用户喜好物品信息生成方法、装置、电子设备和介质与流程

1.本公开的实施例涉及计算机技术领域，具体涉及用户喜好物品信息生成方法、装置、电子设备和介质。


背景技术：

2.目前，用户喜好物品信息探索技术为探索用户所喜好的物品信息的技术。通过用户喜好物品信息探索技术可以给用户推荐用户所喜好的物品信息。对于用户的喜好物品信息的探索，相关的方式为：根据用户的历史交互物品信息序列，采用序列推荐技术来生成用户对应的用户喜好物品信息。
3.然而，当采用上述方式来生成用户的用户喜好物品信息时，经常会存在如下技术问题：
4.生成的用户喜好物品信息可能存在不符合用户当前时间下实际需求，存在生成用户喜好物品信息不够准确的问题。


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用户喜好物品信息生成方法、装置、电子设备和介质，来解决以上背景技术部分提到的技术问题。
7.第一方面，本公开的一些实施例提供了一种用户喜好物品信息生成方法，包括：获取当前用户操作对应的当前时间信息；对上述当前时间信息进行向量编码，得到时间编码向量；获取与上述当前用户操作相关联操作用户的用户兴趣字典，其中，上述用户兴趣字典包括：多个二元组形式的向量对，每个向量对包括：时间特征向量和用户喜好物品特征向量；根据上述时间编码向量，从上述用户兴趣字典中筛选出至少一个目标向量对，其中，每个目标向量对中的时间特征向量与上述时间编码向量相匹配；根据至少一个用户喜好物品特征向量，生成上述操作用户在上述当前时间信息对应的至少一个用户喜好物品信息，其中，上述至少一个用户喜好物品特征向量为上述至少一个目标向量对中的向量。
8.可选地，上述根据上述时间编码向量，从上述用户兴趣字典中筛选出至少一个目标向量对，包括：获取多个向量对所对应的各个时间特征向量；确定上述时间编码向量与上述各个时间特征向量之间的关联度；从上述用户兴趣字典中筛选出对应关联度大于预设阈值的向量对，作为目标向量对，得到上述至少一个目标向量对。
9.可选地，上述用户兴趣字典通过以下步骤生成：获取上述操作用户对应的第一历史交互物品信息序列和第一历史物品交互时间信息序列；生成第一融合向量序列，其中，上述第一融合向量序列中的第一融合向量表征第一历史交互物品信息和对应第一历史物品交互时间信息的融合特征信息；将上述第一融合向量序列输入至预先训练的用户兴趣字典
生成模型，以得到上述用户兴趣字典。
10.可选地，上述将上述第一融合向量序列输入至预先训练的用户兴趣字典生成模型，以得到上述用户兴趣字典，包括：将上述第一融合向量序列输入至预先训练的存在多头自注意力机制的依赖特征信息提取网络，以输出第一依赖特征向量序列；根据上述第一依赖特征向量序列，生成第一用户喜好物品组合特征向量集，其中，每个第一用户喜好物品组合特征向量表征用户喜好物品组合信息的特征信息；对上述第一用户喜好物品组合特征向量集中的每个第一用户喜好物品组合特征向量进行多头线性投射，以生成向量对集，得到向量对集组；根据上述向量对集组，生成上述用户兴趣字典。
11.可选地，上述第一历史交互物品信息序列中的第一历史交互物品信息包括：至少一个历史交互物品属性信息和历史交互物品名称信息；以及上述生成第一融合向量序列，包括：对于上述第一历史交互物品信息序列中的每个第一历史交互物品信息，执行第一融合向量生成步骤：对上述第一历史交互物品信息中的至少一个历史交互物品属性信息进行向量编码，得到至少一个物品属性向量；对上述第一历史交互物品信息中的历史交互物品名称信息进行向量编码，得到物品名称向量；对上述第一历史交互物品信息对应的第一历史物品交互时间信息进行向量编码，得到历史物品交互时间向量；根据上述至少一个物品属性向量、上述物品名称向量和上述历史物品交互时间向量，生成第一融合向量。
12.可选地，上述根据上述至少一个物品属性向量、上述物品名称向量和上述历史物品交互时间向量，生成第一融合向量，包括：对上述历史物品交互时间向量进行池化操作，得到池化后向量；将上述至少一个物品属性向量、上述物品名称向量和上述池化后向量进行拼接，以生成拼接后向量，作为上述第一融合向量。
13.可选地，上述对上述当前时间信息进行向量编码，得到时间编码向量，包括：对上述当前时间信息进行词嵌入处理，得到词嵌入向量；对上述词嵌入向量进行池化操作，得到上述时间编码向量。
14.可选地，上述根据上述第一依赖特征向量序列，生成第一物品组合特征向量集，包括：对上述第一依赖特征向量序列中的各个第一依赖特征向量进行线性变换，得到变换后依赖特征向量序列；对上述变换后依赖特征向量序列中的各个变换后依赖特征向量进行聚类处理，以得到各个向量簇中心；将上述各个向量簇中心中的向量簇中心确定为第一物品组合特征向量，以得到上述第一物品组合特征向量集。
15.可选地，上述对上述第一物品组合特征向量集中的每个第一物品组合特征向量进行多头线性投射，以生成向量对集，包括：将上述第一物品组合特征向量输入至多头线性网络，以输出上述向量对集。
16.可选地，上述用户兴趣字典生成模型是通过以下步骤训练的：获取针对历史用户的第二历史交互物品信息序列和第二历史物品交互时间信息序列；生成第二融合向量序列，其中，上述第二融合向量序列中的第二融合向量表征第二历史交互物品信息和对应第二历史物品交互时间信息的特征信息；将上述第二融合向量序列输入至初始用户兴趣字典生成模型，以得到初始用户兴趣字典；获取上述历史用户在目标时间信息对应的用户喜好物品信息集；对上述目标时间信息进行向量编码，以生成目标时间编码向量；对上述用户喜好物品信息集进行向量编码，以生成物品特征向量集；从上述初始用户兴趣字典中筛选出与上述目标时间编码向量相对应的向量对，作为初始向量对，得到至少一个初始向量对；对
于上述物品特征向量集中的每个物品特征向量，执行初始向量对筛选步骤：从上述至少一个初始向量对中筛选出与上述物品特征向量关联度满足第二预设条件的初始向量对，得到初始向量对集；将所得到的初始向量对集组中的各个初始向量对输入至预先设置的采样归一化指数函数，得到第一损失信息；将上述初始向量对集组中的各个初始向量对输入至预先设置的成对损失函数，得到第二损失信息；根据上述第一损失信息和上述第二损失信息，对上述初始用户兴趣字典生成模型中的模型参数进行训练。
17.第二方面，本公开的一些实施例提供了一种用户喜好物品信息生成装置，包括：第一获取单元，被配置成获取当前用户操作对应的当前时间信息；向量编码单元，被配置成对上述当前时间信息进行向量编码，得到时间编码向量；第二获取单元，被配置成获取与上述当前用户操作相关联操作用户的用户兴趣字典，其中，上述用户兴趣字典包括：多个二元组形式的向量对，每个向量对包括：时间特征向量和用户喜好物品特征向量；筛选单元，被配置成根据上述时间编码向量，从上述用户兴趣字典中筛选出至少一个目标向量对，其中，每个目标向量对中的时间特征向量与上述时间编码向量相匹配；生成单元，被配置成根据至少一个用户喜好物品特征向量，生成上述操作用户在上述当前时间信息对应的至少一个用户喜好物品信息，其中，上述至少一个用户喜好物品特征向量为上述至少一个目标向量对中的向量。
18.可选地，筛选单元可以被配制成：获取多个向量对所对应的各个时间特征向量；确定上述时间编码向量与上述各个时间特征向量之间的关联度；从上述用户兴趣字典中筛选出对应关联度大于预设阈值的向量对，作为目标向量对，得到上述至少一个目标向量对。
19.可选地，上述用户兴趣字典通过以下步骤生成：获取上述操作用户对应的第一历史交互物品信息序列和第一历史物品交互时间信息序列；生成第一融合向量序列，其中，上述第一融合向量序列中的第一融合向量表征第一历史交互物品信息和对应第一历史物品交互时间信息的融合特征信息；将上述第一融合向量序列输入至预先训练的用户兴趣字典生成模型，以得到上述用户兴趣字典。
20.可选地，上述将上述第一融合向量序列输入至预先训练的用户兴趣字典生成模型，以得到上述用户兴趣字典，包括：将上述第一融合向量序列输入至预先训练的存在多头自注意力机制的依赖特征信息提取网络，以输出第一依赖特征向量序列；根据上述第一依赖特征向量序列，生成第一用户喜好物品组合特征向量集，其中，每个第一用户喜好物品组合特征向量表征用户喜好物品组合信息的特征信息；对上述第一用户喜好物品组合特征向量集中的每个第一用户喜好物品组合特征向量进行多头线性投射，以生成向量对集，得到向量对集组；根据上述向量对集组，生成上述用户兴趣字典。
21.可选地，上述第一历史交互物品信息序列中的第一历史交互物品信息包括：至少一个历史交互物品属性信息和历史交互物品名称信息；以及上述生成第一融合向量序列，包括：对于上述第一历史交互物品信息序列中的每个第一历史交互物品信息，执行第一融合向量生成步骤：对上述第一历史交互物品信息中的至少一个历史交互物品属性信息进行向量编码，得到至少一个物品属性向量；对上述第一历史交互物品信息中的历史交互物品名称信息进行向量编码，得到物品名称向量；对上述第一历史交互物品信息对应的第一历史物品交互时间信息进行向量编码，得到历史物品交互时间向量；根据上述至少一个物品属性向量、上述物品名称向量和上述历史物品交互时间向量，生成第一融合向量。
22.可选地，上述根据上述至少一个物品属性向量、上述物品名称向量和上述历史物品交互时间向量，生成第一融合向量，包括：对上述历史物品交互时间向量进行池化操作，得到池化后向量；将上述至少一个物品属性向量、上述物品名称向量和上述池化后向量进行拼接，以生成拼接后向量，作为上述第一融合向量。
23.可选地，上述对上述当前时间信息进行向量编码，得到时间编码向量，包括：对上述当前时间信息进行词嵌入处理，得到词嵌入向量；对上述词嵌入向量进行池化操作，得到上述时间编码向量。
24.可选地，上述根据上述第一依赖特征向量序列，生成第一物品组合特征向量集，包括：对上述第一依赖特征向量序列中的各个第一依赖特征向量进行线性变换，得到变换后依赖特征向量序列；对上述变换后依赖特征向量序列中的各个变换后依赖特征向量进行聚类处理，以得到各个向量簇中心；将上述各个向量簇中心中的向量簇中心确定为第一物品组合特征向量，以得到上述第一物品组合特征向量集。
25.可选地，上述对上述第一物品组合特征向量集中的每个第一物品组合特征向量进行多头线性投射，以生成向量对集，包括：将上述第一物品组合特征向量输入至多头线性网络，以输出上述向量对集。
26.可选地，上述用户兴趣字典生成模型是通过以下步骤训练的：获取针对历史用户的第二历史交互物品信息序列和第二历史物品交互时间信息序列；生成第二融合向量序列，其中，上述第二融合向量序列中的第二融合向量表征第二历史交互物品信息和对应第二历史物品交互时间信息的特征信息；将上述第二融合向量序列输入至初始用户兴趣字典生成模型，以得到初始用户兴趣字典；获取上述历史用户在目标时间信息对应的用户喜好物品信息集；对上述目标时间信息进行向量编码，以生成目标时间编码向量；对上述用户喜好物品信息集进行向量编码，以生成物品特征向量集；从上述初始用户兴趣字典中筛选出与上述目标时间编码向量相对应的向量对，作为初始向量对，得到至少一个初始向量对；对于上述物品特征向量集中的每个物品特征向量，执行初始向量对筛选步骤：从上述至少一个初始向量对中筛选出与上述物品特征向量关联度满足第二预设条件的初始向量对，得到初始向量对集；将所得到的初始向量对集组中的各个初始向量对输入至预先设置的采样归一化指数函数，得到第一损失信息；将上述初始向量对集组中的各个初始向量对输入至预先设置的成对损失函数，得到第二损失信息；根据上述第一损失信息和上述第二损失信息，对上述初始用户兴趣字典生成模型中的模型参数进行训练。
27.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如第一方面中任一实现方式描述的方法。
28.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如第一方面中任一实现方式描述的方法。
29.本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的物品信息生成方法可以准确、高效地生成在对应时间信息下操作用户的至少一个用户喜好物品信息。具体来说，造成不能准确、高效的生成至少一个用户喜好物品信息的原因在于：生成的推荐物品信息可能存在不符合目标用户当前时间下实际需求，存在生成推荐物品信息不够准确的问题。基于此，本公开的一些实施例的物品信息生成方法可以首先获取当前用户操
作对应的当前时间信息，以后续针对当前时间信息，确定操作用户对应的至少一个用户喜好物品信息。然后，对上述当前时间信息进行向量编码，得到时间编码向量，以用于后续与用户兴趣字典中的各个向量对进行匹配。接着，获取与上述当前用户操作相关联的操作用户的用户兴趣字典。其中，上述用户兴趣字典包括：多个二元组形式的向量对，向量对包括：表征时间信息的特征信息的时间特征向量、表征用户喜好物品信息的特征信息的用户喜好物品特征向量。在这里，用户兴趣字典通过向量对的形式来存储当前用户各个时间信息对应的各个用户喜好物品信息。由此，利用用户兴趣字典，可以准确且高效地确定操作用户在各个时间信息下的用户喜好物品信息。避免了所生成的用户喜好物品信息可能存在不符合操作用户当前时间下实际需求的情况发生。进而，根据上述用户兴趣字典对应的各个时间特征向量，可以高效且准确地从上述用户兴趣字典中筛选出与上述时间编码向量相对应的向量对，作为目标向量对，得到至少一个目标向量对。最后，通过对至少一个目标向量对所包括的至少一个用户喜好物品特征向量的向量转换，可以生成符合操作用户当前时间信息下实际需求的至少一个用户喜好物品信息。由此，利用操作用户的用户兴趣字典中各个向量对，通过比对的方式来准确、高效地生成当前符合操作用户实际需求的至少一个用户喜好物品信息。
附图说明
30.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。
31.图1是根据本公开的一些实施例的用户喜好物品信息生成方法的一个应用场景的示意图；
32.图2是根据本公开的用户喜好物品信息生成方法的一些实施例的流程图；
33.图3是根据本公开的用户喜好物品信息生成方法的生成关联度的示意图；
34.图4是根据本公开的用户喜好物品信息生成方法的另一些实施例的流程图；
35.图5是根据本公开的用户喜好物品信息生成装置的一些实施例的结构示意图；
36.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
37.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。
38.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。
39.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。
40.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”。
41.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。
42.下面将参考附图并结合实施例来详细说明本公开。
43.图1是根据本公开一些实施例的用户喜好物品信息生成方法的一个应用场景的示意图。
44.在图1的应用场景中，电子设备101可以首先获取当前用户操作102对应的当前时间信息103。在本应用场景中，上述当前用户操作102可以是“页面物品信息点击操作”。上述当前时间信息103可以是“2012年12月第一个星期”。然后，电子设备101可以对上述当前时间信息103进行向量编码，得到时间编码向量104。在本应用场景中，上述时间编码向量104可以是“[1，23，45，12，31，34]”。接着，电子设备101可以获取与上述当前用户操作102相关联操作用户的用户兴趣字典105。其中，上述用户兴趣字典105包括：多个二元组形式的向量对，每个向量对包括：时间特征向量和用户喜好物品特征向量。在本应用场景中，上述用户兴趣字典105包括：向量对1051、向量对1052、向量对1053和向量对1054。上述向量对1051为“([1,23,45,12,31,34],[21,12,12,23,11])”。上述向量对1052为“([13,3,12,43,12,6],[223,42,98,3,1])”。上述向量对1053为“([7,23,45,12,31,34],[123,45,72,3,4])”。上述向量对1054为“([23,67,4,12,1,4],[25,52,17,29,11])”。进而，电子设备101可以根据上述时间编码向量104，从上述用户兴趣字典105中筛选出至少一个目标向量对106。其中，每个目标向量对中的时间特征向量与上述时间编码向量104相匹配。在本应用场景中，上述至少一个目标向量对106包括：向量对1051和向量对1053。最后，电子设备101可以根据至少一个用户喜好物品特征向量，生成上述操作用户在上述当前时间信息103对应的至少一个用户喜好物品信息107。其中，上述至少一个用户喜好物品特征向量为上述至少一个目标向量对106中的向量。在本应用场景中，上述至少一个用户喜好物品特征向量可以包括：向量对1051中的“[21,12,12,23,11]”，向量对1053中的“[123,45,72,3,4]”。上述至少一个用户喜好物品信息107可以包括：用户喜好物品信息1071和用户喜好物品信息1072。上述用户喜好物品信息1071可以是“**方便面”。上述用户喜好物品信息1072可以是“**上衣”。
[0045]
需要说明的是，上述电子设备101可以是硬件，也可以是软件。当电子设备为硬件时，可以实现成多个服务端或终端设备组成的分布式集群，也可以实现成单个服务端或单个终端设备。当电子设备体现为软件时，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。
[0046]
应该理解，图1中的电子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电子设备。
[0047]
继续参考图2，示出了根据本公开的用户喜好物品信息生成方法的一些实施例的流程200。该用户喜好物品信息生成方法，包括以下步骤：
[0048]
步骤201，获取当前用户操作对应的当前时间信息。
[0049]
在一些实施例中，上述用户喜好物品信息生成方法的执行主体(例如图1所示的电子设备101)可以通过有线连接方式或者无线连接方式来获取当前用户操作对应的当前时间信息。其中，上述当前用户操作可以是操作用户执行的操作。上述当前时间信息可以是操作用户执行当前用户操作时的时间信息。例如，上述当前时间信息可以是操作用户执行当
前用户操作时的时刻信息，还可以包括以下至少一项：上述时刻信息所处的年份信息、上述时刻信息所处的月份信息、上述时刻信息所处的季节信息、上述时刻信息所处的星期信息、上述时刻信息所处的节假日信息。
[0050]
需要说明的是，本公开中所涉及的操作用户的用户信息(例如，当前时间信息)是经过上述操作用户准许后而获取的数据。且上述操作用户可以通过操作第一选择项，来确定是否允许使用上述用户信息。上述第一选择项包括：允许获取的选项和不允许获取的选项。
[0051]
作为示例，当前时间信息可以是“2012年10月1日12点整”。当前时间信息还可以是“2012年”，还可以是“10月”，还可以是“秋季”，还可以是“10月第一个星期”，还可以是“国庆节”。
[0052]
可选地，上述当前用户操作可以是操作用户在目标页面上所执行的各个操作。例如，上述当前用户操作可以是操作用户针对目标页面上目标物品信息所执行的点击操作，还可以是针对目标页面上所执行的页面滑动操作。上述目标页面可以是目标应用(application)中的页面。
[0053]
步骤202，对上述当前时间信息进行向量编码，得到时间编码向量。
[0054]
在一些实施例中，上述执行主体可以对上述当前时间信息进行向量编码，得到时间编码向量。其中，对上述当前时间信息进行向量编码为对当前时间信息进行向量转换。上述时间编码向量可以表征当前时间信息的时间特征信息。上述时间编码向量的向量维度可以是预先设置的。
[0055]
作为示例，上述执行主体可以对当前时间信息进行词嵌入(word embedding)处理，得到上述时间编码向量。
[0056]
具体而言，上述执行主体可以首先对当前时间信息进行独热编码(one-hot)处理，得到独热编码处理后向量。然后，上述执行主体将独热编码处理后向量乘以词嵌入矩阵，以生成上述时间编码向量。
[0057]
步骤203，获取与上述当前用户操作相关联操作用户的用户兴趣字典。
[0058]
在一些实施例中，上述执行主体可以通过有线方式或无线方式来获取与上述当前用户操作相关联操作用户的用户兴趣字典。其中，上述当前用户操作相关联操作用户为执行当前用户操作的用户。上述用户兴趣字典包括：多个二元组形式的向量对，每个向量对包括：时间特征向量和用户喜好物品特征向量。上述用户兴趣字典是针对操作用户而生成的字典。上述用户兴趣字典可以是预先存储的字典，也可以是针对操作用户临时生成的。例如，对于操作用户为历史用户(即，存在执行用户操作的用户)，上述用户兴趣字典可以是预先存储的。对于操作用户为新用户(即，不存在执行用户操作的用户)，上述用户兴趣字典可以是通过各种方式来临时生成的。多个向量对中每个向量对可以表征时间信息与操作用户的用户喜好物品信息之间的关联信息。上述时间特征向量可以表征时间信息的特征信息。上述用户喜好物品特征向量可以表征用户喜好物品的特征信息。
[0059]
需要说明的是，上述用户兴趣字典是经过准许后而获取的数据。且通过设置第二选择项，来确定是否允许使用用户兴趣字典。上述第二选择项包括：允许获取的选项和不允许获取的选项。
[0060]
例如，操作用户的用户兴趣字典中的向量对为“([1,23,45,12,31,34],[21,12,
12,23,11])”。向量对中的时间特征向量为“[1,23,45,12,31,34]”。“[1,23,45,12,31,34]”可以表征“2012年10月1日12点整”的特征信息。“[21,12,12,23,11]”可以表征“**方便面”的特征信息。即，操作用户在“2012年10月1日12点整”对应的用户喜好物品为“**方便面”。
[0061]
在一些实施例的一些可选的实现方式中，上述用户兴趣字典通过以下步骤生成：
[0062]
第一步，获取上述操作用户对应的第一历史交互物品信息序列和第一历史物品交互时间信息序列。其中，第一历史交互物品信息为操作用户执行用户操作的操作物品对象信息。第一历史交互物品信息序列为用户操作序列对应的操作物品对象信息序列。上述用户操作序列可以是操作用户在预定时长内执行的各个用户操作。上述操作物品对象信息可以是操作物品对象的物品信息。第一历史物品交互时间信息为操作用户执行用户操作时的交互时间信息。第一历史物品交互时间信息序列为用户操作序列所对应的交互时间序列。其中，对于第一历史交互物品信息序列中的每个历史交互物品信息，在第一历史物品交互时间信息序列中都存在与上述历史交互物品信息相对应的第一历史物品交互时间信息。
[0063]
作为示例，第一历史交互物品信息序列为“[**方便面，**红旗]”。第一历史物品交互时间信息序列为“[9月份，10月份]”。由此，根据第一历史交互物品信息序列和第一历史物品交互时间信息序列之间的关联关系，可以得到，操作用户在“9月份”针对“**方便面”执行了用户操作。例如，购买操作。操作用户在“10月份”针对“**红旗”执行了用户操作。例如，物品转让操作。
[0064]
第二步，生成第一融合向量序列。其中，上述第一融合向量序列中的第一融合向量表征第一历史交互物品信息和对应第一历史物品交互时间信息的融合特征信息。
[0065]
作为示例，将第一历史交互物品信息序列中的各个第一历史交互物品信息进行词嵌入处理，得到嵌入后物品向量序列。同样，将第一历史物品交互时间信息序列中的各个第一历史物品交互时间信息进行词嵌入处理，得到嵌入后交互时间向量序列。根据第一历史物品信息和第一历史物品交互时间信息之间的对应关系，将嵌入后物品向量序列中的每个嵌入后物品向量与嵌入后交互时间向量序列中对应的嵌入后交互时间向量进行拼接，以生成拼接后向量，作为第一融合向量，得到第一融合向量序列。
[0066]
第三步，将上述第一融合向量序列输入至预先训练的用户兴趣字典生成模型，以得到上述用户兴趣字典。其中，上述用户兴趣字典生成模型可以是用来生成用户兴趣字典的模型。可选地，上述用户兴趣字典生成模型可以是神经网络模型。例如，可以是bert模型。
[0067]
可选地，上述将上述第一融合向量序列输入至预先训练的用户兴趣字典生成模型，以得到上述用户兴趣字典，可以包括以下步骤：
[0068]
第一步，将上述第一融合向量序列输入至预先训练的存在多头自注意力机制的依赖特征信息提取网络，以输出第一依赖特征向量序列。其中，上述存在多头自注意力机制的依赖特征信息提取网络可以是transformer模型中的编码模型。通过transformer模型中的编码模型可以提取第一融合向量序列中的隐性的特征依赖关系，使得第一依赖特征向量中存在隐性的特征依赖关系。
[0069]
第二步，根据上述第一依赖特征向量序列，生成用户喜好物品组合特征向量集。其中，每个用户喜好物品组合特征向量表征用户喜好物品组合信息的特征信息。
