CN110782284A - 信息推送方法、装置以及可读存储介质 - Google Patents
信息推送方法、装置以及可读存储介质 Download PDFInfo
- Publication number
- CN110782284A CN110782284A CN201911016829.XA CN201911016829A CN110782284A CN 110782284 A CN110782284 A CN 110782284A CN 201911016829 A CN201911016829 A CN 201911016829A CN 110782284 A CN110782284 A CN 110782284A
- Authority
- CN
- China
- Prior art keywords
- current
- data
- user
- target
- store
- 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
Links
Images
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
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明实施例公开了一种信息推送方法、装置以及可读存储介质,该信息推送方法包括:通过终端设备获取针对目标用户的当前轨迹数据,将该当前轨迹数据发送于服务器,服务器可接收上述当前轨迹数据,获取该目标用户对应的历史轨迹数据和用户画像数据,基于上述当前轨迹数据、历史轨迹数据和用户画像数据,确定该目标用户对应的目标服务推送信息流,最后将该目标服务推送信息流发送于终端设备,终端设备可接收上述目标服务推送信息流,如此,更容易匹配到更适合用户的服务类推送,从而有利于提高信息推送的准确性。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及信息推送方法、装置以及可读存储介质。
背景技术
随着数据信息化的发展,数据量增长快速,大数据呈现出多元化、分散化的趋势。在大规模数据的环境下,大部分数据对于用户而言都是冗余的,用户可能只对某些信息感兴趣,因此为每个用户提供个性化信息已经成为一项日常需求。
现有的技术可以通过线上APP(例如,购物类APP、支付类APP)对应的行为数据确定针对于用户的个人偏好,进而从大量行为数据中选择与用户偏好相匹配的服务类型(餐饮类、购物类等等),并向用户推送该服务类型对应的店铺。由于给用户推送的店铺仅基于线上APP对应的用户偏好进行推送,难以捕捉到用户当前的需求,造成为用户推送的数据准确率过低。
发明内容
本发明实施例提供一种信息推送方法、装置以及可读存储介质,有利于提高服务类信息推送的准确性。
本发明实施例一方面提供了一种信息推送方法,该方法应用于服务器,包括:
接收终端设备发送的针对目标用户的当前轨迹数据;
获取所述目标用户对应的历史轨迹数据和用户画像数据;
根据所述当前轨迹数据、所述历史轨迹数据和所述用户画像数据,确定目标服务推送信息流;
向所述终端设备发送所述目标服务推送信息流。
其中,所述根据所述当前轨迹数据、所述历史轨迹数据和所述用户画像数据,确定目标服务推送信息流,包括:
对所述当前轨迹数据进行预处理,得到所述目标用户对应的当前轨迹特征信息;
对所述历史轨迹数据进行预处理,得到所述目标用户对应的历史轨迹特征信息;
对所述用户画像数据进行预处理,得到所述目标用户对应的用户画像特征信息;
将所述当前轨迹特征信息、所述历史轨迹特征信息和所述用户画像特征信息输入预设神经网络模型,得到所述目标用户的线下行为属性类型;
根据所述线下行为属性类型,确定所述目标用户对应的目标服务推送信息流。
其中,所述当前轨迹数据包括以下至少一项:当前商圈定位数据和当前店铺定位数据;
所述对所述当前轨迹数据进行预处理,得到所述目标用户对应的当前轨迹特征信息,包括:
根据所述当前商圈定位数据,确定所述目标用户当前所在的当前商圈;
根据所述当前店铺定位数据,确定当前店铺ID序列,所述当前店铺ID序列包括至少一个当前店铺ID,每一当前店铺ID对应一个当前店铺;
根据预设的店铺ID与兴趣点POI类型之间的映射关系,确定每一所述当前店铺对应的当前POI类型,得到当前POI类型序列,所述当前POI类型序列包括至少一个当前POI类型;
通过所述当前POI类型序列、所述当前店铺ID序列和所述当前商圈构建所述当前轨迹特征信息。
其中,所述对所述历史轨迹数据进行预处理,得到所述目标用户对应的历史轨迹特征信息,包括:
从所述历史轨迹数据中选取第一预设时段内所述目标用户处于商圈对应的多组历史到店轨迹数据,每一组所述历史到店轨迹数据对应一个商圈;
按照预设POI类型分类方法,对所述多组历史轨迹数据进行分类,得到每一预设POI类型对应的当前历史到店轨迹数据,得到多组当前历史到店轨迹数据;
根据所述多组当前历史到店轨迹数据,确定每一所述预设POI类型对应的到店次数,得到多个到店次数,每一到店次数对应一种所述预设POI类型;
从所述多个到店次数中选取大于第一预设阈值的到店次数对应的所述预设POI类型为高频POI类型,得到高频POI类型序列,所述高频POI类型序列包括至少一个高频POI类型;
通过所述高频POI类型序列构建所述历史轨迹特征信息。
其中,所述对所述用户画像数据进行预处理,得到所述目标用户对应的用户画像特征信息,包括:
根据所述用户画像数据,确定所述目标用户对应的多个用户属性;
根据所述多个用户属性,确定每一用户属性对应的用户属性特征,得到多个用户属性特征;
基于所述多个用户属性特征,构成所述目标用户对应的所述用户画像特征信息。
其中,所述预设神经网络模型包括特征嵌入层、特征提取层和多层感知层;
所述将所述当前轨迹特征信息、所述历史轨迹特征信息和所述用户画像特征信息输入预设神经网络模型,得到所述目标用户的线下行为属性类型,包括:
将所述当前POI类型序列、所述当前店铺ID序列、所述高频POI类型序列和所述用户画像特征信息作为输入,通过所述特征嵌入层分别转化为历史轨迹浮点数矩阵、当前轨迹浮点数矩阵和用户画像浮点矩阵;
将所述历史轨迹浮点数矩阵、所述当前轨迹浮点数矩阵和所述用户画像浮点矩阵分别输入所述特征提取层,分别进行卷积计算、池化操作,得到目标历史轨迹特征、目标当前轨迹特征和目标用户画像特征,将所述目标历史轨迹特征、所述目标当前轨迹特征和所述目标用户画像特征进行拼接操作,得到目标深度特征;
获取所述多层感知层对应的损失函数,基于所述损失函数以及所述目标深度特征,输出所述目标用户对应的所述线下行为属性类型。
其中,所述根据所述线下行为属性类型,确定所述目标用户对应的目标服务推送信息流,包括:
获取所述线下行为属性类型对应的至少一个目标店铺,每一所述目标店铺对应一组店铺信息,所述店铺信息包括以下至少一种:店铺热度、店铺口碑和目标用户历史到店次数;
根据所述至少一组目标店铺信息,对所述至少一个目标店铺进行评价,得到至少一个评价值;
根据所述至少一个评价值,对所述一个目标店铺进行排名,得到目标店铺排名序列;
根据所述目标店铺排名序列以及所述至少一组目标店铺信息,生成所述目标服务推送信息流。
其中,所述根据所述至少一组店铺信息,对所述至少一个店铺进行评价,得到至少一个评价值,包括:
获取所述店铺热度、所述店铺口碑和所述目标用户历史到店次数对应的第一预设权重、第二预设权重和第三预设权重;
根据所述店铺热度、所述店铺口碑、所述目标用户历史到店次数、所述第一预设权重、所述第二预设权重和所述第三预设权重,对所述每一店铺进行加权计算,得到至少一个评价值,其中,每一评价值对应一个店铺。
本发明实施例一方面提供了一种信息推送方法,该方法应用于终端设备,包括:
获取所述终端设备针对目标用户的当前轨迹数据;
向服务器发送所述当前轨迹数据,所述当前轨迹数据用于以供所述服务器依据所述当前轨迹数据、预先存储的所述目标用户的用户画像数据和历史轨迹数据确定目标服务推送信息流;
接收所述服务器发送的目标服务推送信息流。
其中,该方法还包括:
获取所述目标用户对应的多粒度的定位数据;
根据所述多粒度的定位数据,生成所述终端设备针对所述目标用户的所述当前轨迹数据。
其中,所述多粒度的定位数据包括经纬度数据;
所述当前轨迹数据包括当前商圈定位数据,所述根据所述多粒度的定位数据,生成所述终端设备针对所述目标用户的所述当前轨迹数据,包括:
按照预设方式,对所述经纬度数据进行编码,得到geohash值;
将所述geohash值与预设定位数据库中存储的商圈geohash值进行匹配;
确定匹配成功的每一geohash值对应的商圈geohash值为当前商圈geohash值,得到至少一个当前商圈geohash值,将所述至少一个当前商圈geohash值对应的当前经纬度数据确定为所述当前商圈定位数据。
其中,所述多粒度的定位数据包括多组周边无线网络数据;
所述当前轨迹数据包括当前店铺定位数据,所述根据所述多粒度的定位数据,生成所述终端设备针对所述目标用户的所述当前轨迹数据,包括:
根据所述多组周边无线网络数据,确定所述电子设备对应的当前位置指纹;
将所述当前位置指纹与预设指纹库中每一店铺位置指纹进行匹配,得到多个匹配值;
选取所述多个匹配值中大于第二预设阈值的匹配值对应的所述店铺位置指纹为当前店铺位置指纹,得到至少一个当前店铺位置指纹,将所述至少一个当前店铺位置指纹确定为所述当前店铺定位数据。
其中,所述周边无线网络数据包括信号接收强度;
所述根据所述多组周边无线网络数据,确定所述电子设备对应的当前位置指纹,包括:
获取第二预设时段内每隔预设周期针对每一所述周边无线网络在不同信号接收方向采样得到的多组信号接收强度,其中,每组信号接收强度中包括多个信号接收强度,每一所述周边无线网络对应一组信号接收强度;
计算每一所述周边无线网络在所述第二预设时段内每组所述信号接收强度的平均值,得到多个当前信号接收强度;
根据所述多组当前信号接收强度,确定所述当前位置指纹为所述多组当前信号接收强度构成的多维向量。
本发明实施例一方面提供了一种信息推送装置,该装置应用于服务器,包括:
接收模块,用于接收终端设备发送的针对目标用户的当前轨迹数据;
获取模块,用于获取所述目标用户对应的历史轨迹数据和用户画像数据;
确定模块,用于根据所述当前轨迹数据、所述历史轨迹数据和所述用户画像数据,确定目标服务推送信息流;
发送模块,用于向所述终端设备发送所述目标服务推送信息流。
其中,所述接收模块包括:
预处理单元,用于对所述当前轨迹数据进行预处理,得到所述目标用户对应的当前轨迹特征信息;对所述历史轨迹数据进行预处理,得到所述目标用户对应的历史轨迹特征信息;对所述用户画像数据进行预处理,得到所述目标用户对应的用户画像特征信息;
输入单元,用于将所述当前轨迹特征信息、所述历史轨迹特征信息和所述用户画像特征信息输入预设神经网络模型,得到所述目标用户的线下行为属性类型;
确定单元,用于根据所述线下行为属性类型,确定所述目标用户对应的目标服务推送信息流。
其中,所述当前轨迹数据包括以下至少一项:当前商圈定位数据和当前店铺定位数据;
则所述预处理单元,包括:
第一确定子单元,用于根据所述当前商圈定位数据,确定所述目标用户当前所在的当前商圈;
所述第一确定子单元,还用于根据所述当前店铺定位数据,确定当前店铺ID序列,所述当前店铺ID序列包括至少一个当前店铺ID,每一当前店铺ID对应一个当前店铺;
所述第一确定子单元,还用于根据预设的店铺ID与兴趣点POI类型之间的映射关系,确定每一所述当前店铺对应的当前POI类型,得到当前POI类型序列,所述当前POI类型序列包括至少一个当前POI类型;
第一构建子单元,用于通过所述当前POI类型序列、所述当前店铺ID序列和所述当前商圈构建所述当前轨迹特征信息。
其中,所述预处理单元,还包括:选取子单元,用于从所述历史轨迹数据中选取第一预设时段内所述目标用户处于商圈对应的多组历史到店轨迹数据,每一组所述历史到店轨迹数据对应一个商圈;
分类子单元,用于按照预设POI类型分类方法,对所述多组历史轨迹数据进行分类,得到每一预设POI类型对应的当前历史到店轨迹数据,得到多组当前历史到店轨迹数据;
第二确定子单元,用于根据所述多组当前历史到店轨迹数据,确定每一所述预设POI类型对应的到店次数,得到多个到店次数,每一到店次数对应一种所述预设POI类型;
所述选取子单元,还用于从所述多个到店次数中选取大于第一预设阈值的到店次数对应的所述预设POI类型为高频POI类型,得到高频POI类型序列,所述高频POI类型序列包括至少一个高频POI类型;
第二构建子单元,用于通过所述高频POI类型序列构建所述历史轨迹特征信息。
其中,所述预处理单元,包括:
第三确定子单元,用于根据所述用户画像数据,确定所述目标用户对应的多个用户属性;
所述第三确定子单元,还用于根据所述多个用户属性,确定每一用户属性对应的用户属性特征,得到多个用户属性特征;
第三构建子单元,用于基于所述多个用户属性特征,构建所述目标用户对应的所述用户画像特征信息。
其中,所述预设神经网络模型包括特征嵌入层、特征提取层和多层感知层;所述输入单元包括:
输入子单元,用于所述将所述当前轨迹特征信息、所述历史轨迹特征信息和所述用户画像特征信息输入预设神经网络模型,得到所述目标用户的线下行为属性类型,包括:
转化子单元,用于将所述当前POI类型序列、所述当前店铺ID序列、所述高频POI类型序列和所述用户画像特征信息作为输入,通过所述特征嵌入层分别转化为历史轨迹浮点数矩阵、当前轨迹浮点数矩阵和用户画像浮点矩阵;
拼接子单元,用于将所述历史轨迹浮点数矩阵、所述当前轨迹浮点数矩阵和所述用户画像浮点矩阵分别输入所述特征提取层,分别进行卷积计算、池化操作,得到目标历史轨迹特征、目标当前轨迹特征和目标用户画像特征,将所述目标历史轨迹特征、所述目标当前轨迹特征和所述目标用户画像特征进行拼接操作,得到目标深度特征;
输出子单元,用于获取所述多层感知层对应的损失函数,基于所述损失函数以及所述目标深度特征,输出所述目标用户对应的所述线下行为属性类型。
其中,所述线下行为属性类型包括:店铺;所述确定单元包括:
获取子单元,用于获取所述线下行为属性类型对应的至少一个目标店铺,每一所述目标店铺对应一组店铺信息,所述店铺信息包括以下至少一种:店铺热度、店铺口碑和目标用户历史到店次数;
评价子单元,用于根据所述至少一组目标店铺信息,对所述至少一个目标店铺进行评价,得到至少一个评价值;
排名子单元,用于根据所述至少一个评价值,对所述一个目标店铺进行排名,得到目标店铺排名序列;
生成子单元,用于根据所述目标店铺排名序列以及所述至少一组目标店铺信息,生成所述目标服务推送信息流。
其中,所述评价子单元具体用于:
获取所述店铺热度、所述店铺口碑和所述目标用户历史到店次数对应的第一预设权重、第二预设权重和第三预设权重;
根据所述店铺热度、所述店铺口碑、所述目标用户历史到店次数、所述第一预设权重、所述第二预设权重和所述第三预设权重,对所述每一店铺进行加权计算,得到至少一个评价值,其中,每一评价值对应一个店铺。
本发明实施例一方面提供了一种信息推送装置,该装置应用于终端设备,包括:
第一获取模块,用于获取所述终端设备针对目标用户的当前轨迹数据;
发送模块,用于向服务器发送所述当前轨迹数据,所述当前轨迹数据用于以供所述服务器依据所述当前轨迹数据、预先存储的所述目标用户的用户画像数据和历史轨迹数据确定目标服务推送信息流;
接收模块,用于接收所述服务器发送的目标服务推送信息流。
其中,所述装置还包括:
第二获取模块,用于获取所述目标用户对应的多粒度的定位数据;
生成模块,用于根据所述多粒度的定位数据,生成所述终端设备针对所述目标用户的所述当前轨迹数据。
其中,所述多粒度的定位数据包括经纬度数据;所述生成模块包括:
编码单元,用于按照预设方式,对所述经纬度数据进行编码,得到geohash值;
第一匹配单元,用于将所述geohash值与预设定位数据库中存储的商圈geohash值进行匹配;
第一确定单元,用于确定匹配成功的每一geohash值对应的商圈geohash值为当前商圈geohash值,得到至少一个当前商圈geohash值,将所述至少一个当前商圈geohash值对应的当前经纬度数据确定为所述当前商圈定位数据。
其中,所述多粒度的定位数据包括多组周边无线网络数据;所述生成模块包括:
第二确定单元,用于根据所述多组周边无线网络数据,确定所述电子设备对应的当前位置指纹;
第二匹配单元,用于将所述当前位置指纹与预设指纹库中每一店铺位置指纹进行匹配,得到多个匹配值;
选取单元,用于选取所述多个匹配值中大于第二预设阈值的匹配值对应的所述店铺位置指纹为当前店铺位置指纹,得到至少一个当前店铺位置指纹,将所述至少一个当前店铺位置指纹确定为所述当前店铺定位数据。
其中,所述周边无线网络数据包括信号接收强度;所述第二确定单元包括:
获取子单元,用于获取第二预设时段内每隔预设周期针对每一所述周边无线网络在不同信号接收方向采样得到的多组信号接收强度,其中,每组信号接收强度中包括多个信号接收强度,每一所述周边无线网络对应一组信号接收强度;
计算子单元,用于计算每一所述周边无线网络在所述第二预设时段内每组所述信号接收强度的平均值,得到多个当前信号接收强度;
确定子单元,用于根据所述多组当前信号接收强度,确定所述当前位置指纹为所述多组当前信号接收强度构成的多维向量。
本发明实施例一方面提供了一种信息推送装置,包括:处理器和存储器;
所述处理器和存储器相连,其中,所述存储器用于存储计算机程序,所述处理器用于调用所述计算机程序,以执行如本发明实施例中一方面中的方法。
本发明实施例一方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时,执行如本发明实施例中一方面中的方法。
本发明实施例可以通过终端设备获取针对目标用户的当前轨迹数据,将该当前轨迹数据发送于服务器,服务器可接收上述当前轨迹数据,获取该目标用户对应的历史轨迹数据和用户画像数据,基于上述当前轨迹数据、历史轨迹数据和用户画像数据,确定该目标用户对应的目标服务推送信息流,最后将该目标服务推送信息流发送于终端设备,终端设备可接收上述目标服务推送信息流,如此,可通过目标用户对应的当前轨迹数据,结合该目标用户对应的历史轨迹数据和用户画像数据三个维度确定该目标用户的线下意图,即上述目标服务推送信息流,更容易匹配到更适合用户的服务类推送,从而有利于提高信息推送的准确性。
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是本发明实施例提供的一种网络架构示意图;
图2是本发明实施例提供的一种服务推送信息生成方法的场景示意图;
图3是本发明实施例提供的一种信息推送方法的交互示意图;
图4是本发明实施例提供的一种信息推送方法的流程示意图;
图5是本发明实施例提供的一种神经网络模型的示意图;
图6是本发明实施例提供的一种信息推送方法的流程示意图;
图7是本发明实施例提供的一种信息推送方法的界面示意图;
图8是本发明实施例提供的一种信息推送方法的框架示意图;
图9是本发明实施例提供的一种信息推送装置的结构示意图;
图10是本发明实施例提供的一种信息推送装置的结构示意图;
图11是本发明实施例提供的一种信息推送装置的结构示意图;
图12是本发明实施例提供的一种信息推送装置的结构示意图。
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。
请参见图1,是本发明实施例提供的一种网络架构示意图。该网络架构可以包括多个服务器以及多个终端设备(如图1所示,具体包括终端设备100a、终端设备100b、终端设备100c、服务器200a、服务器200b),服务器200a可以通过网络与每个终端设备进行数据传输,每个终端设备均可以安装服务推送类应用(如手机负一屏),服务器200a可以为信息推送类应用对应的后台服务器,因此,每个终端设备均可以通过该服务推送类应用对应的客户端与服务器200a进行数据传输,如服务器200a可以向每个终端设备发送推送信息,服务器200b可以为数据处理服务器,也可以称为推送服务器,即可以为每个终端设备确定不同的推送数据,服务器200b可以通过服务器200a与多个终端设备进行数据传输。终端设备可以包括手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device,MID)、可穿戴设备(例如智能手表、智能手环等)。每个终端设备都可以在该服务推送类应用对应的客户端中显示服务推送信息流,其中,服务推送信息流可以理解为将若干消息源组合在一起形成的内容聚合器,帮助用户获取感兴趣的消息源内容。
其中,每个终端设备中显示的推送信息流所包含的信息可以是不同的,推送信息流所包含的具体信息可以由终端设备对应的用户历史轨迹、用户当前轨迹、用户画像来确定,用户历史轨迹可以表示为用户在当前时刻之前,在服务推送类应用对应的客户端中的每一次点击、查看、访问等操作,也包括客户端返回的历史消费商圈、历史到店次数、历史消费店铺、历史热点等数据,用户当前轨迹可以表示为用户在当前时刻,通过终端设备采集到的传感器信息,该传感器信息可包括但不限于全球定位***(Global PositioningSystem,GPS)信息、热点连接信息、热点扫描信息、基站信号、惯性传感器信号等等,可通过传感器信息确定用户所处的商圈或者店铺等信息,用户画像可以表示为根据用户的属性、用户偏好、生活习惯、用户行为等信息抽象出来的标签化用户数据。
具体请一并参见图2,是本发明实施例提供的一种服务推送信息生成方法的场景示意图。如图2所示,该场景以图1所对应实施例中的终端设备100a为例,服务器200可以包括图1所对应实施例中的服务器200a和服务器200b,用户打开服务推送类应用界面后,终端设备100a可在显示页面中显示附近的一些服务类推送框300a,但是当前还未显示推送信息,因此终端设备100a可采集当前轨迹数据,并对服务器发起访问信息流请求,将上述当前轨迹数据发送于服务器,服务器200可根据上述终端设备100a对应的当前轨迹数据获取其对应的历史轨迹数据和用户画像数据,进而服务器200可将上述当前轨迹数据、历史轨迹数据和用户画像数据输入预设神经网络模型中,并通过该预设神经网络模型输出线下服务属性类型,该线下服务属性类型可包括以下至少一种:店铺、停车场等等,在此不做限定,其中,上述店铺可包括以下至少一种:购物类店铺、饮食类店铺、娱乐类店铺等等,在此不作限定。
进一步地,服务器200可通过上述线下服务属性类型以后,服务器200可以进一步的获取该线下服务属性类型对应的目标服务推送信息流,例如,若上述线下服务属性类型为饮食类店铺,则服务器200可获取饮食类店铺对应的至少一个目标店铺,以及每一目标店铺对应的店铺信息,得到至少一组店铺信息,该店铺信息可包括以下至少一种:店铺优惠、店铺热度、店铺口碑和目标用户历史到店次数等等,在此不作限定;并根据上述店铺信息对上述至少一个目标店铺进行评价,得到至少一个评价值,并根据至少一个评价值,确定上述至少一个目标店铺对应的排名序列,进一步地,服务器200可根据上述排名序列以及至少一组目标店铺信息,生成目标服务推送信息流,并发送于终端设备100a,因此,在终端设备100a对应的屏幕区域300a中可显示上述目标服务推送信息流对应的服务类型,如可为附近店铺,在终端屏幕中的区域301a中,可显示上述至少一个目标店铺,可在推送栏302a和303a中显示上述至少一个目标店铺的店铺名称,例如,肯德基303a、遇见乐凯撒302a等等。如此,更容易匹配到更适合用户的服务类推送,从而有利于提高信息推送的准确性。
请参见图3,是本发明实施例提供的一种信息推送方法的交互示意图。该方法可以包括以下步骤:
步骤S101,获取所述终端设备针对目标用户的当前轨迹数据;
具体的,上述目标用户可为终端设备(该终端设备对应于图2所对应实施例中的终端设备100a)对应的用户,该终端设备可获取针对目标用户对应的多粒度的当前定位数据,该当前定位数据可理解为上述目标用户在当前时刻,通过传感器采集到的定位数据,该当前定位数据可包括以下至少一种:GPS定位数据、经纬度数据、周边无线网络数据、惯性传感器定位数据、基站定位数据等等,在此不做限定,终端设备可通过多粒度的当前定位数据,生成目标用户对应的当前轨迹数据,该当前轨迹数据包括以下至少一种:当前商圈定位数据、当前店铺定位数据、当前无线网络数据等等,在此不作限定;上述周边无线网络数据可理解为目标用户周围预设范围内的无线网络数据,该无线网络数据可为无线局域网(WLAN)数据,例如,可为目标用户处于的商圈对应的Wi-Fi数据等等。
此外,若上述当前定位数据为经纬度数据,终端设备可根据经纬度数据数据确定目标用户对应的当前商圈定位数据,由当前商圈定位数据,生成目标用户的当前轨迹数据,又由于上述当前商圈定位数据是零散的,原则上是一些离散的点性数据,因此,可对上述当前商圈定位数据进行处理,得到连续的曲线,可通过该连续的曲线建立上述经纬度数据之间的函数关系,从而确定该目标用户对应的当前轨迹数据。
步骤S102,向服务器发送所述当前轨迹数据,所述当前轨迹数据用于以供所述服务器依据所述当前轨迹数据、预先存储的所述目标用户的用户画像数据和历史轨迹数据确定目标服务推送信息流;
具体的,终端设备可向服务器(该服务器对应于图2所对应实施例中的服务器200)发送上述当前轨迹数据,该当前轨迹数据可用于服务器确定该目标用户对应的目标服务推送信息流,该目标服务推送信息流可包括店铺信息、商圈信息等等,在此不做限定。
步骤S103,接收终端设备发送的针对目标用户的当前轨迹数据;
具体的,服务器(该服务器对应于图2所对应实施例中的服务器200)可接收上述终端设备发送的针对目标用户的当前轨迹数据,该当前轨迹数据可包括以下至少一种:当前商圈定位数据、当前店铺定位数据、当前无线网络数据等等,在此不作限定。
步骤S104,获取所述目标用户对应的历史轨迹数据和用户画像数据;
具体的,服务器中可事先存储多个用户对应的用户ID,该用户ID与其对应的终端设备可一一对应,可获取终端设备对应的目标用户ID,并通过目标用户ID获取目标用户对应的历史轨迹数据和用户画像数据,上述历史轨迹数据可由其他服务器请求或者通过终端设备上报,当然,需要目标用户提前授权;上述历史轨迹数据可包括以下至少一种:历史消费商圈数据、历史消费店铺数据、历史热点等等,在此不做限定,上述历史消费店铺数据可包括以下至少一种:历史到店次数、历史到店类型等等,在此不做限定;上述用户画像数据包括以下至少一种:用户的基本信息、用户偏好、生活习惯、用户行为等等标签类数据,在此不作限定,上述用户的基本信息可以为:年龄、性别、兴趣爱好、心理特征等等。
步骤S105,根据所述当前轨迹数据、所述历史轨迹数据和所述用户画像数据,确定目标服务推送信息流;
具体的,服务器可将上述当前轨迹数据、历史轨迹数据和用户画像数据输入预设神经网络模型中,该预设神经网络模型可为用户自行设备或者***默认,该预设神经网络模型可为卷积神经网络,通过预设神经网络模型,得到目标用户对应的线下行为属性类型,该线下行为属性类型可理解为目标用户当前感兴趣的服务类型,该线下行为属性类型可包括以下至少一种:购物类店铺、饮食类店铺、娱乐类店铺、停车场等等,在此不做限定,可根据该线下行为属性类型,确定上述目标用户对应的目标服务推送信息流。
步骤S106,向所述终端设备发送所述目标服务推送信息流;
具体的,服务器在得到上述目标服务推送信息流以后,可向终端设备发送上述目标服务推送信息流,例如,该目标服务推送信息流中可包括商圈信息和店铺信息,该店铺信息中可包括至少一个店铺以及至少一个店铺对应的店铺信息,该店铺信息可包括以下至少一种:店铺优惠、店铺热度、店铺口碑、历史到店次数等等,在此不作限定。
步骤S107,接收所述服务器发送的目标服务推送信息流。
具体的,终端设备可接收服务器发送的目标服务推送信息流,并根据该目标服务推送信息流生成推送信息,并在服务推送类应用(如手机负一屏)对应的推送栏中展示出来。
本发明实施例可以通过终端设备获取针对目标用户的当前轨迹数据,将该当前轨迹数据发送于服务器,服务器可接收上述当前轨迹数据,获取该目标用户对应的历史轨迹数据和用户画像数据,基于上述当前轨迹数据、历史轨迹数据和用户画像数据,确定该目标用户对应的目标服务推送信息流,最后将该目标服务推送信息流发送于终端设备,终端设备可接收上述目标服务推送信息流,如此,可通过目标用户对应的当前轨迹数据,结合该目标用户对应的历史轨迹数据和用户画像数据三个维度确定该目标用户的线下意图,即上述目标服务推送信息流,更容易匹配到更适合用户的服务类推送,从而有利于提高信息推送的准确性。
请参见图4,是本发明实施例提供的一种信息推送方法的流程示意图。如图4所示,该方法可以应用于服务器,可以包括以下步骤:
步骤S201,接收终端设备发送的针对目标用户的当前轨迹数据;
步骤S202,获取所述目标用户对应的历史轨迹数据和用户画像数据;
其中,步骤S201-步骤S202的具体实现方式可以参见上述图3所对应实施例中的步骤S101-步骤S102,此处不再赘述。
步骤S203,对所述当前轨迹数据进行预处理,得到所述目标用户对应的当前轨迹特征信息;
具体的,若上述当前轨迹数据包括当前商圈定位数据和当前店铺定位数据,则服务器(该服务器对应于图2所对应实施例中的服务器200)可根据当前商圈定位数据,确定目标用户当前所在的当前商圈,上述当前商圈定位数据可为目标用户在当前位置对应的商圈定位数据,该定位数据可包括以下至少一种:GPS定位数据、经纬度数据、周边无线网络数据、惯性传感器定位数据等等,在此不做限定,如此,可确定目标用户对应的当前商圈;进一步地,服务器可根据当前店铺定位数据,确定当前店铺ID序列,该当前店铺ID序列可包括至少一个当前店铺ID,每一当前店铺ID对应一个当前店铺,上述当前店铺ID可理解为店铺对应的标识信息,每一标识信息可与每一店铺一一对应,可通过店铺ID识别店铺。
需要说明的是,服务器中预先存储多个商圈中多个店铺对应的多个店铺ID于数据库中,标识信息的设置过程可以通过服务器离线完成,进而可以根据存储标识信息的数据库,生成上述至少一个当前店铺对应的当前店铺ID序列。
进一步的,可根据预设的店铺ID与兴趣点POI类型之间的映射关系,确定每一当前店铺对应的当前POI类型,得到当前POI类型序列,其中,上述当前POI类型序列包括至少一个当前POI类型,最后,服务器可通过当前POI类型序列、当前店铺ID序列和当前商圈构建当前轨迹特征信息。
需要说明的是,兴趣点(Point of Interest,POI)是电子地图上的某个地标、景点,用以标示出该地所代表的政府部门、各行各业之商业机构(加油站、百货公司、超市、餐厅、酒店、便利商店、医院等)、旅游景点(公园、公共厕所等)、古迹名胜、交通设施(各式车站、停车场、超速照相机、限速标识)等处所。在本发明实施例中,POI类型可用于表示类别信息的店铺,可预设店铺ID与兴趣点POI类型之间的映射关系,也就是说,可针对每一店铺的类型预设兴趣点POI类型。例如,POI类型可包括以下至少一种:餐饮美食、休闲娱乐和生活服务等等,在此不做限定。
步骤S204,对所述历史轨迹数据进行预处理,得到所述目标用户对应的历史轨迹特征信息;
具体的,服务器可从历史轨迹数据中选取第一预设时段内目标用户处于商圈对应的多组历史到店轨迹数据,每一组历史到店轨迹数据对应一个商圈,按照预设POI类型分类方法,对多组历史轨迹数据进行分类,得到每一预设POI类型对应的当前历史到店轨迹数据,得到多组当前历史到店轨迹数据,根据多组当前历史到店轨迹数据,确定每一预设POI类型对应的到店次数,例如,可针对POI类型为休闲娱乐时,确定所有POI类型为休闲娱乐类型对应的到店次数,得到多个到店次数,每一到店次数对应一种预设POI类型,从多个到店次数中选取大于第一预设阈值的到店次数对应的预设POI类型为高频POI类型,该第一预设阈值可为用户自行设置或者***默认,若历史到店次数超过该第一预设阈值时,则可认为其对应预设的POI类型为高频POI类型,例如,若预设POI类型为餐饮美食对应的到店次数为10次,超过第一预设阈值(3次),则可认为该目标用户去商圈更倾向于去餐饮美食对应的店铺;由于,用户去到店铺的POI类型可能不仅仅为同一个类型的POI类型,因此,可得到高频POI类型序列,该高频POI类型序列包括至少一个高频POI类型,通过高频POI类型序列构建历史轨迹特征信息。
需要说明的是,本申请所涉及的”多“指2个或者2个以上,如”多组“即为2组或者2组以上,服务器中可预先存储当前时间之前的任意一个时段对应的历史轨迹数据,上述第一预设时段可为用户自行设置或者***默认,该第一预设时段可为15天、30天、3个月等等,在此不做限定,服务器可统计上述第一预设时段内目标用户在不同商圈不同店铺的历史到店次数,上述预设POI类型分类方法可为用户自行设置或者***默认,可获取上述目标用户对应的多组历史轨迹数据,每一历史轨迹数据可对应一个商圈,可针对每一商圈对应的店铺的店铺类型(饮食类、购物类、娱乐类)进行POI类型的分类,也可理解为,对每一店铺划分一个类型标签,其中,POI类型可包括以下至少一种:餐饮美食、休闲娱乐和生活服务等等,在此不做限定。
步骤S205,对所述用户画像数据进行预处理,得到所述目标用户对应的用户画像特征信息;
具体的,服务器可根据用户画像数据,确定目标用户对应的多个用户属性,根据多个用户属性,确定每一用户属性对应的用户属性特征,得到多个用户属性特征,基于多个用户属性特征,构建目标用户对应的用户画像特征信息。上述用户属性可指用户基本信息、用户偏好、生活习惯、用户行为等等,每一用户属性可对应多个用户属性特征,例如,用户属性为用户偏好可指用户对店铺的偏好(例如,店铺的收藏、评论、喜好等等),如此,可依据上述用户画像数据,得到目标用户对应的用户画像特征信息。
步骤S206,将所述当前轨迹特征信息、所述历史轨迹特征信息和所述用户画像特征信息输入预设神经网络模型,得到所述目标用户的线下行为属性类型;
具体的,请参见图5,为本发明实施例提供的一种神经网络模型的示意图,上述预设神经网络模型可包括特征嵌入层、特征提取层和多层感知层,可将将当前POI类型序列、当前店铺ID序列、高频POI类型序列和用户画像特征信息作为输入,通过特征嵌入层分别转化为历史轨迹浮点数矩阵、当前轨迹浮点数矩阵和用户画像浮点矩阵,将历史轨迹浮点数矩阵、当前轨迹浮点数矩阵和用户画像浮点矩阵分别输入特征提取层,分别进行卷积计算、池化操作,得到目标历史轨迹特征、目标当前轨迹特征和目标用户画像特征,将目标历史轨迹特征、目标当前轨迹特征和目标用户画像特征进行拼接操作,得到目标深度特征,获取多层感知层对应的损失函数,基于损失函数以及目标深度特征,输出目标用户对应的线下行为属性类型。
需要说明的是,上述特征嵌入层可将上述序列转换为浮点数矩阵的目的是为了将序列映射到一个更高维的向量空间,有利于丰富上述特征,然后,分别将得到的历史轨迹浮点数矩阵、当前轨迹浮点数矩阵和用户画像浮点矩阵输入特征提取层,分别进行卷积计算、池化等操作,可得到具有可区分性的深度特征,最后,对上述3个维度的特征进行拼接操作,该拼接操作可以理解为将上述多种特征信息直接连接起来,作为目标深度特征,该目标深度特征也可利用主成分分析(Principal Component Analysis,PCA)将上述三种特征信息中较高维度的特征信息降维为三种特征信息维度一致,也可以利用支持向量机(SupportVector Machine,SVM)将三种特征信息中较低维度的特征信息升维至三种特征信息维度一致,再利用高斯模型(Gaussian Model)或者混合高斯模型(Gaussian Mixed Model)对上述三种维度一致的特征信息进行统一建模处理,处理后得到,以通过多层感知层实现特征信息的进一步提取,即通过预设的损失函数进行进一步的特征提取,输出得到多分类结果,即目标用户对应的线下行为属性类型,该目标用户对应的线下行为属性类型可包括以下至少一种:购物类店铺、饮食类店铺、娱乐类店铺、停车场等等,在此不做限定,上述损失函数可为用户自行设置或者***默认。
另外,在训练上述预设神经网络时,服务器可定时或者周期性的回收上述终端设备中服务推送类应用对应的客户端的线下行为属***类型(如,购物类店铺、饮食类店铺、娱乐类店铺、停车场等等)以及其对应的店铺信息等等,可获取目标用户对应的点击行为、查看行为等等的曝光日志,构建一个多维的标签向量,该维度与上述线下行为属***类型有关,例如,线下行为属***类型有3个,则其为一个3维向量,如点击类型的对应维度取值为1,剩余维度取值为0,可根据上述曝光日志对应的时间戳,从目标用户对应的当前轨迹数据中提取最近连续n次的到店记录描述构建实时轨迹特征,并查询目标用户对应的历史轨迹特征信息数据和用户画像数据分别提取出历史轨迹特征信息和用户画像特征信息,以完成训练样本的构建。
步骤S207,根据所述线下行为属性类型,确定所述目标用户对应的目标服务推送信息流。
具体的,若上述线下行为属性类型为店铺,则可获取线下行为属性类型对应的至少一个目标店铺,每一目标店铺对应一组店铺信息,店铺信息包括以下至少一种:店铺热度、店铺口碑和目标用户历史到店次数,然后,可根据至少一组目标店铺信息,对至少一个目标店铺进行评价,得到至少一个评价值,其中,评价值越高可理解为上述目标店铺对应的口碑越好,店铺热度更高等等,最后,可根据上述至少一个评价值,对一个目标店铺进行排名,得到目标店铺排名序列,根据目标店铺排名序列以及至少一组目标店铺信息,生成目标服务推送信息流。上述线下行为属性类型可代表目标用户对应的当前线下行为意图,例如,若上述线下行为属性类型为餐饮美食,则可理解为用户当前的线下行为意图是想去吃饭,则可向用户推送餐饮美食相关的目标服务推送信息流,例如,店铺排名,店铺优惠信心等等。
可选的,服务器可获取上述店铺热度、店铺口碑和目标用户历史到店次数对应的第一预设权重、第二预设权重和第三预设权重,其中,第一预设权重、第二预设权重和第三预设权重均可为用户自行设置或者***默认,上述第一预设权重、第二预设权重和第三预设权重的和可为1,权重设置的越大,则代表其对应的重要性越高,例如,若用户更注重店铺口碑,则可将店铺口碑对应的第二预设权重设置为0.6,店铺热度对应的第一预设权重设置为0.2,目标用户历史到店次数对应的第三预设权重可设置为0.2,则表示,上述店铺口碑对应用户选取目标店铺的影响最大;进一步的,可根据店铺热度、店铺口碑、目标用户历史到店次数、第一预设权重、第二预设权重和第三预设权重,对每一店铺进行加权计算,得到至少一个评价值,其中,每一评价值对应一个店铺,从而,实现通过上述至少一个评价值对上述至少一个目标店铺进行排名,得到目标店铺排名序列。
步骤S208,向所述终端设备发送所述目标服务推送信息流。
其中,上述步骤S208的具体实现方式可以参见图3中所对应的实施例中的步骤S106,在此不再赘述。
本发明实施例可以接收终端设备发送的针对目标用户的当前轨迹数据获取目标用户对应的历史轨迹数据和用户画像数据对当前轨迹数据进行预处理,得到目标用户对应的当前轨迹特征信息对历史轨迹数据进行预处理,得到目标用户对应的历史轨迹特征信息对用户画像数据进行预处理,得到目标用户对应的用户画像特征信息将当前轨迹特征信息、历史轨迹特征信息和用户画像特征信息输入预设神经网络模型,得到目标用户的线下行为属性类型根据线下行为属性类型,确定目标用户对应的目标服务推送信息流向终端设备发送目标服务推送信息流,如此,由于上述当前轨迹特征信息体现了目标用户当前线下行为意图的实时性,同时,历史轨迹特征信息和用户画像特征信息提供了用户的历史偏好数据等,从以上三个维度确定用户的线下行为意图(即,线下行为属性类型),更容易匹配上用户的兴趣点和需求,提高了信息推送的准确性。
请参见图6,是本发明实施例提供的一种信息推送方法的流程示意图。如图6所示,应用于终端设备,该方法可以包括以下步骤:
步骤S301,获取所述目标用户对应的多粒度的定位数据;
具体的,终端设备(该终端设备可对应于图2所对应实施例中的终端设备100a)可直接获取多个传感器(GPS传感器、惯性传感器、无线网络传感器等等)上报的多粒度的定位数据,该多粒度的定位数据可包括以下至少两种:经纬度数据、周边无线网络数据、基站数据等等,在此不作限定。
步骤S302,根据所述多粒度的定位数据,生成所述终端设备针对所述目标用户的所述当前轨迹数据;
具体的,终端设备可通过上述多粒度的定位数据,生成目标用户对应的当前轨迹数据,该当前轨迹数据可包括以下至少一种:当前商圈定位数据、当前店铺定位数据、当前无线网络数据等等,在此不作限定。可选的,当上述定位数据包括经纬度数据时,终端设备可按照预设方式,对经纬度数据进行编码,得到geohash值,将geohash值与预设定位数据库中存储的商圈geohash值进行匹配,确定匹配成功的每一geohash值对应的商圈geohash值为当前商圈geohash值,得到至少一个当前商圈geohash值,将至少一个当前商圈geohash值对应的当前经纬度数据确定为当前商圈定位数据。
需要说明的是,上述预设方式可为用户自行设置或者***默认,上述geohash值可为字符串,例如,可将上述二维空间对应的经纬度数据编码为一个字符串,可基于一个geohash值来表示经度和纬度两个二维坐标,例如,可针对经纬度为(x,y),其中,x为经度,y为纬度,首先对经纬度(x,y)进行二进制编码,分别得到经度二进制编码和纬度二进制编码,然后可将上述经度二进制编码和纬度二进制编码进行合并,得到经纬度二进制编码,最后,可对上述经纬度二进制编码进行base32编码,得到编码以后的geohash值,具体的编码方式在此不作限定,如此,在编码以后,更有利于通过匹配来进行查找定位,终端设备中可预设定位数据库,该定位数据库中可存储多个商圈对应的多个商圈geohash值,将上述geohash值与预设定位数据库中的多个商圈geohash值进行匹配,可得到多个匹配值,匹配值越大,则表示其对应的两个geohash值相似度越大,选取匹配值超过预设匹配值的至少一个匹配值对应的geohash值为至少一个当前商圈geohash值,则可实现目标用户对应的当前商圈的定位,得到当前商圈定位数据。
可选的,若多粒度的定位数据中包括多组周边无线网络数据,移动终端可根据多组周边无线网络数据,确定电子设备对应的当前位置指纹;将当前位置指纹与预设指纹库中每一店铺位置指纹进行匹配,得到多个匹配值;选取多个匹配值中大于第二预设阈值的匹配值对应的店铺位置指纹为当前店铺位置指纹,得到至少一个当前店铺位置指纹,将至少一个当前店铺位置指纹确定为当前店铺定位数据。
需要说明的是,终端设备可通过位置指纹联系实际环境中的位置,一个位置可对应一个位置指纹,该位置指纹可为一维或者多维数据,位置指纹可以为该位置检测到的基站信号的接收信号强度、通信时信号的往返时间或延迟、信号的多径结构等等,在此不做限定;上述周边无线网络数据,可理解为目标用户处于当前位置通过无线网络传感器采集到的周边的无线网络数据,上述第二预设阈值可为用户自行设置或者***默认,终端设备中可预设指纹库,该预设指纹库可包括多个店铺对应的位置指纹,预设指纹库中的数据可为线下采集得到,例如,可针对定位区域划分为多个网格,并建立采样点,使用无线网络接收设备逐个采样点采样,并记录该采样点对应的采样数据,对采样数据进行处理得到上述位置指纹。
可选的,若上述周边无线网络数据包括信号接收强度,则终端设备可获取第二预设时段内每隔预设周期针对每一周边无线网络在不同信号接收方向采样得到的多组信号接收强度,其中,每组信号接收强度中包括多个信号接收强度,每一周边无线网络对应一组信号接收强度;计算每一周边无线网络在第二预设时段内每组信号接收强度的平均值,得到多个当前信号接收强度;根据多组当前信号接收强度,确定当前位置指纹为多组当前信号接收强度构成的多维向量。
需要说明的是,上述第二预设时段和预设周期可为用户自行设置或者***默认,由于用户处于当前商圈时,可能会不停的移动,因此,终端设备可周期性的采集每一周边无线网络信号基于不同方向的信号接收强度,得到多组信号接收强度,可计算每组信号强度的均值,得到多个当前信号接收强度,由于终端设备接收到的信号强度来自于多组周边无线网络对应的AP(无线接入点),则可针对多个AP对应的多组信号接收强度,确定目标用户当前位置指纹为上述多组信号接收强度组成的多维向量,例如,若终端设备周边存在2个AP,分别为AP1和AP2,若AP1对应的信号接收强度为r1,AP2对应的信号接收强度为r2,则当前位置指纹为r=[r1,r2],如此,当目标用户在移动时,仍然可通过其对应的当前位置指纹确定其具***置,提高了近场通信场景下确定当前位置的精确度。
步骤S303,向服务器发送所述当前轨迹数据,所述当前轨迹数据用于以供所述服务器依据所述当前轨迹数据、预先存储的所述目标用户的用户画像数据和历史轨迹数据确定目标服务推送信息流;
步骤S304,接收所述服务器发送的目标服务推送信息流。
其中,上述步骤S303-S304具体实现方式可以参见图3中所对应的实施例中的步骤S102和S107,在此不再赘述。
请参见图7,是本发明实施例提供的一种信息推送方法的界面示意图。如图7所示,应用于如图2所示的终端设备,在终端设备100a对应的屏幕区域300a中可显示上述目标服务推送信息流对应的服务类型,如可为附近店铺,在终端屏幕中的区域301a中,可显示上述至少一个目标店铺,可在推送栏302a和303a中显示上述至少一个目标店铺的店铺名称,例如,肯德基303a、遇见乐凯撒302a等等;当终端设备100a接收到目标用户针对302a的展示指令后,如当目标用户点击上述302a推送栏后,可在终端屏幕中的3021a区域显示上述302a区域对应的店铺名称,并在3022a区域和3023a区域中显示302a对应的店铺对应的优惠信息,例如,套餐和套餐对应的优惠价格等等,在此不做限定。
本发明实施例可以获取所述目标用户对应的多粒度的定位数据,根据所述多粒度的定位数据,生成所述终端设备针对所述目标用户的所述当前轨迹数据,向服务器发送所述当前轨迹数据,所述当前轨迹数据用于以供所述服务器依据所述当前轨迹数据、预先存储的所述目标用户的用户画像数据和历史轨迹数据确定目标服务推送信息流,接收所述服务器发送的目标服务推送信息流,如此,可基于多粒度的定位数据,精确定位目标用户的目标位置,并得到其对应的当前轨迹数据,有利于提高后续信息推送的精确性。
请参见图8,是本发明实施例提供的一种信息推送方法的框架示意图。如图8所示,该框架可以包括服务推送类客户端101a、客户端后台服务器102a以及推送服务器103a。其中,客户端101a可以安装在图1所对应实施例中的任一终端设备上,可以用于数据采集1011a和推送结果显示1012a;客户端后台服务器对应于图1所对应实施例中的服务器200a,可以用于数据存储1021a和提取推送数据1022a;推送服务器103a对应与图1所对应实施例中的服务器200b,可以通过预设神经网络模型1031a,为用户确定线下行为属性类型1032a以及确定目标服务推送信息1033a。
进一步地,数据采集1011a可以用于用户当前轨迹信息(比如用户对应的当前商圈定位数据、当前店铺定位数据、当前周边无线网络数据等)的采集和上报,即采集终端设备对应的传感器数据,并将采集到的传感器数据上报给客户端后台服务器102a。
数据存储1021a可以用于存储采集的当前轨迹数据、用户画像数据、历史轨迹数据、店铺ID以及其对应的POI类型等等。
预设神经网络模型1031a可以根据所述当前轨迹数据、所述历史轨迹数据和所述用户画像数据,基于预设神经网络模型,确定线下行为属性类型,推送服务器103a可以根据该用户的用户ID获取其对应的历史轨迹数据和用户画像数据。
线下行为属性类型1032a可以用于根据用户的线下行为属性类型,基于数据存储中存储的店铺ID以及其对应的POI类型等等,确定线下行为属性类型对应的店铺排名序列以及目标店铺对应的目标店铺信息。
目标服务推送信息1033a可以由店铺排名序列以及目标店铺对应的目标店铺信息确定,根据推送方式(比如基于店铺热度的推送方式、基于店铺口碑的推送方式等)可以为用户生成推送的目标店铺的目标服务推送信息,该目标服务推送信息1033a中可以包括店铺名称,店铺优惠,店铺热度,店铺口碑,店铺评论、该店铺对应的历史到店次数等等,并将生成的目标服务推送信息1033a发送至客户端后台服务器102a。
推送数据1022a可以根据目标服务推送信息1033a从存储的店铺信息数据中拉取针对目标用户的店铺推送内容。
推送结果显示1012a可以在客户端101a的信息流推送栏中显示拉取到的店铺推送数据,在推送栏中可以显示店铺推送数据对应的店铺名称,店铺种类等信息,在用户点击推送栏后,可以显示店铺内具体信息,例如,优惠信息等等。
请参见图9,是本发明实施例提供的一种信息推送装置的结构示意图。如图9所示,该信息推送装置1可以应用于上述图2所对应实施例中的服务器100,该信息推送装置1可以包括接收模块11、获取模块12、确定模块13和发送模块14;
接收模块11,用于接收终端设备发送的针对目标用户的当前轨迹数据;
获取模块12,用于获取所述目标用户对应的历史轨迹数据和用户画像数据;
确定模块13,用于根据所述当前轨迹数据、所述历史轨迹数据和所述用户画像数据,确定目标服务推送信息流;
发送模块14,用于向所述终端设备发送所述目标服务推送信息流。
其中,接收模块11、获取模块12、确定模块13和发送模块14的具体功能实现方式可以参见上述图3所对应实施例中的步骤S103-步骤S106,接收模块11和获取模块12还可参见上述图4中的步骤S201-S202,这里不再进行赘述。
其中,接收模块11包括:预处理单元111、输入单元112和确定单元113,
预处理单元111,用于对所述当前轨迹数据进行预处理,得到所述目标用户对应的当前轨迹特征信息;对所述历史轨迹数据进行预处理,得到所述目标用户对应的历史轨迹特征信息;对所述用户画像数据进行预处理,得到所述目标用户对应的用户画像特征信息;
输入单元112,用于将所述当前轨迹特征信息、所述历史轨迹特征信息和所述用户画像特征信息输入预设神经网络模型,得到所述目标用户的线下行为属性类型;
确定单元113,用于根据所述线下行为属性类型,确定所述目标用户对应的目标服务推送信息流。
其中,预处理单元111的具体功能实现方式可以参见上述图4所对应实施例中的步骤S203-S205,输入单元112和确定单元11,的具体功能实现方式可以参见上述图4所对应实施例中的步骤S206-S207,在此不再赘述。
若所述当前轨迹数据包括以下至少一项:当前商圈定位数据和当前店铺定位数据;则所述预处理单元111,包括:第一确定子单元1111、第一构建子单元1112、选取子单元1113、分类子单元1114、第二确定子单元1115和第二构建子单元1116;
第一确定子单元1111,用于根据所述当前商圈定位数据,确定所述目标用户当前所在的当前商圈;
所述第一确定子单元1111,还用于根据所述当前店铺定位数据,确定当前店铺ID序列,所述当前店铺ID序列包括至少一个当前店铺ID,每一当前店铺ID对应一个当前店铺;
所述第一确定子单元1111,还用于根据预设的店铺ID与兴趣点POI类型之间的映射关系,确定每一所述当前店铺对应的当前POI类型,得到当前POI类型序列,所述当前POI类型序列包括至少一个当前POI类型;
第一构建子单元1112,用于通过所述当前POI类型序列、所述当前店铺ID序列和所述当前商圈构建所述当前轨迹特征信息。
所述预处理单元111还包括:
选取子单元1113,用于从所述历史轨迹数据中选取第一预设时段内所述目标用户处于商圈对应的多组历史到店轨迹数据,每一组所述历史到店轨迹数据对应一个商圈;
分类子单元1114,用于按照预设POI类型分类方法,对所述多组历史轨迹数据进行分类,得到每一预设POI类型对应的当前历史到店轨迹数据,得到多组当前历史到店轨迹数据;
第二确定子单元1115,用于根据所述多组当前历史到店轨迹数据,确定每一所述预设POI类型对应的到店次数,得到多个到店次数,每一到店次数对应一种所述预设POI类型;
所述选取子单元1113,还用于从所述多个到店次数中选取大于第一预设阈值的到店次数对应的所述预设POI类型为高频POI类型,得到高频POI类型序列,所述高频POI类型序列包括至少一个高频POI类型;
第二构建子单元1116,用于通过所述高频POI类型序列构建所述历史轨迹特征信息。
其中,上述第一确定子单元1111、第一构建子单元1112、选取子单元1113、分类子单元1114、第二确定子单元1115和第二构建子单元1116的具体实现功能实现方式可以参见上述图4所对应实施例中的步骤S203,在此不做赘述。
请一并参阅图9,其中,所述预处理单元还包括:第三确定子单元1117和第三构建子单元1118;
第三确定子单元1117,用于根据所述用户画像数据,确定所述目标用户对应的多个用户属性;
所述第三确定子单元1117,还用于根据所述多个用户属性,确定每一用户属性对应的用户属性特征,得到多个用户属性特征;
第三构建子单元1118,用于基于所述多个用户属性特征,构建所述目标用户对应的所述用户画像特征信息。
其中,上述第三确定子单元1117和第三构建子单元1118的具体实现功能实现方式可以参见上述图4所对应实施例中的步骤S204,在此不做赘述。
请一并参见图9,所述预设神经网络模型包括特征嵌入层、特征提取层和多层感知层;输入单元112可以包括:输入子单元1121、转化子单元1122、拼接子单元1123和输出子单元1124;
输入子单元1121,用于所述将所述当前轨迹特征信息、所述历史轨迹特征信息和所述用户画像特征信息输入预设神经网络模型,得到所述目标用户的线下行为属性类型,包括:
转化子单元1122,用于将所述当前POI类型序列、所述当前店铺ID序列、所述高频POI类型序列和所述用户画像特征信息作为输入,通过所述特征嵌入层分别转化为历史轨迹浮点数矩阵、当前轨迹浮点数矩阵和用户画像浮点矩阵;
拼接子单元1123,用于将所述历史轨迹浮点数矩阵、所述当前轨迹浮点数矩阵和所述用户画像浮点矩阵分别输入所述特征提取层,分别进行卷积计算、池化操作,得到目标历史轨迹特征、目标当前轨迹特征和目标用户画像特征,将所述目标历史轨迹特征、所述目标当前轨迹特征和所述目标用户画像特征进行拼接操作,得到目标深度特征;
输出子单元1124,用于获取所述多层感知层对应的损失函数,基于所述损失函数以及所述目标深度特征,输出所述目标用户对应的所述线下行为属性类型。
其中,输入子单元1121、转化子单元1122、拼接子单元1123和输出子单元1124的具体实现功能实现方式可以参见上述图4所对应实施例中的步骤S205,在此不做赘述。
请一并参见图9,所述线下行为属性类型包括:店铺;确定单元1131可以包括:获取子单元1131、评价子单元1131、排名子单元1133和生成子单元1134;
获取子单元1131,用于获取所述线下行为属性类型对应的至少一个目标店铺,每一所述目标店铺对应一组店铺信息,所述店铺信息包括以下至少一种:店铺热度、店铺口碑和目标用户历史到店次数;
评价子单元112,用于根据所述至少一组目标店铺信息,对所述至少一个目标店铺进行评价,得到至少一个评价值;
排名子单元1133,用于根据所述至少一个评价值,对所述一个目标店铺进行排名,得到目标店铺排名序列;
生成子单元1134,用于根据所述目标店铺排名序列以及所述至少一组目标店铺信息,生成所述目标服务推送信息流。
其中,所述评价子单元1132具体用于:
获取所述店铺热度、所述店铺口碑和所述目标用户历史到店次数对应的第一预设权重、第二预设权重和第三预设权重;
根据所述店铺热度、所述店铺口碑、所述目标用户历史到店次数、所述第一预设权重、所述第二预设权重和所述第三预设权重,对所述每一店铺进行加权计算,得到至少一个评价值,其中,每一评价值对应一个店铺。
其中,上述获取子单元1131、评价子单元1131、排名子单元1133和生成子单元1134的具体实现功能实现方式可以参见上述图4所对应实施例中的步骤S207,在此不做赘述。本发明实施例可以接收终端设备发送的针对目标用户的当前轨迹数据获取目标用户对应的历史轨迹数据和用户画像数据对当前轨迹数据进行预处理,得到目标用户对应的当前轨迹特征信息对历史轨迹数据进行预处理,得到目标用户对应的历史轨迹特征信息对用户画像数据进行预处理,得到目标用户对应的用户画像特征信息将当前轨迹特征信息、历史轨迹特征信息和用户画像特征信息输入预设神经网络模型,得到目标用户的线下行为属性类型根据线下行为属性类型,确定目标用户对应的目标服务推送信息流向终端设备发送目标服务推送信息流,如此,由于上述当前轨迹特征信息体现了目标用户当前线下行为意图的实时性,同时,历史轨迹特征信息和用户画像特征信息提供了用户的历史偏好数据等,从以上三个维度确定用户的线下行为意图(即,线下行为属性类型),更容易匹配上用户的兴趣点和需求,提高了信息推送的准确性。
请参见图10,是本发明实施例提供的一种信息推送装置的结构示意图。如图10所示,该信息推送装置2可以对应于上述图2所对应实施例中的终端设备100a,该信息推送装置2可以包括:第一获取模块23、发送模块24和接收模块25;
第一获取模块23,用于获取所述终端设备针对目标用户的当前轨迹数据;
发送模块24,用于向服务器发送所述当前轨迹数据,所述当前轨迹数据用于以供所述服务器依据所述当前轨迹数据、预先存储的所述目标用户的用户画像数据和历史轨迹数据确定目标服务推送信息流;
接收模块25,用于接收所述服务器发送的目标服务推送信息流。
其中,上述第一获取模块23、发送模块24和接收模块25的具体功能实现方式可以参见上述图3所对应实施例中的步骤S101、步骤S102和步骤S107,在此不再赘述。
请一并参阅图10,在上述第一获取模块23之前,还包括:第二获取模块21和生成模块22;
第二获取模块21,用于获取所述目标用户对应的多粒度的定位数据;
生成模块22,用于根据所述多粒度的定位数据,生成所述终端设备针对所述目标用户的所述当前轨迹数据。
其中,第二获取模块21和生成模块22的具体功能实现方式可以参见上述图3所对应实施例中的步骤S301、步骤S302,在此不再赘述。
请一并参阅图10,若所述多粒度的定位数据包括经纬度数据;所述生成模块22包括:编码单元221、第一匹配单元222和第一确定单元223;
编码单元221,用于按照预设方式,对所述经纬度数据进行编码,得到geohash值;
第一匹配单元222,用于将所述geohash值与预设定位数据库中存储的商圈geohash值进行匹配;
第一确定单元223,用于确定匹配成功的每一geohash值对应的商圈geohash值为当前商圈geohash值,得到至少一个当前商圈geohash值,将所述至少一个当前商圈geohash值对应的当前经纬度数据确定为所述当前商圈定位数据。
其中,编码单元221、第一匹配单元222和第一确定单元223的具体功能实现方式可以参见上述图3所对应实施例中的步骤S302,在此不再赘述。
请一并参阅图10,所述多粒度的定位数据包括多组周边无线网络数据;所述生成模块22包括:第二确定单元224、第二匹配单元225和选取单元226;
第二确定单元224,用于根据所述多组周边无线网络数据,确定所述电子设备对应的当前位置指纹;
第二匹配单元225,用于将所述当前位置指纹与预设指纹库中每一店铺位置指纹进行匹配,得到多个匹配值;
选取单元226,用于选取所述多个匹配值中大于第二预设阈值的匹配值对应的所述店铺位置指纹为当前店铺位置指纹,得到至少一个当前店铺位置指纹,将所述至少一个当前店铺位置指纹确定为所述当前店铺定位数据。
其中,第二确定单元224、第二匹配单元225和选取单元226的具体功能实现方式可以参见上述图3所对应实施例中的步骤S302,在此不再赘述。
请一并参阅图10,若所述周边无线网络数据包括信号接收强度;所述第二确定单元224包括:获取子单元2241、计算子单元2242和确定子单元2243;
获取子单元2241,用于获取第二预设时段内每隔预设周期针对每一所述周边无线网络在不同信号接收方向采样得到的多组信号接收强度,其中,每组信号接收强度中包括多个信号接收强度,每一所述周边无线网络对应一组信号接收强度;
计算子单元2242,用于计算每一所述周边无线网络在所述第二预设时段内每组所述信号接收强度的平均值,得到多个当前信号接收强度;
确定子单元2243,用于根据所述多组当前信号接收强度,确定所述当前位置指纹为所述多组当前信号接收强度构成的多维向量。
其中,获取子单元2241、计算子单元2242和确定子单元2243的具体功能实现方式可以参见上述图3所对应实施例中的步骤S302,在此不再赘述。
本发明实施例可以获取所述目标用户对应的多粒度的定位数据,根据所述多粒度的定位数据,生成所述终端设备针对所述目标用户的所述当前轨迹数据,向服务器发送所述当前轨迹数据,所述当前轨迹数据用于以供所述服务器依据所述当前轨迹数据、预先存储的所述目标用户的用户画像数据和历史轨迹数据确定目标服务推送信息流,接收所述服务器发送的目标服务推送信息流,如此,可基于多粒度的定位数据,精确定位目标用户的目标位置,并得到其对应的当前轨迹数据,有利于提高后续信息推送的精确性。
请参见图11,图11是本发明实施例提供的一种信息推送装置的结构示意图。如图11所示,该信息推送装置1000可以对应于上述图2所对应实施例中的服务器200,该信息推送装置1000可以包括:处理器1001,网络接口1004和存储器1005,此外,上述信息推送装置1000还可以包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1004可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图11所示,作为一种计算机可读存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及设备控制应用程序。
在如图11所示的信息推送装置1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于为用户提供输入的接口;而处理器1001可以用于调用存储器1005中存储的设备控制应用程序,以实现上述图3、图4任一个所对应实施例中对所述信息推送方法的描述,这里不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
应当理解,本发明实施例中所描述的信息推送装置1000可执行前文图3、图4任一个所对应实施例中对所述信息推送方法的描述,也可执行前文图9所对应实施例中对所述信息推送装置1的描述,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
此外,这里需要指出的是:本发明实施例还提供了一种计算机可读存储介质,且所述计算机可读存储介质中存储有前文提及的信息推送装置1所执行的计算机程序,且所述计算机程序包括程序指令,当所述处理器执行所述程序指令时,能够执行前文图3、图4、任一个所对应实施例中对所述信息推送方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本发明所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本发明方法实施例的描述。
请参见图12,图12是本发明实施例提供的又一种信息推送装置的结构示意图。如图12所示,该信息推送装置2000可以对应于上述图2所对应实施例中的终端设备100a,该信息推送装置2000可以包括:处理器2001,网络接口2004和存储器2005,此外,上述信息推送装置2000还可以包括:用户接口2003,和至少一个通信总线2002。其中,通信总线2002用于实现这些组件之间的连接通信。其中,用户接口2003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口2003还可以包括标准的有线接口、无线接口。网络接口2004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器2004可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器2005可选的还可以是至少一个位于远离前述处理器2001的存储装置。如图12所示,作为一种计算机可读存储介质的存储器2005中可以包括操作***、网络通信模块、用户接口模块以及设备控制应用程序。
在如图12所示的信息推送装置2000中,网络接口2004可提供网络通讯功能;而用户接口2003主要用于为用户提供输入的接口;而处理器2001可以用于调用存储器1005中存储的设备控制应用程序,以实现上述图3、图6任一个所对应实施例中对所述信息推送方法的描述,这里不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
应当理解,本发明实施例中所描述的信息推送装置2000可执行前文图3、图6任一个所对应实施例中对所述信息推送方法的描述,也可执行前文图10所对应实施例中对所述信息推送装置2的描述,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
此外,这里需要指出的是:本发明实施例还提供了一种计算机可读存储介质,且所述计算机可读存储介质中存储有前文提及的信息推送装置2所执行的计算机程序,且所述计算机程序包括程序指令,当所述处理器执行所述程序指令时,能够执行前文图3、图6任一个所对应实施例中对所述信息推送方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本发明所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本发明方法实施例的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储存储器(Read-Only Memory,ROM)或随机存储存储器(Random AccessMemory,RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (15)
1.一种信息推送方法,应用于服务器,其特征在于,包括:
接收终端设备发送的针对目标用户的当前轨迹数据;
获取所述目标用户对应的历史轨迹数据和用户画像数据;
根据所述当前轨迹数据、所述历史轨迹数据和所述用户画像数据,确定目标服务推送信息流;
向所述终端设备发送所述目标服务推送信息流。
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前轨迹数据、所述历史轨迹数据和所述用户画像数据,确定目标服务推送信息流,包括:
对所述当前轨迹数据进行预处理,得到所述目标用户对应的当前轨迹特征信息;
对所述历史轨迹数据进行预处理,得到所述目标用户对应的历史轨迹特征信息;
对所述用户画像数据进行预处理,得到所述目标用户对应的用户画像特征信息;
将所述当前轨迹特征信息、所述历史轨迹特征信息和所述用户画像特征信息输入预设神经网络模型,得到所述目标用户的线下行为属性类型;
根据所述线下行为属性类型,确定所述目标用户对应的目标服务推送信息流。
3.根据权利要求2所述的方法,其特征在于,所述当前轨迹数据包括以下至少一项:当前商圈定位数据和当前店铺定位数据;
所述对所述当前轨迹数据进行预处理,得到所述目标用户对应的当前轨迹特征信息,包括:
根据所述当前商圈定位数据,确定所述目标用户当前所在的当前商圈;
根据所述当前店铺定位数据,确定当前店铺ID序列,所述当前店铺ID序列包括至少一个当前店铺ID,每一当前店铺ID对应一个当前店铺;
根据预设的店铺ID与兴趣点POI类型之间的映射关系,确定每一所述当前店铺对应的当前POI类型,得到当前POI类型序列,所述当前POI类型序列包括至少一个当前POI类型;
通过所述当前POI类型序列、所述当前店铺ID序列和所述当前商圈构建所述当前轨迹特征信息。
4.根据权利要求2所述的方法,其特征在于,所述对所述历史轨迹数据进行预处理,得到所述目标用户对应的历史轨迹特征信息,包括:
从所述历史轨迹数据中选取第一预设时段内所述目标用户处于商圈对应的多组历史到店轨迹数据,每一组所述历史到店轨迹数据对应一个商圈;
按照预设POI类型分类方法,对所述多组历史轨迹数据进行分类,得到每一预设POI类型对应的当前历史到店轨迹数据,得到多组当前历史到店轨迹数据;
根据所述多组当前历史到店轨迹数据,确定每一所述预设POI类型对应的到店次数,得到多个到店次数,每一到店次数对应一种所述预设POI类型;
从所述多个到店次数中选取大于第一预设阈值的到店次数对应的所述预设POI类型为高频POI类型,得到高频POI类型序列,所述高频POI类型序列包括至少一个高频POI类型;
通过所述高频POI类型序列构建所述历史轨迹特征信息。
5.根据权利要求2所述的方法,其特征在于,所述对所述用户画像数据进行预处理,得到所述目标用户对应的用户画像特征信息,包括:
根据所述用户画像数据,确定所述目标用户对应的多个用户属性;
根据所述多个用户属性,确定每一用户属性对应的用户属性特征,得到多个用户属性特征;
基于所述多个用户属性特征,构建所述目标用户对应的所述用户画像特征信息。
6.根据权利要求3至5任一项所述的方法,其特征在于,所述预设神经网络模型包括特征嵌入层、特征提取层和多层感知层;
所述将所述当前轨迹特征信息、所述历史轨迹特征信息和所述用户画像特征信息输入预设神经网络模型,得到所述目标用户的线下行为属性类型,包括:
将所述当前POI类型序列、所述当前店铺ID序列、所述高频POI类型序列和所述用户画像特征信息作为输入,通过所述特征嵌入层分别转化为历史轨迹浮点数矩阵、当前轨迹浮点数矩阵和用户画像浮点矩阵;
将所述历史轨迹浮点数矩阵、所述当前轨迹浮点数矩阵和所述用户画像浮点矩阵分别输入所述特征提取层,分别进行卷积计算、池化操作,得到目标历史轨迹特征、目标当前轨迹特征和目标用户画像特征,将所述目标历史轨迹特征、所述目标当前轨迹特征和所述目标用户画像特征进行拼接操作,得到目标深度特征;
获取所述多层感知层对应的损失函数,基于所述损失函数以及所述目标深度特征,输出所述目标用户对应的所述线下行为属性类型。
7.根据权利要求2所述的方法,其特征在于,所述线下行为属性类型包括:店铺;
所述根据所述线下行为属性类型,确定所述目标用户对应的目标服务推送信息流,包括:
获取所述线下行为属性类型对应的至少一个目标店铺,每一所述目标店铺对应一组店铺信息,所述店铺信息包括以下至少一种:店铺热度、店铺口碑和目标用户历史到店次数;
根据所述至少一组目标店铺信息,对所述至少一个目标店铺进行评价,得到至少一个评价值;
根据所述至少一个评价值,对所述一个目标店铺进行排名,得到目标店铺排名序列;
根据所述目标店铺排名序列以及所述至少一组目标店铺信息,生成所述目标服务推送信息流。
8.根据权利要求7所述的方法,其特征在于,所述根据所述至少一组店铺信息,对所述至少一个店铺进行评价,得到至少一个评价值,包括:
获取所述店铺热度、所述店铺口碑和所述目标用户历史到店次数对应的第一预设权重、第二预设权重和第三预设权重;
根据所述店铺热度、所述店铺口碑、所述目标用户历史到店次数、所述第一预设权重、所述第二预设权重和所述第三预设权重,对所述每一店铺进行加权计算,得到至少一个评价值,其中,每一评价值对应一个店铺。
9.一种信息推送方法,应用于终端设备,其特征在于,包括:
获取所述终端设备针对目标用户的当前轨迹数据;
向服务器发送所述当前轨迹数据,所述当前轨迹数据用于以供所述服务器依据所述当前轨迹数据、预先存储的所述目标用户的用户画像数据和历史轨迹数据确定目标服务推送信息流;
接收所述服务器发送的目标服务推送信息流。
10.根据权利要求9所述的方法,其特征在于,在所述获取所述终端设备针对目标用户的当前轨迹数据之前,所述方法还包括:
获取所述目标用户对应的多粒度的定位数据;
根据所述多粒度的定位数据,生成所述终端设备针对所述目标用户的所述当前轨迹数据。
11.根据权利要求10所述的方法,其特征在于,所述多粒度的定位数据包括经纬度数据;
所述当前轨迹数据包括当前商圈定位数据,所述根据所述多粒度的定位数据,生成所述终端设备针对所述目标用户的所述当前轨迹数据,包括:
按照预设方式,对所述经纬度数据进行编码,得到geohash值;
将所述geohash值与预设定位数据库中存储的商圈geohash值进行匹配;
确定匹配成功的每一geohash值对应的商圈geohash值为当前商圈geohash值,得到至少一个当前商圈geohash值,将所述至少一个当前商圈geohash值对应的当前经纬度数据确定为所述当前商圈定位数据。
12.根据权利要求10所述的方法,其特征在于,所述多粒度的定位数据包括多组周边无线网络数据;
所述当前轨迹数据包括当前店铺定位数据,所述根据所述多粒度的定位数据,生成所述终端设备针对所述目标用户的所述当前轨迹数据,包括:
根据所述多组周边无线网络数据,确定所述电子设备对应的当前位置指纹;
将所述当前位置指纹与预设指纹库中每一店铺位置指纹进行匹配,得到多个匹配值;
选取所述多个匹配值中大于第二预设阈值的匹配值对应的所述店铺位置指纹为当前店铺位置指纹,得到至少一个当前店铺位置指纹,将所述至少一个当前店铺位置指纹确定为所述当前店铺定位数据。
13.根据权利要求12所述的方法,其特征在于,所述周边无线网络数据包括信号接收强度;
所述根据所述多组周边无线网络数据,确定所述电子设备对应的当前位置指纹,包括:
获取第二预设时段内每隔预设周期针对每一所述周边无线网络在不同信号接收方向采样得到的多组信号接收强度,其中,每组信号接收强度中包括多个信号接收强度,每一所述周边无线网络对应一组信号接收强度;
计算每一所述周边无线网络在所述第二预设时段内每组所述信号接收强度的平均值,得到多个当前信号接收强度;
根据所述多组当前信号接收强度,确定所述当前位置指纹为所述多组当前信号接收强度构成的多维向量。
14.一种信息推送装置,其特征在于,包括:处理器和存储器;所述处理器和存储器相连,其中,所述存储器用于存储计算机程序,所述处理器用于调用所述计算机程序,以执行如权利要求1-13任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时,执行如权利要求1-13任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911016829.XA CN110782284A (zh) | 2019-10-24 | 2019-10-24 | 信息推送方法、装置以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911016829.XA CN110782284A (zh) | 2019-10-24 | 2019-10-24 | 信息推送方法、装置以及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110782284A true CN110782284A (zh) | 2020-02-11 |
Family
ID=69386996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911016829.XA Pending CN110782284A (zh) | 2019-10-24 | 2019-10-24 | 信息推送方法、装置以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782284A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339418A (zh) * | 2020-02-26 | 2020-06-26 | 北京字节跳动网络技术有限公司 | 页面展示方法、装置、电子设备和计算机可读介质 |
CN111460075A (zh) * | 2020-04-16 | 2020-07-28 | 万翼科技有限公司 | 行为轨迹的确定方法、装置、设备及可读存储介质 |
CN111626765A (zh) * | 2020-04-22 | 2020-09-04 | 拉扎斯网络科技(上海)有限公司 | 资源配置方法及装置、存储介质、计算机设备 |
CN111639259A (zh) * | 2020-05-26 | 2020-09-08 | 李绍兵 | 基于特征识别的信息推送方法及装置 |
CN111859102A (zh) * | 2020-02-17 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种提示信息确定方法、***、介质及存储介质 |
CN112055075A (zh) * | 2020-09-02 | 2020-12-08 | 韦张恒 | 互联网产品监控方法、装置、服务器及可读存储介质 |
CN112100522A (zh) * | 2020-09-15 | 2020-12-18 | 北京百度网讯科技有限公司 | 用于检索兴趣点的方法、装置、设备及介质 |
CN112434809A (zh) * | 2021-01-26 | 2021-03-02 | 成都点泽智能科技有限公司 | 基于主动学习的模型训练方法、装置及服务器 |
CN112633976A (zh) * | 2020-12-21 | 2021-04-09 | 高晓惠 | 基于大数据和云业务的数据处理方法及云业务服务器 |
CN112699309A (zh) * | 2021-03-23 | 2021-04-23 | 北京搜狐新媒体信息技术有限公司 | 资源推荐方法、装置、可读介质以及设备 |
CN113382402A (zh) * | 2021-05-31 | 2021-09-10 | 中科苏州智能计算技术研究院 | 基于泛基站的人口特征分析方法及其应用 |
CN113595805A (zh) * | 2021-08-23 | 2021-11-02 | 深圳大生活家科技有限公司 | 一种用于局域网内的个人计算机数据共享方法 |
CN113672799A (zh) * | 2021-05-31 | 2021-11-19 | 珠海大横琴科技发展有限公司 | 一种服务推荐的方法和装置 |
CN114153358A (zh) * | 2021-11-16 | 2022-03-08 | 中国电信集团***集成有限责任公司 | 条码显示方法、装置、电子设备和存储介质 |
CN114339606A (zh) * | 2020-09-27 | 2022-04-12 | 北京三快在线科技有限公司 | 确定用户位置的方法、装置、存储介质和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893383A (zh) * | 2014-12-17 | 2016-08-24 | 深圳楼兰辉煌科技有限公司 | 基于关联规则推荐算法的车联网信息智能推送方法及*** |
CN107436950A (zh) * | 2017-08-07 | 2017-12-05 | 苏州大学 | 一种旅行路线推荐方法及*** |
CN109614556A (zh) * | 2018-10-31 | 2019-04-12 | 拉卡拉支付股份有限公司 | 访问路径预测、信息推送方法及装置 |
CN110300175A (zh) * | 2019-07-02 | 2019-10-01 | 腾讯科技(深圳)有限公司 | 消息推送方法、装置、存储介质及服务器 |
-
2019
- 2019-10-24 CN CN201911016829.XA patent/CN110782284A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893383A (zh) * | 2014-12-17 | 2016-08-24 | 深圳楼兰辉煌科技有限公司 | 基于关联规则推荐算法的车联网信息智能推送方法及*** |
CN107436950A (zh) * | 2017-08-07 | 2017-12-05 | 苏州大学 | 一种旅行路线推荐方法及*** |
CN109614556A (zh) * | 2018-10-31 | 2019-04-12 | 拉卡拉支付股份有限公司 | 访问路径预测、信息推送方法及装置 |
CN110300175A (zh) * | 2019-07-02 | 2019-10-01 | 腾讯科技(深圳)有限公司 | 消息推送方法、装置、存储介质及服务器 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859102A (zh) * | 2020-02-17 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种提示信息确定方法、***、介质及存储介质 |
CN111339418A (zh) * | 2020-02-26 | 2020-06-26 | 北京字节跳动网络技术有限公司 | 页面展示方法、装置、电子设备和计算机可读介质 |
CN111460075A (zh) * | 2020-04-16 | 2020-07-28 | 万翼科技有限公司 | 行为轨迹的确定方法、装置、设备及可读存储介质 |
CN111460075B (zh) * | 2020-04-16 | 2023-09-22 | 万翼科技有限公司 | 行为轨迹的确定方法、装置、设备及可读存储介质 |
CN111626765A (zh) * | 2020-04-22 | 2020-09-04 | 拉扎斯网络科技(上海)有限公司 | 资源配置方法及装置、存储介质、计算机设备 |
CN111626765B (zh) * | 2020-04-22 | 2023-07-25 | 拉扎斯网络科技(上海)有限公司 | 资源配置方法及装置、存储介质、计算机设备 |
CN111639259A (zh) * | 2020-05-26 | 2020-09-08 | 李绍兵 | 基于特征识别的信息推送方法及装置 |
CN111639259B (zh) * | 2020-05-26 | 2023-11-03 | 上海鲸甲信息科技有限公司 | 基于特征识别的信息推送方法及装置 |
CN112055075A (zh) * | 2020-09-02 | 2020-12-08 | 韦张恒 | 互联网产品监控方法、装置、服务器及可读存储介质 |
CN112100522A (zh) * | 2020-09-15 | 2020-12-18 | 北京百度网讯科技有限公司 | 用于检索兴趣点的方法、装置、设备及介质 |
CN114339606A (zh) * | 2020-09-27 | 2022-04-12 | 北京三快在线科技有限公司 | 确定用户位置的方法、装置、存储介质和电子设备 |
CN114339606B (zh) * | 2020-09-27 | 2023-10-27 | 北京三快在线科技有限公司 | 确定用户位置的方法、装置、存储介质和电子设备 |
CN112633976B (zh) * | 2020-12-21 | 2021-08-17 | 广东德生科技股份有限公司 | 基于大数据和云业务的数据处理方法及云业务服务器 |
CN112633976A (zh) * | 2020-12-21 | 2021-04-09 | 高晓惠 | 基于大数据和云业务的数据处理方法及云业务服务器 |
CN112434809A (zh) * | 2021-01-26 | 2021-03-02 | 成都点泽智能科技有限公司 | 基于主动学习的模型训练方法、装置及服务器 |
CN112699309A (zh) * | 2021-03-23 | 2021-04-23 | 北京搜狐新媒体信息技术有限公司 | 资源推荐方法、装置、可读介质以及设备 |
CN113382402A (zh) * | 2021-05-31 | 2021-09-10 | 中科苏州智能计算技术研究院 | 基于泛基站的人口特征分析方法及其应用 |
CN113672799A (zh) * | 2021-05-31 | 2021-11-19 | 珠海大横琴科技发展有限公司 | 一种服务推荐的方法和装置 |
CN113595805A (zh) * | 2021-08-23 | 2021-11-02 | 深圳大生活家科技有限公司 | 一种用于局域网内的个人计算机数据共享方法 |
CN113595805B (zh) * | 2021-08-23 | 2024-01-30 | 海南房小云科技有限公司 | 一种用于局域网内的个人计算机数据共享方法 |
CN114153358A (zh) * | 2021-11-16 | 2022-03-08 | 中国电信集团***集成有限责任公司 | 条码显示方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782284A (zh) | 信息推送方法、装置以及可读存储介质 | |
US11367281B2 (en) | Systems and methods for augmented reality navigation | |
US20220309791A1 (en) | Automatic digital content captioning using spatial relationships method and apparatus | |
US10694324B2 (en) | Method and apparatus for matching wireless hotspot with POI | |
US10007664B2 (en) | Systems, methods and apparatus for dynamic content management and delivery | |
JP5334911B2 (ja) | 3次元地図画像生成プログラムおよび3次元地図画像生成システム | |
US20180129221A1 (en) | System and method for inputting a second taxi-start location parameter for an autonomous vehicle to navigate to whilst reducing distraction | |
CN101743541A (zh) | 用于将基于代码的和光学字符识别技术集成到移动可视搜索中的方法、设备和计算机程序产品 | |
CN107018486A (zh) | 处理视觉查询的方法和*** | |
CN109359248A (zh) | 用户画像更新方法、装置、终端及存储介质 | |
CN102939604A (zh) | 用于上下文索引的网络资源的方法和装置 | |
WO2019141109A1 (zh) | 内容推荐方法及装置 | |
CN111782980B (zh) | 地图兴趣点的挖掘方法、装置、设备及存储介质 | |
KR101738443B1 (ko) | 증강 현실 콘텐츠를 스크리닝하는 방법, 장치, 및 시스템 | |
JP2013543167A (ja) | コンテキスト情報をセグメンテーションする方法および装置 | |
CN113590936A (zh) | 信息推送的方法及装置 | |
CN110096609A (zh) | 房源搜索方法、装置、设备及计算机可读存储介质 | |
US11651280B2 (en) | Recording medium, information processing system, and information processing method | |
KR102358533B1 (ko) | 식당 정보 제공 시스템 및 방법 | |
JPWO2008149408A1 (ja) | 情報検索システム、それに用いられる移動頻度管理装置およびエリア情報検索装置、移動頻度管理装置におけるプログラム、エリア情報検索装置におけるプログラム、およびそのプログラムを記録したコンピュータ読み取り可能な記録媒体 | |
KR20220116719A (ko) | 모바일 메신저에 게시된 상품판매정보를 수집하여 제공하기 위한 장치 및 이를 위한 방법 | |
JP6081702B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
KR102662437B1 (ko) | Ocr 기반 관광안내 서비스 제공 시스템 | |
JP6909834B2 (ja) | 情報処理システム、情報処理装置、コンピュータプログラム及び情報処理方法 | |
CN115086769A (zh) | 基于iptv平台的定位方法及装置、存储介质、电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40020204 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |