CN105407158A - 一种建立模型和推送消息的方法及装置 - Google Patents

Abstract

本发明公开了一种建立模型和推送消息的方法及装置。所述建立模型的方法包括：获取用户最近K天和第K+1天中访问预设应用的用户行为信息；根据用户最近K天和第K+1天的用户行为信息构建训练集；根据所述训练集建立预测模型，所述预测模型用于根据用户最近N天访问预设应用的用户行为信息，确定用户第N+1天关于预设应用的推送时间；其中，K和N均为预设的参数，且均为大于1的整数。上述技术方案，可以针对不同用户定制化的发送推送消息，提高用户打开应用程序或推送消息的打开率。

Description

一种建立模型和推送消息的方法及装置

技术领域

本发明涉及互联网技术领域，特别涉及一种建立模型和推送消息的方法及装置。

背景技术

当前的推送系统中，一般是由编辑人工决定推送消息的发送时间，由于要推送的人群数量庞大，编辑人员不可能针对每个具体的人确定具体的发送时间，因此，一般是在同一时间推送消息，所有的用户均在同一时间看到推送的消息。然而，这种推送方式对推送的消息的打开率有极大影响，比如，用户收到推送的消息时正在工作或者网络条件不允许，则用户不会打开此推送的消息，推送效果不理想。

发明内容

本发明提供一种建立模型和推送消息的方法及装置，用以精准的向用户推送消息。

本发明提供一种建立模型的方法，包括：

获取用户最近K天和第K+1天中访问预设应用的用户行为信息；

根据用户最近K天和第K+1天的用户行为信息构建训练集；

根据所述训练集建立预测模型，所述预测模型用于根据用户最近N天访问预设应用的用户行为信息，确定用户第N+1天关于预设应用的推送时间；其中，K和N均为预设的参数，且均为大于1的整数。

在一个实施例中，所述根据所述训练集建立预测模型，可包括：

将所有可能的用户行为信息分为多个类；

确定最近K天中的用户行为信息所属的类；

根据用户行为信息所属的类，确定用户在各个类的概率；

根据确定的概率构建概率模型，所述概率模型即为预测模型。

在一个实施例中，所述方法还可包括：

将用户在各个类的概率归一化处理。

在一个实施例中，所述用户行为信息，可包括：

用户每个小时在预设应用程序中的每个频道的访问频次；和/或

用户每个小时在每个网络环境下的访问频次。

本发明还提供一种推送消息的方法，包括：

将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出所述当前用户第N+1天关于预设应用的推送时间；

当所述推送时间到达时，向所述当前用户推送关于预设应用的消息。

在一个实施例中，所述将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出所述当前用户第N+1天关于预设应用的推送时间，可包括：

确定当前用户最近N天中的用户行为信息所属的类；

根据用户行为信息所属的类，确定当前用户在各个类的概率；

根据当前用户在各个类的概率确定当前用户第N+1天关于预设应用的推送时间。

在一个实施例中，所述用户行为信息，可包括：

当前用户每个小时在预设应用程序中的每个频道的访问频次；和/或

当前用户每个小时在每个网络环境下的访问频次。

在一个实施例中，所述将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出所述当前用户第N+1天关于预设应用的推送时间，可包括：

将当前用户最近N天每个小时在预设应用访问的频道作为特征，将用户最近N天访问的频道的访问频次作为所述特征对应的值，将所述特征和所述特征的值输入所述预测模型，确定当前用户第N+1天关于预设应用的推送时间。

在一个实施例中，所述确定当前用户第N+1天关于预设应用的推送时间，可包括：

确定当前用户第N+1天每个小时访问预设应用的概率；

将所述每个小时访问预设应用程序的概率归一化处理；

确定归一化处理后访问所述应用程序的概率的最大值对应的时间；

将所述最大值对应的时间确定为当前用户的推送时间。

本发明还提供一种建立模型的装置，包括：

获取模块，用于获取用户最近K天和第K+1天中访问预设应用的用户行为信息；

构建模块，用于根据用户最近K天和第K+1天的用户行为信息构建训练集；

建模模块，用于根据所述训练集建立预测模型，所述预测模型用于根据用户最近N天访问预设应用的用户行为信息，确定用户第N+1天关于预设应用的推送时间；其中，K和N均为预设的参数，且均为大于1的整数。

在一个实施例中，所述建模模块，可包括：

分类子模块，用于将所有可能的用户行为信息分为多个类；

第一确定子模块，用于确定最近K天中的用户行为信息所属的类；

第二确定子模块，用于根据用户行为信息所属的类，确定用户在各个类的概率；

第三确定子模块，用于根据确定的概率构建概率模型，所述概率模型即为预测模型。

在一个实施例中，所述装置还可包括：

归一化模块，用于将用户在各个类的概率归一化处理。

本发明还提供一种推送消息的装置，包括：

确定模块，用于将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出所述当前用户第N+1天关于预设应用的推送时间；

推送模块，用于当所述推送时间到达时，向所述当前用户推送关于预设应用的消息。

在一个实施例中，所述确定模块，可包括：

第一确定子模块，用于确定当前用户最近N天中的用户行为信息所属的类；

第二确定子模块，用于根据用户行为信息所属的类，确定当前用户在各个类的概率；

第三确定子模块，用于根据当前用户在各个类的概率确定当前用户第N+1天关于预设应用的推送时间。

在一个实施例中，所述确定模块，可包括：

第四确定子模块，用于将当前用户最近N天每个小时在预设应用访问的频道作为特征，将用户最近N天访问的频道的访问频次作为所述特征对应的值，将所述特征和所述特征的值输入所述预测模型，确定当前用户第N+1天关于预设应用的推送时间。

在一个实施例中，第四确定子模块还可用于：

确定当前用户第N+1天每个小时访问预设应用的概率；将所述每个小时访问预设应用程序的概率归一化处理；确定归一化处理后访问所述应用程序的概率的最大值对应的时间；将所述最大值对应的时间确定为当前用户的推送时间。

本发明实施例的上述技术方案可以包括以下有益效果：

在一个实施例中，通过获取用户最近K天和第K+1天中访问预设应用的用户行为信息，根据用户最近K天和第K+1天的用户行为信息构建训练集，根据训练集建立预测模型，并将用户最近N天的用户行为信息输入预测模型，预测出用户第N+1天的信息推送时间，从而可以针对不同用户定制化的发送推送消息，提高用户打开应用程序或推送消息的打开率。

在另一个实施例中，通过将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出当前用户第N+1天关于预设应用的推送时间，当推送时间到达时，向当前用户推送关于预设应用的消息。从而可以针对不同用户定制化的发送推送消息，提高用户打开应用程序或推送消息的打开率。

在另一个实施例中，将当前用户最近N天在每个小时所访问的不同频道作为特征，将每个频道的访问频次作为该特征对应的值，输入预测模型，进而预测当前用户第N+1天关于预设应用的推送时间，从而可以根据当前用户的历史行为来确定第N+1天的推送时间，从而预测成功的概率更高。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种建立模型的方法的流程图；

图2为本发明实施例中一种建立模型的方法中步骤S13的流程图；

图3为本发明实施例中一种用户聚类方法中步骤S13的另一个流程图；

图4为本发明实施例中一种推送消息的方法的流程图；

图5为本发明实施例中一种推送消息的方法中步骤S41的流程图；

图6为本发明实施例中一种推送消息的方法中步骤A的流程图；

图7为本发明实施例中一种建立模型的装置的框图；

图8为本发明实施例中一种建立模型的装置中建模模块73的框图；

图9为本发明实施例中一种建立模型的装置中建模模块73的另一个的框图；

图10为本发明实施例中一种推送消息的装置的框图；

图11为本发明实施例中一种推送消息的装置中确定模块101的框图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

图1所示为本发明实施例中一种建立模型的方法的流程图，如图1所示，包括以下步骤S11-S13：

步骤S11，获取用户最近K天和第K+1天中访问预设应用的用户行为信息。

在一个实施例中，用户行为信息，可包括：

用户每个小时在预设应用程序中访问的频道以及每个频道的访问频次；和/或用户每个小时所处的网络环境以及在每个网络环境下的访问频次。除此之外，用户行为信息还可以包括：用户自身的属性，是否登录、手机型号等。

步骤S12，根据用户最近K天和第K+1天的用户行为信息构建训练集。

步骤S13，根据训练集建立预测模型，预测模型用于根据用户最近N天访问预设应用的用户行为信息，确定用户第N+1天关于预设应用的推送时间；其中，K和N均为预设的参数，且均为大于1的整数。

收集多个用户最近K天和第K+1天访问预设应用的用户行为信息。由于第K+1天的数据是真实的数据，将第K+1天的数据作为训练的目标，使利用最近K天的数据训练出的第K+1天的数据无限接近第K+1天的真实数据，在这个过程中，不断调整用户最近K天的用户行为信息中各个特征的权重，并将最终训练出的第K+1的数据对应的权重，作为各个特征的权重，并利用用户行为信息中各个特征、各个特征对应的值以及各个特征对应的权重构造预测模型。在一个实施例中，采用GBDT(GradientBoostingDecisionTree，决策树)的树模型，并利用softmax(回归模型)作为多分类模型，采用GBDT的树模型是因为特征中不同维度的权重有不同的频次，用GBDT的树模型可以很好的处理这种情况。

用户行为信息的特征构造方式例如可以是：

用户每个小时，在应用程序的不同频道的访问次数；用户每个小时在不同网络环境下的访问频次；用户自身的属性、是否登录、手机型号等。用户的特征维度为不同时间段下的不同频道，该频道的访问次数为该维度对应的值。根据该特征维度和该特征维度对应的值构造训练集，并训练预测模型。比如，(12点，001频道)是一个特征维度，在这一小时内在001频道访问了10次，则该特征维度对应的值。用户的手机型号也可以是一个特征维度，不过该特征维度的值只有0和1(比如手机型号是AAA，该手机型号的值为1；手机型号是BBB，该手机型号的值为0)。

采用上述方法，利用K天内的用户行为信息预测该用户第K+1天最有可能打开推送消息或打开预设应用程序的时间，并在该时间到来时，向用户推送消息，其预测正确的概率为55％，为了对比效果，采用另一个模型来预测用户几点来，大致的做法如下：统计用户K天内出现次数最多的那一小时，认为用户第K+1天也会在这一小时到来。将预测出的数据与第K+1天的真实数据对比，正确的概率只有12％。

本发明实施例的上述方法，通过获取用户最近K天和第K+1天中访问预设应用的用户行为信息，根据用户最近K天和第K+1天的用户行为信息构建训练集，根据训练集建立预测模型，并将用户最近N天的用户行为信息输入预测模型，预测出用户第N+1天的信息推送时间，从而可以针对不同用户定制化的发送推送消息，提高用户打开应用程序或推送消息的打开率。

在一个实施例中，如图2所示，步骤S13可实施为如下步骤：

步骤S21，将所有可能的用户行为信息分为多个类。

步骤S22，确定最近K天中的用户行为信息所属的类。

步骤S23，根据用户行为信息所属的类，确定用户在各个类的概率。

步骤S24，根据确定的概率构建概率模型，概率模型即为预测模型。

在一个实施例中，如图3所示，在步骤S23之后，上述方法还可包括如下步骤：

步骤S25，将用户在各个类的概率归一化处理。

softmax可以把二分类转变为多分类，也就是说，将多分类问题跑多次二分类，比如，把用户分到1-24个小时里面，相当于是24个分类，这时可以运行24次分类模型，先看用户是否属于第一类，再看该用户是否属于第二类，依次类推。用户属于每个分类都可以计算出一个概率，但这个概率不是真实的概率，概率和不等于1，需要将用户属于各个类的概率做归一化处理，也就是让该用户属于24分类的概率和为1，这样就可以确定用户属于每个分类的真实概率，概率值最高的那一类就是该用户最可能打开应用程序或者推送消息的那一个小时。

图4所示为本发明实施例中一种推送消息的方法的流程图，如图4所示，包括以下步骤S41-S42：

步骤S41，将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出当前用户第N+1天关于预设应用的推送时间。

通过将当前用户的用户行为信息输入预测模型，就可以预测出该用户第N+1天的推送时间。

在一个实施例中，用户行为信息，可包括：

用户每个小时在预设应用程序中访问的频道以及每个频道的访问频次；和/或用户每个小时所处的网络环境以及在每个网络环境下的访问频次。

步骤S42，当推送时间到达时，向当前用户推送关于预设应用的消息。

本发明实施例的上述方法，通过将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出当前用户第N+1天关于预设应用的推送时间，当推送时间到达时，向当前用户推送关于预设应用的消息。从而可以针对不同用户定制化的发送推送消息，提高用户打开应用程序或推送消息的打开率。

在一个实施例中，如图5所示，步骤S41可实施为以下步骤S51-S53：

步骤S51，确定当前用户最近N天中的用户行为信息所属的类。

步骤S52，根据用户行为信息所属的类，确定当前用户在各个类的概率。

步骤S53，根据当前用户在各个类的概率确定当前用户第N+1天关于预设应用的推送时间。

比如，将当前用户分到1-24个小时里面，相当于是24分类，这时可以跑24次分类模型，先看当前用户是否属于第一类，再看该用户是否属于第二类，依次类推，当前用户属于每个分类都可以计算出一个概率，但这个概率不是真实的概率，概率和不等于1，需要将当前用户属于各个类的概率做归一化处理，也就是让该用户属于24分类的概率和为1，这样就可以确定当前用户属于每个分类的真实概率，概率值最高的那一类就是该用户第N+1天最可能打开应用程序或者推送消息的那一个小时。则在该时间到来时，向用户推送消息，则用户打开推送消息的概率更高。

在一个实施例中，步骤S41可实施为以下步骤A：

步骤A，将当前用户最近N天每个小时在预设应用访问的频道作为特征，将用户最近N天访问的频道的访问频次作为特征对应的值，将特征和特征的值输入预测模型，确定当前用户第N+1天关于预设应用的推送时间。

在一个实施例中，如图6所示，步骤A可实施为以下步骤S61-S64：

步骤S61，确定当前用户第N+1天每个小时访问预设应用的概率。

步骤S62，将每个小时访问预设应用程序的概率归一化处理。

步骤S63，确定归一化处理后访问应用程序的概率的最大值对应的时间。

步骤S64，将最大值对应的时间确定为当前用户的推送时间。

除将最大值对应的时间确定为当前用户的推送时间外，如果一天中需要推送两次甚至多次消息，还可以将每个小时对应的概率进行排序，并优先在概率较高的那个小时推送消息。

本实施例中，将当前用户最近N天在每个小时所访问的不同频道作为特征，将每个频道的访问频次作为该特征对应的值，输入预测模型，进而预测当前用户第N+1天关于预设应用的推送时间，从而可以根据当前用户的历史行为来确定第N+1天的推送时间，从而预测成功的概率较高。

基于同一发明构思，本发明实施例还提供了一种用户聚类装置，由于该装置所解决问题的原理与前述用户聚类方法相似，因此该装置的实施可以参见前述方法的实施，重复之处不再赘述。

图7所示为本发明实施例中一种建立模型的装置的框图，如图7所示，该装置包括：

获取模块71，用于获取用户最近K天和第K+1天中访问预设应用的用户行为信息。

构建模块72，用于根据用户最近K天和第K+1天的用户行为信息构建训练集。

建模模块73，用于根据训练集建立预测模型，预测模型用于根据用户最近N天访问预设应用的用户行为信息，确定用户第N+1天关于预设应用的推送时间；其中，K和N均为预设的参数，且均为大于1的整数。

本发明实施例的上述装置，通过获取用户最近K天和第K+1天中访问预设应用的用户行为信息，根据用户最近K天和第K+1天的用户行为信息构建训练集，根据训练集建立预测模型，并将用户最近N天的用户行为信息输入预测模型，预测出用户第N+1天的信息推送时间，从而可以针对不同用户定制化的发送推送消息，提高用户打开应用程序或推送消息的打开率。

在一个实施例中，如图8所示，建模模块73，可包括：

分类子模块81，用于将所有可能的用户行为信息分为多个类。

第一确定子模块82，用于确定最近K天中的用户行为信息所属的类。

第二确定子模块83，用于根据用户行为信息所属的类，确定用户在各个类的概率。

第三确定子模块84，用于根据确定的概率构建概率模型，概率模型即为预测模型。

在一个实施例中，如图9所示，上述装置还可包括：

归一化模块85，用于将用户在各个类的概率归一化处理。

图10所示为本发明实施例中一种推送消息的装置的框图，如图10所示，该装置包括：

确定模块101，用于将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出当前用户第N+1天关于预设应用的推送时间。

推送模块102，用于当推送时间到达时，向当前用户推送关于预设应用的信息。

本发明实施例的上述装置，通过将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出当前用户第N+1天关于预设应用的推送时间，当推送时间到达时，向当前用户推送关于预设应用的信息。从而可以针对不同用户定制化的发送推送消息，提高用户打开应用程序或推送消息的打开率。

在一个实施例中，如图11所示，确定模块101，可包括：

第一确定子模块111，用于确定当前用户最近N天中的用户行为信息所属的类。

第二确定子模块112，用于根据用户行为信息所属的类，确定当前用户在各个类的概率。

第三确定子模块113，用于根据当前用户在各个类的概率确定当前用户第N+1天关于预设应用的推送时间。

比如，将当前用户分到1-24个小时里面，相当于是24分类，这时可以跑24次分类模型，先看当前用户是否属于第一类，再看该用户是否属于第二类，依次类推，当前用户属于每个分类都可以计算出一个概率，但这个概率不是真实的概率，概率和不等于1，需要将当前用户属于各个类的概率做归一化处理，也就是让该用户属于24分类的概率和为1，这样就可以确定当前用户属于每个分类的真实概率，概率值最高的那一类就是该用户第N+1天最可能打开应用程序或者推送消息的那一个小时。则在该时间到来时，向用户推送消息，则用户打开推送消息的概率更高。

在一个实施例中，确定模块101，可包括：

第四确定子模块，用于将当前用户最近N天每个小时在预设应用访问的频道作为特征，将用户最近N天访问的频道的访问频次作为特征对应的值，将特征和特征的值输入预测模型，确定当前用户第N+1天关于预设应用的推送时间。

在一个实施例中，第四确定子模块还可用于：

确定当前用户第N+1天每个小时访问预设应用的概率；将每个小时访问预设应用程序的概率归一化处理；确定归一化处理后访问应用程序的概率的最大值对应的时间；将最大值对应的时间确定为当前用户的推送时间。

除将最大值对应的时间确定为当前用户的推送时间外，如果一天中需要推送两次甚至多次消息，还可以将每个小时对应的概率进行排序，并优先在概率较高的那个小时推送消息。

本实施例中，将当前用户最近N天在每个小时所访问的不同频道作为特征，将每个频道的访问频次作为该特征对应的值，输入预测模型，进而预测当前用户第N+1天关于预设应用的推送时间，从而可以根据当前用户的历史行为来确定第N+1天的推送时间，从而预测成功的概率较高。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (16)

1.一种建立模型的方法，其特征在于，包括：

获取用户最近K天和第K+1天中访问预设应用的用户行为信息；

根据用户最近K天和第K+1天的用户行为信息构建训练集；

根据所述训练集建立预测模型，所述预测模型用于根据用户最近N天访问预设应用的用户行为信息，确定用户第N+1天关于预设应用的推送时间；其中，K和N均为预设的参数，且均为大于1的整数。

2.如权利要求1所述的方法，其特征在于，所述根据所述训练集建立预测模型，包括：

将所有可能的用户行为信息分为多个类；

确定最近K天中的用户行为信息所属的类；

根据用户行为信息所属的类，确定用户在各个类的概率；

根据确定的概率构建概率模型，所述概率模型即为预测模型。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

将用户在各个类的概率归一化处理。

4.如权利要求1所述的方法，其特征在于，所述用户行为信息，包括：

用户每个小时在预设应用程序中访问的频道以及每个频道的访问频次；和/或

用户每个小时所处的网络环境以及在每个网络环境下的访问频次。

5.一种推送消息的方法，其特征在于，包括：

将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出所述当前用户第N+1天关于预设应用的推送时间；

当所述推送时间到达时，向所述当前用户推送关于预设应用的消息。

6.如权利要求5所述的方法，其特征在于，所述将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出所述当前用户第N+1天关于预设应用的推送时间，包括：

确定当前用户最近N天中的用户行为信息所属的类；

根据用户行为信息所属的类，确定当前用户在各个类的概率；

根据当前用户在各个类的概率确定当前用户第N+1天关于预设应用的推送时间。

7.如权利要求5所述的方法，其特征在于，所述用户行为信息，包括：

用户每个小时在预设应用程序中访问的频道以及每个频道的访问频次；和/或

用户每个小时所处的网络环境以及在每个网络环境下的访问频次。

8.如权利要求7所述的方法，其特征在于，所述将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出所述当前用户第N+1天关于预设应用的推送时间，包括：

将当前用户最近N天每个小时在预设应用访问的频道作为特征，将用户最近N天访问的频道的访问频次作为所述特征对应的值，将所述特征和所述特征的值输入所述预测模型，确定当前用户第N+1天关于预设应用的推送时间。

9.如权利要求7或8所述的方法，其特征在于，所述确定当前用户第N+1天关于预设应用的推送时间，包括：

确定当前用户第N+1天每个小时访问预设应用的概率；

将所述每个小时访问预设应用程序的概率归一化处理；

确定归一化处理后访问所述应用程序的概率的最大值对应的时间；

将所述最大值对应的时间确定为当前用户的推送时间。

10.一种建立模型的装置，其特征在于，包括：

获取模块，用于获取用户最近K天和第K+1天中访问预设应用的用户行为信息；

构建模块，用于根据用户最近K天和第K+1天的用户行为信息构建训练集；

建模模块，用于根据所述训练集建立预测模型，所述预测模型用于根据用户最近N天访问预设应用的用户行为信息，确定用户第N+1天关于预设应用的推送时间；其中，K和N均为预设的参数，且均为大于1的整数。

11.如权利要求10所述的装置，其特征在于，所述建模模块，包括：

分类子模块，用于将所有可能的用户行为信息分为多个类；

第一确定子模块，用于确定最近K天中的用户行为信息所属的类；

第二确定子模块，用于根据用户行为信息所属的类，确定用户在各个类的概率；

第三确定子模块，用于根据确定的概率构建概率模型，所述概率模型即为预测模型。

12.如权利要求10所述的装置，其特征在于，所述装置还包括：

归一化模块，用于将用户在各个类的概率归一化处理。

13.一种推送消息的装置，其特征在于，包括：

确定模块，用于将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出所述当前用户第N+1天关于预设应用的推送时间；

推送模块，用于当所述推送时间到达时，向所述当前用户推送关于预设应用的信息。

14.如权利要求13所述的装置，其特征在于，所述确定模块，包括：

第一确定子模块，用于确定当前用户最近N天中的用户行为信息所属的类；

第二确定子模块，用于根据用户行为信息所属的类，确定当前用户在各个类的概率；

第三确定子模块，用于根据当前用户在各个类的概率确定当前用户第N+1天关于预设应用的推送时间。

15.如权利要求13所述的装置，其特征在于，所述确定模块，包括：

第四确定子模块，用于将当前用户最近N天每个小时在预设应用访问的频道作为特征，将用户最近N天访问的频道的访问频次作为所述特征对应的值，将所述特征和所述特征的值输入所述预测模型，确定当前用户第N+1天关于预设应用的推送时间。

16.如权利要求15所述的装置，其特征在于，第四确定子模块还用于：

确定当前用户第N+1天每个小时访问预设应用的概率；将所述每个小时访问预设应用程序的概率归一化处理；确定归一化处理后访问所述应用程序的概率的最大值对应的时间；将所述最大值对应的时间确定为当前用户的推送时间。