CN103716338B - 一种信息推送方法和装置 - Google Patents

Abstract

本发明实施例公开了一种信息推送方法和装置，该方法包括：获得当前用户的用户信息和历史用户的用户信息；根据所述当前用户的用户信息、历史用户的用户信息，获取所述当前用户的相似用户圈，所述相似用户圈包括与所述当前用户有关的一个或多个历史用户；获取所述相似用户圈中的历史用户对各待推送信息的喜好度，并根据所述喜好度选取待推送信息推送给所述当前用户。采用本发明，在信息推送过程中考虑用户的特点，有针对性的对用户进行信息推送。

Description

一种信息推送方法和装置

技术领域

本发明涉及互联网领域，尤其涉及一种信息推送方法和装置。

背景技术

随着互联网技术的不断发展，在互联网上存在越来越多的信息交流。如，业务商可以在互联网上发布各种广告，而拥有用户资源的渠道商则可以将这些广告直接推送给用户。

推送(Push)技术是一种基于客户服务器机制由服务器主动的将信息发往客户端的技术，其传送的信息通常是用户所事先预定的。同传统的拉技术(PULL)相比，前者是由服务器主动发送信息，而后者则是由客户机主动请求信息。推送技术的优势在于信息的主动性和及时性，可随时将信息推送到用户面前。

现有的互联网信息推送主要是利用推送(Push)技术，有目的、按时将用户可能感兴趣的信息主动发送到用户的计算机中。就像是广播电台播音，“推送”技术主动将最新的新闻和资料推送给客户，使用者不必上网搜索。Push技术的主要优点是对用户要求低，普遍适用于广大公众，不要求有专门的技术；二是及时性好，信源及时地向用户“推送”不断更新的动态信息。

但是，现有的互联网信息推送技术中，鲜少考虑用户的需求，只一味的向用户推送。一方面，占用了无谓的网络资源；另一方面，用户可能对这些信息并不感兴趣，也造成了网络资源的浪费。

发明内容

本发明实施例所要解决的技术问题在于，提供一种信息推送方法和装置。在信息推送过程中考虑用户的特点，有针对性的对用户进行信息推送。

为了解决上述技术问题，本发明实施例提供了一种信息推送方法，包括：

获得当前用户的用户信息和历史用户的用户信息；

根据所述当前用户的用户信息、历史用户的用户信息，获取所述当前用户的相似用户圈，所述相似用户圈包括与所述当前用户有关的一个或多个历史用户；

获取所述相似用户圈中的历史用户对各待推送信息的喜好度，并根据所述喜好度选取待推送信息推送给所述当前用户。

再一方面，本发明实施例还提供了一种信息推送装置，包括：

信息获取模块，用于获得当前用户的用户信息和历史用户的用户信息；

用户圈获取模块，用于根据所述当前用户的用户信息、历史用户的用户信息，获取所述当前用户的相似用户圈，所述相似用户圈包括与所述当前用户有关的一个或多个历史用户；

喜好度获取模块，用于获取所述相似用户圈中的历史用户对各待推送信息的喜好度；

推送模块，用于根据所述喜好度选取待推送信息推送给所述当前用户。

实施本发明实施例，具有如下有益效果：在向某一用户进行信息推送时，考察该用户的相关历史用户的信息，形成与该用户有关的相似用户圈；根据相似用户圈的历史行为考察这些用户对推送信息的喜好度后，再根据喜好度进行信息推送。这样一来，向用户推送的信息就有较大的概率符合用户的需求，提高了推送的准确性，也提高了网络资源的利用率。

附图说明

为了更清楚地说明本发明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是本发明实施例中的信息推送方法的一个具体流程示意图；

图2是本发明实施例中的信息推送装置的一个具体组成示意图；

图3是本发明实施例中的用户圈获取模块的一个具体组成示意图；

图4是本发明实施例中的喜好度获取模块的一个具体组成示意图。

具体实施方式

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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明实施例中基于一基本思路，即当某个用户进行网络行为(如，搜索资源、观看在线多媒体资料)时，考察与该用户相似的用户圈子的行为，该用户圈子中包括的是历史用户，这些历史用户都曾经进行过各种网络行为，那么根据这些历史用户的网络行为来预测某个用户可能喜好的信息就有较高的准确性，如，根据历史用户的搜索点击偏好计算喜好指数来预测用户最大可能喜欢的广告、可能喜欢看的电影、可能喜欢浏览的网页等等。

其中，在获得相似用户圈时，可以通过对用户的各种维度，如学历、地域、年龄、收入、教育程度等等进行相似用户圈子的划分。当然，根据推送信息、推送信息的时机等等的不同，还可以有更多的维度选择。以下则对本发明的各具体实施例进行描述。

如图1所示，为本发明实施例中的信息推送方法的一个具体流程示意图。该流程包括如下步骤。

101、获得当前用户的用户信息和历史用户的用户信息。如前所述，该用户信息可以包括用户的各方面信息，如，学历、年龄、地域、收入、职业、兴趣爱好等等。

该用户可以是指，登录某个应用的用户、登录某个网络社区的用户、某个搜索引擎的登录用户、甚至是某个终端设备的网络地址等等，进行某项网络行为的用户。当然，如果是某个终端设备的网络地址，则搜集用户信息时，则可以考察曾经通过该网络地址登录过的某个用户的相关信息。

为了便于后续的计算，该用户信息可以是数值化的数组，并称所述数组为用户信息数组，所述用户信息数组中的元素对应用户的一个或多个属性的数值化取值。

102、根据所述当前用户的用户信息、历史用户的用户信息，获取所述当前用户的相似用户圈，所述相似用户圈包括与所述当前用户有关的一个或多个历史用户。

此处描述的历史用户是指，历史上进行过某网络行为的用户，该具体的网络行为可以与前述的当前用户一致，如都是进行网络搜索的用户，也可以不一致，如某个网络社区中的历史用户，该历史用户进行的是发表新帖，而当前用户可能仅仅是浏览视频等等。统计的历史用户的来源，与服务器的数据来源有关，此处不做限制。

当前述的用户信息为数值化数组时，本步骤具体可为：计算所述当前用户的用户信息数组与各历史用户的用户信息数组之间对应元素的差别的总量；确定所述差别的总量小于预定值的历史用户作为所述当前用户的相似用户圈中的厢史用户。

当然，计算上述差别的总量的具体算法可以有多种，如计算两个数组之间各个对应元素的差值的绝对值，然后求和，或是计算各个对应元素的差值的平方后再求和，或是计算各个对应元素的差值的平方后再乘以某个系数后求和，或是通过空间投影，将两个数组投影到某一空间中的一点，再计算两点间的距离等等，总之通过各种现有的数学算法获得两个数组的各种形式下的差值即可。

如，当按最近邻居算法计算差值时，可根据式1或式2计算所述当前用户和所述历史用户的差别的总量：

再从D(k)，k＝1～m中获得的D(k)≤υ的用户作为所述当前用户的相似用户圈中的历史用户，其中，υ为预定阈值。如，为预定义的常数。

其中，K(n)为第k个历史用户的第n个属性的取值，X(n)为所述当前用户的第n个属性的取值，H(n)为所述第k个历史用户第n个属性的平均值，D(k)为所述当前用户与所述第k个历史用户的差别的总量，n为所述数组中的元素的总数，m为所述历史用户的总数，n和m均为大于等于1的整数。

在具体实施例中是采取式1计算，还是采取式2计算，需要考虑具体情况。即，对于用户的各个属性的取值，有些可以用数值直接衡量，如薪酬、年龄等，有些则不能直接用数值衡量，如兴趣爱好类等等，则此时，对于X(n)-K(n)的结果，可为将兴趣爱好相同的取X(n)-K(n)值为0，相异的取X(n)-K(n)值为1。那么此时考虑到不同维度属性的差异较大，如年龄和薪酬，计算差异会很大，一般推荐采用式2进行计算，以平衡不同属性之间的数值范围的差异。当然，如果不同维度属性的差异不大的情况下，为简化计算可采用式1计算距离。

103、获取所述相似用户圈中的历史用户对各待推送信息的喜好度。在具体计算时，可根据所述相似用户圈中的历史用户对各待推送信息的处理次数、处理密度、处理完整度中的一种或多种计算所述各待推送信息的喜好度。此处描述的“处理”与具体的推送信息有关，如，推送信息为视频广告，则处理具体为播放，此处不做一一列举。

下面以推送信息为可播放内容为例说明喜好度的具体计算过程包括：根据所述相似用户圈中的历史用户播放所述各待推送信息的次数和时间权重计算所述各待推送信息的密度；根据所述相似用户圈中的历史用户点击所述各待推送信息的次数和时间权重，以及所述各待推送信息的密度计算所述各待推送信息的点击度；根据所述相似用户圈中的历史用户完整播放所述各待推送信息的次数和时间权重，以及所述各待推送信息的密度计算所述各待推送信息的完整度；根据所述点击度和完整度计算所述各待推送信息的喜好度。

其中，以推送信息为可播放的广告为例，说明计算上述密度、点击度、完整度和喜好度的具体算法如下：

(1)按下式计算所述密度：

其中，d为推送信息的播放天数，t为起始计算时间，qv_i为截止到时间为i时所述相似用户圈中的历史用户播放该消息的总体次数，Intensity(l)为所述相似用户圈中的历史用户对第1个待推送信息的密度。其中，τ为常数，本例中即定义，τ可为0.01或0.05。当然，τ也可定义为其他值，具体可以根据实际需要确定。

需要说明的是，在本例中，广告的密度为历史一段时间的广告展示次数按照1/e^τ*i(i为距离当前时间的天数)进行衰减后的累加值。距离当前时间越远的，衰减越多。

(2)按照下述公式计算所述点击度：

Click(l)＝Click_num(l)/Intensity(l)，

其中，click_i为时间i时的点击数，Click(l)为所述相似用户圈中的历史用户对第1个待推送信息的点击度。

类似的，在本例中，广告的点击数不是广告点击次数的简单累加，而是历史一段时间的广告被点击次数按照1/e^τ*i(i为距离当前时间的天数)进行衰减后的累加值。距离当前时间越远的，衰减越多。

(3)按照下述公式计算所述完整度：

Integrity(l)＝Integrity_num(l)/Intensity(l)，

其中，Integrity_i为时间i时的完整播放次数，Integrity(l)为所述相似用户圈中的历史用户对第1个待推送信息的完整度。

在本例中，广告完整播放数也不是广告播放次数的简单累加，而是历史一段时间的广告被完整播放的次数按照1/e^τ*i(i为距离当前时间的天数)进行衰减后的累加值。距离当前时间越远的，衰减越多。

(4)按照下述公式计算所述喜好度：

Adc(l)＝Click(l)^α*Integrity(l)^β

其中，α、β为常数参数，并且0≤α≤1、0≤β≤1、α+β＝1，Adc(l)为为所述相似用户圈中的历史用户对第1个待推送信息的喜好度。

从上式可以看出，Adc指数值越高的广告，在历史最近一段时间的用户点击率、完整播放率就越高，相比传统的使用单一的“点击/曝光”或者“完整播放/曝光”来进行计算，该算法能够对广告进行综合地衡量，同时能够体现历史数据的时间性。通过上述描述可见，喜好度的计算参考了广告的曝光数、点击数、完整播放数等。当然，对于其他类型的推送信息，则可相应参考对应的内容。

同时，在上述算法中采用了e^τ*i这种变权重方式，有利于捕捉最近发生的变化情况。

104、根据所述喜好度选取待推送信息推送给所述当前用户。如，将所述喜好度最大的推送信息推送给所述当前用户。当然，也可以设置一阈值常数，当喜好度超过该常数时则将信息推送给用户。

可见，在本发明实施例中，通过对用户相似圈子的喜好度计算后，可以推送较高喜好度值对应的某个、某类或是多个推送信息。从而实现个性化的推荐，提高了网络资源的利用率。

相应的，本发明实施例还提供了一个信息推送装置，如图2所示，该装置1包括：信息获取模块10，用于获得当前用户的用户信息和历史用户的用户信息；用户圈获取模块12，用于根据所述当前用户的用户信息、历史用户的用户信息，获取所述当前用户的相似用户圈，所述相似用户圈包括与所述当前用户有关的一个或多个历史用户；喜好度获取模块14，用于获得所述相似用户圈中的历史用户对各推送信息的喜好度；推送模块16，用于根据所述喜好度选取待推送信息推送给所述当前用户。

其中，所述用户信息为数值化数组，并称所述数组为用户信息数组，所述用户信息数组中的元素对应用户的一个或多个属性的数值化取值，如图3所示，所述用户圈获取模块12可包括：差别计算单元120，用于计算所述当前用户的用户信息数组与各历史用户的用户信息数组之间对应元素的差别的总量；相似圈确定单元122，用于确定所述差别的总量小于预定值的历史用户作为所述当前用户的相似用户圈中的历史用户。

具体的，所述差别计算单元120，可用于根据下述公式计算所述当前用户和所述历史用户的差别的总量：

其中K(n)为第k个历史用户的第n个属性的取值，X(n)为所述当前用户的第n个属性的取值，H(n)为所述第k个历史用户第n个属性的平均值，D(k)为所述当前用户与所述第k个历史用户的差别的总量，n为所述数组中的元素的总数，m为所述历史用户的总数，n和m均为大于等于1的整数；

所述相似圈确定单元122用于，从D(k)，k＝1～m中获得的D(k)≤υ的用户作为所述当前用户的相似用户圈中的历史用户，其中，υ为预定阈值。

其中，所述喜好度获取模块14还用于，根据所述相似用户圈中的历史用户对推送信息的处理密度、处理次数、处理完整度中的一种或多种计算所述推送信息的喜好度。

具体的，喜好度获取模块14还用于根据所述相似用户圈中的历史用户对各待推送信息的处理次数、处理密度、处理完整度中的一种或多种计算所述各待推送信息的喜好度。如图4所示，喜好度获取模块14可包括：密度计算子模块140，用于根据所述相似用户圈中的历史用户播放所述各待推送信息的次数和时间权重计算所述各待推送信息的密度；点击度计算子模块142，用于根据所述相似用户圈中的历史用户点击所述各待推送信息的次数和时间权重，以及所述各待推送信息的密度计算所述各待推送信息的点击度；完整度计算子模块144，用于根据所述相似用户圈中的历史用户完整播放所述各待推送信息的次数和时间权重，以及所述各待推送信息的密度计算所述各待推送信息的完整度；喜好度计算子模块146，用于根据所述点击度和完整度计算所述各待推送信息的喜好度。

如，具体的，密度计算子模块140，可按下式计算所述密度：

其中，d为推送信息的播放天数，t为起始计算时间，qv_i为截止到时间为i时所述相似用户圈中的历史用户播放该消息的总体次数，Intensity(l)为所述相似用户圈中的历史用户对第1个待推送信息的密度；

点击度计算子模块142，可按照下述公式计算所述点击度：

Click(l)＝Click_num(l)/Intensity(l)，

其中，click_i为时间i时的点击数，Click(l)为所述相似用户圈中的历史用户对第1个待推送信息的点击度；

完整度计算子模块144，可按照下述公式计算所述完整度：

Integrity(l)＝Integrity_num(l)/Intensity(l)，

其中，Integrity_i为时间i时的完整播放次数，Integrity(l)为所述相似用户圈中的历史用户对第1个待推送信息的完整度；

喜好度计算子模块146，可按照下述公式计算所述喜好度：

Adc(l)＝Click(l)^α*Integrity(l)^β

其中，α、β为常数参数，并且0≤α≤1、0≤β≤1、α+β＝1，Adc(l)为为所述相似用户圈中的历史用户对第1个待推送信息的喜好度。

具体的，所述推送模块16还用于，将所述喜好度最大的推送信息推送给所述当前用户。

可以理解的是，上述装置实施例中的技术细节与前述方法实施例中的一致，此处不做一一赘述。

综上所述，在本发明实施例中，向某一用户进行信息推送时，采用最近邻居算法考察该用户的相关历史用户的信息，形成于该用户有关的相似用户圈，在根据相似用户圈的历史行为考察这些用户对推送信息的喜好度，再根据喜好度进行信息推送。这样一来，向用户推送的信息就有较大的概率符合用户的需求，提高了网络资源的利用率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (11)

1.一种信息推送方法，其特征在于，所述方法包括：

获得当前用户的用户信息和历史用户的用户信息；

根据所述当前用户的用户信息、历史用户的用户信息，获取所述当前用户的相似用户圈，所述相似用户圈包括与所述当前用户有关的一个或多个历史用户；

根据所述相似用户圈中的历史用户播放各待推送信息的次数和时间权重计算所述各待推送信息的密度，所述待推送信息为可播放内容，所述时间权重为1/e^τ*i，i为距离当前时间的天数，τ为预设常数；

根据所述相似用户圈中的历史用户点击所述各待推送信息的次数和时间权重，以及所述各待推送信息的密度计算所述各待推送信息的点击度；

根据所述相似用户圈中的历史用户完整播放所述各待推送信息的次数和时间权重，以及所述各待推送信息的密度计算所述各待推送信息的完整度；

根据所述点击度和完整度计算所述各待推送信息的喜好度，并根据所述喜好度选取待推送信息推送给所述当前用户。

2.如权利要求1所述的方法，其特征在于，所述用户信息为数值化数组，并称所述数组为用户信息数组，所述用户信息数组中的元素对应用户的一个或多个属性的数值化取值，所述根据所述当前用户的用户信息、历史用户的用户信息，获取所述当前用户的相似用户圈包括：

计算所述当前用户的用户信息数组与各历史用户的用户信息数组之间对应元素的差别的总量；

确定所述差别的总量小于预定值的历史用户作为所述当前用户的相似用户圈中的历史用户。

3.如权利要求2所述的方法，其特征在于，所述计算所述当前用户的用户信息数组与所述相似用户圈中的各历史用户的用户信息数组之间对应元素的差别的总量包括：

根据下述公式计算所述差别的总量：

其中，K(n)为第k个历史用户的第n个属性的取值，X(n)为所述当前用户的第n个属性的取值，D(k)为所述当前用户与所述第k个历史用户的差别的总量，n为所述数组中的元素的总数，m为所述历史用户的总数，n和m均为大于等于1的整数；

所述确定所述差别的总量小于预定值的历史用户作为所述当前用户的相似用户圈中的历史用户包括：

从D(k),k＝1～m中获得的D(k)≤υ的用户作为所述当前用户的相似用户圈中的历史用户，其中，υ为预定阈值。

4.如权利要求2所述的方法，其特征在于，所述计算所述当前用户的用户信息数组与所述相似用户圈中的各历史用户的用户信息数组之间对应元素的差别的总量包括：

根据下述公式计算所述当前用户和所述历史用户的差别的总量：

其中，K(n)为第k个历史用户的第n个属性的取值，X(n)为所述当前用户的第n个属性的取值，H(n)为所述第k个历史用户第n个属性的平均值，D(k)为所述当前用户与所述第k个历史用户的差别的总量，n为所述数组中的元素的总数，m为所述历史用户的总数，n和m均为大于等于1的整数；

所述确定所述差别的总量小于预定值的历史用户作为所述当前用户的相似用户圈中的历史用户包括：

从D(k),k＝1～m中获得的D(k)≤υ的用户作为所述当前用户的相似用户圈中的历史用户，其中，υ为预定阈值。

5.如权利要求1所述的方法，其特征在于，按下式计算所述密度：

其中，d为推送信息的播放天数，t为起始计算时间，qv_i为截止到时间为i时所述相似用户圈中的历史用户播放该消息的总体次数，Intensity(l)为所述相似用户圈中的历史用户对第l个待推送信息的密度；

按照下述公式计算所述点击度：

Click(l)＝Click_num(l)/Intensity(l),

其中，click_i为时间i时的点击数，Click(l)为所述相似用户圈中的历史用户对第l个待推送信息的点击度；

按照下述公式计算所述完整度：

Integrity(l)＝Integrity_num(l)/Intensity(l),

其中，Integrity_i为时间i时的完整播放次数，Integrity(l)为所述相似用户圈中的历史用户对第l个待推送信息的完整度；

按照下述公式计算所述喜好度：

Adc(l)＝Click(l)α*Integrity(l)^β

其中，α、β为常数参数，并且0≤α≤1、0≤β≤1、α+β＝1，Adc(l)为所述相似用户圈中的历史用户对第l个待推送信息的喜好度。

6.如权利要求1所述的方法，其特征在于，所述根据所述喜好度选取待推送信息推送给所述当前用户包括：

将所述喜好度最大的待推送信息推送给所述当前用户。

7.一种信息推送装置，其特征在于，所述装置包括：

信息获取模块，用于获得当前用户的用户信息和历史用户的用户信息；

用户圈获取模块，用于根据所述当前用户的用户信息、历史用户的用户信息，获取所述当前用户的相似用户圈，所述相似用户圈包括与所述当前用户有关的一个或多个历史用户；

喜好度获取模块，用于获取所述相似用户圈中的历史用户对各待推送信息的喜好度；

推送模块，用于根据所述喜好度选取待推送信息推送给所述当前用户；

其中所述喜好度获取模块包括密度计算子模块、点击度计算子模块、完整度计算子模块以及喜好度计算子模块，其中：

密度计算子模块，用于根据所述相似用户圈中的历史用户播放所述各待推送信息的次数和时间权重计算所述各待推送信息的密度，所述待推送信息为可播放内容，所述时间权重为1/e^τ*i，i为距离当前时间的天数，τ为预设常数；

点击度计算子模块，用于根据所述相似用户圈中的历史用户点击所述各待推送信息的次数和时间权重，以及所述各待推送信息的密度计算所述各待推送信息的点击度；

完整度计算子模块，用于根据所述相似用户圈中的历史用户完整播放所述各待推送信息的次数和时间权重，以及所述各待推送信息的密度计算所述各待推送信息的完整度；

喜好度计算子模块，用于根据所述点击度和完整度计算所述各待推送信息的喜好度。

8.如权利要求7所述的装置，其特征在于，所述用户信息为数值化数组，并称所述数组为用户信息数组，所述用户信息数组中的元素对应用户的一个或多个属性的数值化取值，所述用户圈获取模块包括：

差别计算单元，用于计算所述当前用户的用户信息数组与各历史用户的用户信息数组之间对应元素的差别的总量；

相似圈确定单元，用于确定所述差别的总量小于预定值的历史用户作为所述当前用户的相似用户圈中的历史用户。

9.如权利要求8所述的装置，其特征在于，所述差别计算单元，具体用于根据下述公式计算所述当前用户和所述历史用户的差别的总量：

或，

其中K(n)为第k个历史用户的第n个属性的取值，X(n)为所述当前用户的第n个属性的取值，H(n)为所述第k个历史用户第n个属性的平均值，D(k)为所述当前用户与所述第k个历史用户的差别的总量，n为所述数组中的元素的总数，m为所述历史用户的总数，n和m均为大于等于1的整数；

所述相似圈确定单元具体用于，从D(k),k＝1～m中获得的D(k)≤υ的用户作为所述当前用户的相似用户圈中的历史用户，其中，υ为预定阈值。

10.如权利要求7所述的装置，其特征在于，所述密度计算子模块，具体用于按下式计算所述密度：

其中，d为推送信息的播放天数，t为起始计算时间，qv_i为截止到时间为i时所述相似用户圈中的历史用户播放该消息的总体次数，Intensity(l)为所述相似用户圈中的历史用户对第l个待推送信息的密度；

所述点击度计算子模块，具体用于按照下述公式计算所述点击度：

Click(l)＝Click_num(l)/Intensity(l),

其中，click_i为时间i时的点击数，Click(l)为所述相似用户圈中的历史用户对第l个待推送信息的点击度；

所述完整度计算子模块，具体用于按照下述公式计算所述完整度：

Integrity(l)＝Integrity_num(l)/Intensity(l),

其中，Integrity_i为时间i时的完整播放次数，Integrity(l)为所述相似用户圈中的历史用户对第l个待推送信息的完整度；

所述喜好度计算子模块，具体用于按照下述公式计算所述喜好度：

Adc(l)＝Click(l)^α*Integrity(l)^β

其中，α、β为常数参数，并且0≤α≤1、0≤β≤1、α+β＝1，Adc(l)为所述相似用户圈中的历史用户对第l个待推送信息的喜好度。

11.如权利要求7所述的装置，其特征在于，所述推送模块还用于，将所述喜好度最大的待推送信息推送给所述当前用户。