所述的方法。
根据本公开的第七方面，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第一方面和第二方面所述的方法。
根据本公开的技术，提高了内容推送的确定精度，提升用户体验。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例提供的一种内容推送的确定方法的流程示意图；
图2是根据本公开实施例提供的一种内容推送的确定方法的流程示意图；
图3是根据本公开实施例提供的执行概率确定模型的结构示意图；
图4是根据本公开实施例提供的一种内容推送的确定方法的流程示意图；
图5是根据本公开实施例提供的一种执行概率确定模型的训练方法的流程示意图；
图6是根据本公开实施例提供的一种内容推送的确定装置的结构框图；
图7是根据本公开实施例提供的一种内容推送的确定装置的结构框图；
图8是根据本公开实施例提供的一种执行概率确定模型的训练装置的结构框图；
图9是用来实现本公开实施例的内容推送的确定方法和模型训练方法的电子设备的框图；
图10是用来实现本公开实施例的内容推送的确定方法和模型训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
随着移动互联网的快速发展，出现了越来越多的人工智能产品。例如，人工智能产品可以是地图软件等应用程序产品。用户使用人工智能产品的需求变得越来越多样化，例如，用户需要地图软件为用户推荐感兴趣的目的地等内容。在不同场景下用户的使用需求和偏好有着巨大的差异，例如，场景可以包括空间维度的场景和时间维度的场景，空间维度的场景可以包括被本地场景和异地场景，时间维度的场景可以包括工作日场景和周末场景。
为了更好的满足用户使用产品的需求，为用户推荐感兴趣的内容，开发者往往需要观测用户对所推荐的内容的查看指标，来优化产品的推荐策略。例如，查看指标可以包括对推荐内容的点击率和关闭率等。点击率是指用户点开查看推荐内容的概率，关闭率是指用户不打开推荐内容，直接关闭推荐内容的概率。
目前，对于每个查看指标，都要预先训练一个神经网络模型，从而通过各自的模型得到对应的指标。例如，若要确定用户对推送内容的点击率，则使用点击率对应的模型；若要确定用户对推送内容的关闭率，则使用关闭率对应的模型。
但是，这种方法需要单独使用各个模型，忽略了不同查看指标之间的关系，影响内容推送的确定精度。且单独的模型之间通常无法有效共享不同查看指标之间的通用信息，导致信息浪费和冗余。在成本上，多个模型的训练和使用需要耗费大量的时间和计算资源，影响内容推送的确定效率。
本公开提供一种内容推送的确定方法、模型的训练方法、装置及电子设备，应用于人工智能领域中的大数据领域，以提高内容推送的确定精度。
需要说明的是，本实施例中的模型并不是针对某一特定用户，并不能反映出某一特定用户的个人信息。需要说明的是，本实施例中的数据来自于公开数据集。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
为使读者更深刻地理解本公开的实现原理，现结合以下图1-图10对实施例进行进一步细化。
图1为根据本公开实施例提供的一种内容推送的确定方法的流程示意图，该方法可以由一种内容推送的确定装置执行。如图1所示，该方法包括以下步骤：
S101、获取在预设时间段内的用户数据；其中，用户数据包括用户的行为数据和行为数据对应的场景，行为数据表征用户对推送内容所执行的操作类型，用户数据中包括至少两种场景，每种场景分别对应的行为数据中包括至少两种操作类型。
示例性地，地图软件等应用程序产品可以根据用户的使用情况，向用户进行内容推送，例如，可以采用弹窗的形式显示推送内容的标题，用户可以点击标题查看推送内容，也可以直接关闭推送内容。用户在使用应用程序产品时，可以实时生成用户数据，用户数据可以包括用户的行为数据和行为数据对应的场景。行为数据可以表征用户对推送内容所执行的操作类型，例如，操作类型可以是点击操作、关闭操作或隐藏操作等。点击操作是指用户点击查看推送内容的详情，关闭操作是指用户不查看推送内容，在界面上关闭对该推送内容的推送显示，隐藏操作是指用户暂时将推送内容隐藏，后续可以再打开推送内容。
每一条行为数据都可以对应一个场景，不同行为数据所对应的场景可以相同，也可以不同。行为数据对应的场景是指用户在执行操作类型时所处的场景，一个场景中可以包括多种场景维度，例如，场景维度可以包括空间维度和时间维度。空间维度可以包括本地和异地，时间维度可以包括工作日和周末等。
应用程序产品可以根据用户以往的对推送内容的操作情况，确定是否要为用户进行内容推送。例如，可以在用户每次使用产品时进行确定，也可以实时或定时地进行确定。在确定是否要进行内容推送时，可以获取一段时间内的用户数据。例如，可以预设一个时间段，获取预设时间段内的用户数据。在获取到的用户数据中可以包括多种场景，每种场景可以对应有多条行为数据，每条行为数据的操作类型可以不同，即每种场景对应的行为数据中可以包括多种操作类型。用户在一个时刻下所处的场景可以是不同场景维度的组合，例如，可以获取一个星期内的用户数据，用户在该星期的工作日时间内处于本地，在周末时间处于异地，即用户所经历的场景先是工作日本地场景，再是周末异地场景。所获取的用户数据可以包括用户在工作日本地场景下的行为数据和在周末异地场景下的行为数据。
本实施例中，所获取的用户数据中还可以包括用户的个人信息和使用产品时生成的日志。例如，可以包括用户的性别、年龄、使用产品的时间、使用产品时搜索的内容等。在获取用户数据之前，可以向用户发出数据获取的提示信息，提示信息用于询问用户是否允许获取用户数据。例如，可以在界面上显示屏幕弹窗，屏幕弹窗中显示是否允许获取数据的相关文字。用户可以允许，也可以不允许，若用户发出允许获取的指令，则可以获取用户数据；若用户发出不允许获取的指令，则不能获取用户数据。
S102、根据用户数据，确定每种场景下各操作类型的执行概率；其中，执行概率表征用户执行操作类型的可能性。
示例性地，在得到用户数据后，可以确定用户数据中存在哪些场景。本实施例中的场景是指在任一时刻下不同场景维度的组合，一个场景中至少包括两种场景维度。根据用户数据，确定每一场景下，每一种操作类型的执行概率，执行概率可以用于表征用户执行该操作类型的可能性。例如，用户数据中存在工作日本地和周末异地两种场景，对于这两种场景，都要确定用户执行点击操作的可能性、执行关闭操作的可能性、以及执行隐藏操作的可能性。
可以根据场景对用户数据进行分类，即得到用户数据中，每一种场景下的所有行为数据。根据场景对应的所有行为数据，确定该场景下每一种操作类型的执行概率。例如，可以确定场景对应的行为数据中，每一种操作类型的执行次数和所有操作类型的总执行次数。根据每一种操作类型的执行次数和所有操作类型的总执行次数，确定每一种操作类型的执行概率。
本实施例中，还可以预先构建机器学习的神经网络模型，作为执行概率确定模型。该模型的输入数据可以是用户数据，输出数据可以是各个场景下每一种操作类型的执行概率。即，在执行概率确定模型中进行多场景和多操作类型的整合，共享底层的输入数据，避免造成数据的冗余和浪费。实现了根据用户数据，确定在不同场景下是否对用户进行内容推送。本实施例中，对执行概率确定模型的模型结构不做具体限定。
S103、根据每种场景下各操作类型的执行概率，确定是否在每种场景为用户进行内容推送。
