信息推送方法、装置、电子设备和可读介质制造方法及图纸

本申请提供一种信息推送方法、装置、电子设备和可读介质。该方法包括：获取用户集合的用户特征数据；根据用户特征数据，对各个业务类型对应的各个业务场景进行预测，得到协同数据矩阵；根据用户集合对应的各个业务类型下的用户数量和各个业务场景下的用户数量，构建卷积核；根据卷积核对协同数据矩阵进行卷积计算，得到用户集合中每个用户的综合矩阵，综合矩阵包括用户对应于各个业务类型对应的各个业务场景的概率得分；根据各个用户的综合矩阵确定对应的推荐业务场景，向各个用户推送推荐业务场景对应的推荐信息。该方法避免推送的信息对用户的骚扰，提升用户对信息推送的用户体验。本申请实施例可应用于车联网、智慧出行领域。域。域。

【技术实现步骤摘要】
信息推送方法、装置、电子设备和可读介质


[0001]本申请涉及计算机
，尤其涉及一种信息推送荐方法、装置、电子设备和可读介质。

技术介绍

[0002]一个产品完整的生命周期一般包括：初创阶段、成长阶段、成熟阶段、衰退阶段、退出阶段这五个阶段。对应着五个阶段，所涉及到的业务场景通常包括：拉新活动、流失预警活动、流失挽回活动、付费拉新活动、付费回流活动等营销方案活动。
[0003]在相关技术中，企业对于产品生命周期管理的营销方案，一般采用根据单个场景中的单个业务进行的营销干预。
[0004]然而，有很多用户存在于产品的多个业务以及多个场景中，目前的方案中每个场景的每个业务会对用户给出各自的营销干预，导致用户受到多个营销干预的影响，容易对用户造成骚扰，降低了用户对产品营销活动的用户体验。

技术实现思路

[0005]基于上述技术问题，本申请提供一种信息推送方法、装置、电子设备和可读介质，以减少不必要的信息推送，从而避免推送的信息对用户的骚扰，提升用户对信息推送的用户体验。
[0006]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0007]根据本申请实施例的一个方面，提供一种信息推送方法，包括：获取用户集合的用户特征数据，所述用户集合中的每个用户对应于至少一个业务类型，每个业务类型对应于至少一个业务场景；根据所述用户特征数据，对各个业务类型对应的各个业务场景进行预测，得到协同数据矩阵，其中，所述协同数据矩阵中包括各个业务类型对应的各个业务场景对应的概率得分；根据所述用户集合对应的各个业务类型下的用户数量和各个业务场景下的用户数量，构建卷积核；根据所述卷积核对所述协同数据矩阵进行卷积计算，得到所述用户集合中每个用户的综合矩阵，所述综合矩阵包括用户对应于各个业务类型对应的各个业务场景的概率得分；根据各个用户的综合矩阵确定对应的推荐业务场景，向所述各个用户推送所述推荐业务场景对应的推荐信息。
[0008]根据本申请实施例的一个方面，提供一种信息推送装置，包括：数据获取模块，用于获取用户集合的用户特征数据，所述用户集合中的每个用户对应于至少一个业务类型，每个业务类型对应于至少一个业务场景；
矩阵预测模块，用于根据所述用户特征数据，对各个业务类型对应的各个业务场景进行预测，得到协同数据矩阵，其中，所述协同数据矩阵中包括各个业务类型对应的各个业务场景对应的概率得分；卷积核构建模块，用于根据所述用户集合对应的各个业务类型下的用户数量和各个业务场景下的用户数量，构建卷积核；卷积计算模块，用于根据所述卷积核对所述协同数据矩阵进行卷积计算，得到所述用户集合中每个用户的综合矩阵，所述综合矩阵包括用户对应于各个业务类型对应的各个业务场景的概率得分；信息推送模块，用于根据各个用户的综合矩阵确定对应的推荐业务场景，向所述各个用户推送所述推荐业务场景对应的推荐信息。
[0009]在本申请的一些实施例中，基于以上技术方案，所述用户特征数据包含历史特征数据和样本特征数据；所述矩阵预测模块，包括：权重计算子模块，用于根据所述历史特征数据，利用对应于各个业务场景的权重模型计算各个业务场景对应的权重向量；概率预测子模块，用于根据所述样本特征数据和所述权重向量进行概率预测，得到各个业务场景对应的概率得分向量；用户分组子模块，用于根据所述概率得分向量和所述用户集合进行用户分组，得到对应于所述用户集合的协同数据矩阵。
[0010]在本申请的一些实施例中，基于以上技术方案，所述信息推送模块，包括：卷积计算子模块，用于根据所述卷积核对所述权重向量进行卷积计算，得到所述用户集合中每个用户的权重向量，所述权重向量包括用户对应于各个业务类型对应的各个业务场景的权重值；用户确定子模块，用于根据每个用户的综合矩阵，确定各个业务场景的目标用户；配置结果确认子模块，用于根据所述目标用户的权重向量，确定所述目标用户的推荐配置结果，所述推荐配置结果中包括推荐业务类型和对应的推荐业务场景；推送子模块，用于根据所述推荐配置结果中的推荐业务类型和对应的推荐业务场景，向所述目标用户推送推荐信息。
[0011]在本申请的一些实施例中，基于以上技术方案，所述权重计算子模块，包括：训练样本确定单元，用于根据所述历史特征数据，确定对应于各个业务类型的各个业务场景的训练样本集合和测试样本集合；权重模型获取单元，用于获取所述各个业务类型的各个业务场景对应的权重模型；权重模型训练单元，用于将对应于所述各个业务场景的训练样本集合和测试样本集合分别输入到对应的权重模型进行计算和测试，得到对应于各个业务场景的权重向量。
[0012]在本申请的一些实施例中，基于以上技术方案，所述权重模型训练单元，包括：迭代训练子单元，用于将对应于各个业务场景的训练样本集合和所述测试样本集合分别输入待训练模型中进行迭代训练；权重模型确定子单元，用于当达到迭代结束条件时，获取训练过的待训练模型作为权重模型；
权项向量获取子单元，用于获取各个权重模型输出的预测结果作为对应于各个业务场景的权重向量。
[0013]在本申请的一些实施例中，基于以上技术方案，所述训练样本确定单元包括：业务场景确定子单元，用于根据所述历史特征数据，确定所述用户集合中各个用户对应的业务场景；历史数据分组子单元，用于根据所述各个用户对应业务类型和业务场景，对所述历史特征数据进行分组，得到对应于各个业务类型对应的各个业务场景的历史数据分组；特征划分子单元，用于将所述历史数据分组中的数据划分成稀疏特征数据集合和稠密特征数据集合；数据组合子单元，用于按照预设的数据组合比例对所述稀疏特征数据集合和稠密特征数据集合中的数据进行组合，得到对应于各个业务场景的训练样本集合和测试样本集合。
[0014]在本申请的一些实施例中，基于以上技术方案，所述业务场景确定子单元配置成：基于所述历史特征数据，对于各个业务类型，确定各个用户在第K
‑
1个时间周期的消费特征数据和活跃特征数据，其中，所述第K
‑
1个时间周期为当前时间周期的上一个时间周期，K为大于2的整数；根据各个用户的所述消费特征数据和活跃特征数据确定各个用户的业务场景；若用户在第K个时间周期之前未进行过登陆，确定所述用户对应的业务场景为拉新场景；若用户在第K
‑
1个时间周期进行过登陆，在所述第K个时间周期未进行登录，确定所述用户对应的业务场景为流失预警场景；若用户在第K
‑
2个时间周期进行过登陆，在所述第K
‑
1个时间周期未进行登录，在所述第K个时间周期进行登录，确定所述用户对应的业务场景为流失挽回场景；若用户在第K个时间周期之前进行过登陆但未消费，在第K个时间周期进行登录并消费，确定所述用户对应的业务场景为付费新增场景；若用户在第K
‑
2个时间周期进行过登陆并消费，在第K
‑
1个时间周期进行登录未消费，在第K个时间周期进行登录并消费，确定所述用户对应的业务场景为付费回流场景。<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：获取用户集合的用户特征数据，所述用户集合中的每个用户对应于至少一个业务类型，每个业务类型对应于至少一个业务场景；根据所述用户特征数据，对各个业务类型对应的各个业务场景进行预测，得到协同数据矩阵，其中，所述协同数据矩阵中包括各个业务类型对应的各个业务场景对应的概率得分；根据所述用户集合对应的各个业务类型下的用户数量和各个业务场景下的用户数量，构建卷积核；根据所述卷积核对所述协同数据矩阵进行卷积计算，得到所述用户集合中每个用户的综合矩阵，所述综合矩阵包括用户对应于各个业务类型对应的各个业务场景的概率得分；根据各个用户的综合矩阵确定对应的推荐业务场景，向所述各个用户推送所述推荐业务场景对应的推荐信息。2.根据权利要求1所述的方法，其特征在于，所述用户特征数据包含历史特征数据和样本特征数据；所述根据所述用户特征数据，对各个业务类型对应的各个业务场景进行预测，得到协同数据矩阵，包括：根据所述历史特征数据，利用对应于各个业务场景的权重模型计算各个业务场景对应的权重向量；根据所述样本特征数据和所述权重向量进行概率预测，得到各个业务场景对应的概率得分向量；根据所述概率得分向量和所述用户集合进行用户分组，得到对应于所述用户集合的协同数据矩阵。3.根据权利要求2所述的方法，其特征在于，所述根据各个用户的综合矩阵确定对应的推荐业务场景，向所述各个用户推送所述推荐业务场景对应的推荐信息，包括：根据所述卷积核对所述权重向量进行卷积计算，得到所述用户集合中每个用户的权重向量，所述权重向量包括用户对应于各个业务类型对应的各个业务场景的权重值；根据每个用户的综合矩阵，确定各个业务场景的目标用户；根据所述目标用户的权重向量，确定所述目标用户的推荐配置结果，所述推荐配置结果中包括推荐业务类型和对应的推荐业务场景；根据所述推荐配置结果中的推荐业务类型和对应的推荐业务场景，向所述目标用户推送推荐信息。4.根据权利要求2所述的方法，其特征在于，所述根据所述历史特征数据，利用对应于各个业务场景的权重模型计算各个业务场景对应的权重向量，包括：根据所述历史特征数据，确定对应于各个业务类型的各个业务场景的训练样本集合和测试样本集合；获取所述各个业务类型的各个业务场景对应的权重模型；将对应于所述各个业务场景的训练样本集合和测试样本集合分别输入到对应的权重模型进行计算和测试，得到对应于各个业务场景的权重向量。5.根据权利要求4所述的方法，其特征在于，所述将对应于所述各个业务场景的训练样本集合和测试样本集合分别输入到对应的权重模型进行计算和测试，得到对应于各个业务
场景的权重向量，包括：将对应于各个业务场景的训练样本集合和所述测试样本集合分别输入待训练模型中进行迭代训练；当达到迭代结束条件时，获取训练过的待训练模型作为权重模型；获取各个权重模型输出的预测结果作为对应于各个业务场景的权重向量。6.根据权利要求4所述的方法，其特征在于，所述根据所述历史特征数据，确定对应于各个业务类型的各个业务场景的训练样本集合和测试样本集合，包括：根据所述历史特征数据，确定所述用户集合中各个用户对应的业务场景；根据所述各个用户对应业务类型和业务场景，对所述历史特征数据进行分组，得到对应于各个业务类型对应的各个业务场景的历史数据分组；将所述历史数据分组中的数据划分成稀疏特征数据集合和稠密特征数据集合；按照预设的数据组合比例对所述稀疏特征数据集合和稠密特征数据集合中的数据进行组合，得到对应于各个业务场景的训练样本集合和测试样本集合。7.根据权利要求6所述的方法，其特征在于，所述根据所述历史特征数据，确定所述用户集合中各个用户对应的业务场景，包括：基于所述历史特征数据，对于各个业务类型，确定各个用户在第K
‑
1个时间周期的消费特征数据和活跃特征数据，其中，所述第K
‑
1个时间周期为当前时间周期的上一个时间...

【专利技术属性】
技术研发人员：钟子宏，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：