CN110489644A - 信息推送方法、装置、计算机可读存储介质和计算机设备 - Google Patents

信息推送方法、装置、计算机可读存储介质和计算机设备 Download PDF

Info

Publication number
CN110489644A
CN110489644A CN201910745755.7A CN201910745755A CN110489644A CN 110489644 A CN110489644 A CN 110489644A CN 201910745755 A CN201910745755 A CN 201910745755A CN 110489644 A CN110489644 A CN 110489644A
Authority
CN
China
Prior art keywords
information
pushed
clicking rate
user
candidate
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.)
Granted
Application number
CN201910745755.7A
Other languages
English (en)
Other versions
CN110489644B (zh
Inventor
李天浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Beijing Co Ltd
Original Assignee
Tencent Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Beijing Co Ltd filed Critical Tencent Technology Beijing Co Ltd
Priority to CN201910745755.7A priority Critical patent/CN110489644B/zh
Publication of CN110489644A publication Critical patent/CN110489644A/zh
Application granted granted Critical
Publication of CN110489644B publication Critical patent/CN110489644B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/906—Clustering; Classification
    • 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
    • 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)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种信息推送方法、装置、计算机可读存储介质和计算机设备，所述方法包括：获取待推送信息对应的内容评分，内容评分是根据待推送信息所对应历史用户的历史行为特征确定的；从待推送信息中，按照相应的内容评分筛选出候选信息；确定候选信息对应的初始预估点击率；将基于候选信息的内容评分确定的曝光等级与初始预估点击率融合，得到候选信息对应的预估点击率；当预估点击率满足推送条件时，向新用户推送预估点击率对应的候选信息。本申请提供的方案可以保证向新用户推送的信息的内容质量以及优质信息得到更多的曝光机会。

