CN104636406B - 一种根据用户行为推送信息的方法和装置 - Google Patents

Abstract

本发明适用于互联网领域，提供了一种根据用户行为推送信息的方法和装置，该方法包括：获取用户最近一次持续关注产品的持续时长；根据所述产品的历史数据，获取用户对所述产品的期望时长；根据所述获取的持续时长在期望时长中的比值，生成用户对所述产品的兴趣度数据；根据所述生成产品的兴趣度数据，推送与所述产品相应的信息。由于本发明所依据的数据为用户当前的关注数据和历史统计数据，不需要限定用户行为为固定的时间周期，从而能够更好的把握用户兴趣度的变化趋势，能够更为精确及时的推送相应的商品。

Description

一种根据用户行为推送信息的方法和装置

技术领域

本发明属于互联网领域，尤其涉及一种根据用户行为推送信息的方法和装置。

背景技术

随着电子商务的发展，网络的用户产生了大量的数据，为更好的将产品信息有针对性的推向有需要的用户群，目前通常的作法是，通过采集用户行为数据获取用户对产品的兴趣度，根据用户对产品的兴趣度的大小，针对性的推送与用户相关的数据信息。

如现有的用户对产品或某一产品的兴趣度获取方法，包括对产品的关注次数、预留时长、或根据两种数据加权平均得到用户对产品的兴趣度。

如果采集到用户在一段时间内关注了i个产品，每个产品关注的次数为Ci，驻留时长为Ti，根据关注次数计算用户对每个产品的兴趣度为：

Pi=Ci/max(Ci)

其中，max(Ci)是Ci的最大值。

根据驻留时长计算用户对每个产品的兴趣度为：

Pi=Ti/max(Ti)

其中，max(Ti)是Ti中的最大值。

根据两种数据加权平均得到用户对产品的兴趣度为：

Pi=w1*Ci/max(Ci)+w2*Ti/max(Ti)

其中，w1、w2是关注次数和驻留时长的计算权重系数，可以根据实际的产品名称和用户群体进行配置。

通过上述三种方式，可以较好的获取用户对产品的兴趣度，但是其仍然存在不足，由于其需要选取某一时间区间的某产品的最大关注次数，使得其统计得到用户的兴趣度的时效性较差，不能在第一时间得到用户兴趣度的趋势偏好，使得不能有效的根据用户的兴趣度的变化信息投放更加精确的推送信息。

发明内容

本发明实施例的目的在于提供一种根据用户行为推送信息的方法和装置，以解决现有技术中用户兴趣度的时效性较差，不能在第一时间得到用户兴趣度的趋势偏好的问题。

第一方面，一种根据用户行为推送信息的方法，所述方法包括：

获取用户最近一次持续关注产品的持续时长；

根据所述产品的历史数据，获取用户对所述产品的期望时长；

根据所述获取的持续时长在期望时长中的比值，生成用户对所述产品的兴趣度数据；

根据所述生成产品的兴趣度数据，推送与所述产品相应的信息。

在第一方面的第一种可能实现方式中，所述根据所述获取的持续时长在期望时长中的比值，生成用户关于所述产品的兴趣度数据步骤具体为：

当所述获取的持续时长小于所述期望时长时，生成所述用户关于产品的兴趣度为持续时长/期望时长；

当所述获取的持续时长大于或等于所述期望时长时，生成所述用户关于产品的兴趣度为1。

在第一方面的第二种可能实现方式中，在根据所述获取的持续时长在期望时长中的比值，生成用户关于所述产品的兴趣度数据步骤之前，所述方法还包括：

获取所述产品的中断关注的间隔时长；

所述根据所述获取的持续时长与期望时长中的比值，生成用户关于所述产品的兴趣度数据步骤为：

根据用户关于所述产品的兴趣度计算修正公式

I'=I*a^-T3

得到修正后的兴趣度数据，所述I'为修正后的兴趣度数据，所述参数a为与产品所对应的参数，所述I为修正前的兴趣度数据，Ｔ3为所述产品的中断关注的间隔时长。

在第一方面的第三种可能实现方式中，所述根据所述产品的历史数据，获取用户对所述产品的期望时长步骤包括：

方式一：根据历史统计的所述产品从第一次关注到最后一次关注结束的时长的多个值取平均值，得到产品从第一次关注到最后一次关注结束的期望时长；

或者方式二：建立与用户特征资料信息相关的、产品从第一次关注到最后一次关注结束的期望时长的预测模型；

获取用户特征资料信息，根据所述预测模型生成用户所对应的从第一次关注到最后一次关注结束的期望时长；

或者根据方式一和方式二得到的期望时长值，与相应的权值相乘后取和得到期望时长。

结合第一方面的第三种可能实现方式，在第一方面的第四种可能实现方式中，所述用户特征资料信息包括用户的平均收入ARPU、年龄、性别、在网时长、职业中的一项或者多项。

在第一方面的第五种可能实现方式中，所述产品为同一类别的产品或者为一个具体型号的产品。

第二方面，所述装置包括：

第一获取单元，获取用户最近一次持续关注产品的持续时长；

第二获取单元，用于根据所述产品的历史数据，获取用户对所述产品的期望时长；

生成单元，用于根据所述获取的持续时长与期望时长中的比值，生成用户对所述产品的兴趣度数据；

推送单元，用于根据所述生成产品的兴趣度数据，推送与所述产品相应的信息。

在第二方面的第一种可能实现方式中，所述生成单元包括：

第一生成子单元，用于当所述获取的持续时长小于所述期望时长时，生成所述用户关于产品的兴趣度为持续时长/期望时长；

第二生成子单元，用于当所述获取的持续时长大于或等于所述期望时长时，生成所述用户关于产品的兴趣度为1。

在第二方面的第二种可能实现方式中，所述装置还包括：

第三获取单元，用于获取所述产品的中断关注的间隔时长；

所述生成单元用于根据用户关于所述产品的兴趣度计算修正公式

I'=I*a^-T3

得到修正后的兴趣度数据，所述I'为修正后的兴趣度数据，所述参数a为与产品所对应的参数，所述I为修正前的兴趣度数据，Ｔ3为所述产品的中断关注的间隔时长。

在第二方面的第三种可能实现方式中，所述第二获取单元用于：

方式一：根据历史统计的所述产品从第一次关注到最后一次关注结束的时长的多个值取平均值，得到产品从第一次关注到最后一次关注结束的期望时长；

或者方式二：建立与用户特征资料信息相关的、产品从第一次关注到最后一次关注结束的期望时长的预测模型；

获取用户特征资料信息，根据所述预测模型生成用户所对应的从第一次关注到最后一次关注结束的期望时长；

或者根据方式一和方式二得到的期望时长值，与相应的权值相乘后取和得到期望时长。

在第二方面的第四种可能实现方式中，所述用户特征资料信息包括用户的平均收入ARPU、年龄、性别、在网时长、职业中的一项或者多项。

在第二方面的第五种可能实现方式中，所述产品为同一类别的产品或者为一个具体型号的产品。

在本发明实施例中，通过采集用户最近一次的持续关注产品的持续时长和根据产品的历史数据获取用户对产品的期望时长，通过将所述最近一次的持续关注产品的持续时长和产品的期望时长取比值，能够得到最新的、最近一次关注产品的兴趣的变化，从而推送产品相应的信息，由于其所依据的数据为用户当前的关注数据和历史统计数据，不需要限定用户行为为固定的时间周期，从而能够更好的把握用户兴趣度的变化趋势，能够更为精确及时的推送相应的商品。

附图说明

图1是本发明第一实施例提供的根据用户行为推送信息的方法的实现流程图；

图2是本发明第二实施例提供的根据用户行为推送信息的方法的实现流程图；

图3是本发明第二实施例提供的考虑了衰减因素后的用户兴趣度变化趋势图；

图4是本发明第三实施例提供的根据用户行为推送信息的装置的结构框图；

图5为本发明第四实施例提供的设备的部分结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例所述根据用户行为推送信息的方法，可应用于终端或服务器中，所述终端可以包括智能手机、平板电脑、电子书阅读器、MP4（Moving Picture Experts GroupAudio Layer IV，动态影像专家压缩标准音频层面4）播放器、膝上型便携计算机和台式计算机等等。能够通过有线或者无线连接到互联网的终端，均可由本发明实施例所述方法，获取用户的兴趣度数据，推送与用户行为相关的信息，更为及时有效的针对用户兴趣的变化趋势推送信息。本发明实施例所述方法包括：

获取用户最近一次持续关注产品的持续时长；

根据所述产品的历史数据，获取用户对所述产品的期望时长；

根据所述获取的持续时长在期望时长中的比值，生成用户对所述产品的兴趣度数据；

根据所述生成产品的兴趣度数据，推送与所述产品相应的信息。

通过采集用户最近一次的持续关注产品的持续时长和根据产品的历史数据获取用户对产品的期望时长，通过将所述最近一次的持续关注产品的持续时长和产品的期望时长取比值，能够得到最新的、最近一次关注产品的兴趣的变化，从而推送产品相应的信息，由于本发明所依据的数据为用户当前的关注数据和历史统计数据，不需要限定用户行为为固定的时间周期，从而能够更好的把握用户兴趣度的变化趋势，能够更为精确及时的推送相应的商品。

实施例一：

图1示出了本发明第一实施例提供的根据用户行为推送信息的方法的实现流程，详述如下：

在步骤S101中，获取用户最近一次持续关注产品的持续时长。

其中，所述关注，可以为访问相应的网页地址，也可以为采集的用户通过搜索相应的关键字。

所述持续关注，根据具体产品的不同，可以为用户在一次上网时间中，对其中一种产品的关注的持续时长，也可以为用户在连续上网多天，当其中每一天的关注时间大于某一预定时间时，对某一种产品所关注的天数也可以定义为持续关注，因具体产品的不同而相应的可以定义中间允许间隔的时间不同。

如对于产品为书本，用户在最近的一次上网的时间为两个小时，在这两个小时的上网时间中，持续关注书本的时间为1个小时，那么持续关注书本的持续时长为1小时。在考虑到某些特殊情况下，中途短暂的关闭，可通过一设定值，在关闭时间小于预设值时，仍然可以认为用户仍为持续关注。

而当所述用户关注的产品为手机时，假设预定每天关注的基本时长为半小时，在当天关注的时长超过半小时则可以认为这一天为持续关注时间，如果用户最近连续三天都有关注手机的时间超过半小时，则持续关注手机的时长为3天。

在步骤S102中，根据所述产品的历史数据，获取用户对所述产品的期望时长。

所述产品的期望时长，为所述产品从第一次关注到最后一次关注结束所持续的时间，所述第一次关注，可以为用户开始搜索或者开始访问相关页面时，所述最后一次关注结束，可以为产品购买完成的时间点。

如用户当前打开华为商城，浏览华为手机的相关参数，或者通过搜索引擎搜索“华为手机”关键字，则可将主题“手机”作为其关注的对象，并记录为所述产品“手机”第一次关注，最后一次关注结束为用户下单购买产品完成所对应的时间。

所述产品从第一次关注到最后一次关注结束的期望时长，可以根据历史统计的所述产品从第一次关注到最后一次关注结束的时长的多个值取平均值，得到产品从第一次关注到最后一次关注结束的期望时长，并将统计数据存储于系统中根据产品的不同而相应的调用，另外，产品从第一次关注到最后一次关注结束的期望时长还可以根据用户的个性数据，建立预测模型获取，或者根据上述两种方式获取期望值后再通过乘以相应的权值取和得到更为精确的期望值。

在步骤S103中，根据所述获取的持续时长与期望时长中的比值，生成用户关于所述产品的兴趣度数据。

在由步骤S101和步骤S102得到用户最近一次的持续关注产品的持续时长、所述产品从第一次关注到最后一次关注结束的期望时长后，根据二者的比值持续时长/期望时长，即可得到用户对于所述产品的兴趣度。

如最近一次持续关注书本的时长为0.5小时，而书本从开始关注到最后一次关注结束的时长为2小时，那么当前用户的兴趣度为0.5/2=0.25，所述兴趣度数据为当前的兴趣度数据，其实时性高，反应用户的兴趣的变化趋势更加准确，有利于更加准确的投放推送信息。

当然，本实施例中上述仅限于当所述获取的持续时长小于所述期望时长时，生成所述用户关于产品的兴趣度为持续时长/期望时长，另外，对于当所述获取的持续时长大于或等于所述期望时长时，为使得用户的兴趣度数据同样可以适用，所对应生成所述用户关于产品的兴趣度为1。

在步骤S104中，根据所述生成产品的兴趣度数据，推送与所述产品相应的信息。

在获取到用户对于产品的兴趣度数据后，可以根据用户的兴趣度数据的大小，推送与兴趣度数据相应的产品信息，从而实现更为准确的推送，所推送的信息更加能够适应用户兴趣的变化。

实施例二：

图2示出了本发明第二实施例提供的根据用户行为推送信息的方法的实现流程，详述如下：

在步骤S201中，获取用户最近一次持续关注产品的持续时长。

在步骤S202中，根据所述产品的历史数据，获取用户对所述产品的期望时长。

本步骤与实施例一中所述步骤S101和步骤S102相同，在此不作重复赘述。

在步骤S203中，获取所述产品的中断关注的间隔时长。

所述中断关注的间隔时长，可以为用户针对具体产品最近一次关注到当前时间点的时长，根据具体的产品设定持续关注所允许的最大中断时长，当用户停止关注所述产品的时长大于所述允许的最大中断时长时，可认为所述超过所述允许的最大中断时长的时间，为中断关注的间隔时长，当用户停止关注所述产品的时长小于或者等于所述允许的最大中断时长时，所述中断关注的间隔时长为零。

如用户对于产品的最近一次的持续关注持续时长为2小时，而最近一次的持续关注时间到当前的时间间隔为28小时，预设的所述产品允许的最大中断时长为24小时，那么，用户对产品的中断关注的时间间隔为4小时。

在步骤S204中，根据用户关于所述产品的兴趣度计算修正公式

I'=I*a^-T3

得到修正后的兴趣度数据，所述I'为修正后的兴趣度数据，所述参数a为与产品所对应的参数，所述I为修正前的兴趣度数据，Ｔ3为所述产品的中断关注的间隔时长。

其中，所述修正前的兴趣度数据，可由实施例一中所述兴趣度的获取方法得到，实施例一中所述兴趣度数据计算公式如下：

由于当外部因素停止对所述产品的关注时，说明用户的兴趣度下降，在实施例一中没有考虑到中断关注时间对用户兴趣度的影响，为更加精确及时的把握用户兴趣度的变化，本实施例中增加了因为中断关注对用户的兴趣度的衰减的考虑。

在本实施例中，所述参数a，在默认的情况下可以设定为自然底数e=2.718281828459，对于不同产品，所述参数a还可以为不同的值，所述取值可以由经验数据获取，如对于衰减速度较低的电脑，中断一天后，兴趣度下降不是很明显，因此，可以定义期望时长较长的电脑、科幻小说等主题对应的参数a的取值较小，如取为2，而对于其它价格较低的产品，如书本，中断一天后兴趣度下降很低，可以定义期望时长较短的书本等产品对应的参数a的取值较大，如取为15。

在步骤S205中，根据所述生成产品的兴趣度数据，推送与所述产品相应的信息。

图3为本发明实施例通过考虑了衰减因素后的用户兴趣度变化趋势图。在图3所示图形表中，产品的期望时长为5天，左边纵坐标表示用户关注所述主题的次数，右边纵坐标表示兴趣度，横坐标表示天数，如图所示，在第7天、第9天、第11天用户对主题访问次数为3，第8天对主题的访问次数为4，第10天对主题的访问次数为5，由于从第7天到第11天都有持续关注，在第11天，其持续关注持续时长=5，与期望时长相等，其兴越度数据为1，而且随着持续关注持续时长的增加，兴趣度递增，在第12天时对主题的访问次数为0，兴趣度并没有立即减为零，而是呈指数衰减。同样在第16天至第22天，第24天至第30天，根据持续关注天数和衰减修正相结合，提高用户兴趣度的变化精度。

另外，在本发明实施例中，所述产品从第一次关注到最后一次关注结束的期望时长，可以根据历史统计的所述产品从第一次关注到最后一次关注结束的时长的多个值取平均值，得到产品从第一次关注到最后一次关注结束的期望时长。还可以根据个体的特征建立预测模型，通过获取个体特征由相应的预测模型得到期望时长。所述预测模型可以为神经网络预测模型或者线性回归预测模型，所述用户特征资料信息包括用户的平均收入ARPU、年龄、性别、在网时长、职业中的一项或者多项。下面以神经网络预测模型的步骤为例说明：

第一步，根据已确定的预测因子和被预测量，决定网络的输入和输出，进而决定网络的结构(网络各层次的节点数)，本发明实施例中所述网络节点包括用户的平均收入、年龄、性别、在网时长、职业等；

第二步，准备样本数据，样本分为训练样本和检验样本，所述训练样本用于训练网络，所述检验样本用于检验训练的结构，验证网络的泛化能力；

第三步，用训练好的网络，根据已知的数据进行实际预测。

下表为采用神经网络模型，根据用户的平均收入ARPU、年龄、性别、在网时长这些特征，预测得到的期望时长的预测值：

由上表可知，用户的平均收入ARPU、年龄、性别和在网时长共同决定了期望时长的值，在得到每个用户的个性化的期望时长后，可以根据公式I'=I*a^-T3

和公式获取用户的兴趣度数据，其中，T1为持续时长，T2为期望时长，I'为修正后的兴趣度数据，I为修正前的兴趣度数据，T3为所述产品的中断关注的间隔时长。

另外，在本发明实施例和实施例一中，所述产品为同一类别的产品或者为一个具体型号的产品。

本发明实施例和实施例一相比，引入了根据不同产品的衰减参数，可以使得用户的兴趣度数据更加精确，而通过预测模型，可以更加精确的得到用户的期望时长，使得兴趣度数据更加精确。

实施例三：

图4示出了本发明第三实施例提供的根据用户行为推送信息的装置的结构示意图，详述如下：

本发明实施例所述用户对主题的兴趣度获取装置，包括：

第一获取单元401，获取用户最近一次持续关注产品的持续时长。

第二获取单元402，用于根据所述产品的历史数据，获取用户对所述产品的期望时长。

生成单元403，用于根据第一获取单元401获取的持续时长在期望时长中的比值，生成用户关于所述产品的兴趣度数据。

推送单元404，用于根据所述生成产品的兴趣度数据，推送与所述产品相应的信息。

进一步的，所述生成单元403包括：

第一生成子单元，用于当所述获取的持续时长小于所述期望时长时，生成所述用户关于产品的兴趣度为持续时长/期望时长；

第二生成子单元，用于当所述获取的持续时长大于或等于所述期望时长时，生成所述用户关于产品的兴趣度为1。

为进一步提高兴趣度值的精确性，所述装置还包括：

第三获取单元，用于获取所述产品的中断关注的间隔时长；

所述生成单元403用于根据用户关于所述产品的兴趣度计算修正公式

I'=I*a^-T3

得到修正后的兴趣度数据，所述I'为修正后的兴趣度数据，所述参数a为与产品所对应的参数，所述I为修正前的兴趣度数据，Ｔ3为所述产品的中断关注的间隔时长。

其中可选的，所述第二获取单元用于

方式一：根据历史统计的所述产品从第一次关注到最后一次关注结束的时长的多个值取平均值，得到产品从第一次关注到最后一次关注结束的期望时长；

或者方式二：建立与用户特征资料信息相关的、产品从第一次关注到最后一次关注结束的期望时长的预测模型；

获取用户特征资料信息，根据所述预测模型生成用户所对应的从第一次关注到最后一次关注结束的期望时长；

或者根据方式一和方式二得到的期望时长值，与相应的权值相乘后取和得到期望时长。

具体的，所述用户特征资料信息包括用户的平均收入ARPU、年龄、性别、在网时长、职业中的一项或者多项。

所述产品为同一类别的产品或者为一个具体型号的产品。

本发明实施例所述装置与实施例一和实施例二中所述方法相对应，取得相同的效果，在此不作重复赘述。

实施例四：

图5为本发明第四实施例提供的设备的部分结构框图，包括处理器501、网络模块502、存储器503、输入单元504、显示单元505和电源506，其中：

所述处理器501是终端的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器503内的软件程序和/或模块，以及调用存储在存储器503内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。可选的，处理器501可包括一个或多个处理单元；优选的，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。

所述网络模块502，可以为WIFI等短距离的无线传输电路，也可以为通过有线连接的网卡模块，通过网络模块，可以使用户浏览网页，搜索所关注的产品主题，帮助用户完成网络购物等操作。

所述存储器503可用于存储软件程序以及模块，处理器501通过运行存储在存储器503的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器503可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器503可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述输入单元504可用于接收输入的数字或字符信息，以及产生与终端的用户设置以及功能控制有关的键信号输入。具体地，输入单元504可包括触控面板以及其他输入设备。触控面板，也称为触摸屏，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触控面板431上或在触控面板附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器501，并能接收处理器501发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板。除了触控面板，输入单元504还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。

所述显示单元505可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元505可包括显示面板，可选的，可以采用液晶显示器（Liquid CrystalDisplay，LCD）、有机发光二极管（Organic Light-Emitting Diode,OLED）等形式来配置显示面板。进一步的，触控面板可覆盖显示面板，当触控面板检测到在其上或附近的触摸操作后，传送给处理器501以确定触摸事件的类型，随后处理器根据触摸事件的类型在显示面板上提供相应的视觉输出。

所述电源506，用于给处理器501、存储器503、网络模块502、显示单元505提供电能，另外对于手机等智能终端，所述电源506可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

本发明实施例中所述处理器，用于执行根据用户行为推送信息的方法，具体用于包括：

获取用户最近一次持续关注产品的持续时长和从第一次关注到最后一次关注结束所述产品的期望时长；

根据所述获取的持续时长在期望时长中的比值，生成用户对所述产品的兴趣度数据。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种根据用户行为推送信息的方法，其特征在于，所述方法包括：

获取用户最近一次持续关注产品的持续时长；

根据所述产品的历史数据，获取用户对所述产品的期望时长，所述产品的期望时长，为所述产品从第一次关注到最后一次关注结束所持续的时间；

根据所述获取的持续时长与期望时长中的比值，生成用户对所述产品的兴趣度数据；

根据所述生成产品的兴趣度数据，推送与所述产品相应的信息。

2.根据权利要求1所述方法，其特征在于，所述根据所述获取的持续时长在期望时长中的比值，生成用户关于所述产品的兴趣度数据步骤具体为：

当所述获取的持续时长小于所述期望时长时，生成所述用户关于产品的兴趣度为持续时长/期望时长；

当所述获取的持续时长大于或等于所述期望时长时，生成所述用户关于产品的兴趣度为1。

3.根据权利要求1所述方法，其特征在于，在根据所述获取的持续时长在期望时长中的比值，生成用户关于所述产品的兴趣度数据步骤之前，所述方法还包括：

获取所述产品的中断关注的间隔时长；

所述根据所述获取的持续时长与期望时长中的比值，生成用户关于所述产品的兴趣度数据步骤为：

根据用户关于所述产品的兴趣度计算修正公式

I'＝I*a^-T3

得到修正后的兴趣度数据，所述I'为修正后的兴趣度数据，所述参数a为与产品所对应的参数，所述I为修正前的兴趣度数据，T3为所述产品的中断关注的间隔时长。

4.根据权利要求1所述方法，其特征在于，所述根据所述产品的历史数据，获取用户对所述产品的期望时长步骤包括：

方式一：根据历史统计的所述产品从第一次关注到最后一次关注结束的时长的多个值取平均值，得到产品从第一次关注到最后一次关注结束的期望时长；

或者方式二：建立与用户特征资料信息相关的、产品从第一次关注到最后一次关注结束的期望时长的预测模型；

获取用户特征资料信息，根据所述预测模型生成用户所对应的从第一次关注到最后一次关注结束的期望时长；

或者根据方式一和方式二得到的期望时长值，与相应的权值相乘后取和得到期望时长。

5.根据权利要求4所述方法，其特征在于，所述用户特征资料信息包括用户的平均收入ARPU、年龄、性别、在网时长、职业中的一项或者多项。

6.根据权利要求1-5任一项所述方法，其特征在于，所述产品为同一类别的产品或者为一个具体型号的产品。

7.一种根据用户行为推送信息的装置，其特征在于，所述装置包括：

第一获取单元，获取用户最近一次持续关注产品的持续时长；

第二获取单元，用于根据所述产品的历史数据，获取用户对所述产品的期望时长，所述产品的期望时长，为所述产品从第一次关注到最后一次关注结束所持续的时间；

生成单元，用于根据所述获取的持续时长与期望时长中的比值，生成用户对所述产品的兴趣度数据；

推送单元，用于根据所述生成产品的兴趣度数据，推送与所述产品相应的信息。

8.根据权利要求7所述装置，其特征在于，所述生成单元包括：

第一生成子单元，用于当所述获取的持续时长小于所述期望时长时，生成所述用户关于产品的兴趣度为持续时长/期望时长；

第二生成子单元，用于当所述获取的持续时长大于或等于所述期望时长时，生成所述用户关于产品的兴趣度为1。

9.根据权利要求7所述装置，其特征在于，所述装置还包括：

第三获取单元，用于获取所述产品的中断关注的间隔时长；

所述生成单元用于根据用户关于所述产品的兴趣度计算修正公式

I'＝I*a^-T3

得到修正后的兴趣度数据，所述I'为修正后的兴趣度数据，所述参数a为与产品所对应的参数，所述I为修正前的兴趣度数据，T3为所述产品的中断关注的间隔时长。

10.根据权利要求7所述装置，其特征在于，所述第二获取单元用于：

方式一：根据历史统计的所述产品从第一次关注到最后一次关注结束的时长的多个值取平均值，得到产品从第一次关注到最后一次关注结束的期望时长；

或者方式二：建立与用户特征资料信息相关的、产品从第一次关注到最后一次关注结束的期望时长的预测模型；

获取用户特征资料信息，根据所述预测模型生成用户所对应的从第一次关注到最后一次关注结束的期望时长；

或者根据方式一和方式二得到的期望时长值，与相应的权值相乘后取和得到期望时长。

11.根据权利要求10所述装置，其特征在于，所述用户特征资料信息包括用户的平均收入ARPU、年龄、性别、在网时长、职业中的一项或者多项。

12.根据权利要求7-10任一项所述装置，其特征在于，所述产品为同一类别的产品或者为一个具体型号的产品。