本技术涉及计算机，特别是涉及一种信息推送方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，以及一种信息推送模型处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
背景技术：
1、随着计算机技术的发展，出现了信息推送技术，通过信息推送技术能够为不同用户推送感兴趣的信息。传统的信息推送，一般是通过模型使用用户的历史交互信息去预测出用户感兴趣的信息，然后将预测出的用户感兴趣的信息推送给用户。
2、然而，用户往往是在上下班路上、睡前等空闲时间才会浏览信息，传统的推送方式所推送的信息类型多，信息量大，用户难以在有限时间内从大量信息中获得感兴趣的信息。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种符合用户浏览习惯的个性化信息推送方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、本技术提供了一种信息推送方法，所述方法包括：
3、获取推送接收对象在多个历史周期中相同时间段内各自的信息浏览记录；所述信息浏览记录，包括所述推送接收对象在所述时间段内浏览的历史信息所属的历史信息类别，以及浏览所述历史信息的浏览时间记录；
4、基于所述信息浏览记录中的所述历史信息类别提取历史类别特征，基于所述历史类别特征，预测所述推送接收对象对应的推送信息类别；所述推送信息类别，表征在计划推送周期中所述时间段需推送信息流中信息的类别；
5、基于所述信息浏览记录中的所述浏览时间记录提取历史时长特征，基于所述历史时长特征，预测所述推送接收对象对应的预测浏览时长；所述预测浏览时长，表征在所述计划推送周期中所述时间段需推送信息流的浏览时长；
6、参考所述预测浏览时长，获取所述推送信息类别的多个推荐信息；
7、生成包括所述多个推荐信息的推荐信息流，所述推荐信息流的总浏览时长与所述预测浏览时长相匹配；所述推荐信息流，用于在所述计划推送周期内的所述时间段向所述推送接收对象推送。
8、本技术还提供了一种信息推送装置，所述装置包括：
9、记录获取模块，用于获取推送接收对象在多个历史周期中相同时间段内各自的信息浏览记录；所述信息浏览记录，包括所述推送接收对象在所述时间段内浏览的历史信息所属的历史信息类别，以及浏览所述历史信息的浏览时间记录；
10、类别预测模块，用于基于所述信息浏览记录中的所述历史信息类别提取历史类别特征，基于所述历史类别特征，预测所述推送接收对象对应的推送信息类别；所述推送信息类别，表征在计划推送周期中所述时间段需推送信息流中信息的类别；
11、时长预测模块，用于基于所述信息浏览记录中的所述浏览时间记录提取历史时长特征，基于所述历史时长特征，预测所述推送接收对象对应的预测浏览时长；所述预测浏览时长，表征在所述计划推送周期中所述时间段需推送信息流的浏览时长；
12、信息获取模块，用于参考所述预测浏览时长，获取所述推送信息类别的多个推荐信息；
13、生成模块，用于生成包括所述多个推荐信息的推荐信息流，所述推荐信息流的总浏览时长与所述预测浏览时长相匹配；所述推荐信息流，用于在所述计划推送周期内的所述时间段向所述推送接收对象推送。
14、本技术还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
15、获取推送接收对象在多个历史周期中相同时间段内各自的信息浏览记录；所述信息浏览记录，包括所述推送接收对象在所述时间段内浏览的历史信息所属的历史信息类别，以及浏览所述历史信息的浏览时间记录；
16、基于所述信息浏览记录中的所述历史信息类别提取历史类别特征，基于所述历史类别特征，预测所述推送接收对象对应的推送信息类别；所述推送信息类别，表征在计划推送周期中所述时间段需推送信息流中信息的类别；
17、基于所述信息浏览记录中的所述浏览时间记录提取历史时长特征，基于所述历史时长特征，预测所述推送接收对象对应的预测浏览时长；所述预测浏览时长，表征在所述计划推送周期中所述时间段需推送信息流的浏览时长；
18、参考所述预测浏览时长，获取所述推送信息类别的多个推荐信息；
19、生成包括所述多个推荐信息的推荐信息流，所述推荐信息流的总浏览时长与所述预测浏览时长相匹配；所述推荐信息流，用于在所述计划推送周期内的所述时间段向所述推送接收对象推送。
20、本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
21、获取推送接收对象在多个历史周期中相同时间段内各自的信息浏览记录；所述信息浏览记录，包括所述推送接收对象在所述时间段内浏览的历史信息所属的历史信息类别，以及浏览所述历史信息的浏览时间记录；
22、基于所述信息浏览记录中的所述历史信息类别提取历史类别特征，基于所述历史类别特征，预测所述推送接收对象对应的推送信息类别；所述推送信息类别，表征在计划推送周期中所述时间段需推送信息流中信息的类别；
23、基于所述信息浏览记录中的所述浏览时间记录提取历史时长特征，基于所述历史时长特征，预测所述推送接收对象对应的预测浏览时长；所述预测浏览时长，表征在所述计划推送周期中所述时间段需推送信息流的浏览时长；
24、参考所述预测浏览时长，获取所述推送信息类别的多个推荐信息；
25、生成包括所述多个推荐信息的推荐信息流，所述推荐信息流的总浏览时长与所述预测浏览时长相匹配；所述推荐信息流，用于在所述计划推送周期内的所述时间段向所述推送接收对象推送。
26、本技术还提供了一种计算机程序产品，所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
27、获取推送接收对象在多个历史周期中相同时间段内各自的信息浏览记录；所述信息浏览记录，包括所述推送接收对象在所述时间段内浏览的历史信息所属的历史信息类别，以及浏览所述历史信息的浏览时间记录；
28、基于所述信息浏览记录中的所述历史信息类别提取历史类别特征，基于所述历史类别特征，预测所述推送接收对象对应的推送信息类别；所述推送信息类别，表征在计划推送周期中所述时间段需推送信息流中信息的类别；
29、基于所述信息浏览记录中的所述浏览时间记录提取历史时长特征，基于所述历史时长特征，预测所述推送接收对象对应的预测浏览时长；所述预测浏览时长，表征在所述计划推送周期中所述时间段需推送信息流的浏览时长；
30、参考所述预测浏览时长，获取所述推送信息类别的多个推荐信息；
31、生成包括所述多个推荐信息的推荐信息流，所述推荐信息流的总浏览时长与所述预测浏览时长相匹配；所述推荐信息流，用于在所述计划推送周期内的所述时间段向所述推送接收对象推送。
32、上述信息推送方法、装置、计算机设备、存储介质和计算机程序产品，通过获取推送接收对象在多个历史周期中相同时间段内各自的信息浏览记录，以从信息浏览记录中获取到推送接收对象在时间段内浏览的历史信息所属的历史信息类别，以及浏览历史信息的浏览时间记录。基于信息浏览记录中的历史信息类别提取历史类别特征，以基于历史类别特征预测推送接收对象对应的推送信息类别，能够基于用户在特定时间段的历史浏览的信息类别习惯，准确地预测用户在计划推送周期的相同时间段感兴趣的信息类别。基于信息浏览记录中的浏览时间记录提取历史时长特征，以基于历史时长特征预测推送接收对象对应的预测浏览时长，能够基于用户的历史浏览时长习惯，准确地预测用户在计划推送周期的相同时间段内用于信息浏览的时长。参考预测浏览时长，获取推送信息类别的多个推荐信息，从而能够结合用户可能用于信息浏览的时长，从推送接收对象感兴趣的信息类别中选取多个推荐信息，以生成包括多个推荐信息的推荐信息流，便于用户浏览。所生成的推荐信息流的总浏览时长与预测浏览时长相匹配，使得所生成的推荐信息流的总浏览时长能够符合用户在特定时间段的浏览时长习惯，实现个性化的信息推送。所生成的推荐信息流在计划推送周期内的相同时间段向用户推送，实现信息流的智能化推送，并且，使得用户能够在习惯的浏览时长内完成对推荐信息流的浏览。而且，信息流中包括多个推荐信息，使得用户可在一个信息流中获取到更多的感兴趣信息，在帮助用户快速了解信息流的相关内容的同时，还帮助用户节省浏览时间，提升浏览信息流的舒适性。
33、本技术提供了一种信息推送模型处理方法，所述方法包括：
34、获取样本接收对象在多个样本历史周期中相同样本时间段内各自的样本信息浏览记录；所述样本信息浏览记录，包括所述样本接收对象在所述样本时间段内浏览的样本历史信息所属的样本历史信息类别，以及浏览所述样本历史信息的样本浏览时间记录；
35、基于所述样本信息浏览记录中的所述样本历史信息类别提取样本类别特征，基于所述样本类别特征，预测所述样本接收对象对应的样本推送信息类别；所述样本推送信息类别，表征在样本计划推送周期中所述样本时间段需推送样本信息流中信息的类别；
36、基于所述样本信息浏览记录中的所述浏览时间记录提取样本历史时长特征，基于所述样本历史时长特征，预测所述样本接收对象对应的样本预测浏览时长；所述样本预测浏览时长，表征在所述样本计划推送周期中所述样本时间段需推送样本信息流的浏览时长；
37、参考所述样本预测浏览时长，获取所述样本推送信息类别的多个样本推荐信息；
38、生成包括所述多个样本推荐信息的样本推荐信息流，所述样本推荐信息流的总浏览时长与所述样本预测浏览时长相匹配；
39、获取所述样本接收对象在所述样本计划推送周期对应的期望推荐信息流，基于所述样本推荐信息流和所述期望推荐信息流进行模型训练，获得信息推送模型。
40、本技术还提供了一种信息推送模型处理装置，所述装置包括：
41、样本记录获取模块，用于获取样本接收对象在多个样本历史周期中相同样本时间段内各自的样本信息浏览记录；所述样本信息浏览记录，包括所述样本接收对象在所述样本时间段内浏览的样本历史信息所属的样本历史信息类别，以及浏览所述样本历史信息的样本浏览时间记录；
42、样本类别预测模块，用于基于所述样本信息浏览记录中的所述样本历史信息类别提取样本类别特征，基于所述样本类别特征，预测所述样本接收对象对应的样本推送信息类别；所述样本推送信息类别，表征在样本计划推送周期中所述样本时间段需推送样本信息流中信息的类别；
43、样本时长预测模块，用于基于所述样本信息浏览记录中的所述浏览时间记录提取样本历史时长特征，基于所述样本历史时长特征，预测所述样本接收对象对应的样本预测浏览时长；所述样本预测浏览时长，表征在所述样本计划推送周期中所述样本时间段需推送样本信息流的浏览时长；
44、样本信息获取模块，用于参考所述样本预测浏览时长，获取所述样本推送信息类别的多个样本推荐信息；
45、样本生成模块，用于生成包括所述多个样本推荐信息的样本推荐信息流，所述样本推荐信息流的总浏览时长与所述样本预测浏览时长相匹配；
46、训练模块，用于获取所述样本接收对象在所述样本计划推送周期对应的期望推荐信息流，基于所述样本推荐信息流和所述期望推荐信息流进行模型训练，获得信息推送模型。
47、本技术还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
48、获取样本接收对象在多个样本历史周期中相同样本时间段内各自的样本信息浏览记录；所述样本信息浏览记录，包括所述样本接收对象在所述样本时间段内浏览的样本历史信息所属的样本历史信息类别，以及浏览所述样本历史信息的样本浏览时间记录；
49、基于所述样本信息浏览记录中的所述样本历史信息类别提取样本类别特征，基于所述样本类别特征，预测所述样本接收对象对应的样本推送信息类别；所述样本推送信息类别，表征在样本计划推送周期中所述样本时间段需推送样本信息流中信息的类别；
50、基于所述样本信息浏览记录中的所述浏览时间记录提取样本历史时长特征，基于所述样本历史时长特征，预测所述样本接收对象对应的样本预测浏览时长；所述样本预测浏览时长，表征在所述样本计划推送周期中所述样本时间段需推送样本信息流的浏览时长；
51、参考所述样本预测浏览时长，获取所述样本推送信息类别的多个样本推荐信息；
52、生成包括所述多个样本推荐信息的样本推荐信息流，所述样本推荐信息流的总浏览时长与所述样本预测浏览时长相匹配；
53、获取所述样本接收对象在所述样本计划推送周期对应的期望推荐信息流，基于所述样本推荐信息流和所述期望推荐信息流进行模型训练，获得信息推送模型。
54、本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
55、获取样本接收对象在多个样本历史周期中相同样本时间段内各自的样本信息浏览记录；所述样本信息浏览记录，包括所述样本接收对象在所述样本时间段内浏览的样本历史信息所属的样本历史信息类别，以及浏览所述样本历史信息的样本浏览时间记录；
56、基于所述样本信息浏览记录中的所述样本历史信息类别提取样本类别特征，基于所述样本类别特征，预测所述样本接收对象对应的样本推送信息类别；所述样本推送信息类别，表征在样本计划推送周期中所述样本时间段需推送样本信息流中信息的类别；
57、基于所述样本信息浏览记录中的所述浏览时间记录提取样本历史时长特征，基于所述样本历史时长特征，预测所述样本接收对象对应的样本预测浏览时长；所述样本预测浏览时长，表征在所述样本计划推送周期中所述样本时间段需推送样本信息流的浏览时长；
58、参考所述样本预测浏览时长，获取所述样本推送信息类别的多个样本推荐信息；
59、生成包括所述多个样本推荐信息的样本推荐信息流，所述样本推荐信息流的总浏览时长与所述样本预测浏览时长相匹配；
60、获取所述样本接收对象在所述样本计划推送周期对应的期望推荐信息流，基于所述样本推荐信息流和所述期望推荐信息流进行模型训练，获得信息推送模型。
61、本技术还提供了一种计算机程序产品，所述计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现以下步骤：
62、获取样本接收对象在多个样本历史周期中相同样本时间段内各自的样本信息浏览记录；所述样本信息浏览记录，包括所述样本接收对象在所述样本时间段内浏览的样本历史信息所属的样本历史信息类别，以及浏览所述样本历史信息的样本浏览时间记录；
63、基于所述样本信息浏览记录中的所述样本历史信息类别提取样本类别特征，基于所述样本类别特征，预测所述样本接收对象对应的样本推送信息类别；所述样本推送信息类别，表征在样本计划推送周期中所述样本时间段需推送样本信息流中信息的类别；
64、基于所述样本信息浏览记录中的所述浏览时间记录提取样本历史时长特征，基于所述样本历史时长特征，预测所述样本接收对象对应的样本预测浏览时长；所述样本预测浏览时长，表征在所述样本计划推送周期中所述样本时间段需推送样本信息流的浏览时长；
65、参考所述样本预测浏览时长，获取所述样本推送信息类别的多个样本推荐信息；
66、生成包括所述多个样本推荐信息的样本推荐信息流，所述样本推荐信息流的总浏览时长与所述样本预测浏览时长相匹配；
67、获取所述样本接收对象在所述样本计划推送周期对应的期望推荐信息流，基于所述样本推荐信息流和所述期望推荐信息流进行模型训练，获得信息推送模型。
68、上述信息推送模型处理方法、装置、计算机设备、存储介质和计算机程序产品，通过获取样本接收对象在多个样本历史周期中相同样本时间段内各自的样本信息浏览记录，以从样本信息浏览记录中获取到样本接收对象在样本时间段内浏览的样本历史信息所属的样本历史信息类别，以及浏览样本历史信息的样本浏览时间记录。基于样本信息浏览记录中的样本历史信息类别提取样本类别特征，以基于样本类别特征预测样本接收对象对应的样本推送信息类别，能够基于用户在特定样本时间段的历史浏览的信息类别习惯，准确地预测用户在样本计划推送周期的相同时间段感兴趣的信息类别。基于样本信息浏览记录中的浏览时间记录提取样本历史时长特征，以基于样本历史时长特征预测样本接收对象对应的样本预测浏览时长，能够基于用户的历史浏览时长习惯，准确地预测用户在样本计划推送周期的相同时间段内用于信息浏览的时长。参考样本预测浏览时长，获取样本推送信息类别的多个样本推荐信息，从而能够结合预测的用户可能用于信息浏览的时长，从预测的信息类别中选取多个样本推荐信息，以生成预测的样本推荐信息流，样本推荐信息流的总浏览时长与样本预测浏览时长相匹配。样本接收对象在样本计划推送周期对应的期望推荐信息流，表征期望模型在训练中能够输出的信息流，是模型学习的目标。基于模型生成的样本推荐信息流和期望模型生成的推荐信息流进行模型训练，使得模型在训练中输出的推荐信息流逐步接近期望推荐信息流，从而获得信息推送模型。所获得的信息推送模型，能够自动预测用户在特定时间段的信息类别和浏览时长。基于预测浏览时长选择属于所预测的信息类别的多个推荐信息，以生成包括多个推荐信息的推荐信息流，便于用户浏览。所生成的推荐信息流的总浏览时长与预测浏览时长相匹配，使得所生成的推荐信息流的总浏览时长能够符合用户在特定时间段的浏览时长习惯。所生成的推荐信息流在计划推送周期内的相同时间段向用户推送，实现信息流的智能化推送。通过信息推送模型进行自动预测和信息流生成，能够有效提高信息推送的速度。