CN117369684A - 消息提示方法、服务端、消息提示系统及存储介质 - Google Patents
消息提示方法、服务端、消息提示系统及存储介质 Download PDFInfo
- Publication number
- CN117369684A CN117369684A CN202311300347.3A CN202311300347A CN117369684A CN 117369684 A CN117369684 A CN 117369684A CN 202311300347 A CN202311300347 A CN 202311300347A CN 117369684 A CN117369684 A CN 117369684A
- Authority
- CN
- China
- Prior art keywords
- user
- message
- behavior
- candidate
- messages
- 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 50
- 238000012549 training Methods 0.000 claims abstract description 49
- 230000006399 behavior Effects 0.000 claims description 189
- 238000003062 neural network model Methods 0.000 claims description 23
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 14
- 230000008030 elimination Effects 0.000 claims description 12
- 238000003379 elimination reaction Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 14
- 241000212749 Zesius chrysomallus Species 0.000 description 13
- 230000006870 function Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/04817—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance using icons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/542—Event management; Broadcasting; Multicasting; Notifications
-
- 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)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种消息提示方法、服务端、消息提示系统及存储介质,该方法为:获得多个候选消息的用户行为数据;基于用户行为数据,训练得到兴趣度预测模型;基于兴趣度预测模型,确定指定用户对每个候选消息的兴趣度;根据每个候选消息对应的兴趣度,从多个候选消息中,确定至少一个目标消息;基于至少一个目标消息,生成消息红点参数;将消息红点参数发送给指定用户对应的指定客户端,以使指定客户端显示消息红点参数对应的红点通知。该方法根据候选消息对应的兴趣度,筛选目标消息作为红点通知的对象,能够有效控制目标消息的数量,确保目标消息为指定用户感兴趣的,实现精准、个性化的红点通知,减少客户端中的不必要干扰通知。
Description
技术领域
本申请涉及应用通知领域,尤其涉及一种消息提示方法、服务端、消息提示系统及存储介质。
背景技术
现在的应用程序,尤其是移动端的应用程序(即客户端),大部分在接收到应用后台推送的消息后,都会基于客户端显示红点通知,来实现消息提示。对于用户而言,海量的消息提示为此会给用户带来不必要的通知干扰,用户还需花费时间去查看并清除不必要的红点通知,使用体验较为差劲。
为此,如何减少客户端中的不必要干扰通知,成为亟需解决的问题。
发明内容
本申请提供了一种消息提示方法、服务端、消息提示系统及存储介质,目的在于减少客户端中的不必要干扰通知。
为了实现上述目的,本申请提供了以下技术方案:
一种消息提示方法,应用于服务端,包括:
获得多个候选消息的用户行为数据;
基于所述用户行为数据,训练得到兴趣度预测模型;
基于所述兴趣度预测模型,确定指定用户对每个所述候选消息的兴趣度;
根据每个所述候选消息对应的兴趣度,从多个所述候选消息中,确定至少一个目标消息;所述目标消息对应的兴趣度高于其它候选消息;
基于至少一个所述目标消息,生成消息红点参数;
将所述消息红点参数发送给所述指定用户对应的指定客户端,以使所述指定客户端显示所述消息红点参数对应的红点通知。
可选的,所述用户行为数据包括至少一个用户的属性信息和行为信息;所述属性信息包括用户属性;所述行为信息包括与候选消息关联的用户行为。
可选的,基于所述用户行为数据,训练得到兴趣度预测模型,包括:
基于至少一个所述用户的属性信息和行为信息,构建用户行为画像;
对至少一个所述用户的属性信息进行特征提取,得到至少一个所述用户的属性特征;
对至少一个所述用户的行为信息进行分析,得到至少一个所述用户对每个所述候选消息的兴趣度;
基于至少一个所述用户的属性特征,以及至少一个所述用户对每个所述候选消息的兴趣度,作为训练数据集;
构建神经网络模型,以用户的属性特征作为输入量,用户对每个所述候选消息的兴趣度作为输出量,基于所述训练数据集利用Adam算法训练所述神经网络模型,得到兴趣度预测模型;所述Adam算法引入所述用户行为画像作为先验知识正则化。
可选的,基于至少一个所述用户的属性信息和行为信息,构建用户行为画像,包括:
基于至少一个所述用户的属性信息,构建用户属性图;所述用户属性图包括至少一个所述用户对应的用户节点;
基于至少一个所述用户的行为信息,构建用户行为图;所述用户行为图包括至少一个所述用户对应的行为节点;
基于各个所述用户的用户属性,确定各个所述用户节点之间的属性相似度;
基于各个所述用户的用户行为,确定各个所述行为节点之间的行为相似度;
基于各个所述用户节点之间的属性相似度,以及各个所述行为节点之间的行为相似度,确定各个所述用户之间的用户相似度;
根据各个所述用户之间的用户相似度,对所述用户属性图和所述用户行为图进行聚类,得到用户行为画像。
可选的,所述基于所述兴趣度预测模型,确定指定用户对每个所述候选消息的兴趣度,包括:
获得指定用户的属性信息;
对所述指定用户的属性信息进行特征提取,得到所述指定用户的属性特征;
基于所述指定用户的属性特征,作为所述兴趣度预测模型的输入,得到所述兴趣度预测模型输出的预测结果;所述预测结果包括所述指定用户对每个所述候选消息的兴趣度。
可选的,所述方法还包括:
接收所述指定客户端发送的消息查看事件;所述消息查看事件包括已被所述指定用户查看的目标消息的消息ID;
基于已被所述指定用户查看的目标消息的消息ID,生成红点消除指令;
向所述指定客户端发送所述红点消除指令,以使所述指定客户端消除所述红点消除指令对应的红点通知。
可选的,获得多个候选消息的用户行为数据,包括:
获取应用后台在指定时间段内所生成的多个消息的访问流量;
根据多个所述消息的访问流量,从多个所述消息中,筛选访问流量符合预设条件的消息,作为候选消息;
解析筛选得到的至少一个所述候选消息的访问流量,得到至少一个所述候选消息的用户行为数据。
一种服务端,包括:
数据收集单元,用于获得多个候选消息的用户行为数据;
模型训练单元,用于基于所述用户行为数据,训练得到兴趣度预测模型;
兴趣预测单元,基于所述兴趣度预测模型,确定指定用户对每个所述候选消息的兴趣度;
消息筛选单元,用于根据每个所述候选消息对应的兴趣度,从多个所述候选消息中,确定至少一个目标消息;所述目标消息对应的兴趣度高于其它候选消息;
参数生成单元,用于基于至少一个所述目标消息,生成消息红点参数;
参数发送单元,用于将所述消息红点参数发送给所述指定用户对应的指定客户端,以使所述指定客户端显示所述消息红点参数对应的红点通知。
可选的,所述用户行为数据包括至少一个用户的属性信息和行为信息;所述属性信息包括用户属性;所述行为信息包括与候选消息关联的用户行为。
可选的,所述模型训练单元具体用于:
基于至少一个所述用户的属性信息和行为信息,构建用户行为画像;
对至少一个所述用户的属性信息进行特征提取,得到至少一个所述用户的属性特征;
对至少一个所述用户的行为信息进行分析,得到至少一个所述用户对每个所述候选消息的兴趣度;
基于至少一个所述用户的属性特征,以及至少一个所述用户对每个所述候选消息的兴趣度,作为训练数据集;
构建神经网络模型,以用户的属性特征作为输入量,用户对每个所述候选消息的兴趣度作为输出量,基于所述训练数据集利用Adam算法训练所述神经网络模型,得到兴趣度预测模型;所述Adam算法引入所述用户行为画像作为先验知识正则化。
可选的,所述模型训练单元具体用于:
基于至少一个所述用户的属性信息,构建用户属性图;所述用户属性图包括至少一个所述用户对应的用户节点;
基于至少一个所述用户的行为信息,构建用户行为图;所述用户行为图包括至少一个所述用户对应的行为节点;
基于各个所述用户的用户属性,确定各个所述用户节点之间的属性相似度;
基于各个所述用户的用户行为,确定各个所述行为节点之间的行为相似度;
基于各个所述用户节点之间的属性相似度,以及各个所述行为节点之间的行为相似度,确定各个所述用户之间的用户相似度;
根据各个所述用户之间的用户相似度,对所述用户属性图和所述用户行为图进行聚类,得到用户行为画像。
可选的,所述兴趣预测单元具体用于:
获得指定用户的属性信息;
对所述指定用户的属性信息进行特征提取,得到所述指定用户的属性特征;
基于所述指定用户的属性特征,作为所述兴趣度预测模型的输入,得到所述兴趣度预测模型输出的预测结果;所述预测结果包括所述指定用户对每个所述候选消息的兴趣度。
可选的,所述服务端还包括:
消息清除单元,用于:接收所述指定客户端发送的消息查看事件;所述消息查看事件包括已被所述指定用户查看的目标消息的消息ID;基于已被所述指定用户查看的目标消息的消息ID,生成红点消除指令;向所述指定客户端发送所述红点消除指令,以使所述指定客户端消除所述红点消除指令对应的红点通知。
可选的,所述数据收集单元具体用于:
获取应用后台在指定时间段内所生成的多个消息的访问流量;
根据多个所述消息的访问流量,从多个所述消息中,筛选访问流量符合预设条件的消息,作为候选消息;
解析筛选得到的至少一个所述候选消息的访问流量,得到至少一个所述候选消息的用户行为数据。
一种消息提示系统,包括:
服务端和客户端;
所述服务端,用于执行所述的消息提示方法;
所述客户端,用于向所述服务端发送用户的属性信息和行为信息,并还用于显示红点。
一种存储介质,所述存储介质包括存储的程序,其中,所述程序被处理器运行时执行所述的消息提示方法。
本申请提供的技术方案,获得多个候选消息的用户行为数据。基于用户行为数据,训练得到兴趣度预测模型。基于兴趣度预测模型,确定指定用户对每个候选消息的兴趣度。根据每个候选消息对应的兴趣度,从多个候选消息中,确定至少一个目标消息。基于至少一个目标消息,生成消息红点参数。将消息红点参数发送给指定用户对应的指定客户端,以使指定客户端显示消息红点参数对应的红点通知。本申请基于兴趣度预测模型,确定指定用户对每个候选消息的兴趣度,根据候选消息对应的兴趣度,筛选目标消息作为红点通知的对象,能够有效控制目标消息的数量,确保目标消息为指定用户感兴趣的,实现精准、个性化的红点通知,减少客户端中的不必要干扰通知,使得用户体验得到明显提高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的一些实施例,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为本申请实施例提供的一种消息提示方法的流程示意图;
图2为本申请实施例提供的另一种消息提示方法的流程示意图;
图3为本申请实施例提供的另一种消息提示方法的流程示意图;
图4为本申请实施例提供的一种服务端的架构示意图;
图5为本申请实施例提供的一种消息提示系统的架构示意图;
图6为本申请实施例提供的一种消息提示流程的示意图。
具体实施方式
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,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本申请中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
如图1所示,为本申请实施例提供的一种消息提示方法的流程示意图,可应用于服务端,包括如下所示步骤。
S101:获得多个候选消息的用户行为数据。
其中,用户行为数据包括至少一个用户的属性信息和行为信息,属性信息包括用户属性,行为信息包括与候选消息关联的用户行为。
在一些示例中,用户属性包括但不限于为:年龄、性别、地区以及设备型号等。
在一些示例中,用户行为包括但不限于为:用户浏览行为、用户点击行为、用户搜索行为、用户的红点通知反馈行为(可基于用户点击消除红点的时间,与红点通知首次显示的时间之间的时间间隔来表达)、用户访问频次、用户使用时长、用户历史平均消息数量。
需要注意的是,候选消息为应用后台在指定时间段内所生成的消息,该消息可以被应用程序的注册用户访问,对于应用程序的消息推送而言,通常只会向用户推送热门消息,热门消息通常基于消息的访问流量所确定,为了减少不必要的红点通知,需要对应用后台在指定时间段内所生成的消息进行筛选。
可选的,获得多个候选消息的用户行为数据的具体实现过程,可以包括:获取应用后台在指定时间段内所生成的多个消息的访问流量;根据多个消息的访问流量,从多个消息中,筛选访问流量符合预设条件的消息,作为候选消息;解析筛选得到的至少一个候选消息的访问流量,得到至少一个候选消息的用户行为数据。
在一些示例中,预设条件可以为:消息的访问流量大于指定流量阈值。
可以理解的是,根据多个消息的访问流量,从多个消息中,筛选访问流量符合预设条件的消息,作为候选消息,实质就是从海量消息中筛选出热门消息,作为候选消息,候选消息的数量相较于海量消息而言,数量得到显著限制,能够有效减少不必要的红点通知,提高用户对客户端红点通知功能的使用体验。
S102:基于用户行为数据,训练得到兴趣度预测模型。
其中,基于用户行为数据,训练得到的兴趣度预测模型,为基于用户的属性特征作为输入量,用户对每个候选消息的兴趣度作为输出量,为此,利用该兴趣度预测模型可以得到任何用户对每个候选消息的兴趣度。
需要说明的是,基于用户行为数据,训练得到兴趣度预测模型的具体实现过程,可以参见图2所示步骤以及步骤的解释说明。
S103:基于兴趣度预测模型,确定指定用户对每个候选消息的兴趣度。
其中,基于兴趣度预测模型,确定指定用户对每个候选消息的兴趣度,需要获得指定用户的属性特征,而后将指定用户的属性特征作为兴趣度预测模型的输入,得到兴趣度预测模型输出的预测结果。
可选的,基于兴趣度预测模型,确定指定用户对每个候选消息的兴趣度的具体实现过程,可以包括:获得指定用户的属性信息;对指定用户的属性信息进行特征提取,得到指定用户的属性特征;基于指定用户的属性特征,作为兴趣度预测模型的输入,得到兴趣度预测模型输出的预测结果;预测结果包括指定用户对每个候选消息的兴趣度。
在一些示例中,在该指定用户成为应用程序的注册用户时,指定用户的属性信息需要记录到应用后台中,服务端可以从应用后台获得该指定用户的属性信息。
可以理解的是,对指定用户的属性信息进行特征提取,得到指定用户的属性特征,属于特征工程的常规技术手段,这里不再赘述。
S104:根据每个候选消息对应的兴趣度,从多个候选消息中,确定至少一个目标消息。
其中,目标消息对应的兴趣度高于其它候选消息。
在一些示例中,可以按照每个候选消息对应的兴趣度由高到低的顺序,对各个候选消息进行排序,得到候选消息序列,并基于候选消息序列中前m位的候选消息,作为目标消息,m为大于1的正整数。
在一些示例中,还可以根据每个候选消息对应的兴趣度,从多个候选消息中,确定目标消息,该目标消息对应的兴趣度大于指定兴趣度阈值。
可以理解的是,根据每个候选消息对应的兴趣度,从多个候选消息中,确定至少一个目标消息,能够进一步减少不必要干扰通知的数量,确保推送给指定用户的消息均为指定用户感兴趣的,有效提高指定用户的使用体验。
S105:基于至少一个目标消息,生成消息红点参数。
其中,消息红点参数可以包括至少一个目标消息的消息ID,以及所有目标消息的总数量。
可理解的是,基于至少一个目标消息,所生成的消息红点参数,该消息红点参数中会消除不必要的干扰通知,仅仅涉及指定用户感兴趣的消息,可有效提高用户的使用体验。
S106:将消息红点参数发送给指定用户对应的指定客户端,以使指定客户端显示消息红点参数对应的红点通知。
其中,指定客户端在接收到消息红点参数后,会在客户端上显示红点通知图标,该红点通知图标中可以包括数字图标,该数字图标对应的数值可用于表征所有目标消息的总数量。
可以理解的是,指定客户端显示消息红点参数对应的红点通知,相较于现有技术,红点通知的数量得到有效减少,仅仅保留能够引起指定用户兴趣的消息提示,从而有效减少指定客户端中的不必要干扰通知,提高用户的使用体验。
在一些示例中,指定客户端显示消息红点参数对应的红点通知后,指定用户可以查看红点通知中所示的目标消息,相应的,在指定用户查看目标消息的消息查看事件发生后,指定客户端会基于该消息查看事件发送给服务端,以便服务端跟踪处理红点通知。
可选的,服务端可以接收指定客户端发送的消息查看事件,消息查看事件包括已被指定用户查看的目标消息的消息ID,基于已被指定用户查看的目标消息的消息ID,生成红点消除指令,向指定客户端发送红点消除指令,以使指定客户端消除红点消除指令对应的红点通知。
在一些示例中,消息红点参数对应的红点通知中显示的数字图标为M,消息查看事件中已被指定用户查看的目标消息数量为N,为此,服务端基于已被指定用户查看的目标消息的消息ID,生成红点消除指令,指定客户端接收到服务端发送的红点消除指令后,消除红点消除指令对应的红点通知,此后,指定客户端所显示的红点通知中显示的数字图标为S,且S=M-N。
上述S101-S106所示流程,基于兴趣度预测模型,确定指定用户对每个候选消息的兴趣度,根据候选消息对应的兴趣度,筛选目标消息作为红点通知的对象,能够有效控制目标消息的数量,确保目标消息为指定用户感兴趣的,实现精准、个性化的红点通知,减少客户端中的不必要干扰通知,使得用户体验得到明显提高。
如图2所示,为本申请实施例提供的另一种消息提示方法的流程示意图,包括如下所示步骤。
S201:基于至少一个用户的属性信息和行为信息,构建用户行为画像。
其中,基于至少一个用户的属性信息和行为信息,构建用户行为画像的具体实现过程,可以参见图3所示步骤以及步骤的解释说明。
S202:对至少一个用户的属性信息进行特征提取,得到至少一个用户的属性特征。
其中,在进行特征提取之前,还可以对至少一个用户的属性信息进行数据预处理,使得所有属性信息均为可靠的,一般来讲,数据预处理所涉及的操作包括但不限于为数据去重、数据缺失填充、数据归一化等操作。
S203:对至少一个用户的行为信息进行分析,得到至少一个用户对每个候选消息的兴趣度。
其中,对至少一个用户的行为信息进行分析,得到至少一个用户对每个候选消息的兴趣度,实质就是为每个用户设定兴趣度标签,该兴趣度标签包括该用户对每个候选消息的兴趣度。
S204:基于至少一个用户的属性特征,以及至少一个用户对每个候选消息的兴趣度,作为训练数据集。
其中,训练数据集包括与至少一个用户对应的训练样本,每个训练样本包括用户的属性特征,且每个训练样本均标注有兴趣度标签,该兴趣度标签为用户对每个候选消息的兴趣度。
在一些示例中,训练数据集可以引进指定客户端发送的消息查看事件所示的样本,即服务端在接收到指定客户端发送的消息查看事件后,基于该消息查看事件,生成新样本数据,新样本数据包括与已被指定用户查看的目标消息关联的用户行为数据,通过该新样本数据,获得新增训练样本,增强训练数据集的数据质量和时效性。
S205:构建神经网络模型,以用户的属性特征作为输入量,用户对每个候选消息的兴趣度作为输出量,基于训练数据集利用Adam算法训练神经网络模型,得到兴趣度预测模型。
其中,Adam算法引入用户行为画像作为先验知识正则化。
在一些示例中,神经网络模型的层级可由技术人员根据实际情况进行设置,例如可以构建三层的神经网络模型。
在一种可能的实施方式中,在构建神经网络模型后,将训练数据集所示各个训练样本,输入到神经网络模型中,使用激活函数对神经网络模型进行非线性变换,使得神经网络模型转换为二分类模型,并使用交叉熵损失函数对二分类模型进行优化,在二分类模型的优化过程中引入Adam算法,调节二分类模型的学习率和动量,加速二分类模型的收敛,以获得兴趣度预测模型。
在一些示例中,可以使用K折交叉验证法来评估二分类模型的模型效果,选择模型效果最优的模型参数和模型结构,作为兴趣度预测模型。
在一些示例中,还可以使用混淆矩阵、ROC曲线等评价指标,评估二分类模型的分类结果,该分类结果包括但不限于为准确率、召回率以及F1值,并基于分类结果,确定兴趣度预测模型的性能,以便后续进行改进。
需要说明的是,在Adam算法中引入用户行为画像作为先验知识正则化,并利用Adam算法训练神经网络模型,可以丰富神经网络模型对用户的理解和建模能力,帮助神经网络模型更好地学习和推理用户的表示和行为模式。
在一种可能的实施方式中,神经网络模型中的超参数可以包括:学习率(用于控制每次优化更新时参数的调整幅值)、衰减率(包括两个衰减因子的元组,一个衰减因子控制梯度的一阶动量的衰减率,另一个衰减因子控制梯度的二阶动量的衰减率)、eps常数(用于避免数值不稳定)、权重衰减系数(用于控制模型参数的收缩)。
在一些示例中,可以利用Adam算法优化神经网络模型中的各个超参数的调整效率,加速神经网络模型的训练。
上述S201-S205所示流程,能够利用引入用户行为画像作为先验知识正则化的Adam算法训练神经网络模型,得到兴趣度预测模型,加强兴趣度预测模型中多源数据集(即训练数据集)的拟合表达,使得兴趣度预测模型的预测效果更加突出。
如图3所示,为本申请实施例提供的另一种消息提示方法的流程示意图,包括如下所示步骤。
S301:基于至少一个用户的属性信息,构建用户属性图。
其中,用户属性图包括至少一个用户对应的用户节点。
在一些示例中,在得到至少一个用户的属性信息之后,还需对各个属性信息进行数据预处理,以提高各个属性信息的数据质量。
在一些示例中,用户属性图中的各个用户节点之间的关联关系,基于各个用户节点对应的用户属性之间的相似度所确定,一般来讲,任意两个用户的用户属性之间的相似度大于指定阈值,则该任意两个用户对应的用户节点利用边进行连接。
S302:基于至少一个用户的行为信息,构建用户行为图。
其中,用户行为图包括至少一个用户对应的行为节点。
在一些示例中,在得到至少一个用户的行为信息之后,还需对各个行为信息进行数据预处理,以提高各个行为信息的数据质量。
在一些示例中,用户行为图中的各个用户节点之间的关联关系,基于各个用户节点对应的用户行为之间的相似度所确定,一般来讲,任意两个用户的用户行为之间的相似度大于指定阈值,则该任意两个用户对应的用户节点利用边进行连接。
S303:基于各个用户的用户属性,确定各个用户节点之间的属性相似度。
其中,各个用户节点之间的属性相似度所采用的计算方法,包括但不限于为:余弦相似度算法等。
在一种可能的实施方式中,用户属性包括年龄、性别、地区以及设备型号,可以分别计算任意两个用户之间的年龄相似度、性别相似度、地区相似度以及设备型号相似度,最后再按照公式(1),对年龄相似度、性别相似度、地区相似度以及设备型号相似度进行公式化运算,得到任意两个用户节点之间的属性相似度。
在公式(1)中,attr_sim代表属性相似度,same_gender代表性别相似度,same_city代表地区相似度,same_device_model代表设备型号相似度,age_diff代表年龄相似度。
S304:基于各个用户的用户行为,确定各个行为节点之间的行为相似度。
其中,各个行为节点之间的行为相似度所采用的计算方法,包括但不限于为:余弦相似度算法等。
在一种可能的实施方式中,用户行为包括用户浏览行为、用户红点通知反馈行为、用户使用时长,可以基于任意两个用户浏览行为各自占总浏览行为的占比,确定任意两个行为节点之间的浏览行为相似度,基于任意两个用户红点通知反馈行为的欧式距离,确定任意两个行为节点之间的反馈行为相似度,基于任意两个用户使用时长的差异,确定任意两个行为节点之间的使用时长相似度,最后再按照公式(2),对浏览行为相似度、反馈行为相似度以及使用时长相似度进行公式化运算,得到任意两个行为节点之间的行为相似度。
在公式(2)中,behav_sim代表行为相似度,common_browse/total_browse代表浏览行为相似度,click_diff代表反馈行为相似度,duration_diff代表使用时长相似度。
S305:基于各个用户节点之间的属性相似度,以及各个行为节点之间的行为相似度,确定各个用户之间的用户相似度。
其中,基于各个用户节点之间的属性相似度,以及各个行为节点之间的行为相似度,确定各个用户之间的用户相似度的具体实现过程,可以参见公式(3)所示。
total_sim=0.6*attr_sim+0.4*behav_sim (3)
在公式(3)中,total_sim代表用户相似度,attr_sim代表属性相似度,behav_sim代表行为相似度。
需要注意的是,任意两个用户之间的用户相似度,基于任意两个用户对应的用户节点之间的属性相似度,以及与任意两个用户关联的行为节点之间的行为相似度所确定。
S306:根据各个用户之间的用户相似度,对用户属性图和用户行为图进行聚类,得到用户行为画像。
其中,预先设定一个相似度阈值,如果任意两个用户之间的用户相似度大于相似度阈值,则确定任意两个用户为同一类型,为此,根据各个用户之间的用户相似度与相似度阈值之间的比较,实现对用户属性图和用户行为图的聚类,得到用户行为图像。
需要注意的是,对用户属性图和用户行为图进行聚类,实质就是对各个用户节点和行为节点进行聚类。
上述S301-S306所示流程,能够基于至少一个用户的属性信息和行为信息,实现用户行为画像的构建,为兴趣度预测模型提供可靠的先验知识,提高兴趣度预测模型的预测结果可靠性。
与上述本申请实施例提供的消息提示方法相对应,本申请实施例还提供了一种服务端。
如图4所示,为本申请实施例提供的一种服务端的架构示意图,包括如下所示单元。
数据收集单元100,用于获得多个候选消息的用户行为数据。
可选的,数据收集单元100具体用于:获取应用后台在指定时间段内所生成的多个消息的访问流量;根据多个消息的访问流量,从多个消息中,筛选访问流量符合预设条件的消息,作为候选消息;解析筛选得到的至少一个候选消息的访问流量,得到至少一个候选消息的用户行为数据。
可选的,用户行为数据包括至少一个用户的属性信息和行为信息;属性信息包括用户属性;行为信息包括与候选消息关联的用户行为。
模型训练单元200,用于基于用户行为数据,训练得到兴趣度预测模型。
可选的,模型训练单元200具体用于:基于至少一个用户的属性信息和行为信息,构建用户行为画像;对至少一个用户的属性信息进行特征提取,得到至少一个用户的属性特征;对至少一个用户的行为信息进行分析,得到至少一个用户对每个候选消息的兴趣度;基于至少一个用户的属性特征,以及至少一个用户对每个候选消息的兴趣度,作为训练数据集;构建神经网络模型,以用户的属性特征作为输入量,用户对每个候选消息的兴趣度作为输出量,基于训练数据集利用Adam算法训练神经网络模型,得到兴趣度预测模型;Adam算法引入用户行为画像作为先验知识正则化。
可选的,模型训练单元200具体用于:基于至少一个用户的属性信息,构建用户属性图;用户属性图包括至少一个用户对应的用户节点;基于至少一个用户的行为信息,构建用户行为图;用户行为图包括至少一个用户对应的行为节点;基于各个用户的用户属性,确定各个用户节点之间的属性相似度;基于各个用户的用户行为,确定各个行为节点之间的行为相似度;基于各个用户节点之间的属性相似度,以及各个行为节点之间的行为相似度,确定各个用户之间的用户相似度;根据各个用户之间的用户相似度,对用户属性图和用户行为图进行聚类,得到用户行为画像。
兴趣预测单元300,基于兴趣度预测模型,确定指定用户对每个候选消息的兴趣度。
可选的,兴趣预测单元300具体用于:获得指定用户的属性信息;对指定用户的属性信息进行特征提取,得到指定用户的属性特征;基于指定用户的属性特征,作为兴趣度预测模型的输入,得到兴趣度预测模型输出的预测结果;预测结果包括指定用户对每个候选消息的兴趣度。
消息筛选单元400,用于根据每个候选消息对应的兴趣度,从多个候选消息中,确定至少一个目标消息;目标消息对应的兴趣度高于其它候选消息。
参数生成单元500,用于基于至少一个目标消息,生成消息红点参数。
参数发送单元600,用于将消息红点参数发送给指定用户对应的指定客户端,以使指定客户端显示消息红点参数对应的红点通知。
消息清除单元700,用于:接收指定客户端发送的消息查看事件;消息查看事件包括已被指定用户查看的目标消息的消息ID;基于已被指定用户查看的目标消息的消息ID,生成红点消除指令;向指定客户端发送红点消除指令,以使指定客户端消除红点消除指令对应的红点通知。
上述所示各个单元,基于兴趣度预测模型,确定指定用户对每个候选消息的兴趣度,根据候选消息对应的兴趣度,筛选目标消息作为红点通知的对象,能够有效控制目标消息的数量,确保目标消息为指定用户感兴趣的,实现精准、个性化的红点通知,减少客户端中的不必要干扰通知,使得用户体验得到明显提高。
另外,本申请实施例还提供了一种消息提示系统,如图5所示,该消息提示系统包括服务端500和客户端600。
服务端500包括数据模块501、训练模块502以及服务模块503。
数据模块501,可用于:获得多个候选消息的用户行为数据。
训练模块502,可用于:基于用户行为数据,训练得到兴趣度预测模型。
服务模块503,可用于:基于兴趣度预测模型,确定指定用户对每个候选消息的兴趣度;根据每个候选消息对应的兴趣度,从多个候选消息中,确定至少一个目标消息;目标消息对应的兴趣度高于其它候选消息;基于至少一个目标消息,生成消息红点参数;将消息红点参数发送给指定用户对应的指定客户端,以使指定客户端显示消息红点参数对应的红点通知。
客户端600包括消息模块601、行为模块602以及管理模块603。
消息模块601,可用于:显示红点通知。
行为模块602,可用于:向数据模块501发送用户的属性信息和行为信息。
管理模块603,可用于:管理本地预存的属性信息和行为信息。
在一些示例中,服务端500和客户端600之间的交互过程,可以简单概括为图6所示的流程,包括如下所示步骤。
步骤1、客户端向服务端上报属性信息。
步骤2、客户端向服务端上报行为信息。
步骤3、服务端对用户行为数据(包括属性信息和行为信息)进行数据去重。
步骤4、服务端对用户行为数据进行缺失值填充。
步骤5、服务端基于用户行为数据,构建用户行为画像。
步骤6、服务端基于行为信息,确定属性信息的兴趣标签。
步骤7、服务端对属性信息进行特征提取,得到训练数据集。
步骤8、服务端利用训练数据集,训练兴趣度预测模型。
步骤9、服务端输出兴趣度预测模型的预测服务。
步骤10、服务端确定业务在线服务(即应用后台)提供的指定用户。
步骤11、服务端利用业务规则,计算获得指定用户的属性特征。
步骤12、服务端将指定用户的属性特征,输入兴趣度预测模型,得到指定用户对每个候选消息的兴趣度。
步骤13、服务端基于每个候选消息对应的兴趣度,确定目标消息,并依据目标消息,生成消息红点参数。
步骤14、服务端通过推送服务,向指定客户端发送消息红点参数。
步骤15、指定客户端显示消息红点参数对应的红点通知。
上述所示各个步骤,基于兴趣度预测模型,确定指定用户对每个候选消息的兴趣度,根据候选消息对应的兴趣度,筛选目标消息作为红点通知的对象,能够有效控制目标消息的数量,确保目标消息为指定用户感兴趣的,实现精准、个性化的红点通知,减少客户端中的不必要干扰通知,使得用户体验得到明显提高。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,程序执行上述本申请提供的消息提示方法。
此外,本申请实施例中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种消息提示方法,其特征在于,应用于服务端,包括:
获得多个候选消息的用户行为数据;
基于所述用户行为数据,训练得到兴趣度预测模型;
基于所述兴趣度预测模型,确定指定用户对每个所述候选消息的兴趣度;
根据每个所述候选消息对应的兴趣度,从多个所述候选消息中,确定至少一个目标消息;所述目标消息对应的兴趣度高于其它候选消息;
基于至少一个所述目标消息,生成消息红点参数;
将所述消息红点参数发送给所述指定用户对应的指定客户端,以使所述指定客户端显示所述消息红点参数对应的红点通知。
2.根据权利要求1所述的方法,其特征在于,所述用户行为数据包括至少一个用户的属性信息和行为信息;所述属性信息包括用户属性;所述行为信息包括与候选消息关联的用户行为。
3.根据权利要求2所述的方法,其特征在于,基于所述用户行为数据,训练得到兴趣度预测模型,包括:
基于至少一个所述用户的属性信息和行为信息,构建用户行为画像;
对至少一个所述用户的属性信息进行特征提取,得到至少一个所述用户的属性特征;
对至少一个所述用户的行为信息进行分析,得到至少一个所述用户对每个所述候选消息的兴趣度;
基于至少一个所述用户的属性特征,以及至少一个所述用户对每个所述候选消息的兴趣度,作为训练数据集;
构建神经网络模型,以用户的属性特征作为输入量,用户对每个所述候选消息的兴趣度作为输出量,基于所述训练数据集利用Adam算法训练所述神经网络模型,得到兴趣度预测模型;所述Adam算法引入所述用户行为画像作为先验知识正则化。
4.根据权利要求3所述的方法,其特征在于,基于至少一个所述用户的属性信息和行为信息,构建用户行为画像,包括:
基于至少一个所述用户的属性信息,构建用户属性图;所述用户属性图包括至少一个所述用户对应的用户节点;
基于至少一个所述用户的行为信息,构建用户行为图;所述用户行为图包括至少一个所述用户对应的行为节点;
基于各个所述用户的用户属性,确定各个所述用户节点之间的属性相似度;
基于各个所述用户的用户行为,确定各个所述行为节点之间的行为相似度;
基于各个所述用户节点之间的属性相似度,以及各个所述行为节点之间的行为相似度,确定各个所述用户之间的用户相似度;
根据各个所述用户之间的用户相似度,对所述用户属性图和所述用户行为图进行聚类,得到用户行为画像。
5.根据权利要求1所述的方法,其特征在于,所述基于所述兴趣度预测模型,确定指定用户对每个所述候选消息的兴趣度,包括:
获得指定用户的属性信息;
对所述指定用户的属性信息进行特征提取,得到所述指定用户的属性特征;
基于所述指定用户的属性特征,作为所述兴趣度预测模型的输入,得到所述兴趣度预测模型输出的预测结果;所述预测结果包括所述指定用户对每个所述候选消息的兴趣度。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收所述指定客户端发送的消息查看事件;所述消息查看事件包括已被所述指定用户查看的目标消息的消息ID;
基于已被所述指定用户查看的目标消息的消息ID,生成红点消除指令;
向所述指定客户端发送所述红点消除指令,以使所述指定客户端消除所述红点消除指令对应的红点通知。
7.根据权利要求1所述的方法,其特征在于,获得多个候选消息的用户行为数据,包括:
获取应用后台在指定时间段内所生成的多个消息的访问流量;
根据多个所述消息的访问流量,从多个所述消息中,筛选访问流量符合预设条件的消息,作为候选消息;
解析筛选得到的至少一个所述候选消息的访问流量,得到至少一个所述候选消息的用户行为数据。
8.一种服务端,其特征在于,包括:
数据收集单元,用于获得多个候选消息的用户行为数据;
模型训练单元,用于基于所述用户行为数据,训练得到兴趣度预测模型;
兴趣预测单元,基于所述兴趣度预测模型,确定指定用户对每个所述候选消息的兴趣度;
消息筛选单元,用于根据每个所述候选消息对应的兴趣度,从多个所述候选消息中,确定至少一个目标消息;所述目标消息对应的兴趣度高于其它候选消息;
参数生成单元,用于基于至少一个所述目标消息,生成消息红点参数;
参数发送单元,用于将所述消息红点参数发送给所述指定用户对应的指定客户端,以使所述指定客户端显示所述消息红点参数对应的红点通知。
9.一种消息提示系统,其特征在于,包括:
服务端和客户端;
所述服务端,用于执行权利要求1-7任一所述的消息提示方法;
所述客户端,用于向所述服务端发送用户的属性信息和行为信息,并还用于显示红点。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序被处理器运行时执行权利要求1-7任一所述的消息提示方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311300347.3A CN117369684A (zh) | 2023-10-09 | 2023-10-09 | 消息提示方法、服务端、消息提示系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311300347.3A CN117369684A (zh) | 2023-10-09 | 2023-10-09 | 消息提示方法、服务端、消息提示系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117369684A true CN117369684A (zh) | 2024-01-09 |
Family
ID=89405169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311300347.3A Pending CN117369684A (zh) | 2023-10-09 | 2023-10-09 | 消息提示方法、服务端、消息提示系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117369684A (zh) |
-
2023
- 2023-10-09 CN CN202311300347.3A patent/CN117369684A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113302634B (zh) | 学习和预测关键短语以及生成预测的系统、介质和方法 | |
US11106999B2 (en) | Automatic segmentation of a collection of user profiles | |
US20210136098A1 (en) | Root cause analysis in multivariate unsupervised anomaly detection | |
US20180240041A1 (en) | Distributed hyperparameter tuning system for machine learning | |
CN112559747B (zh) | 事件分类处理方法、装置、电子设备和存储介质 | |
Bogaert et al. | The added value of Facebook friends data in event attendance prediction | |
US20220027764A1 (en) | Method of and system for online machine learning with dynamic model evaluation and selection | |
US12093159B2 (en) | Audit logging database system and user interface | |
CN111405030B (zh) | 一种消息推送方法、装置、电子设备和存储介质 | |
US11693905B2 (en) | Chart-based time series regression model user interface | |
WO2020258773A1 (zh) | 确定推送用户群的方法、装置、设备及存储介质 | |
US11620547B2 (en) | Estimating number of distinct values in a data set using machine learning | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
Katevas et al. | Practical processing of mobile sensor data for continual deep learning predictions | |
KR102057622B1 (ko) | 콘텐츠 관리 시스템 | |
CN112817563A (zh) | 目标属性配置信息确定方法、计算机设备和存储介质 | |
CN107122464B (zh) | 一种辅助决策系统及方法 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN117369684A (zh) | 消息提示方法、服务端、消息提示系统及存储介质 | |
CN116304087A (zh) | 一种基于知识图谱的微博事件热度预测方法 | |
Bingöl et al. | Topic-based influence computation in social networks under resource constraints | |
US20190089659A1 (en) | Bursty detection for message streams | |
CN115329078A (zh) | 文本数据处理方法、装置、设备以及存储介质 | |
CN114820011A (zh) | 用户群体聚类方法、装置、计算机设备和存储介质 | |
WO2024208076A1 (zh) | 行为数据预测模型的更新方法、装置、设备及存储介质 |
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 |