CN111461827B - 产品评价信息的推送方法和装置 - Google Patents

Abstract

本申请提供一种产品评价信息的推送方法和装置，将目标产品消费次数大于预设的阈值的已消费用户确定为高满意度用户，并获取高满意度用户对目标产品的产品评价信息；查找得到与高满意度用户存在关联的关联用户；调用目标产品的产品推荐模型处理关联用户的第二用户信息，得到关联用户的目标产品消费期望值；将目标产品消费期望值满足推送条件的关联用户确定为目标用户，向目标用户推送高满意度用户对目标产品的产品评价信息。本方案在确定用户的消费意向之后，向用户推送与其存在关联的高满意度用户的产品评价信息，使得用户直接获得可信度较高的产品评价信息，不需要自己从大量产品评价信息中筛选，有效的改善用户体验。

Description

产品评价信息的推送方法和装置

技术领域

本申请涉及信息推送技术领域，特别涉及一种产品评价信息的推送方法和装置。

背景技术

随着信息技术的发展，越来越多的用户开始在电脑或智能手机等终端设备上浏览各种产品信息并据此选购产品。这里的产品既包括实际的物品，如食品或日常用品，也包括虚拟商品，比如软件，或者理财产品等。

用户在浏览产品信息时，一般较为关心已经消费一项产品的用户对该产品评价信息，因而商家往往会收集已消费用户的评价信息以推送给未消费用户。

目前，商家推送评价信息时一般不对评价信息进行区分，而是将某项产品的所有已消费用户的评价信息均向未消费用户推送。当一项产品有大量的已消费用户时，这种方式会导致未消费用户难以从中筛选出相对可靠的信息，影响用户体验。

发明内容

基于上述现有技术存在的问题，本申请实施例提供一种产品评价信息的推送方法和装置，通过提供一种更精准的评价信息推送方案有效的改善用户的信息浏览体验。

本申请第一方面提供一种产品评价信息的推送方法，包括：

将目标产品消费次数大于预设的阈值的已消费用户确定为所述目标产品的高满意度用户，并获取所述高满意度用户对所述目标产品的产品评价信息；

利用所述高满意度用户的第一用户信息查找得到至少一个关联用户；其中，所述关联用户指代，与所述高满意度用户存在关联并且未消费所述目标产品的用户；

针对每一个所述关联用户，调用预先构建的所述目标产品的产品推荐模型处理所述关联用户的第二用户信息，得到所述关联用户的目标产品消费期望值；

将对应的目标产品消费期望值满足预设的推送条件的所述关联用户确定为目标用户，并向所述目标用户推送与所述目标用户存在关联的高满意度用户的产品评价信息。

可选的，所述将对应的目标产品消费期望值满足预设的推送条件的所述关联用户确定为目标用户之后，还包括：

向所述目标用户推送所述目标产品的购买链接。

可选的，所述高满意度用户的第一用户信息包括：所述高满意度用户的家庭成员信息和工作单位；

其中，所述利用所述高满意度用户的第一用户信息查找得到至少一个关联用户，包括：

根据所述高满意度用户的第一用户信息查找得到所述高满意度用户的亲属和同事，并将所述高满意度用户的亲属和同事中，未消费所述目标产品的用户确定为关联用户。

可选的，构建所述目标产品的产品推荐模型的方法包括：

获取所述目标产品的多个已消费用户的第二用户信息；

针对所述目标产品的每一个所述已消费用户，利用所述已消费用户的第二用户信息和所述已消费用户的目标产品消费次数构建所述已消费用户对应的模型训练样本；

利用多个所述模型训练样本训练一个预先构建的初始神经网络模型，得到所述目标产品推荐模型；其中，所述初始神经网络模型的模型参数利用遗传算法确定。

可选的，所述关联用户的第二用户信息，包括所述关联用户的年龄信息，职业信息和资产信息。

本申请第二方面提供一种产品评价信息的推送装置，包括：

确定单元，用于将目标产品消费次数大于预设的阈值的已消费用户确定为所述目标产品的高满意度用户；

获取单元，用于获取所述高满意度用户对所述目标产品的产品评价信息；

查找单元，用于利用所述高满意度用户的第一用户信息查找得到至少一个关联用户；

处理单元，用于针对每一个所述关联用户，调用预先构建的所述目标产品的产品推荐模型处理所述关联用户的第二用户信息，得到所述关联用户的目标产品消费期望值；

推送单元，用于将对应的目标产品消费期望值大于预设的阈值的关联用户确定为目标用户，并向所述目标用户推送与所述目标用户存在关联的高满意度用户的产品评价信息。

可选的，所述推送单元还用于：

向所述目标用户推送所述目标产品的购买链接。

可选的，所述高满意度用户的第一用户信息包括：所述高满意度用户的家庭成员信息和工作单位；

其中，所述查找单元利用所述高满意度用户的第一用户信息查找得到至少一个关联用户时，具体用于：

根据所述高满意度用户的第一用户信息查找得到所述高满意度用户的亲属和同事，并将所述高满意度用户的亲属和同事中，未消费所述目标产品的用户确定为关联用户。

可选的，所述推送装置还包括构建单元，用于：

获取所述目标产品的多个已消费用户的第二用户信息；

针对所述目标产品的每一个所述已消费用户，利用所述已消费用户的第二用户信息和所述已消费用户的目标产品消费次数构建所述已消费用户对应的模型训练样本；

利用多个所述模型训练样本训练一个预先构建的初始神经网络模型，得到所述目标产品推荐模型；其中，所述初始神经网络模型的模型参数利用遗传算法确定。

可选的，所述关联用户的第二用户信息，包括所述关联用户的年龄信息，职业信息和资产信息。

本申请提供一种产品评价信息的推送方法和装置，将目标产品消费次数大于预设的阈值的已消费用户确定为目标产品的高满意度用户，并获取高满意度用户对目标产品的产品评价信息；然后查找得到至少一个关联用户；针对每一个关联用户，调用预先构建的目标产品的产品推荐模型处理关联用户的第二用户信息，得到关联用户的目标产品消费期望值；将对应的目标产品消费期望值满足预设的推送条件的关联用户确定为目标用户，并向目标用户推送高满意度用户对目标产品的产品评价信息。本方案在确定未消费用户有消费意向之后，向未消费用户推送与其存在关联的高满意度用户的产品评价信息，使得未消费用户直接获得可信度较高的产品评价信息，而不需要自己从大量产品评价信息中筛选，有效的改善了用户体验。

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为本申请实施例提供的一种产品评价信息的推送方法的流程图；

图2为本申请实施例提供的一种构建产品推荐模型的方法的流程图；

图3为本申请实施例提供的一种产品评价信息的推送装置的结构示意图。

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。

在互联网技术高度发展的今天，人们越来越多的在各种网络平台中选购各种实体产品(例如食品，服装)或者虚拟产品(例如保险，电脑游戏)。对于一项产品，未消费过该产品的用户(以下简称未消费用户)在判断是否购买产品之前通常会浏览该产品的相关信息，特别是其他已经消费过该产品的用户(以下简称已消费用户)对该产品的产品评价信息。相应的，商家为了使未消费用户更准确的了解商家提供的商品，也经常会收集已消费用户对产品的产品评价信息并产品评价信息向未消费用户推送。

然而，可以理解的，一项已经发布一段时间的产品会存在大量的已消费用户，如果不对这些已消费用户的产品评价信息进行筛选就一并推送给未消费用户，就会导致未消费用户需要浏览大量的产品评价信息并筛选出可信度较高的产品评价信息，显然，对于未消费用户而言，这种做法的用户体验较差。

针对这一问题，本申请提供一种产品评价信息的推送方法，在推送产品评价信息时根据用户之间的关联性精准的筛选出对于未消费用户而言可信度较高的产品评价信息，从而有效的改善用户体验。

请参考图1，本申请实施例所提供的产品评价信息的推送方法具体包括以下步骤：

S101、从目标产品的历史销售记录中筛选得到目标产品消费次数大于预设阈值的已消费用户。

目标产品可以是商家提供的任意一项已经发布一段时间的产品。

可以理解的，一项产品发布之后，随着时间的推移和商家的推广，会初步产生一批已消费用户。商家可以在每次售出一份目标产品后，记录售出时间和本次购买该产品的已消费用户的身份标识(可以是用户账号或者用户昵称)，得到一条历史销售记录。显然，每产生一条历史销售记录，就表示有一个用户消费了一次目标产品。

基于上述记录，执行步骤S101时，商家只需要遍历数据库中存储的每一条历史销售记录，就可以确定目前分别有哪些用户已经消费了目标产品，每个已消费用户具体消费了多少次目标产品(也就是已消费用户的目标产品消费次数)。

以银行为例，假设目标产品是银行推出的一项理财产品A，产品A发布一段时间后，银行的数据库中记录了用户B消费产品A的三条历史销售记录，也就是说产品A发布后，用户B累计购买了三次产品A，对应的，执行步骤S101时，银行就可以将用户B确定为目标产品的已消费用户，并且用户B的目标产品消费次数等于3。

上述阈值是一个预先设定的正整数，具体的，可以设置为2，也可以设置为其他大于2的整数。

对于一个已消费用户，若该用户的目标产品消费次数大于上述阈值，就说明该用户对目标产品的满意度较高，为了便于理解，下文将目标产品消费次数大于阈值的已消费用户记为高满意度用户。

可以理解的，目标产品可能又多个高满意度用户，也可能没有高满意度用户。其中，若存在多个高满意度用户，则后续步骤可以对每一个高满意度用户执行，若没有高满意度用户，则不执行后续步骤。

S102、获取高满意度用户对目标产品的产品评价信息。

具体的获取方式可以是，采用多种形式向高满意度用户所使用的终端设备发送目标产品的调查问卷，在高满意度用户填写调查问卷后通过整合高满意度用户填写的信息生成高满意度用户的产品评价信息。

发送调查问卷的方式包括但不限于：

可以从系统存储的高满意度用户的用户信息中提取高满意度用户的手机号码，并以短信的形式向该号码发送调查问卷；也可以在检测到高满意度用户登陆商家的网上平台后向登陆的终端设备发送显示有调查问卷的页面。

可选的，为了激励高满意度用户填写调查问卷，可以实现一个积分系统，在高满意度用户填写调查问卷后增加高满意度用户的用户积分，用户积分可以用于在后续消费中兑换相应的优惠。

S103、利用高满意度用户的第一用户信息查找得到关联用户。

所述关联用户，指代与高满意度用户存在关联的，并且未消费所述目标产品的用户。

进一步的，考虑到高满意度用户可能有多个，上述关联用户应当理解为，与至少一个高满意度用户存在关联的，并且未消费所述目标产品的用户。

可选的，对于一个用户，该用户的第一用户信息可以包括：该用户的家庭成员信息和工作单位。

获取第一用户信息时，可以通过展示相关页面让用户填写的方式获得用户的家庭成员信息和工作单位，也可以通过其他可信的渠道收集用户的家庭成员信息和工作单位。

对应的，步骤S103的具体执行过程可以是，根据高满意度用户的家庭成员信息查找出高满意度用户的亲属，并且，通过将高满意度用户的工作单位和其他用户的工作单位进行比对，查找出高满意度用户的同事，最后将高满意度用户的亲属和同事中，未消费过目标产品的用户确定为与高满意度用户存在关联用户。

进一步的，第一用户信息还可以包括对应的用户的历史转账记录。执行步骤S103时，还可以根据高满意度用户的历史转账记录，确定一段时间内与高满意度用户之间存在多次转账行为的未消费用户，确定为关联用户。

S104、调用预先构建的目标产品的产品推荐模型处理每个关联用户的第二用户信息，得到关联用户的目标产品消费期望值。

所述产品推荐模型是一个利用大量的模型训练样本预先训练得到的神经网络模型。具体的，该模型可以是一个三层的逆向传播(back propagation，BP)神经网络模型，也可以是其他结构的神经网络模型，本申请中对具体的模型结构不做限定。

所述目标产品消费期望值，是所述产品推荐模型根据输入的用户的第二用户信息计算得到的数值，该数值的大小表征输入的第二用户信息对应的用户购买目标产品的意向，数值越大，表示对应的用户购买目标产品的意向越强，相对的，数值越小，购买意向越弱。

目标产品消费期望值的取值范围由训练上述产品推荐模型时构建的模型训练样本决定，具体的，若构建模型训练样本时将高满意度用户的消费期望记录为1，将其他已消费用户的消费期望记为0，则产品推荐模型输出的目标产品消费期望值就是一个取值范围为0至1的实数。

可选的，一个用户的第二用户信息包括但不限于该用户的年龄信息，职业信息和资产信息。其中，资产信息可以包括最近M年用户的年收入(M为预设的正整数，可以设置为3)，当前用户的银行总存款等。

S105、将对应的目标产品消费期望值满足预设的推送条件的关联用户确定为目标用户。

所述预设的推送条件可以是，目标产品消费期望值大于或等于预设的期望阈值。例如，若目标产品消费期望值是一个取值范围为0至1的实数，那么可以将期望阈值设置为0.8，对应的，对于任意一个关联用户，若该用户的目标产品消费期望值大于或等于0.8，则将该用户确定为目标用户，反之，若该用户的目标产品消费期望值小于0.8，则抛弃该用户，也就是不将该用户确定为目标用户。

对于一个用户，若该用户的目标产品消费期望值满足推送条件，就可以认为对于目标产品，该用户具有一定的购买意向。

S106、向目标用户推送与目标用户存在关联的高满意度用户的产品评价信息。

可选的，对于任意一个目标用户，可以在检测到目标用户登陆了对应的商家的网络平台之后向目标用户推送与其存在关联的高满意度用户的产品评价信息。也可以在检测到目标用户登陆了对应的商家的网络平台，并且访问上述目标产品的产品产品推广页面时推送上述产品评价信息。

针对安装了对应的商家提供的电脑或手机软件的目标用户，也可以直接向对应的软件下发上述产品评价信息。

推送产品评价信息的同时，还可以向目标用户展示提供所述产品评价信息的高满意度用户与目标用户之间的关系。例如，可以在评价信息展示界面显示“以下为您的同事对XX产品的评价”，“以下为您的亲属对XX产品的评价”等字样。还可以进一步显示提供产品评价信息的高满意度用户的用户昵称或用户的实际姓名等。

进一步的，在推送上述产品评价信息时，还可以向目标用户推送目标产品的购买链接。

对于任意一个目标用户，若该用户与多个高满意度用户存在关联，那么可以将所有与其存在关联的高满意度用户的产品评价信息直接推送给这个目标用户，也可以对这些高满意度用户的产品评价信息进行整合后再推送给这个目标用户。

这里的整合具体可以是，分析与该目标用户存在关联的多个高满意度用户的产品评价信息的内容，从其中提取出对应的关键词，然后向这个目标用户推荐这些关键词，以及对应的产品评价信息中提及这些关键词的高满意度用户的数量。

以目标产品是一款理财产品为例，整合后可以得到如下的评价信息“您的5位同事均认为XX产品收益率较高”，“您的3位亲属均认为XX产品风险适中”。

通过执行本实施例提供的方案，可以达到以下效果：

需要将一款产品向未消费过该产品的用户推广时，可以针对每一个有一定购买意向的用户，推送该用户的亲属和/或同事提供的针对该产品的产品评价信息，使得每一个有购买意向的用户均能够接收到对于该用户可信度较高的产品评价信息，使得用户不需要自己进行信息的筛选，从而改善用户体验。另一方面，对于目标产品的推广方，应用本实施例提供的方案也可以有效的提高产品推荐的成功率。

本申请实施例还提供一种构建产品推荐模型的方法，请参考图2，该方法具体包括以下步骤：

S201、获取目标产品的多个已消费用户的第二用户信息。

可以理解的，每一个已消费用户均有一个对应的第二用户信息，因此，若目标产品有M个已消费用户，那么步骤S201可以获得M个第二用户信息。

S202、利用每一个已消费用户的第二用户信息和目标产品消费次数构建已消费用户对应的模型训练样本。

一个模型训练样本包括一个已消费用户的用户信息和该用户的实际满意度。其中，实际满意度可以通过比较该用户的目标产品消费次数和前述实施例中步骤S101所述的阈值确定，若该用户的目标产品消费次数大于或等于所述阈值，则该用户的实际满意度为高满意度，在模型训练样本中记为1，反之，该用户的目标产品消费次数小于所述阈值，则该用户的实际满意度为低满意度，在模型训练样本中记为0。

模型训练样本中已消费用户的用户信息可以用特征向量的形式记录。例如，一个已消费用户的特征向量可以是记为(X1，X2，X3，X4，Y1，Z1)，其中，X1，X2和X3表示该用户最近三年中，每一年的年收入，X4表示用户当前的银行存款，Y1表示用户当前的年龄，Z1表示用户的职业。其中，Z1的取值和职业的对应关系可以预先设定。

S203、将每一个模型训练样本的用户信息输入初始神经网络模型，得到每一个模型训练样本的目标产品消费期望值。

初始神经网络模型的模型参数可以利用遗传算法确定。

遗传算法是一类现有的数据优化算法，因此简要说明利用遗传算法确定初始神经网络模型的模型参数的方法：

首先随机生成多个参数个体，每一个参数个体均包括构建完整的初始神经网络模型所需的所有参数，参数的数值随机确定。

然后针对每个参数个体，将该参数个体的参数代入初始神经网络模型，并计算这个初始神经网络模型的模型损失(计算方法见步骤S204)。

基于每个参数个体对应的模型损失确定对应的遗传概率，并基于遗传概率和预设的变异概率对各个参数个体随机的进行参数的交换和参数值的变更。

对变更后的多个参数个体再次执行前述计算对应的模型损失和随机变更的步骤，直至出现一个对应的模型损失满足预设的条件的参数个体为止，这个满足条件的参数个体的参数，就是初始神经网络模型的模型参数。

S204、计算每一个模型训练样本的目标产品消费期望值和实际满意度，得到模型损失。

具体的，可以针对每一个模型训练样本，计算这个模型训练样本的目标产品消费期望值和实际满意度的差值，然后计算所有模型训练样本的差值的平方和，得到的结果就是当前的模型损失。

S205、判断模型损失是否满足模型收敛条件。

所述模型收敛条件可以是，模型损失小于预设的损失阈值。也就是说，若执行步骤S205时，模型损失大于或等于损失阈值，则认为模型损失不满足模型收敛条件，执行步骤S206，反之，若模型损失小于预设的损失阈值，则认为模型损失满足模型收敛条件，执行步骤S207。

S206、基于模型损失更新初始神经网络模型的参数。

步骤S206执行结束后，返回执行步骤S203。

S207、将初始神经网络模型确定为目标产品的产品推荐模型。

步骤S203至步骤S207所述的过程，可以认为是利用多个模型训练样本对初始神经网络模型进行训练，从而得到目标产品的产品推荐模型的过程。

可选的，在确定目标产品的产品推荐模型之后，可以进一步在后续使用所述产品推荐模型时，根据产品推荐模型输出的目标产品消费期望值和实际的目标产品推广效果之间的偏差对产品推荐模型进行修正。

可选的，执行步骤S201时，可以只使用一部分(例如，70％)已消费用户的第二用户信息构建多个模型训练样本，并使用另一部分(例如，30％)已消费的第二用户信息构建多个模型验证样本，然后在确定产品推荐模型之后，用模型验证样本对确定的产品推荐模型进行验证，若验证不通过则重新训练，若验证通过则进入后续的使用环节。

结合本申请实施例提供的产品评价信息的推送方法，本申请实施例还提供一种产品评价信息的推送装置，请参考图3，该装置包括以下单元：

确定单元301，用于将目标产品消费次数大于预设的阈值的已消费用户确定为目标产品的高满意度用户。

获取单元302，用于获取高满意度用户对目标产品的产品评价信息。

查找单元303，用于利用高满意度用户的第一用户信息查找得到至少一个关联用户。

处理单元304，用于针对每一个关联用户，调用预先构建的目标产品的产品推荐模型处理关联用户的第二用户信息，得到关联用户的目标产品消费期望值。

推送单元305，用于将对应的目标产品消费期望值大于预设的阈值的关联用户确定为目标用户，并向目标用户推送与目标用户存在关联的高满意度用户的产品评价信息。

具体的，推送单元305还用于，向目标用户推送目标产品的购买链接。

高满意度用户的第一用户信息包括：高满意度用户的家庭成员信息和工作单位。

其中，查找单元303利用高满意度用户的第一用户信息查找得到至少一个关联用户时，具体用于：

根据高满意度用户的第一用户信息查找得到高满意度用户的亲属和同事，并将高满意度用户的亲属和同事中，未消费目标产品的用户确定为关联用户。

推送装置还包括构建单元306，用于：

获取目标产品的多个已消费用户的第二用户信息；

针对目标产品的每一个已消费用户，利用已消费用户的第二用户信息和已消费用户的目标产品消费次数构建已消费用户对应的模型训练样本；

利用多个模型训练样本训练一个预先构建的初始神经网络模型，得到目标产品推荐模型。

其中，初始神经网络模型的模型参数利用遗传算法确定。

关联用户的第二用户信息，包括关联用户的年龄信息，职业信息和资产信息。

本实施例提供的产品评价信息的推送装置的具体工作原理可以参考本申请实施例提供的产品评价信息的推送方法的相关步骤，此处不再赘述。

本申请提供一种产品评价信息的推送装置，确定单元301将目标产品消费次数大于预设的阈值的已消费用户确定为高满意度用户，获取单元302获取高满意度用户对目标产品的产品评价信息；查找单元303查找得到与高满意度用户存在关联的关联用户；处理单元304调用目标产品的产品推荐模型处理关联用户的第二用户信息，得到关联用户的目标产品消费期望值；推送单元305将目标产品消费期望值满足推送条件的关联用户确定为目标用户，向目标用户推送高满意度用户对目标产品的产品评价信息。

本方案在确定用户的消费意向之后，向用户推送与其存在关联的高满意度用户的产品评价信息，使得用户直接获得可信度较高的产品评价信息，不需要自己从大量产品评价信息中筛选，有效的改善用户体验。

最后，还需要说明的是，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。

需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种产品评价信息的推送方法，其特征在于，包括：

将目标产品消费次数大于预设的阈值的已消费用户确定为所述目标产品的高满意度用户，并获取所述高满意度用户对所述目标产品的产品评价信息；

根据所述高满意度用户的第一用户信息查找得到所述高满意度用户的亲属和同事，并将所述高满意度用户的亲属和同事中，未消费所述目标产品的用户确定为关联用户，其中，所述关联用户指代，与所述高满意度用户存在关联并且未消费所述目标产品的用户，所述高满意度用户的第一用户信息包括：所述高满意度用户的家庭成员信息和工作单位；

针对每一个所述关联用户，调用预先构建的所述目标产品的产品推荐模型处理所述关联用户的第二用户信息，得到所述关联用户的目标产品消费期望值，所述目标产品消费期望值表征第二用户信息对应的用户购买目标产品的意向；

将对应的目标产品消费期望值满足预设的推送条件的所述关联用户确定为目标用户，并向所述目标用户推送与所述目标用户存在关联的高满意度用户的产品评价信息。

2.根据权利要求1所述的推送方法，其特征在于，所述将对应的目标产品消费期望值满足预设的推送条件的所述关联用户确定为目标用户之后，还包括：

向所述目标用户推送所述目标产品的购买链接。

3.根据权利要求1所述的推送方法，其特征在于，构建所述目标产品的产品推荐模型的方法包括：

获取所述目标产品的多个已消费用户的第二用户信息；

针对所述目标产品的每一个所述已消费用户，利用所述已消费用户的第二用户信息和所述已消费用户的目标产品消费次数构建所述已消费用户对应的模型训练样本；

利用多个所述模型训练样本训练一个预先构建的初始神经网络模型，得到所述目标产品推荐模型；其中，所述初始神经网络模型的模型参数利用遗传算法确定。

4.根据权利要求1所述的推送方法，其特征在于，所述关联用户的第二用户信息，包括所述关联用户的年龄信息，职业信息和资产信息。

5.一种产品评价信息的推送装置，其特征在于，包括：

确定单元，用于将目标产品消费次数大于预设的阈值的已消费用户确定为所述目标产品的高满意度用户；

获取单元，用于获取所述高满意度用户对所述目标产品的产品评价信息；

查找单元，用于根据所述高满意度用户的第一用户信息查找得到所述高满意度用户的亲属和同事，并将所述高满意度用户的亲属和同事中，未消费所述目标产品的用户确定为关联用户，其中，所述关联用户指代，与所述高满意度用户存在关联并且未消费所述目标产品的用户，所述高满意度用户的第一用户信息包括：所述高满意度用户的家庭成员信息和工作单位；

处理单元，用于针对每一个所述关联用户，调用预先构建的所述目标产品的产品推荐模型处理所述关联用户的第二用户信息，得到所述关联用户的目标产品消费期望值，所述目标产品消费期望值表征第二用户信息对应的用户购买目标产品的意向；

推送单元，用于将对应的目标产品消费期望值大于预设的阈值的关联用户确定为目标用户，并向所述目标用户推送与所述目标用户存在关联的高满意度用户的产品评价信息。

6.根据权利要求5所述的推送装置，其特征在于，所述推送单元还用于：

向所述目标用户推送所述目标产品的购买链接。

7.根据权利要求5所述的推送装置，其特征在于，所述推送装置还包括构建单元，用于：

获取所述目标产品的多个已消费用户的第二用户信息；

针对所述目标产品的每一个所述已消费用户，利用所述已消费用户的第二用户信息和所述已消费用户的目标产品消费次数构建所述已消费用户对应的模型训练样本；

利用多个所述模型训练样本训练一个预先构建的初始神经网络模型，得到所述目标产品推荐模型；其中，所述初始神经网络模型的模型参数利用遗传算法确定。

8.根据权利要求5所述的推送装置，其特征在于，所述关联用户的第二用户信息，包括所述关联用户的年龄信息，职业信息和资产信息。