CN111079006B - 一种消息推送方法、装置、电子设备及介质 - Google Patents

Abstract

本发明公开了一种消息推送方法、装置、电子设备及介质。所述方法包括：获取候选消息；获取目标对象的状态数据；确定出与所述候选消息的类型对应的点击率预测模型，以及将所述状态数据输入所述点击率预测模型进行点击率预测；当预测得到的点击率符合点击率阈值的要求时，向客户端推送所述候选消息；其中，所述点击率预测模型是通过多个状态样本数据进行机器学习训练获得的，所述状态样本数据携带有同类消息的实际点击率，所述同类消息与所述候选消息属于同一类型。结合目标对象的状态数据预测点击率，能够提高消息的点击率和用户体验。在消息类型的维度进行点击率预测，能够更细粒度的确定出不同消息类型对应的点击率，提高消息推送的精准性。

Description

一种消息推送方法、装置、电子设备及介质

技术领域

本发明涉及互联网通信技术领域，尤其涉及一种消息推送方法、装置、电子设备及介质。

背景技术

随着互联网通信技术的快速发展，网络已成为人们获取信息和共享信息的重要途径。服务器可以将各种消息推送至客户端，用户通过客户端可以获取到各种消息。比如，服务器将一条视频消息发送给客户端，客户端显示该视频消息给用户，用户可以点击该视频消息中包括的视频链接进而利用视频播放器观看对应的视频。

点击率可以指网站页面上某一内容被点击的次数与被显示次数之比，即clicks/views，它是一个百分比。对于推送的消息，可以利用该消息的点击次数除以该消息的曝光次数来作为它的点击率，点击率可以反映该消息的推送效果。

现有技术中，往往采用定时推送的方案进行消息推送，然而由定时推送得到的点击率并不理想。因此，需要提供对消息更有效的推送方案。

发明内容

为了解决现有技术应用在对消息进行推送时，消息的点击率低等问题，本发明提供了一种消息推送方法、装置、电子设备及介质：

一方面，本发明提供了一种消息推送方法，所述方法包括：

获取候选消息；

获取目标对象的状态数据；

确定出与所述候选消息的类型对应的点击率预测模型，以及将所述状态数据输入所述点击率预测模型进行点击率预测；

当预测得到的点击率符合点击率阈值的要求时，向客户端推送所述候选消息；

其中，所述点击率预测模型是通过多个状态样本数据进行机器学习训练获得的，所述状态样本数据携带有同类消息的实际点击率，所述同类消息与所述候选消息属于同一类型。

另一方面提供了一种消息推送装置，所述装置包括：

候选消息获取模块：用于获取候选消息；

状态数据获取模块：用于获取目标对象的状态数据；

点击率预测模块：用于确定出与所述候选消息的类型对应的点击率预测模型，以及将所述状态数据输入所述点击率预测模型进行点击率预测；

推送模块：用于当预测得到的点击率符合点击率阈值的要求时，向客户端推送所述候选消息；

其中，所述点击率预测模型是通过多个状态样本数据进行机器学习训练获得的，所述状态样本数据携带有同类消息的实际点击率，所述同类消息与所述候选消息属于同一类型。

另一方面提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述的消息推送方法。

另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述的消息推送方法。

本发明提供的一种消息推送方法、装置、电子设备及介质，具有如下技术效果：

本发明在进行消息推送时，确定与候选消息的类型对应的点击率预测模型，将目标对象的状态数据输入该模型进行点击率预测，进而根据预测结果确定是否进行消息推送。结合目标对象的状态数据预测点击率，考虑到了用户的当前状态和历史状态，能够提高消息的点击率和用户体验。在消息类型的维度进行点击率预测，能够更细粒度的确定出不同消息类型对应的点击率，提高消息推送的精准性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1是本发明实施例提供的一种应用环境的示意图；

图2是本发明实施例提供的一种消息推送方法的流程示意图；

图3是本发明实施例提供的训练得到点击率预测模型的一种流程示意图；

图4是本发明实施例提供的当预测得到的点击率符合点击率阈值的要求时，向客户端推送所述候选消息的一种流程示意图；

图5是本发明实施例提供的一种点击率预测的应用场景的示意图；

图6是应用本发明实施例提供的消息推送方法的客户端的UI界面图；

图7是本发明实施例提供的一种消息推送方法相比定时推送方法的效果对比图；

图8是本发明实施例提供的一种消息推送装置的组成框图；

图9是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

请参阅图1，图1是本发明实施例提供的一种应用环境的示意图，可以包括客户端01和服务器02，客户端与服务器通过网络连接。服务器可以将消息推送至客户端，用户通过客户端可以获取到消息。需要说明的是，图1仅仅是一种示例。

具体的，客户端01可以包括智能手机、台式电脑、平板电脑、笔记本电脑、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、数字助理、智能可穿戴设备等类型的实体设备，也可以包括运行于实体设备中的软体，比如计算机程序。客户端01上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。

具体的，所述服务器02可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群。服务器02可以包括有网络通信单元、处理器和存储器等等。所述服务器02可以为上述客户端提供后台服务。

在实际应用中，本发明实施例提供的方案可以涉及人工智能的相关技术，在下述的具体实施例中会进行说明。人工智能(Artificial Intelligence，AI)，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

其中，机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

以下介绍本发明一种消息推送方法的具体实施例，图2是本发明实施例提供的一种消息推送方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，所述方法可以包括：

S201：获取候选消息；

在本发明实施例中，所述候选消息指示对应的业务。所述候选消息可以是基于目标对象所订阅的消息源的更新生成的(比如来自订阅号、客户端自带功能(比如“动态”功能、“看点”功能)的消息)、可以是基于目标对象对应的组织架构的更新生成的(比如因新增联系人带来的消息)、可以是基于客户端的更新生成的等等，可参见图6。

所述候选消息可以携带有类型标识，所述类型标识可以基于所述候选消息的生成数据源(可以参考前述记载)来设置，比如“订阅号消息”、“新增联系人消息”、“版本升级消息”等等。所述类型标识可以基于将所述候选消息推送至客户端的展示形式来设置，比如“弹窗”形式、“红点”形式等等。所述类型标识可以结合“将所述候选消息推送至客户端的形式”以及“所述候选消息的生成数据源”来设置，比如“公众号红点”形式、“tab(标签)红点”形式、“权限获取弹窗”形式等等。

进一步的，所述类型标注可以根据作为展示形式的“红点”、“弹窗”等与页面的关系作更细粒度的设置，比如“锁屏弹窗”形式(并不与当前页面一同展示)。当然，所述类型标注可以根据作为展示形式的“红点”、“弹窗”等处于终端屏幕的位置(比如屏幕中部、屏幕顶部)作设置，可以根据“红点”、“弹窗”等的大小、形状作设置。

S202：获取目标对象的状态数据；

在本发明实施例中，所述目标对象可以指示客户端的当前登录账号、客户端的标识。也就是说，状态数据可以表征使用当前登录账号的注册用户的状态、基于客户端的标识进行服务体验的游客的状态。状态数据可以反映注册用户或者游客的操作行为。

这里的状态包括当前状态和历史状态。当前状态可以指示当前时间点的状态，也可以指示由当前时间点往前一个较短的时间段(可称作当前时间段，包括当前时间点)的状态。历史状态可以指示当前时间点之前一个较长的时间段的状态，也可以指示由当前时间点(包括当前时间点)往前一个较长的时间段的状态。

相应的，所述状态数据包括当前状态数据和历史状态数据。其中，所述当前状态数据可以是实时采集的。所述历史状态数据可以是预先采集的，这里可以从存储预先采集的数据中提取出所述历史状态数据。

在一个具体的实施例中，服务器可以基于当前时间段和历史时间段采集所述目标对象的多个行为数据，每个行为数据携带有对应的属性信息。然后，服务器根据所述对应的属性信息，对所述多个行为数据作结构化处理得到所述状态数据。这里由服务器基于当前时间段的采集到的行为数据可以指向当前状态数据。对于历史状态数据，可以由服务器基于历史时间段(第一历史时间段)的采集到的行为数据而得到。当然，历史状态数据的构成中也可以包括由服务器基于当前时间段的采集到的行为数据。

行为数据是基于对应的事件触发产生的数据。所述对应的事件可以包括“切前台事件”、“切后台事件”、“点击事件”、“滑动事件”(比如可以包括“滑动消息列表事件”)等。进一步的，“点击事件”还可以包括“点击tab红点事件”、“点击好友消息红点事件”、“点击看点红点事件”、“点击联系人红点事件”、“点击动态红点事件”等等。上述所述对应的属性信息可以与具体的事件对应，其中，所述对应的属性信息可以包括公共属性(比如，“点击好友消息红点事件”和“点击看点红点事件”可以对应同一公有属性：点击红点属性)和特有属性(比如，“点击好友消息红点事件”对应的特有属性为点击好友消息红点，“点击看点红点事件”对应的特有属性为点击看点红点)。当然，行为数据除了表征事件类型外，还可以表征与事件相关联的内容，比如“消息红点数目”、“消息列表是否位于顶部”等等。

根据所述对应的属性信息，对所述多个行为数据作结构化处理。这样得到的状态数据是结构化数据，每一结构化数据可以指示一具体事件或一类事件。结构化数据可以方便服务器进行持久化存储，保证在未来可以对状态数据进行恢复、查找、校验等操作。

在实际应用中，可以由客户端采集目标对象的各种行为数据，然后将这些行为数据组织为具有良好结构的结构化数据。进而向服务器上报得到的结构化数据。

S203：确定出与所述候选消息的类型对应的点击率预测模型，以及将所述状态数据输入所述点击率预测模型进行点击率预测；

在本发明实施例中，所述点击率预测模型是通过多个状态样本数据进行机器学习训练获得的，所述状态样本数据携带有同类消息的实际点击率，所述同类消息与所述候选消息属于同一类型。使用多个已标注的状态样本数据进行机器学习训练得到点击率预测模型，由此得到的点击率预测模型具有高泛化能力。在消息类型的维度设置点击率预测模型，每个消息类型(对应一个消息推送场景)可以对应一个点击率预测模型，这样可以提高向不同用户推送不同类型的消息的点击率的预测适应能力，进而可以大大提高点击率预测的可靠性和有效性。

点击率预测模型输出的点击率可以在一定程度上反映目标对象当前是否对应空闲操作行为，也就是说可以反映注册用户或者游客当前是否处于使用该客户端的空闲状态。因为若注册用户或者游客当前未使用该客户端(退出该客户端的使用，并非“切后台”)，那么注册用户或者游客不能即时获知该客户端接收到的某消息的情况。若注册用户或者游客当前正在使用该客户端，但是注册用户或者游客在利用该客户端在进行某服务体验(比如聊天)，那么注册用户或者游客即使获知该客户端接收到的某消息的情况，也可能不会去查看。

在一个具体的实施例中，所述将所述状态数据输入所述点击率预测模型进行点击率预测，之前还包括：

从所述状态数据中提取至少两个维度的特征，所述至少两个维度包括历史状态维度、当前状态维度、活跃度和反馈情况。可以基于历史状态维度和当前状态维度从所述状态数据中提取出当前状态特征和历史状态特征。

具体的，可以从当前状态数据中提取出当前状态特征，从历史状态数据中提取出历史状态特征。这里的“当前状态数据”和“历史状态数据”可参考步骤S202中的相关记载，不再赘述。

在实际应用中，服务器接收客户端上报的结构化数据，由于每一结构化数据可以指示一具体事件或一类事件，服务器可以基于一具体事件或一类事件计算出目标对象的特征(对应注册用户或游客的状态特征)。

对于当前状态特征，可以包括：

1)用户即时特征

用于表征当前时间点注册用户或游客的操作行为。用户即时特征可以通过反映注册用户或游客当前是否在看看点的数据、当前消息列表的红点数目等的数据得到。

2)用户短期(近期)特征

用于表征当前数据段(由当前时间点往前一个较短的时间段，包括当前时间点))注册用户或游客的操作行为。可以表征注册用户或游客在最近的若干秒、若干分钟的各种操作行为。比如，最近30秒内看过QQ空间的次数，最近10秒内看过看点的次数等。

在进行用户短期(近期)特征计算之前，可以确定出能够反映注册用户或游客当前时间段的操作行为的数据(以下称作短期数据)，以及对短期数据作存储。当然，可以设置存储容量上限阈值，避免短期数据存储过多，导致服务器的存储空间不够用。

对于历史状态特征，可以包括：

1)用户长期活跃度特征

用户长期特征用于表征历史数据段(可以对应当前时间点之前一个较长的时间段的状态，可以对应由当前时间点(包括当前时间点)往前一个较长的时间段)注册用户或游客的操作行为。

用户长期活跃度特征可以表征注册用户或游客在最近的若干天、若干月、乃至若干年的各种操作行为的活跃度。比如，使用客户端(比如qq)的活跃度，看空间的活跃度，看文章的活跃度等。活跃度可以以天数、次数等表征。比如最近活跃天数，最近若干天对某个业务的进入次数等。

在实际应用中，对于用户长期活跃度的计算可以先计算好每天的各项活跃度，然后进行多天合并。通过计算最近一段时间的某项活跃度的平均值来得到对应的活跃度，可以大大降低注册用户或游客某天的异常操作行为对活跃度预估的影响。考虑到服务器负载，可以由客户端负责每天各项活跃度的计算任务，服务器负责进行多天合并，这样可以分摊服务器的计算压力。

2)用户反馈特征

用于表征向注册用户或游客推送消息之后，注册用户或游客是否点击该消息。用户反馈特征可以通过反映注册用户或游客获知客户端接收到消息的次数(消息的曝光次数)、点击消息的次数、客户端内部的点击率等的数据得到。

在进行用户反馈特征计算之前，可以基于上述数据建立用户反馈列表并进行存储，这个列表的每一项，记录了消息的推送时间，消息推送之后注册用户或游客是否进行点击等信息。这样根据这个列表可以方便计算得到用户反馈特征。当然，考虑服务器的存储空间有限，可以设置用户反馈列表上限阈值，进而保留最近若干条的记录项。

3)用户静态特征

指注册用户短期内较稳定甚至不会有变化的特征，比如性别特征、年龄特征。用户静态特征可以通过账户的个人资料得到。当然，在进行用户静态特征计算时，可以进行正确性校验以及异常值处理。比如，提取得到某注册用户的年龄特征对应10000岁，那么可以作异常标注。

相应的，所述将所述状态数据输入所述点击率预测模型进行点击率预测，包括：将所述当前状态特征和所述历史状态特征输入所述点击率预测模型进行点击率预测。

在另一个具体的实施例中，如图3所示，所述点击率预测模型的训练过程包括如下步骤：

S301：获取所述状态样本数据；

可以采集预设时间段内来自不同对象的多个行为数据，每个行为数据携带有对应的属性信息；根据所述对应的属性信息，对所述多个行为数据作结构化处理得到所述状态样本数据。用作状态样本数据的行为数据来自不同对象，每个对象可以对应多个行为数据，所述不同对象中可以包括上述的目标对象。这里对于行为数据的定义以及对行为数据作结构化处理的内容，可以参考步骤S202中的相关记载，不再赘述。这里的预设时间段存在于模型训练阶段。

在实际应用中，可以由客户端采集来自不同对象的各种行为数据，然后将这些行为数据组织为具有良好结构的结构化数据。进而向服务器上报得到的结构化数据。

S302：将所述状态样本数据输入神经网络模型进行点击率预测训练；

所述将所述状态样本数据输入神经网络模型进行点击率预测训练，之前还包括：从所述状态样本数据中提取至少两个维度的特征，所述至少两个维度包括历史状态维度、当前状态维度、活跃度和反馈情况。这里的“历史状态维度”和“当前状态维度”主要是就前述预设时间段(存在于模型训练阶段)而言的。所述至少两个维度的特征可以包括用户即时特征、用户短期(近期)特征、用户长期活跃度特征、用户反馈特征和用户静态特征。对于这些特征的获得可以参考前述记载，这里不再赘述。另外，虽然状态样本数据来自不同对象，但是“从所述状态样本数据中提取至少两个维度的特征”是分别针对某个对象实现的。

所述将所述状态样本数据输入神经网络模型进行点击率预测训练，包括：将所述至少两个维度的特征输入所述神经网络模型进行点击率预测训练。可以对携带有异常标注的用户静态特征进行过滤。由于每个消息类型(对应一个消息推送场景)可以对应一个点击率预测模型，那么输入神经网络模型A(对于消息类型A)的特征中可以过滤掉与消息类型A相关度低于预设值的特征(比如点击消息类型B的次数)。

所述神经网络模型可以采用DNN(Deep Neura lNetworks，深度神经网络)模型、XGB(eXtreme Gradient Boosting，极端梯度提升)模型、LR(Logistic Regression，逻辑回归)模型等。

在实际应用中，可以以f(x)＝y表示神经网络模型对应的一待拟合函数，x表示基于状态样本数据得到的特征，y表示模型训练阶段预测的点击率。

S303：在训练过程中，调整所述神经网络模型的模型参数至所述神经网络模型输出的点击率与输入的所述状态样本数据携带的所述实际点击率相匹配；

比如训练订阅号消息的点击率预测模型，可以统计出前述预设时间段内属于订阅号消息类型的消息的实际点击率(该消息的点击次数/该消息的曝光次数，非客户端内部的点击率)。

可以计算所述神经网络模型输出的中间值(作为训练中间结果的点击率)与所述状态样本数据的标注值(作为正确答案的实际点击率)之间的损失值，根据所述损失值调整所述模型参数。具体的，可以采用梯度下降法对所述神经网络模型进行训练，设置学习率的初始值为0.0005至0.0015，每隔1000至3000次迭代调整所述学习率的取值。比如可以设置学习率的初始值为0.001，每隔2000次迭代调整所述学习率的取值。当然，对学习率的设置方式不限于此。

S304：将调整后的模型参数对应的神经网络模型作为所述点击率预测模型。

图5是本发明实施例提供的一种点击率预测的应用场景的示意图。图5中训练数据为状态样本数据，每个所述状态样本数据标注有同类消息的实际点击率；相应的，后续训练出来的点击率预测模型可以基于目标对象的状态数据对候选消息进行点击率的预测。

另外，可以利用ABTest(AB测试，一种分离式组间试验方法)验证点击率预测模型的正确性以及有效性。

S204：当预测得到的点击率符合点击率阈值的要求时，向客户端推送所述候选消息；

在本发明实施例中，在消息类型的维度设置点击率预测模型，每个消息类型(对应一个消息推送场景)对应一个点击率预测模型，那么每个消息类型(对应一个消息推送场景)对应的点击率阈值可以是不同的、可以是灵活设置的。在进行点击率阈值设置时需要考虑整体点击量：因为如果点击率阈值设置得过大，会导致消息的曝光次数减小，整体点击量不够理想；如果点击率阈值设置得过小，会导致向大量预测点击率不理想的客户端进行推送，整体点击量也不够理想。

点击率预测模型输出的点击率可以反映注册用户或者游客当前是否处于使用该客户端的空闲状态。当预测得到的点击率大于点击率阈值时，可以说明注册用户或者游客当前处于使用该客户端的空闲状态，进而向该客户端推送所述候选消息。当预测得到的点击率小于等于点击率阈值时，可以说明注册用户或者游客当前不处于使用该客户端的空闲状态，便不用向该客户端推送所述候选消息。

在一个具体的实施例中，所述当预测得到的点击率符合点击率阈值的要求时，向客户端推送所述候选消息，包括：

S401：当所述预测得到的点击率符合所述点击率阈值的要求时，将所述候选消息作为目标消息；

比如所述候选消息属于新增联系人消息类型，该消息类型对应的点击率阈值为60％，若预测得到的点击率为70％(>60％)，那么将所述候选消息作为目标消息。

S402：在参考时间段上确定出当前时间点所在的子时间段，所述参考时间段包括至少两个子时间段，每个子时间段对应着一个历史点击率分布信息；

所述历史点击率分布信息的得到过程包括如下步骤：获取历史时间段(第二历史时间)内每个所述同类消息的第一点击情况；确定所述参考时间段，以及在所述参考时间段上确定出所述至少两个子时间段；根据所述第一点击情况以及所述历史时间段(第二历史时间)与所述参考时间段的对应关系，得到所述每个子时间段内所述每个所述同类消息的第二点击情况；将所述第二点击情况作为所述历史点击率分布信息。

这里的第二历史时间段可以指示当前时间点之前一个较长的时间段，也可以指示由当前时间点(包括当前时间点)往前一个较长的时间段。点击情况可以指示注册用户或者游客是否对收到的消息进行点击。比如，第二历史时间段对应1个月(比如30天)，参考时间段对应1天，子时间段可以对应1小时、3小时等等。对于同属新增联系人消息类型的消息，获取1个月内每个同类消息的点击情况，这些同类消息可以是不均匀分布在这1个月的时间维度。然后，基于所述历史时间段(第二历史时间)与所述参考时间段的对应关系整理这些同类消息，结合点击情况得到每个子时间段的点击率。30天对应的同类消息的数量(相当于曝光次数)为900，对于30天中的每一天将对应每个子时间段(上午、中午、下午、晚上)的同类消息分别抽取出来，结合具体的点击情况就可以得到1天中上午对应的点击率、中午对应的点击率、下午对应的点击率以及晚上对应的点击率。

这里，比如当前时间点为12时，那么所在的子时间段为中午。

此外，这里所述每个所述同类消息除了消息类型、第二历史时间段的限制外，还可以在是否存在对应的注册账号、注册账号是否异常等角度进行限制。当然，历史点击率分布信息可以包括大众历史点击率分布信息和个人历史点击率分布信息。对于个人历史点击率分布信息。所述每个所述同类消息除了消息类型、第二历史时间段的限制外，还限制具体的可以在是否存在对应的注册账号、注册账号是否异常等角度进行限制具体的目标对象(比如具体的客户端的当前登录账号、客户端的标识)。

S403：确定出在所述所在的子时间段之后的目标时间段；

当所述对应的子时间段为最晚时间段时，获取推送次数下限阈值，若当前推送次数不符合推送次数下限阈值的要求，可以直接向所述客户端推送所述目标消息。所述推送次数下限阈值可以指每天向所述客户端进行消息(可以局限于某具体的消息类型，也可以指所有类型的消息)推送的最低次数，这样提高目标消息的曝光机会，提高整体点击量。

当所述对应的子时间段在最晚子时间段之前时，确定出在所述所在的子时间段之后的目标时间段。结合步骤S402中的示例，目标时间段为下午和晚上。

S404：比较所述预测得到的点击率和目标时间段对应的点击率；

第一种情况：下午对应的点击率为80％(大于70％)，晚上对应的点击率为50％(小于70％)。

第二种情况：下午对应的点击率为50％(小于70％)，晚上对应的点击率为50％(小于70％)。

S405：当所述预测得到的点击率大于所述目标时间段对应的点击率时，向所述客户端推送所述目标消息。

第一种情况中存在点击率大于所述预测得到的点击率的时间段(下午)，可知，在当天的当前时间点之后的时间里存在比当前时间点更优的推送时机，具体的可以是在当天的当前时间点之后的时间里存在1次比当前时间点更优的推送时机，那么可以不向所述客户端推送所述目标消息，等待更优的推送时机的触发。

第二种情况中不存在点击率大于所述预测得到的点击率的时间段，那么可以向所述客户端推送所述目标消息。这样可以在向客户端进行消息推送时有效兼顾更优的推送时机和整体点击量。

在另一个具体的实施例中，当前时间点可以对应至少两个所述候选消息。可以分别确定出与所述至少两个所述候选消息的类型对应的点击率预测模型；将所述状态数据分别输入所述对应的点击率预测模型进行点击率预测；根据所述至少两个所述候选消息对应的预测点击率得到用于消息推送的优先级级别序列。

1)当所述至少两个所述候选消息属于同一消息类型时，可以通过同一点击率预测模型进行点击率预测，可以得到所述至少两个所述候选消息对应的预测点击率的优先级级别序列(点击率高的优先级级别高)，该优先级级别序列可以指示后续进行消息推送的顺序。进而可以选择出符合点击率阈值要求的点击率对应的候选消息并按照优先级级别序列依次向所述客户端推送。

2)当所述至少两个所述候选消息属于不同消息类型时，可以通过对应的点击率预测模型进行点击率预测，可以得到所述至少两个所述候选消息对应的预测点击率的优先级级别序列(点击率高的优先级级别高)，该优先级级别序列可以指示后续进行消息推送的顺序。进而可以选择出符合对应的点击率阈值要求的点击率对应的候选消息并按照优先级级别序列依次向所述客户端推送。

此外，需要说明的是，本发明实施例中，当当前时间点对应至少两个所述候选消息时，可以结合历史点击率分布信息和优先级级别序列来进行消息推送。比如可以先确定所述至少两个所述候选消息对应的预测点击率的优先级级别序列，然后选择出符合对应的点击率阈值要求的点击率对应的候选消息作为目标消息，再基于历史点击率分布信息判断当前时间点之后是否存在更优的推送时机以确定是否进行消息推送。与定时推送相比，可以大大提升用户体验，有效提升点击效果，可参见图7。

由以上本说明书实施例提供的技术方案可见，本说明书实施例中在进行消息推送时，确定与候选消息的类型对应的点击率预测模型，将目标对象的状态数据输入该模型进行点击率预测，进而根据预测结果确定是否进行消息推送。结合目标对象的状态数据预测点击率，考虑到了用户的当前状态和历史状态，能够提高消息的点击率、点击UV(UniqueVisitor，独立访客)和用户体验。在消息类型的维度进行点击率预测，能够更细粒度的确定出不同消息类型对应的点击率，提高消息推送的精准性。

本发明实施例还提供了一种消息推送装置，如图8所示，所述装置包括：

候选消息获取模块810：用于获取候选消息；

状态数据获取模块820：用于获取目标对象的状态数据；

点击率预测模块830：用于确定出与所述候选消息的类型对应的点击率预测模型，以及将所述状态数据输入所述点击率预测模型进行点击率预测；

推送模块840：用于当预测得到的点击率符合点击率阈值的要求时，向客户端推送所述候选消息；

其中，所述点击率预测模型是通过多个状态样本数据进行机器学习训练获得的，所述状态样本数据携带有同类消息的实际点击率，所述同类消息与所述候选消息属于同一类型。

需要说明的，所述装置实施例中的装置与方法实施例基于同样的发明构思。

本发明实施例提供了一种电子设备，该电子设备包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的消息推送方法。

进一步地，图9示出了一种用于实现本发明实施例所提供的消息推送方法的电子设备的硬件结构示意图，所述电子设备可以参与构成或包含本发明实施例所提供的消息推送装置。如图9所示，电子设备90可以包括一个或多个(图中采用902a、902b，……，902n来示出)处理器902(处理器902可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器904、以及用于通信功能的传输装置906。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图9所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备90还可包括比图9中所示更多或者更少的组件，或者具有与图9所示不同的配置。

应当注意到的是上述一个或多个处理器902和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到电子设备90(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器904可用于存储应用软件的软件程序以及模块，如本发明实施例中所述的方法对应的程序指令/数据存储装置，处理器902通过运行存储在存储器94内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种消息推送方法。存储器904可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器904可进一步包括相对于处理器902远程设置的存储器，这些远程存储器可以通过网络连接至电子设备90。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置906用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备90的通信供应商提供的无线网络。在一个实例中，传输装置906包括一个网络适配器(NetworkInterfaceController，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实施例中，传输装置906可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与电子设备90(或移动设备)的用户界面进行交互。

本发明的实施例还提供了一种存储介质，所述存储介质可设置于电子设备之中以保存用于实现方法实施例中一种消息推送方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的消息推送方法。

可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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，对于装置和电子设备实施例而言，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。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种消息推送方法，其特征在于，所述方法包括：

获取候选消息；

获取目标对象的状态数据；

确定出与所述候选消息的类型对应的点击率预测模型，以及将所述状态数据输入所述点击率预测模型进行点击率预测；

当预测得到的点击率符合点击率阈值的要求时，向客户端推送所述候选消息；

其中，所述点击率预测模型是通过多个状态样本数据进行机器学习训练获得的，所述状态样本数据携带有同类消息的实际点击率，所述状态样本数据指示样本对象在至少两个维度的行为数据，所述至少两个维度包括历史状态维度、当前状态维度、活跃度和反馈情况中的至少两个，所述同类消息与所述候选消息属于同一类型；

所述当预测得到的点击率符合点击率阈值的要求时，向客户端推送所述候选消息，包括：当所述预测得到的点击率符合所述点击率阈值的要求时，将所述候选消息作为目标消息；在参考时间段上确定出当前时间点所在的子时间段，所述参考时间段包括至少两个子时间段，每个子时间段对应着一个历史点击率分布信息；确定出在所述所在的子时间段之后的目标时间段；比较所述预测得到的点击率和目标时间段对应的点击率；当所述预测得到的点击率大于所述目标时间段对应的点击率时，向所述客户端推送所述目标消息。

2.根据权利要求1所述的方法，其特征在于，所述历史点击率分布信息的得到过程包括如下步骤：

获取历史时间段内每个所述同类消息的第一点击情况；

确定所述参考时间段，以及在所述参考时间段上确定出所述至少两个子时间段；

根据所述第一点击情况以及所述历史时间段与所述参考时间段的对应关系，得到所述每个子时间段内所述每个所述同类消息的第二点击情况；

将所述第二点击情况作为所述历史点击率分布信息。

3.根据权利要求1或2任一所述的方法：

所述获取候选消息，包括：

获取至少两个所述候选消息；

所述确定出与所述候选消息的类型对应的点击率预测模型，以及将所述状态数据输入所述点击率预测模型进行点击率预测，包括：

分别确定出与所述至少两个所述候选消息的类型对应的点击率预测模型；

将所述状态数据分别输入所述对应的点击率预测模型进行点击率预测；

所述当预测得到的点击率符合点击率阈值的要求时，向客户端推送所述候选消息，之前包括：

根据所述至少两个所述候选消息对应的预测点击率得到用于消息推送的优先级级别序列。

4.根据权利要求1所述的方法，其特征在于：

所述将所述状态数据输入所述点击率预测模型进行点击率预测，之前还包括：

从所述状态数据中提取至少两个维度的特征，所述至少两个维度包括历史状态维度、当前状态维度、活跃度和反馈情况；

相应的，所述将所述状态数据输入所述点击率预测模型进行点击率预测，包括：

将所述至少两个维度的特征输入所述点击率预测模型进行点击率预测。

5.根据权利要求1所述的方法，其特征在于，所述获取目标对象的状态数据，包括：

基于当前时间段和历史时间段采集所述目标对象的多个行为数据，每个行为数据携带有对应的属性信息；

根据所述对应的属性信息，对所述多个行为数据作结构化处理得到所述状态数据。

6.根据权利要求1所述的方法，其特征在于，所述点击率预测模型的训练过程包括如下步骤：

获取所述状态样本数据；

将所述状态样本数据输入神经网络模型进行点击率预测训练；

在训练过程中，调整所述神经网络模型的模型参数至所述神经网络模型输出的点击率与输入的所述状态样本数据携带的所述实际点击率相匹配；

将调整后的模型参数对应的神经网络模型作为所述点击率预测模型。

7.根据权利要求6所述的方法，其特征在于：

所述获取所述状态样本数据，包括：

采集预设时间段内来自不同所述样本对象的多个所述行为数据，每个所述行为数据携带有对应的属性信息；

根据所述对应的属性信息，对所述多个所述行为数据作结构化处理得到所述状态样本数据；

所述将所述状态样本数据输入神经网络模型进行点击率预测训练，之前还包括：

从所述状态样本数据中提取所述至少两个维度的特征；

所述将所述状态样本数据输入神经网络模型进行点击率预测训练，包括：

将所述至少两个维度的特征输入所述神经网络模型进行点击率预测训练。

8.一种消息推送装置，其特征在于，所述装置包括：

候选消息获取模块：用于获取候选消息；

状态数据获取模块：用于获取目标对象的状态数据；

点击率预测模块：用于确定出与所述候选消息的类型对应的点击率预测模型，以及将所述状态数据输入所述点击率预测模型进行点击率预测；

推送模块：用于当预测得到的点击率符合点击率阈值的要求时，向客户端推送所述候选消息；

其中，所述点击率预测模型是通过多个状态样本数据进行机器学习训练获得的，所述状态样本数据携带有同类消息的实际点击率，所述状态样本数据指示样本对象在至少两个维度的行为数据，所述至少两个维度包括历史状态维度、当前状态维度、活跃度和反馈情况中的至少两个，所述同类消息与所述候选消息属于同一类型；

所述当预测得到的点击率符合点击率阈值的要求时，向客户端推送所述候选消息，包括：当所述预测得到的点击率符合所述点击率阈值的要求时，将所述候选消息作为目标消息；在参考时间段上确定出当前时间点所在的子时间段，所述参考时间段包括至少两个子时间段，每个子时间段对应着一个历史点击率分布信息；确定出在所述所在的子时间段之后的目标时间段；比较所述预测得到的点击率和目标时间段对应的点击率；当所述预测得到的点击率大于所述目标时间段对应的点击率时，向所述客户端推送所述目标消息。

9.根据权利要求8所述的装置，其特征在于，所述历史点击率分布信息的得到过程包括如下步骤：

获取历史时间段内每个所述同类消息的第一点击情况；

确定所述参考时间段，以及在所述参考时间段上确定出所述至少两个子时间段；

根据所述第一点击情况以及所述历史时间段与所述参考时间段的对应关系，得到所述每个子时间段内所述每个所述同类消息的第二点击情况；

将所述第二点击情况作为所述历史点击率分布信息。

10.根据权利要求8或9任一所述的装置：

所述候选消息获取模块：用于获取至少两个所述候选消息；

所述点击率预测模块：用于分别确定出与所述至少两个所述候选消息的类型对应的点击率预测模型；将所述状态数据分别输入所述对应的点击率预测模型进行点击率预测；

所述装置还包括序列获得模块，所述序列获得模块：用于在所述当预测得到的点击率符合点击率阈值的要求时，向客户端推送所述候选消息之前，根据所述至少两个所述候选消息对应的预测点击率得到用于消息推送的优先级级别序列。

11.根据权利要求8所述的装置，其特征在于：

所述装置还包括特征提取模块，所述特征提取模块：用于在所述将所述状态数据输入所述点击率预测模型进行点击率预测之前，从所述状态数据中提取至少两个维度的特征，所述至少两个维度包括历史状态维度、当前状态维度、活跃度和反馈情况；

相应的，所述将所述状态数据输入所述点击率预测模型进行点击率预测，包括：将所述至少两个维度的特征输入所述点击率预测模型进行点击率预测。

12.根据权利要求8所述的装置，其特征在于，所述状态数据获取模块：用于基于当前时间段和历史时间段采集所述目标对象的多个行为数据，每个行为数据携带有对应的属性信息；根据所述对应的属性信息，对所述多个行为数据作结构化处理得到所述状态数据。

13.根据权利要求8所述的装置，其特征在于，所述点击率预测模型的训练过程包括如下步骤：

获取所述状态样本数据；

将所述状态样本数据输入神经网络模型进行点击率预测训练；

在训练过程中，调整所述神经网络模型的模型参数至所述神经网络模型输出的点击率与输入的所述状态样本数据携带的所述实际点击率相匹配；

将调整后的模型参数对应的神经网络模型作为所述点击率预测模型。

14.根据权利要求13所述的装置，其特征在于：

所述获取所述状态样本数据，包括：

采集预设时间段内来自不同所述样本对象的多个所述行为数据，每个所述行为数据携带有对应的属性信息；

根据所述对应的属性信息，对所述多个所述行为数据作结构化处理得到所述状态样本数据；

所述将所述状态样本数据输入神经网络模型进行点击率预测训练，之前还包括：

从所述状态样本数据中提取所述至少两个维度的特征；

所述将所述状态样本数据输入神经网络模型进行点击率预测训练，包括：

将所述至少两个维度的特征输入所述神经网络模型进行点击率预测训练。

15.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如如权利要求1-7任一所述的消息推送方法。

16.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-7任一所述的消息推送方法。