CN108090211B - 热点新闻推送方法和装置 - Google Patents
热点新闻推送方法和装置 Download PDFInfo
- Publication number
- CN108090211B CN108090211B CN201711476267.8A CN201711476267A CN108090211B CN 108090211 B CN108090211 B CN 108090211B CN 201711476267 A CN201711476267 A CN 201711476267A CN 108090211 B CN108090211 B CN 108090211B
- Authority
- CN
- China
- Prior art keywords
- information
- hot news
- target
- target user
- specific gravity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- User Interface Of Digital Computer (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种热点新闻推送方法和装置,其中,方法包括:获取待推送的目标用户的生物特征信息和历史行为信息,根据生物特征信息和历史行为信息,确定目标用户的目标关注度等级,其中,目标关注度等级用于表征目标用户对热点新闻的关注程度,根据目标关注度等级,确定热点新闻在推送信息中的比重值,按照比重值向目标用户推送信息,其中,推送的信息中包括待推送的热点新闻。该方法能够根据用户的实际阅读习惯,确定向用户推送的热点新闻的比重值,使推送的热点新闻的比重值与用户的实际阅读习惯匹配,使热点新闻的推送更加准确,解决了相关技术中热点新闻的推送针对性差,不能满足用户的个性化需求的问题。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种热点新闻推送方法和装置。
背景技术
在互联网领域,尤其是移动互联网时代,Feed流产品如朋友圈、微博等是非常常见的。热点新闻是Feed流资讯中的重要组成部分。
目前,主要是通过在页面中推荐列表的固定位置展现热点新闻,在用户每次刷新时,在固定位置插入热点新闻,每个用户的热点新闻都展示在相同的位置。
但是,不同的用户兴趣点可能不同,有些用户对热点新闻比较感兴趣,而有些用户可能对热点新闻兴趣不大。可见,这种热点新闻推送方法针对性比较差,不能满足用户的个性化需求。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种热点新闻推送方法,以实现根据用户对热点新闻的关注程度,确定热点新闻在推送信息中的比重值,使推送的热点新闻的比重值与用户的阅读习惯匹配,使得推送更加准确,解决了相关技术中热点新闻的推送针对性比较差,不能满足用户的个性化需求的问题。
本发明的第二个目的在于提出一种热点新闻推送装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程序产品。
为达上述目的,本发明第一方面实施例提出了一种热点新闻推送方法,包括:
获取待推送的目标用户的生物特征信息和历史行为信息;
根据所述生物特征信息和所述历史行为信息,确定所述目标用户的目标关注度等级,其中,所述目标关注度等级用于表征所述目标用户对热点新闻的关注程度;
根据所述目标关注度等级,确定热点新闻在推送信息中的比重值;
按照所述比重值向所述目标用户推送信息,其中,推送的所述信息中包括待推送的热点新闻。
作为本发明第一方面实施例一种可能的实现方式,所述根据所述目标关注度等级,确定热点新闻在推送信息中的比重值,包括:
根据所述目标等级,查询关注度等级与比重值之间的映射关系,得到与所述目标关注度等级匹配的所述比重值。
作为本发明第一方面实施例一种可能的实现方式,所述获取待推送的目标用户的生物特征信息和历史行为信息之前,还包括:
采集历史用户的生物特征信息、历史行为信息以及所述历史用户的关注度等级;
利用所述历史用户的生物特征信息、历史行为信息以及所述历史用户的关注度等级,对机器学习模型进行训练,得到目标机器学习模型;其中所述目标机器学习模型用于确定所述目标用户的关注度等级。
作为本发明第一方面实施例一种可能的实现方式,所述根据所述生物特征信息和所述历史行为信息,确定所述目标用户的目标关注度等级,包括:
将所述目标用户的生物特征信息和所述历史行为信息,输入到所述目标机器学习模型中,得到所述目标用户不同关注度等级的分类概率;
将最大的所述分类概率对应的关注度等级确定为所述目标关注度等级。
作为本发明第一方面实施例一种可能的实现方式,所述根据所述生物特征信息和所述历史行为信息,确定所述目标用户的目标关注度等级,包括:
根据所述生物特征信息和所述历史行为信息进行数据融合,得到融合结果;
根据所述融合结果,确定所述目标关注度等级。
作为本发明第一方面实施例一种可能的实现方式,所述获取待推送的目标用户的生物特征信息和历史行为信息,包括:
从所述目标用户的注册信息中,提取所述目标用户的所述生物特征信息;
从所述目标用户的浏览日志中,提取所述目标用户的所述历史行为信息。
作为本发明第一方面实施例一种可能的实现方式,所述按照所述比重值向所述目标用户推送信息,包括:
按照所述比重值和可推送的信息的总数量,从候选推送信息中确定待推送的所述热点新闻;
从所述候选推送信息中,选取非所述热点新闻的第一推送信息;
将所述热点新闻和所述第一推送信息推送给所述目标用户。
作为本发明第一方面实施例一种可能的实现方式,所述将所述热点新闻和所述第一推送信息推送给所述目标用户,包括:
将选取的所述第一推送信息和所述热点新闻进行统一排序,按照排序后的结果推送给所述目标用户。
作为本发明第一方面实施例一种可能的实现方式,所述按照所述比重值和可推送的信息的总数量,从候选推送信息中确定待推送的所述热点新闻,包括:
根据所述总数量和所述比重值,确定所述热点新闻的数量;
按照所述候选推荐信息中每个热点新闻的热度,按序选取与所述数量等同的所述热点新闻。
作为本发明第一方面实施例一种可能的实现方式,所述根据所述目标关注度等级,确定热点新闻在推送信息中的比重值之后,包括:
根据所述比重值,调整所述热点新闻对应的展示区域的大小。
本发明实施例的热点新闻推送方法,通过获取待推送的目标用户的生物特征信息和历史行为信息,根据生物特征信息和历史行为信息,确定目标用户的目标关注度等级,其中,目标关注度等级用于表征目标用户对热点新闻的关注程度,根据目标关注度等级,确定热点新闻在推送信息中的比重值,按照比重值向目标用户推送信息,其中,推送的信息中包括待推送的热点新闻。本实施例中,能够根据用户的实际阅读习惯,确定向用户推送的热点新闻的比重值,使推送的热点新闻的比重值与用户的实际阅读习惯匹配,使热点新闻的推送更加准确,解决了相关技术中热点新闻的推送针对性差,不能满足用户的个性化需求的问题。
为达上述目的,本发明第二方面实施例提出了一种热点新闻推送装置,包括:
获取模块,用于获取待推送的目标用户的生物特征信息和历史行为信息;
第一确定模块,用于根据所述生物特征信息和所述历史行为信息,确定所述目标用户的目标关注度等级,其中,所述目标关注度等级用于表征所述目标用户对热点新闻的关注程度;
第二确定模块,用于根据所述目标关注度等级,确定热点新闻在推送信息中的比重值;
推送模块,用于按照所述比重值向所述目标用户推送信息,其中,推送的所述信息中包括待推送的热点新闻。
本发明实施例的热点新闻推送装置,通过获取待推送的目标用户的生物特征信息和历史行为信息,根据生物特征信息和历史行为信息,确定目标用户的目标关注度等级,其中,目标关注度等级用于表征目标用户对热点新闻的关注程度,根据目标关注度等级,确定热点新闻在推送信息中的比重值,按照比重值向目标用户推送信息,其中,推送的信息中包括待推送的热点新闻。本实施例中,能够根据用户的实际阅读习惯,确定向用户推送的热点新闻的比重值,使推送的热点新闻的比重值与用户的实际阅读习惯匹配,使热点新闻的推送更加准确,解决了相关技术中热点新闻的推送针对性差,不能满足用户的个性化需求的问题。
为达上述目的,本发明第三方面实施例提出了一种计算机设备,包括处理器和存储器;
其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如第一方面实施例所述的热点新闻推送方法。
为了实现上述目的,本发明第四方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令由处理器执行时实现如第一方面实施例所述的热点新闻推送方法。
为了实现上述目的,本发明第五方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面实施例所述的热点新闻推送方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例提供的一种热点新闻推送方法的流程示意图;
图2为本发明实施例提供的另一种热点新闻推送方法的流程示意图;
图3为本发明实施例提供的一种热点新闻推送方法的过程示意图;
图4为本发明实施例提供的一种确定目标关注度等级的方法的流程示意图;
图5为本发明实施例提供的一种热点新闻推送装置的结构示意图;
图6为适于用来实现本发明实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的热点新闻推送方法和装置。
目前,主要是通过在页面中推荐列表的固定位置展现热点新闻,在用户每次刷新时,在固定位置插入热点新闻,每个用户的热点新闻都展示在相同的位置。
