CN115225702B - 信息推送方法、装置、电子设备及存储介质 - Google Patents
信息推送方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115225702B CN115225702B CN202110421167.5A CN202110421167A CN115225702B CN 115225702 B CN115225702 B CN 115225702B CN 202110421167 A CN202110421167 A CN 202110421167A CN 115225702 B CN115225702 B CN 115225702B
- Authority
- CN
- China
- Prior art keywords
- target
- user
- information
- pushing
- parameter
- 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.)
- Active
Links
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开实施例提供了一种信息推送方法、装置、电子设备及存储介质。方法包括:在检测到用于启动目标应用程序的启动操作时,获取实施启动操作的目标用户的特征信息以及检测到启动操作的第一时间信息;根据目标用户的特征信息和第一时间信息,确定第一推送参数,其中,第一推送参数用于表示在目标时间区间内将目标信息推送至目标用户之后检测到第一预定操作的概率;在第一推送参数大于预先确定的第一阈值时,在目标时间区间内为目标用户推送目标信息;在第一推送参数小于或等于第一阈值时,不在目标时间区间内为目标用户推送目标信息。通过本发明实施例提供的方案,解决了通过现有的信息推送方法所推送的信息的推送准确率较低的问题。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种信息推送方法、装置、电子设备及存储介质。
背景技术
随着通信技术的迅速发展,以智能手机为首的电子设备已成为人们生活中各方面不可或缺的工具,各种应用程序也层出不穷,使得电子设备不再只是单纯地起到通信作用,给用户的工作、生活带来了极大的便利。
其中,某些应用程序会为用户推送一些信息,以引导用户执行某些操作。例如在用户当天首次启动应用程序时,会显示一个弹窗,并在该弹窗上展示相关推荐用户,其中包括当前启动应用程序的用户可能认识的人,和当前启动应用程序的用户可能感兴趣的人,从而引导用户在应用程序中关注所推送的用户。
具体的,现有的弹窗推送策略是根据人工规则对特定用户下发弹窗,每天至多下发一次。如果用户看到弹窗立即关闭,则3天内不再下发弹窗。然而,用户在某一天的弹窗关闭行为并不表示该用户在后续3天内仍然会关闭弹窗,从而会降低弹窗内所推送的信息的推送准确率低低。
由此可见,采用现有的信息推送方法推送的信息的推送准确率较低。
发明内容
本发明实施例提供一种信息推送方法、装置、电子设备及存储介质,以解决通过现有的信息推送方法所推送的信息的推送准确率较低的问题。
根据本公开实施例的第一方面,提供了一种信息推送方法,所述方法包括:
在检测到用于启动目标应用程序的启动操作时,获取实施所述启动操作的目标用户的特征信息以及检测到所述启动操作的第一时间信息;
根据所述目标用户的特征信息和所述第一时间信息,确定第一推送参数,其中,所述第一推送参数用于表示在目标时间区间内将目标信息推送至所述目标用户之后检测到第一预定操作的概率,所述目标时间区间为所述第一时间信息所表示的时间之后的预定时间区间;
在所述第一推送参数大于预先确定的第一阈值时,在所述目标时间区间内为所述目标用户推送所述目标信息;
在所述第一推送参数小于或等于所述第一阈值时,不在所述目标时间区间内为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特征信息和所述第一时间信息,确定第一推送参数,包括:
根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数,其中,所述第二推送参数表示将所述目标信息推送至所述目标用户之后检测到所述第一预定操作的概率;
在与所述目标用户的用户标识对应的第二推送参数大于预先确定的第二阈值时,根据所述目标用户的特征信息和所述第一时间信息,确定所述第一推送参数。
可选的,所述根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数,包括:
在所述目标用户满足如下条件中的至少一个的情况下,根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数:
所述目标用户在所述目标应用程序中的注册时长小于预设时长;
所述目标用户在第一预设时间段内使用所述目标应用程序的天数小于预设天数;
所述目标用户在所述目标应用程序中关注的用户数量小于第一预设数量。
可选的,预先采用集成学习算法建立有第一模型,所述第一模型的输入数据包括:用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数;
获取所述目标对应关系的过程包括:
在为用户推送所述目标信息后检测到所述第一预定操作时,将所述用户作为候选用户,并获取所述候选用户的特征信息,其中,所述候选用户的特征信息包括所述用户画像、所述第一次数和所述第二次数;
将所述候选用户的特征信息,输入所述第一模型中,输出所述候选用户的所述第二推送参数;
建立所述候选用户的用户标识与所述第二推送参数的对应关系,以作为所述目标对应关系。
可选的,预先采用深度神经网络算法建立有第二模型,所述第二模型的输入数据包括:用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数、推送的所述目标信息的参数信息、推送所述目标信息后在第三预设时间段内检测到的第二预定操作所针对的用户的第一标识、推送所述目标信息的第二时间信息;
所述目标用户的特征信息包括所述用户画像、所述第一次数、所述第二次数、所述参数信息和所述第一标识;
所述根据所述目标用户的特征信息和所述第一时间信息,确定第一推送参数,包括:
将所述目标用户的特征信息和所述第一时间信息,输入至预先建立的第二模型,输出所述第一推送参数。
可选的,在所述目标信息包括多个用户标识的情况下,所述参数信息包括第二标识以及关注所述第二标识所标识的用户的概率、对显示的所述第二标识实施第二预定操作的概率、所述第二标识所标识的用户被双向关注的概率;
其中,所述第二标识包括从所述目标信息中包括多个用户标识中选出的第二预设数量的用户标识。
可选的,在所述目标时间区间内为所述目标用户推送所述目标信息之后,所述方法还包括:
获取为所述目标用户推送目标信息之后是否检测到所述第一预定操作的目标结果;
根据所述目标用户的特征信息、为所述目标用户推送所述目标信息的时间信息和所述目标结果,更新所述第二模型。
可选的,所述用户画像包括如下中的至少一项:
在所述目标应用程序中关注的用户的数量、在所述目标应用程序中拥有的粉丝用户的数量、在所述目标应用程序中的双向关注的用户数量、在所述目标应用程序中的注册时长、启动所述目标应用程序的设备所处的地理位置、用户的性别、在第一预设时间段内使用所述目标应用程序的天数。
根据本公开实施例的第二方面,提供一种信息推送装置,所述装置包括:
第一获取模块,被配置为在检测到用于启动目标应用程序的启动操作时,获取实施所述启动操作的目标用户的特征信息以及检测到所述启动操作的第一时间信息;
参数确定模块,被配置为根据所述目标用户的特征信息和所述第一时间信息,确定第一推送参数,其中,所述第一推送参数用于表示在目标时间区间内将目标信息推送至所述目标用户之后检测到第一预定操作的概率,所述目标时间区间为所述第一时间信息所表示的时间之后的预定时间区间;
推送模块,被配置为在所述第一推送参数大于预先确定的第一阈值时,在所述目标时间区间内为所述目标用户推送所述目标信息;
处理模块,被配置为在所述第一推送参数小于或等于所述第一阈值时,不在所述目标时间区间内为所述目标用户推送所述目标信息。
可选的,所述参数确定模块包括:
概率获取子模块,被配置为根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数,其中,所述第二推送参数表示将所述目标信息推送至所述目标用户之后检测到所述第一预定操作的概率;
参数确定子模块,被配置为在与所述目标用户的用户标识对应的第二推送参数大于预先确定的第二阈值时,根据所述目标用户的特征信息和所述第一时间信息,确定所述第一推送参数。
可选的,所述概率获取子模块具体被配置为:
在所述目标用户满足如下条件中的至少一个的情况下,根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数:
所述目标用户在所述目标应用程序中的注册时长小于预设时长;
所述目标用户在第一预设时间段内使用所述目标应用程序的天数小于预设天数;
所述目标用户在所述目标应用程序中关注的用户数量小于第一预设数量。
可选的,所述装置还包括:
第一模型建立模块,被配置为预先采用集成学习算法建立第一模型,所述第一模型的输入数据包括:用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数;
对应关系获取模块,被配置为:
在为用户推送所述目标信息后检测到所述第一预定操作时,将所述用户作为候选用户,并获取所述候选用户的特征信息,其中,所述候选用户的特征信息包括所述用户画像、所述第一次数和所述第二次数;
将所述候选用户的特征信息,输入所述第一模型中,输出所述候选用户的所述第二推送参数;
建立所述候选用户的用户标识与所述第二推送参数的对应关系,以作为所述目标对应关系。
可选的,所述装置还包括:
第二模型建立模块,被配置为预先采用深度神经网络算法建立第二模型,所述第二模型的输入数据包括:用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数、推送的所述目标信息的参数信息、推送所述目标信息后在第三预设时间段内检测到的第二预定操作所针对的用户的第一标识、推送所述目标信息的第二时间信息,所述目标用户的特征信息包括所述用户画像、所述第一次数、所述第二次数、所述参数信息和所述第一标识;
所述参数确定模块具体被配置为:
将所述目标用户的特征信息和所述第一时间信息,输入至预先建立的第二模型,输出所述第一推送参数。
可选的,在所述目标信息包括多个用户标识的情况下,所述参数信息包括第二标识以及关注所述第二标识所标识的用户的概率、对显示的所述第二标识实施第二预定操作的概率、所述第二标识所标识的用户被双向关注的概率;
其中,所述第二标识包括从所述目标信息中包括多个用户标识中选出的第二预设数量的用户标识。
可选的,所述装置还包括:
结果获取模块,被配置为获取为所述目标用户推送目标信息之后是否检测到所述第一预定操作的目标结果;
更新模块,被配置为根据所述目标用户的特征信息、为所述目标用户推送所述目标信息的时间信息和所述目标结果,更新所述第二模型。
可选的,所述用户画像包括如下中的至少一项:
在所述目标应用程序中关注的用户的数量、在所述目标应用程序中拥有的粉丝用户的数量、在所述目标应用程序中的双向关注的用户数量、在所述目标应用程序中的注册时长、启动所述目标应用程序的设备所处的地理位置、用户的性别、在第一预设时间段内使用所述目标应用程序的天数。
根据本公开实施例的第三方面,提供一种电子设备,该电子设备包括:
处理器;
用于存储该处理器可执行指令的存储器;
其中,该处理器被配置为执行所述指令,以实现本公开提供的信息推送方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当该存储介质中的指令由电子设备的处理器执行时,使得电子设备实现本公开提供的信息推送方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括一条或多条指令,该一条或多条指令可以由电子设备的处理器执行时,使得电子设备能够执行如本公开提供的信息推送方法。
与现有技术相比,本发明具有以下优点:
本公开的实施例,在检测到用于启动目标应用程序的启动操作时,获取实施该启动操作的目标用户的特征信息以及检测到该启动操作的第一时间信息,从而根据目标用户的特征信息和第一时间信息确定第一推送参数,进而在第一推送参数大于预先确定的第一阈值时,在目标区间内为目标用户推送目标信息;在第一推送参数小于或等于第一阈值时,不在目标时间区间内为目标用户推送目标信息;其中,第一推送参数用于表示在目标时间区间内将目标信息推送至目标用户之后检测到第一预定操作的概率,目标时间区间为第一时间信息所表示的时间之后的预定时间区间。
由此可见,本公开的实施例,可以根据目标用户的特征信息,以及目标用户在目标应用程序上实施启动操作的第一时间信息,预测在目标时间区间内目标用户对所要推送的目标信息存在使用需求的概率,从而在概率大于预先确定的第一阈值时,才会在目标时间区间内为目标用户推送目标信息,即本公开的实施例会预测目标信息所要下发的时间区间内,用户是否需要使用所要推送的目标信息,从而可以在合适的时间向用户推送信息,以提升目标信息的推送准确率,进而提升用户对所推送的信息的使用率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
图1是本公开实施例提供的一种信息推送方法的流程图;
图2是本公开实施例提供的另一种信息推送方法的流程图;
图3是本公开实施例提供的信息推送方法的具体实施方式的流程图;
图4是本公开实施例提供的一种信息推送装置的框图;
图5是本公开实施提供的一种电子设备的框图;
图6是本公开实施例提供的另一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
为了解决通过现有的信息推送方法所推送的信息的推送准确率较低的问题,本公开实施例提供了一种信息推送方法、装置、电子设备及存储介质。
根据本公开实施例的第一方面,提供了一种信息推送方法,如图1所示,该信息推送方法可以包括以下步骤:
步骤101:在检测到用于启动目标应用程序的启动操作时,获取实施所述启动操作的目标用户的特征信息以及检测到所述启动操作的第一时间信息。
本公开的实施例中,启动操作用于启动目标应用程序,并且该启动操作还用于触发执行推送目标信息的过程。具体地,在检测到对目标应用程序的启动操作时,并不直接向目标用户推送目标信息,而是根据实施启动操作的目标用户的特征信息,以及检测到启动操作的第一时间信息,预测在目标时间区间(即第一时间信息所表示的时间之后的预设时间区间)向目标用户推送目标信息后检测到第一预定操作的概率,即预测在目标时间区间内目标用户对所要推送的目标信息存在使用需求的概率。
步骤102:根据所述目标用户的特征信息和所述第一时间信息,确定第一推送参数。
其中,所述第一推送参数用于表示在目标时间区间内将目标信息推送至所述目标用户之后检测到第一预定操作的概率,所述目标时间区间为所述第一时间信息所表示的时间之后的预定时间区间。
另外,在目标时间区间为目标用户推送目标信息之后检测到第一预定操作,表示目标用户对在目标时间区间内所推送的目标信息存在使用需求,因此,第一推送参数亦表示目标用户对在目标时间区间内所推送的目标信息存在使用需求的概率。
步骤103:在所述第一推送参数大于预先确定的第一阈值时,在所述目标时间区间内为所述目标用户推送所述目标信息。
步骤104:在所述第一推送参数小于或等于所述第一阈值时,不在所述目标时间区间内为所述目标用户推送所述目标信息。
其中,第一推送参数大于预先确定的第一阈值,则表示目标用户对在目标时间区间内所推送的目标信息存在使用需求的概率较大,亦即表示在目标时间区域内向目标用户推送目标信息符合目标用户的使用需求的概率较大,因此,在第一推送参数大于预先确定的第一阈值时,可以在目标时间区间内为目标用户推送目标信息。
另外,第一推送参数小于或等于预先确定的第一阈值,则表示目标用户对在目标时间区间内所推送的目标信息存在使用需求的概率较小,亦即表示在目标时间区域内向目标用户推送目标信息符合目标用户的使用需求的概率较小,因此,在第一推送参数小于或等于预先确定的第一阈值时,可以不在目标时间区间内为目标用户推送目标信息,即在目标时间区间内不执行向目标用户推送目标信息的过程。
由上述可知,本公开的实施例,在检测到用于启动目标应用程序的启动操作时,获取实施该启动操作的目标用户的特征信息以及检测到该启动操作的第一时间信息,从而根据目标用户的特征信息和第一时间信息确定第一推送参数,进而在第一推送参数大于预先确定的第一阈值时,在目标区间内为目标用户推送目标信息;在第一推送参数小于或等于第一阈值时,不在目标时间区间内为目标用户推送目标信息;其中,第一推送参数用于表示在目标时间区间内将目标信息推送至目标用户之后检测到第一预定操作的概率,目标时间区间为第一时间信息所表示的时间之后的预定时间区间。
由此可见,本公开的实施例,可以根据目标用户的特征信息,以及目标用户在目标应用程序上实施启动操作的第一时间信息,预测在目标时间区间内目标用户对所要推送的目标信息存在使用需求的概率,从而在概率大于预先确定的第一阈值时,才会在目标时间区间内为目标用户推送目标信息,即本公开的实施例会预测目标信息所要下发的时间区间内,用户是否需要使用所要推送的目标信息,从而可以在合适的时间向用户推送信息,以提升目标信息的推送准确率,进而提升用户对所推送的信息的使用率。
根据本公开实施例的第二方面,提供了一种信息推送方法,如图2所示,该信息推送方法可以包括以下步骤:
步骤201:在检测到用于启动目标应用程序的启动操作时,获取实施所述启动操作的目标用户的特征信息以及检测到所述启动操作的第一时间信息。
本公开的实施例中,启动操作用于启动目标应用程序,并且该启动操作还用于触发执行推送目标信息的过程。具体地,在检测到对目标应用程序的启动操作时,并不直接向目标用户推送目标信息,而是根据实施启动操作的目标用户的特征信息,以及检测到启动操作的第一时间信息,预测在目标时间区间(即第一时间信息所表示的时间之后的预设时间区间)向目标用户推送目标信息后检测到第一预定操作的概率,即预测在目标时间区间内目标用户对所要推送的目标信息存在使用需求的概率。
步骤202:根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数。
其中,所述第二推送参数表示将所述目标信息推送至所述目标用户之后检测到所述第一预定操作的概率。即本公开的实施例中,会预先存储为不同用户推送目标信息后检测到第一预定操作的概率,亦即会预先存储不同用户对所推送的目标信息的使用概率。从而在检测到对目标应用程序的启动操作时,可以获取与目标用户的用户标识对应的第二推送参数,即获取预先存储的目标用户对所推送的目标信息的使用概率。
另外,在上述目标对应关系中不存在与目标用户的用户标识对应的第二推送参数时,可以直接向目标用户推送目标信息。
可选的,根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数,包括:
在所述目标用户满足如下条件中的至少一个的情况下,根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数:
所述目标用户在所述目标应用程序中的注册时长小于预设时长;
所述目标用户在第一预设时间段内使用所述目标应用程序的天数小于预设天数;
所述目标用户在所述目标应用程序中关注的用户数量小于第一预设数量。
其中,上述在所述目标应用程序中的注册时长小于预设时长的用户可以称为第一类用户,在第一预设时间段内使用所述目标应用程序的天数小于预设天数可以称为第二类用户,在所述目标应用程序中关注的用户数量小于第一预设数量的用户可以称为第三类用户。例如新注册的用户属于上述第一类用户;在最近30天内使用目标应用程序的天数小于8的用户属于上述第二类用户;在目标应用程序中所关注的用户的数量小于10的用户为属于上述第三类用户。
由上述可知,本公开的实施例中,在目标用户属于上述第一类用户、第二类用户和第三类用户中的其中一类时,可以执行上述“根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数”的步骤。即本公开的实施例,在检测到目标用户对目标应用程序的启动操作时,首先会根据预先制定的规则,判断目标用户是否属于需要推送目标信息的用户。
步骤203:在与所述目标用户的用户标识对应的第二推送参数大于预先确定的第二阈值时,根据所述目标用户的特征信息和所述第一时间信息,确定所述第一推送参数。
其中,所述第一推送参数用于表示在目标时间区间内将目标信息推送至所述目标用户之后检测到第一预定操作的概率,所述目标时间区间为所述第一时间信息所表示的时间之后的预定时间区间。
另外,在目标时间区间为目标用户推送目标信息之后检测到第一预定操作,表示目标用户对在目标时间区间内所推送的目标信息存在使用需求,因此,第一推送参数亦表示目标用户对在目标时间区间内所推送的目标信息存在使用需求的概率。
步骤204:在所述第一推送参数大于预先确定的第一阈值时,在所述目标时间区间内为所述目标用户推送所述目标信息。
步骤205:在所述第一推送参数小于或等于所述第一阈值时,不在所述目标时间区间内为所述目标用户推送所述目标信息。
其中,第一推送参数大于预先确定的第一阈值,则表示目标用户对在目标时间区间内所推送的目标信息存在使用需求的概率较大,亦即表示在目标时间区域内向目标用户推送目标信息符合目标用户的使用需求的概率较大,因此,在第一推送参数大于预先确定的第一阈值时,可以在目标时间区间内为目标用户推送目标信息。
另外,第一推送参数小于或等于预先确定的第一阈值,则表示目标用户对在目标时间区间内所推送的目标信息存在使用需求的概率较小,亦即表示在目标时间区域内向目标用户推送目标信息符合目标用户的使用需求的概率较小,因此,在第一推送参数小于或等于预先确定的第一阈值时,可以不在目标时间区间内为目标用户推送目标信息,即在目标时间区间内不执行向目标用户推送目标信息的过程。
由上述步骤201~205可知,本公开的实施例中,在检测到用于启动目标应用程序的启动操作时,可以获取实施该启动操作的目标用户的特征信息以及检测到该启动操作的第一时间信息,从而根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与目标用户的用户标识对应的第二推送参数,从而在与目标用户的用户标识对应的第二推送参数大于预先确定的第二阈值时,根据目标用户的特征信息和第一时间信息确定第一推送参数(即确定用于表示在目标时间区间内将目标信息推送至目标用户之后检测到第一预定操作的概率),进而在第一推送参数大于预先确定的第一阈值时,在目标时间区间内为目标用户推送目标信息,在第一推送参数小于或等于第一阈值时,不在目标时间区间内为目标用户推送目标信息。
即本公开的实施例中,在为目标用户推送目标信息时,可以经过上述两次概率判断过程,从而使得能够更加准确地判断出是否合适在目标时间区间内向目标用户推送目标信息,从而进一步提升目标信息的推送准确率,进而进一步提升用户对所推送的信息的使用率。
可选的,预先采用集成学习算法建立有第一模型,所述第一模型的输入数据包括:用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数;
获取所述目标对应关系的过程包括:
在为用户推送所述目标信息后检测到所述第一预定操作时,将所述用户作为候选用户,并获取所述候选用户的特征信息,其中,所述候选用户的特征信息包括所述用户画像、所述第一次数和所述第二次数;
将所述候选用户的特征信息,输入所述第一模型中,输出所述候选用户的所述第二推送参数;
建立所述候选用户的用户标识与所述第二推送参数的对应关系,以作为所述目标对应关系。
其中,所述第一模型是对多个第一训练样本进行训练获得的,一个第一训练样本包括一个第一样本用户的特征信息,一个第一样本用户的特征信息包括用户画像、所述第一次数和所述第二次数。
由上述可知,本公开的实施例中,会预先采用集成学习算法对多个第一训练样本进行训练,以得到第一模型,从而可以利用第一模型获取上述候选用户的第二推送参数。
其中,上述候选用户,即为推送所述目标信息后检测到所述第一预定操作的用户,例如在一天时间内为10个用户推送过目标信息,但为其中5个用户推送目标信息后检测到了第一预定操作,则这5个用户属于候选用户。
可选的,对于上述目标对应关系可以写入到远程字典服务(Remote DictionaryServer,Redis)中,以使得在需要获取某一个用户的上述第二推送参数时,可以直接从Redis中读取,从而减轻在线处理的压力。
可选的,对于上述目标对应关系,可以每隔一段时间进行一次更新。例如在每一天获取在这一天当中推送目标信息后检测到第一预定操作的用户的上述第二推送参数,然后将这些用户的第二推送参数更新至目标对应关系中。
可选的,上述目标对应关系中某个用户的第二推送参数连续在预设时间段内未被更新过,则将该用户及其第二推送参数删除,从而使得目标对应关系中存在的用户及其第二推送参数为根据用户最近的特征信息确定的,进而使得目标对应关系中存在的第二推送参数更加符合用户最近的使用需求。
可选的,所述第一模型的建立过程包括:
在分别为多个第一样本用户推送目标信息时,获取所述第一样本用户的特征信息,其中,所述特征信息包括用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数,所述用户画像包括第一数值特征和第一非数值特征;
将所述第一样本用户的用户画像中的第一非数值特征处理为数值特征,以作为第二数值特征;
将属于同一个第一样本用户的第二数值特征、第一样本用户的用户画像中的第一数值特征、第一样本用户的特征信息中的第一次数、第一样本用户的特征信息中的第二次数作为一个第一训练样本,得到多个第一训练样本;
采用集成学习算法,对所述多个第一训练样本进行训练,得到所述第一模型。
其中,上述“在分别为多个第一样本用户推送目标信息时,获取所述第一样本用户的特征信息”,即为获取推送目标信息时各个第一样本用户的特征信息。例如在t1、t2、t3时刻分别为用户A、用户B和用户C推送了目标信息,则用户A、用户B和用户C可以作为第一样本用户,从而可以获取用户A在t1时刻时的特征信息,获取用户B在t2时刻时的特征信息,获取用户C在t3时刻的特征信息。
另外,所述用户画像又称用户角色,其作为一种勾画用户、联系用户诉求与设计方向的有效工具,可基于用户画像为用户提供有针对性的服务。而本公开的实施例中,将用户画像作为训练上述第一模型所需的一部分特征信息。
此外,本公开的实施例中,对第一训练样本进行训练时,采用集成学习算法,因此,需要将第一样本用户的特征信息中属于非数值特征的特征处理为数值特征。
具体的,上述特征信息包括用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数,所述用户画像包括第一数值特征和第一非数值特征,其中,第一次数和第二次数属于数值特征,不需要处理,而用户画像中包括第一非数值特征,则需要将其处理为数值特征。
可选的,所述用户画像包括如下所述的至少一项:
在所述目标应用程序中关注的用户的数量、在所述目标应用程序中拥有的粉丝用户的数量、在所述目标应用程序中的双向关注的用户数量、在所述目标应用程序中的注册时长、启动所述目标应用程序的设备所处的地理位置、用户的性别、在第一预设时间段内使用所述目标应用程序的天数。
其中,上述在所述目标应用程序中关注的用户的数量、在所述目标应用程序中拥有的粉丝用户的数量、在所述目标应用程序中的双向关注的用户数量、在所述目标应用程序中的注册时长、在第一预设时间段内使用所述目标应用程序的天数,均为数值特征,不需要处理。地理位置、性别是非数值特征,需要处理。具体的,地理位置可以按用户是南方、北方、未知分别对应0,1,2三个数值;性别可以按男,女,未知分别对应0,1,2三个数值映射。
由上述可知,本公开的实施例会获取多个第一样本用户的上述特征信息,从而将其特征信息中的非数值特征处理为数值特征,然后将得到的数值特征与特征信息中原本包括的数值特征,一同作为一个第一训练样本,进而采用集成学习算法,对第一训练样本进行训练,以得到第一模型。
其中,需要说明的是,本公开的实施例采用集成学习算法得到的第一模型,因此第一模型即为集成学习模型。
此外,上述集成学习算法具体可以为随机森林算法或者极端梯度提升(xgboost)算法。
可选的,所述将所述候选用户的特征信息,输入所述第一模型中,输出所述候选用户的所述第二推送参数,包括:将候选用户的特征信息中的非数值特征处理为数值特征,从而将获得的数值特征与候选用户的特征信息中的数值特征一起输入至第一模型,输出第二推送参数。
其中,将候选用户的特征信息中的非数值特征处理为数值特征的具体过程,与前述第一模型训练过程中涉及的非数值特征处理为数值特征处理过程相似,此处不再赘述。
可选的,预先采用深度神经网络算法建立有第二模型,所述第二模型的输入数据包括:用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数、推送的所述目标信息的参数信息、推送所述目标信息后在第三预设时间段内检测到的第二预定操作所针对的用户的第一标识、推送所述目标信息的第二时间信息;
所述目标用户的特征信息包括所述用户画像、所述第一次数、所述第二次数、所述参数信息和所述第一标识;
所述根据所述目标用户的特征信息和所述第一时间信息,确定第一推送参数,包括:
将所述目标用户的特征信息和所述第一时间信息,输入至预先建立的第二模型,输出所述第一推送参数。
其中,所述第二模型是对预先采用深度神经网络算法对多个第二训练样本进行训练获得的,一个第二训练样本包括一个第二样本用户的特征信息、推送的目标信息的参数信息、推送目标信息后在第三预设时间段内检测到的第二预定操作所针对的用户的第一标识、推送目标信息的第二时间信息。第二样本用户的特征信息包括用户画像、在第二预设时间段内推送目标信息的第一次数、在第二预设时间段内推送所述目标信息后检测到第一预定操作的第二次数。
由上述可知,本公开的实施例,会预先对上述多个第二训练样本进行训练,以得到第二模型,从而可以利用第二模型获取上述目标用户的第一推送参数。
其中,例如目标应用程序为短视频应用程序时,用户可以在目标应用程序中关注某些用户,对某些视频进行点赞等操作,则上述第一标识可以包括用户在目标应用程序中关注的用户的ID,以及所点赞的视频的作者的ID。
可选的,在所述目标信息包括多个用户标识的情况下,所述参数信息包括第二标识以及关注所述第二标识所标识的用户的概率、对显示的所述第二标识实施第二预定操作的概率、所述第二标识所标识的用户被双向关注的概率;
其中,所述第二标识包括从所述目标信息中包括多个用户标识中选出的第二预设数量的用户标识。
另外,关注所述第二标识所标识的用户的概率可以采用预先建立的第三模型确定,或者采用协同过滤算法确定;对显示的所述第二标识实施第二预定操作的概率可以采用预先建立的第四模型确定,或者采用协同过滤算法确定;所述第二标识所标识的用户被双向关注的概率可以采用预先建立的第五模型确定,或者采用协同过滤算法确定。而第三模型、第四模型和第五模型具体可以为可扩展的提升数(XGB),深度神经网络(Deep NeuralNetworks,DNN),推荐系统(DeepFM),梯度下降更新方法(FTRL)等模型。
具体的,第三模型、第四模型、第五模型分别可以依据第二样本用户的特征信息以及关系型特征信息,并采用XGB、DNN、DeepFM、FTRL中的其中一种算法进行训练获得。其中,所述关系型特征包括用于指示用户之间是否在至少一个社交应用程序中属于好友的第一指示信息,用于指示用户之间是否在目标应用程序中相互关注的第二指示信息,所述特征信息包括用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数。
此外,在目标信息包括多个用户标识的情况下,目标信息中包括的多个用户标识之间存在一定的排列顺序,则可以选择排序中前预设数量(例如前10)的用户标识,以作为第二标识。
可选的,所述第二模型的建立过程包括:
在分别为多个第二样本用户推送目标信息时,获取所述第二样本用户的特征信息、为所述第二样本用户推送目标信息后是否检测到所述第一预定操作的第一结果、推送所述目标信息的第二时间信息、推送的所述目标信息的参数信息、推送所述目标信息后在第三预设时间段内检测到的第二预定操作所针对的用户的第一标识,其中,所述特征信息包括用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数,所述用户画像包括第一数值特征和第一非数值特征;
将所述第二样本用户的用户画像中的第一数值特征进行归一化处理,得到第三数值特征;
将所述第二样本用户的用户画像中的第一非数值特征处理为0~1范围内的数值特征,以作为第四数值特征;
确定所述第二时间信息表示的时刻在预先划分的多个时间区间中所处的第一时间区间,并将所述第一时间区间处理为0~1范围内的数值特征,以作为第五数值特征;
将所述参数信息处理为0~1范围内的数值特征,以作为第六数值特征;
将所述第一结果处理为0~1范围内的数值特征,以作为第七数值特征;
将所述第一标识处理为0~1范围内的数值特征,以作为第八数值特征;
将所述第一次数和所述第二次数分别进行归一化处理;
将属于同一个第二样本用户的第三数值特征、第四数值特征、第五数值特征、第六数值特征、第七数值特征、第八数值特征、第二样本用户的特征信息中的第一次数归一化处理后的数值、第二样本用户的特征信息中的第二次数归一化处理后的数值,作为一个第二训练样本,得到多个第二训练样本;
采用深度神经网络算法,对所述多个第二训练样本进行训练,得到所述第二模型。
其中,上述“在分别为多个第二样本用户推送目标信息时,获取所述第二样本用户的特征信息、第一结果、推送目标信息的第二时间信息、参数信息、第一标识”,即为获取推送目标信息时各个第二样本用户的特征信息、第一结果、推送目标信息的第二时间信息、参数信息、第一标识。
例如在t4、t5、t6时刻分别为用户D、用户E和用户F推送了目标信息,则用户D、用户E和用户F可以作为第二样本用户,从而可以获取用户D在t4时刻时的特征信息、第一结果、推送目标信息的第二时间信息、参数信息、第一标识,获取用户E在t5时刻时的特征信息、第一结果、推送目标信息的第二时间信息、参数信息、第一标识,获取用户F在t6时刻的特征信息、第一结果、推送目标信息的第二时间信息、参数信息、第一标识。
另外,本公开的实施例中,对第二训练样本进行训练时,采用深度神经网络算法,因此,需要将第二样本用户的特征信息、第一结果、推送目标信息的第二时间信息、参数信息、第一标识处理为0~1范围内的数值特征。
具体的,上述特征信息包括用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数,其中,第一次数和第二次数属于数值特征,直接进行归一化处理即可,而用户画像中包括第一非数值特征,则需要将其处理为0~1范围内的数值特征。
此外,针对为第二样本用户推送目标信息后是否检测到所述第一预定操作的第一结果,可以按检测到第一预定操作、未检测到第一预定操作分别对应0,1两个数值。
针对为第二样本用户推送目标信息的第二时间信息,可以首先判断第二时间信息表示的时刻处于预先确定的多个时间区间中的哪一个时间区间,然后将其映射为0~1范围内的数值特征,例如预先将一天当中的24个小时划分为多个时间区间,其中,0-7点,8-11点,12-14点,15-17点,18-22点,23-24点,分别为一个时间区间,则当第二时间信息表示的时刻为9点时,该第二时间信息映射的数值特征即为(0,1,0,0,0,0)。
其中,本公开实施例中主要关注的是为用户在某个时间区间内推送目标信息后检测到第一预定操作的情况,而不需要关注在哪个时间区间内没有推送目标信息。因此,针对第二时间信息与第一结果还可合并进行表示,例如在9点为用户推送目标信息后检测到第一预定操作,则可以表示为(0,1,0,0,0,0);而在9点为用户推送目标信息后未检测到第一预定操作,则可以表示为(0,0,0,0,0,0)。
针对为所述第二样本用户推送的目标信息的参数信息,在该参数信息包括第二标识以及关注第二标识所标识的用户的概率、对显示的第二标识实施第二预定操作的概率、第二标识所标识的用户被双向关注的概率的情况下,参数信息中包括的各种概率属于0~1范围内的数值特征,不需要处理,而第二标识,可以通过嵌入(embedding)方式映射为0~1范围内的数值特征。
针对推送目标信息后在第三预设时间段内检测到的第二预定操作所针对的用户的第一标识,也可以通过嵌入(embedding)方式映射为0~1范围内的数值特征。
由上述可知,本公开的实施例会获取多个第二样本用户的用户画像、为第二样本用户推送目标信息后是否检测到第一预定操作的第一结果、在第二预设时间段内推送目标信息的第一次数、在第二预设时间段内推送目标信息后检测到第一预定操作的第二次数、推送的目标信息的参数信息、推送目标信息后在第三预设时间段内检测到的第二预定操作所针对的用户的第一标识、推送目标信息的第二时间信息,以作为训练数据,然后针对每一个第二样本用户,将该训练数据处理为0~1范围内的数值特征,从而将其作为一个第二训练样本,进而采用深度神经网络算法,对第二训练样本进行训练,以得到第二模型。
其中,需要说明的是,本公开的实施例采用深度神经网络算法得到的第一模型,因此第二模型即为深度神经网络模型。
可选的,所述将所述目标用户的特征信息和所述第一时间信息,输入至预先建立的第二模型,输出所述第一推送参数,包括:将目标用户的特征信息和第一时间信息处理为数值特征,从而将获得的数值特征输入至第二模型,输出所述第一推送参数。
其中,将目标用户的特征信息中的非数值特征和第一时间信息处理为数值特征的具体过程,与前述第二模型训练过程中涉及的非数值特征处理为数值特征处理过程相似,此处不再赘述。
可选的,在所述目标时间区间内为所述目标用户推送所述目标信息之后,所述方法还包括:
获取为所述目标用户推送目标信息之后是否检测到所述第一预定操作的目标结果;
根据所述目标用户的特征信息、为所述目标用户推送所述目标信息的时间信息和所述目标结果,更新所述第二模型。
即本公开的实施例中,在目标区间为目标用户推送目标信息后,还可以进一步获取推送目标信息后是否检测到第一预定操作的目标结果,从而根据目标用户的特征信息、目标时间区间以及目标结果,对上述第二模型进行更新。
其中,在第二模型为深度神经网络模型时,在对第二模型进行更新时,需要将上述目标用户的特征信息、目标时间区间以及目标结果,分别处理为0~1范围内的数值特征,其具体的处理过程详见上述对第二模型的训练过程的介绍,此处不再赘述。
综上所述,在短视频应用程序中通过弹窗向用户推送短视频作者的场景下,本公开实施例提供的信息推送方法的具体实施方式可如图3所示,即具体包括如下过程:
前期准备:离线采用xgboost算法训练获得xgboost模型,采用深度神经网络(DeepNeural Networks,DNN)算法训练获得DNN模型,然后每天将推送过弹窗且存在弹窗关注行为(即关注过弹窗中推荐的用户)的用户作为候选用户,从而将候选用户的用户画像、最近7天推送弹窗的次数以及最近7天关注弹窗推荐的用户的次数处理为数值特征,进而输入至xgboost模型中,输出每一个候选用户推送弹窗后存在弹窗关注行为的概率,然后将每一个候选用户的用户标识及其推送弹窗后存在弹窗关注行为的概率写入Redis中。
第一方面,xgboost模型的训练过程如下所述:
首先,在分别为多个第一样本用户推送弹窗时,获取这些第一样本用户此时的用户画像、最近7天推送弹窗的次数以及最近7天关注弹窗推荐的用户的次数,其中,用户画像包括在短视频应用程序中的关注数量、粉丝用户的数量、双向关注数量、注册天数、最近30天使用短视频应用程序的天数、地理位置和性别。
其次,用户画像中的地理位置和性别是非数值特征,需要处理为数值特征。具体的,地理位置按用户是南方、北方、未知分别对应0,1,2三个数值;性别为男,女,未知分别对应0,1,2三个数值映射。
最后,将一个第一样本用户的用户画像、最近7天推送弹窗的次数以及最近7天关注弹窗推荐的用户的次数作为一个第一训练样本,从而采用xgboost算法进行训练,获得xgboost模型。
第二方面,DNN模型的训练过程如下所述:
首先,在分别为多个第二样本用户推送弹窗时,采集这些第二样本用户此时的如下特征:
用户画像、最近7天推送弹窗的次数、最近7天关注弹窗推荐的用户的次数、本次弹窗推送时刻、本次推送弹窗的推送结果(即推送弹窗后第二样本用户是否关注弹窗推荐的用户)、本次推送弹窗所推送的用户的目标ID(例如为弹窗中所显示的前10个用户的ID)、预测的目标概率、第二样本用户在当日所关注的用户ID、第二样本用户当日点赞过的短视频的作者的ID。所述目标概率包括第二样本用户关注目标ID所标识的用户的概率、第二样本用户点击目标ID所标识的用户的概率、第二样本用户与目标ID所标识的用户之间双向关注的概率。
其中,用户画像包括在短视频应用程序中的关注数量、粉丝用户的数量、双向关注数量、注册天数、最近30天使用短视频应用程序的天数、地理位置和性别。
其次,对采集到的第二样本用户的上述特征进行处理:
即在用户画像类特征中,数值类特征如关注数量、粉丝用户的数量、双向关注数量、注册天数、最近30天使用短视频应用程序的天数,按最大最小值做归一化,去除掉异常值;非数值类型,如性别,地理位置,采用one hot编码方式映射为数值类型。
针对本次弹窗推送时刻与推送结果,确定其处于预先确定的多个时间区间中的哪一个区间,然后采用one hot编码方式映射为数值类型。例如预先划分的时间区间为:0-7点,8-11点,12-14点,15-17点,18-22点,23-24点,则假设在15点给用户下发弹窗,且用户关注了,则表示为(0,0,0,1,0,0),如果没有关注,则表示为(0,0,0,0,0,0)。
针对本次推送弹窗所推送的用户的目标ID、第二样本用户在当日所关注的用户ID、第二样本用户当日点赞过的短视频的作者的ID,可以分别通过embedding方式映射为数值特征。
针对上述目标概率已为0~1范围内的数值特征,不需要处理。
最后,将一个第二样本用户的上述特征作为一个第二训练样本,从而采用DNN算法进行训练,获得DNN模型。
实时检测:
首先,在t1时刻检测到目标用户启动了短视频应用程序,则判断目标用户是否属于预设类型的用户,其中预设类型的用户例如包括新注册用户、关注数低于10的用户、最近30天使用短视频应用程序的天数小于8天的用户;
其次,在目标用户属于预设类型的用户的情况下,读取Redis,若Redis存在与目标用户的用户标识对应的概率,则判断该概率是否大于预先确定的第二阈值;若Redis中不存在与目标用户的用户标识对应的概率,可以直接下发弹窗;再次,若Redis中存在的与目标用户的用户标识对应的概率小于或等于预先确定的第二阈值,则不下发弹框,结束流程;若Redis中存在的与目标用户的用户标识对应的概率大于预先确定的第二阈值,则将目标用户的如下特征按照DNN模型训练过程中的处理方式处理为0~1范围内的数值特征;
用户画像、最近7天推送弹窗的次数、最近7天关注弹窗推荐的用户的次数、t1时刻、目标用户在当日所关注的用户ID、目标用户当日点赞过的短视频的作者的ID。
最后,将目标用户处理之后的上述特征输入至DNN模型,输出在t1时刻所处的时间区间内推送弹框后存在弹窗关注行为的概率,从而判断该概率是否大于预先确定的第一阈值,若大于第一阈值,则在t1时刻所处时间区间内推送弹窗,若小于或等于第一阈值,则不推送弹框,结束流程。
此外,在为目标用户推送弹框之后,还可进一步根据目标用户是否存在弹窗关注行为对DNN模型进行在线更新。
由上述可知,xgboost模型主要是为了初筛,过滤掉大部分不会使用弹窗的用户。而DNN模型考虑了下发时间,是一个多分类问题。在模型训练上还使用了推荐内容,这里从推荐内容上保证了下发的准确性,其次是时间特征,用户在不同的时间需求不同,可能不使用弹窗并不是内容不优质,而是时间不对,因此,DNN模型加入时间特征,可以在更合适的时间下发弹窗,从而提高使用人数和功能留存。
因此,本公开实施例提供的信息推送方法能够提高功能留存,减少给无行为用户下发弹窗,并且可以根据弹窗推荐内容和当日用户行为,选择在最合适的时候下发弹窗,从而能够降低弹窗的无效每秒查询率(QPS),以保证用户推荐整体服务可用性。
根据本公开实施例的第三方面,提供了一种信息推送装置,如图4所示该信息推送装置40可以包括:
第一获取模块401,被配置为在检测到用于启动目标应用程序的启动操作时,获取实施所述启动操作的目标用户的特征信息以及检测到所述启动操作的第一时间信息;
参数确定模块402,被配置为根据所述目标用户的特征信息和所述第一时间信息,确定第一推送参数,其中,所述第一推送参数用于表示在目标时间区间内将目标信息推送至所述目标用户之后检测到第一预定操作的概率,所述目标时间区间为所述第一时间信息所表示的时间之后的预定时间区间;
推送模块403,被配置为在所述第一推送参数大于预先确定的第一阈值时,在所述目标时间区间内为所述目标用户推送所述目标信息;
处理模块404,被配置为在所述第一推送参数小于或等于所述第一阈值时,不在所述目标时间区间内为所述目标用户推送所述目标信息。
可选的,所述参数确定模块402包括:
概率获取子模块4021,被配置为根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数,其中,所述第二推送参数表示将所述目标信息推送至所述目标用户之后检测到所述第一预定操作的概率;
参数确定子模块4022,被配置为在与所述目标用户的用户标识对应的第二推送参数大于预先确定的第二阈值时,根据所述目标用户的特征信息和所述第一时间信息,确定所述第一推送参数。
可选的,所述概率获取子模块4021具体被配置为:
在所述目标用户满足如下条件中的至少一个的情况下,根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数;
所述目标用户在所述目标应用程序中的注册时长小于预设时长;
所述目标用户在第一预设时间段内使用所述目标应用程序的天数小于预设天数;
所述目标用户在所述目标应用程序中关注的用户数量小于第一预设数量。
可选的,所述装置还包括:
第一模型建立模块405,被配置为预先采用集成学习算法建立第一模型,所述第一模型的输入数据包括:用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数;
对应关系获取模块406,被配置为:
在为用户推送所述目标信息后检测到所述第一预定操作时,将所述用户作为候选用户,并获取所述候选用户的特征信息,其中,所述候选用户的特征信息包括所述用户画像、所述第一次数和所述第二次数;
将所述候选用户的特征信息,输入所述第一模型中,输出所述候选用户的所述第二推送参数;
建立所述候选用户的用户标识与所述第二推送参数的对应关系,以作为所述目标对应关系。
可选的,所述装置还包括:
第二模型建立模块407,被配置为预先采用深度神经网络算法建立第二模型,所述第二模型的输入数据包括:用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数、推送的所述目标信息的参数信息、推送所述目标信息后在第三预设时间段内检测到的第二预定操作所针对的用户的第一标识、推送所述目标信息的第二时间信息,所述目标用户的特征信息包括所述用户画像、所述第一次数、所述第二次数、所述参数信息和所述第一标识;
所述参数确定模块402具体被配置为:
将所述目标用户的特征信息和所述第一时间信息,输入至预先建立的第二模型,输出所述第一推送参数。
可选的,在所述目标信息包括多个用户标识的情况下,所述参数信息包括第二标识以及关注所述第二标识所标识的用户的概率、对显示的所述第二标识实施第二预定操作的概率、所述第二标识所标识的用户被双向关注的概率;
其中,所述第二标识包括从所述目标信息中包括多个用户标识中选出的第二预设数量的用户标识。
可选的,所述装置还包括:
结果获取模块408,被配置为获取为所述目标用户推送目标信息之后是否检测到所述第一预定操作的目标结果;
更新模块409,被配置为根据所述目标用户的特征信息、为所述目标用户推送所述目标信息的时间信息和所述目标结果,更新所述第二模型。
可选的,所述用户画像包括如下中的至少一项:
在所述目标应用程序中关注的用户的数量、在所述目标应用程序中拥有的粉丝用户的数量、在所述目标应用程序中的双向关注的用户数量、在所述目标应用程序中的注册时长、启动所述目标应用程序的设备所处的地理位置、用户的性别、在第一预设时间段内使用所述目标应用程序的天数。
由上述可知,本公开的实施例,在检测到用于启动目标应用程序的启动操作时,获取实施该启动操作的目标用户的特征信息以及检测到该启动操作的第一时间信息,从而根据目标用户的特征信息和第一时间信息确定第一推送参数,进而在第一推送参数大于预先确定的第一阈值时,在目标区间内为目标用户推送目标信息;在第一推送参数小于或等于第一阈值时,不在目标时间区间内为目标用户推送目标信息;其中,第一推送参数用于表示在目标时间区间内将目标信息推送至目标用户之后检测到第一预定操作的概率,目标时间区间为第一时间信息所表示的时间之后的预定时间区间。
由此可见,本公开的实施例,可以根据目标用户的特征信息,以及目标用户在目标应用程序上实施启动操作的第一时间信息,预测在目标时间区间内目标用户对所要推送的目标信息存在使用需求的概率,从而在概率大于预先确定的第一阈值时,才会在目标时间区间内为目标用户推送目标信息,即本公开的实施例会预测目标信息所要下发的时间区间内,用户是否需要使用所要推送的目标信息,从而可以在合适的时间向用户推送信息,以提升目标信息的推送准确率,进而提升用户对所推送的信息的使用率。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
根据本公开实施例的第四方面,提供了一种电子设备。参照图5,该电子设备包括:
处理器510;
用于存储所述处理器可执行指令的存储器520;
其中,所述处理器被配置为执行所述指令,以实现上述所述的信息推送方法。
根据本公开实施例的第五方面,还提供了一种电子设备。如图6所示,该电子设备600可以是移动电话,计算机,数字广播电子设备,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,电子设备600可以包括以下一个或多个组件:处理组件602,存储器604,电源组件606,多媒体组件608,音频组件610,输入/输出(I/O)的接口612,传感器组件614,以及通信组件616。
处理组件602通常控制电子设备600的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理组件602可以包括多媒体模块,以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在电子设备600上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件606为电子设备600的各种组件提供电力。电源组件606可以包括电源管理系统,一个或多个电源,及其他与为电子设备600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述电子设备600和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件608包括一个前置摄像头和/或后置摄像头。当设备600处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当电子设备600处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器,用于为电子设备600提供各个方面的状态评估。例如,传感器组件614可以检测到设备600的打开/关闭状态,组件的相对定位,例如所述组件为电子设备600的显示器和小键盘,传感器组件614还可以检测电子设备600或电子设备600一个组件的位置改变,用户与电子设备600接触的存在或不存在,电子设备600方位或加速/减速和电子设备600的温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件616被配置为便于电子设备600和其他设备之间有线或无线方式的通信。电子设备600可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、8G或5G),或它们的组合。在一个示例性实施例中,通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件616还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述所述的信息推送方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器604,上述指令可由电子设备600的处理器620执行以完成上述方法。可选地,例如,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在本公开实施的又一方面,本公开实施例还提供了一种存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行上述所述的信息推送方法。
根据本公开实施例的又一方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机实现上述所述的信息推送方法。
在此提供的信息推送方案不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造具有本发明方案的系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开实施例的信息提取方案中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (15)
1.一种信息推送方法,其特征在于,所述方法包括:
在检测到用于启动目标应用程序的启动操作时,获取实施所述启动操作的目标用户的特征信息以及检测到所述启动操作的第一时间信息;
根据所述目标用户的特征信息和所述第一时间信息,确定第一推送参数,其中,所述第一推送参数用于表示在目标时间区间内将目标信息推送至所述目标用户之后检测到第一预定操作的概率,所述目标时间区间为所述第一时间信息所表示的时间之后的预定时间区间;
在所述第一推送参数大于预先确定的第一阈值时,在所述目标时间区间内为所述目标用户推送所述目标信息;
在所述第一推送参数小于或等于所述第一阈值时,不在所述目标时间区间内为所述目标用户推送所述目标信息;
所述根据所述目标用户的特征信息和所述第一时间信息,确定第一推送参数,包括:
根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数,其中,所述第二推送参数表示将所述目标信息推送至所述目标用户之后检测到所述第一预定操作的概率;
在与所述目标用户的用户标识对应的第二推送参数大于预先确定的第二阈值时,根据所述目标用户的特征信息和所述第一时间信息,确定所述第一推送参数。
2.根据权利要求1所述的信息推送方法,其特征在于,所述根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数,包括:
在所述目标用户满足如下条件中的至少一个的情况下,根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数:
所述目标用户在所述目标应用程序中的注册时长小于预设时长;
所述目标用户在第一预设时间段内使用所述目标应用程序的天数小于预设天数;
所述目标用户在所述目标应用程序中关注的用户数量小于第一预设数量。
3.根据权利要求1所述的信息推送方法,其特征在于,预先采用集成学习算法建立有第一模型,所述第一模型的输入数据包括:用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数;
获取所述目标对应关系的过程包括:
在为用户推送所述目标信息后检测到所述第一预定操作时,将所述用户作为候选用户,并获取所述候选用户的特征信息,其中,所述候选用户的特征信息包括所述用户画像、所述第一次数和所述第二次数;
将所述候选用户的特征信息,输入所述第一模型中,输出所述候选用户的所述第二推送参数;
建立所述候选用户的用户标识与所述第二推送参数的对应关系,以作为所述目标对应关系。
4.根据权利要求1所述的信息推送方法,其特征在于,预先采用深度神经网络算法建立有第二模型,所述第二模型的输入数据包括:用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数、推送的所述目标信息的参数信息、推送所述目标信息后在第三预设时间段内检测到的第二预定操作所针对的用户的第一标识、推送所述目标信息的第二时间信息;
所述目标用户的特征信息包括所述用户画像、所述第一次数、所述第二次数、所述参数信息和所述第一标识;
所述根据所述目标用户的特征信息和所述第一时间信息,确定第一推送参数,包括:
将所述目标用户的特征信息和所述第一时间信息,输入至预先建立的第二模型,输出所述第一推送参数。
5.根据权利要求4所述的信息推送方法,其特征在于,在所述目标信息包括多个用户标识的情况下,所述参数信息包括第二标识以及关注所述第二标识所标识的用户的概率、对显示的所述第二标识实施第二预定操作的概率、所述第二标识所标识的用户被双向关注的概率;
其中,所述第二标识包括从所述目标信息中包括多个用户标识中选出的第二预设数量的用户标识。
6.根据权利要求4所述的信息推送方法,其特征在于,在所述目标时间区间内为所述目标用户推送所述目标信息之后,所述方法还包括:
获取为所述目标用户推送目标信息之后是否检测到所述第一预定操作的目标结果;
根据所述目标用户的特征信息、为所述目标用户推送所述目标信息的时间信息和所述目标结果,更新所述第二模型。
7.根据权利要求3或4所述的信息推送方法,其特征在于,所述用户画像包括如下中的至少一项:
在所述目标应用程序中关注的用户的数量、在所述目标应用程序中拥有的粉丝用户的数量、在所述目标应用程序中的双向关注的用户数量、在所述目标应用程序中的注册时长、启动所述目标应用程序的设备所处的地理位置、用户的性别、在第一预设时间段内使用所述目标应用程序的天数。
8.一种信息推送装置,其特征在于,所述装置包括:
第一获取模块,被配置为在检测到用于启动目标应用程序的启动操作时,获取实施所述启动操作的目标用户的特征信息以及检测到所述启动操作的第一时间信息;
参数确定模块,被配置为根据所述目标用户的特征信息和所述第一时间信息,确定第一推送参数,其中,所述第一推送参数用于表示在目标时间区间内将目标信息推送至所述目标用户之后检测到第一预定操作的概率,所述目标时间区间为所述第一时间信息所表示的时间之后的预定时间区间;
推送模块,被配置为在所述第一推送参数大于预先确定的第一阈值时,在所述目标时间区间内为所述目标用户推送所述目标信息;
处理模块,被配置为在所述第一推送参数小于或等于所述第一阈值时,不在所述目标时间区间内为所述目标用户推送所述目标信息;
所述参数确定模块包括:
概率获取子模块,被配置为根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数,其中,所述第二推送参数表示将所述目标信息推送至所述目标用户之后检测到所述第一预定操作的概率;
参数确定子模块,被配置为在与所述目标用户的用户标识对应的第二推送参数大于预先确定的第二阈值时,根据所述目标用户的特征信息和所述第一时间信息,确定所述第一推送参数。
9.根据权利要求8所述的信息推送装置,其特征在于,所述概率获取子模块具体被配置为:
在所述目标用户满足如下条件中的至少一个的情况下,根据预先存储的用户标识与第二推送参数之间的目标对应关系,获取与所述目标用户的用户标识对应的第二推送参数:
所述目标用户在所述目标应用程序中的注册时长小于预设时长;
所述目标用户在第一预设时间段内使用所述目标应用程序的天数小于预设天数;
所述目标用户在所述目标应用程序中关注的用户数量小于第一预设数量。
10.根据权利要求8所述的信息推送装置,其特征在于,所述装置还包括:
第一模型建立模块,被配置为预先采用集成学习算法建立第一模型,所述第一模型的输入数据包括:用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数;
对应关系获取模块,被配置为:
在为用户推送所述目标信息后检测到所述第一预定操作时,将所述用户作为候选用户,并获取所述候选用户的特征信息,其中,所述候选用户的特征信息包括所述用户画像、所述第一次数和所述第二次数;
将所述候选用户的特征信息,输入所述第一模型中,输出所述候选用户的所述第二推送参数;
建立所述候选用户的用户标识与所述第二推送参数的对应关系,以作为所述目标对应关系。
11.根据权利要求8所述的信息推送装置,其特征在于,所述装置还包括:
第二模型建立模块,被配置为预先采用深度神经网络算法建立第二模型,所述第二模型的输入数据包括:用户画像、在第二预设时间段内推送所述目标信息的第一次数、在所述第二预设时间段内推送所述目标信息后检测到所述第一预定操作的第二次数、推送的所述目标信息的参数信息、推送所述目标信息后在第三预设时间段内检测到的第二预定操作所针对的用户的第一标识、推送所述目标信息的第二时间信息,所述目标用户的特征信息包括所述用户画像、所述第一次数、所述第二次数、所述参数信息和所述第一标识;
所述参数确定模块具体被配置为:
将所述目标用户的特征信息和所述第一时间信息,输入至预先建立的第二模型,输出所述第一推送参数。
12.根据权利要求11所述的信息推送装置,其特征在于,在所述目标信息包括多个用户标识的情况下,所述参数信息包括第二标识以及关注所述第二标识所标识的用户的概率、对显示的所述第二标识实施第二预定操作的概率、所述第二标识所标识的用户被双向关注的概率;
其中,所述第二标识包括从所述目标信息中包括多个用户标识中选出的第二预设数量的用户标识。
13.根据权利要求11所述的信息推送装置,其特征在于,所述装置还包括:
结果获取模块,被配置为获取为所述目标用户推送目标信息之后是否检测到所述第一预定操作的目标结果;
更新模块,被配置为根据所述目标用户的特征信息、为所述目标用户推送所述目标信息的时间信息和所述目标结果,更新所述第二模型。
14.根据权利要求10或11所述的信息推送装置,其特征在于,所述用户画像包括如下中的至少一项:
在所述目标应用程序中关注的用户的数量、在所述目标应用程序中拥有的粉丝用户的数量、在所述目标应用程序中的双向关注的用户数量、在所述目标应用程序中的注册时长、启动所述目标应用程序的设备所处的地理位置、用户的性别、在第一预设时间段内使用所述目标应用程序的天数。
15.一种电子设备,其特征在于,包括:
处理器;
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执行所述指令,以实现如权利要求1至7中任一项所述的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421167.5A CN115225702B (zh) | 2021-04-19 | 2021-04-19 | 信息推送方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421167.5A CN115225702B (zh) | 2021-04-19 | 2021-04-19 | 信息推送方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115225702A CN115225702A (zh) | 2022-10-21 |
CN115225702B true CN115225702B (zh) | 2023-08-08 |
Family
ID=83605804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110421167.5A Active CN115225702B (zh) | 2021-04-19 | 2021-04-19 | 信息推送方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115225702B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107800746A (zh) * | 2016-09-07 | 2018-03-13 | 百度在线网络技术(北京)有限公司 | 消息推送方法及装置 |
CN109389138A (zh) * | 2017-08-09 | 2019-02-26 | 武汉安天信息技术有限责任公司 | 一种用户画像方法及装置 |
CN109522426A (zh) * | 2018-12-05 | 2019-03-26 | 北京达佳互联信息技术有限公司 | 多媒体数据推荐方法、装置、设备及计算机可读存储介质 |
CN109948060A (zh) * | 2019-03-28 | 2019-06-28 | 北京达佳互联信息技术有限公司 | 一种信息推送方法、装置、终端设备及存储介质 |
CN110442788A (zh) * | 2019-07-23 | 2019-11-12 | 北京奇艺世纪科技有限公司 | 一种信息推荐方法及装置 |
CN110717099A (zh) * | 2019-09-25 | 2020-01-21 | 优地网络有限公司 | 一种推荐影片的方法及终端 |
CN110971659A (zh) * | 2019-10-11 | 2020-04-07 | 贝壳技术有限公司 | 推荐消息的推送方法、装置及存储介质 |
CN111026959A (zh) * | 2019-11-29 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 一种提示信息推送方法、设备及存储介质 |
CN111259256A (zh) * | 2020-02-13 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 内容处理方法、装置、计算机可读存储介质和计算机设备 |
CN111460294A (zh) * | 2020-03-31 | 2020-07-28 | 汉海信息技术(上海)有限公司 | 消息推送方法、装置、计算机设备及存储介质 |
CN111478963A (zh) * | 2020-04-07 | 2020-07-31 | 北京奇艺世纪科技有限公司 | 消息推送方法、装置、电子设备及计算机可读存储介质 |
CN111597447A (zh) * | 2020-05-14 | 2020-08-28 | 拉扎斯网络科技(上海)有限公司 | 对象推送方法、装置、电子设备及存储介质 |
CN111881343A (zh) * | 2020-07-07 | 2020-11-03 | Oppo广东移动通信有限公司 | 信息推送方法、装置、电子设备及计算机可读存储介质 |
CN112000894A (zh) * | 2020-10-28 | 2020-11-27 | 北京妙医佳健康科技集团有限公司 | 一种健康管理信息推送方法、装置、设备及存储介质 |
CN112084412A (zh) * | 2020-09-15 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置、设备及存储介质 |
CN112148973A (zh) * | 2020-09-04 | 2020-12-29 | 京东数字科技控股股份有限公司 | 一种信息推送的数据处理方法及装置 |
CN112288554A (zh) * | 2020-11-27 | 2021-01-29 | 腾讯科技(深圳)有限公司 | 商品推荐方法和装置、存储介质及电子装置 |
CN112449217A (zh) * | 2019-09-02 | 2021-03-05 | 北京京东尚科信息技术有限公司 | 一种推送视频的方法和装置 |
-
2021
- 2021-04-19 CN CN202110421167.5A patent/CN115225702B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107800746A (zh) * | 2016-09-07 | 2018-03-13 | 百度在线网络技术(北京)有限公司 | 消息推送方法及装置 |
CN109389138A (zh) * | 2017-08-09 | 2019-02-26 | 武汉安天信息技术有限责任公司 | 一种用户画像方法及装置 |
CN109522426A (zh) * | 2018-12-05 | 2019-03-26 | 北京达佳互联信息技术有限公司 | 多媒体数据推荐方法、装置、设备及计算机可读存储介质 |
CN109948060A (zh) * | 2019-03-28 | 2019-06-28 | 北京达佳互联信息技术有限公司 | 一种信息推送方法、装置、终端设备及存储介质 |
CN110442788A (zh) * | 2019-07-23 | 2019-11-12 | 北京奇艺世纪科技有限公司 | 一种信息推荐方法及装置 |
CN112449217A (zh) * | 2019-09-02 | 2021-03-05 | 北京京东尚科信息技术有限公司 | 一种推送视频的方法和装置 |
CN110717099A (zh) * | 2019-09-25 | 2020-01-21 | 优地网络有限公司 | 一种推荐影片的方法及终端 |
CN110971659A (zh) * | 2019-10-11 | 2020-04-07 | 贝壳技术有限公司 | 推荐消息的推送方法、装置及存储介质 |
CN111026959A (zh) * | 2019-11-29 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 一种提示信息推送方法、设备及存储介质 |
CN111259256A (zh) * | 2020-02-13 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 内容处理方法、装置、计算机可读存储介质和计算机设备 |
CN111460294A (zh) * | 2020-03-31 | 2020-07-28 | 汉海信息技术(上海)有限公司 | 消息推送方法、装置、计算机设备及存储介质 |
CN111478963A (zh) * | 2020-04-07 | 2020-07-31 | 北京奇艺世纪科技有限公司 | 消息推送方法、装置、电子设备及计算机可读存储介质 |
CN111597447A (zh) * | 2020-05-14 | 2020-08-28 | 拉扎斯网络科技(上海)有限公司 | 对象推送方法、装置、电子设备及存储介质 |
CN111881343A (zh) * | 2020-07-07 | 2020-11-03 | Oppo广东移动通信有限公司 | 信息推送方法、装置、电子设备及计算机可读存储介质 |
CN112148973A (zh) * | 2020-09-04 | 2020-12-29 | 京东数字科技控股股份有限公司 | 一种信息推送的数据处理方法及装置 |
CN112084412A (zh) * | 2020-09-15 | 2020-12-15 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置、设备及存储介质 |
CN112000894A (zh) * | 2020-10-28 | 2020-11-27 | 北京妙医佳健康科技集团有限公司 | 一种健康管理信息推送方法、装置、设备及存储介质 |
CN112288554A (zh) * | 2020-11-27 | 2021-01-29 | 腾讯科技(深圳)有限公司 | 商品推荐方法和装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115225702A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2649294C2 (ru) | Способ и устройство для построения шаблона и способ и устройство для идентификации информации | |
CN111539443B (zh) | 一种图像识别模型训练方法及装置、存储介质 | |
CN109447125B (zh) | 分类模型的处理方法、装置、电子设备及存储介质 | |
CN109961094B (zh) | 样本获取方法、装置、电子设备及可读存储介质 | |
CN105528403B (zh) | 目标数据识别方法及装置 | |
CN109255128B (zh) | 多层级标签的生成方法、装置和存储介质 | |
CN111428032B (zh) | 内容质量评价方法及装置、电子设备、存储介质 | |
CN109543069B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN111046927B (zh) | 标注数据的处理方法、装置、电子设备及存储介质 | |
CN112183953A (zh) | 客服资源的分配方法、装置、电子设备和存储介质 | |
CN111814538A (zh) | 目标对象的类别识别方法、装置、电子设备及存储介质 | |
CN110941727A (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
CN112884040B (zh) | 训练样本数据的优化方法、系统、存储介质及电子设备 | |
CN111813932B (zh) | 文本数据的处理方法、分类方法、装置及可读存储介质 | |
CN111177521A (zh) | 一种查询词分类模型的确定方法和装置 | |
CN109842688B (zh) | 一种内容推荐方法、装置、电子设备及存储介质 | |
CN112784151B (zh) | 一种确定推荐信息的方法及相关装置 | |
CN109145151B (zh) | 一种视频的情感分类获取方法及装置 | |
CN109246317B (zh) | 一种用户信息的更新方法、系统和服务器 | |
CN115225702B (zh) | 信息推送方法、装置、电子设备及存储介质 | |
CN111428806B (zh) | 图像标签确定方法、装置、电子设备及存储介质 | |
CN109711386B (zh) | 获取识别模型的方法、装置、电子设备及存储介质 | |
CN111898019B (zh) | 信息推送方法及装置 | |
CN111401048B (zh) | 一种意图识别方法及装置 | |
CN111831132A (zh) | 一种信息推荐方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |