CN110929209B - 用于发送信息的方法及装置 - Google Patents
用于发送信息的方法及装置 Download PDFInfo
- Publication number
- CN110929209B CN110929209B CN201911242321.1A CN201911242321A CN110929209B CN 110929209 B CN110929209 B CN 110929209B CN 201911242321 A CN201911242321 A CN 201911242321A CN 110929209 B CN110929209 B CN 110929209B
- Authority
- CN
- China
- Prior art keywords
- vector
- sample
- network
- processed
- generation model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了用于发送信息的方法及装置。该方法的一具体实施方式包括:将用户的待处理画像信息转换为待处理向量;将上述待处理向量导入向量生成模型,得到对应上述待处理向量的目标向量,上述向量生成模型用于将待处理向量转换为对应待处理向量的不同维度的目标向量,上述目标向量用于表征上述用户的、与上述待处理向量不同的其他画像信息;根据上述待处理向量和目标向量向上述用户所在的终端发送信息。该实施方式提高了发送信息的准确性。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于发送信息的方法及装置。
背景技术
随着信息技术的发展,信息的传递变得越来越频繁。人们可以通过网络将各种智能设备进行数据连接,进而实现信息的相互传递,提高了人们工作和生活的信息化水平。
现有方法中,为了向用户提供信息,技术人员可以根据用户的浏览网页的内容以及用户的画像信息进行标记,确定画像信息与浏览网页之间的相关性。之后,可以将用户的浏览网页的内容以及用户的画像输入智能算法,从而确定该用户可能需要的信息。
发明内容
本公开的实施例提出了用于发送信息的方法及装置。
第一方面,本公开的实施例提供了一种用于发送信息的方法,该方法包括:将用户的待处理画像信息转换为待处理向量;将上述待处理向量导入向量生成模型,得到对应上述待处理向量的目标向量,上述向量生成模型用于将待处理向量转换为对应待处理向量的不同维度的目标向量;根据上述待处理向量和所述目标向量向上述用户所在的终端发送信息。
在一些实施例中,上述向量生成模型包括特征扩展网络和特征精简网络,以及,上述将上述待处理向量导入向量生成模型,得到对应上述待处理向量的目标向量,包括:将上述待处理向量输入至上述特征扩展网络,得到对应上述待处理向量的扩展向量,其中,上述特征扩展网络用于对待处理向量进行向量变换,并增加上述待处理向量的向量维度;将上述扩展向量输入至上述特征精简网络,得到目标向量,其中,上述特征精简网络用于对上述扩展向量进行向量变换,并降低上述扩展向量的向量维度。
在一些实施例中,上述向量生成模型通过以下步骤训练得到:
获取至少一条样本向量,并生成初始向量生成模型和对应上述初始向量生成模型的镜像网络;将每一条所述样本向量作为上述初始向量生成模型的输入,得到对应每一条所述样本向量的样本目标向量;将上述样本目标向量输入至上述镜像网络,得到镜像样本向量;响应于上述镜像样本向量与对应的样本向量之间的误差小于第一设定阈值,将上述初始向量生成模型作为训练完成的向量生成模型。
在一些实施例中,上述初始向量生成模型包括:初始特征扩展网络和初始特征精简网络,以及,上述将每一条所述样本向量作为上述初始向量生成模型的输入,得到对应每一条所述样本向量的样本目标向量,包括:将每一条所述样本向量作为初始特征扩展网络的输入,并将上述初始特征扩展网络的输出向量输入至上述初始特征精简网络,得到对应每一条所述样本向量的样本目标向量。
在一些实施例中,上述镜像网络包括:镜像特征精简网络和镜像特征扩展网络,以及,上述将上述样本目标向量输入至上述镜像网络,得到镜像样本向量,包括:将每一条所述样本向量对应的样本目标向量作为上述镜像特征精简网络的输入,并将上述镜像特征精简网络的输出输入至上述镜像特征扩展网络,得到对应每一条所述样本向量的镜像样本向量。
在一些实施例中,上述向量生成模型的训练步骤还包括:通过基准向量对上述样本目标向量的准确性进行验证;响应于上述样本目标向量与基准向量的误差小于第二设定阈值,将上述样本目标向量输入至上述镜像网络。
第二方面,本公开的实施例提供了一种用于发送信息的装置,该装置包括:待处理向量获取单元,被配置成将用户的待处理画像信息转换为待处理向量;目标向量获取单元,被配置成将上述待处理向量导入向量生成模型,得到对应上述待处理向量的目标向量,上述向量生成模型用于将待处理向量转换为对应待处理向量的不同维度的目标向量;信息发送单元,被配置成根据上述待处理向量和所述目标向量向上述用户所在的终端发送信息。
在一些实施例中,上述向量生成模型包括特征扩展网络和特征精简网络,以及,上述目标向量获取单元包括:扩展向量获取子单元,被配置成将上述待处理向量输入至上述特征扩展网络,得到对应上述待处理向量的扩展向量,其中,上述特征扩展网络用于对待处理向量进行向量变换,并增加上述待处理向量的向量维度;目标向量获取子单元,被配置成将上述扩展向量输入至上述特征精简网络,得到目标向量,其中,上述特征精简网络用于对上述扩展向量进行向量变换,并降低上述扩展向量的向量维度。
在一些实施例中,上述装置包括向量生成模型训练单元,被配置成训练向量生成模型,上述向量生成模型训练单元包括:初始设置子单元,被配置成获取至少一条样本向量,并生成初始向量生成模型和对应上述初始向量生成模型的镜像网络;样本目标向量获取子单元,被配置成将每一条所述样本向量作为上述初始向量生成模型的输入,得到对应每一条所述样本向量的样本目标向量;镜像样本向量获取子单元,被配置成将上述样本目标向量输入至上述镜像网络,得到镜像样本向量;向量生成模型判断子单元,响应于上述镜像样本向量与对应的样本向量之间的误差小于第一设定阈值,被配置成将上述初始向量生成模型作为训练完成的向量生成模型。
在一些实施例中,上述初始向量生成模型包括:初始特征扩展网络和初始特征精简网络,以及,上述样本目标向量获取子单元包括:样本目标向量获取模块,被配置成将每一条所述样本向量作为初始特征扩展网络的输入,并将上述初始特征扩展网络的输出向量输入至上述初始特征精简网络,得到对应每一条所述样本向量的样本目标向量。
在一些实施例中,上述镜像网络包括:镜像特征精简网络和镜像特征扩展网络,以及,上述镜像样本向量获取子单元包括:镜像样本向量获取模块,被配置成将每一条所述样本向量对应的样本目标向量作为上述镜像特征精简网络的输入,并将上述镜像特征精简网络的输出输入至上述镜像特征扩展网络,得到对应每一条所述样本向量的镜像样本向量。
在一些实施例中,上述向量生成模型训练单元还包括:验证子单元,被配置成通过基准向量对上述样本目标向量的准确性进行验证;判断子单元,响应于上述样本目标向量与基准向量的误差小于第二设定阈值,被配置成将上述样本目标向量输入至上述镜像网络。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储器,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述第一方面的用于发送信息的方法。
第四方面,本公开的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,其特征在于,该程序被处理器执行时实现上述第一方面的用于发送信息的方法。
本公开的实施例提供的用于发送信息的方法及装置,首先,将用户的待处理画像信息转换为待处理向量。然后,将上述待处理向量导入向量生成模型,得到对应上述待处理向量的目标向量。其中,目标向量用于表征上述用户的、与上述待处理向量不同的其他画像信息。最后,根据上述待处理向量和目标向量向上述用户所在的终端发送信息,提高了发送信息的准确性。
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,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2是根据本公开的用于发送信息的方法的一个实施例的流程图;
图3是根据本公开的用于发送信息的方法的一个应用场景的示意图;
图4是根据本公开的向量生成模型训练方法的一个实施例的流程图;
图5是根据本公开的用于发送信息的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。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。
需要说明的是,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。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的实施例的用于发送信息的方法或用于发送信息的装置的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持用户操作的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块,在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上的用户的画像信息进行处理的服务器。服务器可以对获取到的可以表征用户的画像信息的待处理向量等数据进行分析等处理,并根据处理结果向用户所在终端发送信息。
