物品的推送方法、装置及设备与流程

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种物品的推送方法、装置及设备。

背景技术：

近年来，推荐技术在电商、广告等领域得到了快速发展，并为其创造了不可估量的价值。

现有的推荐技术通常是基于推荐模型来实现的。这里的推荐模型是基于大量推荐物品的历史操作数据训练得到。如在电商领域，可以基于大量商品的购买记录预先训练推荐模型。之后，在用户访问电商网站的过程中，可以基于推荐模型识别用户偏好的商品，并向用户推荐该商品。

然而对于新物品，由于与新物品对应的历史操作数据的数量或比例低于阈值，因此，当基于推荐模型来实现其推荐时，往往存在较大的偏差。所以，需要提供一种更准确的新物品的推送方法。

技术实现要素：

本说明书一个或多个实施例描述了一种物品的推送方法、装置及设备，可以实现新物品的准确推送。

第一方面，提供了一种物品的推送方法，包括：

获取当前用户的用户特征；

将所述用户特征以及第一物品的属性特征输入转化率预估模型，以输出当前用户对于所述第一物品的预估转化率；所述预估转化率表征当前用户对所述第一物品执行预定操作的可能性；所述转化率预估模型基于物品的历史操作数据训练得到，其中，与所述第一物品对应的历史操作数据的数量或比例低于阈值；

根据所述第一物品被曝光给多个用户过程中，所述多个用户中对所述第一物品执行所述预定操作的转化用户的占比情况，确定所述多个用户对于所述第一物品的真实转化率；

通过所述转化率预估模型得到所述多个用户中各个用户对于所述第一物品的预估转化率，从而确定出所述多个用户对于所述第一物品的预估转化率均值；

基于所述真实转化率以及所述预估转化率均值，对当前用户对于所述第一物品的预估转化率进行调整；

基于调整后的预估转化率，确定是否向当前用户推送所述第一物品。

第二方面，提供了一种物品的推送装置，包括：

获取单元，用于获取当前用户的用户特征；

输入单元，用于将所述获取单元获取的所述用户特征以及第一物品的属性特征输入转化率预估模型，以输出当前用户对于所述第一物品的预估转化率；所述预估转化率表征当前用户对所述第一物品执行预定操作的可能性；所述转化率预估模型基于物品的历史操作数据训练得到，其中，与所述第一物品对应的历史操作数据的数量或比例低于阈值；

确定单元，用于根据所述第一物品被曝光给多个用户过程中，所述多个用户中对所述第一物品执行所述预定操作的转化用户的占比情况，确定所述多个用户对于所述第一物品的真实转化率；

所述确定单元，还用于通过所述转化率预估模型得到所述多个用户中各个用户对于所述第一物品的预估转化率，从而确定出所述多个用户对于所述第一物品的预估转化率均值；

调整单元，用于基于所述确定单元确定的所述真实转化率以及所述预估转化率均值，对当前用户对于所述第一物品的预估转化率进行调整；

所述确定单元，还用于基于所述调整单元调整后的预估转化率，确定是否向当前用户推送所述第一物品。

第三方面，提供了一种物品的推送设备，包括：

存储器；

一个或多个处理器；以及

一个或多个程序，其中所述一个或多个程序存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序被所述处理器执行时实现以下步骤：

获取当前用户的用户特征；

将所述用户特征以及第一物品的属性特征输入转化率预估模型，以输出当前用户对于所述第一物品的预估转化率；所述预估转化率表征当前用户对所述第一物品执行预定操作的可能性；所述转化率预估模型基于物品的历史操作数据训练得到，其中，与所述第一物品对应的历史操作数据的数量或比例低于阈值；

