CN106940703A

CN106940703A - 推送信息粗选排序方法及装置

Info

Publication number: CN106940703A
Application number: CN201610006885.5A
Authority: CN
Inventors: 姜磊; 陈戈; 江列琼; 刘磊; 黄东波; 李文杰; 黄浩; 谷俊青; 黄伟; 江志; 张弘; 徐澜; 朱思宇; 金伟
Original assignee: Tencent Technology Beijing Co Ltd
Current assignee: Tencent Technology Beijing Co Ltd
Priority date: 2016-01-04
Filing date: 2016-01-04
Publication date: 2017-07-11
Anticipated expiration: 2036-01-04
Also published as: CN106940703B; EP3401798A1; US20180129964A1; JP6547070B2; KR20180072793A; WO2017118328A1; JP2018536937A; EP3401798A4; KR102111223B1

Abstract

本发明实施例公开了一种推送信息粗选方法及装置，所述方法包括：根据所述推送信息的历史推送数据，确定用于计算预测值的特征及所述特征对应的权值；计算所述特征的标准差；确定所述标准差的波动概率；基于所述权值、标准差及波动概率，计算所述预测值；其中，所述标准差和所述波动概率用于计算得到修正所述权值的波动值；基于所述预测值，选择满足预设条件的推送信息。

Description

推送信息粗选排序方法及装置

技术领域

本发明涉及信息处理领域，尤其涉及一种推送信息粗选排序方法及装置。

背景技术

随着信息技术的发展，在信息推送领域确定出信息推送的目标用户以提升信息推送的效率是现有技术中一直致力解决的问题。所述信息推送包括广告推送，向用户推荐的视频、音频以及图文信息等。为了向用户发送感兴趣的推送信息，提高推送信息的传达率及资源有效利用率，会对各个推送信息进行受欢迎程度的排序预测。在进行预测时，包括预测值的粗选排序及精选排序。在粗选排序中将根据推送信息目前的数据，从成千上万数量级的推送信息中选择少量的受欢迎程度较高的推送信息，再由精选排序进一步对粗选出的推送信息进行受欢迎程度、被观看或被点击的预测概率再次进行精确的排序。然而在现有技术中发现，通常某些推送信息是非常受用户欢迎的，但是有推送的时间短等问题，导致在粗选中就被过滤掉了，导致的处理结果精确度低等问题。

发明内容

有鉴于此，本发明实施例期望提供一种推送信息粗选排序方法及装置，至少部分解决粗选结果精确度低的问题。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例第一方面提供了一种推送信息粗选方法，所述方法包括：

