CN111464641A - 消息推送优化方法、设备及可读存储介质 - Google Patents

Abstract

本申请公开了一种消息推送优化方法、设备和可读存储介质，所述消息推送优化方法包括：获取群体监测信息，并将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息对应的群体画像，将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息，并将所述待推送消息进行推送。本申请解决了线下消息推送效率低且效果差的技术问题。

Description

消息推送优化方法、设备及可读存储介质

技术领域

本申请涉及金融科技(Fintech)的机器学习技术领域，尤其涉及一种消息推送优化方法、设备及可读存储介质。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。

随着计算机软件和人工智能的不断发展，机器学习模型的应用也越来越广泛，目前，多人并存的线下消息非常常见，例如，楼宇电梯内消息、商城导览屏消息等，这些线下消息通常只是在消息屏上进行简单轮播，以向用户进行消息推送，但是在多个并存的场景中，通常存在一个或者多个用户群体，例如，家庭群体、情侣群体等，此时在消息屏上轮播的线下消息通常并不符合各用户群体的喜好，也即，消息屏上轮播的线下消息无法对各用户群体进行有针对性地推送，进而导致线下消息推送的效率较且效果较差，所以，现在技术中存在线下消息推送效率低且效果差的技术问题。

发明内容

本申请的主要目的在于提供一种消息推送优化方法、设备和可读存储介质，旨在解决现有技术中线下消息推送效率低且效果差的技术问题。

为实现上述目的，本申请提供一种消息推送优化方法，所述消息推送优化方法应用于消息推送优化设备，所述消息推送优化方法包括：

获取群体监测信息，并将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息对应的群体画像；

将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息，并将所述待推送消息进行推送。

可选地，所述预设特征提取模型包括用户个体特征提取模型和群体特征提取模型，

所述将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息对应的群体画像的步骤包括：

将所述群体监测信息输入所述用户个体特征提取模型，提取所述群体监测信息中的用户个体特征，获得所述用户个体特征识别结果；

将所述用户个体特征识别结果输入所述群体特征提取模型，提取所述用户个体特征对应的用户群体特征，获得所述群体画像。

可选地，所述用户个体特征提取模型包括用户粗粒度特征识别模型和用户交互方式识别模型，所述用户个体特征识别结果包括用户粗粒度特征识别结果和用户交互方式识别结果，所述用户个体特征包括一个或者多个目标用户的粗粒度特征和交互方式，

所述将所述群体监测信息输入所述用户个体特征提取模型，提取所述群体监测信息中的用户个体特征，获得所述用户个体特征识别结果的步骤包括：

将所述群体监测信息输入所述用户粗粒度特征识别模型，提取各所述目标用户的所述粗粒度特征，获得所述用户粗粒度特征识别结果；

将所述群体监测信息输入所述用户交互方式识别模型，识别各所述目标用户之间的所述交互方式，获得所述用户交互方式识别结果。

可选地，所述用户群体特征包括一个或者多个目标用户的用户群体划分结果和群体社交关系识别结果，

所述将所述用户个体特征识别结果输入所述群体特征提取模型，提取所述用户个体特征对应的用户群体特征，获得所述群体画像的步骤包括：

将所述用户个体特征识别结果输入所述群体特征提取模型，对各所述目标用户进行分群，获得所述用户群体划分结果，其中，所述用户群体划分结果包括一个或者多个用户群体；

识别各所述用户群体的社交关系，获得所述群体社交关系识别结果；

基于所述用户群体划分结果和所述群体社交关系识别结果，建立所述群体画像。

可选地，所述群体画像包括用户群体特征，

所述将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息的步骤包括：

将所述用户群体特征输入所述预设消息推送模型，匹配所述用户群体特征对应的所述待推送消息。

可选地，所述将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息的步骤包括：

将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送物品编码和物品解释信息编码；

基于所述待推送物品编码和所述物品解释信息编码，查询所述待推送消息。

可选地，所述待推送消息包括待推送物品信息和物品解释信息，

所述将所述待推送消息进行推送的步骤包括：

将所述待推送物品信息和所述待推送物品信息对应的商家信息向预设可视化消息屏进行推送，并将所述物品解释信息进行语音推送。

可选地，所述将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息，并将所述待推送消息进行推送的步骤之后包括：

收集待推送消息数据和所述待推送消息对应的消息推荐结果；

基于所述待推送消息数据和所述消息推荐结果，对所述预设特征提取模型和所述预设消息推送模型进行调节优化。

本申请还提供一种消息推送优化装置，所述消息推送优化装置为虚拟装置，且所述消息推送优化装置应用于消息推送优化设备，所述消息推送优化装置包括：

建立模块，用于获取群体监测信息，并将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息对应的群体画像；

匹配模块，用于将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息，并将所述待推送消息进行推送。

可选地，所述建立模块包括：

第一特征提取单元，用于将所述群体监测信息输入所述用户个体特征提取模型，提取所述群体监测信息中的用户个体特征，获得所述用户个体特征识别结果；

第二特征提取单元，用于将所述用户个体特征识别结果输入所述群体特征提取模型，提取所述用户个体特征对应的用户群体特征，获得所述群体画像。

可选地，所述第一特征提取单元包括：

第一识别子单元，用于将所述群体监测信息输入所述用户粗粒度特征识别模型，提取各所述目标用户的所述粗粒度特征，获得所述用户粗粒度特征识别结果；

第二识别子单元，用于将所述群体监测信息输入所述用户交互方式识别模型，识别各所述目标用户之间的所述交互方式，获得所述用户交互方式识别结果。

可选地，所述第二特征提取单元包括：

分群子单元，用于将所述用户个体特征识别结果输入所述群体特征提取模型，对各所述目标用户进行分群，获得所述用户群体划分结果，其中，所述用户群体划分结果包括一个或者多个用户群体；

识别子单元，用于识别各所述用户群体的社交关系，获得所述群体社交关系识别结果；

建立子单元，用于基于所述用户群体划分结果和所述群体社交关系识别结果，建立所述群体画像。

可选地，所述匹配模块包括：

第一匹配单元，用于将所述用户群体特征输入所述预设消息推送模型，匹配所述用户群体特征对应的所述待推送消息。

可选地，所述匹配模块还包括：

第二匹配单元，用于将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送物品编码和物品解释信息编码；

查询单元，用于基于所述待推送物品编码和所述物品解释信息编码，查询所述待推送消息。

可选地，所述匹配模块还包括：

推送单元，用于将所述待推送物品信息和所述待推送物品信息对应的商家信息向预设可视化消息屏进行推送，并将所述物品解释信息进行语音推送。

可选地，所述消息推送优化装置还包括：

收集模块，收集待推送消息数据和所述待推送消息对应的消息推荐结果；

调节优化模块，用于基于所述待推送消息数据和所述消息推荐结果，对所述预设特征提取模型和所述预设消息推送模型进行调节优化。

本申请还提供一种消息推送优化设备，所述消息推送优化设备为实体设备，所述消息推送优化设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述消息推送优化方法的程序，所述消息推送优化方法的程序被处理器执行时可实现如上述的消息推送优化方法的步骤。

本申请还提供一种可读存储介质，所述可读存储介质上存储有实现消息推送优化方法的程序，所述消息推送优化方法的程序被处理器执行时实现如上述的消息推送优化方法的步骤。

本申请通过获取群体监测信息，并将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息对应的群体画像，进而将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息，并将所述待推送消息进行推送。也即，本申请提供了一种基于群体画像的消息推送方法，也即，通过获取群体监测信息，并将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息的群体画像，进而通过所述预设消息推送模型，匹配所述群体画像对应的待推送消息，进而为所述群体画像对应的用户群体有针对性的选取了待推送消息，进而推送所述待推送消息，即可实现对用户群体进行针对性地消息推送，进而避免了由于消息屏上的线下消息不符合用户群体的爱好，进而导致线下消息推送效率低且效果差的情况发生，进而提高了线下消息的推送效率和推送效果，所以，解决了线下消息推送效率低且效果差的技术问题。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请消息推送优化方法第一实施例的流程示意图；

图2为本申请消息推送优化方法第二实施例的流程示意图；

图3为本申请消息推送优化方法中消息推送时进行调节优化的示意图；

图4为本申请实施例方案涉及的硬件运行环境的设备结构示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

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。

本申请实施例提供一种消息推送优化方法，参照图1，在本申请消息推送优化方法的第一实施例中，所述消息推送优化方法包括：

步骤S10，获取群体监测信息，并将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息对应的群体画像；

在本实施例中，需要说明的是，所述消息包括广告，所述消息推送优化方法可应用于广告推送领域，所述群体监测信息为传感器收集的信息，其中，所述传感器包括视觉传感器、声音传感器、红外线传感器等，对应地，所述群体监测信息包括视觉信息、声音信息、红外线信息等，所述用户个体特征为单个用户的用户个体特征，例如，年龄、性别、与其他用户的交互方式等特征，所述用户群体特征为用户群体的群体特征，例如，情侣、家庭等群体分类标签特征，年轻人聚会、父母亲子出行等群体社交关系特征等，所述预设特征提取模型为预先训练好的机器学习模型，其中，所述预设特征提取模型包括用户个体特征识别模型和群体特征识别模型。

获取群体监测信息，并将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息对应的群体画像，具体地，通过预设传感器收集所述群体监测信息，并将所述群体监测信息输入所述用户个体特征识别模型，以基于所述用户个体特征识别模型中的数据处理层，对所述群体监测信息对应的特征表示矩阵进行数据处理，其中，所述数据处理层包括卷积层、池化层、全连接层等，所述特征表示矩阵为存储所述群体监测信息对应的编码的矩阵，例如，假设所述群体监测信息为视觉信息，则所述特征表示矩阵为像素矩阵，所述像素矩阵包括一个或者多个像素编码，进而获得所述用户个体特征，其中，所述用户个体特征可用矩阵或者向量进行表示，例如，假设使用矩阵表示所述用户个体特征，则矩阵的每一列对应一个用户，矩阵的每一行对应一个特征，当矩阵中的编码数值为0时，则表示用户未拥有对应的特征，当矩阵中的编码数值为1时，则表示用户拥有对应的特征，进一步地，将所述用户个体特征对应的用户个体特征表示矩阵输入所述群体特征识别模型，以基于所述群体特征识别模型中的数据处理层，对所述用户个体特征表示矩阵进行数据处理，获得所述用户群体特征，其中，所述用户群体特征可用矩阵或者向量进行表示，进而基于所述用户群体特征，构建所述群体画像。

步骤S20，将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息，并将所述待推送消息进行推送。

在本实施例中，需要说明的是，所述用户群体特征包括用户群体划分结果和群体社交关系，所述群体画像为基于所述用户群体划分结果和所述群体社交关系构建的群体用户画像，且所述群体画像对应一个或者多个目标用户，各目标用户可划分为一个或者多个用户群体，例如，在电梯中一共存在4个目标用户，群体划分结果为两个目标用户为朋友群体，另外两个目标用户为家庭群体，对应的群体社交关系分别为年轻人出行和父母亲子出行，进而基于所述群体划分结果和所述群体社交关系，即可分别构建所述朋友群体对应的群体画像和所述家庭群体对应的群体画像，所述预设消息推送模型为已经训练好的机器学习模型。

在本实施例中，将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息，并将所述待推送消息进行推送，具体地，将所述群体画像输入预设消息推送模型，以匹配所述群体画像对应的各用户群体对应的待推送物品数据，其中，所述待推送物品数据包括物品点击率，进而基于各所述待推送物品数据中的物品点击率，对各所述待推送物品数据对应的待推送物品进行排序，以选取物品点击率最高的目标待推送物品，进而获取所述目标待推送物品对应的待推送消息，并进行所述待推送消息的推送。

另外地，所述待推送物品数据还包括物品实际收益，进而可基于所述物品点击率和物品收益计算物品实际收益，并基于各所述物品实际收益，对各所述待推送物品数据对应的待推送物品进行排序，以选取物品实际收益最高的目标待推送物品，进而获取所述目标待推送物品对应的待推送消息，并进行所述待推送消息的推送，例如，假设所述用户群体包括2个用户群体，其中，一所述用户群体对应的待推送物品为情侣酒店，对应的所述物品点击率为80％，情侣酒店的平均消费为200，也即物品收益为200，则所述物品实际收益为160，另一所述用户群体对应的待推送物品为亲子餐厅，对应的物品点击率为50％，亲子餐厅的平均消费为500，也即物品收益为500，进而所述物品实际收益为250，进而选取亲子餐厅为所述目标待推送物品。

