CN110413852A - 一种信息推送方法、装置、设备及介质 - Google Patents
一种信息推送方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110413852A CN110413852A CN201910656955.5A CN201910656955A CN110413852A CN 110413852 A CN110413852 A CN 110413852A CN 201910656955 A CN201910656955 A CN 201910656955A CN 110413852 A CN110413852 A CN 110413852A
- Authority
- CN
- China
- Prior art keywords
- behavioural characteristic
- user
- sample data
- classification
- app
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003542 behavioural effect Effects 0.000 claims abstract description 121
- 230000006870 function Effects 0.000 claims description 89
- 239000013598 vector Substances 0.000 claims description 42
- 230000002123 temporal effect Effects 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 239000012634 fragment Substances 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
Abstract
本申请公开了一种信息推送方法、装置、设备及介质，包括：采集样本数据；利用所述样本数据构造用户的行为特征；将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数；其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项；利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签；根据用户标签向用户终端推送信息。本申请的隶属度函数包括基于模糊理论得到的偏置项，能够准确的识别用户标签，从而提升推送信息的准确性。
Description
技术领域
本申请涉及信息推送技术领域，特别涉及一种信息推送方法、装置、设备及介质。
背景技术
用户在注册一款新的APP时，为了保护个人隐私数据，一般对于性别、年龄、收入等不填写，或者在填写时有意进行修改。对服务商而言，为了能更好提升用户体验，需要精准的用户画像以填补用户个人数据，据此对用户进行精细分类，并提供推荐服务。
在现有技术中，分类算法是常用的用户标签生成方法，但是它要解决类别标签制定问题，不同的制定逻辑决定了用户分类标签预测的准确性，如果增加类别标签的维度，将会转化为复杂的多分类问题，维度过高将会降低预测的准确性。
发明内容
有鉴于此，本申请的目的在于提供一种信息推送方法、装置、设备及介质，能够保障在用户分类维度较高的情况下，准确的识别用户标签，从而提升推送信息的准确性。其具体方案如下：
第一方面，本申请公开了一种信息推送方法，应用于服务器，包括：
采集样本数据；
利用所述样本数据构造用户的行为特征；
将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数；其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项；
利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签；
根据用户标签向用户终端推送信息。
可选的，所述样本数据包括用户的APP类型、APP开启时间和APP关闭时间；所述利用所述样本数据构造用户的行为特征，包括：
利用所述样本数据，识别每个用户的对应类型APP的使用次数、使用时长和使用时段；
利用所述使用次数计算对应类型APP的使用权重；
利用所述使用次数、所述使用时长、所述使用权重、所述使用时段和所述APP类型构造所述行为特征。
可选的，所述利用所述使用次数计算对应类型APP的使用权重，包括：
对所述使用次数累加，得到样本数据中对应类型APP的使用总数；
利用所述使用总数计算出对应类型APP的使用权重。
可选的，所述利用所述使用次数、所述使用时长、所述使用权重、所述使用时段和所述APP类型构造所述行为特征，包括：
构造与APP类型数量对应维度的行为特征向量，并利用所述使用次数、所述使用时长和所述使用权重对所述行为特征向量进行赋值操作；
构造与预设时段分段数量对应维度的时间特征向量，并利用所述使用时段对所述时间特征向量进行赋值操作；
利用赋值后的所述行为特征向量和赋值后的所述时间特征向量构造所述行为特征。
可选的，所述将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数，包括：
将所述样本数据中已有年龄性别标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数。
可选的，所述利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签，包括：
计算待识别用户的所述行为特征在对应类别的隶属度函数下的隶属度；
将所述隶属度排序，并识别与待识别用户的所述行为特征对应的用户标签。
可选的，所述隶属度函数为φi＝-rmse(x,ci)+εi，其中，i＝1,2,...N，N为类别数量，rmse为均方根函数，x为样本数据对应的行为特征，ci为第i类样本数据的中心样本数据对应的行为特征，εi为第i类偏置项，φi为第i类隶属度，并且，所述中心样本数据为第i类样本数据中行为特征与目标均值之间的均方根误差最小的一个样本数据，所述目标均值为第i类样本数据中的所有样本数据对应的行为特征的均值。
第二方面，本申请公开了一种推送信息的计算机装置，包括：
数据采集模块，用于采集样本数据；
特征构造模块，用于利用所述样本数据构造用户的行为特征；
函数构造模块，用于将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数；其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项；
标签识别模块，用于利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签；
信息推送模块，用于根据用户标签向用户终端推送信息。
第三方面，本申请公开了一种电子设备，包括处理器和存储器；其中，
所述存储器，用于保存计算机程序；
所述处理器，用于执行所述计算机程序以实现前述的信息推送方法。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述的信息推送方法。
可见，本申请先采集样本数据，然后利用所述样本数据构造用户的行为特征，并将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数，其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项，然后利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签，最终根据用户标签向用户终端推送信息。可见，本申请在构造隶属度函数的时候，添加了基于模糊理论得到的用于确定类别覆盖率的偏置项，这样降低了在用户分类维度较高的情况下，特征向量稀疏带来的用户标签识别的不准确性，从而提升了推送信息的准确性。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种信息推送方法流程图；
图2为本申请公开的一种推送信息的计算机装置示意图；
图3为本申请公开的一种电子设备结构图；
图4为本申请公开的一种服务器的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在现有技术中，分类算法是常用的用户标签生成方法，但是它要解决类别标签制定问题，不同的制定逻辑决定了用户分类标签预测的准确性，如果增加类别标签的维度，将会转化为复杂的多分类问题，维度过高将会降低预测的准确性。为此，本申请提供了一种信息推送方法，能够保障在用户分类维度较高的情况下，准确的识别用户标签，从而提升推送信息的准确性。
参见图1所示，本申请实施例公开了一种信息推送方法，应用于服务器，包括：
步骤S11：采集样本数据。
本实施例中，所述样本数据可以包括用户的APP类型、APP开启时间和APP关闭时间。可以理解的是，每一种类型的APP有特定的用户群体，不同的用户群体会使用不同的APP集合，并且不同的用户群体使用APP的时间也不同，因此，本实施例采集的样本数据可以较为准确的反映出不同用户标签下的用户群体的APP行为特征，其中，所述APP类型可以包括母婴亲子、导航、游戏、汽车、购物、视频和教育等。比如，20到30岁的女性群体和20到30岁的男性群体会使用不同的APP集合，前述女性群体的APP集合可能包括母婴亲子、购物、视频和教育等，前述男性的APP集合可能包括游戏、汽车、视频和购物等，并且女性群体和前述男性群体使用APP的时间也不同。此外，本实施例采集的所述样本数据，还可以包括但不限于终端品牌信息、使用地点等，以反映不同类型用户标签下的用户群体的APP行为特征，比如，所述采集数据中包括使用地点，可以用于反映出不同城市用户的APP行为特征。
另外，本实施例利用后台埋点技术采集所述样本数据，并且，为了保护用户的个人隐私，在采集的过程中，对采集到的数据进行脱敏处理，得到脱敏后的所述样本数据。
步骤S12：利用所述样本数据构造用户的行为特征。
本实施例中，通过对同一用户的所述样本数据进行特征工程，从而构造用户的行为特征。
具体的，本实施例可以先利用所述样本数据，识别每个用户的对应类型APP的使用次数、使用时长和使用时段，并利用所述使用次数计算对应类型APP的使用权重，然后利用所述使用次数、所述使用时长、所述使用权重、所述使用时段和所述APP类型构造所述行为特征。可以理解的是，所述样本数据包括用户的APP类型、APP开启时间和APP关闭时间，因此可以利用所述样本数据，识别出每个用户的对应类型APP的使用次数、使用时长和使用时段。