根据所述推送信息的历史推送数据，确定用于计算预测值的特征及所述特征对应的权值；

计算所述特征的标准差；

确定所述标准差的波动概率；

基于所述权值、标准差及波动概率，计算所述预测值；其中，所述标准差和所述波动概率用于计算得到修正所述权值的波动值；

基于所述预测值，选择满足预设条件的推送信息。

基于上述方案，所述方法还包括：

确定波动系数；其中，所述波动系数用于限制所述波动值的取值范围；

所述基于所述权值、标准差及波动概率，计算所述预测值，包括：

基于所述权值、标准差、波动概率及所述波动系数，计算所述预测值。

基于上述方案，所述方法还包括：

确定安全因子，其中，所述安全因子用于防止所述标准差异为特定值或未获取到标准差时导致的波动值求解异常；

基于所述权值、标准差、波动概率及所述安全因子，计算所述预测值。

基于上述方案，述预测值，包括：

利用如下公式计算所述预测值y；

其中，所述x_i为特征i的取值；所述w_i为所述特征i的权值；所述α为所述波动系数；所述β为所述安全因子；所述σ_i为所述特征的标准差。

基于上述方案，所述根据所述推送信息的历史推送数据，确定用于计算预测值的特征及所述特征对应的权值，包括：

确定用于计算所述预测值的推送信息特征；

确定用于计算所述预测值的用户特征。

基于上述方案，所述确定用于计算所述预测值的用户特征，包括：

确定各种用户特征的可信度；

基于所述可信度，选择用于计算所述预测值的用户特征。

从各种用户特征中选择出一个或多个非加工用户特征，作为用于计算所述预测值的用户特征。

本发明实施例第二方面提供一种推送信息粗选装置，所述装置包括确定单元、计算单元及选择单元；

所述确定单元，用于根据所述推送信息的历史推送数据，确定用于计算预测值的特征及所述特征对应的权值；

所述计算单元，用于计算所述特征的标准差；

所述确定单元，还用于确定所述标准差的波动概率；

所述计算单元，还用于基于所述权值、标准差及波动概率，计算所述预测值；其中，所述标准差和所述波动概率用于计算得到修正所述权值的波动值；

所述选择单元，用于基于所述预测值，选择满足预设条件的推送信息。

基于上述方案，所述确定单元，还用于确定波动系数；其中，所述波动系数用于限制所述波动值的取值范围；

所述计算单元，具体用于基于所述权值、标准差、波动概率及所述波动系数，计算所述预测值。

基于上述方案，所述确定单元，具体用于确定安全因子，其中，所述安全因子用于防止所述标准差异为特定值或未获取到标准差时导致的波动值求解异常；

所述计算单元，具体用于基于所述权值、标准差、波动概率及所述安全因子，计算所述预测值。

基于上述方案，所述计算单元，具体用于利用如下公式计算所述预测值y；

基于上述方案，所述确定单元，具体用于确定用于计算所述预测值的推送信息特征；确定用于计算所述预测值的用户特征。

基于上述方案，所述确定单元，具体用于确定各种用户特征的可信度；基于所述可信度，选择用于计算所述预测值的用户特征。

基于上述方案，所述确定单元，具体用于从各种用户特征中选择出一个或多个非加工用户特征，作为用于计算所述预测值的用户特征。

本发明实施例提供的推送信息粗选方法及装置，在进行用于粗选的预测值计算时，将计算特征的标准差，并确定对应特征的波动概率，而标准差和波动概率能够用于计算出修正该特征对应的权值的波动值。这样的话，有利于目前历史推送数据较小的推送信息在标准值波动较大的情况下，也能有机会作为被粗选出的推送信息进入后续精选的再次选择；能够解决现有技术中部分推送信息因历史推送数据少，但是推送效果佳的订单在粗选中被筛选掉，导致最终没能选择出推送效果佳的推送信息，提升了粗选的精确度。

附图说明

图1为本发明实施例提供的第一种推送信息粗选方法的流程示意图；

图2为本发明实施例提供的第二种推送信息粗选方法的流程示意图；

图3为本发明实施例提供的第一种推送信息粗选装置的结构示意图；

图4为本发明实施例提供的第二种推送信息粗选装置的结构示意图；

图5为本发明实施例提供的预测值的计算示意流程图。

具体实施方式

以下结合说明书附图及具体实施例对本发明的技术方案做进一步的详细阐述。

实施例一：

如图1所示，本实施例提供一种推送信息粗选方法，所述方法包括：

步骤S110：根据所述推送信息的历史推送数据，确定用于计算预测值的特征及所述特征对应的权值；

步骤S120：计算所述特征的标准差；

步骤S130：确定所述标准差的波动概率；

步骤S140：基于所述权值、标准差及波动概率，计算所述预测值；其中，所述标准差和所述波动概率用于计算得到修正所述权值的波动值；

步骤S150：基于所述预测值，选择满足预设条件的推送信息。

本实施例所述的推送信息可包括广告等信息。这里的广告可包括社交广告等各种类型的广告。本实施例所述的推送信息粗选方法，可以应用于各种推送信息的推送平台中，也可以用于各种确定采用作为效果推送信息的选择设备中。

在本实施例中所述步骤S110将根据推送信息的历史推送数据，这里的历史推送数据对应于广告可包括历史广告数据。这里的历史广告数据可包括点击了或观看了或执行广告期待的转换行为的种子用户、行为有效期及点击率、转换率、广告投放位、广告投放时间等各种基于推送信息在推送过程中形成的各种数据。所述转换行为可包括下载应用(Application，App)、购买对应的推送信息中推广的各自服务、商品等推送信息希望用户执行的操作。

在本实施例中步骤S120中计算的标准差为针对某一特征的标准差。这的标准差为：该特征为指定值时，历史推送数据中操作结果的标准差。这里的操作结果用于表征特征为指定值的用户是否执行了该推送数据期望的操作的取值。例如，以广告A为例，对应的特征为年龄；若4个比特分别表示4个不同的年龄段。假设用户C在第1个年龄段，则对应于第1个年龄段的第1个比特为1，其他比特为0；则此时年龄这一特征的取值为1000。在计算标准差时，若取年龄特征为1000的历史推送数据的数据行，这些数据行中包括用户是否点击了广告A的操作结果列。假设在操作结果列中以“1”表示点击了该广告，“0”表示未点击该广告。例如，在历史推送数据的数据行中有50个数据行的年龄特征的取值为1000，则提取这50个列的结果列作为样本数据，求解标准差。求解出的该标准差即为年龄特征在取第1年龄段的标准差。在计算预测值时，会确定出接收该推送信息的用户集，提取这些用户的年龄特征，例如，利用上述计算出的标准差，可以计算出在第1年龄段的用户间推送，该广告被点击的概率值。再比如，该特征的取值为“性别为女”，该“性别为女”这一个特征的标准差为，历史推送数据中女性执行该推送信息期望的转换操作的标准差。例如，女性点击该广告的标准差。

步骤S130中确定所述标准差的波动概率，在本实施例中可以采用预设算法确定所述波动概率，例如采用随机算法确定所述波动概率，这里的随机算法包括高斯随机算法。

在步骤S140中基于所述权值、标准差及波动概率，计算所述预测值。这里的权值为对应进行预测值计算的每一个特征的权值。

在本实施例中参与所述预测值计算的特征可包括推送信息的特征及用户特征。这里的推送信息的特征可包括推送位、推送标识。这里的推送标识可为推送信息的序列号；所述推送位可包括发布所述推送信息的发布位。这里的发布位可包括社交应用上的信息发布位，例如，微信朋友圈、应用登录界面首页，再比如应用页面的页首部位。当然这里的发布位还可包括浏览器的首页、浏览器的侧边广告位及悬浮窗等。所述用户特征可包括阅读了该推送信息，点击了该推送信息或执行了该推送信息期待的其他转换行为的用户的特征。这些用户特征可包括用户的年龄、性别、职业、行为偏好、兴趣爱好及消费水平等各种能够表征用户特点的特征。

在本实施例中所述预测值可用于表征继续发布该推送信息，用户将执行该推送信息期待的转换行为的概率。例如，发布广告A一段时间了，根据广告A已发布形成的历史广告数据，计算出所述特征标准差。在步骤S130中确定出波动概率，在步骤S140中利用标准差和波动概率修正权值，得到一个后修正后的权值，再利用修正后的权值预测出后续广告A将被点击的概率。

在步骤S140中具体可用入校公式计算所述预测值：

在上述公式中，所述y为所述预测值，所述x_i为特征i的取值；所述w_i为所述特征i的权值；所述σ_i为所述特征的标准差。在本实施例中利用的是逻辑回归算法来计算所述预测值，在具体实现时还可以利用页贝斯算法来计算所述预测值。其中为基于波动概率及标准差计算得到的修正后的权值，在也贝斯算法中也可以利用修正后的权值替代原有的权值，同样计算得到本实施例中所述预测值。值得注意的是在本实施例中特征共有I个，所述i的取值从1到I。这里的I为不小于1的整数。值得注意的是：这里的为e的指数。所述e为自然常数。

在具体实现时，可以根据各个推送信息的预测值，进行预测值大小的排序，然后选择排序靠前的推送信息作为本次推送信息粗选的粗选结果；或者将预测值大于粗选阈值的推送信息作为本次推送信息粗选的粗选结果。总之在执行完本实施例中所述的步骤S140之后，还可基于预测值选择满足预设条件的推送信息。这里选择出的推送信息可作为效果推送的推送信息。这里的效果推送可为基于推送效果进行付费的推送操作。

在本实施例中因引入了标准差和波动概率来修正权值，这样的话，对于目前推送时间较短或推送量较小的推送信息，但是达到预期的推送效果的推送信息参与竞争，减少粗选的时后这些推送量较少的推送信息因为推送量较少导致被遗漏的现象，从而提升了粗选选择出推送效果佳的推送信息。例如，广告以订单进行标识，有些订单才被投放到广告平台，由于投放时间短或投放量少导致历史广告数据较少，若采用现有技术进行订单粗选，很容易将这些投放量或投放时间短的广告筛选掉，从而导致粗选出的广告并不是投放效果最好的一个或多个广告，导致粗选的精确度低等现象。但是利用本实施例所述的信息处理方法，将通过拨动概率及标准差的引入，减少因为历史推送数据少导致的数据拨动性大，导致的将推送效果优良的推送信息漏选的现象，提升了粗选的精确度。

实施例二：

步骤S120：计算所述特征的标准差；

步骤S130：确定所述标准差的波动概率；

步骤S150：基于所述预测值，选择满足预设条件的推送信息。

所述方法还包括：

所述步骤S140可包括：基于所述权值、标准差、波动概率及所述波动系数，计算所述预测值。

在本实施例所述方法中还引入了波动系数，这里的波动系数用于限制所述波动值的取值范围。当一个特征的标准差过大时，若采用前述实施例的所述方法就可能导致波动值的取值过大的现象，在本实施例中引入了波动系数，波动系数可用于与基于波动概率和标准差得到的结果进行乘积运算，得到所述波动值。在本实施例中所述波动系数通常为大于0且不大于1的整数。若所述波动系数取值为0，在本例子中则波动值可为0，这时就不对权值进行修正，忽略的因历史推动数据的数据量少导致的标准差浮动大的现象。所述波动系数可为预先设置的参数，具体可根据历史操作记录得到的经验值，也可以实验数据通过一次或多次实验得到的实验值，总之在计算本实施例所述推送信息粗选方法时，可预先知道的一个取值。在本实施例中，引入了波动系数调整所述波动值，以避免所述波动值过大或过小，以避免因特征值的波动过大导致的计算结果不够精确现象，进一步提升了粗选的精确度。

图2为本实施例所述推送信息粗选方法的另一个流程示意图，具体包括：提取推送信息特征和用户特征，计算标准差；这里的计算标准差包括计算各个用于计算预测值的特征的标准差。在计算标注差的同时或之前或之后，还将确定波动系数、确定安全因子、确定波动概率；接着，基于波动概率、标准差、波动系数及安全因子，计算预测值；最后对预测值进行排序，形成排序结果；基于排序结果选择预测值靠前的推送信息作为推送结果。

实施例三：

步骤S120：计算所述特征的标准差；

步骤S130：确定所述标准差的波动概率；

步骤S150：基于所述预测值，选择满足预设条件的推送信息。

所述方法还包括：

所述步骤S150可包括：基于所述权值、标准差、波动概率及所述波动系数，计算所述预测值。

所述方法还包括：

所述步骤S140可包括：

在本实施例中还引入了安全因子，若出现所述标准差异常或极端的情况，如何确定所述标准差异常，例如所述标准差的取值为特定值，具体如，所述标准差为0。在本实施例中所述未获取到标准差也为一种标准差异常的情况下，通常若未获得标准差将默认所述标准差为0。若所述标准差为0，则可能导致波动值为0，在本实施例中将引入一个安全因子。所述安全因子通常为一个极小的正数。在本实施例中所述安全因子为小于预定值的常数，例如，一般可为不大于千分之一的常数，例如所述安全因子的取值为万分之一。

在标准差正常时，因为极小对波动值的计算干扰极小，当表征差异常时，所述安全因子因为为极小的正数，从而使得波动值不为0，但是通常会使波动值极小。这样，通过安全因子的引入，电子设备在计算所述波动值异常导致的预测值异常等现象。

作为本实施例的进一步改进，以下特别提出一种基于波动概率、标准差、安全因子及波动系数的一个具可选示例。所述步骤S150可包括：

利用如下公式计算所述预测值y

显然在本实施例中所述σ_i不能为0，否则会导致出现异常，进而导致波动值异常，这样会导致预测值计算的异常。当然在具体实现时，也很难出现推送信息的特征取值的标准差为0的现象。

在本实施例中同样值得注意的是在本实施例中特征共有I个，所述i的取值从1到I。这里的I为不小于1的整数。

通过上述公式，可以简便的精确的计算出进行推送信息粗选的预测值，且在计算的过程中异常出现的概率较小，波动值的取值范围也可在控制范围内；大大的提升了推送信息粗选的精确度。

实施例四：

步骤S120：计算所述特征的标准差；

步骤S130：确定所述标准差的波动概率；

步骤S150：基于所述预测值，选择满足预设条件的推送信息。

首先本实施例所述推送信息粗选方法，为在前述实施例中任意一个技术方案上的改进，例如所述步骤S140可以采用实施例三中提供的公式计算所述预测值。本实施例与上述实施例不同的在于，所述步骤S110可包括：

确定用于计算所述预测值的推送信息特征；

确定用于计算所述预测值的用户特征。

这里的推送信息特征可包括推送信息的发布位、发布时间、推送信息的时长、推送信息的信息量及推送信息的标识等各种信息。

这里的计算所述预测值的用户特征，这里的用户特征可包括用户年龄、性别、肤色、国籍及职业等各种特征。所述I的取值在本实施例中可为推送信息特征和用户特征的个数和。

在现有技术中通常进行推送信息粗选时，将仅依据推送信息特征来进行推送信息的粗选，这样导致的结果是忽略的用户特点对推送信息的推送效果的影响，从而会导致推送效果佳的推送信息的预测值低的现象。首先，在本实施例中将引入用户特征，将用户特征作为计算所述预测值的特征。若结合实施例一至实施例三提供的技术方案，则所述x_i可为推送信息特征或用户特征的取值，以进一步提升推送信息粗选的精确度。其次，在本实施例中将通过用户特征的确定，选择出用户的少量用户特征作为所述预测值的计算的用户特征，而并非所有的用户特征，这样可以避免用户特征过多，导致的计算量大的显现。例如，在本实施例中将确定指定个数的用户特征参与所述预测值的计算。这里的指定个数为事先确定的值，通常这里的指定个数为不小于1的整数，优选为2个或2个以上的用户特征。

在选择所述推送信息特征时可以参见现有技术，再此就不一一详细介绍了，进行所述用户特征的筛选也有很多种，以下提供两种可选方式：

可选方式一：

所述步骤S110中确定用于计算所述预测值的用户特征可包括：

确定各种用户特征的可信度；

基于所述可信度，选择用于计算所述预测值的用户特征。

在本实施例中所述可信度可为用户特征的真实性或正确性的概率。确定用户特征的可信度可以根据所述用户特征的获取方式进行赋值得到。例如，所述获取方式可包括基于用户输入确定的特征及电子设备自动进行信息处理整合得到的特征。例如，用户在社交网络中自行填写的性别、年龄及毕业院校等。所述电子设备整合的特征包括基于用户操作确定的用户行为偏好等特征。在确定所述可信度时，还可根据用户特征的特征属性来确定。例如，电子设备统计用户登录关注某一话题的频次信息，和用户自行填写的频次信息，这时可结合用户特征属性及信息来源。这个时候在确定所述可信度时，由于时频次信息电子设备的统计在大多数情况下将比用户自行填写更加准确；在进行可信度赋值时就可以给若该频次信息是电子设备自行统计的则赋予更高的值，若是用户填写的则赋予较低的值。再比如针对用户性别，电子设备可以通过用户行为特点分析出该用户是女性用户还是男性用户，但是显然在社交比较透明的社交应用中，或熟人社交中，用户自行填写或好友填写的用户性别，会比电子设备根据用户行为特点更加精确，这个时候将结合特征属性和信息来源两种方式为用户特征进行可信度赋值。在具体实现时，确定所述用户特征的可信度的方式还有多种，在本实施例中就不一一举例了。

若可信度一旦确定，就可以根据可信度选择用于进行预测值计算的用户特征，根据可信度从高到底，选择出排序靠前的N个可信度对应的用户特征作为计算所述预测值的用户特征，再比如选择出可信度大于可信度阈值的用户特征作为所述预测值的用户特征。

可选方式二：

所述步骤S110中确定用于计算所述预测值的用户特征可包括：

在本实施例中将用户特征分为加工特征和非加工特征，这里的加工特征为基于对多个信息的处理得到的特征；而非加工特征可包括用户自动填写的特征，没有进行过信息二次整合等方式确定的。例如，通过身份证扫描得到的用户的年龄、姓名、身份证号及原籍地址都是所述非加工特征。再比如，根据记录着用户每一次打开应用A的统计频次，这个通过直接统计操作，并没有和其他信息通过二次整合处理得到的特征，也可是非加工特征。所述加工特征可为确定出非加工特征以外的所有特征。例如，根据用户购买商品、服务及旅行的车票的预定等方法，确定出用户消费水平这一用户特征，整合了用户购买行为、预定行为等，从而是所述加工特征。

由于非加工特征的非加工，即确定的直接性，通常其精准度高于加工特征，故在本实施例中将非加工特征作的一个或多个作为计算所述预测值的用户特征。这里的计算所述预测值的用户特征的个数可为静态的预设值，也可以为动态确定的动态值。例如，若在本实施例中将所有的非加工特征都作为计算所述预测值的用户特征，则这个时候计算所述预测值的用户特征的个数是动态确定的。当然，也可以预先确定一个预设值，从而多个非加工特征中选择出预设值个非加工特征作为计算所述预测值的用户特征。那么此时可能涉及到如何选择部分非加工特征作为计算所述预测值的用户特征，例如，可事先给非加工特征设置优先级，根据优选级选择若干计算所述预测值的用户特征。

在本实施例中通常可优选出用户的基本用户特征作为计算预测值的用户特征，例如，选择年龄、性别、职业、所在区域及教育背景等用户较为基本的信息作为计算所述预测值的用户特征。当然这些基本信息可能是用户亲自填写或好友代填的，可能属于可信度较高的用户特征，可将作为精确度较高的非加工特征被选择作为计算预测值的用户特征。

在本实施例中首先，引入了用户特征来参与推送信息的粗选，从而解决了仅采用推送信息特征进行推送信息的粗选导致的精确度低的现象，同时通过用户特征选择，将仅选择部分用户特征进行计算，以减少信息量，避免降低粗选的效率，最后，在选择用户特征时可以根据可信度进行选择，也可以选择非加工特征参与计算，不管采用哪种方式进行用户特征的选择，都能够再次提升计算的精确度。

实施例五：

如图3所示，本实施例提供一种推送信息粗选装置，所述装置包括确定单元110、计算单元120及选择单元130；

所述确定单元110，用于根据所述推送信息的历史推送数据，确定用于计算预测值的特征及所述特征对应的权值；

所述计算单元120，用于计算所述特征的标准差；

所述确定单元130，还用于确定所述标准差的波动概率；

所述计算单元120，还用于基于所述权值、标准差及波动概率，计算所述预测值；其中，所述标准差和所述波动概率用于计算得到修正所述权值的波动值；

所述选择单元130，用于基于所述预测值，选择满足预设条件的推送信息。

所述确定单元110及选择单元130的具体结构可对应于处理器或处理电路，所述处理器可包括应用处理器、中央处理器、微处理器、数字信号处理器或可编程阵列等处理结构。所述处理电路可包括专用集成电路。

所述确定单元110及选择单元130可分别对应于不同的处理器或处理电路，也可以集成对应于相同的处理器或处理电路。当确定单元110及选择单元130集成对应于相同的处理器或处理电路时，所述处理器或处理电路可采用时分复用或并发线程等方式来分别实现上述确定单元110及选择单元130的功能。

本实施例中所述计算单元120的具体结构可对应于计算器或具有计算功能的处理器等结构，将首先用于计算标准差，再利用标准差、波动概率计算波动值，利用波动值和权值计算修正后的权值，最后基于修正后的权值及所述特征的取值计算出所述预测值。

图4所示，本实施例提供一种推送信息粗选装置，包括处理器220、存储介质240、显示屏250以及至少一个外部通信接口210；所述处理器220、存储介质240以及外部通信接210均通过总线230连接。所述处理器220可为微处理器、中央处理器、数字信号处理器或可编程逻辑阵列等具有处理功能的电子元器件。所述存储介质240上存储有计算机可执行指令；所述处理器220执行所述存储介质240中存储的所述计算机可执行指令可实现上述方法中的任意一个；具体如，根据所述推送信息的历史推送数据，确定用于计算预测值的特征及所述特征对应的权值；计算所述特征的标准差；确定所述标准差的波动概率；基于所述权值、标准差及波动概率，计算所述预测值；其中，所述标准差和所述波动概率用于计算得到修正所述权值的波动值；基于所述预测值，选择满足预设条件的推送信息。

在本实施例中所述标准差、波动概率及预测值的相关描述可参见对应的实施例，在此就不一一再详细介绍了。例如，所述波动概率可为随机概率，例如，所述波动概率等于高斯随机概率值。

本实施例所述推送信息粗选装置可为一台或多台进行推送信息粗选的服务器的组成结构，该服务器可为位于广告等推送信息平台中的设备。总之，本实施例中所述推送信息粗选装置为前述推送信息粗选方法提供了实现硬件，同样具有推送信息粗选精确度高的特点。

实施例六：

所述计算单元120，用于计算所述特征的标准差；

所述确定单元130，还用于确定所述标准差的波动概率；

所述确定单元110，还用于确定波动系数；其中，所述波动系数用于限制所述波动值的取值范围；

所述计算单元120，具体用于基于所述权值、标准差、波动概率及所述波动系数，计算所述预测值。

在本实施例中所述确定单元110可对应于人机交互接口，可利用所述人机交互接口接收工作人员输入的所述波动系数。当然所述确定单元110也可对应于处理器或处理电路，读取预先存储在计算机存储介质中的所述波动系数，也可以对应于通信接口，从而其他电子设备查询或接收到所述波动系数。

在本实施例中所述计算单元120具体将根据权值、标准差、波动概率及波动系数来计算所述预测值。这里的波动系数、标准差及波动概率都为计算波动值的一个参数。具体的计算函数关系或方法可以参见实施例一至实施例四，在本实施例中就再重复了。

总之，在本实施例中通过波动系数的引入，避免标准差过大时导致的预测值出现异常的现象，以提升计算的精确度。

实施例七：

所述计算单元120，用于计算所述特征的标准差；

所述确定单元130，还用于确定所述标准差的波动概率；

所述确定单元110，具体用于确定安全因子，其中，所述安全因子用于防止所述标准差异为特定值或未获取到标准差时导致的波动值求解异常；

所述计算单元120，具体用于基于所述权值、标准差、波动概率及所述安全因子，计算所述预测值。

在本实施例中还引入了安全因子，这里的安全因子可为小于千分之一的常数等极小的取值。在本实施例中所述确定单元110对应的硬件结构可以参见前述实施例中确定所述波动系数的硬件结构，但是不同的是本实施例中确定的安全因子。这里的标准差异常可包括标准差为预定的异常值，也可以未获取到异常值，等满足异常条件的标准差获取情况。

当然在本申请的各个实施例中所述安全因子，与所述波动系数、标准差及波动概率一样是参与波动值计算的因变量。

在本实施例中计算单元120将基于安全因子来计算波动值，避免波动值异常导致预测值的异常，减少计算过程中的异常情况的出现。

计算所述预测值的函数关系有多种，在本实施例中所述计算单元120用于利用如下公式计算所述预测值y；

当然所述计算单元可以采用贝叶斯算法或逻辑回归算法计算所述预测值，不局限于上述公式。

总之，本实施例提供了一种具体如何计算所述预测值的装置，在具有根据该预测值进行推送信息粗选的精确度高的特点的同时，还具有结构简单、实现简便的特点。

实施例八：

所述计算单元120，用于计算所述特征的标准差；

所述确定单元130，还用于确定所述标准差的波动概率；

所述确定单元，110具体用于确定用于计算所述预测值的推送信息特征；确定用于计算所述预测值的用户特征。

在本版实施例中所述确定单元110的硬件结构与前述实施例提供的确定单元类似，值得注意的是在本实施例中所述确定单元110确定的用于计算预测值的特征包括推送信息特征和用户特征。这里的推送信息特征可包括推送位及推送时间等各种推送信息，所述用户特征可包括用户各种形式的特征。

这样的话，本实施例所述推送信息粗选装置，在计算所述预测值不仅关注了推送信息特征和关注了用户特征，没有认为的割裂用户特征和推送信息特征，就避免了在进行预测值计算时，忽略了用户特征对推送效果的影响，从而能够再次提升推送信息粗选的精确度。

所述确定单元110对应的可选结构有多种，以下提供两种可选结构：

可选结构一：

所述确定单元110，具体用于确定各种用户特征的可信度；基于所述可信度，选择用于计算所述预测值的用户特征。这个时候所述确定单元110也可对应于处理器或处理电路，也可以对应于比较器，例如通过比较器的比较选择可信度大于可信度阈值的用户特征作为计算预测值的用户特征。

可选结构二：

所述确定单元110，具体用于从各种用户特征中选择出一个或多个非加工用户特征，作为用于计算所述预测值的用户特征。在本实施例中所述确定单元110对应的硬件结构同样可包括处理器或处理电路，通过将用户特征非为非加工特征和加工特征，选择出非加工特征的一个或多个作为计算预测值的用户特征。

总之首先本实施例所述的推送信息粗选装置，引入用户特征计算所述预测值，基于这样的预测值对推送信息的粗选结果具有精确度高的特点；其次，通过用户特征的筛选，可以避免因用户特征引入计算导致的计算量大的问题，再次，通过选择可信度高的用户特征或选择非加工特征等能够精确表征用户特点的用户特征参与计算，能够再次提升所述粗选结果的精确度。

以下提供一个具体示例：

在本示例中的推送信息可为广告，本示例基于上述实施例中记载的任意一个技术方案，提供一种广告粗选方法。在本实施例中，

在本示例中，利用如下公式计算广告的预测值y，这里的预测值可为该广告被点击的概率。

所述x_i为特征i的取值；所述w_i为所述特征i的权值；所述α为所述波动系数；所述β为所述安全因子；所述σ_i为所述特征的标准差。所述rand_gaussian为服从高斯随机分布确定的随机概率。

α为波动值的波动系数，当α为0时，波动值则不起作用。

β是极小常数，一般可以取到万分之一。

σ_i则是特征i取值为指定值的待处理数据的标准差；以下表为例进行标准差求解说明。在本示例中可能先根据历史广告数据，确定出分类模型；再利用分类模型对数据库中待投放广告的广告信息及待测用户数据进行处理，确定出用户点击该广告的概率。这里的广告信息及为待测用户数据即为所述待处理数据。

在上述表中，中间5列称作特征列，第1列为行序号列；第7列是分类标签列。前述i可为所述特征列的序号。在上表中1的特征列中“1”表示逻辑值为“是”，“0”表示逻辑值为“否”。例如，在第2列中，“1”表示是男性，“0”表示不是男性。

对第2列而言，是男性的记录数有4条；且这4条记录分别在行序号为1、4、5及6的特征行中，而这4行所对应的分类标签分别是1、0、0、0，那么σ_i这里的计算就是计算(1，0，0，0)的标准差。当然具体的求解标准差的方式不止这一种，这里尽是一个具体示例。

通过引入波动值可以使得中小广告的预测值产生一些波动，使得这些订单能够有参与竞争的机会，从而可以保障整个广告系统的生态健康，而不至于产生极个别订单占了绝大部分的曝光的现象。

于此同时，还将利用上述公式在计算预测值时，将粗选序中直接引入用户特征，例如用户的基础信息如年龄、性别等用户特征，和订单信息，如广告位、订单ID作为特征。这里的订单信息实质上为前述实施例中提到的推送信息特征的组成部分。

图5所示一种计算预测值的图示，对训练数据进行训练。这里的训练数据即对应着前述的历史推送数据。在本实施例中都用01离散化各个用户特征和广告特征。例如，图5中0100和1000两个序列对应了用户的不同年龄或不同的年龄段。10和01对应了不同的广告。年龄*广告表征了年龄对应特征列与广告对应的特征列的笛卡尔乘积。图5示中的X*x表示未示出的其他用户特征或广告特征。通常在进行一个广告的预测值计算时，仅会出现一个广告列，且用0和1分别表示对应的用户是否观看该或点击了广告。

训练数据中的分类标签用于表征历史广告数据某一个用户对该广告是否执行了点击等转化操作。例如，训练数据中包括用户A点击了广告B的这一纪录。那么在图5中用户A所在的训练数据行中，纪录了用户A的年龄，用户A看的广告，而对应的用户A所在的训练数据行中的分类标签将为“1”表征用户A观看了该广告。

对训练数据进行训练得到了基于w和σ的训练模型。所述w表示权重，所述σ表示标准差。计算预测值y。图中0.02表示一个示例中计算出的预测值y为0.02。在预测值对应的数据行中的分类标签的取值表示的即为所述预测值，该预测值是基于对历史广告数据得到训练模型，确定推送该广告被点击的概率。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，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。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，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。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种推送信息粗选方法，其特征在于，所述方法包括：

计算所述特征的标准差；

确定所述标准差的波动概率；

基于所述预测值，选择满足预设条件的推送信息。

2.根据权利要求1所述的方法，其特征在于，

所述方法还包括：

3.根据权利要求2所述的方法，其特征在于，

所述方法还包括：

4.根据权利要求3所述的方法，其特征在于，

所述权值、标准差、波动概率及所述安全因子，计算所述预测值，包括：

利用如下公式计算所述预测值y；

y = \frac{1}{1 + e^{- Σ (w_{i} + α \sqrt{\frac{1}{β + \frac{1}{σ_{i}^{2}}} * p}) x_{i}}}

5.根据权利要求1至4任一项所述的方法，其特征在于，

所述根据所述推送信息的历史推送数据，确定用于计算预测值的特征及所述特征对应的权值，包括：

确定用于计算所述预测值的推送信息特征；

确定用于计算所述预测值的用户特征。

6.根据权利要求5所述的方法，其特征在于，

所述确定用于计算所述预测值的用户特征，包括：

确定各种用户特征的可信度；

基于所述可信度，选择用于计算所述预测值的用户特征。

7.根据权利要求5所述的方法，其特征在于，

所述确定用于计算所述预测值的用户特征，包括：

8.一种推送信息粗选装置，其特征在于，所述装置包括确定单元、计算单元及选择单元；

所述计算单元，用于计算所述特征的标准差；

所述确定单元，还用于确定所述标准差的波动概率；

9.根据权利要求8所述的装置，其特征在于，

所述确定单元，还用于确定波动系数；其中，所述波动系数用于限制所述波动值的取值范围；

10.根据权利要求9所述的装置，其特征在于，

所述确定单元，具体用于确定安全因子，其中，所述安全因子用于防止所述标准差异为特定值或未获取到标准差时导致的波动值求解异常；

11.根据权利要求10所述的装置，其特征在于，

所述计算单元，具体用于利用如下公式计算所述预测值y；

y = \frac{1}{1 + e^{- Σ (w_{i} + α \sqrt{\frac{1}{β + \frac{1}{σ_{i}^{2}}} * p}) x_{i}}}

12.根据权利要求8至11任一项所述的装置，其特征在于，

所述确定单元，具体用于确定用于计算所述预测值的推送信息特征；确定用于计算所述预测值的用户特征。

13.根据权利要求12所述的装置，其特征在于，

所述确定单元，具体用于确定各种用户特征的可信度；基于所述可信度，选择用于计算所述预测值的用户特征。

14.根据权利要求12所述的装置，其特征在于，

所述确定单元，具体用于从各种用户特征中选择出一个或多个非加工用户特征，作为用于计算所述预测值的用户特征。