CN105740268A - 一种信息推送方法和装置 - Google Patents

Abstract

本申请实施例公开了一种信息推送方法。该方法包括：响应于用户的当前行为，从当前行为所属的会话中提取属性特征，输入到预置的用户行为生命周期模型，输出用户当前在用户行为生命周期中的阶段；将从待推送对象和用户中提取的属性特征输入到预置的且与用户当前在用户行为生命周期中的阶段对应的命中概率模型中，输出待推送对象的命中概率，其中不同阶段对应的命中概率模型不同；按照待推送对象的命中概率从大到小的顺序选取至少一个待推送对象；对选取的待推送对象进行推送。通过本申请中，可以尽可能地降低用户反复搜索的可能性，提升用户体验的同时，也节约搜索服务器以及推送服务器的资源。本申请实施例公开了一种信息推送装置。

Description

一种信息推送方法和装置

技术领域

本申请涉及计算机应用领域，特别是涉及一种信息推送方法和装置。

背景技术

在电子商务网站上，用户可以通过在站内的搜索框中输入搜索关键词来获得自己关注或喜好的目标对象。具体地，搜索服务器先基于匹配算法(如文本匹配算法)搜索与用户输入的搜索关键词所匹配的对象，然后将搜索到的对象进行排序，最后按照排序将搜索到的对象展示在网站的页面上，以供用户从中选择自己喜好的目标对象。

除了向用户提供搜索到的对象之外，电子商务网站还可以向用户推送与搜索到的对象相似的其它对象。具体地，推送服务器先以搜索到的对象为基准，根据相关性算法(例如，通过协同过滤算法计算对象与对象之间的行为相关性和文本相关性)得到与搜索到的对象相似的对象，并作为候选对象，然后从候选对象中剔除出搜索到的对象，并将剩余下来的候选对象作为待推送对象，再将待推送对象进行排序，最后按照排序的先后顺序将推送对象展示在网站的页面上。

在实现本申请的过程中，本申请的发明人发现现有技术中至少存在如下问题：与搜索服务器向用户提供搜索到的对象不同，推送服务器一般只能向用户推送有限个数的推送对象。因此，推送服务器会按照排序的顺序选取排在前N位的推送对象(N为正整数)，然后将排在前N位的推送对象展示在网站的页面上。

在现有技术中，推送服务器是按照相关性从高到低的顺序对推送对象进行排序的。但是，这种排序方式只考虑到了推送对象与搜索到的对象之间的相关性，而推送对象本身很可能不是用户关注或喜好的目标对象，用户因此需要重新构建搜索关键词再次进行搜索，而反复搜索的过程不仅会降低用户体验，也会过度地消耗搜索服务器以及推送服务器的资源。

发明内容

为了解决上述技术问题，本申请实施例提供了一种信息推送方法和装置，以尽可能地降低用户反复搜索的可能性，提升用户体验的同时，也节约搜索服务器以及推送服务器的资源。

本申请实施例公开了如下技术方案：

一种信息推送方法，包括：

响应于用户的当前行为，从所述当前行为所属的会话中提取属性特征，并将所述属性特征输入到预置的用户行为生命周期模型，输出所述用户当前在用户行为生命周期中的阶段，其中所述用户行为生命周期包括目标对象不明确阶段、目标对象明确选择阶段和目标对象锁定阶段；

将从待推送对象和用户中提取的属性特征输入到预置的且与所述用户当前在用户行为生命周期中的阶段对应的命中概率模型中，输出所述待推送对象的命中概率，其中不同阶段对应的命中概率模型不同；

按照所述待推送对象的命中概率从大到小的顺序选取至少一个待推送对象；

对选取的待推送对象进行推送。

优选的，所述用户行为生命周期模型是对GBRT模型进行训练所得到的连续模型。

优选的，所述命中概率模型是对逻辑回归LR模型进行训练所得到的离散模型。

优选的，所述预置的且与所述用户当前在用户行为生命周期中的阶段对应的命中概率模型包括：曝光点击转化率模型、点击收藏转化率模型和点击下单转化率模型；

则所述将从待推送对象和用户中提取的属性特征输入到预置的且与所述用户当前在用户行为生命周期中的阶段对应的命中概率模型中，输出所述待推送对象的命中概率，包括：

当所述用户当前在用户行为生命周期中的阶段为目标对象不明确阶段时，将从待推送对象和用户中提取的属性特征输入到曝光点击转化率模型中，输出所述待推送对象的被曝光数量与被点击数量之间的转化率；

或者，

当所述用户当前在用户行为生命周期中的阶段为目标对象明确选择阶段时，将从待推送对象和用户中提取的属性特征输入到点击收藏转化率模型中，输出所述待推送对象的被点击数量与被关注数量之间的转化率；

或者，

当所述用户当前在用户行为生命周期中的阶段为目标对象锁定阶段时，将从待推送对象和用户中提取的属性特征输入到点击下单转化率模型中，输出所述待推送对象的被点击数量与被下单数量之间的转化率。

优选的，所述按照所述待推送对象的命中概率从大到小的顺序选取至少一个待推送对象包括：

当所述用户当前在用户行为生命周期中的阶段为目标对象不明确阶段时，按照所述待推送对象的被曝光数量与被点击数量之间的转换率从大到小的顺序选取至少一个候选对象；

或者，

当所述用户当前在用户行为生命周期中的阶段为目标对象明确选择阶段时，按照所述待推送对象的被点击数量与被关注数量之间的转换率从大到小的顺序选取至少一个候选对象；

或者，

当所述用户当前在用户行为生命周期中的阶段为目标对象锁定阶段时，按照所述待推送对象的被点击数量与被下单数量之间的转换率从大到小的顺序选取至少一个候选对象。

优选的，所述待推送对象是在本地获得的，所述方法还包括：

根据相关性算法计算各个对象与搜索到的对象之间的相似度值；

按照相似度值从大到小的顺序选取至少一个对象并作为候选对象；

从所述候选对象中剔除出搜索到的对象，将剩余下的候选对象作为待推送对象。

一种信息推送装置，包括：

生命周期确定单元，用于响应于用户的当前行为，从所述当前行为所属的会话中提取属性特征，并将所述属性特征输入到预置的用户行为生命周期模型中，输出所述用户当前在用户行为生命周期中的阶段，其中所述用户行为生命周期包括目标对象不明确阶段、目标对象明确选择阶段和目标对象锁定阶段；

命中概率确定单元，用于将从待推送对象和用户中提取的属性特征输入到预置的且与所述用户当前在用户行为生命周期中的阶段对应的命中概率模型中，输出所述待推送对象的命中概率，其中不同阶段对应的命中概率模型不同；

待推送对象选取单元，用于按照所述待推送对象的命中概率从大到小的顺序选取至少一个待推送对象；

推送单元，用于对选取的待推送对象进行推送。

优选的，所述用户行为生命周期模型是对GBRT模型进行训练所得到的连续模型。

优选的，所述命中概率模型是对逻辑回归LR模型进行训练所得到的离散模型。

优选的，所述预置的且与所述用户当前在用户行为生命周期中的阶段对应的命中概率模型包括：曝光点击转化率模型、点击收藏转化率模型和点击下单转化率模型；

所述命中概率确定单元包括第一确定子单元、第二确定子单元和第三确定子单元；其中，

第一确定子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象不明确阶段时，将从待推送对象和用户中提取的属性特征输入到曝光点击转化率模型中，输出所述待推送对象的被曝光数量与被点击数量之间的转化率；

第二确定子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象明确选择阶段时，将从待推送对象和用户中提取的属性特征输入到点击收藏转化率模型中，输出所述待推送对象的被点击数量与被关注数量之间的转化率；

第三确定子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象锁定阶段时，将从待推送对象和用户中提取的属性特征输入到点击下单转化率模型中，输出所述待推送对象的被点击数量与被下单数量之间的转化率。

优选的，所述待推送对象选取单元包括第一选取子单元、第二选取子单元和第三选取子单元；其中，

第一选取子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象不明确阶段时，按照所述待推送对象的被曝光数量与被点击数量之间的转换率从大到小的顺序选取至少一个候选对象；

第二选取子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象明确选择阶段时，按照所述待推送对象的被点击数量与被关注数量之间的转换率从大到小的顺序选取至少一个候选对象；

第三选取子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象锁定阶段时，按照所述待推送对象的被点击数量与被下单数量之间的转换率从大到小的顺序选取至少一个候选对象。

优选的，所述待推送对象是在本地获得的，所述装置还包括：

相似度计算单元，用于计算根据相关性算法计算各个对象与搜索到的对象之间的相似度值；

候选对象选取单元，用于按照相似度值从大到小的顺序选取至少一个对象并作为候选对象；

剔除单元，用于从所述候选对象中剔除出搜索到的对象，将剩余下的候选对象作为待推送对象。

由上述实施例可以看出，与现有技术相比，本申请的优点在于：

对于在电子商务网上活跃的用户来说，每当触发一个行为时，就可以确定该用户在用户行为生命周期中所处的阶段。当处于不同的阶段时，会利用不同的命中概率模型来确定各个待推送对象的命中概率。以便最后按照命中概率从大到小的顺序对各个待推送对象进行排序，并选取前N位进行推送。由于在用户行为生命周期中，当用户处于不同的阶段时，该用户对于推送方式的需求是不同的，因此，本申请向处于不同阶段的用户提供符合其当前需求的推送方式，使得以该推送方式所推送的对象更有可能是用户喜好的目标对象，从而尽可能地降低用户反复搜索的可能性，提升用户体验的同时，也节约搜索服务器以及推送服务器的资源。

附图说明

为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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示意性地示出了本申请的实施方式可以在其中实施的示例性应用场景；

图2示意性地示出了本申请一种信息推送方法的流程图；

图3示意性地示出了本申请中一种获得待推送对象的方法的流程图；

图4示意性地示出了本申请中一种推送流程的操作示意图；

图5示意性地示出了本申请中一种信息推送装置的结构框图；

图6示意性地示出了本申请中一种命中概率确定单元的结构框图；

图7示意性地示出了本申请中一种待推送对象选取单元的结构框图；

图8示意性地示出了本申请中另一种信息推送装置的结构框图。

具体实施方式

首先参考图1，图1示意性地示出了本申请的实施方式可以在其中实施的示例性应用场景。其中，客户端10将用户输入的搜索关键词11提交给搜索服务器20，搜索服务器20基于搜索算法搜索与搜索关键词11匹配的对象，并将搜索到的对象21排序后反馈给客户端10。推送服务器30从搜索服务器20获取搜索到的对象21，依据相关性算法得到与搜索到的对象21相似的对象，并作为候选对象，然后从候选对象中剔除出搜索到的对象21，并将剩余下来的候选对象作为待推送对象。当用户在客户端10上触发任意一个行为时，例如，该行为可以是针对某一个搜索到的对象的一次点击行为，推送服务器30基于该行为对各个待推送对象进行排序，并按照排序中从先到后的顺序选取至少一个待推送对象，最后将选取的待推送对象31推送给客户端10。搜索服务器20和推送服务器30可以为web服务器，也可以为APP服务器。在电子商务网站上，“对象”即为商品。本领域技术人员可以理解，图1所示的示意图仅是本发明的实施方式可以在其中得以实现的一个示例。本发明实施方式的应用范围不受到该框架任何方面的限制。例如，搜索服务器20和推送服务器30可以为同一个服务器。

本申请的发明人在研究中发现，当用户与电子商务网站进行一次会话(session)时，在用户处于该会话过程的不同阶段时，该用户对于推送方式的需求是不同的。因此，需要向处于不同阶段的用户提供符合其当前需求的推送方式，使得以该推送方式所推送的对象更有可能是用户喜好的目标对象。在本申请中，将用户与电子商务网站进行的一次会话作为一个用户行为生命周期，并将该用户行为生命周期划分为三个不同的阶段，针对任意一个阶段，都有其对应的命中概率模型，根据该命中概率模型可以获得各个待推送对象的命中概率，使得以该命中概率对待推送对象进行的排序是更符合该阶段用户需求的排序方式，根据该排序所推送的对象也更有可能是用户喜好的目标对象。

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请实施例进行详细描述。

方法实施例

请参阅图2，图2示意性地示出了本申请一种信息推送方法的流程图，例如，该方法可以有执行，该方法包括以下步骤：

步骤201：响应于用户的当前行为，从所述当前行为所属的会话中提取属性特征，并将所述属性特征输入到预置的用户行为生命周期模型，输出所述用户当前在用户行为生命周期中的阶段，其中所述用户行为生命周期包括目标对象不明确阶段、目标对象明确选择阶段和目标对象锁定阶段。

步骤202：将从待推送对象和用户中提取的属性特征输入到预置的且与所述用户当前在用户行为生命周期中的阶段对应的命中概率模型中，输出所述待推送对象的命中概率，其中不同阶段对应的命中概率模型不同。

步骤203：按照所述待推送对象的命中概率从大到小的顺序选区至少一个待推送对象。

步骤204：对选取的待推送对象进行推送。

在本申请中，需要以离线的方式训练得到用户行为生命周期模型和命中概率模型。其中，在用户行为生命周期模型中，将用户行为的生命周期分为以下三个阶段：目标对象不明确阶段、目标对象明确选择阶段和目标对象锁定阶段，而不同的阶段会对应不同的命中概率模型。

下面先说明用户行为生命周期模型的训练并建立的方式。

本发明的发明人在研究中发现，在最开始的时候，用户往往并不清楚自己真正喜好的目标对象是什么，此时用户处于目标对象不明确阶段，在该阶段，用户主要通过浏览闲逛的过程逐步明确自己真正喜好的目标对象。例如，用户想要购买一条连衣裙，但是用户没有明确想要什么风格的连衣裙。

当明确目标对象时，用户进入到目标对象明确选择阶段，在该阶段，用户需要对众多的候选目标对象进行比较分析，并从中选择出符合自己喜好的目标对象，这个阶段一般也会持续很久。例如，用户明确想要波西米亚风格的连衣裙，就会对各种图案、颜色、材质和价格等的波西米亚风格的连衣裙进行比较分析。

用户在经过大量的比较分析后，逐步锁定到某一个目标对象上，此时用户进入到目标对象锁定阶段。例如，用户在锁定到某一款波西米亚风格的连衣裙后，会进一步关注卖家的口碑和已购买用户对该款波西米亚风格的连衣裙的评价等，直至到最后的下单为止。

在将用户行为生命周期划分为三个阶段之后，下面就要在用户与电子商务网站之间的一次会话中(一般情况下，如果一个用户在与网站首次交互后的预定时间内没有再与网站进行任何交互，则认为一次会话结束，否则，就认为一次会话仍在继续。如，预定时间可以为30分钟)，根据用户的每个行为确定用户在每个行为出现时应该具体划分到哪个阶段。

对于一个用户来说，在其与电子商务网站之间的一次会话中，可能会先后多次地输入搜索关键词，并且，在每一次输入搜索关键词之后，都有可能随之触发多个行为(即触发一个行为序列)，如，点击行为、加入购物车行为、加入收藏夹行为或下单行为等。因此，可以将一个会话中的所有输入搜索关键词的行为以及每次输入搜索关键词之后所触发的行为序列提取出来，并将其进行如下划分：

1、从第一次输入搜索关键词的行为开始，把第一次将对象加入到购物车(或收藏夹)的行为之前的所有行为划分到目标对象不明确阶段。

2、从第一次将对象加入到购物车(或收藏夹)的行为开始，把下单行为前最后一次将对象加入到购物车(或收藏夹)之前的所有行为划分到目标对象明确选择阶段。

3、从最后一次将对象加入到购物车(或收藏夹)的行为开始，把到下单行为为止的所有行为划分到目标对象锁定阶段。

根据以上的划分方式，就可以在训练样本(即会话)中的每个用户行为发生时确定出该用户处于用户行为生命周期中的哪个阶段。下面再以一个训练样本中的一个搜索关键词及其对应的行为序列为基础，说明需要从训练样本中提取的属性特征。当然，需要说明的是，以下属性特征仅仅示意性的，除了可以提取以下属性特征之外，还可以提取其它的属性特征。

需要说明的是，term是对搜索关键词进行分词后所得到的最小单位词，可以是名词，也可以是形容词。例如，搜索关键词“韩版修身连衣裙”中共有三个term：韩版、修身和连衣裙。预定时间可以为任意一个时间，例如，15天。

另外，还需要说明的是，在提取属性特征时，之所以选择term_session_action_num、offer_seq_action_num以及offer_session_action_num这三个在线特征作为数值特征而不是哑元特征来使用，是考虑到用户的意图应该是随着行为序列的推进而不断明确的过程，对最终是否能够达成下单，都是有很重要的影响的。

target作为行为的标示值，既可以是连续值，也可以是离散值。如果是离散值，可以根据行为的标示值直接确定用户当前处于用户行为生命周期中的哪个阶段。例如，当target＝0时，说明处于目标对象不确定阶段，当target＝1时，说明用户处于目标对象明确选择阶段，当target＝2时，说明用户处于目标对象锁定阶段。

如果target采用的是离散值，可以通过对LR(逻辑回归，LogisticRegression)或SVM(支持向量机，SupportVectorMachine)模型进行训练来获得一个离散的用户行为生命周期模型。

在本申请的一个优选实施方式中，target是连续值，并根据行为的指示值所落入的区间来确定用户当前处于用户行为生命周期中的哪个阶段。并且，用户行为生命周期模型是对GBRT(GradientBoostRegressionTree)模型进行训练所获得的连续模型。

例如，可以将一个标示值区间[0，2]划分为3个区域，当行为的指示值落入到[0，0.9)区间时，说明用户处于目标对象不明确阶段，当行为的指示值落入到[0.9，1.5]区间时，说明用户处于目标对象明确选择阶段，当行为的指示值落入到(1.5，2]区间时，说明用户处于目标对象锁定阶段。

另外，在本申请中，目标对象明确选择阶段是连接目标对象不明确阶段和目标对象锁定阶段的重要过程。随着这个过程中行为序列的变化，用户意图(即，具体锁定哪个目标对象)也在逐渐地发生变化。经过目标对象明确选择阶段，用户最终是进入到了目标锁定阶段，完成了下单，还是没有进入到目标锁定阶段，离开了网站，都是用户在目标对象明确选择阶段所触发的行为序列的累积结果。

因此，作为一种优选的实施方式，在目标对象明确选择阶段，不同的行为类型所引起用户意图的变化率是不同的。在计算该阶段内各个行为的标示值时，可以先给每种行为赋予不同的权重值；然后统计该阶段的行为序列中每种行为的次数，并根据其权重进行加权求和；再根据该阶段的标示值区间的跨度以及所有行为的加权求和值，确定每个行为对用户意图带来的行为变化量；最后根据各个行为的行为变化量，计算出各个行为的标示值。

例如，在一个训练样本的目标对象明确选择阶段，共发生如下行为序列：

add、click、click、add、click、add、click

其中，“add”为加入购物车(或收藏夹)行为、“click”为点击行为。

除去作为起点的1个add，共有4个click和2个add。假设add与click的权重分别为3和1，则所有行为的加权求和值为：4×1+3×2＝10。假设该阶段的标示值的区间是[0.9，1.5]，每个click带来的行为变化量是(1.5-0.9)/10×1＝0.06，每个add的行为变化是0.06×3＝0.18。那么，最终的各个行为的标示值依次为：

0.9、0.96、1.02、1.2、1.26、1.44、1.5

在训练得到用户行为生命周期模型之后，就可以根据用户实时输入的搜索关键词以及实时的行为序列，估测出用户当前处于用户行为生命周期的哪个阶段。例如，用户输入一个搜索关键词“连衣裙”之后，如果在其行为序列中的某一个行为是点击对象1，并且根据用户行为生命周期模型计算出该点击行为的标示值为0.7，则估测出用户此时处于用户生命周期中的目标对象目明确阶段。如果用户在该点击对象1的行为之后的某一个行为是将对象2加入到购物车，并且根据用户行为生命周期模型计算出该加入购物车行为的标示值为1.3，则估测出用户此时处于用户生命周期中的目标对象明确选择阶段。

下面再说明命中概率模型的训练并建立的方式。

由于不同的阶段对应不同的命中概率模型，因此，需要为每个阶段分别训练一个命中概率模型，命中概率模型输出的是各个待推送对象的命中概率，即，各个待推送对象恰好为用户喜好的目标对象的概率。

其中，与目标对象不明确阶段对应的命中概率模型为曝光点击转化率模型，与目标对象明确选择阶段对应的命中概率模型为点击收藏转化率模型，与目标对象锁定阶段对应的命中概率模型为点击下单转化率模型。并且，在训练不同的命中概率模型时所提取的属性特征也不同。

也就是说，当处于目标对象不明确阶段时，是以待推送对象的被曝光数量与被点击数量之间的转化率为目标训练命中概率模型的，训练时所提取的主要属性特征包括对象的下单数量、对象的图片质量以及对象是否在用户的偏好类目中等。当处于目标对象明确选择阶段时，是以待推送对象的被点击数量与被关注(被关注包括被加入到收藏夹和被加入到购物车)数量之间的转化率为目标训练命中概率模型的，训练时所提取的主要属性特征包括用户偏好的风格、偏好价位以及对象的材质等。当处于目标对象锁定阶段时，是以待推送对象的被点击数量与被下单数量之间的转化率为目标训练命中概率模型的，在训练时所提取的主要属性特征包括对象的好评率、商家等级和信用度等特征。

其中，被曝光数量与被点击数量之间的转化率＝被点击数量/被曝光数量，被点击数量与被关注数量之间的转化率＝被关注数量/被点击数量，被点击数量与被下单数量之间的转化率＝被下单数量/被点击数量。

需要说明的是，以上列举的训练各个命中概率模型的属性特征仅仅示意性的，除了可以提取这些属性特征之外，还可以提取其它的属性特征。

相应的，当所述用户当前在用户行为生命周期中的阶段为目标对象不明确阶段时，是按照所述待推送对象的被曝光数量与被点击数量之间的转换率从大到小的顺序选取至少一个候选对象；当所述用户当前在用户行为生命周期中的阶段为目标对象明确选择阶段时，是按照所述待推送对象的被点击数量与被关注数量之间的转换率从大到小的顺序选取至少一个候选对象；当所述用户当前在用户行为生命周期中的阶段为目标对象锁定阶段时，是按照所述待推送对象的被点击数量与被下单数量之间的转换率从大到小的顺序选取至少一个候选对象。

在本申请的一个优选实施方式中，命中概率模型是对LR模型进行训练所得到的离散模型。

在本申请中，可以由搜索服务器20获得待推送对象，推送服务器30从搜索服务器20获取待推送对象。

在本申请的一种优选实施方式中，待推送对象是由推送服务器30在本地获得的。请参阅图3，图3示意性地示出了本申请中一种获得待推送对象的方法的流程图。例如，该方法由推送服务器30获得的，该方法可以包括以下步骤：

步骤301、根据相关性算法计算各个对象与搜索到的对象之间的相似度值；

步骤302、按照相似度值从大到小的顺序选取至少一个对象并作为候选对象；

步骤302、从所述候选对象中剔除出搜索到的对象，将剩余下的候选对象作为待推送对象。

可以理解的，在本申请中，通过离线的方式预先建立了用户行为生命周期模型以及与该用户行为生命周期中的每个阶段分别对应的命中概率模型之后，就需要在线地根据用户的当前行为来确定当前会话中的搜索关键词序列和行为序列，并从中提取属性特征，然后输入到用户行为生命周期中，从而估测用户当前处于用户行为生命周期中的哪个阶段，进而就可以利用与该阶段对应的命中概率模型来估测各个待推送对象的命中概率，最后按照命中概率从大到小的顺序对待推送对象进行排序，并选取前N位进行推送。请参阅图4，图4示意性地示出了本申请中一种推送流程的操作示意图。

另外，还需要说明的是，在获得待推送对象后，可以在搜索结果展示页面最下方的推荐区域中展示各个待推送对象，以实现将待推送对象推送给搜索用户。

由上述实施例可以看出，与现有技术相比，本申请的优点在于：

对于在电子商务网上活跃的用户来说，每当触发一个行为时，就可以确定该用户在用户行为生命周期中所处的阶段。当处于不同的阶段时，会利用不同的命中概率模型来确定各个待推送对象的命中概率。以便最后按照命中概率从大到小的顺序对各个待推送对象进行排序，并选取前N位进行推送。由于在用户行为生命周期中，当用户处于不同的阶段时，该用户对于推送方式的需求是不同的，因此，本申请向处于不同阶段的用户提供符合其当前需求的推送方式，使得以该推送方式所推送的对象更有可能是用户喜好的目标对象，从而尽可能地降低用户反复搜索的可能性，提升用户体验的同时，也节约搜索服务器以及推送服务器的资源。

装置实施例

与上述一种信息推送方法相对应，本申请实施例还提供了一种信息推送装置。请参阅图5，图5示意性地示出了本申请中一种信息推送装置的一个实施例的结构框图，该装置包括：生命周期确定单元501、命中概率确定单元502、待推送对象选取单元503以及推送单元504。下面结合该装置的工作原理进一步介绍其内部结构以及连接关系。

生命周期确定单元501，用于响应于用户的当前行为，从所述当前行为所属的会话中提取属性特征，并将所述属性特征输入到预置的用户行为生命周期模型中，输出所述用户当前在用户行为生命周期中的阶段，其中所述用户行为生命周期包括目标对象不明确阶段、目标对象明确选择阶段和目标对象锁定阶段；

命中概率确定单元502，用于将从待推送对象和用户中提取的属性特征输入到预置的且与所述用户当前在用户行为生命周期中的阶段对应的命中概率模型中，输出所述待推送对象的命中概率，其中不同阶段对应的命中概率模型不同；

待推送对象选取单元503，用于按照所述待推送对象的命中概率从大到小的顺序选取至少一个待推送对象；

推送单元504，用于对选取的待推送对象进行推送。

在本申请的一个优选实施方式中，所述用户行为生命周期模型是对GBRT模型进行训练所得到的连续模型。

在本申请的另一个优选实施方式中，所述命中概率模型是对逻辑回归LR模型进行训练所得到的离散模型。

在本申请的另一个优选实施方式中，所述预置的且与所述用户当前在用户行为生命周期中的阶段对应的命中概率模型包括：曝光点击转化率模型、点击收藏转化率模型和点击下单转化率模型；

如图6所示，命中概率确定单元502包括第一确定子单元5021、第二确定子单元5022和第三确定子单元5023；其中，

第一确定子单元5021，用于当所述用户当前在用户行为生命周期中的阶段为目标对象不明确阶段时，将从待推送对象和用户中提取的属性特征输入到曝光点击转化率模型中，输出所述待推送对象的被曝光数量与被点击数量之间的转化率；

第二确定子单元5022，用于当所述用户当前在用户行为生命周期中的阶段为目标对象明确选择阶段时，将从待推送对象和用户中提取的属性特征输入到点击收藏转化率模型中，输出所述待推送对象的被点击数量与被关注数量之间的转化率；

第三确定子单元5023，用于当所述用户当前在用户行为生命周期中的阶段为目标对象锁定阶段时，将从待推送对象和用户中提取的属性特征输入到点击下单转化率模型中，输出所述待推送对象的被点击数量与被下单数量之间的转化率。

在本申请的另一个优选实施方式中，如图7所示，待推送对象选取单元503包括第一选取子单元5031、第二选取子单元5032和第三选取子单元5033；其中，

第一选取子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象不明确阶段时，按照所述待推送对象的被曝光数量与被点击数量之间的转换率从大到小的顺序选取至少一个候选对象；

第二选取子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象明确选择阶段时，按照所述待推送对象的被点击数量与被关注数量之间的转换率从大到小的顺序选取至少一个候选对象；

第三选取子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象锁定阶段时，按照所述待推送对象的被点击数量与被下单数量之间的转换率从大到小的顺序选取至少一个候选对象。

在本申请的另一个优选实施方式中，所述待推送对象是在本地获得的，如图8所示(图8仅示出了增加的部分以及增加的部分与图5所示装置之间的连接关系)，该装置还包括：

相似度计算单元801，用于计算根据相关性算法计算各个对象与搜索到的对象之间的相似度值；

候选对象选取单元802，用于按照相似度值从大到小的顺序选取至少一个对象并作为候选对象；

剔除单元803，用于从所述候选对象中剔除出搜索到的对象，将剩余下的候选对象作为待推送对象。

由上述实施例可以看出，与现有技术相比，本申请的优点在于：

对于在电子商务网上活跃的用户来说，每当触发一个行为时，就可以确定该用户在用户行为生命周期中所处的阶段。当处于不同的阶段时，会利用不同的命中概率模型来确定各个待推送对象的命中概率。以便最后按照命中概率从大到小的顺序对各个待推送对象进行排序，并选取前N位进行推送。由于在用户行为生命周期中，当用户处于不同的阶段时，该用户对于推送方式的需求是不同的，因此，本申请向处于不同阶段的用户提供符合其当前需求的推送方式，使得以该推送方式所推送的对象更有可能是用户喜好的目标对象，从而尽可能地降低用户反复搜索的可能性，提升用户体验的同时，也节约搜索服务器以及推送服务器的资源。

所述领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述到的装置实施例仅仅是示意性的，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可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以是物理上分开的，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，在本申请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存在，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，可以采用软件功能单元的形式实现。

需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上对本申请所提供的一种信息推送方法和装置进行了详细介绍，本文中应用了具体实施例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (12)

1.一种信息推送方法，其特征在于，包括：

响应于用户的当前行为，从所述当前行为所属的会话中提取属性特征，并将所述属性特征输入到预置的用户行为生命周期模型，输出所述用户当前在用户行为生命周期中的阶段，其中所述用户行为生命周期包括目标对象不明确阶段、目标对象明确选择阶段和目标对象锁定阶段；

将从待推送对象和用户中提取的属性特征输入到预置的且与所述用户当前在用户行为生命周期中的阶段对应的命中概率模型中，输出所述待推送对象的命中概率，其中不同阶段对应的命中概率模型不同；

按照所述待推送对象的命中概率从大到小的顺序选取至少一个待推送对象；

对选取的待推送对象进行推送。

2.根据权利要求1所述的方法，其特征在于，所述用户行为生命周期模型是对GBRT模型进行训练所得到的连续模型。

3.根据权利要求1所述的方法，其特征在于，所述命中概率模型是对逻辑回归LR模型进行训练所得到的离散模型。

4.根据权利要求1所述的方法，其特征在于，所述预置的且与所述用户当前在用户行为生命周期中的阶段对应的命中概率模型包括：曝光点击转化率模型、点击收藏转化率模型和点击下单转化率模型；

则所述将从待推送对象和用户中提取的属性特征输入到预置的且与所述用户当前在用户行为生命周期中的阶段对应的命中概率模型中，输出所述待推送对象的命中概率，包括：

当所述用户当前在用户行为生命周期中的阶段为目标对象不明确阶段时，将从待推送对象和用户中提取的属性特征输入到曝光点击转化率模型中，输出所述待推送对象的被曝光数量与被点击数量之间的转化率；

或者，

当所述用户当前在用户行为生命周期中的阶段为目标对象明确选择阶段时，将从待推送对象和用户中提取的属性特征输入到点击收藏转化率模型中，输出所述待推送对象的被点击数量与被关注数量之间的转化率；

或者，

当所述用户当前在用户行为生命周期中的阶段为目标对象锁定阶段时，将从待推送对象和用户中提取的属性特征输入到点击下单转化率模型中，输出所述待推送对象的被点击数量与被下单数量之间的转化率。

5.根据权利要求4所述的方法，其特征在于，所述按照所述待推送对象的命中概率从大到小的顺序选取至少一个待推送对象包括：

当所述用户当前在用户行为生命周期中的阶段为目标对象不明确阶段时，按照所述待推送对象的被曝光数量与被点击数量之间的转换率从大到小的顺序选取至少一个候选对象；

或者，

当所述用户当前在用户行为生命周期中的阶段为目标对象明确选择阶段时，按照所述待推送对象的被点击数量与被关注数量之间的转换率从大到小的顺序选取至少一个候选对象；

或者，

当所述用户当前在用户行为生命周期中的阶段为目标对象锁定阶段时，按照所述待推送对象的被点击数量与被下单数量之间的转换率从大到小的顺序选取至少一个候选对象。

6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述待推送对象是在本地获得的，所述方法还包括：

根据相关性算法计算各个对象与搜索到的对象之间的相似度值；

按照相似度值从大到小的顺序选取至少一个对象并作为候选对象；

从所述候选对象中剔除出搜索到的对象，将剩余下的候选对象作为待推送对象。

7.一种信息推送装置，其特征在于，包括：

生命周期确定单元，用于响应于用户的当前行为，从所述当前行为所属的会话中提取属性特征，并将所述属性特征输入到预置的用户行为生命周期模型中，输出所述用户当前在用户行为生命周期中的阶段，其中所述用户行为生命周期包括目标对象不明确阶段、目标对象明确选择阶段和目标对象锁定阶段；

命中概率确定单元，用于将从待推送对象和用户中提取的属性特征输入到预置的且与所述用户当前在用户行为生命周期中的阶段对应的命中概率模型中，输出所述待推送对象的命中概率，其中不同阶段对应的命中概率模型不同；

待推送对象选取单元，用于按照所述待推送对象的命中概率从大到小的顺序选取至少一个待推送对象；

推送单元，用于对选取的待推送对象进行推送。

8.根据权利要求7所述的装置，其特征在于，所述用户行为生命周期模型是对GBRT模型进行训练所得到的连续模型。

9.根据权利要求7所述的装置，其特征在于，所述命中概率模型是对逻辑回归LR模型进行训练所得到的离散模型。

10.根据权利要求7所述的装置，其特征在于，所述预置的且与所述用户当前在用户行为生命周期中的阶段对应的命中概率模型包括：曝光点击转化率模型、点击收藏转化率模型和点击下单转化率模型；

所述命中概率确定单元包括第一确定子单元、第二确定子单元和第三确定子单元；其中，

第一确定子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象不明确阶段时，将从待推送对象和用户中提取的属性特征输入到曝光点击转化率模型中，输出所述待推送对象的被曝光数量与被点击数量之间的转化率；

第二确定子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象明确选择阶段时，将从待推送对象和用户中提取的属性特征输入到点击收藏转化率模型中，输出所述待推送对象的被点击数量与被关注数量之间的转化率；

第三确定子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象锁定阶段时，将从待推送对象和用户中提取的属性特征输入到点击下单转化率模型中，输出所述待推送对象的被点击数量与被下单数量之间的转化率。

11.根据权利要求10所述的装置，其特征在于，所述待推送对象选取单元包括第一选取子单元、第二选取子单元和第三选取子单元；其中，

第一选取子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象不明确阶段时，按照所述待推送对象的被曝光数量与被点击数量之间的转换率从大到小的顺序选取至少一个候选对象；

第二选取子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象明确选择阶段时，按照所述待推送对象的被点击数量与被关注数量之间的转换率从大到小的顺序选取至少一个候选对象；

第三选取子单元，用于当所述用户当前在用户行为生命周期中的阶段为目标对象锁定阶段时，按照所述待推送对象的被点击数量与被下单数量之间的转换率从大到小的顺序选取至少一个候选对象。

12.根据权利要求6至11中任意一项所述的装置，其特征在于，所述待推送对象是在本地获得的，所述装置还包括：

相似度计算单元，用于计算根据相关性算法计算各个对象与搜索到的对象之间的相似度值；

候选对象选取单元，用于按照相似度值从大到小的顺序选取至少一个对象并作为候选对象；

剔除单元，用于从所述候选对象中剔除出搜索到的对象，将剩余下的候选对象作为待推送对象。