CN110399550B - 一种信息推荐方法及装置 - Google Patents

Abstract

本发明涉及计算机技术领域，尤其涉及一种信息推荐方法及装置，该方法根据信息推荐需求，获得对应的召回策略和短信模型；根据所述召回策略，获得召回的用户；根据所述短信模型，对召回的用户分别进行预测，确定其中用户针对所述推荐需求的短信点击分值大于阈值的候选用户集；其中，所述短信模型为采用根据所述推荐需求获取的正样本和负样本集进行训练，以确定用户对短信的点击分值；根据预设过滤策略，对所述候选用户集中的用户进行过滤，获得目标用户集；向所述目标用户集中的各个目标用户发送包含待推荐信息的短信。本申请通过召回、短信模型预测和过滤等操作，确定目标用户集，提高目标用户的准确性，从而可以提高信息推荐效果，降低成本。

Description

一种信息推荐方法及装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种信息推荐方法及装置。

背景技术

目前，由于短信具有覆盖度广、触达率高、时间灵活、阅读率高等优势，因此，可以基于短信进行信息推荐，在短信内容中携带广告、应用软件等需要推荐的信息，以推荐给用户，但是，盲目地基于短信投放，会增加成本。

现有技术中，基于短信的信息推荐方法，采用的方法比较单一和固定，主要是先随机选取或利用用户标签人工对号码进行选取，确定出目标用户，当接收到投放需求后，就会对目标用户进行大规模投放下发。

但是，现有技术中，目标用户的选取，人为因素较强，准确性较低，从而降低对推荐的信息的点击率，信息推荐效果较差，也会增加成本。

发明内容

本发明实施例提供一种信息推荐方法及装置，以解决现有技术中信息推荐的目标用户不准确，降低信息推荐效果的问题。

本发明实施例提供的具体技术方案如下：

本发明一个实施例提供了一种信息推荐方法，包括：

根据信息推荐需求，获得对应的召回策略和短信模型；

根据所述召回策略，获得召回的用户；

根据所述短信模型，对召回的用户分别进行预测，确定其中用户针对所述推荐需求的短信点击分值大于阈值的候选用户集；其中，所述短信模型为采用根据所述推荐需求获取的正样本和负样本集进行训练，以确定用户对短信的点击分值；

根据预设过滤策略，对所述候选用户集中的用户进行过滤，获得目标用户集；

向所述目标用户集中的各个目标用户发送包含待推荐信息的短信。

本发明另一个实施例提供了一种信息推荐装置，包括：

获得模块，用于根据信息推荐需求，获得对应的召回策略和短信模型；

召回模块，用于根据所述召回策略，获得召回的用户；

预测模块，用于根据所述短信模型，对召回的用户分别进行预测，确定其中用户针对所述推荐需求的短信点击分值大于阈值的候选用户集；其中，所述短信模型为采用根据所述推荐需求获取的正样本和负样本集进行训练，以确定用户对短信的点击分值；

用户过滤模块，用于根据预设过滤策略，对所述候选用户集中的用户进行过滤，获得目标用户集；

发送模块，用于向所述目标用户集中的各个目标用户发送包含待推荐信息的短信。

本发明另一个实施例提供了一种电子设备，包括：

至少一个存储器，用于存储程序指令；

至少一个处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行上述任一种信息推荐方法。

本发明另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种信息推荐方法的步骤。

本发明实施例中，根据信息推荐需求，获得对应的召回策略和短信模型；根据所述召回策略，获得召回的用户；根据所述短信模型，对召回的用户分别进行预测，确定其中用户针对所述推荐需求的短信点击分值大于阈值的候选用户集；其中，所述短信模型为采用根据所述推荐需求获取的正样本和负样本集进行训练，以确定用户对短信的点击分值；根据预设过滤策略，对所述候选用户集中的用户进行过滤，获得目标用户集；向所述目标用户集中的各个目标用户发送包含待推荐信息的短信，这样，在基于短信进行信息推荐时，可以通过召回、短信模型预测和过滤等操作，确定出目标用户集，不仅可以自动确定出目标用户，还综合考虑多种因素，提高目标用户的准确性，进而向各个目标用户发送包含待推荐信息的短信，可以提高短信的点击率和转化率，提高信息推荐效果，降低成本。

附图说明

图1为本发明实施例中信息推荐方法的应用架构示意图；

图2为本发明实施例中信息推荐方法的整体业务流程图；

图3为本发明实施例中信息推荐方法流程图；

图4为本发明实施例中一种短信模型的原理架构图；

图5为本发明实施例中另一种短信模型的原理架构图；

图6为本发明实施例中信息推荐方法原理框架图；

图7为本发明实施例中信息推荐装置结构示意图；

图8为本发明实施例中电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为便于对本发明实施例的理解，下面先对几个概念进行简单介绍：

埋点：埋点分析，是网站分析的一种常用的数据采集方法，可以通过植入统计代码，根据其独立标识(identification，ID)确保数据采集不重复。

注意力(Attention)机制：Attention机制运行的基本假设是：人类本身在识别各种不同信号时，例如文本、图片或视频等，并不是同时处理整个信号的全貌，而是选择性的关注信号的重要部分，Attention机制正是契合了这样直观简单的原则，可以在众多机器学习任务中得到有效应用。

召回：表示通过某种策略或手段让作用对象返回作用主体的过程，本发明实施例中，例如召回策略表示召回用户所采用的策略，可以用于筛选获得部分满足信息推荐需求的用户，召回的用户即表示基于召回策略获得的用户。

实际中，由于短信具有覆盖度广、阅读率高、灵活性高等优势，因此可以基于短信进行信息推荐，对于一些客户来说，短信是一种非常简单快速的营销方式，可以基于短信进行营销获客等，但是，发送短信也是有一定成本的，盲目地进行投放，不仅效果较差，还增加了成本。

现有技术中，基于短信的信息推荐方法，采用的方法比较单一和固定，主要是先随机选取或利用用户标签人工对号码进行选取，确定出目标用户，当接收到投放需求后，就会对目标用户进行大规模投放下发。但是，现有技术中这种方式，目标用户的选取不准确，人为因素较强，会导致短信的点击率较低，现有技术中也没有对投放频率进行限制，而通常频繁的触达到用户会导致点击率下降，基于短信的信息推荐效果降低，并且还可能投诉率上升，并且现有技术中进行短信投放时，没有对短信进行埋点，这样无法收集到精确到用户的点击数据并进行分析。

因此，针对上述问题，本发明实施例中，对短信投放进行优化改进，根据信息推荐需求，进行分析，获得正样本集和负样本集，训练得到短信模型，在需要进行短信投放时，根据召回策略，获得召回的用户，并根据训练得到的短信模型，对召回的用户进行预测，确定其中用户针对推荐需求的短信点击分值大于阈值的候选用户集，并进行过滤，获得目标用户，即筛选出潜在的对待推荐信息高倾向的目标用户，从而向目标用户集中的各个目标用户发送包含待推荐信息的短信，这样，根据信息推荐需求，经过短信模型、召回、预测和过滤等操作，确定目标用户，确定的目标用户更加准确，从而提高了对短信中待推荐信息的点击率，提升了信息推荐效果，也降低了成本。

参阅图1所示，为本发明实施例中信息推荐方法的应用架构示意图，包括终端设备、服务器。

终端设备可以是任何能够安装客户识别模块(Subscriber Identity Module，SIM)卡的设备，例如，智能手机、平板电脑等。终端设备可以基于SIM卡接收短信，并且用户可以基于终端设备对短信进行查看点击，还可以点击短信中包含的待推荐信息，例如待推荐信息的短链接等。

终端设备与服务器之间通过互联网相连，实现相互之间的通信。可选地，上述的互联网使用标准通信技术和/或协议。互联网通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(Extensible Markup Language，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(Internet Protocol Security，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。

服务器可以为终端设备提供各种网络服务，例如本发明实施例中服务器可以提供基于短信进行信息推荐服务的后台服务器。

其中，服务器可以是一台服务器、若干台服务器组成的服务器集群或云计算中心。

本发明实施例中，信息推荐方法主要应用于服务器端，短信投放平台接收到客户的基于短信投放进行信息推荐需求时，相应的后台服务器可以确定正样本集和负样本集，并训练得到短信模型，进而进行短信投放时，可以根据召回策略，获得召回的用户，并根据训练得到的短信模型，对召回的用户进行预测，确定其中用户针对推荐需求的短信点击分值大于阈值的候选用户集，并进行过滤，从而筛选出目标用户，向目标用户发送包含待推荐信息的短信，即将短信投放到各终端设备中，并且还可以获取各终端设备对短信的点击数据等。

本发明实施例中，确定目标用户时，通过短信模型训练、过滤等操作，综合考虑了客户的信息推荐需求，并结合发送频率、短信操作行为时间序列特征、用户画像特征、清洗过滤后的点击数据等，提高了确定的目标用户的准确性，更加符合客户需求，对推荐信息倾向性更高，从而也提高了信息推荐效果，降低了成本。并且，在短信投放时，进行客户ID埋点，因此可以获取到精确到用户的点击数据，提升了数据分析的准确性。

值得说明的是，本发明实施例中的应用架构图是为了更加清楚地说明本发明实施例中的技术方案，并不构成对本发明实施例提供的技术方案的限制，也并不仅限于基于短信的信息推荐业务，对于其它的系统架构和业务应用，本发明实施例提供的技术方案对于类似的问题，同样适用。

需要说明的是，本发明各个实施例中，以信息推荐方法用于图1所示的应用架构图为例进行示意性说明。

基于上述实施例，下面先对本发明实施例中信息推荐方法的整体业务流程进行简单说明，参阅图2所示，为本发明实施例中信息推荐方法的整体业务流程图，包括：

步骤200：获取信息推荐需求。

若客户有基于短信渠道进行信息推荐的需求时，可以向短信投放平台发送信息推荐需求，就可以获取到客户的信息推荐需求。

其中，信息推荐需求中可以包括待推荐信息、例如，应用软件名称、商品等，还可以包括客户提供的一些种子用户，种子用户表示可以帮助吸引更多潜在用户的用户。

步骤201：筛选出目标用户集。

本发明实施例中，主要基于信息推荐需求，进行分析建模，筛选出潜在的高倾向目标用户集，具体确定目标用户集的方式，将在下文进行详细介绍。

步骤202：从目标用户集中选取预设数目个目标用户，进行短信投放。

具体地，可以随机从筛选出的目标用户集中选取预设数目个目标用户，当然还可以采用其它方式进行选取，本发明实施例中并不进行限制。

其中，预设数目，可以根据设置的最小值和客户需求等因素，进行设定，并不进行限制。

步骤203：判断反馈效果是否满足预设条件，若是，则执行步骤204，否则，则返回执行步骤201。

步骤204：对剩余目标用户，进行短信投放。

本发明实施例中，在进行短信投放时，先从筛选的目标用户集中选取一小部分目标用户，进行小量批次的短信投放，这样，可以基于这小部分的目标用户的反馈结果，来判断整体筛选的目标用户集是否合适进行短信投放，若合适则可以针对剩余目标用户发送短信，若不合适，需要再次进行数据分析建模，再重新筛选出目标用户，可以提高目标用户的准确性，降低成本，也可以提高短信发送效果。

基于上述实施例，参阅图3所示，为本发明实施例中信息推荐方法流程图，该方法包括：

步骤300：根据信息推荐需求，获得对应的召回策略和短信模型。

具体地可以分为两方面：

第一方面：根据信息推荐需求，获得短信模型。

其中，短信模型是基于客户的信息推荐需求，获取正样本集和负样本集，并根据正样本集和负样本集，训练获得的。

需要说明的是，本发明实施例中短信模型，可以是在接收到信息推荐需求时，进行训练获得，后续进行短信投放时，可以重复使用该训练得到的短信模型，只需要第一次时训练即可，例如，若针对同一信息推荐需求，进行第二次或更多次短信投放时，可以不需要再次进行训练，可以直接使用第一次投放时训练的短信模型，当然，本发明实施例中，还可以通过不断收集用户对短信的点击数据，来更新正样本集和负样本集，并更新训练的短信模型，进而提高短信模型的准确性和可靠性。

第二方面：根据信息推荐需求，获得对应的召回策略。

具体包括：根据信息推荐需求中待推荐信息，召回与待推荐信息类型相同的其它信息的历史操作用户；或，根据正样本集，召回与正样本集中用户相似度大于设定相似值的用户。

当然，本发明实施例中，还可以采用其它的召回策略，并不进行限制，可以根据实际需求设置其它召回策略。

步骤310：根据召回策略，获得召回的用户。

基于获得的对应的召回策略，相应地执行步骤310时，可以采用以下几种方式：

第一种方式：召回与待推荐信息类型相同的其它信息的历史操作用户。

其中，历史操作用户，例如为已使用或已安装用户，也可以为其它有操作行为的用户，本发明实施例中并不进行限制。

例如，待推荐信息为应用程序(Application，APP)，则可以根据同类型APP的已安装用户进行召回，认为同类型APP的已安装用户，对待推荐APP的感兴趣或倾向性也较高。

第二种方式：召回与正样本集中用户相似度大于设定相似值的用户。

其中，正样本集表示对待推荐信息的倾向性较高的用户，即短信点击分值较高的用户。与正样本相似度较高的用户，即认为对待推荐信息倾向性也比较高。

具体地，可以根据用户Person相似度算法，计算用户之间的相似度，当然也可以采用其它相似度计算方法，本发明实施例中并不进行限制。

这样，本发明实施例中，进行短信投放时，先根据召回策略，召回一部分对待推荐信息感兴趣的用户，后续再根据短信模型，对这部分召回的用户进行预测，可以降低直接使用短信模型对所有用户进行预测的复杂性和代价成本，也提高了效率。

步骤320：根据短信模型，对召回的用户分别进行预测，确定其中用户针对推荐需求的短信点击分值大于阈值的候选用户集。

其中，短信模型为采用根据推荐需求获取的正样本和负样本集进行训练，以确定用户对短信的点击分值。

这样，基于训练得到的短信模型，对召回的用户进行预测，目的是为了确定各用户对短信的点击分值，从而能够筛选出短信点击分值大于阈值的候选用户集。

步骤330：根据预设过滤策略，对候选用户集中的用户进行过滤，获得目标用户集。

执行步骤330时，具体包括：

分别根据发送短信频次大于预设次数的用户、待推荐信息的历史操作用户、对应终端上安装有拦截待推荐信息应用的用户，对候选用户集中的用户进行过滤，获得目标用户集。

例如，确定近期一定时间段内，发送短信频次大于预设次数的用户，这部分用户为近期的高频发送的用户群，而过度频繁的短信推荐，反而会降低短信的信息推荐效果，可能会引起用户的反感，因此过滤掉这部分高频发送的用户，提升短信发送效果，降低用户退订率。

又例如，待推荐信息的历史操作用户，为对待推荐信息有操作行为的用户，例如已安装使用该APP的用户，则对这部分用户推荐意义不大，还会增加成本，因此，过滤掉历史操作用户。

又例如，对应终端上安装有拦截待推荐信息应用的用户，即该用户的终端会拦截该待推荐信息，例如，待推荐信息为APP，但用户的终端上安装有拦截该APP安装的应用，则会这部分用户推荐可能性也较小，因此，需要过滤掉这部分用户。

本发明实施例中，设置过滤策略目的是过滤掉一些对短信推荐具有不利影响的用户，当然还可以采用其它过滤策略，例如过滤已发送过包含有该推荐信息的短信的用户等，又例如，还可以使用流量制管理进行过滤，即每周期可以筛选出一部分高质量用户，通过短信单价和短信点击分值进行切割，分发给多个管理用户进行对该周期的短信管理和发送，从而优化最后投放短信的目标用户，提高准确性，也提升短信推荐效果，降低客户成本。

步骤340：向目标用户集中的各个目标用户发送包含待推荐信息的短信。

本发明实施例中，向目标用户集中各个目标用户发送包含待推荐信息的短信时，会先选取其中一小部分目标用户进行测试，根据反馈结果判断整体确定的目标用户集是否合适，这样以尽量降低客户的成本，提高有效性。

具体地，执行步骤340时，包括：

1)从目标用户集中选取预设数目个目标用户，并对短信中包含的待推荐信息进行埋点，添加参数标识。

具体地，可以随机从目标用户中选取预设数目个目标用户。

其中，预设数目可以根据设置的最小值和客户需求等因素，进行设定，并不进行限制。

本发明实施例中，对短信中包含的待推荐信息进行埋点，例如，待推荐信息为某游戏APP的短链接，例如为url/xxxx，则在该短链接网址后，加上？{1}的参数，其中，{1}代表用户数字ID或者用户数字ID压缩字符串，例如：采用62进制压缩方法，这样，例如进行埋点后短信内容为：【XX游戏】恭喜您获得内测资格，…点击url/xxxx？{1}获取资格，退订回T。

2)将进行埋点后的短信，发送给选取出的预设数目个目标用户。

即将包含有参数标识的待推荐信息的短信，发送给该预设数目个目标用户。

3)获取选取出的目标用户对短信中待推荐信息的点击数据，若点击数据满足预设条件，则将进行埋点后的短信，发送给目标用户集中除选取出的其余剩余目标用户。

本发明实施例中，由于对短信进行埋点，当该用户ID短链接对服务器进行了请求，就可以初步判断用户进行了点击，因此可以获取到精确到用户的点击数据，可以避免重复收集某用户的点击数据，也可以根据参数标识，对点击数据进行分析，提高点击数据的可用性。

其中，预设条件例如为设置的成本条件，或点击用户与发送短信的总目标用户的比例，或转化用户的比例等，本发明实施例中并不进行限制，可以根据客户需求进行设置。

并且，本发明实施例中，若点击数据满足预设条件，则可以向剩余所有目标用户发送短信，也可以从剩余目标用户中随机选取部分目标用户进行发送，并不进行限制。

进一步地，本发明实施例中获取到各目标用户的点击数据后，还需要对点击数据进行清洗过滤，以减少异常点击数据，提高点击数据的质量，并且进一步地，还可以根据过滤后的点击数据，将点击与转化关联起来，获得点击用户和转化用户，以更新正样本集，更新短信模型，具体地本发明实施例提供了一种可能的实施方式：

1)基于短信中添加的参数标识，分别获取各目标用户的点击数据；其中，点击数据中至少包括用户网络之间互连的协议(Internet Protocol，IP)、终端设备类型。

2)根据预设黑IP库和预设服务器IP，对获取的点击数据进行过滤。

即将用户IP为黑IP库中的IP或为服务器IP，对应的点击数据过滤掉，这是因为，可能存在一些违法或异常的黑IP，黑IP的点击数据通常也是异常点击数据，并且服务器IP通常是服务器具有的IP，一般不会是用户IP，服务器IP的点击数据可能是机器自动点击的，不是用户人为操作的，为异常点击数据，因此，可以根据黑IP和服务器IP对点击数据进行过滤。

3)确定用户IP访问次数，过滤掉用户IP访问次数大于设定值的点击数据。

本发明实施例中，例如，用户点击了短信中短链接，对服务器进行了请求，则认为该用户IP访问了一次，访问次数也可以称为点击次数，若某用户IP访问次数过高，则可能为异常用户，需过滤掉这部分点击数据。

4)根据终端设备类型，过滤掉预设比例的有自动预览短信功能的终端设备对应的点击数据。

本发明实施例中，考虑到有些终端设备是有自动扫描短信中短链接功能的，会导致产生大量的伪点击，这部分点击数据不容易区分是用户人为点击还是自动点击，因此，可以针对这部分点击数据，随机过滤掉预设比例的点击数据，只使用其中部分点击数据，可以在一定程度上降低异常点击数据。

当然，本发明实施例中还可以采用其它方式，对点击数据进行过滤，例如，根据短链接和原始长链接的相同的用户IP进行过滤等，并不进行限制。

5)根据过滤后的点击数据，更新正样本集。

这样，可以将过滤后的点击数据和用户，进行存储，可以表示对待推荐信息有操作行为，即感兴趣的用户，因此还可以作为正样本使用，更新到正样本集中。

本发明实施例中，根据信息推荐需求，获得对应的召回策略和短信模型，根据召回策略，获得召回的用户，并根据短信模型，对召回的用户进行预测，确定其中用户针对推荐需求的短信点击分值大于阈值的候选用户集，进行过滤，获得目标用户集，进而向目标用户集中的各个目标用户发送包含待推荐信息的短信，这样，可以通过召回策略、短信模型、过滤等操作，确定出目标用户，可以自动筛选目标用户，并提高目标用户的精准性，从而提高了信息推荐效果，提高短信的点击率和转化率等，降低客户的成本。

