【技术实现步骤摘要】
数据推送方法、装置、设备及存储介质
本申请涉及人工智能领域,尤其涉及一种数据推送方法、装置、设备及存储介质。
技术介绍
随着互联网行业的飞速发展,海量数据被推送给用户,但推送给用户的数据可能并非用户感兴趣的,能够实现对不同用户的个性化数据推送是提升用户粘合度的有效方式;但目前来说,实现对不同用户的个性化数据推送一般采用基于异构图的推送方法,该方法将待推送的数据的数据标识以及用户的用户标签构建成异构图,利用图嵌入算法(例如metapath2vec、node2vec等算法)对异构图进行学习,而后确定是否将该待推送的数据推送至用户,但由于该方法仅仅是对待推送的数据的数据标识进行处理从而进行推送,所以针对不同用户的个性化数据推送的精度仍然很低,无法确保推送的数据的数据内容是用户感兴趣的数据内容。
技术实现思路
本专利技术实施例提供一种数据推送方法、装置、设备及存储介质,可提高个性化数据推送的精度。一方面,本专利技术实施例提供了一种数据推送方法,包括:获取目标数据的关键描述信息以及目标用户的用户标签,所述目标数据的关键描述信息为描述所述目标数据的数据内容的文本信息,所述用户标签是通过对所述目标用户进行用户画像分析得到的;通过训练后的数据推送模型对所述目标数据的关键描述信息以及所述用户标签进行相关度计算处理,得到所述目标数据与所述目标用户的相关度,所述训练后的数据推送模型是基于训练样本对数据推送模型进行训练得到的,所述训练样本包括训练关键描述信息以及所述训练关键描述信息对应的训练标签; ...
【技术保护点】
1.一种数据推送方法,其特征在于,包括:/n获取目标数据的关键描述信息以及目标用户的用户标签,所述目标数据的关键描述信息为描述所述目标数据的数据内容的文本信息,所述用户标签是通过对所述目标用户进行用户画像分析得到的;/n通过训练后的数据推送模型对所述目标数据的关键描述信息以及所述用户标签进行相关度计算处理,得到所述目标数据与所述目标用户的相关度,所述训练后的数据推送模型是基于训练样本对数据推送模型进行训练得到的,所述训练样本包括训练关键描述信息以及所述训练关键描述信息对应的训练标签;/n若所述相关度大于相关度阈值,则将所述目标数据推送给所述目标用户。/n
【技术特征摘要】
1.一种数据推送方法,其特征在于,包括:
获取目标数据的关键描述信息以及目标用户的用户标签,所述目标数据的关键描述信息为描述所述目标数据的数据内容的文本信息,所述用户标签是通过对所述目标用户进行用户画像分析得到的;
通过训练后的数据推送模型对所述目标数据的关键描述信息以及所述用户标签进行相关度计算处理,得到所述目标数据与所述目标用户的相关度,所述训练后的数据推送模型是基于训练样本对数据推送模型进行训练得到的,所述训练样本包括训练关键描述信息以及所述训练关键描述信息对应的训练标签;
若所述相关度大于相关度阈值,则将所述目标数据推送给所述目标用户。
2.如权利要求1所述的方法,其特征在于,所述通过训练后的数据推送模型对所述目标数据的关键描述信息以及所述用户标签进行相关度计算处理之前,还包括:
获取训练样本;
通过所述数据推送模型对所述训练样本中的训练关键描述信息进行文本编码处理,得到所述训练关键描述信息所描述训练数据的表示向量;
对所述训练关键描述信息对应的训练标签进行标签向量转换处理,得到所述训练标签对应的第一标签向量;
通过第一损失函数对所述训练关键描述信息所描述训练数据的表示向量以及所述训练标签对应的第一标签向量进行处理,得到所述训练样本对应的第一损失值;
基于所述训练样本对应的第一损失值对所述数据推送模型进行训练,得到所述训练后的数据推送模型。
3.如权利要求2所述的方法,其特征在于,所述训练关键描述信息对应的训练标签包括多个训练子标签;
所述基于所述训练样本对应的第一损失值对所述数据推送模型进行训练,得到所述训练后的数据推送模型之前,还包括:
对所述训练关键描述信息对应的训练标签进行划分,得到多个训练标签组,各个所述训练标签组包括至少一个训练子标签,不同训练标签组包括不同训练子标签;
对各个所述训练标签组进行标签向量转换处理,得到所述各个训练标签组对应的第二标签向量;
通过第二损失函数对各个所述训练标签组对应的第二标签向量进行处理,得到所述训练样本对应的第二损失值;
根据所述训练样本对应的第一损失值和所述训练样本对应的第二损失值,得到所述数据推送模型的损失函数总值;
所述基于所述训练样本对应的第一损失值对所述数据推送模型进行训练,得到所述训练后的数据推送模型,包括:
基于所述数据推送模型的损失函数总值对所述数据推送模型的进行训练,得到所述训练后的数据推送模型。
4.如权利要求2所述的方法,其特征在于,所述训练关键描述信息对应的训练标签包括多个训练子标签;
所述对所述训练关键描述信息对应的训练标签进行标签向量转换处理,得到所述训练标签对应的第一标签向量,包括:
对各个所述训练子标签进行向量处理,得到所述各个训练子标签对应的训练子标签向量;
根据所述多个训练子标签对应的训练子标签向量,得到所述训练标签对应的第一标签向量。
5.如权利要求3所述的方法,其特征在于,所述对各个所述训练标签组进行标签向量转换处理,得到所述各个训练标签组对应的第二标签向量,包括:
根据所述各个训练标签组所包含的训练子标签,生成所述各个训练标签组对应的训练子标签向量组,所述训练子标签向量组包括至少一个训练子标签向量,所述至少一个训练子标签向量为所述各个训练标签组所包含的训练子标签对应的训练子标签向量;<...
【专利技术属性】
技术研发人员:刘树林,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。