CN115292606A - 一种信息推送方法、装置、设备和介质 - Google Patents

Abstract

本发明公开了一种信息推送方法、装置、设备和介质。该方法包括：获取待处理用户输入的行为数据；响应于所述待处理用户执行的第一操作行为，并根据所述行为数据，计算所述第一操作行为和所述第二操作行为的关联概率；根据所述关联概率和所述第二操作行为的描述信息，确定推荐信息并发送给所述待处理用户，以使所述待处理用户触发执行所述第二操作行为。本发明实施例能够提高信息推送的准确性和效率，减少信息推送过程中的工作量。

Description

一种信息推送方法、装置、设备和介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种信息推送方法、装置、设备和介质。

背景技术

随着信息技术的发展，信息推送已经成为网络信息技术中的一项重要内容。

在信息推送过程中，通常采用人工的方式确定信息推送的对象和信息推送的内容。由于人工的方式需要工作人员的经验基础，因此，人工的方式得到的推送信息并不准确且推送过程中的工作量较大。

发明内容

本发明提供了一种信息推送方法、装置、设备和介质，以提高信息推送的准确性和效率，减少信息推送过程中的工作量。

根据本发明的一方面，提供了一种信息推送方法，该方法包括：

获取待处理用户输入的行为数据；

响应于所述待处理用户执行的第一操作行为，并根据所述行为数据，计算所述第一操作行为和所述第二操作行为的关联概率；

根据所述关联概率和所述第二操作行为的描述信息，确定推荐信息并发送给所述待处理用户，以使所述待处理用户触发执行所述第二操作行为。

根据本发明的另一方面，提供了一种信息推送装置，该装置包括：

行为数据获取模块，用于获取待处理用户输入的行为数据；

关联概率计算模块，用于响应于所述待处理用户执行的第一操作行为，并根据所述行为数据，计算所述第一操作行为和所述第二操作行为的关联概率；

信息发送模块，用于根据所述关联概率和所述第二操作行为的描述信息，确定推荐信息并发送给所述待处理用户，以使所述待处理用户触发执行所述第二操作行为。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的信息推送方法。

根据本发明的另一方面，提供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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的信息推送方法。

根据本发明的另一方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现本发明任一实施例所述的信息推送方法。

本发明实施例的技术方案，通过获取待处理用户输入的行为数据，在待处理用户执行第一操作行为时，根据行为数据计算第一操作行为和第二操作行为的关联概率，根据关联概率和第二操作行为的描述信息，确定推荐信息并发送给待处理用户，使待处理用户触发执行第二操作，实现了自动计算第一操作行为和第二操作行为的关联概率，能够减少人工计算关联概率的工作量，提高关联概率的计算效率，从而提高推荐信息发送的效率，根据关联概率和第二操作行为的描述信息，确定推荐信息并发送给待处理用户，能够针对第二操作行为的描述信息发送相应的推荐信息，提高推荐信息发送的准确性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例，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是根据本发明实施例一提供的一种信息推送方法的流程图；

图2是根据本发明实施例二提供的一种信息推送方法的流程图；

图3是根据本发明实施例三提供的一种信息推送装置的结构示意图；

图4是实现本发明实施例的信息推送方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明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，以便这里描述的本发明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。此外，术语“包括”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供了一种信息推送方法的流程图，本实施例可适用于对用户进行推送信息的情况，该方法可以由信息推送装置来执行，该信息推送装置可以采用硬件和/或软件的形式实现，该信息推送装置可配置于电子设备中。如图1所示，该方法包括：

S110、获取待处理用户输入的行为数据。

待处理用户是指需要进行信息推送的用户。具体的，待处理用户可以是第一次使用产品的用户，也可以是已经使用过产品的用户，产品可以是应用程序和网站等中的至少一项。行为数据是指用户在使用产品的过程中与用户关联的信息。待处理用户输入的行为数据是指待处理用户输入行为数据，也即行为数据是经过用户授权或经过用户同意，提供给电子设备的数据，行为数据的获取、存储、使用和处理等均符合国家法律法规的相关规定。示例性的，待处理用户输入的行为数据可以包括以下数据中的至少一项：用户的性别、年龄、使用产品的名称、使用产品的次数和描述操作行为的数据等。其中，操作行为是指用户在使用产品的过程中执行的操作。示例性的，操作行为可以是启动产品、登录产品、在产品的页面中下单、在产品的页面中搜索和在产品的页面中浏览等中的至少一项。描述操作行为的数据可以是执行操作行为的时间、执行操作行为的次数和执行操作行为的结果等数据。

具体的，待处理用户在使用产品的过程中，向产品输入的行为数据，产品接收待处理用户输入的行为数据。

S120、响应于所述待处理用户执行的第一操作行为，并根据所述行为数据，计算所述第一操作行为和所述第二操作行为的关联概率。

第一操作行为是指在向待处理用户发送推荐信息之前，待处理用户的操作行为。通过待处理用户输入的行为数据，可以确定待处理用户执行的第一操作行为。第二操作行为是指在向待处理用户发送推荐信息之后，待处理用户的操作行为。第一操作行为和第二操作行为可以相同，也可以不同。推荐信息是指向待处理用户展示的信息，推荐信息可以是文字信息、语音信息、图像信息和视频信息等中的至少一项。推荐信息的内容可以是推荐用户使用感兴趣的产品的描述内容或产品的使用方法等。第一操作行为和第二操作行为的关联概率是指待处理用户在执行第一操作行为之后，执行第二操作行为的概率。

具体的，根据待处理用户输入的行为数据，确定待处理用户执行的第一操作行为，响应于待处理用户执行的第一操作行为，根据获取到的行为数据，计算第一操作行为和第二操作行为的关联概率。

S130、根据所述关联概率和所述第二操作行为的描述信息，确定推荐信息并发送给所述待处理用户，以使所述待处理用户触发执行所述第二操作行为。

描述信息是用于指示用户执行操作行为的信息，描述信息可以是操作行为名称、操作行为对应的产品和操作行为执行步骤等信息中的至少一项。第二操作行为的描述信息是用于指示用户执行第二操作行为的信息。

具体的，根据关联概率的数值大小，确定用户具有一定的概率触发执行第二操作行为。对第二操作行为的描述信息进行组合，确定推荐信息，将推荐信息发送给待处理用户，待处理用户接收到推荐信息后，可以触发执行第二操作行为。其中，推荐信息可以通过短信、语音或应用程序推送等方式中的至少一种发送给待处理用户。示例性的，关联概率为5％，表明用户在执行第一操作行为后有5％的可能性执行第二操作行为，第二操作行为的描述信息包括：操作行为名称即在产品的页面中浏览、操作行为对应的产品即应用程序A和操作行为执行步骤即点击链接XXX，根据第二操作行为的描述信息确定的推荐信息为“请点击链接XXX，在应用程序A的页面中浏览优惠信息”。将推荐信息通过短信的方式发送给待处理用户，待处理用户在接收到推荐信息后点击推荐信息中的连接“XXX”，进入用于程序A的页面，以触发执行第二操作行为。

本发明实施例的技术方案，通过获取待处理用户输入的行为数据，在待处理用户执行第一操作行为时，根据行为数据计算第一操作行为和第二操作行为的关联概率，根据关联概率和第二操作行为的描述信息，确定推荐信息并发送给待处理用户，使待处理用户触发执行第二操作，实现了自动计算第一操作行为和第二操作行为的关联概率，能够减少人工计算关联概率的工作量，提高关联概率的计算效率，从而提高推荐信息发送的效率，根据关联概率和第二操作行为的描述信息，确定推荐信息并发送给待处理用户，能够针对第二操作行为的描述信息发送相应的推荐信息，提高推荐信息发送的准确性。

在上述实施例的基础上，所述根据所述关联概率和所述第二操作行为的描述信息，确定推荐信息并发送给所述待处理用户，以使所述待处理用户触发执行所述第二操作行为，包括：在所述关联概率满足推荐信息发送条件时，根据所述第二操作行为的描述信息，确定推荐信息发送给所述待处理用户，以使所述待处理用户触发执行所述第二操作行为。

推荐信息发送条件是指允许发送推荐信息的条件。示例性的，推荐信息发送条件为关联概率大于5％，也就是，允许向关联概率大于5％的待处理用户发送推荐信息；禁止向关联概率小于或等于5％的待处理用户发送推荐信息。

具体的，根据推荐信发送条件，判断关联概率是否满足推荐信息发送条件，当关联概率满足推荐信息发送条件时，根据第二操作行为的描述信息，确定推荐信息，并将推荐信息发送至待处理用户，使待处理用户触发执行第二操作行为，当关联概率不满足推荐信息发送条件时，禁止发送推荐信息。

通过判断关联概率是否满足推荐信息发送条件，在关联概率满足推荐信息发送条件时，确定推荐信息并发送给待处理用户，在关联概率不满足推荐信息发送条件时，禁止发送推荐信息，无需对每个待处理用户发送推荐信息，能够节省推荐信息发送的成本，减少推荐信息发送过程中使用的资源的浪费。

在上述实施例的基础上，所述待处理用户输入的行为数据包括用户属性信息和用户操作数据。

用户属性信息是指用于区分不同用户的信息。示例性的，用户属性信息可以包括用户的性别和年龄等经过用户授权或经过用户同意后提供的属性信息。用户操作数据是指用户执行操作行为生成的数据，也就是描述操作行为的数据。用户操作数据可以是使用产品的名称、使用产品的次数和描述操作行为的数据等中的至少一项。示例性的，用户操作数据可以是用户使用产品的次数为3次，也可以是用户在产品的页面中完成下单操作。用户属性信息和用户操作数据为待处理用户同意的情况下，主动输入的数据。

通过待处理用户输入的行为数据，可以对不同的待处理用户进行区分，并获取各待处理用户的用户操作数据，为确定推荐信息提供数据分析基础。

实施例二

图2为本发明实施例二提供的一种信息推送方法的流程图，本实施例在上述实施例的基础上，将所述响应于所述待处理用户执行的第一操作行为，并根据所述行为数据，计算所述第一操作行为和所述第二操作行为的关联概率，具体化为：响应于所述待处理用户执行的第一操作行为，根据所述行为数据，通过机器学习模型计算所述第一操作行为和所述第二操作行为的关联概率。如图2所示，该方法包括：

S210、获取待处理用户输入的行为数据。

S220、响应于所述待处理用户执行的第一操作行为，根据所述行为数据，通过机器学习模型计算所述第一操作行为和所述第二操作行为的关联概率。

机器学习模型是一种算法的表达，它通过梳理海量数据来查找模式或进行预测，也可以理解的是，通过大量的数据对机器学习模型进行训练，在训练结束后，可以使机器学习模型获得需要的计算功能。具体的，机器学习模型可以使用XGBoost或LightGBM等梯度提升类算法，也可以使用人工神经网络算法等，在本申请中不进行限定。在本申请中，机器学习模型主要指已经训练完成的机器学习模型，用于计算第一操作行为和第二操作行为的关联概率。具体的，可以将行为数据输入至机器学习模型中，机器学习模型将对行为数据自动计算，输出第一操作行为和第二操作行为的关联概率。

具体的，响应于待处理用户执行的第一操作行为，将待处理用户输入的行为数据输入至机器学习模型中，得到机器学习模型输出的第一操作行为和第二操作行为的关联概率。

S230、根据所述关联概率和所述第二操作行为的描述信息，确定推荐信息并发送给所述待处理用户，以使所述待处理用户触发执行所述第二操作行为。

本发明实施例的技术方案，通过机器学习模型计算第一操作行为和第二操作行为的关联概率，能够减少人工工作量，提高关联概率的计算效率。

在上述实施例的基础上，还包括：获取多个目标用户输入的行为数据，作为所述机器学习模型的训练数据；一个目标用户输入的行为数据，为训练数据中的一个样本数据；响应于所述目标用户执行的第一操作行为，并根据所述样本数据，针对所述目标用户，计算第一操作行为和第二操作行为的样本关联概率；对各所述样本关联概率进行统计，确定推荐信息发送条件；根据所述推荐信息发送条件和所述第二操作行为的描述数据，确定推荐信息，并发送给满足推荐信息发送条件的用户，以使所述满足推荐信息发送条件的用户触发执行所述第二操作行为；统计触发执行所述第二操作行为的所述满足推荐信息发送条件的用户的数量，得到样本统计结果；在所述样本统计结果满足所述预设的数量判断条件时，确定所述机器学习模型训练完成。

具体的，目标用户是指可以进行推荐信息发送的用户，也可以理解为，目标用户为待处理用户中的部分用户。目标用户的数量为至少两个。样本数据是指机器学习模型进行一次计算所需要的数据。在本申请中，一个目标用户对应一个行为数据，一个行为数据对应一个样本数据。样本关联概率是指将目标用户对应的样本数据输入至机器学习模型中后计算得到的第一操作行为和第二操作行为的关联概率，也可以理解为，目标用户在执行第一操作行为之后，执行第二操作行为的概率。推荐信息发送条件是指对各样本关联概率进行统计后确定下来的条件，用于表示目标用户在接收到推荐信息后触发执行第二操作行为的概率下限，从而提高发送推荐信息所使用的资源的分配的合理性。推荐信息发送条件的数量为至少一个。示例性的，可以将所有样本关联概率进行降序排序，取排序第若干位目标用户对应的样本关联概率为下限，并取推荐信息发送条件为样本关联概率大于所述下限。样本统计结果是指触发执行第二操作行为的样本关联概率对应的用户的数量。预设的数量判断条件是指针对样本统计结果，确定机器学习模型训练完成的判断条件。示例性的，预设的数量判断条件可以是，样本统计结果大于8000。预设的数量判断条件可以根据实际情况进行设置。

具体的，满足推荐信息发送条件的用户接收到推荐信息后，可以触发执行第二操作行为，也可以不触发执行第二操作行为。满足推荐信息发送条件的用户触发执行第二操作行为时，再次输入行为数据形成新的行为数据，统计满足推荐信息发送条件的用户在接收到推荐信息后的行为数据中包含第二操作行为的用户数量，得到样本统计结果。

在上述实施例的基础上，根据各目标用户输入的行为数据，对所述目标用户进行筛选，得到对照用户；所述对照用户的数量与所述目标样本关联概率对应的用户的数量相同；将所述推荐信息发送给各所述对照用户，以使所述对照用户触发执行所述第二操作行为；统计触发执行所述第二操作行为的对照用户的数量，得到对照统计结果；在所述样本统计结果大于所述对照统计结果的情况下，确定所述机器学习模型训练完成。

具体的，对照用户是指利用对照方法对目标用户筛选后保留的用户，其中，对照方法与获取满足推荐信息发送条件的用户的方法不同。对照用户用于与满足推荐信息发送条件的用户形成对照组，也可以理解为，针对目标用户，采用两种不同的方法进行筛选得到两组数量相同的用户组，也就是满足推荐信息发送条件的用户形成第一用户组，对照用户形成第二用户组，对于第一用户组和第二用户组，通过相同的方式发送相同的推荐信息，将第一用户组中接收到推荐信息后触发执行第二操作行为的用户的数量，与第二用户组中接收到相同推荐信息后触发执行第二操作行为的用户的数量形成对比，得到对比结果，并将对比结果作为确定机器学习模型是否优于对照方法的判断依据，机器学习模型优于对照方法时，确定机器学习模型训练完成，机器学习模型不优于对照方法时，确定机器学习模型未完成。示例性的，对比结果为第二用户组中接收到相同推荐信息后触发执行第二操作行为的用户的数量，大于或等于第一用户组中接收到推荐信息后触发执行第二操作行为的用户的数量，确定机器学习模型不优于对照方法；对比结果为第二用户组中接收到相同推荐信息后触发执行第二操作行为的用户的数量，小于第一用户组中接收到推荐信息后触发执行第二操作行为的用户的数量，确定机器学习模型优于对照方法。对照用户与满足推荐信息发送条件的用户可以有交集，也可以没有交集。根据各目标用户输入的行为数据，按照对照方法对目标用户进行筛选，可以是根据目标用户输入的行为数据中的用户操作数据，对目标用户进行筛选。示例性的，根据用户操作数据中执行登录产品的时间，对目标用户进行筛选，将目标用户对应的用户操作数据中，执行登录产品的时间在5月份的目标用户保留。对照统计结果是指接收到推荐信息后，触发执行第二操作行为的对照用户的数量。

具体的，根据各目标用户输入的行为数据，通过对照方法预设的筛选条件，对目标用户进行筛选，将满足预设的筛选条件的目标用户保留，并确定为对照用户。对照用户的数量与满足推荐信息发送条件的用户的数量相同。将发送给满足推荐信息发送条件的用户的推荐信息，发送给各对照用户。各对照用户在接收到推荐信息后，可以选择触发执行第二操作行为，也可以选择不触发执行第二操作行为。对照用户触发执行第二操作行为时，会形成新的行为数据，输入的新的行为数据的数量，统计对照用户在接收到推荐信息后的行为数据中包含第二操作行为的用户数量，得到对照统计结果。如果样本统计结果大于对照统计结果，确定机器学习模型优于对照方法，机器学习模型训练完成，表明通过机器学习模型可以提高推荐信息发送用户触发执行第二操作行为的用户比例，从而提高推荐信息发送的效率和合理性。如果样本统计结果大于小于或等于对照统计结果，确定机器学习模型不优于所述对照方法，表明通过机器学习模型未能提高推荐信息发送用户触发执行第二操作行为的用户比例，需要继续训练机器学习模型。

通过在目标用户中筛选对照用户，将相同的推荐信息发送给对照用户，以使对照用户触发执行第二操作行为，统计触发执行第二操作行为的对照用户的数量，得到对照统计结果，在样本统计结果大于统计结果的情况下，确定所述机器学习模型训练完成，通过将对照用户与目标样本关联概率对应的用户形成对照组，利用样本统计结果与对照统计结果的对比结果判断机器学习模型是否训练完成，能够提高机器学习模型计算得到的关联概率的准确性，从而提高推荐信息发送的准确性以及推荐信息的合理性。

在上述实施例的基础上，所述在所述样本统计结果满足所述预设的数量判断条件时，确定所述机器学习模型有效，还包括：计算样本统计结果在满足推荐信息发送条件的用户的数量中的比重；在所述比重满足所述预设的比重判断条件时，确定所述机器学习模型训练完成。

样本统计结果在满足推荐信息发送条件的用户的数量中的比重是指用样本统计结果除以满足推荐信息发送条件的用户的数量得到的结果。比重越大，表明满足推荐信息发送条件的用户中，触发执行第二操作行为的用户的数量越多，表明推荐信息发送的准确性越高。预设的比重判断条件是指确定机器学习模型训练完成的判断条件。预设的比重判断条件可以根据实际情况进行确定。示例性的，预设的比重判断条件可以是比重与满足推荐信息发送条件用户的关联概率的平均值之间的百分比偏差小于5％，也就是比重需要满足：比重*(1-5％)<比重<比重*(1+5％)。

具体的，将样本统计结果除以满足推荐信息发送条件的用户的数量，得到样本统计结果在满足推荐信息发送条件的用户的数量中的比重。基于比重与预设的比重判断条件，比重满足预设的比重判断条件时，确定机器学习模型关联概率计算精确，机器学习模型训练完成，比重不满足预设的比重判断条件时，确定机器学习模型关联概率计算不够精确，需要继续训练机器学习模型。示例性的，满足推荐信息发送条件用户的关联概率的平均值为4％，预设的比重判断条件为比重与满足推荐信息发送条件用户的关联概率的平均值之间的百分比偏差小于5％，如果比重与满足推荐信息发送条件用户的关联概率的平均值之间的百分比偏差小于5％，即比重为大于4％*(1-5％)＝3.8％且小于4％*(1+5％)＝4.2％，表明通过发送推荐信息后，用户触发第二操作行为的概率与机器学习模型计算得到的关联概率基本一致，能够保证关联概率计算的准确性，确定机器学习模型关联概率计算精确，如果比重与满足推荐信息发送条件用户的关联概率的平均值之间的百分比偏差大于或等于5％，即比重为小于等于3.8％或大于等于4.2％，表明通过发送推荐信息后，用户触发第二操作行为的概率与机器学习模型计算得到的关联概率之间偏差较大，确定机器学习模型关联概率计算不够精确，需要继续训练机器学习模型。

通过计算样本统计结果在满足推荐信息发送条件的用户的数量中的比重，在比重满足预设的比重判断条件时，确定机器学习模型训练完成，与样本统计结果满足所述预设的数量判断条件时，学到机器学习模型训练完成的方法相比，能够减少计算量，提高判断机器学习模型训练完成的效率。

可选的，通过对比样本统计结果和对照统计结果，在样本统计结果大于所述对照统计结果的情况下，确定所述机器学习模型优于对照方法；通过计算样本统计结果在满足推荐信息发送条件的用户的数量中的比重，在比重满足预设的比重判断条件时，确定机器学习模型关联概率计算精确；当所述机器学习模型优于对照方法且关联概率计算精确时，确定机器学习模型训练完成。

通过结合机器学习模型是否优于对照方法、关联概率计算是否精确两个判断条件，完成对机器学习模型是否有效的判定，能够提高判定结果的准确性。

实施例三

图3为本发明实施例三提供的一种信息推送装置的结构示意图。如图3所示，该装置包括：行为数据获取模块301、关联概率计算模块302和信息发送模块303。

其中，行为数据获取模块301，用于获取待处理用户输入的行为数据；

关联概率计算模块302，用于响应于所述待处理用户执行的第一操作行为，并根据所述行为数据，计算所述第一操作行为和所述第二操作行为的关联概率；

信息发送模块303，用于根据所述关联概率和所述第二操作行为的描述信息，确定推荐信息并发送给所述待处理用户，以使所述待处理用户触发执行所述第二操作行为。

本发明实施例的技术方案，通过获取待处理用户输入的行为数据，在待处理用户执行第一操作行为时，根据行为数据计算第一操作行为和第二操作行为的关联概率，根据关联概率和第二操作行为的描述信息，确定推荐信息并发送给待处理用户，使待处理用户触发执行第二操作，实现了自动计算第一操作行为和第二操作行为的关联概率，能够减少人工计算关联概率的工作量，提高关联概率的计算效率，从而提高推荐信息发送的效率，根据关联概率和第二操作行为的描述信息，确定推荐信息并发送给待处理用户，能够针对第二操作行为的描述信息发送相应的推荐信息，提高推荐信息发送的准确性。

可选的，关联概率计算模块302具体用于：

响应于所述待处理用户执行的第一操作行为，根据所述行为数据，通过机器学习模型计算所述第一操作行为和所述第二操作行为的关联概率。

可选的，该装置还包括：

训练数据获取模块，用于获取多个目标用户输入的行为数据，作为所述机器学习模型的训练数据；一个目标用户输入的行为数据，为训练数据中的一个样本数据；

样本关联概率计算模块，用于响应于所述目标用户执行的第一操作行为，并根据所述样本数据，针对所述目标用户，计算第一操作行为和第二操作行为的样本关联概率；

发送条件确定模块，用于对各所述样本关联概率进行统计，确定推荐信息发送条件；

样本统计模块，用于统计触发执行所述第二操作行为的所述满足推荐信息发送条件的用户的数量，得到样本统计结果；

数量判断模块，用于在所述样本统计结果满足所述预设的数量判断条件时，确定所述机器学习模型训练完成。

可选的，数量判断模块，包括：

对照用户确定单元，用于根据各目标用户输入的行为数据，对所述目标用户进行筛选，得到对照用户；所述对照用户的数量与所述目标样本关联概率对应的用户的数量相同；

对照推荐信息发送单元，用于将所述推荐信息发送给各所述对照用户，以使所述对照用户触发执行所述第二操作行为；

对照统计单元，用于统计触发执行所述第二操作行为的对照用户的数量，得到对照统计结果；

对照判断单元，用于在所述样本统计结果大于所述对照统计结果的情况下，确定所述机器学习模型训练完成。

可选的，数量判断模块，包括：

比重计算模块，用于计算样本统计结果在满足推荐信息发送条件的用户的数量中的比重；

比重判断模块，用于在所述比重满足所述预设的比重判断条件时，确定所述机器学习模型训练完成。

可选的，信息发送模块303具体用于：

在所述关联概率满足推荐信息发送条件时，根据所述第二操作行为的描述信息，确定推荐信息发送给所述待处理用户，以使所述待处理用户触发执行所述第二操作行为。

可选的，所述待处理用户输入的行为数据包括用户属性信息和用户操作数据。

本发明实施例所提供的信息推送装置可执行本发明任意实施例所提供的信息推送方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如信息推送方法。

在一些实施例中，信息推送方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的信息推送方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信息推送方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS(VirtualPrivate Server，虚拟专用服务器)服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种信息推送方法，其特征在于，包括：

获取待处理用户输入的行为数据；

响应于所述待处理用户执行的第一操作行为，并根据所述行为数据，计算所述第一操作行为和所述第二操作行为的关联概率；

根据所述关联概率和所述第二操作行为的描述信息，确定推荐信息并发送给所述待处理用户，以使所述待处理用户触发执行所述第二操作行为。

2.根据权利要求1所述的方法，其特征在于，所述响应于所述待处理用户执行的第一操作行为，并根据所述行为数据，计算所述第一操作行为和所述第二操作行为的关联概率，包括：

响应于所述待处理用户执行的第一操作行为，根据所述行为数据，通过机器学习模型计算所述第一操作行为和所述第二操作行为的关联概率。

3.根据权利要求2中所述的方法，其特征在于，还包括：

获取多个目标用户输入的行为数据，作为所述机器学习模型的训练数据；一个目标用户输入的行为数据，为训练数据中的一个样本数据；

响应于所述目标用户执行的第一操作行为，并根据所述样本数据，针对所述目标用户，计算第一操作行为和第二操作行为的样本关联概率；

对各所述样本关联概率进行统计，确定推荐信息发送条件；

根据所述推荐信息发送条件和所述第二操作行为的描述数据，确定推荐信息，并发送给满足推荐信息发送条件的用户，以使所述满足推荐信息发送条件的用户触发执行所述第二操作行为；

统计触发执行所述第二操作行为的所述满足推荐信息发送条件的用户的数量，得到样本统计结果；

在所述样本统计结果满足所述预设的数量判断条件时，确定所述机器学习模型训练完成。

4.根据权利要求3所述的方法，其特征在于，所述在所述样本统计结果满足所述预设的数量判断条件时，确定所述机器学习模型训练完成，包括：

根据各目标用户输入的行为数据，对所述目标用户进行筛选，得到对照用户；所述对照用户的数量与所述目标样本关联概率对应的用户的数量相同；

将所述推荐信息发送给各所述对照用户，以使所述对照用户触发执行所述第二操作行为；

统计触发执行所述第二操作行为的对照用户的数量，得到对照统计结果；

在所述样本统计结果大于所述对照统计结果的情况下，确定所述机器学习模型训练完成。

5.根据权利要求3所述的方法，其特征在于，所述在所述样本统计结果满足所述预设的数量判断条件时，确定所述机器学习模型训练完成，包括：

计算样本统计结果在满足推荐信息发送条件的用户的数量中的比重；

在所述比重满足所述预设的比重判断条件时，确定所述机器学习模型训练完成。

6.根据权利要求1所述的方法，其特征在于，所述根据所述关联概率和所述第二操作行为的描述信息，确定推荐信息并发送给所述待处理用户，以使所述待处理用户触发执行所述第二操作行为，包括：

在所述关联概率满足推荐信息发送条件时，根据所述第二操作行为的描述信息，确定推荐信息发送给所述待处理用户，以使所述待处理用户触发执行所述第二操作行为。

7.根据权利要求1所述的方法，其特征在于，所述待处理用户输入的行为数据包括用户属性信息和用户操作数据。

8.一种信息推送装置，其特征在于，包括：

行为数据获取模块，用于获取待处理用户输入的行为数据；

关联概率计算模块，用于响应于所述待处理用户执行的第一操作行为，并根据所述行为数据，计算所述第一操作行为和所述第二操作行为的关联概率；

信息发送模块，用于根据所述关联概率和所述第二操作行为的描述信息，确定推荐信息并发送给所述待处理用户，以使所述待处理用户触发执行所述第二操作行为。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的信息推送方法。

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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-9中任一项所述的信息推送方法。

Images