CN113780328A - 信息推送方法、装置及存储介质 - Google Patents
信息推送方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113780328A CN113780328A CN202110354932.6A CN202110354932A CN113780328A CN 113780328 A CN113780328 A CN 113780328A CN 202110354932 A CN202110354932 A CN 202110354932A CN 113780328 A CN113780328 A CN 113780328A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- users
- target
- determining
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种信息推送方法、装置及存储介质,该方法包括:获取多个用户的用户信息,根据多个用户的用户信息确定至少一个目标用户,对于每个目标用户,获取目标用户的第一信息和多个候选信息中每个候选信息的属性信息,第一信息包括目标用户的标识、目标用户的用户属性和目标用户对对象的行为数据,根据目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定多个候选信息中每个候选信息的推送概率,根据每个候选信息的推送概率,在多个候选信息中确定目标信息,并向目标用户推送目标信息。从而,可以提高用户对推送信息的认知,提高推送信息的渗透率,进而提高用户对推送信息的点击概率。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种信息推送方法、装置及存储介质。
背景技术
随着互联网和智能设备的不断发展,流量经济逐渐面临着新的难题,即获取新用户和留存老用户的成本在不断抬升,品牌运营也逐渐从流量运营转变为用户运营,如何在平台内吸引新用户,留存更多有价值的老用户成为用户运营重点。对于一平台而言,会员体系为用户运营中的一种主要策略,会员的权益信息(简称信息)包含多种类型,如何给用户推送合适类型的信息,提高用户对推送信息的感知度以及信息的渗透率,从而使用户转换为会员,是至关重要的。
现有技术中,是通过随机选择信息推送给目标用户。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:由于推送的信息是随机选取的,推送的信息的渗透率不高,导致用户对推送的信息的点击概率较低。
发明内容
本发明实施例提供一种信息推送方法、装置及存储介质,用以解决推送信息的渗透率不高,用户对推送的信息的点击概率较低的问题。
一方面,本发明实施例提供一种信息推送方法,包括:
获取多个用户的用户信息;
根据所述多个用户的用户信息确定至少一个目标用户;
对于每个目标用户,获取所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,所述第一信息包括所述目标用户的标识、所述目标用户的用户属性和所述目标用户对对象的行为数据;
根据所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定所述多个候选信息中每个候选信息的推送概率;
根据所述每个候选信息的推送概率,在所述多个候选信息中确定目标信息,并向所述目标用户推送所述目标信息。
可选的,所述根据所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定所述多个候选信息中每个候选信息的推送概率,包括:
将所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息输入预先训练的信息推送模型中,输出多个候选信息中每个所述候选信息对应的推送概率;
其中,所述信息推送模型为对多个第一样本数据进行训练得到的,每个所述第一样本数据包括第一样本用户的所述第一信息、所述第一样本用户的偏好信息以及所述第一样本用户的偏好信息的属性信息。
上述发明中的另一个实施例具有如下优点或者有益效果:通过将目标用户的第一信息和多个候选信息中每个候选信息的属性信息输入预先训练的信息推送模型中,输出多个候选信息中每个候选信息对应的推送概率,由于信息推送模型为对多个第一样本数据进行训练得到的,每个第一样本数据包括第一样本用户的第一信息、第一样本用户的偏好信息以及第一样本用户的偏好信息的属性信息。目标信息是根据目标用户的第一信息从候选信息中选择的,因此选择的目标信息是用户偏好的信息(或者说是用户感兴趣的信息),从而,可以提高用户对推送信息的认知,提高推送信息的渗透率,进而提高用户对推送信息的点击概率。
可选的,所述方法还包括:
获取所述第一样本用户对对象的行为数据;
根据所述第一样本用户对对象的行为数据,确定所述第一样本用户所操作的对象的类型;
根据所述对象的类型,确定所述第一样本用户的偏好信息。
可选的,所述用户信息包括用户对推送信息进行点击的概率值,所述获取多个用户的用户信息,包括:
获取所述多个用户中每个用户的第二信息,所述第二信息包括用户属性、所述用户在第一预设时间段内对推送信息的点击率以及所述用户对对象的行为数据;
将所述第二信息输入预先训练的分类模型,得到所述多个用户中每个用户对推送信息进行点击的概率值,其中,所述分类模型为对多组第二样本数据进行学习得到的,每组第二样本数据包括第二样本用户的所述第二信息。
可选的,所述根据所述多个用户的用户信息确定至少一个目标用户,包括:
根据用户对推送信息点击的概率值和预设用户数,从所述多个用户中确定至少一个目标用户。
上述发明中的另一个实施例具有如下优点或者有益效果:通过根据用户对推送信息点击的概率值和预设用户数确定目标用户,目标用户点击推送的目标信息的可能性较高,因此,相比较随机选择目标用户,本发明实施例提供的信息推送方法可以提高用户对推送信息的点击概率,进一步可提高用户的身份转换率。例如从非会员转换为会员。
可选的,所述根据用户对推送信息点击的概率值和预设用户数,从所述多个用户中确定至少一个目标用户,包括:
从所述多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户;
根据所述多个活跃用户对推送信息进行点击的概率值和预设用户数,从所述多个活跃用户中确定所述至少一个目标用户。
上述发明中的另一个实施例具有如下优点或者有益效果:通过根据多个活跃用户对推送信息进行点击的概率值和预设用户数,从多个活跃用户中确定至少一个目标用户,目标用户点击推送的目标信息的可能性较高,因此,相比较随机选择目标用户,本发明实施例提供的信息推送方法可以提高用户对推送信息的点击概率,进一步可提高用户的身份转换率。例如从非会员转换为会员。
可选的,所述用户信息还包括权限类型和权限类型对应的用户身份的有效时长,所述从所述多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户,包括:
将所述多个用户中在第二预设时间段内活跃度大于第一阈值,以及权限剩余时长小于预设时长的用户确定为所述多个活跃用户。
可选的,所述根据所述多个活跃用户对推送信息进行点击的概率值和预设用户数,从所述多个活跃用户中确定所述至少一个目标用户,包括:
按照所述多个活跃用户对推送信息进行点击的概率值从大到小的顺序,选取所述预设用户数的活跃用户作为所述目标用户。
可选的,所述用户信息还包括用户的权限类型,所述根据用户对推送信息点击的概率值和预设用户数,从所述多个用户中确定至少一个目标用户,包括:
从所述多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户;
根据所述权限类型,从所述多个活跃用户中确定具有权限的活跃用户和不具有权限的活跃用户;
按照所述具有权限的活跃用户对推送信息进行点击的概率值从大到小的顺序,选取第一数量的具有权限的活跃用户;
按照所述不具有权限的活跃用户对推送信息进行点击的概率值从大到小的顺序,选取第二数量的不具有权限的活跃用户,所述第一数量和所述第二数量的和为所述预设用户数;
将所述第一数量的具有权限的活跃用户和所述第二数量的不具有权限的活跃用户确定为所述目标用户。
上述发明中的另一个实施例具有如下优点或者有益效果:用户信息增加了权限类型,所确定的目标用户区分了权限类型,如区分了会员和非会员,在推送信息时更具有针对性,可提高用户身份转换率。因此,相比较随机选择目标用户,本发明实施例提供的信息推送方法可以提高用户对推送信息的点击概率,进一步可提高用户身份转换率。
可选的,所述用户信息包括权限类型和权限类型对应的用户身份的有效时长,所述根据所述多个用户的用户信息确定至少一个目标用户,包括:
从所述多个用户中,将权限剩余时长小于预设时长的用户确定为所述目标用户。
上述发明中的另一个实施例具有如下优点或者有益效果:所确定的目标用户是权限剩余时长小于预设时长的用户,如快到期的会员,向该类用户推送目标信息,用户对推送信息的点击概率较高,且推送的目标信息时用户偏好的信息,可提高用户继续使用权限的概率,如继续续费为会员。
另一方面,本发明实施例提供一种信息推送装置,包括:
第一获取模块,用于获取多个用户的用户信息;
第一确定模块,用于根据所述多个用户的用户信息确定至少一个目标用户;
第二获取模块,用于对于每个目标用户,获取所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,所述第一信息包括所述目标用户的标识、所述目标用户的用户属性和所述目标用户对对象的行为数据;
第二确定模块,用于根据所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定所述多个候选信息中每个候选信息的推送概率;
第三确定模块,用于根据所述每个候选信息的推送概率,在所述多个候选信息中确定目标信息;
发送模块,用于向所述目标用户推送所述目标信息。
可选的,所述第二确定模块用于:
将所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息输入预先训练的信息推送模型中,输出多个候选信息中每个所述候选信息对应的推送概率;
其中,所述信息推送模型为对多个第一样本数据进行训练得到的,每个所述第一样本数据包括第一样本用户的所述第一信息、所述第一样本用户的偏好信息以及所述第一样本用户的偏好信息的属性信息。
可选的,所述第二获取模块还用于:
获取所述第一样本用户对对象的行为数据;
所述第二确定模块还用于:根据所述第一样本用户对对象的行为数据,确定所述第一样本用户所操作的对象的类型,根据所述对象的类型,确定所述第一样本用户的偏好信息。
可选的,所述用户信息包括用户对推送信息进行点击的概率值,所述第一获取模块用于:
获取所述多个用户中每个用户的第二信息,所述第二信息包括用户属性、所述用户在第一预设时间段内对推送信息的点击率以及所述用户对对象的行为数据;
将所述第二信息输入预先训练的分类模型,得到所述多个用户中每个用户对推送信息进行点击的概率值,其中,所述分类模型为对多组第二样本数据进行学习得到的,每组第二样本数据包括第二样本用户的所述第二信息。
可选的,所述第一确定模块用于:
根据用户对推送信息点击的概率值和预设用户数,从所述多个用户中确定至少一个目标用户。
可选的,所述第一确定模块用于:
从所述多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户;
根据所述多个活跃用户对推送信息进行点击的概率值和预设用户数,从所述多个活跃用户中确定所述至少一个目标用户。
可选的,所述用户信息还包括权限类型和权限类型对应的用户身份的有效时长,所述第一确定模块用于:
将所述多个用户中在第二预设时间段内活跃度大于第一阈值,以及权限剩余时长小于预设时长的用户确定为所述多个活跃用户。
可选的,所述第一确定模块用于:
按照所述多个活跃用户对推送信息进行点击的概率值从大到小的顺序,选取所述预设用户数的活跃用户作为所述目标用户。
可选的,所述用户信息还包括用户的权限类型,所述第一确定模块用于:
从所述多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户;
根据所述权限类型,从所述多个活跃用户中确定具有权限的活跃用户和不具有权限的活跃用户;
按照所述具有权限的活跃用户对推送信息进行点击的概率值从大到小的顺序,选取第一数量的具有权限的活跃用户;
按照所述不具有权限的活跃用户对推送信息进行点击的概率值从大到小的顺序,选取第二数量的不具有权限的活跃用户,所述第一数量和所述第二数量的和为所述预设用户数;
将所述第一数量的具有权限的活跃用户和所述第二数量的不具有权限的活跃用户确定为所述目标用户。
可选的,所述用户信息包括权限类型和权限类型对应的用户身份的有效时长,所述第一确定模块用于:
从所述多个用户中,将权限剩余时长小于预设时长的用户确定为所述目标用户。
另一方面,本发明实施例提供一种服务器,包括:存储器和处理器;
存储器用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取多个用户的用户信息;
根据所述多个用户的用户信息确定至少一个目标用户;
对于每个目标用户,获取所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,所述第一信息包括所述目标用户的标识、所述目标用户的用户属性和所述目标用户对对象的行为数据;
根据所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定所述多个候选信息中每个候选信息的推送概率;
