信息推送的效应评估方法、装置、电子设备和存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种信息推送的效应评估方法、装置、电子设备和存储介质。


背景技术：

2.a/b测试虽然能够较好的评估干预效果，但是，其涉及到实验分组，需要对不同实验组(控制实验组和对照实验组)实施干预或不实施干预，以得到控制实验组和对照实验组不同的实验效果。
3.然而，在实际场景中，实施随机对照实验不仅需要耗费大量的时间精力，而且经济成本高昂，并且，随即对照试验还会受到多种因素的限制，进而导致其可行性不高，例如，新闻推送公司在进行产品设计时，需要评估设备类型(移动设备、台式机)对于待推送新闻的阅读量的影响，此时若采用a/b测试评估干预效果，则需要耗费大量的人力物力，以及花费较多的时间，成本太大，因此，如何避免上述问题以较好的评估干预效果成为了亟待解决的问题。


技术实现要素：

4.本发明提供一种信息推送的效应评估方法、装置、电子设备和存储介质，用以解决现有技术中效应评估方案成本太大、运算过程复杂以及参数冗余的缺陷。
5.本发明提供一种信息推送的效应评估方法，包括：
6.确定待推送信息的特征向量；
7.将所述特征向量输入至效应评估模型，得到所述效应评估模型输出的效应评估结果，所述效应评估模型基于待推送样本信息的样本特征向量、样本事实输出向量以及效应标签训练得到；
8.所述效应评估模型是基于生成对抗网络构建的。
9.根据本发明提供的一种信息推送的效应评估方法，所述将所述特征向量输入至效应评估模型，得到所述效应评估模型输出的效应评估结果，包括：
10.将所述特征向量输入至所述效应评估模型的生成器，得到所述生成器输出的潜在结果输出向量，所述潜在结果输出向量包括事实输出向量和反事实输出向量；
11.将所述特征向量和所述潜在结果输出向量输入至所述效应评估模型的判别器，得到所述判别器输出的效应评估结果。
12.根据本发明提供的一种信息推送的效应评估方法，所述生成器和所述判别器基于全连接神经网络构建得到，所述全连接神经网络包括输入层、多个隐藏层、多个激活层和输出层；
13.所述多个隐藏层中，除末端隐藏层外的每一隐藏层的下一层均为激活层。
14.根据本发明提供的一种信息推送的效应评估方法，所述输入层的维度基于所述特征向量中的特征变量的数目确定，所述输出层的维度基于所述潜在结果输出向量中的潜在
输出结果的数目确定，所述潜在输出结果包括所述事实输出向量中的事实输出结果，以及所述反事实输出向量中的反事实输出结果。
15.根据本发明提供的一种信息推送的效应评估方法，所述效应评估模型基于如下步骤确定：
16.构建初始效应评估模型；
17.将所述待推送样本信息的样本特征向量以及所述样本事实输出向量输入至初始效应评估模型，得到所述初始效应评估模型输出的样本效应评估结果；
18.基于所述样本效应评估结果以及所述效应标签，对所述初始效应评估模型进行参数更新，得到所述效应评估模型。
19.根据本发明提供的一种信息推送的效应评估方法，所述将所述待推送样本信息的样本特征向量以及所述样本事实输出向量输入至初始效应评估模型，得到所述初始效应评估模型输出的样本效应评估结果，包括：
20.将所述样本特征向量输入至所述初始效应评估模型的初始生成器，得到所述初始生成器输出的样本反事实输出向量；
21.将所述样本特征向量，所述样本事实输出向量以及所述样本反事实输出向量输入至所述初始效应评估模型的初始判别器，得到所述初始判别器输出的样本效应评估结果。
22.本发明还提供一种信息推送的效应评估装置，包括：
23.特征向量确定单元，用于确定待推送信息的特征向量；
24.效应评估单元，用于将所述特征向量输入至效应评估模型，得到所述效应评估模型输出的效应评估结果，所述效应评估模型基于待推送样本信息的样本特征向量、样本事实输出向量以及效应标签训练得到；所述效应评估模型是基于生成对抗网络构建的。
25.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的信息推送的效应评估方法。
26.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的信息推送的效应评估方法。
