CN113987339A - 业务推送方法、业务推送装置及存储介质和电子设备 - Google Patents
业务推送方法、业务推送装置及存储介质和电子设备 Download PDFInfo
- Publication number
- CN113987339A CN113987339A CN202111238859.2A CN202111238859A CN113987339A CN 113987339 A CN113987339 A CN 113987339A CN 202111238859 A CN202111238859 A CN 202111238859A CN 113987339 A CN113987339 A CN 113987339A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- service
- target service
- pushing
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
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
本发明公开了一种业务推送方法、业务推送装置及存储介质和电子设备,所述业务推送方法包括:获取目标用户的自身状态数据和所处的场景数据;根据所述自身状态数据和所述场景数据构建所述目标用户的用户画像;根据所述用户画像获得类似用户群;基于贝叶斯模型,根据所述类似用户群对于目标业务的偏好信息预测所述目标用户对所述目标业务的偏好值;根据所述偏好值推送所述目标业务。采用该方法可以有效提高向目标用户推送感兴趣的目标业务的精准性,为用户提供良好的业务体验。
Description
技术领域
本发明涉及互联网技术领域,尤其是涉及一种业务推送方法、业务推送装置及存储介质和电子设备。
背景技术
随着互联网技术的发展,业务推送的应用越来越广泛,业务推送是一种针对业务自身的内容特征以及用户的体验行为,为广大用户提供可能符合其兴趣爱好的业务的技术。
相关技术中,对于业务推送的算法,通常是基于历史数据、相似用户习惯、偏好习惯等因素进行业务推送。
但是,现有的业务推送的算法中对推送业务的影响因素考虑不全面,并不能为用户提供良好的业务体验。
发明内容
基于此,有必要针对上述技术问题,提供一种业务推送方法、业务推送装置及存储介质和电子设备。
本申请实施例提供了一种业务推送方法,所述业务推送方法包括:
获取目标用户的自身状态数据和所处的场景数据;
根据所述自身状态数据和所述场景数据构建所述目标用户的用户画像;
根据所述用户画像获得类似用户群;
基于贝叶斯模型,根据所述类似用户群对于目标业务的偏好信息预测所述目标用户对所述目标业务的偏好值;
根据所述偏好值推送所述目标业务。
在一些实施例中,基于贝叶斯模型,根据所述类似用户群对于目标业务的偏好信息预测所述目标用户对所述目标业务的偏好值,包括:
基于贝叶斯模型,获得所述类似用户群中满足所述用户画像的每个标签的类似用户,并获得对应每个标签的类似用户体验所述目标业务的第一重复概率和第一不重复概率,其中,在构建所述目标用户的用户画像时,所述目标用户的自身状态数据和所处的场景数据形成所述用户画像的标签;
获得所述类似用户群对于所述目标业务的历史体验的第二重复概率和第二不重复概率;
根据所述第一重复概率和第二重复概率获得合计重复概率,以及,根据所述第二不重复概率和第二不重复概率获得合计不重复概率;
根据所述合计重复概率和所述合计不重复概率获得云端推送指数以作为所述目标用户对于所述目标业务的偏好值。
在一些实施例中,根据所述偏好值推送所述目标业务包括:
确定所述偏好值大于或等于偏好阈值,则将所述目标业务推送给所述目标用户;
确定所述偏好值小于偏好阈值,则不推送所述目标业务给所述目标用户。
在一些实施例中,所述业务推送方法还包括:
获取所述目标用户对于本次推送的目标业务的体验次数和每次体验完成度;
根据所述体验次数和每次体验完成度确定所述目标用户对于本次推送的目标业务的用户反馈指数;
根据所述用户反馈指数对下一次推送的目标业务进行调整。
在一些实施例中,根据所述用户反馈指数对下一次推送的目标业务进行调整,包括:
获得本次推送的目标业务中所述用户反馈指数小于反馈指数阈值的第一目标业务;
将所述第一目标业务移出下一次推送的目标业务白名单,并将本次推送的目标业务中除了所述第一目标业务之外的第二目标业务保留在下一次推送的目标业务白名单。
在一些实施例中,所述业务推送方法还包括:
根据下一次推送预测的偏好值,确定是否存在除了本次推送目标业务外的新目标业务;
若是,将所述新目标业务增加至下一次推送的目标业务白名单。
在一些实施例中,所述业务推送方法还包括:
根据对应所述第二目标业务的用户反馈指数和偏好值获得第一更新推送指数,以及,根据对应所述新目标业务的用户反馈指数和偏好值获得第二更新推送指数;
根据所述第一更新推送指数和所述第二更新推送指数将所述第二目标业务和所述新目标业务进行排序,并作为下一次推送的最终的目标业务白名单。
本申请实施例提供了一种业务推送装置,所述业务推送装置包括:
第一获取模块,用于获取目标用户的自身状态数据和所处的场景数据;
构建模块,用于根据所述自身状态数据和所述场景数据构建所述目标用户的用户画像;
第二获取模块,用于根据所述用户画像获得类似用户群;
预测模块,用于基于贝叶斯模型,根据所述类似用户群对于目标业务的偏好信息预测所述目标用户对所述目标业务的偏好值;
推送模块,用于根据所述偏好值推送所述目标业务。
本申请实施例提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本申请任意实施例所提供的所述业务推送方法的步骤。
本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请任意实施例所提供的所述业务推荐方法的步骤。
本申请实施例所提供的业务推送方法、业务推送装置及存储介质和电子设备,综合考虑目标用户的自身状态数据和所处的场景数据,例如目标用户的年龄、性别、身份、时间、城市以及兴趣爱好等数据,以此来构建目标用户的用户画像,并基于根据用户画像获得的类似用户群,针对目标用户的用户画像采用贝叶斯模型来预测目标用户对目标业务的偏好值,以通过偏好值来确定是否向目标用户推送目标业务,由此方式,本申请多方面考虑目标用户对目标业务偏好的影响因素,以及结合类似用户群和贝叶斯模型,可以有效提高向目标用户推送感兴趣的目标业务的精准性,为用户提供良好的业务体验。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为一个实施例中业务推送方法的流程示意图;
图2为另一个实施例中业务推送方法的流程示意图;
图3为一个实施例中业务推送装置的结构框图;
图4为一个实施例中电子设备的结构框图。
附图标记:
业务推送装置10;电子设备20;
第一获取模块1;构建模块2;第二获取模块3;预测模块4;推送模块5;存储器6;处理器7。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种业务推送方法,本申请实施例以该方法应用于电子设备进行举例说明,其中,电子设备可以但不限于是个人计算机、笔记本电脑、智能手机和平板电脑,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法至少包括以下步骤S1-步骤S5。
步骤S1,获取目标用户的自身状态数据和所处的场景数据。
其中,自身状态数据是与目标用户本身实际情况相关的状态数据,例如,自身状态数据至少包括用户属性、社会属性、行为习惯、兴趣偏好以及心理属性等方面的数据,如具体可以是目标用户的年龄、性别、民族、身份、兴趣、偏好习惯、婚姻状况、生育状况、运动状态、心情以及社交关系等数据。所处的场景数据是指在当前时间和空间内目标用户所处的具体生活画面,例如,所处的场景数据具体可以是地理位置、日期、时间、天气以及温度等数据。
在实施例中,由于不同的用户对业务的偏好程度不同、对同一业务的偏好也存在变化,如以音乐推送为例,用户睡眠时喜欢听轻音乐、清晨乘坐地铁时喜欢听青春音乐、父母喜欢听怀旧经典曲目、中学生喜欢听时尚潮歌等情况,以及对于同一首音乐,用户随着重复听取的次数偏好程度下降的情况,因此,本申请多方面考虑用户的实际情况确定目标用户对业务偏好的影响因素,即以获取的目标用户的自身状态数据和所处的场景数据为基础来实现业务推送,有助于更加精准了解目标用户对业务的需求情况,利于为用户更准确地挖掘出潜在的喜欢的业务。
具体地,本申请实施例的方法应用于电子设备中,通过电子设备中记录并存储的信息来收集目标用户的自身状态数据和所处的场景数据,例如,可以根据电子设备中设置的GPS定位、陀螺仪以及地图来计算获得目标用户所处的地理位置;可以根据电子设备中设置的时刻表以及日历表来获得目标用户所处的当前时刻和日期,以便于判断日期是否处于节假日以及当前时刻为早晨或中午或晚上;可以根据电子设备的天气信息来判断目标用户所处城市的气候情况;可以根据目标用户在电子设备中存储的注册资料以及头像来获得目标用户的年龄、性别、民族、身份、是否结婚以及是否有小孩等数据;可以根据目标用户在电子设备中日常操作情况如百度情况或社交情况等来获得目标用户的兴趣、偏好习惯以及社交等数据,由此,综合考虑为目标用户推送业务时的影响因素,从而便于更加精准了解目标用户对业务的需求情况,利于为用户更准确地挖掘出潜在的喜欢的业务,以实现为目标用户精准推送其感兴趣业务的效果。
步骤S2,根据自身状态数据和场景数据构建目标用户的用户画像。
其中,用户画像为基于自身状态数据和场景数据,创建的目标用户虚构的表示。通过用户画像可以将目标用户的每个具体数据抽象成标签,利用这些标签来将目标用户的形象具体化,从而便于为目标用户提供有针对性的服务。可以理解的是,在构建用户画像过程中,需注重数据的丰富性、多样性、科学性以及实时性,从而保证用户画像的完善性,以便于更加精准了解目标用户对业务的需求情况,实现为目标用户精准推送其感兴趣业务的效果。
表1
标签 | 用户 |
姓名 | 张三 |
年龄 | 25 |
城市 | 上海 |
民族 | 汉 |
性别 | 男 |
身份 | 学生 |
兴趣 | 足球 |
天气 | 晴朗 |
温度 | 25~30 |
是否有小孩 | 无 |
是否结婚 | 否 |
是否喜欢戏曲 | 否 |
是否喜欢JAZZ | 是 |
是否喜欢摇滚 | 是 |
具体地,基于收集的自身状态数据和场景数据,根据推送业务的需要来设计关键性画像数据,也就是说,针对不同的业务以及不同类型的用户需提取不同的数据,例如,对于音乐推送,不同用户对音乐的偏好不同,因此则需要考虑目标用户的活动、年龄、心情、时间、兴趣、偏好习惯、运动状态、心情、社交关系、地理位置、日期、时间、天气以及温度等明显影响用户对业务偏好因素的情况,而对于不必要的数据则无需分析,由此,基于与业务相关的关键性画像数据来构成描绘用户画像的基本框架,并通过提纯和丰富画像内容来完成用户画像的构建,如表1所示为对于音乐推送,针对目标用户的自身状态数据和场景数据构建的用户画像。
步骤S3,根据用户画像获得类似用户群。
其中,类似用户群是指与用户画像中具有标签信息相似的其他用户所组成的群体集合,类似用户群会随着用户画像的变化进行更新。
具体地,基于大数据中其他用户的数据,结合用户画像中每个标签内容来确定具有标签信息相似的其他用户组成类似用户群,例如,该目标用户的用户画像有“年龄为25岁、城市为上海、兴趣为足球、已婚、温度为25~30、天气晴朗、时间为中午、心情舒畅”等标签信息,那么则将年龄同为25岁左右、城市为上海、兴趣为足球、已婚、温度为25~30、天气晴朗、时间为中午、心情舒畅的用户作为类似用户,并将所有类似用户归为类似用户群。
步骤S4,基于贝叶斯模型,根据类似用户群对于目标业务的偏好信息预测目标用户对目标业务的偏好值。
其中,贝叶斯模型是一种概率模型,它是基于概率推理的图形化模型,通常采用的贝叶斯分类方法为朴素贝叶斯分类。随着互联网技术的发展,网络中存在多种业务,如包括音乐、搜索、视频、新闻、广告等业务,可以理解的是,对于音乐、搜索、视频、新闻、广告等业务,本申请实施例提供的方法均可以适用。偏好值可以理解为目标用户对目标业务的偏好程度的量化值。
具体地,在不了解目标用户对目标业务的偏好的情况下,基于类似用户群,针对目标用户的用户画像采用贝叶斯模型来预测目标用户对不同业务的偏好值,由此可以尝试寻找出更加贴近用户行为、符合用户口味的业务,从而可以将目标用户不喜欢的业务过滤,并为目标用户推荐喜欢的业务,实现精准推送。
步骤S5,根据偏好值推送目标业务。
在实施例中,可以根据实际情况预先设定出符合目标用户口味的业务的条件,通过偏好值来确定是否为目标用户推送目标业务,具体地,若对目标业务预测出的偏好值不满足预设条件,则将该目标业务过滤,不为目标用户推送该目标业务;反之,若对目标业务预测出的偏好值满足预设条件,则将该目标业务推送给目标用户。由此方式,通过以用户画像及贝叶斯模型获得的偏好值进行判断,以确定是否推送业务,从而既可以在成千上万的业务中有效筛选出值得推荐的业务,实现向用户精准推送最新、最热、最喜欢的业务的效果,又可以有效过滤用户不感兴趣的业务,为用户提供良好的业务体验。
上述业务推送方法中,综合考虑目标用户的自身状态数据和所处的场景数据,例如目标用户的年龄、性别、身份、时间、城市以及兴趣爱好等数据,以此来构建目标用户的用户画像,并基于根据用户画像获得的类似用户群,针对目标用户的用户画像采用贝叶斯模型来预测目标用户对目标业务的偏好值,以通过偏好值来确定是否向目标用户推送目标业务,由此方式,本申请多方面考虑目标用户对目标业务偏好的影响因素,以及结合类似用户群和贝叶斯模型,可以有效提高向目标用户推送感兴趣的目标业务的精准性,为用户提供良好的业务体验。
表2
表3
在一些实施例中,基于贝叶斯模型,获得类似用户群中满足用户画像的每个标签的类似用户,并获得对应每个标签的类似用户体验目标业务的第一重复概率和第一不重复概率,其中,在构建目标用户的用户画像时,目标用户的自身状态数据和所处的场景数据形成用户画像的标签;获得类似用户群对于目标业务的历史体验的第二重复概率和第二不重复概率;根据第一重复概率和第二重复概率获得合计重复概率,以及,根据第二不重复概率和第二不重复概率获得合计不重复概率;根据合计重复概率和合计不重复概率获得云端推送指数以作为目标用户对于目标业务的偏好值。由此通过以上方式,基于贝叶斯模型可以尝试寻找出更加贴近用户行为、符合用户口味的业务,从而在成千上万的业务中有效筛选出值得为目标用户推送的业务,实现精准推送。
表4
其中,体验目标业务可以包括但不限于播放音乐、百度搜索、观看视频、浏览新闻或广告。历史体验可以理解为类似用户对同一业务重复操作的次数,例如对同一首歌用户重复听歌的次数,或对同一视频重复观看的次数,或对同一新闻重复浏览的次数。
具体地,由于贝叶斯模型是基于条件概率相互独立的假设,具体通过计算的先验概率,利用贝叶斯公式获得后验概率的过程,本申请实施例中基于大数据获得的类似用户群,将计算的第一重复概率、第一不重复概率、第二重复概率及第二不重复概率作为先验概率,利用贝叶斯公式计算后验概率即合计重复概率和合计不重复概率,进而将合计重复概率和合计不重复概率进行除法计算,计算结果即为云端推送指数,即云端推送指数K=合计重复概率/合计不重复概率,并经云端推送指数作为目标用户对于目标业务的偏好值,以此偏好值来确定是否为目标用户推送目标业务,提高向目标用户推送感兴趣的目标业务的精准性。
举例说明,以音乐推送为例,表2所示为针对用户画像获得的对应每个标签的类似用户体验目标业务的第一重复概率和第一不重复概率表,表3所示为类似用户群对于目标业务的历史体验的第二重复概率和第二不重复概率表,表4所示为根据合计重复概率和合计不重复概率获得云端推送指数表。具体地,对于《笨小孩》,根据网络大数据如100000名类似用户构成的类似用户群,基于贝叶斯模型来预测目标用户对该首音乐是否喜欢即偏好值,其中,对于用户第一次听此歌曲,通过将表1所示的所有第一重复概率与第一次为用户推荐此歌曲时的第二重复概率相乘来获得第一次偏好程度对应的合计重复概率,即X1=a1*30%*20%*40%*50%*20%*80%*90%*50%*60%*60%*70%,a1=80%,X1=0.017418240000%,以及将表1所示的所有第一不重复概率与第一次为用户推荐此歌曲时的第二不重复概率相乘来获得第一次偏好程度对应的合计不重复概率,即Y1=b1*70%*80%*60%*50%*80%*20%*10%*50%*40%*40%*30%,b1=20%,X1=0.001290240000%,进而将合计重复概率和合计不重复概率进行除法计算以获得第一次听歌云端推荐指数K1值;对于用户第二次听此歌曲,通过将表1所示的所有第一重复概率与第二次为用户推荐此歌曲时的第二重复概率相乘来获得第二次偏好程度对应的合计重复概率,以及将表1所示的所有第一不重复概率与第二次为用户推荐此歌曲时的第二不重复概率相乘来获得第二次偏好程度对应的合计不重复概率,进而将合计重复概率和合计不重复概率进行除法计算以获得第二次听歌云端推荐指数K2值;对于用户第三次听此歌曲,通过将表1所示的所有第一重复概率与第三次为用户推荐此歌曲时的第二重复概率相乘来获得第三次偏好程度对应的合计重复概率,以及将表1所示的所有第一不重复概率与第三次为用户推荐此歌曲时的第二不重复概率相乘来获得第三次偏好程度对应的合计不重复概率,进而将合计重复概率和合计不重复概率进行除法计算以获得第三次听歌云端推荐指数K3值,以此类推,对于同一业务每次的偏好度均是基于对应每次为类似用户推荐时的第二重复概率和第二不重复概率获得的。由此通过以上方式,基于贝叶斯模型可以尝试寻找出更加贴近用户行为、符合用户口味的业务,从而在成千上万的业务中有效筛选出值得为目标用户推送的业务,实现精准推送。
其中,参照表4所示,第一次用户听此歌曲时的云端推荐指数K1=13.50,第二次用户听此歌曲时的云端推荐指数K2=5.06,第三次用户听此歌曲时的云端推荐指数K3=3.38,由此基于贝叶斯模型可以预测出用户对于该歌曲的偏好程度是逐渐下降的。
在一些实施例中,若确定偏好值大于或等于偏好阈值,则将目标业务推送给目标用户;若确定偏好值小于偏好阈值,则不推送目标业务给目标用户。由此方式来确定是否为目标用户推送目标业务,既可以在成千上万的业务中有效筛选出值得推荐的业务,实现向用户精准推送最新、最热、最喜欢的业务的效果,又可以有效过滤用户不感兴趣的业务,为用户提供良好的业务体验。
其中,偏好阈值可以根据实际情况如业务类型预先设定,对此不做限制。
举例说明,以音乐推送为例,音乐为《笨小孩》,预设偏好阈值为3,若《笨小孩》为首次推送,且目标用户对于《笨小孩》的偏好值K小于3,则不推荐《笨小孩》,反之,若目标用户对于《笨小孩》的偏好值K大于或等于3,则推荐《笨小孩》。可以理解的是,在以偏好值判断是否为目标用户推送目标业务时,需以业务的当前推荐次数对应的偏好值来与偏好阈值作比较,例如,若《笨小孩》为首次推送,则将偏好值K1与偏好作比较,以确定是否推送目标业务,而若《笨小孩》不是首次为目标用户推送,如《笨小孩》为第二次推送,则需将偏好值K2与偏好作比较,以确定是否推送目标业务,以此类推,最终为目标用户筛选出值得推荐的歌曲。
在一些实施例中,为进一步给目标用户推送偏好的业务,本申请实施例可以通过获取目标用户对于本次推送的目标业务的体验次数和每次体验完成度,根据体验次数和每次体验完成度确定目标用户对于本次推送的目标业务的用户反馈指数,根据用户反馈指数对下一次推送的目标业务进行调整。也就是说,考虑目标用户对本次推送的目标业务是否喜欢以及本次推送的业务是否成功的情况,通过历史记录以及用户反馈指数来评价目标用户对于本次推送的目标业务的体验度,即以用户反馈指数来反馈目标用户体验目标业务时的感受,以判断目标用户对本次推送的目标业务是否喜欢,由此根据用户反馈指数对下一次推送的目标业务进行调整,以便于为目标用户定制偏好的业务。
其中,体验完成度可以理解为用户对当前业务的体验量,如对于音乐来说,体验完成度可以为每次试听音乐时的试听时长;对于新闻来说,体验完成度可以为每次浏览新闻时的内容量。
在一些实施例中,获得本次推送的目标业务中用户反馈指数小于反馈指数阈值的第一目标业务,则认为目标用户不喜欢本次推送的目标业务,因此,将第一目标业务移出下一次推送的目标业务白名单,即将第一目标业务放入不做推荐名单或黑名单中,以及将本次推送的目标业务中除了第一目标业务之外的第二目标业务保留在下一次推送的目标业务白名单。由此方式,可以确保每次推送的目标业务均为目标用户感兴趣的业务,避免重复为用户推送因多次体验而使得偏好度下降的业务的问题,提高用户体验。
表5
试听次数 | 试听时长 | 用户反馈指数A |
1 | 低于30秒 | 0.5 |
2 | 每次超过30秒 | 1 |
3~5 | 每次超过30秒 | 2 |
5~10 | 每次超过30秒 | 3 |
10次以上 | 每次超过30秒 | 4 |
举例说明,以音乐推送为例,表5所示为预先设定的用户反馈指数表,其中,以试听时长来判断是否推荐成功,若用户试听音乐时试听时长低于30s,则认为用户不喜欢本次推送的歌曲,推荐失败;若用户试听音乐时试听时长超过30s,则认为用户喜欢本次推送的歌曲,推荐成功。基于此,根据试听次数、试听时长以及用户反馈指数之间的关系来获得目标用户对于本次推送的目标业务的用户反馈指数A,例如,对于推送的音乐,若目标用户的试听次数为3次且每次试听时长均超过30s,从而可确定用户反馈指数A为2,进而根据用户反馈指数A=2确定本次推送的目标业务是否列入下一次推送的目标业务白名单,再例如,若歌曲的云端推荐指数K2为3,但上次的用户反馈指数为0.5,即用户试听时长未超过30s,用户切换歌曲,那么该歌曲的更新推送指数会下降至1.5,且不将该歌曲列入下一次推送的目标业务白名单,由此,通过该方式可以便于为目标用户定制偏好的业务。
需要说明的是,用户反馈指数A为上一次体验目标业务的用户反馈指数,但由于首次为用户推送业务时,用户并不存在对该业务的体验记录,也就不存在对该业务的体验结果,在此情况下,用户反馈指数A采用预先设定的默认值,如A=1。
在一些实施例中,根据下一次推送预测的偏好值,确定是否存在除了本次推送目标业务外的新目标业务;若是,将新目标业务增加至下一次推送的目标业务白名单。也就是说,在每次推送目标业务时,该方法可以随网络数据中业务的变化,如新增的业务,计算目标用户对新增的业务的偏好值,若新增的业务的偏好值满足推荐条件,则将新增的业务作为新目标业务并增加至下一次推送的目标业务白名单,以为目标用户提供良好的最新业务体验。
在一些实施例中,根据对应第二目标业务的用户反馈指数和偏好值获得第一更新推送指数,以及,根据对应新目标业务的用户反馈指数和偏好值获得第二更新推送指数;根据第一更新推送指数和第二更新推送指数将第二目标业务和新目标业务进行排序,并作为下一次推送的最终的目标业务白名单。由此方式,实现循环更新每次推送的目标业务白名单的目的,从而为目标用户提供良好的业务体验。
下面参考附图2对本申请实施例的业务推送方法进行举例说明,以音乐推送为例,具体包括以下步骤。
步骤S6,构建用户画像。
步骤S7,获取歌曲的云端推荐指数K。
步骤S8,设定偏好阈值为3,并将云端推荐指数K大于或等于3的歌曲增加至本次推送的目标业务白名单。
步骤S9,计算第一更新推荐指数Ga,Ga=云端推荐指数K1*用户反馈指数A1,其中,由于歌曲为第一次推荐,默认每首歌曲的起始用户反馈指数A1均为1;K1为基于类似用户群获得的第一次推荐歌曲时的云端推荐指数。
步骤S10,根据第一更新推荐指数Ga进行排序并推送,具体地,目标业务白名单中的歌曲排序按照Ga从高到低排列。
步骤S11,第一次为目标用户推送目标业务白名单,并确定目标用户的试听结果。
步骤S12,根据目标用户的试听次数以及试听时长刷新用户反馈指数A,将用户试听时长低于30s的歌曲移出目标业务白名单。
步骤S13,根据最新的云端推荐指数k以及用户反馈指数A重新计算第一更新推荐指数Ga和第二更新推荐指数Gb。具体地,第一更新推荐指数Ga=对应第二目标业务的用户反馈指数A2和云端推荐指数K2,其中,A2为上一次用户试听的用户反馈指数,K2为基于类似用户群获得的第二次推荐歌曲时的云端推荐指数;考虑每次推送时加入的一些新推荐歌曲的情况,所以在重新计算时,第二更新推荐指数Gb=云端推荐指数K1*用户反馈指数A1。进而,根据计算的第一更新推荐指数Ga和第二更新推荐指数Gb重新刷新下一次推送的目标业务白名单,并下一次推送的目标业务白名单中的歌曲排序按照Ga和Gb从高到低排列,以向用户推送下一次推送的目标业务白名单。
步骤S14,通过以上步骤循环对每次推荐的目标业务白名单进行洗牌及推送。
应该理解的是,虽然图1和图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种业务推送装置10,包括:第一获取模块1、构建模块2、第二获取模块3、预测模块4和推送模块5。
其中,第一获取模块1用于获取目标用户的自身状态数据和所处的场景数据。
构建模块2用于根据自身状态数据和场景数据构建目标用户的用户画像。
第二获取模块3用于根据用户画像获得类似用户群。
预测模块4用于基于贝叶斯模型,根据类似用户群对于目标业务的偏好信息预测目标用户对目标业务的偏好值。
推送模块5用于根据偏好值推送目标业务。
上述业务推送装置10,综合考虑目标用户的自身状态数据和所处的场景数据,例如目标用户的年龄、性别、身份、时间、城市以及兴趣爱好等数据,以此来构建目标用户的用户画像,并基于根据用户画像获得的类似用户群,针对目标用户的用户画像采用贝叶斯模型来预测目标用户对目标业务的偏好值,以通过偏好值来确定是否向目标用户推送目标业务,由此方式,本申请多方面考虑目标用户对目标业务偏好的影响因素,以及结合类似用户群和贝叶斯模型,可以有效提高向目标用户推送感兴趣的目标业务的精准性,为用户提供良好的业务体验。
在其中一个实施例中,预测模块4用于基于贝叶斯模型,获得类似用户群中满足用户画像的每个标签的类似用户,并获得对应每个标签的类似用户体验目标业务的第一重复概率和第一不重复概率,其中,在构建目标用户的用户画像时,目标用户的自身状态数据和所处的场景数据形成用户画像的标签;获得类似用户群对于目标业务的历史体验的第二重复概率和第二不重复概率;根据第一重复概率和第二重复概率获得合计重复概率,以及,根据第二不重复概率和第二不重复概率获得合计不重复概率;根据合计重复概率和合计不重复概率获得云端推送指数以作为目标用户对于目标业务的偏好值。
在一些实施例中,推送模块5用于确定偏好值大于或等于偏好阈值,则将目标业务推送给目标用户,或确定偏好值小于偏好阈值,则不推送目标业务给目标用户。
在一些实施例中,业务推送装置10还包括第三获取模块、第一确定模块和调整模块。其中,第三获取模块用于获取目标用户对于本次推送的目标业务的体验次数和每次体验完成度;确定模块用于根据体验次数和每次体验完成度确定目标用户对于本次推送的目标业务的用户反馈指数;调整模块用于根据用户反馈指数对下一次推送的目标业务进行调整。
在一些实施例中,调整模块用于获得本次推送的目标业务中用户反馈指数小于反馈指数阈值的第一目标业务;将第一目标业务移出下一次推送的目标业务白名单,并将本次推送的目标业务中除了第一目标业务之外的第二目标业务保留在下一次推送的目标业务白名单。
在一些实施例中,业务推送装置10还包括第二确定模块,用于根据下一次推送预测的偏好值,确定是否存在除了本次推送目标业务外的新目标业务,若是,将新目标业务增加至下一次推送的目标业务白名单。
在一些实施例中,业务推送装置10还包括第四获取模块。第四获取模块用于根据对应第二目标业务的用户反馈指数和偏好值获得第一更新推送指数,以及,根据对应新目标业务的用户反馈指数和偏好值获得第二更新推送指数;推送模块5用于根据第一更新推送指数和第二更新推送指数将第二目标业务和新目标业务进行排序,并作为下一次推送的最终的目标业务白名单。
关于业务推送装置10的具体限定可以参见上文中对于业务推送方法的限定,在此不再赘述。上述业务推送装置10中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,如图4所示,提供了一种电子设备20,包括存储器6和处理器7。
具体地,存储器6存储有计算机程序,处理器7执行计算机程序时实现本申请任意实施例所提供的业务推送方法的步骤。
可以理解的是,该电子设备20可以是终端,如个人计算机、笔记本电脑、智能手机和平板电脑等。该电子设备20包括通过系统总线连接的处理器7、存储器6、通信接口、显示屏和输入装置。其中,该电子设备20的处理器7用于提供计算和控制能力。该电子设备20的存储器6包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该存储器6为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备20的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该计算机程序被处理器7执行时以实现一种业务推送方法。该电子设备20的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备20的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备20外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,处理器7执行计算机程序时实现以下步骤:基于贝叶斯模型,获得类似用户群中满足用户画像的每个标签的类似用户,并获得对应每个标签的类似用户体验目标业务的第一重复概率和第一不重复概率,其中,在构建目标用户的用户画像时,目标用户的自身状态数据和所处的场景数据形成用户画像的标签;获得类似用户群对于目标业务的历史体验的第二重复概率和第二不重复概率;根据第一重复概率和第二重复概率获得合计重复概率,以及,根据第二不重复概率和第二不重复概率获得合计不重复概率;根据合计重复概率和合计不重复概率获得云端推送指数以作为目标用户对于目标业务的偏好值。
在一个实施例中,处理器7执行计算机程序时实现以下步骤:确定偏好值大于或等于偏好阈值,则将目标业务推送给目标用户;确定偏好值小于偏好阈值,则不推送目标业务给目标用户。
在一个实施例中,处理器7执行计算机程序时实现以下步骤:获取目标用户对于本次推送的目标业务的体验次数和每次体验完成度;根据体验次数和每次体验完成度确定目标用户对于本次推送的目标业务的用户反馈指数;根据用户反馈指数对下一次推送的目标业务进行调整。
在一个实施例中,处理器7执行计算机程序时实现以下步骤:获得本次推送的目标业务中用户反馈指数小于反馈指数阈值的第一目标业务;将第一目标业务移出下一次推送的目标业务白名单,并将本次推送的目标业务中除了第一目标业务之外的第二目标业务保留在下一次推送的目标业务白名单。
在一个实施例中,处理器7执行计算机程序时实现以下步骤:根据下一次推送预测的偏好值,确定是否存在除了本次推送目标业务外的新目标业务;若是,将新目标业务增加至下一次推送的目标业务白名单。
在一个实施例中,处理器7执行计算机程序时实现以下步骤:根据对应第二目标业务的用户反馈指数和偏好值获得第一更新推送指数,以及,根据对应新目标业务的用户反馈指数和偏好值获得第二更新推送指数;根据第一更新推送指数和第二更新推送指数将第二目标业务和新目标业务进行排序,并作为下一次推送的最终的目标业务白名单。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请任意实施例所提供的业务推荐方法的步骤。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:基于贝叶斯模型,获得类似用户群中满足用户画像的每个标签的类似用户,并获得对应每个标签的类似用户体验目标业务的第一重复概率和第一不重复概率,其中,在构建目标用户的用户画像时,目标用户的自身状态数据和所处的场景数据形成用户画像的标签;获得类似用户群对于目标业务的历史体验的第二重复概率和第二不重复概率;根据第一重复概率和第二重复概率获得合计重复概率,以及,根据第二不重复概率和第二不重复概率获得合计不重复概率;根据合计重复概率和合计不重复概率获得云端推送指数以作为目标用户对于目标业务的偏好值。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:确定偏好值大于或等于偏好阈值,则将目标业务推送给目标用户;确定偏好值小于偏好阈值,则不推送目标业务给目标用户。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:获取目标用户对于本次推送的目标业务的体验次数和每次体验完成度;根据体验次数和每次体验完成度确定目标用户对于本次推送的目标业务的用户反馈指数;根据用户反馈指数对下一次推送的目标业务进行调整。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:获得本次推送的目标业务中用户反馈指数小于反馈指数阈值的第一目标业务;将第一目标业务移出下一次推送的目标业务白名单,并将本次推送的目标业务中除了第一目标业务之外的第二目标业务保留在下一次推送的目标业务白名单。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:根据下一次推送预测的偏好值确定存在除了本次推送目标业务外的新目标业务;将新目标业务增加至下一次推送的目标业务白名单。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:根据对应第二目标业务的用户反馈指数和偏好值获得第一更新推送指数,以及,根据对应新目标业务的用户反馈指数和偏好值获得第二更新推送指数;根据第一更新推送指数和第二更新推送指数将第二目标业务和新目标业务进行排序,并作为下一次推送的最终的目标业务白名单。
综上,本申请实施例所提供的业务推送方法、业务推送装置及存储介质和电子设备,综合考虑目标用户的自身状态数据和所处的场景数据,例如目标用户的年龄、性别、身份、时间、城市以及兴趣爱好等数据,以此来构建目标用户的用户画像,并基于根据用户画像获得的类似用户群,针对目标用户的用户画像采用贝叶斯模型来预测目标用户对目标业务的偏好值,以通过偏好值来确定是否向目标用户推送目标业务,由此方式,本申请多方面考虑目标用户对目标业务偏好的影响因素,以及结合类似用户群和贝叶斯模型,可以有效提高向目标用户推送感兴趣的目标业务的精准性,为用户提供良好的业务体验。以及,通过用户反馈指数来反馈目标用户体验业务时的感受,以判断目标用户对本次推送的目标业务是否喜欢,由此根据用户反馈指数对下一次推送的目标业务进行调整,以便于为目标用户定制偏好的业务,确保每次推送的目标业务均为目标用户感兴趣的业务,避免重复为用户推送因多次体验而使得偏好度下降的业务的问题,提高用户体验。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,比如静态随机存取存储器(Static Random Access Memory,SRAM)和动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种业务推送方法,其特征在于,包括:
获取目标用户的自身状态数据和所处的场景数据;
根据所述自身状态数据和所述场景数据构建所述目标用户的用户画像;
根据所述用户画像获得类似用户群;
基于贝叶斯模型,根据所述类似用户群对于目标业务的偏好信息预测所述目标用户对所述目标业务的偏好值;
根据所述偏好值推送所述目标业务。
2.根据权利要求1所述的业务推送方法,其特征在于,基于贝叶斯模型,根据所述类似用户群对于目标业务的偏好信息预测所述目标用户对所述目标业务的偏好值,包括:
基于贝叶斯模型,获得所述类似用户群中满足所述用户画像的每个标签的类似用户,并获得对应每个标签的类似用户体验所述目标业务的第一重复概率和第一不重复概率,其中,在构建所述目标用户的用户画像时,所述目标用户的自身状态数据和所处的场景数据形成所述用户画像的标签;
获得所述类似用户群对于所述目标业务的历史体验的第二重复概率和第二不重复概率;
根据所述第一重复概率和第二重复概率获得合计重复概率,以及,根据所述第二不重复概率和第二不重复概率获得合计不重复概率;
根据所述合计重复概率和所述合计不重复概率获得云端推送指数以作为所述目标用户对于所述目标业务的偏好值。
3.根据权利要求2所述的业务推送方法,其特征在于,根据所述偏好值推送所述目标业务包括:
确定所述偏好值大于或等于偏好阈值,则将所述目标业务推送给所述目标用户;
确定所述偏好值小于偏好阈值,则不推送所述目标业务给所述目标用户。
4.根据权利要求1-3任一项所述的业务推送方法,其特征在于,所述业务推送方法还包括:
获取所述目标用户对于本次推送的目标业务的体验次数和每次体验完成度;
根据所述体验次数和每次体验完成度确定所述目标用户对于本次推送的目标业务的用户反馈指数;
根据所述用户反馈指数对下一次推送的目标业务进行调整。
5.根据权利要求4所述的业务推送方法,其特征在于,根据所述用户反馈指数对下一次推送的目标业务进行调整,包括:
获得本次推送的目标业务中所述用户反馈指数小于反馈指数阈值的第一目标业务;
将所述第一目标业务移出下一次推送的目标业务白名单,并将本次推送的目标业务中除了所述第一目标业务之外的第二目标业务保留在下一次推送的目标业务白名单。
6.根据权利要求5所述的业务推送方法,其特征在于,所述业务推送方法还包括:
根据下一次推送预测的偏好值,确定是否存在除了本次推送目标业务外的新目标业务;
若是,将所述新目标业务增加至下一次推送的目标业务白名单。
7.根据权利要求6所述的业务推送方法,其特征在于,所述业务推送方法还包括:
根据对应所述第二目标业务的用户反馈指数和偏好值获得第一更新推送指数,以及,根据对应所述新目标业务的用户反馈指数和偏好值获得第二更新推送指数;
根据所述第一更新推送指数和所述第二更新推送指数将所述第二目标业务和所述新目标业务进行排序,并作为下一次推送的最终的目标业务白名单。
8.一种业务推送装置,其特征在于,包括:
第一获取模块,用于获取目标用户的自身状态数据和所处的场景数据;
构建模块,用于根据所述自身状态数据和所述场景数据构建所述目标用户的用户画像;
第二获取模块,用于根据所述用户画像获得类似用户群;
预测模块,用于基于贝叶斯模型,根据所述类似用户群对于目标业务的偏好信息预测所述目标用户对所述目标业务的偏好值;
推送模块,用于根据所述偏好值推送所述目标业务。
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述业务推送方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的业务推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111238859.2A CN113987339A (zh) | 2021-10-25 | 2021-10-25 | 业务推送方法、业务推送装置及存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111238859.2A CN113987339A (zh) | 2021-10-25 | 2021-10-25 | 业务推送方法、业务推送装置及存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113987339A true CN113987339A (zh) | 2022-01-28 |
Family
ID=79740776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111238859.2A Pending CN113987339A (zh) | 2021-10-25 | 2021-10-25 | 业务推送方法、业务推送装置及存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113987339A (zh) |
-
2021
- 2021-10-25 CN CN202111238859.2A patent/CN113987339A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110297848B (zh) | 基于联邦学习的推荐模型训练方法、终端及存储介质 | |
US10789610B2 (en) | Utilizing a machine learning model to predict performance and generate improved digital design assets | |
Christensen et al. | Social group recommendation in the tourism domain | |
Lee et al. | Context awareness by case-based reasoning in a music recommendation system | |
US9792366B2 (en) | Content recommendation using third party profiles | |
Zhao et al. | User profiling from their use of smartphone applications: A survey | |
TWI636416B (zh) | 內容個人化之多相排序方法和系統 | |
US20200012958A1 (en) | System and method for real-time generation of predictive models of mobile users' behavior | |
US20070220552A1 (en) | Automatic delivery of personalized content to a portable media player with feedback | |
US20150186535A1 (en) | Determining an Active Persona of a User Device | |
KR20100114860A (ko) | 터치포인트 커스터마이제이션 시스템 | |
US20110223571A1 (en) | Emotional web | |
US20130304732A1 (en) | Information processing apparatus, information processing method, and program | |
CN110347781B (zh) | 文章倒排方法、文章推荐方法、装置、设备及存储介质 | |
US20140172501A1 (en) | System Apparatus Circuit Method and Associated Computer Executable Code for Hybrid Content Recommendation | |
Chen et al. | Employing a data mining approach for identification of mobile opinion leaders and their content usage patterns in large telecommunications datasets | |
Ben Sassi et al. | How does context influence music preferences: a user-based study of the effects of contextual information on users’ preferred music | |
CN111552835A (zh) | 文件推荐方法、装置及服务器 | |
CN112488742A (zh) | 用户属性信息的预测方法、装置、电子设备及存储介质 | |
US20210149951A1 (en) | Audio and Visual Asset Matching Platform | |
CN115827978A (zh) | 一种信息推荐方法、装置、设备及计算机可读存储介质 | |
CN113987339A (zh) | 业务推送方法、业务推送装置及存储介质和电子设备 | |
Ducasse et al. | Interactive web documentaries: A case study of video viewing behaviour on iOtok | |
Zheng et al. | A tag-based integrated diffusion model for personalized location recommendation | |
Mizzaro et al. | A context-aware retrieval system for mobile applications |
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 |