[发明专利]信息推送方法及装置

说明书

本申请实施例公开了一种信息推送方法及装置。所述方法包括：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，提取各样本数据中的样本用户特征及各推送信息对应的符合第一预设低频条件的样本语料；根据各样本用户特征、各样本语料及各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；针对目标用户对应的多个待推送信息，利用排序模型及预设的不确定性预测方式，确定各待推送信息对应的排序信息；根据排序信息，从待推送信息中筛选出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，并将筛选出的目标信息推送给目标用户。该技术方案增加了低频语料对应的信息的展示机会，提高了信息推送的多样性。

技术领域

本发明涉及信息处理技术领域，尤其涉及一种信息推送方法及装置。

背景技术

在个性化推荐及在线广告系统中，需要利用用户行为数据训练点击率或排序模型，如果训练集中某部分样本不足，将影响模型对该类输入的预估结果的准确度。如果低估其点击率或排序结果，将会降低相应内容或广告的展示机会，如果高估其点击率或排序结果，也会降低其他内容或广告的展示机会，这会使模型永远不能充分学习某一部分(即样本不足的这部分数据)输入，同时降低推荐结果的多样性，影响用户体验。

为解决上述问题，传统的LinUCB等算法基于线性模型训练点击率或排序模型，但线性模型的表现能力有限，对于表现能力更强、效果更高的深度学习等神经网络模型无法应用，因此只能通过切分出部分流量来增加新内容的展示机会，且对于流量切分的探索程度依赖于人工判断，容易导致探索不足或流量浪费。

发明内容

本申请实施例的目的是提供一种信息推送方法及装置，用以均衡信息中低频语料的分布，从而增加信息推荐的多样性及提高信息推荐的准确度。

为解决上述技术问题，本申请实施例是这样实现的：

一方面，本申请实施例提供一种信息推送方法，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。

在一个实施例中，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。

在一个实施例中，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：