一种信息的推送方法及装置制造方法及图纸

本发明专利技术公开了一种信息的推送方法及装置，该方法包括：获取用户标识和与所述用户标识对应的用户的活动历史数据，针对任一用户标识对应的用户，分别第一概率和根据所述用户的好友活动历史数据，确定第二概率；并确定所述用户在不同活动场景中参加不同活动类型的活动的第三概率；根据所述第一概率、第二概率和第三概率，确定用户在任一活动场景中参加指定类型活动的第四概率；根据第四概率，向所述用户进行信息推送，用以解决基于协同过滤推荐方式进行信息推送时，推荐的结果缺乏多样性、推荐的结果有偏差或局限性较大的问题。

【技术实现步骤摘要】

本专利技术涉及通信
，尤其是涉及一种信息的推送方法及装置。
技术介绍
随着互联网的飞速发展，互联网中的内容也呈现着爆炸式的增长，为了解决用户在面临海量内容时的信息过载问题，推荐技术应运而生。作为最早和最成功的推荐技术之一，协同过滤推荐(英文：Collaborative Filtering Recommendations，缩写：CFR)算法已被成功的运用于电子商务系统中。通常情况下，可以基于协同过滤推荐算法对用户的活动进行挖掘，进而根据挖掘结果向用户推送相应的信息。其中活动是指由共同目的联合起来并完成一定社会职能的动作的总和。活动由目的、动机和动作构成，具有完整的结构系统。例如，用户出外就餐，可以做为一个活动，包括就餐时间、就餐地点、就餐内容等等，又如用户进行商场购物等，也可以作为一个活动。而基于协同过滤推荐算法向用户推送信息的方式主要分为下述两种方式：第一种方式：基于内容的协同过滤推荐。基于内容的协同过滤推荐根据目标用户对内容的历史评价和喜好，并分析内容之间的相似性，为目标用户推荐和他过去喜欢的内容类似的内容。该种方式的缺陷在于基于内容的推荐需要对内容的特征做抽取和处理，而很多情况下很难从内容中抽取出能准确代表该内容的信息，而且推荐的结果缺乏多样性，不能挖掘用户的潜在兴趣。第二种方式：基于用户的协同过滤推荐。基于用户的协同过滤推荐则根据目标用户与其他用户的相似性，为目标用户推荐和他最为相似的一些用户喜欢的内容：即根据用户的历史评价信息计算
两用户的相似性，选出目标用户的最近邻居用户，利用他们对某一内容评价的加权平均值来预测目标用户对该内容的喜好程度。基于用户的推荐则需要依赖于其他用户，由于有用户评价的内容往往只占全部内容的少数，所以能够用来计算用户相似性的数据极端稀疏，导致推荐的结果有偏差；而且对于一个新的内容，缺乏历史用户评价数据，也很难得到推荐，导致可扩展性不足。综上所述，基于协同过滤推荐方式进行信息推送时，推荐的结果缺乏多样性、推荐的结果有偏差或局限性较大。
技术实现思路
本专利技术提供了一种信息的推送方法，用以解决基于协同过滤推荐方式进行信息推送时，推荐的结果缺乏多样性、推荐的结果有偏差或局限性较大的问题。一种信息的推送方法，包括：获取用户标识和与所述用户标识对应的用户的活动历史数据，其中所述活动历史数据包括用户参加活动的活动场景和活动类型；针对任一用户标识对应的用户，根据所述用户的活动历史数据，针对任一活动类型，分别确定第一概率和第二概率，其中所述第一概率是用户未参加过的活动的概率，所述未参加过的活动包含在所述活动类型中；所述第二概率是根据所述用户的好友活动历史数据，确定出的用户参加过的活动的概率，所述参加过的活动包含在所述活动类型中；并确定所述用户在不同活动场景中参加不同活动类型中的活动的第三概率；根据所述第一概率、第二概率和第三概率，确定用户在任一活动场景中参加指定类型活动的第四概率；根据第四概率，向所述用户进行信息推送。针对任一活动类型，确定第一概率，包括：针对任一活动类型，确定所述用户参加过的属于所述活动类型的全部活动特征组成的活动集合；确定所述活动类型中，所述用户之前未参加过的活动与所述活动集合的相似度；所述相似度作为所述用户参加所述活动类型中之前未参加过的活动的第一概率。针对任一活动类型，根据所述用户的好友活动历史数据，确定第二概率，包括：针对任一活动类型，根据所述用户的好友活动历史数据，获得最邻居节点集合，其中所述邻居节点集合是在所述活动类型中，所述用户和好友共同参加的活动的相似度符合设定规则的用户；针对邻居节点集合中的任一邻居节点，确定所述邻居节点参加所述活动类型中的活动的比率；根据所述比率确定邻居节点集合的权重和值；根据所述权重和值，确定所述用户参加所述活动类型的活动的第二概率。确定所述用户在不同活动场景中参加不同活动类型的活动的第三概率，包括：针对任一活动类型，确定所述用户在不同活动场景中参加所述活动类型的频率；以及在任一活动场景中参加所述活动类型的活动占参加全部类型活动的比值；所述比值作为用户在不同活动场景中参加不同活动类型的活动的第三概率。按照下述公式根据第一概率、第二概率和第三概率，确定用户在任一活动场景中参加指定类型活动的第四概率：P4＝P3*[δ*P1+(1-δ)*P2]其中，P4是第四概率，P3是第三概率，P1是第一概率，δ是设定的权重值，P2是第二概率。一种信息的推送装置，包括：获取单元，用于获取用户标识和与所述用户标识对应的用户的活动历史数据，其中所述活动历史数据包括用户参加活动的活动场景和活动类型；概率确定单元，用于针对任一用户标识对应的用户，根据所述用户的活动历史数据，针对任一活动类型，分别确定第一概率和第二概率，其中所述第一概率是用户未参加过的活动的概率，所述未参加过的活动包含在所述活动类型中；所述第二概率是根据所述用户的好友活动历史数据，确定出的用户参加过的活动的概率，所述参加过的活动包含在所述活动类型中；并确定所述用户在不同活动场景中参加不同活动类型中的活动的第三概率；根据所述第一概率、第二概率和第三概率，确定用户在任一活动场景中参加指定类型活动的第四概率；信息推送单元，用于根据第四概率，向所述用户进行信息推送。所述概率确定单元，具体用于针对任一活动类型，确定所述用户参加过的属于所述活动类型的全部活动特征组成的活动集合；确定所述活动类型中，所述用户之前未参加过的活动与所述活动集合的相似度；所述相似度作为所述用户参加所述活动类型中之前未参加过的活动的第一概率。所述概率确定单元，具体用于针对任一活动类型，根据所述用户的好友活动历史数据，获得最邻居节点集合，其中所述邻居节点集合是在所述活动类型中，所述用户和好友共同参加的活动的相似度符合设定规则的用户；针对邻居节点集合中的任一邻居节点，确定所述邻居节点参加所述活动类型中的活动的比率；根据所述比率确定邻居节点集合的权重和值；根据所述权重和值，确定所述用户参加所述活动类型的活动的第二概率。所述概率确定单元，具体用于针对任一活动类型，确定所述用户在不同活动场景中参加所述活动类型的频率；以及在任一活动场景中参加所述活动类型的活动占参加全部类型活动的比值；所述比值作为用户在不同活动场景中参加不同活动类型的活动的第三概率。所述概率确定单元，具体用于按照下述公式根据第一概率、第二概率和第
三概率，确定用户在任一活动场景中参加指定类型活动的第四概率：P4＝P3*[δ*P1+(1-δ)*P2]其中，P4是第四概率，P3是第三概率，P1是第一概率，δ是设定的权重值，P2是第二概率。通过上述技术方案，综合使用了基于内容的协调过滤推荐和基于用户的协调过滤推荐两种方法，并将目标用户所处的活动场景作为一个影响因子，加入到推荐的过程中，从而根据不同的活动情景调整推荐结果，可以进一步满足用户的心理需求。解决基于协同过滤推荐方式进行信息推送时，推荐的结果缺乏多样性、推荐的结果有偏差或局限性较大的问题。附图说明图1为本专利技术实施例一中，提出的信息的推送方法流程图；图2为本专利技术实施例二中，提出的信息的推送装置结构组成示意图。具体实施方式针对一般情况下基于协同过滤推荐方式进行信息推送时，推荐的结果缺乏多样性、推荐的本文档来自技高网...

【技术保护点】
一种信息的推送方法，其特征在于，包括：获取用户标识和与所述用户标识对应的用户的活动历史数据，其中所述活动历史数据包括用户参加活动的活动场景和活动类型；针对任一用户标识对应的用户，根据所述用户的活动历史数据，针对任一活动类型，分别确定第一概率和第二概率，其中所述第一概率是用户未参加过的活动的概率，所述未参加过的活动包含在所述活动类型中；所述第二概率是根据所述用户的好友活动历史数据，确定出的用户参加过的活动的概率，所述参加过的活动包含在所述活动类型中；并确定所述用户在不同活动场景中参加不同活动类型中的活动的第三概率；根据所述第一概率、第二概率和第三概率，确定用户在任一活动场景中参加指定类型活动的第四概率；根据第四概率，向所述用户进行信息推送。

【技术特征摘要】
1.一种信息的推送方法，其特征在于，包括：获取用户标识和与所述用户标识对应的用户的活动历史数据，其中所述活动历史数据包括用户参加活动的活动场景和活动类型；针对任一用户标识对应的用户，根据所述用户的活动历史数据，针对任一活动类型，分别确定第一概率和第二概率，其中所述第一概率是用户未参加过的活动的概率，所述未参加过的活动包含在所述活动类型中；所述第二概率是根据所述用户的好友活动历史数据，确定出的用户参加过的活动的概率，所述参加过的活动包含在所述活动类型中；并确定所述用户在不同活动场景中参加不同活动类型中的活动的第三概率；根据所述第一概率、第二概率和第三概率，确定用户在任一活动场景中参加指定类型活动的第四概率；根据第四概率，向所述用户进行信息推送。2.如权利要求1所述的方法，其特征在于，针对任一活动类型，确定第一概率，包括：针对任一活动类型，确定所述用户参加过的属于所述活动类型的全部活动特征组成的活动集合；确定所述活动类型中，所述用户之前未参加过的活动与所述活动集合的相似度；所述相似度作为所述用户参加所述活动类型中之前未参加过的活动的第一概率。3.如权利要求1所述的方法，其特征在于，针对任一活动类型，根据所述用户的好友活动历史数据，确定第二概率，包括：针对任一活动类型，根据所述用户的好友活动历史数据，获得最邻居节点集合，其中所述邻居节点集合是在所述活动类型中，所述用户和好友共同参加的活动的相似度符合设定规则的用户；针对邻居节点集合中的任一邻居节点，确定所述邻居节点参加所述活动类型中的活动的比率；根据所述比率确定邻居节点集合的权重和值；根据所述权重和值，确定所述用户参加所述活动类型的活动的第二概率。4.如权利要求1所述的方法，其特征在于，确定所述用户在不同活动场景中参加不同活动类型的活动的第三概率，包括：针对任一活动类型，确定所述用户在不同活动场景中参加所述活动类型的频率；以及在任一活动场景中参加所述活动类型的活动占参加全部类型活动的比值；所述比值作为用户在不同活动场景中参加不同活动类型的活动的第三概率。5.如权利要求1所述的方法，其特征在于，按照下述公式根据第一概率、第二概率和第三概率，确定用户在任一活动场景中参加指定类型活动的第四概率：P4＝P3*[δ*P1+(1-δ)*P2]其中，P4是第四概率，P3是第三概率，P1是第一概率，δ是设定的权重值，P2是第二概...

【专利技术属性】
技术研发人员：刘娟，
申请(专利权)人：中国移动通信集团公司，
类型：发明
国别省市：北京;11