用户间通信的建立方法、装置和计算机可读存储介质与流程

本公开涉及计算机技术领域，特别涉及一种用户间通信的建立方法、用户间通信的建立装置和计算机可读存储介质。

背景技术：

随着大数据和互联网的发展，用户不但可以基于服务平台系统获取想要的资源数据，还可以实现与其他用户之间的交互。

例如，服务平台系统可以是云计算系统，相应的资源数据可以是计算资源、存储资源等；服务平台系统可以是通信系统，相应的资源数据可以是流量资源、带宽资源等；服务平台系统可以是电商系统，相应的资源数据可以是各种物品资源、服务资源等。

在相关技术中，用户基于服务平台系统浏览想要的资源数据时，可以将已经获取该资源数据的用户的预留离线信息作为参考信息，从而实现与不同用户之间的交互。

技术实现要素：

本公开的发明人发现上述相关技术中存在如下问题：这种通过离线交流获取参考信息的交互方式，信息传递滞后且参考价值不稳定，从而导致用户间信息交互的效果差。

鉴于此，本公开提出了一种用户间通信的建立技术方案，能够提高用户间信息交互的效果。

根据本公开的一些实施例，提供了一种用户间通信的建立方法，包括：响应于当前用户浏览资源数据，将已经获取资源数据的用户确定为候选用户；根据提取的各候选用户的用户特征数据，利用机器学习模型，确定各候选用户与当前用户的匹配程度；根据匹配程度，在候选用户中确定当前用户的匹配用户；建立当前用户与匹配用户之间的通信连接，以便当前用户与匹配用户针对资源数据进行信息交互。

在一些实施例中，机器学习模型为深度因子分解机模型，深度因子分解机模型包括嵌入层和因子分解层，因子分解层的一阶项和二阶项均根据嵌入层的输出确定。

在一些实施例中，机器学习模型通过以下步骤训练：利用机器学习模型通过正向传播方式，确定训练数据的处理结果；根据处理结果与训练数据的标注结果的差异，通过反向传播的方式更新机器学习模型的相关参数；重复上述训练步骤，直到差异小于差异阈值或者直到重复次数达到次数阈值。

在一些实施例中，用户特征数据包括各候选用户的资源数据偏好特征、位置信息、信用信息、活跃程度，以及各候选用户获取资源数据的时间信息中的一项或多项。

在一些实施例中，候选用户的位置信息与当前用户的位置信息越接近，该候选用户与当前用户的匹配程度越高；候选用户获取资源数据的时间与当前用户浏览资源数据的时间越接近，该候选用户与当前用户的匹配程度越高。

在一些实施例中，根据匹配程度，在候选用户中确定当前用户的匹配用户包括：利用机器学习模型对各候选用户的匹配程度进行排序，将匹配程度最高的候选用户确定为匹配用户。

在一些实施例中，该方法还包括：在当前用户根据信息交互确认获取资源数据的情况下，向匹配用户下发相应数量的通证反馈。

根据本公开的另一些实施例，提供一种用户间通信的建立装置，包括：候选用户确定单元，用于响应于当前用户浏览资源数据，将已经获取资源数据的用户确定为候选用户；匹配程度确定单元，用于根据提取的各候选用户的用户特征数据，利用机器学习模型，确定各候选用户与当前用户的匹配程度；匹配用户确定单元，用于根据匹配程度，在候选用户中确定当前用户的匹配用户；通信建立单元，用于建立当前用户与匹配用户之间的通信连接，以便当前用户与匹配用户针对资源数据进行信息交互。

在一些实施例中，机器学习模型为深度因子分解机模型，深度因子分解机模型包括嵌入层和因子分解层，因子分解层的一阶项和二阶项均根据嵌入层的输出确定。

在一些实施例中，机器学习模型通过以下步骤训练：利用机器学习模型通过正向传播方式，确定训练数据的处理结果；根据处理结果与训练数据的标注结果的差异，通过反向传播的方式更新机器学习模型的相关参数；重复上述训练步骤，直到差异小于差异阈值或者直到重复次数达到次数阈值。

