[发明专利]一种推送信息的方法、装置及电子设备

说明书

本发明的实施例公开一种推送信息的方法、装置及电子设备，涉及互联网信息推送技术，能够提升信息推送质量。所述推送信息的方法包括：利用分解机学习，得到预先设置的多个时间周期内的学习特征向量，每一学习特征向量应待推送信息中的一特征；获取所述多个时间周期内的所述待推送信息的浏览统计向量；依据所述学习特征向量以及所述浏览统计向量，计算所述待推送信息中包含的每一维特征的特征统计向量；依据所述特征统计向量以及目标的学习特征向量，计算所述目标对所述待推送信息的喜好值；如果计算的所述喜好值超过预先设置的喜好阈值，向所述目标推送所述待推送信息。本发明适用于文章推送。

技术领域

本发明涉及互联网信息推送技术，尤其涉及一种推送信息的方法、装置及电子设备。

背景技术

随着电子设备，例如，智能移动电话、个人数字助理、掌上电脑、笔记本电脑等应用越来越广泛，为了提升使用电子设备的用户的应用体验，通过收集用户以及相关用户对历史信息的浏览行为来预测该用户的喜好，向用户推送满足用户喜好的信息，不仅可以匹配用户需求，也可以扩展相关运营商的增值应用业务，实现用户与运营商的共赢。

目前，信息推送的重点在于待推送信息内容与用户喜好相匹配，一般采用基于信息内容的协同过滤推荐(Collaborative Filtering recommendation)方法，即对用户进行用户特征分类，例如，按照用户年龄、性别等进行分类，并对分类用户浏览的推送信息进行关键词提取并统计，得到该类用户对各关键词的浏览行为，从而构建用户特征与信息内容的映射关系；然后，依据待推送用户所属的用户分类，提取待推送信息中包含的关键词，获取用户对提取的关键词的历史浏览行为，结合构建的映射关系进行学习，从而判断该用户对该待推送信息的喜好。其中，分解机(FM，Factorization Machines)是协同过滤技术的一种，通过将待推送信息分解为包含多维隐式向量的信息向量，将目标用户分解为与信息的维数相同的用户向量，在预先设置的时间段内，例如，一天，利用学习的方法对信息向量以及用户向量进行赋值，然后，对赋值的用户向量与信息向量进行点积运算，可以得到用户在该时间段内对该信息的的喜好。

但该信息推荐方法，由于Factorization Machines是一种隐式学习方法，学习后得到的每一维特征向量都没有确切的含义，因而，对不同时间段输入的两次数据进行学习后，得到的特征向量不等价，导致不同时间段得到的用户对信息的喜好偏差较大，例如，依据昨天进行学习得到的该用户对信息的喜好与依据今天进行学习得到的该用户对信息的喜好差别较大，使得推送的信息与用户实际的喜好匹配度较低，降低了信息推送质量。例如，推送的信息不被用户浏览或被用户直接删除。

发明内容

有鉴于此，本发明实施例提供一种推送信息的方法、装置及电子设备，能够提升信息推送质量，以解决现有的推送信息的方法中，依据分解机进行学习得到的不同时间周期的喜好差别较大，信息推送质量不高的问题。

第一方面，本发明实施例提供一种推送信息的方法，包括：

利用分解机学习，得到预先设置的多个时间周期内的学习特征向量，每一学习特征向量应待推送信息中的一特征；

获取所述多个时间周期内的所述待推送信息的浏览统计向量；

依据所述学习特征向量以及所述浏览统计向量，计算所述待推送信息中包含的每一维特征的特征统计向量；

依据所述特征统计向量以及目标的学习特征向量，计算所述目标对所述待推送信息的喜好值；

如果计算的所述喜好值超过预先设置的喜好阈值，向所述目标推送所述待推送信息。

结合第一方面，在第一方面的第一种实施方式中，利用下式计算所述特征统计向量：

式中，