[发明专利]一种信息推送方法、装置、服务器及计算机可读存储介质

说明书

本申请是关于一种信息推送方法、装置、服务器及计算机可读存储介质。该方法包括：当到达信息推送时间时，获得待推送信息及待推送的目标用户的状态信息；将状态信息和预设动作标识输入至预先训练得到的深度强化学习模型，得到每个预设动作标识对应的Q值；预设动作标识包括：推送动作的标识和放弃推送动作的标识；预设动作标识对应的Q值为：执行该预设动作标识对应的动作后所获得的长期反馈的估计值；根据深度强化学习模型输出的最大Q值所对应的动作，确定是否给目标用户推送待推送消息。这样，可以通过深度强化学习模型来捕捉用户对推送时间和推送内容的偏好，从而实现信息的个性化推送。

技术领域

本申请涉及互联网技术领域，特别是涉及一种信息推送方法、装置、服务器及计算机可读存储介质。

背景技术

推送服务是指服务器定向将信息实时送达用户终端的服务。目前，推送服务的推送方式为：定时给各个用户终端推送信息，并且，给各个用户终端所推送的信息相同。

发明人发现，该种推送方式会给不需要推送服务的用户造成打扰，而且给用户推送的信息很可能是用户不感兴趣的。也就是说，该种推送方式无法实现个性化推送。

发明内容

为克服相关技术中存在的问题，本申请提供一种信息推送方法、装置、服务器及计算机可读存储介质，以可以通过深度强化学习模型来捕捉用户对推送时间和推送内容的偏好，从而实现信息的个性化推送。

根据本申请实施例的第一方面，提供一种信息推送方法，该方法包括：

当到达信息推送时间时，获得待推送信息及待推送的目标用户的状态信息；状态信息包括：目标用户在历史上接收到的历史推送信息、历史推送信息的推送时间和目标用户对历史推送信息的处理方式；

将状态信息和预设动作标识输入至预先训练得到的深度强化学习模型，得到每个预设动作标识对应的Q值；其中，预设动作标识包括：推送动作的标识和放弃推送动作的标识；预设动作标识对应的Q值为：执行该预设动作标识对应的动作后所获得的长期反馈的估计值；

根据深度强化学习模型输出的最大Q值所对应的动作，确定是否给目标用户推送待推送消息。

可选地，在本申请实施例中，深度强化学习模型包括深度Q网络模型。

可选地，在本申请实施例中，在将状态信息和预设动作标识输入至预先训练得到的深度强化学习模型的步骤之前，该方法还包括：

构建马尔可夫决策过程模型；其中，马尔可夫决策过程模型为：{S，A，R，T}；S表示用户的状态信息、A表示预设动作标识、R表示奖励函数，T表示状态转移函数；

基于马尔可夫决策过程模型，获得多个训练样本；其中，每个训练样本中包括：用户的状态信息、所执行的目标动作的标识、执行目标动作后所获得的即时奖励值、执行目标动作后状态信息对应的下一状态信息；目标动作为：推送动作或放弃推送动作；

利用训练样本对初始Q函数的参数进行优化，得到训练后的深度Q网络模型；参数包括：学习速率、折扣因子和Q值。

可选地，在本申请实施例中，当目标动作为放弃推送动作时，奖励函数输出的即时奖励值为0；当目标动作为推送动作时，奖励函数输出的即时奖励值＝1.0*正向处理方式对应的取值+(-0.006)*负向处理方式对应的取值。

可选地，在本申请实施例中，正向处理方式对应的取值＝1-负向处理方式对应的取值。

可选地，在本申请实施例中，用户对推荐信息的正向处理方式包括：点击、标注为喜欢、评论和查看时长大于预设阈值中的至少一种；用户对推荐信息的负向处理方式包括：放弃处理和关闭推送中的至少一种。