CN111881399B - 一种消息推送方法及装置 - Google Patents
一种消息推送方法及装置 Download PDFInfo
- Publication number
- CN111881399B CN111881399B CN202010697342.9A CN202010697342A CN111881399B CN 111881399 B CN111881399 B CN 111881399B CN 202010697342 A CN202010697342 A CN 202010697342A CN 111881399 B CN111881399 B CN 111881399B
- Authority
- CN
- China
- Prior art keywords
- push
- message
- determining
- user
- target user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 47
- 230000000694 effects Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 48
- 230000006399 behavior Effects 0.000 claims description 44
- 238000012360 testing method Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 230000008901 benefit Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 13
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
Abstract
本说明书公开了一种消息推送方法及装置，可先获取待执行的推送任务，并确定该推送任务对应的目标用户的用户标识以及推送消息。之后确定该目标用户的用户数据，以及确定该推送消息的消息数据。再根据该目标用户的用户数据以及该推送消息的消息数据，确定特征向量，并输入推送决策模型，确定输出的预测关闭概率。当该预测关闭概率小于第一预设阈值时，执行该推送任务，向该目标用户推送该推送消息。根据目标用户的用户数据、推送消息的消息数据，通过推送决策模型确定执行该推送任务导致关闭推送通知的概率，从用户数据和消息数据等各个维度，确定是否执行该推送任务，使得用户关闭推送通知、卸载APP的等情况出现概率较低，效果较好。
Description
技术领域
本申请涉及互联网技术领域，尤其涉及一种消息推送方法及装置。
背景技术
随着互联网技术的发展，越来越多的应用程序(Application，APP)得到了广泛应用。各APP为了提高用户的活跃度，常采用向用户推送消息的方式，使用户可根据推送消息进入该APP执行业务。例如：新闻类APP向用户推送实事热点，使用户可通过该实事热点打开该新闻类APP浏览新闻。但是由于推送消息过多等情况，也可能导致用户关闭该APP的推送通知功能，甚至卸载该APP。
在现有技术中采用控制向用户推送消息的频率的方式，减少用户关闭推送通知、卸载APP的等情况出现的概率。具体的，该APP对应的服务器在向用户推送消息之前，可确定预设时间范围内向用户推送消息的次数，当该次数大于预设次数时，则不再向用户推送消息。当该次数小于预设次数时，则向用户推送消息。其中，该预设次数可根据经验设置。
但是，影响用户关闭该APP的推送通知、卸载该APP的因素有很多，例如：推送时间、推送频率以及推送内容等。上述通过控制向用户推送消息的频率的方式，只能减少由于推送频率过高导致的用户关闭该APP的推送通知功能，忽略了推送时间、推送内容等因素的影响，对于减少用户关闭推送通知、卸载APP的等情况出现概率的效果较差。
发明内容
本说明书实施例提供一种消息推送方法及装置，用于部分解决现有技术中存在的上述问题。
本说明书实施例采用下述技术方案：
本说明书提供的一种消息推送方法，包括：
获取待执行的推送任务；
根据所述推送任务的任务信息，确定所述推送任务对应的目标用户的用户标识以及推送消息；
根据所述目标用户的用户标识，确定所述目标用户的用户数据，所述用户数据包含用户画像信息以及用户的历史行为数据；
确定所述推送消息的消息数据，所述消息数据至少包含预定推送时间以及消息内容；
根据所述目标用户的用户数据以及所述推送消息的消息数据，确定特征向量；
将确定出的特征向量输入预先训练的推送决策模型，确定所述推送决策模型输出的预测关闭概率，所述推送决策模型是根据历史上已执行的推送任务以及各推送任务对应的目标用户的推送通知状态训练得到的，所述预测关闭概率表征执行所述推送任务后所述目标用户关闭推送通知的概率；
当所述预测关闭概率小于第一预设阈值时，执行所述推送任务，向所述目标用户推送所述推送消息。
可选地，所述推送决策模型的训练过程，具体包括：
获取历史上执行的若干推送任务，根据各推送任务对应的目标用户的用户数据以及推送消息的消息数据，确定各推送任务对应的特征向量，并将各推送任务对应的特征向量作为训练样本；
针对每个训练样本，确定执行该训练样本对应的推送任务后，所述推送任务对应的目标用户的推送通知状态；
将确定出的推送通知状态作为该训练样本的标注，所述推送通知状态包含关闭状态以及开启状态；
将该训练样本输入待训练的推送决策模型，确定所述推送决策模型输出的预测关闭概率；
根据确定出的预测关闭概率，确定该训练样本对应的预测状态；
以最小化所述预测状态与标注的推送通知状态之间的差异为目标，调整所述待训练的推送决策模型中的模型参数。
可选地，确定所述推送任务对应的目标用户的推送通知状态，具体包括：
根据所述目标用户的历史行为数据，当在第一预设时长内监测到所述目标用户对所述推送消息未进行操作时，确定所述推送通知状态为开启状态；
根据所述目标用户的历史行为数据，当在第二预设时长内监测到所述目标用户对所述推送消息进行点击操作时，确定所述推送通知状态为开启状态；
