CN108229994A - 一种信息推送方法及装置 - Google Patents

Abstract

本发明实施例公开了一种信息推送方法及装置，该方法包括：接收针对目标用户的信息推送请求；从预设的用户信息数据库中获得所述目标用户对预设的第一信息库中记录的各条第一信息的预估点击概率，其中，所述预设的用户信息数据库用于记录各个用户对所述预设的第一信息库中记录的各条第一信息的预估点击概率；根据所获得的预估点击概率由高到低的顺序，从所述预设的第一信息库中记录的各条第一信息中确定待推送信息；推送所述待推送信息。应用本发明实施例提供的方案能够准确预估信息的点击概率，提高信息推送效果。

Description

一种信息推送方法及装置

技术领域

本发明涉及互联网技术领域，特别涉及一种信息推送方法及装置。

背景技术

近年来随着网络技术的快速发展，网络用户逐年递增，为进行信息推广，越来越多的商家倾向于通过网络运营商进行信息推送，例如，广告主为了能够以较大的力度推广其产品，越来越倾向于通过网络推送广告。

以广告为例，广告***在进行广告推送时，都是使用了基于广告点击概率预估的方法，优先推送点击概率高的广告，具体为，通过统计或者机器学习(如逻辑回归)的方法预估待投放广告的点击概率。

现有的广告点击概率预估方法主要是点估计法，又称定值估计，都是根据广告的历史点击数据进行预估，输出一个固定的概率值作为该广告的广告点击概率，例如一个广告A在历史上展现过1000次，被点击过50次，那么基于传统的方法，预估其广告点击概率为50/1000＝5％。

但是，单纯的根据历史点击数据预估广告点击概率，预估的广告点击概率是基于所有用户的，对于单个用户来说，预估结果不够准确，导致广告推送的效果较差。

发明内容

本发明实施例的目的在于提供一种信息推送方法及装置，以准确预估信息的点击概率，提高信息推送效果。

为达到上述目的，本发明实施例公开了一种信息推送方法，所述方法包括：

接收针对目标用户的信息推送请求；

从预设的用户信息数据库中获得所述目标用户对预设的第一信息库中记录的各条第一信息的预估点击概率，其中，所述预设的用户信息数据库用于记录各个用户对所述预设的第一信息库中记录的各条第一信息的预估点击概率；

根据所获得的预估点击概率由高到低的顺序，从所述预设的第一信息库中记录的各条第一信息中确定待推送信息；

推送所述待推送信息。

可选的，按照以下方式生成所述预设的用户信息数据库：

获得预设的第一信息库中记录的各条第一信息的表现数据；

提取各条第一信息的特征信息；

根据用户的行为数据，确定各个用户对应的用户信息；

将所述表现数据、特征信息和用户信息作为预设深度神经网络模型的输入，利用所述预设深度神经网络模型，计算各个用户对各条第一信息的预估点击概率；

根据所述预估点击概率，生成所述预设的用户信息数据库。

可选的，所述表现数据包括以下信息中的至少一种：

历史推送时间、推送量、点击量、下载量、用户设备标识、用户地域信息、用户年龄信息、用户性别信息。

可选的，所述特征信息包括以下信息中的至少一种：

信息的内容分类、信息的素材类型、信息面向的用户、信息的显示位置、文本特征信息、图片特征信息。

可选的，所述第一信息包含文本信息和/或图片信息，所述提取各条第一信息的特征信息，包括：

对第一目标信息中的文本信息进行文本挖掘处理，根据处理结果提取所述第一目标信息的文本特征信息，其中，所述第一目标信息为：各条第一信息中包含文本信息的信息；和/或

将第二目标信息中包含的图片作为预设卷积神经网络模型的输入，通过所述预设的卷积神经网络模型提取所述第二目标信息的图片特征信息，其中，所述第二目标信息为：各条第一信息中包含图片信息的信息。

可选的，所述根据所获得的预估点击概率由高到低的顺序，从所述预设的第一信息库中记录的各条第一信息中确定待推送信息，包括：

根据各条第一信息对应的推送策略和所获得的预估点击概率由高到低的顺序，从所述预设的第一信息库中记录的各条第一信息中确定待推送信息。

可选的，所述推送策略包括以下策略中的至少一种：

优先推送与用户所在地域匹配的第一信息、优先推送与接收用户推送请求的时间匹配的第一信息、优先推送推荐度高的第一信息、优先推送与目标用户所属人群类型相匹配的第一信息。

可选的，在所述推送所述待推送信息之后，还包括：

统计所述目标用户对所述待推送信息的点击率。

为达到上述目的，本发明实施例还公开了一种信息推送装置，所述装置包括：

请求接收模块，用于接收针对目标用户的信息推送请求；

概率获得模块，用于从预设的用户信息数据库中获得所述目标用户对预设的第一信息库中记录的各条第一信息的预估点击概率，其中，所述预设的用户信息数据库用于记录各个用户对所述预设的第一信息库中记录的各条第一信息的预估点击概率；

信息确定模块，用于根据所获得的预估点击概率由高到低的顺序，从所述预设的第一信息库中记录的各条第一信息中确定待推送信息；

信息推送模块，用于推送所述待推送信息。

可选的，所述装置还包括：

数据库生成模块，用于生成所述预设的用户信息数据库：

其中，所述数据库生成模块，包括：

表现数据获得子模块，用于获得预设的第一信息库中记录的各条第一信息的表现数据；

特征信息提取子模块，用于提取各条第一信息的特征信息；

用户信息确定子模块，用于根据用户的行为数据，确定各个用户对应的用户信息；

概率计算子模块，用于将所述表现数据、特征信息和用户信息作为预设深度神经网络模型的输入，利用所述预设深度神经网络模型，计算各个用户对各条第一信息的预估点击概率；

数据库生成子模块，用于根据所述预估点击概率，生成所述预设的用户信息数据库。

可选的，所述表现数据包括以下信息中的至少一种：

历史推送时间、推送量、点击量、下载量、用户设备标识、用户地域信息、用户年龄信息、用户性别信息。

可选的，所述特征信息包括以下信息中的至少一种：

信息的内容分类、信息的素材类型、信息面向的用户、信息的显示位置、文本特征信息、图片特征信息。

可选的，所述第一信息包含文本信息和/或图片信息，所述特征信息提取子模块，具体用于：

对第一目标信息中的文本信息进行文本挖掘处理，根据处理结果提取所述第一目标信息的文本特征信息，其中，所述第一目标信息为：各条第一信息中包含文本信息的信息；和/或

将第二目标信息中包含的图片作为预设卷积神经网络模型的输入，通过所述预设的卷积神经网络模型提取所述第二目标信息的图片特征信息，其中，所述第二目标信息为：各条第一信息中包含图片信息的信息。

可选的，所述信息确定模块，具体用于：

根据各条第一信息对应的推送策略和所获得的预估点击概率由高到低的顺序，从所述预设的第一信息库中记录的各条第一信息中确定待推送信息。

可选的，所述推送策略包括以下策略中的至少一种：

优先推送与用户所在地域匹配的第一信息、优先推送与接收用户推送请求的时间匹配的第一信息、优先推送推荐度高的第一信息、优先推送与目标用户所属人群类型相匹配的第一信息。

可选的，所述装置还包括：

点击率统计模块，用于在所述信息推送模块推送所述待推送信息之后，统计所述目标用户对所述待推送信息的点击率。

由以上可见，本发明实施例提供的方案中，根据目标用户对预设的第一信息库中记录的各条第一信息的预估点击概率确定待推送信息，进行信息推送。可见，应用本发明实施例提供的方案确定待推送信息时，是根据预估的目标用户对各条信息的点击概率确定的，考虑了目标用户的情况，而现有技术中是根据所有用户的历史点击数据估算的信息的点击概率，这一点击概率是针对所有用户的，就目标用户而言针对性不强。因此，本发明实施例能够基于用户有针对性的进行信息推送，提高信息推送效果。

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为本发明实施例提供的一种信息推送方法的流程示意图；

图2为本发明实施例提供的一种数据库生成方法的流程示意图；

图3为本发明实施例提供的一种信息推送装置的结构示意图；

图4为本发明实施例提供的一种数据库生成装置的结构示意图；

图5为本发明实施例提供的一个具体实施例的示意图。

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。

为解决现有技术问题，本发明实施例提供了一种信息推送方法及装置。下面通过具体实施例，首先对本发明实施例所提供的一种信息推送方法进行详细说明。

需要说明的是，本发明实施例中所涉及的信息可以是广告信息、新闻信息、天气预报信息等等，本申请并不对此进行限定。

图1为本发明实施例提供的一种信息推送方法的流程示意图，该方法包括：

S101，接收针对目标用户的信息推送请求。

上述信息推送请求中至少需携带目标用户的标识，当然，该请求中还可以携带其他信息，本申请并不对此进行限定。目标用户的标识可以是用户的身份标识，如用户名、用户ID、用户所使用的设备ID等。

S102，从预设的用户信息数据库中获得目标用户对预设的第一信息库中记录的各条第一信息的预估点击概率。

其中，预设的用户信息数据库用于记录各个用户对预设的第一信息库中记录的各条第一信息的预估点击概率。

具体的，预先生成上述预设的用户信息数据库时，可以考虑预设的第一信息库中的各条第一信息的表现数据、特征信息、各个用户对应的用户信息等信息。其中，各条第一信息的表现数据可以包括历史推送时间、推送量、点击量、下载量、用户设备标识、用户地域信息、用户年龄信息、用户性别信息等信息中的至少一种；各条第一信息的特征信息可以包括信息的内容分类、信息的素材类型、信息面向的用户、信息的显示位置、文本特征信息、图片特征信息等信息中的至少一种；用户信息可以包括用户性别信息、用户年龄信息、用户所在地域信息、用户兴趣信息、用户收入程度信息等信息中的至少一种。具体生成用户信息数据库的过程可以参见图2所示实施例，这里暂不详述。

文本特征信息可以包括：第一信息中的文字内容。用户兴趣信息可以包括：标记为购物狂、标记为宠物控、标记为汽车达人等信息标记。图片特征信息可以包括：图片大小、图片色彩基调等信息。用户收入程度信息可以是：一个数值区间，或者某个具体的数值。

可以理解的是，由于客户需求等不断发生变化，所以预设的第一信息库中记录的第一信息也是不断变化的，另外，第一信息的表现数据、用户的用户信息也并不是一成不变的，基于上述几种原因，需不断更新上述预设的用户信息数据库，例如，可以是按照固定的时间间隔上述预设的用户信息数据库，如，一天更新一次、一周更新一次等等。

S103，根据所获得的预估点击概率由高到低的顺序，从预设的第一信息库中记录的各条第一信息中确定待推送信息。

根据所获得的预估点击概率，从预设的第一信息数据库记录的各条第一信息中确定待推送信息时，可以按照所获得的概率由高到低的顺序确定待推送信息，这样能够优先向用户推送其感兴趣的信息。

实际应用中，还可以根据各条第一信息对应的推送策略和所获得的预估点击概率由高到低的顺序，从预设的第一信息库中记录的各条第一信息中确定待推送信息。

具体的，推送策略可以是保存在服务器的一张推送策略表，如下表所示，服务器根据该推送策略表，将本用户的用户信息数据放入每列去匹配，选出匹配度最高的一行，比如找到推送信息B，于是就向该用户推送减肥广告。如果出现几个并列被选出的行，比如推送信息A和B都适用的话，则优先推送预估点击高的广告化妆品广告。

其中，推送策略可以包括以下策略中的至少一种：

优先推送与用户所在地域匹配的第一信息、优先推送与接收用户推送请求的时间匹配的第一信息、优先推送推荐度高的第一信息、优先推送与目标用户所属人群类型相匹配的第一信息。

可以理解的，用户一般对所在地信息的感兴趣程度较高，例如，用户位于北京，则可以认为用户对与北京相关的信息感兴趣程度较高，所以可以根据用户所在地确定待推送信息。具体的，当用户处于北京时，优先推送与北京相匹配的第一信息；其中，用户所在地信息可以根据用户所使用终端的IP地址、GPS信息等等确定；

对于用户来讲，通常情况下一天中的不同时段关注的内容是有所差异的，例如，早上时用户一般比较关注天气情况，中午时用户一般比较关注所属领域的最新消息，晚上时用户一般比较关注娱乐等等，所以可以根据接收到用户推送请求的时间来确定待推送信息。具体的，当接收用户推送请求的时间是早上时，优先推送适合早上推送的资讯新闻类的第一信息，当接收用户推送请求的时间是中午时，优先推送适合中午推送的餐饮类的第一信息，当接收用户推送请求的时间是晚上时，优先推送适合晚上推送的游戏类的第一信息；

从运营商的角度来讲，可以根据各条第一信息的推送出价和预算确定各个第一信息的推荐度，优先推送推荐度高的第一信息，当然，从用户的角度来讲，上述推荐度还可以是根据信息点击概率等确定的，本申请并不对此进行限定；

可以理解的，不同类型的人群对各种信息的敏感程度不同，所以可以先确定目标用户所属人群类型，然后根据确定的人群类型确定待推送信息。具体的，当目标用户所属的人群为男青年时，优选向目标用户推送与人群类型男青年相匹配的第一信息，其中目标用户所属人群类型可以根据用户访问网页的历史记录、用户所使用终端中已安装的客户端类型、用户使用各种客户端的频率等等确定。

另外，在确定待推送信息时除了需要考虑上述推送策略以外，还可以考虑预设时段内已向用户推送预设的第一信息库中第一信息的次数，例如，今天已向目标用户推送过某一信息，则可以不将该信息确定为待推送信息，以防止短期内向目标用户重复推送同一信息导致用户反感。

当然，确定待推送信息时还可以考虑客户要求的信息曝光率、信息推送频率、信息显示位置等因素，本申请并不对此进行限定。

S104，推送待推送信息。

实际应用中，在向目标用户推送了所确定的待推送信息之后，还可以统计目标用户对该信息的点击率。统计用户对该信息的点击数据，可以检验推送效果，还可以在后续更新预设的用户信息数据库时，将统计的点击率结果作为参考和依据，使得预设的用户信息数据库中的信息更加准确。

下面通过具体实施例详细介绍前面涉及到的预设的用户信息数据库。

图2为本发明实施例提供的一种数据库生成方法的流程示意图，该方法包括：

S201，获得预设的第一信息库中记录的各条第一信息的表现数据。

实际应用中，各条第一信息表现数据可以为以下信息中的至少一种：历史推送时间、推送量、点击量、下载量、用户设备标识、用户地域信息、用户年龄信息、用户性别信息。

以游戏广告为例，游戏广告可以在不同的游戏渠道中进行推送，各类游戏渠道还可以接入到游戏数据管理平台，由游戏数据管理平台统计、分析、存储各个游戏广告的表现数据。由于同一条游戏广告可以在多个游戏渠道中进行推送，因此在获得各条第一信息的表现数据时，可以通过调用各个游戏渠道的数据统计接口，来获取各条游戏广告的表现数据，以保证获取的表现数据准确全面。

S202，提取各条第一信息的特征信息。

实际应用中，各条第一信息的特征信息可以包括以下信息中的至少一种：

信息的内容分类、信息的素材类型、信息面向的用户、信息的显示位置、文本特征信息、图片特征信息。

以游戏广告为例，游戏广告的内容分类、素材类型、面向的用户、广告位(显示位置)等信息可以是游戏广告生成时人为进行设置的，也就是是游戏广告的自带属性信息。具体的，游戏广告按游戏的内容可以分为休闲、模拟、竞技、动作等；游戏广告的素材类型可以分为开屏、插屏、横幅、信息流、奖励视频等；信息面向的用户可以根据用户的年龄、性别、兴趣等进行划分，例如喜欢音乐的女青年；信息的显示位置可以根据信息推送后在页面中的显示位置进行划分，如在页面的上部。当然，本申请只是以上述为例对特征信息所包含的信息进行说明，并不对此进行限定。

实际应用中，第一信息中可以包含文本信息和/或图片信息，提取各条第一信息的特征信息，包括：

对第一目标信息中的文本信息进行文本挖掘处理，根据处理结果提取第一目标信息的文本特征信息，其中，第一目标信息为：各条第一信息中包含文本信息的信息；和/或

将第二目标信息中包含的图片作为预设卷积神经网络模型的输入，通过预设的卷积神经网络模型提取第二目标信息的图片特征信息，其中，第二目标信息为：各条第一信息中包含图片信息的信息。

以游戏广告为例，在游戏广告A中包含文字“风靡全球的经典扑克游戏”的文本信息和图片内容为“一位女性卡通形象手持两张扑克牌”的图片信息，对游戏广告A进行中的文本信息进行文本挖掘处理，得到文本信息“风靡全球的经典扑克游戏”，并根据挖掘处理结果提取出游戏广告A的文本特征信息，即该游戏广告A为棋牌类游戏的广告；将图片内容为“一位女性卡通形象手持两张扑克牌”的图片作为预设卷积神经网络模型的输入，通过预设的卷积神经网络模型提取出图片特征信息，即该游戏广告A为棋牌类游戏的广告。

S203，根据用户的行为数据，确定各个用户对应的用户信息。

其中，用户信息可以包括用户性别信息、用户年龄信息、用户所在地域信息、用户兴趣信息、用户收入程度信息等信息中的至少一种。用户行为数据可以理解为：根据用户访问网页或客户端时发生的行为所生成的数据，如搜索、浏览、点评、点击、下载、交流、互动等行为，用户行为数据包括用户的访问路径、访问内容、访问时间等信息。

以游戏广告为例，当用户访问各类游戏渠道时，用户在游戏渠道内进行点击游戏广告、下载游戏应用等操作时，游戏数据管理平台会根据用户的上述操作信息记录该用户的行为数据。游戏数据管理平台根据记录的该用户的行为数据进行统计，进而分析出该用户对应的用户信息。

S204，将表现数据、特征信息和用户信息作为预设深度神经网络模型的输入，利用预设深度神经网络模型，计算各个用户对各条第一信息的预估点击概率。

实际应用中，预设深度神经网络模型为预先训练好的模型。例如，预先训练好的模型可以为基于GBDT(Gradient Boosting Decision Tree，迭代决策树)算法的模型；GBDT是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终结果。当然，预设深度神经网络模型还可以是基于其它算法的模型，本实施例对此不做限定。

本领域技术人员可以理解的是，可以预先获得预设个用户中的各个用户对预设条数的第一信息中的各条第一信息的预估点击概率，将该预设条数的第一信息的表现数据、特征信息、该预设个用户对应的用户信息、以及对应的预估点击概率，作为样本数据，对预设深度神经网络模型进行训练，具体的模型训练方法属于现有技术，在此不做赘述。

S205，根据预估点击概率，生成预设的用户信息数据库。

由以上可见，本实施例提供的方案中，根据目标用户对预设的第一信息库中记录的各条第一信息的预估点击概率确定待推送信息，进行信息推送。可见，应用本实施例提供的方案确定待推送信息时，是根据预估的目标用户对各条信息的点击概率确定的，考虑了目标用户的情况，而现有技术中是根据所有用户的历史点击数据估算的信息的点击概率，这一点击概率是针对所有用户的，就目标用户而言针对性不强。因此，本实施例能够基于用户有针对性的进行信息推送，提高信息推送效果。

与上述信息推送方法相对应，本发明实施例还提供了一种信息推送装置。

图3为本发明实施例提供的一种信息推送装置的结构示意图，该装置可以包括：

请求接收模块301，用于接收针对目标用户的信息推送请求；

概率获得模块302，用于从预设的用户信息数据库中获得所述目标用户对预设的第一信息库中记录的各条第一信息的预估点击概率，其中，所述预设的用户信息数据库用于记录各个用户对所述预设的第一信息库中记录的各条第一信息的预估点击概率；

信息确定模块303，用于根据所获得的预估点击概率由高到低的顺序，从所述预设的第一信息库中记录的各条第一信息中确定待推送信息；

信息推送模块304，用于推送所述待推送信息。

在实际应用中，所述信息确定模块303，具体可以用于：

根据各条第一信息对应的推送策略和所获得的预估点击概率由高到低的顺序，从所述预设的第一信息库中记录的各条第一信息中确定待推送信息。

在实际应用中，所述推送策略可以包括以下策略中的至少一种：

优先推送与用户所在地域匹配的第一信息、优先推送与接收用户推送请求的时间匹配的第一信息、优先推送推荐度高的第一信息、优先推送与目标用户所属人群类型相匹配的第一信息。

在实际应用中，上述信息推送装置还可以包括：

点击率统计模块(图中未示出)，用于在所述信息推送模块304推送所述待推送信息之后，统计所述目标用户对所述待推送信息的点击率。

在实际应用中，上述信息推送装置还可以包括：

数据库生成模块(图中未示出)，用于生成所述预设的用户信息数据库。

下面通过具体实施例详细介绍如何生成前面涉及到的预设的用户信息数据库。

图4为本发明实施例提供的一种数据库生成装置的结构示意图，该装置为数据库生成模块的一种具体装置，可以包括：

表现数据获得子模块401，用于获得预设的第一信息库中记录的各条第一信息的表现数据；

特征信息提取子模块402，用于提取各条第一信息的特征信息；

用户信息确定子模块403，用于根据用户的行为数据，确定各个用户对应的用户信息；

概率计算子模块404，用于将所述表现数据、特征信息和用户信息作为预设深度神经网络模型的输入，利用所述预设深度神经网络模型，计算各个用户对各条第一信息的预估点击概率；

数据库生成子模块405，用于根据所述预估点击概率，生成所述预设的用户信息数据库。

在实际应用中，所述表现数据包括以下信息中的至少一种：

历史推送时间、推送量、点击量、下载量、用户设备标识、用户地域信息、用户年龄信息、用户性别信息。

在实际应用中，所述特征信息包括以下信息中的至少一种：

信息的内容分类、信息的素材类型、信息面向的用户、信息的显示位置、文本特征信息、图片特征信息。

在实际应用中，所述第一信息包含文本信息和/或图片信息，所述特征信息提取子模块402，具体可以用于：

对第一目标信息中的文本信息进行文本挖掘处理，根据处理结果提取所述第一目标信息的文本特征信息，其中，所述第一目标信息为：各条第一信息中包含文本信息的信息；和/或

将第二目标信息中包含的图片作为预设卷积神经网络模型的输入，通过所述预设的卷积神经网络模型提取所述第二目标信息的图片特征信息，其中，所述第二目标信息为：各条第一信息中包含图片信息的信息。

由以上可见，本实施例提供的方案中，根据目标用户对预设的第一信息库中记录的各条第一信息的预估点击概率确定待推送信息，进行信息推送。可见，应用本实施例提供的方案确定待推送信息时，是根据预估的目标用户对各条信息的点击概率确定的，考虑了目标用户的情况，而现有技术中是根据所有用户的历史点击数据估算的信息的点击概率，这一点击概率是针对所有用户的，就目标用户而言针对性不强。因此，本实施例能够基于用户有针对性的进行信息推送，提高信息推送效果。

下面以游戏广告的推送作为一个具体实施例对本发明实施例提供的信息推送方法进行说明。

如图5所示，游戏的应用程序可以通过各类游戏渠道进行推广和分发，而游戏广告也可以在各类游戏渠道进行投放，在游戏用户访问游戏渠道时向游戏用户推送合适的游戏广告。为了采集游戏用户在各个游戏渠道的行为数据以及游戏广告在各个游戏渠道的投放效果，各类游戏渠道可以接入游戏渠道广告数据管理平台。游戏渠道广告数据管理平台用于统计、分析、存储各个游戏广告的表现数据和游戏用户的行为数据。

游戏渠道广告数据管理平台可以通过调用游戏渠道的数据统计接口，获取游戏广告的表现数据和游戏用户的行为数据，游戏广告的表现数据可以包括历史推送时间、推送量、点击量、下载量、用户设备标识、用户地域信息、用户年龄信息、用户性别信息等信息，根据游戏用户的行为数据可以进一步确定每个用户对应的用户信息，如用户性别信息、用户年龄信息、用户所在地域信息、用户兴趣信息、用户收入程度信息等信息。并且，还可以获取游戏广告的特征信息，如游戏内容、广告素材、广告位信息等；进一步的，还可以对游戏广告中的文字信息进行文本挖掘，提取文本特征信息，通过卷积神经网络对包含图像信息的游戏广告提取出图片特征信息。

最终，将游戏广告的表现数据、特征信息和游戏用户的用户信息，导入到游戏广告点击率预估模型中，其中游戏广告点击率预估模型可以为第一深度神经网络模型，输出一个对于游戏用户而言的广告点击率的预估结果，从而生成对于每个游戏用户的游戏广告投放方案。通过参考这一游戏广告投放方案，可以针对不同的游戏用户，在特定的时间和地点，精准匹配不同的游戏广告，使之点击率最高化。

同时，还可以结合广告主对于广告的投放出价、投放预算、投放人群、投放效果等综合弹性需求，人为制定相应的投放策略，并在游戏广告点击率预估模型中设置好投放价格、投放预算等条件参数。当需要对某一游戏用户进行广告投放时，游戏广告点击率预估模型还可以根据已制定好的投放策略来生成游戏广告投放方案，实现广告智能投放的目的。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (16)

1.一种信息推送方法，其特征在于，所述方法包括：

接收针对目标用户的信息推送请求；

从预设的用户信息数据库中获得所述目标用户对预设的第一信息库中记录的各条第一信息的预估点击概率，其中，所述预设的用户信息数据库用于记录各个用户对所述预设的第一信息库中记录的各条第一信息的预估点击概率；

根据所获得的预估点击概率由高到低的顺序，从所述预设的第一信息库中记录的各条第一信息中确定待推送信息；

推送所述待推送信息。

2.根据权利要求1所述的方法，其特征在于，按照以下方式生成所述预设的用户信息数据库：

获得预设的第一信息库中记录的各条第一信息的表现数据；

提取各条第一信息的特征信息；

根据用户的行为数据，确定各个用户对应的用户信息；

将所述表现数据、特征信息和用户信息作为预设深度神经网络模型的输入，利用所述预设深度神经网络模型，计算各个用户对各条第一信息的预估点击概率；

根据所述预估点击概率，生成所述预设的用户信息数据库。

3.根据权利要求2所述的方法，其特征在于，所述表现数据包括以下信息中的至少一种：

历史推送时间、推送量、点击量、下载量、用户设备标识、用户地域信息、用户年龄信息、用户性别信息。

4.根据权利要求2所述的方法，其特征在于，所述特征信息包括以下信息中的至少一种：

信息的内容分类、信息的素材类型、信息面向的用户、信息的显示位置、文本特征信息、图片特征信息。

5.根据权利要求4所述的方法，其特征在于，所述第一信息包含文本信息和/或图片信息，所述提取各条第一信息的特征信息，包括：

对第一目标信息中的文本信息进行文本挖掘处理，根据处理结果提取所述第一目标信息的文本特征信息，其中，所述第一目标信息为：各条第一信息中包含文本信息的信息；和/或

将第二目标信息中包含的图片作为预设卷积神经网络模型的输入，通过所述预设的卷积神经网络模型提取所述第二目标信息的图片特征信息，其中，所述第二目标信息为：各条第一信息中包含图片信息的信息。

6.根据权利要求1所述的方法，其特征在于，所述根据所获得的预估点击概率由高到低的顺序，从所述预设的第一信息库中记录的各条第一信息中确定待推送信息，包括：

根据各条第一信息对应的推送策略和所获得的预估点击概率由高到低的顺序，从所述预设的第一信息库中记录的各条第一信息中确定待推送信息。

7.根据权利要求6所述的方法，其特征在于，所述推送策略包括以下策略中的至少一种：

优先推送与用户所在地域匹配的第一信息、优先推送与接收用户推送请求的时间匹配的第一信息、优先推送推荐度高的第一信息、优先推送与目标用户所属人群类型相匹配的第一信息。

8.根据权利要求1-7任一项所述的方法，其特征在于，在所述推送所述待推送信息之后，还包括：

统计所述目标用户对所述待推送信息的点击率。

9.一种信息推送装置，其特征在于，所述装置包括：

请求接收模块，用于接收针对目标用户的信息推送请求；

概率获得模块，用于从预设的用户信息数据库中获得所述目标用户对预设的第一信息库中记录的各条第一信息的预估点击概率，其中，所述预设的用户信息数据库用于记录各个用户对所述预设的第一信息库中记录的各条第一信息的预估点击概率；

信息确定模块，用于根据所获得的预估点击概率由高到低的顺序，从所述预设的第一信息库中记录的各条第一信息中确定待推送信息；

信息推送模块，用于推送所述待推送信息。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：

数据库生成模块，用于生成所述预设的用户信息数据库：

其中，所述数据库生成模块，包括：

表现数据获得子模块，用于获得预设的第一信息库中记录的各条第一信息的表现数据；

特征信息提取子模块，用于提取各条第一信息的特征信息；

用户信息确定子模块，用于根据用户的行为数据，确定各个用户对应的用户信息；

概率计算子模块，用于将所述表现数据、特征信息和用户信息作为预设深度神经网络模型的输入，利用所述预设深度神经网络模型，计算各个用户对各条第一信息的预估点击概率；

数据库生成子模块，用于根据所述预估点击概率，生成所述预设的用户信息数据库。

11.根据权利要求10所述的装置，其特征在于，所述表现数据包括以下信息中的至少一种：

历史推送时间、推送量、点击量、下载量、用户设备标识、用户地域信息、用户年龄信息、用户性别信息。

12.根据权利要求10所述的装置，其特征在于，所述特征信息包括以下信息中的至少一种：

信息的内容分类、信息的素材类型、信息面向的用户、信息的显示位置、文本特征信息、图片特征信息。

13.根据权利要求12所述的装置，其特征在于，所述第一信息包含文本信息和/或图片信息，所述特征信息提取子模块，具体用于：

对第一目标信息中的文本信息进行文本挖掘处理，根据处理结果提取所述第一目标信息的文本特征信息，其中，所述第一目标信息为：各条第一信息中包含文本信息的信息；和/或

将第二目标信息中包含的图片作为预设卷积神经网络模型的输入，通过所述预设的卷积神经网络模型提取所述第二目标信息的图片特征信息，其中，所述第二目标信息为：各条第一信息中包含图片信息的信息。

14.根据权利要求9所述的装置，其特征在于，所述信息确定模块，具体用于：

根据各条第一信息对应的推送策略和所获得的预估点击概率由高到低的顺序，从所述预设的第一信息库中记录的各条第一信息中确定待推送信息。

15.根据权利要求14所述的装置，其特征在于，所述推送策略包括以下策略中的至少一种：

优先推送与用户所在地域匹配的第一信息、优先推送与接收用户推送请求的时间匹配的第一信息、优先推送推荐度高的第一信息、优先推送与目标用户所属人群类型相匹配的第一信息。

16.根据权利要求9-15任一项所述的装置，其特征在于，所述装置还包括：

点击率统计模块，用于在所述信息推送模块推送所述待推送信息之后，统计所述目标用户对所述待推送信息的点击率。