[0070]
作为示例，可以对第一依赖特征向量序列中的各个特征向量进行k-means聚类处理，以得到用户喜好物品组合特征向量集。
[0071]
第三步，对上述用户喜好物品组合特征向量集中的每个用户喜好物品组合特征向量进行多头线性投射，以生成向量对集，得到向量对集组。
[0072]
第四步，根据上述向量对集组，生成上述用户兴趣字典。
[0073]
作为示例，可以依据预定字典格式，来将向量对集组转换为用户兴趣字典。
[0074]
可选地，上述第一历史交互物品信息序列中的第一历史交互物品信息包括：至少一个历史交互物品属性信息和历史交互物品名称信息；以及上述生成第一融合向量序列，可以包括以下步骤：
[0075]
对于上述第一历史交互物品信息序列中的每个第一历史交互物品信息，执行第一融合向量生成步骤：
[0076]
第一子步骤，对上述第一历史交互物品信息中的至少一个历史交互物品属性信息进行向量编码，得到至少一个物品属性向量。其中，历史交互物品属性信息为历史交互物品信息的属性信息。上述历史交互物品属性信息可以包括以下至少一项：历史交互物品的品类信息、历史交互物品的品牌信息、历史交互物品的产品词信息。
[0077]
作为示例，可以对上述第一历史交互物品信息中的至少一个历史交互物品属性信息进行词嵌入处理，得到至少一个物品属性向量。
[0078]
第二子步骤，对上述第一历史交互物品信息中的历史交互物品名称信息进行向量编码，得到物品名称向量。历史交互物品名称信息可以是历史交互物品的物品名称信息。可选地，上述物品名称信息可以是物品名称标识信息。例如物品名称标识id(identity document)。
[0079]
作为示例，可以对上述第一历史交互物品信息中的历史交互物品名称信息进行词嵌入处理，得到物品名称向量。
[0080]
第三子步骤，对上述第一历史交互物品信息对应的第一历史物品交互时间信息进行向量编码，得到历史物品交互时间向量。
[0081]
作为示例，可以对上述第一历史交互物品信息对应的第一历史物品交互时间信息进行词嵌入处理，得到历史物品交互时间向量。
[0082]
第四子步骤，根据上述至少一个物品属性向量、上述物品名称向量和上述历史物品交互时间向量，生成第一融合向量。
[0083]
作为示例，可以直接对至少一个物品属性向量、物品名称向量和历史物品交互时间向量进行向量拼接，以生成上述第一融合向量。
[0084]
可选地，根据上述至少一个物品属性向量、上述物品名称向量和上述历史物品交互时间向量，生成第一融合向量，可以包括以下步骤：
[0085]
第一步，对上述历史物品交互时间向量进行池化操作，得到池化后向量。
[0086]
作为示例，上述执行主体可以对历史物品交互时间向量进行平均池化操作，得到上述池化后向量。
[0087]
第二步，将上述至少一个物品属性向量、上述物品名称向量和上述池化后向量进行拼接，以生成拼接后向量，作为上述第一融合向量。
[0088]
可选地，上述根据上述第一依赖特征向量序列，生成第一物品组合特征向量集，可以包括以下步骤：
[0089]
第一步，对上述第一依赖特征向量序列中的各个第一依赖特征向量进行线性变
换，得到变换后依赖特征向量序列。
[0090]
作为示例，根据预先设计的双线性变换矩阵，对上述第一依赖特征向量序列中的各个第一依赖特征向量进行线性变换，得到变换后依赖特征向量序列。
[0091]
需要说明的是，对第一依赖特征向量序列中的各个第一依赖特征向量进行线性变换，可以消去第一历史交互物品信息序列中各个第一历史交互物品信息之间的物品差异信息。方便后续聚类处理。
[0092]
第二步，对上述变换后依赖特征向量序列中的各个变换后依赖特征向量进行聚类处理，以得到各个向量簇中心。
[0093]
作为示例，可以对上述变换后依赖特征向量序列中的各个变换后依赖特征向量进行软聚类处理，以得到各个向量簇中心。
[0094]
第三步，将上述各个向量簇中心中的向量簇中心确定为第一物品组合特征向量，以得到上述第一物品组合特征向量集。
[0095]
可选地，可以将上述第一用户喜好物品组合特征向量集输入至多头非线性网络，以输出上述向量对集。其中，多头非线性网络为包括预定数目个非线性网络。上述多头非线性网络中的每个非线性网络可以包括：线性子网络层和激活函数层。上述激活函数层对应的激活函数可以是relu(rectified linear unit，修正线性单元)函数。例如，上述线性子网络层可以是全连接层。
[0096]
可选地，上述用户兴趣字典生成模型是通过以下步骤训练的：
[0097]
第一步，获取针对历史用户的第二历史交互物品信息序列和第二历史物品交互时间信息序列。其中，上述历史用户可以是执行过用户操作的用户。
[0098]
在这里，对于历史用户的第二历史交互物品信息序列和第二历史物品交互时间信息序列的解释可以参照操作用户的第一历史交互物品信息序列和第一物品交互时间信息序列的解释，在此不再赘述。
[0099]
需要说明的是，本公开中所涉及的历史用户的用户信息(例如，第二历史交互物品信息序列和第二历史物品交互时间信息序列)是经过上述历史用户准许后而获取的数据。且上述历史用户可以通过操作第一选择项，来确定是否允许使用上述用户信息。上述第一选择项包括：允许获取的选项和不允许获取的选项。
[0100]
第二步，生成第二融合向量序列。其中，上述第二融合向量序列中的第二融合向量表征第二历史交互物品信息和对应第二历史物品交互时间信息的特征信息。
[0101]
具体可以参照第一融合向量序列的解释，在此不再赘述。
[0102]
第三步，将上述第二融合向量序列输入至初始用户兴趣字典生成模型，以得到初始用户兴趣字典。
[0103]
第四步，获取上述历史用户在目标时间信息对应的用户喜好物品信息集。其中，上述目标时间信息可以是历史用户执行目标用户操作所对应的时间信息。例如，上述目标用户操作可以是历史用户执行的物品转让操作。用户喜好物品信息集中的各个物品可以是历史用户在目标时间信息下所喜好的物品信息。例如，上述目标时间信息为“2011年12月”。上述用户喜好物品信息集可以包括：**圣诞树、**饺子。
[0104]
第五步，对上述目标时间信息进行向量编码，以生成目标时间编码向量。
[0105]
作为示例，可以对目标时间信息进行词嵌入处理，以生成目标时间编码向量。
[0106]
第六步，对上述用户喜好物品信息集进行向量编码，以生成物品特征向量集。
[0107]
作为示例，可以对用户喜好物品信息集中各个用户喜好物品信息进行词嵌入处理，以生成目标时间编码向量。
[0108]
第七步，从上述初始用户兴趣字典中筛选出与上述目标时间编码向量相对应的向量对，作为初始向量对，得到至少一个初始向量对。
[0109]
作为示例，可以从上述初始用户兴趣字典中筛选出与目标时间编码向量对应关联度大于预定数值的向量对，作为初始向量对，得到至少一个初始向量对。
[0110]
第八步，对于上述物品特征向量集中的每个物品特征向量，执行初始向量对筛选步骤：
[0111]
从上述至少一个初始向量对中筛选出与上述物品特征向量关联度满足预设条件的初始向量对，得到初始向量对集。其中，上述关联度为0-1之间的数值。关联度越接近1，表征初始向量对对应的特征信息与物品特征向量越相似。其中，初始向量对包括：初始时间特征向量和初始用户喜好物品特征向量。上述预设条件可以是初始时间特征向量与物品特征向量之间的关联度大于预设数值。
[0112]
作为示例，首先，可以确定至少一个初始向量对中各个初始时间特征向量与物品特征向量之间的余弦值，作为关联度。然后，从上述至少一个初始向量对中筛选出对应关联度大于一定数值的初始向量对，得到初始向量对集。
[0113]
第九步，将所得到的初始向量对集组中的各个初始向量对输入至预先设置的采样归一化指数函数，得到第一损失信息。其中，上述采样归一化指数函数可以是sampled softmax函数。
[0114]
第十步，将上述初始向量对集组中的各个初始向量对输入至预先设置的成对损失函数，得到第二损失信息。其中，上述成对损失函数可以是pairwise loss函数。
[0115]
第十一步，根据上述第一损失信息和上述第二损失信息，对上述初始用户兴趣字典生成模型中的模型参数进行训练。
[0116]
作为示例，响应于确定第一损失函数大于等于第一数值，和/或第二损失函数大于等于第二数值，对上述初始用户兴趣字典生成模型中的模型参数进行训练。
[0117]
响应于确定第一损失函数小于第一数值，以及第二损失函数小于等于第二数值，停止上述初始用户兴趣字典生成模型中的模型参数进行训练，并将上述初始用户兴趣字典生成模型确定为训练后的用户兴趣字典生成模型。
[0118]
步骤204，根据上述时间编码向量，从上述用户兴趣字典中筛选出至少一个目标向量对。
[0119]
在一些实施例中，上述执行主体可以根据上述时间编码向量，从上述用户兴趣字典中筛选出至少一个目标向量对。其中，每个目标向量对中的时间特征向量与上述时间编码向量相匹配。其中，目标向量对中时间特征向量与时间编码向量之间的匹配关系可以是向量间关联关系。例如，上述向量间关联关系为时间特征向量与时间编码向量对应位置元素大小相同的元素数目大于预设数值。
[0120]
作为示例，上述执行主体可以首先确定用户兴趣字典中每个向量对所包括时间特征向量。最后，从上述用户兴趣字典中筛选出与上述时间编码向量存在匹配关系的至少一个目标向量对。
[0121]
在一些实施例的一些可选的实现方式中，根据上述时间编码向量，从上述用户兴趣字典中筛选出至少一个目标向量对，可以包括以下步骤：
[0122]
第一步，上述执行主体可以获取多个向量对所对应的各个时间特征向量。其中，上述各个时间特征向量为多个向量对中各个向量对所包括的时间特征向量。
[0123]
第二步，上述执行主体可以确定上述时间编码向量与上述各个时间特征向量之间的关联度。其中，上述关联度可以是0-1之间的数值。关联度越接近1，表征时间编码向量与时间特征向量之间的特征信息越相似。
[0124]
作为示例，上述执行主体可以确定时间编码向量与每个时间特征向量之间的余弦值，作为关联度。
[0125]
作为又一个示例，上述执行主体可以将时间编码向量与上述各个时间特征向量输入至关联度生成网络(dot attention网络)，得到各个关联度。
[0126]
作为示例，图3示出了将时间编码向量与上述各个时间特征向量输入至关联度生成网络的示意图。各个时间特征向量包括：时间特征向量301、时间特征向量302和时间特征向量303。将时间特征向量301、时间特征向量302和时间特征向量303和时间编码向量304输入至上述关联度生成网络305，得到关联度集306。上述关联度集306包括：与时间特征向量301相对应的关联度、与时间特征向量302相对应的关联度、与时间特征向量303相对应的关联度。与时间特征向量301相对应的关联度可以为0.4。与时间特征向量302相对应的关联度可以是0.5。与时间特征向量303相对应的关联度可以是0.8。
[0127]
第三步，上述执行主体可以从上述用户兴趣字典中筛选出对应关联度大于预设阈值的向量对，作为目标向量对，得到至少一个目标向量对。例如，上述预设阈值为0.9。
[0128]
步骤205，根据至少一个用户喜好物品特征向量，生成上述操作用户在上述当前时间信息对应的至少一个用户喜好物品信息。
[0129]
在一些实施例中，上述执行主体可以根据至少一个用户喜好物品特征向量，生成上述操作用户在上述当前时间信息对应的至少一个用户喜好物品信息。其中，上述至少一个用户喜好物品特征向量为上述至少一个目标向量对中的向量。例如，当前时间信息为“2012年10月1日”，对应操作用户在“2012年10月1日”所喜好的至少一个用户喜好物品信息可以包括：红旗、旗杆。
[0130]
作为示例，上述执行主体可以将至少一个用户喜好物品特征向量输入至文字转换网络，得到上述至少一个用户喜欢物品信息。其中，上述文字转换网络可以是神经网络。例如，卷积神经网络(convolutional neural networks,cnn)。
[0131]
本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的物品信息生成方法可以准确、高效地生成在对应时间信息下操作用户的至少一个用户喜好物品信息。具体来说，造成不能准确、高效的生成至少一个用户喜好物品信息的原因在于：生成的推荐物品信息可能存在不符合目标用户当前时间下实际需求，存在生成推荐物品信息不够准确的问题。基于此，本公开的一些实施例的物品信息生成方法可以首先获取当前用户操作对应的当前时间信息，以后续针对当前时间信息，确定操作用户对应的至少一个用户喜好物品信息。然后，对上述当前时间信息进行向量编码，得到时间编码向量，以用于后续与用户兴趣字典中的各个向量对进行匹配。接着，获取与上述当前用户操作相关联的操作用户的用户兴趣字典。其中，上述用户兴趣字典包括：多个二元组形式的向量对，向量对包括：
表征时间信息的特征信息的时间特征向量、表征用户喜好物品信息的特征信息的用户喜好物品特征向量。在这里，用户兴趣字典通过向量对的形式来存储当前用户各个时间信息对应的各个用户喜好物品信息。由此，利用用户兴趣字典，可以准确且高效地确定操作用户在各个时间信息下的用户喜好物品信息。避免了所生成的用户喜好物品信息可能存在不符合操作用户当前时间下实际需求的情况发生。进而，根据上述用户兴趣字典对应的各个时间特征向量，可以高效且准确地从上述用户兴趣字典中筛选出与上述时间编码向量相对应的向量对，作为目标向量对，得到至少一个目标向量对。最后，通过对至少一个目标向量对所包括的至少一个用户喜好物品特征向量的向量转换，可以生成符合操作用户当前时间信息下实际需求的至少一个用户喜好物品信息。由此，利用操作用户的用户兴趣字典中各个向量对，通过比对的方式来准确、高效地生成当前符合操作用户实际需求的至少一个用户喜好物品信息。
[0132]
进一步参考图4，示出了根据本公开的用户喜好物品信息生成方法的另一些实施例的流程400。该用户喜好物品信息生成方法，包括以下步骤：
[0133]
步骤401，获取当前用户操作对应的当前时间信息。
[0134]
在一些实施例中，步骤401的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤201，在此不再赘述。
[0135]
步骤402，对上述当前时间信息进行词嵌入处理，得到词嵌入向量。
[0136]
在一些实施例中，执行主体(例如图1所示的电子设备101)可以对上述当前时间信息进行词嵌入处理，得到词嵌入向量。
[0137]
步骤403，对上述词嵌入向量进行池化操作，得到上述时间编码向量。
[0138]
在一些实施例中，上述执行主体可以对上述词嵌入向量进行池化操作，得到上述时间编码向量。
[0139]
作为示例，上述执行主体对上述词嵌入向量进行平均池化操作，得到上述时间编码向量。
[0140]
步骤404，获取与上述当前用户操作相关联操作用户的用户兴趣字典。
[0141]
步骤405，根据上述时间编码向量，从上述用户兴趣字典中筛选出至少一个目标向量对。
[0142]
步骤406，根据至少一个用户喜好物品特征向量，生成上述操作用户在上述当前时间信息对应的至少一个用户喜好物品信息。
[0143]
在一些实施例中，步骤404-406的具体实现及其所带来的技术效果，可以参考图2对应的实施例中的步骤204-205，在此不再赘述。
[0144]
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用户喜好物品信息生成方法的流程400更加突出了对当前时间信息进行向量编码的具体步骤。由此，这些实施例描述的方案可以生成的时间编码向量更能体现当前时间信息的特征信息。利用所生成的时间编码向量，可以后续在用户兴趣字典中筛选出更为精准的至少一个目标向量对。由此，使得后续生成的至少一个用户喜好物品信息更为精准。
[0145]
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用户喜好物品信息生成装置的一些实施例，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。
[0146]
如图5所示，一种用户喜好物品信息生成装置500包括：第一获取单元501、向量编码单元502、第二获取单元503、筛选单元504和生成单元505。其中，第一获取单元501，被配置成获取当前用户操作对应的当前时间信息；向量编码单元502，被配置成对上述当前时间信息进行向量编码，得到时间编码向量；第二获取单元503，被配置成获取与上述当前用户操作相关联操作用户的用户兴趣字典，其中，上述用户兴趣字典包括：多个二元组形式的向量对，每个向量对包括：时间特征向量和用户喜好物品特征向量；筛选单元504，被配置成根据上述时间编码向量，从上述用户兴趣字典中筛选出至少一个目标向量对，其中，每个目标向量对中的时间特征向量与上述时间编码向量相匹配；生成单元505，被配置成根据至少一个用户喜好物品特征向量，生成上述操作用户在上述当前时间信息对应的至少一个用户喜好物品信息，其中，上述至少一个用户喜好物品特征向量为上述至少一个目标向量对中的向量。
[0147]
在一些实施例的一些可选的实现方式中，上述装置500中的筛选单元504可以进一步被配置成：获取多个向量对所对应的各个时间特征向量；确定上述时间编码向量与上述各个时间特征向量之间的关联度；从上述用户兴趣字典中筛选出对应关联度大于预设阈值的向量对，作为目标向量对，得到上述至少一个目标向量对。
[0148]
在一些实施例的一些可选的实现方式中，上述用户兴趣字典通过以下步骤生成：获取上述操作用户对应的第一历史交互物品信息序列和第一历史物品交互时间信息序列；生成第一融合向量序列，其中，上述第一融合向量序列中的第一融合向量表征第一历史交互物品信息和对应第一历史物品交互时间信息的融合特征信息；将上述第一融合向量序列输入至预先训练的用户兴趣字典生成模型，以得到上述用户兴趣字典。
[0149]
在一些实施例的一些可选的实现方式中，上述将上述第一融合向量序列输入至预先训练的用户兴趣字典生成模型，以得到上述用户兴趣字典，包括：将上述第一融合向量序列输入至预先训练的存在多头自注意力机制的依赖特征信息提取网络，以输出第一依赖特征向量序列；根据上述第一依赖特征向量序列，生成第一用户喜好物品组合特征向量集，其中，每个第一用户喜好物品组合特征向量表征用户喜好物品组合信息的特征信息；对上述第一用户喜好物品组合特征向量集中的每个第一用户喜好物品组合特征向量进行多头线性投射，以生成向量对集，得到向量对集组；根据上述向量对集组，生成上述用户兴趣字典。
[0150]
在一些实施例的一些可选的实现方式中，上述第一历史交互物品信息序列中的第一历史交互物品信息包括：至少一个历史交互物品属性信息和历史交互物品名称信息；以及上述生成第一融合向量序列，包括：对于上述第一历史交互物品信息序列中的每个第一历史交互物品信息，执行第一融合向量生成步骤：对上述第一历史交互物品信息中的至少一个历史交互物品属性信息进行向量编码，得到至少一个物品属性向量；对上述第一历史交互物品信息中的历史交互物品名称信息进行向量编码，得到物品名称向量；对上述第一历史交互物品信息对应的第一历史物品交互时间信息进行向量编码，得到历史物品交互时间向量；根据上述至少一个物品属性向量、上述物品名称向量和上述历史物品交互时间向量，生成第一融合向量。