根据所述目标用户的历史行为数据，确定接收所述推送任务的推送到达时间，当在以所述推送到达时间为起点的第三预设时长内监测到所述目标用户关闭推送通知的操作时，确定所述目标用户的操作为非自然关闭，以及确定所述推送通知状态为关闭状态；
根据所述目标用户的历史行为数据，确定接收所述推送任务的推送到达时间，以及监测到所述目标用户关闭推送通知的操作的关闭时间，当所述推送到达时间至所述关闭时间的时间间隔大于第三预设时长时，确定所述目标用户的操作为自然关闭，以及确定所述推送通知状态为关闭状态。
可选地，将确定出的特征向量输入预先训练的推送决策模型之前，所述方法还包括：
获取历史上执行的若干推送任务，根据各推送任务对应的目标用户的用户数据以及推送消息的消息数据，确定各推送任务对应的特征向量，并将各推送任务对应的特征向量作为测试样本；
针对每个测试样本，确定执行该测试样本对应的推送任务后，所述推送任务对应的目标用户的操作；
根据确定出的目标用户的操作，确定该训练样本的标注，所述目标用户的操作包含自然关闭、非自然关闭、无行为以及点击；
将该测试样本输入预先训练的推送决策模型，确定所述推送决策模型输出的预测关闭概率；
根据确定出的预测关闭概率，确定该训练样本对应的预测状态；
根据所述预测关闭概率大于第二预设阈值且标注为非自然关闭的测试样本的数量，以及标注为非自然关闭的测试样本的数量，确定所述推送决策模型的收益；
根据所述预测关闭概率大于第二预设阈值且标注为点击的测试样本的数量，以及标注为点击的测试样本的数量，确定所述推送决策模型的损失；
根据确定出的收益与损失，确定所述推送决策模型的增益；
判断所述推送决策模型的增益是否大于第三预设阈值；
若是，将确定出的特征向量输入预先训练的推送决策模型；
若否，重新训练所述推送决策模型。
可选地，根据所述目标用户的用户标识，确定所述目标用户的历史行为数据，具体包括：
根据所述目标用户的用户标识，确定第四预设时长内所述目标用户在客户端中的活跃度，作为用户活跃度；
根据所述目标用户的用户标识，确定第五预设时长内所述目标用户点击推送消息的活跃度，作为推送活跃度；
根据所述目标用户的用户标识，确定第六预设时长内所述目标用户历史对推送消息执行的操作，作为反馈行为数据；
根据确定出的用户活跃度、推送活跃度以及反馈行为数据，确定所述目标用户的历史行为数据。
可选地，确定所述推送消息的消息数据，具体包括：
根据所述推送消息的消息内容，确定所述推送消息对应的被推送对象；
确定在第七预设时长内所述被推送对象在客户端中的曝光数和点击数，作为被推送对象数据；
根据所述推送消息的消息内容，确定所述推送消息的内容模板；
确定以所述内容模板推送的推送消息的点击数和关闭数，作为内容模板数据；
根据所述被推送对象数据以及所述内容模板数据，确定所述推送消息的消息数据。
可选地，将该训练样本输入待训练的推送决策模型之前，所述方法还包括：
删除所述目标用户的操作为自然关闭的训练样本。
可选地，将该测试样本输入预先训练的推送决策模型之前，所述方法还包括：
删除所述目标用户的行为操作为自然关闭的测试样本。
本说明书提供的一种消息推送装置，包括：
获取模块，获取待执行的推送任务；
第一确定模块，根据所述推送任务的任务信息，确定所述推送任务对应的目标用户的用户标识以及推送消息；
第二确定模块，根据所述目标用户的用户标识，确定所述目标用户的用户数据，所述用户数据包含用户画像信息以及用户的历史行为数据；
第三确定模块，确定所述推送消息的消息数据，所述消息数据至少包含预定推送时间以及消息内容；
第四确定模块，根据所述目标用户的用户数据以及所述推送消息的消息数据，确定特征向量；
第五确定模块，将确定出的特征向量输入预先训练的推送决策模型，确定所述推送决策模型输出的预测关闭概率，所述推送决策模型是根据历史上已执行的推送任务以及各推送任务对应的目标用户的推送通知状态训练得到的，所述预测关闭概率表征执行所述推送任务后所述目标用户关闭推送通知的概率；
推送模块，当所述预测关闭概率小于第一预设阈值时，执行所述推送任务，向所述目标用户推送所述推送消息。
本说明书提供的一种计算机可读存储介质，所述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消息推送方法。
本说明书提供的一种电子设备，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，所述处理器执行所述程序时实现上述消息推送方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
在向用户发送推送消息之前，可先获取待执行的推送任务，并根据该推送任务的任务信息，确定该推送任务对应的目标用户的用户标识以及推送消息。之后根据该目标用户的用户标识，确定该目标用户的用户数据，以及确定该推送消息的消息数据。然后根据该目标用户的用户数据以及该推送消息的消息数据，确定特征向量，并将确定出的特征向量输入预先训练的推送决策模型，确定该推送决策模型输出的预测关闭概率。当该预测关闭概率小于第一预设阈值时，执行该推送任务，向该目标用户推送该推送消息。根据目标用户的用户数据、推送消息的消息数据，通过推送决策模型确定执行该推送任务导致关闭推送通知的概率，从用户数据和消息数据等各个维度，确定是否执行该推送任务，使得用户关闭推送通知、卸载APP的等情况出现概率较低，效果较好。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为现有消息推送的流程示意图；
图2为本说明书实施例提供的一种消息推送方法的流程示意图；
图3为本说明书实施例提供的消息推送的流程示意图；
图4为本说明书实施例提供的决策流程的示意图；
图5为本说明书实施例提供的一种消息推送装置的结构示意图；
图6为本说明书实施例提供的实现消息推送方法的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
目前，各APP常通过向用户推送消息的方式，提示用户进入该APP执行业务，以提高APP内的用户活跃度。该APP对应的服务器在向用户推送消息时，如图1所示，可先确定推送消息的候选集，该候选集中包含各候选的推送消息。之后针对每个目标用户，根据预设的召回策略，从该候选集中召回若干推送消息，该召回策略是根据用户画像、用户历史行为数据以及APP的通用召回规则确定的。然后通过排序模型从召回的若干推送消息中确定一个推送消息，作为候选推送结果。最后执行推送任务，将作为候选推送结果的推送消息发送给该目标用户。
进一步的，由于向用户推送消息过多等原因可能导致用户关闭该APP的推送通知的功能，因此现有技术通过减少向用户推送频率的方式，降低用户关闭该APP的推送通知功能的概率。具体的，在执行推送任务之前，需要判断在推送时间范围内向该目标用户推送的次数，当推送的次数小于推送数量阈值时，执行该推送任务。
图2为本说明书实施例提供的一种消息推送过程，具体可包括以下步骤：
S100：获取待执行的推送任务。
由上述可知现有技术通过减少向用户推送频率的方式，降低用户关闭该APP的推送通知功能的概率。但是推送频率仅是影响用户关闭APP的推送通知功能的一个维度。于是在本说明书中，为了更准确的进行推送，达到推送与关闭APP推送通知的平衡，也可确定待执行的推送任务，在执行该推送任务之前，通过后续步骤根据各个维度的数据，确定是否执行推送任务。
具体的，该服务器的决策模块可先获取待执行的推送任务，以通过后续的决策流程对该推送任务进行判断，确定是否执行该推送任务。如图3所示，该服务器可先根据预设的召回策略，从推送消息的候选集中召回若干推送消息，之后再通过排序模型从召回的若干推送消息中确定一个推送消息，作为候选推送结果，并将该候选推送结果发送至决策模块，使该决策模块通过后续决策流程判断是否执行该推送任务。
需要说明的是，本说明书提供的消息推送方法，可由负责该APP推送消息的服务器执行，该服务器可以是单个的服务器，也可以是多个服务器组成的系统，例如：分布式服务器等，本说明书对此不做限制，可根据需要设置。
S102：根据所述推送任务的任务信息，确定所述推送任务对应的目标用户的用户标识以及推送消息。
通常当推送消息到达目标用户的终端后，该目标用户可能会点击该推送消息，或者不对该推送消息进行任何操作(无行为)，也可能会因为推送频率过多、推送内容不感兴趣等原因关闭该APP的推送通知功能(非自然关闭)，当然，也可能存在目标用户自主关闭该APP的推送通知功能，而不是推送频率过多、推送内容不感兴趣等原因导致的关闭(自然关闭)。
于是，本说明书中降低用户关闭该APP的推送通知功能的概率，也就是说，降低非自然关闭或自然关闭情况的发生，又由于自然关闭的情况通常不可控，所以本说明书可通过降低非自然关闭情况的发生，来降低用户关闭该APP的推送通知功能的概率。而非自然关闭是由于推送频率过多、推送内容不感兴趣等原因导致的，因此在执行推送任务之前，还需确定该推送任务对应的目标用户以及推送消息，以进一步判断向该目标用户推送该推送消息是否会导致目标用户关闭该APP的推送通知功能。
具体的，该服务器可确定获取到的推送任务的任务信息，并根据该任务信息，确定该推送任务对应的目标用户的用户标识以及推送消息，其中，该推送任务对应的目标用户的用户标识为，该目标用户在该APP中注册的用户账号的标识，推送消息即为候选推送结果。
S104：根据所述目标用户的用户标识，确定所述目标用户的用户数据，所述用户数据至少包含用户画像信息以及用户的历史行为数据。
在本说明书实施例中，当通过步骤S102确定出的该推送任务对应的目标用户的用户标识后，可根据该用户标识，确定该目标用户在该APP内的用户数据，以后续根据该用户数据，确定向该目标用户推送该推送消息是否会导致非自然关闭。
具体的，该服务器可根据该目标用户的用户标识，确定该目标用户的用户画像信息以及历史行为数据，并根据确定出的用户画像信息以及历史行为数据，确定该目标用户的用户数据。
进一步的，用户画像信息可包含用户基础属性、用户标签、用户兴趣偏好以及用户登录状态等信息，其中，该用户基础属性包含用户的性别、年龄、职业、星座等。用户标签包含用户婚姻状况(已婚、未婚)、生育状况(怀孕、有子女以及无子女)等。用户兴趣偏好包含一级类目偏好、二级类目偏好以及商圈偏好等，二级类目偏好为一级类目偏好的具体项目，例如：一级类目偏好为美食，则二级类目偏好为火锅，商圈偏好为用户经常活跃的商圈范围。用户登录状态指用户登录的地理位置、所在城市、登录时间以及用户登录设备的操作系统等。
更进一步的，用户的历史行为数据可包含用户在app内的用户活跃度、用户点击推送消息的推送活跃度以及用户历史对推送消息执行操作的反馈行为数据等。
其中，用户活跃度可根据该目标用户的用户标识，确定第四预设时长内该目标用户在客户端中的活跃度，例如：该用户活跃度包含用户在该APP中的活跃天数、最近一次的活跃天数、在该APP中的停留时长、在该APP中的用户星级、在该APP中的生命周期(成熟型用户、成长型用户)等。
推送活跃度可根据该目标用户的用户标识，确定第五预设时长内该目标用户点击推送消息的活跃度，例如：该推送活跃度包含用户最近一个月点击推送消息的次数、最近一周点击推送消息的次数、前一日是否有点击推送消息等。
反馈行为数据可根据该目标用户的用户标识，确定第六预设时长内该目标用户历史对推送消息执行的操作，例如：该反馈行为数据可包含当日发送推送消息的条数、当日是否点击推送消息、与上一条推送消息发送时间间隔、当日发送的推送消息对应的被推送对象标识、当日发送的推送消息的内容类型次数、当日发送推送消息的文案模板次数等。
S106：确定所述推送消息的消息数据，所述消息数据至少包含预定推送时间以及消息内容。
在本说明书实施例中，当通过步骤S102确定出该推送任务对应的推送消息后，可进一步确定该推送消息的消息数据，通过后续步骤确定向该目标用户推送该推送消息是否会导致非自然关闭。
具体的，该服务器可根据该推送任务对应的推送消息，确定该推送消息的消息内容以及预定推送时间，并根据确定出的消息内容以及预定推送时间，确定该推送消息的消息数据。
进一步的，在根据确定出的推送消息的消息内容确定消息数据时，可根据该推送消息的消息内容，确定该推送消息的内容类型，该内容类型包含点评类型、商户推荐以及团购推荐等。
还可根据该推送消息的消息内容，确定该推送消息对应的被推送对象，并确定在第七预设时长内该被推送对象在APP中的曝光数、点击数以及点击率等，作为被推送对象数据。当然，该被推送对象数据还包含将该被推送对象的推送消息推送各目标用户的曝光数、点击数以及点击率等。当该被推送对象为商家时，还可确定该商家在一周内的用户浏览量、一个月内的用户浏览量以及该商家所属商圈等统计数据以及该商家所属的一级类目偏好、二级类目偏好以及该商家的人均消费额度等数据。
也可根据该推送消息的消息内容，确定该推送消息的内容模板以及关键词，该内容模板包含标题模板以及文案模板等，并将以该内容模板推送的推送消息发送至各目标用户的点击数、到达数和关闭数，作为内容模板数据，
S108：根据所述目标用户的用户数据以及所述推送消息的消息数据，确定特征向量。
在本说明书实施例中，当通过步骤S104确定出目标用户的用户数据以及通过步骤S106确定出推送消息的消息数据后，便可根据该用户数据以及消息数据，确定该推送任务的特征向量。由于该特征向量包含该推送任务的用户数据以及消息数据，因此可根据该特征向量判断是否执行该推送任务。
具体的，该服务器可根据确定出的目标用户的用户数据以及该推送消息的消息数据，确定该推送任务的特征向量。例如：假设用户数据为用户一个月内点击推送消息的次数30次，消息数据为被推送对象在客户端中的点击数为50，则确定出的该推送任务的特征向量为(30，50)。
S110：将确定出的特征向量输入预先训练的推送决策模型，确定所述推送决策模型输出的预测关闭概率。
在本说明书实施例中，当通过步骤S108确定出该推送任务的特征向量后，便可根据该特征向量以及推送决策模型，确定是否执行该推送任务。
具体的，该服务器可将确定出的特征向量输入预先训练的推送决策模型中，确定该推送决策模型输出的预测关闭概率。其中，该推送决策模型是根据历史上已执行的推送任务以及各推送任务对应的目标用户的推送通知状态训练得到的，该预测关闭概率表征执行该推送任务后该目标用户关闭推送通知功能的概率。
其中，该推送决策模型的具体训练过程如下：
首先，可获取历史上执行的若干推送任务，并根据各推送任务对应的目标用户的用户数据以及推送消息的消息数据，确定各推送任务对应的特征向量，并将各推送任务对应的特征向量作为训练样本。
之后，针对每个训练样本，确定执行该训练样本对应的推送任务后，该推送任务对应的目标用户的推送通知状态，将确定出的推送通知状态作为该训练样本的标注，推送通知状态包含关闭状态以及开启状态。
然后，将该训练样本输入待训练的推送决策模型，确定该推送决策模型输出的预测关闭概率，并根据确定出的预测关闭概率，确定该训练样本对应的预测状态。
最后，以最小化输出的预测状态与标注的推送通知状态之间的差异为目标，调整该待训练的推送决策模型中的模型参数。
进一步的，在确定该推送任务对应的目标用户的推送通知状态时，可根据该目标用户的历史行为数据，当在第一预设时长内监测到该目标用户对该推送消息未进行操作(无行为)时，确定该推送通知状态为开启状态。
根据该目标用户的历史行为数据，当在第二预设时长内监测到该目标用户对该推送消息进行点击操作时，确定该推送通知状态为开启状态。
根据该目标用户的历史行为数据，确定接收该推送任务的推送到达时间，当在以该推送到达时间为起点的第三预设时长内监测到该目标用户关闭推送通知的操作时，确定该目标用户的操作为非自然关闭，以及确定该推送通知状态为关闭状态。
根据该目标用户的历史行为数据，确定接收该推送任务的推送到达时间，以及监测到该目标用户关闭推送通知的操作的关闭时间，当该推送到达时间至该关闭时间的时间间隔大于第三预设时长时，确定该目标用户的操作为自然关闭，以及确定该推送通知状态为关闭状态。
更进一步的，由于用户进行自然关闭的关闭原因不可控，因此在训练该推送决策模型时，需要删除自然关闭的训练样本。
S112：当所述预测关闭概率小于第一预设阈值时，执行所述推送任务，向所述目标用户推送所述推送消息。
在本说明书实施例中，当确定出该推送决策模型输出的预测关闭概率后，可根据该预测关闭概率，确定是否执行该推送任务。
具体的，当输出的预测关闭概率小于第一预设阈值时，表明向该目标用户发送该推送消息，该目标用户对该推送消息点击或无行为的概率较大，该服务器可执行该推送任务，并在该预定推送时间向该目标用户推送该推送消息。当输出的预测关闭概率大于第一预设阈值时，表明向该目标用户发送该推送消息，该目标用户关闭该APP的推送通知功能的概率较大，此时为降低用户关闭APP推送通知功能、卸载APP的概率，可拦截该推送消息，不再执行该推送任务。
综上，本说明书提供的消息推送方法，如图4所示，根据目标用户的用户数据以及推送消息的消息数据，确定推送任务的特征向量，再将该特征向量输入推送决策模型，输出预测关闭概率，最后根据该预测关闭概率，确定是否执行该推送任务。
基于图2所示的消息推送方法，在推送消息之前，可先获取待执行的推送任务，并根据该推送任务的任务信息，确定该推送任务对应的目标用户的用户标识以及推送消息，之后根据该目标用户的用户标识，确定该目标用户的用户数据，以及确定该推送消息的消息数据，然后根据该目标用户的用户数据以及该推送消息的消息数据，确定特征向量，并将确定出的特征向量输入预先训练的推送决策模型，确定该推送决策模型输出的预测关闭概率，当该预测关闭概率小于第一预设阈值时，执行该推送任务，向该目标用户推送该推送消息。根据目标用户的用户数据、推送消息的消息数据，通过推送决策模型确定执行该推送任务导致关闭推送通知的概率，从推送消息的消息内容、预定推送时间以及目标用户的历史行为等各个方面，判断是否执行该推送任务，使得用户关闭推送通知、卸载APP的等情况出现概率较低，效果较好。
