CN107766580A - 消息的推送方法及装置 - Google Patents

Abstract

本发明公开了一种消息的推送方法及装置，涉及一种数据处理技术领域，主要目的在于解决现有针对不同场景下的消息推送筛选的用户是随机性的，或者通过大范围发送消息链接进行推送，使得推送的用户个性化较弱，没有定向性，当用户不点击推送的消息时，还会造成浪费的流量，以及点击率较低，造成无用推送的问题。主要技术方案：获取待推送消息的用户画像；提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户，所述用户筛选预测模型用于根据所述属性特征筛选消息推送后预期存在点击行为的用户；对所述用户进行推送消息。主要用于消息的推送。

Description

消息的推送方法及装置

技术领域

本发明涉及一种数据处理技术领域，特别是涉及一种消息的推送方法及装置。

背景技术

消息推送是指服务端向客户端发送消息链接，当用户通过客户端点击消息链接时，推送特定消息的过程。尤其是，随着推送功能在终端设备不同应用中使用场景的普遍化，如某应用平台会向用户推送红包、广告等消息，便于用户及时接收推送的消息，确定推送消息的用户进行推送是至关重要的。

目前，现有针对不同场景下消息推送筛选的用户是随机性的，或者通过大范围发送消息链接进行推送，但是，随机性或大范围的进行推送消息使得推送的用户个性化较弱，没有定向性，当用户不点击推送的消息时，还会造成浪费的流量，以及点击率较低，造成无用推送。

发明内容

有鉴于此，本发明提供一种消息的推送方法及装置，主要目的在于解决现有针对不同场景下的消息推送筛选的用户是随机性的，或者通过大范围发送消息链接进行推送，使得推送的用户个性化较弱，没有定向性，当用户不点击推送的消息时，还会造成浪费的流量，以及点击率较低，造成无用推送的问题。

依据本发明一个方面，提供了一种消息的推送方法，包括：

获取待推送消息的用户画像；

提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户，所述用户筛选预测模型用于根据所述属性特征筛选消息推送后预期存在点击行为的用户；

对所述用户进行推送消息。

进一步地，所述提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户包括：

识别与待推送消息对应的用户画像的属性特征；

将作为预测样本的属性特征作为用户筛选预测模型的输入，并执行模型运算，得到待推送消息的用户。

进一步地，所述获取待推送消息的用户画像之前，所述方法还包括：

提取历史推送数据，根据所述历史推送数据建立用户筛选预测模型。

进一步地，所述提取历史推送数据，根据所述历史推送数据建立用户筛选预测模型包括：

解析历史推送数据中用户点击行为与用户画像的属性特征；

将所述用户点击行为及所述属性特征进行分类训练，并通过预置逻辑回归模型进行回归，得到用户筛选预测模型。

进一步地，所述提取历史推送数据，根据所述历史推送数据建立用户筛选预测模型之后，所述方法还包括：

判断根据预置特性曲线对所述用户筛选预测模型进行评估后的评估结果是否符合预设评估值，若不符合预设评估值，则重新确定用户筛选预测模型。

进一步地，所述获取待推送消息的用户画像包括：

按照活跃条件对待推送消息的用户进行标记操作，确定为活跃用户；

提取第一预设时间间隔内的活跃用户的用户画像。

进一步地，所述对所述用户进行推送消息之后，所述方法还包括：

对所述用户的点击行为进行实时监控以及实时记录产生点击行为用户的点击率，并生成推送日志，按照第二预设时间间隔根据所述推送日志中的历史推送数据对所述用户筛选预测模型进行更新。

依据本发明一个方面，提供了一种消息的推送装置，包括：

获取单元，用于获取待推送消息的用户画像；

筛选单元，用于提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户，所述用户筛选预测模型用于根据所述属性特征筛选消息推送后预期存在点击行为的用户；

推送单元，用于对所述用户进行推送消息。

进一步地，所述筛选单元包括：

识别模块，用于识别与待推送消息对应的用户画像的属性特征；

运行模块，用于将作为预测样本的属性特征作为用户筛选预测模型的输入，并执行模型运算，得到待推送消息的用户。

进一步地，所述装置还包括：

建立单元，用于提取历史推送数据，根据所述历史推送数据建立用户筛选预测模型。

进一步地，所述建立单元包括：

解析模块，用于解析历史推送数据中用户点击行为与用户画像的属性特征；

训练模块，用于将所述用户点击行为及所述属性特征进行分类训练，并通过预置逻辑回归模型进行回归，得到用户筛选预测模型。

进一步地，所述装置还包括：

判断单元，用于判断根据预置特性曲线对所述用户筛选预测模型进行评估后的评估结果是否符合预设评估值，若不符合预设评估值，则重新确定用户筛选预测模型。

进一步地，所述获取单元包括：

确定模块，用于按照活跃条件对待推送消息的用户进行标记操作，确定为活跃用户；

提取模块，用于提取第一预设时间间隔内的活跃用户的用户画像。

进一步地，所述装置还包括：

更新单元，用于对所述用户的点击行为进行实时监控以及实时记录产生点击行为用户的点击率，并生成推送日志，按照第二预设时间间隔根据所述推送日志中的历史推送数据对所述用户筛选预测模型进行更新。

根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述消息的推送方法对应的操作。

根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述消息的推送方法对应的操作。

借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：

本发明提供了一种消息的推送方法及装置，首先获取待推送消息的用户画像，然后提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户，所述用户筛选预测模型用于根据所述属性特征筛选消息推送后预期存在点击行为的用户，最后对所述用户进行推送消息。与现有针对不同场景下的消息推送筛选的用户是随机性的，或者通过大范围发送消息链接进行推送，使得推送的用户个性化较弱，没有定向性，当用户不点击推送的消息时，还会造成浪费的流量，以及点击率较低，造成无用推送相比，本发明实施例通过根据用户画像中的属性特征作为样本数据，然后通过用户筛选预测模型分类训练得到推送消息后存在点击行为的用户，并进行推送，避免消息推送的盲目性，增加用户对消息进行点击的概率，提高消息推送的效率，节省推送消息流量，从而增强消息推送的个性化。

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示出了本发明实施例提供的一种消息的推送方法流程图；

图2示出了本发明实施例提供的另一种消息的推送方法流程图；

图3示出了本发明实施例提供的一种模型建立并进行推送的流程示意图；

图4示出了本发明实施例提供的一种消息的推送装置框图；

图5示出了本发明实施例提供的另一种消息的推送装置框图；

图6示出了本发明实施例提供的一种终端示意图。

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。

本发明实施例提供了一种消息的推送方法，如图1所示，所述方法包括：

101、获取待推送消息的用户画像。

其中，所述用户画像为用户注册或登录不同应用程序时用于体现用户身份的用户画像，一般的，为了体现用户的身份，上传或下载的用户画像为用户的真实画像，同一个用户可以在不同的应用程序中可以使用不用的用户画像，本发明实施例不做具体限定。

需要说明的是，不同应用程序针对自身拥有的用户，可以通过大数据分析将所有用户的用户画像进行整理及分析，具体的用户画像可以存储在具有海量存储空间的数据库中，以便在进行消息推送时，直接从数据库中获取用户的用户画像，本发明实施例不做具体限定。

102、提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户。

其中，所述用户筛选预测模型用于根据所述属性特征筛选消息推送后预期存在点击行为的用户，所述用户画像中的属性特征为用于体现用户特征的信息，可以包括人口属性信息、标签信息、安装列表信息、手机硬件信息、收入信征信息，例如，性别、年龄、地理位置、金融理财数据等，本发明实施例不做具体限定。一般的，步骤102中的具体确定方式为将属性特征作为用户筛选预测模型的输入，然后通过用户筛选预测模型对所述属性特征的用户进行训练分类，得到可以进行消息推送的用户。所述用户筛选预测模型可以为分类模型进行训练得到的模型，例如GBDT模型和XGBOOST模型，本发明实施例不做具体限定。

需要说明的是，提取属性特征的过程可以为分别识别用户画像中用户头像图像数据、背景图像数据以及上传用户画像的终端设备等信息确定用户画像的属性特征，一般的，一个用户画像可以对应确定出用户的注册或登录信息，因此，可以根据用户画像确定出用户的性别、年龄、地理位置、金融理财数据等。另外，还可以针对用户画像中的具体人物特征与预先存储在后台***中的人物特征图像进行匹配来确定出用户画像的属性特征，例如，用户画像为中有人物a、背景a，后台***中人物特征图像为女性特征、男性特征、小孩特征，地理位置为北京的背景、上海的背景，将用户画像进行一一匹配，然后确定出属性特征为女性、地理位置为北京。

103、对所述用户进行推送消息。

需要说明的是，进行推送消息的用户为进行推送消息后进行点击行为概率大的用户，一般的，点击概率可以通过用户筛选预测模型进行设置，从而使进行推送消息的用户的点击率增加，并使推送消息具有定向性。

本发明提供了一种消息的推送方法，与现有针对不同场景下的消息推送筛选的用户是随机性的，或者通过大范围发送消息链接进行推送，使得推送的用户个性化较弱，没有定向性，当用户不点击推送的消息时，还会造成浪费的流量，以及点击率较低，造成无用推送相比，本发明实施例通过根据用户画像中的属性特征作为样本数据，然后通过用户筛选预测模型分类训练得到推送消息后存在点击行为的用户，并进行推送，避免消息推送的盲目性，增加用户对消息进行点击的概率，提高消息推送的效率，节省推送消息流量，从而增强消息推送的个性化。

本发明实施例提供了另一种消息的推送方法，如图2所示，所述方法包括：

201、提取历史推送数据，根据所述历史推送数据建立用户筛选预测模型。

其中，所述历史推送数据为用户相对于本次之前进行消息推送后进行点击消息的数据，包括用户是否进行点击消息、点击的次数等信息，本发明实施例不做具体限定。另外，由于用户筛选预测模型是一个分类模型，即将历史推送数据中点击推送数据的用户与没有点击推送数据的用户进行分类，从而得到用户筛选预测模型，以便在进行预测时，根据训练得到的用户筛选预测模型确定出点击率较高的用户进行推送消息。

对于本发明实施例，步骤201具体可以为：解析历史推送数据中用户点击行为与用户画像的属性特征；将所述用户点击行为及所述属性特征进行分类训练，并通过预置逻辑回归模型进行回归，得到用户筛选预测模型。

其中，历史推送数据中包括推送消息时用户存在点击行为的用户，以及用户画像，然后针对用户画像中的图像数据识别出属性特征，人口属性信息、标签信息、安装列表信息、手机硬件信息、收入信征信息，人口属性包括性别、年龄等，标签属性包括存在点击行为1、不存在点击行为0，安装列表信息包括安装当前应用的时间、安装当前应用的***、安装当前应用下载来源等，手机硬件信息包括手机的CPU、存储器、屏幕、摄像头、电池等，收入信征信息包括用于的金融、理财信息。由于用户行为的快速变化性，可以选取2周或3周的历史推送数据作为建立模型的训练样本数据，本发明实施例不做具体限定。

需要说明的是，本发明实施例中，将用户的点击行为分别标记为0或1，即点击行为为1，不点击行为为0，结合用户画像中解析出的属性特征作为训练样本，进行分类训练，为了提高训练模型的准确性，训练模型可以选择梯度提升决策树GBDT(GradientBoostingDecisionTree)模型或对GBDT改进的XGBOOST模型，然后得到一个二叉树型结构的分类器，为了使分类结果保证在0到1之间，训练后的模型通过LR(Logistic Regression)逻辑回归模型进行回归处理，最后得到用户筛选预测模型。

对于本发明实施例，步骤201之后的步骤可以包括：判断根据预置特性曲线对所述用户筛选预测模型进行评估后的评估结果是否符合预设评估值，若不符合预设评估值，则重新确定用户筛选预测模型。

对于本发明实施例，为了确保训练的用户筛选预测模型的精确性及高效性，需要对得到的用户筛选预测模型进行评估。其中，所述预置特性曲线用于评价分类器，可以为接收者操作特征ROC(Receiver Operating Characteristic)曲线及ROC曲线下介于0.1和1之间的面积AUC(Area under Curve)，一般的，对于预设评估值可以根据不同应用推送消息的场景进行设定，场景可以包括发送红包、推送应用下载等，一般的，发送红包时的消息时动态的，耗费流量比较大，对用户筛选预测模型的准确性要求较高，因此可以将预设评估值设定为较高的数值，本发明实施例不做具体限定。

202、按照活跃条件对待推送消息的用户进行标记操作，确定为活跃用户。

对于本发明实施例，为了进一步地的筛选掉作为可能不点击推送消息的用户作为用户筛选预测模型的预测样本，减少用户筛选预测模型的运算负担，需要预先从众多用户中找到可能存在点击行为的用户。其中，所述活跃条件为用于判断用户是否作为样本数据进行预测，从而推送消息的条件，例如，活跃条件可以为在一定时间内登录或使用应用程序次数超过一定数量，还可以为用户在使用应用程序时是否触发了相应的操作，本发明实施例不做具体限定。一般的，会对所有使用应用程序的用户按照活跃条件进行判断，将符合活跃条件的用户标记为活跃用户，以便将活跃用户的信息作为有效信息。

203、提取第一预设时间间隔内的活跃用户的用户画像。

对于本发明实施例，为了对有效信息的用户进行预测，提高筛选推送消息用户的准确性，需要提取活跃用户的用户画像。另外，由于活跃用户存在是有失效性的，过长时间的活跃用户的信息可能会失去有效性，因此设定第一预设时间间隔作为提取活跃用户的用户画像的时间间隔，可以为3天，或5天，本发明实施例不做具体限定。

204、识别与待推送消息对应的用户画像的属性特征。

对于本发明实施例，为了缩减作为样本的属性特征的数量，增加用户筛选预测模型进行预测的准确性，可以在获取属性特征时，直接识别与待推送消息存在对应关系的属性特征，例如，用户画像中可以解析出的属性特征人口属性信息、标签信息、安装列表信息、手机硬件信息、收入信征信息，一般的，与发红包对应的属性特征为人口属性信息、标签信息、收入征信信息，则可以直接识别用户画像中人口属性信息、标签信息、收入征信信息的具体内容，以便减少数据处理的资源浪费。

205、将作为预测样本的属性特征作为用户筛选预测模型的输入，并执行模型运算，得到待推送消息的用户。

需要说明的是，由于用户筛选预测模型是作为训练好的分类器对待进行预测样本进行预测分类的算法，因此，将根据步骤204中得到的属性特征作为预测样本输入值用户筛选预测模型中进行模型运算，得到位于0至1之间的回归值，从而确定出哪些是可能对待推送消息触发点击行为的用户。

206、对所述用户进行推送消息。

本步骤与图1所示的步骤103方法相同，在此不再赘述。

207、对所述用户的点击行为进行实时监控以及实时记录产生点击行为用户的点击率，并生成推送日志，按照第二预设时间间隔根据所述推送日志中的历史推送数据对所述用户筛选预测模型进行更新。

对于本发明实施例，为了进一步地提高用户筛选预测模型的准确性，并增强用户推送消息的定向性，在发送推送消息之后，需要实时监控用户是否对推送的消息进行了点击行为，在产生了点击行为之后进行记录点击情况，得到推送日志，以便对用户筛选预测模型进行更新。其中，所述第二预设时间间隔为用于更新用户筛选预测模型的时间间隔，具体时间可以根据不同的应用场景、不同的应用程序、不同的活跃用户量等进行设定，例如，可以为1个月、3个月等，本发明实施例不做具体限定。

对于本发明的上述实施例，具体的应用场景可以如下所示，但不限于此，包括：如图3所示，从推送红包用户的历史点击行为确定出的用户中获取用户画像，根据用户画像中的属性特征选择人口属性、标签信息、安装列表、手机硬件信息、收入征信信息，生生训练样本，根据GBDT模型和XGBOOST模型进行训练，当训练好的用户筛选预测模型通过AUC评估后作为预测模型待用，然后获取近三天的活跃用户信息，提取活跃用户的用户画像，选择上述特征生成预测样本，然后将这些预测样本作为输入，送入用户筛选预测模型进行训练回归，得到可以进行消息推送的用户，进行推送红包，然后记录用户的点击率，并召回点击率高的用户，以便根据点击率高的用户的用户画像属性特征重新更新用户筛选预测模型。

本发明提供了另一种消息的推送方法，本发明实施例通过根据历史推送数据提取存在点击行为用户的用户画像，根据用户画像中的属性特征训练分类，建立用户筛选预测模型，然后获取时间间隔内活跃用户的用户画像，解析出用户画像中的属性特征作为预测样本数据，结合用户筛选预测模型预测出进行消息推送后存在点击行为的用户，并进行推送，实现消息的个性化推送，使用用户筛选预测模型与用户画像的结合可以更好的预测出哪些用户存在点击推送消息的可能，从而增加用户对消息进行点击的点击率，提高消息推送的效率，减少推送消息流量的浪费。

进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种消息的推送装置，如图4所示，该装置包括：获取单元31、筛选单元32、推送单元33。

获取单元31，用于获取待推送消息的用户画像；所述获取单元31为消息的推送装置执行获取待推送消息的用户画像的程序模块。

筛选单元32，用于提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户，所述用户筛选预测模型用于根据所述属性特征筛选消息推送后预期存在点击行为的用户；所述筛选单元32为消息的推送装置执行提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户的程序模块。

推送单元33，用于对所述用户进行推送消息。所述推送单元33为消息的推送装置执行对所述用户进行推送消息的程序模块。

本发明提供了一种消息的推送装置，与现有针对不同场景下的消息推送筛选的用户是随机性的，或者通过大范围发送消息链接进行推送，使得推送的用户个性化较弱，没有定向性，当用户不点击推送的消息时，还会造成浪费的流量，以及点击率较低，造成无用推送相比，本发明实施例通过根据用户画像中的属性特征作为样本数据，然后通过用户筛选预测模型分类训练得到推送消息后存在点击行为的用户，并进行推送，避免消息推送的盲目性，增加用户对消息进行点击的概率，提高消息推送的效率，节省推送消息流量，从而增强消息推送的个性化。

进一步的，作为对上述图2所示方法的实现，本发明实施例提供了另一种消息的推送装置，如图5所示，该装置包括：获取单元41、筛选单元42、推送单元43、建立单元44、判断单元45、更新单元46。

获取单元41，用于获取待推送消息的用户画像；

筛选单元42，用于提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户，所述用户筛选预测模型用于根据所述属性特征筛选消息推送后预期存在点击行为的用户；

推送单元43，用于对所述用户进行推送消息。

具体的，所述筛选单元42包括：

识别模块4201，用于识别与待推送消息对应的用户画像的属性特征；

运行模块4202，用于将作为预测样本的属性特征作为用户筛选预测模型的输入，并执行模型运算，得到待推送消息的用户。

进一步地，所述装置还包括：

建立单元44，用于提取历史推送数据，根据所述历史推送数据建立用户筛选预测模型。

具体的，所述建立单元44包括：

解析模块4401，用于解析历史推送数据中用户点击行为与用户画像的属性特征；

训练模块4402，用于将所述用户点击行为及所述属性特征进行分类训练，并通过预置逻辑回归模型进行回归，得到用户筛选预测模型。

进一步地，所述装置还包括：

判断单元45，用于判断根据预置特性曲线对所述用户筛选预测模型进行评估后的评估结果是否符合预设评估值，若不符合预设评估值，则重新确定用户筛选预测模型。

具体的，所述获取单元41包括：

确定模块4101，用于按照活跃条件对待推送消息的用户进行标记操作，确定为活跃用户；

提取模块4102，用于提取第一预设时间间隔内的活跃用户的用户画像。

进一步地，所述装置还包括：

更新单元46，用于对所述用户的点击行为进行实时监控以及实时记录产生点击行为用户的点击率，并生成推送日志，按照第二预设时间间隔根据所述推送日志中的历史推送数据对所述用户筛选预测模型进行更新。

本发明提供了另一种消息的推送装置，本发明实施例通过根据历史推送数据提取存在点击行为用户的用户画像，根据用户画像中的属性特征训练分类，建立用户筛选预测模型，然后获取时间间隔内活跃用户的用户画像，解析出用户画像中的属性特征作为预测样本数据，结合用户筛选预测模型预测出进行消息推送后存在点击行为的用户，并进行推送，实现消息的个性化推送，使用用户筛选预测模型与用户画像的结合可以更好的预测出哪些用户存在点击推送消息的可能，从而增加用户对消息进行点击的点击率，提高消息推送的效率，减少推送消息流量的浪费。

基于上述如图1所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获取待推送消息的用户画像；提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户，所述用户筛选预测模型用于根据所述属性特征筛选消息推送后预期存在点击行为的用户；对所述用户进行推送消息。

基于上述如图1所示方法和如图4所示装置的实施例，本发明一个实施例提供的一种终端的结构示意图，如图6所示，本发明具体实施例并不对终端设备的具体实现做限定。

如图6所示，该终端可以包括：处理器(processor)91、通信接口(CommunicationsInterface)52、存储器(memory)53、以及通信总线54。其中：处理器51、通信接口52、以及存储器53通过通信总线54完成相互间的通信。通信接口54，用于与其它设备比如客户端或其它服务器等的网元通信。处理器51，用于执行程序，具体可以执行上述消息的推送方法实施例中的相关步骤。具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。处理器51可能是中央处理器CPU，或者是特定集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。

终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。存储器53，用于存放程序。存储器53可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。程序具体可以用于使得处理器51执行以下操作：获取待推送消息的用户画像；提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户，所述用户筛选预测模型用于根据所述属性特征筛选消息推送后预期存在点击行为的用户；对所述用户进行推送消息。

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消息的推送方法及装置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。

本发明的实施例包括了：

A1、一种消息的推送方法，包括：

获取待推送消息的用户画像；

提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户，所述用户筛选预测模型用于根据所述属性特征筛选消息推送后预期存在点击行为的用户；

对所述用户进行推送消息。

A2、根据A1所述的方法，所述提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户包括：

识别与待推送消息对应的用户画像的属性特征；

将作为预测样本的属性特征作为用户筛选预测模型的输入，并执行模型运算，得到待推送消息的用户。

A3、根据A1或A2所述的方法，所述获取待推送消息的用户画像之前，所述方法还包括：

提取历史推送数据，根据所述历史推送数据建立用户筛选预测模型。

A4、根据A3所述的方法，所述提取历史推送数据，根据所述历史推送数据建立用户筛选预测模型包括：

解析历史推送数据中用户点击行为与用户画像的属性特征；

将所述用户点击行为及所述属性特征进行分类训练，并通过预置逻辑回归模型进行回归，得到用户筛选预测模型。

A5、根据A4所述的方法，所述提取历史推送数据，根据所述历史推送数据建立用户筛选预测模型之后，所述方法还包括：

判断根据预置特性曲线对所述用户筛选预测模型进行评估后的评估结果是否符合预设评估值，若不符合预设评估值，则重新确定用户筛选预测模型。

A6、根据A1-A5任一项所述的方法，所述获取待推送消息的用户画像包括：

按照活跃条件对待推送消息的用户进行标记操作，确定为活跃用户；

提取第一预设时间间隔内的活跃用户的用户画像。

A7、根据A6所述的方法，所述对所述用户进行推送消息之后，所述方法还包括：

对所述用户的点击行为进行实时监控以及实时记录产生点击行为用户的点击率，并生成推送日志，按照第二预设时间间隔根据所述推送日志中的历史推送数据对所述用户筛选预测模型进行更新。

B8、一种消息的推送装置，包括：

获取单元，用于获取待推送消息的用户画像；

筛选单元，用于提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户，所述用户筛选预测模型用于根据所述属性特征筛选消息推送后预期存在点击行为的用户；

推送单元，用于对所述用户进行推送消息。

B9、根据B8所述的装置，所述筛选单元包括：

识别模块，用于识别与待推送消息对应的用户画像的属性特征；

运行模块，用于将作为预测样本的属性特征作为用户筛选预测模型的输入，并执行模型运算，得到待推送消息的用户。

B10、根据B8或B9所述的装置，所述装置还包括：

建立单元，用于提取历史推送数据，根据所述历史推送数据建立用户筛选预测模型。

B11、根据B10所述的装置，所述建立单元包括：

解析模块，用于解析历史推送数据中用户点击行为与用户画像的属性特征；

训练模块，用于将所述用户点击行为及所述属性特征进行分类训练，并通过预置逻辑回归模型进行回归，得到用户筛选预测模型。

B12、根据B11所述的装置，所述装置还包括：

判断单元，用于判断根据预置特性曲线对所述用户筛选预测模型进行评估后的评估结果是否符合预设评估值，若不符合预设评估值，则重新确定用户筛选预测模型。

B13、根据B8-B12任一项所述的装置，所述获取单元包括：

确定模块，用于按照活跃条件对待推送消息的用户进行标记操作，确定为活跃用户；

提取模块，用于提取第一预设时间间隔内的活跃用户的用户画像。

B14、根据B13所述的装置，所述装置还包括：

更新单元，用于对所述用户的点击行为进行实时监控以及实时记录产生点击行为用户的点击率，并生成推送日志，按照第二预设时间间隔根据所述推送日志中的历史推送数据对所述用户筛选预测模型进行更新。

C15、一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如A1-A7中任一项所述的消息的推送方法对应的操作。

D16、一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如A1-A7中任一项所述的消息的推送方法对应的操作。

Claims (10)

1.一种消息的推送方法，其特征在于，包括：

获取待推送消息的用户画像；

提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户，所述用户筛选预测模型用于根据所述属性特征筛选消息推送后预期存在点击行为的用户；

对所述用户进行推送消息。

2.根据权利要求1所述的方法，其特征在于，所述提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户包括：

识别与待推送消息对应的用户画像的属性特征；

将作为预测样本的属性特征作为用户筛选预测模型的输入，并执行模型运算，得到待推送消息的用户。

3.根据权利要求1或2所述的方法，其特征在于，所述获取待推送消息的用户画像之前，所述方法还包括：

提取历史推送数据，根据所述历史推送数据建立用户筛选预测模型。

4.根据权利要求3所述的方法，其特征在于，所述提取历史推送数据，根据所述历史推送数据建立用户筛选预测模型包括：

解析历史推送数据中用户点击行为与用户画像的属性特征；

将所述用户点击行为及所述属性特征进行分类训练，并通过预置逻辑回归模型进行回归，得到用户筛选预测模型。

5.一种消息的推送装置，其特征在于，包括：

获取单元，用于获取待推送消息的用户画像；

筛选单元，用于提取所述用户画像中的属性特征，并结合用户筛选预测模型确定待推送消息的用户，所述用户筛选预测模型用于根据所述属性特征筛选消息推送后预期存在点击行为的用户；

推送单元，用于对所述用户进行推送消息。

6.根据权利要求5所述的装置，其特征在于，所述筛选单元包括：

识别模块，用于识别与待推送消息对应的用户画像的属性特征；

运行模块，用于将作为预测样本的属性特征作为用户筛选预测模型的输入，并执行模型运算，得到待推送消息的用户。

7.根据权利要求5或6所述的装置，其特征在于，所述装置还包括：

建立单元，用于提取历史推送数据，根据所述历史推送数据建立用户筛选预测模型。

8.根据权利要求7所述的装置，其特征在于，所述建立单元包括：

解析模块，用于解析历史推送数据中用户点击行为与用户画像的属性特征；

训练模块，用于将所述用户点击行为及所述属性特征进行分类训练，并通过预置逻辑回归模型进行回归，得到用户筛选预测模型。

9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-4中任一项所述的消息的推送方法对应的操作。

10.一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-4中任一项所述的消息的推送方法对应的操作。