示例性地，对于每一种场景，在得到每一种操作类型的执行概率后，可以根据该场景下所有操作类型的执行概率，判断是否在该场景下为用户进行内容推送。当用户处于该场景中，即可以根据该判断结果为用户推送内容或不推送内容。
可以比较各个执行概率的大小，确定最大的执行概率所对应的操作类型。根据该操作类型，确定是否为用户进行内容推送。例如，最大的执行概率所对应的操作类型为点击操作，则为用户进行内容推送；最大的执行概率所对应的操作类型为关闭操作，则不为用户进行内容推送。
本公开实施例中，获取预设时间段内的用户数据，得到用户在不同场景下所执行的操作类型。根据用户数据，可以确定用户在不同场景下执行不同操作类型的执行概率，实现通过同样的用户数据，对多场景进行多操作类型的概率确定。根据在某种场景下所有操作类型的执行概率，确定是否在该场景为用户进行内容推送。不需要每次单独获取不同场景下不同操作类型的相关数据，解决了现有技术中，每次只能对单一的操作类型进行执行概率确定的问题。通过综合考虑多个执行概率，确定是否进行内容推送，提高内容推送的确定精度，提升用户体验。
图2为本公开实施例提供的一种内容推送的确定方法的流程示意图。
本实施例中，根据用户数据，确定每种场景下各操作类型的执行概率，可细化为：对用户数据中每种场景分别对应的行为数据进行特征提取处理，得到每种场景分别对应的行为特征；其中，行为特征表征场景对应的行为数据；根据每种场景分别对应的行为特征和每种场景分别对应的行为数据，确定每种场景下各操作类型的执行概率。
如图2示，该方法包括以下步骤：
S201、获取在预设时间段内的用户数据；其中，用户数据包括用户的行为数据和行为数据对应的场景，行为数据表征用户对推送内容所执行的操作类型，用户数据中包括至少两种场景，每种场景分别对应的行为数据中包括至少两种操作类型。
示例性地，本步骤可以参见上述步骤S101，不再赘述。
S202、对用户数据中每种场景分别对应的行为数据进行特征提取处理，得到每种场景分别对应的行为特征；其中，行为特征表征场景对应的行为数据。
示例性地，用户数据中可以包括多种场景所对应的行为数据。对于用户数据中的任意一种场景，对该场景下的行为数据进行特征提取处理，将提取出的数据确定为该场景对应的行为特征。
可以预先设置一个执行概率确定模型，该执行概率确定模型中可以包括用于特征提取的网络结构，可以将用于特征提取的网络结构确定为第一网络结构。将所有的用户数据输入到执行概率确定模型中，由执行概率确定模型中的第一网络结构对用户数据中涉及到的场景所对应的行为数据进行特征提取处理。即，第一网络结构的输入数据为多种场景下的行为数据，输出数据为每一种场景下的行为特征。
本实施例中，对用户数据中每种场景分别对应的行为数据进行特征提取处理，得到每种场景分别对应的行为特征，包括：从用户数据中确定每种场景分别对应的行为数据；基于预设的子场景网络，对每种场景分别对应的行为数据进行特征提取处理，得到每种场景分别对应的行为特征；其中，预设的子场景网络为机器学习的神经网络。
具体的，用户在预设时间段内可以经历过多种场景，即，用户数据中可以包括多种场景对应的行为数据。可以从用户数据中区分出每一种场景所对应的行为数据，例如，可以根据用户所经历的场景的时间段，确定用户数据在不同时间段下所产生的行为数据，作为该时间段的场景所对应的行为数据。
本实施例中，可以将用户数据输入至执行概率确定模型的第一网络结构中，第一网络结构中可以预设有子场景网络。子场景网络中可以包括卷积层、全连接层等网络层，本实施例中，对子场景网络的网络结构不做具体限定。可以将用户数据输入到子场景网络中，子场景网络可以从用户数据中确定不同场景所对应的行为数据。通过子场景网络针对性地对场景的行为数据进行特征提取处理，例如，可以通过卷积层对行为数据进行卷积，输出数据为该场景的行为特征。
这样设置的有益效果在于，采集含有多种场景的用户数据，对含有多种场景的用户数据进行处理，区分出不同场景对应的行为数据，从而针对不同的场景，得到场景对应的行为特征。减少前期数据获取的时间，实现对于不同场景，输入数据的共享，有效提高内容推送的确定效率。
本实施例中，从用户数据中确定每种场景分别对应的行为数据，包括：针对多种场景中的任意一种场景，根据预设的该场景的场景标识，从用户数据中确定含有场景标识的行为数据，作为该场景对应的行为数据；其中，场景标识用于表征场景。
具体的，预先设置每一种场景所对应的场景标识，场景标识是表示场景的唯一标识。例如，对于工作日本地场景，场景标识为001；对于工作日异地场景，场景标识为002。
对于任意一种场景，确定该场景的场景标识。判断用户数据中是否存在该场景标识，若不存在，则确定用户数据中不存在该场景对应的行为数据，不对该场景进行执行概率的确定；若存在，则从用户数据中获取含有该场景标识的所有行为数据，作为该场景对应的行为数据。例如，用户数据中包括三条行为数据，第一条行为数据的场景标识为001，第二条行为数据的场景标识为002，第三条行为数据的场景标识为001，则获取第一条和第三条的行为数据，作为001场景的行为数据。
这样设置的有益效果在于，通过场景标识可以准确从用户数据中获取不同场景所对应的行为数据，便于针对不同的场景进行特征提取，提高行为特征的确定精度，进而提高执行概率的确定精度。
本实施例中，预先设置有多个子场景网络，一个子场景网络对应一种场景；基于预设的子场景网络，对每种场景分别对应的行为数据进行特征提取处理，得到每种场景分别对应的行为特征，包括：针对多种场景中的任意一种场景，确定与该场景对应的子场景网络，为目标网络；基于目标网络对该场景对应的行为数据进行特征提取处理，得到该场景对应的行为特征。
具体的，在执行概率确定模型的第一网络结构中，可以预先设置有多个子场景网络，每个子场景网络对应一个场景。即，对于一个子场景网络来说，可以对自身所对应的场景的行为数据进行特征提取处理，输出该场景的行为特征。用户数据中所含有的场景的数量小于或等于子场景网络的数量。
各个子场景网络均可以接收到用户数据，但是每个子场景网络只能对一种场景下的行为数据进行特征提取。对于用户数据中含有的场景，确定与该场景对应的子场景网络，作为目标网络。即，对于一个场景，对应有一个目标网络。通过目标网络对该场景对应的行为数据进行特征提取处理，得到该场景对应的行为特征。每个子场景网络可以输出不同的行为特征，即，对于不同的子场景网络，输入数据相同，均为用户数据，输出数据不同。
这样设置的有益效果在于，针对不同的场景，采用不同的子场景网络进行特征提取，实现在一个执行概率确定模型中对不同的场景进行针对性处理，提高特征提取的精度。
S203、根据每种场景分别对应的行为特征和每种场景分别对应的行为数据，确定每种场景下各操作类型的执行概率。
示例性地，执行概率确定模型中可以包括第二网络结构，第二网络结构可以在得到每种场景对应的行为特征后，将该场景对应的行为特征和该场景对应的行为数据进行结合。例如，可以对该场景对应的行为特征和该场景对应的行为数据，按照预设的计算公式进行加权计算，加权后的结果即为结合后的数据。第二网络结构中也可以包括卷积层等网络层，本实施例中，对第二网络结构不做具体限定。对于任意一种场景，第二网络结构可以对结合后的数据进行特征提取等卷积操作，计算得到该场景下每一种操作类型的执行概率。
