CN111556155B - 信息推送方法和装置 - Google Patents

Abstract

本申请公开了一种信息推送方法和装置，该方法包括：获取待推送用户的基本信息；将待推送用户的基本信息输入至信息推送模型中，由信息推送模型得到待推送用户的信息推送时间；其中，信息推送模型由多个用户的基本信息和实际空闲时间信息对误差逆向神经网络模型进行训练得到；待推送用户的信息推送时间为信息推送模型预测出的待推送用户的空闲时间；在待推送用户的信息推送时间，向待推送用户进行信息推送。由于信息推送模型所得到的待推送用户的信息推送时间为信息推送模型预测出的待推送用户的空闲时间，在待推送用户的信息推送时间向用户推送信息时，用户处于空闲状态，推送效果较好，用户对信息的打开率较高。

Description

信息推送方法和装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种信息推送方法和装置。

背景技术

随着互联网技术的发展，使用智能终端的用户日益增多。越来越多的平台通过推送系统向用户的智能终端推送广告、文章等信息，以达到增加点击率、推广盈利等目的。

现有的推送系统中，主要通过工作人员对所有用户设定统一的信息推送时间，并在设定的时间向用户进行推送。然而，有的用户在收到推送信息时由于处于工作状态等原因，不会打开推送的信息，甚至会对平台的推送产生厌烦的情绪。因此现有的推送信息的方式，推送效果不理想，用户对信息的打开率较低。

发明内容

基于上述现有技术的不足，本申请提出了一种信息推送方法和装置，以实现根据待推送用户的基本信息，预测出待推送用户的信息推送时间，在待推送用户的信息推送时间向待推送用户进行信息推送。

为了实现上述目的，现提出的方案如下：

本申请第一方面公开了一种信息推送方法，包括：

获取待推送用户的基本信息；

将所述待推送用户的基本信息输入至信息推送模型中，由所述信息推送模型得到所述待推送用户的信息推送时间；其中，所述信息推送模型由多个用户的基本信息和实际空闲时间信息对误差逆向神经网络模型进行训练得到；所述待推送用户的信息推送时间为所述信息推送模型预测出的所述待推送用户的空闲时间；

在所述待推送用户的信息推送时间，向所述待推送用户进行信息推送。

可选地，在上述信息推送方法中，所述信息推送模型的创建方法，包括：

构建训练数据集；所述训练数据集包括多个用户的基本信息和实际空闲时间信息；

将所述训练数据集中的每一个用户的基本信息分别输入至误差逆向神经网络模型中，得到所述训练数据集中的每一个用户的信息推送时间；

根据所述训练数据集中的每一个用户的信息推送时间和用户的实际空闲时间之间的误差，对所述误差逆向神经网络模型中的权值和阈值进行不断调整，直至调整后的误差逆向神经网络模型所得到的所述用户的信息推送时间与所述用户的实际空闲时间之间的误差满足预设的收敛条件，将所述调整后的误差逆向神经网络模型确定为所述信息推送模型。

可选地，在上述信息推送方法中，所述误差逆向神经网络模型的初始权值和初始阈值的设置方法，包括：

将所述误差逆向神经网络模型的待优化权值、待优化阈值、以及适应度代入至遗传算法中，得到所述误差逆向神经网络模型的最优权值和最优阈值；其中，所述误差逆向神经网络模型的适应度为所述误差逆向神经网络模型的权值为待优化权值、且所述误差逆向神经网络模型的阈值为所述待优化阈值时所输出的每一个用户的信息推送时间与所述用户的实际空闲时间之间的误差；

将所述误差逆向神经网络模型的最优权值和最优阈值作为所述误差逆向神经网络模型的初始权值和初始阈值。

可选地，在上述信息推送方法中，所述将所述调整后的误差逆向神经网络模型确定为所述信息推送模型，包括：

将验证数据集中的每一个用户的基本信息输入至所述调整后的误差逆向神经网络模型中，得到所述验证数据集中的每一个用户的信息推送时间；其中，所述验证数据集包括多个用户的基本信息和实际空闲时间信息；

若所述验证数据集中的每一个用户的信息推送时间与所述用户的实际空闲时间之间的误差满足预设的准确性要求，则将所述调整后的误差逆向神经网络模型确定为所述信息推送模型。

可选地，在上述信息推送方法中，所述将验证数据集中的每一个用户的基本信息输入至所述调整后的误差逆向神经网络模型中，得到所述验证数据集中的每一个用户的信息推送时间之后，还包括：

若所述验证数据集中的每一个用户的信息推送时间与所述用户的实际空闲时间之间的误差不满足预设的准确性要求，则返回至所述构建训练数据集的步骤中。

可选地，在上述信息推送方法中，所述用户的实际空闲时间信息的获取方式，包括：

收集所述用户填写的空闲时间信息；

在所述用户填写的空闲时间，向所述用户进行信息推送；

若所述用户阅读推送的信息的时长大于或等于预设时长，则将所述用户填写的空闲时间信息作为所述用户的实际空闲时间信息。

本申请第二方面公开了一种信息推送装置，包括：

获取单元，用于获取待推送用户的基本信息；

第一输入单元，用于将所述待推送用户的基本信息输入至信息推送模型中，由所述信息推送模型得到所述待推送用户的信息推送时间；其中，所述信息推送模型由多个用户的基本信息和实际空闲时间信息对误差逆向神经网络模型进行训练得到；所述待推送用户的信息推送时间为所述信息推送模型预测出的所述待推送用户的空闲时间；

第一推送单元，用于在所述待推送用户的信息推送时间，向所述待推送用户进行信息推送。

可选地，在上述信息推送装置中，还包括：

构建单元，用于构建训练数据集；所述训练数据集包括多个用户的基本信息和实际空闲时间信息；

第二输入单元，用于将所述训练数据集中的每一个用户的基本信息分别输入至误差逆向神经网络模型中，得到所述训练数据集中的每一个用户的信息推送时间；

调整单元，用于根据所述训练数据集中的每一个用户的信息推送时间和用户的实际空闲时间之间的误差，对所述误差逆向神经网络模型中的权值和阈值进行不断调整，直至调整后的误差逆向神经网络模型所得到的所述用户的信息推送时间与所述用户的实际空闲时间之间的误差满足预设的收敛条件，将所述调整后的误差逆向神经网络模型确定为所述信息推送模型。

可选地，在上述信息推送装置中，还包括：

计算单元，用于将所述误差逆向神经网络模型的待优化权值、待优化阈值、以及适应度代入至遗传算法中，得到所述误差逆向神经网络模型的最优权值和最优阈值；其中，所述误差逆向神经网络模型的适应度为所述误差逆向神经网络模型的权值为待优化权值、且所述误差逆向神经网络模型的阈值为所述待优化阈值时所输出的每一个用户的信息推送时间与所述用户的实际空闲时间之间的误差；

第一确定单元，用于将所述误差逆向神经网络模型的最优权值和最优阈值作为所述误差逆向神经网络模型的初始权值和初始阈值。

可选地，在上述信息推送装置中，所述调整单元执行将所述调整后的误差逆向神经网络模型确定为所述信息推送模型时，用于：

将验证数据集中的每一个用户的基本信息输入至所述调整后的误差逆向神经网络模型中，得到所述验证数据集中的每一个用户的信息推送时间；其中，所述验证数据集包括多个用户的基本信息和实际空闲时间信息；若所述验证数据集中的每一个用户的信息推送时间与所述用户的实际空闲时间之间的误差满足预设的准确性要求，则将所述调整后的误差逆向神经网络模型确定为所述信息推送模型。

可选地，在上述信息推送装置中，还包括：

返回单元，用于若所述验证数据集中的每一个用户的信息推送时间与所述用户的实际空闲时间之间的误差不满足预设的准确性要求，则返回至所述构建单元执行构建训练数据集。

可选地，在上述信息推送装置中，还包括：

收集单元，用于收集所述用户填写的空闲时间信息；

第二推送单元，用于在所述用户填写的空闲时间，向所述用户进行信息推送；

第二确定单元，用于若所述用户阅读推送的信息的时长大于或等于预设时长，则将所述用户填写的空闲时间信息作为所述用户的实际空闲时间信息。

从上述技术方案可以看出，本申请实施例提出的信息推送方法中，通过获取待推送用户的基本信息，将待推送用户的基本信息输入至信息推送模型中，由信息推送模型得到待推送用户的信息推送时间，然后在待推送用户的信息推送时间，向待推送用户进行信息推送。由于信息推送模型是由多个用户的基本信息和实际空闲时间信息对误差逆向神经网络模型进行训练得到，因此信息推送模型所得到的待推送用户的信息推送时间为信息推送模型预测出的待推送用户的空闲时间，在待推送用户的信息推送时间向用户推送信息时，用户处于空闲状态，推送效果较好，用户对信息的打开率较高。

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为本申请实施例公开的一种信息推送方法的流程示意图；

图2为本申请实施例公开的一种信息推送模型的创建方法的流程示意图；

图3为本申请实施例公开的一种用户的实际空闲时间信息的获取方式的流程示意图；

图4为本申请实施例公开的一种误差逆向神经网络模型的初始权值和初始阈值的设置方法的流程示意图；

图5为本申请实施例公开的一种将调整后的误差逆向神经网络模型确定为信息推送模型的一种实施方式的流程示意图；

图6为本申请实施例公开的一种信息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。

参阅图1，本申请实施例公开了一种信息推送方法，具体包括以下步骤：

S101、获取待推送用户的基本信息。

在对待推送用户进行信息推送之前，先获取待推送用户的基本信息。其中，待推送用户的基本信息指的是待推送用户的职业、家庭情况、年龄、个人爱好等反映用户自身情况的信息。而用户的基本信息可以在用户注册账号时进行收集，又或者是在用户办理业务时通过填写个人信息表格的方式进行收集等，待推送用户的基本信息的收集方式有很多，可以依据实际应用场景进行设定，收集基本信息方式的不同不影响本申请实施例的实现。

具体地，将收集到的待推送用户的基本信息进行存储，当需要对待推送用户进行信息推送时，再获取预先存储好的待推送用户的基本信息。其中，对待推送用户进行信息推送的场景具体可以是对待推送用户进行广告推送、对待推送用户推广平台内的热门视频、对待推送用户推广平台近期的活动信息等等。

S102、将待推送用户的基本信息输入至信息推送模型中，由信息推送模型得到待推送用户的信息推送时间。

其中，信息推送模型由多个用户的基本信息和实际空闲时间信息对误差逆向(BackPropagation，BP)神经网络模型进行训练得到，待推送用户的信息推送时间为信息推送模型预测出的待推送用户的空闲时间。

BP神经网络是一种按误差反向传播训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。本申请实施例中，通过用户的基本信息和实际空闲时间信息对BP神经网络模型进行训练，使得BP神经网络模型输出的预测的用户的空闲时间与实际空闲时间越来越接近，最终得到满足预测的准确性要求的信息推送模型。

用户的基本信息与用户实际空闲时间之间具有关联性。通过用户的职业、年龄、家庭情况、爱好等信息可以推测出用户的繁忙时段以及空闲时段。例如就职业而言，自由职业者、家庭主妇、教师、程序员等不同职业的工作时段不相同，因此对应的空闲时段也不相同。通过BP神经网络模型不断训练学习用户的基本信息与用户实际空闲时间之间的关联性规则，即可得到能够预测出用户的空闲时间的信息推送模型。

现有技术中，通常根据统计的用户历史阅读推送信息的时间段，来预测用户的实际空闲时间。但用户历史阅读推送信息的时间段这类用户的历史行为信息需要收集的信息量较大，因此需要较大的存储空间，且对设备的运行能力有一定的要求。此外，对于一些新用户而言，由于新用户没有较多的历史行为数据，因此预测的新用户的空闲时间会较为不准确。

而本申请实施例中，是根据用户的基本信息来预测待推送用户的空闲时间的，用户的基本信息不会随着时间不断改变，因此不需要收集大量的数据，且用户的基本信息基本可以在用户在平台注册时获取到，收集该信息的途径较为便利，对于新用户而言，采用用户的基本信息来预测用户的空闲时间的方式准确度也更高。

可选地，参阅图2，在本申请一具体实施例中，信息推送模型的创建方法包括以下步骤：

S201、构建训练数据集。

训练数据集包括多个用户的基本信息和实际空闲时间信息。即针对每一个用户，获取用户的基本信息和用户的实际空闲时间，将多个用户的基本信息及对应的实际空闲时间信息收集到训练数据集中。其中，训练数据集中包括的用户数据量越大，训练得到的信息推送模型的准确性就越高。用户的实际空闲信息可以通过调查问卷的方式向用户收集得到。用户的基本信息的收集途径很多，例如可以从平台存储的用户信息库内获取等。

可选地，参阅图3，在本申请一具体实施例中，用户的实际空闲时间信息的获取方式，包括：

S301、收集用户填写的空闲时间信息。

通过调查问卷的形式向用户收集用户的空闲时间信息，获取到用户填写的空闲时间信息。

S302、在用户填写的空闲时间，向用户进行信息推送。

具有推送信息需求的平台可在用户填写的空闲时间内，向用户进行信息推送。由于用户在填写的空闲时间段内，可能会处于空闲状态，因此在该时段向用户进行信息推送，用户点开的几率较大。需要说明的是，在用户填写的空闲时间，向用户进行信息推送指的是，可以挑选用户填写的空闲时间段内的任意一个时刻，向用户进行信息推送。

S303、若用户阅读推送的信息的时长大于或等于预设时长，则将用户填写的空闲时间信息作为用户的实际空闲时间信息。

由于可能会存在用户填写的空闲时间并不真实、或者用户本身对推送的信息反感等情况，导致平台在用户填写的空闲时间段向用户推送时，用户并没有点开和阅读信息。而本申请实施例中，通过信息推送模型得到待推送用户的信息推送时间的目的，是为了能实现在待推送用户的信息推送时间进行信息推送之后，用户能够点开信息并进行阅读，实现有效的信息推送。因此，收集到训练数据集中的用户的实际空闲时间信息，应该是能够让用户对推送信息进行有效阅读的时间，进而才能够通过训练数据集训练模型实现本申请的目的。因此，为了校验用户填写的空闲时间是否为用户实际空闲时间，平台在用户填写的空闲时间向用户推送信息后，需检测用户阅读推送的信息的时长是否大于或等于预设时长，如果用户阅读推送的信息的时长大于或等于预设时长，则说明平台对用户的信息推送是有效的，因此可以将用户填写的空闲时间作为用户的实际空闲时间。

需要说明的是，用户阅读推送信息的时间点不影响对推送信息是否有效的判断，即如果用户阅读推送的信息的时长大于或等于预设时长，但用户没有在用户填写的空闲时间段内点开信息阅读，仍然认为平台在用户填写的空闲时间内向用户进行的推送是有效的，可将用户填写的空闲时间段作为实际空闲时间。如果用户没有阅读平台推送的信息，或者用户阅读推送的信息的时长小于预设时长，则认为平台推送的信息对于该用户而言是无效的，不将该用户填写的空闲时间作为用户的实际空闲时间，即不将该用户的基本信息以及对应的空闲时间的信息收入训练数据集。

举例说明，用户A填写的空闲时间信息为每天晚上8点到9点，平台于晚上8点到9点时间段内，向用户A进行了信息推送。之后平台检测到用户A于晚上9点半点开了推送信息，并阅读了1分钟，平台设置的预设时长为30秒，因此平台判断出用户A阅读推送信息的时长大于或等于预设时长，将用户A填写的空闲时间信息作为用户A的实际空闲时间信息，收集到训练数据集中。

S202、将训练数据集中的每一个用户的基本信息分别输入至误差逆向神经网络模型中，得到训练数据集中的每一个用户的信息推送时间。

分别将每一个用户的基本信息输入至设置好初始权值和初始阈值的误差逆向神经网络模型中，得到训练数据集中的每一个用户的信息推送时间。其中，误差逆向神经网络模型的初始权值和初始阈值可以为随机的数值。

可选地，参阅图4，在本申请一具体实施例中，误差逆向神经网络模型的初始权值和初始阈值的设置方法，包括：

S401、将误差逆向神经网络模型的待优化权值、待优化阈值、以及适应度代入至遗传算法中，得到误差逆向神经网络模型的最优权值和最优阈值。

其中，误差逆向神经网络模型的适应度为误差逆向神经网络模型的权值为待优化权值、且误差逆向神经网络模型的阈值为待优化阈值时所输出的每一个用户的信息推送时间与用户的实际空闲时间之间的误差。待优化权值可以为任意的一个数值，待优化阈值也可以为任意的一个数值。将误差逆向神经网络模型的权值设置为待优化权值、且将阈值设置为待优化阈值后，分别向设置好的误差逆向神经网络模型中输入训练数据集中的每一个用户的基本信息，得到模型输出的用户的信息推送时间。然后将误差逆向神经网络模型在权值设置为待优化权值、以及阈值设置为待优化阈值情况下所得到的用户的信息推送时间与该用户的实际空闲时间之间的误差值，作为适应度，将待优化权值、待优化阈值、以及适应度代入至遗传算法中以求取最优解(即最优权值和最优阈值)。

S402、将误差逆向神经网络模型的最优权值和最优阈值作为误差逆向神经网络模型的初始权值和初始阈值。

遗传算法中求取得到的最优权值和最优阈值，能够使得误差逆向神经网络模型在将权值设置为最优权值、以及将阈值设置为最优阈值的情况下，所输出的用户的信息推送时间与用户的实际空闲时间非常接近。因此，将遗传算法求得的最优权值作为误差逆向神经模型的初始权值、以及将最优阈值作为误差逆向神经网络模型的初始阈值，能够减少对误差逆向神经网络模型的训练次数，只需对模型的权值和阈值进行较少次数的调整，即可得到满足要求的模型。

S203、根据训练数据集中的每一个用户的信息推送时间和用户的实际空闲时间之间的误差，对误差逆向神经网络模型中的权值和阈值进行不断调整，直至调整后的误差逆向神经网络模型所得到的用户的信息推送时间与用户的实际空闲时间之间的误差满足预设的收敛条件，将调整后的误差逆向神经网络模型确定为所述信息推送模型。

针对训练数据集中的每一个用户，根据将步骤S202中输出的用户的信息推送时间与用户的实际空闲时间的误差，调整误差逆向神经网络模型中的权值和阈值，将训练数据集中的用户的基本信息输入调整后的误差逆向神经网络模型中，判断输出的用户的信息推送时间与用户的实际空闲时间的误差是否满足预设的收敛条件，如果不满足，则继续对误差逆向神经网络模型中的权值和阈值进行调整，重新判断调整后的模型所输出的用户的信息推送时间与用户的实际空闲时间的误差是否满足预设的收敛条件。直到调整后的误差逆向神经网络模型所输出的用户的信息推送时间与用户的实际空闲时间之间的误差满足预设的收敛条件时，则认为此时误差逆向神经网络模型输出的用户的信息推送时间非常接近用户的实际空闲时间，满足了当前对模型预测的准确性的需求，因此将调整后的神经网络模型确定为信息推送模型。

可选地，参阅图5，在本申请一具体实施例中，执行将调整后的误差逆向神经网络模型确定为信息推送模型的一种实施方式，包括：

S501、将验证数据集中的每一个用户的基本信息输入至调整后的误差逆向神经网络模型中，得到验证数据集中的每一个用户的信息推送时间。

其中，验证数据集包括多个用户的基本信息和实际空闲时间信息。验证数据集中的用户与训练数据集中的用户是不相同的，因此验证数据集是与训练数据集所具有的信息完全不相同的一个数据集。

由于调整后的误差逆向神经网络模型已能够让训练数据集中的每一个用户的信息推送时间与用户的实际空闲时间的误差满足了预设的收敛条件，因此为了进一步确认调整后的误差逆向神经网络模型是否能适用于推测除训练数据集以外的其他用户的信息推送时间，则需要一个验证数据集来对调整后的误差逆向神经网络模型进行验证。

具体的，将验证数据集中的每一个用户的基本信息输入至误差逆向神经网络模型中，得到验证数据集中得每一个用户的信息推送时间，然后计算每一个用户的信息推送时间与用户的实际空闲时间之间的误差，判断该误差是否满足预设的准确性要求。

S502、若验证数据集中的每一个用户的信息推送时间与用户的实际空闲时间之间的误差满足预设的准确性要求，则将调整后的误差逆向神经网络模型确定为信息推送模型。

如果验证数据集中的每一个用户的信息推送时间与用户的实际空闲时间之间的误差满足预设的准确性要求，则说明调整后的误差逆向神经网络模型对训练数据集中的用户以及验证数据集中的用户所预测的信息推送时间均能够满足当前的准确性要求，因此可以将调整后的误差逆向神经网络模型确定为信息推送模型，应用到为用户进行信息推送的场景中。

可选地，在本申请一具体实施例中，执行步骤S501之后，还包括：

若验证数据集中的每一个用户的信息推送时间与用户的实际空闲时间之间的误差不满足预设的准确性要求，则返回至构建训练数据集的步骤中，即返回至图2示出的步骤S201中，重新构建训练数据集。

具体的，如果验证数据集中的每一个用户的信息推送时间与用户的实际空闲时间之间的误差不满足预设的准确性要求，则说明当前调整后的误差逆向神经网络模型仍然不能够准确的预测出用户的信息推送时间，因此需要使用新的训练数据集重新对误差逆向神经网络模型进行训练。可选地，可以在原有的训练数据集的基础上，增加更多用户的基本信息以及实际空闲时间信息，使用更多的数据重新对误差逆向神经网络模型进行训练，以提升输出结果的准确性。也可以重新构建与原有的训练数据集完全不相同的训练数据集，使用全新的训练数据集重新对误差逆向神经网络模型进行训练。其中，重新构建训练数据集的方式有很多，包括但不限于本申请实施例所提出的内容。

S103、在待推送用户的信息推送时间，向待推送用户进行信息推送。

具体的，在待推送用户的信息推送时间，将需要推送的信息发送至待推送用户的电子设备(例如手机、电脑等)，向待推送用户进行信息推送。

现有技术中，推送系统通常对每一个用户进行信息推送的时间均是相同的，导致有的用户在收到推送信息时，由于处于工作状态等原因，不会打开推送信息，推送效果较差。

而本申请实施例提出的信息推送方法中，通过获取待推送用户的基本信息，将待推送用户的基本信息输入至信息推送模型中，由信息推送模型得到待推送用户的信息推送时间，然后在待推送用户的信息推送时间，向待推送用户进行信息推送。由于信息推送模型是由多个用户的基本信息和实际空闲时间信息对误差逆向神经网络模型进行训练得到，因此信息推送模型所得到的待推送用户的信息推送时间为信息推送模型预测出的待推送用户的空闲时间，在待推送用户的信息推送时间向用户推送信息时，用户处于空闲状态，推送效果较好，用户对信息的打开率较高。

参阅图6，基于上述本申请实施例提出的信息推送方法，本申请实施例还对应公开了一种信息推送装置，包括：获取单元601、第一输入单元602、以及第一推送单元603。

获取单元601，用于获取待推送用户的基本信息。

第一输入单元602，用于将待推送用户的基本信息输入至信息推送模型中，由信息推送模型得到待推送用户的信息推送时间。其中，信息推送模型由多个用户的基本信息和实际空闲时间信息对误差逆向神经网络模型进行训练得到，待推送用户的信息推送时间为信息推送模型预测出的待推送用户的空闲时间。

第一推送单元603，用于在待推送用户的信息推送时间，向待推送用户进行信息推送。

可选地，在本申请一具体实施例中，信息推送装置还包括：构建单元、第二输入单元以及调整单元。

构建单元，用于构建训练数据集。训练数据集包括多个用户的基本信息和实际空闲时间信息。

第二输入单元，用于将训练数据集中的每一个用户的基本信息分别输入至误差逆向神经网络模型中，得到训练数据集中的每一个用户的信息推送时间。

调整单元，用于根据训练数据集中的每一个用户的信息推送时间和用户的实际空闲时间之间的误差，对误差逆向神经网络模型中的权值和阈值进行不断调整，直至调整后的误差逆向神经网络模型所得到的用户的信息推送时间与用户的实际空闲时间之间的误差满足预设的收敛条件，将调整后的误差逆向神经网络模型确定为信息推送模型。

可选地，在本申请一具体实施例中，信息推送装置，还包括：计算单元和第一确定单元。

计算单元，用于将误差逆向神经网络模型的待优化权值、待优化阈值、以及适应度代入至遗传算法中，得到误差逆向神经网络模型的最优权值和最优阈值。其中，误差逆向神经网络模型的适应度为误差逆向神经网络模型的权值为待优化权值、且误差逆向神经网络模型的阈值为待优化阈值时所输出的每一个用户的信息推送时间与用户的实际空闲时间之间的误差。

第一确定单元，用于将误差逆向神经网络模型的最优权值和最优阈值作为误差逆向神经网络模型的初始权值和初始阈值。

可选地，在本申请一具体实施例中，调整单元执行将调整后的误差逆向神经网络模型确定为信息推送模型时，用于：

将验证数据集中的每一个用户的基本信息输入至调整后的误差逆向神经网络模型中，得到验证数据集中的每一个用户的信息推送时间。其中，验证数据集包括多个用户的基本信息和实际空闲时间信息；若验证数据集中的每一个用户的信息推送时间与用户的实际空闲时间之间的误差满足预设的准确性要求，则将调整后的误差逆向神经网络模型确定为信息推送模型。

可选地，在本申请一具体实施例中，信息推送装置，还包括：

返回单元，用于若验证数据集中的每一个用户的信息推送时间与用户的实际空闲时间之间的误差不满足预设的准确性要求，则返回至构建单元执行构建训练数据集。

可选地，在本申请一具体实施例中，信息推送装置，还包括：收集单元、第二推送单元以及第二确定单元。

收集单元，用于收集用户填写的空闲时间信息。

第二推送单元，用于在用户填写的空闲时间，向用户进行信息推送。

第二确定单元，用于若用户阅读推送的信息的时长大于或等于预设时长，则将用户填写的空闲时间信息作为用户的实际空闲时间信息。

上述本申请实施例公开的信息推送装置中的具体的原理和执行过程，与上述本申请实施例公开的信息推送方法相同，可参见上述本申请实施例公开的信息推送方法中相应的部分，这里不再进行赘述。

本申请实施例提出的信息推送装置中，通过获取单元601获取待推送用户的基本信息，第一输入单元602再将待推送用户的基本信息输入至信息推送模型中，由信息推送模型得到待推送用户的信息推送时间，然后第一推送单元603在待推送用户的信息推送时间，向待推送用户进行信息推送。由于信息推送模型是由多个用户的基本信息和实际空闲时间信息对误差逆向神经网络模型进行训练得到，因此信息推送模型所得到的待推送用户的信息推送时间为信息推送模型预测出的待推送用户的空闲时间，在待推送用户的信息推送时间向用户推送信息时，用户处于空闲状态，推送效果较好，用户对信息的打开率较高。

专业技术人员能够实现或使用本发明。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发明的精神或范围的情况下，在其它实施例中实现。因此，本发明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。

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。

Claims (2)

1.一种信息推送方法，其特征在于，包括：

获取待推送用户的基本信息；所述基本信息包括职业、家庭情况、年龄、个人爱好；其中，在用户注册账号时获取待推送用户的基本信息，或者在用户办理业务时通过填写个人信息表格的方式获取待推送用户的基本信息；

将所述待推送用户的基本信息输入至信息推送模型中，由所述信息推送模型得到所述待推送用户的信息推送时间；其中，所述信息推送模型由多个用户的基本信息和实际空闲时间信息对误差逆向神经网络模型进行训练得到；所述待推送用户的信息推送时间为所述信息推送模型预测出的所述待推送用户的空闲时间；

在所述待推送用户的信息推送时间，向所述待推送用户进行信息推送；

其中，所述信息推送模型的创建方法，包括：

构建训练数据集；所述训练数据集包括多个用户的基本信息和实际空闲时间信息；

将所述训练数据集中的每一个用户的基本信息分别输入至误差逆向神经网络模型中，得到所述训练数据集中的每一个用户的信息推送时间；

根据所述训练数据集中的每一个用户的信息推送时间和用户的实际空闲时间之间的误差，对所述误差逆向神经网络模型中的权值和阈值进行不断调整，直至调整后的误差逆向神经网络模型所得到的所述用户的信息推送时间与所述用户的实际空闲时间之间的误差满足预设的收敛条件，将所述调整后的误差逆向神经网络模型确定为所述信息推送模型；

其中，所述误差逆向神经网络模型的初始权值和初始阈值的设置方法，包括：

将所述误差逆向神经网络模型的待优化权值、待优化阈值、以及适应度代入至遗传算法中，得到所述误差逆向神经网络模型的最优权值和最优阈值；其中，所述误差逆向神经网络模型的适应度为所述误差逆向神经网络模型的权值为待优化权值、且所述误差逆向神经网络模型的阈值为所述待优化阈值时所输出的每一个用户的信息推送时间与所述用户的实际空闲时间之间的误差；

将所述误差逆向神经网络模型的最优权值和最优阈值作为所述误差逆向神经网络模型的初始权值和初始阈值；

其中，所述将所述调整后的误差逆向神经网络模型确定为所述信息推送模型，包括：

将验证数据集中的每一个用户的基本信息输入至所述调整后的误差逆向神经网络模型中，得到所述验证数据集中的每一个用户的信息推送时间；其中，所述验证数据集包括多个用户的基本信息和实际空闲时间信息；

若所述验证数据集中的每一个用户的信息推送时间与所述用户的实际空闲时间之间的误差满足预设的准确性要求，则将所述调整后的误差逆向神经网络模型确定为所述信息推送模型；

其中，所述将验证数据集中的每一个用户的基本信息输入至所述调整后的误差逆向神经网络模型中，得到所述验证数据集中的每一个用户的信息推送时间之后，还包括：

若所述验证数据集中的每一个用户的信息推送时间与所述用户的实际空闲时间之间的误差不满足预设的准确性要求，则返回至所述构建训练数据集的步骤中；

所述用户的实际空闲时间信息的获取方式，包括：

收集所述用户填写的空闲时间信息；

在所述用户填写的空闲时间，向所述用户进行信息推送；

若所述用户阅读推送的信息的时长大于或等于预设时长，则将所述用户填写的空闲时间信息作为所述用户的实际空闲时间信息；

若所述用户阅读推送的信息的时长小于预设时长，则不将所述用户的基本信息以及对应的空闲时间的信息收入训练数据集。

2.一种信息推送装置，其特征在于，包括：

获取单元，用于获取待推送用户的基本信息；所述基本信息包括职业、家庭情况、年龄、个人爱好；其中，在用户注册账号时获取待推送用户的基本信息，或者在用户办理业务时通过填写个人信息表格的方式获取待推送用户的基本信息；

第一输入单元，用于将所述待推送用户的基本信息输入至信息推送模型中，由所述信息推送模型得到所述待推送用户的信息推送时间；其中，所述信息推送模型由多个用户的基本信息和实际空闲时间信息对误差逆向神经网络模型进行训练得到；所述待推送用户的信息推送时间为所述信息推送模型预测出的所述待推送用户的空闲时间；

第一推送单元，用于在所述待推送用户的信息推送时间，向所述待推送用户进行信息推送；

其中，还包括：

构建单元，用于构建训练数据集；所述训练数据集包括多个用户的基本信息和实际空闲时间信息；

第二输入单元，用于将所述训练数据集中的每一个用户的基本信息分别输入至误差逆向神经网络模型中，得到所述训练数据集中的每一个用户的信息推送时间；

调整单元，用于根据所述训练数据集中的每一个用户的信息推送时间和用户的实际空闲时间之间的误差，对所述误差逆向神经网络模型中的权值和阈值进行不断调整，直至调整后的误差逆向神经网络模型所得到的所述用户的信息推送时间与所述用户的实际空闲时间之间的误差满足预设的收敛条件，将所述调整后的误差逆向神经网络模型确定为所述信息推送模型；

其中，还包括：

计算单元，用于将所述误差逆向神经网络模型的待优化权值、待优化阈值、以及适应度代入至遗传算法中，得到所述误差逆向神经网络模型的最优权值和最优阈值；其中，所述误差逆向神经网络模型的适应度为所述误差逆向神经网络模型的权值为待优化权值、且所述误差逆向神经网络模型的阈值为所述待优化阈值时所输出的每一个用户的信息推送时间与所述用户的实际空闲时间之间的误差；

第一确定单元，用于将所述误差逆向神经网络模型的最优权值和最优阈值作为所述误差逆向神经网络模型的初始权值和初始阈值；

其中，所述调整单元执行将所述调整后的误差逆向神经网络模型确定为所述信息推送模型时，用于：

将验证数据集中的每一个用户的基本信息输入至所述调整后的误差逆向神经网络模型中，得到所述验证数据集中的每一个用户的信息推送时间；其中，所述验证数据集包括多个用户的基本信息和实际空闲时间信息；若所述验证数据集中的每一个用户的信息推送时间与所述用户的实际空闲时间之间的误差满足预设的准确性要求，则将所述调整后的误差逆向神经网络模型确定为所述信息推送模型；

其中，所述将验证数据集中的每一个用户的基本信息输入至所述调整后的误差逆向神经网络模型中，得到所述验证数据集中的每一个用户的信息推送时间之后，还包括：

若所述验证数据集中的每一个用户的信息推送时间与所述用户的实际空闲时间之间的误差不满足预设的准确性要求，则返回调用所述构建单元；

所述用户的实际空闲时间信息的获取方式，包括：

收集所述用户填写的空闲时间信息；

在所述用户填写的空闲时间，向所述用户进行信息推送；

若所述用户阅读推送的信息的时长大于或等于预设时长，则将所述用户填写的空闲时间信息作为所述用户的实际空闲时间信息；

若所述用户阅读推送的信息的时长小于预设时长，则不将所述用户的基本信息以及对应的空闲时间的信息收入训练数据集。

Images