信息推送方法、装置、设备和介质与流程

1.本公开涉及人工智能技术领域，可以应用于金融科技领域，更具体地涉及一种信息推送方法、装置、设备、介质和程序产品。


背景技术：

2.应用程序的经营者通常会通过信息推送的方式，诸如发放优惠券、推送相关信息资讯、小游戏、做任务赢奖励等方式促进用户对应用程序的使用力度，起到推广应用程序，赢取新客户、黏住旧客户的效果。通常进行信息推送时会面向全体用户进行推送，或者随机选择部分用户进行推送，这种信息推送不仅成本高，有效性难以评估，而且有可能对某些用户还会起到反作用。


技术实现要素：

3.鉴于上述问题，本公开实施例提供了一种可以根据用户对每种信息类别中的信息的反应，针对性向用户推送其敏感的信息类别中的信息的信息推送方法、装置、设备、介质和程序产品。
4.本公开实施例的第一方面，提供了一种信息推送方法。所述方法包括：获取对应用程序推送的信息进行类别划分而得到的n个信息类别，其中，n为大于1的整数；利用增益模型估计向预定范围的用户群体中的用户推送所述n个信息类别中的每个信息类别中的信息的干预行为，与用户使用所述应用程序的用户行为之间的因果关系；其中，所述因果关系包括敏感、自然转化、无动于衷和反作用四类；以及当推送所述n个信息类别中每个信息类别中的信息时，基于所述因果关系，向对每个信息类别中的信息敏感的用户推送信息。
5.根据本公开的实施例，所述利用增益模型估计向预定范围的用户群体中的用户推送所述n个信息类别中的每个信息类别中的信息的干预行为，与用户使用所述应用程序的用户行为之间的因果关系包括：以所述n个信息类别中的其中一个信息类别作为初始的第一信息类别，按照如下方式循环遍历：利用所述增益模型估计向所述用户群体中每个用户推送所述第一信息类别中的消息的干预行为与每个用户使用所述应用程序的用户行为之间的第一因果关系；从所述用户群体中至少排除所述第一因果关系为敏感的用户，以更新所述用户群体；以及以所述n个信息类别中尚未遍历的信息类别，更新所述第一信息类别。
6.根据本公开的实施例，所述利用增益模型估计向预定范围的用户群体中的用户推送所述n个信息类别中的每个信息类别中的信息的干预行为，与用户使用所述应用程序的用户行为之间的因果关系包括：按照遍历的方式，每次以所述n个信息类别中的其中一个信息类别作为第二信息类别，利用所述增益模型估计向所述用户群体中每个用户推送所述第二信息类别中的消息的干预行为与每个用户使用所述应用程序的用户行为之间的第二因果关系。
7.根据本公开的实施例，所述方法还包括：统计与每个信息类别对应的所述因果关系为敏感的用户数量，得到与每个信息类别对应的敏感用户数量；以及按照所述与每个信
息类别对应的敏感用户数量大小，对所述n个信息类别进行重要性排序。
8.根据本公开的实施例，所述利用增益模型估计向预定范围的用户群体中的用户推送所述n个信息类别中的每个信息类别中的信息的干预行为，与用户使用所述应用程序的用户行为之间的因果关系包括：获取针对第三信息类别构造的用户行为序列，所述用户行为序列至少包括以下维度的信息：用户基本信息、是否向用户推送所述第三信息类别中的信息、以及在向用户推送所述第三信息类别中的信息后用户使用所述应用程序的情况；其中，所述第三信息类别为所述n个信息类别中的任意一个；基于所述用户群体中至少一部分用户的信息和所述用户行为序列，得到所述至少一部分用户中每个用户的用户行为序列数据；将所述至少一部分用户中每个用户的用户行为序列数据输入所述增益模型，得到所述增益模型的输出。
9.根据本公开的实施例，所述在向用户推送所述第三信息类别中的信息后用户使用所述应用程序的情况包括以下至少之一：在向用户推送所述第三信息类别中的信息后的预定时间期间内，用户登陆所述应用程序的次数、登陆所述应用程序的时间、是否处理被推送的信息。
10.根据本公开的实施例，所述n个信息类别包括以下至少之一：优惠券发放、资讯信息或做任务赢奖励。
11.根据本公开的实施例，所述方法还包括：基于所述因果关系，建立所述用户群体中每个用户的用户画像。
12.本公开实施例的第二方面，提供了一种信息推送装置。所述装置包括获取模块、分类模块和信息推送模块。获取模块用于获取对应用程序推送的信息进行类别划分而得到的n个信息类别，其中，n为大于1的整数。分类模块包括增益模型，其中，所述分类模块用于利用所述增益模型估计向预定范围的用户群体中的用户推送所述n个信息类别中的每个信息类别中的信息的干预行为，与用户使用所述应用程序的用户行为之间的因果关系，其中，所述因果关系包括敏感、自然转化、无动于衷和反作用四类。信息推送模块用于当推送所述n个信息类别中每个信息类别中的信息时，基于所述因果关系，向对每个信息类别中的信息敏感的用户推送信息。
13.根据本公开的实施例，所述分类模块还用于以所述n个信息类别中的其中一个信息类别作为初始的第一信息类别，按照如下方式循环遍历：利用所述增益模型估计向所述用户群体中每个用户推送所述第一信息类别中的消息的干预行为与每个用户使用所述应用程序的用户行为之间的第一因果关系；从所述用户群体中至少排除所述第一因果关系为敏感的用户，以更新所述用户群体；以及以所述n个信息类别中尚未遍历的信息类别，更新所述第一信息类别。
14.根据本公开的实施例，所述分类模块还包括序列提取子模块、特征提取子模块和分类子模块。所述序列提取子模块用于针对所述n个信息类别中的任意一个第三信息类别，获取针对第三信息类别构造的用户行为序列，所述用户行为序列至少包括以下维度的信息：用户基本信息、是否向用户推送所述第三信息类别中的信息、以及在向用户推送所述第三信息类别中的信息后用户使用所述应用程序的情况。特征提取子模块用于基于所述用户群体中至少一部分用户的信息和所述用户行为序列，得到所述至少一部分用户中每个用户的用户行为序列数据。所述分类子模块用于将所述至少一部分用户中每个用户的用户行为
序列数据输入所述增益模型，得到所述增益模型的输出。
15.根据本公开的实施例，所述装置还包括用户画像模块。所述用户画像模块用于基于所述因果关系，建立所述用户群体中每个用户的用户画像。
16.本公开实施例的第三方面，提供了一种电子设备。所述电子设备包括一个或多个处理器和存储器。所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述信息推送方法。
17.本公开实施例的第四方面，还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述信息推送方法。
18.本公开实施例的第五方面，还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述信息推送方法。
19.上述一个或多个实施例具有如下优点或有益效果：可以利用增益模型估计向用户推送n个信息类别中的每个信息类别中的信息的干预行为，与用户使用所述应用程序的用户行为之间的因果关系。然后可以根据该因果关系，针对性的选择对每个用户使用应用程序的行为具有激励效应的信息类别中的信息进行推送，避免了信息推送的盲目性。
附图说明
20.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
21.图1示意性示出了根据本公开实施例的信息推送方法、装置、设备、介质和程序产品的应用场景图；
22.图2示意性示出了根据本公开实施例的信息推送方法的流程图；
23.图3示意性示出了本公开一实施例的信息推送方法中利用增益模型进行分类的流程图；
24.图4示意性示出了本公开再一实施例的信息推送方法中利用增益模型估计推送n个信息类别中每个信息类别中的信息与用户行为之间的因果关系的流程图；
25.图5示意性示出了根据本公开实施例的信息推送装置的结构框图；以及
26.图6示意性示出了适于实现根据本公开实施例的信息推送方法的电子设备的方框图。
具体实施方式
27.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
28.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
29.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的
含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
30.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。本文中术语“第一”、“第二”等命名都仅用于区分，而不具有任何限制含义，以及附图中的任何元素数量均用于示例而非限制。
31.增益模型，uplift model，也称为提升建模，是指建模一个行为或处理(treatment)在输出变量上的增量效应。增益模型既是一个因果推断(causal inference)问题，也是一个机器学习问题。增益模型可以用来估计某个行为对因变量的影响效应，可以被用来促进用户增长、评干预行为的有效性等。如何衡量和预测干预行为带来的
″
增量提升
″
，而不把信息推送浪费在“本来就会转化”或者“根本就不会转化”的那部分人身上，成为智能营销算法最重要的挑战。
32.本公开实施例提供了一种信息推送方法、装置、设备、介质和程序产品，可以利用增益模型估计向用户推送n个信息类别中的每个信息类别中的信息的干预行为，与用户使用所述应用程序的用户行为之间的因果关系。然后可以根据该因果关系，针对性的选择对每个用户使用应用程序的行为具有激励效应的信息类别中的信息进行推送，避免了信息推送的盲目性。
33.需要说明的是，本公开实施例确定的方法和装置可用于金融领域，也可用于除金融领域之外的任意领域，本公开对此不做限定。
34.图1示意性示出了根据本公开实施例的信息推送方法、装置、设备、介质和程序产品的应用场景图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
35.如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103，网络104和服务器105。网络104为用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
36.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如手机银行、购物类应用、网页浏览器应用、社交平台软件等(仅为示例)。
37.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
38.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
39.需要说明的是，本公开实施例所提供的信息推送方法一般可以由服务器105执行。相应地，本公开实施例所提供的信息推送装置、设备、介质和程序产品一般可以设置于服务器105中。本公开实施例所提供的信息推送方法也可以由不同于服务器105且能够与终端设
备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的信息推送装置、设备、介质和程序产品也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
40.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
41.以下将基于图1描述的场景，通过图2～图4对本公开实施例的信息推送方法进行详细描述。应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。
42.图2示意性示出了根据本公开实施例的信息推送方法的流程图。
43.如图2所示，该信息推送方法可以包括操作s210～操作s230。
44.首先在操作s210，获取对应用程序推送的信息进行类别划分而得到的n个信息类别，其中，n为大于1的整数。该n个信息类别包括但不限于：优惠券发放、资讯信息或做任务赢奖励。
45.然后在操作s220，利用增益模型估计向预定范围的用户群体中的用户推送n个信息类别中的每个信息类别中的信息的干预行为，与用户使用应用程序的用户行为之间的因果关系。该因果关系包括敏感、自然转化、无动于衷和反作用四类。
46.本文中因果关系为敏感指的是，用户对所推送的信息类别中的信息敏感，表现为因为获知到应用程序推送了某类信息(例如，优惠券)，才会使用应用程序。例如，因为有优惠券才登陆手机银行的客户群体，属于对优惠券敏感的群体。
47.本文中因果关系为自然转化指的是，无论是否推送相应信息类别中的信息，用户都会使用应用程序。例如，有无优惠券都会登陆手机银行的客户群体，相对于优惠券而言，这类客户群体属于自然转化人群。
48.本文中因果关系为无动于衷指的是，无论是否推送信息类别中的信息用户都不会使用应用程序。例如，有无优惠券都不会登陆手机银行的客户群体，属于对优惠券无动于衷的人群。
49.本文中因果关系为反作用指的是，推送相应信息类别中的信息反而会导致使用应用程序的行为减少。例如，不发放优惠券时会登陆手机银行，发放了优惠券反而不登录手机银行的客户群体，属于优惠券的反作用人群。
50.接下来在操作s230，当推送n个信息类别中每个信息类别中的信息时，基于因果关系，向对每个信息类别中的信息敏感的用户推送信息。这样可以增加信息推送的针对性和有效性。
51.在一些实施例中，根据上述因果关系，在进行相应信息类别的信息推送时，还可以减少或停止向除了敏感群体之外的其他群体推送相应类别的信息。例如，对于优惠券敏感型的客户，保留优惠券发放力度；对于自然转化型、无动于衷型、反作用型的客户，可以停止发放优惠券，降低运营成本，实现精准运营。
52.在一些实施例中，根据上述因果关系，在进行相应信息类别的信息推送时，可以将原本要推送给反作用任务或者无动于衷人群中的某一类别的信息，转移推送给敏感人群，提高激励效果，提升敏感人群对应用程序的使用兴趣和使用体验。在一些情况下，为了答谢
老客户，也可以将原本要推送给反作用任务或者无动于衷人群中的信息中的一部分信息(诸如优惠券或奖励等)，推送给自然转化人群，增加老客户的黏性。
53.在再一些实施例中，考虑到同一用户对不同信息类别中的信息推送的反应可能不同，还可以将对某一信息类别而言，属于自然转化人群、无动于衷人群和/或反作用人群的用户，利用增益模型分析对其他信息类别中的信息的反应，从而在进行信息推送时，可以根据不同用户的敏感点针对性进行推送，提高信息推送的覆盖面和转化率。
54.可见，本公开实施例，可以对每个用户进行针对性选择其敏感的信息类别中的信息推送，提高信息推送的精准度，减少无效信息推送给用户带来的干扰，提高用户体验。同时，还可以降低信息推送的成本。
55.进一步地，在一些实施例中，还可以基于上述因果关系，建立用户群体中每个用户的用户画像。这样不仅充分利用因果关系中敏感、自然转化、无动于衷和反作用四类分类信息，可以帮助更全面了解用户群体，并据此对应用程序接下来的营销和开发提供更多参考信息。
56.图3示意性示出了本公开一实施例的信息推送方法中利用增益模型进行分类的流程图。
57.如图3所示，根据该实施例操作s220中利用增益模型估计某一类信息的推送和用户行为之间的因果关系的过程，可以包括操作s301～操作s303。
58.首先在操作s301，构造用户行为序列。具体地，可以获取针对第三信息类别构造的用户行为序列，用户行为序列至少包括以下维度的信息：用户基本信息、是否向用户推送第三信息类别中的信息、以及在向用户推送第三信息类别中的信息后用户使用应用程序的情况；其中，第三信息类别为n个信息类别中的任意一个。
59.在一个实施例中，在向用户推送第三信息类别中的信息后用户使用应用程序的情况包括以下至少之一：在向用户推送第三信息类别中的信息后的预定时间期间内，用户登陆应用程序的次数、登陆应用程序的时间、是否处理被推送的信息。
60.以第三信息类别为优惠券为例，在一个实施例中，该用户行文序列可以如下式(1)所示：
61.rec＝{(cis1，couponind1，coupontime1，useind1，logontime1)}(1)
62.式(1)中，cis1为用户基本信息，例如用户id。
63.couponind1为是否向发放优惠券，推送了记为1，否则记0。例如，给用户发放优惠券记1，否则记0。
64.coupontime为用户领取优惠券的时间。例如，如果用户领取了优惠券则记领取时间，否则记0。
65.useind1为优惠券在发放后的预定时常(例如，一周内)是否已核销。如果优惠券已核销，则记1，否则记0。
66.logon1为优惠券发放一周后的用户的登录信息，例如登录次数、登录时长等。
67.当然，可以理解当第三信息类别为资讯时或任务中心推送的任务时，用户行为序列的构造可以有不同。例如，当第三信息类别为资讯或者执行任务(例如，分享朋友圈)时，用户处理被推送的信息的方式可以是读取资讯或者执行任务(例如，分享朋友圈)，而且不存在核销操作等。具体可以根据每个信息类别的特点，选择用户行为序列中的各个维度的
信息。
68.接下来在操作s302，用户特征提取。具体地，可以预先选择一定范围内的用户群体(例如，半年内使用过应用程序的所有用户)，从应用程序后台数据库获取到中该用户群体中至少一部分用户的各种信息(诸如用户基本信息，用户使用应用程序的行为记录信息)，按照上述用户行为序列，提取每个用户的用户行为序列数据，从而得到至少一部分用户中每个用户的用户行为序列数据。
69.该用户群体中至少一部分用户可以是该用户群体中的全部用户，也可以是如下文图4中所介绍的，每次分析某个信息类别时，可以将一直对某个信息类别中的信息敏感的用户排除出去。
70.然后在操作s303，利用增益模型进行分类。具体地，可以将操作s302中获得的用户行为序列数据输入增益模型，得到增益模型的输出。
71.增益模型是无监督学习模型。输入数据时，可以通过传参的方式指定自变量和因变量。然后模型会根据自变量和因变量之间的因果关系自动划分出四类。例如，可以在向增益模型传入参数的过程中，指定上述式(1)所示的用户行为序列中“couponind
1”为自变量，并指定“logon
1”为因变量。然后增益模型通过对大量输入数据的学习处理后，将每个用户行为序列数据输出到敏感、自然转化、无动于衷和反作用四个类别其中之一。
72.在一些实施例中，可以针对每种信息类别的信息推送，基于相同的用户群体，利用信息增益模型分别估计对该用户群体中每个用户使用应用程序的行为的因果关系。
73.例如，可以按照遍历的方式，每次以n个信息类别中的其中一个信息类别作为当前要分析的信息类别(称为“第二信息类别”)，利用增益模型估计向用户群体中每个用户推送第二信息类别中的消息的干预行为与每个用户使用应用程序的用户行为之间的第二因果关系。这样，可能有的用户会对多种类别的推送信息感兴趣，从而可以向该类用户推送多种类别的信息，进一步增加用户粘度。
74.而且在一些实施例中，在基于相同的用户群体，分别利用信息增益模型估计出其中的用户受每个信息类别的信息推送的影响情况后，还可以统计对每个信息类别中的信息敏感的用户数量，得到与每个信息类别对应的敏感用户数量，然后可以按照与每个信息类别对应的敏感用户数量大小，对n个信息类别的重要性进行排序。有了n个信息类别的重要性排序，在后续对应用程序的营销活动中，可以适度加大重要性高的信息类别中的信息的推送力度，有效地改善企业的营销活动策略，在更广泛更有效的范围内提高用户使用对应用程序的积极性。
75.在另一些实施例中，针对每种信息类别的信息推送，也可以基于不完全相同的用户群体，利用信息增益模型分别估计每个用户使用应用程序的行为的因果关系。例如，可以利用增益模型先估计出推送某一信息类别中的信息的干预行为，与某个用户群体中每个用户使用应用程序的行为之间的因果关系。然后可以将已知对某种信息类别中的信息敏感的用户排除出去，对余下的用户继续分析对其他信息类别的信息的反应。以此类推。这样对不同信息类别的信息敏感的用户不重复，从而在操作s230中进行信息推送时可以减少重复推送，节约信息推送成本。其中的一个实施例可以参考图4的示意。
76.图4示意性示出了本公开再一实施例的信息推送方法中利用增益模型估计推送n个信息类别中每个信息类别中的信息与用户行为之间的因果关系的流程图。
77.如图4所示，根据该实施例操作s220可以包括操作s401～操作s405，其中，操作s402～操作s405为一循环遍历过程。
78.首先在操作s401，从n个信息类别中确定出初始的第一信息类别。例如，根据用户选择从n个信息类别中随机选择一个信息类别作为第一信息类别。或者，根据历史经验，选择营销成本最低的一个信息类别作为第一信息类别。
79.然后在操作s402，利用增益模型估计向用户群体中每个用户推送第一信息类别中的消息的干预行为与每个用户使用应用程序的用户行为之间的第一因果关系，从而可以得到四类用户群。
80.该四类用户群分别为：对第一信息类别中的信息敏感的群体，推送第一信息类别中的信息对使用应用程序的用户行为没有任何影响的自然转化群体，推不推送第一类信息类别中的信息都不会使用应用程序的无动于衷群体，以及推送第一信息类别中的信息反而会导致使用应用程序的行为减少的反作用群体。
81.接下来在操作s403，判断n个信息类别中是否还有尚未遍历的信息类别。若否，则说明已经利用增益模型对n个信息类别中每个信息类别的信息推送产生的影响进行了分析，则结束。若是，则继续执行操作s404和操作s405。
82.具体地，在操作404，从用户群体中至少排除第一因果关系为敏感的用户，以更新用户群体。
83.然后在操作s405，以n个信息类别中尚未遍历的信息类别，更新第一信息类别。
84.通过操作s404和操作s405更新了用户群体和第一信息类别后，返回操作s402，利用增益模型，基于更新后的用户群体，分析向该用户群体中的用户推送更新后的第一信息类别中的信息的干预行为，对用户使用应用程序的用户行为之间的因果关系。
85.以此方式，不断循环遍历，直到利用增益模型对n个信息类别中每个信息类别的信息推送产生的影响都进行了分析。
86.这样，本公开实施例中只要发现一个用户对某一种信息类别的信息敏感后，就不再分析该用户对其他信息类别的信息的反应情况。这样，不同信息类别的敏感用户不重复。在信息推送方面，也可以避免重复推送，节约推送成本。
87.而且当确定出对某种信息类别的信息具有敏感性的用户，不再参与对其他信息类别的信息推送的估计和分析，可以节约增益模型的分类成本。
88.在一些实施例中，上述操作s404中更新用户群体时，每次可以仅排除出对当前分析的第一信息类别中的信息敏感的用户。
89.或者，在一些实施例中，上述操作s404中也可以从第一因果关系对应的四类群体中，仅选择相对于第一信息类别中而言属于自然转化的群体，来更新用户群体。这意味着不仅排除了第一信息类别的敏感用户群，也排除了第一信息类别中的无动于衷群体和反作用群体。这样的处理，是考虑到都与某一类信息而言为自然转化的群体，往往是应用程序的忠实客户，针对这类群体有必要进一步分析其敏感的点，加强客户维护。而对于反作用群体，停止进行相应信息推荐，就可以自然改善对这类群体使用应用程序的行为。另外如果一个用户对推送的信息无动于衷的客户群，往往是本身就使用应用程序比较少的用户，这类用户的营销提升边际效用可以认为较少，则也可以不再对该群体利用其它信息类别进行分析，也可以节约增益模型的分类成本和营销成本。
90.基于上述各个实施例的信息推送方法，本公开实施例还提供了一种信息推送装置。以下将结合图5对该信息推送装置进行详细描述。
91.图5示意性示出了根据本公开实施例的信息推送装置500的结构框图。
92.如图5所示，根据本公开的一些实施例，该信息推送装置500可以包括获取模块510、分类模块520和信息推送模块530。根据本公开的另一些实施例，该信息推送装置500还可以进一步包括用户画像模块540。该信息推送装置500可以执行前文图2～图4所描述的方法。
93.获取模块510用于获取对应用程序推送的信息进行类别划分而得到的n个信息类别，其中，n为大于1的整数。在一个实施例中，获取模块510可以执行前文描述的操作s210。
94.分类模块520包括增益模型。其中，分类模块520用于利用增益模型估计向预定范围的用户群体中的用户推送n个信息类别中的每个信息类别中的信息的干预行为，与用户使用应用程序的用户行为之间的因果关系。其中，因果关系包括敏感、自然转化、无动于衷和反作用四类。在一个实施例中，分类模块520可以执行前文描述的操作s220。
95.信息推送模块530用于当推送n个信息类别中每个信息类别中的信息时，基于因果关系，向对每个信息类别中的信息敏感的用户推送信息。在一个实施例中，信息推送模块530可以执行前文描述的操作s230。
96.用户画像模块540用于基于因果关系，建立用户群体中每个用户的用户画像。
97.在一个实施例中，分类模块520还用于以n个信息类别中的其中一个信息类别作为初始的第一信息类别，按照如下方式循环遍历：利用增益模型估计向用户群体中每个用户推送第一信息类别中的消息的干预行为与每个用户使用应用程序的用户行为之间的第一因果关系；从用户群体中至少排除第一因果关系为敏感的用户，以更新用户群体；以及以n个信息类别中尚未遍历的信息类别，更新第一信息类别。
98.在另一实施例中，分类模块540还包括序列提取子模块、特征提取子模块和分类子模块。
99.序列提取子模块用于针对n个信息类别中的任意一个第三信息类别，获取针对第三信息类别构造的用户行为序列，用户行为序列至少包括以下维度的信息：用户基本信息、是否向用户推送第三信息类别中的信息、以及在向用户推送第三信息类别中的信息后用户使用应用程序的情况。在一个实施例中，序列提取子模块可以执行前文描述的操作s301。
100.特征提取子模块用于基于所述用户群体中至少一部分用户的信息和所述用户行为序列，得到所述至少一部分用户中每个用户的用户行为序列数据。在一个实施例中，特征提取子模块可以执行前文介绍的操作s302。
101.所述分类子模块用于将所述至少一部分用户中每个用户的用户行为序列数据输入所述增益模型，得到所述增益模型的输出。在一个实施例中，分类子模块可以执行前文介绍的操作s303。
102.根据本公开的实施例，获取模块510、分类模块520、信息推送模块530和用户画像模块540中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块510、分类模块520、信息推送模块530和用户画像模块540中的至少一个可以至少被部分地实现为硬件电
路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块510、分类模块520、信息推送模块530和用户画像模块540中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
103.图6示意性示出了适于实现根据本公开实施例的信息推送方法的电子设备的方框图。
104.如图6所示，根据本公开实施例的电子设备600包括处理器601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
105.在ram 603中，存储有电子设备600操作所需的各种程序和数据。处理器601、rom 602以及ram 603通过总线604彼此相连。处理器601通过执行rom 602和/或ram 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 602和ram 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
106.根据本公开的实施例，电子设备600还可以包括输入/输出(i/o)接口605，输入/输出(i/o)接口605也连接至总线604。电子设备600还可以包括连接至i/o接口605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
107.本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
108.根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 602和/或ram 603和/或rom 602和ram 603以外的一个或多个存储器。
109.本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序
包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。
110.在该计算机程序被处理器601执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
111.在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分609被下载和安装，和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
112.在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
113.根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
114.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
115.本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
116.以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本
公开的范围之内。

技术特征：
1.一种信息推送方法，包括：获取对应用程序推送的信息进行类别划分而得到的n个信息类别，其中，n为大于1的整数；利用增益模型估计向预定范围的用户群体中的用户推送所述n个信息类别中的每个信息类别中的信息的干预行为，与用户使用所述应用程序的用户行为之间的因果关系；其中，所述因果关系包括敏感、自然转化、无动于衷和反作用四类；以及当推送所述n个信息类别中每个信息类别中的信息时，基于所述因果关系，向对每个信息类别中的信息敏感的用户推送信息。2.根据权利要求1所述的方法，其中，所述利用增益模型估计向预定范围的用户群体中的用户推送所述n个信息类别中的每个信息类别中的信息的干预行为，与用户使用所述应用程序的用户行为之间的因果关系包括：以所述n个信息类别中的其中一个信息类别作为初始的第一信息类别，按照如下方式循环遍历：利用所述增益模型估计向所述用户群体中每个用户推送所述第一信息类别中的消息的干预行为与每个用户使用所述应用程序的用户行为之间的第一因果关系；从所述用户群体中至少排除所述第一因果关系为敏感的用户，以更新所述用户群体；以及以所述n个信息类别中尚未遍历的信息类别，更新所述第一信息类别。3.根据权利要求1所述的方法，其中，所述利用增益模型估计向预定范围的用户群体中的用户推送所述n个信息类别中的每个信息类别中的信息的干预行为，与用户使用所述应用程序的用户行为之间的因果关系包括：按照遍历的方式，每次以所述n个信息类别中的其中一个信息类别作为第二信息类别，利用所述增益模型估计向所述用户群体中每个用户推送所述第二信息类别中的消息的干预行为与每个用户使用所述应用程序的用户行为之间的第二因果关系。4.根据权利要求3所述的方法，其中，所述方法还包括：统计与每个信息类别对应的所述因果关系为敏感的用户数量，得到与每个信息类别对应的敏感用户数量；以及按照所述与每个信息类别对应的敏感用户数量大小，对所述n个信息类别进行重要性排序。5.根据权利要求1所述的方法，其中，所述利用增益模型估计向预定范围的用户群体中的用户推送所述n个信息类别中的每个信息类别中的信息的干预行为，与用户使用所述应用程序的用户行为之间的因果关系包括：获取针对第三信息类别构造的用户行为序列，所述用户行为序列至少包括以下维度的信息：用户基本信息、是否向用户推送所述第三信息类别中的信息、以及在向用户推送所述第三信息类别中的信息后用户使用所述应用程序的情况；其中，所述第三信息类别为所述n个信息类别中的任意一个；基于所述用户群体中至少一部分用户的信息和所述用户行为序列，得到所述至少一部分用户中每个用户的用户行为序列数据；将所述至少一部分用户中每个用户的用户行为序列数据输入所述增益模型，得到所述
增益模型的输出。6.根据权利要求1所述的方法，其中，所述n个信息类别包括以下至少之一：优惠券发放、资讯信息或做任务赢奖励。7.根据权利要求1所述的方法，其中，所述方法还包括：基于所述因果关系，建立所述用户群体中每个用户的用户画像。8.一种信息推送装置，包括：获取模块，用于获取对应用程序推送的信息进行类别划分而得到的n个信息类别，其中，n为大于1的整数；信息敏感性评估模块，用于利用增益模型估计向预定范围的用户群体中的用户推送所述n个信息类别中的每个信息类别中的信息的干预行为，与用户使用所述应用程序的用户行为之间的因果关系；其中，其中，所述因果关系包括敏感、自然转化、无动于衷和反作用四类；以及信息推送模块，用于当推送所述n个信息类别中每个信息类别中的信息时，基于所述因果关系，向对每个信息类别中的信息敏感的用户推送信息。9.一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行权利要求1～7中任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序指令，该计算机程序指令被处理器执行时实现权利要求1～7中任一项所述的方法。11.一种计算机程序产品，包括计算机程序指令，所述计算机程序指令被处理器执行时实现权利要求1～7中任一项所述的方法。

技术总结
本公开提供了一种信息推送方法，涉及人工智能技术领域，可用于金融科技领域。该方法包括：获取对应用程序推送的信息进行类别划分而得到的n个信息类别，其中，n为大于1的整数；利用增益模型估计向预定范围的用户群体中的用户推送所述n个信息类别中的每个信息类别中的信息的干预行为，与用户使用所述应用程序的用户行为之间的因果关系，其中，所述因果关系包括敏感、自然转化、无动于衷和反作用四类；以及当推送所述n个信息类别中每个信息类别中的信息时，基于所述因果关系，向对每个信息类别中的信息敏感的用户推送信息。本公开还提供了一种信息推送装置、设备、存储介质和程序产品。存储介质和程序产品。存储介质和程序产品。


技术研发人员：李东阳 吴一哲 高杰 梁天宇
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.04.28
技术公布日：2023/8/9