CN112801685A - 信息推送方法、装置、计算机设备及存储介质 - Google Patents
信息推送方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112801685A CN112801685A CN202010949179.0A CN202010949179A CN112801685A CN 112801685 A CN112801685 A CN 112801685A CN 202010949179 A CN202010949179 A CN 202010949179A CN 112801685 A CN112801685 A CN 112801685A
- Authority
- CN
- China
- Prior art keywords
- information
- target
- pushing
- push
- server
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 97
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 12
- 230000006399 behavior Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请公开了一种信息推送方法、装置、计算机设备及存储介质。该方法由服务器执行,该方法包括:根据信息推送模型对目标账号进行分类,获取目标账号的所属类群,信息推送模型是根据第一训练数据训练获得的模型,第一训练数据包括服务器推送的各个推送信息的次数以及各个推送信息对应的触发数据;根据目标账号的所属类群,获取所属类群对应的推送信息以及触发数据;根据所属类群对应的推送信息以及触发数据,从所属类群对应的推送信息中获取目标推送信息;将目标推送信息推送给目标账号登录的客户端。本申请简化了模型推送过程,使得向客户端推送的信息更加便捷,提高了服务器对客户端进行消息推送的效率。
Description
技术领域
本申请涉及信息推送技术领域,特别涉及一种信息推送方法、装置、计算机设备及存储介质。
背景技术
随着深度生成模型的快速发展,使得网络出现大量的基于机器学习模型生成的信息推送系统。这些信息推送系统可以根据自己的推送方式对用户推送信息。
在相关技术中,对于终端中信息的推送(比如某个客户端接收服务器推送的广告信息等),通常使用各个客户端中响应服务器推送的推送信息的点击情况进行预估,并以点击情况为训练样本对机器学习模型进行训练,最终得到每种推送信息对应的可能性,从中选择一个推送信息推送给客户端,实现推送消息的推送。
然而,相关技术中根据用户点击作为样本数据可能存在用户并未对该推送信息进行浏览的情况,并且需要对每种推送信息都进行计算,复杂性高、推送消息的效率低。
发明内容
本申请实施例提供了一种信息推送方法、装置、计算机设备及存储介质,可以提高服务器对客户端进行消息推送的效率,该技术方案如下:
一方面,本申请实施例提供了一种信息推送方法,所述方法由服务器执行,所述方法包括:
根据信息推送模型对目标账号进行分类,获取所述目标账号的所属类群,所述信息推送模型是根据第一训练数据训练获得的模型,所述第一训练数据包括所述服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据,所述目标账号是所述服务器提供的客户端中登录的账号;
根据所述目标账号的所属类群,获取所述所属类群对应的推送信息以及触发数据;
根据所述所属类群对应的推送信息以及触发数据,从所述所属类群对应的推送信息中获取目标推送信息;
将所述目标推送信息推送给所述目标账号登录的客户端。
另一方面,本申请实施例提供了一种信息推送装置,所述装置用于服务器中,所述装置包括:
第一获取模块,用于根据信息推送模型对目标账号进行分类,获取所述目标账号的所属类群,所述信息推送模型是根据第一训练数据训练获得的模型,所述第一训练数据包括所述服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据,所述目标账号是所述服务器提供的客户端中登录的账号;
第二获取模块,用于根据所述目标账号的所属类群,获取所述所属类群对应的推送信息以及触发数据;
第三获取模块,用于根据所述所属类群对应的推送信息以及触发数据,从所述所属类群对应的推送信息中获取目标推送信息;
信息推送模块,用于将所述目标推送信息推送给所述目标账号登录的客户端。
在一种可能的实现方式中,所述第三获取模块,用于,
根据所述所属类群对应的推送信息以及触发数据,计算所述所属类群对应的推送信息各自的信息期望,所述信息期望用于指示将所述目标推送信息推送给所述目标账号登录的客户端所产生的效果;
根据所述所属类群对应的推送信息各自的信息期望,获取目标信息期望,所述目标信息期望是所述所属类群对应的推送信息各自的信息期望中最大的信息期望;
将所述信息期望对应的推送信息,获取为所述目标推送信息。
在一种可能的实现方式中,所述第一训练数据中还包括样本账号的注册信息以及兴趣特征信息,所述样本账号接收到所述服务器的推送所述各个推送信息的账号,所述装置还包括:
第四获取模块,用于根据所述第一训练数据对所述样本账号进行分类,获取各个所属类群;
训练模块,用于按照所述各个所属类群、所述服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据,训练所述信息推送模型。
在一种可能的实现方式中,所述训练模块,用于,
根据第一所属类群,获取目标触发数据,所述目标触发数据是所述第一所属类群对应的触发数据之和,所述第一所属类群是所述各个所属类群中的任意一个所属类群;
根据所述目标触发数据以及所述服务器推送的各个推送信息的次数,建立目标矩阵;
根据所述目标矩阵,训练所述信息推送模型。
在一种可能的实现方式中,所述第四获取模块,用于,
根据所述第一训练数据中各个训练数据之间的相似度对所述样本账号进行分类,获取第一子类群;
建立空类群,所述空类群用于划分所述第一子类群之外的其他账号;
根据所述第一子类群以及所述空类群,获取所述各个所属类群;
在一种可能的实现方式中,所述装置还包括:
请求接收模块,用于在所述第一获取模块根据信息推送模型对目标账号进行分类,获取所述目标账号的所属类群之前,接收第一页面请求,所述第一页面请求是第一客户端展示目标页面的请求,所述第一客户端中登录有所述目标账号;
账号获取模块,用于根据所述第一页面请求,获取所述目标账号。
在一种可能的实现方式中,所述装置还包括:
第五获取模块,用于在所述信息推送模块将所述目标推送信息推送给所述目标账号登录的客户端之后,获取所述目标账号登录的客户端发送的目标操作记录,所述目标操作记录是在所述目标账号登录的客户端中进行支付的记录;
更新模块,用于根据所述目标操作记录,更新所述信息推送模型。
另一方面,本申请实施例提供了一种计算机设备,所述计算机设备包含处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述的信息推送方法。
又一方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述的信息推送方法。
一个方面,本申请实施例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,使得所述计算机设备执行上述一个方面提供的信息推送方法。
本申请提供的技术方案可以包括以下有益效果:
通过本申请所示的方案,在按照服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据训练得到的信息推送模型进行信息推送时,服务器可以获取到用户直接触发该推送信息的触发数据,并获取该客户端中登录的账号的所属类群,不需要对每个推送信息以及每个用户都进行计算,简化了模型推送过程,使得向客户端推送的信息更加便捷,提高了服务器对客户端进行消息推送的效率。
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。
图1是本申请一示例性实施例提供的一种实施环境架构的示意图;
图2是本申请一示例性实施例涉及的一种服务器向客户端中推送消息的系统结构示意图;
图3是本申请一示例性实施例提供的一种信息推送方法的方法流程图;
图4是本申请一示例性实施例提供的一种信息推送方法的方法流程图;
图5是本申请一示例性实施例涉及的一种终端的应用界面示意图;
图6是本申请一示例性实施例涉及的一种对训练数据进行分类后的结果示意图;
图7是本申请一示例性实施例涉及的一种目标矩阵的结构示意图;
图8是本申请一示例性实施例涉及的一种服务器向客户端推送消息的系统结构示意图;
图9是本申请一示例性实施例涉及的一种信息推送装置的结构方框示意图;
图10是本申请一个示例性实施例示出的计算机设备的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在对本申请所示的各个实施例进行说明之前,首先对本申请涉及到的几个概念进行介绍:
1)机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
2)UCB(Upper Confidence Bound):置信区间上限。置信区间可以理解为不确定性的程度,区间越宽,越不确定。面对固定的K个物品,没有任何先验知识,每个物品的回报也完全不知道,而每次实验要选择其中一个物品,如何在这个选择过程中让我我们的回报最大。利用UCB算法选择置信区间上限最大的那个物品。
3)CVR(Conversion Rate,转化率):用户点击到成为付费用户的转化率。
4)LGB(lightgbm)算法:机器学习的一种方法,是GBDT(Gradient BoostingDecision Tree,梯度提升迭代决策树)的一种实现方式。
5)EE(Exploit-Explore,探索预估):是点击率预估中的一个重要问题,对未知的采样称为探索,利用探索的结果更有效的预测称为利用。
6)用户分群:把具有一个或多个相同特征的人划到同一个群体。
7)k-means:一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。
本申请提供的方案可以用于日常生活中用户在打开终端中的客户端时,终端接收到服务器发送的推送信息的实际场景中,为了便于理解,下面首先对本申请实施例涉及的应用场景进行简单介绍。
随着人们对娱乐休闲方式的需求不断增加,音频、视频等多媒体数据的产品越来越丰富,出现了各种各样提供有娱乐功能的APP(Application),用户可以通过打开这些应用程序进行使用,相应的,服务器可以向终端中推送一些信息进行宣传。
请参考图1,其示出了本申请一示例性实施例提供的一种实施环境架构的示意图。如图1所示,该实施环境可以包括终端110和服务器120。
终端110可以是具有音频数据播放的终端设备,比如,该终端可以是手机、平板电脑、电子书阅读器、智能眼镜、智能手表、MP3播放器(Moving Picture Experts GroupAudio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture ExpertsGroup Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑、膝上型便携计算机和台式计算机等等。
服务器120是一台服务器,或者由若干台服务器,或者是一个虚拟化平台,或者是一个云计算服务中心。实际实现时,该服务器120可以是为终端110中应用程序提供后台服务的服务器。
终端110与服务器120之间通过通信网络相连。可选的,该通信网络可以是有线网络或无线网络。
可选地,上述的无线网络或者有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。在一些实施例中,使用包括超文本标记语言(Hyper Text Mark-up Language,HTML)、可扩展标记语言(Extensible MarkupLanguage,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Transport Layer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(Internet ProtocolSecurity,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
以推送优惠券的信息为例,在相关技术中,服务器向客户端中推送优惠券过程可以如下。
请参考图2,其示出了本申请一示例性实施例涉及的一种服务器向客户端中推送消息的系统结构示意图。如图2所示,其中包含了特征构造模块201,模型训练模块202,选择模块203。
其中,特征构造模块201可以用于根据训练数据提取训练特征,将提取的训练特征发送给模型训练模块202。可选地,训练数据可以包括用户的基础属性数据、用户行为数据、付费数据。其中,用户的基础属性数据可以是用户的性别、学历、地址、年龄等,用户行为数据可以是该用户在服务器提供的客户端中查看客户端提供的内容时产生的行为数据,比如,客户端具有视频播放功能,用户通过客户端观看直播,那么,可以通过该直播记录用户的行为数据。付费数据可以是用户在客户端中的消费记录、是否使用优惠券、购买的业务类型等。特征构造模块201可以根据上述训练数据进行特征提取,将提取到的训练特征传输给模型训练模块进行训练。
其中,在付费数据的记录过程中,对于某个推送的优惠券来说,用户如果未使用该优惠券,服务器会根据相应的业务类型对该用户记录同样数量的负样本。比如,请参考表1,其示出了本申请一示例性实施例涉及的一种负样本记录关系表。
设备类型 | 券金额 | 购买类型 | 业务类型 | 付费金额 | 是否购买 |
安卓 | 8 | 普通 | 月卡 | 22 | 否 |
安卓 | 8 | 普通 | 连续包月 | 22 | 否 |
安卓 | 8 | 普通 | 季卡 | 64 | 否 |
安卓 | 8 | 高级 | 月卡 | 79 | 否 |
安卓 | 8 | 高级 | 连续包月 | 52 | 否 |
安卓 | 8 | 高级 | 季卡 | 190 | 否 |
表1
可选地,服务器对用户记录的负样本如表1所示。
模型训练模块202可以通过机器学习进行训练,比如,通过LR(LogisticRegression,逻辑回归算法)、GBDT(Gradient Boosting Decision Tree,梯度提升迭代决策树)、DNN(Deep Neural Networks,深度神经网络)依次进行训练,得到用户对推送方案的购买概率。例如,机器学习模块训练后得到的计算公式如下:
Puicj=f(xui,cj)=buy/click;
其中,Puicj代表用户对第j个优惠券的购买概率,xui代表用户的特征,cj代表为用户推送的第j个优惠券,buy表示用户是否使用某个优惠券购买,click表示对该用户推送的某个优惠券的次数(某个优惠券可以是第j个优惠券)。模型训练模块202可以根据特征构造模块201传入的训练特征以及服务器内部的推送方案,通过上述计算公式计算出用户对每个推送方案对应的购买概率。可选地,此处的机器学习模块可以选择任意一种二分类的模型,例如,Lightgbm预估模型。
选择模块203中可以通过计算每个推送信息的效益,在本实例中,选择模块203可以计算每张优惠券的效益。其计算公式如下:
k表示第j个优惠券对应的第k个业务,Pricecj代表用户实际支付的金额,Guicj代表对用户推送第j个优惠券的效益。
在上述相关技术中,机器学习模型采集的行为数据中需要对每张优惠券记录对应的负样本数据,在实际应用中,服务器提供的业务类型包含种类非常多时,会出现数据量大的问题,导致服务器的计算量大,复杂性高的问题,降低了服务器推送消息的效率。
为了提高服务器对客户端进行消息推送的效率,增加消息推送更加符合用户的兴趣爱好,本申请实施例提供了一种解决方案,可以避免对每个推送消息对应的业务类型进行样本记录,减少服务器的计算量,提高服务器推送消息的效率。
请参考图3,其示出了本申请一示例性实施例提供的一种信息推送方法的方法流程图,该方法可以用于上述图1所示的场景中,由图1中的服务器执行,如图1所示,该方法可以包括如下步骤:
步骤301,根据信息推送模型对目标账号进行分类,获取目标账号的所属类群,信息推送模型是根据第一训练数据训练获得的模型,第一训练数据包括服务器推送的各个推送信息的次数以及各个推送信息对应的触发数据,目标账号是服务器提供的客户端中登录的账号。
其中,服务器推送的各个推送信息可以是优惠信息、广告信息、节目预告信息等中的任意一种信息。各个推送信息对应的触发数据可以是终端响应于推送信息,在终端中展示推送信息后,目标账号的消费数据。
步骤302,根据目标账号的所属类群,获取所属类群对应的推送信息以及触发数据。
步骤303,根据所属类群对应的推送信息以及触发数据,从所属类群对应的推送信息中获取目标推送信息。
步骤304,将目标推送信息推送给目标账号登录的客户端。
综上所述,通过本申请所示的方案,在按照服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据训练得到的信息推送模型进行信息推送时,服务器可以获取到用户直接触发该推送信息的触发数据,并获取该客户端中登录的账号的所属类群,不需要对每个推送信息以及每个用户都进行计算,简化了模型推送过程,使得向客户端推送的信息更加便捷,提高了服务器对客户端进行消息推送的效率。
在一种可能实现的方式中,服务器获取目标账号时,可以根据目标账号登录的客户端发送的页面展示请求,获取该客户端中登录的目标账号。以目标账号是通过终端发送的页面请求中获取的为例,对上述图3所示的方案进行举例介绍。
请参考图4,其示出了本申请一示例性实施例提供的一种信息推送方法的方法流程图,该方法可以用于上述图1所示的场景中,由图1中的服务器执行,如图1所示,该方法可以包括如下步骤:
步骤401,接收第一页面请求,第一页面请求是第一客户端展示目标页面的请求,第一客户端中登录有目标账号。
可选地,用户可以在终端中打开第一客户端,并在终端中展示第一客户端的应用界面。第一页面可以是第一客户端任意一个应用界面。
请参考图5,其示出了本申请一示例性实施例涉及的一种终端的应用界面示意图。如图5所示,在终端500中,包含了应用界面501,该应用界面501可以是上述的目标页面。其中,用户在点击终端中该应用程序的图标后,可以展示该应用界面501,或者,用户在应用程序已经展示的界面中点击相应的操作控件,也可以展示应用界面501,本申请对应用界面501如何触发展示并不限定。当终端中展示应用界面501时,可以向服务器反馈第一页面请求,该第一页面请求中可以携带自身登录的账号。
步骤402,根据第一页面请求,获取目标账号。
可选地,服务器接收到终端发送的第一页面请求后,通过解析第一页面请求,获取到第一页面请求中携带的目标账号。比如,目标账号是:15454,上述第一页面请求中可以携带“15454”,服务器通过解析第一页面请求,从第一页面请求中获取到目标账号:15454。
步骤403,根据信息推送模型对目标账号进行分类,获取目标账号的所属类群。
其中,信息推送模型是根据第一训练数据训练获得的模型,第一训练数据包括服务器推送的各个推送信息的次数以及各个推送信息对应的触发数据,目标账号是服务器提供的客户端中登录的账号。
可选地,服务器推送的各个推送信息可以是优惠信息、广告信息、节目预告信息等中的任意一种信息。各个推送信息对应的触发数据可以是终端响应于推送信息,在终端中展示推送信息后,目标账号的消费金额。
在本申请中,可以提前通过第一训练数据对信息推送模型进行训练,将训练好的信息推送模型放置在服务器中,当需要对某个客户端的账号进行信息推送时,可以按照该客户端的账号以及信息推送模型对该账号推送信息。
可选地,第一训练数据中还包括样本账号的注册信息以及兴趣特征信息,样本账号是接收到服务器的推送各个推送信息的账号,信息推送模型的训练过程可以如下:根据第一训练数据对样本账号进行分类,获取各个所属类群;按照各个所属类群、服务器推送的各个推送信息的次数以及各个推送信息对应的触发数据,训练信息推送模型。
可选地,第一训练数据可以通过提供给各个用户的各个客户端进行采集,采集服务器推送的各个推送信息的次数以及这些用户对应的推送信息对应的触发数据,根据采集到的第一训练数据进行模型训练。服务器得到第一训练数据后,可以对第一训练数据进行分类获取各个所属类群。例如,服务器可以选择k-means方法对训练数据进行聚类分类,得到各个所属类群。本申请对采用的聚类分类的方法并不加以限定。
请参考图6,其示出了本申请一示例性实施例涉及的一种对训练数据进行分类后的结果示意图。如图6所示,其中包括了训练特征提取模块601,所属类群模块602。其中,训练特征提取模块601可以按照训练数据进行特征提取,得到对应各个账号各自的训练特征,并通过各个账号各自的训练特征对各个账号进行分组,将得到的各个分组存储在所属类群模块602中。即,所属类群模块602用于存储已经分类的各个所属分类。
可选地,实际应用中,服务器中获取到某个目标账号后,该目标账号存在不属于上述各个所属类群的情况。服务器在进行上述分类时,可以根据第一训练数据中各个训练数据之间的相似度对样本账号进行分类,获取第一子类群;当目标账号不属于上述各个所属类群时,建立空类群,空类群用于划分第一子类群之外的其他账号;根据第一子类群以及空类群,获取各个所属类群。即,服务器中在上述所属类群模块602中还可以建立一个空类群,在服务器判断出某个目标账号不属于上述各个所属类群中时,可以将这个目标账号归为空类群中,按照空类群进行后续消息的推送。
在一种可能实现的方式中,上述按照各个所属类群、服务器推送的各个推送信息的次数以及各个推送信息对应的触发数据,训练信息推送模型可以如下:根据第一所属类群,获取目标触发数据,目标触发数据是第一所属类群对应的触发数据之和,第一所属类群是各个所属类群中的任意一个所属类群;根据目标触发数据以及服务器推送的各个推送信息的次数,建立目标矩阵;根据目标矩阵,训练信息推送模型。
即,训练信息推送模型时,按照每个所属类群中包含的各个触发数据进行求和,将每个所属类群对应的目标触发数据以及服务器推送的各个推送信息的次数作为整体,看作是目标矩阵中一个元素,根据目标矩阵来训练信息推送模型。比如,对于训练数据进行分组后,得到了N个所属类群,服务器可以将任意一个所属类群对应的触发数据进行求和得到目标触发数据,根据目标触发数据以及对应的该组所属类群中服务器推送的各个推送信息的次数总次数建立目标矩阵。
请参考图7,其示出了本申请一示例性实施例涉及的一种目标矩阵的结构示意图。如图7所示,在目标矩阵700中,包含了各个所属类群701,各个推送信息702。其中,第一元素703中Q代表在类群一推送的信息一累计的触发数据,T代表信息一被推送至类群一各个客户端的总次数。即,目标矩阵的行向量可以指示对应的所属类群,目标矩阵的列向量可以指示各个推送信息。即,如果所属类群有N个,那么目标矩阵包含N行,如果推送信息有M个,那么目标矩阵包含M列。
可选地,服务器可以通过目标账号获取目标账号对应的注册信息、兴趣特征信息以及历史消费信息,根据目标账号对应的注册信息、兴趣特征信息以及历史消费信息对目标账号进行分类,查看目标账号属于哪个类群。
可选地,目标账号对应的注册信息可以是目标账号对应的性别、学历、地址、年龄等信息,兴趣特征信息可以是服务器为该目标账号建立的用户画像,用户画像中包含该目标账号观看的节目、目标账号登录时长等信息,目标账号历史消费信息可以是终端中展示该目标界面后目标账号的消费金额。服务器可以通过信息推送模型以及上述得到的信息,对目标账号进行分类,获取目标账号的所属类群。在一种可能实现的方式中,上述历史消费信息可以是用户上一次的消费信息,即,服务器可以在目标账号每次登陆客户端后,可以根据目标账号的上一次消费情况以及目标账号对应的注册信息、兴趣特征信息对目标账号进行分类,查看目标账号属于哪个类群。本申请对比并不加以限定。
步骤404,根据目标账号的所属类群,获取所属类群对应的推送信息以及触发数据。
可选地,服务器得到目标账号的所属类群后,可以通过查询上述得到的目标矩阵,从目标矩阵中获取到该目标账号对应的所属类群的推送信息和触发数据。比如,在上述图7中,目标账号是上述图7中的类群二,那么,服务器可以获取到类群二对应的4个推送信息以及其中对应的Q数据和T数据。
步骤405,根据所属类群对应的推送信息以及触发数据,从所属类群对应的推送信息中获取目标推送信息。
在一种可能实现的方式中,根据所属类群对应的推送信息以及触发数据,计算所属类群对应的推送信息各自的信息期望,信息期望用于指示将目标推送信息推送给目标账号登录的客户端所产生的效果;根据所属类群对应的推送信息各自的信息期望,获取目标信息期望,目标信息期望是所属类群对应的推送信息各自的信息期望中最大的信息期望;将信息期望对应的推送信息,获取为目标推送信息。
可选地,服务器根据所属类群对应的推送信息以及触发数据,计算所属类群对应的推送信息各自的信息期望的公式可以如下:
其中,Agroup_i表示第i个所属类群的各个信息期望,c是常数参数,Q(i,j)表示第i个所属类群中各个账号对于第j个推送信息积累的触发数据,T(i,j)表示第i个所属类群中各个账号对于第j个推送信息接收到的总次数。c可以由开发人员预先设置。
服务器对应目标账号可以计算出各个推送信息对应的信息期望,服务器从各个推送信息对应的信息期望中选择最大的信息期望,并确定最大的信息期望对应的那个推送信息为目标推送信息。比如,在上述图7中,第i组对应的最大信息期望是信息三,那么,服务器获取到的目标推送信息就是信息三。
步骤406,将目标推送信息推送给目标账号登录的客户端。
可选地,服务器将得到的目标推送信息推送给目标账号登录的客户端,在该目标账号登录的客户端中展示目标推送信息。如上述图5中优惠券的叠加界面的展示。
在一种可能实现的方式中,服务器还可以获取目标账号登录的客户端发送的目标操作记录,目标操作记录是在目标账号登录的客户端中进行支付的记录;根据目标操作记录,更新信息推送模型。即,在将目标推送信息推送给客户端后,服务器还可以接收客户端发送的目标操作记录,目标操作记录是用户通过点击目标推送信息进行消费的记录,或者,是客户端中展示此次目标推送信息后,用户在退出客户端之前执行的消费的记录。服务器可以将该消费记录作为该用户的触发数据,并输入至上述信息推送模型中,与原训练数据组成新的训练数据,并进行模型更新。
综上所述,通过本申请所示的方案,在按照服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据训练得到的信息推送模型进行信息推送时,服务器可以获取到用户直接触发该推送信息的触发数据,并获取该客户端中登录的账号的所属类群,不需要对每个推送信息以及每个用户都进行计算,简化了模型推送过程,使得向客户端推送的信息更加便捷,提高了服务器对客户端进行消息推送的效率。
另外,本申请通过上述目标矩阵中各个元素计算对应的各个推送信息的信息期望,还可以实现对服务器中可以推送的各个推送信息进行信息期望的估算,避免了相关技术中仅采用对用户推送过的推送信息进行机器学习估算这些已经推送过的推送信息的信息期望,增加了对推送信息的估算覆盖程度,提高了估算的准确性。
另外,对于客户端的推送消息来说,如果用户通过查看推送消息后,在后续运行该客户端的过程中进行消费,相当于推送消息具有导流作用,本方案也可以将该消费数据记录下来,并计算推送消息的信息期望,从而提高对各个推送消息估算信息期望时的准确性。
请参考图8,其示出了本申请一示例性实施例涉及的一种服务器向客户端推送消息的系统结构示意图。如图8所示,该推送系统包括特征构造模块801,信息推送模块802,客户端模块803。
其中,特征构造模块801用于根据训练数据提取训练特征,将提取的训练特征发送给信息推送模块802。可选地,训练数据可以包括用户的基础属性数据、用户行为数据、付费数据。其中,付费数据是本申请实施例中涉及的触发数据。特征构造模块801还可以接收来自客户端模块803发送的触发数据,将该触发数据作为下一次向客户端推送信息的训练样本。
信息推送模块802可以通过基于多臂老虎机思想的框架,利用UCB方法获取目标推送信息。例如,通过Linucb算法、wide和deep模型以及MMOE(Multi-gate Mixture-of-Experts)所提模型进行训练并获取目标推送信息。其中,信息推送模块802的执行的步骤可以参照上述图4实施例中步骤403至步骤405中获取目标推送信息的内容,此处不再赘述。
请参考表2,其示出了本申请一示例性实施例涉及的一种推送信息的统计表。
指标项 | 提升度 |
开通数量 | 39.7% |
期望 | 22.4% |
表2
如表2可知,本申请提供的方案相对于上述相关技术中的方案,开通客户的数量提升了39.7%,期望提高了22.4%。
综上所述,通过本申请所示的方案,在按照服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据训练得到的信息推送模型进行信息推送时,服务器可以获取到用户直接触发该推送信息的触发数据,并获取该客户端中登录的账号的所属类群,不需要对每个推送信息以及每个用户都进行计算,简化了模型推送过程,使得向客户端推送的信息更加便捷,提高了服务器对客户端进行消息推送的效率。
请参考图9,其示出了本申请一示例性实施例涉及的一种信息推送装置的结构方框示意图。该信息推送装置可以用于计算机设备中,以执行图3或图4对应实施例所示的方法中由服务器执行的全部或者部分步骤。该信息推送装置可以包括如下模块:
第一获取模块901,用于根据信息推送模型对目标账号进行分类,获取所述目标账号的所属类群,所述信息推送模型是根据第一训练数据训练获得的模型,所述第一训练数据包括所述服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据,所述目标账号是所述服务器提供的客户端中登录的账号;
第二获取模块902,用于根据所述目标账号的所属类群,获取所述所属类群对应的推送信息以及触发数据;
第三获取模块903,用于根据所述所属类群对应的推送信息以及触发数据,从所述所属类群对应的推送信息中获取目标推送信息;
信息推送模块904,用于将所述目标推送信息推送给所述目标账号登录的客户端。
在一种可能的实现方式中,所述第三获取模块903,用于,
根据所述所属类群对应的推送信息以及触发数据,计算所述所属类群对应的推送信息各自的信息期望,所述信息期望用于指示将所述目标推送信息推送给所述目标账号登录的客户端所产生的效果;
根据所述所属类群对应的推送信息各自的信息期望,获取目标信息期望,所述目标信息期望是所述所属类群对应的推送信息各自的信息期望中最大的信息期望;
将所述信息期望对应的推送信息,获取为所述目标推送信息。
在一种可能的实现方式中,所述第一训练数据中还包括样本账号的注册信息以及兴趣特征信息,所述样本账号接收到所述服务器的推送所述各个推送信息的账号,所述装置还包括:
第四获取模块,用于根据所述第一训练数据对所述样本账号进行分类,获取各个所属类群;
训练模块,用于按照所述各个所属类群、所述服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据,训练所述信息推送模型。
在一种可能的实现方式中,所述训练模块,用于,
根据第一所属类群,获取目标触发数据,所述目标触发数据是所述第一所属类群对应的触发数据之和,所述第一所属类群是所述各个所属类群中的任意一个所属类群;
根据所述目标触发数据以及所述服务器推送的各个推送信息的次数,建立目标矩阵;
根据所述目标矩阵,训练所述信息推送模型。
在一种可能的实现方式中,所述第四获取模块,用于,
根据所述第一训练数据中各个训练数据之间的相似度对所述样本账号进行分类,获取第一子类群;
建立空类群,所述空类群用于划分所述第一子类群之外的其他账号;
根据所述第一子类群以及所述空类群,获取所述各个所属类群;
在一种可能的实现方式中,所述装置还包括:
请求接收模块,用于在所述第一获取模块901根据信息推送模型对目标账号进行分类,获取所述目标账号的所属类群之前,接收第一页面请求,所述第一页面请求是第一客户端展示目标页面的请求,所述第一客户端中登录有所述目标账号;
账号获取模块,用于根据所述第一页面请求,获取所述目标账号。
在一种可能的实现方式中,所述装置还包括:
第五获取模块,用于在所述信息推送模块904将所述目标推送信息推送给所述目标账号登录的客户端之后,获取所述目标账号登录的客户端发送的目标操作记录,所述目标操作记录是在所述目标账号登录的客户端中进行支付的记录;
更新模块,用于根据所述目标操作记录,更新所述信息推送模型。
综上所述,通过本申请所示的方案,在按照服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据训练得到的信息推送模型进行信息推送时,服务器可以获取到用户直接触发该推送信息的触发数据,并获取该客户端中登录的账号的所属类群,不需要对每个推送信息以及每个用户都进行计算,简化了模型推送过程,使得向客户端推送的信息更加便捷,提高了服务器对客户端进行消息推送的效率。
图10是本申请一个示例性实施例示出的计算机设备1000的结构框图。所述计算机设备1000包括中央处理单元(Central Processing Unit,CPU)1001、包括随机存取存储器(Random Access Memory,RAM)1002和只读存储器(Read Only Memory,ROM)1003的系统存储器1004,以及连接系统存储器1004和中央处理单元1001的系统总线1005。所述计算机设备1000还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(Input/Output系统,I/O系统)1006,和用于存储操作系统1013、应用程序1014和其他程序模块1015的大容量存储设备1007。
所述基本输入/输出系统1006包括有用于显示信息的显示器1008和用于用户输入信息的诸如鼠标、键盘之类的输入设备1009。其中所述显示器1008和输入设备1009都通过连接到系统总线1005的输入输出控制器1010连接到中央处理单元1001。所述基本输入/输出系统1006还可以包括输入输出控制器1010以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器1010还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1007通过连接到系统总线1005的大容量存储控制器(未示出)连接到中央处理单元1001。所述大容量存储设备1007及其相关联的计算机可读介质为计算机设备1000提供非易失性存储。也就是说,所述大容量存储设备1007可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory,只读存储器)驱动器之类的计算机可读介质(未示出)。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read-Only Memory,可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory,带电可擦可编程只读存储器)、闪存或其他固态存储其技术,CD-ROM、DVD(Digital Video Disc,高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1004和大容量存储设备1007可以统称为存储器。
计算机设备1000可以通过连接在所述系统总线1005上的网络接口单元1011连接到互联网或者其它网络设备。
所述存储器还包括一个或者一个以上的程序,所述一个或者一个以上程序存储于存储器中,中央处理单元1001通过执行该一个或一个以上程序来实现图3或图4任一所示的方法中由服务器执行的全部或者部分步骤。
在示例性实施例中,还提供了一种包括指令的非临时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,上述程序(指令)可由服务器的处理器执行以完成本申请各个实施例所示的方法中,由服务器执行的方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还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,使得所述计算机设备执行本申请各个实施例所示的方法中,由服务器执行的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,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。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
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)
1.一种信息推送方法,其特征在于,所述方法由服务器执行,所述方法包括:
根据信息推送模型对目标账号进行分类,获取所述目标账号的所属类群,所述信息推送模型是根据第一训练数据训练获得的模型,所述第一训练数据包括所述服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据,所述目标账号是所述服务器提供的客户端中登录的账号;
根据所述目标账号的所属类群,获取所述所属类群对应的推送信息以及触发数据;
根据所述所属类群对应的推送信息以及触发数据,从所述所属类群对应的推送信息中获取目标推送信息;
将所述目标推送信息推送给所述目标账号登录的客户端。
2.根据权利要求1所述的方法,其特征在于,所述根据所述所属类群对应的推送信息以及触发数据,从所述所属类群对应的推送信息中获取目标推送信息,包括:
根据所述所属类群对应的推送信息以及触发数据,计算所述所属类群对应的推送信息各自的信息期望,所述信息期望用于指示将所述目标推送信息推送给所述目标账号登录的客户端所产生的效果;
根据所述所属类群对应的推送信息各自的信息期望,获取目标信息期望,所述目标信息期望是所述所属类群对应的推送信息各自的信息期望中最大的信息期望;
将所述信息期望对应的推送信息,获取为所述目标推送信息。
3.根据权利要求1所述的方法,其特征在于,所述第一训练数据中还包括样本账号的注册信息以及兴趣特征信息,所述样本账号是接收到所述服务器的推送所述各个推送信息的账号,所述方法还包括:
根据所述第一训练数据对所述样本账号进行分类,获取各个所属类群;
按照所述各个所属类群、所述服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据,训练所述信息推送模型。
4.根据权利要求3所述的方法,其特征在于,所述按照所述各个所属类群、所述服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据,训练所述信息推送模型,包括:
根据第一所属类群,获取目标触发数据,所述目标触发数据是所述第一所属类群对应的触发数据之和,所述第一所属类群是所述各个所属类群中的任意一个所属类群;
根据所述目标触发数据以及所述服务器推送的各个推送信息的次数,建立目标矩阵;
根据所述目标矩阵,训练所述信息推送模型。
5.根据权利要求3所述的方法,其特征在于,所述根据所述第一训练数据对所述样本账号进行分类,获取各个所属类群,包括:
根据所述第一训练数据中各个数据之间的相似度对所述样本账号进行分类,获取第一子类群;
建立空类群,所述空类群用于划分所述第一子类群之外的其他账号;
根据所述第一子类群以及所述空类群,获取所述各个所属类群。
6.根据权利要求1至5任一所述的方法,其特征在于,在所述根据信息推送模型对目标账号进行分类,获取所述目标账号的所属类群之前,还包括:
接收第一页面请求,所述第一页面请求是第一客户端展示目标页面的请求,所述第一客户端中登录有所述目标账号;
根据所述第一页面请求,获取所述目标账号。
7.根据权利要求1至5任一所述的方法,其特征在于,在所述将所述目标推送信息推送给所述目标账号登录的客户端之后,还包括:
获取所述目标账号登录的客户端发送的目标操作记录,所述目标操作记录是在所述目标账号登录的客户端中进行支付的记录;
根据所述目标操作记录,更新所述信息推送模型。
8.一种信息推送装置,其特征在于,所述装置用于服务器中,所述装置包括:
第一获取模块,用于根据信息推送模型对目标账号进行分类,获取所述目标账号的所属类群,所述信息推送模型是根据第一训练数据训练获得的模型,所述第一训练数据包括所述服务器推送的各个推送信息的次数以及所述各个推送信息对应的触发数据,所述目标账号是所述服务器提供的客户端中登录的账号;
第二获取模块,用于根据所述目标账号的所属类群,获取所述所属类群对应的推送信息以及触发数据;
第三获取模块,用于根据所述所属类群对应的推送信息以及触发数据,从所述所属类群对应的推送信息中获取目标推送信息;
信息推送模块,用于将所述目标推送信息推送给所述目标账号登录的客户端。
9.一种计算机设备,其特征在于,所述计算机设备包含处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的信息推送方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7任一所述的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010949179.0A CN112801685B (zh) | 2020-09-10 | 2020-09-10 | 信息推送方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010949179.0A CN112801685B (zh) | 2020-09-10 | 2020-09-10 | 信息推送方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801685A true CN112801685A (zh) | 2021-05-14 |
CN112801685B CN112801685B (zh) | 2024-06-18 |
Family
ID=75807111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010949179.0A Active CN112801685B (zh) | 2020-09-10 | 2020-09-10 | 信息推送方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801685B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114285812A (zh) * | 2021-12-17 | 2022-04-05 | 深圳腾银信息咨询有限责任公司 | 一种定向群聊邀请方法、装置、系统及介质 |
CN115174514A (zh) * | 2022-05-31 | 2022-10-11 | 青岛海尔科技有限公司 | 消息推送方法和装置、存储介质及电子装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018036011A1 (zh) * | 2016-08-26 | 2018-03-01 | 深圳前海弘稼科技有限公司 | 一种种植信息推送方法以及装置 |
CN108156522A (zh) * | 2018-02-06 | 2018-06-12 | 南京创维信息技术研究院有限公司 | 主页内容推送方法、装置及计算机可读存储介质 |
WO2019019387A1 (zh) * | 2017-07-24 | 2019-01-31 | 上海壹账通金融科技有限公司 | 信息推送建议生成方法、装置、计算机设备和存储介质 |
CN109409949A (zh) * | 2018-10-17 | 2019-03-01 | 北京字节跳动网络技术有限公司 | 用户群体分类的确定方法、装置、电子设备及存储介质 |
CN109783632A (zh) * | 2019-02-15 | 2019-05-21 | 腾讯科技(深圳)有限公司 | 客服信息推送方法、装置、计算机设备及存储介质 |
CN110264276A (zh) * | 2019-06-25 | 2019-09-20 | 广州视源电子科技股份有限公司 | 确定推送用户群的方法、装置、设备及存储介质 |
-
2020
- 2020-09-10 CN CN202010949179.0A patent/CN112801685B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018036011A1 (zh) * | 2016-08-26 | 2018-03-01 | 深圳前海弘稼科技有限公司 | 一种种植信息推送方法以及装置 |
WO2019019387A1 (zh) * | 2017-07-24 | 2019-01-31 | 上海壹账通金融科技有限公司 | 信息推送建议生成方法、装置、计算机设备和存储介质 |
CN108156522A (zh) * | 2018-02-06 | 2018-06-12 | 南京创维信息技术研究院有限公司 | 主页内容推送方法、装置及计算机可读存储介质 |
CN109409949A (zh) * | 2018-10-17 | 2019-03-01 | 北京字节跳动网络技术有限公司 | 用户群体分类的确定方法、装置、电子设备及存储介质 |
CN109783632A (zh) * | 2019-02-15 | 2019-05-21 | 腾讯科技(深圳)有限公司 | 客服信息推送方法、装置、计算机设备及存储介质 |
CN110264276A (zh) * | 2019-06-25 | 2019-09-20 | 广州视源电子科技股份有限公司 | 确定推送用户群的方法、装置、设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114285812A (zh) * | 2021-12-17 | 2022-04-05 | 深圳腾银信息咨询有限责任公司 | 一种定向群聊邀请方法、装置、系统及介质 |
CN114285812B (zh) * | 2021-12-17 | 2023-12-19 | 深圳耀金信息咨询有限责任公司 | 一种定向群聊邀请方法、装置、系统及介质 |
CN115174514A (zh) * | 2022-05-31 | 2022-10-11 | 青岛海尔科技有限公司 | 消息推送方法和装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112801685B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273454B (zh) | 用户数据分类方法、装置、服务器和计算机可读存储介质 | |
US11586880B2 (en) | System and method for multi-horizon time series forecasting with dynamic temporal context learning | |
US11436430B2 (en) | Feature information extraction method, apparatus, server cluster, and storage medium | |
CN109492772B (zh) | 生成信息的方法和装置 | |
US11574201B2 (en) | Enhancing evolutionary optimization in uncertain environments by allocating evaluations via multi-armed bandit algorithms | |
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN102388382B (zh) | 可缩放的群集方法和系统 | |
CN109961080B (zh) | 终端识别方法及装置 | |
WO2018059016A1 (zh) | 针对机器学习的特征处理方法及特征处理系统 | |
CN112801685B (zh) | 信息推送方法、装置、计算机设备及存储介质 | |
CN112070310A (zh) | 基于人工智能的流失用户预测方法、装置及电子设备 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
Koduvely | Learning Bayesian Models with R | |
US20190205702A1 (en) | System and method for recommending features for content presentations | |
CN115730125A (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
CN117391866A (zh) | 一种数据处理方法、装置、设备及其存储介质 | |
CN111127057B (zh) | 一种多维用户画像恢复方法 | |
CN116611889A (zh) | 基于用户画像标签的产品个性化推荐方法及系统 | |
CN111091218A (zh) | 竞价预测模型的生成以及广告投放自动出价方法和装置 | |
CN112950392A (zh) | 信息展示方法、后验信息确定方法及装置及相关设备 | |
CN113919893B (zh) | 信息推送方法、装置、电子设备和可读介质 | |
CN113935780B (zh) | 基于生存分析的客户流失风险的预测方法、及其相关设备 | |
US20230342793A1 (en) | Machine-learning (ml)-based system and method for generating dso impact score for financial transaction | |
CN115701102A (zh) | 一种内容推送方法、装置、设备及存储介质 | |
CN114511356A (zh) | 用于银行智能柜台的广告信息推送方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40048362 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |