消息推送方法、装置、计算机设备及存储介质制造方法及图纸

本申请实施例提供一种消息推送方法、装置、计算机设备及存储介质。该方法包括：获取第一用户的n条特征信息，n为正整数；调用时机预估模型对n条特征信息进行处理，得到第一用户在m个预设时段内的期望打开率，m为正整数；基于第一用户在m个预设时段内的期望打开率，在m个预设时段中确定出目标时段；在目标时段内向目标终端发送推送消息。在本申请实施例中，时机预估模型通过结合个体用户的特征信息来进行概率预测，该过程中充分考虑了个体差异，可以更加精准地确定发送推送消息的时间段，进而提高推送消息的打开率。

【技术实现步骤摘要】
消息推送方法、装置、计算机设备及存储介质
本申请实施例涉及深度学习
，特别涉及一种消息推送方法、装置、计算机设备及存储介质。
技术介绍
随着互联网技术的发展，终端中的大部分应用程序均实现了消息推送功能，也即，大部分应用程序可以通过网络将消息主动推送到终端供用户查看。在相关技术中，消息推送方法具体如下：应用服务器采集某一应用程序在不同终端中的历史运行记录，对上述历史运行记录统计分析得到全站用户打开推送消息的时间，运营人员在统计分析结果中筛选出大部分用户打开推送消息的时段作为推送消息的发送时段，服务器在确定出的发送时段进行消息推送。在相关技术中，推送消息的发送时段是基于用户群体来确定的，没有考虑个体差异，导致推送消息的打开率较低。
技术实现思路
本申请实施例提供一种消息推送方法、装置、计算机设备及存储介质。所述技术方案如下：第一方面，本申请实施例提供一种消息推送方法，所述方法包括：获取第一用户的n条特征信息，所述n条特征信息中的每条特征信息用于描述所述第一用户的一个维度的特征，所述n为正整数；调用时机预估模型对所述n条特征信息进行处理，得到所述第一用户在m个预设时段内的期望打开率，所述期望打开率是指预测得到的目标终端被触发打开推送消息的概率，所述目标终端是所述第一用户对应的终端，所述m为正整数；基于所述第一用户在m个预设时段内的期望打开率，在所述m个预设时段中确定出目标时段；在所述目标时段内向所述目标终端发送所述推送消息。第二方面，本申请实施例提供一种消息推送装置，所述装置包括：信息获取模块，用于获取第一用户的n条特征信息，所述n条特征信息中的每条特征信息用于描述所述第一用户的一个维度的特征，所述n为正整数；概率预测模块，用于调用时机预估模型对所述n条特征信息进行处理，得到所述第一用户在m个预设时段内的期望打开率，所述期望打开率是指预测得到的目标终端被触发打开推送消息的概率，所述目标终端是所述第一用户对应的终端，所述m为正整数；时段确定模块，用于基于所述第一用户在m个预设时段内的期望打开率，在所述m个预设时段中确定出目标时段；消息推送模块，用于在所述目标时段内向所述目标终端发送所述推送消息。第三方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器存储有至少一条指令，所述指令由所述处理器加载并执行以实现如第一方面所述的消息推送方法。第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如第一方面所述的消息推送方法。本申请实施例提供的技术方案可以带来的有益效果至少包括：通过调用时机预估模型对用户的特征信息处理，以预测该用户在不同时段内打开推送消息的概率，之后基于用户在不同时段内打开推送消息的概率确定出发送推送消息的最佳时段，在确定出的时段进行消息推送，由于时机预估模型结合个体用户的特征信息来进行概率预测，该过程充分考虑个体差异，实现针对不同用户的智能推送，使得确定出的消息推送时机更为精准，进而提高推送消息的打开率。附图说明图1是本申请一个示例性实施例示出的用户特征的示意图；图2是本申请一个示例性实施例示出的实施环境的示意图；图3是本申请一个示例性实施例示出的消息推送的示意图；图4是本申请一个示例性实施例示出的消息推送方法的流程图；图5是本申请一个示例性实施例示出的不同负采样率下训练时间，以及测试AUC增益的关系图；图6是本申请一个示例性实施例示出的样本数据的示意图；图7是本申请一个示例性实施例示出的测试数据的示意图；图8是本申请另一个示例性实施例示出的消息推送方法的流程图；图9是本申请一个示例性实施例示出的“时间-访问人数”的关系图；图10是本申请一个示例性实施例示出的消息推送的示意图；图11是本申请一个示例性实施例示出的相关技术与本申请实施例的打开人数对比图；图12是本申请一个示例性实施例示出的相关技术与本申请实施例的关闭人数对比图；图13是本申请另一个示例性实施例示出的消息推送装置的结构框图；图14是本申请一个示例性实施例示出的计算机设备的结构框图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。下面对本申请实施例涉及的相关名词进行介绍。时机预估模型：一种根据用户的特征信息来预测用户在不同时段内打开推送消息的概率的数学模型。时机预估模型是采用样本用户的特征信息训练得到的。服务器采集某一时段内第三方应用程序被触发运行的数据，将该时段内运行第三方应用程序的终端对应的用户确定为样本用户。其中，该时段可以由服务器设定，也可以由相关运营人员设定。例如，该时段是最近三天、最近两个星期。进一步地，服务器在统计出预设时段内运行第三方应用程序的终端对应的用户后，结合活跃度对上述统计出的用户进行筛选。具体地，服务器将该时段内运行第三方应用程序的终端对应的用户中活跃度大于预设阈值的用户，确定为样本用户。用户的特征信息包括但不限于：用户标签特征、用户活跃特征、用户属性特征、场景特征。用户标签特征用于定义用户属性，以勾画完整的用户画像，用户标签特征可用于描述用户的婚育状况(例如未婚、已婚、已育等)，用户标签特征还可以描述用户的兴趣爱好(例如美食、旅游、运动等)。用户属性特征用于描述用户的基础属性(例如年龄、性别等)。用户活跃特征用于描述用户对第三方应用程序的操作频次。结合参考图1，其示出了本申请一个实施例示出的用户的特征信息的示意图。用户属性特征包括注册、基本、水平等三方面特征。其中，注册特征包括用户星级、注册天数、生命周期等；基本特征包括性别、年龄、职业等；水平特征包括教育水平、收入水平、消费水平等。用户活跃特征包括活跃天数、天活跃时长、小时活跃次数、活跃小时时长等。用户标签特征包括人群、兴趣等两方面特征。其中，人群特征可以包括有娃、结婚、怀孕等；兴趣特征包括宅、贪吃、爱美、旅游、运动等。场景特征包括当前时间、星期几等等。在一些实施例中，时机预估模型包括但不限于：Xgboost模型、逻辑回归(LogisticRegression，LR)模型、场感知因子分解机(Field-awareFactorizationMachines，FFM)模型、深度神经网络(DeepNeuralNetwork，DNN)模型中的至少一种。在本申请实施例中，仅以时机预估模型为Xgboost模型为例进行说明。Xgboost模型采用树模型作为分类器，输出多分类中每个类别的概率值。在本申请实施例中，Xgboost模型输出用户在不同时段内的打开概率。Xgboost模型的数学表达式如下：其中，K表示树的颗数，fk(xi)表示第i个样本在第k棵树中落在的叶子的权重，F表本文档来自技高网...

【技术保护点】
1.一种消息推送方法，其特征在于，所述方法包括：/n获取第一用户的n条特征信息，所述n条特征信息中的每条特征信息用于描述所述第一用户的一个维度的特征，所述n为正整数；/n调用时机预估模型对所述n条特征信息进行处理，得到所述第一用户在m个预设时段内的期望打开率，所述期望打开率是指预测得到的目标终端被触发打开推送消息的概率，所述目标终端是所述第一用户对应的终端，所述m为正整数；/n基于所述第一用户在m个预设时段内的期望打开率，在所述m个预设时段中确定出目标时段；/n在所述目标时段内向所述目标终端发送所述推送消息。/n

【技术特征摘要】
1.一种消息推送方法，其特征在于，所述方法包括：
获取第一用户的n条特征信息，所述n条特征信息中的每条特征信息用于描述所述第一用户的一个维度的特征，所述n为正整数；
调用时机预估模型对所述n条特征信息进行处理，得到所述第一用户在m个预设时段内的期望打开率，所述期望打开率是指预测得到的目标终端被触发打开推送消息的概率，所述目标终端是所述第一用户对应的终端，所述m为正整数；
基于所述第一用户在m个预设时段内的期望打开率，在所述m个预设时段中确定出目标时段；
在所述目标时段内向所述目标终端发送所述推送消息。


2.根据权利要求1所述的方法，其特征在于，所述时机预估模型是采用至少两组样本数据对神经网络进行训练得到的，所述至少两组样本数据中的每组样本数据包括：样本用户的至少一条特征信息、所述样本用户对应的样本终端在一个预设时段内的消息打开率，所述消息打开率根据所述样本终端对应的历史访问记录确定。


3.根据权利要求2所述的方法，其特征在于，所述至少两组样本数据包括正样本数据和负样本数据；所述正样本数据所包括的所述消息打开率为第一预设值，所述负样本数据所包括的所述消息打开率为第二预设值，所述第一预设值与所述第二预设值不同。


4.根据权利要求1所述的方法，其特征在于，所述在所述目标时段向所述目标终端发送所述推送消息之后，还包括：
接收所述目标终端发送的反馈信息，所述反馈信息用于描述所述推送消息的交互情况；
根据所述反馈消息对所述时机预估模型进行修正，得到修正后的时机预估模型，所述修正后的时机预估模型用于在下一次进行消息推送时确定第二用户在m个预设时段内的期望打开率。


5.根据权利要求1所述的方法，其特征在于，所述获取第一用户的n条特征信息之后，还包括：
对于所述n条特征信息中的第i条特征信息，确定所述第i条特征信息的数据分布类型，所述i为小于或等于所述n的正整数；
基于所述第i条特征信息的数据分布类型，确定所述第i条特征信息对应的预处理方式；
按照所述第i条特征信息对应的预处理方式，对所述第i条特征信息进行预处理，得到预处理后的第i条特征信息；
所述调用时机预估模型对所述n条特征信息进行处理，得到所述...

【专利技术属性】
技术研发人员：何雪枫，魏安康，谢兴波，
申请(专利权)人：汉海信息技术上海有限公司，
类型：发明
国别省市：上海;31