[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

说明书

本发明公开了一种用户特征的确定方法和装置、存储介质及电子设备。其中，该方法包括：通过两组训练样本分别训练双训练神经网络模型中的用户的训练神经网络模型和媒体资源的神经网络模型，得到用户的目标神经网络模型和媒体资源的目标神经网络模型，通过用户的目标神经网络模型得到用于对目标用户与预设的媒体资源进行匹配的用户表征向量的目的，从而实现了根据用户的神经网络模型得到用于对目标用户与预设的媒体资源进行匹配的用户表征向量的技术效果，进而解决了由于用户特征信息挖掘不足，导致媒体资源推送精准度不高的技术问题。

技术领域

本发明涉及数据处理领域，具体而言，涉及一种用户特征的确定方法和装置、存储介质及电子设备。

背景技术

随着大数据的兴起，人们可以接收各个平台推送的各类媒体资源的，但媒体推送资源向用户推送媒体资源时，一般是根据用户的相关数据，为用户标记标签，根据用户标签推送对应的媒体资源。其中，用户标记标签通常是根据用户信息进行确定的，例如，分析用户最近一段时间内经常浏览的网页或点击的视频，确定出用户的标签信息。即分析出用户与那些物品或媒体资源关联性较大，进行向用户推送该物品的媒体资源。如，推送该物品的广告信息。

现有技术中，通过一个矩阵分解模型，只需要一个用户对物品的评分矩阵。针对不同的优化目标，曝光点击/点击转化的评分为1，曝光未点击/点击未转化的评分为0，生成用户对物品的评分矩阵。矩阵分解尝试使用K-因子模型找到User矩阵和Item矩阵，User矩阵的每一行即为用户的表征向量，Item矩阵的每一列即为物品的表征向量。这种做法，只使用的用户对物品的评分矩阵，效果不是很好，而且随着数据量增加以及分解的矩阵维度增加，模型耗时会快速增加。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种用户特征的确定方法和装置、存储介质及电子设备，以至少解决现有技术中，由于用户特征信息挖掘不足，导致媒体资源推送精准度低的技术问题。

根据本发明实施例的一个方面，提供了一种用户特征的确定方法，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。