相似人群扩展方法及装置与流程

1.本技术实施例涉及计算机技术领域，具体涉及一种相似人群扩展方法及装置。


背景技术：

2.look
‑
alike(相似人群扩展)，是一种通过种子用户寻找类似人群的技术，可以提升人群定向的精确度。通过相似人群扩展的方式，可以帮助用户找到自己想要寻找的目标人群，提高人群定向的效率。目前，一般通过基于相似性的方法(similarity
‑
based methods)，或基于模型的方法(model
‑
based methods)进行相似人群扩展。


技术实现要素：

3.本技术实施例提出了一种相似人群扩展方法及装置。
4.第一方面，本技术实施例提供了一种相似人群扩展方法，包括：将目标用户中的每个用户的画像信息、第一时段操作序列和第二时段操作序列输入用户表示模型，得到每个用户对应的用户特征向量，其中，用户表示模型用于根据用户的画像信息、第一时段操作序列和第二时段操作序列预测用户的待进行操作，用户特征向量为用户表示模型在预测过程中得到的中间数据；基于用户特征向量的相似性，确定目标用户中与种子用户相似的多个候选用户；将多个候选用户中的每个用户的用户特征向量、该用户截止到当前的预设时段内的操作序列输入识别模型，得到至少一个相似用户，其中，识别模型以种子用户为正样本，以非种子用户为负样本训练得到。
5.在一些实施例中，用户表示模型通过如下步骤训练得到：以目标用户的第一时段操作序列和第二时段操作序列为输入，通过词向量模型确定目标用户的操作信息所涉及的物品在不同维度下的维度特征向量；将所涉及的物品在不同维度下的维度特征向量作为初始用户表示模型中的嵌入层的初始权重参数；针对于目标用户中的每个用户的第一时段操作序列中的每一个操作信息，以该用户的画像信息、第一时段操作序列中截止到该操作信息的操作信息和第二时段操作序列为输入，以该第一时段操作序列中该操作信息的下一个操作信息为期望输出，训练得到用户表示模型。
6.在一些实施例中，维度包括物品维度、物品所属的品牌维度、物品所属的品类维度以及物品所属的店铺维度；第一时段操作序列表征用户在物品维度下的操作信息，第二时段操作序列表征在品牌维度、品类维度和店铺维度下的操作信息；用户表示模型中的嵌入层包括依次与画像信息、第一时段操作序列和第二时段操作序列对应的嵌入层；以及上述将所涉及的物品在不同维度下的维度特征向量作为初始用户表示模型中的嵌入层的初始权重参数，包括：将所涉及的物品在物品维度下的维度特征向量确定为第一时段操作序列对应的嵌入层的初始权重参数；将所涉及的物品在对应的品牌维度、品类维度、店铺维度下的维度特征向量确定为第二时段操作序列对应的嵌入层的初始权重参数。
7.在一些实施例中，在用户表示模型的训练过程中，仅更新画像信息、第一时段操作序列对应的嵌入层的权重参数，保持第二时段操作序列对应的嵌入层的权重参数不变。
8.在一些实施例中，上述将目标用户中的每个用户的画像信息、第一时段操作序列和第二时段操作序列输入用户表示模型，得到每个用户对应的用户特征向量，包括：针对于目标用户中的每个用户，在用户表示模型中，通过多头注意力机制处理该用户的第一时段操作序列、第二时段操作序列和第二时段操作序列中的各操作信息的顺序信息，得到第一时段操作序列对应的中间数据和第二时段操作序列对应的中间数据；通过注意力机制，融合第一时段操作序列对应的中间数据、第二时段操作序列对应的中间数据和画像信息对应的中间数据，得到该用户对应的用户特征向量。
9.在一些实施例中，以词向量模型得到的物品在不同维度下的维度特征向量作为初始预测模型中的嵌入层的初始权重参数；上述将多个候选用户中的每个用户的用户特征向量、该用户截止到当前的预设时段内的操作序列输入识别模型，得到至少一个相似用户，包括：针对于多个候选用户中的每个用户，通过预测模型中的嵌入层，处理该用户截止到当前的预设时段内的操作序列，得到对应的中间数据；通过注意力机制，将该用户的用户特征向量、截止到当前的预设时段内的操作序列对应的中间数据进行融合，预测该用户是否为相似用户。
10.在一些实施例中，在预测模型的训练过程中，保持预测模型的嵌入层的权重参数不更新。
