本申請涉及互聯(lián)網
技術領域:
,特別涉及一種產品信息推送方法及裝置。
背景技術:
:互聯(lián)網技術中,通過互聯(lián)網向用戶推送產品信息是當前熱點技術之一。用戶可以通過瀏覽器或應用等各種方式訪問網站服務商或應用服務商提供的各種頁面,而網站服務商或應用服務商則可以通過將待推送的產品信息推送到用戶終端所訪問的各種頁面上,來實現(xiàn)產品信息推廣功能。例如,向用戶推送的是產品信息是金融產品信息,網站服務商或應用服務商一般會預先生成所需推送的金融產品信息,在用戶訪問該網站服務商或應用服務商提供的各種頁面時,將上述金融產品信息推送到上述各種頁面上,以供用戶查看。現(xiàn)有技術中,網站服務商或應用服務商通常會預先生成固定的產品信息集合,并向每一個訪問該網站服務商或應用服務商提供的各種頁面的用戶推送上述固定的產品信息集合,來供每個用戶查看上述產品信息集合中的各個產品信息。例如生成的產品信息集合是:{A1,A2,A3,A4},則向訪問上述頁面的各個用戶逐條推送該產品信息集合中的各個產品信息A1、A2、A3、A4。在實現(xiàn)本申請的過程中,發(fā)明人發(fā)現(xiàn)現(xiàn)有技術至少存在以下問題:對于某個產品信息而言,可能只是部分用戶人群對該產品信息較為感興趣,或對該產品信息有購買需求。若向每一個訪問上述頁面的用戶推送上述固定的產品信息集合包含的各產品信息,難以確保向用戶推送的產品信息與該用戶的真實興趣相契合,從而造成產品信息推送的精確性不高。技術實現(xiàn)要素:本申請實施例的目的是提供一種產品信息推送方法及裝置,以解決現(xiàn)有技術存在的產品信息推送精確性不高的問題。為解決上述技術問題,本申請實施例提供的產品信息推送方法及裝置是這樣實現(xiàn)的:一種產品信息推送方法,包括:根據與客戶端相對應的第一特征集合包含的用戶特征、及與產品信息集合中每一產品信息相對應的第二特征集合包含的產品特征,確定所述客戶端對產品信息集合中每一產品信息的預測數值;其中,所述預測數值表征該客戶端通過行為操作獲取某產品信息的可能性;根據所述客戶端對產品信息集合中每一產品信息的預測數值,確定待推送的產品信息;向所述客戶端推送確定的待推送的產品信息。一種產品信息推送裝置,包括:計算模塊,用于根據與客戶端相對應的第一特征集合包含的用戶特征、及與產品信息集合中每一產品信息相對應的第二特征集合包含的產品特征,確定所述客戶端對產品信息集合中每一產品信息的預測數值;其中,所述預測數值表征該客戶端通過行為操作獲取某產品信息的可能性;確定模塊,用于根據所述客戶端對產品信息集合中每一產品信息的預測數值,確定待推送的產品信息;推送模塊,用于向所述客戶端推送確定的待推送的產品信息。由以上本申請實施例提供的技術方案可見,根據與每個客戶端相對應的用戶特征以及與各個產品信息相對應的產品特征,確定該客戶端對各個產品信息的預測數值。由于該預測數值用以表征某客戶端通過用戶的行為操作獲取某產品信息的可能性,若根據該預測數值來確定應該向客戶端推送怎樣的產品信息,可以確保向客戶端所推送的產品信息與該客戶端的用戶的真實興趣相契 合,從而提升產品信息推送的準確性。附圖說明為了更清楚地說明本申請實施例或現(xiàn)有技術中的技術方案,下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本申請中記載的一些實施例,對于本領域普通技術人員來講,在不付出創(chuàng)造性勞動性的前提下,還可以根據這些附圖獲得其他的附圖。圖1為本申請實施例中產品信息推送方法的流程圖;圖2為本申請實施例中產品信息推送方法中離線訓練的流程圖;圖3為本申請第一實施例中產品信息推送裝置的模塊圖;圖4為本申請第二實施例中產品信息推送裝置的模塊圖;圖5為本申請第三實施例中產品信息推送裝置的模塊圖。具體實施方式為了使本
技術領域:
