CN105095346A - 一种业务推送方法及装置 - Google Patents

Abstract

本发明公开了一种业务推送方法及装置。涉及业务推送领域，能够实现在对用户进行业务推送时，有效地提高业务推送准确性的目的。具体方案为：获取用户的用户特征；根据用户类型全集的分布模型及用户特征集合的分布模型判断用户特征所属的用户类型，其中，用户类型全集为A，用户类型全集的分布模型为f(A)，用户特征集合为Ψ，用户特征集合的分布模型为h(α_i)；根据用户特征所属的用户类型向用户推送相应的业务。本发明用于进行业务推送。

Description

一种业务推送方法及装置

技术领域

本发明涉及业务推送领域，尤其涉及一种业务推送方法及装置。

背景技术

移动互联网的发展是近年来兴起的一次信息化革命。对于运营商而言，移动互联网的到来是一个机遇，同时也是一个挑战。

在运营商网络中，存储了大量的与用户工作、生活或者学习等密切相关的数据信息，如用户的终端类型信息，社交信息、消费信息等。如果合理地利用这些信息，则可以通过这些信息确定用户的用户特征。示例的，如通过用户拨打客服电话，或者最近的通话记录可以判断该用户是否为一个离网用户，又如可以通过用户经常使用的APP(Application，应用程序)可以判断用户感兴趣的主题，从而根据用户感兴趣的主题为用户推送相应的业务。

但是，现有技术中向用户推送业务时，通常采用模糊推送的方式，也就是将某一业务同时向所有人进行推送，或者也会对推送的人群进行筛选，但对推送人群筛选的过程中，也会因为筛选不准确而导致在对用户进行业务推送时，准确性不高的问题。

发明内容

本发明的实施例提供一种业务推送方法及装置，能够实现在对用户进行业务推送时，有效地提高业务推送准确性的目的。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，本发明提供一种业务推送方法，包括：

获取用户的用户特征；

根据用户类型全集的分布模型及用户特征集合的分布模型判断所述用户特征所属的用户类型，其中，所述用户类型全集为A，所述用户类型全集的分布模型为f(A)，所述用户特征集合为Ψ，所述用户特征集合的分布模型为h(α_i)；

根据所述用户特征所属的用户类型向所述用户推送相应的业务。

结合第一方面，在第一种可能的实现方式中，所述通过用户类型全集的分布模型及用户特征集合的分布模型判断所述用户特征所属的用户类型之前，还包括：

获取所述用户类型全集及所述用户类型全集的分布模型，所述用户类型全集A＝{(α₁,p₁),(α₂,p₂)，…，(α_n,p_n)}，所述用户类型全集包括n种用户类型，n为大于0的整数，α_i表示第i种用户类型，p_i表示第i种用户类型对应的概率，i为整数且0＜i≤n，且p₁+p₂+…+p_n＝1，用户类型全集的分布模型为所述用户类型全集对应的分布模型；

根据所述用户类型全集获取用户特征集合，并获取所述用户特征集合的分布模型，所述用户特征集合包括所述用户类型全集中每一种用户类型α_i对应的特征集合，所述用户类型α_i对应的特征集合其中，表示所述用户类型为α_i对应的第s个特征，s为大于0的整数，表示所述用户类型为α_i对应的第s个特征的概率，所述用户特征集合的分布模型为所述用户特征集合对应的分布模型。

结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述通过用户类型全集的分布模型及用户特征集合的分布模型判断所述用户特征所属的用户类型，包括：

计算所述用户特征属于所述用户类型全集中每一种用户类型的概率；

比较所述用户特征属于所述用户类型全集中每一种用户类型的概率，其中，最大概率对应的用户类型即为所述用户特征所属的用户类型。

结合第一方面的第二种可能的实现方式，在第三种可能的实现方式中，所述计算所述用户特征属于所述用户类型全集中每一种用户类型的概率，包括：

若所述用户的用户特征为Φ＝{φ₁，…，φ_t}，t为整数且0＜t≤s，则通过第一公式得到在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，若所述用户特征为Φ＝{φ₁，…，φ_t}，所述用户特征所属的用户类型为α_i的概率p{α_i|Φ＝{φ₁，…，φ_t}，f(A)，h(α_i)}；

其中，第一公式为 $\begin{array}{c}p\left\{{\mathrm{\α}}_i\right|\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\},f\left(A\right),h\left({\mathrm{\α}}_i\right)\}\\ =\frac{p\{{\mathrm{\α}}_i,\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\left\}\right|f\left(A\right),h\left({\mathrm{\α}}_i\right)\}}{{\mathrm{\Σ}}_{\mathrm{\Φ}}p\{{\mathrm{\α}}_i,\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\left\}\right|f\left(A\right),h\left({\mathrm{\α}}_i\right)\}}\end{array},$

p{α_i,Φ＝{φ₁，…，φ_t}|f(A)，h(α_i)}表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户特征为Φ＝{φ₁，…，φ_t}且所述用户特征所属的用户类型为α_i的概率；

Σ_Φp{α_i,Φ＝{φ₁，…，φ_t}|f(A)，h(α_i)}表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户特征为中任意特征且所述用户特征所属的用户类型为α_i的概率。

结合第一方面的第三种可能的实现方式，在第四种可能的实现方式中，所述通过第一公式得到在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，若所述用户特征为Φ＝{φ₁，…，φ_t}，所述用户特征所属的用户类型为α_i的概率p{α_i|Φ＝{φ₁，…，φ_t}，f(A)，h(α_i)}，包括：

其中，p(α_i|f(A))表示在所述用户类型全集的分布模型一定条件下，所述用户特征所属的用户类型为α_i的概率，表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户类型α_i对应的特征为Φ＝{φ₁，…，φ_t}的概率。

结合第一方面的第三种可能的实现方式，在第五种可能的实现方式中，所述通过第一公式得到在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，若所述用户特征为Φ＝{φ₁，…，φ_t}，所述用户特征所属的用户类型为α_i的概率p{α_i|Φ＝{φ₁，…，φ_t}，f(A)，h(α_i)}，包括：

其中，p(α_i|f(A))表示在所述用户类型全集的分布模型一定条件下，所述用户特征所属的用户类型为α_i的概率，表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户类型α_i对应的特征为Φ＝{φ₁，…，φ_t}的概率。

结合第一方面的第四种可能的实现方式或第一方面的第五种可能的实现方式，在第六种可能的实现方式中，

对于任一用户特征φ_j，若存在常数k，使得则若不存在常数k，则p(φ_j|α_i,h(α_i))＝0；

其中，表示所述任一用户特征φ_j属于所述用户特征集合，p(φ_j|α_i,h(α_i))＝0表示所述任一用户特征φ_j不属于所述用户特征集合。

第二方面，本发明提供一种业务推送装置，包括：

获取单元，用于获取用户的用户特征；

确认单元，根据用户类型全集的分布模型及用户特征集合的分布模型判断所述用户特征所属的用户类型，其中，所述用户类型全集为A，所述用户类型全集的分布模型为f(A)，所述用户特征集合为Ψ，所述用户特征集合的分布模型为h(α_i)；

推送单元，根据所述用户特征所属的用户类型向所述用户推送相应的业务。

结合第二方面，在第一种可能的实现方式中，

所述获取单元，还用于获取所述用户类型全集及所述用户类型全集的分布模型，所述用户类型全集A＝{(α₁,p₁),(α₂,p₂)，…，(α_n,p_n)}，所述用户类型全集包括n种用户类型，n为大于0的整数，α_i表示第i种用户类型，p_i表示第i种用户类型对应的概率，i为整数且0＜i≤n，且p₁+p₂+…+p_n＝1，用户类型全集的分布模型为所述用户类型全集对应的分布模型；

所述获取单元，还用于根据所述用户类型全集获取用户特征集合，并获取所述用户特征集合的分布模型，所述用户特征集合包括所述用户类型全集中每一种用户类型α_i对应的特征集合，所述用户类型α_i对应的特征集合其中，表示所述用户类型为α_i对应的第s个特征，s为大于0的整数，表示所述用户类型为α_i对应的第s个特征的概率，所述用户特征集合的分布模型为所述用户特征集合对应的分布模型。

结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，

所述确认单元，还用于计算所述用户特征属于所述用户类型全集中每一种用户类型的概率；

所述确认单元，还用于比较所述用户特征属于所述用户类型全集中每一种用户类型的概率，其中，最大概率对应的用户类型即为所述用户特征所属的用户类型。

结合第二方面的第二种可能的实现方式，在第三种可能的实现方式中，

若所述用户的用户特征为Φ＝{φ₁，…，φ_t}，t为整数且0＜t≤s，则通过第一公式得到在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，若所述用户特征为Φ＝{φ₁，…，φ_t}，所述用户特征所属的用户类型为α_i的概率p{α_i|Φ＝{φ₁，…，φ_t}，f(A)，h(α_i)}；

其中，第一公式为 $\begin{array}{c}p\left\{{\mathrm{\α}}_i\right|\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\},f\left(A\right),h\left({\mathrm{\α}}_i\right)\}\\ =\frac{p\{{\mathrm{\α}}_i,\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\left\}\right|f\left(A\right),h\left({\mathrm{\α}}_i\right)\}}{{\mathrm{\Σ}}_{\mathrm{\Φ}}p\{{\mathrm{\α}}_i,\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\left\}\right|f\left(A\right),h\left({\mathrm{\α}}_i\right)\}}\end{array},$

p{α_i,Φ＝{φ₁，…，φ_t}|f(A)，h(α_i)}表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户特征为Φ＝{φ₁，…，φ_t}且所述用户特征所属的用户类型为α_i的概率；

Σ_Φp{α_i,Φ＝{φ₁，…，φ_t}|f(A)，h(α_i)}表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户特征为中任意特征且所述用户特征所属的用户类型为α_i的概率。

结合第二方面的第三种可能的实现方式，在第四种可能的实现方式中，

其中，p(α_i|f(A))表示在所述用户类型全集的分布模型一定条件下，所述用户特征所属的用户类型为α_i的概率，表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户类型α_i对应的特征为Φ＝{φ₁，…，φ_t}的概率。

结合第二方面的第三种可能的实现方式，在第五种可能的实现方式中，

其中，p(α_i|f(A))表示在所述用户类型全集的分布模型一定条件下，所述用户特征所属的用户类型为α_i的概率，表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户类型α_i对应的特征为Φ＝{φ₁，…，φ_t}的概率。

结合第二方面的第四种可能的实现方式或第五种可能的实现方式，在第六种可能的实现方式中，

对于任一用户特征φ_j，若存在常数k，使得则若不存在常数k，则p(φ_j|α_i,h(α_i))＝0；

其中，表示所述任一用户特征φ_j属于所述用户特征集合，p(φ_j|α_i,h(α_i))＝0表示所述任一用户特征φ_j不属于所述用户特征集合。

本发明实施例提供的业务推送方法及装置，获取用户的用户特征；根据用户类型全集的分布模型及用户特征集合的分布模型判断用户特征所属的用户类型，其中，用户类型全集为A，用户类型全集的分布模型为f(A)，用户特征集合为Ψ，用户特征集合的分布模型为h(α_i)；根据用户特征所属的用户类型向用户推送相应的业务。这样一来，在对用户进行业务推送时，可以先获取用户的用户特征，再根据用户类型全集的分布模型及用户特征集合的分布模型判断该用户所属的用户类型，之后，再根据用户所属的用户类型为该用户推送相应的业务，是具有针对性的业务推送，这样就可以避免现有技术中向用户推送业务时，通常采用模糊推送的方式而导致的业务推送准确性不高的问题，能够实现在对用户进行业务推送时，有效地提高业务推送准确性的目的。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例所需要使用的附图作简单地介绍，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种业务推送方法流程示意图；

图2为本发明实施例提供的一种业务推送装置结构示意图。

具体实施方式

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。

本发明实施例提供一种用户类型预测方法，如图1所示，该用户类型预测方法包括：

S101、获取用户的用户特征。

可选的，用户特征可以是喜欢出入高档次餐厅，也可以是喜欢玩游戏，当然，也可以是其它特征，在此，对于用户特征具体是什么，本发明不做限制。在本实施例中，可以通过用户的终端类型信息，社交信息或者消费信息等信息获取用户的用户特征，当然，也可以通过其它方式获取用户特征，在此，对于用户特征的获取方式，本发明不做具体限制。在获取用户的用户特征时，可以获取一个用户特征，也可以获取多个用户特征，当然，在此，对于获取的用户特征的数量，本发明不做具体限制。

S102、根据用户类型全集的分布模型及用户特征集合的分布模型判断用户特征所属的用户类型。

其中，用户类型全集为A，用户类型全集的分布模型为f(A)，用户特征集合为Ψ，用户特征集合的分布模型为h(α_i)。

可选的，对于不同场景的业务推送，其对应的用户类型全集不同。示例的，若需要向用户推送旅游业务，则可以将用户的月收入作为该旅游业务对应的用户类型全集A，若需要向用户推送上网业务，则可以将用户的月使用流量作为该上网业务对应的用户类型全集A。在此，对于用户类型全集具体包括哪些用户类型，本发明不做限制。待用户类型全集确定之后，该用户全集对应的用户特征集合也随之确定，用户特征集合包括用户类型全集中每一种用户类型对应的用户特征。

用户类型全集的分布模型是用户类型全集对应的分布模型，用户特征集合的分布模型是用户特征集合对应的分布模型。用户类型全集的分布模型及用户特征集合的分布模型可以通过样本空间得到，可选的，用户类型全集的分布模型及用户特征集合的分布模型可以满足高斯分布，当然，也可以满足其他分布，在此，本发明不做具体限制。此外，可以通过数据统计数据分析的方式预先得到样本空间。

S103、根据用户特征所属的用户类型向用户推送相应的业务。

根据用户类型全集的分布模型及用户特征集合的分布模型判断得到用户特征所属的用户类型之后，就可以根据用户所属的用户类型向用户推送相应的业务。示例的，若判断得出用户类型为旅游型，则可以向该用户推送相应的旅游业务，若判断得到用户类型为游戏型，则可以向该用户推送相应的游戏业务，在此，对于向用户推送的业务类型，本发明不做具体限制。

这样一来，在对用户进行业务推送时，可以先获取用户的用户特征，再根据用户类型全集的分布模型及用户特征集合的分布模型判断该用户所属的用户类型，之后，再根据用户所属的用户类型为该用户推送相应的业务，是具有针对性的业务推送，这样就可以避免现有技术中向用户推送业务时，通常采用模糊推送的方式而导致的业务推送准确性不高的问题，能够实现在对用户进行业务推送时，有效地提高业务推送准确性的目的。

结合步骤S102，可选的，通过用户类型全集的分布模型及用户特征集合的分布模型判断用户特征所属的用户类型之前，还包括：

获取用户类型全集及用户类型全集的分布模型，用户类型全集A＝{(α₁,p₁),(α₂,p₂)，…，(α_n,p_n)}，用户类型全集包括n种用户类型，n为大于0的整数，α_i表示第i种用户类型，p_i表示第i种用户类型对应的概率，i为整数且0＜i≤n，且p₁+p₂+…+p_n＝1，用户类型全集的分布模型为用户类型全集对应的分布模型。

示例的，以用户的月收入为用户类型全集A为例进行说明，该用户类型全集可以包括：A＝{(α₁,p₁),(α₂,p₂)，(α₃,p₃),(α₄,p₄)，(α₅,p₅)}，α₁为第一用户类型0至3000元，p₁为第一用户类型α₁对应的概率；α₂为第二用户类型3000元至5000元，p₂为第二用户类型α₂对应的概率；α₃为第三用户类型5000元至7000元，p₃为第三用户类型α₃对应的概率；α₄为第四用户类型7000元至10000元，p₄为第四用户类型α₄对应的概率；α₅为第五用户类型10000元以上，p₅为第五用户类型α₅对应的概率；其中，p₁+p₂+p₃+p₄+p₅＝1，即用户属于第一用户类型的概率与用户属于第二用户类型的概率、用户属于第三用户类型的概率、用户属于第四用户类型的概率及用户属于第五用户类型的概率相加总和为1。

其中，第一用户类型α₁对应的概率p₁，第二用户类型α₂对应的概率p₂，第三用户类型α₃对应的概率p₃，第四用户类型α₄对应的概率p₄及第五用户类型α₅对应的概率p₅可以通过该用户类型全集的分布模型得到。示例的，将第一用户类型α₁代入到该用户类型全集的分布模型中，就可以得到第一用户类型α₁对应的概率p₁，同理，第二用户类型α₂对应的概率p₂，第三用户类型α₃对应的概率p₃，第四用户类型α₄对应的概率p₄及第五用户类型α₅对应的概率p₅的获取方法与第一用户类型α₁对应的概率p₁的获取方法相同。

根据用户类型全集获取用户特征集合，并获取用户特征集合的分布模型，用户特征集合包括用户类型全集中每一种用户类型α_i对应的特征集合，用户类型α_i对应的特征集合其中，表示用户类型为α_i对应的第s个特征，s为大于0的整数，表示用户类型为α_i对应的第s个特征的概率，用户特征集合的分布模型为用户特征集合对应的分布模型。

示例的，同样以用户的月收入为用户类型全集A为例进行说明，则该用户特征集合包括第一用户类型α₁对应的特征集合，第二用户类型α₂对应的特征集合，第三用户类型α₃对应的特征集合，第四用户类型α₄对应的特征集合及第五用户类型α₅对应的特征集合。以第四用户类型对应的特征集合为例，第四用户类型对应的特征集合可以包括：为经常出入高档次餐厅，为第四用户类型对应的特征的概率；经常出入五星级酒店，为第四用户类型对应的特征的概率；为经常外出旅游，为第四用户类型对应的特征的概率。

其中，第四用户类型对应的特征的概率第四用户类型对应的特征的概率及第四用户类型对应的特征的概率可以通过该用户特征集合的分布模型得到。示例的，将第四用户类型对应的特征代入到该用户特征集合的分布模型中，就可以得到第四用户类型对应的特征的概率同理，第四用户类型对应的特征的概率及第四用户类型对应的特征的概率的获取方法与第四用户类型对应的特征的概率的获取方法相同。

结合步骤S102，可选的，通过用户类型全集的分布模型及用户特征集合的分布模型判断用户特征所属的用户类型，包括：

计算用户特征属于用户类型全集中每一种用户类型的概率。

可选的，计算用户特征属于用户类型全集中每一种用户类型的概率，包括：

若用户的用户特征为Φ＝{φ₁，…，φ_t}，t为整数且0＜t≤s，则通过第一公式得到在用户类型全集的分布模型及用户特征集合的分布模型一定的条件下，若用户特征为Φ＝{φ₁，…，φ_t}，用户特征所属的用户类型为α_i的概率p{α_i|Φ＝{φ₁，…，φ_t}，f(A)，h(α_i)}；

其中，第一公式为 $\begin{array}{c}p\left\{{\mathrm{\α}}_i\right|\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\},f\left(A\right),h\left({\mathrm{\α}}_i\right)\}\\ =\frac{p\{{\mathrm{\α}}_i,\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\left\}\right|f\left(A\right),h\left({\mathrm{\α}}_i\right)\}}{{\mathrm{\Σ}}_{\mathrm{\Φ}}p\{{\mathrm{\α}}_i,\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\left\}\right|f\left(A\right),h\left({\mathrm{\α}}_i\right)\}}\end{array},$

p{α_i,Φ＝{φ₁，…，φ_t}|f(A)，h(α_i)}表示在用户类型全集的分布模型及用户特征集合的分布模型一定的条件下，用户特征为Φ＝{φ₁，…，φ_t}且用户特征所属的用户类型为α_i的概率.

Σ_Φp{α_i,Φ＝{φ₁，…，φ_t}|f(A)，h(α_i)}表示在用户类型全集的分布模型及用户特征集合的分布模型一定的条件下，用户特征为中任意特征且用户特征所属的用户类型为α_i的概率。

可选的，通过第一公式得到在用户类型全集的分布模型及用户特征集合的分布模型一定的条件下，若用户特征为Φ＝{φ₁，…，φ_t}，用户特征所属的用户类型为α_i的概率p{α_i|Φ＝{φ₁，…，φ_t}，f(A)，h(α_i)}，包括：

其中，p(α_i|f(A))表示在用户类型全集的分布模型一定条件下，用户特征所属的用户类型为α_i的概率，表示在用户类型全集的分布模型及用户特征集合的分布模型一定的条件下，用户类型α_i对应的特征为Φ＝{φ₁，…，φ_t}的概率。

又可选的，通过第一公式得到在用户类型全集的分布模型及用户特征集合的分布模型一定的条件下，若用户特征为Φ＝{φ₁，…，φ_t}，用户特征所属的用户类型为α_i的概率p{α_i|Φ＝{φ₁，…，φ_t}，f(A)，h(α_i)}，包括：

其中，p(α_i|f(A))表示在用户类型全集的分布模型一定条件下，用户特征所属的用户类型为α_i的概率，表示在用户类型全集的分布模型及用户特征集合的分布模型一定的条件下，用户类型α_i对应的特征为Φ＝{φ₁，…，φ_t}的概率。

可选的，对于任一用户特征φ_j，若存在常数k，使得则若不存在常数k，则p(φ_j|α_i,h(α_i))＝0；

其中，表示任一用户特征φ_j属于用户特征集合，p(φ_j|α_i,h(α_i))＝0表示任一用户特征φ_j不属于用户特征集合。将公式或公式p(φ_j|α_i,h(α_i))＝0分别代入到及中，就可以将公式 $\begin{array}{c}p\left\{{\mathrm{\α}}_i|\mathrm{\Φ}=\left\{{\mathrm{\φ}}_1,\mathrm{...},{\mathrm{\φ}}_t\right\},f\left(A\right),h\left({\mathrm{\α}}_i\right)\right\}\\ =\frac{p\left\{{\mathrm{\α}}_i,\mathrm{\Φ}=\left\{{\mathrm{\φ}}_1,\mathrm{...},{\mathrm{\φ}}_t\right\}|f\left(A\right),h\left({\mathrm{\α}}_i\right)\right\}}{{\mathrm{\Σ}}_{\mathrm{\Φ}}p\left\{{\mathrm{\α}}_i,\mathrm{\Φ}=\left\{{\mathrm{\φ}}_1,\mathrm{...},{\mathrm{\φ}}_t\right\}|f\left(A\right),h\left({\mathrm{\α}}_i\right)\right\}}\end{array}$ 转化成为p(α_i|f(A))和的模型，其中，p(α_i|f(A))表示在用户类型全集的分布模型一定的条件下，用户特征属于用户类型α_i的概率，因此，将用户类型α_i代入到用户类型全集的分布模型中，就可以得到p(α_i|f(A))的值，表示用户类型α_i对应的第s个特征的概率，将代入到用户特征集合的分布模型中，就可以得到的值。这样，在用户类型全集的分布模型及用户特征集合的分布模型一定的条件下，就可以通过第一公式计算得到获取的用户特征属于用户类型全集中每一种用户类型的概率。

比较用户特征属于用户类型全集中每一种用户类型的概率，其中，最大概率对应的用户类型即为用户特征所属的用户类型。

在计算得到用户特征属于用户类型全集中每一种用户类型的概率之后，比较这些概率值，将其中最大概率对应的用户类型作为用户特征所属的用户类型。示例的，以用户的月收入为用户类型全集A为例进行说明，若用户特征为经常出入高档次餐厅，通过计算得到该用户特征属于第一用户类型的概率为5％，属于第二用户类型的概率为11％，属于第三类型的概率为26％，属于第四用户类型的概率为55％，属于第五用户类型的概率为50％，则通过比较可以得到，该用户类型属于第四用户类型。

在获取用户特征所属的用户类型之后，就可以根据该用户类型向用户推送相应的业务。示例的，若该用户类型的特征集合中包括多个用户特征，则除了可以向用户推送与用户特征相关的业务之外，还可以向用户推送该用户类型对应的特征集合中与用户特征不同的其他用户特征对应的业务。示例的，以用户的月收入为用户类型全集A为例进行说明，若用户特征为经常出入高档次餐厅，计算得到该用户特征属于第四用户类型，而第四用户类型的特征集合中包括多个用户特征，如经常出入五星级酒店，经常外出旅游，那么除了向该用户推送与高档次餐厅相关的业务之外，还可以向用户推送与五星级酒店及外出旅游等相关业务，这样根据用户特征向用户推送与用户特征相关的业务，就可以提高业务推送的准确性。

本发明实施例提供的业务推送方法，获取用户的用户特征；根据用户类型全集的分布模型及用户特征集合的分布模型判断用户特征所属的用户类型，其中，用户类型全集为A，用户类型全集的分布模型为f(A)，用户特征集合为Ψ，用户特征集合的分布模型为h(α_i)；根据用户特征所属的用户类型向用户推送相应的业务。这样一来，在对用户进行业务推送时，可以先获取用户的用户特征，再根据用户类型全集的分布模型及用户特征集合的分布模型判断该用户所属的用户类型，之后，再根据用户所属的用户类型为该用户推送相应的业务，是具有针对性的业务推送，这样就可以避免现有技术中向用户推送业务时，通常采用模糊推送的方式而导致的业务推送准确性不高的问题，能够实现在对用户进行业务推送时，有效地提高业务推送准确性的目的。

基于图1对应的实施例，本发明实施例提供一种业务推送装置20，如图2所示，该业务推送装置20包括：

获取单元201，用于获取用户的用户特征。

确认单元202，根据用户类型全集的分布模型及用户特征集合的分布模型判断用户特征所属的用户类型，其中，用户类型全集为A，用户类型全集的分布模型为f(A)，用户特征集合为Ψ，用户特征集合的分布模型为h(α_i)。

推送单元203，根据用户特征所属的用户类型向用户推送相应的业务。

可选的，获取单元201，还用于获取用户类型全集及用户类型全集的分布模型，用户类型全集A＝{(α₁,p₁),(α₂,p₂)，…，(α_n,p_n)}，用户类型全集包括n种用户类型，n为大于0的整数，α_i表示第i种用户类型，p_i表示第i种用户类型对应的概率，i为整数且0＜i≤n，且p₁+p₂+…+p_n＝1，用户类型全集的分布模型为用户类型全集对应的分布模型。

获取单元201，还用于根据用户类型全集获取用户特征集合，并获取用户特征集合的分布模型，用户特征集合包括用户类型全集中每一种用户类型α_i对应的特征集合，用户类型α_i对应的特征集合其中，表示用户类型为α_i对应的第s个特征，s为大于0的整数，表示用户类型为α_i对应的第s个特征的概率，用户特征集合的分布模型为用户特征集合对应的分布模型。

可选的，确认单元202，还用于计算用户特征属于用户类型全集中每一种用户类型的概率。

确认单元202，还用于比较用户特征属于用户类型全集中每一种用户类型的概率，其中，最大概率对应的用户类型即为用户特征所属的用户类型。

可选的，若用户的用户特征为Φ＝{φ₁，…，φ_t}，t为整数且0＜t≤s，则通过第一公式得到在用户类型全集的分布模型及用户特征集合的分布模型一定的条件下，若用户特征为Φ＝{φ₁，…，φ_t}，用户特征所属的用户类型为α_i的概率p{α_i|Φ＝{φ₁，…，φ_t}，f(A)，h(α_i)}；

其中，第一公式为 $\begin{array}{c}p\left\{{\mathrm{\α}}_i\right|\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\},f\left(A\right),h\left({\mathrm{\α}}_i\right)\}\\ =\frac{p\{{\mathrm{\α}}_i,\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\left\}\right|f\left(A\right),h\left({\mathrm{\α}}_i\right)\}}{{\mathrm{\Σ}}_{\mathrm{\Φ}}p\{{\mathrm{\α}}_i,\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\left\}\right|f\left(A\right),h\left({\mathrm{\α}}_i\right)\}}\end{array},$

p{α_i,Φ＝{φ₁，…，φ_t}|f(A)，h(α_i)}表示在用户类型全集的分布模型及用户特征集合的分布模型一定的条件下，用户特征为Φ＝{φ₁，…，φ_t}且用户特征所属的用户类型为α_i的概率；

Σ_Φp{α_i,Φ＝{φ₁，…，φ_t}|f(A)，h(α_i)}表示在用户类型全集的分布模型及用户特征集合的分布模型一定的条件下，用户特征为中任意特征且用户特征所属的用户类型为α_i的概率。

可选的，其中，p(α_i|f(A))表示在用户类型全集的分布模型一定条件下，用户特征所属的用户类型为α_i的概率，表示在用户类型全集的分布模型及用户特征集合的分布模型一定的条件下，用户类型α_i对应的特征为Φ＝{φ₁，…，φ_t}的概率。

可选的，其中，p(α_i|f(A))表示在用户类型全集的分布模型一定条件下，用户特征所属的用户类型为α_i的概率，表示在用户类型全集的分布模型及用户特征集合的分布模型一定的条件下，用户类型α_i对应的特征为Φ＝{φ₁，…，φ_t}的概率。

可选的，对于任一用户特征φ_j，若存在常数k，使得则若不存在常数k，则p(φ_j|α_i,h(α_i))＝0。

其中，表示任一用户特征φ_j属于用户特征集合，p(φ_j|α_i,h(α_i))＝0表示任一用户特征φ_j不属于用户特征集合。

本发明实施例提供的业务推送装置，获取单元用于获取用户的用户特征；确认单元根据用户类型全集的分布模型及用户特征集合的分布模型判断用户特征所属的用户类型，其中，用户类型全集为A，用户类型全集的分布模型为f(A)，用户特征集合为Ψ，用户特征集合的分布模型为h(α_i)；推送单元根据用户特征所属的用户类型向用户推送相应的业务。这样一来，在对用户进行业务推送时，获取单元可以先获取用户的用户特征，确认单元再根据用户类型全集的分布模型及用户特征集合的分布模型判断该用户所属的用户类型，之后，推送单元再根据用户所属的用户类型为该用户推送相应的业务，是具有针对性的业务推送，这样就可以避免现有技术中向用户推送业务时，通常采用模糊推送的方式而导致的业务推送准确性不高的问题，能够实现在对用户进行业务推送时，有效地提高业务推送准确性的目的。

在本申请所提供的几个实施例中，应该理解到，所示出的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示例性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，简称ROM)、随机存取存储器(RandomAccessMemory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (14)

1.一种业务推送方法，其特征在于，包括：

获取用户的用户特征；

根据用户类型全集的分布模型及用户特征集合的分布模型判断所述用户特征所属的用户类型，其中，所述用户类型全集为A，所述用户类型全集的分布模型为f(A)，所述用户特征集合为Ψ，所述用户特征集合的分布模型为h(α_i)；

根据所述用户特征所属的用户类型向所述用户推送相应的业务。

2.根据权利要求1所述的方法，其特征在于，所述通过用户类型全集的分布模型及用户特征集合的分布模型判断所述用户特征所属的用户类型之前，还包括：

获取所述用户类型全集及所述用户类型全集的分布模型，所述用户类型全集A＝{(α₁,p₁),(α₂,p₂)，…，(α_n,p_n)}，所述用户类型全集包括n种用户类型，n为大于0的整数，α_i表示第i种用户类型，p_i表示第i种用户类型对应的概率，i为整数且0＜i≤n，且p₁+p₂+…+p_n＝1，用户类型全集的分布模型为所述用户类型全集对应的分布模型；

根据所述用户类型全集获取用户特征集合，并获取所述用户特征集合的分布模型，所述用户特征集合包括所述用户类型全集中每一种用户类型α_i对应的特征集合，所述用户类型α_i对应的特征集合其中，表示所述用户类型为α_i对应的第s个特征，s为大于0的整数，表示所述用户类型为α_i对应的第s个特征的概率，所述用户特征集合的分布模型为所述用户特征集合对应的分布模型。

3.根据权利要求2所述的方法，其特征在于，所述通过用户类型全集的分布模型及用户特征集合的分布模型判断所述用户特征所属的用户类型，包括：

计算所述用户特征属于所述用户类型全集中每一种用户类型的概率；

比较所述用户特征属于所述用户类型全集中每一种用户类型的概率，其中，最大概率对应的用户类型即为所述用户特征所属的用户类型。

4.根据权利要求3所述的方法，其特征在于，所述计算所述用户特征属于所述用户类型全集中每一种用户类型的概率，包括：

若所述用户的用户特征为Φ＝{φ₁，…，φ_t}，t为整数且0＜t≤s，则通过第一公式得到在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，若所述用户特征为Φ＝{φ₁，…，φ_t}，所述用户特征所属的用户类型为α_i的概率p{α_i|Φ＝{φ₁，…，φ_t}，f(A)，h(α_i)}；

其中，第一公式为 $\begin{array}{c}p\left\{{\mathrm{\α}}_i\right|\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\},f\left(A\right),H\left({\mathrm{\α}}_i\right)\}\\ =\frac{p\{{\mathrm{\α}}_i,\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\left\}\right|f\left(A\right),h\left({\mathrm{\α}}_i\right)\}}{{\mathrm{\Σ}}_{\mathrm{\Φ}}p\{{\mathrm{\α}}_i,\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\left\}\right|f\left(A\right),h\left({\mathrm{\α}}_i\right)\}}\end{array},$

p{α_i,Φ＝{φ₁，…，φ_t}|f(A)，h(α_i)}表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户特征为Φ＝{φ₁，…，φ_t}且所述用户特征所属的用户类型为α_i的概率；

Σ_Φp{α_i,Φ＝{φ₁，…，φ_t}|f(A)，h(α_i)}表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户特征为中任意特征且所述用户特征所属的用户类型为α_i的概率。

5.根据权利要求4所述的方法，其特征在于，所述通过第一公式得到在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，若所述用户特征为Φ＝{φ₁，…，φ_t}，所述用户特征所属的用户类型为α_i的概率p{α_i|Φ＝{φ₁，…，φ_t}，f(A)，h(α_i)}，包括：

其中，p(α_i|f(A))表示在所述用户类型全集的分布模型一定条件下，所述用户特征所属的用户类型为α_i的概率，表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户类型α_i对应的特征为Φ＝{φ₁，…，φ_t}的概率。

6.根据权利要求4所述的方法，其特征在于，所述通过第一公式得到在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，若所述用户特征为Φ＝{φ₁，…，φ_t}，所述用户特征所属的用户类型为α_i的概率p{α_i|Φ＝{φ₁，…，φ_t}，f(A)，h(α_i)}，包括：

其中，p(α_i|f(A))表示在所述用户类型全集的分布模型一定条件下，所述用户特征所属的用户类型为α_i的概率，表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户类型α_i对应的特征为Φ＝{φ₁，…，φ_t}的概率。

7.根据权利要求5或6任一项所述的方法，其特征在于，

对于任一用户特征φ_j，若存在常数k，使得则若不存在常数k，则p(φ_j|α_i,h(α_i))＝0；

其中，表示所述任一用户特征φ_j属于所述用户特征集合，p(φ_j|α_i,h(α_i))＝0表示所述任一用户特征φ_j不属于所述用户特征集合。

8.一种业务推送装置，其特征在于，包括：

获取单元，用于获取用户的用户特征；

确认单元，根据用户类型全集的分布模型及用户特征集合的分布模型判断所述用户特征所属的用户类型，其中，所述用户类型全集为A，所述用户类型全集的分布模型为f(A)，所述用户特征集合为Ψ，所述用户特征集合的分布模型为h(α_i)；

推送单元，根据所述用户特征所属的用户类型向所述用户推送相应的业务。

9.根据权利要求8所述的装置，其特征在于，

所述获取单元，还用于获取所述用户类型全集及所述用户类型全集的分布模型，所述用户类型全集A＝{(α₁,p₁),(α₂,p₂)，…，(α_n,p_n)}，所述用户类型全集包括n种用户类型，n为大于0的整数，α_i表示第i种用户类型，p_i表示第i种用户类型对应的概率，i为整数且0＜i≤n，且p₁+p₂+…+p_n＝1，用户类型全集的分布模型为所述用户类型全集对应的分布模型；

所述获取单元，还用于根据所述用户类型全集获取用户特征集合，并获取所述用户特征集合的分布模型，所述用户特征集合包括所述用户类型全集中每一种用户类型α_i对应的特征集合，所述用户类型α_i对应的特征集合其中，表示所述用户类型为α_i对应的第s个特征，s为大于0的整数，表示所述用户类型为α_i对应的第s个特征的概率，所述用户特征集合的分布模型为所述用户特征集合对应的分布模型。

10.根据权利要求9所述的装置，其特征在于，

所述确认单元，还用于计算所述用户特征属于所述用户类型全集中每一种用户类型的概率；

所述确认单元，还用于比较所述用户特征属于所述用户类型全集中每一种用户类型的概率，其中，最大概率对应的用户类型即为所述用户特征所属的用户类型。

11.根据权利要求10所述的装置，其特征在于，

若所述用户的用户特征为Φ＝{φ₁，…，φ_t}，t为整数且0＜t≤s，则通过第一公式得到在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，若所述用户特征为Φ＝{φ₁，…，φ_t}，所述用户特征所属的用户类型为α_i的概率p{α_i|Φ＝{φ₁，…，φ_t}，f(A)，h(α_i)}；

其中，第一公式为 $\begin{array}{c}p\left\{{\mathrm{\α}}_i\right|\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\},f\left(A\right),H\left({\mathrm{\α}}_i\right)\}\\ =\frac{p\{{\mathrm{\α}}_i,\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\left\}\right|f\left(A\right),h\left({\mathrm{\α}}_i\right)\}}{{\mathrm{\Σ}}_{\mathrm{\Φ}}p\{{\mathrm{\α}}_i,\mathrm{\Φ}=\{{\mathrm{\φ}}_1,\·\·\·,{\mathrm{\φ}}_t\left\}\right|f\left(A\right),h\left({\mathrm{\α}}_i\right)\}}\end{array},$

p{α_i,Φ＝{φ₁，…，φ_t}|f(A)，h(α_i)}表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户特征为Φ＝{φ₁，…，φ_t}且所述用户特征所属的用户类型为α_i的概率；

Σ_Φp{α_i,Φ＝{φ₁，…，φ_t}|f(A)，h(α_i)}表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户特征为中任意特征且所述用户特征所属的用户类型为α_i的概率。

12.根据权利要求11所述的装置，其特征在于，

其中，p(α_i|f(A))表示在所述用户类型全集的分布模型一定条件下，所述用户特征所属的用户类型为α_i的概率，表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户类型α_i对应的特征为Φ＝{φ₁，…，φ_t}的概率。

13.根据权利要求11所述的装置，其特征在于，

其中，p(α_i|f(A))表示在所述用户类型全集的分布模型一定条件下，所述用户特征所属的用户类型为α_i的概率，表示在所述用户类型全集的分布模型及所述用户特征集合的分布模型一定的条件下，所述用户类型α_i对应的特征为Φ＝{φ₁，…，φ_t}的概率。

14.根据权利要求12或13任一项所述的装置，其特征在于，

对于任一用户特征φ_j，若存在常数k，使得则若不存在常数k，则p(φ_j|α_i,h(α_i))＝0；

其中，表示所述任一用户特征φ_j属于所述用户特征集合，p(φ_j|α_i,h(α_i))＝0表示所述任一用户特征φ_j不属于所述用户特征集合。