CN110196949A - 信息推送方法、装置、电子设备及计算机可读介质 - Google Patents

Abstract

本公开涉及一种信息推送方法、装置、电子设备及计算机可读介质。该包括：获取推广信息的推广参数与限制条件，所述限制条件包括展示数量限制、单一展示限制、展示用户限制；通过所述推广参数与已注册用户的用户参数确定所述推广信息的特征参数；根据所述限制条件、所述特征参数与当前用户的用户参数确定所述推广信息的推广系数；通过所述推广系数将所述推广信息推送至当前用户。本公开的信息推送方法、装置、电子设备及计算机可读介质，能够使得真实环境下的合约广告投放策略更加合理，降低在广告推广中的广告效果补量率。

Description

信息推送方法、装置、电子设备及计算机可读介质

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种信息推送方法、装置、电子设备及计算机可读介质。

背景技术

随着网络的快速发展和普及，网络广告作为新兴的广告产业也随之兴起。其中，合约广告是展示网络广告的主流形式，即媒体需在规定的时间内，根据广告主的定向条件，完成相应的广告投放合约。合约广告也称定向广告，媒体根据用户的用户画像与广告主投放广告的定向条件做匹配，进而将广告推送到满足定向条件的用户端，以提高广告主的广告投放效果。

广告主提出的定向条件多种多样，现有技术中的对于定向广告的推广方法均不能完全满足广告主的需求。在实际定向广告推广过程中，经常产生由于未达成广告合约而产生的广告效果补量率，为媒体和广告主均带来了人力与财力的损失。

因此，需要一种新的信息推送方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种信息推送方法、装置、电子设备及计算机可读介质，能够使得真实环境下的合约广告投放策略更加合理，降低在广告推广中的广告效果补量率。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种信息推送方法，该方法包括：获取推广信息的推广参数与限制条件，限制条件包括展示数量限制、单一展示限制、展示用户限制；通过推广参数与已注册用户的用户参数确定推广信息的特征参数；根据限制条件、特征参数与当前用户的用户参数确定推广信息的推广系数；通过推广系数将推广信息推送至当前用户。

在本公开的一种示例性实施例中，通过推广参数与已注册用户的用户参数确定推广信息的特征参数包括：通过推广参数与已注册用户的用户参数确定推广信息的特征参数的数学表达式；以及通过优化算法对特征参数的数学表达式进行迭代计算以获取特征参数。

在本公开的一种示例性实施例中，优化算法包括：梯度下降法及其变种方法，以及坐标下降法。

在本公开的一种示例性实施例中，在迭代计算的过程中，如果上一次计算结果与本次计算结果的差值小于预定数值，则结束迭代过程。

在本公开的一种示例性实施例中，根据限制条件、特征参数与当前用户的用户参数确定推广信息的分配参数包括：在当前用户不为已注册用户时，为当前用户指定用户参数。

在本公开的一种示例性实施例中，为当前用户指定用户参数包括：根据当前用户与已注册用户的相似度，将与当前用户相似度最高的已注册用户的用户参数作为当前用户的用户参数。

在本公开的一种示例性实施例中，根据限制条件、特征参数与当前用户的用户参数确定推广信息的分配参数包括：在当前用户为已注册用户时，将已注册用户参数作为当前用户参数。

在本公开的一种示例性实施例中，根据限制条件、特征参数与当前用户的用户参数确定推广信息的分配参数包括：将限制条件、特征参数与当前用户的用户参数输入分配模型以确定推广信息的推广系数，推广系数模型通过求取带约束条件的第一优化目标建立。

在本公开的一种示例性实施例中，还包括：通过限制条件与已注册用户的用户参数建立推广信息约束模型；求取推广信息约束模型的最优解表达式以作为推广信息的推广系数模型。

在本公开的一种示例性实施例中，通过限制条件与已注册用户特征参数建立推广信息约束模型包括：推广信息约束模型的优化目标为第一优化目标；推广信息约束模型的优化限制条件为展示数量限制、单一展示限制、展示用户限制。

在本公开的一种示例性实施例中，第一优化目标包括：推广信息在已注册用户中得到均匀展示。

在本公开的一种示例性实施例中，推广信息约束模型基于改进二部图网络建立，改进二部图网络包括用户集合，用户访问集合与展示信息集合。

在本公开的一种示例性实施例中，求取推广信息约束模型的最优解表达式以作为推广信息的推广系数模型包括：通过拉格朗日算法与不等式约束条件求取推广信息约束模型的最优解表达式以作为推广信息的推广系数模型。

在本公开的一种示例性实施例中，通过推广系数将推广信息推送至当前用户包括：在多个推广系数之和大于预定值时，将多个推广信息按照其对应的分配权重进行排序；以及按照排序结果将多个推广信息中的部分推广信息推送至当前用户。

在本公开的一种示例性实施例中，还包括：通过推广信息的推广参数与预估展示数量确定推广信息的分配权重。

根据本公开的一方面，提出一种信息推送装置，该装置包括：接收数据模块，用于获取推广信息的推广参数与限制条件，限制条件包括展示数量限制、单一展示限制、展示用户限制；特征参数模块，用于通过推广参数与已注册用户的用户参数确定推广信息的特征参数；推广系数模块，用于根据限制条件、特征参数与当前用户的用户参数确定推广信息的推广系数；信息推广模块，用于通过推广系数将推广信息推送至当前用户。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的信息推送方法、装置、电子设备及计算机可读介质，能够使得真实环境下的合约广告投放策略更加合理，降低在广告推广中的广告效果补量率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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他的附图。

图1是现有技术中合约广告的二部图网络示意图。

图2是根据一示例性实施例示出的一种信息推送方法及装置的系统框图。

图3是根据一示例性实施例示出的一种信息推送方法及装置的应用场景示意图。

图4是根据一示例性实施例示出的一种信息推送方法的流程图。

图5是根据另一示例性实施例示出的一种信息推送方法的流程图。

图6是根据另一示例性实施例示出的一种信息推送方法中的改进二部图网络示意图。

图7是根据另一示例性实施例示出的一种信息推送方法的流程图。

图8是根据另一示例性实施例示出的一种信息推送方法的流程图。

图9是根据一示例性实施例示出的一种信息推送装置的框图。

图10是根据另一示例性实施例示出的一种信息推送装置的框图。

图11是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

对于本申请中的用语，有如下说明：

频控：频次控制的简称，是指对用户观看同一广告的次数进行控制，使之不超过广告主所要求的频次上限，用以提升广告价值和用户体验。

多贴不重复：是展示广告的一种约束。对于一个视频或者网页来说，可以同时展示多个广告，多贴不重复是指在一次视频广告展示中，多个广告之间不能发生重复，以提升广告价值和用户体验。

定向单元：是指网站上的不同栏目，可例如为体育类栏目或者娱乐类栏目，每个栏目作为一个定向单元。

定向限制：一个具体的定向单元上播放次数限制。比如多帖不重复。

跨定向限制：跨定向是指当用户流量同时满足两个及以上的定向条件，如一个用户可以既看电影又看体育节目，导致用户流量分属不同的定向单元时，广告播放的次数限制。

以下将结合具体的应用场景对本发明的具体内容进行详细描述。

本申请的发明人发现，现有技术中的对于定向广告的推广方法主要有以下两种：

1、分配算法

合约广告是展示广告的主流形式，即媒体(供给方，Supply)需在规定的时间内，根据广告主(需求方，Demand)的定向条件，完成相应的投放合约。一般来说，这个过程可以看作是二部图G＝(I∪J,E)上的分配问题，如图1所示。I是供给方集合，表示各种定向条件下的曝光，一般可以达到数亿乃至数十亿维度，每个供给方结点i对应不同的权重s_i，表示该定向条件下的曝光总数。J是需求方集合，表示广告主的订单，一般可以达到数千或数万维度，每个需求方结点j对应不同的权重d_j，表示该订单所需求的广告曝光数。供给方结点和需求方结点之间连线(i,j)∈E，表示该供给方结点满足该需求方节点的定向条件。

分配问题的目标是找到一个可行的分配方案，分配方案是每条边上有一个值x_ij，表示i结点流量有x_ij比例部份分配给合约广告j。如何求解x_ij是合约广告分配算法的关键问题。为了寻找最优的x_ij，可以将其建模为一个最优化问题。

在目标函数的选择上，可例如同时考虑最大化广告价值和最小化缺量：前者是为了提高广告价值，提升广告商满意度，后者是为了保证媒体方的收益。一般来说，可以先设定一个理想的分配目标，例如设置为需求量和可用供应量之比，需求量和可用供应量之比可例如表示均匀曝光给所定向的受众，然后最小化x_ij与分配目标的距离。

但是，一个完全由x_ij组成的解决方案需要O(|E|)大小的存储空间。考虑到供给方结点高达数十亿维度，这样的方案是难以实现的。而且，基于最优化模型的分配方案并未考虑频次控制和多贴不重复，无法直接应用于实际的情况中。

2、频次算法

现有技术中对频次控制下的投放算法研究较少。现有技术中存在的频次算法的计算方式为：对每一种用户计算一种分配模式，并非一种紧凑方案，比较耗内存，而且分配方案的计算十分耗时。

目前工业界对频次问题的一般处理方法是频次比模型。这种做法基于这样的事实：当一个广告被指定了频次限制后，满足其定向的可用流量就只有部分可用了。举例来说，假如合约j对频次控制的需求是n天k次，那么对于n天内访问次数较多的用户来说，只有k次以内的访问次数才是j的可用库存。所谓频次比，指的是对应频次需求的可用库存比例。一般可以通过历史统计加动态模拟的方法来获取不同库存消耗情况下的频次比。在库存售卖或者分配过程中，总库存乘以频次比即为可用库存。

频次比模型目前只应用于启发式算法中，其分配结果并不是最优的。启发式算法是一个基于直观或经验的构造的算法，对优化问题的实例能给出可接受的计算成本(计算时间、占用空间等)内，给出一个近似最优解，该近似解于真实最优解的偏离程度不一定可以事先预计。

而且，本申请的发明人发现，目前业界对于广告合约分配的一般做法是用供给方单元结点表示同定向条件的流量，而不是单个用户的流量，这样对于进行频次控制是很不方便的。因为在这种建模方式下，同定向条件的所有用户，不论访问次数多少，都使用同样的频次比，这是不合理的。举例来说，订单的频次限制为3，那么对于一个访问次数为10的用户来说，频次比应为0.3(即30％的曝光可以用来展示该订单)，而对于一个访问次数为3或更少的用户来说，频次比应为1，然而如果这两种用户处于同一个流量单元的话，他们会使用一个共同的频次比，比如0.5，这对于两种用户来说显然都是不合适的。

已有的频控算法还有一个潜在的假设，即一个用户总是属于唯一一个供给方单元。在这种假设下，每个供给方单元下的用户的访问频次会被分别统计。然而实际上，对于一些相容的定向条件来说，这种假设是不成立的。所谓相容的定向条件，指的是一个用户可以同时具备的属性，例如平台(PC或移动端)、内容(电影频道或体育频道)等等；而性别、年龄等属于相斥定向条件。举例来说，一个用户可以既用PC又用移动端访问，传统模型会把这个用户分到不同的供给方单元中进行处理，即看做两个用户。而当一个合约的定向条件为{平台＝PC+Mobile}时，这“两个”用户都可以参与广告展示，并且频次会被单独计算，从而导致实际频次计算错误。

本申请的信息推送方法，改进了传统的广告分配二部图模型，使之可以实现跨定向用户流量的频次控制，并为其增加多贴不重复约束条件，然后推导出新约束下的理论最优解表达式，并给出了求取最优解的迭代算法。

以下将结合附图说明对本发明的具体内容进行详细描述。

图2是根据一示例性实施例示出的一种信息推送方法及装置的系统框图。

如图2所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的视频类网站提供支持的后台管理服务器。服务器105可以对接收到的用户视频浏览请求等数据进行分析等处理，并将处理结果(例如推送给该用户推广信息A、推广信息B、以及推广信息D)反馈给终端设备。

服务器105可例如获取推广信息的推广参数与限制条件，所述限制条件包括展示数量限制、单一展示限制、展示用户限制；服务器105可例如通过所述推广参数与已注册用户的用户参数确定所述推广信息的特征参数；服务器105可例如根据所述限制条件、所述特征参数与当前用户的用户参数确定所述推广信息的推广系数；服务器105可例如通过所述推广系数将所述推广信息推送至当前用户。

服务器105还可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的视频类网站提供支持的服务器。例如用户利用终端设备103(也可以是终端设备101或102)向服务器105发送了视频播放请求，服务器105可例如接收来自用户的播放请求，通过用户在网上上注册的相关信息，获取用户参数，用户参数可例如包括用户的年龄、性别、用户地理位置、用户特征标签，以及预估的用户浏览次数，本申请不以此为限，任何用来定于用户特征或者属性的参数值都可以作为本申请中的用户参数。服务器105还可例如接收来自广告商的广告推广请求，通过推广请求中获取推广参数，推广参数可例如为推广信息的推广场景限制，可例如为限定推广信息播放的地理区域，推广信息对同一个用户播放的次数限制、推广信息的播放的用户的用户特征，推广信息播放在网页中的具体单元，网页中的具体单元可通过网页中展示的内容标签进行分类，可例如为娱乐单元、体育单元、儿童单元等等。推广信息的推广场景限制还可例如对应于上文所述的用户参数，推广信息可限定用户的年龄、性别，用户地理位置、以及用户特征标签等。

服务器105可以是一个实体的服务器，还可例如为多个服务器组成，服务器105中可以保存离线数据，还可例如提供实时计算请求。还可例如，服务器105中的部分服务器提供离线储存数据服务，部分服务器提供实时计算服务。在本申请中，服务器105可通过离线储存数据服务将事先计算的推广信息的特征参数进行离线保存，在用户发送播放请求时，实时计算推广信息的推广系数，以通过所述推广系数将所述推广信息推送至当前用户。

需要说明的是，本公开实施例所提供的信息推送方法可以由服务器105执行，相应地，信息推送装置可以设置于服务器105中。而提供给用户进行网页浏览的网页端一般位于终端设备101、102、103中。

图3是根据一示例性实施例示出的一种信息推送方法及装置的应用场景示意图。

如图3所示的场景中，多个推广信息提供商提交推广信息的请求，不失一般性，可例如为广告主提交广告推广请求，广告推广请求中包括广告的推广参数与限制条件，可例如为对特定的用户展示、同一用户展示次数不能超过10次等等。

广告主将广告推广请求提交到媒体方，媒体方对广告主的请求与已注册用户进行匹配。根据广告主的请求，预先计算出在实际信息推广中需要的特征参数。

用户在向媒体方发送播放请求或者网页打开请求是，媒体方实时根据用户的特征与广告主之间的推广信息的请求再次进行实时匹配，在匹配成功后，将广告分别推送到符合广告主要求的用户处，此方式能够既满足广告主对于广告受众用户的限制条件，又减少媒体方由于实时广告匹配不满足广告主要求而带来的广告效果补量率。

图4是根据一示例性实施例示出的一种信息推送方法的流程图。如图4所示，本申请中的信息推送方法在具体实施时，至少包括S402至S408中的步骤。

在S402中，获取推广信息的推广参数与限制条件，所述限制条件包括展示数量限制、单一展示限制、展示用户限制。推广信息可例如为广告信息，推广参数可例如参考上文的描述，可例如为：推广信息推广总数次、推广信息的播放频率、推广信息的播出时长、推广信息的限制条件，可例如为展示数量限制、单一展示限制、展示用户限制，具体可例如限定推广信息播放的地理区域，限定推广信息对同一个用户播放的次数、限定推广信息的播放对象的用户特征，限定推广信息播放在网页中的具体单元，网页中的具体单元可通过网页中展示的内容标签进行分类，可例如为娱乐单元、体育单元、儿童单元等等。推广信息的推广场景限制还可例如对应于上文所述的用户参数，推广信息可限定用户的年龄、性别，用户地理位置、以及用户特征标签等。

在一个实施例中，展示数量限制可例如为上文中的频次控制，是指对用户观看同一广告的次数进行控制，使之不超过广告主所要求的频次上限，用以提升广告价值和用户体验。

在一个实施例中，单一展示限制可例如为上文中的多贴不重复限制，是指在一次网页广告展示中，多个广告之间不能发生重复，以提升广告价值和用户体验。

在一个实施例中，展示用户限制可例如为上文中的定向限制与跨定向限制，其中，定向限制是指：一个具体的定向单元上播放次数限制。比如多帖不重复。跨定向限制是指当用户流量同时满足两个及以上的定向条件，如一个用户可以既看电影又看体育节目，导致用户流量分属不同的定向单元。对于这种用户来说，频控限制需要合并定向单元计算。

值得一提的是，本实施例中的跨定向单元限制包含但不限于频次控制，定向单元限制包含但不限于多帖不重复。

在S404中，通过所述推广参数与已注册用户的用户参数确定所述推广信息的特征参数。可例如，通过所述推广参数与已注册用户的用户参数确定所述推广信息的特征参数的数学表达式，进而通过优化算法对所述特征参数的数学表达式进行迭代计算以获取所述特征参数。关于优化求解数学表达式的相关内容将在后文中具体描述。

在一个实施例中，优化算法求解特征参数的数学表达式包括：通过梯度下降法，或坐标下降法进行优化求解。

其中，梯度下降(Gradient Descent)是迭代法的一种，可以用于求解最小二乘问题(线性和非线性都可以)。在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降是最常采用的方法之一。在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。在机器学习中，基于基本的梯度下降法发展了两种梯度下降方法，分别为随机梯度下降法和批量梯度下降法。本申请中涉及到的梯度下降法可通过随机梯度下降法实现，也可以通过批量梯度下降法实现，本申请中的梯度下降法还可以通过其他变种方法获得，本申请不以此为限。

坐标下降法(coordinate descent)是一种非梯度优化算法。坐标下降法在每次迭代中，在当前点处沿一个坐标方向进行一维搜索以求得一个函数的局部极小值。在整个过程中循环使用不同的坐标方向。对于不可拆分的函数而言，算法可能无法在较小的迭代步数中求得最优解。为了加速收敛，可以采用一个适当的坐标系，例如通过主成分分析获得一个坐标间尽可能不相互关联的新坐标系。基于基本的坐标下降法发展了三种下降方法，分别为循环坐标下降法、自适应坐标下降法和环坐标下降法。本申请中涉及到的坐标下降法可通过循环坐标下降法实现，也可以通过自适应坐标下降法、或环坐标下降法实现。

在一个实施例中，在迭代计算求解特征参数的数学表达式的过程中，如果上一次计算结果与本次计算结果的差值小于预定数值，则结束迭代过程。

在一个实施例中，已注册的用户的用户参数可例如根据用户的注册数据获取，可例如包括用户的年龄、性别、收入、兴趣点等，用户参数还可例如通过用户的网络环境实时获得，可例如包括用户地理位置、用户网络特征等，用户参数还可例如通过用户的历史浏览数据获取，可例如包括用户特征标签、预估的用户浏览次数等。

在一个实施例中，可例如，通过用户对网页中内容的历史浏览数据，提取用户的操作喜好与关注内容，进而为用户确定特征标签，特征标签可例如为用户习惯类的特征标签，或者用户操作类的特征标签，可例如为：“追星族”、“健身狂”、“宅男”等等标签。还可例如通过用户对某一类关注单元的历史浏览次数，对用户的平均浏览次数做预估，可例如，某用户对于体育类节目的历史平均浏览次数为每天2次，对娱乐类节目的历史平均浏览次数为每天5次，则可将2次和5次分别作为用户的预估浏览次数。

在一个实施例中，可例如通过推广参数与已注册用户的用户参数确定推广信息的特征参数的之后，将每个用户对应的特征参数作为离线数据保存在服务器中。

在S406中，根据所述限制条件、所述特征参数与当前用户的用户参数确定所述推广信息的推广系数。可例如，通过限制条件与已注册用户的用户参数建立推广信息约束模型；求取推广信息约束模型的最优解表达式以作为推广信息的推广系数模型。然后用户发送播放请求时，实时将限制条件、特征参数与当前用户的用户参数输入分配模型以确定推广信息的推广系数。

在一个实施例中，推广信息约束模型的优化目标为第一优化目标；推广信息约束模型的优化限制条件为展示数量限制、单一展示限制、展示用户限制。其中，在本实施例中，第一优化目标可例如为：推广信息在已注册用户中得到均匀展示。第一优化目标还可例如为：推广信息在约定时间内得到最多的展示机会、推广信息在已注册用户中获得最多的展示人群、以及推广信息获得最大的展示收益等等，本申请不以此为限。

在一个实施例中，推广信息约束模型基于改进二部图网络建立，改进二部图网络包括用户集合，用户访问集合与展示信息集合。通过拉格朗日算法与不等式约束条件求取推广信息约束模型的最优解表达式以作为推广信息的推广系数模型。关于推广信息约束模型的相关内容将在后文中具体描述。

在S408中，通过所述推广系数将所述推广信息推送至当前用户。可例如，按照推广系数，依次将推广信息推送至当前用户。还可例如，根据推广系数与不同推广信息提供商的权重，将推广信息进行排序，按照排序结果将多个推广信息中的部分推广信息推送至当前用户。

根据本公开的信息推送方法，通过在求解推广信息的推广系数时，综合考虑用户特征、推广信息特征、以及推广信息中的限制条件，使得求解出的推广系统能够满足真实环境下的合约广告投放需要，也能够使得真实环境下的合约广告投放策略更加合理，降低在广告推广中的广告效果补量率。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图5是根据一示例性实施例示出的一种信息推送方法的流程图。如图5所示的步骤S502-S506，是对如图4所示的步骤S406中，关于“根据所述限制条件、所述特征参数与当前用户的用户参数确定所述推广信息的推广系数”的进一步描述。

如图5所示，在S502中，通过所述限制条件与所述已注册用户的用户参数建立推广信息约束模型。所述推广信息约束模型基于改进二部图网络建立，所述改进二部图网络包括用户集合，用户访问集合与展示信息集合。

在常见的在线展示广告场景中，每个用户可能多次访问媒体(视频或网页)；每次访问可能产生多次广告曝光机会(同一个视频或一个网页通常有多个贴片广告)。在本申请中，可例如将每个独立的用户的访问称之为一个UV(User View)；每次独立的媒体访问称之为一个Slot，也称之为槽；每次独立的广告曝光称之为一个impression(曝光)。对于频控约束(跨定向限制)来说，需要在用户层面上进行限制；对于多贴不重复约束(单定向限制)来说，需要在槽层面上进行限制。

为此，在本申请中，对图1所示的传统的广告分配二部图G＝(I∪J,E)进行改进。增加一个虚拟的用户集合K，其中每个用户节点k表示一个UV，u_k表示该用户的所有库存；每个供给方节点i表示一个Slot，s_i表示该Slot对应的曝光数。图6是根据另一示例性实施例示出的一种信息推送方法中的改进二部图网络示意图。如图6所示。为方便起见，用Ω(k)表示用户k的子节点Slot集合，P(i)表示i的父节点，即所属的用户。

由改进二部图网络可以得到多种对应关系：

1.订单到Slot(Supply节点)的对应关系E_order-slot；

2.UV到Slot的对应关系E_user-slot；

3.订单到UV的对应关系E_order-user。

而且，一个Slot属于且只属于一个UV。

Supply节点表示Slot的好处在于，在线阶段s_i即为当前Slot的在用户i上的曝光数，这是已知量；另外通过这种设定能够对多贴不重复进行约束。

令f_kj表示订单j在用户k上的频次要求，即用户k观看订单j的次数最大为f_kj，那么对于访问次数超过f_kj的用户来说，其对应库存只有部分可用。考虑到用户跨流量单元的情况，可以为本申请中的推广信息约束模型增加如下的频控约束(跨定向限制)：

其中k＝p(i)，即Slot结点i所属的用户。另外还可以得到如下的单定向限制约束：

综上，本申请中的推广信息约束模型(1)为：

其中，其中：Γ(i)和Γ(j)分别表示i和j的邻居结点集合，s_i表示该Slot对应的曝光数，为分配目标，S_j＝∑_i∈Γ(j)s_i表示d_j全部可用流量，V_j表示订单j的重要度，x_ij表示i结点流量有x_ij比例部份分配给合约广告j，p_j表示订单j发生缺量时的惩罚系数，u_j代表广告少播出的的补偿量。

第一个不等式约束为需求约束，第二个不等式约束为供给约束，第三个和第四个不等式约束为非负约束，第五个不等式约束为跨定向约束，最后一个不等式约束为单定向约束。

在S504中，求取所述推广信息约束模型的最优解表达式以作为所述推广信息的推广系数模型。其中，所述推广信息约束模型的优化目标为第一优化目标；所述推广信息约束模型的优化限制条件为所述展示数量限制、所述单一展示限制、所述展示用户限制。通过拉格朗日算法与不等式约束条件求取所述推广信息约束模型的最优解表达式以作为所述推广信息的推广系数模型。

在一个实施例中，根据最优化理论，推导出模型的最优解，即最优分配方案。令α_j表示需求方对偶，β_i表示供给方对偶，γ_ij表示x_ij的非负对偶，ψ_j表示的u_j非负对偶，λ_kj表示跨定向限制对偶，η_ij表示单定向限制对偶，那么根据KKT(Karush-Kuhn-Tucker)条件，x_ij对应的稳定性条件(stationarity)为:

对于所有的

γ_ij、λ_kj和η_ij对应的互补松弛条件(complimentary slackness)为:

对于所有的i，j，eitherγ_ij＝0 or x_ij＝0

对于所有的i，j，eitherη_ij＝0 or s_ix_ij＝f_ij

对于所有的k，j，或

γ_ij、λ_kj和η_ij对应的对偶可行条件(dual feasibility)为：

γ_ij≥0，η_ij≥0，λ_kj≥0

根据稳定性条件，有

在一个实施例中，把γ_ij和η_ij都消去，只保留α_j、β_i和λ_kj，从而得到一个紧凑分配方案。首先，根据γ_ij对应的互补松弛条件，要么

γ_ij＝0 (3)

要么

x_ij＝0

因此当x_ij＜0于时，γ_ij会增大以使得x_ij＝0，即

同时、当于时，η_ij会减小以使得

综上，有

令则

x_ij＝h_ij(α_j-β_i-λ_kj) (4)

公式4对应的数学表达式是考虑了跨定向单元频次控制和定向单元限制约束条件下的分配方案，其中α_j表示订单的竞争力，β_i表示维度的稀缺度，λ_kj表示用户对订单的重要性。

再根据u_j的稳定性条件以及α_j、β_i、λ_kj的互补松弛条件，还可以得出以下结论，假设α_j、β_i、λ_kj分别为需求对偶、供给对偶、用户频次对偶，则其最优值满足：

对于所有的j，0≤α_j≤p_j。并且，要么α_j＝p_j，要么∑_j∈Γ(j)s_ix_ij＝d_j；

对于所有的i，β_i≥0。并且，要么β_i＝0，要么∑_j∈Γ(i)x_ij＝1。

对于所有的(k,j)，并且，要么λ_kj＝0，要么∑_{i∈Γ(k，j)}S_ixi_j＝f_kj。

在一个实施例中，将公式4对应的数学表达式作为推广系数模型，以便进行后续的处理。

在S506中，将所述限制条件、所述特征参数与当前用户的用户参数输入推广系数模型以确定所述推广信息的推广系数。可例如，在用户发送播放请求时，实时通过推广系数模型与所述限制条件、所述特征参数与当前用户的用户参数计算获得推广信息的推广系数。

在一个实施例中，根据所述限制条件、所述特征参数与当前用户的用户参数确定所述推广信息的分配参数包括：在当前用户不为已注册用户时，为当前用户指定用户参数。具体可例如，根据当前用户与已注册用户的相似度，将与当前用户相似度最高的已注册用户的用户参数作为当前用户的用户参数。

根据本公开的信息推送方法，通过综合考虑用户特征、推广信息特征、以及推广信息中的限制条件建立推广信息约束模型，并将该模型求取的最优解作为推广系数模型，进而进行后续推广系数的计算的方式，能够通过数学模型完整真实的反映合约广告的实际特征，进行通过该模型得到更加实用的推广系数。

图7是根据一示例性实施例示出的一种信息推送方法的流程图。如图7所示的步骤S702-S704，是对如图4所示的步骤S404中，关于“通过所述推广参数与已注册用户的用户参数确定所述推广信息的特征参数”的进一步描述。

如图7所示，在S702中，通过所述推广参数与已注册用户的用户参数确定所述推广信息的特征参数的数学表达式。

α_j表示订单的竞争力，特征表达式可例如为：α_j＝α_j+ε_j*(d_j-∑_i∈Γ(j)s_ix_ij)；

β_i表示维度的稀缺度，特征表达式可例如为：β_i＝β_i+ε_i*(∑_j∈Γ(i)s_ix_ij-s_i)；

λ_kj表示用户对订单的重要性，特征表达式可例如为：λ_kj＝λ_kj+ε_kj*(∑_{i∈Γ(k，j)}s_ix_ij-f_kj)。

在S704中，通过优化算法对所述特征参数的数学表达式进行迭代计算以获取所述特征参数。在迭代计算的过程中，如果上一次计算结果与本次计算结果的差值小于预定数值，则结束迭代过程。优化算法包括：梯度下降法，以及坐标下降法。在本实施例中，可以采取梯度下降法的方式迭代一定次数计算出一组α_j、β_i、λ_kj，作为较优的解。

在优化时，首先进行初始化步骤：对于所有的订单j，令α_j＝0；对于所有的槽i，令β_i＝0；对于所有的用户订单对(k，j)，令λ_kj＝0。

运行以下步骤并行迭代到上一次计算结果与本次计算结果的差值小于预定数值为止：

对于每个槽i，通过梯度更新公式计算β_i＝β_i+ε_i*(∑_j∈Γ(i)s_ix_ij-s_i)。

如果β_i＜0，则令β_i-0；

对于每个订单j，通过梯度更新公式计算α_j＝α_j+ε_j*(d_j-∑_i∈Γ(j)s_iX_ij)。如果α_j＞p_j，则令α_j＝p_j。如果α_j＜0，则令α_j＝0；

对于每个用户订单对(k,j)，通过梯度更新公式计算λ_kj＝λ_kj+ε_kj*(∑_{i∈Γ(k，j)}s_ix_ij-f_kj)；

如果λ_kj＜0，则令λ_kj＝0

在迭代计算完成后，输出α_j，β_i，λ_kj。如图6所示，可例如，通过离线阶段计算出α_j，β_i，λ_kj并保存，并在在线阶段进一步根据公式(4)得到最优分配方案x_ij。

图8是根据一示例性实施例示出的一种信息推送方法的流程图。如图8所示的步骤S802-S808，是对如图4所示的步骤S408中，关于“通过所述推广系数将所述推广信息推送至当前用户”的进一步描述。

在有些情况下，对于一个曝光i来说，计算出的所有的x_ij之和(j∈Γ(i))并不等于1。当x_ij之和小于1，意味着可能会选不到一个合适的用户用以展示，导致空单；当x_ij之和大于1，需要先选出一部分比较重要的用户，然后再进行投放。为此，在本申请中，在所有待推广信息的推广系数之和大于预定值时，首先为用户定义分配优先级，然后再根据优先级进行推广。本方案使用需求量与各种定向限制下的可用流量之比作为分配优先级：d_j/S_j′。

如图8所示，在S802中，确定所有待推广信息的推广系数。可例如，对于每一个j∈Γ(i)，计算x_ij＝h_ij(α_j-β_i-λ_kj)

在S804中，判断所有待推广信息的推广系数之和是否大于预定值。

在S806中，所有待推广信息的推广系数之和大于预定值时，通过推广信息的推广参数与预估展示数量确定所述推广信息的分配权重。

在S8062中，将推广信息按照其对应的分配权重进行排序。如果∑_j∈Γ(i)x_ij＞1，可例如，对于所有j∈Γ(i)按照d_j/S_j′从大到小排序。

在S8064中，按照排序结果将多个推广信息中的部分推广信息推送至当前用户。可例如，选择前l个订单，使得∑_lx_ij＝1。

在S808中，所有待推广信息的推广系数之和小于等于预定值时，将带推广信息推送至当前用户。以x_ij的概率选择订单j进行展示。

根据本公开的信息推送方法，在建模中考虑了用户跨定向频控约束和槽约束，可以使得真实环境下的合约广告投放策略更加合理，降低订单的补量率，提升公司和广告主的整体利益。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU及GPU执行的计算机程序。在该计算机程序被CPU及GPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图9是根据一示例性实施例示出的一种信息推送装置的框图。如图9所示，信息推送装置90包括：接收数据模块902，特征参数模块904，推广系数模块906，信息推广模块908。

接收数据模块902用于获取推广信息的推广参数与限制条件，所述限制条件包括展示数量限制、单一展示限制、展示用户限制。

在一个实施例中，接收数据模块902的展示数量限制可例如为上文中的频次控制，是指对用户观看同一广告的次数进行控制，使之不超过广告主所要求的频次上限，用以提升广告价值和用户体验。

在一个实施例中，接收数据模块902的单一展示限制可例如为上文中的多贴不重复限制，是指在一次网页广告展示中，多个广告之间不能发生重复，以提升广告价值和用户体验。

在一个实施例中，接收数据模块902的展示用户限制可例如为上文中的定向限制与跨定向限制，其中，定向限制是指：一个具体的定向单元上播放次数限制。比如多帖不重复。跨定向限制是指当用户流量同时满足两个及以上的定向条件，如一个用户可以既看电影又看体育节目，导致用户流量分属不同的定向单元。对于这种用户来说，频控限制需要合并定向单元计算。

特征参数模块904用于通过所述推广参数与已注册用户的用户参数确定所述推广信息的特征参数。可例如，通过所述推广参数与已注册用户的用户参数确定所述推广信息的特征参数的数学表达式，进而通过优化算法对所述特征参数的数学表达式进行迭代计算以获取所述特征参数。关于优化求解数学表达式的相关内容将在后文中具体描述。

在一个实施例中，特征参数模块904的优化算法求解特征参数的数学表达式包括：通过梯度下降法，或坐标下降法进行优化求解。

在一个实施例中，特征参数模块904在迭代计算求解特征参数的数学表达式的过程中，如果上一次计算结果与本次计算结果的差值小于预定数值，则结束迭代过程。

在一个实施例中，特征参数模块904可例如通过推广参数与已注册用户的用户参数确定推广信息的特征参数的之后，将每个用户对应的特征参数作为离线数据保存在服务器中。

推广系数模块906用于根据所述限制条件、所述特征参数与当前用户的用户参数确定所述推广信息的推广系数。

可例如，推广系数模块906通过限制条件与已注册用户的用户参数建立推广信息约束模型；求取推广信息约束模型的最优解表达式以作为推广信息的推广系数模型。然后用户发送播放请求时，实时将限制条件、特征参数与当前用户的用户参数输入分配模型以确定推广信息的推广系数。

在一个实施例中，推广系数模块906中推广信息约束模型的优化目标为第一优化目标；推广信息约束模型的优化限制条件为展示数量限制、单一展示限制、展示用户限制。其中，在本实施例中，第一优化目标可例如为：推广信息在已注册用户中得到均匀展示。第一优化目标还可例如为：推广信息在约定时间内得到最多的展示机会、推广信息在已注册用户中获得最多的展示人群、以及推广信息获得最大的展示收益等等，本申请不以此为限。

在一个实施例中，推广系数模块906中推广信息约束模型基于改进二部图网络建立，改进二部图网络包括用户集合，用户访问集合与展示信息集合。通过拉格朗日算法与不等式约束条件求取推广信息约束模型的最优解表达式以作为推广信息的推广系数模型。关于推广信息约束模型的相关内容将在后文中具体描述。

信息推广模块908用于通过所述推广系数将所述推广信息推送至当前用户。可例如，按照推广系数，依次将推广信息推送至当前用户。还可例如，根据推广系数与不同推广信息提供商的权重，将推广信息进行排序，按照排序结果将多个推广信息中的部分推广信息推送至当前用户。

根据本公开的信息推送装置，通过在求解推广信息的推广系数时，综合考虑用户特征、推广信息特征、以及推广信息中的限制条件，使得求解出的推广系统能够满足真是环境下的合约广告投放需要，也能够使得真实环境下的合约广告投放策略更加合理，降低在广告推广中的广告效果补量率。

图10是根据另一示例性实施例示出的一种信息推送装置的框图。信息推送装置100在包括了信息推送装置90中的接收数据模块902，特征参数模块904，推广系数模块906，信息推广模块908之外，还包括：特征参数优化模块1002，相似度计算模块1004，推广系数优化模块1006，判断排序模块1008。

特征参数优化模块1002用于通过所述推广参数与已注册用户的用户参数确定所述推广信息的特征参数的数学表达式；以及通过优化算法对所述特征参数的数学表达式进行迭代计算以获取所述特征参数。

相似度计算模块1004用于在当前用户不为已注册用户时，为当前用户指定用户参数。根据当前用户与已注册用户的相似度，将与当前用户相似度最高的已注册用户的用户参数作为当前用户的用户参数。

推广系数优化模块1006用于通过所述限制条件与所述已注册用户的用户参数建立推广信息约束模型；求取所述推广信息约束模型的最优解表达式以作为所述推广信息的推广系数模型。

判断排序模块1008用于在多个推广系数之和大于预定值时，将多个推广信息按照其对应的分配权重进行排序；以及按照排序结果将多个推广信息中的部分推广信息推送至当前用户。

图11是根据一示例性实施例示出的一种电子设备的框图。

下面参照图11来描述根据本公开的这种实施方式的电子设备1100。图11显示的电子设备1100仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图11所示，电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于：至少一个处理单元1110、至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130、显示单元1140等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1110执行，使得所述处理单元1110执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元1110可以执行如图4、图5、图7、以及图8中所示的步骤。

所述存储单元1120可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)11201和/或高速缓存存储单元11202，还可以进一步包括只读存储单元(ROM)11203。

所述存储单元1120还可以包括具有一组(至少一个)程序模块11205的程序/实用工具11204，这样的程序模块11205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。

总线1130可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1100也可以与一个或多个外部设备1200(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1100交互的设备通信，和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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1150进行。并且，电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器1060可以通过总线1130与电子设备1100的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1100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。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。

作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的方法。例如，所述的电子设备可以实现如上文所示的各个步骤。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本公开可实施的范畴。

Claims (14)

1.一种信息推送方法，其特征在于，包括：

获取推广信息的推广参数与限制条件，所述限制条件包括展示数量限制、单一展示限制、展示用户限制；

通过所述推广参数与已注册用户的用户参数确定所述推广信息的特征参数；

根据所述限制条件、所述特征参数与当前用户的用户参数确定所述推广信息的推广系数；

通过所述推广系数将所述推广信息推送至当前用户。

2.如权利要求1所述的方法，其特征在于，通过所述推广参数与已注册用户的用户参数确定所述推广信息的特征参数包括：

通过所述推广参数与已注册用户的用户参数确定所述推广信息的特征参数的数学表达式；以及

通过优化算法对所述特征参数的数学表达式进行迭代计算以获取所述特征参数。

3.如权利要求1所述的方法，其特征在于，根据所述限制条件、所述特征参数与当前用户的用户参数确定所述推广信息的分推广系数包括：

在当前用户不为已注册用户时，为当前用户指定用户参数。

4.如权利要求3所述的方法，其特征在于，为当前用户指定用户参数包括：

根据当前用户与已注册用户的相似度，将与当前用户相似度最高的已注册用户的用户参数作为当前用户的用户参数。

5.如权利要求1所述的方法，其特征在于，根据所述限制条件、所述特征参数与当前用户的用户参数确定所述推广信息的推广系数包括：

将所述限制条件、所述特征参数与当前用户的用户参数输入推广系数模型以确定所述推广信息的推广系数，所述推广系数模型通过求取带约束条件的第一优化目标建立。

6.如权利要求5所述的方法，其特征在于，还包括：

通过所述限制条件与所述已注册用户的用户参数建立推广信息约束模型；

求取所述推广信息约束模型的最优解表达式以作为所述推广信息的推广系数模型。

7.如权利要求6所述的方法，其特征在于，通过所述限制条件与所述已注册用户的用户参数建立推广信息约束模型包括：

所述推广信息约束模型的优化目标为第一优化目标；

所述推广信息约束模型的优化限制条件为所述展示数量限制、所述单一展示限制、所述展示用户限制。

8.如权利要求6所述的方法，其特征在于，所述推广信息约束模型基于改进二部图网络建立，所述改进二部图网络包括用户集合，用户访问集合与展示信息集合。

9.如权利要求6所述的方法，其特征在于，求取所述推广信息约束模型的最优解表达式以作为所述推广信息的推广系数模型包括：

通过拉格朗日算法与不等式约束条件求取所述推广信息约束模型的最优解表达式以作为所述推广信息的推广系数模型。

10.如权利要求1所述的方法，其特征在于，通过所述推广系数将所述推广信息推送至当前用户包括：

在多个推广系数之和大于预定值时，将多个推广信息按照其对应的分配权重进行排序；以及

按照排序结果将多个推广信息中的部分推广信息推送至当前用户。

11.如权利要求1所述的方法，其特征在于，还包括：

通过推广信息的推广参数与预估展示数量确定所述推广信息的分配权重。

12.一种信息推送装置，其特征在于，包括：

接收数据模块，用于获取推广信息的推广参数与限制条件，所述限制条件包括展示数量限制、单一展示限制、展示用户限制；

特征参数模块，用于通过所述推广参数与已注册用户的用户参数确定所述推广信息的特征参数；

推广系数模块，用于根据所述限制条件、所述特征参数与当前用户的用户参数确定所述推广信息的推广系数；

信息推广模块，用于通过所述推广系数将所述推广信息推送至当前用户。

13.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-11中任一所述的方法。