CN111125526A - 基于人工智能的内容推送方法、装置及电子设备 - Google Patents

Abstract

本发明提供了一种基于人工智能的内容推送方法、装置、电子设备及存储介质；方法包括：获取对应用户的传感器数据及地理位置；根据所述传感器数据及所述地理位置，确定所述用户的用户状态；当所述用户状态为空闲状态时，确定待推送内容集合中与所述用户匹配的内容；对与所述用户匹配的多个内容进行评分，并确定满足分数条件的内容；基于所述满足分数条件的内容进行对应所述用户的推送处理。通过本发明能够有效识别出空闲状态，并在空闲状态推送与用户匹配的内容，提升推送的内容对于用户的吸引度，利于提升推送转化率。

Description

基于人工智能的内容推送方法、装置及电子设备

技术领域

本发明涉及人工智能技术，尤其涉及一种基于人工智能的内容推送方法、装置、电子设备及存储介质。

背景技术

人工智能(AI，Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。

内容推送是人工智能的一个重要应用，主要研究如何确定出用户感兴趣的内容并进行有效推送。在相关技术提供的方案中，对于确定出的内容，通常是在特定的时间点进行推送，例如每天下午六点定时推送，但是该种推送方式对于用户的吸引度低，用户浏览推送内容的概率较小，推送效果差。

发明内容

本发明实施例提供一种基于人工智能的内容推送方法、装置、电子设备及存储介质，能够在用户处于空闲状态时推送内容，提升推送效果，有效吸引用户浏览推送内容。

本发明实施例的技术方案是这样实现的：

本发明实施例提供一种基于人工智能的内容推送方法，包括：

获取对应用户的传感器数据及地理位置；

根据所述传感器数据及所述地理位置，确定所述用户的用户状态；

当所述用户状态为空闲状态时，确定待推送内容集合中与所述用户匹配的内容；

对与所述用户匹配的多个内容进行评分，并确定满足分数条件的内容；

基于所述满足分数条件的内容进行对应所述用户的推送处理。

本发明实施例提供一种基于人工智能的内容推送装置，包括：

获取模块，用于获取对应用户的传感器数据及地理位置；

状态确定模块，用于根据所述传感器数据及所述地理位置，确定所述用户的用户状态；

内容确定模块，用于当所述用户状态为空闲状态时，确定待推送内容集合中与所述用户匹配的内容；

评分模块，用于对与所述用户匹配的多个内容进行评分，并确定满足分数条件的内容；

推送模块，用于基于所述满足分数条件的内容进行对应所述用户的推送处理。

本发明实施例提供一种电子设备，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本发明实施例提供的基于人工智能的内容推送方法。

本发明实施例提供一种存储介质，存储有可执行指令，用于引起处理器执行时，实现本发明实施例提供的基于人工智能的内容推送方法。

本发明实施例具有以下有益效果：

本发明实施例通过对应用户的传感器数据和地理位置，确定用户的用户状态，当用户状态为空闲状态时，在待推送内容集合中确定与用户匹配的内容，进行推送处理，本发明实施例在用户空闲时进行推送，提升了用户浏览推送内容的概率，提升了推送效果。

附图说明

图1是本发明实施例提供的基于人工智能的内容推送系统的一个可选的架构示意图；

图2是本发明实施例提供的服务器的一个可选的架构示意图；

图3是本发明实施例提供的基于人工智能的内容推送装置的一个可选的架构示意图；

图4A是本发明实施例提供的基于人工智能的内容推送方法的一个可选的流程示意图；

图4B是本发明实施例提供的基于人工智能的内容推送方法的一个可选的流程示意图；

图4C是本发明实施例提供的通过机器学习模型确定行为姿态的一个可选的流程示意图；

图4D是本发明实施例提供的基于人工智能的内容推送方法的一个可选的流程示意图；

图5是本发明实施例提供的基于人工智能的内容推送系统的一个可选的架构示意图；

图6是本发明实施例提供的地图的一个可选的示意图；

图7是相关技术提供的裁剪后图片的示意图；

图8是本发明实施例提供的裁剪后图片的一个可选的示意图；

图9是本发明实施例提供的推送内容的一个可选的示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，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它实施例，都属于本发明保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。

对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。

1)传感器数据：通过传感器获取的与用户对应的数据，传感器可部署于用户使用的电子设备中，如部署在移动设备中的加速度传感器。在本文中，传感器数据至少包括加速度传感器数据。

2)内容：指可进行推送的信息，例如新闻资讯、游戏广告及公众号等。

3)机器学习模型：机器学习(ML，Machine Learning)是人工智能的一个重要分支，主要研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，根据机器学习技术构建的模型即为机器学习模型，如神经网络模型、支持向量机模型及朴素贝叶斯模型等。

4)主成分分析(PCA，Principal Component Analysis)：利用降维的思想，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量。

5)兴趣点(POI，Point Of Interest)：地理信息系统中的术语，泛指一切可以抽象为点的地理对象，如学校、银行及餐馆等。

发明人在实施本发明实施例的过程中发现，在相关技术提供的方案中，通常是研究如何确定用户感兴趣的内容，而在确定出内容后，通常是在设定的时间点进行推送，例如在每天下午六点进行定时资讯推送。但是，在不同场景下，用户对环境和事物的认知会有所起伏，用户对推送内容的敏感度也不尽相同，同样的内容，在不同场景下用户可能会做出完全相反的反应，故进行定时推送的效果差，推送转化率低。

本发明实施例提供一种基于人工智能的内容推送方法、装置、电子设备和存储介质，能够提升用户浏览推送内容的概率，提升推送效果，下面说明本发明实施例提供的电子设备的示例性应用。

参见图1，图1是本发明实施例提供的基于人工智能的内容推送系统100的一个可选的架构示意图，为实现支撑一个基于人工智能的内容推送应用，终端设备400(示例性示出了终端设备400-1和终端设备400-2)通过网络300连接服务器200，服务器200与数据库500连接，其中，终端设备400部署有传感器及定位设备(图1中未示出)，定位设备可根据全球定位系统(GPS，Global Positioning System)技术或其他定位技术进行定位，网络300可以是广域网或者局域网，又或者是二者的组合。

