CN111476595A - 产品推送方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请属于数据分类领域，公开了一种产品推送方法、装置、计算机设备及可读存储介质。所述方法包括获取预设协议数据，提取预设协议数据的节点属性；根据节点属性生成用于筛选协议数据的计算因子；获取协议数据，通过计算因子对所述协议数据进行筛选，得到匹配节点数据；将匹配节点数据映射到对应的数据节点下；根据数据节点生成产品推送信息；获取指定数据类型，根据指定数据类型从数据节点下获取匹配节点数据作为对象匹配数据；根据对象匹配数据从对象数据库中获取目标推送对象，并根据指定数据类型对产品推送信息进行筛选，得到目标推送信息；将目标推送信息推送给目标推送对象。采用本方法解决了现有技术中产品推送的类型过于单一的技术问题。

Description

产品推送方法、装置、计算机设备和存储介质

技术领域

本申请涉及数据分类领域，特别是涉及一种产品推送方法、装置、计算机设备和存储介质。

背景技术

目前对于公司某业务产品的推送要么由业务售卖方发起的，要么向供应商购买相关的信息服务，无论哪种方式都会增加成本。传统公司一般都拥有大量的客户资源库，且真实程度、资料完善程度都较高，如购入第三方智能推荐的产品，会有一定的信息泄露问题。传统技术中还有通过对用户信息进行分类，然后根据分类后的信息进行信息匹配的，这种方式为用户或者对象匹配到的产品信息过于单一。比如公开号为CN109447685的一种基于机器学习的产品数据推送方法所公开的，通过对获取到的用户信息进行分类并添加类别标签，然后根据该类别标签获取对应的产品数据，最后按照预设规则生成对应的资源分配结果后将信息推送给用户表示对应的用户终端。这种产品推送的方式虽然可以实现有针对性的对特定用户进行产品推送，但由于生成的产品推送信息过于单一，无法解决现有技术中的单一化的信息推送。

发明内容

基于此，有必要针对上述技术问题，本申请提供一种产品推送方法、装置、计算机设备及存储介质，以解决现有技术中产品推送的类型过于单一的技术问题。

一种产品推送方法，所述方法包括：

获取预设协议数据，提取所述预设协议数据的节点属性；

根据所述节点属性生成用于筛选协议数据的计算因子；

获取协议数据，并通过所述计算因子对所述协议数据进行筛选，得到匹配节点数据；

将所述匹配节点数据映射到对应的数据节点下；

根据所述数据节点生成产品推送信息；

获取指定数据类型，并根据所述指定数据类型从所述数据节点下获取匹配节点数据，作为对象匹配数据；

根据所述对象匹配数据从对象数据库中获取目标推送对象，并根据所述指定数据类型对所述产品推送信息进行筛选，得到目标推送信息；

将所述目标推送信息推送给所述目标推送对象

一种产品推送装置，所述装置包括：

属性提取模块，用于获取预设协议数据，提取所述预设协议数据的节点属性；

因子生成模块，用于根据所述节点属性生成用于筛选协议数据的计算因子；

数据筛选模块，用于获取协议数据，并通过所述计算因子对所述协议数据进行筛选，得到匹配节点数据；

数据映射模块，用于将所述匹配节点数据映射到对应的数据节点下；

信息生成模块，用于根据所述数据节点生成产品推送信息；

对象数据获取模块，用于获取指定数据类型，并根据所述指定数据类型从所述数据节点下获取匹配节点数据，作为对象匹配数据；

数据匹配模块，用于根据所述对象匹配数据从对象数据库中获取目标推送对象，并根据所述指定数据类型对所述产品推送信息进行筛选，得到目标推送信息；

信息推送模块，用于将所述目标推送信息推送给所述目标推送对象。

一种计算机设备，包括存储器和处理器，以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述产品推送方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述产品推送方法的步骤。

上述产品推送方法、装置、计算机设备和存储介质，通过在协议数据获取阶段通过对协议数据进行有目的性的筛选，再将筛选得到的协议数据按照数据节点进行存储，最后获取指定类型的协议数据进行目标推送对象的匹配以及推送信息的筛选，解决了现有技术中对目标推送对象推送的产品的类型较为单一的技术问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。

图1为产品推送方法的应用环境示意图；

图2为产品推送方法的流程示意图；

图3为图2中步骤204的流程示意图；

图4为图2中步骤206的流程示意图；

图5为图2中步骤206的另一流程示意图；

图6为图2中步骤208的流程示意图；

图7为图2中步骤212的流程示意图；

图8为图2中步骤214的流程示意图；

图9为产品推送装置的示意图；

图10为一个实施例中计算机设备的示意图。

具体实施方式

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申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处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。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。

本发明实施例提供的产品推送方法，可以应用于如图1所示的应用环境中。其中，该应用环境可以包括终端102、网络106以及服务端104，网络106用于在终端102和服务端104之间提供通信链路介质，网络106可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端102通过网络106与服务端104交互，以接收或发送消息等。终端102上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端102可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group AudioLayer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts GroupAudio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务端104可以是提供各种服务的服务器，例如对终端102上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的产品推送方法一般由服务端/终端执行，相应地，产品推送装置一般设置于服务端/终端设备中。

应该理解，图1中的终端、网络和服务端的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

其中，终端102通过网络与服务端104进行通信。服务端104从终端102上获取协议数据，并根据计算因子对协议数据进行筛选，得到匹配节点数据，再根据匹配节点数据生成产品推送信息、匹配目标推送对象，然后再将产品推送信息推送给目标推送对象，实现产品的推送。其中，终端102和服务端104之间通过网络进行连接，该网络可以是有线网络或者无线网络，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务端104可以用独立的服务器或者是多个组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种产品推送方法，以该方法应用于图1中的服务端为例进行说明，包括以下步骤：

步骤202，获取预设协议数据，提取预设协议数据的节点属性。

预设协议数据可以是根据实际业务场景获得，实际业务场景是视本次产品推送的产品类型以及产品推送的对象而定的。比如已知要为具有以下三类特征的对象的信息作为预设协议数据：年龄：20-35；工作地点：偏远地区；是否曾购买某类产品：是。

步骤204，根据节点属性生成用于筛选协议数据的计算因子。

节点属性是对预设协议数据进行结构化处理后，从结构化数据中提取出来的维度特征和数值。具体地，可以是与对象相对应的数据信息，该数据信息里包括若干维度特征以及与维度特征对应的数据。比如表1中所示为预设协议数据中部分维度特征及其对应的数据的示例：

表1

计算因子是根据节点数据得到的，一个计算因子中包括一种根据节点属性生成的属性，比如对得到的节点属性进行聚类分析，从预设协议数据中获得了10个节点属性，则对包括Behavior_area:North China、Behavior_type:3以及Item_category:7350这3个维度的节点属性进行聚类分析，则得到的计算因子可以是华北地区购买了7350类产品。

具体地，可以将本实施例应用对用户进行保险产品信息推荐上，预设协议数据(预设保单数据)中包括极客用户的投保地区：河南省、湖北省、湖南省，而这些省又是属于华中地区；再比如，包括北京市、天津市、山西省、河北省或者内蒙古自治区，这些是属于华北地区；还可以提取出用户的年龄，比如18-45属于青壮年，46-65属于中年,66以上属于老年等等这些属性特征，这些都可以是预设协议数据的节点属性。通过以上方式可以得到计算因子为：华北地区意健险。

其中，聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇之间的对象有很大的相异性。那么就可以根据不同标签之间的相似性进行聚合，生成计算因子。计算因子的数量不限于一个，多个计算因子组成一个筛选模板，专用于特定业务的协议数据筛选，那么就可以根据该筛选模板对协议数据进行筛选。

步骤206，获取协议数据，并通过计算因子对协议数据进行筛选，得到匹配节点数据。

协议数据包括历史协议数据和实时协议数据。历史协议数据为以往购买用户的协议数据，可以从其他资源池中获得，其中，资源池是按指定规则设立的不同纬度进行数据存储的一个存储池，其作用为更方便服务器通过Hadoop2抽取数据，然后进行数据分析，因为随着保单的类型不同，数据结构将极其复杂，如不进行归类整理，很难将数据进行有效的利用起来。

历史协议数据都是已经被结构化的数据，可以直接取过来进行分析使用。其中，不论是实时协议数据还是历史协议数据都包括用户对象的各种维度的特征数据，比如年龄、职业、收入、所在地、家庭成员、曾购买商品的类型等等。

对于实时协议数据，若后台服务器接收到实时协议数据，会对实时协议数据进行RSA数据加密处理。RSA加密是一种非对称加密，可以在不直接传递密钥的情况下，完成解密，这能够确保信息的安全性，避免了直接传递密钥所造成的被破解的风险，具体加密过程为现有技术此处不再赘述。

对实时协议数据进行加密后，需要通过Redis对加密后的协议数据进行结构化处理，然后将结构化处理后的协议数据保存到资源池中备用。

Redis是用C语言开发的一个开源的高性能键值对(key-value)数据库.它通过提供多种键值数据类型来适应不同场景下的存储需求,目前为止Redis支持的键值数据类型如下:

字符串类型；散列类型；列表类型；集合类型；有序集合类型。

应用场景可以是：

缓存(数据查询,短连接,新闻内容,商品内容等等)、分布式集群架构中的session分离、聊天室的在线好友列表、任务队列(秒杀,抢购,12306等等)、应用排行榜、网站访问统计、数据过期处理(可以精确到毫秒)。

步骤208，将匹配节点数据映射到对应的数据节点下。

数据节点是另外设置的一个数据节点库中的节点，比如可以是协议数据中用户对象的商品类型(Enterprise Edition、Home Edition或者Professional Edition)、购买期限(定期、终身)、收入、年龄、家庭成员、住址等等。

每一个数据节点下保存有符合计算因子的协议数据的唯一标识，该唯一标识是根据协议数据的订单号和渠道号生成的。其中，一个协议数据可以对应多个数据节点的，比如既可以在产品的类型(Professional Edition)节点下，又可以在定期购买这个数据节点下。通过协议数据的不同属性对协议数据进行映射保存的好处是可以对协议数据进行分门别类，便于后续根据数据节点下的协议数据生成需要给用户推送的产品类型。

进一步地而，每个数据节点下又可以有多个子节点比如Professional Edition节点下又可以分为定期节点和终身节点这两个同级节点，定期节点下又可以有不同年龄层的购买用户的年龄子节点等等，具体的数据节点的结构需要根据具体情况而定，此处不做限定。

步骤210，根据数据节点生成产品推送信息。

将不同数据节点进行组合可以映射多个产品推送信息，比如年龄大于22低于28、住址在一线城市、收入符合预设值这几个数据节点组合得到的购买用户，可以给其推送Professional Edition等产品推送信息。年龄大于22低于28、住址在山区、收入不高于一定预设值这几个数据节点组合得到的用户可以给其推送Free edition。

数据节点与产品推送信息是多对多的关系，细节根据具体应用场景而定。比如可以按照以下维度，给对应潜在客户推送产品信息：

年龄段、性别、职业、收入情况等等。

步骤212，获取指定数据类型，并根据指定数据类型从数据节点下获取协议数据，作为对象匹配数据。

本实施例可以通过Hadoop2获取协议数据，提升数据处理的效率，Hadoop2是一种服务器集群。根据获取到的指定数据类型进行对象匹配数据获取，并根据对象匹配数据进行目标推送对象获取的目的在于，数据节点下的协议数据的数量很多，若要实现为用户有针对性地推送产品，则可以通过制定数据类型，从数据节点下的协议数据中选取某一类型或某几类型的协议数据进行作为对象匹配数据。

可选地，若需要更改产品的产品只需要调整指定数据类型即可，不必重新对数据进行筛选和分类，大大降低了产品推送的效率。

具体地，服务端通过客户端(client)提交作业请求(例如抓取所有指定类型的Free edition产品)，然后服务端从资源池中调度指定资源，该指定数据类型是根据指定产品类型来获取的。

进一步地，接收客户端(client)提交的抓取所有指定类型的用户对象的协议数据的作业请求，然后服务端上的Scheduler(调度程序)负责调度指定资源(指定要抓哪个产品节点的数据)，然后，ApplicationsManager接收到了具体的产品节点下的数据，并通过一个container(容器)来执行抓取数据的操作。

最后，ApplicationMaster会负责作业新的container的申请及作业的监控(后续该类型的数据抓取，均由该ApplicationMaster操作并抓取，及其监控抓取情况)。

其中，可以利用Hadoop2中的HDFS功能对分散存储在各个数据节点下的协议数据进行了收集，其中，HDFS是具有高可靠性、高吞吐量的分布式文件系统。

步骤214，根据对象匹配数据从对象数据库中获取目标推送对象，并根据指定数据类型对产品推送信息进行筛选，得到目标推送信息。

对象匹配数据中包括用户对象的一些属性数据，比如年龄、收入情况、出生年月或者身份信息。从对象数据库中获取与以上属性数据相匹配的对象作为目标推送对象，比如，符合年龄在20-30岁、收入在1W以上、职业不固定、住址在某地区的对象。然后还可以从上述得到的产品推送信息中选取符合指定数据类型的产品推送信息，比如，年龄在20-30、收入1W以上、职业不固定、住址在某地区的对象已购买的产品，并将该产品作为目标推送信息推送给目标推送对象。

步骤216，将目标推送信息推送给目标推送对象。

在对用户对象进行相关订单信息录入后，然后进行相关订单支付，该移动展业功能在支付完成后，如果用户勾选产品漂流瓶复选框，后台则利用activeMQ消息中间件将信息异步传到后台。后续则可以通过产品漂流瓶的形式将为该用户生成的目标推送信息以漂流瓶的形式推送到用户的终端。

上述产品推送方法中，通过根据指定的用户群体的协议数据得到用户筛选协议数据的计算因子，并对协议数据进行筛选，选出合适的协议数据将其插入到对应的数据节点下，有针对性地获取某一类对象的预设协议数据的节点属性，并给节点属性生成计算因子对协议数据进行筛选，还通过指定数据类型指定目标推送信息以及从协议数据中选取对象筛选数据，提升了对海量漂流瓶数据处理能力，以便能够高效筛选整理数据，从而进行精准推送，而且期间所使用的数据都是真实的订单案例，推荐给相关用户更具有说服力。

在一个实施例中，如图3所示，步骤204包括：

步骤302，通过one-hot算法对节点属性进行向量化处理，得到向量化属性。

One-Hot表达是文本分类的一种结构化方式，是最直观，也是目前为止最常用的词表示方式。具体地，生成节点属性的字典；比如：保险类型、投保用户地址、年龄、收入，则得到的字典为[保，地，户，类，龄，年，入，收，投，险，型，用，址](可以按照拼音顺序排列，此处略过)，得到13个字，这3个字依次表示为ont-hot向量的形式如下：

“保”:[1,0,0,0,0,0,0,0,0,0,0,0,0]

“险”:[0,0,0,0,0,0,0,0,0,1,0,0,0]

……

“址”:[0,0,0,0,0,0,1,0,0,0,0,0,0]

此时上面的节点属性的表示如下：

保险类型：1,0,0,1,0,0,0,0,0,1,1,0,0

投保用户地址：1,1,1,0,0,0,0,0,1,0,0,1,1

……

收入：0,0,0,0,0,1,1,0,0,0,0,0

年龄、收入当节点属性以此类推，此处不再赘述。

步骤304，计算各向量化属性之间的曼哈顿距离。

曼哈顿距离(Manhattan Distance)是向量之间的距离的一种。比如，在二维平面中两个点a(x1,y1)与b(x2,y2)间的曼哈顿距离：

d₁₂＝|x₁-x₂|+|y₁-y₂| 公式(1)

其中，x1是点a的X轴坐标，y1是Y轴坐标；x2是点b的X轴坐标，y2是Y轴坐标。

两个n维向量a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的曼哈顿距离的表示方式：

其中，k表示点a或者b为位于第几维，且k为正整数。

本实施例可以通过公式(2)计算两向量属性之间的曼哈顿距离，得到两向量属性之间的相似性。

步骤306，若曼哈顿距离小于预设距离的向量化属性的数量大于预设数值，则将曼哈顿距离小于预设距离的向量化属性设为核心属性簇。

本实施例需要获取曼哈顿距离小于预设距离，且曼哈顿距离小于预设距离的向量化属性数量大于预设数值的簇，作为核心属性簇。曼哈顿距离越小说明两个向量之间的相似性越高，数量越多，说明该属性簇作为计算因子的可能性越高。

步骤308，对核心属性簇进行整合，得到计算因子。

本实施例中若得到购买年龄为25-35、购买的产品类型是free edition、用户收入5Kw以下，以及活动地区为险要之地(山区、海洋、沙漠等地)为一个核心属性簇，则得到的计算因子可以为：长期生活在偏远地带的青壮年的免费版。

进一步地，已知需要对极客、冒险人群推送保险产品，如给一些浏览极客、冒险网站的用户推荐意外保险产品，则可以生成以计算因子为单位组成的数据筛选模板，这个筛选模板是可以通过多个计算因子组合得到。其中，计算因子可以是华北地区意健险、华中地区意健险、华北地区意外险等等。选取预设协议数据时需要根据具体地应用场景。

可选地，若是对某老年用户群推荐保险产品，则可以获取一些已经购买了意外险的老年用户的保单数据作为预设协议数据，最后根据上述方式生成的计算因子就可以是：年龄65以上的意外险、年龄65以上的防癌险等等。

比如要给某一特定用户推荐意外保险产品，则生成的计算因子可以是：计算因子里的节点是年龄、险种、职业。将与该意外保险产品比较相关的几个节点作为计算因子。

本实施例通过计算因子筛选协议数据，将同时包含上述计算因子中的节点的协议数据插入到相应的数据节点下。不同计算因子中可以包括不同节点，以保证筛选出的协议数据的多样性。例如，在某一协议数据中，只有协议数据类型、用户地址、年龄等节点信息，而无收入、家庭成员等节点信息，但收入节点的数据又关系到用户是否购买的可能性、购买什么类型的产品的可能性等，就可能因为某节点的数据没有顾虑到而错失该协议数据。

本实施例以推送某产品为例，用以说明该基于Hadoop2的产品推送方法，具体地，协议数据可以是购买用户的购买商品后生成的协议数据，里面包括购买用户的购买商品的类型、用户身份信息、地址、收入情况、家庭住址等等数据，用户在支付完成后，如果勾选产品推荐漂流瓶复选框，点击完成，后台则利用activeMQ消息中间件将用户的协议数据异步传到后台进行存储和分析。一般用户完成该步骤，购买流程已经结束，该用户的协议数据对于将适合的产品推送给合适的用户群体具有一定的参考意义。

在一个实施例中，如图4所示，步骤206包括：

步骤402，获取历史协议数据，并存储到HDFS中。

历史协议数据是在某时间点之前已经获得的协议数据，历史协议数据可以是已经经过计算因子筛选，也可能是未经计算因子筛选的协议数据。

步骤404，通过MapReduce对历史协议数据进行分析，得到历史分析结果。

MapReduce是一种编程模型，用于大规模数据集(大于1TB)的并行运算。使用MapReduce原因是它具有很高的容错性。比如，其中一台机器宕机了，它可以把上面的计算任务转移到另一个节点上运行，不至于这个任务运行失败。

通过MapReduce对历史协议数据进行分析主要是分析历史协议数据是否符合计算因子。比如计算因子是“长期生活在偏远地带的青壮年的免费版”，那么需要对比该历史协议数据是否符合长期活跃在危险地带、青壮年以及免费版这三条属性。当然，还可以有其他计算因子与“长期生活在偏远地带的青壮年的免费版”这个计算因子进行结合筛选历史协议数据，以保证得到的协议数据的准确率较高。

步骤406，若历史分析结果为历史协议数据符合计算因子，则检测历史协议数据与数据节点之间是否存在键值对。

键值对是用于表示该历史协议数据是否已经在数据节点(比如Free edition这个数据节点)下存在的验证条件。若是该历史协议数据已经在该数据节点下出现过，则会生成一个键值对，用于指向数据节点。

步骤408，若不存在所述键值对，则将所述历史协议数据映射到相应的数据节点下，作为筛选数据。

如果不存在指向数据节点的键值对，则将该历史协议数据插入该数据节点下，作为筛选数据。筛选数据是用于筛选实时协议数据的数据，通过这种方式得到的筛选数据来筛选协议数据得到的数据相似度更高。而且对历史协议数据进行分析并插入到数据节点下，可以得到之前购买用户的购买类型、缴费方式、购买频率等，作为筛选数据的一种，用作对后续实时协议数据进行处理的基础。

步骤410，根据筛选数据对通过activeMQ消息中间件发送的实时协议数据进行筛选，将符合筛选数据的实时协议数据映射到相应的数据节点下，作为匹配节点数据。

进一步地，本实施例可以利用activeMQ消息队列异步消息功能，增加购买过程中协议数据向后台服务器传递的连续性，但是此附加业务的失败不会影响购买主流程。匹配节点数据是用于对

本实施例通过预先对历史协议数据进行筛选，得到筛选数据，将筛选数据作为对实时协议数据的筛选条件，使得后续接收到的实时协议数据可以不必通过计算因子进行计算，而是直接对比其与筛选数据的契合度，比如收入、年龄、住址、家庭成员等的相似程度，提高了数据筛选的精度。

在一个实施例中，如图5所示，步骤206还包括：

步骤502，若存在键值对，则获取通过activeMQ中间件发送的实时协议数据。

若存在键值对，则说明该协议数据已经通过了计算因子的筛选，并插入到对应的数据节点下。

步骤504，根据计算因子对实时协议数据进行筛选，得到匹配节点数据。

若不存在新插入的历史协议数据，则可以通过计算因子直接对实时协议数据进行筛选，得到匹配节点数据。

本实施例中通过计算因子对实时协议数据进行筛选，得到匹配节点数据，保证了数据的实时性，提高得到的数据的实时性。

在一个实施例中，如图6所示，步骤208包括：

步骤602，获取筛选得到的协议数据的协议编码和渠道编码。

协议数据的协议编码，本实施例可以是购买用户的订单号，以某整合了多个电商平台的网站的订单号码为例可以是：GP0200000000310241，渠道号可以是该订单数据的渠道来源，比如A电商公司的订单数据或者B电商公司的订单数据。

步骤604，根据协议编码和渠道编码生成筛选得到的协议数据的索引编码。

索引编码是该订单数据的唯一标识，而加入渠道编码的原因是有些小电商公司运用生成的订单号规则是一致的，有低概率的重复情况，加上协议数据的渠道来源可以确保协议数据编号的唯一性。

步骤606，通过索引编码将筛选得到的协议数据映射到对应的数据节点下。

本实施例通过只在数据节点下存储协议数据的索引编码，所以可以有多个数据节点下保存有同一个索引编码，而该索引编码映射到协议数据库上的具体某一协议数据，节省存储空间。

在一个实施例中，如图7所示，步骤212包括：

步骤702，接收数据抓取请求，其中，数据抓取请求中包括指定数据类型。

步骤704，根据指定数据类型从数据节点下获取匹配节点数据，作为对象匹配数据。

具体地，本实施例中，服务端接收客户端(client)提交数据榨取请求，该数据榨取请求中包括指定数据类型，指定数据类型可以是：抓取所有指定类型的Home Edition订单(比如指定类型是：定期、终身)，然后服务端上的Scheduler(调度程序)负责调度指定资源(指定要抓哪个Home Edition节点下的数据)，然后，从该数据节点下获取具体的HomeEdition协议数据。

本实施例中的操作可以利用Hadoop2中的HDFS功能(HDFS功能中的什么算法)对分散存储的协议数据进行了收集，HDFS是具有高可靠性、高吞吐量的分布式文件系统。通过Hadoop2的数据抓取速度高，可以提高数据获取的速度。

在一个实施例中，如图8所示，步骤214包括：

步骤802，从对象匹配数据中获取指定数据类型的至少一个属性数值。

若指定数据类型为年龄、收入以及Home Edition类型，则从对象匹配数据中获取相同属性下所对应的数值可以是：年龄30、收入2w/月、Home Edition定期。一般都会指定数据类型中的属性数值至少为一个。

步骤804，从对象数据库中获取用户对象，其中，用户对象包括与属性数值具有相同属性的属性映射。基于上述得到的属性数值，从对象数据库获取与该属性数值具有相同数值或者相近数值的对象。

步骤806，将与属性数值相符的属性映射所对应的用户作为目标推送对象。

本实施例通过指定数据类型从对象数据库中获取指定方向的对象，作为目标推送对象，使得得到的对象的针对性更强。

应该理解的是，虽然图2-图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图9所示，提供了一种产品推送装置，该产品推送装置与上述实施例中产品推送方法一一对应。该产品推送装置包括：

属性提取模块902，用于获取预设协议数据，提取预设协议数据的节点属性。

因子生成模块904，用于根据节点属性生成用于筛选协议数据的计算因子。

数据筛选模块906，用于获取协议数据，并通过计算因子对协议数据进行筛选，得到匹配节点数据。

数据映射模块908，用于将匹配节点数据映射到对应的数据节点下。

信息生成模块910，用于根据数据节点生成产品推送信息。

对象数据获取模块912，用于获取指定数据类型，并根据指定数据类型从数据节点下获取匹配节点数据，作为对象匹配数据。

数据匹配模块914，用于根据对象匹配数据从对象数据库中获取目标推送对象，并根据指定数据类型对产品推送信息进行筛选，得到目标推送信息。

信息推送模块916，用于将目标推送信息推送给目标推送对象。

进一步地，因子生成模块904包括：

向量化子模块，用于通过one-hot算法对节点属性进行向量化处理，得到向量化属性。

距离计算子模块，用于计算各向量化属性之间的曼哈顿距离。

核心簇确定子模块，用于若曼哈顿距离小于预设距离的向量化属性的数量大于预设数值，则将曼哈顿距离小于预设距离的向量化属性设为核心属性簇。

属性簇整合子模块，用于对核心属性簇进行整合，得到计算因子。

进一步地，数据筛选模块906包括：

历史数据获取子模块，用于获取历史协议数据，并存储到HDFS中。

历史分析子模块，用于通过MapReduce对历史协议数据进行分析，得到历史分析结果。

映射检测子模块，用于若历史分析结果为历史协议数据符合计算因子，则检测历史协议数据与数据节点之间是否存在键值对。

筛选数据获取子模块，用于若不存在键值对，则将历史协议数据映射到相应的数据节点下，作为筛选数据。

第一数据映射子模块，用于根据筛选数据对通过activeMQ消息中间件发送的实时协议数据进行筛选，将符合筛选数据的实时协议数据映射到相应的数据节点下，作为匹配节点数据。

进一步地，数据筛选模块906还包括：

实时数据获取子模块，用于若存在键值对，则获取通过activeMQ中间件发送的实时协议数据。

第二数据映射子模块，用于根据计算因子对实时协议数据进行筛选，得到匹配节点数据。

进一步地，数据映射模块908包括：

编码获取子模块，用于获取筛选得到的协议数据的协议编码和渠道编码。

索引编码生成子模块，用于根据协议编码和所述渠道编码生成筛选得到的协议数据的索引编码。

编码映射子模块，用于通过索引编码将筛选得到的协议数据映射到对应的数据节点下。

进一步地，对象数据获取模块912包括：

请求接收子模块，用于接收数据抓取请求，其中，数据抓取请求中包括指定数据类型。

对象数据获取子模块，用于根据指定数据类型从数据节点下获取匹配节点数据，作为对象匹配数据。

进一步地，数据匹配模块914包括：

属性数值获取子模块，用于从对象匹配数据中获取指定数据类型的至少一个属性数值。

对象获取子模块，用于从对象数据库中获取用户对象，其中，用户对象包括与属性数值具有相同属性的属性映射。

产品推送子模块，用于将与属性数值相符的属性映射所对应的用户作为目标推送对象。

上述产品推送装置，通过根据指定的用户群体的协议数据得到用户筛选协议数据的计算因子，并对协议数据进行筛选，选出合适的协议数据将其插入到对应的数据节点下，有针对性地获取某一类对象的预设协议数据的节点属性，并给节点属性生成计算因子对协议数据进行筛选，还通过指定数据类型指定目标推送信息以及从协议数据中选取对象筛选数据，提升了对海量漂流瓶数据处理能力，以便能够高效筛选整理数据，从而进行精准推送，而且期间所使用的数据都是真实的购买案例，推荐给相关用户更具有说服力。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户订单数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品推送方法，通过根据指定的用户群体的协议数据得到用户筛选协议数据的计算因子，并对协议数据进行筛选，选出合适的协议数据将其插入到对应的数据节点下，有针对性地获取某一类对象的预设协议数据的节点属性，并给节点属性生成计算因子对协议数据进行筛选，还通过指定数据类型指定目标推送信息以及从协议数据中选取对象筛选数据，提升了对海量漂流瓶数据处理能力，以便能够高效筛选整理数据，从而进行精准推送，而且期间所使用的数据都是真实的购买案例，推荐给相关用户更具有说服力。

其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中产品推送方法的步骤，例如图2所示的步骤202至步骤216，或者，处理器执行计算机程序时实现上述实施例中产品推送装置的各模块/单元的功能，例如图9所示模块902至模块916的功能。为避免重复，此处不再赘述。

在一个实施例中，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执行时实现上述实施例中产品推送方法的步骤，例如图2所示的步骤202至步骤216，或者，处理器执行计算机程序时实现上述实施例中产品推送装置的各模块/单元的功能，例如图9所示模块902至模块916的功能，通过根据指定的用户群体的协议数据得到用户筛选协议数据的计算因子，并对协议数据进行筛选，选出合适的协议数据将其插入到对应的数据节点下，有针对性地获取某一类对象的预设协议数据的节点属性，并给节点属性生成计算因子对协议数据进行筛选，还通过指定数据类型指定目标推送信息以及从协议数据中选取对象筛选数据，提升了对海量漂流瓶数据处理能力，以便能够高效筛选整理数据，从而进行精准推送，而且期间所使用的数据都是真实的购买案例，推荐给相关用户更具有说服力。

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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形、改进或者对部分技术特征进行等同替换，而这些修改或者替换，并不使相同技术方案的本质脱离本发明个实施例技术方案地精神和范畴，都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种产品推送方法，其特征在于，所述方法包括：

获取预设协议数据，提取所述预设协议数据的节点属性；

根据所述节点属性生成用于筛选协议数据的计算因子；

获取协议数据，并通过所述计算因子对所述协议数据进行筛选，得到匹配节点数据；

将所述匹配节点数据映射到对应的数据节点下；

根据所述数据节点生成产品推送信息；

获取指定数据类型，并根据所述指定数据类型从所述数据节点下获取匹配节点数据，作为对象匹配数据；

根据所述对象匹配数据从对象数据库中获取目标推送对象，并根据所述指定数据类型对所述产品推送信息进行筛选，得到目标推送信息；

将所述目标推送信息推送给所述目标推送对象。

2.根据权利要求1所述的方法，其特征在于，所述根据所述节点属性生成用于筛选协议数据的计算因子，包括：

通过one-hot算法对所述节点属性进行向量化处理，得到向量化属性；

计算各所述向量化属性之间的曼哈顿距离；

若所述曼哈顿距离小于预设距离的向量化属性的数量大于预设数值，则将所述曼哈顿距离小于所述预设距离的向量化属性设为核心属性簇；

对所述核心属性簇进行整合，得到所述计算因子。

3.根据权利要求1所述的方法，其特征在于，所述获取协议数据，并通过所述计算因子对所述协议数据进行筛选，得到匹配节点数据，包括：

获取历史协议数据，并存储到HDFS中；

通过MapReduce对所述历史协议数据进行分析，得到历史分析结果；

若所述历史分析结果为所述历史协议数据符合所述计算因子，则检测所述历史协议数据与所述数据节点之间是否存在键值对；

若不存在所述键值对，则将所述历史协议数据映射到相应的数据节点下，作为筛选数据；

根据所述筛选数据对通过activeMQ消息中间件发送的实时协议数据进行筛选，将符合所述筛选数据的实时协议数据映射到相应的数据节点下，作为匹配节点数据。

4.根据权利要求3所述的方法，其特征在于，所述获取协议数据，并通过所述计算因子对所述协议数据进行筛选，得到匹配节点数据，还包括：

若存在所述键值对，则获取通过activeMQ中间件发送的所述实时协议数据；

根据所述计算因子对所述实时协议数据进行筛选，得到所述匹配节点数据。

5.根据权利要求1所述的方法，其特征在于，所述将筛选得到的协议数据映射到对应的数据节点下，包括：

获取筛选得到的协议数据的协议编码和渠道编码；

根据所述协议编码和所述渠道编码生成筛选得到的协议数据的索引编码；

通过所述索引编码将筛选得到的协议数据映射到对应的数据节点下。

6.根据权利要求1所述的方法，其特征在于，所述获取指定数据类型，并根据所述指定数据类型从所述数据节点下获取匹配节点数据，作为对象匹配数据，包括：

接收数据抓取请求，其中，所述数据抓取请求中包括所述指定数据类型；

根据所述指定数据类型从所述数据节点下获取所述匹配节点数据，作为所述对象匹配数据。

7.根据权利要求1所述的方法，其特征在于，所述根据所述对象匹配数据从对象数据库中获取目标推送对象，包括：

从所述对象匹配数据中获取所述指定数据类型的至少一个属性数值；

从所述对象数据库中获取用户对象，其中，所述用户对象包括与所述属性数值具有相同属性的属性映射；

将与所述属性数值相符的属性映射所对应的用户作为目标推送对象。

8.一种产品推送装置，其特征在于，包括：

属性提取模块，用于获取预设协议数据，提取所述预设协议数据的节点属性；

因子生成模块，用于根据所述节点属性生成用于筛选协议数据的计算因子；

数据筛选模块，用于获取协议数据，并通过所述计算因子对所述协议数据进行筛选，得到匹配节点数据；

数据映射模块，用于将所述匹配节点数据映射到对应的数据节点下；

信息生成模块，用于根据所述数据节点生成产品推送信息；

对象数据获取模块，用于获取指定数据类型，并根据所述指定数据类型从所述数据节点下获取匹配节点数据，作为对象匹配数据；

数据匹配模块，用于根据所述对象匹配数据从对象数据库中获取目标推送对象，并根据所述指定数据类型对所述产品推送信息进行筛选，得到目标推送信息；

信息推送模块，用于将所述目标推送信息推送给所述目标推送对象。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images