本申請涉及一種信息推送模型構(gòu)建方法、裝置、計算機(jī)設(shè)備和存儲介質(zhì)。所述方法包括：獲取歷史特征數(shù)據(jù)；根據(jù)歷史特征數(shù)據(jù)得到表征嵌入數(shù)據(jù)，表征嵌入數(shù)據(jù)包括對象表征數(shù)據(jù)、推送內(nèi)容表征數(shù)據(jù)、推送方式表征數(shù)據(jù)、推送時間表征數(shù)據(jù)；將對象表征數(shù)據(jù)與推送內(nèi)容表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送內(nèi)容子模型；將對象表征數(shù)據(jù)與推送方式表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送方式子模型；將對象表征數(shù)據(jù)與推送時間表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送時間子模型；基于推送內(nèi)容子模型、推送方式子模型、推送時間子模型并行拼接得到信息推送模型。采用本方法提高生成線上推送信息的效率。提高生成線上推送信息的效率。提高生成線上推送信息的效率。
【技術(shù)實(shí)現(xiàn)步驟摘要】
信息推送模型構(gòu)建方法、裝置、計算機(jī)設(shè)備和存儲介質(zhì)
[0001]本申請涉及計算機(jī)
，特別是涉及一種信息推送模型構(gòu)建方法、裝置、計算機(jī)設(shè)備和存儲介質(zhì)。
技術(shù)介紹
[0002]隨著計算機(jī)技術(shù)的發(fā)展，利用智能算法對數(shù)據(jù)進(jìn)行分析生成網(wǎng)絡(luò)推送信息的方法已得到越來越廣泛的應(yīng)用，如何高效準(zhǔn)確地生成線上推送信息的方法得到越來越多的關(guān)注。
[0003]傳統(tǒng)技術(shù)中，是通過簡單地根據(jù)單一決策條件來生成線上推送信息，不能夠準(zhǔn)確高效地生成針對性強(qiáng)的推送信息，推送成本高。
技術(shù)實(shí)現(xiàn)思路
[0004]基于此，有必要針對上述技術(shù)問題，提供一種能夠信息推送模型構(gòu)建方法、裝置、計算機(jī)設(shè)備和計算機(jī)可讀存儲介質(zhì)，能夠提高生成線上推送信息的效率。
[0005]一種信息推送模型構(gòu)建方法，其特征在于，所述方法包括：
[0006]獲取歷史特征數(shù)據(jù)；
[0007]根據(jù)歷史特征數(shù)據(jù)得到表征嵌入數(shù)據(jù)，表征嵌入數(shù)據(jù)包括對象表征數(shù)據(jù)、推送內(nèi)容表征數(shù)據(jù)、推送方式表征數(shù)據(jù)、推送時間表征數(shù)據(jù)；
[0008]將對象表征數(shù)據(jù)與推送內(nèi)容表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送內(nèi)容子模型；
[0009]將對象表征數(shù)據(jù)與推送方式表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送方式子模型；
[0010]將對象表征數(shù)據(jù)與推送時間表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送時間子模型；
[0011]基于推送內(nèi)容子模型、推送方式子模型、推送時間子模型并行拼接得到信息推送模型，信息推送模型用于根據(jù)待推送對象對應(yīng)的對象表征數(shù)據(jù)得到對應(yīng)的信息推送內(nèi)容類別、信息推送方式類別以及信息推送時間。
[0012]在一個實(shí)施例中，獲取歷史特征數(shù)據(jù)之后，還包括：
[0013]獲取初始?xì)v史特征數(shù)據(jù)；
[0014]對初始?xì)v史特征數(shù)據(jù)中各個維度特征數(shù)據(jù)進(jìn)行相關(guān)性分析得到相關(guān)維度特征數(shù)據(jù)；
[0015]對相關(guān)維度特征數(shù)據(jù)進(jìn)行重要性分析確定相關(guān)維度特征數(shù)據(jù)的特征重要性；
[0016]根據(jù)特征重要性對相關(guān)維度特征數(shù)據(jù)進(jìn)行排序生成歷史特征數(shù)據(jù)。
[0017]在一個實(shí)施例中，根據(jù)歷史特征數(shù)據(jù)得到表征嵌入數(shù)據(jù)，包括：
[0018]獲取歷史特征數(shù)據(jù)中的目標(biāo)對象特征數(shù)據(jù)；
[0019]獲取目標(biāo)對象特征數(shù)據(jù)對應(yīng)的歷史活動數(shù)據(jù)；
[0020]將歷史活動數(shù)據(jù)中的對象瀏覽停留時間進(jìn)行歸一化得到時間權(quán)重參數(shù)；
[0021]將歷史活動數(shù)據(jù)中的各個歷史活動映射為對應(yīng)的歷史活動向量，各個歷史活動對應(yīng)的歷史活動向量的維度都相同；
[0022]根據(jù)時間權(quán)重參數(shù)、各個歷史活動對應(yīng)的歷史活動向量進(jìn)行融合得到表征嵌入數(shù)據(jù)，表征嵌入數(shù)據(jù)用于表征目標(biāo)對象特征數(shù)據(jù)對應(yīng)的各個歷史活動的推送內(nèi)容、推送方式以及推送時間的對應(yīng)關(guān)系。
[0023]在一個實(shí)施例中，根據(jù)時間權(quán)重參數(shù)、各個歷史活動對應(yīng)的歷史活動向量進(jìn)行融合得到表征嵌入數(shù)據(jù)，包括：
[0024]根據(jù)時間權(quán)重參數(shù)、各個歷史活動對應(yīng)的歷史活動向量進(jìn)行融合得到初始嵌入表征數(shù)據(jù)；
[0025]將初始嵌入表征數(shù)據(jù)經(jīng)過多層感知機(jī)處理得到表征嵌入數(shù)據(jù)，表征嵌入數(shù)據(jù)的維度低于初始嵌入表征數(shù)據(jù)的維度。
[0026]在一個實(shí)施例中，將對象表征數(shù)據(jù)與推送內(nèi)容表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送內(nèi)容子模型，包括：
[0027]將對象表征數(shù)據(jù)經(jīng)過多層感知機(jī)進(jìn)行投影生成對象表征向量；
[0028]將推送內(nèi)容表征數(shù)據(jù)經(jīng)過多層感知機(jī)進(jìn)行投影生成推送內(nèi)容表征向量，推送內(nèi)容表征向量的維度與對象表征向量的維度相同；
[0029]基于推送內(nèi)容表征向量與對象表征向量的點(diǎn)積得到推送權(quán)重；
[0030]將對象表征向量、推送內(nèi)容表征向量、推送權(quán)重作為多層感知器的訓(xùn)練樣本數(shù)據(jù)進(jìn)行訓(xùn)練得到推送內(nèi)容子模型。
[0031]在一個實(shí)施例中，將對象表征數(shù)據(jù)與推送方式表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送方式子模型，包括：
[0032]將對象表征數(shù)據(jù)經(jīng)過多層感知機(jī)進(jìn)行投影生成對象表征向量；
[0033]根據(jù)推送方式表征數(shù)據(jù)中的應(yīng)用推送表征數(shù)據(jù)、短信推送表征數(shù)據(jù)以及電話推送表征數(shù)據(jù)分別生成應(yīng)用推送表征向量、短信推送表征向量以及電話推送表征向量；
[0034]基于對象表征向量與應(yīng)用推送表征向量的點(diǎn)積得到應(yīng)用推送權(quán)重；
[0035]基于對象表征向量與短信推送表征向量的點(diǎn)積得到短信推送權(quán)重；
[0036]基于對象表征向量與電話推送表征向量的點(diǎn)積得到電話推送權(quán)重；
[0037]將對象表征向量、應(yīng)用推送權(quán)重、短信推送權(quán)重、電話推送權(quán)重作為模型訓(xùn)練樣本數(shù)據(jù)得到推送方式子模型。
[0038]在一個實(shí)施例中，將對象表征數(shù)據(jù)與推送時間表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送時間子模型，包括：
[0039]將對象表征數(shù)據(jù)經(jīng)過多層感知機(jī)進(jìn)行投影生成對象表征向量；
[0040]基于推送時間表征數(shù)據(jù)劃分得到預(yù)設(shè)數(shù)量的子時間段表征數(shù)據(jù)；
[0041]將子時間段表征數(shù)據(jù)經(jīng)過多層感知機(jī)進(jìn)行投影生成子時間段表征向量；
[0042]根據(jù)對象表征向量與子時間段表征向量得到子時間段表征數(shù)據(jù)對應(yīng)的子時間段的對象空閑時間概率；
[0043]將各個子時間段的對象空閑時間概率與對象表征向量作為多層感知器的輸入樣本數(shù)據(jù)進(jìn)行訓(xùn)練得到推送時間子模型。
[0044]一種信息推送模型構(gòu)建裝置，其特征在于，所述裝置包括：
[0045]數(shù)據(jù)獲取模塊，用于獲取歷史特征數(shù)據(jù)；
[0046]表征嵌入數(shù)據(jù)生成模塊，用于根據(jù)歷史特征數(shù)據(jù)得到表征嵌入數(shù)據(jù)，表征嵌入數(shù)據(jù)包括對象表征數(shù)據(jù)、推送內(nèi)容表征數(shù)據(jù)、推送方式表征數(shù)據(jù)、推送時間表征數(shù)據(jù)；
[0047]模型生成模塊，用于將對象表征數(shù)據(jù)與推送內(nèi)容表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送內(nèi)容子模型；將對象表征數(shù)據(jù)與推送方式表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送方式子模型；將對象表征數(shù)據(jù)與推送時間表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送時間子模型；基于推送內(nèi)容子模型、推送方式子模型、推送時間子模型并行拼接得到信息推送模型，信息推送模型用于根據(jù)待推送對象對應(yīng)的對象表征數(shù)據(jù)得到對應(yīng)的信息推送內(nèi)容類別、信息推送方式類別以及信息推送時間。
[0048]一種計算機(jī)設(shè)備，包括存儲器和處理器，存儲器存儲有計算機(jī)程序，處理器執(zhí)行計算機(jī)程序時實(shí)現(xiàn)以下步驟：
[0049]獲取歷史特征數(shù)據(jù)；
[0050]根據(jù)歷史特征數(shù)據(jù)得到表征嵌入數(shù)據(jù)，表征嵌入數(shù)據(jù)包括對象表征數(shù)據(jù)、推送內(nèi)容表征數(shù)據(jù)、推送方式表征數(shù)據(jù)、推送時間表征數(shù)據(jù)；
[0051]將對象表征數(shù)據(jù)與推送內(nèi)容表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送內(nèi)容子模型；
[0052]將對象表征數(shù)據(jù)與推送方式表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送方式子模型；
[0053]將對象表征數(shù)據(jù)與推送時間表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送時間子模型；
[0054]基本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
【技術(shù)特征摘要】
1.一種信息推送模型構(gòu)建方法，其特征在于，所述方法包括：獲取歷史特征數(shù)據(jù)；根據(jù)所述歷史特征數(shù)據(jù)得到表征嵌入數(shù)據(jù)，所述表征嵌入數(shù)據(jù)包括對象表征數(shù)據(jù)、推送內(nèi)容表征數(shù)據(jù)、推送方式表征數(shù)據(jù)、推送時間表征數(shù)據(jù)；將所述對象表征數(shù)據(jù)與所述推送內(nèi)容表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送內(nèi)容子模型；將所述對象表征數(shù)據(jù)與所述推送方式表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送方式子模型；將所述對象表征數(shù)據(jù)與所述推送時間表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送時間子模型；基于所述推送內(nèi)容子模型、所述推送方式子模型、推送時間子模型并行拼接得到信息推送模型，所述信息推送模型用于根據(jù)待推送對象對應(yīng)的對象表征數(shù)據(jù)得到對應(yīng)的信息推送內(nèi)容類別、信息推送方式類別以及信息推送時間。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取歷史特征數(shù)據(jù)之后，還包括：獲取初始?xì)v史特征數(shù)據(jù)；對所述初始?xì)v史特征數(shù)據(jù)中各個維度特征數(shù)據(jù)進(jìn)行相關(guān)性分析得到相關(guān)維度特征數(shù)據(jù)；對所述相關(guān)維度特征數(shù)據(jù)進(jìn)行重要性分析確定所述相關(guān)維度特征數(shù)據(jù)的特征重要性；根據(jù)所述特征重要性對所述相關(guān)維度特征數(shù)據(jù)進(jìn)行排序生成所述歷史特征數(shù)據(jù)。3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述歷史特征數(shù)據(jù)得到表征嵌入數(shù)據(jù)，包括：獲取所述歷史特征數(shù)據(jù)中的目標(biāo)對象特征數(shù)據(jù)；獲取所述目標(biāo)對象特征數(shù)據(jù)對應(yīng)的歷史活動數(shù)據(jù)；將所述歷史活動數(shù)據(jù)中的對象瀏覽停留時間進(jìn)行歸一化得到時間權(quán)重參數(shù)；將所述歷史活動數(shù)據(jù)中的各個歷史活動映射為對應(yīng)的歷史活動向量，所述各個歷史活動對應(yīng)的歷史活動向量的維度都相同；根據(jù)所述時間權(quán)重參數(shù)、所述各個歷史活動對應(yīng)的歷史活動向量進(jìn)行融合得到表征嵌入數(shù)據(jù)，所述表征嵌入數(shù)據(jù)用于表征所述目標(biāo)對象特征數(shù)據(jù)對應(yīng)的所述各個歷史活動的推送內(nèi)容、推送方式以及推送時間的對應(yīng)關(guān)系。4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)所述時間權(quán)重參數(shù)、所述各個歷史活動對應(yīng)的歷史活動向量進(jìn)行融合得到表征嵌入數(shù)據(jù)，包括：根據(jù)所述時間權(quán)重參數(shù)、所述各個歷史活動對應(yīng)的歷史活動向量進(jìn)行融合得到初始嵌入表征數(shù)據(jù)；將所述初始嵌入表征數(shù)據(jù)經(jīng)過多層感知機(jī)處理得到表征嵌入數(shù)據(jù)，所述表征嵌入數(shù)據(jù)的維度低于所述初始嵌入表征數(shù)據(jù)的維度。5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述對象表征數(shù)據(jù)與所述推送內(nèi)容表征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到推送內(nèi)容子模型，包括：將所述對象表征數(shù)據(jù)經(jīng)過多層感知機(jī)進(jìn)行投影生成對象表征向量；將所述推送內(nèi)容表征數(shù)據(jù)經(jīng)過多層感知機(jī)進(jìn)行投影生成推送內(nèi)容表征向量，所述推送
內(nèi)容表征向量的維度與所述對象表征向量的維度相同；基于所述推送內(nèi)容表征向量與所述對象表征向量的點(diǎn)積得到推送權(quán)重；將對象表征...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳亮，于宙鑫，周克涌，林昊，余儉，鄭子彬，張鵬，
申請(專利權(quán))人：中山大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。