本实施例中，将总的用户数据输入至一个执行概率确定模型中，该模型可以分为第一网络结构和第二网络结构两部分。第一网络结构可以对不同的场景进行行为数据的特征提取，得到各自场景的行为特征，第二网络结构可以针对不同的场景，确定各操作类型对应的执行概率。实现在一个模型内考虑多场景和多操作类型，共享底层的输入信息，不会造成数据的冗余和浪费，并极大减少训练模型所需的资源和时间成本。
本实施例中，根据每种场景分别对应的行为特征和每种场景分别对应的行为数据，确定每种场景下各操作类型的执行概率，包括：针对多种场景中的任意一种场景，将该场景对应的行为特征和该场景对应的行为数据进行拼接处理，得到操作数据；其中，操作数据表征该场景对应的行为特征和该场景对应的行为数据；根据操作数据，确定该场景下各操作类型的执行概率。
具体的，在得到某场景对应的行为特征后，将该场景对应的行为特征与该场景对应的行为数据进行拼接处理，将拼接处理后得到的数据确定为操作数据。本实施例中，行为特征和行为数据都可以是矩阵的形式，将行为特征和行为数据进行拼接处理，可以是将行为特征的矩阵和行为数据的矩阵拼接为一个矩阵，将拼接后的矩阵确定为操作数据。
根据拼接后得到的操作数据，确定不同操作类型所对应的执行概率。例如，可以通过第二网络结构中的卷积层对操作数据进行特征提取，得到不同操作类型所对应的特征向量。基于预设的概率计算公式对得到的特征向量进行计算，得到各操作类型的执行概率。
这样设置的有益效果在于，通过对行为特征进行拼接，补充行为特征中所含有的信息，提高执行概率的确定精度。通过同样的操作数据，对不同的操作类型进行执行概率的确定，实现同时确定各操作类型的执行概率，提高执行概率的确定效率，进而提高内容推送的确定效率。
本实施例中，将该场景对应的行为特征和该场景对应的行为数据进行拼接处理，得到操作数据，包括：从该场景对应的行为数据中获取位于预设位置处的局部数据；将局部数据和该场景对应的行为特征进行拼接处理，得到操作数据。
具体的，场景对应的行为数据中含有大量信息，在进行数据的拼接处理时，可以将行为数据中的一部分数据与行为特征进行拼接。将行为数据中的一部分数据确定为局部数据。即，先从行为数据中确定出局部数据，再将局部数据与行为特征进行拼接。
可以预先设置待拼接的局部数据在行为数据中的位置。确定场景对应的行为数据中，位于预设位置处的数据，作为局部数据。预设位置可以是行为数据中的预设的列，例如，将行为数据中的第一列、第二列和第三列的数据确定为待拼接的局部数据。局部数据也可以是矩阵的形式，将局部数据的矩阵和行为特征的矩阵进行拼接，得到操作数据。
这样设置的有益效果在于，将行为特征和一部分行为数据拼接得到操作数据，丰富第二网络结构的输入数据所含的信息，且不会造成操作数据过大，有效提高执行概率的确定效率和精度。
本实施例中，预先设置有多个子操作类型网络，一个子操作类型网络对应一个操作类型；根据操作数据，确定该场景下每一操作类型的各执行概率，包括：将操作数据输入至每一子操作类型网络中，得到每一子操作类型网络输出的操作类型的执行概率；其中，子操作类型网络为机器学习的神经网络。
具体的，第二网络结构中可以预设有多个子操作类型网络，子操作类型网络的数据与预设的操作类型的数量一致，一个子操作类型网络对应一个操作类型。子操作类型网络中可以包括卷积层等网络层，本实施例中，对子操作类型网络的网络结构不做具体限定。
每个子操作类型网络都可以接收到相同的操作数据，各自对操作数据进行特征提取和计算等处理，得到各自对应的操作类型的执行概率。即，对于一个场景，可以同步运行各个子操作类型网络，从而同时得到该场景下多个操作类型所对应的执行概率。不同子操作类型网络的输入数据相同，从操作数据中可以得到不同操作类型之间的关联关系，例如，可以根据用户执行各操作类型的次数，得到各操作类型的权重。再从操作类型中针对性地提取自己所对应的操作类型的特征向量。基于预设的计算公式，对提取出的特征向量和操作类型的权重进行计算，得到操作类型的执行概率。
这样设置的有益效果在于，通过子操作类型网络对操作数据进行处理，既可以得到不同操作类型之间的关系，又可以针对性地计算操作类型的执行概率，实现多操作类型之间的结合和独立计算，有效提高执行概率的确定精度。
S204、根据每种场景下各操作类型的执行概率，确定是否在每种场景为用户进行内容推送。
示例性地，本步骤可以参见上述步骤S103，不再赘述。
图3为本实施例提供的执行概率确定模型的结构示意图。执行概率确定模型中包括第一网络结构和第二网络结构，第一网络结构中包括多个子场景网络，第二网络结构中包括多个子操作类型网络。将同样的用户数据输入到第一网络结构中，即输入到各个子场景网络中。图3中，子场景网络一对应场景一，子场景网络二对应场景二，子场景网络三对应场景三。各个子场景网络输出对应的行为特征，子场景网络一的输出数据为S1，子场景网络二的输出数据为S2，子场景网络三的输出数据为S3，子场景网络四的输出数据为S4。对于得到的各个场景对应的行为特征，依次与同样的局部数据进行拼接，例如，可以每次随机选择一个输出数据进行拼接，或者按照子场景网络的编号选择输出数据进行拼接。
将任意一个子场景对应的输出数据与用户数据中的局部数据进行拼接。本实施例中，可以先拼接成操作数据再输入到第二网络结构中的每一个子操作类型网络中，也可以在第二网络结构的每一个子操作类型网络中进行拼接。图3中，第二网络结构中可以包括子操作类型网络一、子操作类型网络二和子操作类型网络三。子操作类型网络一对应的操作类型可以是点击操作，子操作类型网络二对应的操作类型可以是关闭操作，子操作类型网络三对应的操作类型可以是隐藏操作。各子操作类型网络的输入数据相同，子操作类型网络一的输出数据O1为点击操作的执行概率，子操作类型网络二的输出数据O2为关闭操作的执行概率，子操作类型网络三的输出数据O3为与隐藏操作的执行概率。
本公开实施例中，获取预设时间段内的用户数据，得到用户在不同场景下所执行的操作类型。根据用户数据，可以确定用户在不同场景下执行不同操作类型的执行概率，实现通过同样的用户数据，对多场景进行多操作类型的概率确定。根据在某种场景下所有操作类型的执行概率，确定是否在该场景为用户进行内容推送。不需要每次单独获取不同场景下不同操作类型的相关数据，解决了现有技术中，每次只能对单一的操作类型进行执行概率确定的问题。通过综合考虑多个执行概率，确定是否进行内容推送，提高内容推送的确定精度，提升用户体验。
图4为本公开实施例提供的一种内容推送的确定方法的流程示意图。
本实施例中，根据每种场景下各操作类型的执行概率，确定是否在每种场景为用户进行内容推送，可细化为：针对多种场景中的任意一种场景，根据该场景下各操作类型的执行概率，从该场景下的所有操作类型中确定一种操作类型，为目标类型；根据目标类型，确定是否在该场景为用户进行内容推送。
如图4示，该方法包括以下步骤：
S401、获取在预设时间段内的用户数据；其中，用户数据包括用户的行为数据和行为数据对应的场景，行为数据表征用户对推送内容所执行的操作类型，用户数据中包括至少两种场景，每种场景分别对应的行为数据中包括至少两种操作类型。
示例性地，本步骤可以参见上述步骤S101，不再赘述。
S402、根据用户数据，确定每种场景下各操作类型的执行概率；其中，执行概率表征用户执行操作类型的可能性。
示例性地，本步骤可以参见上述步骤S102，不再赘述。
S403、针对多种场景中的任意一种场景，根据该场景下各操作类型的执行概率，从该场景下的所有操作类型中确定一种操作类型，为目标类型。
