CN113377849A - 一种信息推荐方法、装置及设备 - Google Patents

Abstract

本说明书实施例提供了一种信息推荐方法、装置及设备。所述方法包括获取目标用户的画像信息；所述画像信息包括行为信息和个人属性信息；所述行为信息包括目标用户在使用第一交通设备时生成的信息；基于所述画像信息生成所述目标用户使用第二交通设备的使用概率；基于所述目标用户使用第二交通设备的使用概率，向所述目标用户推荐与所述第二交通设备对应的信息。利用本说明书实施例可以有效实现两轮用户到四轮用户的拉新推荐，从而提升拉新效率。

Description

一种信息推荐方法、装置及设备

技术领域

本申请涉及机器学习领域，特别涉及一种信息推荐方法、装置及设备。

背景技术

随着互联网技术的迅速发展，各种信息扑面而来，作为某一平台的运营商而言，如果能够吸引大量新用户来使用平台中业务，将会很大程度上提高运营利润。

现有技术中，主要通过线上线下宣传来吸引大量新用户使用平台中业务。然而，这种方式不能准确触及每一个用户的关注点，在造成资源浪费的同时，也给用户带来一定程度的信息干扰，从而导致拉新效率较低。

因此，业内亟需一种可以解决上述技术问题的技术方案。

发明内容

本说明书实施例提供了一种信息推荐方法、装置及设备，可以有效实现两轮用户到四轮用户的拉新推荐，从而提升拉新效率。

本说明书提供的一种信息推荐方法、装置及设备是包括以下方式实现的。

一种信息推荐方法，包括：获取目标用户的画像信息；所述画像信息包括行为信息和个人属性信息；所述行为信息包括目标用户在使用第一交通设备时生成的信息；基于所述画像信息生成所述目标用户使用第二交通设备的使用概率；基于所述目标用户使用第二交通设备的使用概率，向所述目标用户推荐与所述第二交通设备对应的信息。

一种信息推荐装置，包括：画像信息获取模块，用于获取目标用户的画像信息；所述画像信息包括行为信息和个人属性信息；所述行为信息包括目标用户在使用第一交通设备时生成的信息；使用概率生成模块，用于基于所述画像信息生成所述目标用户使用第二交通设备的使用概率；信息推荐模块，用于基于所述目标用户使用第二交通设备的使用概率，向所述目标用户推荐与所述第二交通设备对应的信息。

一种信息推荐设备，包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现本说明书实施例中任意一个方法实施例的步骤。

一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现本说明书实施例中任意一个方法实施例的步骤。

本说明书提供的一种信息推荐方法、装置及设备。一些实施例中可以获取目标用户的画像信息，其中，画像信息包括行为信息和个人属性信息，行为信息包括目标用户在使用第一交通设备时生成的信息。进一步，可以基于画像信息生成目标用户使用第二交通设备的使用概率。还可以基于目标用户使用第二交通设备的使用概率，向目标用户推荐与第二交通设备对应的信息。由于可以从一个系统中使用第一交通设备的用户中挖掘意向使用第二交通设备的用户，使得不仅可以减少资源浪费，而且可以实现系统内部的多条业务线之间转化，提高拉新效率。采用本说明书提供的实施方案，可以有效实现两轮用户到四轮用户的拉新推荐，从而提升拉新效率。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，并不构成对本说明书的限定。在附图中：

图1是本说明书提供的一种信息推荐方法的一个实施例的流程示意图；

图2是本说明书提供的一种信息推荐的一个具体实施例的流程示意图；

图3是本说明书提供的一种信息推荐装置的一个实施例的模块结构示意图；

图4是本说明书提供的一种信息推荐服务器的一个实施例的硬件结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书中的一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书实施例保护的范围。

下面以一个具体的应用场景为例对本说明书实施方案进行说明。具体的，图1是本说明书提供的一种信息推荐方法的一个实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。

本说明书提供的一种实施方案可以应用到客户端、服务器等中。所述客户端可以包括终端设备，如智能手机、平板电脑等。所述服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式系统的服务器结构等。

需要说明的是，下述实施例描述并不对基于本说明书的其他可扩展到的应用场景中的技术方案构成限制。具体的一种实施例如图1所示，本说明书提供的一种信息推荐方法的一种实施例中，所述方法可以包括以下步骤。

S0：获取目标用户的画像信息；所述画像信息包括行为信息和个人属性信息；所述行为信息包括目标用户在使用第一交通设备时生成的信息。

其中，目标用户可以包括当前使用第一交通设备出行的用户。用户的画像信息可以简称用户画像，用户画像可以理解为通过收集与分析用户社会属性、生活习惯、消费行为等主要信息后抽象出的一个用户的商业全貌，即将用户信息标签化。

一些实施例中，所述画像信息可以包括行为信息和个人属性信息等。所述行为信息至少可以包括下述之一：用户使用第一交通设备的频率、使用第一交通设备的时间段分布、使用第一交通设备的起始位置、使用第一交通设备时是否跨区域等。所述个人属性信息至少可以包括下述之一：在应用软件上浏览关于第二交通设备的信息、在应用软件上点击关于第二交通设备的次数、领取关于第二交通设备的优惠券信息等。

一些实施例中，所述第一交通设备可以包括两轮车。所述两轮车可以包括两轮单车和/或两轮助力车。当然，上述只是进行示例性说明，第一交通设备不限于上述举例，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。

一些实施例中，可以从数据湖、数据库、其它渠道中获取用户在第一指定时间内使用第一交通设备的订单信息，然后从订单信息中挖掘出用户使用第一交通设备的频率、使用第一交通设备的时间段分布、使用第一交通设备的起始位置、使用第一交通设备时是否跨区域等行为信息。其中，第一指定时间可以根据实际场景进行设定，例如可以是1-3月，也可以是6月、一年等，本说明书对此不做限定。例如一些实施场景中，可以获取用户过去6个月的两轮单车、助力车骑行订单信息，然后从中挖掘出用户骑行频率/周、骑行时间段分布、骑行起始点位置、是否跨城骑行等行为属性。其中，行为属性可以理解为是行为信息。

一些实施例中，可以从数据湖、数据库、其它渠道中获取用户在第二指定时间内在应用软件上的使用信息，然后从使用信息中挖掘出用户浏览关于第二交通设备的信息、用户点击关于第二交通设备信息的次数、用户领取关于第二交通设备的优惠券信息。其中，第二指定时间可以根据实际场景进行设定，例如可以是一周、一个月、6月等，本说明书对此不做限定。例如一些实施场景中，可以获取用户过去60天的APP(Application)使用信息，从中提取出关于发单、找单、车主信息页等四轮页面的浏览信息、点击次数作为转化意向属性。一些实施场景中，还可以从外部合作渠道获取用户关于第二交通设备的优惠券领取属性。其中，转化意向属性可以理解为用户意向从使用第一交通设备转化为使用第二交通设备的属性。

当然，上述只是进行示例性说明，行为信息、个人属性信息不限于上述举例，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。

一些实施例中，在获取目标用户的画像信息后，可以将其更新到hive表中，这样后续在需要时，可以直接从中获取，从而可以有效提高数据处理效率。其中，hive是基于Hadoop的一个数据仓库工具，可以用来进行数据提取、转化、加载，是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制。

S2：基于所述画像信息生成所述目标用户使用第二交通设备的使用概率。

其中，第二交通设备可以包括四轮车，如，出租车、四轮电助力车等。

一些实施例中，第一交通设备和第二交通设备可以属于同一个管理系统。管理系统中可以包括大量使用第一交通设备的用户。第一交通设备和第二交通设备可以应用于不同业务，即属于不同业务线。例如，第一交通设备和第二交通设备可以属于同一个租赁公司，租赁公司中包括大量骑行用户，第一交通设备用于两轮用户，第二交通设备用于四轮用户，这样可以从管理系统中使用两轮设备的用户中挖掘意向使用四轮设备的用户，从而实现系统内部的多条业务线之间转化，提高拉新效率。当然，上述只是进行示例性说明，第一交通设备和第二交通设备不限于上述举例，例如，第一交通设备可以是四轮车，第二交通设备可以是两轮车，再如，第一交通设备为自行车，第二交通设备为电动车等，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。

当然，一些实施场景中，第一交通设备和第二交通设备还可以属于不同管理系统。所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。本说明书实施例中，在获取目标用户的画像信息后，可以基于画像信息生成目标用户使用第二交通设备的使用概率。

一些实施例中，可以利用使用概率预测模型对所述画像信息进行处理，获得所述目标用户使用第二交通设备的使用概率。其中，所述使用概率预测模型根据用户的画像信息和类别标签训练获得；所述类别标签根据用户在预设时间内是否使用第二交通设备确定。

一些实施例中，所述使用概率预测模型通过下述方式获得：

S21：获取用户的画像信息；所述画像信息包括行为信息和个人属性信息；所述行为信息包括用户在使用第一交通设备时生成的信息；

S22：根据用户在预设时间内是否使用第二交通设备，为每个用户分配类别标签；

S23：利用用户的画像信息和类别标签，对预设机器学习模型进行训练，获得使用概率预测模型。

其中，行为信息至少可以包括下述之一：用户使用第一交通设备的频率、使用第一交通设备的时间段分布、使用第一交通设备的起始位置、使用第一交通设备时是否跨区域等。个人属性信息可以包括用户意向使用第二交通设备的信息。一些实施场景中，个人属性信息至少可以包括下述之一：用户浏览关于第二交通设备的信息、用户点击关于第二交通设备信息的次数、用户领取关于第二交通设备的优惠券信息等。所述第一交通设备可以包括两轮车。所述两轮车可以包括两轮单车和/或两轮助力车等。所述第二交通设备可以包括四轮车。需要说明的是，上述获取用户画像信息的方式可以参照步骤S0中描述的实施例的方式，在此不作一一赘述。

上述实施例中，第一交通设备和第二交通设备可以属于同一个管理系统中不同业务线，这样就可以实现系统内不同业务线之间用户的转化，从而提高拉新效率。

上述实施例中，在获取用户的画像信息后，可以根据用户在预设时间内是否使用第二交通设备，为每个用户分配类别标签。其中，预设时间可以根据实际场景进行设定，本说明书对此不作限定。其中，类别标签可以包括正样本(记为正)和负样本(记为负)。例如，可以将前3个月从使用两轮车自然转化为使用四轮车的用户标记为正样本，将前3个月从使用两轮车未自然转化为使用四轮车的用户标记为负样本。

一些实施场景中，若用户在预设时间内从使用第一交通设备转化为使用第二交通设备，则可以将该用户记为正样本，若用户在预设时间内未从使用第一交通设备转化为使用第二交通设备，则可以将该用户记为负样本。

一些实施场景中，在为每个用户分配类别标签后，还可以根据用户从使用第一交通设备转化为使用第二交通设备的时效，为每个类别标签设置相应的标签值。其中，标签值可以表示使用概率，在0-1之间。例如，A、B、C、D、E五个用户在7天内从使用第一交通设备转化为使用第二交通设备的时间分别为1天、3天、未转化、6天、未转化，则依次为五个用户分配的类别标签为正、正、负、正、正，相应的，可以分别为每个类别标签分配表示使用概率的标签值为1、0.8、0.1、0.6、0。当然，上述只是进行示例性说明，每个类别标签对应的标签值可以根据实际场景设定，本说明书对此不做限定。例如一些实施场景中，可以直接将正样本的标签值设置为1，将负样本的标签值设置为0。

上述实施例中，在为每个用户分配类别标签后，可以利用用户的画像信息和类别标签，对预设机器学习模型进行训练，获得使用概率预测模型。

一些实施场景中，在利用用户的画像信息和类别标签对预设机器学习模型进行训练前，还可以进行数据处理，提高数据质量。其中，数据处理可以包括数据清洗、特征工程等。特征工程可以理解为是对原始数据进行一系列工程处理，将数据提炼为特征，作为输入供算法和模型使用，特征工程可以去除原始数据中的杂质和冗余，提高数据质量。

一些实施场景中，所述预设机器学习模型可以为基于Spark的GBDT算法。其中，Spark是为大规模数据处理设计的快速通用的计算引擎。MLlib(Machine Learnig lib)是Spark对常用的机器学习算法的实现库，包括相关的测试和数据生成器。GBDT(GradientBoostedTrees，梯度迭代树)算法可以解决一般损失函数的优化问题，其利用损失函数的负梯度在当前模型的值来模拟回归问题中残差的近似值。当然，上述只是进行示例性说明，预设机器学习模型不限于上述举例，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。

一些实施场景中，在训练模型时，可以设定正负样本的比例为1：3.15。当然，还可以根据实际场景设定其他比例。

由于第一交通设备可以包括多种，例如，可以包括两轮单车和两轮助力车，所以一些实施场景中可以分别获取用户在使用第一交通设备时的信息作为该用户画像信息中的行为信息，然后基于用户的画像信息和对应的类别标签分别对预设机器学习模型进行训练，获得基于不同行为信息训练获得的使用概率预测模型。例如一些实施场景中，获取的用户画像信息可以包括用户在使用两轮单车时生成的信息和个人属性信息，进而可以基于上述获取的画像信息对预设机器学习模型进行训练，获得第一使用概率预测模型。其中，第一使用概率预测模型可以用于预测用户从使用两轮单车转化为使用第二交通设备的概率。一些实施场景中，获取的用户画像信息可以包括用户在使用两轮助力车时生成的信息和个人属性信息，进而可以基于上述获取的画像信息对预设机器学习模型进行训练，获得第二使用概率预测模型。其中，第二使用概率预测模型可以用于预测用户从使用两轮助力车转化为使用第二交通设备的概率。

本说明书实施例中，通过基于使用第一交通设备的用户画像信息预先构建使用概率预测模型，进而预测目标用户从使用第一交通设备转化为使用第二交通设备的概率，可以有效提升拉新效率。

一些实施场景中，在获得多个使用概率预测模型后，在使用时，可以根据目标用户画像信息中行为信息选择合适的使用概率预测模型，使预测结果更加准确合理。

一些实施例中，所述第一交通设备包括两轮单车和两轮助力车时，所述利用使用概率预测模型对所述画像信息进行处理，获得所述目标用户使用第二交通设备的使用概率，可以包括：利用所述使用概率预测模型包括的第一使用概率预测模型对所述画像信息进行处理，获得所述目标用户使用第二交通设备的第一概率；其中，在训练所述第一使用概率预测模型时，所述行为信息包括用户在使用两轮单车时生成的信息；利用所述使用概率预测模型包括的第二使用概率预测模型对所述画像信息进行处理，获得所述目标用户使用第二交通设备的第二概率；其中，在训练所述第二使用概率预测模型时，所述行为信息包括用户在使用两轮助力车时生成的信息；选择所述第一概率和第二概率中最大值作为所述目标用户使用第二交通设备的概率。例如，若目标用户同时存在使用单车、两轮助力车的信息，则可以分别利用对应的使用概率预测模型预测使用概率，然后从中选择最大值作为该目标用户使用第二交通设备的概率。

S4：基于所述目标用户使用第二交通设备的使用概率，向所述目标用户推荐与所述第二交通设备对应的信息。

本说明书实施例中，在生成目标用户使用第二交通设备的使用概率后，可以基于目标用户使用第二交通设备的使用概率，向目标用户推荐与第二交通设备对应的信息。

一些实施例中，目标用户在接收到推荐的与第二交通设备对应的信息后，可以基于推荐信息确定是否使用第二交通设备。

一些实施例中，可以根据不同的使用概率采取不同的措施进行信息推荐。

一些实施场景中，可以预先为不同使用概率设置对应的推荐信息的方式。其中，推荐信息的方式可以包括短信、电话、邮箱、资源广告、应用商店广告弹窗、线上资源位展示等。

一些实施例中，在向目标用户推荐与第二交通设备对应的信息后，可以基于预设期限内用户对交通设备的实际使用情况更新训练模型的数据，提高后续对模型训练的准确度，进而提高预测准确度。

本说明书实施例中，通过根据预测的使用概率对应的信息推荐方式向用户推荐相关信息，可以准确触及每一个用户的关注点，减少资源浪费的同时，提高推荐准确度。

本说明书实施例中，通过建立使用概率预测模型，不仅可以有效提升运营手动触达效率，节约运营成本，提升投资回报率，而且可以有效提升四轮业务发单量，提升总成交额。

当然，上述只是进行示例性说明，本说明书实施例不限于上述举例，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。

从以上的描述中，可以看出，本申请实施例可以获取目标用户的画像信息，其中，画像信息包括行为信息和个人属性信息，行为信息包括目标用户在使用第一交通设备时生成的信息。进一步，可以基于画像信息生成目标用户使用第二交通设备的使用概率。还可以基于目标用户使用第二交通设备的使用概率，向目标用户推荐与第二交通设备对应的信息。由于使用概率预测模型是根据用户的画像信息和类别标签训练获得，而类别标签是根据用户在预设时间内是否使用第二交通设备确定的，使得利用使用概率预测模型获得的预测结果更加准确，进而基于预测结果向用户推荐的信息更准确。由于可以从一个系统中使用第一交通设备的用户中挖掘意向使用第二交通设备的用户，使得不仅可以减少资源浪费，而且可以实现系统内部的多条业务线之间转化，提高拉新效率。

下面结合一个具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。如图2所示，图2是本说明书提供的一种信息推荐的一个具体实施例的流程示意图。在本具体实施例中，第一交通设备为租赁公司A中单车，第二交通设备为租赁公司A中汽车，具体可以包括以下步骤。

S201：获取目标用户的画像信息；所述画像信息包括行为信息和个人属性信息；所述行为信息包括目标用户在使用单车时生成的信息，所述个人属性信息包括目标用户意向使用汽车的信息；

S202：利用使用概率预测模型对所述画像信息进行处理，获得所述目标用户使用汽车的概率；其中，所述使用概率预测模型根据用户的画像信息和类别标签训练获得；所述类别标签根据用户在预设时间内是否从使用汽车确定；

S203：基于所述目标用户使用汽车的概率，向所述目标用户推荐与所述汽车对应的信息。

需要说明的，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

从以上的描述中，可以看出，本说明书实施例可以从一个系统中使用第一交通设备的用户中挖掘意向使用第二交通设备的用户，从而实现系统内部的多条业务线之间转化，提高拉新效率，提升投资回报率。其中，拉新可以理解为获取新用户。如，将使用单车的用户转化为使用汽车的用户，将两轮用户转化为四轮用户等。

本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参加即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。

基于上述所述一种信息推荐方法，本说明书一个或多个实施例还提供一种信息推荐装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

具体地，图3是本说明书提供的一种信息推荐装置的一个实施例的模块结构示意图，如图3所示，本说明书提供的一种信息推荐装置可以包括：画像信息获取模块120，使用概率生成模块122，信息推荐模块124。

画像信息获取模块120，可以用于获取目标用户的画像信息；所述画像信息包括行为信息和个人属性信息；所述行为信息包括目标用户在使用第一交通设备时生成的信息；

使用概率生成模块122，可以用于基于所述画像信息生成所述目标用户使用第二交通设备的使用概率；

信息推荐模块124，可以用于基于所述目标用户使用第二交通设备的使用概率，向所述目标用户推荐与所述第二交通设备对应的信息。

需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本说明书还提供一种信息推荐设备的实施例，包括处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括以下步骤：获取目标用户的画像信息；所述画像信息包括行为信息和个人属性信息；所述行为信息包括目标用户在使用第一交通设备时生成的信息；基于所述画像信息生成所述目标用户使用第二交通设备的使用概率；基于所述目标用户使用第二交通设备的使用概率，向所述目标用户推荐与所述第二交通设备对应的信息。

需要说明的，上述所述的设备根据方法或装置实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本说明书所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图4是本说明书提供的一种信息推荐服务器的一个实施例的硬件结构框图，该服务器可以是上述实施例中的信息推荐装置或信息推荐设备。如图4所示，服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解，图4所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图4中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图4所示不同的配置。

存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的信息推荐方法对应的程序指令/模块，处理器100通过运行存储在存储器200内的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

本说明书提供的上述信息推荐方法或装置实施例可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在PC端实现、linux系统实现，或其他例如使用android、iOS系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。

需要说明的是说明书上述所述的装置、设备、系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照对应方法实施例的描述，在此不作一一赘述。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把部分模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。

本发明是参照根据本发明实施例的方法、装置、设备、系统的流程图和/或方框图来描述的。应理解可由计算机程序指令实现，可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。

以上所述仅为本说明书一个或多个实施例的实施例而已，并不用于限制本本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。

Claims (11)

1.一种信息推荐方法，其特征在于，包括：

获取目标用户的画像信息；所述画像信息包括行为信息和个人属性信息；所述行为信息包括目标用户在使用第一交通设备时生成的信息；

基于所述画像信息生成所述目标用户使用第二交通设备的使用概率；

基于所述目标用户使用第二交通设备的使用概率，向所述目标用户推荐与所述第二交通设备对应的信息。

2.根据权利要求1所述的方法，其特征在于，所述基于所述画像信息生成所述目标用户使用第二交通设备的使用概率，包括：

利用使用概率预测模型对所述画像信息进行处理，获得所述目标用户使用第二交通设备的使用概率；其中，所述使用概率预测模型根据用户的画像信息和类别标签训练获得；所述类别标签根据用户在预设时间内是否使用第二交通设备确定。

3.根据权利要求2所述的方法，其特征在于，所述使用概率预测模型通过下述方式获得：

获取用户的画像信息；所述画像信息包括行为信息和个人属性信息；所述行为信息包括用户在使用第一交通设备时生成的信息；

根据用户在预设时间内是否使用第二交通设备，为每个用户分配类别标签；

利用用户的画像信息和类别标签，对预设机器学习模型进行训练，获得使用概率预测模型。

4.根据权利要求3所述的方法，其特征在于，所述行为信息至少包括下述之一：用户使用第一交通设备的频率、使用第一交通设备的时间段分布、使用第一交通设备的起始位置、使用第一交通设备时是否跨区域。

5.根据权利要求3所述的方法，其特征在于，所述个人属性信息至少包括下述之一：用户浏览关于第二交通设备的信息、用户点击关于第二交通设备信息的次数、用户领取关于第二交通设备的优惠券信息。

6.根据权利要求3所述的方法，其特征在于，所述预设机器学习模型为基于Spark的GBDT算法。

7.根据权利要求3所述的方法，其特征在于，所述第一交通设备包括两轮车；所述两轮车包括两轮单车和/或两轮助力车；所述第二交通设备包括四轮车。

8.根据权利要求7所述的方法，其特征在于，所述第一交通设备包括两轮单车和两轮助力车时，所述利用使用概率预测模型对所述画像信息进行处理，获得所述目标用户使用第二交通设备的使用概率，包括：

利用所述使用概率预测模型包括的第一使用概率预测模型对所述画像信息进行处理，获得所述目标用户使用第二交通设备的的第一概率；其中，在训练所述第一使用概率预测模型时，所述行为信息包括用户在使用两轮单车时生成的信息；

利用所述使用概率预测模型包括的第二使用概率预测模型对所述画像信息进行处理，获得所述目标用户使用第二交通设备的的第二概率；其中，在训练所述第二使用概率预测模型时，所述行为信息包括用户在使用两轮助力车时生成的信息；

选择所述第一概率和第二概率中最大值作为所述目标用户使用第二交通设备的使用概率。

9.一种信息推荐装置，其特征在于，包括：

画像信息获取模块，用于获取目标用户的画像信息；所述画像信息包括行为信息和个人属性信息；所述行为信息包括目标用户在使用第一交通设备时生成的信息；

使用概率生成模块，用于基于所述画像信息生成所述目标用户使用第二交通设备的使用概率；

信息推荐模块，用于基于所述目标用户使用第二交通设备的使用概率，向所述目标用户推荐与所述第二交通设备对应的信息。

10.一种信息推荐设备，其特征在于，包括处理器及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-8中任意一项所述方法的步骤。

11.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现权利要求1-8中任一项所述方法的步骤。

Images