推送方法、装置、设备及计算机存储介质与流程

1.本技术属于电子商务技术领域，尤其涉及一种推送方法、装置、设备及计算机存储介质。


背景技术：

2.营销活动是指业务方通过介入社会活动或整合有效的资源策划大型活动来促进产品销售或留存用户的一种营销方式。通常，在相关技术中，大多可以基于单个营销活动场景为用户推荐商户，例如通过单一营销活动的业务规则向用户推荐商户，或者基于数据统计会用户的购买数据项用户推荐商品等。
3.但实际应用中，由于业务方有很多，因此往往存在多个营销活动并行的情况，上述相关技术中针对单一营销活动的推送方法无法对多个营销活动的资源价值充分利用，也不能在多个营销活动并行的场景中为用户推荐最感兴趣的活动或商户等，导致推荐内容准确性较低。


技术实现要素：

4.本技术实施例提供一种推送方法、装置、设备及计算机存储介质，能够提高对用户推荐内容的准确性。
5.第一方面，本技术实施例提供一种推送方法，方法包括：
6.通过第一预设规则，从多个活动策略中确定对应用户的目标活动策略；
7.通过第二预设规则，确定目标活动策略关联的目标对象，目标对象为用户的感兴趣对象；
8.根据目标对象和目标活动策略，生成业务信息；
9.向用户推送业务信息。
10.在一些实施例中，通过第一预设规则，从多个活动策略中确定对应用户的目标活动策略，包括：
11.获取用户在多个活动策略中的第一历史交易数据；
12.获取用户的历史行为特征数据；
13.按照第一预设规则，根据历史行为特性数据和第一历史交易数据进行概率计算，得到用户对应各活动策略的交易概率数据；
14.根据交易概率数据，确定用户感兴趣的目标活动策略。
15.在一些实施例中，第一预设规则包括排序规则，
16.通过第一预设规则，从多个活动策略中确定对应用户的目标活动策略，包括：
17.当用户在多个活动策略中的第一历史交易数据未达到预设条件的情况下，根据排序规则，对多个活动策略的优先级排序；
18.根据排序结果，将优先级最高的活动策略确定为目标活动策略。
19.在一些实施例中，通过第二预设规则，确定目标活动策略关联的目标对象，包括：
20.获取用户对应多个对象的第二历史交易数据，多个对象为目标活动策略关联的对象；
21.按照第二预设规则，根据第二历史交易数据进行概率计算，得到用户对应各对象的交易概率数据；
22.根据用户对应各对象的交易概率数据，确定用户感兴趣的目标对象。
23.在一些实施例中，多个对象包括第一对象和第二对象，第一对象为与用户有历史交易关系的对象；
24.获取用户对应多个对象的第二历史交易数据，包括：
25.根据第一对象进行相似度计算，得到与第一对象相似的第二对象；
26.将用户与第一对象的交易数据，确定为用户与第二对象的交易数据；
27.将用户与所第一对象的交易数据，以及用户与第二对象的交易数据，确定为第二历史交易数据。
28.在一些实施例中，目标对象和目标活动策略，生成业务信息，包括：
29.获取目标对象对应目标活动策略的至少一个资源数据；
30.通过预设的业务规则，从资源数据中确定目标资源数据；
31.根据目标资源数据，生成业务信息。
32.第二方面，本技术实施例提供了一种推送装置，装置包括：
33.第一确定模块，用于通过第一预设规则，从多个活动策略中确定对应用户的目标活动策略；
34.第二确定模块，用于通过第二预设规则，确定目标活动策略关联的目标对象，目标对象为用户的感兴趣对象；
35.生成模块，用于根据目标对象和目标活动策略，生成业务信息；
36.推送模块，用于向用户推送业务信息。
37.在一些实施例中，第一确模块包括：
38.第一获取子模块，用于获取用户在多个活动策略中的第一历史交易数据；
39.第二获取子模块，用于获取用户的历史行为特征数据；
40.第一计算子模块，用于按照第一预设规则，根据历史行为特性数据和第一历史交易数据进行概率计算，得到用户对应各活动策略的交易概率数据；
41.第一确定子模块，用于根据交易概率数据，确定用户感兴趣的目标活动策略。
42.在一些实施例中，第二确定模块，包括：
43.第二确定子模块，用于获取用户对应多个对象的第二历史交易数据，多个对象为目标活动策略关联的对象；
44.第二计算子模块，用于按照第二预设规则，根据第二历史交易数据进行概率计算，得到用户对应各对象的交易概率数据；
45.第三确定子模块，用于根据用户对应各对象的交易概率数据，确定用户感兴趣的目标对象。
46.第三方面，本技术实施例提供了一种计算机设备，设备包括：
47.处理器以及存储有计算机程序指令的存储器；
48.处理器执行计算机程序指令时实现如第一方面的推送方法。
49.第四方面，本技术实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如第一方面所述的推送方法。
50.第五方面，本技术实施例提供了一种计算机程序产品，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如第一方面所述的推送方法。
51.本技术实施例的推送方法、装置、设备及计算机存储介质，可以先通过第一预设规则，从多个活动策略中确定对应用户的目标活动策略，可以在多营销活动策略场景下，筛选出用户最感兴趣的目标活动策略。然后通过第二预设规则，确定目标活动策略关联的用户感兴趣的目标对象，并根据目标对象和目标活动策略生成业务信息推送给用户。这样在从多个营销活动策略场景中确定用户最感兴趣的目标活动策略后，可以进一步确定目标活动策略下的用户感兴趣的商户或商品对象，通过上述两个阶段的筛选，得到用户感兴趣的对象，筛选准确性较高。将筛选的目标对象对应业务信息推送给用户，利于提高推送信息对用户的吸引力，进而在多营销活动场景中提高推送的成功率。
附图说明
52.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
53.图1是本技术一个实施例提供的推送方法的流程示意图；
54.图2是本技术一个具体实施例中推送方法的流程示意图；
55.图3是本技术另一个实施例提供的推送装置的结构示意图；
56.图4是本技术又一个实施例提供的计算机设备的结构示意图。
具体实施方式
57.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本技术，而不是限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
58.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
59.在相关技术中，大多为在单一营销活动场景下的向用户推荐商户的方案。其中一种方案是基于业务规则的推荐方案，通过标签映射关系来实现。在该方案中，首先构建商户与商品的一级标签映射关系，再构建商户标签与人群标签的二级映射关系，通过两层映射关系，根据用户感兴趣的商品来确定用户与商户的推荐关系。这种推荐关系受限于人工对
标签关联性的设定，不仅需手动维护标签关联性，人工维护成本较高，且准确性较低。
60.另一方案是基于数据统计分析的推荐方案。在该方案中，需要根据用户的历史购买数据，通过统计分析方法，通过设定的阈值筛选出用户购买频次较高的商品，基于筛选出的商品确定推荐关系。这种方案只能针对购买力较强的用户，且依赖于这些用户的消费数据，无法覆盖用户未购买过的商品，数据覆盖率低，使得对适用用户的范围狭窄。
61.并且上述两种方案都只针对单一营销活动场景，忽略了多个营销活动并行的场景，不能充分利用营销资源，向用户提供高准确度的推荐结果。
62.为了解决现有技术问题，本技术实施例提供了一种推送方法、装置、设备及计算机存储介质。下面首先对本技术实施例所提供的推送方法进行介绍。
63.图1示出了本技术一个实施例提供的推送方法的流程示意图。如图1所示，该方法包括步骤s101～s104：
64.s101.通过第一预设规则，从多个活动策略中确定对应用户的目标活动策略；
65.s102.通过第二预设规则，确定目标活动策略关联的目标对象，目标对象为用户的感兴趣对象；
66.s103.根据目标对象和目标活动策略，生成业务信息；
67.s104.向用户推送业务信息
68.根据本技术实施例，可以先通过第一预设规则，从多个活动策略中确定对应用户的目标活动策略，可以在多营销活动策略场景下，筛选出用户最感兴趣的目标活动策略。然后通过第二预设规则，确定目标活动策略关联的用户感兴趣的目标对象，并根据目标对象和目标活动策略生成业务信息推送给用户。这样在从多个营销活动策略场景中确定用户最感兴趣的目标活动策略后，可以进一步确定目标活动策略下的用户感兴趣的商户或商品对象，通过上述两个阶段的筛选，得到用户感兴趣的对象，筛选准确性较高。将筛选的目标对象对应业务信息推送给用户，利于提高推送信息对用户的吸引力，进而在多营销活动场景中提高推送的成功率。
69.示例性地，活动策略可以为营销活动策略。该每个营销活动策略可以关联多个商户或多个商品，且每个商户也可以关联多个商品或多个活动策略，每个商品也可以关联多个商户或多个活动策略。例如，某网购平台在同一时期发布了三个营销活动策略a、b、c，其中有三百个商户参与了营销活动策略a，六百个商户参与了营销活动策略b，八百个商户参与了营销活动策略c，则营销活动策略a与该三百个商户建立关联关系，营销活动策略b与该六百个商户建立关联关系，营销活动策略c与该八百个商户建立关联关系。
70.本技术实施例中，当业务方在同一时期发布多个营销活动策略的情况下，为了提高用户对活动策略的参与度，同时避免多个活动策略的业务信息对用户的造成过多干扰，需要尽可能预测出用户最可能感兴趣的活动策略。为此，在一些实施例中，通过对用户的交易数据和行为特征数据进行训练，预测用户感兴趣的目标活动策略。具体地，步骤s101通过第一预设规则，从多个活动策略中确定对应用户的目标活动策略，可以包括步骤s1011～s1014：
71.s1011.获取用户在多个活动策略中的第一历史交易数据。
72.一些具体示例中，用户在活动策略中的第一历史交易数据可以包括历史交易数量。在一些其他示例中，第一历史交易数据还可以包括交易时间、交易对象、交易频次等数
据。本实施例中，第一历史交易数据可以用于反映用户对活动策略的感兴趣程度。
73.其中，历史交易数量即用户在活动策略有效期内，在每个活动策略下已经完成的交易笔数。例如，活动策略a有效期内，用户在活动策略a下完成了3笔交易，则用户在活动策略a的第一历史交易数据可以包括该3笔交易的数量、对象以及交易时间等等。
74.交易对象可以包括商户或商品。
75.交易频次即一段时间内发生多笔交易的频次。
76.s1012.获取用户的历史行为特征数据。
77.本实施例中，用户的历史行为特征数据可以包括用户的基础属性，对活动策略、商户或商品的点击行为，以及交易行为等的特征。
78.示例性地，用户的基础属性可以包括用户的性别、年龄、地域(如用户帐号登录平台时所属地域)等。
79.点击行为可以为用户基于平台发布的页面进行的关于活动策略、商户或商品的点击查看行为。
80.交易行为可以为用户对应商户或商品的完成支付交易的行为。在一些具体示例中，交易行为也可以还包括对应商户或商品的交易选择行为，如商品选购到购物车但未进行支付的行为、或者收藏/关注商户后未进行交易的行为。或者交易行为也可以还包括对商户或商品的交易取消行为，即下单后取消支付的行为。
81.本实施例中，历史行为特征数据可以用于反映用户的交易偏好。
82.s1013.按照第一预设规则，根据历史行为特性数据和第一历史交易数据进行概率计算，得到用户对应各活动策略的交易概率数据。
83.本实施例中，第一预设规则可以包括，根据历史行为特性数据和第一历史交易数据，计算用户在各活动策略下的交易概率数据。
84.本实施例中，进行概率计算时，可以通过预设的计算模型实现。其中，该计算模型可以是预先设定训练规则的模型，例如可以采用逻辑回归算法，将用户的历史行为特征数据作为输入特征数据，即自变量，将用户在各活动策略下的第一历史交易数据作为因变量，将历史行为特性数据和第一历史交易数据输入到计算模型中，基于逻辑回归算法可以快速计算出用户在各活动策略下的交易概率。本示例中，上述交易概率数据可以为交易概率值。
85.其中，对应同一时期并行的多个活动策略，可以在这些活动策略发布的时刻开始采集用户在各活动策略下的第一历史交易数据，例如采集活动策略a和活动策略b发布后的一天内，采集用户发生的第一历史交易数据。
86.历史行为特征数据可以预先采集并存储在对应的服务器中，以可以直接调用，从而提高海量数据处理场景下的计算效率。
87.在一些具体示例中，上述计算模型可以按照预设的时间间隔，定期(如每天)执行一次计算，以随着时间的推进以及第一历史交易数据的累积，在活动策略有效期内更新用户对各活动策略的交易概率数据，以能够根据用户的实际需求，适用性的筛选出用户感兴趣的目标活动策略。
88.s1014.根据交易概率数据，确定用户感兴趣的目标活动策略。
89.本实施例中，通过步骤s1013获取用户在各活动策略下的交易概率数据后，按照交易概率数据的值大小顺序，对这些交易概率数据进行排序。筛选出交易概率数据中的概率
值最大值对应的活动策略，将其确定为用户最感兴趣的目标活动策略。
90.可以理解的是，目标活动策略可以为一个。在一些具体示例中，目标活动策略也可以为多个，本实施例不做唯一限定。
91.本技术实施例中，通过基于用户的第一历史交易数据和历史行为特征数据的训练计算，为用户从多个活动策略中筛选出用户最感兴趣、也是最与用户匹配的目标活动策略，进而可以基于该目标活动策略进一步为用户筛选感兴趣的商户或商品对象，提高为用户推荐对象相关的业务信息时的准确性，从而利于提高用户对业务信息的吸引力，吸引用户成功参与到对应的营销活动中进行交易，继而提高营销活动策略的执行力，使得营销资源能够被充分利用。
92.在一些实施例中，由于在活动策略的冷启动(即暂无用户的第一历史交易数据)情况下，数据支持不足，根据用户的第一历史交易数据和用户行为特征不能较为准确地预测出用户感兴趣的目标活动策略，因此本实施例中，在步骤101中，具体还可以包括步骤s1015～s1016：
93.s1015.当用户在多个活动策略中的第一历史交易数据未达到预设条件的情况下，根据排序规则，对多个活动策略的优先级排序；
94.s1016.根据排序结果，将优先级最高的活动策略确定为目标活动策略。
95.本实施例中，第一预设规则还可以包括预设排序规则。在多个活动策略的冷启动阶段，用户在各活动策略下未产生足够的交易数据(即未达到预设条件)，因此不能通过计算模型准确计算出用户的交易概率数据，则可以通过预设的排序规则，定义多个活动策略之间的优先级。在一些具体示例中，用户在活动策略公布一天以上的时间跨度内产生的交易数据，可以认为该数据达到了预设条件。在其他示例中，也可以根据第一历史交易数据的数据量来确定是否达到预设条件。
96.示例性的，预设排序规则可以为专家规则。在多个活动策略发布的初始阶段，可以基于专家规则，定义出活动策略之间的优先级别，这样优先级别的排列顺序，可以将优先级最高的活动策略确定为用户感兴趣的目标活动策略。例如同期发布的活动策略a和活动策略b，基于专家经验设定的专家规则中，定义了活动策略a的优先级高于活动策划b，则排序结果中活动策略a优先于活动策略b，可以直接将活动策略a确定为目标活动策略。
97.本技术实施例中，在营销活动策略的冷启动阶段，可以根据专家经验制定适合大众用户的专家规则，使得确定的目标活动策略能够具有普适性，提高对用户的覆盖范围，也可以为用户筛选出最受大众喜欢的营销活动策略，在活动策略公布的初期阶段，最大程度的保障活动策略对用户的吸引力。
98.本技术实施例中，当在多个活动策略并行的场景下，定位了用户感兴趣的目标活动策略后，还可以通过步骤s102为用户筛选出该目标活动策略下用户感兴趣的商户或商品对象，以实现准确推送的目的。具体的，在一些具体实施例中，步骤102通过第二预设规则，确定所述目标活动策略关联的目标对象，可以包括s1021～s1023：
99.s1021.获取用户对应多个对象的第二历史交易数据，该多个对象为目标活动策略关联的对象；
100.s1022.按照第二预设规则，根据第二历史交易数据进行概率计算，得到用户对应各对象的交易概率数据；
101.s1023.根据用户对应各对象的交易概率数据，确定用户感兴趣的目标对象。
102.为用户定位的目标活动策略可以关联多个对象，该对象可以为商户或商品。在本实施例中，目标活动策略与关联的对象之间具有固定的关联关系，该关联关系可以存储在发布活动策略的对应平台的服务器中。
103.在步骤s1021中，当为用户定位了对应的目标活动策略后，用户与目标活动策略建立对应的映射关系。基于该映射关系，可以查询得到用户与对应目标活动策略所关联的所有对象之间发生的交易数据(即第二历史交易数据)。
104.示例性地，第二历史交易数据可以包括用户与单个商户之间完成的交易数量，也可以包括用户购买单个类型商品的交易数量。
105.在一些具体示例中，第二历史交易数据还可以包括用户与对象对应的交易频次等数据。
106.本实施例中，基于用户与上述对象之间的第二历史交易数据，可以通过步骤s1022，按照第二预设规则对第二历史交易数据进行概率计算，得到用户对应各对象的交易概率数据，如用户与各商户发生的交易概率数据，或用户购买各类商品的交易概率数据。
107.得到用户对应各对象的交易概率数据后，在步骤s1023中，可以根据交易概率数据的值大小进行排序，筛选出排序位置靠前、交易概率数据的值较高的对象，作为用户感兴趣的目标对象。
108.可以理解的是，目标对象可以为一个或多个。为了加强具体营销活动策略关联的对象对用户的吸引力，本示例中，可以将排序前十位的对象作为目标对象，供用户挑选以进行消费交易。
109.本技术实施例中，基于用户与对应的目标活动策略所关联的对象之间的第二历史交易数据进行概率计算，可以更为准确的计算出用户感兴趣的目标对象，提高目标活动策略关联的对象对用户的吸引力，从而促进用户能够根据自身需求对目标对象产生消费交易，提升目标活动策略下的用户转换率。
110.在本技术实施例中，由于用户的消费行为比较分散，可能会导致基于用户交易数据确定的目标对象存在稀疏性的问题，如用户的消费交易集中在一个商户或数量较少的部分商户。这种情况下由于用户对应交易的对象较少，使得该对目标对象筛选方案的泛化能力较弱，因此本实施例中，还可以通过同类对象的关联性，解决得到的目标对象稀疏性的问题。具体地，本实施例中，在步骤s1021.获取用户对应多个对象的第二历史交易数据中，多个对象可以包括第一对象和第二对象，第一对象为与用户有历史交易关系的对象，如图2所示，步骤s1021具体可以包括：
111.s211.根据第一对象进行相似度计算，得到与第一对象相似的第二对象；
112.s212.将用户与第一对象的交易数据，确定为用户与第二对象的交易数据；
113.s213.将用户与第一对象的交易数据，以及用户与第二对象的交易数据，确定为第二历史交易数据。
114.在本实施例中，第一对象可以为与用户有历史交易关系的商户，在其他进行商品信息的推送示例中，第一对象也可以与用户有历史交易关系的商品。
115.本技术实施例，可以通过步骤s211，提前计算出同一商户类别码(merchant category code，mcc)对应的对象之间的关联性。例如同一mcc类别下的多个商户之前的关
联性。因此，本实施例中，第一对象和第二对象可以属于同一mcc类别。
116.示例性地，在步骤s211中，可以通过基于商品的协同过滤算法(item collaboration filter，itemcf)计算第一对象与第二对象之间的关联性。例如，目标活动策略关联有多个商户对象，用户与其中的一部分对象(即第一对象)，但这部分对象的数量较少，则可以通过itemcf的方式计算与出与第一对象相似的第二对象，这样用户与第一对象的交易关联性就近似等于该用户与第二对象的交易关联性。因此得到第二对象后，可以通过步骤s212，将用户与第一对象的交易数据，确定为用户与第二对象的交易数据，并通过步骤s213，将用户与第一对象的交易数据以及该用户与第二对象的交易数据，一起确定为第二历史交易数据，实现对用户与商户对象之间交易数据的有效填充，解决用户所关联的交易商户对象稀疏性的问题。
117.在一些具体示例中，得到足够丰富的第二历史交易数据后，执行步骤s1022按照第二预设规则，根据第二历史交易数据进行概率计算，得到用户对应各对象的交易概率数据时，第二预设规则可以包括交替最小二乘法(alternating least square，als)。在步骤s1022中进行概率计算时，可以利用als算法，根据第二历史交易数据构造两个隐式矩阵，这两个隐式矩阵分别为关于用户的矩阵和关于商户的矩阵，将该两个隐式矩阵做乘积运算，可得到用户与商户对象之间的交易概率数据。
118.应理解的是，als算法为本领域成熟技术，基于als算法构造出两个隐式矩阵的过程此处不再赘述。
119.根据本技术实施例，在基于用于与商户对象的交易数据确定用户感兴趣的目标对象的过程中，通过商户对象之间的相似度关联性计算，可以解决用户与目标营销策略所关联对象的交易数据稀疏的问题，利于扩大所匹配用户感兴趣的目标对象的数量或维度，利于满足用户交易需求，从而利于促进交易量。
120.在另一些具体示例中，如果在活动策略的冷启动阶段，用户与第一对象的交易数据不足，则可以通过专家规则，确定多个目标对象。如根据专家经验筛选出当前目标活动策略下的普通大众用户喜欢的前十位商户。
121.在一些实施例中，从多个活动策略中为用户定位感兴趣的目标活动策略，以及用户感兴趣的对象后，可以通过步骤s103生成关于目标活动策略和目标对象的业务信息。在一些具体示例中，业务信息可以包括用户标识(identity document，id)、目标活动策略信息以及目标对象信息，如业务信息可以为“x用户，您感兴趣的xx商户正在进行消费满300减30的活动，赶快参加吧”等内容。
122.示例性地，活动策略可以应用于购买、充值、加油等多个消费场景中。在具体的消费场景中，每个活动策略可能存在主动领券、被动送券等资源配置形式，例如在被动送券的模式下，用户可能会被动参与多个营销活动，但对各营销活动的活动策略并不了解。为避免多次打扰用户，本实施例能够在有限的业务信息提醒次数下，从众多营销活动中挑选用户最感兴趣的活动策略进行触达提醒。
123.具体地，本实施例中，步骤s103根据目标对象和目标活动策略，生成业务信息可以包括步骤s1031～s1033：
124.s1031.获取目标对象对应目标活动策略的至少一个资源数据；
125.s1032.通过预设的业务规则，从资源数据中确定目标资源数据；
126.s1033.根据目标资源数据，生成业务信息。
127.本实施例中，资源数据可以为券、票、积分等形式，本实施例不做唯一限定。
128.业务规则可以为根据资源数据的有效期或数据值确定目标资源数据的规则。业务规则可以用于确定资源数据的推送优先级、或用于对资源数据去重等。
129.例如，当用户在目标活动策略下，对应目标对象主动或被动领取了多张优惠券，可以通过业务规则对多张优惠券进行去重和优先级排序，如通过排序筛选出即将过期的优惠券，或筛选出对优惠力度较大的优惠券，作为目标资源数据生成业务信息，推送给用户。例如，根据目标资源数据，得到业务信息为“您的(加油满200减20)优惠券即将过期！使用x闪付程序在d、e等商户使用！”130.根据本技术实施例，可以通过业务规则对资源数据进行筛选，有助于提升营销活动策略下票券资源的核销量，促进用户的消费交易量提升。实际通过实验测试后，较之于基于单一的专家规则的信息推送，本实施例基于上述业务规则进行业务信息推送，能够将多个营销活动场景的票券资源核销总量提高81.67％。
131.并且，本技术实施例推送的业务信息对用户的吸引力更高，有助于提升营销活动的参与用户数。实际通过实验测试后，较之于基于单一的专家规则的信息推送，本实施例基于上述业务规则进行业务信息推送，能够使得用户收到信息参与到指定营销活动的人数提高75.93％。
132.同时，本技术实施例推送的业务信息由于更符合用户感兴趣的内容，因此有助于提升营销活动的商户交易笔数。实际通过实验测试后，较之于基于单一的专家规则的信息推送，本实施例基于上述业务规则进行业务信息推送，能够使营销活动所对应的商户交易笔数提高11％。
133.本技术实施例提供的推送方法，执行主体可以为推送装置。本技术实施例中以推送装置执行推送方法为例，说明本技术实施例提供的推送装置。
134.图3示出了本技术实施例提供的推送装置的结构示意图。如图3所示，该装置包括：
135.第一确定模块301，用于通过第一预设规则，从多个活动策略中确定对应用户的目标活动策略；
136.第二确定模块302，用于通过第二预设规则，确定目标活动策略关联的目标对象，目标对象为用户的感兴趣对象；
137.生成模块303，用于根据目标对象和目标活动策略，生成业务信息；
138.推送模块304，用于向用户推送业务信息。
139.本技术实施例，可以先通过第一预设规则，从多个活动策略中确定对应用户的目标活动策略，可以在多营销活动策略场景下，筛选出用户最感兴趣的目标活动策略。然后通过第二预设规则，确定目标活动策略关联的用户感兴趣的目标对象，并根据目标对象和目标活动策略生成业务信息推送给用户。这样在从多个营销活动策略场景中确定用户最感兴趣的目标活动策略后，可以进一步确定目标活动策略下的用户感兴趣的商户或商品对象，通过上述两个阶段的筛选，得到用户感兴趣的对象，筛选准确性较高。将筛选的目标对象对应业务信息推送给用户，利于提高推送信息对用户的吸引力，进而在多营销活动场景中提高推送的成功率
140.示例性地，活动策略可以为营销活动策略。该每个营销活动策略可以关联多个商
户或多个商品，且每个商户也可以关联多个商品或多个活动策略，每个商品也可以关联多个商户或多个活动策略。
141.本技术实施例中，当业务方在同一时期发布多个营销活动策略的情况下，为了提高用户对活动策略的参与度，同时避免多个活动策略的业务信息对用户的造成过多干扰，需要尽可能预测出用户最可能感兴趣的活动策略。为此，在一些实施例中，通过对用户的交易数据和行为特征数据进行训练，预测用户感兴趣的目标活动策略。具体地，第一确定模块101可以包括：
142.第一获取子模块，用于获取用户在所述多个活动策略中的第一历史交易数据；
143.第二获取子模块，用于获取用户的历史行为特征数据；
144.第一计算子模块，用于按照第一预设规则，根据历史行为特性数据和第一历史交易数据进行概率计算，得到用户对应各活动策略的交易概率数据；
145.第一确定子模块，用于根据交易概率数据，确定用户感兴趣的目标活动策略。
146.一些具体示例中，用户在活动策略中的第一历史交易数据可以包括历史交易数量。在一些其他示例中，第一历史交易数据还可以包括交易时间、交易对象、交易频次等数据。本实施例中，第一历史交易数据可以用于反映用户对活动策略的感兴趣程度。
147.其中，历史交易数量即用户在活动策略有效期内，在每个活动策略下已经完成的交易笔数。
148.交易对象可以包括商户或商品。
149.交易频次即一段时间内发生多笔交易的频次。
150.本实施例中，用户的历史行为特征数据可以包括用户的基础属性，对活动策略、商户或商品的点击行为，以及交易行为等的特征。
151.示例性地，用户的基础属性可以包括用户的性别、年龄、地域(如用户帐号登录平台时所属地域)等。
152.点击行为可以为用户基于平台发布的页面进行的关于活动策略、商户或商品的点击查看行为。
153.交易行为可以为用户对应商户或商品的完成支付交易的行为。在一些具体示例中，交易行为也可以还包括对应商户或商品的交易选择行为，如商品选购到购物车但未进行支付的行为、或者收藏/关注商户后未进行交易的行为。或者交易行为也可以还包括对商户或商品的交易取消行为，即下单后取消支付的行为。
154.本实施例中，历史行为特征数据可以用于反映用户的交易偏好。
155.本实施例中，第一预设规则可以包括，根据历史行为特性数据和第一历史交易数据，计算用户在各活动策略下的交易概率数据。
156.本实施例中，进行概率计算时，可以通过预设的计算模型实现。其中，该计算模型可以是预先设定训练规则的模型，例如可以采用逻辑回归算法，将用户的历史行为特征数据作为输入特征数据，即自变量，将用户在各活动策略下的第一历史交易数据作为因变量，将历史行为特性数据和第一历史交易数据输入到计算模型中，基于逻辑回归算法可以快速计算出用户在各活动策略下的交易概率。本示例中，上述交易概率数据可以为交易概率值。
157.其中，对应同一时期并行的多个活动策略，可以在这些活动策略发布的时刻开始采集用户在各活动策略下的第一历史交易数据。
158.历史行为特征数据可以预先采集并存储在对应的服务器中，以可以直接调用，从而提高海量数据处理场景下的计算效率。
159.在一些具体示例中，上述计算模型可以按照预设的时间间隔，定期(如每天)执行一次计算，以随着时间的推进以及第一历史交易数据的累积，在活动策略有效期内更新用户对各活动策略的交易概率数据，以能够根据用户的实际需求，适用性的筛选出用户感兴趣的目标活动策略。
160.本实施例中，获取用户在各活动策略下的交易概率数据后，按照交易概率数据的值大小顺序，对这些交易概率数据进行排序。筛选出交易概率数据中的概率值最大值对应的活动策略，将其确定为用户最感兴趣的目标活动策略。
161.可以理解的是，目标活动策略可以为一个。在一些具体示例中，目标活动策略也可以为多个，本实施例不做唯一限定。
162.本技术实施例中，通过基于用户的第一历史交易数据和历史行为特征数据的训练计算，为用户从多个活动策略中筛选出用户最感兴趣、也是最与用户匹配的目标活动策略，进而可以基于该目标活动策略进一步为用户筛选感兴趣的商户或商品对象，提高为用户推荐对象相关的业务信息时的准确性，从而利于提高用户对业务信息的吸引力，吸引用户成功参与到对应的营销活动中进行交易，继而提高营销活动策略的执行力，使得营销资源能够被充分利用。
163.在一些实施例中，由于在活动策略的冷启动(即暂无用户的第一历史交易数据)情况下，数据支持不足，根据用户的第一历史交易数据和用户行为特征不能较为准确地预测出用户感兴趣的目标活动策略，因此本实施例中，第一确定模块301还可以包括：
164.排序子模块，用于当用户在多个活动策略中的第一历史交易数据未达到预设条件的情况下，根据排序规则，对多个活动策略的优先级排序；
165.策略确定子模块，用于根据排序结果，将优先级最高的活动策略确定为目标活动策略。
166.本实施例中，第一预设规则还可以包括预设排序规则。在多个活动策略的冷启动阶段，用户在各活动策略下未产生足够的交易数据(即未达到预设条件)，因此不能通过计算模型准确计算出用户的交易概率数据，则可以通过预设的排序规则，定义多个活动策略之间的优先级。在一些具体示例中，用户在活动策略公布一天以上的时间跨度内产生的交易数据，可以认为该数据达到了预设条件。在其他示例中，也可以根据第一历史交易数据的数据量来确定是否达到预设条件。
167.示例性的，预设排序规则可以为专家规则。在多个活动策略发布的初始阶段，可以基于专家规则，定义出活动策略之间的优先级别，这样优先级别的排列顺序，可以将优先级最高的活动策略确定为用户感兴趣的目标活动策略。
168.本技术实施例中，在营销活动策略的冷启动阶段，可以根据专家经验制定适合大众用户的专家规则，使得确定的目标活动策略能够具有普适性，提高对用户的覆盖范围，也可以为用户筛选出最受大众喜欢的营销活动策略，在活动策略公布的初期阶段，最大程度的保障活动策略对用户的吸引力。
169.本技术实施例中，当在多个活动策略并行的场景下，定位了用户感兴趣的目标活动策略后，还可以通过第二确定模块302为用户筛选出该目标活动策略下用户感兴趣的商
户或商品对象，以实现准确推送的目的。具体的，在一些具体实施例中，第二确定模块302可以包括：
170.第二确定子模块，用于获取用户对应多个对象的第二历史交易数据，所述多个对象为目标活动策略关联的对象；
171.第二计算子模块，用于按照第二预设规则，根据第二历史交易数据进行概率计算，得到用户对应各对象的交易概率数据；
172.第三确定子模块，用于根据用户对应各对象的交易概率数据，确定用户感兴趣的目标对象。
173.为用户定位的目标活动策略可以关联多个对象，该对象可以为商户或商品。在本实施例中，目标活动策略与关联的对象之间具有固定的关联关系，该关联关系可以存储在发布活动策略的对应平台的服务器中。
174.当为用户定位了对应的目标活动策略后，用户与目标活动策略建立对应的映射关系。基于该映射关系，可以查询得到用户与对应目标活动策略所关联的所有对象之间发生的交易数据(即第二历史交易数据)。
175.示例性地，第二历史交易数据可以包括用户与单个商户之间完成的交易数量，也可以包括用户购买单个类型商品的交易数量。
176.在一些具体示例中，第二历史交易数据还可以包括用户与对象的交易频次等数据。
177.本实施例中，基于用户与上述对象之间的第二历史交易数据，可以通过第二计算子模块，按照第二预设规则对第二历史交易数据进行概率计算，得到用户对应各对象的交易概率数据。
178.得到用户对应各所述对象的交易概率数据后，通过第三确定子模块，可以根据交易概率数据的值大小进行排序，筛选出排序位置靠前、交易概率数据的值较高的对象，作为用户感兴趣的目标对象。
179.可以理解的是，目标对象可以为一个或多个。为了加强具体营销活动策略关联的对象对用户的吸引力，本示例中，可以将排序前十位的对象作为目标对象，供用户挑选以进行消费交易。
180.本技术实施例中，基于用户与对应的目标活动策略所关联的对象之间的第二历史交易数据进行概率计算，可以更为准确的计算出用户感兴趣的目标对象，提高目标活动策略关联的对象对用户的吸引力，从而促进用户能够根据自身需求对目标对象产生消费交易，提升目标活动策略下的用户转换率。
181.在本技术实施例中，由于用户的消费行为比较分散，可能会导致基于用户交易数据确定的目标对象存在稀疏性的问题，如用户的消费交易集中在一个商户或数量较少的部分商户。这种情况下由于用户对应交易的对象较少，使得该对目标对象筛选方案的泛化能力较弱，因此本实施例中，还可以通过同类对象的关联性，解决得到的目标对象稀疏性的问题。具体地，本实施例中，第二确定子模块获取用户对应多个对象的第二历史交易数据中，多个对象可以包括第一对象和第二对象，第一对象为与用户有历史交易关系的对象，则第二确定子模块具体可以包括：
182.计算单元，用于根据第一对象进行相似度计算，得到与第一对象相似的第二对象；
183.第一确定单元，用于将用户与第一对象的交易数据，确定为用户与第二对象的交易数据；
184.第二确定单元，用于将用户与第一对象的交易数据，以及用户与第二对象的交易数据，确定为第二历史交易数据。
185.在本实施例中，第一对象可以为与用户有历史交易关系的商户，在其他进行商品信息的推送示例中，第一对象也可以与用户有历史交易关系的商品。
186.本技术实施例，可以通过计算单元提前计算出同一商户类别码(merchant category code，mcc)对应的对象之间的关联性。例如同一mcc类别下的多个商户之前的关联性。因此，本实施例中，第一对象和第二对象可以属于同一mcc类别。
187.示例性地，计算单元可以通过基于商品的协同过滤算法(item collaboration filter，itemcf)计算第一对象与第二对象之间的关联性。例如，目标活动策略关联有多个商户对象，用户与其中的一部分对象(即第一对象)，但这部分对象的数量较少，则可以通过itemcf的方式计算与出与第一对象相似的第二对象，这样用户与第一对象的交易关联性就近似等于该用户与第二对象的交易关联性。因此得到第二对象后，可以通过第一确定单元将用户与第一对象的交易数据，确定为用户与第二对象的交易数据，并通过第二确定单元，将用户与第一对象的交易数据以及该用户与第二对象的交易数据，一起确定为第二历史交易数据，实现对用户与商户对象之间交易数据的有效填充，解决用户所关联的交易商户对象稀疏性的问题。
188.在一些具体示例中，得到足够丰富的第二历史交易数据后，通过第一确定单元按照第二预设规则，根据第二历史交易数据进行概率计算，得到用户对应各对象的交易概率数据时，第二预设规则可以包括交替最小二乘法(alternating least square，als)。第一确定单元进行概率计算时，可以利用als算法，根据第二历史交易数据构造两个隐式矩阵，这两个隐式矩阵分别为关于用户的矩阵和关于商户的矩阵，将该两个隐式矩阵做乘积运算，可得到用户与商户对象之间的交易概率数据。
189.应理解的是，als算法为本领域成熟技术，基于als算法构造出两个隐式矩阵的过程此处不再赘述。
190.根据本技术实施例，在基于用于与商户对象的交易数据确定用户感兴趣的目标对象的过程中，通过商户对象之间的相似度关联性计算，可以解决用户与目标营销策略所关联对象的交易数据稀疏的问题，利于扩大所匹配用户感兴趣的目标对象的数量或维度，利于满足用户交易需求，从而利于促进交易量。
191.在另一些具体示例中，如果在活动策略的冷启动阶段，用户与第一对象的交易数据不足，则可以通过专家规则，确定多个目标对象。如根据专家经验筛选出当前目标活动策略下的普通大众用户喜欢的前十位商户。
192.在一些实施例中，从多个活动策略中为用户定位感兴趣的目标活动策略，以及用户感兴趣的对象后，可以通过生成模块303生成关于目标活动策略和目标对象的业务信息，并通过推送模块304推送至用户的终端上。在一些具体示例中，业务信息可以包括用户标识(identity document，id)、目标活动策略信息以及目标对象信息。
193.示例性地，活动策略可以应用于购买、充值、加油等多个消费场景中。在具体的消费场景中，每个活动策略可能存在主动领券、被动送券等资源配置形式。为避免多次打扰用
户，本实施例能够在有限的业务信息提醒次数下，从众多营销活动中挑选用户最感兴趣的活动策略进行触达提醒。具体地，本实施例中，生成模块303可以包括：
194.第三获取子模块，用于获取目标对象对应目标活动策略的至少一个资源数据；
195.第四确定子模块，用于通过预设的业务规则，从资源数据中确定目标资源数据；
196.信息生成子模块，用于根据目标资源数据，生成业务信息。
197.本实施例中，资源数据可以为券、票、积分等形式，本实施例不做唯一限定。
198.业务规则可以为根据资源数据的有效期或数据值确定目标资源数据的规则。业务规则可以用于确定资源数据的推送优先级、或用于对资源数据去重等。
199.根据本技术实施例，可以通过业务规则对资源数据进行筛选，有助于提升营销活动策略下票券资源的核销量，促进用户的消费交易量提升。实际通过实验测试后，较之于基于单一的专家规则的信息推送，本实施例基于上述业务规则进行业务信息推送，能够将多个营销活动场景的票券资源核销总量提高81.67％。
200.并且，本技术实施例推送的业务信息对用户的吸引力更高，有助于提升营销活动的参与用户数。实际通过实验测试后，较之于基于单一的专家规则的信息推送，本实施例基于上述业务规则进行业务信息推送，能够使得用户收到信息参与到指定营销活动的人数提高75.93％。
201.同时，本技术实施例推送的业务信息由于更符合用户感兴趣的内容，因此有助于提升营销活动的商户交易笔数。实际通过实验测试后，较之于基于单一的专家规则的信息推送，本实施例基于上述业务规则进行业务信息推送，能够使营销活动所对应的商户交易笔数提高11％。
202.需要说明的是，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
203.图4示出了本技术实施例提供的计算机设备的硬件结构示意图。
204.计算机设备可以包括处理器401以及存储有计算机程序指令的存储器302。
205.具体地，上述处理器401可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
206.存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在综合网关容灾设备的内部或外部。在特定实施例中，存储器402是非易失性固态存储器。
207.存储器可包括只读存储器(rom)，随机存取存储器(ram)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本技术的一方面的方法所描述的操作。
208.处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施
例中的任意一种推送方法。
209.在一个示例中，计算机设备还可包括通信接口403和总线410。其中，如图4所示，处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
210.通信接口403，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。
211.总线410包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线410可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
212.另外，结合上述实施例中的推送方法，本技术实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种推送方法。
213.并且，结合上述实施例中的推送方法，本技术实施例可提供一种计算机程序产品，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如上述实施例所述的推送方法。
214.需要明确的是，本技术并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本技术的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本技术的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
215.以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
216.还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
217.上面参考根据本技术的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本技术的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的
一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
218.以上所述，仅为本技术的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。