CN112348587A - 信息推送方法、装置和电子设备 - Google Patents

Abstract

本公开实施例公开了信息推送方法、装置和电子设备。该方法的一具体实施方式包括：获取用户的用户特征；将用户特征输入预先训练的目标神经网络中，得到用户的分数；确定分数是否大于预设的分数阈值，其中，分数阈值与目标神经网络相关联，分数阈值是基于预设的用户占比和目标函数所确定出的；若是，则向用户的用户终端推送待推送信息。该实施方式可以使得分数阈值设置的更加合理，提高了信息推送的精确性。

Description

信息推送方法、装置和电子设备

技术领域

本公开实施例涉及计算机技术领域，具体涉及信息推送方法、装置和电子设备。

背景技术

目前，广告主在对广告进行投放时通常会根据用户的地域和性别选择投放任务，但是随着广告主对广告效果优化的逐渐深入，仅根据用户的地域和性别选择投放任务已经不能满足广告主的需求。因此，如何根据预定的优化目标对广告主的广告进行定向投放是一个亟待解决的问题。

发明内容

提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开实施例提供了一种信息推送方法、装置和电子设备，可以设置目标神经网络对应的分数阈值，从而使得分数阈值设置的更加合理，提高了信息推送的精确性。

第一方面，本公开实施例提供了一种信息推送方法，该方法包括：获取用户的用户特征；将用户特征输入预先训练的目标神经网络中，得到用户的分数；确定分数是否大于预设的分数阈值，其中，分数阈值与目标神经网络相关联，分数阈值是基于预设的用户占比和目标函数所确定出的；若是，则向用户的用户终端推送待推送信息。

第二方面，本公开实施例提供了一种信息推送装置，包括：第一获取单元，用于获取用户的用户特征；输入单元，用于将用户特征输入预先训练的目标神经网络中，得到用户的分数；确定单元，用于确定分数是否大于预设的分数阈值，其中，分数阈值与目标神经网络相关联，分数阈值是基于预设的用户占比和目标函数所确定出的；推送单元，用于若分数大于分数阈值，则向用户的用户终端推送待推送信息。

第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，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第一方面的信息推送方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的信息推送方法的步骤。

本公开实施例提供的信息推送方法、装置和电子设备，通过首先获取用户的用户特征；之后，将上述用户特征输入预先训练的目标神经网络中，得到上述用户的分数；而后，确定上述分数是否大于预设的分数阈值，若是，则向上述用户的用户终端推送待推送信息。其中，上述分数阈值与上述目标神经网络相关联，上述分数阈值是基于预设的用户占比和目标函数所确定出的。通过这种方式，可以设置目标神经网络对应的分数阈值，从而使得分数阈值设置的更加合理，提高了信息推送的精确性。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是本公开的各个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的信息推送方法的一个实施例的流程图；

图3是根据本公开的信息推送方法中目标函数的确定方法的一个实施例的流程图；

图4是根据本公开的信息推送方法中进行数据拟合所得到的直线的一个实施例的示意图；

图5是根据本公开的信息推送装置的一个实施例的结构示意图；

图6是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1示出了可以应用本公开的信息推送方法的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备1011、1012、1013，网络102和服务器103。网络102用以在终端设备1011、1012、1013和服务器103之间提供通信链路的介质。网络102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。

用户可以使用终端设备1011、1012、1013通过网络102与服务器103交互，以发送或接收消息等(例如，服务器103可以向终端设备1011、1012、1013推送待推送信息)等。终端设备1011、1012、1013上可以安装有各种通讯客户端应用，例如购物类应用、新闻类应用、即时通讯软件等。

终端设备1011、1012、1013可以是硬件，也可以是软件。当终端设备1011、1012、1013为硬件时，可以是支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备1011、1012、1013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，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器103可以是提供各种服务的服务器。例如，可以是对用户的用户特征进行分析的后台服务器。服务器103可以首先获取用户的用户特征；之后，可以将上述用户特征输入预先训练的目标神经网络中，得到上述用户的分数；而后，可以确定上述分数是否大于预设的分数阈值，若确定出上述分数大于上述分数阈值，则可以向终端设备1011、1012、1013推送待推送信息。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103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103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。

需要说明的是，本申请实施例所提供的信息推送方法通常由服务器103执行，则信息推送装置通常设置于服务器103中。

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。

继续参考图2，示出了根据本公开的信息推送方法的一个实施例的流程200。该信息推送方法，包括以下步骤：

步骤201，获取用户的用户特征。

在本实施例中，信息推送方法的执行主体(例如图1所示的服务器)可以获取用户的用户特征。在这里，上述用户特征可以包括但不限于以下至少一项：用户的基本信息(如，性别、年龄、地址和消费水平)和用户的历史操作信息(如，点击的文章或广告、关注的频道或商品)。

步骤202，将用户特征输入预先训练的目标神经网络中，得到用户的分数。

在本实施例中，上述执行主体可以将上述用户特征输入预先训练的目标神经网络中，得到上述用户的分数。上述目标神经网络可以用于表征用户特征与用户的分数之间的对应关系。

在这里，上述目标神经网络可以是根据当前需要优化的目标，训练得到的神经网络。

作为示例，若将用户的下单操作作为优化目标，则可以利用训练数据训练得到下单预测网络，上述下单预测网络所输出的用户的分数可以表征用户点击相应的信息后会进行下单的概率。

若将用户留存作为优化目标，则可以利用训练数据训练得到留存预测网络，上述留存预测网络所输出的用户的分数可以表征用户为留存用户的概率。在互联网行业中，用户在某段时间内开始使用应用，经过一段时间后，仍然继续使用该应用的用户，被认作是留存用户。

若将用户的浏览时长作为优化目标，则可以利用训练数据训练得到浏览时长预测网络，上述浏览时长预测网络所输出的用户的分数可以用于表征用户的浏览时长，也可以用于表征用户的浏览时长大于预设的基准时长的概率。

步骤203，确定分数是否大于预设的分数阈值。

在本实施例中，上述执行主体可以确定在步骤202中得到的分数是否大于预设的分数阈值。上述分数阈值通常是与上述目标神经网络相关联，即一个目标神经网络通常对应一个分数阈值。上述分数阈值可以是基于预设的用户占比和目标函数所确定出的，上述用户占比通常是满足上述目标神经网络的优化目标的用户的占比。目标函数可以是预先确定出的用于表征用户占比与用户的分数之间的对应关系的函数。

作为示例，若设定的下单用户比例为30％，则用户占比通常为70％(1-30％)，将用户占比70％代入上述目标函数，可以得到下单用户比例30％所对应的分数阈值。

若确定出上述分数大于上述分数阈值，则可以执行步骤204。

步骤204，若分数大于分数阈值，则向用户的用户终端推送待推送信息。

在本实施例中，若在步骤203中确定出上述分数大于上述分数阈值，则上述执行主体可以向上述用户的用户终端推送待推送信息，也可以理解成将上述用户作为最终的信息投放的人群，从而达到预先设定的优化目标。

本公开的上述实施例提供的方法可以设置目标神经网络对应的分数阈值，从而使得分数阈值设置的更加合理，提高了信息推送的精确性。通过这种方式可以避免暴力枚举各个分数阈值所产生的计算量。

在一些可选的实现方式中，上述目标神经网络可以是通过如下步骤训练得到的：

首先，可以获取训练样本集合，其中，上述训练样本集合中的训练样本包括样本用户的用户特征和分数。在这里，训练样本可以分为正样本和负样本，正样本可以包括下单用户的用户特征和分数1，负样本可以包括未下单用户的用户特征和分数0。

之后，可以将上述训练样本集合中的训练样本中的样本用户的用户特征和分数分别作为初始神经网络的输入和期望输出，利用机器学习方法训练上述初始神经网络，将训练得到的初始神经网络确定为上述目标神经网络。具体地，可以首先利用预设的损失函数计算所得到的分数与该训练样本中的用户的分数之间的差异，例如，可以采用L2范数作为损失函数计算所得到的分数与该训练样本中的用户的分数之间的差异。然后，可以基于计算所得的差异，调整初始神经网络的网络参数，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。

这里，可以采用各种实现方式基于所生成的分数与该训练样本中的用户的分数之间的差异调整初始神经网络的网络参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整初始神经网络的网络参数。

需要说明的是，上述目标神经网络可以是上述执行主体通过上述步骤训练得到的；也可以是其它电子设备通过上述步骤训练得到的，之后，上述执行主体可以从其他电子设备中获取到训练完成的目标神经网络。

进一步参考图3，其示出了信息推送方法中目标函数的确定方法的一个实施例的流程300。该目标函数的确定方法的确定流程300，包括以下步骤：

步骤301，获取候选用户集合中每个候选用户的分数。

在本实施例中，信息推送方法的执行主体(例如图1所示的服务器)可以获取候选用户集合中每个候选用户的分数。上述候选用户集合可以是由使用优化目标所针对的应用或网站的所有用户所组成的集合，即应用或网站的全量用户。

假设共有n个候选用户，则这n个候选用户的分数可以即为S＝{s1,s2,....sn}。

步骤302，按照由小到大的顺序对候选用户集合中的候选用户的分数进行排序，得到分数序列。

在本实施例中，上述执行主体可以按照由小到大的顺序对上述候选用户集合中的候选用户的分数进行排序，得到分数序列。

步骤303，从分数序列中选取预设样本点数目个分位数，生成目标样本集合。

在本实施例中，上述执行主体可以从上述分数序列中选取预设样本点数目个分位数，生成目标样本集合。在这里，上述目标样本集合中的目标样本可以包括选取出的分位数和对应的用户占比。分位数也可以称为分位点，通常是指将一个随机变量的概率分布范围分为几个等份的数值点。

作为示例，若上述样本点数目为20，则可以选取20个分位数，每个分位数对应的用户占比分别为：5％、10％…100％，则对应的目标样本集合可以为D＝{(5％,s5'),(10％,s10'),.....(100％,s100')}。

步骤304，利用目标样本集合进行数据拟合，得到用于表征用户占比与分数之间的对应关系的函数作为目标函数。

在本实施例中，上述执行主体可以利用上述目标样本集合进行数据拟合，得到用于表征用户占比与分数之间的对应关系的函数作为目标函数。数据拟合又可以称为曲线拟合，是一种把现有数据透过数学方法来代入一条数式的表示方式。在这里，可以将上述目标样本集合中的每组样本数据代入预设的公式，例如，f(x)＝ax+b或f(x)＝ax^2+bx+c。

如图4所示，图4示出了根据本公开的信息推送方法中进行数据拟合所得到的直线的一个实施例的示意图。在图4中，横轴表征用户占比，需要说明的是，这里的横轴10表征用户占比为10％。纵轴表征用户的分数。

可以设置目标神经网络对应的分数阈值，从而使得分数阈值设置的更加合理，提高了信息推送的精确性。

本公开的上述实施例提供的方法可以拟合出较为准确的目标函数，进一步提高了分数阈值设置的合理性。

在一些可选的实现方式中，上述执行主体可以通过如下方式获取候选用户集合中每个候选用户的分数：针对候选用户集合中的每个候选用户，上述执行主体可以获取该候选用户的用户特征。在这里，上述用户特征可以包括但不限于以下至少一项：用户的基本信息和用户的历史操作信息。之后，上述执行主体可以将该候选用户的用户特征输入上述目标神经网络中，得到该候选用户的分数。

在一些可选的实现方式中，上述执行主体可以通过如下方式从上述分数序列中选取预设样本点数目个分位数，生成目标样本集合：上述执行主体可以从上述分数序列中选取百分位数，生成目标样本集合。上述目标样本集合中的目标样本可以包括选取出的百分位数和对应的百分位。如果将一组数据从小到大排序，并计算相应的累计百分位，则某一百分位所对应数据的值就称为这一百分位的百分位数。可表示为：一组n个观测值按数值大小排列，如，处于p％位置的值称第p百分位数。

作为示例，每个百分位数对应的用户占比分别为：1％、2％、3％…100％，则对应的目标样本集合可以为D＝{(1％,s1'),(2％,s2'),.....(100％,s100')}。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种信息推送装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的信息推送装置500包括：第一获取单元501、输入单元502、确定单元503和推送单元504。其中，第一获取单元501用于获取用户的用户特征；输入单元502用于将用户特征输入预先训练的目标神经网络中，得到用户的分数；确定单元503用于确定分数是否大于预设的分数阈值，其中，分数阈值与目标神经网络相关联，分数阈值是基于预设的用户占比和目标函数所确定出的；推送单元504用于若分数大于分数阈值，则向用户的用户终端推送待推送信息。

在本实施例中，信息推送装置500的第一获取单元501、输入单元502、确定单元503和推送单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。

在一些可选的实现方式中，上述目标函数可以是通过如下步骤确定的：获取候选用户集合中每个候选用户的分数；按照由小到大的顺序对上述候选用户集合中的候选用户的分数进行排序，得到分数序列；从上述分数序列中选取预设样本点数目个分位数，生成目标样本集合，其中，上述目标样本集合中的目标样本包括选取出的分位数和对应的用户占比；利用上述目标样本集合进行数据拟合，得到用于表征用户占比与分数之间的对应关系的函数作为目标函数。

在一些可选的实现方式中，上述信息推送装置500可以包括第二获取单元(图中未示出)。上述第二获取单元可以进一步用于通过如下方式获取候选用户集合中每个候选用户的分数：针对候选用户集合中的每个候选用户，获取该候选用户的用户特征，将该候选用户的用户特征输入上述目标神经网络中，得到该候选用户的分数。

在一些可选的实现方式中，上述信息推送装置500可以包括生成单元(图中未示出)。上述生成单元可以进一步用于通过如下方式从上述分数序列中选取预设样本点数目个分位数，生成目标样本集合：从上述分数序列中选取百分位数，生成目标样本集合，其中，上述目标样本集合中的目标样本包括选取出的百分位数和对应的百分位。

在一些可选的实现方式中，上述目标神经网络可以是通过如下步骤训练得到的：获取训练样本集合，其中，上述训练样本集合中的训练样本包括样本用户的用户特征和分数；将上述训练样本集合中的训练样本中的样本用户的用户特征和分数分别作为初始神经网络的输入和期望输出，利用机器学习方法训练上述初始神经网络，将训练得到的初始神经网络确定为上述目标神经网络。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取用户的用户特征；将用户特征输入预先训练的目标神经网络中，得到用户的分数；确定分数是否大于预设的分数阈值，其中，分数阈值与目标神经网络相关联，分数阈值是基于预设的用户占比和目标函数所确定出的；若是，则向用户的用户终端推送待推送信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、输入单元、确定单元和推送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取用户的用户特征的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种信息推送方法，其特征在于，包括：

获取用户的用户特征；

将所述用户特征输入预先训练的目标神经网络中，得到所述用户的分数；

确定所述分数是否大于预设的分数阈值，其中，所述分数阈值与所述目标神经网络相关联，所述分数阈值是基于预设的用户占比和目标函数所确定出的；

若是，则向所述用户的用户终端推送待推送信息。

2.根据权利要求1所述的方法，其特征在于，所述目标函数是通过如下步骤确定的：

获取候选用户集合中每个候选用户的分数；

按照由小到大的顺序对所述候选用户集合中的候选用户的分数进行排序，得到分数序列；

从所述分数序列中选取预设样本点数目个分位数，生成目标样本集合，其中，所述目标样本集合中的目标样本包括选取出的分位数和对应的用户占比；

利用所述目标样本集合进行数据拟合，得到用于表征用户占比与分数之间的对应关系的函数作为目标函数。

3.根据权利要求2所述的方法，其特征在于，所述获取候选用户集合中每个候选用户的分数，包括：

针对候选用户集合中的每个候选用户，获取该候选用户的用户特征，将该候选用户的用户特征输入所述目标神经网络中，得到该候选用户的分数。

4.根据权利要求2所述的方法，其特征在于，所述从所述分数序列中选取预设样本点数目个分位数，生成目标样本集合，包括：

从所述分数序列中选取百分位数，生成目标样本集合，其中，所述目标样本集合中的目标样本包括选取出的百分位数和对应的百分位。

5.根据权利要求1-4之一所述的方法，其特征在于，所述目标神经网络是通过如下步骤训练得到的：

获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本用户的用户特征和分数；

将所述训练样本集合中的训练样本中的样本用户的用户特征和分数分别作为初始神经网络的输入和期望输出，利用机器学习方法训练所述初始神经网络，将训练得到的初始神经网络确定为所述目标神经网络。

6.一种信息推送装置，其特征在于，包括：

第一获取单元，用于获取用户的用户特征；

输入单元，用于将所述用户特征输入预先训练的目标神经网络中，得到所述用户的分数；

确定单元，用于确定所述分数是否大于预设的分数阈值，其中，所述分数阈值与所述目标神经网络相关联，所述分数阈值是基于预设的用户占比和目标函数所确定出的；

推送单元，用于若所述分数大于所述分数阈值，则向所述用户的用户终端推送待推送信息。

7.根据权利要求6所述的装置，其特征在于，所述目标函数是通过如下步骤确定的：

获取候选用户集合中每个候选用户的分数；

按照由小到大的顺序对所述候选用户集合中的候选用户的分数进行排序，得到分数序列；

从所述分数序列中选取预设样本点数目个分位数，生成目标样本集合，其中，所述目标样本集合中的目标样本包括选取出的分位数和对应的用户占比；

利用所述目标样本集合进行数据拟合，得到用于表征用户占比与分数之间的对应关系的函数作为目标函数。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括第二获取单元，所述第二获取单元进一步用于通过如下方式获取候选用户集合中每个候选用户的分数：

针对候选用户集合中的每个候选用户，获取该候选用户的用户特征，将该候选用户的用户特征输入所述目标神经网络中，得到该候选用户的分数。

9.根据权利要求7所述的装置，其特征在于，所述装置还包括生成单元，所述生成单元进一步用于通过如下方式从所述分数序列中选取预设样本点数目个分位数，生成目标样本集合：

从所述分数序列中选取百分位数，生成目标样本集合，其中，所述目标样本集合中的目标样本包括选取出的百分位数和对应的百分位。

10.根据权利要求6-9之一所述的装置，其特征在于，所述目标神经网络是通过如下步骤训练得到的：

获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本用户的用户特征和分数；

将所述训练样本集合中的训练样本中的样本用户的用户特征和分数分别作为初始神经网络的输入和期望输出，利用机器学习方法训练所述初始神经网络，将训练得到的初始神经网络确定为所述目标神经网络。

11.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。

Images