[发明专利]信息推送方法及装置

权利要求书

1.一种信息推送方法，其特征在于，包括：

获取与针对各推送信息的用户行为相关的多个样本数据；及，提取各所述样本数据中的样本用户特征及各所述推送信息对应的符合第一预设低频条件的样本语料；其中，所述第一预设低频条件包括所述样本语料在各所述推送信息的属性信息中的出现频次低于第一预设阈值；

根据各所述样本用户特征、各所述样本语料及各所述推送信息的排序特征，训练与用户特征及语料相关的排序模型；其中，所述排序模型是利用预设的神经网络模型训练得到的；

针对目标用户对应的多个待推送信息，利用所述排序模型及预设的不确定性预测方式，确定各所述待推送信息对应的排序信息；其中，所述排序信息包括各所述待推送信息的排序结果的不确定性评估值；

根据所述排序信息，从所述待推送信息中筛选出所述不确定性评估值满足预设不确定条件的至少一个目标信息，并将筛选出的所述目标信息推送给所述目标用户；所述预设不确定条件包括：所述不确定性评估值高于预设阈值；

所述利用所述排序模型及预设的不确定性预测方式，确定各所述待推送信息对应的排序信息，包括：提取所述目标用户的目标用户特征及各所述待推送信息的第一语料；根据所述不确定性预测方式对所述排序模型的各层级的目标模型参数进行多次选择，并按照各次所选择的所述目标模型参数，将所述目标用户特征及所述第一语料作为所述排序模型的输入数据，得到各所述待推送信息分别对应的多个排序结果；其中，各次所选择的所述目标模型参数不同；计算所述多个排序结果的均值及标准差；根据所述均值及标准差，确定所述多个排序结果对应的置信区间上限；根据所述多个排序结果对应的所述置信区间上限，确定所述多个排序结果对应的所述待推送信息所对应的不确定性评估值；其中，所述置信区间上限与所述不确定性评估值正相关。

2.根据权利要求1所述的方法，其特征在于，所述神经网络模型为包括多个全连接层的多层模型；

所述根据各所述样本用户特征、各所述样本语料及各所述推送信息的排序特征，训练与用户特征及语料相关的排序模型，包括：

按照预设的向量转换方式，对各所述样本用户特征及其对应的各所述样本语料进行向量转换，得到样本向量；

将各所述样本向量作为所述神经网络模型的输入数据，按照所述神经网络模型对应的叠加方式依次叠加所述输入数据，得到各所述样本数据分别对应的样本排序结果；其中，所述叠加方式包括各所述全连接层的模型参数信息；

确定各所述样本排序结果及各所述排序特征之间的误差，并根据所述误差调整各所述全连接层的模型参数信息，直至所述误差满足预设的模型损失函数时，获得所述排序模型。

3.根据权利要求1所述的方法，其特征在于，所述根据所述不确定性预测方式选择多次所述排序模型的各层级的目标模型参数，包括：

确定对所述模型参数的选择概率，所述选择概率低于预设概率值；

按照所述选择概率，将所述各层级的至少一个模型参数的值置零，并将未置零的其他模型参数确定为所述目标模型参数。

4.根据权利要求3所述的方法，其特征在于，所述按照各次所选择的所述目标模型参数，将所述目标用户特征及所述第一语料作为所述排序模型的输入数据，得到各所述待推送信息对应的多个排序结果，包括：

若各所述样本语料中不包括所述第一语料，则利用所述样本语料中符合第二预设低频条件的第二语料替代所述第一语料；其中，所述第二预设低频条件指所述第二语料在所述样本语料中的频次低于第二预设阈值；

按照各次所选择的所述目标模型参数，将所述目标用户特征及所述第二语料作为所述排序模型的输入数据，以得到各所述待推送信息对应的多个排序结果。

5.根据权利要求1所述的方法，其特征在于，所述预设不确定条件包括所述不确定性评估值高于预设阈值；

相应的，所述根据所述排序信息，从所述待推送信息中筛选出所述不确定性评估值满足预设不确定条件的至少一个目标信息，包括：

从所述待推送信息中筛选出所述不确定性评估值高于所述预设阈值的至少一个所述目标信息，以增加具有不确定性的所述排序结果对应的所述待推送信息的推送概率。