一种APP推送方法及装置与流程

本发明涉及互联网技术领域，更具体的，涉及一种app推送方法及装置。

背景技术：

随着市面上app(application，应用程序)种类和数量的增多，app推广的难度越来越大，如何实现app的精准推广成为本领域亟待解决的问题。

现有技术为了达到更好的推广效果，对用户进行了分类，例如将用户分为男性用户和女性用户，这个方式能够起到一定的效果，但是仍然无法满足更高需求。

技术实现要素：

有鉴于此，本发明提供了一种app推送方法及装置，依据用户性格类型实现对app的精准推广。

为了实现上述发明目的，本发明提供的具体技术方案如下：

一种app推送方法，包括：

获取用户的历史下载app数据和用户在第二预设周期内的访问app数据，其中，所述历史下载app数据包括第一预设周期内的下载app数据和所述第一预设周期之前的下载app数据，所述第一预设周期大于所述第二预设周期；

依据所述历史下载app数据和所述访问app数据，确定用户类型；

根据用户类型确定是否向用户推送目标app。

可选的，所述历史下载app数据包括下载app类型数量和下载app数量，所述访问app数据包括访问app类型数量、访问app时长和访问app次数。

可选的，所述获取用户的历史下载app数据，包括：

获取流量盘中记录的app标识和app标识出现的时间；

利用app标识在预设app商店中查询得到每个app的类型；

将流量盘中记录的app标识的总数确定为用户的历史下载app数量，并确定用户的历史下载app类型数量；

将app标识首次出现在流量盘中的时间确定为相应app的下载时间，依据每个app的下载时间确定用户在所述第一预设周期内的下载app数量，并确定用户在所述第一预设周期内的下载app类型数量。

可选的，所述获取用户在第二预设周期内的访问app数据，包括：

在流量盘中对同一个app的流量请求时间差小于预设时间的情况下，确定为对app的一次访问，流量请求时间差为访问app时长；

确定用户在所述第二预设周期内访问app次数和访问app时长；

依据流量盘中流量请求时间和流量请求中的app标识，获取用户在所述第二预设周期内访问app类型数量。

可选的，所述依据所述历史下载app数据和所述访问app数据，确定用户类型，包括：

依据所述历史下载app数据和第一预设计算方法，计算用户的下载app分数，并根据所述历史下载app数据、所述访问app数据和第二预设计算方法，计算用户的访问app分数；

利用预先设定的下载app权重和访问app权重，对所述下载app分数和所述访问app分数进行加权求和，得到用户总得分；

依据预先设定的分数区间与用户类型的对应关系，确定所述用户总得分对应的用户类型。

可选的，所述依据所述历史下载app数据和第一预设计算方法，计算用户的下载app分数，并根据所述历史下载app数据、所述访问app数据和第二预设计算方法，计算用户的访问app分数，包括：

计算用户在所述第一预设周期内的下载app类型数量与用户的历史下载app类型数量的比值，得到下载app类型分数；

计算用户在所述第一预设周期内的下载app数量与用户的历史下载app数量的比值，得到下载app数量分数，所述下载app类型分数与所述下载app数量分数的乘积为所述下载app分数；

计算用户在所述第二预设周期内的访问app次数与访问app类型数量的比值，得到访问app次数分数；

计算用户在所述第二预设周期内的访问app时长与访问app类型数量的比值，得到访问app时长分数；

计算用户在所述第二预设周期内的访问app类型数量与用户的历史下载app数量的比值，得到访问app类型分数；

计算所述访问app次数分数与所述访问app时长分数的和值与所述访问app类型分数的比值，得到所述访问app分数。

一种app推送装置，包括：

数据获取单元，用于获取用户的历史下载app数据和用户在第二预设周期内的访问app数据，其中，所述历史下载app数据包括第一预设周期内的下载app数据和所述第一预设周期之前的下载app数据，所述第一预设周期大于所述第二预设周期；

类型确定单元，用于依据所述历史下载app数据和所述访问app数据，确定用户类型；

推送确定单元，用于根据用户类型确定是否向用户推送目标app。

可选的，所述历史下载app数据包括下载app类型数量和下载app数量，所述访问app数据包括访问app类型数量、访问app时长和访问app次数。

可选的，所述数据获取单元包括：

下载app数据获取子单元，用于获取流量盘中记录的app标识和app标识出现的时间；利用app标识在预设app商店中查询得到每个app的类型；将流量盘中记录的app标识的总数确定为用户的历史下载app数量，并确定用户的历史下载app类型数量；将app标识首次出现在流量盘中的时间确定为相应app的下载时间，依据每个app的下载时间确定用户在所述第一预设周期内的下载app数量，并确定用户在所述第一预设周期内的下载app类型数量。

可选的，所述数据获取单元包括：

访问app数据获取子单元，用于在流量盘中对同一个app的流量请求时间差小于预设时间的情况下，确定为对app的一次访问，流量请求时间差为访问app时长；确定用户在所述第二预设周期内访问app次数和访问app时长；依据流量盘中流量请求时间和流量请求中的app标识，获取用户在所述第二预设周期内访问app类型数量。

可选的，所述类型确定单元包括：

分数计算子单元，用于依据所述历史下载app数据和第一预设计算方法，计算用户的下载app分数，并根据所述历史下载app数据、所述访问app数据和第二预设计算方法，计算用户的访问app分数；

加权计算子单元，用于利用预先设定的下载app权重和访问app权重，对所述下载app分数和所述访问app分数进行加权求和，得到用户总得分；

类型确定子单元，用于依据预先设定的分数区间与用户性格类型的对应关系，确定所述用户总得分对应的用户类型。

可选的，所述分数计算子单元，具体用于：

计算用户在所述第一预设周期内的下载app类型数量与用户的历史下载app类型数量的比值，得到下载app类型分数；

计算用户在所述第一预设周期内的下载app数量与用户的历史下载app数量的比值，得到下载app数量分数，所述下载app类型分数与所述下载app数量分数的乘积为所述下载app分数；

计算用户在所述第二预设周期内的访问app次数与访问app类型数量的比值，得到访问app次数分数；

计算用户在所述第二预设周期内的访问app时长与访问app类型数量的比值，得到访问app时长分数；

计算用户在所述第二预设周期内的访问app类型数量与用户的历史下载app数量的比值，得到访问app类型分数；

计算所述访问app次数分数与所述访问app时长分数的和值与所述访问app类型分数的比值，得到所述访问app分数。

相对于现有技术，本发明的有益效果如下：

本发明公开的app推送方法，服务器通过收集用户的下载app数据和访问app数据，分析用户下载app和访问app的行为特征，由于用户下载app和访问app的行为特征与用户对app的接受程度存在客观联系，如下载app和访问app越频繁的用户对一个新的app的接受程度越高，因此，服务器通过分析用户的下载app数据和访问app数据对用户进行分类，其分类结果能更加准确的反映不同类型用户对app的接受程度，提高了服务器对用户分类的准确性和分类效率，在此基础上，服务器根据用户类型确定是否向用户推送目标app，实现了对app的精准推广，避免了由于误推送造成的服务器资源的浪费。

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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种app推送方法的流程示意图；

图2为本发明实施例公开的一种获取用户的历史下载app数据的方法的流程示意图；

图3为本发明实施例公开的一种获取用户在第二预设周期内的访问app数据的方法的流程示意图；

图4为本发明实施例公开的一种确定用户类型的方法的流程示意图；

图5为本发明实施例公开的一种app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做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。

发明人通过研究发现，目前一般通过为用户贴标签的方式对用户进行分类，如根据性别对用户进行分类，将女性用户比较感兴趣的app推送给女性用户，将男性用户比较感兴趣的app推送给男性用户。这种分类方式存在以下问题：

1、这种通过贴标签的方式并不能确定用户对app的接受程度，如有些app并不能确定男性用户比较感兴趣还是女性用户比较感兴趣，即使某app为女性用户比较感兴趣的，但是也并不能确定是否所有女性用户都对该app感兴趣。

2、这种贴标签的方式对用户分类是固定的，而用户对app的接受程度往往是动态变化的，这种贴标签的方式无法随着用户的改变实现对app的精准推广。

为了解决上述技术问题，本实施例公开了一种app推送方法，可以应用于服务器侧，通过采集用户历史下载app数据和访问app数据，对用户下载app和访问app的行为特征进行精准分析进而对用户进行分类，依据用户类型确定是否向用户推送目标app，实现对app的精准推广，请参阅图1，本实施例公开的app推送方法具体包括以下步骤：

s101：获取用户的历史下载app数据和用户在第二预设周期内的访问app数据；

其中，历史下载app数据包括第一预设周期内的下载app数据和第一预设周期之前的下载app数据，历史下载app数据包括下载app类型数量和下载app数量，所述访问app数据包括访问app类型数量、访问app时长和访问app次数。

app类型包括游戏、影音视听、实用工具、聊天社交、图书阅读、购物、摄影摄像、学习教育、旅行交通、金融理财、娱乐消遣、新闻资讯、体育运动、医疗健康等等。

第一预设周期大于第二预设周期，如第一预设周期为1个月，第二预设周期为7天或15天，由于app下载的频率要远低于app访问的频率，因此，通过设定第一预设周期大于第二预设周期，便于对下载app数据和访问app数据的统计和分析。

用户在使用app时，app内部会有广告位，广告位展示需要请求dsp(demand-sideplatform，需求方平台)等广告投放行业进行填充，每一条请求为流量，所有流量构成流量盘。

根据流量盘的记录可以获取用户的历史下载app数据和用户在第二预设周期内的访问app数据。

具体的，请参阅图2，本实施例公开了一种获取用户的历史下载app数据的方法，包括以下步骤：

s201：获取流量盘中记录的app标识和app标识出现的时间；

s202：利用app标识在预设app商店中查询得到每个app的类型；

预设app商店可以为现有的任意一个app商店。

s203：将流量盘中记录的app标识的总数确定为用户的历史下载app数量，并确定用户的历史下载app类型数量；

每个app标识对应一个app，app标识的数量即为app的数量，可以理解的是，一个app类型对应一个或以上app，因此，历史下载app数量大于或等于历史下载app类型数量。

s204：将app标识首次出现在流量盘中的时间确定为相应app的下载时间，依据每个app的下载时间确定用户在第一预设周期内的下载app数量，并确定用户在第一预设周期内的下载app类型数量。

请参阅图3，本实施例公开了一种获取用户在第二预设周期内的访问app数据的方法，具体包括以下步骤：

s301：在流量盘中对同一个app的流量请求时间差小于预设时间的情况下，确定为对app的一次访问，流量请求时间差为访问app时长；

s302：确定用户在第二预设周期内访问app次数和访问app时长；

s303：依据流量盘中流量请求时间和流量请求中的app标识，获取用户在第二预设周期内访问app类型数量。

需要说明的是，上述仅为一种可选的获取访问app数据的方法，还可以通过统计用户打开app的进程来获取访问app数据。用户打开一个app会产生一个进程，关闭进程则结束对app的访问，通过记录打开app产生的进程的数量获取访问app的次数，进程产生的时间即为访问app的时长。

s102：依据所述历史下载app数据和所述访问app数据，确定用户类型；

通过收集用户的下载app数据和访问app数据，分析用户下载app和访问app的行为特征，由于用户下载app和访问app的行为特征与用户对app的接受程度存在客观联系，如下载app和访问app越频繁的用户对一个新的app的接受程度越高，下载app和访问app频率较低的用户则很难接受一个新的app。

因此，通过分析用户的下载app数据和访问app数据对用户进行分类，其分类结果能更加准确的反映不同类型用户对app的接受程度，例如，下载app和访问app非常频繁，例如，累计下载app次数超过10次和访问app的次数超过500次，则可以将其定位为激进型用户，这类用户能非常主动的去下载或者访问app，例如，累计下载app次数在5-10次之间和访问app的次数在100-500之间，则可将其定位为活跃行用户，累计下载app次数少于5次和访问app的次数少于100将其定位为保守型用户。

当然，本实施例中所涉及的累计下载和访问app次数的方式对用户进行分类只是一个举例，也可以是单位时间的下载和访问app次数来区分用户的类型，也可以通过下载app数量、下载app类型数量、访问app次数、访问app时长、访问app数量、访问app类型数量等维度综合分析来区分用户的类型。只要是利用本申请中公开的利用收集到的下载和访问app的数据对用户进行分析的方式都是本申请所保护的范围。

请参阅图4，确定用户性格类型的方法具体包括以下步骤：

s401：依据用户的历史下载app数据、在第一预设周期内的下载app数据和第一预设计算方法，计算用户的下载app分数；

计算用户在第一预设周期内的下载app类型数量与用户的历史下载app类型数量的比值，得到下载app类型分数，记为a1。

计算用户在第一预设周期内的下载app数量与用户的历史下载app数量的比值，得到下载app数量分数，记为a2。

下载app类型分数a1与下载app数量分数a2的乘积为所述下载app分数a1*a2。

s402：根据用户的历史下载app数据、在第二预设周期内的访问app数据和第二预设计算方法，计算用户的访问app分数；

计算用户在第二预设周期内的访问app次数与访问app类型数量的比值，得到访问app次数分数，记为a3。

计算用户在第二预设周期内的访问app时长与访问app类型数量的比值，得到访问app时长分数，记为a4。

计算用户在第二预设周期内的访问app类型数量a5与用户的历史下载app数量a6的比值，得到访问app类型分数(a5/a6)；

计算访问app次数分数a3与访问app时长分数a4的和值(a3+a4)与访问app类型分数(a5/a6)的比值，得到访问app分数。

s403：利用预先设定的下载app权重和访问app权重，对下载app分数和访问app分数进行加权求和，得到用户总得分；

若w1为下载app权重，w2为访问app权重，则用户总得分为(w1*a1*a2+w2(a3+a4)(a5/a6))

s404：依据预先设定的分数区间与用户类型的对应关系，确定用户总得分对应的用户类型。

其中，用户总得分反应用户对一个新app的接受程度，为了便于应用用户总得分判断是否向用户推送目标app，依据用户总得分对用户进行分类，如建立分数区间与用户类型之间的对应关系，分数区间的划分可以为均等划分，也可以为梯度划分，分数区间的数量，也就是用户类型数量根据实际需要进行设定，用户类型的其中一种表现形式为用户性格类型，如用户性格类型可以包括保守型、活跃型和激进型。

可以理解的是，保守型对新的app的接受程度最低，活跃型对新的app的接受程序大于保守型并低于激进型，激进型对新的app的接受程度最高。

s103：根据用户类型确定是否向用户推送目标app。

依据用户类型确定是否向用户推送目标app，以用户类型包括保守型、活跃型和激进型为例，若用户性格类型为激进型和活跃型则向用户推送目标app，当目标app的推广成本较高才会选择部分保守型用户推送目标app。在实现app的精准推广的同时降低app的推广成本。

基于上述实施例公开的一种app推送方法，本实施例对应公开了一种app推送装置，请参阅图5，包括：

数据获取单元501，用于获取用户的历史下载app数据和用户在第二预设周期内的访问app数据，其中，所述历史下载app数据包括第一预设周期内的下载app数据和所述第一预设周期之前的下载app数据，所述第一预设周期大于所述第二预设周期；

类型确定单元502，用于依据所述历史下载app数据和所述访问app数据，确定用户类型；

推送确定单元503，用于根据用户类型确定是否向用户推送目标app。

可选的，所述历史下载app数据包括下载app类型数量和下载app数量，所述访问app数据包括访问app类型数量、访问app时长和访问app次数。

可选的，所述数据获取单元501包括：

下载app数据获取子单元，用于获取流量盘中记录的app标识和app标识出现的时间；利用app标识在预设app商店中查询得到每个app的类型；将流量盘中记录的app标识的总数确定为用户的历史下载app数量，并确定用户的历史下载app类型数量；将app标识首次出现在流量盘中的时间确定为相应app的下载时间，依据每个app的下载时间确定用户在所述第一预设周期内的下载app数量，并确定用户在所述第一预设周期内的下载app类型数量。

可选的，所述数据获取单元501包括：

访问app数据获取子单元，用于在流量盘中对同一个app的流量请求时间差小于预设时间的情况下，确定为对app的一次访问，流量请求时间差为访问app时长；确定用户在所述第二预设周期内访问app次数和访问app时长；依据流量盘中流量请求时间和流量请求中的app标识，获取用户在所述第二预设周期内访问app类型数量。

可选的，所述类型确定单元502包括：

分数计算子单元，用于依据所述历史下载app数据和第一预设计算方法，计算用户的下载app分数，并根据所述历史下载app数据、所述访问app数据和第二预设计算方法，计算用户的访问app分数；

加权计算子单元，用于利用预先设定的下载app权重和访问app权重，对所述下载app分数和所述访问app分数进行加权求和，得到用户总得分；

类型确定子单元，用于依据预先设定的分数区间与用户类型的对应关系，确定所述用户总得分对应的用户类型。

可选的，所述分数计算子单元，具体用于：

计算用户在所述第一预设周期内的下载app类型数量与用户的历史下载app类型数量的比值，得到下载app类型分数；

计算用户在所述第一预设周期内的下载app数量与用户的历史下载app数量的比值，得到下载app数量分数，所述下载app类型分数与所述下载app数量分数的乘积为所述下载app分数；

计算用户在所述第二预设周期内的访问app次数与访问app类型数量的比值，得到访问app次数分数；

计算用户在所述第二预设周期内的访问app时长与访问app类型数量的比值，得到访问app时长分数；

计算用户在所述第二预设周期内的访问app类型数量与用户的历史下载app数量的比值，得到访问app类型分数；

计算所述访问app次数分数与所述访问app时长分数的和值与所述访问app类型分数的比值，得到所述访问app分数。

本实施例公开的app推送装置，设置于服务器侧，服务器通过收集用户的下载app数据和访问app数据，分析用户下载app和访问app的行为特征，由于用户下载app和访问app的行为特征与用户对app的接受程度存在客观联系，如下载app和访问app越频繁的用户对一个新的app的接受程度越高，因此，服务器通过分析用户的下载app数据和访问app数据对用户进行分类，其分类结果能更加准确的反映不同类型用户对app的接受程度，提高了服务器对用户分类的准确性和分类效率，在此基础上，服务器根据用户类型确定是否向用户推送目标app，实现了对app的精准推广，避免了由于误推送造成的服务器资源的浪费。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。