[发明专利]信息推送的方法和装置

说明书

技术领域

本申请涉及计算机技术领域，具体涉及数据处理技术领域，尤其涉及信息推送的方法和装置。

背景技术

信息推送技术是通过定期传送用户需要的信息来减少信息过载的技术。信息推送技术通过自动传送信息给用户，来减少用于网络上搜索的时间。其可以根据用户的需求或兴趣等来搜索、过滤信息，并将搜获、过滤后的信息推给用户，帮助用户高效率地发掘有价值的信息。信息推送过程中大量信息需要处理，且所推送的信息要富于针对性。因此，需要对信息推送过程中的大量信息进行合理过滤以提高信息推送的效率，或者充分利用网络数据使所推送的信息富于针对性，从而提高信息推送的有效性。

发明内容

本申请的目的在于提出一种改进的信息推送的方法和装置，来解决以上背景技术部分提到的技术问题。

一方面，本申请提供了一种信息推送的方法，该方法包括：获取至少一个第一用户的第一用户信息、至少一个第二用户的第二用户信息以及各个第一用户与至少一个第二用户的历史交互信息；根据上述历史交互信息确定各个第一用户与第二用户的关联度，以根据关联度阈值或数量阈值按照关联度由高到低选取出用户组，其中，每个用户组包括一个第一用户和一个第二用户；基于所选取的各个用户组中各第一用户的第一用户信息、各第二用户的第二用户信息以及历史交互信息通过预设模型得到各个第一用户与至少一个第二用户进行交互的概率；基于所得到的概率向第一用户和/或第二用户进行信息推送。

在一些实施例中，基于所选取的各个用户组中各第一用户的第一用户信息、各第二用户的第二用户信息以及历史交互信息通过预设模型得到各个第一用户与至少一个第二用户进行交互的概率包括：基于所选取的各个用户组中各第一用户的第一用户信息、各第二用户的第二用户信息训练各个第一用户的第一特征向量、各个第二用户的第二特征向量；将第一用户信息、第二用户信息及第一特征向量、第二特征向量作为预设模型的输入得到各个第一用户与至少一个第二用户进行交互的概率。

在一些实施例中，第一特征向量、第二特征向量通过隐变量模型机器学习得到，其中，第一特征向量包括第一用户在隐变量空间的特征向量，第二特征向量包括第二用户在隐变量空间的特征向量，对每个用户组，第一用户特征向量与第二特征向量的内积为该用户组中的第一用户和第二用户的关联度。

在一些实施例中，上述预设模型为有监督机器学习模型，其中，预设模型的训练样本集包括预设时间段内的第一用户信息、第二用户信息及历史交互信息。

在一些实施例中，对任一第一用户及其历史交互的任一第二用户，关联度通过以下至少一种方法进行计算：关联度与该第一用户和该第二用户的共同邻居数量成正比，其中，共同邻居包括与该第二用户历史交互的其他第一用户历史交互的其他第二用户和该第一用户历史交互的其他第二用户中的共同第二用户；关联度与该第一用户和该第二用户的杰卡德系数成正比，其中，杰卡德系数包括共同邻居数量与该第二用户历史交互的其他第一用户历史交互的其他第二用户的数量和该第一用户历史交互的其他第二用户的数量的和的比值；关联度与该第一用户与该第二用户的优先连接系数成正比，其中，优先连接系数包括该第一用户与各第二用户历史交互的次数组成的向量与与各第二用户历史交互的第一用户数量组成的向量的内积；关联度与该第一用户与该第二用户的频率加权共同邻居权值系数成正比，频率加权共同邻居权值系数通过将共同邻居数量进行归一化处理得到。

在一些实施例中，第一用户信息包括第一用户的历史访问信息、位置信息及用户画像信息中的至少一项。

在一些实施例中，历史交互信息包括交互时间和交互数值；以及，当第一用户信息包括第一用户的历史访问信息时，历史访问信息包括历史搜索关键词及搜索时间；当第一用户信息包括第一用户的位置信息时，位置信息包括各个时刻的定位信息，其中，定位信息通过以下方法进行过滤：去除与相邻时刻间隔的定位位置偏移超过预设的偏移阈值的定位点；当第一用户信息包括第一用户的画像信息时，画像信息根据用户行为特征确定。

在一些实施例中，第二用户信息包括以下至少一项：第一用户与第二用户进行交互的人均交互数值、第二用户类别、第二用户周围的人流量、第一用户对第二用户的历史浏览信息。

在一些实施例中，基于所得到的概率向第一用户和/或第二用户进行信息推送包括：按照第一用户与各个第二用户进行交互的概率向各个第一用户进行信息推送；和/或，按照各个第一用户与第二用户进行交互的概率向各个第二用户进行信息推送。