27.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的信息推送的效应评估方法。
28.本发明提供的信息推送的效应评估方法、装置、电子设备和存储介质，确定待推送信息的特征向量，将特征向量输入至效应评估模型，得到效应评估模型输出的效应评估结果，效应评估模型基于待推送样本信息的样本特征向量、样本事实输出向量以及效应标签训练得到，效应评估模型是基于生成对抗网络构建的，在传统方案的基础上，精简了模型的构成，从而得到轻量级的效应评估模型，与此同时，还能够使模型的输入参数大幅度的减少，完全克服了传统方案中因需两个对抗生成器导致的种种问题，不仅实现了轻量级的运算，即效应评估过程更快，还能够支持实时决策，具备较强的可实施性。
附图说明
29.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一
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。
30.图1是本发明提供的传统效应评估方法的总体框架图；
31.图2是本发明提供的信息推送的效应评估方法的流程示意图；
32.图3是本发明提供的效应评估模型的生成器的结构示意图；
33.图4是本发明提供的信息推送的效应评估方法的总体框架图；
34.图5是本发明提供的信息推送的效应评估装置的结构示意图；
35.图6是本发明提供的电子设备的结构示意图。
具体实施方式
36.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
37.a/b测试是为web(world wide web，全球广域网或万维网)、app(application，手机软件)界面或流程制作两个或多个版本，在同一时间维度，分别让组成成分相同或相似的访客群组随机访问这些版本，收集各群组的用户体验数据和业务数据，最后分析评估得出最好版本，其作为评估干预效果的黄金准则，虽然能够达到较好的评估效果，但是其往往需要进行实验分组，即需要分别对不同实验组(控制实验组和对照实验组)实施干预或不实施干预，以得到不同实验组的实验效果。
38.但是，在实际的应用场景中，实施随机对照实验不仅需要耗时大量的时间精力，而且经济成本高昂，例如，当新闻推送公司在进行产品设计时，需要评估设备类型(移动设备、台式机)对于待推送新闻的阅读量的影响，此时，若应用a/b测试进行评估，则需要花费大量的人力物力，时间和经济成本太大，可行性较低；除此之外，a/b测试还容易受到多种因素的限制，例如，场景因素、经济条件等。
39.基于此，衍生出了一种基于生成对抗网络进行效应评估的方案，图1是本发明提供的传统效应评估方案的总体框架图，如图1所示，该方案中主要采用了两个对抗生成器，据此来实现效应评估。其中，反事实模块(counterfactual block)包括反事实发生器(counterfactual generator)和反事实判别器(counterfactual discriminator)，用于模拟反事实输出结果的条件概率，即在确定了特征向量x、干预向量t以及事实输出向量yf的情况下，通过反事实模块中的反事实发生器计算反事实输出向量y
cf
的概率；然后，将事实输出向量yf与反事实模块生成的反事实输出向量y
cf
合并成为完整的潜在结果输出向量；在此基础上，通过反事实判别器实现基于特征向量x的效应评估。
40.需要说明的是，通过上述方案进行效应评估需要两个对抗生成器，即除反事实模块外，还需要ite block(individual treatment effect block，个体因果效应模块)；并且，其涉及多个给定参数，会导致参数冗余。
41.针对上述情况，本发明提供一种信息推送的效应评估方法，旨在利用观察数据进行效应评估，以避免传统方案中因应用a/b实验的导致的问题，从而实现信息推送效果快速准确的评估，图2是本发明提供信息推送的效果评估方法的流程示意图，如图2所示，该方法
包括：
42.步骤210，确定待推送信息的特征向量；
43.具体地，在进行效应评估之前，首先需要确定评估对象，本发明实施例中是对产品设计中需要推送的信息进行评估，评估其在不同设备上进行推送的推送效果，或者是评估采用不同的推送方式进行推送的推送效果，又或者是评估在不同时间段进行推送的推送效果，或者评估结合上述多种控制因素后的推送效果，本发明实施例对此不作具体限定。
44.基于此，本发明实施例中，首先需要确定待推送信息，此处的待推送信息可以是新闻、广告等；随即，确定待推送信息的属性信息，此处的属性信息可以是一类也可以是多类，例如，当待推送信息为新闻时，其属性信息可以是字数、字符数、标题、字段名称、单词频率等；随后，对每一属性信息进行特征提取，从而得到各属性信息的特征变量；此后，即可以各属性信息的特征变量为基准，构建待推送信息的特征向量，亦可以理解为对各属性信息的特征变量进行融合，得到推送信息的特征向量，此处的融合方式可以是拼接、相加、级联等，本发明实施例对此不作具体限定。
45.步骤220，将特征向量输入至效应评估模型，得到效应评估模型输出的效应评估结果，效应评估模型基于待推送样本信息的样本特征向量、样本事实输出向量以及效应标签训练得到；效应评估模型是基于生成对抗网络构建的。
46.具体地，在步骤210中，确定待推送信息的特征向量的基础上，即可执行步骤220，具体过程可以是，首先，将待推送信息的特征向量输入至效应评估模型，效应评估模型根据输入的特征向量，对待推送信息的推送效果进行效应评估，最终得到效应评估模型输出的待推送信息的效应评估结果。
47.考虑到传统方案中基于生成对抗网络的效应评估方案中，需采用两个对抗生成器，会导致运算过程较为复杂，并且还含有冗余参数的情况，本发明实施例中在应用效应评估模型进行效应评估时，可以精简模型的构成，以得到轻量级的模型，然后据此模型进行效应评估。
48.需要说明的是，本发明实施例中的效应评估模型是在生成对抗网络的基础上构建的，其包括一个生成器和一个判别器，具体在进行效应评估时，效应评估模型中的生成器首先会根据输入的特征向量，评估事实输出向量和反事实输出向量的概率；然后，将生成器的输出结果作为判别器的输入，通过判别器判断生成器模拟代求分布的质量，从而实现基于待推送信息的特征向量的效应评估，较之传统方案中采用两个对抗生成器的方案，本发明实施例中应用此效应评估模型进行效应评估的过程更快，实时性较好，可行性较高。
49.而在将待推送信息的特征向量输入至效应评估模型之前，还可以基于待推送样本信息的样本特征向量、样本事实输出向量以及效应标签，预先训练得到效应评估模型，效应评估模型的训练过程包括如下步骤：首先，确定待推送样本信息，并基于待推送样本信息确定其样本特征向量，样本事实向量以及效应标签；随即，基于样本特征向量，样本事实向量以及效应标签，对初始效应评估模型进行训练，从而训练完成的效应评估模型；需要说明的是，此处的初始效应评估模型是基于生成对抗网络构建的。
50.另外，需要说明的是，本发明实施例所提及的产品设计(广告推送、新闻推送等)仅是本发明提供的效应评估方法的应用领域之一，其还可以应用于需要进行决策评估的领域，例如，医疗诊疗方案的确定、音/视频播放模式的选取等。
51.本发明提供的信息推送的效应评估方法，确定待推送信息的特征向量，将特征向量输入至效应评估模型，得到效应评估模型输出的效应评估结果，效应评估模型基于待推送样本信息的样本特征向量、样本事实输出向量以及效应标签训练得到，效应评估模型是基于生成对抗网络构建的，在传统方案的基础上，精简了模型的构成，从而得到轻量级的效应评估模型，与此同时，还能够使模型的输入参数大幅度的减少，完全克服了传统方案中因需两个对抗生成器导致的种种问题，不仅实现了轻量级的运算，即效应评估过程更快，还能够支持实时决策，具备较强的可实施性。
52.基于上述实施例，步骤220中，将特征向量输入至效应评估模型，得到效应评估模型输出的效应评估结果，包括：
53.将特征向量输入至效应评估模型的生成器，得到生成器输出的潜在结果输出向量，潜在结果输出向量包括事实输出向量和反事实输出向量；
54.将特征向量和潜在结果输出向量输入至效应评估模型的判别器，得到判别器输出的效应评估结果。
55.具体地，步骤220中，应用效应评估模型对待推送信息的推送效果进行评估的过程，具体包括如下步骤：
56.首先，将待推送信息的特征向量输入至预先训练好的效应评估模型的生成器中，生成器则会根据输入的特征向量，模拟潜在输出结果的条件概率，此处的潜在输出结果包括事实输出结果和反事实输出结果，最终输出的潜在结果输出向量，其包括事实输出向量和反事实输出向量；
57.随即，将生成器输出的潜在结果输出向量作为效应评估模型的判别器的输入，即将潜在结果输出向量输入效应评估模型的判别器中，除此之外，还需要将待推送信息的特征向量输入效应评估模型的判别器中，判别器根据输入的特征向量，事实输出向量以及反事实输出向量，对事实输出结果和反事实输出结果进行判别，最终输出判别结果即效应评估结果。
58.基于上述实施例，生成器和判别器基于全连接神经网络构建得到，全连接神经网络包括输入层、多个隐藏层、多个激活层和输出层；
59.多个隐藏层中，除末端隐藏层外的每一隐藏层的下一层均为激活曾层。
60.具体地，效应评估模型的生成器和判别器均由全连接的神经网络构成，图3是本发明提供的效应评估模型的生成器的结构示意图，如图3所示，全连接神经网络中包括输入层、多个隐藏层(hidden)、多个激活层以及输出层，并且，在全连接神经网络的多个隐藏层中，除了最后一个隐藏层即末端隐藏层的后面紧跟输出层外，其他每个隐藏层的下一层均为激活层，亦可以理解为在除末端隐藏层外的每一个隐藏层后，紧跟着有一个激活层，此两者构成重复(repeat)单元，而全连接神经网络中包括多个重复单元。
61.需要说明的是，此处的激活层中的激活函数可以根据实际需求相应选取，而作为优选，本发明实施例中将激活函数确定为线性整流函数，即relu函数。
62.基于上述实施例，输入层的维度基于特征向量中的特征变量的数目确定，输出层的维度基于潜在结果输出向量中的潜在输出结果的数目确定，潜在输出结果包括事实输出向量中的事实输出结果，以及反事实输出向量中的反事实输出结果。
63.具体地，全连接神经网络中的输入层的维度是根据特征向量中的特征变量的数目
确定的，即特征向量中的特征变量的个数决定输入层的维度；而输出层的维度是根据潜在结果输出向量中的潜在输出结果的数目确定的，需要说明的是，此处的潜在输出结果包括事实输出结果和反事实输出结果，各事实输出结果构成事实输出向量，同样，各反事实输出结果构成反事实输出向量。
64.需要说明的是，全连接神经网络中，除输入层和输出层之外的中间隐藏层的维度均相同，并且可根据实际需求相应设置。
65.基于上述实施例，效应评估模型基于如下步骤确定：
66.构建初始效应评估模型；
67.将待推送样本信息的样本特征向量以及样本事实输出向量输入至初始效应评估模型，得到初始效应评估模型输出的样本效应评估结果；
68.基于样本效应评估结果以及效应标签，对初始效应评估模型进行参数更新，得到效应评估模型。
69.具体地，步骤220中，在将待推送信息的特征向量输入至效应评估模型之前，还可以预先训练得到效应评估模型，而效应评估模型的训练过程包括如下步骤：
70.考虑到传统方案中基于生成对抗网络的效应评估方案中，需采用两个对抗生成器，从而使得运算过程较为复杂，并且还含有冗余参数，因而，本发明实施例中可精简模型的构成，以得到轻量级的模型，具体可以是，根据生成对抗网络构建初始效应评估模型，此时的初始效应评估模型中包含一个未经训练的生成器和判别器，因而将其称之为初始生成器和初始判别器；
71.随后，基于待推送样本信息的样本特征向量，样本事实输出向量以及效应标签，对初始效应评估模型进行训练，具体可以是，将待推送样本信息的样本特征向量，以及样本事实输出向量输入至初始效应评估模型，初始效应评估模型根据输入的样本特征向量以及样本事实输出向量进行效应评估，然后得到初始效应评估模型输出的样本效应评估结果；
72.需要说明的是，此处的样本特征向量以及样本事实输出向量可以是在给定的待推送样本信息的基础上，相应选取得到的。
73.此后，即可根据样本效应评估结果以及效应标签，对初始效应评估模型进行参数更新，即根据样本效应评估结果以及效应标签之间的差距，对初始效应评估模型的参数进行更新，以使参数更新后的初始效应评估模型输出的样本效应评估结果能够不断趋近于效应标签所标示的待推送样本信息的推送效果，重复此过程，直至两者之间的差距非常小或完全一致，最终得到训练完成的效应评估模型。
74.基于上述实施例，将待推送样本信息的样本特征向量以及样本事实输出向量输入至初始效应评估模型，得到初始效应评估模型输出的样本效应评估结果，包括：
75.将样本特征向量输入至初始效应评估模型的初始生成器，得到所述初始生成器输出的样本反事实输出向量；
76.将样本特征向量，样本事实输出向量以及样本反事实输出向量输入至初始效应评估模型的初始判别器，得到初始判别器输出的样本效应评估结果。
77.具体地，将待推送样本信息的样本特征向量以及样本事实输出向量输入至初始效应评估模型，得到初始效应评估模型输出的样本效应评估结果的过程，具体包括如下步骤：
78.首先，将样本特征向量输入至初始效应评估模型的初始生成器中，初始生成器根
据输入的样本特征向量，模拟样本反事实输出结果的条件概率，最终得到初始生成器输出的样本反事实输出向量；
79.随即，将初始生成器输出的样本反事实输出向量作为初始判别器的输入，和样本特征向量以及样本事实输出向量一同输入至初始效应评估模型的初始判别器中，初始判别器根据输入的各个向量，对基于待推送样本信息的样本事实输出结果和样本反事实输出结果进行判别，最终输出判别结果即样本效应评估结果。
80.此后，即可基于此样本效应评估结果和效应标签，对初始效应评估模型进行参数更新，以得到效应评估模型，上文已对此过程进行了详细说明，此处不再赘述。
81.图4是本发明提供的信息推送的效应评估方法的总体框架图，首先，将待推送信息的特征向量x输入至预先训练好的效应评估模型的生成器(generator)中，得到生成器输出的潜在结果输出向量，其包括事实输出向量和反事实输出向量
82.然后，将潜在结果输出向量作为效应评估模型的判别器的输入，和特征向量x一同输入至效应评估模型的判别器(discriminator)中，得到判别器输出的效应评估结果。
83.本发明实施例在传统方案的基础上，精简了模型的构成，从而得到轻量级的效应评估模型，据此模型进行效应评估的数据如下表所示：
[0084][0085]
其中，pehe(precision in estimation of heterogeneous effect)表示异质效应评估精度，ate(average treatment effect)表示平均干预效应，mse(mean-square error)表示均方误差。
[0086]
从上表中可以看出应用本发明实施例所提供的效应评估模型进行效应评估的数据，即efficient ganite所在列的数据，较之传统方案中进行效应评估的数据，即ganite所在列的数据，有一定幅度的减少，而值越小，效应评估模型的性能越好，运算速度越快，实时性越佳，可实施性越强。
[0087]
本发明提供的信息推送的效应评估方法，确定待推送信息的特征向量，将特征向量输入至效应评估模型，得到效应评估模型输出的效应评估结果，效应评估模型基于待推送样本信息的样本特征向量、样本事实输出向量以及效应标签训练得到，效应评估模型是基于生成对抗网络构建的，在传统方案的基础上，精简了模型的构成，从而得到轻量级的效应评估模型，与此同时，还能够使模型的输入参数大幅度的减少，完全克服了传统方案中因需两个对抗生成器导致的种种问题，不仅实现了轻量级的运算，即效应评估过程更快，还能够支持实时决策，具备较强的可实施性。
[0088]
下面对本发明提供的信息推送的效应评估装置进行描述，下文描述的信息推送的
效应评估装置与上文描述的信息推送的效应评估方法可相互对应参照。
[0089]
图5是本发明提供的信息推送的效应评估装置的结构示意图，如图5所示，该装置包括：
[0090]
特征向量确定单元510，用于确定待推送信息的特征向量；
[0091]
效应评估单元520，用于将所述特征向量输入至效应评估模型，得到所述效应评估模型输出的效应评估结果，所述效应评估模型基于待推送样本信息的样本特征向量、样本事实输出向量以及效应标签训练得到；所述效应评估模型是基于生成对抗网络构建的。
[0092]
本发明提供的信息推送的效应评估装置，确定待推送信息的特征向量，将特征向量输入至效应评估模型，得到效应评估模型输出的效应评估结果，效应评估模型基于待推送样本信息的样本特征向量、样本事实输出向量以及效应标签训练得到，效应评估模型是基于生成对抗网络构建的，在传统方案的基础上，精简了模型的构成，从而得到轻量级的效应评估模型，与此同时，还能够使模型的输入参数大幅度的减少，完全克服了传统方案中因需两个对抗生成器导致的种种问题，不仅实现了轻量级的运算，即效应评估过程更快，还能够支持实时决策，具备较强的可实施性。
[0093]
基于上述实施例，效应评估单元520用于：
[0094]
将所述特征向量输入至所述效应评估模型的生成器，得到所述生成器输出的潜在结果输出向量，所述潜在结果输出向量包括事实输出向量和反事实输出向量；
[0095]
将所述特征向量和所述潜在结果输出向量输入至所述效应评估模型的判别器，得到所述判别器输出的效应评估结果。
[0096]
基于上述实施例，所述生成器和所述判别器基于全连接神经网络构建得到，所述全连接神经网络包括输入层、多个隐藏层、多个激活层和输出层；
[0097]
所述多个隐藏层中，除末端隐藏层外的每一隐藏层的下一层均为激活层。
[0098]
基于上述实施例，所述输入层的维度基于所述特征向量中的特征变量的数目确定，所述输出层的维度基于所述潜在结果输出向量中的潜在输出结果的数目确定，所述潜在输出结果包括所述事实输出向量中的事实输出结果，以及所述反事实输出向量中的反事实输出结果。
[0099]
基于上述实施例，所述装置还包括训练单元，用于：
[0100]
构建初始效应评估模型；
[0101]
将所述待推送样本信息的样本特征向量以及所述样本事实输出向量输入至初始效应评估模型，得到所述初始效应评估模型输出的样本效应评估结果；
[0102]
基于所述样本效应评估结果以及所述效应标签，对所述初始效应评估模型进行参数更新，得到所述效应评估模型。
[0103]
基于上述实施例，训练单元用于：
[0104]
将所述样本特征向量输入至所述初始效应评估模型的初始生成器，得到所述初始生成器输出的样本反事实输出向量；
[0105]
将所述样本特征向量，所述样本事实输出向量以及所述样本反事实输出向量输入至所述初始效应评估模型的初始判别器，得到所述初始判别器输出的样本效应评估结果。
[0106]
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和
通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行信息推送的效应评估方法，该方法包括：确定待推送信息的特征向量；将所述特征向量输入至效应评估模型，得到所述效应评估模型输出的效应评估结果，所述效应评估模型基于待推送样本信息的样本特征向量、样本事实输出向量以及效应标签训练得到；所述效应评估模型是基于生成对抗网络构建的。
[0107]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0108]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的信息推送的效应评估方法，该方法包括：确定待推送信息的特征向量；将所述特征向量输入至效应评估模型，得到所述效应评估模型输出的效应评估结果，所述效应评估模型基于待推送样本信息的样本特征向量、样本事实输出向量以及效应标签训练得到；所述效应评估模型是基于生成对抗网络构建的。
[0109]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的信息推送的效应评估方法，该方法包括：确定待推送信息的特征向量；将所述特征向量输入至效应评估模型，得到所述效应评估模型输出的效应评估结果，所述效应评估模型基于待推送样本信息的样本特征向量、样本事实输出向量以及效应标签训练得到；所述效应评估模型是基于生成对抗网络构建的。
[0110]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0111]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0112]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；
而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。