CN111105297A - 一种信息推送方法与相关装置 - Google Patents
一种信息推送方法与相关装置 Download PDFInfo
- Publication number
- CN111105297A CN111105297A CN201911391710.0A CN201911391710A CN111105297A CN 111105297 A CN111105297 A CN 111105297A CN 201911391710 A CN201911391710 A CN 201911391710A CN 111105297 A CN111105297 A CN 111105297A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- preset
- parameter
- linear regression
- 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
Images
Classifications
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0277—Online advertisement
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种信息推送方法与相关装置,一种信息推送方法与相关装置。首先得获取用户原始数据;其中,用户原始数据包括用户ID与历史记录,然后按照预设定种类的对用户ID进行分类,并依据贝叶斯分类算法确定每个分类中的目标用户ID,再将历史记录与用户ID的分类类型输入至预设定的模型中,以获取线性回归模型,其中,线性回归模型用于输出每种分类类型与商品的匹配度,然后利用线性回归模型输出每种分类类型与商品的匹配度的预测值,再依据匹配度预设值确定目标分类类型,最后向目标分类类型中的每个用户ID推送商品信息。本申请提供的信息推送方法与相关装置具有推送的信息更加具有针对性,用户的满意度更高的优点。
Description
技术领域
本申请涉及信息推送技术领域,具体而言,涉及一种信息推送方法与相关装置。
背景技术
目前,对于互联网企业而言,能够准确地向用户进行商品信息的推送至关重要,例如进行商品广告的推送,商品优惠活动的推送等。
然而,目前对于商品信息的推送,预测结果普遍通过算法直接得出,对于特定的场景,无法是做到定制化。换言之,目前在进行商品信息的推送时,其推送的人群较难有针对性,使得用户的体验感不高。
综上,目前的商品信息推动方法存在推送时较难有针对性,用户体验感不高的问题。
发明内容
本申请的目的在于提供一种信息推送方法与相关装置,以解决现有技术中商品信息推动方法存在推送时较难有针对性,用户体验感不高的问题。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供一种信息推送方法,所述方法包括:
获取用户原始数据;其中,所述用户原始数据包括用户ID与历史记录;
按照预设定种类的对所述用户ID进行分类,并依据贝叶斯分类算法确定每个分类中的目标用户ID;
将所述历史记录与所述用户ID的分类类型输入至预设定的模型中,以获取线性回归模型,其中,所述线性回归模型用于输出每种分类类型与商品的匹配度;
利用线性回归模型输出每种分类类型与所述商品的匹配度的预测值;
依据所述匹配度预设值确定目标分类类型;
向所述目标分类类型中的每个用户ID推送商品信息。
进一步地,在所述利用线性回归模型输出每种分类类型与所述商品的匹配度的预测值的步骤之前,所述方法还包括:
按照预设定的参数对一种或多种分类类型的权重进行调整。
进一步地,所述将所述历史记录与所述用户ID的分类类型输入至预设定的模型中,以获取线性回归模型的步骤包括:
对所述历史记录进行预处理,以从所述历史记录中确定目标参数,并输出所述预设定的模型中。
进一步地,所述对所述历史记录进行预处理,以从所述历史记录中确定目标参数,并输出所述预设定的模型中的步骤包括:
依据预设定的参数类型从所述历史记录中确定目标参数;
当所述历史记录中的目标参数存在缺失时,获取缺失的所述目标参数的权重;
当缺失的所述目标参数的权重大于阈值时,将预设定的平均参数作为所述目标参数,并将处理后的目标参数输入至所述预设定的模型中;
当缺失的所述目标参数的权重小于阈值时,直接将所述目标参数输入至所述预设定的模型中,
第二方面,本申请实施例还提供了一种信息推送装置,所述装置包括:
数据获取模块,用于获取用户原始数据;其中,所述用户原始数据包括用户ID与历史记录;
数据处理模块,用于按照预设定种类的对所述用户ID进行分类,并依据贝叶斯分类算法确定每个分类中的目标用户ID;
数据处理模块,还用于将所述历史记录与所述用户ID的分类类型输入至预设定的模型中,以获取线性回归模型,其中,所述线性回归模型用于输出每种分类类型与商品的匹配度;
数据处理模块,还用于利用线性回归模型输出每种分类类型与所述商品的匹配度的预测值;
数据处理模块,还用于依据所述匹配度预设值确定目标分类类型;
数据推送模块,用于向所述目标分类类型中的每个用户ID推送商品信息。
进一步地,数据处理模块,还用于按照预设定的参数对一种或多种分类类型的权重进行调整。
进一步地,数据处理模块,还用于对所述历史记录进行预处理,以从所述历史记录中确定目标参数,并输出所述预设定的模型中。
进一步地,数据处理模块,还用于依据预设定的参数类型从所述历史记录中确定目标参数;并在当所述历史记录中的目标参数存在缺失时,获取缺失的所述目标参数的权重;当缺失的所述目标参数的权重大于阈值时,将预设定的平均参数作为所述目标参数,并将处理后的目标参数输入至所述预设定的模型中;当缺失的所述目标参数的权重小于阈值时,直接将所述目标参数输入至所述预设定的模型中。
第三方面,本申请实施例还提供了一种电子设备,包括:存储器,用于存储一个或多个程序;处理器;当所述一个或多个程序被所述处理器执行时,实现上述的方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的方法。
相对于现有技术,本申请具有以下有益效果:
本申请提供了一种信息推送方法及相关装置,首先得获取用户原始数据;其中,用户原始数据包括用户ID与历史记录,然后按照预设定种类的对用户ID进行分类,并依据贝叶斯分类算法确定每个分类中的目标用户ID,再将历史记录与用户ID的分类类型输入至预设定的模型中,以获取线性回归模型,其中,线性回归模型用于输出每种分类类型与商品的匹配度,然后利用线性回归模型输出每种分类类型与商品的匹配度的预测值,再依据匹配度预设值确定目标分类类型,最后向目标分类类型中的每个用户ID推送商品信息。由于本申请中在线性回归模型中融合了贝叶斯算法,其能够实现对人群的精细化划分,进而使得推送的信息更加具有针对性,用户的满意度更高。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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它相关的附图。
图1为本申请实施例提供的电子设备的一种交互示意图。
图2为本申请实施例提供的电子设备的一种模块示意图。
图3为本申请实施例提供的信息推送方法的一种流程示意图。
图4为本申请实施例提供的信息推送方法的另一种流程示意图。
图5为本申请实施例提供的S1061的一种子步骤的流程示意图。
图6为本申请实施例提供的信息推送装置的一种模块示意图。
图中:100-电子设备;101-存储器;102-处理器;103-通信接口;300-信息推送装置;310-数据获取模块;320-数据处理模块;330-数据推送模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中,需要说明的是,术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
第一实施例
正如背景技术中所述,目前对于商品信息的推送,预测结果普遍通过算法直接得出,对于特定的场景,无法是做到定制化。换言之,目前在进行商品信息的推送时,其推送的人群较难有针对性,使得用户的体验感不高。
有鉴于此,本申请提供了一种信息推送方法,通过在线性回归模型中融合了贝叶斯算法,其能够实现对人群的精细化划分,进而使得推送的信息更加具有针对性,用户的满意度更高。
需要说明的是,本申请实施例提供的信息推送方法,应用于一电子设备100中,例如,请参阅图1,该电子设备100可以为服务器,服务器与多个用户终端及数据库通信连接,用户终端能够访问服务器的数据,并且,用户终端在访问的过程中,会生成访问日志,并将访问日志存储于数据库中。其中,用户终端包括但不限于电脑、手机、智能可穿戴设备等能够实现数据交互电子终端。
并且,请参阅图2,电子设备100包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,如本申请实施例所提供的信息推送装置300的程序指令/模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器101(Random Access Memory,RAM),只读存储器101(Read Only Memory,ROM),可编程只读存储器101(ProgrammableRead-Only Memory,PROM),可擦除只读存储器101(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器102,包括中央处理器102(Central Processing Unit,CPU)、网络处理器102(Network Processor,NP)等;还可以是数字信号处理器102(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图2所示的结构仅为示意,电子设备100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
下面以服务器作为执行主体,对本申请提供的信息推送方法进行示例性说明:
请参阅图3,该信息推送方法包括:
S102,获取用户原始数据;其中,用户原始数据包括用户ID与历史记录。
S104,按照预设定种类的对用户ID进行分类,并依据贝叶斯分类算法确定每个分类中的目标用户ID。
S106,将历史记录与用户ID的分类类型输入至预设定的模型中,以获取线性回归模型,其中,线性回归模型用于输出每种分类类型与商品的匹配度。
S108,利用线性回归模型输出每种分类类型与商品的匹配度的预测值。
S110,依据匹配度预设值确定目标分类类型。
S112,向目标分类类型中的每个用户ID推送商品信息。
本申请中,当需要向用户推送信息时,会首先确定出需要推送信息的人群,例如,当需要向用户推送口红广告等,则显然地,服务器可优先选择推荐信息的用户中,女性用户会明显多于男性用户。
在实际应用当中,用户在使用用户终端访问服务器时,会产生相应的历史记录。例如,该历史记录可以为用户注册账号时填写的相关信息,如性别、年龄等信息,也可以为用户在访问过程中的具体数据,例如浏览了哪些页面,成交过哪些商品,对哪些商品下过订单等。即用户产生过哪些记录。并且,每个用户产生的历史记录与其用户ID对应,进而组成用户原始数据,该用户原始数据存储于数据库中。
在服务器获取用户原始数据后,会将用户原始数据中的用户ID以及相应的历史记录分离,并分别进行处理。
其中,服务器首先会按照预设定种类的对用户ID进行分类,并依据贝叶斯分类算法确定每个分类中的目标用户ID。例如,服务器按照年龄进行分类,以划分出不同的人群,如将0-30岁的用户划分成青年人,将30-60岁的用户划分成中年人,将大于60岁的用户划分成老年人。
并且,在进行人群的划分后,服务器会依据贝叶斯分类算法,将每个用户ID对应的划进相应的人群。例如,用户ID包括A、B、C、D,其中,服务器根据贝叶斯分类算法将A划分为属于青年人,将B、C划分为属于中年人,将D划分为属于老年人,进而能够实现对所有用户的划分。
在对用户ID进行处理的同时,服务器也会对历史记录进行处理。其中,服务器会将历史记录与用户ID的分类类型输入至预设定的模型中,以获取线性回归模型,其中,线性回归模型用于输出每种分类类型与商品的匹配度。
换言之,服务器可提供一基础模型,通过利用用户的历史记录可训练出线性回归模型,并且,该模型能够输出每种分类类型与商品的匹配度的预测值。
例如,以租车为例,当厂家新推出一款租车车型时,需要确定该款车型与哪个人群更加匹配,然后再进行信息的推送。
可选的,服务器会确定匹配度最大的人群进行信息的发送,例如,服务器将用户划分成了X、Y、Z三个人群,其中,X与商品的匹配度为0.9,Y与商品的匹配度为0.7,Z与商品的匹配度为0.5,则服务器会确定X为目标分类类型,然后向目标分类类型中的每个用户ID推送商品信息。
作为本申请一种可选的实现方式,在S108之前,该方法还包括:
S107,按照预设定的参数对一种或多种分类类型的权重进行调整。
其中,本申请提供的服务器还能够根据实际应用场景调整分类类型的权重,使得能够更加贴近于用户的实际使用。
例如,若商家想要向用户推荐的商品信息为一鲜艳的口红,且研究发现,中年人为该种口红的更加适用人群。有基于此,因此,当确定的线性回归模型后,服务器还会对预设定的参数进行调整,以使中年人的匹配度更加。
作为一种可能的实现方式,在进行权重调整时,可以调整经过线性回归模型后输出的参数,即在输出匹配值后,服务器可设置相应的系数,进而能够起到调整权重的效果。
例如,X、Y、Z三个人群,其中,X与商品的匹配度为0.9,Y与商品的匹配度为0.7,Z与商品的匹配度为0.5,在进行权重调整时,若根据研究显示,商品更适合于Y人群,则可交Y与商品的匹配度的系数设置为1.5,其它人群与商品的匹配度不便,进而使得Y与商品的匹配度更改为0.7*1.5=1.05。
作为本申请另一种可能的实现方式,服务器在进行权重调整时,实际为调整线性回归模型的权重与截距。进而起到调整输出值的效果,进而能够得到针对特定场景的预测值。
并且,可选的,S106包括:
S1061,对历史记录进行预处理,以从历史记录中确定目标参数,并输出预设定的模型中。
由于每个用户ID对应的历史记录中均包括大量的数据,因此为了提升处理效果,服务器需要将历史记录进行预处理,然后从中选取目标参数,并输入至模型中进行处理。
作为一种可选的实现方式,S1061包括:
S1061-1,依据预设定的参数类型从历史记录中确定目标参数。
S1061-2,当历史记录中的目标参数存在缺失时,获取缺失的目标参数的权重。
S1061-3,当缺失的目标参数的权重大于阈值时,将预设定的平均参数作为目标参数,并将处理后的目标参数输入至预设定的模型中。
S1061-4,当缺失的目标参数的权重小于阈值时,直接将目标参数输入至预设定的模型中。
即在本申请中,当服务器获取用户的历史记录后,会首先对数据进行标准化。例如,历史记录中包括20个参数,服务器会确定需要的目标参数。
其中,目标参数的确定,为预先确定了需要的参数类型,然后从历史记录中进行筛选。然而,在实际应用中,用户的历史记录中可能会存在数据确实的情况,例如,用户的年龄信息未填写。
在此基础上,服务区会获取缺失的目标参数的权重。当缺失的目标参数的权重大于阈值时,将预设定的平均参数作为目标参数,并将处理后的目标参数输入至预设定的模型中。当缺失的目标参数的权重小于阈值时,直接将目标参数输入至预设定的模型中。
例如,缺失的参数的权重为0.8,阈值为0.5,则此时表示缺失的数据较为重要,需要将平均值作为该参数值,其中,平均值可以为所有历史记录中该参数的平均值。
综上,通过上述实现方式,能够使得推送的信息更加具有针对性,用户的满意度更高。
第二实施例
在上述实施例的基础上,请参阅图6,本申请还提供了一种信息推送装置300,该信息推送装置300中的各个模块能够用于执行上述的信息推送方法。该信息推送装置300包括:
数据获取模块310,用于获取用户原始数据;其中,用户原始数据包括用户ID与历史记录。
数据处理模块320,用于按照预设定种类的对用户ID进行分类,并依据贝叶斯分类算法确定每个分类中的目标用户ID。
数据处理模块320,还用于将历史记录与用户ID的分类类型输入至预设定的模型中,以获取线性回归模型,其中,线性回归模型用于输出每种分类类型与商品的匹配度。
数据处理模块320,还用于利用线性回归模型输出每种分类类型与商品的匹配度的预测值。
数据处理模块320,还用于依据匹配度预设值确定目标分类类型。
数据推送模块330,用于向目标分类类型中的每个用户ID推送商品信息。
数据处理模块320,还用于按照预设定的参数对一种或多种分类类型的权重进行调整。
数据处理模块320,还用于对历史记录进行预处理,以从历史记录中确定目标参数,并输出预设定的模型中。
数据处理模块320,还用于依据预设定的参数类型从历史记录中确定目标参数;并在当历史记录中的目标参数存在缺失时,获取缺失的目标参数的权重;当缺失的目标参数的权重大于阈值时,将预设定的平均参数作为目标参数,并将处理后的目标参数输入至预设定的模型中;当缺失的目标参数的权重小于阈值时,直接将目标参数输入至预设定的模型中。
并且,需要说明的是,电子设备100可以是通用计算机或特殊用途的计算机,两者都可以用于实现本发明实施例的信息推送方法。本发明实施例尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本申请描述的功能,以均衡处理负载。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器102执行时实现上述实施例揭示的信息推送方法。
综上所述,本申请提供了一种信息推送方法及相关装置,首先得获取用户原始数据;其中,用户原始数据包括用户ID与历史记录,然后按照预设定种类的对用户ID进行分类,并依据贝叶斯分类算法确定每个分类中的目标用户ID,再将历史记录与用户ID的分类类型输入至预设定的模型中,以获取线性回归模型,其中,线性回归模型用于输出每种分类类型与商品的匹配度,然后利用线性回归模型输出每种分类类型与商品的匹配度的预测值,再依据匹配度预设值确定目标分类类型,最后向目标分类类型中的每个用户ID推送商品信息。由于本申请中在线性回归模型中融合了贝叶斯算法,其能够实现对人群的精细化划分,进而使得推送的信息更加具有针对性,用户的满意度更高。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种信息推送方法,其特征在于,所述方法包括:
获取用户原始数据;其中,所述用户原始数据包括用户ID与历史记录;
按照预设定种类的对所述用户ID进行分类,并依据贝叶斯分类算法确定每个分类中的目标用户ID;
将所述历史记录与所述用户ID的分类类型输入至预设定的模型中,以获取线性回归模型,其中,所述线性回归模型用于输出每种分类类型与商品的匹配度;
利用线性回归模型输出每种分类类型与所述商品的匹配度的预测值;
依据所述匹配度预设值确定目标分类类型;
向所述目标分类类型中的每个用户ID推送商品信息。
2.如权利要求1所述的信息推送方法,其特征在于,在所述利用线性回归模型输出每种分类类型与所述商品的匹配度的预测值的步骤之前,所述方法还包括:
按照预设定的参数对一种或多种分类类型的权重进行调整。
3.如权利要求1所述的信息推送方法,其特征在于,所述将所述历史记录与所述用户ID的分类类型输入至预设定的模型中,以获取线性回归模型的步骤包括:
对所述历史记录进行预处理,以从所述历史记录中确定目标参数,并输出所述预设定的模型中。
4.如权利要求3所述的信息推送方法,其特征在于,所述对所述历史记录进行预处理,以从所述历史记录中确定目标参数,并输出所述预设定的模型中的步骤包括:
依据预设定的参数类型从所述历史记录中确定目标参数;
当所述历史记录中的目标参数存在缺失时,获取缺失的所述目标参数的权重;
当缺失的所述目标参数的权重大于阈值时,将预设定的平均参数作为所述目标参数,并将处理后的目标参数输入至所述预设定的模型中;
当缺失的所述目标参数的权重小于阈值时,直接将所述目标参数输入至所述预设定的模型中。
5.一种信息推送装置,其特征在于,所述装置包括:
数据获取模块,用于获取用户原始数据;其中,所述用户原始数据包括用户ID与历史记录;
数据处理模块,用于按照预设定种类的对所述用户ID进行分类,并依据贝叶斯分类算法确定每个分类中的目标用户ID;
数据处理模块,还用于将所述历史记录与所述用户ID的分类类型输入至预设定的模型中,以获取线性回归模型,其中,所述线性回归模型用于输出每种分类类型与商品的匹配度;
数据处理模块,还用于利用线性回归模型输出每种分类类型与所述商品的匹配度的预测值;
数据处理模块,还用于依据所述匹配度预设值确定目标分类类型;
数据推送模块,用于向所述目标分类类型中的每个用户ID推送商品信息。
6.如权利要求5所述的信息推送装置,其特征在于,数据处理模块,还用于按照预设定的参数对一种或多种分类类型的权重进行调整。
7.如权利要求5所述的信息推送装置,其特征在于,数据处理模块,还用于对所述历史记录进行预处理,以从所述历史记录中确定目标参数,并输出所述预设定的模型中。
8.权利要求7所述的信息推送装置,其特征在于,数据处理模块,还用于依据预设定的参数类型从所述历史记录中确定目标参数;并在当所述历史记录中的目标参数存在缺失时,获取缺失的所述目标参数的权重;当缺失的所述目标参数的权重大于阈值时,将预设定的平均参数作为所述目标参数,并将处理后的目标参数输入至所述预设定的模型中;当缺失的所述目标参数的权重小于阈值时,直接将所述目标参数输入至所述预设定的模型中。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-4中任一项所述的方法。
10.一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,该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911391710.0A CN111105297A (zh) | 2019-12-30 | 2019-12-30 | 一种信息推送方法与相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911391710.0A CN111105297A (zh) | 2019-12-30 | 2019-12-30 | 一种信息推送方法与相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111105297A true CN111105297A (zh) | 2020-05-05 |
Family
ID=70425312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911391710.0A Pending CN111105297A (zh) | 2019-12-30 | 2019-12-30 | 一种信息推送方法与相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105297A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464106A (zh) * | 2020-11-26 | 2021-03-09 | 上海哔哩哔哩科技有限公司 | 对象推荐方法及装置 |
CN112488799A (zh) * | 2020-12-14 | 2021-03-12 | 北京易兴元石化科技有限公司 | 一种基于加油站端的石油数据处理方法、装置及存储介质 |
CN112801763A (zh) * | 2021-04-14 | 2021-05-14 | 浙江口碑网络技术有限公司 | 一种触达方案生成方法、装置及电子设备 |
CN113112173A (zh) * | 2021-04-20 | 2021-07-13 | 长沙市到家悠享网络科技有限公司 | 一种家政服务人员智能匹配方法、系统和计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107093135A (zh) * | 2017-06-08 | 2017-08-25 | 北京惠赢天下网络技术有限公司 | 一种推荐订单的方法及装置 |
CN107341173A (zh) * | 2017-05-16 | 2017-11-10 | 阿里巴巴集团控股有限公司 | 一种信息处理方法及装置 |
CN108021574A (zh) * | 2016-11-02 | 2018-05-11 | 北京酷我科技有限公司 | 一种搜索方法及装置 |
CN109407914A (zh) * | 2017-08-18 | 2019-03-01 | 阿里巴巴集团控股有限公司 | 用户特征识别方法、装置、设备、介质和操作系统 |
CN110363604A (zh) * | 2018-04-09 | 2019-10-22 | 北京京东尚科信息技术有限公司 | 页面生成方法和装置 |
CN110390569A (zh) * | 2018-04-16 | 2019-10-29 | 腾讯科技(深圳)有限公司 | 一种内容推广方法、装置及存储介质 |
-
2019
- 2019-12-30 CN CN201911391710.0A patent/CN111105297A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021574A (zh) * | 2016-11-02 | 2018-05-11 | 北京酷我科技有限公司 | 一种搜索方法及装置 |
CN107341173A (zh) * | 2017-05-16 | 2017-11-10 | 阿里巴巴集团控股有限公司 | 一种信息处理方法及装置 |
CN107093135A (zh) * | 2017-06-08 | 2017-08-25 | 北京惠赢天下网络技术有限公司 | 一种推荐订单的方法及装置 |
CN109407914A (zh) * | 2017-08-18 | 2019-03-01 | 阿里巴巴集团控股有限公司 | 用户特征识别方法、装置、设备、介质和操作系统 |
CN110363604A (zh) * | 2018-04-09 | 2019-10-22 | 北京京东尚科信息技术有限公司 | 页面生成方法和装置 |
CN110390569A (zh) * | 2018-04-16 | 2019-10-29 | 腾讯科技(深圳)有限公司 | 一种内容推广方法、装置及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464106A (zh) * | 2020-11-26 | 2021-03-09 | 上海哔哩哔哩科技有限公司 | 对象推荐方法及装置 |
CN112488799A (zh) * | 2020-12-14 | 2021-03-12 | 北京易兴元石化科技有限公司 | 一种基于加油站端的石油数据处理方法、装置及存储介质 |
CN112488799B (zh) * | 2020-12-14 | 2024-04-09 | 北京易兴元石化科技有限公司 | 一种基于加油站端的石油数据处理方法、装置及存储介质 |
CN112801763A (zh) * | 2021-04-14 | 2021-05-14 | 浙江口碑网络技术有限公司 | 一种触达方案生成方法、装置及电子设备 |
CN112801763B (zh) * | 2021-04-14 | 2021-08-24 | 浙江口碑网络技术有限公司 | 一种触达方案生成方法、装置及电子设备 |
CN113112173A (zh) * | 2021-04-20 | 2021-07-13 | 长沙市到家悠享网络科技有限公司 | 一种家政服务人员智能匹配方法、系统和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111105297A (zh) | 一种信息推送方法与相关装置 | |
WO2020048084A1 (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN109241427A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN109242612B (zh) | 一种产品推荐的方法及设备 | |
US9569499B2 (en) | Method and apparatus for recommending content on the internet by evaluating users having similar preference tendencies | |
KR102227552B1 (ko) | 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템 | |
US20030063779A1 (en) | System for visual preference determination and predictive product selection | |
US11676194B2 (en) | Faceted item recommendation system | |
US20160306890A1 (en) | Methods and systems for assessing excessive accessory listings in search results | |
US11288726B2 (en) | Configuring food-related information search and retrieval based on a predictive quality indicator | |
CN107808314B (zh) | 用户推荐方法及装置 | |
CN109597858B (zh) | 一种商户的分类方法及其装置和商户的推荐方法及其装置 | |
CN105787055A (zh) | 信息推荐方法及装置 | |
CN111126442B (zh) | 一种物品关键属性生成方法、物品分类方法和装置 | |
CN110990695A (zh) | 推荐系统内容召回方法及装置 | |
CN110782286A (zh) | 广告推送方法、装置、服务器及计算机可读存储介质 | |
CN110634015A (zh) | 一种基于计算机软件的消费习惯分析系统 | |
CN111083211B (zh) | 一种基于大数据平台的用户触达方法与系统 | |
CN106294410A (zh) | 一种个性化信息推送时间的确定方法及确定系统 | |
JP2022523634A (ja) | 個人向けの在庫管理のためのテキストデータの符号化 | |
US20230099627A1 (en) | Machine learning model for predicting an action | |
CN111177564B (zh) | 一种产品推荐方法及装置 | |
CN112258285A (zh) | 一种内容推荐方法及装置、设备、存储介质 | |
CN108319721B (zh) | 应用程序推荐方法、装置、用户终端及服务器 | |
CN108805716A (zh) | 一种圈子推荐方法及装置 |
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 |