模型训练方法、文本推送方法、装置、计算机设备及介质与流程

1.本技术涉及人工智能技术领域，特别涉及一种模型训练方法、文本推送方法、装置、计算机设备及介质。


背景技术：

2.随着互联网技术的飞速发展，用户能够通过互联网查看各种感兴趣的多媒体资源，如文档、视频等。以视频为例，用户在查看该视频之前，通常是根据该视频的标题来判断是否对该视频感兴趣。因此，如何给推送一些有着更吸引用户点击的标题的多媒体资源，是需要解决的问题。
3.对于待推送的内容，通常是基于已推送的多媒体资源的历史曝光点击统计数据，来预估该多媒体资源的ctr(click
‑
through
‑
rate，点击通过率)。
4.上述方案，对于未曾推送过的内容，均采用一套估计参数，导致无法准确的预测该内容的ctr。


技术实现要素：

5.本技术实施例提供了一种模型训练方法、文本推送方法、装置、计算机设备及介质，使得训练得到的目标模型能够更为准确的确定文本内容的文本类别，并确定该文本内容在该文本类别下的点击通过率。所述技术方案如下：
6.一方面，提供了一种模型训练方法，所述方法包括：
7.获取样本数据，所述样本数据包括目标文本内容、所述目标文本内容所属的目标文本类别以及以所述目标文本内容为标题的多媒体资源的历史点击通过率；
8.基于目标模型对所述目标文本内容进行处理，获取第一结果和第二结果，所述第一结果用于表示所述目标文本内容属于各文本类别的概率，所述第二结果用于表示所述目标文本内容的预测点击通过率；
9.以所述目标文本类别和所述历史点击通过率为监督信息，基于所述第一结果和所述第二结果，对所述目标模型进行训练。
10.另一方面，提供了一种文本推送方法，所述方法包括：
11.获取待处理文本；
12.基于文本分类模型对所述待处理文本进行处理，获取所述待处理文本对应的推荐文本类别和所述待处理文本对应的目标点击通过率；
13.响应于所述目标点击通过率在预设点击通过率范围内，按照所述推荐文本类别，对所述待处理文本进行推送。
14.另一方面，提供了一种模型训练装置，所述装置包括：
15.样本获取模块，用于获取样本数据，所述样本数据包括目标文本内容、所述目标文本内容所属的目标文本类别以及以所述目标文本内容为标题的多媒体资源的历史点击通过率；
16.结果获取模块，用于基于目标模型对所述目标文本内容进行处理，获取第一结果和第二结果，所述第一结果用于表示所述目标文本内容属于各文本类别的概率，所述第二结果用于表示所述目标文本内容的预测点击通过率；
17.训练模块，用于以所述目标文本类别和所述历史点击通过率为监督信息，基于所述第一结果和所述第二结果，对所述目标模型进行训练。
18.在一种可选的实现方式中，所述结果获取模块，用于基于所述目标模型中的第一网络，对所述目标文本内容进行编码，得到目标文本向量；基于所述目标模型中的第二网络，对所述目标文本向量进行分类，得到所述第一结果；基于所述目标模型中的第三网络，对所述目标文本向量对应的点击通过率进行预测，得到所述第二结果。
19.在一种可选的实现方式中，所述训练模块，包括：
20.第一损失确定单元，用于基于所述第一结果和所述目标文本类别，确定分类损失；
21.第二损失确定单元，用于基于所述第二结果和所述历史点击通过率，确定预测损失；
22.训练单元，用于基于所述分类损失和所述预测损失，对所述目标模型进行训练。
23.在一种可选的实现方式中，所述训练单元，用于：基于所述分类损失、所述分类损失对应的第一超参数、所述预测损失以及所述预测损失对应的第二超参数，确定目标损失；
24.基于所述目标损失，对所述目标模型进行训练。
25.另一方面，提供了一种文本推送装置，所述装置包括：
26.文本获取模块，用于获取待处理文本；
27.文本处理模块，用于基于文本分类模型对所述待处理文本进行处理，获取所述待处理文本对应的推荐文本类别和所述待处理文本对应的目标点击通过率；
28.文本推送模块，用于响应于所述目标点击通过率在预设点击通过率范围内，按照所述推荐文本类别，对所述待处理文本进行推送。
29.另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器用于存储至少一段计算机程序，所述至少一段计算机程序由所述处理器加载并执行以实现本技术实施例中的模型训练方法中的操作，或者执行以实现本技术实施例中的文本推送方法中的操作。
30.另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一段计算机程序，所述至少一段计算机程序由处理器加载并执行以实现如本技术实施例中模型训练方法中的操作，或者执行以实现如本实施例中文本推送方法中的操作。
31.另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得该计算机设备执行上述各种可选实现方式中提供的模型训练方法，或者文本推送方法。
32.本技术实施例提供的技术方案带来的有益效果是：
