本发明涉及互联网技术领域，具体而言，本发明涉及一种内容推送方法、装置及计算机设备。
背景技术：
在手机应用程序(app)商店中，传统的手机应用程序点击率预估方法是：结合人工特征工程和逻辑斯蒂回归算法对手机应用程序点击率进行预估。然而，这种方法有两个不可克服的弊端。首先，人工特征工程中的特征是通过人为筛选的，这种做法主观性太强，容易筛选出大量无用特征影响后面模型的准确性。其次，逻辑斯蒂回归算法是线性模型，很难表达非线性特征的模型。因此，传统的手机应用程序点击率预估方法不能准确预估手机应用程序点击率，从而根据传统的手机应用程序点击率预估方法不能够准确地给用户推送内容。例如，不能根据传统的手机应用程序点击率预估方法不能够准确地给用户推送应用程序等。
技术实现要素：
本发明的目的旨在提供一种内容推送方法、装置及计算机设备，以提高应用程序预估点击率的正确性，从而根据该应用程序预估点击率准确地给用户推送内容。
为了实现上述目的，本发明提供以下技术方案：
一种内容推送方法，包括以下步骤：获取用户的标签集；获得所述标签集中每个标签对应用程序的点击率；获得所述标签集中每个标签与其他标签的皮尔森相关系数；根据所述标签集中每个标签对所述应用程序的点击率及该标签与其他标签的皮尔森相关系数，得到所述标签集中所有标签的加权平均值，把加权平均值作为所述用户对所述应用程序的预估点击率；根据应用程序的预估点击率，向所述用户推送内容。
在其中一个实施例中，所述根据应用程序的预估点击率，向所述用户推送内容，包括：根据应用程序的预估点击率，向所述用户推送所述应用程序。
在其中一个实施例中，所述根据应用程序的预估点击率，向所述用户推送所述应用程序，包括：确认应用程序的预估点击率大于阈值，向所述用户推送所述应用程序。
在其中一个实施例中，所述根据应用程序的预估点击率，向所述用户推送所述应用程序，包括：计算所述用户对应用商场中全部应用程序的预估点击率，按预估点击率从高到低对应用程序进行排序，向所述用户推送排在最前面的预置数量的应用程序。
在其中一个实施例中，所述获取用户的标签集，包括：根据所述用户的属性获取用户的若干标签，组成所述标签集。
在其中一个实施例中，所述用户的属性包括用户的注册信息、用户的授权信息以及用户的操作行为；所述获取用户的若干标签，包括：根据所述用户的注册信息获取所述用户的标签；根据所述用户的操作行为获取所述用户的标签；根据所述用户的授权信息获取所述用户的标签。
在其中一个实施例中，所述获得所述标签集中每个标签对所述应用程序的点击率，包括：获取所述标签集中每个标签；获得具有标签集中标签且曝光所述应用程序的用户数量；获得具有该标签且点击过所述应用程序的用户数量；计算所述点击过所述应用程序的用户数量与所述曝光所述应用程序的用户数量的比值，把该比值作为该标签对所述应用程序的点击率。
在其中一个实施例中，所述获得所述标签集中每个标签与其他标签的皮尔森相关系数，包括：根据以下公式获取所述标签集中每个标签与其他标签的皮尔森相关系数：
其中，ri,j表示标签集中标签i和标签j的皮尔森相关系数；x表示应用程序的曝光事件集合，曝光事件集合中用户为具有标签i或者标签j且曝光所述应用程序的用户；fx,i表示集合x中的事件x，用户是否具有标签i，0表示有，1表示没有；fx,j表示集合x中的事件x，用户是否具有标签j，0表示有，1表示没有。
在其中一个实施例中，根据所述标签集中每个标签对所述应用程序的点击率及该标签与其他标签的皮尔森相关系数，得到所述标签集中所有标签的加权平均值，把加权平均值作为所述用户对所述应用程序的预估点击率，包括：根据以下公式计算所述应用程序的预估点击率：
其中，pctru,a表示应用程序的预估点击率；a表示对应的应用程序；i表示用户的一个标签；j表示用户的另一个标签；ri,j表示标签i和标签j的皮尔森相关系数。
在其中一个实施例中，所述得到所述标签集中所有标签的加权平均值，包括：根据所述标签集中每个标签与其他标签的皮尔森相关系数，确定所述标签集中每个标签的同质化程度；根据所述标签集中每个标签的同质化程度确定所述标签集中所有标签的权重；根据所述标签集中所有标签的权重，得到所述标签集中所有标签的加权平均值。
一种内容推送装置，包括：第一获取模块，用于获取用户的标签集；第二获取模块，用于获得所述标签集中每个标签对应用程序的点击率；第三获取模块，用于获得所述标签集中每个标签与其他标签的皮尔森相关系数；计算模块，用于根据所述标签集中每个标签对所述应用程序的点击率及该标签与其他标签的皮尔森相关系数，得到所述标签集中所有标签的加权平均值，把加权平均值作为所述用户对所述应用程序的预估点击率；推送模块，用于根据应用程序的预估点击率，向所述用户推送内容。
一种计算机设备，包括：一个或多个处理器；存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行根据上述任一实施例所述的内容推送方法。
相比现有技术，本发明的方案具有以下优点：
本发明提供的一种内容推送方法，根据用户标签集中每个标签对应用程序的点击率及该标签与其他标签的皮尔森相关系数，再计算用户标签集中所有标签的加权平均值，把加权平均值作为该用户对该应用程序的预估点击率，最后根据应用程序的预估点击率向用户推送相关内容。例如，根据应用程序的预估点击率向用户推送该应用程序，或者与该应用程序相似的其他应用程序等。该内容推送方法结合用户标签间的皮尔森相关系数与用户标签对应用程序的点击率对应用程序点击率进行预估，提高了应用程序点击率预估的准确性，进而根据该应用程序的预估点击率准确地给用户推送内容。如当用户访问应用程序(app)商场时，使用本方案可准确预估该用户对应用程序点击率，从而有效向该用户推荐商场中的应用程序。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明一实施例中的一种内容推送方法的方法流程图；
图2为图1中步骤s20一实施例中的方法流程图；
图3为本发明另一实施例中的一种内容推送方法的方法流程图；
图4为本发明又一实施例中的一种内容推送方法的方法流程图；
图5为本发明一实施例中的一种内容推送装置的结构图；
图6为本发明一实施例中的计算机设备结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
曝光事件定义：一个用户展示一次应用为一个曝光事件。
本领域技术人员应当理解，本发明所述的内容推送方法中的内容包括：应用程序、相似应用程序、应用程序介绍、与应用程序相关的广告以及资讯等。
本发明提供一种内容推送方法。如图1所示，本发明的一种内容推送方法，包括步骤：
s10，获取用户的标签集。
服务器获取所有使用该应用程序用户中每个用户的标签集。比如，使用该应用程序的用户包括用户a、用户b及用户c。服务器获取到用户a的标签集为{男性、学生、网络游戏}，用户b的标签集为{女性、学生、网络小说}，用户c的标签集为{女性、家庭妇女、网购}。
在一实施方式中，服务器根据用户的属性获取用户的若干标签，组成标签集。具体地，对使用该应用程序的每一个用户，利用用户的属性及机器学习的方法，给该用户进行打标签。其中用户的属性包括用户的注册信息、用户的授权信息以及用户的操作行为。
在本实施方式中，步骤s10包括根据用户的注册信息获取该用户的标签。具体地，根据用户的注册信息给该用户打标签。例如：用户的注册信息中显示用户的性别是“男性”，用户的职业是“学生”，则根据该用户的注册信息给该用户打上“男性”、“学生”等标签。
在本实施方式中，步骤s10还包括根据用户的操作行为获取该用户的标签。具体地，根据用户的操作行为给该用户打标签。例如：该用户看了网络游戏相关的手机应用(即应用于手机的app)，可以给该用户打上标签“网络游戏用户”。该用户看了二次元相关的手机应用，可以给该用户打上“二次元用户”等标签。本方案的应用程序，软件上可适用于安卓、ios、或windows等系统，硬件上可适用于手机、平板电脑、或阅读器等终端。
在本实施方式中，步骤s10还包括根据用户的授权信息获取该用户的标签。具体地，根据用户的授权信息给该用户打标签。例如：根据用户授权的手机地理位置信息，可以给该用户打上地域标签“广州用户”。根据用户授权的手机型号信息，可以给该用户打上手机类型标签“千元机”、“高端机”等标签。
s20，获得所述标签集中每个标签对应用程序的点击率。
服务器分别获取每个用户的标签集中，每个标签对该应用程序的点击率。例如，使用该应用程序的用户包括用户a，用户b，用户c。用户a的标签集为{男性、学生、网络游戏}，用户b的标签集为{女性、白领、购物}，用户c的标签集为{男性、退休人员、旅游}。服务器分别获取用户a中“男性”标签对于应用程序的点击率，“学生”标签对于应用程序的点击率，以及“网络游戏”标签对于应用程序的点击率。服务器分别获取用户b中“女性”标签对于应用程序的点击率，“白领”标签对于应用程序的点击率，以及“购物”标签对于应用程序的点击率。服务器分别获取用户c中“男性”标签对于应用程序的点击率，“退休人员”标签对于应用程序的点击率，以及“旅游”标签对于应用程序的点击率。
在一实施方式中，如图2所示，步骤s20包括步骤：
s201，获取所述标签集中每个标签。
在本实施方式中，服务器获取标签集中每个标签。即服务器获取全库所有标签的集合。例如，全库中使用该应用程序的用户包括用户a，用户b，用户c。用户a的标签集为{男性、学生、网络游戏}，用户b的标签集为{女性、白领、购物}，用户c的标签集为{男性、退休人员、旅游}。服务器获取所有标签集中的标签，即标签集{男性、学生、网络游戏、女性、白领、购物、退休人员、旅游}中的任一标签。s203，获得具有标签集中标签且曝光应用程序的用户数量。
s203，获得具有标签集中标签且曝光所述应用程序的用户数量。
在本实施方式中，服务器获取标签集中每个标签之后，再获得具有标签集中标签且曝光应用程序的用户数量。也即是，服务器根据标签集中每个标签，获取具有对应标签并且曝光应用程序的用户，统计所有具有标签集中的标签并曝光应用程序的用户数量。
s205，获得具有该标签且点击过所述应用程序的用户数量。
在本实施方式中，服务器获取标签集中每个标签之后，再获得具有该标签且点击过应用程序的用户数量。也即是，服务器根据标签集中每个标签，获取具有对应标签并且点击了应用程序的用户，统计所有具有标签集中的标签并点击了应用程序的用户数量。
s207，计算所述点击过所述应用程序的用户数量与所述曝光所述应用程序的用户数量的比值，把该比值作为该标签对所述应用程序的点击率。
在步骤s20中，根据曝光应用程序的用户数量和点击应用程序的用户数量，获得所述标签集中每个标签对应用程序的点击率。
具体地，a表示一种手机应用。t表示用户全库所有标签的集合。ctri,a表示标签i对手机应用a的点击率。showi,a表示所有拥有标签i的用户中，手机客户端曝光手机应用a的用户数量。clicki,a表示所有拥有标签i的用户中，点击过手机应用a的用户数量。标签i对手机应用a的点击率可表示为：
根据上述公式，可获得用户全库所有标签集合t中所有的标签对手机应用的点击率。
s30，获得所述标签集中每个标签与其他标签的皮尔森相关系数。
服务器获取用户标签集中，每个标签与其他标签的皮尔森相关系数。例如，用户标签集中包括标签i和标签j。标签i和标签j的皮尔森相关系数可根据以下公式获得：
其中，ri,j表示标签集中标签i和标签j的皮尔森相关系数。x表示应用程序的曝光事件集合，曝光事件集合x中用户为具有标签i或者标签j且曝光所述应用程序的用户。fx,i表示集合x中的事件x，用户是否具有标签i，0表示有，1表示没有。fx,j表示集合x中的事件x，用户是否具有标签j，0表示有，1表示没有。
同理，标签i与标签集中其他标签的皮尔森相关系数也可根据上述公式获得。根据上述公式，服务器可获取标签集中，每个标签与其他标签的皮尔森相关系数。
在步骤s30中，根据标签集中每个标签曝光应用程序的事件与根据标签集中其他标签曝光应用程序的事件，获得标签集中每个标签与其他标签的皮尔森相关系数。
上述采用fx,i表示集合x中的事件x仅仅为其中一种对事件的定义方法，除采用上述公式外，还可以使用其他方式获得标签集中每个标签与其他标签的皮尔森相关系数。
s40，根据所述标签集中每个标签对所述应用程序的点击率及该标签与其他标签的皮尔森相关系数，得到标签集中所有标签的加权平均值，把加权平均值作为所述用户对所述应用程序的预估点击率。
在获得用户标签集中，每个标签对应用程序的点击率，以及该标签与用户标签集中其他标签的皮尔森相关系数之后，根据标签集中每个标签对应用程序的点击率以及对应标签与其他标签的皮尔森相关系数，计算标签集中所有标签的加权平均值。该加权平均值即作为用户对该应用程序的预估点击率。加权平均值(应用程序的预估点击率)可根据以下公式获得：
其中，pctru,a表示应用程序的预估点击率；a表示对应的应用程序；i表示用户的一个标签；j表示用户的另一个标签；ri,j表示标签i和标签j的皮尔森相关系数。
s50，根据应用程序的预估点击率，向所述用户推送内容。
在本实施例中，根据步骤s10至步骤s40，服务器可获取到所述用户对应用商场中每个应用程序的预估点击率。根据所述用户对每个应用程序的预估点击率，可向用户推送对应的内容。其中，此处对应的内容可以是应用程序本身、与应用程序相似的其他应用程序、与应用程序相关的广告、资讯，或者该应用程序的介绍信息等。例如，根据所述用户对每个应用程序的预估点击率，可向用户推送该应用程序。
上述一种内容推送方法，根据用户标签集中每个标签对应用程序的点击率及该标签与其他标签的皮尔森相关系数，再计算用户标签集中所有标签的加权平均值，把加权平均值作为该用户对该应用程序的预估点击率，进而根据该应用程序的预估点击率准确地给用户推送内容。例如，根据该应用程序的预估点击率准确地给用户推送应用程序，或者准确地给用户推送与该应用程序相关的广告、资讯或与该应用程序相关的其他应用程序。
该内容推送方法结合用户标签间的皮尔森相关系数与用户标签对应用程序的点击率对手机应用点击率进行预估，提高了手机应用点击率预估的准确性，进而根据该应用程序的预估点击率准确地给用户推送相关内容。例如相关内容可包括应用程序本身、与应用程序相关的其他应用程序、与应用程序相关的广告及资讯等。
在一实施方式中，步骤s40中，所述得到所述标签集中所有标签的加权平均值的步骤，包括：根据所述标签集中每个标签与其他标签的皮尔森相关系数，确定所述标签集中每个标签的同质化程度；根据所述标签集中每个标签的同质化程度确定所述标签集中所有标签的权重；根据所述标签集中所有标签的权重，计算所述标签集中所有标签的加权平均值。
在一具体实施方式中，根据用户u的操作行为、属性及特征给用户u打标签。计算用户u所有标签对手机应用a的点击率，以及获取用户u所有标签间的皮尔森相关系数。本发明根据标签的点击率信息预测用户u对手机应用a的点击率，思路是：从目前运用广泛的专家打分法启发，把每一个标签当作一个专家，对所有专家意见求一个加权平均值，用这个值作为最终的批判。权重的定义通过皮尔森相关系数确定。对于给定标签，如果该标签与其他标签的皮尔森系数越高，那么表示该标签的同质化越高，权重越低。例如：在实际操作中从各个数据渠道获取了有两个标签一个是“男性”另一个是“man”，由于标签量太大未对标签足一校验，导致这两个标签都放到了训练数据中，那么这两个标签的皮尔森相关系数为1，两个标签的权重都为1/(1+1)＝0.5。相当于把男这个属性的权重平均分配到了“男性”“man”这两个标签中。
对应用程序的点击率预估的量化表达式如下：
pctru,a表示应用程序的预估点击率；a表示对应的应用程序；i表示用户的一个标签；j表示用户的另一个标签；ri,j表示标签i和标签j的皮尔森相关系数。
需要指出的是，除采用上述量化表达式外，本方案还可以根据标签集中每个标签对所述应用程序的点击率及该标签与其他标签的皮尔森相关系数，采用其他表达式，计算所述标签集中所有标签的加权平均值。
在一实施方式中，步骤s50包括步骤a：根据应用程序的预估点击率，向所述用户推送所述应用程序。具体地，如图3所示，步骤a包括：
s501，确认应用程序的预估点击率大于阈值，向所述用户推送所述应用程序。
服务器可根据步骤s10至步骤s40获取到用户对应用商店中每个应用程序的预估点击率。当应用程序的预估点击率大于阈值(根据实际需求提前设置)时，服务器向用户推送该应用程序。因此，可给用户推送用户感兴趣的应用程序。
在一实施例中，如图4所示，步骤a还包括步骤：
s503，计算所述用户对应用商店中全部应用程序的预估点击率，按预估点击率从高到低对应用程序进行排序，向所述用户推送排在最前面的预置数量的应用程序。
服务器根据步骤s10至步骤s40分别获取到用户对应用商店中多个应用程序的预估点击率。因此，服务器可计算用户对应用商店中，所有应用程序的预估点击率。并且，根据每个应用程序的预估点击率对应用程序进行从高到低排序，从而获取到排在最前面的预置数量的应用程序，向用户推送该预置数量的应用程序。例如，在应用商店中，需要向用户推送8个应用程序。服务器根据本发明的方案获取到应用商店所有的应用程序的预估点击率。根据每个应用程序的预估点击率对所有的应用程序进行从高到低排序。进一步，获取排在最前面的8个应用程序，并在应用商店中向用户推送这8个应用程序。
本实施例提供的应用程序推送方法，可根据对应用程序点击率的预估，对手机应用商店的应用程序进行筛选，以向用户推送用户感兴趣的应用程序。
本发明还提供一种内容推送装置，如图5所示。该内容推送装置包括第一获取模块501、第二获取模块503、第三获取模块505、计算模块507以及推送模块509。
第一获取模块501用于获取用户的标签集。服务器获取所有使用该应用程序用户中每个用户的标签集。比如，使用该应用程序的用户包括用户a、用户b及用户c。服务器获取到用户a的标签集为{男性、学生、网络游戏}，用户b的标签集为{女性、学生、网络小说}，用户c的标签集为{女性、家庭妇女、网购}。
在一实施方式中，服务器根据用户的属性获取用户的若干标签，组成标签集。具体地，对使用该应用程序的每一个用户，利用用户的属性及机器学习的方法，给该用户进行打标签。其中用户的属性包括用户的注册信息、用户的授权信息以及用户的操作行为。
在本实施方式中，第一获取模块501包括根据用户的注册信息获取该用户的标签。具体地，根据用户的注册信息给该用户打标签。例如：用户的注册信息中显示用户的性别是“男性”，用户的职业是“学生”，则根据该用户的注册信息给该用户打上“男性”、“学生”等标签。
在本实施方式中，第一获取模块501还包括根据用户的操作行为获取该用户的标签。具体地，根据用户的操作行为给该用户打标签。例如：该用户看了网络游戏相关的手机应用(即应用于手机的app)，可以给该用户打上标签“网络游戏用户”。该用户看了二次元相关的手机应用，可以给该用户打上“二次元用户”等标签。本方案的应用程序，软件上可适用于安卓、ios、或windows等系统，硬件上可适用于手机、平板电脑、或阅读器等终端。
在本实施方式中，第一获取模块501还包括根据用户的授权信息获取该用户的标签。具体地，根据用户的授权信息给该用户打标签。例如：根据用户授权的手机地理位置信息，可以给该用户打上地域标签“广州用户”。根据用户授权的手机型号信息，可以给该用户打上手机类型标签“千元机”、“高端机”等标签。
第二获取模块503用于获得所述标签集中每个标签对应用程序的点击率。服务器分别获取每个用户的标签集中，每个标签对该应用程序的点击率。例如，使用该应用程序的用户包括用户a，用户b，用户c。用户a的标签集为{男性、学生、网络游戏}，用户b的标签集为{女性、白领、购物}，用户c的标签集为{男性、退休人员、旅游}。服务器分别获取用户a中“男性”标签对于应用程序的点击率，“学生”标签对于应用程序的点击率，以及“网络游戏”标签对于应用程序的点击率。服务器分别获取用户b中“女性”标签对于应用程序的点击率，“白领”标签对于应用程序的点击率，以及“购物”标签对于应用程序的点击率。服务器分别获取用户c中“男性”标签对于应用程序的点击率，“退休人员”标签对于应用程序的点击率，以及“旅游”标签对于应用程序的点击率。
在一实施方式中，第二获取模块503还包括与上述对应方法中所述的如图2所示的操作步骤。
第三获取模块505用于获得所述标签集中每个标签与其他标签的皮尔森相关系数。服务器获取用户标签集中，每个标签与其他标签的皮尔森相关系数。例如，用户标签集中包括标签i和标签j。标签i和标签j的皮尔森相关系数可根据以下公式获得：
其中，ri,j表示标签集中标签i和标签j的皮尔森相关系数。x表示应用程序的曝光事件集合，曝光事件集合x中用户为具有标签i或者标签j且曝光所述应用程序的用户。fx,i表示集合x中的事件x，用户是否具有标签i，0表示有，1表示没有。fx,j表示集合x中的事件x，用户是否具有标签j，0表示有，1表示没有。
同理，标签i与标签集中其他标签的皮尔森相关系数也可根据上述公式获得。根据上述公式，服务器可获取标签集中，每个标签与其他标签的皮尔森相关系数。在第三获取模块505中，根据标签集中每个标签曝光应用程序的事件与根据标签集中其他标签曝光应用程序的事件，获得标签集中每个标签与其他标签的皮尔森相关系数。
上述采用fx,i表示集合x中的事件x仅仅为其中一种对事件的定义方法，除采用上述公式外，还可以使用其他方式获得标签集中每个标签与其他标签的皮尔森相关系数。
计算模块507用于根据所述标签集中每个标签对所述应用程序的点击率及该标签与其他标签的皮尔森相关系数，得到所述标签集中所有标签的加权平均值，把加权平均值作为所述用户对所述应用程序的预估点击率。
在获得用户标签集中，每个标签对应用程序的点击率，以及该标签与用户标签集中其他标签的皮尔森相关系数之后，根据标签集中每个标签对应用程序的点击率以及对应标签与其他标签的皮尔森相关系数，计算标签集中所有标签的加权平均值。该加权平均值即作为用户对该应用程序的预估点击率。加权平均值(应用程序的预估点击率)可根据以下公式获得：
其中，pctru,a表示应用程序的预估点击率；a表示对应的应用程序；i表示用户的一个标签；j表示用户的另一个标签；ri,j表示标签i和标签j的皮尔森相关系数。
推送模块509用于根据应用程序的预估点击率，向所述用户推送内容。在本实施例中，根据步骤s10至步骤s40，服务器可获取到所述用户对应用商场中每个应用程序的预估点击率。根据所述用户对每个应用程序的预估点击率，可向用户推送对应的应用程序。
本发明还提供一种计算机设备。该计算机设备包括：一个或多个处理器；存储器；一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行上述任一实施例所述的内容推送方法。
图6为本发明一实施例中的计算机设备结构示意图。例如服务器、个人计算机以及网络设备。如图6所示，设备包括处理器603、存储器605、输入单元607以及显示单元609等器件。本领域技术人员可以理解，图6示出的设备结构器件并不构成对所有设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件。存储器605可用于存储应用程序601以及各功能模块，处理器603运行存储在存储器605的应用程序601，从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器，或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦写可编程rom(eeprom)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、zip盘、u盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
输入单元607用于接收信号的输入，以及接收用户输入的关键字。输入单元607可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元609可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元609可采用液晶显示器、有机发光二极管等形式。处理器603是计算机设备的控制中心，利用各种接口和线路连接整个电脑的各个部分，通过运行或执行存储在存储器603内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。
在一实施方式中，设备包括一个或多个处理器603，以及一个或多个存储器605，一个或多个应用程序601。其中所述一个或多个应用程序601被存储在存储器605中并被配置为由所述一个或多个处理器503执行，所述一个或多个应用程序601配置用于执行以上实施例所述的内容推送方法。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括存储器、磁盘或光盘等。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。