买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：时趣互动(北京)科技有限公司

摘要：本发明涉及计算机领域，具体涉及基于用户兴趣标签的信息推送方法、设备与介质。该方法的一具体实施方式包括：将目标用户兴趣训练样本包括的用户画像数据与第一用户浏览行为信息序列输入至初始兴趣特征提取层中；将用户特征信息与浏览行为兴趣特征信息输入至初始用户兴趣预测信息输出层中，得到用户兴趣特征预测信息；确定用户兴趣特征预测信息与对应的用户兴趣标签之间的损失值；响应于确定损失值小于等于预设阈值，将初始用户兴趣信息预测模型确定为用户兴趣信息预测模型；将目标用户对应的用户信息输入至用户兴趣信息预测模型中，得到用户兴趣预测信息。该实施方式可以准确预测出用户兴趣特征，便于向用户推送文本信息。

主权项：1.一种基于用户兴趣标签的信息推送方法，所述方法包括：获取用户兴趣训练样本集合，其中，用户兴趣训练样本包括：用户画像数据、第一用户浏览行为信息序列与用户兴趣标签；确定初始用户兴趣信息预测模型，其中，所述初始用户兴趣信息预测模型包括：初始兴趣特征提取层与初始用户兴趣预测信息输出层，所述初始兴趣特征提取层包括：激励层；从所述用户兴趣训练样本集合中选择出一个用户兴趣训练样本，作为目标用户兴趣训练样本；将所述目标用户兴趣训练样本包括的用户画像数据与第一用户浏览行为信息序列输入至所述初始兴趣特征提取层中，得到用户特征信息与浏览行为兴趣特征信息；将所述用户特征信息与浏览行为兴趣特征信息输入至所述初始用户兴趣预测信息输出层中，得到用户兴趣特征预测信息；确定所述用户兴趣特征预测信息与对应的用户兴趣标签之间的损失值；响应于确定所述损失值小于等于预设阈值，将所述初始用户兴趣信息预测模型确定为训练完成的用户兴趣信息预测模型；响应于检测到目标用户登录操作，将所述目标用户对应的用户信息输入至所述用户兴趣信息预测模型中，得到用户兴趣预测信息；根据所述用户兴趣预测信息，向所述目标用户的用户终端推送相关联的文本信息；其中，所述将所述目标用户兴趣训练样本包括的用户画像数据与第一用户浏览行为信息序列输入至所述初始兴趣特征提取层中，得到用户特征信息与浏览行为兴趣特征信息，包括：根据所述用户画像数据，生成初始用户画像特征信息；根据所述第一用户浏览行为信息序列，生成初始浏览行为兴趣特征信息；分别对所述初始用户画像特征信息与所述初始浏览行为兴趣特征信息进行嵌入处理，得到嵌入用户画像特征信息与嵌入浏览行为兴趣特征信息；将所述嵌入用户画像特征信息输入至所述初始兴趣特征提取层包括的激励层中，得到用户画像激励特征信息；通过所述用户画像激励特征信息与所述嵌入浏览行为兴趣特征信息，生成用户特征信息与浏览行为兴趣特征信息；其中，所述通过所述用户画像激励特征信息与所述嵌入浏览行为兴趣特征信息，生成用户特征信息与浏览行为兴趣特征信息，包括：根据所述用户画像激励特征信息和所述嵌入用户画像特征信息，生成目标画像特征信息；根据所述嵌入浏览行为兴趣特征信息，生成目标浏览行为兴趣特征信息；根据所述目标画像特征信息与所述目标浏览行为兴趣特征信息，生成用户特征信息与浏览行为兴趣特征信息；其中，将所述嵌入用户画像特征信息输入至所述初始兴趣特征提取层包括的激励层中，得到用户画像激励特征信息，包括：对嵌入用户画像特征信息进行平均池化处理，以生成平均池化信息；将所述平均池化信息与第一参数的乘积确定为第一相乘信息；将第一相乘信息与第二参数的和确定为第一相加信息；将第一相加信息输入至RELU激活函数中，得到第一输出结果；将第一输出结果与第三参数的乘积确定为第二相乘结果；将第二相乘结果与第四参数的和确定为第二相加信息；将第二相加信息输入至Sigmoid激活函数中，得到用户画像激励特征信息；其中，根据所述用户兴趣预测信息，向所述目标用户的用户终端推送相关联的文本信息，包括：获取新增的文本信息集；对所述文本信息集中的各个文本信息进行词嵌入处理，得到词嵌入文本信息集，其中，词嵌入文本信息包括：词嵌入向量序列；将每个词嵌入文本信息输入至预先训练的文本信息分类模型包括的目标卷积层中，以生成卷积信息组，得到卷积信息组集，其中，预先训练的文本信息分类模型还包括：胶囊网络和激活层，所述目标卷积层包括：全卷积网络层序列，每个全卷积网络层包括：全卷积网络序列，目标卷积层是多层卷积层，每层卷积层包括；至少一个串联的卷积网络，各层之间的卷积网络存在至少一个卷积网络并行连接；其中，将每个词嵌入文本信息输入至预先训练的文本信息分类模型包括的目标卷积层中，以生成卷积信息组，包括：将所述词嵌入文本信息包括的词嵌入向量序列输入至所述全卷积网络层序列中初始位置的全卷积网络层中，以生成初始全卷积向量序列；确定所述初始位置的全卷积网络层对应的下一层全卷积网络层，作为目标全卷积网络层；对于目标全卷积网络层，执行以下处理步骤：响应于确定目标全卷积网络层为所述全卷积网络层序列中终止位置的全卷积网络层，将初始全卷积向量序列输入至目标全卷积网络层中，以生成终止全卷积向量序列；根据初始全卷积向量序列和终止全卷积向量序列，生成卷积信息集；对于所述卷积信息集中的每个卷积信息组，执行如下处理步骤：将所述卷积信息组输入至所述胶囊网络中，得到胶囊网络矩阵信息组；将所述胶囊网络矩阵信息组中的各个胶囊网络矩阵信息进行拼接，以生成拼接矩阵信息；将所述拼接矩阵信息输入至所述激活层中，得到文本分类信息；确定各个文本分类信息与所述用户兴趣预测信息之间的相似度，得到相似度组；将所述相似度组中满足目标条件的相似度对应的文本信息推送至所述目标用户的用户终端；其中，将初始全卷积向量序列输入至目标全卷积网络层中，以生成终止全卷积向量序列，包括：对于目标全卷积网络层包括的每个卷积网络层，执行以下处理步骤：确定所述卷积网络层对应时间步，作为目标时间步；确定所述初始全卷积向量序列中的与所述目标时间步对应的初始全卷积向量，作为当前全卷积向量；响应于确定所述目标时间步存在对应的上一时间步，确定所述上一时间步对应的初始全卷积向量，作为前一全卷积向量；将所述当前全卷积向量和所述前一全卷积向量输入至所述卷积网络层中，以生成终止全卷积向量；将各个终止全卷积向量确定为终止全卷积向量序列；其中，将所述卷积信息组输入至所述胶囊网络中，得到胶囊网络矩阵信息组，包括：对于所述卷积信息组中的每个卷积信息，执行以下处理步骤：将所述卷积信息包括全卷积向量序列中的每个全卷积向量与对应的权重矩阵进行相乘，以生成第一权重矩阵，得到第一权重矩阵序列；将所述第一权重矩阵序列中的每个第一权重矩阵与对应的耦合系数进行相乘，以生成第二权重矩阵，得到第二权重矩阵序列；将所述第二权重矩阵序列中的各个第二权重矩阵进行相加，得到相加矩阵，作为胶囊网络矩阵信息；将各个胶囊网络矩阵信息确定为胶囊网络矩阵信息组，其中，每个全卷积向量都存在对应的权重矩阵。

全文数据：

权利要求：

百度查询： 时趣互动(北京)科技有限公司 基于用户兴趣标签的信息推送方法、设备与介质