11.第二方面，本技术实施例提供了一种相似人群扩展装置，包括：第一得到单元，被配置成将目标用户中的每个用户的画像信息、第一时段操作序列和第二时段操作序列输入用户表示模型，得到每个用户对应的用户特征向量，其中，用户表示模型用于根据用户的画像信息、第一时段操作序列和第二时段操作序列预测用户的待进行操作，用户特征向量为用户表示模型在预测过程中得到的中间数据；确定单元，被配置成基于用户特征向量的相似性，确定目标用户中与种子用户相似的多个候选用户；第二得到单元，被配置成将多个候选用户中的每个用户的用户特征向量、该用户截止到当前的预设时段内的操作序列输入识别模型，得到至少一个相似用户，其中，识别模型以种子用户为正样本，以非种子用户为负样本训练得到。
12.在一些实施例中，上述装置还包括：训练单元，被配置成通过如下步骤训练用户表示模型：以目标用户的第一时段操作序列和第二时段操作序列为输入，通过词向量模型确定目标用户的操作信息所涉及的物品在不同维度下的维度特征向量；将所涉及的物品在不同维度下的维度特征向量作为初始用户表示模型中的嵌入层的初始权重参数；针对于目标用户中的每个用户的第一时段操作序列中的每一个操作信息，以该用户的画像信息、第一时段操作序列中截止到该操作信息的操作信息和第二时段操作序列为输入，以该第一时段操作序列中该操作信息的下一个操作信息为期望输出，训练得到用户表示模型。
13.在一些实施例中，维度包括物品维度、物品所属的品牌维度、物品所属的品类维度以及物品所属的店铺维度；第一时段操作序列表征用户在物品维度下的操作信息，第二时段操作序列表征在品牌维度、品类维度和店铺维度下的操作信息；用户表示模型中的嵌入层包括依次与画像信息、第一时段操作序列和第二时段操作序列对应的嵌入层；以及训练单元，进一步被配置成：将所涉及的物品在物品维度下的维度特征向量确定为第一时段操作序列对应的嵌入层的初始权重参数；将所涉及的物品在对应的品牌维度、品类维度、店铺维度下的维度特征向量确定为第二时段操作序列对应的嵌入层的初始权重参数。
14.在一些实施例中，在用户表示模型的训练过程中，仅更新画像信息、第一时段操作序列对应的嵌入层的权重参数，保持第二时段操作序列对应的嵌入层的权重参数不变。
15.在一些实施例中，第一得到单元，进一步被配置成：针对于目标用户中的每个用户，在用户表示模型中，通过多头注意力机制处理该用户的第一时段操作序列、第二时段操作序列和第二时段操作序列中的各操作信息的顺序信息，得到第一时段操作序列对应的中间数据和第二时段操作序列对应的中间数据；通过注意力机制，融合第一时段操作序列对应的中间数据、第二时段操作序列对应的中间数据和画像信息对应的中间数据，得到该用户对应的用户特征向量。
16.在一些实施例中，以词向量模型得到的物品在不同维度下的维度特征向量作为初始预测模型中的嵌入层的初始权重参数；第二得到单元，进一步被配置成：针对于多个候选用户中的每个用户，通过预测模型中的嵌入层，处理该用户截止到当前的预设时段内的操作序列，得到对应的中间数据；通过注意力机制，将该用户的用户特征向量、截止到当前的预设时段内的操作序列对应的中间数据进行融合，预测该用户是否为相似用户。
17.在一些实施例中，在预测模型的训练过程中，保持预测模型的嵌入层的权重参数不更新。
18.第三方面，本技术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任一实现方式描述的方法。
19.第四方面，本技术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任一实现方式描述的方法。
20.本技术实施例提供的相似人群扩展方法及装置，通过将目标用户中的每个用户的画像信息、第一时段操作序列和第二时段操作序列输入用户表示模型，得到每个用户对应的用户特征向量，其中，用户表示模型用于根据用户的画像信息、第一时段操作序列和第二时段操作序列预测用户的待进行操作，用户特征向量为用户表示模型在预测过程中得到的中间数据；基于用户特征向量的相似性，确定目标用户中与种子用户相似的多个候选用户；将多个候选用户中的每个用户的用户特征向量、该用户截止到当前的预设时段内的操作序列输入识别模型，得到至少一个相似用户，其中，识别模型以种子用户为正样本，以非种子用户为负样本训练得到，从而提供了一种相似人群扩展方法，提高了确定种子用户的相似人群的准确度。
附图说明
21.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本技术的其它特征、目的和优点将会变得更明显：
22.图1是本技术的一个实施例可以应用于其中的示例性系统架构图；
23.图2是根据本技术相似人群扩展方法的一个实施例的流程图；
24.图3是根据本技术实施例的用户表示模型的部分结构示意图
25.图4是根据本实施例的相似人群扩展方法的应用场景的示意图；
26.图5是根据本技术的相似人群扩展方法的又一个实施例的流程图；
27.图6是根据本技术的相似人群扩展装置的一个实施例的结构图；
28.图7是适于用来实现本技术实施例的计算机系统的结构示意图。
具体实施方式
29.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。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。
30.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
31.图1示出了可以应用本技术的相似人群扩展方法及装置的示例性架构100。
32.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
33.终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。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。
34.服务器105可以是提供各种服务的服务器，例如获取目标用户通过终端设备101、102、103发送的操作信息，并根据目标用户的画像信息、第一时段操作序列和第二时段操作序列，确定种子用户的相似人群的后台服务器。作为示例，服务器105可以是云端服务器。
35.需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
36.还需要说明的是，本公开的实施例所提供的相似人群扩展方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，相似人群扩展装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
37.应该理解，图1中的终端设备、网络和服务器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终端设备、网络和服务器。当相似人群扩展方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括相似人群扩展方法运行于其上的电子设备(例如服务器或终端设备)。
38.继续参考图2，示出了相似人群扩展方法的一个实施例的流程200，包括以下步骤：
39.步骤201，将目标用户中的每个用户的画像信息、第一时段操作序列和第二时段操作序列输入用户表示模型，得到每个用户对应的用户特征向量。
40.本实施例中，相似人群扩展方法的执行主体(例如图1中的服务器)可以将目标用户中的每个用户的画像信息、第一时段操作序列和第二时段操作序列输入用户表示模型，
得到每个用户对应的用户特征向量。
41.目标用户可以是待确定是否是种子用户的相似人群的用户。本市实施例中，上述执行主体可以预先确定所有的目标用户。种子用户作为判定目标用户是否为相似人群的参考标准，可以是预先确定的任意用户。
42.以购物平台针对于广告投放时的人群定向操作为例，种子用户可以是购物平台预先确定的具有代表性的、符合广告投放特征的用户，目标用户可以是使用上述购物平台的所有用户。
43.用户的画像信息表征用户的各种属性信息，包括但不限于性别、年龄、学历、职业等基础属性，以及用户购买力、促销敏感度、品类偏好等高级属性信息。第一时段操作序列和第二时段操作序列分别表征用户在第一时段和第二时段中所进行的操作信息。第一时段和第二时段对应的时长可以根据实际情况具体设置。作为示例。第一时长表征的时间长度较短，第二时段表征的时间长度较长。以目标用户为使用上述购物平台的用户为例，第一时段操作序列可以是用户于一个session(阶段)内在上述购物平台中进行的操作信息；第二时段操作序列可以是用户于之前的一周内在上述购物平台中进行的操作信息。其中，用户进行的操作信息可以是各种类型的操作，包括但不限于是浏览、点击、购买、加购、退货等操作。