但是,不同的用户兴趣点可能不同,有些用户对热点新闻比较感兴趣,而有些用户可能对热点新闻兴趣不大。可见,这种热点新闻推送方法针对性比较差,不能满足用户的个性化需求。
针对这一问题,本发明实施例提出一种热点新闻推送方法,以实现根据用户对热点新闻的关注程度,确定热点新闻在推送信息中的比重值,使推送的热点新闻的比重值与用户的实际阅读习惯匹配,使得推送更加准确,解决了相关技术中热点新闻的推送针对性比较差,不能满足用户的个性化需求的问题。
图1为本发明实施例提供的一种热点新闻推送方法的流程示意图。
如图1所示,该热点新闻推送方法包括:
步骤101,获取待推送的目标用户的生物特征信息和历史行为信息。
可以理解的是,通常情况下男性对热点新闻的关注程度相比女性高些,年龄大的用户会更关注热点新闻,教育程度越高的用户如研究生、教授等会更关注热点新闻。由此,可将上述生物特征信息作为确定目标用户对热点新闻的目标关注度等级的一个重要因素。
当用户在热点新闻的展示网站或应用程序中注册时,可引导用户输入用户的性别、年龄、职业、教育程度等信息,由此可从目标用户的注册信息中,提取目标用户的生物特征信息。其中,生物特征信息包括但不限于用户的性别、年龄、教育程度等等。
由于目标用户的历史行为信息,如历史总点击数、低质文章点击数等,在一定程度上可以反映目标用户对热点新闻的关注程度。例如,目标用户的历史总点击数越多,说明用户整体比较活跃,通常活跃的用户,对热点新闻可能会比较关注;目标用户对低质文章点击数可以表示用户对低俗文章的喜好程度,对低质文章点击数越多,说明目标用户通常对低质文章关注比较多,可能目标用户对热点新闻不太感兴趣。由此,可将目标用户的历史行为信息作为确定目标用户对热点新闻的目标关注度等级的另一个重要因素。
本实施例中,可从目标用户的浏览日志中,提取目标用户的历史行为信息。其中,历史行为信息包括但不限于历史总点击数、低质文章点击数等。
步骤102,根据生物特征信息和历史行为信息,确定目标用户的目标关注度等级,其中,目标关注度等级用于表征目标用户对热点新闻的关注程度。
本实施例中,可预先划分关注度等级。作为一个示例,关注度等级可划分为强、中、弱三级。作为另一示例,关注度等级也可划分为一级、二级、三级,其中,三级等级最高表示关注度最高。可以理解的是,关注度等级可以根据需要进行划分,本实施例对此不作限定。
在获取目标用户的生物特征信息和历史行为信息后,可根据生物特征信息和历史行为信息,确定目标用户的目标关注度等级。例如,目标用户为男性、教授,并且历史点击总数超过了一定的阈值,可将该目标用户的对热点新闻的目标关注度等级确定为最高等级。
可以理解的是,目标用户的目标关注度等级越高,表明目标用户对热点新闻的关注度越高。
步骤103,根据目标关注度等级,确定热点新闻在推送信息中的比重值
若目标用户对热点新闻的关注度比较高,可向目标用户推送较多的热点新闻,如果目标用户对热点新闻的关注度比较低,可减少向目标用户推送的热点新闻的数量。
在确定目标用户的目标关注度等级后,可根据目标关注度等级,确定热点新闻在推送信息中的比重值。其中,目标用户的目标关注度等级越高,热点新闻在推送信息中所占的比重越大。从而,可以根据用户对热点新闻的关注程度,确定推送的热点新闻的比重,使推动的热点新闻的比重与用户的实际阅读习惯匹配,使热点新闻的推送更加准确。
步骤104,按照比重值向目标用户推送信息,其中,推送的信息中包括待推送的热点新闻。
本实施例中,按照确定的比重值向目标用户推送信息,比重值越大,向用户推送的总信息中热点新闻的数量越多。可以理解的是,向用户推送的信息可以包括待推送的娱乐信息、社会资讯、热点新闻等。
对于上一实施例中步骤102根据生物特征信息和历史行为信息,确定目标用户的目标关注度等级,作为一种可能的实现方式,可根据生物特征信息和历史行为信息,利用目标机器学习模型确定目标关注度等级。下面通过另一实施例说明本发明实施例提出的热点新闻推送方法。
如图2所示,该热点新闻推送方法包括:
步骤201,获取待推送的目标用户的生物特征信息和历史行为信息。
本实施例中,可从目标用户的注册信息中,提取目标用户的生物特征信息,从目标用户的浏览日志中,提取目标用户的历史行为信息。
步骤202,采集历史用户的生物特征信息、历史行为信息以及历史用户的关注度等级。
本实施例中,针对多个历史用户,可从每个历史用户的注册信息中,提取历史用户的生物特征信息,从历史用户的浏览日志中,提取历史用户的历史行为信息。并且,采集每个历史用户的关注度等级。
作为一种可能的实现方式,可根据每个历史用户的生物特征信息和历史行为信息,人工将历史用户对热点新闻的关注程度划分到合适的等级。
步骤203,利用历史用户的生物特征信息、历史行为信息以及历史用户的关注度等级,对机器学习模型进行训练,得到目标机器学习模型;其中目标机器学习模型用于确定目标用户的关注度等级。
本实施例中,以采集的历史用户的生物特征信息、历史行为信息以及历史用户的关注度等级作为训练样本,对机器学习模型进行训练,得到目标机器学习模型。
由于关注度等级具有多个等级,本实施例中训练得到的目标机器学习模型是分类学习模型。其中,目标机器学习模型的输入为用户的生物特征信息和历史行为信息,输出为用户对热点新闻的关注程度划分到每个关注度等级的概率。
需要说明的是,也可预先对机器学习模型进行训练,得到目标机器学习模型,也就是步骤202和步骤203,可在步骤201之前执行,具体的执行顺序本实施例不作限定。
步骤204,将目标用户的生物特征信息和历史行为信息,输入到目标机器学习模型中,得到目标用户不同关注度等级的分类概率。
在获得目标机器人学习模型后,可将获取的目标用户的生物特征信息和历史行为信息输入到目标机器学习模型中,得到目标用户不同关注度等级的分类概率,也就是目标用户对热点新闻的关注程度划分到每个关注度等级的概率。
步骤205,将最大的分类概率对应的关注度等级确定为目标关注度等级。
可以理解的是,分类概率越大,说明用户对热点新闻的关注程度划分到该分类概率对应的关注度等级越准确。因此,本实施例中,可将最大的分类概率对应的关注度等级确定为目标关注度等级。
步骤206,根据目标关注度等级,查询关注度等级与比重值之间的映射关系,得到与目标关注度等级匹配的比重值。
本实施例中,可预先建立关注度等级与比重值的映射关系,其中,关注度等级越高,对应的比重值越大。
在确定目标关注度等级后,查询关注度等级与比重值之间的映射关系,得到与目标关注度等级对应的比重值。
步骤207,按照比重值和可推送的信息的总数量,从候选推送信息中确定待推送的热点新闻。
本实施例中,可将比重值乘以可推送的信息的总数量,得到待推送的热点新闻的数量。在确定待推送的热点新闻的数量后,从候选推送信息中选取确定数量的热点新闻。
为了提高用户的对热点新闻的关注程度,可根据每个热点新闻的热度,对热点新闻按照热度的高低顺序进行排序,并按热度的高低顺序,从候选推荐信息中的热点新闻中,按序选取与确定待推送的热点新闻数量相等的热点新闻。
步骤208,从候选推送信息中,选取非热点新闻的第一推送信息。
在确定热点新闻数量之后,可用可推送的推荐信息的总数量减去待推送的热点新闻的数量,得到非热点新闻的第一推送信息的数量。
在确定非热点新闻的第一推送信息数量后,可从推荐信息中选取除热点新闻以外的信息,作为待推送信息中的非热点新闻的第一推送信息。
步骤209,将热点新闻和第一推送信息推送给目标用户。
本实施例中,可将选取的第一推送信息和热点新闻进行统一排序,按照排序后的结果推送给目标用户。在排序时,可根据第一推送信息和热点信息的热度,按照热度从高到低的顺序对第一推送信息和热点新闻进行统一排序。
图3为本发明实施例提供的一种热点新闻推送方法的过程示意图。
如图3所示,对目标用户的生物特征信息和历史行为信息进行提取,并输入到预先训练得到的目标机器学习模型中,得到目标关注度等级。根据目标关注度等级,查询关注度等级与比重值的对应关系,得到与目标关注度等级匹配的比重值wi。之后,根据比重值wi和可推送的信息的总数量n计算待推送的热点新闻的数量,具体地,将比重值wi乘以总数量n,得到待推送的热点新闻数量为5个,如图3所示,通过热点新闻召回,选取doc1、doc2、doc3、doc4、doc5共5个热点新闻。
在确定待推送的热点新闻数量后,将可推送的信息的总数量减去热点新闻的数量为5,可得到待推送的第一推送信息的数量为n-5。如图3所示,可通过兴趣点召回得到doc6、doc7、……、docn共n-5个第一推送信息。其中,兴趣点可以是小说、旅游景点等等,在通过兴趣点召回信息时,每个兴趣点可提取数量大致相同的信息,或者从不同兴趣点提取预设数量的信息,具体的可根据需要进行设置,本实施例对此作限定。
在选取热点新闻和第一推送信息后,可对热点新闻和第一推送信息进行统一排序,得到最终的推送结果doci、docj、doc1、dock、doc2、……。
进一步地,为了使待推送的热点新闻均能够展示给用户,在确定热点新闻在推送信息中的比重值之后,可根据比重值,适应性调整热点新闻对应的展示区域的大小。可以理解的是,热点新闻在待推送信息中所占比重值越大,对应的展示区域越大,也是就是说,热点新闻对应的展示区域的大小随比重值的增加而变大,随比重值的减小而变小。
由于热点新闻在推送信息中的比重值,由用户的关注度等级确定,由此热点新闻的展示数量,由用户的关注度等级确定,使得对热点新闻关注度高的用户,可以浏览到更多的热点新闻,而对热点新闻不太关注的用户,会减少热点新闻的展示数量,使热点新闻的推送更加准确,能够满足不同用户的对热点新闻的阅读需求。进一步而言,对于对热点新闻不太关注的用户而言,向其展示少量的热点新闻,从而会扩大用户的兴趣点,尽量避免用户的兴趣点出现封闭的情况。
本发明实施例的热点新闻推送方法,通过将历史用户的生物特征信息、历史行为信息以及历史用户的关注度等级作为训练样本,对机器学习模型进行训练,得到用于确定目标用户的关注度等级的目标机器学习模型,通过目标机器学习模型,确定目标用户的关注度等级,使得确定的目标关注度等级更加准确,从而提高了热点新闻推送的准确性。
