CN112015977A - 一种定制信息推送方法、装置和电子设备 - Google Patents
一种定制信息推送方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112015977A CN112015977A CN202010720996.9A CN202010720996A CN112015977A CN 112015977 A CN112015977 A CN 112015977A CN 202010720996 A CN202010720996 A CN 202010720996A CN 112015977 A CN112015977 A CN 112015977A
- Authority
- CN
- China
- Prior art keywords
- information
- preference
- user
- data
- tag
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种定制信息推送方法，用于向用户推送定制信息，该推送方法包括：为用户建立信息偏好标签，该信息偏好标签用于表示用户对于其接收到的推送消息的偏好；使用包含信息偏好标签数据的历史用户数据训练机器学习模型；使用训练好的机器学习模型对不具有信息偏好标签数据的新用户进行预测，得到新用户的信息偏好标签数据的预测值；根据新用户的信息偏好标签数据的预测值对该新用户推送定制信息。本发明的方法能够向各类用户更精准地推送对应的定制信息数据，提高了推送定制信息的准确性，并降低了营销成本。
Description
技术领域
本发明涉及通信领域，具体而言，涉及一种定制信息推送方法、装置和电子设备。
背景技术
随着移动通信的蓬勃发展，电信运营商能拥有处理和存储的电信数据越来越多，很多公司和企业为了高效的发现目标用户，开始通过和电信运营商合作获取他们的电信数据进行分析和处理，得出结果后反馈给合作商家进行精准营销。
现有技术中，很多电信企业利用数据挖掘在客户细分有广泛的应用，并且一些电信企业对客户细分及客户营销方面非常重视，同时依据客户细分产生的结果做出正确的决策。例如某电信企业基于数据挖掘手段在客户流失方面有广泛的应用，并且对其进行预测。例如，有些企业主要利用数据挖掘技术对客户进行细分，采用客户的性别和年龄等基本特征来。再例如，还有一些企业主要通过分析不同客户的业务贡献来对客户进行细分，针对不同客户群制定差异化的营销方案。
虽然目前大数据在精准营销方面已经有了一些应用，但是针对电信大数据的精准营销方式还是偏少，主要原因是电信运营商为了保护用户隐私，不会随便公开用户的电信数据。但是，在营销方面仍存在如下问题：1)营销效率低下，在各大运营商以对内业务为主的时期，短信精准营销的产品大多是语音、通话、流量产品，依照业务经验设计营销客户群提取口径，但是无法满足同一时期内大量多品类产品的营销需求。2)营销效果难以保证，随着营销产品的日益多样化，业务专家的业务知识储备几乎不可能得到同步的扩展，单一依赖营销人员设计营销口径的办法无法满足高质量的客群获取，受限于业务主观认知水平，无法做到个性化的精准营销。
因此，有必要提供一种更精准的定制信息推送方法。
发明内容
为了解决上述问题，本发明提供了一种定制信息推送方法，用于向用户推送定制信息，该推送方法包括：为用户建立信息偏好标签，该信息偏好标签用于表示用户对于其接收到的推送消息的偏好；使用包含信息偏好标签数据的历史用户数据训练机器学习模型；使用训练好的机器学习模型对不具有信息偏好标签数据的新用户进行预测，得到新用户的信息偏好标签数据的预测值；根据新用户的信息偏好标签数据的预测值对该新用户推送定制信息。
优选地，所述信息偏好标签包括信息偏好分，信息偏好分大于0表示用户偏好接受推送信息，信息偏好分小于0表示用户偏好拒绝推送信息。
优选地，还包括：获取用户行为类型权重，以计算所述信息偏好分；将所述用户行为类型权重乘以时间衰减参数和用户自身属性评分的比值来计算所述信息偏好分。
优选地，所述信息偏好标签包括文案偏好元素标签；并且，当信息偏好分大于0时，所述文案偏好元素包含有效值。
优选地，所述对不具有信息偏好标签数据的新用户进行预测的步骤包括：计算新用户的信息偏好分的预测值；并且，当新用户的信息偏好分的预测值大于0时，计算文案偏好元素的预测值。
优选地，所述对新用户推送定制信息的步骤包括：根据所述文案偏好元素的预测值从文案库中选择相应的适配的文案生成所述定制信息。
优选地，所述文案库中的各文案具有文案元素标签，该文案元素标签的值与所述文案偏好元素标签的值相对应。
优选地，所述信息偏好标签包括文案偏好元素标签；并且，当信息偏好分等于0时，进一步计算用户的用户流失预测值，以判断所述用户是否会流失。
优选地，所述信息偏好标签包括文案偏好元素标签；并且，当信息偏好分小于0时，文案偏好元素包含负反馈值；基于弃用原则和所述负反馈值，确定是否弃用相应文案偏好元素。
优选地，根据文案偏好元素的有效值对各文案偏好元素进行分类标签。
此外，本发明还提供了一种定制信息推送装置，用于向用户推送定制信息，所述装置包括：建立模块，其用于为用户建立信息偏好标签，该信息偏好标签用于表示用户对于其接收到的推送消息的偏好；训练模块，其用于使用包含信息偏好标签数据的历史用户数据训练机器学习模型；计算模块，其用于使用训练好的机器学习模型对不具有信息偏好标签数据的新用户进行预测，得到新用户的信息偏好标签数据的预测值；推送模块，根据新用户的信息偏好标签数据的预测值对该新用户推送定制信息。
优选地，所述信息偏好标签包括信息偏好分，信息偏好分大于0表示用户偏好接受推送信息，信息偏好分小于0表示用户偏好拒绝推送信息。
优选地，还包括处理模块，所述处理模块用于获取用户行为类型权重，以计算所述信息偏好分；将所述用户行为类型权重乘以时间衰减参数和用户自身属性评分的比值来计算所述信息偏好分。
优选地，所述信息偏好标签包括文案偏好元素标签；并且，当信息偏好分大于0时，所述文案偏好元素包含有效值。
优选地，所述计算模块用于计算新用户的信息偏好分的预测值；并且，当新用户的信息偏好分的预测值大于0时，计算文案偏好元素的预测值。
优选地，还包括生成模块，所述生成模块根据所述文案偏好元素的预测值从文案库中选择相应的适配的文案生成所述定制信息。
优选地，所述文案库中的各文案具有文案元素标签，该文案元素标签的值与所述文案偏好元素标签的值相对应。
优选地，所述信息偏好标签包括文案偏好元素标签；并且，当信息偏好分等于0时，进一步计算用户的用户流失预测值，以判断所述用户是否会流失。
优选地，所述信息偏好标签包括文案偏好元素标签；并且，当信息偏好分小于0时，文案偏好元素包含负反馈值；基于弃用原则和所述负反馈值，确定是否弃用相应文案偏好元素。
优选地，根据文案偏好元素的有效值对各文案偏好元素进行分类标签。
此外，本发明还提供了一种电子设备，其中，该电子设备包括：处理器；以及存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行本发明所述的定制信息推送方法。
此外，本发明还提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现本发明所述的定制信息推送方法。
有益效果
与现有技术相比，本发明的定制信息推送方法通过在用户生命周期初期对用户信息偏好进行标签构建，为引导用户完件以及后续营销促动打下基础，能够向各类用户更精准地发送对应的定制信息数据，由此提高了推送信息数据的准确性，实现了短信营销效果最大化；判断潜在流失用户，对该类用户调整营销推送策略；判断退订或投诉用户，对该类用户及时停止不适宜的营销短信或或者进行通道关闭；降低了营销成本，还提高了数据的利用率。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明的定制信息推送方法的一示例的流程图。
图2是本发明的定制信息推送方法的应用场景中用户标签的一示例的示意图。
图3是本发明的定制信息推送方法的另一示例的流程图。
图4是本发明的定制信息推送装置的一示例的示意性结构框图。
图5是本发明的定制信息推送装置的另一示例的示意性结构框图。
图6是本发明的定制信息推送装置的又一示例的示意性结构框图。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。
图8是根据本发明的计算机可读介质的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
为了更精准地进行信息推送，实现短信营销效果最大化，本发明提供了一种定制信息推送方法，通过在用户生命周期初期对用户信息偏好进行标签构建，为引导用户完件以及后续营销促动打下基础，提高了推送信息的准确性，实现了短信营销效果最大化。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
实施例1
下面，将参照图1至图3描述本发明的定制信息推送方法的实施例。
图1为本发明的定制信息推送方法的一示例的流程图。如图1所示，一种定制信息推送方法，该定制信息推送方法包括如下步骤。
步骤S101，为用户建立信息偏好标签，该信息偏好标签用于表示用户对于其接收到的推送消息的偏好。
步骤S102，使用包含信息偏好标签数据的历史用户数据训练机器学习模型。
步骤S103，使用训练好的机器学习模型对不具有信息偏好标签数据的新用户进行预测，得到新用户的信息偏好标签数据的预测值。
步骤S104，根据新用户的信息偏好标签数据的预测值对该新用户推送定制信息。
在本示例中，该方法通过机器学习模型，使用历史用户的信息偏好标签数据预测新用户的信息偏好标签数据，以向该新用户推送定制信息。
首先，在步骤S101中，为用户建立信息偏好标签，该信息偏好标签用于表示用户对于其接收到的推送消息的偏好。
具体地，信息偏好标签包括信息偏好分，该信息偏好分用于表示接受或拒绝推送信息，并用于指示营销策略。
在本示例中，通过计算信息偏好分的计算，判断用户对哪些信息偏好。
进一步地，除了信息偏好标签以外，用户标签还包括用户属性标签和用户APP活跃度标签。
具体地，用户属性标签包括地域、性别、年龄、手机运营商、注册渠道等信息数据。
更进一步地，用户APP活跃度标签包括是否登录APP、近7天是否登录、近30天是否登录、近3个月是否登录、注册天数、登陆时长、目前所处行为节点等信息数据。
需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S102中，使用包含信息偏好标签数据的历史用户数据训练机器学习模型。
在本示例中，获取用户行为类型权重，并获取历史用户的行为数据和用户自身属性数据，以用于计算用户的信息偏好分。具体地，例如根据用户行为标签基础上建立权重维度表以得出信息偏好分。
优选地，用户行为类型具体包括点击链接、登录、完件、借款、退订、投诉等，并对各用户行为类型的权重值进行设定，例如点击链接为0.5，登录为1、完件为1.5，借款为2，退订为-1，投诉为-2。
在本示例中，用户行为类型标签包括信息触达4日内用户行为类型及其权重。
具体地，通过所述用户行为类型权重乘以时间衰减参数和用户自身属性评分的比值来计算信息偏好分，计算表达式如下：
用户的信息偏好分值＝行为类型权重×时间衰减/用户自身属性分值(1)。
需要说明的是，在本发明中，信息偏好分大于0表示用户偏好接受推送信息，信息偏好分小于0表示用户偏好拒绝推送信息，信息偏好分等于0表示用户有流失的风险。具体参见图2。
优选地，在用户的信息偏好分大于0的情况下，对该用户标签进行进一步细分标签，细分标签包括文案偏好标签、触达时间段偏好标签、触达频次偏好标签、触达总次数偏好标签等。在上述情况下，信息偏好标签至少包括文案偏好标签，并且文案偏好元素包含有效值，该有效值包括用于表示各文案偏好元素的文案效果的预测评分值。
进一步地，筛选出包含信息偏好标签数据的历史用户，使用训练数据训练机器学习模型，其中，训练数据包括上述这些历史用户的行为数据及其所包含的信息偏好标签数据。
在本示例中，输入特征为用户的行为数据，输出特征为用户的信息偏好标签数据。
接下来，在步骤S103中，使用训练好的机器学习模型对不具有信息偏好标签数据的新用户进行预测，得到新用户的信息偏好标签数据的预测值。
具体地，获取目标用户的行为数据，该目标用户(或新用户)不具有信息偏好标签数据。
进一步地，输入目标用户的行为数据，计算该目标用户(或新用户)的信息偏好标签数据的预测值，在本示例中，该预测值为信息偏好分的预测值。
如图3所示，在另一示例中，本发明的方法还包括判断是否进一步计算文案偏好元素的预测评分值的步骤S301。
在步骤S301中，在确定信息偏好分大于0的情况下，所述文案偏好元素包含有效值，该有效值包括用于表示各文案偏好元素的文案效果的预测评分值。在上述情况下，进一步计算各文案偏好元素的预测评分值。
在该示例中，使用评价指标对各文案偏好元素进行综合评估文案效果，换言之，计算各文案偏好元素的预测评分值，该评价指标包括链接打开率、登录率、完件率、投诉率，其中，投诉率包括退订率和负面上行率(文本分析)。
优选地，通过测试组和对照组仅区分某一文案元素，监测t+0至t+4天内用户的上述四个评价指标，通过综合算法，计算各文案元素的预测评分值。例如，对于综合评分的预测评分值大于最大设定阈值的文案偏好元素，则批量复用或者增加使用频次等。例如对于综合评分的预测评分值小于最小设定阈值的文案偏好元素，则弃用该文案偏好元素。
另一方面，在确定信息偏好分小于0的情况下，当信息偏好分小于0时，文案偏好元素包含负反馈值。在上述情况下，基于弃用原则和所述负反馈值，确定是否弃用相应文案偏好元素。例如在负反馈值小于设定阈值时弃用该文案偏好元素。
此外，在信息偏好分等于0的情况下，不需要进一步计算各文案偏好元素的预测评分值。
需要说明的是，在本示例中，获取大量的历史文案数据，构建文案库，该文案库包括多个文案，并且各文案均具有文案元素标签，其中，文案元素标签的值与上述文案偏好元素标签的值相对应。
进一步地，根据文案偏好元素的有效值或者预测评分值，对各文案偏好元素进行分类标签，换言之，将各短信文案按其包含的文案元素进行分类标签，例如，按“福利类”维度分为“红包”类型的文案元素和“优惠券”类型的文案元素，按“额度类”维度分为大额度(大于等于20万元以上)和小额度(5000元至4万元)。
需要说明的是，在本示例中，将大于等于20万元以上的额度视为大额度，而将5000元至4万元的额度视为小额度。上述仅作为示例进行说明，不能理解成对本发明的限制。在其他示例中，例如按“费用类”(具体包括息费低至0.027％，或者不使用不收费等)、放款时间、节日福利、用户限定词等维度对文案元素进行分类标签。
在又一示例中，信息偏好标签包括文案偏好元素标签和触达元素偏好，触达元素偏好包括触达时间段偏好、触达频次偏好和触达总次数偏好等，其中，触达时间段偏好的时间段包括8:00～12:00、12:00～18:00、18:00～21:00等；触达频次偏好是指距离上次触达日期的间隔；触达总次数偏好是指在预定时间内的触达总次数。
需要说明的是，上述仅作为优选的示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S104中，根据新用户的信息偏好标签数据的预测值对该新用户推送定制信息。
在本示例中，根据所计算的预测值，确定与该新用户相对应的信息偏好标签数据，例如，在信息偏好分大于0的情况下，该信息偏好标签数据包括文案偏好元素标签和触达元素标签的数据。进一步地，还计算各文案偏好元素的预测评估分。
更进一步地，根据所述文案偏好元素的预测值从文案库中选择相应的适配的文案生成所述定制信息。
由此，判断该用户为偏好哪些因素的用户，并将所述预测值对应的相关数据整合形成与该新用户对应的定制信息数据，进行更精准地信息数据推送。
具体地，对于上述用户定制数据例如为与借贷类金融产品相对应的定制信息数据，针对各类用户发送，例如通过电话或者短信等方式，发送对应的定制信息数据。例如，判断该用户为偏好高额度用户，则向该用户发送提额类促动相关信息数据。再例如，该用户为偏好红包/现金用户，则向该用户发送红包/现金等信息数据。由此，能够更精准地针对各类客户发送对应的定制数据，因此，提高了推送信息数据的准确性，并节约了营销成本。
在另一示例中，在信息偏好分小于0的情况下，该用户为退订或投诉用户，针对该类用户，及时停止不适宜的营销短信或或者进行通道关闭。
在又一示例中，在信息偏好分等于0的情况下，进一步计算用户的用户流失预测值，以判断所述用户是否会流失。
具体地，例如降低发送频次，或者更换文案偏好元素等，以降低营销成本，并同时记录用户行为，以用于后续数据分析等。
进一步地，在调整策略后，仍无行为反馈，则视为用户流失，并停止营销短信的推送。
需要说明的是，上述仅为优选的实施例，不能理解成对本发明的限制。在其他实施例中，其中有些步骤还可以拆分成两个步骤，或者两个步骤合并成一个步骤。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
与现有技术相比，本发明的定制信息推送方法通过在用户生命周期初期对用户信息偏好进行标签构建，为引导用户完件以及后续营销促动打下基础，能够向各类用户更精准地发送对应的定制信息数据，由此提高了推送信息数据的准确性，实现了短信营销效果最大化；判断潜在流失用户，对该类用户调整营销推送策略；判断退订或投诉用户，对该类用户及时停止不适宜的营销短信或或者进行通道关闭；降低了营销成本，还提高了数据的利用率。
实施例2
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
参照图4、图5和图6，本发明还提供了一种定制信息推送装置400，用于向用户推送定制信息，所述装置400包括：建立模块401，其用于为用户建立信息偏好标签，该信息偏好标签用于表示用户对于其接收到的推送消息的偏好；训练模块402，其用于使用包含信息偏好标签数据的历史用户数据训练机器学习模型；计算模块403，其用于使用训练好的机器学习模型对不具有信息偏好标签数据的新用户进行预测，得到新用户的信息偏好标签数据的预测值；推送模块404，根据新用户的信息偏好标签数据的预测值对该新用户推送定制信息。
优选地，所述信息偏好标签包括信息偏好分，信息偏好分大于0表示用户偏好接受推送信息，信息偏好分小于0表示用户偏好拒绝推送信息。
如图5所示，还包括处理模块501，所述处理模块501用于获取用户行为类型权重，以计算所述信息偏好分；将所述用户行为类型权重乘以时间衰减参数和用户自身属性评分的比值来计算所述信息偏好分。
优选地，所述信息偏好标签包括文案偏好元素标签；并且，当信息偏好分大于0时，所述文案偏好元素包含有效值。
具体地，所述计算模块用于计算新用户的信息偏好分的预测值；并且，当新用户的信息偏好分的预测值大于0时，计算文案偏好元素的预测值。
如图6所示，还包括生成模块601，所述生成模块601根据所述文案偏好元素的预测值从文案库中选择相应的适配的文案生成所述定制信息。
优选地，所述文案库中的各文案具有文案元素标签，该文案元素标签的值与所述文案偏好元素标签的值相对应。
优选地，所述信息偏好标签包括文案偏好元素标签；并且，当信息偏好分等于0时，进一步计算用户的用户流失预测值，以判断所述用户是否会流失。
优选地，所述信息偏好标签包括文案偏好元素标签；并且，当信息偏好分小于0时，文案偏好元素包含负反馈值；基于弃用原则和所述负反馈值，确定是否弃用相应文案偏好元素。
优选地，根据文案偏好元素的有效值对各文案偏好元素进行分类标签。
需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
与现有技术相比，本发明的定制信息推送装置通过在用户生命周期初期对用户信息偏好进行标签构建，为引导用户完件以及后续营销促动打下基础，能够向各类用户更精准地发送对应的定制信息数据，由此提高了推送信息数据的准确性，实现了短信营销效果最大化，降低了营销成本，还提高了数据的利用率。
实施例3
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的电子设备200。图7显示的电子设备200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述电子设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。
如图8所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种定制信息推送方法，用于向用户推送定制信息，其特征在于，该推送方法包括：
为用户建立信息偏好标签，该信息偏好标签用于表示用户对于其接收到的推送消息的偏好；
使用包含信息偏好标签数据的历史用户数据训练机器学习模型；
使用训练好的机器学习模型对不具有信息偏好标签数据的新用户进行预测，得到新用户的信息偏好标签数据的预测值；
根据新用户的信息偏好标签数据的预测值对该新用户推送定制信息。
2.根据权利要求1所述的定制信息推送方法，其特征在于，所述信息偏好标签包括信息偏好分，信息偏好分大于0表示用户偏好接受推送信息，信息偏好分小于0表示用户偏好拒绝推送信息。
3.根据权利要求1-2中任一项所述的定制信息推送方法，其特征在于，还包括：
获取用户行为类型权重，以计算所述信息偏好分；
将所述用户行为类型权重乘以时间衰减参数和用户自身属性评分的比值来计算所述信息偏好分。
4.根据权利要求1-3中任一项所述的定制信息推送方法，其特征在于，所述信息偏好标签包括文案偏好元素标签；并且，当信息偏好分大于0时，所述文案偏好元素包含有效值。
5.根据权利要求1-4中任一项所述的定制信息推送方法，其特征在于，所述对不具有信息偏好标签数据的新用户进行预测的步骤包括：计算新用户的信息偏好分的预测值；并且，当新用户的信息偏好分的预测值大于0时，计算文案偏好元素的预测值。
6.根据权利要求1-5中任一项所述的定制信息推送方法，其特征在于，所述对新用户推送定制信息的步骤包括：根据所述文案偏好元素的预测值从文案库中选择相应的适配的文案生成所述定制信息。
7.根据权利要求1-6中任一项所述的定制信息推送方法，其特征在于，所述文案库中的各文案具有文案元素标签，该文案元素标签的值与所述文案偏好元素标签的值相对应。
8.一种定制信息推送装置，用于向用户推送定制信息，其特征在于，所述装置包括：
建立模块，其用于为用户建立信息偏好标签，该信息偏好标签用于表示用户对于其接收到的推送消息的偏好；
训练模块，其用于使用包含信息偏好标签数据的历史用户数据训练机器学习模型；
计算模块，其用于使用训练好的机器学习模型对不具有信息偏好标签数据的新用户进行预测，得到新用户的信息偏好标签数据的预测值；
推送模块，根据新用户的信息偏好标签数据的预测值对该新用户推送定制信息。
9.一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的定制信息推送方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的定制信息推送方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010720996.9A CN112015977A (zh) | 2020-07-24 | 2020-07-24 | 一种定制信息推送方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010720996.9A CN112015977A (zh) | 2020-07-24 | 2020-07-24 | 一种定制信息推送方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112015977A true CN112015977A (zh) | 2020-12-01 |
Family
ID=73499400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010720996.9A Pending CN112015977A (zh) | 2020-07-24 | 2020-07-24 | 一种定制信息推送方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112015977A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112269942A (zh) * | 2020-12-03 | 2021-01-26 | 北京达佳互联信息技术有限公司 | 一种推荐对象的方法、装置、系统及电子设备 |
| CN113297258A (zh) * | 2021-04-25 | 2021-08-24 | 上海淇玥信息技术有限公司 | 一种基于目标人群数据提取的定制化信息推送方法及装置 |
| CN114125046A (zh) * | 2021-11-08 | 2022-03-01 | 浙江华坤道威数据科技有限公司 | 一种基于5g的信息触达系统 |
| CN115277835A (zh) * | 2022-08-01 | 2022-11-01 | 网易（杭州）网络有限公司 | 信息推送方法、装置、存储介质及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803190A (zh) * | 2017-01-03 | 2017-06-06 | 北京掌阔移动传媒科技有限公司 | 一种广告个性化推送系统及方法 |
| CN108694602A (zh) * | 2017-04-11 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 广告文件生成方法及装置 |
| CN110175873A (zh) * | 2019-05-24 | 2019-08-27 | 深圳市无忧宝科技有限公司 | 精准营销方法及装置 |
| CN110490625A (zh) * | 2018-05-11 | 2019-11-22 | 北京京东尚科信息技术有限公司 | 用户偏好确定方法及装置、电子设备、存储介质 |
| CN111199418A (zh) * | 2019-12-16 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 基于图数据和反向传播算法的数据传播方法、装置和电子设备 |
-
2020
- 2020-07-24 CN CN202010720996.9A patent/CN112015977A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803190A (zh) * | 2017-01-03 | 2017-06-06 | 北京掌阔移动传媒科技有限公司 | 一种广告个性化推送系统及方法 |
| CN108694602A (zh) * | 2017-04-11 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 广告文件生成方法及装置 |
| CN110490625A (zh) * | 2018-05-11 | 2019-11-22 | 北京京东尚科信息技术有限公司 | 用户偏好确定方法及装置、电子设备、存储介质 |
| CN110175873A (zh) * | 2019-05-24 | 2019-08-27 | 深圳市无忧宝科技有限公司 | 精准营销方法及装置 |
| CN111199418A (zh) * | 2019-12-16 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 基于图数据和反向传播算法的数据传播方法、装置和电子设备 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112269942A (zh) * | 2020-12-03 | 2021-01-26 | 北京达佳互联信息技术有限公司 | 一种推荐对象的方法、装置、系统及电子设备 |
| CN112269942B (zh) * | 2020-12-03 | 2021-03-23 | 北京达佳互联信息技术有限公司 | 一种推荐对象的方法、装置、系统及电子设备 |
| CN113297258A (zh) * | 2021-04-25 | 2021-08-24 | 上海淇玥信息技术有限公司 | 一种基于目标人群数据提取的定制化信息推送方法及装置 |
| CN114125046A (zh) * | 2021-11-08 | 2022-03-01 | 浙江华坤道威数据科技有限公司 | 一种基于5g的信息触达系统 |
| CN114125046B (zh) * | 2021-11-08 | 2022-09-30 | 浙江华坤道威数据科技有限公司 | 一种基于5g的信息触达系统 |
| CN115277835A (zh) * | 2022-08-01 | 2022-11-01 | 网易（杭州）网络有限公司 | 信息推送方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112015977A (zh) | 一种定制信息推送方法、装置和电子设备 | |
| US11928611B2 (en) | Conversational interchange optimization | |
| AU2021322785B2 (en) | Communication content tailoring | |
| CN109672795B (zh) | 呼叫中心资源管理方法及装置、电子设备、存储介质 | |
| US11188809B2 (en) | Optimizing personality traits of virtual agents | |
| US10306068B1 (en) | Call center load balancing and routing management | |
| US20200204680A1 (en) | Framework for predictive customer care support | |
| CA3193583A1 (en) | Systems and methods relating to bot authoring by mining intents from natural language conversations | |
| CN111199418A (zh) | 基于图数据和反向传播算法的数据传播方法、装置和电子设备 | |
| US20190213511A1 (en) | Predictive service-reduction remediation | |
| Globa et al. | Ontology model of telecom operator big data | |
| US20170372347A1 (en) | Sequence-based marketing attribution model for customer journeys | |
| CN112015562A (zh) | 基于迁移学习的资源分配方法、装置及电子设备 | |
| US10762423B2 (en) | Using a neural network to optimize processing of user requests | |
| CN112016855B (zh) | 基于关系网匹配的用户行业识别方法、装置和电子设备 | |
| CN111598494A (zh) | 资源额度的调整方法、装置及电子设备 | |
| CN112819528A (zh) | 人群包的上线方法、装置及电子设备 | |
| CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
| CN113379229A (zh) | 一种资源调度方法和装置 | |
| US11601347B2 (en) | Identification of incident required resolution time | |
| US10453079B2 (en) | Method, computer-readable storage device, and apparatus for analyzing text messages | |
| CN113570114B (zh) | 一种资源服务智能匹配方法、系统和计算机设备 | |
| Droftina et al. | A diffusion model for churn prediction based on sociometric theory | |
| CN112015978B (zh) | 一种定制信息发送方法、装置和电子设备 | |
| CN117897945A (zh) | 用于改进用于预测的数据的预处理的系统和方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Shanghai Qiyue Information Technology Co.,Ltd. Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500 Applicant before: Shanghai Qiyue Information Technology Co.,Ltd. Country or region before: China |