一種建立模型和推送消息的方法及裝置的制造方法
【技術領域】
[0001]本發明涉及互聯網技術領域，特別涉及一種建立模型和推送消息的方法及裝置。
【背景技術】
[0002]當前的推送系統中，一般是由編輯人工決定推送消息的發送時間，由于要推送的人群數量龐大，編輯人員不可能針對每個具體的人確定具體的發送時間，因此，一般是在同一時間推送消息，所有的用戶均在同一時間看到推送的消息。然而，這種推送方式對推送的消息的打開率有極大影響，比如，用戶收到推送的消息時正在工作或者網絡條件不允許，則用戶不會打開此推送的消息，推送效果不理想。
【發明內容】
[0003]本發明提供一種建立模型和推送消息的方法及裝置，用以精準的向用戶推送消息。
[0004]本發明提供一種建立模型的方法，包括:
[0005]獲取用戶最近K天和第K+1天中訪問預設應用的用戶行為信息；
[0006]根據用戶最近K天和第K+1天的用戶行為信息構建訓練集；
[0007]根據所述訓練集建立預測模型，所述預測模型用于根據用戶最近N天訪問預設應用的用戶行為信息，確定用戶第N+1天關于預設應用的推送時間；其中，K和N均為預設的參數，且均為大于1的整數。
[0008]在一個實施例中，所述根據所述訓練集建立預測模型，可包括:
[0009]將所有可能的用戶行為信息分為多個類；
[0010]確定最近K天中的用戶行為信息所屬的類；
[0011]根據用戶行為信息所屬的類，確定用戶在各個類的概率；
[0012]根據確定的概率構建概率模型，所述概率模型即為預測模型。
[0013]在一個實施例中，所述方法還可包括:
[0014]將用戶在各個類的概率歸一化處理。
[0015]在一個實施例中，所述用戶行為信息，可包括:
[0016]用戶每個小時在預設應用程序中的每個頻道的訪問頻次；和/或
[0017]用戶每個小時在每個網絡環境下的訪問頻次。
[0018]本發明還提供一種推送消息的方法，包括:
[0019]將當前用戶最近N天訪問預設應用的用戶行為信息輸入預測模型，確定出所述當前用戶第N+1天關于預設應用的推送時間；
[0020]當所述推送時間到達時，向所述當前用戶推送關于預設應用的消息。
[0021]在一個實施例中，所述將當前用戶最近N天訪問預設應用的用戶行為信息輸入預測模型，確定出所述當前用戶第N+1天關于預設應用的推送時間，可包括:
[0022]確定當前用戶最近N天中的用戶行為信息所屬的類；
[0023]根據用戶行為信息所屬的類，確定當前用戶在各個類的概率；
[0024]根據當前用戶在各個類的概率確定當前用戶第N+1天關于預設應用的推送時間。
[0025]在一個實施例中，所述用戶行為信息，可包括:
[0026]當前用戶每個小時在預設應用程序中的每個頻道的訪問頻次；和/或
[0027]當前用戶每個小時在每個網絡環境下的訪問頻次。
[0028]在一個實施例中，所述將當前用戶最近N天訪問預設應用的用戶行為信息輸入預測模型，確定出所述當前用戶第N+1天關于預設應用的推送時間，可包括:
[0029]將當前用戶最近N天每個小時在預設應用訪問的頻道作為特征，將用戶最近N天訪問的頻道的訪問頻次作為所述特征對應的值，將所述特征和所述特征的值輸入所述預測模型，確定當前用戶第N+1天關于預設應用的推送時間。
[0030]在一個實施例中，所述確定當前用戶第N+1天關于預設應用的推送時間，可包括:
[0031]確定當前用戶第N+1天每個小時訪問預設應用的概率；
[0032]將所述每個小時訪問預設應用程序的概率歸一化處理；
[0033]確定歸一化處理后訪問所述應用程序的概率的最大值對應的時間；
[0034]將所述最大值對應的時間確定為當前用戶的推送時間。
[0035]本發明還提供一種建立模型的裝置，包括:
[0036]獲取模塊，用于獲取用戶最近K天和第K+1天中訪問預設應用的用戶行為信息；
[0037]構建模塊，用于根據用戶最近K天和第K+1天的用戶行為信息構建訓練集；
[0038]建模模塊，用于根據所述訓練集建立預測模型，所述預測模型用于根據用戶最近N天訪問預設應用的用戶行為信息，確定用戶第N+1天關于預設應用的推送時間；其中，K和N均為預設的參數，且均為大于1的整數。
[0039]在一個實施例中，所述建模模塊，可包括:
[0040]分類子模塊，用于將所有可能的用戶行為信息分為多個類；
[0041]第一確定子模塊，用于確定最近K天中的用戶行為信息所屬的類；
[0042]第二確定子模塊，用于根據用戶行為信息所屬的類，確定用戶在各個類的概率；
[0043]第三確定子模塊，用于根據確定的概率構建概率模型，所述概率模型即為預測模型。
[0044]在一個實施例中，所述裝置還可包括:
[0045]歸一化模塊，用于將用戶在各個類的概率歸一化處理。
[0046]本發明還提供一種推送消息的裝置，包括:
[0047]確定模塊，用于將當前用戶最近N天訪問預設應用的用戶行為信息輸入預測模型，確定出所述當前用戶第N+1天關于預設應用的推送時間；
[0048]推送模塊，用于當所述推送時間到達時，向所述當前用戶推送關于預設應用的消息。
[0049]在一個實施例中，所述確定模塊，可包括:
[0050]第一確定子模塊，用于確定當前用戶最近N天中的用戶行為信息所屬的類；
[0051]第二確定子模塊，用于根據用戶行為信息所屬的類，確定當前用戶在各個類的概率;
[0052]第三確定子模塊，用于根據當前用戶在各個類的概率確定當前用戶第N+1天關于預設應用的推送時間。
[0053]在一個實施例中，所述確定模塊，可包括:
[0054]第四確定子模塊，用于將當前用戶最近N天每個小時在預設應用訪問的頻道作為特征，將用戶最近N天訪問的頻道的訪問頻次作為所述特征對應的值，將所述特征和所述特征的值輸入所述預測模型，確定當前用戶第N+1天關于預設應用的推送時間。
[0055]在一個實施例中，第四確定子模塊還可用于:
[0056]確定當前用戶第N+1天每個小時訪問預設應用的概率；將所述每個小時訪問預設應用程序的概率歸一化處理；確定歸一化處理后訪問所述應用程序的概率的最大值對應的時間；將所述最大值對應的時間確定為當前用戶的推送時間。
[0057]本發明實施例的上述技術方案可以包括以下有益效果:
[0058]在一個實施例中，通過獲取用戶最近K天和第K+1天中訪問預設應用的用戶行為信息，根據用戶最近K天和第K+1天的用戶行為信息構建訓練集，根據訓練集建立預測模型，并將用戶最近N天的用戶行為信息輸入預測模型，預測出用戶第N+1天的信息推送時間，從而可以針對不同用戶定制化的發送推送消息，提高用戶打開應用程序或推送消息的打開率。
[0059]在另一個實施例中，通過將當前用戶最近N天訪問預設應用的用戶行為信息輸入預測模型，確定出當前用戶第N+1天關于預設應用的推送時間，當推送時間到達時，向當前用戶推送關于預設應用的消息。從而可以針對不同用戶定制化的發送推送消息，提高用戶打開應用程序或推送消息的打開率。
[0060]在另一個實施例中，將當前用戶最近N天在每個小時所訪問的不同頻道作為特征，將