推送信息的方法、排序模型的训练方法和装置与流程

本技术涉及互联网，特别是涉及一种推送信息的方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术：

1、随着互联网技术的发展，互联网平台呈现多元化，比如有视频类平台、新闻类平台、社交类平台以及购物类平台等。互联网平台可向对象推送信息，比如广告、资讯等，使得对象了解各类信息的渠道拓宽，方便了人们的日常生活。

2、传统技术中，互联网平台会结合信息与对象的相关度来进行信息的推送，然而，这种推送方式依据的维度较单一，准确性不高。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提升推送信息准确性的推送信息的方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、一方面，本技术提供了一种推送信息的方法。方法包括：

3、获取目标对象标识对应的对象特征，基于对象特征和各待推送信息各自对应的信息特征，确定目标对象标识与各待推送信息之间的相关度；

4、对各待推送信息各自对应的推送参考信息的区间范围进行调整，得到各推送参考信息的更新结果；推送参考信息表征相应推送信息所对应的资源；

5、将各待推送信息和目标对象标识之间的相关度分别和相应的推送参考信息的更新结果进行融合处理，得到各待推送信息各自对应的排序参考信息；

6、基于排序参考信息对各待推送信息进行排序，得到排序结果，排序结果用于确定推送给目标对象标识的目标推送信息。

7、另一方面，本技术还提供了一种推送信息的装置。装置包括：

8、获取模块，用于获取目标对象标识对应的对象特征，基于对象特征和各待推送信息各自对应的信息特征，确定目标对象标识与各待推送信息之间的相关度。

9、调整模块，用于对各待推送信息各自对应的推送参考信息的区间范围进行调整，得到各推送参考信息的更新结果；推送参考信息表征相应推送信息所对应的资源。

10、确定模块，用于将各待推送信息和目标对象标识之间的相关度分别和相应的推送参考信息的更新结果进行融合处理，得到各待推送信息各自对应的排序参考信息。

11、排序模块，用于基于排序参考信息对各待推送信息进行排序，得到排序结果，排序结果用于确定推送给目标对象标识的目标推送信息。

12、在一些实施例中，获取模块具体用于：获取目标对象标识对应的对象信息；

13、通过训练完成的排序模型中的对象特征提取网络，对对象信息进行特征提取，得到目标对象标识对应的对象特征。

14、在一些实施例中，获取模块还用于：通过训练完成的排序模型中的第一信息特征提取网络或者第二信息特征提取网络，对信息池中各推送信息进行特征提取，得到各推送信息各自对应的候选信息特征；从各候选信息特征中筛选得到各待推送信息各自对应的信息特征。

15、在一些实施例中，推送信息的装置还包括，训练模块，用于获取多元组样本，多元组样本包括：样本对象标识对应的样本对象信息、正样本推送信息和负样本推送信息；通过待训练的排序模型中的对象特征提取网络，对样本对象信息进行特征提取，得到样本对象特征；通过待训练的排序模型中的第一信息特征提取网络，对正样本推送信息进行特征提取，得到正样本信息特征；通过待训练的排序模型中的第二信息特征提取网络，对负样本推送信息进行特征提取，得到负样本信息特征；对正样本推送信息对应的推送参考信息的区间范围进行调整，得到第一调整结果；对负样本推送信息对应的推送参考信息的区间范围进行调整，得到第二调整结果；基于样本对象特征、正样本信息特征、负样本信息特征、第一调整结果以及第二调整结果，确定模型损失；基于模型损失对待训练的排序模型进行参数调整，直到满足模型训练的停止条件时停止，得到训练完成的排序模型。

16、在一些实施例中，训练模块具体用于：基于样本对象特征和正样本信息特征，确定样本对象标识和正样本推送信息之间的第一相关度；基于样本对象特征和负样本信息特征，确定样本对象标识和负样本推送信息之间的第二相关度；基于第一相关度、第一调整结果和预设的权重调节系数，得到第一求和结果；基于第二相关度、第二调整结果和预设的权重调节系数，得到第二求和结果；基于第一求和结果和第二求和结果，确定模型损失。

17、在一些实施例中，获取模块具体用于：针对每个待推送信息，计算对象特征和所针对的待推送信息对应的信息特征的内积；基于内积确定目标对象标识与所针对的待推送信息之间的相关度。

18、在一些实施例中，调整模块具体用于：针对每个待推送信息，将所针对的待推送信息对应的推送参考信息和预设常量进行融合，得到更新后的推送参考信息；通过预设函数对更新后的推送参考信息的区间范围进行缩小处理，得到所针对的待推送信息对应的推送参考信息的更新结果。

19、在一些实施例中，确定模块具体用于：针对每个待推送信息，将目标对象标识和所针对的待推送信息之间的相关度，与所针对的待推送信息对应的推送参考信息的更新结果进行求和处理，得到所针对的待推送信息的排序参考信息。

20、另一方面，本技术还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现第一方面提供的推送信息的方法。

21、另一方面，本技术还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面提供的推送信息的方法。

22、另一方面，本技术还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面提供的推送信息的方法。

23、上述推送信息的方法、装置、计算机设备、存储介质和计算机程序产品，一方面，获取目标对象标识对应的对象特征，基于该对象特征和各待推送信息各自对应的信息特征，确定目标对象标识与各待推送信息之间的相关度；另一方面，对各待推送信息各自对应的推送参考信息的区间范围进行调整，得到各推送参考信息的更新结果；推送参考信息表征相应推送信息所对应的资源；然后，将各待推送信息和目标对象标识之间的相关度分别和相应的推送参考信息的更新结果进行融合处理，得到各待推送信息各自对应的排序参考信息；该排序参考信息是综合了相关度和推送参考信息两维度的数据得到的结果，基于排序参考信息对各待推送信息进行排序，对推送信息所对应的产品提供方有正向激励的作用，在基于该排序结果确定推送给目标对象标识的目标推送信息的情况下，提升了曝光给目标对象的推送信息与产品提供方提供的推送参考信息的匹配度，推送准确度提高。另外，对推送参考信息的区间范围进行调整，使得各待推送信息各自对应的推送参考信息处于跨度较小的范围内，解决了较大的推送参考信息对排序结果的主导问题。

24、第二方面，本技术提供了一种排序模型的训练方法，该方法包括：

25、获取多元组样本，多元组样本包括：样本对象标识对应的样本对象信息、正样本推送信息和负样本推送信息；

26、通过待训练的排序模型中的对象特征提取网络，对样本对象信息进行特征提取，得到样本对象特征；

27、通过待训练的排序模型中的第一信息特征提取网络，对正样本推送信息进行特征提取，得到正样本信息特征；

28、通过待训练的排序模型中的第二信息特征提取网络，对负样本推送信息进行特征提取，得到负样本信息特征；

29、对正样本推送信息对应的推送参考信息的区间范围进行调整，得到第一调整结果；对负样本推送信息对应的推送参考信息的区间范围进行调整，得到第二调整结果；

30、基于样本对象特征、正样本信息特征、负样本信息特征、第一调整结果以及第二调整结果，确定模型损失；

31、基于模型损失对待训练的排序模型进行参数调整，直到满足模型训练的停止条件时停止，得到训练完成的排序模型；

32、其中，排序模型用于对与目标对象标识相关的各待推送信息进行排序，以确定推送给目标对象标识的目标推送信息。

33、另一方面，本技术还提供了一种排序模型的训练装置。装置包括：

34、获取模块，用于获取多元组样本，多元组样本包括：样本对象标识对应的样本对象信息、正样本推送信息和负样本推送信息；

35、第一提取模块，用于通过待训练的排序模型中的对象特征提取网络，对样本对象信息进行特征提取，得到样本对象特征；

36、第二提取模块，用于通过待训练的排序模型中的第一信息特征提取网络，对正样本推送信息进行特征提取，得到正样本信息特征；通过待训练的排序模型中的第二信息特征提取网络，对负样本推送信息进行特征提取，得到负样本信息特征；

