CN112749327A - 内容推送方法和装置 - Google Patents

Abstract

本申请的实施例提供了一种内容推送方法和装置。内容推送方法包括：获取目标推送内容对应的内容特征向量、所述目标推送内容的客户端对应的设备特征向量以及所述客户端当前登录的用户的用户特征向量；将所述内容特征向量、所述设备特征向量以及所述用户特征向量输入至推送方式预测模型；利用所述推送方式预测模型其内部的多个全连接网络对所述内容特征向量、所述设备特征向量以及所述用户特征向量进行处理，得到消息推送方式标签；基于所述消息推送方式标签对应的消息推送方式将所述目标推送内容推送至客户端。本申请实施例的技术方案可以提高所选择的对内容进行推送的消息推送方式的精准度。

Description

内容推送方法和装置

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种内容推送方法和装置。

背景技术

目前，在用户使用的一些应用中，这些应用会为用户推送各种内容以供用户阅览，以提高该应用的产品活跃度和用户粘性。应用为用户所推送的内容一般会以在用户的终端界面中直接进行推送的方式来展示，该消息推送方式没有考虑到所推送的内容与用户需求的匹配度，在所推送的内容不符合用户需求时，会容易使得用户产生抵触情绪，降低用户体验，从而导致用户打开应用的频率降低。

发明内容

本申请的实施例提供了一种内容推送方法和装置，可以提高所选择的对内容进行推送的消息推送方式的精准度。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的一个方面，提供了一种内容推送方法，包括：获取目标推送内容对应的内容特征向量、所述目标推送内容的客户端对应的设备特征向量以及所述客户端当前登录的用户的用户特征向量；将所述内容特征向量、所述设备特征向量以及所述用户特征向量输入推送方式预测模型；利用所述推送方式预测模型其内部的多个全连接网络对所述内容特征向量、所述设备特征向量以及所述用户特征向量进行处理，得到消息推送方式标签；基于所述消息推送方式标签对应的消息推送方式将所述目标推送内容推送至客户端。

根据本申请实施例的一个方面，提供了一种内容推送装置，包括：第一获取单元，用于获取目标推送内容对应的内容特征向量、所述目标推送内容的客户端对应的设备特征向量以及所述客户端当前登录的用户的用户特征向量；第一输入单元，用于将所述内容特征向量、所述设备特征向量以及所述用户特征向量输入推送方式预测模型；执行单元，用于利用所述推送方式预测模型其内部的多个全连接网络对所述内容特征向量、所述设备特征向量以及所述用户特征向量进行处理，得到消息推送方式标签；推送单元，用于基于所述消息推送方式标签对应的消息推送方式将所述目标推送内容推送至客户端。

在本申请的一些实施例中，基于前述方案，所述执行单元被配置为：第一映射子单元，用于利用所述推送方式预测模型其内部的第一全连接网络对所述内容特征向量进行映射生成第一特征向量；第二映射子单元，用于利用所述推送方式预测模型其内部的第二全连接网络对所述用户特征向量进行映射生成第二特征向量；第一执行子单元，用于通过所述推送方式预测模型其内部的第三全连接网络和所述第一特征向量、所述第二特征向量、所述设备特征向量得到消息推送方式标签。

在本申请的一些实施例中，基于前述方案，所述第一执行子单元被配置为：基于所述第一特征向量以及第二特征向量进行语义匹配处理，生成第三特征向量；通过所述推送方式预测模型其内部的第三全连接网络对所述第一特征向量、第二特征向量、第三特征向量和所述设备特征向量进行分类处理，得到消息推送方式标签。

在本申请的一些实施例中，基于前述方案，所述第一执行子单元被配置为：将所述第一特征向量、第二特征向量、第三特征向量和所述设备特征向量进行拼接处理，生成拼接向量；通过所述推送方式预测模型其内部的第三全连接网络对所述拼接向量进行分类处理，得到消息推送方式标签。

在本申请的一些实施例中，基于前述方案，所述第一获取单元被配置为：根据所述目标推送内容生成内容特征向量；根据所述客户端对应的设备信息生成所述设备特征向量；根据所述用户的用户信息生成用户特征向量。

在本申请的一些实施例中，基于前述方案，所述第一获取单元被配置为：获取与所述目标推送内容的目标分类标签相同的各个推送内容针对所有客户端的历史推送记录；根据所述历史推送记录，确定所述目标分类标签下的推送内容采用各个消息推送方式标签对应的消息推送方式进行推送的内容统计参数；根据所述内容统计参数，生成内容特征向量。

在本申请的一些实施例中，基于前述方案，所述第一获取单元被配置为：根据所述用户标识获取当前登录的用户针对与所述目标推送内容的目标分类标签相同的各个推送内容的历史阅览记录；根据所述历史阅览记录，确定采用各个消息推送方式标签对应的消息推送方式进行推送的内容阅览参数；根据所述内容阅览参数，生成用户特征向量。

在本申请的一些实施例中，基于前述方案，所述内容推送装置，还包括：第二获取单元，用于获取用于对待训练的机器学习模型进行训练的训练集样本数据，所述训练集样本数据中的每条样本数据均包括内容特征向量、设备特征向量、用户特征向量以及消息推送方式标签；训练单元，用于通过所述训练集样本数据对待训练的机器学习模型进行训练，得到训练后的机器学习模型。

在本申请的一些实施例中，基于前述方案，所述内容推送装置还包括：第三获取单元，用于获取用于对训练后的机器学习模型进行校验的测试集样本数据，所述测试集样本数据中的每条样本数据均包括内容特征向量、设备特征向量、用户特征向量以及消息推送方式标签；第二输入单元，用于将所述测试集样本数据的每条样本数据的内容特征向量、设备特征向量以及用户特征向量输入至训练后的机器学习模型，输出得到预测的消息推送方式标签；校验单元，用于若所述测试集样本数据中的消息推送方式标签与预测的消息推送方式标签一致的样本数据条数占所述测试集样本数据中总样本数据条数的比例超过预定比例阈值，则将训练后的机器学习模型识别为所述推送方式预测模型。

根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的内容推送方法。

根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的内容推送方法。

在本申请的一些实施例所提供的技术方案中，通过根据目标推送内容对应的内容特征向量、客户端对应的设备特征向量以及客户端当前登录的用户的用户特征向量，可以在考虑到所推送的内容与阅览该内容的用户需求的匹配度前提下，选择合适的消息推送方式，以提高所选择的对推送内容进行推送的消息推送方式的精准度，进而减少由于采用不合适的消息推送方式进行推送的情况，由此避免用户产生抵触情绪，提高了产品的用户粘性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。

图2示出了根据本申请的一个实施例的内容推送方法的流程图。

图3示出了根据本申请的一个实施例的内容推送方法的步骤S210的具体流程图。

图4A-4C示出了根据本申请的一个实施例的推送内容所采用的内容推送方式的示意图。

图5示出了根据本申请的一个实施例的内容推送方法的步骤S310的具体流程图。

图6示出了根据本申请的一个实施例的内容推送方法的步骤S330的具体流程图。

图7示出了根据本申请的一个实施例的内容推送方法的流程图。

图8示出了根据本申请的一个实施例的内容推送方法的流程图。

图9示出了根据本申请的一个实施例的内容推送方法的步骤S230的具体流程图。

图10示出了根据本申请的一个实施例的推送方式预测模型的内部结构示意图。

图11示出了根据本申请的一个实施例的内容推送方法的步骤S930的具体流程图。

图12示出了根据本申请的一个实施例的内容推送方法的步骤S1120的具体流程图。

图13示出了根据本申请的一个实施例的内容推送装置的框图。

图14示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

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。

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。

图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。

如图1所示，系统架构可以包括客户端101(如图1中所示智能手机、平板电脑和便携式计算机中的一种或多种，当然也可以是台式计算机等等)、网络102和服务器端103。网络102用以在客户端101和服务器端103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线通信链路、无线通信链路等等。

应该理解，图1中的客户端101、网络102和服务器端103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客户端101、网络102和服务器端103，比如服务器端103可以是多个服务器组成的服务器集群等。客户端101通过网络102与服务器端103交互，以接收或发送消息等，服务器端103可以是提供各种服务的服务器。

服务器端103获取待推送的目标推送内容对应的内容特征向量、接收到该目标推送内容的客户端101对应的设备特征向量以及客户端101当前登录的用户的用户特征向量；将内容特征向量、设备特征向量以及用户特征向量输入推送方式预测模型；利用推送方式预测模型其内部的多个全连接网络对内容特征向量、设备特征向量以及用户特征向量进行处理，得到消息推送方式标签；基于消息推送方式标签对应的消息推送方式将目标推送内容推送至客户端101，以使得用户通过客户端101查看目标推送内容，通过根据目标推送内容对应的内容特征向量、客户端101对应的设备特征向量以及客户端101当前登录的用户的用户特征向量，可以在考虑到所推送的内容与阅览该内容的用户需求的匹配度前提下，选择合适的消息推送方式，以提高所选择的对推送内容进行推送的消息推送方式的精准度，进而减少由于采用不合适的消息推送方式进行推送的情况，由此避免用户产生抵触情绪，提高了产品的用户粘性。

需要说明的是，本申请实施例所提供的内容推送方法一般由服务器端103执行，相应地，内容推送装置一般设置于服务器端103中。但是，在本申请的其它实施例中，客户端101也可以与服务器端103具有相似的功能，从而执行本申请实施例所提供的内容推送方法的方案。如，客户端101接收服务器端103下发的目标推送内容，客户端101获取目标推送内容对应的内容特征向量、接收该目标推送内容的客户端101对应的设备特征向量以及客户端101当前登录的用户的用户特征向量；将内容特征向量、设备特征向量以及用户特征向量输入推送方式预测模型；利用推送方式预测模型其内部的多个全连接网络对内容特征向量、设备特征向量以及用户特征向量进行处理，得到消息推送方式标签；客户端101基于消息推送方式标签对应的消息推送方式将目标推送内容在客户端101进行推送，以使用户通过客户端101查看该目标推送内容。

以下对本申请实施例的技术方案的实现细节进行详细阐述。

图2示出了根据本申请的一个实施例的内容推送方法的流程图，该内容推送方法可以由服务器来执行，该服务器可以是图1中所示的服务器端103。参照图2所示，该内容推送方法至少包括步骤S210至步骤S240，详细介绍如下：

在步骤S210中，获取目标推送内容对应的内容特征向量、所述目标推送内容的客户端对应的设备特征向量以及所述客户端当前登录的用户的用户特征向量。

在一个实施例中，目标推送内容为服务器端推送至客户端的某种推送内容，用以提供给用户进行阅览，如文章或视频。

内容特征向量作为表征该目标推送内容所具有的特性信息，设备特征向量作为表征接收该目标推送内容的客户端对应的设备所具有的特性信息，用户特征向量作为表征客户端当前登录的用户所具有的特性信息。内容特征向量、设备特征向量以及用户特征向量可以在接收到目标推送内容时预生成。

参考图3，图3示出了根据本申请的一个实施例的内容推送方法的步骤S210的具体流程图，该步骤S210可以包括步骤S310至步骤S330。需要指出的是，步骤S310至步骤S330并无确定的先后顺序，如步骤S310至步骤S330可以在不同线程中同时执行，步骤S310至步骤S330的详细描述如下。

在步骤S310中，根据所述目标推送内容生成内容特征向量。

内容特征向量为根据目标推送内容所包含的属性信息所生成的特征向量信息，用于表征该目标推送内容所具有的特性信息。目标推送内容所包含的属性信息可以包括各个推送内容的分类标签信息、内容记录信息以及操作记录信息。

分类标签信息可以为针对每个推送内容所设定的类型标签，如金融、教育、游戏等。内容记录信息可以为针对每个推送内容所包含的内容进行记录的信息，如字数、标点数、表情数、文章内嵌图片数量等。操作记录信息可以为针对各个客户端的用户对某个推送内容执行相应的阅览操作后所记录的操作信息，如该推送内容的点击数、点击率、评论数、收藏数、点赞数、曝光数等。

基于目标推送内容生成的内容特征向量，可以准确地反映该目标推送内容所包含的特性，从而便于根据目标推送内容的特性与客户端当前登录的用户特性之间进行匹配，在一定程度上提高了所选择的对内容进行推送的消息推送方式的精准度。

参考图4A-4C，图4A-4C示出了根据本申请的一个实施例的推送内容所采用的内容推送方式的示意图。

在一个实施例中，可以采用如图所示的内容推送方式来在客户端的应用界面推送，图4A所示的内容推送方式为锁屏栏推送方式，用于在客户端界面的中间区域持续地展示推送内容对应的推送消息，直到用户输入关闭推送消息的指令或点击该推送消息查看对应的推送内容，进而关闭该推送消息；图4B所示的内容推送方式为状态栏推送方式，用于在客户端界面的上方区域展示推送内容对应的推送消息，且仅展示预定时间，例如仅展示3秒则该推送消息会放置于客户端的消息后台，在用户阅览该推送消息时，用户可以在客户端的消息后台上点击该推送消息查看推送内容。图4C所示的内容推送方式为通知栏推送方式，用于在应用中的消息推送界面进行展示，用户需要进入到该应用中的消息推送界面才能查看到该展示推送内容对应的推送消息，进而查看推送内容。需要指出的是，在所推送的目标推送内容与用户需求的匹配度较高，可以采用锁屏栏推送方式来推送目标推送内容；在所推送的目标推送内容与用户需求的匹配度较低，可以采用通知栏推送方式或通知栏推送方式来推送目标推送内容。

参考图5，图5示出了根据本申请的一个实施例的内容推送方法的步骤S310的具体流程图，该步骤S310可以包括步骤S510至步骤S530，详细描述如下。

在步骤S510中，获取与所述目标推送内容的目标分类标签相同的各个推送内容针对所有客户端的历史推送记录。

目标推送内容所包含的属性信息还可以包括内容统计参数，该内容统计参数为各个分类标签的推送内容采用各个相应的消息推送方式标签对应的消息推送方式进行推送的统计参数。

为了根据内容统计参数生成内容特征向量，需要先获取与目标推送内容的目标分类标签相同的各个推送内容针对所有客户端的历史推送记录，该历史推送记录可以为客户端针对每个推送内容的进行操作时生成的日志信息，该日志信息至少包括推送内容的分类标签、对该推送内容进行推送的消息推送方式标签以及客户端是否点击该推送内容的点击记录信息。需要指出的是，历史推送记录可以为距离当前时间之前的一定时间段内的历史推送记录，如可以为距离当前时间一个月以内的所有历史推送记录。

在步骤S520中，根据所述历史推送记录，确定所述目标分类标签下的推送内容采用各个消息推送方式标签对应的消息推送方式进行推送的内容统计参数。

为了确定采用各个消息推送方式标签对应的消息推送方式进行推送的内容统计参数，将根据对每个推送内容进行推送的消息推送方式标签以及客户端是否点击该推送内容信息的点击记录信息，来确定采用不同的消息推送方式标签对应的消息推送方式进行推送的内容统计参数。

该统计参数的类型可以包括推送数、点击数、点击率，推送数为采用不同的消息推送方式的总推送数，点击数为针对采用该推送方式来对推送内容进行推送时，针对该推送内容的总点击数，点击率为针对该推送方式的总点击数与总推送数的比值。

以目标推送内容是金融类的推送内容为例，若针对金融类的推送内容，采用A推送方式推送金融类的推送内容的6000次，点击数为3000次；采用B推送方式推送金融类的推送内容的3000次，点击数为1800次；采用C推送方式推送金融类的推送内容的1000次，点击数为900次；那么对于金融类的推送内容，采用A推送方式来推送金融类的推送内容的内容统计参数为推送数6000次、点击数3000、点击率50％，采用B推送方式来推送金融类的推送内容的内容统计参数为推送数3000次、点击数1800、点击率60％，采用C推送方式来推送金融类的推送内容的内容统计参数为推送数1000次、点击数900、点击率90％。

在步骤S530中，根据所述内容统计参数，生成内容特征向量。

在得到内容统计参数后，将根据该内容统计参数、内容统计参数与向量值之间的对应关系，生成对应的内容特征向量。

图5所示的实施例的技术方案中，通过根据目标推送内容所属分类标签的推送内容采用各种消息推送方式进行推送时的用户点击情况，可以更加准确地确定合适目标推送内容的消息推送方式，在一定程度上提高了所选择的对内容进行推送的消息推送方式的精准度。

