物品信息显示方法、装置、电子设备和计算机可读介质与流程

1.本公开的实施例涉及计算机技术领域，具体涉及物品信息显示方法、装置、电子设备和计算机可读介质。


背景技术：

2.物品信息显示，是一项控制终端设备对物品信息进行显示的技术。目前，在对物品信息进行显示时，通常采用的方式为：根据用户在某一状态下的行为(例如，点击、收藏，购买等)信息中所体现出的物品偏好，确定显示的物品信息。
3.然而，当采用上述方式对物品信息进行显示时，经常会存在如下技术问题：
4.未充分考虑到用户对物品的偏好的变化规律，难以根据用户的一系列历史行为信息中蕴含的规律较为准确的确定物品获取概率，进而根据物品获取概率对物品信息进行较为精准的显示。


技术实现要素：

5.本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
6.本公开的一些实施例提出了物品信息显示方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
7.第一方面，本公开的一些实施例提供了一种物品信息显示方法，该方法包括：根据目标用户的用户行为信息序列，生成用户行为规律向量；根据上述目标用户的用户信息，生成用户特征交叉向量；基于上述用户行为规律向量和上述用户特征交叉向量，确定上述目标用户对目标物品的获取概率；根据上述获取概率，控制上述目标用户的终端设备显示上述目标物品的物品信息。
8.可选的，上述根据目标用户的用户行为信息序列，生成用户行为规律向量，包括：分别生成上述用户行为信息序列中不同类别的用户行为信息的用户行为规律子向量，得到用户行为规律子向量集合；对上述用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理，得到用户行为规律向量。
9.可选的，上述对上述用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理，得到用户行为规律向量，包括：确定上述用户行为信息序列中每个用户行为信息的重要性评分值，得到重要性评分值集合；根据上述重要性评分值集合，对上述用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理，得到用户行为规律向量。
10.可选的，上述根据上述目标用户的用户信息，生成用户特征交叉向量，包括：对上述目标用户的用户信息进行编码处理，得到编码后的用户信息；将上述编码后的用户信息转换为用户特征信息；通过特征交叉网络对上述用户特征信息进行特征交叉处理，得到用
户特征交叉向量。
11.可选的，上述基于上述用户行为规律向量和上述用户特征交叉向量，确定上述目标用户对目标物品的获取概率，包括：将上述用户行为规律向量和上述用户特征交叉向量进行拼接，得到用户兴趣特征向量；基于上述用户兴趣特征向量，确定上述目标用户对目标物品的获取概率。
12.可选的，上述方法还包括：响应于确定上述获取概率满足预设条件，向上述终端设备推送目标消息。
13.第二方面，本公开的一些实施例提供了一种物品信息显示装置，装置包括：第一生成单元，被配置成根据目标用户的用户行为信息序列，生成用户行为规律向量；第二生成单元，被配置成根据上述目标用户的用户信息，生成用户特征交叉向量；确定单元，被配置成基于上述用户行为规律向量和上述用户特征交叉向量，确定上述目标用户对目标物品的获取概率；控制和显示单元，被配置成根据上述获取概率，控制上述目标用户的终端设备显示上述目标物品的物品信息。
14.可选的，上述第一生成单元可以进一步被配置成：分别生成上述用户行为信息序列中不同类别的用户行为信息的用户行为规律子向量，得到用户行为规律子向量集合；对上述用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理，得到用户行为规律向量。
15.可选的，上述对上述用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理，得到用户行为规律向量，包括：确定上述用户行为信息序列中每个用户行为信息的重要性评分值，得到重要性评分值集合；根据上述重要性评分值集合，对上述用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理，得到用户行为规律向量。
16.可选的，上述第二生成单元可以进一步被配置成：对上述目标用户的用户信息进行编码处理，得到编码后的用户信息；将上述编码后的用户信息转换为用户特征信息；通过特征交叉网络对上述用户特征信息进行特征交叉处理，得到用户特征交叉向量。
17.可选的，上述确定单元可以进一步被配置成：将上述用户行为规律向量和上述用户特征交叉向量进行拼接，得到用户兴趣特征向量；基于上述用户兴趣特征向量，确定上述目标用户对目标物品的获取概率。
18.可选的，上述装置还包括推送单元。其中，上述推送单元可以被配置成：响应于确定上述获取概率满足预设条件，向上述终端设备推送目标消息。
19.第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
20.第四方面，本公开的一些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，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
21.本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的物品信息显方法，能够根据物品获取概率对物品信息进行较为精准的显示。具体来说，造成物品信息的显示不够精准的原因在于：未充分考虑到用户对物品的偏好的变化规律，难以根据用户的一系列历史行为信息中蕴含的规律较为准确的确定物品获取概率。基于此，本公开的
一些实施例的物品信息显方法根据目标用户的用户行为信息序列，生成用户行为规律向量。从而，从用户的一系列历史行为信息中提取出用户对物品的偏好的变化规律。进而，根据用户行为规律向量确定目标用户对目标物品的获取概率。最后，根据获取概率的高低，有针对性的控制终端设备显示目标物品的物品信息。从而，在一定程度上提高了物品信息显示的精准性。进而，能够促进目标用户执行价值转移操作，提高目标物品的流转率。
附图说明
22.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
23.图1是本公开的一些实施例的物品信息显示方法的一个应用场景的示意图；
24.图2是根据本公开的物品信息显示方法的一些实施例的流程图；
25.图3是根据本公开的物品信息显示方法的另一些实施例的流程图；
26.图4是根据本公开的物品信息显示方法的一些实施例中的用户行为信息序列的示意图；
27.图5是根据本公开的物品信息显示装置的一些实施例的结构示意图；
28.图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
29.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
30.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。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。
31.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
32.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
33.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
34.下面将参考附图并结合实施例来详细说明本公开。
35.图1是本公开的一些实施例的物品获取概率确定方法的一个应用场景的示意图。
36.在图1的应用场景中，首先，计算设备101可以根据目标用户的用户行为信息序列102，生成用户行为规律向量103。接着，计算设备101可以根据上述目标用户的用户信息104，生成用户特征交叉向量105。然后，计算设备101可以基于上述用户行为规律向量103和上述用户特征交叉向量105，确定上述目标用户对目标物品的获取概率106。最后，计算设备101可以根据上述获取概率106，控制上述目标用户的终端设备107显示上述目标物品的物品信息。
37.需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
38.应该理解，图1中的计算设备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计算设备。
39.继续参考图2，示出了根据本公开的物品信息显示方法的一些实施例的流程200。该物品信息显示方法，包括以下步骤：
40.步骤201，根据目标用户的用户行为信息序列，生成用户行为规律向量。
41.在一些实施例中，物品信息显示方法的执行主体(如图1所示的计算设备101)可以根据目标用户的用户行为信息序列，生成用户行为规律向量。其中，上述目标用户可以是需要确定其对物品的获取概率的用户。上述用户行为信息序列中的用户行为信息可以根据用户行为信息表征的用户行为发生的先后顺序进行排列。上述用户行为可以是点击、收藏或下单。上述用户行为信息序列中的用户行为信息可以包括：序号，用户行为类别信息，物品信息。上述物品信息可以包括：物品唯一标识码，物品类别。上述序号可以用于标识用户行为信息在上述用户行为信息序列中的位置。用户行为信息中包括的序号可以用数字表示。数字越小，可以表示用户行为信息表征的用户行为在上述用户行为信息序列中的各个用户行为信息表征的用户行为中发生的越早。上述用户行为信息序列中包括的序号最大的用户行为信息所表征的用户行为可以是用户的最后一次行为。可以根据用户行为发生的时间顺序，将用户最后一次行为之前的预设数目个行为对应的行为信息和用户最后一次行为对应的行为信息作为上述用户行为信息序列中的用户行为信息。可以用数字或者字母，或者数字与字母的组合表示物品唯一标识码。物品唯一标识码用于唯一标识一个物品。
42.上述执行主体可以将上述用户行为信息序列中各类行为信息的出现的次数进行组合，得到用户行为规律向量。
43.作为示例，上述用户行为类别信息可以是：pv，fav或buy。pv可以用于表示用户行为为“浏览”。fav可以用于表示用户行为为“收藏”。buy可以用于表示用户行为为“下单”。参考图3，上述用户行为信息序列301可以是{[001，pv，(001，护肤品)]，[002，pv，(002，护肤品)]，[003，pv，(003，洗护用品)]，[004，pv，(001，护肤品)]，[005，fav，(001，护肤品)]，[006，pv，(003，洗护用品)]，[007，buy，(001，护肤品)]}。由上述用户行为信息序列301可以看出，用户最后一次行为是对物品唯一标识码为001的护肤品执行的下单操作。上述用户行为信息序列中序号为001
‑
006的用户行为信息是用户对物品唯一标识码为001的护肤品执行下单操作前所执行的操作。
[0044]
上述用户行为规律向量可以是：[浏览次数，收藏次数，下单次数]。上述用户行为信息序列中表征用户的行为为“浏览”的用户行为信息共有[001，pv，(001，护肤品)]、[002，pv，(002，护肤品)]、[003，pv，(003，洗护用品)]、[004，pv，(001，护肤品)]和[006，pv，(003，洗护用品)]5个。上述用户行为信息序列中表征用户的行为为“收藏”的用户行为信息有[005，fav，(001，护肤品)]，共1个。上述用户行为信息序列中表征用户的行为为“下单”的用户行为信息有[007，buy，(001，护肤品)]，共1个。则上述用户行为规律向量可以是[5，1，1]。
[0045]
步骤202，根据目标用户的用户信息，生成用户特征交叉向量。
[0046]
在一些实施例中，上述用户信息可以包括：性别信息，年龄段信息。上述性别信息可以是男、女或者待定。上述年龄段信息可以是少年、青年、中年或者老年。上述执行主体根据上述目标用户的用户信息，生成用户特征交叉向量，可以包括以下步骤：
[0047]
第一步，根据预设的映射关系信息将上述用户信息中包括的性别信息，年龄段信息映射为数字，得到用户特征数组。其中，上述映射关系信息可以用于表示上述性别信息、上述年龄段信息和数字之间的对应关系。
[0048]
作为示例，上述映射关系信息可以是{[男，1]，[女，2]，[待定，0]，[少年，0]，[青年，1]，[中年，2]，[老年，3]}。其中，[男，1]表示性别信息“男”可以被映射为数字“1”。上述用户信息可以是[女，青年]。则可以根据上述映射关系信息将上述用户信息映射为用户特征数组[2，1]。
[0049]
第二步，对上述用户特征数组中的数字进行组合，得到特征组合数字。
[0050]
作为示例，可以将上述用户特征数组[2，1]中的数字2和1按照其在上述用户特征数组中的原有顺序进行组合得到特征组合数字21。
[0051]
第三步，将上述特征组合数字与上述用户特征数组进行拼接，得到用户特征交叉向量。
[0052]
作为示例，可以将上述特征组合数字21直接拼接在上述用户特征数组[2，1]后，得到用户特征交叉向量[2，1，21]。
[0053]
在一些实施例的一些可选的实现方式中，上述执行主体根据上述目标用户的用户信息，生成用户特征交叉向量，可以包括以下步骤：
[0054]
第一步，对上述目标用户的用户信息进行编码处理，得到编码后的用户信息。可以通过target coding(目标编码)、one
‑
hot encoding(独热编码)等编码方式对上述用户信息进行编码处理。
[0055]
第二步，将上述编码后的用户信息转换为用户特征信息。可以对上述编码后的用户信息进行压缩处理，得到压缩后的用户信息，将上述压缩后的用户信息作为用户特征信息。可以通过各种向量压缩算法对上述编码后的用户信息进行压缩处理。上述向量压缩算法可以是以下之一：pq(product quantization，量化乘积)算法、sdc(symmetric distance computation，对称距离计算)算法，adc(asymmetric distance computation，非对称距离计算)算法等等。
[0056]
第三步，通过特征交叉网络对上述用户特征信息进行特征交叉处理，得到用户特征交叉向量。其中，上述特征交叉网络可以是dcn(deep&cross network，深度特征交叉网络)、fm(factorization machine，因子分解机)网络等。
[0057]
步骤203，基于用户行为规律向量和用户特征交叉向量，确定目标用户对目标物品的获取概率。
[0058]
在一些实施例中，上述执行主体基于上述用户行为规律向量和上述用户特征交叉向量，确定上述目标用户对目标物品的获取概率，可以包括以下步骤：
[0059]
