CN110532467B - 基于推送模型的活动推荐方法及装置、设备、存储介质 - Google Patents

Abstract

本发明实施例公开一种基于推送模型的活动推荐方法及装置、设备、存储介质，其中方法包括如下步骤：基于大数据平台生成不同类型的推送模型，在多个不同类型的推送模型中选择一组目标模型，作为当前推送活动的推送逻辑，最后基于目标模型向目标用户推送活动数据，目标用户为与目标模型的推送逻辑相匹配的用户。采用本发明，可以根据不同类型推送模型的推荐逻辑进行活动推荐，提高推送触达成功率，同时也可以避免因大量不活跃用户并发进入APP而造成的服务器负过载的情况发生。

Description

基于推送模型的活动推荐方法及装置、设备、存储介质

技术领域

本发明涉及互联网技术领域，尤其涉及一种基于推送模型的活动推荐方法及装置、设备、存储介质。

背景技术

在针对APP的日常运营中，常常有节假日、拉新、事件等运营活动需要针对APP用户做全量推送。推送时会有一部分用户处于不活跃状态(也就是APP未启动)，经过实测，绝大部分情况下不活跃用户占比远超活跃用户，有时候甚至高达几十几百倍，因而造成了针对推荐活动的触达(即用户看到推荐活动并打开相关APP)成功率较低。

对于具有较大诱惑力的活动，可能会带来非活跃用户并发式的启动APP，而APP启动过程包含一系列模块初始化，状态验证等服务器端交互逻辑，这是一个十分消耗服务器资源的过程。当推送通知达到时，除了活跃用户，还有可能存在海量的不活跃用户收到通知而启动APP，会对服务器造成巨大的并发压力。基于用户规模的不确定性，无论如何优化硬件资源都有可能达到负载极限，从而造成服务不可用。

发明内容

本发明实施例提供一种基于推送模型的活动推荐方法及装置、设备、存储介质，可以根据不同类型推送模型的推荐逻辑进行活动推荐，提高推送触达成功率，同时也可以避免因大量不活跃用户并发进入APP而造成的服务器负过载的情况发生。

本发明实施例第一方面提供了一种基于推送模型的活动推荐方法，可包括：

基于大数据平台生成不同类型的推送模型，推送模型至少包括区域模型、平台模型、平台活跃时段模型、活跃时段模型、画像模型以及流量模型中的一个或多个；

在多个不同类型的推送模型中选择一组目标模型，作为当前推送活动的推送逻辑；

基于目标模型向目标用户推送活动数据，目标用户为与目标模型的推送逻辑相匹配的用户。

进一步的，上述方法还包括：

随机选择一个或多个推送模型组成初始的目标模型。

进一步的，上述方法还包括：

根据推送结果确定模型推送优先级；

选取模型推送优先级最高的一组模型替换初始的目标模型。

进一步的，上述方法还包括：

检测目标用户的目标终端在接收到活动推送数据后，反馈的推送结果。

进一步的，上述推送结果为目标用户根据活动推荐数据登录相关终端应用后反馈的登录信息。

本发明实施例第二方面提供了一种基于推送模型的活动推荐装置，可包括：

推送模型生成模块，应用基于大数据平台生成不同类型的推送模型，推送模型至少包括区域模型、平台模型、平台活跃时段模型、活跃时段模型、画像模型以及流量模型中的一个或多个；

目标模型选择模块，用于在多个不同类型的推送模型中选择一组目标模型，作为当前推送活动的推送逻辑；

活动推荐模块，用于基于目标模型向目标用户推送活动数据，目标用户为与目标模型的推送逻辑相匹配的用户。

进一步的，上述目标模型选择模块具体用于：

随机选择一个或多个推送模型组成初始的目标模型。

进一步的，上述装置还包括：

优先级确定模块，用于根据推送结果确定模型推送优先级；

目标模型优化模块，用于选取模型推送优先级最高的一组模型替换初始的目标模型。

进一步的，上述装置还包括：

推送结果检测模块，用于检测目标用户的目标终端在接收到活动推送数据后，反馈的推送结果。

进一步的，上述推送结果为目标用户根据活动推荐数据登录相关终端应用后反馈的登录信息。

本发明实施例第三方面提供了一种计算机设备，该设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述方面所述的基于推送模型的活动推荐方法。

本发明实施例第四方面提供了一种计算机存储介质，该计算机存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述方面所述的基于推送模型的活动推荐方法。

在本发明实施例中，通过基于大数据平台生成不同类型的推送模型，在多个不同类型的推送模型中选择一组目标模型，作为当前推送活动的推送逻辑，基于目标模型向目标用户推送活动数据。通过不断优化目标模型根据不同类型推送模型的推荐逻辑进行活动推荐，提高了推送触达成功率，同时也避免了因大量不活跃用户并发进入APP而造成的服务器负过载的情况发生。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于推送模型的活动推荐方法的流程示意图；

图2是本发明实施例提供的一种基于推送模型的活动推荐装置的结构示意图；

图3是本发明实施例提供的一种计算机设备的结构示意图。

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，而不是全部的实施例。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。

本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含，术语“第一”和“第二”仅是为了区别命名，并不代表数字的大小或者排序。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

需要说明的是，本发明提供的基于推送模型的活动推荐方法可以应用于任何运营活动推荐广告或者奖励活动等全量推送的业务场景。

本发明实施例中，基于推送模型的活动推荐方法可以应用于计算机设备中，该计算机设备可以是后台负责维护的服务器。

如图1所示，基于推送模型的活动推荐方法至少可以包括以下几个步骤：

S101，基于大数据平台生成不同类型的推送模型。

可以理解的是，装置可以基于大数据报表设计多种基于场景或者条件的推送模型，进一步可以根据上述推送模型涵盖的推送逻辑向用户推送任何运营活动相关的活动数据。优选的，本申请中的推送模型至少可以包括区域模型、平台模型、平台活跃时段模型、活跃时段模型、画像模型以及流量模型中的一个或多个。

其中，区域模型可以是根据大数据报表在不同区域显示的APP活跃用户划分的模型，例如，城市A活跃用户较多城市B活跃用户较少，则装置可以生成根据不同区域活跃用户而划分的区域模型，该模型可以对不同的区域进行区域标记(如，活跃区标记为T为活跃区标记为F)，进一步的，可以为不同的区域分配区域权重，权重较大的区域为活跃区，即为该区推送活动数据的概率较大。优选的，装置可以根据用户终端(如手机)的机型、系统、系统版本、硬件特征等生成平台模型，该模型的推荐逻辑可以是：为性能较好的终端(例如更适合APP使用的手机)推送活动数据。优选的，装置可以针对全平台APP用户的活跃时段在24小时的分布特征，通过推送限流机制，生成推荐逻辑为高活跃时段推送流量大，低活跃时段推送流量的平台活跃时段模型。优选的，装置还可以针对不同用户在24小时内的活跃时段，生成推送逻辑为在活跃时段内推送活跃用户，不活跃时段不推送的活跃时段推送模型。优选的，装置可以根据大数据生成的用户年龄、性别、爱好、车辆、收入评估等画像因子，生成推送逻辑为针对推送类型进行定向精准推送的画像模型。优选的，装置还可以基于服务器监控平台的流量阈值分布，通过推送限流机制，生成推送逻辑为高阈值时推送量大，低阈值时推送量小的流量模型。

S102，在多个不同类型的推送模型中选择一组目标模型，作为当前推送活动的推送逻辑。

具体的，装置可以在上述不同类型的推送模型中选择一组目标推送模型，即当前用户推送活动数据的模型，可以是一个或者多个的组合。所谓的目标模型可以将海量并发分治到独立的小并发单元中，使得流量以平稳的均值而非瞬时高峰到达服务器，有效缓解服务器压力。优选的，装置可以随机选取一个或多个推送模型作为初始的目标模型，后续可以根据不同的推送结果不断更新推送参数，设置不同的目标模型，以达到最优的推荐逻辑。

可选的，装置可以检测目标用户的目标终端在接收到活动推送数据后，反馈的推送结果，该结果可以是目标用户根据活动推荐数据登录相关终端应用后反馈的登录信息。进一步的，可以根据推送结果确定模型推送优先级，选取模型推送优先级最高的一组模型替换初始的目标模型。例如，模型会根据大数据报告，实时更新对应参数数值，同时在多次推送结果分析之后，可以得出更加有效的模型优先级，使推送具备一定的智能性，虽然会刻意漏掉部分用户，但由于优化策略的存在，提高了推送的用户触达成功率。

S103，基于目标模型向目标用户推送活动数据。

具体的，装置可以基于目标模型向目标用户推送活动数据，例如，可以以短信的方式发送活动连接至用户终端，也可以在APP内部发布推送消息。

在本发明实施例中，通过基于大数据平台生成不同类型的推送模型，在多个不同类型的推送模型中选择一组目标模型，作为当前推送活动的推送逻辑，基于目标模型向目标用户推送活动数据。通过不断优化目标模型根据不同类型推送模型的推荐逻辑进行活动推荐，提高了推送触达成功率，同时也避免了因大量不活跃用户并发进入APP而造成的服务器负过载的情况发生。

下面将结合附图2，对本发明实施例提供的基于推送模型的活动推荐装置进行详细介绍。需要说明的是，附图2所示的基于推送模型的活动推荐装置，用于执行本发明图1所示实施例的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明图1所示的实施例。

请参见图2，为本发明实施例提供了一种基于推送模型的活动推荐装置的结构示意图。如图2所示，本发明实施例的活动推荐装置10可以包括：推送模型生成模块101、目标模型选择模块102、活动推荐模块103、优先级确定模块104、目标模型优化模块105和推送结果检测模块106。

推送模型生成模块101，应用基于大数据平台生成不同类型的推送模型，推送模型至少包括区域模型、平台模型、平台活跃时段模型、活跃时段模型、画像模型以及流量模型中的一个或多个。

目标模型选择模块102，用于在多个不同类型的推送模型中选择一组目标模型，作为当前推送活动的推送逻辑。

具体实现中目标模型选择模块，102具体用于随机选择一个或多个推送模型组成初始的目标模型。

优选的，推送结果检测模块106，用于检测目标用户的目标终端在接收到活动推送数据后，反馈的推送结果。优先级确定模块104用于根据推送结果确定模型推送优先级，其中，推送结果为目标用户根据活动推荐数据登录相关终端应用后反馈的登录信息。

目标模型优化模块105，用于选取模型推送优先级最高的一组模型替换初始的目标模型。

活动推荐模块103，用于基于目标模型向目标用户推送活动数据，目标用户为与目标模型的推送逻辑相匹配的用户。

在本发明实施例中，通过基于大数据平台生成不同类型的推送模型，在多个不同类型的推送模型中选择一组目标模型，作为当前推送活动的推送逻辑，基于目标模型向目标用户推送活动数据。通过不断优化目标模型根据不同类型推送模型的推荐逻辑进行活动推荐，提高了推送触达成功率，同时也避免了因大量不活跃用户并发进入APP而造成的服务器负过载的情况发生。

本发明实施例还提供了一种计算机存储介质，计算机存储介质可以存储有多条指令，指令适于由处理器加载并执行如上述图1所示实施例的方法步骤，具体执行过程可以参见图1所示实施例的具体说明，在此不进行赘述。

本申请实施例还提供了一种计算机设备即服务器。如图3所示，计算机设备20可以包括：至少一个处理器201，例如CPU，至少一个网络接口204，用户接口203，存储器205，至少一个通信总线202，可选地，还可以包括显示屏206。其中，通信总线202用于实现这些组件之间的连接通信。其中，用户接口203可以包括触摸屏、键盘或鼠标等等。网络接口204可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通过网络接口204可以与服务器建立通信连接。存储器205可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器，存储器205包括本发明实施例中的flash。存储器205可选的还可以是至少一个位于远离前述处理器201的存储系统。如图3所示，作为一种计算机存储介质的存储器205中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。

需要说明的是，网络接口204可以连接接收器、发射器或其他通信模块，其他通信模块可以包括但不限于WiFi模块、蓝牙模块等，可以理解，本发明实施例中计算机设备也可以包括接收器、发射器和其他通信模块等。

处理器201可以用于调用存储器205中存储的程序指令，并使计算机设备20执行以下操作：

基于大数据平台生成不同类型的推送模型，推送模型至少包括区域模型、平台模型、平台活跃时段模型、活跃时段模型、画像模型以及流量模型中的一个或多个；

在多个不同类型的推送模型中选择一组目标模型，作为当前推送活动的推送逻辑；

基于目标模型向目标用户推送活动数据，目标用户为与目标模型的推送逻辑相匹配的用户。

在一些实施例中，设备20还用于随机选择一个或多个推送模型组成初始的目标模型。

在一些实施例中，设备20还用于：

根据推送结果确定模型推送优先级；

选取模型推送优先级最高的一组模型替换初始的目标模型。

在一些实施例中，设备20还用于：

检测目标用户的目标终端在接收到活动推送数据后，反馈的推送结果。

在一些实施例中，推送结果为目标用户根据活动推荐数据登录相关终端应用后反馈的登录信息。

在本发明实施例中，通过基于大数据平台生成不同类型的推送模型，在多个不同类型的推送模型中选择一组目标模型，作为当前推送活动的推送逻辑，基于目标模型向目标用户推送活动数据。通过不断优化目标模型根据不同类型推送模型的推荐逻辑进行活动推荐，提高了推送触达成功率，同时也避免了因大量不活跃用户并发进入APP而造成的服务器负过载的情况发生。

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，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (6)

1.一种基于推送模型的活动推荐方法，其特征在于，包括：

基于大数据平台生成不同类型的推送模型，所述推送模型至少包括区域模型、平台模型、平台活跃时段模型、活跃时段模型、画像模型以及流量模型中的一个或多个；

在多个不同类型的推送模型中选择一组目标模型，作为当前推送活动的推送逻辑；

基于所述目标模型向目标用户推送活动数据，所述目标用户为与所述目标模型的推送逻辑相匹配的用户；

区域模型可根据不同区域的活跃用户，对不同区域进行区域标记，为不同区域分配区域权重；

平台模型是根据用户终端的机型、系统、系统版本、硬件特征生成的；

平台活跃时段模型是根据全平台APP用户的活跃时段在24小时的分布特征，进行推送限流机制，用于在高活跃时段推送流量大，低活跃时段推送流量；或者根据不同用户在24小时内的活跃时段，进行推送限流机制，用于在活跃时段内推送活跃用户，不活跃时段不推送；

画像模型是根据大数据生成的用户年龄、性别、爱好、车辆、收入评估等画像因子，用于针对推送类型进行定向精准推送；

还包括：根据推送结果确定模型推送优先级，选取模型推送优先级最高的一组模型替换初始的目标模型；

还包括：随机选取一个或多个推送模型作为初始的目标模型，后续根据不同的推送结果不断更新推送参数，设置不同的目标模型，以达到最优的推荐逻辑。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

检测所述目标用户的目标终端在接收到所述活动推送数据后，反馈的推送结果。

3.根据权利要求1所述的方法，其特征在于，

所述推送结果为所述目标用户根据所述活动推荐数据登录相关终端应用后反馈的登录信息。

4.一种基于推送模型的活动推荐装置，其特征在于，包括：

推送模型生成模块，应用基于大数据平台生成不同类型的推送模型，所述推送模型至少包括区域模型、平台模型、平台活跃时段模型、活跃时段模型、画像模型以及流量模型中的一个或多个；

目标模型选择模块，用于在多个不同类型的推送模型中选择一组目标模型，作为当前推送活动的推送逻辑；

活动推荐模块，用于基于所述目标模型向目标用户推送活动数据，所述目标用户为与所述目标模型的推送逻辑相匹配的用户；

区域模型可根据不同区域的活跃用户，对不同区域进行区域标记，为不同区域分配区域权重；

平台模型是根据用户终端的机型、系统、系统版本、硬件特征生成的；

平台活跃时段模型是根据全平台APP用户的活跃时段在24小时的分布特征，进行推送限流机制，用于在高活跃时段推送流量大，低活跃时段推送流量；或者根据不同用户在24小时内的活跃时段，进行推送限流机制，用于在活跃时段内推送活跃用户，不活跃时段不推送；

画像模型是根据大数据生成的用户年龄、性别、爱好、车辆、收入评估等画像因子，用于针对推送类型进行定向精准推送；

还包括：根据推送结果确定模型推送优先级，选取模型推送优先级最高的一组模型替换初始的目标模型；

还包括：随机选取一个或多个推送模型作为初始的目标模型，后续根据不同的推送结果不断更新推送参数，设置不同的目标模型，以达到最优的推荐逻。

5.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至3任一项所述的基于推送模型的活动推荐方法。

6.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至3任一项所述的基于推送模型的活动推荐方法。

Images