CN115952356A - 信息推送方法、装置和电子设备 - Google Patents

Abstract

本申请公开了一种信息推送方法、信息推送装置及电子设备，其中所述方法包括：基于与交互对象的交互数据，确定所述交互对象的至少一个意图；分析所述交互数据确定所述至少一个意图的匹配度参数；确定所述交互对象的角色信息；基于所述匹配度参数和所述交互对象的角色信息，确定对待推送数据的推送策略；采用所述推送策略对所述待推送数据进行推送。

Description

信息推送方法、装置和电子设备

技术领域

本申请涉及推送技术领域，尤其涉及一种信息推送方法、信息推送装置及电子设备。

背景技术

相关技术中，推送系统通常基于一定的触发信号，对调查问卷进行推送。例如，在订单完成配送时，基于配送员对订单页面中的完成配送按键的点击操作，推送系统生成用于推送调查问卷的触发信号，响应触发信号，进行调查问卷的推送。可以理解，触发信号是在固定的配送节点(对配送按键完成点击操作)下产生的，这种调查问卷的推送方案，可视为一种基于固定的触发节点实现对调查问卷的推送方案。该方案较为固定，灵活性不足。

发明内容

本申请提供了一种信息推送方法、信息推送装置及电子设备，以至少解决现有技术中存在的以上技术问题。

根据本申请的第一方面，提供了一种信息推送方法，包括：

基于与交互对象的交互数据，确定所述交互对象的至少一个意图；

分析所述交互数据确定所述至少一个意图的匹配度参数；

确定所述交互对象的角色信息；

基于所述匹配度参数和所述交互对象的角色信息，确定对待推送数据的推送策略；

采用所述推送策略对所述待推送数据进行推送。

在一可实施方式中，所述分析所述交互数据确定所述至少一个意图的匹配度参数，包括：

获得所述至少一个意图的目标参数，所述至少一个意图的目标参数表征所述至少一个意图发生变化的参考概率；

将所述至少一个意图、所述至少一个意图的目标参数以及所述交互对象的第一画像数据输入至第一预测模型，得到目标预测结果，所述目标预测结果表5征是否为所述交互对象在所述交互数据中产生的所述至少一个意图输出与所述

至少一个意图对应的匹配数据的预测结果；

基于所述目标预测结果，确定所述至少一个意图的匹配度参数。

在一可实施方式中，所述确定所述交互对象的角色信息，包括：

基于所述交互数据，确定所述交互对象的角色信息。

0在一可实施方式中，所述基于所述交互数据，确定所述交互对象的角色信

息，包括：

将所述交互数据、所述至少一个意图以及所述交互对象的第二画像数据输入至第二预测模型，得到所述交互对象的角色信息。

在一可实施方式中，所述获得所述至少一个意图的目标参数，包括：5获得基于历史交互数据而得到的所述至少一个意图的历史参考量，所述历

史参考量表征在历史上所述至少一个意图发生变化的概率；

将所述至少一个意图的历史参考量作为所述至少一个意图的目标参数。

在一可实施方式中，所述获得基于历史交互数据而得到的所述至少一个意

图的历史参考量，包括：0针对所述至少一个意图中的任意意图；

从历史交互数据中，确定出第一类目标事件和第二类目标事件，所述第一类目标事件表征在历史交互数据中出现由所述任意意图转变到第一类可选意图的事件；所述第二类目标事件表征在历史交互数据中出现由所述任意意图转变

到第二类可选意图的事件；

5基于所述第一类目标事件、第二类目标事件在所述历史交互数据中的参考属性，得到所述任意意图的历史参考量；

所述参考属性表征在所述历史交互数据中的出现次数或频率。

在一可实施方式中，基于所述交互对象的角色信息，确定所述待推送数据。

在一可实施方式中，所述基于所述交互对象的角色信息，确定所述待推送数据，包括：

在所述交互对象为正向角色时，确定第一数据为待推送数据；

在所述交互对象为非正向角色时，确定第二数据为待推送数据，其中所述第二数据为基于所述交互数据而生成的数据。根据本申请的第二方面，提供了一种信息推送装置，包括：

第一确定单元，用于基于与交互对象的交互数据，确定所述交互对象的至少一个意图；

第二确定单元，用于分析所述交互数据确定所述至少一个意图的匹配度参数；

第三确定单元，用于确定所述交互对象的角色信息；

第四确定单元，用于基于所述匹配度参数和所述交互对象的角色信息，确定对待推送数据的推送策略；

推送单元，用于采用所述推送策略对所述待推送数据进行推送。

根据本申请的第三方面，提供了一种电子设备，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指令，所述指令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申请所述的方法。

根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请所述的方法。

本申请的信息推送方法、装置及电子设备存储介质，其中所述方法包括：基于与交互对象的交互数据，确定所述交互对象的至少一个意图；分析所述交互数据确定所述至少一个意图的匹配度参数；确定所述交互对象的角色信息；基于所述匹配度参数和所述交互对象的角色信息，确定对待推送数据的推送策略；采用所述推送策略对所述待推送数据进行推送。

本申请技术方案，基于匹配度参数和角色这两个信息确定出推送策略，能够在合适的推送时机进行待推送信息的推送，具有推送灵活性。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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

