[发明专利]一种建立模型和推送消息的方法及装置

说明书

技术领域

本发明涉及互联网技术领域，特别涉及一种建立模型和推送消息的方法及装置。

背景技术

当前的推送系统中，一般是由编辑人工决定推送消息的发送时间，由于要推送的人群数量庞大，编辑人员不可能针对每个具体的人确定具体的发送时间，因此，一般是在同一时间推送消息，所有的用户均在同一时间看到推送的消息。然而，这种推送方式对推送的消息的打开率有极大影响，比如，用户收到推送的消息时正在工作或者网络条件不允许，则用户不会打开此推送的消息，推送效果不理想。

发明内容

本发明提供一种建立模型和推送消息的方法及装置，用以精准的向用户推送消息。

本发明提供一种建立模型的方法，包括：

获取用户最近K天和第K+1天中访问预设应用的用户行为信息；

根据用户最近K天和第K+1天的用户行为信息构建训练集；

根据所述训练集建立预测模型，所述预测模型用于根据用户最近N天访问预设应用的用户行为信息，确定用户第N+1天关于预设应用的推送时间；其中，K和N均为预设的参数，且均为大于1的整数。

在一个实施例中，所述根据所述训练集建立预测模型，可包括：

将所有可能的用户行为信息分为多个类；

确定最近K天中的用户行为信息所属的类；

根据用户行为信息所属的类，确定用户在各个类的概率；

根据确定的概率构建概率模型，所述概率模型即为预测模型。

在一个实施例中，所述方法还可包括：

将用户在各个类的概率归一化处理。

在一个实施例中，所述用户行为信息，可包括：

用户每个小时在预设应用程序中的每个频道的访问频次；和/或

用户每个小时在每个网络环境下的访问频次。

本发明还提供一种推送消息的方法，包括：

将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出所述当前用户第N+1天关于预设应用的推送时间；

当所述推送时间到达时，向所述当前用户推送关于预设应用的消息。

在一个实施例中，所述将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出所述当前用户第N+1天关于预设应用的推送时间，可包括：

确定当前用户最近N天中的用户行为信息所属的类；

根据用户行为信息所属的类，确定当前用户在各个类的概率；

根据当前用户在各个类的概率确定当前用户第N+1天关于预设应用的推送时间。

在一个实施例中，所述用户行为信息，可包括：

当前用户每个小时在预设应用程序中的每个频道的访问频次；和/或

当前用户每个小时在每个网络环境下的访问频次。

在一个实施例中，所述将当前用户最近N天访问预设应用的用户行为信息输入预测模型，确定出所述当前用户第N+1天关于预设应用的推送时间，可包括：

将当前用户最近N天每个小时在预设应用访问的频道作为特征，将用户最近N天访问的频道的访问频次作为所述特征对应的值，将所述特征和所述特征的值输入所述预测模型，确定当前用户第N+1天关于预设应用的推送时间。

在一个实施例中，所述确定当前用户第N+1天关于预设应用的推送时间，可包括：

确定当前用户第N+1天每个小时访问预设应用的概率；

将所述每个小时访问预设应用程序的概率归一化处理；

确定归一化处理后访问所述应用程序的概率的最大值对应的时间；

将所述最大值对应的时间确定为当前用户的推送时间。

本发明还提供一种建立模型的装置，包括：

获取模块，用于获取用户最近K天和第K+1天中访问预设应用的用户行为信息；

构建模块，用于根据用户最近K天和第K+1天的用户行为信息构建训练集；

建模模块，用于根据所述训练集建立预测模型，所述预测模型用于根据用户最近N天访问预设应用的用户行为信息，确定用户第N+1天关于预设应用的推送时间；其中，K和N均为预设的参数，且均为大于1的整数。

在一个实施例中，所述建模模块，可包括：

分类子模块，用于将所有可能的用户行为信息分为多个类；

第一确定子模块，用于确定最近K天中的用户行为信息所属的类；

第二确定子模块，用于根据用户行为信息所属的类，确定用户在各个类的概率；

第三确定子模块，用于根据确定的概率构建概率模型，所述概率模型即为预测模型。