例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0034]图1示出了可以应用本申请实施例的示例性系统架构100。
[0035]如图1所示，系统架构100可以包括终端设备101、102、网络103和第一服务器104 (例如预测服务端)和第二服务器105 (例如应用服务端)。网络103用以在终端设备101、102、第一服务器104和第二服务器105之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0036]终端设备101、102可以通过网络103与第一服务器104或第二服务器105交互，以接收或发送消息等。终端设备101、102上可以安装有各种通讯客户端应用，例如浏览器应用、购物类应用、搜索类应用、地图类应用、社交平台应用、邮箱客户端、即时通信工具等。
[0037]终端设备101、102可以是支持浏览器应用、购物类应用等安装于其上的各种电子设备，包括但不限于智能手机、智能手表、平板电脑、个人数字助理、电子书阅读器、MP3播放器(Moving Picture Experts Group Aud1 Layer III，动态影像专家压缩标准音频层面3)、MP4 (Moving Picture Experts Group Aud1 Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
[0038]第一服务器104和第二服务器105可以是提供各种服务的服务器。例如第一服务器104可以是对终端设备101、102的浏览器应用、搜索类应用、地图类应用等提供支持的后台服务器等；第二服务器105可以是对终端设备101、102的购物类应用等提供支持的后台服务器等。服务器可以对接收到的数据进行存储、生成等处理，并将处理结果反馈给终端设备。
[0039]需要说明的是，本申请实施例所提供的信息推送的方法可以通过第一服务器104和第二服务器105执行。例如:第一服务器104可以从终端设备101、102获取用户标识及相应的扩展信息，如搜索特征、访问特征、位置特征等；第二服务器105可以从终端设备101、102获取用户标识及对第二服务器105提供的历史展示信息的历史操作信息等；接着第二服务器105可以将获取的终端用户的用户标识、历史操作信息及历史展示信息上传至第一服务器104，由第一服务器104根据第二服务器105上传的信息及获取的终端用户的扩展信息训练预测模型，以预测终端用户对第二服务器105提供的待推送信息的操作(例如点击)信息；然后第一服务器104可以根据第二服务器105上传的用户标识获取终端用户的扩展信息做出预测并将预测结果返回给第二服务器105，由第二服务器105根据预测结果向终端设备101、102推送信息。可以理解，第一服务器104向第二服务器105返回的预测结果可以是推送信息集合，也可以是终端用户对待展示信息的操作的可能性的预测值或排序结果，此时，由第二服务器105基于该排序结果选取相应的待展示信息推送给终端用户，本申请对此不做限定。
[0040]应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0041]请参考图2，其示出了信息推送的方法的一个实施例的流程200。该信息推送的方法具体应用于具有一定运算能力的电子设备(例如图1的第一服务器104)中。为了便于理解，本实施例中，结合该方法将可以收集大数据(Big Data)的云服务端应用为预测服务端来说明。该流程200包括以下步骤:
[0042]步骤201，接收应用服务端发送来的终端用户的用户标识。
[0043]在本实施例中，云服务端可以首先接收应用服务端发送来的终端用户的用户标识。其中，应用服务端可以是为终端应用提供支持的应用服务端(例如图1所示的第二服务器105) ο云服务端可以通过有线连接方式或者无线连接方式从应用服务端获取终端用户的用户标识。上述无线连接方式包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB (ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
[0044]其中，用户标识是用于识别用户身份的字符串，例如可以包括但不限于以下至少一种:用户通过终端设备连接应用服务端时使用的用户名、终端设备的移动设备国际身份码(Internat1nal Mobile Equipment Identity，IMEI)、终端设备接入互联网的互联网协议地址(Internet Protocol Address，IP地址)、终端设备的媒体访问控制(Media AccessControl, MAC)地址等等。
[0045]在本实施例的一些可选实现方式中，应用服务端除了向云服务端发送终端用户的用户标识外，还可以发送用户向应用服务端注册时的注册信息(例如年龄)、当前时间、天气等信息。
[0046]步骤202，根据上述用户标识检索出终端用户的扩展信息。
[0047]在本实施例中，云服务端接着可以根据上述用户标识检索出对应的终端用户，并获取终端用户的扩展信息。这里，扩展信息可以包括但不限于以下至少一项:检索特征(例如检索词)、访问特征(例如所访问页面的网址)、位置特征等等。云服务端可以预先采集能采集到的所有终端用户的各种信息，例如各种用户标识及扩展信息。
[0048]云服务端所采集的终端用户的各种信息中，一个终端用户可能对应多种不同表示方式的用户标识，当其中任意一个用户标识与应用服务端发送来的用户标识相同时，可以确定应用服务端发送来的用户标识所代表的终端用户与该任意一个用户标识所代表的终端用户为同一个终端用户，云服务端可以检索出该终端用户的扩展信息。
[0049]步骤203，基于上述扩展信息和预先训练的预测模型对各条待展示信息生成预测值。
[0050]在本实施例中，云服务端接着可以对上述扩展信息进行处理得到预测模型所需的预测参数数据，并根据预测参数数据通过预测模型对各条待推送信息生成预测值。
[0051]其中，待展示信息可以是应用服务端欲向其所支持的终端应用展示的信息。例如终端应用为订餐应用时，待展示信息可以是供餐的商家信息和/或菜品信息。待展示信息可以由应用服务端预先发送至云服务端，也可以和用户标识一起发送给云服务端，本申请对此不做限定。
[0052]这里，预测值可以包括终端用户针对各条待展示信息进行操作的概率值。终端用户对待展示信息的操作可以是点击操作、购买操作等。举例而言，例如该终端应用为订餐应用，终端用户可以通过客户端的终端应用同一供餐商家进行浏览、点击或购买菜品的操作。其中，当终端用户打开终端应用页面时，终端应用的页面展示了供餐商家的信息，应用服务端可以确定用户对供餐商家的信息进行了浏览，即浏览次数可以用展示次数表示。应用服务端可能需要预测终端用户对该供餐商家的以上操作中的以下至少一项:点击率(如点击次数与展示次数的比值)、购买率(如成功交易次数与展示次数的比值)或转化率(如成功交易次数与点击次数的比值)等，则相应地，预测值可以是对点击率、购买率或转化率的估计值，也可以是某一确定的终端用户对该供餐商家的点击概率、购买概率或点击后会购买的概率，等等。终端用户针对展示信息进行的操作及进行操作的概率值可以从一定程度反映终端用户对展示信息的偏好程度。
[0053]预测模型可以是用于将从应用服务端获取的用户标识、待展示信息以及检索出的扩展信息中的至少一项作为输入，而输出用户标识对应的终端用户对于各条待展示信息的预测值的数学模型。云服务端可以从应用服务端获取历史展示信息、待展示信息和多个终端用户针对所述历史展示信息进行的历史操作信息，接着根据多个终端用户的用户表示获取他们的扩展信息，然后根据待展示信息、历史展示信息、历史操作信息及扩展信息训练预测模型，例如从这些信息中提取用户特征，然后通过诸如分类算法、回归算法等公知的算法建立预测模型。以多元回归模型为例，云服务端可以从一组样本数据出发，确定各用户特征和各种操作之间的数学关系式，然后对这些关系式的可信程度进行各种统计检验，并从影响某一操作的诸多用户特征中找出哪些用户特征的影响显著，哪些用户特征的影响不显著，接着依据上述的关系式，根据一个或几个用户特征的取值(用来表征用户特征对操作信息的影响的量值)来预测某一操作的概率的取值，并给出这种预测的精确程度。
[0054]在本实施例的一些可选实现方式中，训练模型可以按如下步骤进行:
[0055]首先，云服务端可以从多个终端用户的扩展信息中分别提取用户特征。例如，如果扩展信息包括搜索特征，用户特征至少可以包括搜索词，还可以包括使用每个搜索词进行搜索的搜索次数等；如果扩展信息包括访问特征，用户特征至少可以包括所访问页面的网址，还可以包括对每个网址访问的次数等；如果扩展信息包括位置特征，用户特征可以包括用户登录终端应用时的位置坐标或位置名称，等等。可选地，云服务端可以根据最近一个时间段(如三个月内)的扩展信息进行用户特征的提取。
[0056]接着，云服务端可以根据所提取的用户特征和终端用户对每个历史展示信息的历史操作建立对应关系，以通过机端学习生成每个用户特征对于操作信息的贡献系数。其中，贡献系数可以是用来表征用户特征对产生某一操