示例性地，对于用户数据中的任意一种场景，确定该场景下每一种操作类型的执行概率。根据各个执行概率的大小，从所有的操作类型中确定一种操作类型，作为该场景的目标类型。目标类型表示用户在该场景下最有可能做出的操作类型。例如，可以比较各个执行概率的大小，确定最大的执行概率，将该执行概率对应的操作类型，确定为目标类型。
S404、根据目标类型，确定是否在该场景为用户进行内容推送。
示例性地，在确定目标类型后，可以根据目标类型预测用户在某场景中对推送内容可能做出的行为，从而确定是否在用户处于该场景时，为用户进行内容推送。例如，可以根据目标类型，预测出用户在处于某场景时对推送内容的做出的行为是点击查看，则可以在用户处于该场景时为用户进行内容推送；若预测出用户在处于某场景时对推送内容的做出的行为是关闭，则可以在用户处于该场景时不为用户进行内容推送。
本实施例中，通过综合考虑多个操作类型的执行概率，来确定是否为用户进行内容推送，可以避免单一操作类型的执行概率对判断的精度造成影响，提高内容推送的确定精度，提升用户的产品使用体验。
本实施例中，根据目标类型，确定是否在该场景为用户进行内容推送，包括：若目标类型为预设的第一类型，则确定在该场景下，为用户进行内容推送；其中，预设的第一类型表征用户对推送内容执行点击查看的操作；若目标类型为预设的第二类型，则确定在该场景下，不为用户进行内容推送；其中，预设的第二类型表征用户对推送内容执行关闭的操作。
具体的，预先设置第一类型或第二类型，第一类型可以表示用户可能对推送内容执行点击查看的操作，第二类型可以表示用户可能对推送内容执行关闭的操作。例如，第一类型可以对应点击操作或隐藏操作，第二类型可以对应关闭操作。若确定目标类型对应的操作为点击操作或隐藏操作，则可以确定目标类型为第一类型；若确定目标类型对应的操作为关闭操作，则可以确定目标类型为第二类型。
若对于某场景确定目标类型为第一类型，则确定用户在该场景下点击查看推送内容的可能性较高，可以为用户进行内容推送；若目标类型为第二类型，则确定用户在该场景下关闭推送内容的可能性较高，可以不为用户进行内容推送。
这样设置的有益效果在于，根据用户最有可能执行的操作，确定是否为用户进行推送，实现对不同用户进行个性化的服务，满足用户的实际需求，提升用户体验。
本公开实施例中，获取预设时间段内的用户数据，得到用户在不同场景下所执行的操作类型。根据用户数据，可以确定用户在不同场景下执行不同操作类型的执行概率，实现通过同样的用户数据，对多场景进行多操作类型的概率确定。根据在某种场景下所有操作类型的执行概率，确定是否在该场景为用户进行内容推送。不需要每次单独获取不同场景下不同操作类型的相关数据，解决了现有技术中，每次只能对单一的操作类型进行执行概率确定的问题。通过综合考虑多个执行概率，确定是否进行内容推送，提高内容推送的确定精度，提升用户体验。
图5为根据本公开实施例提供的一种执行概率确定模型的训练方法的流程示意图，该方法可以由一种执行概率确定模型的训练装置执行。如图5所示，该方法包括以下步骤：
S501、获取待训练集合；其中，待训练集合中包括待训练的行为数据、待训练的行为数据对应的场景、以及待训练的行为数据对应的场景下各操作类型的执行概率。
示例性地，预先构建一个执行概率确定模型的初始模型，执行概率确定模型可以是一个机器学习的神经网络模型，可以用于确定不同场景下，每种操作类型的执行概率。对初始模型进行训练，即可以得到执行概率确定模型。
在对初始模型进行训练时，需要预先获取用于训练的数据，将用于训练的数据，确定为待训练集合。待训练集合中可以包括待训练的行为数据、待训练的行为数据对应的场景、以及待训练的行为数据对应的场景下各操作类型的执行概率。可以对多个用户在历史时间内的行为数据进行采集，每个用户都可以对应有自己的行为数据，每个行为数据都可以对应有一种场景。
待训练的行为数据对应的场景下各操作类型的执行概率，可以是指在历史时间内，该场景下的各种操作类型的实际的执行概率。将待训练的行为数据对应的场景下各操作类型的执行概率以实际概率进行表示，可以将实际概率作为验证模型是否训练完成的依据，即，可以根据实际概率，判断是否得到执行概率确定模型。
S502、根据待训练集合对预设的初始执行概率确定模型进行训练，确定训练后的执行概率确定模型；其中，初始执行概率确定模型中包括至少两个待训练的子场景网络和至少两个待训练的子操作类型网络；一个子场景网络对应一个场景，一个子操作类型网络对应一个操作类型；子场景网络用于对场景对应的行为数据进行特征提取处理，子操作类型网络用于输出操作类型的执行概率。
示例性地，将待训练集合中的待训练的行为数据和待训练的行为数据对应的场景，输入到初始模型中。初始模型得到输出数据后，再根据实际概率判断初始模型是否训练完成，若没有完成，则进行自动迭代，再次进行训练；若完成，则得到训练后的执行概率确定模型。本实施例中，对于重复训练的过程，可以设置反向传播算法进行自动迭代，本实施例对预设的反向传播算法不做具体限定。
在得到执行概率确定模型后，可以采用执行概率确定模型执行上述实施例中的内容推送的确定方法的步骤S102。例如，可以在获取到预设时间段内的用户数据后，将用户数据输入到执行概率确定模型中，对于用户数据中的每一种场景，可以输出每一种操作类型的执行概率。
本实施例中，该方法还包括：获取预先配置的待训练的场景，确定待训练的子场景网络的数量N，N为正整数；根据预设的网络结构，生成N个待训练的子场景网络，并建立每个待训练的子场景网络与每种待训练的场景之间的关联关系。
具体的，初始模型中包括中多个待训练的子场景网络和多个待训练的子操作类型网络，子操作类型网络的数量可以与预设的操作类型的种类数相关，例如，预设用户能够进行的操作类型有三种，则子操作类型网络的数量为三个。
子场景网络的数量可以根据产品的实际业务需求进行确定，例如，子场景网络的数量可以是N，可以预先配置需要对哪些场景进行子场景网络的训练。将需要训练的子场景网络确定为待训练的子场景网络，将待训练的子场景网络对应的场景确定为待训练的场景。在进行模型训练前预先配置待训练的场景，获取预先配置的待训练的场景，例如，可以将待训练的场景存储在预设的配置文件中，读取配置文件中的场景。根据待训练的场景的数量确定待训练的子场景网络的数量，例如，配置文件中的场景包括两种场景维度，分别为时间维度和空白维度，时间维度为工作日和周末场景，空间维度为本地和异地场景，将不同维度的场景进行两两组合，可以确定待训练的场景有四个，分别为本地工作日、异地工作日、本地周末和异地周末。一个待训练的场景对应一个待训练的子场景网络。
预先构建待训练的子场景网络的网络结构，在确定待训练的子场景网络的数量后，根据预设的网络结构，构建这些数量的待训练的子场景网络。所构建的各个待训练的子场景网络的网络结构一致。建立待训练的子场景网络与待训练的场景之间的关联关系，即确定每个待训练的子场景网络对应的是哪个场景。
当需要改变待训练的子场景网络的数量或改变待训练的场景时，可以重新获取新配置的待训练的场景，更新待训练的子场景网络与待训练的场景之间的关联关系。
这样设置的有益效果在于，可以根据实际的业务需求，通过简单配置的方式将多场景的网络整合在同一个模型内进行训练，有效提高模型训练的灵活性，增加模型的泛化能力。避免对每一个场景都要单独训练一个模型，极大减少训练所需的资源和时间成本，提升了计算效率和研发效率。
本实施例中，根据待训练集合对预设的初始执行概率确定模型进行训练，确定训练后的执行概率确定模型，包括：基于每种场景分别对应的待训练的子场景网络，对每种场景分别对应的待训练的行为数据进行特征提取处理，得到相应的第一输出数据；其中，第一输出数据表征场景对应的待训练的行为数据；根据每种场景分别对应的第一输出数据和每种场景分别对应的待训练的行为数据，基于每一待训练的子操作类型网络，得到每一待训练的子操作类型网络的输出数据，并作为相应的第二输出数据；其中，第二输出数据表征预测的操作类型的执行概率；根据各待训练的子操作类型网络的第二输出数据和待训练的行为数据对应的场景下各操作类型的执行概率，对每一子场景网络和每一子操作类型网络进行训练，得到训练后的执行概率确定模型。
具体的，将待训练的行为数据作为输入数据，输入到初始模型中。可以将待训练的行为数据输入到每一个待训练的子场景网络中，各个子场景网络从待训练的行为数据中获取自身所对应的场景的行为数据。对自身所对应的场景的行为数据进行特征提取处理，将处理后的数据确定为第一输出数据。每个待训练的子场景网络都可以输出不同的第一输出数据。
将某场景的第一输出数据和该场景对应的待训练的行为数据进行拼接处理，得到待训练的操作数据。在进行拼接处理时，可以从场景对应的待训练的行为数据中获取位于预设位置处的局部数据，将局部数据和场景对应的第一输出数据进行拼接处理，得到待训练的操作数据。
将待训练的操作数据输入至每一待训练的子操作类型网络中。通过每一个待训练的子操作类型网络，对待训练的操作数据进行特征提取和计算等处理，得到输出数据，将待训练的子操作类型网络的输出数据确定为第二输出数据。每个待训练的子操作类型网络对应一个操作类型，待训练的子操作类型网络的第二输出数据表示预测的操作类型的执行概率。根据某场景下所有子操作类型网络的第二输出数据和所有操作类型的实际概率，对子场景网络和子操作类型网络进行迭代训练，得到训练后的执行概率确定模型。例如，可以判断每一个待训练的子操作类型网络的第二输出数据与对应的实际概率之间的差值是否均在预设的差值阈值内，若是，则确定训练完成，若否，则继续进行训练。
这样设置的有益效果在于，针对多个操作类型进行联合训练，共享了底层的输入信息，不会造成数据的冗余和浪费，帮助模型更好理解操作类型间的差别与联系，极大减少训练所需的资源和时间成本，提升了计算效率和研发效率。
本实施例中，根据各待训练的子操作类型网络的第二输出数据和待训练的行为数据对应的场景下各操作类型的执行概率，对每一子场景网络和每一子操作类型网络进行训练，得到训练后的执行概率确定模型，包括：根据各待训练的子操作类型网络的第二输出数据和待训练的行为数据对应的场景下各操作类型的执行概率，基于预设的损失函数，确定相应的损失值；若根据各损失值确定每一待训练的子场景网络和每一待训练的子操作类型网络训练完成，则得到训练后的执行概率确定模型。
具体的，在得到各个待训练的子操作类型网络的第二输出数据后，可以基于预设的损失函数，对各个第二输出数据和各个实际概率进行计算，将计算得到的结果确定为损失值。例如，可以对第二输出数据进行求平均值或加权的计算，得到第一计算结果；对实际概率也进行求平均值或加权的计算，得到第二计算结果。再基于预设的损失函数，计算第一计算结果和第二计算结果之间的损失值。
预先设置模型训练完成的条件，例如，可以预设损失值的阈值。若确定计算出来的损失值满足模型训练完成的条件，则得到训练后的执行概率确定模型；若确定计算出来的损失值不满足模型训练完成的条件，则基于预设的反向传播算法继续进行训练，直至损失值满足模型训练完成的条件。
这样设置的有益效果在于，通过结合所有的第二输出数据和所有的实际概率计算损失值，可以对模型整体的训练进度进行确定，实现多场景、多操作类型的整合训练，提高模型训练的效率和精度，实现对模型的尽快应用。
本公开实施例中，预先采集大量的待训练集合，对初始模型进行训练，得到执行概率确定模型。初始模型中包括中多个待训练的子场景网络和多个待训练的子操作类型网络，实现通过一个模型确定多场景、多操作类型的执行概率。减少模型的数量，节约模型训练的资源，有效提高模型训练的效率。
图6为本公开实施例提供的一种内容推送的确定装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。参照图6，内容推送的确定装置600包括：数据获取单元601、第一确定单元602和第二确定单元603。
数据获取单元601，用于获取在预设时间段内的用户数据；其中，所述用户数据包括用户的行为数据和行为数据对应的场景，所述行为数据表征用户对推送内容所执行的操作类型，所述用户数据中包括至少两种场景，每种所述场景分别对应的行为数据中包括至少两种操作类型；
第一确定单元602，用于根据所述用户数据，确定每种所述场景下各所述操作类型的执行概率；其中，所述执行概率表征用户执行操作类型的可能性；
第二确定单元603，用于根据每种所述场景下各所述操作类型的执行概率，确定是否在每种所述场景为所述用户进行内容推送。
图7为本公开实施例提供的一种内容推送的确定装置的结构框图。如图7所示，内容推送的确定装置700包括数据获取单元701、第一确定单元702和第二确定单元703，其中，第一确定单元702包括特征提取模块7021和概率确定模块7022。
特征提取模块7021，用于对所述用户数据中每种所述场景分别对应的行为数据进行特征提取处理，得到每种所述场景分别对应的行为特征；其中，所述行为特征表征所述场景对应的行为数据；
概率确定模块7022，用于根据每种所述场景分别对应的行为特征和每种所述场景分别对应的行为数据，确定每种所述场景下各所述操作类型的执行概率。
一个示例中，特征提取模块7021，包括：
数据确定子模块，用于从所述用户数据中确定每种所述场景分别对应的行为数据；
特征确定子模块，用于基于预设的子场景网络，对每种所述场景分别对应的行为数据进行特征提取处理，得到每种所述场景分别对应的行为特征；其中，所述预设的子场景网络为机器学习的神经网络。
一个示例中，数据确定子模块，具体用于：
针对多种所述场景中的任意一种所述场景，根据预设的该场景的场景标识，从所述用户数据中确定含有所述场景标识的行为数据，作为该场景对应的行为数据；其中，所述场景标识用于表征场景。
一个示例中，预先设置有多个子场景网络，一个子场景网络对应一种场景；所述特征确定子模块，具体用于：
针对多种所述场景中的任意一种所述场景，确定与该场景对应的子场景网络，为目标网络；
基于所述目标网络对该场景对应的行为数据进行特征提取处理，得到该场景对应的所述行为特征。
一个示例中，概率确定模块7022，包括：
数据拼接子模块，用于针对多种所述场景中的任意一种所述场景，将该场景对应的行为特征和该场景对应的行为数据进行拼接处理，得到操作数据；其中，所述操作数据表征该场景对应的行为特征和该场景对应的行为数据；
概率确定子模块，用于根据所述操作数据，确定该场景下各操作类型的执行概率。
一个示例中，数据拼接子模块，具体用于：
从该场景对应的行为数据中获取位于预设位置处的局部数据；
将所述局部数据和该场景对应的行为特征进行拼接处理，得到所述操作数据。
一个示例中，预先设置有多个子操作类型网络，一个子操作类型网络对应一个操作类型；所述概率确定子模块，具体用于：
将所述操作数据输入至每一子操作类型网络中，得到每一子操作类型网络输出的操作类型的执行概率；其中，所述子操作类型网络为机器学习的神经网络。
一个示例中，第二确定单元703，包括：
