信息推送方法及装置与流程
本申请涉及通信技术领域，尤其涉及信息推送方法及装置。
背景技术：
随着科技的不断发展和生活水平的不断提高，智能终端越来越普及化。智能终端对人们的日常生活影响也越来越大。通过智能终端可以向用户进行个性化推送。例如，可以向用户推送新闻信息等。
目前，为了向用户进行个性化推送，需要先计算所有用户分别对待推送的目标信息的点击概率，然后按照点击概率从大到小的顺序进行排序，向排序靠前的用户推送信息。然而，由于需要计算完所有用户的点击概率后才能进行个性化推荐，计算量非常大，严重影响了推送的实时性。
技术实现要素：
为克服相关技术中存在的问题，本公开提供了信息推送方法及装置。
根据本公开实施例的第一方面，提供一种信息推送方法，所述方法包括：
根据已推送用户的目标数量获取第一概率阈值；
根据所述第一概率阈值确定待推送用户对应的目标终端；
针对所述目标终端执行推送操作。
可选的，所有用户被划分为k部分；所述根据所述第一概率阈值确定待推送用户对应的目标终端，包括：
按照由1至k的顺序，从所述k部分中获取未执行推送操作的第k部分，k∈[1,k]；
根据所述第一概率阈值从所述第k部分用户中确定所述待推送用户对应的目标终端。
可选的，所述目标数量为所有用户中已推送用户数量，或所述目标数量为第k-1部分中已推送用户数量。
可选的，k∈(1,k]，所述根据已推送用户的目标数量获取第一概率阈值，包括：
获取已推送用户的目标数量；
当所述目标数量大于n0，重配置历史的第二概率阈值，得到第一概率阈值，所述第一概率阈值大于所述第二概率阈值；
当所述目标数量小于n0，重配置历史的第二概率阈值，得到第一概率阈值，所述第一概率阈值小于所述第二概率阈值；
其中，所述n0为已推送用户的期望数量。
可选的，如果所述目标数量为所有用户中已推送用户数量，
其中，m表示所有用户数量，mi表示第i部分用户数量，mk-1表示第k-1部分用户数量，n表示所有用户中预定推送数量。
可选的，当所述目标数量大于n0，采用公式h1＝h*a重配置历史的第二概率阈值；
当所述目标数量小于n0，采用公式h1＝h/a重配置历史的第二概率阈值；
其中，h1表示所述第一概率阈值，h表示所述第二概率阈值，a表示预设调整因子，a＞1。
可选的，如果k＝1，所述根据已推送用户的目标数量获取第一概率阈值，包括：
从所有用户中随机抽取预定比例的用户，获得采样用户群；
计算所述采样用户群中每个用户针对目标信息的第一点击概率；
根据所述第一点击概率、所述预定比例以及所有用户中预定推送数量确定第一概率阈值。
可选的，所述根据所述第一点击概率、所述预定比例以及所有用户中预定推送数量确定第一概率阈值，包括：
将所述第一点击概率按从大到小的顺序进行排序，获得概率集合；
将所述概率集合中排名第(n*r)的第一点击概率确定为第一概率阈值；
其中，n表示所有用户中预定推送数量，r表示所述预定比例。
可选的，所述根据所述第一概率阈值从所述第k部分用户中确定所述待推送用户对应的目标终端，包括：
针对第k部分用户中的每个用户，获取该用户对目标信息的第二点击概率；
将所述第二点击概率大于或等于所述第一概率阈值的用户的终端，确定为待推送用户对应的目标终端。
根据本公开实施例的第二方面，提供一种信息推送装置，包括：
阈值获取模块，被配置为根据已推送用户的目标数量获取第一概率阈值；
终端确定模块，被配置为根据所述第一概率阈值确定待推送用户对应的目标终端；
推送操作模块，被配置为针对所述目标终端执行推送操作。
可选的，所有用户被划分为k部分；所述终端确定模块，包括：
获取子模块，被配置为按照由1至k的顺序，从所述k部分中获取未执行推送操作的第k部分，k∈[1,k]；
终端确定子模块，被配置为根据所述第一概率阈值从所述第k部分用户中确定所述待推送用户对应的目标终端。
可选的，所述目标数量为所有用户中已推送用户数量，或所述目标数量为第k-1部分中已推送用户数量。
可选的，k∈(1,k]，所述阈值获取模块包括：
数量获取子模块，被配置为获取已推送用户的目标数量；
