CN108805594A - 信息推送方法和装置 - Google Patents
信息推送方法和装置 Download PDFInfo
- Publication number
- CN108805594A CN108805594A CN201710286678.4A CN201710286678A CN108805594A CN 108805594 A CN108805594 A CN 108805594A CN 201710286678 A CN201710286678 A CN 201710286678A CN 108805594 A CN108805594 A CN 108805594A
- Authority
- CN
- China
- Prior art keywords
- category
- target
- product
- user
- data
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
- G06Q30/0256—User search
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了信息推送方法和装置。该方法的一具体实施方式包括:提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据;对所提取的数据进行解析,分别确定该目标用户所下单的产品的品类和所访问的页面所展示的产品的品类,基于所分别确定的品类,确定该目标用户所访问的页面所展示的产品的品类中的目标品类;从所提取的访问数据中的、与该目标品类相对应的访问数据中提取特征向量,将该特征向量输入至预先训练的、与该目标品类对应的下单预测模型,得到相应的下单预测结果;响应于确定所得到的下单预测结果不小于预设数值,向该目标用户推送预设的、与该目标品类相匹配的待推送信息。该实施方式实现了富于针对性的信息推送。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及信息推送方法和装置。
背景技术
信息推送,又称为“网络广播”,是通过一定的技术标准或协议,在互联网上通过推送用户需要的信息来减少信息过载的一项技术。信息推送技术通过主动推送信息给用户,可以减少用户在网络上搜索所花的时间。以电商平台为例,通常需要向用户推送一些产品的信息,以帮助用户进行更快速、更丰富的信息浏览。
然而,现有的信息推送方式通常直接人工选取待推送信息和待推送的用户,进而将待推送信息直接推送给所选择的各个用户,因而,存在着信息推送缺乏针对性的问题。
发明内容
本申请实施例的目的在于提出一种改进的信息推送方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种信息推送方法,该方法包括:提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据;对订单数据和访问数据进行解析,分别确定目标用户所下单的产品的品类和所访问的页面所展示的产品的品类,基于所分别确定的品类,确定目标用户所访问的页面所展示的产品的品类中的目标品类;从所提取的访问数据中的、与目标品类相对应的访问数据中提取特征向量,将特征向量输入至预先训练的、与目标品类对应的下单预测模型,得到与目标品类对应的下单预测结果,其中,下单预测模型用于表征特征向量与下单预测结果的对应关系;响应于确定所得到的下单预测结果不小于预设数值,向目标用户推送预设的、与目标品类相匹配的待推送信息。
在一些实施例中,基于所分别确定的品类,确定目标用户所访问的页面所展示的产品的品类中的目标品类,包括:分别提取所确定的、目标用户所下单的产品的品类标识和所访问的页面所展示的产品的品类标识;将所提取的、所下单的产品的品类标识确定为第一品类标识以生成第一品类标识列表,并将所提取的、所访问的页面所展示的产品的品类标识确定为第二品类标识以生成第二品类标识列表;对于第二品类标识列表中的每一个第二品类标识,响应于确定第一品类标识列表中的各个第一品类标识与该第二品类标识不匹配,将该第二品类标识确定为目标品类标识,并将目标品类标识所指示的品类确定为目标品类。
在一些实施例中,特征向量包括搜索上述目标品类的产品的次数、访问目标页面的次数和以下至少一项:在所访问的目标页面的平均访问时长、在所访问的目标页面的评价区的浏览时长、访问的目标页面的数量、加入购物车的次数、询问客服次数、目标页面所展示的产品的平均折扣数值、目标页面所展示的展品的平均好评率,其中,目标页面是用于展示目标品类的产品的页面。
在一些实施例中,在提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据之前,该方法还包括:提取多个用户在第一预设时间段内、在预设网站的访问数据;对于多个用户中的每一个用户,对所提取的、与该用户相对应的访问数据进行解析,确定该用户对各个品类的产品的搜索次数和访问次数;基于所确定的搜索次数和访问次数,确定该用户对各个品类的产品的需求度;若所确定的需求度中存在大于预设的第一数值的需求度,则将该用户确定为目标用户;其中,该用户对各个品类的产品的需求度由以下步骤获得:对于每一个品类,确定该用户对该品类的产品的搜索次数与预设的第二数值的乘积;将所确定的乘积与该用户对该品类的产品的访问次数的和确定为该用户对该品类的产品的需求度。
在一些实施例中,在若所确定的需求度中存在大于预设的第一数值的需求度,则将该用户确定为目标用户之后,该方法还包括:提取各个品类的品类标识;对于被确定为目标用户的每一个用户,响应于确定该用户为目标用户,按照该用户对各个品类的产品的需求度从大到小的顺序,对各个品类的品类标识进行排序以生成与该用户相对应的品类标识列表;存储所生成的品类标识列表。
在一些实施例中,在提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据之前,该方法还包括训练下单预测模型的步骤,包括:将用户在第二预设时间段内、在预设网站的访问数据确定为历史访问数据;将历史访问数据中的、满足第一预设条件的历史访问数据确定为第一历史访问数据,并将历史访问数据中的、满足第二预设条件的历史访问数据确定为第二历史访问数据,其中,第一历史数据带有已下单标识,第二历史数据带有未下单标识;从第一历史访问数据中提取第一特征向量,并从第二历史访问数据中提取第二特征向量;利用机器学习方法,将第一特征向量和第二特征向量分别作为输入,将已下单标识和未下单标识分别作为输出,训练得到下单预测模型。
第二方面,本申请实施例提供了一种信息推送装置,该装置包括:第一提取单元,配置用于提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据;解析单元,配置用于对订单数据和访问数据进行解析,分别确定目标用户所下单的产品的品类和所访问的页面所展示的产品的品类,基于所分别确定的品类,确定目标用户所访问的页面所展示的产品的品类中的目标品类;输入单元,配置用于从所提取的访问数据中的、与目标品类相对应的访问数据中提取特征向量,将特征向量输入至预先训练的、与目标品类对应的下单预测模型,得到与目标品类对应的下单预测结果,其中,下单预测模型用于表征特征向量与下单预测结果的对应关系;推送单元,配置用于响应于确定所得到的下单预测结果不小于预设数值,向目标用户推送预设的、与目标品类相匹配的待推送信息。
在一些实施例中,解析单元包括:提取模块,配置用于分别提取所确定的、目标用户所下单的产品的品类标识和所访问的页面所展示的产品的品类标识;生成模块,配置用于将所提取的、所下单的产品的品类标识确定为第一品类标识以生成第一品类标识列表,并将所提取的、所访问的页面所展示的产品的品类标识确定为第二品类标识以生成第二品类标识列表;确定模块,配置用于对于第二品类标识列表中的每一个第二品类标识,响应于确定第一品类标识列表中的各个第一品类标识与该第二品类标识不匹配,将该第二品类标识确定为目标品类标识,并将目标品类标识所指示的品类确定为目标品类。
在一些实施例中,特征向量包括搜索上述目标品类的产品的次数、访问目标页面的次数和以下至少一项:在所访问的目标页面的平均访问时长、在所访问的目标页面的评价区的浏览时长、访问的目标页面的数量、加入购物车的次数、询问客服次数、目标页面所展示的产品的平均折扣数值、目标页面所展示的展品的平均好评率,其中,目标页面是用于展示目标品类的产品的页面。
在一些实施例中,该装置还包括:第二提取单元,配置用于提取多个用户在第一预设时间段内、在预设网站的访问数据;第一确定单元,配置用于对于多个用户中的每一个用户,对所提取的、与该用户相对应的访问数据进行解析,确定该用户对各个品类的产品的搜索次数和访问次数;基于所确定的搜索次数和访问次数,确定该用户对各个品类的产品的需求度;若所确定的需求度中存在大于预设的第一数值的需求度,则将该用户确定为目标用户;其中,该用户对各个品类的产品的需求度由以下步骤获得:对于每一个品类,确定该用户对该品类的产品的搜索次数与预设的第二数值的乘积;将所确定的乘积与该用户对该品类的产品的访问次数的和确定为该用户对该品类的产品的需求度。
在一些实施例中,该装置还包括:第三提取单元,配置用于提取各个品类的品类标识;排序单元,配置用于对于被确定为目标用户的每一个用户,响应于确定该用户为目标用户,按照该用户对各个品类的产品的需求度从大到小的顺序,对各个品类的品类标识进行排序以生成与该用户相对应的品类标识列表;存储单元,配置用于存储所生成的品类标识列表。
在一些实施例中,该装置还包括:第二确定单元,配置用于将用户在第二预设时间段内、在预设网站的访问数据确定为历史访问数据;第三确定单元,配置用于将历史访问数据中的、满足第一预设条件的历史访问数据确定为第一历史访问数据,并将历史访问数据中的、满足第二预设条件的历史访问数据确定为第二历史访问数据,其中,第一历史数据带有已下单标识,第二历史数据带有未下单标识;第四提取单元,配置用于从第一历史访问数据中提取第一特征向量,并从第二历史访问数据中提取第二特征向量;训练单元,配置用于利用机器学习方法,将第一特征向量和第二特征向量分别作为输入,将已下单标识和未下单标识分别作为输出,训练得到下单预测模型。
第三方面,本申请实施例提供了一种服务器,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述信息推送方法中任一实施例的方法。
本申请实施例提供的信息推送方法和装置,通过对所提取的订单数据和访问数据进行解析,以便确定目标用户所访问的页面所展示的产品的品类中的目标品类,而后从与目标品类相对应的访问数据中提取特征向量,以便基于特征向量和预先训练的、与目标品类对应的下单预测模型确定下单预测结果,最后响应于下单预测结果大于预设数值,向目标用户推送预设的、与目标品类相匹配的待推送信息。从而,可以实现基于对目标用户的下单情况和访问情况的分析来选取目标品类,以及基于所确定的目标用户对目标品类的产品的下单预测结果确定是否推送信息及确定待推送信息,从而实现了富于针对性的信息推送。
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是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的信息推送方法的一个实施例的流程图;
图3是根据本申请的信息推送方法的一个应用场景的示意图;
图4是根据本申请的信息推送方法的又一个实施例的流程图;
图5是根据本申请的信息推送装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的信息推送方法或信息推送装置的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103在某网站中的行为数据(例如下单数据、访问数据等)进行分析的数据分析服务器。数据分析服务器可以提取多种数据,并对所提取的数据进行分析等处理,得到相应的处理结果(例如用于指示某用户对某品类的产品是否下单的下单预测结果),确定是否给某用户推送信息以及确定推送给该用户的信息。
需要说明的是,本申请实施例所提供的信息推送方法一般由服务器105执行,相应地,信息推送装置一般设置于服务器105中。
需要指出的是,服务器105可以是单一服务器,也可以由多个服务器或多个服务器集群构成。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的信息推送方法的一个实施例的流程200。所述的信息推送方法,包括以下步骤:
步骤201,提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据。
信息推送方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式,从用于存储预设网站(例如某个电子商务网站)的运营数据的另一服务器(图1中未示出)提取目标用户在第一预设时间段内(例如当天、或24个小时内、48个小时内等)、在上述预设网站的订单数据和访问数据。另外,上述预设网站的运营数据还可以存储在上述电子设备的本地。此时,上述电子设备可以直接从本地获取上述订单数据和上述访问数据。其中,上述目标用户可以是预先设置的某个用户列表或某个用户集合中的用户,也可以是满足某些条件(例如对该预设网站的访问次数大于某指定值,在该预设网站中的搜索次数大于某指定值等)的用户。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要说明的是,上述订单数据可以是与上述目标用户在该预设网站中的订单相关的数据。例如,上述订单数据可以包括但不限于订单建立时间、订单所记录的产品的产品信息(例如产品的名称、品类标识、型号、价格、好评率、折扣数值等)、订单状态(例如已发货、等待配送)等数据。其中,上述品类标识可以是由各种字符组成的字符串,可以用于指示产品的品类(例如电子类、箱包类、化妆品类等)。
还需要说明的是,上述访问数据可以是上述目标用户进行页面访问、浏览等操作时所生成并存储的各种数据,其中,所访问的每一个页面可以展示一个产品,所提取的访问数据中可以包含各个页面所展示的产品的产品信息(例如产品的名称、品类标识、型号、价格、好评率、折扣数值等)。另外,上述访问数据还可以包含与上述目标用户对页面的操作相关的信息,例如,可以包括但不限于所访问的页面的网址、访问页面前所发送的搜索词、搜索时间、该搜索词所指示的产品的品类标识、在各页面访问时间和停止访问时间、在所访问的页面的评价区的访问时间和停止访问时间、所访问的页面的数量、询问客服时间、询问客服的内容等信息。
通常,用户可以利用客户端(例如图1所示的终端设备101、102、103)上安装的网页浏览器来访问上述预设网站的各个网页。在本实施例中,上述网页可以包括html格式、xhtml格式、asp格式、php格式、jsp格式、shtml格式、nsp格式、xml格式的网页或者其它未来将开发的格式的网页(只要这种格式的网页文件可以用浏览器或打开并浏览其包含的图片、文字等内容)。
步骤202,对订单数据和访问数据进行解析,分别确定目标用户所下单的产品的品类和所访问的页面所展示的产品的品类,基于所分别确定的品类,确定目标用户所访问的页面所展示的产品的品类中的目标品类。
在本实施例中,上述订单数据可以包含上述目标用户所下单的各个产品的品类标识,上述访问数据可以包含上述目标用户所访问的各个网页所展示的产品的品类标识。上述电子设备首先可以对上述订单数据和上述访问数据进行解析,以分别确定上述目标用户所下单的产品的品类和所访问的页面所展示的产品的品类。而后,上述电子设备可以基于所分别确定的品类,确定上述目标用户所访问的页面所展示的产品的品类中的目标品类。作为示例,上述电子设备可以将上述目标用户所访问的页面所展示的产品的品类中的、上述目标用户访问的次数大于预设次数(例如6次、10次等)的品类确定为目标品类。作为又一示例,上述电子设备可以将上述目标用户所访问的页面所展示的产品的品类中的、上述目标用户未下单的产品的品类确定为目标品类。作为再一示例,上述电子设备还可以将上述目标用户所访问的页面所展示的产品的品类中的、上述目标用户访问的次数大于预设次数且上述目标用户未下单的品类确定为目标品类。
步骤203,从所提取的访问数据中的、与目标品类相对应的访问数据中提取特征向量,将特征向量输入至预先训练的、与目标品类对应的下单预测模型,得到与目标品类对应的下单预测结果。
在本实施例中,上述电子设备可以首先对所提取的访问数据进行解析,确定上述目标用户所访问的页面中的、所展示的产品的品类为上述目标品类的页面;之后,提取上述目标用户在访问和浏览所确定的页面的过程中所生成并存储的数据,将该数据确定为与上述目标品类相对应的访问数据。而后,上述电子设备可以从所确定的、与上述目标品类相对应的访问数据中提取特征向量。此处,上述特征向量可以包含用于对上述目标用户的访问操作进行表征的各种信息,也可以包含用于对上述目标用户所访问的页面的内容进行表征的各种信息。作为示例,可以包含上述目标用户对各个页面进行访问的总时长、所访问的各个页面中展示的产品的平均价格,平均销量等信息。
在本实施例中,上述电子设备中可以存储有多个预先训练的下单预测模型,所存储的每一个下单预测模型与一个品类相对应。在提取特征向量后,上述电子设备可以将上述特征向量输入至预先训练的、与上述目标品类相对应的下单预测模型,得到与上述目标品类对应的下单预测结果。此处,所得到的下单预测结果可以用于指示上述目标用户对上述目标品类的产品是否下单的预测情况,下单预测结果可以是一个数值。需要说明的是,下单预测模型可以用于表征特征向量与下单预测结果的对应关系。作为示例,下单预测模型可以是技术人员基于对大量的特征向量和下单预测结果的统计而预先制定的、存储有多个特征向量与下单预测结果的对应关系的对应关系表;也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对特征向量中的一个或多个数值进行数值计算以得到用于表征下单预测结果的计算结果的计算公式,例如,该计算公式可以是将特征向量中的对各个页面进行访问的总时长与平均销量进行相乘的公式,得到的乘积可以用于表征下单预测结果。
在本实施例的一些可选的实现方式中,上述电子设备可以预先按照以下步骤训练下单预测模型:
首先,上述电子设备可以提取用户在第二预设时间段内(例如当前日期的前30天内、当前日期的前60天内等)的访问数据,并将所提取的访问数据确定为历史访问数据。
之后,上述电子设备可以将上述历史访问数据中的、满足第一预设条件的历史访问数据确定为第一历史访问数据,并将上述历史访问数据中的、满足第二预设条件的历史访问数据确定为第二历史访问数据。此处,上述第一预设条件可以是如下条件:是用户在下单前的预设时长内(例如3天内)访问页面时所生成并存储的且所对应的品类与用户下单的产品的品类相同。上述第二预设条件可以是如下条件:所对应的品类是用户在访问某页面后的上述预设时长内未对同品类的产品下单的品类且是在上述预设时长内用户访问展示有同品类产品的页面所生成并存储的。需要指出的是,上述第一历史数据可以带有已下单标识,上述第二历史数据可以带有未下单标识。在此,作为示例,在训练与品类为电子类相对应的下单预测模型时,上述电子设备可以将用户在下单电子类产品的前3天内、访问电子类产品的页面时所生成并存储的历史访问数据确定为第一历史访问数据,并可以将用户在访问电子类产品的页面后3天内未对电子类产品下单的情况下的、这3天内访问电子类产品的页面时所生成并存储的历史访问数据确定为第二历史访问数据。
然后,上述电子设备从上述第一历史访问数据中提取第一特征向量,并从上述第二历史访问数据中提取第二特征向量。此处,提取第一特征向量和提取第二特征向量的基本方法与上文所阐述的从所确定的、与上述目标品类相对应的访问数据中提取特征向量的方法基本相同,在此不再赘述。
最后,上述电子设备可以利用机器学习方法,将上述第一特征向量和上述第二特征向量分别作为输入,将上述已下单标识和上述未下单标识分别作为输出,训练得到下单预测模型。具体的,上述电子设备可以使用朴素贝叶斯模型(Naive Bayesian Model,NBM)或支持向量机(Support Vector Machine,SVM)等用于分类的模型,将上述第一特征向量作为模型的输入,将上述已下单标识作为对应的模型输出,同时将上述第二特征向量作为模型输入,将上述未下单标识作为对应的模型输出,利用机器学习方法,对该模型进行训练,得到下单预测模型。需要说明的是,每一个品类可以对应一个预先训练的下单预测模型,每一个品类所对应的下单预测模型的训练方法相同。对于每一个品类,该品类所对应的下单预测模型的第一特征向量和第二特征限量分别从与该品类相对应的第一历史访问数据和与该品类相对应的第二历史访问数据中提取。
步骤204,响应于确定所得到的下单预测结果不小于预设数值,向目标用户推送预设的、与目标品类相匹配的待推送信息。
在本实施例中,响应于确定所得到的下单预测结果不小于预设数值(例如0.5或1等),上述电子设备可以向上述目标用户推送预设的、与上述目标品类相匹配的待推送信息。其中,上述待推送信息可以是一个或多个上述目标品类的产品的信息(例如摘要信息、图片、链接等)。
继续参见图3,图3是根据本实施例的信息推送方法的应用场景的一个示意图。在图3的应用场景中,目标用户使用终端设备301进行预设网站中页面的访问操作和下单操作。首先,服务器302提取目标用户在第一预设时间段内、在该预设网站的订单数据303和访问数据304。而后,服务器302对订单数据303和访问数据304进行解析,分别确定目标用户所下单的产品的品类和所访问的页面所展示的产品的品类,进而确定目标品类305。之后,服务器302从所提取的访问数据304中的、与目标品类305相对应的访问数据中提取特征向量306,将特征向量306输入至预先训练的、与上述目标品类305对应的下单预测模型,得到下单预测结果307。最后,响应于确定下单预测结果307不小于预设数值,提取预设的、与目标品类305相匹配的待推送信息308,并将待推送信息308推送至目标用户所使用的终端设备301。
本申请的上述实施例提供的方法通过对所提取的订单数据和访问数据进行解析,以便确定目标用户所访问的页面所展示的产品的品类中的目标品类,而后从与目标品类相对应的访问数据中提取特征向量,以便基于特征向量和预先训练的、与目标品类对应的下单预测模型确定下单预测结果,最后响应于下单预测结果大于预设数值,向目标用户推送预设的、与目标品类相匹配的待推送信息。从而,可以实现基于对目标用户的下单情况和访问情况的分析来选取目标品类,以及基于所确定的目标用户对目标品类的产品的下单预测结果确定是否推送信息及确定待推送信息,从而实现了富于针对性的信息推送。
进一步参考图4,其示出了信息推送方法的又一个实施例的流程400。该信息推送方法的流程400,包括以下步骤:
步骤401,提取多个用户在第一预设时间段内、在预设网站的访问数据。
在本实施例中,信息推送方法运行于其上的电子设备(例如图1所示的服务器105)可以提取多个用户在第一预设时间段(例如当天)内、在预设网站的访问数据。
步骤402,对于多个用户中的每一个用户,对所提取的、与该用户相对应的访问数据进行解析,确定该用户对各个品类的产品的搜索次数和访问次数;基于所确定的搜索次数和访问次数,确定该用户对各个品类的产品的需求度;若所确定的需求度中存在大于预设的第一数值的需求度,则将该用户确定为目标用户。
在本实施例中,对于上述多个用户中的每一个用户,上述电子设备执行如下步骤:
第一步,可以对所提取的、与该用户相对应的访问数据进行解析,确定该用户对各个品类的产品的搜索次数和访问次数。其中,该用户对各个品类的产品的访问次数,可以指该用户对展示有各个品类的产品的页面的访问次数。例如,对展示有电子类的产品的页面的访问次数为6次,对展示有服装类的产品的页面的访问次数为8次等。实践中,访问数据中可以包含与该用户对页面的访问操作相关的信息,例如,可以包括但不限于所访问的页面的网址、访问页面前所输入的搜索词、搜索时间、该搜索词所指示的产品的品类标识、在各页面访问时间和停止访问时间、在所访问的页面的评价区的访问时间和停止访问时间、所访问的页面的数量、询问客服时间、询问客服的内容等信息。上述电子设备可以进行上述访问数据的统计和计算,确定出该用户对各个品类的产品的搜索次数和访问次数。
第二步,可以基于所确定的搜索次数和访问次数,确定该用户对各个品类的产品的需求度。次数,需求度可以是用于表征用户对产品的感兴趣程度或者需求程度的数值。其中,该用户对各个品类的产品的需求度由以下步骤获得:首先,对于每一个品类,确定该用户对该品类的产品的搜索次数与预设的第二数值(例如5)的乘积;之后,将所确定的乘积与该用户对该品类的产品的访问次数的和确定为该用户对该品类的产品的需求度。作为示例,该用户对品类为电子类的产品的搜索次数为2次,访问次数为6次,上述第二数值为5,则该用户对品类为电子类的产品的需求度为16。
第三步,可以将所确定的需求度与预设第一数值(例如6)进行比较,若所确定的需求度中存在大于上述第一数值的需求度,则可以将该用户确定为目标用户。
在本实施例的一些可选的实现方式中,上述电子设备在执行确定目标用户的操作之后,上述电子设备可以首先提取各个品类的品类标识;之后,对于被确定为目标用户的每一个用户,响应于确定该用户为目标用户,上述电子设备可以按照该用户对各个品类的产品的需求度从大到小的顺序,对各个品类的品类标识进行排序以生成与该用户相对应的品类标识列表;最后,上述电子设备可以存储所生成的品类标识列表。
步骤403,提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据。
在本实施例中,上述电子设备可以提取目标用户在上述第一预设时间段内、在预设网站的订单数据和访问数据。
步骤404,对订单数据和访问数据进行解析,分别确定目标用户所下单的产品的品类和所访问的页面所展示的产品的品类,基于所分别确定的品类,确定目标用户所访问的页面所展示的产品的品类中的目标品类。
在本实施例中,上述订单数据可以包含上述目标用户所下单的各个产品的品类标识,上述访问数据可以包含上述目标用户所访问的各个网页所展示的产品的品类标识。上述电子设备首先可以对上述订单数据和上述访问数据进行解析,以分别确定上述目标用户所下单的产品的品类和所访问的页面所展示的产品的品类。而后,上述电子设备可以按照以下步骤确定目标品类:首先,可以分别提取所确定的、上述目标用户所下单的产品的品类标识和所访问的页面所展示的产品的品类标识。之后,可以将所提取的、所下单的产品的品类标识确定为第一品类标识以生成第一品类标识列表,并将所提取的、所访问的页面所展示的产品的品类标识确定为第二品类标识以生成第二品类标识列表。最后,对于上述第二品类标识列表中的每一个第二品类标识,上述电子设备可以将该第二品类标识与上述第一品类标识列表中的各个第一品类标识进行匹配。响应于确定上述第一品类标识列表中的各个第一品类标识均与该第二品类标识不匹配,可以将该第二品类标识确定为目标品类标识,并将上述目标品类标识所指示的品类确定为目标品类。
步骤405,从所提取的访问数据中的、与目标品类相对应的访问数据中提取特征向量,将特征向量输入至预先训练的、与目标品类对应的下单预测模型,得到与目标品类对应的下单预测结果。
在本实施例中,上述电子设备可以首先对所提取的访问数据进行解析,确定上述目标用户所访问的页面中的、所展示的产品的品类为上述目标品类的页面;之后,可以将所确定的页面作为目标页面,提取上述目标用户在访问上述目标页面的过程中所生成并存储的数据,将该数据确定为与上述目标品类相对应的访问数据。而后,上述电子设备可以从所确定的、与上述目标品类相对应的访问数据中提取特征向量。上述特征向量可以包括搜索上述目标品类的产品的次数、访问目标页面的次数和以下至少一项:在所访问的目标页面的平均访问时长、在所访问的目标页面的评价区的浏览时长、访问的目标页面的数量、加入购物车的次数、询问客服次数、目标页面所展示的产品的平均折扣数值、目标页面所展示的展品的平均好评率。
在本实施例中,上述电子设备中可以存储有多个预先训练的下单预测模型,所存储的每一个下单预测模型与一个品类相对应。在提取特征向量后,上述电子设备可以将上述特征向量输入至预先训练的、与上述目标品类相对应的下单预测模型,得到与上述目标品类对应的下单预测结果。
步骤406,响应于确定所得到的下单预测结果不小于预设数值,向目标用户推送预设的、与目标品类相匹配的待推送信息。
在本实施例中,响应于确定所得到的下单预测结果不小于预设数值,上述电子设备可以向上述目标用户推送预设的、与上述目标品类相匹配的待推送信息。
从图4中可以看出,与图2对应的实施例相比,本实施例中的信息推送方法的流程400突出了对确定目标用户的步骤。由此,本实施例描述的方案可以基于对访问数据的分析而确定目标用户,不需要人工选取或确定,从而在实现了富于针对性的信息推送的同时,降低了人力成本。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种信息推送装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例所述的信息推送装置500包括:第一提取单元501,配置用于提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据;解析单元502,配置用于对上述订单数据和上述访问数据进行解析,分别确定上述目标用户所下单的产品的品类和所访问的页面所展示的产品的品类,基于所分别确定的品类,确定上述目标用户所访问的页面所展示的产品的品类中的目标品类;输入单元503,配置用于从所提取的访问数据中的、与上述目标品类相对应的访问数据中提取特征向量,将上述特征向量输入至预先训练的、与上述目标品类对应的下单预测模型,得到与上述目标品类对应的下单预测结果,其中,上述下单预测模型用于表征特征向量与下单预测结果的对应关系;推送单元504,配置用于响应于确定所得到的下单预测结果不小于预设数值,向上述目标用户推送预设的、与上述目标品类相匹配的待推送信息。
在本实施例中,上述第一提取单元501可以提取目标用户在第一预设时间段内、在上述预设网站的订单数据和访问数据。
在本实施例中,上述解析单元502首先可以对上述订单数据和上述访问数据进行解析,以分别确定上述目标用户所下单的产品的品类和所访问的页面所展示的产品的品类。而后,可以基于所分别确定的品类,确定上述目标用户所访问的页面所展示的产品的品类中的目标品类。
在本实施例的一些可选的实现方式中,上述解析单元502还可以包括提取模块、生成模块和确定模块(图中未示出)。其中,上述提取模块可以配置用于分别提取所确定的、上述目标用户所下单的产品的品类标识和所访问的页面所展示的产品的品类标识。上述生成模块可以配置用于将所提取的、所下单的产品的品类标识确定为第一品类标识以生成第一品类标识列表,并将所提取的、所访问的页面所展示的产品的品类标识确定为第二品类标识以生成第二品类标识列表。上述确定模块可以配置用于对于上述第二品类标识列表中的每一个第二品类标识,响应于确定上述第一品类标识列表中的各个第一品类标识与该第二品类标识不匹配,将该第二品类标识确定为目标品类标识,并将上述目标品类标识所指示的品类确定为目标品类。
在本实施例中,上述输入单元503可以首先对所提取的访问数据进行解析,确定上述目标用户所访问的页面中的、所展示的产品的品类为上述目标品类的页面;之后,提取上述目标用户在访问和浏览所确定的页面的过程中所生成并存储的数据,将该数据确定为与上述目标品类相对应的访问数据。而后,可以从所确定的、与上述目标品类相对应的访问数据中提取特征向量。在提取特征向量后,可以将上述特征向量输入至预先训练的、与上述目标品类相对应的下单预测模型,得到与上述目标品类对应的下单预测结果。
在本实施例的一些可选的实现方式中,上述特征向量包括可以搜索上述目标品类的产品的次数、访问目标页面的次数和以下至少一项:在所访问的目标页面的平均访问时长、在所访问的目标页面的评价区的浏览时长、访问的目标页面的数量、加入购物车的次数、询问客服次数、目标页面所展示的产品的平均折扣数值、目标页面所展示的展品的平均好评率。
在本实施例中,上述推送单元504响应于确定所得到的下单预测结果不小于预设数值,可以向上述目标用户推送预设的、与上述目标品类相匹配的待推送信息。其中,上述待推送信息可以是一个或多个上述目标品类的产品的信息(例如摘要信息、图片、链接等)。
在本实施例的一些可选的实现方式中,上述信息推送装置500还可以包括第二提取单元和第一确定单元(图中未示出)。其中,上述第二提取单元可以配置用于提取多个用户在第一预设时间段内、在预设网站的访问数据。上述第一确定单元可以配置用于对于上述多个用户中的每一个用户,对所提取的、与该用户相对应的访问数据进行解析,确定该用户对各个品类的产品的搜索次数和访问次数;基于所确定的搜索次数和访问次数,确定该用户对各个品类的产品的需求度;若所确定的需求度中存在大于预设的第一数值的需求度,则将该用户确定为目标用户;其中,该用户对各个品类的产品的需求度由以下步骤获得:对于每一个品类,确定该用户对该品类的产品的搜索次数与预设的第二数值的乘积;将所确定的乘积与该用户对该品类的产品的访问次数的和确定为该用户对该品类的产品的需求度。
在本实施例的一些可选的实现方式中,上述信息推送装置500还可以包括第三提取单元、排序单元和存储单元(图中未示出)。其中,上述第三提取单元可以配置用于提取各个品类的品类标识。上述排序单元可以配置用于对于被确定为目标用户的每一个用户,响应于确定该用户为目标用户,按照该用户对各个品类的产品的需求度从大到小的顺序,对各个品类的品类标识进行排序以生成与该用户相对应的品类标识列表。上述存储单元可以配置用于存储所生成的品类标识列表。
在本实施例的一些可选的实现方式中,上述信息推送装置500还可以包括第二确定单元和第三确定单元(图中未示出)。其中,上述第二确定单元可以配置用于将用户在第二预设时间段内、在预设网站的访问数据确定为历史访问数据。上述第三确定单元可以配置用于将上述历史访问数据中的、满足第一预设条件的历史访问数据确定为第一历史访问数据,并将上述历史访问数据中的、满足第二预设条件的历史访问数据确定为第二历史访问数据,其中,上述第一历史数据带有已下单标识,上述第二历史数据带有未下单标识;第四提取单元,配置用于从上述第一历史访问数据中提取第一特征向量,并从上述第二历史访问数据中提取第二特征向量;训练单元,配置用于利用机器学习方法,将上述第一特征向量和上述第二特征向量分别作为输入,将上述已下单标识和上述未下单标识分别作为输出,训练得到下单预测模型。
本申请的上述实施例提供的装置,通过解析单元502对第一提取单元501所提取的订单数据和访问数据进行解析,以便确定目标用户所访问的页面所展示的产品的品类中的目标品类,而后输入单元503从与目标品类相对应的访问数据中提取特征向量,以便基于特征向量和预先训练的、与目标品类对应的下单预测模型确定下单预测结果,最后推送单元504响应于下单预测结果大于预设数值,向目标用户推送预设的、与目标品类相匹配的待推送信息。从而,可以实现基于对目标用户的下单情况和访问情况的分析来选取目标品类,以及基于所确定的目标用户对目标品类的产品的下单预测结果确定是否推送信息及确定待推送信息,从而实现了富于针对性的信息推送。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机***600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一提取单元、解析单元、输入单元和推送单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,提取单元还可以被描述为“提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据;对所提取的数据进行解析,分别确定该目标用户所下单的产品的品类和所访问的页面所展示的产品的品类,基于所分别确定的品类,确定该目标用户所访问的页面所展示的产品的品类中的目标品类;从所提取的访问数据中的、与该目标品类相对应的访问数据中提取特征向量,将该特征向量输入至预先训练的、与该目标品类对应的下单预测模型,得到相应的下单预测结果;响应于确定所得到的下单预测结果不小于预设数值,向该目标用户推送预设的、与该目标品类相匹配的待推送信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种信息推送方法,其特征在于,所述方法包括:
提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据;
对所述订单数据和所述访问数据进行解析,分别确定所述目标用户所下单的产品的品类和所访问的页面所展示的产品的品类,基于所分别确定的品类,确定所述目标用户所访问的页面所展示的产品的品类中的目标品类;
从所提取的访问数据中的、与所述目标品类相对应的访问数据中提取特征向量,将所述特征向量输入至预先训练的、与所述目标品类对应的下单预测模型,得到与所述目标品类对应的下单预测结果,其中,所述下单预测模型用于表征特征向量与下单预测结果的对应关系;
响应于确定所得到的下单预测结果不小于预设数值,向所述目标用户推送预设的、与所述目标品类相匹配的待推送信息。
2.根据权利要求1所述的信息推送方法,其特征在于,所述基于所分别确定的品类,确定所述目标用户所访问的页面所展示的产品的品类中的目标品类,包括:
分别提取所确定的、所述目标用户所下单的产品的品类标识和所访问的页面所展示的产品的品类标识;
将所提取的、所下单的产品的品类标识确定为第一品类标识以生成第一品类标识列表,并将所提取的、所访问的页面所展示的产品的品类标识确定为第二品类标识以生成第二品类标识列表;
对于所述第二品类标识列表中的每一个第二品类标识,响应于确定所述第一品类标识列表中的各个第一品类标识与该第二品类标识不匹配,将该第二品类标识确定为目标品类标识,并将所述目标品类标识所指示的品类确定为目标品类。
3.根据权利要求1所述的信息推送方法,其特征在于,所述特征向量包括搜索上述目标品类的产品的次数、访问目标页面的次数和以下至少一项:在所访问的目标页面的平均访问时长、在所访问的目标页面的评价区的浏览时长、访问的目标页面的数量、加入购物车的次数、询问客服次数、目标页面所展示的产品的平均折扣数值、目标页面所展示的展品的平均好评率,其中,目标页面是用于展示所述目标品类的产品的页面。
4.根据权利要求1所述的信息推送方法,其特征在于,在所述提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据之前,所述方法还包括:
提取多个用户在第一预设时间段内、在预设网站的访问数据;
对于所述多个用户中的每一个用户,对所提取的、与该用户相对应的访问数据进行解析,确定该用户对各个品类的产品的搜索次数和访问次数;基于所确定的搜索次数和访问次数,确定该用户对各个品类的产品的需求度;若所确定的需求度中存在大于预设的第一数值的需求度,则将该用户确定为目标用户;
其中,该用户对各个品类的产品的需求度由以下步骤获得:对于每一个品类,确定该用户对该品类的产品的搜索次数与预设的第二数值的乘积;将所确定的乘积与该用户对该品类的产品的访问次数的和确定为该用户对该品类的产品的需求度。
5.根据权利要求4所述的信息推送方法,其特征在于,在所述若所确定的需求度中存在大于预设的第一数值的需求度,则将该用户确定为目标用户之后,所述方法还包括:
提取各个品类的品类标识;
对于被确定为目标用户的每一个用户,响应于确定该用户为目标用户,按照该用户对各个品类的产品的需求度从大到小的顺序,对各个品类的品类标识进行排序以生成与该用户相对应的品类标识列表;
存储所生成的品类标识列表。
6.根据权利要求1所述的信息推送方法,其特征在于,在所述提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据之前,所述方法还包括训练下单预测模型的步骤,包括:
将用户在第二预设时间段内、在预设网站的访问数据确定为历史访问数据;
将所述历史访问数据中的、满足第一预设条件的历史访问数据确定为第一历史访问数据,并将所述历史访问数据中的、满足第二预设条件的历史访问数据确定为第二历史访问数据,其中,所述第一历史数据带有已下单标识,所述第二历史数据带有未下单标识;
从所述第一历史访问数据中提取第一特征向量,并从所述第二历史访问数据中提取第二特征向量;
利用机器学习方法,将所述第一特征向量和所述第二特征向量分别作为输入,将所述已下单标识和所述未下单标识分别作为输出,训练得到下单预测模型。
7.一种信息推送装置,其特征在于,所述装置包括:
第一提取单元,配置用于提取目标用户在第一预设时间段内、在预设网站的订单数据和访问数据;
解析单元,配置用于对所述订单数据和所述访问数据进行解析,分别确定所述目标用户所下单的产品的品类和所访问的页面所展示的产品的品类,基于所分别确定的品类,确定所述目标用户所访问的页面所展示的产品的品类中的目标品类;
输入单元,配置用于从所提取的访问数据中的、与所述目标品类相对应的访问数据中提取特征向量,将所述特征向量输入至预先训练的、与所述目标品类对应的下单预测模型,得到与所述目标品类对应的下单预测结果,其中,所述下单预测模型用于表征特征向量与下单预测结果的对应关系;
推送单元,配置用于响应于确定所得到的下单预测结果不小于预设数值,向所述目标用户推送预设的、与所述目标品类相匹配的待推送信息。
8.根据权利要求7所述的信息推送装置,其特征在于,所述解析单元包括:
提取模块,配置用于分别提取所确定的、所述目标用户所下单的产品的品类标识和所访问的页面所展示的产品的品类标识;
生成模块,配置用于将所提取的、所下单的产品的品类标识确定为第一品类标识以生成第一品类标识列表,并将所提取的、所访问的页面所展示的产品的品类标识确定为第二品类标识以生成第二品类标识列表;
确定模块,配置用于对于所述第二品类标识列表中的每一个第二品类标识,响应于确定所述第一品类标识列表中的各个第一品类标识与该第二品类标识不匹配,将该第二品类标识确定为目标品类标识,并将所述目标品类标识所指示的品类确定为目标品类。
9.根据权利要求7所述的信息推送装置,其特征在于,所述特征向量包括搜索上述目标品类的产品的次数、访问目标页面的次数和以下至少一项:在所访问的目标页面的平均访问时长、在所访问的目标页面的评价区的浏览时长、访问的目标页面的数量、加入购物车的次数、询问客服次数、目标页面所展示的产品的平均折扣数值、目标页面所展示的展品的平均好评率,其中,目标页面是用于展示所述目标品类的产品的页面。
10.根据权利要求7所述的信息推送装置,其特征在于,所述装置还包括:
第二提取单元,配置用于提取多个用户在第一预设时间段内、在预设网站的访问数据;
第一确定单元,配置用于对于所述多个用户中的每一个用户,对所提取的、与该用户相对应的访问数据进行解析,确定该用户对各个品类的产品的搜索次数和访问次数;基于所确定的搜索次数和访问次数,确定该用户对各个品类的产品的需求度;若所确定的需求度中存在大于预设的第一数值的需求度,则将该用户确定为目标用户;其中,该用户对各个品类的产品的需求度由以下步骤获得:对于每一个品类,确定该用户对该品类的产品的搜索次数与预设的第二数值的乘积;将所确定的乘积与该用户对该品类的产品的访问次数的和确定为该用户对该品类的产品的需求度。
11.根据权利要求10所述的信息推送装置,其特征在于,所述装置还包括:
第三提取单元,配置用于提取各个品类的品类标识;
排序单元,配置用于对于被确定为目标用户的每一个用户,响应于确定该用户为目标用户,按照该用户对各个品类的产品的需求度从大到小的顺序,对各个品类的品类标识进行排序以生成与该用户相对应的品类标识列表;
存储单元,配置用于存储所生成的品类标识列表。
12.根据权利要求7所述的信息推送装置,其特征在于,所述装置还包括:
第二确定单元,配置用于将用户在第二预设时间段内、在预设网站的访问数据确定为历史访问数据;
第三确定单元,配置用于将所述历史访问数据中的、满足第一预设条件的历史访问数据确定为第一历史访问数据,并将所述历史访问数据中的、满足第二预设条件的历史访问数据确定为第二历史访问数据,其中,所述第一历史数据带有已下单标识,所述第二历史数据带有未下单标识;
第四提取单元,配置用于从所述第一历史访问数据中提取第一特征向量,并从所述第二历史访问数据中提取第二特征向量;
训练单元,配置用于利用机器学习方法,将所述第一特征向量和所述第二特征向量分别作为输入,将所述已下单标识和所述未下单标识分别作为输出,训练得到下单预测模型。
13.一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710286678.4A CN108805594B (zh) | 2017-04-27 | 2017-04-27 | 信息推送方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710286678.4A CN108805594B (zh) | 2017-04-27 | 2017-04-27 | 信息推送方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805594A true CN108805594A (zh) | 2018-11-13 |
CN108805594B CN108805594B (zh) | 2022-04-12 |
Family
ID=64070178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710286678.4A Active CN108805594B (zh) | 2017-04-27 | 2017-04-27 | 信息推送方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805594B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903126A (zh) * | 2019-02-01 | 2019-06-18 | 北京字节跳动网络技术有限公司 | 评论区域中评论列表的处理方法、装置及其相关设备 |
CN109993583A (zh) * | 2019-04-02 | 2019-07-09 | 深圳市腾讯信息技术有限公司 | 信息推送方法和装置、存储介质及电子装置 |
CN110266805A (zh) * | 2019-06-28 | 2019-09-20 | 京东数字科技控股有限公司 | 信息推送方法、装置、电子设备及可读介质 |
CN110675217A (zh) * | 2019-09-05 | 2020-01-10 | 广州亚美信息科技有限公司 | 个性化背景图生成方法及装置 |
CN110910180A (zh) * | 2019-12-02 | 2020-03-24 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和存储介质 |
CN111242713A (zh) * | 2018-11-29 | 2020-06-05 | 北京京东尚科信息技术有限公司 | 一种信息推送方法和装置 |
CN111506643A (zh) * | 2019-01-31 | 2020-08-07 | 北京沃东天骏信息技术有限公司 | 用于生成信息的方法、装置和*** |
CN111598597A (zh) * | 2019-02-21 | 2020-08-28 | 北京京东尚科信息技术有限公司 | 用于发送信息的方法和装置 |
WO2020220757A1 (zh) * | 2019-04-29 | 2020-11-05 | 阿里巴巴集团控股有限公司 | 基于强化学习模型向用户推送对象的方法和装置 |
US10902298B2 (en) | 2019-04-29 | 2021-01-26 | Alibaba Group Holding Limited | Pushing items to users based on a reinforcement learning model |
CN112330059A (zh) * | 2020-11-24 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 用于生成预测分数的方法、装置、电子设备和介质 |
CN112950304A (zh) * | 2019-12-11 | 2021-06-11 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置、设备及存储介质 |
CN113191797A (zh) * | 2021-04-20 | 2021-07-30 | 北京异乡旅行网络科技有限公司 | 适用于周边超市的广播促销方法、装置及存储介质 |
CN113469767A (zh) * | 2020-03-31 | 2021-10-01 | 珠海优特智厨科技有限公司 | 订单信息的处理方法、装置、设备及计算机可读存储介质 |
CN113763112A (zh) * | 2021-02-25 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140046939A1 (en) * | 2012-08-08 | 2014-02-13 | Tencent Technology (Shenzhen) Company Limited; | User recommendation method and a user recommendation system using the same |
CN105224623A (zh) * | 2015-09-22 | 2016-01-06 | 北京百度网讯科技有限公司 | 数据模型的训练方法及装置 |
CN105528374A (zh) * | 2014-10-21 | 2016-04-27 | 苏宁云商集团股份有限公司 | 一种电子商务中的商品推荐方法及其*** |
CN106202516A (zh) * | 2016-07-24 | 2016-12-07 | 广东聚联电子商务股份有限公司 | 一种根据时间节点的电子商务平台商品展示方法 |
CN106296242A (zh) * | 2015-05-22 | 2017-01-04 | 苏宁云商集团股份有限公司 | 一种用于电子商务中商品推荐列表的生成方法及生成*** |
CN106339393A (zh) * | 2015-07-09 | 2017-01-18 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
-
2017
- 2017-04-27 CN CN201710286678.4A patent/CN108805594B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140046939A1 (en) * | 2012-08-08 | 2014-02-13 | Tencent Technology (Shenzhen) Company Limited; | User recommendation method and a user recommendation system using the same |
CN105528374A (zh) * | 2014-10-21 | 2016-04-27 | 苏宁云商集团股份有限公司 | 一种电子商务中的商品推荐方法及其*** |
CN106296242A (zh) * | 2015-05-22 | 2017-01-04 | 苏宁云商集团股份有限公司 | 一种用于电子商务中商品推荐列表的生成方法及生成*** |
CN106339393A (zh) * | 2015-07-09 | 2017-01-18 | 阿里巴巴集团控股有限公司 | 信息推送方法及装置 |
CN105224623A (zh) * | 2015-09-22 | 2016-01-06 | 北京百度网讯科技有限公司 | 数据模型的训练方法及装置 |
CN106202516A (zh) * | 2016-07-24 | 2016-12-07 | 广东聚联电子商务股份有限公司 | 一种根据时间节点的电子商务平台商品展示方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242713A (zh) * | 2018-11-29 | 2020-06-05 | 北京京东尚科信息技术有限公司 | 一种信息推送方法和装置 |
CN111506643B (zh) * | 2019-01-31 | 2023-09-29 | 北京沃东天骏信息技术有限公司 | 用于生成信息的方法、装置和*** |
CN111506643A (zh) * | 2019-01-31 | 2020-08-07 | 北京沃东天骏信息技术有限公司 | 用于生成信息的方法、装置和*** |
CN109903126A (zh) * | 2019-02-01 | 2019-06-18 | 北京字节跳动网络技术有限公司 | 评论区域中评论列表的处理方法、装置及其相关设备 |
CN111598597A (zh) * | 2019-02-21 | 2020-08-28 | 北京京东尚科信息技术有限公司 | 用于发送信息的方法和装置 |
CN109993583A (zh) * | 2019-04-02 | 2019-07-09 | 深圳市腾讯信息技术有限公司 | 信息推送方法和装置、存储介质及电子装置 |
WO2020220757A1 (zh) * | 2019-04-29 | 2020-11-05 | 阿里巴巴集团控股有限公司 | 基于强化学习模型向用户推送对象的方法和装置 |
US10902298B2 (en) | 2019-04-29 | 2021-01-26 | Alibaba Group Holding Limited | Pushing items to users based on a reinforcement learning model |
CN110266805A (zh) * | 2019-06-28 | 2019-09-20 | 京东数字科技控股有限公司 | 信息推送方法、装置、电子设备及可读介质 |
CN110675217A (zh) * | 2019-09-05 | 2020-01-10 | 广州亚美信息科技有限公司 | 个性化背景图生成方法及装置 |
CN110910180A (zh) * | 2019-12-02 | 2020-03-24 | 北京嘀嘀无限科技发展有限公司 | 信息推送方法、装置、电子设备和存储介质 |
CN112950304A (zh) * | 2019-12-11 | 2021-06-11 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置、设备及存储介质 |
CN113469767A (zh) * | 2020-03-31 | 2021-10-01 | 珠海优特智厨科技有限公司 | 订单信息的处理方法、装置、设备及计算机可读存储介质 |
CN112330059B (zh) * | 2020-11-24 | 2023-05-30 | 北京沃东天骏信息技术有限公司 | 用于生成预测分数的方法、装置、电子设备和介质 |
CN112330059A (zh) * | 2020-11-24 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 用于生成预测分数的方法、装置、电子设备和介质 |
CN113763112A (zh) * | 2021-02-25 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种信息推送方法及装置 |
CN113191797A (zh) * | 2021-04-20 | 2021-07-30 | 北京异乡旅行网络科技有限公司 | 适用于周边超市的广播促销方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108805594B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805594A (zh) | 信息推送方法和装置 | |
CN105320766B (zh) | 信息推送方法和装置 | |
CN109460513A (zh) | 用于生成点击率预测模型的方法和装置 | |
CN107105031A (zh) | 信息推送方法和装置 | |
CN107908789A (zh) | 用于生成信息的方法和装置 | |
CN107172151A (zh) | 用于推送信息的方法和装置 | |
CN107908740A (zh) | 信息输出方法和装置 | |
CN108520324A (zh) | 用于生成信息的方法和装置 | |
CN108804450A (zh) | 信息推送的方法和装置 | |
CN107426328B (zh) | 信息推送方法和装置 | |
CN107295095A (zh) | 推送及展示广告的方法和装置 | |
CN105117491B (zh) | 页面推送方法和装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN110298716A (zh) | 信息推送方法和装置 | |
US20220222306A1 (en) | System, method and apparatus for presenting information | |
CN108429816A (zh) | 用于生成信息的方法和装置 | |
CN108280200A (zh) | 用于推送信息的方法和装置 | |
CN110020162A (zh) | 用户识别方法和装置 | |
CN106897905A (zh) | 用于推送信息的方法、装置及电子设备 | |
CN110413872A (zh) | 用于展示信息的方法和装置 | |
CN108776692A (zh) | 用于处理信息的方法和装置 | |
CN108388563A (zh) | 信息输出方法和装置 | |
CN108595448A (zh) | 信息推送方法和装置 | |
CN108810047A (zh) | 用于确定信息推送准确率的方法、装置及服务器 | |
CN107784076A (zh) | 可视化构建用户行为数据的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |