一种消息投放群体的推荐方法和装置与流程

1.本发明涉及通信技术领域，具体涉及一种消息投放群体的推荐方法和装置。


背景技术：

2.5g消息业务是基于用户终端原生短信入口，为用户提供文本、图片、音频、视频、位置、联系人等媒体内容的发送和接收，包括点对点消息、群发消息、群聊消息、点与应用间消息等。相较于功能单一的传统短信，5g消息不仅拓宽了信息收发的广度，支持用户使用文本、音视频、卡片、位置等多媒体内容，更延展了交互体验的深度，用户在消息窗口就能完成服务搜索、发现、交互、支付等业务，构建一站式服务的信息窗口。
3.5g消息面向行业客户提供增强的个人与应用间消息服务，实现消息即服务(messaging as a platform，maap)，并且引入了新的消息交互模式聊天机器人(chatbot)，用户可以通过5g消息窗口直观便捷地享受缴费充值、票务订购、酒店预订、物流查询、餐饮订座、外卖下单等各类5g应用服务。其中chatbot是一种行业客户向终端用户提供的以对话形式呈现的服务，该服务通常基于人工智能软件，模拟人类智能对话，向用户提供特定服务功能。
4.5g消息系统包括5g消息中心(5gmc)、maap系统(含maap平台管理模块和maap平台)及群聊服务器等设备；5g消息中心是5g消息系统的核心网元。它具有接入、路由模块及功能，作为整体虚拟网络架构(vnf)进行部署，又具备短消息中心的处理能力和外部接口。该网元将统一提供针对短消息和基础多媒体消息的处理、发送、存储和转发等功能；maap系统是行业5g消息系统的核心网元，该网元将为行业用户提供5g商业消息业务接入及消息上下行能力，为用户提供行业聊天机器人搜索、详情查询、消息上下行等功能；群聊服务器为5g消息提供群聊功能，包括群聊消息收发、群信息管理等功能。
5.5g消息应用开放平台可以帮助行业客户按需实现多场景的a2p沟通，企业可通过平台快速完成消息应用的部署，无需进行复杂的代码开发，帮助行业客户简单便捷的创建自己的5g消息应用。然而现有5g消息投放群体推荐方案主要根据终端用户的大数据标签来实现，即针对与消息内容相关的标签下的用户进行投放，该方案对用户骚扰较多，且投放精准度仍然不够。


技术实现要素：

6.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种消息投放群体的推荐方法和装置。
7.根据本发明的一个方面，提供了一种消息投放群体的推荐方法，包括：
8.构建异构图注意力网络，依据异构图注意力网络提取终端用户的融合特征信息；
9.获取待投放消息的消息内容，对所述消息内容进行特征提取，得到消息特征信息；
10.将所述融合特征信息和所述消息特征信息输入至投放群体推荐模型中，经投放群体推荐模型处理后得到所述待投放消息的待投放对象；
11.依据所述待投放对象对所述待投放消息进行推荐投放。
12.根据本发明的另一方面，提供了一种消息投放群体的推荐装置，包括：
13.网络构建模块，用于构建异构图注意力网络；
14.融合特征信息提取模块，用于依据异构图注意力网络提取终端用户的融合特征信息；
15.消息特征提取模块，用于获取待投放消息的消息内容，对所述消息内容进行特征提取，得到消息特征信息；
16.处理模块，用于将所述融合特征信息和所述消息特征信息输入至投放群体推荐模型中，经投放群体推荐模型处理后得到所述待投放消息的待投放对象；
17.推荐模块，用于依据所述待投放对象对所述待投放消息进行推荐投放。
18.根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
19.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述一种消息投放群体的推荐方法对应的操作。
20.根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述一种消息投放群体的推荐方法对应的操作。
21.根据本发明的一种消息投放群体的推荐方法和装置，通过构建异构图注意力网络，依据异构图注意力网络提取终端用户的融合特征信息；获取待投放消息的消息内容，对消息内容进行特征提取，得到消息特征信息；将融合特征信息和消息特征信息输入至投放群体推荐模型中，经投放群体推荐模型处理后得到待投放消息的待投放对象；依据待投放对象对待投放消息进行推荐投放。本发明通过构建异构图注意力网络，提取终端用户的融合特征信息和消息特征信息，经投放群体推荐模型处理后得到待投放消息的待投放对象，提高5g行业消息投放的精准性，最大程度减少了对终端用户的骚扰。
