消息标识的显示控制方法、装置及存储介质与流程

1.本技术涉及数据处理技术领域，具体涉及一种消息标识的显示控制方法、装置及存储介质。


背景技术：

2.随着互联网技术的快速发展，市面上的各种应用程序(application，app)的应用功能越来越多，如以红点等消息标识显示方式，来提醒用户相应场景下存在未查阅的新消息等。以微信应用中的朋友圈、看一看、视频号等场景为例，当某一场景获得新消息，如图1所示，该场景的场景入口处会显示红点，以提醒用户查看该场景下的新消息。
3.然而，随着互联网信息量的急剧增多，该场景下的信息会不断更新，需要用户不断点击查看才能够消除相应场景入口的红点，很容易引发用户的抵触和厌烦情绪，从而导致用户点击场景显示的红点，也仅是为了消除该红点，而不会真正阅读该场景下的信息内容，甚至会选择关闭应用程序的该场景，不再接收该场景的信息，极大影响了该场景信息的推广。


技术实现要素：

4.有鉴于此，本技术实施例提供一种消息标识的显示控制方法，装置及存储介质，为实现对通信客户端任一场景的消息标识(如红点等)有选择性地显示控制，满足不同时间窗口内各用户对不同场景信息的个性化查阅需求，本技术实施例提供如下技术方案：
5.一方面，本技术提出了一种消息标识的显示控制方法，所述方法包括：
6.获得通信客户端的访问请求，其中，所述访问请求包含有登录所述通信客户端的第一用户标识以及请求访问时间；
7.查询与所述请求访问时间关联存储的第一预测用户标识，其中，所述第一预测用户标识是指在所述请求访问时间所属的预设时间窗口内，对所述通信客户端的第一场景所显示的第一消息标识的点击预测概率大于第一概率阈值的预测用户标识，所述第一消息标识用于提示所述第一场景下存在未查看的新消息；
8.检测所述第一用户标识是否属于所述第一预测用户标识，得到相应的检测结果；
9.响应所述访问请求，依据所述检测结果，确定是否控制所述通信客户端的所述第一场景显示所述第一消息标识。
10.在一些实施例中，所述预测用户标识的获取过程包括：
11.获取用户对所述通信客户端的历史用户行为数据、用户兴趣数据以及用户属性数据；其中，所述历史用户行为数据是基于所述用户在不同预设时间窗口内，对所述通信客户端的不同消息标识显示场景的操作行为而产生的；
12.将所述历史用户行为数据、所述用户兴趣数据以及所述用户属性数据，输入消息标识消除预测模型进行处理，输出所述不同预设时间窗口内，所述用户对所述第一场景所显示的所述第一消息标识进行点击操作的点击预测概率；
13.若所述点击预测概率大于第一概率阈值，将所述用户登录所述通信客户端的用户标识确定为相应预设时间窗口的预测用户标识；
14.将所述预测用户标识与所述相应预设时间窗口关联存储。
15.在一些实施例中，所述消息标识消除预测模型的训练过程包括：
16.获取各样本用户的样本用户行为数据、样本用户兴趣数据以及样本用户属性数据；
17.分别对所述样本用户行为数据、所述样本用户兴趣数据以及所述样本用户属性数据进行特征提取，得到相应的样本用户行为特征、样本用户兴趣特征以及样本用户属性特征；
18.基于具有时间周期的所述预设时间窗口，分别对所述样本用户行为特征、所述样本用户兴趣特征以及所述样本用户属性特征进行空间转换，得到具有所述时间周期的相应的待定行为特征、待定兴趣特征和待定属性特征；
19.对所述待定行为特征、所述待定兴趣特征和所述待定属性特征进行合并处理，得到相应样本用户编码向量；
20.获取所述各样本用户在所述第一场景下的目标行为特征；
21.利用所述样本用户编码向量和所述目标行为特征进行网络模型训练，得到第一场景的消息标识消除预测模型。
22.在一些实施例中，所述请求访问时间由第一时间维度的第一时间和第二时间维度的第二时间构成，所述第一时间维度具有第一时间周期，所述第二时间维度具有第二时间周期，且所述第二时间周期是所述第一时间周期的一个时间单位；
23.所以不同预设时间窗口包括所述第一时间周期的一个时间单位构成的第一时间窗口，以及所述第二时间周期的一个时间单位构成的第二时间窗口；
24.所述查询与所述请求访问时间关联存储的第一预测用户标识，包括：
25.确定所述第一时间所属的目标第一时间窗口，以及所述第二时间所属的目标第二时间窗口；
26.将所述目标第一时间窗口下的所述目标第二时间窗口关联存储的预测用户标识确定为第一预测用户标识。
27.在一些实施例中，所述基于具有时间周期的所述预设时间窗口，分别对所述样本用户行为特征、所述样本用户兴趣特征以及所述样本用户属性特征进行空间转换，得到具有所述时间周期的相应的待定行为特征、待定兴趣特征和待定属性特征，包括：
28.基于具有第一时间周期的所述第一时间窗口，分别对所述样本用户行为特征、所述样本用户兴趣特征以及所述样本用户属性特征进行空间转换，得到具有所述第一时间周期的相应的第一待定行为特征、第一待定兴趣特征和第一待定属性特征；
29.基于具有第二时间周期的所述第二时间窗口，分别对所述样本用户行为特征、所述样本用户兴趣特征以及所述样本用户属性特征进行空间转换，得到具有所述第二时间周期的相应的第二待定行为特征、第二待定兴趣特征和第二待定属性特征；
30.所述对所述待定行为特征、所述待定兴趣特征和所述待定属性特征进行合并处理，得到相应样本用户编码向量，包括：
31.对所述第一待定行为特征、所述第一待定兴趣特征、所述第一待定属性特征、所述
第二待定行为特征、所述第二待定兴趣特征以及所述第二待定属性特征进行合并处理，得到相应样本用户编码向量。
32.在一些实施例中，所述空间转换的处理过程包括：
33.对一时间周期内的所述预设时间窗口进行归一化处理，得到归一化时间向量；
34.利用所述归一化时间向量及第一待训练矩阵参数，构建空间转换参数；
35.利用所述空间转换参数，对输入特征的相应特征值进行空间转换，得到相应的待定输入特征；
36.其中，所述输入特征为所述样本用户行为特征、所述样本用户兴趣特征或所述样本用户属性特征，所述待定输入特征为相应的所述待定行为特征、所述待定兴趣特征和所述待定属性特征。
37.在一些实施例中，所述分别对所述样本用户行为数据、所述样本用户兴趣数据以及所述样本用户属性数据进行特征提取，得到相应的样本用户行为特征、样本用户兴趣特征以及样本用户属性特征，包括：
38.将所述样本用户行为数据输入第一特征提取网络，输出样本用户行为特征；
39.将所述样本用户兴趣数据输入第二特征提取网络，输出样本用户兴趣特征；其中，所述第一特征提取网络和所述第二特征提取网络的网络结构不同，且所述第一特征提取网络具有第一待训练网络参数，所述第二特征提取网络具有第二待训练网络参数；
40.对所述样本用户属性数据进行向量化处理，得到样本用户属性特征；
41.所述利用所述样本用户编码向量和所述目标行为特征进行网络模型训练，得到消息标识消除预测模型，包括：
42.将所述样本用户编码向量输入网络模型的池化层进行处理，得到相应样本用户对第一场景显示的第一消息标识进行点击操作的点击预测概率；
43.获取所述点击预测概率与所述目标行为特征中的相应特征值之间的损失值；
44.检测到所述损失值不满足训练约束条件，调整所述第一待训练矩阵参数、所述第一待训练网络参数和/或所述第二待训练网络参数，返回所述分别对所述样本用户行为数据、所述样本用户兴趣数据以及所述样本用户属性数据进行特征提取，得到相应的样本用户行为特征、样本用户兴趣特征以及样本用户属性特征步骤继续执行；
45.检测到所述损失值满足所述训练约束条件，将最终训练得到的网络模型确定为所述第一场景的消息标识消除预测模型。
46.在一些实施例中，所述方法还包括：
47.检测所述通信客户端的所述第一场景在所述请求访问时间所属的预设时间窗口内，是否已显示所述第一消息标识；
48.若是，控制所述通信客户端的所述第一场景在所述请求访问时间所属的预设时间窗口内，禁止显示所述第一消息标识；
49.若否，执行所述依据所述检测结果，确定是否控制所述通信客户端的所述第一场景显示所述第一消息标识步骤。
50.又一方面，本技术还提出了一种消息标识的显示控制装置，所述装置包括：
51.访问请求获得模块，用于获得通信客户端的访问请求，其中，所述访问请求包含有登录所述通信客户端的第一用户标识以及请求访问时间；
52.第一预测用户标识查询模块，用于查询与所述请求访问时间关联存储的第一预测用户标识，其中，所述第一预测用户标识是指在所述请求访问时间所属的预设时间窗口内，对所述通信客户端的第一场景所显示的第一消息标识的点击预测概率大于第一概率阈值的预测用户标识，所述第一消息标识用于提示所述第一场景下存在未查看的新消息；
53.检测模块，用于检测所述第一用户标识是否属于所述第一预测用户标识，得到相应的检测结果；
54.第一消息标识显示控制模块，用于响应所述访问请求，依据所述检测结果，确定是否控制所述通信客户端的所述第一场景显示所述第一消息标识。
55.又一方面，本技术还提出了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行，实现如上述的消息标识的显示控制方法的各步骤。
56.基于上述技术方案，本本技术预先预测出在未来各时间窗口内，对通信客户端的第一场景显示的第一消息标识进行点击消除的点击预测概率大于第一概率阈值的相应预测用户标识，通信服务设备接收到任一通信客户端的访问请求，可以直接确定该访问请求包含的请求访问时间所属的时间窗口，检测该访问请求包含的第一用户标识是否属于该时间窗口关联存储的第一预测用户标识，以便在响应访问请求时，依据所得检测结果，控制该通信客户端的第一场景是否显示第一消息标识，从而实现了第一消息标识的有选择性且针对用户的个性化地显示控制，避免了第一消息标识对第一用户的频繁打扰，且提升了对第一场景下推送信息的用户引流效率，实现对第一场景下推送信息的推广目的。
附图说明
57.为了更清楚地说明本技术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技术的实施例，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。
58.图1为一可选通信客户端的一通信页面中不同场景的消息标识展示示意图；
59.图2为适用于本技术提出的消息标识的显示控制方法和装置的应用环境的系统结构示意图；
60.图3为本技术提出的消息标识的显示控制方法的一可选示例的流程示意图；
61.图4为本技术提出的消息标识的显示控制方法中，消息标识消除预测模型的一可选训练方法的流程示意图；
62.图5为本技术提出的消息标识的显示控制方法中，消息标识消除预测模型的训练过程中，特征空间转换方法的一可选示例的流程示意图；
63.图6为本技术提出的消息标识的显示控制方法中，消息标识消除预测模型的又一可选训练方法的流程示意图；
64.图7为本技术提出的消息标识的显示控制方法中，未来不同时间窗口关联的预测用户标识的一可选获取方法的流程示意图；
65.图8为本技术提出的消息标识的显示控制方法的一可选应用场景流程示意图；
66.图9为本技术提出的消息标识的显示控制装置的一可选示例的结构示意图；
67.图10为本技术提出的消息标识的显示控制装置的又一可选示例的结构示意图；
68.图11为适用于本技术实施例提出的消息标识的显示控制方法和装置的通信服务设备一可选示例的硬件结构示意图。
具体实施方式
69.针对背景技术部分的描述，仍以微信应用为例进行说明，本技术希望能够约束各场景显示的红点(即一种消息标识，但并不局限于红点，还可以包括数字标记等，用于表示相应场景下存在未查阅的新消息，本技术对消息标识的内容及其显示方式不做限制，可视情况而定)数量，具体可以通过预估用户当前对所显示的红点消除的欲望(其可以通过消除红点的概率表达，该概率越大表示用户消除红点的欲望越高)，据此控制通信客户端(如微信应用)有选择性地显示红点，以引导用户正常查看目标场景(如看一看场景等)下的更新信息内容，为该目标场景带来真正有效力的用户点击查看，从而达到一个良性循环。
70.基于上述分析，本技术考虑到不同用户对所显示的消息标识的忍耐性是不同的，且消息标识与场景(如微信应用中的看一看、朋友圈、视频号等)之间是绑定关联的，用户对不同场景的需求不同，对相应场景入口显示的消息标识的态度也会不同；另外，对于同一用户来说，其对同一场景的消息标识的态度也会随着时间迁移变化。本技术需要结合但并不局限于列举的这几方面的问题进行建模，用于预估各用户对不同场景下的消息标识的消除倾向性，以实现消息标识有选择性地显示控制。
71.对于上述建模分析过程，本技术可以利用人工智能(artificialintelligence,ai)技术来实现，进而利用所构建的预测模型实现红点等消息标识的显示控制。其中，建模所用的人工智能技术可以包括如云计算、分布式存储、大数据处理技术、操作/交互系统等人工智能基础技术，和/或如自然语言处理(nature language processing,nlp)、机器学习(machine learning,ml)/深度学习、计算机视觉技术(computer vision,cv)等人工智能软件技术，具体可以根据实际需求，选择合适的人工智能技术进行建模，具体实现过程本技术不做详述。
72.基于上述研究分析，提出可以利用推荐算法来预测用户感兴趣，很可能会点击查看场景信息内容对应的消息标识，控制这类消息标识在通信客户端的相应场景入口进行显示。具体可以采用点击率预估方法、迁移学习方法、多目标学习方法等方式进行建模。其中，点击率预估方式主要应用于各类深度神经网络模型，通过对于每一对用户与内容的组合，以使该模型能够依据用户基础特征、行为特征、内容和上下文特征等，预测用户对该内容的点击概率，如属于[0,1]的预估点击率分数。多目标学习是将产品的预测目标定义为多个独立的目标结果，并通过目标融合或者目标轮询的方式，对模型进行训练学习，如mmoe(multi-gate mixture-of-experts)算法等，以利用该模型预测用户行为和兴趣。
[0073]
如上述分析，基于点击率预估和多目标学习方法的建模过程，都是基于用户行为、兴趣与目标值之间的关系考虑的，即将用户行为当作特征直接处理，实现模型学习行为序列和目标值的拟合，但并未考虑用户对各场景显示的消息标识随时间变化的消除态度变化。且在模型构建过程中，需要与候选集进行计算，导致模型预测结果会受到候选集本身所具有的热度、兴趣等偏向的影响，但是，本技术提出的消除如红点等消息标识的应用场景并不存在候选集，其需要预估用户对场景显示的消息标识的消除倾向性，所以说，上述点击率预估和多目标学习方法的推荐原理并不适用于本技术应用场景。
[0074]
迁移学习是通过限定源域用户的行为和目标域用户的行为分布相似性，学习两个模型之间的参数关系，将源域的用户行为迁移到目标域上，以辅助实现目标域上用户行为的可靠预测。但本技术提出的如微信红点消除等消息标识消除场景，并不存在一个与其分布相似的辅助任务，也就无法采用这种迁移学习算法，来预估用户对各消息标识的消除倾向性。
[0075]
结合上文对几种建模实现方法的分析结果，本技术提出在建模过程中进入时间因子，来学习用户的兴趣表达在不同时间因子下的变化，进而建模时间周期性对用户消息标识消除能力的影响，提升消息标识下发的用户消除率。具体可以结合用户在目标场景下的用户行为、用户兴趣和场景兴趣，以及用户自身的属性特征等信息，通过时间因子建模弱化的时序因果关系，增强时间特征表达，从而提升预测用户在相应时间下的目标场景的消息标识消除可能性的准确性。仍以微信应用的看一看场景的红点显示控制为例，本技术可以在线进行基于看一看场景的红点下发，提升对看一看推荐对象用户引流效率，降低看一看场景入口显示红点对用户的频繁打扰。
[0076]
关于本技术提出的引入如上时间因子后的建模过程，以及利用所构建的预测模型实现消息标识显示控制的过程，本技术在此不做详述。下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
[0077]
需要说明，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
[0078]
应当理解，本技术中使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换该词语。
[0079]
如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0080]
其中，在本技术实施例的描述中，除非另有说明，“/”表示或的意思，例如，a/b可以表示a或b；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，在本技术实施例的描述中，“多个”是指两个或多于两个。以下术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
[0081]
另外，本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0082]
参照图2，为适用于本技术提供的消息标识的显示控制方法和装置的应用环境的
系统结构示意图，在该应用环境中，通常可以包括但并不局限于：通信客户端11、通信服务设备12以及数据存储设备13，其中：
[0083]
通信客户端11可以是安装在电子设备上的通信应用程序，具体可以是独立安装的即时通信应用程序，如从应用商店下载安装的微x、qx等社交软件，也可以是网页应用程序，无需下载安装，用户可以直接通过浏览器等应用程序直接启动运行等，本技术对该通信客户端11的应用类别及其工作原理不做详述。
[0084]
其中，上述电子设备可以包括但并不局限于智能手机、平板电脑、可穿戴设备、个人计算机(personalcomputer，pc)、上网本、个人数字助理(personaldigital assistant，pda)、智能手表、车载设备、机器人、台式计算机等，用户可以根据实际情况选择使用电子设备，启动进入通信客户端11的操作界面，以查看推送至该通信客户端的不同场景下的消息内容。如上图1所示，在某一场景下的消息状态更新后，可以在相应的场景入口处显示消息标识，以提醒用户查看更新的消息内容。
[0085]
通信服务设备12可以是为通信客户端提供通信服务的服务设备，具体可以是独立的物理服务器，也可以是由多个物理服务器构成的服务集群；也可以是具有一定云计算能力的云服务器等，该通信服务设备12可以通过有线网络或无线网络与电子设备通信，以实现与该电子设备的通信客户端11的数据交互，满足用户通信需求，具体实现过程可视情况而定，本技术在此不做详述。
[0086]
在本技术实施例中，上述通信服务设备可以执行本技术下文实施例提出的消息标识的显示控制方法和装置，控制用户启动的通信客户端11，在相应场景有选择性地显示消息标识，如在预测用户在当前时间窗口内，会对该场景推送的新消息感兴趣查看的情况下，再控制在该场景显示消息标识；反之，即便用户当前启动通信客户端，进入包含该场景的通信页面，该场景也不会显示消息标识，从而避免了该场景频繁显示消息标识，导致用户对该场景及其显示的消息标识产生厌烦和抵触情绪，不会真正查看消息内容，无法实现该场景下信息推广目的。具体实现过程本技术在此不做详述。数据存储设备13可以是用来存储数据的数据库服务器，具体可以用于存储用户使用通信客户端过程中所产生的各种行为数据、通信客户端与通信服务器之间的通信日志、来自其他应用平台的各种缓存数据、各用户的属性信息以及预先训练构建的消息标识消除预测模型等，本技术对数据存储设备13所要存储的数据内容及其存储方式不做限制，可视情况而定。
[0087]
在一些实施例中，针对不同类别或不同用途的数据，可以写入不同的数据库存储，可见，本技术的数据存储设备13可以包括一个或多个数据库，如键值数据库、mysql数据库等，本技术对各数据库的类别及其数据存储方式不做详述。
[0088]
其中，对于上文列举的一个或多个数据库，可以与通信服务器12集成在一起存在；也可以作为独立的服务器存在，具体可以根据所适用于的应用平台的系统结构及应用需求确定，并不局限于图2所示的结构关系。
[0089]
应该理解的是，图2所示的应用环境的系统结构并不构成对本技术实施例中应用环境的限定，在实际应用中，适用于本技术提供的消息标识的显示控制方法和装置的应用环境，可以包括比图2所示的更多或更少的设备，如其他多媒体服务器等，本技术在此不再一一列举。
[0090]
结合上图2所示的系统结构示意图，参照图3，为本技术提出的消息标识的显示控
制方法的一可选实施例的流程示意图，本实施例可以适用于但并不局限于上述通信服务设备，如图3所示，该方法可以包括：
[0091]
步骤s11，获得通信客户端的访问请求；
[0092]
本技术实施例中，结合上述分析，通信客户端除了能够满足用户的即时通信需求，实现与其他用户的通信客户端之间的会话需求之外，随着通信客户端功能的多样化，其通常还能够展示好友发布的文章、动态等信息，最新公布的新闻、文章、短视频等多媒体内容，以丰富通信应用平台发布的信息内容，对于这些多媒体内容通常会被推送至相应的场景，以使用户可以单击某场景，来查阅该场景下所获得的各多媒体内容。具体实现过程本技术不做详述。
[0093]
其中，用户启动通信客户端，访问该通信客户端能够输出的信息内容过程中，通常会先登录通信客户端的注册账号，具体登录过程本技术不做详述。基于此，步骤s11所获得的通信客户端的访问请求，可以是第一用户(任一用户)启动通信客户端所生成并发送的登录请求。
[0094]
示例性的，第一用户可以点击电子设备的显示界面输出的通信客户端的应用图标，进入通信客户端的登录界面，输入该第一用户所注册的账户及其登录密码，点击“登录”按钮，电子设备响应于对通信客户端的输入操作，生成相应的登录请求(即一种访问请求)，将该登录请求发送至相应的通信服务设备。
[0095]
可以理解，由于通信客户端在用户注册账户并登录后，通常可以在电子设备的后台运行，这样，第一用户再次启动通信客户端时，可以不用再输入账户和登录密码，可以直接点击相应的应用图标，即可生成访问相应通信服务设备的访问请求，通信客户端会将生成的该访问请求发送至相应的通信服务设备，具体实现过程本技术不做详述。
[0096]
在这种情况下，上述通信客户端发送的登录请求通常可以包含：第一用户在通信客户端所在通信应用平台所注册账户的第一用户标识(如账户id等)，以及登录时间等信息，本技术对该登录请求所包含的具体内容不做限制，可视情况而定。
[0097]
另外，第一用户启动通信客户端后，可以对输出的各通信页面所展示的各场景进行访问操作，可以生成针对相应场景的访问请求，由通信客户端将该访问请求发送至通信服务设备，以获得所请求访问场景下的场景信息，如点击微信应用中的“朋友圈”这一场景，可以获取第一用户的各好友账户发布的动态信息，在朋友圈展示界面进行展示；或者，响应于第一用户对当前界面的刷新操作，可以生成针对当前界面新的访问请求，以请求获得最新的界面信息并展示等。
[0098]
可见，在不同应用场景下，第一用户对通信客户端进行不同操作，所生成的访问请求内容往往不同，为了保证通信服务设备能够反馈用户所请求的访问内容，所发送的访问请求除了包含第一用户标识和请求访问时间外，通常还会包含请求内容标识，用以识别所请求访问的内容，本技术对该请求内容标识的具体内容不做限制，可视情况而定。
[0099]
步骤s12，查询与该请求访问时间关联存储的第一预测用户标识；
[0100]
本技术实施例中，上述第一预测用户标识可以是指提前预测得到的在该请求访问时间所属的预设时间窗口(如当天哪个小时内发起访问请求)内，对通信客户端的第一场景所显示的第一消息标识的点击预测概率大于第一概率阈值(本技术对其数值不做限制)的预测用户标识。
[0101]
可见，本技术可以预先预测出未来的不同预设时间窗口内，若第一场景显示消息标识，较大概率会点击该第一场景的预测用户所登录通信客户端的用户标识，将该用户标识确定为相应预设时间窗口的预测用户标识，将其与该预设时间窗口进行关联存储，以便后续查询当前预设时间窗口所关联的一个或多个第一预测用户标识，本技术对不同预设时间窗口关联的各预测用户标识的具体获取过程不做限制。
[0102]
其中，上述预设时间窗口可以依据用户在通信客户端输出的各消息标识显示场景下的信息操作行为特点确定，具体可以是一天、一个小时等，本技术对预设时间窗口的具体时长不做限制，但由于消息标识通常不是秒级下发的，该预设时间窗口通常不会是一秒。可以理解，对于同一场景下的不同预设时间窗口，所确定的预测用户标识的内容可能不同，也可能相同，可视情况而定。
[0103]
上述第一场景可以指通信客户端的通信页面中，能够显示消息标识的任一场景，如图1所示的看一看场景、朋友圈场景等，本技术对第一场景的类别及其显示消息标识的实现方式不做限制，可视情况而定。第一消息标识可以表示该第一场景所显示的消息标识，其能够表示该第一场景下存在未查阅的新消息，如图1所示的各场景入口处的红点标识等，本技术对第一消息标识的内容及其显示位置不做限制，并不局限于图1所示的示例。
[0104]
步骤s13，检测第一用户标识是否属于第一预测用户标识，得到相应的检测结果；
[0105]
继上文描述，在查询到与请求访问时间所属预设时间窗口关联存储的第一预测用户标识之后，本技术可以进一步检测当前发起访问请求的第一用户标识，是否命中所查询到的任一第一预测用户标识，具体可以将该第一用户标识与查询到的每一个第一预测用户标识进行比较，若查询到的第一预测用户标识中，存在与该第一用户标识相同的第一预测用户标识，说明若第一场景显示第一消息标识，第一用户很大概率会点击所显示的第一消息标识，消除所显示的第一消息标识，并进入第一场景的信息显示页面，查看该信息显示页面所展示的最新信息内容。
[0106]
反之，若查询到的各第一预测用户标识与第一用户标识均不相同，说明该第一用户标识不属于任一第一预测用户标识，即便在第一场景显示第一消息标识，第一用户较大概率也不会点击第一消息标识，来消除第一消息标识，甚至第一场景所显示的第一消息标识会使第一用户产生厌烦心理，这种情况下，第一用户即便点击该第一消息标识，也仅是为了消除第一消息标识，不会查看第一场景下的信息内容。
[0107]
步骤s14，响应上述访问请求，依据该检测结果，确定是否控制通信客户端的第一场景显示第一消息标识。
[0108]
通常情况下，通信服务设备接收到任一用户登录的通信客户端发起的访问请求，可以依据具体请求访问对象反馈相应的访问信息，以使通信客户端输出包含所接收到的访问信息的通信界面。而在本技术实施例中，通信服务设备在响应访问请求过程中，除了获得所请求的访问信息外，还需要确定相应场景是否显示消息标识的配置指令，对于本技术对通信客户端的任一场景的消息标识的显示控制过程类似，本技术仅针对第一场景的第一消息标识的显示控制过程为例进行说明。
[0109]
如上述分析，对于用户使用的通信客户端的第一场景是否显示第一消息标识的预测实现过程中，本技术通过引入的时间窗口这种时间因子，对各用户的行为特征、兴趣特征以及基础属性特征等进行特征空间转换，得到具有时间周期性的特征表达，进而据此预测
在未来某一时间窗口内，大概率(即点击预测概率大于第一概率阈值)会点击该第一场景显示第一消息标识，并真正观看第一场景下的信息内容(如点击阅读)的预测用户，记录该预测用户登录通信客户端的预测用户标识，并将该预测用户标识与该时间窗口关联存储。
[0110]
这样，在任一用户(记为第一用户)使用通信客户端的情况下，可以按照上述方式，检测该第一用户是否为当前请求访问时间所在的时间窗口关联的预测用户，从而在响应第一用户发起的访问请求过程中，依据该检测结果，确定是否控制第一用户使用的通信客户端的第一场景显示第一消息标识，本技术对通信服务设备控制通信客户端在各场景显示消息标识的具体实现方法不做详述。
[0111]
在本技术提出的一些实施例中，在上述检测结果为是的情况下，还可以先检测请求访问时间所属预设时间窗口内，是否已控制该通信客户端的第一场景显示第一消息标识，如在该预设时间窗口(如当前所在小时)内，是否已向本用户微信的看一看场景下发红点，如果是，在该预设时间窗口内，可以不再控制该通信客户端的第一场景显示第一消息标识，如看一看场景在该预设时间窗口内不再显示红点；如果否，再控制通信客户端的第一场景显示第一消息标识，如向该通信客户端推送第一消息标识信息，以使通信客户端执行该第一消息标识信息，在第一场景显示第一消息标识等，本技术对通信客户端的场景显示相应消息标识的具体实现方法不做限制，可视情况而定。
[0112]
综上所述，本技术预先预测出在未来各时间窗口内，对通信客户端的第一场景显示的第一消息标识进行点击消除的点击预测概率大于第一概率阈值的相应预测用户标识，通信服务设备接收到任一通信客户端的访问请求，可以直接确定该访问请求包含的请求访问时间所属的预设时间窗口，检测该访问请求包含的第一用户标识是否属于该预设时间窗口关联存储的第一预测用户标识，以便在响应访问请求时，依据所得检测结果，确定是否控制该通信客户端的第一场景显示第一消息标识，从而实现了第一消息标识的有选择性且针对用户的个性化地显示控制，避免了第一消息标识对第一用户的频繁打扰，且提升了对第一场景下推送信息的用户引流效率，实现对第一场景下推送信息的推广目的。
[0113]
在本技术提出的一些实施例中，上述不同预设时间窗口关联存储的预测用户标识，可以基于预训练的消息标识消除预测模型，对不同用户的行为数据、兴趣数据以及属性数据等信息处理，所得到的预测结果确定。结合上文对本技术技术构思的描述，本技术训练的消息标识消除预测模型可以称为unptf(user notification probability based on time factor，基于时间因素的用户通知概率)预测模型，也就是说，在训练该消息标识消除预测模型过程中，本技术引入了时间因子，实现对如上述行为特征、兴趣特征以及属性特征等输入特征非线性的空间转换，得到具有时间周期性的特征表达，据此实现模型训练，以提升模型预测结果的准确性。
[0114]
基于此，参照图4，为本技术提出的消息标识的显示控制方法的又一可选实施例的流程示意图，本技术实施例主要对上述消息标识消除预测模型的训练过程进行描述，但并不局限于本实施例描述的这种训练方法，在实际应用中，为了提高预测效率，本技术可以由通信服务设备离线训练得到消息标识消除预测模型并存储，以使其在需要获得当前预设时间窗口或其下一个相邻预设时间窗口(即同一时间维度下，具有相同时长的时间窗口)对应的预测用户标识时，能够直接调用该消息标识消除预测模型。
[0115]
其中，由于用户对不同场景的需求不同，对各场景显示的消息标识的消除态度也
不同，针对每一个场景在不同时间所显示的消息标识的消除预测概率(即上述点击预测概率)不同，为了保证预测结果的准确性，本技术可以针对每一场景训练相应的消息标识消除预测模型，对于不同场景的消息标识消除预测模型来说，其训练实现过程类似，本技术仅以第一场景下的消息标识消除预测模型的训练过程为例进行说明。
[0116]
如图4所示，上述消息标识消除预测模型的训练过程可以包括但并不局限于以下步骤：
[0117]
步骤s21，获取各样本用户的样本用户行为数据、样本用户兴趣数据以及样本用户属性数据；
[0118]
对于本技术实施例提出的消息标识消除预测模型的训练过程，从整体来看，可以划分为消息标识显示场景的用户行为统计阶段和模型训练阶段。在该用户行为统计阶段主要实现训练样本数据的采集，具体的，本技术可以对各样本用户在消息标识显示场景下的行为数据进行汇总，构建表征相应样本用户对消息标识的消除能力和消除动力的用户行为特征。
[0119]
具体的，本技术可以基于样本用户在不同预设时间窗口内，对通信客户端的不同消息标识显示场景的操作行为而产生的行为数据进行统计，得到不同预设时间窗口内的样本用户行为数据。该预设时间窗口所表示的时长，可视情况而定，本技术对此不做限制。
[0120]
在本技术提出的一些实施例中，以微信这种通信客户端为例，由于其作为即时通信工具，主要承载的是用户的社交需求，而对于社交之外的如阅读、视频、朋友圈等各场景下的行为数据往往是稀疏的，所以，对于这类通信客户端，所确定的预设时间窗口所表示的时长不会很长，经过统计分析得知，用户在该通信客户端中的行为分布大部分是在一周内，且用户行为在一天内的变化通常具有周期性，本技术可以按照天作为统计的一时间窗口，来完整刻画用户对一个场景的消息标识消除习惯，因此，本技术可以统计过去一周或几周内，每一天各样本用户在消息标识显示场景下的行为数据，得到相应的样本用户行为数据，具体统计过程本技术不做详述。
[0121]
与此同时，为了能够更加准确预测用户对相应场景显示的消息标识点击预测概率，通信服务设备还可以获取各样本用户的兴趣数据，记为样本用户兴趣数据，具体可以基于预训练的兴趣模型对用户行为数据进行处理得到，具体可以由兴趣标签(如感兴趣对象id等)来表示各样本用户兴趣数据，本技术对其获取方式及其包含的兴趣标识的内容等不做限制，可视情况而定。
[0122]
此外，还可以获取各样本用户的如年龄、性别、活跃度等基础属性信息，记为样本用户属性信息，其可以通过相应样本用户在通信客户端注册过程中得到的注册信息得到，以及通过对相应样本用户对通信客户端的历史使用日志进行统计，得到该样本用户的活跃度等属性信息，本技术对各样本用户属性信息包含的内容及其获取方式不做限制，可视情况而定。
[0123]
步骤s22，分别对样本用户行为数据、样本用户兴趣数据以及样本用户属性数据进行特征提取，得到相应的样本用户行为特征、样本用户兴趣特征以及样本用户属性特征；
[0124]
对于如上文获取的样本用户行为数据、样本用户兴趣数据以及样本用户属性数据，可以采用不同的处理逻辑实现相应的数据的特征提取，得到相应的特征向量，但本技术对各数据的特征提取所采用的具体处理逻辑不做限制，可视情况而定。
[0125]
在本技术提出的一些实施例中，对于通信客户端的各消息标识显示场景下各样本用户行为数据，其通常是基于相应样本用户对各消息标识显示场景下的操作行为而产生的行为数据，按照产生时间顺序组合而成的行为序列，本技术实施例可以利用循环神经网络(recurrent neuralnetwork，rnn)等深度学习网络，对其进行特征提取，以得到相应的样本用户行为特征，即行为特征向量。因此，本技术可以对样本用户行为数据进行特征提取的深度学习网络记为第一特征提取网络，在获得样本用户行为数据后，可以先对其进行归一化编码处理，再将得到的编码向量输入该第一特征提取网络进行处理，得到相应的样本用户行为特征。本技术对该第一特征提取网络的网络结构可以包括但并不局限于lstm(long short-termmemory，长短期记忆人工神经网络)、gru(gate recurrent unit)等网络结构，可视情况而定。
[0126]
同理，对于上述获取的样本用户兴趣数据，可以利用预设的第二特征提取网络实现其特征提取，得到相应的样本用户兴趣特征。具体的，可以对该样本用户兴趣数据包含的各兴趣标签进行向量化处理，在对得到的兴趣向量输入深度学习网络的池化层进行处理，得到表达用户兴趣的样本用户兴趣特征，这种情况下，该第二特征提取网络也可以基于深度学习网络构成，但并不局限于本技术提出的这种特征提取实现方式。
[0127]
基于上述分析，本技术实施例中，通信服务设备可以将样本用户行为数据输入第一特征提取网络，输出样本用户行为特征；将样本用户兴趣数据输入第二特征提取网络，输出样本用户兴趣特征；对样本用户属性数据进行向量化处理，得到样本用户属性特征；其中，第一特征提取网络和第二特征提取网络的网络结构通常不同，但不限制具体网络结构，且第一特征提取网络具有第一待训练网络参数，第二特征提取网络具有第二待训练网络参数，在消息标识消除预测模型的训练过程中，可以不断对该第一待训练网络参数，和/或第二待训练网络参数进行优化调整，以提高训练模型的输出预测结果的准确性，直至满足模型约束条件，本技术对第一待训练网络参数和第二待训练网络参数的优化调整方法不做详述，可视情况而定。
[0128]
步骤s23，基于具有时间周期的预设时间窗口，分别对样本用户行为特征、样本用户兴趣特征以及样本用户属性特征进行空间转换，得到具有该时间周期的相应的待定行为特征、待定兴趣特征和待定属性特征；
[0129]
结合上文对本技术技术构思的相关描述，本技术在模型训练过程中所引入的具有时间周期的时间因子，可以是具有时间周期的预设时间窗口t，如以天为一个时间窗口时长，其时间周期可以是7天，即一周；以小时为一个时间窗口时长，其时间周期可以是24小时，即一天。本技术可以按照预设的计算逻辑，利用具有时间周期的预设时间窗口，对输入的各特征进行空间转换，得到相应的具有时间周期性的特征表达，以使最终训练得到的模型对时间表达能敏感，增强时间周期性的建模表达。
[0130]
在本技术提出的一些实施例中，实现输入特征空间转换的计算逻辑可以为如下技术公式：
[0131]
time(f,t)＝f*e-w*s(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0132]
上述公式(1)中，f可以表示输入该计算逻辑的特征，如上述得到的样本用户行为特征、样本用户兴趣特征或样本用户属性特征，t表示输入的时间因子，即上述具有时间周期性的预设时间窗口所表示的时间，如星期一、星期二、星期三、星期四、星期五、星期六、星
期日；或者是1点～24点之间的各小时，即一天包含的24个小时等；time(f,t)可以表示相应输入特征f在相应预设时间窗口t内的空间转换后的特征表达；w可以表示一个矩阵参数，即需要训练学习的模型参数，本技术将其记为第一待训练矩阵参数，本技术对其初始值的获取方式不做限制，可以是默认值等；s可以表示一个时间因子归一化的方法，如下所示的实现方式：
[0133][0134]
在上述公式(2)中，s(t)表示基于sin函数的归一化方法，通常情况下，s(t)∈(0,1)。max()表示取最大值函数。需要说明，关于时间因子的归一化实现方法并不局限于公式(2)描述的方式，相对于其他归一化处理函数，本技术这种基于正弦函数的归一化处理方式，具有更好的平滑性，有利于提高预测结果的准确性。
[0135]
对于上述得到的样本用户行为特征、样本用户兴趣特征以及样本用户属性特征，本技术均可以利用上述公式(1)和公式(2)记载的计算逻辑进行空间转换，得到具有该时间周期的相应的待定行为特征、待定兴趣特征和待定属性特征，具体实现过程本技术在此不做一一详述。
[0136]
基于上述分析，通信服务设备具体可以按照以下方式实现上述空间转换处理，但并不局限于本技术实施例描述的空间转换处理方法，如图5所示，该空间转换处理过程可以包括：
[0137]
步骤a1，对一时间周期内的预设时间窗口进行归一化处理，得到归一化时间向量；
[0138]
结合上述公式(2)的描述，对于同一时间维度下，表示不同时间点的多个预设时间窗口，如7天，每一天为一个预设时间窗口，可以将这多个预设时间窗口代入上述公式(2)，得到0～1之间的数值构成的归一化时间向量，但并不局限于上文描述的归一化处理方法。
[0139]
步骤a2，利用归一化时间向量及第一待训练矩阵参数，构建空间转换参数；
[0140]
参照上述公式(1)等号右侧的e-w*s(t)
这一计算逻辑，得到归一化时间向量s(t)，并获得第一待训练矩阵参数w后，可以按照该计算逻辑，构建空间转换参数，即将上述得到的s(t)以及获得w代入该计算逻辑，所输出的计算结果。
[0141]
步骤a3，利用该空间转换参数，对输入特征的相应特征值进行空间转换，得到相应的待定输入特征；
[0142]
如上述公式(1)表示的空间转换的计算逻辑，可以将上述得到的空间转换参数与输入特征进行乘积运算，即可得到不同预设时间窗口内，该输入特征的具有时间周期性的特征表达，但并不局限于本技术描述的这种特征空间转换实现方法。
[0143]
可以理解，步骤a3中的输入特征具体可以是上述样本用户行为特征、上述样本用户兴趣特征或上述样本用户属性特征，该待定输入特征具体可以为相应的待定行为特征、待定兴趣特征和待定属性特征。由于对每一个输入特征的空间转换处理过程类似，本技术实施例在此不做一一详述。
[0144]
步骤s24，对待定行为特征、待定兴趣特征和待定属性特征进行合并处理，得到相应样本用户编码向量；
[0145]
本技术实施例中，可以利用concat函数，对上述特征空间转换后得到的待定行为特征、待定兴趣特征和待定属性特征进行合并处理，得到统一的特征输出，本技术将合并后
的特征向量记为样本用户编码向量。
[0146]
步骤s25，获取各样本用户在第一场景下的目标行为特征；
[0147]
步骤s26，利用样本用户编码向量和目标行为特征进行网络模型训练，得到消息标识消除预测模型。
[0148]
关于目标行为特征的获取过程，可以参照上文样本用户行为特征的获取过程，本技术在此不做详述。需要说明，该目标行为特征中的元素可以是相应样本用户在相应的预设时间窗口内，对第一场景显示的第一消息标识进行点击操作，可以由1表示；或未进行点击操作，可以由0表示，因此，该目标行为特征可以由0和1构成的向量，可见，该目标行为特征包含的各特征值是相应预设时间窗口内，相应样本用户对第一场景显示的第一消息标识的实际操作行为，如点击消除第一消息标识，或不点击第一消息标识，以维持第一消息标识的显示状态等。
[0149]
在得到样本用户编码向量之后，可以利用网络模型中的如池化层、输出层的进一步处理，可以得到样本用户会在相应时间窗口内，对第一场景显示的第一消息标识进行点击操作的预测评分，即点击预测概率，该点击预测概率值越大，说明该样本用户越可能会在相应时间窗口内，对第一场景显示的第一消息标识进行点击操作，消除该第一消息标识的。之后，可以利用预设的损失函数，对网络模型输出的点击预测概率，以及实际统计得到的目标行为特征包含的特征值进行损失计算，以实现网络模型的学习训练。
[0150]
基于此，上述步骤s26具体可以包括：将样本用户编码向量输入网络模型的池化层进行处理，得到相应样本用户对第一场景显示的第一消息标识进行点击操作的点击预测概率；获取点击预测概率与所述目标行为特征中的相应特征值之间的损失值；检测到该损失值不满足训练约束条件，调整如上述第一待训练矩阵参数、第一待训练网络参数和/或第二待训练网络参数等网络模型参数，返回上述步骤s22继续执行，即利用调整后的网络模型参数的网络模型，继续对获取的如上各类数据进行网络模型的学习，直至检测到损失值满足训练约束条件，将最终训练得到的网络模型确定为第一场景的消息标识消除预测模型。
[0151]
需要说明，本技术对上述训练约束条件包含的具体内容不做限制，如所得损失值是否小于预设损失阈值，或者是否趋于稳定等；对于上述损失函数可以包括但并不局限于交叉熵损失函数，可视情况而定。
[0152]
综上，在本技术实施例描述的消息标识消除预测模型的训练过程中，引入具有时间周期的预设时间窗口，实现对样本用户行为特征、兴趣特征及属性特征的空间转换，进而利用具有时间周期性的特征表达实现模型训练，以使训练所得消息标识消除预测模型对时间表达更敏感，增强了时间周期性的建模表达，进而提高了用户在不同预设时间窗口内，对第一场景显示的第一消息标识的点击操作的预测结果的准确性。
[0153]
基于上文描述的模型训练实现过程，结合上文对本技术技术构思的描述，在本技术提出的一些实施例中，上述建模过程可以引入两个时间因子，即通过两个不同时间维度上，对上述各用户特征进行分析建模，因此，上述实施例涉及到的预设时间窗口可以包括两个不同时长的时间窗口，记为第一时间窗口和第二时间窗口。需要说明，在基于多个预设时间窗口进行特征空间转换处理过程中，是基于同一时长(或同一时间维度下)的多个预设时间窗口实现。
[0154]
这种情况下，对于通信服务设备获得的通信客户端的访问请求的请求访问时间，
具体可以由第一时间维度的第一时间和第二时间维度的第二时间构成，该第一时间维度具有第一时间周期，第二时间维度具有第二时间周期，且第二时间周期是第一时间周期的一个时间单位，因此，上述不同预设时间窗口包括第一时间周期的一个时间单位构成的第一时间窗口，以及第二时间周期的一个时间单位构成的第二时间窗口。
[0155]
具体的，对于如微信等这种以即时通信为主的通信客户端，确定用户的行为分布大部分是在一周内，且用户行为在一天内的变化通常具有周期性，且由于红点等消息标识并不是秒级实时下发，所以，本技术可以将第一时间维度确定为天级别维度，将第二时间维度确定为小时级别维度，也就是说，上述第一时间维度的一个时间单位确定为日(天)，以七天(一周)为该时间维度下的一个周期，即第一时间周期为7天；第二个时间维度的一个时间单位可以确定为小时，以24小时(一天)为该时间维度下的一个周期，即第二时间周期为24小时。可见，上述第一时间窗口的取值可以是[1,7]中的整数，第二时间窗口的取值范围可以是[0,23]中的整数。
[0156]
因此，上述请求访问时间中的第一时间t1可以表示第一时间周期内的第i天，即星期i，i为小于等于7的正整数，将其所属的预设时间窗口确定为目标第一时间窗口；第二时间t2可以表示第二时间周期内的第j小时，j为小于24的整数，将其所属的预设时间窗口确定为目标第二时间窗口，也就是说，生成上述访问请求的请求访问时间可以是星期i的第j小时，如星期二的15点等，本技术对上述第一时间t1和第二时间t2的具体时刻不做限制。在获取实际的请求访问时间后，可以依据其具体时间，得到由天级别和小时级别的时间构成请求访问时间，如星期三14点26分发起的访问请求，所生成的请求访问时间可以是星期三14点，此时第一时间t1为星期三，第二时间t2为14点。可以理解，用户点击访问通信客户端的某通信页面，所获得的请求访问时间中的第一时间通常是指当天，第二时间可以是当前所在的小时，但并不局限于此。
[0157]
基于上述分析，参照图6所示的消息标识消除预测模型的训练方法的流程示意图，在建模过程中引入如上两个时间窗口后，在基于时间周期性的特征空间转换过程中，本技术可以对这两个时间窗口分开建模，得到7(天)+24(小时)＝31种时间特征，而不是采用基于第一时间窗口*第二时间窗口的拼接建模方式，可见，相对于这种拼接建模方式得到的7*24＝168种时间特征，很大比例压缩了特征空间，解决了拼接建模方式存在的某些时间特征会很稀疏，降低模型预测结果准确性的技术问题，增强了模型训练特征的泛化能力。
[0158]
因此，上述实施例中的步骤s23具体可以包括：基于具有第一时间周期的第一时间窗口，分别对样本用户行为特征、样本用户兴趣特征以及样本用户属性特征进行空间转换，得到具有第一时间周期的相应的第一待定行为特征、第一待定兴趣特征和第一待定属性特征；基于具有第二时间周期的第二时间窗口，分别对样本用户行为特征、样本用户兴趣特征以及样本用户属性特征进行空间转换，得到具有第二时间周期的相应的第二待定行为特征、第二待定兴趣特征和第二待定属性特征。
[0159]
如上图6所示，对于上述各输入特征，基于具有第一时间周期的第一时间窗口的特征空间转换过程中，上述公式(1)和公式(2)的计算逻辑中的预设时间窗口具体为第一时间窗口，即属于[1,7]；而在基于具有第二时间周期的第二时间窗口的特征空间转换过程中，上述公式(1)和公式(2)的计算逻辑中的预设时间窗口具体为第二时间窗口，即属于[0,23]，关于图6中基于不同时间窗口实现对不同输入特征的空间转换处理过程，可以结合上
文实施例相应部分的描述确定，本技术实施例在此不做赘述。
[0160]
可见，本技术基于不同时间因子对应的计算逻辑，可以将样本用户的各输入特征进行基于时间周期性的特征空间转换，以增强特征的时间特性，并具有时间周期的泛化性，从而使训练得到的消息标识消除预测模型对时间表达更敏感，且增强了时间周期性的建模表达，提高了预测结果准确性及效率。
[0161]
基于上文实施例得到第一场景对应的消息标识消除预测模型后，可以存储至数据存储设备，这样，在用户每天使用通信客户端过程中，可以调用该消息标识消除预测模型，提取确定不同预设时间窗口内，大概率会点击第一场景显示的第一消息标识，查询第一场景下的信息内容的预测用户标识，并写入相应的存储空间进行存储，以便在用户访问通信客户端的各通信页面时，能够据此确定当前是否控制该通信客户端的第一场景显示第一消息标识。为了获得不同预设时间窗口各自关联的预测用户标识，如图7所示，本技术提出了消息标识的显示控制方法的又一可选实施例的流程示意图，本技术主要对预测用户标识的获取过程进行描述，关于模型训练过程以及对该预测用户标识的查询应用过程，可以参照上述实施例相应部分的描述，本技术实施例在此不做赘述。
[0162]
如图7所示，上述预测用户标识的获取过程可以包括但并不局限于：
[0163]
步骤s31，获取不同用户对通信客户端的历史用户行为数据、用户兴趣数据以及用户属性数据；
[0164]
结合上文实施例相应部分的描述，该历史用户行为数据可以是基于相应用户在不同预设时间窗口内，对通信客户端的不同消息标识显示场景的操作行为而产生的，本技术对历史用户行为数据、用户兴趣数据以及用户属性数据的具体获取过程不做详述。
[0165]
步骤s32，将历史用户行为数据、用户兴趣数据以及用户属性数据，输入消息标识消除预测模型进行处理，输出不同时间窗口内，相应用户对第一场景所显示的第一消息标识进行点击操作的点击预测概率；
[0166]
关于不同用户的点击预测概率的获取过程，可以参照上述消息标识消除预测模型训练实施例中相应部分的描述，本技术在此不做详述。在实际应用中，由于消息标识消除预测模型预先训练得到，这样，在需要获取不同时间窗口内，不同用户对第一场景所显示的第一消息标识进行点击操作的点击预测概率时，可以直接调用该第一场景对应的消息标识消除预测模型，将所获取的各用户的如上述各数据输入该消息标识消除预测模型，即可快速且准确输出相应用户在不同时间窗口内，对第一场景所显示的第一消息标识进行点击操作的点击预测概率。
[0167]
可以理解，本技术也可以仅获取当前时间所处的时间窗口及其相邻下一个时间窗口内，不同用户对第一场景所显示的第一消息标识进行点击操作的点击预测概率，以确定相应时间窗口对应的预测用户标识，即确定相应时间窗口内，需要控制显示第一消息标识的用户当前使用的通信客户端。
[0168]
步骤s33，若该点击预测概率大于第一概率阈值，将用户登录通信客户端的用户标识确定为相应时间窗口的预测用户标识；
[0169]
其中，若上述得到的点击预测概率小于或等于第一概率阈值，可以认为该用户在相应的预设时间窗口内，可能不希望通信客户端的第一场景显示第一消息标识，将该时长内显示的第一消息标识视为干扰，这种情况下，可以该用户登录通信客户端，输出包含第一
场景的通信页面时，可以不用显示第一消息标识，如在相应时长内不用向该用户登录的通信客户端下发第一消息标识等，具体实现方法本技术不做限制。
[0170]
步骤s34，将预测用户标识与相应时间窗口关联存储。
[0171]
可见，本技术利用第一场景对应的消息标识消除预测模型，预测每个预设时间窗口内，需要控制通信客户端的第一场景显示第一消息标识的用户标识，如该通信客户端的账户id，并写入相应的数据存储设备，如键值数据库等进行存储，这样，当某一用户在属于某预设时间窗口内的任一时间点发起访问请求，可以通过检测该用户的用户标识是否属于相应预设时间窗口关联的预测用户标识，来确定控制该用户的通信客户端是否显示第一消息标识，从而实现消息标识的有选择性的显示控制，降低显示消息标识对用户的频繁干扰。
[0172]
在本技术一些实施例中，若消息标识消除预测模型引入如上述两个时间因子实现学习训练，结合上文对预测用户标识的相关描述，本技术可以预先预测出在当天的各小时内(通常是未来各小时内)，大概率会点击第一场景显示的第一消息标识的预测用户标识，将其与这一天的相应小时进行关联存储，这样，本技术按照上述方式确定本次的访问请求的请求访问时间后，可以查询数据存储设备中，是否存在与该第一时间中的第二时间关联存储的第一预测用户标识，如是否存在与当天的13点(其可以是当前小时或未来的某一小时)关联存储的第一预测用户标识等，若存在，再检测第一用户标识是否属于该第一预测用户标识，据此确定控制该第一用户使用的通信客户端的第一场景是否显示第一消息标识。
[0173]
参照图8所示的场景流程示意图，按照上述方式预测得到第一时间窗口中不同第二时间窗口关联存储的预测用户标识u，并按照如(预测用户标识，第一时间窗口，第二时间窗口)的数据结构写入相应的键值数据库存储后，某一用户登录通信客户端发起访问请求，得到其包含的请求访问时间t1和t2后，可以查询与该t1和t2关联存储的第一预测用户标识u，即确定第一时间所属的目标第一时间窗口，第二时间所属的目标第二时间窗口，将目标第一时间窗口下的目标第二时间窗口关联存储的预测用户标识确定为第一预测用户标识，再检测该用户的第一用户标识u1是否属于该第一预测用户标识u，如果是，将控制该用户使用的通信客户端的第一场景显示第一消息标识，如微信的看一看场景显示红点等，此时，该用户通常会点击显示的第一消息标识，查看第一场景下的信息内容。
[0174]
之后，通信服务设备可以将该用户对本次显示的第一消息标识的点击操作行为，写入相应的消息标识消除日志中，用以更新该用户的行为数据，以优化该第一场景的消息标识消除预测模型，提高预测结果准确性，关于模型优化实现过程与上述模型训练过程类似，本技术在此不做详述。
[0175]
参照图9，为本技术提出了消息标识的显示控制装置的一可选实施例的结构示意图，该装置可以适用于上述通信服务设备，如图9所示，该装置可以包括：
[0176]
访问请求获得模块21，用于获得通信客户端的访问请求，其中，所述访问请求包含有登录所述通信客户端的第一用户标识以及请求访问时间；
[0177]
第一预测用户标识查询模块22，用于查询与所述请求访问时间关联存储的第一预测用户标识；
[0178]
其中，所述第一预测用户标识是指在所述请求访问时间所属的时间窗口内，对所述通信客户端的第一场景所显示的第一消息标识的点击预测概率大于第一概率阈值的预测用户标识，所述第一消息标识用于提示所述第一场景下存在未查看的新消息；
[0179]
检测模块23，用于检测所述第一用户标识是否属于所述第一预测用户标识，得到相应的检测结果；
[0180]
第一消息标识显示控制模块24，用于响应所述访问请求，依据所述检测结果，确定是否控制所述通信客户端的所述第一场景显示所述第一消息标识。
[0181]
可选的，该装置还可以包括：
[0182]
消息标识显示检测模块，用于检测所述通信客户端的所述第一场景在所述请求访问时间所属的预设时间窗口内，是否已显示所述第一消息标识；若否，触发第一消息标识显示控制模块24依据所述检测结果，确定是否控制所述通信客户端的所述第一场景显示所述第一消息标识；
[0183]
禁止显示控制模块，用于在所述消息标识显示检测模块的检测结果为是的情况下，控制所述通信客户端的所述第一场景在所述请求访问时间所属的预设时间窗口内，禁止显示所述第一消息标识。
[0184]
在一些实施例中，为了获得不同时间窗口关联的预测用户标识，如图10所示，上述装置还可以包括：
[0185]
第一数据获取模块25，用于获取用户对所述通信客户端的历史用户行为数据、用户兴趣数据以及用户属性数据；
[0186]
其中，所述历史用户行为数据是基于所述用户在不同预设时间窗口内，对所述通信客户端的不同消息标识显示场景的操作行为而产生的；
[0187]
点击预测模块26，用于将所述历史用户行为数据、所述用户兴趣数据以及所述用户属性数据，输入消息标识消除预测模型进行处理，输出不同所述时间窗口内，所述用户对所述第一场景所显示的所述第一消息标识进行点击操作的点击预测概率；
[0188]
预测用户标识确定模块27，用于在点击预测概率大于第一概率阈值的情况下，将所述用户登录所述通信客户端的用户标识确定为相应时间窗口的预测用户标识；
[0189]
存储模块28，用于将所述预测用户标识与所述相应时间窗口关联存储。
[0190]
在一些实施例中，为实现上述消息标识消除预测模型的训练，如图10所示，上述装置还可以包括：
[0191]
第二数据获取模块29，用于获取各样本用户的样本用户行为数据、样本用户兴趣数据以及样本用户属性数据；
[0192]
特征提取模块210，用于分别对所述样本用户行为数据、所述样本用户兴趣数据以及所述样本用户属性数据进行特征提取，得到相应的样本用户行为特征、样本用户兴趣特征以及样本用户属性特征；
[0193]
特征空间转换模块211，用于基于具有时间周期的预设时间窗口，分别对所述样本用户行为特征、所述样本用户兴趣特征以及所述样本用户属性特征进行空间转换，得到具有所述时间周期的相应的待定行为特征、待定兴趣特征和待定属性特征；
[0194]
特征合并处理模块212，用于对所述待定行为特征、所述待定兴趣特征和所述待定属性特征进行合并处理，得到相应样本用户编码向量；
[0195]
目标行为特征获取模块213，用于获取所述各样本用户在所述第一场景下的目标行为特征；
[0196]
模型训练模块214，用于利用所述样本用户编码向量和所述目标行为特征进行网
络模型训练，得到第一场景的消息标识消除预测模型。
[0197]
其中，若请求访问时间由第一时间维度的第一时间和第二时间维度的第二时间构成，所述第一时间维度具有第一时间周期，所述第二时间维度具有第二时间周期，且所述第二时间周期是所述第一时间周期的一个时间单位；所以不同预设时间窗口包括所述第一时间周期的一个时间单位构成的第一时间窗口，以及所述第二时间周期的一个时间单位构成的第二时间窗口。示例性的，该第一时间维度为天级别维度，所述第二时间维度为小时级别维度，所述第一时间周期为七天，所述第二时间周期为二十四小时。
[0198]
基于此，上述第一预测用户标识查询模块22具体可以包括：
[0199]
第一确定单元，用于确定所述第一时间所属的目标第一时间窗口，以及所述第二时间所属的目标第二时间窗口；
[0200]
第一预测用户标识确定单元，用于将所述目标第一时间窗口下的所述目标第二时间窗口关联存储的预测用户标识确定为第一预测用户标识。
[0201]
另外，上述特征空间转换模块211可以包括：
[0202]
第一特征空间转换单元，用于基于具有第一时间周期的第一时间窗口，分别对所述样本用户行为特征、所述样本用户兴趣特征以及所述样本用户属性特征进行空间转换，得到具有所述第一时间周期的相应的第一待定行为特征、第一待定兴趣特征和第一待定属性特征；
[0203]
第二特征空间转换单元，用于基于具有第二时间周期的第二时间窗口，分别对所述样本用户行为特征、所述样本用户兴趣特征以及所述样本用户属性特征进行空间转换，得到具有所述第二时间周期的相应的第二待定行为特征、第二待定兴趣特征和第二待定属性特征；
[0204]
相应地，上述特征合并处理模块212具体可以用于对对所述第一待定行为特征、所述第一待定兴趣特征、所述第一待定属性特征、所述第二待定行为特征、所述第二待定兴趣特征以及所述第二待定属性特征进行合并处理，得到相应样本用户编码向量。
[0205]
在一种可能的实现方式中，为了实现上述空间转换处理，上述空间转换模块或单元具体可以包括：
[0206]
归一化处理单元，用于对一时间周期内的预设时间窗口进行归一化处理，得到归一化时间向量；
[0207]
空间转换参数构建模块，用于利用所述归一化时间向量及第一待训练矩阵参数，构建空间转换参数；
[0208]
空间转换单元，用于利用所述空间转换参数，对输入特征的相应特征值进行空间转换，得到相应的待定输入特征；
[0209]
其中，所述输入特征为所述样本用户行为特征、所述样本用户兴趣特征或所述样本用户属性特征，所述待定输入特征为相应的所述待定行为特征、所述待定兴趣特征和所述待定属性特征。
[0210]
在一些实施例中，上述特征提取模块210可以包括：
[0211]
第一特征提取单元，用于将所述样本用户行为数据输入第一特征提取网络，输出样本用户行为特征；
[0212]
第二特征提取单元，用于将所述样本用户兴趣数据输入第二特征提取网络，输出
样本用户兴趣特征；
[0213]
第三特征提取单元，用于对所述样本用户属性数据进行向量化处理，得到样本用户属性特征；
[0214]
其中，所述第一特征提取网络和所述第二特征提取网络的网络结构不同，且所述第一特征提取网络具有第一待训练网络参数，所述第二特征提取网络具有第二待训练网络参数；
[0215]
相应地，上述模型训练模块214可以包括：
[0216]
点击预测概率得到单元，用于将所述样本用户编码向量输入网络模型的池化层进行处理，得到相应样本用户对第一场景显示的第一消息标识进行点击操作的点击预测概率；
[0217]
损失值获取单元，用于获取所述点击预测概率与所述目标行为特征中的相应特征值之间的损失值；
[0218]
网络模型参数调整单元，用于在检测到所述损失值不满足训练约束条件的情况下，调整所述第一待训练矩阵参数、所述第一待训练网络参数和/或所述第二待训练网络参数，触发特征提取模块210继续分别对所述样本用户行为数据、所述样本用户兴趣数据以及所述样本用户属性数据进行特征提取，得到相应的样本用户行为特征、样本用户兴趣特征以及样本用户属性特征；
[0219]
消息标识消除预测模型确定单元，用于在检测到所述损失值满足所述训练约束条件的情况下，将最终训练得到的网络模型确定为所述第一场景的消息标识消除预测模型。
[0220]
需要说明的是，关于上述各装置实施例中的各种模块、单元等，均可以作为程序模块存储在存储器中，由处理器执行存储在存储器中的上述程序模块，以实现相应的功能，关于各程序模块及其组合所实现的功能，以及达到的技术效果，可以参照上述方法实施例相应部分的描述，本实施例不再赘述。
[0221]
本技术实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行，实现上述消息标识的显示控制方法的各步骤，该消息标识的显示控制方法的实现过程可以参照上述方法实施例的描述。
[0222]
本技术还提出了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述消息标识的显示控制方法方面或消息标识的显示控制装置方面的各种可选实现方式中所提供方法，具体实现过程可以参照上述相应实施例的描述，不做赘述。
[0223]
参照图11，为适用于本技术实施例提出的消息标识的显示控制方法和装置的通信服务设备一可选示例的硬件结构示意图，该通信服务设备可以包括通信模块31、存储器32和处理器33；
[0224]
在本技术实施例中，通信模块31、存储器32和处理器33可以通过通信总线实现相互间的通信，且该通信模块31、存储器32、处理器33及通信总线的数量可以为至少一个。
[0225]
可选的，通信模块31可以是能够利用无线通信网络实现数据交互的通信模块，如wifi模块、5g/6g(第五代移动通信网络/第六代移动通信网络)模块、gprs模块等，该通信模块31还可以包括实现计算机设备内部组成部件之间的数据交互的通信接口，如usb接口、
串/并口等，本技术对该通信模块31包含的具体内容不做限定。
[0226]
存储器32可以用于存储实现如上述消息标识的显示控制方法的程序，处理器33用于加载并执行该存储器32存储的程序，以实现上述相应方法实施例描述的消息标识的显示控制方法的各步骤，具体实现过程不做赘述。
[0227]
在本技术实施例中，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。处理器33，可以为中央处理器(centralprocessing unit，cpu)、特定应用集成电路(application-specific integrated circuit，asic)、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件等。
[0228]
应该理解的是，图11所示的通信服务设备的结构并不构成对本技术实施例中通信服务设备的限定，在实际应用中，通信服务设备可以包括比图11所示的更多或更少的部件，或者组合某些部件，本技术在此不做一一列举。
[0229]
最后，需要说明，本说明书中各个实施例采用递进或并列的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、通信服务设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0230]
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技术。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技术的核心思想或范围的情况下，在其它实施例中实现。因此，本技术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。