基于上述实施例，下面对本发明实施例中短信模型训练过程进行简单说明。短信模型训练方式为：

S1、根据信息推荐需求，分别获取正样本集和负样本集；其中，正样本集中用户比负样本集中用户对短信中推荐信息的点击分值大，正样本集和负样本集中每一个样本至少包括用户画像特征和对应的短信发送频次、推荐信息的特征、短信操作行为时间序列特征。

具体地，分别获取正样本集和负样本集，可以包括：

1)根据信息推荐需求中的待推荐信息，分别获取待推荐信息的历史操作用户、提供的预设种子用户、和与待推荐信息类型相同的其它信息的历史操作用户，以及待推荐信息的点击用户和转化用户，并根据获取到的用户，确定正样本集。

也就是说，本发明实施例中，根据信息推荐需求，可以通过几种方式确定正样本集：第一种方式：待推荐信息的历史操作用户。例如待推荐信息为软件APP，则可以为该软件APP的历史安装用户。

第二种方式：提供的预设种子用户，例如，这部分预设种子用户，可以是客户根据自身收集的数据进行分析确定的，可以由提出信息推荐需求的客户提供。

第三种方式：和与待推荐信息类型相同的其它信息的历史操作用户。例如，同类型APP的历史安装用户，安装有同类型APP的用户，说明对该类型的APP是感兴趣的，可以作为高倾向性用户。

第四种方式：推荐信息的点击用户和转化用户，这部分用户主要根据短信历史数据，例如通过收集针对该信息推荐需求的短信的点击数据，经过过滤筛选后，可以收集到点击用户和转化用户，即对该待推荐信息有过点击行为和操作行为的用户，可以作为正样本使用。

2)根据预设用户数据库中去除正样本集的用户后的用户，确定负样本集。

即根据预设用户数据库中全部用户去除正样本集后的剩余用户，来确定负样本集，具体地，可以将全部剩余用户作为负样本集，也可以从剩余用户中进行随机筛选，筛选出一部分剩余用户作为负样本集。

这样，可以保持样本的一致性，避免短信模型会预测到未覆盖到的用户种类，提高短信模型的可靠性和准确性，保证短信模型的鲁棒性。

并且，本发明实施例中，确定出正样本集和负样本集的用户后，可以获取各用户对应的各种特征，以用于短信模型的训练。

S2、分别将正样本集和负样本集中的各个样本输入到短信模型中进行训练，获得训练的短信模型。

其中，短信模型的结构并不进行限制，可以神经网络模型，也可以为树模型、线性模型等。通过短信模型的训练，可以输入用户的各特征，基于短信模型对用户进行预测，判断该用户对待推荐信息的倾向性，即短信点击分值。

下面采用具体应用场景进行说明，对短信模型的架构原理进行简单说明。参阅图4所示，为本发明实施例中一种短信模型的原理架构图。

如图4所示，短信模型不同数据输入采用不同方式处理，并采用神经网络的多层感知器结构，具体地，短信模型的输入为正样本集和负样本集，正样本集和负样本集的数据可以分为三部分：短信操作行为时间序列特征、用户画像特征和对应的短信发送频次、推荐信息的特征，短信模型的输出为短信点击分值。

其中，短信操作行为时间序列特征采用多模态数据来表示，例如包括短信发送时间序列、短信点击数据，以及其他相关数据源等，可以通过深度学习模型，提取用户的短信操作行为时间序列特征，是短信模型中比较关键的输入特征，在具体提取时，可以采用Attention机制进行权重提取，丰富时间序列规律，可以关注序列中比较重要的部分；可以通过短信相关历史发送序列，来确定用户的短信发送频次，考虑短信发送频次控制优化，短信发送频次和用户画像特征可以采用Concat方法，进行拼接或合并数据；推荐信息的特征，例如，可以确定推荐信息的类型等特征，各推荐信息的特征可以采用平均(Average)方法，计算平均值作为最终的推荐信息的特征。

进而将各输入的特征进行处理后，采用神经网络的三层的多层感知器，通过激活函数和归一化指数函数(Softmax)，输出短信点击分值，其中，激活函数例如为Relu函数等，并且由于短信的点击、转化、种子用户等数据重要性不一样，因此可以采用加权的Softmax(Weighted Softmax)进行输出，可以有效解决多样本源问题，提高短信模型训练准确性。

参阅图5所示，为本发明实施例中另一种短信模型的原理架构图。如图5所示，短信模型也可以采用树模型、线性模型以及组合模型的结构，输入同样是正样本集和负样本集，输出为短信点击分值。

需要说明的是，如图5所示的原理框图，可以针对每一单个推荐信息或每一类推荐信息训练得到一个短信模型，因此，图5中输入的数据可以不包含推荐信息的特征的数据，仅输入相应的短信操作行为时间序列特征和用户画像特征。

其中，短信操作行为时间序列特征也可以通过深度学习模型提取获得，可以采用平均池化(Average Pooling)操作；用户画像特征可以采用Concat方法，进行拼接或合并数据，并可以将经过Average Pooling操作和Concat操作后的两部分数据，输入到树模型中，例如树模型可以采用梯度提升树(Gradient Boosting Trees)模型等，并不进行限制，经过树模型对这部分数据进行数据融合，并采用Concat方法进行拼接，即Concat(N Trees LeafNodes)，其中，Trees Leaf Nodes表示树叶节点。

进而将经过Average Pooling操作和Concat操作后的两部分数据，以及树模型输出的数据再进行拼接运算，通过加权的逻辑损失模块(Weighted Logitstic Loss)，输出短信点击分值。

基于上述实施例，下面采用一个具体应用场景进行说明，以待推荐信息为APP为例，基于上述实施例，参阅图6所示，为本发明实施例中信息推荐方法原理框架图。

如图6所示，本发明实施例中信息推荐方法，通过短信模型、召回策略、发送前的过滤策略，以及点击数据清洗模块，形成一个数据闭环。

具体地：1)客户接入，提供信息推荐需求，例如，待推荐信息为某APP，则信息推荐需求中可以包括APP名称等。

2)分别获取正样本集和负样本集，并训练获得短信模型。

其中，正样本集可以包括：待推荐信息的历史操作用户、提供的预设种子用户、和与待推荐信息类型相同的其它信息的历史操作用户，以及待推荐信息的点击用户和转化用户。

若待推荐信息为APP，则即可以根据同类型APP筛选策略，获得同类型APP历史安装用户；客户提供的种子用户；待推荐APP的历史安装用户，以及待推荐APP的点击用户和转化用户。

负样本集可以包括：用户数据库中去除正样本集后进行随机筛选的用户。

这样，基于正样本集和负样本集进行训练，得到短信模型，可以用于预测用户的短信点击分值。

3)召回用户并预测。

具体包括：根据预设召回策略，获得召回的用户，并根据短信模型，对召回的用户进行预测，确定其中用户针对推荐需求的短信点击分值大于阈值的候选用户集。

进而将确定的候选用户集输出给发送前的拦截层，进行筛选过滤。

4)发送前的拦截层：根据过滤策略，对候选拥集中的用户进行过滤，获得目标用户集。

拦截层包括安装拦截APP的用户、历史安装用户、已发送用户，以及频控模型，其中，频控模型用于筛选近期高频发送的用户。

5)短信测试发送。

即先从目标用户中选取一小部分目标用户，发送短信，并测试反馈效果。

6)短信正式发送。

即确定该一小部分目标用户的反馈结果满足预设条件，即合适后，再向剩余目标用户全部或部分发送短信。

7)获取各目标用户的点击数据，经过点击数据清洗模块，对点击数据进行有效过滤，提升短信点击数据的质量。

其中，点击数据清洗模块可以包括：黑IP库、服务器IP、频率模型、终端设备类型等。

8)过滤后的点击数据可以进行保存，并作为正样本使用，更新正样本集，即正样本集中点击用户和转化用户，从而形成一个短信发送的数据闭环。

基于上述实施例，参阅图7所示，本发明实施例中，信息推荐装置，具体包括：

获得模块70，用于根据信息推荐需求，获得对应的召回策略和短信模型；

召回模块71，用于根据所述召回策略，获得召回的用户；

预测模块72，用于根据所述短信模型，对召回的用户分别进行预测，确定其中用户针对所述推荐需求的短信点击分值大于阈值的候选用户集；其中，所述短信模型为采用根据所述推荐需求获取的正样本和负样本集进行训练，以确定用户对短信的点击分值；

用户过滤模块73，用于根据预设过滤策略，对所述候选用户集中的用户进行过滤，获得目标用户集；

发送模块74，用于向所述目标用户集中的各个目标用户发送包含待推荐信息的短信。

可选的，根据信息推荐需求，获得短信模型时，获得模块70具体用于：

根据信息推荐需求，分别获取正样本集和负样本集；其中，正样本集中用户比负样本集中用户对短信中推荐信息的点击分值大，所述正样本集和负样本集中每一个样本至少包括用户画像特征和对应的短信发送频次、推荐信息的特征、短信操作行为时间序列特征；

分别将正样本集和负样本集中的各个样本输入到短信模型中进行训练，获得训练的短信模型。

可选的，根据信息推荐需求，分别获取正样本集和负样本集时，获得模块70具体用于：

根据信息推荐需求中的待推荐信息，分别获取所述待推荐信息的历史操作用户、提供的预设种子用户、和与待推荐信息类型相同的其它信息的历史操作用户，以及所述待推荐信息的点击用户和转化用户，并根据获取到的用户，确定正样本集；

根据预设用户数据库中去除正样本集的用户后的用户，确定负样本集。

可选的，根据信息推荐需求，获得对应的召回策略时，获得模块70具体用于：

根据信息推荐需求中待推荐信息，召回与待推荐信息类型相同的其它信息的历史操作用户；或，根据正样本集，召回与正样本集中用户相似度大于设定相似值的用户。

可选的，根据预设过滤策略，对所述候选用户集中的用户进行过滤，获得目标用户集时，用户过滤模块73具体用于：

分别根据发送短信频次大于预设次数的用户、待推荐信息的历史操作用户、对应终端上安装有拦截待推荐信息应用的用户，对所述候选用户集中的用户进行过滤，获得目标用户集。

可选的，向所述目标用户集中的各个目标用户发送包含待推荐信息的短信时，发送模块74具体用于：

从目标用户集中选取预设数目个目标用户，并对短信中包含的待推荐信息进行埋点，添加参数标识；

将进行埋点后的短信，发送给选取出的预设数目个目标用户；

获取选取出的目标用户对短信中待推荐信息的点击数据，若点击数据满足预设条件，则将进行埋点后的短信，发送给目标用户集中除选取出的其余剩余目标用户。

可选的，进一步包括：

点击数据获取模块75，用于基于短信中添加的参数标识，分别获取各目标用户的点击数据；其中，点击数据中至少包括用户IP、终端设备类型；

点击数据过滤模块76，用于根据预设黑IP库和预设服务器IP，对获取的点击数据进行过滤；确定用户IP访问次数，过滤掉用户IP访问次数大于设定值的点击数据；根据终端设备类型，过滤掉预设比例的有自动预览短信功能的终端设备对应的点击数据；

更新模块77，用于根据过滤后的点击数据，更新正样本集。

基于上述实施例，参阅图8所示，本发明实施例中，一种电子设备的结构示意图。

本发明实施例提供了一种电子设备，该电子设备可以包括处理器810(CenterProcessing Unit，CPU)、存储器820、输入设备830和输出设备840等，输入设备830可以包括键盘、鼠标、触摸屏等，输出设备840可以包括显示设备，如液晶显示器(Liquid CrystalDisplay，LCD)、阴极射线管(Cathode Ray Tube，CRT)等。

存储器820可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器810提供存储器820中存储的程序指令和数据。在本发明实施例中，存储器820可以用于存储本发明实施例中信息推荐方法的程序。

处理器810通过调用存储器820存储的程序指令，处理器810用于按照获得的程序指令执行：

根据信息推荐需求，获得对应的召回策略和短信模型；

根据所述召回策略，获得召回的用户；

根据所述短信模型，对召回的用户分别进行预测，确定其中用户针对所述推荐需求的短信点击分值大于阈值的候选用户集；其中，所述短信模型为采用根据所述推荐需求获取的正样本和负样本集进行训练，以确定用户对短信的点击分值；

根据预设过滤策略，对所述候选用户集中的用户进行过滤，获得目标用户集；

向所述目标用户集中的各个目标用户发送包含待推荐信息的短信。

可选的，根据信息推荐需求，获得短信模型时，处理器810具体用于：

根据信息推荐需求，分别获取正样本集和负样本集；其中，正样本集中用户比负样本集中用户对短信中推荐信息的点击分值大，所述正样本集和负样本集中每一个样本至少包括用户画像特征和对应的短信发送频次、推荐信息的特征、短信操作行为时间序列特征；

分别将正样本集和负样本集中的各个样本输入到短信模型中进行训练，获得训练的短信模型。

可选的，根据信息推荐需求，分别获取正样本集和负样本集时，处理器810具体用于：

根据信息推荐需求中的待推荐信息，分别获取所述待推荐信息的历史操作用户、提供的预设种子用户、和与待推荐信息类型相同的其它信息的历史操作用户，以及所述待推荐信息的点击用户和转化用户，并根据获取到的用户，确定正样本集；

根据预设用户数据库中去除正样本集的用户后的用户，确定负样本集。

可选的，根据信息推荐需求，获得对应的召回策略时，处理器810具体用于：

根据信息推荐需求中待推荐信息，召回与待推荐信息类型相同的其它信息的历史操作用户；或，根据正样本集，召回与正样本集中用户相似度大于设定相似值的用户。

可选的，根据预设过滤策略，对所述候选用户集中的用户进行过滤，获得目标用户集时，处理器810具体用于：

分别根据发送短信频次大于预设次数的用户、待推荐信息的历史操作用户、对应终端上安装有拦截待推荐信息应用的用户，对所述候选用户集中的用户进行过滤，获得目标用户集。

可选的，其特征在于，向所述目标用户集中的各个目标用户发送包含待推荐信息的短信时，处理器810具体用于：

从目标用户集中选取预设数目个目标用户，并对短信中包含的待推荐信息进行埋点，添加参数标识；

将进行埋点后的短信，发送给选取出的预设数目个目标用户；

获取选取出的目标用户对短信中待推荐信息的点击数据，若点击数据满足预设条件，则将进行埋点后的短信，发送给目标用户集中除选取出的其余剩余目标用户。

可选的，处理器810进一步用于：

基于短信中添加的参数标识，分别获取各目标用户的点击数据；其中，点击数据中至少包括用户IP、终端设备类型；

根据预设黑IP库和预设服务器IP，对获取的点击数据进行过滤；

确定用户IP访问次数，过滤掉用户IP访问次数大于设定值的点击数据；

根据终端设备类型，过滤掉预设比例的有自动预览短信功能的终端设备对应的点击数据；

根据过滤后的点击数据，更新正样本集。

基于上述实施例，本发明实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的信息推荐方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (11)

1.一种信息推荐方法，其特征在于，包括：

根据信息推荐需求，获得对应的召回策略和短信模型；

根据所述召回策略，获得召回的用户；

根据所述短信模型，对召回的用户分别进行预测，确定其中用户针对所述推荐需求的短信点击分值大于阈值的候选用户集；其中，所述短信模型为采用根据所述推荐需求获取的正样本和负样本集进行训练，以确定用户对短信的点击分值；

根据预设过滤策略，对所述候选用户集中的用户进行过滤，获得目标用户集；

从目标用户集中选取预设数目个目标用户，并对短信中包含的待推荐信息进行埋点，添加参数标识；将进行埋点后的短信，发送给选取出的预设数目个目标用户；以及，获取选取出的目标用户对短信中待推荐信息的点击数据，若点击数据满足预设条件，则将进行埋点后的短信，发送给目标用户集中除选取出的其余剩余目标用户；

基于短信中添加的参数标识，分别获取各目标用户的点击数据；其中，点击数据中至少包括用户IP、终端设备类型；

根据预设黑IP库和预设服务器IP，对获取的点击数据进行过滤；确定用户IP访问次数，过滤掉用户IP访问次数大于设定值的点击数据；根据终端设备类型，过滤掉预设比例的有自动预览短信功能的终端设备对应的点击数据；

根据过滤后的点击数据，更新正样本集。

2.如权利要求1所述的方法，其特征在于，根据信息推荐需求，获得短信模型，具体包括：

根据信息推荐需求，分别获取正样本集和负样本集；其中，正样本集中用户比负样本集中用户对短信中推荐信息的点击分值大，所述正样本集和负样本集中每一个样本至少包括用户画像特征和对应的短信发送频次、推荐信息的特征、短信操作行为时间序列特征；

分别将正样本集和负样本集中的各个样本输入到短信模型中进行训练，获得训练的短信模型。

3.如权利要求2所述的方法，其特征在于，根据信息推荐需求，分别获取正样本集和负样本集，具体包括：

根据信息推荐需求中的待推荐信息，分别获取所述待推荐信息的历史操作用户、提供的预设种子用户、与待推荐信息类型相同的其它信息的历史操作用户，以及所述待推荐信息的点击用户和转化用户，并根据获取到的用户，确定正样本集；

根据预设用户数据库中去除正样本集的用户后的用户，确定负样本集。

4.如权利要求1所述的方法，其特征在于，根据信息推荐需求，获得对应的召回策略，具体包括：

根据信息推荐需求中待推荐信息，召回与待推荐信息类型相同的其它信息的历史操作用户；或，

根据正样本集，召回与正样本集中用户相似度大于设定相似值的用户。

5.如权利要求1所述的方法，其特征在于，根据预设过滤策略，对所述候选用户集中的用户进行过滤，获得目标用户集，具体包括：

分别根据发送短信频次大于预设次数的用户、待推荐信息的历史操作用户、对应终端上安装有拦截待推荐信息应用的用户，对所述候选用户集中的用户进行过滤，获得目标用户集。

6.一种信息推荐装置，其特征在于，包括：

获得模块，用于根据信息推荐需求，获得对应的召回策略和短信模型；

召回模块，用于根据所述召回策略，获得召回的用户；

预测模块，用于根据所述短信模型，对召回的用户分别进行预测，确定其中用户针对所述推荐需求的短信点击分值大于阈值的候选用户集；其中，所述短信模型为采用根据所述推荐需求获取的正样本和负样本集进行训练，以确定用户对短信的点击分值；

用户过滤模块，用于根据预设过滤策略，对所述候选用户集中的用户进行过滤，获得目标用户集；

发送模块，用于从目标用户集中选取预设数目个目标用户，并对短信中包含的待推荐信息进行埋点，添加参数标识；将进行埋点后的短信，发送给选取出的预设数目个目标用户；获取选取出的目标用户对短信中待推荐信息的点击数据，若点击数据满足预设条件，则将进行埋点后的短信，发送给目标用户集中除选取出的其余剩余目标用户；

点击数据获取模块，用于基于短信中添加的参数标识，分别获取各目标用户的点击数据；其中，点击数据中至少包括用户IP、终端设备类型；

点击数据过滤模块，用于根据预设黑IP库和预设服务器IP，对获取的点击数据进行过滤；确定用户IP访问次数，过滤掉用户IP访问次数大于设定值的点击数据；根据终端设备类型，过滤掉预设比例的有自动预览短信功能的终端设备对应的点击数据；

更新模块，用于根据过滤后的点击数据，更新正样本集。

7.如权利要求6所述的装置，其特征在于，根据信息推荐需求，获得短信模型时，获得模块具体用于：

根据信息推荐需求，分别获取正样本集和负样本集；其中，正样本集中用户比负样本集中用户对短信中推荐信息的点击分值大，所述正样本集和负样本集中每一个样本至少包括用户画像特征和对应的短信发送频次、推荐信息的特征、短信操作行为时间序列特征；

分别将正样本集和负样本集中的各个样本输入到短信模型中进行训练，获得训练的短信模型。

8.如权利要求7所述的装置，其特征在于，根据信息推荐需求，获得对应的召回策略时，获得模块具体用于：

根据信息推荐需求中待推荐信息，召回与待推荐信息类型相同的其它信息的历史操作用户；或，

根据正样本集，召回与正样本集中用户相似度大于设定相似值的用户。

9.如权利要求6所述的装置，其特征在于，根据预设过滤策略，对所述候选用户集中的用户进行过滤，获得目标用户集时，用户过滤模块具体用于：

分别根据发送短信频次大于预设次数的用户、待推荐信息的历史操作用户、对应终端上安装有拦截待推荐信息应用的用户，对所述候选用户集中的用户进行过滤，获得目标用户集。

10.一种电子设备，其特征在于，包括：

至少一个存储器，用于存储程序指令；

至少一个处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行上述权利要求1-5任一项所述的方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-5中任意一项所述方法的步骤。