信息推送方法和装置制造方法及图纸

本申请公开了信息推送方法和装置。所述方法的一具体实施方式包括：获取预设的全季节周期内每个单位时间的用户行为数据，用户行为数据是与第一实体集合相关联的用户行为的用户行为数据；针对所述全季节周期中的各个单位统计周期，利用单位统计周期内每个单位时间的用户行为数据得到第一实体集合在各个单位统计周期内的状态参数，形成与所述全季节周期对应的状态参数序列；使用所述状态参数序列以及从第三方平台获取的、对第二实体集合进行调研所形成的调研数据，构造用于预测行为参考信息的线性回归模型；利用所述线性回归模型生成行为参考信息，并将所述行为参考信息推送至终端设备进行展示。该实施方式实现了行为参考信息的高效生成与推送。

【技术实现步骤摘要】

本申请涉及计算机
，具体涉及大数据
，尤其涉及信息推送方法和装置。
技术介绍
信息推送，又称为“网络广播”，是通过一定的技术标准或协议，在互联网上通过推送用户需要的信息来减少信息过载的一项技术。信息推送技术通过主动推送信息给用户，可以减少用户在网络上搜索所花的时间。并且，信息推送前经过一系列分析和运算，可以使所推送的信息可以更精准。然而，现有技术中在推送信息时，通常需要先进行人工收集原始数据，然后对人工收集的数据进行进一步处理才能得到用户感兴趣的信息并推送给用户。这种方式过度依赖人工收集原始数据，导致耗时较长，所推送的信息存在时效性不足、初始信息收集成本偏高等问题。
技术实现思路
本申请的目的在于提出一种改进的信息推送方法和装置，来解决以上
技术介绍
部分提到的技术问题。第一方面，本申请提供了一种信息推送方法，所述方法包括：获取预设的全季节周期内每个单位时间的用户行为数据，所述用户行为数据是与第一实体集合相关联的用户行为的用户行为数据；针对所述全季节周期中的各个单位统计周期，利用单位统计周期内每个单位时间的用户行为数据得到所述第一实体集合在各个单位统计周期内的状态参数，形成与所述全季节周期对应的状态参数序列；使用所述状态参数序列以及从第三方平台获取的、对第二实体集合进行调研所形成的调研数据，构造用于预测行为参考信息的线性回归模型；将所述线 性回归模型生成的行为参考信息推送至终端设备进行展示。在一些实施例中，所述利用单位统计周期内每个单位时间的用户行为数据得到所述第一实体集合在各个单位统计周期内的状态参数，包括：根据各个单位统计周期内每个单位时间的用户行为数据获取各单位统计周期的周期用户行为数据；提取出所述周期用户行为数据中的非季节性用户行为数据和季节性用户行为数据；根据所述周期用户行为数据的季节变化率得到所述第一实体集合在该单位统计周期内的状态参数，所述季节变化率为所述季节性用户行为数据与非季节性用户行为数据的比值。在一些实施例中，所述根据各个单位统计周期内每个单位时间的用户行为数据获取各单位统计周期的周期用户行为数据，包括：对各个单位统计周期内每个单位时间的用户行为数据进行对数运算，生成每个用户行为数据对应的对数数据；获取各个单位统计周期内对数数据的平均值；线性变换所述平均值，得到所述周期用户行为数据。在一些实施例中，所述提取出所述周期用户行为数据中的非季节性用户行为数据和季节性用户行为数据，包括：对所述周期用户行为数据在所述全季节周期内进行平滑处理得到对应的非季节性用户行为数据。在一些实施例中，所述对所述周期用户行为数据在所述全季节周期内进行平滑处理得到对应的非季节性用户行为数据，包括：将当前单位统计周期之前一个全季节周期内各个单位统计周期的周期用户行为数据的平均值确定为所述当前单位统计周期的非季节性用户行为数据。在一些实施例中，所述根据所述周期用户行为数据的季节变化率得到所述第一实体集合在该单位统计周期内的状态参数，包括：获取相邻全季节周期中季节变化率的变化率平均值；根据所述季节变化率与所述变化率平均值，获取与所述状态参数关联的特征系数；将所述特征系数在至少两个单位统计周期内平滑后进行加权处理得到对应的状态参数。在一些实施例中，所述根据所述季节变化率与所述变化率平均值， 获取状态参数序列的特征系数，包括：将所述季节变化率与所述变化率平均值的差值作为所述特征系数；或者，根据所述非季节性用户行为数据和所述变化率平均值的增量获取季节增长量，并将所述周期用户行为数据与所述季节增长量的差值与所述非季节性用户行为数据的比值作为所述特征系数。在一些实施例中，所述将所述特征系数在至少两个单位统计周期内平滑后进行加权处理得到对应的状态参数序列，包括：将至少两个单位统计周期内为正数的特征系数的平均值进行线性加权处理后，得到对应的状态参数序列。在一些实施例中，所述使用所述状态参数序列以及从第三方平台获取的、对第二实体集合进行调研所形成的调研数据，构造用于预测行为参考信息的线性回归模型，包括：从所述调研数据中提取出优质时间序列；使用所述优质时间序列和所述状态参数序列进行拟合，得到所述线性回归模型。在一些实施例中，所述使用所述状态参数序列以及从第三方平台获取的、对第二实体集合进行调研所形成的调研数据，构造用于预测行为参考信息的线性回归模型，包括以下至少一项：采用自回归积分滑动平均模型算法从所述试题调研数据中对应的一致指数调查数据获取一致指数优质时间序列，并根据所述一致指数优质时间序列和所述状态参数序列拟合得到所述一致指数的线性回归模型；采用自回归积分滑动平均模型算法从所述试题调研数据中对应的先行指数调查数据获取先行指数优质时间序列，并根据所述先行指数优质时间序列和所述状态参数序列拟合得到所述先行指数的线性回归模型；采用向量自回归模型算法从所述试题调研数据中对应的生产者物价指数调查数据获取生产者物价指数优质时间序列，并根据所述生产者物价指数优质时间序列和所述状态参数序列拟合得到所述生产者物价指数的线性回归模型；采用向量自回归模型算法从所述试题调研数据中对应的采购经理人指数调查数据获取采购经理人指数优质时间序列，并根据所述采购经理人指数优质时间序列和所述状态参数序列拟合得到所述采购经理人指数的线性回归模型。第二方面，本申请提供了一种信息推送装置，所述装置包括：获取单元，用于获取预设的全季节周期内每个单位时间的用户行为数据，所述用户行为数据是与第一实体集合相关联的用户行为的用户行为数据；形成单元，用于针对所述全季节周期中的各个单位统计周期，利用单位统计周期内每个单位时间的用户行为数据得到所述第一实体集合在各个单位统计周期内的状态参数，形成与所述全季节周期对应的状态参数序列；构造单元，用于使用所述状态参数序列以及从第三方平台获取的、对第二实体集合进行调研所形成的调研数据，构造用于预测行为参考信息的线性回归模型；推送单元，用于将所述线性回归模型生成的行为参考信息推送至终端设备进行展示。在一些实施例中，所述形成单元包括：获取子单元，用于根据各个单位统计周期内每个单位时间的用户行为数据获取各单位统计周期的周期用户行为数据；提取子单元，提取出所述周期用户行为数据中的非季节性用户行为数据和季节性用户行为数据；信息得到子单元，用于根据所述周期用户行为数据的季节变化率得到所述第一实体集合在该单位统计周期内的状态参数，所述季节变化率为所述季节性用户行为数据与非季节性用户行为数据的比值。在一些实施例中，所述获取子单元进一步用于：对各个单位统计周期内每个单位时间的用户行为数据进行对数运算，生成每个用户行为数据对应的对数数据；获取各个单位统计周期内对数数据的平均值；线性变换所述平均值，得到所述周期用户行为数据。在一些实施例中，所述提取子单元进一步用于：对所述周期用户行为数据在所述全季节周期内进行平滑处理得到对应的非季节性用户行为数据。在一些实施例中，所述提取子单元进一步用于：将当前单位统计周期之前一个全季节周期内各个单位统计周期的周期用户行为数据的平均值确定为所述当前单位统计周期的非季节性用户行为数据。在一些实施例中，所述信息得到子单元，包括：平均值获取模块，用于获取相邻全季节周期中季节变化率的变化率平均值；系数获取模块，用于根据本文档来自技高网...

【技术保护点】
一种信息推送方法，其特征在于，所述方法包括：获取预设的全季节周期内每个单位时间的用户行为数据，所述用户行为数据是与第一实体集合相关联的用户行为的用户行为数据；针对所述全季节周期中的各个单位统计周期，利用单位统计周期内每个单位时间的用户行为数据得到所述第一实体集合在各个单位统计周期内的状态参数，形成与所述全季节周期对应的状态参数序列；使用所述状态参数序列以及从第三方平台获取的、对第二实体集合进行调研所形成的调研数据，构造用于预测行为参考信息的线性回归模型；利用所述线性回归模型生成行为参考信息，并将所述行为参考信息推送至终端设备进行展示。

【技术特征摘要】
1.一种信息推送方法，其特征在于，所述方法包括：获取预设的全季节周期内每个单位时间的用户行为数据，所述用户行为数据是与第一实体集合相关联的用户行为的用户行为数据；针对所述全季节周期中的各个单位统计周期，利用单位统计周期内每个单位时间的用户行为数据得到所述第一实体集合在各个单位统计周期内的状态参数，形成与所述全季节周期对应的状态参数序列；使用所述状态参数序列以及从第三方平台获取的、对第二实体集合进行调研所形成的调研数据，构造用于预测行为参考信息的线性回归模型；利用所述线性回归模型生成行为参考信息，并将所述行为参考信息推送至终端设备进行展示。2.根据权利要求1所述的方法，其特征在于，所述利用单位统计周期内每个单位时间的用户行为数据得到所述第一实体集合在各个单位统计周期内的状态参数，包括：根据各个单位统计周期内每个单位时间的用户行为数据获取各单位统计周期的周期用户行为数据；提取出所述周期用户行为数据中的非季节性用户行为数据和季节性用户行为数据；根据所述周期用户行为数据的季节变化率得到所述第一实体集合在该单位统计周期内的状态参数，所述季节变化率为所述季节性用户行为数据与非季节性用户行为数据的比值。3.根据权利要求2所述的方法，其特征在于，所述根据各个单位统计周期内每个单位时间的用户行为数据获取各单位统计周期的周期用户行为数据，包括：对各个单位统计周期内每个单位时间的用户行为数据进行对数运算，生成每个用户行为数据对应的对数数据；获取各个单位统计周期内对数数据的平均值；线性变换所述平均值，得到所述周期用户行为数据。4.根据权利要求3所述的方法，其特征在于，所述提取出所述周期用户行为数据中的非季节性用户行为数据和季节性用户行为数据，包括：对所述周期用户行为数据在所述全季节周期内进行平滑处理得到对应的非季节性用户行为数据。5.根据权利要求4所述的方法，其特征在于，所述对所述周期用户行为数据在所述全季节周期内进行平滑处理得到对应的非季节性用户行为数据，包括：将当前单位统计周期之前一个全季节周期内各个单位统计周期的周期用户行为数据的平均值确定为所述当前单位统计周期的非季节性用户行为数据。6.根据权利要求3所述的方法，其特征在于，所述根据所述周期用户行为数据的季节变化率得到所述第一实体集合在该单位统计周期内的状态参数，包括：获取相邻全季节周期中季节变化率的变化率平均值；根据所述季节变化率与所述变化率平均值，获取与所述状态参数关联的特征系数；将所述特征系数在至少两个单位统计周期内平滑后进行加权处理得到对应的状态参数。7.根据权利要求6所述的方法，其特征在于，所述根据所述季节变化率与所述变化率平均值，获取状态参数序列的特征系数，包括：将所述季节变化率与所述变化率平均值的差值作为所述特征系数；或者，根据所述非季节性用户行为数据和所述变化率平均值的增 量获取季节增长量，并将所述周期用户行为数据与所述季节增长量的差值与所述非季节性用户行为数据的比值作为所述特征系数。8.根据权利要求6所述的方法，其特征在于，所述将所述特征系数在至少两个单位统计周期内平滑后进行加权处理得到对应的状态参数序列，包括：将至少两个单位统计周期内为正数的特征系数的平均值进行线性加权处理后，得到对应的状态参数序列。9.根据权利要求1-8之一所述的方法，其特征在于，所述使用所述状态参数序列以及从第三方平台获取的、对第二实体集合进行调研所形成的调研数据，构造用于预测行为参考信息的线性回归模型，包括：从所述调研数据中提取出优质时间序列；使用所述优质时间序列和所述状态参数序列进行拟合，得到所述线性回归模型。10.根据权利要求1-8之一所述的方法，其特征在于，所述使用所述状态参数序列以及从第三方平台获取的、对第二实体集合进行调研所形成的调研数据，构造用于预测行为参考信息的线性回归模型，包括以下至少一项：采用自回归积分滑动平均模型算法从所述试题调研数据中对应的一致指数调查数据获取一致指数优质时间序列，并根据所述一致指数优质时间序列和所述状态参数序列拟合得到所述一致指数的线性回归模型；采用自回归积分滑动平均模型算法从所述试题调研数据中对应的先行指数调查数据获取先行指数优质时间序列，并根据所述先行指数优质时间序列和所述状态参数序列拟合得到所述先行指数的线性回归模型；采用向量自回归模型算法从所述试题调研数据中对应的生产者物 价指数调查数据获取生产者物价指数优质时间序列，并根据所述生产者物价指数优质时间序列和所述状态参数序...

【专利技术属性】
技术研发人员：韩雷，韩艳，曹永创，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京;11