CN117764672A - 信息生成方法、装置、设备、计算机可读介质和程序产品 - Google Patents

Abstract

本公开的实施例公开了信息生成方法、装置、设备、计算机可读介质和程序产品。该方法的一具体实施方式包括：获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据；将该目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息；生成针对该目标品类物品保养周期数据的保养周期编码信息；根据该订单时间特征编码信息和该保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息。该实施方式与人工智能有关，通过针对多样化输入特征的注意力分配，可以后续生成更为精准地价值复转移信息。

Description

信息生成方法、装置、设备、计算机可读介质和程序产品

技术领域

本公开的实施例涉及计算机技术领域，具体涉及信息生成方法、装置、设备、计算机可读介质和程序产品。

背景技术

目前，预测未来时间段的目标类目物品的价值复转移存在着重要的意义。例如，为相关业务选定机会人群，继而针对这些人群进行重点运营，提高复转移概率，增加用户粘性。除此之外，还可以便于为机会人群中的用户提供便捷的业务活动，提高用户体验。

对于价值复转移信息的生成，通常采用的方式为：首先，针对用户对应类目物品的订单序列，计算每两个相邻订单之间的下单时间差，构成用户购买时间差间隔数组。然后，确定该数组内所有时间差的均值和方差，筛选出预测区间位于均值±方差内的时间差值。计算均值作为用户复转移信息。

然而，发明人发现，当采用上述方式来生成价值复转移信息，经常会存在如下技术问题：

受限于物品的类目，仅适合快消类物品。除此之外，仅考虑时间变量对用户复转移信息的影响，导致所得到的用户复转移信息不够精准。

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。

第一方面，本公开的一些实施例提供了一种信息生成方法，包括：获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据；将上述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息；生成针对上述目标品类物品保养周期数据的保养周期编码信息；根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息。

可选地，上述基于时间特征多样提取的时序特征编码模型是基于时间序列的长短期记忆网络模型；以及上述将上述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息，包括：将上述目标品类订单信息序列输入至上述基于时间序列的长短期记忆网络模型，以生成订单时间特征编码信息。

可选地，上述根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息，包括：获取剩余特征信息集和用户搜索词序列；生成针对上述剩余特征信息集的剩余特征编码信息；生成针对上述用户搜索词序列的搜索词特征编码信息；将上述剩余特征编码信息、上述订单时间特征编码信息、上述保养周期编码信息和上述搜索词特征编码信息进行信息融合，以生成融合特征信息；将上述融合特征信息输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息。

可选地，上述剩余特征信息集包括：用户历史画像数据、订单物品属性数据集和用户其余行为数据；以及上述生成针对上述剩余特征信息集的剩余特征编码信息，包括：对上述用户历史画像数据、上述订单物品属性数据集和上述用户其余行为数据进行数据预处理，以生成第一预处理数据、第二预处理数据和第三预处理数据；从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出离散特征信息，得到离散特征数据；从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出文本特征信息，得到文本特征数据；从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出连续特征信息，得到连续特征数据；对上述离散特征数据进行离散特征编码处理，以生成离散编码特征信息；对上述文本特征数据进行文本特征编码处理，以生成文本编码特征信息；对上述连续特征数据进行连续特征编码处理，以生成连续编码特征信息；将上述离散编码特征信息、上述文本编码特征信息和上述连续编码特征信息确定为上述剩余特征编码信息。

可选地，上述基于多头注意力机制的价值复转移信息生成模型包括：多头注意力机制层、多层串行连接的全连接层和输出层；以及上述将上述融合特征信息输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息，包括：将上述融合特征信息输入至上述多头注意力机制层，以生成注意力结果；将上述注意力结果输入至上述多层串行连接的全连接层，以生成全连接结果；将上述全连接结果输入至上述输出层，以输出价值复转移信息。

可选地，上述根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息，包括：将上述订单时间特征编码信息和上述保养周期编码信息输入至编码信息融合模型，以生成编码融合信息；将上述编码融合信息输入至多样化类型特征信息提取模型，以生成针对多样化类型的特征信息集，其中，上述特征信息集中的特征信息存在对应的特征类型；将上述特征信息集输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息。

第二方面，本公开的一些实施例提供了一种信息生成装置，包括：获取单元，被配置成获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据；输入单元，被配置成将上述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息；第一生成单元，被配置成生成针对上述目标品类物品保养周期数据的保养周期编码信息；第二生成单元，被配置成根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息。

可选地，上述基于时间特征多样提取的时序特征编码模型是基于时间序列的长短期记忆网络模型；以及输入单元可以被配置成：将上述目标品类订单信息序列输入至上述基于时间序列的长短期记忆网络模型，以生成订单时间特征编码信息。

可选地，第二生成单元可以被配置成：获取剩余特征信息集和用户搜索词序列；生成针对上述剩余特征信息集的剩余特征编码信息；生成针对上述用户搜索词序列的搜索词特征编码信息；将上述剩余特征编码信息、上述订单时间特征编码信息、上述保养周期编码信息和上述搜索词特征编码信息进行信息融合，以生成融合特征信息；将上述融合特征信息输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息。

可选地，上述剩余特征信息集包括：用户历史画像数据、订单物品属性数据集和用户其余行为数据；以及第二生成单元可以被配置成：对上述用户历史画像数据、上述订单物品属性数据集和上述用户其余行为数据进行数据预处理，以生成第一预处理数据、第二预处理数据和第三预处理数据；从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出离散特征信息，得到离散特征数据；从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出文本特征信息，得到文本特征数据；从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出连续特征信息，得到连续特征数据；对上述离散特征数据进行离散特征编码处理，以生成离散编码特征信息；对上述文本特征数据进行文本特征编码处理，以生成文本编码特征信息；对上述连续特征数据进行连续特征编码处理，以生成连续编码特征信息；将上述离散编码特征信息、上述文本编码特征信息和上述连续编码特征信息确定为上述剩余特征编码信息。

可选地，上述基于多头注意力机制的价值复转移信息生成模型包括：多头注意力机制层、多层串行连接的全连接层和输出层；以及第二生成单元可以被配置成：将上述融合特征信息输入至上述多头注意力机制层，以生成注意力结果；将上述注意力结果输入至上述多层串行连接的全连接层，以生成全连接结果；将上述全连接结果输入至上述输出层，以输出价值复转移信息。

可选地，第二生成单元可以被配置成：将上述订单时间特征编码信息和上述保养周期编码信息输入至编码信息融合模型，以生成编码融合信息；将上述编码融合信息输入至多样化类型特征信息提取模型，以生成针对多样化类型的特征信息集，其中，上述特征信息集中的特征信息存在对应的特征类型；将上述特征信息集输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息。

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如第一方面中任一实现方式描述的方法。

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如第一方面中任一实现方式描述的方法。

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中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：通过本公开的一些实施例的信息生成方法，通过针对多样化输入特征的注意力分配，可以后续生成更为精准地价值复转移信息。具体来说，造成相关的价值复转移信息不够精确的原因在于：受限于物品的类目，仅适合快消类物品。除此之外，仅考虑时间变量对用户复转移信息的影响，导致所得到的用户复转移信息不够精准。基于此，本公开的一些实施例的信息生成方法，首先，获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据。在这里，通过考虑目标品类订单信息序列对应的订单特征语义内容和目标品类物品保养周期数据相关的数据语义内容，可以丰富针对目标品类物品的特征信息，使得可以掌握更多关于目标用户和目标品类的相关信息，使得后续价值复转移信息更为精准。然后，将上述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息。在这里，通过基于时间特征多样提取的时序特征编码模型，可以通过将经过的时间合并到系统中来捕获长期和短期依赖关系，并学习用于重建输入序列的单一表示，以将历史订单的顺序记录映射为一个强大的表示信息，可以实现订单时间特征信息的充分表征。接着，生成针对上述目标品类物品保养周期数据的保养周期编码信息，以用于后续生成价值复转移信息。最后，根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，可以精准地生成未来目标时间段对应的价值复转移信息。综上，在以目标品类订单信息序列和目标品类物品保养周期数据为基础的丰富特征数据的前提下，通过基于时间特征多样提取的时序特征编码模型和基于多头注意力机制的价值复转移信息生成模型，来精准地未来目标时间段对应的价值复转移信息。

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是根据本公开的一些实施例的信息生成方法的一个应用场景的示意图；

图2是根据本公开的信息生成方法的一些实施例的流程图；

图3是根据本公开的信息生成方法的一些实施例中的基于多头注意力机制的价值复转移信息生成模型的网络结构图；

图4是根据本公开的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(例如用户画像、用户历史行为)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。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开一些实施例的信息生成方法的一个应用场景的示意图。