终端设备400用于采集传感器的传感器数据，并采集定位设备中的地理位置，将传感器数据和地理位置发送至服务器200；服务器200用于根据传感器数据及地理位置确定用户的用户状态；当用户状态为空闲状态时，从数据库500获取待推送内容集合，并确定待推送内容集合中与用户匹配的内容；对与用户匹配的多个内容进行评分，将满足分数条件的内容发送至终端设备400；终端设备400还用于在图形界面410(示例性地示出了图形界面410-1和图形界面410-2)显示服务器200发送的内容。作为示例，在图形界面410中示出了推送列表，推送列表包括服务器200发送的内容1、内容2及内容3。

下面继续说明本发明实施例提供的电子设备的示例性应用。电子设备可以实施为笔记本电脑，平板电脑，台式计算机，机顶盒，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)等各种类型的终端设备，也可以实施为服务器。下面，以电子设备为服务器为例进行说明。

参见图2，图2是本发明实施例提供的服务器200(例如，可以是图1所示的服务器200)的架构示意图，图2所示的服务器200包括：至少一个处理器210、存储器240和至少一个网络接口220。服务器200中的各个组件通过总线系统230耦合在一起。可理解，总线系统230用于实现这些组件之间的连接通信。总线系统230除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统230。

处理器210可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

存储器240可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器240可选地包括在物理位置上远离处理器210的一个或多个存储设备。

存储器240包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM，Read Only Memory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本发明实施例描述的存储器240旨在包括任意适合类型的存储器。

在一些实施例中，存储器240能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统241，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块242，用于经由一个或多个(有线或无线)网络接口220到达其他计算设备，示例性的网络接口220包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等。

在一些实施例中，本发明实施例提供的基于人工智能的内容推送装置可以采用软件方式实现，图2示出了存储在存储器240中的基于人工智能的内容推送装置243，其可以是程序和插件等形式的软件，包括以下软件模块：获取模块2431、状态确定模块2432、内容确定模块2433、评分模块2434及推送模块2435，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。

在另一些实施例中，本发明实施例提供的基于人工智能的内容推送装置可以采用硬件方式实现，作为示例，本发明实施例提供的基于人工智能的内容推送装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的基于人工智能的内容推送方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。

本发明实施例提供的基于人工智能的内容推送方法可以由上述的服务器执行，也可以由终端设备(例如，可以是图1所示的终端设备400-1和终端设备400-2)执行，或者由服务器和终端设备共同执行。

下面将结合上文记载的电子设备的示例性应用和结构，说明电子设备中通过嵌入的基于人工智能的内容推送装置而实现基于人工智能的内容推送方法的过程。

参见图3和图4A，图3是本发明实施例提供的基于人工智能的内容推送装置243的架构示意图，示出了通过一系列模块实现内容推送的流程，图4A是本发明实施例提供的基于人工智能的内容推送方法的流程示意图，将结合图3对图4A示出的步骤进行说明。

在步骤101中，获取对应用户的传感器数据及地理位置。

作为示例，参见图3，在获取模块2431中，通过传感器获取用户对应的传感器数据，通过定位设备获取用户所在的地理位置，其中，传感器数据及地理位置可以实时获取，也可以每隔固定的间隔获取，不做限定。

在步骤102中，根据所述传感器数据及所述地理位置，确定所述用户的用户状态。

这里，根据传感器数据及地理位置，确定用户的用户状态，并根据用户状态判断是否进行内容推送，用户状态的具体确定方式在后文进行阐述。

在步骤103中，当所述用户状态为空闲状态时，确定待推送内容集合中与所述用户匹配的内容。

作为示例，参见图3的内容确定模块2433。当用户状态为非空闲状态时，进行内容推送的效果较差，甚至还可能引起用户反感，故在此时不进行内容推送；当用户状态为空闲状态时，推送的内容更可能吸引用户浏览或点击，故确定待推送内容集合中与用户匹配的内容。

在确定与用户匹配的内容时，存在两种情况，其一是不存在用户反馈的兴趣数据，例如该用户是新注册的用户，并未进行过对内容的反馈，在该情况下，可根据待推送内容集合中多个内容自有的热度数据，确定出与用户匹配的内容，例如，将待推送内容集合中的多个内容按照点击量从大到小的顺序进行排序，并将前K位的内容作为与用户匹配的内容，K为大于0的整数；其二是已有用户反馈的兴趣数据，在该情况下，根据兴趣数据进行对应的匹配操作，以使确定出的内容与用户兴趣相符合，提升对用户的吸引度，具体方式在后文进行阐述。

在一些实施例中，可以通过这样的方式来实现上述的当所述用户状态为空闲状态时，确定待推送内容集合中与所述用户匹配的内容：监控正在运行的应用程序；当正在运行的应用程序均属于空闲应用、且所述用户状态为空闲状态时，确定待推送内容集合中与所述用户匹配的内容；当不属于空闲应用的应用程序的后台运行时长超过时长阈值、且所述用户状态为空闲状态时，确定所述待推送内容集合中与所述用户匹配的内容。

在本发明实施例中，可结合当前正在运行的应用程序的情况，来判断是否进行内容推送。具体地，监控正在运行的所有应用程序，应用程序分为两种运行模式，一种是前台运行，通常指在设备桌面上可见地运行，例如游戏应用程序在设备桌面上呈现游戏画面；另一种是后台运行，通常指未呈现于设备桌面，但仍在后台提供相关服务，例如，将社交应用程序从前台切换至后台，社交应用程序在检测到新消息时，将新消息以任务栏的形式呈现，从而提醒用户，此时该社交应用程序处于后台运行的模式，提供有消息提醒的服务。

当监控到的正在运行的应用程序均属于空闲应用、且用户状态为空闲状态时，确认进行内容推送，确定待推送内容集合中与用户匹配的内容，其中，空闲应用可统一设定，也可由用户预先设定，例如将音乐应用程序设定为空闲应用，将社交应用程序和游戏应用程序设定为非空闲应用。当不属于空闲应用的应用程序的后台运行时长超过时长阈值、且用户状态为空闲状态时，确定用户对不属于空闲应用的应用程序的关注度较低，故同样进行内容推送，确定待推送内容集合中与用户匹配的内容，其中，时长阈值可根据实际应用场景进行设置，如设置为1分钟。除此之外，在用户状态为空闲状态的基础上，若不属于空闲应用的应用程序处于前台运行的模式、或不属于空闲应用的应用程序的后台运行时长未超过时长阈值，则确定用户对该应用程序保持有较大关注度，故不进行内容推送，避免对用户造成干扰。通过上述方式，结合用户状态和正在运行的应用程序情况判断是否进行内容推送，进一步提升了确定出的推送时机的准确性。

在步骤104中，对与所述用户匹配的多个内容进行评分，并确定满足分数条件的内容。

作为示例，参见图3，在评分模块2434中，对确定出的与用户匹配的多个内容进行评分，得到每个内容的内容分数，其中，当与用户匹配的内容是仅根据内容的自有数据得到时，可直接根据内容的自有数据对内容进行评分，例如，直接将内容的点击量作为内容分数。完成评分后，确定满足分数条件的内容，分数条件可根据实际应用场景进行设置，例如分数条件为数值最高的N个内容分数，或者高于分数阈值的内容分数，其中N为大于0的整数。

在步骤105中，基于所述满足分数条件的内容进行对应所述用户的推送处理。

作为示例，参见图3，在评分模块2435中，基于满足分数条件的内容进行对应用户的推送处理，对于不同形式的内容来说，可设定不同的推送处理方式，例如以任务栏形式呈现内容、发送包括内容的短信及发送包括内容的邮件等，本发明实施例对此不做限定。

在一些实施例中，可以通过这样的方式来实现上述的基于所述满足分数条件的内容进行对应所述用户的推送处理：当满足分数条件的内容包括图片时，获取所述内容中的图片展示尺寸；对所述内容中的图片进行人像识别，得到人像位置；根据所述人像位置和所述图片展示尺寸，对所述内容中的图片进行裁剪处理，得到以所述人像位置为中心的更新图片；向所述用户的终端设备推送所述更新图片。

对于满足分数条件的内容包括图片的情况，为了提升推送效果，可获取该内容中的图片展示尺寸，并对该内容中的图片进行人像识别，得到人像位置，本发明实施例对人像识别的方式不做限定，例如可通过训练好的卷积神经网络(CNN，Convolutional NeuralNetworks)模型进行人像识别。由于人像通常是内容的关键信息，同时人像也更具辨识度，故根据人像位置和图片展示尺寸，对内容中的图片进行裁剪处理，得到以人像位置为中心、且尺寸符合图片展示尺寸的更新图片，最后向用户的终端设备推送该更新图片，例如，将更新图片以彩信形式发送至用户的终端设备，又例如将更新图片呈现于用户终端设备的图形界面上。通过上述方式，使得推送的内容中的人像信息更清晰，利于吸引用户浏览或点击。

通过发明实施例对于图4A的上述示例性实施可知，本发明实施例根据传感器数据及地理位置确定用户的用户状态，并在用户状态为空闲状态时，确定对应的内容进行内容推送，提升了推送时机的恰当性及推送效果。

在一些实施例中，参见图4B，图4B是本发明实施例提供的基于人工智能的内容推送方法的一个可选的流程示意图，图4A示出的步骤102可以通过步骤201至步骤203实现，将结合各步骤进行说明。

在步骤201中，通过机器学习模型对设定时段的所述传感器数据进行预测处理，得到所述用户的行为姿态。

作为示例，参见图3，在状态确定模块2432中，通过机器学习模型对设定时段的传感器数据进行预测处理，得到表征用户当前行为的行为姿态，其中，设定时段可根据实际应用场景进行设定，如当前时间之前(包括当前时间)的10秒内。

在步骤202中，获取地图信息，并根据所述地图信息对所述地理位置进行匹配处理，得到位置匹配结果。

作为示例，参见图3，在状态确定模块2432中，根据获取到的地图信息对地理位置进行匹配处理得到位置匹配结果。值得说明的是，这里获取的可以是大范围的地图信息，例如全球或全国的地图信息，地图信息也可以与获取的地理位置对应，例如，以地理位置为圆心，以特定的距离为半径，获取所构建的圆形范围内的地图信息，又例如获取地理位置所在的县、区或市等行政区划的地图信息。

在一些实施例中，可以通过这样的方式来实现上述的根据所述地图信息对所述地理位置进行匹配处理，得到位置匹配结果：确定所述地理位置与所述地图信息中多个兴趣点之间的距离；当数值最小的距离小于距离阈值时，确定所述地理位置与所述数值最小的距离对应的兴趣点匹配。

匹配处理可以根据兴趣点进行匹配，具体地，确定最新获取的地理位置与地图信息中各个兴趣点之间的距离，当数值最小的距离大于或等于距离阈值时，确定地理位置与所有兴趣点匹配失败，距离阈值可根据实际应用场景进行设置，如设置为1千米；当数值最小的距离小于距离阈值时，确定地理位置与该数值最小的距离对应的兴趣点匹配。通过上述方式，便于确定用户所在或接近的兴趣点。

在一些实施例中，可以通过这样的方式来实现上述的根据所述地图信息对所述地理位置进行匹配处理，得到位置匹配结果：根据多个所述地理位置确定移动轨迹；根据所述地理位置对应的时间点，确定在所述移动轨迹上的平均速度；当所述移动轨迹与所述地图信息中的公共交通线路重合、且所述平均速度超过所述公共交通线路对应的速度阈值时，确定所述地理位置与所述公共交通线路匹配。

除了兴趣点外，本发明实施例还提供了线路匹配的方式，具体地，根据在设定的匹配时段内获取的多个地理位置确定用户的移动轨迹，其中，匹配时段如4分钟。然后，根据获取地理位置的时间点，确定用户在移动轨迹上的平均速度，例如，在6点整、6点零2分和6点零4分，分别获取到三个地理位置，确定出的移动轨迹的总移动距离为4千米，则可确定出用户在移动轨迹上的平均速度为1千米/分钟。当确定出的移动轨迹与地图信息中的某条公共交通线路重合、且平均速度超过该公共交通线路对应的速度阈值时，确定地理位置与该公共交通线路匹配，其中，公共交通线路包括但不限于公交线路和地铁线路，设定的速度阈值与公共交通线路对应的车辆最低运行速度相符，例如，地铁线路对应的速度阈值高于公交线路对应的速度阈值。通过上述方式，提升了位置匹配的灵活性，在实际应用场景中，可应用兴趣点匹配和线路匹配的其中一种，也可共同应用两种方式，本发明实施例对此不做限定。

在步骤203中，当所述行为姿态及所述位置匹配结果中的任一个满足空闲状态条件时，确定所述用户的用户状态为空闲状态。

这里，对于行为姿态，可设定当行为姿态为静止姿态、躺下姿态、蹲下姿态及就餐姿态等的其中之一时，确定行为姿态满足空闲状态条件。对于根据兴趣点匹配方式得到的位置匹配结果，可设定当位置匹配结果中匹配的兴趣点为公共交通站点、医院及餐厅等的其中之一时，确定位置匹配结果满足空闲状态条件。对于根据线路匹配得到的位置匹配结果，可设定当位置匹配结果中的地理位置与任一公共交通线路匹配时，确定位置匹配结果满足空闲状态条件。

作为示例，参见图3，在状态确定模块2432中，当行为姿态及位置匹配结果中的任一个满足空闲状态条件时，确定用户的用户状态为空闲状态，并在后续步骤中确定对应的内容进行推送。

在一些实施例中，在任意步骤之间，还包括：获取所述用户设置的用户状态；当所述用户设置的用户状态为空闲状态时，对所述用户设置用户状态时的行为姿态及位置匹配结果进行频次统计处理；根据满足频次条件的行为姿态及位置匹配结果，更新所述空闲状态条件。

除了根据传感器数据及地理位置确定用户状态之外，还可获取用户主动设置的用户状态。当用户设置的用户状态为空闲状态时，确定用户设置用户状态时的行为姿态及位置匹配结果，并对该行为姿态及位置匹配结果进行频次统计处理，其中，各种行为姿态及位置匹配结果的初始频次均设置为0。然后，将满足频次条件的行为姿态及位置匹配结果，添加至空闲状态条件中，即作为后续判断用户状态是否为空闲状态的条件。

举例来说，频次条件为次数高于50次，若用户设置用户状态为空闲状态的次数为100次，其中用户处于走路姿态的次数为80次，则确定走路姿态满足频次条件，将走路姿态添加至空闲状态条件中。若在后续过程中根据传感器数据确定出用户的行为姿态为走路姿态，则确定行为姿态满足空闲状态条件，并确定用户状态为空闲状态。通过上述方式实现了空闲状态条件的自适应更新，提升了对于用户的针对性。

通过发明实施例对于图4B的上述示例性实施可知，本发明实施例通过确定行为姿态和位置匹配结果，当行为姿态及位置匹配结果中的任一个满足空闲状态条件时，确定用户状态为空闲状态，提升了确定推送时机的准确性。

在一些实施例中，参见图4C，图4C是本发明实施例提供的通过机器学习模型确定行为姿态的一个可选的流程示意图，图4B示出的步骤201可以通过步骤301至步骤304实现，将结合各步骤进行说明。

在步骤301中，获取设定时段的样本传感器数据以及对应的样本行为姿态。

这里，对预测处理依赖的机器学习模型进行训练，首先，获取设定时段的样本传感器数据以及已标注的样本行为姿态。

在步骤302中，根据所述设定时段的样本传感器数据确定样本行为特征，并根据所述样本行为特征和所述样本行为姿态对机器学习模型进行更新。

这里，从设定时段的样本传感器数据中提取样本行为特征，并根据机器学习模型对样本行为特征进行预测处理，得到预测行为姿态，根据样本行为姿态与预测行为姿态之间的差异，对机器学习模型的权重参数进行更新，以使更新后的机器学习模型输出的预测行为姿态与样本行为姿态更为接近。

在一些实施例中，可以通过这样的方式来实现上述的根据所述设定时段的样本传感器数据确定样本行为特征，并根据所述样本行为特征和所述样本行为姿态对机器学习模型进行更新：根据所述设定时段的样本传感器数据，确定对应设备的握持姿态；在所述设定时段的样本传感器数据中，确定所述握持姿态对应轴向的加速度传感器数据；对所述加速度传感器数据进行离散小波变换，得到初级特征；对所述初级特征进行奇异值分解处理，得到样本行为特征；根据所述样本行为特征和所述样本行为姿态，对所述握持姿态对应的机器学习模型进行更新。

在该种特征提取的方式中，样本传感器数据包括近程传感器数据、光照传感器数据和加速度传感器数据，其中，近程传感器数据用于指示与被检测物之间的距离。对于不同的握持姿态，其对应的传感器数据的表现不同，故可通过样本传感器数据确定对应设备的握持姿态，其中，握持姿态如胸前、耳边及兜中等。对于每一种握持姿态，还设置对应的轴向，例如设置胸前对应的轴向为z轴，耳边和兜中对应的轴向为x轴。

加速度传感器数据通常包括x，y和z三个轴向的数据，在确定出设备的握持姿态后，在设定时段的样本传感器数据中提取对应轴向的加速度传感器数据，并对该加速度传感器数据进行离散小波变换，提取高频和低频信息，组成初级特征。然后，对初级特征进行奇异值分解处理，完成特征降维，得到样本行为特征。最后，根据样本行为特征和样本行为姿态，对该握持姿态对应的机器学习模型进行更新。值得说明的是，不同握持姿态对应单独的机器学习模型，这里的机器学习模型可以是支持向量机模型。通过上述方式，能够有效提取出样本行为特征，提升了模型更新的准确性。

在一些实施例中，可以通过这样的方式来实现上述的根据所述设定时段的样本传感器数据确定样本行为特征：确定所述设定时段的样本传感器数据中的加速度传感器数据，并对所述加速度传感器数据进行特征提取处理，得到多个候选特征；对多个所述候选特征进行主成分分析处理，得到各所述候选特征的贡献度；将满足贡献度条件的贡献度对应的候选特征，确定为样本行为特征。

在该种特征提取的方式中，确定设定时段的样本传感器数据中的加速度传感器数据，当然，样本传感器数据也可仅包括加速度传感器数据。对加速度传感器数据进行特征提取处理，得到设定的多个候选特征，候选特征如加速度最大值和加速度最小值等。然后，对多个候选特征进行主成分分析处理，得到各候选特征对于确定行为姿态的贡献度，并将满足贡献度条件的贡献度对应的候选特征，确定为样本行为特征，贡献度条件如数值最大的前10位贡献度。通过上述的主成分分析的方式得到样本行为特征，减少了需要提取的特征的种类，减少了后续特征提取的计算量，同时也提升了根据样本行为特征进行模型更新的准确性。

在一些实施例中，可以通过这样的方式来实现上述的根据所述设定时段的样本传感器数据确定样本行为特征：确定所述设定时段的样本传感器数据中的加速度传感器数据，并对所述加速度传感器数据进行加窗处理；对加窗处理后的、且长度为单个窗长的所述加速度传感器数据进行特征提取处理，得到样本行为特征；其中，所述样本行为特征包括标准差、偏度、峰度及相关系数。

这里，确定设定时段的样本传感器数据中的加速度传感器数据，当然，样本传感器数据也可仅包括加速度传感器数据。为了便于特征提取，对加速度传感器数据进行预处理，具体对加速度传感器数据进行加窗处理，例如根据窗长为512个样本点的矩形窗分割加速度传感器数据，相邻的窗存在半个窗长的重叠。完成加窗处理后，对长度为单个窗长的加速度传感器数据进行特征提取处理，得到样本行为特征，其中，样本行为特征的种类可预先设定，如包括标准差、偏度、峰度及相关系数。通过上述方式，根据提取的样本行为特征进行模型更新时，同样能取得较好的效果，可以根据实际应用场景，采用上文三种方式的任一种进行特征提取。

在步骤303中，根据设定时段的所述传感器数据确定行为特征。

这里，从设定时段的传感器数据中提取行为特征，上文的提取样本行为特征的方式，同样适用于本步骤。

在步骤304中，通过更新后的所述机器学习模型，对所述行为特征进行预测处理，得到所述用户的行为姿态。

这里，通过更新后的机器学习模型，对提取出的行为特征进行预测处理，得到用户的行为姿态。

通过发明实施例对于图4C的上述示例性实施可知，本发明实施例通过更新机器学习模型，并通过更新后的机器学习模型进行预测处理得到行为姿态，提升了确定行为姿态的准确性。

在一些实施例中，参见图4D，图4D是本发明实施例提供的基于人工智能的内容推送方法的一个可选的流程示意图，图4A示出的步骤103可以通过步骤401至步骤406实现，将结合各步骤进行说明。

在步骤401中，当所述用户状态为空闲状态时，获取所述用户反馈的兴趣数据。

这里，获取用户对于内容反馈的兴趣数据，该兴趣数据可包括正面兴趣数据和负面兴趣数据，正面兴趣数据如用户浏览或点击了某内容，负面兴趣数据如用户设置了对某内容不感兴趣。

在步骤402中，根据所述兴趣数据构建用户画像，并将所述用户画像和所述待推送内容集合中多个内容的内容画像进行匹配，得到匹配度。

作为示例，参见图3，在内容确定模块2433中，根据兴趣数据中包括的用户标签构建用户画像，并获取待推送内容集合中多个内容的内容画像，内容画像包括有对应内容的内容标签，内容标签可预先设定。然后，将用户画像与多个内容的内容画像进行匹配，得到匹配度。以内容为电影的情况进行举例，用户画像中包括的用户标签表征用户对于电影的喜好类型，用户标签具体包括“剧情”、“战争”和“文艺”，某个内容的内容标签包括“剧情”、“悬疑”和“惊悚”，则匹配度可以设定为重合的标签与用户标签的总数之间的比值，在该例中，由于用户标签与内容标签之间仅有“剧情”标签重合，故匹配得到的匹配度为1/3。

在步骤403中，将高于匹配度阈值的匹配度对应的内容确定为与所述用户匹配的内容。

作为示例，参见图3，在内容确定模块2433中，根据实际应用场景设置匹配度阈值，并将高于匹配度阈值的匹配度对应的内容确定为与用户匹配的内容。

在步骤404中，通过所述兴趣数据更新内容推送模型。

作为示例，参见图3，在内容确定模块2433中，在进行画像匹配的同时，进行模型预测。首先，通过兴趣数据更新内容推送模型，例如，根据用户特征和正面兴趣数据中的内容特征构建正面训练样本，根据用户特征和负面兴趣数据中的内容特征构建负面训练样本，从而根据正面训练样本和负面训练样本对内容推送模型的权重参数进行更新，其中，用户特征如用户年龄及用户性别等，内容特征如内容名称、内容类型及内容的热度数据等。

在步骤405中，将所述用户的用户特征和所述待推送内容集合中多个内容的内容特征进行一一对应组合，得到多个组合特征。

这里，组建模型的预测对象，具体将用户的用户特征和待推送内容集合中多个内容的内容特征进行一一对应组合，得到多个组合特征。例如待推送内容集合包括内容1和内容2，内容1的内容特征为A，内容2的内容特征为B，则得到的组合特征包括“用户特征-A”和“用户特征-B”。

在步骤406中，通过更新后的所述内容推送模型，对所述组合特征进行预测处理得到兴趣概率，并将高于概率阈值的兴趣概率对应的内容确定为与所述用户匹配的内容。

作为示例，参见图3，在内容确定模块2433中，通过更新后的内容推送模型对每个组合特征进行预测处理，得到兴趣概率，然后，将其中高于设定的概率阈值的兴趣概率对应的内容，确定为与用户匹配的内容。将步骤403得到的内容和步骤406的内容进行合并及去重，得到最终的与用户匹配的内容。