根据所述每个候选信息的推送概率,在所述多个候选信息中确定目标信息,并向所述目标用户推送所述目标信息。
另一方面,本发明实施例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第一方面以及各可能设计中所述的信息推送方法。
本发明实施例提供的信息推送方法、装置及存储介质,通过先获取多个用户的用户信息,根据多个用户的用户信息确定至少一个目标用户,在确定出目标用户后,对于每个目标用户,根据目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定多个候选信息中每个候选信息的推送概率,然后根据每个候选信息的推送概率在多个候选信息中确定目标信息,并向目标用户推送目标信息。其中的第一信息包括目标用户的标识、目标用户的用户属性和目标用户对对象的行为数据。由于目标信息是根据目标用户的第一信息从候选信息中选择的,而第一信息包括目标用户对对象的行为数据,因此选择的目标信息是和目标用户对对象的行为数据相关的信息,即为用户偏好的信息(或者说是用户感兴趣的信息),从而,可以提高用户对推送信息的认知,提高推送信息的渗透率,进而提高用户对推送信息的点击概率。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本发明实施例提供的信息推送方法的应用场景示意图;
图2为本发明实施例提供的一种信息推送方法实施例的流程图;
图3为本发明实施例提供的一种信息推送方法实施例的流程图;
图4为本发明实施例提供的一种信息推送方法实施例的流程图;
图5为本发明实施例提供的一种信息推送方法实施例的流程图;
图6为本发明实施例提供的一种信息推送方法实施例的流程图;
图7为本发明实施例提供的一种信息推送方法实施例的流程图;
图8为本发明实施例提供的一种信息推送装置的结构示意图;
图9为本发明实施例提供的一种服务器的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
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公开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、本公开的一些方面相一致的装置和方法的例子。
首先,下面对本申请实施例中的部分用语进行解释说明,以便于本领域技术人员理解。
1、用户画像,是指根据用户在互联网留下的种种数据,主动或被动地收集,最后加工成一系列的标签。
2、用户属性,是指用户画像信息,可以包括用户的年龄、性别、地域和生命周期等信息。
3、权益信息,是指会员权益,可以简称为权益,对于不同的运营平台,会员有不同权益类型的权益。
在介绍本申请的技术方案之前,首先结合本申请的一个具体应用场景引出现有技术存在的问题以及本申请的技术构思过程。
示例性的,以下以本发明实施例提供的信息推送方法应用于购物平台进行说明,可以理解的是,本发明实施例提供的信息推送方法还可以用于其它运营平台。具体的,随着电子商务业务的快速发展,网络购物已成为一种购物趋势。对于电商网站等运营平台而言,如何在平台内吸引新用户,留存更多有价值的老用户成为用户运营重点,会员作为品牌忠诚用户,贡献更多的生意,投入产出比更高。通过向用户推送信息(如会员的权益信息)吸引用户成为会员,是会员体系中的重要内容。
而如何给用户推送合适类型的权益信息,一方面涉及到如何选择目标客户,另一方面涉及到给如何给用户推送合适类型的信息,现有技术中均是通过随机选择。现有技术中,由于推送的信息是随机选取的,推送的信息的渗透率不高,导致用户对推送的信息的点击概率较低。为解决这一问题,本发明实施例提供一种信息推送方法、装置及存储介质,通过在确定出目标用户后,对于每个目标用户,推送的目标信息通过下述方式确定:根据目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定多个候选信息中每个候选信息的推送概率,然后根据每个候选信息的推送概率在多个候选信息中确定目标信息,其中的第一信息包括目标用户的标识、目标用户的用户属性和目标用户对对象的行为数据。由于目标信息是根据目标用户的第一信息从候选信息中选择的,而第一信息包括目标用户对对象的行为数据,因此选择的目标信息是和目标用户对对象的行为数据相关的信息,即为用户偏好的信息(或者说是用户感兴趣的信息),从而,可以提高用户对推送信息的认知,提高推送信息的渗透率,进而提高用户对推送信息的点击概率(即用户对推送信息的打开率)。
另一方面,由于现有技术中目标用户是随机选取的,用户对推送信息的点击概率和用户身份转换率较低,如从非会员转换为会员,为解决这一问题,本发明的一个实施例中,通过根据用户对推送信息点击的概率值和预设用户数,从多个用户中确定至少一个目标用户。由于目标用户是根据用户对推送信息点击的概率值和预设用户数确定的,因此目标用户点击推送信息的可能性较高,且用户身份转换率也较高。本发明的另一个实施例中,通过从多个用户中,将权限剩余时长小于预设时长的用户确定为目标用户。所确定的目标用户是权限剩余时长小于预设时长的用户,例如为即将到期的会员用户,该类目标用户接收到推送的信息后,点击推送信息的可能性较高,其进一步还会有续费为具有权限的用户的可能,因此,相比较随机选择目标用户,本发明实施例提供的信息推送方法可以提高用户对推送信息的点击概率,进一步可提高用户身份转换率。
示例性的,图1是本发明实施例提供的信息推送方法的应用场景示意图。如图1所示,该应用场景可以包括:至少一个终端设备(图1示出了三个终端设备,分别为终端设备111、终端设备112、终端设备113)、网络12和服务器13。其中,每个终端设备与服务器13均可以通过网络12进行通信。
可选的,用户可以利用终端设备,具体可以是通过终端设备上安装的应用程序(Application,APP)或网站(如购物APP或购物网站)进行商品的浏览、加购以及下单等,用户对商品的浏览、加购以及下单等数据可以称为用户的行为数据,服务器13可以根据预设时间段内的历史业务数据获取多个用户的用户信息,用户信息可以包括用户对推送信息进行点击的概率值和/或权限类型和权限类型对应的用户身份的有效时长,服务器13还可以根据多个用户的用户信息,从多个用户中确定至少一个目标用户,对于每个目标用户,根据本申请实施例提供的方法确定目标信息,服务器13可以向目标用户推送目标信息,从而实现信息的推送。
需要说明的是,附图1仅是本申请实施例提供的一种应用场景的示意图,本申请实施例不对图1中包括的设备进行限定,也不对图1中设备之间的位置关系进行限定,例如,在图1所示的应用场景中,还可以包括数据存储设备,该数据存储设备相对服务器13可以是外部存储器,也可以是集成在服务器13中的内部存储器。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图2为本发明实施例提供的一种信息推送方法实施例的流程图,本实施例的执行主体可以为服务器,如图2所示,本实施例的方法可以包括:
S101、获取多个用户的用户信息。
具体来说,多个用户为第二预设时间段内存在对象操作行为的用户,用户信息可以包括用户对推送信息进行点击的概率值和/或权限类型和权限类型对应的用户身份的有效时长。其中,第二预设时间例如为1天、一周、半个月或一个月等等。对象例如可以是购物平台提供的商品等。
S102、根据多个用户的用户信息确定至少一个目标用户。
具体地,根据多个用户的用户信息,从多个用户中确定至少一个目标用户。本实施例中,还可以是从多个用户中随机选取目标用户。
S103、对于每个目标用户,获取目标用户的第一信息和多个候选信息中每个候选信息的属性信息,第一信息包括目标用户的标识、目标用户的用户属性和目标用户对对象的行为数据。
具体来说,候选信息可以为权益信息,用户属性可以包括年龄、性别、地域和生命周期等信息,用户属性可以通过用户注册信息采集,或者是根据用户已填的部分注册信息采集。目标用户对对象的行为数据,可以为用户对对象的浏览、加购、下单和搜索等行为数据,或者是用户访问各频道的访问数据。
S104、根据目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定多个候选信息中每个候选信息的推送概率。
其中,候选信息的属性信息可以包括候选信息本身的属性(如名称和/或所属类目)以及用户对候选信息的领取和使用情况。
本实施例中,以候选信息为权益信息为例,权益信息有不同的类型,如下表一示例性地给出了一种权益信息列表,权益信息例如为会员的权益信息,即会员享有以下权益信息:
表一权益信息
其中,表一中的任一项均为一种权益信息,共12项权益信息。
S105、根据每个候选信息的推送概率,在多个候选信息中确定目标信息,并向目标用户推送目标信息。
具体地,可以是将推送概率最大的候选信息确定为目标信息。例如,以候选信息为上述权益信息为例,通过S104确定出表一中12项权益信息对应的12个概率。接着将12个权益信息中推送概率最大的权益信息确定为目标信息,例如,十倍返利的推送概率最大,则将十倍返利确定为目标信息。
本实施例中,可选的,确定出目标用户后,可以是选取目标用户中的一部分(例如10%)随机推送目标信息作为对照组,其余部分(例如90%)的目标用户采用S103-S105的目标信息的确定方式推送目标信息,调用服务端接口后,按照目标信息的不同,拼接相关文案得到最终要发送的消息数据。
本实施例提供的信息推送方法,通过先获取多个用户的用户信息,根据多个用户的用户信息确定至少一个目标用户,在确定出目标用户后,对于每个目标用户,根据目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定多个候选信息中每个候选信息的推送概率,然后根据每个候选信息的推送概率在多个候选信息中确定目标信息,并向目标用户推送目标信息。其中的第一信息包括目标用户的标识、目标用户的用户属性和目标用户对对象的行为数据。由于目标信息是根据目标用户的第一信息从候选信息中选择的,而第一信息包括目标用户对对象的行为数据,因此选择的目标信息是和目标用户对对象的行为数据相关的信息,即为用户偏好的信息(或者说是用户感兴趣的信息),从而,可以提高用户对推送信息的认知,提高推送信息的渗透率,进而提高用户对推送信息的点击概率。
图3为本发明实施例提供的一种信息推送方法实施例的流程图,本实施例的执行主体可以为服务器,如图3所示,本实施例的方法在图2所示方法的基础上,可选的,上述S104可以通过如下步骤实现:
S104’、将目标用户的第一信息和多个候选信息中每个候选信息的属性信息输入预先训练的信息推送模型中,输出多个候选信息中每个候选信息对应的推送概率,其中,信息推送模型为对多个第一样本数据进行训练得到的,每个第一样本数据包括第一样本用户的第一信息、第一样本用户的偏好信息以及第一样本用户的偏好信息的属性信息。
其中,第一样本用户的第一信息和候选信息的属性信息详见上述实施例中的描述,此处不再赘述。
在一种可实施的方式中,进一步地,对于如何获取第一样本用户偏好的信息,可以为:先获取第一样本用户对对象的行为数据,根据第一样本用户对对象的行为数据,确定第一样本用户所操作的对象的类型,最后根据对象的类型,确定第一样本用户的偏好信息。
其中,第一样本用户偏好的信息可以根据用户在当前时刻之前的第三预设时间内的下单商品类型对应的信息类型确定,或者,第一样本用户偏好的信息可以根据用户在当前时刻之前的第三预设时间内的下单商品类型对应的信息类型和预定义的信息类型优先级确定。
具体来说,第一样本用户偏好的信息可以根据用户在当前时刻之前的第三预设时间内的下单商品类型对应的信息类型确定,即就是将每种信息类型与用户的下单商品类型关联,可以根据用户的下单商品类型确定用户感兴趣或偏好的信息,例如用户在当前时刻之前的第三预设时间内的下单商品为图书,则可以预测用户偏好的信息类型为表一中的读书这一权益信息。
进一步地,当用户在当前时刻之前的第三预设时间内的下单商品类型较多,则可以根据用户在当前时刻之前的第三预设时间内的下单商品类型和预定义的信息类型优先级确定第一样本用户偏好的信息,例如预定义的信息类型优先级为表一所示的权益信息类型的顺序,若根据用户在当前时刻之前的第三预设时间内的下单商品类型确定的用户偏好的信息有四个,则根据预定义的信息类型优先级,将四个信息中优先级最高的一个确定为第一样本用户偏好的信息。
本实施例提供的信息推送方法,通过将目标用户的第一信息和多个候选信息中每个候选信息的属性信息输入预先训练的信息推送模型中,输出多个候选信息中每个候选信息对应的推送概率,由于信息推送模型为对多个第一样本数据进行训练得到的,每个第一样本数据包括第一样本用户的第一信息、第一样本用户的偏好信息以及第一样本用户的偏好信息的属性信息。目标信息是根据目标用户的第一信息从候选信息中选择的,因此选择的目标信息是用户偏好的信息(或者说是用户感兴趣的信息),从而,可以提高用户对推送信息的认知,提高推送信息的渗透率,进而提高用户对推送信息的点击概率。
图4为本发明实施例提供的一种信息推送方法实施例的流程图。本实施例示出了信息推送模型的训练过程,在图4所示的实施例中,在上述图3所示实施例的基础上,本实施例的方法还可以包括如下步骤:
S106、根据当前时刻之前的第三预设时间段内的订单数据获取第一样本数据,每个第一样本数据包括第一样本用户的第一信息、第一样本用户的偏好信息以及第一样本用户的偏好信息的属性信息。
在一种可实施的方式中,进一步地,对于如何获取第二样本用户偏好的信息,可详见图3所示实施例中的描述,此处不再赘述。
S107、根据第一样本数据通过多分类机器学习算法进行训练,得到信息推送模型。
具体地,可以根据第一样本数据直接通过多分类机器学习算法进行训练,其中的多分类机器学习算法可以为多分类xgboost算法,得到信息推送模型。还可以是将多个第一样本数据划分为p个训练样本和q个测试样本,q个测试样本的获取时间晚于p个训练样本,对p个训练样本和至少两个训练参数通过多分类机器学习算法进行训练,得到至少两个推送信息预测模型,通过q个测试样本,分别对至少两个推送信息预测模型进行测试,将测试准确率最大的推送信息预测模型确定为推送信息模型。经过测试样本对不同的信息预测模型进行测试,可以提高权益类型预测模型的准确率。
本实施例提供的信息推送方法,通过根据当前时刻之前的第三预设时间内的订单数据获取第一样本数据,由于第一样本数据包括第一样本用户偏好的信息,用户偏好的信息是根据用户下单商品类型预测,准确性较高,接着根据第一样本数据通过多分类机器学习算法进行训练,得到信息推送模型,从而可以保证通过信息推送模型得到的目标信息是用户偏好或感兴趣的,因此可以提高用户对推送信息的认知,提高推送信息的渗透率,进而提高用户对推送信息的点击概率。
在上述实施例中,用户信息可以包括用户对推送信息进行点击的概率值和/或权限类型和权限类型对应的用户身份的有效时长。
若用户信息包括用户对推送信息进行点击的概率值,作为一种可实施的方式,获取多个用户的用户信息,具体可以为:
S1011、获取多个用户中每个用户的第二信息,第二信息包括用户属性、用户在第一预设时间段内对推送信息的点击率以及用户对对象的行为数据。
其中,用户属性可以包括年龄、性别、地域和生命周期等信息,用户属性可以通过用户注册信息采集,或者是根据用户已填的部分注册信息采集。用户在第一预设时间段内对推送信息的点击率可以为第一预设时间内用户对推送信息的打开率,具体可以是统计第一预设时间段内用户对推送信息的点击量与推送信息的发送量的比值,第一预设时间例如为1天、一周或半个月等等。用户对对象的行为数据可以为用户对对象的浏览、加购、下单和搜索等行为数据。第一预设时间段在第二预设时间段内。
作为一种可实施的方式,用户在第一预设时间段内对推送信息的点击率和用户的行为数据可以是根据第一预设时间内用户的历史业务数据确定,例如,统计第一预设时间段内用户对推送信息的点击量与推送信息的发送量的比值,即可得到用户在第一预设时间段内对推送信息的点击率,此处的推送信息可以为推送的权益信息。例如,统计第一预设时间段内用户对商品的浏览、加购、下单和搜索等行为数据,以及用户访问各频道的访问情况,即可得到用户对对象的行为数据。例如,第二预设时间段为30天,第一预设时间段为7天,可以根据30天内用户的历史业务数据统计7天内有对象操作行为的用户。需要说明的是,第二信息均是对每一个用户而言的数据,可以与用户标识对应。
S1012、将第二信息输入预先训练的分类模型,得到多个用户中每个用户对推送信息进行点击的概率值,其中,分类模型为对多组第二样本数据进行学习得到的,每组第二样本数据包括第二样本用户的第二信息。
具体地,可以是预先对多组第二样本数据进行学习得到分类模型,第二样本数据包括第二样本用户的第二信息,其中的第二信息包括用户属性、用户在第一预设时间段内对推送信息的点击率以及用户对对象的行为数据。得到分类模型后,在进行信息推送的过程中,获取到用户的第二信息后,将第二信息输入分类模型,即可得到该用户对推送信息进行点击的概率值。
若用户信息包括权限类型和权限类型对应的用户身份的有效时长,权限类型例如为会员和非会员,若权限类型为会员,相应的,权限类型对应的用户身份的有效时长为会员的有效时长。作为一种可实施的方式,获取多个用户的用户信息,具体可以为:根据用户注册信息获取用户的权限类型和权限类型对应的用户身份的有效时长。
本申请实施例中,对于如何确定目标用户,有两种可实施的方式:
方式一、用户信息包括用户对推送信息进行点击的概率值,根据用户对推送信息点击的概率值和预设用户数,从多个用户中确定至少一个目标用户。
其中,预设用户数例如为预设的一次要推送信息的用户数量,即一次要推送信息给多少用户。
方式二、从多个用户中,将权限剩余时长小于预设时长的用户确定为目标用户。
下面结合图5和图6对上述方式一的可实施的方式进行详细说明。
图5为本发明实施例提供的一种信息推送方法实施例的流程图,本实施例的执行主体可以为服务器,如图5所示,本实施例的方法在图2所示方法的基础上,可选的,上述S102可以通过如下步骤实现:
S1021、从多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户。
具体地,活跃度可以是第二预设时间段内的浏览次数,例如第一阈值为1,即第二预设时间段内有浏览行为,即为活跃用户。
进一步地,用户信息还包括权限类型和权限类型对应的用户身份的有效时长,从多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户,可以为:将多个用户中在第二预设时间段内活跃度大于第一阈值,以及权限剩余时长小于预设时长的用户确定为多个活跃用户。
S1022、根据多个活跃用户对推送信息进行点击的概率值和预设用户数,从多个活跃用户中确定至少一个目标用户。
具体地,根据多个活跃用户对推送信息进行点击的概率值和预设用户数,就可以从多个活跃用户中确定目标用户。
作为一种可实施的方式,S1022具体可以为:
按照多个活跃用户对推送信息进行点击的概率值从大到小的顺序,选取预设用户数的活跃用户作为目标用户。例如,预设用户数为100万,将多个活跃用户中,按照用户对推送信息进行点击的概率值从大到小的顺序,将前100个活跃用户确定为目标用户。可以理解的是,所确定的目标用户中不区分用户的权限类型,例如权限类型包括会员和非会员,所确定的目标用户中有会员和/或非会员。
本实施例提供的信息推送方法,通过根据多个活跃用户对推送信息进行点击的概率值和预设用户数,从多个活跃用户中确定至少一个目标用户,目标用户点击推送的目标信息的可能性较高,因此,相比较随机选择目标用户,本发明实施例提供的信息推送方法可以提高用户对推送信息的点击概率,进一步可提高用户的身份转换率。例如从非会员转换为会员。
图6为本发明实施例提供的一种信息推送方法实施例的流程图,本实施例的执行主体可以为服务器,如图6所示,本实施例的方法在图2所示方法的基础上,可选的,若用户信息还包括用户的权限类型,上述S102可以通过如下步骤实现:
S1021’、从多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户。
具体地,活跃度可以是第二预设时间段内的浏览次数,例如第一阈值为1,即第二预设时间段内有浏览行为,即为活跃用户。
进一步地,若用户信息还包括权限类型对应的用户身份的有效时长,从多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户,可以为:将多个用户中在第二预设时间段内活跃度大于第一阈值,以及权限剩余时长小于预设时长的用户确定为多个活跃用户。
S1022’、根据权限类型,从多个活跃用户中确定具有权限的活跃用户和不具有权限的活跃用户。
其中,具有权限的活跃用户例如可以是会员活跃用户,不具有权限的活跃用户例如可以是非会员活跃用户,可选的,具有权限还可以其他类型的用户。
S1023’、按照具有权限的活跃用户对推送信息进行点击的概率值从大到小的顺序,选取第一数量的具有权限的活跃用户。
S1024’、按照不具有权限的活跃用户对推送信息进行点击的概率值从大到小的顺序,选取第二数量的不具有权限的活跃用户,第一数量和第二数量的和为预设用户数。
可选的,第一数量为m,第二数量为n,m和n可以是预设的数量,还可以预设具有权限的活跃用户的数量和不具有权限的活跃用户的数量的比例以及预设用户数,根据该比例和预设用户数可以计算出m和n。
S1025’、将第一数量的具有权限的活跃用户和第二数量的不具有权限的活跃用户确定为目标用户。
具体地,例如,预设用户数即一次要推送的用户的数量为100万,预设的具有权限的活跃用户的数量和不具有权限的活跃用户的数量的比例为4:1,将活跃用户中,分别按照对推送信息进行点击的概率值从大到小的顺序,将80万具有权限的活跃用户和20万不具有权限的活跃用户确定为目标用户。
本实施例提供的信息推送方法,相比较图5所示实施例的方法,用户信息增加了权限类型,所确定的目标用户区分了权限类型,如区分了会员和非会员,在推送信息时更具有针对性,可提高用户身份转换率。因此,相比较随机选择目标用户,本发明实施例提供的信息推送方法可以提高用户对推送信息的点击概率,进一步可提高用户身份转换率。
下面结合图7对上述方式二进行详细说明。
图7为本发明实施例提供的一种信息推送方法实施例的流程图,本实施例的执行主体可以为服务器,如图7所示,本实施例的方法在图2所示方法的基础上,可选的,上述S102可以通过如下步骤实现:
S1021”、从多个用户中,将权限剩余时长小于预设时长的用户确定为目标用户。
本实施例中,相比较图2所示实施例,所确定的目标用户是权限剩余时长小于预设时长的用户,如快到期的会员,向该类用户推送目标信息,用户对推送信息的点击概率较高,且推送的目标信息时用户偏好的信息,可提高用户继续使用权限的概率,如继续续费为会员。
图8为本发明实施例提供的一种信息推送装置的结构示意图,如图8所示,本实施例的装置可以包括:第一获取模块21、第一确定模块22、第二获取模块23、第二确定模块24、第三确定模块25和发送模块26,其中,
第一获取模块21用于获取多个用户的用户信息。
第一确定模块22用于根据多个用户的用户信息确定至少一个目标用户。
第二获取模块23用于对于每个目标用户,获取目标用户的第一信息和多个候选信息中每个候选信息的属性信息,第一信息包括目标用户的标识、目标用户的用户属性和目标用户对对象的行为数据。
第二确定模块24用于根据目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定多个候选信息中每个候选信息的推送概率。
第三确定模块25用于根据每个候选信息的推送概率,在多个候选信息中确定目标信息。
发送模块26用于向目标用户推送目标信息。
在一种可实施的方式中,第二确定模块24用于:
将目标用户的第一信息和多个候选信息中每个候选信息的属性信息输入预先训练的信息推送模型中,输出多个候选信息中每个候选信息对应的推送概率;
其中,信息推送模型为对多个第一样本数据进行训练得到的,每个第一样本数据包括第一样本用户的第一信息、第一样本用户的偏好信息以及第一样本用户的偏好信息的属性信息。
在一种可实施的方式中,第二获取模块23还用于:
获取第一样本用户对对象的行为数据;
第二确定模块24还用于:根据第一样本用户对对象的行为数据,确定第一样本用户所操作的对象的类型,根据对象的类型,确定第一样本用户的偏好信息。
在一种可实施的方式中,用户信息包括用户对推送信息进行点击的概率值,第一获取模块21用于:
获取多个用户中每个用户的第二信息,第二信息包括用户属性、用户在第一预设时间段内对推送信息的点击率以及用户对对象的行为数据;
将第二信息输入预先训练的分类模型,得到多个用户中每个用户对推送信息进行点击的概率值,其中,分类模型为对多组第二样本数据进行学习得到的,每组第二样本数据包括第二样本用户的第二信息。
在一种可实施的方式中,第一确定模块22用于:
根据用户对推送信息点击的概率值和预设用户数,从多个用户中确定至少一个目标用户。
在一种可实施的方式中,第一确定模块22用于:
从多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户;
根据多个活跃用户对推送信息进行点击的概率值和预设用户数,从多个活跃用户中确定至少一个目标用户。
在一种可实施的方式中,用户信息还包括权限类型和权限类型对应的用户身份的有效时长,第一确定模块22用于:
将多个用户中在第二预设时间段内活跃度大于第一阈值,以及权限剩余时长小于预设时长的用户确定为多个活跃用户。
在一种可实施的方式中,第一确定模块22用于:
按照多个活跃用户对推送信息进行点击的概率值从大到小的顺序,选取预设用户数的活跃用户作为目标用户。
在一种可实施的方式中,用户信息还包括用户的权限类型,第一确定模块22用于:
从多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户;
根据权限类型,从多个活跃用户中确定具有权限的活跃用户和不具有权限的活跃用户;
按照具有权限的活跃用户对推送信息进行点击的概率值从大到小的顺序,选取第一数量的具有权限的活跃用户;
按照不具有权限的活跃用户对推送信息进行点击的概率值从大到小的顺序,选取第二数量的不具有权限的活跃用户,第一数量和第二数量的和为预设用户数;
将第一数量的具有权限的活跃用户和第二数量的不具有权限的活跃用户确定为目标用户。
在一种可实施的方式中,用户信息包括权限类型和权限类型对应的用户身份的有效时长,第一确定模块22用于:
从多个用户中,将权限剩余时长小于预设时长的用户确定为目标用户。
本申请实施例提供的装置,可执行上述方法实施例,其具体实现原理和技术效果,可参见上述方法实施例,本实施例此处不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,处理模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上处理模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(application specific integrated circuit,ASIC),或,一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(centralprocessing unit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,SOC)的形式实现。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘solid state disk(SSD))等。
图9为本发明实施例提供的一种服务器的结构示意图,如图9所示,本实施例的服务器包括存储器30和处理器31,其中,
存储器30用于存储处理器可执行指令的存储器;
其中,处理器31被配置为:
获取多个用户的用户信息;
根据多个用户的用户信息确定至少一个目标用户;
对于每个目标用户,获取目标用户的第一信息和多个候选信息中每个候选信息的属性信息,第一信息包括目标用户的标识、目标用户的用户属性和目标用户对对象的行为数据;
根据目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定多个候选信息中每个候选信息的推送概率;
根据每个候选信息的推送概率,在多个候选信息中确定目标信息,并向目标用户推送目标信息。
可选的,本实施例的服务器还可以包括接收器32和发送器33。可选的,发送器23可以用于向目标用户推送目标信息。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当其在计算机上运行时,使得计算机执行如上述实施例的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开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。本公开的范围仅由所附的权利要求书来限制。
Claims (13)
1.一种信息推送方法,其特征在于,包括:
获取多个用户的用户信息;
根据所述多个用户的用户信息确定至少一个目标用户;
对于每个目标用户,获取所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,所述第一信息包括所述目标用户的标识、所述目标用户的用户属性和所述目标用户对对象的行为数据;
根据所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定所述多个候选信息中每个候选信息的推送概率;
根据所述每个候选信息的推送概率,在所述多个候选信息中确定目标信息,并向所述目标用户推送所述目标信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定所述多个候选信息中每个候选信息的推送概率,包括:
将所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息输入预先训练的信息推送模型中,输出多个候选信息中每个所述候选信息对应的推送概率;
其中,所述信息推送模型为对多个第一样本数据进行训练得到的,每个所述第一样本数据包括第一样本用户的所述第一信息、所述第一样本用户的偏好信息以及所述第一样本用户的偏好信息的属性信息。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取所述第一样本用户对对象的行为数据;
根据所述第一样本用户对对象的行为数据,确定所述第一样本用户所操作的对象的类型;
根据所述对象的类型,确定所述第一样本用户的偏好信息。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述用户信息包括用户对推送信息进行点击的概率值,所述获取多个用户的用户信息,包括:
获取所述多个用户中每个用户的第二信息,所述第二信息包括用户属性、所述用户在第一预设时间段内对推送信息的点击率以及所述用户对对象的行为数据;
将所述第二信息输入预先训练的分类模型,得到所述多个用户中每个用户对推送信息进行点击的概率值,其中,所述分类模型为对多组第二样本数据进行学习得到的,每组第二样本数据包括第二样本用户的所述第二信息。
5.根据权利要求4所述的方法,其特征在于,所述根据所述多个用户的用户信息确定至少一个目标用户,包括:
根据用户对推送信息点击的概率值和预设用户数,从所述多个用户中确定至少一个目标用户。
6.根据权利要求5所述的方法,其特征在于,所述根据用户对推送信息点击的概率值和预设用户数,从所述多个用户中确定至少一个目标用户,包括:
从所述多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户;
根据所述多个活跃用户对推送信息进行点击的概率值和预设用户数,从所述多个活跃用户中确定所述至少一个目标用户。
7.根据权利要求6所述的方法,其特征在于,所述用户信息还包括权限类型和权限类型对应的用户身份的有效时长,所述从所述多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户,包括:
将所述多个用户中在第二预设时间段内活跃度大于第一阈值,以及权限剩余时长小于预设时长的用户确定为所述多个活跃用户。
8.根据权利要求6所述的方法,其特征在于,所述根据所述多个活跃用户对推送信息进行点击的概率值和预设用户数,从所述多个活跃用户中确定所述至少一个目标用户,包括:
按照所述多个活跃用户对推送信息进行点击的概率值从大到小的顺序,选取所述预设用户数的活跃用户作为所述目标用户。
9.根据权利要求5所述的方法,其特征在于,所述用户信息还包括用户的权限类型,所述根据用户对推送信息点击的概率值和预设用户数,从所述多个用户中确定至少一个目标用户,包括:
从所述多个用户中确定在第二预设时间段内活跃度大于第一阈值的多个活跃用户;
根据所述权限类型,从所述多个活跃用户中确定具有权限的活跃用户和不具有权限的活跃用户;
按照所述具有权限的活跃用户对推送信息进行点击的概率值从大到小的顺序,选取第一数量的具有权限的活跃用户;
按照所述不具有权限的活跃用户对推送信息进行点击的概率值从大到小的顺序,选取第二数量的不具有权限的活跃用户,所述第一数量和所述第二数量的和为所述预设用户数;
将所述第一数量的具有权限的活跃用户和所述第二数量的不具有权限的活跃用户确定为所述目标用户。
10.根据权利要求1-3任一项所述的方法,其特征在于,所述用户信息包括权限类型和权限类型对应的用户身份的有效时长,所述根据所述多个用户的用户信息确定至少一个目标用户,包括:
从所述多个用户中,将权限剩余时长小于预设时长的用户确定为所述目标用户。
11.一种信息推送装置,包括:
第一获取模块,用于获取多个用户的用户信息;
第一确定模块,用于根据所述多个用户的用户信息确定至少一个目标用户;
第二获取模块,用于对于每个目标用户,获取所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,所述第一信息包括所述目标用户的标识、所述目标用户的用户属性和所述目标用户对对象的行为数据;
第二确定模块,用于根据所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定所述多个候选信息中每个候选信息的推送概率;
第三确定模块,用于根据所述每个候选信息的推送概率,在所述多个候选信息中确定目标信息;
发送模块,用于向所述目标用户推送所述目标信息。
12.一种服务器,其特征在于,包括:存储器和处理器;
存储器用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取多个用户的用户信息;
根据所述多个用户的用户信息确定至少一个目标用户;
对于每个目标用户,获取所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,所述第一信息包括所述目标用户的标识、所述目标用户的用户属性和所述目标用户对对象的行为数据;
根据所述目标用户的第一信息和多个候选信息中每个候选信息的属性信息,确定所述多个候选信息中每个候选信息的推送概率;
根据所述每个候选信息的推送概率,在所述多个候选信息中确定目标信息,并向所述目标用户推送所述目标信息。
13.一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至10任一项所述的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354932.6A CN113780328A (zh) | 2021-03-31 | 2021-03-31 | 信息推送方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354932.6A CN113780328A (zh) | 2021-03-31 | 2021-03-31 | 信息推送方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780328A true CN113780328A (zh) | 2021-12-10 |
Family
ID=78835615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110354932.6A Pending CN113780328A (zh) | 2021-03-31 | 2021-03-31 | 信息推送方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780328A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187345A (zh) * | 2022-09-13 | 2022-10-14 | 深圳装速配科技有限公司 | 智能家居建材推荐方法、装置、设备及存储介质 |
-
2021
- 2021-03-31 CN CN202110354932.6A patent/CN113780328A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187345A (zh) * | 2022-09-13 | 2022-10-14 | 深圳装速配科技有限公司 | 智能家居建材推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pielot et al. | Beyond interruptibility: Predicting opportune moments to engage mobile phone users | |
Zhao et al. | Discovering different kinds of smartphone users through their application usage behaviors | |
US20170293865A1 (en) | Real-time updates to item recommendation models based on matrix factorization | |
Bilogrevic et al. | A machine-learning based approach to privacy-aware information-sharing in mobile social networks | |
CN108664513B (zh) | 用于推送关键词的方法、装置以及设备 | |
CN110874440A (zh) | 一种信息推送及其模型训练的方法、装置及电子设备 | |
CN109165975B (zh) | 标签推荐方法、装置、计算机设备及存储介质 | |
US9864951B1 (en) | Randomized latent feature learning | |
US10162868B1 (en) | Data mining system for assessing pairwise item similarity | |
CN108550046B (zh) | 一种资源和营销推荐方法、装置及电子设备 | |
CN110413867B (zh) | 用于内容推荐的方法及系统 | |
US20130066814A1 (en) | System and Method for Automated Classification of Web pages and Domains | |
US10133878B2 (en) | Stochastic privacy | |
Tian et al. | What and how long: Prediction of mobile app engagement | |
CN113869931A (zh) | 广告投放策略确定方法、装置、计算机设备和存储介质 | |
CN111061979A (zh) | 一种用户标签的推送方法、装置、电子设备和介质 | |
CN110058992B (zh) | 一种文案模板效果反馈方法、装置及电子设备 | |
CN108154024A (zh) | 一种数据检索方法、装置及电子设备 | |
CN113780328A (zh) | 信息推送方法、装置及存储介质 | |
US10474688B2 (en) | System and method to recommend a bundle of items based on item/user tagging and co-install graph | |
CN113656699A (zh) | 用户特征向量确定方法、相关设备及介质 | |
Shanmugarasa et al. | Towards automated data sharing in personal data stores | |
CN112967044B (zh) | 一种支付业务的处理方法及装置 | |
CN109408716B (zh) | 用于推送信息的方法和设备 | |
CN114154051A (zh) | 信息推荐方法、装置、设备及存储介质 |
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 |