一种对象推送方法、装置、设备及计算机存储介质与流程

1.本技术属于金融科技技术领域，尤其涉及一种对象推送方法、装置、设备及计算机存储介质。


背景技术：

2.随着互联网的快速发展，人们在日程生活的方方面面中都面临着信息过载的问题，由此推送系统在各个方面应用而生，用于向用户推送用户可能感兴趣的对象。例如，银行为了在复杂的业务下能更好的提高用户活跃度、留存率，采用推送系统向用户去推送其可能会购买的商品以及优惠券等对象。
3.目前，推送系统使用的推送方法主要是通过运营线下人工配置，或基于热门、协同过滤等方式进行推送，但这些推送方法面临着向用户推送的对象不符合用户期望，导致用户不会使用推送的对象的问题。
4.因此，如何提高推送系统的准确性成为目前急需解决的技术问题。


技术实现要素：

5.本技术实施例提供一对象推送方法、装置、设备及计算机存储介质，能够提高对用户推送对象的准确性，进而提高推送系统的准确性。
6.第一方面，本技术实施例提供一种对象推送方法，包括：
7.获取第一用户的目标特征信息；
8.根据所述第一用户的目标特征信息，从至少一个知识图谱中获取与第一用户相关的目标关联图谱，其中，所述知识图谱是根据用户的特征信息、对象的属性信息以及用户对所述对象的操作行为信息构建得到的关联路径图；
9.根据所述第一用户对所述待推送对象的操作行为信息，从所述目标关联图谱中，确定第一用户与待推送对象之间的至少一条目标关联路径；
10.根据所述目标关联路径，从所述待推送对象中，确定向所述第一用户推送的目标对象；
11.将所述目标对象推送至所述第一用户。
12.在一种实施例中，所述根据所述目标关联路径，从所述待推送对象中，确定向所述第一用户推送的目标对象，具体包括：
13.针对每个所述目标关联路径，计算所述第一用户对所述待推送对象执行正向反馈行为操作的可能性，得到第一概率值；
14.根据所述第一概率值，计算目标概率值；
15.当所述目标概率值大于第一预设数值时，将所述待推送对象确定为所述目标对象。
16.在一种实施例中，所述根据所述第一概率值，计算目标概率值，具体包括：
17.当所述目标关联路径有多条时，针对每条所述目标关联路径，根据所述第一概率
值，计算所述第一用户对所述待推送对象执行正向反馈行为操作的预测分数；
18.根据所述预测分数，计算第一阈值，其中，所述第一阈值用于确定所述目标概率值的计算；
19.当所述第一阈值趋向于零时，将所述第一概率值的平均值作为所述目标概率值；
20.当所述第一阈值趋向于无穷时，将所述第一概率值中的最大值作为所述目标概率值；
21.当所述目标关联路径为一条时，将所述第一概率值作为所述目标概率值。
22.在一种实施例中，在获取与第一用户相关的目标关联图谱之前，还包括，
23.以所述用户的特征信息作为第一节点；
24.以所述对象的属性信息作为第二节点；
25.以对象之间的关系作为所述第二节点的连线，其中，所述对象之间的关系是根据所述对象的属性信息确定的；
26.以用户和对象之间的关系作为所述第一节点和所述第二节点间的连线，其中，所述用户和对象之间的关系是根据所述用户对所述对象的操作行为信息确定的；
27.以所述第一节点、所述第二节点以及所述连线构成所述关联路径图。
28.在一种实施例中，所述目标关联路径包括至少一个路径段，所述路径段包括两个所述第二节点以及一个所述对象之间的关系，或者一个所述第一节点、一个所述第二节点以及一个所述用户和对象之间的关系，
29.所述针对每个所述目标关联路径，根据第一用户对所述待推送对象的操作行为信息，计算所述第一用户对所述待推送对象执行正向反馈行为操作的可能性，得到第一概率值，具体包括：
30.将每个所述路径段对应的节点之间的关系转换为向量形式，得到第一向量；
31.根据所述第一向量，获取所述目标关联路径的向量形式，得到第二向量；
32.根据所述第二向量，通过归一化指数函数，计算所述第一概率值。
33.在一种实施例中，所述根据所述第一向量，获取所述目标关联路径的向量形式，得到第二向量，具体包括：
34.对所述第一向量进行前向编码，得到所述第一向量的前向状态向量；
35.对所述第一向量进行后向编码，得到所述第一向量的后向状态向量；
36.将所述前向状态向量与所述后向状态向量进行拼接，得到所述目标关联路径的向量形式。
37.在一种实施例中，所述将每个所述路径段转换为向量形式，得到第一向量，具体包括：
38.将所述路径段中的节点与关系分别转换为向量形式，得到节点向量与关系向量；
39.将所述节点向量与所述关系向量进行拼接，得到所述第一向量。
40.在一种实施例中，所述根据所述第一概率值，计算所述第一用户对所述待推送对象执行正向反馈行为操作的预测分数，具体包括：
41.将所述第一概率值与第二预设数值的乘积，作为第一预测分数；
42.将所述第一预测分数与预设分数的和，作为所述预测分数。
43.在一种实施例中，所述根据所述预测分数，计算第一阈值，具体包括：
44.针对所述目标关联路径，计算所述预测分数的平均值；
45.根据所述平均值，通过归一化指数函数，计算所述第一阈值。
46.在一种实施例中，所述获取第一用户的目标特征信息，具体包括：
47.根据所述第一用户的登录信息，获取所述第一用户的账户信息；
48.根据所述账户信息，获得所述第一用户的目标特征信息；
49.所述目标特征信息包括以下至少一项：用户的生理特征信息、用户的活跃时间段、用户的位置信息、用户的消费水平信息、用户的对象偏好信息、用户的历史消费信息。
50.第二方面，本技术实施例提供了一种对象推送装置，装置包括：
51.第一获取模块，用于获取第一用户的目标特征信息；
52.第二获取模块，用于根据所述第一用户的目标特征信息，从至少一个知识图谱中获取与第一用户相关的目标关联图谱，其中，所述知识图谱是根据用户的特征信息、对象的属性信息以及用户对所述对象的操作行为信息构建得到的关联路径图；
53.第一确定模块，用于根据所述第一用户对所述待推送对象的操作行为信息，从所述目标关联图谱中，确定第一用户与待推送对象之间的至少一条目标关联路径；
54.第二确定模块，用于根据所述目标关联路径，从所述待推送对象中，确定向所述第一用户推送的目标对象；
55.推送模块，用于将所述目标对象推送至所述第一用户。
56.第三方面，本技术实施例提供了一种对象推送的设备，设备包括：处理器以及存储有计算机程序指令的存储器；
57.所述处理器执行所述计算机程序指令时实现本技术任一实施例中所述的对象推送方法。
58.第四方面，本技术实施例提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如本技术任一实施例中所述的对象推送方法。
59.本技术实施例的一种对象推送方法、装置、设备及计算机存储介质，根据用户的特征信息、对象的属性信息以及用户对对象的操作行为信息构建的知识图谱，能够反映特征信息下用户的偏好以及用户对对象可能的操作行为。根据该知识图谱获取的与第一用户相关的目标关联图谱就是能够反应第一用户的偏好以及第一用户对对象可能的操作行为的图谱，因此，根据第一用户对待推送对象的操作行为信息，从目标关联图谱中确定的目标关联路径，是第一用户极有可能对对象有操作的路径。那么进一步根据该目标路径确定的向第一用户推送的目标对象就更符合第一用户的偏好，第一用户就更可能对该目标对象有操作行为。因而能够提高对用户推送对象的准确性，进而提高推送系统的准确性。
附图说明
60.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单的介绍，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。
61.图1是本技术实施例提供的一种关联路径图示意图；
62.图2是本技术实施例提供的一种对象推送方法流程示意图；
63.图3是本技术实施例提供的另一种对象推送方法流程示意图；
64.图4是本技术实施例提供的再一种对象推送方法流程示意图；
65.图5是本技术实施例提供的再一种对象推送方法流程示意图；
66.图6是本技术实施例提供的一种对象推送模型示意图；
67.图7是本技术实施例提供的再一种对象推送的方法示例流程图；
68.图8是本技术实施例提供的一种对象推送装置示意图。
具体实施方式
69.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本技术，而不是限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
70.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
71.为了更好理解本技术说明书的内容，先介绍知识图谱，知识图谱是一种旨在描述现实世界中存在的各种实体或概念及其关系的语义网络图。知识图谱中的节点表示实体或概念，连接各节点的边则由属性或关系构成。一般的知识图谱由一组三元组(h，r，t)组成，代表实体h对实体t构成关系r。例如，如图1所示的本技术提供的一种关联路径图示意图，该图中一条边与其连接的两个节点对应为一组三元组。例如，图中由边商户一级分类连接的20元代金券与餐饮就对应于一组三元组，(20元代金券，商户一级分类，餐饮)代表20元代金券是餐饮下属于商户一级分类的一种代金券。该知识图谱中连接任意两个节点所经过的路径就是两节点间的一条途径。例如，在图1中“饮品a”与“奶茶”之间的一条路径可以是，饮品a—商户一级分类—餐饮—商户二级分类—饮品店—商户三级分类—奶茶店—对象商户分类—奶茶。
72.发明人发现基于热门、协同过滤的推送方式，一方面向用户推送当下热门的对象，无法做到千人千面的推送。另一方面依赖不同用户之间的共同行为以及用户的历史行为来推送对象。然而，基于热门、协同过滤的推送方式仍面临一些问题。例如，面对繁多的对象，不同用户对同一对象有共同操作行为的几率很小，无法基于这个小几率向用户推送对象，这就是数据稀疏的问题。而对一个新用户其历史行为又是不可获取的，就很难向新用户推送符合用户偏好的对象，这就是冷启动的问题。因此，基于热门、协同过滤的推送方式面临着推送结果不准确的问题。而通过运营线下人工配置的推送方式又由于人工的效率较低且时常出错的缘故，其推送效果也不理想。
73.在金融科技领域，随着互联网的快速发展，银行业务发展也变得多种多样，用户在
享受互联网带来的便利的同时，也面临着信息过载的问题。因此，为了能更好的提高用户活跃度以及留存率，推送系统营运而生。发明人面对上述推送结果不准确的问题，考虑到知识图谱能够反映各实体之间的联系，提出一种基于知识图谱的推送方法。
74.发明人提出构建一种覆盖用户和对象之间的关系、对象和对象之间的关系以及用户和用户之间的关系的知识图谱。以此知识图谱来预测用户对对象有操作行为的可能性，并根据可能性向用户推送对象。发明人指出可以将对象的属性信息映射到知识图谱中，并根据对象的属性信息得到对象之间的关系，以此关系接连对象的属性信息，以表示各对象之间的关系。将包括用户对对象的偏好信息的特征信息也映射到知识图谱中，将相同特征信息的用户都归纳到一起，以表示用户与用户之间的关系，并根据用户对对象的历史操作行为信息连接用户的特征信息与各对象的属性信息，以表示用户与对象之间的关系。
75.根据这样的知识图谱就能知道用户与对象之间的一条或多条的路径。发明人发现可以通过这些路径来推理用户对对象的操作行为，以达到对用户和对象之间的全面推理与理解的建议。例如，图1中饮品a和20元代金券之间有一路径，“饮品a—消费频次—日—消费频次—20元代金券”。此外，有路径，“饮品a—商户一级分类—餐饮—商户二级分类—饮品店—商户三级分类—奶茶店—对象商户分类—奶茶”。以及路径，“20元代金券—商户一级分类—餐饮”。可以看出20元代金券与饮品a之间通过餐饮连接在一起。那么可以推理，对于特征信息中包含18-35岁年龄段以及偏好喝饮品a的用户x与20元代金券之间的路径可以是，“用户x—购买—饮品a—消费频次—日—可能购买—20元代金券。也可以是，用户x—购买—饮品a—商户一级分类—餐饮—商户二级分类—饮品店—商户三级分类—奶茶店—对象商户分类—奶茶—可能购买—20元代金券”。这样就能得到用户x对20元代金券的不同购买行为的可能解释。可以将所有路径上的用户x购买20元代金券的可能性加权汇聚到一起，预测用户x购买20元代金券的可能性，之后在根据该可能性向用户x推送20元代金券。
76.由此，发明人基于覆盖用户和对象之间的关系、对象和对象之间的关系以及用户和用户之间的关系的知识图谱，向用户推送用户感兴趣的对象，能够符合用户的偏好，提高对用户推送对象的准确性。弥补基于热门、协同过滤以及通过运营线下人工配置的推送方式的不足，解决了提高对用户推送对象的准确性，进而提高推送系统的准确性的技术问题。
77.为了解决现有技术问题，本技术实施例提供了一种对象推送方法、装置、设备及计算机存储介质。下面首先对本技术实施例所提供的一种对象推送方法进行介绍。
78.图2示出了本技术实施例提供的一种对象推送方法流程示意图，所示方法包括：
79.s210，获取第一用户的目标特征信息。
80.s220，根据所述第一用户的目标特征信息，从至少一个知识图谱中获取与第一用户相关的目标关联图谱，其中，所述知识图谱是根据用户的特征信息、对象的属性信息以及用户对所述对象的操作行为信息构建得到的关联路径图。
81.s230，根据所述第一用户对所述待推送对象的操作行为信息，从所述目标关联图谱中，确定第一用户与待推送对象之间的至少一条目标关联路径。
82.s240，根据所述目标关联路径，从所述待推送对象中，确定向所述第一用户推送的目标对象。
83.s250，将所述目标对象推送至所述第一用户。
84.本技术实施例中，根据用户的特征信息、对象的属性信息以及用户对对象的操作
行为信息构建的知识图谱，能够反应特征信息下用户的偏好以及用户对对象可能的操作行为。根据该知识图谱获取的与第一用户相关的目标关联图谱就是能够反应第一用户的偏好以及第一用户对对象可能的操作行为的图谱，因此，根据第一用户对待推送对象的操作行为信息，从目标关联图谱中确定的目标关联路径，是第一用户极有可能对对象有操作的路径。那么进一步根据该目标路径确定的向第一用户推送的目标对象就更符合第一用户的偏好，第一用户就更可能对该目标对象有操作行为，因而能够提高对用户推送对象的准确性，进而提高推送系统的准确性。
85.下面对上述步骤进行详细介绍。
86.在s210中，具体地，根据第一用户的登录信息中的第一用户的账户信息得到第一用户的目标特征信息，或者，第一用户第一次登录，向第一用户显示特征信息调查问卷，将第一用户填写后的信息存储为第一用户的目标特征信息，以便下一次第一用户登录时确定目标特征信息。
87.值得注意的是，登录信息可以但不限于包括用户的昵称、登录账号、年龄、用户所处的位置或用户活跃时间段。
88.为了确定用户的特征信息，在一种实施例中，s210可以包括，
89.根据所述第一用户的登录信息，获取所述第一用户的账户信息。
90.根据所述账户信息，获得所述第一用户的目标特征信息；
91.所述目标特征信息包括以下至少一项：用户的生理特征信息、用户的活跃时间段、用户的位置信息、用户的消费水平信息、用户的对象偏好信息以及用户的历史消费信息。
92.值得注意的是，对于新用户而言新用户在第一次登录时显示填写的特征信息调查问卷包括对以上目标特征信息的调查。
93.在一种实施例中，账户信息可以包括但不限于用户的年龄、用户所处的位置或用户活跃时间段。
94.本技术实施例中，根据用户的登录信息得到的账户信息是与用户相对应的账户信息，因此根据该账户信息确定的目标特征信息就是与用户密切相关的特征信息。
95.以上为s210的具体介绍，下面介绍s220。
96.在s220中，具体地，由于知识图谱是根据用户的特征信息、对象的属性信息以及用户对所述对象的操作行为信息构建得到的关联路径图，因此能够根据第一用户的目标特征信息找到包含第一用户的目标特征信息的知识图谱。
97.需要解释的是，用户对所述对象的操作行为信息可以包括但不限于购买、收藏、好评、加入购物车、点击、偏好或消费频次。
98.为了提高用户对对象之间关系描述的准确性与可解释性，在一种实施例中，在获取与第一用户相关的目标关联图谱之前，如图3所示的本技术实施例提供的另一种对象推送方法流程示意图，该方法还可以包括：
99.s310，以所述用户的特征信息作为第一节点。
100.具体地，将各个用户相同的特征信息归纳到一起，将用户的特征信息中的包括的各个信息都作为一个节点。
101.s320，以所述对象的属性信息作为第二节点。
102.具体地，将对象的属性信息中的包括的各个信息都作为一个节点。
103.s330，以对象之间的关系作为所述第二节点的连线，其中，所述对象之间的关系是根据所述对象的属性信息确定的。
104.具体地，对象之间的关系是两个对象之间的关系，将对象之间的关系作为边连接s320中的各个节点，直到节点连接完成。
105.值得注意的是，对象可以包括但不限于商品、商店以及优惠券。
106.示例性地，当对象为商品、商店以及优惠券时，对象的属性信息可以包括但不限于以下的至少一种：商品和商店以及优惠券的名称、商品和商店以及优惠券所属商户的类别、商品和商店以及优惠券的用户年龄偏好、商品和商店以及优惠券的被消费频次、商店的营业时间、商店的位置信息、商品和商店以及优惠券所属的类别。
107.示例性地，对象的属性信息还可以包括对象名称、对象的特征名称以及对象的显性特征，或者对象的属性信息还可以包括对象名称、对象的特征名称以及对象的隐性特征。例如，对于“饮品a”的属性信息可以是“饮品a”的名称为饮品a，“饮品a”的特征名称为对象，“饮品a”的隐性特征为商户一级分类。
108.示例性地，如图1所示其中除了用户的年龄段节点外其余的节点都是对象的属性信息。其中各对象节点之间的连线反应了对象的属性信息。比如，节点“饮品a”与“日”之间的关系是“消费频次”，方向是“饮品a”以“消费频次”的关系指向“日”。
109.s340，以用户和对象之间的关系作为所述第一节点和所述第二节点间的连线，其中，所述用户和对象之间的关系是根据所述用户对所述对象的操作行为信息确定的。
110.具体地，用户的一个特征信息的节点通过用户和对象之间的关系连接对象的一个属性信息的节点，直到用户的各个特征信息被连接完成。
111.需要解释的是，用户对所述对象的操作行为信息可以包括但不限于购买、收藏、好评、加入购物车、点击、偏好或消费频次。
112.示例性地，如图1所示，多个用户相同的一个特征信息对应的是年龄段18-35岁的节点，与对象饮品a之间的关系是由用户对所述对象的操作行为信息确定的消费频次。
113.s350，以所述第一节点、所述第二节点以及所述连线构成所述关联路径图。
114.具体地，将所有以连接完的节点和连线作为关联路径图。
115.示例性地，如图1所示，图中所有对象的属性信息对应的节点、用户的特征信息对应的节点以及各个节点之间的连线共同构成关联路径图。
116.示例性地，根据如图1所示的关联路径图，能够推理出用户可能对“商店b”有操作行为。具体地，“饮品a”通过关系“用户年龄段偏好”与“18-35”相连，“饮品a”又通过关系“商户名称”指向“商店b”。年龄段为18-35岁的用户与“商店b”之间虽然没有直接的连线，但有共同的连接节点“饮品a”，那么可以认为年龄段为18-35岁的用户可能会到“商店b”中消费。
117.值得注意地是，本技术实施例中的关联路径图的连线可以是有指向性的连线，也可以是无指向性的连线，图1是以有指向性的连线为例的一个关联路径图。
118.本技术实施例中，关联路径图中的各个节点包括能够反应用户特征的特征信息，以及反应对象属性的属性信息，各节点之间的连线又是通过对象的属性信息与用户对对象的操作行为信息确定，使得该关联路径图能够体现用户与用户、用户与对象以及对象与对象之间的三层关系。显然关联路径图中用户与用户、用户与对象以及对象与对象之间的路径不止一条。那么通过这样有多层联系且不止一条路径的关联路径图能够准确地捕捉到用
户与对象之间的关系以及用户的偏好，使得该关联路径图能够高准确性地描述用户与对象之间的关系。而各节点间的连线能够体现各节点之间的依赖关系，可以利用连线关联路径图来解释各节点之间的关系，提高了用户对对象之间关系描述的可解释性，进而能够有效推理用户与对象的操作行为。
119.因此，本技术实施例中的关联路径图相较于主要利用知识图谱中丰富的语义关系，来丰富物品、用户的表征；具有相似连接实体的项目具有相似的表示，有助于对用户兴趣的协同学习；但缺乏推理能力，仅虑实体间的直接关系，没有考虑到多条关系路径的基于嵌入型的推送方法，本技术实施例中的关联路径图考虑了多条关联路径与多次关系，进一步能够区分不同路径的不同贡献。
120.以上是s220的具体介绍，下面介绍s230。
121.在s230中，具体地，根据第一用户的特征信息在目标关联图谱中找到该特征信息对应的节点，根据待推送对象的属性信息找到属性信息对应的节点，将连接这两个节点间的一条完整的路径作为一条目标关联路径。用户对待推送对象的操作行为可以是根据用户的历史消费信息得到的，也可以根据用户填写的特征信息调查问卷得到还可以是根据目标关联图谱推理得到的本技术不做限制。
122.在s240中，具体地，利用目标关联路径从多个待推送对象中确定一个或若干个第一用户有较大可能对其执行正向反馈行为操作的待推送对象作为目标对象。
123.第一用户对待推送对象执行正向反馈行为操作可以包括但不限于以下的至少一种购买、收藏、好评、加入购物车以及点击。
124.为了提高对用户推送对象的准确性，在一种实时例中，如图4所示的本技术实施例提供的再一种对象推送方法流程示意图，所述根据所述目标关联路径，从所述待推送对象中，确定向所述第一用户推送的目标对象可以包括，
125.s241，针对每条所述目标关联路径，计算所述第一用户对所述待推送对象执行正向反馈行为操作的可能性，得到第一概率值。
126.s242，根据所述第一概率值，计算目标概率值。
127.s243，当所述目标概率值大于第一预设数值时，将所述待推送对象确定为所述目标对象。
128.本技术实施例中，计算每条目标路下第一用户对待推送对象执行正向反馈行为操作的第一概率值后，用第一概率值计算目标概率值，根据目标概率值决定要不要向用户推送目标对象。也就是说，对用户推送的目标对象不是片面的根据一条目标路径下第一用户对待推送对象执行正向反馈行为操作的可能性来确定的，而是将所有目标路径下的第一概率值整合为目标概率值来确定的，综合考虑了所有的可能性，提高了对用户推送对象的准确性。
129.下面详细介绍s241-s243。
130.在s241中，具体地，第一用户对待推送对象执行正向反馈行为操作可以包括但不限于以下的至少一种购买、收藏、好评、加入购物车以及点击。
131.为了提高预测用户对待推送对象执行正向反馈行为操作的可能性的准确性，在一种实施例中，如图5所示的本技术实施例提供的再一种对象推送方法流程示意图，该方法可以包括，所述目标关联路径包括至少一个路径段，所述路径段包括两个所述第二节点以及
一个所述对象之间的关系，或者一个所述第一节点、一个所述第二节点以及一个所述用户和对象之间的关系，
132.所述针对每个所述目标关联路径，根据第一用户对所述待推送对象的操作行为信息，计算所述第一用户对所述待推送对象执行正向反馈行为操作的可能性，得到第一概率值，可以包括，
133.s2411，获取与每个所述路径段对应的第一向量，其中，所述第一向量是根据所述路径段中节点的向量形式及节点之间的关系的向量形式确定的。
134.s2412，根据所述第一向量，获取所述目标关联路径的向量形式，得到第二向量。
135.s2413，根据所述第二向量，通过归一化指数函数，计算所述第一概率值。
136.本技术实施例中，用向量的方法表示目标关联路径，使得目标关联路径下，第一用户对待推送对象执行正向反馈行为操作的可能性能够通过归一化指数函数来计算，以此提高预测每条目标关联路径下用户对待推送对象执行正向反馈行为操作的可能性的准确性。
137.下面对s2411-s2413作详细介绍。
138.在s2411中，具体地，按顺序将每个路径段中的第一个节点的向量形式与其相邻的关系的向量形式，拼接为第一向量，对于最后各路径段的最后一个节点，将最后一个节点的向量形式与添加的表示结束意义的关系的向量形式拼接作为第一向量。
139.为了得到具有不同语义的向量，在一种实施例中，所述将每个所述路径段转换为向量形式，得到第一向量，可以包括，
140.将所述路径段中的节点与关系分别转换为向量形式，得到节点向量与关系向量。
141.具体地，将路径段中的各个节点映射为两个嵌入向量作为各个节点的节点向量，分别表示各个节点以及各个节点的种类，将节点之间的关系也映射为一个嵌入向量作为关系向量，对于最后一个路径段的最后一个节点转换为节点向量后再添加一个表示结束意义的关系向量，表示目标路径中的所有路径段中的节点与关系都转换为向量形式。
142.将所述节点向量与所述关系向量进行拼接，得到所述第一向量。
143.具体地，按顺序将节点向量和与该节点向量相邻的关系向量根据式1进行拼接得到第一向量。
[0144][0145]
其中，x
l-1
表示目标路径中第l-1个路径段的向量对应的第一向量，e
l-1
表示节点的向量形式，e
′
l-1
表示节点种类的向量形式，e
l-1
与e
′
l-1
表示节点向量，r
l-1
表示路径段中关系的向量形式即关系向量，其中l为正整数。
[0146]
示例性地，如图6所示，对于一条目标关联路径“用户x—购买—饮品a—商户一级分类—餐饮—商户二级分类—饮品店—商户三级分类—奶茶店—对象商户分类—奶茶—可能购买—20元代金券”中的最后一个路径段“奶茶—可能购买—20元代金券”中的最后一个节点“20元代金券”，其种类为“对象”，关系为“end”，则“20元代金券”的向量形式为e7，“用户”的向量形式为e2′
，“end”的向量形式为r
null
表示该目标关联路径中的所有路径段中的各个节点与关系都转为了向量形式。拼接后的得到的x7为该目标关联路径中路径段对应的最后一个第一向量。
[0147]
本技术实施例中，将路径段中的节点和关系分别转换为节点向量和关系向量，使得节点向量继承了路径段中节点具有的语义，关系向量也继承了路径段中关系具有的语
义，将节点向量与关系向量连接后得到的第一向量，意味着将节点和关系联系起来组成的第一向量，即继承了节点具有的语义又继承了关系具有的语义是一个可以表示不同语义的向量。
[0148]
以上为s2411的具体介绍，下面介绍s2412。
[0149]
在s2412中，具体地，将目标路径中所有路径段的向量形式即第一向量输入到能够进行前向编码与后向编码的神经网络中，对第一向量进行编码与拼接后得到目标路径对应的向量形式即第二向量。
[0150]
可以理解的是，本技术实施例中的能够进行前向编码与后向编码的神经网络可以包括但不限于双向长短期记忆网络(bi-directional long short-term memory，bi-lstm)。
[0151]
为了得到具有不同语义的目标路径的向量形式，在一种实施例中，所述根据所述第一向量，获取所述目标关联路径的向量形式，得到第二向量，可以包括，
[0152]
对所述第一向量进行前向编码，得到所述第一向量的前向状态向量。
[0153]
具体地，根据前一个序列得到的前向状态向量，对本序列的第一向量进行前向编码。
[0154]
对所述第一向量进行后向编码，得到所述第一向量的后向状态向量。
[0155]
具体地，根据前一个序列得到的后向状态向量，对本序列的第一向量进行后向编码。
[0156]
将所述前向状态向量与所述后向状态向量进行拼接，得到所述目标关联路径的向量形式。
[0157]
本技术实施例中，通过继承了节点与关系的不同语义的第一向量，通过前向与后向编码的形式综合表示目标关联路径的向量形式，使得目标关联路径的向量形式引入了节点与关系的语义的同时，能够综合表示所有路径段中的语义，得到具有不同语义的目标路径的向量形式。
[0158]
因此，本技术实施例构建的目标关联路径向较于主要利用知识图谱中实体间的连接方式做推送，引入元路径以细化用户项目之间的相似性，但元路径中通常不含关系的基于路径型推送的方法，导致的尤其是在元路径中涉及到关系不同的相似实体的情况下,很难指定路径的整体语义的问题而本技术实施例中的目标关联路径技能指节点间的关系又能指定目标关联路径的整体语义。
[0159]
示例性地，以bi-lstm为例，bi-lstm在工作时的工作过程可以被分为更新遗忘门输出、更新输入门输出、更新细胞状态以及更新输出门输出，其中前向状态向量由输出门输出。
[0160]
在bi-lstm进行前向编码时，也即对第一向量进行前向传播时，根据上一个序列输出的隐藏状态h
t-1
即上一个序列的前向状态向量和本序列的输入x
t
即本序列的第一向量，通过式2得到本序列遗忘门的输出，即更新遗忘门输出f
t
。
[0161]ft
＝σ(wf*[h
t-1
,x
t
] bf)
ꢀꢀꢀꢀ
式2
[0162]
其中，wf为权重，bf为偏倚系数，式2中的函数为sigmoid激活函数。
[0163]
根据上一个序列输出的隐藏状态h
t-1
即上一个序列的前向状态向量和本序列的输入x
t
即本序列的第一向量，通过式3得到本序列输入门的输出，通过式4得到本序列输入门
的候选值输出即更新输入门输出i
t
。
[0164]it
＝σ(wi*[h
t-1
,x
t
] bi)
ꢀꢀꢀꢀ
式3
[0165][0166]
其中，wi、wc为权重，bi、bc为偏倚系数。
[0167]
根据输入门与遗忘门的输出结果通过式5得到本序列的细胞更新结果，即更新细胞状态c
t
，以便后续完成对第一向量的前向编码。
[0168][0169]
其中，c
t-1
为上一序列的更新细胞状态。
[0170]
根据更新细胞状态c
t
经过输出门通过式6和式7得到输出结果h
t
，即本序列的第一向量的前向状态向量，完成本序列对第一向量的前向编码。
[0171]ot
＝σ(wo*[h
t-1
,x
t
] bo)
ꢀꢀꢀ
式6
[0172]ht
＝o
t
*tanh(c
t
)
ꢀꢀꢀ
式7
[0173]
其中，wo为权重，bo为偏倚系数。
[0174]
在对第一向量进行后向编码时也即对第一向量进行反向传播时，通过梯度下降法迭代更新前向编码中的得到的结果，最终得到本序列后向编码后的隐藏状态h
t’，即本序列第一向量的后向编码状态。
[0175]
之后将每条目标关联路径中所有路径段的向量形式即所有的第一向量的前向状态向量和后向状态向量拼接得到每条目标关联路径的向量表示形式。
[0176]
在一种应用场景中，以bi-lstm为例，如图6所示，以目标关联路径p
k-1
＝“用户x—购买—饮品a—商户一级分类—餐饮—商户二级分类—饮品店—商户三级分类—奶茶店—对象商户分类—奶茶—可能购买—20元代金券”为例，ebedding层将p
k-1
中的各个节点与节点间的关系映射为嵌入向量，并进行拼接其中按自底向上的顺序，第一层表示节点之间的关系，第二层表示节点的种类，第三层表示节点。按从左到右的顺序，每一列拼接后的向量表示一个路径段对应的一个第一向量。而且每个第一向量按照p
k-1
中的顺序输入到bi-lstm层中，x
1-x7为p
k-1
中包含的所有第一向量。bi-lstm层依次对ebedding层得到的x
1-x7进行前向编码输出前向状态向量h
1-h7，依次对ebedding层得到的x
1-x7进行后向编码输出后向状态向量h1’‑
h7’
。
[0177]
将前向状态向量h
1-h7与编码得到后向状态向量h1’‑
h7’
进行拼接输出向量集合{[h1,h7’
],[h2,h6’
],[h3,h5’
],[h1,h7’
],[h4,h4’
],[h5,h3’
],[h6,h2’
],[h7,h1’
]}中的各个状态向量除了继承了节点与相邻关系的语义外，还隐含了节点与关系之间的顺序信息，另外该集合是通过利用bi-lstm的记忆状态的优势编码拼接后得到的，因此能够表示p
k-1
中的所有节点与关系以及节点与关系的连接顺序。因此，得到的向量集合是能够表示整个目标关联路径p
k-1
的向量形式，该集合可以表示为[h
k-1
,h
k-1’]。同理，能够得到“用户x”与“20元代金券”之间的其它目标关联路径p
k 1
与pk的向量形式。
[0178]
以上为s2412的具体介绍，下面介绍s2413。
[0179]
在s2413中，具体地，将上一步骤中编码后拼接得到的第二向量通过归一化指数函数(softmax)计算所述第一概率值。
[0180]
示例性地，以bi-lstm为例，在输出第二向量后还会输出一个超参数β，此时通过式
8计算第一概率值。
[0181][0182]
其中，pk表示在目标关联路径pk下，第一用户对待推送对象执行正向反馈行为操作的可能性，即第一概率值。
[0183]
以上为s2413的具体介绍。
[0184]
在s242中，具体地，通过第一概率值进一步计算目标概率值。
[0185]
为了提高向用户推送对象的准确性，在一种实施例中，如图7所示的本技术一实施例提供的再一种对象推送的方法示例流程图，所述根据所述第一概率值，计算目标概率值，可以包括，
[0186]
s2421当所述目标关联路径有多条时，针对每条所述目标关联路径，根据所述第一概率值，计算所述第一用户对所述待推送对象执行正向反馈行为操作的预测分数。
[0187]
s2422根据所述预测分数，计算第一阈值，其中，所述第一阈值用于确定所述目标概率值的计算。
[0188]
s2423当所述第一阈值趋向于零时，将所述预测分数的平均值确定为所述目标概率值。
[0189]
s2424当所述第一阈值趋向于无穷时，将所述预测分数中的最大值确定为所述目标概率值。
[0190]
s2425当所述目标关联路径为一条时，将所述预测分数确定为所述目标概率值。
[0191]
本技术实施例中，通过第一概率值计算的预测分数来确定第一阈值，通过第一阈值目标概率值是否取预测分数中的最大值，还是取预测分数的平均值，能够进一步加强目标概率值计算的综合性，从而能够提高对目标概率值计算的准确性，进一步的基于该目标概率值确定的推送对象的准确性就能够得到提高。
[0192]
下面详细介绍s2421-s2425。
[0193]
在s2421中，具体地，针对每条目标关联路径，利用第一概率值计算包含第一概率值在内的预测分数。
[0194]
在一种实施例中，所述根据所述第一概率值，计算所述第一用户对所述待推送对象执行正向反馈行为操作的预测分数，可以包括，
[0195]
将所述第一概率值与第二预设数值的乘积，作为第一预测分数。
[0196]
将所述第一预测分数与预设分数的和，作为所述预测分数。
[0197]
可以理解的是，第二预设数值与预设分数的具体数值本技术不做限制。
[0198]
示例性地，第二预设数值可以取2，预设分数可以取600，通过式9计算预测分数。
[0199]
sk＝600 2pkꢀꢀꢀ
式9
[0200]
其中，sk表示在目标关联路径pk下，第一用户对待推送对象执行正向反馈行为操作的预测分数。
[0201]
本技术实施例中，通过预测分数的计算能够更直观的反应第一概率值表示的第一用户对待推送对象执行正向反馈行为操作的可能性。
[0202]
在s2422中，具体地，使用平均方式聚合所有目标关联路径下的预测分数作为第一阈值。
[0203]
在一种实施例中，所述根据所述预测分数，计算第一阈值，可以包括，
[0204]
针对所述目标关联路径，计算所述预测分数的平均值。
[0205]
根据所述平均值，通过归一化指数函数，计算所述第一阈值。
[0206]
具体地，通过式10计算第一阈值。
[0207][0208]
其中表示第一阈值，sk表示一条目标关联路径对应的第一概率值pk所对应的预测分数，u表示用户，i表示待推送对象。
[0209]
本技术实施例中，通过预测分数的平均值与归一化函数计算的第一阈值，是第一用户对待推送对象执行正向反馈行为操作的可能性的一种预测值，进而能够该第一阈值确定目标概率的计算，提高目标概率的准确性。
[0210]
在s2423中，具体地，当有多条目标关联路径时，通过第一阈值的趋向确定目标概率的取值，当第一阈值趋向于零时，目标概率值的取值为预测分数的平均值。
[0211]
在s2424中，当第一阈值趋向于无穷时，目标概率值的取值为预测分数中的最大值。
[0212]
在s2425中，当有一条目标关联路径时，目标概率值的取值为预测分数。
[0213]
在一种应用场景中，如图6所示，目标概率值的计算可以通过池化层(pooling)来计算，可以在pooling层中计算每条目标关联路径下的第一概率值与预测分数以及第一阈值。当第一阈值趋向于无穷时，pooling通过最大池化确定目标概率值，当第一阈值趋向于零时，pooling通平均池化确定目标概率值。
[0214]
以上为s242的具体介绍，下面介绍s243。
[0215]
在s243中，具体地，当第一用户与某一个待推送对象之间所有的目标关联路径下聚合得到的目标概率值大于第一预设数值时，这个待推送对象就可以是要向用户推送的目标对象。
[0216]
示例性地，第一预设数值可以取601.5。
[0217]
以上为s240的具体介绍，下面介绍s250。
[0218]
在s250中，具体地，通过推送系统将确定的目标对象推送给第一用户。
[0219]
以上为s250的介绍。
[0220]
在一种应用场景中，如图6所示，“用户x”与“20元代金券”之间的目标关联路径为p
k-1
、pk以及p
k 1
，通过ebedding层、bi-lstm层以及pooling层计算的用户x可能购买20元代金券的最终的可能性s(τ|p)，若s(τ|p)大于601.5则向用户x推送20元代金券。
[0221]
基于上述任一实施例提供的对象推送方法，本技术还提供了一种对象推送装置实施例。具体参见图7。
[0222]
图8示出了本技术以一实施例提供的一种对象推送装置示意图。如图7所示，该装置可以包括：
[0223]
第一获取模块810，用于获取第一用户的目标特征信息；
[0224]
第二获取模块820，用于根据所述第一用户的目标特征信息，从至少一个知识图谱中获取与第一用户相关的目标关联图谱，其中，所述知识图谱是根据用户的特征信息、对象的属性信息以及用户对所述对象的操作行为信息构建得到的关联路径图；
[0225]
第一确定模块830，用于根据所述第一用户对所述待推送对象的操作行为信息，从所述目标关联图谱中，确定第一用户与待推送对象之间的至少一条目标关联路径；
[0226]
第二确定模块840，用于根据所述目标关联路径，从所述待推送对象中，确定向所述第一用户推送的目标对象；
[0227]
推送模块850，用于将所述目标对象推送至所述第一用户。
[0228]
本技术实施例的装置，根据用户的特征信息、对象的属性信息以及用户对对象的操作行为信息构建的知识图谱，能够反应特征信息下用户的偏好以及用户对对象可能的操作行为。根据该知识图谱获取的与第一用户相关的目标关联图谱就是能够反应第一用户的偏好以及第一用户对对象可能的操作行为的图谱，因此，根据第一用户对待推送对象的操作行为信息，从目标关联图谱中确定的目标关联路径，是第一用户极有可能对对象有操作的路径。那么进一步根据该目标路径确定的向第一用户推送的目标对象就更符合第一用户的偏好，第一用户就更可能对该目标对象有操作行为，因而能够提高对用户推送对象的准确性，进而提高推送系统的准确性。
[0229]
在一种实施例中，第二获取模块820还可以包括，
[0230]
第一作为单元，用于以所述用户的特征信息作为第一节点。
[0231]
第二作为单元，用于以所述对象的属性信息作为第二节点。
[0232]
第一连线单元，用于以对象之间的关系作为所述第二节点的连线，其中，所述对象之间的关系是根据所述对象的属性信息确定的。
[0233]
第二连线单元，用于以用户和对象之间的关系作为所述第一节点和所述第二节点间的连线，其中，所述用户和对象之间的关系是根据所述用户对所述对象的操作行为信息确定的。
[0234]
构成单元，用于以所述第一节点、所述第二节点以及所述连线构成所述关联路径图。
[0235]
本技术实施例中，关联路径图中的各个节点包括能够反应用户特征的特征信息，以及反应对象属性的属性信息，各节点之间的连线又是通过对象的属性信息与用户对对象的操作行为信息确定，使得该关联路径图能够体现用户与用户、用户与对象以及对象与对象之间的三层关系。显然关联路径图中用户与用户、用户与对象以及对象与对象之间的路径不止一条。那么通过这样有多层联系且不止一条路径的关联路径图能够准确地捕捉到用户与对象之间的关系以及用户的偏好，使得该关联路径图能够高准确性地描述用户与对象之间的关系。而各节点间的连线能够体现各节点之间的依赖关系，可以利用连线关联路径图来解释各节点之间的关系，提高了用户对对象之间关系描述的可解释性，进而能够有效推理用户与对象的操作行为。
[0236]
在一种实施例中，第二确定模块840可以包括，
[0237]
第一计算单元，用于针对每个所述目标关联路径，计算所述第一用户对所述待推送对象执行正向反馈行为操作的可能性，得到第一概率值。
[0238]
第二计算单元，用于根据所述第一概率值，计算目标概率值。
[0239]
确定单元，用于当所述目标概率值大于第一预设数值时，将所述待推送对象确定为所述目标对象。
[0240]
本技术实施例中，计算每条目标路下第一用户对待推送对象执行正向反馈行为操
作的第一概率值后，用第一概率值计算目标概率值，根据目标概率值决定要不要向用户推送目标对象。也就是说，对用户推送的目标对象不是片面的根据一条目标路径下第一用户对待推送对象执行正向反馈行为操作的可能性来确定的，而是将所有目标路径下的第一概率值整合为目标概率值来确定的，综合考虑了所有的可能性，提高了对用户推送对象的准确性。
[0241]
在一种实施例中，第二计算单元，可以包括：
[0242]
第一计算子单元，用于当所述目标关联路径有多条时，针对每条所述目标关联路径，根据所述第一概率值，计算所述第一用户对所述待推送对象执行正向反馈行为操作的预测分数。
[0243]
第二计算子单元，用于根据所述预测分数，计算第一阈值，其中，所述第一阈值用于确定所述目标概率值的计算。
[0244]
第一确定子单元，用于当所述第一阈值趋向于零时，将所述第一概率值的平均值确定为所述目标概率值；
[0245]
第二确定子单元，用于当所述第一阈值趋向于无穷时，将所述第一概率值中的最大值确定为所述目标概率值；
[0246]
第三确定子单元，用于当所述目标关联路径为一条时，将所述第一概率值确定为所述目标概率值。
[0247]
本技术实施例中，通过第一概率值计算的预测分数来确定第一阈值，通过第一阈值目标概率值是否取预测分数中的最大值，还是取预测分数的平均值，能够进一步加强目标概率值计算的综合性，从而能够提高对目标概率值计算的准确性，进一步的基于该目标概率值确定的推送对象的准确性就能够得到提高。
[0248]
此外，结合上述实施例中的对象推送方法，本技术实施例可提供一种对象推送设备，所述设备可以包括处理器以及存储有计算机程序指令的存储器，所述处理器执行所述计算机程序指令时实现上述任一实施例所述的对象推送方法。
[0249]
另外，结合上述用于展会的展示页面的生成的方法，本技术实施例可提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述上述任一实施例所述的对象推送方法。
[0250]
处理器可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
[0251]
存储器可包括只读存储器(rom)，随机存取存储器(ram)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。
[0252]
需要明确的是，本技术并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本技术的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本技术的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺
序。
[0253]
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
[0254]
还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0255]
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，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，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
[0256]
以上所述，仅为本技术的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。