[发明专利]一种推荐信息推送方法及装置、计算机可读存储介质

说明书

本发明实施例提供一种推荐信息推送方法及装置、计算机可读存储介质，包括：获取预设时间段内的历史对象样本，以及历史对象样本中的每个对象对应的历史行为特征，获取预设倾向计算模型和当前时间所对应的当前订单量；根据历史行为特征、历史对象样本和预设倾向计算模型，确定出用户需求时间；用户需求时间是指用户需求大于需求阈值的时间；利用历史对象样本、历史行为特征和当前订单量，确定出订单量时间；订单量时间表征当前订单量小于订单量阈值的时间；将用户需求时间和订单量时间进行耦合，得到信息推送时间，并在信息推送时间对推荐信息进行推送。

技术领域

本发明涉及互联网技术，尤其涉及一种推荐信息推送方法及装置、计算机可读存储介质。

背景技术

在电商行业中，通常以推送信息的方式来进行促销，使得用户可以利用推送的推荐信息来进行消费。目前，常规的推送推荐信息的方法是，通过人工依据节假日或是电商营销节日，来对促销时间进行选择，进而完成推荐信息的推送，或是通过电商系统，给最近进行过下单动作的用户推送信息。

然而，在利用人工对促销时间进行选择并推送信息时，对用户关于商品的行为特征获取较少，进而较难根据用户的需求来进行推荐信息的推送，存在一定的滞后性；在利用电商系统给最近进行过购物动作的用户推送推荐信息时，推荐信息推送动作始终在用户的下单动作之后，也具有一定的滞后性。

发明内容

本发明的主要提供一种推荐信息推送方法及装置、计算机可读存储介质，能够解决推荐信息推送滞后的问题，提高推荐信息推送的精确度。

本发明的技术方案是这样实现的：

第一方面，本发明实施例提供了一种推荐信息推送方法，包括：

获取预设时间段内的历史对象样本，以及所述历史对象样本中的每个对象对应的历史行为特征，获取预设倾向计算模型和当前时间所对应的当前订单量；

根据所述历史行为特征、所述历史对象样本和所述预设倾向计算模型，确定出用户需求时间；所述用户需求时间是指需求大于需求阈值的时间；

利用所述历史对象样本、所述历史行为特征和所述当前订单量，确定出订单量时间；所述订单量时间表征所述当前订单量小于订单量阈值的时间；

将所述需求时间和所述订单量时间进行耦合，得到信息推送时间，并在所述信息推送时间对推荐信息进行推送。

在上述方案中，所述根据所述历史行为特征、所述历史对象样本和所述预设倾向计算模型，确定出用户需求时间，包括：

根据所述历史行为特征和所述历史对象样本，计算出需求阈值；

利用所述历史行为特征以及所述预设倾向计算模型，计算出所述历史对象样本中每个对象的下单倾向；

根据所述历史对象样本中每个对象的下单倾向、预设倾向阈值以及所述历史对象样本，计算得到下单倾向占比；

利用所述下单倾向占比和所述需求阈值，确定出所述用户需求时间。

在上述方案中，所述根据所述历史行为特征和所述历史对象样本，计算出需求阈值，包括：

获取预设子时间段数目；所述预设子时间段数目表征需要将所述预设时间段分成的数目；

根据所述预设子时间段数目、所述历史行为特征和所述历史对象样本，计算出历史对象占比均值和历史对象占比标准差；

利用所述历史对象占比均值与所述历史对象占比标准差，计算出所述需求阈值。

在上述方案中，所述根据所述预设子时间段数目、所述历史行为特征和所述历史对象样本，计算出历史对象占比均值和历史对象占比标准差，包括：

将所述预设时间段划分为所述预设子时间段数目个子预设时间段；