CN112449217B - 一种推送视频的方法、装置、电子设备和计算机可读介质 - Google Patents
一种推送视频的方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112449217B CN112449217B CN201910822637.1A CN201910822637A CN112449217B CN 112449217 B CN112449217 B CN 112449217B CN 201910822637 A CN201910822637 A CN 201910822637A CN 112449217 B CN112449217 B CN 112449217B
- Authority
- CN
- China
- Prior art keywords
- video
- user
- target
- message
- characteristic 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/252—Processing of multiple end-users' preferences to derive collaborative data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44213—Monitoring of end-user related data
- H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/4508—Management of client data or end-user data
- H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
- H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4667—Processing of monitored end-user data, e.g. trend analysis based on the log file of viewer selections
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
- H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
- H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Social Psychology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Graphics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种推送视频的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:根据目标用户点击的目标视频,确定所述目标视频对应的用户群;通过所述用户群的特征数据和视频推荐模型,确定待推荐视频;向所述目标用户推送消息;其中,所述消息携带有所述待推荐视频的标识;所述视频推荐模型是基于视频的训练特征数据及其对应的标签数据训练神经网络得到的。该实施方式能够解决推送的视频内容较为单一,且没有区分度的技术问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种推送视频的方法和装置。
背景技术
短视频即短片视频,是一种互联网内容传播方式,一般是在互联网新媒体上传播的时长在5分钟以内的视频;随着移动终端普及和网络的提速,短平快的大流量传播内容逐渐获得各大平台、粉丝和资本的青睐。因此,随着互联网和大数据的发展,刷短视频越来越成为用户休闲娱乐的好方式。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
现有短视频消息中心推送的是用户关注者近期发布或者浏览的同类型视频,推送的视频内容较为单一,且没有区分度,导致用户体验较差。
发明内容
有鉴于此,本发明实施例提供一种推送视频的方法和装置,以解决推送的视频内容较为单一,且没有区分度的技术问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种推送视频的方法,包括:
根据目标用户点击的目标视频,确定所述目标视频对应的用户群;
通过所述用户群的特征数据和视频推荐模型,确定待推荐视频;
向所述目标用户推送消息;
其中,所述消息携带有所述待推荐视频的标识,所述视频推荐模型是基于视频的训练特征数据及其对应的标签数据训练神经网络得到的。
可选地,通过所述用户群的特征数据和视频推荐模型,确定待推荐视频,包括:
根据所述用户群的用户特征数据,确定所述用户群的特征数据;
将所述用户群的特征数据输入到视频推荐模型中,以输出至少一个视频的标识及其对应的预设操作概率;
根据所述预设操作概率的大小,对所述至少一个视频进行降序排列,并从中筛选出预设数量的视频作为待推荐视频。
可选地,根据目标用户点击的目标视频,确定所述目标视频对应的用户群,包括:
根据目标用户点击的目标视频,将关注所述目标视频的各个用户作为所述目标视频对应的用户群;或者,
根据目标用户点击的目标视频,确定发布所述目标视频的发布用户,将关注所述发布用户的各个用户作为所述目标视频对应的用户群。
可选地,所述视频的训练特征数据包括:所述视频的特征数据,所述视频对应的物品的特征数据,对所述物品执行预设操作的用户的特征数据;
所述视频的标签数据包括:是否对所述视频对应的物品执行预设操作,和/或,是否对所述视频执行预设操作。
可选地,向所述目标用户推送消息,包括:
根据消息推送模型确定所述目标用户的消息推送方式;其中,所述消息推送模型是基于消息特征数据及其对应的标签数据训练神经网络得到的;
采用所述消息推送方式向所述目标用户推送消息。
可选地,向所述目标用户推送消息之后,还包括:
根据所述用户群中各个用户的特征数据、各个用户浏览的视频的特征数据以及各个用户浏览视频的时序特征,构建各个用户对应的特征向量;
分别计算各个特征向量之间的相似度,基于相似度由大到小的顺序,从所述用户群中筛选出预设数量的通信用户,在所述通信用户之间建立通信关联关系。
另外,根据本发明实施例的另一个方面,提供了一种推送视频的装置,包括:
用户群模块,用于根据目标用户点击的目标视频,确定所述目标视频对应的用户群;
确定模块,用于通过所述用户群的特征数据和视频推荐模型,确定待推荐视频;
推送模块,用于向所述目标用户推送消息;
其中,所述消息携带有所述待推荐视频的标识;所述视频推荐模型是基于视频的训练特征数据及其对应的标签数据训练神经网络得到的。
可选地,所述确定模块还用于:
根据所述用户群的用户特征数据,确定所述用户群的特征数据;
将所述用户群的特征数据输入到视频推荐模型中,以输出至少一个视频的标识及其对应的预设操作概率;
根据所述预设操作概率的大小,对所述至少一个视频进行降序排列,并从中筛选出预设数量的视频作为待推荐视频。
可选地,所述用户群模块还用于:
根据目标用户点击的目标视频,将关注所述目标视频的各个用户作为所述目标视频对应的用户群;或者,
根据目标用户点击的目标视频,确定发布所述目标视频的发布用户,将关注所述发布用户的各个用户作为所述目标视频对应的用户群。
可选地,所述视频的训练特征数据包括:所述视频的特征数据,所述视频对应的物品的特征数据,对所述物品执行预设操作的用户的特征数据;
所述视频的标签数据包括:是否对所述视频对应的物品执行预设操作,和/或,是否对所述视频执行预设操作。
可选地,所述推送模块还用于:
根据消息推送模型确定所述目标用户的消息推送方式;其中,所述消息推送模型是基于消息特征数据及其对应的标签数据训练神经网络得到的;
采用所述消息推送方式向所述目标用户推送消息。
可选地,所述推送模块还用于:向所述目标用户推送消息之后,根据所述用户群中各个用户的特征数据、各个用户浏览的视频的特征数据以及各个用户浏览视频的时序特征,构建各个用户对应的特征向量;
分别计算各个特征向量之间的相似度,基于相似度由大到小的顺序,从所述用户群中筛选出预设数量的通信用户,在所述通信用户之间建立通信关联关系。
根据本发明实施例的另一个方面,还提供了一种电子设备,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上述任一实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用根据目标用户点击的目标视频确定所述目标视频对应的用户群,从而通过所述用户群的特征数据和视频推荐模型确定待推荐视频的技术手段,所以克服了现有技术中推送的视频内容较为单一,且没有区分度的技术问题。本发明实施例利用用户群的特征数据来确定用户感兴趣的视频,更容易吸引用户注意力,提高视频的点击率,还能丰富推送的视频内容,避免向用户推送单一的视频,从而更好地抓住用户需求。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的推送视频的方法的主要流程的示意图;
图2是根据本发明一个可参考实施例的推送视频的方法的主要流程的示意图;
图3是根据本发明实施例的客户端与服务端的交互示意图;
图4是根据本发明实施例的推送视频的装置的主要模块的示意图;
图5是本发明实施例可以应用于其中的示例性***架构图;
图6是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的推送视频的方法的主要流程的示意图。作为本发明的一个实施例,如图1所示,所述推送视频的方法可以包括:
步骤101,根据目标用户点击的目标视频,确定所述目标视频对应的用户群。
在该步骤中,可以根据目标用户点击的目标视频来确定所述目标视频对应的用户群,以便于在步骤102中基于该用户群中的特征数据进行确定。
可选地,步骤101包括:根据目标用户点击的目标视频,将关注所述目标视频的各个用户作为所述目标视频对应的用户群;或者,根据目标用户点击的目标视频,确定发布所述目标视频的发布用户,将关注所述发布用户的各个用户作为所述目标视频对应的用户群。举例来说,关注了某一个视频的用户为1000人,则这1000个用户可以作为一个用户群;或者,关注某一个视频的发布用户的用户为20000人,则这20000个用户也可以作为一个用户群。
步骤102,通过所述用户群的特征数据和视频推荐模型,确定待推荐视频。
其中,所述视频推荐模型是基于视频的训练特征数据及其对应的标签数据训练神经网络得到的。因此,在步骤102之前,需要先训练所述视频推荐模型。
可选地,基于视频的训练特征数据及其对应的标签数据训练神经网络,以训练得到视频推荐模型。具体地,首先需要预先构建训练样本,即视频的训练特征数据及其对应的标签数据,然后将训练样本输入到神经网络中,通过多次迭代训练得到视频推荐模型。
可选地,所述视频的训练特征数据包括:所述视频的特征数据,所述视频对应的物品的特征数据,对所述物品执行预设操作的用户的特征数据。举例来说,视频的特征数据可以包括视频的被点击数量、被分享数量、被点赞数量、评论数量等,这些特征数据一般显示在视频介绍页面中;还可以包括视频对应的物品的品牌、品类等。比如,物品的特征数据可以包括物品的价格、颜色、尺寸、季节信息等,还可以包括物品过去一段时间被点击数量、被下单的数量、被加入购物车的数量、被关注的数量。又比如,用户的特征数据可以包括用户性别、用户年龄、用户地域、是否为高等级会员、用户活跃度、用户偏好、用户终端设备的信息等。
需要指出的是,一个视频可以对应于多个物品,并作为多个训练样本,即一个视频每对应于一个物品,则作为一个训练样本。对所述物品执行预设操作的用户也可以是多个,假设100个用户对某一个物品执行预设操作,则可以得到100个训练样本。
可选地,所述视频的标签数据包括:是否对所述视频对应的物品执行预设操作,和/或,是否对所述视频执行预设操作。其中,预设操作可以是点击、下单、分享、评论、点赞、关注等。若对视频或者视频对应的物品执行预设操作,则将该训练样本标作为正样本;若没有对视频或者视频对应的物品执行预设操作,则将该训练样本标记为负样本。
因此,在构建完训练样本之后,可以采用视频的训练特征数据及其对应的标签数据,并利用误差反向传播算法,训练得到视频推荐模型。可选地,所述神经网络可以是卷积神经网络,一般包括若干个卷积层、激活层、池化层及全连接层。
卷积层有三个比较重要的参数:卷积核深度、步幅和补零方式,其中,卷积核的深度对应的是卷积核的个数,每个卷积核都只能提取输入数据的部分特征,单个卷积核提取特征不充分,本发明通过添加多个卷积核,提取多个维度的特征;步幅指的是输入矩阵上滑动滤波矩阵的像素单元个数,步幅越大,得到的特征图越小;在很多场景下,卷积核的大小并不一定被输入数据矩阵的维度大小整除,处理方式通常有两种:valid padding(有效填充)和same padding(等大填充)。
激活层:激活函数的种类比较多,本发明选用Relu作为激活函数,相比于sigmoid函数,Relu的优点是:单侧抑制,当输入小于0时,神经元处于抑制状态,当输入大于0时,神经元处于激活状态,收敛速度较快;相对宽阔的兴奋边界;输入大于0时,保持梯度不衰减,从而缓解梯度消失问题。
池化层:池化就是把局部特征通过整合得到新特征的过程,池化层设计的目的有两个:一是降低下一层待处理样本特征的数据量,二是减少参数量,防止过拟合,本发明选用最大池化的方式。
全连接层:全连接层是将前面各层预学习到的分布式特征表示,映射到样本标记空间,然后利用损失函数来调控学习过程。
在训练得到所述视频推荐模型之后,将步骤101中得到的用户群的特征数据输入到所述视频推荐模型中,以确定待推荐视频。可选地,通过所述用户群的特征数据和视频推荐模型,确定待推荐视频,包括:根据所述用户群的用户特征数据,确定所述用户群的特征数据;将所述用户群的特征数据输入到所述视频推荐模型中,以输出至少一个视频的标识及其对应的预设操作概率;根据所述预设操作概率的大小,对所述至少一个视频进行降序排列,并从中筛选出预设数量的视频作为待推荐视频。其中,所述用户群的特征数据可以是用户群中大部分用户的性别、地域、偏好品类、偏好店铺、购买力、关注物品、关注视频等,可以通过对用户群中各个用户的用户特征数据进行分析而得到。
步骤103,向所述目标用户推送消息。
由于通过步骤102确定了待推荐视频,因此可以向目标用户推送消息,其中,所述消息携带有所述待推荐视频的标识。
对于每个用户群来说,群内用户的年龄、爱好等都不尽相同,因此用户需求还会存在很大差别,本发明实施例还可以进一步对群内的用户进行相似度计算,筛选出较相似的用户,并在他们之间建立通信关联关系,例如可以推荐相似用户,或者建立好友关系,或者建立通信连接等等,以便于他们沟通联系。可选地,所述方法还可以包括:根据所述用户群中各个用户的特征数据、各个用户浏览的视频的特征数据以及各个用户浏览视频的时序特征,构建各个用户对应的特征向量;分别计算各个特征向量之间的相似度,基于相似度由大到小的顺序,从所述用户群中筛选出预设数量的通信用户,在所述通信用户之间建立通信关联关系。
比如,某个用户群中的A用户和B用户的相似度较高,则可以在 A用户与B用户之间建立通信关联关系,以方便A用户与B用户之间进行通信、相互沟通,例如,互发信息。具体地,可以通过网络连接技术在A用户和B用户之间建立通信关联关系,使得A用户和B用户可以互发信息,便于联络。当然,也可以将在更多个用户之间建立通信关联关系,本发明实施例对此不做限制。
根据上面所述的各种实施例,可以看出本发明通过根据目标用户点击的目标视频确定所述目标视频对应的用户群,从而通过所述用户群的特征数据和视频推荐模型确定待推荐视频的技术手段,解决了现有技术中推送的视频内容较为单一,且没有区分度的技术问题。本发明实施例利用用户群的特征数据来确定用户感兴趣的视频,更容易吸引用户注意力,提高视频的点击率,还能丰富推送的视频内容,避免向用户推送单一的视频,从而更好地抓住用户需求。
图2是根据本发明一个可参考实施例的推送视频的方法的主要流程的示意图。
步骤201,基于视频的训练特征数据及其对应的标签数据训练神经网络,以训练得到视频推荐模型。
首先需要预先构建训练样本,即视频的训练特征数据及其对应的标签数据,然后将训练样本输入到神经网络中,通过多次迭代训练得到视频推荐模型。可选地,所述视频的训练特征数据包括:所述视频的特征数据,所述视频对应的物品的特征数据,对所述物品执行预设操作的用户的特征数据。
步骤202,基于消息特征数据及其对应的标签数据训练神经网络,以训练得到消息推送模型。
可选地,消息特征数据可以包括消息推送时间、消息文案、消息类别等、消息推送形态、推送用户、消息点击次数等。
例如,消息推送时间大致可以分为上午9点-10点、中午12点-14 点、17点-20点、21点-22点;消息文案可以包括标题、内容、图片、声音等,消息类别可以包括按时问候型、含蓄有文采型、想方设法靠近用户型和狂轰乱炸型;消息推送形态可以包括弹窗和消息盒子。
具体地,消息特征数据可以来源于消息发送表和消息点击表,从消息发送表中可以获取消息id,消息推送时间,消息类别,推送用户;从消息点击表中可以获取消息点击次数以及消息的其它细粒度指标。然后对消息特征数据进行处理,可以包括以下步骤:从消息发送表中获取最近一个月的用户消息发送记录;从消息点击表中获取最近一个月的用户消息点击记录;将上面第一步和第二步获取到的记录表进行关联,生成用户消息发送点击记录宽表,从而得到给每个用户的发送消息id,消息内容,发送时间,是否点击,点击时间,点击时的环境信息(设备号、地理位置等);将最近一个月内全部点击过消息的用户形成消息敏感用户池,基于点击表数据,获取用户画像信息,比如: (a)用户地域信息、(b)用户手机设备信息(手机终端、手机品牌、网络环境)、(c)用户消息发送历史、(d)用户消息行为活跃度、(e) 用户消息行为跨度(消息点击天数、点击周数)、(f)用户点击过的消息时间偏好、地域偏好、购买力偏好、性别年龄偏好、(g)用户平均消息点击率(平均每个小时的点击率)等。
可选地,所述消息特征数据对应的标签数据包括:是否对所述消息对应的物品执行预设操作,和/或,是否对所述消息执行预设操作。其中,预设操作可以是点击、下单、分享、评论、点赞、关注等。若对消息或者消息对应的物品执行预设操作,则将该训练样本标作为正样本;若没有对消息或者消息对应的物品执行预设操作,则将该训练样本标记为负样本。
步骤203,根据目标用户点击的目标视频,确定所述目标视频对应的用户群。
具体地,可以根据目标用户点击的目标视频,将关注所述目标视频的各个用户作为所述目标视频对应的用户群;或者,可以根据目标用户点击的目标视频,确定发布所述目标视频的发布用户,将关注所述发布用户的各个用户作为所述目标视频对应的用户群。
步骤204,根据所述用户群的用户特征数据,确定所述用户群的特征数据。
其中,所述用户群的特征数据可以是用户群中大部分用户的性别、地域、偏好品类、偏好店铺、购买力、关注物品、关注视频等,可以通过对用户群中各个用户的用户特征数据进行分析而得到。
步骤205,将所述用户群的特征数据输入到所述视频推荐模型中,以输出至少一个视频的标识及其对应的预设操作概率。
所述视频推荐模型可以基于输入的用户群的特征数据,输出各个视频标记及其对应的预设操作概率。视频推荐模型输出的数量可以预先设置,因此可以输出预设数量的视频标识及其对应的预设操作概率。
步骤206,根据所述预设操作概率的大小,对所述至少一个视频进行降序排列,并从中筛选出预设数量的视频作为待推荐视频。
排序越靠前,说明目标用户对该待推荐视频越感兴趣,有利于提高视频的点击率。
步骤207,根据所述消息推送模型确定所述目标用户的消息推送方式,采用所述消息推送方式向所述目标用户推送消息。
将目标用户的用户特征数据输入到所述消息推送模型中,可以确定得到消息推送方式,比如消息推送时间、消息文案、消息类别等、消息推送形态,从而实现了消息推送的深度个性化,提升了用户体验,增加了用户点击率。
另外,在本发明一个可参考实施例中推送视频的方法的具体实施内容,在上面所述推送视频的方法中已经详细说明了,故在此重复内容不再说明。
图3是根据本发明实施例的客户端与服务端的交互示意图。如图3 所示,第一步:用户登录短视频App;第二步:用户点击短视频App 的消息中心;第三步:用户进入消息中心后,开始社交互动。服务端包括业务服务器集群、消息队列、计算服务器集群和数据库,本发明采用服务器集群方式部署应用***,客户端与服务器保持双向绑定,两者之间数据直接互相传送。当客户端登录,发送业务请求,业务集群服务器搜集特征数据,进行任务分发,还可以将请求结果同步返回给客户端,同时向计算服务器集群请求执行资源操作(比如训练模型,确定结果等),这些请求可以先推送到消息队列,计算服务器集群从消息队列中获取请求并执行相应任务。计算服务器集群将处理结果推送到消息队列,业务服务器集群接听消息,并解析消息源,将解析结果异步推送给客户端。数据库用于存储视频推送模型的参数和消息推送模型的参数。
图4是根据本发明实施例的推送视频的装置的主要模块的示意图,如图4所示,所述推送视频的装置400包括用户群模块401、确定模块 402和推送模块403。其中,用户群模块401用于根据目标用户点击的目标视频,确定所述目标视频对应的用户群;确定模块402用于通过所述用户群的特征数据和视频推荐模型,确定待推荐视频;推送模块 403用于向所述目标用户推送消息。其中,所述消息携带有所述待推荐视频的标识;所述视频推荐模型是基于视频的训练特征数据及其对应的标签数据训练神经网络得到的。
可选地,确定模块402还用于:
根据所述用户群的用户特征数据,确定所述用户群的特征数据;
将所述用户群的特征数据输入到视频推荐模型中,以输出至少一个视频的标识及其对应的预设操作概率;
根据所述预设操作概率的大小,对所述至少一个视频进行降序排列,并从中筛选出预设数量的视频作为待推荐视频。
可选地,用户群模块401还用于:
根据目标用户点击的目标视频,将关注所述目标视频的各个用户作为所述目标视频对应的用户群;或者,
根据目标用户点击的目标视频,确定发布所述目标视频的发布用户,将关注所述发布用户的各个用户作为所述目标视频对应的用户群。
可选地,所述视频的训练特征数据包括:所述视频的特征数据,所述视频对应的物品的特征数据,对所述物品执行预设操作的用户的特征数据;
所述视频的标签数据包括:是否对所述视频对应的物品执行预设操作,和/或,是否对所述视频执行预设操作。
可选地,推送模块403还用于:
根据消息推送模型确定所述目标用户的消息推送方式;其中,所述消息推送模型是基于消息特征数据及其对应的标签数据训练神经网络得到的;
采用所述消息推送方式向所述目标用户推送消息。
可选地,推送模块403还用于:向所述目标用户推送消息之后,根据所述用户群中各个用户的特征数据、各个用户浏览的视频的特征数据以及各个用户浏览视频的时序特征,构建各个用户对应的特征向量;
分别计算各个特征向量之间的相似度,基于相似度由大到小的顺序,从所述用户群中筛选出预设数量的通信用户,在所述通信用户之间建立通信关联关系。
根据上面所述的各种实施例,可以看出本发明通过根据目标用户点击的目标视频确定所述目标视频对应的用户群,从而通过所述用户群的特征数据和视频推荐模型确定待推荐视频的技术手段,解决了现有技术中推送的视频内容较为单一,且没有区分度的技术问题。本发明实施例利用用户群的特征数据来确定用户感兴趣的视频,更容易吸引用户注意力,提高视频的点击率,还能丰富推送的视频内容,避免向用户推送单一的视频,从而更好地抓住用户需求。
需要说明的是,在本发明所述推送视频的装置的具体实施内容,在上面所述推送视频的方法中已经详细说明了,故在此重复内容不再说明。
图5示出了可以应用本发明实施例的推送视频的方法或推送视频的装置的示例性***架构500。
如图5所示,***架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器504 交互,以接收或发送消息等。终端设备501、502、503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(仅为示例)。
终端设备501、502、503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、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器 (仅为示例)。后台管理服务器可以对接收到的物品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、物品信息——仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的推送视频的方法一般由服务器505执行,相应地,所述推送视频的装置一般设置在服务器505 中。本发明实施例所提供的推送视频的方法也可以由终端设备501、502、 503执行,相应地,所述推送视频的装置可以设置在终端设备501、502、 503中。
应该理解,图5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。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机***600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明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RAM603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,根据本发明公开的实施例,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,本发明公开的实施例包括一种计算机程序物品,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,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示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。在本发明中,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。而在本发明中,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,图示了按照本发明各种实施例的***、方法和计算机程序物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,上述模块、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,框图或流程图中的每个方框、以及框图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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括用户群模块、确定模块和推送模块,其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明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设备中所包含的;也可以是单独存在,而未装配入该设备中。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一个该设备执行时,使得该设备包括:根据目标用户点击的目标视频,确定所述目标视频对应的用户群;通过所述用户群的特征数据和视频推荐模型,确定待推荐视频;向所述目标用户推送消息;其中,所述消息携带有所述待推荐视频的标识;所述视频推荐模型是基于视频的训练特征数据及其对应的标签数据训练神经网络得到的。
根据本发明实施例的技术方案,因为采用根据目标用户点击的目标视频确定所述目标视频对应的用户群,从而通过所述用户群的特征数据和视频推荐模型确定待推荐视频的技术手段,所以克服了现有技术中推送的视频内容较为单一,且没有区分度的技术问题。本发明实施例利用用户群的特征数据来确定用户感兴趣的视频,更容易吸引用户注意力,提高视频的点击率,还能丰富推送的视频内容,避免向用户推送单一的视频,从而更好地抓住用户需求。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种推送视频的方法,其特征在于,包括:
根据目标用户点击的目标视频,确定所述目标视频对应的用户群;
通过所述用户群的特征数据和视频推荐模型,确定待推荐视频;
向所述目标用户推送消息;
其中,所述消息携带有所述待推荐视频的标识;所述视频推荐模型是基于视频的训练特征数据及其对应的标签数据训练神经网络得到的;
所述视频的训练特征数据包括:所述视频的特征数据,所述视频对应的物品的特征数据,对所述物品执行预设操作的用户的特征数据。
2.根据权利要求1所述的方法,其特征在于,通过所述用户群的特征数据和视频推荐模型,确定待推荐视频,包括:
根据所述用户群的用户特征数据,确定所述用户群的特征数据;
将所述用户群的特征数据输入到视频推荐模型中,以输出至少一个视频的标识及其对应的预设操作概率;
根据所述预设操作概率的大小,对所述至少一个视频进行降序排列,并从中筛选出预设数量的视频作为待推荐视频。
3.根据权利要求1所述的方法,其特征在于,根据目标用户点击的目标视频,确定所述目标视频对应的用户群,包括:
根据目标用户点击的目标视频,将关注所述目标视频的各个用户作为所述目标视频对应的用户群;或者,
根据目标用户点击的目标视频,确定发布所述目标视频的发布用户,将关注所述发布用户的各个用户作为所述目标视频对应的用户群。
4.根据权利要求1所述的方法,其特征在于,所述视频的标签数据包括:是否对所述视频对应的物品执行预设操作,和/或,是否对所述视频执行预设操作。
5.根据权利要求1所述的方法,其特征在于,向所述目标用户推送消息,包括:
根据消息推送模型确定所述目标用户的消息推送方式;其中,所述消息推送模型是基于消息特征数据及其对应的标签数据训练神经网络得到的;
采用所述消息推送方式向所述目标用户推送消息。
6.根据权利要求1所述的方法,其特征在于,向所述目标用户推送消息之后,还包括:
根据所述用户群中各个用户的特征数据、各个用户浏览的视频的特征数据以及各个用户浏览视频的时序特征,构建各个用户对应的特征向量;
分别计算各个特征向量之间的相似度,基于相似度由大到小的顺序,从所述用户群中筛选出预设数量的通信用户,在所述通信用户之间建立通信关联关系。
7.一种推送视频的装置,其特征在于,包括:
用户群模块,用于根据目标用户点击的目标视频,确定所述目标视频对应的用户群;
确定模块,用于通过所述用户群的特征数据和视频推荐模型,确定待推荐视频;
推送模块,用于向所述目标用户推送消息;
其中,所述消息携带有所述待推荐视频的标识;所述视频推荐模型是基于视频的训练特征数据及其对应的标签数据训练神经网络得到的;
所述视频的训练特征数据包括:所述视频的特征数据,所述视频对应的物品的特征数据,对所述物品执行预设操作的用户的特征数据。
8.根据权利要求7所述的装置,其特征在于,所述确定模块还用于:
根据所述用户群的用户特征数据,确定所述用户群的特征数据;
将所述用户群的特征数据输入到所述视频推荐模型中,以输出至少一个视频的标识及其对应的预设操作概率;
根据所述预设操作概率的大小,对所述至少一个视频进行降序排列,并从中筛选出预设数量的视频作为待推荐视频。
9.一种电子设备,其特征在于,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。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述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 |
---|---|---|---|
CN201910822637.1A CN112449217B (zh) | 2019-09-02 | 2019-09-02 | 一种推送视频的方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910822637.1A CN112449217B (zh) | 2019-09-02 | 2019-09-02 | 一种推送视频的方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112449217A CN112449217A (zh) | 2021-03-05 |
CN112449217B true CN112449217B (zh) | 2022-12-27 |
Family
ID=74734668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910822637.1A Active CN112449217B (zh) | 2019-09-02 | 2019-09-02 | 一种推送视频的方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112449217B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115225702B (zh) * | 2021-04-19 | 2023-08-08 | 北京达佳互联信息技术有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN114707041B (zh) * | 2022-04-11 | 2023-12-01 | 中国电信股份有限公司 | 消息推荐方法、装置、计算机可读介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011071819A (ja) * | 2009-09-28 | 2011-04-07 | Kddi Corp | レコメンデーションサーバ、レコメンド決定方法およびプログラム |
CN103686236A (zh) * | 2013-11-19 | 2014-03-26 | 乐视致新电子科技(天津)有限公司 | 推荐视频资源的方法及*** |
CN103731738A (zh) * | 2014-01-23 | 2014-04-16 | 哈尔滨理工大学 | 基于用户群组行为分析的视频推荐方法及装置 |
CN107330115A (zh) * | 2017-07-12 | 2017-11-07 | 广东工业大学 | 一种信息推荐方法及装置 |
CN110012356A (zh) * | 2019-04-16 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置和设备及计算机存储介质 |
CN112905839A (zh) * | 2021-02-10 | 2021-06-04 | 北京有竹居网络技术有限公司 | 模型训练方法、模型使用方法、装置、存储介质及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8037011B2 (en) * | 2008-09-15 | 2011-10-11 | Motorola Mobility, Inc. | Method and apparatus for recommending content items |
-
2019
- 2019-09-02 CN CN201910822637.1A patent/CN112449217B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011071819A (ja) * | 2009-09-28 | 2011-04-07 | Kddi Corp | レコメンデーションサーバ、レコメンド決定方法およびプログラム |
CN103686236A (zh) * | 2013-11-19 | 2014-03-26 | 乐视致新电子科技(天津)有限公司 | 推荐视频资源的方法及*** |
CN103731738A (zh) * | 2014-01-23 | 2014-04-16 | 哈尔滨理工大学 | 基于用户群组行为分析的视频推荐方法及装置 |
CN107330115A (zh) * | 2017-07-12 | 2017-11-07 | 广东工业大学 | 一种信息推荐方法及装置 |
CN110012356A (zh) * | 2019-04-16 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置和设备及计算机存储介质 |
CN112905839A (zh) * | 2021-02-10 | 2021-06-04 | 北京有竹居网络技术有限公司 | 模型训练方法、模型使用方法、装置、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112449217A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460513B (zh) | 用于生成点击率预测模型的方法和装置 | |
CN107577807B (zh) | 用于推送信息的方法和装置 | |
CN109902849A (zh) | 用户行为预测方法及装置、行为预测模型训练方法及装置 | |
CN110020162B (zh) | 用户识别方法和装置 | |
CN110866040B (zh) | 用户画像生成方法、装置和*** | |
CN108595448B (zh) | 信息推送方法和装置 | |
CN112449217B (zh) | 一种推送视频的方法、装置、电子设备和计算机可读介质 | |
CN112650942A (zh) | 产品推荐方法、装置、计算机***和计算机可读存储介质 | |
CN113822734B (zh) | 用于生成信息的方法和装置 | |
CN112749323A (zh) | 一种构建用户画像的方法和装置 | |
CN110633405B (zh) | 用于推送信息的方法和装置 | |
CN113450172B (zh) | 一种商品推荐方法和装置 | |
CN113792952A (zh) | 用于生成模型的方法和装置 | |
CN112102043A (zh) | 物品推荐页面生成方法、装置、电子设备和可读介质 | |
CN109408647B (zh) | 用于处理信息的方法和装置 | |
CN111125502A (zh) | 用于生成信息的方法和装置 | |
CN110968769A (zh) | 用于推送信息、展示信息的方法和设备 | |
CN113313542B (zh) | 一种推送频道页面的方法和装置 | |
CN113516524B (zh) | 用于推送信息的方法和装置 | |
CN113327147A (zh) | 一种物品信息展示的方法及装置 | |
CN111125501B (zh) | 用于处理信息的方法和装置 | |
CN111723274B (zh) | 用于处理信息的方法和装置 | |
CN113191840A (zh) | 物品信息显示方法、装置、电子设备和计算机可读介质 | |
CN112884538A (zh) | 物品推荐的方法和装置 | |
CN113742564A (zh) | 目标资源的推送方法和装置 |
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 |