[发明专利]用于信息推送的方法、装置、系统及介质

说明书

本公开提供了一种用于信息推送的方法、装置、系统及介质。所述方法包括：获取第一用户的至少一个有效特征变量，其中所述至少一个有效特征变量属于N个初始特征变量中对第一分类模型的构建影响最重要的R个候选特征变量，其中，所述第一分类模型是通过第一组训练数据训练获得的，所述第一组训练数据包括所述N个初始特征变量，N和R为整数，并且N＞R≥2；基于所述第一用户的至少一个有效特征变量以及第二分类模型，获得所述第一用户成为潜在用户的潜在值，其中所述第二分类模型是通过第二组训练数据获得的，所述第二组训练数据包括所述R个候选特征变量；在所述潜在值满足第一条件时，向所述第一用户推送消息。其中，所述第一分类模型与第二分类模型不同。

技术领域

本公开涉及互联网技术领域，更具体地，涉及一种用于信息推送的方法、装置、系统及介质。

背景技术

随着互联网经济的发展，根据用户群体的特征定向地进行与商品、服务相关的信息推送，能够有效地挖掘潜在用户的消费行为，提高商品和服务的运营效率。在进行信息推送时，筛选出潜在客户群体对于推送消息的成功转化非常重要。现有技术中通常是根据特定规则(例如，用户的历史消费习惯或者商品浏览习惯)进行筛选，或者是通过机器学习训练分类模型来预测潜在用户。

在实现本公开构思的过程中，发明人发现现有技术中至少存在如下问题。使用特定规则筛选潜在用户时，用户的历史行为可能受到促销或节假日等特定事件的影响，以此预测得到的用户未来行为会非常不准确。使用机器学习训练分类模型时，有时候会由于训练数据的获取途径或者数据维度的局限性，导致分类模型在预测潜在用户的行为上可能并没有任何贡献。例如，本发明人发现对于某些金融类产品，通过互联网平台的获取已购买用户与未购买用户的特征存在显著差异。通过这类训练数据获得的分类模型，对未购买用户的行为进行预测时，会存在有绝大部分用户的购买可能性依旧位于0-0.1(购买可能性为0～10％)这一区间的情况。这样分类模型对于挖潜潜在用户并没有任何实质的贡献。而且，也可能存在着过拟合的可能。

发明内容

有鉴于此，本公开提供了一种能够更为有效的挖掘潜在用户以进行有效地信息推送的用于信息推送的方法、装置、系统及介质。

本公开的一个方面提供了一种用于信息推送的方法。所述方法包括首先获取第一用户的至少一个有效特征变量，其中所述至少一个有效特征变量属于N个初始特征变量中对第一分类模型的构建影响最重要的R个候选特征变量，其中，所述第一分类模型是通过第一组训练数据训练获得的，所述第一组训练数据包括所述N个初始特征变量，N和R为整数，并且N＞R≥2；然后，基于所述第一用户的至少一个有效特征变量以及第二分类模型，获得所述第一用户成为潜在用户的潜在值，其中所述第二分类模型是通过第二组训练数据获得的，所述第二组训练数据包括所述R个候选特征变量；之后，在所述潜在值满足第一条件时，向所述第一用户推送消息。其中，所述第一分类模型与所述第二分类模型不同。

根据本公开的实施例，所方法还包括通过所述第一组训练数据训练所述第一分类模型，基于所述第一分类模型从所述N个初始特征变量中筛选出所述R个候选特征变量，以及通过所述第二组训练数据训练所述第二分类模型。

根据本公开的实施例，所述方法还包括基于训练过程中所述第二分类模型的输出与所述R个候选特征变量中每一个特征变量的相关性，确定出所述至少一个有效特征变量。

根据本公开的实施例，所述第一分类模型包括xgboost极端梯度上升模型，和/或所述第二分类模型包括逻辑回归模型。

根据本公开的实施例，所述R个候选特征变量为通过所述xgboost极端梯度上升模型的xgb.importance功能筛选获得的特征变量。

根据本公开的实施例，基于所述第一用户的至少一个有效特征变量以及第二分类模型，获得所述第一用户成为潜在用户的潜在值，包括获取所述逻辑回归模型中所述至少一个有效特征变量中每一个特征变量的回归系数，以及基于所述第一用户的至少一个有效特征变量与所述回归系数，获得所述潜在值。