44.session的划分规则为相邻的、时间在特定时长(例如，30分钟)内的操作属于同一session，超过特定时长的操作则划分至下一个session。可以理解，用户的操作序列中隐含了丰富的用户兴趣特征信息。在同一个session中，用户往往有明确的兴趣购买目标，当开始新的session之后，用户的兴趣可能会改变。作为示例，可以将用户的最近一次session作为用户的短时兴趣，将该短时兴趣对应的session之前的一周内的所有操作信息作为用户的长时兴趣。
45.本实施例中，用户表示模型用于根据用户的画像信息、第一时段操作序列和第二时段操作序列预测用户的待进行操作。用户特征向量为用户表示模型在预测过程中得到的中间数据。作为示例，用户表示模型可以包括输入层、embedding(嵌入)层、multi
‑
head self
‑
attention(多头注意力)层、attention merge(注意力融合)层、全连接层。
46.在本实施例的一些可选的实现方式中，用户表示模型通过如下步骤训练得到：
47.第一，以目标用户的第一时段操作序列和第二时段操作序列为输入，通过词向量模型确定目标用户的操作信息所涉及的物品在不同维度下的维度特征向量。
48.作为示例，词向量模型为word2vec模型。具体的，可以通过cbow模型或skip
‑
gram模型确定目标用户的操作信息所涉及的物品在不同维度下的维度特征向量。其中，物品可以是用户在购物平台中进行的操作信息所涉及的任意物品。
49.物品的维度可以是物品所涉及的任意维度，包括但不限于物品维度、物品所属的品牌维度、物品所属的品类维度以及物品所属的店铺维度。第一时段操作序列和第二时段操作序列中的操作信息可以是在在相同维度下的记录信息，也可以是在不同维度下的记录信息。以物品是手机为例，在相同维度时，第一时段操作序列和第二时段操作序列中的操作信息可以均对应于手机型号；在不同维度时，第一时段操作序列中的操作信息对应于手机型号，第二时段操作序列中的操作信息对应于手机品牌。可以理解，在物品维度下，例如sku(stock keeping unit，最小存货单位)维度下，操作序列对应的信息较为详细；在品牌维
度、品类维度以及店铺维度操作序列对应的信息较为概括。
50.第二，将所涉及的物品在不同维度下的维度特征向量作为初始用户表示模型中的嵌入层的初始权重参数。
51.其中，初始用户表示模型为训练前的用户表示模型。在用户表示模型的训练过程中，嵌入层的权重参数可以随着训练过程进行更新。为了提高模型的训练速度，用户表示模型中的嵌入层也可以保持初始权重不变或保持部分的初始权重参数不变。
52.在本实施例的一些可选的实现方式中，第一时段操作序列表征用户在物品维度下的操作信息，第二时段操作序列表征在品牌维度、品类维度和店铺维度下的操作信息。用户表示模型中的嵌入层包括依次与画像信息、第一时段操作序列和第二时段操作序列对应的嵌入层。
53.上述执行主体可以通过如下方式执行上述第二步骤：将所涉及的物品在物品维度下的维度特征向量确定为第一时段操作序列对应的嵌入层的初始权重参数；将所涉及的物品在对应的品牌维度、品类维度、店铺维度下的维度特征向量确定为第二时段操作序列对应的嵌入层的初始权重参数。其中，画像信息对应的嵌入层的初始权重参数可以是初始化的权重参数。
54.第一时段操作序列中操作信息是在物品维度下的操作信息，信息更为丰富，需要用户表示模型在训练过程中学习到更多的信息；而第二时段操作序列中是在对应的品牌维度、品类维度、店铺维度下的操作信息，信息更为概括。为了在提高模型训练速度的基础上，保证用户表示模型的准确度，在用户表示模型的训练过程中，仅更新画像信息、第一时段操作序列对应的嵌入层的权重参数，保持第二时段操作序列对应的嵌入层的权重参数不变。
55.第三，针对于目标用户中的每个用户的第一时段操作序列中的每一个操作信息，以该用户的画像信息、第一时段操作序列中截止到该操作信息的操作信息和第二时段操作序列为输入，以该第一时段操作序列中该操作信息的下一个操作信息为期望输出，训练得到用户表示模型。
56.作为示例，用户a的第一时段操作序列包括按照时间顺序记录的10个操作信息，当前的操作信息为第5个操作信息，则用户表示模型的输入为用户a的画像信息、第一时段操作序列中的前5个操作信息和第二时段操作信息，用户表示模型的期望输出为第一时段操作序列中的第6个操作信息。
57.在训练过程中，可以基于用户表示模型的实际输出和期望输出，确定模型损失，进而根据模型损失更新embedding层、multi
‑
head self
‑
attention层、attention merge层、全连接层的参数，直至达到预设结束条件(例如，模型的损失收敛，模型的准确度达到预设阈值，训练次数超过预设次数，训练时间超过预设时间)。
58.本实施例中，上述执行主体可以预先通过训练后的用户表示模型得到目标用户中的而每个用户的用户特征向量。可以理解，随着时间的推移，用户会在购物平台产生新的操作序列，上述执行主体可以基于预先设定的时间间隔，获取目标新发生的操作序列，更新目标用户的用户特征向量。其中，预先设定的时间间隔可以根据实际情况具体设置。例如，时间间隔可以是一天或一周。
59.在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤201：
60.第一，针对于目标用户中的每个用户，在用户表示模型中，通过多头注意力机制处理该用户的第一时段操作序列、第二时段操作序列和第二时段操作序列中的各操作信息的顺序信息，得到第一时段操作序列对应的中间数据和第二时段操作序列对应的中间数据。
61.本实现方式中，在用户表示模型中，上述执行主体可以先通过画像信息、第一时段操作序列、第二时段操作序列依次对应的嵌入层处理用户的画像信息、第一时段操作序列、第二时段操作序列，并将第一时段操作序列对应的嵌入层的输出信息通过第一多头注意力层处理，得到第一时段操作序列对应的中间数据；将第二时段操作序列对应的嵌入层的输出信息和第二时段操作序列中的各操作信息的顺序信息通过第二多头注意力层处理，得到第二时段操作序列对应的中间数据。
62.其中，用户的画像信息可以经画像信息对应的嵌入层、拼接层、全连接层后，得到画像信息对应的中间数据。
63.第二，通过注意力机制，融合第一时段操作序列对应的中间数据、第二时段操作序列对应的中间数据和画像信息对应的中间数据，得到该用户对应的用户特征向量。
64.作为示例，上述执行主体可以融合注意力层融合第一时段操作序列对应的中间数据、第二时段操作序列对应的中间数据和画像信息对应的中间数据，并通过全连接层处理后得到该用户对应的用户特征向量。
65.其中，用户表示模型300的模型结构可以如图3所示。其中，用户表示模型300中包括画像信息、第一时段操作序列、第二时段操作序列依次对应的embedding层301、302、303，拼接层304，第一时段操作序列、第二时段操作序列依次对应的multi
‑
head self
‑
attention层305、306，attention merge层307和多个全连接层。
66.步骤202，基于用户特征向量的相似性，确定目标用户中与种子用户相似的多个候选用户。
67.本实施例中，上述执行主体可以基于用户特征向量的相似性，确定目标用户中与种子用户相似的多个候选用户。其中，种子用户的用户特征向量同样基于用户表示模型得到。
68.作为示例，上述执行主体可以根据欧氏距离、标准化欧氏距离、马氏距离等确定目标用户的用户特征向量与种子用户的用户特征向量之间的相似性。具体的，上述执行主体可以预先设定距离阈值，将距离小于预设距离阈值的目标用户确定为候选用户。
69.作为又一示例，为了提高候选用户的筛选速度，上述执行主体使用faiss(facebook artificial intelligence similarity search，脸书人工智能相似性搜索)计算目标用户的用户特征向量与种子用户的用户特征向量之间的相似性，确定目标用户中与种子用户相似的多个候选用户。
70.步骤203，将多个候选用户中的每个用户的用户特征向量、该用户截止到当前的预设时段内的操作序列输入识别模型，得到至少一个相似用户。
71.本实施例中，上述执行主体可以将多个候选用户中的每个用户的用户特征向量、该用户截止到当前的预设时段内的操作序列输入识别模型，得到至少一个相似用户。
72.其中，识别模型以种子用户为正样本，以非种子用户为负样本训练得到。非种子用户可以是种子用户之外的任何用户。作为示例，识别模型可以包括嵌入层、注意力融合层、全连接层等网络结构层。
73.在本实施例中，为了提高预测模型的训练速度，上述执行主体以词向量模型得到的物品在不同维度下的维度特征向量作为初始预测模型中的嵌入层的初始权重参数。维度包括但不限于是物品维度、品牌维度、品类维度、店铺维度。
74.在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤203:
75.第一，针对于多个候选用户中的每个用户，通过预测模型中的嵌入层，处理该用户截止到当前的预设时段内的操作序列，得到对应的中间数据。
76.其中，预设时段对应的时间长度可以根据实际情况具体设置。例如，预设时间段可以是一天。操作序列包括不同维度下的操作信息，包括但不限于是物品维度、品牌维度、品类维度、店铺维度。
77.第二，通过注意力机制，将该用户的用户特征向量、截止到当前的预设时段内的操作序列对应的中间数据进行融合，预测该用户是否为相似用户。
78.作为示例，上述执行主体可以将该用户的用户特征向量、截止到当前的预设时段内的操作序列对应的中间数据输入融合注意力层，进行融合，预测该用户是否为相似用户。
79.在本实施例的一些可选的实现方式中，为了进一步提高预测模型的训练速度，在预测模型的训练过程中，保持预测模型的嵌入层的权重参数不更新。
80.继续参见图4，图4是根据本实施例的相似人群扩展方法的应用场景的一个示意图400。在图4的应用场景中，服务器401首先将目标用户中的每个用户的画像信息、第一时段操作序列和第二时段操作序列输入用户表示模型402，得到每个用户对应的用户特征向量，其中，用户表示模型用于根据用户的画像信息、第一时段操作序列和第二时段操作序列预测用户的待进行操作，用户特征向量为用户表示模型在预测过程中得到的中间数据。然后，基于用户特征向量的相似性，确定目标用户中与种子用户相似的多个候选用户。最后，将多个候选用户中的每个用户的用户特征向量、该用户截止到当前的预设时段内的操作序列输入识别模型403，得到至少一个相似用户。其中，识别模型以种子用户为正样本，以非种子用户为负样本训练得到。
81.本公开的上述实施例提供的方法，通过将目标用户中的每个用户的画像信息、第一时段操作序列和第二时段操作序列输入用户表示模型，得到每个用户对应的用户特征向量，其中，用户表示模型用于根据用户的画像信息、第一时段操作序列和第二时段操作序列预测用户的待进行操作，用户特征向量为用户表示模型在预测过程中得到的中间数据；基于用户特征向量的相似性，确定目标用户中与种子用户相似的多个候选用户；将多个候选用户中的每个用户的用户特征向量、该用户截止到当前的预设时段内的操作序列输入识别模型，得到至少一个相似用户，其中，识别模型以种子用户为正样本，以非种子用户为负样本训练得到，从而提供了一种相似人群扩展方法，提高了确定种子用户的相似人群的准确度。
82.在本实施例的一些可选的实现方式中，上述执行主体还可以将种子用户对应的预设信息推送至所确定的相似人员。作为示例，可以预先确定预设信息与种子用户的对应关系。预设信息可以是任意类型的信息，例如可以是广告信息。
83.继续参考图5，示出了根据本技术的相似人群扩展方法的一个实施例的示意性流程500，包括以下步骤：
84.步骤501，针对于目标用户中的每个用户，在用户表示模型中，通过多头注意力机制处理该用户的第一时段操作序列、第二时段操作序列和第二时段操作序列中的各操作信息的顺序信息，得到第一时段操作序列对应的中间数据和第二时段操作序列对应的中间数据。
85.步骤502，通过注意力机制，融合第一时段操作序列对应的中间数据、第二时段操作序列对应的中间数据和画像信息对应的中间数据，得到该用户对应的用户特征向量。
86.步骤503，基于用户特征向量的相似性，确定目标用户中与种子用户相似的多个候选用户。
87.步骤504，针对于多个候选用户中的每个用户，通过预测模型中的嵌入层，处理该用户截止到当前的预设时段内的操作序列，得到对应的中间数据。
88.步骤505，通过注意力机制，将该用户的用户特征向量、截止到当前的预设时段内的操作序列对应的中间数据进行融合，预测该用户是否为相似用户。
89.从本实施例中可以看出，与图2对应的实施例相比，本实施例中的相似人群扩展方法的流程500具体说明了用户特征向量的确定过程和识别模型的识别过程，进一步提高了确定种子用户的相似人群的准确度。
90.继续参考图6，作为对上述各图所示方法的实现，本公开提供了一种相似人群扩展装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
91.如图6所示，相似人群扩展装置包括：包括：第一得到单元601，被配置成将目标用户中的每个用户的画像信息、第一时段操作序列和第二时段操作序列输入用户表示模型，得到每个用户对应的用户特征向量，其中，用户表示模型用于根据用户的画像信息、第一时段操作序列和第二时段操作序列预测用户的待进行操作，用户特征向量为用户表示模型在预测过程中得到的中间数据；确定单元602，被配置成基于用户特征向量的相似性，确定目标用户中与种子用户相似的多个候选用户；第二得到单元603，被配置成将多个候选用户中的每个用户的用户特征向量、该用户截止到当前的预设时段内的操作序列输入识别模型，得到至少一个相似用户，其中，识别模型以种子用户为正样本，以非种子用户为负样本训练得到。
92.在一些实施例中，上述装置还包括：训练单元(图中未示出)，被配置成通过如下步骤训练用户表示模型：以目标用户的第一时段操作序列和第二时段操作序列为输入，通过词向量模型确定目标用户的操作信息所涉及的物品在不同维度下的维度特征向量；将所涉及的物品在不同维度下的维度特征向量作为初始用户表示模型中的嵌入层的初始权重参数；针对于目标用户中的每个用户的第一时段操作序列中的每一个操作信息，以该用户的画像信息、第一时段操作序列中截止到该操作信息的操作信息和第二时段操作序列为输入，以该第一时段操作序列中该操作信息的下一个操作信息为期望输出，训练得到用户表示模型。
93.在一些实施例中，维度包括物品维度、物品所属的品牌维度、物品所属的品类维度以及物品所属的店铺维度；第一时段操作序列表征用户在物品维度下的操作信息，第二时段操作序列表征在品牌维度、品类维度和店铺维度下的操作信息；用户表示模型中的嵌入层包括依次与画像信息、第一时段操作序列和第二时段操作序列对应的嵌入层；以及训练
单元(图中未示出)，进一步被配置成：将所涉及的物品在物品维度下的维度特征向量确定为第一时段操作序列对应的嵌入层的初始权重参数；将所涉及的物品在对应的品牌维度、品类维度、店铺维度下的维度特征向量确定为第二时段操作序列对应的嵌入层的初始权重参数。
94.在一些实施例中，在用户表示模型的训练过程中，仅更新画像信息、第一时段操作序列对应的嵌入层的权重参数，保持第二时段操作序列对应的嵌入层的权重参数不变。
95.在一些实施例中，第一得到单元601，进一步被配置成：针对于目标用户中的每个用户，在用户表示模型中，通过多头注意力机制处理该用户的第一时段操作序列、第二时段操作序列和第二时段操作序列中的各操作信息的顺序信息，得到第一时段操作序列对应的中间数据和第二时段操作序列对应的中间数据；通过注意力机制，融合第一时段操作序列对应的中间数据、第二时段操作序列对应的中间数据和画像信息对应的中间数据，得到该用户对应的用户特征向量。
96.在一些实施例中，以词向量模型得到的物品在不同维度下的维度特征向量作为初始预测模型中的嵌入层的初始权重参数；第二得到单元603，进一步被配置成：针对于多个候选用户中的每个用户，通过预测模型中的嵌入层，处理该用户截止到当前的预设时段内的操作序列，得到对应的中间数据；通过注意力机制，将该用户的用户特征向量、截止到当前的预设时段内的操作序列对应的中间数据进行融合，预测该用户是否为相似用户。
97.在一些实施例中，在预测模型的训练过程中，保持预测模型的嵌入层的权重参数不更新。
98.本实施例中，相似人群扩展装置中的第一得到单元将目标用户中的每个用户的画像信息、第一时段操作序列和第二时段操作序列输入用户表示模型，得到每个用户对应的用户特征向量，其中，用户表示模型用于根据用户的画像信息、第一时段操作序列和第二时段操作序列预测用户的待进行操作，用户特征向量为用户表示模型在预测过程中得到的中间数据；确定单元基于用户特征向量的相似性，确定目标用户中与种子用户相似的多个候选用户；第二得到单元将多个候选用户中的每个用户的用户特征向量、该用户截止到当前的预设时段内的操作序列输入识别模型，得到至少一个相似用户，其中，识别模型以种子用户为正样本，以非种子用户为负样本训练得到，从而提供了一种相似人群扩展装置，提高了确定种子用户的相似人群的准确度。
99.下面参考图7，其示出了适于用来实现本技术实施例的设备(例如图1所示的设备101、102、103、105)的计算机系统700的结构示意图。图7示出的设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
100.如图7所示，计算机系统700包括处理器(例如cpu，中央处理器)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。处理器701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
101.以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因
特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
102.特别地，根据本公开的实施例，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。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本技术的方法中限定的上述功能。
103.需要说明的是，本技术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。在本技术中，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。而在本技术中，计算机可读的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。计算机可读的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：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
104.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技术的操作的计算机程序代码，程序设计语言包括面向目标的程序设计语言—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客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客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)—连接到客户计算机，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)。
105.附图中的流程图和框图，图示了按照本技术各种实施例的装置、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。
106.描述于本技术实施例中所涉及到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，包括第一得到单元、确定单元和第二得到单元。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，第一得到单元还可以被描述为“将目标用户中的每个用户的画像信息、第一时段操作序列和第二时段操作序列输入用户表示模型，得到每个用户对应的用户特征向量的单元”。
107.作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。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装置执行时，使得该计算机设备：将目标用户中的每个用户的画像信息、第一时段操作序列和第二时段操作序列输入用户表示模型，得到每个用户对应的用户特征向量，其中，用户表示模型用于根据用户的画像信息、第一时段操作序列和第二时段操作序列预测用户的待进行操作，用户特征向量为用户表示模型在预测过程中得到的中间数据；基于用户特征向量的相似性，确定目标用户中与种子用户相似的多个候选用户；将多个候选用户中的每个用户的用户特征向量、该用户截止到当前的预设时段内的操作序列输入识别模型，得到至少一个相似用户，其中，识别模型以种子用户为正样本，以非种子用户为负样本训练得到。
108.以上描述仅为本技术的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，本技术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。例如上述特征与本技术中公开的(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。