的人員更好地理解本申請中的技術方案,下面將結合本申請實施例中的附圖,對本申請實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本申請一部分實施例,而不是全部的實施例。基于本申請中的實施例,本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例,都應當屬于本申請保護的范圍。圖1為本申請實施例中產品信息推送方法的流程圖。值得說明的是,本實施例的方法的執(zhí)行主體可以是服務器,該服務器可以是單個服務器或多個服務器組成的服務器群組。則上述產品信息推送方法包括如下步驟:S101:根據與客戶端相對應的第一特征集合包含的用戶特征、及與產品信息集合中每一產品信息相對應的第二特征集合包含的產品特征,確定所述客戶端對產品信息集合中每一產品信息的預測數值;其中,所述預測數值表征該客 戶端通過行為操作獲取某產品信息的可能性。上述客戶端可以是電腦、手機、個人數字助理(PDA)、智能手表等。上述用戶特征也稱為用戶畫像,是與使用客戶端的用戶相對應的特征數據,上述產品特征是與產品營銷商所提供的各個產品信息相對應的特征數據。每個客戶端的用戶均對應于一個包括至少一個用戶特征的第一特征集合,每個產品信息也對應于一個包括至少一個產品特征的第二特征集合,上述第一特征集合和第二特征集合被存放于相應的數據庫中。上述產品信息包括但不限于:金融產品信息、或保險產品信息、或樓盤信息、或健身產品信息等。在實際使用過程中,可以通過客戶端的IP地址、MAC地址、或用戶在該客戶端上登陸的賬戶信息來獲取與該用戶相對應的第一特征集合,賬戶信息包括在某網頁上登陸的賬戶信息或在某應用(Application,APP)上登陸的賬戶信息。本申請實施例中,上述確定得到的預測數值可以是所述客戶端對產品信息集合中每一產品信息的點擊率,該點擊率是通過特定的計算方法來預測到的,通常,某個客戶端對某個產品信息的點擊率越高,表明該客戶端對該產品信息的關注度越高,或者說該產品信息與該客戶端的用戶的真實興趣相契合;反之,則表明客戶端對該產品信息的關注都越低。該預測得到的點擊率可以表征該客戶端通過行為操作獲取某產品信息的可能性,所述行為操作包括瀏覽、點擊、購買等行為。值得一提的是,上述預測數值還可以是成交率(購買數量/瀏覽量)。為了能夠全面地構建用戶的用戶特征(用戶畫像),本申請實施例構建用戶畫像數據的過程如下:從靜態(tài)和動態(tài)兩個維度,可以刻畫用戶的靜態(tài)特性數據和動態(tài)特征數據。上述靜態(tài)特征數據是指用戶在某網站或客戶端應用上的注冊信息,例如,構建的靜態(tài)特征數據是:{用戶性別、年齡、受教育年限、最高學歷、家庭住址、畢業(yè)院校}。上述動態(tài)特征數據是根據用戶在某個時間段的互聯(lián)網行為數據所構建的一類特征數據,例如,上述互聯(lián)網行為數據是各個用戶在某個金融產品 網站上瀏覽、點擊或購買等行為數據,則構建的動態(tài)特征數據是:{用戶購買力、用戶品牌偏好、用戶風險偏好、用戶投資經驗值、用戶偏好理財類型}。該類動態(tài)特征數據會根據用戶在某個時間段的互聯(lián)網行為數據作統(tǒng)計分析,從而得到該用戶在該時間段所對應的上述動態(tài)特征數據。以一個月的時間為例,采集各個用戶在每個月的互聯(lián)網行為數據作統(tǒng)計分析,以獲得各個用戶在每個月對應的動態(tài)特征數據。以某個金融產品網站為例,若定義該金融產品網站為站內,該金融產品網站之外的其他網站為站外,則從站內和站外兩個維度來構建上述用戶畫像數據,可以得到更為全面的用戶畫像數據。具體地,一般獲取用戶在站內的注冊數據,以及用戶在站內對相關產品的瀏覽、點擊、購買等行為數據,通過上述注冊數據及站內的行為數據,可以比較準確地獲得各個用戶的背景信息以及用戶的消費習慣信息。同時,用戶在站外的其他網站上的購買商品、點擊廣告、瀏覽視頻等行為數據也可以作為用戶畫像數據的一個有效補充。此外,通過站外方式還可以獲得其他用戶畫像數據,例如:用戶的房產信息,用戶家庭狀況等。同時用戶的移動終端可以作為獲取用戶畫像數據的一個重要手段,例如:手機品牌可以衡量用戶的購買力,用戶經常出現(xiàn)的消費場所以及工作場所可以作為用戶消費潛力,個人背景的衡量手段,等等。本申請實施例中,上述步驟S101具體包括:通過機器訓練獲得的預測模型,計算所述客戶端對產品信息集合中每一產品信息的預測數值。上述預測模型可以是邏輯回歸(LogisticRegression,LR)模型、線性回歸模型、一般線性回歸模型等。本實施例中,若上述預測模型是邏輯回歸模型,則該邏輯回歸模型是:g(x)=β0+β1x1+β2x2+...+βnxn+βn+1y1+βn+2y2+...+βn+mym;其中,{x1、x2、…、xn}是與第一特征集合中各個用戶特征相對應的特征值;{y1、y2、…、ym}是與第二特征集合中各個產品特征相對應的特征值。{x1、x2、…、xn}、{y1、y2、…、ym}是該邏輯回歸模型的自變量,{β1、β2、…、βn+m}是該邏 輯回歸模型的回歸系數,β0是常數項,g(x)是該邏輯回歸模型的因變量。若定義上述客戶端對產品信息集合中每一產品信息的預測數值為f(x),該預測數值f(x)越大,表示客戶端對某產品信息的關注度越高(或購買某產品的可能性越大),該預測數值f(x)越小,表示客戶端對某產品信息的關注度越低(購買某產品的可能性越小)。由于該預測數值f(x)的取值介于0到1之間,不太適合作為邏輯回歸模型的因變量,故對上述f(x)作Logistic變換得到變換數值,并將該變換數值作為邏輯回歸模型的因變量g(x),則:g(x)=logit(f(x))=ln(f(x)1-f(x));]]>f(x)=eg(x)1+eg(x);]]>上述邏輯回歸模型是通過特定的機器訓練來獲得的,關于具體怎樣機器訓練的過程將在下文進行詳細敘述?;谏鲜鲞壿嫽貧w模型,對于任意一個客戶端和任意一個產品信息,在獲取到該客戶端的用戶的第一特征集合中包含的若干用戶特征,及與該產品信息對應的第二特征集合中包含的若干產品特征后,即可以通過上述邏輯回歸模型,計算出該客戶端對該產品信息的預測數值f(x),以通過該f(x)表征該客戶端的用戶購買該產品信息的可能性。值得一提的是,上述變換數值是一個大于1的數值,是通過Logistic函數進行Logistic變換來獲得的,當然,本領域普通技術人員能夠想到的是,本申請實施例獲得該變換數值的方式并不限于上述Logistic變換。本申請一實施例中,上述步驟S101具體包括:a)根據與所述客戶端相對應的第一特征集合包含的用戶特征、及與所述產品信息相對應的第二特征集合包含的產品特征,獲得與每一用戶特征相對應的特征值及與每一產品特征相對應的特征值。舉例而言,假設第一特征集合包括三個用戶特征,如下:{用戶性別、用戶購買力、用戶風險偏好};假設第二特征集合包括三個產品特征,如下:{產品最低額度、產品收益水平、產品風險指數};基于上述用戶特征及產品特征,用戶性別可以分為“男性”及“女性”,假設用戶購買力分為三個等級:¥0~50000、¥50001~200000、¥200001以上,假設用戶風險偏好分為兩個等級:高、低;假設產品最低額度分為三個等級:¥0~1000、¥1001~10000、¥10000以上,假設產品收益水平(以年收益為例)分為三個等級:3%~5%、5%~7%、7%以上,假設產品風險指數分為三個等級:高、中、低。則上述第一特征集合的用戶特征及第二特征集合中的產品特征與特征值的對應關系如表一所示(特征值的取值是0或1):表一:如表一所示,對于第一特征集合中的每一個用戶特征及第二特征集合中的每一個產品特征,均可以將上述特征轉化成相應的特征值來表示。值得一提的是,上述用戶特征或產品特征均是以離散的區(qū)間或值進行劃分,在本申請其他 實施例中,若上述用戶特征或產品特征是連續(xù)的數值,則也可以依據以上方式獲得與各個數值相對應的特征值,在此不再予以贅述。b)將與每一用戶特征相對應的特征值及與每一產品特征相對應的特征值作為所述預測模型的自變量,計算所述預測模型的因變量的值。以表一為例,對于任意一個客戶端的第一特征集合及任意一個產品信息的第二特征集合,均可以得到表一中的各個特征值{x1、x2、x3、x4、y1、y2、y3、y4、y5、y6},將得到的各個特征值{x1、x2、x3、x4、y1、y2、y3、y4、y5、y6}作為自變量代入上文提及的預測模型:g(x)=β0+β1x1+β2x2+...+βnxn+βn+1y1+βn+2y2+...+βn+mym;(n=4,m=6)至此,可以通過計算得到因變量g(x)的值。c)將計算得到的因變量的值作Logistic變換,以得到該客戶端對該產品信息的預測數值。具體地,將上述步驟b得到的因變量g(x)的值代入以上Logistic變換公式:f(x)=eg(x)1+eg(x)]]>則通過計算可以得出一個0到1之間的f(x)的值,至此,該f(x)的值即是該客戶端對該產品信息的預測數值(購買某產品的概率)。在本申請實施例中,為了進一步提升上述預測模型的泛化能力(即誤差更小),還引入組合特征的概念。組合特征是指第一特征集合中的用戶特征與第二特征集合中的產品特征的組合,該組合的形式可以是一個用戶特征與一個產品特征進行交叉組合,或一個用戶特征與多個產品特征進行交叉組合,或多個用戶特征與一個產品特征進行交叉組合等。繼續(xù)以表一為例,若分別將第一特征集合中的任意一個用戶特征與第二特征集合中的任意一個產品特征進行交叉組合,則可以得到若干個組合特征,如下:{用戶性別&產品最低額度、用戶性別&產品收益水平、用戶性別&產品風 險指數、用戶購買力&產品最低額度、用戶購買力&產品收益水平、用戶購買力&產品風險指數、用戶風險偏好&產品最低額度、用戶風險偏好&產品收益水平、用戶風險偏好&產品風險指數};基于上述組合特征,上述步驟S101具體包括:d)根據與所述客戶端相對應的第一特征集合包含的用戶特征、及與所述產品信息相對應的第二特征集合包含的產品特征,獲得與每一用戶特征相對應的特征值及與每一產品特征相對應的特征值。該步驟d與上述步驟a一致。e)根據所述第一特征集合包含的用戶特征及第二特征集合包含的產品特征,獲得與每一組合特征相對應的特征值。與每一組合特征相對應的特征值如下表二(未一一列出)所示:表二:f)將與每一用戶特征相對應的特征值、與每一產品特征相對應的特征值、及每一組合特征的特征值作為所述預測模型的自變量,計算所述預測模型的因變量的值。若引入組合特征的概率,上文提及的預測模型如下:g(x)=β0+β1x1+...+βnxn+βn+1y1+...+βn+mym+βn+m+1z1+...+βn+m+pzp;則依次代入與每個用戶特征相對應的特征值{x1、x2、…xn},與每個產品特征相對應的特征值{y1、y2、…ym},以及與各個組合特征相對應的特征值{z1、 z2、…zp},可以計算得出上述預測模型的因變量g(x)的值。h)將計算得到的因變量的值作Logistic變換,以得到該客戶端對該產品信息的預測數值。具體地,將上述步驟f得到的因變量g(x)的值代入以上Logistic變換公式:f(x)=eg(x)1+eg(x)]]>則通過計算可以得出一個0到1之間的f(x)的值,至此,該f(x)的值即是該客戶端對該產品信息的預測數值(購買某產品的概率)。S102:根據所述客戶端對產品信息集合中每一產品信息的預測數值,確定待推送的產品信息?;谝粋€產品信息集合中每一產品信息的預測數值,服務器可以確定待推送到相應的客戶端上的產品信息。本申請實施例中,對于每個客戶端的用戶而言,當產品信息庫中的產品信息量特別大時,為減小機器運算負擔,均會確定一個該客戶端的用戶可能感興趣的產品信息集合,則確定產品信息集合的步驟包括:根據所述客戶端發(fā)送的搜索請求所攜帶的關鍵詞,確定與該客戶端相匹配的產品信息集合。如果用戶在某個客戶端上通過網頁的方式或應用APP的方式輸入一個關鍵詞,隨后該客戶端將包含該關鍵詞的搜索請求發(fā)送至服務器端,服務器端便根據用戶在客戶端輸入的關鍵詞匹配到相應的產品信息集合。例如:用戶輸入的關鍵詞是“基金”,則服務器通過搜索引擎技術即可得到相應的產品信息集合是“A基金、B基金、C基金、…”。在本申請另一實施例中,確定產品信息集合的步驟包括:根據與客戶端相對應的第一特征集合包含的用戶特征,確定與該客戶端相匹配的產品信息集合。通過預先構建的用戶特征(用戶畫像)數據庫,可以得到可以反映用戶較 為感興趣的產品類型。例如:第一特征集合中包含的用戶特征“用戶偏好理財類型”是:基金、互聯(lián)網金融,則產品信息集合是“A基金、B基金、C基金、…互聯(lián)網金融D、互聯(lián)網金融F、…”。值得一提的是,確定上述產品信息集合的方式并不受限于此。本申請實施例中,確定待推送的產品信息的步驟S102具體包括:將所述產品信息集合中的產品信息按照所述預測數值從大到小進行排序。例如:產品信息集合是:{A基金、B基金、C基金},當前的客戶端對上述各個產品信息的預測數值分別是:0.22、0.67、0.48。則按照預測數值從大到小進行排序后,上述產品信息集合中的產品信息的次序是:B基金、C基金、A基金。當然,在本申請另一實施例中,確定待推送的產品信息的步驟S102具體包括:根據所述客戶端對產品信息集合中每一產品信息的預測數值,從產品信息集合中選取至少一個待推送的產品信息。例如:產品信息集合是:{A基金、B基金、C基金},當前的客戶端對上述各個產品信息的預測數值分別是:0.22、0.67、0.48。若預先設定的規(guī)則是預測數值大于0.5的產品信息是所需推送的產品信息,則按照該規(guī)則可選取到的待推送的產品信息是:B基金、C基金。S103:向所述客戶端推送確定的待推送的產品信息?;谏鲜霾襟ES102,服務器向當前的客戶端推送所確定到的待推送的產品信息。例如:上述產品信息集合中的產品信息的次序是:B基金、C基金、A基金。則將產品信息集合中的產品信息按照上述次序推送到客戶端上,通常將預測數值最大的產品信息顯示于搜索結果列表的最前端,以方便用戶快速查看到該產品信息。又如:按照該規(guī)則可選取到的待推送的產品信息是:B基金、C基金。 則服務器只會將B基金、C基金推送到客戶端上。值得說明的是,上述產品信息可以是推送到用戶在客戶端所瀏覽的網頁上、或以郵件方式推送到用戶的特定郵箱中、或推送到用戶在客戶端(如手機)上安裝的某個應用APP(如金融產品應用APP)上。服務器可以在獲知用戶登陸某個應用APP、網頁的個人賬戶后觸發(fā)該信息推送動作、或在接收到用戶在某個應用APP、網頁上輸入的搜索關鍵詞后觸發(fā)該信息推送動作。接下來,介紹通過機器訓練得到上述預測模型的過程。圖2為本申請實施例中產品信息推送方法中離線訓練的流程圖,離線訓練過程包括:S201:獲取用以機器訓練的包含用戶特征、產品特征及點擊率的樣本數據?;陬A先構建的用戶特征(用戶畫像)庫及產品特征庫,以及用戶在某網站(如金融產品網站)上的產品的瀏覽、點擊、購買等互聯(lián)網行為數據,可以整理得到原始數據,該原始數據的形式是用戶+產品+瀏覽量(pageview,PV)+點擊量Click+購買數量Trans:例如,得到的原始數據如表三所示:表三:用戶產品瀏覽量點擊量購買數量用戶A產品D3461用戶B產品D60152用戶C產品D4690用戶A產品E1211用戶B產品E500用戶C產品E3352……………假設用戶的第一特征集合是{X1、X2、X3},產品的第二特征集合是{Y1、Y2、Y3},則對于每一條原始數據均可以得到最終的樣本數據:{X1、X2、X3、Y1、Y2、Y3、X1&Y1、X1&Y2、X1&Y3、X2&Y1、X2&Y2、X2&Y3、X3&Y1、X3&Y2、X3&Y3、PV、Click、Trans}。S202:基于樣本數據進行機器訓練,獲得上述預測模型。若采取邏輯回歸模型,則以與用戶特征相對應的特征值、及與產品特征相 對應的特征值為所述預測模型的自變量,并以與點擊率相對應的變換數值為因變量進行機器訓練,以獲得所述邏輯回歸模型。值得說明的是,由于一般成交數據比較稀疏,上述邏輯回歸模型的目標是用戶到特定產品的點擊率,在此過程中,將購買數量折算成點擊數量,從而保證在點擊率相同的情況下,購買數量大的產品的預測數值越高。則,點擊率=(點擊量+購買數量*N)/瀏覽量。通常,上述N可以取值為10(經驗值)。例如:在表三中,用戶A對產品D的瀏覽量是34,點擊量是6,購買數量是1,則用戶A對產品D的點擊率=(6+1*10)/34=0.47。通過樣本數據的機器訓練,可以計算得到邏輯回歸模型(如極大似然):g(x)=β0+β1x1+β2x2+...+βnxn+βn+1y1+βn+2y2+...+βn+mym中各個各個回歸系數{β1、β2、…、βn+m}及常數項β0的值。至此,完成預測模型的線下訓練,并將預測模型文件加載到服務器端。綜上所述,本申請實施例的方法根據與每個客戶端相對應的用戶特征以及與各個產品信息相對應的產品特征,確定該客戶端對各個產品信息的預測數值。由于該預測數值表征客戶端的用戶購買某個產品的可能性,若根據上述可以表征用戶購買各個產品的可能性的預測數值,來確定應該向客戶端推送怎樣的產品信息,可以確保向用戶推送的產品信息與該用戶的真實興趣相契合,從而提升產品信息推送的準確性。此外,通過以上實施例的技術方案,可以解決現(xiàn)有技術中向用戶盲目推送產品信息所帶來的營銷效率低的問題,并且現(xiàn)有技術盲目推送產品信息還會造成服務器端的資源耗用大,網絡數據量大的問題,本申請實施例也可以改善這一現(xiàn)象。值得述及的是,在上述實施例中,所預測到的預測數值是一個與點擊率相關的值,當某個客戶端的用戶對某個產品信息的預測點擊率越高時,則表明該客戶端的用戶會購買該產品信息的可能性會越高,至少也可以表明該客戶端的用戶對該產品更為感興趣。當然,在其他實施例中,也可以通過離線訓練獲得的預測模型來預測某客戶端的用戶對某產品的成交率(購買數量/瀏覽量)。接下來,將基于同樣的原理,介紹本申請實施例提供的一種產品信息推送裝置。圖3為本申請第一實施例中產品信息推送裝置的模塊圖。本實施例中,所述產品信息推送裝置包括:計算模塊101,用于根據與客戶端相對應的第一特征集合包含的用戶特征、及與產品信息集合中每一產品信息相對應的第二特征集合包含的產品特征,確定所述客戶端對產品信息集合中每一產品信息的預測數值;其中,所述預測數值表征該客戶端通過行為操作獲取某產品信息的可能性;確定模塊102,用于根據所述客戶端對產品信息集合中每一產品信息的預測數值,確定待推送的產品信息;推送模塊103,用于向所述客戶端推送確定的待推送的產品信息。本申請實施例中,所述計算模塊101用于:通過機器訓練獲得的預測模型,計算所述客戶端對產品信息集合中每一產品信息的預測數值。圖4為本申請第二實施例中產品信息推送裝置的模塊圖。該產品信息推送裝置包括線下訓練裝置及線上推送裝置,其中,線上推送裝置包括計算模塊101、確定模塊102及推送模塊103,線下訓練裝置包括:樣本數據獲取單元201,用于獲取用以機器訓練的包含用戶特征、產品特征及點擊率的樣本數據;機器訓練單元202,用于基于樣本數據進行機器訓練,獲得預測模型。本申請實施例中,所述機器訓練單元202用于:以與用戶特征相對應的特征值、及與產品特征相對應的特征值為預測模型的自變量,并以與點擊率相對應的變換數值為因變量進行機器訓練,以獲得預測模型;或,以與用戶特征相對應的特征值、與產品特征相對應的特征值、及與組合特征相對應的特征值為預測模型的自變量,并以與點擊率相對應的變換數值為因 變量進行機器訓練,以獲得預測模型;其中,所述組合特征是用戶特征與產品特征的組合。圖5為本申請第三實施例中產品信息推送裝置的模塊圖。本實施例中,上述計算模塊101具體包括:特征值獲取單元1011,用于根據與客戶端相對應的第一特征集合包含的用戶特征、及與產品信息相對應的第二特征集合包含的產品特征,獲得與每一用戶特征相對應的特征值及與每一產品特征相對應的特征值;模型計算單元1012,用于將與每一用戶特征相對應的特征值及與每一產品特征相對應的特征值作為所述預測模型的自變量,計算所述預測模型的因變量的值;預測數值計算單元1013,用于對計算得到的因變量的值作相應處理,以得到該客戶端對該產品信息的預測數值。其中,所述處理可以是采取Logistic函數進行處理。本申請其他實施例中,所述計算模塊101包括:第一特征值獲取單元,用于根據與所述客戶端相對應的第一特征集合包含的用戶特征、及與所述產品信息相對應的第二特征集合包含的產品特征,獲得與每一用戶特征相對應的特征值及與每一產品特征相對應的特征值;第二特征值獲取單元,用于根據所述第一特征集合包含的用戶特征及第二特征集合包含的產品特征,獲得與每一組合特征相對應的特征值;模型計算單元,用于將與每一用戶特征相對應的特征值、與每一產品特征相對應的特征值、及每一組合特征的特征值作為所述預測模型的自變量,計算所述預測模型的因變量的值;預測數值計算單元,用于對計算得到的因變量的值作相應處理,以得到該客戶端對該產品信息的預測數值。其中,所述處理可以是采取Logistic函數進行處理。本申請其他實施例中,所述裝置還包括產品信息集合確定單元,用于:根據客戶端發(fā)送的搜索請求所攜帶的關鍵詞,確定與該客戶端相匹配的產品信息集合;或,根據與客戶端相對應的第一特征集合包含的用戶特征,確定與該客戶端相匹配的產品信息集合。本申請其他實施例中,所述確定模塊102用于:根據所述客戶端對產品信息集合中每一產品信息的預測數值,從所述產品信息集合中選取至少一個待推送的產品信息;則,所述推送模塊103用于:向所述客戶端推送選取的至少一個待推送的產品信息。本申請其他實施例中,所述確定模塊102用于:將所述產品信息集合中的產品信息按照所述預測數值從大到小進行排序;則,所述推送模塊103用于:向所述客戶端推送排序后的所述產品信息。綜上所述,本申請實施例的裝置根據與每個客戶端相對應的用戶特征以及與各個產品信息相對應的產品特征,確定該客戶端對各個產品信息的預測數值。由于該預測數值表征客戶端的用戶購買某個產品的可能性,若根據上述可以表征用戶購買各個產品的可能性的預測數值,來確定應該向客戶端推送怎樣的產品信息,可以確保向用戶推送的產品信息與該用戶的真實興趣相契合,從而提升產品信息推送的準確性。此外,通過以上實施例的技術方案,可以解決現(xiàn)有技術中向用戶盲目推送產品信息所帶來的營銷效率低的問題,并且現(xiàn)有技術盲目推送產品信息還會造成服務器端的資源耗用大,網絡數據量大的問題,本申請實施例也可以改善這一現(xiàn)象。在20世紀90年代,對于一個技術的改進可以很明顯地區(qū)分是硬件上的改進(例如,對二極管、晶體管、開關等電路結構的改進)還是軟件上的改進(對于方法流程的改進)。然而,隨著技術的發(fā)展,當今的很多方法流程的改進已經可以視為硬件電路結構的直接改進。設計人員幾乎都通過將改進的方法流程 編程到硬件電路中來得到相應的硬件電路結構。因此,不能說一個方法流程的改進就不能用硬件實體模塊來實現(xiàn)。例如,可編程邏輯器件(ProgrammableLogicDevice,PLD)(例如現(xiàn)場可編程門陣列(FieldProgrammableGateArray,F(xiàn)PGA))就是這樣一種集成電路,其邏輯功能由用戶對器件編程來確定。由設計人員自行編程來把一個數字系統(tǒng)“集成”在一片PLD上,而不需要請芯片制造廠商來設計和制作專用的集成電路芯片。而且,如今,取代手工地制作集成電路芯片,這種編程也多半改用“邏輯編譯器(logiccompiler)”軟件來實現(xiàn),它與程序開發(fā)撰寫時所用的軟件編譯器相類似,而要編譯之前的原始代碼也得用特定的編程語言來撰寫,此稱之為硬件描述語言(HardwareDescriptionLanguage,HDL),而HDL也并非僅有一種,而是有許多種,如ABEL(AdvancedBooleanExpressionLanguage)、AHDL(AlteraHardwareDescriptionLanguage)、Confluence、CUPL(CornellUniversityProgrammingLanguage)、HDCal、JHDL(JavaHardwareDescriptionLanguage)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardwareDescriptionLanguage)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegratedCircuitHardwareDescriptionLanguage)與Verilog。本領域技術人員也應該清楚,只需要將方法流程用上述幾種硬件描述語言稍作邏輯編程并編程到集成電路中,就可以很容易得到實現(xiàn)該邏輯方法流程的硬件電路??刂破骺梢园慈魏芜m當的方式實現(xiàn),例如,控制器可以采取例如微處理器或處理器以及存儲可由該(微)處理器執(zhí)行的計算機可讀程序代碼(例如軟件或固件)的計算機可讀介質、邏輯門、開關、專用集成電路(ApplicationSpecificIntegratedCircuit,ASIC)、可編程邏輯控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、AtmelAT91SAM、MicrochipPIC18F26K20以及SiliconeLabsC8051F320,存儲器控制器還可以被實現(xiàn)為存儲器的控制邏輯的一部分。本領域技術人員也知道,除了以純計算機可讀程序代碼方式實現(xiàn)控制器以外,完全可以通過將方法步驟進行邏輯編程來使得控制 器以邏輯門、開關、專用集成電路、可編程邏輯控制器和嵌入微控制器等的形式來實現(xiàn)相同功能。因此這種控制器可以被認為是一種硬件部件,而對其內包括的用于實現(xiàn)各種功能的裝置也可以視為硬件部件內的結構?;蛘呱踔粒梢詫⒂糜趯崿F(xiàn)各種功能的裝置視為既可以是實現(xiàn)方法的軟件模塊又可以是硬件部件內的結構。上述實施例闡明的系統(tǒng)、裝置、模塊或單元,具體可以由計算機芯片或實體實現(xiàn),或者由具有某種功能的產品來實現(xiàn)。為了描述的方便,描述以上裝置時以功能分為各種單元分別描述。當然,在實施本申請時可以把各單元的功能在同一個或多個軟件和/或硬件中實現(xiàn)。本領域內的技術人員應明白,本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序產品。因此,本發(fā)明可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且,本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器、CD-ROM、光學存儲器等)上實施的計算機程序產品的形式。本發(fā)明是參照根據本發(fā)明實施例的方法、設備(系統(tǒng))、和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合??商峁┻@些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器,使得通過計算機或其他可編程數據處理設備的處理器執(zhí)行的指令產生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中,使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品,該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上,使 得在計算機或其他可編程設備上執(zhí)行一系列操作步驟以產生計算機實現(xiàn)的處理,從而在計算機或其他可編程設備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。在一個典型的配置中,計算設備包括一個或多個處理器(CPU)、輸入/輸出接口、網絡接口和內存。內存可能包括計算機可讀介質中的非永久性存儲器,隨機存取存儲器(RAM)和/或非易失性內存等形式,如只讀存儲器(ROM)或閃存(flashRAM)。內存是計算機可讀介質的示例。計算機可讀介質包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現(xiàn)信息存儲。信息可以是計算機可讀指令、數據結構、程序的模塊或其他數據。計算機的存儲介質的例子包括,但不限于相變內存(PRAM)、靜態(tài)隨機存取存儲器(SRAM)、動態(tài)隨機存取存儲器(DRAM)、其他類型的隨機存取存儲器(RAM)、只讀存儲器(ROM)、電可擦除可編程只讀存儲器(EEPROM)、快閃記憶體或其他內存技術、只讀光盤只讀存儲器(CD-ROM)、數字多功能光盤(DVD)或其他光學存儲、磁盒式磁帶,磁帶磁磁盤存儲或其他磁性存儲設備或任何其他非傳輸介質,可用于存儲可以被計算設備訪問的信息。按照本文中的界定,計算機可讀介質不包括暫存電腦可讀媒體(transitorymedia),如調制的數據信號和載波。還需要說明的是,術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、產品或者設備不僅包括那些要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、產品或者設備所固有的要素。在沒有更多限制的情況下,由語句“包括一個……”限定的要素,并不排除在包括所述要素的過程、方法、產品或者設備中還存在另外的相同要素。本領域技術人員應明白,本申請的實施例可提供為方法、系統(tǒng)或計算機程序產品。因此,本申請可采用完全硬件實施例、完全軟件實施例或結合軟件和 硬件方面的實施例的形式。而且,本申請可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器、CD-ROM、光學存儲器等)上實施的計算機程序產品的形式。本申請可以在由計算機執(zhí)行的計算機可執(zhí)行指令的一般上下文中描述,例如程序模塊。一般地,程序模塊包括執(zhí)行特定任務或實現(xiàn)特定抽象數據類型的例程、程序、對象、組件、數據結構等等。也可以在分布式計算環(huán)境中實踐本申請,在這些分布式計算環(huán)境中,由通過通信網絡而被連接的遠程處理設備來執(zhí)行任務。在分布式計算環(huán)境中,程序模塊可以位于包括存儲設備在內的本地和遠程計算機存儲介質中。本說明書中的各個實施例均采用遞進的方式描述,各個實施例之間相同相似的部分互相參見即可,每個實施例重點說明的都是與其他實施例的不同之處。尤其,對于系統(tǒng)實施例而言,由于其基本相似于方法實施例,所以描述的比較簡單,相關之處參見方法實施例的部分說明即可。以上所述僅為本申請的實施例而已,并不用于限制本申請。對于本領域技術人員來說,本申請可以有各種更改和變化。凡在本申請的精神和原理之內所作的任何修改、等同替換、改進等,均應包含在本申請的權利要求范圍之內。當前第1頁1 2 3