通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，其中：

在附图中，相同或对应的标号表示相同或对应的部分。

图1示出了本申请实施例中信息推送方法的实现流程示意图一；

图2示出了本申请实施例中信息推送方法的实现流程示意图二；

图3示出了本申请实施例中第一预测模型的输入示意图；

图4示出了本申请实施例中第二预测模型的输入示意图；

图5示出了本申请实施例中信息推送方法的实现流程示意图三；

图6示出了本申请实施例中信息推送方法的实现流程示意图；

图7示出了本申请实施例中信息推送装置的组成结构示意图；

图8示出了本申请实施例中电子设备的组成结构示意图。

具体实施方式

为使本申请的目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

在以下的描述中，所涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

应理解，在本申请的各种实施例中，各实施过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本申请实施例的信息推送方法的处理逻辑可部署于任何合理的设备中。该设备可以是服务器或终端。其中，服务器包括普通服务器、云服务器、服务器集群、用于专门领域的服务器如客服服务器。终端包括但不限定于平板电脑、一体机、台式机等。

在一些优选实施例中，本申请的信息推送方法的处理逻辑可部署于客服系统中，如智能客服系统中，进而在合适的时机实现对客服问卷的推送，实现对客服问卷的灵活推送。满足用户的客服体验，凸显客服系统的智能性和灵活性。

图1示出了本申请实施例中信息推送方法的实现流程示意图一。信息推送方法可应用于推送系统中。在实际应用中，智能客服系统可作为推送系统来使用。如图1所示，所述方法包括：

S101：基于与交互对象的交互数据，确定所述交互对象的至少一个意图；

本步骤中，交互对象是任何可与推送系统进行交互的人、或机器人设备。交互对象可通过向推送系统输入其想咨询或了解的内容，推送系统针对交互对象输入的内容，输出交互对象期望的数据。前述交互对象输入的内容以及推送系统输出的内容可视为推送系统与交互对象之间的交互而产生的交互数据。

可以理解，在实际应用中，在一次交互中，交互对象输入的内容可能是一个或多个不同方面的内容，即，交互对象在本次交互过程中具有咨询或了解多个不同方面内容的意图，如此，交互对象和推送系统可在一次交互中产生一轮或多轮的问答。

示例性地，在一次问答中，交互对象输入的话题或问题为“如何恢复手机的出厂设置”，针对该问题，推送系统输出诸如“打开手机的设置图标，点击系统和更新页面，在页面中选择恢复出厂设置功能，点击重置手机”等问题回复或答复。在这轮问答中，交互对象为想要恢复手机的出厂设置的意图。

示例性地，在一次问答中，交互对象输入的话题或问题为“如何修改手机密码”，针对该问题，推送系统输出诸如“打开手机设置项，点击指纹、人脸与密码选项，进入所选择的指纹设置页面、或人脸识别页面或密码页面，在页面中输入新密码”等问题回复或答复。在这轮问答中，交互对象为询问设置手机密码的意图。

在交互对象和推送系统的一次交互中，类似前述的问答可能是一轮，如仅询问恢复手机的出厂设置或仅询问手机密码的设置。还可能是多轮，先询问手机密码的设置，然后询问出厂设置。在不同轮中，交互对象的意图可能相同，还可能不同，如不同轮问答对应不同的意图。每次问答产生的数据均可视为交互数据。

本申请中，采用预设的意图识别方法，对交互数据进行意图识别，从而得到交互对象在一次交互过程中产生的一个、两个或多个意图。其中，预设的意图识别方法包括任何能够实现意图的合理方法。如，基于意图规则的识别方法，基于神经网络的意图识别方法，基于槽位填充的意图识别方法等。

S102：分析所述交互数据确定所述至少一个意图的匹配度参数。

本申请中，匹配度参数可表征在识别出的每个意图下、交互对象对推送系统给予的问题回复的满意程度。可以理解，如果在一次交互过程中，交互对象的意图越多，输入问题的次数越多。意图越少，输入问题的次数越少。在同一次交互过程，针对交互对象输入的各问题，如果推送系统回复问题的次数越多，则满意程度越高。如果推送系统回复问题的次数少，则满意程度越低。针对交互对象输入的全部问题，如果推送系统均给予了回复，那么从交互对象的角度来看，相当于全部问题均被解决，则满意程度最高。

在实施时，对交互数据进行分析。示例性地，分析在交互对象输入问题的次数，推送系统对交互对象输入的各问题给予回复的次数，基于回复次数与输入次数的占比，确定在至少一个意图下的匹配度参数。其中，如果回复次数与输入次数的占比越高，说明回复次数多，则满意程度越高，匹配度参数越大。如果回复次数与输入次数的占比越低，说明回复次数少，满意程度越低，匹配度参数越小。

S103：确定所述交互对象的角色信息。

本申请中，角色信息表征交互对象为正向角色或为非正向角色。其中，好评用户可作为正向角色使用。差评用户可作为非正向角色使用。

在实施时，如果将交互过程中的角色信息视为当前角色信息，那么可将交互对象在历史上的角色作为交互对象的当前角色信息。示例性地，如果在历史交互过程中，交互对象为好评用户，则确定交互对象的当前角色信息为好评用户。如果在历史交互过程中，交互对象为差评用户，则确定交互对象的当前角色信息为差评用户。

在实施时，还可以基于交互数据，确定所述交互对象的角色信息。具体而言，可通过对交互数据中交互对象输入问题时的情绪、和/或针对推送系统给予的回复、交互对象给出的反馈内容等进行交互对象的角色信息的预测。

S104：基于所述匹配度参数和所述交互对象的角色信息，确定对待推送数据的推送策略。

本申请中，将匹配度参数和交互对象的角色信息进行结合，确定推送策略。也即，结合交互对象的角色信息和对推送系统回复问题的满意度，来确定推送策略。

推送策略用于指示何时进行待推送数据的推送。示例性，推送策略在于指示：在交互对象为好评用户且满意度高的情况下，对待推送数据进行推送。或者，用于指示：在交互对象为差评用户且满意度低的情况下，对待推送数据不进行推送或者暂缓推送。或者，推送策略在于指示对待推送数据进行适应性调整(如语气的缓和、措辞的亲切度、问卷内容调整)。

本申请中，待推送数据可基于交互对象角色信息的不同而不同。在实施时，可基于交互对象的角色信息，确定待推送数据。具体而言，在交互对象为正向角色时，确定第一数据为待推送数据；在所述交互对象为非正向角色时，确定第二数据为待推送数据，其中所述第二数据为基于所述交互数据而生成的数据。其中，第一数据和第二数据不同。第一数据可视为预先为好评用户设置的调查问卷。该调查问卷可以是模板问卷。第二数据可视为基于差评用户和推送系统之间的实际交互情况生成的调查问卷。该调查问卷因为是根据实际交互情况而生成的，所以该调查问卷更有针对性，能够对安抚并询问用户给予差评的原因，从而指导推送系统提升用户满意度。

其中，第二数据可视为对非正向角色的交互对象生成的定制化问卷。这种为不同角色的交互对象，确定不同的待推送数据的方案，可实现对不同角色的交互对象实现针对性问卷的推送，实用性强，可行性高。

S105：采用所述推送策略对所述待推送数据进行推送。

在实际应用中，可在交互对象为好评用户且满意度高的情况下，对为好评用户设置的模板问卷进行推送。在交互对象为差评用户且满意度低的情况下，对为该差评用户生成的调查问卷进行推送。

S101～S105中，在交互过程中，将交互过程中对至少一个(交互)意图的匹配度参数和交互对象在交互过程中的角色进行结合，确定对待推送数据的推送策略，并采用推送策略对待推送数据进行推送。相当于，结合了在交互过程中交互对象对推送系统给予的问题回复满意度以及交互对象的角色这两个信息，确定推送策略。与相关技术相比，基于匹配度参数和角色这两个信息确定出的推送策略，能够在合适的推送时机进行待推送信息的推送，具有推送灵活性。

另外，本申请中能够针对不同角色，实现对不同待推送数据的推送，实现了针对性推送。

除了前述的分析交互数据确定至少一个意图的匹配度参数方案，本申请还可通过如下方案进行至少一个意图的匹配度参数的确定。本申请中提供了一种用于预测交互对象向推送系统输入的问题是否被全部解决的机器学习模型。为区分，将用于预测交互对象向推送系统输入的问题是否被全部解决的机器学习模型视为第一预测模型。第一预测模型可基于交互数据，实现至少一个意图的匹配度参数的确定。

如图2所示，实施时，可执行S201～S203所示的方案。

S201：获得所述至少一个意图的目标参数，所述至少一个意图的目标参数表征所述至少一个意图发生变化的参考概率。

本申请中，需获得意图发生变化的参考概率，并将意图发生变化的参考概率作为第一预测模型的一个输入，由此实现交互对象输入问题是否被全部解决的预测。

本申请中，意图发生变化的参考概率的方案是通过如下方案来实现的：可获得基于历史交互数据而得到的所述至少一个意图的历史参考量，所述历史参考量表征在历史上所述至少一个意图发生变化的概率；将所述至少一个意图的历史参考量作为所述至少一个意图的目标参数。

即，本申请中，基于历史交互数据，计算在历史上交互对象产生的各可能意图发生变化的概率，并将在历史上产生的各可能意图发生变化的概率作为各可能意图发生变化的参考概率。意图发生变化的参考概率的这种获得方式，简单易行，在工程上易于被推广。

本申请中，网络中与推送系统进行交互的对象多数情况下是不同的用户。在网络中，各交互对象中的任意交互对象输入的每个话题对应一个意图，交互对象输入的话题内容的变化，意味着交互对象的意图发生变化。如，输入话题从“如何恢复手机的出厂设置”变化为“如何修改手机密码”，则交互对象的意图发生从询问出厂设置到修改密码的变化。基于此，本申请中，意图发生变化的情形包括交互对象从输入的一个话题变化到输入另一个话题。

在实施时，可基于对历史交互数据的分析，如对历史上各交互对象的输入话题的分析，计算各可能意图在历史上从某个意图变化到其他意图的概率。如，计算意图1在历史上从意图1变化到其他意图到的概率，如果计算出意图1在历史上变化到其他意图的概率为70％，70％为意图1的历史参考量。意图1的历史参考量70％即可作为意图1发生变化的参考概率(意图1的目标参数)。其中，历史交互数据可以是过去一段时间内(如过去三个月)、网络中的各可能用户与推送系统之间产生的交互数据。

本步骤中，所述获得基于历史交互数据而得到的所述至少一个意图的历史参考量的方案包括：针对所述至少一个意图中的任意意图；从历史交互数据中，确定出第一类目标事件和第二类目标事件，所述第一类目标事件表征在历史交互数据中出现由所述任意意图转变到第一类可选意图的事件；所述第二类目标事件表征在历史交互数据中出现由所述任意意图转变到第二类可选意图的事件；基于所述第一类目标事件、第二类目标事件在所述历史交互数据中的参考属性，得到所述任意意图的历史参考量；所述参考属性表征在所述历史交互数据中的出现次数或频率。

在实际应用中，存在如下两种情形。情形一，交互对象在某个意图下向推送系统输入该意图对应的话题后，可能在另一意图下输入了该另一意图所对应的话题。情形二，交互对象在某个意图下向推送系统输入该意图对应的话题之后，离开推送系统，不再进行话题的输入。为区分这两种情形，本申请中，将在历史交互数据中出现的前述情形一，视为从某个意图转变到第一类可选意图的事件。将在历史交互数据中出现的前述情形二，视为从某个意图转变到第二类可选意图的事件。

可以理解，在过去一段时间内的交互数据(历史交互数据)中，在某个意图下的前述情形一和/或情形二，出现的次数或频率是可以统计出来的。将情形一和情形二在过去一段时间内出现的次数进行相加，得到相加结果。将情形一在过去一段时间内出现的次数除以相加结果，即可得到该某个意图在历史上发生变化的概率，即得到该意图的历史参考量。此处内容，可作为对公式(1)的文字说明。

在实施时，可以以G<Source,Target,Weight>的表达形式进行某个意图发生变化及其变化次数的存储。其中，Source表示在历史交互数据中产生的任何可能的意图。如果Source＝意图I，则Target表示可从意图I变化到的其他意图，如意图J(Target＝意图J)。Weight表示在历史交互数据中，从意图I变化到意图J的次数。如果在意图I之后，交互对象离开，未产生其他意图，则Target＝None。

根据公式(1)，计算意图I在历史上发生变化的概率。

P(I)＝ΣWeight(i)(G<I,Target(i),Weight(i)>|Target≠None)/Σ

G<I,Target(i),Weight(i)>|Target≠None和Target＝None)；(1)

其中，在公式(1)中，Target(i)表示意图I在历史交互数据中可能变化到的任何其他意图中的至少之一意图。Weight(i)表示意图I在历史交互数据中变化到任何其他意图中的至少之一意图的次数。

示例性地，对于意图I，在历史交互数据中，从意图I可变化到意图B、意图C和意图D。其中，变化到意图B的次数为30次，变化到意图C的次数为40次，变化到意图D的次数为10。同时，在历史交互数据中，有20次意图I不发生变化。则意图I的G<Source,Target,Weight>包括G<I,Target＝B,Weight＝30>、G<I,Target＝C,Weight＝40>、G<I,Target＝D,Weight＝10>以及G<I,Target＝None,Weight＝20>。根据公式(1)，得到意图I在历史上发生变化的概率＝(30+40+10)/(30+40+10+20)＝80％。

如此，可基于历史交互数据，得到各可能意图在历史上发生变化的概率，将其作为意图的参考概率使用。这种参考概率的计算方案，可随着时间的推移进行一次更新。如过去一段时间为3个月，则每3个月更新一次各可能意图在过去3个月发生变化的概率。由此，可保证意图的参考概率的准确性，从而为实现对待推送数据在合适时机的推送，提供了保障。

S202：将所述至少一个意图、所述至少一个意图的目标参数以及所述交互对象的第一画像数据输入至第一预测模型，得到目标预测结果，所述目标预测结果表征是否为所述交互对象在所述交互数据中产生的所述至少一个意图输出与所述至少一个意图对应的匹配数据的预测结果。

本步骤中，为意图输出与该意图对应的匹配数据，指的是推送系统为交互对象在所述意图下输入的问题或话题做出回复。对在意图下输入的问题或话题做出的回复视为意图对应的匹配数据。在一次交互过程中，交互对象的意图可能为一个意图，还可以为两个或多个意图。本申请中提供一种机器学习模型，用于预测交互对象的全部问题是否被推送系统都给予回复或反馈。即。交互对象的问题是否被全部解决。视该机器学习模型为第一预测模型。

如图3所示，第一预测模型(模型一)的输入主要包括有意图特征、设备特征和用户特征等几种输入。其中，意图特征包括经对交互数据的分析而得到的意图、以及该意图发生变化的参考概率(意图的目标参数)。设备特征包括交互对象与推送系统交互所针对的手机、电脑等终端的品牌、使用年限和在保状态。用户特征主要包括交互对象的基础信息和交互对象的历史服务信息这两个方面。其中，基础信息包括交互对象所处国家、交互时使用的语言以及与推送系统交互时使用的访问渠道，如使用电话访问、或使用APP访问。交互对象的历史服务信息包括历史访问信息、历史交互信息和历史反馈信息。其中，历史访问信息包括交互对象在历史上对推送系统访问的访问次数和平均访问时长。历史交互信息包括交互对象在历史上话题平均转变次数、平均交互轮数、情绪

特征和最近5分钟是否存在交互等。历史反馈信息包括在历史上交互对象是否5针对推送系统给予的回复给出正向(好的)反馈。其中，设备特征和用户特征

可作为交互对象的第一画像数据使用。

本申请中，第一预测模型为机器学习模型，机器学习模型具有一定的健壮性、鲁棒性和稳定性，利用第一预测模型进行全部问题是否被解决的预测，可保证预测准确性。从而对实现灵活推送给予了一定保障。

0在实际应用中，当将意图I、意图I的目标参数和交互对象的第一画像数据输入至第一预测模型时，第一预测模型会根据自身的输入，预测意图I是否变化，即预测在交互对象向推送系统输入意图I对应的话题之后是否还会输入其他意图对应的话题。如果预测意图I不会发生变化，则意味着交互对象不再询

问其他话题，本次交互过程中交互对象的全部问题都被得到解决，与交互对象5的本次交互过程可以结束。第一预测模型可产生表征为交互对象在本次交互数据中产生的全部问题均被解决的目标预测结果。如果预测I会发生变化，则意味着交互对象会继续询问其他话题，本次交互过程中交互对象的其他问题还需要被解决。第一预测模型可产生表征为交互对象在本次交互数据中产生的全部问题未被全部解决的目标预测结果。

0即，本申请中的第一预测模型基于对输入的当前意图是否会发生变化的预

测结果，来确定交互对象在交互过程中产生的问题是否被全部解决的目标预测结果。其中，当前意图发生变化的参考概率作为第一预测模型的一个输入，参考概率基于历史交互数据而得到，具有一定的参考性，当前意图的历史参考量

可在一定程度上，辅助第一预测模型实现对当前意图是否发生变化的准确预测。5由此，可为灵活的推送提供了保障。

S203：基于所述目标预测结果，确定所述至少一个意图的匹配度参数。

本步骤中，目标预测结果包括为交互对象在交互数据中产生的至少一个意图输出与至少一个意图对应的匹配数据、以及未为交互对象在交互数据中产生的至少一个意图输出与至少一个意图对应的匹配数据。即，目标预测结果包括交互对象在交互数据中产生的全部问题均被解决、和交互对象在交互数据中产生的全部问题未被全部解决。如果目标预测结果表征全部问题均被解决，则为匹配度参数分配较大的取值。如果目标预测结果表征全部问题未被全部解决，则为匹配度参数分配较小的取值。匹配度参数取值越大，表示用户对交互过程的满意度越高。匹配度参数取值越小，表示用户对交互过程的满意度越低。

S201～S203中，将意图及其目标参数、交互对象的第一画像数据作为第一预测模型的输入，可实现对目标预测结果的准确预测，从而确定出准确的匹配度参数。为实现本申请的灵活推送提供了保障。

除了前述的确定交互对象的角色信息方案，本申请还可通过如下方案进行交互对象的角色信息的预测。本申请中提供了一种用于预测交互对象的角色信息的机器学习模型。为区分，将用于预测交互对象的角色信息的机器学习模型视为本申请中的第二预测模型。采用第二预测模型也可基于交互数据，确定交互对象的角色信息。实施时，可将交互数据、所述至少一个意图以及所述交互对象的第二画像数据输入至第二预测模型，由第二预测模型对交互对象的角色信息进行预测并输出预测结果，通过得到第二预测模型的预测结果而得到所述交互对象的角色信息。

结合图4所示，第二预测模型(模型二)的输入主要包括有意图特征、设备特征和用户特征等几种输入。其中，意图特征包括经对交互数据的分析而得到的意图。设备特征包括交互对象与推送系统交互所针对的手机、电脑等终端的品牌、使用年限、在保状态和历史维修次数。用户特征主要包括交互对象的基础信息、交互对象与推送系统的历史交互信息和当前交互信息和交互对象的历史服务信息这两个方面。其中，基础信息包括交互对象所处国家、交互时使用的语言以及与推送系统交互时使用的访问渠道。交互对象的历史服务信息包括历史交互信息和历史反馈信息。其中，历史交互信息包括交互对象在历史上平均转人工的次数、最近一次转人工的原因、与人工客服交互平均时长、在历史上交互对象的点赞率以及对问卷的打分。交互对象与推送系统的历史交互信息包括历史上的访问次数、平均访问时长、访问时间。交互对象与推送系统的当前交互信息包括交互轮数、情绪特征、近5分钟是否有交互、是否有正向反馈、话题变化次数、机器人不理解次数等。

其中，设备特征、用户特征中的基础信息、交互对象与推送系统的历史交互信息和历史服务信息可作为交互对象的第二画像数据使用。

本申请中，第二预测模型为机器学习模型，机器学习模型具有一定的健壮性、鲁棒性和稳定性，利用第二预测模型进行交互对象的角色信息的预测，可保证角色信息的预测准确性。从而对实现灵活推送给予了一定保障。

前述方案为，利用两个预测模型对匹配度参数和角色信息进行预测的方案，即对两个预测模型进行应用的方案。可以理解，在对两个预测模型进行应用之前，需要对两个预测模型进行训练，并在优化完成后，将两个预测模型进行上线部署，基于交互对象与推送系统之间的交互数据，利用两个预测模型实现对匹配度参数和角色信息的预测应用。

在实施时，可执行图5所示的流程，以完成两个预测模型的训练和上线部署。

首先，设计并制作用户画像数据。在实施时，可采集网络中各可能用户的第一画像数据和第二画像数据，作为本申请中的用户画像数据。

其次，对用户画像数据进行数据统计和特征工程。对最近三个月填写过问卷的用户进行用户画像数据的数据收集、统计、标准化、去异常、降维等特征工程步骤。

此外，对最近三个月填写过问卷的用户在网络中产生的各种可能意图以及各意图出现的次数进行统计，并根据公式(1)计算各种可能意图发生变化的参考概率。

接下来，获得训练数据，并采集训练数据对待训练模型进行训练。这里，因为要涉及到对两个预测模型的训练，所以会涉及到对每个预测模型的训练数据的获得。

其中，对第一预测模型的训练数据的获得，包括获得第一画像数据、部分意图、以及部分意图中各意图发生变化的参考概率，作为第一样本数据。

第一样本数据的标签的获得过程是：根据对人机对话系统(能够实现交互对象和推送系统之间交互的系统可视为一种人机对话系统)的定义，将推送系统对用户话题给予了回复，且用户对回复内容进行了“踩/赞”的简单反馈的用户进行抽取。如果该用户后续还进行了与推送系统的交互(如询问其他问题、点击按钮等操作)，则该用户被标记为“问题未完全解决”，记第一样本数据的标签Y＝1。若用户后续直接离开或无交互行为，则该用户被标记为“问题完全解决”，记第一样本数据的标签Y＝0。

本申请中，第一预测模型的训练数据包括第一样本数据和第一样本数据的标签。从备选的几种二分类监督学习模型中，挑选出其中一个模型作为本申请的第一待训练模型，以利用第一样本数据和第一样本数据的标签，对第一待训练模型进行训练，得到第一预测模型。具体而言，备选的几种二分类监督学习模型包括KNN、决策树、随机森林、SVM、Adaboost和Xgboost。将第一样本数据作为以上几种模型的输入，将第一样本数据的标签作为以上几种模型的输出，每种模型基于输入和输出，会给出一个F-score(分数值)。从以上几种模型中，挑选出取得最高F-score的Xgboost模型作为第一待训练模型。将第一样本数据作为第一待训练模型的输入，将第一样本数据的标签作为第一待训练模型的输出，对第一待训练模型进行训练，以调整模型参数，提高模型精度，从而得到第一预测模型。

其中，对第二预测模型的训练数据的获得，包括采集第二画像数据、部分意图、以及采集最近三个月填写过问卷的交互对象与推送系统之间产生的交互数据，作为第二样本数据。

第二样本数据的标签的获得过程是：把最近三个月填写过问卷的用户的问卷结果作为Y标签。假定问卷的满意度分数满分为10分，若用户在问卷中填写的满意度分数大于或等于预设阈值如5分，则认为该用户属于好评用户，记第二样本数据的标签Y＝1。反之，认为该用户属于差评用户，记第二样本数据的Y＝0。

本申请中，第二预测模型的训练数据包括第二样本数据和第二样本数据的标签。与前述第一预测模型中需从几种二分类监督学习模型中，挑选出合适的模型作为本申请的第一待训练模型类似，本申请中，将第二样本数据作为以上几种模型的输入，将第二样本数据的标签作为以上几种模型的输出，每种模型基于输入和输出，会给出一个F-score(分数值)。从以上几种模型中，挑选出取得最高F-score的Xgboost模型作为第二待训练模型。将第二样本数据作为第二待训练模型的输入，将第二样本数据的标签作为第二待训练模型的输出，对第二待训练模型进行训练，以调整模型参数，提高模型精度，从而得到第二预测模型。

本申请中，第一待训练模型、第二待训练模型均是Xgboost模型。自然地，训练好或训练完成的第一预测模型和第二预测模型是Xgboost模型。

最后，将训练好的两个预测模型部署上线，并应用。

本申请中提供的应用可参见图6所示。在图6中，将交互对象的第一画像数据和第二画像数据作为离线的画像数据使用。以推送系统为智能客服系统，如智能客服机器人为例，从交互对象与智能客服机器人开始对话时，记录交互对象和智能客服机器人之间的交互数据，与交互对象的第一画像数据相结合，采用第一预测模型进行用户问题是否被全部解决的预测。将交互对象与第二画像数据相结合，采用第二预测模型进行交互对象的角色信息的预测。基于用户问题是否被全部解决的预测结果和交互对象的角色信息的预测结果，确定待推送策略，采用待推送策略对待推送数据进行推送。从而实现了在合适时机对待推送信息的推送，实现灵活推送。基于此，图6所示的方案可视为本申请提供的一种问卷推送的新方案。

在图6所示的流程中，在一次交互过程中，当前用户和智能客服机器人可产生一轮、两轮或多轮交互。每轮对应一个话题，如果一个话题对应一个意图，则在一次交互过程中，可以实现对一个意图、两个意图或多个意图的交互。每轮交互均可参见下面方案的说明。

在一轮交互中，当前用户(交互对象)访问智能客服机器人，当前用户向智能客服机器人输入当前话题，智能客服机器人识别用户输入的当前话题是闲聊话题，还是需要智能客服机器人帮助其解决问题。如果识别为需要智能客服机器人帮助其解决问题，判断智能客服机器人是否给出该问题的答案。

如果判断出智能客服机器人给出了该问题的答案，判断用户针对该答复是否给出一定的反馈。在实际应用中，如果智能客服机器人给出的答案对于用户来说有帮助，则其会点击Helpful按钮。如果智能客服机器人给出的答案对于用户来说无帮助，则其会点击UnHelpful按钮或无反馈。智能客服机器人判断当前用户与机器人停止交互的时间是否超过预设值如5分钟，如果未超过，则调用第一预测模型，对当前用户的全部问题是否均被解决进行预测。如果超过，将流程返回至等待用户输入的阶段，等待用户输入下一话题，进入下一轮交互。每轮交互过程类似，参见理解。

其中，智能客服机器人识别用户输入的话题是需要智能客服机器人帮助其解决问题，则基于输入的当前话题，识别用户输入当前话题的当前意图。此外，读取基于历史交互数据而得到的当前意图发生变化的参考概率。

在智能客服机器人给出的答案对于用户来说有帮助的情况下，即，用户点击Helpful按钮的情况下，智能客服机器人调用第一预测模型。将识别出在当前话题下产生的当前意图、当前意图发生变化的参考概率、以及当前用户的第一画像数据输入至第一预测模型，由第一预测模型预测当前用户的全部问题或话题是否均被解决。可以理解，如果第一预测模型基于当前意图、当前意图发生变化的参考概率、以及当前用户的第一画像数据，预测出当前意图在当前用户的本次交互过程中实际发生变化的概率大，意味着当前用户在输入当前话题的情况下，大概率会输入与当前话题不同的另一话题，期待智能客服机器人给予解决。如此，第一预测模型预测出当前用户可能还会输入其他话题，当前用户在本次交互过程中产生的全部问题尚未被全部解决。如此，智能客服机器人等待当前用户输入另一话题、或者根据当前话题推送其他相关话题给用户，直至第一预测模型根据后续产生的其他意图、该意图发生变化的参考概率以及第一画像数据，预测出该意图不会发生变化，即预测出全部问题被解决。

如果第一预测模型基于当前意图、当前意图发生变化的参考概率、以及当前用户的第一画像数据，预测出当前意图在当前用户的本次交互过程中实际发生变化的概率小，意味着当前用户后续不会再输入其他话题，当前用户的全部问题均被解决。

前述方案中，用户点击Helpful按钮的事件可作为对第一预测模型进行调用的触发事件。

如果经第一预测模型的预测，得到当前用户的全部问题均被解决，则可为匹配度参数分配较大取值。匹配度参数的取值越大，说明当前用户对本次交互过程的满意度越高。

在当前用户的全部均被解决的情况下，调用第二预测模型。将当前用户在本次交互过程中产生的全部交互数据、各个意图以及当前用户的第二画像数据输入至第二预测模型，由第二预测模型预测当前用户在本次交互过程中是为好评用户还是为差评用户。如果是好评用户，智能客服机器人为当前用户推送出统一的满意度问卷。如果是差评用户，基于当前用户在本次交互过程中产生的全部交互数据，为当前用户产生定制化的满意度问卷，以通过满意度问卷询问给予差评的原因。

本申请中，在用户在一次交互过程中产生的全部问题均被解决、且用户为好评用户的情况下，实现了对统一的满意度问卷的推送。在用户在一次交互过程中产生的全部问题均被解决、且用户为差评用户的情况下，实现了对定制化的满意度问卷的推送。相当于，实现了在全部问题被解决的这一时机下对满意度问卷进行推送。与相关技术中的基于固定的触发节点实现对调查问卷的推送方案，本申请技术方案，可在合适的时机实现对满意度问卷的推送，实现了对满意度问卷的灵活推送。

此外，在全部问题被解决的这一时机下对满意度问卷进行推送，也可避免存在有尚未解决的问题、便进行问卷推送而为用户带来的不好体验，本申请中的在合适推送时机进行问卷推送，可大大提升用户对智能客服机器人的良好使用体验。

此外，本申请技术方案，在全部问题被解决的这一时机下，可基于交互对象的角色，实现不同的满意度问卷的推送，实现针对性地推送，实用性强。其中，对于差评用户推送为该差评用户生成的定制化的满意度问卷，可指导智能客户机器人提升其的客服满意度。

从前面内容可看出，本申请技术方案至少具有如下优势。

第一点，本申请技术方案中，通过人机对话(用户与智能客服机器人的交互)，对于用户意图理解、意图跳转可能性的分析及其他人机交互特征(如第一画像数据)，预测用户问题是否被全部解决，使得问卷推送时机是动态的，因用户和人机交互的交互状态而异，并不是依靠诸如相关技术中的基于固定的触发节点来触发推送问卷的。

本申请技术方案为一种问卷推送的新方案，可视为一种问卷智能推送方案，可在合适的推送时机实现对问卷的推送。同时，因为本申请的问卷智能推送方案是基于机器学习模型而实现的，所以，本申请的问卷智能推送方案可视为一种基于机器学习模型的问卷智能推送方案。由于机器学习模型具有强壮性、稳定性和鲁棒性，所以可保证对问卷在合适时机的准确推送。

第二点，本申请技术方案具有实用性。

本方案提出的(用户满意度)问卷智能推送方法，相当于智能客服机器人一定的人性特征，使其能够预测用户心理(问题是否被解决以及用户是否有好评倾向)后，再决定是否在当下这个时机进行问卷推送。在不影响用户体验的情况下，提高了用户满意度问卷的填写率和填写量。

随着两个预测模型的迭代优化，以及结合业务人员对于置信度更高的用户问卷结果的数据分析，可以进一步知道用户不满意的原因，从而提升智能客服机器人的服务水平及提升问卷满意度。

本申请还提供一种信息推送装置，如图7所示，包括：

第一确定单元701，用于基于与交互对象的交互数据，确定所述交互对象的至少一个意图；

第二确定单元702，用于分析所述交互数据确定所述至少一个意图的匹配度参数；

第三确定单元703，用于确定所述交互对象的角色信息；

第四确定单元704，用于基于所述匹配度参数和所述交互对象的角色信息，确定对待推送数据的推送策略；

推送单元705，用于采用所述推送策略对所述待推送数据进行推送。

在一些实施例中，第二确定单元702，用于

获得所述至少一个意图的目标参数，所述至少一个意图的目标参数表征所述至少一个意图发生变化的参考概率；

将所述至少一个意图、所述至少一个意图的目标参数以及所述交互对象的第一画像数据输入至第一预测模型，得到目标预测结果，所述目标预测结果表征是否为所述交互对象在所述交互数据中产生的所述至少一个意图输出与所述至少一个意图对应的匹配数据的预测结果；

基于所述目标预测结果，确定所述至少一个意图的匹配度参数。

在一些实施例中，第三确定单元703，用于基于所述交互数据，确定所述交互对象的角色信息。

在一些实施例中，第三确定单元703，用于将所述交互数据、所述至少一个意图以及所述交互对象的第二画像数据输入至第二预测模型，得到所述交互对象的角色信息。

在一些实施例中，第二确定单元702，用于获得基于历史交互数据而得到的所述至少一个意图的历史参考量，所述历史参考量表征在历史上所述至少一个意图发生变化的概率；将所述至少一个意图的历史参考量作为所述至少一个意图的目标参数。

在一些实施例中，第二确定单元702，用于：

针对所述至少一个意图中的任意意图；

从历史交互数据中，确定出第一类目标事件和第二类目标事件，所述第一类目标事件表征在历史交互数据中出现由所述任意意图转变到第一类可选意图的事件；所述第二类目标事件表征在历史交互数据中出现由所述任意意图转变到第二类可选意图的事件；

基于所述第一类目标事件、第二类目标事件在所述历史交互数据中的参考属性，得到所述任意意图的历史参考量；所述参考属性表征在所述历史交互数据中的出现次数或频率。

在一些实施例中，第四确定单元704，用于基于所述交互对象的角色信息，确定所述待推送数据。

在一些实施例中，第四确定单元704，用于在所述交互对象为正向角色时，确定第一数据为待推送数据；

在所述交互对象为非正向角色时，确定第二数据为待推送数据，其中所述第二数据为基于所述交互数据而生成的数据。

需要说明的是，本申请实施例的信息推送装置，由于该信息推送装置解决问题的原理与前述的信息推送方法相似，因此，信息推送装置的实施过程及实施原理均可以参见前述方法的实施过程及实施原理描述，重复之处不再赘述。

需要说明的是，本申请实施例中信息推送装置的描述，与上述信息推送装置方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。对于本申请实施例提供的信息推送装置中未尽的技术细节，可以根据图1至图6任一附图的说明而理解。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

图8示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。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/或者要求的本申请的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RA M)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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。

计算单元801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。计算单元801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计算单元、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。计算单元801执行上文所描述的各个方法和处理，例如信息推送方法。例如，在一些实施例中，信息推送方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801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，计算单元801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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标注产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(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。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。

在本申请的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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)和互联网。

计算机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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种信息推送方法，包括：

基于与交互对象的交互数据，确定所述交互对象的至少一个意图；

分析所述交互数据确定所述至少一个意图的匹配度参数；

确定所述交互对象的角色信息；

基于所述匹配度参数和所述交互对象的角色信息，确定对待推送数据的推送策略；

采用所述推送策略对所述待推送数据进行推送。

2.根据权利要求1所述的方法，所述分析所述交互数据确定所述至少一个意图的匹配度参数，包括：

获得所述至少一个意图的目标参数，所述至少一个意图的目标参数表征所述至少一个意图发生变化的参考概率；

将所述至少一个意图、所述至少一个意图的目标参数以及所述交互对象的第一画像数据输入至第一预测模型，得到目标预测结果，所述目标预测结果表征是否为所述交互对象在所述交互数据中产生的所述至少一个意图输出与所述至少一个意图对应的匹配数据的预测结果；

基于所述目标预测结果，确定所述至少一个意图的匹配度参数。

3.根据权利要求1所述的方法，所述确定所述交互对象的角色信息，包括：

基于所述交互数据，确定所述交互对象的角色信息。

4.根据权利要求3所述的方法，所述基于所述交互数据，确定所述交互对象的角色信息，包括：

将所述交互数据、所述至少一个意图以及所述交互对象的第二画像数据输入至第二预测模型，得到所述交互对象的角色信息。

5.根据权利要求2所述的方法，所述获得所述至少一个意图的目标参数，包括：

获得基于历史交互数据而得到的所述至少一个意图的历史参考量，所述历史参考量表征在历史上所述至少一个意图发生变化的概率；

将所述至少一个意图的历史参考量作为所述至少一个意图的目标参数。

6.根据权利要求5所述的方法，所述获得基于历史交互数据而得到的所述至少一个意图的历史参考量，包括：

针对所述至少一个意图中的任意意图；

从历史交互数据中，确定出第一类目标事件和第二类目标事件，所述第一类目标事件表征在历史交互数据中出现由所述任意意图转变到第一类可选意图的事件；所述第二类目标事件表征在历史交互数据中出现由所述任意意图转变到第二类可选意图的事件；

基于所述第一类目标事件、第二类目标事件在所述历史交互数据中的参考属性，得到所述任意意图的历史参考量；

所述参考属性表征在所述历史交互数据中的出现次数或频率。

7.根据权利要求1至6任一项所述的方法，还包括：

基于所述交互对象的角色信息，确定所述待推送数据。

8.根据权利要求7所述的方法，所述基于所述交互对象的角色信息，确定所述待推送数据，包括：

在所述交互对象为正向角色时，确定第一数据为待推送数据；

在所述交互对象为非正向角色时，确定第二数据为待推送数据，其中所述第二数据为基于所述交互数据而生成的数据。

9.一种信息推送装置，包括：

第一确定单元，用于基于与交互对象的交互数据，确定所述交互对象的至少一个意图；

第二确定单元，用于分析所述交互数据确定所述至少一个意图的匹配度参数；

第三确定单元，用于确定所述交互对象的角色信息；

第四确定单元，用于基于所述匹配度参数和所述交互对象的角色信息，确定对待推送数据的推送策略；

推送单元，用于采用所述推送策略对所述待推送数据进行推送。

10.一种电子设备，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指令，所述指令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1-8中任一项所述的方法。

Images