阈值重配置子模块，配置为当所述目标数量大于n0，重配置历史的第二概率阈值，得到第一概率阈值，所述第一概率阈值大于所述第二概率阈值；当所述目标数量小于n0，重配置历史的第二概率阈值，得到第一概率阈值，所述第一概率阈值小于所述第二概率阈值；其中，所述n0为已推送用户的期望数量。
可选的，如果所述目标数量为所有用户中已推送用户数量，
如果所述目标数量为第k-1部分中已推送用户数量，
其中，m表示所有用户数量，mi表示第i部分用户数量，mk-1表示第k-1部分用户数量，n表示所有用户中预定推送数量。
可选的，所述阈值重配置子模块，具体配置为：
当所述目标数量大于n0，采用公式h1＝h*a重配置历史的第二概率阈值；
当所述目标数量小于n0，采用公式h1＝h/a重配置历史的第二概率阈值；
其中，h1表示所述第一概率阈值，h表示所述第二概率阈值，a表示预设调整因子，a＞1。
可选的，如果k＝1，所述阈值获取模块包括：
用户群采样子模块，被配置为从所有用户中随机抽取预定比例的用户，获得采样用户群；
概率计算子模块，被配置为计算所述采样用户群中每个用户针对目标信息的第一点击概率；
阈值确定子模块，被配置为根据所述第一点击概率、所述预定比例以及所有用户中预定推送数量确定第一概率阈值。
可选的，所述阈值确定子模块，具体配置为：
将所述第一点击概率按从大到小的顺序进行排序，获得概率集合；
将所述概率集合中排名第(n*r)的第一点击概率确定为第一概率阈值；
其中，n表示所有用户中预定推送数量，r表示所述预定比例。
可选的，所述终端确定子模块，具体被配置为：
针对第k部分用户中的每个用户，获取该用户对目标信息的第二点击概率；
将所述第二点击概率大于或等于所述第一概率阈值的用户的终端，确定为待推送用户对应的目标终端。
根据本公开实施例的第三方面，提供一种信息推送装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
根据已推送用户的目标数量获取第一概率阈值；
根据所述第一概率阈值确定待推送用户对应的目标终端；
针对所述目标终端执行推送操作。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开根据已推送用户的目标数量获取第一概率阈值并执行相应推送操作，无需等到所有用户的点击概率计算完成后才确定概率阈值并执行相应推送操作，从而提高了推送信息的实时性。同时，由于所有用户中用户对目标信息的点击概率分布不均匀，因此通过已推送用户的目标数量更新第一概率阈值，可以提高概率阈值的准确性，使所有用户中实际推送数量与预定推送数量更加接近。
本公开将所有用户划分为k部分，根据已推送用户的目标数量获取第一概率阈值，利用第一概率阈值对当前组用户执行推送判断和相应处理。在对当前组所有用户进行处理后，由于已推送用户的数量发生变化，则可以根据已推送用户的数量更新概率阈值，作为下一组信息推送判断中的概率阈值，从而实现动态更新概率阈值，提高概率阈值的准确性，进而使所有用户中实际推送数量与预定推送数量更加接近。
本公开将所有用户中已推送用户数量作为确定第一概率阈值的影响因素，可以提高确定第一概率阈值的准确性。
本公开将已处理用户中已推送用户的目标，与已推送用户的期望数量进行比较，根据比较结果更新概率阈值，从而获得更新后的概率阈值，实现快速更新概率阈值。
本公开通过将概率阈值与大于1的预设调整因子相乘，从而增大概率阈值，通过将概率阈值与大于1的预设调整因子相除，从而减小概率阈值，实现快速更新概率阈值。
本公开从所有用户中随机抽取预定比例的用户，仅计算部分用户的第一点击概率，并利用第一点击概率确定第一概率阈值，可以减少计算量。另外，由于第一概率阈值与目标信息的相关性较高，则此方式获得的第一概率阈值相较于直接指定的阈值，准确性较高。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是本公开根据一示例性实施例示出的一种信息推送场景示意图。
图2是本公开根据一示例性实施例示出的一种信息推送方法的流程图。
图3是本公开根据一示例性实施例示出的另一种信息推送方法的流程图。
图4是本公开根据一示例性实施例示出的一种信息推送装置的框图。
图5是本公开根据一示例性实施例示出的另一种信息推送装置的框图。
图6是本公开根据一示例性实施例示出的另一种信息推送装置的框图。
图7是本公开根据一示例性实施例示出的另一种信息推送装置的框图。
图8是本公开根据一示例性实施例示出的一种用于信息推送的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示，图1是本公开根据一示例性实施例示出的一种信息推送场景示意图。该场景中，可以包括服务端及多个用户终端。其中，服务端可以包括服务器、服务器集群或者云平台等。用户终端可以是计算机、智能手机、平板电脑、pda(personaldigitalassistant，个人数字助理)、多媒体播放器、可穿戴设备等电子设备。服务端可以向不同用户的用户终端推送目标信息，例如，用户终端中可以安装有小米浏览器，小米浏览器对应的服务器可以向安装有小米浏览器的用户终端推送新闻信息，以便用户便捷有效地获取新闻信息。
为了提高目标信息的点击率、以及避免推送用户不感兴趣的目标信息给用户带来的不便，针对不同的用户可以进行个性化推荐。个性化推送过程中，可以向对目标信息最感兴趣的多个人进行推送。相关技术中，为了实现个性化推送，需要先计算所有用户分别对待推送的目标信息的点击概率，然后按照点击概率从大到小的顺序进行排序，根据排序后的点击概率以及指定推送人数，确定概率阈值，并向点击概率大于概率阈值的用户推送信息。
其中，所有用户是所有可能进行信息推送的对象，例如，可以是注册了目标应用程序的用户，目标应用程序是可以进行信息推送的程序，例如，目标应用程序可以是小米浏览器。所有用户的量往往很大，例如，存在上千万用户，如果计算完所有用户的点击概率后才能进行个性化推荐，计算量非常大，计算所有用户的点击概率耗费的时间非常长，严重影响推送的实时性。
为了避免相关技术中推送信息实时性差的缺陷，本公开根据已推送用户的目标数量获取第一概率阈值，并根据第一概率阈值确定待推送用户对应的目标终端，针对目标终端执行推送操作。可见，根据已推送用户的目标数量获取第一概率阈值并执行相应推送操作，无需等到所有用户的点击概率计算完成后才确定概率阈值，并执行相应推送操作，从而提高了推送信息的实时性。
图2是本公开根据一示例性实施例示出的一种信息推送方法的流程图，该方法可以用于服务端中，包括以下步骤：
在步骤201中，根据已推送用户的目标数量获取第一概率阈值。
在步骤202中，根据所述第一概率阈值确定待推送用户对应的目标终端。
在步骤203中，针对所述目标终端执行推送操作。
本公开实施例中，已推送用户是已处理用户中已执行推送操作的用户，推送操作可以是推送目标信息的操作。目标信息是待推送的信息，例如，目标信息可以是一篇体育新闻、科技新闻、娱乐新闻等信息。
第一概率阈值可以是用来判断用户是否是需要进行目标信息推送的目标用户的分位点，可以利用第一概率阈值筛选出待推送用户，以便向待推送用户的目标终端推送目标信息。
已处理用户的数量为零时，第一概率阈值可以为初始阈值。利用初始阈值进行推送判断以及相应处理。在对一部分用户进行处理后，为了避免最终推送的用户数量与预设用户数量存在较大差异，可以根据已处理用户中已推送用户的目标数量以及已推送用户的期望数量调整概率阈值，调整的目的是为了使所有用户中实际推送数量与预定推送数量相同或差距在指定范围内。
其中，已处理用户是已经进行推送判断和相应处理的用户，已处理用户中包括已推送用户和未推送用户；未处理用户是指没有进行推送判断和相应处理的用户。推送判断和相应处理可以包括步骤202和步骤203。已推送用户的目标数量是已处理用户中实际被推送目标信息的用户的数量。已推送用户的期望数量是已处理用户中期望被推送目标信息的用户的数量。将目标数量和期望数量进行比较，根据比较结果即可调整概率阈值。
基于此，本公开可以将已推送用户的目标数量作为第一概率阈值的影响因素。具体的，可以根据已推送用户的目标数量和已推送用户的期望数量进行比较，根据比较结果获得第一概率阈值。
在确定第一概率阈值后，针对每一个未处理用户，可以获取该未处理用户对目标信息的点击概率；如果点击概率大于或等于所述第一概率阈值，则将该未处理用户的终端确定为待推送用户对应的目标终端，并针对目标终端执行相应的推送操作。
关于点击概率，点击概率是用户查看该目标信息的概率，用户常常通过点击目标信息的方式查看目标信息，因此可以称为查看概率或点击概率。不同用户对目标信息的兴趣程度不一样，因此点击概率也不同。例如，可以基于信息特征和用户特征，学习获得逻辑回归模型，利用逻辑回归模型计算出用户对目标信息的点击概率。可以理解的是，针对计算用户对目标信息的点击概率，还可以采用相关技术中的其他方式，在此不做限定。
在获得未处理用户对目标信息的点击概率后，可以将点击概率和第一概率阈值进行比较，并根据比较结果判断该未处理用户是否为待推送用户，从而获得待推送用户对应的目标终端。其中，目标终端可以是终端标识信息。具体的，若点击概率大于或等于第一概率阈值时，将该用户的终端确定为目标终端，并向目标终端推送目标信息；若点击概率小于第一概率阈值时，判定该用户的终端不是目标终端，则不进行推送处理。本实施例中可以将该处理过程称为推送判断和相应处理。针对每个未处理用户都可以进行推送判断和相应处理。
可以理解的是，可以利用第一概率阈值对每个未处理用户都进行推送判断和相应处理，也可以在对部分未处理用户进行推送判断和相应处理后，再次根据已推送用户的目标数量获取概率阈值，并利用新获取的概率阈值对剩余的未处理用户进行推送判断和相应处理。
由上述实施例可见，本公开根据已推送用户的目标数量获取第一概率阈值并执行相应推送操作，无需等到所有用户的点击概率计算完成后才确定概率阈值并执行相应推送操作，从而提高了推送信息的实时性。同时，由于所有用户中用户对目标信息的点击概率分布不均匀，因此通过已推送用户的目标数量更新第一概率阈值，可以提高概率阈值的准确性，使所有用户中实际推送数量与预定推送数量更加接近。
在一个可选的实现方式中，可以将要进行处理的所有用户进行分组，在对一组内每个用户按照概率阈值进行推送判断和相应处理后，根据已推送用户的目标数量执行对概率阈值更新操作(步骤201)，再对下一组内所有用户按照更新后的概率阈值进行推送判断和相应处理(步骤202和步骤203)。
例如，可以将所有用户划分为k部分，又称为k组。划分方式可以是等分划分，也可以不等分划分。例如，按20％、20％、30％、30％进行分组，具体根据需求设定。
在一个例子中，可以按照由1至k的顺序，从所述k部分中获取未执行推送操作的第k部分，k∈[1,k]。根据所述第一概率阈值从所述第k部分用户中确定所述待推送用户对应的目标终端。
其中，执行推送判断和相应处理的组/部分，称为已执行推送操作的组/部分，未执行推送判断和相应处理的组/部分，称为未执行推送操作的组/部分。该实施例将所有用户划分为k部分，可以依次对每部分的用户执行步骤201至步骤203，直至所有用户都处理完成。
可见，预先将所有用户划分k组，根据已推送用户的目标数量获取第一概率阈值，利用第一概率阈值对当前组用户执行推送判断和相应处理。在对当前组所有用户进行处理后，由于已推送用户的数量发生变化，则可以根据已推送用户的数量更新概率阈值，作为下一组信息推送判断中的概率阈值，从而实现动态更新概率阈值，提高概率阈值的准确性，进而使所有用户中实际推送数量与预定推送数量更加接近。
在一个例子中，已推送用户的目标数量可以是所有用户中已推送用户数量。如果当前组为第k组，则已推送用户的目标数量是前k-1组中实际推送用户数量，已推送用户的期望数量是前k-1组中期望推送用户数量。
该实施例将所有用户中已推送用户数量作为确定第一概率阈值的影响因素，可以提高确定第一概率阈值的准确性。
在另一个例子中，已推送用户的目标数量可以为第k-1部分中已推送用户数量。如果当前组为第k组，则已推送用户的目标数量是第k-1组中实际推送用户数量，已推送用户的期望数量是第k-1组中期望推送用户数量。
该实施例将上一组用户中已推送用户数量作为确定第一概率阈值的影响因素，实现概率阈值的更新。
如果k＝1，表示已处理用户的数量为零时，第一概率阈值可以为初始阈值。
在一个例子中，初始阈值可以是预先指定的概率阈值，不同类型的目标信息还可以设置不同的点击概率阈值，具体可以灵活设置。
可见，通过预设的方式获得初始阈值，可以提高获得初始阈值的效率。
在另一个例子中，为了提高初始阈值与目标信息的相关性，可以基于采样用户群中用户对目标信息的点击概率确定初始阈值，具体的，如果k＝1，所述根据已推送用户的目标数量获取第一概率阈值，包括：
从所有用户中随机抽取预定比例的用户，获得采样用户群。
计算所述采样用户群中每个用户针对目标信息的第一点击概率。
根据所述第一点击概率、所述预定比例以及所有用户中预定推送数量确定第一概率阈值。
其中，预定比例可以是预先设置的采样比例，可以根据所有用户的用户总数灵活配置。在一个例子中，预定比例可以为1％，如果用户总数很大，预定比例可以是0.1％。关于抽取用户，可以是抽取用户标识，例如，从所有用户名中抽取预设比例的用户账号。
可见，从所有用户中随机抽取预定比例的用户，仅计算部分用户的第一点击概率，并利用第一点击概率确定第一概率阈值，可以减少计算量。另外，由于第一概率阈值与目标信息的相关性较高，则此方式获得的第一概率阈值相较于直接指定的阈值，准确性较高。
根据所述第一点击概率、所述预定比例以及所有用户中预定推送数量确定第一概率阈值，目的是为了利用第一概率阈值进行点击概率过滤时，可以使所有用户对所述目标信息的点击概率中，大于或等于所述第一概率阈值的点击概率的数量，与预定推送数量相同或差距在指定范围内。指定范围是预先设定的允许的误差范围。
以下列举其中一种确定方式进行说明。
所述根据所述第一点击概率、所述预定比例以及所有用户中预定推送数量确定第一概率阈值，包括：
将所述第一点击概率按从大到小的顺序进行排序，获得概率集合。
将所述概率集合中排名第(n*r)的第一点击概率确定为第一概率阈值。
其中，n表示所有用户中预定推送数量，r表示所述预定比例。
其中，所有用户中预定推送数量是期望从所有用户中筛选出的需要推送目标信息的用户总数，将预定推送数量与预定比例相乘，即可确定采样用户群中期望推送的用户数量，由于将采样用户群中每个用户针对目标信息的第一点击概率进行排序，则可以将概率集合中排名第(n*r)的第一点击概率确定为第一概率阈值。
可见，通过将第一点击概率按从大到小的顺序进行排序，获得概率集合，并将概率集合中排名第(n*r)的第一点击概率确定为第一概率阈值，从而可以快速获得第一概率阈值。
如果k∈(1,k]，表示已处理用户的数量不为零。可以根据已处理用户中已推送用户的目标数量以及已推送用户的期望数量更新概率阈值。
在一个例子中，所述根据已推送用户的目标数量获取第一概率阈值，包括：
获取已推送用户的目标数量。
当所述目标数量大于n0，重配置历史的第二概率阈值，得到第一概率阈值，所述第一概率阈值大于所述第二概率阈值。
当所述目标数量小于n0，重配置历史的第二概率阈值，得到第一概率阈值，所述第一概率阈值小于所述第二概率阈值。
其中，所述n0为已推送用户的期望数量。第一概率阈值和第二概率阈值均是概率阈值，为了区分更新前后的概率阈值，将更新前的概率阈值称为第二概率阈值，将更新后的概率阈值称为第一概率阈值。
可见，在该实施例中，如果目标数量大于期望数量，表示利用概率阈值筛选出了多余的用户，因此将概率阈值调大。例如，将历史中的第二概率阈值更新为第一概率阈值，且所述第一概率阈值大于所述第二概率阈值。如果目标数量小于期望数量，表示利用概率阈值筛选出的用户数量不够，因此将点击概率阈值调小。例如，将历史中的第二概率阈值更新为第一概率阈值，且所述第一概率阈值小于所述第二概率阈值。如果目标数量等于期望数量，表示利用点击概率阈值筛选出的用户数量合适，则无需调整概率阈值，第一概率阈值与第二概率阈值相同。
其中，概率阈值的调整幅度，可以通过预设调整因子确定。调大的调整因子和调小的调整因子可以相同，也可以不同，以下以两种调整因子相同为例进行说明。
在一个例子中，当所述目标数量大于n0，采用公式h1＝h*a重配置历史的第二概率阈值；当所述目标数量小于n0，采用公式h1＝ha重配置历史的第二概率阈值；其中，h1表示所述第一概率阈值，h表示所述第二概率阈值，a表示预设调整因子，a＞1。
预设调整因子是调整速度控制因子，因子越大，调整的速度越快，但也越不稳定，因此，可以根据需求配置。在一个例子中，预设调整因子可以是预先设定的固定值。例如a＝1.1。在另一个例子中，预设调整因子可以根据目标数量和期望数量的差距而灵活配置。例如，差距越大，预设调整因子越大，差距越小，预设调整因子越小。
可见，通过将概率阈值与大于1的预设调整因子相乘，从而增大概率阈值，通过将概率阈值与大于1的预设调整因子相除，从而减小概率阈值，实现快速更新概率阈值。
在另一个例子中，还可以采用其他方式重配置历史的第二概率阈值，例如，当所述目标数量大于n0，采用公式h1＝h+a重配置历史的第二概率阈值，当所述目标数量小于n0，采用公式h1＝h-a重配置历史的第二概率阈值。针对其他重配置方式，在此不再一一赘述。
关于已推送用户的期望数量，期望数量是已处理用户中期望被推送目标信息的用户的数量。以下列举几种确定期望数量的方法。
在一个例子中，如果所述目标数量为所有用户中已推送用户数量，则期望数量为所有用户中期望推送用户数量。
此时，
可见，该实施例直接将所有用户中预定推送数量与已处理用户比例进行相乘，快速获得期望数量。
特别是，如果将所有用户等分为k部分，则采用公式
在另一个例子中，如果所述目标数量为所有用户中已推送用户数量，则期望数量为所用用户中期望推送用户数量。
此时，
由于可能存在k部分为不等分的情况，则先确定每组用户数量与总用户数量的比值
可见，采用上述公式获得的期望数量，准确性高，进而提高确定第一概率阈值的准确性。
在一个例子中，如果所述目标数量为第k-1部分中已推送用户数量，则期望数量为第k-1部分中期望推送用户数量。
此时，
本实施例直接将所有用户中预定推送数量与k相除，快速获得期望数量。特别是，如果将所有用户等分为k部分，则采用公式
在另一个例子中，如果所述目标数量为第k-1部分中已推送用户数量，则期望数量为第k-1部分中期望推送用户数量。
此时，
由于可能存在利用不等分划分方式将所有用户划分为k部分的情况，则先确定第k-1部分用户数量与总用户数量的比值
可见，采用上述公式获得的期望数量，准确性高，进而提高确定第一概率阈值的准确性。
在获得第一概率阈值后，针对第k部分用户中的每个用户，获取该用户对目标信息的第二点击概率；将所述第二点击概率大于或等于所述第一概率阈值的用户的终端，确定为待推送用户对应的目标终端，并向所述目标终端推送目标信息。
以上实施方式中的各种技术特征可以任意进行组合，只要特征之间的组合不存在冲突或矛盾，但是限于篇幅，未进行一一描述，因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。
本公开列举其中一个组合进行示例说明。如图3所示，图3是本公开根据一示例性实施例示出的另一种信息推送方法的流程图，所述方法包括：
在步骤301中，从所有用户中随机抽取预定比例的用户，获得采样用户群。
在步骤302中，计算所述采样用户群中每个用户针对目标信息的第一点击概率。
在步骤303中，根据所述第一点击概率、所述预定比例以及所有用户中预定推送数量确定第一概率阈值。
在步骤304中，将所有用户进行等分为k组。
在步骤305中，按照由1至k的顺序，从所述k组中获取未执行推送操作的第k组，根据所述第一概率阈值从所述第k组用户中确定所述待推送用户对应的目标终端，并向目标终端推送目标信息。
其中，k＝1时，所采用的第一概率阈值可以为步骤303所确定的阈值，k∈(1,k]时，所采用的第一概率阈值基于已执行推送操作的前k-1组用户中已推送用户的目标数量和期望数量获得。
在根据第一概率阈值从第k组用户中确定所述待推送用户对应的目标终端时，可以针对第k组用户中每个用户，获取该用户对目标信息的第二点击概率，若第二点击概率大于或等于第一概率阈值，则将该用户的终端确定为待推送用户的目标终端，并向该目标终端推送目标信息。依次对第k组的每个用户执行上述推送判断和相应处理，直到第k组的所有用户处理完成。可见，针对每个用户而言，点击概率确定完成，相应的推送处理也完成。
在步骤306中，若k≠k，在对第k组内所有用户按照第一概率阈值进行推送判断并进行相应处理后，将已执行推送操作的前k-1组用户中已推送用户的目标数量和期望数量进行比较，根据比较结果更新所述第一概率阈值，令k＝k+1，并返回步骤305，以便利用更新后的概率阈值对下一组内用户进行推送判断和相应处理。
在步骤307中，若k＝k，推送处理结束。
由上述实施例可见，本公开基于采样用户群预估出概率阈值，并在每组用户处理完后，对概率阈值进行更新，避免最终推送的用户数量与预定用户数量存在较大差异的缺陷。同时，针对每组内每个用户进行推送判断和相应的推送处理，提高了推送实时性。
为了方便理解，以下以一个具体应用实例进行说明。假设所有用户的总用户数量为m、所有用户中预定推送数量n、预定比例为1％。从所有用户中随机选择1％的用户，获得m/100人数的采样用户群，计算采样用户群中每个用户对目标信息的点击概率，将采样用户群中各用户的点击概率按大小进行排序，获得概率集合，将概率集合中排名第n/100号的点击概率确定为概率阈值h。
将所有用户划分为k等分。针对第一组的用户，确定当前用户对目标信息的点击概率；将点击概率与点击概率阈值h进行比较，根据比较结果判断是否向所述当前用户的用户终端推送所述目标信息，并执行相应的推送处理。当第一组内所有用户按照概率阈值h进行推送判断并进行相应处理后，将第一组内实际推送的用户数量n1与
与前述信息推送方法的实施例相对应，本公开还提供了信息推送装置及其所应用的服务端的实施例。
如图4所示，图4是本公开根据一示例性实施例示出的一种信息推送装置的框图，所述装置包括：阈值获取模块41、终端确定模块42和推送操作模块43。
其中，阈值获取模块41，被配置为根据已推送用户的目标数量获取第一概率阈值。
终端确定模块42，被配置为根据所述第一概率阈值确定待推送用户对应的目标终端。
推送操作模块43，被配置为针对所述目标终端执行推送操作。
由上述实施例可见，根据已推送用户的目标数量获取第一概率阈值并执行相应推送操作，无需等到所有用户的点击概率计算完成后才确定概率阈值并执行相应推送操作，从而提高了推送信息的实时性。同时，由于所有用户中用户对目标信息的点击概率分布不均匀，因此通过已推送用户的目标数量更新第一概率阈值，可以提高概率阈值的准确性，使所有用户中实际推送数量与预定推送数量更加接近。
如图5所示，图5是本公开根据一示例性实施例示出的另一种信息推送装置的框图，该实施例在前述图4所示实施例的基础上，所有用户被划分为k部分；所述终端确定模块42，包括：获取子模块421和终端确定子模块422。
其中，获取子模块421，被配置为按照由1至k的顺序，从所述k部分中获取未执行推送操作的第k部分，k∈[1,k]。
终端确定子模块422，被配置为根据所述第一概率阈值从所述第k部分用户中确定所述待推送用户对应的目标终端。
由上述实施例可见，将所有用户划分为k部分，根据已推送用户的目标数量获取第一概率阈值，利用第一概率阈值对当前组用户执行推送判断和相应处理。在对当前组所有用户进行处理后，由于已推送用户的数量发生变化，则可以根据已推送用户的数量更新概率阈值，作为下一组信息推送判断中的概率阈值，从而实现动态更新概率阈值，提高概率阈值的准确性，进而使所有用户中实际推送数量与预定推送数量更加接近。
在一个可选的实现方式中，所述目标数量为所有用户中已推送用户数量，或所述目标数量为第k-1部分中已推送用户数量。
由上述实施例可见，将所有用户中已推送用户数量作为确定第一概率阈值的影响因素，可以提高确定第一概率阈值的准确性。
如图6所示，图6是本公开根据一示例性实施例示出的另一种信息推送装置的框图，该实施例在前述图4所示实施例的基础上，k∈(1,k]，所述阈值获取模块41包括：数量获取子模块411和阈值重配置子模块412。
其中，数量获取子模块411，被配置为获取已推送用户的目标数量。
阈值重配置子模块412，配置为当所述目标数量大于n0，重配置历史的第二概率阈值，得到第一概率阈值，所述第一概率阈值大于所述第二概率阈值；当所述目标数量小于n0，重配置历史的第二概率阈值，得到第一概率阈值，所述第一概率阈值小于所述第二概率阈值；其中，所述n0为已推送用户的期望数量。
由上述实施例可见，将已处理用户中已推送用户的目标，与已推送用户的期望数量进行比较，根据比较结果更新概率阈值，从而获得更新后的概率阈值，实现快速更新概率阈值。
在一个可选的实现方式中，如果所述目标数量为所有用户中已推送用户数量，
其中，m表示所有用户数量，mi表示第i部分用户数量，n表示所有用户中预定推送数量。
在一个可选的实现方式中，如果所述目标数量为第k-1部分中已推送用户数量，
其中，m表示所有用户数量，mk-1表示第k-1部分用户数量，n表示所有用户中预定推送数量。
在一个可选的实现方式中，所述阈值重配置子模块412，具体配置为：
当所述目标数量大于n0，采用公式h1＝h*a重配置历史的第二概率阈值。
当所述目标数量小于n0，采用公式h1＝h/a重配置历史的第二概率阈值。
其中，h1表示所述第一概率阈值，h表示所述第二概率阈值，a表示预设调整因子，a＞1。
由上述实施例可见，通过将概率阈值与大于1的预设调整因子相乘，从而增大概率阈值，通过将概率阈值与大于1的预设调整因子相除，从而减小概率阈值，实现快速更新概率阈值。
如图7所示，图7是本公开根据一示例性实施例示出的另一种信息推送装置的框图，该实施例在前述图4所示实施例的基础上，如果k＝1，所述阈值获取模块41包括：用户群采样子模块413、概率计算子模块414和阈值确定子模块415。
其中，用户群采样子模块413，被配置为从所有用户中随机抽取预定比例的用户，获得采样用户群。
概率计算子模块414，被配置为计算所述采样用户群中每个用户针对目标信息的第一点击概率。
阈值确定子模块415，被配置为根据所述第一点击概率、所述预定比例以及所有用户中预定推送数量确定第一概率阈值。
由上述实施例可见，从所有用户中随机抽取预定比例的用户，仅计算部分用户的第一点击概率，并利用第一点击概率确定第一概率阈值，可以减少计算量。另外，由于第一概率阈值与目标信息的相关性较高，则此方式获得的第一概率阈值相较于直接指定的阈值，准确性较高。
在一个可选的实现方式中，所述阈值确定子模块415，具体配置为：
将所述第一点击概率按从大到小的顺序进行排序，获得概率集合。
将所述概率集合中排名第(n*r)的第一点击概率确定为第一概率阈值。
其中，n表示所有用户中预定推送数量，r表示所述预定比例。
在一个可选的实现方式中，所述终端确定子模块422，具体被配置为：
针对第k部分用户中的每个用户，获取该用户对目标信息的第二点击概率。
将所述第二点击概率大于或等于所述第一概率阈值的用户的终端，确定为待推送用户对应的目标终端。
相应的，本公开还提供一种信息推送装置，所述装置包括有处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：
根据已推送用户的目标数量获取第一概率阈值。
根据所述第一概率阈值确定待推送用户对应的目标终端。
针对所述目标终端执行推送操作。
上述装置中各个模块的功能和作用的实现过程具体详情见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
如图8所示，图8是根据一示例性实施例示出的一种用于信息推送的装置800的框图。
例如，装置800可以被提供为服务器设备。参照图8，系统800包括处理组件822，其进一步包括一个或多个处理器，以及由存储器832所代表的存储器资源，用于存储可由处理部件822的执行的指令，例如应用程序。存储器832中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件822被配置为执行指令，以执行上述信息推送方法。
系统800还可以包括一个电源组件826被配置为执行系统800的电源管理，一个有线或无线网络接口850被配置为将系统800连接到网络，和一个输入输出(i/o)接口858。系统800可以操作基于存储在存储器832的操作系统。
其中，当所述存储器832中的指令由所述处理组件822执行时，使得系统800能够执行一种信息推送方法，包括：
根据已推送用户的目标数量获取第一概率阈值。
根据所述第一概率阈值确定待推送用户对应的目标终端。
针对所述目标终端执行推送操作。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。
- 还没有人留言评论。精彩留言会获得点赞！