CN106096059A - 一种基于场景推送信息的方法 - Google Patents

Abstract

本发明公开了一种基于场景推送信息的方法，所述推送信息的方法先提取用户会话的场景特征，然后基于提取的场景特征，采用生存分析模型预测生存时间，最后根据预测的生存时间及用户会话的场景结束时间，确定预测的信息推送时间。进一步地，还根据预测的信息推送时间及用户对应的访问时段集确定实际信息推送时间。并根据用户的反馈数据更新生存分析模型。本发明的方法以用户场景为学习目标，实现场景化信息推送，能够预测更为精确的信息推送时机，提高了用户体验，为用户提供更加高效的信息推送服务。

Description

一种基于场景推送信息的方法

技术领域

本发明属于信息推送技术领域，尤其涉及一种基于场景推送信息的方法。

背景技术

信息推送是一种主动向用户推送信息的服务，目的是帮助用户发现有用的信息，在挖掘用户价值的同时，提高用户体验。但是过度的推送和不合时宜的推送却会适得其反，所以推送的时机和推送的内容一样重要。

申请号为201410848646.5的中国发明专利申请公开了一种提供用户个性化资源消息推送的方法和装置，该方案将信息推送分成两步：先根据用户在各日期及各时间段访问资源的频率，确定适合对该用户进行信息推送的一个或多个信息推送日期及时间段；在当前日期及时间段属于所述信息推送日期及时间段的情况下，从资源集合中选择符合用户的偏好特征的一个或多个资源；以及在操作系统中提供关于一个或多个资源的信息推送。

可见该方案利用用户的历史访问资源平率来预测信息推送的时机，只考虑了用户的访问时间，只是简单的统计访问频率。比如说，一个用户平时习惯晚上8点逛逛购物网站，但是在某个时间段，有明确的消费动机，在完成该消费之前，可能会频繁的访问购物网站。在这种情况下，只是对用户的访问时机做“平均”的估计，显然是不高效的。

另外，申请号EP20130745953的欧洲专利申请，公开了一种信息推送方法，使用基于规则的方法，通过定义一系列事件，当用户的行为触发某个事件时，执行相应的推送计划。该方法比上述的统计访问频率的方式更加精细，但是需要人工预设事件，需要人为来设置和迭代调整精细的事件和相应的推送计划，完全依赖于人工制定规则的有效性。并且不能为不同的用户使用个性化的推送计划，用户体验不好。

发明内容

本发明提出了一种基于场景推送信息的方法，能够克服现有技术在信息推送时，用户体验差，推送时机不精确的问题，根据场景预测相应的信息推送时机，提高了用户体验，为用户提供更加高效的信息推送服务。

为了实现上述目的，本发明技术方案如下：

一种基于场景推送信息的方法，所述推送信息的方法包括：

提取用户会话的场景特征；

基于提取的场景特征，采用生存分析模型预测生存时间；

根据预测的生存时间及用户会话的场景结束时间，确定预测的信息推送时间。

所述用户会话的场景特征包括会话统计特征、历史特征和组合特征。

进一步地，所述推送信息的方法，还包括：

在预测的信息推送时间到达时，选择推送内容进行推送。

进一步地，所述推送信息的方法，还包括：

收集用户对于推送信息的反馈，采用反馈数据更新生存分析模型。

本发明根据预测的信息推送时间发送推送内容，并根据用户的反馈信息，采用反馈数据更新生存分析模型，从而能够更精确地预测生存时间，进而更精确地确定预测的信息推送时间。

进一步地，所述推送信息的方法，还包括：

根据预测的信息推送时间及用户对应的访问时段集确定实际信息推送时间。

所述用户对应的访问时段集包括用户访问时段集、用户的群组访问时段集、全局访问时段集。

进一步地，所述预测的信息推送时间为t₀，所述根据用户对应的访问时段集进一步确定信息推送时间，包括：

首先在用户访问时段集合里查找离t₀最近的可用时间t_u，若|t_u-t₀|<e，e为设定的阈值，则使用t_u作为实际信息推送时间；否则，在该用户的群组访问时段集合中查找离t₀最近的可用时间t_g，若|t_g-t₀|<e，则使用t_g作为实际信息推送时间；否则在全局访问时段集合中查找离t₀最近的可用时间t_a，使用t_a作为实际信息推送时间。

所述用户访问时段集，通过统计用户历史访问数据，统计出用户常用访问时段，生成该用户的访问时段集；所述用户的群组访问时段集，通过对用户聚类，确定其所属群组，推测其可能的访问时段，组成其对应的群组访问时段集；所述全局访问时段集，通过使用所有的用户访问数据，统计所有用户访问频率最高的时段集合生成一个全局访问时段集。

本发明在预测的信息推送时间明显不可用时，还通过用户访问时段集来推算实际的信息推送时间，能够更好地向客户推送信息，满足用户的需求。

同样地，在采用实际信息推送时间推送信息时，所述推送信息的方法，还包括：

在实际信息推送时间到达时，选择推送内容进行推送。

进一步地，所述推送信息的方法，还包括：

收集用户对于推送信息的反馈，采用反馈数据更新生存分析模型。

本发明提出了一种基于场景推送信息的方法，通过生存模型训练，根据用户行为识别不同的用户场景，结合场景和用户特征给出不同的推送计划。区别于以用户为目标的个性化信息推送，本发明以用户场景为学习目标，实现场景化信息推送，能够预测更为精确的信息推送时机，提高了用户体验，为用户提供更加高效的信息推送服务。

附图说明

图1为本发明基于场景推送信息的方法流程图。

具体实施方式

下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。

本发明的总体思想是，通过定义用户场景，针对不同的场景制定不同的推送计划和推送内容。从直觉上理解，一个用户场景指的是用户的一系列行为，其中隐含了用户的行为动机。比如，在电商应用中，用户的浏览行为，可能是打发时间，也可能有某个购物动机；可能在犹豫要不要买某个特定的商品，也可能在犹豫买哪个商品。本发明使用一个特征向量来描述一个场景，使用生存分析模型为每个场景预测一个下次访问时间。

如图1所示，本实施例一种基于场景推送信息的方法，包括如下步骤：

步骤S1、提取用户会话的场景特征。

本实施例以一次用户会话对应一个场景，或使用用户的访问间隔来切分用户会话，将一段时间内的用户会话切分为多个会话，对应多个场景。以电商平台为例，在用户浏览网页时，会记录用户会话数据。因此对于每一次用户会话，用户的会话数据可以通过业务系统导出。

从而可以提取用户会话的场景特征，例如在一个电商应用中，可以提取如下特征：

1)、会话统计特征。

比如，本次会话中访问的商品总数、总点击数、各个类别商品的点击数，访问商品的平均价格；是否有购买，购买的商品类别、数量，购买总金额；平均停留时间，会话总时间；是否有本次会话未购买的商品类别等等。

2)、历史特征。

比如，前一次或两次会话的会话统计特征。

3)、组合特征

比如，历史特征中的商品类别和本次会话是否一致；是否有浏览比例超过阈值的某类商品在会话内没有购买等等。

需要说明的是，本发明对于场景特征的提取，仅举出了上述例子，并不限于场景特征的具体所包含的特征数量，相对来说，取得越多的场景特征，会更有利于后续的模型训练。

步骤S2、基于提取的场景特征，采用生存分析模型预测生存时间。

本实施例使用场景特征作为输入，使用生存分析模型，预测一个生存时间。常见的生存分析模型有Cox回归、参数化Cox回归、AFT模型(accelerated failure time model)，生存随机森林等。本实施例的生存分析模型通过历史数据进行训练得到，并且在每一次预测后，根据收集的反馈进行更新，以保持模型的实时性，使得预测更加准确。

本实施例以参数化Cox回归为例，记生存时间t的分布为：

P(t)＝h(t)exp(b1*x1+b2*x2+...)

其中，P(t)是概率密度函数，{x1,x2,…}是场景特征，{b1,b2,…}是场景特征对应的参数。场景特征包括：会话统计特征如该场景内访问的商品及其种类、收藏的商品及其种类、购买的商品及其种类、场景会话时长等等；历史特征如上次会话访问、收藏、购买的商品及其种类等等；组合特征如上次会话访问、收藏、购买的商品及其种类和本次会话是否一致，上次访问最多的种类为种类1且本次会话访问最多的种类为种类2等等。

容易理解的是，概率密度函数h(t)为Weibull分布，参数化Cox回归的参数估计通过对训练数据(用户会话场景特征历史数据)进行训练得到，还可以根据用户反馈数据进行更新，关于具体的训练方法这里不再赘述。

本实施例经训练得到P(t)之后，通过设定一个阈值c，使得生存时间d满足：

P(t>d)<＝c

生存时间d是一个预测值，它的含义是，从场景结束时间开始，经过d时间后，用户还不产生访问行为的概率已经小于阈值c，也就是说系统应该为之推送信息了。

从而通过生存分析模型预测出生存时间，即应该为用户推送信息的时间间隔d。

步骤S3、根据预测的生存时间及用户会话的场景结束时间，确定预测的信息推送时间。

通过生存分析模型预测出生存时间之后，采用预测出的生存时间加上用户会话的场景结束时间，得到预测的信息推送时间，即：

t₀＝t_d+d

其中，t₀为预测的信息推送时间，t_d为用户会话的场景结束时间，d为预测出的生存时间。

假设对当前用户会话的场景结束时间为下午2点，预测的生存时间为5小时，则预测的信息推送时间t₀为晚上7点。

特别地，因为预测的信息推送时间t₀可能是不可用时间点，比如说凌晨。此时需要根据用户对应的访问时段集进一步确定实际信息推送时间t。

本实施例通过分级确定访问时段，可以为没有很多访问时段数据的用户提供个性化的访问时段预测。用户对应的访问时段集包括：用户访问时段集、用户的群组访问时段集、全局访问时段集，这些时间段集通过统计得到，得到的过程如下：

用户访问时段集：通过统计用户历史访问数据，统计出用户常用访问时段，生成该用户的访问时段集。统计用户历史访问数据，例如过去几个月或几周的访问数据，统计出用户常用访问时段，例如周2的晚上8点-9点，周日的晚上7点-12点，生成该用户的访问时段集；

用户的群组访问时段集：通过对用户聚类，确定其所属群组，推测其可能的访问时段，组成其对应的群组访问时段集。由于用户访问习惯存在一定聚集性，比如有些年轻人晚上访问频率较高，上班族下班时间和周末访问频率较高。通过对用户聚类，聚类不局限于具体的方法，比如常见的k-means，mean-shift，谱聚类等等，确定其所属群组，对于访问数据较少的用户也可以推测其可能的访问时段，每个用户有其对应的群组访问时段集；

全局访问时段集：通过使用所有的用户访问数据，统计所有用户访问频率最高的时段集合生成一个全局访问时段集。全局访问时段集指的是所有用户访问频率最高的时段集合。对于数据较少，且无法确定群组的用户，可以使用全局访问时段集进行推送，即使用所有的用户访问数据生成一个全局访问时段集，然后根据全局访问时段集进行推送。

本发明的一个实施例，具体地，首先在用户访问时段集合里查找离t₀最近的可用时间t_u，若|t_u-t₀|<e，e为设定的阈值，则使用t_u作为实际信息推送时间；否则，在该用户的群组访问时段集合中查找离t₀最近的可用时间t_g，若|t_g-t₀|<e，则使用t_g作为实际信息推送时间；否则在全局访问时段集合中查找离t₀最近的可用时间t_a，使用t_a作为实际信息推送时间。

例如，假设用户访问时段集为(9：00-10：00，12：00-13：00，20：00-22：00)；而用户的群组访问时段集为(8：30-10：00，12：30-14：00，19：00-20：00，21：00-23：00)；而全局访问时段集为(10：00-11：30，18：30-21：00)。

假设预测的信息推送时间t₀为19点，则根据用户访问时段集，发现t₀不落在用户访问时段集内，最接近的用户时段边界为t_u(20：00)，若|t_u-t₀|<e，e为0.5小时，显然不满足。

进而去查找群组访问时段集，发现t₀落在其中一个时段19：00-20：00，于是选择最接近的时段边界t_g(19：00)作为实际推送时间。如果群组访问时段集也没有对应的时段，则查找全局访问时段集，这里不再赘述。

需要说明的是，本实施例根据访问时段来确定实际信息推送时间，可以更加合理为用户推送信息，在提高信息推送的准确性的同时，不影响用户习惯。可以采用上述实施例中的一个或多个时段集来确定实际信息推送时间，并不限于上述实施例中采用的方法。

在确定信息推送的时间之后，接下来就是具体的信息推送，本发明的一个实施例，一种基于场景推送信息的方法，还包括：

在获得预测的信息推送时间或实际的信息推送时间到达时，选择推送内容进行推送。

本实施例确定信息推送的时间之后，就会根据内容推荐模型选择用户感兴趣的推送内容，将选择的推送内容生成服务，执行信息推送。用户感兴趣的推送内容可以根据用户点击的具体网页统计训练得到内容推荐模型，这里不再赘述。

需要说明的是，若未产生推送之前，产生了新的用户行为，则取消该用户的推送计划，根据新的用户行为场景重新安排推送计划。

本发明的一个实施例，一种基于场景推送信息的方法，还包括：

收集用户对于推送信息的反馈，采用反馈数据更新生存分析模型。

生存分析模型的及时更新有利于根据用户的使用习惯改变推送时间，随用户的习惯变化而变化。用户反馈的收集有两部分，其一是对推送信息的忽略、点击和后续行为(比如是否购买)；其二是推送之前，用户就已自行访问所推送的信息，这种情况说明推送时间预测的过晚。

通过用户的反馈，使用用户的反馈数据重新训练生存分析模型，达到更新生存分析模型的目的，从而能够更加准确地预测生存时间。

同样地，根据用户的反馈，还可以更新内容推荐模型，这里不再赘述。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种基于场景推送信息的方法，其特征在于，所述推送信息的方法包括：

提取用户会话的场景特征；

基于提取的场景特征，采用生存分析模型预测生存时间；

根据预测的生存时间及用户会话的场景结束时间，确定预测的信息推送时间。

2.根据权利要求1所述的基于场景推送信息的方法，其特征在于，所述用户会话的场景特征包括会话统计特征、历史特征和组合特征。

3.根据权利要求1所述的基于场景推送信息的方法，其特征在于，所述推送信息的方法，还包括：

在预测的信息推送时间到达时，选择推送内容进行推送。

4.根据权利要求3所述的基于场景推送信息的方法，其特征在于，所述推送信息的方法，还包括：

收集用户对于推送信息的反馈，采用反馈数据更新生存分析模型。

5.根据权利要求1所述的基于场景推送信息的方法，其特征在于，所述推送信息的方法，还包括：

根据预测的信息推送时间及用户对应的访问时段集确定实际信息推送时间。

6.根据权利要求5所述的基于场景推送信息的方法，其特征在于，所述用户对应的访问时段集包括用户访问时段集、用户的群组访问时段集、全局访问时段集。

7.根据权利要求6所述的基于场景推送信息的方法，其特征在于，所述预测的信息推送时间为t₀，所述根据用户对应的访问时段集进一步确定信息推送时间，包括：

首先在用户访问时段集合里查找离t₀最近的可用时间t_u，若|t_u-t₀|<e，e为设定的阈值，则使用t_u作为实际信息推送时间；否则，在该用户的群组访问时段集合中查找离t₀最近的可用时间t_g，若|t_g-t₀|<e，则使用t_g作为实际信息推送时间；否则在全局访问时段集合中查找离t₀最近的可用时间t_a，使用t_a作为实际信息推送时间。

8.根据权利要求6所述的基于场景推送信息的方法，其特征在于，所述用户访问时段集，通过统计用户历史访问数据，统计出用户常用访问时段，生成该用户的访问时段集；所述用户的群组访问时段集，通过对用户聚类，确定其所属群组，推测其可能的访问时段，组成其对应的群组访问时段集；所述全局访问时段集，通过使用所有的用户访问数据，统计所有用户访问频率最高的时段集合生成一个全局访问时段集。

9.根据权利要求5所述的基于场景推送信息的方法，其特征在于，所述推送信息的方法，还包括：

在实际信息推送时间到达时，选择推送内容进行推送。

10.根据权利要求9所述的基于场景推送信息的方法，其特征在于，所述推送信息的方法，还包括：

收集用户对于推送信息的反馈，采用反馈数据更新生存分析模型。