基于机器学习模型的信息推送方法、装置、设备及介质制造方法及图纸

本申请涉及人工智能领域，公开了一种基于机器学习模型的信息推送方法、装置、设备及介质，该方法包括：获取包括推送信息和推送对象信息的推送请求；获取推送对象对应的候选推送通道集合；获取推送对象的对象特征以及推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，基于通道推荐模型对对象特征和历史点击信息进行概率预测，得到各个候选推送通道的推送概率；根据各个候选推送通道的推送概率从候选推送通道集合中确定目标推送通道，利用目标推送通道将推送信息推送至推送对象。可以为对象匹配较优的推送通道，以提高信息点击率，从而提高信息推送准确性。本申请涉及区块链技术，如可将上述数据写入区块链中，以用于信息推送等场景。于信息推送等场景。于信息推送等场景。

【技术实现步骤摘要】
基于机器学习模型的信息推送方法、装置、设备及介质


[0001]本申请涉及人工智能领域，尤其涉及一种基于机器学习模型的信息推送方法、装置、设备及介质。

技术介绍

[0002]随着计算机技术的快速发展，用户所使用的终端中可支持的触达方式变得越来越丰富，例如，短信、微信、站内信、邮件均可以用于接收信息。目前，各种平台在进行推送时，通常倾向于选择成本较低的触达方式，以节省成本。但是这种选择方式，具有大众化，无法满足用户的个性化需求。因此，如何为用户选择一个较为合适的触达方式成为了亟需解决的问题。

技术实现思路

[0003]本申请实施例提供了一种基于机器学习模型的信息推送方法、装置、设备及介质，可以为对象匹配较优的推送通道，以提高信息点击率，从而提高信息推送准确性。
[0004]第一方面，本申请实施例公开了一种基于机器学习模型的信息推送方法，所述方法包括：
[0005]获取信息推送请求，所述信息推送请求中包括推送信息和推送对象；
[0006]获取所述推送对象对应的候选推送通道集合，所述候选推送通道集合中包括多个候选推送通道；
[0007]获取所述推送对象的对象特征以及所述推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率；
[0008]根据所述各个候选推送通道的推送概率从所述候选推送通道集合中确定目标推送通道，并利用所述目标推送通道将所述推送信息推送至所述推送对象。
[0009]第二方面，本申请实施例公开了一种基于机器学习模型的信息推送装置，所述装置包括：
[0010]第一获取单元，用于获取信息推送请求，所述信息推送请求中包括推送信息和推送对象；
[0011]第二获取单元，用于获取所述推送对象对应的候选推送通道集合，所述候选推送通道集合中包括多个候选推送通道；
[0012]确定单元，用于获取所述推送对象的对象特征以及所述推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率；
[0013]推送单元，用于根据所述各个候选推送通道的推送概率从所述候选推送通道集合中确定目标推送通道，并利用所述目标推送通道将所述推送信息推送至所述推送对象。
[0014]第三方面，本申请实施例公开了一种信息推送设备，包括处理器、存储器，其中，所
述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
[0015]第四方面，本申请实施例公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
[0016]本申请实施例中，可以获取包括推送信息和推送对象的信息推送请求，并可以获取推送对象对应的候选推送通道集合，还可以获取推送对象的对象特征以及推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对对象特征和历史点击信息进行概率预测，以得到各个候选推送通道的推送概率。进一步的，可以根据各个候选推送通道的推送概率从候选推送通道集合中确定目标推送通道，并利用目标推送通道将推送信息推送至推送对象。可以为对象匹配较优的推送通道，以提高信息点击率，从而提高信息推送准确性。
附图说明
[0017]为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018]图1是本申请实施例提供的一种信息推送系统的架构示意图；
[0019]图2是本申请实施例提供的一种基于机器学习模型的信息推送方法的流程示意图；
[0020]图3是本申请实施例提供的另一种基于机器学习模型的信息推送方法的流程示意图；
[0021]图4是本申请实施例提供的一种基于机器学习模型的信息推送装置的结构示意图；
[0022]图5是本申请实施例提供的一种信息推送设备的结构示意图。
具体实施方式
[0023]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0024]本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0025]人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0026]本申请实施例提供的方案涉及人工智能的机器学习等技术，具体通过如下实施例进行说明：
[0027]本申请实施例提出了一种基于机器学习模型的信息推送方法，该基于机器学习模型的信息推送方法的大致原理如下：可以获取包括推送信息和推送对象的信息推送请求，并可以获取推送对象对应的候选推送通道集合，还可以获取推送对象的对象特征以及推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对对象特征和历史点击信息进行概率预测，以得到各个候选推送通道的推送概率。进一步的，可以根据各个候选推送通道的推送概率从候选推送通道集合中确定目标推送通道，并利用目标推送通道将推送信息推送至推送对象。通过实施上述方法，可以基于对象的对象终端所支持的推送通道以及对象对于各个推送通道的偏好，为对象匹配较优的推送通道，以提高推送信息的点击率，从而提高信息推送准确性，也可以提高用户体验。并使用机器学习预测模型去预测对象当前的最优的推送通道，有效的提高了信息推送设备的智能化水平。
[0028]在一种实现方式中，该基于机器学习模型的信息推送方法可应用在如图1所示的信息推送系统中，如图1所示，该信息推送系统可至少包括：信息推送设备11和终端设备(设备)12，其中，该信息推送设备11可以用于执行上述的基于机器学习模型的信息推送方法，该信息推送设备11可以是如图1所示的服务器，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、内容分发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习模型的信息推送方法，其特征在于，包括：获取信息推送请求，所述信息推送请求中包括推送信息和推送对象；获取所述推送对象对应的候选推送通道集合，所述候选推送通道集合中包括多个候选推送通道；获取所述推送对象的对象特征以及所述推送对象在各个候选推送通道上针对历史推送信息的历史点击信息，并基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率；根据所述各个候选推送通道的推送概率从所述候选推送通道集合中确定目标推送通道，并利用所述目标推送通道将所述推送信息推送至所述推送对象。2.根据权利要求1所述的方法，其特征在于，所述获取所述推送对象对应的候选推送通道集合，包括：获取所述推送对象对应的初始推送通道集合，所述初始推送通道集合包括多个初始推送通道；获取各个初始推送通道上向所述推送对象所推送的历史推送信息的第一信息数量以及所述历史推送信息的第一被点击数量；根据所述第一信息数量和所述第一被点击数量，确定所述推送对象在所述各个初始推送通道上针对所述历史推送信息的第一历史点击率；将第一历史点击率超过预设点击率对应的初始推送通道确定为候选推送通道，并将所述候选推送通道添加到所述候选推送通道集合中。3.根据权利要求1所述的方法，其特征在于，所述基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率之前，还包括：获取训练样本集，所述训练样本集包括一个或多个训练样本，每个训练样本包括一个训练对象的训练对象特征和训练历史推送信息的训练点击信息；为所述训练样本集中的各个训练样本添加训练标签，任一训练样本对应的训练标签用于指示所述任一训练样本中所包括的各个训练推送通道的训练推送概率；将添加训练标签的各个训练样本输入预设的机器学习模型进行训练，得到所述通道推荐模型；所述基于预训练的通道推荐模型对所述对象特征和所述历史点击信息进行概率预测，得到所述各个候选推送通道的推送概率，包括：将所述对象特征和所述历史点击信息输入所述通道推荐模型，得到所述各个候选推送通道的推送概率。4.根据权利要求3所述的方法，其特征在于，所述训练样本集包括第一训练样本，所述获取训练样本集，包括：获取训练对象对应的训练对象特征以及训练推送通道集合，所述训练推送通道集合包括多个训练推送通道，并确定所述训练推送通道集合中各个训练推送通道的训练历史推送信息的训练点击信息；确定所述训练对象对应的训练对象特征、以及所述各个训练推送通道的训练历史推送信息的训练点击信息为所述第一训练样本。
5.根据权利要求4所述的方法，其特征在于，所述第一训练样...

【专利技术属性】
技术研发人员：覃德，龚燕，
申请(专利权)人：未鲲上海科技服务有限公司，
类型：发明
国别省市：