CN113641909A - 信息推送方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了信息推送方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：根据时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集；对于每个一级反馈用户特征向量子集，对各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集；对所得到的各个二级反馈用户特征向量子集进行优选处理，得到种子用户特征向量集合；响应于接收到目标用户特征向量，生成相似度信息；响应于相似度信息满足预设相似度条件，将预设频道信息推送至对应于目标用户特征向量的用户终端。该实施方式提高了圈选的种子用户的准确率、召回率，提升了相似人群放大的关联效果，节省了算力资源。

Description

信息推送方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及信息推送方法、装置、电子设备和计算机可读介质。

背景技术

人群lookalike，是基于种子用户，找到更多拥有潜在关联性的相似人群的技术。目前，在圈选种子用户时，通常采用的方式为：人工圈选种子用户或将实时反馈用户作为种子用户。

然而，当采用上述方式圈选种子用户时，经常会存在如下技术问题：用户画像标签较多时，通过人工方式圈选的种子用户的准确率和召回率较低；将反馈用户直接作为种子用户，种子用户的特征较为分散，相似人群放大的关联效果较差，同时，反馈用户较多时进行相似人群查找，造成算力资源浪费。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了信息推送方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种信息推送方法，该方法包括：根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集，其中，每个一级反馈用户特征向量子集对应一个时间段；对于上述各个一级反馈用户特征向量子集中的每个一级反馈用户特征向量子集，对上述一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集；对所得到的各个二级反馈用户特征向量子集进行二级反馈用户特征向量子集优选处理，得到优选处理后的二级反馈用户特征向量子集作为种子用户特征向量集合；响应于接收到目标用户特征向量，基于上述种子用户特征向量集合和上述目标用户特征向量，生成相似度信息；响应于上述相似度信息满足预设相似度条件，将对应上述反馈目标的预设频道信息推送至对应于上述目标用户特征向量的用户终端。

可选地，方法还包括：响应于上述相似度信息满足预设相似度条件，将上述目标用户特征向量添加至上述种子用户特征向量集合中。

可选地，上述生成相似度信息，包括：对上述种子用户特征向量集合中的各个种子用户特征向量进行均值化处理，得到均值化种子用户特征向量；将上述目标用户特征向量和上述均值化种子用户特征向量的相似度确定为相似度信息。

可选地，在上述根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集之前，方法还包括：响应于接收到对应上述反馈目标的目标埋点日志数据，对上述目标埋点日志数据进行解析处理，得到反馈用户特征向量集。

可选地，上述对上述目标埋点日志数据进行解析处理，包括：对上述目标埋点日志数据进行字段解析处理，得到解析用户特征向量集；响应于上述解析用户特征向量集中存在相同的解析用户特征向量，对上述解析用户特征向量集进行去重处理，得到去重后的解析用户特征向量集作为反馈用户特征向量集；响应于上述解析用户特征向量集中的各个解析用户特征向量相异，将上述解析用户特征向量集确定为反馈用户特征向量集。

可选地，方法还包括：响应于在预设时间段内检测到的对应于上述种子用户特征向量集合中的种子用户特征向量的反馈量满足预设反馈异常条件，将上述反馈量对应的种子用户特征向量从上述种子用户特征向量集合中删除，其中，上述反馈量对应于上述反馈目标。

第二方面，本公开的一些实施例提供了一种信息推送装置，装置包括：拆分单元，被配置成根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集，其中，每个一级反馈用户特征向量子集对应一个时间段；聚类单元，被配置成对于上述各个一级反馈用户特征向量子集中的每个一级反馈用户特征向量子集，对上述一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集；优选单元，被配置成对所得到的各个二级反馈用户特征向量子集进行二级反馈用户特征向量子集优选处理，得到优选处理后的二级反馈用户特征向量子集作为种子用户特征向量集合；生成单元，被配置成响应于接收到目标用户特征向量，基于上述种子用户特征向量集合和上述目标用户特征向量，生成相似度信息；推送单元，被配置成响应于上述相似度信息满足预设相似度条件，将对应上述反馈目标的预设频道信息推送至对应于上述目标用户特征向量的用户终端。

可选地，装置还包括：添加单元，被配置成响应于上述相似度信息满足预设相似度条件，将上述目标用户特征向量添加至上述种子用户特征向量集合中。

可选地，生成单元进一步被配置成：对上述种子用户特征向量集合中的各个种子用户特征向量进行均值化处理，得到均值化种子用户特征向量；将上述目标用户特征向量和上述均值化种子用户特征向量的相似度确定为相似度信息。

可选地，在拆分单元之前，装置还包括：解析单元，被配置成响应于接收到对应上述反馈目标的目标埋点日志数据，对上述目标埋点日志数据进行解析处理，得到反馈用户特征向量集。

可选地，解析单元进一步被配置成：对上述目标埋点日志数据进行字段解析处理，得到解析用户特征向量集；响应于上述解析用户特征向量集中存在相同的解析用户特征向量，对上述解析用户特征向量集进行去重处理，得到去重后的解析用户特征向量集作为反馈用户特征向量集；响应于上述解析用户特征向量集中的各个解析用户特征向量相异，将上述解析用户特征向量集确定为反馈用户特征向量集。

可选地，装置还包括：删除单元，被配置成响应于在预设时间段内检测到的对应于上述种子用户特征向量集合中的种子用户特征向量的反馈量满足预设反馈异常条件，将上述反馈量对应的种子用户特征向量从上述种子用户特征向量集合中删除，其中，上述反馈量对应于上述反馈目标。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的信息推送方法，提高了圈选的种子用户的准确率、召回率，提升了相似人群放大的关联效果，节省了算力资源。具体来说，造成圈选的种子用户的准确率与召回率较低、相似人群放大的关联效果较差以及算力资源浪费的原因在于：用户画像标签较多时，通过人工方式圈选的种子用户的准确率和召回率较低；将反馈用户直接作为种子用户，种子用户的特征较为分散，相似人群放大的关联效果较差，同时，反馈用户较多时进行相似人群查找，造成算力资源浪费。基于此，本公开的一些实施例的信息推荐方法，首先，根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集，其中，每个一级反馈用户特征向量子集对应一个时间段。由此，可以从横向(时间)的角度将实时的反馈用户特征向量集拆分成多个一级反馈用户特征向量子集。然后，对于上述各个一级反馈用户特征向量子集中的每个一级反馈用户特征向量子集，对上述一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集。由此，可以从纵向(聚类类别)的角度进一步将每个一级反馈用户特征向量子集拆分为各个二级反馈用户特征向量子集。之后，对所得到的各个二级反馈用户特征向量子集进行二级反馈用户特征向量子集优选处理，得到优选处理后的二级反馈用户特征向量子集作为种子用户特征向量集合。由此，可以从经过横向和纵向拆分得到的各个二级反馈用户特征向量子集中优选出一个二级用户反馈特征向量子集作为种子用户特征向量集合。其次，响应于接收到目标用户特征向量，基于上述种子用户特征向量集合和上述目标用户特征向量，生成相似度信息。最后，响应于上述相似度信息满足预设相似度条件，将对应上述反馈目标的预设频道信息推送至对应于上述目标用户特征向量的用户终端。由此，可以使得上述用户终端在上述应用页面的资源位展示上述预设频道信息。也因为种子用户特征向量集合是从经过横向和纵向拆分得到的各个二级反馈用户特征向量子集中选择的，从而实现了种子用户特征向量集合的特征的聚集性。从而提升了相似人群放大的关联效果。又因为未将全部反馈用户特征向量集作为种子用户特征向量集合，进行相似人群查找时，可以节省算力资源。还因为可以自动选择种子用户特征向量集合，提高了圈选的种子用户的准确率和召回率。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的一些实施例的信息推送方法的一个应用场景的示意图；

图2是根据本公开的信息推送方法的一些实施例的流程图；

图3是根据本公开的信息推送方法的另一些实施例的流程图；

图4是根据本公开的信息推送方法的又一些实施例的流程图；

图5是根据本公开的信息推送装置的一些实施例的结构示意图；

图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开一些实施例的信息推荐方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以根据预设的时间粒度信息102，将对应反馈目标103的反馈用户特征向量集104拆分为各个一级反馈用户特征向量子集105。其中，每个一级反馈用户特征向量子集对应一个时间段。然后，对于上述各个一级反馈用户特征向量子集105中的每个一级反馈用户特征向量子集，计算设备101可以对上述一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集。之后，计算设备101可以对所得到的各个二级反馈用户特征向量子集106进行二级反馈用户特征向量子集优选处理，得到优选处理后的二级反馈用户特征向量子集作为种子用户特征向量集合107。其次，计算设备101可以响应于接收到目标用户特征向量108，基于上述种子用户特征向量集合107和上述目标用户特征向量108，生成相似度信息109。最后，计算设备101可以响应于上述相似度信息109满足预设相似度条件，将对应上述反馈目标103的预设频道信息110推送至对应于上述目标用户特征向量108的用户终端111。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备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计算设备。

继续参考图2，示出了根据本公开的信息推送方法的一些实施例的流程200。该信息推送方法，包括以下步骤：

步骤201，根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集。

在一些实施例中，信息推送方法的执行主体(例如图1所示的计算设备101)可以根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集。其中，上述时间粒度信息可以为预先设定的对反馈用户特征向量集进行拆分的时间粒度相关信息。例如，上述时间粒度信息可以为“10分钟”。上述反馈目标可以为对应用户在前端的应用页面中的行为的目标。例如，反馈目标可以为“提升应用页面的点击曝光率”。上述反馈用户特征向量集可以为接收到的点击进入上述应用页面的各个用户的特征向量的集合。上述反馈用户特征向量集中的反馈用户特征向量可以包括但不限于：用户属性信息、用户行为信息。上述用户属性信息可以为与用户的基础属性相关的信息，可以包括但不限于：年龄、性别、城市。上述用户行为信息可以为与用户在应用页面的行为相关的信息，可以包括但不限于：预设历史时间段内的访问次数、活跃天数、访问时长。实践中，上述执行主体可以按照上述时间粒度信息表征的时间粒度，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集，使得每个一级反馈用户特征向量子集对应一个时间段，各个时间段的时间间隔相同。例如，上述时间粒度信息可以为“10分钟”，则各个时间段的时间间隔为10分钟。

可选地，上述执行主体可以响应于接收到对应上述反馈目标的目标埋点日志数据，对上述目标埋点日志数据进行解析处理，得到反馈用户特征向量集。其中，上述目标埋点日志数据可以为根据对与应用页面对应的目标用户行为的埋点，所接收到的日志数据。上述应用页面和上述目标用户行为对应上述反馈目标。例如，上述反馈目标为“提升应用页面的点击曝光率”。则上述目标用户行为为“用户点击进入上述应用页面的点击行为”。实践中，对于每个用户标识，上述执行主体可以根据预设的字段集合，从上述目标埋点日志数据中提取上述字段集合中的各个字段对应的各个特征值作为对应上述用户标识的反馈用户特征向量。由此，可以通过目标埋点日志数据，自动解析得到反馈用户特征向量集。

可选地，首先，上述执行主体可以对上述目标埋点日志数据进行字段解析处理，得到解析用户特征向量集。实践中，对于每个用户标识，上述执行主体可以根据预设的字段集合，从上述目标埋点日志数据中提取上述字段集合中的各个字段对应的各个特征值作为对应上述用户标识的解析用户特征向量。然后，响应于上述解析用户特征向量集中存在相同的解析用户特征向量，上述执行主体可以对上述解析用户特征向量集进行去重处理，得到去重后的解析用户特征向量集作为反馈用户特征向量集。之后，响应于上述解析用户特征向量集中的各个解析用户特征向量相异，上述执行主体可以将上述解析用户特征向量集确定为反馈用户特征向量集。由此，可以使得反馈用户特征向量集中不存在相同的反馈用户特征向量。

步骤202，对于各个一级反馈用户特征向量子集中的每个一级反馈用户特征向量子集，对一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集。

在一些实施例中，上述执行主体可以对于上述各个一级反馈用户特征向量子集中的每个一级反馈用户特征向量子集，对上述一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集。实践中，上述执行主体可以采用kmeans聚类算法，对上述一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理。

步骤203，对所得到的各个二级反馈用户特征向量子集进行二级反馈用户特征向量子集优选处理，得到优选处理后的二级反馈用户特征向量子集作为种子用户特征向量集合。

在一些实施例中，上述执行主体可以对所得到的各个二级反馈用户特征向量子集进行二级反馈用户特征向量子集优选处理，得到优选处理后的二级反馈用户特征向量子集作为种子用户特征向量集合。实践中，上述执行主体可以通过基于UCB(Upper ConfidenceBounds)的Bandit算法，从所得到的各个二级反馈用户特征向量子集中选取最优二级反馈用户特征向量子集作为种子用户特征向量集合。

步骤204，响应于接收到目标用户特征向量，基于种子用户特征向量集合和目标用户特征向量，生成相似度信息。

在一些实施例中，信息推送方法的执行主体(例如图1所示的计算设备101)可以响应于接收到目标用户特征向量，基于上述种子用户特征向量集合和上述目标用户特征向量，生成相似度信息。其中，上述目标用户特征向量可以为实时到访上述反馈目标的应用页面的用户的特征向量。可以理解的是，上述目标用户特征向量与上述种子用户特征向量集合中的种子用户特征向量的维度一致。实践中，上述执行主体可以利用余弦相似度公式，生成上述种子用户特征向量集合中的每个种子用户特征向量与上述目标用户特征向量的相似度，得到相似度集合作为相似度信息。

在一些实施例的一些可选的实现方式中，首先，上述执行主体可以对上述种子用户特征向量集合中的各个种子用户特征向量进行均值化处理，得到均值化种子用户特征向量。实践中，对于上述种子用户特征向量集合中的种子用户特征向量的每个维度，上述执行主体可以将上述种子用户特征向量集合中各个种子用户特征向量对应上述维度的特征值的均值确定为均值化种子用户特征向量对应于上述维度的特征值，得到均值化种子用户特征向量对应于各个维度的各个特征值。然后，可以将上述目标用户特征向量和上述均值化种子用户特征向量的相似度确定为相似度信息。实践中，上述执行主体可以利用余弦相似度公式，生成上述目标用户特征向量和上述均值化种子用户特征向量的相似度作为相似度信息。上述执行主体还可以利用多层感知器(Muti-Layer Perception，MLP)，生成上述目标用户特征向量和上述均值化种子用户特征向量的相似度作为相似度信息。

步骤205，响应于相似度信息满足预设相似度条件，将对应反馈目标的预设频道信息推送至对应于目标用户特征向量的用户终端。

在一些实施例中，响应于上述相似度信息满足预设相似度条件，上述执行主体可以将对应上述反馈目标的预设频道信息推送至对应于上述目标用户特征向量的用户终端。其中，上述预设频道信息可以为用于显示可链接至上述反馈目标对应的应用页面的相关信息，可以包括应用页面网址、频道渲染信息、资源位信息。上述频道渲染信息可以为用于在上述应用页面显示的信息，可以包括频道图片。上述资源位信息可以为在应用页面中对频道渲染信息进行渲染的位置信息。上述用户终端可以为实时到访上述应用页面的用户的终端设备。上述预设相似度条件可以为“上述相似度信息包括的相似度的中位数大于等于预设阈值”。由此，可以使得上述用户终端在上述应用页面的资源位展示上述预设频道信息。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的信息推送方法，提高了圈选的种子用户的准确率、召回率，提升了相似人群放大的关联效果，节省了算力资源。具体来说，造成圈选的种子用户的准确率与召回率较低、相似人群放大的关联效果较差以及算力资源浪费的原因在于：用户画像标签较多时，通过人工方式圈选的种子用户的准确率和召回率较低；将反馈用户直接作为种子用户，种子用户的特征较为分散，相似人群放大的关联效果较差，同时，反馈用户较多时进行相似人群查找，造成算力资源浪费。基于此，本公开的一些实施例的信息推荐方法，首先，根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集，其中，每个一级反馈用户特征向量子集对应一个时间段。由此，可以从横向(时间)的角度将实时的反馈用户特征向量集拆分成多个一级反馈用户特征向量子集。然后，对于上述各个一级反馈用户特征向量子集中的每个一级反馈用户特征向量子集，对上述一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集。由此，可以从纵向(聚类类别)的角度进一步将每个一级反馈用户特征向量子集拆分为各个二级反馈用户特征向量子集。之后，对所得到的各个二级反馈用户特征向量子集进行二级反馈用户特征向量子集优选处理，得到优选处理后的二级反馈用户特征向量子集作为种子用户特征向量集合。由此，可以从经过横向和纵向拆分得到的各个二级反馈用户特征向量子集中优选出一个二级用户反馈特征向量子集作为种子用户特征向量集合。其次，响应于接收到目标用户特征向量，基于上述种子用户特征向量集合和上述目标用户特征向量，生成相似度信息。最后，响应于上述相似度信息满足预设相似度条件，将对应上述反馈目标的预设频道信息推送至对应于上述目标用户特征向量的用户终端。由此，可以使得上述用户终端在上述应用页面的资源位展示上述预设频道信息。也因为种子用户特征向量集合是从经过横向和纵向拆分得到的各个二级反馈用户特征向量子集中选择的，从而实现了种子用户特征向量集合的特征的聚集性。从而提升了相似人群放大的关联效果。又因为未将全部反馈用户特征向量集作为种子用户特征向量集合，进行相似人群查找时，可以节省算力资源。还因为可以自动选择种子用户特征向量集合，提高了圈选的种子用户的准确率和召回率。

进一步参考图3，其示出了信息推送方法的另一些实施例的流程300。该信息推送方法的流程300，包括以下步骤：

步骤301，根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集。

步骤302，对于各个一级反馈用户特征向量子集中的每个一级反馈用户特征向量子集，对一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集。

步骤303，对所得到的各个二级反馈用户特征向量子集进行二级反馈用户特征向量子集优选处理，得到优选处理后的二级反馈用户特征向量子集作为种子用户特征向量集合。

步骤304，响应于接收到目标用户特征向量，基于种子用户特征向量集合和目标用户特征向量，生成相似度信息。

步骤305，响应于相似度信息满足预设相似度条件，将对应反馈目标的预设频道信息推送至对应于目标用户特征向量的用户终端。

在一些实施例中，步骤301-305的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-205，在此不再赘述。

步骤306，响应于在预设时间段内检测到的对应于种子用户特征向量集合中的种子用户特征向量的反馈量满足预设反馈异常条件，将反馈量对应的种子用户特征向量从种子用户特征向量集合中删除。

在一些实施例中，信息推送方法的执行主体(例如图1所示的计算设备101)可以响应于在预设时间段内检测到的对应于上述种子用户特征向量集合中的种子用户特征向量的反馈量满足预设反馈异常条件，将上述反馈量对应的种子用户特征向量从上述种子用户特征向量集合中删除。其中，上述反馈量对应于上述反馈目标。上述反馈量可以为与上述反馈目标相关的统计量。例如，上述反馈目标可以为“提升应用页面的点击曝光率”。则上述反馈量可以为在上述预设时间段内，用户点击进入上述应用页面的次数。上述预设反馈异常条件可以为“上述反馈量小于等于预设反馈量”。这里，对于预设反馈量的具体设定，不作限定。

从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的信息推送方法的流程300体现了对删除反馈量满足预设反馈异常条件的种子用户特征向量的步骤。由此，这些实施例描述的方案可以实现对种子用户特征向量集合的动态调整，避免了种子用户特征向量集合中种子用户特征向量的数量越来越多，进一步节省了算力资源。同时，对反馈量满足预设反馈异常条件的种子用户特征向量进行删除，进一步提高了圈选的种子用户的准确率，进而可以提升了相似人群放大的关联效果。

进一步参考图4，其示出了信息推送方法的又一些实施例的流程400。该信息推送方法的流程400，包括以下步骤：

步骤401，根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集。

步骤402，对于各个一级反馈用户特征向量子集中的每个一级反馈用户特征向量子集，对一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集。

步骤403，对所得到的各个二级反馈用户特征向量子集进行二级反馈用户特征向量子集优选处理，得到优选处理后的二级反馈用户特征向量子集作为种子用户特征向量集合。

步骤404，响应于接收到目标用户特征向量，基于种子用户特征向量集合和目标用户特征向量，生成相似度信息。

步骤405，响应于相似度信息满足预设相似度条件，将对应反馈目标的预设频道信息推送至对应于目标用户特征向量的用户终端。

在一些实施例中，步骤401-405的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-205，在此不再赘述。

步骤406，响应于相似度信息满足预设相似度条件，将目标用户特征向量添加至种子用户特征向量集合中。

在一些实施例中，上述执行主体可以响应于上述相似度信息满足上述预设相似度条件，将上述目标用户特征向量添加至上述种子用户特征向量集合中。其中，上述预设相似度条件可以为“上述相似度信息包括的相似度的中位数大于等于预设阈值”。这里，对于预设阈值的具体设定，不作限定。由此，可以根据实时到访的用户的用户特征向量，对种子用户特征向量集合进行扩充。

需要说明的是，步骤401-403仅需执行一次，再次接收到目标用户特征向量时，可以直接利用通过406得到的种子用户特征向量集合，再次执行步骤404-405。

从图4中可以看出，与图2对应的一些实施例的描述相比，图4对应的一些实施例中的信息推送方法的流程400体现了对种子用户特征向量集合进行扩充的步骤。由此，这些实施例描述的方案可以根据实时到访的用户的用户特征向量，对种子用户特征向量集合进行扩充。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种信息推送装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，一些实施例的信息推送装置500包括：拆分单元501、聚类单元502、优选单元503、生成单元504和推送单元505。其中，拆分单元501被配置成根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集，其中，每个一级反馈用户特征向量子集对应一个时间段；聚类单元502被配置成对于上述各个一级反馈用户特征向量子集中的每个一级反馈用户特征向量子集，对上述一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集；优选单元503被配置成对所得到的各个二级反馈用户特征向量子集进行二级反馈用户特征向量子集优选处理，得到优选处理后的二级反馈用户特征向量子集作为种子用户特征向量集合；生成单元504被配置成响应于接收到目标用户特征向量，基于上述种子用户特征向量集合和上述目标用户特征向量，生成相似度信息；推送单元505被配置成响应于上述相似度信息满足预设相似度条件，将对应上述反馈目标的预设频道信息推送至对应于上述目标用户特征向量的用户终端。

可选地，信息推送装置500还可以包括：添加单元(图中未示出)，被配置成响应于上述相似度信息满足预设相似度条件，将上述目标用户特征向量添加至上述种子用户特征向量集合中。

可选地，生成单元504可以进一步被配置成：对上述种子用户特征向量集合中的各个种子用户特征向量进行均值化处理，得到均值化种子用户特征向量；将上述目标用户特征向量和上述均值化种子用户特征向量的相似度确定为相似度信息。

可选地，在拆分单元501之前，信息推送装置500还可以包括：解析单元(图中未示出)，被配置成响应于接收到对应上述反馈目标的目标埋点日志数据，对上述目标埋点日志数据进行解析处理，得到反馈用户特征向量集。

可选地，解析单元可以进一步被配置成：对上述目标埋点日志数据进行字段解析处理，得到解析用户特征向量集；响应于上述解析用户特征向量集中存在相同的解析用户特征向量，对上述解析用户特征向量集进行去重处理，得到去重后的解析用户特征向量集作为反馈用户特征向量集；响应于上述解析用户特征向量集中的各个解析用户特征向量相异，将上述解析用户特征向量集确定为反馈用户特征向量集。

可选地，信息推送装置500还可以包括：删除单元(图中未示出)，被配置成响应于在预设时间段内检测到的对应于上述种子用户特征向量集合中的种子用户特征向量的反馈量满足预设反馈异常条件，将上述反馈量对应的种子用户特征向量从上述种子用户特征向量集合中删除，其中，上述反馈量对应于上述反馈目标。

可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些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程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载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(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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。计算机可读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，该计算机可读信号介质可以发送、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程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述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该电子设备执行时，使得该电子设备：根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集，其中，每个一级反馈用户特征向量子集对应一个时间段；对于上述各个一级反馈用户特征向量子集中的每个一级反馈用户特征向量子集，对上述一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集；对所得到的各个二级反馈用户特征向量子集进行二级反馈用户特征向量子集优选处理，得到优选处理后的二级反馈用户特征向量子集作为种子用户特征向量集合；响应于接收到目标用户特征向量，基于上述种子用户特征向量集合和上述目标用户特征向量，生成相似度信息；响应于上述相似度信息满足预设相似度条件，将对应上述反馈目标的预设频道信息推送至对应于上述目标用户特征向量的用户终端。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。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、或代码的一部分，该模块、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。

描述于本公开的一些实施例中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，例如，可以描述为：一种处理器包括拆分单元、聚类单元、优选单元、生成单元和推送单元。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，例如，拆分单元还可以被描述为“根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种信息推送方法，包括：

根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集，其中，每个一级反馈用户特征向量子集对应一个时间段；

对于所述各个一级反馈用户特征向量子集中的每个一级反馈用户特征向量子集，对所述一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集；

对所得到的各个二级反馈用户特征向量子集进行二级反馈用户特征向量子集优选处理，得到优选处理后的二级反馈用户特征向量子集作为种子用户特征向量集合；

响应于接收到目标用户特征向量，基于所述种子用户特征向量集合和所述目标用户特征向量，生成相似度信息；

响应于所述相似度信息满足预设相似度条件，将对应所述反馈目标的预设频道信息推送至对应于所述目标用户特征向量的用户终端。

2.根据权利要求1所述的方法，其中，所述方法还包括：

响应于所述相似度信息满足所述预设相似度条件，将所述目标用户特征向量添加至所述种子用户特征向量集合中。

3.根据权利要求1所述的方法，其中，所述生成相似度信息，包括：

对所述种子用户特征向量集合中的各个种子用户特征向量进行均值化处理，得到均值化种子用户特征向量；

将所述目标用户特征向量和所述均值化种子用户特征向量的相似度确定为相似度信息。

4.根据权利要求1所述的方法，其中，在所述根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集之前，所述方法还包括：

响应于接收到对应所述反馈目标的目标埋点日志数据，对所述目标埋点日志数据进行解析处理，得到反馈用户特征向量集。

5.根据权利要求4所述的方法，其中，所述对所述目标埋点日志数据进行解析处理，包括：

对所述目标埋点日志数据进行字段解析处理，得到解析用户特征向量集；

响应于所述解析用户特征向量集中存在相同的解析用户特征向量，对所述解析用户特征向量集进行去重处理，得到去重后的解析用户特征向量集作为反馈用户特征向量集；

响应于所述解析用户特征向量集中的各个解析用户特征向量相异，将所述解析用户特征向量集确定为反馈用户特征向量集。

6.根据权利要求1所述的方法，其中，所述方法还包括：

响应于在预设时间段内检测到的对应于所述种子用户特征向量集合中的种子用户特征向量的反馈量满足预设反馈异常条件，将所述反馈量对应的种子用户特征向量从所述种子用户特征向量集合中删除，其中，所述反馈量对应于所述反馈目标。

7.一种信息推送装置，包括：

拆分单元，被配置成根据预设的时间粒度信息，将对应反馈目标的反馈用户特征向量集拆分为各个一级反馈用户特征向量子集，其中，每个一级反馈用户特征向量子集对应一个时间段；

聚类单元，被配置成对于所述各个一级反馈用户特征向量子集中的每个一级反馈用户特征向量子集，对所述一级反馈用户特征向量子集中的各个一级反馈用户特征向量进行聚类处理，得到各个二级反馈用户特征向量子集；

优选单元，被配置成对所得到的各个二级反馈用户特征向量子集进行二级反馈用户特征向量子集优选处理，得到优选处理后的二级反馈用户特征向量子集作为种子用户特征向量集合；

生成单元，被配置成响应于接收到目标用户特征向量，基于所述种子用户特征向量集合和所述目标用户特征向量，生成相似度信息；

推送单元，被配置成响应于所述相似度信息满足所述预设相似度条件，将对应所述反馈目标的预设频道信息推送至对应于所述目标用户特征向量的用户终端。

8.根据权利要求7所述的装置，其中，所述装置还包括：

添加单元，被配置成响应于所述相似度信息满足所述预设相似度条件，将所述目标用户特征向量添加至所述种子用户特征向量集合中。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。

Images