信息推送方法和装置制造方法及图纸

本申请实施例公开了信息推送方法和装置。该方法的一具体实施方式包括：获取目标用户的用户属性和文件操作历史数据；将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从该信息推荐模型输出的用户向量；基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与该目标参考向量对应的文件确定为目标文件；将该目标文件向该目标用户对应的终端设备推送。本申请实施例提供的方法能够通过用户的各种与文件相关的数据，准确地确定出用户向量。并利用信息推荐模型，准确地确定出适合该用户的文件。从而，可以实现文件的精准推送。

【技术实现步骤摘要】
信息推送方法和装置
本申请实施例涉及计算机
，具体涉及互联网
，尤其涉及信息推送方法和装置。
技术介绍
随着互联网技术的发展，越来越多的用户利用网络资源阅读书籍。现有的推荐方式，包括对用户进行分类，比如，可以对用户分类为男性，并对用户推荐男性常会选择的书籍。此外，推荐方式还可以是对用户推荐该用户已阅读小说的同类小说。然而，采用上述的推荐方式，推荐的数据较为单一，且推荐精度和个性化程度有待于提高。
技术实现思路
本申请实施例提出了信息推送方法和装置。第一方面，本申请实施例提供了一种信息推送方法，包括：获取目标用户的用户属性和文件操作历史数据，其中，文件操作历史数据所指示的文件属于预先设置的文件类别；将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从信息推荐模型输出的用户向量，其中，信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系；基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与目标参考向量对应的文件确定为目标文件，其中，多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联；将目标文件向目标用户对应的终端设备推送。在一些实施例中，信息推荐模型包括嵌入层和全连接层；将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从信息推荐模型输出的用户向量，包括：将所获取的用户属性和文件操作历史数据输入嵌入层，以使用户属性和文件操作历史数据转换成浮点型数据；将浮点型数据依次输入至少两个级联的全连接层，得到用户向量。在一些实施例中，信息推荐模型为预先训练的深度神经网络，信息推荐模型还包括负采样层和分类层；信息推荐模型通过如下步骤训练得到：获取训练数据集合，其中，训练数据集合中的训练数据包括用户的用户属性、文件操作历史数据和文件内容，训练数据中，文件操作历史数据用于指示该训练数据中的用户属性所指示的用户是否对该训练数据中的文件内容执行过历史操作，各训练数据按照该训练数据中的文件操作历史数据所指示的历史操作划分为正样本和负样本；将训练数据输入初始信息推荐模型，以训练初始信息推荐模型，得到信息推荐模型以及多个参考向量，其中，训练目标包括用户向量与正样本对应的向量的乘积大于或等于，用户向量与负样本对应的向量的乘积。在一些实施例中，基于所得到的用户向量，从多个参考向量中选取目标参考向量，包括：将用户向量与多个参考向量中的各个参考向量相乘，得到多个乘积；按照从大到小的顺序，从多个乘积中，确定至少一个乘积，以及确定至少一个乘积对应的参考向量为目标参考向量。在一些实施例中，基于所得到的用户向量，从多个参考向量中选取目标参考向量，包括：按照与用户向量的距离由小到大的顺序，从多个参考向量中，确定至少一个参考向量为目标参考向量。第二方面，本申请实施例提供了一种信息推送装置，包括：获取单元，被配置成获取目标用户的用户属性和文件操作历史数据，其中，文件操作历史数据所指示的文件属于预先设置的文件类别；输入单元，被配置成将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从信息推荐模型输出的用户向量，其中，信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系；选取单元，被配置成基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与目标参考向量对应的文件确定为目标文件，其中，多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联；推送单元，被配置成将目标文件向目标用户对应的终端设备推送。在一些实施例中，信息推荐模型包括嵌入层和全连接层；输入单元，包括：第一输入模块，被配置成将所获取的用户属性和文件操作历史数据输入嵌入层，以使用户属性和文件操作历史数据转换成浮点型数据；第二输入模块，被配置成将浮点型数据依次输入至少两个级联的全连接层，得到用户向量。在一些实施例中，信息推荐模型为预先训练的深度神经网络，信息推荐模型还包括负采样层和分类层；信息推荐模型通过如下步骤训练得到：获取训练数据集合，其中，训练数据集合中的训练数据包括用户的用户属性、文件操作历史数据和文件内容，训练数据中，文件操作历史数据用于指示该训练数据中的用户属性所指示的用户是否对该训练数据中的文件内容执行过历史操作，各训练数据按照该训练数据中的文件操作历史数据所指示的历史操作划分为正样本和负样本；将训练数据输入初始信息推荐模型，以训练初始信息推荐模型，得到信息推荐模型以及多个参考向量，其中，训练目标包括用户向量与正样本对应的向量的乘积大于或等于，用户向量与负样本对应的向量的乘积。在一些实施例中，选取单元，包括：第一确定模块，被配置成将用户向量与多个参考向量中的各个参考向量相乘，得到多个乘积；第二确定模块，被配置成按照从大到小的顺序，从多个乘积中，确定至少一个乘积，以及确定至少一个乘积对应的参考向量为目标参考向量。在一些实施例中，选取单元，包括：向量确定单元，被配置成按照与用户向量的距离由小到大的顺序，从多个参考向量中，确定至少一个参考向量为目标参考向量。第三方面，本申请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，用于存储一个或多个程序，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信息推送方法中任一实施例的方法。第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如信息推送方法中任一实施例的方法。本申请实施例提供的信息推送方案，首先，获取目标用户的用户属性和文件操作历史数据，其中，文件操作历史数据所指示的文件属于预先设置的文件类别。之后，将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从信息推荐模型输出的用户向量，其中，信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系。而后，基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与目标参考向量对应的文件确定为目标文件，其中，多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联，最后，将目标文件向目标用户对应的终端设备推送。本申请实施例提供的方法能够通过用户的各种与文件相关的数据，准确地确定出用户向量。并利用信息推荐模型，准确地确定出适合该用户的文件。从而，可以实现文件的精准推送。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请可以应用于其中的示例性系统架构图；图2是根据本申请的信息推送方法的一个实施例的流程图；图3是根据本申请的信息推送方法的一个应用场景的示意图；图4是根据本申请的信息推送方法的又一个实施例的流程图；图5是根据本申请的信息推送装置的一个实施例的结构示意图；图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说本文档来自技高网...

【技术保护点】
1.一种信息推送方法，所述方法包括：/n获取目标用户的用户属性和文件操作历史数据，其中，所述文件操作历史数据所指示的文件属于预先设置的文件类别；/n将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从所述信息推荐模型输出的用户向量，其中，所述信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系；/n基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与所述目标参考向量对应的文件确定为目标文件，其中，所述多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联；/n将所述目标文件向所述目标用户对应的终端设备推送。/n

【技术特征摘要】
1.一种信息推送方法，所述方法包括：
获取目标用户的用户属性和文件操作历史数据，其中，所述文件操作历史数据所指示的文件属于预先设置的文件类别；
将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从所述信息推荐模型输出的用户向量，其中，所述信息推荐模型用于表征用户属性、文件操作历史数据，与用户向量的对应关系；
基于所得到的用户向量，从多个参考向量中选取目标参考向量，以及将与所述目标参考向量对应的文件确定为目标文件，其中，所述多个参考向量中的各个参考向量存在与之相对应的文件且与该文件的文件内容相关联；
将所述目标文件向所述目标用户对应的终端设备推送。


2.根据权利要求1所述的方法，其中，所述信息推荐模型包括嵌入层和全连接层；
所述将所获取的用户属性和文件操作历史数据输入预先训练的信息推荐模型，得到从所述信息推荐模型输出的用户向量，包括：
将所获取的用户属性和文件操作历史数据输入所述嵌入层，以使用户属性和文件操作历史数据转换成浮点型数据；
将所述浮点型数据依次输入至少两个级联的全连接层，得到所述用户向量。


3.根据权利要求2所述的方法，其中，所述信息推荐模型为预先训练的深度神经网络，所述信息推荐模型还包括负采样层和分类层；
所述信息推荐模型通过如下步骤训练得到：
获取训练数据集合，其中，所述训练数据集合中的训练数据包括用户的用户属性、文件操作历史数据和文件内容，所述训练数据中，文件操作历史数据用于指示该训练数据中的用户属性所指示的用户是否对该训练数据中的文件内容执行过历史操作，各训练数据按照该训练数据中的文件操作历史数据所指示的历史操作划分为正样本和负样本；
将所述训练数据输入初始信息推荐模型，以训练所述初始信息推荐模型，得到所述信息推荐模型以及所述多个参考向量，其中，训练目标包括用户向量与正样本对应的向量的乘积大于或等于，用户向量与负样本对应的向量的乘积。


4.根据权利要求3所述的方法，其中，所述基于所得到的用户向量，从多个参考向量中选取目标参考向量，包括：
将所述用户向量与所述多个参考向量中的各个参考向量相乘，得到多个乘积；
按照从大到小的顺序，从所述多个乘积中，确定至少一个乘积，以及确定所述至少一个乘积对应的参考向量为目标参考向量。


5.根据权利要求1所述的方法，其中，所述基于所得到的用户向量，从多个参考向量中选取目标参考向量，包括：
按照与所述用户向量的距离由小到大的顺序，从所述多个参考向量中，确定至少一个参考向量为所述目标参考向量。


6.一种信息推送装置，所述装置包括：
获取单元，被配置成获取目标用户的用户属性和文件操作历史数据，其中，所述文件操作历史数据所指示的文件属于预先设置的文件类别；
输...

【专利技术属性】
技术研发人员：陈亮辉，杨晓璇，王全斌，付琰，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11