信息推送方法和装置、存储介质及电子装置制造方法及图纸

本发明专利技术公开了一种信息推送方法和装置、存储介质及电子装置。其中，该方法包括：获取目标应用的第一账号的历史浏览数据；在历史浏览数据记录了第一账号通过目标应用浏览过的目标信息的情况下，根据历史浏览数据记录的目标信息和热门信息，在目标应用收集到的信息集合中确定出第一待推送信息，其中，热门信息是信息集合中热度指数超过预定阈值的信息；向第一账号推送第一待推送信息。本发明专利技术解决了相关技术中信息推送不准确的技术问题。

Information push method and device, storage medium and electronic device

【技术实现步骤摘要】
信息推送方法和装置、存储介质及电子装置
本专利技术涉及计算机领域，具体而言，涉及一种信息推送方法和装置、存储介质及电子装置。
技术介绍
相关技术中，在向用户推送信息的过程中，通常是向用户推送热门信息或者使用协同过滤的方法向用户推送信息。然而，若是采用上述方法，仅推送热门信息时，无法准确根据用户特征推荐信息，仅根据协同过滤的方法推送信息时，在用户数量较少的情况下，无法准确向用户推送信息。针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种信息推送方法和装置、存储介质及电子装置，以至少解决相关技术中信息推送不准确的技术问题。根据本专利技术实施例的一个方面，提供了一种信息推送方法，包括：获取目标应用的第一账号的历史浏览数据；在历史浏览数据记录了第一账号通过目标应用浏览过的目标信息的情况下，根据历史浏览数据记录的目标信息和热门信息，在目标应用收集到的信息集合中确定出第一待推送信息，其中，热门信息是信息集合中热度指数超过预定阈值的信息；向第一账号推送第一待推送信息。根据本专利技术实施例的另一个方面，还提供了一种信息显示方法，包括：检测到第一账号登录应用的情况下，在上述应用的显示界面显示第一待推送信息，其中，上述第一待推送信息为根据热门信息与第一账号对应用上显示的历史信息进行浏览的历史浏览数据，从应用收集到的信息集合中确定的信息。根据本专利技术实施例的又一方面，还提供了一种信息推送装置，包括：第一获取单元，用于获取目标应用的第一账号的历史浏览数据；第一确定单元，用于在上述历史浏览数据记录了上述第一账号通过上述目标应用浏览过的目标信息的情况下，根据上述历史浏览数据记录的上述目标信息和热门信息，在上述目标应用收集到的信息集合中确定出第一待推送信息，其中，上述热门信息是上述信息集合中热度指数超过预定阈值的信息；第一推送单元，用于向上述第一账号推送上述第一待推送信息。作为一种可选的示例，上述装置还包括：第二确定单元，用于在获取目标应用的第一账号的历史浏览数据之后，在上述历史浏览数据为空的情况下，根据上述热门信息在上述目标应用收集到的上述信息集合中确定出第二待推送信息；第二推送单元，用于向上述第一账号推送上述第二待推送信息。作为一种可选的示例，上述确定单元包括：第一确定模块，用于确定上述目标信息的第一标签集与上述热门信息的第二标签集以及上述信息集合中的第一信息的第三标签集；第二确定模块，用于确定上述第一标签集与上述第三标签集之间的第一相似度；第三确定模块，用于确定上述第二标签集与上述第三标签集之间的第二相似度；第四确定模块，用于根据上述第一相似度与上述第二相似度确定上述第一信息对应的目标相似度；第五确定模块，用于在上述目标相似度大于第一阈值的情况下，将上述第一信息作为上述第一待推送信息。作为一种可选的示例，上述第四确定模块还用于：通过以下公式确定上述目标相似度：T＝(1-α)Pretag(ttop，i)+αPreact(u，i)(1)其中，T为上述第一信息对应的待推送信息的目标相似度，上述Pretag(ttop，i)为上述第二相似度，上述ttop为上述热门信息，上述i为上述第一信息，上述Preact(u，i)为上述第一相似度，上述u为上述目标信息，0＜α＜1。作为一种可选的示例，上述第二确定模块包括：第一确定子模块，用于根据上述第一标签集与上述第三标签集的标签相似度与词向量相似度确定上述第一相似度，其中，上述标签相似度为上述第一标签集与上述第三标签集的交集和上述第一标签集与上述第三标签集的并集的比值，上述词向量相似度为对上述第一标签集进行分词并整合成的第一词向量结构与对上述第三标签集进行分词并整合成的第二词向量结构的余弦相似度；上述第三确定模块包括：第二确定子模块，用于将上述第二标签集与上述第三标签集的交集和上述第二标签集与上述第三标签集的并集的比值作为上述第二相似度。作为一种可选的示例，上述第一确定子模块还用于：根据如下公式计算上述第一相似度：Preact(u，i)＝β1J(u，i)+β2C(u，i)(2)其中，上述Preact(u，i)为上述第一相似度，上述J(u，i)为上述标签相似度，上述C(u，i)为上述词向量相似度，上述u为上述目标信息，上述i为上述第一信息，β1＞0，β2＞0且β1+β2＝1。作为一种可选的示例，上述装置还包括：上述装置还包括：建立单元，用于在确定上述目标信息的第一标签集与上述热门信息的第二标签集以及上述信息集合中的第一信息的第三标签集之前，建立关键词表的标签库，其中，上述标签库中包含有多个标签，上述关键词表中的每一个关键词与上述多个标签中每一个标签均对应一个权重，上述权重表示上述关键词表中的每一个关键词与上述多个标签中每一个标签的关联程度；上述第一确定模块包括：第三确定子模块，用于获取上述目标信息的第一关键词集；获取上述关键词表的标签库中与上述第一关键词集中的第一关键词对应的标签；将与上述第一关键词对应的标签中与上述第一关键词对应的权重最大的标签作为上述第一关键词的第一目标标签；将所有的上述第一目标标签作为上述第一标签集；第四确定子模块，用于获取上述热门信息的第二关键词集；获取上述关键词表的标签库中与上述第二关键词集中的第二关键词对应的标签；将与上述第二关键词对应的标签中与上述第二关键词对应的权重最大的标签作为上述第二关键词的第二目标标签；将所有的上述第二目标标签作为上述第二标签集；第五确定子模块，用于获取上述第一信息的第三关键词集；获取上述关键词表的标签库中与上述第三关键词集中的第三关键词对应的标签；将与上述第三关键词对应的标签中与上述第三关键词对应的权重最大的标签作为上述第三关键词的第三目标标签；将所有的上述第三目标标签作为上述第三标签集。作为一种可选的示例，上述第一推送单元包括：第一推送模块，用于向上述第一账号推送上述第一待推送信息的标题信息与摘要信息；第二推送模块，用于在检测到对上述标题信息或者上述摘要信息的点击操作的情况下，向上述第一账号推送上述第一待推送信息的正文信息，其中，上述第一待推送信息包括上述标题信息、上述摘要信息和上述正文信息。作为一种可选的示例，上述装置还包括：输入单元，用于在向上述第一账号推送上述第一待推送信息的摘要信息之前，将上述第一待推送信息输入到目标神经网络模型中，其中，上述目标神经网络模型为通过输入样本推送信息与样本摘要信息对初始神经网络模型进行训练后得到的收敛后的神经网络模型，上述目标神经网络模型用于在输入上述第一待推送信息后，输出上述第一待推送信息的上述摘要信息；第二获取单元，用于获取上述目标神经网络模型输出的上述摘要信息。作为一种可选的示例，上述装置还包括：第三推送单元，用于在向上述第一账号推送上述第一待推送信息之后，向上述第一账号推送上述第一待推送信息中关键词的热度指数，其中，上述关键词的热度指数与上述关键词和其他关键词位于同一篇文档中的文档的数量，及上述关键词被作为一篇文档中的关键词的文档的数量相关。作为一种可选的示例，上述装置还包括：第三获取单元，用于在向上述第一账号推送上述第一待推送信息中关键词的热度指数之前，获取上述第一待推送信息中第i个关键词在预定时间段内每一天的热度指数；第三确定单元，用于根据上述每一天的热度指数和以本文档来自技高网...

【技术保护点】
1.一种信息推送方法，其特征在于，包括：获取目标应用的第一账号的历史浏览数据；在所述历史浏览数据记录了所述第一账号通过所述目标应用浏览过的目标信息的情况下，根据所述历史浏览数据记录的所述目标信息和热门信息，在所述目标应用收集到的信息集合中确定出第一待推送信息，其中，所述热门信息是所述信息集合中热度指数超过预定阈值的信息；向所述第一账号推送所述第一待推送信息。

【技术特征摘要】
1.一种信息推送方法，其特征在于，包括：获取目标应用的第一账号的历史浏览数据；在所述历史浏览数据记录了所述第一账号通过所述目标应用浏览过的目标信息的情况下，根据所述历史浏览数据记录的所述目标信息和热门信息，在所述目标应用收集到的信息集合中确定出第一待推送信息，其中，所述热门信息是所述信息集合中热度指数超过预定阈值的信息；向所述第一账号推送所述第一待推送信息。2.根据权利要求1所述的方法，其特征在于，获取目标应用的第一账号的历史浏览数据之后，还包括：在所述历史浏览数据为空的情况下，根据所述热门信息在所述目标应用收集到的所述信息集合中确定出第二待推送信息；向所述第一账号推送所述第二待推送信息。3.根据权利要求1所述的方法，其特征在于，所述根据所述历史浏览数据记录的所述目标信息和热门信息，在所述目标应用收集到的信息集合中确定出第一待推送信息包括：确定所述目标信息的第一标签集与所述热门信息的第二标签集以及所述信息集合中的第一信息的第三标签集；确定所述第一标签集与所述第三标签集之间的第一相似度；确定所述第二标签集与所述第三标签集之间的第二相似度；根据所述第一相似度与所述第二相似度确定所述第一信息对应的目标相似度；在所述目标相似度大于第一阈值的情况下，将所述第一信息作为所述第一待推送信息。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一相似度与所述第二相似度确定所述目标相似度包括：通过以下公式确定所述目标相似度：T＝(1-α)Pretag(ttop，i)+αPreact(u，i)其中，T为所述第一信息对应的待推送信息的目标相似度，所述Pretag(ttop，i)为所述第二相似度，所述ttop为所述热门信息，所述i为所述第一信息，所述Preact(u，i)为所述第一相似度，所述u为所述目标信息，0<α<1。5.根据权利要求3所述的方法，其特征在于，确定所述第一标签集与所述第三标签集的第一相似度包括：根据所述第一标签集与所述第三标签集的标签相似度与词向量相似度确定所述第一相似度，其中，所述标签相似度为所述第一标签集与所述第三标签集的交集和所述第一标签集与所述第三标签集的并集的比值，所述词向量相似度为对所述第一标签集进行分词并整合成的第一词向量结构与对所述第三标签集进行分词并整合成的第二词向量结构的余弦相似度；确定所述第二标签集与所述第三标签集的第二相似度包括：将所述第二标签集与所述第三标签集的交集和所述第二标签集与所述第三标签集的并集的比值作为所述第二相似度。6.根据权利要求5所述的方法，其特征在于，所述根据所述第一标签集与所述第三标签集的标签相似度与词向量相似度确定所述第一相似度包括：根据如下公式计算所述第一相似度：Preact(uii)＝βiJ(u,i)+β2C(u,i)其中，所述Preact(u，i)为所述第一相似度，所述J(u，i)为所述标签相似度，所述C(u，i)为所述词向量相似度，所述u为所述目标信息，所述i为所述第一信息，β1>0,β2>0且β1+β2＝1。7.根据权利要求3至6中任意一项所述的方法，其特征在于，在确定所述目标信息的第一标签集与所述热门信息的第二标签集以及所述信息集合中的第一信息的第三标签集之前，所述方法还包括：建立关键词表的标签库，其中，所述标签库中包含有多个标签，所述关键词表中的每一个关键词与所述多个标签中每一个标签均对应一个权重，所述权重表示所述关键词表中的每一个关键词与所述多个标签中每一个标签的关联程度；确定所述目标信息的第一标签集包括：获取所述目标信息的第一关键词集；获取所述关键词表的标签库中与所述第一关键词集中的第一关键词对应的标签；将与所述第一关键词对应的标签中与所述第一关键词对应的权重最大的标签作为所述第一关键词的第一目标标签；将所有的所述第一目标标签作为所述第一标签集；确定所述热门信息的所述第二标签集包括：获取所述热门信息的第二关键词集；获取所述关键词表的标签库中与所述第二关键词集中的第二关键词对应的标签；将与所述第二关键词对应的标签中与所述第二关键词对应的权重最大的标签作为所述第二关键词的第二目标标签；将所有的所述第二目标标签作为所述第二标签集；确定所述信息集合中的第一信息的第三标签集包括：获取所述第一信息的第三关键词集；获取所述关键词表的标签库中与所述第三关键词集中的第三关键词对应的标签；将与所述第三关键词对应的标签中与所述第三关键词对应的权重最大的标签作为所述第三关键词的第三目标标签；将所有的所述第三目标标签作为所述第三标签集。8.根据权利要求1所述的方法，其特征在于，所述向所述第一账号推送所述第一待推送信息包括：向所述第一账号推送所述第一待推送信息的标题信息与摘要信息；在检测到对所述标题信息或者所述摘要信息的点击操作的情况下，向所述第一账号推送所述第一待推送信息的正文信息，其中，所述第一待推送信息包括所述标题信息、所述摘要信息和所述正文信息。9.根据权利要求8所述的方法，其特征在于，在向所述第一账号推送所述第一待推送信息的摘要信息之前，所述方法还包括：将所述第一待推送信息输入到目标神经网络模型中，其中，所述目标神经网络模型为通过输入样本推送信息与样本摘要信息对初始神经网络模型进行训练后得到的收敛后的神经网络模型，所述目标神经网络模型用于在输入所述第一待推送信息后，输出所述第一待推送信息的所述摘要信息；获取所述目标神经网络模型输出的所述摘要信息。10.根据权利要求1所述的方法，其特征在于，在向所述第一账号推送所述第一待推送信息之后，所述方法还包括：向所述第一账号推送所述第一待推送信...

【专利技术属性】
技术研发人员：米兰，李忠飞，王飞，贾东元，姚勋元，宋源，王栩瑶，
申请(专利权)人：深圳市腾讯信息技术有限公司，
类型：发明
国别省市：广东,44