根据所述第一物品被曝光给多个用户过程中，所述多个用户中对所述第一物品执行所述预定操作的转化用户的占比情况，确定所述多个用户对于所述第一物品的真实转化率；

通过所述转化率预估模型得到所述多个用户中各个用户对于所述第一物品的预估转化率，从而确定出所述多个用户对于所述第一物品的预估转化率均值；

基于所述真实转化率以及所述预估转化率均值，对当前用户对于所述第一物品的预估转化率进行调整；

基于调整后的预估转化率，确定是否向当前用户推送所述第一物品。

本说明书一个或多个实施例提供的物品的推送方法、装置及设备，获取当前用户的用户特征。将用户特征以及第一物品的属性特征输入转化率预估模型，以输出当前用户对于第一物品的预估转化率。预估转化率表征当前用户对第一物品执行预定操作的可能性。转化率预估模型基于物品的历史操作数据训练得到，其中，与第一物品对应的历史操作数据的数量或比例低于阈值。根据第一物品被曝光给多个用户过程中，多个用户中对第一物品执行预定操作的转化用户的占比情况，确定多个用户对于第一物品的真实转化率。通过转化率预估模型得到多个用户中各个用户对于第一物品的预估转化率，从而确定出多个用户对于第一物品的预估转化率均值。基于真实转化率以及预估转化率均值，对当前用户对于第一物品的预估转化率进行调整。基于调整后的预估转化率，确定是否向当前用户推送第一物品。也即本说明书提供的方案中，对于第一物品，先基于转化率预估模型预估用户对于第一物品的转化率。之后，再基于多个用户对于第一物品的真实转化率以及预估转化率均值，对当前用户对于第一物品的预估转化率进行调整，以使得当前用户对于第一物品的预估转化率接近真实值。由此，可以大大提升预估转化率的正确性，进而可以实现新物品的精准推送。

附图说明

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本说明书提供的物品的推送方法应用场景示意图；

图2为本说明书提供的转化率预估模型的训练方法流程图；

图3为本说明书一个实施例提供的物品的推送方法流程图；

图4为本说明书一个实施例提供的物品的推送装置示意图；

图5为本说明书一个实施例提供的物品的推送设备示意图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

在描述本说明书提供的方案之前，先对本方案的发明构思作以下说明。

首先，基于转化率预估模型输出当前用户对于第一物品的预估转化率。其中，转化率预估模型基于物品的历史操作数据训练得到。这里的历史操作可以包括但不限于浏览操作、点击操作以及购买操作等。需要说明的是，与第一物品对应的历史操作数据的数量或比例低于阈值。在本说明书中，第一物品也可以称为新物品。此外，上述预估转化率表征当前用户对第一物品执行预定操作的可能性。这里的预定操作可以包括但不限于点击操作或者购买操作。

具体地，可以将当前用户的用户特征以及第一物品的属性特征输入转化率预估模型，以输出当前用户对于第一物品的预估转化率。之后，确定多个用户对于第一物品的真实转化率以及预估转化率均值，并基于该两者对上述预估转化率进行调整。这里的调整包括但不限于平移调整。以平移调整为例来说，可以确定真实转化率与预估转化率均值之间的差值，该两者的差值可以用于衡量上述预估转化率与真实值之间的差异度。基于该两者的差值，对上述预估转化率进行平移调整，以使得用户对于第一物品的预估转化率可以接近真实值。最后，基于调整后的预估转化率，来确定是否向用户推送该第一物品。

以上就是本说明书提供的发明构思，基于该发明构思就可以得到本说明书提供的方案，以下对本方案进行详细阐述。

图1为本说明书提供的物品的推送方法应用场景示意图。图1中，流数据处理平台102用于基于第一物品的曝光日志以及转化日志，实时统计第一物品的曝光数以及转化数。这里的曝光日志可以用于记录被曝光给用户的用户信息以及曝光时间等信息。转化日志可以用于记录转化用户以及转化时间等信息。推荐平台104用于基于预先训练好的转化率预估模型，分别输出当前用户对于预定的多个物品各自对应的预估转化率，以得到多个预估转化率。之后对于多个物品中的第一物品，推荐平台104可以先确定多个用户对于第一物品的真实转化率以及预估转化率均值，之后基于该两者，对当前用户对于第一物品的预估转化率进行调整。最后，推荐平台104可以基于当前用于对于多个物品各自对应的预估转化率或者调整后的预估转化率，对上述多个物品进行排序，并向当前用户推送排序靠前的前n个物品。

基于上文所描述的发明构思可知，本方案首先会基于转化率预估模型输出当前用户对于第一物品的预估转化率。因此，在描述本方案之前，先对转化率预估模型的训练过程描述如下：

图2为本说明书提供的转化率预估模型的训练方法流程图。如图2所示，所述方法可以包括：

步骤202，收集一批样本。

步骤204，从上述一批样本中确定出正样本。

该正样本包括第一用户的用户特征和第一标签值。此外，该正样本还可以包括样本物品的属性特征。第一标签值表征第一用户对样本物品执行过预定操作。

具体地，在将样本物品曝光给多个用户之后，若任一用户对该样本物品执行了预定操作，则该任一用户可以为上述第一用户。这里的预定操作可以包括但不限于点击操作或者购买操作等。以样本物品为商品为例来说，上述预定操作可以是指购买操作。以样本物品为广告为例来说，上述预定操作可以是指点击操作。

上述用户特征可以是基于预先记录的第一用户的操作行为数据获取，也可以是预先设定好的，其具体内容后续进行说明。在一个例子中，关于第一标签值，其可以为第一用户对于样本物品的真实转化率(也称真实值)。由于第一用户对样本物品执行过预定操作，因此其真实转化率为100％，从而上述第一标签值可以为1。

步骤206，将上述一批样本中除正样本之外的样本作为负样本。

该负样本包括第二用户的用户特征和第二标签值，第二标签值表征第二用户未对样本物品执行预定操作。

具体地，在将样本物品曝光给多个用户之后，对于其中的任一未对样本物品执行预定操作的用户，均可以作为上述第二用户。也即，这里的第二用户虽然未对样本物品执行预定操作，但其对样本物品执行了浏览操作。

在上述一个例子中，由于第二用户未对样本物品执行预定操作，因此其真实转化率为0％，从而上述第二标签值可以为0。

步骤208，对负样本进行采样，使得采样的负样本数目与正样本数目满足预定比例。

需要说明的是，在实际中，收集到的负样本数目会远多于正样本数目，因此，对于收集的负样本，通常会对其进行采样，也即会丢弃部分负样本，以保证正负样本的合理性。

步骤210，基于正样本和采样的负样本，训练转化率预估模型。

这里的转化率预估模型可以是基于正样本和采样的负样本，对逻辑回归(logisticregression，lr)模型和/或深度神经网络(deepneuralnetwork,dnn)模型或者梯度提升决策树(gradientboostingdecisiontree，gbdt)模型进行训练后得到的。

以上是对转化率预估模型的训练方法的说明，在训练得到该模型之后，就可以执行本说明书提供的物品的推送方法。

图3为本说明书一个实施例提供的物品的推送方法流程图。所述方法的执行主体可以为具有处理能力的设备：服务器或者系统或者装置，如，可以为图1中的推荐系统104。如图3所示，所述方法具体可以包括：

步骤302，获取当前用户的用户特征。

这里的用户特征可以包括但不限于用户属性特征以及用户画像特征等等。用户属性特征例如可以包括用户的年龄、性别、职业以及教育程度等等。用户图像特征可以是基于特征模型获取的特征，例如用户的购买力以及购买偏好等等。

步骤304，将用户特征以及第一物品的属性特征输入转化率预估模型，以输出当前用户对于第一物品的预估转化率。

这里的第一物品可以包括但不限于新商品或者新广告等。以新商品为例来说，其属性特征可以包括但不限于商品标识、名称、品牌以及类别等等。

需要说明的是，根据前述对转化率预估模型的描述可知，本说明书提供的方案中并未基于所有收集的负样本对模型进行训练。从而，基于该模型输出的当前用户对于第一物品的预估转化率与真实值之间差距比较大。因此，可以对上述预估转化率进行校准(calibration)，以使其绝对大小能够接近真实值。

具体地，可以采用逻辑回归算法(isotonicregression)或者负采样还原法等对预估转化率进行校准。

以负采样还原法为例来说，其校准过程可以通过以下公式来实现：pcvr_calibrated＝pcvr/(pcvr+(1-pcvr)/rate_neg)，其中，pcvr_calibrated为校准后的预估转化率，pcvr为校准前的预估转化率，rate_neg为负采样比例。这里的负采样比例可以基于采样的负样本数目以及负样本总数目确定。

可以理解的是，采用负采样还原法校准预估转化率的原理可以为：使得当前得到的预估转化率接近基于所有收集的负样本训练得到的模型所输出的转化率。

步骤306，根据第一物品被曝光给多个用户过程中，多个用户中对第一物品执行预定操作的转化用户的占比情况，确定多个用户对于第一物品的真实转化率。

可以理解的是，该真实转化率也是后续对预估转化率的调整目标。

对于上述真实转化率，其确定过程可以如下：获取第一物品的曝光数以及转化数。其中，曝光数可以为上述多个用户的总数目，转化数可以为转化用户的总数目。判断曝光数是否小于预定曝光量。如果是，则基于预定曝光量，对曝光数以及转化数进行修正。基于修正后的曝光数以及修正后的转化数，确定第一物品的真实转化率。如果否，则基于曝光数以及转化数，确定第一物品的真实转化率。

在本说明书中，上述预定曝光量的设定可以满足如下的前提条件：能够反映真实转化率。因此，当曝光数小于预定曝光量时，可以认为其不足以反映真实转化率，可以对其进行修正。此外，当曝光数小于预定曝光量时，可以认为其转化数也不满足条件，因此也可以基于预定曝光量对转化数也进行修正。

在一种实现方式中，上述曝光数以及转化数的修正过程可以如下：基于预定曝光量以及整体平均转化率，确定转化数修正量。这里的整体平均转化率基于预定数目的物品的曝光数以及转化数确定。具体地，可以针对预定数目的物品中的每个物品，统计各自对应的曝光数以及转化数。对所统计的所有曝光数进行求和，并对所统计的所有转化数求和，将求和后的转化数处于求和后的曝光数，以得到整体平均转化率。将预定曝光量与整体转化率相乘，以得到转化数修正量。之后，基于预定曝光量，对曝光数进行修正，以得到修正后的曝光数；基于转化数修正量，对转化数进行修正，以得到修正后的转化数。

在其它实现方式中，也可以不确定上述转化数修正量或者将转化数修正量设定为经验值。当不确定转化数修正量时，上述曝光数以及转化数均可以基于预定曝光量进行修正，本说明书对此不作限定。

此外，对于上述基于预定曝光量，对曝光数进行修正，基于转化数修正量，对转化数进行修正，其具体实现方式可以为：将曝光数与预定曝光量相加，以得到修正后的曝光数。将转化数与转化数修正量相加，以得到修正后的转化数。

综合以上描述，真实转化率的一种确定方式可以为：

real_cvr＝(#convert+m)/(#expo+n),when#expo<n

real_cvr＝#convert/#expo,when#expo>＝n

其中，real_cvr为真实转化率，#expo为曝光数，#convert为转化数，n为预定曝光量，m为转化数修正量。

当然，根据上文所述，真实转化率还可以通过其它种确定方式来确定，本说明书对此不再一一列举。

可以理解是，本说明书实施例中，在判断曝光数小于预定曝光量时，基于预定曝光量或者预定曝光量和转化数修正量，对曝光数和转化数进行修正之后，可以大大提升所获取的真实转化率的准确性。

需要说明的是，以上是对多个用户对于第一物品的真实转化率的说明，以下对多个用户对于第一物品的预估转化率均值的确定过程进行描述。

步骤308，通过转化率预估模型得到多个用户中各个用户对于第一物品的预估转化率，从而确定出多个用户对于第一物品的预估转化率均值。

具体地，对于多个用户中的每个用户，将该用户的用户特征以及第一物品的属性特征输入转化率预估模型，以输出多个用户中各个用户对于第一物品的预估转化率。对多个用户中各个用户对于第一物品的预估转化率求平均或者求加权平均，以确定出多个用户对于第一物品的预估转化率均值。

可以理解的是，同上述当前用户对于第一物品的预估转化率类似地，这里得到的多个用户中各个用户对于第一物品的预估转化率与真实值之间也有差距，因此，在一种实现方式中，在执行上述求平均或者求加权平均之前，可以对多个用户中各个用户对于第一物品的预估转化率进行校准，其具体校准方法同上所述，在此不复赘述。

当还对多个用户中各个用户对于第一物品的预估转化率进行校准时，那么上述多个用户对于第一物品的预估转化率均值可以对多个校准后的预估转化率求平均或者求加权平均后得到。

在另一种实现方式中，也可以先对多个用户中各个用户对于第一物品的的预估转化率求平均或者求加权平均，之后对求平均或者求加权平均的结果进行校准，本说明书对此不作限定。

步骤310，基于真实转化率以及预估转化率均值，对当前用户对于第一物品的预估转化率进行调整。

在一种实现方式中，可以基于真实转化率与预估转化率均值的差值，确定平移量。该平移量表征当前用户对于第一物品的预估转化率与真实值之间的差异度。基于确定的平移量，对当前用户对于第一物品的预估转化率进行平移调整。

在一个例子中，上述平移调整过程可以表示为如下公式：

pcvr_adjustment＝pcvr_calibrated+(real_cvr-avg_pcvr_calibrated)

其中，pcvr_adjustment为平移调整后的预估转化率，pcvr_calibrated为当前用户对于第一物品的校准后的预估转化率，real_cvr为多个用户对于第一物品的真实转化率，avg_pcvr_calibrate为多个用户对于第一物品的预估转化率均值。real_cvr-avg_pcvr_calibrated为平移量。

可以理解的是，当不执行对当前用户对于第一物品的预估转化率的校准操作时，上述pcvr_calibrated可以替换为当前用户对于第一物品的校准前的预估转化率。

由上可以看出，该种实现方式是对模型输出的预估转化率进行平移调整，来得到用户对于第一物品的最终转化率，由于模型对于不同的用户会输出不同的预估转化率，也即模型输出的预估转化率可以反映相应用户的个性化信息，从而可以使得平移调整后的转化率也可以反映个性化信息。从而基于平移调整后的转化率，进行物品推送时，可以针对不同用户推送不同的物品，也即可以实现物品的个性化投放。

在另一种实现方式中，也可以基于真实转化率以及预估转化率均值之间的比例，来对当前用户对于第一物品的预估转化率进行调整，本说明书对此不作限定。

步骤312，基于调整后的预估转化率，确定是否向当前用户推送第一物品。

如，在有多个预定物品时，可以按照当前用户对于多个预定物品各自对应的调整后的预估转化率从大到小的顺序，对多个预定物品进行排序。之后，向用户推送排序靠前的前n个物品。其中，n为正整数。

综上，本说明书实施例提供的物品的推送方法，可以基于多个用户对于第一物品的真实转化率与预估转化率均值时间的差值，来确定当前用户对于第一物品的预估转化率与真实值之间差异度。并基于该差异度，对当前用户对于第一物品的预估转化率进行平移调整。由此，既可以实现新物品的个性化投放，同时又能够将新物品流量调控至合理范围。此外，本方案不需要领域专业知识作为前提条件，也不要求物品属性都具有良好的泛化性，适用范围更广。另外，也不需要用户进行前期的反馈收集，对整体业务效果有更好的保障。

与上述物品的推送方法对应地，本说明书一个实施例还提供的一种物品的推送装置，如图4所示，该装置可以包括：

获取单元402，用于获取当前用户的用户特征。

输入单元404，用于将获取单元402获取的用户特征以及第一物品的属性特征输入转化率预估模型，以输出当前用户对于第一物品的预估转化率。该预估转化率表征当前用户对第一物品执行预定操作的可能性。该转化率预估模型基于物品的历史操作数据训练得到，其中，与第一物品对应的历史操作数据的数量或比例低于阈值。

确定单元406，用于根据第一物品被曝光给多个用户过程中，多个用户中对第一物品执行所述预定操作的转化用户的占比情况，确定多个用户对于第一物品的真实转化率。

确定单元406具体可以用于：

获取第一物品的曝光数以及转化数。这里的曝光数为多个用户的总数目，转化数为转化用户的总数目。

判断曝光数是否小于预定曝光量。

如果是，则基于预定曝光量，对曝光数以及转化数进行修正。基于修正后的曝光数以及修正后的转化数，确定第一物品的真实转化率。

如果否，则基于曝光数以及转化数，确定第一物品的真实转化率。

确定单元406还具体可以用于：

基于预定曝光量以及整体平均转化率，确定转化数修正量。整体平均转化率基于预定数目的物品的曝光数以及转化数确定。

基于预定曝光量，对曝光数进行修正，以得到修正后的曝光数。

基于转化数修正量，对转化数进行修正，以得到修正后的转化数。

确定单元406，还用于通过转化率预估模型得到多个用户中各个用户对于第一物品的预估转化率，从而确定出多个用户对于第一物品的预估转化率均值。

确定单元406还具体可以用于：

对于多个用户中的每个用户，将该用户的用户特征以及第一物品的属性特征输入转化率预估模型，以输出多个用户中各个用户对于第一物品的预估转化率。

对多个用户中各个用户对于第一物品的预估转化率求平均或者求加权平均，以确定出多个用户对于所述第一物品的预估转化率均值。

确定单元406还具体可以用于：

采用保序回归算法或者基于负样本的采样比例，对多个用户中各个用户对于第一物品的预估转化率进行校准，以得到多个校准后的预估转化率。该采样比例基于采样的负样本数目以及负样本总数目确定。

对多个校准后的预估转化率求平均或者求加权平均，以确定出多个用户对于第一物品的预估转化率均值。

调整单元408，用于基于确定单元406确定的真实转化率以及预估转化率均值，对当前用户对于第一物品的预估转化率进行调整。

调整单元408具体可以用于：

基于真实转化率与预估转化率均值的差值，确定平移量。该平移量表征当前用户对于第一物品的预估转化率与真实值之间的差异度。

基于确定的平移量，对当前用户对于第一物品的预估转化率进行平移调整。

确定单元406，还用于基于调整单元408调整后的预估转化率，确定是否向当前用户推送第一物品。

可选地，该装置还可以包括：

收集单元(图中未示出)，用于收集一批样本。

确定单元406，还用于从收集单元收集的一批样本中确定出正样本。该正样本包括第一用户的用户特征和第一标签值，第一标签值表征第一用户对样本物品执行过预定操作。

确定单元406，还用于将收集单元收集的一批样本中除正样本之外的样本作为负样本。负样本包括第二用户的用户特征和第二标签值。第二标签值表征第二用户未对样本物品执行预定操作。

采样单元(图中未示出)，用于对确定单元406确定的负样本进行采样，使得采样的负样本数目与正样本数目满足预定比例。

训练单元(图中未示出)，用于基于确定单元406确定的正样本和采集单元采样的负样本，训练转化率预估模型。

可选地，该装置还可以包括：

校准单元(图中未示出)，用于采用保序回归算法或者基于负样本的采样比例，对当前用户对于第一物品的预估转化率进行校准。这里的采样比例基于采样的负样本数目以及负样本总数目确定。

调整单元408具体可以用于：

基于真实转化率以及预估转化率均值，对校准后的预估转化率进行调整。

本说明书上述实施例装置的各功能模块的功能，可以通过上述方法实施例的各步骤来实现，因此，本说明书一个实施例提供的装置的具体工作过程，在此不复赘述。

本说明书一个实施例提供的物品的推送装置，获取单元402获取当前用户的用户特征。输入单元404将用户特征以及第一物品的属性特征输入转化率预估模型，以输出当前用户对于第一物品的预估转化率。该预估转化率表征当前用户对第一物品执行预定操作的可能性。转化率预估模型基于物品的历史操作数据训练得到，其中，与第一物品对应的历史操作数据的数量或比例低于阈值。确定单元406根据第一物品被曝光给多个用户过程中，多个用户中对第一物品执行预定操作的转化用户的占比情况，确定多个用户对于第一物品的真实转化率。确定单元406通过转化率预估模型得到多个用户中各个用户对于第一物品的预估转化率，从而确定出多个用户对于第一物品的预估转化率。均值调整单元408基于真实转化率以及预估转化率均值，对当前用户对于第一物品的预估转化率进行调整。确定单元406基于调整后的预估转化率，确定是否向当前用户推送第一物品。由此，可以实现新物品的精准推送。

本说明书一个实施例提供的物品的推送装置可以为图1中推荐平台104的一个模块或者单元。

与上述物品的推送方法对应地，本说明书实施例还提供了一种物品的推送设备，如图5所示，该设备可以包括：存储器502、一个或多个处理器504以及一个或多个程序。其中，该一个或多个程序存储在存储器502中，并且被配置成由一个或多个处理器504执行，该程序被处理器504执行时实现以下步骤：

获取当前用户的用户特征。

将用户特征以及第一物品的属性特征输入转化率预估模型，以输出当前用户对于第一物品的预估转化率。该预估转化率表征当前用户对第一物品执行预定操作的可能性。该转化率预估模型基于物品的历史操作数据训练得到，其中，与第一物品对应的历史操作数据的数量或比例低于阈值。

根据第一物品被曝光给多个用户过程中，多个用户中对第一物品执行预定操作的转化用户的占比情况，确定多个用户对于第一物品的真实转化率。

通过转化率预估模型得到多个用户中各个用户对于第一物品的预估转化率，从而确定出多个用户对于所述第一物品的预估转化率均值。基于真实转化率以及预估转化率均值，对当前用户对于第一物品的预估转化率进行调整。

基于调整后的预估转化率，确定是否向当前用户推送所述第一物品。

本说明书一个实施例提供的物品的推送设备可以实现新物品的精准推送。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

结合本说明书公开内容所描述的方法或者算法的步骤可以硬件的方式来实现，也可以是由处理器执行软件指令的方式来实现。软件指令可以由对应的软件模块组成，软件模块可以被存放于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动硬盘、cd-rom或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。另外，该asic可以位于服务器中。当然，处理器和存储介质也可以作为分立组件存在于服务器中。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述的具体实施方式，对本说明书的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本说明书的具体实施方式而已，并不用于限定本说明书的保护范围，凡在本说明书的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本说明书的保护范围之内。