类型确定模块，用于针对多种所述场景中的任意一种所述场景，根据该场景下各所述操作类型的执行概率，从该场景下的所有操作类型中确定一种操作类型，为目标类型；
推送判断模块，用于根据所述目标类型，确定是否在该场景为所述用户进行内容推送。
一个示例中，推送判断模块，具体用于：
第一判断子模块，用于若所述目标类型为预设的第一类型，则确定在该场景下，为所述用户进行内容推送；其中，所述预设的第一类型表征用户对推送内容执行点击查看的操作；
第二判断子模块，用于若所述目标类型为预设的第二类型，则确定在该场景下，不为所述用户进行内容推送；其中，所述预设的第二类型表征用户对推送内容执行关闭的操作。
图8为本公开实施例提供的一种执行概率确定模型的训练装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。参照图8，执行概率确定模型的训练装置800包括：集合获取单元801和模型训练单元802。
集合获取单元801，用于获取待训练集合；其中，所述待训练集合中包括待训练的行为数据、待训练的行为数据对应的场景、以及待训练的行为数据对应的场景下各操作类型的执行概率；
模型训练单元802，用于根据所述待训练集合对预设的初始执行概率确定模型进行训练，确定训练后的执行概率确定模型；其中，所述初始执行概率确定模型中包括至少两个待训练的子场景网络和至少两个待训练的子操作类型网络；一个子场景网络对应一个场景，一个子操作类型网络对应一个操作类型；所述子场景网络用于对场景对应的行为数据进行特征提取处理，所述子操作类型网络用于输出操作类型的执行概率；
其中，所述执行概率确定模型用于得到内容推送的确定方法中的操作类型的执行概率。
一个示例中，还包括：
数量获取单元，用于获取预先配置的待训练的场景，确定待训练的子场景网络的数量N，N为正整数；
网络配置单元，用于根据预设的网络结构，生成N个待训练的子场景网络，并建立每个所述待训练的子场景网络与每种待训练的场景之间的关联关系。
一个示例中，模型训练单元，包括：
第一输出模块，用于基于每种所述场景分别对应的待训练的子场景网络，对每种所述场景分别对应的待训练的行为数据进行特征提取处理，得到相应的第一输出数据；其中，所述第一输出数据表征所述场景对应的待训练的行为数据；
第二输出模块，用于根据每种所述场景分别对应的第一输出数据和每种所述场景分别对应的待训练的行为数据，基于每一待训练的子操作类型网络，得到每一待训练的子操作类型网络的输出数据，并作为相应的第二输出数据；其中，所述第二输出数据表征预测的操作类型的执行概率；
模型训练模块，用于根据各待训练的子操作类型网络的第二输出数据和待训练的行为数据对应的场景下各操作类型的执行概率，对每一所述子场景网络和每一子操作类型网络进行训练，得到训练后的执行概率确定模型。
一个示例中，模型训练模块，具体用于：
根据各待训练的子操作类型网络的第二输出数据和待训练的行为数据对应的场景下各操作类型的执行概率，基于预设的损失函数，确定相应的损失值；
若根据各所述损失值确定每一所述待训练的子场景网络和每一待训练的子操作类型网络训练完成，则得到训练后的执行概率确定模型。
根据本公开的实施例，本公开还提供了一种电子设备。
图9为本公开实施例提供的一种电子设备的结构框图，如图9所示，电子设备900包括：至少一个处理器902；以及与所述至少一个处理器902通信连接的存储器901；其中，存储器存储有可被所述至少一个处理器902执行的指令，所述指令被所述至少一个处理器902执行，以使所述至少一个处理器902能够执行本公开的内容推送的确定方法和模型的训练方法。
电子设备900还包括接收器903和发送器904。接收器903用于接收其他设备发送的指令和数据，发送器904用于向外部设备发送指令和数据。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1010还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如内容推送的确定方法和模型的训练方法。例如，在一些实施例中，内容推送的确定方法和模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的内容推送的确定方法和模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行内容推送的确定方法和模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (31)

1.一种内容推送的确定方法，包括：
获取在预设时间段内的用户数据；其中，所述用户数据包括用户的行为数据和行为数据对应的场景，所述行为数据表征用户对推送内容所执行的操作类型，所述用户数据中包括至少两种场景，每种所述场景分别对应的行为数据中包括至少两种操作类型；
根据所述用户数据，确定每种所述场景下各所述操作类型的执行概率；其中，所述执行概率表征用户执行操作类型的可能性；
根据每种所述场景下各所述操作类型的执行概率，确定是否在每种所述场景为所述用户进行内容推送。
2.根据权利要求1所述的方法，其中，根据所述用户数据，确定每种所述场景下各所述操作类型的执行概率，包括：
对所述用户数据中每种所述场景分别对应的行为数据进行特征提取处理，得到每种所述场景分别对应的行为特征；其中，所述行为特征表征所述场景对应的行为数据；
根据每种所述场景分别对应的行为特征和每种所述场景分别对应的行为数据，确定每种所述场景下各所述操作类型的执行概率。
3.根据权利要求2所述的方法，其中，对所述用户数据中每种所述场景分别对应的行为数据进行特征提取处理，得到每种所述场景分别对应的行为特征，包括：
从所述用户数据中确定每种所述场景分别对应的行为数据；
基于预设的子场景网络，对每种所述场景分别对应的行为数据进行特征提取处理，得到每种所述场景分别对应的行为特征；其中，所述预设的子场景网络为机器学习的神经网络。
4.根据权利要求3所述的方法，其中，从所述用户数据中确定每种所述场景分别对应的行为数据，包括：
针对多种所述场景中的任意一种所述场景，根据预设的该场景的场景标识，从所述用户数据中确定含有所述场景标识的行为数据，作为该场景对应的行为数据；其中，所述场景标识用于表征场景。
5.根据权利要求3所述的方法，其中，预先设置有多个子场景网络，一个子场景网络对应一种场景；基于预设的子场景网络，对每种所述场景分别对应的行为数据进行特征提取处理，得到每种所述场景分别对应的行为特征，包括：
针对多种所述场景中的任意一种所述场景，确定与该场景对应的子场景网络，为目标网络；
基于所述目标网络对该场景对应的行为数据进行特征提取处理，得到该场景对应的所述行为特征。
6.根据权利要求2-5中任一项所述的方法，其中，根据每种所述场景分别对应的行为特征和每种所述场景分别对应的行为数据，确定每种所述场景下各所述操作类型的执行概率，包括：
针对多种所述场景中的任意一种所述场景，将该场景对应的行为特征和该场景对应的行为数据进行拼接处理，得到操作数据；其中，所述操作数据表征该场景对应的行为特征和该场景对应的行为数据；
根据所述操作数据，确定该场景下各所述操作类型的执行概率。
7.根据权利要求6所述的方法，其中，所述将该场景对应的行为特征和该场景对应的行为数据进行拼接处理，得到操作数据，包括：
从该场景对应的行为数据中获取位于预设位置处的局部数据；