在图1的应用场景中，首先，电子设备101可以获取目标用户对应的目标品类订单信息序列102和目标品类物品保养周期数据103。在本应用场景中，目标品类订单信息序列102可以是汽车用品类订单信息序列102。目标品类物品保养周期数据103可以是“平台绑定车型数目：1，绑定车型售价：12，上牌日距今天数：1345，行驶里程数：14521”。然后，电子设备101可以将上述目标品类订单信息序列102输入至基于时间特征多样提取的时序特征编码模型104，以生成订单时间特征编码信息105。接着，电子设备101可以生成针对上述目标品类物品保养周期数据103的保养周期编码信息106。最后，电子设备101可以根据上述订单时间特征编码信息105和上述保养周期编码信息106，利用基于多头注意力机制的价值复转移信息生成模型107，生成未来目标时间段对应的价值复转移信息108。在本应用场景中，价值复转移信息108可以是“复购概率：98％”。

需要说明的是，上述电子设备101可以是硬件，也可以是软件。当电子设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当电子设备体现为软件时，可以安装在上述所列举的硬件设备中。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。

应该理解，图1中的电子设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的电子设备。

继续参考图2，示出了根据本公开的信息生成方法的一些实施例的流程200。该信息生成方法，包括以下步骤：

步骤201，获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据。

在一些实施例中，上述信息生成方法的执行主体(例如图1所示的电子设备101)可以通过有线连接方式或者无线连接方式来获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据。其中，目标用户可以是待预测价值复转移信息的用户。实践中，在电商场景中，价值复转移信息可以是复购信息。实践中，价值复转移信息可以是数值信息。价值复转移信息越大，表征目标用户对目标品类物品进行复购操作的概率越大。目标品类订单信息序列可以是目标品类下目标用户对应的订单信息序列。目标品类可以是预先确定的品类。实践中，目标品类可以是汽车用品品类。订单信息序列可以是针对历史时间段的信息序列。例如，历史时间段可以是近两年。实践中，订单信息可以是与目标品类物品相关联订单的订单信息。例如，订单信息可以是汽车用品类订单的订单信息。需要说明的是，目标品类订单信息序列可以是预先处理后的信息序列。实践中，针对初始目标品类订单信息序列，可以将每3天的、针对目标品类的订单信息进行合并，以生成目标品类订单信息序列。强调的，目标品类订单信息序列包括：目标品类订单时间信息序列。即，目标品类订单时间信息可以是目标品类下物品的下单时间信息。初始目标品类订单信息序列可以是未经处理的、针对目标品类所获取的订单信息序列。目标品类物品保养周期数据可以是目标品类下的物品保养周期数据。实践中，目标品类物品保养周期数据可以是汽车用品品类的物品保养周期数据。物品保养周期数据可以是物品保养相关的周期数据。实践中，目标品类物品保养周期数据可以包括但不限于以下至少一项：用户在平台绑定的车型数量，用户在平台绑定的车型售价，目标类目涉及保养项目的原厂保养里程间隔，原厂保养月份间隔，用户输入行驶里程数，用户输入上牌日距今天数，原厂保养建议量。

步骤202，将上述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息。

在一些实施例中，上述执行主体可以将上述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息。其中，订单时间特征编码信息可以表征目标品类订单信息序列的订单时间特征信息。基于时间特征多样提取的时序特征编码模型可以是提取长期记忆时间特征和短期记忆时间特征的时序特征编码模型。实践中，时序特征编码模型可以是循环神经网络(Recurrent Neural Network,RNN)模型。其中，基于时间特征多样提取的时序特征编码模型可以根据输入之间的时间间隔调整短期记忆的影响，时间间隔越长，短期记忆的影响越小，接着将调整后的短期记忆与长期记忆重组为新的记忆状态。

步骤203，生成针对上述目标品类物品保养周期数据的保养周期编码信息。

在一些实施例中，上述执行主体可以生成针对上述目标品类物品保养周期数据的保养周期编码信息。其中，保养周期编码信息可以表征目标品类物品保养周期数据的特征内容。

作为示例，首先，上述执行主体可以对目标品类物品保养周期数据进行数据预处理，以生成预处理后保养周期数据。然后，从上述预处理后保养周期数据中筛选出离散特征信息、文本特征信息和连续特征信息，得到离散保养周期数据、文本保养周期数据和连续保养周期数据。最后，将离散保养周期数据、文本保养周期数据和连续保养周期数据进行数据组合，以生成保养周期编码信息。

步骤204，根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息。

在一些实施例中，上述执行主体可以根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息。其中基于多头注意力机制的价值复转移信息生成模型可以是基于多头注意力机制来生成价值复转移信息的神经网络模型。实践中，针对电商场景，价值复转移信息可以是目标品类物品复购的概率信息。即，价值复转移信息可以是0-1之间的数值。数值越大，表征目标用户在未来目标时间段进行复购的概率越大。多头注意力机制可以是Self Attention机制。基于多头注意力机制的价值复转移信息生成模型可以是采用multi-head self attention结构的神经网络模型。

作为示例，首先，上述执行主体可以将订单时间特征编码信息和保养周期编码信息进行信息融合，以生成融合编码信息。然后，将上述融合编码信息输入至基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息。

在一些实施例的一些可选的实现方式中，上述根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息，可以包括以下步骤：

第一步，获取剩余特征信息集和用户搜索词序列。其中，剩余特征信息集中的特征信息可以是除目标品类订单信息序列和目标品类物品保养周期数据外其余的特征信息。实践中，剩余特征信息可以包括但不限于以下至少一项：用户年龄信息，用户偏好信息，用户地址信息。用户搜索词序列中的用户搜索词可以是用户在历史时间段内的搜索词序列。实践中，历史时间段可以是近7天内。

第二步，生成针对上述剩余特征信息集的剩余特征编码信息。其中，剩余特征编码信息可以表征剩余特征信息集对应整体特征信息的特征语义。

作为示例，上述执行主体可以将剩余特征信息集中的每个剩余特征信息输入至信息编码神经网络，以生成初始剩余特征编码信息，得到初始剩余特征编码信息集。其中，信息编码神经网络模型可以是Bert预训练模型。然后，将初始剩余特征编码信息集中的各个初始剩余特征编码信息进行信息融合，以得到剩余特征编码信息。

第三步，生成针对上述用户搜索词序列的搜索词特征编码信息。其中，搜索词特征编码信息可以表征用户搜索词序列对应整体特征信息的特征语义。实践中，搜索词特征编码信息可以是向量形式的信息。

作为示例，首先，上述执行主体可以利用TF-IDF算法，对用户搜索词序列进行关键词挖掘，得到关键词序列。然后，通过词嵌入方法，生成关键词序列对应的搜索词特征编码信息。

第四步，将上述剩余特征编码信息、上述订单时间特征编码信息、上述保养周期编码信息和上述搜索词特征编码信息进行信息融合，以生成融合特征信息。

作为示例，上述执行主体可以将上述剩余特征编码信息、上述订单时间特征编码信息、上述保养周期编码信息和上述搜索词特征编码信息进行信息拼接，得到拼接信息，作为融合特征信息。

第五步，将上述融合特征信息输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息。

在一些实施例的一些可选的实现方式中，上述剩余特征信息集包括：用户历史画像数据、订单物品属性数据集和用户其余行为数据。用户历史画像数据可以包括但不限于以下至少一项：用户平台等级、活跃度，用户注册城市，用户购买力，用户忠诚度，用户生命周期，促销敏感度、用户品类偏好，用户品牌偏好。订单物品属性数据集可以包括但不限于以下至少一项：目标类目下的当前上柜状态商品总量，目标类目下符合专车专用的当前上柜状态商品总量，近N日目标子类目内下单商品数量，近N日目标子类目内下单商品中符合专车专用的商品数量、近N日目标子类目内下单商品计量单位数总和(包含容量、条数、支数等)。用户其余行为数据可以包括但不限于以下至少一项：近期(7日)登录平台次数，近期(7日)浏览商品数，近期(7日)目标类目浏览商品数，近期(7日)加购商品数，近期(7日)目标类目加购商品数，近期(7日)目标子类目内下单商品数，下单次数，下单金额等。

可选地，上述生成针对上述剩余特征信息集的剩余特征编码信息，可以包括以下步骤：

第一步，对上述用户历史画像数据、上述订单物品属性数据集和上述用户其余行为数据进行数据预处理，以生成第一预处理数据、第二预处理数据和第三预处理数据。其中，数据预处理可以包括但不限于以下至少一项：缺失数据填充，错误数据填充。

第二步，从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出离散特征信息，得到离散特征数据。

第三步，从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出文本特征信息，得到文本特征数据。

第四步，从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出连续特征信息，得到连续特征数据。

第五步，对上述离散特征数据进行离散特征编码处理，以生成离散编码特征信息。

第六步，对上述文本特征数据进行文本特征编码处理，以生成文本编码特征信息。

第七步，对上述连续特征数据进行连续特征编码处理，以生成连续编码特征信息。

第八步，将上述离散编码特征信息、上述文本编码特征信息和上述连续编码特征信息确定为上述剩余特征编码信息。

可选地，上述基于多头注意力机制的价值复转移信息生成模型包括：多头注意力机制层(Attention层)、多层串行连接的全连接层和输出层。输出层可以是sigmoid激活函数层。

可选地，上述将上述融合特征信息输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息，可以包括以下步骤：

第一步，将上述融合特征信息输入至上述多头注意力机制层，以生成注意力结果。

第二步，将上述注意力结果输入至上述多层串行连接的全连接层，以生成全连接结果；

第三步，将上述全连接结果输入至上述输出层，以输出价值复转移信息。

参见图3，示出了基于多头注意力机制的价值复转移信息生成模型的网络结构图。基于多头注意力机制的价值复转移信息生成模型300可以包括：多头注意力机制层301、全连接层F1 302、全连接层F2 303、全连接层F3 304和sigmoid层。

在一些实施例的一些可选的实现方式中，上述根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息，可以包括以下步骤：

第一步，将上述订单时间特征编码信息和上述保养周期编码信息输入至编码信息融合模型，以生成编码融合信息。

其中，编码信息融合模型可以是将订单时间特征编码信息对应的编码内容和保养周期编码信息对应的编码内容进行内容融合的神经网络模型。实践中，编码信息融合模型可以是多层串联的卷积神经网络模型。

第二步，将上述编码融合信息输入至多样化类型特征信息提取模型，以生成针对多样化类型的特征信息集。其中，上述特征信息集中的特征信息存在对应的特征类型。多样化类型特征信息提取模型可以是针对多样化类型中的每种类型来输出对应特征信息的神经网络模型。多样化类型特征信息提取模型可以是多个并行连接的残差神经网络模型。多样化类型中的每种类型存在唯一对应的特征信息。

第三步，将上述特征信息集输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的信息生成方法，通过针对多样化输入特征的注意力分配，可以后续生成更为精准地价值复转移信息。具体来说，造成相关的价值复转移信息不够精确的原因在于：受限于物品的类目，仅适合快消类物品。除此之外，仅考虑时间变量对用户复转移信息的影响，导致所得到的用户复转移信息不够精准。基于此，本公开的一些实施例的信息生成方法，首先，获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据。在这里，通过考虑目标品类订单信息序列对应的订单特征语义内容和目标品类物品保养周期数据相关的数据语义内容，可以丰富针对目标品类物品的特征信息，使得可以掌握更多关于目标用户和目标品类的相关信息，使得后续价值复转移信息更为精准。然后，将上述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息。在这里，通过基于时间特征多样提取的时序特征编码模型，可以通过将经过的时间合并到系统中来捕获长期和短期依赖关系，并学习用于重建输入序列的单一表示，以将历史订单的顺序记录映射为一个强大的表示信息，可以实现订单时间特征信息的充分表征。接着，生成针对上述目标品类物品保养周期数据的保养周期编码信息，以用于后续生成价值复转移信息。最后，根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，可以精准地生成未来目标时间段对应的价值复转移信息。综上，在以目标品类订单信息序列和目标品类物品保养周期数据为基础的丰富特征数据的前提下，通过基于时间特征多样提取的时序特征编码模型和基于多头注意力机制的价值复转移信息生成模型，来精准地未来目标时间段对应的价值复转移信息。

进一步参考图4，示出了根据本公开的信息生成方法的另一些实施例的流程400。该信息生成方法，包括以下步骤：

步骤401，获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据。

步骤402，将上述目标品类订单信息序列输入至上述基于时间序列的长短期记忆网络模型，以生成订单时间特征编码信息。

在一些实施例中，执行主体(例如图1所示的电子设备101)可以将上述目标品类订单信息序列输入至上述基于时间序列的长短期记忆网络模型，以生成订单时间特征编码信息。其中，基于时间序列的长短期记忆网络模型可以是基于时间序列的长短期记忆网络模型(Time-LSTM结构编码器)。Time-LSTM编码器可以将历史订单的顺序记录映射为一个强大的表示，在存在时间不规律的情况下捕获元素之间的依赖性。T-LSTM自动编码器可以通过将经过的时间合并到系统中来捕获长期和短期依赖关系，并学习用于重建输入序列的单一表示。因此，T-LSTM自编码器学习到的映射保持了原序列随时间推移的时间动态。

步骤403，生成针对上述目标品类物品保养周期数据的保养周期编码信息。

步骤404，根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息。

在一些实施例中，步骤401、402-403的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤201、202-203，在此不再赘述。

从图4中可以看出，与图2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信息生成方法的流程400，通过基于时间序列的长短期记忆网络模型，可以捕获元素之间的依赖性(即长期依赖和短期依赖)，以精准地生成订单时间特征编码信息。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种信息生成装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该信息生成装置具体可以应用于各种电子设备中。

如图5所示，一种信息生成装置500包括：获取单元501、输入单元502、第一生成单元503和第二生成单元504。其中，获取单元501，被配置成获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据；输入单元502，被配置成将上述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息；第一生成单元503，被配置成生成针对上述目标品类物品保养周期数据的保养周期编码信息；第二生成单元504，被配置成根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息。

在一些实施例的一些可选的实现方式中，上述基于时间特征多样提取的时序特征编码模型是基于时间序列的长短期记忆网络模型；以及输入单元502可以进一步被配置成：将上述目标品类订单信息序列输入至上述基于时间序列的长短期记忆网络模型，以生成订单时间特征编码信息。

在一些实施例的一些可选的实现方式中，第二生成单元504可以进一步被配置成：获取剩余特征信息集和用户搜索词序列；生成针对上述剩余特征信息集的剩余特征编码信息；生成针对上述用户搜索词序列的搜索词特征编码信息；将上述剩余特征编码信息、上述订单时间特征编码信息、上述保养周期编码信息和上述搜索词特征编码信息进行信息融合，以生成融合特征信息；将上述融合特征信息输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息。

在一些实施例的一些可选的实现方式中，上述剩余特征信息集包括：用户历史画像数据、订单物品属性数据集和用户其余行为数据；以及第二生成单元504可以进一步被配置成：对上述用户历史画像数据、上述订单物品属性数据集和上述用户其余行为数据进行数据预处理，以生成第一预处理数据、第二预处理数据和第三预处理数据；从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出离散特征信息，得到离散特征数据；从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出文本特征信息，得到文本特征数据；从上述第一预处理数据、上述第二预处理数据和上述第三预处理数据中筛选出连续特征信息，得到连续特征数据；对上述离散特征数据进行离散特征编码处理，以生成离散编码特征信息；对上述文本特征数据进行文本特征编码处理，以生成文本编码特征信息；对上述连续特征数据进行连续特征编码处理，以生成连续编码特征信息；将上述离散编码特征信息、上述文本编码特征信息和上述连续编码特征信息确定为上述剩余特征编码信息。

在一些实施例的一些可选的实现方式中，上述基于多头注意力机制的价值复转移信息生成模型包括：多头注意力机制层、多层串行连接的全连接层和输出层；以及第二生成单元504可以进一步被配置成：将上述融合特征信息输入至上述多头注意力机制层，以生成注意力结果；将上述注意力结果输入至上述多层串行连接的全连接层，以生成全连接结果；将上述全连接结果输入至上述输出层，以输出价值复转移信息。

在一些实施例的一些可选的实现方式中，第二生成单元504可以进一步被配置成：将上述订单时间特征编码信息和上述保养周期编码信息输入至编码信息融合模型，以生成编码融合信息；将上述编码融合信息输入至多样化类型特征信息提取模型，以生成针对多样化类型的特征信息集，其中，上述特征信息集中的特征信息存在对应的特征类型；将上述特征信息集输入至上述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息。

可以理解的是，该信息生成装置500中记载的诸单元与参考图2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信息生成装置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(例如图1中的电子设备101)600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(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器602中的程序或者从存储装置608加载到随机访问存储器603中的程序而执行各种适当的动作和处理。在随机访问存储器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、只读存储器602以及随机访问存储器603通过总线604彼此相连。输入/输出接口605也连接至总线604。

通常，以下装置可以连接至输入/输出接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图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，或者从只读存储器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上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，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：获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据；将上述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息；生成针对上述目标品类物品保养周期数据的保养周期编码信息；根据上述订单时间特征编码信息和上述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息。

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，上述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：一种处理器包括获取单元、输入单元、第一生成单元和第二生成单元。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，获取单元还可以被描述为“获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据的单元”。

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)

1.一种信息生成方法，包括：

获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据；

将所述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息；

生成针对所述目标品类物品保养周期数据的保养周期编码信息；

根据所述订单时间特征编码信息和所述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息。

2.根据权利要求1所述的方法，其中，所述基于时间特征多样提取的时序特征编码模型是基于时间序列的长短期记忆网络模型；以及

所述将所述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息，包括：

将所述目标品类订单信息序列输入至所述基于时间序列的长短期记忆网络模型，以生成订单时间特征编码信息。

3.根据权利要求1所述的方法，其中，所述根据所述订单时间特征编码信息和所述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息，包括：

获取剩余特征信息集和用户搜索词序列；

生成针对所述剩余特征信息集的剩余特征编码信息；

生成针对所述用户搜索词序列的搜索词特征编码信息；

将所述剩余特征编码信息、所述订单时间特征编码信息、所述保养周期编码信息和所述搜索词特征编码信息进行信息融合，以生成融合特征信息；

将所述融合特征信息输入至所述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息。

4.根据权利要求3所述的方法，其中，所述剩余特征信息集包括：用户历史画像数据、订单物品属性数据集和用户其余行为数据；以及

所述生成针对所述剩余特征信息集的剩余特征编码信息，包括：

对所述用户历史画像数据、所述订单物品属性数据集和所述用户其余行为数据进行数据预处理，以生成第一预处理数据、第二预处理数据和第三预处理数据；

从所述第一预处理数据、所述第二预处理数据和所述第三预处理数据中筛选出离散特征信息，得到离散特征数据；

从所述第一预处理数据、所述第二预处理数据和所述第三预处理数据中筛选出文本特征信息，得到文本特征数据；

从所述第一预处理数据、所述第二预处理数据和所述第三预处理数据中筛选出连续特征信息，得到连续特征数据；

对所述离散特征数据进行离散特征编码处理，以生成离散编码特征信息；

对所述文本特征数据进行文本特征编码处理，以生成文本编码特征信息；

对所述连续特征数据进行连续特征编码处理，以生成连续编码特征信息；

将所述离散编码特征信息、所述文本编码特征信息和所述连续编码特征信息确定为所述剩余特征编码信息。

5.根据权利要求3所述的方法，其中，所述基于多头注意力机制的价值复转移信息生成模型包括：多头注意力机制层、多层串行连接的全连接层和输出层；以及

所述将所述融合特征信息输入至所述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息，包括：

将所述融合特征信息输入至所述多头注意力机制层，以生成注意力结果；

将所述注意力结果输入至所述多层串行连接的全连接层，以生成全连接结果；

将所述全连接结果输入至所述输出层，以输出价值复转移信息。

6.根据权利要求1所述的方法，其中，所述根据所述订单时间特征编码信息和所述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息，包括：

将所述订单时间特征编码信息和所述保养周期编码信息输入至编码信息融合模型，以生成编码融合信息；

将所述编码融合信息输入至多样化类型特征信息提取模型，以生成针对多样化类型的特征信息集，其中，所述特征信息集中的特征信息存在对应的特征类型；

将所述特征信息集输入至所述基于多头注意力机制的价值复转移信息生成模型，以生成价值复转移信息。

7.一种信息生成装置，包括：

获取单元，被配置成获取目标用户对应的目标品类订单信息序列和目标品类物品保养周期数据；

输入单元，被配置成将所述目标品类订单信息序列输入至基于时间特征多样提取的时序特征编码模型，以生成订单时间特征编码信息；

第一生成单元，被配置成生成针对所述目标品类物品保养周期数据的保养周期编码信息；

第二生成单元，被配置成根据所述订单时间特征编码信息和所述保养周期编码信息，利用基于多头注意力机制的价值复转移信息生成模型，生成未来目标时间段对应的价值复转移信息。

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。