[0151]
在一些实施例的一些可选的实现方式中，上述根据上述至少一个物品属性向量、上述物品名称向量和上述历史物品交互时间向量，生成第一融合向量，包括：对上述历史物品交互时间向量进行池化操作，得到池化后向量；将上述至少一个物品属性向量、上述物品
名称向量和上述池化后向量进行拼接，以生成拼接后向量，作为上述第一融合向量。
[0152]
在一些实施例的一些可选的实现方式中，上述对上述当前时间信息进行向量编码，得到时间编码向量，包括：对上述当前时间信息进行词嵌入处理，得到词嵌入向量；对上述词嵌入向量进行池化操作，得到上述时间编码向量。
[0153]
在一些实施例的一些可选的实现方式中，上述根据上述第一依赖特征向量序列，生成第一物品组合特征向量集，包括：对上述第一依赖特征向量序列中的各个第一依赖特征向量进行线性变换，得到变换后依赖特征向量序列；对上述变换后依赖特征向量序列中的各个变换后依赖特征向量进行聚类处理，以得到各个向量簇中心；将上述各个向量簇中心中的向量簇中心确定为第一物品组合特征向量，以得到上述第一物品组合特征向量集。
[0154]
在一些实施例的一些可选的实现方式中，上述对上述第一物品组合特征向量集中的每个第一物品组合特征向量进行多头线性投射，以生成向量对集，包括：将上述第一物品组合特征向量输入至多头线性网络，以输出上述向量对集。
[0155]
在一些实施例的一些可选的实现方式中，上述用户兴趣字典生成模型是通过以下步骤训练的：获取针对历史用户的第二历史交互物品信息序列和第二历史物品交互时间信息序列；生成第二融合向量序列，其中，上述第二融合向量序列中的第二融合向量表征第二历史交互物品信息和对应第二历史物品交互时间信息的特征信息；将上述第二融合向量序列输入至初始用户兴趣字典生成模型，以得到初始用户兴趣字典；获取上述历史用户在目标时间信息对应的用户喜好物品信息集；对上述目标时间信息进行向量编码，以生成目标时间编码向量；对上述用户喜好物品信息集进行向量编码，以生成物品特征向量集；从上述初始用户兴趣字典中筛选出与上述目标时间编码向量相对应的向量对，作为初始向量对，得到至少一个初始向量对；对于上述物品特征向量集中的每个物品特征向量，执行初始向量对筛选步骤：从上述至少一个初始向量对中筛选出与上述物品特征向量关联度满足第二预设条件的初始向量对，得到初始向量对集；将所得到的初始向量对集组中的各个初始向量对输入至预先设置的采样归一化指数函数，得到第一损失信息；将上述初始向量对集组中的各个初始向量对输入至预先设置的成对损失函数，得到第二损失信息；根据上述第一损失信息和上述第二损失信息，对上述初始用户兴趣字典生成模型中的模型参数进行训练。
[0156]
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。
[0157]
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(例如图1中的电子设备101)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。
[0158]
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。
[0159]
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；包括例如磁带、硬盘等的存储装置608；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。
[0160]
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。
[0161]
需要说明的是，本公开的一些实施例上述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。
[0162]
在一些实施方式中，客户端、服务端可以利用诸如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。
[0163]
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：获取当前用户操作对应的当前时间信息；对上述当前时间信息进行向量编码，得到时间编码向量；获取与上述当前用户操作相关联操作用户的用户兴趣字典，其中，上述用户兴趣字典包括：多个二元组形式的向量对，每个向量对包括：时间特征向量和用户喜好物品特征向量；根据上述时间编码向量，从上述用户兴趣字典中筛选出至少一个目标向量对，其中，每个目标向量对中的时间特征向量与上述时
间编码向量相匹配；根据至少一个用户喜好物品特征向量，生成上述操作用户在上述当前时间信息对应的至少一个用户喜好物品信息，其中，上述至少一个用户喜好物品特征向量为上述至少一个目标向量对中的向量。
[0164]
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端上执行。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)。
[0165]
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。
[0166]
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获取单元、向量编码单元、第二获取单元、筛选单元和生成单元。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，第一获取单元还可以被描述为“获取当前用户操作对应的当前时间信息的单元”。
[0167]
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。
[0168]
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。