一种邮件投递方法、装置及设备与流程

本说明书涉及人工智能及机器学习技术领域，特别地，涉及一种邮件投递方法、装置及设备。

背景技术：

海量邮件投递系统可用于发送信用卡账单、业务办理通知、产品营销等各类对客业务场景的邮件，这类邮件往往具有数量大、邮件投递时间集中、时效性高、重要性高、投递邮件域范围广泛等特点。而各类邮件域的邮件接收系统，通常根据实际情况设置有多种邮件处理策略。例如单位时间内接收邮件数量、针对单个投递邮箱域的每日邮件接收数量、单个邮箱用户每日邮件接收数量等；以及可能还会根据邮件内容判断是否直接转入垃圾箱等等。

结合海量邮件投递系统所投递邮件的特点以及各类邮件域的邮件处理策略，不难发现，若仅采用传统的邮件“到达即发送”的投递模式，不仅会直接影响邮件投递系统在其他邮件域的信誉值，导致投递系统投递的邮件在其他邮件域的投递成功率逐步降低，更会因为邮件投递的成功率低而导致企业形象受损。目前常用的解决方法是通过手动调整投递速率、定时重发拒收邮件等措施来缓解投递成功率低的问题，但这不仅加大了运维成本，还在一定程度上影响了邮件的时效性。

技术实现要素：

本说明书实施例的目的在于提供一种邮件投递方法、装置及设备，可以进一步提高邮件投递的有效性，进而提高用户体验感。

本说明书提供一种邮件投递方法、装置及设备是包括如下方式实现的：

一种邮件投递方法，应用于邮件投递系统，所述方法包括：接收待投递的目标邮件；提取所述目标邮件的邮件信息及所述目标邮件的邮件接收域的投递频度；其中，所述投递频度是指指定投递时延下所述邮件接收域的投递量占所述指定投递时延下总投递量的比值；至少利用所述邮件信息以及投递频度预测所述目标邮件的投递时延，以基于所述投递时延投递所述目标邮件；所述投递时延是指所述目标邮件从邮件投递系统延迟投递出去的时间。

本说明书提供的所述方法的另一些实施例中，所述方法还包括：提取历史邮件投递数据中每封邮件的邮件信息，以及统计所述历史邮件投递数据中各邮件接收域的投递频度；以所述历史邮件投递数据中每封邮件的投递时延作为相应邮件的标签值，至少利用每封邮件的邮件信息以及每封邮件的邮件接收域的投递频度构建相应邮件的特征向量；将每封邮件的标签值及特征向量作为一个样本，得到样本集；利用所述样本集对指定模型进行训练，得到邮件筛选模型，以利用所述邮件筛选模型预测所述目标邮件的投递时延。

本说明书提供的所述方法的另一些实施例中，所述指定模型包括mod-gbdt模型。

本说明书提供的所述方法的另一些实施例中，所述利用所述样本集对指定模型进行训练，包括：以所述样本集中的样本作为初始样本，计算所述初始样本中的各特征的重要度；以特征的重要度作为相应特征的权重，对相应的初始样本进行重构，得到重构样本；利用重构样本对指定模型进行训练。

本说明书提供的所述方法的另一些实施例中，所述计算所述初始样本中的各特征的重要度，包括：

其中，为特征x^p的重要度，t(x；lk)为学习器k对应的决策树，lk为学习器k的损失函数，x为样本，k为学习器的总数目，为特征x^p在t(x；lk)上的关键度，m-1为非叶节点数，t为非叶节点，rt为非叶节点t的相关联特征，l(rp＝x^p)在x^p为非叶节点t的相关联特征时值为非零数值、在x^p不是非叶节点t的相关联特征时值为零，是非叶节点t分裂后的平方损失减少值。

本说明书提供的所述方法的另一些实施例中，所述方法还包括：提取所述目标邮件投递时的网络环境特征；所述网络环境特征至少包括网络时延及丢包率；相应的，至少利用所述邮件信息、投递频度及网络环境特征预测所述目标邮件的投递时延。

本说明书提供的所述方法的另一些实施例中，所述方法还包括；获取所述目标邮件投递时所处的时间区间和/或投递结果；提取所述目标邮件的邮件接收域在所述时间区间和/或投递结果下的投递频度；相应的，至少利用所述目标邮件的邮件信息及邮件接收域在所述时间区间和/或投递结果下的投递频度预测所述目标邮件的投递时延。

本说明书提供的所述方法的另一些实施例中，所述方法还包括：间隔指定时间长度，至少基于邮件的投递时延、邮件投递系统的投递结果及邮件接收系统的投递状态生成展示信息；将所述展示信息发送至业务终端，以使所述业务终端展示。

另一方面，本说明书实施例还提供一种邮件投递装置，应用于邮件投递系统，所述装置包括：接收模块，用于接收待投递的目标邮件；提取模块，用于提取所述目标邮件的邮件信息及所述目标邮件的邮件接收域的投递频度；其中，所述投递频度是指指定投递时延下所述邮件接收域的投递量占所述指定投递时延下总投递量的比值；预测模块，用于至少利用所述邮件信息以及投递频度预测所述目标邮件的投递时延，以基于所述投递时延投递所述目标邮件；所述投递时延是指所述目标邮件从邮件投递系统延迟投递出去的时间。

另一方面，本说明书实施例还提供一种计算机设备，所述设备包括至少一个处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现上述任意一个或者多个实施例所述方法的步骤。

本说明书一个或多个实施例提供的邮件投递方法、装置及设备，通过结合待投递邮件的基础信息以及所需发送至的邮件域的投递频度，预测相应待投递邮件的投递时延，基于投递时延分批将海量邮件投递出去，降低邮件投递系统的投递压力。且还可以有效地契合邮件接收域的邮件处理策略，提高邮件投递的有效性，降低海量邮件群发被邮件接收系统误认为攻击行为或垃圾邮件等情况的发生，使得用户可以更加快速的接收到业务邮件，提升用户满意度。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本说明书提供的一种邮件投递方法实施例的流程示意图；

图2为本说明书提供的一个实施例中的邮件筛选模型的流程示意图；

图3为本说明书提供的一种邮件投递装置的模块结构示意图；

图4为本说明书提供的一个实施例中的邮件投递系统的模块结构示意图；

图5为本说明书提供的一个实施例中的主控驱动模块的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是说明书一部分实施例，而不是全部的实施例。基于说明书一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书实施例方案保护的范围。

本说明书的一个应用场景示例中，所述邮件投递方法可以应用于邮件投递系统的服务器。所述邮件投递系统可以包括一个服务器或由多个服务器组成的服务器集群。服务器可以接收各业务系统发送的待投递的目标邮件，基于预先配置的投递机制将所述目标邮件投递至相应的邮件接收系统。当然，邮件投递系统还可以根据实际应用场景执行其他操作。如还可以接收邮件接收系统反馈的是否成功投递等信息。邮件投递系统还可以包括其他设备，如数据库等。

通常业务系统一次性发送的待投递邮件数量较大，且邮件所包含的信息、所需发送至的邮件接收系统等存在一定的差异性。而各类邮件域的邮件接收系统，根据实际情况设置有多种邮件处理策略。若仅采用传统的邮件“到达即发送”的投递模式，不仅会影响邮件投递系统在其他邮件域的信誉值，导致投递系统投递的邮件在其他邮件域的投递成功率逐步降低，更会导致用户无法及时收到相应的业务邮件，降低用户满意度。

相应的，本说明书实施例中，服务器在接收到批量的邮件后，可以先对邮件进行筛选，确定各邮件的投递时延。所述投递时延可以是指邮件从邮件投递系统延迟投递出去的时间。该投递时延可以根据需要预先划分，划分粒度可以至毫秒级。如可以对大量的历史邮件投递数据进行分析，根据分析结果进行投递时延的划分，以使得投递时延的划分更符合业务量、投递系统的配置以及投递有效性等需求。如所述投递时延可以包括立即发送、延后时长tx(如延后100ms、500ms、1000ms、1min、5min等)发送。邮件投递系统可以将各邮件按照相应的投递时延向外投递。

通过预测各邮件的投递时延，基于投递时延进行批量的邮件投递，可以将大批量的邮件分批次投递出去，降低邮件投递系统的投递压力，且还可以更好有效地契合邮件接收域的邮件处理策略，提高邮件投递的有效性，降低海量邮件群发被邮件接收系统误认为攻击行为或垃圾邮件等情况的发生，使得用户可以更加快速的接收到业务邮件，降低邮件遗漏和滞后的情况，提升用户满意度。

图1是本说明书提供的所述邮件投递方法实施例流程示意图。所述的方法在实际中的服务器或终端产品应用时，可以按照实施例或者附图所示的方法进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。具体的一个实施例如图1所示，本说明书提供的邮件投递方法的一个实施例中，所述方法可以应用于所述邮件投递系统。所述方法可以包括如下步骤：

s20：接收待投递的目标邮件。

服务器可以接收业务系统发送的待投递邮件。如可以获取业务系统通过smtp(simplemailtransferprotocol，邮件传输协议)发送的待投递邮件。业务系统一次性发送的邮件可以包括很多封，所述目标邮件可以为业务系统所发送的批量待投递邮件中的任意一封邮件。

s22：提取所述目标邮件的邮件信息及所述目标邮件的邮件接收域的投递频度；其中，所述投递频度是指指定投递时延下所述邮件接收域的投递量占所述指定投递时延下总投递量的比值。

服务器可以先对目标邮件的数据进行解析，如可以提取目标邮件的“date(时间)”、“subject(主题)”、“to(发送至)”、“body(内容)”、“size(大小)”、“messageid(内容)”等字段的值。可以将解析得到的字段的值作为所述目标邮件的邮件信息。当然，也可以仅将部分字段的值作为所述目标邮件的邮件信息。

或者，还可以根据需要对字段的值进行一些预处理，如邮件正文内容涉及较多的隐私信息，且对投递时延预测影响较小，则可以根据需要提取邮件正文内容的一些特征，作为邮件正文字段的值，以对邮件正文内容进行表征。还可以对其他字段的值进行格式转换等预处理，这里不做限定。

基于上述解析后，可以得到目标邮件的邮件接收域。其中，所述邮件接收域可以是指邮件所需发送至的邮件接收系统的域名，即邮件接收人的邮件地址域名，以便于区分不同的邮件接收系统。所述邮件接收域如可以为“163.com”、“qq.com”等。

在得到目标邮件的邮件接收域后，可以提取所述目标邮件的邮件接收域的投递频度。其中，所述投递频度可以是指指定投递时延下所述邮件接收域的投递量占所述指定投递时延下总投递量的比值。

服务器可以获取历史邮件投递数据。从历史邮件投递数据中提取不同投递时延下的邮件投递数据。可以将任意投递时延作为指定投递时延，统计指定投递时延下总投递量，以及指定投递时延下各邮件接收域的投递量。将指定投递时延下某邮件接收域的投递量占该指定投递时延下总投递量的比值，作为该邮件接收域的投递频度。服务器可以将各邮件接收域的投递频度进行存储，以便于投递时延预测时使用。相应的，在得到目标邮件的邮件接收域后，服务器可以从存储的各邮件接收域的投递频度中提取出目标邮件的邮件接收域的投递频度。

服务器还可以间隔一段时间重新获取历史邮件投递数据，重复上述处理，对各邮件接收域的投递频度进行更新，并存储更新后的各邮件接收域的投递频度。

当然，也可以采用其他方式提取出目标邮件的邮件接收域的投递频度，如在得到目标邮件的邮件接收域后，服务器可以实时对历史邮件投递数据进行分析，提取出目标邮件的邮件接收域的投递频度。

投递频度可以有效表征历史实际投递场景中不同投递时延下各邮件接收域的投递情况，从而间接反映该邮件接收域所对应的邮件接收系统的邮件处理策略，如邮件接收域所对应的邮件接收系统的接收/拒收规则。通常，邮件接收域的所对应的邮件接收系统的邮件处理策略，邮件投递系统较难准确了解，利用投递频度来间接反映其邮件处理策略，结合投递频度进行相应邮件接收域下的邮件的投递时延预测，可以使得邮件投递更符合其对应的邮件处理策略，进而提高邮件投递的有效性。

另一些实施例中，还可以统计在不同投递结果下，指定投递时延下总投递量，以及指定投递时延下各邮件接收域的投递量；进而计算得到任一邮件接收域在不同投递结果下的投递频度。所述投递结果可以是指邮件投递系统向外投递的结果，包括但不限于投递成功、失败或重新投递等。利用邮件接收域在不同投递结果下的投递频度作为预测因素之一，可以进一步全面的考虑邮件接收系统的邮件处理策略所带来的投递影响，提高投递的有效性。

另一些实施例中，服务器还可以获取所述目标邮件投递时所处的时间区间。如可以将一天24小时进行划分成多个时间区间。然后，可以提取所述目标邮件的邮件接收域在所述时间区间下的投递频度。可以在基于上述方式进行投递频度的计算时，可以先提取各时间区间下的邮件投递数据，再提取各时间区间内不同投递时延下的邮件投递数据，进而确定各邮件接收域在相应时间区间下的投递频度。其他计算方式可以参考上述实施方式，这里不做赘述。

相应的，服务器可以获取所述目标邮件投递时所处的时间区间和/或投递结果；提取所述目标邮件的邮件接收域在所述时间区间和/或投递结果下的投递频度；相应的，服务器可以至少利用所述目标邮件的邮件信息及邮件接收域在所述时间区间和/或投递结果下的投递频度预测所述目标邮件的投递时延。

s24：至少利用所述邮件信息以及投递频度预测所述目标邮件的投递时延，以基于所述投递时延投递所述目标邮件；所述投递时延是指所述目标邮件从邮件投递系统延迟投递出去的时间。

服务器可以利用所述目标邮件的邮件信息以及投递频度预测所述目标邮件的投递时延。或者，也可以进一步结合其他参数信息预测所述目标邮件的投递时延。服务器如可以通过预先构建预测模型，以基于预先构建的预测模型对所述目标邮件的邮件信息以及投递频度进行分析，得出所述目标邮件的投递时延。当然，也可以采用其他方式预测所述目标邮件的投递时延，这里不做限定。

在得到所述目标邮件的投递时延后，服务器可以基于该投递时延向外投递所述目标邮件。如在预测出投递时延为tx后，服务器可以将所述目标邮件暂缓tx时间，然后，再向外投递所述目标邮件。或者，还可以基于预测出的投递时延tx，结合投递队列布设等因素确定将所述目标邮件暂缓投递出去的时间。

通过预测各邮件的投递时延，基于投递时延进行批量的邮件投递，可以将大批量的邮件分批次投递出去，降低邮件投递系统的投递压力，且还可以更好有效地契合邮件接收域的邮件处理策略，提高邮件投递的有效性，降低海量邮件群发被邮件接收系统误认为攻击行为或垃圾邮件等情况的发生，使得用户可以更加快速的接收到业务邮件，降低邮件遗漏和滞后的情况，提升用户满意度。

另一些实施例中，服务器还可以提取所述目标邮件投递时的网络环境特征。所述网络环境特征至少可以包括网络时延及丢包率等。相应的，服务器可以至少利用所述邮件信息、投递频度及网络环境特征预测所述目标邮件的投递时延。

优选的，邮件投递系统如可以间隔预设的采集时间区间采集邮件投递的投递网络环境数据，若邮件投递时处于相应的采集时间段内，则可以将该采集时间段的投递网络环境数据作为该邮件的投递网络环境数据，以降低采集频率。当然，也可以实时采集每封邮件投递时的投递网络环境数据。

进一步结合投递时的网络环境进行目标邮件的投递时延预测，可以降低网络抖动对邮件投递的影响，保证邮件在合理的时间完成投递，提高投递的有效性。

另一些实施例中，服务器可以获取历史邮件投递数据。提取所述历史邮件投递数据中每封邮件的邮件信息，以及统计所述历史邮件投递数据中各邮件接收域的投递频度。以所述历史邮件投递数据中每封邮件的投递时延作为相应邮件的标签值，至少利用每封邮件的邮件信息以及每封邮件的邮件接收域的投递频度构建相应邮件的特征向量。将每封邮件的标签值及特征向量作为一个样本，得到样本集。利用所述样本集对指定模型进行训练，得到邮件筛选模型，以利用所述邮件筛选模型预测所述目标邮件的投递时延。通过预先构建模型进行投递时延的预测，可以进一步提高时延预测的准确性以及效率。

可以获取历史邮件投递数据。提取所述历史邮件投递数据中每封邮件的邮件信息，以及统计所述历史邮件投递数据中各邮件接收域的投递频度。邮件信息提取方式及投递频度的计算方式可以参考目标邮件，这里不做赘述。以及，还可以提取每封邮件投递时的网络环境特征等。

当然，上述提取的特征类型及其他方式仅为优选举例说明，并不构成对特征提取的直接限定，技术人员还可以根据需要提取邮件的其他特征。

可以将提取的邮件信息、投递频度以及网络环境特征进行向量化处理。如可以将每封邮件在各特征类型的特征值作为向量的元素，得到相应邮件的特征向量。之后，可以将每封邮件的实际投递时延作为相应邮件的标签值，与相应邮件的特征向量进行关联。即完成对每封邮件的打标处理。

然后，将每封邮件的特征向量与标签值作为一个样本，存入样本集中。可以利用样本集对指定模型进行训练，得到邮件筛选模型。一些实施例中，所述指定模型可以包括mod-gbdt(themodifiedgradientboostingdecisiontree，迭代的决策树算法)模型。

如图2所示，在利用mod-gbdt作为指定模型的情况下，可以对样本集以η采样率进行k次随机采样，得到k个样本子集。任意两个样本子集内所包括的样本可能重复，也可能不重复。可以利用该k个样本子集，以构造k个学习器。相应的，最终得到的邮件筛选模型包括k个学习器，每一个学习器对应一个预测值y^k，将各预测值进行汇总，得到最终的预测结果。

一些实施方式中，该指定模型的目标函数fk(x)可以表示为，

其中，f(x；lk)为标号为k的学习器，k为学习器的总数目，lk为学习器的损失函数，x为样本。lk可以表示为，

其中，xi为第i个样本，n为样本的总数量，yi为xi的标签值，l(yi,fk-1(xi)用于表示xi在标号为k-1的学习器中的预测值与标签值之间的差异。

在训练过程中，对任一个学习器，可以先初始化学习器，然后，从该学习器所对应的样本子集中任意选取一个样本，利用该样本对学习器进行训练，得到初始学习器f0(x)。然后，可以计算初始学习器的负梯度，即该样本的标签值y与初始学习模型f0(x)的预测值之间的差异，再最小化损失函数，以调整学习器的参数。依次类推，可以任意选取相应样本子集中未参与训练的样本，对学习器进一步训练。

在上述训练过程中，可以先从深度为零的树开始，对叶节点进行特征的穷举。然后，针对每一个特征，利用样本进行升序排列，并计算该特征的最佳收益。接着，选择收益最大的特征作为关键特征，以该关键特征作为决策树的分裂点进行分裂，并从当前叶节点中分裂收益最大的叶节点，即寻找样本数据量最大的叶节点继续进行分裂。在限制树深度的情况下进行决策树的构建，得到最终的学习器。

海量邮件投递受限于网络环境、邮件接收系统规则以及日间或夜间发送时间段等相关不可控因素的影响，使得各邮件的特征的重要性存在不确定性。可以进一步对各特征的重要度进行评价，进而利用重要度评价后的特征重构样本，进行学习器训练。

相应的，一些实施例中，服务器可以以所述样本集中的样本作为初始样本，计算所述初始样本中的各特征的重要度；以特征的重要度作为相应特征的权重，对相应的初始样本进行重构，得到重构样本；利用重构样本对指定模型进行训练。通过进一步评价特征的重要度，进一步将重要度作为特征的权重进行模型训练，可以进一步提高关键特征在模型训练中所起的作用，从而提高最终训练得到的模型预测的准确性以及稳定性。

一些实施例中，针对某一特征向量中的特征x^p的重要度进行评价时，可以采用该特征x^p在树中的关键度均值进行计算，如下，

其中，t(x；lk)指学习器k对应的决策树，为特征x^p在某棵树t(x；lk)上的关键度，可以表示为，

其中，m-1为非叶节点数；rt是非叶节点t的切分变量，即节点t可以通过rt进行分裂，为了便于表述，可以将rt描述为与非叶节点t的相关联特征；l(rp＝x^p)在x^p为非叶节点t的相关联特征时值为非零数值、在x^p不是非叶节点t的相关联特征时值为零；是非叶节点t分裂后的平方损失减少值。相应的，该公式可以表征某棵树t(x；lk)上以x^p作为非叶节点t的相关联特征进行分裂的情况。非叶节点t的越大，特征x^p越关键，相应的，x^p的关键度越高。

通过上述方式定量量化各特征的重要度，可以进一步准确确定定位关键特征在模型训练中所起的作用，从而进一步提高最终训练得到的模型预测的准确性以及稳定性，进而提高邮件时延预测的准确性以及效率。当然，所属领域技术人员在本说明书实施例的技术精髓启示下，模型的类型还可以采取其他分类模型，模型的训练以及重要度的评价还可能有其它变更实施方式，但只要其实现的功能和效果相同或相似，均应涵盖于本说明书保护范围内。

另一些实施例中，服务器还可以间隔指定时间长度，至少基于邮件的投递时延、邮件投递系统的投递结果及邮件接收系统的投递状态生成展示信息；并将所述展示信息发送至业务终端，以使所述业务终端展示。

服务器可以间隔指定时间长度将邮件的投递时延以及投递结果发送至业务终端，以进行展示。如，服务器可以查询邮件的投递时延、邮件投递系统向外投递的投递结果、邮件接收系统的投递状态(正在投递、排队中、已投递)等，将查询到的数据发送至业务终端，以使业务终端进行展示。或者，服务器还可以统计所述投递时延、投递结果以及投递状态的结果，将统计结果发送至业务终端，以使业务终端进行展示。如可以统计投递邮件数据中不同邮件接收域下的投递成功率，并发送至业务终端，以使业务终端进行展示。通过上述展示，可以是业务人员根据该展示的结果快速了解邮件的投递状态、投递时延、投递成功率等。

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。具体的可以参照前述相关处理相关实施例的描述，在此不做一一赘述。

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。

上述所述的邮件投递方法，结合邮件的重要特征、不同的邮件接收域的邮件处理策略、邮件投递系统的运行情况等，实现动态调整各待投递邮件的投递时延，可在海量邮件投递过程中，既满足邮件投递的效率，同时又提高邮件投递的成功率，避免由于海量邮件群发投递过程中被第三方邮件系统误认为邮件形式的攻击行为造成的业务信息滞后或遗漏，有效提升用户满意度。

基于上述所述的邮件投递方法，本说明书一个或多个实施例还提供一种邮件投递装置。所述的装置可以包括使用了本说明书实施例所述方法的系统、软件(应用)、模块、组件、服务器等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。具体的，图3表示说明书提供的一种邮件投递装置实施例的模块结构示意图，应用于邮件投递工具。如图3所示，所述装置可以包括：

接收模块102，可以用于接收待投递的目标邮件。

提取模块104，可以用于提取所述目标邮件的邮件信息及所述目标邮件的邮件接收域的投递频度；其中，所述投递频度是指指定投递时延下所述邮件接收域的投递量占所述指定投递时延下总投递量的比值。

预测模块106，可以用于至少利用所述邮件信息以及投递频度预测所述目标邮件的投递时延，以基于所述投递时延投递所述目标邮件；所述投递时延是指所述目标邮件从邮件投递系统延迟投递出去的时间。

需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本说明书还提供一种计算机设备，所述设备可以应用于邮件投递系统中，也可以应用在多种计算机数据处理系统中。所述的系统可以为单独的服务器，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。一些实施例中，所述设备可以包括至少一个处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括上述任一个或者多个实施例所述方法的步骤。

所述存储器可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

一些实施例中，如图4所示，所述邮件投递系统至少可以包括如下模块。

主控驱动模块1，用于对邮件投递系统进行控制。其中，主控驱动模块1结构示意图如图5所示，主控驱动模块1可以包括执行模块6、数据调取模块7和中央处理模块8。所述执行模块6可以用于执行待投递邮件的投递时延预测。所述数据调取模块7可以与数据库连接，用于从数据库中调取历史邮件投递数据。所述中央处理模块8可以用于对邮件投递系统的各模块进行控制。

邮件接收模块2，用于接收待投递邮件数据。

数据解析模块3，用于对待投递邮件数据进行数据解析。所述数据解析模块3可以与邮件接收模块2连接，用于对接收的待投递邮件数据进行解析。所述数据解析模型3还可以通过数据调取模块从数据库中调取历史邮件投递数据，并对历史邮件投递数据中的每封邮件进行解析。

数据管理模块4，用于对待投递邮件数据进行筛选处理。数据管理模块4可以包括微处理器、规则筛选模块及数据统计模块。所述微处理器可以接收数据解析模块3处理后的数据信息，并发送至数据统计模块，以计算不同邮件接收域在指定投递时延下的投递频度。所述数据统计模块还可以用于将解析后的数据以及投递频度等进行向量化处理，得到特征向量。以及，所述数据统计模型还可以为各特征向量打标，得到样本，并存入样本集。所述规则筛选模块可以提取待展示的信息，并发送至投递展示模块5。

投递展示模块5，用于对待展示的信息进行处理，并将处理结果发送至业务终端，以使业务终端进行展示。如可以基于一定的展示规则生成图形展示界面，以更加灵活地的向用户展示投递信息，提高交互体验感。

上述投递系统，可根据各业务需要对海量待投递邮件数据的投递时延进行动态调整，并按照投递时延以及投递结果进行展示，以便海量邮件能够在保证投递效率的情况下提升到达率，避免由于不了解第三方邮件服务器的邮件接收规则而导致的投递失败，从而提升用户满意度。

需要说明的，上述所述的设备或系统根据方法或者装置实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本说明书实施例并不局限于必须是符合标准数据模型/模板或本说明书实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书的可选实施方案范围之内。

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，对于系统实施例而言，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。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。