信息推送方法、装置、设备及存储介质制造方法及图纸

本申请涉及人工智能技术领域，提供一种信息推送方法、装置、设备及存储介质，该方法包括：通过获取参与课程活动事件的多个学员的学员信息；根据多个学员信息中的用户关系信息、课程活动信息和技能学习信息，构建课程活动事件对应的异构图；将多个异构图作为训练样本，对预设的图神经网络进行迭代训练，得到训练好的异构图神经网络；获取待推广广告的标签信息，标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关；将标签信息输入至异构图神经网络进行预测，以确定多个目标用户，并向多个目标用户推送待推广广告。本申请还涉及区块链技术，能够实现广告信息的精准投放，提高广告信息的转化率。提高广告信息的转化率。提高广告信息的转化率。

【技术实现步骤摘要】
信息推送方法、装置、设备及存储介质


[0001]本申请涉及智能决策的
，尤其涉及一种信息推送方法、装置、设备及存储介质。

技术介绍

[0002]线上教育场景中，常会结合课程内容推送相关产品的广告信息供学员选购。例如在地理课程中根据本次课程涉及的地区推送旅游广告等。但是现有广告信息的推送都局限于学员，受众非常有限。为了解决这一问题，现有的方法也会将生成的广告信息随机地推送给其他非学员，例如是正在浏览课程的用户、在线上教育平台注册过账号的用户等。但是向这些用户推送广告信息能获得的有效反馈非常有限，广告信息的转化率不高。

技术实现思路

[0003]本申请的主要目的在于提供一种信息推送方法、装置、设备及存储介质，旨在实现广告信息的精准投放，提高广告信息的转化率。
[0004]第一方面，本申请提供一种信息推送方法，包括：
[0005]获取参与课程活动事件的多个学员的学员信息；
[0006]根据多个所述学员信息中的用户关系信息、课程活动信息和技能学习信息，构建所述课程活动事件对应的异构图；
[0007]将多个所述异构图作为训练样本，对预设的图神经网络进行迭代训练，得到训练好的异构图神经网络；
[0008]获取待推广广告的标签信息，所述标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关；
[0009]将所述标签信息输入至所述异构图神经网络进行预测，以确定多个目标用户，并向多个所述目标用户推送所述待推广广告。
[0010]第二方面，本申请还提供一种信息推送装置，所述信息推送装置包括：
[0011]获取模块，用于获取参与课程活动事件的多个学员的学员信息；
[0012]构建模块，用于根据多个所述学员信息中的用户关系信息、课程活动信息和技能学习信息，构建所述课程活动事件对应的异构图；
[0013]训练模块，用于将多个所述异构图作为训练样本，对预设的图神经网络进行迭代训练，得到训练好的异构图神经网络；
[0014]所述获取模块，还用于获取待推广广告的标签信息，所述标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关；
[0015]确定模块，用于将所述标签信息输入至所述异构图神经网络进行预测，以确定多个目标用户；
[0016]推送模块，用于向多个所述目标用户推送所述待推广广告。
[0017]第三方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、存储器、
以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上所述的信息推送方法的步骤。
[0018]第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上所述的信息推送方法的步骤。
[0019]本申请提供一种信息推送方法、装置、设备及存储介质，本申请通过获取参与课程活动事件的多个学员的学员信息；根据多个学员信息中的用户关系信息、课程活动信息和技能学习信息，构建课程活动事件对应的异构图；将多个异构图作为训练样本，对预设的图神经网络进行迭代训练，得到训练好的异构图神经网络；获取待推广广告的标签信息，标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关；将标签信息输入至异构图神经网络进行预测，以确定多个目标用户，并向多个目标用户推送待推广广告。通过学员信息构建异构图作为训练样本，训练出性能更高的异构图神经网络，从而准确查找出目标用户，能够实现广告信息的精准投放，提高广告信息的转化率。
附图说明
[0020]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。
[0021]图1为本申请实施例提供的一种信息推送方法的步骤流程示意图；
[0022]图2为图1中的信息推送方法的子步骤流程示意图；
[0023]图3为实施本实施例提供的异构图的一示意图；
[0024]图4为本申请实施例提供的一种信息推送装置的示意性框图；
[0025]图5为图4中的信息推送装置的子模块的示意性框图；
[0026]图6为本申请实施例提供的一种计算机设备的结构示意性框图。
[0027]本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0028]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。
[0029]附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。
[0030]本申请实施例提供一种信息推送方法、装置、设备及存储介质。其中，该信息推送方法可应用于终端设备或服务器中，该终端设备可以为手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备；该服务器可以为单台的服务器，也可以为由多台服务器组成的服务器集群。以下以该信息推送方法应用于服务器为例进行解释说明。
[0031]下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
[0032]请参照图1，图1为本申请实施例提供的一种信息推送方法的步骤流程示意图。
[0033]如图1所示，该信息推送方法包括步骤S101至步骤S105。
[0034]步骤S101、获取参与课程活动事件的多个学员的学员信息。
[0035]其中，学员信息包括用户关系信息、课程活动信息和技能学习信息。课程活动事件包括教学单位或教育机构举办的在线课程或者线下课程活动，例如直播课、录播课、公开课、随堂练习课、户外教育课等。
[0036]现有技术中，为了进行精准化营销，广告信息推送的方式有多种，例如会根据广告信息的特征数据对用户进行选定，从而挖掘出目标用户，但这种用户分类方式无法准确地获取低活跃度用户的用户特征，降低了选定用户的精确性，从而降低了广告信息的推送精确性。
[0037]本申请实施例通过用户关系信息、课程活动信息和技能学习信息构建异构图，将异构图作为训练样本对图神经网络进行迭代训练得到异构图神经网络，再通过异构图神经网络预测对待推广广告感兴趣的多个目标用户，从而能够向多个目标用户推送待推广广告，通过人工智能相关技术手段提高了选定用户的精确性，并提高了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息推送方法，其特征在于，包括：获取参与课程活动事件的多个学员的学员信息；根据多个所述学员信息中的用户关系信息、课程活动信息和技能学习信息，构建所述课程活动事件对应的异构图；将多个所述异构图作为训练样本，对预设的图神经网络进行迭代训练，得到训练好的异构图神经网络；获取待推广广告的标签信息，所述标签信息与用户关系信息、课程活动信息和技能学习信息中的至少一个相关；将所述标签信息输入至所述异构图神经网络进行预测，以确定多个目标用户，并向多个所述目标用户推送所述待推广广告。2.如权利要求1所述的信息推送方法，其特征在于，所述根据多个所述学员信息中的用户关系信息、课程活动信息和技能学习信息，构建所述课程活动事件对应的异构图，包括：将每个所述学员信息中的用户关系信息、课程活动信息和技能学习信息作为节点，得到节点集合；确定每两个所述节点之间的关联关系，得到关联关系集合；根据所述节点集合和所述关联关系集合，构建所述课程活动事件对应的异构图。3.如权利要求2所述的信息推送方法，其特征在于，所述根据所述节点集合和所述关联关系集合，构建所述课程活动事件对应的异构图，包括：生成所述节点集合中的多个目标节点的散点图；根据所述关联关系集合，对所述散点图中的多个目标节点进行连接；将完成连接的所述散点图作为所述异构图。4.如权利要求3所述的信息推送方法，其特征在于，所述根据所述关联关系集合，对所述散点图中的多个目标节点进行连接，包括：根据所述关联关系集合中的每两个所述节点之间的关联关系，确定每两个所述目标节点之间的元路径；根据每两个所述目标节点之间的元路径，对所述散点图中的多个所述目标节点进行连线。5.如权利要求1
‑
4中任一项所述的信息推送方法，其特征在于，所述图神经网络包括异构图注意力网络；所述将多个所述异构图作为训练样本，对预设的图神经网络进行迭代训练，得到训练好的异构图神经网络，包括：将所述异构图作为训练样本输入至所述异构图注意力网络，得到节点级别的第一输出权重和语义级别的第二输出权重；根据所述第一输出权重和所述第二输出权重，计算所述异构图注意力网络的模型损失值；基于所述模型损失值更新所述异构图注意力网络的模型参数；根据多个所述异构图对更新的所述异构图...

【专利技术属性】
技术研发人员：余玉霞，
申请(专利权)人：平安国际智慧城市科技股份有限公司，
类型：发明
国别省市：