兴趣分类模型训练方法、兴趣分类方法和装置与流程

1.本公开涉及人工智能技术领域，具体为数据处理和深度学习等技术领域。


背景技术：

2.目前，在对用户进行兴趣分类的应用场景中，往往需要预先训练兴趣分类模型，基于兴趣分类模型确定用户感兴趣的兴趣标签。例如，基于预先训练的兴趣分类模型，确定用户对汽车是否感兴趣。
3.在实践中发现，现在的兴趣分类模型训练方法通常很难确定负样本。例如，如果某个用户频繁访问汽车相关的网站，可以确定该用户对汽车感兴趣，但是，如果某个用户没有频繁访问汽车相关的网站，不能说明该用户对汽车不感兴趣。基于此，由于负样本很难确定，从而导致训练得到的兴趣分类模型精准度较差。


技术实现要素：

4.本公开提供了一种兴趣分类模型训练方法、兴趣分类方法和装置。
5.根据本公开的一方面，提供了一种兴趣分类模型训练方法，包括：获取正样本用户和未标注用户，其中，正样本用户为具有兴趣标签的用户，未标注用户为不具有兴趣标签的用户；从正样本用户中确定间谍用户；基于间谍用户，从未标注用户中确定可靠负样本用户；基于正样本用户和可靠负样本用户，对目标待训练模型进行训练，得到训练完成的目标兴趣分类模型。
6.根据本公开的另一方面，提供了一种兴趣分类方法，包括：获取目标用户；基于上述的目标兴趣分类模型，确定目标用户对应的兴趣标签；按照兴趣标签对目标用户进行兴趣分类。
7.根据本公开的另一方面，提供了一种兴趣分类模型训练装置，包括：样本获取单元，被配置成获取正样本用户和未标注用户，其中，正样本用户为具有兴趣标签的用户，未标注用户为不具有兴趣标签的用户；间谍确定单元，被配置成从正样本用户中确定间谍用户；负样本确定单元，被配置成基于间谍用户，从未标注用户中确定可靠负样本用户；模型训练单元，被配置成基于正样本用户和可靠负样本用户，对目标待训练模型进行训练，得到训练完成的目标兴趣分类模型。
8.根据本公开的另一方面，提供了一种兴趣分类装置，包括：用户获取单元，被配置成获取目标用户；标签确定单元，被配置成基于上述的目标兴趣分类模型，确定目标用户对应的兴趣标签；兴趣分类单元，被配置成按照兴趣标签对目标用户进行兴趣分类。
9.根据本公开的另一方面，提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；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上任意一项兴趣分类模型训练方法或者兴趣分类方法。
10.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上任意一项兴趣分类模型训练方法或者兴趣
分类方法。
11.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上任意一项兴趣分类模型训练方法或者兴趣分类方法。
12.根据本公开的技术，提供一种兴趣分类模型训练方法或者兴趣分类方法，能够提高兴趣分类模型的精准度。
13.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
14.附图用于更好地理解本方案，不构成对本公开的限定。其中：
15.图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
16.图2是根据本公开的兴趣分类模型训练方法的一个实施例的流程图；
17.图3是根据本公开的兴趣分类模型训练方法的一个应用场景的示意图；
18.图4是根据本公开的兴趣分类模型训练方法的另一个实施例的流程图；
19.图5是根据本公开的兴趣分类方法的一个实施例的流程图；
20.图6是根据本公开的兴趣分类模型训练装置的一个实施例的结构示意图；
21.图7是根据本公开的兴趣分类装置的一个实施例的结构示意图；
22.图8是用来实现本公开实施例的兴趣分类模型训练方法或者兴趣分类方法的电子设备的框图。
具体实施方式
23.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
24.需要说明的是，在不冲突的情况下，本公开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公开。
25.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。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。
26.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103中可以获取用于训练兴趣分类模型的正样本用户和未标注用户，并将正样本用户和未标注用户通过网络104发送给服务器105，以使服务器105从正样本用户中确定间谍用户，再基于间谍用户，从未标注用户中确定可靠负样本用户，基于正样本用户和可靠负样本用户，对目标待训练模型进行训练，得到目标兴趣分类模型。之后，终端设备101、102、103可以获取目标兴趣分类模型，并基于目标兴趣分类模型确定各用户的兴趣标签、兴趣分类等信息。
27.终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于手机、电脑、平板等等。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。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
28.服务器105可以是提供各种服务的服务器，例如，服务器105可以接收终端设备101、102、103通过网络104发送的正样本用户和未标注用户，并从正样本用户中确定间谍用户，再基于间谍用户从未标注用户中确定可靠负样本用户，基于正样本用户和可靠负样本用户，对目标待训练模型进行训练，得到目标兴趣分类模型。之后，服务器105可以通过网络104将目标兴趣分类模型发送给终端设备101、102、103。
29.需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105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105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)，也可以实现成单个软件或软件模块。在此不做具体限定。
30.需要说明的是，本公开实施例所提供的兴趣分类模型训练方法或者兴趣分类方法可以由终端设备101、102、103执行，也可以由服务器105执行，兴趣分类模型训练装置或者兴趣分类装置可以设置于终端设备101、102、103，也可以设置于服务器105中，本公开实施例对此不做限定。
31.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。
32.继续参考图2，示出了根据本公开的兴趣分类模型训练方法的一个实施例的流程200。本实施例的兴趣分类模型训练方法，包括以下步骤：
33.步骤201，获取正样本用户和未标注用户，其中，正样本用户为具有兴趣标签的用户，未标注用户为不具有兴趣标签的用户。
34.在本实施例中，执行主体(如图1中的服务器105或者终端设备101、102、103)可以从本地存储或者预先建立连接的电子设备中获取用于模型训练的正样本用户和未标注用户。其中，正样本用户可以为具有兴趣标签的用户，未标注用户可以为不具有兴趣标签的用户。兴趣标签可以为用户所感兴趣的事物对应的标签，例如，兴趣标签可以为“汽车”、“美食”、“旅游”等，本实施例对此不做限定。兴趣标签的种类可以为一种，也可以为至少两种，本实施例对此不做限定。对于兴趣标签的种类为一种的情况，训练得到的兴趣分类模型为二分类模型，即判定用户是否具有特定的兴趣标签，例如，判定用户是否对汽车感兴趣。对于兴趣标签的种类为至少两种的情况，训练得到的兴趣分类模型可以为多分类模型，即判定用户的兴趣标签是什么，例如，判定用户是否具有“汽车”、“美食”、“旅游”等兴趣标签中的至少一个。
35.可选的，执行主体可以预先统计各个用户的历史访问数据，并基于历史访问数据生成各个用户的兴趣标签。具体的，执行主体可以对于每类兴趣标签，确定该类兴趣标签对应的各网站访问数据；其中，网站访问数据包括各个用户访问该兴趣标签对应的网站的频次；基于对各网站访问数据进行分析，对每个用户而言，将该用户频繁访问的网站对应的兴趣标签，确定为该用户的兴趣标签。可以理解，对于每个兴趣标签而言，可以包含具有该兴趣标签的正样本用户，以及包含不具有该兴趣标签的未标注用户。
36.步骤202，从正样本用户中确定间谍用户。
37.在本实施例中，执行主体可以从正样本用户中抽取部分正样本用户，作为间谍用
户。其中，间谍用户用于和未标注用户同时作为负样本进行模型训练，并基于模型训练过程中的模型预测结果，从未标注用户中确定较为可靠的可靠负样本用户。
38.可选的，执行主体可以从正样本用户中随机抽取预设比例的间谍用户，也可以从正样本用户中随机抽取预设数量的间谍用户，本实施例对于具体的抽取方式不做限定。
39.步骤203，基于间谍用户，从未标注用户中确定可靠负样本用户。
40.在本实施例中，执行主体在确定得到间谍用户之后，可以将间谍用户和未标注用户共同作为负样本，进行模型训练。在模型训练的过程中，执行主体可以利用当前训练得到的模型，对未标注用户和间谍用户同时进行兴趣分类的预测。
41.其中，对于兴趣标签的数量为一个的应用场景而言，需要训练的兴趣分类模型输出的预测结果可以为0至1之间的数值，其中，预测结果的数值越接近0，则说明进行预测的用户不具备特定的兴趣标签，预测结果的数值越接近1，则说明进行预测的用户具备特定的兴趣标签。
42.对于间谍用户而言，其实质是属于正样本用户，但在模型训练阶段将其作为负样本进行模型训练，使得间谍用户的预测结果的分数分布能够反映负样本的可靠程度。因此，执行主体可以基于间谍用户的分数分布，确定未标注用户的分数阈值。从而基于该分数阈值和各个未标注用户的实际预测分值，从未标注用户中确定可靠负样本。
43.步骤204，基于正样本用户和可靠负样本用户，对目标待训练模型进行训练，得到训练完成的目标兴趣分类模型。
44.在本实施例中，执行主体可以在得到可靠负样本用户之后，基于正样本用户和可靠负样本用户，对待训练模型进行训练，得到训练完成的目标兴趣分类模型。其中，目标兴趣分类模型能够基于输入的用户信息，输出相对应的兴趣标签信息。
45.具体的，在对目标待训练模型进行训练的过程中，执行主体可以在每轮迭代过程中，利用当前模型对间谍用户和未标注用户进行同时打分，再基于间谍用户的分数分布重新确定分数阈值，基于分数阈值从未标注用户中重新选取新增的可靠负样本用户，基于新增的可靠负样本用户，更新可靠负样本用户，再利用更新后的可靠负样本用户进行模型训练。
46.继续参见图3，其示出了根据本公开的兴趣分类模型训练方法的一个应用场景的示意图。在图3的应用场景中，执行主体可以获取用于训练兴趣分类模型的正样本用户301和未标注用户302，再从正样本用户301中确定间谍用户。之后，执行主体可以将去除间谍用户的正样本用户作为模型训练的正样本303，以及将未标注用户和间谍用户作为模型训练的负样本304，基于正样本303和负样本304进行第一阶段的模型训练。基于第一阶段的模型训练的训练结果，从未标注用户中确定可靠负样本305。其中，对于可靠负样本305的具体方式请参照上述描述，在此不再赘述。在得到可靠负样本305之后，执行主体可以基于上述正样本303和可靠负样本305进行第二阶段的模型训练，得到训练完成的目标兴趣分类模型306。
47.本公开上述实施例提供的兴趣分类模型训练方法，能够获取具有兴趣标签的正样本用户以及不具有兴趣标签的未标注用户，基于从正样本用户中抽取间谍用户，在模型训练过程中基于间谍用户，从未标注用户中确定可靠负样本用户，从而基于正样本用户和可靠负样本用户进行模型训练，能够提高兴趣分类模型的精准度。
48.继续参见图4，其示出了根据本公开的兴趣分类模型训练方法的另一个实施例的流程400。如图4所示，本实施例的兴趣分类模型训练方法可以包括以下步骤：
49.步骤401，获取正样本用户和未标注用户，其中，正样本用户为具有兴趣标签的用户，未标注用户为不具有兴趣标签的用户。
50.在本实施例中，对于步骤401的详细描述请参照对于步骤201的详细描述，在此不再赘述。
51.步骤402，从正样本用户中确定间谍用户。
52.在本实施例中，对于步骤402的详细描述请参照对于步骤202的详细描述，在此不再赘述。
53.步骤403，从正样本用户中去除间谍用户，得到第一正样本用户。
54.在本实施例中，正样本用户的数量为多个，间谍用户的数量为多个，并且间谍用户的数量小于正样本用户的数量。执行主体可以在从正样本用户中抽取间谍用户之后，将去除间谍用户的其他正样本用户，作为第一正样本用户。
55.步骤404，将未标注用户和间谍用户，确定为第一负样本用户。
56.在本实施例中，执行主体可以将未标注用户和间谍用户，作为第一负样本用户。
57.步骤405，基于第一正样本用户和第一负样本用户，对初始待训练模型进行模型训练，得到训练完成的初始兴趣分类模型。
58.在本实施例中，初始待训练模型可以为分类模型。执行主体可以基于第一正样本用户和第一负样本用户，对初始待训练模型进行模型训练，直至模型满足预设的收敛条件，得到训练完成的初始兴趣分类模型。
59.在本实施例的一些可选的实现方式中，还包括：将训练完成的初始兴趣分类模型，确定为目标待训练模型。
60.在本实现方式中，执行主体可以将上述训练完成的初始兴趣分类模型作为目标待训练模型，再基于正样本用户和可靠负样本用户，对初始兴趣分类模型进行进一步的训练，得到目标兴趣分类模型，从而进一步提高兴趣分类模型的精准度。
61.步骤406，基于初始兴趣分类模型，对间谍用户和未标注用户进行打分，得到第一间谍用户打分结果和第一未标注用户打分结果。
62.在本实施例中，执行主体在得到训练完成的初始兴趣分类模型之后，可以利用该初始兴趣分类模型对间谍用户进行打分，得到第一间谍用户打分结果。以及，利用该初始兴趣分类模型对未标注用户进行打分，得到第一未标注用户打分结果。其中，第一间谍用户打分结果可以用于指示间谍用户的兴趣标签预测结果，第一未标注用户打分结果可以用于指示未标注用户的兴趣标签预测结果。
63.步骤407，基于第一间谍用户打分结果和第一未标注用户打分结果，从未标注用户中确定可靠负样本用户。
64.在本实施例中，执行主体可以基于第一间谍用户打分结果和第一未标注用户打分结果，对间谍用户和未标注用户的打分结果进行比较，基于比较结果，从未标注用户中确定可靠负样本用户。
65.在本实施例的一些可选的实现方式中，基于第一间谍用户打分结果和第一未标注用户打分结果，从未标注用户中确定可靠负样本用户，包括：基于第一间谍用户打分结果，
生成分数阈值；基于第一未标注用户打分结果，将分数低于分数阈值的未标注用户确定为可靠负样本用户。
66.在本实现方式中，执行主体可以基于第一间谍用户打分结果，生成分数阈值。可选的，执行主体可以将第一间谍用户打分结果中的最小分数确定为分数阈值，也可以将第一间谍用户打分结果中的25分位对应的分数确定为分数阈值，本实施例对此不做限定。其中，分数阈值可以基于用户需求进行调整。之后，对于每个未标注用户，执行主体可以将该未标注用户的打分分数与分数阈值进行比较，将分数低于分数阈值的未标注用户，确定为可靠负样本用户。
67.步骤408，从正样本用户中去除间谍用户，得到第二正样本用户。
68.在本实施例中，执行主体可以在第二阶段的模型训练时，将去除间谍用户的正样本用户，作为第二阶段的模型训练的正样本用户，即，上述第二正样本用户。
69.步骤409，将可靠负样本用户确定为第二负样本用户。
70.在本实施例中，执行主体可以将上述可靠负样本用户作为第二阶段的模型训练的负样本用户，即，上述第二负样本用户。
71.步骤410，基于第二正样本用户和第二负样本用户，对目标待训练模型进行训练，得到训练完成的目标兴趣分类模型。
72.在本实施例中，执行主体可以基于第二正样本用户和第二负样本用户，对目标待训练模型进行训练，即，对上述初始兴趣分类模型进行训练，得到训练完成的目标兴趣分类模型。
73.在本实施例的一些可选的实现方式中，还包括：在对目标待训练模型进行训练的每轮迭代中，基于目标待训练模型对间谍用户进行打分，得到第二间谍用户打分结果；以及基于目标训练模型对去除可靠负样本用户的未标注用户进行打分，得到第二未标注用户打分结果；基于第二间谍用户打分结果和第二未标注用户打分结果，从去除可靠负样本用户的未标注用户中选取待标注用户；基于待标注用户更新可靠负样本用户。
74.在本实现方式中，执行主体在进行第二阶段的模型训练时，对于每轮迭代，可以利用当前的目标待训练模型，对间谍用户进行打分，得到第二间谍用户打分结果。以及，还可以利用当前的目标待训练模型，对去除可靠负样本用户的未标注用户进行打分，得到第二间谍用户打分结果和第二未标注用户打分结果。之后，基于第二间谍用户打分结果和第二未标注用户打分结果，从去除可靠负样本用户的未标注用户中选取待标注用户。其中，待标注用户为待标注为可靠负样本用户的未标注用户。之后，执行主体可以基于待标注用户更新可靠负样本用户，并基于更新后的可靠负样本用户进行下一轮迭代。
75.可选的，对目标待训练模型进行训练的模型收敛条件可以为上述的待标注用户的数量小于阈值或者模型满足预设的收敛条件。
76.本公开上述实施例提供的兴趣分类模型训练方法，还可以将去除间谍用户的正样本用户作为第一正样本用户，以及将未标注用户和间谍用户作为第一负样本用户，基于第一正样本用户和第一负样本用户，对初始的分类模型进行第一阶段的模型训练。并基于第一阶段的模型训练，基于当前模型对间谍用户和未标注用户的打分结果，从未标注用户中确定可靠负样本用户，从而提高了可靠负样本用户的确定精准度。以及，将可靠负样本用户作为第二负样本用户，将去除间谍用户的正样本用户作为第二正样本用户，基于第二正样
本用户和第二负样本用户，对初始兴趣分类模型进行第二阶段的模型训练，基于两个阶段的模型训练的，得到最终的目标兴趣分类模型，进一步提高了兴趣分类模型的精准度。以及，在第二阶段的模型训练过程中，可以对可靠负样本用户进行实时更新，提高了负样本可靠性，从而提高兴趣分类模型的精准度。
77.继续参考图5，示出了根据本公开的兴趣分类方法的一个实施例的流程500。本实施例的兴趣分类方法，包括以下步骤：
78.步骤501，获取目标用户。
79.在本实施例中，执行主体(如图1中的服务器105或者终端设备101、102、103)可以从本地存储或者预先建立连接的电子设备中获取需要确定兴趣标签的目标用户。
80.步骤502，基于上述目标兴趣分类模型，确定目标用户对应的兴趣标签。
81.在本实施例中，执行主体可以将目标用户的用户信息输入上述兴趣分类模型训练方法训练得到的目标兴趣分类模型，得到目标兴趣分类模型输出的兴趣标签信息。基于对兴趣标签信息进行解析，执行主体可以确定与目标用户对应的兴趣标签。其中，兴趣标签的数量可以为至少一个。
82.步骤503，按照兴趣标签对目标用户进行兴趣分类。
83.在本实施例中，执行主体可以按照兴趣标签，将目标用户划分至指定的兴趣类别，实现目标用户的兴趣分类。可选的，在按照兴趣标签对目标用户进行兴趣分类之后，执行主体还可以基于兴趣分类结果，向该目标用户推送相关内容。另一种可选的，执行主体还可以基于兴趣分类结果，更新该目标用户的用户画像。
84.本公开上述实施例提供的兴趣分类方法，可以使用上述兴趣分类模型训练方法训练得到的目标兴趣分类模型，对目标用户进行兴趣分类，从而提高了兴趣分类的精准度。
85.进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种兴趣分类模型训练装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于终端设备、服务器等电子设备中。
86.如图6所示，本实施例的兴趣分类模型训练装置600包括样本获取单元601、间谍确定单元602、负样本确定单元603以及模型训练单元604。
87.样本获取单元601，被配置成获取正样本用户和未标注用户，其中，正样本用户为具有兴趣标签的用户，未标注用户为不具有兴趣标签的用户。
88.间谍确定单元602，被配置成从正样本用户中确定间谍用户。
89.负样本确定单元603，被配置成基于间谍用户，从未标注用户中确定可靠负样本用户。
90.模型训练单元604，被配置成基于正样本用户和可靠负样本用户，对目标待训练模型进行训练，得到训练完成的目标兴趣分类模型。
91.在本实施例的一些可选的实现方式中，负样本确定单元603进一步被配置成：从正样本用户中去除间谍用户，得到第一正样本用户；将未标注用户和间谍用户，确定为第一负样本用户；基于第一正样本用户和第一负样本用户，对初始待训练模型进行模型训练，得到训练完成的初始兴趣分类模型；基于初始兴趣分类模型，对间谍用户和未标注用户进行打分，得到第一间谍用户打分结果和第一未标注用户打分结果；基于第一间谍用户打分结果和第一未标注用户打分结果，从未标注用户中确定可靠负样本用户。
92.在本实施例的一些可选的实现方式中，负样本确定单元603进一步被配置成：基于第一间谍用户打分结果，生成分数阈值；基于第一未标注用户打分结果，将分数低于分数阈值的未标注用户确定为可靠负样本用户。
93.在本实施例的一些可选的实现方式中，还包括：模型确定单元，被配置成将训练完成的初始兴趣分类模型，确定为目标待训练模型。
94.在本实施例的一些可选的实现方式中，模型训练单元604进一步被配置成：从正样本用户中去除间谍用户，得到第二正样本用户；将可靠负样本用户确定为第二负样本用户；基于第二正样本用户和第二负样本用户，对目标待训练模型进行训练，得到训练完成的目标兴趣分类模型。
95.在本实施例的一些可选的实现方式中，模型训练单元604进一步被配置成：在对目标待训练模型进行训练的每轮迭代中，基于目标待训练模型对间谍用户进行打分，得到第二间谍用户打分结果；以及基于目标训练模型对去除可靠负样本用户的未标注用户进行打分，得到第二未标注用户打分结果；基于第二间谍用户打分结果和第二未标注用户打分结果，从去除可靠负样本用户的未标注用户中选取待标注用户；基于待标注用户更新可靠负样本用户。
96.应当理解，兴趣分类模型训练装置600中记载的单元601至单元604分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对兴趣分类模型训练方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。
97.进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种兴趣分类装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于终端设备、服务器等电子设备中。
98.如图7所示，本实施例的兴趣分类装置700包括：用户获取单元701、标签确定单元702和兴趣分类单元703。
99.用户获取单元701，被配置成获取目标用户。
100.标签确定单元702，被配置成基于上述的目标兴趣分类模型，确定目标用户对应的兴趣标签。
101.兴趣分类单元703，被配置成按照兴趣标签对目标用户进行兴趣分类。
102.应当理解，兴趣分类装置700中记载的单元701至单元703分别与参考图5中描述的方法中的各个步骤相对应。由此，上文针对兴趣分类方法描述的操作和特征同样适用于装置700及其中包含的单元，在此不再赘述。
103.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
104.图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
105.如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中
的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
106.设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
107.计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如兴趣分类模型训练方法或者兴趣分类方法。例如，在一些实施例中，兴趣分类模型训练方法或者兴趣分类方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的兴趣分类模型训练方法或者兴趣分类方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行兴趣分类模型训练方法或者兴趣分类方法。
108.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
109.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
110.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或
上述内容的任何合适组合。
111.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
112.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
113.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
114.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
115.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。