CN113918810A - 基于机器学习模型的信息推送方法、装置、设备及介质 - Google Patents
基于机器学习模型的信息推送方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113918810A CN113918810A CN202111157213.1A CN202111157213A CN113918810A CN 113918810 A CN113918810 A CN 113918810A CN 202111157213 A CN202111157213 A CN 202111157213A CN 113918810 A CN113918810 A CN 113918810A
- Authority
- CN
- China
- Prior art keywords
- push
- information
- training
- channel
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000010801 machine learning Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims description 276
- 230000015654 memory Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication 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
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
Abstract
本申请涉及人工智能领域，公开了一种基于机器学习模型的信息推送方法、装置、设备及介质，该方法包括：获取包括推送信息和推送对象信息的推送请求；获取推送对象对应的候选推送通道集合；获取推送对象的对象特征以及推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，基于通道推荐模型对对象特征和历史点击信息进行概率预测，得到各个候选推送通道的推送概率；根据各个候选推送通道的推送概率从候选推送通道集合中确定目标推送通道，利用目标推送通道将推送信息推送至推送对象。可以为对象匹配较优的推送通道，以提高信息点击率，从而提高信息推送准确性。本申请涉及区块链技术，如可将上述数据写入区块链中，以用于信息推送等场景。
Description
技术领域
本申请涉及人工智能领域，尤其涉及一种基于机器学习模型的信息推送方法、装置、设备及介质。
背景技术
随着计算机技术的快速发展，用户所使用的终端中可支持的触达方式变得越来越丰富，例如，短信、微信、站内信、邮件均可以用于接收信息。目前，各种平台在进行推送时，通常倾向于选择成本较低的触达方式，以节省成本。但是这种选择方式，具有大众化，无法满足用户的个性化需求。因此，如何为用户选择一个较为合适的触达方式成为了亟需解决的问题。
发明内容
本申请实施例提供了一种基于机器学习模型的信息推送方法、装置、设备及介质，可以为对象匹配较优的推送通道，以提高信息点击率，从而提高信息推送准确性。
第一方面，本申请实施例公开了一种基于机器学习模型的信息推送方法，所述方法包括：
获取信息推送请求，所述信息推送请求中包括推送信息和推送对象；
获取所述推送对象对应的候选推送通道集合，所述候选推送通道集合中包括多个候选推送通道；
获取所述推送对象的对象特征以及所述推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率；
根据所述各个候选推送通道的推送概率从所述候选推送通道集合中确定目标推送通道，并利用所述目标推送通道将所述推送信息推送至所述推送对象。
第二方面，本申请实施例公开了一种基于机器学习模型的信息推送装置，所述装置包括：
第一获取单元，用于获取信息推送请求，所述信息推送请求中包括推送信息和推送对象；
第二获取单元，用于获取所述推送对象对应的候选推送通道集合，所述候选推送通道集合中包括多个候选推送通道；
确定单元，用于获取所述推送对象的对象特征以及所述推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率；
推送单元，用于根据所述各个候选推送通道的推送概率从所述候选推送通道集合中确定目标推送通道，并利用所述目标推送通道将所述推送信息推送至所述推送对象。
第三方面，本申请实施例公开了一种信息推送设备，包括处理器、存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
第四方面，本申请实施例公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本申请实施例中，可以获取包括推送信息和推送对象的信息推送请求，并可以获取推送对象对应的候选推送通道集合，还可以获取推送对象的对象特征以及推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对对象特征和历史点击信息进行概率预测，以得到各个候选推送通道的推送概率。进一步的，可以根据各个候选推送通道的推送概率从候选推送通道集合中确定目标推送通道，并利用目标推送通道将推送信息推送至推送对象。可以为对象匹配较优的推送通道，以提高信息点击率，从而提高信息推送准确性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种信息推送系统的架构示意图；
图2是本申请实施例提供的一种基于机器学习模型的信息推送方法的流程示意图；
图3是本申请实施例提供的另一种基于机器学习模型的信息推送方法的流程示意图；
图4是本申请实施例提供的一种基于机器学习模型的信息推送装置的结构示意图；
图5是本申请实施例提供的一种信息推送设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的方案涉及人工智能的机器学习等技术，具体通过如下实施例进行说明：
本申请实施例提出了一种基于机器学习模型的信息推送方法，该基于机器学习模型的信息推送方法的大致原理如下：可以获取包括推送信息和推送对象的信息推送请求，并可以获取推送对象对应的候选推送通道集合，还可以获取推送对象的对象特征以及推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对对象特征和历史点击信息进行概率预测，以得到各个候选推送通道的推送概率。进一步的，可以根据各个候选推送通道的推送概率从候选推送通道集合中确定目标推送通道，并利用目标推送通道将推送信息推送至推送对象。通过实施上述方法，可以基于对象的对象终端所支持的推送通道以及对象对于各个推送通道的偏好，为对象匹配较优的推送通道，以提高推送信息的点击率，从而提高信息推送准确性，也可以提高用户体验。并使用机器学习预测模型去预测对象当前的最优的推送通道，有效的提高了信息推送设备的智能化水平。
在一种实现方式中，该基于机器学习模型的信息推送方法可应用在如图1所示的信息推送系统中，如图1所示，该信息推送系统可至少包括：信息推送设备11和终端设备(设备)12，其中，该信息推送设备11可以用于执行上述的基于机器学习模型的信息推送方法，该信息推送设备11可以是如图1所示的服务器，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、内容分发网络(Content Delivery Network，CDN)、中间件服务、域名服务、安全服务以及大数据和人工智能平台等基础云计算服务的云服务器，等等。该会诊设备11也可以是终端设备，其中，该终端设备可以包括但不限于：智能手机、平板电脑、膝上计算机、可穿戴设备、台式计算机，等等。其中，终端设备12可以是用户关联的终端设备，该信息推送系统中包括的终端设备的数量可以是一个或多个，如图1所示，该信息推送系统中可以包括终端设备12a，终端设备12b，和/或终端设备12c等。其中，一个用户可以关联有一个终端设备，一个用户也可以关联有多个终端设备，这里不做限定。其中，该基于机器学习模型的信息推送方法的适用场景广，可以适用于任意平台或系统的推送服务。例如，金融系统的推送系统、医疗系统的推送平台等等。
下面，将详细描述本申请实施例的信息推送方法。请参阅图2，图2是本申请实施例提供的一种基于机器学习模型的信息推送方法的流程示意图。本实施例中所描述的基于机器学习模型的信息推送方法，应用于信息推送设备，可由信息推送设备执行，其中，该信息推送设备可以是服务器，也可以是终端。如图2所示，该基于机器学习模型的信息推送方法包括以下步骤：
S201：获取信息推送请求，信息推送请求中包括推送信息和推送对象。
其中，本申请中的对象可以指用户，因此，推送对象可以指任意一个用户。推送信息可以是例如营销平台向客户推送的营销广告等，该推送信息还可以是例如医疗平台向患者推送的一些重要通知、推荐阅读材料等等，还可以包括其他类型的推送信息。当存在信息推送需求时，信息推送设备可以获取信息推送请求，该信息推送请求中可以包括推送信息和推送对象。可选的，该推送对象具体可以指推送对象的标识，该标识可以用于唯一指示推送对象的对象终端，以便于后续可以将推送信息推送给该标识对应的对象终端(也就是推送对象的对象终端)。
在一种实现方式中，在获取到信息推送请求之后，还可以基于信息推送请求中的推送信息确定是否需要将该推送信息推送给对应的推送对象。例如，可以基于用户的偏好来进行信息推送，以提高信息推送的准确性，避免一些无用的推送操作。如在营销领域中，可以将信息推送给对营销信息感兴趣的用户，也可以提高后续的业务效率。在一种可能的实现方式中，可以获取推送对象的兴趣类型，并获取所推送信息的内容类型，以检测推送对象的兴趣类型和推送信息的内容类型是否一致。如果检测结果为推送对象的兴趣类型和推送信息的内容类型一致，则可以执行后续的信息推送步骤。例如，如果推送信息的内容类型和推送对象的兴趣类型均是购房贷款，则可以将该推送信息推送给推送对象。又如，如果推送信息的内容类型为购房贷款，而推送对象的兴趣类型不是购房贷款，则可以考虑不将该推送信息推送给推送对象。以实现根据推送对象的兴趣点进行推送，从而也可以提高推送对象的点击率，以提高推送效率。
可以理解的是，推送信息的内容类型因推送平台的不同而不同，例如，如果推送平台是医疗领域的，可以向用户推送关于健康知识等信息；又如，如果推送平台是金融领域的，可以向用户推送关于贷款、理财、融资等业务信息。而在某一推送平台下，如上述描述的金融领域的推送平台，不同类型的业务信息中的内容也存在不同，如内容类型可以包括贷款类型、理财类型、融资类型等。如果再对某一业务再进行划分，还可以得到更为细分的业务，如贷款业务下还可以包括多个子业务，如购房贷款、购车贷款、创业贷款、公积金贷款、消费贷款、经营贷款等等，那么，内容类型可以包括购房贷款类型、购车贷款类型、创业贷款类型等等。可选的，推送信息的内容类型可以携带在推送信息中，例如，信息推送设备可以预先对推送信息的内容类型进行了划分。或者，也可以对推送信息进行类型识别，以确定推送信息的内容类型。其中，类型识别的过程可以是：扫描推送信息，如果扫描到内容关键字，则可以根据内容关键字确定内容类型，例如，如果在推送信息中扫描到贷款、房等字，可以将该待推送信息的内容类型确定为购房贷款类型。类型识别的过程还可以是利用识别模型来识别，例如将推送信息输入预先训练好的类型识别模型，以得到推送信息对应的内容类型。
可选的，推送对象的兴趣特征可以是根据推送对象在推送平台的历史搜索记录确定的，如果考虑到权限问题，历史搜索记录可以是从与推送平台的相关应用程序中获得的，该相关应用程序是指向推送平台开放了数据获取权限。例如，推送平台是应用程序A，若推送对象在应用程序A搜索一篇关于银行贷款的文章，可以根据该篇文章确定推送对象的兴趣特征(贷款)。推送对象的兴趣特征也可以是根据历史推送信息的点击情况来确定，例如，信息推送设备可以是可以实时更新用户对历史推送信息(即已推送信息)的点击状态(未点击或已点击)，如当用户点击某一已推送信息，则信息推送设备可以将该已推送信息的点击状态由未点击更新为已点击。则信息推送设备可以根据点击的已推送信息的内容类型来确定推送对象的兴趣特征，如可以统计各种内容类型下点击的已推送信息的数量，并将最大数量对应的已推送信息的内容类型确定为推送对象的兴趣特征。
S202：获取推送对象对应的候选推送通道集合。
在一种实现方式中，候选推送通道集合中可以包括多个候选推送通道，推送对象的候选推送通道可以是指推送对象的所使用的终端设备可支持的信息接收方式，例如信息接收方式可以包括短信、微信、站内信、邮件、即时通讯(Instant Messaging，IM)等等，还可以包括其他方式，在本申请不一一举例。
在一种实现方式中，考虑到推送对象所使用的终端设备可支持的信息接收方式较多，即可用的推送通道较多，也为了减少模型的复杂度，提高后续模型的预测准确性，可以对多种推送通道进行筛选，以得到候选推送通道集合。在本申请中，可以将推送对象对应的对象终端中所有的可支持的信息接收方式称之为初始推送通道，将经过筛选得到的初始推送通道称之为候选推送通道。可选的，可以根据历史推送信息的数量来从初始推送通道集合中筛选出候选推送通道。具体实现中，可以先获取推送对象对应的初始推送通道集合，该初始推送通道集合中可以包括多个初始推送通道。并获取各个初始推送通道上向推送对象所推送的历史推送信息的数量，可以将任一个初始推送通道上向推送对象所推送的历史推送信息的数量称之为第一信息数量，而在获取到该第一信息数量之后，即可以根据该第一信息数量对初始推送通道集合中的各个初始推送通道进行筛选，而筛选得到初始推送通道即可以添加至候选推送通道集合中，可以将候选推送通道集合中的各个初始推送通道称之为候选推送通道。例如，可以将各个初始推送通道对应的第一信息数量进行降序排序，以得到数量排序结果，而在得到数量排序结果之后，可以将该数量排序结果中前L个第一信息数量对应的初始推送通道添加至候选推送通道集合中。其中，L为正整数，如L可以是5、7等数值，其具体数值在本申请不做限定。
可选的，还可以根据历史推送信息的点击情况来从初始推送通道集合中筛选出候选推送通道。具体实现中，可以获取上述历史推送信息被点击的信息数量，可以将历史推送信息被点击的信息数量称之为第一被点击数量。然后，可以根据第一信息数量和第一被点击数量，确定推送对象在各个初始推送通道上针对历史推送信息的第一历史点击率。例如，针对推送对象的任一初始推送通道，可以获取信息推送设备通过该初始推送通道向推送对象对应的对象终端所发送的信息的数量为N，还可以获取这些信息中被点击过的信息的数量为n，则推送对象在该初始推送通道上针对历史推送信息的第一历史点击率为n/N。在得到各个初始推送通道对应的第一历史点击率之后，即可以根据各个初始推送通道对应的第一历史点击率从初始推送通道集合中确定候选推送通道集合。在一种实现中，可以将第一历史点击率超过预设点击率对应的初始推送通道确定为候选推送通道，并将候选推送通道添加到所述候选推送通道集合中。其中，该预设点击率可以预先设定，其具体数值在本申请不做限定。另一种实现中，还可以将各个初始推送通道对应的第一历史点击率进行降序排序，以得到点击率排序结果，可以将点击率排序结果中前K位对应的第一历史点击率对应的初始推送通道确定为候选推送通道，从而得到候选推送通道集合。其中，K为正整数，如L可以是6、8等数值，其具体数值在本申请不做限定。
需要说明的是，信息推送设备可以记录推送给每个用户的信息的数量以及用户针对推送信息的点击情况，如果用户点击了某一推送信息，会将点击情况反馈给信息推送设备，从而可以根据信息推送设备所记录的每个用户的历史推送信息的数量，以及反馈给信息推送设备的点击情况确定历史点击率。例如，针对推送通道C，历史推送信息的次数为100，点击次数为70，则历史点击率为70％。
S203：获取推送对象的对象特征以及推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对对象特征和历史点击信息进行概率预测，得到各个候选推送通道的推送概率。
在一种实现方式中，通道推荐模型可以是：决策树(Decision Tree，DT)模型、支持向量机(Support Vector Machine，SVM)模型、随机森林(Random Forest，RF)模型、逻辑回归(Logistic Regression，LR)模型等等。也可以包括其他可用于概率预测的机器学习模型，在申请中对具体模型不做限定。
在一个实施例中，可以调用通道推荐模型来确定各个候选推送通道的推送概率，具体实现中，可以获取推送对象在各个候选推送通道上历史推送信息的历史点击信息，并获取推送对象的对象特征，以根据历史点击信息、对象特征以及通道推荐模型得到各个候选推送通道的推送概率，如可以将历史点击信息、对象特征输入通道推荐模型中，以得到各个候选推送通道的推送概率。对象特征可以是与推送平台相关联的信息，例如，在金融领域的保险推销的信息推送中，对象特征可以包括推送对象的基本资产情况(例如已购买的保险类型、保险价格等等)，需要说明的是，这些信息均是在具有获取权限的情况下获取。任一候选推送通道上历史推送信息的历史点击信息可以是指：利用该候选推送通道向推送对象所推送的历史推送信息的数量、历史推送信息被点击的数量、每个历史推送信息被点击的点击时间、每个历史推送信息被推送的时间与被点击时间的时间时长等等。通过结合对象的对象特征，以及对象的历史点击信息来对推送通道进行综合预测，可以为对象匹配更为合适的推送通道，实现推送个性化。
S204：根据各个候选推送通道的推送概率从候选推送通道集合中确定目标推送通道，并利用目标推送通道将推送信息推送至推送对象。
在一种实现方式中，可以从各个候选推送通道的推送概率确定最大推送概率，并将最大推送概率对应的候选推送通道确定为目标推送通道，并利用该目标推送通道对推送对象进行信息推送。
在一种实现方式中，还可以结合推送信息对应的推送信息类型从候选推送通道集合中确定目标推送通道。具体实现中，可以获取推送信息对应的推送信息类型，并获取各个候选推送通道对应的参考信息类型。例如，信息类型可以包括文字信息类型，图像信息类型和视频信息类型中的一种或多种信息类型的结合。如文字信息类型表示推送信息以文字方式呈现，图像信息类型表示推送信息以文字方式呈现，文字信息类型和图像信息类型表示推送信息以文字方式和图像方式共同呈现。为了使推送信息以较优的方式呈现个用户，可以考虑为推送信息匹配合适的推送通道，例如，对于推送通道A，比较适合文字类信息，对于推送通道B，文字类信息、图片类信息、视频类信息均比较合适。本申请中的任一候选推送通道的候选参考类型可以是指该任一候选推送通道所适合推送的信息类型，可以预先为各个候选推送通道设置对应的参考信息类型，其中，对于一个候选推送通道设置对应的参考信息类型的数量可以包括一个或多个。
进一步的，可以将推送信息类型与各个候选推送通道对应的参考信息类型进行匹配，以确定推送信息与各个候选推送通道的匹配得分。其中，匹配可以理解为推送信息的推送信息类型是否存在于某一候选推送通道中的参考信息类型中，如果存在，则该推送信息与该某一候选推送通道的匹配得分为1，如果不存在，则该推送信息与该某一候选推送通道的匹配得分为0。例如，某一推送信息的推送信息类型为文字信息类型，假设可以匹配到推送通道A和推送通道B，则该推行信息与推送通道A和推送通道B匹配得分可以均是1。又如，某一推送信息类型为图像信息类型，假设可以匹配到推送通道B，而匹配不到推送通道A，则该推送信息与推送通道A的匹配得分是0，与推送通道B的匹配得分是1。
而在确定推送信息与各个候选推送通道的匹配得分之后，可以根据该匹配得分和各个候选推送通道的推送概率，从候选推送通道集合中确定目标推送通道。例如，为了便于后续计算，可以将推送概率进行数值转换，以将推送概率转换为指定数值范围内的数值，可以将进行转换后的推送概率称之为推送得分。其中，指定数值范围可以是0-10，例如，50％转换为5，30％转换为3。进一步的，可以将候选推送通道对应的匹配得分和推送得分之间的和值作为该候选推送通道的目标推送得分。以根据每个候选推送通道的目标推送得分从候选推送通道集合中确定目标推送通道。例如，可以将目标推送得分中最大目标推送得分对应的候选推送通道确定为目标推送通道。
在一种实现方式中，还可以对推送信息设置对应的定时任务，该定时任务中可以包括预设时间，该定时任务可以触发推送信息的发送，如当当前时间到达了预设时间，信息推送设备可以自动对利用目标推送通道对推送对象进行信息推送。具体实现中，可以检测当前时间是否为预设推送时间，若检测结果为当前时间为该预设推送时间，则可以通过目标推送通道将推送信息推送给推送对象对应的对象终端上。其中，所述预设时间可以根据用户的历史点击时间确定或业务需求确定。
本申请实施例中，可以获取包括推送信息和推送对象的信息推送请求，并可以获取推送对象对应的候选推送通道集合，还可以获取推送对象的对象特征以及推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对对象特征和历史点击信息进行概率预测，以得到各个候选推送通道的推送概率。进一步的，可以根据各个候选推送通道的推送概率从候选推送通道集合中确定目标推送通道，并利用目标推送通道将推送信息推送至推送对象。通过实施上述方法，可以基于对象的对象终端所支持的推送通道以及对象对于各个推送通道的偏好，为对象匹配较优的推送通道，以提高推送信息的点击率，从而提高信息推送准确性，也可以提高用户体验。并使用机器学习预测模型去预测对象当前的最优的推送通道，有效的提高了信息推送设备的智能化水平。例如，应用在营销场景中，也可以有效保证在不骚扰客户的同时，提升营销信息的点击率，从而提高营销的效果。
请参阅图3，图3是本申请实施例提供的另一种基于机器学习模型的信息推送方法的流程示意图。本实施例中所描述的基于机器学习模型的信息推送方法，应用于信息推送设备，可由信息推送设备执行，其中，该信息推送设备可以是服务器，也可以是终端。如图3所示，该基于机器学习模型的信息推送方法包括以下步骤：
S301：获取训练样本集，为训练样本集中的各个训练样本添加训练标签。
在一种实现方式中，训练样本集可以包括一个或多个训练样本，每个训练样本可以包括一个训练对象的训练对象特征和训练历史推送信息的训练点击信息。以训练样本集中的任一训练样本而言，例如，该训练样本集包括第一训练样本，则获取训练样本集中的第一训练样本的具体实施方式可以是：获取一个训练对象对应的训练对象特征，该训练对象可以是历史推送对象，即已利用信息推送设备进行信息推送的对象。训练对象特征可以针对不同的推送平台，进行区别获取，训练对象特征可以是与推送平台相关联的信息。例如，在金融领域的保险推销的信息推送中，训练对象特征可以包括推送对象的基本资产情况(例如已购买的保险类型、保险价格等等)；又如，在医疗领域的信息推送中，训练对象特征可以包括推送对象的基本健康情况。需要说明的是，这些信息均是在具有获取权限的情况下获取。还可以获取训练对象的训练历史推送信息的训练点击信息，例如，可以先获取训练对象的训练推送通道集合，该训练推送通道集合可以包括多个训练推送通道。在确定训练推送通道集合之后，即可以确定训练推送通道集合中各个训练推送通道的训练历史推送信息的训练点击信息。其中，对于任一训练推送通道而言，该训练推送通道的训练历史推送信息的训练点击信息可以是指：利用该训练推送通道向训练对象所推送的训练历史推送信息的数量(可以称之为第二信息数量)、训练历史推送信息被点击的数量(可以称之为第二被点击数量)、每个训练历史推送信息被点击的点击时间、每个训练历史推送信息被推送的时间与被点击时间的时间时长等等。那么，在获取到一个训练对象的训练对象特征和训练历史推送信息的训练点击信息之后，可以将该训练对象对应的训练对象特征、以及各个训练推送通道的训练历史推送信息的训练点击信息，作为第一训练样本。
其中，所获取的训练历史推送信息可以是预设时间段内的，该预设时间段可以预先设置，例如，预设时间段可以是当前时间的前20天之内的时间段，或者其他时间段。
在一种实现方式中，在获取到训练样本集之后，可以为训练样本集中的各个训练样本添加对应训练标签。其中，任一训练样本对应的训练标签用于指示该训练样本中所包括的各个训练推送通道的训练推送概率。例如，以上述描述的第一训练样本为例进行说明，为该第一训练样本添加训练标签的具体实施方式可以是：首先，可以从第一训练样本中的训练历史推送信息的训练点击信息中获取：第一训练样本中的各个训练推送通道上向训练对象所推送的训练历史推送信息的第二信息数量、以及训练历史推送信息的第二被点击数量。再分别计算各个训练推送通道对应的第二被点击数量和第二信息数量之间的比值，进一步的，可以根据每个训练推送通道对应的比值，确定每个训练推送通道分别对应的训练推荐概率，其中，一个训练推送通道对应的比值即是该训练推送通道对应的训练推荐概率。例如，针对第一训练样本中的一个训练推送通道，该训练推送通道对应的训练历史推送信息的第二信息数量为100，第二被点击数量为70，则训练推荐概率为70％。那么，基于各个训练推送通道对应的训练推荐概率就可以确定该第一训练样本的训练标签。
S302：将添加训练标签的各个训练样本输入预设的机器学习模型进行训练，得到通道推荐模型。
在一种实现方式中，可以将添加训练标签的各个训练样本输入预设的机器学习模型进行训练，以得到通道推荐模型。以训练样本集中的任一训练样本为例进行说明，可以将添加有训练标签的训练样本输入预设的机器学习模型，以得到该训练样本对应的预测标签，该预测标签可以包括该训练样本所包括的各个训练推送通道对应的预测推荐概率。而在得到预测标签之后，可以根据训练样本的预测标签，和训练样本的训练标签对预设的机器学习模型进行训练，以得到通道推荐模型。例如，可以根据预测标签和训练标签计算损失函数的梯度，其中本申请对损失函数不做限定。再根据损失函数的梯度对预设的机器学习模型的模型参数进行参数更新，并检测损失函数是否满足预设收敛条件，当检测到损失函数满足预设收敛条件时，则可以停止模型参数的参数更新，从而可以得到通道推荐模型。其中，该预设收敛条件可以是指损失函数的梯度小于预先设置的一个阈值，或者是两次迭代之间的权值变化已经很小，且小于预先设置的一个阈值，或者模型的迭代次数达到了预先设置的最大迭代次数，在满足上述任一条件时，可以停止对预设的机器学习模型的训练。
S303：获取信息推送请求，信息推送请求中包括推送信息和推送对象。
S304：推送对象对应的候选推送通道集合。
S305：获取推送对象的对象特征以及推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，将对象特征和历史点击信息输入通道推荐模型，得到各个候选推送通道的推送概率。
S306：根据各个候选推送通道的推送概率从候选推送通道集合中确定目标推送通道，并利用目标推送通道将推送信息推送至推送对象。
其中，步骤S303-S306的具体实施方式可以参见上述实施例步骤S201-S204的具体描述，此处不再赘述。
本申请实施例中，可以获取训练样本集，并为训练样本集中的各个训练样本添加训练标签，以将添加训练标签的各个训练样本输入预设的机器学习模型进行训练，从而得到通道推荐模型。后续，可以获取包括推送信息和推送对象的信息推送请求，并可以获取推送对象对应的候选推送通道集合，还可以获取推送对象的对象特征以及推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并将对象特征和历史点击信息输入通道推荐模型，以得到各个候选推送通道的推送概率。进一步的，可以根据各个候选推送通道的推送概率从候选推送通道集合中确定目标推送通道，并利用目标推送通道将推送信息推送至推送对象。可以基于各个推送通道的历史推送信息的点击信息，对机器学习模型进行模型训练，以得到通道推荐模型，可以有效提升推送通道选择的准确性，从而可以提高推送信息的点击率，基于推送通道的自动预测，也可以有效提高信息推送设备的智能化水平。
请参阅图4，图4是本申请实施例提供的一种基于机器学习模型的信息推送装置的结构示意图。所述基于机器学习模型的信息推送装置包括：
第一获取单元401，用于获取信息推送请求，所述信息推送请求中包括推送信息和推送对象；
第二获取单元402，用于获取所述推送对象对应的候选推送通道集合，所述候选推送通道集合中包括多个候选推送通道；
确定单元403，用于获取所述推送对象的对象特征以及所述推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率；
推送单元404，用于根据所述各个候选推送通道的推送概率从所述候选推送通道集合中确定目标推送通道，并利用所述目标推送通道将所述推送信息推送至所述推送对象。
在一种实现方式中，所述第二获取单元402，具体用于：
获取所述推送对象对应的初始推送通道集合，所述初始推送通道集合包括多个初始推送通道；
获取各个初始推送通道上向所述推送对象所推送的历史推送信息的第一信息数量以及所述历史推送信息的第一被点击数量；
根据所述第一信息数量和所述第一被点击数量，确定所述推送对象在所述各个初始推送通道上针对所述历史推送信息的第一历史点击率；
将第一历史点击率超过预设点击率对应的初始推送通道确定为候选推送通道，并将所述候选推送通道添加到所述候选推送通道集合中。
在一种实现方式中，所述确定单元403，具体用于：
获取训练样本集，所述训练样本集包括一个或多个训练样本，每个训练样本包括一个训练对象的训练对象特征和训练历史推送信息的训练点击信息；
为所述训练样本集中的各个训练样本添加训练标签，任一训练样本对应的训练标签用于指示所述任一训练样本中所包括的各个训练推送通道的训练推送概率；
将添加训练标签的各个训练样本输入预设的机器学习模型进行训练，得到所述通道推荐模型；
将所述对象特征和所述历史点击信息输入所述通道推荐模型，得到所述各个候选推送通道的推送概率。
在一种实现方式中，所述训练样本集包括第一训练样本，所述确定单元403，具体用于：
获取训练对象对应的训练对象特征以及训练推送通道集合，所述训练推送通道集合包括多个训练推送通道，并确定所述训练推送通道集合中各个训练推送通道的训练历史推送信息的训练点击信息；
确定所述训练对象对应的训练对象特征、以及所述各个训练推送通道的训练历史推送信息的训练点击信息为所述第一训练样本。
在一种实现方式中，所述第一训练样本中的训练历史推送信息的训练点击信息包括：所述第一训练样本中的各个训练推送通道上向所述训练对象所推送的训练历史推送信息的第二信息数量、以及所述训练历史推送信息的第二被点击数量；所述确定单元403，具体用于：
分别计算所述各个训练推送通道对应的第二被点击数量和第二信息数量之间的比值，得到所述各个训练推送通道分别对应的训练推荐概率；
基于所述各个训练推送通道对应的训练推荐概率确定所述第一训练样本的训练标签。
在一种实现方式中，所述推送单元404，具体用于：
获取所述推送信息对应的推送信息类型，并获取所述各个候选推送通道对应的参考信息类型；
将所述推送信息类型与所述各个候选推送通道对应的参考信息类型进行匹配，确定所述推送信息与所述各个候选推送通道的匹配得分；
根据所述推送信息与所述各个候选推送通道的匹配得分以及所述各个候选推送通道的推送概率，从所述候选推送通道集合中确定目标推送通道。
在一种实现方式中，所述第二获取单元402，还用于：
获取所述推送对象的兴趣类型，并获取所述推送信息的内容类型；
检测所述推送对象的兴趣类型和所述推送信息的内容类型是否一致；
若检测结果为所述推送对象的兴趣类型和所述推送信息的内容类型一致，则执行所述获取所述推送对象对应的候选推送通道集合的步骤。
可以理解的是，本申请实施例所描述的基于机器学习模型的信息推送装置的各功能单元的功能可根据图2或者图3所述的方法实施例中的方法具体实现，其具体实现过程可以参照图2或者图3的方法实施例的相关描述，此处不再赘述。
本申请实施例中，第一获取单元401获取信息推送请求，所述信息推送请求中包括推送信息和推送对象；第二获取单元402获取所述推送对象对应的候选推送通道集合，所述候选推送通道集合中包括多个候选推送通道；确定单元403获取所述推送对象的对象特征以及所述推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率；推送单元404根据所述各个候选推送通道的推送概率从所述候选推送通道集合中确定目标推送通道，并利用所述目标推送通道将所述推送信息推送至所述推送对象。通过实施上述方法，可以为对象匹配较优的推送通道，以提高信息点击率，从而提高信息推送准确性。
请参阅图5，图5是本申请实施例提供的一种信息推送设备的结构示意图。该信息推送设备包括：处理器501、存储器502以及网络接口503。上述处理器501、存储器502以及网络接口503之间可以交互数据。
上述处理器501可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器502可以包括只读存储器和随机存取存储器，并向处理器501提供程序指令和数据。存储器502的一部分还可以包括随机存取存储器。其中，所述处理器501调用所述程序指令时用于执行：
获取信息推送请求，所述信息推送请求中包括推送信息和推送对象；
于获取所述推送对象对应的候选推送通道集合，所述候选推送通道集合中包括多个候选推送通道；
获取所述推送对象的对象特征以及所述推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率；
根据所述各个候选推送通道的推送概率从所述候选推送通道集合中确定目标推送通道，并利用所述目标推送通道将所述推送信息推送至所述推送对象。
在一种实现方式中，所述处理器501，具体用于：
获取所述推送对象对应的初始推送通道集合，所述初始推送通道集合包括多个初始推送通道；
获取各个初始推送通道上向所述推送对象所推送的历史推送信息的第一信息数量以及所述历史推送信息的第一被点击数量；
根据所述第一信息数量和所述第一被点击数量，确定所述推送对象在所述各个初始推送通道上针对所述历史推送信息的第一历史点击率；
将第一历史点击率超过预设点击率对应的初始推送通道确定为候选推送通道，并将所述候选推送通道添加到所述候选推送通道集合中。
在一种实现方式中，所述处理器501，具体用于：
获取训练样本集，所述训练样本集包括一个或多个训练样本，每个训练样本包括一个训练对象的训练对象特征和训练历史推送信息的训练点击信息；
为所述训练样本集中的各个训练样本添加训练标签，任一训练样本对应的训练标签用于指示所述任一训练样本中所包括的各个训练推送通道的训练推送概率；
将添加训练标签的各个训练样本输入预设的机器学习模型进行训练，得到所述通道推荐模型；
将所述对象特征和所述历史点击信息输入所述通道推荐模型，得到所述各个候选推送通道的推送概率。
在一种实现方式中，所述训练样本集包括第一训练样本，所述处理器501，具体用于：
获取训练对象对应的训练对象特征以及训练推送通道集合，所述训练推送通道集合包括多个训练推送通道，并确定所述训练推送通道集合中各个训练推送通道的训练历史推送信息的训练点击信息；
确定所述训练对象对应的训练对象特征、以及所述各个训练推送通道的训练历史推送信息的训练点击信息为所述第一训练样本。
在一种实现方式中，所述第一训练样本中的训练历史推送信息的训练点击信息包括：所述第一训练样本中的各个训练推送通道上向所述训练对象所推送的训练历史推送信息的第二信息数量、以及所述训练历史推送信息的第二被点击数量；所述处理器501，具体用于：
分别计算所述各个训练推送通道对应的第二被点击数量和第二信息数量之间的比值，得到所述各个训练推送通道分别对应的训练推荐概率；
基于所述各个训练推送通道对应的训练推荐概率确定所述第一训练样本的训练标签。
在一种实现方式中，所述处理器501，具体用于：
获取所述推送信息对应的推送信息类型，并获取所述各个候选推送通道对应的参考信息类型；
将所述推送信息类型与所述各个候选推送通道对应的参考信息类型进行匹配，确定所述推送信息与所述各个候选推送通道的匹配得分；
根据所述推送信息与所述各个候选推送通道的匹配得分以及所述各个候选推送通道的推送概率，从所述候选推送通道集合中确定目标推送通道。
在一种实现方式中，所述处理器501，还用于：
获取所述推送对象的兴趣类型，并获取所述推送信息的内容类型；
检测所述推送对象的兴趣类型和所述推送信息的内容类型是否一致；
若检测结果为所述推送对象的兴趣类型和所述推送信息的内容类型一致，则执行所述获取所述推送对象对应的候选推送通道集合的步骤。
具体实现中，本申请实施例中所描述的处理器501和存储器502可执行本申请实施例图2或者图3提供的基于机器学习模型的信息推送方法中所描述的实现方式，也可执行本申请实施例图4所描述的基于机器学习模型的信息推送装置的实现方式，在此不再赘述。
本申请实施例中，处理器501可以获取信息推送请求，所述信息推送请求中包括推送信息和推送对象；获取所述推送对象对应的候选推送通道集合，所述候选推送通道集合中包括多个候选推送通道；获取所述推送对象的对象特征以及所述推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率；根据所述各个候选推送通道的推送概率从所述候选推送通道集合中确定目标推送通道，并利用所述目标推送通道将所述推送信息推送至所述推送对象。通过实施上述方法，可以为对象匹配较优的推送通道，以提高信息点击率，从而提高信息推送准确性。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有程序指令，所述程序执行时可包括如图2或者图3对应实施例中的基于机器学习模型的信息推送方法的部分或全部步骤。
需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。
需要强调的是，为进一步保证上述数据的私密和安全性，上述数据还可以存储于一区块链的节点中。其中，本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上对本申请实施例所提供的一种基于机器学习模型的信息推送方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于机器学习模型的信息推送方法，其特征在于，包括：
获取信息推送请求，所述信息推送请求中包括推送信息和推送对象；
获取所述推送对象对应的候选推送通道集合，所述候选推送通道集合中包括多个候选推送通道；
获取所述推送对象的对象特征以及所述推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率；
根据所述各个候选推送通道的推送概率从所述候选推送通道集合中确定目标推送通道，并利用所述目标推送通道将所述推送信息推送至所述推送对象。
2.根据权利要求1所述的方法，其特征在于，所述获取所述推送对象对应的候选推送通道集合，包括：
获取所述推送对象对应的初始推送通道集合，所述初始推送通道集合包括多个初始推送通道；
获取各个初始推送通道上向所述推送对象所推送的历史推送信息的第一信息数量以及所述历史推送信息的第一被点击数量；
根据所述第一信息数量和所述第一被点击数量，确定所述推送对象在所述各个初始推送通道上针对所述历史推送信息的第一历史点击率；
将第一历史点击率超过预设点击率对应的初始推送通道确定为候选推送通道，并将所述候选推送通道添加到所述候选推送通道集合中。
3.根据权利要求1所述的方法，其特征在于，所述基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率之前，还包括：
获取训练样本集，所述训练样本集包括一个或多个训练样本，每个训练样本包括一个训练对象的训练对象特征和训练历史推送信息的训练点击信息；
为所述训练样本集中的各个训练样本添加训练标签，任一训练样本对应的训练标签用于指示所述任一训练样本中所包括的各个训练推送通道的训练推送概率；
将添加训练标签的各个训练样本输入预设的机器学习模型进行训练，得到所述通道推荐模型；
所述基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率，包括：
将所述对象特征和所述历史点击信息输入所述通道推荐模型，得到所述各个候选推送通道的推送概率。
4.根据权利要求3所述的方法，其特征在于，所述训练样本集包括第一训练样本，所述获取训练样本集，包括：
获取训练对象对应的训练对象特征以及训练推送通道集合，所述训练推送通道集合包括多个训练推送通道，并确定所述训练推送通道集合中各个训练推送通道的训练历史推送信息的训练点击信息；
确定所述训练对象对应的训练对象特征、以及所述各个训练推送通道的训练历史推送信息的训练点击信息为所述第一训练样本。
5.根据权利要求4所述的方法，其特征在于，所述第一训练样本中的训练历史推送信息的训练点击信息包括：所述第一训练样本中的各个训练推送通道上向所述训练对象所推送的训练历史推送信息的第二信息数量、以及所述训练历史推送信息的第二被点击数量；所述为所述训练样本集中的各个训练样本添加训练标签，包括：
分别计算所述各个训练推送通道对应的第二被点击数量和第二信息数量之间的比值，得到所述各个训练推送通道分别对应的训练推荐概率；
基于所述各个训练推送通道对应的训练推荐概率确定所述第一训练样本的训练标签。
6.根据权利要求1所述的方法，其特征在于，所述根据所述各个候选推送通道的推送概率从所述候选推送通道集合中确定目标推送通道，包括：
获取所述推送信息对应的推送信息类型，并获取所述各个候选推送通道对应的参考信息类型；
将所述推送信息类型与所述各个候选推送通道对应的参考信息类型进行匹配，确定所述推送信息与所述各个候选推送通道的匹配得分；
根据所述推送信息与所述各个候选推送通道的匹配得分以及所述各个候选推送通道的推送概率，从所述候选推送通道集合中确定目标推送通道。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述推送对象的兴趣类型，并获取所述推送信息的内容类型；
检测所述推送对象的兴趣类型和所述推送信息的内容类型是否一致；
若检测结果为所述推送对象的兴趣类型和所述推送信息的内容类型一致，则执行所述获取所述推送对象对应的候选推送通道集合的步骤。
8.一种基于机器学习模型的信息推送装置，其特征在于，包括：
第一获取单元，用于获取信息推送请求，所述信息推送请求中包括推送信息和推送对象；
第二获取单元，用于获取所述推送对象对应的候选推送通道集合，所述候选推送通道集合中包括多个候选推送通道；
确定单元，用于获取所述推送对象的对象特征以及所述推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率；
推送单元，用于根据所述各个候选推送通道的推送概率从所述候选推送通道集合中确定目标推送通道，并利用所述目标推送通道将所述推送信息推送至所述推送对象。
9.一种信息推送设备，其特征在于，包括处理器、存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。
10.一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存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111157213.1A CN113918810A (zh) | 2021-09-29 | 2021-09-29 | 基于机器学习模型的信息推送方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111157213.1A CN113918810A (zh) | 2021-09-29 | 2021-09-29 | 基于机器学习模型的信息推送方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113918810A true CN113918810A (zh) | 2022-01-11 |
Family
ID=79237305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111157213.1A Pending CN113918810A (zh) | 2021-09-29 | 2021-09-29 | 基于机器学习模型的信息推送方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113918810A (zh) |
-
2021
- 2021-09-29 CN CN202111157213.1A patent/CN113918810A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9064212B2 (en) | Automatic event categorization for event ticket network systems | |
| CN110909182A (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
| CN111008335B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
| US10817845B2 (en) | Updating messaging data structures to include predicted attribute values associated with recipient entities | |
| CN114244611B (zh) | 异常攻击检测方法、装置、设备及存储介质 | |
| CN107291774B (zh) | 错误样本识别方法和装置 | |
| CN113628005A (zh) | 基于电商会话大数据的推送更新方法及大数据ai系统 | |
| CN113515690A (zh) | 内容召回模型的训练方法、内容召回方法、装置及设备 | |
| CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
| CN112330382A (zh) | 物品推荐方法、装置、计算设备和介质 | |
| CN111695041A (zh) | 用于推荐信息的方法和装置 | |
| CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
| CN112989182B (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
| KR102243275B1 (ko) | 오프라인 오브젝트에 관한 콘텐츠 자동 생성 방법, 장치 및 컴퓨터 판독가능 저장 매체 | |
| CN113032676A (zh) | 基于微反馈的推荐方法和系统 | |
| CN114119123A (zh) | 信息推送的方法和装置 | |
| CN114491093B (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
| CN114329093B (zh) | 数据的处理方法、装置及设备 | |
| CN113780318B (zh) | 用于生成提示信息的方法、装置、服务器和介质 | |
| CN114493850A (zh) | 基于人工智能的在线公证方法、系统及存储介质 | |
| CN113918810A (zh) | 基于机器学习模型的信息推送方法、装置、设备及介质 | |
| CN111898033A (zh) | 内容推送方法、装置以及电子设备 | |
| CN111897910A (zh) | 信息推送方法和装置 | |
| US11727042B2 (en) | Method and server for classifying queries | |
| CN111784377A (zh) | 用于生成信息的方法和装置 |
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 |