33.本技术提供了一种模型训练方法，通过获取目标文本内容属于各文本类别的概率以及文本内容的预测点击通过率，能够提高目标模型的语义理解能力，有效的建立了文本内容与文本类别之间的隐含关系，使得训练得到的模型能够更为准确的确定文本内容所属
的文本类别和对应的点击通过率。
附图说明
34.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
35.图1是根据本技术实施例提供的一种模型训练方法的实施环境示意图；
36.图2是根据本技术实施例提供的一种模型训练方法的流程图；
37.图3是根据本技术实施例提供的另一种模型训练方法的流程图；
38.图4是根据本技术实施例提供的另一种模型训练方法的流程示意图；
39.图5是根据本技术实施例提供的一种文本推送方法的流程图；
40.图6是根据本技术实施例提供的一种模型训练装置的装置框图；
41.图7是根据本技术实施例提供的一种文本推送装置的装置框图；
42.图8是根据本技术实施例提供的一种终端的结构框图；
43.图9是根据本技术实施例提供的一种服务器的结构示意图。
具体实施方式
44.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
45.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
46.在视频搜索以及视频推荐领域，视频标题是视频内容的主要成分之一，基于标题文本内容结合自然语言处理等基础算法完成对文本的解析，从而强化视频语义信息的理解，是整个视频搜索系统的核心工作之一。目前，基于视频标题能够预估标题吸引度，标题吸引度是以视频标题的语义为出发点来预估点击通过率的一种方式。然而同样的视频标题，在不同文本类别下的点击通过率应该是不同的，如视频标题包括游戏主播的名字，则该视频标题在“游戏”这一文本类别和“电视剧”这一文本类别下的点击通过率显然不同。因此，在上述方案其中，如何理解视频标题的语义是的主要难点和关键点之一，如果不能准确的理解视频标题的语义，会导致同一词语在不同主题类别下的表现无法差异化。
47.下面简单介绍一下本技术实施例可能用到的技术。
48.机器学习(machine learning，ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
49.大数据(big data)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临，大数据也吸引了越来越多的关注，大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。本技术实施例基于大数据能够获取用户的用户特征以及待推荐内容的内容特征。
50.ctr(click
‑
through
‑
rate)即点击通过率，是互联网广告常用的术语，指网络广告(图片广告/文字广告/关键词广告/排名广告/视频广告等)的点击到达率，即该广告的实际点击次数(严格的来说，可以是到达目标页面的数量)除以广告的展现量(show content)。
51.本技术实施例提供的模型训练方法，能够应用于计算机设备中。可选地，该计算机设备为终端或服务器。下面首先以计算机设备为服务器为例，介绍一下本技术实施例提供的模型训练方法的实施环境，图1是根据本技术实施例提供的一种模型训练方法的实施环境示意图。参见图1，该实施环境包括终端101和服务器102。
52.终端101和服务器102能够通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。
53.可选地，终端101是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。
54.可选地，服务器102是独立的物理服务器，也能够是多个物理服务器构成的服务器集群或者分布式系统，还能够是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器102用于进行模型训练。可选地，服务器102承担主要工作，终端101承担次要工作；或者，服务器102承担次要工作，终端101承担主要工作；或者，服务器102和终端101二者之间采用分布式计算架构进行协同计算。
55.在该实施环境中，该模型训练方法训练获取的模型为用于文本分类和点击通过率预测的目标模型。
56.例如，服务器获取历史推送的文本和视频的标题文本作为样本文本，各样本文本标注有所属的文本类别以及点击通过率中的至少一种作为监督数据。将各样本文本分别输入目标模型进行训练，获取训练完毕的目标模型。
57.可选地，服务器102由接入服务器、模型训练服务器和数据库服务器构成。接入服务器用于为终端101提供接入服务。模型训练服务器用于提供模型训练服务。模型训练服务器可以是一台或多台。当模型训练服务器是多台时，存在至少两台模型训练服务器用于提供不同的服务，和/或，存在至少两台模型训练服务器用于提供相同的服务，比如以负载均衡方式提供同一种服务，本技术实施例对此不加以限定。可选地，模型训练服务器中设置有模型训练模型，从而基于该模型训练模型进行模型训练。
