数据推送方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例涉及人工智能领域，公开了一种数据推送方法、装置、设备及存储介质，该方法包括：获取目标数据的关键描述信息以及目标用户的用户标签，目标数据的关键描述信息为描述目标数据的数据内容的文本信息，用户标签是通过对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目标数据的关键描述信息以及用户标签进行相关度计算处理，得到目标数据与目标用户的相关度，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，训练样本包括训练关键描述信息以及训练关键描述信息对应的训练标签；若相关度大于相关度阈值，则将目标数据推送给目标用户。采用本发明专利技术实施例，可提高个性化数据推送的精度。

【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；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。一方面，本专利技术实施例提供了一种数据推送装置，包括：获取单元，用于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；处理单元，用于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；输出单元，用于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。一方面，本专利技术实施例提供了一种数据推送设备，其特征在于，所述数据推送设备包括输入接口和输出接口，还包括：处理器，适于实现一条或多条指令；以及，计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由所述处理器加载并执行上述数据推送方法。一方面，本专利技术实施例提供了一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机程序指令，所述计算机程序指令被处理器执行时，用于执行上述数据推送方法。一方面，本专利技术实施例提供了一种计算机程序产品或计算机程序，所述计算机程序产品或所述计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中；数据推送设备的处理器从所述计算机可读存储介质中读取所述计算机指令，所述处理器执行所述计算机指令，所述计算机指令被处理器执行时，用于执行上述数据推送方法。本专利技术实施例中，数据推送设备获取目标数据的关键描述信息以及目标用户的用户标签，然后通过训练后的数据推送模型对目标数据的关键描述信息以及用户标签进行相关度计算处理，得到目标数据与目标用户的相关度，若相关度大于相关度阈值，则将目标数据推送给目标用户；其中，目标数据的关键描述信息为描述目标数据的数据内容的文本信息，用户标签是通过对目标用户进行用户画像分析得到的，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，训练样本包括训练关键描述信息以及训练关键描述信息对应的训练标签；可以通过对目标数据的关键描述信息以及目标用户的用户标签的处理，提高个性化数据推送的精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种数据推送系统的结构示意图；图2是本专利技术实施例提供的一种数据推送方法的流程示意图；图3是本专利技术实施例提供的一种目标用户在预设时段内的浏览信息的示意图；图4a是本专利技术实施例提供的一种训练后的数据推送模型的示意图；图4b是本专利技术实施例提供的另一种训练后的数据推送模型的示意图；图5a是本专利技术实施例提供的又一种训练后的数据推送模型的示意图；图5b是本专利技术实施例提供的再一种训练后的数据推送模型的示意图；图6是本专利技术实施例提供的一种训练数据推送模型的流程示意图；图7是本专利技术实施例提供的一种数据推送模型的示意图；图8是本专利技术实施例提供的另一种训练数据推送模型的流程示意图；图9是本专利技术实施例提供的另一种数据推送模型的示意图；图10是本专利技术实施例提供的一种数据推送装置的结构示意图；图11是本专利技术实施例提供的一种数据推送设备的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。本专利技术实施例主要涉及人工智能领域中的机器学习(MachineLearning,ML),机器学习是人工智能的核心，是使计算机具有智能的根本途径，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，其应用遍及人工智能的各个领域。在涉及数据推送的相关领域中，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本文档来自技高网...

【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