37、范围调整模块，用于对正样本推送信息对应的推送参考信息的区间范围进行调整，得到第一调整结果；对负样本推送信息对应的推送参考信息的区间范围进行调整，得到第二调整结果；

38、损失确定模块，用于基于样本对象特征、正样本信息特征、负样本信息特征、第一调整结果以及第二调整结果，确定模型损失；

39、参数调整模块，用于基于模型损失对待训练的排序模型进行参数调整，直到满足模型训练的停止条件时停止，得到训练完成的排序模型；

40、其中，排序模型用于对与目标对象标识相关的各待推送信息进行排序，以确定推送给目标对象标识的目标推送信息。

41、在一些实施例中，获取模块具体用于：获取样本对象标识对应的推送信息排序结果；对推送信息排序结果中的冗余推送信息进行筛除处理，得到筛除处理结果；基于筛除处理结果和预设扩充规则，确定多元组样本。

42、在一些实施例中，获取模块具体用于：针对筛除处理结果中的每个推送信息，基于所针对的推送信息对应的推送参考信息和预设缩放比例，确定候选参考信息；基于所针对的推送信息和候选参考信息，确定多元组样本。

43、在一些实施例中，获取模块具体用于：对筛除处理结果中各个推送信息所属的类别进行统计；基于统计结果确定所包含的推送信息的数量小于预设阈值的目标类别；基于目标类别，对筛除处理结果进行扩充处理；基于扩充处理结果确定多元组样本。

44、在一些实施例中，范围调整模块具体用于：将正样本推送信息对应的推送参考信息和预设常量进行融合，得到第一推送参考信息；通过预设函数对第一推送参考信息的区间范围进行缩小处理，得到第一调整结果；将负样本推送信息对应的推送参考信息和预设常量进行融合，得到第二推送参考信息；通过预设函数对第二推送参考信息的区间范围进行缩小处理，得到第二调整结果。

45、在一些实施例中，损失确定模块具体用于：基于样本对象特征和正样本信息特征，确定样本对象标识和正样本推送信息之间的第一相关度；基于样本对象特征和负样本信息特征，确定样本对象标识和负样本推送信息之间的第二相关度；基于第一相关度、第一调整结果和预设的权重调节系数，得到第一求和结果；基于第二相关度、第二调整结果和预设的权重调节系数，得到第二求和结果；基于第一求和结果和第二求和结果，确定模型损失。

46、另一方面，本技术还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第二方面提供的排序模型的训练方法。

47、另一方面，本技术还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第二方面提供的排序模型的训练方法。

48、另一方面，本技术还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第二方面提供的排序模型的训练方法。

49、上述排序模型的训练方法、装置、计算机设备、存储介质和计算机程序产品，获取多元组样本，多元组样本包括：样本对象标识对应的样本对象信息、正样本推送信息和负样本推送信息；通过待训练的排序模型中的对象特征提取网络，对样本对象信息进行特征提取，得到样本对象特征；通过待训练的排序模型中的第一信息特征提取网络，对正样本推送信息进行特征提取，得到正样本信息特征；通过待训练的排序模型中的第二信息特征提取网络，对负样本推送信息进行特征提取，得到负样本信息特征；对正样本推送信息对应的推送参考信息的区间范围进行调整，得到第一调整结果；对负样本推送信息对应的推送参考信息的区间范围进行调整，得到第二调整结果；使得样本推送信息对应的推送参考信息处于跨度较小的范围内，减少了推送参考信息的范围太大导致的梯度发散的问题，基于样本对象特征、正样本信息特征、负样本信息特征、第一调整结果以及第二调整结果，确定模型损失；基于模型损失对待训练的排序模型进行参数调整，直到满足模型训练的停止条件时停止，得到训练完成的排序模型；在确定模型损失的过程中加入了样本推送信息对应的推送参考信息，使得模型可以学习到推送参考信息对对象特征和信息特征的影响，对推送信息所对应的产品提供方有正向激励的作用。