CN113765959A - 信息推送方法、装置、设备及计算机可读存储介质 - Google Patents

信息推送方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN113765959A
CN113765959A CN202010611794.0A CN202010611794A CN113765959A CN 113765959 A CN113765959 A CN 113765959A CN 202010611794 A CN202010611794 A CN 202010611794A CN 113765959 A CN113765959 A CN 113765959A
Authority
CN
China
Prior art keywords
information
user
model
trained
target user
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
Application number
CN202010611794.0A
Other languages
English (en)
Other versions
CN113765959B (zh
Inventor
朱远昌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202010611794.0A priority Critical patent/CN113765959B/zh
Priority claimed from CN202010611794.0A external-priority patent/CN113765959B/zh
Publication of CN113765959A publication Critical patent/CN113765959A/zh
Application granted granted Critical
Publication of CN113765959B publication Critical patent/CN113765959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本公开提供一种信息推送方法、装置、设备及计算机可读存储介质，方法包括：获取目标用户的特征信息；根据特征信息，采用预设的预测模型，确定目标用户对每一浏览数据的正向反馈指数以及负向反馈指数，并根据正向反馈指数以及负向反馈指数确定目标用户对应的目标推送信息；将目标推送信息发送至目标用户的终端设备进行显示。由于在目标推送信息的确定过程中，考虑了用户的正向反馈指数以及负向反馈指数，从而能够在向用户推送用户感兴趣的推送内容以外，避免向用户推送用户不感兴趣的内容，使得推送内容更加满足用户的实际需求以及喜好，提高用户体验。

Description

信息推送方法、装置、设备及计算机可读存储介质
技术领域
本公开涉及数据处理领域，尤其涉及一种信息推送方法、装置、设备及计算机可读存储介质。
背景技术
在很多网站的实际应用中，推荐系统的作用非常重要，例如电商网站、内容分发网站等。推荐的内容符合用户的喜好与实际需求，能够有效地提高用户粘度以及用户体验，反之，则会导致一定程度的用户流失。
为了实现内容的精准推送，现有技术中一般都会对用户的反馈信息进行总结，以电商网站举例来说，可以对用户对某一商品的浏览时长、加入购物车、购买、收藏等信息进行获取，根据上述信息进行内容推送。
但是，采用上述方法进行信息推送的时候，只能对用户喜好的信息进行预测，往往会导致向用户推送的内容中可能包括用户不喜欢的低质量内容，无法贴合用户的实际喜好以及需求。
发明内容
本公开提供一种信息推送方法、装置、设备及计算机可读存储介质，用于解决现有的信息推送方法推送的内容中可能包括用户不喜欢的低质量内容的技术问题。
本公开的第一个方面是提供一种信息推送方法，包括：
获取目标用户的特征信息，所述特征信息包括所述目标用户的用户特征信息、所述目标用户历史浏览的浏览数据特征信息以及连续特征，所述连续特征中包括所述目标用户对各浏览数据的正向反馈信息以及负向反馈信息；
根据所述特征信息，采用预设的预测模型，确定所述目标用户对每一浏览数据的正向反馈指数以及负向反馈指数，并根据所述正向反馈指数以及负向反馈指数确定所述目标用户对应的目标推送信息；
将所述目标推送信息发送至所述目标用户的终端设备进行显示。
本公开的第二个方面是提供一种信息推送装置，包括：
获取模块，用于获取目标用户的特征信息，所述特征信息包括所述目标用户的用户特征信息、所述目标用户历史浏览的浏览数据特征信息以及连续特征，所述连续特征中包括所述目标用户对各浏览数据的正向反馈信息以及负向反馈信息；
处理模块，用于根据所述特征信息，采用预设的预测模型，确定所述目标用户对每一浏览数据的正向反馈指数以及负向反馈指数，并根据所述正向反馈指数以及负向反馈指数确定所述目标用户对应的目标推送信息；
发送模块，用于将所述目标推送信息发送至所述目标用户的终端设备进行显示。
本公开的第三个方面是提供一种服务器，包括：
存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用所述存储器中的程序指令执行如第一方面所述的信息推送方法。
本公开的第四个方面是提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的信息推送方法。
本公开提供的信息推送方法、装置、设备及计算机可读存储介质，通过获取目标用户的特征信息，根据该特征信息对目标用户的正向反馈指数以及负向反馈指数进行预测，从而后续可以根据该正向反馈指数以及负向反馈指数进行目标推送信息的确定以及推送。由于在目标推送信息的确定过程中，考虑了用户的正向反馈指数以及负向反馈指数，从而能够在向用户推送用户感兴趣的推送内容以外，避免向用户推送用户不感兴趣的内容，使得推送内容更加满足用户的实际需求以及喜好，提高用户体验。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本公开实施例一提供的信息推送方法的一种应用场景示意图；
图2为本公开实施例一提供的信息推送方法的又一种应用场景示意图；
图3为本公开实施例一提供的信息推送方法的流程示意图；
图4为本公开实施例提供的显示界面示意图；
图5为本发明实施例提供的预测模型的网络架构图；
图6为本公开实施例二提供的信息推送方法的流程示意图；
图7为本公开实施例三提供的信息推送装置的结构示意图；
图8为本公开实施例四提供的信息推送装置的结构示意图；
图9为本发明实施例五提供的服务器的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例所获得的所有其他实施例，都属于本公开保护的范围。
针对上述提及的现有的信息推送方法推送的内容中可能包括用户不喜欢的低质量内容的技术问题，本公开提供了一种信息推送方法、装置、设备及计算机可读存储介质。
现有的网站的推荐系统一般都是获取用户正向的反馈信息，其中，正向的反馈信息具体可以为用户对喜好信息的反馈信息，以电商网站举例来说，正向的反馈信息可以为加入购物车、购买、收藏等。进而根据该正向的反馈信息确定用户可能感兴趣的信息进行推送。但是，采用上述方法进行信息推送的时候，只能对用户喜好的信息进行预测，往往会导致向用户推送的内容中可能包括用户不喜欢的低质量内容，导致用户体验较差。
发明人在解决上述技术问题时，通过研究发现，为了使得推送的内容更加贴合用户的实际需求以及喜好，可以在确定目标推送信息的过程中，除了正向反馈信息以外，添加负向反馈信息的因素，根据正向反馈信息以及负向反馈信息一通确定该目标推送信息并推送。
发明人进一步地研究发现，通过获取目标用户的特征信息，根据该特征信息对目标用户的正向反馈指数以及负向反馈指数进行预测，从而后续可以根据该正向反馈指数以及负向反馈指数进行目标推送信息的确定以及推送。由于在目标推送信息的确定过程中，考虑了用户的正向反馈指数以及负向反馈指数，从而能够在向用户推送用户感兴趣的推送内容以外，避免向用户推送用户不感兴趣的内容，使得推送内容更加满足用户的实际需求以及喜好，提高用户体验。
需要说明的是，本申请提供信息推送方法、装置、设备及计算机可读存储介质可运用在对各中应用软件进行测试的场景中。
图1为本公开实施例一提供的信息推送方法的一种应用场景示意图，如图1所示，本公开基于的系统架构至少包括：终端设备1以及服务器2，该信息推送装置可耦合在服务器2中。其中，服务器2采用C/C++、Java、Shell或Python等语言编写；终端设备1则可例如台式电脑、平板电脑等。其中，终端设备1与服务器2通信连接，从而二者能够进行信息交互。
在该具体的应用场景中，服务器2可以获取目标用户的特征信息，其中，该目标用户的特征信息可以是从目标用户的终端设备1中获取的。根据该特征信息对目标用户的正向反馈指数以及负向反馈指数进行预测，从而后续可以根据该正向反馈指数以及负向反馈指数进行目标推送信息的确定，并将目标推送信息发送至终端设备1上进行显示。
图2为本公开实施例一提供的信息推送方法的又一种应用场景示意图，如图2所示，本公开基于的网络架构至少包括：终端设备1、服务器2以及数据服务器3，该信息推送装置可耦合在服务器2中。其中，服务器2采用C/C++、Java、Shell或Python等语言编写；终端设备1则可例如台式电脑、平板电脑等。数据服务器3则可为云端服务器或服务器集群，其内存储有大量的数据。其中，服务器2分别与终端设备1以及数据服务器3通信连接，从而能够与终端设备1以及数据服务器3进行信息交互。
在该具体的应用场景中，服务器2可以获取目标用户的特征信息，其中，该目标用户的特征信息可以是从数据服务器3中获取的。根据该特征信息对目标用户的正向反馈指数以及负向反馈指数进行预测，从而后续可以根据该正向反馈指数以及负向反馈指数进行目标推送信息的确定，并将目标推送信息发送至终端设备1上进行显示。
图3为本公开实施例一提供的信息推送方法的流程示意图，如图3所示，所述方法包括：
步骤101、获取目标用户的特征信息，所述特征信息包括所述目标用户的用户特征信息、所述目标用户历史浏览的浏览数据特征信息以及连续特征，所述连续特征中包括所述目标用户对各浏览数据的正向反馈信息以及负向反馈信息。
本实施例的执行主体为信息推送装置，该信息推送装置可耦合在服务器中。该信息推送装置可以与目标用户的终端设备通信连接，从而二者能够进行信息交互。
在本实施方式中，为了能够更加精准地对目标用户进行信息推送，首先需要获取目标用户的特征信息。其中，该特征信息中具体可以包括该目标用户的用户特征信息，例如目标用户的性别、年龄等。该特征信息中还可以包括该目标用户历史浏览的浏览数据特征信息，以电商平台举例来说，该浏览数据特征信息具体可以为用户历史浏览过的商品的特征信息。此外，该特征信息中还可以包括连续特征，该连续特征中具体可以包括目标用户对各浏览数据对正向反馈信息以及反馈信息。仍旧以电商平台举例来说，用户的正向反馈信息可以为用户将商品加入购物车、购买、收藏、查看详情或者评论等。相应地，负向反馈信息则可以为用户输入的不感兴趣等信息。该连续特征中还可以包括其他任意一种目标用户对应的连续性的特征信息。
图4为本公开实施例提供的显示界面示意图，如图所示，在获取到用户的负向反馈指令之后，可以在显示界面上显示多种不同的负向反馈信息供用户选择，其中，负向反馈信息具体包括：不感兴趣、内容引起不适、不是我所需要的等内容。其中，该负向反馈指令可以为用户双击浏览信息、长按浏览信息或者触发预设的负向反馈按钮后生成的，本发明对此不做限制。
作为一种可以实施的方式，该特征信息可以为信息推送装置从目标用户的终端设备中获取的，也可以为从预设的数据服务器中根据目标用户的标识获取的，本发明对此不做限制。
步骤102、根据所述特征信息，采用预设的预测模型，确定所述目标用户对每一浏览数据的正向反馈指数以及负向反馈指数，并根据所述正向反馈指数以及负向反馈指数确定所述目标用户对应的目标推送信息。
在本实施方式中，在获取到目标用户的特征信息之后，可以采用预设的预测模型，根据该特征信息确定目标用户对每一浏览数据的正向反馈指数以及负向反馈指数。其中，该正向反馈指数越高，则表征目标用户对该浏览数据的喜好值越高，反之，负向指数越高，则表征目标用户对该浏览数据的厌恶值越高。
进一步地，在确定目标用户对各浏览数据的正向反馈指数以及负向反馈指数之后，也即获得了用户的真实喜好信息，即可以根据该正向反馈指数以及负向反馈指数实现对目标推送信息的确定。
仍旧以电商平台举例来说，若通过预测模型确定目标用户对商品A的正向反馈指数为0.9，对商品A的负向反馈指数为0.1，则表征目标用户较为喜欢该商品A，进而可以向用户推送商品A的信息，以使用户进行查看。若通过预测模型确定目标用户对商品B的正向反馈指数为0.2，对商品B的负向反馈指数为0.8，则表征目标用户大概率较为厌恶商品B，此时，可以尽量避免向用户推送商品B的相关信息，以提高用户体验。
步骤103、将所述目标推送信息发送至所述目标用户的终端设备进行显示。
在本实施例中，在根据正向反馈指数以及负向反馈指数确定目标用户对应的目标推送信息之后，即可以将该目标推送信息发送至目标用户的终端设备进行显示，以供目标用户进行查看。
由于该目标推送信息是根据正向反馈指数以及负向反馈指数一同计算获得的，从而该目标推送信息更加能够贴合目标用户的真实喜好，避免将目标用户厌恶的数据推送给用户，从而能够提高用户体验。
图5为本发明实施例提供的预测模型的网络架构图，如图所示，该预测模型中包括第一子模型以及第二子模型，其中，第一子模型用于进行正面反馈指数的预测，第二子模型用于进行负面反馈指数的预测。
基于上述网络架构，在实施例一的基础上，步骤102具体包括：
将所述特征信息输入至预设的第一子模型中，获得所述目标用户对每一浏览数据的正向反馈指数。
将所述第一子模型中最后一层隐含层输出的数据，以及目标用户对各浏览数据的负向反馈信息输入至所述第二子模型中，获得所述目标用户对每一浏览数据的负向反馈指数。
在本实施例中，预测模型中具体包括第一子模型以及第二子模型，从而可以通过第一子模型进行正向反馈指数的计算，并通过第二子模型进行负向反馈指数的计算。具体地，可以将特征信息输入至该第一子模型中，获得目标用户对每一浏览数据的正向反馈指数。其中，该第一子模型中包括若干层隐藏层，每一层为不同规模的多层感知机(Multilayer Perceptron，简称MLP)，每一层的输出都为hn＝fn(hn-1)＝g(Whn-1+b)，其中，hn-1为上一层的输出，W，b为预设的参数。
进一步地，在获得第一子模型输出的正向反馈指数之后，可以将第一子模型中最后一层隐藏层输出的数据以及负向反馈信息，一同输入至第二子模型，获得目标用户对每一浏览数据的负向反馈指数。
具体地，在实施例一的基础上，所述将所述第一子模型中最后一层隐含层输出的数据，以及目标用户对各浏览数据的负向反馈信息输入至所述第二子模型中，获得所述目标用户对每一浏览数据的负向反馈指数，包括：
将所述第一子模型中最后一层隐含层输出的数据输入至预设的隐含层，获得隐含层输出的目标数据。
将所述目标数据、以及目标用户对各浏览数据的负向反馈信息输入至所述第二子模型中，获得所述目标用户对每一浏览数据的负向反馈指数。
在本实施例中，在通过第二子模型进行负向指数计算之前，还可以将第一子模型中最后一层隐含层输出的数据输入至预设的隐含层，该预设的隐藏层为独立于第一子模型以及第二子模型的隐藏层，获得该隐藏层输出的目标数据。进而可以将目标数据、以及目标用户对各浏览数据的负向反馈信息输入至所述第二子模型中，获得所述目标用户对每一浏览数据的负向反馈指数。
进一步地，为了提高模型预测的效率，在通过预测模型进行反馈指数的确定之前，还需要对特征信息进行处理，具体地，在实施例一的基础上，步骤102具体包括：
通过预设的嵌入层，将所述特征信息转换为连续的嵌入向量。
采用注意力机制对所述嵌入向量进行加权求和，获得特征向量。
将所述特征向量输入至所述预测模型中，获得所述目标用户对每一浏览数据的正向反馈指数以及负向反馈指数。
在本实施例中，在进行正向反馈指数以及负向反馈指数的预测之前，首先需要对特征信息进行处理。具体地，可以通过预设的嵌入层，将特征信息转换为嵌入向量。
进一步地，通过注意力机制对该嵌入向量进行加权求和，获得特征向量。其中，可以采用公式(1)实现对嵌入向量的加权求和：
Figure BDA0002562166630000081
其中，Vu是最终的用户向量，Va是候选商品的嵌入层向量，Vi是用户行为记录嵌入层向量，g(Vi，Va)是注意力机制激活函数，表示根据Vi，Va的一定的函数关系来确定Vi的权重。此外，还可以直接求目标用户连续特征的均值，此时g(Vi，Va)＝1。
进而可以将特征向量输入至预设的预测模型中，对目标用户对每一浏览数据的正向反馈指数以及负向反馈指数进行预测操作。
进一步地，在通过预测模型确定正向反馈指数以及负向反馈指数之后，可以根据该正向反馈指数以及负向反馈指数实现对目标推送信息的确定，具体地，在实施例一的基础上，步骤103具体包括：
采用预设的排序公式，对所述正向反馈指数以及负向反馈指数进行计算，获得所述目标用户对应的排序信息。
根据所述排序信息对预设的待推送信息进行排序，将序号低于预设的阈值的待推送信息作为所述目标推送信息。
在本实施例中，在通过预测模型获得正向反馈指数以及负向反馈指数之后，可以通过预设的排序公式(2)实现对目标用户的排序信息进行计算，进而可以根据该排序信息进行待推送信息的排序，将序号低于预设的阈值的待推送信息，也即排序较为靠前的待推送信息作为目标推送信息。
S＝p1(x)-ep2(x) (2)
其中，p1(x)为第一子模型输出的正向反馈指数，p2(x)为第二子模型输出的负向反馈指数，e为超参数，该超参数可以根据实际需求进行调节，本发明对此不做限制。
本实施例提供的信息推送方法，通过获取目标用户的特征信息，根据该特征信息对目标用户的正向反馈指数以及负向反馈指数进行预测，从而后续可以根据该正向反馈指数以及负向反馈指数进行目标推送信息的确定以及推送。由于在目标推送信息的确定过程中，考虑了用户的正向反馈指数以及负向反馈指数，从而能够在向用户推送用户感兴趣的推送内容以外，避免向用户推送用户不感兴趣的内容，使得推送内容更加满足用户的实际需求以及喜好，提高用户体验。
图6为本公开实施例二提供的信息推送方法的流程示意图，在实施例一的基础上，如图6所示，所述方法还包括：
步骤201、获取待训练数据集，所述待训练数据集中包括多组待训练数据，所述待训练数据包括用户的用户特征、所述用户历史浏览的浏览数据特征信息以及连续特征，所述连续特征中包括所述用户对各浏览数据的反馈信息。
步骤202、通过所述待训练数据集对预设的第一待训练模型进行训练，获得所述第一待训练模型输出的正向反馈信息以及训练后的第一子模型。
步骤203、通过所述第一待训练模型中最后一层隐含层输出的数据以及负向反馈信息对预设的第二待训练模型进行训练，获得训练后的第二子模型。
在本实施例中，在通过预测模型进行正向反馈指数以及负向反馈指数的预测操作之前，首先需要通过训练获得该预测模型。具体地，可以获取待训练数据集，该待训练数据集可以为信息推送装置从预设的数据服务器中获取的。其中，该待训练数据集中包括多组待训练数据，每一组待训练数据中均包括用户的用户特征、用户历史浏览的浏览数据特征信息以及连续特征，连续特征中包括用户对各浏览数据的反馈信息。
通过该待训练数据集对预设的待训练模型进行训练，其中，该待训练模型中包括第一待训练模型以及第二待训练模型。通过该待训练数据集对第一待训练模型进行训练，直至第一待训练模型收敛，获得第一待训练模型输出的正向反馈信息以及训练后的第一子模型。通过第一待训练模型中最后一层隐含层输出的数据以及负向反馈信息对预设的第二待训练模型进行训练，直至第二待训练模型收敛，获得训练后的第二子模型。
具体地，在上述任一实施例的基础上，步骤202具体包括：
将所述正向反馈信息作为第一待训练模型的训练目标，通过预设的第一损失函数对所述第一待训练模型进行训练，直至所述第一损失函数收敛，获得所述第一子模型。
在本实施例中，在第一待训练模型的训练过程中，可以将正向反馈信息y1作为第一待训练模型的训练目标。预设一个第一损失函数，通过该第一损失函数对第一待训练模型进行训练，直至第一损失函数收敛，得到训练好的第一子模型。具体地，该第一损失函数L1如公式3所示：
Figure BDA0002562166630000101
其中，S为大小为N的训练样本，x为网络的输入，p1(x)为第一部分网络的输出，y1为第一部分的训练目标。
具体地，在上述任一实施例的基础上，步骤203具体包括：
将所述正向反馈信息以及负向反馈信息的组合作为第二待训练模型的训练目标，通过预设的第二损失函数对所述第二待训练模型进行训练，直至所述第二待训练模型收敛，获得所述第二子模型。
在本实施例中，在第二子模型的训练过程中，可以将正向反馈信息以及负向反馈信息的组合作为第二待训练模型的训练目标。其中，该正向反馈信息以及负向反馈信息的组合y2如公式4所示：
y2＝f(p1(x))y′ (4)
其中，p1(x)为第一子模型的输出，y′为负向反馈信息或者负向反馈信息的加权和,f(x)为一个单调递增的函数，在实际应用中可以取log函数或者f(x)＝x。
在本实施例中，通过采用正向反馈信息以及负向反馈信息的组合作为第二待训练模型的训练目标，而非直接将负向反馈信息作为第二待训练模型的训练目标，是因为正向反馈指数较高，但是用户不喜欢的内容，可能导致用户的使用体验更差。
进一步地，可以根据该训练目标，采用预设的第二损失函数对第二待训练模型进行训练，直至第二损失函数收敛，获得训练好的第二子模型。其中，第二损失函数L2如公式5所示：
Figure BDA0002562166630000102
其中，p1(x)为第一子模型的输出，y′为负向反馈信息或者负向反馈信息的加权和,p2(x)为第二子模型的输出。
具体地，在上述任一实施例的基础上，步骤201具体包括：
按照预设的第一比例获取用户生成正向反馈的反馈信息以及对应的浏览数据特征信息，按照预设的第二比例获取用户未生成任何反馈的浏览数据特征信息；
获取全部用户生成负向反馈的反馈信息以及对应的浏览数据特征信息；
获取用户特征信息以及用户历史浏览的浏览数据特征信息，获得所述待训练数据集。
在本实施例中，为了使得训练的预测模型的预测精度更高，在进行待训练数据集获取时，还需要进行一定的数据筛选操作。具体地，由于用户在使用网站时正向反馈信息较多，因此，可以按照预设的第一比例获取用户生成正向反馈的反馈信息以及对应的浏览数据特征信息，并按照预设的第二比例获取用户未生成任何反馈的浏览数据特征信息。其中，第一比例以及第二比例可以为预设的比例，也可以为用户根据实际需求自行设置的，本发明对此不做限制。
仍旧以电商平台的实际应用举例来说，可以获取部分用户产生正向反馈的商品的特征信息，并且获取部分用户未产生任何反馈信息的商品的特征信息，并获取用户对上述两种商品生成的反馈信息，例如加入购物车、收藏、购买等。
由于实际应用中，用户产生的负向反馈信息较少，因此，需要获取全部的用户生成负向反馈的反馈信息以及对应的浏览数据特征信息。并获取用户特征信息以及用户历史浏览的浏览数据特征信息，获得所述待训练数据集。
本实施例提供的信息推送方法，在通过预测模型进行正向反馈指数以及负向反馈指数的预测操作之前，获取数据处理后的待训练数据集，并通过该待训练数据集对预设的待训练模型进行训练，在训练过程中，分别采用不同的训练目标以及损失函数，从而能够有效地提高预测模型的预测精度，进而采用该预测模型预测的正向反馈指数以及负向反馈指数确定的目标推送信息也能够更加贴合用户的实际喜好与需求，提高用户体验。
图7为本公开实施例三提供的信息推送装置的结构示意图，如图7所示，所述装置包括：获取模块31、处理模块32以及发送模块33，其中，获取模块31，用于获取目标用户的特征信息，所述特征信息包括所述目标用户的用户特征信息、所述目标用户历史浏览的浏览数据特征信息以及连续特征，所述连续特征中包括所述目标用户对各浏览数据的正向反馈信息以及负向反馈信息。处理模块32，用于根据所述特征信息，采用预设的预测模型，确定所述目标用户对每一浏览数据的正向反馈指数以及负向反馈指数，并根据所述正向反馈指数以及负向反馈指数确定所述目标用户对应的目标推送信息。发送模块33，用于将所述目标推送信息发送至所述目标用户的终端设备进行显示。
进一步地，该预测模型中包括第一子模型以及第二子模型，在实施例三的基础上，处理模块32具体用于：
将所述特征信息输入至预设的第一子模型中，获得所述目标用户对每一浏览数据的正向反馈指数。
将所述第一子模型中最后一层隐含层输出的数据，以及目标用户对各浏览数据的负向反馈信息输入至所述第二子模型中，获得所述目标用户对每一浏览数据的负向反馈指数。
具体地，在实施例三的基础上，所述处理模块32具体用于：
将所述第一子模型中最后一层隐含层输出的数据输入至预设的隐含层，获得隐含层输出的目标数据。
将所述目标数据、以及目标用户对各浏览数据的负向反馈信息输入至所述第二子模型中，获得所述目标用户对每一浏览数据的负向反馈指数。
进一步地，为了提高模型预测的效率，在通过预测模型进行反馈指数的确定之前，还需要对特征信息进行处理，具体地，在实施例三的基础上，处理模块32具体用于：
通过预设的嵌入层，将所述特征信息转换为连续的嵌入向量。
采用注意力机制对所述嵌入向量进行加权求和，获得特征向量。
将所述特征向量输入至所述预测模型中，获得所述目标用户对每一浏览数据的正向反馈指数以及负向反馈指数。
进一步地，在通过预测模型确定正向反馈指数以及负向反馈指数之后，可以根据该正向反馈指数以及负向反馈指数实现对目标推送信息的确定，具体地，在实施例一的基础上，发送模块33具体用于：
采用预设的排序公式，对所述正向反馈指数以及负向反馈指数进行计算，获得所述目标用户对应的排序信息。
根据所述排序信息对预设的待推送信息进行排序，将序号低于预设的阈值的待推送信息作为所述目标推送信息。
图8为本公开实施例四提供的信息推送装置的结构示意图，在实施例三的基础上，如图8所示，所述装置还包括：数据集获取模块41、第一训练模块42以及第二训练模块43，其中，数据集获取模块41，用于获取待训练数据集，所述待训练数据集中包括多组待训练数据，所述待训练数据包括用户的用户特征、所述用户历史浏览的浏览数据特征信息以及连续特征，所述连续特征中包括所述用户对各浏览数据的反馈信息。第一训练模块42，用于通过所述待训练数据集对预设的第一待训练模型进行训练，获得所述第一待训练模型输出的正向反馈信息以及训练后的第一子模型。第二训练模块43，用于通过所述第一待训练模型中最后一层隐含层输出的数据以及负向反馈信息对预设的第二待训练模型进行训练，获得训练后的第二子模型。
具体地，在上述任一实施例的基础上，第一训练模块42具体用于：
将所述正向反馈信息作为第一待训练模型的训练目标，通过预设的第一损失函数对所述第一待训练模型进行训练，直至所述第一损失函数收敛，获得所述第一子模型。
具体地，在上述任一实施例的基础上，第二训练模块43具体用于：
将所述正向反馈信息以及负向反馈信息的组合作为第二待训练模型的训练目标，通过预设的第二损失函数对所述第二待训练模型进行训练，直至所述第二待训练模型收敛，获得所述第二子模型。
具体地，在上述任一实施例的基础上，数据集获取模块41具体用于：
按照预设的第一比例获取用户生成正向反馈的反馈信息以及对应的浏览数据特征信息，按照预设的第二比例获取用户未生成任何反馈的浏览数据特征信息；
获取全部用户生成负向反馈的反馈信息以及对应的浏览数据特征信息；
获取用户特征信息以及用户历史浏览的浏览数据特征信息，获得所述待训练数据集。
图9为本发明实施例五提供的服务器的结构示意图，如图9所示，所述服务器具体包括：存储器51和处理器52；
所述存储器51用于存储程序指令；
所述处理器52用于调用所述存储器52中的程序指令执行如上述任一实施例所述的信息推送方法。
存储器51，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器51可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
其中，处理器52可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本公开实施例的一个或多个集成电路。
可选的，在具体实现上，如果存储器51和处理器52独立实现，则存储器51和处理器52可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器51和处理器52集成在一块芯片上实现，则存储器51和处理器52可以通过内部接口完成相同间的通信。
本公开另一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述任一实施例所述的信息推送方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (12)

1.一种信息推送方法，其特征在于，包括：
获取目标用户的特征信息，所述特征信息包括所述目标用户的用户特征信息、所述目标用户历史浏览的浏览数据特征信息以及连续特征，所述连续特征中包括所述目标用户对各浏览数据的正向反馈信息以及负向反馈信息；
根据所述特征信息，采用预设的预测模型，确定所述目标用户对每一浏览数据的正向反馈指数以及负向反馈指数，并根据所述正向反馈指数以及负向反馈指数确定所述目标用户对应的目标推送信息；
将所述目标推送信息发送至所述目标用户的终端设备进行显示。
2.根据权利要求1所述的方法，其特征在于，所述预测模型包括第一子模型以及第二子模型；
相应地，所述根据所述特征信息，采用预设的预测模型，对所述目标用户针对每一浏览数据的正向反馈指数以及负向反馈指数进行预测，包括：
将所述特征信息输入至预设的第一子模型中，获得所述目标用户对每一浏览数据的正向反馈指数；
将所述第一子模型中最后一层隐含层输出的数据，以及目标用户对各浏览数据的负向反馈信息输入至所述第二子模型中，获得所述目标用户对每一浏览数据的负向反馈指数。
3.根据权利要求2所述的方法，其特征在于，所述将所述第一子模型中最后一层隐含层输出的数据，以及目标用户对各浏览数据的负向反馈信息输入至所述第二子模型中，获得所述目标用户对每一浏览数据的负向反馈指数，包括：
将所述第一子模型中最后一层隐含层输出的数据输入至预设的隐含层，获得隐含层输出的目标数据；
将所述目标数据、以及目标用户对各浏览数据的负向反馈信息输入至所述第二子模型中，获得所述目标用户对每一浏览数据的负向反馈指数。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述特征信息，采用预设的预测模型，确定所述目标用户对每一浏览数据的正向反馈指数以及负向反馈指数，包括：
通过预设的嵌入层，将所述特征信息转换为连续的嵌入向量；
采用注意力机制对所述嵌入向量进行加权求和，获得特征向量；
将所述特征向量输入至所述预测模型中，获得所述目标用户对每一浏览数据的正向反馈指数以及负向反馈指数。
5.根据权利要求1所述的方法，其特征在于，所述根据所述正向反馈指数以及负向反馈指数确定所述目标用户对应的目标推送信息，包括：
采用预设的排序公式，对所述正向反馈指数以及负向反馈指数进行计算，获得所述目标用户对应的排序信息；
根据所述排序信息对预设的待推送信息进行排序，将序号低于预设的阈值的待推送信息作为所述目标推送信息。
6.根据权利要求1-3、5任一项所述的方法，其特征在于，所述方法还包括：
获取待训练数据集，所述待训练数据集中包括多组待训练数据，所述待训练数据包括用户的用户特征、所述用户历史浏览的浏览数据特征信息以及连续特征，所述连续特征中包括所述用户对各浏览数据的反馈信息；
通过所述待训练数据集对预设的第一待训练模型进行训练，获得所述第一待训练模型输出的正向反馈信息以及训练后的第一子模型；
通过所述第一待训练模型中最后一层隐含层输出的数据以及负向反馈信息对预设的第二待训练模型进行训练，获得训练后的第二子模型。
7.根据权利要求6所述的方法，其特征在于，所述通过所述待训练数据集对预设的第一待训练模型进行训练，包括：
将所述正向反馈信息作为第一待训练模型的训练目标，通过预设的第一损失函数对所述第一待训练模型进行训练，直至所述第一损失函数收敛，获得所述第一子模型。
8.根据权利要求6所述的方法，其特征在于，所述通过所述第一待训练模型中最后一层隐含层输出的数据以及负向反馈信息对预设的第二待训练模型进行训练，包括：
将所述正向反馈信息以及负向反馈信息的组合作为第二待训练模型的训练目标，通过预设的第二损失函数对所述第二待训练模型进行训练，直至所述第二待训练模型收敛，获得所述第二子模型。
9.根据权利要求6所述的方法，其特征在于，所述获取待训练数据集，包括：
按照预设的第一比例获取用户生成正向反馈的反馈信息以及对应的浏览数据特征信息，按照预设的第二比例获取用户未生成任何反馈的浏览数据特征信息；
获取全部用户生成负向反馈的反馈信息以及对应的浏览数据特征信息；
获取用户特征信息以及用户历史浏览的浏览数据特征信息，获得所述待训练数据集。
10.一种信息推送装置，其特征在于，包括：
获取模块，用于获取目标用户的特征信息，所述特征信息包括所述目标用户的用户特征信息、所述目标用户历史浏览的浏览数据特征信息以及连续特征，所述连续特征中包括所述目标用户对各浏览数据的正向反馈信息以及负向反馈信息；
处理模块，用于根据所述特征信息，采用预设的预测模型，确定所述目标用户对每一浏览数据的正向反馈指数以及负向反馈指数，并根据所述正向反馈指数以及负向反馈指数确定所述目标用户对应的目标推送信息；
发送模块，用于将所述目标推送信息发送至所述目标用户的终端设备进行显示。
11.一种服务器，其特征在于，包括：
存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用所述存储器中的程序指令执行如权利要求1-9任一项所述的信息推送方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-9任一项所述的信息推送方法。
CN202010611794.0A 2020-06-30 信息推送方法、装置、设备及计算机可读存储介质 Active CN113765959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010611794.0A CN113765959B (zh) 2020-06-30 信息推送方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010611794.0A CN113765959B (zh) 2020-06-30 信息推送方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113765959A true CN113765959A (zh) 2021-12-07
CN113765959B CN113765959B (zh) 2024-10-22

Family

ID=

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996232A (zh) * 2009-08-12 2011-03-30 索尼公司 信息处理装置、用于处理信息的方法及程序
WO2012013996A1 (en) * 2010-07-30 2012-02-02 Gravity Research & Development Kft. Recommender systems and methods
US20140172545A1 (en) * 2012-12-17 2014-06-19 Facebook, Inc. Learned negative targeting features for ads based on negative feedback from users
CN107273489A (zh) * 2017-06-14 2017-10-20 掌阅科技股份有限公司 内容推送方法、电子设备及计算机存储介质
CN108307207A (zh) * 2017-12-28 2018-07-20 北京达佳互联信息技术有限公司 一种视频推送方法及装置
CN108804619A (zh) * 2018-05-31 2018-11-13 腾讯科技（深圳）有限公司 兴趣偏好预测方法、装置、计算机设备及存储介质
CN110059256A (zh) * 2019-04-26 2019-07-26 北京沃东天骏信息技术有限公司 用于展示信息的系统、方法及装置
WO2019214336A1 (zh) * 2018-05-10 2019-11-14 苏州跃盟信息科技有限公司 一种内容推送方法、装置及机器可读存储介质
CN110598016A (zh) * 2019-09-11 2019-12-20 腾讯科技（深圳）有限公司 一种多媒体信息推荐的方法、装置、设备和介质
CN110619943A (zh) * 2018-06-19 2019-12-27 佛山市顺德区美的电热电器制造有限公司 一种食谱推荐方法、装置、烹饪电器和计算机存储介质
CN110727872A (zh) * 2019-10-21 2020-01-24 深圳微品致远信息科技有限公司 基于隐式反馈进行不明确选择行为挖掘的方法及装置
WO2020019252A1 (zh) * 2018-07-26 2020-01-30 深圳前海达闼云端智能科技有限公司 训练人工智能模型的方法、装置、存储介质及机器人
CN111061956A (zh) * 2019-12-24 2020-04-24 北京百度网讯科技有限公司 用于生成信息的方法和装置
CN111177575A (zh) * 2020-04-07 2020-05-19 腾讯科技（深圳）有限公司 一种内容推荐方法、装置、电子设备和存储介质
CN111325614A (zh) * 2020-05-15 2020-06-23 支付宝(杭州)信息技术有限公司 电子对象的推荐方法、装置和电子设备

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996232A (zh) * 2009-08-12 2011-03-30 索尼公司 信息处理装置、用于处理信息的方法及程序
WO2012013996A1 (en) * 2010-07-30 2012-02-02 Gravity Research & Development Kft. Recommender systems and methods
US20140172545A1 (en) * 2012-12-17 2014-06-19 Facebook, Inc. Learned negative targeting features for ads based on negative feedback from users
CN107273489A (zh) * 2017-06-14 2017-10-20 掌阅科技股份有限公司 内容推送方法、电子设备及计算机存储介质
CN108307207A (zh) * 2017-12-28 2018-07-20 北京达佳互联信息技术有限公司 一种视频推送方法及装置
WO2019214336A1 (zh) * 2018-05-10 2019-11-14 苏州跃盟信息科技有限公司 一种内容推送方法、装置及机器可读存储介质
CN108804619A (zh) * 2018-05-31 2018-11-13 腾讯科技（深圳）有限公司 兴趣偏好预测方法、装置、计算机设备及存储介质
CN110619943A (zh) * 2018-06-19 2019-12-27 佛山市顺德区美的电热电器制造有限公司 一种食谱推荐方法、装置、烹饪电器和计算机存储介质
WO2020019252A1 (zh) * 2018-07-26 2020-01-30 深圳前海达闼云端智能科技有限公司 训练人工智能模型的方法、装置、存储介质及机器人
CN110059256A (zh) * 2019-04-26 2019-07-26 北京沃东天骏信息技术有限公司 用于展示信息的系统、方法及装置
CN110598016A (zh) * 2019-09-11 2019-12-20 腾讯科技（深圳）有限公司 一种多媒体信息推荐的方法、装置、设备和介质
CN110727872A (zh) * 2019-10-21 2020-01-24 深圳微品致远信息科技有限公司 基于隐式反馈进行不明确选择行为挖掘的方法及装置
CN111061956A (zh) * 2019-12-24 2020-04-24 北京百度网讯科技有限公司 用于生成信息的方法和装置
CN111177575A (zh) * 2020-04-07 2020-05-19 腾讯科技（深圳）有限公司 一种内容推荐方法、装置、电子设备和存储介质
CN111325614A (zh) * 2020-05-15 2020-06-23 支付宝(杭州)信息技术有限公司 电子对象的推荐方法、装置和电子设备

Similar Documents

Publication Publication Date Title
CN110321422B (zh) 在线训练模型的方法、推送方法、装置以及设备
CN109902708B (zh) 一种推荐模型训练方法及相关装置
CN110427560B (zh) 一种应用于推荐系统的模型训练方法以及相关装置
JP2020177670A (ja) 情報推奨方法、情報推奨装置、機器および媒体
WO2020088058A1 (zh) 生成信息的方法和装置
CN107644036B (zh) 一种数据对象推送的方法、装置及系统
CN111461841A (zh) 物品推荐方法、装置、服务器及存储介质
CN111159563B (zh) 用户兴趣点信息的确定方法、装置、设备及存储介质
US20240095490A1 (en) Aspect Pre-selection using Machine Learning
CN111026853B (zh) 目标问题的确定方法、装置、服务器和客服机器人
CN111695960A (zh) 一种对象推荐系统、方法、电子设备及存储介质
CN112905885B (zh) 向用户推荐资源的方法、装置、设备、介质和程序产品
CN114004796A (zh) 用户评价结果的获取方法、装置、服务器和存储介质
CN111597430A (zh) 数据处理方法及装置、电子设备、存储介质
CN111598638B (zh) 点击率确定方法、装置及设备
CN113836390A (zh) 资源推荐方法、装置、计算机设备及存储介质
CN113765959B (zh) 信息推送方法、装置、设备及计算机可读存储介质
CN113765959A (zh) 信息推送方法、装置、设备及计算机可读存储介质
CN113570432B (zh) 资源推荐确定方法、装置、设备及存储介质
CN112785391B (zh) 推荐处理方法、装置及智能设备、存储介质
CN115269998A (zh) 信息推荐方法、装置、电子设备及存储介质
CN116562928A (zh) 一种目标预估方法、装置、设备及存储介质
CN117217852B (zh) 一种基于行为识别购买意愿度预测方法及装置
CN111861635B (zh) 一种针对商品分享时的好友推荐方法、装置及设备
CN113763075A (zh) 推送物品的方法、装置、设备及介质

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