在本说明书中，在应用预先训练的推送决策模型确定是否执行推送任务之前，还需对该推送决策模型进行评估，当评估效果较好，即，用户关闭推送通知、卸载APP的等情况出现概率较低时，则可应用该推送决策模型对是否执行推送任务进行判断。
当基于该推送决策模型进行决策，确定不执行推送任务，即不向目标用户推送消息。但若实际执行该推送任务后，该目标用户会点击，则说明该推送决策模型的决策结果导致用户点击率的流失，记作该推送决策模型的损失。但若实际执行该推送任务后，该目标用户会关闭推送通知功能，则说明该推送决策模型的决策结果，通过拦截向用户推送的消息，降低了用户关闭推送通知功能的概率，记作该推送决策模型的收益。
当该推送决策模型带来的收益大于带来的损失时，则说明在消息推送过程中应用该推送决策模型的效果更好。其中，收益越大，损失越小，该推送决策模型的效果越好。因此在对该推送决策模型进行评估时，可先确定该推送决策模型的损失以及该推送决策模型的收益，之后再根据确定出的收益与损失，对该推送决策模型进行评估。
具体的，该服务器可获取历史上执行的若干推送任务，根据各推送任务对应的目标用户的用户数据以及推送消息的消息数据，确定各推送任务对应的特征向量，并将各推送任务对应的特征向量作为测试样本。其中，该测试样本对应的推送任务与训练该推送决策模型时的训练样本对应的推送任务不同。
其次，针对每个测试样本，确定执行该测试样本对应的推送任务后，该推送任务对应的目标用户的操作，并根据确定出的目标用户的操作，确定该训练样本的标注，该目标用户的操作包含自然关闭、非自然关闭、无行为以及点击。由于标注为自然关闭的测试样本的关闭原因不可控，因此可删除标注为自然关闭的测试样本。
之后，将该测试样本输入预先训练的推送决策模型，确定该推送决策模型输出的预测关闭概率，并根据确定出的预测关闭概率，确定该训练样本对应的预测状态。
由于根据该推送决策模型输出的预测关闭概率，确定推送任务为不推送时，若该测试样本的标注为点击，则可认为是该推送决策模型的损失。若该测试样本的标注为非自然关闭，则可认为是该推送决策模型的收益。于是，可根据该预测关闭概率大于第二预设阈值且标注为非自然关闭的测试样本的数量，以及标注为非自然关闭的测试样本的数量，确定该推送决策模型的收益。根据该预测关闭概率大于第二预设阈值且标注为点击的测试样本的数量，以及标注为点击的测试样本的数量，确定该推送决策模型的损失。并根据确定出的收益与损失，确定该推送决策模型的增益。
最后判断该推送决策模型的增益是否大于第三预设阈值，若大于第三预设阈值，将确定出的特征向量输入预先训练的推送决策模型，若小于第三预设阈值，则重新训练该推送决策模型。
需要说明的是，本说明书中所涉及的第一预设时长至第七预设时长，第一预设阈值至第三预设阈值均可以相同，也可以不同，具体可根据需要设置，本说明书对此不做限制。
基于图2所示的消息推送方法，本说明书实施例还对应提供一种消息推送装置的结构示意图，如图5所示。
图5为本说明书实施例提供的一种消息推送装置的结构示意图，所述装置包括：
获取模块200，获取待执行的推送任务；
第一确定模块202，根据所述推送任务的任务信息，确定所述推送任务对应的目标用户的用户标识以及推送消息；
第二确定模块204，根据所述目标用户的用户标识，确定所述目标用户的用户数据，所述用户数据包含用户画像信息以及用户的历史行为数据；
第三确定模块206，确定所述推送消息的消息数据，所述消息数据至少包含预定推送时间以及消息内容；
第四确定模块208，根据所述目标用户的用户数据以及所述推送消息的消息数据，确定特征向量；
第五确定模块210，将确定出的特征向量输入预先训练的推送决策模型，确定所述推送决策模型输出的预测关闭概率，所述推送决策模型是根据历史上已执行的推送任务以及各推送任务对应的目标用户的推送通知状态训练得到的，所述预测关闭概率表征执行所述推送任务后所述目标用户关闭推送通知的概率；
推送模块212，当所述预测关闭概率小于第一预设阈值时，执行所述推送任务，向所述目标用户推送所述推送消息。
可选地，所述第五确定模块210具体用于，获取历史上执行的若干推送任务，根据各推送任务对应的目标用户的用户数据以及推送消息的消息数据，确定各推送任务对应的特征向量，并将各推送任务对应的特征向量作为训练样本，针对每个训练样本，确定执行该训练样本对应的推送任务后，所述推送任务对应的目标用户的推送通知状态，将确定出的推送通知状态作为该训练样本的标注，所述推送通知状态包含关闭状态以及开启状态，将该训练样本输入待训练的推送决策模型，确定所述推送决策模型输出的预测关闭概率，根据确定出的预测关闭概率，确定该训练样本对应的预测状态，以最小化所述预测状态与标注的推送通知状态之间的差异为目标，调整所述待训练的推送决策模型中的模型参数。
可选地，所述第五确定模块210具体用于，根据所述目标用户的历史行为数据，当在第一预设时长内监测到所述目标用户对所述推送消息未进行操作时，确定所述推送通知状态为开启状态，根据所述目标用户的历史行为数据，当在第二预设时长内监测到所述目标用户对所述推送消息进行点击操作时，确定所述推送通知状态为开启状态，根据所述目标用户的历史行为数据，确定接收所述推送任务的推送到达时间，当在以所述推送到达时间为起点的第三预设时长内监测到所述目标用户关闭推送通知的操作时，确定所述目标用户的操作为非自然关闭，以及确定所述推送通知状态为关闭状态，根据所述目标用户的历史行为数据，确定接收所述推送任务的推送到达时间，以及监测到所述目标用户关闭推送通知的操作的关闭时间，当所述推送到达时间至所述关闭时间的时间间隔大于第三预设时长时，确定所述目标用户的操作为自然关闭，以及确定所述推送通知状态为关闭状态。
可选地，所述推送模块212还用于，获取历史上执行的若干推送任务，根据各推送任务对应的目标用户的用户数据以及推送消息的消息数据，确定各推送任务对应的特征向量，并将各推送任务对应的特征向量作为测试样本，针对每个测试样本，确定执行该测试样本对应的推送任务后，所述推送任务对应的目标用户的操作，根据确定出的目标用户的操作，确定该训练样本的标注，所述目标用户的操作包含自然关闭、非自然关闭、无行为以及点击，将该测试样本输入预先训练的推送决策模型，确定所述推送决策模型输出的预测关闭概率，根据确定出的预测关闭概率，确定该训练样本对应的预测状态，根据所述预测关闭概率大于第二预设阈值且标注为非自然关闭的测试样本的数量，以及标注为非自然关闭的测试样本的数量，确定所述推送决策模型的收益，根据所述预测关闭概率大于第二预设阈值且标注为点击的测试样本的数量，以及标注为点击的测试样本的数量，确定所述推送决策模型的损失，根据确定出的收益与损失，确定所述推送决策模型的增益，判断所述推送决策模型的增益是否大于第三预设阈值，若是，将确定出的特征向量输入预先训练的推送决策模型，若否，重新训练所述推送决策模型。
可选地，所述第二确定模块204具体用于，根据所述目标用户的用户标识，确定第四预设时长内所述目标用户在客户端中的活跃度，作为用户活跃度，根据所述目标用户的用户标识，确定第五预设时长内所述目标用户点击推送消息的活跃度，作为推送活跃度，根据所述目标用户的用户标识，确定第六预设时长内所述目标用户历史对推送消息执行的操作，作为反馈行为数据，根据确定出的用户活跃度、推送活跃度以及反馈行为数据，确定所述目标用户的历史行为数据。
可选地，所述第三确定模块206具体用于，根据所述推送消息的消息内容，确定所述推送消息对应的被推送对象，确定在第七预设时长内所述被推送对象在客户端中的曝光数和点击数，作为被推送对象数据，根据所述推送消息的消息内容，确定所述推送消息的内容模板，确定以所述内容模板推送的推送消息的点击数和关闭数，作为内容模板数据，根据所述被推送对象数据以及所述内容模板数据，确定所述推送消息的消息数据。
可选地，所述第五确定模块210具体用于，删除所述目标用户的操作为自然关闭的训练样本。
可选地，所述推送模块212还用于，删除所述目标用户的行为操作为自然关闭的测试样本。
本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图2提供的消息推送方法。
基于图2所示的消息推送方法，本说明书实施例还提出了图6所示的电子设备的示意结构图。如图6，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图2所示的消息推送方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (11)
1.一种消息推送方法，其特征在于，包括：
获取待执行的推送任务；
根据所述推送任务的任务信息，确定所述推送任务对应的目标用户的用户标识以及推送消息；
根据所述目标用户的用户标识，确定所述目标用户的用户数据，所述用户数据包含用户画像信息以及用户的历史行为数据；
确定所述推送消息的消息数据，所述消息数据至少包含预定推送时间以及消息内容；
根据所述目标用户的用户数据以及所述推送消息的消息数据，确定特征向量；
将确定出的特征向量输入预先训练的推送决策模型，确定所述推送决策模型输出的预测关闭概率，所述推送决策模型是根据历史上已执行的推送任务以及各推送任务对应的目标用户的推送通知状态训练得到的，所述预测关闭概率表征执行所述推送任务后所述目标用户关闭推送通知的概率；
当所述预测关闭概率小于第一预设阈值时，执行所述推送任务，向所述目标用户推送所述推送消息。
2.如权利要求1所述的方法，其特征在于，所述推送决策模型的训练过程，具体包括：
获取历史上执行的若干推送任务，根据各推送任务对应的目标用户的用户数据以及推送消息的消息数据，确定各推送任务对应的特征向量，并将各推送任务对应的特征向量作为训练样本；
针对每个训练样本，确定执行该训练样本对应的推送任务后，所述推送任务对应的目标用户的推送通知状态；
将确定出的推送通知状态作为该训练样本的标注，所述推送通知状态包含关闭状态以及开启状态；
将该训练样本输入待训练的推送决策模型，确定所述推送决策模型输出的预测关闭概率；
根据确定出的预测关闭概率，确定该训练样本对应的预测状态；
以最小化所述预测状态与标注的推送通知状态之间的差异为目标，调整所述待训练的推送决策模型中的模型参数。
3.如权利要求2所述的方法，其特征在于，确定所述推送任务对应的目标用户的推送通知状态，具体包括：
根据所述目标用户的历史行为数据，当在第一预设时长内监测到所述目标用户对所述推送消息未进行操作时，确定所述推送通知状态为开启状态；
根据所述目标用户的历史行为数据，当在第二预设时长内监测到所述目标用户对所述推送消息进行点击操作时，确定所述推送通知状态为开启状态；
根据所述目标用户的历史行为数据，确定接收所述推送任务的推送到达时间，当在以所述推送到达时间为起点的第三预设时长内监测到所述目标用户关闭推送通知的操作时，确定所述目标用户的操作为非自然关闭，以及确定所述推送通知状态为关闭状态；
根据所述目标用户的历史行为数据，确定接收所述推送任务的推送到达时间，以及监测到所述目标用户关闭推送通知的操作的关闭时间，当所述推送到达时间至所述关闭时间的时间间隔大于第三预设时长时，确定所述目标用户的操作为自然关闭，以及确定所述推送通知状态为关闭状态。
4.如权利要求3所述的方法，其特征在于，将确定出的特征向量输入预先训练的推送决策模型之前，所述方法还包括：
获取历史上执行的若干推送任务，根据各推送任务对应的目标用户的用户数据以及推送消息的消息数据，确定各推送任务对应的特征向量，并将各推送任务对应的特征向量作为测试样本；
针对每个测试样本，确定执行该测试样本对应的推送任务后，所述推送任务对应的目标用户的操作；
根据确定出的目标用户的操作，确定该训练样本的标注，所述目标用户的操作包含自然关闭、非自然关闭、无行为以及点击；
将该测试样本输入预先训练的推送决策模型，确定所述推送决策模型输出的预测关闭概率；
根据确定出的预测关闭概率，确定该训练样本对应的预测状态；
根据所述预测关闭概率大于第二预设阈值且标注为非自然关闭的测试样本的数量，以及标注为非自然关闭的测试样本的数量，确定所述推送决策模型的收益；
根据所述预测关闭概率大于第二预设阈值且标注为点击的测试样本的数量，以及标注为点击的测试样本的数量，确定所述推送决策模型的损失；
根据确定出的收益与损失，确定所述推送决策模型的增益；
判断所述推送决策模型的增益是否大于第三预设阈值；
若是，将确定出的特征向量输入预先训练的推送决策模型；
若否，重新训练所述推送决策模型。
5.如权利要求1所述的方法，其特征在于，根据所述目标用户的用户标识，确定所述目标用户的历史行为数据，具体包括：
根据所述目标用户的用户标识，确定第四预设时长内所述目标用户在客户端中的活跃度，作为用户活跃度；
根据所述目标用户的用户标识，确定第五预设时长内所述目标用户点击推送消息的活跃度，作为推送活跃度；
根据所述目标用户的用户标识，确定第六预设时长内所述目标用户历史对推送消息执行的操作，作为反馈行为数据；
根据确定出的用户活跃度、推送活跃度以及反馈行为数据，确定所述目标用户的历史行为数据。
6.如权利要求1所述的方法，其特征在于，确定所述推送消息的消息数据，具体包括：
根据所述推送消息的消息内容，确定所述推送消息对应的被推送对象；
确定在第七预设时长内所述被推送对象在客户端中的曝光数和点击数，作为被推送对象数据；
根据所述推送消息的消息内容，确定所述推送消息的内容模板；
确定以所述内容模板推送的推送消息的点击数和关闭数，作为内容模板数据；
根据所述被推送对象数据以及所述内容模板数据，确定所述推送消息的消息数据。
7.如权利要求3所述的方法，其特征在于，将该训练样本输入待训练的推送决策模型之前，所述方法还包括：
删除所述目标用户的操作为自然关闭的训练样本。
8.如权利要求4所述的方法，其特征在于，将该测试样本输入预先训练的推送决策模型之前，所述方法还包括：
删除所述目标用户的行为操作为自然关闭的测试样本。
9.一种消息推送装置，其特征在于，包括：
获取模块，获取待执行的推送任务；
第一确定模块，根据所述推送任务的任务信息，确定所述推送任务对应的目标用户的用户标识以及推送消息；
第二确定模块，根据所述目标用户的用户标识，确定所述目标用户的用户数据，所述用户数据包含用户画像信息以及用户的历史行为数据；
第三确定模块，确定所述推送消息的消息数据，所述消息数据至少包含预定推送时间以及消息内容；
第四确定模块，根据所述目标用户的用户数据以及所述推送消息的消息数据，确定特征向量；
第五确定模块，将确定出的特征向量输入预先训练的推送决策模型，确定所述推送决策模型输出的预测关闭概率，所述推送决策模型是根据历史上已执行的推送任务以及各推送任务对应的目标用户的推送通知状态训练得到的，所述预测关闭概率表征执行所述推送任务后所述目标用户关闭推送通知的概率；
推送模块，当所述预测关闭概率小于第一预设阈值时，执行所述推送任务，向所述目标用户推送所述推送消息。
10.一种计算机可读存储介质，其特征在于，所述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权利要求1-8任一所述的方法。
11.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现上述权利要求1-8任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010697342.9A CN111881399B (zh) | 2020-07-20 | 2020-07-20 | 一种消息推送方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010697342.9A CN111881399B (zh) | 2020-07-20 | 2020-07-20 | 一种消息推送方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111881399A CN111881399A (zh) | 2020-11-03 |
| CN111881399B true CN111881399B (zh) | 2023-10-27 |
Family
ID=73154997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010697342.9A Active CN111881399B (zh) | 2020-07-20 | 2020-07-20 | 一种消息推送方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881399B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112565904B (zh) * | 2020-11-30 | 2023-05-09 | 北京达佳互联信息技术有限公司 | 视频片段推送方法、装置、服务器以及存储介质 |
| CN112600902A (zh) * | 2020-12-08 | 2021-04-02 | 北京五八信息技术有限公司 | 一种通知消息的推送方法和装置 |
| CN112910953B (zh) * | 2021-01-14 | 2023-02-17 | 中国工商银行股份有限公司 | 业务数据的推送方法、装置和服务器 |
| CN113010786B (zh) * | 2021-03-19 | 2024-01-09 | 北京百度网讯科技有限公司 | 信息推送的方法、装置、设备以及存储介质 |
| CN113890863A (zh) * | 2021-09-29 | 2022-01-04 | 土巴兔集团股份有限公司 | 消息推送方法以及相关装置 |
| CN113902132B (zh) * | 2021-12-09 | 2022-05-24 | 北京达佳互联信息技术有限公司 | 负反馈行为预测模型训练方法、消息推送方法及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109314722A (zh) * | 2016-06-23 | 2019-02-05 | 皇家飞利浦有限公司 | 用于测量针对通知的用户可行性或接受能力的方法、装置和机器可读介质 |
| CN110070399A (zh) * | 2019-04-24 | 2019-07-30 | 北京三快在线科技有限公司 | 一种优惠券推送方法及装置 |
| WO2019149058A1 (zh) * | 2018-02-02 | 2019-08-08 | 阿里巴巴集团控股有限公司 | 一种信息推送方法、装置及设备 |
| WO2019174395A1 (zh) * | 2018-03-13 | 2019-09-19 | 阿里巴巴集团控股有限公司 | 一种信息推荐的方法、装置及设备 |
| CN110674408A (zh) * | 2019-09-30 | 2020-01-10 | 北京三快在线科技有限公司 | 业务平台、训练样本的实时生成方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11734704B2 (en) * | 2018-02-17 | 2023-08-22 | Ei Electronics Llc | Devices, systems and methods for the collection of meter data in a common, globally accessible, group of servers, to provide simpler configuration, collection, viewing, and analysis of the meter data |
-
2020
- 2020-07-20 CN CN202010697342.9A patent/CN111881399B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109314722A (zh) * | 2016-06-23 | 2019-02-05 | 皇家飞利浦有限公司 | 用于测量针对通知的用户可行性或接受能力的方法、装置和机器可读介质 |
| WO2019149058A1 (zh) * | 2018-02-02 | 2019-08-08 | 阿里巴巴集团控股有限公司 | 一种信息推送方法、装置及设备 |
| WO2019174395A1 (zh) * | 2018-03-13 | 2019-09-19 | 阿里巴巴集团控股有限公司 | 一种信息推荐的方法、装置及设备 |
| CN110070399A (zh) * | 2019-04-24 | 2019-07-30 | 北京三快在线科技有限公司 | 一种优惠券推送方法及装置 |
| CN110674408A (zh) * | 2019-09-30 | 2020-01-10 | 北京三快在线科技有限公司 | 业务平台、训练样本的实时生成方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 情感化设计在手机APP推送功能中的应用;蔡涛;唐悦昕;;赤子(上中旬)(24);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111881399A (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111881399B (zh) | 一种消息推送方法及装置 | |
| CN107679686B (zh) | 一种业务执行方法及装置 | |
| CN111324533B (zh) | A/b测试方法、装置及电子设备 | |
| CN108243032B (zh) | 一种服务等级信息的获取方法、装置及设备 | |
| CN108345644A (zh) | 一种数据处理的方法及装置 | |
| CN112735407B (zh) | 一种对话处理方法及装置 | |
| CN109189528B (zh) | 弹窗展示的控制方法、弹窗展示方法 | |
| CN112966577B (zh) | 一种模型训练以及信息提供的方法及装置 | |
| CN111753328B (zh) | 隐私数据的泄露风险检测方法及系统 | |
| CN115618748B (zh) | 一种模型优化的方法、装置、设备及存储介质 | |
| CN108133123B (zh) | 一种应用程序的识别方法及系统 | |
| CN115545720A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
| CN115396375A (zh) | 一种业务处理方法、装置以及设备 | |
| CN114882414A (zh) | 异常视频检测方法、装置、电子设备、介质及程序产品 | |
| CN113703993A (zh) | 服务消息处理方法、装置及设备 | |
| US10885160B1 (en) | User classification | |
| CN110728516A (zh) | 一种风控模型的更新方法、装置及设备 | |
| CN111026458A (zh) | 一种应用程序退出时间设置方法及装置 | |
| CN111242195A (zh) | 模型、保险风控模型训练方法、装置及电子设备 | |
| CN110209746B (zh) | 一种数据仓库的数据处理方法及装置 | |
| CN115952271B (zh) | 一种生成对话信息的方法、装置、存储介质及电子设备 | |
| CN117592102A (zh) | 一种业务执行方法、装置、设备及存储介质 | |
| CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
| CN116128072B (zh) | 一种风险控制模型的训练方法、装置、设备及存储介质 | |
| CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |