一种数据推送方法及装置与流程

本发明涉及互联网技术领域，特别涉及一种数据推送方法及装置。

背景技术：

随着互联网技术尤其是移动互联网技术的快速发展和普及，能够接入网络的智能移动设备(如智能移动电话以及平板电脑等)已经成为许多人随身必备的物品，人们利用其智能移动设备可以随时随地的实现邮件收发、即时消息交互以及网络访问等。而目前可安装于智能移动设备中的应用(application，app)的种类以及数量也日渐丰富，为了能让应用更好的服务于用户，一种向用户推送数据的应用功能应运而生。

应用向用户推送数据可以使用户更早的了解一些数据，如向用户推送热点新闻的数据，再如向用户推送新上映的电影相关数据或者热播的电视剧的剧情更新数据等。但是，目前不能根据用户的当前行为，向用户推送数据，进而推送的数据不满足用户当前意图，并且推送的数据存在冗余。

技术实现要素：

本发明实施例公开了一种数据推送方法及装置，以能够向用户推送满足其当前意图的数据，减少推送数据的冗余。

为达到上述目的，本发明实施例公开了一种数据推送方法，包括：

获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息；

根据所述当前特征信息，确定表征所述用户当前状态的第一信息；

根据所述用户标识信息，确定所述用户对应的行为分析模型；

根据所述第一信息以及所述行为分析模型，确定所述用户的当前行为；

根据所述当前行为，预测所述用户当前意图；

向所述用户推送满足所述用户当前意图的数据。

可选地，设置所述行为分析模型，包括：

根据所述用户的历史特征信息，确定所述用户的用户属性所属的类型；

根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，确定与所确定的类型相匹配的基础模型；

根据所述历史特征信息，设置所确定的基础模型的个性化模型参数，以设置所述行为分析模型。

可选地，所述根据所述用户的历史特征信息，确定所述用户的用户属性所属的类型，包括：

根据所述用户的历史特征信息以及预先生成的用户属性分类模型，确定所述用户属性所属的类型。

可选地，所述用户属性，包括以下属性中的一种或几种组合：

用户的性别、用户的年龄段、用户的职业类别、用户的住址、用户的办公地址、用户的上下班交通工具、用户的作息规律、用户的收入水平、用户的教育水平以及用户的行为偏好。

可选地，所述第一信息，包括以下信息中的至少一种：

用户设备中的传感器采集信息、用户设备的卫星定位信息、基于用户设备的麦克风采集的音频信息。

可选地，所述当前特征信息，还包括以下信息中的一种或几种组合：

用户设备中的电话通讯录、用户的通话记录、日志信息、用户设备中安装的各应用信息、用户设备型号。

可选地，所述根据所述第一信息以及所述行为分析模型，确定所述用户的当前行为，包括：

将对应同一时间的不同类型的所述第一信息进行组合，以形成以时间为维度的至少一个状态信息组；

根据所述状态信息组以及所述行为分析模型，计算用户的每一种行为对应的概率；

将概率最高的行为，确定为用户的当前行为。

为达到上述目的，本发明实施例还公开了一种数据推送装置，包括：

存储信息模块，用于获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息；

确定信息模块，用于根据所述当前特征信息，确定表征所述用户当前状态的第一信息；

确定模型模块，用于根据所述用户标识信息，确定所述用户对应的行为分析模型；

确定行为模块，用于根据所述第一信息以及所述行为分析模型，确定所述用户的当前行为；

预测意图模块，用于根据所述当前行为，预测所述用户当前意图；

推送数据模块，用于向所述用户推送满足所述用户当前意图的数据。

可选地，所述装置还包括：设置模型模块，其中，

所述设置模型模块，用于根据所述用户的历史特征信息，确定所述用户的用户属性所属的类型；根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，确定与所确定的类型相匹配的基础模型；根据所述历史特征信息，设置所确定的基础模型的个性化模型参数，以设置所述行为分析模型。

可选地，所述设置模型模块，具体用于：

根据所述用户的历史特征信息以及预先生成的用户属性分类模型，确定所述用户属性所属的类型；根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，确定与所确定的类型相匹配的基础模型；根据所述历史特征信息，设置所确定的基础模型的个性化模型参数，以设置所述行为分析模型。

可选地，所述用户属性，包括以下属性中的一种或几种组合：

用户的性别、用户的年龄段、用户的职业类别、用户的住址、用户的办公地址、用户的上下班交通工具、用户的作息规律、用户的收入水平、用户的教育水平以及用户的行为偏好。

可选地，所述第一信息，包括以下信息中的至少一种：

用户设备中的传感器采集信息、用户设备的卫星定位信息、基于用户设备的麦克风采集的音频信息。

可选地，所述当前特征信息，还包括以下信息中的一种或几种组合：

用户设备中的电话通讯录、用户的通话记录、日志信息、用户设备中安装的各应用信息、用户设备型号。

可选地，所述确定行为模块，具体用于：

将对应同一时间的不同类型的所述第一信息进行组合，以形成以时间为维度的至少一个状态信息组；根据所述状态信息组以及所述行为分析模型，计算用户的每一种行为对应的概率；将概率最高的行为，确定为用户的当前行为。

由上述技术方案可见，本发明实施例提供的数据推送方法和装置中的方法包括：获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息；根据所述当前特征信息，确定表征所述用户当前状态的第一信息；根据所述用户标识信息，确定所述用户对应的行为分析模型；根据所述第一信息以及所述行为分析模型，确定所述用户的当前行为；根据所述当前行为，预测所述用户当前意图；向所述用户推送满足所述用户当前意图的数据。

应用本发明实施例，通过获取用户的当前特征信息，建立该用户所独有(不为其他用户所有)的行为分析模型，并利用该用户的历史特征信息不断的调整(即更新)该用户所对应的行为分析模型的模型参数，使该用户所对应的行为分析模型始终可以尽可能的贴近该用户的实际生活行为，进而使根据该用户对应的行为分析模型确定出的用户的当前行为更准确；根据用户当前行为确定用户当前意图，根据用户的当前意图向用户推送符合其当前意图的数据，这样，可以向用户推送满足其当前意图的数据，使推送的数据能更好的符合用户的实际需求，并且减少推送数据的冗余。

当然，实施本发明实施例的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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他的附图。

图1为本发明实施例提供的一种数据推送方法的流程示意图；

图2为本发明实施例提供的一种数据推送装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种数据推送方法及装置，以下进行详细描述。

图1为本发明实施例提供的一种数据推送方法的流程示意图，可以包括以下步骤：

步骤s101，获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息。

具体的，用户的当前特征信息即当前时刻或者当前时间段内的用户的特征信息；用户的当前特征信息可以作为用户的历史特征信息进行存储；也就是说，用户的当前特征信息和用户的历史特征信息均为用户的特征信息，在用户的当前特征信息失去其时效性时，用户的当前特征信息成为用户的历史特征信息。

用户的特征信息是指用于描述用户的特有特征的信息，如用于描述用户的静态特征以及动态特征的信息。

用户的静态特征可以称为用户属性，且用户属性可以包括以下属性中的一种或几种组合：用户的性别、用户的年龄段(或者用户的出生年代)、用户的职业类别、用户的住址、用户的办公地址、用户的上下班交通工具、用户的作息规律、用户的收入水平、用户的教育水平以及用户的行为偏好等。

用户的动态特征可以称为用户的状态，且用户的状态可以具体包括以下状态中的一种：用户的运动状态、用户身处的环境以及用户所在的具体位置等。

用户的特征信息(即用户的当前特征信息以及用户的历史特征信息)通常包括：用户标识、用户设备中的电话通讯录、用户的通话记录、日志信息、用户设备中安装的各应用信息以及用户设备型号中的任意一个或者多个。

用户标识可以具体为用户的移动电话号码或者用户的国际移动用户识别码(internationalmobilesubscriberidentificationnumber，imsi)等。用户的通话记录通常具体为在最近预定时间段内用户的通话记录。日志信息可以具体为用户使用各应用的历史记录、用户使用浏览器进行网络访问时所使用的网络地址以及用户使用浏览器进行网络访问时所输入的搜索关键词等。用户设备中安装的各应用信息可以具体为用户设备中安装的应用的列表信息。

在通常情况下，用户的特征信息所包含的内容可以尽可能的全面一些，从而可以有利于准确的确定出用户当前行为。另外，需要特别说明的是，用户的特征信息所包含的内容既是用户的当前特征信息所包含的内容，也是用户的历史特征信息所包含的内容。

在本实施例的方法由用户设备执行的情况下，用户设备可以以定时或者不定时的方式获取用户的当前特征信息，如定时或者不定时的触发用户设备的麦克风进行音频采集，以获得短时间段内的用户所在环境中的声音；再如定时或者不定时的采集用户设备中的陀螺仪产生的姿态信息等；再如，定时或者不定时的获取自前一次获取用户的通话记录以及日志信息时间之后所产生的用户的通话记录以及日志信息。另外，本实施例应在获得了用户的允许的情况下，才能获取到用户的当前特征信息。

在本实施例的方法由设置于网络侧的网络设备执行的情况下，用户设备可以以定时或者不定时的方式将其获取用户的当前特征信息向网络侧上报，从而使设置于网络侧的网络设备获取到用户的当前特征信息。本实施例不限制用户设备向网络侧上报用户的当前特征信息的具体实现方式。

步骤s102，根据所述当前特征信息，确定表征所述用户当前状态的第一信息。

具体的，用户的当前特征信息中的表征用户当前状态的第一信息可以具体为以下信息中的至少一种：用户设备中的传感器采集信息、用户设备的卫星定位信息以及基于用户设备的麦克风采集的音频信息。

用户设备中的传感器采集信息可以具体为用户设备中的陀螺仪采集的信息、用户设备中的重力传感器采集的信息以及用户设备中的加速度传感器采集的信息中的一个或者多个。用户设备的卫星定位信息可以具体为用户设备的基于全球定位系统(globalpositionsystem，gps)的定位信息，当然，用户设备的卫星定位信息也可以具体为用户设备的基于北斗卫星定位系统的定位信息等。用户设备的麦克风采集的音频信息通常为用户所在环境中的声音。

步骤s103，根据所述用户标识信息，确定所述用户对应的行为分析模型。

具体地，不同的行为分析模型通常对应不同的用户，即不同的用户具有不同的行为分析模型。将每一个行为分析模型与用户标识信息对应存储，形成行为分析模型与用户标识信息的对应关系表，从而在获取到用户的当前特征信息之后，在预先存储的对应关系表中查找与用户的当前特征信息中的用户标识信息相对应的行为分析模型，并将所述行为分析模型作为该用户对应的行为分析模型。

具体地，不同的用户具有不同的行为分析模型，因此针对不同的用户可以设置不同的行为分析模型。利用用户的历史特征信息为用户设置其对应的行为分析模型，所述设置行为分析模型的过程包括：

首先，根据所述用户的历史特征信息，确定所述用户的用户属性所属的类型。

具体地，根据所述用户的历史特征信息以及预先生成的用户属性分类模型，确定所述用户属性所属的类型。将所述用户的历史特征信息输入到预先生成的用户属性分类模型中，从而根据用户属性分类模型输出的信息确定出该用户的用户属性所属的类型。

所述用户的用户属性包括以下属性中的一种或几种组合：用户的性别、用户的年龄段(或者用户的出生年代)、用户的职业类别、用户的住址、用户的办公地址、用户的上下班交通工具、用户的作息规律、用户的收入水平、用户的教育水平以及用户的行为偏好。所述预先生成的用户属性分类模型是通过对大量用户的历史特征信息进行学习而形成的，如可以采用有监督的学习方式对大量用户的历史特征信息进行学习，从而形成用户属性分类模型；对大量用户的历史特征信息进行学习的结果与用户分类的方式密切相关。对大量用户的历史特征信息进行学习方法为传统的机器学习方法，此方法为现有技术，本实施例不再赘述。

具体地，用户属性分类模型可以根据一个用户的大量(如一个月或者几个月)的日志信息(如网络访问地址以及搜索关键词等)等确定出用户喜欢浏览的内容，并根据该用户的大量的用户设备的卫星定位信息等确定该用户在休闲时间喜欢去的场所等，从而可以初步推断出用户的性别、用户的年龄段以及用户的教育水平等；用户属性分类模型可以根据一个用户的大量(如一个月或者几个月)的用户设备的卫星定位信息确定出用户周期性的在某个位置的停留时间，从而可以确定出用户的住址、用户的办公地址以及用户的作息规律等，且用户设备中的传感器采集信息也可以成为确定出用户的住址、用户的办公地址以及用户的作息规律的辅助信息；用户属性分类模型可以根据一个用户的大量(如一个月或者几个月)电话通话记录(通话是否频繁)、用户设备的卫星定位信息(工作时间是否经常位于一个小的区域范围内等)以及用户设备中的传感器采集信息等粗略的确定出用户的职业类别，用户属性分类模型可以根据用户在其住址和办公地址之间移动过程的用户设备的卫星定位信息可以确定出用户的上下班交通工具，且用户设备中的传感器采集信息也可以成为确定出用户的上下班交通工具的辅助信息；用户的上下班交通工具以及用户的住址等也有助于进一步的确定用户的收入水平以及用户的教育水平等；用户属性分类模型可以根据一个用户的大量的用户设备的卫星定位信息、基于用户设备的麦克风采集的音频信息以及上述确定出的用户的作息规律可以确定出用户的行为偏好等，如用户在中午经常去的餐馆、用户在休息日经常去的餐馆、用户经常去的电影院、用户看电影的频率和时间以及用户经常去的购物场所等，另外，用户设备中的传感器采集信息也可以成为确定出用户的行为偏好的辅助信息。上述仅为对用户属性分类模型确定出用户属性的过程的一个举例说明，本实施例不限制用户属性分类模型确定出用户属性的具体实现方式。

具体地，用户属性分类模型可以基于用户属性中的部分内容确定用户属性所属的类型，如用户属性分类模型可以根据用户的性别、用户的年龄段、用户的职业类别、用户的上下班交通工具、用户的收入水平以及用户的教育水平对用户属性进行分类。根据实际需求可以预先设置多个类型，并根据每个类型所包含的参数的具体取值来确定当前用户的用户属性所属的类型，本实施例不限制用户属性分类模型确定用户属性所属的类型的具体实现方式。

其次，根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，确定与所确定的类型相匹配的基础模型。

具体地，预先设置多个基础模型，且每个基础模型对应一种属性类型的用户，即不同的基础模型与不同属性类型的用户存在对应的匹配关系，例如针对朝九晚五的上班族这种属性类型设置一个基础模型1，则朝九晚五的上班族这种属性与基础模型1相匹配，针对采用弹性工作制度的上班族这种属性类型设置另一个基础模型2，则采用弹性工作制度的上班族这种属性类型与基础模型2相匹配。在实际应用中，基础模型所对应的用户属性类型的分类颗粒度可以更细，且对用户的属性类型的分类方式可以根据实际需求来设置。

在确定出该用户属性所属的类型之后，根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，选取与所述用户属性所属的类型相匹配的基础模型，并将其作为为所确定的基础模型。

最后，根据所述历史特征信息，设置所确定的基础模型的个性化模型参数，以设置所述行为分析模型

具体地，可以利用该用户的大量历史特征信息对所确定的基础模型进行训练，从而使该基础模型的模型参数是针对该用户而设置的个性化模型参数，即训练后的基础模型是用户对应的行为分析模型。个性化模型参数可以是基于用户的住址、用户的办公地址以及用户的行为偏好等而设置的模型参数。

所述行为分析模型可以采用基于隐马尔可夫模型(hiddenmarkovmodel，hmm)的行为分析模型，该模型中包括了hmm以及gmm-hmm等以hmm为核心的算法，且基于hmm的行为分析模型中的识别分类算法可以采用“前向算法”。hmm是一种统计分析模型，它用来描述一个含有隐含未知参数的马尔可夫过程。对行为分析模型的具体训练方法为现有技术，在此不再详细说明。

另外需要特别说明的是，在已经成功为用户设置了其行为分析模型的情况下，本实施例后续获取到的用户的当前特征信息会被作为用户的历史特征信息存储，且后续存储的用户的历史特征信息仍然可以用于对该用户的行为分析模型进行训练，以不断的校正(即调整或者调整)用户的行为分析模型的个性化模型参数，使用户的行为分析模型的个性化模型参数能够更好的表现出用户的实际情况。

步骤s104，根据所述第一信息以及所述行为分析模型，确定所述用户的当前行为。

具体的，用户的当前行为也可以称为用户的当前生活行为或者用户的事件等。用户的当前行为可以具体为在上/下班的路上(采用走路/开车/公共交通工具方式)、在去某目的地(如电影院)的路上(采用走路/开车/公共交通工具方式)、在吃中饭(在餐馆/家中/办公室)、在工作(正在开会/正在伏案工作/正在出差的路上)、在睡午觉或者在逛商场等等。本实施例不限制用户当前行为的具体表现形式。

具体地，根据所述第一信息以及所述行为分析模型，确定所述用户的当前行为，包括：

首先，将对应同一时间的不同类型的所述第一信息进行组合，以形成以时间为维度的至少一个状态信息组。

具体地，获取用户当前特征信息并将其存储于当前特征信息集合中，读取当前特征信息集合中未处理的所述用户的当前特征信息，并识别读取出的各当前特征信息的类型，当前特征信息的类型可以为通讯录类型、姿态类型(如用户设备中的传感器采集信息属于姿态类型)、音频类型(如基于用户设备的麦克风采集的音频信息属于音频类型)以及定位类型(如用户设备的卫星定位信息属于定位类型)等；之后，根据识别出的类型选取表征用户当前状态的第一信息，并将对应同一时间的不同类型的表征用户当前状态的第一信息进行组合，从而形成以时间为维度的至少一个状态信息组。

具体地，本实施例获取到的用户的当前特征信息中的表征用户当前状态的第一信息可以表述为下述公式(1)所示的形式：

[motiondatafromtn-1totn]+[sounddatafromtn-1totn]+[locationdatafromtn-1totn](1)

在上述公式(1)中，[*]表示一组连续的数据，tn-1表示前次处理数据的时间，tn表示本次处理数据的时间，且tn-1和tn之间存在多个时刻均对应有获取到的用户的当前特征信息；motiondata表示用户设备中的传感器采集信息，sounddata表示基于用户设备的麦克风采集的音频信息，locationdata表示用户设备的卫星定位信息；

具体地，为将用户的当前特征信息中的表征用户当前状态的第一信息按照时间维度重新组合为多个状态信息组，还可以将上述公式(1)所示的当前特征信息中的表征用户当前状态的第一信息整理为下述公式(2)所示的形式：

在上述公式(2)中，[*]表示一组连续的数据，(*)表示一组连续的数据中的一个状态信息组，tn-1表示前次处理数据的时间，tn表示本次处理数据的时间，且tn-1和tn之间存在多个时刻均对应有获取到的用户的当前特征信息；motiondata表示用户设备中的传感器采集信息，sounddata表示基于用户设备的麦克风采集的音频信息，locationdata表示用户设备的卫星定位信息。

其次，根据所述状态信息组以及所述行为分析模型，计算用户的每一种行为对应的概率。

具体地，针对每一种可行为，利用预定算法对状态信息组中的第一信息进行概率计算，以获得每一种行为对应的概率；在计算每一种行为对应的概率的过程中通常会对表征用户当前状态的信息、用户的历史事件以及日志信息等多方面进行综合考量。具体计算每一种行为对应的概率的方法为现有技术，本实施例不再赘述。

最后，将概率最高的行为，确定为用户的当前行为。

具体地，在实际应用中，确定出的用户的当前行为不仅可以用于预测用户意图，而且也可以用于其他场景，如通过利用获得的用户的当前行为可以记录用户在一段时间范围内的生活历程，从而可以在用户查看时呈现给用户或者定期的呈现给用户等。本实施例不限制确定出的用户的当前行为的具体应用场景。

步骤s105，根据所述当前行为，预测所述用户当前意图。

具体的，由于用户的当前行为可以在一定程度上反映出用户的意愿，因此，根据用户的当前行为并结合预定策略预测出用户的当前意图；如在确定出的用户的当前行为为在去电影院的路上时，可以根据预定策略预测出用户的当前意图很可能为希望去看场电影；再如在确定出的用户的当前行为为在逛商场时，如果当前时间已经到了午餐或者晚餐时间，则可以根据预定策略预测出用户的当前意图很可能为希望在商场附近吃饭。在此不对根据预定策略预测出的用户的当前意图进行一一举例说明，本实施例不限制预测出的用户的当前意图的具体表现形式，且本实施例中的预定策略可以根据实际需求来设置。

步骤s106，向所述用户推送满足所述用户当前意图的数据。

具体的，用户的当前意图可以体现出用户的当前需求，因此，针对用户的当前需求在网络中查找能够满足用户的当前需求的数据，以及时的向用户推送满足其当前意图的数据。本实施例可以采用以用户的当前意图的信息中的关键字进行索引以及数据过滤等方式来选取满足用户的当前意图的数据。

向用户推送满足其当前意图的数据的一个具体的例子为：在预测出用户的当前意图为希望去看场电影的情况下，通过信息检索以及信息过滤等方式获取最近一段时间上映的评价较高的新电影的相关数据并推送给用户，该相关数据可以为电影名、评价指数、上映时间、播映时间、票价以及在线购票链接等。

向用户推送满足其当前意图的数据的另一个具体的例子为：在预测出用户的当前意图为希望在商场附近吃饭的情况下，通过信息检索以及信息过滤等方式获取位于用户附近的评价较高的餐馆或者小吃的相关数据并推送给用户，该相关数据可以为餐馆或者小吃的名称、评价指数、人均消费以及地理位置等。

在此不对选取满足用户的当前意图的信息的具体实现过程进行一一举例说明，本实施例不限制选取满足用户的当前意图的信息的具体表现形式，且本实施例中的信息检索方式以及信息过滤所采用的相应策略可以根据实际需求来设置。

应用本实施例，根据用户的历史特征信息建立该用户所独有(不为其他用户所有)的行为分析模型，该用户对应的行为分析模型对该用户的当前特征信息中的表征用户当前状态的信息进行计算，使本发明可以基于该用户所对应的行为分析模型输出的信息及时的确定出用户的当前行为；由于获知用户当前行为可以预测出用户的当前意图，从而在应用向用户推送新的信息时，可以根据用户的当前意图向用户推送符合其当前意图的信息，这样，向用户推送满足其当前意图的数据，使推送的数据能更好的符合用户的实际需求，并且减少推送数据的冗余。在将上述方法应用于具体的应用程序时，可以提高用户对该应用程序的粘度，进而提高该应用程序的生存周期和竞争力。

本发明实施例还公开了一种数据推送装置，图2为本实施例提供的一种数据推送装置的结构示意图，可以包括：

存储信息模块201，用于获得并存储用户的当前特征信息，其中，所述特征信息中至少包括用户标识信息。

具体的，用户的当前特征信息即当前时刻或者当前时间段内的用户的特征信息；用户的当前特征信息可以作为用户的历史特征信息进行存储；也就是说，用户的当前特征信息和用户的历史特征信息均为用户的特征信息，在用户的当前特征信息失去其时效性时，用户的当前特征信息成为用户的历史特征信息。

用户的特征信息是指用于描述用户的特有特征的信息，如用于描述用户的静态特征以及动态特征的信息。

用户的静态特征可以称为用户属性，且用户属性可以包括以下属性中的一种或几种组合：用户的性别、用户的年龄段(或者用户的出生年代)、用户的职业类别、用户的住址、用户的办公地址、用户的上下班交通工具、用户的作息规律、用户的收入水平、用户的教育水平以及用户的行为偏好等。

用户的动态特征可以称为用户的状态，且用户的状态可以具体包括以下状态中的一种：用户的运动状态、用户身处的环境以及用户所在的具体位置等。

用户的特征信息(即用户的当前特征信息以及用户的历史特征信息)通常包括：用户标识、用户设备中的电话通讯录、用户的通话记录、日志信息、用户设备中安装的各应用信息以及用户设备型号中的任意一个或者多个。

用户标识可以具体为用户的移动电话号码或者用户的国际移动用户识别码(internationalmobilesubscriberidentificationnumber，imsi)等。用户的通话记录通常具体为在最近预定时间段内用户的通话记录。日志信息可以具体为用户使用各应用的历史记录、用户使用浏览器进行网络访问时所使用的网络地址以及用户使用浏览器进行网络访问时所输入的搜索关键词等。用户设备中安装的各应用信息可以具体为用户设备中安装的应用的列表信息。

在通常情况下，用户的特征信息所包含的内容可以尽可能的全面一些，从而可以有利于准确的确定出用户当前行为。另外，需要特别说明的是，用户的特征信息所包含的内容既是用户的当前特征信息所包含的内容，也是用户的历史特征信息所包含的内容。

在本实施例的方法由用户设备执行的情况下，用户设备可以以定时或者不定时的方式获取用户的当前特征信息，如定时或者不定时的触发用户设备的麦克风进行音频采集，以获得短时间段内的用户所在环境中的声音；再如定时或者不定时的采集用户设备中的陀螺仪产生的姿态信息等；再如，定时或者不定时的获取自前一次获取用户的通话记录以及日志信息时间之后所产生的用户的通话记录以及日志信息。另外，本实施例应在获得了用户的允许的情况下，才能获取到用户的当前特征信息。

在本实施例的方法由设置于网络侧的网络设备执行的情况下，用户设备可以以定时或者不定时的方式将其获取用户的当前特征信息向网络侧上报，从而使设置于网络侧的网络设备获取到用户的当前特征信息。本实施例不限制用户设备向网络侧上报用户的当前特征信息的具体实现方式。

确定信息模块202，用于根据所述当前特征信息，确定表征所述用户当前状态的第一信息。

具体的，用户的当前特征信息中的表征用户当前状态的第一信息可以具体为以下信息中的至少一种：用户设备中的传感器采集信息、用户设备的卫星定位信息以及基于用户设备的麦克风采集的音频信息。

用户设备中的传感器采集信息可以具体为用户设备中的陀螺仪采集的信息、用户设备中的重力传感器采集的信息以及用户设备中的加速度传感器采集的信息中的一个或者多个。用户设备的卫星定位信息可以具体为用户设备的基于全球定位系统(globalpositionsystem，gps)的定位信息，当然，用户设备的卫星定位信息也可以具体为用户设备的基于北斗卫星定位系统的定位信息等。用户设备的麦克风采集的音频信息通常为用户所在环境中的声音。

确定模型模块203，用于根据所述用户标识信息，确定所述用户对应的行为分析模型。

具体地，不同的行为分析模型通常对应不同的用户，即不同的用户具有不同的行为分析模型。因此本实施例将每一个行为分析模型与用户标识信息对应存储，形成行为分析模型与用户标识信息的对应关系表，从而在获取到用户的当前特征信息之后，在预先存储的对应关系表中查找与用户的当前特征信息中的用户标识信息相对应的行为分析模型，并将所述行为分析模型作为该用户对应的行为分析模型。

具体地，不同的用户具有不同的行为分析模型，因此针对不同的用户可以设置不同的行为分析模型，因此所述装置还包括设置模型模块(图2中未示出)，用于设置行为分析模型。设置模型模块利用用户的历史特征信息为其设置对应的行为分析模型，所述设置行为分析模型的过程包括：

首先，根据所述用户的历史特征信息，确定所述用户的用户属性所属的类型。

具体地，根据所述用户的历史特征信息以及预先生成的用户属性分类模型，确定所述用户属性所属的类型。将所述用户的历史特征信息输入到预先生成的用户属性分类模型中，从而根据用户属性分类模型输出的信息确定出该用户的用户属性所属的类型。

所述用户的用户属性包括以下属性中的一种或几种组合：用户的性别、用户的年龄段(或者用户的出生年代)、用户的职业类别、用户的住址、用户的办公地址、用户的上下班交通工具、用户的作息规律、用户的收入水平、用户的教育水平以及用户的行为偏好。

所述预先生成的用户属性分类模型是通过对大量用户的历史特征信息进行学习而形成的，如可以采用有监督的学习方式对大量用户的历史特征信息进行学习，从而形成用户属性分类模型；对大量用户的历史特征信息进行学习的结果与用户分类的方式密切相关。对大量用户的历史特征信息进行学习方法为传统的机器学习方法，此方法为现有技术，本实施例不再赘述。

具体地，用户属性分类模型可以根据一个用户的大量(如一个月或者几个月)的日志信息(如网络访问地址以及搜索关键词等)等确定出用户喜欢浏览的内容，并根据该用户的大量的用户设备的卫星定位信息等确定该用户在休闲时间喜欢去的场所等，从而可以初步推断出用户的性别、用户的年龄段以及用户的教育水平等；用户属性分类模型可以根据一个用户的大量(如一个月或者几个月)的用户设备的卫星定位信息确定出用户周期性的在某个位置的停留时间，从而可以确定出用户的住址、用户的办公地址以及用户的作息规律等，且用户设备中的传感器采集信息也可以成为确定出用户的住址、用户的办公地址以及用户的作息规律的辅助信息；用户属性分类模型可以根据一个用户的大量(如一个月或者几个月)电话通话记录(通话是否频繁)、用户设备的卫星定位信息(工作时间是否经常位于一个小的区域范围内等)以及用户设备中的传感器采集信息等粗略的确定出用户的职业类别，用户属性分类模型可以根据用户在其住址和办公地址之间移动过程的用户设备的卫星定位信息可以确定出用户的上下班交通工具，且用户设备中的传感器采集信息也可以成为确定出用户的上下班交通工具的辅助信息；用户的上下班交通工具以及用户的住址等也有助于进一步的确定用户的收入水平以及用户的教育水平等；用户属性分类模型可以根据一个用户的大量的用户设备的卫星定位信息、基于用户设备的麦克风采集的音频信息以及上述确定出的用户的作息规律可以确定出用户的行为偏好等，如用户在中午经常去的餐馆、用户在休息日经常去的餐馆、用户经常去的电影院、用户看电影的频率和时间以及用户经常去的购物场所等，另外，用户设备中的传感器采集信息也可以成为确定出用户的行为偏好的辅助信息。上述仅为对用户属性分类模型确定出用户属性的过程的一个举例说明，本实施例不限制用户属性分类模型确定出用户属性的具体实现方式。

具体地，用户属性分类模型可以基于用户属性中的部分内容确定用户属性所属的类型，如用户属性分类模型可以根据用户的性别、用户的年龄段、用户的职业类别、用户的上下班交通工具、用户的收入水平以及用户的教育水平对用户属性进行分类。根据实际需求可以预先设置多个类型，并根据每个类型所包含的参数的具体取值来确定当前用户的用户属性所属的类型，本实施例不限制用户属性分类模型确定用户属性所属的类型的具体实现方式。

其次，根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，确定与所确定的类型相匹配的基础模型。

具体地，预先设置多个基础模型，且每个基础模型对应一种属性类型的用户，即不同的基础模型与不同属性类型的用户存在对应的匹配关系，例如针对朝九晚五的上班族这种属性类型设置一个基础模型1，则朝九晚五的上班族这种属性与基础模型1相匹配，针对采用弹性工作制度的上班族这种属性类型设置另一个基础模型2，则采用弹性工作制度的上班族这种属性类型与基础模型2相匹配。在实际应用中，基础模型所对应的用户属性类型的分类颗粒度可以更细，且对用户的属性类型的分类方式可以根据实际需求来设置。

在确定出该用户属性所属的类型之后，根据类型与基础模型的匹配关系，从预先设置的多个基础模型中，选取与所述用户属性所属的类型相匹配的基础模型，并将其作为所确定的基础模型。

最后，根据所述历史特征信息，设置所确定的基础模型的个性化模型参数，以设置所述行为分析模型

具体地，可以利用该用户的大量历史特征信息对所确定的基础模型进行训练，从而使该基础模型的模型参数是针对该用户而设置的个性化模型参数，即训练后的基础模型是用户对应的行为分析模型。个性化模型参数可以是基于用户的住址、用户的办公地址以及用户的行为偏好等而设置的模型参数。

所述行为分析模型可以采用基于隐马尔可夫模型(hiddenmarkovmodel，hmm)的行为分析模型，该模型中包括了hmm以及gmm-hmm等以hmm为核心的算法，且基于hmm的行为分析模型中的识别分类算法可以采用“前向算法”。hmm是一种统计分析模型，它用来描述一个含有隐含未知参数的马尔可夫过程。对行为分析模型的具体训练方法为现有技术，在此不再详细说明。

另外需要特别说明的是，在已经成功为用户设置了其行为分析模型的情况下，本实施例后续获取到的用户的当前特征信息会被作为用户的历史特征信息存储，且后续存储的用户的历史特征信息仍然可以用于对该用户的行为分析模型进行训练，以不断的校正(即调整或者调整)用户的行为分析模型的个性化模型参数，使用户的行为分析模型的个性化模型参数能够更好的表现出用户的实际情况。

确定行为模块204，用于根据所述第一信息以及所述行为分析模型，确定所述用户的当前行为。

具体的，用户的当前行为也可以称为用户的当前生活行为或者用户的事件等。用户的当前行为可以具体为在上/下班的路上(采用走路/开车/公共交通工具方式)、在去某目的地(如电影院)的路上(采用走路/开车/公共交通工具方式)、在吃中饭(在餐馆/家中/办公室)、在工作(正在开会/正在伏案工作/正在出差的路上)、在睡午觉或者在逛商场等等。本实施例不限制用户当前行为的具体表现形式。

具体地，根据所述第一信息以及所述行为分析模型，确定所述用户的当前行为，包括：

首先，将对应同一时间的不同类型的所述第一信息进行组合，以形成以时间为维度的至少一个状态信息组。

具体地，获取用户当前特征信息并将其存储于当前特征信息集合中，读取当前特征信息集合中未处理的所述用户的当前特征信息，并识别读取出的各当前特征信息的类型，当前特征信息的类型可以为通讯录类型、姿态类型(如用户设备中的传感器采集信息属于姿态类型)、音频类型(如基于用户设备的麦克风采集的音频信息属于音频类型)以及定位类型(如用户设备的卫星定位信息属于定位类型)等；之后，根据识别出的类型选取表征用户当前状态的第一信息，并将对应同一时间的不同类型的表征用户当前状态的第一信息进行组合，从而形成以时间为维度的至少一个状态信息组。

具体地，本实施例获取到的用户的当前特征信息中的表征用户当前状态的第一信息可以表述为下述公式(1)所示的形式：

[motiondatafromtn-1totn]+[sounddatafromtn-1totn]+[locationdatafromtn-1totn](1)

在上述公式(1)中，[*]表示一组连续的数据，tn-1表示前次处理数据的时间，tn表示本次处理数据的时间，且tn-1和tn之间存在多个时刻均对应有获取到的用户的当前特征信息；motiondata表示用户设备中的传感器采集信息，sounddata表示基于用户设备的麦克风采集的音频信息，locationdata表示用户设备的卫星定位信息；

具体地，为将用户的当前特征信息中的表征用户当前状态的第一信息按照时间维度重新组合为多个状态信息组，还可以将上述公式(1)所示的当前特征信息中的表征用户当前状态的第一信息整理为下述公式(2)所示的形式：

在上述公式(2)中，[*]表示一组连续的数据，(*)表示一组连续的数据中的一个状态信息组，tn-1表示前次处理数据的时间，tn表示本次处理数据的时间，且tn-1和tn之间存在多个时刻均对应有获取到的用户的当前特征信息；motiondata表示用户设备中的传感器采集信息，sounddata表示基于用户设备的麦克风采集的音频信息，locationdata表示用户设备的卫星定位信息。

其次，根据所述状态信息组以及所述行为分析模型，计算用户的每一种行为对应的概率。

具体地，针对每一种可行为，利用预定算法对状态信息组中的第一信息进行概率计算，以获得每一种行为对应的概率；在计算每一种行为对应的概率的过程中通常会对表征用户当前状态的信息、用户的历史事件以及日志信息等多方面进行综合考量。具体计算每一种行为对应的概率的方法为现有技术，本实施例不再赘述。

最后，将概率最高的行为，确定为用户的当前行为。

具体地，在实际应用中，确定出的用户的当前行为不仅可以用于预测用户意图，而且也可以用于其他场景，如通过利用获得的用户的当前行为可以记录用户在一段时间范围内的生活历程，从而可以在用户查看时呈现给用户或者定期的呈现给用户等。本实施例不限制确定出的用户的当前行为的具体应用场景。

预测意图模块205：用于根据所述当前行为，预测所述用户当前意图。

具体的，由于用户的当前行为可以在一定程度上反映出用户的意愿，因此，根据用户的当前行为并结合预定策略预测出用户的当前意图；如在确定出的用户的当前行为为在去电影院的路上时，可以根据预定策略预测出用户的当前意图很可能为希望去看场电影；再如在确定出的用户的当前行为为在逛商场时，如果当前时间已经到了午餐或者晚餐时间，则可以根据预定策略预测出用户的当前意图很可能为希望在商场附近吃饭。在此不对根据预定策略预测出的用户的当前意图进行一一举例说明，本实施例不限制预测出的用户的当前意图的具体表现形式，且本实施例中的预定策略可以根据实际需求来设置。

推送数据模块206：用于向所述用户推送满足所述用户当前意图的数据。

具体的，用户的当前意图可以体现出用户的当前需求，因此，针对用户的当前需求在网络中查找能够满足用户的当前需求的数据，以及时的向用户推送满足其当前意图的数据。本实施例可以采用以用户的当前意图的信息中的关键字进行索引以及数据过滤等方式来选取满足用户的当前意图的数据。

应用本实施例，根据用户的历史特征信息建立该用户所独有(不为其他用户所有)的行为分析模型，该用户对应的行为分析模型对该用户的当前特征信息中的表征用户当前状态的信息进行计算，使本发明可以基于该用户所对应的行为分析模型输出的信息及时的确定出用户的当前行为；由于获知用户当前行为可以预测出用户的当前意图，从而在应用向用户推送新的信息时，可以根据用户的当前意图向用户推送符合其当前意图的信息，这样，向用户推送满足其当前意图的数据，使推送的数据能更好的符合用户的实际需求，并且减少推送数据的冗余。在将上述方法应用于具体的应用程序时，可以提高用户对该应用程序的粘度，进而提高该应用程序的生存周期和竞争力。

对于装置实施例而言，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。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：rom/ram、磁碟、光盘等。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。