信息推送方法、装置以及可读存储介质制造方法及图纸

本发明专利技术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。

Information push method, device and readable storage medium

【技术实现步骤摘要】
信息推送方法、装置以及可读存储介质
本专利技术涉及互联网
，尤其涉及信息推送方法、装置以及可读存储介质。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术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本文档来自技高网...

【技术保护点】
1.一种信息推送方法，应用于服务器，其特征在于，包括：/n接收终端设备发送的针对目标用户的当前轨迹数据；/n获取所述目标用户对应的历史轨迹数据和用户画像数据；/n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；/n向所述终端设备发送所述目标服务推送信息流。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：马志豪，张瑋杰，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44