CN107562758B

CN107562758B - 一种推送信息的方法、装置及电子设备

Info

Publication number: CN107562758B
Application number: CN201610513018.0A
Authority: CN
Inventors: 邓少伟
Original assignee: Beijing Kingsoft Internet Security Software Co Ltd
Current assignee: Beijing Kingsoft Internet Security Software Co Ltd
Priority date: 2016-06-30
Filing date: 2016-06-30
Publication date: 2020-12-01
Anticipated expiration: 2036-06-30
Also published as: CN107562758A

Abstract

本发明的实施例公开一种推送信息的方法、装置及电子设备，涉及互联网信息推送技术，能够提升信息推送质量。所述推送信息的方法包括：利用分解机学习，得到预先设置的多个时间周期内的学习特征向量，每一学习特征向量应待推送信息中的一特征；获取所述多个时间周期内的所述待推送信息的浏览统计向量；依据所述学习特征向量以及所述浏览统计向量，计算所述待推送信息中包含的每一维特征的特征统计向量；依据所述特征统计向量以及目标的学习特征向量，计算所述目标对所述待推送信息的喜好值；如果计算的所述喜好值超过预先设置的喜好阈值，向所述目标推送所述待推送信息。本发明适用于文章推送。

Description

一种推送信息的方法、装置及电子设备

技术领域

本发明涉及互联网信息推送技术，尤其涉及一种推送信息的方法、装置及电子设备。

背景技术

随着电子设备，例如，智能移动电话、个人数字助理、掌上电脑、笔记本电脑等应用越来越广泛，为了提升使用电子设备的用户的应用体验，通过收集用户以及相关用户对历史信息的浏览行为来预测该用户的喜好，向用户推送满足用户喜好的信息，不仅可以匹配用户需求，也可以扩展相关运营商的增值应用业务，实现用户与运营商的共赢。

目前，信息推送的重点在于待推送信息内容与用户喜好相匹配，一般采用基于信息内容的协同过滤推荐(Collaborative Filtering recommendation)方法，即对用户进行用户特征分类，例如，按照用户年龄、性别等进行分类，并对分类用户浏览的推送信息进行关键词提取并统计，得到该类用户对各关键词的浏览行为，从而构建用户特征与信息内容的映射关系；然后，依据待推送用户所属的用户分类，提取待推送信息中包含的关键词，获取用户对提取的关键词的历史浏览行为，结合构建的映射关系进行学习，从而判断该用户对该待推送信息的喜好。其中，分解机(FM，Factorization Machines)是协同过滤技术的一种，通过将待推送信息分解为包含多维隐式向量的信息向量，将目标用户分解为与信息的维数相同的用户向量，在预先设置的时间段内，例如，一天，利用学习的方法对信息向量以及用户向量进行赋值，然后，对赋值的用户向量与信息向量进行点积运算，可以得到用户在该时间段内对该信息的的喜好。

但该信息推荐方法，由于Factorization Machines是一种隐式学习方法，学习后得到的每一维特征向量都没有确切的含义，因而，对不同时间段输入的两次数据进行学习后，得到的特征向量不等价，导致不同时间段得到的用户对信息的喜好偏差较大，例如，依据昨天进行学习得到的该用户对信息的喜好与依据今天进行学习得到的该用户对信息的喜好差别较大，使得推送的信息与用户实际的喜好匹配度较低，降低了信息推送质量。例如，推送的信息不被用户浏览或被用户直接删除。

发明内容

有鉴于此，本发明实施例提供一种推送信息的方法、装置及电子设备，能够提升信息推送质量，以解决现有的推送信息的方法中，依据分解机进行学习得到的不同时间周期的喜好差别较大，信息推送质量不高的问题。

第一方面，本发明实施例提供一种推送信息的方法，包括：

利用分解机学习，得到预先设置的多个时间周期内的学习特征向量，每一学习特征向量应待推送信息中的一特征；

获取所述多个时间周期内的所述待推送信息的浏览统计向量；

依据所述学习特征向量以及所述浏览统计向量，计算所述待推送信息中包含的每一维特征的特征统计向量；

依据所述特征统计向量以及目标的学习特征向量，计算所述目标对所述待推送信息的喜好值；

如果计算的所述喜好值超过预先设置的喜好阈值，向所述目标推送所述待推送信息。

结合第一方面，在第一方面的第一种实施方式中，利用下式计算所述特征统计向量：

式中，

Stat_i为所述待推送信息中包含的第i维特征的特征统计向量；

fre_j为第j位用户在所述多个时间周期内对所述待推送信息的用户浏览统计向量；

feature_ji为第j位用户在所述多个时间周期内对待推送信息的第i维学习特征向量；

N为统计的用户数。

结合第一方面，在第一方面的第二种实施方式中，利用下式计算所述特征统计向量：

式中，

ζ_ji为第j位用户对应的第i维特征向量系数；

ζ_j为第j位用户的特征统计向量系数。

结合第一方面的第一种实施方式或第二种实施方式，在第一方面的第三种实施方式中，利用下式计算所述目标对所述待推送信息的喜好值：

式中，

ψ为目标待推送信息的喜好值；

feature_ui为目标在所述多个时间周期内对待推送信息的第i维学习特征向量；

k为待推送信息中包含的特征维数。

结合第一方面，在第一方面的第四种实施方式中，所述计算所述待推送信息中包含的每一维特征的特征统计向量包括：

获取第一时间周期内的待推送信息的特征统计向量以及特征信息并用第一存储区存储；

在第二时间周期内，对第一时间周期内获取的特征统计向量以及特征信息进行更新并用第二存储区存储，以及，获取第二时间周期内的待推送信息的特征统计向量以及特征信息并用第一存储区存储；

在第三时间周期内，对第一时间周期内获取的特征统计向量以及特征信息进行更新并用第三存储区存储，对第二时间周期内获取的特征统计向量以及特征信息进行更新并用第二存储区存储，以及，获取第三时间周期内的待推送信息的特征统计向量以及特征信息并用第一存储区存储；

将更新的第一时间周期内获取的特征统计向量作为计算得到的所述待推送信息中包含的每一维特征的特征统计向量；

在第四时间周期内，清空第三存储区，执行所述对第一时间周期内获取的特征统计向量以及特征信息进行更新并用第三存储区存储的步骤。

第二方面，本发明实施例提供一种推送信息的装置，包括：学习特征向量获取模块、浏览统计向量获取模块、特征统计向量计算模块、喜好值计算模块以及推送模块，其中，

学习特征向量获取模块，用于利用分解机学习，得到预先设置的多个时间周期内的学习特征向量，每一学习特征向量应待推送信息中的一特征；

浏览统计向量获取模块，用于获取所述多个时间周期内的所述待推送信息的浏览统计向量；

特征统计向量计算模块，用于依据所述学习特征向量以及所述浏览统计向量，计算所述待推送信息中包含的每一维特征的特征统计向量；

喜好值计算模块，用于依据所述特征统计向量以及目标的学习特征向量，计算所述目标对所述待推送信息的喜好值；

推送模块，如果计算的所述喜好值超过预先设置的喜好阈值，向所述目标推送所述待推送信息。

结合第二方面，在第二方面的第一种实施方式中，利用下式计算所述特征统计向量：

式中，

Stat_i为所述待推送信息中包含的第i维特征的特征统计向量；

N为统计的用户数。

结合第二方面，在第二方面的第二种实施方式中，利用下式计算所述特征统计向量：

式中，

ζ_ji为第j位用户对应的第i维特征向量系数；

ζ_j为第j位用户的特征统计向量系数。

结合第二方面的第一种实施方式或第二种实施方式，在第二方面的第三种实施方式中，利用下式计算所述目标对所述待推送信息的喜好值：

式中，

ψ为目标对待推送信息的喜好值；

k为待推送信息中包含的特征维数。

结合第二方面，在第二方面的第四种实施方式中，所述特征统计向量计算模块包括：第一时间周期处理单元、第二时间周期处理单元、第三时间周期处理单元、特征统计向量获取单元以及轮转单元，其中，

第一时间周期处理单元，用于获取第一时间周期内的待推送信息的特征统计向量以及特征信息并用第一存储区存储；

第二时间周期处理单元，用于在第二时间周期内，对第一时间周期内获取的特征统计向量以及特征信息进行更新并用第二存储区存储，以及，获取第二时间周期内的待推送信息的特征统计向量以及特征信息并用第一存储区存储；

第三时间周期处理单元，用于在第三时间周期内，对第一时间周期内获取的特征统计向量以及特征信息进行更新并用第三存储区存储，对第二时间周期内获取的特征统计向量以及特征信息进行更新并用第二存储区存储，以及，获取第三时间周期内的待推送信息的特征统计向量以及特征信息并用第一存储区存储；

特征统计向量获取单元，用于将所述第三时间周期处理单元中更新的第一时间周期内获取的特征统计向量作为计算得到的所述待推送信息中包含的每一维特征的特征统计向量；

轮转单元，用于在第四时间周期内，清空第三存储区，通知所述第三时间周期处理单元执行所述对第一时间周期内获取的特征统计向量以及特征信息进行更新并用第三存储区存储的步骤。

第三方面，本发明实施例提供一种电子设备，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一所述的推送信息的方法。

本发明实施例提供的一种推送信息的方法、装置及电子设备，通过利用分解机学习，得到预先设置的多个时间周期内的学习特征向量，每一学习特征向量应待推送信息中的一特征；获取所述多个时间周期内的所述待推送信息的浏览统计向量；依据所述学习特征向量以及所述浏览统计向量，计算所述待推送信息中包含的每一维特征的特征统计向量；依据所述特征统计向量以及目标的学习特征向量，计算所述目标对所述待推送信息的喜好值；如果计算的所述喜好值超过预先设置的喜好阈值，向所述目标推送所述待推送信息，能够提升信息推送质量，以解决现有的推送信息的方法中，依据分解机进行学习得到的不同时间周期的喜好差别较大，信息推送质量不高的问题。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明的实施例一推送信息的方法流程示意图；

图2为本发明的实施例一计算特征统计向量的方法流程示意图；

图3为本发明的实施例一轮转更新第一存储区至第三存储区的示意图；

图4为本发明的实施例二推送信息的装置结构示意图；

图5为本发明电子设备一个实施例的结构示意图。

具体实施方式

下面结合附图对本发明实施例进行详细描述。

应当明确，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1为本发明的实施例一推送信息的方法流程示意图，如图1所示，本实施例的方法可以包括：

步骤101，利用分解机学习，得到预先设置的多个时间周期内的学习特征向量，每一学习特征向量应待推送信息中的一特征；

本实施例中，关于利用学习机得到待推送信息的学习特征为公知技术，在此略去详述。

本实施例中，由于分解机(Factorization Machines)是一种隐式方法，学习后得到的每一维特征(特征向量)都没有确切的含义，不同时间段(时间周期)输入的两次数据进行学习后，得到的特征向量不等价。本实施例中，在以时间段(时间周期)定期更新用户特征以保证对用户喜好的捕捉外，通过考虑多个时间段，以利于挖掘用户较为恒定的喜好，例如，针对现有技术基于每天学习得到学习特征向量，通过累积用户特征在2天内的统计量进行特征向量学习，可利于挖掘用户的较为恒定的喜好。

步骤102，获取所述多个时间周期内的所述待推送信息的浏览统计向量；

本实施例中，作为一可选实施例，浏览统计量可以是用户浏览行为在多个时间周期内的实时累积。例如，在累积的两个时间周期内，分别统计各用户对待推送信息中包含的每一维特征的浏览(view)、点击(click)、评论等浏览统计量。

步骤103，依据所述学习特征向量以及所述浏览统计向量，计算所述待推送信息中包含的每一维特征的特征统计向量；

本实施例中，作为一可选实施例，利用下式计算特征统计向量：

式中，

Stat_i为所述待推送信息中包含的第i维特征的特征统计向量；

N为统计的用户数。

本实施例中，浏览统计向量是用户对待推送信息的浏览行为，例如，对待推送信息在所述多个时间周期内的点击次数、浏览次数、点击频度、浏览频度等。

本实施例中，作为一可选实施例，对于同一用户，还可以为不同维的学习特征向量设置不同的特征向量系数。因而，可以利用下式计算特征统计向量：

式中，

ξ_ji为第j位用户对应的第i维特征向量系数。

本实施例中，作为另一可选实施例，还可以为不同用户设置不同的特征统计向量系数。因而，可以利用下式计算特征统计向量：

式中，

ζ_j为第j位用户的特征统计向量系数。

步骤104，依据所述特征统计向量以及目标的学习特征向量，计算所述目标对所述待推送信息的喜好值；

本实施例中，作为一可选实施例，利用下式计算所述目标对所述待推送信息的喜好值：

式中，

ψ为目标对待推送信息的喜好值；

k为待推送信息中包含的特征维数。

本实施例中，利用Factorization Machines获得新的用户浏览统计向量及对信息的特征统计向量，可以实时更新用户浏览统计向量，可弥补特征统计向量本身由于计算资源限制而不能实时更新的缺陷，使得通过对累积的时间周期内的两次数据进行学习，可以有效缩小基于分解机技术的用户对信息的喜好偏差。

步骤105，如果计算的所述喜好值超过预先设置的喜好阈值，向所述目标推送所述待推送信息。

本实施例中，预先设置的喜好阈值可依据实际需要进行设置。如果计算的所述喜好值超过预先设置的喜好阈值，表明目标用户的喜好与待推送信息较为匹配，如果推送该信息，目标用户浏览该推送信息的概率较高，有效提升了推送的信息质量，从而一方面可以提升用户的应用业务体验，另一方面也可以扩展相关运营商的增值业务应用。

本发明的实施例一推送信息的方法，通过利用分解机学习，得到预先设置的多个时间周期内的学习特征向量，每一学习特征向量应待推送信息中的一特征；获取所述多个时间周期内的所述待推送信息的浏览统计向量；依据所述学习特征向量以及所述浏览统计向量，计算所述待推送信息中包含的每一维特征的特征统计向量；依据所述特征统计向量以及目标的学习特征向量，计算所述目标对所述待推送信息的喜好值；如果计算的所述喜好值超过预先设置的喜好阈值，向所述目标推送所述待推送信息。这样，基于累积的多个时间周期计算学习特征向量以及浏览统计向量，可以有效缩小计算得到的信息的喜好值偏差，能够有效提升推送的信息质量。

以下以轮转更新的方法计算特征统计向量为例，对本实施例作进一步的详细说明。

图2为本发明的实施例一计算特征统计向量的方法流程示意图。如图2所示，以预先设置的多个时间周期为3个时间周期，每一时间周期为一天为例，本实施例的方法可以包括：

步骤201，获取用户在今天对待推送信息的特征统计向量以及特征信息并用第一存储区存储；

本实施例中，设置第一存储区(DB1)，存储今天用Factorization Machines计算得到的用户隐式特征信息及特征统计向量。

步骤202，在第二天，对昨天获取的特征统计向量以及特征信息进行更新并用第二存储区存储，以及，获取用户在今天对待推送信息的特征统计向量以及特征信息并用第一存储区存储；

本实施例中，将第一存储区(DB1)更名为第二存储区(DB2)，对进行更新后的昨天获取的特征统计向量以及特征信息进行存储，即DB2存储更新的昨天算得的用户隐式特征信息及特征统计向量。

在对第一存储区(DB1)更名后，设置第一存储区(DB1)，存储今天用FactorizationMachines计算得到的用户隐式特征信息及特征统计向量。

步骤203，在第三天，对前天获取的特征统计向量以及特征信息进行更新并用第三存储区存储，对昨天获取的特征统计向量以及特征信息进行更新并用第二存储区存储，以及，获取用户在今天对待推送信息的特征统计向量以及特征信息并用第一存储区存储；

本实施例中，将第二存储区(DB2)更名为第三存储区(DB3)，对进行更新后的前天获取的特征统计向量以及特征信息进行存储，即DB3存储更新的前天算得的用户隐式特征信息及特征统计向量。

在对第二存储区(DB2)更名后，将第一存储区(DB1)，更名为第二存储区(DB2)，对进行更新后的昨天获取的特征统计向量以及特征信息进行存储，即DB2存储更新的昨天算得的用户隐式特征信息及特征统计向量。

本实施例中，对于用户在今天的每一次观看，利用特征统计向量计算公式，分别在DB1、DB2、DB3中实时更新用户对所述待推送信息中包含的每一维特征的特征统计向量，这样相当于在3个不同的特征统计向中同时累积，可以解决隐式特征更新前后含义变化带来的累积量失效问题。

步骤204，将更新的对前天获取的特征统计向量作为计算得到的所述用户对所述待推送信息中包含的每一维特征的特征统计向量；

本实施例中，由于DB3已经经过了前天/昨天两天的积累，满足两天的利于挖掘用户喜好的时间要求，因而，计算喜好值采用DB3。

步骤205，在第四天，清空第三存储区，执行所述对前天获取的特征统计向量以及特征信息进行更新并用第三存储区存储的步骤。

图3为本发明的实施例一轮转更新第一存储区至第三存储区的示意图。如图3所示，采用轮转更新的方法定期更新存储区中存储的特征统计向量以及特征信息。

本实施例中，在今天结束时，DB1更名为DB2，DB2更名为DB3，DB3清空并更名为DB1，准备积累明天的最新特征统计向量以及特征信息，从而解决了隐式特征更新前后含义变化带来的累积量失效问题，使得隐式特征能集成到基于内容的推荐系统中。

图4为本发明的实施例二推送信息的装置结构示意图，如图4所示，本实施例的装置可以包括：学习特征向量获取模块41、浏览统计向量获取模块42、特征统计向量计算模块43、喜好值计算模块44以及推送模块45，其中，

学习特征向量获取模块41，用于利用分解机学习，得到预先设置的多个时间周期内的学习特征向量，每一学习特征向量应待推送信息中的一特征；

浏览统计向量获取模块42，用于获取所述多个时间周期内的所述待推送信息的浏览统计向量；

本实施例中，作为一可选实施例，浏览统计量可以是用户浏览行为在多个时间周期内的实时累积。例如，在累积的两个时间周期内，分别统计各用户对待推送信息中包含的每一维特征的浏览、点击、评论等浏览统计量。

特征统计向量计算模块43，用于依据所述学习特征向量以及所述浏览统计向量，计算所述待推送信息中包含的每一维特征的特征统计向量；

本实施例中，作为一可选实施例，利用下式计算所述特征统计向量：

式中，

Stat_i为所述待推送信息中包含的第i维特征的特征统计向量；

N为统计的用户数。

作为另一可选实施例，还可以利用下式计算所述特征统计向量：

式中，

ζ_ji为第j位用户对应的第i维特征向量系数；

ζ_j为第j位用户的特征统计向量系数。

作为再一可选实施例，还可以利用下式计算所述特征统计向量：

本实施例中，作为再一可选实施例，特征统计向量计算模块43包括：第一时间周期处理单元、第二时间周期处理单元、第三时间周期处理单元、特征统计向量获取单元以及轮转单元(图中未示出)，其中，

喜好值计算模块44，用于依据所述特征统计向量以及目标的学习特征向量，计算所述目标对所述待推送信息的喜好值；

式中，

ψ为目标对待推送信息的喜好值；

k为待推送信息中包含的特征维数。

推送模块45，如果计算的所述喜好值超过预先设置的喜好阈值，向所述目标推送所述待推送信息。

本实施例的装置，可以用于执行图1至图3所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，″计算机可读介质″可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。

在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本发明实施例还提供一种电子设备，所述电子设备包含前述任一实施例所述的装置。

图5为本发明电子设备一个实施例的结构示意图，可以实现本发明图1-4所示实施例的流程，如图5所示，上述电子设备可以包括：壳体51、处理器52、存储器53、电路板54和电源电路55，其中，电路板54安置在壳体51围成的空间内部，处理器52和存储器53设置在电路板54上；电源电路55，用于为上述电子设备的各个电路或器件供电；存储器53用于存储可执行程序代码；处理器52通过读取存储器53中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一实施例所述的推送信息的方法。

处理器52对上述步骤的具体执行过程以及处理器52通过运行可执行程序代码来进一步执行的步骤，可以参见本发明图1-4所示实施例的描述，在此不再赘述。

该电子设备以多种形式存在，包括但不限于：

(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。

(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。

(5)其他具有数据交互功能的电子设备。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本

发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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或者实施例的某些部分所述的方法。

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，可轻易想到的变化或替换，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权利要求的保护范围为准。

Claims

1.一种推送信息的方法，其特征在于，包括：

利用分解机学习，得到预先设置的多个时间周期内的学习特征向量，每一学习特征向量对应待推送信息中的一特征；

2.根据权利要求1所述的推送信息的方法，其特征在于，利用下式计算所述特征统计向量：

式中，

Stat_i为所述待推送信息中包含的第i维特征的特征统计向量；

fre_j为第j位用户在所述多个时间周期内对所述待推送信息的浏览统计向量；

N为统计的用户数。

3.根据权利要求1所述的推送信息的方法，其特征在于，利用下式计算所述特征统计向量：

式中，

Stat_i为所述待推送信息中包含的第i维特征的特征统计向量；

N为统计的用户数；

ξ_ji为第j位用户对应的第i维学习特征向量系数；

ζ_j为第j位用户的特征统计向量系数。

4.根据权利要求2或3所述的推送信息的方法，其特征在于，利用下式计算所述目标对所述待推送信息的喜好值：

式中，

ψ为目标对待推送信息的喜好值；

k为待推送信息中包含的特征维数。

5.根据权利要求1所述的推送信息的方法，其特征在于，所述计算所述待推送信息中包含的每一维特征的特征统计向量包括：

6.一种推送信息的装置，其特征在于，包括：学习特征向量获取模块、浏览统计向量获取模块、特征统计向量计算模块、喜好值计算模块以及推送模块，其中，

学习特征向量获取模块，用于利用分解机学习，得到预先设置的多个时间周期内的学习特征向量，每一学习特征向量对应待推送信息中的一特征；

7.根据权利要求6所述的推送信息的装置，其特征在于，利用下式计算所述特征统计向量：

式中，

Stat_i为所述待推送信息中包含的第i维特征的特征统计向量；

N为统计的用户数。

8.根据权利要求6所述的推送信息的装置，其特征在于，利用下式计算所述特征统计向量：

式中，

Stat_i为所述待推送信息中包含的第i维特征的特征统计向量；

N为统计的用户数；

ξ_ji为第j位用户对应的第i维学习特征向量系数；

ξ_j为第j位用户的特征统计向量系数。

9.根据权利要求7或8所述的推送信息的装置，其特征在于，利用下式计算所述目标对所述待推送信息的喜好值：

式中，

ψ为目标对待推送信息的喜好值；

k为待推送信息中包含的特征维数。

10.根据权利要求6所述的推送信息的装置，其特征在于，所述特征统计向量计算模块包括：第一时间周期处理单元、第二时间周期处理单元、第三时间周期处理单元、特征统计向量获取单元以及轮转单元，其中，

11.一种电子设备，其特征在于，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述权利要求1-5任一所述的推送信息的方法。