CN111984856A - 信息推送方法、装置、服务器及计算机可读存储介质 - Google Patents
信息推送方法、装置、服务器及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111984856A CN111984856A CN201910678050.8A CN201910678050A CN111984856A CN 111984856 A CN111984856 A CN 111984856A CN 201910678050 A CN201910678050 A CN 201910678050A CN 111984856 A CN111984856 A CN 111984856A
- Authority
- CN
- China
- Prior art keywords
- information
- recommendation
- user
- users
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000008859 change Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 4
- 238000002789 length control Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 description 33
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种信息推送方法、装置、服务器及计算机可读存储介质，涉及互联网技术领域，其中，该方法包括：根据推荐主题的特征信息和全局用户的特征信息，确定推荐主题的推荐信息的预估点击率；根据所述预估点击率，从所述全局用户中确定目标用户；向所述目标用户发送所述推荐主题的推荐信息。本申请实施例根据预估点击率从全局用户中选取点击推荐消息的概率较高的目标用户，可以有选择性的向不同的用户发送推荐消息，从而提高推荐消息的点击率和转化率。
Description
技术领域
本申请涉及互联网技术领域，具体而言，涉及一种信息推送方法、装置、服务器及计算机可读存储介质。
背景技术
随着互联网的不断发展，流量分发平台可以向平台内的各个用户发送推荐信息，使得用户阅读接收的推荐信息。
相关技术中，可以针对大量的推荐信息推送至平台的多个用户，以提高各个推荐信息的点击率和转化率。但是，在流量资源有限的情况下，仅能向有限的用户推销推荐信息。
因此，亟需一种信息推送方法，能够在有限流量资源的情况下，提高各个推荐信息的点击率和转化率。
发明内容
有鉴于此，本申请实施例的目的在于提供一种信息推送方法、装置、服务器及计算机可读存储介质，能够通过局部用户确定预估点击率，从而通过预估点击率选取目标用户，提高推荐信息的点击率和转化率。
根据本申请的第一个方面，提供一种信息推送方法，包括：
根据推荐主题的特征信息和全局用户的特征信息，确定所述推荐主题的推荐信息的预估点击率；
根据所述预估点击率，从所述全局用户中确定目标用户；
向所述目标用户发送所述推荐主题的推荐信息。
在一些实施例中，所述根据推荐主题的特征信息和全局用户的特征信息，确定所述推荐主题的推荐信息的预估点击率，包括：
从所述全局用户中随机选取多个用户作为局部用户；
根据所述推荐主题的特征信息和所述局部用户的特征信息，采用轨迹跟踪的方式，确定所述局部用户的观察参数，所述观察参数用于表示所述局部用户中每个用户对应的流量资源；
根据所述推荐主题的特征信息和所述局部用户的观察参数，确定所述推荐主题的推荐信息的预估点击率。
在一些实施例中，所述根据所述推荐主题的特征信息和所述局部用户的特征信息，采用轨迹跟踪的方式，确定所述局部用户的观察参数，包括：
根据所述推荐主题的特征信息和所述局部用户的特征信息，采用轨迹跟踪的方式，确定所述推荐主题的特征信息和所述局部用户中每个用户的特征信息之间的特征距离，以及，所述推荐主题的特征信息和所述局部用户中每个用户的特征信息之间的特征变化速度；
根据所述特征距离和所述特征变化速度，确定所述局部用户的观察参数。
在一些实施例中，所述根据所述推荐主题的特征信息和所述局部用户的观察参数，确定所述推荐主题的推荐信息的预估点击率，包括：
确定所述局部用户的观察参数是否满足预设的约束条件；
若所述局部用户的观察参数不满足所述约束条件，根据预设的步长控制参数、预设的特征变化速度的权重、所述特征距离和所述特征变化速度，对所述局部用户的观察参数进行更新；
根据所述推荐主题的特征信息和更新后的所述局部用户的观察参数，确定所述推荐主题的推荐信息的预估点击率。
在一些实施例中，所述根据所述预估点击率，从所述全局用户中确定目标用户，包括：
根据所述预估点击率和预先设置的预设参与度，确定所述全局用户中各用户的预估参与度；
根据所述全局用户中各用户的预估参与度，从所述全局用户中选取预估参与度最大的至少一个用户作为所述目标用户。
在一些实施例中，在所述根据推荐主题的特征信息和全局用户的特征信息，确定所述推荐主题的推荐信息的预估点击率之前，所述方法还包括：
获取所述推荐主题的初始特征信息；
对所述初始特征信息进行映射，得到所述推荐主题的特征信息，所述推荐主题的特征信息的维度大于所述初始特征信息的维度。
在一些实施例中，在所述对所述初始特征信息进行映射，得到所述推荐主题的特征信息之前，所述方法还包括：
对所述初始特征信息进行归一化，得到归一化的初始特征信息；
所述对所述初始特征信息进行映射，得到所述推荐主题的特征信息，包括：
对所述归一化的初始特征信息进行映射，得到所述推荐主题的特征信息。
在一些实施例中，所述推荐主题的特征信息包括下述至少一类的特征信息：用户画像信息、订单特征信息、访问特征信息、活动券属性信息、文档特征信息和历史主题特征信息。
根据本申请的第二个方面，提供一种信息推送装置，包括：
点击率确定模块，用于根据推荐主题的特征信息和全局用户的特征信息，确定所述推荐主题的推荐信息的预估点击率；
用户确定模块，用于根据所述预估点击率，从所述全局用户中确定目标用户；
发送模块，用于向所述目标用户发送所述推荐主题的推荐信息。
在一些实施例中，所述点击率确定模块，还用于从所述全局用户中随机选取多个用户作为局部用户；根据所述推荐主题的特征信息和所述局部用户的特征信息，采用轨迹跟踪的方式，确定所述局部用户的观察参数，所述观察参数用于表示所述局部用户中每个用户对应的流量资源；根据所述推荐主题的特征信息和所述局部用户的观察参数，确定所述推荐主题的推荐信息的预估点击率。
在一些实施例中，所述点击率确定模块，还用于根据所述推荐主题的特征信息和所述局部用户的特征信息，采用轨迹跟踪的方式，确定所述推荐主题的特征信息和所述局部用户中每个用户的特征信息之间的特征距离，以及，所述推荐主题的特征信息和所述局部用户中每个用户的特征信息之间的特征变化速度；根据所述特征距离和所述特征变化速度，确定所述局部用户的观察参数。
在一些实施例中，所述点击率确定模块，还用于确定所述局部用户的观察参数是否满足预设的约束条件；若所述局部用户的观察参数不满足所述约束条件，根据预设的步长控制参数、预设的特征变化速度的权重、所述特征距离和所述特征变化速度，对所述局部用户的观察参数进行更新；根据所述推荐主题的特征信息和更新后的所述局部用户的观察参数，确定所述推荐主题的推荐信息的预估点击率。
在一些实施例中，所述用户确定模块，还用于根据所述预估点击率和预先设置的预设参与度，确定所述全局用户中各用户的预估参与度；根据所述全局用户中各用户的预估参与度，从所述全局用户中选取预估参与度最大的至少一个用户作为所述目标用户。
在一些实施例中，所述装置还包括：
获取模块，用于获取所述推荐主题的初始特征信息；
映射模块，用于对所述初始特征信息进行映射，得到所述推荐主题的特征信息，所述推荐主题的特征信息的维度大于所述初始特征信息的维度。
在一些实施例中，所述装置还包括：
归一化模块，用于对所述初始特征信息进行归一化，得到归一化的初始特征信息；
所述映射模块，还用于对所述归一化的初始特征信息进行映射，得到所述推荐主题的特征信息。
在一些实施例中，所述推荐主题的特征信息包括下述至少一类的特征信息：用户画像信息、订单特征信息、访问特征信息、活动券属性信息、文档特征信息和历史主题特征信息。
根据本申请的第三个方面，提供一种服务器，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当服务器运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如第一方面任一所述的信息推送方法的步骤。
根据本申请的第四个方面，提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面任一所述的信息推送方法的步骤。
基于上述任一方面，本申请提供的信息推送方法、装置、服务器及计算机可读存储介质中，通过根据推荐主题的特征信息和全局用户中的特征信息，确定推荐主题的推荐信息的预估点击率，并根据预估点击率，从全局用户中确定目标用户，再向目标用户发送推荐主题的推荐信息。实现了根据预估点击率从全局用户中选取点击推荐消息的概率较高的目标用户，可以有选择性的向不同的用户发送推荐消息，从而提高推荐消息的点击率和转化率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请一实施例提供的信息推送***的框图；
图2示出了本申请一实施例所提供的信息推送方法的流程示意图；
图3示出了本申请另一实施例所提供的信息推送方法的流程示意图；
图4示出了本申请又一实施例所提供的信息推送方法的流程示意图；
图5示出了本申请一实施例提供的信息推送装置的框图；
图6示出了本申请另一实施例提供的信息推送装置的框图；
图7示出了本申请又一实施例提供的信息推送装置的框图；
图8示出了本申请一实施例提供的服务器的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“信息推送”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕信息推送进行描述，但是应该理解，这仅是一个示例性实施例。例如可以应用于互联网中各种场景的信息推送，例如客户端向用户推送信息、网页向客户推送信息，也可以包括其他方式，例如通过短信、即时通讯等向用户推送各类信息等，本申请都不作限制。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
在本申请提出申请之前，在有限流量资源的情况下，无法精准地向不同用户推送不同的推荐信息，从而导致推荐信息的点击率和转化率较低的问题。本申请实施例提供一种信息推送方法，来实现针对性向目标用户推送对应的推送信息。
图1示出了本申请一实施例提供的信息推送***的框图。例如，信息推送***100可以应用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务等信息推送平台。信息推送***100可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140和数据库150中的一种或多种，服务器110中可以包括执行指令操作的处理器。当然，某些应用场景下可以不区分服务请求方终端130、服务提供方终端140，可以将用户终端作为统称。
在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式***)。在一些实施例中，服务器110相对于终端，可以是本地的、也可以是远程的。例如，服务器110可以经由网络120访问存储在服务请求方终端130、服务提供方终端140、或数据库150、或其任意组合中的信息和/或数据。作为另一示例，服务器110可以直接连接到服务请求方终端130、服务提供方终端140和数据库150中至少一个，以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。
在一些实施例中，服务器110可以包括处理器。处理器可以处理与信息推送有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理器可以基于数据库150中存储的数据，从大量用户中选取点击推荐信息的概率较高的用户作为目标用户。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用指令集处理器(ApplicationSpecific Instruction-set Processor，ASIP)、图形处理单元(Graphics ProcessingUnit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(DigitalSignal Processor，DSP)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing，RISC)、或微处理器等，或其任意组合。
网络120可以用于信息和/或数据的交换。在一些实施例中，信息推送***100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140和数据库150)可以向其他组件发送信息和/或数据。例如，服务器110可以经由网络120向目标用户对应的服务请求方终端130或服务提供方终端140发送推荐信息。在一些实施例中，网络120可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络120可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched Telephone Network，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等，或其任意组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换节点，信息推送***100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中，服务请求方终端130可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。
在一些实施例中，服务提供方终端140可以是与服务请求方终端130类似或相同的设备。在一些实施例中，服务提供方终端140可以是具有定位技术的设备，用于定位服务提供方和/或服务提供方终端的位置。在一些实施例中，服务请求方终端130和/或服务提供方终端140可以与其他定位设备通信以确定服务请求方、服务请求方终端130、服务提供方、或服务提供方终端140、或其任意组合的位置。在一些实施例中，服务请求方终端130和/或服务提供方终端140可以将定位信息发送给服务器110。
数据库150可以存储数据和/或指令。在一些实施例中，数据库150可以存储从服务请求方终端130和/或服务提供方终端140获得的数据。例如，数据库150可以存储用户通过服务请求方终端130和/或服务提供方终端140注册的用户信息(如用户资料和标识信息等)和用户参与的主题活动(如车辆短租主题活动和加油日主题活动等)。在一些实施例中，数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory，ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(Random Access Memory，RAM)；RAM可以包括动态RAM(Dynamic Random Access Memory，DRAM)，双倍数据速率同步动态RAM(Double Date-RateSynchronous RAM，DDR SDRAM)；静态RAM(Static Random-Access Memory，SRAM)，晶闸管RAM(Thyristor-Based Random Access Memory，T-RAM)和零电容器RAM(Zero-RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read-Only Memory，MROM)、可编程ROM(ProgrammableRead-Only Memory，PROM)、可擦除可编程ROM(Programmable Erasable Read-onlyMemory，PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read onlymemory，EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中，数据库150可以在云平台上实现。仅作为示例，云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等，或其任意组合。
在一些实施例中，数据库150可以连接到网络120以与信息推送***100(例如，服务器110，服务请求方终端130，服务提供方终端140等)中的一个或多个组件通信。信息推送***100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中，数据库150可以直接连接到信息推送***100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140等)；或者，在一些实施例中，数据库150也可以是服务器110的一部分。
在一些实施例中，信息推送***100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140等)可以具有访问数据库150的权限。在一些实施例中，当满足一定条件时，信息推送***100中的一个或多个组件可以读取和/或修改与服务请求方、服务提供方、或公众、或其任意组合有关的信息。例如，服务器110可以在接收服务请求之后读取和/或修改一个或多个用户的信息。
需要说明的是，服务器110在执行本申请实施例所描述的信息推送方法的过程中，可以根据确定的目标用户的标识信息，向目标用户对应的终端发送与推荐主题相对应的推荐信息。
图2示出了本申请一实施例所提供的信息推送方法的流程示意图。该方法的执行主体可以是如图1中所示的服务器。如图2所示，该方法包括：
步骤201、根据推荐主题的特征信息和全局用户的特征信息，确定推荐主题的推荐信息的预估点击率。
全局用户可以指以某平台、或多个平台为主体，注册的所有用户，在这些用户中挑选想要发送某推荐主题所对应推送信息的目标用户。
其中，推荐信息可以为向用户推送的、用于介绍与推荐主题相对应的主题活动、咨询、服务等相关信息。预估点击率可以表示每个用户可能点击查阅推荐信息的概率。
在一种可选实施方式中，服务器可以先获取推荐主题的特征信息，再获取全局用户中每个用户的特征信息，再将用户的特征信息与推荐主题的特征信息进行比较分析，得到每个用户针对该推荐主题的推荐信息的预估点击率。
步骤202、根据预估点击率，从全局用户中确定目标用户。
在得到预估点击率后，可以根据每个用户的预估点击率，估计向各个用户发送推荐消息后可能达到的用户参与推荐主题对应的主题活动的效果，进而在有限的流量资源的情况下，根据各个用户参与推荐主题对应的主题活动的效果，选取预设数目的用户作为目标用户，以便在后续步骤中，可以向目标用户发送推荐信息。
步骤203、向目标用户发送推荐主题的推荐信息。
服务器在选取得到目标用户后，可以根据目标用户中各个用户的标识信息向各个用户发送推荐信息，以便接收该推荐信息的用户对推荐信息进行点击查阅，以提高推荐信息的点击率和转换率。
其中，用户的标识信息可以为在平台注册时的ID(Identification，身份)信息(如用户名)、联系信息(如手机号码、第三方应用号码)等，本申请实施例对此不做限定。
需要说明的是，在实际应用中，可以基于多个推荐主题向用户发送推荐信息，而本申请仅以一个推荐主题为例进行说明，对推荐主题的数目不做限定。
例如，针对某一个推荐主题对应的推荐信息，可以向多个用户发送该推荐信息，但是针对另一个推荐主题对应的推荐信息，受到流量资源的限制的情况下，则可能不向任何用户发送该推荐信息。
综上所述，本申请实施例提供的信息推送方法，通过根据推荐主题的特征信息和全局用户中局部用户的特征信息，确定推荐主题的推荐信息的预估点击率，并根据预估点击率，从全局用户中确定目标用户，再向目标用户发送推荐主题的推荐信息。实现了可以有选择性的向不同的用户发送更加匹配的推荐消息，从而提高推荐消息的点击率和转化率。
图3示出了本申请另一实施例所提供的信息推送方法的流程示意图。在上述实施例的基础上，为了减少运算量，可以进一步从全局用户中筛选局部用户进行运算。在一种可选实施方式中，服务器可以根据局部用户中各个用户的特征信息和预估点击率，在全局用户中查找与局部用户中各个用户的特征信息类似的用户，从而将局部用户中某个用户的预估点击率作为与该用户类似用户的预估点击率，进而估计得到全局用户中每个用户的预估点击率。例如，对于局部用户中的每个用户，服务器可以先获取该用户的特征信息，并在全局用户中查找匹配与该用户的特征信息类似的用户，若在全局用户中查找到与该用户的特征信息类似的用户，则可以将该局部用户的预估点击率也作为该全局用户中类似的用户的预估点击率。
如图3所示，上述根据推荐主题的特征信息和全局用户的特征信息，确定推荐主题的推荐信息的预估点击率包括：
步骤301、从全局用户中随机选取多个用户作为局部用户。
由于采用全局用户的特征信息进行计算，计算量巨大，为了节约计算资源，且避免运算时间过长，可以从全局用户中选取部分用户作为局部用户，并根据推荐主题的特征信息和局部用户中每个用户的特征信息进行匹配，分析得到针对该推荐主题的推荐信息的预估点击率。
例如，在随机选取局部用户的过程中，可以在千万级数量的全局用户中，随机选取十万级数量的用户作为局部用户。
步骤302、根据推荐主题的特征信息和局部用户的特征信息，采用轨迹跟踪的方式，确定局部用户的观察参数。
其中，观察参数用于表示局部用户中每个用户对应的流量资源。例如，可以通过调整观察参数的大小，实现对推荐主题的流量和预估点击率的精确度的调整，若观察参数较大，则推荐主题能够获取的流量较大，但是预估点击率的精确度较低。
在一种可选实施方式中，服务器可以先从全局用户中随机选取局部用户，对局部用户中每个用户的特征信息和推荐主题的特征信息进行比较分析，得到局部用户的观察参数。
进一步地，在确定观察参数的过程中，可以根据推荐主题的特征信息和局部用户的特征信息，采用轨迹跟踪的方式，确定推荐主题的特征信息和局部用户中每个用户的特征信息之间的特征距离，以及，推荐主题的特征信息和局部用户中每个用户的特征信息之间的特征变化速度，再根据特征距离和特征变化速度，确定局部用户的观察参数。
例如，可以将推荐主题的特征信息与每个用户的特征信息进行比较计算，得到两个特征信息之间的欧式距离，并将该欧式距离作为推荐主题的特征信息与局部用户中每个用户的特征信息之间的特征距离。
步骤303、根据推荐主题的特征信息和局部用户的观察参数，确定推荐主题的推荐信息的预估点击率。
在得到局部用户的观察参数后，可以根据该观察参数并结合推荐主题的特征信息，分析计算得到推荐主题的推荐信息的预估点击率。但是，观察参数需要满足一定的约束条件，则在确定预估点击率之前，可以先确定观察参数是否满足预先设置的约束条件。
若观察参数不满足预先设置的约束条件，则需要对观察参数更新，直至更新的观察参数满足约束条件后，才能根据更新的观察参数计算预估点击率。
可选地，可以先确定局部用户的观察参数是否满足预设的约束条件，若局部用户的观察参数不满足约束条件，则可以根据预设的步长控制参数、预设的特征变化速度的权重、所述特征距离和所述特征变化速度，对局部用户的观察参数进行更新，再根据推荐主题的特征信息和更新后的局部用户的观察参数，确定推荐主题的推荐信息的预估点击率。
例如，可以通过公式
wij＝1和λ≥0判断观察参数λk是否满足约束条件，
用于表示k取值为j时，
和
能够获取得到最大值，其中，Cik表示第i个用户点击第k个推荐主题的推荐信息的点击率，λk表示第k个推荐主题对应的观察参数，Rk表示第k个推荐主题对应的预设参与度，L为确定性推荐主题的数量，M为待发的推荐信息的数量。
其中，该预设参与度用于表示用户在收到推荐信息后，参与该推荐主题所对应活动的可能性。可选地，可以根据参与度评估推荐主题对应的预设收益，例如，Rk可以表示第k个推荐主题对应的预设收益，在此不具体限制。
需要说明的是，确定性推荐主题可以表示优先级比较高的，大概率会执行的活动的推荐主题。例如双十一的活动，必须要求有2000人参加，那么我们需要保证该活动至少有2000个用户。有些活动是用户报名主动参加的，那么也要保证已经有用户报名的活动举行。
若观察参数不满足约束条件，则可以通过公式λj1＝λj0-α*(ΔSj+βΔvj)对观察参数进行更新，从而得到更新后的观察参数。其中，λj1为更新后的观察参数，λj0为更新前的观察参数，ΔSj为特征距离，Δvj为特征变化速度，α为预设的步长控制参数，β为预设的特征变化速度的权重。例如，α可以为0.2，β可以为0.8。
综上所述，本申请实施例提供的信息推送方法，通过从全局用户中随机选取多个用户作为局部用户，并根据推荐主题的特征信息和局部用户的特征信息，采用轨迹跟踪的方式，确定局部用户的观察参数，最后根据推荐主题的特征信息和局部用户的观察参数，确定推荐主题的推荐信息的预估点击率。通过针对全局用户中的局部用户确定预估点击率，可以避免无法针对大量数据进行优化的问题，减少了服务器的运算量，提高了确定预估点击率的效率。
图4示出了本申请又一实施例所提供的信息推送方法的流程示意图。该方法的执行主体可以是如图1中所示的服务器。如图4所示，该方法包括：
步骤401、获取推荐主题的特征信息。
其中，推荐主题的特征信息可以包括下述至少一类的特征信息：用户画像信息、订单特征信息、访问特征信息、活动券属性信息、文档特征信息和历史主题特征信息。
为了从全局用户中选取点击推荐信息概率较高的目标用户，可以根据各个用户的特征信息与推荐主题的特征信息进行比较分析，确定对该推荐信息感兴趣、点击该推荐信息的概率较高的目标用户。
而对特征信息进行比较分析之前，服务器可以先获取针对推荐主题的特征信息，以便在后续步骤中，可以根据推荐主题的特征信息，确定目标用户。
向用户发送推荐信息的信息平台中可以存储有多个推荐主题的数据，若需要对某个推荐主题的推荐信息进行推送，则可以先获取该推荐主题的数据，从而根据该推荐主题的数据提取得到该推荐主题的特征信息。
可选地，服务器可以获取推荐主题的初始特征信息，并对初始特征信息进行映射，得到推荐主题的特征信息，其中推荐主题的特征信息的维度大于初始特征信息的维度。
在一种可选实施方式中，服务器可以对信息平台中推荐主题的数据进行提取量化，得到初始特征信息，再根据神经网络的映射方式对初始特征信息进行映射，得到维度更高、信息更丰富的特征主题的特征信息。
进一步地，为了减少服务器的计算量，可以在对初始特征信息进行映射之前，对初始特征信息进行归一化，得到归一化的初始特征信息，相对应的，在映射得到特征信息的过程中，则可以对归一化的初始特征信息进行映射，得到推荐主题的特征信息。
步骤402、根据推荐主题的特征信息和全局用户的特征信息，确定推荐主题的推荐信息的预估点击率。
可选地，在得到推荐主题的特征信息后，则可以在全局用户中随机选取局部用户，并根据选取的局部用户确定针对该推荐主题的推荐信息的预估点击率。
由于本步骤402中确定预估点击率的过程，与步骤301至步骤303中确定预估点击率的过程类似，在此不再赘述。
步骤403、根据预估点击率，从全局用户中确定目标用户。
在得到预估点击率后，可以根据预估点击率以及预先设置的预设参与度和预估参与度算法，计算得到向每个用户发送推荐信息后，每个用户对应的预估参与度，从而可以根据各个预估参与度的大小，在有限的流量资源中，选取最大预估参与度对应的各个用户作为目标用户。
其中，预估参与度可以包括用户实际参加活动的可能性、可能消费或参与相关活动的可能性等。也即是，该预估参与度用于表示用户在收到推荐信息后，参与该推荐信息所对应的推荐主题的主题活动的可能性。例如，若某个用户收到推荐信息后，点击该推荐信息，并且一定会参与该推荐信息对应的主题活动，则该用户对应的预估参与度可以为1，类似的，若该用户一定不会参与该推荐信息对应的主题活动，则该用户对应的预估参与度可以为0。
可选地，服务器可以根据预估点击率和预先设置的预设参与度，确定全局用户中各用户的预估参与度，再根据全局用户中各用户的预估参与度，从全局用户中选取预估参与度最大的至少一个用户作为目标用户。
在一种可选实施方式中，可以获取每个用户的预估点击率，并结合预先设计的预设参与度，通过预先设置的预估参与度算法进行计算，分别将预估点击率和预设参与度对应的参数值带入预估参与度算法中，得到每个用户的预估参与度，再根据有限的流量资源，选取最大预估参与度所对应的至少一个用户作为目标用户。
进一步地，在实际应用中，可以基于多个推荐主题选取目标用户，但是为了避免对用户造成打扰，可以仅向一个用户发送一条推荐信息，从而对确定目标用户的方式进行限定。另外，针对部分具有流量要求的推荐主题，也可以针对推荐主题的流量要求对确定目标用户的方式进行限定。
其中，推荐主题可以对应多个方面，例如，推荐主题可以对应包括租车、分时、加油、维保、充电和车生活在内的多个方面的内容，而每个方面的内容可以包括多个推荐主题。例如，租车方面内容对应的推荐主题可以包括融租主题活动和短租主题活动；分时方面内容对应的推荐主题可以包括红包主题活动和组合主题活动；加油方面内容对应的推荐主题可以包括学习主题活动和加油日主题活动；维保方面内容对应的推荐主题可以包括电销主题活动和自动营销主题活动；充电方面内容对应的推荐主题可以包括特价抽奖主题活动和开城来信主题活动；车生活方面内容对应的推荐主题可以包括社区运营主题活动。
与上述选取最大预估参与度所对应的至少一个用户作为目标用户的过程相对应的，基于多个推荐主题的推荐信息，可以根据各个推荐主题和各个用户生成分配矩阵，并通过预估参与度算法计算得到各个用户分别点击每个推荐主题的推荐信息所产生的预估参与度，从而根据各个预估参与度对分配矩阵进行填充，从而得到在有限的流量资源中，从至少一个用户中选取得到目标用户，使得向目标用户发送推荐信息的预估参与度最大。
例如，若全局用户的数量为5千万，而推荐主题的数量为100，则可以全局用户和多个推荐主题生成一个分配矩阵W，分配矩阵W的行向量(或列向量)可以为用户，列向量(或行向量)可以为推荐主题，并通过每个用户是否点击各个推荐主题的所产生的预估参与度，填充分配矩阵W。再结合有限的流量资源、上述仅向一个用户发送一条推荐信息和具有流量要求的推荐主题的限定，将分配矩阵W形式化为整数规划的问题，最后求解得到全局用户中的目标用户。
可选地，可以通过预估参与度算法对应的公式
求解得到上述目标用户，而约束条件可以包括∑jwij-1＝0和bjε-∑iwij≤0，其中，wij用于表示第i个用户是否点击第j个推荐主题的推荐信息，若点击wij为1，不点击wij为0；Cij用于表示第i个用户点击第j个推荐主题的推荐信息的概率，Rj用于表示点击第j个推荐主题的推荐信息所对应的预设参与度，bj为第j个推荐主题的流量要求，ε为流量满足率，N为全局用户的用户数量，M为有限的流量资源，例如可以为可发送的推荐消息的总量。综上，可以确定公式
用于表示负值预估参与度的最小值，也即是，正值预估参与度的最大值。通过确定预估参与度的最大值，即可确定wij中第i个用户是否需要点击第j个推荐主题的推荐信息，从而将wij取值为1的第i个用户确定为目标用户。
步骤404、向目标用户发送推荐主题的推荐信息。
需要说明的是，在实际应用中，通过AB试验(一种试验方式)可以获知，采用上述方法向目标用户发送推荐信息后，推荐信息的总体点击率得到了20％的提高。而且，采用上述方法仅需2小时即可在数量级为百亿级的决策变量中求解得到目标用户。
综上所述，本申请实施例提供的信息推送方法，通过根据推荐主题的特征信息和全局用户中局部用户的特征信息，确定推荐主题的推荐信息的预估点击率，并根据预估点击率，从全局用户中确定目标用户，再向目标用户发送推荐主题的推荐信息。通过根据预估点击率从全局用户中选取点击推荐消息的概率较高的目标用户，可以有选择性的向不同的用户发送推荐消息，从而提高推荐消息的点击率和转化率。
进一步地，通过针对全局用户中的局部用户确定预估点击率，可以避免无法针对大量数据进行优化的问题，减少了服务器的运算量，提高了确定预估点击率的效率。
图5示出了本申请一实施例提供的信息推送装置的框图，该信息推送装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图所示，信息推送装置可以包括：点击率确定模块501、用户确定模块502和发送模块503。
该点击率确定模块501，用于根据推荐主题的特征信息和全局用户的特征信息，确定该推荐主题的推荐信息的预估点击率；
该用户确定模块502，用于根据该预估点击率，从该全局用户中确定目标用户；
该发送模块503，用于向该目标用户发送该推荐主题的推荐信息。
可选地，该点击率确定模块501，还用于从该全局用户中随机选取多个用户作为局部用户；根据该推荐主题的特征信息和该局部用户的特征信息，采用轨迹跟踪的方式，确定该局部用户的观察参数，该观察参数用于表示该局部用户中每个用户对应的流量资源；根据该推荐主题的特征信息和该局部用户的观察参数，确定该推荐主题的推荐信息的预估点击率。
可选地，该点击率确定模块501，还用于根据该推荐主题的特征信息和该局部用户的特征信息，采用轨迹跟踪的方式，确定该推荐主题的特征信息和该局部用户中每个用户的特征信息之间的特征距离，以及，该推荐主题的特征信息和该局部用户中每个用户的特征信息之间的特征变化速度；根据该特征距离和该特征变化速度，确定该局部用户的观察参数。
可选地，该点击率确定模块501，还用于确定该局部用户的观察参数是否满足预设的约束条件；若该局部用户的观察参数不满足该约束条件，根据预设的参数控制步长、预设的特征变化速度的权重、该特征距离和该特征变化速度，对该局部用户的观察参数进行更新；根据该推荐主题的特征信息和更新后的该局部用户的观察参数，确定该推荐主题的推荐信息的预估点击率。
可选地，该用户确定模块502，还用于根据该预估点击率和预先设置的预设参与度，确定该全局用户中各用户的预估参与度；根据该全局用户中各用户的预估参与度，从该全局用户中选取预估参与度最大的至少一个用户作为该目标用户。
可选地，参见图6，该装置还包括：
获取模块504，用于获取该推荐主题的初始特征信息；
映射模块505，用于对该初始特征信息进行映射，得到该推荐主题的特征信息，该推荐主题的特征信息的维度大于该初始特征信息的维度。
可选地，参见图7，该装置还包括：
归一化模块506，用于对该初始特征信息进行归一化，得到归一化的初始特征信息；
该映射模块505，还用于对该归一化的初始特征信息进行映射，得到该推荐主题的特征信息。
可选地，该推荐主题的特征信息包括下述至少一类的特征信息：用户画像信息、订单特征信息、访问特征信息、活动券属性信息、文档特征信息和历史主题特征信息。
综上所述，本申请实施例提供的信息推送装置，通过根据推荐主题的特征信息和全局用户中局部用户的特征信息，确定推荐主题的推荐信息的预估点击率，并根据预估点击率，从全局用户中确定目标用户，再向目标用户发送推荐主题的推荐信息。通过根据预估点击率从全局用户中选取点击推荐消息的概率较高的目标用户，可以有选择性的向不同的用户发送推荐消息，从而提高推荐消息的点击率和转化率。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
需要说明的是，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Singnal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上***(System-on-a-chip，简称SOC)的形式实现。
图8本申请一实施例提供的服务器的结构示意图，如图8所示，该装置包括：处理器801、存储介质802和总线803，其中：
存储介质802存储有所述处理器801可执行的机器可读指令，当服务器运行时，所述处理器801与所述存储介质802之间通过总线803通信，所述处理器801执行所述机器可读指令，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种程序产品，例如计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序在被处理器执行时用于执行上述方法实施例。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种信息推送方法，其特征在于，包括：
根据推荐主题的特征信息和全局用户的特征信息，确定所述推荐主题的推荐信息的预估点击率；
根据所述预估点击率，从所述全局用户中确定目标用户；
向所述目标用户发送所述推荐主题的推荐信息。
2.根据权利要求1所述的方法，其特征在于，所述根据推荐主题的特征信息和全局用户的特征信息，确定所述推荐主题的推荐信息的预估点击率，包括：
从所述全局用户中随机选取多个用户作为局部用户；
根据所述推荐主题的特征信息和所述局部用户的特征信息，采用轨迹跟踪的方式，确定所述局部用户的观察参数，所述观察参数用于表示所述局部用户中每个用户对应的流量资源；
根据所述推荐主题的特征信息和所述局部用户的观察参数，确定所述推荐主题的推荐信息的预估点击率。
3.根据权利要求2所述的方法，其特征在于，所述根据所述推荐主题的特征信息和所述局部用户的特征信息，采用轨迹跟踪的方式，确定所述局部用户的观察参数，包括：
根据所述推荐主题的特征信息和所述局部用户的特征信息，采用轨迹跟踪的方式，确定所述推荐主题的特征信息和所述局部用户中每个用户的特征信息之间的特征距离，以及，所述推荐主题的特征信息和所述局部用户中每个用户的特征信息之间的特征变化速度；
根据所述特征距离和所述特征变化速度，确定所述局部用户的观察参数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述推荐主题的特征信息和所述局部用户的观察参数，确定所述推荐主题的推荐信息的预估点击率，包括：
确定所述局部用户的观察参数是否满足预设的约束条件；
若所述局部用户的观察参数不满足所述约束条件，根据预设的步长控制参数、预设的特征变化速度的权重、所述特征距离和所述特征变化速度，对所述局部用户的观察参数进行更新；
根据所述推荐主题的特征信息和更新后的所述局部用户的观察参数，确定所述推荐主题的推荐信息的预估点击率。
5.根据权利要求1所述的方法，其特征在于，所述根据所述预估点击率，从所述全局用户中确定目标用户，包括：
根据所述预估点击率和预先设置的预设参与度，确定所述全局用户中各用户的预估参与度；
根据所述全局用户中各用户的预估参与度，从所述全局用户中选取预估参与度最大的至少一个用户作为所述目标用户。
6.根据权利要求1所述的方法，其特征在于，在所述根据推荐主题的特征信息和全局用户的特征信息，确定所述推荐主题的推荐信息的预估点击率之前，所述方法还包括：
获取所述推荐主题的初始特征信息；
对所述初始特征信息进行映射，得到所述推荐主题的特征信息，所述推荐主题的特征信息的维度大于所述初始特征信息的维度。
7.根据权利要求6所述的方法，其特征在于，在所述对所述初始特征信息进行映射，得到所述推荐主题的特征信息之前，所述方法还包括：
对所述初始特征信息进行归一化，得到归一化的初始特征信息；
所述对所述初始特征信息进行映射，得到所述推荐主题的特征信息，包括：
对所述归一化的初始特征信息进行映射，得到所述推荐主题的特征信息。
8.一种信息推送装置，其特征在于，包括：
点击率确定模块，用于根据推荐主题的特征信息和全局用户的特征信息，确定所述推荐主题的推荐信息的预估点击率；
用户确定模块，用于根据所述预估点击率，从所述全局用户中确定目标用户；
发送模块，用于向所述目标用户发送所述推荐主题的推荐信息。
9.一种服务器，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述服务器运行时，所述处理器与所述存储介质之间通过所述总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1至7任一所述的信息推送方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的信息推送方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910678050.8A CN111984856A (zh) | 2019-07-25 | 2019-07-25 | 信息推送方法、装置、服务器及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910678050.8A CN111984856A (zh) | 2019-07-25 | 2019-07-25 | 信息推送方法、装置、服务器及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111984856A true CN111984856A (zh) | 2020-11-24 |
Family
ID=73436753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910678050.8A Pending CN111984856A (zh) | 2019-07-25 | 2019-07-25 | 信息推送方法、装置、服务器及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111984856A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112559880A (zh) * | 2020-12-24 | 2021-03-26 | 百果园技术(新加坡)有限公司 | 一种信息推荐的管理方法、***、设备及存储介质 |
| CN112925982A (zh) * | 2021-03-12 | 2021-06-08 | 上海意略明数字科技股份有限公司 | 用户重定向方法及装置、存储介质、计算机设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130275580A1 (en) * | 2012-04-11 | 2013-10-17 | Taboola.Com Ltd. | Click through rate estimation in varying display situations |
| CN105701191A (zh) * | 2016-01-08 | 2016-06-22 | 腾讯科技（深圳）有限公司 | 一种推送信息点击率估计方法和装置 |
| CN108363804A (zh) * | 2018-03-01 | 2018-08-03 | 浙江工业大学 | 基于用户聚类的局部模型加权融合Top-N电影推荐方法 |
| CN108763362A (zh) * | 2018-05-17 | 2018-11-06 | 浙江工业大学 | 基于随机锚点对选择的局部模型加权融合Top-N电影推荐方法 |
| CN109145210A (zh) * | 2018-08-17 | 2019-01-04 | 腾讯科技（深圳）有限公司 | 一种信息推荐的方法、装置及存储介质 |
| WO2019024495A1 (zh) * | 2017-08-04 | 2019-02-07 | 平安科技（深圳）有限公司 | 应用主题的推送终端、方法及计算机可读存储介质 |
| CN109753601A (zh) * | 2018-11-28 | 2019-05-14 | 北京奇艺世纪科技有限公司 | 推荐信息点击率确定方法、装置及电子设备 |
| CN109829116A (zh) * | 2019-02-14 | 2019-05-31 | 北京达佳互联信息技术有限公司 | 一种内容推荐方法、装置、服务器及计算机可读存储介质 |
-
2019
- 2019-07-25 CN CN201910678050.8A patent/CN111984856A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130275580A1 (en) * | 2012-04-11 | 2013-10-17 | Taboola.Com Ltd. | Click through rate estimation in varying display situations |
| CN105701191A (zh) * | 2016-01-08 | 2016-06-22 | 腾讯科技（深圳）有限公司 | 一种推送信息点击率估计方法和装置 |
| WO2019024495A1 (zh) * | 2017-08-04 | 2019-02-07 | 平安科技（深圳）有限公司 | 应用主题的推送终端、方法及计算机可读存储介质 |
| CN108363804A (zh) * | 2018-03-01 | 2018-08-03 | 浙江工业大学 | 基于用户聚类的局部模型加权融合Top-N电影推荐方法 |
| CN108763362A (zh) * | 2018-05-17 | 2018-11-06 | 浙江工业大学 | 基于随机锚点对选择的局部模型加权融合Top-N电影推荐方法 |
| CN109145210A (zh) * | 2018-08-17 | 2019-01-04 | 腾讯科技（深圳）有限公司 | 一种信息推荐的方法、装置及存储介质 |
| CN109753601A (zh) * | 2018-11-28 | 2019-05-14 | 北京奇艺世纪科技有限公司 | 推荐信息点击率确定方法、装置及电子设备 |
| CN109829116A (zh) * | 2019-02-14 | 2019-05-31 | 北京达佳互联信息技术有限公司 | 一种内容推荐方法、装置、服务器及计算机可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| LEE, H AND PANG, N: "Information scent - credibility and gaze interactions: an eye-tracking analysis in information behaviour", INFORMATION RESEARCH-AN INTERNATIONAL ELECTRONIC JOURNAL, 31 March 2017 (2017-03-31), pages 1613 * |
| 刘忠宝;: "机器学习方法在个性化推荐***中的应用", 情报探索, no. 04, 15 April 2016 (2016-04-15), pages 84 - 86 * |
| 鲁烨芸: "个性化推荐***研究", 中国优秀硕士学位论文全文数据库, 15 March 2017 (2017-03-15), pages 138 - 6293 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112559880A (zh) * | 2020-12-24 | 2021-03-26 | 百果园技术(新加坡)有限公司 | 一种信息推荐的管理方法、***、设备及存储介质 |
| CN112925982A (zh) * | 2021-03-12 | 2021-06-08 | 上海意略明数字科技股份有限公司 | 用户重定向方法及装置、存储介质、计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11631333B2 (en) | Multi-agent reinforcement learning for order-dispatching via order-vehicle distribution matching | |
| CN109872535B (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
| JP2019532372A (ja) | ドライバーの安全性スコアを決定するためのシステムおよび方法 | |
| CN110766937B (zh) | 停车点识别方法、装置、电子设备以及可读存储介质 | |
| CN111275470B (zh) | 服务发起概率预测方法及其模型的训练方法和装置 | |
| CN106651213A (zh) | 服务订单的处理方法及装置 | |
| CN111353092A (zh) | 服务推送方法、装置、服务器及可读存储介质 | |
| CN108074027A (zh) | 纯孤儿单分配方法和装置 | |
| CN111104585B (zh) | 一种问题推荐方法及装置 | |
| CN111367872A (zh) | 用户行为分析方法、装置、电子设备及存储介质 | |
| CN111738778B (zh) | 用户画像生成方法、装置、计算机设备及存储介质 | |
| CN111860927B (zh) | 模型的训练方法、服务请求处理方法、装置、设备及介质 | |
| CN112037775B (zh) | 语音识别方法、装置、设备及存储介质 | |
| CN111984856A (zh) | 信息推送方法、装置、服务器及计算机可读存储介质 | |
| CN111367575A (zh) | 一种用户行为预测方法、装置、电子设备及存储介质 | |
| CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
| CN110796379B (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
| CN110826867B (zh) | 车辆管理方法、装置、计算机设备和存储介质 | |
| CN111859289A (zh) | 交通工具的交易转化率预估方法、装置、电子设备及介质 | |
| CN107203545A (zh) | 一种数据处理方法及装置 | |
| CN114841451A (zh) | 一种司机出行补贴方法、装置和存储介质 | |
| CN111339468B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
| CN111105284B (zh) | 订单处理方法、装置、m层订单处理模型、电子设备及储存介质 | |
| CN111291772B (zh) | 信息的推送方法、装置、电子设备和计算机可读存储介质 | |
| Maity et al. | Data-driven probabilistic energy consumption estimation for battery electric vehicles with model uncertainty |
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 |