其中，在步骤S20中，所述群体画像包括用户群体特征，

所述将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息的步骤包括：

步骤A10，将所述用户群体特征输入所述预设消息推送模型，匹配所述用户群体特征对应的所述待推送消息。

在本实施例中，将所述用户群体特征输入所述预设消息推送模型，匹配所述用户群体特征对应的所述待推送消息，具体地，获取所述用户群体特征对应的用户群体特征表示矩阵，其中，所述用户群体特征表示矩阵为存储所述用户群体特征对应的样本数据编码的矩阵，其中，所述用户群体特征表示矩阵的每一列对应一所述用户群体特征，所述用户群体特征表示矩阵的每一行对应一所述用户群体，一所述用户群体对应一个或者多个样本数据，所述样本数据编码为所述样本数据的标识，例如，假设所述用户群体特征表示矩阵的某一行为(a，b)，且对应用户群体A，则样本数据编码a表示用户群体A为家庭群体，样本数据编码b表示用户群体A的群体社交关系为父母亲子出行，进一步地，将所述用户群体特征表示矩阵输入所述预设消息推送模型，以基于所述预设消息推送模型中的数据处理层，对所述用户群体特征表示矩阵进行数据处理，获得广告匹配结果，并提取所述广告匹配结果中的待推送广告编码，进而基于所述待推送广告编码在预设广告存储数据库中匹配对应的待推送广告，其中，所述广告匹配结果可用广告匹配结果向量进行表示，其中，所述广告匹配结果向量为存储各所述用户群体的待推送广告编码的向量，例如，假设所述广告匹配结果向量为(a，b，c)，则表明用户群体A匹配的待推送广告编码为a，用户群体B匹配的待推送广告编码为b，用户群体c匹配的待推送广告编码为c。

其中，在步骤S20中，所述将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息的步骤包括：

步骤S21，将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送物品编码和物品解释信息编码；

在本实施例中，需要说明的是，所述待推送物品编码为待推送物品的标识，所述物品解释信息编码为所述物品解释信息的标识，其中，所述标识包括字符串、代码、二维码等。

将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送物品编码和物品解释信息编码，具体地，将所述群体画像对应的群体画像表示矩阵输入预设消息推送模型，以基于所述预设消息推送模型的数据处理层，其中，所述数据处理层包括卷积层、池化层和全连接层等，对所述群体画像表示矩阵进行数据处理，获得群体画像特征表示向量，并从所述群体画像特征表示向量提取所述待推送物品编码和所述物品解释信息编码。

步骤S22，基于所述待推送物品编码和所述物品解释信息编码，查询所述待推送消息。

在本实施例中，基于所述待推送物品编码和所述物品解释信息编码，查询所述待推送消息，具体地，将所述待推送物品编码和所述物品解释信息编码进行组合，获得编码组合，基于所述编码组合，在预设消息数据池中匹配相对应的待推送消息，其中，所述预设消息数据池为存储消息的数据库。

其中，在步骤S20中，所述待推送消息包括待推送物品信息和物品解释信息，

所述将所述待推送消息进行推送的步骤包括：

步骤B10，将所述待推送物品信息和所述待推送物品信息对应的商家信息向预设可视化消息屏进行推送，并将所述物品解释信息进行语音推送。

在本实施例中，需要说明的是，所述商家信息包括商家地址信息、商家微信二维码等。

将所述待推送物品信息和所述待推送物品信息对应的商家信息向预设可视化消息屏进行推送，并将所述物品解释信息进行语音推送，具体地，将所述待推送物品信息和所述待推送物品信息对应的商家信息在预设可视化消息屏上进行展示，并在将所述物品解释信息在所述预设可视化消息屏上进行推送时，将所述物品解释信息进行语音推送，例如，假设所述待推送物品为音乐餐厅，则所述物品解释信息为“小伙伴们聚会约起来，不如考虑下QQ音乐餐厅”。

其中，所述将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息，并将所述待推送消息进行推送的步骤之后包括：

步骤S30，收集待推送消息数据和所述待推送消息对应的消息推荐结果；

在本实施例中，所述待推送消息数据包括消息屏图像信息和传感器数据，所述消息推荐结果对应用户消费信息，例如，用户是否到所述待推送消息对应的商家进行消费、用户在所述待推送消息对应的商家消费的金额等。

收集待推送消息数据和所述待推送消息对应的消息推荐结果，具体地，收集所述待推送消息数据对应的图像数据，其中，所述图像数据包括消息屏图像信息和视觉传感器数据，并将所述消息屏图像信息和所述视觉传感器数据转化为数字信号信息，进而对所述数字信号信息进行差分加密处理，获得所述待推送消息数据，并收集用户消费信息，进而对所述用户消费信息进行差分加密处理，获得所述消息推荐结果。

步骤S40，基于所述待推送消息数据和所述消息推荐结果，对所述预设特征提取模型和所述预设消息推送模型进行调节优化。

在本实施例中，基于所述待推送消息数据和所述消息推荐结果，对所述预设特征提取模型和所述预设消息推送模型进行调节优化，具体地，将所述待推送消息数据和所述消息推荐结果作为训练数据，对所述预设特征提取模型和所述预设消息推送模型进行迭代训练，以优化所述设特征提取模型和所述预设消息推送模型。

本实施例通过获取群体监测信息，并将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息对应的群体画像，进而将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息，并将所述待推送消息进行推送。也即，本实施例提供了一种基于群体画像的消息推送方法，也即，通过获取群体监测信息，并将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息的群体画像，进而通过所述预设消息推送模型，匹配所述群体画像对应的待推送消息，进而为所述群体画像对应的用户群体有针对性的选取了待推送消息，进而推送所述待推送消息，即可实现对用户群体进行针对性地消息推送，进而避免了由于消息屏上的线下消息不符合用户群体的爱好，进而导致线下消息推送效率低且效果差的情况发生，进而提高了线下消息的推送效率和推送效果，所以，解决了线下消息推送效率低且效果差的技术问题。

进一步地，参照图2，基于本申请中第一实施例，在本申请的另一实施例中，在步骤S10中，所述预设特征提取模型包括用户个体特征提取模型和群体特征提取模型，所述将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息对应的群体画像的步骤包括：

步骤S11，将所述群体监测信息输入所述用户个体特征提取模型，提取所述群体监测信息中的用户个体特征，获得所述用户个体特征识别结果；

在本实施例中，需要说明的是，用户个体特征提取模型为预先训练好的机器学习模型。

将所述群体监测信息输入所述用户个体特征提取模型，提取所述群体监测信息中的用户个体特征，获得所述用户个体特征识别结果，具体地，将所述群体监测信息输入所述用户个体特征提取模型，以基于所述用户个体特征提取模型中的数据处理层，所述数据处理层包括卷积层、池化层、全连接层等，对所述群体监测信息对应的特征表示矩阵进行数据处理，获得用户个体特征表示矩阵，其中，所述用户个体特征表示矩阵的每一列对应一个用户，所述用户个体特征表示矩阵的每一列均包括一个或者多个特征编码，每一特征编码均对应一用户个体特征，例如，假设所述用户个体特征表示矩阵的一列为向量(1，3，7)，其中特征编码1表示用户年龄为10岁，特征编码3表示用户为男性，特征编码7表示用户与他人交互的方式为面对面对话。

其中，所述用户个体特征提取模型包括用户粗粒度特征识别模型和用户交互方式识别模型，所述用户个体特征识别结果包括用户粗粒度特征识别结果和用户交互方式识别结果，所述用户个体特征包括一个或者多个目标用户的粗粒度特征和交互方式，

所述将所述群体监测信息输入所述用户个体特征提取模型，提取所述群体监测信息中的用户个体特征，获得所述用户个体特征识别结果的步骤包括：

步骤S111，将所述群体监测信息输入所述用户粗粒度特征识别模型，提取各所述目标用户的所述粗粒度特征，获得所述用户粗粒度特征识别结果；

在本实施例中，需要说明的是，所述粗粒度特征为不包括精准生物信息的用户个体特征，其中，所述精准生物信息包括人脸、指纹等，例如，所述粗粒度特征可为性别、年龄、衣着等，进而可保护用户的敏感隐私信息。

将所述群体监测信息输入所述用户粗粒度特征识别模型，提取各所述目标用户的所述粗粒度特征，获得所述用户粗粒度特征识别结果，具体地，将所述群体监测信息输入所述用户粗粒度特征识别模型，以对所述群体监测信息对应的特征表示矩阵进行预设次数的卷积和池化交替处理，获得卷积和交替处理结果，进而对所述卷积和池化处理进行全连接，获得用户粗粒度特征表示矩阵，其中，所述用户粗粒度特征表示矩阵的每一列均对应一个用户，所述用户粗粒度特征表示矩阵的每一列均包括一个或者多个特征编码，每一特征编码均对应一用户粗粒度特征。

步骤S112，将所述群体监测信息输入所述用户交互方式识别模型，识别各所述目标用户之间的所述交互方式，获得所述用户交互方式识别结果。

在本实施例中，所述交互方式为用户之间的交互行为，例如，所述交互行为包括面对面、背靠背、拥抱、牵手等。

将所述群体监测信息输入所述用户交互方式识别模型，识别各所述目标用户之间的所述交互方式，获得所述用户交互方式识别结果，具体地，将所述群体监测信息输入所述用户交互方式识别模型，以对所述群体监测信息对应的特征表示矩阵进行预设次数的卷积和池化交替处理，获得卷积和交替处理结果，进而对所述卷积和池化处理进行全连接，获得用户交互方式表示矩阵，其中，所述用户交互方式表示矩阵的每一列均对应一个用户，所述用户交互方式表示矩阵的每一列均包括一个或者多个特征编码，每一特征编码均对应一用户的交互方式。

步骤S12，将所述用户个体特征识别结果输入所述群体特征提取模型，提取所述用户个体特征对应的用户群体特征，获得所述群体画像。

在本实施例中，需要说明的是，所述用户群体特征为用户群体的群体社交关系等，例如，情侣、家庭等。

将所述用户个体特征识别结果输入所述群体特征提取模型，提取所述用户个体特征对应的用户群体特征，获得所述群体画像，具体地，将所述用户个体特征识别结果输入所述群体特征提取模型，以基于所述群体特征提取模型的数据处理层，其中，所述数据处理层包括卷积层、池化层和全连接层等，对所述用户个体特征识别结果对应的用户个体特征表示矩阵进行数据处理，其中，所述数据处理包括卷积、池化、全连接等，获得用户群体特征表示矩阵，进而基于所述用户个体特征表示矩阵和所述群体特征表示矩阵，构建所述群体画像，其中，所述群体画像对应一个或者多个用户，在所述群体画像中，各所述用户均对应存在各自的一个或者多个用户个体特征编码、一个或者多个群体特征编码，其中，所述用户个体特征编码为用户个体特征的标识，所述群体特征编码为群体特征的标识。

其中，所述用户群体特征包括一个或者多个目标用户的用户群体划分结果和群体社交关系识别结果，

所述将所述用户个体特征识别结果输入所述群体特征提取模型，提取所述用户个体特征对应的用户群体特征，获得所述群体画像的步骤包括：

步骤S121，将所述用户个体特征识别结果输入所述群体特征提取模型，对各所述目标用户进行分群，获得所述用户群体划分结果，其中，所述用户群体划分结果包括一个或者多个用户群体；

在本实施例中，将所述用户个体特征识别结果输入所述群体特征提取模型，对各所述目标用户进行分群，获得所述用户群体划分结果，其中，所述用户群体划分结果包括一个或者多个用户群体，具体地，将所述用户个体特征识别结果输入所述群体特征提取模型，以对所述用户个体特征识别结果对应的用户个体特征表示矩阵进行预设次数的卷积和池化交替处理，获得卷积和池化交替处理结果，进而对所述卷积和池化交替处理结果进行全连接，获得群体特征表示矩阵，进而从所述群体特征表示矩阵中提取用户分群编码，并查询所述用户分群编码对应的一个或者多个用户群体，其中，所述用户分群编码为各所述用户群体的标识。

步骤S122，识别各所述用户群体的社交关系，获得所述群体社交关系识别结果；

在本实施例中，识别各所述用户群体的社交关系，获得所述群体社交关系识别结果，具体地，在所述群体特征表示矩阵中提取各所述用户群体对应的社交关系编码，并基于各所述社交关系编码查询所述群体社交关系识别结果，其中，所述社交关系编码为各所述社交关系的标识。

步骤S123，基于所述用户群体划分结果和所述群体社交关系识别结果，建立所述群体画像。

在本实施例中，基于所述用户群体划分结果和所述群体社交关系识别结果，建立所述群体画像，具体地，基于所述用户群体划分结果和所述群体社交关系识别结果，联合所述用户个体特征表示矩阵，构建所述群体画像，其中，所述群体画像可用矩阵进行表示，例如，假设所述群体画像使用矩阵进行表示，则矩阵的每一列对应一个用户，进一步地，假设矩阵的一列为(a，b，c)，则特征编码a表示用户个体特征，特征编码b表示用户群体划分结果，特征编码c表示群体社交关系识别结果，如图3所示为本实施例中消息推送时进行调节优化的示意图，其中，群体及社交关系识别模型为所述群体特征提取模型，可解释商品推荐模型为所述预设消息推送模型，可解释的商品推荐即为所述待推送消息的推送过程，所述商品展示和核销为收集待推送消息数据和所述待推送消息对应的消息推荐结果过程。

本实施例通过将所述群体监测信息输入所述用户个体特征提取模型，提取所述群体监测信息中的用户个体特征，获得所述用户个体特征识别结果，进而将所述用户个体特征识别结果输入所述群体特征提取模型，提取所述用户个体特征对应的用户群体特征，获得所述群体画像。也即，本实施例提供了一种通过识别用户的用户个体特征，其中，所述用户个体特征包括用户粗粒度特征和交互方式，建立群体画像的方法，也即，基于所述群体监测信息，通过所述用户个体特征提取模型提取用户个体特征获得用户个体特征识别结果，进而基于所述用户个体特征识别结果，通过群体特征提取模型，提取所述群体监测信息中的群体特征，进而基于所述用户个体特征和所述群体特征，构建所述群体画像，进而基于所述群体画像，可对用户群体进行有针对性的消息推送，进而避免了由于消息屏上的线下消息不符合用户群体的爱好，进而导致线下消息推送效率低且效果差的情况发生，进而提高了线下消息的推送效率和推送效果，所以，为解决线下消息推送效率低且效果差的技术问题奠定了基础。

参照图4，图4是本申请实施例方案涉及的硬件运行环境的设备结构示意图。

如图4所示，该消息推送优化设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。

可选地，该消息推送优化设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

本领域技术人员可以理解，图4中示出的消息推送优化设备结构并不构成对消息推送优化设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图4所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及消息推送优化程序。操作系统是管理和控制消息推送优化设备硬件和软件资源的程序，支持消息推送优化程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与消息推送优化系统中其它硬件和软件之间通信。

在图4所示的消息推送优化设备中，处理器1001用于执行存储器1005中存储的消息推送优化程序，实现上述任一项所述的消息推送优化方法的步骤。

本申请消息推送优化设备具体实施方式与上述消息推送优化方法各实施例基本相同，在此不再赘述。

本申请实施例提供一种消息推送优化装置，所述消息推送优化装置应用于消息推送优化设备，所述消息推送优化装置包括：

建立模块，用于获取群体监测信息，并将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息对应的群体画像；

匹配模块，用于将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息，并将所述待推送消息进行推送。

可选地，所述建立模块包括：

第一特征提取单元，用于将所述群体监测信息输入所述用户个体特征提取模型，提取所述群体监测信息中的用户个体特征，获得所述用户个体特征识别结果；

第二特征提取单元，用于将所述用户个体特征识别结果输入所述群体特征提取模型，提取所述用户个体特征对应的用户群体特征，获得所述群体画像。

可选地，所述第一特征提取单元包括：

第一识别子单元，用于将所述群体监测信息输入所述用户粗粒度特征识别模型，提取各所述目标用户的所述粗粒度特征，获得所述用户粗粒度特征识别结果；

第二识别子单元，用于将所述群体监测信息输入所述用户交互方式识别模型，识别各所述目标用户之间的所述交互方式，获得所述用户交互方式识别结果。

可选地，所述第二特征提取单元包括：

分群子单元，用于将所述用户个体特征识别结果输入所述群体特征提取模型，对各所述目标用户进行分群，获得所述用户群体划分结果，其中，所述用户群体划分结果包括一个或者多个用户群体；

识别子单元，用于识别各所述用户群体的社交关系，获得所述群体社交关系识别结果；

建立子单元，用于基于所述用户群体划分结果和所述群体社交关系识别结果，建立所述群体画像。

可选地，所述匹配模块包括：

第一匹配单元，用于将所述用户群体特征输入所述预设消息推送模型，匹配所述用户群体特征对应的所述待推送消息。

可选地，所述匹配模块还包括：

第二匹配单元，用于将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送物品编码和物品解释信息编码；

查询单元，用于基于所述待推送物品编码和所述物品解释信息编码，查询所述待推送消息。

可选地，所述匹配模块还包括：

推送单元，用于将所述待推送物品信息和所述待推送物品信息对应的商家信息向预设可视化消息屏进行推送，并将所述物品解释信息进行语音推送。

可选地，所述消息推送优化装置还包括：

收集模块，收集待推送消息数据和所述待推送消息对应的消息推荐结果；

调节优化模块，用于基于所述待推送消息数据和所述消息推荐结果，对所述预设特征提取模型和所述预设消息推送模型进行调节优化。

本申请消息推送优化装置的具体实施方式与上述消息推送优化方法各实施例基本相同，在此不再赘述。

本申请实施例提供了一种可读存储介质，且所述可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的消息推送优化方法的步骤。

本申请可读存储介质具体实施方式与上述消息推送优化方法各实施例基本相同，在此不再赘述。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。

Claims (10)

1.一种消息推送优化方法，其特征在于，所述消息推送优化方法包括：

获取群体监测信息，并将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息对应的群体画像；

将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息，并将所述待推送消息进行推送。

2.如权利要求1所述消息推送优化方法，其特征在于，所述预设特征提取模型包括用户个体特征提取模型和群体特征提取模型，

所述将所述群体监测信息输入预设特征提取模型，建立所述群体监测信息对应的群体画像的步骤包括：

将所述群体监测信息输入所述用户个体特征提取模型，提取所述群体监测信息中的用户个体特征，获得所述用户个体特征识别结果；

将所述用户个体特征识别结果输入所述群体特征提取模型，提取所述用户个体特征对应的用户群体特征，获得所述群体画像。

3.如权利要求2所述消息推送优化方法，其特征在于，所述用户个体特征提取模型包括用户粗粒度特征识别模型和用户交互方式识别模型，所述用户个体特征识别结果包括用户粗粒度特征识别结果和用户交互方式识别结果，所述用户个体特征包括一个或者多个目标用户的粗粒度特征和交互方式，

所述将所述群体监测信息输入所述用户个体特征提取模型，提取所述群体监测信息中的用户个体特征，获得所述用户个体特征识别结果的步骤包括：

将所述群体监测信息输入所述用户粗粒度特征识别模型，提取各所述目标用户的所述粗粒度特征，获得所述用户粗粒度特征识别结果；

将所述群体监测信息输入所述用户交互方式识别模型，识别各所述目标用户之间的所述交互方式，获得所述用户交互方式识别结果。

4.如权利要求2所述消息推送优化方法，其特征在于，所述用户群体特征包括一个或者多个目标用户的用户群体划分结果和群体社交关系识别结果，

所述将所述用户个体特征识别结果输入所述群体特征提取模型，提取所述用户个体特征对应的用户群体特征，获得所述群体画像的步骤包括：

将所述用户个体特征识别结果输入所述群体特征提取模型，对各所述目标用户进行分群，获得所述用户群体划分结果，其中，所述用户群体划分结果包括一个或者多个用户群体；

识别各所述用户群体的社交关系，获得所述群体社交关系识别结果；

基于所述用户群体划分结果和所述群体社交关系识别结果，建立所述群体画像。

5.如权利要求1所述消息推送优化方法，其特征在于，所述群体画像包括用户群体特征，

所述将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息的步骤包括：

将所述用户群体特征输入所述预设消息推送模型，匹配所述用户群体特征对应的所述待推送消息。

6.如权利要求1所述消息推送优化方法，其特征在于，所述将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息的步骤包括：

将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送物品编码和物品解释信息编码；

基于所述待推送物品编码和所述物品解释信息编码，查询所述待推送消息。

7.如权利要求1所述消息推送优化方法，其特征在于，所述待推送消息包括待推送物品信息和物品解释信息，

所述将所述待推送消息进行推送的步骤包括：

将所述待推送物品信息和所述待推送物品信息对应的商家信息向预设可视化消息屏进行推送，并将所述物品解释信息进行语音推送。

8.如权利要求1所述消息推送优化方法，其特征在于，所述将所述群体画像输入预设消息推送模型，匹配所述群体画像对应的待推送消息，并将所述待推送消息进行推送的步骤之后包括：

收集待推送消息数据和所述待推送消息对应的消息推荐结果；

基于所述待推送消息数据和所述消息推荐结果，对所述预设特征提取模型和所述预设消息推送模型进行调节优化。

9.一种消息推送优化设备，其特征在于，所述消息推送优化设备包括：存储器、处理器以及存储在存储器上的用于实现所述消息推送优化方法的程序，

所述存储器用于存储实现消息推送优化方法的程序；

所述处理器用于执行实现所述消息推送优化方法的程序，以实现如权利要求1至8中任一项所述消息推送优化方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有实现消息推送优化方法的程序，所述实现消息推送优化方法的程序被处理器执行以实现如权利要求1至8中任一项所述消息推送优化方法的步骤。

Images