58.终端101可以泛指多个终端中的一个，本实施例仅以终端101来举例说明。本领域技术人员可以知晓，上述终端的数量可以更多或更少。比如上述终端可以仅为一个，或者上述终端为几十个或几百个，或者更多数量。本技术实施例对终端的数量和设备类型不加以
限定。
59.图2是根据本技术实施例提供的一种模型训练方法的流程图，如图2所示，在本技术实施例中以该模型训练方法应用于计算机设备为例进行说明。该方法包括以下步骤：
60.201、获取样本数据，该样本数据包括目标文本内容、该目标文本内容所属的目标文本类别以及以该目标文本内容为标题的多媒体资源的历史点击通过率。
61.在本技术实施例中目标内容为已推送至用户的文本或者视频等多媒体数据的标题。用户能够基于该目标内容了解对应的文本或者视频中包含的主要内容，目标内容是否吸引用户，能够直接影响用户是否会观看该文本或者视频。该目标文本类别包括游戏、广场舞、数码、影视剧以及搞笑中的一种。该历史点击通过率为以该目标文本内容为标题的多媒体资源，在推送后、当前时间之前的一段时间内的点击通过率。
62.202、基于目标模型对该目标文本内容进行处理，获取第一结果和第二结果，该第一结果用于表示该目标文本内容属于各文本类别的概率，该第二结果用于表示该目标文本内容的预测点击通过率。
63.在本技术实施例中，计算机设备能够基于该目标模型对该目标文本内容进行分类以及点击通过率的预测，从而得到第一结果和第二结果。
64.203、以目标文本类别和历史点击通过率为监督信息，基于该第一结果和该第二结果，对该目标模型进行训练。
65.在本技术实施例中，计算机设备能够以目标文本类别和历史点击通过率为监督信息，基于上述第一结果与目标文本类别之间的差别，以及第二结果与历史点击通过率之间的差别，调整该目标模型中的参数，直到该目标模型达到训练结束条件，本技术实施例对此不进行限制。
66.本技术提供了一种模型训练方法，通过获取目标文本内容属于各文本类别的概率以及文本内容的预测点击通过率，能够提高目标模型的语义理解能力，有效的建立了文本内容与文本类别之间的隐含关系，使得训练得到的模型能够更为准确的确定文本内容所属的文本类别和对应的点击通过率。
67.图3是根据本技术实施例提供的另一种模型训练方法的流程图，如图3所示，在本技术实施例中以该模型训练方法应用于计算机设备时的一次迭代过程为例进行说明。该方法包括以下步骤：
68.301、获取样本数据，该样本数据包括目标文本内容、该目标文本内容所属的目标文本类别以及以该目标文本内容为标题的多媒体资源的历史点击通过率。
69.在本技术实施例中，计算机设备能够获取已推送至用户的文本或者视频等多媒体数据，然后获取该多媒体数据对应的标题，以及该标题所属的文本类别和该多媒体数据的历史点击通过率中的至少一种，从而得到一条样本数据。
70.例如，参见表1所示，表1示例性示出了基于已推送的视频获取的四条样本数据，该四条样本数据的标题分别属于游戏、广场舞以及数码这三个文本类别。
71.表1
[0072][0073]
302、基于该目标模型中的第一网络，对该目标文本内容进行编码，得到目标文本向量。
[0074]
在本技术实施例中，该目标模型为本次迭代过程对应的模型，该第一网络为该目标模型中的编码网络。计算机设备能够基于该目标模型中的编码网络对任一样本该目标文本内容进行编码。可选地，编码网络为cnn(convolutional neural networks，卷积神经网络)、lstm(long short
‑
term memory，长短期记忆网络)或者lstm attention(注意力机制)中的任一种，本技术实施例对编码方式不进行限制。
[0075]
在一种可选的实现方式中，计算机设备还能够采用lstm attention作为句子的编码网络，dnn(deep neural networks，深度神经网络)作为词语的编码网络。
[0076]
303、基于该目标模型中的第二网络，对该目标文本向量进行分类，得到第一结果，该第一结果用于表示该目标文本内容属于各文本类别的概率。
[0077]
在本技术实施例中，计算机设备先将该目标文本向量输入到该第二网络中的全连接层，将该目标文本向量映射到分类向量，该分类向量的维度数量与文本类别的总数量相等。然后计算机设备再基于该第一网络中的softmax函数对该分类向量进行处理，得到目标文本内容属于各个文本类别的概率。
[0078]
304、基于该目标模型中的第三网络，对该目标文本向量对应的点击通过率进行预测，得到第二结果，该第二结果用于表示该目标文本内容的预测点击通过率。
[0079]
在本技术实施例中，计算机设备先将该目标文本向量输入到该第三网络中的全连接层，将该目标文本向量映射到预测向量，其中，该预测向量的维度为1。然后计算机设备再基于第三网络中的sigmoid函数对该预测向量进行处理，得到该目标文本内容的预测点击通过率。
[0080]
305、以目标文本类别和历史点击通过率为监督信息，基于该第一结果和该第二结果，对该目标模型进行训练。
[0081]
在本技术实施例中，计算机设备能够采用有监督学习的方式进行模型训练，以目标文本类别和历史点击通过率为监督信息，基于第一结果和上述目标文本类别之间的差异，以及第二结果以及历史点击通过率之间的差异，来对目标模型进行训练。
[0082]
在一种可选的实现方式中，计算机设备基于第一结果和目标文本类别，确定分类损失；基于第二结果和历史点击通过率，确定预测损失；然后基于分类损失和预测损失，对该目标模型进行训练。其中，计算机设备能够采取负对数似然损失函数、交叉熵损失函数以及指数损失函数中的任一种，来获取该分类损失。其中，计算机设备能够采取均方差损失函数、交叉熵损失函数以及指数损失函数中的任一种，来获取该预测损失。
[0083]
在一种可选的实现方式中，计算机设备通过超参数对上述分类损失和预测损失进行调和，以使该分类损失和预测损失对目标模型由不同程度的影响。相应的，计算机设备基于分类损失、分类损失对应的第一超参数、预测损失以及预测损失对应的第二超参数，确定目标损失；然后基于目标损失，对目标模型进行训练。
[0084]
其中，目标损失通过下述公式(1)计算得到。
[0085]
loss＝λ1loss
cls
λ2loss
regression
ꢀꢀꢀ
(1)；
[0086]
其中，loss表示目标损失，λ1表示第一超参数，loss
cls
表示分类损失，λ2表示第二超参数，loss
regression
表示预测损失。
[0087]
需要说明的是，计算机设备还能够采用其他超参数来计算目标损失，本技术实施例对此不进行限制。
[0088]
可选地，计算机设备能够基于上述目标损失确定该目标模型是否达到训练结束条件，如果达到训练结束条件，则计算机设备将该目标模型确定为训练完毕的模型，如果未达到训练结束条件，则计算机设备基于该目标损失调整该目标模型的模型参数，进行下一次迭代过程。其中训练结束条件包括目标模型收敛、达到训练次数等。
[0089]
为了使上述步骤301至步骤305，描述的模型训练方法更清晰，参见图4所示，图4是根据本技术实施例提供的另一种模型训练方法的流程示意图。如图4所示，以样本数据中的目标文本内容为“这鲁班没救了，经济被压制，完全起不来，手机给你来玩！”为例，计算机设备将该目标文本内容输入第一网络，获取目标文本向量。然后基于第二网络中的softmax函数处理获取分类损失loss
cls
，以及基于第三网络中的sigmoid函数处理获取预测损失loss
regression
。然后基于第一超参数λ1，分类损失loss
cls
，第二超参数λ2以及预测损失loss
regression
，来确定目标损失loss。最后基于该目标损失训练目标模型。
[0090]
本技术提供了一种模型训练方法，通过获取目标文本内容属于各文本类别的概率以及文本内容的预测点击通过率，能够提高目标模型的语义理解能力，有效的建立了文本内容与文本类别之间的隐含关系，使得训练得到的模型能够更为准确的确定文本内容所属的文本类别和对应的点击通过率。另外，通过将第二网络和第三网络联合训练，还能够利用样本文本来缓解第二网络的样本不足的问题。
[0091]
图5是根据本技术实施例提供的一种文本推送方法的流程图，如图5所示，在本技术实施例中以该文本推送方法能够用于计算机设备为例进行说明。该方法包括以下步骤：
[0092]
501、获取待处理文本。
[0093]
在本技术实施例中，对于任一待推送的内容，如待推送的视频、待推送的新闻以及待推送的小说等多媒体内容，获取该多媒体内容的标题文本作为待处理文本。
[0094]
502、基于文本分类模型对该待处理文本进行处理，获取该待处理文本对应的推荐文本类别和该待处理文本对应的目标点击通过率。
[0095]
在本技术实施例中，计算机设备能够将上述待处理文本输入文本分类模型中，该文本分类模型为基于上述模型训练方法训练得到的模型。然后，计算机设备获取该文本分类模型输出的推荐文本类别和目标点击通过率。
[0096]
503、响应于该目标点击通过率在预设点击通过率范围内，按照该推荐文本类别，对该待处理文本进行推送。
[0097]
在本技术实施例中，计算机设备获取上述目标点击通过率之后，判断该目标点击
通过率是否在预设点击通过率范围内，如果该目标点击通过率不在预设点击通过率范围内，则表示该待处理文本不能吸引用户；如果该目标点击通过率在预设点击通过率范围内，则表示该待处理文本能够吸引用户，此时计算机设备按照该推荐文本类别推送该待处理文本，以使该待处理文本对应的多媒体内容获取较高的点击通过率。
[0098]
可选地，该文本分类模型还能够输出该待处理文本所属的各文本类别的概率以及各文本类别对应的点击通过率，从而负责多媒体资源推送的技术人员能够基于该各文本类别的概率以及各文本类别对应的点击通过率，来确定待处理文本的推荐文本类别。
[0099]
本技术实施例提供的文本推送方法，能够对待推送的多媒体内容的标题文本进行分类，确定该标题文本的推荐文本类别，另外，还能够确定该标题文本在该推荐文本类别下进行推荐时，可能的点击通过率，从而能够为待推送的多媒体内容获取更高的点击通过率。
