CN110162698A - 一种用户画像数据处理方法、装置及存储介质 - Google Patents

Abstract

本发明实施例公开一种用户画像数据处理方法、装置及存储介质，其中，方法包括：响应针对目标应用的第一拉取请求，获取第一拉取请求对应的特征更新时长；特征更新时长包含多个第一时刻；将目标网络模型在上一特征更新时长内所得到的隐藏特征确定为初始隐藏特征；从业务数据特征向量中获取多个第一时刻分别对应的业务数据特征，并从用户画像特征向量中获取多个第一时刻分别对应的用户画像特征；根据初始隐藏特征、每个第一时刻分别对应的业务数据特征以及用户画像特征，确定目标网络模型在特征更新时长内的目标隐藏特征；所述目标隐藏特征用于表征与所述第一拉取请求对应的目标用户的用户画像信息。采用本发明，可以确保用户画像数据的准确性和完备性。

Description

一种用户画像数据处理方法、装置及存储介质

技术领域

本发明涉及互联网技术领域，尤其涉及一种用户画像数据处理方法、装置及存储介质。

背景技术

现有的推荐***在向目标用户推荐业务数据信息(例如，文章、歌曲等互联网信息)时，可以基于该目标用户注册时的用户属性信息进行数据推荐。可以理解的是，现有的推荐***可以将该目标用户注册该目标应用时所录入的相关信息(比如，性别：男，年龄：18，标签：武侠类)称之为该目标用户的用户属性信息，即可以将该注册时的相关信息确定为该目标用户的用户画像信息。然而，随着时间的推移，该目标用户的用户画像信息可能会发生变化，比如，用户的兴趣爱好会发生变化，但该推荐***仍然将该目标用户注册时所录入的相关信息视为该目标用户的用户画像信息，以至于无法确保该目标用户的用户画像信息的准确性和完备性。

发明内容

本发明实施例提供一种用户画像数据处理方法、装置及存储介质，可以确保用户画像数据的准确性和完备性。

本发明实施例一方面提供了一种用户画像数据处理方法，所述方法包括：

响应针对目标应用的第一拉取请求，获取所述第一拉取请求对应的特征更新时长；所述特征更新时长内包含多个第一时刻；

将目标网络模型在上一特征更新时长内所得到的隐藏特征确定为初始隐藏特征；

从业务数据特征向量中获取所述多个第一时刻分别对应的业务数据特征，并从用户画像特征向量中获取所述多个第一时刻分别对应的用户画像特征；

根据所述初始隐藏特征、所述多个第一时刻分别对应的业务数据特征、以及所述多个第一时刻分别对应的用户画像特征，确定所述目标网络模型在所述特征更新时长内的目标隐藏特征；所述目标隐藏特征用于表征与所述第一拉取请求对应的目标用户的用户画像信息。

其中，所述特征更新时长是由所述第一拉取请求对应的第一请求时间戳与第二拉取请求对应的第二请求时间戳所确定的；所述第二拉取请求为所述第一拉取请求的上一拉取请求，所述第二拉取请求用于获取与目标用户具有关联关系的多个历史推荐数据信息；

所述方法还包括：

在所述特征更新时长内，将所述多个历史推荐数据信息中与所述目标用户之间存在数据触发关系的历史推荐数据信息确定为目标历史推荐数据信息；

基于每个目标历史推荐数据信息以及所述历史业务数据信息，构建所述目标网络模型对应的业务数据特征向量；所述业务数据特征向量中包含多个第一时刻分别对应的业务数据特征；一个业务数据特征对应一个目标历史推荐数据信息；

通过所述每个目标历史推荐数据信息对应的目标用户属性信息、以及所述历史业务数据信息对应的历史用户属性信息，构建所述目标网络模型对应的用户画像特征向量；所述用户画像特征向量中包含所述多个第一时刻分别对应的用户画像特征。

其中，所述基于每个目标历史推荐数据信息以及历史业务数据信息，构建所述目标网络模型对应的业务数据特征向量，包括：

将每个目标历史推荐数据信息添加到第一业务触发列表，并将携带所述每个目标历史推荐数据信息的第一业务触发列表作为第二业务触发列表；所述第一业务触发列表和所述第二业务触发列表中均包含与所述目标用户具有关联关系的历史业务数据信息；

在所述第二业务触发列表中，将所述特征更新时长内的每个第一时刻对应的目标历史推荐数据信息确定为目标业务数据信息；

对所述目标业务数据信息的语义特征进行提取，并将提取到的语义特征作为所述目标业务数据信息对应的目标业务数据特征；

获取所述第一业务触发列表对应的历史数据特征向量，并将所述目标业务数据特征与所述历史数据特征向量进行拼接，并将拼接后的历史数据特征向量确定为所述目标网络模型对应的业务数据特征向量。

其中，所述通过所述每个目标历史推荐数据信息对应的目标用户属性信息、以及所述历史业务数据信息对应的历史用户属性信息，构建所述目标网络模型对应的用户画像特征向量，包括：

在所述第二业务触发列表中，将所述每个第一时刻的目标历史推荐数据信息所对应的用户属性信息确定为目标用户属性信息；

将所述目标用户属性信息中的用户属性特征与所述目标网络模型中的注意力模型特征进行组合，并将组合后的用户属性特征确定为所述目标用户属性信息对应的目标用户画像特征；

获取与所述第一业务触发列表相关联的历史用户特征向量，并将所述目标用户画像特征与所述历史用户特征向量进行拼接，并将拼接后的历史用户特征向量确定为所述目标网络模型对应的用户画像特征向量。

其中，所述多个第一时刻包含历史时刻和目标时刻，所述多个第一时刻分别对应的业务数据特征中包含所述历史时刻对应的第二业务数据特征、所述目标时刻对应的第一业务数据特征；所述多个第一时刻分别对应的用户画像特征包含所述历史时刻对应的第二用户画像特征、所述目标时刻对应的第一用户画像特征；所述历史时刻为所述目标时刻的上一时刻；

所述根据所述初始隐藏特征、所述多个第一时刻分别对应的业务数据特征、以及所述多个第一时刻分别对应的用户画像特征，确定所述目标网络模型在所述特征更新时长内的目标隐藏特征，包括：

通过所述目标网络模型将所述第二用户画像特征、所述第二业务数据特征以及所述初始隐藏特征进行融合，并将融合后的初始隐藏特征作为所述目标网络模型在所述历史时刻的历史隐藏特征；

通过所述目标网络模型将所述第一用户画像特征，所述第一业务数据特征以及所述历史隐藏特征进行融合，并将融合后的历史隐藏特征作为所述目标网络模型在所述目标时刻的目标隐藏特征。

其中，所述目标网络模型包含第一重置门、第二重置门和更新门；

所述通过所述目标网络模型将所述第一用户画像特征，所述第一业务数据特征以及所述历史隐藏特征进行融合，并将融合后的历史隐藏特征作为所述目标网络模型在所述目标时刻的目标隐藏特征，包括：

在所述目标网络模型中，获取所述第一业务数据特征对应的第一权重参数、第一用户数据特征对应的第二权重参数、所述历史隐藏特征对应的第三权重参数、以及所述目标网络模型的偏差参数；

将所述第一业务数据特征、所述第一权重参数、所述第一用户画像特征、所述第二权重参数、所述历史隐藏特征、所述第三权重参数以及所述偏差参数作为所述目标网络模型中的激活函数对应的输入参数，输出所述更新门对应的门控参数、所述第一重置门对应的门控参数和所述第二重置门对应的门控参数；

基于所述第一重置门对应的门控参数、所述历史隐藏特征以及所述第一业务数据特征，在所述目标网络模型中确定所述第一业务数据特征对应的候选隐藏特征；

基于所述第二重置门对应的门控参数、所述历史隐藏特征以及所述第一用户画像特征，在所述目标网络模型中确定所述第一用户画像特征对应的候选隐藏特征；

根据所述更新门对应的门控参数、所述第一业务数据特征对应的候选隐藏特征、所述第一用户画像特征对应的候选隐藏特征、以及所述历史隐藏特征，确定所述目标网络模型在所述目标时刻的目标隐藏特征。

其中，所述方法还包括：

通过所述目标隐藏特征所表征的所述用户画像信息从业务数据库中获取多个第一候选数据信息；

获取所述目标用户对应的初步筛选规则，并从所述多个第一候选数据信息筛选与所述初步筛选规则相符的第一候选数据信息作为第二候选数据信息；

从筛选出的所有第二候选数据信息中选择与所述目标隐藏特征所表征的所述用户画像特征向量、所述业务数据特征向量相符的第二候选数据信息作为待推荐数据信息；

将所选择的待推荐数据信息作为目标推荐数据信息下发给所述目标用户。

其中，所述将所选择的待推荐数据信息作为目标推荐数据信息下发给所述目标用户，包括：

通过第一点击率预估模型预测所选择的待推荐数据信息中的每个待推荐数据信息对应的点击概率；

对所述每个待推荐数据信息对应的点击概率进行排序，并从排序后的待推荐数据信息中获取目标推荐数据信息，并将所述目标推荐数据信息推荐给所述目标用户。

其中，所述对所述每个待推荐数据信息对应的点击概率进行排序，并从排序后的待推荐数据信息中获取目标推荐数据信息，并将所述目标推荐数据信息推荐给所述目标用户，包括：

基于降排序规则对所述每个待推荐数据信息的点击概率进行排序，并从排序后的待推荐数据信息中筛选点击概率大于点击概率阈值的待推荐数据信息作为目标推荐数据信息，并将筛选出的目标推荐数据信息推送给目标用户。

其中，所述目标推荐数据信息包含多个子推荐数据信息；

所述方法还包括：

根据所述多个子推荐数据信息中的每个子推荐数据信息的点击概率生成所述第一点击率预估模型对应的预测向量；所述预测向量包含目标预测向量；所述目标预测向量用于描述所述目标用户在所述第一拉取请求的下一时刻对所述多个子推荐数据信息中的第一子推荐数据信息进行点击的预测概率；

当记录到所述目标用户在所述下一时刻针对所述多个子推荐数据信息中的第二子推荐数据信息的点击关系时，基于所述点击关系生成所述第一点击率预估模型对应的点击向量；所述点击向量包含目标点击向量；所述目标点击向量用于描述所述目标用户在所述下一时刻对所述多个子推荐数据信息中的第二子推荐数据信息进行点击的实际概率；

根据所述目标预测向量和所述目标点击向量确定所述第一点击率预估模型的损失函数，并通过梯度下降函数对所述损失函数进行优化，并将优化后的损失函数确定为目标函数，并将所述目标函数对应的第一点击率预估模型确定为第二点击率预估模型。

本发明实施例一方面提供了一种用户画像数据处理装置，所述装置包括：

时长获取模块，用于响应针对目标应用的第一拉取请求，获取所述第一拉取请求对应的特征更新时长；所述特征更新时长内包含多个第一时刻；

第一获取模块，用于将目标网络模型在上一特征更新时长内所得到的隐藏特征确定为初始隐藏特征；所述初始时刻为所述上一特征更新时长内的时刻；

第二获取模块，用于从业务数据特征向量中获取所述多个第一时刻分别对应的业务数据特征，并从用户画像特征向量中获取所述多个第一时刻分别对应的用户画像特征；

目标特征确定模块，用于根据所述初始隐藏特征、所述多个第一时刻分别对应的业务数据特征、以及所述多个第一时刻分别对应的用户画像特征，确定所述目标网络模型在所述特征更新时长内的目标隐藏特征；所述目标隐藏特征用于表征与所述第一拉取请求对应的目标用户的用户画像信息。

其中，所述特征更新时长是由所述第一拉取请求对应的第一请求时间戳与第二拉取请求对应的第二请求时间戳所确定的；所述第二拉取请求为所述第一拉取请求的上一拉取请求，所述第二拉取请求用于获取与目标用户具有关联关系的多个历史推荐数据信息；

所述装置还包括：

触发关系确定模块，用于在所述特征更新时长内，将所述多个历史推荐数据信息中与所述目标用户之间存在数据触发关系的历史推荐数据信息确定为目标历史推荐数据信息；

业务向量构建模块，用于基于每个目标历史推荐数据信息以及所述历史业务数据信息，构建所述目标网络模型对应的业务数据特征向量；所述业务数据特征向量中包含所述多个第一时刻分别对应的业务数据特征；一个业务数据特征对应一个目标历史推荐数据信息；

用户向量构建模块，用于通过所述每个目标历史推荐数据信息对应的目标用户属性信息、以及所述历史业务数据信息对应的历史用户属性信息，构建所述目标网络模型对应的用户画像特征向量；所述用户画像特征向量中包含所述多个第一时刻分别对应的用户画像特征。

其中，所述业务向量构建模块包括：

数据添加单元，用于将每个目标历史推荐数据信息添加到第一业务触发列表，并将携带所述每个目标历史推荐数据信息的第一业务触发列表作为第二业务触发列表；所述第一业务触发列表和所述第二业务触发列表中均包含与所述目标用户之间存在历史触发关系的历史业务数据信息；

目标业务确定单元，用于在所述第二业务触发列表中，将所述特征更新时长内的每个第一时刻对应的目标历史推荐数据信息确定为目标业务数据信息；

特征提取单元，用于对所述目标业务数据信息的语义特征进行提取，并将提取到的语义特征作为所述目标业务数据信息对应的目标业务数据特征；

业务向量确定单元，用于获取所述第一业务触发列表对应的历史数据特征向量，并将所述目标业务数据特征与所述历史数据特征向量进行拼接，并将拼接后的历史数据特征向量确定为所述目标网络模型对应的业务数据特征向量。

其中，所述用户向量构建模块包括：

目标属性确定单元，用于在所述第二业务触发列表中，将所述每个第一时刻的目标历史推荐数据信息所对应的用户属性信息确定为目标用户属性信息；

特征组合单元，用于将所述目标用户属性信息中的用户属性特征与所述目标网络模型中的注意力模型特征进行组合，并将组合后的用户属性特征确定为所述目标用户属性信息对应的目标用户画像特征；

用户向量确定单元，用于获取与所述第一业务触发列表相关联的历史用户特征向量，并将所述目标用户画像特征与所述历史用户特征向量进行拼接，并将拼接后的历史用户特征向量确定为所述目标网络模型对应的用户画像特征向量。

其中，所述多个第一时刻包含历史时刻和目标时刻，所述多个第一时刻分别对应的业务数据特征中包含所述历史时刻对应的第二业务数据特征、所述目标时刻对应的第一业务数据特征；所述多个第一时刻分别对应的用户画像特征中包含所述历史时刻对应的第二用户画像特征、所述目标时刻对应的第一用户画像特征；所述历史时刻为所述目标时刻的上一时刻；

所述目标特征确定模块包括：

历史特征确定单元，用于通过所述目标网络模型将所述第二用户画像特征、所述第二业务数据特征以及所述初始隐藏特征进行融合，并将融合后的初始隐藏特征作为所述目标网络模型在所述历史时刻的历史隐藏特征；

目标特征确定单元，用于通过所述目标网络模型将所述第一用户画像特征，所述第一业务数据特征以及所述历史隐藏特征进行融合，并将融合后的历史隐藏特征作为所述目标网络模型在所述目标时刻的目标隐藏特征。

其中，所述目标网络模型包含第一重置门、第二重置门和更新门；

所述目标特征确定单元包括：

权重获取子单元，用于在所述目标网络模型中，获取所述第一业务数据特征对应的第一权重参数、第一用户数据特征对应的第二权重参数、所述历史隐藏特征对应的第三权重参数、以及所述目标网络模型的偏差参数；

参数获取子单元，用于将所述第一业务数据特征、所述第一权重参数、所述第一用户画像特征、所述第二权重参数、所述历史隐藏特征、所述第三权重参数以及所述偏差参数作为所述目标网络模型中的激活函数对应的输入参数，输出所述更新门对应的门控参数、所述第一重置门对应的门控参数和所述第二重置门对应的门控参数；

第一确定子单元，用于基于所述第一重置门对应的门控参数、所述历史隐藏特征以及所述第一业务数据特征，在所述目标网络模型中确定所述第一业务数据特征对应的候选隐藏特征；

第二确定子单元，用于基于所述第二重置门对应的门控参数、所述历史隐藏特征以及所述第一用户画像特征，在所述目标网络模型中确定所述第一用户画像特征对应的候选隐藏特征；

第三确定子单元，用于根据所述更新门对应的门控参数、所述第一业务数据特征对应的候选隐藏特征、所述第一用户画像特征对应的候选隐藏特征、以及所述历史隐藏特征，确定所述目标网络模型在所述目标时刻的目标隐藏特征。

其中，所述装置还包括：

数据获取模块，用于通过所述目标隐藏特征所表征的所述用户画像信息从业务数据库中获取多个第一候选数据信息；

第一筛选模块，用于获取所述目标用户对应的初步筛选规则，并从所述多个第一候选数据信息筛选与所述初步筛选规则相符的第一候选数据信息作为第二候选数据信息；

第二筛选模块，用于从筛选出的所有第二候选数据信息中选择与所述目标隐藏特征所表征的所述用户画像特征向量、所述业务数据特征向量相符的第二候选数据信息作为待推荐数据信息；