还请继续参考图3，在步骤S320中，根据所述客户端对应的设备信息生成所述设备特征向量。

在一个实施例中，设备特征向量为根据接收该目标推送内容的客户端对应的设备信息所生成的特征向量信息，用于表征接收该目标推送内容的客户端对应的设备所具有的特性。

该设备信息可以包括当前所处的时间段、当前的设备厂商、当前的网络类型、当前设备屏幕亮度、当前设备电量、当前的运动状态等。具体的，当前所处的时间段可以为上午、下午、晚上、凌晨；当前的设备厂商可以为客户端对应的设备当前的设备厂商标签；当前的网络类型可以为WIFI、2G、3G、4G等；当前的设备屏幕亮度可以为设备的显示屏的亮度等级，如很暗、暗、亮、很亮等不同的亮度等级；当前设备电量可以为设备的当前电量等级，如满格、充足、较低、极低等；当前的运动状态为运动中、静止。

客户端对应的设备当前所处的时间段、当前的设备厂商、当前的网络类型、当前设备亮度、当前设备电量可以从设备对应的设备属性信息中获取，当前的运动状态可以根据设备内置的陀螺仪传感器组件进行检测所确定。

在获取客户端对应的设备信息后，可以根据该设备信息、设备信息和向量值之间的对应关系生成设备特征向量。

客户端对应的设备信息不同，会影响到消息推送方式的不同。比如，用户处于户外运动的场景时，用户处于运动状态且未使用设备的情况，那么在客户端对应的设备信息中，当前的运动状态信息为运动中，当前的设备屏幕亮度的亮度等级为很暗或者暗，当前的网络类型为2G、3G或4G。由于用户处于户外运动状态的场景下，用户当前不需要预览该推送内容的可能性较大，因此，则可以采用图4A所示的锁屏栏推送方式来推送该推送内容或来推送该推送内容，使得用户在运动完之后可以直接点击在客户端界面的中间区域的推送消息，进而方便查看该推送内容，避免用户错过感兴趣的推送内容，从而提高用户针对目标应用的活跃度，进而提高应用的产品粘性。

又比如，在用户处于睡前使用手机的场景时，用户处于使用客户端对应设备的情况，那么在客户端对应的设备信息中，当前的运动状态信息为静止；由于当前设备处于使用状态，则当前的设备亮度为亮或者很亮，由于用户处于室内，则当前的网络类型为WIFI网络，当前所处的时间段为晚上。在用户处于睡前使用手机的场景下，则可以采用图4B所示的状态栏推送方式来推送该推送内容，应避免采用图4A所示的锁屏栏推送方式来推送，由此使得用户既可以获知该推送内容，同时也避免针对该推送内容的推送消息直接在客户端的中间区域进行展示，从而避免对用户造成骚扰，进而起到提高应用的产品粘性的作用。

基于客户端对应的设备信息生成的设备特征向量，可以根据客户端对应的设备当前的使用状态来选择合适的消息推送方式，在一定程度上提高了所选择的对内容进行推送的消息推送方式的精准度，进而提高用户针对目标应用的活跃度，提高应用的产品粘性。

在步骤S330中，根据所述用户信息生成用户特征向量。

在一个实施例中，用户特征向量为根据客户端当前登录的用户的用户信息所生成的用户特征向量信息，用于表征客户端当前登录的用户所具有的特性。该用户信息可以包括性别、年龄、标签，常驻地理位置，常用设备厂商。

基于客户端当前登录的用户的用户信息生成的内容特征向量，进而可以准确挖掘客户端当前登录的用户的用户特性，从而便于根据目标推送内容的特性与客户端当前登录的用户特性之间进行匹配，在一定程度上提高了所选择的对内容进行推送的消息推送方式的精准度。

参考图6，图6示出了根据本申请的一个实施例的内容推送方法的步骤S330的具体流程图，该步骤S330可以包括步骤S610至步骤S630，详细描述如下。

在步骤S610中，根据所述用户标识获取当前登录的用户针对与所述目标推送内容的目标分类标签相同的各个推送内容的历史阅览记录。

用户信息还可以包括内容阅览参数，该内容阅览参数为采用各个消息推送方式标签对应的消息推送方式进行推送的参数信息，该参数信息的类型可以包括推送数、点击数、点击率。

为了根据内容阅览参数生成用户特征向量，需要先获取客户端当前登录的用户针对与目标推送内容的目标分类标签相同的各个推送内容的历史阅览记录，该历史阅览记录可以为客户端当前登录的用户对每个推送内容进行操作时生成的日志信息，该日志信息至少包括推送内容的分类标签、对该推送内容进行推送的消息推送方式标签以及客户端是否点击该推送内容的点击记录信息。需要指出的是，历史阅览记录可以为距离当前时间之前的一定时间段内的历史阅览记录，如可以为距离当前时间三个月以内的所有历史阅览记录。

在步骤S620中，根据所述历史阅览记录，确定采用各个消息推送方式标签对应的消息推送方式进行推送的内容阅览参数。

在获取历史阅览记录，针对客户端当前登录的用户，将根据每个推送内容在该客户端进行推送的消息推送方式标签以及客户端是否点击该推送内容信息，确定采用各个消息推送方式标签对应的消息推送方式进行推送的内容阅览参数，该内容阅览参数的类型可以包括推送数、点击数、点击率，推送数为采用不同的消息推送方式的总推送数，点击数为针对采用该推送方式来对推送内容进行推送时，针对该推送内容的总点击数，点击率为针对该推送方式的总点击数与总推送数的比值。

以金融类的推送内容为例，若针对金融类的推送内容，采用A推送方式推送金融类的推送内容的120次，点击数为90次；采用B推送方式推送金融类的推送内容的52次，点击数为26次；采用C推送方式推送金融类的推送内容的10次，点击数为3次；那么对于金融类的推送内容，采用A推送方式来推送金融类的推送内容的内容统计参数为推送数120次、点击数90、点击率75％，采用B推送方式来推送金融类的推送内容的内容统计参数为推送数52次、点击数26、点击率50％，采用C推送方式来推送金融类的推送内容的内容统计参数为推送数10次、点击数3、点击率30％。

在步骤S630中，根据所述内容阅览参数，生成用户特征向量。

在得到内容阅览参数后，将根据该容阅览参数、容阅览参数与向量值之间的对应关系，生成对应的用户特征向量。

图6所示的实施例的技术方案中，通过根据客户端的用户针对目标推送内容所属分类标签的推送内容在采用各种不用消息推送方式进行推送时的点击情况，确定适合该用户的消息推送方式，进而在一定程度上提高了所选择的对内容进行推送的消息推送方式的精准度。

还请继续参考图2，在步骤S220中，将所述内容特征向量、所述设备特征向量以及所述用户特征向量输入至推送方式预测模型。

在一个实施例中，推送方式预测模型是通过训练样本数据来对机器学习模型进行训练得到的。推送方式预测模型用于对输入的内容特征向量、设备特征向量以及用户特征向量进行处理，确定得到对推送内容进行推送的消息推送方式标签。

参考图7，图7示出了根据本申请的一个实施例的内容推送方法的流程图，该内容推送方法可以包括步骤S710至步骤S720，详细描述如下。

在步骤S710中，获取用于对待训练的机器学习模型进行训练的训练集样本数据，所述训练集样本数据中的每条样本数据均包括内容特征向量、设备特征向量、用户特征向量以及消息推送方式标签。

训练集样本数据为对历史段内的所有推送内容的推送时进行记录的相关数据所生成，训练集样本数据中的每条样本数据均包括内容特征向量、设备特征向量、用户特征向量以及消息推送方式标签，其中，内容特征向量为根据推送内容所生成，设备特征向量为根据客户端对应的设备信息所生成，用户特征向量为根据用户信息所生成。

在步骤S720中，通过所述训练集样本数据对待训练的机器学习模型进行训练，得到训练后的机器学习模型。

将训练集样本数据输入至机器学习模型中，通过训练集样本数据对待训练的机器学习模型进行训练，得到训练后的机器学习模型。对机器学习模型进行训练的过程是调整机器学习模型对应的网络结构中的各项系数，使得对于输入的内容特征向量、设备特征向量以及用户特征向量，经过机器学习模型对应的网络结构中的各项系数运算，输出结果为所确定的消息推送方式标签。

在一个实施例中，在对机器学习模型的训练过程中，还可以基于预设的优化算法来对机器学习模型对应的网络结构中的各项系数进行优化，如，可以基于Adam优化算法来对机器学习模型对应的网络结构中的各项系数进行优化，进而提高对机器学习模型进行训练的效率。

参考图8，图8示出了根据本申请的一个实施例的内容推送方法的流程图，在步骤S720之后，该内容推送方法可以包括步骤S810至步骤S830，详细描述如下。

在步骤S810中，获取用于对训练后的机器学习模型进行校验的测试集样本数据，所述测试集样本数据中的每条样本数据均包括内容特征向量、设备特征向量、用户特征向量以及消息推送方式标签。

对于训练后的机器学习模型，还需要对其进行校验，以确保机器学习模型符合预期的效果。在对训练后的机器学习模型进行校验时，可以获取用于对训练后的机器学习模型进行校验的测试集样本数据，其中，测试集样本数据中的每条样本数据均包括内容特征向量、设备特征向量、用户特征向量以及消息推送方式标签。

在步骤S820中，将所述测试集样本数据的每条样本数据的内容特征向量、设备特征向量以及用户特征向量输入至训练后的机器学习模型，输出得到预测的消息推送方式标签。

将测试集样本数据的每条样本数据的内容特征向量、设备特征向量以及用户特征向量输入至训练后的机器学习模型，由机器学习模型对应的网络结构中的各项系数对每条样本数据包含内容特征向量、设备特征向量以及用户特征向量处理，得到针对每条样本数据所预测的消息推送方式标签。

在步骤S830中，若所述测试集样本数据中的消息推送方式标签与预测的消息推送方式标签一致的样本数据条数占所述测试集样本数据中总样本数据条数的比例超过预定比例阈值，则将训练后的机器学习模型识别为所述推送方式预测模型。

对于测试集样本数据中的每条样本数据，若测试集样本数据中的消息推送方式标签与预测的消息推送方式标签一致的样本数据条数占测试集样本数据中总样本数据条数的比例超过预定比例阈值，则说明机器学习模型符合预期的功能效果，则可以将训练后的机器学习模型识别为推送方式预测模型，否则，则需要通过训练集样本数据对其进行训练，直到该机器学习模型符合预期的功能效果。

还请继续参考图2，在步骤S230中，利用所述推送方式预测模型其内部的多个全连接网络对所述内容特征向量、所述设备特征向量以及所述用户特征向量进行处理，得到消息推送方式标签。

推送方式预测模型通过其内部的多个全连接网络对内容特征向量、设备特征向量以及用户特征向量进行处理，输出预测结果，该预测结果为根据内容特征向量、设备特征向量以及用户特征向量所确定的消息推送方式标签。

参考图9，图9示出了根据本申请的一个实施例的内容推送方法的步骤S230的具体流程图，该步骤S230可以包括步骤S910至步骤S930。

参考图10，图10示出了根据本申请的一个实施例的推送方式预测模型的内部结构示意图，推送方式预测模型包括第一全连接网络1010、第二全连接网络1020以及第三全连接网络1030。

以下参考图9及图10来对步骤S910至步骤S930进行详细描述。

在步骤S910中，利用所述推送方式预测模型其内部的第一全连接网络对所述内容特征向量进行映射生成第一特征向量。

在一个实施例中，对于输入至推送方式预测模型中的内容特征向量，具体是通过推送方式预测模型其内部的第一全连接网络1010对内容特征向量进行映射生成第一特征向量，通过第一全连接网络1010的处理，可以充分挖掘内容特征向量中包含的信息，进而提高所预测的消息推送方式标签的准确性。

在步骤S920中，利用所述推送方式预测模型其内部的第二全连接网络对所述用户特征向量进行映射生成第二特征向量。

在一个实施例中，对于输入至推送方式预测模型中的用户特征向量，具体是通过推送方式预测模型其内部的第二全连接网络1020对用户特征向量进行映射生成第二特征向量，通过第二全连接网络1020的处理，可以充分挖掘用户特征向量中包含的信息，进而提高所预测的消息推送方式标签的准确性。

在步骤S930中，通过所述推送方式预测模型其内部的第三全连接网络和所述第一特征向量、所述第二特征向量、所述设备特征向量得到消息推送方式标签。

在得到第一特征向量以及第二特征向量后，针对需要进行推送的目标推送内容，为了确定针对在该客户端所登录的用户选择合适的消息推送方式标签，通过推送方式预测模型其内部的第三全连接网络1030对第一特征向量、第二特征向量以及设备特征向量进行分类处理，进行得到消息推送方式标签。通过第三全连接网络1030的处理，可以充分挖掘第一特征向量、第二特征向量以及设备特征向量之间的相关性，从而充分考虑到所推送的内容与用户需求的匹配度，进而便于确定所选择的消息推送方式的准确性。

参考图11，图11示出了根据本申请的一个实施例的内容推送方法的步骤S930的具体流程图，该步骤S930可以包括步骤S1110至步骤S1130，详细描述如下。

在步骤S1110中，基于所述第一特征向量以及第二特征向量进行语义匹配处理，生成第三特征向量。

还请继续参考图10，推送方式预测模型还包括匹配算子网络1040，该在通过推送方式预测模型其内部的第三全连接网络和第一特征向量、第二特征向量、设备特征向量得到消息推送方式标签时，匹配算子网络1040会基于第一特征向量以及第二特征向量进行语义匹配处理，生成对应的第四特征向量，对第一特征向量以及第二特征向量进行语义匹配处理的过程，实际上是对第一特征向量以及第二特征向量包含的对应位置的元素执行相加操作和相乘操作的至少一种。需要说明的是，第一特征向量以及第二特征向量包含的对应元素，通过进行语义匹配处理，可以充分挖掘内容特征向量和用户特征向量所包含的信息，进而充分考虑到推送内容与用户之间的匹配度，由此提高所选择的消息推送方式的精准度。

在步骤S1120中，通过所述推送方式预测模型其内部的第三全连接网络对所述第一特征向量、第二特征向量、第三特征向量和所述设备特征向量进行分类处理，得到消息推送方式标签。

在一个实施例中，在确定得到第三特征向量，将通过推送方式预测模型其内部的第三全连接网络1030对第一特征向量、第二特征向量、第三特征向量和设备特征向量进行分类处理，得到消息推送方式标签。

参考图12，图12示出了根据本申请的一个实施例的内容推送方法的步骤S1120的具体流程图，该步骤S1120可以包括步骤S1210至步骤S1220，详细描述如下。

步骤S1210，将所述第一特征向量、所述第二特征向量、第三特征向量和所述设备特征向量进行拼接处理，生成拼接向量。

步骤S1220，通过所述推送方式预测模型其内部的第三全连接网络对所述拼接向量进行分类处理，得到消息推送方式标签。

在确定得到第三特征向量后，为了便于通过推送方式预测模型其内部的第三全连接网络1030进行分类处理，还可以将第三特征向量与第一特征向量、第二特征向量以及设备特征向量进行拼接处理，在进行拼处理时，在保证第三特征向量与第一特征向量、第二特征向量以及设备特征向量中各个元素的独立性同时，进行拼接处理生成的拼接向量还便于推送方式预测模型其内部的第三全连接网络1030进行分类处理，可以提高推送方式预测模型进行处理的效率。

还请继续参考图2，在步骤S240中，基于所述消息推送方式标签对应的消息推送方式将所述目标推送内容推送至客户端。

在确定消息推送方式标签，将根据息推送方式标签对应的消息推送方式将目标推送内容推送至客户端，以使得用户在客户端阅览该推送内容。

通过根据目标推送内容对应的内容特征向量、客户端对应的设备特征向量以及客户端当前登录的用户的用户特征向量，可以在考虑到所推送的内容与阅览该内容的用户需求的匹配度前提下，选择合适的消息推送方式，进而使得所选择的消息推送方式可以考虑到所推送的内容与用户需求的匹配度，提高了所选择的对内容进行推送的消息推送方式的精准度，在所推送的内容不符合用户需求时，避免使得用户产生抵触情绪，提高了产品的用户粘性。

以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的内容推送方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的内容推送方法的实施例。

图13示出了根据本申请的一个实施例的内容推送装置的框图。

参照图13所示，根据本申请的一个实施例的内容推送装置1300，包括：第一获取单元1310、第一输入单元1320、执行单元1330以及推送单元1340，其中，第一获取单元1310用于获取目标推送内容对应的内容特征向量、所述目标推送内容的客户端对应的设备特征向量以及所述客户端当前登录的用户的用户特征向量；第一输入单元1320，用于将所述内容特征向量、所述设备特征向量以及所述用户特征向量输入推送方式预测模型；执行单元1330，用于利用所述推送方式预测模型其内部的多个全连接网络对所述内容特征向量、所述设备特征向量以及所述用户特征向量进行处理，得到消息推送方式标签；推送单元1340，用于基于所述消息推送方式标签对应的消息推送方式将所述目标推送内容推送至客户端。

在本申请的一些实施例中，基于前述方案，所述执行单元1330被配置为：第一映射子单元，用于利用所述推送方式预测模型其内部的第一全连接网络对所述内容特征向量进行映射生成第一特征向量；第二映射子单元，用于利用所述推送方式预测模型其内部的第二全连接网络对所述用户特征向量进行映射生成第二特征向量；第一执行子单元，用于通过所述推送方式预测模型其内部的第三全连接网络和所述第一特征向量、所述第二特征向量、所述设备特征向量得到消息推送方式标签。

在本申请的一些实施例中，基于前述方案，所述第一执行子单元被配置为：基于所述第一特征向量以及第二特征向量进行语义匹配处理，生成第三特征向量；通过所述推送方式预测模型其内部的第三全连接网络对所述第一特征向量、第二特征向量、第三特征向量和所述设备特征向量进行分类处理，得到消息推送方式标签。

在本申请的一些实施例中，基于前述方案，所述第一执行子单元被配置为：将所述第一特征向量、第二特征向量、第三特征向量和所述设备特征向量进行拼接处理，生成拼接向量；通过所述推送方式预测模型其内部的第三全连接网络对所述拼接向量进行分类处理，得到消息推送方式标签。

在本申请的一些实施例中，基于前述方案，所述第一获取单元1310被配置为：根据所述目标推送内容生成内容特征向量；根据所述客户端对应的设备信息生成所述设备特征向量；根据所述用户的用户信息生成用户特征向量。

在本申请的一些实施例中，基于前述方案，所述第一获取单元1310被配置为：获取与所述目标推送内容的目标分类标签相同的各个推送内容针对所有客户端的历史推送记录；根据所述历史推送记录，确定所述目标分类标签下的推送内容采用各个消息推送方式标签对应的消息推送方式进行推送的内容统计参数；根据所述内容统计参数，生成内容特征向量。

在本申请的一些实施例中，基于前述方案，所述第一获取单元1310被配置为：根据所述用户标识获取当前登录的用户针对与所述目标推送内容的目标分类标签相同的各个推送内容的历史阅览记录；根据所述历史阅览记录，确定采用各个消息推送方式标签对应的消息推送方式进行推送的内容阅览参数；根据所述内容阅览参数，生成用户特征向量。

在本申请的一些实施例中，基于前述方案，所述内容推送装置，还包括：第二获取单元，用于获取用于对待训练的机器学习模型进行训练的训练集样本数据，所述训练集样本数据中的每条样本数据均包括内容特征向量、设备特征向量、用户特征向量以及消息推送方式标签；训练单元，用于通过所述训练集样本数据对待训练的机器学习模型进行训练，得到训练后的机器学习模型。

在本申请的一些实施例中，基于前述方案，所述内容推送装置还包括：第三获取单元，用于获取用于对训练后的机器学习模型进行校验的测试集样本数据，所述测试集样本数据中的每条样本数据均包括内容特征向量、设备特征向量、用户特征向量以及消息推送方式标签；第二输入单元，用于将所述测试集样本数据的每条样本数据的内容特征向量、设备特征向量以及用户特征向量输入至训练后的机器学习模型，输出得到预测的消息推送方式标签；校验单元，用于若所述测试集样本数据中的消息推送方式标签与预测的消息推送方式标签一致的样本数据条数占所述测试集样本数据中总样本数据条数的比例超过预定比例阈值，则将训练后的机器学习模型识别为所述推送方式预测模型。

在本申请的一些实施例中，基于前述方案，所述内容推送装置还包括以下单元中的至少一种：第二排序单元，用于基于预设的推荐音频黑名单对所述内容推送列表进行重新排序；和第二三排序单元，用于基于所述内容推送列表中各个音频的音频标签的相似度对所述内容推送列表进行重新排序。

图14示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图14示出的电子设备的计算机系统1100仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图14所示，计算机系统1400包括中央处理单元(Central Processing Unit，CPU)1401，其可以根据存储在只读存储器(Read-Only Memory，ROM)1402中的程序或者从存储部分1408加载到随机访问存储器(Random Access Memory，RAM)1403中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1403中，还存储有系统操作所需的各种程序和数据。CPU 1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出(Input/Output，I/O)接口1405也连接至总线1404。

以下部件连接至I/O接口1405：包括键盘、鼠标等的输入部分1406；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1407；包括硬盘等的存储部分1408；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1409。通信部分1409经由诸如因特网的网络执行通信处理。驱动器1410也根据需要连接至I/O接口1405。可拆卸介质1411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1410上，以便于从其上读出的计算机程序根据需要被安装入存储部分1408。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1409从网络上被下载和安装，和/或从可拆卸介质1411被安装。在该计算机程序被中央处理单元(CPU)1401执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号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，其中承载了计算机可读的计算机程序。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码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。也应当注意，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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请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非易失性存储介质(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、触控终端、或者网络设备等)执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种内容推送方法，其特征在于，包括：

获取目标推送内容对应的内容特征向量、所述目标推送内容的客户端对应的设备特征向量以及所述客户端当前登录的用户的用户特征向量；

将所述内容特征向量、所述设备特征向量以及所述用户特征向量输入至推送方式预测模型；

利用所述推送方式预测模型其内部的多个全连接网络对所述内容特征向量、所述设备特征向量以及所述用户特征向量进行处理，得到消息推送方式标签；

基于所述消息推送方式标签对应的消息推送方式将所述目标推送内容推送至客户端。

2.根据权利要求1所述的内容推送方法，其特征在于，所述利用所述推送方式预测模型其内部的多个全连接网络对所述内容特征向量、所述设备特征向量以及所述用户特征向量进行处理，得到消息推送方式标签，包括：

利用所述推送方式预测模型其内部的第一全连接网络对所述内容特征向量进行映射生成第一特征向量；

利用所述推送方式预测模型其内部的第二全连接网络对所述用户特征向量进行映射生成第二特征向量；

通过所述推送方式预测模型其内部的第三全连接网络和所述第一特征向量、所述第二特征向量、所述设备特征向量得到消息推送方式标签。

3.根据权利要求2所述的内容推送方法，其特征在于，所述通过所述推送方式预测模型其内部的第三全连接网络和所述第一特征向量、所述第二特征向量、所述设备特征向量得到所述消息推送方式标签，包括：

基于所述第一特征向量以及第二特征向量进行语义匹配处理，生成第三特征向量；

通过所述推送方式预测模型其内部的第三全连接网络对所述第一特征向量、第二特征向量、第三特征向量和所述设备特征向量进行分类处理，得到消息推送方式标签。

4.根据权利要求3所述的内容推送方法，其特征在于，所述通过所述推送方式预测模型其内部的第三全连接网络对所述第一特征向量、第二特征向量、第三特征向量和所述设备特征向量进行分类处理，得到消息推送方式标签，包括：

将所述第一特征向量、第二特征向量、第三特征向量和所述设备特征向量进行拼接处理，生成拼接向量；

通过所述推送方式预测模型其内部的第三全连接网络对所述拼接向量进行分类处理，得到消息推送方式标签。

5.根据权利要求1所述的内容推送方法，其特征在于，所述获取目标推送内容对应的内容特征向量、所述目标推送内容的客户端对应的设备特征向量以及所述客户端当前登录的用户的用户特征向量，包括：

根据所述目标推送内容生成内容特征向量；

根据所述客户端对应的设备信息生成所述设备特征向量；

根据所述用户的用户信息生成用户特征向量。

6.根据权利要求5所述的内容推送方法，其特征在于，所述根据所述目标推送内容生成内容特征向量，还包括：

获取与所述目标推送内容的目标分类标签相同的各个推送内容针对所有客户端的历史推送记录；

根据所述历史推送记录，确定所述目标分类标签下的推送内容采用各个消息推送方式标签对应的消息推送方式进行推送的内容统计参数；

根据所述内容统计参数，生成内容特征向量。

7.根据权利要求5所述的内容推送方法，其特征在于，所述根据所述用户信息生成用户特征向量，还包括：

根据所述用户标识获取当前登录的用户针对与所述目标推送内容的目标分类标签相同的各个推送内容的历史阅览记录；

根据所述历史阅览记录，确定采用各个消息推送方式标签对应的消息推送方式进行推送的内容阅览参数；

根据所述内容阅览参数，生成用户特征向量。

8.根据权利要求1所述的内容推送方法，其特征在于，所述内容推送方法还包括：

获取用于对待训练的机器学习模型进行训练的训练集样本数据，所述训练集样本数据中的每条样本数据均包括内容特征向量、设备特征向量、用户特征向量以及消息推送方式标签；

通过所述训练集样本数据对待训练的机器学习模型进行训练，得到训练后的机器学习模型。

9.根据权利要求1所述的内容推送方法，其特征在于，在通过所述训练集样本数据对待训练的机器学习模型进行训练，得到训练后的机器学习模型之后，所述内容推送方法还包括：

获取用于对训练后的机器学习模型进行校验的测试集样本数据，所述测试集样本数据中的每条样本数据均包括内容特征向量、设备特征向量、用户特征向量以及消息推送方式标签；

将所述测试集样本数据的每条样本数据的内容特征向量、设备特征向量以及用户特征向量输入至训练后的机器学习模型，输出得到预测的消息推送方式标签；

若所述测试集样本数据中的消息推送方式标签与预测的消息推送方式标签一致的样本数据条数占所述测试集样本数据中总样本数据条数的比例超过预定比例阈值，则将训练后的机器学习模型识别为所述推送方式预测模型。

10.一种内容推送装置，其特征在于，包括：

第一获取单元，用于获取目标推送内容对应的内容特征向量、所述目标推送内容的客户端对应的设备特征向量以及所述客户端当前登录的用户的用户特征向量；

第一输入单元，用于将所述内容特征向量、所述设备特征向量以及所述用户特征向量输入推送方式预测模型；

执行单元，用于利用所述推送方式预测模型其内部的多个全连接网络对所述内容特征向量、所述设备特征向量以及所述用户特征向量进行处理，得到消息推送方式标签；

推送单元，用于基于所述消息推送方式标签对应的消息推送方式将所述目标推送内容推送至客户端。

Images