[0100]
图6是根据本技术实施例提供的一种模型训练装置的装置框图。该装置用于执行上述模型训练方法中的步骤，参见图6，装置包括：样本获取模块601、结果获取模块602以及训练模块603。
[0101]
样本获取模块601，用于获取样本数据，该样本数据包括目标文本内容、该目标文本内容所属的目标文本类别以及以该目标文本内容为标题的多媒体资源的历史点击通过率；
[0102]
结果获取模块602，用于基于目标模型对该目标文本内容进行处理，获取第一结果和第二结果，该第一结果用于表示该目标文本内容属于各文本类别的概率，该第二结果用于表示该目标文本内容的预测点击通过率；
[0103]
训练模块603，用于以该目标文本类别和该历史点击通过率为监督信息，基于该第一结果和该第二结果，对该目标模型进行训练。
[0104]
在一种可选的实现方式中，该结果获取模块602，用于基于该目标模型中的第一网络，对该目标文本内容进行编码，得到目标文本向量；基于该目标模型中的第二网络，对该目标文本向量进行分类，得到该第一结果；基于该目标模型中的第三网络，对该目标文本向量对应的点击通过率进行预测，得到该第二结果。
[0105]
在一种可选的实现方式中，该训练模块603，包括：
[0106]
第一损失确定单元，用于基于该第一结果和该目标文本类别，确定分类损失；
[0107]
第二损失确定单元，用于基于该第二结果和该历史点击通过率，确定预测损失；
[0108]
训练单元，用于基于该分类损失和该预测损失，对该目标模型进行训练。
[0109]
在一种可选的实现方式中，该训练单元，用于：基于该分类损失、该分类损失对应的第一超参数、该预测损失以及该预测损失对应的第二超参数，确定目标损失；
[0110]
基于该目标损失，对该目标模型进行训练。
[0111]
本技术提供了一种模型训练装置，通过获取目标文本内容属于各文本类别的概率以及文本内容的预测点击通过率，能够提高目标模型的语义理解能力，有效的建立了文本内容与文本类别之间的隐含关系，使得训练得到的模型能够更为准确的确定文本内容所属的文本类别和对应的点击通过率。另外，通过将第二网络和第三网络联合训练，还能够利用样本文本来缓解第二网络的样本不足的问题。
[0112]
需要说明的是：上述实施例提供的模型训练装置在进行模型训练时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功
能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的模型训练装置与模型训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0113]
图7是根据本技术实施例提供的一种文本推送装置的装置框图。该装置用于执行上述文本推送方法中的步骤，参见图7，装置包括：文本获取模块701、文本处理模块702以及文本推送模块703。
[0114]
文本获取模块701，用于获取待处理文本；
[0115]
文本处理模块702，用于基于文本分类模型对该待处理文本进行处理，获取该待处理文本对应的推荐文本类别和该待处理文本对应的目标点击通过率；
[0116]
文本推送模块703，用于响应于该目标点击通过率在预设点击通过率范围内，按照该推荐文本类别，对该待处理文本进行推送。
[0117]
本技术实施例提供的文本推送装置，能够对待推送的多媒体内容的标题文本进行分类，确定该标题文本的推荐文本类别，另外，还能够确定该标题文本在该推荐文本类别下进行推荐时，可能的点击通过率，从而能够为待推送的多媒体内容获取更高的点击通过率。
[0118]
需要说明的是：上述实施例提供的文本推送装置在进行文本分类时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的文本推送装置与文本推送方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0119]
图8是根据本技术实施例提供的一种终端800的结构框图。该终端800可以是便携式移动终端，比如：智能手机、平板电脑、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端800还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
[0120]
通常，终端800包括有：处理器801和存储器802。
[0121]
处理器801可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器801可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器801可以集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器801还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0122]