将所述局部数据和该场景对应的行为特征进行拼接处理，得到所述操作数据。
8.根据权利要求6所述的方法，其中，预先设置有多个子操作类型网络，一个子操作类型网络对应一个操作类型；根据所述操作数据，确定该场景下各所述操作类型的执行概率，包括：
将所述操作数据输入至每一子操作类型网络中，得到每一子操作类型网络输出的操作类型的执行概率；其中，所述子操作类型网络为机器学习的神经网络。
9.根据权利要求1-8中任一项所述的方法，其中，根据每种所述场景下各所述操作类型的执行概率，确定是否在每种所述场景为所述用户进行内容推送，包括：
针对多种所述场景中的任意一种所述场景，根据该场景下各所述操作类型的执行概率，从该场景下的所有操作类型中确定一种操作类型，为目标类型；
根据所述目标类型，确定是否在该场景为所述用户进行内容推送。
10.根据权利要求9所述的方法，其中，根据所述目标类型，确定是否在该场景为所述用户进行内容推送，包括：
若所述目标类型为预设的第一类型，则确定在该场景下，为所述用户进行内容推送；其中，所述预设的第一类型表征用户对推送内容执行点击查看的操作；
若所述目标类型为预设的第二类型，则确定在该场景下，不为所述用户进行内容推送；其中，所述预设的第二类型表征用户对推送内容执行关闭的操作。
11.一种执行概率确定模型的训练方法，包括：
获取待训练集合；其中，所述待训练集合中包括待训练的行为数据、待训练的行为数据对应的场景、以及待训练的行为数据对应的场景下各操作类型的执行概率；
根据所述待训练集合对预设的初始执行概率确定模型进行训练，确定训练后的执行概率确定模型；其中，所述初始执行概率确定模型中包括至少两个待训练的子场景网络和至少两个待训练的子操作类型网络；一个子场景网络对应一个场景，一个子操作类型网络对应一个操作类型；所述子场景网络用于对所述场景对应的行为数据进行特征提取处理，所述子操作类型网络用于输出所述操作类型的执行概率；
其中，所述执行概率确定模型用于得到权利要求1-10中任一项所述的操作类型的执行概率。
12.根据权利要求11所述的方法，还包括：
获取预先配置的待训练的场景，确定待训练的子场景网络的数量N，N为正整数；
根据预设的网络结构，生成所述N个待训练的子场景网络，并建立每个所述待训练的子场景网络与每种待训练的场景之间的关联关系。
13.根据权利要求11或12所述的方法，其中，根据所述待训练集合对预设的初始执行概率确定模型进行训练，确定训练后的执行概率确定模型，包括：
基于每种所述场景分别对应的待训练的子场景网络，对每种所述场景分别对应的待训练的行为数据进行特征提取处理，得到相应的第一输出数据；其中，所述第一输出数据表征所述场景对应的待训练的行为数据；
根据每种所述场景分别对应的第一输出数据和每种所述场景分别对应的待训练的行为数据，基于每一待训练的子操作类型网络，得到每一待训练的子操作类型网络的输出数据，并作为相应的第二输出数据；其中，所述第二输出数据表征预测的操作类型的执行概率；
根据各待训练的子操作类型网络的第二输出数据和待训练的行为数据对应的场景下各操作类型的执行概率，对每一所述子场景网络和每一所述子操作类型网络进行训练，得到训练后的执行概率确定模型。
14.根据权利要求13所述的方法，其中，根据各待训练的子操作类型网络的第二输出数据和待训练的行为数据对应的场景下各操作类型的执行概率，对每一所述子场景网络和每一所述子操作类型网络进行训练，得到训练后的执行概率确定模型，包括：
根据各待训练的子操作类型网络的第二输出数据和待训练的行为数据对应的场景下各操作类型的执行概率，基于预设的损失函数，确定相应的损失值；
若根据各所述损失值确定每一所述待训练的子场景网络和每一所述待训练的子操作类型网络训练完成，则得到训练后的执行概率确定模型。
15.一种内容推送的确定装置，包括：
数据获取单元，用于获取在预设时间段内的用户数据；其中，所述用户数据包括用户的行为数据和行为数据对应的场景，所述行为数据表征用户对推送内容所执行的操作类型，所述用户数据中包括至少两种场景，每种所述场景分别对应的行为数据中包括至少两种操作类型；
第一确定单元，用于根据所述用户数据，确定每种所述场景下各所述操作类型的执行概率；其中，所述执行概率表征用户执行操作类型的可能性；
第二确定单元，用于根据每种所述场景下各所述操作类型的执行概率，确定是否在每种所述场景为所述用户进行内容推送。
16.根据权利要求15所述的装置，其中，所述第一确定单元，包括：
特征提取模块，用于对所述用户数据中每种所述场景分别对应的行为数据进行特征提取处理，得到每种所述场景分别对应的行为特征；其中，所述行为特征表征所述场景对应的行为数据；
概率确定模块，用于根据每种所述场景分别对应的行为特征和每种所述场景分别对应的行为数据，确定每种所述场景下各所述操作类型的执行概率。
17.根据权利要求16所述的装置，其中，所述特征提取模块，包括：
数据确定子模块，用于从所述用户数据中确定每种所述场景分别对应的行为数据；
特征确定子模块，用于基于预设的子场景网络，对每种所述场景分别对应的行为数据进行特征提取处理，得到每种所述场景分别对应的行为特征；其中，所述预设的子场景网络为机器学习的神经网络。
18.根据权利要求17所述的装置，其中，所述数据确定子模块，具体用于：
针对多种所述场景中的任意一种所述场景，根据预设的该场景的场景标识，从所述用户数据中确定含有所述场景标识的行为数据，作为该场景对应的行为数据；其中，所述场景标识用于表征场景。
19.根据权利要求17所述的装置，其中，预先设置有多个子场景网络，一个子场景网络对应一种场景；所述特征确定子模块，具体用于：
针对多种所述场景中的任意一种所述场景，确定与该场景对应的子场景网络，为目标网络；
基于所述目标网络对该场景对应的行为数据进行特征提取处理，得到该场景对应的所述行为特征。
20.根据权利要求16-19中任一项所述的装置，其中，所述概率确定模块，包括：
数据拼接子模块，用于针对多种所述场景中的任意一种所述场景，将该场景对应的行为特征和该场景对应的行为数据进行拼接处理，得到操作数据；其中，所述操作数据表征该场景对应的行为特征和该场景对应的行为数据；
概率确定子模块，用于根据所述操作数据，确定该场景下各所述操作类型的执行概率。
21.根据权利要求20所述的装置，其中，所述数据拼接子模块，具体用于：
从该场景对应的行为数据中获取位于预设位置处的局部数据；
将所述局部数据和该场景对应的行为特征进行拼接处理，得到所述操作数据。
22.根据权利要求20所述的装置，其中，预先设置有多个子操作类型网络，一个子操作类型网络对应一个操作类型；所述概率确定子模块，具体用于：
将所述操作数据输入至每一子操作类型网络中，得到每一子操作类型网络输出的操作类型的执行概率；其中，所述子操作类型网络为机器学习的神经网络。
23.根据权利要求15-22中任一项所述的装置，其中，所述第二确定单元，包括：
类型确定模块，用于针对多种所述场景中的任意一种所述场景，根据该场景下各所述操作类型的执行概率，从该场景下的所有操作类型中确定一种操作类型，为目标类型；
推送判断模块，用于根据所述目标类型，确定是否在该场景为所述用户进行内容推送。
24.根据权利要求23所述的装置，其中，所述推送判断模块，具体用于：
第一判断子模块，用于若所述目标类型为预设的第一类型，则确定在该场景下，为所述用户进行内容推送；其中，所述预设的第一类型表征用户对推送内容执行点击查看的操作；
第二判断子模块，用于若所述目标类型为预设的第二类型，则确定在该场景下，不为所述用户进行内容推送；其中，所述预设的第二类型表征用户对推送内容执行关闭的操作。
25.一种执行概率确定模型的训练装置，包括：
集合获取单元，用于获取待训练集合；其中，所述待训练集合中包括待训练的行为数据、待训练的行为数据对应的场景、以及待训练的行为数据对应的场景下各操作类型的执行概率；
模型训练单元，用于根据所述待训练集合对预设的初始执行概率确定模型进行训练，确定训练后的执行概率确定模型；其中，所述初始执行概率确定模型中包括至少两个待训练的子场景网络和至少两个待训练的子操作类型网络；一个子场景网络对应一个场景，一个子操作类型网络对应一个操作类型；所述子场景网络用于对所述场景对应的行为数据进行特征提取处理，所述子操作类型网络用于输出所述操作类型的执行概率；
其中，所述执行概率确定模型用于得到权利要求15-24中任一项所述的操作类型的执行概率。
26.根据权利要求25所述的装置，还包括：
数量获取单元，用于获取预先配置的待训练的场景，确定待训练的子场景网络的数量N，N为正整数；
网络配置单元，用于根据预设的网络结构，生成所述N个待训练的子场景网络，并建立每个所述待训练的子场景网络与每种待训练的场景之间的关联关系。
27.根据权利要求25或26所述的装置，其中，所述模型训练单元，包括：
第一输出模块，用于基于每种所述场景分别对应的待训练的子场景网络，对每种所述场景分别对应的待训练的行为数据进行特征提取处理，得到相应的第一输出数据；其中，所述第一输出数据表征所述场景对应的待训练的行为数据；
第二输出模块，用于根据每种所述场景分别对应的第一输出数据和每种所述场景分别对应的待训练的行为数据，基于每一待训练的子操作类型网络，得到每一待训练的子操作类型网络的输出数据，并作为相应的第二输出数据；其中，所述第二输出数据表征预测的操作类型的执行概率；
模型训练模块，用于根据各待训练的子操作类型网络的第二输出数据和待训练的行为数据对应的场景下各操作类型的执行概率，对每一所述子场景网络和每一所述子操作类型网络进行训练，得到训练后的执行概率确定模型。
28.根据权利要求27所述的装置，其中，所述模型训练模块，具体用于：
根据各待训练的子操作类型网络的第二输出数据和待训练的行为数据对应的场景下各操作类型的执行概率，基于预设的损失函数，确定相应的损失值；
若根据各所述损失值确定每一所述待训练的子场景网络和每一所述待训练的子操作类型网络训练完成，则得到训练后的执行概率确定模型。
29.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-14中任一项所述的方法。
30.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-14中任一项所述的方法。
31.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-14中任一项所述方法的步骤。
CN202311685436.4A 2023-12-08 2023-12-08 内容推送的确定方法、模型的训练方法、装置及电子设备 Pending CN117688470A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311685436.4A CN117688470A (zh) 2023-12-08 2023-12-08 内容推送的确定方法、模型的训练方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311685436.4A CN117688470A (zh) 2023-12-08 2023-12-08 内容推送的确定方法、模型的训练方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN117688470A true CN117688470A (zh) 2024-03-12

Family

ID=90133038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311685436.4A Pending CN117688470A (zh) 2023-12-08 2023-12-08 内容推送的确定方法、模型的训练方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN117688470A (zh)

Similar Documents

Publication Publication Date Title
US20200356572A1 (en) Search ranking method and apparatus, electronic device and storage medium
CN114792355B (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN112528160B (zh) 智能推荐、模型训练方法、装置、电子设备及存储介质
CN113627536A (zh) 模型训练、视频分类方法，装置，设备以及存储介质
CN107291835B (zh) 一种搜索词的推荐方法和装置
CN114065864A (zh) 联邦学习方法、联邦学习装置、电子设备以及存储介质
CN113205189B (zh) 训练预测模型的方法、预测方法及装置
CN113360693A (zh) 确定图像标签的方法及其装置、电子设备以及存储介质
CN114860411B (zh) 多任务学习方法、装置、电子设备和存储介质
CN113190746A (zh) 推荐模型的评估方法、装置及电子设备
CN117093627A (zh) 信息挖掘的方法、装置、电子设备和存储介质
CN116351064A (zh) 一种阵容推荐方法及装置
CN115168732A (zh) 资源推荐方法、装置、设备以及存储介质
CN112887426B (zh) 信息流的推送方法、装置、电子设备以及存储介质
CN117688470A (zh) 内容推送的确定方法、模型的训练方法、装置及电子设备
CN113656689B (zh) 模型生成方法和网络信息的推送方法
CN114723239A (zh) 一种多方协同建模方法、装置、设备、介质及程序产品
CN114547417B (zh) 一种媒体资源排序方法及电子设备
CN117633360A (zh) 基于多场景的内容推荐方法、装置、电子设备及存储介质
CN112579874B (zh) 一种关键词的指数确定方法、装置、设备及存储介质
CN114205639B (zh) 视频的处理方法、装置、电子设备及存储介质
CN118312663A (zh) 一种物品信息确定方法、装置、电子设备及存储介质
CN117390276A (zh) 内容推荐方法、装置、设备、计算机可读存储介质及产品
CN118673212A (zh) 代码推荐方法、装置、电子设备及存储介质
CN114036392A (zh) 页面处理方法、训练方法、装置、电子设备以及存储介质

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