在一些实施例中，可以通过这样的方式来实现上述的对与所述用户匹配的多个内容进行评分：获取与所述匹配度对应的第一权重，并获取与所述兴趣概率对应的第二权重；根据所述第一权重和所述第二权重，对与所述用户匹配的内容的匹配度和兴趣概率进行加权处理，得到内容分数。

作为示例，参见图3，在评分模块2434中，为了确定综合效果更好的内容，获取设定的与匹配度统一对应的第一权重，并获取设定的与兴趣概率统一对应的第二权重。当与用户匹配的内容是经过步骤403得到的，同时经过步骤406也得到同样的该内容时，根据第一权重和第二权重对该内容的匹配度和兴趣概率进行加权平均，得到内容分数；当与用户匹配的内容仅是经过步骤403得到的、或仅是经过步骤406得到的时，将该内容原有的匹配度或兴趣概率作为内容分数。通过上述方式，均衡了两种内容确定方式，提升了内容分数的准确性。

通过发明实施例对于图4D的上述示例性实施可知，本发明实施例通过画像匹配和模型预测两种方式确定与用户匹配的内容，提升了确定出的内容与用户的匹配程度，有利于吸引用户对推送的内容进行浏览或点击。

下面，将说明本发明实施例在一个实际的应用场景中的示例性应用。

本发明实施例提供了如图5所示的基于人工智能的内容推送系统的一个可选的架构示意图，在图5中，获取用户对应的传感器数据及地理位置，例如通过用户持有的手机中的加速度传感器，得到加速度传感器数据，通过用户持有手机中的GPS模块，得到用户所在的地理位置。

对于得到的传感器数据，根据其进行用户的姿态识别，具体从传感器数据中提取出行为特征，并根据机器学习模型对行为特征进行预测处理，得到用户的行为姿态。

对于得到的地理位置，对其进行匹配处理，得到位置匹配结果。具体计算最新的地理位置与地图中多个兴趣点之间的距离，当数值最小的距离小于距离阈值时，确定该地理位置与数值最小的距离对应的兴趣点匹配。同时，根据设定的匹配时段(如5分钟)内获取到的多个地理位置确定用户的移动轨迹，并根据地理位置对应的时间点，确定用户在移动轨迹上的平均速度，当该移动轨迹与地图中的公共交通线路重合、且平均速度超过该公共交通线路对应的速度阈值时，确定地理位置与公共交通线路匹配。

作为示例，参见图6，图6是本发明实施例提供的地图的一个可选的示意图，该地图包括地铁线路61至66，当用户的移动轨迹与地铁线路61至66中的任一条符合、且平均速度超过地铁对应的速度阈值时，确定用户的地理位置与对应的地铁线路匹配。

当行为姿态及位置匹配结果中的任一个满足空闲状态条件时，确定用户的用户状态为空闲状态。例如，在图5中，对于行为姿态，可设定空闲状态条件为用户的行为姿态属于蹲下姿态、走路姿态、躺下姿态及静止姿态中的任一个；对于根据兴趣点进行的位置匹配，可设定空闲状态条件为匹配的兴趣点属于地铁站点、公交站点及医院中的任一个；对于根据线路进行的位置匹配，可设定空闲状态条件为地理位置与任一公共交通线路匹配，其中公共交通线路包括公交线路和地铁线路。

当确定出用户状态为空闲状态时，用户很可能在主观上较为无聊，故在此时进行内容推送，更能够吸引用户注意力。具体地，在待推送内容集合中确定与用户匹配的内容，对与用户匹配的多个内容进行评分，并对满足分数条件的内容进行推送处理。其中，当满足分数条件的内容包括图片时，为了使推送的内容更具吸引力，获取内容中的图片展示尺寸，并对该内容中的图片进行人像识别得到人像位置。然后，根据人像位置和图片展示尺寸，对该内容中的图片进行裁剪处理，得到以人像位置为中心、且尺寸符合图片展示尺寸的更新图片，并向用户的终端设备推送该更新图片。

作为示例，若根据图片展示尺寸对进行推送处理的原图片进行随机裁剪，则很可能得到类似图7的结果，即人像位置位于图片边缘，人像信息的呈现效果差。在本发明实施例中，通过识别出的人像位置和图片展示尺寸，对图7的原图片进行裁剪处理后，得到如图8所示的结果，在图8中，人像位置位于图片中央，能够较好地体现人像信息，利于吸引用户关注。

本发明实施例还提供了如图9所示的推送内容的一个可选的示意图，在图9的推送内容中，包括内容标题、内容提供方、评论数量及图片，其中，图片91、92及93均是通过人像位置和图片展示尺寸进行裁剪处理得到，各图片的人像位置均位于图片中央，从而提升内容推送的效果，有利于提升推送转化率。

在进行内容推送之后，可获取用户反馈的兴趣数据，该兴趣数据可包括正面兴趣数据和负面兴趣数据，正面兴趣数据如用户浏览或点击了某内容，负面兴趣数据如用户设置了对某内容不感兴趣。根据兴趣数据可构建该用户的用户画像，从而在后续的推送过程中，根据用户画像推送与该用户兴趣更匹配的内容。该兴趣数据也可用于训练内容推送模型，从而在后续的推送过程中，根据训练后的内容推送模型，推送与该用户兴趣更匹配的内容，提升推送效果。另外，也可根据用户反馈的数据，对空闲状态条件进行更新，提升空闲状态条件对于不同用户的针对性。

下面继续说明本发明实施例提供的基于人工智能的内容推送装置243实施为软件模块的示例性结构，在一些实施例中，如图2所示，存储在存储器240的基于人工智能的内容推送装置243中的软件模块可以包括：获取模块2431，用于获取对应用户的传感器数据及地理位置；状态确定模块2432，用于根据所述传感器数据及所述地理位置，确定所述用户的用户状态；内容确定模块2433，用于当所述用户状态为空闲状态时，确定待推送内容集合中与所述用户匹配的内容；评分模块2434，用于对与所述用户匹配的多个内容进行评分，并确定满足分数条件的内容；推送模块2435，用于基于所述满足分数条件的内容进行对应所述用户的推送处理。

在一些实施例中，状态确定模块2432，还用于：通过机器学习模型对设定时段的所述传感器数据进行预测处理，得到所述用户的行为姿态；获取地图信息，并根据所述地图信息对所述地理位置进行匹配处理，得到位置匹配结果；当所述行为姿态及所述位置匹配结果中的任一个满足空闲状态条件时，确定所述用户的用户状态为空闲状态。

在一些实施例中，状态确定模块2432，还用于：获取设定时段的样本传感器数据以及对应的样本行为姿态；根据所述设定时段的样本传感器数据确定样本行为特征，并根据所述样本行为特征和所述样本行为姿态对机器学习模型进行更新；根据设定时段的所述传感器数据确定行为特征；通过更新后的所述机器学习模型，对所述行为特征进行预测处理，得到所述用户的行为姿态。

在一些实施例中，状态确定模块2432，还用于：根据所述设定时段的样本传感器数据，确定对应设备的握持姿态；在所述设定时段的样本传感器数据中，确定所述握持姿态对应轴向的加速度传感器数据；对所述加速度传感器数据进行离散小波变换，得到初级特征；对所述初级特征进行奇异值分解处理，得到样本行为特征；根据所述样本行为特征和所述样本行为姿态，对所述握持姿态对应的机器学习模型进行更新。

在一些实施例中，状态确定模块2432，还用于：确定所述设定时段的样本传感器数据中的加速度传感器数据，并对所述加速度传感器数据进行特征提取处理，得到多个候选特征；对多个所述候选特征进行主成分分析处理，得到各所述候选特征的贡献度；将满足贡献度条件的贡献度对应的候选特征，确定为样本行为特征。

在一些实施例中，状态确定模块2432，还用于：确定所述设定时段的样本传感器数据中的加速度传感器数据，并对所述加速度传感器数据进行加窗处理；对加窗处理后的、且长度为单个窗长的所述加速度传感器数据进行特征提取处理，得到样本行为特征；其中，所述样本行为特征包括标准差、偏度、峰度及相关系数。

在一些实施例中，状态确定模块2432，还用于：确定所述地理位置与所述地图信息中多个兴趣点之间的距离；当数值最小的距离小于距离阈值时，确定所述地理位置与所述数值最小的距离对应的兴趣点匹配。

在一些实施例中，状态确定模块2432，还用于：根据多个所述地理位置确定移动轨迹；根据所述地理位置对应的时间点，确定在所述移动轨迹上的平均速度；当所述移动轨迹与所述地图信息中的公共交通线路重合、且所述平均速度超过所述公共交通线路对应的速度阈值时，确定所述地理位置与所述公共交通线路匹配。

在一些实施例中，推送模块2435，还用于：当满足分数条件的内容包括图片时，获取所述内容中的图片展示尺寸；对所述内容中的图片进行人像识别，得到人像位置；根据所述人像位置和所述图片展示尺寸，对所述内容中的图片进行裁剪处理，得到以所述人像位置为中心的更新图片；向所述用户的终端设备推送所述更新图片。

在一些实施例中，内容确定模块2433，还用于：监控正在运行的应用程序；当正在运行的应用程序均属于空闲应用、且所述用户状态为空闲状态时，确定待推送内容集合中与所述用户匹配的内容；当不属于空闲应用的应用程序的后台运行时长超过时长阈值、且所述用户状态为空闲状态时，确定所述待推送内容集合中与所述用户匹配的内容。

在一些实施例中，内容确定模块2433，还用于：获取所述用户反馈的兴趣数据；根据所述兴趣数据构建用户画像，并将所述用户画像和所述待推送内容集合中多个内容的内容画像进行匹配，得到匹配度；将高于匹配度阈值的匹配度对应的内容确定为与所述用户匹配的内容；通过所述兴趣数据更新内容推送模型；将所述用户的用户特征和所述待推送内容集合中多个内容的内容特征进行一一对应组合，得到多个组合特征；通过更新后的所述内容推送模型，对所述组合特征进行预测处理得到兴趣概率，并将高于概率阈值的兴趣概率对应的内容确定为与所述用户匹配的内容。

在一些实施例中，评分模块2434，还用于：获取与所述匹配度对应的第一权重，并获取与所述兴趣概率对应的第二权重；根据所述第一权重和所述第二权重，对与所述用户匹配的内容的匹配度和兴趣概率进行加权处理，得到内容分数。

本发明实施例提供一种存储有可执行指令的存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本发明实施例提供的基于人工智能的内容推送方法，例如，如图4A、4B或4D示出的基于人工智能的内容推送方法。

在一些实施例中，存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

综上所述，本发明实施例通过传感器数据和地理位置确定用户状态，当用户状态为空闲状态时，在待推送内容集合中确定与用户匹配的内容，进行推送处理，提升了推送的内容对于用户的吸引度，也提升了用户浏览或点击推送内容的概率。

以上所述，仅为本发明的实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。

Claims (15)

1.一种基于人工智能的内容推送方法，其特征在于，包括：

获取对应用户的传感器数据及地理位置；

根据所述传感器数据及所述地理位置，确定所述用户的用户状态；

当所述用户状态为空闲状态时，确定待推送内容集合中与所述用户匹配的内容；

对与所述用户匹配的多个内容进行评分，并确定满足分数条件的内容；

基于所述满足分数条件的内容进行对应所述用户的推送处理。

2.根据权利要求1所述的内容推送方法，其特征在于，所述根据所述传感器数据及所述地理位置，确定所述用户的用户状态，包括：

通过机器学习模型对设定时段的所述传感器数据进行预测处理，得到所述用户的行为姿态；

获取地图信息，并根据所述地图信息对所述地理位置进行匹配处理，得到位置匹配结果；

当所述行为姿态及所述位置匹配结果中的任一个满足空闲状态条件时，确定所述用户的用户状态为空闲状态。

3.根据权利要求2所述的内容推送方法，其特征在于，所述通过机器学习模型对设定时段的所述传感器数据进行预测处理，得到所述用户的行为姿态，包括：

获取设定时段的样本传感器数据以及对应的样本行为姿态；

根据所述设定时段的样本传感器数据确定样本行为特征，并根据所述样本行为特征和所述样本行为姿态对机器学习模型进行更新；

根据设定时段的所述传感器数据确定行为特征；

通过更新后的所述机器学习模型，对所述行为特征进行预测处理，得到所述用户的行为姿态。

4.根据权利要求3所述的内容推送方法，其特征在于，所述根据所述设定时段的样本传感器数据确定样本行为特征，并根据所述样本行为特征和所述样本行为姿态对机器学习模型进行更新，包括：

根据所述设定时段的样本传感器数据，确定对应设备的握持姿态；

在所述设定时段的样本传感器数据中，确定所述握持姿态对应轴向的加速度传感器数据；

对所述加速度传感器数据进行离散小波变换，得到初级特征；

对所述初级特征进行奇异值分解处理，得到样本行为特征；

根据所述样本行为特征和所述样本行为姿态，对所述握持姿态对应的机器学习模型进行更新。

5.根据权利要求3所述的内容推送方法，其特征在于，所述根据所述设定时段的样本传感器数据确定样本行为特征，包括：

确定所述设定时段的样本传感器数据中的加速度传感器数据，并对所述加速度传感器数据进行特征提取处理，得到多个候选特征；

对多个所述候选特征进行主成分分析处理，得到各所述候选特征的贡献度；

将满足贡献度条件的贡献度对应的候选特征，确定为样本行为特征。

6.根据权利要求3所述的内容推送方法，其特征在于，所述根据所述设定时段的样本传感器数据确定样本行为特征，包括：

确定所述设定时段的样本传感器数据中的加速度传感器数据，并对所述加速度传感器数据进行加窗处理；

对加窗处理后的、且长度为单个窗长的所述加速度传感器数据进行特征提取处理，得到样本行为特征；

其中，所述样本行为特征包括标准差、偏度、峰度及相关系数。

7.根据权利要求2所述的内容推送方法，其特征在于，所述根据所述地图信息对所述地理位置进行匹配处理，得到位置匹配结果，包括：

确定所述地理位置与所述地图信息中多个兴趣点之间的距离；

当数值最小的距离小于距离阈值时，确定所述地理位置与所述数值最小的距离对应的兴趣点匹配。

8.根据权利要求2所述的内容推送方法，其特征在于，所述根据所述地图信息对所述地理位置进行匹配处理，得到位置匹配结果，包括：

根据多个所述地理位置确定移动轨迹；

根据所述地理位置对应的时间点，确定在所述移动轨迹上的平均速度；

当所述移动轨迹与所述地图信息中的公共交通线路重合、且所述平均速度超过所述公共交通线路对应的速度阈值时，确定所述地理位置与所述公共交通线路匹配。

9.根据权利要求1所述的内容推送方法，其特征在于，所述基于所述满足分数条件的内容进行对应所述用户的推送处理，包括：

当满足分数条件的内容包括图片时，获取所述内容中的图片展示尺寸；

对所述内容中的图片进行人像识别，得到人像位置；

根据所述人像位置和所述图片展示尺寸，对所述内容中的图片进行裁剪处理，得到以所述人像位置为中心的更新图片；

向所述用户的终端设备推送所述更新图片。

10.根据权利要求1所述的内容推送方法，其特征在于，所述当所述用户状态为空闲状态时，确定待推送内容集合中与所述用户匹配的内容，包括：

监控正在运行的应用程序；

当正在运行的应用程序均属于空闲应用、且所述用户状态为空闲状态时，确定待推送内容集合中与所述用户匹配的内容；

当不属于空闲应用的应用程序的后台运行时长超过时长阈值、且所述用户状态为空闲状态时，确定所述待推送内容集合中与所述用户匹配的内容。

11.根据权利要求1至10任一项所述的内容推送方法，其特征在于，所述确定待推送内容集合中与所述用户匹配的内容，包括：

获取所述用户反馈的兴趣数据；

根据所述兴趣数据构建用户画像，并将所述用户画像和所述待推送内容集合中多个内容的内容画像进行匹配，得到匹配度；

将高于匹配度阈值的匹配度对应的内容确定为与所述用户匹配的内容；

通过所述兴趣数据更新内容推送模型；

将所述用户的用户特征和所述待推送内容集合中多个内容的内容特征进行一一对应组合，得到多个组合特征；

通过更新后的所述内容推送模型，对所述组合特征进行预测处理得到兴趣概率，并

将高于概率阈值的兴趣概率对应的内容确定为与所述用户匹配的内容。

12.根据权利要求11所述的内容推送方法，其特征在于，所述对与所述用户匹配的多个内容进行评分，包括：

获取与所述匹配度对应的第一权重，并获取与所述兴趣概率对应的第二权重；

根据所述第一权重和所述第二权重，对与所述用户匹配的内容的匹配度和兴趣概率进行加权处理，得到内容分数。

13.一种基于人工智能的内容推送装置，其特征在于，包括：

获取模块，用于获取对应用户的传感器数据及地理位置；

状态确定模块，用于根据所述传感器数据及所述地理位置，确定所述用户的用户状态；

内容确定模块，用于当所述用户状态为空闲状态时，确定待推送内容集合中与所述用户匹配的内容；

评分模块，用于对与所述用户匹配的多个内容进行评分，并确定满足分数条件的内容；

推送模块，用于基于所述满足分数条件的内容进行对应所述用户的推送处理。

14.一种电子设备，其特征在于，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至12任一项所述的基于人工智能的内容推送方法。

15.一种存储介质，其特征在于，存储有可执行指令，用于引起处理器执行时，实现权利要求1至12任一项所述的基于人工智能的内容推送方法。

Images