[發明專利]推送消息的點擊反饋方法及裝置

在審

• 申請號: 202011245574.7
• 申請日: 2020-11-10
• 公開（公告）號: CN112422413A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 歐錦華;袁乾烽;國興旺;周德勇;萬煬
• 申請（專利權）人: 廣州啟生信息技術有限公司
• 主分類號: H04L12/58
• 分類號: H04L12/58;H04L29/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種推送消息的點擊反饋方法，其特征在于，包括：

收集用戶對推送消息的點擊反饋信息，其中，所述點擊反饋信息包括：點擊時間信息、點擊內容類型信息、與點擊時間和/或點擊內容類型相關聯的特征信息；

采用所述點擊反饋信息生成訓練數據，并根據生成的所述訓練數據訓練預測系統；

從數據庫中撈取多個用戶，獲取所述多個用戶所對應的用戶特征數據，并將所述用戶特征數據作為待測試數據輸入所述預測系統，獲取預測結果，其中，所述預測結果包括：點擊時間枚舉的概率、點擊內容類型枚舉的概率。

2.根據權利要求1所述的方法，其特征在于，所述收集用戶對推送消息的點擊反饋信息包括：

獲取用戶對推送消息進行點擊的點擊行為日志；

提取所述用戶點擊行為日志中的日志數據，其中，所述日志數據包括：點擊時間、點擊內容類型、與點擊時間和/或點擊內容類型相關聯的特征信息。

3.根據權利要求1所述的方法，其特征在于，采用所述點擊反饋信息生成訓練數據包括：

將所述日志數據中的點擊時間轉換成點擊時間枚舉，再采用固定位置one-hot編碼方式對該點擊時間枚舉進行編碼；

將所述日志數據中的點擊內容類型轉換成點擊內容類型枚舉，再采用固定位置one-hot編碼方式對該點擊內容類型枚舉進行編碼；

將與點擊時間和/或點擊內容類型相關聯的特征信息轉換成用戶特征數據、之后采用動態one-hot編碼方式將所述用戶特征數據降維壓縮至動態one-hot區間。

4.根據權利要求1所述的方法，其特征在于，所述預測系統包括：

兩個串聯的邏輯斯蒂回歸分類模型，其中，第一個所述邏輯斯蒂回歸分類模型為時間預測模型，第二個所述邏輯斯蒂回歸分類模型為內容類型預測模型。

5.根據權利要求4所述的方法，其特征在于，根據生成的所述訓練數據訓練預測系統包括：

將所述訓練數據中對所述用戶特征數據進行編碼的編碼數據、以及所述訓練數據中對點擊時間枚舉進行編碼的編碼數據，輸入至所述時間預測模型，對所述時間預測模型進行訓練；

將所述訓練數據中對所述用戶特征數據進行編碼的編碼數據、所述訓練數據中對點擊內容類型枚舉進行編碼的編碼數據，所述訓練數據中對點擊時間枚舉數進行編碼的編碼數據，輸入至所述內容類型預測模型，對所述內容類型預測模型進行訓練。

6.根據權利要求4所述的方法，其特征在于，將所述用戶特征數據作為待測試數據輸入所述預測系統，獲取預測結果包括：

采用動態one-hot編碼方式將所述用戶特征數據降維壓縮至動態one-hot區間，生成所述待測試數據；

將所述待測試數據輸入所述時間預測模型，得到所述點擊時間枚舉的概率；

采用固定位置one-hot編碼方式對所述時間枚舉數中至少一個時間枚舉數進行編碼，生成編碼數據；

將生成的編碼數據以及所述待測試數據輸入所述內容類型預測模型，得到所述內容類型預測模型的概率。

7.根據權利要求6所述的方法，其特征在于，所述時間枚舉數中至少一個時間枚舉數通過以下方式確定：

按照所述點擊時間枚舉的概率的大小順序，對所述時間枚舉數進行排序；

確定所述點擊時間枚舉的概率中的前X個大概率，將所述前X個大概率所對應的時間枚舉數作為所述至少一個時間枚舉數，其中，X為大于等于1，且小于所述時間枚舉數的總量的整數。