CN105915438A - 消息推送方法、装置及*** - Google Patents

Abstract

本发明公开了一种消息推送方法、装置及***。其中方法包括：获取待推送的消息，选取消息的推送属性特征；根据消息推送给已推送用户的情况反馈的数据得到训练样本数据；利用所述训练样本数据训练模型，生成模型参数；根据所述消息的相关属性和待推送用户的相关属性确定所述消息的推送属性特征参数，将所述消息的推送属性特征参数和所述模型参数代入模型中，得到是否向待推送用户推送消息的概率，根据所述概率确定是否向待推送用户推送所述消息。本发明考虑已推送用户对消息的点击数据，该点击数据是反映用户对消息是否感兴趣的重要因素，利用这种推送方式能够将消息精准地推送给感兴趣的用户，大大提高推送效率。

Description

消息推送方法、装置及***

技术领域

本发明涉及互联网技术领域，具体涉及一种消息推送方法、装置及***。

背景技术

消息推送指的是从服务器端向终端发送连接，传输一定的信息。推送功能在手机开发中应用的场景越来越多，比如手机上的新闻客户端就实时接收推送的新消息，方便用户阅读最新的新闻信息。

在消息推送技术中，如何筛选目的用户是尤为重要的。在现有技术中，服务器端在打算推送一个消息之前，一般会通过静态匹配的方式筛选用户。具体来说，服务器端首先确定需要静态匹配的特征，以推送红包消息为例，服务器端选取地理位置、产品版本、用户属性等特征；根据这些特征查找符合条件的用户，而后将红包消息推送给这些用户。这种推送方式考虑的影响因素仅为一些预先设定的静态特征，比较单一，往往不能精准地推送到对此消息感兴趣的用户那里，推送效率不高。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的消息推送方法、装置及***。

根据本发明的一个方面，提供了一种消息推送方法，包括：

获取待推送的消息，选取所述消息的推送属性特征；

根据消息推送给已推送用户的情况反馈的数据得到训练样本数据，所述训练样本数据至少包含所述已推送用户对所述消息的点击数据；

利用所述训练样本数据训练模型，生成模型参数；

根据所述消息的相关属性和待推送用户的相关属性确定所述消息的推送属性特征参数，将所述消息的推送属性特征参数和所述模型参数代入模型中，得到是否向待推送用户推送消息的概率，根据所述概率确定是否向待推送用户推送所述消息。

根据本发明的另一方面，提供了一种消息推送装置，包括：

消息处理模块，适于获取待推送的消息，选取所述消息的推送属性特征；

样本提取模块，适于根据消息推送给已推送用户的情况反馈的数据得到训练样本数据，所述训练样本数据至少包含所述已推送用户对所述消息的点击数据；

模型训练模块，适于利用所述训练样本数据训练模型，生成模型参数；

消息推送模块，适于根据所述消息的相关属性和待推送用户的相关属性确定所述消息的推送属性特征参数，将所述消息的推送属性特征参数和所述模型参数代入模型中，得到是否向待推送用户推送消息的概率，根据所述概率确定是否向待推送用户推送所述消息。

根据本发明的另一方面，提供了一种消息推送***，包括：上述的消息推送装置，还包括：消息管理平台和消息任务调度器；

所述消息管理平台适于：根据消息模板定制消息，将消息发送至消息任务调度器；

所述消息任务调度器适于：调度消息形成推送任务，发送至消息推送模块进行推送。

根据本发明提供的消息推送方法、装置及***，在选取消息的推送属性特征之后，不是简单的匹配这些特征筛选推送目的用户，而是依据已推送用户对消息的点击数据作为训练样本数据训练模型，以动态调整模型参数，根据动态调整更新后的模型参数确定向哪些目的用户继续推送消息。本发明考虑已推送用户对消息的点击数据，该点击数据是反映用户对消息是否感兴趣的重要因素，利用这种推送方式能够将消息精准地推送给感兴趣的用户，大大提高推送效率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的消息推送方法的流程图；

图2示出了根据本发明另一个实施例的消息推送方法的流程图；

图3示出了根据本发明一个实施例的消息推送装置的功能框图；

图4示出了根据本发明一个实施例的消息推送***的功能框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的消息推送方法的流程图。如图1所示，该方法包括如下步骤：

步骤S101，获取待推送的消息，选取该消息的推送属性特征。

在本发明一个具体的实施例中，服务器端具有专门的消息推送***用于向用户终端推送消息。该消息推送***包含消息管理平台，消息任务调度器以及采用本发明提出的消息推送方法推送消息的装置。首先，消息管理平台负责根据消息模板定制消息。以红包消息为例，消息管理平台定制红包消息的消息类型、消息样式、文案内容等与消息本身有关的属性。定制消息之后，消息任务调度器调度消息作为推送任务。如果某个消息被调度为推送任务，则将其作为待推送的消息，利用本发明提供的方法筛选出推送该消息的目的用户。

本步骤中，获取到待推送的消息后，先选取该消息的推送属性特征。本发明中，推送属性特征标明了影响消息是否被推送的因素。这些因素不但与消息本身的属性有关，还与目的用户的属性，以及其它一些相关属性有关。具体地，消息的推送属性特征可包含以下信息的一项或多项：消息类型，消息样式，地域信息，时间信息，同类型消息的点击率，用户画像特征，以及产品版本。其中，消息类型和消息样式是消息本身的属性。用户画像特征是目的用户的属性，其可包含用户性别、年龄、喜好等特征信息。地域信息、时间信息、同类型消息的点击率、产品版本这些是属于与消息对应的其它相关属性。以天气预报为例，该消息与地域信息和时间信息息息相关，也应作为推送属性特征。以上列举的推送属性特征仅为示例，在实际应用过程中，推送属性特征可根据待推送消息的实际内容和面向群体进行灵活设定，本发明对此不作限制。

步骤S102，根据消息推送给已推送用户的情况反馈的数据得到训练样本数据，其中训练样本数据至少包含已推送用户对消息的点击数据。

本发明与现有技术不同的是，本发明不再以静态特征匹配目的用户，而是主要依据已推送用户对消息的点击数据作为训练样本数据训练模型，以动态调整模型参数，根据动态调整更新后的模型参数确定向哪些目的用户继续推送消息。

在消息刚刚定制完成的初始阶段，服务器端可预先指定一批用户作为目的用户，向这些用户推送消息后收集反馈的数据作为初始的训练样本数据，该训练样本数据至少包含这些用户对消息的点击数据。

步骤S103，利用训练样本数据训练模型，生成模型参数。

本发明实施例所采用的模型是根据消息的推送属性特征参数和模型系数所构建的评估推送概率的模型，其中模型系数是影响推送属性特征参数的权重，通过已推送用户对消息的点击数据来训练模型，进行最优化处理得到最优化的模型系数，并得到由模型系数确定的推送概率阈值。通过这样的训练过程，希望得到的模型参数是筛选后续推送目的用户的指标。

步骤S104，根据消息的相关属性和待推送用户的相关属性确定消息的推送属性特征参数，将消息的推送属性特征参数和模型参数代入模型中，得到是否向待推送用户推送消息的概率，根据概率确定是否向待推送用户推送消息。

在训练得到模型参数之后，本步骤根据训练好的模型筛选出推送目的用户。由于所选取的推送属性特征与用户的相关属性有关，因此，对于特定消息和特定用户，首先确定推送属性特征参数。以安全播放消息为例，设选取的推送属性特征包含：消息类型、消息样式、地域信息、时间信息、同类型消息的点击率、用户画像特征以及产品版本，则确定每个推送属性特征参数可具体为：消息类型为安全类，消息样式为夸张样式，地域信息为北京，时间信息为**年**月**日，同类型消息的点击率为30％(具体通过查询保存点击率数据的数据库得到)，用户画像特征为该特定用户的画像特征，产品版本为手机卫士。确定消息的推送属性特征参数后，将消息的推送属性特征参数和模型参数代入模型中，得到是否向待推送用户推送消息的概率，根据概率确定是否向待推送用户推送消息。

根据本发明提供的消息推送方法，在选取消息的推送属性特征之后，不是简单的匹配这些特征筛选推送目的用户，而是依据已推送用户对消息的点击数据作为训练样本数据训练模型，以动态调整模型参数，根据动态调整更新后的模型参数确定向哪些目的用户继续推送消息。本发明考虑已推送用户对消息的点击数据，该点击数据是反映用户对消息是否感兴趣的重要因素，利用这种推送方式能够将消息精准地推送给感兴趣的用户，大大提高推送效率。

根据以上的描述可知，本发明所适用的技术场景属于是反应变量为二分类的情况，即考察是否向特定用户推送特定消息。在下面的实施例中，本发明以二分类逻辑(logistic)回归模型为例，对消息推送方法的具体方案进行详细介绍。

图2示出了根据本发明另一个实施例的消息推送方法的流程图。如图2所示，该方法包括如下步骤：

步骤S201，获取待推送的消息，选取该消息的推送属性特征。

在本发明一个具体的实施例中，服务器端具有专门的消息推送***用于向用户终端推送消息。该消息推送***包含消息管理平台，消息任务调度器以及采用本发明提出的消息推送方法推送消息的装置。首先，消息管理平台负责根据消息模板定制消息。以红包消息为例，消息管理平台定制红包消息的消息类型、消息样式、文案内容等与消息本身有关的属性。定制消息之后，消息任务调度器调度消息作为推送任务。如果某个消息被调度为推送任务，则将其作为待推送的消息，利用本实施例提供的方法筛选出推送该消息的目的用户。

本步骤中，获取到待推送的消息后，先选取该消息的推送属性特征。本发明中，推送属性特征标明了影响消息是否被推送的因素。这些因素不但与消息本身的属性有关，还与目的用户的属性，以及其它一些相关属性有关。具体地，消息的推送属性特征可包含以下信息的一项或多项：消息类型，消息样式，地域信息，时间信息，同类型消息的点击率，用户画像特征，以及产品版本。其中，消息类型和消息样式是消息本身的属性。用户画像特征是目的用户的属性，其可包含用户性别、年龄、喜好等特征信息。地域信息、时间信息、同类型消息的点击率、产品版本这些是属于与消息对应的其它相关属性。以天气预报为例，该消息与地域信息和时间信息息息相关，也应作为推送属性特征。以上列举的推送属性特征仅为示例，在实际应用过程中，推送属性特征可根据待推送消息的实际内容和面向群体进行灵活设定，本发明对此不作限制。

步骤S202，在向已推送用户推送消息之前，根据消息的相关属性和已推送用户的相关属性确定消息的推送属性特征参数。

在消息刚刚定制完成的初始阶段，服务器端可预先指定一批用户作为目的用户，选择向这些用户推送消息。预先指定的用户可以是随机选取的，也可以是如现有技术那样通过静态特征匹配选取的。在确定目的用户之后，根据消息的相关属性和这些用户的相关属性确定消息的推送属性特征参数。以安全播放消息为例，设选取的推送属性特征包含：消息类型、消息样式、地域信息、时间信息、同类型消息的点击率、用户画像特征以及产品版本，则确定每个推送属性特征参数可具体为：消息类型为安全类，消息样式为夸张样式，地域信息为北京，时间信息为**年**月**日，同类型消息的点击率为30％(具体通过查询保存点击率数据的数据库得到)，用户画像特征为该特定用户的画像特征，产品版本为手机卫士。

在二分类逻辑回归模型中，用x表示推送属性特征参数，x为n维向量参数，x＝(x₁,x₂,…,x_n)，其中，x₁,x₂,…,x_n为n个推送属性特征的参数值。以消息类型为例，分为安全类、红包类、广告类等等，每个类别对应一个具体数值，安全类为1，红包类为2，广告类为3等等，该具体数值就是推送属性特征的参数值。以此类推，其它推送属性特征也分别对应有参数值，可根据实际情况来确定，最终得到每个推送属性特征的参数值，继而得到n维向量x。

步骤S203，向已推送用户推送消息，得到反馈的数据作为训练样本数据，该训练样本数据至少包含已推送用户对消息的点击数据。

在向已推送用户推送消息之后，收集反馈的数据，该反馈的数据主要包含已推送用户对消息的点击数据，如果某个已推送用户点击该消息，反馈的点击数据为已点击，如果某个已推送用户没有点击该消息，反馈的点击数据为未点击。除此之外，收集的数据还可包含该消息的点击率。

步骤S204，将根据消息的相关属性和已推送用户的相关属性确定的消息的推送属性特征参数和训练样本数据代入模型中，按照模型的优化算法进行最优化处理，生成模型参数。

本实施例所采用的二分类逻辑回归模型的公式如下：

$h_{\mathrm{\θ}}\left(x\right)=g\left({\mathrm{\θ}}^{T}x\right)=\frac{1}{1+e^{-{\mathrm{\θ}}^{T}x}}---\left(1\right)$

P(y＝1|x；θ)＝h_θ(x)

P(y＝0|x；θ)＝1-h_θ(x) (2)

其中，x为消息的推送属性特征参数，θ为模型系数，h_θ(x)为推送概率，y＝1表示推送，y＝0表示不推送。

根据推送的目的用户的范围以及反馈的点击数据确定P的取值，将x和P代入上述公式中，按照批量梯度下降算法进行最优化处理，具体参考如下公式：

${\mathrm{\θ}}_j:={\mathrm{\θ}}_j+\mathrm{\α}(y^{\left(i\right)}-h_{\mathrm{\θ}}(x^{\left(i\right)}\left)\right)x_j^{\left(i\right)}---\left(3\right)$

重复上述梯度下降算法，直至收敛，其中α为常量。最终确定最优化的θ，以及根据θ得到的推送概率阈值。

步骤S205，根据消息的相关属性和待推送用户的相关属性确定消息的推送属性特征参数。

在训练得到模型参数后，就可以根据该模型筛选后续的目的用户。由于所选取的推送属性特征与用户的相关属性有关，因此，对于特定消息和特定用户，首先确定推送属性特征参数，即确定x。x的确定过程可参见上面步骤的描述，不再赘述。

经过本步骤确定的推送属性特征参数可存入数据库中，以备后续训练模型使用。即在消息被推送了一段时间之后，在上述步骤S202中，不再需要根据消息的相关属性和已推送用户的相关属性重新确定消息的推送属性特征参数，而是可从数据库中直接取出推送属性特征参数。当然，针对待推送用户，还需本步骤根据消息的相关属性和待推送用户的相关属性确定消息的推送属性特征参数。

步骤S206，将根据消息的相关属性和待推送用户的相关属性确定的消息的推送属性特征参数和模型参数代入模型中，得到是否向待推送用户推送消息的概率。

将步骤S205确定的x和步骤S204生成的模型参数代入θ代入模型中，即代入上述公式(1)中，得到h_θ(x)。

步骤S207，将概率与推送概率阈值进行比较，根据比较结果确定是否向待推送用户推送消息。

将h_θ(x)与之前确定的推送概率阈值进行比较，如果h_θ(x)大于或等于推送概率阈值，则确定向待推送用户推送消息；如果h_θ(x)小于推送概率阈值，则确定不向待推送用户推送消息。

在步骤S207确定向待推送用户推送消息之后，方法还包括：在向待推送用户推送消息之后，获取将消息推送给待推送用户的情况反馈的数据，存入数据库中以用作后续的训练样本数据。也就是说，本发明提供的方法是一个动态优化的过程，根据推送消息反馈的数据动态调整模型参数，使得模型参数实时保持最优化，提高推送的精准度和有效性。

图3示出了根据本发明一个实施例的消息推送装置的功能框图。如图3所示，该装置包括：消息处理模块301，样本提取模块302，模型训练模块303以及消息推送模块304。

消息处理模块301适于获取待推送的消息，选取消息的推送属性特征。

推送属性特征标明了影响消息是否被推送的因素。这些因素不但与消息本身的属性有关，还与目的用户的属性，以及其它一些相关属性有关。具体地，消息的推送属性特征可包含以下信息的一项或多项：消息类型，消息样式，地域信息，时间信息，同类型消息的点击率，用户画像特征，以及产品版本。其中，消息类型和消息样式是消息本身的属性。用户画像特征是目的用户的属性，其可包含用户性别、年龄、喜好等特征信息。地域信息、时间信息、同类型消息的点击率、产品版本这些是属于与消息对应的其它相关属性。以天气预报为例，该消息与地域信息和时间信息息息相关，也应作为推送属性特征。以上列举的推送属性特征仅为示例，在实际应用过程中，推送属性特征可根据待推送消息的实际内容和面向群体进行灵活设定，本发明对此不作限制。

样本提取模块302适于根据消息推送给已推送用户的情况反馈的数据得到训练样本数据，该训练样本数据至少包含已推送用户对消息的点击数据。

本装置与现有技术不同的是，本装置不再以静态特征匹配目的用户，而是主要依据已推送用户对消息的点击数据作为训练样本数据训练模型，以动态调整模型参数，根据动态调整更新后的模型参数确定向哪些目的用户继续推送消息。

在消息刚刚定制完成的初始阶段，服务器端可预先指定一批用户作为目的用户，向这些用户推送消息后，样本提取模块302收集反馈的数据作为初始的训练样本数据，该训练样本数据至少包含这些用户对消息的点击数据。预先指定的用户可以是随机选取的，也可以是如现有技术那样通过静态特征匹配选取的。

样本提取模块302收集反馈的数据主要包含已推送用户对消息的点击数据，如果某个已推送用户点击该消息，反馈的点击数据为已点击，如果某个已推送用户没有点击该消息，反馈的点击数据为未点击。除此之外，收集的数据还可包含该消息的点击率。

模型训练模块303适于利用训练样本数据训练模型，生成模型参数。

本装置所采用的模型是根据消息的推送属性特征参数和模型系数所构建的评估推送概率的模型，其中模型系数是影响推送属性特征参数的权重，通过已推送用户对消息的点击数据来训练模型，生成模型参数。通过这样的训练过程，希望得到的模型参数是筛选后续推送目的用户的指标。

消息推送模块304适于根据消息的相关属性和待推送用户的相关属性确定消息的推送属性特征参数，将消息的推送属性特征参数和模型参数代入模型中，得到是否向待推送用户推送消息的概率，根据概率确定是否向待推送用户推送消息。

在训练得到模型参数之后，消息推送模块304根据训练好的模型筛选出推送目的用户。由于所选取的推送属性特征与用户的相关属性有关，因此，对于特定消息和特定用户，首先确定推送属性特征参数。确定消息的推送属性特征参数后，将消息的推送属性特征参数和模型参数代入模型中，得到是否向待推送用户推送消息的概率，根据概率确定是否向待推送用户推送消息。

进一步的，该消息推送装置还包括：特征参数确定模块305，适于在向已推送用户推送消息之前，根据消息的相关属性和已推送用户的相关属性确定消息的推送属性特征参数。在确定目的用户之后，特征参数确定模块305根据消息的相关属性和这些用户的相关属性确定消息的推送属性特征参数。以安全播放消息为例，设选取的推送属性特征包含：消息类型、消息样式、地域信息、时间信息、同类型消息的点击率、用户画像特征以及产品版本，则确定每个推送属性特征参数可具体为：消息类型为安全类，消息样式为夸张样式，地域信息为北京，时间信息为**年**月**日，同类型消息的点击率为30％(具体通过查询保存点击率数据的数据库得到)，用户画像特征为该特定用户的画像特征，产品版本为手机卫士。

以模型为二分类逻辑回归模型为例，用x表示推送属性特征参数，x为n维向量参数，x＝(x₁,x₂,…,x_n)，其中，x₁,x₂,…,x_n为n个推送属性特征的参数值。以消息类型为例，分为安全类、红包类、广告类等等，每个类别对应一个具体数值，安全类为1，红包类为2，广告类为3等等，该具体数值就是推送属性特征的参数值。以此类推，其它推送属性特征也分别对应有参数值，可根据实际情况来确定，最终得到每个推送属性特征的参数值，继而得到n维向量x。

进一步的，模型训练模块303进一步适于：将根据消息的相关属性和已推送用户的相关属性确定的消息的推送属性特征参数和训练样本数据代入模型中，按照模型的优化算法进行最优化处理，生成模型参数。模型训练模块303进一步适于：按照批量梯度下降算法进行最优化处理，生成包含模型系数以及根据模型系数得到的推送概率阈值的模型参数。

以模型为二分类逻辑回归模型为例，其公式如下：

$h_{\mathrm{\θ}}\left(x\right)=g\left({\mathrm{\θ}}^{T}x\right)=\frac{1}{1+e^{-{\mathrm{\θ}}^{T}x}}---\left(4\right)$

P(y＝1|x；θ)＝h_θ(x)

P(y＝0|x；θ)＝1-h_θ(x) (5)

其中，x为消息的推送属性特征参数，θ为模型系数，h_θ(x)为推送概率，y＝1表示推送，y＝0表示不推送。

模型训练模块303根据推送的目的用户的范围以及反馈的点击数据确定P的取值，将x和P代入上述公式中，按照批量梯度下降算法进行最优化处理，具体参考如下公式：

${\mathrm{\θ}}_j:={\mathrm{\θ}}_j+\mathrm{\α}(y^{\left(i\right)}-h_{\mathrm{\θ}}(x^{\left(i\right)}\left)\right)x_j^{\left(i\right)}---\left(6\right)$

重复上述梯度下降算法，直至收敛，其中α为常量。最终确定最优化的θ，以及根据θ得到的推送概率阈值。

进一步的，消息推送模块304进一步适于：将概率与推送概率阈值进行比较，根据比较结果确定是否向待推送用户推送所述消息。

消息推送模块304将特征参数确定模块305确定的x和模型训练模块303生成的模型参数代入θ代入模型中，即代入上述公式(4)中，得到h_θ(x)。将h_θ(x)与之前确定的推送概率阈值进行比较，如果h_θ(x)大于或等于推送概率阈值，则确定向待推送用户推送消息；如果h_θ(x)小于推送概率阈值，则确定不向待推送用户推送消息。

进一步的，该装置还包括：数据库306，适于存储在向待推送用户推送消息之后，所获取的将消息推送给待推送用户的情况反馈的数据，以用作后续的训练样本数据。

根据本发明提供的消息推送装置，在消息处理模块选取消息的推送属性特征之后，不是简单的匹配这些特征筛选推送目的用户，而是由模型训练模块依据已推送用户对消息的点击数据作为训练样本数据训练模型，以动态调整模型参数，消息推送模块根据动态调整更新后的模型参数确定向哪些目的用户继续推送消息。本装置考虑已推送用户对消息的点击数据，该点击数据是反映用户对消息是否感兴趣的重要因素，利用这种推送方式能够将消息精准地推送给感兴趣的用户，大大提高推送效率。

图4示出了根据本发明一个实施例的消息推送***的功能框图。如图4所示，该消息推送***包括：消息管理平台401、消息任务调度器402以及上述消息推送装置403。

消息管理平台401适于：根据消息模板定制消息，将消息发送至消息任务调度器；消息任务调度器402适于：调度消息形成推送任务，发送至消息推送模块304进行推送。

消息管理平台401负责根据消息模板定制消息。以红包消息为例，消息管理平台定制红包消息的消息类型、消息样式、文案内容等与消息本身有关的属性。定制消息之后，消息任务调度器402调度消息作为推送任务。每个推送任务都具有自身的状态信息，记录消息是否被推送的状态。消息推送模块304接收到推送任务时，按照上述推送方式推送消息。

根据本发明提供的消息推送***，在消息处理模块选取消息的推送属性特征之后，不是简单的匹配这些特征筛选推送目的用户，而是由模型训练模块依据已推送用户对消息的点击数据作为训练样本数据训练模型，以动态调整模型参数，消息推送模块根据动态调整更新后的模型参数确定向哪些目的用户继续推送消息。本***考虑已推送用户对消息的点击数据，该点击数据是反映用户对消息是否感兴趣的重要因素，利用这种推送方式能够将消息精准地推送给感兴趣的用户，大大提高推送效率。

在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的信息推送装置及***中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

本发明公开了：

A1、一种消息推送方法，包括：

获取待推送的消息，选取所述消息的推送属性特征；

根据消息推送给已推送用户的情况反馈的数据得到训练样本数据，所述训练样本数据至少包含所述已推送用户对所述消息的点击数据；

利用所述训练样本数据训练模型，生成模型参数；

根据所述消息的相关属性和待推送用户的相关属性确定所述消息的推送属性特征参数，将所述消息的推送属性特征参数和所述模型参数代入模型中，得到是否向待推送用户推送消息的概率，根据所述概率确定是否向待推送用户推送所述消息。

A2、根据A1所述的消息推送方法，所述根据消息推送给已推送用户的情况反馈的数据得到训练样本数据进一步包括：

在向所述已推送用户推送消息之前，根据所述消息的相关属性和已推送用户的相关属性确定所述消息的推送属性特征参数；

向所述已推送用户推送所述消息，得到反馈的数据作为训练样本数据。

A3、根据A2所述的消息推送方法，所述利用训练样本数据训练模型，生成模型参数进一步包括：

将根据所述消息的相关属性和已推送用户的相关属性确定的所述消息的推送属性特征参数和训练样本数据代入模型中，按照模型的优化算法进行最优化处理，生成模型参数。

A4、根据A3所述的消息推送方法，所述按照模型的优化算法进行最优化处理进一步包括：按照批量梯度下降算法进行最优化处理。

A5、根据A1-A4任一项所述的消息推送方法，所述模型参数包含模型系数以及根据模型系数得到的推送概率阈值。

A6、根据A5所述的消息推送方法，所述根据概率确定是否向待推送用户推送所述消息进一步包括：

将所述概率与所述推送概率阈值进行比较，根据比较结果确定是否向待推送用户推送所述消息。

A7、根据A1-A6任一项所述的消息推送方法，所述模型为二分类逻辑回归模型。

A8、根据A1-A7任一项所述的消息推送方法，所述消息的推送属性特征包含以下信息的一项或多项：消息类型，消息样式，地域信息，时间信息，同类型消息的点击率，用户画像特征，以及产品版本。

A9、根据A1所述的消息推送方法，所述已推送用户在初始时在服务器端预先指定；

在所述根据概率确定是否向待推送用户推送所述消息之后，所述方法还包括：在向待推送用户推送所述消息之后，获取将消息推送给所述待推送用户的情况反馈的数据，存入数据库中以用作后续的训练样本数据。

B10、一种消息推送装置，包括：

消息处理模块，适于获取待推送的消息，选取所述消息的推送属性特征；

样本提取模块，适于根据消息推送给已推送用户的情况反馈的数据得到训练样本数据，所述训练样本数据至少包含所述已推送用户对所述消息的点击数据；

模型训练模块，适于利用所述训练样本数据训练模型，生成模型参数；

消息推送模块，适于根据所述消息的相关属性和待推送用户的相关属性确定所述消息的推送属性特征参数，将所述消息的推送属性特征参数和所述模型参数代入模型中，得到是否向待推送用户推送消息的概率，根据所述概率确定是否向待推送用户推送所述消息。

B11、根据B10所述的消息推送装置，还包括：特征参数确定模块，适于在向所述已推送用户推送消息之前，根据所述消息的相关属性和已推送用户的相关属性确定所述消息的推送属性特征参数。

B12、根据B11所述的消息推送装置，所述模型训练模块进一步适于：将根据所述消息的相关属性和已推送用户的相关属性确定的所述消息的推送属性特征参数和训练样本数据代入模型中，按照模型的优化算法进行最优化处理，生成模型参数。

B13、根据B12所述的消息推送装置，所述模型训练模块进一步适于：按照批量梯度下降算法进行最优化处理。

B14、根据B10-B13任一项所述的消息推送装置，所述模型训练模块进一步适于：生成包含模型系数以及根据模型系数得到的推送概率阈值的模型参数。

B15、根据B14所述的消息推送装置，所述消息推送模块进一步适于：将所述概率与所述推送概率阈值进行比较，根据比较结果确定是否向待推送用户推送所述消息。

B16、根据B10-B15任一项所述的消息推送装置，所述模型为二分类逻辑回归模型。

B17、根据B10-B16任一项所述的消息推送装置，所述消息的推送属性特征包含以下信息的一项或多项：消息类型，消息样式，地域信息，时间信息，同类型消息的点击率，用户画像特征，以及产品版本。

B18、根据B10所述的消息推送装置，所述已推送用户在初始时在服务器端预先指定；

所述装置还包括：数据库，适于存储在向待推送用户推送所述消息之后，所获取的将消息推送给所述待推送用户的情况反馈的数据，以用作后续的训练样本数据。

C19、一种消息推送***，包括B10-B18任一项所述的消息推送装置，还包括：消息管理平台和消息任务调度器；

所述消息管理平台适于：根据消息模板定制消息，将消息发送至消息任务调度器；

所述消息任务调度器适于：调度消息形成推送任务，发送至消息推送模块进行推送。

Claims (10)

1.一种消息推送方法，包括：

获取待推送的消息，选取所述消息的推送属性特征；

根据消息推送给已推送用户的情况反馈的数据得到训练样本数据，所述训练样本数据至少包含所述已推送用户对所述消息的点击数据；

利用所述训练样本数据训练模型，生成模型参数；

根据所述消息的相关属性和待推送用户的相关属性确定所述消息的推送属性特征参数，将所述消息的推送属性特征参数和所述模型参数代入模型中，得到是否向待推送用户推送消息的概率，根据所述概率确定是否向待推送用户推送所述消息。

2.根据权利要求1所述的消息推送方法，所述根据消息推送给已推送用户的情况反馈的数据得到训练样本数据进一步包括：

在向所述已推送用户推送消息之前，根据所述消息的相关属性和已推送用户的相关属性确定所述消息的推送属性特征参数；

向所述已推送用户推送所述消息，得到反馈的数据作为训练样本数据。

3.根据权利要求2所述的消息推送方法，所述利用训练样本数据训练模型，生成模型参数进一步包括：

将根据所述消息的相关属性和已推送用户的相关属性确定的所述消息的推送属性特征参数和训练样本数据代入模型中，按照模型的优化算法进行最优化处理，生成模型参数。

4.根据权利要求3所述的消息推送方法，所述按照模型的优化算法进行最优化处理进一步包括：按照批量梯度下降算法进行最优化处理。

5.根据权利要求1-4任一项所述的消息推送方法，所述模型参数包含模型系数以及根据模型系数得到的推送概率阈值。

6.根据权利要求5所述的消息推送方法，所述根据概率确定是否向待推送用户推送所述消息进一步包括：

将所述概率与所述推送概率阈值进行比较，根据比较结果确定是否向待推送用户推送所述消息。

7.根据权利要求1-6任一项所述的消息推送方法，所述模型为二分类逻辑回归模型。

8.根据权利要求1-7任一项所述的消息推送方法，所述消息的推送属性特征包含以下信息的一项或多项：消息类型，消息样式，地域信息，时间信息，同类型消息的点击率，用户画像特征，以及产品版本。

9.一种消息推送装置，包括：

消息处理模块，适于获取待推送的消息，选取所述消息的推送属性特征；

样本提取模块，适于根据消息推送给已推送用户的情况反馈的数据得到训练样本数据，所述训练样本数据至少包含所述已推送用户对所述消息的点击数据；

模型训练模块，适于利用所述训练样本数据训练模型，生成模型参数；

消息推送模块，适于根据所述消息的相关属性和待推送用户的相关属性确定所述消息的推送属性特征参数，将所述消息的推送属性特征参数和所述模型参数代入模型中，得到是否向待推送用户推送消息的概率，根据所述概率确定是否向待推送用户推送所述消息。

10.一种消息推送***，包括权利要求9所述的消息推送装置，还包括：消息管理平台和消息任务调度器；

所述消息管理平台适于：根据消息模板定制消息，将消息发送至消息任务调度器；

所述消息任务调度器适于：调度消息形成推送任务，发送至消息推送模块进行推送。