Description

信息推送方法、装置、计算机可读存储介质和计算机设备
技术领域
本申请涉及计算机技术领域，特别是涉及一种信息推送方法、装置、计算机可读存储介质和计算机设备。
背景技术
在信息推送领域，冷启动场景包括新用户的冷启动。新用户的冷启动，是指在没有任何该用户的行为数据和用户特征的情况下，如何个性化地向该用户推送信息。
目前，对于新用户的冷启动问题，常用做法是按照信息的热度(比如点击次数)进行排名，在不同的时机推送至用户，但是由于不同的用户的需求是不一样的，显然这种做法局限性比较大，既无法保证向新用户推送的信息的质量，降低了新用户的阅读体验，也无法保证优质信息得到更多的曝光机会。
发明内容
基于此，有必要针对的现有技术中信息推送时无法保证推送的信息的质量以及无法保证优质信息得到更多的曝光机会，存在很大的局限性的问题，提供一种信息推送方法、装置、计算机可读存储介质和计算机设备。
一种信息推送方法，包括：
获取待推送信息对应的内容评分，所述内容评分是根据所述待推送信息所对应历史用户的历史行为特征确定的；
从所述待推送信息中，按照相应的内容评分筛选出候选信息；
确定所述候选信息对应的初始预估点击率；
将基于所述候选信息的内容评分确定的曝光等级与所述初始预估点击率融合，得到所述候选信息对应的预估点击率；
当所述预估点击率满足推送条件时，向新用户推送所述预估点击率对应的所述候选信息。
一种信息推送装置，所述装置包括：
获取模块，用于获取待推送信息对应的内容评分，所述内容评分是根据所述待推送信息所对应历史用户的历史行为特征确定的；
评分召回模块，用于从所述待推送信息中，按照相应的内容评分筛选出候选信息；
点击率预测模块，用于确定所述候选信息对应的初始预估点击率；
曝光调整模块，用于将基于所述候选信息的内容评分确定的曝光等级与所述初始预估点击率融合，得到所述候选信息对应的预估点击率；
推送模块，用于当所述预估点击率满足推送条件时，向新用户推送所述预估点击率对应的所述候选信息。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述信息推送方法的步骤。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述信息推送方法的步骤。
上述信息推送方法、装置、计算机可读存储介质和计算机设备，可以根据其它用户在待推送信息上的操作表现，获取待推送信息当前的历史行为特征，从而根据该历史行为特征确定待推送信息的内容评分，根据内容评分从大量的待推送信息中挖掘出优质的候选信息，能够保证推送的信息的内容质量；接着，对于召回的候选信息，打分得到初始预估点击率，再将根据内容评分确定的曝光等级与初始预估点击率融合后得到最终的预估点击率，根据该预估点击率向新用户推送信息，能够保证优质的候选信息得到更多的曝光机会，从而克服了新用户冷启动场景中信息推送时无法保证推送的信息的质量以及无法保证优质信息得到更多的曝光机会、局限性较大的问题。
附图说明
图1为一个实施例中信息推送方法的应用环境图；
图2为一个实施例中信息推送系统的功能模块示意图；
图3为一个实施例中信息推送方法的流程示意图；
图4为一个实施例中应用程序中用户界面的示意图；
图5为一个实施例中从新信息中筛选候选信息的步骤的流程示意图；
图6为一个实施例中计算待推送信息对应不同标签的标签得分的步骤的流程示意图；
图7为一个具体的实施例中信息推送方法的流程示意图；
图8为一个实施例中信息推送装置的结构框图；
图9为一个具体的实施例中信息推送装置的结构框图；
图10为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1为一个实施例中信息推送方法的应用环境图。参照图1，该信息推送方法应用于信息推送系统。该信息推送系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
服务器120可以获取待推送信息对应的内容评分，内容评分是根据待推送信息所对应历史用户的历史行为特征确定的；从待推送信息中，按照相应的内容评分筛选出候选信息；确定候选信息对应的初始预估点击率；将基于候选信息的内容评分确定的曝光等级与初始预估点击率融合，得到候选信息对应的预估点击率；当预估点击率满足推送条件时，向新用户对应的终端110推送预估点击率对应的候选信息。
在一个实施例中，终端110安装和运行有支持信息浏览功能的应用程序(客户端)，当终端110运行该应用程序时，终端110的屏幕上显示有用于展示信息内容的用户界面。终端110可以是新用户使用的终端，也可以是历史用户使用的终端，上述新用户可以是多个新用户中的任意一个用户，历史用户也可以是多个历史用户中的任意一个用户。需要说明的是，上述的新用户指的是暂时未获取到相应的用户画像特征的用户，历史用户指的是可以获取到相应的用户画像特征的用户。并且，新用户是相对变化的。比如，当向新用户推送信息后，可以根据新用户在所推送信息上的用户操作行为日志，提取出新用户的用户画像特征，此时，新用户就成为了历史用户。又比如，可以根据用户在注册用户账号时录入的用户信息提取新用户的用户画像数据，此时，可以将该用户作为历史用户。还比如，可以在用户注册时，根据该用户在其它应用程序上的用户信息或用户行为确定该用户的用户画像数据，从而可以将该用户作为历史用户。
需要说明的是，上述的应用环境只是一个示例，在一些实施例中，也可以直接由终端110执行上述信息推送方法的步骤。例如，终端可直接利用配置的信息推送装置获取待推送信息对应的内容评分，内容评分是根据待推送信息所对应历史用户的历史行为特征确定的；从待推送信息中，按照相应的内容评分筛选出候选信息；确定候选信息对应的初始预估点击率；将基于候选信息的内容评分确定的曝光等级与初始预估点击率融合，得到候选信息对应的预估点击率；当预估点击率满足推送条件时，向新用户推送预估点击率对应的候选信息。
在另一些实施例中，如图2所示，为一个实施例中信息推送系统的功能模块示意图。参照图2，信息推送系统200包括在线推送功能模块202和离线算法功能模块204，客户端上的在线推送功能模块202用于获取用户触发的信息推送请求，并将信息推送请求发送至服务器上的离线算法功能模块204，离线算法功能模块204执行获取待推送信息对应的内容评分，内容评分是根据待推送信息所对应历史用户的历史行为特征确定的；从待推送信息中，按照相应的内容评分筛选出候选信息，将候选信息推送至客户端上的在线推送功能模块；在线推送功能模块202用于确定候选信息对应的初始预估点击率；将基于候选信息的内容评分确定的曝光等级与初始预估点击率融合，得到候选信息对应的预估点击率；当预估点击率满足推送条件时，向新用户推送预估点击率对应的候选信息。
如图3所示，在一个实施例中，提供了一种信息推送方法。本实施例主要以该方法应用于上述图1中的服务器120来举例说明。参照图3，该信息推送方法具体包括如下步骤：
S302，获取待推送信息对应的内容评分，内容评分是根据待推送信息所对应历史用户的历史行为特征确定的。
其中，待推送信息是目前服务器内存储的可以推送至用户的信息，服务器在获取到终端发送的信息推送请求后，需要从大量的待推送信息中，挑选出少量的信息进行个性化推送，推送至使用该终端的用户。因此，待推送信息对于发出信息推送请求的用户而言是待推送的，而对于另一些用户而言，该信息已经被推送过并且这些用户在该信息上产生了相应的历史行为特征。这里发出信息推送请求的用户可以是新用户或是历史用户。待推送信息可以是新闻资讯、视频内容、商品信息等。待推送信息可以是发布不久的、还未反馈大量用户行为的信息，也可以是发布后已经反馈了大量用户行为的信息。
历史行为特征，是在待推送信息已发布后根据历史用户在待推送信息上的已产生的用户行为统计得到的特征，历史行为特征可以是根据所有历史用户或数据清洗后的部分历史用户在待推送信息上的用户行为统计得到的特征。为了能够快速地得到较为准确的历史行为特征，服务器可以实时地根据用户行为统计各个待推送信息对应的历史行为特征。服务器也可以兼顾网络资源和效率，确定一个合适的周期，按照该周期获取历史用户在待推送信息上的历史行为数据，从而统计对应的历史行为特征。
内容评分用于量化表示待推送信息的质量。待推送信息的内容评分越高，表示待推送信息的内容越优质，容易受到用户喜爱，反之，内容评分越低，表示待推送信息的内容相对而言不那么受用户喜爱。
具体地，服务器可以对生成的每一待推送信息统计相应的历史行为特征，然后再根据各个历史行为特征综合确定相应的内容评分。可以理解，历史行为特征，是随着用户在待推送信息上产生的用户行为不断变化的，那么相应的内容评分也会不断变化，服务器可以获取根据最新的历史行为特征所确定的内容评分。内容评分可以是一个0至1之间的数值。在一些实施例中，服务器可以通过内容评价模型根据历史行为特征对待推送信息进行评分，得到相应的内容评分。
在一个实施例中，历史行为特征包括历史点击信息、历史浏览时间信息和历史反馈信息；上述信息推送方法还包括：获取待推送信息对应历史用户的用户行为日志；从用户行为日志中提取待推送信息对应的历史行为数据；根据历史行为数据，确定待推送信息对应的历史点击信息、历史浏览时间信息和历史反馈信息。
用户行为日志，是根据用户在信息上的用户操作行为所产生的数据。对于任一个已推送至用户的信息，服务器可以收集信息被展示后用户在信息上产生的用户操作，根据每个用户在信息上产生的用户操作统计到信息对应的用户行为日志，继而从用户行为日志中提取信息的历史行为数据，根据历史行为数据，确定信息对应的历史点击信息、历史浏览时间信息和历史反馈信息。
具体地，服务器可以首先以每个用户为对象，统计每个用户对应的历史用户行为数据，包括用户曝光列表、用户点击列表、用户浏览时长和用户反馈数据，用户反馈数据包括用户是否被点赞、收藏、分享或不喜欢所浏览的信息中的一种。然后，以每个信息为对象，根据上述数据统计每个信息对应的历史行为数据，包括每个信息的曝光次数、点击次数、每次点击后的浏览时长和用户反馈数据。最后可以根据每个信息的曝光次数、点击次数和每次点击后的浏览时长、用户反馈数据，计算得到信息对应的历史点击信息、历史浏览时间信息和历史反馈信息。
其中，历史点击信息可以用有效点击率表示，有效点击率是有效点击次数与曝光次数之比。历史浏览时间信息可以用平均浏览时长表示，平均浏览时长是浏览时长总和与浏览次数之比。历史反馈信息可以用是否点赞、是否收藏、是否分享和是否不喜欢来表示，比如，可以用一个四维向量表示历史反馈信息，四维向量中第一个元素表示被点赞的次数，第二个元素表示被收藏的次数，第三个元素表示被分享的次数，第四个元素表示被不喜欢的次数。
可选地，为了能够有效表示信息的特征，服务器可以基于每个信息所对应的浏览时长确定一个合适的阈值，作为有效浏览时长的设定，比如可以取10s，然后将浏览时长大于该阈值的所对应的点击行为认定为有效点击行为，从而确定每个信息的有效点击次数，就可以根据有效点击次数与曝光次数计算得到有效点击率。在一些实施例中，在得到每个信息对应的历史行为数据后，可以对数据进行清洗，过滤掉一些脏数据，比如浏览时长过长的数据，或者同一个用户点击同一个信息超过预设次数的数据，等等，在数据清洗后再统计信息对应的历史行为特征。
对于服务器上存储的任一待推送信息，服务器都可以按照上述步骤得到相应的历史行为特征。
举例说明：首先统计每个用户对应的历史行为数据：
“user1”对应的曝光列表为“Item1、Item2、Item3、Item4、Item5”，
“user2”对应的曝光列表为“Item1、Item2、Item3、Item4、Item6”，
“user3”对应的曝光列表为“Item1、Item2、Item3、Item4、Item7”，
“user4”对应的曝光列表为“Item1、Item2、Item3、Item4、Item8”，
“user1”对应的点击列表为“Item1、Item2”，
“user2”对应的点击列表为“Item2、Item5”，
“user3”对应的点击列表为“Item2、Item6”，
“user4”对应的点击列表为“Item2、Item4”，
“user1”对应上次点击列表的浏览时长列表为“30s、13s”，
“user2”对应上次点击列表的浏览时长列表为“15s、2s”，
“user3”对应上次点击列表的浏览时长列表为“15s、20s”，
“user4”对应上次点击列表的浏览时长列表为“8s、2s”，
“user1”对应上次点击列表的用户反馈列表为“点赞、分享”，
“user2”对应上次点击列表的用户反馈列表为“点赞、不喜欢”
“user3”对应上次点击列表的用户反馈列表为“点赞、点赞”
“user4”对应上次点击列表的用户反馈列表为“不喜欢、不喜欢”
结合上述每个用户对应的历史行为数据，可以确定某个信息“Item2”对应的历史行为数据为：曝光次数为4、点击次数为4、有效点击次数为3(以浏览时长大于10s为例)，被分享次数为1，被点赞次数为2，被不喜欢次数为1。从而计算得到相应的历史行为特征为：有效点击率为75％、平均浏览时长为12.75s，用户反馈数据(被点赞次数、被收藏次数、被分享次数、被不喜欢次数)为(2，0，1，1)。
上述实施例中，通过收集每个用户的历史行为日志，对原始数据进行处理，提取每个待推送信息的历史行为数据，从而得到历史用户在每个待推送信息上的表现，将这些表现特征化之后，得到能够表示待推送信息是否受用户喜爱、表达信息内容是否优质的历史行为特征。
在一个实施例中，上述方法还包括基于待推送信息的历史行为特征，挖掘优质候选信息的步骤：
确定待推送信息所属的信息类别；将历史行为特征输入至与信息类别对应的内容评价模型；通过内容评价模型，根据历史行为特征对应的特征权重，对待推送信息的历史行为特征进行融合，获得待推送信息对应的内容评分。
其中，信息类别是待推送信息的类别，不同类别的待推送信息之间，资讯内容差异较大，为了能够在不同的信息类别中均筛选出内容较为优质的候选信息，使候选信息更为丰富多样，服务器可以根据待推送信息的信息类别，将相应的历史行为特征输入至与该信息类别对应的内容评价模型中，根据每个特征的权重，对各历史行为特征加权求和，得到待推送信息在该信息类别下对应的内容评分。内容评价模型可以采用线性模型或非线性模型实现。
可选地，还可以将待推送信息所属的信息类别，作为一个特征，与相应的历史行为特征融合后输入至内容评价模型，通过内容评价模型根据融合后的特征进行评分，得到待推送信息对应的内容评分。
在本实施例中，基于待推送信息的历史行为特征，对待推送信息进行内容评分，可以从大量的待推送信息中筛选出内容优质的候选信息。可以理解的是，随着待推送信息的历史行为特征的不断变化，待推送信息对应的内容评分也不断变化，能够保证在向用户推送信息时，是根据每一信息当前的在线表现确定的内容评分，能够保证推送内容是符合用户需求的。
S304，从待推送信息中，按照相应的内容评分筛选出候选信息。
其中，候选信息，是从大量的待推送信息中筛选出的部分信息，要推送至用户的信息是从候选信息中进一步挑选得到的。具体地，在得到每一待推送信息对应的内容评分后，服务器可以按照相应的内容评分的高低，从待推送信息中筛选出候选信息。服务器可以设定一个阈值，将内容评分高于预设阈值的待推送信息作为候选信息。
在一个实施例中，待推送信息具有信息类别属性，信息类别代表了待推送信息所属的类别，比如信息类别可以包括“社会”、“经济”、“体育”、“娱乐”、“教育”等等，服务器可以在属于各信息类型的待推送信息中，分别按照相应的内容评分筛选出候选信息。这样，得到的候选信息涉及多个信息类别，不仅内容优质，还更为多样化更丰富。
在一个实施例中，从待推送信息中，按照相应的内容评分筛选出候选信息的步骤，包括：获取优质信息所对应的评分阈值；在属于信息类别的待推送信息中，将所对应的内容评分高于评分阈值的待推送信息确定为候选信息。
具体地，服务器可以根据实际情况设定优质信息所对应的评分阈值，比如，内容评分是一个0至1之间的数值，评分阈值可以是0.7。服务器可以在每一信息类别所对应的待推送信息中，将所对应的内容评分高于该评分阈值的待推送信息确定为候选信息。
在本实施例中，通过对待推送信息进行评价，得到内容评分，然后基于内容评分进行排序，可以从不同品类的大量待推送信息中筛选出多样性又丰富的优质候选信息。
在一些实施例中，对于新用户而言，若不能获得相应的用户画像特征，服务器可以将此时筛选得到的优质的候选信息全部推送给新用户。为了保证每个信息类别中都有一定数量的候选信息，服务器可以按照信息类别分别从候选信息中推送一定数量的候选信息。为了提升新用户对推送平台的认知体验，服务器还可以控制属于某些信息类别的候选信息的数量，比如控制属于易出标题党的信息类别的候选信息的数量。这样，既能够满足新用户多样性的需求，同时还可以保证新用户对推送平台的认知体验。
S306，确定候选信息对应的初始预估点击率。
其中，初始预估点击率，可以表示召回得到的候选信息的预估价值。初始预估点击率越大，表示候选信息可能被用户点击的几率越大，候选信息价值也就越大。内容评分可以从候选信息的历史行为特征上表示其内容是否优质，也就是内容评分是根据其它用户在候选信息上的表现确定的，而对于新用户而言，还不存在相应的用户画像特征，所以也不确定新用户的实际需求，为了能够提升向新用户推送信息的准确性，从候选信息中进一步挑选要推送的信息，服务器不仅需要考虑内容评分，还需要考虑候选信息本身的价值。
具体地，服务器可以通过点击率预估模型，对候选信息本身的价值进行预测，得到对应的初始预估点击率。点击率预估模型可以是线性模型、非线性模型或深度学习模型，比如可以采用线性回归模型(Logistic Regression，LR)、因子分解机模型(FactorizationMachine，FM)或Wide And Deep模型实现。
在一个实施例中，服务器可以将候选信息向量化(Embedding)，得到对应的信息特征，将信息特征与候选信息的内容评分拼接后作为候选信息的特征向量，作为点击率预估模型的输入，特征向量经过模型内部网络的处理，经过特征变换后输出对应的初始预估点击率。在一些实施例中，还可以将候选信息所属的信息类别作为一个特征，与信息特征、内容评分拼接后作为点击率预估模型的输入。
S308，将基于候选信息的内容评分确定的曝光等级与初始预估点击率融合，得到候选信息对应的预估点击率。
其中，曝光等级表示为待推送信息分配的曝光几率。在得到待推送信息的内容评分后，可以根据内容评分确定哪些信息是受用户喜爱的，哪些信息是相对而言不那么受用户喜爱的，服务器可以依据待推送信息的线上表现调整对应的曝光几率，也就是根据内容评分为各个待推送信息分配相应的曝光等级。不同的曝光等级所对应的曝光几率是不同的，这样就使得内容较为优质的内容得到更多的曝光机会。
具体地，服务器可以将内容评分按照一定的规则划分为不同的曝光等级，这样就确定了待推送信息所对应的曝光等级，在召回得到候选信息后，服务器可以将候选信息的曝光等级与对应的初始点击率融合，对于需要扩大曝光的信息对相应的初始预估点击率进行加权，对于需要减少曝光的信息对相应的初始曝光点击率进行降权，得到最终的预估点击率。从而实现调整了信息之间的曝光几率。
在一个实施例中，待推送信息的曝光等级的确定步骤包括：
获取待推送信息的内容评分；将内容评分从高至低的排序，依次确定待推送信息相应的曝光等级为第一等级、第二等级和第三等级；其中，第一等级为用于扩大待推送信息的曝光几率的值，第二等级为用于维持待推送信息的曝光几率的值，第三等级为用于减少待推送信息的曝光几率的值。
具体地，待推送信息的曝光等级是根据待推送信息的内容评分确定的。服务器可以获取待推送信息的内容评分，将内容评分从高至低的排序，划分为三档。比如，可以将内容评分为0-0.2的待推送信息所对应的曝光等级设置为第三等级，将内容评分为0.2-0.8的待推送信息所对应的曝光等级设置为第二等级，将内容评分为0.8-1的待推送信息所对应的曝光等级设置为第一等级。
在一些实施例中，曝光等级还可以更为细化。比如，第一等级为用于扩大待推送信息的曝光几率的值，相应的值可以根据内容评分进一步细分，对应的曝光等级虽然都属于用于扩大曝光几率的第一等级，但是不同的值代表了扩大曝光的程度不同。比如，第一等级所对应的用于扩大曝光几率的值可以是从1-2之间的值，第二等级所对应的用于扩大曝光几率的值可以是0.5-1之间的值，第三等级对应的用于扩大曝光几率的值可以是0.2-0.5之间的值。
S310，当预估点击率满足推送条件时，向新用户推送预估点击率对应的候选信息。
具体地，服务器在需要向新用户推送信息时，可以按照候选信息所对应的预估点击率对候选信息进行排序，将所对应的预估点击率满足推送条件的候选信息推送至新用户。新用户登录应用程序后，应用程序的用户界面可展示推送至的信息。如图4所示，为一个实施例中应用程序中用户界面的示意图。参照图4，终端可以获取服务器推送的属于各个信息类别下的信息，并按照信息类别和相应的预估点击率的高低依次展示。
上述信息推送方法，可以根据其它用户在待推送信息上的操作表现，获取待推送信息当前的历史行为特征，从而根据该历史行为特征确定待推送信息的内容评分，根据内容评分从大量的待推送信息中挖掘出优质的候选信息，能够保证推送的信息的内容质量；接着，对于召回的候选信息，打分得到初始预估点击率，再将根据内容评分确定的曝光等级与初始预估点击率融合后得到最终的预估点击率，根据该预估点击率向新用户推送信息，能够保证优质的候选信息得到更多的曝光机会，从而克服了新用户冷启动场景中信息推送时无法保证推送的信息的质量以及无法保证优质信息得到更多的曝光机会、局限性较大的问题。
在一个实施例中，上述信息推送方法还可以完善新信息在冷启动场景的快速精准推送。新信息的冷启动，是指新信息还未推送至用户或是暂未获得大量的用户操作数据时，如何将新信息推送至可能对它感兴趣的用户，使新信息也有一定程度的曝光机会。
如图5所示，上述信息推送方法还可以包括从新信息中筛选候选信息的步骤：
S502，获取根据待推送信息的历史行为特征确定的对应不同标签的得分。
此处的待推送信息可以是新信息，新信息可以是暂时没有曝光量的信息，不存在相应的用户操作行为，因此不存在相应的历史行为特征，可以直接用初始平滑点击率表示这种新信息的特征，初始平滑点击率可以保证新信息在没有曝光量时也会有一个初始的平滑点击率，也就是给定所有新信息一个初始的曝光几率。待推送信息也可以是已经反馈了用户行为的信息，那么可以统计这类信息对应的历史行为特征。
在需要向历史用户推送信息时，可以根据历史用户的用户画像特征，按照标签与用户画像特征的匹配度，确定与用户画像特征匹配的标签，再根据确定的标签查找待推送信息，查找的待推送信息很可能包括新信息，因此能够极大程度的使新信息得到一定程度的曝光机会，然后按照对应标签的得分从查找到的待推送信息中筛选出候选信息。新信息发布之前不存在相应的历史行为特征，只有初始平滑点击率，对应标签的得分不会太高，因此，可以逐渐根据用户在新信息上的表现，使得新信息的曝光几率增加或减少，从而动态地使得每个信息都能根据本身的表现得到曝光机会。
上述的标签是用于表示待推送信息的类别或关键内容的数据，可以称之为待推送信息的标准化信息。标签可以包括分类标签和关键词标签，分类标签可以根据精细度划分为一级分类标签、二级分类标签，等等，比如，某个待推送信息所对应的一级分类标签为“体育”，二级分类标签为“篮球”。关键词标签是根据信息本身的内容确定的，关键词标签可以包括多个，比如，某个待推送信息所对应的关键词标签为“NBA”。
具体地，对于每一生成的新信息，服务器都可以通过NLP(NaturalLanguageProcessing，自然语言处理)技术得到相应的分类标签和关键词标签，然后根据信息发布后所对应的历史行为特征，分别计算在分类标签和关键词标签下的得分，以便于在用户画像特征与相应的分类标签和\或关键词标签匹配时，按照在不同标签下的得分，从根据匹配的标签查找到的待推送信息中筛选候选信息。
S504，当存在与用户标识对应的用户画像特征时，则确定与用户画像特征匹配的标签。
如前文所提及的，若当前发出信息推送请求的用户是历史用户，则服务器可以获取到该用户对应的用户画像特征，用户画像特征是用于描述当前用户的用户信息、用户喜好、用户需求或潜在需求的数据。具体地，服务器可以获取与用户标识对应的用户画像特征，并从所有的标签中确定与用户画像特征匹配的标签。可选地，匹配的一级分类标签、二级分配标签可以是1个，匹配的关键词标签可以有1到3个。
