CN106682013A - 用于数据推送的方法和设备 - Google Patents

用于数据推送的方法和设备 Download PDF

Info

Publication number
CN106682013A
CN106682013A CN201510755264.2A CN201510755264A CN106682013A CN 106682013 A CN106682013 A CN 106682013A CN 201510755264 A CN201510755264 A CN 201510755264A CN 106682013 A CN106682013 A CN 106682013A
Authority
CN
China
Prior art keywords
information
user
push side
request
group
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
Application number
CN201510755264.2A
Other languages
English (en)
Inventor
吴保华
黄耐寒
付登坡
甘云锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201510755264.2A priority Critical patent/CN106682013A/zh
Priority to US15/347,555 priority patent/US20170134181A1/en
Priority to PCT/US2016/061145 priority patent/WO2017083394A1/en
Publication of CN106682013A publication Critical patent/CN106682013A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/02—Details
    • H04L12/16—Arrangements for providing special services to substations
    • H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
    • H04L12/1859—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast adapted to provide push services, e.g. data channels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/29—Arrangements for monitoring broadcast services or broadcast-related services
    • H04H60/31—Arrangements for monitoring the use made of the broadcast services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/61—Arrangements for services using the result of monitoring, identification or recognition covered by groups H04H60/29-H04H60/54
    • H04H60/66—Arrangements for services using the result of monitoring, identification or recognition covered by groups H04H60/29-H04H60/54 for using the result on distributors' side
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/02—Details
    • H04L12/16—Arrangements for providing special services to substations
    • H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
    • H04L12/185—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast with management of multicast group membership
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/235—Processing of additional data, e.g. scrambling of additional data or processing content descriptors
    • H04N21/2353—Processing of additional data, e.g. scrambling of additional data or processing content descriptors specifically adapted to content descriptors, e.g. coding, compressing or processing of metadata
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04H—BROADCAST COMMUNICATION
    • H04H60/00—Arrangements for broadcast applications with a direct linking to broadcast information or broadcast space-time; Broadcast-related systems
    • H04H60/29—Arrangements for monitoring broadcast services or broadcast-related services
    • H04H60/33—Arrangements for monitoring the users' behaviour or opinions

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请的目的是提供一种用于数据推送的方法和设备，通过基于请求推送方的若干目标用户的用户相关信息获取关于请求推送方的用户群体显著特征信息及每一显著特征的相似度权重信息；基于待推送方的若干特定用户的用户相关信息获取所述待推送方中与所述请求推送方的用户群体显著特征信息相应的用户群体特征信息；基于相似度权重信息、请求推送方的用户群体显著特征信息及待推送方的用户群体特征信息，获取请求推送方与待推送方的用户群体相似度信息；基于用户群体相似度信息，确定是否将请求推送方的相关推送信息发送至待推送方进行推送，有效地提高了数据推送的精确度和智能化。

Description

用于数据推送的方法和设备
技术领域
本申请涉及计算机领域，尤其涉及一种用于数据推送的技术。
背景技术
随着互联网网络信息的蓬勃发展，广电等行业在进行数据交互的过程中产生了海量的交互数据，通过与电商用户的交互数据的融合和挖掘，将为传统广电等网络广播的精准化、智能化提供巨大价值。
但传统广电等网络广播的数据推送分析大多基于电商的服务提供方和电视节目提供方的主管判断及小范围的调查问卷来获得电视节目的用户及用户属性信息，并进行人群匹配判断，缺乏对电商的服务提供方与电视节目的目标受众人群客观大数据分析。其中，电商的服务提供方向电视节目进行数据推送的决策中，采用小样本调查问卷或人为主观臆断的形式收集电商的服务提供方及电视节目的用户交互数据，导致自动化程度低及不能量化处理交互数据；并且，由于调查的交互数据中的用户群体属性特征较固定且不能进行相关扩展，从而不能深层次挖掘出影响数据推送决策的电商的服务提供方的用户显著特征及电视节目的用户对产品的忠诚度；此外，由于通过主观臆断或者调查问卷的局限性，导致电商的服务提供方与电视节目的交互数据融合的决策缺乏科学的大数据指导，决策结果精确度不高且智能化较低。
同样，当类似于电商服务提供方的众多请求推送方将需要推送的数据信息推送给类似于电视节目的众多待推送方时，通过采样小样本调查问卷或人为主观臆断的形式进行数据分析确定的数据推送方案，都会导致自动化程度低和量化程度小，从而造成数据推送决策的精确度低和智能化低。
发明内容
本申请的目的是提供一种数据推送的方法与设备，以解决现有技术中请求推送方将需要推送的数据信息推送给待推送方时，通过采样小样本调查问卷或人为主观臆断的形式进行数据分析确定的数据推送方案，导致自动化程度低和量化程度小，从而造成数据推送决策的精确度低和智能化低的问题。
为解决上述技术问题，根据本申请的一个方面，提供了一种数据推送的方法，包括：
获取请求推送方的若干目标用户的用户相关信息，基于所述请求推送方的目标用户的用户相关信息获取关于所述请求推送方的用户群体显著特征信息，并基于所述请求推送方的用户群体显著特征信息，获取每一显著特征的相似度权重信息；其中，所述用户群体显著特征信息包括若干显著特征及具有相应所述显著特征的用户群体比例信息；
获取待推送方的若干特定用户的用户相关信息，并基于所述待推送方的特定用户的用户相关信息获取所述待推送方中与所述请求推送方的用户群体显著特征信息相应的用户群体特征信息；
基于所述相似度权重信息、所述请求推送方的用户群体显著特征信息及所述待推送方的用户群体特征信息，获取所述请求推送方与所述待推送方的用户群体相似度信息；
基于所述用户群体相似度信息，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
根据本申请的另一个方面，提供了一种用于数据推送的设备，该设备包括：
请求推送方获取装置，用于获取请求推送方的若干目标用户的用户相关信息，基于所述请求推送方的目标用户的用户相关信息获取关于所述请求推送方的用户群体显著特征信息，并基于所述请求推送方的用户群体显著特征信息，获取每一显著特征的相似度权重信息；其中，所述用户群体显著特征信息包括若干显著特征及具有相应所述显著特征的用户群体比例信息；
待推送方获取装置，用于获取待推送方的若干特定用户的用户相关信息，并基于所述待推送方的特定用户的用户相关信息获取所述待推送方中与所述请求推送方的用户群体显著特征信息相应的用户群体特征信息；
相似度计算装置，用于基于所述相似度权重信息、所述请求推送方的用户群体显著特征信息及所述待推送方的用户群体特征信息，用于获取所述请求推送方与所述待推送方的用户群体相似度信息；
确定装置，用于基于所述用户群体相似度信息，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
与现有技术相比，根据本申请的实施例所述的一种用于数据推送的方法与设备，通过对请求推送方的若干目标用户的用户相关信息和待推送方的若干特定用户的用户信息的分别分析得到的所述请求推送方的用户群体显著特征信息即相似度权重信息和所述待推送方的用户群体特征信息，使得避免了受人为主观因素的干扰，并能对用户相关信息进行量化处理，有效地提高了数据推送过程的智能化；基于以上信息能够有效快速地计算出所述请求推送方与所述待推送方的用户群体相似度信息；由于根据用户群体相似度信息，来确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送，使请求推送方的相关推送信息能够精确的发送至待推送方进行推送，使得整个数据推送经过科学的大数据分析计算得到，从而更有效地提高了数据推送的精确度和智能化。
进一步地，根据本申请的实施例所述的一种数据推送的方法和设备，通过基于所述请求推送方的若干目标用户的用户相关信息，获取若干所述请求推送方的若干目标用户的用户特征以及每一所述用户特征的目标群体指数，通过有针对性的确定出请求推送方的用户群体显著特征信息及相似度权重信息，使得对请求推送方的若干目标用户的用户信息的分析精确，从而保证获得的请求推送方的相关推送信息的精确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种用于数据推送的设备的结构示意图；
图2示出根据本申请一个方面的一个优选实施例用于数据推送的设备中请求推送方获取装置的结构示意图；
图3示出根据本申请又一个方面的一个优选实施例的一种的方法流程示意图；
图4示出根据本申请另一个方面的一种用于数据推送的方法流程示意图；
图5示出根据本申请另一个方面的步骤S11的方法流程示意图；
图6示出根据本申请另一个方面的一个优选实施例用于数据推送的方法总体流程示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
图1示出根据本申请一个方面的一种用于数据推送的设备的结构示意图。该设备1包括请求推送方获取装置11、待推送方获取装置12、相似度计算装置13和确定装置14。
其中，所述请求推送方获取装置11获取请求推送方的若干目标用户的用户相关信息，基于所述请求推送方的目标用户的用户相关信息获取关于所述请求推送方的用户群体显著特征信息，并基于所述请求推送方的用户群体显著特征信息，获取每一显著特征的相似度权重信息；所述待推送方获取装置12获取待推送方的若干特定用户的用户相关信息，并基于所述待推送方的特定用户的用户相关信息获取所述待推送方中与所述请求推送方的用户群体显著特征信息相应的用户群体特征信息；其中，所述用户群体显著特征信息包括若干显著特征及具有相应所述显著特征的用户群体比例信息；所述相似度计算装置13基于所述相似度权重信息、所述请求推送方的用户群体显著特征信息及所述待推送方的用户群体特征信息，获取所述请求推送方与所述待推送方的用户群体相似度信息；所述确定装置14基于所述用户群体相似度信息，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
在此，所述设备1包括但不限于用户设备、或用户设备与网络设备通过网络相集成所构成的设备。所述用户设备其包括但不限于任何一种可与用户通过触摸板进行人机交互的移动电子产品，例如智能手机、PDA等，所述移动电子产品可以采用任意操作***，如android操作***、iOS操作***等。其中，所述网络设备包括一种能够按照事先设定或存储的指令，自动进行数值计算和信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路(ASIC)、可编程门阵列(FPGA)、数字处理器(DSP)、嵌入式设备等。所述网络包括但不限于互联网、广域网、城域网、局域网、VPN网络、无线自组织网络(Ad Hoc网络)等。优选地，设备1还可以是运行于所述用户设备、或用户设备与网络设备、触摸终端或网络设备与触摸终端通过网络相集成所构成的设备上的脚本程序。当然，本领域技术人员应能理解上述设备1仅为举例，其他现有的或今后可能出现的设备1如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
上述各装置之间是持续不断工作的，在此，本领域技术人员应理解“持续”是指上述各装置分别实时地或者按照设定的或实时调整的工作模式要求。
由于通过针对性的分析请求推送方的目标用户和待推送方的特定用户的用户相关信息，能够精确的获得请求推送方的用户群体显著特征信息及每一显著特征的相似度权重信息和待推送方的用户群体特征信息，使得能够获取精确的所述请求推送方与所述待推送方的用户群体相似度信息，并基于所述用户群体相似度信息，有效地确定所述请求推送方的相关推送信息能够精确地发送至所述待推送方进行推送，从而有效地提高了数据推送的精确度和智能化。
优选地，所述请求推送方包括以下至少任一项：应用服务提供方、媒体服务提供方、产品供应方。在此，作为所述请求推送方，所述应用服务方可以包括提供应用软件等的服务方，媒体服务提供方包括电视节目、广播节目、报纸、杂志等媒体服务方，所述产品提供方可以是产品生产方、销售方等。所述请求推送方可以将自身服务的相关信息(例如广告)以信息推送的方式推送给所述待推送方，以实现推广。当然，其他现有的或今后可能出现的请求推送方如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
所述待推送方包括至少以下任一项：应用服务提供方、媒体服务提供方。在此，作为所述待请求推送方，所述应用服务提供方可以是能够通过弹出信息等方式向用户推送相关信息的应用软件的服务方，所述媒体服务提供方可以包括能够推送广告等信息的电视的相关节目、广播、报纸、杂志、室内或户外信息展示屏等。其中，优选地，待推送方可以是电视娱乐节目、电影及电视剧节目等，亦可以是广播滚动节目等。当然，其他现有的或今后可能出现的待推送方如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
优选地，所述请求推送方获取装置11用于：获取请求推送方的若干目标用户的若干用户交互信息，并基于所述用户交互信息获取所述目标用户的用户属性信息。
下面以电商某品牌作为请求推送方为例，通过对电商品牌的交互过程中的数据信息进行分析。从电商某品牌的零售平台交易日志中获取最近两个月对某一电商某品牌(记作：b)发生购买或者收藏行为的用户(记作：u)，组成用户品牌对，记作pair(b，u)，用户品牌对记录了用户与品牌发生交互关系的用户属性信息。将用户品牌对与电商消费者信息工场记录的交互信息根据用户进行关联，获取用户品牌对与之对应的交互信息的数据集D(b，u)。
优选地，所述用户属性信息包括至少以下任一项：用户人口属性信息、用户行为特征信息、用户兴趣偏好信息。
例如，在本申请的上述实施例中，用户人口属性信息可以为性别、年龄、身高和体重等用户自身的人口属性信息；用户行为特征信息可以为用户社会职业及工龄、日常收入和消费阶层等用户的社会行为特征信息；用户兴趣爱好信息可以为用户在体育方面、音乐方面、购物方面、阅读方面和收播娱乐节目等方面的兴趣偏好信息。
优选地，图2示出根据本申请一个方面的一个优选实施例用于数据推送的设备中请求推送方获取装置的结构示意图。请求推送方获取装置11包括第一获取单元111、第二获取单元112和第三获取单元113；其中，第一获取单元111基于所述请求推送方的若干目标用户的用户相关信息，获取若干所述请求推送方的若干目标用户的用户特征以及每一所述用户特征的目标群体指数，其中，所述目标群体指数包括每一所述用户特征在所述请求推送方中的用户群体比例信息与该用户特征在总用户群的用户群体比例信息的比值；第二获取单元112基于所述请求推送方的用户特征的目标群体指数，从所述用户特征中选取关于所述请求推送方的若干用户群体显著特征，并获得关于所述请求推送方的用户群体显著特征的用户群体比例信息及目标群体指数；第三获取单元113基于所述请求推送方的用户群体显著特征信息，获取所述相似度权重信息，其中，所述相似度权重信息包括所述请求推送方的每一用户群体显著特征的目标群体指数与所述请求推送方的所有用户群体显著特征的目标群体指数之和的比例信息。
在本申请的上述实施例中，第一获取单元111获得电商品牌下的若干目标用户的所有用户特征，例如包括：年龄、性别、职业、日常收入等，基于若干目标用户的用户相关信息中的每一离散用户特征的属性值，记作：v，计算每一用户特征的TGI(Target Group Index，目标群体指数)，如目标用户b的用户特征为“年龄”的属性值v的TGI，记作：TGI(b，v)，其中TGI(b，v)＝与电商品牌发生交互的群体中具有属性值v的群体比例/与电商品牌发生交互的所有用户特征对应的交互数据集D(b，u)中具有属性值v的群体指数。例如，在18-26岁的目标用户人群中，有95％的目标用户与电商品牌b发生了购买或者收藏行为的交互信息，而在总体人群中，与电商品牌b发生了购买或者收藏行为的交互信息的人群比例为78％，则电商品牌b在18-26岁的目标用户人群中的目标群体指数TGI＝95％/78％＝121.8％；再例如，用户特征为“女性”的目标用户人群中，有67％的目标用户与电商品牌b发生了购买或者收藏行为的交互信息，而在总体人群中，与电商品牌b发生了购买或者收藏行为的交互信息的人群比例为35％，则电商品牌b在用户特征为“女性”的目标用户人群中的目标群体指数TGI＝67％/35％＝191.4％；再例如，用户特征为“白领”的目标用户人群中，有88％的目标用户与电商品牌b发生了购买或者收藏行为的交互信息，而在总体人群中，与电商品牌b发生了购买或者收藏行为的交互信息的人群比例为54％，则电商品牌b在用户特征为“女性”的目标用户人群中的目标群体指数TGI＝88％/54％＝163.0％。
优选地，第二获取单元112用于：当一所述请求推送方的用户特征的目标群体指数高于指数阈值时，则确定该用户特征为用户群体显著特征，并获得若干关于所述请求推送方的用户群体显著特征的群体比例信息及目标群体指数。
需要说明的是，在本申请的上述实施例中优选的指数阈值为“1”，即当请求推送方的用户特征的目标群体指数TGI高于“1”时，则确定该用户特征为用户群体显著特征。当然，其他现有的或今后可能出现的指数阈值如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
在本申请的上述实施例中，由于18-16岁的目标用户人群的目标群体指数TGI为121.8％是高于“1”的，所以用户特征为“18-26岁”确定为用户群体显著特征；由于“女性”的目标用户人群的目标群体指数TGI为191.4％，所以，用户特征为“女性”确定为用户群体显著特征；由于“白领”的目标用户人群的目标群体指数TGI为163.0％，所以，用户特征为“白领”确定为用户群体显著特征。
在本申请的上述实施例中，基于用户群体显著特征，获取所有用户群体显著特征的用户群体比例信息，记作：
其中，countb(vi)表示特征vi在电商品牌b交互人群中数量，countb表示电商品牌b的人群的数量。例如，与电商品牌b发生过交互信息的总人群数量为100人，其中用户群体显著特征为“18-26岁”的目标用户在电商品牌b交互人群中数量为95，则确定用户群体显著特征为“18-26岁”的用户群体比例信息为fb1＝95％；用户群体显著特征为“女性”的目标用户在电商品牌b交互人群中数量为67，则确定用户群体显著特征为“女性”的用户群体比例信息为fb2＝67％；用户群体显著特征为“白领”的目标用户在电商品牌b交互人群中数量为88，则确定用户群体显著特征为“白领”的用户群体比例信息为fb3＝88％。
在本申请的上述实施例中，基于用户群体显著特征和用户群体比例信息，得到电商品牌b所对应的用户群体显著特征信息，记作：vectorb＝<fb1,fb2,...fbn>，表示与电商品牌b发生交互的目标用户下的n个用户群体比例信息占比所组成的向量信息。例如，与电商品牌b发生交互的目标用户所对应的用户群体比例信息组成的向量信息为vectorb＝<fb1,fb2,fb3>＝＜95％,67％,88％＞。
在第三获取单元中，基于请求推送方的用户群体显著特征信息，获取相似度权重信息。需要说明的是，在本申请的上述实施例中，通过公式：
获取相似度权重信息。当然，其他现有的或今后可能出现的获取相似度权重信息的算法如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
例如，电商品牌b的用户群体显著特征为v1“18-26岁”、v2“女性”和v3“白领”，且vi特征的目标群体指数TGI为TGI(b，vi)，则用户群体显著特征v1的相似度权重信息W1为：
用户群体显著特征v2的相似度权重信息W2为：
用户群体显著特征v3的相似度权重信息W3为：
进一步地，所述待推送方获取装置12获取待推送方的若干特定用户的用户相关信息，并基于所述待推送方的特定用户的用户相关信息获取关于所述待推送方的用户群体特征信息；其中，所述待推送方的用户群体特征信息包括若干所述待推送方的特征，其中该特征基于所述请求推送方的用户群体显著特征信息中的显著特征进行选取，即与所述请求推送方的用户群体显著特征信息中的显著特征相对应，及具有相应所述特征的用户群体比例信息。
优选地，所述待推送方获取装置12还包括用户忠诚度信息获取单元(未示出)和用户筛选单元(未示出)；其中，所述用户忠诚度信息获取单元基于待推送方的若干特定用户的用户相关信息，获取所述待推送方的用户忠诚度信息；用户筛选单元基于所述用户忠诚度信息，筛选所述待推送方的若干特定用户的用户相关信息。
下面以电视节目作为待推送方为例，待推送方获取若干特定用户的用户相关信息包括特定用户与电视节目的交互数据信息和特定用户与电视节目绑定的关系信息。例如，首先获取若干特定用户对电视节目的观看数据集，其中，电视节目的观看数据采集主要是通过智能电视日志采集***，采集每台电视的mac地址、家庭路由器mac地址、观看的节目信息、观看时间、观看时长，并结合家庭信息桥FIB服务，使得电视节目和家庭成员id进行互联，采集并互联后的观看数据格式如表1所示为特定用户对电视节目的观看数据格式。
表1 特定用户对电视节目的观看数据格式
其中，采集到的电视节目的节目元信息数据的数据格式如表2所示。
在本申请的上述实施例中，为了更好的采用用户群体特征表示节目，因此，需要过滤掉噪音节目即节目非忠诚用户。其中，在用户忠诚度信息获取单元基于待推送方的若干特定用户的用户相关信息，获取待推送方的用户忠诚度信息。
表2 电视节目的节目元信息数据的数据格式
字段名称 数据类型 描述
epg_ca_id string 抽象节目id(某个电视台一部节目一个id)
epg_ca_name string 抽象节目名称
start_time string 观看起始时间，格式yyyy-mm-dd hh:mi:ss
end_time string 观看结束时间，格式yyyy-mm-dd hh:mi:ss
dt string 日期(分区字段)
优选地，所述用户忠诚度信息包括至少以下任一项：所述特定用户与所述待推送方的交互频次、单次交互时长、交互总时长、平均交互时长、末次有效交互时间。
例如，首先抽取最近2个月的采集到的电视节目的节目元信息数据集中播放频次大于2且每次播放时长大于10分钟的节目；接着计算特定用户(记作：u)观看每一电视节目(记作：e)的观看时长大于1分钟的最近一次日期，距当前日期的天数，即末次有效交互时间记作：r(u，e)；计算特定用户观看每一电视节目的天数，即交互总时长记作：f(u，e)；计算用户观看每一电视节目平均每天次观看分钟数即单次交互时长记作：m(u，e)；然后，分别计算所有特定用户观看每个电视节目的平均观看天差、平均交互时长、平均交互频次，分别记作:avg_r(e)，avg_f(e)，avg_m(e)；最后，分别计算r(u，e)与avg_r(e)的差，f(u，e)与avg_f(e)的差，m(u，e)与avg_m(e)的差，并分别记作：rd(u，e)，fd(u，e)，md(u，e)。
优选地，所述用户筛选单元用于：比较所述待推送方的一特定用户的用户忠诚度信息与所述推送方的所有特定用户的平均用户忠诚度信息，当比较结果满足忠诚条件，则保留该一特定用户的用户相关信息。
需要说明的是，在本申请的上述实施例中优选的忠诚条件为“rd(u，e)小于0、fd(u，e)大于0、md(u，e)大于0”，即当待推送方的特定用户的末次交互时长比所有特定用户的末次平均观看天差小，特定用户的交互总时长比所有特定用户的平均交互时长长，且特定用户的单词交互时长比所有特定用户的平均交互频次长时，则保留该一特定用户的用户相关信息并将该特定用户确定为电视节目的忠诚用户，以便获取特定用户的用户特征及每一用户特征的目标群体指数。当然，其他现有的或今后可能出现的忠诚条件如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
优选地，所述待推送方获取装置12包括第四获取单元(未示出)和第五获取单元(未示出)。其中，第四获取单元获取所述请求推送方的用户群体显著特征信息；所述第五获取单元基于所述请求推送方的用户群体显著特征信息的显著特征，从所述待推送方的若干特定用户的用户相关信息中，获取若干所述待推送方的用户特征以及每一所述用户特征的目标群体指数，其中，所述待推送方的用户特征与所述请求推送方的显著特征相对应，所述目标群体指数包括每一所述用户特征在所述待推送方中的群体比例信息与该用户特征在总群的群体比例信息的比值，再基于所述待推送方的用户特征的目标群体指数，从所述用户特征中选取关于所述待推送方的用户群体显著特征，并获得若干关于所述待推送方的用户群体显著特征的群体比例信息和目标群体指数。
在本申请的上述实施例中，第四获取单元获取所述请求推送方的用户群体显著特征信息，例如品牌的用户群体显著特征信息包括相应年龄、性别、职业、日常收入等，所述第五获取单元基于所述品牌的用户群体显著特征信息获取待推送方满足上述忠诚条件的电视节目下的若干特定用户的用户特征，包括：年龄、性别、职业、日常收入等，基于若干特定用户的用户相关信息中的每一离散用户特征的属性值，记作：v，计算每一特定用户特征的TGI’(Target Group Index，目标群体指数)，电视节目的特定用户e的用户特征为“年龄”的属性值v的TGI’，记作：TGI’(e，v)，其中TGI’(e，v)＝与电视节目发生交互的群体中具有属性值v的群体比例/与电视节目发生交互的所有用户特征对应的交互数据集D’(e，u)中具有属性值v的群体指数。例如，电视节目的用户群体显著特征包括18-26岁、女性、白领；则计算特定人群中18-26岁、女性及白领三个用户特征的相关信息。其中，在18-26岁的特定用户人群中，有92％的特定用户与电视节目e发生了观看或者缓存行为的交互信息，而在总体人群中，与电视节目e发生了观看或者缓存行为的交互信息的人群比例为70％，则电视节目e在18-26岁的特定用户人群中的目标群体指数TGI’＝92％/70％＝131.4％；用户特征为“女性”的特定用户人群中，有68％的特定用户与电视节目e发生了观看或者缓存行为的交互信息，而在总体人群中，与电视节目e发生了观看或者缓存行为的交互信息的人群比例为40％，则电视节目e在用户特征为“女性”的特定用户人群中的目标群体指数TGI’＝68％/40％＝170.0％；用户特征为“白领”的特定用户人群中，有90％的特定用户与电视节目e发生了观看或者缓存行为的交互信息，而在总体人群中，与电视节目e发生了观看或者缓存行为的交互信息的人群比例为52％，则电视节目e在用户特征为“女性”的特定用户人群中的特定群体指数TGI’＝90％/52％＝173.1％。
在本申请的上述实施例中，基于用户群体特征，获取所有用户群体特征的用户群体比例信息，记作：
其中，counte(vi)表示特征vi在电视节目e交互人群中数量，counte表示电视节目e的人群的数量。例如，与电视节目e发生过交互信息的总人群数量为100人，其中用户群体特征为“18-26岁”的特定用户在电视节目e交互人群中数量为92，则确定用户群体特征为“18-26岁”的用户群体比例信息为fe1＝92％；用户群体特征为“女性”的特定用户在电视节目e交互人群中数量为68，则确定用户群体特征为“女性”的用户群体比例信息为fe2＝68％；用户群体特征为“白领”的特定用户在电视节目e交互人群中数量为90，则确定用户群体特征为“白领”的用户群体比例信息为fe3＝90％。
在本申请的上述实施例中，基于用户群体特征和用户群体比例信息，得到电视节目e所对应的用户群体特征信息，记作：
vectore＝<fe1,fe2,...fen>，
表示与电视节目e发生交互的特定用户下的n个用户群体比例信息占比所组成的向量信息。例如，与电视节目e发生交互的特定用户所对应的用户群体比例信息组成的向量信息为：
vectore＝<fe1,fe2,fe3>＝＜92％,68％,90％＞。
优选地，所述相似度计算装置用于：基于所述请求推送方和所述待推送方的用户群体特征信息中每一相同的特征的用户群体比例信息及相应所述相似度权重信息，进行相似度计算，以获取所述请求推送方与所述待推送方的用户相似度信息。
在本申请的上述实施例中，电商品牌与电视节目的用户相似度信息是基于电商品牌countb、电视节目counte及每个用户群体显著特征vi的相似度权重信息Wi采用加权的欧式距离算法得到的，该算法具体为：
需要说明的是，在本申请的上述实施例中优选的计算用户相似度信息的加权欧式距离算法仅为本发明的一个优选实施例。当然，其他现有的或今后可能出现的能够计算用户相似度信息的算法如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
接前例，基于电商品牌countb、电视节目counte及每个用户群体显著特征vi的相似度权重信息Wi得到的电商品牌b与电视节目e的用户相似度信息如下所示：
接着，所述确定装置14基于所述用户相似度信息与用户相似度阈值的关系，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
需要说明的是，在本申请的上述实施例中优选的用户相似度阈值可以根据请求推送方的资金或者请求推送方的精确度决定，此处将用户相似度阈值设置为“0.5”，即用户相似度信息低于用户相似度阈值设置“0.5”时，则将请求推送方的相关推送信息发送至所述待推送方进行推送；否则，禁止将请求推送方的相关推送信息发送至所述待推送方进行推送。当然，其他现有的或今后可能出现的设置用户相似度阈值的方法如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
优选地，所述确定装置14用于：
基于所述用户相似度信息，获取所述待推送方的推送优先度排序信息；
基于所述待推送方的推送优先度排序信息，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
例如，在本申请的上述实施例中，获得针对某一电商品牌b与若干候选电视节目的用户相似度信息<d1，d2，d3…dn>；基于<d1，d2，d3…dn>获取若干候选电视节目的节目推送优先度排序信息；若候选电视节目的节目推送优先度排序信息按从大到小的排序为<d3，d6，d7，d10，d11，d1，d4，d2…>，基于请求推送方的资金或者请求推送方的精确度决定，需要将用户相似度信息排序靠前三位的电视节目作为待推送方<d3，d6，d7>，将某一电商品牌b的相关推送信息发送至待推送方<d3，d6，d7>进行推送。
图3示出根据本申请一个方面的一个优选实施例用于数据推送的设备总体结构示意图。该设备2包括如下8个主要模块。电视节目观看数据集模块21、电视节目忠诚用户群挖掘模块22、用户群体显著特征模块23、相似度权重信息模块24、电商品牌忠诚用户群生成模块25、电视节目与电商品牌的用户群体比例信息模块26、电商品牌与电视节目的用户相似度算法模块27和预测结果输出模块28。
在本申请的上述实施例中，基于电视节目观看数据集模块21中获取的与电视节目发生交互关系的特定用户的用户相关信息，在电视节目忠诚用户群挖掘模块22挖掘出满足忠诚条件的特定用户作为电视节目的忠诚用户，并根据用户群体显著特征模块23获取电视节目的特定用户的用户群体特征信息，其中，所述用户群体特征信息包括若干所述电视节目的特定用户的特征，其中该特征基于所述电商品牌的用户群体显著特征信息中的显著特征进行选取，即与所述请求推送方的用户群体显著特征信息中的显著特征相对应，及具有相应所述特征的用户群体比例信息。
在电商品牌忠诚用户群生成模块25中获取与电商品牌发生交互的目标用户的交互信息，并基于用户群体显著特征模块23获取电商品牌的目标用户的用户群体显著特征信息，基于电商品牌的目标用户的用户群体显著特征信息在相似度权重信息模块24获取到相似度权重信息；基于电视节目忠诚用户群挖掘模块22、用户群体显著特征模块23与电商品牌忠诚用户群生成模块25在电视节目与电商品牌的用户群体比例信息模块26获取电视节目的用户群体比例信息和电商品牌的用户群体比例信息；基于相似度权重信息模块24和电视节目与电商品牌的用户群体比例信息模块26在电商品牌与电视节目的用户相似度算法模块27中，采用相似度算法计算出电商品牌与电视节目的用户群体相似度信息，并在预测结果输出模块28基于用户相似度信息与用户相似度阈值的关系，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送，能够精确地确定出将请求推送方的相关推送信息发送至满足条件的相应的待推送方进行推送，使得整个数据推送经过科学的大数据分析计算得到，从而更有效地提高了数据推送的精确度和智能化。
图4示出根据本申请另一个方面的一种用于数据推送的方法流程示意图。该方法包括步骤S11、步骤S12、步骤S13和步骤S14。
其中，所述步骤S11：获取请求推送方的若干目标用户的用户相关信息，基于所述请求推送方的目标用户的用户相关信息获取关于所述请求推送方的用户群体显著特征信息，并基于所述请求推送方的用户群体显著特征信息，获取每一显著特征的相似度权重信息；其中，所述用户群体显著特征信息包括若干显著特征及具有相应所述显著特征的用户群体比例信息；所述步骤S12获取待推送方的若干特定用户的用户相关信息，并基于所述待推送方的特定用户的用户相关信息获取所述待推送方中与所述请求推送方的用户群体显著特征信息相应的用户群体特征信息；所述步骤S13基于所述相似度权重信息、所述请求推送方的用户群体显著特征信息及所述待推送方的用户群体特征信息，获取所述请求推送方与所述待推送方的用户群体相似度信息；所述步骤S14基于所述用户群体相似度信息，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
优选地，所述请求推送方包括以下至少任一项：
应用服务提供方、媒体服务提供方、产品供应方。
在此，作为所述请求推送方，所述应用服务方可以包括提供应用软件等的服务方，媒体服务提供方包括电视节目、广播节目、报纸、杂志等媒体服务方，所述产品提供方可以是产品生产方、销售方等。所述请求推送方可以将自身服务的相关信息(例如广告)以信息推送的方式推送给所述待推送方，以实现推广。当然，其他现有的或今后可能出现的请求推送方如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
所述待推送方包括至少以下任一项：应用服务提供方、媒体服务提供方。
在此，作为所述待请求推送方，所述应用服务提供方可以是能够通过弹出信息等方式向用户推送相关信息的应用软件的服务方，所述媒体服务提供方可以包括能够推送广告等信息的电视的相关节目、广播、报纸、杂志、室内或户外信息展示屏等。其中，优选地，待推送方可以是电视娱乐节目、电影及电视剧节目等，亦可以是广播滚动节目等。当然，其他现有的或今后可能出现的待推送方如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
具体地，所述步骤S11：获取请求推送方的若干目标用户的用户相关信息，基于所述请求推送方的目标用户的用户相关信息获取关于所述请求推送方的用户群体显著特征信息，并基于所述请求推送方的用户群体显著特征信息，获取每一显著特征的相似度权重信息；其中，所述用户群体显著特征信息包括若干显著特征及具有相应所述显著特征的用户群体比例信息。
优选地，所述步骤S11还包括：获取请求推送方的若干目标用户的若干用户交互信息，并基于所述用户交互信息获取所述目标用户的用户属性信息。
下面以电商某品牌作为请求推送方为例，通过对电商品牌的交互过程中的数据信息进行分析。从电商某品牌的零售平台交易日志中获取最近两个月对某一电商某品牌(记作：b)发生购买或者收藏行为的用户(记作：u)，组成用户品牌对，记作pair(b，u)，用户品牌对记录了用户与品牌发生交互关系的用户属性信息。将用户品牌对与电商消费者信息工场记录的交互信息根据用户进行关联，获取用户品牌对与之对应的交互信息的数据集D(b，u)。
优选地，所述用户属性信息包括至少以下任一项：用户人口属性信息、用户行为特征信息、用户兴趣偏好信息。
例如，在本申请的上述实施例中，用户人口属性信息可以为性别、年龄、身高和体重等用户自身的人口属性信息；用户行为特征信息可以为用户社会职业及工龄、日常收入和消费阶层等用户的社会行为特征信息；用户兴趣爱好信息可以为用户在体育方面、音乐方面、购物方面、阅读方面和收播娱乐节目等方面的兴趣偏好信息。
优选地，图5示出根据本申请另一个方面的步骤S11的方法流程示意图。步骤S11包括步骤S111、步骤S112和步骤S113；其中，步骤S111基于所述请求推送方的若干目标用户的用户相关信息，获取若干所述请求推送方的若干目标用户的用户特征以及每一所述用户特征的目标群体指数，其中，所述目标群体指数包括每一所述用户特征在所述请求推送方中的用户群体比例信息与该用户特征在总用户群的用户群体比例信息的比值；步骤S112基于所述请求推送方的用户特征的目标群体指数，从所述用户特征中选取关于所述请求推送方的若干用户群体显著特征，并获得关于所述请求推送方的用户群体显著特征的用户群体比例信息及目标群体指数；步骤S113基于所述请求推送方的用户群体显著特征信息，获取所述相似度权重信息，其中，所述相似度权重信息包括所述请求推送方的每一用户群体显著特征的目标群体指数与所述请求推送方的所有用户群体显著特征的目标群体指数之和的比例信息。
在本申请的上述实施例中，步骤S111获得电商品牌下的若干目标用户的所有用户特征，例如包括：年龄、性别、职业、日常收入等，基于若干目标用户的用户相关信息中的每一离散用户特征的属性值，记作：v，计算每一用户特征的TGI(Target Group Index，目标群体指数)，如目标用户b的用户特征为“年龄”的属性值v的TGI，记作：TGI(b，v)，其中TGI(b，v)＝与电商品牌发生交互的群体中具有属性值v的群体比例/与电商品牌发生交互的所有用户特征对应的交互数据集D(b，u)中具有属性值v的群体指数。例如，在18-26岁的目标用户人群中，有95％的目标用户与电商品牌b发生了购买或者收藏行为的交互信息，而在总体人群中，与电商品牌b发生了购买或者收藏行为的交互信息的人群比例为78％，则电商品牌b在18-26岁的目标用户人群中的目标群体指数TGI＝95％/78％＝121.8％；再例如，用户特征为“女性”的目标用户人群中，有67％的目标用户与电商品牌b发生了购买或者收藏行为的交互信息，而在总体人群中，与电商品牌b发生了购买或者收藏行为的交互信息的人群比例为35％，则电商品牌b在用户特征为“女性”的目标用户人群中的目标群体指数TGI＝67％/35％＝191.4％；再例如，用户特征为“白领”的目标用户人群中，有88％的目标用户与电商品牌b发生了购买或者收藏行为的交互信息，而在总体人群中，与电商品牌b发生了购买或者收藏行为的交互信息的人群比例为54％，则电商品牌b在用户特征为“女性”的目标用户人群中的目标群体指数TGI＝88％/54％＝163.0％。
优选地，步骤S112：当一所述请求推送方的用户特征的目标群体指数高于指数阈值时，则确定该用户特征为用户群体显著特征，并获得若干关于所述请求推送方的用户群体显著特征的群体比例信息及目标群体指数。
需要说明的是，在本申请的上述实施例中优选的指数阈值为“1”，即当请求推送方的用户特征的目标群体指数TGI高于“1”时，则确定该用户特征为用户群体显著特征。当然，其他现有的或今后可能出现的指数阈值如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
在本申请的上述实施例中，由于18-16岁的目标用户人群的目标群体指数TGI为121.8％是高于“1”的，所以用户特征为“18-26岁”确定为用户群体显著特征；由于“女性”的目标用户人群的目标群体指数TGI为191.4％，所以，用户特征为“女性”确定为用户群体显著特征；由于“白领”的目标用户人群的目标群体指数TGI为163.0％，所以，用户特征为“白领”确定为用户群体显著特征。
在本申请的上述实施例中，基于用户群体显著特征，获取所有用户群体显著特征的用户群体比例信息，记作：
其中，countb(vi)表示特征vi在电商品牌b交互人群中数量，countb表示电商品牌b的人群的数量。例如，与电商品牌b发生过交互信息的总人群数量为100人，其中用户群体显著特征为“18-26岁”的目标用户在电商品牌b交互人群中数量为95，则确定用户群体显著特征为“18-26岁”的用户群体比例信息为fb1＝95％；用户群体显著特征为“女性”的目标用户在电商品牌b交互人群中数量为67，则确定用户群体显著特征为“女性”的用户群体比例信息为fb2＝67％；用户群体显著特征为“白领”的目标用户在电商品牌b交互人群中数量为88，则确定用户群体显著特征为“白领”的用户群体比例信息为fb3＝88％。
在本申请的上述实施例中，基于用户群体显著特征和用户群体比例信息，得到电商品牌b所对应的用户群体显著特征信息，记作：vectorb＝<fb1,fb2,...fbn>，表示与电商品牌b发生交互的目标用户下的n个用户群体比例信息占比所组成的向量信息。例如，与电商品牌b发生交互的目标用户所对应的用户群体比例信息组成的向量信息为vectorb＝<fb1,fb2,fb3>＝＜95％,67％,88％＞。
在第三获取单元中，基于请求推送方的用户群体显著特征信息，获取相似度权重信息。需要说明的是，在本申请的上述实施例中，通过公式：
获取相似度权重信息。当然，其他现有的或今后可能出现的获取相似度权重信息的算法如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
例如，电商品牌b的用户群体显著特征为v1“18-26岁”、v2“女性”和v3“白领”，且vi特征的目标群体指数TGI为TGI(b，vi)，则用户群体显著特征v1的相似度权重信息W1为：
用户群体显著特征v2的相似度权重信息W2为：
用户群体显著特征v3的相似度权重信息W3为：
进一步地，所述步骤S12：获取待推送方的若干特定用户的用户相关信息，并基于所述待推送方的特定用户的用户相关信息获取关于所述待推送方的用户群体特征信息。
优选地，所述步骤S12还包括：
基于待推送方的若干特定用户的用户相关信息，获取所述待推送方的用户忠诚度信息；
基于所述用户忠诚度信息，筛选所述待推送方的若干特定用户的用户相关信息。
下面以电视节目作为待推送方为例，待推送方获取若干特定用户的用户相关信息包括特定用户与电视节目的交互数据信息和特定用户与电视节目绑定的关系信息。例如，首先获取若干特定用户对电视节目的观看数据集，其中，电视节目的观看数据采集主要是通过智能电视日志采集***，采集每台电视的mac地址、家庭路由器mac地址、观看的节目信息、观看时间、观看时长，并结合家庭信息桥FIB服务，使得电视节目和家庭成员id进行互联，采集并互联后的观看数据格式如本申请的上述实施例中的表1所示为特定用户对电视节目的观看数据格式。
其中，采集到的电视节目的节目元信息数据的数据格式如表本申请的上述实施例中的2所示。
在本申请的上述实施例中，为了更好的采用用户群体特征表示节目，因此，需要过滤掉噪音节目即节目非忠诚用户。其中，在用户忠诚度信息获取单元基于待推送方的若干特定用户的用户相关信息，获取待推送方的用户忠诚度信息。
优选地，所述用户忠诚度信息包括至少以下任一项：
所述特定用户与所述待推送方的交互频次、单次交互时长、交互总时长、平均交互时长、末次有效交互时间。
例如，首先抽取最近2个月的采集到的电视节目的节目元信息数据集中播放频次大于2且每次播放时长大于10分钟的节目；接着计算特定用户(记作：u)观看每一电视节目(记作：e)的观看时长大于1分钟的最近一次日期，距当前日期的天数，即末次有效交互时间记作：r(u，e)；计算特定用户观看每一电视节目的天数，即交互总时长记作：f(u，e)；计算用户观看每一电视节目平均每天次观看分钟数即单次交互时长记作：m(u，e)；然后，分别计算所有特定用户观看每个电视节目的平均观看天差、平均交互时长、平均交互频次，分别记作:avg_r(e)，avg_f(e)，avg_m(e)；最后，分别计算r(u，e)与avg_r(e)的差，f(u，e)与avg_f(e)的差，m(u，e)与avg_m(e)的差，并分别记作：rd(u，e)，fd(u，e)，md(u，e)。
优选地，所述用户筛选单元用于：
比较所述待推送方的一特定用户的用户忠诚度信息与所述推送方的所有特定用户的平均用户忠诚度信息，当比较结果满足忠诚条件，则保留该一特定用户的用户相关信息。
需要说明的是，在本申请的上述实施例中优选的忠诚条件为“rd(u，e)小于0、fd(u，e)大于0、md(u，e)大于0”，即当待推送方的特定用户的末次交互时长比所有特定用户的末次平均观看天差小，特定用户的交互总时长比所有特定用户的平均交互时长长，且特定用户的单词交互时长比所有特定用户的平均交互频次长时，则保留该一特定用户的用户相关信息并将该特定用户确定为电视节目的忠诚用户，以便获取特定用户的用户特征及每一用户特征的目标群体指数。当然，其他现有的或今后可能出现的忠诚条件如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
优选地，所述步骤S12还包括：基于所述待推送方的若干特定用户的用户相关信息，获取若干所述待推送方的用户特征以及每一所述用户特征的目标群体指数，其中，所述目标群体指数包括每一所述用户特征在所述待推送方中的群体比例信息与该用户特征在总群的群体比例信息的比值；接着，基于所述待推送方的用户特征的目标群体指数，从所述用户特征中选取关于所述待推送方的用户群体显著特征，并获得若干关于所述待推送方的用户群体显著特征的群体比例信息和目标群体指数。
在本申请的上述实施例中，步骤S12获取待推送方满足上述忠诚条件的电视节目下的若干特定用户的用户特征，包括：年龄、性别、职业、日常收入等，基于若干特定用户的用户相关信息中的每一离散用户特征的属性值，记作：v，计算每一特定用户特征的TGI’(Target Group Index，目标群体指数)，如特定用户e的：用户特征为“年龄”的属性值v的TGI’，记作：TGI’(e，v)，其中TGI’(e，v)＝与电视节目发生交互的群体中具有属性值v的群体比例/与电视节目发生交互的所有用户特征对应的交互数据集D’(e，u)中具有属性值v的群体指数。例如在18-26岁的特定用户人群中，有92％的特定用户与电视节目e发生了观看或者缓存行为的交互信息，而在总体人群中，与电视节目e发生了观看或者缓存行为的交互信息的人群比例为70％，则电视节目e在18-26岁的特定用户人群中的目标群体指数TGI’＝92％/70％＝131.4％；再例如，用户特征为“女性”的特定用户人群中，有68％的特定用户与电视节目e发生了观看或者缓存行为的交互信息，而在总体人群中，与电视节目e发生了观看或者缓存行为的交互信息的人群比例为40％，则电视节目e在用户特征为“女性”的特定用户人群中的目标群体指数TGI’＝68％/40％＝170.0％；再例如，用户特征为“白领”的特定用户人群中，有90％的特定用户与电视节目e发生了观看或者缓存行为的交互信息，而在总体人群中，与电视节目e发生了观看或者缓存行为的交互信息的人群比例为52％，则电视节目e在用户特征为“女性”的特定用户人群中的特定群体指数TGI’＝90％/52％＝173.1％。
在本申请的上述实施例中，基于用户群体特征，获取所有用户群体特征的用户群体比例信息，记作：
其中，counte(vi)表示特征vi在电视节目e交互人群中数量，counte表示电视节目e的人群的数量。例如，与电视节目e发生过交互信息的总人群数量为100人，其中用户群体显著特征为“18-26岁”的特定用户在电视节目e交互人群中数量为92，则确定用户群体显著特征为“18-26岁”的用户群体比例信息为fe1＝92％；用户群体显著特征为“女性”的特定用户在电视节目e交互人群中数量为68，则确定用户群体显著特征为“女性”的用户群体比例信息为fe2＝68％；用户群体显著特征为“白领”的特定用户在电视节目e交互人群中数量为90，则确定用户群体显著特征为“白领”的用户群体比例信息为fe3＝90％。
在本申请的上述实施例中，基于用户群体显著特征和用户群体比例信息，得到电视节目e所对应的用户群体特征信息，记作：
vectore＝<fe1,fe2,...fen>，
表示与电视节目e发生交互的特定用户下的n个用户群体比例信息占比所组成的向量信息。例如，与电视节目e发生交互的特定用户所对应的用户群体比例信息组成的向量信息为：
vectore＝<fe1,fe2,fe3>＝＜92％,68％,90％＞。
优选地，所述步骤S13：
基于所述请求推送方和所述待推送方的用户群体特征信息中每一相同的显著特征的用户群体比例信息及相应所述显著特征的相似度权重信息，进行相似度计算，以获取所述请求推送方与所述待推送方的用户相似度信息。
在本申请的上述实施例中，电商品牌与电视节目的用户相似度信息是基于电商品牌countb、电视节目counte及每个用户群体显著特征vi的相似度权重信息Wi采用加权的欧式距离算法得到的，该算法具体为：
需要说明的是，在本申请的上述实施例中优选的计算用户相似度信息的加权欧式距离算法仅为本发明的一个优选实施例。当然，其他现有的或今后可能出现的能够计算用户相似度信息的算法如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
接前例，基于电商品牌countb、电视节目counte及每个用户群体显著特征vi的相似度权重信息Wi得到的电商品牌b与电视节目e的用户相似度信息如下所示：
接着，所述步骤S14：基于所述用户相似度信息与用户相似度阈值的关系，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
需要说明的是，在本申请的上述实施例中优选的用户相似度阈值可以根据请求推送方的资金或者请求推送方的精确度决定，此处将用户相似度阈值设置为“0.5”，即用户相似度信息低于用户相似度阈值设置“0.5”时，则将请求推送方的相关推送信息发送至所述待推送方进行推送；否则，禁止将请求推送方的相关推送信息发送至所述待推送方进行推送。当然，其他现有的或今后可能出现的设置用户相似度阈值的方法如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
优选地，所述步骤S14：基于所述用户相似度信息，获取所述待推送方的推送优先度排序信息；基于所述待推送方的推送优先度排序信息，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
例如，在本申请的上述实施例中，获得针对某一电商品牌b与若干候选电视节目的用户相似度信息<d1，d2，d3…dn>；基于<d1，d2，d3…dn>获取若干候选电视节目的节目推送优先度排序信息；若候选电视节目的节目推送优先度排序信息按从大到小的排序为<d3，d6，d7，d10，d11，d1，d4，d2…>，基于请求推送方的资金或者请求推送方的精确度决定，需要将用户相似度信息排序靠前三位的电视节目作为待推送方<d3，d6，d7>，将某一电商品牌b的相关推送信息发送至待推送方<d3，d6，d7>进行推送。
图6示出根据本申请另一个方面的一个优选实施例用于数据推送的方法总体流程示意图。该方法包括步骤S21：获取电视节目观看数据集、步骤S22：获取电视节目忠诚用户群、步骤S23：获取用户群体显著特征、步骤S24：获取相似度权重信息、步骤S25：获取电商品牌忠诚用户群、步骤S26：获取电视节目与电商品牌的用户群体比例信息、步骤S27：获取电商品牌与电视节目的用户相似度算法和步骤S28：预测结果输出。
在本申请的上述实施例中，基于步骤S21中获取的与电视节目发生交互关系的特定用户的用户相关信息，在步骤S22挖掘出满足忠诚条件的特定用户作为电视节目的忠诚用户，并根据步骤S23获取电视节目的特定用户的用户群体特征信息；其中，所述用户群体特征信息包括若干所述电视节目的特定用户的特征，其中该特征基于所述电商品牌的用户群体显著特征信息中的显著特征进行选取，即与所述请求推送方的用户群体显著特征信息中的显著特征相对应，及具有相应所述特征的用户群体比例信息。在步骤S25中获取与电商品牌发生交互的目标用户的交互信息，并基于步骤S23获取电商品牌的目标用户的用户群体显著特征信息，基于步骤S24获取到相似度权重信息；基于步骤S22、步骤S23与步骤S25在步骤S26获取电视节目的用户群体比例信息和电商品牌的用户群体比例信息；基于步骤S24和步骤S26在步骤S27中，采用相似度算法计算出电商品牌与电视节目的用户群体相似度信息，并在步骤S28基于用户相似度信息与用户相似度阈值的关系，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送，能够精确地确定出将请求推送方的相关推送信息发送至满足条件的相应的待推送方进行推送，使得整个数据推送经过科学的大数据分析计算得到，从而更有效地提高了数据推送的精确度和智能化。
与现有技术相比，根据本申请的实施例所述的一种用于数据推送的方法与设备，通过获取请求推送方的若干目标用户的用户相关信息，基于所述请求推送方的目标用户的用户相关信息获取关于所述请求推送方的用户群体显著特征信息，并基于所述请求推送方的用户群体显著特征信息，获取每一显著特征的相似度权重信息；进一步地，获取待推送方的若干特定用户的用户相关信息，并基于所述待推送方的特定用户的用户相关信息获取关于所述待推送方的用户群体特征信息；通过对请求推送方的若干目标用户的用户相关信息和待推送方的若干特定用户的用户信息的分别分析得到的所述请求推送方的用户群体显著特征信息即相似度权重信息和所述待推送方的用户群体特征信息，使得避免了受人为主观因素的干扰，并能对用户相关信息进行量化处理，有效地提高了数据推送过程的智能化；进一步地，基于所述相似度权重信息、所述请求推送方的用户群体显著特征信息及所述待推送方的用户群体特征信息，获取所述请求推送方与所述待推送方的用户群体相似度信息，能够有效快速地计算出所述请求推送方与所述待推送方的用户群体相似度信息；进一步地，基于所述用户群体相似度信息，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。由于根据用户群体相似度信息，来确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送，使请求推送方的相关推送信息能够精确的发送至待推送方进行推送，使得整个数据推送经过科学的大数据分析计算得到，从而更有效地提高了数据推送的精确度和智能化。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (24)

1.一种数据推送的方法，其中，所述方法包括：
获取请求推送方的若干目标用户的用户相关信息，基于所述请求推送方的目标用户的用户相关信息获取关于所述请求推送方的用户群体显著特征信息，并基于所述请求推送方的用户群体显著特征信息，获取每一显著特征的相似度权重信息，其中，所述用户群体显著特征信息包括若干显著特征及具有相应所述显著特征的用户群体比例信息；
获取待推送方的若干特定用户的用户相关信息，并基于所述待推送方的特定用户的用户相关信息获取关于所述待推送方的用户群体特征信息；
基于所述相似度权重信息、所述请求推送方的用户群体显著特征信息及所述待推送方的用户群体特征信息，获取所述请求推送方与所述待推送方的用户群体相似度信息；
基于所述用户群体相似度信息，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
2.根据权利要求1所述的方法，其中，所述获取请求推送方的若干目标用户的用户相关信息包括：
获取请求推送方的若干目标用户的若干用户交互信息，并基于所述用户交互信息获取所述目标用户的用户属性信息。
3.根据权利要求2所述的方法，其中，所述用户属性信息包括至少以下任一项：用户人口属性信息、用户行为特征信息、用户兴趣偏好信息。
4.根据权利要求1至3中任一项所述的方法，其中，所述基于所述请求推送方的目标用户的用户相关信息获取关于所述请求推送方的用户群体显著特征信息包括：
基于所述请求推送方的若干目标用户的用户相关信息，获取若干所述请求推送方的若干目标用户的用户特征以及每一所述用户特征的目标群体指数，其中，所述目标群体指数包括每一所述用户特征在所述请求推送方中的用户群体比例信息与该用户特征在总用户群的用户群体比例信息的比值；
基于所述请求推送方的用户特征的目标群体指数，从所述用户特征中选取关于所述请求推送方的若干用户群体显著特征，并获得关于所述请求推送方的用户群体显著特征的用户群体比例信息及目标群体指数；
基于所述请求推送方的用户群体显著特征信息，获取所述相似度权重信息，其中，所述相似度权重信息包括所述请求推送方的每一用户群体显著特征的目标群体指数与所述请求推送方的所有用户群体显著特征的目标群体指数之和的比例信息。
5.根据权利要求4所述的方法，其中，所述基于所述请求推送方的用户特征的目标群体指数，从所述用户特征中选取关于所述请求推送方的若干用户群体显著特征，并获得关于所述请求推送方的用户群体显著特征的用户群体比例信息及目标群体指数包括：
当一所述请求推送方的用户特征的目标群体指数高于指数阈值时，则确定该用户特征为用户群体显著特征，并获得若干关于所述请求推送方的用户群体显著特征的群体比例信息及目标群体指数。
6.根据权利要求1至5中任一项所述的方法，其中，所述获取待推送方的若干特定用户的用户相关信息，并基于所述待推送方的特定用户的用户相关信息获取关于所述待推送方的用户群体特征信息还包括：
基于待推送方的若干特定用户的用户相关信息，获取所述待推送方的用户忠诚度信息；
基于所述用户忠诚度信息，筛选所述待推送方的若干特定用户的用户相关信息。
7.根据权利要求6所述的方法，其中，所述基于所述用户忠诚度信息，筛选所述待推送方的若干特定用户的用户相关信息包括：
比较所述待推送方的一特定用户的用户忠诚度信息与所述推送方的所有特定用户的平均用户忠诚度信息，当比较结果满足忠诚条件，则保留该一特定用户的用户相关信息。
8.根据权利要求6或7所述的方法，其中，所述用户忠诚度信息包括至少以下任一项：
所述特定用户与所述待推送方的交互频次、单次交互时长、交互总时长、平均交互时长、末次有效交互时间。
9.根据权利要求1至8中任一项所述的方法，其中，所述基于所述相似度权重信息、所述请求推送方的用户群体显著特征信息及所述待推送方的用户群体特征信息，获取所述请求推送方与所述待推送方的用户群体相似度信息包括：
基于所述请求推送方和所述待推送方的用户群体特征信息中每一相同的显著特征的用户群体比例信息及相应所述显著特征的相似度权重信息，进行相似度计算，以获取所述请求推送方与所述待推送方的用户相似度信息。
10.根据权利要求1至9中任一项所述的方法，其中，所述基于所述用户群体相似度信息，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送包括：
基于所述用户相似度信息与用户相似度阈值的关系，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
11.根据权利要求10所述的方法，其中，所述基于所述用户群体相似度信息，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送包括：
基于所述用户相似度信息，获取所述待推送方的推送优先度排序信息；
基于所述待推送方的推送优先度排序信息，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
12.根据权利要1至11中任一项所述的方法，其中，
所述请求推送方包括以下至少任一项：应用服务提供方、媒体服务提供方；
所述待推送方包括至少以下任一项：应用服务提供方、媒体服务提供方、产品供应方。
13.一种用于数据推送的设备，其中，所述设备包括：
请求推送方获取装置，用于获取请求推送方的若干目标用户的用户相关信息，基于所述请求推送方的目标用户的用户相关信息获取关于所述请求推送方的用户群体显著特征信息，并基于所述请求推送方的用户群体显著特征信息，获取每一显著特征的相似度权重信息；其中，所述用户群体显著特征信息包括若干显著特征及具有相应所述显著特征的用户群体比例信息；
待推送方获取装置，用于获取待推送方的若干特定用户的用户相关信息，并基于所述待推送方的特定用户的用户相关信息获取所述待推送方中与所述请求推送方的用户群体显著特征信息相应的用户群体特征信息；
相似度计算装置，用于基于所述相似度权重信息、所述请求推送方的用户群体显著特征信息及所述待推送方的用户群体特征信息，获取所述请求推送方与所述待推送方的用户群体相似度信息；
确定装置，用于基于所述用户群体相似度信息，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
14.根据权利要求13所述的设备，其中，所述请求推送方获取装置用于：
获取请求推送方的若干目标用户的若干用户交互信息，并基于所述用户交互信息获取所述目标用户的用户属性信息。
15.根据权利要求14所述的设备，其中，所述用户属性信息包括至少以下任一项：用户人口属性信息、用户行为特征信息、用户兴趣偏好信息。
16.根据权利要求13至15中任一项所述的设备，其中，所述请求推送方获取装置包括：
第一获取单元，用于基于所述请求推送方的若干目标用户的用户相关信息，获取若干所述请求推送方的若干目标用户的用户特征以及每一所述用户特征的目标群体指数，其中，所述目标群体指数包括每一所述用户特征在所述请求推送方中的用户群体比例信息与该用户特征在总用户群的用户群体比例信息的比值；
第二获取单元，用于基于所述请求推送方的用户特征的目标群体指数，从所述用户特征中选取关于所述请求推送方的若干用户群体显著特征，并获得关于所述请求推送方的用户群体显著特征的用户群体比例信息及目标群体指数；
第三获取单元，用于基于所述请求推送方的用户群体显著特征信息，获取所述相似度权重信息，其中，所述相似度权重信息包括所述请求推送方的每一用户群体显著特征的目标群体指数与所述请求推送方的所有用户群体显著特征的目标群体指数之和的比例信息。
17.根据权利要求16所述的设备，其中，所述第二获取单元用于：
当一所述请求推送方的用户特征的目标群体指数高于指数阈值时，则确定该用户特征为用户群体显著特征，并获得若干关于所述请求推送方的用户群体显著特征的群体比例信息及目标群体指数。
18.根据权利要求13至17中任一项所述的设备，其中，所述待推送方获取装置还包括：
用户忠诚度信息获取单元，用于基于待推送方的若干特定用户的用户相关信息，获取所述待推送方的用户忠诚度信息；
用户筛选单元，用于基于所述用户忠诚度信息，筛选所述待推送方的若干特定用户的用户相关信息。
19.根据权利要求18所述的设备，其中，所述用户筛选单元用于：
比较所述待推送方的一特定用户的用户忠诚度信息与所述推送方的所有特定用户的平均用户忠诚度信息，当比较结果满足忠诚条件，则保留该一特定用户的用户相关信息。
20.根据权利要求19所述的设备，其中，所述用户忠诚度信息包括至少以下任一项：
所述特定用户与所述待推送方的交互频次、单次交互时长、交互总时长、平均交互时长、末次有效交互时间。
21.根据权利要求13至20中任一项所述的设备，其中，所述相似度计算装置用于：
基于所述请求推送方和所述待推送方的用户群体特征信息中每一相同的显著特征的用户群体比例信息及相应所述显著特征的相似度权重信息，进行相似度计算，以获取所述请求推送方与所述待推送方的用户相似度信息。
22.根据权利要求13至21中任一项所述的设备，其中，所述确定装置用于：
基于所述用户相似度信息与用户相似度阈值的关系，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
23.根据权利要求22所述的设备，其中，所述确定装置用于：
基于所述用户相似度信息，获取所述待推送方的推送优先度排序信息；
基于所述待推送方的推送优先度排序信息，确定是否将所述请求推送方的相关推送信息发送至所述待推送方进行推送。
24.根据权利要13至23中任一项所述的设备，其中，
所述请求推送方包括以下至少任一项：应用服务提供方、媒体服务提供方、产品供应方；
所述待推送方包括至少以下任一项：应用服务提供方、媒体服务提供方。
CN201510755264.2A 2015-11-09 2015-11-09 用于数据推送的方法和设备 Pending CN106682013A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201510755264.2A CN106682013A (zh) 2015-11-09 2015-11-09 用于数据推送的方法和设备
US15/347,555 US20170134181A1 (en) 2015-11-09 2016-11-09 Method and device for data push
PCT/US2016/061145 WO2017083394A1 (en) 2015-11-09 2016-11-09 Method and device for data push

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510755264.2A CN106682013A (zh) 2015-11-09 2015-11-09 用于数据推送的方法和设备

Publications (1)

Publication Number Publication Date
CN106682013A true CN106682013A (zh) 2017-05-17

Family

ID=58663939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510755264.2A Pending CN106682013A (zh) 2015-11-09 2015-11-09 用于数据推送的方法和设备

Country Status (3)

Country Link
US (1) US20170134181A1 (zh)
CN (1) CN106682013A (zh)
WO (1) WO2017083394A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109218390A (zh) * 2018-07-12 2019-01-15 北京比特智学科技有限公司 用户筛选方法及装置
CN109242544A (zh) * 2018-08-20 2019-01-18 中国平安人寿保险股份有限公司 产品信息推送的处理方法、装置、计算机设备及存储介质
CN109559151A (zh) * 2018-10-24 2019-04-02 口碑(上海)信息技术有限公司 一种引流商品识别方法、装置以及电子设备
CN110134794A (zh) * 2019-04-17 2019-08-16 北京三快在线科技有限公司 一种实体画像的构建方法和装置
CN110533447A (zh) * 2019-06-06 2019-12-03 浙江口碑网络技术有限公司 数据筛选方法及装置、存储介质、电子装置
CN110555164A (zh) * 2019-07-23 2019-12-10 平安科技（深圳）有限公司 群体兴趣标签的生成方法、装置、计算机设备和存储介质
CN111191126A (zh) * 2019-12-24 2020-05-22 绍兴市上虞区理工高等研究院 一种基于关键词的科技成果精准推送方法及装置
CN111684767A (zh) * 2017-12-20 2020-09-18 乐威指南公司 动态调整事件的通知频率的***和方法
CN113254833A (zh) * 2021-06-07 2021-08-13 深圳市中元产教融合科技有限公司 一种基于产教融合的信息推送的方法及服务***
CN113763107A (zh) * 2021-01-26 2021-12-07 北京沃东天骏信息技术有限公司 一种对象信息推送方法、装置、设备及存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110049079A (zh) * 2018-01-16 2019-07-23 阿里巴巴集团控股有限公司 信息推送及模型训练方法、装置、设备及存储介质
CN108540831B (zh) * 2018-04-19 2019-10-22 百度在线网络技术（北京）有限公司 用于推送信息的方法和装置
CN109034912B (zh) * 2018-08-23 2020-10-16 宁波海上鲜信息技术有限公司 一种具有受众筛选的电子商务运营的信息推送***
CN114036391A (zh) * 2021-11-17 2022-02-11 北京百度网讯科技有限公司 数据推送方法、装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1922626A (zh) * 2003-12-31 2007-02-28 Google公司 产生用户信息以便在定向广告中使用
CN102999497A (zh) * 2011-09-09 2013-03-27 腾讯科技（北京）有限公司 一种媒体信息位推荐方法及***
KR20150121281A (ko) * 2014-04-17 2015-10-29 이형석 고객의 상품에 대한 선호도에 기초하여 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ATE484800T1 (de) * 2002-03-11 2010-10-15 Research In Motion Ltd System und methode zum schieben von daten zu einem mobilen gerät
US8352499B2 (en) * 2003-06-02 2013-01-08 Google Inc. Serving advertisements using user request information and user information
EP1627281A4 (en) * 2003-05-12 2010-05-05 Tekelec Us METHOD AND SYSTEMS FOR PRODUCING, DISTRIBUTING AND VERIFYING COMMERCIAL CONTENT
KR101011834B1 (ko) * 2006-06-01 2011-01-31 엘지전자 주식회사 Ｓｉｐ 기반의 메시지 서비스에서의 그룹 공지 방법
US9189791B2 (en) * 2006-11-22 2015-11-17 Nokia Technologies Oy System and method for pushing advertisements
KR101649764B1 (ko) * 2009-04-10 2016-08-19 삼성전자주식회사 휴대 광고 시스템에서 휴대 광고 서비스 제공 방법 및 장치
GB2516641B (en) * 2013-07-26 2015-12-16 Canon Kk Method and server device for exchanging information items with a plurality of client entities

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1922626A (zh) * 2003-12-31 2007-02-28 Google公司 产生用户信息以便在定向广告中使用
CN102999497A (zh) * 2011-09-09 2013-03-27 腾讯科技（北京）有限公司 一种媒体信息位推荐方法及***
KR20150121281A (ko) * 2014-04-17 2015-10-29 이형석 고객의 상품에 대한 선호도에 기초하여 상품을 추천하기 위한 방법 및 그 방법을 수행하기 위한 명령어가 저장된 컴퓨터 판독가능한 기록매체

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111684767B (zh) * 2017-12-20 2022-06-24 乐威指南公司 动态调整事件的通知频率的***和方法
CN111684767A (zh) * 2017-12-20 2020-09-18 乐威指南公司 动态调整事件的通知频率的***和方法
US11888953B2 (en) 2017-12-20 2024-01-30 Rovi Guides, Inc. Systems and methods for dynamically adjusting notification frequency for an event
CN109218390A (zh) * 2018-07-12 2019-01-15 北京比特智学科技有限公司 用户筛选方法及装置
CN109218390B (zh) * 2018-07-12 2021-09-10 北京比特智学科技有限公司 用户筛选方法及装置
CN109242544A (zh) * 2018-08-20 2019-01-18 中国平安人寿保险股份有限公司 产品信息推送的处理方法、装置、计算机设备及存储介质
CN109559151A (zh) * 2018-10-24 2019-04-02 口碑(上海)信息技术有限公司 一种引流商品识别方法、装置以及电子设备
CN110134794B (zh) * 2019-04-17 2020-08-14 北京三快在线科技有限公司 一种实体画像的构建方法和装置
CN110134794A (zh) * 2019-04-17 2019-08-16 北京三快在线科技有限公司 一种实体画像的构建方法和装置
CN110533447A (zh) * 2019-06-06 2019-12-03 浙江口碑网络技术有限公司 数据筛选方法及装置、存储介质、电子装置
CN110555164A (zh) * 2019-07-23 2019-12-10 平安科技（深圳）有限公司 群体兴趣标签的生成方法、装置、计算机设备和存储介质
CN110555164B (zh) * 2019-07-23 2024-01-05 平安科技（深圳）有限公司 群体兴趣标签的生成方法、装置、计算机设备和存储介质
CN111191126A (zh) * 2019-12-24 2020-05-22 绍兴市上虞区理工高等研究院 一种基于关键词的科技成果精准推送方法及装置
CN111191126B (zh) * 2019-12-24 2023-11-03 绍兴市上虞区理工高等研究院 一种基于关键词的科技成果精准推送方法及装置
CN113763107A (zh) * 2021-01-26 2021-12-07 北京沃东天骏信息技术有限公司 一种对象信息推送方法、装置、设备及存储介质
CN113763107B (zh) * 2021-01-26 2024-05-24 北京沃东天骏信息技术有限公司 一种对象信息推送方法、装置、设备及存储介质
CN113254833A (zh) * 2021-06-07 2021-08-13 深圳市中元产教融合科技有限公司 一种基于产教融合的信息推送的方法及服务***

Also Published As

Publication number Publication date
US20170134181A1 (en) 2017-05-11
WO2017083394A1 (en) 2017-05-18

Similar Documents

Publication Publication Date Title
CN106682013A (zh) 用于数据推送的方法和设备
US10869077B2 (en) Systems and methods for web spike attribution
CN108733706B (zh) 热度信息的生成方法和装置
Barros et al. Performance of French destinations: Tourism attraction perspectives
CN105989074B (zh) 一种通过移动设备信息进行推荐冷启动的方法和装置
Aguiar et al. Even the losers get lucky sometimes: New products and the evolution of music quality since Napster
CN105912729B (zh) 基于三维时序动态模型的***推荐***
CN107071578A (zh) Iptv节目推荐方法
McDonald et al. Leveraging fans' global football allegiances to build domestic league support
CN102033883A (zh) 一种提高网站数据传输速度的方法、装置及***
Hood et al. Segmenting the growing UK convenience store market for retail location planning
CN106469392A (zh) 选择及推荐展示对象的方法及装置
CN107067296A (zh) 基于实时聚类引导、社区团购和农场预售的生鲜电商平台
CN105184611A (zh) 广告效果量化方法和展示***
Fuchs The information economy and the labor theory of value
CN103699614B (zh) 一种确定下载资源时的默认保存路径的方法和装置
CN111898860A (zh) 一种数字视听场所选址及经营策略生成方法及存储介质
Zhang et al. Mining target users for mobile advertising based on telecom big data
Wilson et al. Analysing how physical activity competes: a cross-disciplinary application of the Duplication of Behaviour Law
Park Individualization, information asymmetry, and exploitation in the advertiser-driven digital era
CN104410908B (zh) 视频广告的监测方法及装置
US20120259683A1 (en) Methods and apparatus to generate and utilize venue profiles
CN114119078A (zh) 目标资源确定方法、装置、电子设备及介质
CN107066602A (zh) 一种新闻信息推送方法及***
CN111460299A (zh) 信息投放方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170517

RJ01 Rejection of invention patent application after publication