一种信息推送方法及装置与流程

1.本发明涉及计算机技术领域，尤其涉及一种信息推送方法及装置。


背景技术：

2.在电商领域中，加购行为预示着用户在短期内对加购的物品、或者该物品所属品类、品牌或店铺有着较强的兴趣。如何准确预测用户加购行为的有效性，对于优化电商平台的运营以及提高用户粘性来说十分重要。
3.目前，主要基于用户的历史行为数据(如用户在过去几个月内的点击行为数据)来构建模型，并基于构建的模型来预测用户加购行为的有效性。
4.由于模型构建过程仅考虑了用户的历史行为数据，导致模型预测结果的实时性较差，从而降低了预测结果的准确性。


技术实现要素：

5.有鉴于此，本发明实施例提供一种信息推送方法及装置，由于根据用户的实时行为数据来确定用户执行目标行为的第二概率，并根据第二概率以及用户实时加购数据的操作结果来优化行为预测模型，也就是根据用户的实时加购数据及其实时的操作结果来优化行为预测模型，从而提高了模型预测结果的准确性，由此进一步根据模型预测结果进行信息推送，从而提高信息推送的准确性，有利于提高用户粘度。
6.为实现上述目的，根据本发明实施例的一个方面，提供了一种信息推送方法。
7.本发明实施例的一种信息推送方法包括：获取第一用户针对第一物品的第一实时行为数据；
8.根据所述第一实时行为数据以及行为预测模型，确定所述第一用户执行目标行为的第一概率；其中，所述行为预测模型是根据多个第二用户的历史行为数据进行训练，且根据第三用户的第二实时行为数据、以及所述第三用户是否执行所述目标行为的操作结果进行优化得到的；
9.根据所述第一概率，为所述第一用户推送信息。
10.可选地，对所述行为预测模型的优化包括：
11.根据所述第二实时行为数据以及训练后的所述行为预测模型，确定所述第三用户执行所述目标行为的第二概率；
12.根据所述操作结果以及所述第二概率，对所述行为预测模型进行优化；所述操作结果包括所述第三用户是否执行所述目标行为。
13.可选地，所述历史行为数据包括以下任意一个或多个：所述历史行为数据对应的第一加购事件特征、所述第二用户的长期用户特征、所述历史行为数据对应物品的长期属性特征。
14.可选地，在所述历史行为数据包括了所述长期用户特征和所述长期属性特征的情况下，还包括：
15.根据所述行为预测模型的深度以及缓存的容量，对所述长期用户特征和所述长期属性特征进行筛选；
16.将筛选后的长期用户特征和所述长期属性特征存入所述缓存中。
17.可选地，所述确定所述第三用户执行所述目标行为的第二概率，包括：
18.根据所述第二实时行为数据，确定所述第二实时行为对应的第二物品被加购时的第二加购事件特征、第三用户的短期行为特征和所述第二物品的属性特征；
19.分别对所述第三用户的短期行为特征和所述第二物品的属性特征与所述缓存中存储的所述长期用户特征、所述长期属性特征进行合并；
20.根据合并后的数据以及所述第二加购事件特征，生成预测样本；
21.将所述预测样本作为所述行为预测模型的输入，并根据所述行为预测模型的输出确定所述第三用户执行所述目标行为的第二概率。
22.可选地，所述第一加购事件特征包括以下任意一个或多个：加购路径、加购时物品的实时价值、物品是否对应有虚拟资源。
23.可选地，所述根据所述第一概率，为所述第一用户推送信息，包括：
24.当所述第一概率小于预设阈值时，根据所述第一实时加购数据所包括的第三加购事件特征，为所述第一用户推送与所述第一物品相关的虚拟资源。
25.可选地，所述根据所述第一概率，为所述第一用户推送信息，包括：
26.根据所述第一概率以及所述第一实时加购数据所包括的第三加购事件特征，确定所述第一物品在搜索结果的排列顺序，并根据所述排列顺序生成搜索结果；
27.将生成的所述搜索结果展示给所述第一用户。
28.可选地，还包括：
29.根据所述第一概率，优化所述第一用户的用户画像和/或第一物品的物品画像。
30.为实现上述目的，根据本发明实施例的又一方面，提供了一种信息推送装置。
31.本发明实施例的一种信息推送装置包括：实时数据获取模块、概率确定模块和信息推送模块；其中，
32.所述实时数据获取模块，用于获取第一用户针对第一物品的第一实时行为数据；
33.所述概率确定模块，根据所述第一实时行为数据以及行为预测模型，确定所述第一用户执行目标行为的第一概率；其中，所述行为预测模型是根据多个第二用户的历史行为数据进行训练，且根据第三用户的第二实时行为数据、以及所述第三用户是否执行所述目标行为的操作结果进行优化得到的；
34.所述信息推送模块，用于根据所述第一概率，为所述第一用户推送信息。
35.为实现上述目的，根据本发明实施例的又一方面，提供了一种电子设备。
36.本发明实施例的一种电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的一种信息推送方法。
37.为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读存储介质。
38.本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种信息推送方法。
39.上述发明中的一个实施例具有如下优点或有益效果：通过获取第三用户针对第一物品的第二实时行为数据，并根据第二实时行为数据以及行为预测模型，确定第三用户执行目标行为的第二概率。然后，在获取到第三用户是否执行目标行为的操作结果后，根据操作结果以及第二概率，对行为预测模型进行优化。由此实现了根据用户的实时行为数据及其实时的操作结果来优化行为预测模型，从而提高了模型预测的实时性，进而提高了模型预测结果的准确性。进一步地，在获取到用户的实时行为数据及其实时的操作结果后，即可对行为预测模型进行优化，缩短了行为预测模型的优化周期，从而进一步提高了行为预测模型的预测结果准确性。由此进一步根据模型预测结果进行信息推送，从而提高信息推送的准确性，有利于提高用户粘度。
40.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
41.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
42.图1是根据本发明实施例的一种信息推送方法的主要步骤的示意图；
43.图2是根据本发明实施例的一种实现行为预测模型的优化方法的架构图；
44.图3是根据本发明实施例的一种行为预测模型的效果验证示意图；
45.图4是根据本发明实施例的一种行为预测模型的预测结果示意图；
46.图5是根据本发明实施例的另一种信息推送方法的主要步骤的示意图；
47.图6是根据本发明实施例的一种信息推送装置的主要模块的示意图；
48.图7是本发明实施例可以应用于其中的示例性系统架构图；
49.图8是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
50.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
51.需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
52.图1是根据本发明实施例的一种信息推送方法的主要步骤的示意图。
53.如图1所示，本发明实施例的一种信息推送方法主要包括以下步骤：
54.步骤s101：获取第一用户针对第一物品的第一实时行为数据。
55.步骤s102：根据所述第一实时行为数据以及行为预测模型，确定所述第一用户执行目标行为的第一概率；其中，所述行为预测模型是根据多个第二用户的历史行为数据进行训练，且根据第三用户的第二实时行为数据、以及所述第三用户是否执行所述目标行为的操作结果进行优化得到的。
56.步骤s103：根据所述第一概率，为所述第一用户推送信息。
57.在本发明实施例中，行为预测模型的优化步骤可以具体包括：根据所述第二实时行为数据以及训练后的所述行为预测模型，确定所述第三用户执行所述目标行为的第二概率；根据所述操作结果以及所述第二概率，对所述行为预测模型进行优化；所述操作结果包括所述第三用户是否执行所述目标行为。
58.可以理解的是，第二用户和第三用户可以是相同的用户，也可以是不同的用户。在本发明实施例中，第二用户和第三用户仅作为实时加购数据和历史行为数据的获取对象的区分，而不对第二用户和第三用户所对应的真实对象进行限定。也就是说，第二用户可以是同一批用户，也可以是不同用户，也即，用于模型训练的历史行为数据和用于模型优化的第二实时行为数据可以来自于相同的用户，也可以来自于不同的用户。
59.第二实时行为数据可以基于flink框架进行实时流式处理，即实时数据不停下发，来一条实时数据即处理一条实时数据。
60.所述历史行为数据包括以下任意一个或多个：所述历史行为数据对应的第一加购事件特征、所述第二用户的长期用户特征、所述历史行为数据对应物品的长期属性特征。
61.在获取到历史行为数据之后，可对历史行为数据进行特征提取，以确定历史行为数据对应的第一加购事件特征、第二用户的长期用户特征和历史行为数据对应物品的长期属性特征。
62.其中，第一加购事件特征包括以下任意一个或多个：加购路径、加购时物品的实时价值、物品是否对应有虚拟资源。
63.在本发明一个优选的实施方式中，将加购路径作为训练行为预测模型的一个特征，对行为预测模型进行训练。加购路径主要指物品的加购渠道，如用户通过物品推荐页面、店铺或物品的活动页面、历史订单页面、或搜索页面等渠道进行加购。具体地，某些电商运营会通过活动鼓励用户加购物品换取一定的虚拟资源(积分、优惠券、购物津贴或红包等)奖励，用户则可从相应的活动页面将物品加入购物车，这部分活动诱导的加购，往往是运营圈定的部分物品，用户下单的概率较低；再比如，对一个店铺而言，某个时刻店铺在发放大额满减购物劵，在此场景下，因为优惠力度极大，加购该店铺物品的用户下单的概率较大；另外，在用户本身的角度，因为用户往往会考虑自己熟悉的物品，因此若用户对某个在品牌、品类、店铺维度下有明显多次历史行为的加购行为，用户再次加购下单的概率会大于用户对陌生物品下单的概率，也就是说，用户从历史购买过的店铺再次加购时，其下单的概率较大。再比如，用户搜索某物品，通过搜索页面加购，由于用户精准搜索并加购，说明用户对该物品的购买欲望较为强烈，因此通过此加购渠道加购的物品，其下单概率也较大。由此可以看出，不同的加购路径，用户下单(目标行为)的概率会有所不同，将加购路径作为行为预测模型的训练特征，有利于提高行为预测模型的预测准确性。
64.另外，加购时物品的实时价值也会影响加购物品的下单概率，如加购时物品处于一个月内的最低价，则用户下单(目标行为)的概率会较高。加购时物品是否对应有虚拟资源也会影响加购物品的下单概率，例如，加购时物品对应有大额优惠券或购物红包等，则加购物品的下单概率会较高。
65.由此可以看出，加购路径、加购时物品的实时价值、物品是否对应有虚拟资源等第一加购事件特征均可能影响物品的下单概率，在本发明一个优选的实施方式中，将加购路径、加购时物品的实时价值、物品是否对应有虚拟资源进行one
‑
hot编码，以将编码得到的
特征作为行为预测模型的训练特征，由此有利于提高行为预测模型的准确性。
66.另外，第二用户的长期用户特征主要指用户的行为流特征(用户一段时间内点击下单加购行为序列)以及用户的偏好特征(用户对某个品牌的偏好或者对某个店铺的偏好情况)。用户的行为流数据主要为用户在加购前一段时间内(如前1天、3天、5天、7天、10天、15天、30天)的点击、下单、收藏、加购总次数，以及细分到店铺、品牌、品类下的次数。用户长期偏好特征主要为用户画像特征，诸如用户对加购商品对应的品牌、品类、店铺的偏好值以及用户自身的购买力分数、用户性别、年龄等。
67.历史行为数据对应物品的长期属性特征主要包括两类数据，分别为商品的行为流数据以及商品的长期画像。商品的行为流数据主要为该商品对应的店铺、品牌、品类在被加购前一段时间内(如前1天、3天、5天、7天、10天、15天、30天)的点击、下单、收藏、加购总次数。商品长期特征主要为该商品对应的店铺、品牌、品类的好评度等。
68.对上述第一加购事件特征、长期用户特征、物品的长期属性特征进行编码拼接后，即可形成训练样本，可将其以txt形式保存在固定路径下，等待训练程序的载入，以训练行为预测模型。
69.在本发明实施例中，行为预测模型可采用xgboost中的gbtree模型对训练样本进行训练。具体地，可将上述构建出的训练样本作为数据集，按照一定比例(如4:1的比例)随机将训练样本划分为训练集与测试集，采用gbtree booster回归树方法作为boosting的算法框架构建决策树模型，对目标函数采用贪婪方法进行逐步优化和迭代，主要调整学习率、最大深度、迭代轮数等参数，综合考虑train
‑
error的值以及train
‑
error/test
‑
error的结果，在确保模型效果最好的前提下，避免过拟合。
70.根据历史行为数据对行为预测模型的训练可以离线进行，训练框架基于hive实现，通过xgboost实现对训练样本的模型训练后，可将训练后的行为预测模型上传部署到服务器。由此，可将历史行为数据对应的特征通过mapreduce程序从hdfs写入redis中，以供实时读写，从而便于与实时加购数据对应的特征进行拼接。
71.由于本发明实施例面向电商应用场景，考虑到亿级别的用户群体数据量较大，且最终模型部署于线上，历史行为数据对应的离线特征只能推入redis中进行存储，以便于在线上进行调取。而redis存储虽然时效性较高，但存储容量优先，因此为了兼顾redis缓存的容量大小以及行为预测模型的实际效果优劣，可对长期用户特征和物品的长期属性特征进行筛选，再将筛选后的特征存入redis。
72.具体地，可根据所述行为预测模型的深度以及缓存的容量，对所述长期用户特征和所述长期属性特征进行筛选，以降低所述长期用户特征和所述长期属性特征的维度；将筛选后的长期用户特征和所述长期属性特征存入所述缓存中。
73.例如，可通过主成分分析法对长期用户特征进行特征重要性分析，以保留重要的几组特征。在本发明实施方式中，由于特征维数较多，而最优树模型的最大深度不高(6～8)，大量特征并没有被采用，诸如用户婚姻状况，用户某个sku下的30天内的点击行为等，经过特征重要性分析后，发现其占比不高且占用了较大的存储空间，因此综合考虑redis的存储空间以及模型效果，对这些特征进行筛选，以对长期用户特征和物品的长期属性特征进行降维，从而降低redis中的数据存储量。在对特征进行筛选后，通过hive加工得到待推入的数据表，然后通过mapreduce程序，map抽取hdfs路径下的表文件数据并进行解析分发，在
reduce中写入redis，并对存储的key设定一定的过期时间，在写入过程中，还可通过不写入0值以及编码field的形式，大量减少实际写入redis的存储空间。
74.在本发明一个实施例中，在获取到第二实时行为数据后，可根据所述第二实时行为数据，确定所述第二实时行为对应的第二物品被加购时的第二加购事件特征、第三用户的短期行为特征和所述第二物品的属性特征；分别对所述第三用户的短期行为特征和所述第二物品的属性特征与所述缓存中存储的所述长期用户特征、所述长期属性特征进行合并；根据合并后的数据以及所述第二加购事件特征，生成预测样本；将所述预测样本作为所述行为预测模型的输入，并根据所述行为预测模型的输出确定所述第三用户执行所述目标行为(如针对第一物品下单)的第二概率。
75.其中，第二加购事件特征与第一加购事件特征相似，可包括第二实时行为数据对应的加购路径、加购时第二物品的实时价值以及第二物品是否对应有虚拟资源等特征。可通过加购埋点来区分加购渠道，并对其进行one
‑
hot编码，得到加购路径。另外，可通过加购物品编码，调用实时物品服务rpc获取该加购的第二物品对应的品牌、品类、店铺、价格等数据，以及该第二物品是否覆盖相关优惠等，生成第二加购事件特征中的实时价值和第二物品是否对应有虚拟资源等特征。
76.第三用户的短期行为特征主要为用户的行为流数据，即用户加购前短时间内(如前1、3、6、12、24小时内)的点击、下单、收藏、加购总次数，以及细分到店铺、品牌、品类下的次数。第二物品的属性特征主要为第一物品的行为流数据，如为第二物品对应的店铺、品牌、品类在加购前短时间内(如前1、3、6、12、24小时内)被点击、下单、收藏、加购的总次数。
77.第二实时行为数据对应的短期行为特征可通过实时加工后存储到redis中。具体地，可通过flink程序接入实时点击流，通过不同的埋点解析出点击、加购、收藏和下单等用户行为数据，以用户账号为redis的查询key，先获取redis中存储的用户历史行为序列，然后将新的行为合并进旧行为流中。值得一提的是，线上模型可采用最大24小时内的特征数据，故在合并历史行为完毕后，可对24小时前的数据进行剔除，并将结果返回redis中，等待下一次用户行为到来，从而节约缓存资源。
78.另外，第二实时行为数据对应的第二物品属性特征可通过flink程序接入实时点击流，通过不同的埋点解析出点击、加购、收藏和下单等用户行为，通过行为中的物品编号，调用实时物品服务rpc，返回该物品对应的品牌、品类及店铺数据等，然后flink中利用分发机制及aggregrate算子模块，实现该品牌、品类及店铺在短时间内(如10min内)各行为数据聚合，以品牌、品类及店铺编号为redis的查询key，先获取redis中存储的物品对应的历史序列，将新聚合的数据合并进之前的数据流中。与短期行为特征数据相似地，由于线上模型采用最大24小时内的特征数据，故在合并完毕后，需要对24小时前的数据进行剔除，并将结果返回redis中，等待下一次用户行为到来。
79.将第三用户的短期行为特征与缓存中存储的长期用户特征进行结合、以及将第二物品的属性特征与缓存中存储的长期属性特征进行合并后，可将新旧特征的合并结果下发落表在hdfs路径下，以为行为预测模型的训练提供24小时内用户的短期行为特征及物品的短期特征。其中，新旧特征的合并可通过特征拼接实现，在特征拼接后构成libsvm数据格式，以形成预测样本，然后调用训练后的行为预测模型，输出预测结果，即输出第三用户针对第二物品下单的第二概率。上述新旧特征的合并以及行为预测模型的预测的过程可通过
如图2所示的架构实现。
80.根据第二实时行为数据对应的操作结果，对第二实时行为数据进行打标。例如，根据在第二实时行为数据之后4小时内的数据确定其对应的操作结果，也就是说，若在第二实时行为数据产生之后的4小时内(即第二物品被加入购物车之后的4小时内)，第三用户对第二物品下单，则可将该第二实时行为数据打标为正样本，反之，若在第二实时数据加购数据产生之后的4小时内，第三用户未对第二物品下单，则可将该第二实时行为数据打标为负样本。然后，根据打标后的正负样本对行为预测模型进行优化。
81.例如，当第二概率指示第三用户对第二物品下单的概率较大，而实际第二实时行为数据为负样本，则说明行为预测模型的调参还不是最优状态，此时可根据打标后的第二实时行为数据对行为预测模型进行优化，以提高行为预测模型的预测准确性。其中，当行为预测模型为xgboost模型时，优化时可综合评估精度、召回、f1值来评估模型效果。
82.另外，行为预测模型除了可采用xgboost方法进行训练，还可采用其他树模型方法，例如随机森林等，或者采用深度学习等算法，比如rnn等。
83.根据上述实施例，本发明实施例引入了24小时内的日内特征、商品维度的特征以及具有加购特点的渠道特征编码等非常用特征，显著提升了加购模型的实际预测效果；同时充分均衡了模型效果与存储机器资源，实现了将离线特征及模型预测的模型泛化性强的优点与实时预测的时效性好的优点相结合，对电商场景的海量数据存储、redis交互等显示问题，提出了工程上高效解决的方案。
84.在模型训练/优化后，线上模型可通过jenkins平台在flink中进行模型的加载，程序通过ducc进行模型版本的控制。在日常情况下，离线模型训练完毕后即可立刻更新至实时预测程序中，在大促情况或程序异常情况下，通过ducc版本控制不更新最新模型，而是调用稳定性更好的模型版本进行容错。
85.在本发明一个具体的实施例中，采用2020
‑8‑
5日之前的加购数据构成训练样本，其中正负样本比例1:2.5，并且通过实时分发2020
‑8‑
6日的实时加购数据预测结果，并关联实时加购数据在未来4小时的订单支付情况进行评估，模型效果如图3和图4所示。其中，行为预测模型的预测结果(即行为预测模型输出的概率)在0～1的区间，概率越高，则认为对物品下单的概率越高。在本实施例中，通过以不同阈值对正负样本进行划分来进行行为预测模型的效果评估。如图3所示的数据，当阈值0.5时，模型精度0.63，召回0.39，f1值0.49，效果明显。另外，如图4所示，不同区间的占比整体分布随概率值变化呈现递减趋势(如图4的柱状图)，落在0到0.1概率区间上的数据最多，0.9到1概率区间上的数据最少，但是转化率情况相反(如图4的线型图)，符合电商下单的实际情况，说明最终模型区分度效果良好。
86.根据本发明实施例的一种信息推送方法可以看出，通过获取第三用户针对第一物品的第二实时行为数据，并根据第二实时行为数据以及行为预测模型，确定第三用户执行目标行为的第二概率。然后，在获取到第三用户是否执行目标行为的操作结果后，根据操作结果以及第二概率，对行为预测模型进行优化。由此实现了根据用户的实时行为数据及其实时的操作结果来优化行为预测模型，从而提高了模型预测的实时性，进而提高了模型预测结果的准确性。进一步地，在获取到用户的实时行为数据及其实时的操作结果后，即可对行为预测模型进行优化，缩短了行为预测模型的优化周期，从而进一步提高了行为预测模型的预测结果准确性。由此进一步根据模型预测结果进行信息推送，从而提高信息推送的
准确性，有利于提高用户粘度。
87.在对行为预测模型进行优化之后，可利用行为预测模型预测第一用户针对第一物品下单(执行目标行为)的第一概率，进而为第一用户推送相应的信息，从而有利于提高用户粘度。基于此，如图5所示，本发明实施例提供的一种信息推送方法可以包括以下步骤：
88.步骤s501：获取第一用户针对第一物品的第一实时加购数据。
89.步骤s502：根据优化后的行为预测模型，确定所述第一用户针对所述第一物品下单的第一概率；
90.步骤s503：根据所述第一概率，为所述第一用户推送信息。
91.根据上述实施例，可利用优化后的行为预测模型准确预测第一用户针对第一物品下单的第一概率，进而根据第一概率为第一用户推送信息，从而提高信息推送的准确性，进而有利于提高用户粘度，有利于提高电商平台的运营。
92.具体地，可根据第一概率的大小，为第一用户推送不同的信息。在本发明一个实施例中，当所述第一概率小于预设阈值时，根据所述第一实时加购数据所包括的第三加购事件特征，为所述第一用户推送与所述第一物品相关的虚拟资源。
93.当第二概率小于预设阈值时，说明第一用户针对第一物品下单的概率较低，此时可通过第以实时加购数据所包括的第三加购事件特征，如根据第以用户的加购路径、第一物品被加购时的价格以及第一物品被加购时是否覆盖了优惠券等，为第一用户推送信息。
94.例如，当第一用户根据购买过店铺页面或搜索页面加购第一物品，而加购时第一物品未覆盖优惠券，则当行为预测模型预测出第一用户下单的第一概率较低时，可将相应的虚拟资源(优惠券、红包、积分或电子礼品等)推送给第一用户，从而提高第一用户下单的概率。
95.另外，在本发明一个实施例中，还可根据所述第一概率以及所述第一实时加购数据所包括的第三加购事件特征，确定所述第一物品在搜索结果的排列顺序，并根据所述排列顺序生成搜索结果；将生成的所述搜索结果展示给所述第一用户。
96.例如，当第一概率较低，且第三加购事件特征指示第一用户从某个活动页面将第一物品加入购物车，如前所述，某些电商运营会通过活动鼓励用户加购物品换取一定的虚拟资源(积分、优惠券、购物津贴或红包等)奖励，用户则可从相应的活动页面将物品加入购物车，这部分活动诱导的加购，往往是运营圈定的部分商品，用户实际对这些物品的兴趣较低。因此，当第一用户根据店铺或品类对物品进行搜索时，可将这些物品排列在搜索结果中靠后的顺序，使得第一用户优先查看其可能感兴趣的物品，从而提高用户粘度。
97.再比如，当第一概率较高和/或用户是从已历史购买订单或店铺的路径将第一物品加入购物车，说明第一用户对第一物品的兴趣较高，则可将第一物品排列在搜索结果中靠前的顺序，使得第一用户优先查看其可能感兴趣的物品，从而提高用户粘度。
98.此外，在本发明一个实施例中，还可根据所述第一概率，优化所述第一用户的用户画像和/或所述第一物品的物品画像。由于第一概率指示了第一用户对第一物品下单的概率，则第一概率也可说明第一用户感兴趣的品类或店铺，即可说明第一用户对于品类或店铺等的偏好，因此，可根据第一概率优化第一用户的用户画像。另外，若根据第一概率确定出多个用户对于第一物品的下单概率均较高，则说明该物品是广受用户喜爱的物品，这体现了物品画像的一个方面。反之，若多个用户对于第一物品的下单概率均较低，则说明该物
品的质量或营销策略(价格和是否覆盖优惠券等)可能存在问题，这也体现了物品画像，由此实现根据第一概率优化第一物品的物品画像。
99.根据本发明实施例的一种信息推送方法可以看出，利用优化后的行为预测模型准确预测第一用户针对第一物品下单的第一概率，进而根据第一概率为第一用户推送信息，从而提高信息推送的准确性，进而有利于提高用户粘度，有利于提高电商平台的运营。
100.图6是根据本发明实施例的一种信息推送装置的主要模块的示意图。
101.如图6所示，本发明实施例的一种信息推送装置600包括：实时数据获取模块601、概率确定模块602和信息推送模块603；其中，
102.所述实时数据获取模块601，用于获取第一用户针对第一物品的第一实时行为数据；
103.所述概率确定模块602，用于根据所述第一实时行为数据以及行为预测模型，确定所述第一用户执行目标行为的第一概率；其中，所述行为预测模型是根据多个第二用户的历史行为数据进行训练，且根据第三用户的第二实时行为数据、以及所述第三用户是否执行所述目标行为的操作结果进行优化得到的；
104.所述信息推送模块603，用于根据所述第一概率，为所述第一用户推送信息。
105.在本发明一个实施例中，所述概率确定模块602，用于根据所述第二实时行为数据以及训练后的所述行为预测模型，确定所述第三用户执行所述目标行为的第二概率；根据所述操作结果以及所述第二概率，对所述行为预测模型进行优化；所述操作结果包括所述第三用户是否执行所述目标行为。
106.在本发明一个实施例中，所述历史行为数据包括以下任意一个或多个：所述历史行为数据对应的第一加购事件特征、所述第二用户的长期用户特征、所述历史行为数据对应物品的长期属性特征。
107.在本发明一个实施例中，概率确定模块602，用于根据所述行为预测模型的深度以及缓存的容量，对所述长期用户特征和所述长期属性特征进行筛选，以降低所述长期用户特征和所述长期属性特征的维度；将筛选后的长期用户特征和所述长期属性特征存入所述缓存中。
108.在本发明一个实施例中，概率确定模块602，用于根据所述第二实时行为数据，确定所述第二实时行为对应的第二物品被加购时的第二加购事件特征、第三用户的短期行为特征和所述第二物品的属性特征；分别对所述第三用户的短期行为特征和所述第二物品的属性特征与所述缓存中存储的所述长期用户特征、所述长期属性特征进行合并；根据合并后的数据以及所述第二加购事件特征，生成预测样本；将所述预测样本作为所述行为预测模型的输入，并根据所述行为预测模型的输出确定所述第三用户执行所述目标行为的第二概率。
109.在本发明一个实施例中，所述第一加购事件特征包括以下任意一个或多个：加购路径、加购时物品的实时价值、物品是否对应有虚拟资源。
110.在本发明一个实施例中，信息推送模块603，用于当所述第一概率小于预设阈值时，根据所述第一实时加购数据所包括的第三加购事件特征，为所述第一用户推送与所述第一物品相关的虚拟资源。
111.在本发明一个实施例中，信息推送模块603，用于根据所述第一概率以及所述第一
实时加购数据所包括的第三加购事件特征，确定所述第一物品在搜索结果的排列顺序，并根据所述排列顺序生成搜索结果；将生成的所述搜索结果展示给所述第一用户。
112.在本发明一个实施例中，所述信息推送模块603，用于根据所述第一概率，优化所述第一用户的用户画像和/或第一物品的物品画像。
113.根据本发明实施例提供的信息推送装置，通过获取第三用户针对第一物品的第二实时行为数据，并根据第二实时行为数据以及行为预测模型，确定第三用户执行目标行为的第二概率。然后，在获取到第三用户是否执行目标行为的操作结果后，根据操作结果以及第二概率，对行为预测模型进行优化。由此实现了根据用户的实时行为数据及其实时的操作结果来优化行为预测模型，从而提高了模型预测的实时性，进而提高了模型预测结果的准确性。进一步地，在获取到用户的实时行为数据及其实时的操作结果后，即可对行为预测模型进行优化，缩短了行为预测模型的优化周期，从而进一步提高了行为预测模型的预测结果准确性。由此进一步根据模型预测结果进行信息推送，从而提高信息推送的准确性，有利于提高用户粘度。
114.图7示出了可以应用本发明实施例的信息推送方法或信息推送装置的示例性系统架构700。
115.如图7所示，系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
116.用户可以使用终端设备701、702、703通过网络704与服务器705交互，以接收或发送消息等。终端设备701、702、703上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
117.终端设备701、702、703可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
118.服务器705可以是提供各种服务的服务器，例如对用户利用终端设备701、702、703所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
119.需要说明的是，本发明实施例所提供的信息推送方法一般由服务器705执行，相应地，信息推送装置一般设置于服务器705中。
120.应该理解，图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
121.下面参考图8，其示出了适于用来实现本发明实施例的终端设备的计算机系统800的结构示意图。图8示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
122.如图8所示，计算机系统800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram 803中，还存储有系统800操作所需的各种程序和数据。cpu 801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
123.以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
124.特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本发明的系统中限定的上述功能。
125.需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
126.附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
127.描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括第一实时数据获取模块、第一概率确定模块和模型优化模块。其中，这些模块的名称在某
种情况下并不构成对该模块本身的限定，例如，实时数据获取模块还可以被描述为“获取第一实时行为数据的模块”。
128.作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取第一用户针对第一物品的第一实时行为数据；根据所述第一实时行为数据以及行为预测模型，确定所述第一用户执行目标行为的第一概率；其中，所述行为预测模型是根据多个第二用户的历史行为数据进行训练，且根据第三用户的第二实时行为数据、以及所述第三用户是否执行所述目标行为的操作结果进行优化得到的；根据所述第一概率，为所述第一用户推送信息。
129.根据本发明实施例的技术方案，通过获取第三用户针对第一物品的第二实时行为数据，并根据第二实时行为数据以及行为预测模型，确定第三用户执行目标行为的第二概率。然后，在获取到第三用户是否执行目标行为的操作结果后，根据操作结果以及第二概率，对行为预测模型进行优化。由此实现了根据用户的实时行为数据及其实时的操作结果来优化行为预测模型，从而提高了模型预测的实时性，进而提高了模型预测结果的准确性。进一步地，在获取到用户的实时行为数据及其实时的操作结果后，即可对行为预测模型进行优化，缩短了行为预测模型的优化周期，从而进一步提高了行为预测模型的预测结果准确性。由此进一步根据模型预测结果进行信息推送，从而提高信息推送的准确性，有利于提高用户粘度。
130.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。