意向度预测模型的训练方法、资源推送方法和装置与流程

本公开涉及数据处理领域，尤其涉及计算机视觉和深度学习等人工智能领域。

背景技术：

1、随着技术的发展，对于用户端的精准资源推送愈加重要，在信息流推荐系统中，针对任一待推送资源，可以获取该资源与用户之间的相关性等参数，以确定该资源是否可以推送给对应用户。

2、相关技术中，可以通过用户对单个资源的偏好进行学习，从而实现对用户的资源推送，然而，仅基于单个资源的偏好，无法学习到用户对于作者的喜好，使得用户不喜欢的作者的资源可能在推送的资源中重复出现，影响用户体验。

技术实现思路

1、本公开提出了一种意向度预测模型的训练方法、资源推送方法和装置。

2、根据本公开的第一方面，提出了一种意向度预测模型的训练方法，方法包括：获取待训练的候选意向度预测模型；获取样本用户和所述样本用户的样本资源作者，以得到所述样本用户的样本用户作者二部图；基于所述样本用户作者二部图，获取待训练的候选意向度预测模型的训练样本图；通过所述训练样本图对所述候选意向度预测模型进行训练，直至训练结束，得到训练好的目标意向度预测模型。

3、根据本公开的第二方面，提出了一种资源推送方法，方法包括：获取待推送的初始资源队列以及所述初始资源队列中各初始资源的第一资源作者；获取训练好的目标意向度预测模型，并通过所述目标意向度预测模型获取用户端对于所述第一资源作者的目标预测意向度，其中，所述目标意向度预测模型通过上述第一方面提出的意向度预测模型的训练方法得到；针对任一初始资源，响应于所述用户端对所述初始资源的第一资源作者的目标预测意向度大于或者等于预设的意向度阈值，确定所述初始资源为待添加的候选资源；将所述候选资源添加至所述用户端的候选推送队列，得到添加后的目标资源队列，并将所述目标资源队列推送至所述用户端。

4、根据本公开的第三方面，提出了一种意向度预测模型的训练装置，装置包括：第一获取模块，用于获取待训练的候选意向度预测模型；第二获取模块，用于获取样本用户和所述样本用户的样本资源作者，以得到所述样本用户的样本用户作者二部图；第三获取模块，用于基于所述样本用户作者二部图，获取待训练的候选意向度预测模型的训练样本图；训练模块，用于通过所述训练样本图对所述候选意向度预测模型进行训练，直至训练结束，得到训练好的目标意向度预测模型。

5、根据本公开的第四方面，提出了一种资源推送装置，装置包括：第四获取模块，用于获取待推送的初始资源队列以及所述初始资源队列中各初始资源的第一资源作者；预测模块，用于获取训练好的目标意向度预测模型，并通过所述目标意向度预测模型获取用户端对于所述第一资源作者的目标预测意向度，其中，所述目标意向度预测模型通过上述第二方面提出的意向度预测模型的训练装置得到；确定模块，用于针对任一初始资源，响应于所述用户端对所述初始资源的第一资源作者的目标预测意向度大于或者等于预设的意向度阈值，确定所述初始资源为待添加的候选资源；推送模块，用于将所述候选资源添加至所述用户端的候选推送队列，得到添加后的目标资源队列，并将所述目标资源队列推送至所述用户端。

6、根据本公开的第五方面，提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面提出的意向度预测模型的训练方法和/或第二方面提出的资源推送方法。

7、根据本公开的第六方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述第一方面提出的意向度预测模型的训练方法和/或第二方面提出的资源推送方法。

8、根据本公开的第七方面，提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述第一方面提出的意向度预测模型的训练方法和/或第二方面提出的资源推送方法。

9、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种意向度预测模型的训练方法，其中，所述方法包括：

2.根据权利要求1所述的方法，其中，所述获取样本用户和所述样本用户的样本资源作者，以得到所述样本用户的样本用户作者二部图，包括：

3.根据权利要求1所述的方法，其中，所述基于所述样本用户作者二部图，获取待训练的候选意向度预测模型的训练样本图，包括：

4.根据权利要求1所述的方法，其中，所述通过所述训练样本图对所述候选意向度预测模型进行训练，直至训练结束，得到训练好的目标意向度预测模型，包括：

5.根据权利要求4所述的方法，其中，所述通过所述候选意向度预测模型，提取所述训练样本图对应的所述样本用户对所述样本资源作者的预测意向度，包括：

6.一种资源推送方法，其中，所述方法包括：

7.根据权利要求6所述的方法，其中，所述将所述候选资源添加至所述用户端的候选推送队列，得到添加后的目标资源队列，并将所述目标资源队列推送至所述用户端，包括：

8.根据权利要求7所述的方法，其中，所述针对任一待添加的候选资源，获取所述候选资源的第三资源作者与各第二资源作者的作者相似度，并根据所述作者相似度识别所述候选资源是否满足所述候选推送队列的队列添加条件，包括：

9.一种意向度预测模型的训练装置，其中，所述装置包括：

10.根据权利要求9所述的装置，其中，所述第二获取模块，还用于：

11.根据权利要求9所述的装置，其中，所述第三获取模块，还用于：

12.根据权利要求9所述的装置，其中，所述训练模块，还用于：

13.根据权利要求12所述的装置，其中，所述训练模块，还用于：

14.一种资源推送装置，其中，所述装置包括：

15.根据权利要求14所述的装置，其中，所述推送模块，还用于：

16.根据权利要求15所述的装置，其中，所述推送模块，还用于：

17.一种电子设备，包括：

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5和/或权利要求6-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5和/或权利要求6-8中任一项所述的方法。

技术总结
本公开提出了一种意向度预测模型的训练方法、资源推送方法和装置，涉及计算机视觉和深度学习等人工智能领域，包括：获取待训练的候选意向度预测模型；获取样本用户和样本用户的样本资源作者，以得到样本用户的样本用户作者二部图；基于样本用户作者二部图，获取待训练的候选意向度预测模型的训练样本图；通过训练样本图对候选意向度预测模型进行训练，直至训练结束，得到训练好的目标意向度预测模型。实现用户端对于资源作者的意向度预测，在基于目标意向度预测模型获取用户端的推送资源的场景下，避免了用户端不喜爱和/或不满意的非意向作者的资源推送，提高了用户端对于推送资源的转化可能性。

技术研发人员：胡小雨,王卓颖,曹茜,王朝旭,郑宇航
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：
技术公布日：2024/2/29