22.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
23.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
24.图1示出了本发明实施例提供的一种消息投放群体的推荐方法流程图；
25.图2示出了本发明实施例提供的异构图网络示意图；
26.图3示出了本发明实施例提供的一种消息投放群体的推荐方法实现过程示意图；
27.图4示出了本发明实施例提供的一种消息投放群体的推荐装置的结构示意图；
28.图5示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
29.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
30.图网络(graph network,gn)是在拓扑空间(topological space)内按图(graph)结构组织以进行关系推理(relational reasoning)的函数集合。图网络由相互连接的图网络块(gn block)组成，在神经网络实现中也被称为节点(node)。节点间的连接被称为“边(edge)”，表示了节点间的依赖关系，图网络中节点和边的性质与图结构相同，图注意力网络(graph attention network，gat)是将注意力机制引入图网络，在图网络的传播层引入注意力(attention)机制，使中心节点特征的聚合过程中，对不同的相邻节点分配不同的权重，对邻居节点的注意力产生差异，关注那些关联比较大的切片节点，而忽视一些关联较小的切片节点。原始的图卷积神经网络(graph convolutional network,gcn)和其他图神经网络使用的是静态，无法自适应的传播法则，无法捕捉中心节点的哪个邻居节点对于中心节点的分类贡献更大，真实数据并非所有的边都是代表着相同的关联强度。
31.本实施例中的图是指由消息终端的用户网络中的三类异构数据组成的关系图，可表示为g＝(v，e)，图中的节点代表三类异构数据，e为边的集合，图中的边代表三类异构数据的四种关系，节点特征集合用h表示，每个顶点的特征hi为一个高维向量。因此，可以将本实施例的方案视为节点的分类问题，最终输出为该终端用户节点是否为该行业chatbot消息的投放对象。
32.图1示出了本发明一种消息投放群体的推荐方法实施例的流程图，如图1所示，该方法包括以下步骤：
33.步骤s110：构建异构图注意力网络，依据异构图注意力网络提取终端用户的融合特征信息。
34.图2为本发明实施例提供的异构图网络示意图，如图2所示，构建由三种异构节点组成的异构图网络。图中的节点类型包括三种：大数据标签节点，该类节点的特征包括大数据标签名、所属标签类型等；终端用户节点，该类节点的特征为终端用户的状态信息包括开户地点、在网时间、当前注册地、月均平均收入值(average revenue per user；arpu)等；以及行业chatbot节点，该类节点的特征为行业chatbot的状态信息包括所属行业、日均下发消息量、被关注用户数量等。三种节点之间的关系包括两种：一是大数据标签与终端用户之间的关系为终端用户属于一个或多个大数据标签的关系；二是终端用户与行业chatbot之间的关系为终端用户关注一个或多个行业chatbot的关系。
35.本实施例中gat的计算分为两步：计算注意力系数(attention coefficient)和加权求和(aggregate)；gat模型通过堆叠图注意力层(graph attention layer)实现，每一个图注意力层的输入为节点所产生的告警文本特征集合，输入为节点特征集合公式如下式(1)：
[0036][0037]
输出为新的告警文本节点特征集合如下式(2)：
[0038][0039]
为了计算每个邻居节点的权重，将一个f
×
f'的共享权重矩阵w应用于每个节点，计算出attention系数，该系数可以表示节点j相对于节点i的重要性，attention系数计算如下式(3)：
[0040][0041]
其中，a和w为参数。
[0042]
为了使得注意力系数更容易计算和便于比较，通过逻辑回归模型softmax对所有的节点i的相邻节点j进行正则化处理，公式如下式(4)：
[0043][0044]
通过式(1)-(4)处理得到经过图注意力层后的节点i的特征表示为式(5)，即gat输出的对于每个顶点i的新特征，该新特征融合了邻域(包括相邻节点)信息，其中，σ是激活函数。
[0045][0046]
其中，ni表示节点i的邻居节点集合，系数a即每次卷积时，用来进行加权求和的系数。
[0047]
在一种可选的方式中，步骤s110进一步包括：依据预设时间粒度从5g消息开放平台中收集大数据标签特征信息、行业聊天机器人状态信息以及终端用户状态信息；依据大数据标签特征信息、行业聊天机器人状态信息以及终端用户状态信息分别获取大数据标签特征数据、行业聊天机器人特征数据和终端用户特征数据；依据大数据标签特征数据、行业聊天机器人特征数据和终端用户特征数据构建以终端用户为中心节点的异构图注意力网络。
[0048]
在本实施例中，从5g消息开放平台中收集以t为时间粒度的大数据标签特征信息、行业聊天机器人状态信息以及终端用户状态信息，提取三类异构节点的特征数据，并根据三类节点间的关系，以终端用户为中心节点构建由该三类异构节点组成的异构图注意力网络。
[0049]
在一种可选的方式中，步骤s110进一步包括：将大数据标签特征数据和终端用户特征数据输入至邻居节点级图注意力层，输出融合有大数据标签特征数据后的第一终端用户特征；将行业聊天机器人特征数据和终端用户特征数据输入至邻居节点级图注意力层，输出融合有行业聊天机器人特征数据后的第二终端用户特征；将第一终端用户特征和第二终端用户特征输入中心节点级图注意力层进行聚合处理，得到终端用户的融合特征信息。
[0050]
图3为本发明实施例的实现过程示意图，如图3所示，首先通过终端用户特征提取器提取终端用户的融合特征信息，将大数据标签特征数据和终端用户特征数据输入至邻居节点级图注意力层，第一步学习终端用户i的第一类邻居节点“大数据标签”对其重要性的权重，具体地，通过输入终端用户i状态特征h
ci
及其邻居节点大数据标签的属性特征h
bi
，分别经过词嵌入层转化为特征向量后输入至邻居节点级图注意力层，输出融合有大数据标签特征数据后的第一终端用户特征h
ci1
。第二步学习终端用户i的第二类邻居节点“行业
chatbot”对其重要性的权重，通过输入终端用户i的状态特征h
ci
及其邻居节点行业chatbot的特征h
bi
，分别经过词嵌入层转化为特征向量后输入至邻居节点级图注意力层，输出融合有行业chatbot特征数据后的第二终端用户特征h
ci2
；将第一终端用户特征h
ci1
和第二终端用户特征h
ci2
输入中心节点级图注意力层进行聚合处理，输出同时融合两类邻居节点特征的终端用户的融合特征信息h
ci
′
。
[0051]
需要说明的是，如图3所示，词嵌入层(embedding)是利用词嵌入(word embedding)将每个词转化为向量，输入数据维度为z，输出设置为需要将词转换为64维度的空间向量，输入序列长度为f，因此词嵌入层输出数据的形状为(none,f，64)，词嵌入层的作用是对输入的词进行向量映射，将每个词的索引转换为64维的固定形状向量；邻居节点级图注意力层中卷积核个数为256，激活函数设置为“relu”；中心节点级图注意力层中卷积核个数为128，激活函数设置为“relu”。
[0052]
步骤s120：获取待投放消息的消息内容，对消息内容进行特征提取，得到消息特征信息。
[0053]
在一种可选的方式中，步骤s120进一步包括：获取消息下发请求；依据消息下发请求提取待投放消息的消息内容。
[0054]
在一种可选的方式中，步骤s120进一步包括：对消息内容进行分词处理，通过词嵌入层将每一个分词进行向量映射，得到每个词的映射向量；将每个词的映射向量输入卷积层进行文本特征提取，得到多个文本特征信息；将多个文本特征信息经过最大值池化层处理，提取特征值最大的文本特征信息作为消息特征信息。
[0055]
在本步骤中，行业客户向5g消息开放平台发起消息下发请求，消息下发请求中携带待投放消息的消息内容，获取待投放消息的消息内容，对消息内容进行特征提取，得到消息特征信息。如图3所示，可以通过待投放消息特征提取器对消息内容进行特征提取，具体地，对消息内容进行分词处理，通过第一层即词嵌入层的词嵌入功能将每个词转化为映射向量，输入数据维度为j，输出设置为需要将词转换为64维度的空间向量，输入序列长度为g，因此词嵌入层输出数据的形状为(none,g，64)。进一步通过第二层和第四层的卷积层(conv1d)进行文本特征提取，得到多个文本特征信息；其中，卷积核个数为48(即输出的维度)，卷积核的空域窗长度设置为2(即卷积核每次连续读取2个词)，激活函数设置为“relu”。将多个文本特征信息经过第三层和第五层的最大值池化层(maxpooling1d)处理，提取特征值最大的文本特征信息作为消息特征信息；其中，池化窗口大小设置为2，最大值池化层将卷积核抽取出的特征值中的最大值保留，其他特征值全部丢弃。进一步可以通过第六层的平整层(flatten)用来将输入“压平”，将三维的输入转化成二维，平整层用于从卷积层到后续的全连接层的过渡。
[0056]
步骤s130：将融合特征信息和消息特征信息输入至投放群体推荐模型中，经投放群体推荐模型处理后得到待投放消息的待投放对象。
[0057]
在一种可选的方式中，投放群体推荐模型的训练步骤包括：依据异构图注意力网络提取终端用户样本的融合特征信息，并收集历史投放消息以及历史投放消息对应的投放对象标签；对历史投放消息进行特征提取，得到历史消息特征信息；利用终端用户样本的融合特征信息、历史消息特征信息以及历史投放消息对应的投放对象标签进行模型训练，得到投放群体推荐模型。
[0058]
具体地说，利用构建的异构图注意力网络提取终端用户样本的融合特征信息，并收集历史投放消息以及历史投放消息对应的投放对象标签；对历史投放消息进行特征提取，得到历史消息特征信息，将历史消息特征信息编码为整数序列表示，同时根据每条待投放消息的消息内容人工标注所推荐的投放对象。
[0059]
具体地，异构图注意力网络中包括大数据标签特征数据集、行业chatbot特征数据集和终端用户特征数据集以及待投放消息集；定义每个节点特征的编码序列长度为f(f也为数据集中最长长度)，将每条数据的长度均填充为f，取其词典大小为z；定义待投放消息的编码序列长度为g(g为数据集中最长长度)，将每条数据的长度均填充为g，取其词典大小为j；标签矩阵y为人工标记的该终端用户是否为该行业chatbot消息的投放对象，形状为n*1。利用终端用户样本的融合特征信息、历史消息特征信息以及历史投放消息对应的投放对象标签构建总数据集，将总数据集划分为训练数据和测试数据，取整个数据集的80％为训练数据，剩余20％为测试数据；通过训练集进行训练，得到投放群体推荐模型，通过测试集来评价验证投放群体推荐模型。
[0060]
在一种可选的方式中，步骤s130进一步包括：将融合特征信息和消息特征信息通过合并层进行拼接合并处理，得到预设长度的上下文向量；依据上下文向量通过全连接层处理得到待投放消息的投放群体预测结果；依据投放群体预测结果得到待投放消息的待投放对象。
[0061]
具体地说，通过终端用户特征提取器输出的终端用户的融合特征信息向量和待投放消息特征提取器输出的消息特征信息向量经过合并层(concatenate)按列维度进行拼接合并为1个固定长度的上下文向量；将上下文向量输入全连接层(dense)得到待投放消息的投放群体预测结果，其中，全连接层神经元个数设置为1，激活函数设置为“sigmoid”，输出为该终端用户是否为该行业chatbot消息的待投放对象yi(其中1为是，0为不是)，依据多个终端用户的投放群体预测结果整理得到待投放消息的待投放对象。
[0062]
需要特别说明的是，在投放群体推荐模型的训练过程中，为了提高预测结果的准确性，针对每个终端用户的投放群体预测结果，还需要计算该终端用户i的预测结果和真实的结果之间的误差，训练目标是最小化该误差，目标函数可以选择二值对数损失函数(binary_crossentropy)如下式(6)：
[0063][0064]
其中，可将训练回合数设置为1000(epochs＝1000)，梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer＝'adam')，卷积神经网络通过梯度下降，可以找到使目标函数最小的最优权重值，卷积神经网络通过训练会自主学习到权重值，用训练集进行训练，使得上述目标函数越小越好，并在每轮训练后用测试集来评价验证投放群体推荐模型，投放群体推荐模型收敛后导出该投放群体推荐模型的权重。
[0065]
步骤s140：依据待投放对象对待投放消息进行推荐投放。
[0066]
在本步骤中，投放群体推荐模型最终输出该终端用户是否为该行业chatbot消息的待投放对象，并将结果返回给5g消息开放平台，5g消息开放平台将待投放对象反馈至该行业客户，并按照待投放对象对待投放消息进行推荐投放。
[0067]
采用本实施例的方法，通过构建由终端用户、行业chatbot、大数据标签构成，以终端用户为中心节点的异构图注意力网络，将异构图注意力网络与卷积神经网络相结合，其
中异构图注意力网络包含邻居节点级图注意力和中心节点级图注意力两部分，以终端用户为中心节点，分别与相邻的两类邻居节点进行邻居节点级注意力聚合，学习其邻居节点即行业chatbot和大数据标签对于预测其是否为该行业消息投放对象的不同重要性，根据重要性的差异为节点间的关系分配不同的权值，然后将融合了大数据标签特征信息后的第一终端用户特征和融合了行业chatbot状态信息后的第二终端用户特征进行聚合，输出的终端用户的融合特征信息与待投放消息的消息特征信息经过合并层合并向量后输入至由全连接层构成的分类器，最终输出该终端用户是否为该行业chatbot消息的投放对象，从而提高5g行业消息投放的精准性，最大程度减少对终端用户的骚扰。
[0068]
图4示出了本发明一种消息投放群体的推荐装置实施例的结构示意图。如图4所示，该装置包括：网络构建模块410、融合特征信息提取模块420、消息特征提取模块430、处理模块440和推荐模块450。
[0069]
网络构建模块410，用于构建异构图注意力网络。
[0070]
在一种可选的方式中，网络构建模块410进一步用于：依据预设时间粒度从5g消息开放平台中收集大数据标签特征信息、行业聊天机器人状态信息以及终端用户状态信息；依据大数据标签特征信息、行业聊天机器人状态信息以及终端用户状态信息分别获取大数据标签特征数据、行业聊天机器人特征数据和终端用户特征数据；依据大数据标签特征数据、行业聊天机器人特征数据和终端用户特征数据构建以终端用户为中心节点的异构图注意力网络。
[0071]
融合特征信息提取模块420，用于依据异构图注意力网络提取终端用户的融合特征信息。
[0072]
在一种可选的方式中，融合特征信息提取模块420进一步用于：将大数据标签特征数据和终端用户特征数据输入至邻居节点级图注意力层，输出融合有大数据标签特征数据后的第一终端用户特征；将行业聊天机器人特征数据和终端用户特征数据输入至邻居节点级图注意力层，输出融合有行业聊天机器人特征数据后的第二终端用户特征；将第一终端用户特征和第二终端用户特征输入中心节点级图注意力层进行聚合处理，得到终端用户的融合特征信息。
[0073]
消息特征提取模块430，用于获取待投放消息的消息内容，对消息内容进行特征提取，得到消息特征信息。
[0074]
在一种可选的方式中，消息特征提取模块430进一步用于：获取消息下发请求；依据消息下发请求提取待投放消息的消息内容。
[0075]
在一种可选的方式中，消息特征提取模块430进一步用于：对消息内容进行分词处理，通过词嵌入层将每一个分词进行向量映射，得到每个词的映射向量；将每个词的映射向量输入卷积层进行文本特征提取，得到多个文本特征信息；将多个文本特征信息经过最大值池化层处理，提取特征值最大的文本特征信息作为消息特征信息。
[0076]
处理模块440，用于将融合特征信息和消息特征信息输入至投放群体推荐模型中，经投放群体推荐模型处理后得到待投放消息的待投放对象。
[0077]
在一种可选的方式中，消息特征提取模块430进一步用于：将融合特征信息和消息特征信息通过合并层进行拼接合并处理，得到预设长度的上下文向量；依据上下文向量通过全连接层处理得到待投放消息的投放群体预测结果；依据投放群体预测结果得到待投放
消息的待投放对象。
[0078]
在一种可选的方式中，该装置还包括推荐模型构建模块，用于依据异构图注意力网络提取终端用户样本的融合特征信息，并收集历史投放消息以及历史投放消息对应的投放对象标签；对历史投放消息进行特征提取，得到历史消息特征信息；利用终端用户样本的融合特征信息、历史消息特征信息以及历史投放消息对应的投放对象标签进行模型训练，得到投放群体推荐模型。
[0079]
推荐模块450，用于依据待投放对象对待投放消息进行推荐投放。
[0080]
采用本实施例的装置，通过构建异构图注意力网络，依据异构图注意力网络提取终端用户的融合特征信息；获取待投放消息的消息内容，对消息内容进行特征提取，得到消息特征信息；将融合特征信息和消息特征信息输入至投放群体推荐模型中，经投放群体推荐模型处理后得到待投放消息的待投放对象；依据待投放对象对待投放消息进行推荐投放。该装置通过构建异构图注意力网络，提取终端用户的融合特征信息和消息特征信息，经投放群体推荐模型处理后得到待投放消息的待投放对象，提高5g行业消息投放的精准性，最大程度减少了对终端用户的骚扰。
[0081]
本发明实施例提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的一种消息投放群体的推荐方法。
[0082]
可执行指令具体可以用于使得处理器执行以下操作：
[0083]
构建异构图注意力网络，依据异构图注意力网络提取终端用户的融合特征信息；
[0084]
获取待投放消息的消息内容，对消息内容进行特征提取，得到消息特征信息；
[0085]
将融合特征信息和消息特征信息输入至投放群体推荐模型中，经投放群体推荐模型处理后得到待投放消息的待投放对象；
[0086]
依据待投放对象对待投放消息进行推荐投放。
[0087]
图5示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
[0088]
如图5所示，该计算设备可以包括：
[0089]
处理器(processor)、通信接口(communications interface)、存储器(memory)、以及通信总线。
[0090]
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述一种消息投放群体的推荐方法实施例中的相关步骤。
[0091]
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
[0092]
处理器可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。服务器包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0093]
存储器，用于存放程序。存储器可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0094]
程序具体可以用于使得处理器执行以下操作：
[0095]
构建异构图注意力网络，依据异构图注意力网络提取终端用户的融合特征信息；
[0096]
获取待投放消息的消息内容，对消息内容进行特征提取，得到消息特征信息；
[0097]
将融合特征信息和消息特征信息输入至投放群体推荐模型中，经投放群体推荐模型处理后得到待投放消息的待投放对象；
[0098]
依据待投放对象对待投放消息进行推荐投放。
[0099]
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0100]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0101]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0102]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0103]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0104]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0105]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。