[发明专利]内容推送方法、装置及计算机设备

说明书

本发明提供一种内容推送方法、装置及计算机设备。该内容推送方法包括获取曝光应用程序的用户的特征和对应用程序的点击行为；根据所述用户的特征及对应用程序的点击行为，生成样本；将所述样本输入到分群模型中，确定所述样本在所述分群模型中所属的群体；将所述样本输入到所述群体对应的点击率预估模型中，获得所述用户对所述应用程序的预估点击率；根据应用程序的预估点击率，向所述用户推送内容。该内容推送方法确定用户所属群体后，根据该群体的点击率预估模型获取预估点击率，从而提高预估点击率的准确率，进而准确地给用户推送内容。

技术领域

本发明涉及互联网技术领域，具体而言，本发明涉及一种内容推送方法、装置及计算机设备。

背景技术

LR(Logistic Regression，逻辑回归)模型是离散选择法模型之一，同时逻辑回归模型是最早的离散选择模型，也是目前应用最广的模型。逻辑回归模型也是机器学习中的一种分类模型，由于算法的简单和高效，在实际中应用非常广泛。

目前在应用商店中，应用程序(APP)的点击率预估用得最多的模型是LR模型，思路大致为把用户特征与应用特征交叉，作为最后模型的输入特征，训练得到LR模型。这样的做法有一个很大的弊端就是对所有用户都是一个模型，在很多情况A用户群的最优LR模型是X，B用户群的最优LR模型是Y，X与Y很可能是冲突的。即在某个特征上X模型是正向特征，Y模型是负向特征。而如果只有一个LR模型的情况是为了同时迎合A用户群和B用户群生成一个折衷的模型Z，但模型Z并不是最优模型。因此，采用传统的LR模型对用户对应用程序的点击率预估值并不准确，从而导致根据传统的LR模型并不能准确地给用户推送相关的内容。

发明内容

本发明的目的旨在提供一种内容推送方法、装置及计算机设备，以实现确定用户所属群体后，根据该群体的点击率预估模型获取预估点击率，从而提高预估点击率的准确率，进而准确地给用户推送相关内容。

为了实现上述目的，本发明提供以下技术方案：

一种内容推送方法，包括以下步骤：获取曝光应用程序的用户的特征和对应用程序的点击行为；根据所述用户的特征及对应用程序的点击行为，生成样本；将所述样本输入到分群模型中，确定所述样本在所述分群模型中所属的群体；将所述样本输入到所述群体对应的点击率预估模型中，获得所述用户对所述应用程序的预估点击率；根据应用程序的预估点击率，向所述用户推送内容。

在其中一个实施例中，所述根据应用程序的预估点击率，向所述用户推送内容，包括：根据应用程序的预估点击率，向所述用户推送所述应用程序。

在其中一个实施例中，所述根据应用程序的预估点击率，向所述用户推送所述应用程序，包括：确认应用程序的预估点击率大于阈值，向所述用户推送所述应用程序。

在其中一个实施例中，所述根据应用程序的预估点击率，向所述用户推送所述应用程序，包括计算所述用户对应用商场中全部应用程序的预估点击率，按预估点击率从高到低对应用程序进行排序，向所述用户推送排在最前面的预置数量的应用程序。

在其中一个实施例中，所述获取曝光应用程序的用户的特征和对应用程序的点击行为之前，还包括：获取曝光应用程序的历史用户的特征和对应用程序的点击行为；根据所述历史用户的特征及对应用程序的点击行为，生成样本；使用所述样本训练包含若干群体的分群模型和群体对应的点击率预估模型。

在其中一个实施例中，所述使用所述样本训练包含若干群体的分群模型，包括：根据决策树算法使用所述样本训练分群模型。

在其中一个实施例中，所述使用所述样本训练包含若干群体的分群模型和群体对应的点击率预估模型，包括：使用所述样本训练包含若干群体的分群模型，将所述样本按群体进行分类，使用群体对应分类的样本训练该群体的点击率预估模型。