数据下发模块，用于将所选择的待推荐数据信息作为目标推荐数据信息下发给所述目标用户。

其中，所述数据下发模块包括：

概率预测单元，用于通过第一点击率预估模型预测所选择的多个待推荐数据信息中的每个待推荐数据信息对应的点击概率；

排序单元，用于对所述每个待推荐数据信息对应的点击概率进行排序，并从排序后的待推荐数据信息中获取目标推荐数据信息，并将所述目标推荐数据信息推荐给所述目标用户。

其中，所述排序单元，具体用于基于降排序规则对所述每个待推荐数据信息对应的点击概率进行排序，并从排序后的待推荐数据信息中筛选点击概率大于点击概率阈值的待推荐数据信息作为目标推荐数据信息，并将筛选出的目标推荐数据信息推送给目标用户。

其中，所述目标推荐数据信息包含多个子推荐数据信息；

所述数据下发模块还包括：

预测向量生成单元，用于根据所述多个子推荐数据信息中的每个子推荐数据信息的点击概率生成所述第一点击率预估模型对应的预测向量；所述预测向量包含目标预测向量；所述目标预测向量用于描述所述目标用户在所述第一拉取请求的下一时刻对所述多个子推荐数据信息中的第一子推荐数据信息进行点击的预测概率；

点击向量生成单元，用于当记录到所述目标用户在所述下一时刻针对所述多个子推荐数据信息中的第二子推荐数据信息的点击关系时，基于所述点击关系生成所述第一点击率预估模型对应的点击向量；所述点击向量包含目标点击向量；所述目标点击向量用于描述所述目标用户在所述下一时刻对所述多个子推荐数据信息中的第二子推荐数据信息进行点击的实际概率；

优化子单元，用于根据所述目标预测向量和所述目标点击向量确定所述第一点击率预估模型的损失函数，并通过梯度下降函数对所述损失函数进行优化，并将优化后的损失函数确定为目标函数，并将所述目标函数对应的第一点击率预估模型确定为第二点击率预估模型。

本发明实施例一方面提供了一种用户画像数据处理装置，所述装置应用于业务服务器，所述装置包括：处理器、存储器以及网络接口；

所述处理器与存储器、网络接口相连，其中，网络接口用于提供数据通信功能，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行如本发明实施例一方面中的方法。

本发明实施例一方面提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，当所述处理器执行所述程序指令时执行如本发明实施例一方面中的方法。

在本发明实施例中，响应针对目标应用的第一拉取请求，获取该第一拉取请求对应的特征更新时长，该特征更新时长为该第一拉取请求与上一拉取请求之间的时长，该特征更新时长内可以包含多个第一时刻，所述多个第一时刻中的每个第一时刻均对应相应的业务数据特征和用户画像特征；所以，可以将目标网络模型在上一特征更新时长内所得到的隐藏特征确定为初始隐藏特征，从而可以利用该目标网络模型将初始隐藏特征、所述多个第一时刻分别对应的第一用户画像特征、以及所述多个第一时刻分别对应的第一业务数据特征进行融合，以使该目标网络模型可以在该特征更新时长内输出用于描述目标用户的用户画像信息的目标隐藏特征。其中，通过该目标网络模型可以建立起连续时间段内(即该特征更新时长与上一特征更新时长)的用户画像特征和业务数据特征之间的关联关系，即该目标网络模型所输出的目标隐藏特征可以同时兼顾连续时间段内的不同时刻下的用户画像特征和业务数据特征，从而可以在业务数据推荐***中准确刻画出更加贴合该目标用户喜好的用户画像信息，进而可以有效地确保用户画像数据的准确性和完备性。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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是本发明实施例提供的一种网络架构的结构示意图；

图2a和图2b是本发明实施例提供的一种数据交互的场景示意图；

图3是本发明实施例提供的一种用户画像数据处理方法的流程示意图；

图4是本发明实施例提供的一种目标时长所对应的时间轴的场景示意图；

图5是本发明实施例提供的一种记录数据触发关系的示意图；

图6是本发明实施例提供的一个门控循环神经网络的结构示意图；

图7是本发明实施例提供的一种获取目标隐藏特征的场景示意图；

图8是本发明实施例提供的另一种用户画像数据处理方法的流程示意图；

图9是本发明实施例提供的一种构建用户画像特征向量的场景示意图；

图10是本发明实施例提供的一种获取目标推荐数据信息的场景示意图；

图11是本发明实施例提供的一种业务数据推荐***的示意图；

图12是本发明实施例提供的一种用户画像数据处理装置的结构示意图；

图13是本发明实施例提供的另一种用户画像数据处理装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，是本发明实施例提供的一种网络架构的结构示意图。如图1所示，所述网络架构可以包括业务服务器2000和用户终端集群，所述用户终端集群可以包括多个用户终端，如图1所示，具体可以包括用户终端3000a、用户终端3000b、用户终端3000c、…、用户终端3000n；如图1所示，用户终端3000a、用户终端3000b、用户终端3000c、…、用户终端3000n可以分别与所述业务服务器2000进行网络连接，以便于每个用户终端可以通过该网络连接与业务服务器2000之间进行数据交互。

如图1所示，该用户终端集群中的每个用户终端均可以集成安装有目标应用，当该目标应用运行于各用户终端中时，可以分别与上述图1所示的业务服务器2000之间进行数据交互。其中，该目标应用可以包含音频应用、视频应用、社交应用、娱乐应用等；鉴于此，本发明实施例可以将与该目标应用具有关联关系的歌曲、电影、文章等互联网信息统称为业务数据信息。

为便于理解，本发明实施例以所述目标应用为社交应用为例，以阐述集成有该社交应用的用户终端通过该目标应用对应的业务数据平台与所述业务服务器2000之间实现用户数据交互的具体过程。进一步地，请参见图2a和图2b，是本发明实施例提供的一种数据交互的场景示意图。如图2a所示的目标用户终端可以为上述图1所示的用户终端集群中的用户终端3000a。此外，如图2a所示的目标用户可以理解为通过目标转换信息注册该社交应用的用户A。如图2a所示，用户A可以在M1时刻时，通过该社交应用对应的业务数据平台向图2a所示的业务服务器(即上述图1所示的业务服务器2000)请求至少一个业务数据信息(所述至少一个业务数据信息可以包含文章、歌曲、视频等互联网信息)，并可以在当前时刻为M2时刻时将目标用户终端所请求到的所述至少一个业务数据信息称之为目标推荐数据信息。应当理解，本发明实施例中的M1时刻(即发起第一拉去请求的时刻)与M2时刻(即接收到目标推荐数据信息的时刻)之间还可以间隔一个或者多个时刻。该M1时刻与M2时刻之间的时长即为上述业务服务器2000针对上述第一拉取请求的响应时间，在该响应时间内该业务服务器2000可以基于目标网络模型所得到的目标隐藏特征从业务数据库中筛选出与该目标用户的用户画像信息相符的目标推荐数据信息进行数据推荐。

由此可见，当用户A(即目标用户)在上述M1时刻与目标应用之间存在数据点击操作(例如，图2a所示的页面刷新操作)时，该目标应用所对应的后台服务器(即图2a所述的业务服务器)可以接收集成有该目标应用的目标用户终端基于前述页面刷新操作而发送第一拉取请求，并可以根据该第一拉取请求中所携带的目标账号信息(例如，登录目标应用时所使用的用户账户信息等)，在业务数据推荐***中获取与该目标账号信息对应的目标网络模型。应当理解，该目标网络模型所输出的目标隐藏特征可以用于表征截止到M1时刻之前的目标用户的用户画像信息，此时，该目标隐藏特征可以用于描述连续时间段内的用户画像特征和业务数据特征随时间序列中的时间而变化的关系。应当理解，该业务数据推荐***可以根据时间序列中的各时间所关联的用户画像特征构建得到用户画像特征向量，还可以根据该时间序列中的各时间所关联的业务数据特征构建得到业务数据特征向量。其中，该用户画像特征向量可以用于描述各用户画像特征随前述时间序列中的时间而变化的演变关系。其中，业务数据特征向量可以用于描述各业务数据特征随前述时间序列中的时间而变化的演变关系。

比如，图2a所示的业务服务器可以响应上述第一拉取请求，得到该第一拉取请求与上一次拉取请求(即上一页面刷新操作对应的第二拉取请求)之间的特征更新时长。在该第一拉取请求对应的特征更新时长内，该目标网络模型当前所输出的目标隐藏特征可以兼顾该目标用户所查阅过的所有业务数据信息(例如，文章信息)中的业务数据特征随时间变化的演变关系，还可以兼顾与与各业务数据信息分别对应的用户属性信息中用户画像特征随时间变化的演变关系。其中，应当理解，该第二拉取请求也可以用于向上述业务服务器请求与第二拉取请求时的目标用户的用户画像信息相符的业务数据信息。为便于与第一拉取请求所请求到的多个业务数据信息(即上述目标推荐数据信息或多个推荐数据信息)进行区别，本发明实施例可以将第二拉取请求所请求到的多个业务数据信息统称为多个历史推荐数据信息，即上述业务服务器可以在将所述多个历史推荐数据信息下发给该目标用户之后，记录该目标用户与各历史推荐数据信息之间的触发关系。从而可以在获取到该第一拉取请求对应的特征更新时长内，将所述多个历史推荐数据信息中与目标用户之间存在数据触发关系的历史推荐数据信息可以称之为目标历史推荐数据信息，即可以将该目标用户所实际阅读过的文章信息统称为目标历史推荐数据信息。

其中，业务服务器可以将该用户A在特征更新时长内所查阅过的所有文章信息按照相应的触发时间戳进行排列后所得到的序列称之为业务数据阅读序列，该业务数据阅读序列即为在这两次拉取请求之间依次查阅过的文章信息所构成的序列。即该特征更新时长内可以包含多个触发时间戳，每个触发时间戳均可以理解为时间序列中的一个时刻。在本发明实施例中可以将该特征更新时长内的时刻称之为第一时刻，并可以将第二拉取请求对应的上一特征更新时长内的时刻称之为第二时刻。其中，可以理解的是，图2b所示的特征更新时长是由第一拉取请求对应的第一请求时间戳与第二拉取请求对应的第二请求时间戳所确定的。该特征更新时长内的多个触发时间戳可以为图2b所示触发时间戳1、触发时间戳2、触发时间戳3、…、触发时间戳n。如图2b所示，每个触发时间戳均与相应的用户画像特征和业务数据特征之间存在对应关系。例如，在图2b所示的时间轴t上，触发时间戳1可以对应图2b所示的用户画像1和业务数据1；触发时间戳2可以对应图2b所示的用户画像2和业务数据2；以此类推，触发时间戳n可以对应图2b所示的用户画像n和业务数据n。在本发明实施例中可以将图2b所示的隐藏状态1、隐藏状态2、隐藏状态3、…隐藏状态n统称为图2b所示的网络模型(即上述目标网络模型)所得到的隐藏特征，并可以将图2b所示的用户画像1、用户画像2、用户画像3、…、用户画像n统称为上述用户画像特征，并可以将图2b所示的业务数据1、业务数据2、业务数据3、…、业务数据n统称为上述业务数据特征。

其中，应当理解，该特征更新时长内所查阅的文章信息(即图2所示的各业务数据特征所对应的业务数据信息)可以为上述目标历史推荐数据信息，即该目标历史推荐数据信息可以为与用户A之间存在数据触发关系的业务数据信息，且该目标历史推荐数据信息为该业务服务器针对第二拉取请求所下发的多个历史推荐数据信息中的一个历史推荐数据信息。由此可见，该特征更新时长内的多个第一时刻均由与该目标用户之间存在数据触发关系的目标历史推荐数据信息所对应的触发时间戳确定的。鉴于此，图2a所示的业务服务器可以从已构建的用户画像特征向量和业务数据特征向量找到每个第一时刻对应的业务数据特征和用户画像特征，并可以将上一特征更新时长内所得到的多个隐藏特征中的最后一个隐藏特征称之为初始隐藏特征，以使目标网络模型(例如，循环神经网络模型)在图2b所示的触发时间戳n时输出上述隐藏状态n，并可以将该隐藏状态n称之为目标隐藏特征，从而可以基于该目标隐藏特征所表征的第一拉取请求时的目标用户的用户画像特征信息在图2a所示的业务数据库中进行数据筛选，并将筛选出的待推荐数据信息(图2所示的推荐数据1、推荐数据2、推荐数据3、…。推荐数据m)通过图2b所示的点击率预估模型进行在线预测，从而可以得到m个(例如，20个)待推荐数据信息的概率，从而可以在m个待推荐数据信息中将概率值较高的k个(例如，概率较靠前的6个)待推荐数据信息作为目标推荐数据信息下发给所述目标用户，以使该目标用户对应的目标用户终端可以在上述M2时刻时向该用户A展示所接收到的目标推荐数据信息，从而可以确保数据推荐的准确性，并可以增强该社交应用中该目标用户的黏度。其中，图2b所示的初始状态可以称之为初始隐藏特征，若用户A为该社交应用中的老用户，则该初始隐藏特征可以为该网络模型(即目标网络模型)在上一特征更新时长所得到的隐藏特征，应当理解，该目标网络模型在上一特征更新时长内获取相应第二时刻的隐藏特征的具体过程，可一并参见本发明实施例中对获取图2b所示的多个隐藏特征的描述，这里将不再继续进行赘述。可选地，若用户A为新注册该社交应用上的用户，则该初始因此特征可以为对该网络模型进行初始化时的隐藏特征。其中，m、n、k均可以为大于0的正整数。应当理解，本发明实施例中的目标隐藏特征还可以作为该第一拉取请求的下一拉取请求(即第三拉取请求)时的目标网络模型的初始隐藏特征。

其中，本发明实施例可以将上述连续时间段称之为目标时长，即该目标时长内可以包含上述上一特征更新时长内的多个第二时刻、还可以包含上述特征更新时长内的多个第一时刻。其中，用户画像特征向量可以用于描述该目标时长内的用户属性信息所对应的用户画像特征随时间变化的特征变化关系，业务数据特征向量可以用于描述该目标时长内的业务数据信息所对应的业务数据特征随时间变化的特征变化关系。其中，目标时长可以为目标用户注册该目标应用后到发起该第一拉取请求的这个时间区间所对应的时长，换言之，该目标时长内可以包含上述第一拉取请求对应的特征更新时长，还可以包含第二拉取请求对应的上一特征更新时长。

为便于理解，本发明实施例以特征更新时长内的两个时刻(即上述图2b所n为2时的触发时间戳1和触发时间戳2)为例，以对这两个不同时刻的用户画像特征进行阐述。其中，可以将触发时间戳1所对应的时刻称之为k1时刻，并将触发时间戳2所对应的时刻称之为k2时刻。用户A(即目标用户)在k1时刻的用户属性信息可以包括多个子属性信息，所述多个子属性信息可以为：性别：男，年龄50，地域：江苏，用户标签：素描、西红柿、防癌，类目：养生健康、美食；通过将该k1时刻的用户属性信息输入到向量嵌入层后，可以提取到每个子属性信息对应的用户属性特征，进而将这些用户属性特征给到自注意力层，从而可以得到该用户A在k1时刻的用户画像特征(即上述用户画像1)。进一步地，当该目标用户坐火车从江苏去了上海，则可以将到达上海后的k2时刻的用户属性信息描述为：性别：男，年龄50，地域：上海，用户标签：素描、西红柿、防癌，类目：养生健康、美食；同理，该业务服务器可以将该k2时刻的用户属性信息分别给到向量嵌入层和自注意力层之后也可以得到该用户A在k2时刻的用户画像特征(即上述用户画像2)。由于该目标用户在k1时刻的用户属性信息不完全与该目标用户在k2时刻的用户属性信息相同，为了提高业务数据推荐***的数据推荐的准确性，可以对不同时刻的用户属性信息所对应的用户画像特征进行建模，以得到能够描述该目标用户对应的用户画像特征向量，并可以用该用户画像特征向量来描述该目标用户的用户画像演进信息。因此，当在业务数据推荐***中融入了该用户画像演进信息之后，可以确保所推荐的数据推荐结果即可以与武汉处的用户画像特征相关，还可以与上海处的用户画像特征相关。

鉴于此，通过将不同时刻的用户画像特征进行拼接可以构造得到用于描述用户画像演进信息的用户画像特征向量。在该用户画像特征向量中可以将与该特征更新时长相关联的各用户画像特征所对应的用户属性信息称之为用户画像演进序列，该用户画像演进序列中的一个用户属性信息可以与上述业务数据阅读序列中的一个业务数据信息之间存在对应关系。换言之，所述用户画像特征向量中可以包含多个不同时刻(比如，例如，上述图2b所示的多个业务数据特征所对应的触发时间戳)分别对应的用户画像特征。

其中，应当理解，在本发明实施例中，该循环神经网络可以将k1时刻所得到的隐藏特征将作为上述k2时刻的输入特征，与此同时，在本发明实施例中还可以将k2时刻的用户画像特征和k2时刻的业务数据特征一并作为该循环神经网络的输入特征，即此时，该循环神经网络会进一步通过门控循环单元(比如，XGRU门控循环神经网络)将多个维度上的输入特征进行融合，以得到k2时刻所对应的目标隐藏特征。其中，本发明实施例可以将该特征更新时长内具有最大触发时间戳的k2时刻称之为目标时刻，并可以将该k2时刻之前的k1时刻称之为历史时刻，从而可以将该循环神经网络在k1时刻所得到的隐藏特征称之为历史隐藏特征。由于该循环神经网络模型所输出的目标隐藏特征可以用于表征该目标用户在不同时刻的用户画像特征和业务数据特征，因此，通过该目标网络模型当前所输出的目标隐藏特征可以有效地确保所刻画的用户画像信息的准确性和完备性。

其中，可以理解的是，本发明所对应实施例中的循环神经网络主要用于对从上一次召回结束时刻(即第二拉取请求对应的第二请求时间戳)到发起本次召回请求时的时刻(即上述第一拉取请求对应的第一请求时间戳)期间的所有目标历史推荐数据信息的业务数据特征进行提取，从而可以将这些提取到的这些业务数据特征按照触发时间戳的时间顺序依次拼接到历史数据特征向量后，以构建得到该循环神经网络对应的业务数据特征向量。换言之，所述业务数据特征向量可以包含多个不同时刻(即多个不同点击时间戳)分别对应的业务数据特征。其中，所述历史数据特征向量是由与该目标用户之间存在历史数据触发关系的历史业务数据信息的业务数据特征所确定的。

其中，业务服务器获取特征更新时长、初始隐藏特征以及确定目标隐藏特征的具体过程可以参见如下图3至图11所对应的实施例。

进一步地，请参见图3，是本发明实施例提供的一种用户画像数据处理方法的流程示意图。如图3所示，所述方法至少包括：

步骤S101，响应针对目标应用的第一拉取请求，获取所述第一拉取请求对应的特征更新时长；

具体地，用户画像数据处理装置可以响应针对目标应用的第一拉取请求，将所述第一拉取请求对应的上一拉取请求确定为第二拉取请求；进一步地，根据所述第二拉取请求对应的第二请求时间戳和第一拉取请求对应的第一请求时间戳，可以确定所述第一拉取请求对应的特征更新时长；

其中，所述第二拉取请求可以用于获取与目标用户具有关系关系的多个历史推荐数据信息，所以，用户画像数据处理装置可以在获取到第一拉取请求对应的特征更新时长时，从多个历史推荐数据信息中将与目标用户之间存在数据触发关系的历史推荐数据信息确定为目标历史推荐数据信息，进而可以将每个目标历史推荐属性信息分别对应的触发时间戳称之为一个时刻。换言之，该特征更新时长内可以包含多个时刻，且该特征更新时长内的每个时刻均可以统称为第一时刻。

其中，所述用户画像数据处理装置理解为一种具有数据筛选功能的设备，该用户画像数据处理装置可以集成在目标服务器中，该目标服务器可以为上述图1所对应实施例中的业务服务器2000。其中，目标服务器可以应用于业务数据推荐***中，用于在接收到目标用户终端所发送的拉取请求时，能够根据目标网络模型所输出的隐藏特征向与该目标服务器具有网络连接关系的目标用户终端推送所筛选出的业务数据信息。

其中，可以理解的是，在本发明实施例中的拉取请求可以包含第一拉取请求，第二拉取请求和第三拉取请求、第四拉取请求。其中，所述第四拉取请求为所述第二拉取请求的上一拉取请求，即该第四拉取请求对应的第四请求时间戳要早于第二拉取请求对应的第二请求时间戳；同理，所述第二拉取请求为所述第一拉取请求对应的上一拉取请求，即该第二拉取请求对应的第二请求时间戳要早于第一拉取请求对应的第一请求时间戳。其中，所述第三拉取请求为在第一拉取请求对应的下一拉取请求，即该第三拉取请求对应的第三请求时间戳要晚于第一拉取请求对应的第一请求时间戳。在本发明实施例中，目标服务器可以将任意相邻的两个拉取请求之间的时间段统称为目标特征更新时长。比如，在本发明实施例中可以将第二请求时间戳与第一请求时间戳之间的目标特征更新时长称之为第一拉取请求对应的特征更新时长。

应当理解，在本发明实施例中还可以将第四请求时间戳与该第二请求时间戳之间的目标特征更新时长称之为第二拉取请求对应的上一特征更新时长；同理，可以将将第一请求时间戳与第三请求时间戳之间的目标特征更新时长称之为第三拉取请求对应的下一特征更新时长。

鉴于此，当目标服务器获取到针对该目标应用的第一拉取请求时，可以获取该第一拉取请求对应的第一请求时间戳，并可以获取第二拉取请求对应的第二请求时间戳，从而可以以基于第一请求时间戳和第二请求时间戳，计算得到本次拉取请求(即第一拉取请求)对应的特征更新时长。

此外，在本发明实施例中，目标服务器还可以将该目标用户注册该目标应用时的时间戳记为注册时间戳，并可以将从该注册时间戳到本次拉取请求对应的第一请求时间戳之间的时间段称之为目标时长，即该目标时长可以理解为从该目标用户注册该目标应用到发起本次拉取请求之间的时间区间所对应的时长。因此，该目标时长内可以包含包含多个目标特征更新时长，比如，可以包含该第一拉取请求对应的特征更新时长，还可以包含第二拉取请求对应的上一特征更新时长等。鉴于此，在本发明实施例中，可以将第一拉取请求(即本次拉取请求)与第二拉取请求(即上一拉取请求)之间目标特征更新时长称之为第一特征更新时长，并可以将该第一特征更新时长称之为第一拉取请求对应的特征更新时长；同理，可以将第二拉取请求与该第四拉取请求之间的目标特征更新时长称之为第二特征更新时长，并可以将该第二特征更新时长称之为第二拉取请求对应的上一特征更新时长。换言之，该第一特征更新时长和第二特征更新时长均为该目标时长内的两个连续的时长。应当理解，每个目标特征更新时长内均可以包含多个不同时刻，为便于理解，本发明实施例可以将上述上一特征更新时长内的每个时刻称之为第二时刻，并可以将上述特征更新时长内的每个时刻称之为第一时刻。其中，该特征更新时长内的多个第一时刻可以包含历史时刻和目标时刻。其中，所述目标时刻可以为该特征更新时长中与最大触发时间戳对应的时刻。

应当理解，为便于与本发明实施例中该特征更新时长内具有最大触发时间戳的时刻进行区别，本发明实施例还可以将上一更新时刻内的具有最大触发时间戳的时刻也称之为初始时刻，从而可以将目标网络模型在该初始时刻所得到的隐藏特征称之为初始隐藏特征。

其中，应当理解，在执行步骤S101之前，目标服务器可以响应针对目标应用的第二拉取请求，基于目标网络模型的初始隐藏特征从业务数据库中筛选与所述目标用户具有关联关系的多个历史推荐数据信息，并在将所述多个历史推荐数据信息推送给所述目标用户之后，记录所述目标用户与多个历史推荐数据信息之间的数据触发关系。进而可以确保该目标服务器在所述特征更新时长内，将所述多个历史推荐数据信息中与所述目标用户之间存在数据触发关系的历史推荐数据信息确定为目标历史推荐数据信息；进一步地，基于每个目标历史推荐数据信息以及历史业务数据信息，构建所述目标网络模型对应的业务数据特征向量；所述业务数据特征向量中包含所述多个第一时刻分别对应的业务数据特征；进一步地，通过所述每个目标历史推荐数据信息对应的目标用户属性信息、以及所述历史业务数据信息对应的历史用户属性信息，构建所述目标网络模型对应的用户画像特征向量；所述用户画像特征向量中包含所述多个第一时刻分别对应的用户画像特征。其中，所述历史业务数据信息可以理解为截止到第二拉取请求对应的第二请求时间戳之前与该目标用户之间存在历史触发关系的所有业务数据信息。此时，截止到第二请求时间戳之前的所有业务数据信息均位于第一触发列表中，即该第一触发列表可以用于存储所有与该目标用户之间具有数据触发关系的业务数据信息。

为便于理解，本发明实施例仅以目标时长内的第一拉取请求所对应的特征更新时长为例，以阐述该第二拉取请求与第一拉取请求之间的关联关系。进一步地，请参见图4，是本发明实施例提供的一种目标时长所对应的时间轴的场景示意图。如图4所示的目标时长所对应的时间轴中可以包含与第二拉取请求对应的第二请求时间戳，该第二请求时间戳可以为图4所示的A1时刻。另外，如图4所示的时间轴还可以包含与第一拉取请求对应的第一请求时间戳，该第一请求时间戳可以为图4所示的A5时刻。可以理解的是，在业务数据推荐***中，可以将这两次拉取请求之间的时间间隔(即图4所示的A1时刻与A5时刻之间的时间区间)称之为特征更新时长，即该特征更新时长可以理解为在本发明实施例中所描述的目标时长内的一个时间段。在目标时长内可以存在图4所示的多个关键时刻，即该多个关键时刻可以包括A1时刻、A2时刻、A3时刻、A4时刻、A5时刻等。在图4所示的时间轴上，A1时刻为目标用户终端向目标服务器发起拉取请求(即第二拉取请求)时的时刻；A2时刻为在基于第二拉取请求在业务数据库中进行数据筛选的时刻；A3时刻为将筛选出的业务数据信息返回给目标用户终端的时刻，A4时刻为目标用户对所接收到的业务数据信息中进行触发的时刻，比如，该A4时刻可以为目标用户在目标应用中对所接收到的业务数据信息(例如，歌曲、文章、电影等互联网信息)进行点击播放或者点击查阅等触发操作对应的触发时间戳；A5时刻为目标用户终端再次向目标服务器发起拉取请求时的时刻，此时，该再次发起的拉取请求可以称之为第一拉取请求。换言之。在本发明实施例中，目标服务器可以根据图4所示的第二拉取请求对应的请求时间戳(即第二请求时间戳)和第一拉取请求对应的请求时间戳(即第一请求时间戳)，确定出第一拉取请求对应的特征更新时长。该特征更新时长内的A4时刻可以为一个目标历史推荐数据信息对应的触发时间戳。该目标历史推荐数据信息可以为图4所示的多个历史推荐数据信息中与目标用户具有数据触发关系的业务数据信息。

比如，以图4所示的目标用户终端中所展示的4个业务数据信息(即图4所示的业务数据信息1、业务数据信息2、业务数据信息3和业务数据信息4)为例，当目标用户对这4个业务数据信息中的一个业务数据信息(例如，业务数据信息1)执行触发操作1时，该目标用户终端可以响应该业务数据信息1对应的触发操作1，将该触发操作1对应的触发时间戳添加到数据点击指令中，并将该数据点击指令发送给目标服务器，以使该目标服务器基于该数据点击指令记录该目标用户与该业务数据信息1之间的数据触发关系。同理，当目标用户对这4个业务数据信息中的业务数据信息2执行触发操作2时，该目标用户终端可以响应该业务数据信息2对应的触发操作2，将该触发操作2对应的触发时间戳添加到数据点击指令中，并将该数据点击指令发送给目标服务器，以使该目标服务器基于该数据点击指令记录该目标用户与该业务数据信息1之间的数据触发关系。以此类推，该目标服务器还可以在获取到业务数据信息3对应的数据点击指令时，记录该目标用户与该业务数据信息3之间的数据触发关系；同理，该目标服务器还可以在获取到业务数据信息4对应的数据点击指令时，记录该目标用户与该业务数据信息4之间的数据触发关系。进一步地，该目标服务器可以基于记录到的数据触发关系，将与目标用户之间存在数据触发关系的业务数据信息统称为目标历史推荐数据信息，并可以将每个目标历史推荐数据信息添加到第一业务触发列表，从而可以将携带所述每个目标历史推荐数据信息的第一业务触发列表作为第二业务触发列表，继而可以通过该第二业务触发列表中的目标历史推荐数据信息以及所述历史业务数据信息，构建所述目标网络模型对应的业务数据特征向量。应当理解，此时，该业务数据特征向量中可以包含多个不同时刻分别对应的业务数据特征。应当理解，该业务数据特征向量中可以包含在目标时长内与该目标用户之间存在数据触发关系的所有业务数据信息的业务数据特征，通过这些业务数据特征可以描述该目标用户在目标时长内的业务数据演进信息。此时，每个目标历史推荐数据信息分别对应的触发时间戳可以包含业务数据信息1对应的触发时间戳(例如，B₄₁时刻)、业务数据信息2对应的触发时间戳(例如，B₄₂时刻)、业务数据信息3对应的触发时间戳(例如，B₄₃时刻)、业务数据信息4对应的触发时间戳(例如，B₄₄时刻)。

其中，这四个触发时间戳所对应的触发时间顺序可以为B₄₁时刻→B₄₂时刻→B₄₃时刻→B₄₄时刻。所以，在这四个业务数据信息分别对应的触发时间戳中，该业务数据信息4对应的触发时间戳可以为最大触发时间戳，进而可以将该业务数据信息4对应的最大触发时间戳称之为目标时刻，并可以将业务数据信息3、业务数据信息2、业务数据信息1所对应的触发时间戳统称为历史时刻。

又比如，仍以图4所示的业务数据信息1、业务数据信息2、业务数据信息3和业务数据信息4为例，若目标用户仅在上述特征更新时长内访问了业务数据信息1，则该目标服务器可以在该特征更新时长内记录该目标用户与该业务数据信息1之间的数据触发关系，并可以根据该数据触发关系将该业务数据信息1添加到第一业务触发列表中。换言之，在两次拉取请求之间，第一业务触发列表中仅添加了业务数据信息1，从而可以将第二业务触发列表中的业务数据信息1称之为目标历史推荐数据信息，并可以将该业务数据信息1对应的触发时间戳确定为最大触发时间戳，此时，可以将该最大触发时间戳对应的时刻称之为目标时刻，此时，该特征更新时长内将不存在历史时刻，或者该历史时刻的取值可以视为0。

又比如，仍以图4所示的业务数据信息1、业务数据信息2、业务数据信息3和业务数据信息4为例，若该目标服务器在将业务数据信息1添加至第一业务触发列表中之后，还按照触发时间戳依次将业务数据信息3和业务熟悉信息4添加至第一业务触发列表中，则可以进一步将该添加了业务数据信息1、业务数据信息3、业务数据信息4的第一业务触发列表确定为第二业务触发列表。如图4所示，该第一业务触发列表中可以包含在上述图4所示的A1时刻之前的其他历史触发时间戳相关联的业务数据信息，并可以将该第一业务触发列表中的与其他历史时间戳相关联的业务数据信息称之为历史业务数据信息。换言之，在第二业务触发列表中的每个业务数据信息都可以对应一个触发时间戳，考虑到目标用户每次可以查阅一个业务数据信息，因此，该第二业务触发列表中的每个业务数据信息所对应的触发时间戳是不相同的。为了与前述历史业务数据信息进行区别，本发明实施例可以将新添加到第一业务数据列表中的业务数据信息1、业务数据信息3、业务数据信息4统称为目标历史推荐数据信息，并将该目标历史推荐数据信息对应的触发时间戳确定为最新添加的业务出具信息4对应的最大触发时间戳。

由此可见，如图4所示的目标服务器在获取到上述图4所示的目标用户终端在A1时刻所发送的第二拉取请求时，可以将目标网络模型在第二特征更新时长(即上述上一特征更新时长)内所最终输出的隐藏特征称之为第一隐藏特征，进而可以在A2时刻时基于该第一隐藏特征所表征的用户画像信息(即上一特征更新时长内的不同时刻的用户画像特征和业务数据特征)，从图4所示的业务数据库中进行数据筛选，从而可以筛选出与该目标用户具有关联关系的多个历史推荐数据信息，并可以在图4所示的A3时刻将这些筛选出的多个历史推荐数据信息统称为筛选的业务数据信息，并将这些筛选的业务数据信息返回给目标用户终端，以使目标用户终端可以在终端屏幕上输出显示这些筛选的业务数据信息，即该目标用户终端可以显示图4所示的业务数据信息1、业务数据信息2、业务数据信息3、业务数据信息4。

其中，该目标服务器在将筛选出的这四个业务数据信息下发给该目标用户终端进行展示时，会同步在数据推送列表中记录该目标用户与这四个业务数据信息之间的数据推送关系。比如，目标用户与业务数据信息1之间的数据推送关系可以表示为E1，目标用户与业务数据信息2之间的数据推送关系可以表示为E2，目标用户与业务数据信息3之间的数据推送关系可以表示为E3，目标用户与业务数据信息4之间的数据推送关系可以表示为E4。可以理解的是，此时，业务数据信息1、业务数据信息2、业务数据信息3、业务数据信息4即为上述与目标用户具有关系关系的多个历史推荐数据信息。当目标用户对多个历史推荐数据信息中的某一个历史推荐数据信息进行点击操作(即上述触发操作)时，该目标服务器可以进一步记录该目标用户与该点击操作所对应的历史推荐数据信息之间的数据触发关系，并可以将该点击操作对应的历史推荐数据信息称之为目标历史推荐数据信息。

由此可见，当目标服务器获取到针对目标应用的第二拉取请求时，可以基于目标网络模型的初始隐藏特征从业务数据库中筛选与所述目标用户具有关联关系的多个历史推荐数据信息，并在将所述多个历史推荐数据信息推送给目标用户之后，记录所述目标用户与多个历史推荐数据信息中的目标历史推荐数据信息之间的数据触发关系。

为便于理解，进一步地，请参见图5，是本发明实施例提供的一种记录数据触发关系的示意图。在本发明实施例中，该目标服务器从业务数据库所筛选得到的与目标用户具有关联的多个历史推荐数据信息，可以为上述图4所示的业务数据信息1、业务数据信息2、业务数据信息3，业务数据信息4。因此，当目标服务器将这4个业务数据信息下发给图5所示的目标用户终端进行展示的同时，还可以在图5所示的数据推送列表中记录该目标用户与这四个业务数据信息之间的数据推送关系。因此，当目标用户在图5所示的显示界面100a中对所显示四个业务数据信息中的业务数据信息1执行点击操作1时，可以生成该点击操作对应的数据点击指令，并可以将该数据点击指令发送给图5所示的目标服务器，以使该目标服务器可以根据该点击操作1对应的数据点击指令，将业务数据信息1对应的数据内容返回给该目标用户终端，以使该目标用户终端可以将所接收到的数据内容显示在该业务数据信息1对应的内容显示界面，以便于目标用户能够在该内容显示界面上查阅该业务数据信息1对应的数据内容，以确保数据推荐的结果可以更加准确，进而可以增加该目标用户在该目标应用中的活跃时长。换言之，目标用户终端在接收到业务数据信息1对应的数据内容时，可以将终端的显示界面由图5所示的显示界面100a切换为前述内容显示界面。可以理解的是，该目标服务器在将业务数据信息1对应的数据内容返回给该目标用户终端时，还可以同步将该目标用户与该业务数据信息1之间的数据触发关系添加到图5所示的数据推送列表。换言之，该目标服务器可以在数据推送列表中为业务数据信息1所在列表栏中的状态标签设置为点击标签，并可以在业务数据信息1所在的列表栏中记录该业务数据信息1对应的触发时间戳(例如，上述图4所对应实施例中的A4时刻)。

应当理解，该数据推送列表可以用于记录该目标用户与推送的各历史推荐数据信息之间的数据推送关系，该数据推送列表还可以用于记录每个历史推荐数据信息与目标用户之间的数据触发关系，即可以根据记录到的数据触发关系，在数据推送列表中为对应的历史推荐数据信息设置已点击标签，从而可以在该数据推送列表中将携带已点击标签的历史推荐数据信息统称为目标历史推荐数据信息。进一步地，目标服务器可以在该数据推送列表中将上述携带已点击标签的历史推荐数据信息添加到第一业务触发列表中，该第一业务触发列表可以为上述图4所示的第一业务触发列表。因此，当目标服务器将图5所示的目标历史推荐数据信息添加到第一业务触发列表之后，可以将该添加了目标历史推荐数据信息的第一业务触发列表称之为第二业务触发列表，即可以得到图5所示的第二业务触发列表。其中，图5所示的第二业务触发列表中可以包含上述图4所示的第一业务触发列表中的历史业务数据信息，还可以进一步包含新添加到该第一业务触发列表中的业务数据信息1、业务数据信息3和业务数据信息4。在本发明实施例中，若业务数据信息1对应的触发时间戳为A₄₁时刻，业务数据信息2对应的触发时间戳为A₄₂时刻，业务数据信息3对应的触发时间戳为A₄₃时刻，且这三个业务数据信息对应的触发时间顺序为A₄₁时刻→A₄₂时刻→A₄₂时刻，则该目标服务器可以将业务数据信息4对应的触发时间戳确定为最大触发时间戳，并将业务数据信息4对应的最大触发时间戳称之为目标时刻，并可以将业务数据信息3对应的触发时间戳和业务数据信息1对应的触发时间戳统称为历史时刻。

其中，为便于理解，进一步地，请参见表1，是本发明实施例提供的一种数据推送列表中的部分业务数据信息对应的分布情况表。如表1所示，该数据推送列表中记录着目标服务器基于第二拉取请求所下发给目标用户(即上述图1所对应实施例中的用户终端3000a对应的用户A)的多个历史推荐数据信息，该多个多个历史推荐数据信息可以为上述图4所对应实施例中的业务数据信息1、业务数据信息2、业务数据信息3和业务数据信息4。

表1

如上述表1所示，用户A可以在当前时间为A₄₁时刻时，对上述图5所示的显示界面100a中的业务数据信息1执行点击操作1，从而可以得到该点击操作1对应的数据点击指令1，从而可以将该数据点击1指令发送给目标服务器，以使该目标服务器可以在表1所示的数据推送列表中记录用户A与该业务数据信息1之间的数据触发关系1，换言之，目标服务器可以基于该记录到的数据触发关系1在表1所示的数据推送列表中将业务数据信息1所在列表栏的状态标签设置为已点击标签，并可以在该数据推送列表中用数值1表示已点击标签。与此同时，该目标服务器还可以根据该数据触发关系1中所携带的触发时间戳在表1所示的数据推送列表中将业务数据信息1对应的触发时间戳记为表1所示的A₄₁时刻。

同理，用户A还可以在当前时间为A₄₂时刻时，对上述图5所示的显示界面100a中的业务数据信息3执行点击操作2，从而可以得到该点击操作2对应的数据点击指令2，从而可以将该数据点击2指令发送给目标服务器，以使该目标服务器可以在表1所示的数据推送列表中记录用户A与该业务数据信息3之间的数据触发关系2，换言之，目标服务器可以基于该记录到的数据触发关系2在表1所示的数据推送列表中将业务数据信息3所在列表栏的状态标签设置为已点击标签，并可以在该数据推送列表中用数值1表示已点击标签。与此同时，该目标服务器还可以根据该数据触发关系2中所携带的触发时间戳，在表1所示的数据推送列表中将业务数据信息3对应的触发时间戳记为表1所示的A₄₂时刻。以此类推，该目标服务器还可以在表1所示的数据推送列表中将业务数据信息4对应的触发时间戳记为表1所示的A₄₃时刻。所以，在本发明实施例中，可以按照各业务数据信息分别对应的触发时间戳的触发时间顺序将业务数据信息4对应的触发时间戳确定为最大触发时间戳，从而可以将业务数据信息4对应的A₄₃时刻可以为目标历史推荐数据信息所对应的最大触发时间戳。换言之，目标服务器会将最新记录到的触发时间戳确定为目标历史推荐数据信息对应的触发时间戳，从而可以在特征更新时长内将该最新记录到的触发时间戳称之为目标时刻，并将A₄₂时刻和A₄₁时刻一并称之为历史时刻。

进一步地，该目标服务器可以从该数据推送列表中将携带已点击标签的业务数据信息1、业务数据信息3和业务数据信息4称之为目标历史推荐数据信息，从而可以将携带已点击标签的业务数据信息1、业务数据信息3和业务数据信息4依次添加到上述图4所示的第一业务触发列表中，从而可以将添加了该业务数据信息1、业务数据信息3和业务数据信息4的第一业务触发列表称之为第二业务触发列表，具体的，请参见图5所示的第二业务触发列表的示意图。

其中，可以理解的是，该目标服务器可以根据该第二业务触发列表中的目标历史推荐数据信息得到该用户A(即目标用户)在特征更新时长内的业务数据阅读序列，从而可以基于该业务数据阅读序列中的各业务数据信息的业务数据特征、和历史业务数据信息对应的历史数据特征向量，构建该用户A在当前时刻(即上述图4所对应实施例中A5时刻)的业务数据特征向量。其中，可以理解的是，所述业务数据特征向量中可以包含多个联系时间段内(即多个目标特征更新时长内)的不同时刻分别对应的业务数据特征；同理，该目标服务器可以通过目标历史推荐数据信息对应的目标用户属性信息、以及所述历史业务数据信息对应的历史用户属性信息，构建所述目标网络模型对应的用户画像特征向量；其中，可以理解的是，所述用户画像特征向量中可以包含所述多个目标特征更新时长内的不同时刻分别对应的用户画像特征。

步骤S102，将目标网络模型在上一特征更新时长内所得到的隐藏特征确定为初始隐藏特征；

其中，所述初始隐藏特征可以为所述目标网络模型在上一特征更新时长内所得到的隐藏特征(即上述第一隐藏特征)；所述初始时刻可以为所述上一特征更新时长内的最大触发时间戳对应的第二时刻。应当理解，该目标网络模型在该第二拉取请求对应的上一特征更新时长内的初始时刻所得到隐藏特征可以为上述图2b所示的隐藏状态n。即该初始隐藏特征也可以用于表征该第二拉取请求对应的目标用户的用户画像信息。在本发明实施例中，可以将在上一特性更新时长内所构建得到的第二用户画像特征向量称之为历史用户特征向量或上一用户画像特征向量，以便于该目标网络模型可以基于该历史用户特征向量进一步在该特征更新时长内构建得到第一用户画像特征向量，并将该第一用户画像特征向量称之为用户画像特征向量。同理，可以将在上一特性更新时长内所构建得到的第二业务数据特征向量称之为历史数据特征向量或上一业务数据特征向量，以便于该目标网络模型可以基于该历史数据特征向量，在特征更新时长内构建得到第一业务数据特征向量，并将该第一业务数据特征向量称之为业务数据特征向量。

其中，可以理解的是，该用户画像特征向量中的各用户画像特征可以用于描述该目标用户在不同时刻所对应的用户属性信息随时间序列中的时间而变化的关系，并可以将该用户属性信息随时间序列中的时间而变化的关系称之为该目标用户的用户画像演进信息，该用户画像演进信息中可以包含该特征更新时长内的该目标用户的用户画像演变序列。由此可见，通过该目标网络模型可以将同一用户(即目标用户)在不同时刻的用户画像特征和业务数据特征进行融合，以使该目标网络模型可以进一步对该目标用户的用户属性信息的演进过程进行建模，并可以对该目标用户的业务数据信息的演进过程进行建模，从而可以根据建模后所得到的隐藏特征(例如，上述初始隐藏特征)进行数据推荐，以确保该第二拉取请求对应的推荐结果可以与该第二拉取请求所对应的上一特征更新时长内的业务数据阅读序列相关，还可以同时兼顾上一特征更新时长内的用户属性信息的演变历史。

步骤S103，从业务数据特征向量中获取所述多个第一时刻分别对应的业务数据特征，并从用户画像特征向量中获取所述多个第一时刻分别对应的用户画像特征；

具体地，目标服务器可以获取所述目标网络模型对应的业务数据特征向量和用户画像特征向量；若所述多个第一时刻包含上述历史时刻和目标时刻，则可以从所述用户画像特征向量中获取所述历史时刻对应的用户画像特征作为第二用户画像特征，并从所述业务数据特征向量中获取所述历史时刻对应业务数据特征作为第二业务数据特征；同理，该目标服务器也可以从所述用户画像特征向量中获取所述目标时刻对应的用户画像特征作为第一用户画像特征，并从所述业务数据特征向量中获取所述目标时刻对应业务数据特征作为第一业务数据特征。

其中，所述目标时刻可以为该特征更新时长内具有最大触发时间戳所对应的第一时刻、所述历史时刻为该特征更新时长内除所述目标时刻之外的剩余触发时间戳所对应的第一时刻。即该目标时刻和历史时刻均为特征更新时长内的时刻。

步骤S104，根据所述初始隐藏特征、所述多个第一时刻分别对应的业务数据特征、以及所述多个第一时刻分别对应的用户画像特征，确定所述目标网络模型在所述特征更新时长内的目标隐藏特征；

具体地，应用服务器可以通过所述目标网络模型将所述第二用户画像特征、所述第二业务数据特征以及所述初始隐藏特征进行融合，并将融合后的初始隐藏特征作为所述目标网络模型在所述历史时刻的历史隐藏特征；进一步地，通过所述目标网络模型将所述第一用户画像特征，所述第一业务数据特征以及所述历史隐藏特征进行融合，并将融合后的历史隐藏特征作为所述目标网络模型在所述目标时刻的目标隐藏特征。

为便于理解，本发明实施例以上述图5所示的第二业务触发列表中的业务数据信息1、业务数据信息3和业务数据信息4为例，以对该目标服务器获取到的多个第一时刻分别对应的用户画像特征和业务数据特征进行阐述。目标服务器可以从所构建的业务数据特征向量中得到A₄₁时刻的业务数据特征1，A₄₂时刻的业务数据特征2和A₄₃时刻的业务数据特征3。此时，该业务数据特征向量可以表示为X＝{x₁，x₂，…，x_n，x_n+1,x_n+2,x_n+3}。在该业务数据特征向量中，{x₁，x₂，…，x_n}可以用于表示历史数据特征向量；其中，x_n+1,x_n+2,x_n+3可以统称为从每个第一时刻对应的目标历史推荐数据信息中提取到的目标业务数据特征，即目标服务器可以将目标业务数据特征与历史数据特征向量进行拼接，并将拼接后的历史数据特征向量确定为所述目标网络模型对应的业务数据特征向量。其中，x_n+1可以用于表示图5所示的业务数据信息1的业务数据特征1，x_n+2可以用于表示图5所示的业务数据信息3的业务数据特征2，x_n+3可以用于表示图5所示的业务数据信息4的业务数据特征3。同理，目标服务器可以将前述不同时刻时(即A₄₁时刻、A₄₂时刻、A₄₃时刻)的用户画像特征与历史用户特征向量(例如，{u₁，u₂，…，u_n})进行拼接，并将拼接后的历史用户特征向量确定为所述目标网络模型对应的用户画像特征向量，该用户画像特征向量可以表示为U＝{u₁，u₂，…，u_n，u_n+1,u_n+2,u_n+3}。其中，u_n+1可以用于表示上述表1所示的业务数据信息1对应的用户画像特征1，u_n+2可以用于表示上述表1所示的业务数据信息3对应的用户画像特征2，u_n+3可以用于表示上述表1所示的业务数据信息4对应的用户画像特征3。

鉴于此，在特征更新时长内，目标服务器可以将目标网络模型在初始时刻(即目标网络模型在上述上一特征更新时长内的时刻)得到的隐藏特征作为历史时刻(例如，上述表1所示的A₄₁时刻)的初始隐藏特征(例如，h0)，并从所述用户画像特征向量(即U)中获取所述历史时刻(即A₄₁时刻)对应的用户画像特征作为第二用户画像特征(即u_n+1)，并从所述业务数据特征向量(即X)中获取所述历史时刻(即A₄₁时刻)对应业务数据特征作为第二业务数据特征(即x_n+1)；其中，所述初始时刻可以为时间序列中上一特征更新时长内的最大触发时间戳对应的第二时刻；进一步地，该目标服务器可以通过所述目标网络模型将所述第二用户画像特征(即u_n+1))、所述第二业务数据特征(即x_n+1))以及所述初始隐藏特征(即h0)进行融合，并将融合后的初始隐藏特征作为所述目标网络模型在所述历史时刻(即A₄₁时刻)的历史隐藏特征(例如，h1),即该历史隐藏特征(h1)可以为该目标网络模型在A₄₁时刻所输出的隐藏特征。

以此类推，在该特征更新时长内，该目标服务器可以进一步将目标网络模型在A₄₁时刻所得到的隐藏特征作为新的历史时刻(例如，上述表1所示的A₄₂时刻)的新的初始隐藏特征(例如，h1)，并从所述用户画像特征向量(即U)中获取该新的历史时刻(即A₄₂时刻)对应的用户画像特征作为新的第二用户画像特征(即u_n+2)，并从所述业务数据特征向量(即X)中获取该新的历史时刻(即A₄₂时刻)对应业务数据特征作为新的第二业务数据特征(即x_n+2)；其中，所述历史时刻和所述新的历史时刻均为该特征更新时长内的第一时刻；进一步地，该目标服务器可以通过所述目标网络模型将所述新的第二用户画像特征(即u_n+2))、所述新的第二业务数据特征(即x_n+2))以及所述新的初始隐藏特征(即h1)进行融合，并将融合后的新的初始隐藏特征作为所述目标网络模型在新的历史时刻(即A₄₂时刻)的新的历史隐藏特征(例如，h2)，即该新的历史隐藏特征(h2)可以为该目标网络模型在A₄₂时刻所输出的隐藏特征。由于本发明实施例是将具有最大触发时间戳的时刻称之为目标时刻(例如，A₄₃时刻)，所以，可以在特征更新时长内将目标时刻前的所有第一时刻(例如，A₄₁时刻、A₄₂时刻)统称为历史时刻。

其中，在本发明实施例中的目标网络模型可以为循环神经网络模型中的门控循环单元，该门控循环单元可以理解为一种门控循环神经网络，本发明实施例中的门控循环神经网络可以用于处理时间上不连续但彼此存在一定关系的序列数据。比如，以上述表1所示的三个触发时间戳(A₄₁时刻、A₄₂时刻.A₄₃时刻)为例，通过该门控循环神经网络可以对这三个不同时刻下的用户画像特征以及业务数据特征进行建模，从而可以更好地捕捉上述表1中的各触发时间戳之间的依赖关系。其中，在该门控循环神经网络(即目标网络模型)中可以将上述表1所示的A₄₁时刻、A₄₂时刻统称为历史时刻，并将该目标网络模型在A₄₁时刻所得到隐藏特征(h1)和A₄₂时刻所得到的隐藏特征(h2)统称为历史隐藏特征，并可以将上述表1所示的A₄₃时刻称之为目标时刻，并可以将该目标时刻对应的用户画像特征称之为第一用户画像特征(即u_n+3)，并可以将该目标时刻对应的业务数据特征称之为第一业务数据特征(即x_n+3)。鉴于此，通过该门控循环神经网络(即目标网络模型)可以广义上的将该历史时刻称之为目标时刻的上一时刻。

其中，该门控循环神经网络通过引入了门的概念，可以修改循环神经网络中隐藏状态(即隐藏特征)的计算方式。该门控循环神经网络可以包括重置门(即第一重置门和第二重置门)、更新门、候选隐藏状态(即候选隐藏特征)和隐藏状态。其中，门控循环神经网络的重置门(reset gate)和更新门(update gate)的输入均为当前时刻(即当前时刻为t时刻)所对应的输入特征(即当前时刻的业务数据特征可以为x_t和当前时刻的用户画像特征可以为u_t)与上一时刻所对应的隐藏特征h_t-1；该门控循环神经网络的输出(即隐藏特征h_t)可以由激活函数为sigmoid函数(即σ函数)的全连接层计算得到。其中，该门控循环神经网络中的重置门主要用于捕捉时间序列里与上述第一拉取请求对应的特征更新时长相关联的输入特征之间的依赖关系，且更新门主要用于捕捉时间序列里与目标时长相关联的所有输入特征之间的依赖关系。

应当理解，以上述图5所示的第二业务触发列表中的业务数据信息1、业务数据信息3、业务数据信息4为例，则该目标网络模型所对应的特征更新时长内可以包含三个第一时刻(即上述图2b所对应实施例中的n为3，且各触发时间戳所对应的第一时刻可以为上述表1中的A₄₁时刻、A₄₂时刻和A₄₃时刻)，从而可以将这三个第一时刻分别对应的用户画像特征和业务数据特征统称为该目标网络模型的输入特征，该输入特征可以理解为目标用户的用户状态特征。可以理解的是，在本发明实施例中，可以根据第二业务触发列表中与该特征更新时长相关联的每个业务数据信息，确定出该目标网络模型的第一输入序列，并可以将该第一输入序列称之为业务数据阅读序列，以便于后续可以将该第一输入序列中的这些业务数据信息分别对应的业务数据特征作为输入特征依次输入到该目标网络模型。同理，在本发明实施例中，还可以根据与前述每个业务数据信息所对应的用户属性信息，确定出该目标网络模型的第二输入序列，并可以将该第二输入序列称之为用户画像演进序列，以便于后续可以将该第二输入序列中的这些用户属性信息分别对应的用户画像特征作为另一输入特征依次输入到该目标网络模型。其中，对于该目标网络模型而言，可以将该上述第一输入序列和第二输入序列称之为目标输入序列，从而可以将该目标输入序列中的每个输入特征所对应的触发时间戳(例如，业务数据信息所对应的触发时间戳)称之为一个第一时刻或一个时间步，从而可以通过该目标网络模型(例如，门控循环神经网络)构建得到上述三个第一时刻之间的依赖关系，以便于能够在当前时刻为A₄₃时刻时输出该目标网络模型的目标隐藏特征。

为便于理解，进一步地，请参见图6，是本发明实施例提供的一个门控循环神经网络的结构示意图。如图6所示，该门控循环神经网络中可以包括上述第一重置门(即图6所示的重置门1)、上述第二重置门(即图6所示的重置门2)、上述更新门、第一业务数据特征对应的候选隐藏特征(h’)，第二业务数据特征对应的候选隐藏特征(h”)，以及用于描述目标用户的用户画像信息的目标隐藏特征(即h)。通过图6所示的重置门1、重置门2以及更新门可以尽可能地保存各输入到该门控循环神经网络中的目标输入序列中的数据信息，且不会随时间的变化而清除所保存的目标输入序列中的数据信息，也不会因为与预测不相关而移除该目标输入序列中的数据信息。应当理解，本发明实施例可以将同一用户(即目标用户)在特征更新时长内的每个不同时刻时的用户属性信息进行整合，得到所述目标用户对应的用户画像演进序列，此外，还可以在该特征更新时长内将该目标用户所查阅过的所有业务数据信息进行整合，得到该目标用户对应的业务数据阅读序列。

其中，如图6所示的门控循环神经网络可以包括两个重置门，这两个重置门中的一个重置门(例如，图6所示的重置门1)的门控参数可以记为r_t，另一个重置门(即图6所示的重置门2)的门控参数可以记为g_t。此外，如图6所示的更新门的门控参数可以记为z_t。如图6所示，通过该门控循环神经网络可以将当前时刻为t时刻时的两个输入特征(即一个输入特征为图6所示的第一用户画像特征和另一个输入特征为图6所示的第一业务数据特征)与t-1时刻(即前一时刻)的所得到的隐藏特征(即图6所示的隐藏特征)进行融合，以得到当前时刻为t时刻的输出特征，此时，该门控循环神经网络可以将该t时刻所输出的隐藏特征称之为图6所示的目标隐藏特征。

其中，在图6所示的门控循环神经网络中，可以将目标隐藏特征记为h_t，并可以将历史隐藏特征记为h_t-1，并可以将t时刻的第一用户画像特征记为u_t,并可以将t时刻的第一业务数据特征记为x_t。鉴于此，可以将该门控循环神经网络的输出特征(即h_t)用如下门控循环神经网络的输出计算公式(1)进行表示：

h_t＝XGRU(x_t,u_t,h_t-1)＝(1-z_t)°h_t-1+z_t°(h'_t+h”_t) 公式(1)

在公式(1)中，XGRU可以理解为一种运算符，该运算符能够用于将多个输入特征(即图6所示的第一用户画像特征、第一业务数据特征和历史隐藏特征)进行函数映射后而得到图6所示的隐藏状态h(即隐藏特征)，并可以将当前时刻为t时刻所得到的隐藏特征进行输出，以输出图6所示的目标隐藏特征(即h_t)。换言之，在特征更新时长内，通过该运算符可以将门控循环神经网络在t时刻的两个输入特征(即u_t和x_t)以及在上一时刻(即t-1时刻)所得到的隐藏特征(即h_t-1)进行映射，以得到门控循环神经网络在t时刻的隐藏特征(h_t)。

在公式(1)中，z_t为更新门的门控参数，并可以用z_t表示更新门所对应的激活结果，换言之，通过该更新门的门控参数可以将上一时刻的历史隐藏特征(即h_t-1)与当前时刻的与第一业务数据特征对应的候选隐藏特征(即h'_t)、第一用户画像特征对应的候选隐藏特征(即h”_t)进行组合，以得到图6所示的目标隐藏特征。换言之，公式(1)所得到的目标隐藏特征可以描述上述目标时长内所最终保留并记忆到的总记忆信息。该总记忆信息可以包含两部分，一部分为(1-z_t)与h_t-1进行按位乘法后所得到的时间序列截止到上一时刻(即t-1时刻)所保留并记忆到的历史记忆信息，另一部分为z_t与候选隐藏特征之间进行按位乘法后所得到的当前时刻新记忆到的目标记忆信息。其中，符号“°”可以用于表示矩阵中的元素之间可以进行按位乘法。比如，矩阵A＝[1,2,3]，矩阵B＝[2,3,4]，则将矩阵A与矩阵B进行按位乘法，即可以得到矩阵C＝[1×2,2×3,3×4]＝[2,6,12]。换言之，该按位乘法可以理解为不同矩阵中的相同位置上的元素之间进行相乘。

应当理解，在本发明实施例中的每个触发时间戳均可以对应一个业务数据信息和一个用户属性信息。因此，通过将该特征更新时长内的每个业务数据信息进行整合，可以得到上述业务数据阅读序列，与此同时，通过将该特征更新时长内的同一用户的每个用户属性信息进行整合，还可以同步得到与该业务数据阅读序列对应的用户画像演进序列，从而可以在获取到第一拉取请求时，可以基于上述数据推送列表中所记录到的各触发时间戳，依次将该业务数据阅读序列中的各业务数据信息的业务数据特征和与各业务数据特征分别对应的用户画像特征给到该门控循环神经网络，以使该门控循环神经网络可以基于上述公式(1)得到与各触发时间戳分别对应的隐藏特征。可以理解的是，在该门控循环神经网络所对应的时间序列中，任意两个相邻的触发时间戳所对应的隐藏特征之间是彼此关联的，即在该特征更新时长内，该门控循环神经网络可以将在上一个触发时间戳所得到的隐藏特征作为当前触发时间戳所对应的历史隐藏特征。

其中，在该门控循环神经网络中，重置门1和重置门2均可以用于控制上一时刻的历史隐藏特征如何流入当前时刻的候选隐藏特征，且上一时刻历史隐藏特征可以包含时间序列截止到上一时刻的全部历史记忆信息，因此，通过图6所示的重置门1和重置门2均可以丢弃无关的历史记忆信息。换言之，若历史隐藏特征为一个特征向量，则该重置门的门控参数(即上述图6所示的重置门1和重置门2的门控参数)均可以是一个由0到1所组成的门控向量，该重置门的门控参数可以用于衡量该特征更新时长内的门控开启的大小。例如，以重置门2的门控参数g_t为例，若在特征更新时长内，若在t-1时刻的历史隐藏特征(该历史隐藏特征中可以包括：年龄特征、性别特征，地域特征等)中存在年龄特征所对应的门控向量中的门控值为0，那么通过当前时刻的重置门2则可以选择遗忘该t-1时刻的年龄特征，并保留该历史隐藏特征中的其他特征。同理，若在t-1时刻的历史隐藏特征所对应的重置门2的门控参数为0，那么通过当前时刻的重置门2则可以选择遗忘上一时刻的历史隐藏特征。其中，该门控循环神经网络中的这三个门控参数可以使用以下公式(2)来进行计算：

[z_t,r_t,g_t]＝σ([W_z,W_r,W_g]x_t+[V_z,V_r,V_g]u_t+[U_z,U_r,U_g]h_t-1+[b_z,b_r,b_g]) 公式(2)

在公式(2)中，r_t为重置门1的门控参数，g_t为重置门2的门控参数，z_t为更新门的门控参数，W_z，W_r，W_g均为该门控循环神经网络的输入特征x_t(即第一业务数据特征)所对应的权重矩阵中的第一权重参数；在公式(2)中，V_z，V_r，V_g均为该门控循环神经网络的输入特征u_t(即第一用户画像特征)所对应的权重矩阵中的第二权重参数；在公式(2)中，U_z，U_r，U_g为该门控循环神经网络的输入特征h_t-1(即历史隐藏特征)所对应的权重矩阵中的第三权重参数；在公式(2)中，b_z，b_r，b_g为该门控循环神经网络的偏差参数。其中，应当理解，该门控循环神经网络中的更新门可以将上述四部分信息相加，并投入到激活函数(即σ函数)中，从而可以将各门控参数对应的激活结果压缩到0到1之间。换言之，在所述目标网络模型中，可以获取所述第一业务数据特征对应的第一权重参数、第一用户数据特征对应的第二权重参数、所述历史隐藏特征对应的第三权重参数、以及所述目标网络模型的偏差参数，并可以按照上述公式(2)将所述第一业务数据特征、所述第一权重参数、所述第一用户画像特征、所述第二权重参数、所述历史隐藏特征、所述第三权重参数以及所述偏差参数作为所述目标网络模型中的激活函数对应的输入参数，从而可以输出所述更新门对应的门控参数、所述第一重置门对应的门控参数和所述第二重置门对应的门控参数。

其中，如图6所示，该门控循环神经网络中的候选隐藏状态1(即h'_t)和候选隐藏状态2(即h”_t)的计算公式可以用如下公式(3)和公式(4)表示：

h'_t＝tanh(W_h'x_t+U_h'(r_t°h_t-1)+b_h') 公式(3)

h”_t＝tanh(W_h”u_t+U_h”(g_t°h_t-1)+b_h”) 公式(4)

在公式(3)中的符号“°”可以用于表示门控参数r_t和历史隐藏特征h_t-1之间可以根据矩阵的按位乘法进行运算。同理，在公式(4)中的符号“°”可以用于表示门控参数g_t和历史隐藏特征h_t-1之间可以根据矩阵的按位乘法进行运算。在公式(3)中，W_h'，U_h'和b_h'均为该门控循环神经网络中用于得到候选隐藏状态1(即h'_t)对应的候选参数，同理，在公式(4)中，W_h”，U_h”和b_h”均为该门控循环神经网络中用于得到候选隐藏状态2(即h”_t)所对应的候选参数。换言之，基于所述第一重置门对应的门控参数、所述历史隐藏特征以及所述第一业务数据特征，可以在所述目标网络模型中确定所述第一业务数据特征对应的候选隐藏特征；此外，基于所述第二重置门对应的门控参数、所述历史隐藏特征以及所述第一用户画像特征，可以在所述目标网络模型中确定所述第一用户画像特征对应的候选隐藏特征。

应当理解，如上述图6所示，输入特征x_t可以理解为目标服务器所构建的业务数据特征向量(比如，X＝{x₁，x₂，…x_k，x_t-1，x_t})中的第t个分量，其中，k和t的值均为大于0的正整数。在该业务数据特征向量X中可以将向量{x₁，x₂，…x_k}称之为上述第一业务触发列表对应的历史数据特征向量；可以将向量x_t-1称之为该目标网络模型在历史时刻的第二业务数据特征，还可以将向量x_t称之为该目标网络模型在目标时刻的第一业务数据特征。应当理解，在本发明实施例可以将上述第二触发列表中每个业务数据信息对应的触发时间戳所构成的序列称之为时间序列，从而可以将该时间序列中的将每个触发时间戳统称为一个时刻，或者一个时间步。鉴于此，若该特征更新时长内的多个第一时刻为上述表1中所记录到的三个触发时间戳(即A₄₁时刻，A₄₂时刻，A₄₃时刻)，则该目标服务器可以在这三个触发时间戳中将最大触发时间戳对应的第一时刻称之为目标时刻，并可以将目标时刻之前的第一时刻(或当前时间步之前的时间步)统称为历史时刻，并可以将该目标网络模型(即图6所示的门控循环神经网络)在上一特征更新时长内的最大触发时间戳对应的第二时刻(即前述业务数据特征向量X的第k个分量所对应的触发时间戳)称之为初始时刻。换言之，本发明实施例可以将该特征更新时长的前一时间步所对应的触发时间戳称之为初始时刻，并可以广义上的认为在上述目标时长所对应的时间序列中，该初始时刻为该历史时刻的前一时刻，即在获取到第二拉取请求时，可以将前述第k个分量所对应的时刻所输出的隐藏特征称之为与该该特征更新时长对应的初始隐藏特征。

为便于理解，进一步地，请参见图7，是本发明实施例提供的一种获取目标隐藏特征的场景示意图。如图7所示的时间序列中包含该目标用户在特征更新时长内的多个第一时刻分别对应的用户画像特征和多个第一时刻分别对应的业务数据特征，通过该目标网络模型可以对每个第一时刻的用户状态特征(即用户画像特征和业务数据特征)进行建模，从而可以输出图7所示的目标隐藏特征。其中，为便于理解，本发明实施例以该特征更新时长内的多个第一时刻为上述表1所记录到的三个触发时间戳(即图7所示的A₄₁时刻、A₄₂时刻、A₄₃时刻)为例，以描述上一特征更新时长与该特征更新时长之间的关联关系。如图7所示，上一特征更新时长内的多个第二时刻可以包含图7所示的A₃₁时刻、A₃₂时刻。在该时间序列中，A₃₂时刻为该上一特征更新时长内的最大触发时间戳对应的时刻，从而可以将图7所示的A₃₂时刻称之为初始时刻，并可以将该目标网络模型在上一特征更新时长所得到的隐藏特征(即图7所示的隐藏特征5)作为该特征更新时长内的A₄₁时刻(该A₄₁时刻可以称之为图7所示的时间序列中的第1时间步)的初始隐藏特征，并可以将该第1时间步的第二用户画像特征(即图7所示的用户画像特征1)和第二业务数据特征(图7所示的业务数据特征1)与该初始隐藏特征进行融合，以输出该A₄₁时刻对应的隐藏特征(即图7所示的隐藏特征1)。其中，该目标服务器对各输入特征进行融合的具体方式可以参照上述公式(1)、公式(2)、公式(3)和公式(4)，从而可以得到该目标网络模型在第1时间步的隐藏特征1。进一步地，该目标服务器可以将该目标网络模型在第1时间步的隐藏特征1作为该目标网络模型在第2时间步(即图7所示的A₄₂时刻)的输入特征，并可以将该第2时间步对应的业务数据特征作为新的第二业务数据特征(即图7所示的业务数据特征2)，与此同时，该目标服务器还可以将该第2时间步对应的用户画像特征作为新的第二用户画像特征(即图7所示的用户画像特征2)，并可以将获取到的新的第二业务数据特征和新的第二用户画像特征一并作为该目标网络模型在第2时间步(即A₄₂时刻)的输入特征，从而可以使该目标网络模型通过上述公式(1)、公式(2)、公式(3)和公式(4)得到该目标网络模型在A₄₂时刻的输出特征(即图7所示的隐藏特征2)，即可以得到该目标网络模型在第2时间步的隐藏特征2。

应当理解，本发明实施例可以将该目标网络模型在第1时间步所得到的隐藏特征1和第2时间步所得到的隐藏特征2可以统称为历史隐藏特征，并可以将图7所示的A₄₁时刻和A₄₂时刻统称为历史时刻。进一步地，该目标服务器可以将该目标网络模型在第2时间步的隐藏特征2作为该目标网络模型在第3时间步(即A₄₃时刻)的输入特征，并可以将该第3时间步对应的业务数据特征作为第一业务数据特征(即图7所示的业务数据特征3)，与此同时，该目标服务器还可以将该第3时间步对应的用户画像特征作为第一用户画像特征(即图7所示的用户画像特征3)，并可以将获取到的第一业务数据特征和第一用户画像特征一并作为该目标网络模型在第3时间步(即A₄₃时刻)的输入特征，从而可以使该目标网络模型通过上述公式(1)、公式(2)、公式(3)和公式(4)得到该目标网络模型在A₄₃时刻的输出特征(该输出特征可以为图7所示的隐藏特征3)，即可以得到该目标网络模型在第3时间步的隐藏特征3，并可以将该第3时间步的隐藏特征3称之为该目标网络模型的目标隐藏特征。此时，该目标隐藏特征可以称之为新的第一隐藏特征(或者第二隐藏特征)。应当理解，该目标隐藏特征可以用于表征与所述第一拉取请求对应的目标用户的用户画像信息。由此可见，通过将连续时间段内的用户画像特征和业务数据特征进行建模，可以得到更为完备的用户画像信息，从而可以确保该目标隐藏特征所表征的用户画像信息在后续用于进行数据推荐时，能够有效地确保所推荐的数据结果能够贴合该目标用户的喜好，即可以提高数据推荐的准确性。

在本发明实施例中，响应针对目标应用的第一拉取请求，获取该第一拉取请求对应的特征更新时长，该特征更新时长为该第一拉取请求与上一拉取请求之间的时长，该特征更新时长内可以包含多个第一时刻，所述多个第一时刻中的每个第一时刻均对应相应的业务数据特征和用户画像特征；所以，可以将目标网络模型在上一特征更新时长内所得到的隐藏特征确定为初始隐藏特征，从而可以利用该目标网络模型将初始隐藏特征、所述多个第一时刻分别对应的第一用户画像特征、以及所述多个第一时刻分别对应的第一业务数据特征进行融合，以使该目标网络模型可以在该特征更新时长内输出用于描述目标用户的用户画像信息的目标隐藏特征。其中，通过该目标网络模型可以建立起连续时间段内(即该特征更新时长与上一特征更新时长)的用户画像特征和业务数据特征之间的关联关系，即该目标网络模型所输出的目标隐藏特征可以同时兼顾连续时间段内的不同时刻下的用户画像特征和业务数据特征，从而可以在业务数据推荐***中准确刻画出更加贴合该目标用户喜好的用户画像信息，进而可以有效地确保用户画像数据的准确性和完备性。

进一步地，请参见图8，是本发明实施例提供的另一种用户画像数据处理方法的流程示意图。如图8所示，所述方法可以包括：

步骤S201，响应针对目标应用的第一拉取请求，获取所述第一拉取请求对应的特征更新时长。

其中，所述特征更新时长内包含多个第一时刻；所述特征更新时长是由所述第一拉取请求对应的第一请求时间戳与第二拉取请求对应的第二请求时间戳所确定的；所述第二拉取请求为所述第一拉取请求的上一拉取请求，所述第二拉取请求用于获取与目标用户具有关联关系的多个历史推荐数据信息。

步骤S202，在所述特征更新时长内，将所述多个历史推荐数据信息中与所述目标用户之间存在数据触发关系的历史推荐数据信息确定为目标历史推荐数据信息。

具体地，目标服务器可以在数据推送列表获取将该特征更新时长内所推送给目标用户的多个历史推荐数据信息，从而可以从多个历史推荐数据信息中将与所述目标用户之间存在数据触发关系的历史推荐数据信息确定为目标历史推荐数据信息，即可以将携带已点击标签的历史推荐数据信息统称为目标历史推荐数据信息。

步骤S203，基于每个目标历史推荐数据信息以及历史业务数据信息，构建所述目标网络模型对应的业务数据特征向量；

具体地，目标服务器可以将每个目标历史推荐数据信息添加到第一业务触发列表，并将携带所述每个目标历史推荐数据信息的第一业务触发列表作为第二业务触发列表；所述第一业务触发列表和所述第二业务触发列表中均包含与所述目标用户之间存在历史触发关系的历史业务数据信息；进一步地，在所述第二业务触发列表中，将所述特征更新时长内的每个第一时刻对应的目标历史推荐数据信息确定为目标业务数据信息；进一步地，对所述目标业务数据信息的语义特征进行提取，并将提取到的语义特征作为所述目标业务数据信息对应的目标业务数据特征；进一步地，获取所述第一业务触发列表对应的历史数据特征向量，并将所述目标业务数据特征与所述历史数据特征向量进行拼接，并将拼接后的历史数据特征向量确定为所述目标网络模型对应的业务数据特征向量。其中，所述业务数据特征向量中包含所述特征更新时长内的多个第一时刻分别对应的业务数据特征；一个业务数据特征对应一个目标历史推荐数据信息。

步骤S204，通过所述每个目标历史推荐数据信息对应的目标用户属性信息、以及所述历史业务数据信息对应的历史用户属性信息，构建所述目标网络模型对应的用户画像特征向量；

具体地，目标服务器可以在所述第二业务触发列表中，将所述每个第一时刻的目标历史推荐数据信息所对应的用户属性信息确定为目标用户属性信息；进一步地，将所述目标用户属性信息中的用户属性特征与所述目标网络模型中的注意力模型特征进行组合，并将组合后的用户属性特征确定为所述目标用户属性信息对应的目标用户画像特征；进一步地，获取与所述第一业务触发列表相关联的历史用户特征向量，并将所述目标用户画像特征与所述历史用户特征向量进行拼接，并将拼接后的历史用户特征向量确定为所述目标网络模型对应的用户画像特征向量。其中，所述用户画像特征向量中包含所述多个第一时刻分别对应的用户画像特征。

为便于理解，进一步地，请参见图9，是本发明实施例提供的一种构建用户画像特征向量的场景示意图。如图9所示，目标服务器可以将图9所示的性别、年龄、地域、标签、…、类目等属性信息统称为待输入到图9所示的向量嵌入层的用户属性信息。其中，本发明实施例可以将该目标用户在每个第一时刻(例如，t时刻，t为大于0的正整数)的用户属性信息称之为目标用户属性信息。所以，当目标服务器将目标用户属性信息输入到图9所示的向量嵌入层之后，可使该向量嵌入层输出与各属性信息对应的用户属性特征。其中，用户属性特征可以包括：(性别特征，男)；(年龄特征，50)；(地域特征，江苏)；(标签特征，素描，西红柿，防癌)；(类目特征，养生健康，美食)。可以理解的是，在本发明实施例的特征更新时长内，可以将每个第一时刻(即每个触发时间戳)对应的用户属性信息输入到图9所示的向量嵌入层后，均会对应的输出一个用户属性特征。进一步地，该目标服务器可以在t时刻将目标用户属性信息中的用户属性特征给到图9所示的自注意力层，从而可以可以从上述多个用户属性特征中确定出该目标用户属性信息对应的目标用户画像特征。比如，该目标用户在t时刻的目标用户画像特征可以为：(性别特征，男)；(年龄特征，50)；(地域特征，江苏)。应当理解，本发明实施例可以将上述特征更新时长内的不同时刻所得到的用户画像特征统称为目标用户画像特征，并可以进一步将该目标用户画像特征与所述历史用户特征向量进行拼接，并将拼接后的历史用户特征向量确定为所述目标网络模型对应的用户画像特征向量，以构建出图9所示的用户画像特征向量。

其中，在自注意力层中，用户属性特征可以记为F＝[f₁，f₂，…，f_n]，此时，可以用这些属性特征来表示一系列的用户特征，此时，该自注意力层的注意力模型的自注意力机制可以表示为：

在公式(5)中，Q、K、V为注意力模型的模型参数，且有Q＝K＝V＝X。在公式(5)中，d为上述用户属性特征向量F的长度。此外，本发明实施例采用多头自注意力机制，从而可以将上述各用户属性特征进行组合，且每个用户属性特征之间没有顺序特征，从而可以得到符合用户关注度的用户画像特征u_t。在该注意力机制中所采用的多个头中一个头可以表示为：

head_i＝Attention(QW_i ^Q,KW_i ^K,VW_i ^V) 公式(6)

在公式(6)中，W_i ^Q，W_i ^K，W_i ^V为每个模型参数所对应的权重矩阵W中的权重系数；因此，在上述特征更新时长内，可以将多个头进行拼接，再与上述矩阵W相乘，即可以得到与该特征更新时长内的各时刻分别对应的用户表示向量.

其中，用户表示向量可以描述为：

U₁＝[head₁,head₂,head₃,...,head_n]W° 公式(7)

应当理解，公式(7)中的用户表示向量U₁可以为所构建的用户画像特征向量中的与特征更新时长中的各时刻所对应的向量分量，每个向量分量可以理解为上述特征更新时长内的目标用户属性信息对应的用户画像特征。本发明实施例可以进一步将该用户表示向量(即U1)与历史所述历史用户特征向量((例如，U2，该U2中的每个第一时刻的用户画像特征也同样是采用上述注意力模型而得到))进行拼接，进而可以将拼接后的历史用户特征向量确定为所述目标网络模型对应的用户画像特征向量。

步骤S205，将目标网络模型在上一特征更新时长内所得到的隐藏特征确定为初始隐藏特征；

其中，所述初始隐藏特征为所述目标网络模型在上一特征更新时长内的初始时刻所得到的隐藏特征；所述初始时刻可以为所述上一特征更新时长内的最大触发时间戳对应的第二时刻；所述上一特征更新时长为上述第二拉取请求与该第二拉取请求的上一拉取请求(即上述第四拉取请求)之间的目标特征更新时长。

步骤S206，从业务数据特征向量中获取所述多个第一时刻分别对应的业务数据特征，并从用户画像特征向量中获取所述多个第一时刻分别对应的用户画像特征；

其中，所述多个第一时刻包含历史时刻和目标时刻，所述多个第一时刻分别对应的业务数据特征中包含所述历史时刻对应的第二业务数据特征、所述目标时刻对应的第一业务数据特征；所述多个第一时刻分别对应的用户画像特征中包含所述历史时刻对应的第二用户画像特征、所述目标时刻对应的第一用户画像特征；所述历史时刻为所述目标时刻的上一时刻。

步骤S207，根据所述初始隐藏特征、所述多个第一时刻分别对应的业务数据特征、以及所述多个第一时刻分别对应的用户画像特征，确定所述目标网络模型在所述特征更新时长内的目标隐藏特征。

具体地，目标服务器可以通过所述目标网络模型将所述第二用户画像特征、所述第二业务数据特征以及所述初始隐藏特征进行融合，并将融合后的初始隐藏特征作为所述目标网络模型在所述历史时刻的历史隐藏特征；进一步地，通过所述目标网络模型将所述第一用户画像特征，所述第一业务数据特征以及所述历史隐藏特征进行融合，并将融合后的历史隐藏特征作为所述目标网络模型在所述目标时刻的目标隐藏特征。其中，获取目标隐藏特征的具体获取过程可以参见上述图7所对应实施例中对目标隐藏特征的描述，这里将不再继续进行赘述。

步骤S208，通过所述目标隐藏特征所表征的所述用户画像信息从业务数据库中获取多个第一候选数据信息；

步骤S209，获取所述目标用户对应的初步筛选规则，并从所述多个第一候选数据信息筛选与所述初步筛选规则相符的第一候选数据信息作为第二候选数据信息；

步骤S210，从筛选出的所有第二候选数据信息中选择与所述目标隐藏特征所表征的所述用户画像特征向量、所述业务数据特征向量相符的第二候选数据信息作为待推荐数据信息。

步骤S211，将所选择的待推荐数据信息作为目标推荐数据信息下发给所述目标用户。

其中，所述目标推荐数据信息可以包含多个子推荐数据信息，当目标服务器将所述多个子推荐数据信息推送给所述目标用户之后，可以根据所述多个子推荐数据信息中的每个子推荐数据信息的点击概率生成所述第一点击率预估模型对应的预测向量，其中，所述预测向量包含目标预测向量；所述目标预测向量用于描述目标用户在所述第一拉取请求的下一时刻对所述多个子推荐数据信息中的第一子推荐数据信息进行点击的预测概率；进一步地，当记录到所述目标用户在所述下一时刻针对所述多个子推荐数据信息中的第二子推荐数据信息的点击关系(即新的数据触发关系)时，基于所述点击关系生成所述第一点击率预估模型对应的点击向量；所述点击向量包含目标点击向量；其中，所述目标点击向量用于描述所述目标用户在所述下一时刻对所述多个子推荐数据信息中的第二子推荐数据信息进行点击的实际概率；进一步地，根据所述目标预测向量和所述目标点击向量确定所述第一点击率预估模型的损失函数，并通过梯度下降函数对所述损失函数进行优化，并将优化后的损失函数确定为目标函数，并将所述目标函数对应的第一点击率预估模型确定为第二点击率预估模型。可以理解的是，本发明实施例中的第一点击率预估模型和第二点击率预估模型可以为上述图2b所对应实施例中的点击率预估模型。

其中，目标服务器将筛选出的目标推荐数据信息下发给目标用户之前，该目标服务器还可以通过第一点击率预估模型预测所选择的待推荐数据信息中的每个待推荐数据信息对应的点击概率，并对所述每个待推荐数据信息对应的点击概率进行排序，并从排序后的待推荐数据信息中获取目标推荐数据信息，从而可以将所选择的更为贴合该目标用户喜好的目标推荐数据信息推荐给所述目标用户。

为便于理解，进一步地，请参见图10，是本发明实施例提供的一种获取目标推荐数据信息的场景示意图。其中，为便于理解，本发明实施例以所述业务数据信息为文章信息为例，当目标用户在图10所示的第一显示页面中对目标应用所在的操作区域执行触发操作时，可以在图10所示的目标用户终端中生成该触发操作对应的文章信息获取请求，该文章信息获取请求可以为图10所示的第一拉取请求，进一步地，该目标用户终端可以向图10所示的目标服务器发送该第一拉取请求。应当理解，该目标服务器在获取到该第一拉取请求之后，可以基于该第一拉取请求对应的第一拉取时间戳和第二拉取请求对应的第二拉取时间戳，确定出与图10所示的目标用户具有关联关系的目标网络模型的特征更新时长，从而可以在该特征更新时长内，对该目标用户的用户属性信息进行建模，以得到该目标用户在上述目标时长内的用户画像特征向量。此外，该目标服务器还可以在该特征更新时长内，对该目标用户所阅读过的文章信息进行建模，从而可以得到该目标用户在上述目标时长内的业务数据特征向量。

其中，可以理解的是，在该特征更新时长内，该目标用户所点击阅读过的所有文章所构成的序列信息可以称之为上述业务数据阅读序列，并可以同步得到该业务数据阅读序列对应的用户画像演进序列，进而可以将业务数据阅读序列中的各文章信息所对应的业务数据特征和用户画像演进序列中的各用户属性信息所对应的用户画像特征，作为该目标网络模型的输入特征，从而可以基于该目标网络模型构建得到各不同触发时间戳所对应的输入特征之间的关联关系。应当理解，这些特征之间的关联关系即可以用该目标网络模型在特征更新时长内所输出的目标隐藏特征来描述。鉴于此，如图10所示，该目标服务器在得到该目标隐藏特征之后，可以基于目标隐藏特征所描述的各不同时刻的输入特征之间的关联关系(即该目标隐藏特征当前所表征的用户画像信息)，从图10所示的业务数据库中筛选出与该目标用户具有关联关系的待推荐数据信息，其中，所述待推荐数据信息可以包含图10所示的文章信息10、文章信息20、文章信息30、文章信息40、文章信息50、文章信息60。

其中，该目标服务器可以使用点击率预估模型预估目标用户对上述图10所筛选出的待推荐数据信息进行点击的概率，并可以进一步对预估得到的这些待推荐数据信息对应的点击概率进行归一化处理，从而可以对归一化后的点击概率进行排序，以便于可以从排序后的这些点击概率中选择出排序靠前(即概率最大)的多个待推荐数据信息作为目标推荐数据信息，从而可以将该目标推荐数据信息下发给图10所示的目标用户终端。比如，目标服务器可以根据该点击率预估模型预测出图10所示的6个文章信息对应的点击概率，并可以进一步对这6个文章信息的点击概率进行归一化处理，得到这6个业务属性信息分别对应的新的点击概率，从而可以在对这6个业务数据信息的新的点击概率进行排序后，能够选择出具有最大概率的多个文章信息(比如，可以将排在前二的两篇文章信息)作为目标推荐数据信息推荐给目标用户。

其中，点击率预估模型可以为第一点击率预估模型，该第一点击率预估模型的预估函数可以为softmax函数，该softmax函数可以用于根据目标隐藏特征从业务数据库中筛选出符合用户兴趣的待推荐数据信息，从而可以进一步预测出目标用户在下一刻对所筛选出的待推荐数据信息中的每个待推荐数据信息进行点击的概率。鉴于此，该第一点击率预估模型可以表示为：

P＝softmax(h_t) 公式(8)

换言之，通过该公式(8)，可以得到每个待待推荐数据信息对应的预测概率(即上述预估得到的点击概率)。为便于理解，本发明实施例以目标服务器所筛选出的待推荐数据信息为上述文章信息10、文章信息20、文章信息30、文章信息40、文章信息50、文章信息60为例，以阐述获取目标推荐数据信息的另一种方式。进一步地，请参见表2，是本发明实施例提供的一种筛选出的待推荐数据信息的点击概率的分布情况表。

如下述表2所示，文章信息10、文章信息20、文章信息50和文章信息60的点击概率均大于该第一点击率预估模型的点击概率阈值，因此，该目标服务器可以将文章信息10、文章信息20、文章信息50和文章信息60统称为目标推荐数据信息，从而可以将该目标推荐数据信息下发给图10所示的目标用户终端，以使该目标用户终端可以在图10所示的第二显示页面上展示前述文章信息10、文章信息20、文章信息50和文章信息60。

表2

应当理解，进一步地，目标用户还可以在该目标用户终端中对所展示的目标推荐数据信息执行触发操作，从而可以基于该触发操作生成新的数据触发指令，并将该新的数据触发指令给到该目标服务器，以使目标服务器可以进一步对上述数据推送列表中的目标推荐数据信息对应的状态标签进行更新，从而可以得到新的数据推送列表。因此，当该目标服务器获取到第三拉取请求时，可以基于该第一拉取请求对应的第一拉取时间戳和第三拉取请求对应的第三拉取时间戳，确定新的特征更新时长(即上述第三拉取请求对应的下一特征更新时长)，并可以将与上述特征更新时长所关联的目标隐藏特征作为该新的特征更新时长内的新的历史时刻的初始隐藏特征，从而可以重复执行上述步骤S101-步骤S104，以得到新的目标隐藏特征，从而可以推荐新的文章信息给到该目标用户，以确保数据推荐的准确度。

其中，可以理解的是，由于点击率预估模型中的预估函数softmax函数是用于预测目标用户在下一刻对所下发的各子推荐数据信息进行点击的概率，这个概率可以理解为称之为点击概率或者预测概率。因此，本发明实施例可以采取有监督的模式对该点击率预估模型的预估函数进行监督，比如，当该点击率预估模型预测出用户在下一时刻对文章信息x_k进行点击的预测概率最大，然而当下一时刻到来时，用户并未点击该具有最大预测概率的文章信息x_k，而是点击率另一个文章信息x_i，因此，当上述预测向量中的文章序号k不等于点击向量中的文章序号i时，即预测结果与实际结果不相符时，则需要对该点击率预估模型当前所使用的预估函数进行修正，从而可以使用梯度下降的方法对当前所使用的预估函数进行优化，从而可以在该点击率预估模型的模型参数达到收敛时，确定得到新的预估函数，从而可以将该新的预估函数称之为目标函数。

其中，为便于理解，本发明实施例可以以上述表2所示的6个待推荐数据信息为例，通过上述公式(5)中的预估函数可以预测得到这6个待推荐数据信息中每个待推荐数据信息对应的点击概率，即有Y＝{y1，y2，y3，y4，y5，y6}。

其中，y1为上述表2所示的文章信息10的点击概率(即0.15)，y2为上述表2所示的文章信息20的点击概率(即0.25)，y3为上述表2所示的文章信息30的点击概率(即0.1)，y4为上述表2所示的文章信息40的点击概率(即0.1)，y5为上述表2所示的文章信息50的点击概率(即0.25)，y6为上述表2所示的文章信息60的点击概率(即0.15)。由于该第一点击率预估模型的点击概率阈值为0.1，因此，本发明实施例可以将上述表1中的6个文章信息的点击概率进行排序，并将排序符的文章信息20，文章信息50、文章信息10和文章信息60称之为目标推荐数据信息，换言之，该目标推荐数据信息可以包含4个子推荐数据信息，当目标服务器将上述4个子推荐数据信息下发给目标用户时，可以同步记录该目标用户与这4个子推荐数据信息之间的数据推送关系，从而可以将与该目标用户之间存在数据推送关系的子推荐数据信息称之为第一子推荐数据信息，从而可以根据所推送的这4个子推荐数据信息的点击概率生成所述第一点击率预估模型对应的预测向量，例如，P＝{y2，y5，y1，y6}＝{0.25，0.25，0.15，0.15}＝{p1，p2，p3，p4}。其中，p1为文章向量20对应的预测概率，p2为文章向量50对应的预测概率，p3为文章向量10对应的预测概率，p4为文章向量60对应的预测概率。其中，p1，p2，p3，p4可以统称为目标预测向量。可以理解的是，本发明实施例中可以从筛选出的N个(即上述6个)待推荐数据信息中获取k个(即上述4个)子推荐数据信息下发给目标用户。

应当理解，该目标服务器将上述4个子推荐数据信息下发给目标用户之后，可以进一步统计在新的特征更新时长内的目标用户与这4个子推荐数据信息之间的点击关系，从而可以将与该目标用户之间具有点击关系的子推荐数据信息称之为第二子推荐数据信息，进而可以基于所述点击关系生成所述第一点击率预估模型对应的点击向量。比如，该目标用户针对下发的4个子推荐数据信息中的文章信息10执行点击操作时，该点击向量可以表示为：R＝{r1，r2，r3，r4}＝{0，0，1，0}。，其中，r1为文章向量20对应的实际概率，r2为文章向量50对应的实际概率，r3为文章向量10对应的实际概率，r4为文章向量60对应的实际概率。其中，r1，r2，r3，r4可以统称为目标点击向量。

可以理解的是，此时，目标服务器可以基于该目标预测向量和所述目标点击向量确定所述第一点击率预估模型的损失函数，该损失函数的计算公式可以为：

Loss(P,R)＝∑_0≤i≤Nri*log(pi) 公式(9)

在公式(9)中，P为上述预测向量，R为上述点击向量，i为各向量中的元素个数，N为推送给该目标用户的子推荐数据信息的个数。pi为预测向量中的目标预测向量，该目标预测向量用于描述在获取到所述第一拉取请求后的下一时刻对所述多个子推荐数据信息中的第一子推荐数据信息进行点击的预测概率。同理，ri为点击向量中的目标点击向量，该目标点击向量用于描述所述目标用户在所述下一时刻对所述多个子推荐数据信息中的第二子推荐数据信息进行点击的实际概率，该实际概率的取值为0(未点击)或者1(点击)。

其中，目标服务器可以在获取到上述第一拉取请求之后，基于业务数据推荐***中的召回逻辑、初选逻辑和精排序逻辑从业务数据库中筛选与该目标隐藏特征所表征的目标用户的用户画像信息相符的待推荐数据信息，并将筛选出的待推荐数据信息进行排序，从而可以将上述目标推荐数据信息下发给该目标用户，以使该目标用户对应的目标用户终端可以将所接收到的目标推荐数据信息进行展示。

为便于理解，进一步地，请参见11，是本发明实施例提供的一种业务数据推荐***的示意图。如图11所示，该业务数据推荐***中可以包含用于存储数据信息的数据***，该数据***中可以包含图11所示的业务数据库10d和用户画像库(即图11所示的用户画像10c)，该用户画像库可以为上述图1所对应实施例中各用户终端(例如，用户终端3000a，用户终端3000b，…，用户终端3000n)所分别对应的用户的用户画像演进信息(即该用户画像库可以用于存储同一用户在不同时刻的用户属性信息所构成的用户画像演进信息)。当图11所示的目标服务器获取到目标用户终端(例如，用户终端3000a)所发送的第一拉取请求时，可以基于图11所示的召回逻辑中的召回方法1(例如，用户画像召回方法)从用户画像10c中获取该用户终端3000a所对应的目标用户的用户画像演进信息，从而可以根据该用户画像演进信息得到该目标用户的特定画像信息(例如，年龄：30、性别：女，地域：深圳，武汉，上海)，以便于可以从图11所示的业务数据库10d中获取与该特定画像信息相符的业务数据信息，换言之，目标服务器可以基于该用户画像召回方法从该业务数据库中拉取多个第一候选数据信息作为图11所示的召回逻辑10a对应的召回结果。

进一步地，该目标服务器可以从将拉取到的大量的召回结果给到图11所示的初选逻辑10b，从而可以根据该初选逻辑10b中的初步筛选规则(例如：用户文档相关性(该文档相关性是通过内容协调算法对不同文档之间的相关性进行协同计算后所得到的)、实效性、地域性和多样性等筛选规则)对上述多个第一候选数据信息进行初步筛选，以得到与该初步筛选规则相符的第一候选数据信息作为第二候选数据信息。其中，图11所示的筛选规则1、。。。、筛选规则n即为前述初步筛选规则中的筛选规则，通过该初选逻辑10b可以从大量召回结果中筛选出与该目标用户相匹配的个性化推荐信息，以有效地减少后续精排序逻辑10c的计算规模。进一步地，该目标服务器可以通过图11所示的精排序逻辑10c从筛选出的所有第二候选数据信息中选择与所述目标隐藏特征所表征的所述用户画像特征向量、所述业务数据特征向量相符的第二候选数据信息作为待推荐数据信息。从而可以通过图11所示的预估模型(即上述点击率预估模型)对所筛选出的待推荐数据信息的点击概率进行排序，从而可以从排序后的待推荐数据信息中选择出点击概率大于点击概率阈值的待推荐数据信息作为目标推荐数据信息，以便于可以将该目标推荐数据信息推送给该目标用户所在的用户终端进行展示。应当理解，本发明实施例还可以对上述用户画像库中的不同用户的用户画像信息之间的相似性进行协同计算，从而可以将该目标推荐数据信息推送给与该目标用户具有相似特征其他用户。

在本发明实施例中，响应针对目标应用的第一拉取请求，获取该第一拉取请求对应的特征更新时长，该特征更新时长为该第一拉取请求与上一拉取请求之间的时长，该特征更新时长内可以包含多个第一时刻，所述多个第一时刻中的每个第一时刻均对应相应的业务数据特征和用户画像特征；所以，可以将目标网络模型在上一特征更新时长内所得到的隐藏特征确定为初始隐藏特征，从而可以利用该目标网络模型将初始隐藏特征、所述多个第一时刻分别对应的第一用户画像特征、以及所述多个第一时刻分别对应的第一业务数据特征进行融合，以使该目标网络模型可以在该特征更新时长内输出用于描述目标用户的用户画像信息的目标隐藏特征。其中，通过该目标网络模型可以建立起连续时间段内(即该特征更新时长与上一特征更新时长)的用户画像特征和业务数据特征之间的关联关系，即该目标网络模型所输出的目标隐藏特征可以同时兼顾连续时间段内的不同时刻下的用户画像特征和业务数据特征，从而可以在业务数据推荐***中准确刻画出更加贴合该目标用户喜好的用户画像信息，进而可以有效地确保用户画像数据的准确性和完备性。

进一步地，请参见图12，是本发明实施例提供的一种用户画像数据处理装置的结构示意图。所述用户画像数据处理装置1可以应用于上述目标服务器，该目标服务器可以为上述图1所对应实施例中的业务服务器2000。进一步地，该用户画像数据处理装置1可以包括：时长获取模块10，第一获取模块20，第二获取模块30，目标特征确定模块40；进一步地，所述用户画像数据处理装置1还可以包括：触发关系确定模块50，业务向量构建模块60，用户向量构建模块70，数据获取模块80，第一筛选模块90，第二筛选模块100和数据下发模块110；

时长获取模块10，用于响应针对目标应用的第一拉取请求，获取所述第一拉取请求对应的特征更新时长；所述特征更新时长内包含多个第一时刻；

第一获取模块20，用于将目标网络模型在上一特征更新时长内所得到的隐藏特征确定为初始隐藏特征；

第二获取模块30，用于从业务数据特征向量中获取所述多个第一时刻分别对应的业务数据特征，并从用户画像特征向量中获取所述多个第一时刻分别对应的用户画像特征。

其中，所述多个第一时刻包含历史时刻和目标时刻，所述多个第一时刻分别对应的业务数据特征中包含所述历史时刻对应的第二业务数据特征、所述目标时刻对应的第一业务数据特征；所述多个第一时刻分别对应的用户画像特征中包含所述历史时刻对应的第二用户画像特征、所述目标时刻对应的第一用户画像特征；所述历史时刻为所述目标时刻的上一时刻。

目标特征确定模块40，用于根据所述初始隐藏特征、所述多个第一时刻分别对应的业务数据特征、以及所述多个第一时刻分别对应的用户画像特征，确定所述目标网络模型在所述特征更新时长内的目标隐藏特征；所述目标隐藏特征用于表征与所述第一拉取请求对应的目标用户的用户画像信息。

其中，所述目标特征确定模块40包括：历史特征确定单元401和目标特征确定单元402；

历史特征确定单元401，用于通过所述目标网络模型将所述第二用户画像特征、所述第二业务数据特征以及所述初始隐藏特征进行融合，并将融合后的初始隐藏特征作为所述目标网络模型在所述历史时刻的历史隐藏特征；

目标特征确定单元402，用于通过所述目标网络模型将所述第一用户画像特征，所述第一业务数据特征以及所述历史隐藏特征进行融合，并将融合后的历史隐藏特征作为所述目标网络模型在所述目标时刻的目标隐藏特征。

其中，所述目标网络模型包含第一重置门、第二重置门和更新门；

所述目标特征确定单元402包括：权重获取子单元4021，参数获取子单元4022，第一确定子单元4023，第一确定子单元4024，第三确定子单元4025；

权重获取子单元4021，用于在所述目标网络模型中，获取所述第一业务数据特征对应的第一权重参数、第一用户数据特征对应的第二权重参数、所述历史隐藏特征对应的第三权重参数、以及所述目标网络模型的偏差参数；

参数获取子单元4022，用于将所述第一业务数据特征、所述第一权重参数、所述第一用户画像特征、所述第二权重参数、所述历史隐藏特征、所述第三权重参数以及所述偏差参数作为所述目标网络模型中的激活函数对应的输入参数，输出所述更新门对应的门控参数、所述第一重置门对应的门控参数和所述第二重置门对应的门控参数；

第一确定子单元4023，用于基于所述第一重置门对应的门控参数、所述历史隐藏特征以及所述第一业务数据特征，在所述目标网络模型中确定所述第一业务数据特征对应的候选隐藏特征；

第二确定子单元4024，用于基于所述第二重置门对应的门控参数、所述历史隐藏特征以及所述第一用户画像特征，在所述目标网络模型中确定所述第一用户画像特征对应的候选隐藏特征；

第三确定子单元4025，用于根据所述更新门对应的门控参数、所述第一业务数据特征对应的候选隐藏特征、所述第一用户画像特征对应的候选隐藏特征、以及所述历史隐藏特征，确定所述目标网络模型在所述目标时刻的目标隐藏特征。

其中，所述权重获取子单元4021，参数获取子单元4022，第一确定子单元4023，第一确定子单元4024，第三确定子单元4025的具体实现方式可参见上述图6所对应实施例中对获取目标隐藏特征的具体过程的描述，这里将不再继续进行赘述。

其中，所述历史特征确定单元401和目标特征确定单元402的具体实现方式可参见上述图3所对应实施例中对获取目标隐藏特征的具体过程的描述，这里将不再继续进行赘述。

其中，所述时长获取模块10，第一获取模块20，第二获取模块30，目标特征确定模块40的具体实现方式可参见上述图3所对应实施例中对步骤S101-步骤S104的描述，这里将不再继续进行赘述。

其中，所述特征更新时长是由所述第一拉取请求对应的第一请求时间戳与第二拉取请求对应的第二请求时间戳所确定的；所述第二拉取请求为所述第一拉取请求的上一拉取请求，所述第二拉取请求用于获取与目标用户具有关联关系的多个历史推荐数据信息。

可选地，触发关系确定模块50，用于在所述特征更新时长内，将所述多个历史推荐数据信息中与所述目标用户之间存在数据触发关系的历史推荐数据信息确定为目标历史推荐数据信息；

业务向量构建模块60，用于基于每个目标历史推荐数据信息以及所述历史业务数据信息，构建所述目标网络模型对应的业务数据特征向量；所述业务数据特征向量中包含所述多个第一时刻分别对应的业务数据特征；一个业务数据特征对应一个目标历史推荐数据信息；

其中，其中，所述业务向量构建模块60包括：数据添加单元601，目标业务确定单元602，特征提取单元603，业务向量确定单元604；

数据添加单元601，用于将每个目标历史推荐数据信息添加到第一业务触发列表，并将携带所述每个目标历史推荐数据信息的第一业务触发列表作为第二业务触发列表；所述第一业务触发列表和所述第二业务触发列表中均包含与所述目标用户之间存在历史触发关系的历史业务数据信息；

目标业务确定单元602，用于在所述第二业务触发列表中，将所述特征更新时长内的每个第一时刻对应的目标历史推荐数据信息确定为目标业务数据信息；

特征提取单元603，用于对所述目标业务数据信息的语义特征进行提取，并将提取到的语义特征作为所述目标业务数据信息对应的目标业务数据特征；

业务向量确定单元604，用于获取所述第一业务触发列表对应的历史数据特征向量，并将所述目标业务数据特征与所述历史数据特征向量进行拼接，并将拼接后的历史数据特征向量确定为所述目标网络模型对应的业务数据特征向量。

其中，所述数据添加单元601，目标业务确定单元602，特征提取单元603，业务向量确定单元604的具体实现方式可参见上述图3所对应实施例中对构建业务数据特征向量的具体过程的描述，这里将不再继续进行赘述。

用户向量构建模块70，用于通过所述每个目标历史推荐数据信息对应的目标用户属性信息、以及所述历史业务数据信息对应的历史用户属性信息，构建所述目标网络模型对应的用户画像特征向量；所述用户画像特征向量中包含所述多个第一时刻分别对应的用户画像特征。

其中，所述用户向量构建模块70包括：目标属性确定单元701，特征组合单元702，用户向量确定单元703；

目标属性确定单元701，用于在所述第二业务触发列表中，将所述每个第一时刻的目标历史推荐数据信息所对应的用户属性信息确定为目标用户属性信息；

特征组合单元702，用于将所述目标用户属性信息中的用户属性特征与所述目标网络模型中的注意力模型特征进行组合，并将组合后的用户属性特征确定为所述目标用户属性信息对应的目标用户画像特征；

用户向量确定单元703，用于获取与所述第一业务触发列表相关联的历史用户特征向量，并将所述目标用户画像特征与所述历史用户特征向量进行拼接，并将拼接后的历史用户特征向量确定为所述目标网络模型对应的用户画像特征向量。

其中，所述目标属性确定单元701，特征组合单元702，用户向量确定单元703的具体实现方式可参见上述图3所对应实施例中对构建用户画像特征向量的具体过程的描述，这里将不再继续进行赘述。

可选地，数据获取模块80，用于通过所述目标隐藏特征所表征的所述用户画像信息从业务数据库中获取多个第一候选数据信息；

第一筛选模块90，用于获取所述目标用户对应的初步筛选规则，并从所述多个第一候选数据信息筛选与所述初步筛选规则相符的第一候选数据信息作为第二候选数据信息；

第二筛选模块100，用于从筛选出的所有第二候选数据信息中选择与所述目标隐藏特征所表征的所述用户画像特征向量、所述业务数据特征向量相符的第二候选数据信息作为待推荐数据信息；

数据下发模块110，用于将所选择的待推荐数据信息作为目标推荐数据信息下发给所述目标用户。

其中，所述数据下发模块110包括：概率预测单元111和排序单元112；进一步地，所述数据下发模块110还包括：预测向量生成单元113，点击向量生成单元114，优化子单元115；

概率预测单元111，用于通过第一点击率预估模型预测所选择的多个待推荐数据信息中的每个待推荐数据信息对应的点击概率；

排序单元112，用于对所述每个待推荐数据信息对应的点击概率进行排序，并从排序后的待推荐数据信息中获取目标推荐数据信息，并将所述目标推荐数据信息推荐给所述目标用户。

可选地，预测向量生成单元113，用于根据所述多个子推荐数据信息中的每个子推荐数据信息的点击概率生成所述第一点击率预估模型对应的预测向量；所述预测向量包含目标预测向量；所述目标预测向量用于描述所述目标用户在所述第一拉取请求的下一时刻对所述多个子推荐数据信息中的第一子推荐数据信息进行点击的预测概率；

点击向量生成单元114，用于当记录到所述目标用户在所述下一时刻针对所述多个子推荐数据信息中的第二子推荐数据信息的点击关系时，基于所述点击关系生成所述第一点击率预估模型对应的点击向量；所述点击向量包含目标点击向量；所述目标点击向量用于描述所述目标用户在所述下一时刻对所述多个子推荐数据信息中的第二子推荐数据信息进行点击的实际概率；

优化子单元115，用于根据所述目标预测向量和所述目标点击向量确定所述第一点击率预估模型的损失函数，并通过梯度下降函数对所述损失函数进行优化，并将优化后的损失函数确定为目标函数，并将所述目标函数对应的第一点击率预估模型确定为第二点击率预估模型。

其中，所述排序单元112，具体用于基于降排序规则对所述每个待推荐数据信息对应的点击概率进行排序，并从排序后的待推荐数据信息中筛选点击概率大于点击概率阈值的待推荐数据信息作为目标推荐数据信息，并将筛选出的目标推荐数据信息推送给目标用户。

其中，所述概率预测单元111，排序单元112，预测向量生成单元113，点击向量生成单元114，优化子单元115的具体实现方式可参见上述图8所对应实施例中对获取目标推荐数据信息的具体过程的描述，这里将不再继续进行赘述。

其中，所述触发关系确定模块50，业务向量构建模块60，用户向量构建模块70，数据获取模块80，第一筛选模块90，第二筛选模块100和数据下发模块110的具体实现方式可参见上述图8所对应实施例中的步骤S201-步骤S211的描述，这里将不再继续进行赘述。

在本发明实施例中，响应针对目标应用的第一拉取请求，获取该第一拉取请求对应的特征更新时长，该特征更新时长为该第一拉取请求与上一拉取请求之间的时长，该特征更新时长内可以包含多个第一时刻，所述多个第一时刻中的每个第一时刻均对应相应的业务数据特征和用户画像特征；所以，可以将目标网络模型在上一特征更新时长内所得到的隐藏特征确定为初始隐藏特征，从而可以利用该目标网络模型将初始隐藏特征、所述多个第一时刻分别对应的第一用户画像特征、以及所述多个第一时刻分别对应的第一业务数据特征进行融合，以使该目标网络模型可以在该特征更新时长内输出用于描述目标用户的用户画像信息的目标隐藏特征。其中，通过该目标网络模型可以建立起连续时间段内(即该特征更新时长与上一特征更新时长)的用户画像特征和业务数据特征之间的关联关系，即该目标网络模型所输出的目标隐藏特征可以同时兼顾连续时间段内的不同时刻下的用户画像特征和业务数据特征，从而可以在业务数据推荐***中准确刻画出更加贴合该目标用户喜好的用户画像信息，进而可以有效地确保用户画像数据的准确性和完备性。

进一步地，请参见图13，是本发明实施例提供的另一种用户画像数据处理装置的结构示意图。如图13所示，该用户画像数据处理装置1000可以应用于目标服务器，该目标服务器可以为上述图1所对应实施例中的业务服务器2000。该用户画像数据处理装置1000可以包括：处理器1001，网络接口1004和存储器1005，此外，所述用户画像数据处理装置1000还可以包括：用户接口1003，和至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(Display)、键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1004可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图13所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及设备控制应用程序。

其中，用户画像数据处理装置1000中的网络接口1004还可以与上述图1所对应实施例中的目标用户终端进行网络连接，且可选用户接口1003还可以包括显示屏(Display)、键盘(Keyboard)。在图13所示的用户画像数据处理装置1000中，网络接口1004可提供网络通讯功能；而用户接口1003主要用于为用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序，以实现：

响应针对目标应用的第一拉取请求，获取所述第一拉取请求对应的特征更新时长；所述特征更新时长内包含多个第一时刻；

将目标网络模型在上一特征更新时长内所得到的隐藏特征确定为初始隐藏特征；

从业务数据特征向量中获取所述多个第一时刻分别对应的业务数据特征，并从用户画像特征向量中获取所述多个第一时刻分别对应的用户画像特征；

根据所述初始隐藏特征、所述多个第一时刻分别对应的业务数据特征、以及所述多个第一时刻分别对应的用户画像特征，确定所述目标网络模型在所述特征更新时长内的目标隐藏特征；所述目标隐藏特征用于表征与所述第一拉取请求对应的目标用户的用户画像信息。

应当理解，本发明实施例中所描述的用户画像数据处理装置1000可执行前文图3或图8所对应实施例中对所述用户画像数据处理方法的描述，也可执行前文图12所对应实施例中对所述用户画像数据处理装置1的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。

此外，这里需要指出的是：本发明实施例还提供了一种计算机存储介质，且所述计算机存储介质中存储有前文提及的用户画像数据处理装置1所执行的计算机程序，且所述计算机程序包括程序指令，当所述处理器执行所述程序指令时，能够执行前文图3或图8所对应实施例中对所述用户画像数据处理方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本发明所涉及的计算机存储介质实施例中未披露的技术细节，请参照本发明方法实施例的描述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (13)

1.一种用户画像数据处理方法，其特征在于，包括：

响应针对目标应用的第一拉取请求，获取所述第一拉取请求对应的特征更新时长；所述特征更新时长内包含多个第一时刻；

将目标网络模型在上一特征更新时长内所得到的隐藏特征确定为初始隐藏特征；

从业务数据特征向量中获取所述多个第一时刻分别对应的业务数据特征，并从用户画像特征向量中获取所述多个第一时刻分别对应的用户画像特征；

根据所述初始隐藏特征、所述多个第一时刻分别对应的业务数据特征、以及所述多个第一时刻分别对应的用户画像特征，确定所述目标网络模型在所述特征更新时长内的目标隐藏特征；所述目标隐藏特征用于表征与所述第一拉取请求对应的目标用户的用户画像信息。

2.根据权利要求1所述的方法，其特征在于，所述特征更新时长是由所述第一拉取请求对应的第一请求时间戳与第二拉取请求对应的第二请求时间戳所确定的；所述第二拉取请求为所述第一拉取请求的上一拉取请求，所述第二拉取请求用于获取与目标用户具有关联关系的多个历史推荐数据信息；

所述方法还包括：

在所述特征更新时长内，将所述多个历史推荐数据信息中与所述目标用户之间存在数据触发关系的历史推荐数据信息确定为目标历史推荐数据信息；

基于每个目标历史推荐数据信息以及历史业务数据信息，构建所述目标网络模型对应的业务数据特征向量；所述业务数据特征向量中包含所述多个第一时刻分别对应的业务数据特征；一个业务数据特征对应一个目标历史推荐数据信息；

通过所述每个目标历史推荐数据信息对应的目标用户属性信息、以及所述历史业务数据信息对应的历史用户属性信息，构建所述目标网络模型对应的用户画像特征向量；所述用户画像特征向量中包含所述多个第一时刻分别对应的用户画像特征。

3.根据权利要求2所述的方法，其特征在于，所述基于每个目标历史推荐数据信息以及历史业务数据信息，构建所述目标网络模型对应的业务数据特征向量，包括：

将每个目标历史推荐数据信息添加到第一业务触发列表，并将携带所述每个目标历史推荐数据信息的第一业务触发列表作为第二业务触发列表；所述第一业务触发列表和所述第二业务触发列表中均包含与所述目标用户之间存在历史触发关系的历史业务数据信息；

在所述第二业务触发列表中，将所述特征更新时长内的每个第一时刻对应的目标历史推荐数据信息确定为目标业务数据信息；

对所述目标业务数据信息的语义特征进行提取，并将提取到的语义特征作为所述目标业务数据信息对应的目标业务数据特征；

获取所述第一业务触发列表对应的历史数据特征向量，并将所述目标业务数据特征与所述历史数据特征向量进行拼接，并将拼接后的历史数据特征向量确定为所述目标网络模型对应的业务数据特征向量。

4.根据权利要求3所述的方法，其特征在于，所述通过所述每个目标历史推荐数据信息对应的目标用户属性信息、以及所述历史业务数据信息对应的历史用户属性信息，构建所述目标网络模型对应的用户画像特征向量，包括：

在所述第二业务触发列表中，将所述每个第一时刻的目标历史推荐数据信息所对应的用户属性信息确定为目标用户属性信息；

将所述目标用户属性信息中的用户属性特征与所述目标网络模型中的注意力模型特征进行组合，并将组合后的用户属性特征确定为所述目标用户属性信息对应的目标用户画像特征；

获取与所述第一业务触发列表相关联的历史用户特征向量，并将所述目标用户画像特征与所述历史用户特征向量进行拼接，并将拼接后的历史用户特征向量确定为所述目标网络模型对应的用户画像特征向量。

5.根据权利要求1所述的方法，其特征在于，所述多个第一时刻包含历史时刻和目标时刻，所述多个第一时刻分别对应的业务数据特征中包含所述历史时刻对应的第二业务数据特征、所述目标时刻对应的第一业务数据特征；所述多个第一时刻分别对应的用户画像特征中包含所述历史时刻对应的第二用户画像特征、所述目标时刻对应的第一用户画像特征；所述历史时刻为所述目标时刻的上一时刻；

所述根据所述初始隐藏特征、所述多个第一时刻分别对应的业务数据特征、以及所述多个第一时刻分别对应的用户画像特征，确定所述目标网络模型在所述特征更新时长内的目标隐藏特征，包括：

通过所述目标网络模型将所述第二用户画像特征、所述第二业务数据特征以及所述初始隐藏特征进行融合，并将融合后的初始隐藏特征作为所述目标网络模型在所述历史时刻的历史隐藏特征；

通过所述目标网络模型将所述第一用户画像特征，所述第一业务数据特征以及所述历史隐藏特征进行融合，并将融合后的历史隐藏特征作为所述目标网络模型在所述目标时刻的目标隐藏特征。

6.根据权利要求5所述的方法，其特征在于，所述目标网络模型包含第一重置门、第二重置门和更新门；

所述通过所述目标网络模型将所述第一用户画像特征，所述第一业务数据特征以及所述历史隐藏特征进行融合，并将融合后的历史隐藏特征作为所述目标网络模型在所述目标时刻的目标隐藏特征，包括：

在所述目标网络模型中，获取所述第一业务数据特征对应的第一权重参数、第一用户数据特征对应的第二权重参数、所述历史隐藏特征对应的第三权重参数、以及所述目标网络模型的偏差参数；

将所述第一业务数据特征、所述第一权重参数、所述第一用户画像特征、所述第二权重参数、所述历史隐藏特征、所述第三权重参数以及所述偏差参数作为所述目标网络模型中的激活函数对应的输入参数，输出所述更新门对应的门控参数、所述第一重置门对应的门控参数和所述第二重置门对应的门控参数；

基于所述第一重置门对应的门控参数、所述历史隐藏特征以及所述第一业务数据特征，在所述目标网络模型中确定所述第一业务数据特征对应的候选隐藏特征；

基于所述第二重置门对应的门控参数、所述历史隐藏特征以及所述第一用户画像特征，在所述目标网络模型中确定所述第一用户画像特征对应的候选隐藏特征；

根据所述更新门对应的门控参数、所述第一业务数据特征对应的候选隐藏特征、所述第一用户画像特征对应的候选隐藏特征、以及所述历史隐藏特征，确定所述目标网络模型在所述目标时刻的目标隐藏特征。

7.根据权利要求1所述的方法，其特征在于，还包括：

通过所述目标隐藏特征所表征的所述用户画像信息从业务数据库中获取多个第一候选数据信息；

获取所述目标用户对应的初步筛选规则，并从所述多个第一候选数据信息筛选与所述初步筛选规则相符的第一候选数据信息作为第二候选数据信息；

从筛选出的所有第二候选数据信息中选择与所述目标隐藏特征所表征的所述用户画像特征向量、所述业务数据特征向量相符的第二候选数据信息作为待推荐数据信息；

将所选择的待推荐数据信息作为目标推荐数据信息下发给所述目标用户。

8.根据权利要求7所述的方法，其特征在于，所述将所选择的待推荐数据信息作为目标推荐数据信息下发给所述目标用户，包括：

通过第一点击率预估模型预测所选择的待推荐数据信息中的每个待推荐数据信息对应的点击概率；

对所述每个待推荐数据信息对应的点击概率进行排序，并从排序后的待推荐数据信息中获取目标推荐数据信息，并将所述目标推荐数据信息推荐给所述目标用户。

9.根据权利要求8所述的方法，其特征在于，所述对所述每个待推荐数据信息对应的点击概率进行排序，并从排序后的待推荐数据信息中获取目标推荐数据信息，并将所述目标推荐数据信息推荐给所述目标用户，包括：

基于降排序规则对所述每个待推荐数据信息的点击概率进行排序，并从排序后的待推荐数据信息中筛选点击概率大于点击概率阈值的待推荐数据信息作为目标推荐数据信息，并将筛选出的目标推荐数据信息推送给目标用户。

10.根据权利要求8所述的方法，其特征在于，所述目标推荐数据信息包含多个子推荐数据信息；

所述方法还包括：

根据所述多个子推荐数据信息中的每个子推荐数据信息的点击概率生成所述第一点击率预估模型对应的预测向量；所述预测向量包含目标预测向量；所述目标预测向量用于描述所述目标用户在所述第一拉取请求的下一时刻对所述多个子推荐数据信息中的第一子推荐数据信息进行点击的预测概率；

当记录到所述目标用户在所述下一时刻针对所述多个子推荐数据信息中的第二子推荐数据信息的点击关系时，基于所述点击关系生成所述第一点击率预估模型对应的点击向量；所述点击向量包含目标点击向量；所述目标点击向量用于描述所述目标用户在所述下一时刻对所述多个子推荐数据信息中的第二子推荐数据信息进行点击的实际概率；

根据所述目标预测向量和所述目标点击向量确定所述第一点击率预估模型的损失函数，并通过梯度下降函数对所述损失函数进行优化，并将优化后的损失函数确定为目标函数，并将所述目标函数对应的第一点击率预估模型确定为第二点击率预估模型。

11.一种用户画像数据处理装置，其特征在于，包括：

时长获取模块，用于响应针对目标应用的第一拉取请求，获取所述第一拉取请求对应的特征更新时长；所述特征更新时长内包含多个第一时刻；

第一获取模块，用于将目标网络模型在上一特征更新时长内所得到的隐藏特征作为初始隐藏特征；

第二获取模块，用于从业务数据特征向量中获取所述多个第一时刻分别对应的业务数据特征，并从用户画像特征向量中获取所述多个第一时刻分别对应的用户画像特征；

目标特征确定模块，用于根据所述初始隐藏特征、所述多个第一时刻分别对应的业务数据特征、以及所述多个第一时刻分别对应的用户画像特征，确定所述目标网络模型在所述特征更新时长内的目标隐藏特征；所述目标隐藏特征用于表征与所述第一拉取请求对应的目标用户的用户画像信息。

12.一种用户画像数据处理装置，所述装置应用于计算机设备，其特征在于，包括：处理器、存储器以及网络接口；

所述处理器与存储器、网络接口相连，其中，网络接口用于提供数据通信功能，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行如权利要求1-10任一项所述的方法。

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行如权利要求1-10任一项所述的方法。