在一些实施例中，用户特征数据包括各候选用户的资源数据偏好特征、位置信息、信用信息、活跃程度，以及各候选用户获取资源数据的时间信息中的一项或多项。

在一些实施例中，候选用户的位置信息与当前用户的位置信息越接近，该候选用户与当前用户的匹配程度越高；候选用户获取资源数据的时间与当前用户浏览资源数据的时间越接近，该候选用户与当前用户的匹配程度越高。

在一些实施例中，匹配用户确定单元利用机器学习模型对各候选用户的匹配程度进行排序，将匹配程度最高的候选用户确定为匹配用户。

在一些实施例中，该装置还包括发送单元，用于在当前用户根据信息交互确认获取资源数据的情况下，向匹配用户下发相应数量的通证反馈。

根据本公开的又一些实施例，提供一种用户间通信的建立装置，包括：存储器；和耦接至存储器的处理器，处理器被配置为基于存储在存储器装置中的指令，执行上述任一个实施例中的用户间通信的建立方法。

根据本公开的再一些实施例，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一个实施例中的用户间通信的建立方法。

在上述实施例中，将已经获取当前用户浏览的资源数据的用户确定为候选用户，并将候选用户与当前用户的匹配程度，作为筛选当前用户的信息交互对象的依据。这样，在充分挖掘用户之间关联关系的基础上，为用户之间建立了及时的信息交互通道，从而提高了用户间信息交互的效果。

附图说明

构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本公开：

图1示出本公开的用户间通信的建立方法的一些实施例的流程图；

图2示出图1的步骤120的一些实施例的流程图；

图3示出本公开的用户间通信的建立装置的一些实施例的示意图；

图4示出本公开的用户间通信的建立装置的另一些实施例的示意图；

图5示出本公开的机器学习模型训练方法的一些实施例的流程图；

图6示出本公开的用户间通信的建立装置的一些实施例的框图；

图7示出本公开的用户间通信的建立装置的另一些实施例的框图；

图8示出本公开的用户间通信的建立装置的又一些实施例的框图。

具体实施方式

现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

如前所述，用户之间的离线交流大都通过预留的评论信息完成，这就导致当前用户的提问不能得到及时的回复。

针对上述问题，本公开应用deepfm(deepfactorizationmachine，深度因子分解机)算法，为浏览资源数据的用户从已获取资源数据的用户池中筛选可实时交流的对象。这样，可以帮助浏览资源数据的用户更快地从已获取资源数据的用户那里了解资源数据的信息。

在一些实施例中，如果已获取资源数据的用户使得浏览资源数据的用户确定获取该资源数据，还可以向已获取资源数据的用户提供通证反馈。

在一些实施例中，可以应用深度学习技术对已获取资源数据的用户排序。深度学习多隐层的网络具有优异的特征学习能力。用户和资源数据的嵌入式特征输入到深度学习模型后，每个维度都有独立的embeddig空间。在高阶特征和低阶特征提取过程共享embedding，可以训练出较高质量的排序模型。例如，可以通过下面的各实施例实现本公开的技术方案。

图1示出本公开的用户间通信的建立方法的一些实施例的流程图。

如图1所示，该方法包括：步骤110，确定候选用户；步骤120，确定匹配程度；步骤130，确定匹配用户；和步骤140，建立通信连接。

在步骤110中，响应于当前用户浏览资源数据，将已经获取资源数据的用户确定为候选用户。

例如，用户在云计算系统上，浏览想要获取的计算资源、存储资源等；或者用户在通信系统上，浏览想要获取的流量资源、带宽资源等；或者用户在电商系统上，浏览想要获取的各种物品资源、服务资源等。

在步骤120中，根据提取的各候选用户的用户特征数据，利用机器学习模型，确定各候选用户与当前用户的匹配程度。例如，可以根据将各候选用户的用户特征数据和当前用户的用户特征数据，利用机器学习模型，确定各候选用户与当前用户的匹配程度。

在一些实施例中，当前用户的用户特征数据包括当前用户的资源数据偏好特征、位置信息、浏览资源数据的时间信息中的一项或多项。

在一些实施例中，候选用户的用户特征数据包括各候选用户的资源数据偏好特征、位置信息、信用信息、活跃程度，以及各候选用户获取资源数据的时间信息中的一项或多项。

例如，候选用户的位置信息与当前用户的位置信息越接近，该候选用户与当前用户的匹配程度越高；候选用户获取资源数据的时间与当前用户浏览所述资源数据的时间越接近，该候选用户与当前用户的匹配程度越高。

例如，候选用户的信用信息越高，匹配程度越高；候选用户的活跃程度越高，匹配程度越高。

在一些实施例中，可以根据候选用户的历史数据，利用机器学习方法提取候选用户的资源数据偏好特征；也可以根据当前用户的历史数据，利用机器学习方法提取当前用户的资源数据偏好特征。

在一些实施例中，可以将候选用户的资源数据偏好特征、当前用户的资源数据偏好特征都作为机器学习算法的输入，以确定匹配程度。

在一些实施例中，可以根据候选用户的历史数据，确定候选用户的位置信息、获取资源数据的时间信息；也可以确定当前用户的位置信息、浏览资源数据的时间信息。

在一些实施例中，可以将选用户的位置信息、获取资源数据的时间信息、当前用户的位置信息、浏览资源数据的时间信息都作为机器学习算法的输入，以确定匹配程度。

在一些实施例中，机器学习模型通过以下步骤训练：利用机器学习模型通过正向传播方式，确定训练数据的处理结果；根据处理结果与训练数据的标注结果的差异，通过反向传播的方式更新机器学习模型的相关参数；重复上述训练步骤，直到差异小于差异阈值或者直到重复次数达到次数阈值。

在一些实施例中，机器学习模型为deepfm模型，包括嵌入层、因子分解层、深度神经网络层。例如，可以通过图2中的实施例执行步骤120。

图2示出图1的步骤120的一些实施例的流程图。

如图2所示，步骤120包括：步骤1210，确定第一特征；步骤1220，确定第二特征；和步骤1230，确定匹配程度。

在步骤1210中，根据嵌入(embedding)层的输出，利用因子分解层，确定各候选用户的第一特征(低阶特征)。

在一些实施例中，根据嵌入层的输出，确定因子分解层的一阶项和二阶项；根据一阶项和二阶项，利用因子分解层确定各候选用户的第一特征。

在步骤1220中，根据嵌入层的输出，利用深度神经网络(deepneuralnetworks，dnn)层，确定所述各候选用户的第二特征(高阶特征)。

在步骤1230中，根据第一特征和第二特征，确定匹配程度。

在确定了匹配程度之后，可以通过图1中的其余步骤建立用户间的通信连接。

在步骤130中，根据匹配程度，在候选用户中确定当前用户的匹配用户。例如，利用机器学习模型对各候选用户的匹配程度进行排序，将匹配程度最高的候选用户确定为匹配用户。

在步骤140中，建立当前用户与匹配用户之间的通信连接，以便当前用户与匹配用户针对资源数据进行信息交互。

在一些实施例中，在当前用户根据信息交互确认获取资源数据的情况下，向匹配用户下发相应数量的通证反馈。例如，通证反馈可以是服务平台系统提供的各种资源数据。

图3示出本公开的用户间通信的建立装置的一些实施例的示意图。

如图3所示，当前用户可以通过客户端登录服务平台系统，浏览获取想要的资源数据；建立装置(如通过候选用户确定单元)可以从服务平台系统获取已获取资源数据的用户池(各候选用户)；建立装置(如通过匹配程度确定单元)挖掘用户池中各用户的用户特征数据；建立装置建立排序模型用于基于用户池中各用户的匹配程度进行排序。

在一些实施例中，建立装置可以通过服务调用模型，利用服务器(可以包括匹配程度确定单元、匹配用户确定单元)建立排序模型。

在一些实施例中，建立装置可以根据排序模型的输出，控制服务平台系统弹出提示信息，用于将匹配用户实时推荐给当前用户；匹配用户和当前用户的交流过程中，如果当前用户确定获取资源数据，可以向该匹配用户下发服务平台系统的通证反馈。

在一些实施例中，服务器可以包括获取模块、处理模块、分析模块、控制模块、计算模块、预警模块。

例如，获取模块用于获取服务平台系统的资源数据、用户等维度的相关数据(如用户特征数据等)；处理模块可以对相关数据进行归一化、去异常值等预处理操作；分析模块根据候选用户获取资源数据的时间、活跃度进行筛选。

控制模块对用户的交互意向进行挖掘，获得平台高潜质用户；计算模块根据服务器存储的模型特征数据，计算匹配程度排序；预警模块对服务器进行监控，如业务出现没数据或延时等操作，给相关人员发出警告短信。

图4示出本公开的用户间通信的建立装置的另一些实施例的示意图。

如图4所示，建立装置可以由4个模块组成：业务背景模块(可以包括候选用户确定单元)、特征工程模块(可以包括匹配程度确定单元)、deepfm模型(可以包括匹配程度确定单元和匹配用户确定单元)和上线应用模块(可以包括通信建立单元)。

在一些实施例中，业务背景模块可以具有确定用户需求功能。例如，用户在浏览资源数据的时候，一般都是先在服务平台系统浏览多种资源数据。用户一方面根据自己的需求挑选资源数据，另一方面需要参考已获取该资源数据的用户的建议。因此，本公开可以为为浏览用户和已获取该资源数据的用户搭建实时通信连接。

在一些实施例中，业务背景模块可以具有挖掘候选用户的功能。例如，对于在服务平台系统上获取资源数据的用户，可以从获取时间、用户信用等级、用户可靠度等多个维度对用户进行深入挖掘。

在一些实施例中，业务背景模块可以具有智能提示功能。例如，本公开应用人工智能算法，对候选用户进行匹配程度排序。针对当前用户，可以按照排序推荐最匹配的候选用户与当前用户交流。可以弹出提示信息“某用户刚获取该资源数据，推荐你们认识，可以交流任何体验”。

在一些实施例中，业务背景模块可以具有用户实时交互功能。例如，在智能提示的引导下，被推荐交流的用户之间实时交流，候选用户可以从多个角度指点当前用户挑选资源数据。如果当前用户确认获取资源数据，候选用户可以获得服务平台系统的通证反馈。

在一些实施例中，特征工程模块可以具有候选用户评估功能。例如，服务平台系统可以对候选用户的信用等级做严格监控。在当前用户反馈候选用户存在非正常行为的情况下，特征工程模块可以进行综合评估后，将候选用户拉入黑名单，不再建立该候选用户的通信连接。

在一些实施例中，特征工程模块可以具有获取时间信息功能。例如，针对多个候选用户，可以将用户获取资源数据的时间作为重要特征加入模型。获取资源数据的时间离当前用户的浏览时间越近，交流越及时，匹配程度越高。

在一些实施例中，特征工程模块可以具有获取用户所在位置功能。例如，针对多个候选用户，可以将将用户所在地区作为重要特征加入模型。因为，同地区的用户更容易产生交互共鸣，匹配程度越高。

在一些实施例中，特征工程模块可以具有获取用户偏好特征的功能。例如，针对多个候选用户，可以将用户的偏好特征作为重要特征加入模型。因为，相同偏好特征的用户更容易交流，匹配程度越高。

在一些实施例中，deepfm模型可以具有embedding层，用于把用户输入的原始特征(如用户特征数据)映射到一个低维、稠密的向量。

deepfm模型可以具有fm层，用于在embedding层的基础上提取用户的低阶特征。fm层偏向学习历史数据的样本，直接与用户已经采取的获取行为有关。

deepfm模型可以具有dnn层，用于在embedding层的基础上提取用户的高阶特征(抽象特征)。dnn层对以前没有出现过的特征具有比较好的泛化能力，使得模型鲁棒性更好。

deepfm模型可以具有联合训练模块，用于将用户的低阶特征、高阶特征输入到激活函数或损失函数中，通过反向传播方式更新网络的参数。例如，可以通过图5中的实施例实现该方案。

图5示出本公开的机器学习模型训练方法的一些实施例的流程图。

如图5所示，可以通过反向传播实现迭代训练。

在步骤510中，初始化训练次数。例如，可以初始化训练次数为0。

在步骤520中，在每次迭代的开始，选取一部分训练数据作为处理对象。选取的训练数据为一个当前batch。

在步骤530中，将当前batch的训练数据通过前向传播算法得到神经网络模型的预测值(处理结果)。

在步骤540中，基于真实值(训练数据标注结果)和预测值的误差，通过反向传播不断更新网络参数。

在一些实施例中，可以使得fm层的一阶项和二阶项共享embedding层的输出。这样，可以提升训练速度，节省参数存储空间，从而提升了模型效果。

在一些实施例中，图4中的上线应用模块具有用户线上交流功能。例如，可以通过服务平台系统将基于本公开的建立方法的模型部署上线，使得用户之间可以针对资源数据进行交流。

在一些实施例中，上线应用模块具有通证下发功能。例如，对于帮助服务平台系统成功推销资源数据的候选用户，可以在线上下发通证反馈。

在一些实施例中，上线应用模块具有增加平台流量功能。例如，用户之间相互推荐资源数据，可以为服务平台系统引入更多的点击量。也可以为电商平台引入更多的订单量

在一些实施例中，上线应用模块具有线上用户匹配功能，用户在服务平台系统进行浏览资源数据的时候，通过深度学习算法借助智能提示功能为其推荐以获取资源数据的匹配用户。用户之间可以在线上进行相互交流。

在上述实施例中，将已经获取当前用户浏览的资源数据的用户确定为候选用户，并将候选用户与当前用户的匹配程度，作为筛选当前用户的信息交互对象的依据。这样，在充分挖掘用户之间关联关系的基础上，为用户之间建立了及时的信息交互通道，从而提高了用户间信息交互的效果。

图6示出本公开的用户间通信的建立装置的一些实施例的框图。

如图6所示，用户间通信的建立装置6包括候选用户确定单元61、匹配程度确定单元62、匹配用户确定单元63和通信建立单元64。

候选用户确定单元61响应于当前用户浏览资源数据，将已经获取资源数据的用户确定为候选用户。

在一些实施例中，用户特征数据包括各候选用户的资源数据偏好特征、位置信息、信用信息、活跃程度，以及各候选用户获取资源数据的时间信息中的一项或多项。

在一些实施例中，候选用户的位置信息与当前用户的位置信息越接近，该候选用户与当前用户的匹配程度越高；候选用户获取资源数据的时间与当前用户浏览资源数据的时间越接近，该候选用户与当前用户的匹配程度越高。

匹配程度确定单元62根据提取的各候选用户的用户特征数据，利用机器学习模型，确定各候选用户与当前用户的匹配程度。

在一些实施例中，机器学习模型为深度因子分解机模型，深度因子分解机模型包括嵌入层和因子分解层，因子分解层的一阶项和二阶项均根据嵌入层的输出确定。

在一些实施例中，机器学习模型通过以下步骤训练：利用机器学习模型通过正向传播方式，确定训练数据的处理结果；根据处理结果与训练数据的标注结果的差异，通过反向传播的方式更新机器学习模型的相关参数；重复上述训练步骤，直到差异小于差异阈值或者直到重复次数达到次数阈值。

匹配用户确定单元63根据匹配程度，在候选用户中确定当前用户的匹配用户。

在一些实施例中，匹配用户确定单元63利用机器学习模型对各候选用户的匹配程度进行排序，将匹配程度最高的候选用户确定为匹配用户。

通信建立单元64建立当前用户与匹配用户之间的通信连接，以便当前用户与匹配用户针对资源数据进行信息交互。

在一些实施例中，建立装置6还包括发送单元65，用于在当前用户根据信息交互确认获取资源数据的情况下，向匹配用户下发相应数量的通证反馈。

图7示出本公开的用户间通信的建立装置的另一些实施例的框图。

如图7所示，该实施例的用户间通信的建立装置7包括：存储器71以及耦接至该存储器71的处理器72，处理器72被配置为基于存储在存储器71中的指令，执行本公开中任意一个实施例中的用户间通信的建立方法。

其中，存储器71例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序、数据库以及其他程序等。

图8示出本公开的用户间通信的建立装置的又一些实施例的框图。

如图8所示，该实施例的用户间通信的建立装置8包括：存储器810以及耦接至该存储器810的处理器820，处理器820被配置为基于存储在存储器810中的指令，执行前述任意一个实施例中的用户间通信的建立方法。

存储器810例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序以及其他程序等。

用户间通信的建立装置8还可以包括输入输出接口830、网络接口840、存储接口850等。这些接口830、840、850以及存储器810和处理器820之间例如可以通过总线860连接。其中，输入输出接口830为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口840为各种联网设备提供连接接口。存储接口850为sd卡、u盘等外置存储设备提供连接接口。

本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质上实施的计算机程序产品的形式。

至此，已经详细描述了根据本公开的用户间通信的建立方法、用户间通信的建立装置和计算机可读存储介质。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。

虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。