在一个实施例中，由于待推送信息的数量较多，在查找与用户画像特征匹配的信息时，若直接将用户画像特征与每一待推送信息的对应标签进行匹配，显然是十分耗费资源的。因此，服务器可以根据待推送信息的标签信息建立倒排索引，这样，可以将用户画像特征与所有标签匹配，先找到匹配的标签，再根据匹配的标签从倒排索引中查找到相应的待推送信息。
举例说明：
item1的标签包括“一级分类标签A、二级分类标签A1、关键词标签S”；
item2的标签包括“一级分类标签B、二级分类标签B1、关键词标签T”；
item3的标签包括“一级分类标签A、二级分类标签A2、关键词标签S”；
item4的标签包括“一级分类标签A、二级分类标签A2、关键词标签T”；
若与用户画像特征匹配的一级分类标签为A，二级分类标签为A2、关键词标签为S，则可以根据倒排索引查找与标签匹配的待推送信息:
“一级分类标签A、二级分类标签A2”:{item3、item4}；
“关键词标签S”:{item1、item3}；
也就是，在分类标签下查找得到的待推送信息包括item3和item4，在关键词标签下查找得到的待推送信息包括item1和item3。这里只是示意，通常，在某个标签下查找到的待推送信息的数量很大。
506，从匹配的标签所对应的待推送信息中，按照相应的得分筛选候选信息。
在步骤S504中，与用户画像特征匹配的标签的待推送信息的数量可能很多，因此，服务器还可以根据待推送信息的特征或历史行为特征计算在各类标签下的得分，这样，可以进一步从属于与用户画像特征匹配的标签的待推送信息中按照得分进行筛选，得到候选信息。
在一个实施例中，从匹配的标签所对应的待推送信息中，按照相应的得分筛选候选信息，包括：在与用户画像特征匹配的分类标签下查找分类得分高于第一阈值的待推送信息，作为候选信息；在与用户画像特征匹配的关键词标签下查找关键词得分高于第二阈值的待推送信息，作为候选信息。
比如，与用户画像特征匹配的一级分类标签为A，二级分类标签为A2、关键词标签为S，根据建立的倒排索引查找到与一级分类标签为A、二级分类标签A2对应的待推送信息包括100个，服务器可以按照这100待推送信息在一级分类标签为A、二级分类标签A2下的得分，从中筛选出得分高于第一阈值的5个待推送信息作为候选信息，根据建立的倒排索引查找到与关键词标签S对应的待推送信息一共有80个，服务器可以按照这80个待推送信息在关键词标签S下的得分，从中筛选出关键词得分高于第二阈值的10待推送信息作为候选信息，这样，一共召回与用户画像特征匹配的候选信息15个。
在本实施例中，可以对新信息进行标准化处理，得到相应的标签，标签不但可以用于建立相应的倒排索引，还可以与用户画像特征匹配，从而可以供推送平台召回与用户画像特征匹配的新信息，使得新信息得到一定程度的曝光机会。
如图6所示，上述信息推送方法还可以包括计算待推送信息对应不同标签的标签得分的步骤，具体包括：
S602，提取待推送信息对应的标签和标签权重，标签包括分类标签和关键词标签。
具体地，对于每一新信息，服务器可以通过NLP技术获取对应的标签和标签权重，标签用于与用户画像特征进行匹配。其中，标签包括分类标签和关键词标签，各个分类标签的标签权重可以为1，而关键词标签的标签权重可以通过NLP技术，根据该关键词在待推送信息中出现的词频或出现的关键位置来确定。这样，存储在服务器上的待推送信息都存在相应的标签信息。
S604，根据待推送信息对应的历史行为特征，计算待推送信息对应分类标签的分类得分。
在新信息没有曝光量之前，其对应的分类得分可以由初始平滑点击率表示，在新信息发布之后，其对应的分类得分可以根据对应的历史行为特征计算得到，这里的历史行为特征可以包括历史点击信息、发布时间、历史浏览时间信息和曝光次数等等。
上述的初始平滑点击率，可以由α/(α+β)表示，其中α与β是根据已有信息的历史行为特征计算得到的贝叶斯参数。而在新信息发布之后，所对应的平滑点击率可以用(C+α)/(I+α+β)表示，其中I表示信息的曝光次数，C表示信息的点击次数或有效点击次数。
S606，根据分类得分和对应关键词标签的标签权重，计算待推送信息对应关键词标签的关键词得分。
具体地，待推送信息对应的关键词标签可能有多个，不同关键词标签对应的标签权重不同，在得到待推送信息对应分类标签的分类得分后，可以将分类得分与根据关键词标签对应的标签权重相乘，得到待推送信息对应各个关键词标签的关键词得分。
在本实施例中，在通过标签建立待推送信息的倒排索引后，还可以根据待推送信息的历史行为特征确定在所属的标签下的倒排得分，从而实现从属于与用户画像特征匹配的标签的待推送信息中挖掘出候选信息。
在一个实施例中，对于步骤S304、步骤S506得到的候选信息，分别通过步骤S306和S308确定相应的预估点击率之后，上述方法还包括：
当预估点击率满足推送条件时，向用户标识对应的用户推送预估点击率对应的候选信息。
具体地，对于历史用户即存在相应的用户画像特征的用户而言，不仅可以根据待推送信息的历史行为特征确定相应的内容评分，从待推送信息中基于内容评分挖掘出优质候选信息，能够保证推送信息的质量，还可以根据新信息的特征或历史行为特征与用户画像特征的匹配度，能够筛选出符合用户偏好的候选信息，也可以使得新信息得到一定程度的曝光机会。对于召回的优质候选信息以及与用户画像特征匹配的候选信息，都可以通过执行步骤S306、S308得到对应的预估点击率。
可选地，在通过步骤S306确定候选信息对应的初始预估点击率时，服务器可以提取候选信息的信息特征，获取候选信息的内容评分和对应不同标签的得分，根据信息特征、内容评分和对应不同标签的得分，生成候选信息的特征向量，再通过点击率预估模型依据特征向量，确定候选信息对应的初始预估点击率。
可选地，在通过步骤S308将基于候选信息的内容评分确定的曝光等级与初始预估点击率融合，得到候选信息对应的预估点击率时，服务器可以获取根据召回的所有候选信息的内容评分所确定的曝光等级；根据曝光等级对初始预估点击率进行加权融合，得到各候选信息对应的预估点击率。在融合时，曝光等级若为用于扩大曝光的等级，那么加权融合之后的预估点击率更高，曝光等级若为用于维持曝光的等级，那么加权融合之后的预估点击率相对不会变化太大，曝光等级若为用于减少曝光的等级，那么加权融合之后的预估点击率就会下降，这样，能够保证曝光等级较高的信息得到较高的预估点击率，从而有更大的几率被推送至用户，保证了优质内容得到更大的曝光几率。
在本实施例中，对于新信息而言，其对应不同标签的得分可以根据初始平滑点击率和标签权重确定，对于已经反馈了用户行为数据的待推送信息而言，可以根据历史行为特征和标签权重确定对应不同标签的得分。
在一个实施例中，根据待推送信息对应的历史行为特征，计算待推送信息对应分类标签的分类得分的步骤具体包括：根据待推送信息对应的历史点击信息确定平滑点击率；根据待推送信息对应的发布时间，确定平滑点击率的衰减系数；根据待推送信息对应的历史浏览时间信息、平滑点击率和衰减系数，计算得到待推送信息当前对应分类标签的分类得分。
具体地，若待推送信息是暂时没有曝光量的新信息，则对应的平滑点击率为初始平滑点击率，其对应的分类得分可以用初始平滑点击率表示。若待推送信息是反馈了用户行为数据，也就是存在历史行为数据的信息，则可以根据待推送信息最新的历史点击信息确定平滑点击率。历史点击信息可以是点击次数或有效点击次数，再根据平滑点击率、历史浏览时间信息、衰减系数计算对应不同标签的得分。平滑点击率可以用(C+α)/(I+α+β)表示，其中α与β是根据已有信息的历史行为特征计算得到的贝叶斯参数，I表示待推送信息的已曝光次数，C表示待推送信息的当前的点击次数或有效点击次数。若待推送信息为图文信息，则历史浏览时间信息可以用信息的平均浏览时长表示，若待推送信息为视频，则历史浏览时间信息可以用视频播放完成度的均值表示。
随着待推送信息发布时间的推移，待推送信息的热度会下降，其对应的得分需要随着时间衰减，衰减系数随着发布时间的天数而递增。在一个实施例中，当发布天数小于1天时，定义衰减系数a＝1，也就是平滑点击率不衰减，相应的得分也就不衰减；当发布天数大于1天小于7天时，则定义衰减系数a＝Math.pow(0.2*days,0.9)；当发布天数大于7天时，则定义衰减系数a＝Math.pow(0.995,days),其中，days表示发布天数,Math.pow()表示指数函数，比如Math.pow(m，n)表示m的n次方。
示意性的，平滑点击率用ctr表示，则当发布天数小于1天时，则对应的分类得分category_score＝ctr*a*days＝ctr。当发布天数大于1天小于7天时，则分类得分category_score＝ctr*a+ctr*completion*(1-a)，其中completion为该待推送信息的历史浏览时间信息。当发布天数大于7天时，则分类得分category_score＝ctr*a＝ctr*Math.pow(0.995,days)。
同一个待推送信息对应不同分类标签的得分只与待推送信息本身的表现有关，因此，对于不同的分类标签，其对应的得分是相同的。而其对应不同关键词标签的关键词得分不仅与待推送信息本身有关，还与标签权重tagWeight有关，因此，在得到分类得分后category_score，在步骤S606中，待推送信息对应不同关键词标签的关键词得分tag_score＝category_score*tagWeight，可见，不同关键词标签会因标签权重不同而得到不同的关键词得分。
在本实施例中，待推送信息对应分类标签的得分随着时间衰减，衰减系数能够体现待推送信息的热度随着时间逐渐冷却的过程。
在一个实施例中，根据待推送信息对应的历史行为特征，计算待推送信息对应分类标签的分类得分的步骤具体包括：根据待推送信息对应的历史点击信息确定平滑点击率；获取待推送信息当前的曝光次数；根据待推送信息对应的历史浏览时间信息、平滑点击率和曝光次数，计算得到待推送信息当前对应分类标签的分类得分。
若待推送信息是反馈了用户行为数据，也就是存在历史行为数据的信息，则可以根据待推送信息最新的历史点击信息确定平滑点击率，并根据待推送信息的曝光次数、历史浏览时间信息、平滑点击率计算得到待推送信息当前对应分类标签的分类得分。示意性的，待推送信息的平滑点击率为ctr，历史浏览时间信息为completion，曝光次数为I，则待推送信息的分类得分category_score＝ctr*completion*log(I)。同样地，对应不同关键词标签的关键词得分不仅与待推送信息本身的历史行为特征有关，还与标签权重tagWeight有关，其对应关键词标签的关键词得分tag_score＝category_score*tagWeight。
在本实施例中，待推送信息对应分类标签的得分随着曝光量增加而增加，能够体现待推送信息的热度随着曝光量增加而上升的过程。
如图7所示，在一个具体的实施例中，信息推送方法包括以下步骤：
S702，获取待推送信息对应历史用户的用户行为日志。
S704，从用户行为日志中提取待推送信息对应的历史行为数据。
S706，根据历史行为数据，确定待推送信息对应的历史行为特征。
S708，确定待推送信息所属的信息类别。
S710，将历史行为特征输入至与信息类别对应的内容评价模型。
S712，通过内容评价模型，根据历史行为特征对应的特征权重，对待推送信息的历史行为特征进行融合，获得待推送信息对应的内容评分。
S714，将内容评分从高至低的排序，依次确定待推送信息相应的曝光等级为第一等级、第二等级和第三等级。
S716，获取优质信息所对应的评分阈值。
S718，在属于信息类别的待推送信息中，将所对应的内容评分高于评分阈值的待推送信息确定为候选信息。
S720，对待推送信息进行自然语言处理，提取待推送信息对应的标签和标签权重，标签包括分类标签和关键词标签。
S722，根据待推送信息对应的历史点击信息确定平滑点击率。
S724，根据待推送信息对应的发布时间，确定平滑点击率的衰减系数，根据待推送信息对应的历史浏览时间信息、平滑点击率和衰减系数，计算得到待推送信息当前对应分类标签的分类得分；或者，获取待推送信息当前的曝光次数，根据待推送信息对应的历史浏览时间信息、平滑点击率和曝光次数，计算得到待推送信息当前对应分类标签的分类得分。
S726，根据分类得分和对应关键词标签的标签权重之积，计算待推送信息对应关键词标签的关键词得分。
S728，当存在与用户标识对应的用户画像特征时，则确定与用户画像特征匹配的分类标签和关键词标签。
S730，在与用户画像特征匹配的分类标签下查找分类得分高于第一阈值的待推送信息，作为候选信息。
S732，在与用户画像特征匹配的关键词标签下查找关键词得分高于第二阈值的待推送信息，作为候选信息。
S734，对于所有候选信息，提取候选信息的信息特征。
S736，获取候选信息的内容评分和对应不同标签的得分。
S738，根据信息特征、内容评分和对应不同标签的得分，生成候选信息的特征向量。
S740，通过点击率预估模型依据特征向量，确定候选信息对应的初始预估点击率。
S742，获取根据候选信息的内容评分所确定的曝光等级。
S744，根据曝光等级对初始预估点击率进行加权融合，得到各候选信息对应的预估点击率。
S746，当预估点击率满足推送条件时，推送预估点击率对应的候选信息。
上述信息推送方法，可以根据其它用户在待推送信息上的操作表现，获取待推送信息当前的历史行为特征，从而根据该历史行为特征确定待推送信息的内容评分，根据内容评分从大量的待推送信息中挖掘出优质的候选信息，能够保证推送的信息的内容质量；还可以对待推送信息进行自然语言处理，从中提取分类标签和关键词标签，这样就可以将用户画像特征与标签匹配，从而根据匹配的标签查找待推送信息，能够保证新信息有一定程度的曝光机会，然后基于查找的待推送信息对应标签的得分筛选候选信息。
接着，对于召回的候选信息，打分得到初始预估点击率，再将根据内容评分确定的曝光等级与初始预估点击率融合后得到最终的预估点击率，根据该预估点击率向新用户或是与用户画像特征匹配的用户推送信息，能够保证优质的候选信息得到更多的曝光机会，从而克服了新用户冷启动场景中信息推送时无法保证推送的信息的质量以及无法保证优质信息得到更多的曝光机会、局限性较大的问题。
图7为一个实施例中信息推送方法的流程示意图。应该理解的是，虽然图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种信息推送装置800，该装置包括获取模块802、评分召回模块804、点击率预测模块806、曝光调整模块808和推送模块810，其中：
获取模块802，用于获取根据待推送信息对应的历史行为特征确定的相应内容评分；
评分召回模块804，用于从待推送信息中，按照相应的内容评分筛选出候选信息；
点击率预测模块806，用于确定候选信息对应的初始预估点击率；
曝光调整模块808，用于将基于候选信息的内容评分确定的曝光等级与初始预估点击率融合，得到候选信息对应的预估点击率；
推送模块810，用于当预估点击率满足推送条件时，向新用户推送预估点击率对应的候选信息。
在一个实施例中，历史行为特征包括历史点击信息、历史浏览时间信息和历史反馈信息；信息推送装置800还包括日志预处理模块，用于获取待推送信息对应的用户行为日志；从用户行为日志中提取待推送信息对应的历史行为数据；根据历史行为数据，确定待推送信息对应的历史点击信息、历史浏览时间信息和历史反馈信息。
在一个实施例中，信息推送装置800还包括优质内容挖掘模块，用于确定待推送信息所属的信息类别；将历史行为特征输入至与信息类别对应的内容评价模型；通过内容评价模型，根据历史行为特征对应的特征权重，对待推送信息的历史行为特征进行融合，获得待推送信息对应的内容评分。
在一个实施例中，信息推送装置800还包括曝光评价模块，用于获取待推送信息的内容评分；将内容评分从高至低的排序，依次确定待推送信息相应的曝光等级为第一等级、第二等级和第三等级；其中，第一等级为用于扩大待推送信息的曝光几率的值，第二等级为用于维持待推送信息的曝光几率的值，第三等级为用于减少待推送信息的曝光几率的值。
在一个实施例中，评分召回模块804还用于获取优质信息所对应的评分阈值；在属于信息类别的待推送信息中，将所对应的内容评分高于评分阈值的待推送信息确定为候选信息。
在一个实施例中，信息推送装置800还包括匹配召回模块，用于获取根据历史行为特征确定的对应不同标签的得分；当存在与用户标识对应的用户画像特征时，则确定与用户画像特征匹配的标签；从匹配的标签所对应的待推送信息中，按照相应的得分筛选候选信息。
在一个实施例中，信息推送装置800还包括标准化模块和倒排模块，标准化模块用于提取待推送信息对应的标签和标签权重，标签包括分类标签和关键词标签；倒排模块用于根据待推送信息对应的历史行为特征，计算待推送信息对应分类标签的分类得分；根据分类得分和对应关键词标签的标签权重，计算待推送信息对应关键词标签的关键词得分。
在一个实施例中，倒排模块具体还用于根据待推送信息对应的历史点击信息确定平滑点击率；根据待推送信息对应的发布时间，确定平滑点击率的衰减系数；根据待推送信息对应的历史浏览时间信息、平滑点击率和衰减系数，计算得到待推送信息当前对应分类标签的分类得分。
在一个实施例中，倒排模块具体还用于根据待推送信息对应的历史点击信息确定平滑点击率；获取待推送信息当前的曝光次数；根据待推送信息对应的历史浏览时间信息、平滑点击率和曝光次数，计算得到待推送信息当前对应分类标签的分类得分。
在一个实施例中，匹配召回模块还用于在与用户画像特征匹配的分类标签下查找分类得分高于第一阈值的待推送信息，作为候选信息；在与用户画像特征匹配的关键词标签下查找关键词得分高于第二阈值的待推送信息，作为候选信息。
在一个实施例中，点击率预测模块806具体还用于提取候选信息的信息特征；获取候选信息的内容评分和对应不同标签的得分；根据信息特征、内容评分和对应不同标签的得分，生成候选信息的特征向量；通过点击率预估模型依据特征向量，确定候选信息对应的初始预估点击率。
在一个实施例中，曝光调整模块808具体还用于获取根据候选信息的内容评分所确定的曝光等级；根据曝光等级对初始预估点击率进行加权融合，得到各候选信息对应的预估点击率。
上述信息推送装置800，可以根据其它用户在待推送信息上的操作表现，获取待推送信息当前的历史行为特征，从而根据该历史行为特征确定待推送信息的内容评分，根据内容评分从大量的待推送信息中挖掘出优质的候选信息，能够保证推送的信息的内容质量；接着，对于召回的候选信息，打分得到初始预估点击率，再将根据内容评分确定的曝光等级与初始预估点击率融合后得到最终的预估点击率，根据该预估点击率向新用户推送信息，能够保证优质的候选信息得到更多的曝光机会，从而克服了新用户冷启动场景中信息推送时无法保证推送的信息的质量以及无法保证优质信息得到更多的曝光机会、局限性较大的问题。
如图9所示，为一个具体的实施例中信息推送装置的结构示意图。参照图9，该信息推送装置800具体包括日志预处理模块902、优质内容挖掘模块904、曝光评价模块906、评分召回模块908、标准化模块910、倒排模块912、匹配召回模块914、预估点击率获取模块916、曝光几率调整模块918和信息推送模块920。
其中，日志预处理模块902用于获取待推送信息对应的用户行为日志；从用户行为日志中提取待推送信息对应的历史行为数据；根据历史行为数据，确定待推送信息对应的历史点击信息、历史浏览时间信息和历史反馈信息。
优质内容挖掘模块904用于确定待推送信息所属的信息类别；将历史行为特征输入至与信息类别对应的内容评价模型；通过内容评价模型，根据历史行为特征对应的特征权重，对待推送信息的历史行为特征进行融合，获得待推送信息对应的内容评分。
曝光评价模块906用于获取待推送信息的内容评分；将内容评分从高至低的排序，依次确定待推送信息相应的曝光等级为第一等级、第二等级和第三等级；其中，第一等级为用于扩大待推送信息的曝光几率的值，第二等级为用于维持待推送信息的曝光几率的值，第三等级为用于减少待推送信息的曝光几率的值。
评分召回模块908用于获取优质信息所对应的评分阈值；在属于信息类别的待推送信息中，将所对应的内容评分高于评分阈值的待推送信息确定为候选信息。
标准化模块910用于提取待推送信息对应的标签和标签权重，标签包括分类标签和关键词标签。
倒排模块912用于根据待推送信息对应的历史点击信息确定平滑点击率；根据待推送信息对应的发布时间，确定平滑点击率的衰减系数；根据待推送信息对应的历史浏览时间信息、平滑点击率和衰减系数，计算得到待推送信息当前对应分类标签的分类得分。或者，根据待推送信息对应的历史点击信息确定平滑点击率；获取待推送信息当前的曝光次数；根据待推送信息对应的历史浏览时间信息、平滑点击率和曝光次数，计算得到待推送信息当前对应分类标签的分类得分。
倒排模块912还用于根据分类得分和对应关键词标签的标签权重，计算待推送信息对应关键词标签的关键词得分。
匹配召回模块914用于在与用户画像特征匹配的分类标签下查找分类得分高于第一阈值的待推送信息，作为候选信息；在与用户画像特征匹配的关键词标签下查找关键词得分高于第二阈值的待推送信息，作为候选信息。
预估点击率获取模块916用于对所有召回的候选信息，提取候选信息的信息特征；获取候选信息的内容评分和对应不同标签的得分；根据信息特征、内容评分和对应不同标签的得分，生成候选信息的特征向量；通过点击率预估模型依据特征向量，确定候选信息对应的初始预估点击率。
曝光几率调整模块918用于获取根据候选信息的内容评分所确定的曝光等级；根据曝光等级对初始预估点击率进行加权融合，得到各候选信息对应的预估点击率。
信息推送模块920用于当预估点击率满足推送条件时，推送预估点击率对应的候选信息。
上述信息推送装置800，可以根据其它用户在待推送信息上的操作表现，获取待推送信息当前的历史行为特征，从而根据该历史行为特征确定待推送信息的内容评分，根据内容评分从大量的待推送信息中挖掘出优质的候选信息，能够保证推送的信息的内容质量；还可以对待推送信息进行自然语言处理，从中提取分类标签和关键词标签，这样就可以将用户画像特征与标签匹配，从而根据匹配的标签查找待推送信息，能够保证新信息有一定程度的曝光机会，实现新信息的精准推送，然后基于查找的待推送信息对应标签的得分筛选候选信息。
接着，对于召回的候选信息，打分得到初始预估点击率，再将根据内容评分确定的曝光等级与初始预估点击率融合后得到最终的预估点击率，根据该预估点击率向新用户或是与用户画像特征匹配的用户推送信息，能够保证优质的候选信息得到更多的曝光机会，从而克服了新用户冷启动场景中信息推送时无法保证推送的信息的质量以及无法保证优质信息得到更多的曝光机会、局限性较大的问题。
图10示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110。如图10所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现信息推送方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行信息推送方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的信息推送装置800可以实现为一种计算机程序的形式，计算机程序可在如图10所示的计算机设备上运行。计算机设备的存储器中可存储组成该信息推送装置800的各个程序模块，比如，图8所示的获取模块802、评分召回模块804、点击率预测模块806、曝光调整模块808和推送模块810。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的信息推送方法中的步骤。
例如，图10所示的计算机设备可以通过如图8所示的信息推送装置800中的获取模块802执行步骤S302。计算机设备可通过评分召回模块804执行步骤S304。计算机设备可通过点击率预测模块806执行步骤S306。计算机设备可通过曝光调整模块808执行步骤S308。计算机设备可通过推送模块810执行步骤S310。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述信息推送方法的步骤。此处信息推送方法的步骤可以是上述各个实施例的信息推送方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述信息推送方法的步骤。此处信息推送方法的步骤可以是上述各个实施例的信息推送方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (15)

1.一种信息推送方法，包括：
获取待推送信息对应的内容评分，所述内容评分是根据所述待推送信息所对应历史用户的历史行为特征确定的；
从所述待推送信息中，按照相应的内容评分筛选出候选信息；
确定所述候选信息对应的初始预估点击率；
将基于所述候选信息的内容评分确定的曝光等级与所述初始预估点击率融合，得到所述候选信息对应的预估点击率；
当所述预估点击率满足推送条件时，向新用户推送所述预估点击率对应的所述候选信息。
2.根据权利要求1所述的方法，其特征在于，所述历史行为特征包括历史点击信息、历史浏览时间信息和历史反馈信息；所述方法还包括：
获取待推送信息对应历史用户的用户行为日志；
从所述用户行为日志中提取所述待推送信息对应的历史行为数据；
根据所述历史行为数据，确定所述待推送信息对应的历史点击信息、历史浏览时间信息和历史反馈信息。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定所述待推送信息所属的信息类别；
将所述历史行为特征输入至与所述信息类别对应的内容评价模型；
通过所述内容评价模型，根据所述历史行为特征对应的特征权重，对所述待推送信息的历史行为特征进行融合，获得所述待推送信息对应的内容评分。
4.根据权利要求3所述的方法，其特征在于，所述从所述待推送信息中，按照相应的内容评分筛选出候选信息，包括：
获取优质信息所对应的评分阈值；
在属于所述信息类别的待推送信息中，将所对应的内容评分高于所述评分阈值的待推送信息确定为候选信息。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取根据所述历史行为特征确定的对应不同标签的得分；
当存在与用户标识对应的用户画像特征时，则
确定与所述用户画像特征匹配的标签；
从匹配的标签所对应的待推送信息中，按照相应的得分筛选候选信息；
在得到所述候选信息对应的预估点击率之后，所述方法还包括：
当所述预估点击率满足推送条件时，向所述用户标识对应的用户推送所述预估点击率对应的所述候选信息。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
提取所述待推送信息对应的标签和标签权重，所述标签包括分类标签和关键词标签；
根据所述待推送信息对应的历史行为特征，计算所述待推送信息对应所述分类标签的分类得分；
根据所述分类得分和对应所述关键词标签的标签权重，计算所述待推送信息对应所述关键词标签的关键词得分。
7.根据权利要求6所述的方法，其特征在于，所述根据所述待推送信息对应的历史行为特征，计算所述待推送信息对应所述分类标签的分类得分，包括：
根据所述待推送信息对应的历史点击信息确定平滑点击率；
根据所述待推送信息对应的发布时间，确定所述平滑点击率的衰减系数；
根据所述待推送信息对应的历史浏览时间信息、所述平滑点击率和所述衰减系数，计算得到所述待推送信息当前对应所述分类标签的分类得分。
8.根据权利要求6所述的方法，其特征在于，所述根据所述待推送信息对应的历史行为特征，计算所述待推送信息对应所述分类标签的分类得分，包括：
根据所述待推送信息对应的历史点击信息确定平滑点击率；
获取所述待推送信息当前的曝光次数；
根据所述待推送信息对应的历史浏览时间信息、所述平滑点击率和所述曝光次数，计算得到所述待推送信息当前对应所述分类标签的分类得分。
9.根据权利要求6所述的方法，其特征在于，所述从匹配的标签所对应的待推送信息中，按照相应的得分筛选候选信息，包括：
在与所述用户画像特征匹配的分类标签下查找分类得分高于第一阈值的待推送信息，作为候选信息；
在与所述用户画像特征匹配的关键词标签下查找关键词得分高于第二阈值的待推送信息，作为候选信息。
10.根据权利要求5所述的方法，其特征在于，所述确定所述候选信息对应的初始预估点击率，包括：
提取所述候选信息的信息特征；
获取所述候选信息的内容评分和对应不同标签的得分；
根据所述信息特征、所述内容评分和对应不同标签的得分，生成所述候选信息的特征向量；
通过点击率预估模型依据所述特征向量，确定所述候选信息对应的初始预估点击率。
11.根据权利要求1所述的方法，其特征在于，所述待推送信息的曝光等级的确定步骤包括：
获取待推送信息的内容评分；
将内容评分从高至低的排序，依次确定所述待推送信息相应的曝光等级为第一等级、第二等级和第三等级；其中，所述第一等级为用于扩大所述待推送信息的曝光几率的值，所述第二等级为用于维持所述待推送信息的曝光几率的值，所述第三等级为用于减少所述待推送信息的曝光几率的值。
12.根据权利要求1至11任一项所述的方法，其特征在于，所述将基于所述候选信息的内容评分确定的曝光等级与所述初始预估点击率融合，得到所述候选信息对应的预估点击率，包括：
获取根据所述候选信息的内容评分所确定的曝光等级；
根据所述曝光等级对所述初始预估点击率进行加权融合，得到各所述候选信息对应的预估点击率。
13.一种信息推送装置，其特征在于，所述装置包括：
获取模块，用于获取待推送信息对应的内容评分，所述内容评分是根据所述待推送信息所对应历史用户的历史行为特征确定的；
评分召回模块，用于从所述待推送信息中，按照相应的内容评分筛选出候选信息；
点击率预测模块，用于确定所述候选信息对应的初始预估点击率；
曝光调整模块，用于将基于所述候选信息的内容评分确定的曝光等级与所述初始预估点击率融合，得到所述候选信息对应的预估点击率；
推送模块，用于当所述预估点击率满足推送条件时，向新用户推送所述预估点击率对应的所述候选信息。
14.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至12中任一项所述方法的步骤。
15.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至12中任一项所述方法的步骤。
CN201910745755.7A 2019-08-13 2019-08-13 信息推送方法、装置、计算机可读存储介质和计算机设备 Active CN110489644B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910745755.7A CN110489644B (zh) 2019-08-13 2019-08-13 信息推送方法、装置、计算机可读存储介质和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910745755.7A CN110489644B (zh) 2019-08-13 2019-08-13 信息推送方法、装置、计算机可读存储介质和计算机设备

Publications (2)

Publication Number Publication Date
CN110489644A true CN110489644A (zh) 2019-11-22
CN110489644B CN110489644B (zh) 2024-06-25

Family

ID=68550938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910745755.7A Active CN110489644B (zh) 2019-08-13 2019-08-13 信息推送方法、装置、计算机可读存储介质和计算机设备

Country Status (1)

Country Link
CN (1) CN110489644B (zh)

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110990719A (zh) * 2019-12-05 2020-04-10 上海中信信息发展股份有限公司 信息推送方法、装置、可读存储介质及电子设备
CN110990699A (zh) * 2019-11-29 2020-04-10 广州市百果园信息技术有限公司 一种信息推送系统、方法、装置、设备和存储介质
CN111125526A (zh) * 2019-12-24 2020-05-08 腾讯科技（深圳）有限公司 基于人工智能的内容推送方法、装置及电子设备
CN111144933A (zh) * 2019-12-13 2020-05-12 北京三快在线科技有限公司 商品推荐方法、装置、电子设备及存储介质
CN111324813A (zh) * 2020-02-20 2020-06-23 深圳前海微众银行股份有限公司 推荐方法、装置、设备及计算机可读存储介质
CN111324771A (zh) * 2020-02-26 2020-06-23 腾讯科技（深圳）有限公司 视频标签的确定方法、装置、电子设备及存储介质
CN111368141A (zh) * 2020-03-18 2020-07-03 腾讯科技（深圳）有限公司 视频标签的扩展方法、装置、计算机设备和存储介质
CN111460181A (zh) * 2020-04-01 2020-07-28 北京奇艺世纪科技有限公司 多媒体资源推荐方法、电子设备及存储介质
CN111478963A (zh) * 2020-04-07 2020-07-31 北京奇艺世纪科技有限公司 消息推送方法、装置、电子设备及计算机可读存储介质
CN111510783A (zh) * 2020-04-26 2020-08-07 咪咕动漫有限公司 确定视频曝光量的方法、装置、电子设备和存储介质
CN111563201A (zh) * 2020-04-29 2020-08-21 北京三快在线科技有限公司 内容推送方法、装置、服务器及存储介质
CN111753201A (zh) * 2020-06-23 2020-10-09 厦门美柚股份有限公司 信息推送方法、装置、终端及介质
CN112016961A (zh) * 2020-08-26 2020-12-01 北京字节跳动网络技术有限公司 推送方法、装置、电子设备和计算机可读存储介质
CN112565342A (zh) * 2020-11-13 2021-03-26 广州市百果园网络科技有限公司 一种基于权重计算的消息推送方法、装置、设备及存储介质
CN112559880A (zh) * 2020-12-24 2021-03-26 百果园技术(新加坡)有限公司 一种信息推荐的管理方法、系统、设备及存储介质
CN112632443A (zh) * 2020-12-28 2021-04-09 咪咕文化科技有限公司 内容评分方法、装置、电子设备及存储介质
CN112650931A (zh) * 2021-01-04 2021-04-13 杭州情咖网络技术有限公司 一种内容推荐方法
CN112734503A (zh) * 2021-03-30 2021-04-30 南京蓝鲸人网络科技有限公司 内容推荐系统中物品曝光量保证的方法及装置
CN112749333A (zh) * 2020-07-24 2021-05-04 腾讯科技（深圳）有限公司 资源搜索方法、装置、计算机设备和存储介质
CN112749330A (zh) * 2020-06-05 2021-05-04 腾讯科技（深圳）有限公司 信息推送方法、装置、计算机设备和存储介质
CN112800234A (zh) * 2021-04-15 2021-05-14 腾讯科技（深圳）有限公司 信息处理方法、装置、电子设备和存储介质
CN112818237A (zh) * 2021-02-05 2021-05-18 上海明略人工智能(集团)有限公司 一种内容推送方法、装置、设备及存储介质
CN112995248A (zh) * 2019-12-12 2021-06-18 阿里巴巴集团控股有限公司 信息推送方法、装置及设备
CN113011906A (zh) * 2020-12-10 2021-06-22 腾讯科技（深圳）有限公司 基于多媒体信息处理方法、装置、电子设备及存储介质
CN113010788A (zh) * 2021-03-19 2021-06-22 成都欧珀通信科技有限公司 信息推送方法及装置、电子设备、计算机可读存储介质
CN113129067A (zh) * 2021-04-27 2021-07-16 北京百度网讯科技有限公司 信息筛选方法、装置、设备、存储介质及计算机程序产品
CN113127786A (zh) * 2019-12-31 2021-07-16 Oppo广东移动通信有限公司 信息推送方法、装置、电子设备及计算机可读介质
CN113158032A (zh) * 2021-03-18 2021-07-23 北京京东乾石科技有限公司 一种信息推送方法和装置
WO2021159393A1 (zh) * 2020-02-13 2021-08-19 深圳市欢太科技有限公司 信息推送方法、装置、服务器及存储介质
WO2021163970A1 (zh) * 2020-02-20 2021-08-26 深圳市欢太科技有限公司 短信推送方法、装置、服务器及存储介质
CN113497831A (zh) * 2021-06-30 2021-10-12 西安交通大学 一种移动边缘网络下基于反馈流行度的内容放置方法及系统
CN113592535A (zh) * 2021-06-30 2021-11-02 北京新氧科技有限公司 一种广告推荐方法、装置、电子设备和存储介质
CN113761329A (zh) * 2020-09-04 2021-12-07 北京沃东天骏信息技术有限公司 页面生成方法和装置
CN113781086A (zh) * 2021-01-21 2021-12-10 北京沃东天骏信息技术有限公司 物品推荐方法、装置、介质及电子设备
CN113938523A (zh) * 2021-10-12 2022-01-14 中国农业银行股份有限公司山西省分行 一种应用于信息推送的统计方法及装置
EP3916585A4 (en) * 2020-03-31 2022-04-13 Baidu Online Network Technology (Beijing) Co., Ltd INFORMATION OUTPUT METHOD AND DEVICE, DEVICE AND STORAGE MEDIUM
CN114548076A (zh) * 2022-02-28 2022-05-27 深圳市和讯华谷信息技术有限公司 内容文案的智能评分方法以及相关装置
CN114936325A (zh) * 2022-07-20 2022-08-23 北京数慧时空信息技术有限公司 基于用户画像的遥感影像推荐方法及系统
CN116193206A (zh) * 2023-04-25 2023-05-30 北京小糖科技有限责任公司 优质内容筛选方法、装置、终端设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060018586A (ko) * 2004-08-25 2006-03-02 엔에이치엔(주) 키워드 광고를 위한 광고 소재 추천 방법 및 광고 소재추천 시스템
CN108109008A (zh) * 2017-12-21 2018-06-01 暴风集团股份有限公司 用于预估广告的点击率的方法、装置、设备和存储介质
CN108510326A (zh) * 2018-03-29 2018-09-07 北京小米移动软件有限公司 初始值确定方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060018586A (ko) * 2004-08-25 2006-03-02 엔에이치엔(주) 키워드 광고를 위한 광고 소재 추천 방법 및 광고 소재추천 시스템
CN108109008A (zh) * 2017-12-21 2018-06-01 暴风集团股份有限公司 用于预估广告的点击率的方法、装置、设备和存储介质
CN108510326A (zh) * 2018-03-29 2018-09-07 北京小米移动软件有限公司 初始值确定方法及装置

Cited By (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110990699B (zh) * 2019-11-29 2021-12-07 广州市百果园信息技术有限公司 一种信息推送系统、方法、装置、设备和存储介质
CN110990699A (zh) * 2019-11-29 2020-04-10 广州市百果园信息技术有限公司 一种信息推送系统、方法、装置、设备和存储介质
CN110990719B (zh) * 2019-12-05 2024-03-12 上海信联信息发展股份有限公司 信息推送方法、装置、可读存储介质及电子设备
CN110990719A (zh) * 2019-12-05 2020-04-10 上海中信信息发展股份有限公司 信息推送方法、装置、可读存储介质及电子设备
CN112995248A (zh) * 2019-12-12 2021-06-18 阿里巴巴集团控股有限公司 信息推送方法、装置及设备
CN111144933A (zh) * 2019-12-13 2020-05-12 北京三快在线科技有限公司 商品推荐方法、装置、电子设备及存储介质
CN111144933B (zh) * 2019-12-13 2022-02-08 北京三快在线科技有限公司 商品推荐方法、装置、电子设备及存储介质
CN111125526A (zh) * 2019-12-24 2020-05-08 腾讯科技（深圳）有限公司 基于人工智能的内容推送方法、装置及电子设备
CN113127786A (zh) * 2019-12-31 2021-07-16 Oppo广东移动通信有限公司 信息推送方法、装置、电子设备及计算机可读介质
CN115004672B (zh) * 2020-02-13 2024-04-05 深圳市欢太科技有限公司 信息推送方法、装置、服务器及存储介质
WO2021159393A1 (zh) * 2020-02-13 2021-08-19 深圳市欢太科技有限公司 信息推送方法、装置、服务器及存储介质
CN115004672A (zh) * 2020-02-13 2022-09-02 深圳市欢太科技有限公司 信息推送方法、装置、服务器及存储介质
WO2021163970A1 (zh) * 2020-02-20 2021-08-26 深圳市欢太科技有限公司 短信推送方法、装置、服务器及存储介质
CN111324813A (zh) * 2020-02-20 2020-06-23 深圳前海微众银行股份有限公司 推荐方法、装置、设备及计算机可读存储介质
CN111324771B (zh) * 2020-02-26 2022-11-04 腾讯科技（深圳）有限公司 视频标签的确定方法、装置、电子设备及存储介质
CN111324771A (zh) * 2020-02-26 2020-06-23 腾讯科技（深圳）有限公司 视频标签的确定方法、装置、电子设备及存储介质
CN111368141A (zh) * 2020-03-18 2020-07-03 腾讯科技（深圳）有限公司 视频标签的扩展方法、装置、计算机设备和存储介质
US11669530B2 (en) 2020-03-31 2023-06-06 Baidu Online Network Technology (Beijing) Co., Ltd. Information push method and apparatus, device, and storage medium
EP3916585A4 (en) * 2020-03-31 2022-04-13 Baidu Online Network Technology (Beijing) Co., Ltd INFORMATION OUTPUT METHOD AND DEVICE, DEVICE AND STORAGE MEDIUM
CN111460181A (zh) * 2020-04-01 2020-07-28 北京奇艺世纪科技有限公司 多媒体资源推荐方法、电子设备及存储介质
CN111478963A (zh) * 2020-04-07 2020-07-31 北京奇艺世纪科技有限公司 消息推送方法、装置、电子设备及计算机可读存储介质
CN111510783A (zh) * 2020-04-26 2020-08-07 咪咕动漫有限公司 确定视频曝光量的方法、装置、电子设备和存储介质
CN111563201A (zh) * 2020-04-29 2020-08-21 北京三快在线科技有限公司 内容推送方法、装置、服务器及存储介质
CN112749330B (zh) * 2020-06-05 2023-12-12 腾讯科技（深圳）有限公司 信息推送方法、装置、计算机设备和存储介质
CN112749330A (zh) * 2020-06-05 2021-05-04 腾讯科技（深圳）有限公司 信息推送方法、装置、计算机设备和存储介质
CN111753201A (zh) * 2020-06-23 2020-10-09 厦门美柚股份有限公司 信息推送方法、装置、终端及介质
CN112749333A (zh) * 2020-07-24 2021-05-04 腾讯科技（深圳）有限公司 资源搜索方法、装置、计算机设备和存储介质
CN112749333B (zh) * 2020-07-24 2024-01-16 腾讯科技（深圳）有限公司 资源搜索方法、装置、计算机设备和存储介质
CN112016961A (zh) * 2020-08-26 2020-12-01 北京字节跳动网络技术有限公司 推送方法、装置、电子设备和计算机可读存储介质
CN113761329A (zh) * 2020-09-04 2021-12-07 北京沃东天骏信息技术有限公司 页面生成方法和装置
CN112565342A (zh) * 2020-11-13 2021-03-26 广州市百果园网络科技有限公司 一种基于权重计算的消息推送方法、装置、设备及存储介质
CN113011906A (zh) * 2020-12-10 2021-06-22 腾讯科技（深圳）有限公司 基于多媒体信息处理方法、装置、电子设备及存储介质
CN113011906B (zh) * 2020-12-10 2024-03-05 腾讯科技（深圳）有限公司 基于多媒体信息处理方法、装置、电子设备及存储介质
CN112559880A (zh) * 2020-12-24 2021-03-26 百果园技术(新加坡)有限公司 一种信息推荐的管理方法、系统、设备及存储介质
CN112632443A (zh) * 2020-12-28 2021-04-09 咪咕文化科技有限公司 内容评分方法、装置、电子设备及存储介质
CN112632443B (zh) * 2020-12-28 2024-05-24 咪咕文化科技有限公司 内容评分方法、装置、电子设备及存储介质
CN112650931A (zh) * 2021-01-04 2021-04-13 杭州情咖网络技术有限公司 一种内容推荐方法
CN112650931B (zh) * 2021-01-04 2023-05-30 杭州情咖网络技术有限公司 一种内容推荐方法
CN113781086A (zh) * 2021-01-21 2021-12-10 北京沃东天骏信息技术有限公司 物品推荐方法、装置、介质及电子设备
CN112818237A (zh) * 2021-02-05 2021-05-18 上海明略人工智能(集团)有限公司 一种内容推送方法、装置、设备及存储介质
CN113158032A (zh) * 2021-03-18 2021-07-23 北京京东乾石科技有限公司 一种信息推送方法和装置
CN113158032B (zh) * 2021-03-18 2024-03-01 北京京东乾石科技有限公司 一种信息推送方法和装置
CN113010788A (zh) * 2021-03-19 2021-06-22 成都欧珀通信科技有限公司 信息推送方法及装置、电子设备、计算机可读存储介质
CN113010788B (zh) * 2021-03-19 2023-05-23 成都欧珀通信科技有限公司 信息推送方法及装置、电子设备、计算机可读存储介质
CN112734503A (zh) * 2021-03-30 2021-04-30 南京蓝鲸人网络科技有限公司 内容推荐系统中物品曝光量保证的方法及装置
CN112800234A (zh) * 2021-04-15 2021-05-14 腾讯科技（深圳）有限公司 信息处理方法、装置、电子设备和存储介质
CN112800234B (zh) * 2021-04-15 2021-06-22 腾讯科技（深圳）有限公司 信息处理方法、装置、电子设备和存储介质
CN113129067A (zh) * 2021-04-27 2021-07-16 北京百度网讯科技有限公司 信息筛选方法、装置、设备、存储介质及计算机程序产品
CN113592535B (zh) * 2021-06-30 2024-04-16 北京新氧科技有限公司 一种广告推荐方法、装置、电子设备和存储介质
CN113497831B (zh) * 2021-06-30 2022-10-25 西安交通大学 一种移动边缘网络下基于反馈流行度的内容放置方法及系统
CN113592535A (zh) * 2021-06-30 2021-11-02 北京新氧科技有限公司 一种广告推荐方法、装置、电子设备和存储介质
CN113497831A (zh) * 2021-06-30 2021-10-12 西安交通大学 一种移动边缘网络下基于反馈流行度的内容放置方法及系统
CN113938523B (zh) * 2021-10-12 2024-04-26 中国农业银行股份有限公司山西省分行 一种应用于信息推送的统计方法及装置
CN113938523A (zh) * 2021-10-12 2022-01-14 中国农业银行股份有限公司山西省分行 一种应用于信息推送的统计方法及装置
CN114548076A (zh) * 2022-02-28 2022-05-27 深圳市和讯华谷信息技术有限公司 内容文案的智能评分方法以及相关装置
CN114936325A (zh) * 2022-07-20 2022-08-23 北京数慧时空信息技术有限公司 基于用户画像的遥感影像推荐方法及系统
CN114936325B (zh) * 2022-07-20 2022-10-11 北京数慧时空信息技术有限公司 基于用户画像的遥感影像推荐方法及系统
CN116193206B (zh) * 2023-04-25 2023-08-22 北京小糖科技有限责任公司 优质内容筛选方法、装置、终端设备及存储介质
CN116193206A (zh) * 2023-04-25 2023-05-30 北京小糖科技有限责任公司 优质内容筛选方法、装置、终端设备及存储介质

Also Published As

Publication number Publication date
CN110489644B (zh) 2024-06-25

Similar Documents

Publication Publication Date Title
CN110489644A (zh) 信息推送方法、装置、计算机可读存储介质和计算机设备
Yin et al. LCARS: A spatial item recommender system
DE60103775T2 (de) Informationsanbieter
TWI636416B (zh) 內容個人化之多相排序方法和系統
Lee et al. MONERS: A news recommender for the mobile web
CN101911618B (zh) 用于移动环境中的消息值计算的方法和系统
JP5454357B2 (ja) 情報処理装置および方法、並びに、プログラム
CN101834837A (zh) 基于宽带网络的旅游景区景点在线景观视频主动信息服务系统
CN110287372A (zh) 用于负反馈的标签确定方法、视频推荐方法及其装置
JP6405704B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
CN106951471A (zh) 一种基于svm的标签发展趋势预测模型的构建方法
CN112749330B (zh) 信息推送方法、装置、计算机设备和存储介质
CN111523035B (zh) App浏览内容的推荐方法、装置、服务器和介质
CN110032679A (zh) 一种基于层次注意力网络的动态新闻推荐的方法
CN111159341A (zh) 基于用户投资理财偏好的资讯推荐方法及装置
CN112000889A (zh) 一种信息汇聚呈现系统
CN108133058A (zh) 一种视频检索方法
Jie et al. A unified search federation system based on online user feedback
CN112651790B (zh) 基于快消行业用户触达的ocpx自适应学习方法和系统
CN109451334A (zh) 用户画像生成处理方法、装置及电子设备
Billsus et al. Revising user profiles: The search for interesting web sites
CN109656433A (zh) 类目信息处理方法、装置、计算机设备和存储介质
CN109960748B (zh) 基于知识图谱的个人直播用户观看主播预测的方法及系统
CN109299368B (zh) 一种用于环境信息资源ai智能个性化推荐的方法及系统
CN113468413B (zh) 一种面向多用户共享的多媒体网络视频推荐方法

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