WO2020253364A1 - 基于大数据分析的信息推送方法、装置、设备及存储介质 - Google Patents

Abstract

一种基于大数据分析的信息推送方法、装置、设备及存储介质，属于大数据分析技术领域。该方法包括：分时段采集待监控自媒体账号发布的网络数据(S10)；利用预先构建的大数据分析模型对各时段的网络数据进行分析，得到所述网络数据对应的热点的变化率(S20)；根据变化率和预设的信息价值判断标准，预测所述热点是否具备推送价值(S30)；若预测热点具备推送价值，则将所述网络数据推送给用户，以使所述用户根据所述网络数据制定贴合所述热点的业务方案(S40)。通过上述方式，解决了现有技术中无法快速、准确的从众多网络数据中识别出有价值的信息，并将有价值的信息推送给用户的技术问题。

Description

基于大数据分析的信息推送方法、装置、设备及存储介质

本申请要求于2019年6月19日提交中国专利局、申请号为201910539816.4，发明名称为“基于大数据分析的信息推送方法、装置、设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本申请涉及大数据分析技术领域，尤其涉及一种基于大数据分析的信息推送方法、装置、设备及存储介质。

背景技术

随着大数据时代的到来，网络中每时每刻都会产生大量的网络数据，而如何从这些网络数据中识别出对用户有价值的信息就显得尤为重要。

然而，发明人意识到在实际应用中，对于有价值信息的判断通常是由用户凭借经验和个人情感确定的，因此根本无法从众多的网络数据中快速、精准的识别出有价值的信息，这就使得用户不能及时根据有价值的信息制定合适的业务方案。

所以，亟需提供一种能够从众多网络数据中快速、精准的识别出有价值的信息推送给用户的方法。

上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。

发明概述

技术问题

问题的解决方案

技术解决方案

本申请的主要目的在于提供一种基于大数据分析的信息推送方法、装置、设备及存储介质，旨在解决现有技术中无法快速、准确的从众多网络数据中识别出 有价值的信息，并将有价值的信息推送给用户的技术问题。

为实现上述目的，本申请提供了一种基于大数据分析的信息推送方法，所述方法包括以下步骤：

分时段采集待监控自媒体账号发布的网络数据；

利用预先构建的大数据分析模型对各时段的网络数据进行分析，得到所述网络数据对应的热点的变化率；

根据所述变化率和预设的信息价值判断标准，预测所述热点是否具备推送价值；

若预测所述热点具备推送价值，则将所述网络数据推送给用户，以使所述用户根据所述网络数据制定贴合所述热点的业务方案。

此外，为实现上述目的，本申请还提出一种基于大数据分析的信息推送装置，所述装置包括：

采集模块，用于分时段采集待监控自媒体账号发布的网络数据；

分析模块，用于利用预先构建的大数据分析模型对各时段的网络数据进行分析，得到所述网络数据对应的热点的变化率；

预测模块，用于根据所述变化率和预设的信息价值判断标准，预测所述热点是否具备推送价值；

推送模块，用于在所述热点具备推送价值时，将所述网络数据推送给用户，以使所述用户根据所述网络数据制定贴合所述热点的业务方案。

此外，为实现上述目的，本申请还提出一种基于大数据分析的信息推送设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于大数据分析的信息推送程序，所述基于大数据分析的信息推送程序配置为实现如上文所述的基于大数据分析的信息推送方法的步骤。

此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质上存储有基于大数据分析的信息推送程序，所述基于大数据分析的信息推送程序被处理器执行时实现如上文所述的基于大数据分析的信息推送方法的步骤。

本申请提供的基于大数据分析的信息推送方案，通过分时段采集指定待监控自媒体账号发布的网络数据，并对各时段的网络数据进行分析，确定所述待监控 自媒体账号发布的某一条网络数据对应的热点的变化率，从而可以在所述网络数据对应的内容成为社会热点之前，预先判断出所述热点是否具备推送价值，进而决定是否将所述网络数据推送给用户，以使用户根据自己的业务需求，以及所述网络数据制定贴合所述热点的业务方案。这样不仅可以避免用户盲目跟风，又可以有效的利用该热点对自己的业务进行推广。

此外，由于本实施例中采集的网络数据是来自指定待监控自媒体账号的，因而实现了网络数据的可控，从而大大减小了用于处理网络数据的设备的系统资源。

发明的有益效果

对附图的简要说明

附图说明

图1是本申请实施例方案涉及的硬件运行环境的基于大数据分析的信息推送设备的结构示意图；

图2为本申请基于大数据分析的信息推送方法第一实施例的流程示意图；

图3为本申请基于大数据分析的信息推送方法第二实施例的流程示意图；

图4为本申请基于大数据分析的信息推送装置第一实施例的结构框图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

发明实施例

本发明的实施方式

应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

参照图1，图1为本申请实施例方案涉及的硬件运行环境的基于大数据分析的信息推送设备结构示意图。

如图1所示，该基于大数据分析的信息推送设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keybo ard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对基于大数据分析的信息推送设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于大数据分析的信息推送程序。

在图1所示的基于大数据分析的信息推送设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本申请基于大数据分析的信息推送设备中的处理器1001、存储器1005可以设置在基于大数据分析的信息推送设备中，所述基于大数据分析的信息推送设备通过处理器1001调用存储器1005中存储的基于大数据分析的信息推送程序，并执行本申请实施例提供的基于大数据分析的信息推送方法。

本申请实施例提供了一种基于大数据分析的信息推送方法，参照图2，图2为本申请一种基于大数据分析的信息推送方法第一实施例的流程示意图。

本实施例中，所述基于大数据分析的信息推送方法包括以下步骤：

步骤S10，分时段采集待监控自媒体账号发布的网络数据。

具体的说，本实施例的执行主体为服务器，比如传统的物理服务器(占用实际物理空间的服务器)或者虚拟云服务器。

此外，为了保证本实施例中提供的基于大数据分析的信息推送方法能够顺利执行，所述服务器需要与待监控自媒体账号对应的自媒体平台预先建立通信连接。

应当理解的是，本实施例中所说的自媒体，即通常所说的We Media，又称“公民媒体”或“个人媒体”。具体是指私人化、平民化、普泛化、自主化的传播者， 以现代化、电子化的手段，向不特定的大多数或者特定的单个人传递规范性及非规范性信息的新媒体的总称。

相应地，所述自媒体平台即用于供所述规范性及非规范性信息传播的网络平台。

具体的说，目前，用户使用量较多的自媒体平台主要有：博客、微博、微信、百度官方贴吧、论坛/BBS等网络社区，此处不再一一列举，对此也不做任何限制。

相应地，所述自媒体账号即为上述任意自媒体平台提供给用户使用的用户账号。

此外，值得一提的是，由于自媒体平台的使用门槛低，用户数量庞大，如果对自媒体平台的所有用户账号发布的网络数据都进行监控，显然工作量过于庞大，并且存在大量干扰信息。因而，为了既保证确定的热点具备推送价值，又能够尽可能的缩减服务器需要处理的网络数据。本实施例中所说的待监控自媒体账号具体是指符合某些特定条件的自媒体账号。

也就是说，在执行分时段采集待监控自媒体账号发布的网络数据的操作之前，需要先确定所述待监控自媒体账号。

为了便于理解，本实施例给出一种确定所述待监控自媒体账号的具体实现方式，其确定流程大致如下：

(1)根据业务需要确定待监控的自媒体平台的网络地址。

应当理解的是，上述所说的网络地址，具体是待监控的自媒体平台的统一资源定位符(Uniform Resource Locator，URL)。

(2)根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的自媒体平台爬取待处理网络数据。

具体的说，在本实施例中，用于获取待处理网络数据的网络爬虫，可以是通用网络爬虫、聚焦网络爬虫、增量式网络爬虫、深层网络爬虫等众多网络爬虫中的任意一种或几种，在具体应用中，本领域的技术人员可以根据需要选取，本申请对此不做任何限制。

此外，值得一提的是，在实际应用中，为了避免获取到的大量待处理网络数据 堆积，导致系统线程阻塞，影响处理效果，在获取到待处理网络数据之后，可以先将所述待处理网络数据添加到预先构建的待处理网络数据缓冲池中，比如Kafka消息队列。

应当理解的是，由于Kafka具有持久化、稳定性、高通吐量、支持服务器和消费集群来分区消息以及支持分布式系统并行数据加载的特性，因此选用Kafka消息队列来缓存所述待处理网络数据，可以尽可能的避免大量待处理网络数据积，从而有效防止了线程阻塞。

此外，由于Kafka是Apache软件基金会开发的一个开源流处理平台，关于它的使用方式已经较为成熟，本领域的技术人员在具体实现中，可以通过查找相关文档，自行实现，此处不再赘述。

(3)利用关键词提取技术，对预存的历史推送信息进行关键词提取，得到所述历史推送信息对应的热点的关键词。

为了便于理解，本实施例中以制定的业务方案为企业推广产品所需的营销方案为例。

相应地，预存的历史推送信息则为与企业推广的产品相关的历史营销案例。

应当理解的是，在实际应用中，上述所说的历史营销案例优选推广效果较佳的营销案例，即所述历史营销案例在推广后，吸引了大量用户关注，在一定时间达到了预期效果。

此外，由于关键词提取技术的使用方式已经较为成熟，本领域的技术人员在具体实现中，可以通过查找相关文档，自行实现，此处不再赘述。

(4)根据所述关键词，对所述待处理网络数据进行过滤，得到至少一个参与所述热点的自媒体账号。

关于过滤参与所述热点的自媒体账号的方式，具体可以是，对所述待处理网络数据进行注意遍历，然后将提取到的关键词作为索引，在每一条待处理网络数据中进行查找、过滤，筛选出包含所述关键词的待处理网络数据。然后，根据筛选出的待处理网络数据逆向获取曾经发布过所述待处理网络数据的自媒体账号即可。

(5)从各自媒体账号中筛选出参与热点次数符合预设阈值，且造成影响符合 预设条件的自媒体账号，将筛选出的自媒体账号作为所述待监控自媒体账号。

具体的说，由于在实际应用中，参与某一热点对应的网络数据的发布操作的自媒体账号往往不止一个，甚至数量众多。因此，如何从大量参与过热点的自媒体账号中筛选出本实施例需要进行数据采集的待监控自媒体账号显得尤为重要。

在本实例中，通过设置两个筛选条件，一个是参与热点次数，另一个是造成的影响。然后将筛选出的各个自媒体账号对应的者两个数值与预设的阈值和条件进行对比，从而将同时满足上述两个条件的自媒体账号作为待监控自媒体账号，不仅减少了后续采集到的网络数据的数据量，也保证了采集到的网络数据对应的热点价值。

为了便于理解，以下进行举例说明：

比如说，需要确定的待监控自媒体账号为经过实名认证，在自媒体平台活跃度较高，且有大量粉丝的高级账号，即通常所说的大V账号，如新浪微博的大V账号。

相应地，预先设置的参与热点次数的阈值可以是一个概率值，比如70％，即在根据预存的历史营销案例得到的热点的数量为10次时，需要筛选出的大V账号参与热点的次数至少为7次。

相应地，预先设置的造成影响的预设条件可以是在某一预设时间段内，如1小时内，该自媒体账号发布的关于所述热点的网络消息被查看量或转发量超过某一数值，如1万次。

在这种情况下(根据预存的历史营销案例得到的热点的数量为10次)，如果根据所述关键词，对所述待处理网络数据进行过滤，得到的自媒体账号有3个，为了便于说明，以下称为自媒体账号A、自媒体账号B和自媒体账号C。

其中，自媒体账号A对应的参与热点次数为5次，造成影响程度为1小时内，发布的关于所述热点的网络消息被查看量或转发量超过了1万次；自媒体账号B对应的参与热点次数为8次，造成影响程度为1小时内，发布的关于所述热点的网络消息被查看量或转发量超过了1.5万次；自媒体账号C对应的参与热点次数为7次，造成影响程度为1小时内，发布的关于所述热点的网络消息被查看量或转发 量超过了0.8万次。

通过上述描述不难发现，最终符合条件的自媒体账号只有自媒体账号B，也就是说，最终却的待监控自媒体账号即为自媒体账号B。

应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本申请对此不做限制。

步骤S20，利用预先构建的大数据分析模型对各时段的网络数据进行分析，得到所述网络数据对应的热点的变化率。

具体的说，在实际应用中，利用预先构建的大数据分析模型对各时段的网络数据进行分析，得到所述网络数据对应的热点的变化率的操作，实质上就是将采集到的各时段的网络数据作为输入参数，依次输入到所述大数据分析模型的输入层，然后由所述大数据分析模型对输入的网络数据进行自动分析处理，最终便会直接输出对应的热点的变化率。

此外，值得一提的是，在实际应用中，为了保证上述操作的顺利执行，需要先构建所述大数据分析模型。

关于建所述大数据分析模型的方式，大致可以按照如下流程实现：

(1)接收数据采集指令，从所述数据采集指令中提取待采集的训练数据的网络地址。

应当理解的是，上述所说的网络地址，除了可以是待采集的训练数据所在的网页的统一资源定位符(Uniform Resource Locator，URL)，还可以是任意大数据平台中，所述训练数据的数据库存储地址，此处不再一一列举，对此也不做任何限制。

此外，值得一提的是，为了保证后续分析获得的热点的变化率的精确度，所述训练数据应当是确定的待监控自媒体账号发布的历史网络数据，以及发布的历史网络数据的用户关注信息，如用户转发活跃度、转发时间、转发所历史网络数据的用户特征信息等，此处不再一一列举，对此也不做任何限制。

(2)根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的网页中获取所述训练数据。

关于所述网络爬虫的选取，可以参考上述确定所述待监控自媒体账号中网络爬虫的选取过程，此处不再赘述。

此外，值得一提的是，在实际应用中，为了避免大量训练数据堆积，导致系统线程阻塞，影响处理效果，在获取到训练数据之后，同样可以先将所述训练数据添加到预先构建的训练数据缓冲池中，比如Kafka消息队列。

关于Kafka的使用，同样可以参考上述确定所述待监控自媒体账号给出的方案以及现有关于Kafka的相关文档自行实现，此处不再赘述。

(3)根据所述训练数据和预先确定的机器学习算法，规划学习路径。

具体的说，在本实施例中，预先确定的机器学习算法为卷积神经网络算法。

相应地，规划的学习路径，可以是有监督学习方式和无监督学习方式。

关于上述所说的有监督学习方式和无监督学习方式，在具体实现过程中，本领域的技术人员可以查看相关文档，自行实现，此处不再赘述。

(4)根据所述学习路径和所述训练数据，构建训练模型。

具体的说，由于预先确定的机器学习算法为卷积神经网络算法，而目前采用卷积神经网络算法进行训练的训练模型的卷积核大多为5×5的。这就导致训练模型的网络深度不足，进而导致训练获得的大数据分析模型对所述网络数据的分析结果的精确度不够。因此，为了提升训练模型的网络深度，进而使得训练获得的大数据分析模型的对所述网络数据的分析结果的精确度，在执行上述步骤(4)之前，可以先对所述训练模型进行卷积核拆分操作，将所述训练模型中5×5的卷积核拆分为至少两个3×3的卷积核，从而增加训练模型的网络深度。

相应地，所述采用所述机器学习算法，对所述训练模型进行迭代训练的操作具体变为：采用卷积神经网络算法，分别对所述训练模型中拆分获得的至少两个 3×3的卷积核进行迭代训练。

此外，在实际应用中，为了提升训练获得的大数据分析模型的泛化能力(机器学习算法对新鲜样本的适应能力)，在根据所述学习路径和所述训练数据，构建训练模型之前，还可以先对所述训练数据进行归一化处理，从而得到目标训练数据。

相应地，所述根据所述学习路径和所述训练数据，构建训练模型的操作具体变为：根据所述学习路径和所述目标训练数据，构建训练模型。

(5)根据预设的大数据分析模型对应的业务需求，确定学习目标。

具体的说，上述所说的学习目标，在后续训练过程中，是用于检测训练结果是否极大地逼近真实数据，即训练模型在完成某一次训练后，在将训练数据输入训练模型后，输出的训练结果与所述学习目标接近。

(6)采用所述机器学习算法，对所述训练模型进行迭代训练。

(7)在训练得到的训练结果与所述学习目标的匹配度大于预设阈值时，确定得到所述大数据分析模型。

应当理解的是，以上给出的仅为一种构建大数据分析模型的具体方式，对本申请的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本申请对此不做限制。

步骤S30，根据所述变化率和预设的信息价值判断标准，预测所述热点是否具备推送价值。

具体的说，这里所说的信息价值判断标准，即为预先设定的，在变化率符合什么条件时，会认为当前网络数据对应的热点具备推送价值。

仍以最终制定的业务方案为营销方案为例，则上述用于判断变化率的价值信息判断标准即为营销价值判断标准。

相应地，最终预测所述热点是否具备推送价值的操作，即为预测所述热点是否具备营销价值。

也就是说，在产品营销的应用场景中，如果预测的所述热点具备营销价值，则认为所述热点对应的网络数据具备推送价值。

为了便于理解，营销价值判断标准以及确定热点是否具备营销价值，以下进行举例说明：

比如说，在连续时间tn过程中，t1时刻所述网络数据的用户转发量为n1，t2时刻所述网络数据的用户转发量为n2，t3时刻所述网络数据的用户转发量为n3；设定的营销价值判断标准为：tn-＞tn+1-＞tn+2每个时间点递增超过20％，则认为所述热点具备营销价值。

应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本申请对此不做限制。

步骤S40，若预测所述热点具备推送价值，则将所述网络数据推送给用户，以使所述用户根据所述网络数据制定贴合所述热点的业务方案。

具体的说，本实施例中所说具备推送价值的热点可以是近期将会产生很高话题度的热点。

此外，本实施例中所说的，在确定所述热点具备推送价值，将所述网络数据推送给用户的操作，实质是将所述网络数据推送到所述用户的终端设备上，比如个人计算机、平板电脑、智能手机等，此处不再一一列举，对此也不做限制。

此外，应当理解的是，上述所说的用户，在实际应用中并不局限于单独的自然人，也可以是企业，或者企业中负责某项业务的工作人员。

仍以最终制定的业务方案为营销方案为例，则所述用户即为企业中负责产品推广工作的营销人员。

此外，值得一提的是，在实际应用中，为了能够更好的辅助用户制定合适的业务方案，在将所述网络数据推送给所述用户之后，可以由服务器根据用户提供的相关信息，自动生成一个贴合所述热点的业务方案，以供所述用户参考。

为了便于理解上述所说的根据所述网络数据制定贴合所述热点的业务方案的操作，本实施例以制定的业务方案为营销方案为例进行说明：

首先，在将所述网络数据推送给所述用户(具体为负责产品推广的营销人员)之后，监测所述用户是否触发了业务方案生成指令(具体为营销方案生成指令)。

相应地，若监测到所述用户触发了业务方案生成指令，则获取所述用户提供的待推广产品的产品信息。

然后，根据所述网络数据对应的热点，生成热点模板。

最后，将所述产品信息输入到所述热点模板的指定位置，得到贴合所述热点的业务方案。

为了便于理解，以下进行举例说明：

比如说，在所述网络数据的格式为：官宣+一颗心(符号)+某一明星的照片，则生成的热点模板可以是：官宣+一颗心(符号)+图片/信息添加区域；

相应地，得到的贴合所述热点的营销方案，即为官宣+一颗心(符号)+所述待推广产品的产品图片/信息。

还比如说，在所述网络数据的格式为：XX是我的XX，则生成的热点模板可以是：“待推广产品名称”是我的XX+图片/信息添加区域；

相应地，得到的贴合所述热点的营销方案，即为“待推广产品名称”是我的XX+所述待推广产品的产品图片/信息。

应当理解的是，上述“XX”，在实际应用中只需贴合为与所述待推广产品相关的内容即可，此处不做限制。

此外，应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本申请对此不做限制。

通过上述描述不难发现，本实施例中提供的基于大数据分析的信息推送方法，通过分时段采集指定待监控自媒体账号发布的网络数据，并对各时段的网络数据进行分析，确定所述待监控自媒体账号发布的某一条网络数据对应的热点的变化率，从而可以在所述网络数据对应的内容成为社会热点之前，预先判断出所述热点是否具备推送价值，进而决定是否要进行“借势营销”，这样不仅可以避免盲目跟风，又可以有效的利用该热点进行“借势营销”，进而提升营销效果。

此外，在本实施例提供的基于大数据分析的信息推送方法中，采集的网络数据是来自指定待监控自媒体账号的，因而实现了网络数据的可控，从而大大减小了用于处理网络数据的设备的系统资源。

参考图3，图3为本申请一种基于大数据分析的信息推送方法第二实施例的流程示意图。

基于上述第一实施例，本实施例基于大数据分析的信息推送方法在所述步骤S40之后，还包括：

步骤S50，将所述业务方案发布到预设的自媒体平台。

具体的说，上述所说的预设的自媒体平台，可以是提供所述待监控自媒体账号的自媒体平台，也可以是其他自媒体平台，在实际应用中，本领域的技术人员可以根据待推广产品与自媒体平台的合作关系以及自媒体平台的普及范围合理选取。

相应地，上述所说的将所述业务方案发布到预设的自媒体平台的操作，具体是利用预先注册的所述预设自媒体平台的自媒体账号进行业务方案发布操作的。

步骤S60，获取所述自媒体平台的用户对所述业务方案的响应信息。

仍以制定的业务方案为营销方案为例，上述所说的响应信息可以包括所述自媒体平台的用户对所述营销方案的转发、查看等操作的次数，以及转发人群的用户特征信息、提交的评论信息等。

步骤S70，根据所述响应信息，对所述业务方案进行调整。

仍以制定的业务方案为营销方案为例，在根据所述响应信息，对所述营销方案进行调整时，具体可以利用大数据分析技术，对所述响应信息进行分析，提取出用户对所述营销方案的认可内容以及不满意部分，然后根据提取出的内容，对所述营销方案进行合理。

通过上述描述不难发现，本实施例中提供的基于大数据分析的信息推送方法，在制定的贴合所述热点的营销方案发布到预设的自媒体平台后，通过获取所述自媒体平台的用户对所述营销方案的响应信息，然后根据所述响应信息，对所述营销方案进行调整，使得营销方案能够根据实际情况进行实时调整，更好的贴合营销热点。

此外，本申请实施例还提出一种存储介质，所述存储介质上存储有基于大数据分析的信息推送程序，所述基于大数据分析的信息推送程序被处理器执行时实现如上文所述的基于大数据分析的信息推送方法的步骤。所述计算机可读存储 介质可以是非易失性，也可以是易失性。

参照图4，图4为本申请基于大数据分析的信息推送装置第一实施例的结构框图。

如图4所示，本申请实施例提出的基于大数据分析的信息推送装置包括：采集模块4001、分析模块4002、预测模块4003和推送模块4004。

其中，所述采集模块4001，用于分时段采集待监控自媒体账号发布的网络数据；所述分析模块4002，用于利用预先构建的大数据分析模型对各时段的网络数据进行分析，得到所述网络数据对应的热点的变化率；所述预测模块4003，用于根据所述变化率和预设的信息价值判断标准，预测所述热点是否具备推送价值；所述推送模块4004，用于在所述热点具备推送价值时，将所述网络数据推送给用户，以使所述用户根据所述网络数据制定贴合所述热点的业务方案。

此外，值得一提的是，为了保证待监控自媒体账号发布的网络数据为具备推送价值的信息。因此，本实施例提供的基于大数据分析的信息推送装置还包括：待监控自媒体账号确定模块。

相应地，所述待监控自媒体账号确定模块，用于在所述采集模块4001分时段采集待监控自媒体账号发布的网络数据之前，确定所述待监控自媒体账号。

关于所述待监控自媒体账号确定模块，确定所述待监控自媒体账号的方式，大致可以按照如下流程实现：

首先，根据业务需要确定待监控的自媒体平台的网络地址；

然后，根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的自媒体平台爬取待处理网络数据；

接着，利用关键词提取技术，对预存的历史推送信息进行关键词提取，得到所述历史推送信息对应的热点的关键词；

接着，根据所述关键词，对所述待处理网络数据进行过滤，得到至少一个参与所述热点的自媒体账号；

最后，从各自媒体账号中筛选出参与热点次数符合预设阈值，且造成影响符合预设条件的自媒体账号，将筛选出的自媒体账号作为所述待监控自媒体账号。

应当理解的是，以上给出的仅为一种确定待监控自媒体账号的具体方式，对本 申请的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本申请对此不做限制。

此外，应当理解的是，在实际应用中，为了保证所述分析模块4002能够顺利的执行分析操作。本实施例提供的基于大数据分析的信息推送装置还包括：大数据分析模型构建模块。

相应地，所述大数据分析模型构建模块，用于在所述分析模块4002利用预先构建的大数据分析模型对各时段的网络数据进行分析之前，构建所述大数据分析模型。

关于所述大数据分析模型构建模块，构建所述大数据分析模型的方式，大致可以按照如下流程实现：

首先，接收数据采集指令，从所述数据采集指令中提取待采集的训练数据的网络地址；

然后，根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的网页中获取所述训练数据；

接着，根据所述训练数据和预先确定的机器学习算法，规划学习路径；

接着，根据所述学习路径和所述训练数据，构建训练模型；

接着，根据预设的大数据分析模型对应的业务需求，确定学习目标；

接着，采用所述机器学习算法，对所述训练模型进行迭代训练；

最后，在训练得到的训练结果与所述学习目标的匹配度大于预设阈值时，确定得到所述大数据分析模型。

为了便于理解，本实施例给出一种具体的机器学习算法，具体为卷积神经网络算法。

相应地，在根据所述学习路径和所述训练数据构建的训练模型的卷积核具体为5×5的。

因此，为了提升训练模型的网络深度，使得训练获得的大数据分析模型能够更加精准的对各时段的网络数据进行分析，得到更加精准的分析结果。在采用所述卷积神经网络算法，对所述训练模型进行迭代训练之前，可以先对所述训练 模型进行卷积核拆分操作，从而将所述训练模型中5×5的卷积核拆分为至少两个3×3的卷积核。

相应地，所述采用所述机器学习算法，对所述训练模型进行迭代训练的操作具体变为：采用卷积神经网络算法，分别对所述训练模型中拆分获得的至少两个3×3的卷积核进行迭代训练。

此外，在实际应用中，为了提升训练获得的大数据分析模型的泛化能力，在根据所述学习路径和所述训练数据，构建训练模型之前，还可以先对所述训练数据进行归一化处理，从而得到目标训练数据。

相应地，所述根据所述学习路径和所述训练数据，构建训练模型的操作具体变为：根据所述学习路径和所述目标训练数据，构建训练模型。

应当理解的是，以上给出的仅为一种构建大数据分析模型的具体方式，对本申请的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本申请对此不做限制。

此外，值得一提的是，所述推送模块4004在将所述网络数据推送给用户之后，本实施例中所说的以使所述用户根据所述网络数据制定贴合所述热点的业务方案的操作，大致可以如下：

首先，监测所述用户是否触发了业务方案生成指令；

相应地，若监测到所述用户触发了业务方案生成指令，则获取所述用户提供的待推广产品的产品信息；

然后，根据所述网络数据对应的热点，生成热点模板；

最后，将所述产品信息输入到所述热点模板的指定位置，得到贴合所述热点的业务方案。

应当理解的是，以上给出的仅为一种制定贴合所述热点的营销方案的具体方式 ，对本申请的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本申请对此不做限制。

通过上述描述不难发现，本实施例中提供的基于大数据分析的信息推送装置，通过分时段采集指定待监控自媒体账号发布的网络数据，并对各时段的网络数据进行分析，确定所述待监控自媒体账号发布的某一条网络数据对应的热点的变化率，从而可以在所述网络数据对应的内容成为社会热点之前，预先判断出所述热点是否具备推送价值，进而决定是否将所述网络数据推送给用户，以使用户根据自己的业务需求，以及所述网络数据制定贴合所述热点的业务方案。这样不仅可以避免用户盲目跟风，又可以有效的利用该热点对自己的业务进行推广。

此外，在本实施例提供的基于大数据分析的信息推送装置中，采集的网络数据是来自指定待监控自媒体账号的，因而实现了网络数据的可控，从而大大减小了用于处理网络数据的设备的系统资源。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本申请的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的基于大数据分析的信息推送方法，此处不再赘述。

基于上述基于大数据分析的信息推送装置的第一实施例，提出本申请基于大数据分析的信息推送装置第二实施例。

在本实施例中，所述基于大数据分析的信息推送装置还包括业务方案发布模块、响应信息获取模块和业务方案调整模块。

其中，所述业务方案发布模块，用于将所述业务方案发布到预设的自媒体平台。

所述响应信息获取模块，用于获取所述自媒体平台的用户对所述业务方案的响应信息。

所述业务方案调整模块，用于根据所述响应信息，对所述业务方案进行调整。

应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限定， 在具体应用中，本领域的技术人员可以根据需要进行设置，本申请对此不做限制。

通过上述描述不难发现，本实施例中提供的基于大数据分析的信息推送装置，在制定的贴合所述热点的业务方案发布到预设的自媒体平台后，通过获取所述自媒体平台的用户对所述业务方案的响应信息，然后根据所述响应信息，对所述业务方案进行调整，使得业务方案能够根据实际情况进行实时调整，更好的贴合热点。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本申请的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的基于大数据分析的信息推送方法，此处不再赘述。

此外，需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。所述计算机可读存储介质可以是非易失性，也可以是易失性。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本 申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (20)

1. 一种基于大数据分析的信息推送方法，其中，所述方法包括：

   分时段采集待监控自媒体账号发布的网络数据；

   利用预先构建的大数据分析模型对各时段的网络数据进行分析，得到所述网络数据对应的热点的变化率；

   根据所述变化率和预设的信息价值判断标准，预测所述热点是否具备推送价值；

   若预测所述热点具备推送价值，则将所述网络数据推送给用户，以使所述用户根据所述网络数据制定贴合所述热点的业务方案。
2. 如权利要求1所述的方法，其中，所述分时段采集待监控自媒体账号发布的网络数据的步骤之前，所述方法还包括：

   确定所述待监控自媒体账号；

   其中，所述确定所述待监控自媒体账号的步骤，包括：

   根据业务需要确定待监控的自媒体平台的网络地址；

   根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的自媒体平台爬取待处理网络数据；

   利用关键词提取技术，对预存的历史推送信息进行关键词提取，得到所述历史推送信息对应的热点的关键词；

   根据所述关键词，对所述待处理网络数据进行过滤，得到至少一个参与所述热点的自媒体账号；

   从各自媒体账号中筛选出参与热点次数符合预设阈值，且造成影响符合预设条件的自媒体账号，将筛选出的自媒体账号作为所述待监控自媒体账号。
3. 如权利要求1所述的方法，其中，所述利用预先构建的大数据分析模型对各时段的网络数据进行分析的步骤之前，所述方法还包括：

   构建所述大数据分析模型；

   其中，所述构建所述大数据分析模型的步骤，包括：

   接收数据采集指令，从所述数据采集指令中提取待采集的训练数据的网络地址；

   根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的网页中获取所述训练数据；

   根据所述训练数据和预先确定的机器学习算法，规划学习路径；

   根据所述学习路径和所述训练数据，构建训练模型；

   根据预设的大数据分析模型对应的业务需求，确定学习目标；

   采用所述机器学习算法，对所述训练模型进行迭代训练；

   在训练得到的训练结果与所述学习目标的匹配度大于预设阈值时，确定得到所述大数据分析模型。
4. 如权利要求3所述的方法，其中，所述机器学习算法为卷积神经网络算法，所述训练模型的卷积核为

   5×5

   ；

   所述采用所述机器学习算法，对所述训练模型进行迭代训练的步骤之前，所述方法还包括：

   对所述训练模型进行卷积核拆分操作，将所述训练模型中

   5×5

   的卷积核拆分为至少两个

   3×3

   的卷积核；

   其中，所述采用所述机器学习算法，对所述训练模型进行迭代训练的步骤，包括：

   采用卷积神经网络算法，分别对所述训练模型中拆分获得的至少两个

   3×3

   的卷积核进行迭代训练。
5. 如权利要求3所述的方法，其中，所述根据所述学习路径和所述训练数据，构建训练模型的步骤之前，所述方法还包括：

   对所述训练数据进行归一化处理，得到目标训练数据；

   其中，所述根据所述学习路径和所述训练数据，构建训练模型的步骤，包括：

   根据所述学习路径和所述目标训练数据，构建训练模型。
6. 如权利要求1至5任一项所述的方法，其中，所述以使所述用户根据所述网络数据制定贴合所述热点的业务方案的步骤，包括：

   监测所述用户是否触发了业务方案生成指令；

   若监测到所述用户触发了业务方案生成指令，则获取所述用户提供的待推广产品的产品信息；

   根据所述网络数据对应的热点，生成热点模板；

   将所述产品信息输入到所述热点模板的指定位置，得到贴合所述热点的业务方案。
7. 如权利要求6所述的方法，其中，所述得到贴合所述热点的业务方案的步骤之后，所述方法还包括：

   将所述业务方案发布到预设的自媒体平台；

   获取所述自媒体平台的用户对所述业务方案的响应信息；

   根据所述响应信息，对所述业务方案进行调整。
8. 一种基于大数据分析的信息推送设备，其中，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于大数据分析的信息推送程序，所述基于大数据分析的信息推送程序配置为被处理器执行实现如下步骤：

   分时段采集待监控自媒体账号发布的网络数据；

   利用预先构建的大数据分析模型对各时段的网络数据进行分析，得到所述网络数据对应的热点的变化率；

   根据所述变化率和预设的信息价值判断标准，预测所述热点是否具备推送价值；

   若预测所述热点具备推送价值，则将所述网络数据推送给用户，以使所述用户根据所述网络数据制定贴合所述热点的业务方案。
9. 如权利要求8所述的基于大数据分析的信息推送设备，其中，所述分时段采集待监控自媒体账号发布的网络数据的步骤之前，所述处理器还执行实现：

   确定所述待监控自媒体账号；

   其中，所述确定所述待监控自媒体账号的步骤，包括：

   根据业务需要确定待监控的自媒体平台的网络地址；

   根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的自媒体平台爬取待处理网络数据；

   利用关键词提取技术，对预存的历史推送信息进行关键词提取，得到所述历史推送信息对应的热点的关键词；

   根据所述关键词，对所述待处理网络数据进行过滤，得到至少一个参与所述热点的自媒体账号；

   从各自媒体账号中筛选出参与热点次数符合预设阈值，且造成影响符合预设条件的自媒体账号，将筛选出的自媒体账号作为所述待监控自媒体账号。
10. 如权利要求8所述的基于大数据分析的信息推送设备，其中，所述利用预先构建的大数据分析模型对各时段的网络数据进行分析的步骤之前，所述处理器还执行：

    构建所述大数据分析模型；

    其中，所述构建所述大数据分析模型的步骤，包括：

    接收数据采集指令，从所述数据采集指令中提取待采集的训练数据的网络地址；

    根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的网页中获取所述训练数据；

    根据所述训练数据和预先确定的机器学习算法，规划学习路径；

    根据所述学习路径和所述训练数据，构建训练模型；

    根据预设的大数据分析模型对应的业务需求，确定学习目标；

    采用所述机器学习算法，对所述训练模型进行迭代训练；

    在训练得到的训练结果与所述学习目标的匹配度大于预设阈值时，确定得到所述大数据分析模型。
11. 如权利要求10所述的基于大数据分析的信息推送设备，其中，所述机器学习算法为卷积神经网络算法，所述训练模型的卷积核为5×5

    ；

    所述采用所述机器学习算法，对所述训练模型进行迭代训练的步骤之前，所述处理器还执行：

    对所述训练模型进行卷积核拆分操作，将所述训练模型中

    5×5

    的卷积核拆分为至少两个

    3×3

    的卷积核；

    其中，所述采用所述机器学习算法，所述处理器执行实现对所述训练模型进行迭代训练的步骤，包括：

    采用卷积神经网络算法，分别对所述训练模型中拆分获得的至少两个

    3×3

    的卷积核进行迭代训练。
12. 如权利要求10所述的基于大数据分析的信息推送设备，其中，所述根据所述学习路径和所述训练数据，构建训练模型的步骤之前，所述处理器还执行：

    对所述训练数据进行归一化处理，得到目标训练数据；

    其中，所述处理器执行实现所述根据所述学习路径和所述训练数据，构建训练模型的步骤，包括：

    根据所述学习路径和所述目标训练数据，构建训练模型。
13. 如权利要求8至12任一项所述的基于大数据分析的信息推送设备，其中，所述处理器执行实现所述以使所述用户根据所述网络数据制定贴合所述热点的业务方案的步骤，包括：

    监测所述用户是否触发了业务方案生成指令；

    若监测到所述用户触发了业务方案生成指令，则获取所述用户提供的待推广产品的产品信息；

    根据所述网络数据对应的热点，生成热点模板；

    将所述产品信息输入到所述热点模板的指定位置，得到贴合所述热点的业务方案。
14. 如权利要求13所述的基于大数据分析的信息推送设备，其中，所述得到贴合所述热点的业务方案的步骤之后，所述处理器还执行：

    将所述业务方案发布到预设的自媒体平台；

    获取所述自媒体平台的用户对所述业务方案的响应信息；

    根据所述响应信息，对所述业务方案进行调整。
15. 一种存储介质，其中，所述存储介质上存储有基于大数据分析的信息推送程序，所述基于大数据分析的信息推送程序被处理器执行时实现如下步骤：

    分时段采集待监控自媒体账号发布的网络数据；

    利用预先构建的大数据分析模型对各时段的网络数据进行分析，得到所述网络数据对应的热点的变化率；

    根据所述变化率和预设的信息价值判断标准，预测所述热点是否具备推送价值；

    若预测所述热点具备推送价值，则将所述网络数据推送给用户，以使所述用户根据所述网络数据制定贴合所述热点的业务方案。
16. 如权利要求15所述的存储介质，其中，所述分时段采集待监控自媒体账号发布的网络数据的步骤之前，所述基于大数据分析的信 息推送程序还被处理器执行实现：

    确定所述待监控自媒体账号；

    其中，所述确定所述待监控自媒体账号的步骤，包括：

    根据业务需要确定待监控的自媒体平台的网络地址；

    根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的自媒体平台爬取待处理网络数据；

    利用关键词提取技术，对预存的历史推送信息进行关键词提取，得到所述历史推送信息对应的热点的关键词；

    根据所述关键词，对所述待处理网络数据进行过滤，得到至少一个参与所述热点的自媒体账号；

    从各自媒体账号中筛选出参与热点次数符合预设阈值，且造成影响符合预设条件的自媒体账号，将筛选出的自媒体账号作为所述待监控自媒体账号。
17. 如权利要求15所述的存储介质，其中，所述利用预先构建的大数据分析模型对各时段的网络数据进行分析的步骤之前，所述基于大数据分析的信息推送程序还被处理器执行实现：

    构建所述大数据分析模型；

    其中，所述构建所述大数据分析模型的步骤，包括：

    接收数据采集指令，从所述数据采集指令中提取待采集的训练数据的网络地址；

    根据所述网络地址对网络爬虫进行配置，利用所述网络爬虫从所述网络地址对应的网页中获取所述训练数据；

    根据所述训练数据和预先确定的机器学习算法，规划学习路径；

    根据所述学习路径和所述训练数据，构建训练模型；

    根据预设的大数据分析模型对应的业务需求，确定学习目标；

    采用所述机器学习算法，对所述训练模型进行迭代训练；

    在训练得到的训练结果与所述学习目标的匹配度大于预设阈值时，确定得到所述大数据分析模型。
18. 如权利要求17所述的存储介质，其中，所述机器学习算法为卷积神经网络算法，所述训练模型的卷积核为

    5×5

    ；

    所述采用所述机器学习算法，对所述训练模型进行迭代训练的步骤之前，所述基于大数据分析的信息推送程序还被处理器执行实现：

    对所述训练模型进行卷积核拆分操作，将所述训练模型中

    5×5

    的卷积核拆分为至少两个

    3×3

    的卷积核；

    其中，所述基于大数据分析的信息推送程序被处理器执行实现所述采用所述机器学习算法，对所述训练模型进行迭代训练的步骤，包括：

    采用卷积神经网络算法，分别对所述训练模型中拆分获得的至少两个

    3×3

    的卷积核进行迭代训练。
19. 如权利要求17所述的存储介质，其中，所述根据所述学习路径和所述训练数据，构建训练模型的步骤之前，所述基于大数据分析的信息推送程序还被处理器执行实现：

    对所述训练数据进行归一化处理，得到目标训练数据；

    其中，所述根据所述学习路径和所述训练数据，构建训练模型的步骤，包括：

    根据所述学习路径和所述目标训练数据，构建训练模型。
20. 如权利要求15至19任一项所述的存储介质，其中，所述基于大数 据分析的信息推送程序被处理器执行实现所述以使所述用户根据所述网络数据制定贴合所述热点的业务方案的步骤，包括：

    监测所述用户是否触发了业务方案生成指令；

    若监测到所述用户触发了业务方案生成指令，则获取所述用户提供的待推广产品的产品信息；

    根据所述网络数据对应的热点，生成热点模板；

    将所述产品信息输入到所述热点模板的指定位置，得到贴合所述热点的业务方案。

Images