CN111767458A

CN111767458A - 信息推送方法、装置、系统及存储介质

Info

Publication number: CN111767458A
Application number: CN201910860486.9A
Authority: CN
Inventors: 王颖帅; 李晓霞; 苗诗雨
Original assignee: Beijing Jingdong Century Trading Co Ltd; Beijing Jingdong Shangke Information Technology Co Ltd
Current assignee: Beijing Jingdong Century Trading Co Ltd; Beijing Jingdong Shangke Information Technology Co Ltd
Priority date: 2019-09-11
Filing date: 2019-09-11
Publication date: 2020-10-13

Abstract

本发明提供一种信息推送方法、装置、系统及存储介质，该方法，包括：获取用户的基础数据；根据所述基础数据，获取用户特征；根据所述用户特征，通过目标学习模型分析用户的物品需求信息；根据所述用户的物品需求信息，向用户推送预设物品库中的物品。本发明可以根据用户的线上行为数据分析出用户可能需要的物品，从而可以根据用户需求向用户进行精准的信息推送，提高信息推送的转化效果，用户体验佳。

Description

信息推送方法、装置、系统及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种信息推送方法、装置、系统及存储介质。

背景技术

互联网上越来越多的用户数据被记录下来，用户在网站上的搜索、点击、购买等行为数据，反映着用户对产品的兴趣与需求。

目前，一般都是通过用户主动浏览网页，然后从海量数据中挑选出需要的物品。

但是，这种方式不利于对特价物品(例如断码清仓物品的贩卖)的快速推广，用户无法知晓特价物品中是否有自己需要的物品，从而导致特价物品的推广效率低下。

发明内容

本发明提供一种信息推送方法、装置、系统及存储介质，可以根据用户的线上行为数据分析出用户可能需要的物品，从而可以根据用户需求向用户进行精准的信息推送，提高信息推送的转化效果，用户体验佳。

第一方面，本发明实施例提供一种信息推送方法，包括：

获取用户的基础数据；

根据所述基础数据，获取用户特征；

根据所述用户特征，通过目标学习模型分析用户的物品需求信息；

根据所述用户的物品需求信息，向用户推送预设物品库中的物品。

在一种可能的设计中，所述基础数据包括：物品浏览记录、历史订单记录、加入购物车的物品记录、添加关注的物品记录。

在一种可能的设计中，所述用户特征包括：用户画像、物品特征、上下文特征、交叉维度特征。

在一种可能的设计中，还包括：

通过用户特征，构建训练样本；

以真实的下单记录作为目标输出结果，通过所述训练样本迭代训练构建的初始学习模型，直到训练后的所述初始学习模型输出的分析结果与所述真实的下单记录之间的误差小于预设阈值；得到所述目标学习模型。

在一种可能的设计中，在根据所述用户的物品需求信息，向用户推荐预设物品库中的物品之前，还包括：

将断码清仓的物品和/或特价物品添加至所述预设物品库中。

在一种可能的设计中，根据所述用户的物品需求信息，向用户推送预设物品库中的物品，包括：

判断所述预设物品库中是否存在与所述用户的物品需求信息相符合的物品；

若存在与所述用户的物品需求信息相符合的物品，则将所述物品推送给用户终端。

第二方面，本发明实施例提供一种信息推送装置，包括：

第一获取模块，用于获取用户的基础数据；

第二获取模块，用于根据所述基础数据，获取用户特征；

分析模块，用于根据所述用户特征，通过目标学习模型分析用户的物品需求信息；

推送模块，用于根据所述用户的物品需求信息，向用户推送预设物品库中的物品。

在一种可能的设计中，还包括：训练模块，用于：

通过用户特征，构建训练样本；

在一种可能的设计中，还包括：

添加模块，用于将断码清仓的物品和/或特价物品添加至所述预设物品库中。

在一种可能的设计中，所述推送模块，具体用于：

第三方面，本发明实施例提供一种信息推送系统，包括：存储器和处理器，存储器中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的信息推送方法。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一项所述的信息推送方法。

第五方面，本发明实施例提供一种程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，服务器的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得服务器执行第一方面中任一所述的信息推送方法。

本发明提供一种信息推送方法、装置、系统及存储介质，通过获取用户的基础数据；根据所述基础数据，获取用户特征；根据所述用户特征，通过目标学习模型分析用户的物品需求信息；根据所述用户的物品需求信息，向用户推荐预设物品库中的物品。本发明可以根据用户的线上行为数据分析出用户可能需要的物品，从而可以根据用户需求向用户进行精准的信息推送，提高信息推送的转化效果，用户体验佳。

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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一应用场景的原理示意图；

图2为本发明实施例一提供的信息推送方法的流程图；

图3为本发明实施例二提供的信息推送方法的流程图；

图4为本发明实施例提供的深度学习模型训练的流程示意图；

图5为本发明实施例三提供的信息推送装置的结构示意图；

图6为本发明实施例四提供的信息推送装置的结构示意图；

图7为本发明实施例五提供的信息推送系统的结构示意图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作出创造性劳动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。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，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、产品或设备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。

为了便于理解技术方案，对本发明中出现的专业术语进行解释。

1)断码清仓物品：本发明是指对电商平台在物品销售过程中，有的品牌部分尺码卖得好，快速售罄，为了短时间内销售剩下的尺码物品，会把这些物品集合在一起，以搞活动的价格出售。

2)DeepFM：一种人工智能的算法，提取高阶特征和低阶特征联合训练，为物品排序打分，分析用户最喜欢的物品。

3)个性化推送：本发明是指以结合京东用户画像，有针对性地推送给用户断码清仓库中搞活动的物品。

4)深度学习：是一种多层感知机结构，通过拟合低阶特征抽象出高阶表示，挖掘数据分布的规律，一般包括输入层、隐藏层和输出层。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

互联网上越来越多的用户数据被记录下来，用户在网站上的搜索、点击、购买等行为数据，反映着用户对产品的兴趣与需求。目前，一般都是通过用户主动浏览网页，然后从海量数据中挑选出需要的物品。但是，这种方式不利于对特价物品(例如断码清仓物品的贩卖)的快速推广，用户无法知晓特价物品中是否有自己需要的物品，从而导致特价物品的推广效率低下。

现有技术的缺点是：断码清仓物品尽管便宜，但是用户要从海量物品中浏览出自己需要的那一件，需要花费大量时间，订单转化率低。针对上述技术问题，本发明提供一种信息推送方法、装置、系统及存储介质，可以根据用户的线上行为数据分析出用户可能需要的物品，从而可以根据用户需求向用户进行精准推荐，提高信息推送的转化效果，用户体验佳。图1为本发明一应用场景的原理示意图，如图1所示，本实施例基于用户的基础数据(订单记录、浏览记录、加入购物车记录、用户画像、用户偏好等)和用户上下文信息(天气情况、地理位置等)，通过前沿深度学习DeepFM算法，从断码清仓物品库中，智能地为用户推荐个性化文案，个性化物品，分析用户每日可能上瘾购买的物品，以互动的方式增加平台活跃度，提升业务评估指标。因此，首先获取用户的基础信息，基础数据包括：物品浏览记录、历史订单记录、加入购物车的物品记录、添加关注的物品记录。然后，通过这些基础数据，可以进一步挖掘用户特征，获取用户特征.其中，用户特征包括：用户画像、物品特征、上下文特征、交叉维度特征。根据基础数据，可以精确定位用户画像，比如用户的性别、年龄、购买力等级、是否为plus会员、用户偏好的品牌等，还可以细粒度构建用户特征工程。具体地，用户画像是指用户维度的特征，比如用户性别、用户年龄、用户购物间隔、用户常驻地址、用户购买等级、用户是否为plus会员、用户指定周期内使用满减券的次数、用户每次订单中的品类数量、用户每次订单中的平均价格等。物品特征是指物品的点击数，物品的订单量，物品的品牌，物品的价格，物品的关注量，物品的评论数等。用户所在城市的经纬度，季节、温差、天气，不同网络类型(2G、3G、4G、wifi)下的搜索、点击、浏览、加购、下单数量等存储在京东大数据hive平台，提取出来作为本发明的用户上下文特征。用户的品类偏好，用户的品牌偏好，用户的物品偏好等都作为本发明的交叉维度特征。然后，通过前沿深度学习DeepFM算法分析用户的物品需求信息。其中，Embedding网络层是把用户输入的原始特征映射到一个低纬稠密的向量。FM网络层是在Embedding的基础上提取用户的低阶特征。DNN网络层是在Embedding的基础上提取用户的高阶抽象特征。联合训练是指对用户的低阶高阶特征输入到一个激活函数或loss中，反向传播更新网络的参数。最后，可以判断预设物品库中是否存在与用户的物品需求信息相符合的物品；若存在与用户的物品需求信息相符合的物品，则将信息推送给用户终端。还可以进行一些个性化推送，例如品牌个性推送、服饰个性化推送、价格段个性化推送等。

应用上述方法可以根据用户的线上行为数据分析出用户可能需要的物品，从而可以根据用户需求向用户进行精准推荐，提高信息推送的转化效果，用户体验佳。

下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。

图2为本发明实施例一提供的信息推送方法的流程图，如图2所示，本实施例中的方法可以包括：

S101、获取用户的基础数据。

现有技术是断码清仓物品不进行个性化推送，通用化地将所有物品展示给所有用户，推荐没有针对性。本实施例可以充分挖掘用户隐藏的深层购物需求，千人千面推送断码清仓物品，一方面加速了平台货流速度，另一方面给用户带来了实实在在的优惠。因此，首先获取用户的基础信息，基础数据包括：物品浏览记录、历史订单记录、加入购物车的物品记录、添加关注的物品记录。

具体地，历史订单是指用户在购买物品的行为数据，存储到大数据平台的hive表中，提取出来作为本发明的基础数据。浏览记录是指用户在物品浏览的行为数据，存储到大数据平台的hive表中，提取出来作为本发明的基础数据。加购记录是指用户在加入购物车的物品记录，存储到大数据平台的hive标准，提取出来作为本发明的基础数据。关注记录是指用户在关注的物品的行为记录，存储到大数据平台的hive标准，提取出来作为本发明的基础数据。通过这些基础数据，可以进一步挖掘用户特征。

S102、根据基础数据，获取用户特征。

本实施例中，可以根据基础数据，获取用户特征。其中，用户特征包括：用户画像、物品特征、上下文特征、交叉维度特征。根据基础数据，可以精确定位用户画像，比如用户的性别、年龄、购买力等级、是否为plus会员、用户偏好的品牌等，还可以细粒度构建用户特征工程。

具体地，用户画像是指用户维度的特征，比如用户性别、用户年龄、用户购物间隔、用户常驻地址、用户购买等级、用户是否为plus会员、用户指定周期内使用满减券的次数、用户每次订单中的品类数量、用户每次订单中的平均价格等。物品特征是指物品的点击数，物品的订单量，物品的品牌，物品的价格，物品的关注量，物品的评论数等。用户所在城市的经纬度，季节、温差、天气，不同网络类型(2G、3G、4G、wifi)下的搜索、点击、浏览、加购、下单数量等存储在京东大数据hive平台，提取出来作为本发明的用户上下文特征。用户的品类偏好，用户的品牌偏好，用户的物品偏好等都作为本发明的交叉维度特征。

S103、根据用户特征，通过目标学习模型分析用户的物品需求信息。

本实施例中，可以根据用户特征，通过目标学习模型分析用户的物品需求信息，从而判断用户潜在的消费需求。

具体地，通过前沿深度学习DeepFM算法分析用户的物品需求信息。首先，Embedding网络层是把用户输入的原始特征映射到一个低纬稠密的向量。FM网络层是在Embedding的基础上提取用户的低阶特征。DNN网络层是在Embedding的基础上提取用户的高阶抽象特征。联合训练是指对用户的低阶高阶特征输入到一个激活函数或loss中，反向传播更新网络的参数。目标学习模型的训练过程将在后续中进行详细介绍。

S104、根据用户的物品需求信息，向用户推送预设物品库中的物品。

本实施例中，可以判断预设物品库中是否存在与用户的物品需求信息相符合的物品；若存在与用户的物品需求信息相符合的物品，则将信息推送给用户终端。

具体地，以断码清仓库作为预设物品库为例。可以进行服饰个性化推送。例如，断码清仓库中有一件男士XL尺码的半袖，这时候就结合京东的用户画像，推送给曾经购买过男士XL半袖的用户。并且当用户登录APP时，弹出一张海报“您感兴趣的半袖火热搞活动”，若有需求加上折扣优惠，购买的可能性会比展示给所有用户大很多，这种个性化推送一方面加速了电商平台的货物流动，另一方面给真正有购买欲的用户带来了实实在在的好处。还可以进行价格段个性化推送。例如，断码清仓库中有一双阿迪达斯的鞋子，结合京东的用户画像推送给价格段高的用户，如果是一双杂牌鞋子，就推送给普通低价格段用户，这种个性化的消费推送有助于用户和平台实现互惠共赢。本发明为了最大程度地激发用户的购物欲望，设立了幸运锦鲤卡片奖，对参与断码清仓活动的每一个用户，用下面的公式计算得分，得分最高的获得幸运锦鲤的优惠福利。

幸运锦鲤福利＝w₁*f₁+w₂*f₂+w₃*f₃+w₄*f₄+ε

其中：w₁表示订单金额的权重，f₁表示订单金额，w₂表示浏览次数的权重，f₂表示浏览次数，w₃表示断码清仓关注次数的权重，f₃表示断码清仓关注次数，w₄表示天气的权重，f₄表示天气对应的转换数值，ε表示基础参数，*表示乘法运算。

本实施例，通过获取用户的基础数据；根据基础数据，获取用户特征；根据用户特征，通过目标学习模型分析用户的物品需求信息；根据用户的物品需求信息，向用户推荐预设物品库中的物品。本发明可以根据用户的线上行为数据分析出用户可能需要的物品，从而可以根据用户需求向用户进行精准的信息推送，提高信息推送的转化效果，用户体验佳。

图3为本发明实施例二提供的信息推送方法的流程图，如图3所示，本实施例中的方法可以包括：

S201、构建训练样本和初始学习模型，通过训练样本对初始学习模型进行迭代训练，得到目标学习模型。

本实施例中，可以通过用户特征，构建训练样本；以真实的下单记录作为目标输出结果，通过训练样本迭代训练构建的初始学习模型，直到训练后的初始学习模型输出的分析结果与真实的下单记录之间的误差小于预设阈值；得到目标学习模型。

具体地，图4为本发明实施例提供的深度学习模型训练的流程示意图，如图4所示，深度学习模型由一个输入层、一个输出层以及夹在中间的一些隐藏层组成，类似于多层感知机，但是有许多隐藏层，在每一层有多个连接的神经元，隐藏层与输入层连接，它们对输入值进行组合和加权，产生新的实际值，然后将其传递到输出层，输出层使用在隐藏层中计算的抽象特征进行分类或分析。

S202、将断码清仓的物品和/或特价物品添加至预设物品库中。

本实施例中，还可以将断码清仓的物品和/或特价物品添加至预设物品库中。可以手动将断码清仓的物品和/或特价物品添加至预设物品库中，也可以建立机制自动将断码清仓的物品和/或特价物品添加至预设物品库中。例如，采用断码清仓物品召回进行自动处理。断码清仓物品召回是指电商平台对销售物品池子尺码有短缺的货物应用协同过滤加策略统计方法召回到统一的断码清仓库，以比较优惠的价格搞活动销售。

S203、获取用户的基础数据。

S204、根据基础数据，获取用户特征。

S205、根据用户特征，通过目标学习模型分析用户的物品需求信息。

S206、根据用户的物品需求信息，向用户推送预设物品库中的物品。

本实施例中，步骤S203～步骤S206的具体实现过程和技术原理请参见图2所示的方法中步骤S101～步骤S104中的相关描述，此处不再赘述。

另外，本实施例还可以将断码清仓的物品和/或特价物品添加至预设物品库中；构建训练样本和初始学习模型，通过训练样本对初始学习模型进行迭代训练，得到目标学习模型。而可以根据用户需求向用户进行精准推荐，提高信息推送的转化效果，用户体验佳。

图5为本发明实施例三提供的信息推送装置的结构示意图，如图5所示，本实施例的信息推送装置可以包括：

第一获取模块31，用于获取用户的基础数据；

第二获取模块32，用于根据基础数据，获取用户特征；

分析模块33，用于根据用户特征，通过目标学习模型分析用户的物品需求信息；

推送模块34，用于根据用户的物品需求信息，向用户推送预设物品库中的物品。

在一种可能的设计中，基础数据包括：物品浏览记录、历史订单记录、加入购物车的物品记录、添加关注的物品记录。

在一种可能的设计中，用户特征包括：用户画像、物品特征、上下文特征、交叉维度特征。

在一种可能的设计中，推荐模块34，具体用于：

判断预设物品库中是否存在与用户的物品需求信息相符合的物品；

若存在与用户的物品需求信息相符合的物品，则将物品推送给用户终端。

本实施例的信息推送装置，可以执行图2所示方法中的技术方案，其具体实现过程和技术原理参见图2所示方法中的相关描述，此处不再赘述。

图6为本发明实施例四提供的信息推送装置的结构示意图，如图6所示，本实施例的信息推送装置在图5所示装置的基础上，还可以包括：

训练模块35，具体用于：

通过用户特征，构建训练样本；

以真实的下单记录作为目标输出结果，通过训练样本迭代训练构建的初始学习模型，直到训练后的初始学习模型输出的分析结果与真实的下单记录之间的误差小于预设阈值；得到目标学习模型。

在一种可能的设计中，还包括：

添加模块36，用于将断码清仓的物品和/或特价物品添加至预设物品库中。

本实施例的信息推送装置，可以执行图2、图3所示方法中的技术方案，其具体实现过程和技术原理参见图2、图3所示方法中的相关描述，此处不再赘述。

图7为本发明实施例五提供的信息推送系统的结构示意图，如图7所示，本实施例的信息推送系统40可以包括：处理器41和存储器42。

存储器42，用于存储程序；存储器42，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器42用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器42中。并且上述的计算机程序、计算机指令、数据等可以被处理器41调用。

上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器42中。并且上述的计算机程序、计算机指令、数据等可以被处理器41调用。

处理器41，用于执行存储器42存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。

具体可以参见前面方法实施例中的相关描述。

处理器41和存储器42可以是独立结构，也可以是集成在一起的集成结构。当处理器41和存储器42是独立结构时，存储器42、处理器41可以通过总线43耦合连接。

本实施例的信息推送系统可以执行图2、图3所示方法中的技术方案，其具体实现过程和技术原理参见图2、图3所示方法中的相关描述，此处不再赘述。

此外，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当用户设备的至少一个处理器执行该计算机执行指令时，用户设备执行上述各种可能的方法。

其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。

本申请还提供一种程序产品，程序产品包括计算机程序，计算机程序存储在可读存储介质中，服务器的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得服务器实施上述本发明实施例任一的方法。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims

1.一种信息推送方法，其特征在于，包括：

获取用户的基础数据；

根据所述基础数据，获取用户特征；

2.根据权利要求1所述的方法，其特征在于，所述基础数据包括：物品浏览记录、历史订单记录、加入购物车的物品记录、添加关注的物品记录。

3.根据权利要求1所述的方法，其特征在于，所述用户特征包括：用户画像、物品特征、上下文特征、交叉维度特征。

4.根据权利要求1所述的方法，其特征在于，还包括：

通过用户特征，构建训练样本；

5.根据权利要求1所述的方法，其特征在于，在根据所述用户的物品需求信息，向用户推荐预设物品库中的物品之前，还包括：

将断码清仓的物品和/或特价物品添加至所述预设物品库中。

6.根据权利要求5所述的方法，其特征在于，根据所述用户的物品需求信息，向用户推送预设物品库中的物品，包括：

7.一种信息推送装置，其特征在于，包括：

第一获取模块，用于获取用户的基础数据；

第二获取模块，用于根据所述基础数据，获取用户特征；

8.根据权利要求7所述的装置，其特征在于，所述基础数据包括：物品浏览记录、历史订单记录、加入购物车的物品记录、添加关注的物品记录。

9.一种信息推送系统，其特征在于，包括：存储器、处理器，存储器中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-6所述的信息推送方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6所述的信息推送方法。