需要说明的是,本公开的实施例所提供的用于发送信息的方法一般由服务器105执行,相应地,用于发送信息的装置一般设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),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中的终端设备、网络和服务器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终端设备、网络和服务器。
继续参考图2,示出了根据本公开的用于发送信息的方法的一个实施例的流程200。该用于发送信息的方法包括以下步骤:
步骤201,将用户的待处理画像信息转换为待处理向量。
在本实施例中,用于发送信息的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从用户所在的终端获取待处理画像信息。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(Ultra Wideband)连接、以及其他现在已知或将来开发的无线连接方式。
现有方法中,由于技术人员只能根据用户部分的画像信息进行特征标记,无法全面考虑用户的画像信息。因此,现有方法推送信息的准确性不高。
执行主体可以直接获取用户的部分画像信息(例如可以是用户在终端上的工作类型、性别、兴趣爱好等注册信息等),然后通过多种方式将用户的部分画像信息转换为待处理向量。即,待处理向量能够表征待处理画像信息。
步骤202,将上述待处理向量导入向量生成模型,得到对应上述待处理向量的目标向量。
为了获取更多的用户画像信息,提高推送信息的准确性,执行主体可以将待处理向量导入向量生成模型,得到对应上述待处理向量的目标向量。其中,上述向量生成模型可以用于将待处理向量转换为对应待处理向量的不同维度的目标向量。上述目标向量用于表征上述用户的、与上述待处理画像信息不同的其他画像信息。即,目标向量中包含了用户新的画像信息。
在本实施例的一些可选的实现方式中,上述向量生成模型可以包括特征扩展网络和特征精简网络,以及,上述将上述待处理向量导入向量生成模型,得到对应上述待处理向量的目标向量,可以包括以下步骤:
第一步,将上述待处理向量输入至上述特征扩展网络,得到对应上述待处理向量的扩展向量。
为了通过已有的画像信息生成其他可能的画像信息,执行主体可以将待处理向量输入至上述特征扩展网络,得到对应上述待处理向量的扩展向量。其中,上述特征扩展网络可以用于对待处理向量进行向量变换,并增加上述待处理向量的向量维度。特征扩展网络可以是包含多个节点的网络,每个节点可以接收待处理向量的部分画像信息或全部的画像信息,并为每个画像信息设置对应的权重。之后,特征扩展网络可以对每个节点接收到的画像信息进行加权组合,得到对应的扩展向量。
第二步,将上述扩展向量输入至上述特征精简网络,得到目标向量。
扩展向量里包含了可能的信息的画像信息,但也存在非画像信息。执行主体可以将扩展向量输入至上述特征精简网络,得到目标向量。其中,上述特征精简网络可以用于对上述扩展向量进行向量变换,并降低上述扩展向量的向量维度。
步骤203,根据上述待处理向量和目标向量向上述用户所在的终端发送信息。
由上述描述可知,目标向量用于表征上述用户的、与上述待处理向量不同的其他画像信息。因此,得到目标向量相当于生成了用户的其他画像信息。之后,执行主体可以将目标向量和待处理向量作为智能算法的输入,从而确定向用户所在的终端推送信息,有利于提高推送信息的准确性。
继续参见图3,图3是根据本实施例的用于发送信息的方法的应用场景的一个示意图。在图3的应用场景中,服务器105将从终端设备102获取的待处理画像信息(例如,可以是性别、工作类型等)转换为待处理向量。然后,将待处理向量导入向量生成模型得到目标向量(例如可以是年薪等)。最后,服务器105根据待处理向量和目标向量向终端设备102发送信息(例如可以是购房信息等)。
本公开的上述实施例提供的方法首先,将用户的待处理画像信息转换为待处理向量。然后,将上述待处理向量导入向量生成模型,得到对应上述待处理向量的目标向量。其中,目标向量用于表征上述用户的、与上述待处理向量不同的其他画像信息。最后,根据上述待处理向量和目标向量向上述用户所在的终端发送信息,提高了发送信息的准确性。
进一步参考图4,其示出了向量生成模型训练方法的一个实施例的流程400。该向量生成模型训练方法的流程400,包括以下步骤:
步骤401,获取至少一条样本向量,并生成初始向量生成模型和对应上述初始向量生成模型的镜像网络。
在本实施例中,向量生成模型训练方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取至少一条样本向量。其中,样本向量可以是只表征用户的一条画像信息的向量。执行主体还可以通过随机或设定的方式生成初始向量生成模型和对应上述初始向量生成模型的镜像网络。
步骤402,将每一条样本向量作为上述初始向量生成模型的输入,得到对应每一条样本向量的样本目标向量。
执行主体可以每一条样本向量作为上述初始向量生成模型的输入,得到对应该样本向量的样本目标向量。
在本实施例的一些可选的实现方式中,上述将每一条样本向量作为上述初始向量生成模型的输入,得到对应每一条样本向量的样本目标向量,可以包括:将每一条样本向量作为初始特征扩展网络的输入,并将上述初始特征扩展网络的输出向量输入至上述初始特征精简网络,得到对应每一条样本向量的样本目标向量。
训练好的向量生成模型包括特征扩展网络和特征精简网络。在初始向量生成模型中也包含对应的初始特征扩展网络和初始特征精简网络。执行主体可以依次将至少一条样本向量中每一条样本向量输入初始特征扩展网络,并将初始特征扩展网络的输出作为初始特征精简网络的输入,得到样本目标向量。
步骤403,将上述样本目标向量输入至上述镜像网络,得到镜像样本向量。
样本目标向量是样本向量通过初始向量生成模型生成的。为了验证初始向量生成模型的稳定性和可解释性,执行主体可以将样本目标向量输入至上述镜像网络,得到镜像样本向量。
在本实施例的一些可选的实现方式中,上述将上述样本目标向量输入至上述镜像网络,得到镜像样本向量,可以包括:将每一条样本向量对应的样本目标向量作为上述镜像特征精简网络的输入,并将上述镜像特征精简网络的输出输入至上述镜像特征扩展网络,得到对应每一条样本向量的镜像样本向量。
本申请的镜像网络可以包括镜像特征精简网络和镜像特征扩展网络。其中,镜像特征精简网络与初始特征精简网络的网络结构镜像相同。即初始特征精简网络的输入端和输出端分别与镜像特征精简网络的输出端和输入端相同。类似的,镜像特征扩展网络的输入端和输出端分别与初始特征扩展网络的输出端和输入端相同。
与上述得到样本目标向量的过程类似,执行主体可以将样本目标向量作为上述镜像特征精简网络的输入,并将镜像特征精简网络的输出作为镜像特征扩展网络的输入来得到对应样本向量的镜像样本向量。
在本实施例的一些可选的实现方式中,本实施例方法还可以包括以下步骤:
第一步,通过基准向量对上述样本目标向量的准确性进行验证。
为了确定样本目标向量的准确性,执行主体可以通过基准向量对上述样本目标向量的准确性进行验证。其中,基准向量可以是样本向量对应的用户的样本画像信息。执行主体将样本目标向量与基准向量进行比较,可以对样本目标向量的正确性进行判断。
第二步,响应于上述样本目标向量与基准向量的误差小于第二设定阈值,将上述样本目标向量输入至上述镜像网络。
当样本目标向量与基准向量的误差小于第二设定阈值时,说明此时的初始向量生成模型包含的初始特征扩展网络和初始特征精简网络内、各个节点对应的权重值准确。此时,执行主体可以将上述样本目标向量输入至上述镜像网络。例如,第二设定阈值为5%。样本向量对应的用户的样本画像信息为:XX工程师。样本目标向量为年薪50万,基准向量为年薪51万,误差为1万,误差小于第二设定阈值。此时,执行主体可以将上述样本目标向量输入至上述镜像网络。
步骤404,响应于上述镜像样本向量与对应的样本向量之间的误差小于第一设定阈值,将上述初始向量生成模型作为训练完成的向量生成模型。
得到镜像样本向量后,执行主体可以比较镜像样本向量和样本向量之间的误差。当镜像样本向量和样本向量之间的误差小于第一设定阈值时,说明初始向量生成模型具有可靠的信息转换能力。初始向量生成模型内的初始特征扩展网络和初始特征精简网络中每个节点对应的权值的准确性高。此时,执行主体可以将初始向量生成模型作为训练完成的向量生成模型。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于发送信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于发送信息的装置500可以包括:待处理向量获取单元501、目标向量获取单元502和信息发送单元503。其中,待处理向量获取单元501被配置成将用户的待处理画像信息转换为待处理向量;目标向量获取单元502被配置成将上述待处理向量导入向量生成模型,得到对应上述待处理向量的目标向量,上述向量生成模型用于将待处理向量转换为对应待处理向量的不同维度的目标向量,上述目标向量用于表征上述用户的、与上述待处理向量不同的其他画像信息;信息发送单元503,被配置成根据上述待处理向量和目标向量向上述用户所在的终端发送信息。
在本实施例的一些可选的实现方式中,上述向量生成模型包括特征扩展网络和特征精简网络,以及,上述目标向量获取单元502可以包括:扩展向量获取子单元(图中未示出)和目标向量获取子单元(图中未示出)。其中,扩展向量获取子单元被配置成将上述待处理向量输入至上述特征扩展网络,得到对应上述待处理向量的扩展向量,其中,上述特征扩展网络用于对待处理向量进行向量变换,并增加上述待处理向量的向量维度;目标向量获取子单元被配置成将上述扩展向量输入至上述特征精简网络,得到目标向量,其中,上述特征精简网络用于对上述扩展向量进行向量变换,并降低上述扩展向量的向量维度。
在本实施例的一些可选的实现方式中,上述用于发送信息的装置500可以包括向量生成模型训练单元(图中未示出),被配置成训练向量生成模型,上述向量生成模型训练单元可以包括:初始设置子单元(图中未示出)、样本目标向量获取子单元(图中未示出)、镜像样本向量获取子单元(图中未示出)和向量生成模型判断子单元(图中未示出)。其中,初始设置子单元被配置成获取至少一条样本向量,并生成初始向量生成模型和对应上述初始向量生成模型的镜像网络;样本目标向量获取子单元被配置成将每一条样本向量作为上述初始向量生成模型的输入,得到对应上述至少一条样本向量中每一条样本向量的样本目标向量;镜像样本向量获取子单元,被配置成将上述样本目标向量输入至上述镜像网络,得到镜像样本向量;向量生成模型判断子单元响应于上述镜像样本向量与对应的样本向量之间的误差小于第一设定阈值,被配置成将上述初始向量生成模型作为训练完成的向量生成模型。
在本实施例的一些可选的实现方式中,上述初始向量生成模型包括:初始特征扩展网络和初始特征精简网络,以及,上述样本目标向量获取子单元可以包括:样本目标向量获取模块(图中未示出),被配置成将每一条样本向量作为初始特征扩展网络的输入,并将上述初始特征扩展网络的输出向量输入至上述初始特征精简网络,得到对应每一条样本向量的样本目标向量。
在本实施例的一些可选的实现方式中,上述镜像网络包括:镜像特征精简网络和镜像特征扩展网络,以及,上述镜像样本向量获取子单元可以包括:镜像样本向量获取模块(图中未示出),被配置成将每一条样本向量对应的样本目标向量作为上述镜像特征精简网络的输入,并将上述镜像特征精简网络的输出输入至上述镜像特征扩展网络,得到对应每一条样本向量的镜像样本向量。
在本实施例的一些可选的实现方式中,上述向量生成模型训练单元还包括:验证子单元(图中未示出)和判断子单元(图中未示出)。其中,验证子单元被配置成通过基准向量对上述样本目标向量的准确性进行验证;判断子单元,响应于上述样本目标向量与基准向量的误差小于第二设定阈值,被配置成将上述样本目标向量输入至上述镜像网络。
本实施例还提供了一种电子设备,包括:一个或多个处理器;存储器,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述的用于发送信息的方法。
本实施例还提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现上述的用于发送信息的方法。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如,图1中的服务器105)的计算机***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(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 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、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O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ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的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***、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***、装置或者器件使用或者与其结合使用。而在本公开的实施例中,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***、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。
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:将用户的待处理画像信息转换为待处理向量;将上述待处理向量导入向量生成模型,得到对应上述待处理向量的目标向量,上述向量生成模型用于将待处理向量转换为对应待处理向量的不同维度的目标向量,上述目标向量用于表征上述用户的、与上述待处理向量不同的其他画像信息;根据上述待处理向量和目标向量向上述用户所在的终端发送信息。
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,图示了按照本公开的各种实施例的***、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***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到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:一种处理器包括待处理向量获取单元、目标向量获取单元和信息发送单元。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,信息发送单元还可以被描述为“根据生成的画像信息发送信息的单元”。
以上描述仅为本公开的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 (12)
1.一种用于发送信息的方法,包括:
将用户的待处理画像信息转换为待处理向量;
将所述待处理向量导入向量生成模型,得到对应所述待处理向量的目标向量,所述向量生成模型用于将待处理向量转换为对应待处理向量的不同维度的目标向量;
根据所述待处理向量和所述目标向量向所述用户所在的终端发送信息;
其中,所述向量生成模型包括特征扩展网络和特征精简网络,以及
所述将所述待处理向量导入向量生成模型,得到对应所述待处理向量的目标向量,包括:
将所述待处理向量输入至所述特征扩展网络,得到对应所述待处理向量的扩展向量,其中,所述特征扩展网络用于对待处理向量进行向量变换,并增加所述待处理向量的向量维度;
将所述扩展向量输入至所述特征精简网络,得到目标向量,其中,所述特征精简网络用于对所述扩展向量进行向量变换,并降低所述扩展向量的向量维度。
2.根据权利要求1所述的方法,其中,所述向量生成模型通过以下步骤训练得到:
获取至少一条样本向量,并生成初始向量生成模型和对应所述初始向量生成模型的镜像网络;
将每一条所述样本向量作为所述初始向量生成模型的输入,得到对应每一条所述样本向量的样本目标向量;
将所述样本目标向量输入至所述镜像网络,得到镜像样本向量;
响应于所述镜像样本向量与对应的样本向量之间的误差小于第一设定阈值,将所述初始向量生成模型作为训练完成的向量生成模型。
3.根据权利要求2所述的方法,其中,所述初始向量生成模型包括:初始特征扩展网络和初始特征精简网络,以及
所述将每一条所述样本向量作为所述初始向量生成模型的输入,得到对应每一条所述样本向量的样本目标向量,包括:
将每一条所述样本向量作为初始特征扩展网络的输入,并将所述初始特征扩展网络的输出向量输入至所述初始特征精简网络,得到对应每一条所述样本向量的样本目标向量。
4.根据权利要求3所述的方法,其中,所述镜像网络包括:镜像特征精简网络和镜像特征扩展网络,以及
所述将所述样本目标向量输入至所述镜像网络,得到镜像样本向量,包括:
将每一条所述样本向量对应的样本目标向量作为所述镜像特征精简网络的输入,并将所述镜像特征精简网络的输出输入至所述镜像特征扩展网络,得到对应每一条所述样本向量的镜像样本向量。
5.根据权利要求2所述的方法,其中,所述向量生成模型的训练步骤还包括:
通过基准向量对所述样本目标向量的准确性进行验证;
响应于所述样本目标向量与基准向量的误差小于第二设定阈值,将所述样本目标向量输入至所述镜像网络。
6.一种用于发送信息的装置,包括:
待处理向量获取单元,被配置成将用户的待处理画像信息转换为待处理向量;
目标向量获取单元,被配置成将所述待处理向量导入向量生成模型,得到对应所述待处理向量的目标向量,所述向量生成模型用于将待处理向量转换为对应待处理向量的不同维度的目标向量;
信息发送单元,被配置成根据所述待处理向量和所述目标向量向所述用户所在的终端发送信息;
其中,所述向量生成模型包括特征扩展网络和特征精简网络,以及
所述目标向量获取单元包括:
扩展向量获取子单元,被配置成将所述待处理向量输入至所述特征扩展网络,得到对应所述待处理向量的扩展向量,其中,所述特征扩展网络用于对待处理向量进行向量变换,并增加所述待处理向量的向量维度;
目标向量获取子单元,被配置成将所述扩展向量输入至所述特征精简网络,得到目标向量,其中,所述特征精简网络用于对所述扩展向量进行向量变换,并降低所述扩展向量的向量维度。
7.根据权利要求6所述的装置,其中,所述装置包括向量生成模型训练单元,被配置成训练向量生成模型,所述向量生成模型训练单元包括:
初始设置子单元,被配置成获取至少一条样本向量,并生成初始向量生成模型和对应所述初始向量生成模型的镜像网络;
样本目标向量获取子单元,被配置成将每一条所述样本向量作为所述初始向量生成模型的输入,得到对应每一条所述样本向量的样本目标向量;
镜像样本向量获取子单元,被配置成将所述样本目标向量输入至所述镜像网络,得到镜像样本向量;
向量生成模型判断子单元,响应于所述镜像样本向量与对应的样本向量之间的误差小于第一设定阈值,被配置成将所述初始向量生成模型作为训练完成的向量生成模型。
8.根据权利要求7所述的装置,其中,所述初始向量生成模型包括:初始特征扩展网络和初始特征精简网络,以及
所述样本目标向量获取子单元包括:
样本目标向量获取模块,被配置成将每一条所述样本向量作为初始特征扩展网络的输入,并将所述初始特征扩展网络的输出向量输入至所述初始特征精简网络,得到对应每一条所述样本向量的样本目标向量。
9.根据权利要求8所述的装置,其中,所述镜像网络包括:镜像特征精简网络和镜像特征扩展网络,以及
所述镜像样本向量获取子单元包括:
镜像样本向量获取模块,被配置成将每一条所述样本向量对应的样本目标向量作为所述镜像特征精简网络的输入,并将所述镜像特征精简网络的输出输入至所述镜像特征扩展网络,得到对应每一条所述样本向量的镜像样本向量。
10.根据权利要求7所述的装置,其中,所述向量生成模型训练单元还包括:
验证子单元,被配置成通过基准向量对所述样本目标向量的准确性进行验证;
判断子单元,响应于所述样本目标向量与基准向量的误差小于第二设定阈值,被配置成将所述样本目标向量输入至所述镜像网络。
11.一种电子设备,包括:
一个或多个处理器;
存储器,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时,使得所述一个或多个处理器执行权利要求1至5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911242321.1A CN110929209B (zh) | 2019-12-06 | 2019-12-06 | 用于发送信息的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911242321.1A CN110929209B (zh) | 2019-12-06 | 2019-12-06 | 用于发送信息的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929209A CN110929209A (zh) | 2020-03-27 |
CN110929209B true CN110929209B (zh) | 2023-06-20 |
Family
ID=69857333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911242321.1A Active CN110929209B (zh) | 2019-12-06 | 2019-12-06 | 用于发送信息的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929209B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313086B (zh) * | 2021-07-28 | 2021-10-29 | 长沙海信智能***研究院有限公司 | 特征向量转换模型处理方法、装置、服务器及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
CN107506377A (zh) * | 2017-07-20 | 2017-12-22 | 南开大学 | 基于推荐***的互动绘本生成*** |
CN108920717A (zh) * | 2018-07-27 | 2018-11-30 | 百度在线网络技术(北京)有限公司 | 用于显示信息的方法及装置 |
CN109360028A (zh) * | 2018-10-30 | 2019-02-19 | 北京字节跳动网络技术有限公司 | 用于推送信息的方法和装置 |
CN109508421A (zh) * | 2018-11-26 | 2019-03-22 | 中国电子科技集团公司第二十八研究所 | 一种基于词向量的文献推荐方法 |
CN109522483A (zh) * | 2018-11-14 | 2019-03-26 | 北京百度网讯科技有限公司 | 用于推送信息的方法和装置 |
CN110008375A (zh) * | 2019-03-22 | 2019-07-12 | 广州新视展投资咨询有限公司 | 推荐视频召回方法和装置 |
CN110163525A (zh) * | 2019-05-29 | 2019-08-23 | 中国联合网络通信集团有限公司 | 终端推荐方法和终端推荐*** |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
CN110427548A (zh) * | 2019-03-05 | 2019-11-08 | 北京京东尚科信息技术有限公司 | 信息推送方法、信息推送装置及计算机可读存储介质 |
-
2019
- 2019-12-06 CN CN201911242321.1A patent/CN110929209B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506377A (zh) * | 2017-07-20 | 2017-12-22 | 南开大学 | 基于推荐***的互动绘本生成*** |
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
CN108920717A (zh) * | 2018-07-27 | 2018-11-30 | 百度在线网络技术(北京)有限公司 | 用于显示信息的方法及装置 |
CN109360028A (zh) * | 2018-10-30 | 2019-02-19 | 北京字节跳动网络技术有限公司 | 用于推送信息的方法和装置 |
CN109522483A (zh) * | 2018-11-14 | 2019-03-26 | 北京百度网讯科技有限公司 | 用于推送信息的方法和装置 |
CN109508421A (zh) * | 2018-11-26 | 2019-03-22 | 中国电子科技集团公司第二十八研究所 | 一种基于词向量的文献推荐方法 |
CN110427548A (zh) * | 2019-03-05 | 2019-11-08 | 北京京东尚科信息技术有限公司 | 信息推送方法、信息推送装置及计算机可读存储介质 |
CN110008375A (zh) * | 2019-03-22 | 2019-07-12 | 广州新视展投资咨询有限公司 | 推荐视频召回方法和装置 |
CN110163525A (zh) * | 2019-05-29 | 2019-08-23 | 中国联合网络通信集团有限公司 | 终端推荐方法和终端推荐*** |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
Non-Patent Citations (1)
Title |
---|
基于用户画像个性化推荐算法研究;王东;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20190415(第04期);I138-1244 * |
Also Published As
Publication number | Publication date |
---|---|
CN110929209A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7208952B2 (ja) | 対話モデルを生成するための方法及び装置 | |
US11322138B2 (en) | Voice awakening method and device | |
US11221822B2 (en) | Method and apparatus for controlling page | |
WO2020182122A1 (zh) | 用于生成文本匹配模型的方法和装置 | |
CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
CN111666416B (zh) | 用于生成语义匹配模型的方法和装置 | |
JP2021103506A (ja) | 情報を生成するための方法及び装置 | |
CN110619078B (zh) | 用于推送信息的方法和装置 | |
CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
CN111462728A (zh) | 用于生成语音的方法、装置、电子设备和计算机可读介质 | |
CN112364860A (zh) | 字符识别模型的训练方法、装置和电子设备 | |
CN111354345B (zh) | 生成语音模型和语音识别的方法、装置、设备以及介质 | |
CN111738010B (zh) | 用于生成语义匹配模型的方法和装置 | |
CN112883966B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN112434620B (zh) | 场景文字识别方法、装置、设备和计算机可读介质 | |
CN111443909A (zh) | 用于生成页面的方法及装置 | |
CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
WO2020199659A1 (zh) | 用于确定推送优先级信息的方法和装置 | |
CN113468344B (zh) | 实体关系抽取方法、装置、电子设备和计算机可读介质 | |
CN110929209B (zh) | 用于发送信息的方法及装置 | |
CN111278085B (zh) | 用于获取目标网络的方法及装置 | |
CN112257459B (zh) | 语言翻译模型的训练方法、翻译方法、装置和电子设备 | |
US20210279109A1 (en) | Method and apparatus for acquiring information | |
CN111324470B (zh) | 用于生成信息的方法及装置 | |
CN110991661A (zh) | 用于生成模型的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |