一种信息推送方法、装置、存储介质及电子设备与流程

1.本说明书涉及计算机技术领域，尤其涉及一种信息推送方法、装置、存储介质及电子设备。


背景技术：

2.随着科技的发展，越来越多的用户更愿意在网络服务平台上进行消费，其中，网络服务平台可包括：购物平台、社交平台、外卖平台等。各网络服务平台为了提高用户体验，可以根据预测出的消费意图为用户推荐相关的服务信息。所以，准确预测出用户的消费意图显得十分重要。
3.现有技术中，可以将最近一段时间用户的行为日志以及用户画像输入待训练的消费意图预测模型，通过消费意图预测模型输出待优化的消费意图。以待优化的消费意图与标注的消费意图的差异最小化为训练目标，对该消费意图预测模型进行训练。消费意图预测模型训练完成之后，消费意图预测模型根据用户当前的行为日志，为用户预测出相应的消费意图。根据用户的消费意图，为用户推荐相应的信息。
4.然而，现有技术中根据用户的行为日志以及用户画像训练所得的消费意图预测模型只能学习到用户的偏好以及用户偏好对应的消费意图，在使用消费意图预测模型时，根据用户偏好所预测出的消费意图并不能准确代表用户的实际需求，从而降低信息推送的准确性。比如：当用户搜索“咖啡店”时，可以根据训练完成的消费意图预测模型预测出用户的消费意图是喝咖啡，这时为用户推荐用户所偏好的咖啡店。但事实上，用户搜索“咖啡店”只是为了找到距离用户自身最近的咖啡店休息一下，而不是喝咖啡。在用户想休息一下的实际需求下，可以为用户推荐距离用户最近的咖啡店，而不限于用户偏好的咖啡店。


技术实现要素：

5.本说明书实施例提供一种信息推送方法、装置、存储介质及电子设备，以部分解决上述现有技术存在的问题。
6.本说明书实施例采用下述技术方案：
7.本说明书提供的一种信息推送方法，所述方法包括：
8.获取用户的用户信息以及所述用户产生历史消费数据所对应的时间信息和地点信息；
9.根据所述用户信息、所述时间信息以及所述地点信息，构建第一关系图；
10.根据所述第一关系图，确定所述用户信息对应的待优化用户特征、所述时间信息对应的待优化时间特征和所述地点信息对应的待优化地点特征；
11.根据所述待优化用户特征、所述待优化时间特征和所述待优化地点特征，确定所述用户对应的待优化消费意图特征；
12.至少以所述待优化消费意图特征与预先对所述历史消费数据标注的消费意图对应的消费意图特征之间的差异最小化为目标，对所述待优化用户特征、所述待优化时间特
征以及所述待优化地点特征进行优化；
13.根据优化后的用户特征、优化后的时间特征与优化后的地点特征，确定所述用户当前的消费意图；
14.根据所述用户当前的消费意图，为所述用户推送信息。
15.可选地，预先对所述历史消费数据标注，具体包括：
16.获取各历史消费数据对应的评论数据；
17.根据预设的各消费意图，将各历史消费数据对应的评论数据与所述预设的各消费意图进行匹配；
18.根据匹配结果，对各历史消费数据进行消费意图的标注。
19.可选地，在根据所述用户信息、所述时间信息以及所述地点信息，构建第一关系图之前，所述方法还包括：
20.获取历史上所述用户的各操作行为以及各操作行为所对应的各商品类型；
21.将所述用户信息对应的待优化用户特征和所述各商品类型对应的待优化商品类型特征作为节点，并将所述各操作行为作为所述待优化用户特征节点与各待优化商品类型特征节点之间的边，构建第二关系图。
22.可选地，根据所述用户信息、所述时间信息以及所述地点信息，构建第一关系图，具体包括：
23.将所述时间信息对应的待优化时间特征、所述地点信息对应的待优化地点特征以及所述第二关系图中所述用户信息对应的待优化用户特征作为节点，并根据任意两个节点之间的共现关系构建第一关系图。
24.可选地，根据所述第一关系图，确定所述用户信息对应的待优化用户特征，具体包括：
25.针对所述第二关系图中每个用户信息对应的待优化用户特征节点，将与该用户信息对应的待优化用户特征节点邻接的各待优化商品类型特征节点对应的待优化商品类型特征，以及该用户信息对应的待优化用户特征进行聚合，将聚合得到的特征重新确定为该用户信息对应的待优化用户特征，并将所述第二关系图中重新确定的该用户信息对应的待优化用户特征作为所述第一关系图中该用户信息对应的待优化用户特征。
26.可选地，将与该用户信息对应的待优化用户特征节点邻接的各待优化商品类型特征节点对应的待优化商品类型特征，以及该用户信息对应的待优化用户特征进行聚合，具体包括：
27.确定与该用户信息对应的待优化用户特征节点邻接的各待优化商品类型特征节点，作为邻接节点；
28.针对每个邻接节点，确定该用户信息对应的待优化用户特征节点与该邻接节点之间的边对应的操作行为，并根据所述操作行为，确定该邻接节点的聚合权重；
29.根据各邻接节点的聚合权重，将各邻接节点对应的待优化商品类型特征以及该用户信息对应的待优化用户特征进行聚合。
30.可选地，至少以所述待优化消费意图特征与预先对所述历史消费数据标注的消费意图对应的消费意图特征之间的差异最小化为目标，对所述待优化用户特征、所述待优化时间特征以及所述待优化地点特征进行优化，具体包括：
31.确定所述第二关系图中与所述待优化用户特征存在指定操作行为的各待优化商品类型特征，作为指定待优化商品类型特征；
32.确定所述待优化用户特征与各指定待优化商品类型特征之间的相似度；
33.以所述相似度最大化、所述待优化消费意图特征与预先对所述历史消费数据标注的消费意图对应的消费意图特征之间的差异最小化为目标，对所述待优化用户特征、所述待优化时间特征以及所述待优化地点特征进行优化。
34.可选地，根据所述待优化用户特征、所述待优化时间特征和所述待优化地点特征，确定所述用户对应的待优化消费意图特征，具体包括：
35.根据预设的用户特征权重、时间特征权重、地点特征权重，将所述用户信息对应的待优化用户特征、所述时间信息对应的待优化时间特征以及所述地点信息对应的待优化地点特征进行加权平均，得到所述用户对应的待优化消费意图特征。
36.可选地，所述方法还包括：
37.针对预设的每个消费意图，将该消费意图进行特征表示，得到该消费意图对应的初始消费意图特征；
38.将所述初始消费意图特征分割成至少两个子特征；
39.针对任意两个子特征，确定该两个子特征之间的语义相关系数；
40.以任意两个子特征之间的语义相关系数最小化为目标，对所有子特征进行调整，得到调整后的各子特征；
41.将调整后的各子特征进行融合，得到该消费意图对应的最终消费意图特征。
42.可选地，根据优化后的用户特征、优化后的时间特征与优化后的地点特征，确定所述用户当前的消费意图，具体包括：
43.根据所述用户的当前用户信息、当前时间信息和当前地点信息，获取所述当前用户信息对应的优化后的用户特征、所述当前时间信息对应的优化后的时间特征以及所述当前地点信息对应的优化后的地点特征；
44.根据所述当前用户信息对应的优化后的用户特征、所述当前时间信息对应的优化后的时间特征以及所述当前地点信息对应的优化后的地点特征，确定所述用户的当前消费意图特征；
45.将所述当前消费意图特征与预设的各消费意图对应的各最终消费意图特征进行匹配；
46.根据匹配结果，确定与所述当前消费意图特征最接近的最终消费意图特征，并将最接近的最终消费意图特征对应的消费意图作为所述用户当前的消费意图。
47.本说明书提供的一种信息推送装置，包括：
48.获取模块，用于获取用户的用户信息以及所述用户产生历史消费数据所对应的时间信息和地点信息；
49.关系图构建模块，用于根据所述用户信息、所述时间信息以及所述地点信息，构建第一关系图；
50.第一确定模块，用于根据所述第一关系图，确定所述用户信息对应的待优化用户特征、所述时间信息对应的待优化时间特征以及所述地点信息对应的待优化地点特征；
51.第二确定模块，用于根据所述待优化用户特征、所述待优化时间特征和所述待优
化地点特征，确定所述用户对应的待优化消费意图特征；
52.优化模块，用于至少以所述待优化消费意图特征与预先对所述历史消费数据标注的消费意图对应的消费意图特征之间的差异最小化为目标，对所述待优化用户特征、所述待优化时间特征以及所述待优化地点特征进行优化；
53.第三确定模块，用于根据优化后的用户特征、优化后的时间特征与优化后的地点特征，确定所述用户当前的消费意图；
54.信息推送模块，用于根据所述用户当前的消费意图，为所述用户推送信息。
55.本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的信息推送方法。
56.本说明书提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的信息推送方法。
57.本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
58.本说明书实施例中根据用户的历史消费数据，建立用户信息、时间信息与地点信息三者之间的关系图。根据关系图，确定用户信息对应的优化后的用户特征、时间信息对应的优化后的时间特征和地点信息对应的优化后的地点特征。根据优化后的用户特征、优化后的时间特征和优化后的地点特征，确定用户当前的消费意图，并根据当前的消费意图，为用户推送信息。在此方法中，用户消费意图的确定考虑了用户信息、消费的时间和消费的地点，可以有效避免预测出的消费意图不符合用户实际需求的问题，从而提高消费意图预测的准确性，并提高信息推送的准确性。
附图说明
59.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
60.图1为本说明书实施例提供的信息推送方法的流程示意图；
61.图2为本说明书实施例提供的第二关系图的结构示意图；
62.图3为本说明书实施例提供的第一关系图的结构示意图；
63.图4为本说明书实施例提供的待优化用户特征、待优化时间特征和待优化地点特征的优化的示意图；
64.图5为本说明书实施例提供的待优化用户特征节点的特征聚合示意图；
65.图6为本说明书实施例提供的待优化商品类型特征节点的特征聚合示意图；
66.图7为本说明书实施例提供的信息推送装置结构示意图；
67.图8为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
68.本说明书提供的信息推送方法旨在根据用户的偏好以及用户消费场景，建立关系图，基于建立的关系图，对关系图中每个节点的特征表示进行优化，并将每个节点的特征表示进行保存。当需要对用户当前的消费意图进行预测时，查找与当前消费场景对应的特征，并预测用户当前的消费意图。
69.在本说明书中，在推送信息之前，需要预测出用户当前的消费意图。而用户的消费意图主要与用户的偏好、用户的消费场景有关。针对这两个影响消费意图预测的因素，可以通过建立关系图的方式，融合用户偏好对应的特征与用户消费场景对应的特征，从而根据融合后的综合特征，预测用户当前的消费意图。其中，用户的消费场景至少包括：用户信息、时间信息和地点信息。
70.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
71.以下结合附图，详细说明本说明书各实施例提供的技术方案。
72.图1为本说明书实施例提供的信息推送方法的流程示意图，包括：
73.s100：获取用户的用户信息以及所述用户产生历史消费数据所对应的时间信息和地点信息。
74.在本说明书实施例中，用户可以是多个用户。针对任意的网络服务平台，可以获取该网络服务平台上所有用户的所有历史消费数据。针对每个用户的每个历史消费数据，可以根据该历史消费数据中包含的用户标识，确定与用户标识对应的用户的用户信息，然后，获取该用户的用户信息。同时，可以根据该历史消费数据中包含的时间和地点，确定该用户产生该历史消费数据所对应的时间信息和地点信息。其中，网络服务平台可以是电商平台、外卖平台、社交平台等。用户信息可以包括：用户年龄、用户性别、用户职业、是否婚配、是否有孩子等用户画像信息。时间信息可以包括：当天是否为节假日、距离下一个假期还有几天、距离上一个假期过去了几天、当天是星期几、当前时刻所属的范围区间等。即，时间信息可以表示周期性时间变化的各类时间信息。地点信息可以包括地点类型，比如：商场、居民楼、办公楼、道路等。
75.在本说明书实施例中，在获取到所有用户的历史消费数据之后，可以确定各历史消费数据对应的用户信息、时间信息和地点信息。针对每个历史消费数据，可以根据该历史消费数据对应的用户信息、时间信息和地点信息，确定该历史消费数据对应的消费场景，即，消费场景至少包括：用户信息、时间信息和地点信息。然后，根据该历史消费数据对应的消费场景，确定该历史消费数据对应的消费意图。接下来，以消费场景包括用户信息、时间信息和地点信息为例，对确定历史消费数据对应的消费意图进行说明。
76.具体的，针对每个历史消费数据，可以由用户信息、时间信息、地点信息构成的三元组表示该历史消费数据的消费场景。即，历史消费数据的消费场景可以表示为<用户信息，时间信息，地点信息>。其中，可以根据历史消费数据对应的用户信息、时间信息和地点信息的不同来表示不同的消费场景。然后，可以根据不同的消费场景，为不同的消费场景人工定义不同的消费意图，作为预设的各消费意图。根据预设的各消费意图，对每个用户的每个历史消费数据进行标注。
77.需要说明的是，图1所示的信息推送方法可以应用于各类存在消费行为的网络服务平台。
78.s102：根据所述用户信息、所述时间信息以及所述地点信息，构建第一关系图。
79.在本说明书实施例中，由于用户在某个时刻出现在某个地点一般是带有目的性
的，所以，用户产生历史消费数据的消费场景可以影响消费意图的预测。因此，可以根据用户的消费场景，通过图神经网络建立用户信息、时间信息和地点信息三者之间的关系图，作为第一关系图。其中，第一关系图可以是无向图。然后，根据构建的第一关系图中用户信息、时间信息和地点信息的特征表示，预测用户的消费意图。
80.具体的，针对每个用户的每个历史消费数据，可以将该历史消费数据对应的时间信息所对应的待优化时间特征、地点信息对应的待优化地点特征以及该用户的用户信息对应的待优化用户特征作为节点，并根据任意两个节点之间的共现关系构建第一关系图。其中，共现关系可以是指第一关系图中任意两个节点对应的信息是否均与同一历史消费数据相关。也就是，针对第一关系图中的每个用户，判断该用户是否在任意时间任意地点产生历史消费数据。第一关系图是由不同用户的不同历史消费数据对应的用户信息、时间信息和地点信息构建而成的。
81.进一步，若第一关系图中任意两个节点均与同一历史消费数据相关，则该两个节点之间存在连接边。若第一关系图中任意两个节点不与同一历史消费数据相关，则该两个节点之间不存在连接边。也就是，同一历史消费数据对应的待优化用户特征节点、待优化时间特征节点和待优化地点特征节点两两之间存在连接边。
82.其中，第一关系图可以表示为：g1＝(v1，e1，x1)，g1可以表示用户、时间、地点之间的共现关系。v1可以表示第一关系图中节点的集合，第一关系图中的节点包括用户信息对应的待优化用户特征节点、时间信息对应的待优化时间特征节点和地点信息对应的待优化地点特征节点。e1可以表示边的集合，即，任意两个节点之间的共现关系。x1可以表示每个节点的特征，即，待优化用户特征节点的待优化用户特征、待优化时间特征节点的待优化时间特征和待优化地点特征节点的待优化地点特征。第一关系图中每个待优化用户特征节点的待优化用户特征可以由用户画像信息所对应的各特征拼接而成，每个待优化时间特征节点的待优化时间特征可以由周期性时间变化的各类时间信息对应的特征拼接而成，每个待优化地点特征节点的待优化地点特征可以是地点类型的标识对应的特征。地点类型的标识可以是地点编号。另外，针对第一关系图中每个节点，可以将与该节点的邻接节点的特征传播给该节点，并根据传播的特征进行特征聚合，重新得到该节点的特征。需要说明的是，任意两个节点之间特征的传播和聚合可以进行多次。
83.需要说明的是，第一关系图中待优化用户特征节点的待优化用户特征就是用户信息对应的待优化用户特征，待优化时间特征节点的待优化时间特征就是时间信息对应的待优化时间特征，待优化地点特征节点的待优化地点特征就是地点信息对应的待优化地点特征。
84.由于影响消费意图预测的因素还包括用户的偏好，所以，为了使第一关系图中用户信息对应的待优化用户特征表示的更加充分，可以将第一关系图中待优化用户特征与表示用户偏好的特征进行融合，重新确定第一关系图中用户信息对应的待优化用户特征。而针对用户的偏好，可以构建第二关系图，并通过第二关系图确定用户信息对应的待优化用户特征，即，第二关系图中的待优化用户特征可以表示用户的偏好。然后，将第二关系图中用户信息对应的待优化用户特征作为第一关系图中同一用户信息的待优化用户特征。这样，第一关系图的用户信息的待优化用户特征可以表示用户的偏好。所以，在构建第一关系图之前，可以先构建第二关系图。
85.在本说明书实施例中，针对用户的偏好，用户历史上的操作行为在一定程度上可以反映用户的偏好。其中，操作行为可以包括：浏览行为、点击行为、购买行为、收藏等。比如：以外卖平台为例，用户历史上浏览、点击或购买的商品都是价位比较高的商品，可以反映出用户更注重商品的质量，在消费意图预测时不会出现“随便吃点”。
86.另外，用户的偏好可以包括：用户偏好的商品类型、用户偏好的商品属性(比如：口味风格、消费水平、性价比、品牌)等。商品类型可以包括：服装、首饰、肉食、素食等。
87.因此，可以根据用户对不同商品类型的不同操作行为，通过图神经网络建立用户与商品类型之间的关系图，作为第二关系图。其中，第二关系图可以是有向图，也可以是无向图。
88.具体的，针对产生历史消费数据的每个用户，获取历史上该用户的各操作行为以及各操作行为所对应的各商品类型。然后，将该用户的用户信息对应的待优化用户特征和各商品类型对应的待优化商品类型特征作为节点，将各操作行为作为待优化用户特征节点与各待优化商品类型特征节点之间的边，构建第二关系图。也就是，第二关系图是由不同用户与不同用户对应的商品类型构建而成的。
89.其中，第二关系图可以表示为：g2＝(v2，e2，x2)，g2可以表示用户与商品类型之间的操作行为。v2可以表示第二关系图中节点的集合，第二关系图中的节点包括用户信息对应的待优化用户特征节点和商品类型对应的待优化商品类型特征节点。e1可以表示边的集合，即，各操作行为。x2可以表示每个节点的特征，即，待优化用户特征节点的待优化用户特征和待优化商品类型特征节点的待优化商品类型特征。第二关系图中的每个待优化用户特征节点的待优化用户特征可以由用户画像信息所对应的各特征拼接而成，每个待优化商品类型特征节点的待优化商品类型特征可以是商品类型的标识所对应的特征。商品类型的标识可以是商品类型编号。另外，针对第二关系图中每个节点，可以将与该节点的邻接节点的特征传播给该节点，并根据传播的特征进行特征聚合，得到该节点的特征。需要说明的是，任意两个节点之间特征的传播和聚合可以进行多次。
90.需要说明的是，第二关系图中待优化用户特征节点的待优化用户特征就是用户信息对应的待优化用户特征，待优化商品类型特征节点的待优化商品类型特征就是商品类型对应的待优化商品类型特征。待优化用户特征节点与待优化商品类型特征节点之间的操作行为就是用户信息与商品类型之间的操作行为。
91.另外，构建的第二关系图如图2所示。在图2中，以两个用户，三个商品类型为例，两个用户为用户a和用户b，用户a对应的待优化用户特征节点为待优化用户特征节点1，用户b对应的待优化用户特征节点为待优化用户特征节点2，三个商品类型为商品类型1～3，商品类型1对应待优化商品类型特征节点1、商品类型2对应待优化商品类型特征节点2和商品类型3对应待优化商品类型特征节点3。待优化用户特征节点1与待优化商品类型特征节点1之间存在浏览行为(用虚线表示)，待优化用户特征节点1与待优化商品类型特征节点2之间存在点击行为(用短线
‑
点表示)，待优化用户特征节点1与待优化商品类型特征节点3之间存在购买行为(用实线表示)。待优化用户特征节点2与待优化商品类型特征节点2之间存在浏览行为，待优化用户特征节点2与待优化商品类型特征节点3之间存在购买行为。
92.继续沿用上例，构建的第一关系图如图3所示。在图3中，用户a购买商品类型3产生历史消费数据a，历史消费数据a对应于待优化时间特征节点1和待优化地点特征节点1。用
户b购买商品类型3产生历史消费数据b，历史消费数据b对应于待优化时间特征节点2和待优化地点特征节点1。
93.需要说明的是，构建第一关系图和第二关系图不只是确定关系图中各节点之间的连接关系，还需要确定关系图中各节点的特征。
94.s104：根据所述第一关系图，确定所述用户信息对应的待优化用户特征、所述时间信息对应的待优化时间特征和所述地点信息对应的待优化地点特征。
95.在本说明书实施例中，由于第一关系图中用户信息对应的待优化用户特征与第二关系图中同一用户信息对应的待优化用户特征相同，所以，确定第一关系图中用户信息对应的待优化用户特征，就是确定第二关系图中同一用户信息对应的待优化用户特征。
96.具体的，可以根据构建的第二关系图，确定第二关系图中每个用户的用户信息对应的待优化用户特征。然后，根据构建的第一关系图与待优化用户特征，确定第一关系图中每个历史消费数据对应的用户信息对应的待优化用户特征、时间信息对应的待优化时间特征和地点信息对应的待优化地点特征。
97.进一步，针对第二关系图中每个用户信息对应的待优化用户特征节点，将与该用户信息对应的待优化用户特征节点邻接的各待优化商品类型特征节点对应的待优化商品类型特征，以及该用户信息对应的待优化用户特征进行聚合，将聚合得到的特征重新确定为该用户信息对应的待优化用户特征，并将第二关系图中重新确定的该用户信息对应的待优化用户特征作为第一关系图中该用户信息对应的待优化用户特征。
98.在将第二关系图中每个用户信息对应的待优化用户特征作为第一关系图中每个用户信息对应的待优化用户特征之后，针对第一关系图中的每个节点，将与该节点邻接的各节点对应的待优化特征，以及该节点对应的待优化特征进行聚合，将聚合得到的待优化特征重新确定为该节点对应的待优化特征。
99.具体的，针对第一关系图中的每个待优化用户特征节点，将与该待优化用户特征节点邻接的各节点对应的待优化特征，以及该待优化用户特征节点对应的待优化用户特征进行聚合，将聚合得到的待优化用户特征重新确定为该待优化用户特征节点对应的待优化用户特征。针对第一关系图中的每个待优化时间特征节点，将与该待优化时间特征节点邻接的各节点对应的待优化特征，以及该待优化时间特征节点对应的待优化时间特征进行聚合，将聚合得到的待优化时间特征重新确定为该待优化时间特征节点对应的待优化时间特征。针对第一关系图中的每个待优化地点特征节点，将与该待优化地点特征节点邻接的各节点对应的待优化特征，以及该待优化地点特征节点对应的待优化地点特征进行聚合，将聚合得到的待优化地点特征重新确定为该待优化地点特征节点对应的待优化地点特征。
100.s106：根据所述待优化用户特征、所述待优化时间特征和所述待优化地点特征，确定所述用户对应的待优化消费意图特征。
101.在本说明书实施例中，在确定第一关系图中每个用户的每个历史消费数据对应的待优化用户特征、待优化时间特征和待优化地点特征之后，可以根据预设的用户特征权重、时间特征权重、地点特征权重，将该历史消费数据对应的待优化用户特征、待优化时间特征以及待优化地点特征进行加权平均，得到该用户产生该历史消费数据所对应的待优化消费意图特征。其中，用户特征权重、时间特征权重、地点特征权重可以相同，也可以不同。
102.具体的，以用户特征权重、时间特征权重、地点特征权重均为为例，确定待优化消费意图特征的公式为：其中，θ(u)表示待优化用户特征，θ(t)表示待优化时间特征，θ(l)表示待优化地点特征。r表示待优化消费意图特征。
103.s108：至少以所述待优化消费意图特征与预先对所述历史消费数据标注的消费意图对应的消费意图特征之间的差异最小化为目标，对所述待优化用户特征、所述待优化时间特征以及所述待优化地点特征进行优化。
104.在本说明书实施例中，在确定每个用户产生每个历史消费数据所对应的待优化消费意图特征之后，可以针对每个用户的每个历史消费数据，对该历史消费数据对应的待优化用户特征、待优化时间特征以及待优化地点特征进行优化。在对待优化用户特征、待优化时间特征以及待优化地点特征进行优化的过程中，可以将第二关系图中的待优化用户特征与第一关系图中的待优化时间特征、待优化地点特征进行联合优化。
105.具体的，针对第二关系图中每个待优化用户特征节点，确定第二关系图中与该待优化用户特征节点对应的待优化用户特征存在指定操作行为的各待优化商品类型特征节点对应的待优化商品类型特征，作为指定待优化商品类型特征。然后，确定该待优化用户特征节点对应的待优化用户特征与各指定待优化商品类型特征之间的相似度。以该待优化用户特征节点对应的待优化用户特征与各指定待优化商品类型特征之间的相似度最大化、该待优化用户特征节点对应的待优化用户特征所确定的待优化消费意图特征与该待优化用户特征节点对应的待优化用户特征所对应的历史消费数据标注的消费意图对应的消费意图特征之间的差异最小化为目标，对历史消费数据对应的待优化用户特征、待优化时间特征以及待优化地点特征进行联合优化，并将优化后的用户特征、优化后的时间特征与优化后的地点特征进行保存。其中，指定操作行为可以是购买行为。可以预先根据预设的消费意图，对每个历史消费数据进行消费意图的标注，并且将预设的消费意图进行特征表示，得到消费意图特征。
106.进一步，该待优化用户特征节点对应的待优化用户特征与各指定待优化商品类型特征之间的相似度最大化的优化目标可以包括：确定该待优化用户特征节点对应的待优化用户特征与各指定待优化商品类型特征之间的相似度，作为第一相似度。同时，确定与该待优化用户特征节点对应的待优化用户特征不存在指定操作行为的各待优化商品类型特征节点对应的待优化商品类型特征，作为非指定待优化商品类型特征。然后，确定非指定待优化商品类型特征与该待优化用户特征节点对应的待优化用户特征之间的第二相似度。最后，以第一相似度与第二相似度之间的差异最大化为优化目标，对待优化用户特征、待优化时间特征以及待优化地点特征进行优化。
107.基于图1所示的步骤s100～s108的待优化用户特征、待优化时间特征和待优化地点特征的优化的方法，本说明书提供一种待优化用户特征、待优化时间特征和待优化地点特征的优化的示意图。如图4所示。
108.s110：根据优化后的用户特征、优化后的时间特征与优化后的地点特征，确定所述用户当前的消费意图。
109.s112：根据所述用户当前的消费意图，为所述用户推送信息。
110.在本说明书实施例中，将每个历史消费数据对应的优化后的用户特征、优化后的时间特征和优化后的地点特征保存之后，由于短时间内用户的用户特征、地点特征并不会发生较大的改变，而时间特征表示的是各类具有周期性时间变化的时间信息，这些时间信息呈周期性变化，并不是限制于当前的具体时刻。所以，历史上的时间特征可以用于用户当前的时间信息。
111.在本说明书实施例中，针对第一关系图和第二关系图中存在优化后的用户特征的任意用户，可以对该用户未来的消费意图进行预测。也就是，第一关系图和第二关系图中未涉及的用户信息对应的用户，不能对其进行消费意图的预测。
112.在对用户当前的消费意图进行预测时，可以获取用户当前的用户信息，作为当前用户信息。同时，可以获取用户当前的时间信息和地点信息，分别作为当前时间信息和当前地点信息。然后，根据用户的当前用户信息、当前时间信息和当前地点信息，查找(获取)与当前用户信息对应的优化后的用户特征、与当前时间信息对应的优化后的时间特征、与当前地点信息对应的优化后的地点特征。根据当前用户信息对应的优化后的用户特征、当前时间信息对应的优化后的时间特征以及当前地点信息对应的优化后的地点特征，确定用户的当前消费意图特征。
113.具体的，可以根据预设的用户特征权重、时间特征权重和地点特征权重，将当前用户信息对应的优化后的用户特征、当前时间信息对应的优化后的时间特征以及当前地点信息对应的优化后的地点特征进行加权平均，将加权平均后的特征作为用户的当前消费意图特征。其中，用户特征权重、时间特征权重、地点特征权重可以相同，也可以不同。另外，用户特征权重、时间特征权重、地点特征权重与步骤s108中的用户特征权重、时间特征权重、地点特征权重一一对应。
114.进一步，将确定出的用户的当前消费意图特征与预设的各消费意图对应的最终消费意图特征进行匹配。根据匹配结果，确定与当前消费意图特征匹配的最终消费意图特征，并将匹配的最终消费意图特征对应的消费意图作为用户当前的消费意图。其中，最终消费意图特征是指预设的消费意图所表示的特征，也就是，上述步骤s108中的消费意图特征。
115.具体的，在将当前消费意图特征与各最终消费意图特征进行匹配时，可以计算当前消费意图特征与各最终消费意图特征之间的相似度。然后，根据当前消费意图特征与各最终消费意图特征之间的相似度，确定与当前消费意图特征匹配的最终消费意图特征。
116.进一步，可以将当前消费意图特征与各最终消费意图特征进行内积，根据内积结果，确定当前消费意图特征与各最终消费意图特征之间的相似度。具体的公式表示为：其中，r表示当前消费意图特征，i表示最终消费意图特征，score表示当前消费意图特征与最终消费意图特征之间的相似度(内积结果)。
117.在确定与当前消费意图特征匹配的最终消费意图特征时，可以根据当前消费意图特征与各最终消费意图特征之间的相似度，从各最终消费意图特征中选择出与当前消费意图特征相似度最大的最终消费意图特征，并将与当前消费意图特征相似度最大的最终消费意图特征对应的最终消费意图作为用户当前的消费意图。
118.此外，还可以根据当前消费意图特征与各最终消费意图特征之间的相似度，从各最终消费意图特征中选择出与当前消费意图特征相似度大于预设阈值的至少一个最终消
费意图特征。然后，将与当前消费意图特征相似度大于预设阈值的至少一个最终消费意图特征对应的至少一个最终消费意图作为用户当前的消费意图。
119.在确定用户当前的消费意图之后，可以根据用户当前的消费意图，为用户推送相关的信息。
120.在推送信息之前，针对预设的每个消费意图，建立该消费意图与各商家信息之间的关联关系。在推送信息时，可以根据用户当前的消费意图，查找到与用户当前的消费意图关联的各商家信息，并将各商家信息推送给用户。
121.另外，将本说明书中的信息推送方法与现有技术中的信息推送方法进行比较。
122.在本说明书中，以“休息一下”和“想喝咖啡”的消费意图为例，根据图1所述的信息推送方法，根据所有用户的历史消费数据对应的用户信息、地点信息和时间信息，将历史上所有用户下午4点位于路边所产生的购买咖啡的消费数据对应的消费场景确定为“休息一下”，将历史上所有用户上午8点在办公楼所产生的购买咖啡的消费数据对应的消费场景确定为“想喝咖啡”。在确定消费场景之后，在某个用户搜索“咖啡店”时，对该用户当前的消费意图进行预测，获取该用户当前的用户信息、当前的时间信息和当前的地点信息。如果用户在下午4点位于路边搜索“咖啡店”，可以确定用户的消费意图为“休息一下”，可以为该用户推送距离该用户最近的咖啡店。
123.通过上述图1所示的方法可见，本说明书可以根据用户的用户信息和商品类型构建第二关系图，通过第二关系图，可以确定用户包含偏好的用户特征。然后，可以根据第二关系图中用户包含偏好的用户特征、该用户产生历史消费数据的时间信息以及地点信息，构建第一关系图。根据第一关系图，确定用户的待优化用户特征、待优化时间特征以及待优化地点特征。然后，根据待优化用户特征、待优化时间特征以及待优化地点特征，确定待优化消费意图特征。至少以待优化消费意图特征与历史消费数据标注的消费意图对应的消费意图特征之间的差异最小化为目标，对待优化用户特征、待优化时间特征以及待优化地点特征进行优化，得到优化后的用户特征、优化后的时间特征以及优化后的地点特征。在对用户当前的消费意图进行预测时，可以查找与用户对应的优化后的用户特征、当前时间对应的优化后的时间特征、当前地点对应的优化后的地点特征。根据查找到的用户特征、时间特征和地点特征，确定用户当前的消费意图特征。将用户当前的消费意图特征与预设的消费意图对应的最终消费意图特征进行匹配，根据匹配结果，确定与用户当前的消费意图特征匹配的最终消费意图特征，并将匹配的最终消费意图特征对应的消费意图作为用户当前的消费意图。根据用户当前的消费意图，为用户推送信息。在此方法中，第二关系图中用户的用户特征包含了用户的偏好，第一关系图中融合了第二关系图中的用户特征、时间特征和地点特征之间的关系，这可以在体现用户偏好的同时考虑用户的消费场景，而根据第一关系图中的用户特征、时间特征和地点特征所预测出的消费意图，同样考虑了用户的偏好以及用户的消费场景。考虑用户的消费场景可以避免用户偶然性的操作行为对用户消费意图的预测所带来的影响，有效避免预测出的消费意图不符合用户实际需求的问题，从而提高消费意图预测的准确性，并提高信息推送的准确性。
124.进一步的，在如图1所示的步骤s100中，在确定每个历史消费数据的消费场景之后，在根据不同的消费场景确定不同的消费意图时，可以根据每个历史消费数据对应的消费场景以及每个历史消费数据对应的商品类型，人工定义各消费场景对应的消费意图。其
中，每个消费意图由一个或多个关键词组成。消费意图可以包括：休息一下、想喝咖啡、聚餐、回家做饭、美容、运动健身、休闲娱乐、汽车维修等。
125.消费场景中的用户信息以用户性别为例，时间信息以时刻点为例，地点信息以地点类型为例，构成的消费场景可以表示为<用户性别，时刻点，地点类型>。根据所有用户的历史消费数据，定义不同消费场景的消费意图。比如：消费场景1：男士用户18点在商场购买了蔬菜，消费意图可以定义为回家做饭；消费场景2：女士用户18点在商场购买了蔬菜，消费意图可以定义为回家做饭；消费场景3：女士用户18点在商场购买了护肤品，消费意图可以定义为美容；消费场景4：女士用户18点在商场做了美甲，消费意图可以定义为美容等。
126.在确定出不同消费场景对应的消费意图之后，可以对不同消费场景的消费意图进行合并和拆分。
127.具体的，当不同消费场景对应相同的消费意图时，可以将相同的消费意图进行合并。当消费场景对应的消费意图存在较大的语义空间时，可以对语义空间比较大的消费意图进行更加细致地拆分。
128.继续沿用上例，消费场景1和消费场景2的消费意图都是回家做饭，可以将消费场景1的回家做饭和消费场景2的回家做饭作为一个消费意图。消费场景3和消费场景4的消费意图都是美容，但是，可以根据用户消费的商品可以将美容拆分为护肤和美甲。
129.在将不同消费场景的消费意图进行合并和拆分之后，将通过合并和拆分得到的消费意图作为预设的各消费意图。然后，根据预设的各消费意图，对获取到的各历史消费数据进行标注。
130.具体的，获取各历史消费数据对应的评论数据。然后，根据预设的各消费意图，将各历史消费数据对应的评论数据与预设的各消费意图进行匹配。根据匹配结果，对各历史消费数据进行消费意图的标注。
131.进一步，将各历史消费数据对应的评论数据与预设的各消费意图进行匹配时，针对每个历史消费数据对应的评论数据，将该评论数据与每个消费意图对应的关键词进行模板匹配。若该评论数据中存在该消费意图对应的关键词，则该评论数据对应的历史消费数据的标注为该消费意图。其中，模块匹配可以是判断评论数据中是否存在消费意图对应的关键词。
132.比如：消费意图有：休闲娱乐、聚餐、回家做饭，评论数据1为“这是一个适合休闲娱乐的好地点”，评论数据2为“这家店非常适合聚餐”，评论数据3为“这个超市的蔬菜很新鲜，我经常下班顺路买一些回家”。将评论数据1～3与各消费意图进行模板匹配，评论数据1中存在“休闲娱乐”的消费意图，将评论数据1对应的历史消费数据标注为休闲娱乐。评论数据2中存在“聚餐”的消费意图，将评论数据2对应的历史消费数据标注为聚餐。而评论数据3与任何一个消费意图都匹配不上。
133.针对不存在消费意图对应的关键词的每个评论数据，可以通过词向量的方法，将该评论数据的语义与各消费意图对应的关键词的语义进行相似度计算，将语义相似度最大的消费意图作为该评论数据对应的历史消费数据的标注。其中，词向量可以表示词的语义信息。
134.具体的，针对不存在消费意图对应的关键词的每个评论数据，将该评论数据与各消费意图对应的关键词输入预先训练的词向量模型中，通过词向量模型输出与评论数据的
语义相似度最大的消费意图。然后，将语义相似度最大的消费意图作为该评论数据对应的历史消费数据的标注。
135.继续沿用上例，将评论数据3与各消费意图输入词向量模型中，通过词向量模型得到“休闲娱乐”与评论数据3的语义相似度为0.1，“聚餐”与评论数据3的语义相似度为0.5，“回家做饭”与评论数据3的语义相似度为0.9。因此，词向量模型输出与评论数据3的语义相似度最大的消费意图，即，回家做饭。然后，将评论数据3对应的历史消费数据标注为回家做饭。
136.其中，词向量模型的训练方法可包括：针对每个评论数据，设置一个固定文本长度的滑动窗口，通过固定文本长度的滑动窗口采集该评论数据中的部分词，将部分词中位于滑动窗口中心的词作为第一词，将部分词中除第一词之外的词作为第二词。将第一词和第二词输入待训练的词向量模型，词向量模型通过第一词的词向量预测滑动窗口中除第一词之外的其他词的词向量，作为待优化词向量。以待优化词向量与第二词的词向量之间的差异最小化为目标，对词向量模型进行训练。
137.在如图1所示的步骤s104中，针对第二关系图中每个用户信息对应的待优化用户特征节点，将与该用户信息对应的待优化用户特征节点邻接的各待优化商品类型特征节点对应的待优化商品类型特征，以及该用户信息对应的待优化用户特征进行聚合的方法可以包括：针对第二关系图中每个用户信息对应的待优化用户特征节点，确定与该用户信息对应的待优化用户特征节点邻接的各待优化商品类型特征节点，作为邻接节点。然后，针对每个邻接节点，确定该用户信息对应的待优化用户特征节点与该邻接节点之间的边对应的操作行为，并根据该用户信息对应的待优化用户特征节点与该邻接节点之间的边对应的操作行为，确定该邻接节点的聚合权重。根据各邻接节点的聚合权重，将各邻接节点对应的待优化商品类型特征以及该用户信息对应的待优化用户特征进行聚合。如图5所示。其中，由于用户与商品类型之间不同的操作为可以表示用户对商品类型的偏好程度，所以可以为不同类型的操作行为设置不同的聚合权重。聚合权重越高，说明操作行为越能够体现用户的偏好。也就是，可以根据不同的操作行为，确定不同的聚合权重。
138.在图5中，以待优化用户特征节点1为例，待优化商品类型特征节点1～3向待优化用户特征节点1传播特征，待优化用户特征节点1聚合待优化商品类型特征节点1～3传播的待优化商品类型特征以及待优化用户特征节点1对应的待优化用户特征。待优化用户特征节点1与待优化商品类型特征节点1之间的聚合权重为0.1，待优化用户特征节点1与待优化商品类型特征节2之间的聚合权重为0.2，待优化用户特征节点1与待优化商品类型特征节3之间的聚合权重为0.7。
139.其中，根据各邻接节点的聚合权重，将各邻接节点对应的待优化商品类型特征以及该用户信息对应的待优化用户特征进行聚合的方法可包括：在根据该用户信息对应的待优化用户特征节点与该邻接节点之间的边对应的操作行为，确定该邻接节点的聚合权重之后，确定相同聚合权重的邻接节点。将相同聚合权重的邻接节点对应的待优化商品类型特征以及该用户信息对应的待优化用户特征节点所对应的待优化用户特征进行聚合，得到局部待优化用户特征。其中，相同类型的操作行为的聚合权重相同。
140.具体的，局部待优化用户特征的聚合公式为：
其中，l表示第l次传播，表示用户u执行操作行为m的商品类型的集合，表示为第l次传播的商品类型对应的待优化商品类型特征，表示用户u在第l次传播时基于操作行为m聚合得到的局部待优化用户特征。
141.然后，在得到相同类型的操作行为对应的局部待优化用户特征之后，可以根据不同类型的操作行为对应的聚合权重，将不同类型的操作行为对应的局部待优化用户特征进行聚合，得到该用户信息对应的待优化用户特征节点对应的待优化用户特征，即，该用户信息对应的待优化用户特征。其中，在对该用户信息对应的待优化用户特征进行优化的过程中，不同类型的操作行为对应的聚合权重可动态调整。
142.进一步，待优化用户特征的聚合公式为：其中，n
r
表示操作行为的类型的集合，α
um
表示用户u执行操作行为m的聚合权重，表示用户u在第l次传播时基于操作行为m聚合得到的局部待优化用户特征，w
(l)
表示第l次传播的非线性变换参数，表示用户u第l 1次传播的待优化用户特征。
143.其中，用户u执行不同类型的操作行为的聚合权重是动态调整的，关于α
um
的公式为：其中，w
m
表示操作行为m的权重，代表操作行为m的重要性。n
r
表示操作行为的类型的集合，n
um
表示用户u执行操作行为m的总次数，α
um
表示用户u执行操作行为m的聚合权重。对于所有类型的操作行为，以∑
m
α
um
＝1为约束条件，对不同类型的操作行为的w
t
进行优化。
144.除了对第二关系图中每个用户信息对应的待优化用户特征节点进行特征聚合之外，还需要对第二关系图中每个商品类型对应的待优化商品类型特征节点进行特征聚合。
145.具体的，针对第二关系图中每个商品类型对应的待优化商品类型特征节点，确定与该商品类型对应的待优化商品类型特征节点邻接的各待优化用户特征节点。然后，将邻接的各待优化用户特征节点对应的待优化用户特征以及该商品类型对应的待优化商品类型特征进行聚合，并将聚合后的特征重新作为该商品类型对应的待优化商品类型特征。如图6所示。
146.在图6中，以待优化商品类型特征节点2为例，待优化用户特征节点1和待优化用户特征节点2向待优化商品类型特征节点2传播特征，待优化商品类型特征节点2聚合待优化用户特征节点1和待优化用户特征节点2传播的待优化用户特征以及待优化商品类型特征节点2对应的待优化商品类型特征。
147.具体的，任意待优化商品类型特征节点对应的待优化商品类型特征的聚合公式为：其中，n
u
(c)表示与商品类型c存在操作行为的用户集合，表示用户j在第l次传播时的待优化用户特征，w
(l)
表示第l次传播
的非线性变换参数，表示商品类型c在第l 1次传播时的待优化商品类型特征。
148.在步骤s104中，通过第二关系图中待优化用户特征节点与待优化商品类型特征节点之间的特征传播和聚合，可以确定各待优化用户特征节点对应的待优化用户特征和各待优化商品类型特征节点对应的待优化商品类型特征。然后，可以根据第二关系图的优化目标，单独对确定出的各待优化用户特征和各待优化商品类型特征进行优化。其中，第二关系图的优化目标可以是使存在指定操作行为的待优化用户特征与待优化商品类型特征之间相似度最大。
149.具体的，确定该待优化用户特征节点对应的待优化用户特征与各指定待优化商品类型特征之间的相似度，作为第一相似度。同时，确定与该待优化用户特征节点对应的待优化用户特征不存在指定操作行为的各待优化商品类型特征节点对应的待优化商品类型特征，作为非指定待优化商品类型特征。然后，确定非指定待优化商品类型特征与该待优化用户特征节点对应的待优化用户特征之间的第二相似度。最后，以第一相似度与第二相似度之间的差异最大化为优化目标，对待优化用户特征、待优化时间特征以及待优化地点特征进行优化。其中，指定操作行为可以是购买行为。
150.进一步，在确定待优化用户特征与待优化商品类型特征之间的相似度时，可以将待优化用户特征与待优化商品类型特征进行内积，得到待优化用户特征与待优化商品类型特征之间的相似度。
151.再进一步，相似度的公式为：其中，表示用户u在第l次传播时的待优化用户特征，表示商品类型c在第l次传播时的待优化商品类型特征。
152.在计算第一相似度和第二相似度之间的差异时，可以采用bpr误差计算公式：其中，o＝{(u,c
j
,c
k
)|(u,c
j
)∈r

,(u,c
k
)∈r
‑
}，r

表示历史消费数据中存在指定操作行为的集合，r
‑
表示历史消费数据中不存在指定操作行为的集合。σ表示sigmoid函数，可以将数据变换到0
‑
1范围内的数值。
153.在第二关系图中对各用户信息对应的待优化用户特征进行优化之后，可以将优化后的用户特征作为第一关系图中同一用户信息对应的用户特征。
154.在步骤s106～s108中，在第二关系图中优化后的用户特征作为第一关系图中同一用户信息对应的用户特征之后，可以对第一关系图中的待优化时间特征和待优化地点特征进行单独优化。
155.具体的，在第一关系图中，存在待优化用户特征节点、待优化时间特征节点和待优化地点特征节点这三类节点。当待优化用户特征节点对应的用户特征优化之后，只需对第一关系图中的待优化时间特征节点对应的待优化时间特征和待优化地点特征节点对应的待优化地点特征进行优化。所以，在第一关系图中只需要针对待优化时间特征节点和待优化地点特征节点进行特征传播和聚合。具体的特征聚合和优化的方法与步骤s104～s108中第一关系图的特征聚合方法和优化方法一致，在此不再赘述。需要说明的是，第一关系图和第二关系图中各节点对应的待优化特征是在特征传播和聚合中进行优化的。在第一关系图中确定出优化后的时间特征和优化后的地点特征之后，对用户当前的消费意图进行预测。
156.另外，在步骤s104中，对第一关图中的各节点对应的待优化特征进行传播和聚合。
可以通过频域图卷积网络实现第一关系图中的特征传播和聚合。而通过频域图卷积网络实现第二关系图中的特征传播和聚合，需要依靠第一关系图的邻接矩阵，所以，在对第一关系图中的每个节点对应的待优化特征进行传播和聚合之前，先确定第一关系图的邻接矩阵。
157.具体的，根据第一关系图中节点类型的不同，可以将任意两个节点之间的连接边分为三种类型：1、待优化用户特征节点
‑
待优化时间特征节点之间的连接边；2、待优化用户特征节点
‑
待优化地点特征节点之间的连接边；3、待优化时间特征节点
‑
待优化地点特征节点之间的连接边。由于第一关系图中任意两个节点之间的连接边表示共现关系，所以，任意两个节点之间的共现矩阵可以由该两个节点对应的信息共同出现的次数来表示。其中，不同类型的连接边对应的不同共现矩阵。另外，可以根据不同类型的连接边对应的共现矩阵，确定不同类型连接边的权重。
158.进一步，在确定不同类型连接边的权重时，针对每种类型的连接边对应的共现矩阵，从该共现矩阵中选择出最大值(即，共现次数最多的数值)，并根据选择出的最大值，对该共现矩阵进行归一化。根据每种类型的连接边对应的归一化后的共现矩阵，确定每种类型连接边的权重。最后，根据每种类型连接边的权重，确定第一关系图的邻接矩阵。
159.在确定第一关系图的邻接矩阵之后，根据邻接矩阵，对第一关系图中各节点对应的待优化特征进行传播和聚合。
160.具体的，可以通过频域图卷积网络中的聚合函数进行特征传播和聚合。聚合函数表达式为：其中，表示在第l次传播时第一关系图中所有节点的特征集合。|v|表示节点的总数。a是第一关系图的邻接矩阵，i
n
是单位矩阵，d为对角矩阵，其中对角矩阵d中每个元素为σ为非线性激活函数，w
(l)
为第l次传播时的非线性变换函数。针对每个节点，通过上述的聚合函数，可以确定该节点新的待优化特征是该节点原来的待优化特征与该节点邻接节点的待优化特征的加权平均值。
161.第一关系图中每个节点经过多次传播和聚合之后，可以确定第一关系图中每个节点对应的待优化特征，分别为用户信息对应的待优化用户特征、时间信息对应的待优化时间特征和地点信息对应的待优化地点特征。
162.在图1所示的步骤s110中，在确定用户当前的消费意图之前，需要对预设的消费意图进行特征表示。由于预设的消费意图在语义上存在差异性和相似性，比如：“聚餐”和“吃点好的”均与美食类商品相关，“吃点好的”与“旅游”存在较大的差异，但是，不可否认有时“吃点好的”也与“旅游”相关。所以，本说明书中需要将同一个消费意图在语义上对应于不同的应用场景。
163.具体的，针对预设的每个消费意图，将该消费意图进行特征表示，得到该消费意图对应的初始消费意图特征。然后，将初始消费意图特征分割成至少两个子特征。针对任意两个子特征，确定该两个子特征之间的语义相关系数。以任意两个子特征之间的语义相关系数的差异最小化为目标，对所有子特征进行调整，得到调整后的各子特征。最后，将调整后的各子特征进行融合，得到该消费意图对应的最终消费意图特征。其中，初始消费意图特征的确定可以通过任何方法，对此不作限制。任意两个子特征之间的语义相关系数越大，说明
该两个子特征之间的语义相关性越大，相反，任意两个子特征之间的语义相关系数越小，说明该两个子特征之间的语义相关性越小。
164.进一步，确定语义相关系数的公式为：其中，d
cov
表示为距离协方差，d
var
表示为距离方差，i
k
和i
k
′
表示任意两个子特征，d
cor
表示语义相关系数。
165.再进一步，确定任意两个子特征之间的语义相关系数的差异的公式为：
166.以上为本说明书实施例提供的信息推送方法，基于同样的思路，本说明书还提供了相应的装置、存储介质和电子设备。
167.图7为本说明书实施例提供的一种信息推送装置的结构示意图，所述装置包括：
168.获取模块701，用于获取用户的用户信息以及所述用户产生历史消费数据所对应的时间信息和地点信息；
169.关系图构建模块702，用于根据所述用户信息、所述时间信息以及所述地点信息，构建第一关系图；
170.第一确定模块703，用于根据所述第一关系图，确定所述用户信息对应的待优化用户特征、所述时间信息对应的待优化时间特征和所述地点信息对应的待优化地点特征；
171.第二确定模块704，用于根据所述待优化用户特征、所述待优化时间特征和所述待优化地点特征，确定所述用户对应的待优化消费意图特征；
172.优化模块705，用于至少以所述待优化消费意图特征与预先对所述历史消费数据标注的消费意图对应的消费意图特征之间的差异最小化为目标，对所述待优化用户特征、所述待优化时间特征以及所述待优化地点特征进行优化；
173.第三确定模块706，用于根据优化后的用户特征、优化后的时间特征与优化后的地点特征，确定所述用户当前的消费意图；
174.信息推送模块707，用于根据所述用户当前的消费意图，为所述用户推送信息。
175.可选地，所述优化模块705具体用于，获取各历史消费数据对应的评论数据；根据预设的各消费意图，将各历史消费数据对应的评论数据与所述预设的各消费意图进行匹配；根据匹配结果，对各历史消费数据进行消费意图的标注。
176.可选地，在根据所述用户信息、所述时间信息以及所述地点信息，构建第一关系图之前，所述关系图构建模块702还用于，获取历史上所述用户的各操作行为以及各操作行为所对应的各商品类型；将所述用户信息对应的待优化用户特征和所述各商品类型对应的待优化商品类型特征作为节点，并将所述各操作行为作为所述待优化用户特征节点与各待优化商品类型特征节点之间的边，构建第二关系图。
177.可选地，所述关系图构建模块702具体用于，将所述时间信息对应的待优化时间特征、所述地点信息对应的待优化地点特征以及所述第二关系图中所述用户信息对应的待优化用户特征作为节点，并根据任意两个节点之间的共现关系构建第一关系图。
178.可选地，所述第一确定模块703具体用于，针对所述第二关系图中每个用户信息对应的待优化用户特征节点，将与该用户信息对应的待优化用户特征节点邻接的各待优化商
品类型特征节点对应的待优化商品类型特征，以及该用户信息对应的待优化用户特征进行聚合，将聚合得到的特征重新确定为该用户信息对应的待优化用户特征，并将所述第二关系图中重新确定的该用户信息对应的待优化用户特征作为所述第一关系图中该用户信息对应的待优化用户特征。
179.可选地，所述第一确定模块703具体用于，确定与该用户信息对应的待优化用户特征节点邻接的各待优化商品类型特征节点，作为邻接节点；针对每个邻接节点，确定该用户信息对应的待优化用户特征节点与该邻接节点之间的边对应的操作行为，并根据所述操作行为，确定该邻接节点的聚合权重；根据各邻接节点的聚合权重，将各邻接节点对应的待优化商品类型特征以及该用户信息对应的待优化用户特征进行聚合。
180.可选地，所述第二确定模块704具体用于，根据预设的用户特征权重、时间特征权重、地点特征权重，将所述用户信息对应的待优化用户特征、所述时间信息对应的待优化时间特征以及所述地点信息对应的待优化地点特征进行加权平均，得到所述用户对应的待优化消费意图特征。
181.可选地，所述优化模块705具体用于，确定所述第二关系图中与所述待优化用户特征存在指定操作行为的各待优化商品类型特征，作为指定待优化商品类型特征；确定所述待优化用户特征与各指定待优化商品类型特征之间的相似度；以所述相似度最大化、所述待优化消费意图特征与预先对所述历史消费数据标注的消费意图对应的消费意图特征之间的差异最小化为目标，对所述待优化用户特征、所述待优化时间特征以及所述待优化地点特征进行优化。
182.可选地，所述第三确定模块706还用于，针对预设的每个消费意图，将该消费意图进行特征表示，得到该消费意图对应的初始消费意图特征；将所述初始消费意图特征分割成至少两个子特征；针对任意两个子特征，确定该两个子特征之间的语义相关系数；以任意两个子特征之间的语义相关系数的差异最小化为目标，对所有子特征进行调整，得到调整后的各子特征；将调整后的各子特征进行融合，得到该消费意图对应的最终消费意图特征。
183.可选地，所述第三确定模块706具体用于，根据所述用户的当前用户信息、当前时间信息和当前地点信息，获取所述当前用户信息对应的优化后的用户特征、所述当前时间信息对应的优化后的时间特征以及所述当前地点信息对应的优化后的地点特征；根据所述当前用户信息对应的优化后的用户特征、所述当前时间信息对应的优化后的时间特征以及所述当前地点信息对应的优化后的地点特征，确定所述用户的当前消费意图特征；将所述当前消费意图特征与预设的各消费意图对应的各最终消费意图特征进行匹配；根据匹配结果，确定与所述当前消费意图特征匹配的最终消费意图特征，并将匹配的最终消费意图特征对应的消费意图作为所述用户当前的消费意图。
184.本说明书还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可用于执行上述图1提供的信息推送方法。
185.基于图1所示的信息推送方法，本说明书实施例还提供了图8所示的电子设备的结构示意图。如图8，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的信息推送方法。
186.当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑
或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
187.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very
‑
high
‑
speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
188.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
189.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
190.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
191.本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
192.本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
193.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
194.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
195.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
196.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
197.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
198.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
199.本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产
品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
200.本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
201.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
202.以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。