其中，本实施例可以对所述使用次数累加，得到样本数据中对应类型APP的使用总数，也即，将每个用户的对应类型APP的使用次数累加，得到样本数据中全部用户的对应类型APP的使用总数，然后利用所述使用总数计算出对应类型APP的使用权重。具体的，所述使用权重为所述使用总数占样本数据中全部类型APP使用次数的比重。比如，样本数据中包括甲、乙和丙3个用户的数据，其中，用户甲的母婴亲子、教育、导航类型APP的使用次数分别为1次、0次、1次，用户乙的母婴亲子、教育、导航类型APP的使用次数分别为0次、1次、1次，用户丙的母婴亲子、教育、导航类型APP的使用次数分别为0次、0次、1次，那么母婴亲子类型APP的使用总数为1次，相应的其使用权重为1/5，教育类型APP的使用总数为1次，相应的其使用权重为1/5，导航类型APP的使用总数为3次，相应的其使用权重为3/5。
同时，本实施例可以构造与APP类型数量对应维度的行为特征向量，并利用所述使用次数、所述使用时长和所述使用权重对所述行为特征向量进行赋值操作，以及构造与预设时段分段数量对应维度的时间特征向量，并利用所述使用时段对所述时间特征向量进行赋值操作，然后利用赋值后的所述行为特征向量和赋值后的所述时间特征向量构造所述行为特征。具体的，本实施例先针对APP类型进行OneHot-Enconding，为每一个用户构造与APP类型数量对应维度的行为特征向量，比如，可以根据应用商店对每款APP的分类方法确定APP的类型及数量，某个应用商店将APP分为76种类型，那么样本数据包括76种类型的APP，本实施例可以先构造76维行为特征向量，然后将所述使用时长除以所述使用次数，得到平均使用时长之后，将所述平均使用时长乘以所述使用权重得到的值赋给对应维度的行为特征向量。在构造与预设时段分段数量对应维度的时间特征向量时，本实施例可以先针对预设时段分段进行OneHot-Enconding，为每一个用户构造与预设时段分段数量对应维度的时间特征向量，比如，预设时段分段数量为24，则先构造24维的时间特征向量，然后将所述使用时段赋给对应维度的时间特征向量。最后，本实施例利用赋值后的所述行为特征向量和赋值后的所述时间特征向量构造所述行为特征。比如，利用前述赋值后的76维行为特征向量和前述赋值后的24维时间特征向量构成100维特征向量，该100维特征向量为用户的所述行为特征。
步骤S13：将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数；其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项。
在具体的实施方式中，可以将所述样本数据中已有年龄性别标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数。例如，把年龄从0岁到100岁，细分为10个阶段，性别分为男和女，那么年龄和性别的组合有20种，利用所述数据分类子模块将所述样本数据中已有年龄性别标签的数据分入对应的20个类别中，然后通过函数构造子模块，利用20个类别中的样本数据对应的行为特征构造对应类别的隶属度函数，其中，20类性别年龄即为论域。
具体的，所述隶属度函数为φi＝-rmse(x,ci)+εi，其中，i＝1,2,...N，N为类别数量，rmse为均方根函数，x为样本数据对应的行为特征，ci为第i类样本数据的中心样本数据对应的行为特征，εi为第i类偏置项，φi为第i类隶属度，并且，所述中心样本数据为第i类样本数据中行为特征与目标均值之间的均方根误差最小的一个样本数据，所述目标均值为第i类样本数据中的所有样本数据对应的行为特征的均值。也即，本实施例基于最小均方根误差确定对应类别的中心样本数据，然后利用相应类别中样本数据对应的所述行为特征与该类的所述中心样本数据对应的所述行为特征的偏差即均方根误差确定对应类别的边界值，并且通过调整偏置项可以确定类别覆盖率，比如，通过调整偏置项，使相应类别中的样本数据落入该类别的覆盖率达到80％。可以理解的是，基于最小均方根误差确定的对应类别的中心样本数据可以保证每一个类别的隶属度函数都具有代表性，并且基于模糊理论得到的用于确定类别覆盖率的偏置项可以降低在用户分类维度较高的情况下，特征向量稀疏带来的用户标签识别的不准确性。
在一些具体实施方式中，还可以将样本数据中已有职业标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数。比如，将样本数据中已有职业标签的数据分为国家机关、党群组织、企业、事业单位负责人，专业技术人员，办事人员和有关人员，商业、服务业人员，农、林、牧、渔、水利业生产人员，生产、运输设备操作人员及有关人员，军人，不便分类的其他从业人员8类，并利用所述行为特征构造对应类别的隶属度函数。
在一些具体实施方式中，还可以将样本数据中已有收入标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数。比如，将样本数据中已有收入标签的数据分为5千元以下、5千元至1万元、1万元至2万元、2万元至10万元、10万元至100万元、100万元至1000万元、1000万元至1亿元，1亿元以上8类，并利用所述行为特征构造对应类别的隶属度函数。
可以理解的是，本实施例可以利用所述行为特征构造对应用户标签类别的隶属度函数，其中，所述用户标签包括但不限于年龄性别、职业和收入等，采集到的样本数据中已有用户标签的数据涉及的用户标签均可以作为数据分类依据，进而构造对应用户标签类别的隶属度函数。
步骤S14：利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签；
在具体的实施方式中，可以先计算待识别用户的所述行为特征在对应类别的隶属度函数下的隶属度，然后将所述隶属度排序，并识别与待识别用户的所述行为特征对应的用户标签。也即，计算待识别用户的所述行为特征在每一个类别的隶属度函数下的隶属度，然后将待识别用户的所述行为特征在每一个类别里的隶属度函数下的隶属度排序，识别隶属度最大的隶属度函数对应的类别标签，并将此类别标签确定为待识别用户的用户标签。
例如，计算待识别用户的所述行为特征在每一个年龄性别类别的隶属度函数下的隶属度，然后将所述隶属度排序，并识别与待识别用户的所述行为特征对应的年龄性别标签，同理，本实施例还可以计算待识别用户的所述行为特征在每一个职业类别的隶属度函数下的隶属度，然后将所述隶属度排序，并识别与待识别用户的所述行为特征对应的职业标签，也可以计算待识别用户的所述行为特征在每一个收入类别的隶属度函数下的隶属度，然后将所述隶属度排序，并识别与待识别用户的所述行为特征对应的收入标签。
步骤S15：根据用户标签向用户终端推送信息。
可以理解的是，向具有用户标签的用户终端推送信息可以提高被推送的信息与用户需求的贴合度，从而提高了用户体验。比如，某一用户的年龄性别标签为10到19岁、女性，则可以向其用户终端推送学习信息，而不是母婴亲子信息，从而使推送信息与用户需求契合。
可见，本申请实施例先采集样本数据，然后利用所述样本数据构造用户的行为特征，并将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数，其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项，然后利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签，最终根据用户标签向用户终端推送信息。可见，本申请实施例在构造隶属度函数的时候，添加了基于模糊理论得到的用于确定类别覆盖率的偏置项，这样降低了在用户分类维度较高的情况下，特征向量稀疏带来的用户标签识别的不准确性，从而提升了推送信息的准确性。
参见图2所示，本申请实施例公开了一种推送信息的计算机装置示意图，包括：
数据采集模块11，用于采集样本数据；
特征构造模块12，用于利用所述样本数据构造用户的行为特征；
函数构造模块13，用于将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数；其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项；
标签识别模块14，用于利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签；
信息推送模块15，用于根据用户标签向用户终端推送信息。
可见，本申请实施例先采集样本数据，然后利用所述样本数据构造用户的行为特征，并将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数，其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项，然后利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签，最终根据用户标签向用户终端推送信息。可见，本申请实施例在构造隶属度函数的时候，添加了基于模糊理论得到的用于确定类别覆盖率的偏置项，这样降低了在用户分类维度较高的情况下，特征向量稀疏带来的用户标签识别的不准确性，从而提升了推送信息的准确性。
在具体的实施方式中，所述样本数据可以包括用户的APP类型、APP开启时间和APP关闭时间。
具体的，所述特征构造模块12，可以包括：
使用特征识别子模块，用于利用所述样本数据，识别每个用户的对应类型APP的使用次数、使用时长和使用时段。
使用权重计算子模块，用于利用所述使用次数计算对应类型APP的使用权重。
其中，所述使用权重计算子模块，具体可以包括：
使用总数计算单元，用于对所述使用次数累加，得到样本数据中对应类型APP的使用总数。
使用权重计算单元，用于利用所述使用总数计算出对应类型APP的使用权重。
行为特征构造子模块，用于利用所述使用次数、所述使用时长、所述使用权重、所述使用时段和所述APP类型构造所述行为特征。
其中，所述行为特征构造子模块，具体可以包括：
行为特征向量构造单元，用于构造与APP类型数量对应维度的行为特征向量，并利用所述使用次数、所述使用时长和所述使用权重对所述行为特征向量进行赋值操作。
时间特征向量构造单元，用于构造与预设时段分段数量对应维度的时间特征向量，并利用所述使用时段对所述时间特征向量进行赋值操作。
行为特征构造单元，用于利用赋值后的所述行为特征向量和赋值后的所述时间特征向量构造所述行为特征。
具体的，所述函数构造模块13，可以包括：
数据分类子模块，用于将所述样本数据中已有年龄性别标签的数据分类。
函数构造子模块，用于利用所述行为特征构造对应类别的隶属度函数。
具体的，所述隶属度函数为φi＝-rmse(x,ci)+εi，其中，i＝1,2,...N，N为类别数量，rmse为均方根函数，x为样本数据对应的行为特征，ci为第i类样本数据的中心样本数据对应的行为特征，εi为第i类偏置项，φi为第i类隶属度，并且，所述中心样本数据为第i类样本数据中行为特征与目标均值之间的均方根误差最小的一个样本数据，所述目标均值为第i类样本数据中的所有样本数据对应的行为特征的均值。
在一些具体实施方式中，所述函数构造模块13，还可以用于将样本数据中已有职业标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数。
在一些具体实施方式中，所述函数构造模块13，还可以用于将样本数据中已有收入标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数。
可以理解的是，本实施例可以利用所述行为特征构造对应用户标签类别的隶属度函数，其中，所述用户标签包括但不限于年龄性别、职业和收入等，采集到的样本数据中已有用户标签的数据涉及的用户标签均可以作为数据分类依据，进而构造对应用户标签类别的隶属度函数。
具体的，所述标签识别模块14，可以包括：
隶属度计算单元，用于计算待识别用户的所述行为特征在对应类别的隶属度函数下的隶属度。
标签识别单元，用于将所述隶属度排序，并识别与待识别用户的所述行为特征对应的用户标签。
参见图3所示，本申请实施例还公开了一种电子设备，包括处理器21和存储器22；其中，所述存储器22，用于保存计算机程序；所述处理器21，用于执行所述计算机程序，以实现以下步骤：
采集样本数据；利用所述样本数据构造用户的行为特征；将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数；其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项；利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签；根据用户标签向用户终端推送信息。
可见，本申请实施例先采集样本数据，然后利用所述样本数据构造用户的行为特征，并将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数，其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项，然后利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签，最终根据用户标签向用户终端推送信息。可见，本申请实施例在构造隶属度函数的时候，添加了基于模糊理论得到的用于确定类别覆盖率的偏置项，这样降低了在用户分类维度较高的情况下，特征向量稀疏带来的用户标签识别的不准确性，从而提升了推送信息的准确性。
参见图4所示，本申请实施例公开了一种服务器的结构示意图。该服务器20，具体可以包括电源23、通信接口24、输入输出接口25、通信总线26以及前述公开的包括处理器21和存储器22的电子设备。关于上述处理器21具体可以执行的步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本实施例中，电源23用于为服务器20上的各硬件设备提供工作电压；通信接口24能够为服务器20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，存储方式可以是短暂存储或者永久存储。
进一步的，本申请实施例还公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现以下步骤：
采集样本数据；利用所述样本数据构造用户的行为特征；将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数；其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项；利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签；根据用户标签向用户终端推送信息。
可见，本申请实施例先采集样本数据，然后利用所述样本数据构造用户的行为特征，并将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数，其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项，然后利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签，最终根据用户标签向用户终端推送信息。可见，本申请实施例在构造隶属度函数的时候，添加了基于模糊理论得到的用于确定类别覆盖率的偏置项，这样降低了在用户分类维度较高的情况下，特征向量稀疏带来的用户标签识别的不准确性，从而提升了推送信息的准确性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种信息推送方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种信息推送方法，其特征在于，应用于服务器，包括：
采集样本数据；
利用所述样本数据构造用户的行为特征；
将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数；其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项；
利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签；
根据用户标签向用户终端推送信息。
2.根据权利要求1所述的信息推送方法，其特征在于，所述样本数据包括用户的APP类型、APP开启时间和APP关闭时间；所述利用所述样本数据构造用户的行为特征，包括：
利用所述样本数据，识别每个用户的对应类型APP的使用次数、使用时长和使用时段；
利用所述使用次数计算对应类型APP的使用权重；
利用所述使用次数、所述使用时长、所述使用权重、所述使用时段和所述APP类型构造所述行为特征。
3.根据权利要求2所述的信息推送方法，其特征在于，所述利用所述使用次数计算对应类型APP的使用权重，包括：
对所述使用次数累加，得到样本数据中对应类型APP的使用总数；
利用所述使用总数计算出对应类型APP的使用权重。
4.根据权利要求2所述的信息推送方法，其特征在于，所述利用所述使用次数、所述使用时长、所述使用权重、所述使用时段和所述APP类型构造所述行为特征，包括：
构造与APP类型数量对应维度的行为特征向量，并利用所述使用次数、所述使用时长和所述使用权重对所述行为特征向量进行赋值操作；
构造与预设时段分段数量对应维度的时间特征向量，并利用所述使用时段对所述时间特征向量进行赋值操作；
利用赋值后的所述行为特征向量和赋值后的所述时间特征向量构造所述行为特征。
5.根据权利要求1所述的信息推送方法，其特征在于，所述将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数，包括：
将所述样本数据中已有年龄性别标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数。
6.根据权利要求1所述的信息推送方法，其特征在于，所述利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签，包括：
计算待识别用户的所述行为特征在对应类别的隶属度函数下的隶属度；
将所述隶属度排序，并识别与待识别用户的所述行为特征对应的用户标签。
7.根据权利要求1至6任一项所述的信息推送方法，其特征在于，所述隶属度函数为φi＝-rmse(x,ci)+εi，其中，i＝1,2,...N，N为类别数量，rmse为均方根函数，x为样本数据对应的行为特征，ci为第i类样本数据的中心样本数据对应的行为特征，εi为第i类偏置项，φi为第i类隶属度，并且，所述中心样本数据为第i类样本数据中行为特征与目标均值之间的均方根误差最小的一个样本数据，所述目标均值为第i类样本数据中的所有样本数据对应的行为特征的均值。
8.一种推送信息的计算机装置，其特征在于，包括：
数据采集模块，用于采集样本数据；
特征构造模块，用于利用所述样本数据构造用户的行为特征；
函数构造模块，用于将样本数据中已有用户标签的数据分类，并利用所述行为特征构造对应类别的隶属度函数；其中，所述隶属度函数包括基于模糊理论得到的用于确定类别覆盖率的偏置项；
标签识别模块，用于利用所述隶属度函数识别与待识别用户的所述行为特征对应的用户标签；
信息推送模块，用于根据用户标签向用户终端推送信息。
9.一种电子设备，其特征在于，包括处理器和存储器；其中，
所述存储器，用于保存计算机程序；
所述处理器，用于执行所述计算机程序以实现如权利要求1至8任一项所述的信息推送方法。
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的信息推送方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910656955.5A CN110413852A (zh) | 2019-07-19 | 2019-07-19 | 一种信息推送方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910656955.5A CN110413852A (zh) | 2019-07-19 | 2019-07-19 | 一种信息推送方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110413852A true CN110413852A (zh) | 2019-11-05 |
Family
ID=68362126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910656955.5A Pending CN110413852A (zh) | 2019-07-19 | 2019-07-19 | 一种信息推送方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110413852A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111741024A (zh) * | 2020-08-04 | 2020-10-02 | 宁波均联智行科技有限公司 | 差异化埋点采集加密方法及系统 |
| CN111859117A (zh) * | 2020-06-19 | 2020-10-30 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、电子设备及可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106055617A (zh) * | 2016-05-26 | 2016-10-26 | 乐视控股（北京）有限公司 | 一种数据推送方法及装置 |
| CN107180088A (zh) * | 2017-05-10 | 2017-09-19 | 广西师范学院 | 基于模糊c均值聚类算法的新闻推荐方法 |
| CN107507028A (zh) * | 2017-08-16 | 2017-12-22 | 北京京东尚科信息技术有限公司 | 用户偏好确定方法、装置、设备及存储介质 |
| US20190102652A1 (en) * | 2016-08-31 | 2019-04-04 | Tencent Technology (Shenzhen) Company Limited | Information pushing method, storage medium and server |
-
2019
- 2019-07-19 CN CN201910656955.5A patent/CN110413852A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106055617A (zh) * | 2016-05-26 | 2016-10-26 | 乐视控股（北京）有限公司 | 一种数据推送方法及装置 |
| US20190102652A1 (en) * | 2016-08-31 | 2019-04-04 | Tencent Technology (Shenzhen) Company Limited | Information pushing method, storage medium and server |
| CN107180088A (zh) * | 2017-05-10 | 2017-09-19 | 广西师范学院 | 基于模糊c均值聚类算法的新闻推荐方法 |
| CN107507028A (zh) * | 2017-08-16 | 2017-12-22 | 北京京东尚科信息技术有限公司 | 用户偏好确定方法、装置、设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859117A (zh) * | 2020-06-19 | 2020-10-30 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、电子设备及可读存储介质 |
| CN111859117B (zh) * | 2020-06-19 | 2024-03-26 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、电子设备及可读存储介质 |
| CN111741024A (zh) * | 2020-08-04 | 2020-10-02 | 宁波均联智行科技有限公司 | 差异化埋点采集加密方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yao et al. | Sensing spatial distribution of urban land use by integrating points-of-interest and Google Word2Vec model | |
| WO2020249125A1 (zh) | 用于自动训练机器学习模型的方法和系统 | |
| US11816727B2 (en) | Credit scoring method and server | |
| CN102662930B (zh) | 一种语料标注方法及装置 | |
| CN110751261A (zh) | 神经网络模型的训练方法和系统以及预测方法和系统 | |
| CN110751286B (zh) | 神经网络模型的训练方法和训练系统 | |
| CN106600052A (zh) | 一种基于时空轨迹的用户属性与社会网络检测系统 | |
| CN111159763B (zh) | 一种涉法人员群体画像分析系统及方法 | |
| CN110310163A (zh) | 一种精准制定营销策略的方法、设备及可读介质 | |
| CN107545038B (zh) | 一种文本分类方法与设备 | |
| CN115002200A (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
| CN116523268B (zh) | 一种基于大数据画像的人岗匹配分析方法及装置 | |
| Conley et al. | Estimating dynamic local interactions models | |
| CN111680506A (zh) | 数据库表的外键映射方法、装置、电子设备和存储介质 | |
| CN103617146B (zh) | 一种基于硬件资源消耗的机器学习方法及装置 | |
| CN106095939A (zh) | 账户权限的获取方法和装置 | |
| CN110413852A (zh) | 一种信息推送方法、装置、设备及介质 | |
| CN110310012A (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
| CN109885797B (zh) | 一种基于多身份空间映射的关系网络构建方法 | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| CN108259588A (zh) | 一种基于大数据的文化云平台的推送方法及装置 | |
| CN111615178B (zh) | 识别无线网络类型及模型训练的方法、装置及电子设备 | |
| CN113704407A (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
| CN108595595B (zh) | 一种基于交互式差分进化计算的用户知识需求获取方法 | |
| CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |
|
| RJ01 | Rejection of invention patent application after publication |