CN103905978B - 基于位置的信息推送方法、推送装置和网络 - Google Patents

Abstract

本发明公开了一种基于位置的信息推送方法、推送装置和网络，推送装置接收到用户终端到达设定位置的位置事件;推送装置根据多种因素的概率对用户的行为进行预测;推送装置根据预测结果确定是否向用户终端推送信息以及信息的内容。本发明的基于位置的信息推送方法、推送装置和网络，通过终端所处的当前位置环境信息、基于多种因素的概率进行用户行为的预测，即使在同一位置地点，用户的未来行为都是有区别的，实现精准的位置服务广告推送和信息发布等业务。

Description

基于位置的信息推送方法、推送装置和网络

技术领域

本发明涉及移动通信技术领域，尤其涉及一种基于位置的信息推送方法、推送装置和网络。

背景技术

基于位置的广告推送是当前移动互联网应用的发展趋势。但是如果简单的当用户经过该位置时，就进行广告的推送容易将用户陷入信息沼泽或是引起用户的反感，因此当前的基于位置的单一因素的判断往往不够准确。

例如，用户周一早上8:00经过大悦城，他很可能是去上班，你就不能给他推送购物信息的打折广告，否则的话，他收到的是自己并不想收到的信息，可能就会认为是垃圾信息。但是如果他是周末或者节假日经过大悦城，那可以给他推送购物信息的打折广告。用户的行为在同一地点可能有不同的意义，因此需要基于多种用户信息进行预测。

发明内容

有鉴于此，本发明要解决的一个技术问题是提供一种基于位置的信息推送方法，通过终端所处的当前位置环境信息、基于多种因素的概率进行用户行为的预测。

一种基于位置的信息推送方法,包括:推送装置接收到用户终端到达设定位置的位置事件；所述推送装置根据多种因素的概率对所述用户的行为进行预测；所述推送装置根据预测结果确定是否向用户终端推送信息以及信息的内容。

根据本发明的方法的一个实施例，进一步的，所述多种因素包括:当前日期、当前位置、当前时间、用户身份信息、外界激励、用户历史行为、用户当前行为。

根据本发明的方法的一个实施例，进一步的，所述推送装置采用贝叶斯预测模型，根据用户的当前日期、当前位置、当前时间、身份信息、外界激励、用户历史行为、用户当前行为的取值的概率进行预测，输出所述用户未来行为的预判值，并将所述预判值与预先设定的发送阈值进行比较；当所述预判值小于或等于所述发送阈值时，不向所述用户终端推送信息；当所述预判值大于所述发送阈值时，则向所述用户终端推送信息。

根据本发明的方法的一个实施例，进一步的，所述用户的当前日期取值包括：休息日和工作日；所述用户的当前时间取值包括：高峰时间和非高峰时间；所述用户的当前位置取值包括：兴趣点的周边和不在兴趣点的周边；所述用户的外界激励取值包括：0,2；其中0代表最强；所述用户的用户当前行为取值包括：A和NA；其中，A代表要接近兴趣点和NA代表不要接近兴趣点；所述用户的未来行为取值包括：T和F，其中T代表对广告有兴趣和F代表对广告没兴趣。

根据本发明的方法的一个实施例，进一步的，所述推送装置对多种因素中的每个因素的取值设定概率分布,并用采集的数据对贝叶斯预测模型进行训练，得到每个因素的条件概率，将所述条件概率值输入贝叶斯计算工具，计算出所述用户未来行为的概率。

本发明要解决的一个技术问题是提供一种推送装置，通过终端所处的当前位置环境信息、基于多种因素的概率进行用户行为的预测。

一种推送装置,包括:事件接收单元，用于接收到用户终端到达设定位置的位置事件；行为预测单元，用于根据多种因素的概率对所述用户的行为进行预测；信息推送单元，用于根据预测结果确定是否向用户终端推送信息以及信息的内容。

根据本发明的装置的一个实施例，进一步的，所述多种因素包括:当前日期、当前位置、当前时间、用户身份信息、外界激励、用户历史行为、用户当前行为。

根据本发明的装置的一个实施例，进一步的，所述行为预测单元采用贝叶斯预测模型，根据用户的当前日期、当前位置、当前时间、身份信息、外界激励、用户历史行为、用户当前行为的取值的概率进行预测，输出所述用户未来行为的预判值，并将所述预判值与预先设定的发送阈值进行比较；当所述预判值小于或等于所述发送阈值时，不向所述用户终端推送信息；当所述预判值大于所述发送阈值时，则向所述用户终端推送信息。

根据本发明的装置的一个实施例，进一步的，所述用户的当前日期取值包括：休息日和工作日；所述用户的当前时间取值包括：高峰时间和非高峰时间；所述用户的当前位置取值包括：兴趣点的周边和不在兴趣点的周边；所述用户的外界激励取值包括：0,2；其中0代表最强；所述用户的用户当前行为取值包括：A和NA；其中，A代表要接近兴趣点和NA代表不要接近兴趣点；所述用户的未来行为取值包括：T和F，其中T代表对广告有兴趣和F代表对广告没兴趣。

根据本发明的装置的一个实施例，进一步的，所述行为预测单元对多种因素中的每个因素的取值设定概率分布,并用采集的数据对贝叶斯预测模型进行训练，得到每个因素的条件概率，将所述条件概率值输入贝叶斯计算工具，计算出所述用户未来行为的概率。

一种移动网络，包括如上所述的推送装置。

本发明的基于位置的信息推送方法、推送装置和网络，通过终端所处的当前位置环境信息、基于多种因素的概率进行用户行为的预测，即使在同一位置地点，用户的未来行为都是有区别的，实现精准的位置服务广告推送和信息发布等业务。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为根据本发明的基于位置的信息推送方法的一个实施例的流程图；

图2A和2B为根据本发明的基于位置的信息推送方法的多因素贝叶斯网络的示意图；

图3为根据本发明的推送装置的一个实施例的结构示意图。

具体实施方式

下面参照附图对本发明进行更全面的描述，其中说明本发明的示例性实施例。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合各个图和实施例对本发明的技术方案进行多方面的描述。

图1为根据本发明的基于位置的信息推送方法的一个实施例的流程图；如图所示：

步骤102，推送装置接收到用户终端到达设定位置的位置事件。

步骤103，推送装置根据多种因素的概率对用户的行为进行预测。

步骤104，推送装置根据预测结果确定是否向用户终端推送信息以及信息的内容。

根据本发明的一个实施例，多种因素包括:当前日期、当前位置、当前时间、用户身份信息、外界激励、用户历史行为、用户当前行为。

本发明的基于位置的信息推送方法，实现对用户未来行为的精准判断，当用户经过同一位置时，按照用户的历史行为等多因素进行预测以实现精准位置广告和信息推送。

推送装置采用贝叶斯预测模型，根据用户的当前日期、当前位置、当前时间、身份信息、外界激励、用户历史行为、用户当前行为的取值的概率进行预测，输出用户未来行为的预判值，并将预判值与预先设定的发送阈值进行比较；当预判值小于或等于发送阈值时，不向用户终端推送信息；当预判值大于发送阈值时，则向用户终端推送信息。

根据本发明的一个实施例，用户的当前日期取值包括：休息日和工作日。用户的当前时间取值包括：高峰时间和非高峰时间；用户的当前位置取值包括：兴趣点的周边和不在兴趣点的周边；用户的外界激励取值包括：0,2。其中0代表最强。用户的用户当前行为取值包括：A和NA。其中，A代表要接近兴趣点和NA代表不要接近兴趣点。用户的未来行为取值包括：T和F，其中T代表对广告有兴趣和F代表对广告没兴趣。

根据本发明的一个实施例，推送装置对多种因素中的每个因素的取值设定概率分布,并用采集的数据对贝叶斯预测模型进行训练，得到每个因素的条件概率，将条件概率值输入贝叶斯计算工具，计算出用户未来行为的概率。

贝叶斯定理也称贝叶斯推理，采用计算条件概率的公式用来解决如下一类问题：

假设H[,1],H[,2]…互斥且构成一个完全事件，已知它们的概率P(H[,i],i＝1,2,…，现观察到某事件A与H[,1],H[,2]…相伴随而出现，且已知条件概率P(A/H[,i])，求P(H[,i]/A)。

贝叶斯公式为：

P(H[,i]/A)＝P(H[,i])P(A│H[,i])/[P(H[,1])P(A│H[,1])+P(H[,2])P(A│H[,2])+…]；

P(A│H[,1])为击中率，P(A│H[,2])为误报率[1]。

如果已知被分类类别概率分布的形式和已经标记类别的训练样本集合，那我们就需要从训练样本集合中来估计概率分布的参数。如果不知道任何有关被分类类别概率分布的知识，已知已经标记类别的训练样本集合和判别式函数的形式，那就需要从训练样本集合中来估计判别式函数的参数。

如果既不知道任何有关被分类类别概率分布的知识，也不知道判别式函数的形式，只有已经标记类别的训练样本集合。那就需要从训练样本集合中来估计概率分布函数的参数。

本发明的基于位置的信息推送方法，实现基于用户的多因素环境的考虑以实现精准推送的装置的关键方法包括：

通过对当前日期、当前位置、当前时间、身份信息、外界激励、用户历史行为、用户当前行为等因素的贝叶斯概率、马尔科夫链、Petri网等方法的分析，从而对用户未来行为作出判断。

用户的位置触发用户行为的精准预测，从而输出用户未来行为的预判值，该匹配装置与预先设置的预判值(是阈值的经验值)进行判断，从而输出最终的结果(推送或不推送位置广告)，实现对用户未来行为的精准判断，当用户经过同一位置时，按照用户的历史行为等多因素进行预测以实现精准位置广告和信息推送。

图2A和2B为根据本发明的基于位置的信息推送方法的多因素贝叶斯网络的示意图。每个节点有一定的发生概率，并且节点之间的边代表节点之间有一定的关联关系。通过贝叶斯定理可计算出用户未来行为发生的概率值P。其中节点发生的概率是根据经验值和统计数据得出。

如果P≤P阈值，在这种条件下，位置广告不需要推送。

如果P>P阈值，则这种情况下，位置广告可进行推送。

贝叶斯的基本原理如下,一个简单的贝叶斯网络如图2A所示:

节点集为{A,B,C},边集为{(B,A),(B,C)},其中A,C互相独立,即P(A|B,C)＝P(A|B).同理,P(C|A,B)＝P(C|B),此外,可以得出P(A,B,C)＝P(A|B)*P(B)*P(C|B)。一般来说,如果给定节点集X＝X₁,X₂…XN。则有：

。

例如，用户当前的日期取值(A)可以为(WE,WD)二者之一,代表休息日和工作日.用户当前的时间(B)可以是0:00～24:00之间，分为高峰时间(HT，如早上8点到10点)和非高峰时间(NHT，如早上10点到下午4点).用户当前的位置(C)取值为ST和NST,代表兴趣点的周边(比如大悦城)和不在兴趣点的周边.外界激励(D)可以是0,2.其中0代表最强,可能是该兴趣点有些广告促销的活动等。

用户当前行为(F)可以是A和NA，代表要接近兴趣点和不要接近兴趣点.用户未来行为(G)取值为T和F，代表对广告有兴趣和对广告没兴趣。因此我们将这些参数赋值后,通过贝叶斯工具进行计算,就可以得到未来行为发生的概率值P。

如果事先设定好每个节点的概率分布,则可以贝叶斯网络计算软件Bayesialab计算出用户未来行为发生的概率。BayesiaLab是Bayesia公司的贝叶斯网络建模分析工具软件，采用图形化建模界面，操作简单直观，支持动态贝叶斯网络建模分析。

用采集的数据对该模型进行了训练，得到图2B中的各个节点的条件概率如下所示:

A节点的条件概率如下表所示：

A＝WD	A＝WE
		0.7	0.3

表1－A节点的条件概率

B节点的条件概率如表2所示：

B＝HT	A＝NHT
		0.8	0.2

表2－B节点的条件概率

C节点的条件概率如表3所示：

C＝ST	C＝NST
		0.99	0.01

表3－C节点的条件概率

D和E节点的条件概率如表4所示：

表4－D和E节点的条件概率

F点的条件概率如表5所示：

	F＝A	F＝NA
			(D,E)＝(0,0)	0.9	0.1
(D,E)＝(0,1)	0.6	0.4
			(D,E)＝(0,2)	0.1	0.9
(D,E)＝(2,0)	0.8	0.2
			(D,E)＝(2,1)	0.5	0.5
(D,E)＝(2,2)	0.1	0.9

表5－F节点的条件概率

G节点的条件概率为如表6所示：

表6－G节点的条件概率

例如，当前的条件取值为(WE,NHT,ST,0,0,A)，将这些参数输入到该工具中,则可以计算G的概率P＝0.9。如果(WD,HT,NST,2,1,A)，则可以计算G的概率P＝0.2。

因此可以看出即使都在兴趣点周边，当用户的时间，历史行为，身份信息不同的话，用户未来的行为可能会有很大的差异。假定P阈值设定为0.5，则P＝0.2情况下就不用向用户推送广告，减少信息冗余。

图3为根据本发明的推送装置的一个实施例的结构示意图。如图3所示:推送装置31包括:事件接收单元311、行为预测单元312和信息推送单元313。

事件接收单元311接收到用户终端到达设定位置的位置事件。行为预测单元312根据多种因素的概率对用户的行为进行预测。信息推送单元313根据预测结果确定是否向用户终端推送信息以及信息的内容。

根据本发明的一个实施例，行为预测单元312采用贝叶斯预测模型，根据用户的当前日期、当前位置、当前时间、身份信息、外界激励、用户历史行为、用户当前行为的取值的概率进行预测，输出用户未来行为的预判值，并将预判值与预先设定的发送阈值进行比较。当预判值小于或等于发送阈值时，不向用户终端推送信息。当预判值大于发送阈值时，则向用户终端推送信息。

根据本发明的一个实施例，行为预测单元对多种因素中的每个因素的取值设定概率分布,并用采集的数据对贝叶斯预测模型进行训练，得到每个因素的条件概率，将条件概率值输入贝叶斯计算工具，计算出用户未来行为的概率。

根据本发明的一个实施例，一种移动网络包括如上的推送装置。

本发明的基于位置的信息推送方法、推送装置和网络的优点在于：可以根据用户的当前位置、以及历史行为、当前的其它信息(如时间、外界激励等等)预测出更加精准的用户行为，从而实现更为精准的广告推送。

可能以许多方式来实现本发明的方法和系统。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发明的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本发明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，还可将本发明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发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (7)

1.一种基于位置的信息推送方法,其特征在于，包括:

推送装置接收到用户终端到达设定位置的位置事件；

所述推送装置根据多种因素的概率对所述用户的行为进行预测；其中，所述推送装置对多种因素中的每个因素的取值设定概率分布,并用采集的数据对贝叶斯预测模型进行训练，得到每个因素的条件概率，将所述条件概率值输入贝叶斯计算工具，计算出用户未来行为的概率；所述多种因素包括:当前日期、当前位置、当前时间、用户身份信息、外界激励、用户历史行为、用户当前行为；

所述推送装置根据预测结果确定是否向用户终端推送信息以及信息的内容。

2.如权利要求1所述的方法，其特征在于：

所述推送装置采用贝叶斯预测模型，根据用户的当前日期、当前位置、当前时间、身份信息、外界激励、用户历史行为、用户当前行为的取值的概率进行预测，输出所述用户未来行为的预判值，并将所述预判值与预先设定的发送阈值进行比较；

当所述预判值小于或等于所述发送阈值时，不向所述用户终端推送信息；

当所述预判值大于所述发送阈值时，则向所述用户终端推送信息。

3.如权利要求2所述的方法，其特征在于：

所述用户的当前日期取值包括：休息日和工作日；

所述用户的当前时间取值包括：高峰时间和非高峰时间；

所述用户的当前位置取值包括：兴趣点的周边和不在兴趣点的周边；

所述用户的外界激励取值包括：0,2；其中0代表最强；

所述用户的用户当前行为取值包括：A和NA；其中，A代表要接近兴趣点和NA代表不要接近兴趣点；

所述用户的未来行为取值包括：T和F，其中T代表对广告有兴趣和F代表对广告没兴趣。

4.一种推送装置,其特征在于，包括:

事件接收单元，用于接收到用户终端到达设定位置的位置事件；

行为预测单元，用于根据多种因素的概率对所述用户的行为进行预测；其中,所述行为预测单元对多种因素中的每个因素的取值设定概率分布,并用采集的数据对贝叶斯预测模型进行训练，得到每个因素的条件概率，将所述条件概率值输入贝叶斯计算工具，计算出所述用户未来行为的概率；所述多种因素包括:当前日期、当前位置、当前时间、用户身份信息、外界激励、用户历史行为、用户当前行为；

信息推送单元，用于根据预测结果确定是否向用户终端推送信息以及信息的内容。

5.如权利要求4所述的装置，其特征在于：

所述行为预测单元采用贝叶斯预测模型，根据用户的当前日期、当前位置、当前时间、身份信息、外界激励、用户历史行为、用户当前行为的取值的概率进行预测，输出所述用户未来行为的预判值，并将所述预判值与预先设定的发送阈值进行比较；

当所述预判值小于或等于所述发送阈值时，不向所述用户终端推送信息；

当所述预判值大于所述发送阈值时，则向所述用户终端推送信息。

6.如权利要求5所述的装置，其特征在于：

所述用户的当前日期取值包括：休息日和工作日；

所述用户的当前时间取值包括：高峰时间和非高峰时间；

所述用户的当前位置取值包括：兴趣点的周边和不在兴趣点的周边；

所述用户的外界激励取值包括：0,2；其中0代表最强；

所述用户的用户当前行为取值包括：A和NA；其中，A代表要接近兴趣点和NA代表不要接近兴趣点；

所述用户的未来行为取值包括：T和F，其中T代表对广告有兴趣和F代表对广告没兴趣。

7.一种移动网络，其特征在于：

包括如权利要求4至6任意一项所述的推送装置。