[发明专利]用于输出信息的方法和装置

权利要求书

1.一种用于输出信息的方法，包括：

获取目标用户的历史行为信息序列；

对所述目标用户的历史行为信息序列进行特征提取，得到所述目标用户的历史行为特征序列；

将所述历史行为特征序列输入预先训练的递归神经网络，得到所述目标用户的未来行为信息，其中，所述递归神经网络用于表征历史行为特征序列与未来行为信息之间的对应关系；

输出所述目标用户的未来行为信息。

2.根据权利要求1所述的方法，所述预先训练的递归神经网络包括：输入层、至少两个隐藏层和输出层，所述至少两个隐藏层包括普通隐层和栈式隐层，栈式隐层是接收所述预先训练的递归神经网络的上一时刻的隐藏层的输出作为输入的层，普通隐层是所述至少一个隐藏层中除栈式隐藏层之外的其他隐藏层，所述输出层用于将所述预先训练的递归神经网络的最后一个隐藏层的输出映射到行为信息空间。

3.根据权利要求2所述的方法，其中，所述预先训练的递归神经网络是通过如下第一训练步骤得到的：

确定初始递归神经网络的网络结构以及初始化所述初始递归神经网络的网络参数；

获取第一训练样本集，其中，第一训练样本包括样本历史行为信息序列和标注未来行为信息；

对于所述第一训练样本集中的第一训练样本，对该第一训练样本中的样本历史行为信息序列进行特征提取，得到样本历史行为特征序列，将所得到的样本历史行为特征序列和该第一训练样本中的标注未来行为信息分别作为所述初始递归神经网络的输入和期望输出，利用监督学习方法训练所述初始递归神经网络；

将训练得到的所述初始递归神经网络确定为所述预先训练的递归神经网络。

4.根据权利要求3所述的方法，其中，在将训练得到的所述初始递归神经网络确定为所述预先训练的递归神经网络之前，所述第一训练步骤还包括：

确定相似度计算模型的模型结构以及初始化所述相似度计算模型的模型参数；

获取第二训练样本集，其中，第二训练样本包括第一样本用户历史行为信息序列、第二样本用户历史行为信息序列和标注相似度，其中，标注相似度用于表征第一样本用户的标注未来行为信息与第二样本用户的标注未来行为信息之间的相似度；

对于所述第二训练样本集中的第二训练样本，执行以下调参步骤：分别对该第二训练样本中的第一样本用户历史行为信息序列和第二样本用户历史行为信息序列进行特征提取，得到第一样本用户历史行为特征序列和第二样本用户历史行为特征序列；分别将所得到的第一样本用户历史行为特征序列和第二样本用户历史行为特征序列输入所述初始递归神经网络；将第一样本用户未来行为特征和第二样本用户未来行为特征输入所述相似度计算模型，得到特征相似度，其中，所述第一样本用户未来行为特征和所述第二样本用户未来行为特征分别是将所得到的第一样本用户历史行为特征序列和第二样本用户历史行为特征序列输入所述初始递归神经网络后，所述初始递归神经网络中排序最后的隐藏层的输出；基于所得到的特征相似度与该第二训练样本中的标注相似度之间的差异，调整所述初始递归神经网络的网络参数和所述相似度计算模型的模型参数。

5.根据权利要求1-4中任一所述的方法，其中，所述对所述目标用户的历史行为信息序列进行特征提取，得到所述目标用户的历史行为特征序列，包括：

将所述目标用户的历史行为信息序列中的历史行为信息输入预先训练的卷积神经网络，得到所述目标用户的历史行为特征序列。

6.根据权利要求4所述的方法，其中，所述相似度计算模型为神经网络。

7.根据权利要求6所述的方法，其中，所述相似度模型为全连接网络。