第一步，分别将上述用户行为规律向量和上述用户特征交叉向量映射到物品特征空间，得到用户行为规律映射向量和用户特征交叉映射向量。其中，上述物品特征空间可以是物品特征所在的特征空间。可以通过对上述用户行为规律向量和上述用户特征交叉向量
进行降维或升维处理，将上述用户行为规律向量和上述用户特征交叉向量映射到物品特征空间。
[0060]
作为示例，若上述物品特征空间的维度大于上述用户行为规律向量的维度，可以对上述用户行为规律向量进行升维处理，得到维度与上述物品特征空间的维度相同的用户行为规律映射向量。若上述物品特征空间的维度小于上述用户行为规律向量的维度，可以对上述用户行为规律向量进行降维处理，得到维度与上述物品特征空间的维度相同的用户行为规律映射向量。同理，可以对上述用户特征交叉向量做同样的处理，得到维度与上述物品特征空间的维度相同的用户特征交叉映射向量。上述升维处理可以通过对向量进行补零的方式实现。上述降维处理可以通过pca(principal component analysis，主成分分析法)、lda(linear discriminant analysis，线性判别分析法)等等实现。
[0061]
第二步，分别将上述用户行为规律映射向量和上述用户特征交叉映射向量与上述目标物品对应的目标物品特征向量之间的距离确定为第一向量距离和第二向量距离。其中，上述目标物品特征向量可以是预先根据上述目标物品的物品信息生成的。上述物品信息可以包括：物品唯一标识码，物品类别。上述第一向量距离和上述第二向量距离可以是欧氏距离、曼哈顿距离、切比雪夫距离和夹角余弦距离等等。
[0062]
第三步，根据上述第一向量距离、上述第二向量距离和预设距离阈值，确定目标用户对目标物品的获取概率。
[0063]
作为示例，首先，可以将上述第一向量距离与上述第二向量距离的和确定为向量距离求和值。然后，可以将上述预设距离阈值与上述距离求和值的比值确定为上述获取概率。
[0064]
在一些实施例的一些可选的实现方式中，上述执行主体基于上述用户行为规律向量和上述用户特征交叉向量，确定上述目标用户对目标物品的获取概率，可以包括以下步骤：
[0065]
第一步，将上述用户行为规律向量和上述用户特征交叉向量进行拼接，得到用户兴趣特征向量。可以直接将上述用户行为规律向量拼接在上述用户特征交叉向量之后，得到用户兴趣特征向量。
[0066]
作为示例，上述用户特征交叉向量可以是2维向量，上述用户行为规律向量可以是3维向量。则拼接后得到的用户兴趣特征向量可以是5维向量。在得到的5维用户兴趣特征向量中，前2维是上述用户特征交叉向量中的数值，后3维是上述用户行为规律向量中的数值。
[0067]
第二步，基于上述用户兴趣特征向量，确定上述目标用户对目标物品的获取概率。可以将上述用户兴趣特征向量映射到物品特征空间以得到用户兴趣特征映射向量，根据上述用户兴趣特征映射向量与目标物品特征向量在上述物品特征空间中的距离确定上述目标用户对目标物品的获取概率。
[0068]
作为示例，可以将上述用户兴趣特征映射向量与目标物品特征向量在上述物品特征空间中的距离作为第一距离。将上述物品特征空间中物品特征向量与上述用户兴趣特征映射向量的最小的距离作为第二距离。将上述第二距离与上述第一距离的比值确定为上述目标用户对目标物品的获取概率。
[0069]
在一些实施例的一些可选的实现方式中，上述执行主体可以将用户兴趣特征向量输入至预先训练的获取概率预测模型，得到目标用户对目标物品的获取概率。其中，上述获
取概率预测模型可以是cnn(convolutional neural networks，卷积神经网络)模型、rnn(recurrent neural network，循环神经网络)模型或dnn(deep neural networks，深度神经网络)模型等。
[0070]
步骤204，根据获取概率，控制目标用户的终端设备显示目标物品的物品信息。
[0071]
在一些实施例中，上述执行主体可以根据上述获取概率，控制上述目标用户的终端设备显示上述目标物品的物品信息。
[0072]
作为示例，可以响应于上述获取概率大于预设获取概率，在上述目标用户的终端设备中上述目标物品的物品信息。
[0073]
作为又一示例，可以根据上述获取概率的大小，控制上述目标物品的物品信息在上述目标用户的终端设备中的显示时长和显示位置。
[0074]
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的物品信息显方法，能够根据物品获取概率对物品信息进行较为精准的显示。具体来说，造成物品信息的显示不够精准的原因在于：未充分考虑到用户对物品的偏好的变化规律，难以根据用户的一系列历史行为信息中蕴含的规律较为准确的确定物品获取概率。基于此，本公开的一些实施例的物品信息显方法根据目标用户的用户行为信息序列，生成用户行为规律向量。从而，从用户的一系列历史行为信息中提取出用户对物品的偏好的变化规律。进而，根据用户行为规律向量确定目标用户对目标物品的获取概率。最后，根据获取概率的高低，有针对性的控制终端设备显示目标物品的物品信息。从而，在一定程度上提高了物品信息显示的精准性。进而，能够促进目标用户执行价值转移操作，提高目标物品的流转率。
[0075]
进一步参考图4，其示出了物品信息显示方法的另一些实施例的流程400。该物品信息显示的流程400，包括以下步骤：
[0076]
步骤401，分别生成用户行为信息序列中不同类别的用户行为信息的用户行为规律子向量，得到用户行为规律子向量集合。
[0077]
在一些实施例中，物品信息显示方法的执行主体(如图1所示的计算设备101)可以将上述用户行为信息序列输入预先训练的多任务学习模型中，以得到不同类别的用户行为信息的用户行为规律子向量。上述多任务学习模型可以包括至少一个子网络。上述子网络可以是transformer网络、lstm全称(long short term memory，长短期记忆)网络或gru(gated recurrent unit，门控循环单元)网络等。
[0078]
步骤402，对用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理，得到用户行为规律向量。
[0079]
在一些实施例中，上述执行主体可以对上述用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理，得到用户行为规律向量。加权求和处理可以是将上述用户行为规律子向量集合中的各个用户行为规律子向量直接进行求和处理。可以理解，这种方式中各个用户行为规律子向量的求和权重为1。
[0080]
在一些实施例的一些可选的实现方式中，上述执行主体对上述用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理，得到用户行为规律向量，可以包括以下步骤：
[0081]
第一步，确定上述用户行为信息序列中每个用户行为信息的重要性评分值，得到重要性评分值集合。可以通过注意力机制确定上述用户行为信息序列中每个用户行为信息
的重要性评分值。
[0082]
第二，根据上述重要性评分值集合，对上述用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理，得到用户行为规律向量。可以通过注意力机制对上述用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理。
[0083]
步骤403，根据目标用户的用户信息，生成用户特征交叉向量。
[0084]
步骤404，基于用户行为规律向量和用户特征交叉向量，确定目标用户对目标物品的获取概率。
[0085]
步骤405，根据获取概率，控制目标用户的终端设备显示目标物品的物品信息。
[0086]
在一些实施例中，步骤403
‑
405的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤202
‑
204，在此不再赘述。
[0087]
步骤406，响应于确定获取概率满足预设条件，向终端设备推送目标消息。
[0088]
在一些实施例中，上述执行主体可以响应于确定获取概率满足预设条件，向终端设备推送目标消息。其中，上述预设条件可以是获取概率小于预设获取概率。上述目标消息可以是有助于提升目标用户对目标物品的获取概率的信息(例如，针对目标物品的满减信息、红包信息等)。
[0089]
从图4中可以看出，与图2对应的一些实施例的描述相比，图4对应的一些实施例中的物品信息显示方法400体现了对生成用户行为规律向量的步骤的扩展。由此，这些实施例描述的方案可以从用户行为信息序列中学习用户不同的行为规律。从而实现通过用户的行为规律更精准的确定目标用户对目标物品的获取概率。
[0090]
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种物品信息显示装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0091]
如图5所示，一些实施例的物品信息显示装置500包括：第一生成单元501、第二生成单元502、确定单元503和控制和显示单元504。其中，第一生成单元501，被配置成根据目标用户的用户行为信息序列，生成用户行为规律向量。第二生成单元502，被配置成根据上述目标用户的用户信息，生成用户特征交叉向量。确定单元503，被配置成基于上述用户行为规律向量和上述用户特征交叉向量，确定上述目标用户对目标物品的获取概率。控制和显示单元504，被配置成根据上述获取概率，控制上述目标用户的终端设备显示上述目标物品的物品信息。
[0092]
在一些实施例的可选实现方式中，上述物品信息显示装置500的第一生成单元501可以进一步被配置成：分别生成上述用户行为信息序列中不同类别的用户行为信息的用户行为规律子向量，得到用户行为规律子向量集合；对上述用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理，得到用户行为规律向量。
[0093]
在一些实施例的可选实现方式中，上述对上述用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理，得到用户行为规律向量，包括：确定上述用户行为信息序列中每个用户行为信息的重要性评分值，得到重要性评分值集合；根据上述重要性评分值集合，对上述用户行为规律子向量集合中的各个用户行为规律子向量进行加权求和处理，得到用户行为规律向量。
[0094]
在一些实施例的可选实现方式中，上述物品信息显示装置500的第二生成单元502
可以进一步被配置成：对上述目标用户的用户信息进行编码处理，得到编码后的用户信息；将上述编码后的用户信息转换为用户特征信息；通过特征交叉网络对上述用户特征信息进行特征交叉处理，得到用户特征交叉向量。
[0095]
在一些实施例的可选实现方式中，上述物品信息显示装置500的确定单元503可以进一步被配置成：将上述用户行为规律向量和上述用户特征交叉向量进行拼接，得到用户兴趣特征向量；基于上述用户兴趣特征向量，确定上述目标用户对目标物品的获取概率。
[0096]
在一些实施例的可选实现方式中，上述物品信息显示装置500还包括推送单元。其中，上述推送单元可以被配置成：响应于确定上述获取概率满足预设条件，向上述终端设备推送目标消息。
[0097]
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
[0098]
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备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。
[0099]
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ram603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。
[0100]
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；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。
[0101]
特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，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，执行本公开的一些实施例的方法中限定的上述功能。
[0102]
需要说明的是，本公开的一些实施例中记载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、或半导体的系统、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。在本公开的一些实施例中，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系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，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系统、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。
[0103]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0104]
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：根据目标用户的用户行为信息序列，生成用户行为规律向量；根据上述目标用户的用户信息，生成用户特征交叉向量；基于上述用户行为规律向量和上述用户特征交叉向量，确定上述目标用户对目标物品的获取概率；根据上述获取概率，控制上述目标用户的终端设备显示上述目标物品的物品信息。
[0105]
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一些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)。
[0106]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0107]
描述于本公开的一些实施例中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：一种处理器包括第一生成单元、第二生成单元、确定单元和控制和显示单元。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，第一生成单元还可以被描述为“根据目标用户的用户行为信息序列，生成用户行为规律向量的单元”。
[0108]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。