存储器802可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器802中的非暂态的计算机可读存储介质用于存储至少一个计算机程序，该至少一个计算机程序用于被处理器801所执
行以实现本技术中方法实施例提供的模型训练方法，或者文本推送方法。
[0123]
在一些实施例中，终端800还可选包括有：外围设备接口803和至少一个外围设备。处理器801、存储器802和外围设备接口803之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口803相连。具体地，外围设备包括：射频电路804、显示屏805、摄像头组件806、音频电路807、定位组件808和电源809中的至少一种。
[0124]
外围设备接口803可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器801和存储器802。在一些实施例中，处理器801、存储器802和外围设备接口803被集成在同一芯片或电路板上；在一些其他实施例中，处理器801、存储器802和外围设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
[0125]
射频电路804用于接收和发射rf(radio frequency，射频)信号，也称电磁信号。射频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路804包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路804可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wifi(wireless fidelity，无线保真)网络。在一些实施例中，射频电路804还可以包括nfc(near field communication，近距离无线通信)有关的电路，本技术对此不加以限定。
[0126]
显示屏805用于显示ui(user interface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时，显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时，显示屏805还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏805可以为一个，设置在终端800的前面板；在另一些实施例中，显示屏805可以为至少两个，分别设置在终端800的不同表面或呈折叠设计；在另一些实施例中，显示屏805可以是柔性显示屏，设置在终端800的弯曲表面上或折叠面上。甚至，显示屏805还可以设置成非矩形的不规则图形，也即异形屏。显示屏805可以采用lcd(liquid crystal display，液晶显示屏)、oled(organic light
‑
emitting diode,有机发光二极管)等材质制备。
[0127]
摄像头组件806用于采集图像或视频。可选地，摄像头组件806包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及vr(virtual reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件806还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
[0128]
音频电路807可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器801进行处理，或者输入至射频电路804以实现语音通信。
出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端800的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路804的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路807还可以包括耳机插孔。
[0129]
定位组件808用于定位终端800的当前地理位置，以实现导航或lbs(location based service，基于位置的服务)。定位组件808可以是基于美国的gps(global positioning system，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
[0130]
电源809用于为终端800中的各个组件进行供电。电源809可以是交流电、直流电、一次性电池或可充电电池。当电源809包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
[0131]
在一些实施例中，终端800还包括有一个或多个传感器810。该一个或多个传感器810包括但不限于：加速度传感器811、陀螺仪传感器812、压力传感器813、指纹传感器814、光学传感器815以及接近传感器816。
[0132]
加速度传感器811可以检测以终端800建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器811可以用于检测重力加速度在三个坐标轴上的分量。处理器801可以根据加速度传感器811采集的重力加速度信号，控制显示屏805以横向视图或纵向视图进行用户界面的显示。加速度传感器811还可以用于游戏或者用户的运动数据的采集。
[0133]
陀螺仪传感器812可以检测终端800的机体方向及转动角度，陀螺仪传感器812可以与加速度传感器811协同采集用户对终端800的3d动作。处理器801根据陀螺仪传感器812采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变ui)、拍摄时的图像稳定、游戏控制以及惯性导航。
[0134]
压力传感器813可以设置在终端800的侧边框和/或显示屏805的下层。当压力传感器813设置在终端800的侧边框时，可以检测用户对终端800的握持信号，由处理器801根据压力传感器813采集的握持信号进行左右手识别或快捷操作。当压力传感器813设置在显示屏805的下层时，由处理器801根据用户对显示屏805的压力操作，实现对ui界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
[0135]
指纹传感器814用于采集用户的指纹，由处理器801根据指纹传感器814采集到的指纹识别用户的身份，或者，由指纹传感器814根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器801授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器814可以被设置在终端800的正面、背面或侧面。当终端800上设置有物理按键或厂商logo时，指纹传感器814可以与物理按键或厂商logo集成在一起。
[0136]
光学传感器815用于采集环境光强度。在一个实施例中，处理器801可以根据光学传感器815采集的环境光强度，控制显示屏805的显示亮度。具体地，当环境光强度较高时，
调高显示屏805的显示亮度；当环境光强度较低时，调低显示屏805的显示亮度。在另一个实施例中，处理器801还可以根据光学传感器815采集的环境光强度，动态调整摄像头组件806的拍摄参数。
[0137]
接近传感器816，也称距离传感器，通常设置在终端800的前面板。接近传感器816用于采集用户与终端800的正面之间的距离。在一个实施例中，当接近传感器816检测到用户与终端800的正面之间的距离逐渐变小时，由处理器801控制显示屏805从亮屏状态切换为息屏状态；当接近传感器816检测到用户与终端800的正面之间的距离逐渐变大时，由处理器801控制显示屏805从息屏状态切换为亮屏状态。
[0138]
本领域技术人员可以理解，图8中示出的结构并不构成对终端800的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
[0139]
图9是根据本技术实施例提供的一种服务器的结构示意图，该服务器900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)901和一个或一个以上的存储器902，其中，该存储器902中存储有至少一条计算机程序，该至少一条计算机程序由该处理器901加载并执行以实现上述各个方法实施例提供的模型训练方法，或者文本推送方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。
[0140]
本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质应用于计算机设备，该计算机可读存储介质中存储有至少一段计算机程序，该至少一段计算机程序由处理器加载并执行以实现上述实施例的模型训练方法或者文本推送方法中计算机设备所执行的操作。
[0141]
本技术实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中。终端的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得该计算机设备执行上述各种可选实现方式中提供的模型训练方法，或者文本推送方法。
[0142]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0143]
以上所述仅为本技术的可选实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。