CN115052035A - 消息推送方法、设备及存储介质 - Google Patents
消息推送方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115052035A CN115052035A CN202210521960.7A CN202210521960A CN115052035A CN 115052035 A CN115052035 A CN 115052035A CN 202210521960 A CN202210521960 A CN 202210521960A CN 115052035 A CN115052035 A CN 115052035A
- Authority
- CN
- China
- Prior art keywords
- message
- service
- rule
- pushed
- message rule
- 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 54
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000002360 preparation method Methods 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本申请提供一种消息推送方法、设备及存储介质,包括:获取待推送业务的业务数据,其中,待推送业务为消息类业务,从消息规则配置库中选择与待推送业务匹配的目标消息规则,根据目标消息规则和业务数据,生成待推送业务的业务消息。本申请的方法,通过获取待推送业务,将待推送业务和相应的目标消息规则匹配,解决现服装厂智能平台在业务消息推送过程时将消息规则嵌入到业务中,造成推送机制较薄弱,且无法适应不同应用场景的问题;再根据目标消息规则和业务数据,自动生成待推送业务的业务消息,解决当进行不同业务的业务消息推送时,需要用户进行手动推送操作,造成推送效率低的问题。实现服装厂系统灵活、便捷地推送消息给相应的业务场景。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种消息推送方法、设备及存储介质。
背景技术
人工智能改造传统企业,或者说传统企业数字化转型,这是非常明确的趋势。所以,对于企业来说必须用新技术的优势,来改造、创新、颠覆老的技术和模式,做到提质、降本、增效。服装是衣食住行排在第一的产业,同时服装产业是中国第一大就业的产业,所以服装产业的创新非常有价值。
现有技术中,服装厂智能云平台在业务消息的推送过程中,将消息规则嵌入到待推送业务中,即消息规则和业务是耦合的,当进行不同业务的业务消息推送时,需要用户进行复杂的手动操作。
然而,上述方案中由于在业务消息的推送过程时将消息规则嵌入到业务中,造成推送机制比较薄弱,且推送消息固定,无法适应不同应用场景;当进行不同业务的业务消息推送时,需要用户进行手动推送操作,推送效率低。
发明内容
本申请提供一种消息推送方法、设备及存储介质,用以解决现服装厂智能云平台在业务消息的推送过程时将消息规则嵌入到业务中,造成推送机制比较薄弱,且推送消息固定,无法适应不同应用场景;当进行不同业务的业务消息推送时,需要用户进行手动推送操作,推送效率低的问题。
本申请一实施例提供一种消息推送方法,方法应用于服务器,方法包括:
获取待推送业务的业务数据,其中,待推送业务为消息类业务;
从消息规则配置库中选择与待推送业务匹配的目标消息规则;
根据目标消息规则和业务数据,生成待推送业务的业务消息。
在一实施例中,在从消息规则配置库中选择与待推送业务匹配的目标消息规则之前,方法还包括:
获取至少一个标签和每个标签的至少一个标签值;其中,至少一个标签包括业务类型、操作类型、消息对象、触发机制、发送设备以及消息内容类型中一项或多项组合;
对多个标签的至少一个标签值进行组合,生成新消息规则。
在一实施例中,在从消息规则配置库中选择与待推送业务匹配的目标消息规则之前,方法还包括:
将新消息规则存储至消息规则配置库。
在一实施例中,对多个标签的至少一个标签值进行组合,生成新消息规则,具体包括:
使用已训练的第一机器学习模型对多个标签的至少一个标签值进行组合,生成新消息规则;
或者
针对每个标签,从标签的至少一个标签值中选择一个作为目标标签值,获得各标签的目标标签值;并根据各标签的目标标签值生成新消息规则。
在一实施例中,从消息规则配置库中选择与业务数据匹配的目标消息规则,具体包括:
响应于操作界面上规则选择操作,将所选择的消息规则作为业务数据匹配的目标消息规则。
在一实施例中,从消息规则配置库中选择与业务数据匹配的目标消息规则,具体包括:
用已训练的第二机器学习模型将业务数据与消息规则配置库中消息规则进行匹配,获得业务数据与各个消息规则之间的匹配度;
将最高匹配度对应的消息规则作为目标消息规则。
在一实施例中,根据目标消息规则和业务数据,生成待推送业务的业务消息,具体包括:
对目标消息规则进行语义识别,获得识别结果;
根据业务数据和识别结果生成待推送业务的业务消息。
在一实施例中,在根据目标消息规则和业务数据,生成待推送业务的业务消息之后,方法还包括:
根据消息对象、触发机制以及发送设备发送业务消息;
其中,识别结果包括消息对象、触发机制以及发送设备。
本申请另一实施例提供一种电子设备,包括:处理器,以及与处理器通信连接的存储器;
存储器存储计算机执行指令;
处理器执行存储器存储的计算机执行指令,以实现上述实施例中描述的方法。
本申请又一实施例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,计算机执行指令被处理器执行时用于实现上述实施例中描述的方法。
本申请再一实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述实施例描述的方法。
本申请提供的消息推送方法、设备及存储介质,通过获取待推送业务,将待推送业务和相应的目标消息规则匹配,解决现服装厂智能平台在业务消息的推送过程时将消息规则嵌入到业务中,造成推送机制比较薄弱、推送消息固定,且无法适应不同应用场景的问题;再根据目标消息规则和业务数据,自动生成待推送业务的业务消息,解决当进行不同业务的业务消息推送时,需要用户进行手动推送操作,推送效率低的问题。实现服装厂系统灵活、便捷地推送消息给相应的业务场景,满足多场景的使用。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请一实施例提供的一种消息推送系统示意图;
图2为本申请再一实施例提供的一种消息推送方法流程图;
图3为本申请又一实施例提供的一种消息推送方法流程图;
图4为本申请另一实施例提供的消息推送装置的结构示意图;
图5为本申请再一实施例提供的一种电子设备结构示意图。
通过上述附图,已示出本申请明确的实施例,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申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
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申请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、本申请的一些方面相一致的装置和方法的例子。
人工智能改造传统企业,或者说传统企业数字化转型,这是非常明确的趋势。所以,对于企业来说必须用新技术的优势,来改造、创新、颠覆老的技术和模式,做到提质、降本、增效。服装是衣食住行排在第一的产业,同时服装产业是中国第一大就业的产业,所以服装产业的创新非常有价值。
现有技术中,服装厂智能云平台在业务的推送过程中,将消息规则嵌入到业务中,即消息规则和业务是耦合的,当进行不同业务的业务消息推送时,需要用户进行复杂的手动操作。
然而,上述方案中由于在业务消息的推送过程时将消息规则嵌入到业务中,造成推送机制比较薄弱,且推送消息固定,无法适应不同应用场景;当进行不同业务的业务消息推送时,需要用户进行手动推送操作,推送效率低。
针对上述问题,本申请实施例提供一种消息推送方法、设备及存储介质,旨在解决目前对于平台在业务消息的推送过程时将消息规则嵌入到业务中,造成推送机制比较薄弱,且推送消息固定,无法适应不同应用场景;当进行不同业务的业务消息推送时,需要用户进行手动推送操作,推送效率低的问题。本申请的技术构思是:通过获取待推送业务,将待推送业务和相应的目标消息规则匹配,解决现服装厂智能平台在业务消息推送过程时将消息规则嵌入到业务中,造成推送机制较薄弱,且无法适应不同应用场景的问题;再根据目标消息规则和业务数据,自动生成待推送业务的业务消息,解决当进行不同业务的业务消息推送时,需要用户进行手动推送操作,造成推送效率低的问题。实现服装厂系统灵活、便捷地推送消息给相应的业务场景。
图1为本申请实施例提供的一种消息推送系统示意图,如图1所示,消息推送系统包括:数据层、消息中心、中间件和消息展示层。
本消息推送系统的主要目的是实现服装厂智能平台建立信息推送中心,消息中心是消息推送的大脑,将待推送业务与消息规则进行解耦。消息中心通过消息推送代理的消息推送服务接口进行消息推送。推送服务接口可以根据用户设备的操作系统类型调用不同操作系统的消息推送服务提供者(Push Service Provider),实现跨平台的消息推送服务。
在工厂具体实施为,用户手动配置或者消息中心通过大数据分析生成消息规则,并将消息规则存入消息规则配置库中。通过用户手动配置或者默认自动生成待推送业务,并将待推送业务存放到业务数据库中。通过将待推送业务与消息规则存储到不同的消息库中,实现二者的解耦。再通过人工或者消息中心自动从消息配置库中提取与待推送业务匹配的消息规则,并将匹配的消息规则存储到消息主库中。系统根据目标消息规则和待推送业务数据,生成待推送业务的业务消息。并通过配置相应中间件和选择相应的协议,消息中心实现自动协议配置,把待推送业务的业务消息通过消息中间件推送给消息展示层,展示层支持用户终端、WEB端和第三方平台。
如图2所示,图2为本申请一实施例提供的一种消息推送方法,方法包括如下步骤:
S101、获取待推送业务的业务数据,其中,待推送业务为消息类业务。
在该步骤中,待推送业务为用户所需要的业务,待推送业务包括订单、备料、合同、出入库等,待推送业务的业务数据相对应包括删除或者确认订单和订单的数量、备料的数量和出入库的数量等,这些业务数据是客户经常所需要应用的业务场景,且业务数据的获取是由用户通过在系统所连接到用户设备进行手工选择或者由用户设备默认自动生成的,并将待推送业务存入服务器系统业务数据库中。为了便于数据的管理,服务器系统盘分配多个消息库,便于不同数据的存储。业务数据库是通过服务器系统盘分配内存得到,能够存储业务类型。由于待推送业务将数据传输并触发系统进行业务信息的推送,所以将待推送业务定义为消息类业务。例如:当用户在用户设备新建一个订单后,触发服务器系统的推送消息的需求,进行业务信息的推送。
S102、获取至少一个标签和每个标签的至少一个标签值;其中,至少一个标签包括业务类型、操作类型、消息对象、触发机制、发送设备以及消息内容类型中一项或多项组合。
在该步骤中,在开展对待推送业务的业务数据的分析应用之前,先在数据仓库的基础上开展数据标签,提早做一些准备工作,对后续待推送业务的业务数据的应用设计开发,将更加深入、更加便利。标签是精细化运营必不可少的工具,常见的使用场景有标签推送,标签包括了用户可能所需要的推送模式的所有组合可能,尽可能满足用户的多场景推送要求,比如,标签包括业务类型、操作类型、消息对象、触发机制、发送设备和消息内容类型。且每个标签都包含定义的一个“值”,可以根据为系统添加的标签和标签值快速搜索和筛选特定的系统资源,实现对系统资源的分类,使资源管理更加灵活、便捷。业务类型标签所对应的标签值包括订单、备料、合同、出入库,操作类型标签所对应的标签值包括新建、修改、删除,消息对象标签所对应的标签值包括全体人员、按职位、工号,触发机制标签所对应的标签值包括实时、定制时间,比如说生日定时推送,发送设备标签所对应的标签值包括系统消息、短信、邮件,消息内容类型标签所对应的标签值包括固定消息、消息模板,用户可能所需要的为标签中的一项或者多项组合。
S103、对多个标签的至少一个标签值进行组合,生成新消息规则。
在该步骤中,标签是消息规则的配置属性,创建消息标签,可以把消息规则按具体类别进行区分,方便更直观对消息规则进行解释。在实际的标签中,往往是通过对多个标签中的至少一个标签值进行组合,生成新的标签,即生成新消息规则,新消息规则是用于匹配符合相应条件的待推送业务。比如,选择业务类型标签和消息对象标签进行组合组合,业务类型标签所对应的标签值为订单数量,消息对象标签所对应的标签值为管理人员,新消息规则即为给管理人员发送订单数量。
S104、将新消息规则存储至消息规则配置库。
在该步骤中,消息规则配置库是通过服务器系统盘分配内存得到,能够初始化多种消息类业务场景。新消息规则的数据由S103获取,主要是与标签相关的配置数据,通过对标签值数据的分析,将新消息规则存入相应的消息规则配置库,便于后续数据消息规则的提取,待推送业务是存入到业务数据库中,通过对不同数据的分库存储,存入的数据按相应的消息规则直接发送,实现新消息规则与待推送业务是无耦合的状态,便于后续业务消息灵活、便捷地推送。
S105、从消息规则配置库中选择与待推送业务匹配的目标消息规则。
在该步骤中,将待推送业务与消息规则配置库中的消息规则的业务类型和操作类型通过对标签值的遍历进行匹配,提取得到目标消息规则。标签是包含了有关某个特定待推送业务数据库信息的数据结构,此信息是开放式数据库连接驱动能够连接到数据库上必需的信息,连接名、主机名或IP地址、用户名密码和端口。一个待推送业务包含多个标签,判断一个用户是否存在一个标签的集合中,从而来确定与待推送业务匹配的目标消息规则。比如,当待推送业务为确认订单,即提取消息规则配置库中与之匹配的业务类型的订单标签和操作类型的确认标签为目标消息规则。
S106、根据目标消息规则和业务数据,生成待推送业务的业务消息。
在该步骤中,消息中心是消息推送系统的大脑,消息中心通过消息推送代理进行业务消息的推送。并消息推送代理的消息推送服务接口能根据用户的设备操作系统类型调用不同操作系统的消息推送服务提供者,实现不同平台的消息多场景推送服务。
在上述技术方案中,通过获取待推送业务,并将待推送业务存储在业务数据库中;获取至少一个标签和每个标签的至少一个标签值,对多个标签的至少一个标签值进行组合,生成新消息规则,并将新消息规则存储至消息规则配置库,解决现有服装产平台待推送业务和消息规则耦合,造成推送机制比较薄弱、推送功能比较单一的问题;再将待推送业务和相应的目标消息规则匹配,再根据目标消息规则和业务数据,自动生成待推送业务的业务消息,解决平台还局限在用户选择推送为主,推送效率低问题,实现服装厂云平台灵活、便捷地推送消息给相应的业务场景,起到通知、提醒、预警的作用,满足多场景的使用的效果。
如图3所示,图3为本申请又一实施例提供的一种消息推送方法,方法包括如下步骤:
S201、获取待推送业务的业务数据,其中,待推送业务为消息类业务。
此步骤,已经在S101中详细说明,此次不再赘述。
S202、获取至少一个标签和每个标签的至少一个标签值;其中,至少一个标签包括业务类型、操作类型、消息对象、触发机制、发送设备以及消息内容类型中一项或多项组合。
此步骤,已经在S102中详细说明,此次不再赘述。
在一实施例中,对多个标签的至少一个标签值进行组合,生成新消息规则,包括:
S203、使用已训练的第一机器学习模型对多个标签的至少一个标签值进行组合,生成新消息规则。
在该步骤中,第一机器学习模型包括哈希算法、漏斗分析算法、监督式学习算法。在用机器学习模型之前,已利用数据对模型进行大量的训练。对标签进行大数据哈希算法分析,哈希表是根据键(Key)直接访问在服务器内存存储位置的数据结构,通过计算一个关于键值的函数,将所需查询的标签映射到表中的一个位置来访问记录,加快了查找速度,实现对标签的排序,便于后续标签数据的处理。经过漏斗分析算法分析排序后的标签的使用率的高低,确定可用的标签,再将可用的标签经过监督式学习算法,进行对标签的逻辑回归处理,实现对标签的组合,即获得新消息规则,并将新消息规则按类型存储到消息规则配置库中。
在另一实施例中,对多个标签的至少一个标签值进行组合,生成新消息规则,又包括:
S204、针对每个标签,从标签的至少一个标签值中选择一个作为目标标签值,获得各标签的目标标签值;并根据各标签的目标标签值生成新消息规则。
在该步骤中,标签值是标签的一个属性,表示具体的标签内容。用户手动进行从标签的至少一个标签值中选择一个与消息类业务相应的标签值,作为目标标签值,为了确保新生成消息规则的准确性,其用户可以通过对消息配置库里自动生成的消息规则进行操作确认和删除处理,生成相应的新消息规则。新消息规则还可选择是否需要发送消息的模板,当不选发送消息的模板时,需要配置发送的具体内容,实现发送消息的灵活运用。配置完成的新消息规则根据选择标签值类型自动存入到相应的库中。
S205、将新消息规则存储至消息规则配置库。
此步骤,已经在S104中详细说明,此次不再赘述。
在一实施例中,从消息规则配置库中选择与待推送业务匹配的目标消息规则,包括:
S206、响应于操作界面上规则选择操作,将所选择的消息规则作为数据匹配的目标消息规则。
在该步骤中,用户通过手工选择操作界面上必要的消息规则的标签,再对标签进行对应标签值的选择操作,实现待推送业务与消息规则配置库中的消息规则之间的绑定关联,消息绑定相当于中间处理过程,将所选择的消息规则作为数据匹配的目标消息规则,绑定实现待推送业务与消息规则配置库中的消息规则形成一个连接关系,并将连接关系数据存入到消息主库中,为生成待推送业务的业务消息提供数据支持。
在另一实施例中,从消息规则配置库中选择与待推送业务匹配的目标消息规则,又包括:
S207、用已训练的第二机器学习模型将业务数据与消息规则配置库中消息规则进行匹配,获得业务数据与各个消息规则之间的匹配度。
在该步骤中,第二机器学习模型包括哈希算法、漏斗分析算法、监督式学习算法,其中监督式学习算法包括:组织数据预测算法和图论推理算法。在用机器学习模型之前,利用数据已对模型进行大量的训练。对消息规则配置库中的所有消息规则进行大数据哈希算法分析,实现对消息规则的排序,便于后续业务数据与各个消息规则匹配度的处理,经过漏斗分析算法分析排序后的消息规则的使用率的大小,确定可用的消息规则,再将可用消息规则经过监督式学习算法,通过组织数据预测算法,使用历史数据、统计算法、预测建模和大数据机器学习技术,实现业务数据与消息规则进行匹配,并准确地预测业务数据与各个消息规则之间的匹配度。
S208、将最高匹配度对应的消息规则作为目标消息规则。
在该步骤中,通过对业务数据与各个消息规则之间的匹配度进行图论推理弗洛伊德(Floyd)算法,依据动态规划原理,枚举出业务数据与各个消息规则中间的一个点,将中间点作为业务数据与各个消息规则连接的桥梁,从而递推出任意两个点直接距离的最小值,计算确定最高匹配度,并将最高匹配度对应的消息规则作为目标消息规则,实现业务数据与之消息规则配置库中相应的消息规则的绑定。
S209、对目标消息规则进行语义识别,获得识别结果。
在该步骤中,对目标消息规则先进行文本预处理,研究表明特征粒度为词粒度远远好于字粒度,其大部分分类算法不考虑词序信息,基于字粒度的损失了过多的元组(n-gram)信息。通过中文分词技术和去除停用词处理解决目标消息规则中特征空间高维性、语义相关性和特征分布稀疏的问题。再进行目标消息规则的文本特征的提取,基于词向量的特征提取模型和大量的目标消息规则的文本语料库,通过类似神经网模型训练,将目标消息规则中每个词语映射成一个定维度的向量,维度在几十到几百维之间,每个向量就代表着这个词语,词语的语义和语法相似性和通过向量之间的相似度来判断。常用的模型word2vec(word to vector)主要有连续词袋模型(Continuous Bag-of-Words,CBOW)和skip-gram两种模型,这两个模型就是一个三层的深度神经网络,其实就是对神经网络语言模型(Neural network language model,NNLM)的升级,去掉了隐藏层,由输入层、投影层、输出层三层构成,简化了模型和提升了模型的训练速度,其在时间效率上、语法语义表达上效果更好。word2vec通过训练大量的目标消息规则的语料最终用定维度的向量来表示每个词语,目标消息规则的词语之间语义和语法相似度都可以通过向量的相似度来表示。通过随机森林模型进行目标消息规则的分类,再通过对文本分类后的目标消息规则进行基于词典的情感分类,再将情感分类后的目标消息规则进行基于查询点击日志的意图识别,目标消息规则包括备料和合同库等业务类型的场景,我们可以通过点击日志得到用户的意图,即获得目标消息规则的重要信息,将重要信息确定为识别结果。
S210、根据业务数据和识别结果生成待推送业务的业务消息。
在该步骤中,消息中心完成业务数据和识别结果的归集,通过对业务数据和识别结果的分析,生成待推送业务的业务消息。比如,业务数据为“订单和出入库”,识别结果为“100件衣服、出库”,则待推送业务的业务消息为“出库100件衣服的信息”。
S211、根据消息对象、触发机制以及发送设备发送业务消息,其中,识别结果包括消息对象、触发机制以及发送设备。
在该步骤中,消息中心根据识别结果完成消息对象、触发机制以及发送设备的消息归集,通过对识别结果的分析,将待推送业务的业务消息的数据存入消息主库,消息中心通过中间件发送到用户端。中间件是开放源代码消息中间件(ActiveMQ),由于ActiveMQ是一个纯Java程序,因此只需要操作系统支持Java虚拟机,ActiveMQ便可执行,或者是面向消息的中间件(RabbitMQ),能满足待推送业务的业务数据一致性、稳定性和可靠性要求很高的场景。通过前台配置相应中间件,并选择相应的协议,消息中心可以自动协议配置,实现支持可配置的中间件和协议。用户端包括用户终端、设备终端、大屏、电脑端的网页版和第三方平台。比如,识别结果为“管理岗位、早上九点、手机短信”,发送消息即为“在早上九点通过手机短信给管理岗位的人发消息”。
在上述技术方案中,通过获取待推送业务的业务数据,再获取至少一个标签和每个标签的至少一个标签值,使用已训练的第一机器学习模型对多个标签的至少一个标签值进行组合,生成新消息规则,解决平台推送功能比较单一、不灵活,且不能很好利用大数据进行数据分析的问题,将新消息规则存储至消息规则配置库,解决消息规则与待推送业务耦合的问题,用已训练的第二机器学习模型将业务数据与消息规则配置库中消息规则进行匹配,获得业务数据与各个消息规则之间的匹配度,将最高匹配度对应的消息规则作为目标消息规则,解决平台还局限在用户选择推送为主,推送机制比较薄弱、推送效率低的问题,对目标消息规则进行语义识别,获得识别结果,再根据业务数据和识别结果生成待推送业务的业务消息,最后根据消息对象、触发机制以及发送设备发送业务消息,实现服装厂云平台灵活、便捷地推送消息给不同平台的相应的业务场景,起到通知、提醒、预警的作用,满足多场景的使用的效果。
如图4所示,本申请一实施例提供一种消息推送装置300,装置包括:
获取模块301,用于获取待推送业务的业务数据,其中,待推送业务为消息类业务;
获取模块301,用于获取至少一个标签和每个标签的至少一个标签值;其中,至少一个标签包括业务类型、操作类型、消息对象、触发机制、发送设备以及消息内容类型中一项或多项组合;
处理模块302,对多个标签的至少一个标签值进行组合,生成新消息规则;
处理模块302,将新消息规则存储至消息规则配置库;
处理模块302,从消息规则配置库中选择与待推送业务匹配的目标消息规则;
处理模块302还用于根据目标消息规则和业务数据,生成待推送业务的业务消息。
在一实施例中,处理模块302具体用于:
使用已训练的第一机器学习模型对多个标签的至少一个标签值进行组合,生成新消息规则;
或者
针对每个标签,从标签的至少一个标签值中选择一个作为目标标签值,获得各标签的目标标签值;并根据各标签的目标标签值生成新消息规则。
在一实施例中,处理模块302具体用于:
响应于操作界面上规则选择操作,将所选择的消息规则作为业务数据匹配的目标消息规则。
在一实施例中,处理模块302具体还用于:
用已训练的第二机器学习模型将业务数据与消息规则配置库中消息规则进行匹配,获得业务数据与各个消息规则之间的匹配度;
将最高匹配度对应的消息规则作为目标消息规则。
在一实施例中,处理模块302具体还用于:
对目标消息规则进行语义识别,获得识别结果;
根据业务数据和识别结果生成待推送业务的业务消息。
在一实施例中,处理模块302具体还用于:
根据消息对象、触发机制以及发送设备发送业务消息;
其中,识别结果包括消息对象、触发机制以及发送设备。
如图5所示,本申请一实施例提供一种电子设备400,电子设备400包括存储器401和处理器402。
其中,存储器401用于存储处理器可执行的计算机指令;
处理器402在执行计算机指令时实现上述实施例中方法中的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,上述存储器401既可以是独立的,也可以跟处理器402集成在一起。当存储器401独立设置时,该电子设备还包括总线,用于连接存储器401和处理器402。
本申请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指令,当处理器执行计算机指令时,实现上述实施例中方法中的各个步骤。
本申请实施例还提供一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现上述实施例中方法中的各个步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请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,本申请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,本申请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。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种消息推送方法,其特征在于,所述方法应用于服务器,所述方法包括:
获取待推送业务的业务数据,其中,所述待推送业务为消息类业务;
从消息规则配置库中选择与所述待推送业务匹配的目标消息规则;
根据所述目标消息规则和所述业务数据,生成所述待推送业务的业务消息。
2.根据权利要求1所述的消息推送方法,其特征在于,在从消息规则配置库中选择与所述待推送业务匹配的目标消息规则之前,所述方法还包括:
获取至少一个标签和每个所述标签的至少一个标签值;其中,所述至少一个标签包括业务类型、操作类型、消息对象、触发机制、发送设备以及消息内容类型中一项或多项组合;
对所述多个标签的至少一个标签值进行组合,生成新消息规则。
3.根据权利要求2所述的消息推送方法,其特征在于,在从消息规则配置库中选择与所述待推送业务匹配的目标消息规则之前,所述方法还包括:
将所述新消息规则存储至所述消息规则配置库。
4.根据权利要求2所述的消息推送方法,其特征在于,对所述多个标签的至少一个标签值进行组合,生成新消息规则,具体包括:
使用已训练的第一机器学习模型对所述多个标签的至少一个标签值进行组合,生成新消息规则;
或者
针对每个标签,从所述标签的至少一个标签值中选择一个作为目标标签值,获得各标签的目标标签值;并根据所述各标签的目标标签值生成所述新消息规则。
5.根据权利要求1至4中任意一项所述的消息推送方法,其特征在于,所述从消息规则配置库中选择与所述业务数据匹配的目标消息规则,具体包括:
响应于操作界面上规则选择操作,将所选择的消息规则作为所述业务数据匹配的目标消息规则。
6.根据权利要求1至4中任意一项所述的消息推送方法,其特征在于,所述从消息规则配置库中选择与所述业务数据匹配的目标消息规则,具体包括:
用已训练的第二机器学习模型将所述业务数据与所述消息规则配置库中消息规则进行匹配,获得所述业务数据与各个消息规则之间的匹配度;
将最高匹配度对应的消息规则作为所述目标消息规则。
7.根据权利要求1至4中任意一项所述的消息推送方法,其特征在于,根据所述目标消息规则和所述业务数据,生成所述待推送业务的业务消息,具体包括:
对所述目标消息规则进行语义识别,获得识别结果;
根据所述业务数据和所述识别结果生成所述待推送业务的业务消息。
8.根据权利要求1至4中任意一项所述的消息推送方法,其特征在于,在根据所述目标消息规则和所述业务数据,生成所述待推送业务的业务消息之后,所述方法还包括:
根据消息对象、触发机制以及发送设备发送所述业务消息;
其中,所述识别结果包括消息对象、触发机制以及发送设备。
9.一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至8中任一项所述的消息推送方法。
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8任一项所述的消息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210521960.7A CN115052035A (zh) | 2022-05-13 | 2022-05-13 | 消息推送方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210521960.7A CN115052035A (zh) | 2022-05-13 | 2022-05-13 | 消息推送方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115052035A true CN115052035A (zh) | 2022-09-13 |
Family
ID=83156998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210521960.7A Pending CN115052035A (zh) | 2022-05-13 | 2022-05-13 | 消息推送方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115052035A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104796434A (zh) * | 2015-05-08 | 2015-07-22 | 集怡嘉数码科技(深圳)有限公司 | 一种消息推送方法及服务器 |
CN111026832A (zh) * | 2019-11-15 | 2020-04-17 | 贝壳技术有限公司 | 用于生成文章的方法及系统 |
CN111506599A (zh) * | 2020-04-20 | 2020-08-07 | 广州大学 | 基于规则匹配和深度学习的工控设备识别方法及系统 |
CN111611475A (zh) * | 2020-04-11 | 2020-09-01 | 上海淇玥信息技术有限公司 | 一种信息批量发送方法、装置和电子设备 |
CN112163150A (zh) * | 2020-09-17 | 2021-01-01 | 北京三快在线科技有限公司 | 一种信息推送的方法及装置 |
CN113158054A (zh) * | 2021-04-26 | 2021-07-23 | 上海淇馥信息技术有限公司 | 一种基于预分类标签的数据推送方法、装置和电子设备 |
CN113220738A (zh) * | 2021-05-31 | 2021-08-06 | 平安科技(深圳)有限公司 | 业务规则生成方法、装置、设备及存储介质 |
CN114138743A (zh) * | 2021-11-24 | 2022-03-04 | 上海柯林布瑞信息技术有限公司 | 基于机器学习的etl任务自动配置方法及装置 |
WO2022088804A1 (zh) * | 2020-10-30 | 2022-05-05 | 深圳壹账通智能科技有限公司 | 消息推送方法、装置、电子设备及存储介质 |
-
2022
- 2022-05-13 CN CN202210521960.7A patent/CN115052035A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104796434A (zh) * | 2015-05-08 | 2015-07-22 | 集怡嘉数码科技(深圳)有限公司 | 一种消息推送方法及服务器 |
CN111026832A (zh) * | 2019-11-15 | 2020-04-17 | 贝壳技术有限公司 | 用于生成文章的方法及系统 |
CN111611475A (zh) * | 2020-04-11 | 2020-09-01 | 上海淇玥信息技术有限公司 | 一种信息批量发送方法、装置和电子设备 |
CN111506599A (zh) * | 2020-04-20 | 2020-08-07 | 广州大学 | 基于规则匹配和深度学习的工控设备识别方法及系统 |
CN112163150A (zh) * | 2020-09-17 | 2021-01-01 | 北京三快在线科技有限公司 | 一种信息推送的方法及装置 |
WO2022088804A1 (zh) * | 2020-10-30 | 2022-05-05 | 深圳壹账通智能科技有限公司 | 消息推送方法、装置、电子设备及存储介质 |
CN113158054A (zh) * | 2021-04-26 | 2021-07-23 | 上海淇馥信息技术有限公司 | 一种基于预分类标签的数据推送方法、装置和电子设备 |
CN113220738A (zh) * | 2021-05-31 | 2021-08-06 | 平安科技(深圳)有限公司 | 业务规则生成方法、装置、设备及存储介质 |
CN114138743A (zh) * | 2021-11-24 | 2022-03-04 | 上海柯林布瑞信息技术有限公司 | 基于机器学习的etl任务自动配置方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020422B (zh) | 特征词的确定方法、装置和服务器 | |
US9772890B2 (en) | Sophisticated run-time system for graph processing | |
CN108563734B (zh) | 制度信息查询方法、装置、计算机设备和存储介质 | |
WO2013078307A1 (en) | Image searching | |
US20220335223A1 (en) | Automated generation of chatbot | |
US20220036175A1 (en) | Machine learning-based issue classification utilizing combined representations of semantic and state transition graphs | |
CN111752955A (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
CA3138556A1 (en) | Apparatuses, storage medium and method of querying data based on vertical search | |
CN113157947A (zh) | 知识图谱的构建方法、工具、装置和服务器 | |
CN116508019A (zh) | 用于数据库管理系统的基于学习的工作负载资源优化 | |
KR20130139724A (ko) | 컴퓨팅 시스템 및 그 실행 제어 방법과, 그 실행 제어 프로그램을 기록한 기록 매체 | |
CN111563382A (zh) | 文本信息的获取方法、装置、存储介质及计算机设备 | |
CN113157315A (zh) | 一种软件不同版本的差异信息识别方法、装置、设备及介质 | |
CN109657803B (zh) | 机器学习模型的构建 | |
CN112559717A (zh) | 搜索匹配方法、装置、电子设备以及存储介质 | |
CN112417996A (zh) | 工业图纸的信息处理方法、装置、电子设备和存储介质 | |
CN115544050A (zh) | 操作日志记录方法、装置、设备及存储介质 | |
CN115052035A (zh) | 消息推送方法、设备及存储介质 | |
CN114492306A (zh) | 语料标注方法、装置、电子设备及存储介质 | |
CN114281688A (zh) | 一种无码或低码的自动化用例管理方法和装置 | |
CN113434585A (zh) | 资源保存方法及设备 | |
CN114648026B (zh) | 一种多云环境下的资源交付方法、系统及存储介质 | |
CN113535594B (zh) | 业务场景测试用例的生成方法、装置、设备和存储介质 | |
CN112860979B (zh) | 资源搜索方法、装置、设备及存储介质 | |
CN111311329B (zh) | 标签数据获取方法、装置、设备及可读存储介质 |
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 |