br>[0044]本发明实施例的技术方案，通过用户对待推送消息的感兴趣程度及用户的可能返回消息推送平台的时间间隔两个因素来确定待推送消息的目标用户群；
[0045]由这种方法确定的目标用户群，不仅对所推送的消息具有较高的兴趣度，同时又有较大可能在消息有效时间段内登陆，这就有效地提高消息的曝光率，同时减少在存储消息有效时间段内用户未登陆的情况，减少推送平台资源的浪费。
【附图说明】
[0046]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。
[0047]图1为本发明实施例提供的一种消息推送方法的流程图；
[0048]图2为本发明实施例提供的一种消息推送装置的结构示意图。
【具体实施方式】
[0049]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。
[0050]本发明实施例首先提供了一种消息推送方法，应用于消息推送平台，如图1所示，该方法可以包括:[0051 ] SlOl，获得待推送消息；
[0052]所说的待推送消息可以根据消息推送平台的业务需要来确定，本步骤的具体实施方法可以采用现有技术的相关技术方案来实现，本发明在此不作具体限定。
[0053]S102，获得对待推送消息感兴趣的第一用户群；
[0054]本步骤的具体实施方法可以采用现有技术的相关技术方案来实现，本发明在此不作具体限定。
[0055]例如，在实际应用过程中，可以根据预设的规则确定所有用户对待推送消息的感兴趣程度；现有技术中，用于确定用户对消息感兴趣程度的方法有很多，本发明以此不作具体限定。
[0056]然后再根据预设的阈值选取对消息最感兴趣的前S个用户为第一用户群。所说的预设的阈值可以由研发人员预先确定，本发明在此不作限定。
[0057]S103，获得所述第一用户群中每一用户的行为特征；
[0058]在实际应用过程中，可以根据用户的行为记录来获取用户的行为特征；需要说明的是，所说的用户的行为记录是与消息推送平台相关的行为记录。本步骤中所获得的行为特征是与返回时间分类模型所对应的行为特征；具体来说，本步骤中所获得的行为特征应该与在训练返回时间分类模型过程中所利用的行为特征是对应的。
[0059]例如，当训练返回时间分类模型过程中所利用的行为特征包括:用户在指定时间内的观看视频量，观影的频道；那么获得所述第一用户群中每一用户的行为特征也应该包括用户在指定时间内的观看视频量，观影的频道。
[0060]S104，根据预先训练的返回时间分类模型，预测第一用户群中每一用户返回消息推送平台的时间间隔所对应的预先划分的时间段；所述返回时间分类模型中包含:用户的行为特征与用户返回消息推送平台的时间间隔所对应的预先划分的时间段的关系；
[0061]在实际应用中，所说的返回时间分类模型的训练过程可以如下:
[0062]1、将用户连续两次登陆消息推送平台的时间间隔划分为T个时间段，T彡2 ;
[0063]时间段的划分可根据待推送消息的实际需要来确定，如果待推送消息对时间比较敏感，可以以小时、天为单位进行时间段划分，如果敏感性较差，也可以按多天甚至以周、月等为单位划分时间段。
[0064]例如，当待推送消息的时效性较短即对时间比较敏感，时间段可以划分为:“5小时以内”、“5-12小时”、“12小时-1天”、“I天-2天”及“2天以上”。
[0065]2、获取M个用户在指定时刻之前的行为记录样本及在指定时刻后首次返回消息推送平台的时间间隔，M彡2;
[0066]所说的用户的数量M是可以由研发人员预先确定。本发明以此不作具体限定。可以理解的是，M越大，所得到的模型会更准确，但同时，计算量也会增加。
[0067]所说的指定时刻也是由研发人员预先确定的。在获取M个用户行为记录样本时，可以获取M个用户从指定时刻开始，并在指定时刻之前某段时间里的针对消息推送平台的行为记录样本。
[0068]3、确定M个用户中每一用户对应的用户向量集合，所述用户向量集合中包含该用户的标识信息、从该用户行为记录样本中抽取的行为特征及该用户在指定时刻后首次返回消息推送平台的时间间隔所对应的预先划分的时间段；
[0069]在实际应用中，可以为预先划分的时间段设置分类标识，例如，当时间段划分为:“5小时以内”、“5-12小时”、“12小时-1天”、“I天-2天”及“2天以上”时，可以将“5小时以内”设置标识为1，“5-12小时”设置标识为2，以此类推，最后“2天以上”设置标识为5。
[0070]在这种情况下，M个用户向量集合可以表示为:
[0071]{用户Id1,特征1，特征2，特征3....1};
[0072]{用户id2，特征I,特征2，特征3....4};
[0073]____
[0074]{用户idM，特征I,特征2，特征3....5};
[0075]上述的用户向量集合中，第一列为用户的唯一标识信息，最后一列为用户的时间间隔所对应的预先划分的时间段的分类标识；
[0076]需要说明的是，用户向量集合中各元素的顺序是可以由研发人员预先确定的，用户的标识信息可以在第二列，或其它的列中。但是，各用户向量集合中对应的元素应该处于各用户向量集合中的相同位置。例如，如果用户的唯一标识信息位于用户向量集合中的第二位，那么M个用户的唯一标识信息都应该位于各用户向量集合中的第二位。
[0077]从用户行为记录样本中所抽取的行为特征，可以由研发人员预先根据实际需要确定，本发明在此不作具体限定。可以理解的是，不同种类的消息推送平台所对应的行为特征可能会不同。
[0078]4、将所确定的N个用户向量集合通过预设的分类器进行训练，得到返回时间分类模型。
[0079]所说的分类器可以采用现有技术中的相关分类器，例如，随机森林分类器、逻辑回归分类器或支持向量机分类器。分类器的具体形式本发明在此不作限定，可以由研发人员根据实际需要进行选择。
[0080]在实际应用中，还可以用上述确定用户向量集合的方法再采集多个其它用户向量集合，用于对得到的返回时间分类模型进行泛化能力的测试。
[0081]在得到返回时间分类模型后，根据步骤S103中获得的每一用户的行为特征，就可以预测每一用户返回消息推送平台的时间间隔所对应的预先划分的时间段。
[0082]S105，根据预测的第一用户群中每一用户返回消息推送平台的时间间隔所对应的预先划分的时间段，获得每一用户对应的时间参数值r1;所述时间参数值r i用于标识用户返回消息推送平台的时间间隔的长短；
[0083]在实际应用中，会预先确定所划分的时间段与分值的对应关系，且所划分的时间段表示的返回消息推送平台的时间越短，其分值越高；例如，当时间段划分为:“5小时以内”、“ 5-12小时”、“ 12小时-1天”、“ I天-2天”及“ 2天以上”时，“ 5小时以内”表示该用户在未来5小时内