上述实施例是通过目标机器学习模型确定目标用户的目标关注度等级,作为另一种可能的实现方式,如图4所示,确定目标关注度等级的方法可包括:
步骤401,根据生物特征信息和历史行为信息进行数据融合,得到融合结果。
本实施例中,可对生物特征信息和历史行为信息进行加权融合,得到融合结果。
步骤402,根据融合结果,确定目标关注度等级。
本实施例中,可预先建立融合结果与关注度等级之间的对应关系,根据得到的融合结果,查询融合结果与关注度等级之间的对应关系,得到与融合结果对应的关注度等级,为目标用户的目标关注度等级。
本实施例中的确定目标关注度等级的方法,相比通过目标机器学习模型进行确定,不需要采集历史用户的生物特征信息、历史行为信息、历史关注度等级等数据以及对机器学习模型的进行训练,从而可以减少运算量。
本发明实施例的热点新闻推送方法,能够根据用户的实际阅读习惯,确定向用户推送的热点新闻的比重值,使推送的热点新闻的比重值与用户的实际阅读习惯匹配,使热点新闻的推送更加准确,解决了相关技术中热点新闻的推送针对性差,不能满足用户的个性化需求的问题。
为了实现上述实施例,本发明还提出一种热点新闻推送装置。图5为本发明实施例提供的一种热点新闻推送装置的结构示意图。
如图5所示,该热点新闻推送装置包括:获取模块510、第一确定模块520、第二确定模块530、推送模块540。
获取模块510用于获取待推送的目标用户的生物特征信息和历史行为信息。
第一确定模块520用于根据生物特征信息和历史行为信息,确定目标用户的目标关注度等级,其中,目标关注度等级用于表征目标用户对热点新闻的关注程度。
第二确定模块530用于根据目标关注度等级,确定热点新闻在推送信息中的比重值。
推送模块540用于按照比重值向目标用户推送信息,其中,推送的信息中包括待推送的热点新闻。
作为本实施例一种可能的实现方式,第二确定模块530还用于:
根据目标关注度等级,查询关注度等级与比重值之间的映射关系,得到与目标关注度等级匹配的比重值。
作为本实施例一种可能的实现方式,该装置还可包括:
采集模块,用于在获取待推送的目标用户的生物特征信息和历史行为信息之前,采集历史用户的生物特征信息、历史行为信息以及历史用户的关注度等级;
训练模块,用于利用历史用户的生物特征信息、历史行为信息以及历史用户的关注度等级,对机器学习模型进行训练,得到目标机器学习模型;其中目标机器学习模型用于确定目标用户的关注度等级。
作为本实施例一种可能的实现方式,第一确定模块520还用于:
将目标用户的生物特征信息和历史行为信息,输入到目标机器学习模型中,得到目标用户不同关注度等级的分类概率;
将最大的分类概率对应的关注度等级确定为目标关注度等级。
作为本实施例一种可能的实现方式,第一确定模块520还用于:
根据生物特征信息和历史行为信息进行数据融合,得到融合结果;
根据融合结果,确定目标关注度等级。
作为本实施例一种可能的实现方式,获取模块510还用于:
从目标用户的注册信息中,提取目标用户的生物特征信息;
从目标用户的浏览日志中,提取目标用户的历史行为信息。
作为本实施例一种可能的实现方式,推送模块540可包括:
确定单元,用于按照比重值和可推送的信息的总数量,从候选推送信息中确定待推送的所述热点新闻;
选取单元,用于从候选推送信息中,选取非热点新闻的第一推送信息;
推送单元,用于将热点新闻和第一推送信息推送给目标用户。
作为本实施例一种可能的实现方式,推送单元还用于:
将选取的第一推送信息和热点新闻进行统一排序,按照排序后的结果推送给目标用户。
作为本实施例一种可能的实现方式,确定单元还用于:
根据总数量和所述比重值,确定热点新闻的数量;
按照候选推荐信息中每个热点新闻的热度,按序选取与数量等同的热点新闻。
作为本实施例一种可能的实现方式,该装置还可包括:
调整模块,用于根据目标关注度等级,确定热点新闻在推送信息中的比重值之后,根据比重值,调整热点新闻对应的展示区域的大小。
需要说明的是,前述对热点新闻推送方法实施例的解释说明,也适用于该实施例的热点新闻推送装置,故在此不再赘述。
本发明实施例的热点新闻推送装置,通过获取待推送的目标用户的生物特征信息和历史行为信息,根据生物特征信息和历史行为信息,确定目标用户的目标关注度等级,其中,目标关注度等级用于表征目标用户对热点新闻的关注程度,根据目标关注度等级,确定热点新闻在推送信息中的比重值,按照比重值向目标用户推送信息,其中,推送的信息中包括待推送的热点新闻。本实施例中,能够根据用户的实际阅读习惯,确定向用户推送的热点新闻的比重值,使推送的热点新闻的比重值与用户的实际阅读习惯匹配,使热点新闻的推送更加准确,解决了相关技术中热点新闻的推送针对性差,不能满足用户的个性化需求的问题。
为了实现上述实施例,本发明还提出一种计算机设备,包括处理器和存储器;其中,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,以用于实现如前述实施例所述的热点新闻推送方法。
图6示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图6显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
为了实现上述实施例,本发明还提出一种算机程序产品,当所述计算机程序产品中的指令由处理器执行时实现如前述实施例所述的热点新闻推送方法。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如前述实施例所述的热点新闻推送方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
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。
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。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种热点新闻推送方法,其特征在于,包括:
获取待推送的目标用户的生物特征信息和历史行为信息;所述生物特征信息包括:用户的性别、年龄、教育程度;所述历史行为信息包括:历史总点击数、低质文章点击数;
根据所述生物特征信息和所述历史行为信息,确定所述目标用户的目标关注度等级,其中,所述目标关注度等级用于表征所述目标用户对热点新闻的关注程度;
根据所述目标关注度等级,确定热点新闻在推送信息中的比重值;
按照所述比重值向所述目标用户推送信息,其中,推送的所述信息中包括待推送的热点新闻;
其中,所述根据所述目标关注度等级,确定热点新闻在推送信息中的比重值之后,包括:
根据所述比重值,调整所述热点新闻对应的展示区域的大小,其中所述展示区域的大小与所述比重值正相关;
所述根据所述生物特征信息和所述历史行为信息,确定所述目标用户的目标关注度等级,包括:
根据所述生物特征信息和所述历史行为信息进行数据融合,得到融合结果;
根据所述融合结果,确定所述目标关注度等级;
所述按照所述比重值向所述目标用户推送信息,包括:
按照所述比重值和可推送的信息的总数量,从候选推送信息中确定待推送的所述热点新闻包括:
根据所述总数量和所述比重值,确定所述热点新闻的数量;
按照所述候选推荐信息中每个热点新闻的热度,按序选取与所述数量等同的所述热点新闻;
从所述候选推送信息中,选取非所述热点新闻的第一推送信息;
将选取的所述第一推送信息和所述热点新闻进行统一排序,按照排序后的结果推送给所述目标用户。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标关注度等级,确定热点新闻在推送信息中的比重值,包括:
根据所述目标关注度等级,查询关注度等级与比重值之间的映射关系,得到与所述目标关注度等级匹配的所述比重值。
3.根据权利要求1所述的方法,其特征在于,所述获取待推送的目标用户的生物特征信息和历史行为信息之前,还包括:
采集历史用户的生物特征信息、历史行为信息以及所述历史用户的关注度等级;
利用所述历史用户的生物特征信息、历史行为信息以及所述历史用户的关注度等级,对机器学习模型进行训练,得到目标机器学习模型;其中所述目标机器学习模型用于确定所述目标用户的关注度等级。
4.根据权利要求3所述的方法,其特征在于,所述根据所述生物特征信息和所述历史行为信息,确定所述目标用户的目标关注度等级,包括:
将所述目标用户的生物特征信息和所述历史行为信息,输入到所述目标机器学习模型中,得到所述目标用户不同关注度等级的分类概率;
将最大的所述分类概率对应的关注度等级确定为所述目标关注度等级。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述获取待推送的目标用户的生物特征信息和历史行为信息,包括:
从所述目标用户的注册信息中,提取所述目标用户的所述生物特征信息;
从所述目标用户的浏览日志中,提取所述目标用户的所述历史行为信息。
6.一种热点新闻推送装置,其特征在于,包括:
获取模块,用于获取待推送的目标用户的生物特征信息和历史行为信息;所述生物特征信息包括:用户的性别、年龄、教育程度;所述历史行为信息包括:历史总点击数、低质文章点击数;
第一确定模块,用于根据所述生物特征信息和所述历史行为信息,确定所述目标用户的目标关注度等级,其中,所述目标关注度等级用于表征所述目标用户对热点新闻的关注程度;
第二确定模块,用于根据所述目标关注度等级,确定热点新闻在推送信息中的比重值;
推送模块,用于按照所述比重值向所述目标用户推送信息,其中,推送的所述信息中包括待推送的热点新闻;
其中,所述根据所述目标关注度等级,确定热点新闻在推送信息中的比重值之后,包括:
根据所述比重值,调整所述热点新闻对应的展示区域的大小,其中所述展示区域的大小与所述比重值正相关;
所述根据所述生物特征信息和所述历史行为信息,确定所述目标用户的目标关注度等级,包括:
根据所述生物特征信息和所述历史行为信息进行数据融合,得到融合结果;
根据所述融合结果,确定所述目标关注度等级;
所述推送模块还用于,按照所述比重值和可推送的信息的总数量,从候选推送信息中确定待推送的所述热点新闻包括:根据所述总数量和所述比重值,确定所述热点新闻的数量;按照所述候选推荐信息中每个热点新闻的热度,按序选取与所述数量等同的所述热点新闻;
从所述候选推送信息中,选取非所述热点新闻的第一推送信息;
将选取的所述第一推送信息和所述热点新闻进行统一排序,按照排序后的结果推送给所述目标用户。
7.一种计算机设备,其特征在于,包括处理器和存储器;
其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如权利要求1-5中任一所述的热点新闻推送方法。
8.一种计算机程序产品,其特征在于,当所述计算机程序产品中的指令由处理器执行时实现如权利要求1-5中任一所述的热点新闻推送方法。
9.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的热点新闻推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711476267.8A CN108090211B (zh) | 2017-12-29 | 2017-12-29 | 热点新闻推送方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711476267.8A CN108090211B (zh) | 2017-12-29 | 2017-12-29 | 热点新闻推送方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090211A CN108090211A (zh) | 2018-05-29 |
CN108090211B true CN108090211B (zh) | 2022-09-09 |
Family
ID=62180617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711476267.8A Active CN108090211B (zh) | 2017-12-29 | 2017-12-29 | 热点新闻推送方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090211B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033285A (zh) * | 2018-07-12 | 2018-12-18 | 北京比特智学科技有限公司 | 信息推送方法及装置 |
CN109446515A (zh) * | 2018-09-25 | 2019-03-08 | 平安科技(深圳)有限公司 | 群组信息分析方法、电子装置及计算机可读存储介质 |
CN111368063B (zh) * | 2020-03-06 | 2023-03-17 | 腾讯科技(深圳)有限公司 | 一种基于机器学习的信息推送方法以及相关装置 |
CN112163879B (zh) * | 2020-09-18 | 2024-05-24 | 深圳市分期乐网络科技有限公司 | 用户权益推送方法、装置、服务器及存储介质 |
CN112328937B (zh) * | 2020-11-04 | 2024-01-30 | 支付宝(杭州)信息技术有限公司 | 信息投放方法及装置 |
CN113793163B (zh) * | 2020-11-06 | 2024-05-24 | 京东安联财产保险有限公司 | 信息推送方法、装置与电子设备 |
CN112528151A (zh) * | 2020-12-18 | 2021-03-19 | 北京蜜莱坞网络科技有限公司 | 一种对象展示方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003216636A (ja) * | 2002-01-23 | 2003-07-31 | Hitachi Ltd | 最新記事推薦方法およびシステム |
JP2008191768A (ja) * | 2007-02-01 | 2008-08-21 | Hitachi Ltd | 推薦情報処理システム及び推薦情報処理方法 |
CN102360386A (zh) * | 2011-10-12 | 2012-02-22 | 朱一超 | 电子商务网站智能导购系统和方法 |
CN103823908A (zh) * | 2014-03-21 | 2014-05-28 | 北京飞流九天科技有限公司 | 基于用户偏好的内容推荐方法和服务器 |
CN104008109A (zh) * | 2013-02-26 | 2014-08-27 | 南京邮电大学 | 基于用户兴趣的Web信息推送服务系统 |
CN104991973A (zh) * | 2015-07-31 | 2015-10-21 | 网易传媒科技(北京)有限公司 | 一种用户兴趣领域的确定方法和设备 |
CN105068869A (zh) * | 2015-09-29 | 2015-11-18 | 北京网诺星云科技有限公司 | 在移动终端中的信息推送的方法及装置 |
-
2017
- 2017-12-29 CN CN201711476267.8A patent/CN108090211B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003216636A (ja) * | 2002-01-23 | 2003-07-31 | Hitachi Ltd | 最新記事推薦方法およびシステム |
JP2008191768A (ja) * | 2007-02-01 | 2008-08-21 | Hitachi Ltd | 推薦情報処理システム及び推薦情報処理方法 |
CN102360386A (zh) * | 2011-10-12 | 2012-02-22 | 朱一超 | 电子商务网站智能导购系统和方法 |
CN104008109A (zh) * | 2013-02-26 | 2014-08-27 | 南京邮电大学 | 基于用户兴趣的Web信息推送服务系统 |
CN103823908A (zh) * | 2014-03-21 | 2014-05-28 | 北京飞流九天科技有限公司 | 基于用户偏好的内容推荐方法和服务器 |
CN104991973A (zh) * | 2015-07-31 | 2015-10-21 | 网易传媒科技(北京)有限公司 | 一种用户兴趣领域的确定方法和设备 |
CN105068869A (zh) * | 2015-09-29 | 2015-11-18 | 北京网诺星云科技有限公司 | 在移动终端中的信息推送的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108090211A (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090211B (zh) | 热点新闻推送方法和装置 | |
CN108491529B (zh) | 信息推荐方法及装置 | |
CN108733779B (zh) | 文本配图的方法和装置 | |
CN107330023B (zh) | 基于关注点的文本内容推荐方法和装置 | |
CN110543592B (zh) | 信息搜索方法、装置以及计算机设备 | |
CN108182246B (zh) | 敏感词检测过滤方法、装置和计算机设备 | |
CN108460098B (zh) | 信息推荐方法、装置和计算机设备 | |
CN110675177A (zh) | 门店选址方法和装置 | |
CN107679564A (zh) | 样本数据推荐方法及其装置 | |
CN108733778A (zh) | 对象的行业类型识别方法和装置 | |
CN109388634B (zh) | 地址信息的处理方法、终端设备及计算机可读存储介质 | |
CN107729473B (zh) | 文章推荐方法及其装置 | |
CN108647273B (zh) | 交友推荐方法及装置 | |
CN107992602A (zh) | 搜索结果展示方法和装置 | |
CN110020163B (zh) | 基于人机交互的搜索方法、装置、计算机设备和存储介质 | |
JP2020512651A (ja) | 検索方法、装置及び非一時的コンピュータ読取可能記憶媒体 | |
CN111612581A (zh) | 一种物品推荐的方法、装置、设备及存储介质 | |
CN111310065A (zh) | 一种社交推荐方法、装置、服务器及存储介质 | |
CN109740156B (zh) | 反馈信息处理方法、装置、电子设备及存储介质 | |
WO2017000341A1 (zh) | 一种信息处理方法、装置以及终端 | |
CN108829896B (zh) | 回复信息反馈方法和装置 | |
CN106326228A (zh) | 评估用户的兴趣倾向的方法和装置 | |
CN108446359B (zh) | 信息推荐方法和装置 | |
CN108235126B (zh) | 在视频中插入推荐信息的方法和装置 | |
CN109710840B (zh) | 文章内容深度的评估方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |