CN112084412B - 信息推送方法、装置、设备及存储介质 - Google Patents
信息推送方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112084412B CN112084412B CN202010964723.9A CN202010964723A CN112084412B CN 112084412 B CN112084412 B CN 112084412B CN 202010964723 A CN202010964723 A CN 202010964723A CN 112084412 B CN112084412 B CN 112084412B
- Authority
- CN
- China
- Prior art keywords
- user
- target
- information
- pushing
- sub
- 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
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种信息推送方法、装置、设备及存储介质。所述方法包括:获取待推送用户的行为信息和环境信息;将待推送用户的行为信息和环境信息输入目标类型检测模型,进行目标类型检测处理,得到目标类型对应的目标用户;获取目标类型对应的用户子类型以及用户子类型对应的目标推送策略,目标推送策略包括目标推送信息和目标推送时机信息;基于目标用户的行为信息以及目标类型对应的用户子类型,将目标用户划分至对应的用户子类型中,得到每一用户子类型对应的子目标用户;依据对应的目标推送时机信息,将对应的目标推送信息推送至对应的子目标用户。可以高效且精准的进行信息推送。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种信息推送方法、装置、设备及存储介质。
背景技术
目前的一些信息推送平台在向用户推送信息时,会全量下发,例如在发放游戏加速器优惠券时,采用这种全量下发的固化模式,没有对优惠券能够产生的价值和用户进行充分的分析,优惠券的投放效果不好,导致投入的运营成本过高,而成效却很低。
发明内容
有鉴于上述存在的技术问题,本申请提出了信息推送方法、装置、设备及存储介质。
根据本申请的一方面,提供了一种信息推送方法,所述方法包括:
获取待推送用户的行为信息和所述待推送用户的环境信息;
将所述待推送用户的行为信息和所述待推送用户的环境信息输入目标类型检测模型,进行目标类型检测处理,得到目标类型对应的目标用户;
获取所述目标类型对应的用户子类型以及所述用户子类型对应的目标推送策略,所述用户子类型对应的目标推送策略包括所述用户子类型对应的目标推送信息和所述用户子类型对应的目标推送时机信息;
基于所述目标用户的行为信息以及所述目标类型对应的用户子类型,将所述目标用户划分至对应的用户子类型中,得到每一用户子类型对应的子目标用户;
依据所述对应的目标推送时机信息,将所述对应的目标推送信息推送至对应的子目标用户。
根据本申请的另一方面,提供了一种信息推送装置,包括:
行为和环境信息获取模块,用于获取待推送用户的行为信息和所述待推送用户的环境信息;
目标用户获取模块,用于将所述待推送用户的行为信息和所述待推送用户的环境信息输入目标类型检测模型,进行目标类型检测处理,得到目标类型对应的目标用户;
用户子类型及目标推送策略获取模块,用于获取所述目标类型对应的用户子类型以及所述用户子类型对应的目标推送策略,所述用户子类型对应的目标推送策略包括所述用户子类型对应的目标推送信息和所述用户子类型对应的目标推送时机信息;
子目标用户获取模块,用于基于所述目标用户的行为信息以及所述目标类型对应的用户子类型,将所述目标用户划分至对应的用户子类型中,得到每一用户子类型对应的子目标用户;
信息推送模块,用于依据所述对应的目标推送时机信息,将所述对应的目标推送信息推送至对应的子目标用户。
根据本申请的另一方面,提供了一种信息推送设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述方法。
根据本申请的另一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
本申请通过目标类型检测模型和目标类型的设置,可以自动高效且精准的定位到目标用户;并且通过进一步对目标用户进行细分,可以高效且更精细地对子目标用户进行信息推送;
并且,通过用户子类型对应的目标推送策略的设置,可以在有效的时间节点,向子目标用户推送合适的推送信息,在精准定位目标用户以及子目标用户的基础上,进一步从推送策略上,提高了推送的有效性,即可以提高推送信息的转化率,在控制投入运营成本的基础上,可以提高推送成效。另外,与全量推送信息相比,还可以节约系统资源。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请一实施例提供的一种应用系统的示意图。
图2示出根据本申请一实施例的目标类型检测模型的训练方法的流程图。
图3示出根据本申请一实施例的确定每一用户子类型对应的目标推送策略的方法流程图。
图4示出根据本申请一实施例的基于所述测试用户的行为信息以及所述目标类型对应的用户子类型,将所述测试用户划分至对应的用户子类型中,得到每一用户子类型对应的子测试用户的方法流程图。
图5示出根据本申请一实施例的确定每一用户子类型对应的每个推送策略的推送效果信息的方法流程图。
图6示出根据本申请一实施例的信息推送方法的流程图。
图7示出根据本申请一实施例的目标推送信息的显示示意图。
图8示出根据本申请一实施例的信息推送装置的框图。
图9是根据一示例性实施例示出的一种用于信息推送装置900的框图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
近年来,随着人工智能技术研究和进步,人工智能技术在多个领域得到广泛应用,本公开实施例提供的方案涉及人工智能的机器学习/深度学习等技术,具体通过如下实施例进行说明:
请参阅图1,图1示出根据本申请一实施例提供的一种应用系统的示意图。所述应用系统可以用于本申请的信息推送方法。如图1所示,该应用系统至少可以包括服务器01和终端02。
本申请实施例中,所述服务器01可以包括独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
本申请实施例中,所述终端02可以包括智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality,AR)/虚拟现实(virtualreality,VR)设备、智能可穿戴设备等类型的实体设备。实体设备,也可以包括运行于实体设备中的软体,例如应用程序等。本申请实施例中终端02上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。
本说明书实施例中,上述终端02以及服务器01可以通过有线或无线通信方式进行直接或间接地连接,本申请对此不作限定。
所述终端02可以用于提供面向用户的信息推送处理。用户可以在终端02接收推送信息,并可以对该推送信息进行操作,比如领取、购买等,从而形成对推送信息的转化率,比如付费转化率。终端02提供面向用户的信息推送的方式可以包括但不限于应用程序方式、网页方式等。
需要说明的是,本申请实施例中,优选地,在服务器01中实现所述信息推送处理和目标类型检测模型的训练。以便减轻终端的数据处理压力,改善面向用户的终端的设备性能。
在一个具体的实施例中,服务器02为分布式系统时,该分布式系统可以为区块链系统,分布式系统为区块链系统时,可以由多个节点(接入网络中的任意形式的计算设备,如服务器、用户终端)形成,节点之间形成组成的点对点(P2P,Peer To Peer)网络,P2P协议是一个运行在传输控制协议(TCP,Transmission Control Protocol)协议之上的应用层协议。在分布式系统中,任何机器如服务器、终端都可以加入而成为节点,节点包括硬件层、中间层、操作系统层和应用层。具体的,区块链系统中各节点的功能,涉及的功能可以包括:
1)路由,节点具有的基本功能,用于支持节点之间的通信。
节点除具有路由功能外,还可以具有以下功能:
2)应用,用于部署在区块链中,根据实际业务需求而实现特定业务,记录实现功能相关的数据形成记录数据,在记录数据中携带数字签名以表示任务数据的来源,将记录数据发送到区块链系统中的其他节点,供其他节点在验证记录数据来源以及完整性成功时,将记录数据添加到临时区块中。
实际应用中,用户一般会出现分层的现象,比如游戏加速器的用户,对加速器的需求程度、对购买加速器的价格敏感度等会呈现不同的行为。本申请正是基于这种用户分层的现象,希望锁定能够有效提升推送信息转化率和收益的目标用户。
以游戏加速器的用户为例,作为一个示例,可以基于加速器的需求程度、价格敏感度两个维度,对用户进行划分,得到用户类型,比如,付费用户(A类型):需要加速器、无价格敏感度;潜在用户(B类型):需要加速器、有价格敏感度;流失用户(C类型):需要加速器、拒绝付费。本申请对此不作限定。
本说明书实施例中,在划分用户类型后,可以从这些用户类型中确定至少一种用户类型作为目标类型。在一种可能的实现方式中,可以获取各用户类型对应的用户,分别向这些用户类型对应的用户推送信息,对用户的推送信息效果进行统计,得到每一用户类型对应的推送效果信息,比如付费转化率等。可以基于推送效果信息,确定推送效果较好的用户类型作为目标类型,即将推送效果较好的用户类型对应的用户锁定为目标用户。例如,B类型的推送效果较好,可以将B类型确定为目标类型;若B类型的推送效果和A类型的推送效果相当,可以将A类型和B类型均作为目标用户。从而通过对目标用户进行信息推送,提升转化率,增加收益。
可选地,也可以对全部的用户类型对应的用户进行信息推送,提升总体收益,本申请对此不作限定。
本说明书实施例中,可以通过用户类型检测模型或目标类型检测模型,获取目标类型对应的目标用户。其中,目标类型检测模型可以是针对一种目标类型的检测模型。如果目标类型包括至少两种,此时可以设置对应的至少两种目标类型检测模型。或者,设置用户类型检测模型对两种目标类型进行检测,即用户类型检测模型的输出标签可以是两种目标类型。
本说明书实施例中,对于用户类型检测模型,可以通过以下步骤训练得到:
周期性获取用户样本数据集,所述用户样本数据集可以包括样本用户的行为信息、样本用户的环境信息以及对应的标签;
基于所述样本用户的行为信息和样本用户的环境信息,使用预设机器学习模型进行用户类型检测训练,在用户类型检测训练中调整所述预设机器学习模型的模型参数至所述预设机器学习模型的输出的用户类型标签与所述用户样本数据集中对应的标签满足误差阈值,得到用户类型检测模型。进一步地,可以通过用户类型检测模型对用户进行检测,得到目标用户,从而进行相应的信息推送。
其中,在游戏加速器的场景中,作为一个示例,样本用户的行为信息可以包括样本用户的游戏行为信息、样本用户的付费行为信息。例如,游戏行为信息可以包括游戏类型信息、用户玩一次游戏的平均时长、游戏属性、游戏数量等;付费行为信息可以包括付费时机信息、付费频次信息、续费转化信息、价格敏感程度信息、消费习惯信息等。
样本用户的环境信息可以包括样本用户的网络环境信息、样本用户的硬件环境信息。例如,网络环境信息可以包括游戏延迟信息、游戏丢包信息、运营商分布信息等;硬件环境信息可以包括用户的操作系统信息、处理器信息等。
需要说明的是,在加速器的优惠信息推送中,可以对用户样本数据集进行清洗,比如剔除国服用户和已充值用户。其中,国服用户可以是指用户使用的服务器为国内服务器,这两种用户对加速器的优惠信息一般没有需求。以下的用户样本数据集也可以进行类似的清洗。
本说明书实施例中,对于目标类型检测模型,可以通过图2的方法训练得到。图2示出根据本申请一实施例的目标类型检测模型的训练方法的流程图。如图2所示,所述方法可以包括:
S201,获取第一预设时间段内的用户样本数据集以及目标用户样本数据标准信息,其中,所述用户样本数据集包括样本用户的行为信息和所述样本用户的环境信息。
本说明书实施例中,目标用户样本数据标准信息可以是预先设置的、用于表征目标类型对应的目标用户的特征信息。比如对于上述B类型,该B类型对应的目标用户样本数据标准信息可以包括:玩一次游戏的平均时长为1~1.5小时、游戏数量3~5个、付费时机为优惠力度大时付费、付费频次低、续费转化率低、具有价格敏感度、游戏延迟时间长、游戏丢包率高、运营商分布单一、操作系统版本低、处理器速度慢。本申请对此不作限定,只要目标用户样本数据标准信息可以有效表征对应的目标类型的目标用户的特征即可。
S203,基于所述目标用户样本数据标准信息、所述样本用户的行为信息和所述样本用户的环境信息,将所述用户样本数据集划分为目标用户样本数据集和非目标用户样本数据集。
本说明书实施例中,可以将样本用户的行为信息和样本用户的环境信息与目标用户样本数据标准信息匹配,得到匹配信息,若匹配信息满足匹配阈值,可以将满足匹配阈值的样本用户划分至目标用户样本数据集,将不满足匹配阈值的样本用户划分至非目标用户样本数据集。其中,匹配阈值可以根据实际需求设置,例如可以是匹配比例,比如90%,本申请对此不作限定。也就是说,通过该划分,可以得到用户目标类型检测模型的正样本和负样本。
S205,将所述目标用户样本数据集的标签设置为目标类型,将所述非目标用户样本数据集的标签设置为非目标类型;
S207,获取所述目标用户样本数据集对应的目标样本用户的行为信息和所述目标样本用户的环境信息、以及所述非目标用户样本数据集对应的非目标样本用户的行为信息和所述非目标样本用户的环境信息;
S209,基于所述目标样本用户的行为信息和所述目标样本用户的环境信息以及所述非目标样本用户的行为信息和所述非目标样本用户的环境信息,使用预设机器学习模型进行目标类型检测训练,在目标类型检测训练中调整所述预设机器学习模型的模型参数至所述预设机器学习模型输出的标签与所述目标用户样本数据集和非目标用户样本数据集中对应的标签满足误差阈值,得到目标类型检测模型。
通过采集与目标类型匹配的目标样本用户的行为信息和环境信息以及不匹配的非目标样本用户的行为信息和环境信息,以用于目标类型检测模型的训练,可以使得目标类型检测模型对目标类型的检测更加精准。
本说明书实施例中,还可以通过以下步骤对目标类型检测模型进行不断优化,从而可以适应实际需求的变化。目标类型检测模型的优化包括:
获取第二预设时间段内的用户样本数据集;其中,所述第二预设时间段的时长大于所述第一预设时间段的时长,且所述第二预设时间段的结束时间在所述第一预设时间段的结束时间之后;即可以保证用于目标类型检测模型优化的用户样本数据集更靠近当前时间。这样可以保证优化的目标类型检测模型更具时效性,能够有效适应推送信息的更新。
基于所述第二预设时间段内的用户样本数据集,对所述目标类型检测模型进行优化。
这里目标类型检测模型的优化实质是基于更新的用户样本数据集(第二预设时间段内的用户样本数据集)对预设机器学习模型进行重新训练,以得到新的目标类型检测模型,具体可以参见S203~S209,从而实现对所述目标类型检测模型的优化。
本说明书实施例中,推送信息可以包括但不限优惠信息、游戏礼包信息等,其中,优惠信息可以包括优惠券、折扣券等。在一个示例中,该优惠信息可以是针对目标对象的优惠信息。例如,在游戏场景中,该目标对象可以是游戏中的加速器。
本说明书实施例中,在对目标用户进行细分时,会用到目标用户的表征信息,该表征信息可以是指对目标对象的需求程度信息、对目标对象的价格敏感度信息。相应地,用户子类型对应的目标表征信息也可以是指对目标对象的需求程度信息、对目标对象的价格敏感度信息。本说明书实施例中,为了对目标用户进行更加精准地信息推送,可以对目标类型检测模型检测得到的目标用户,进一步进行细分。比如对于B类型的细分,在一个示例中,以游戏加速器场景为例,可以得到B类型对应的用户子类型如表1所示:
表1
基于表1,可以根据两个维度:需要加速器的程度、价格敏感度,对B类型进行进一步划分。若将需要加速器的程度划分为2种:需要加速器的程度强、需要加速器的程度弱;将价格敏感度划分为2种:价格敏感度高、价格敏感度低;这样就可以将B类型细分为4类,如表1所示:需要加速器的程度强、价格敏感度高;需要加速器的程度强、价格敏感度低;需要加速器的程度弱、价格敏感度高;需要加速器的程度弱、价格敏感度低。这里的目标表征信息可以包括两个维度的表征信息,还可以是一个维度的表征信息等,本申请对此不作限定,可以根据实际需要设置。
可选地,还可以将需要加速器的程度划分为3种:需要加速器的程度强、需要加速器的程度中、需要加速器的程度弱;将价格敏感度也划分为3种:价格敏感度高、价格敏感度中、价格敏感度低。这样就可以将B类型细分为9类。本申请对目标类型细分的用户子类型不作限定。
基于目标类型细分的用户子类型,可以测试用户子类型对应的推送信息以及推送时机信息的组合对应的推送效果信息,从而可以基于该推送效果信息,确定最优的推送信息以及推送时机信息的组合作为各用户子类型对应的推送策略。其中,推送信息以及推送时机信息的组合可以作为推送策略。
在一个可能的实现方式中,图3示出根据本申请一实施例的确定每一用户子类型对应的目标推送策略的方法流程图。如图3所示,可以包括:
S301,获取测试用户数据集,所述测试用户数据集包括测试用户以及所述测试用户的行为信息;其中,所述测试用户数据集中的测试用户对应所述目标类型。
本说明书实施例中,可以使用上述目标类型检测模型筛选出对应所述目标类型的测试用户,将这些测试用户作为测试用户数据集。并可以获取测试用户的行为信息。并且用户子类型对应的目标推送策略是针对目标类型下细分的用户子类型的,因此测试用户数据集中的测试用户需要均属于该目标类型。
可选地,由于实际需求的不断变化和推送信息的更新等,用户子类型对应的推送信息以及对应的推送时机信息具有时效性,即用户子类型对应的目标推送策略具有时效性。为了适应这种时效性的要求,可以选择周期性地确定用户子类型对应的推送信息以及对应的推送时机信息,因此可以周期性获取测试用户数据集。
需要说明的是,每一用户类型包括的用户子类型对应的目标推送策略的确定,都可以参照该图3的方法流程图实现。
S303,基于所述测试用户的行为信息以及所述目标类型对应的用户子类型,将所述测试用户划分至对应的用户子类型中,得到每一用户子类型对应的子测试用户。
在一种可能的实现方式中,如图4所示,S303可以包括:
S401,基于所述测试用户的行为信息,确定所述测试用户的表征信息。
本说明书实施例中,如表1所示,目标表征信息包括两个维度,因此,可以对目标用户的行为信息进行量化,得到该两个维度的信息,即确定目标用户的表征信息。
S403,获取每一用户子类型对应的目标表征信息。
本说明书实施例中,可以直接从表1中获取每一用户子类型对应的目标表征信息。
S405,对所述测试用户的表征信息与所述目标表征信息进行匹配操作,确定所述测试用户对应的用户子类型。
本说明书实施例中,可以利用目标用户的表征信息与表1中的目标表征信息进行匹配,确定目标用户对应的用户子类型。比如目标用户的表征信息为需要加速器的程度强、价格敏感度高,通过匹配,得到该目标用户对应的用户子类型为B1子类型。
S407,基于所述测试用户对应的用户子类型,将所述测试用户划分至对应的用户子类型中,得到每一用户子类型对应的子测试用户。
本说明书实施例中,可以基于目标用户对应的用户子类型,得到每一用户子类型对应的目标用户,可以将每一用户子类型对应的目标用户作为每一用户子类型对应的子目标用户。
S305,分别遍历多个推送策略,每个推送策略对应至少一个推送信息和至少一个推送时机信息;
S307,在遍历到每个推送策略时,依据每个推送策略对应的推送时机信息,将每个推送策略对应的推送信息推送至对应用户子类型的子测试用户。
本说明书实施例中,可以将至少一个推送信息与至少一个推送时机信息进行组合,每一组合可以作为一个推送策略。进而可以分别遍历多个推送策略,在遍历到每个推送策略时,依据每个推送策略对应的推送时机信息,将每个推送策略对应的推送信息推送至对应用户子类型的子测试用户。这里的每一用户子类型可以测试全部的推送策略,从而找到每一用户子类型对应的目标推送策略。
S309,确定每一用户子类型对应的每个推送策略的推送效果信息。
在一种可能的实现方式中,如图5所示,S309可以包括:
S501,统计每一用户子类型对应的每个推送策略的第一指标信息和第二指标信息;
S503,获取每一用户子类型对应的子测试用户的数量;
S505,基于每一用户子类型对应的子测试用户的数量、所述第一指标信息和所述第二指标信息,确定每一用户子类型对应的每个推送策略的推送效果信息。
本说明书实施例中,第一指标信息和第二指标信息可以用于表征推送效果。在一个示例中,第一指标信息可以为付费转化率信息,第二指标信息可以为ARPU(averagerevenue per user,每用户平均收入)信息。例如,对B1子类型,可以通过统计B1子类型中子测试用户对推送信息的付费转化率,比如子测试用户的数量为20,发生付费行为的子测试用户的数据为12,则付费转化率为12/20。进一步地,可以将该12个子测试用户的付费总额除以20,得到ARPU。实际应用中,可以根据第一指标信息和第二指标信息设置相应的计算方式,本申请对此不作限定。
在一个示例中,可以通过以下公式(1),得到每一用户子类型对应的每个推送策略的推送效果信息,比如优化值M:
M=N×x×y (1)
其中,N为每一用户子类型对应的子测试用户的数量;x为第一指标信息;y为第二指标信息。
S311,基于每一用户子类型对应的每个推送策略的推送效果信息,确定每一用户子类型对应的目标推送策略。
本说明书实施例中,可以基于每一用户子类型对应的每个推送策略的推送效果信息,得到最优的推送效果信息,可以将最优的推送效果信息对应的推送策略作为每一用户子类型对应的目标推送策略。例如,可以得到每一用户子类型对应的M的最大值,进而可以将该M的最大值对应的推送策略作为每一用户子类型对应的目标推送策略。通过遍历的方式进行测试,不断优化推送策略以确定每一用户子类型对应的目标推送策略。
假设推送信息为优惠券,优惠券包括5种:优惠券1、优惠券2、优惠券3、优惠券4、优惠券5;推送时机信息可以包括4个:游戏开始时间点、游戏中、游戏结束时间点、至需要续费满足剩余时长。这里的剩余时长不作限定,比如至需要续费剩余5小时。每一用户子类型对应的目标推送策略可以如表2所示,以方便后续信息推送时使用。
表2
结合上述的表1和表2中的信息,可以实现本申请的信息推送。具体地,图6示出根据本申请一实施例的信息推送方法的流程图。如图6所示,所述信息推送方法可以包括:
S601,获取待推送用户的行为信息和所述待推送用户的环境信息。
本说明书实施例中,可以获取游戏的会员作为待推送用户,或者可以获取游戏在线的玩家作为待推送用户,本申请对此不作限定。并可以从待推送用户关联的数据中筛选出待推送用户的行为信息和待推送用户的环境信息。在游戏加速器场景中,作为一个示例,待推送用户的行为信息可以包括所述待推送用户的游戏行为信息、所述待推送用户的付费行为信息;待推送用户的环境信息可以包括所述待推送用户的网络环境信息、所述待推送用户的硬件环境信息。
S603,将所述待推送用户的行为信息和所述待推送用户的环境信息输入目标类型检测模型,进行目标类型检测处理,得到目标类型对应的目标用户。
本说明书实施例中,可以将待推送用户的行为和环境信息输入目标类型检测模型,进行目标类型检测处理,直接筛选出目标类型对应的目标用户。
S605,获取所述目标类型对应的用户子类型以及所述用户子类型对应的目标推送策略,所述用户子类型对应的目标推送策略包括所述用户子类型对应的目标推送信息和所述用户子类型对应的目标推送时机信息。
本说明书实施例中,可以从表1中获取目标类型对应的用户子类型;从表2中直接获取用户子类型对应的目标推送信息和对应的目标推送时机信息。
S607,基于所述目标用户的行为信息以及所述目标类型对应的用户子类型,将所述目标用户划分至对应的用户子类型中,得到每一用户子类型对应的子目标用户;该步骤可以参见S303,在此不再赘述。
在一种可能的实现方式中,S607可以包括:
基于所述目标用户的行为信息,确定所述目标用户的表征信息;
获取每一用户子类型对应的目标表征信息;
对所述目标用户的表征信息与目标表征信息进行匹配操作,确定所述目标用户对应的用户子类型;
基于所述目标用户对应的用户子类型,将所述目标用户划分至对应的用户子类型中,得到每一用户子类型对应的子目标用户。
以上S607的实现方法可以参见S401~S407,在此不再赘述。
S609,依据所述对应的目标推送时机信息,将所述对应的目标推送信息推送至对应的子目标用户。
本说明书实施例中,可以在对应的目标推送时机信息满足时,将对应的目标推送信息推送至对应的子目标用户。例如对于B2子类型对应的子目标用户,如表2所示,可以在游戏中和游戏结束时间点,将对应的目标推送信息发送至对应的子目标用户。例如,可以通过tips渠道将对应的目标推送信息发送至对应的子目标用户,本申请对目标推送信息的发送方式不作限定。其中,tips渠道可以是指用于以弹窗方式发送信息的渠道。
可选地,子目标用户的终端可以显示目标推送信息。比如在游戏中,推送信息以弹窗的方式显示,如图7所示。子目标用户可以在终端查看到推送信息,并可以执行相应操作,比如选择领取。领取后,还可以选择使用相应优惠券等。
本申请通过目标类型检测模型和目标类型的设置,可以自动高效且精准的定位到目标用户;并且通过进一步对目标用户进行细分,可以高效且更精细地对子目标用户进行信息推送;
并且,通过用户子类型对应的目标推送策略的设置,可以在有效的时间节点,向子目标用户推送合适的推送信息,在精准定位目标用户以及子目标用户的基础上,进一步从推送策略上,提高了推送的有效性,即可以提高推送信息的转化率,在控制投入运营成本的基础上,可以提高推送成效。另外,与全量推送信息相比,还可以节约系统资源。
图8示出根据本申请一实施例的信息推送装置的框图。如图8所示,该装置可以包括:
行为和环境信息获取模块,用于获取待推送用户的行为信息和所述待推送用户的环境信息;
目标用户获取模块801,用于将所述待推送用户的行为信息和所述待推送用户的环境信息输入目标类型检测模型,进行目标类型检测处理,得到目标类型对应的目标用户;
用户子类型及目标推送策略获取模块803,用于获取所述目标类型对应的用户子类型以及所述用户子类型对应的目标推送策略,所述用户子类型对应的目标推送策略包括所述用户子类型对应的目标推送信息和所述用户子类型对应的目标推送时机信息;
子目标用户获取模块805,用于基于所述目标用户的行为信息以及所述目标类型对应的用户子类型,将所述目标用户划分至对应的用户子类型中,得到每一用户子类型对应的子目标用户;
信息推送模块807,用于依据所述对应的目标推送时机信息,将所述对应的目标推送信息推送至对应的子目标用户。
本申请通过目标类型检测模型和目标类型的设置,可以自动高效且精准的定位到目标用户;并且通过进一步对目标用户进行细分,可以高效且更精细地对子目标用户进行信息推送;
并且,通过用户子类型对应的目标推送策略的设置,可以在有效的时间节点,向子目标用户推送合适的推送信息,在精准定位目标用户以及子目标用户的基础上,进一步从推送策略上,提高了推送的有效性,即可以提高推送信息的转化率,在控制投入运营成本的基础上,可以提高推送成效。另外,与全量推送信息相比,还可以节约系统资源。
在一种可能的实现方式中,所述装置还可以包括:
测试用户数据集获取模块,用于获取测试用户数据集,所述测试用户数据集包括测试用户以及所述测试用户的行为信息;其中,所述测试用户数据集中的测试用户对应所述目标类型;
子测试用户获取模块,用于基于所述测试用户的行为信息以及所述目标类型对应的用户子类型,将所述测试用户划分至对应的用户子类型中,得到每一用户子类型对应的子测试用户;
推送策略遍历模块,用于分别遍历多个推送策略,每个推送策略对应至少一个推送信息和至少一个推送时机信息;以及,在遍历到每个推送策略时,依据每个推送策略对应的推送时机信息,将每个推送策略对应的推送信息推送至对应用户子类型的子测试用户;
推送效果信息确定模块,用于确定每一用户子类型对应的每个推送策略的推送效果信息;
目标推送策略确定模块,用于基于每一用户子类型对应的每个推送策略的推送效果信息,确定每一用户子类型对应的目标推送策略。
在一种可能的实现方式中,推送效果信息确定模块可以包括:
统计单元,用于统计每一用户子类型对应的每个推送策略的第一指标信息和第二指标信息;
子测试用户的数量获取单元,用于获取每一用户子类型对应的子测试用户的数量;
推送效果信息确定单元,用于基于每一用户子类型对应的子测试用户的数量、所述第一指标信息和所述第二指标信息,确定每一用户子类型对应的每个推送策略的推送效果信息。
在一种可能的实现方式中,子目标用户获取模块805可以包括:
目标用户的表征信息确定单元,用于基于所述目标用户的行为信息,确定所述目标用户的表征信息;
目标表征信息获取单元,用于获取每一用户子类型对应的目标表征信息;
目标用户对应的用户子类型确定单元,用于对所述目标用户的表征信息与所述目标表征信息进行匹配操作,确定所述目标用户对应的用户子类型;
子目标用户获取单元,用于基于所述目标用户对应的用户子类型,将所述目标用户划分至对应的用户子类型中,得到每一用户子类型对应的子目标用户。
在一种可能的实现方式中,所述装置还可以包括:
用户样本获取模块,用于获取第一预设时间段内的用户样本数据集以及目标用户样本数据标准信息,其中,所述用户样本数据集包括样本用户的行为信息和所述样本用户的环境信息;
用户样本划分模块,用于基于所述目标用户样本数据标准信息、所述样本用户的行为信息和所述样本用户的环境信息,将所述用户样本数据集划分为目标用户样本数据集和非目标用户样本数据集;
用户样本标签设置模块,用于将所述目标用户样本数据集的标签设置为目标类型,将所述非目标用户样本数据集的标签设置为非目标类型;
用户样本信息获取模块,用于获取所述目标用户样本数据集对应的目标样本用户的行为信息和所述目标样本用户的环境信息、以及所述非目标用户样本数据集对应的非目标样本用户的行为信息和所述非目标样本用户的环境信息;
目标类型检测模型训练模块,用于基于所述目标样本用户的行为信息和所述目标样本用户的环境信息以及所述非目标样本用户的行为信息和所述非目标样本用户的环境信息,使用预设机器学习模型进行目标类型检测训练,在目标类型检测训练中调整所述预设机器学习模型的模型参数至所述预设机器学习模型输出的标签与所述目标用户样本数据集和非目标用户样本数据集中对应的标签满足误差阈值,得到目标类型检测模型。
在一种可能的实现方式中,所述装置还可以包括:
用户样本获取模块,还用于获取第二预设时间段内的用户样本数据集;其中,所述第二预设时间段的时长大于所述第一预设时间段的时长,且所述第二预设时间段的结束时间在所述第一预设时间段的结束时间之后;
目标类型检测模型优化模块,用于基于所述第二预设时间段内的用户样本数据集,对所述目标类型检测模型进行优化。
关于上述实施例中的装置,其中各个模块和单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
另一方面,本申请提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述的各种可选实现方式中提供的信息推送方法。
图9是根据一示例性实施例示出的一种用于信息推送装置900的框图。例如,装置900可以被提供为一服务器。参照图9,装置900包括处理组件922,其进一步包括一个或多个处理器,以及由存储器932所代表的存储器资源,用于存储可由处理组件922的执行的指令,例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件922被配置为执行指令,以执行上述方法。
装置900还可以包括一个电源组件926被配置为执行装置900的电源管理,一个有线或无线网络接口950被配置为将装置900连接到网络,和一个输入输出(I/O)接口958。装置900可以操作基于存储在存储器932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器932,上述计算机程序指令可由装置900的处理组件922执行以完成上述方法。
本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种信息推送方法,其特征在于,所述方法包括:
获取待推送用户的行为信息和所述待推送用户的环境信息;
将所述待推送用户的行为信息和所述待推送用户的环境信息输入目标类型检测模型,进行目标类型检测处理,得到目标类型对应的目标用户;
获取所述目标类型对应的用户子类型以及所述用户子类型对应的目标推送策略,所述用户子类型对应的目标推送策略包括所述用户子类型对应的目标推送信息和所述用户子类型对应的目标推送时机信息;
基于所述目标用户的行为信息以及所述目标类型对应的用户子类型,将所述目标用户划分至对应的用户子类型中,得到每一用户子类型对应的子目标用户;
依据所述对应的目标推送时机信息,将所述对应的目标推送信息推送至对应的子目标用户;
其中,所述方法还包括:
获取测试用户数据集,所述测试用户数据集包括测试用户以及所述测试用户的行为信息;其中,所述测试用户数据集中的测试用户对应所述目标类型;
基于所述测试用户的行为信息以及所述目标类型对应的用户子类型,将所述测试用户划分至对应的用户子类型中,得到每一用户子类型对应的子测试用户;
分别遍历多个推送策略,每个推送策略对应至少一个推送信息和至少一个推送时机信息;
在遍历到每个推送策略时,依据每个推送策略对应的推送时机信息,将每个推送策略对应的推送信息推送至对应用户子类型的子测试用户;
确定每一用户子类型对应的每个推送策略的推送效果信息;
基于每一用户子类型对应的每个推送策略的推送效果信息,确定每一用户子类型对应的目标推送策略。
2.根据权利要求1所述的方法,其特征在于,所述确定每一用户子类型对应的每个推送策略的推送效果信息,包括:
统计每一用户子类型对应的每个推送策略的第一指标信息和第二指标信息;
获取每一用户子类型对应的子测试用户的数量;
基于每一用户子类型对应的子测试用户的数量、所述第一指标信息和所述第二指标信息,确定每一用户子类型对应的每个推送策略的推送效果信息。
3.根据权利要求1或2所述的方法,其特征在于,所述基于所述目标用户的行为信息以及所述目标类型对应的用户子类型,将所述目标用户划分至对应的用户子类型中,得到每一用户子类型对应的子目标用户,包括:
基于所述目标用户的行为信息,确定所述目标用户的表征信息;
获取每一用户子类型对应的目标表征信息;
对所述目标用户的表征信息与所述目标表征信息进行匹配操作,确定所述目标用户对应的用户子类型;
基于所述目标用户对应的用户子类型,将所述目标用户划分至对应的用户子类型中,得到每一用户子类型对应的子目标用户。
4.根据权利要求1所述的方法,其特征在于,所述待推送用户的行为信息包括所述待推送用户的游戏行为信息、所述待推送用户的付费行为信息;所述待推送用户的环境信息包括所述待推送用户的网络环境信息、所述待推送用户的硬件环境信息。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第一预设时间段内的用户样本数据集以及目标用户样本数据标准信息,其中,所述用户样本数据集包括样本用户的行为信息和所述样本用户的环境信息;
基于所述目标用户样本数据标准信息、所述样本用户的行为信息和所述样本用户的环境信息,将所述用户样本数据集划分为目标用户样本数据集和非目标用户样本数据集;
将所述目标用户样本数据集的标签设置为目标类型,将所述非目标用户样本数据集的标签设置为非目标类型;
获取所述目标用户样本数据集对应的目标样本用户的行为信息和所述目标样本用户的环境信息、以及所述非目标用户样本数据集对应的非目标样本用户的行为信息和所述非目标样本用户的环境信息;
基于所述目标样本用户的行为信息和所述目标样本用户的环境信息以及所述非目标样本用户的行为信息和所述非目标样本用户的环境信息,使用预设机器学习模型进行目标类型检测训练,在目标类型检测训练中调整所述预设机器学习模型的模型参数至所述预设机器学习模型输出的标签与所述目标用户样本数据集和非目标用户样本数据集中对应的标签满足误差阈值,得到目标类型检测模型。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取第二预设时间段内的用户样本数据集;其中,所述第二预设时间段的时长大于所述第一预设时间段的时长,且所述第二预设时间段的结束时间在所述第一预设时间段的结束时间之后;
基于所述第二预设时间段内的用户样本数据集,对所述目标类型检测模型进行优化。
7.一种信息推送装置,其特征在于,包括:
行为和环境信息获取模块,用于获取待推送用户的行为信息和所述待推送用户的环境信息;
目标用户获取模块,用于将所述待推送用户的行为信息和所述待推送用户的环境信息输入目标类型检测模型,进行目标类型检测处理,得到目标类型对应的目标用户;
用户子类型及目标推送策略获取模块,用于获取所述目标类型对应的用户子类型以及所述用户子类型对应的目标推送策略,所述用户子类型对应的目标推送策略包括所述用户子类型对应的目标推送信息和所述用户子类型对应的目标推送时机信息;
子目标用户获取模块,用于基于所述目标用户的行为信息以及所述目标类型对应的用户子类型,将所述目标用户划分至对应的用户子类型中,得到每一用户子类型对应的子目标用户;
信息推送模块,用于依据所述对应的目标推送时机信息,将所述对应的目标推送信息推送至对应的子目标用户;
其中,所述信息推送装置还包括:
测试用户数据集获取模块,用于获取测试用户数据集,所述测试用户数据集包括测试用户以及所述测试用户的行为信息;其中,所述测试用户数据集中的测试用户对应所述目标类型;
子测试用户获取模块,用于基于所述测试用户的行为信息以及所述目标类型对应的用户子类型,将所述测试用户划分至对应的用户子类型中,得到每一用户子类型对应的子测试用户;
推送策略遍历模块,用于分别遍历多个推送策略,每个推送策略对应至少一个推送信息和至少一个推送时机信息;以及,在遍历到每个推送策略时,依据每个推送策略对应的推送时机信息,将每个推送策略对应的推送信息推送至对应用户子类型的子测试用户;
推送效果信息确定模块,用于确定每一用户子类型对应的每个推送策略的推送效果信息;
目标推送策略确定模块,用于基于每一用户子类型对应的每个推送策略的推送效果信息,确定每一用户子类型对应的目标推送策略。
8.一种信息推送设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令以实现权利要求1至6中任意一项所述的方法。
9.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964723.9A CN112084412B (zh) | 2020-09-15 | 2020-09-15 | 信息推送方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964723.9A CN112084412B (zh) | 2020-09-15 | 2020-09-15 | 信息推送方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084412A CN112084412A (zh) | 2020-12-15 |
CN112084412B true CN112084412B (zh) | 2023-10-20 |
Family
ID=73736290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010964723.9A Active CN112084412B (zh) | 2020-09-15 | 2020-09-15 | 信息推送方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084412B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115225702B (zh) * | 2021-04-19 | 2023-08-08 | 北京达佳互联信息技术有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN113988152A (zh) * | 2021-09-23 | 2022-01-28 | 北京达佳互联信息技术有限公司 | 用户类型预测模型训练方法、资源分配方法、介质及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8949250B1 (en) * | 2013-12-19 | 2015-02-03 | Facebook, Inc. | Generating recommended search queries on online social networks |
CN105335409A (zh) * | 2014-07-31 | 2016-02-17 | 华为技术有限公司 | 一种目标用户的确定方法、设备和网络服务器 |
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
CN108520048A (zh) * | 2018-03-30 | 2018-09-11 | 掌阅科技股份有限公司 | 基于电子书的活动内容推送方法及电子设备 |
CN108536804A (zh) * | 2018-03-30 | 2018-09-14 | 掌阅科技股份有限公司 | 基于电子书的信息推送方法、电子设备及计算机存储介质 |
CN109977296A (zh) * | 2019-01-17 | 2019-07-05 | 苏州达家迎信息技术有限公司 | 一种信息推送方法、装置、设备及存储介质 |
CN110362750A (zh) * | 2019-07-19 | 2019-10-22 | 北京字节跳动网络技术有限公司 | 目标用户确定方法、装置、电子设备和计算机可读介质 |
CN110413893A (zh) * | 2019-07-31 | 2019-11-05 | 腾讯科技(北京)有限公司 | 对象推送方法、装置、计算机设备及存储介质 |
CN110704727A (zh) * | 2019-08-30 | 2020-01-17 | 中国平安人寿保险股份有限公司 | 信息推送方法、装置和计算机设备 |
CN111209478A (zh) * | 2020-01-03 | 2020-05-29 | 京东数字科技控股有限公司 | 任务推送方法及装置、存储介质及电子设备 |
CN111382361A (zh) * | 2020-03-12 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置、存储介质和计算机设备 |
CN111400603A (zh) * | 2020-03-20 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 一种信息推送方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-09-15 CN CN202010964723.9A patent/CN112084412B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8949250B1 (en) * | 2013-12-19 | 2015-02-03 | Facebook, Inc. | Generating recommended search queries on online social networks |
CN105335409A (zh) * | 2014-07-31 | 2016-02-17 | 华为技术有限公司 | 一种目标用户的确定方法、设备和网络服务器 |
CN108090162A (zh) * | 2017-12-13 | 2018-05-29 | 北京百度网讯科技有限公司 | 基于人工智能的信息推送方法和装置 |
CN108520048A (zh) * | 2018-03-30 | 2018-09-11 | 掌阅科技股份有限公司 | 基于电子书的活动内容推送方法及电子设备 |
CN108536804A (zh) * | 2018-03-30 | 2018-09-14 | 掌阅科技股份有限公司 | 基于电子书的信息推送方法、电子设备及计算机存储介质 |
CN109977296A (zh) * | 2019-01-17 | 2019-07-05 | 苏州达家迎信息技术有限公司 | 一种信息推送方法、装置、设备及存储介质 |
CN110362750A (zh) * | 2019-07-19 | 2019-10-22 | 北京字节跳动网络技术有限公司 | 目标用户确定方法、装置、电子设备和计算机可读介质 |
CN110413893A (zh) * | 2019-07-31 | 2019-11-05 | 腾讯科技(北京)有限公司 | 对象推送方法、装置、计算机设备及存储介质 |
CN110704727A (zh) * | 2019-08-30 | 2020-01-17 | 中国平安人寿保险股份有限公司 | 信息推送方法、装置和计算机设备 |
CN111209478A (zh) * | 2020-01-03 | 2020-05-29 | 京东数字科技控股有限公司 | 任务推送方法及装置、存储介质及电子设备 |
CN111382361A (zh) * | 2020-03-12 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置、存储介质和计算机设备 |
CN111400603A (zh) * | 2020-03-20 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 一种信息推送方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112084412A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9565129B2 (en) | Resource provisioning planning for enterprise migration and automated application discovery | |
US10332184B2 (en) | Personalized application recommendations | |
CN110347596A (zh) | 一种测试方法、装置、系统、电子设备及介质 | |
US20200258117A1 (en) | System and a method for surveying advertisements in mobile applications | |
CN105023165A (zh) | 社交网络平台中投放任务的控制方法、装置及系统 | |
CN112084412B (zh) | 信息推送方法、装置、设备及存储介质 | |
CN110300084B (zh) | 基于ip地址的画像方法和装置,电子设备,可读介质 | |
US20240214428A1 (en) | Platform for management and tracking of collaborative projects | |
CN109388674A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
US11275994B2 (en) | Unstructured key definitions for optimal performance | |
US10537801B2 (en) | System and method for decision making in strategic environments | |
CN111460384A (zh) | 策略的评估方法、装置和设备 | |
CN110110201A (zh) | 一种内容推荐方法和系统 | |
WO2016099447A1 (en) | Personalized application recommendations | |
US10268458B1 (en) | Prospective voice user interface modality identification | |
CN110119415A (zh) | 基于渠道投放的数据分析方法、系统、介质和电子设备 | |
CN109388693A (zh) | 一种确定分区意图的方法以及相关设备 | |
CN106156123B (zh) | 活跃值计算方法及装置 | |
CN112052399B (zh) | 一种数据处理方法、装置和计算机可读存储介质 | |
CN105610698B (zh) | 事件结果的处理方法和装置 | |
US20230084737A1 (en) | Recommend target systems for operator to attention in monitor tool | |
CN114285896B (zh) | 信息推送方法、装置、设备、存储介质及程序产品 | |
CN107403352B (zh) | 对根据产品评估确定的感兴趣主题进行优先级排序 | |
CN109285028A (zh) | 业务数据处理方法及装置、存储介质和电子设备 | |
Taneja et al. | On viewing SpaceX Starlink through the Social Media Lens |
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 |