一种消息推送方法、装置、服务器和计算机可读存储介质制造方法及图纸

本申请公开了一种消息推送方法、装置、服务器和计算机可读存储介质。所述方法根据第一训练模型对采集数据进行数据聚类；根据第二训练模型模拟特定用户的行为以从聚类后的数据中获取特定用户的关联数据；并根据特定用户的关联数据获取待推送消息以推送给该特定用户的用户端。所述方法通过采用训练模型进行数据处理提高了数据处理的效率和准确度，并且通过预测用户行为将用户感兴趣的消息准确快速地推送给用户端，提高了消息推送的准确度。

A message pushing method, device, server and computer readable storage medium

The application discloses a message pushing method, device, server and computer readable storage medium. According to the first training model, the data is clustered by the first training model; the second training model simulates the behavior of the specific user to obtain the associated data of the specific user from the data after the clustering; and the pending message is obtained to be pushed to the user side of the particular user according to the associated data of the specific user. This method improves the efficiency and accuracy of data processing by using the training model to improve the efficiency and accuracy of data processing, and pushes the message of interest to the user accurately and quickly through the prediction of user behavior, and improves the accuracy of message push.

【技术实现步骤摘要】
一种消息推送方法、装置、服务器和计算机可读存储介质
本申请涉及计算机
，具体地，涉及数据挖掘
，更具体地，涉及一种消息推送方法、装置、服务器和计算机可读存储介质。
技术介绍
随着移动互联网技术的高速发展，互联网数据信息进入爆炸时代。在用户使用互联网的过程中，无可避免的接收到一些被推送的无用的消息，这不仅使得用户对网站或者用户端软件的使用体验较差，还使得用户需要花费较多时间在众多消息中搜索所需要的信息。大量推送用户认为无用的信息可能导致用户的流失。因此，从海量的数据信息中精确预测用户的需求是至关重要的。目前，采用基于RSS(简易信息聚合，ReallySimpleSyndication)/Atomd的信息聚合服务模式，对网络中的数据进行聚合以挖掘用户可能需要的消息。但是由于RSS获取的信息主体分散度高，相关度低，前后数据关联性不强。因此，采用基于RSS的信息聚合服务模式获取信息的速度不能满足用户的需求。
技术实现思路
有鉴于此，本申请公开了一种消息推送方法、装置、服务器和计算机可读存储介质，以提高数据处理的效率和准确度，将用户所需要的消息准确快速地推送给用户端。根据本申请的第一方面，提供一种消息推送方法，包括：根据第一训练模型对采集数据进行聚类以获取聚类后的数据；根据第二训练模型对特定用户的行为进行模拟以从所述聚类后的数据中获取所述特定用户的关联数据；根据所述特定用户的关联数据获取待推送消息；向所述特定用户的用户端推送所述待推送消息。根据本申请的第二方面，提供一种消息推送装置，包括：数据聚类单元，被配置为根据第一训练模型对采集数据进行聚类以获取聚类后的数据；数据获取单元，被配置为根据第二训练模型对特定用户的行为进行模拟以从所述聚类后的数据中获取所述特定用户的关联数据；消息生成单元，被配置为根据所述特定用户的关联数据获取待推送消息；消息推送单元，被配置为向所述特定用户的用户端推送所述待推送消息。根据本申请的第三方面，提供一种服务器，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现上述方法的步骤。根据本申请的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行以实现上述方法的步骤。本申请实施例通过采用第一训练模型进行数据聚类提高了数据分类操作的效率和准确度，并且通过第二训练模型预测用户行为，从而可以准确获得将用户所需要的消息，进而准确快速地推送给用户端，提高了消息推送的精确度。附图说明通过以下参照附图对本申请实施例的描述，本申请的上述以及其它目的、特征和优点将更为清楚，在附图中：图1是本申请实施例的消息推送方法的流程图；图2是本申请实施例的获取第一训练模型的方法流程图；图3是本申请实施例的获取第二训练模型的方法流程图；图4是本申请实施例的消息推送装置的示意图；图5是循环神经网络的示意图；图6是本申请实施例的服务器的结构示意图。具体实施方式以下基于实施例对本申请进行描述，但是本申请并不仅仅限于这些实施例。在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。为了避免混淆本申请的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。图1是本申请实施例的消息推送方法的流程图。如图1所示，在步骤S100，根据第一训练模型对采集数据进行聚类以获取聚类后的数据。具体地，从海量的互联网数据中采样数据，通过第一训练模型将采集数据进行分类，并将每类数据聚合在一起。例如，根据第一训练模型将采集数据分为食品、礼物、休闲娱乐和药品等类别的数据。其中，第一训练模型是预先根据深度学习训练获得的聚类模型。第一训练模型能够将输入的采样数据进行分类，并将每类数据集合后分别输出。在步骤S200，根据第二训练模型对特定用户的行为进行模拟以从聚类后的数据中获取特定用户的关联数据。其中，第二训练模型是预先根据深度学习训练获得的预测用户行为的模型。第二训练模型能够根据输入的特定用户行为数据预测该特定用户的行为。具体地，采集该特定用户在互联网中的行为数据，采用第二训练模型根据该特定用户在互联网中的行为数据对该特定用户的行为进行模拟。然后从步骤S100中的聚类后的数据中获取与该特定用户的关联数据。在步骤S300，根据该特定用户的关联数据获取待推送消息。具体地，从该特定用户的关联数据中筛选出可以被推送的消息作为待推送消息。例如，该特定用户的关联数据包括该特定用户喜欢吃A类的菜品，将具有A类菜品的商家的消息作为待推送消息。该特定用户的关联数据中还包括该特定用户不喜欢吃B类的菜品，则具有B类菜品的商家的消息不作为待推送消息。在步骤S400，向特定用户的用户端推送待推送消息。优选地，用户行为数据中包括用户行为的时间信息。本申请实施例的消息推送方法的步骤S200包括步骤S210，在步骤S210，根据第二训练模型预测特定用户在当前时间段的行为以从聚类后的数据中获取该特定用户的关联数据。具体地，选择该特定用户在当前时间段在互联网中的行为数据，例如，当前时间段为“中午11：00-下午14：00”，也即采集该特定用户在之前一周(或一月等)内每天“中午11：00-下午14：00”的行为数据，采用第二训练模型根据该时间段(中午11：00-下午14：00)内的行为数据对该特定用户在该时间段的行为进行模拟，然后从聚类后的数据中获取该时间段内与该特定用户的关联数据。这实现了根据时间段来划分用户感兴趣的消息，使得向用户端推送的消息更加准确。例如，X用户早餐喜欢吃A类食品，午餐喜欢吃B类食品，则可实现在早上向X用户的用户端推送与A类食品相关的消息，在中午向X用户的用户端推送与B类食品相关的消息。避免了在早上向X用户的用户端推送与A类食品相关的消息和与B类食品相关的消息(B类食品在早上是不必要的消息)。这提高了推送消息的准确度。应理解，当前时间段可根据实际情况还可以为一个星期或者“春夏秋冬”一个季节等。优选地，本申请实施例的消息推送方法的步骤S300包括步骤S310，在步骤S310，获取特定用户的用户端的位置信息，从该特定用户的关联数据中选择与该特定用户的用户端的位置信息对应的消息作为待推送消息。具体地，获取特定用户的用户端的位置信息，假若该特定用户的用户端未打开位置信息，则获取该特定用户的默认收货地址等与位置信息相关的信息。从该特定用户的关联数据中筛选出可以被推送的消息(也即该特定用户感兴趣的消息)，在这些可以被推送的消息中选择与该特定用户的用户端的位置信息相距不超过预定距离的消息(该消息中包括的位置信息与用户端的位置信息相距不超过预定距离)。也就是说，选择在该特定用户的预定距离本文档来自技高网...

【技术保护点】
1.一种消息推送方法，其特征在于，包括：根据第一训练模型对采集数据进行聚类以获取聚类后的数据；根据第二训练模型对特定用户的行为进行模拟以从所述聚类后的数据中获取所述特定用户的关联数据；根据所述特定用户的关联数据获取待推送消息；向所述特定用户的用户端推送所述待推送消息。

【技术特征摘要】
1.一种消息推送方法，其特征在于，包括：根据第一训练模型对采集数据进行聚类以获取聚类后的数据；根据第二训练模型对特定用户的行为进行模拟以从所述聚类后的数据中获取所述特定用户的关联数据；根据所述特定用户的关联数据获取待推送消息；向所述特定用户的用户端推送所述待推送消息。2.根据权利要求1所述的消息推送方法，其特征在于，所述方法还包括：通过对预先处理的第一样本数据进行深度学习训练获取第一训练模型。3.根据权利要求1所述的消息推送方法，其特征在于，所述方法还包括：通过对从用户行为数据中采集的第二样本数据进行深度学习训练获取所述第二训练模型。4.根据权利要求3所述的消息推送方法，其特征在于，所述用户行为数据包括用户行为的时间信息；根据第二训练模型对特定用户的行为进行模拟以从所述聚类后的数据中获取所述特定用户的关联数据包括：根据第二训练模型预测所述特定用户在当前时间段的行为以从所述聚类后的数据中获取所述特定用户的关联数据。5.根据权利要求1所述的消息推送方法，其特征在于，根据所述特定用户的关联数据获取待推送消息包括：获取所述特定用户的用户端的位置信息，从所述特定用户的关联数据中选择与所述特定用户的用户端的...

【专利技术属性】
技术研发人员：赵柱，刘鹏，
申请(专利权)人：北京小度信息科技有限公司，
类型：发明
国别省市：北京,11