[发明专利]用户特征的确定方法和装置、存储介质及电子设备

权利要求书

1.一种用户特征的确定方法，其特征在于，包括：

获取一组第一训练样本、一组第二训练样本以及一组实际操作信息，其中，每个所述第一训练样本包括样本用户的属性信息，每个所述第二训练样本包括一个样本媒体资源的属性信息，每个所述实际操作信息用于表示所述样本用户对对应的一个样本媒体资源的实际操作；

使用所述一组第一训练样本、所述一组第二训练样本以及所述一组实际操作信息对双训练神经网络模型中的第一训练神经网络模型和第二训练神经网络模型进行训练，得到对应的第一目标神经网络模型和第二目标神经网络模型，其中，所述第一训练神经网络模型用于根据输入的所述第一训练样本输出所述样本用户的训练用户表征向量，所述第二训练神经网络模型用于根据输入的所述第二训练样本输出所述样本媒体资源的训练资源表征向量，所述一组实际操作信息、所述训练用户表征向量和所述训练资源表征向量用于对所述第一训练神经网络模型和所述第二训练神经网络模型进行调整；

将目标用户的目标属性信息输入到所述第一目标神经网络模型，得到所述第一目标神经网络模型输出的所述目标用户的目标用户表征向量，其中，所述目标用户表征向量用于对所述目标用户与预设的媒体资源进行匹配。

2.根据权利要求1所述的方法，其特征在于，所述使用所述一组第一训练样本、所述一组第二训练样本以及所述一组实际操作信息对双训练神经网络模型中的第一训练神经网络模型和第二训练神经网络模型进行训练，得到对应的第一目标神经网络模型和第二目标神经网络模型，包括：

将所述一组第一训练样本中当前的第一训练样本输入到所述第一训练神经网络模型中，得到所述第一训练神经网络模型输出的所述样本用户的第一训练用户表征向量，将所述一组第二训练样本中当前的第二训练样本输入到所述第二训练神经网络模型中，得到所述第二训练神经网络模型输出的第一样本媒体资源的第二训练资源表征向量，其中，所述当前的第一训练样本包括所述样本用户的当前属性信息，所述当前的第二训练样本包括所述第一样本媒体资源的当前属性信息；

对所述第一训练表征向量与所述第二训练表征向量进行匹配，得到第一预测操作信息，其中，所述第一预测操作信息用于表示所述样本用户对所述第一样本媒体资源的预测操作；

在所述第一预测操作信息与所述一组实际操作信息中对应的第一实际操作信息不满足预设的损失条件的情况下，对所述双训练神经网络模型中的所述第一训练神经网络模型和所述第二训练神经网络模型进行调整。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

在所述第一预测操作信息与所述一组实际操作信息中对应的第一实际操作信息满足所述损失条件的情况下，结束对所述双训练神经网络模型中的所述第一训练神经网络模型和所述第二训练神经网络模型进行的训练，其中，结束训练时的所述第一训练神经网络模型为所述第一目标神经网络模型，结束训练时的所述第二训练神经网络模型为所述第二目标神经网络模型。

4.根据权利要求2所述的方法，其特征在于，所述将所述一组第一训练样本中当前的第一训练样本输入到所述第一训练神经网络模型中，得到所述第一训练神经网络模型输出的所述样本用户的第一训练用户表征向量，包括：

根据所述当前的第一训练样本中的序列型数据、离散型数据和连续型数据，获取所述样本用户的第一序列型特征、第一离散型特征和第一连续型特征；

将所述第一序列型特征转换为第一序列向量，并将所述第一离散型特征转换为第一离散向量；

对所述第一序列向量进行序列信息抽取，得到序列表征特征；

对所述第一离散向量进行特征交叉，得到第一交叉表征特征；

根据所述序列表征特征、所述第一交叉表征特征和所述第一连续型特征，确定所述第一训练用户表征向量。

5.根据权利要求4所述的方法，其特征在于，所述根据所述序列表征特征、所述第一交叉表征特征和所述第一连续型特征，确定所述第一训练用户表征向量，包括：

将所述序列表征特征、所述第一交叉表征特征和所述第一连续型特征进行拼接，得到第一拼接特征；

将所述第一拼接特征输入到第一全连接层，得到所述第一全连接层输出的所述第一训练用户特征向量。