(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111523311.2 (22)申请日 2021.12.14 (65)同一申请的已公布的文献号 申请公布号 CN 113919893 A (43)申请公布日 2022.01.11 (73)专利权人 腾讯科技 （深圳） 有限公司 地址 518000 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 钟子宏　 (74)专利代理 机构 深圳市隆天联鼎知识产权代 理有限公司 4 4232 代理人 王晗 (51)Int.Cl. G06Q 30/02(2012.01) G06N 20/00(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 113688313 A,2021.1 1.23 CN 112699305 A,2021.04.23 CN 112818112 A,2021.0 5.18 审查员 李晓霞 (54)发明名称 信息推送方法、 装置、 电子设备和可读介质 (57)摘要 本申请提供一种信息推送方法、 装置、 电子 设备和可读介质。 该方法包括： 获取用户集合的 用户特征数据； 根据用户特征数据， 对各个业务 类型对应的各个业务场景进行预测， 得到协同数 据矩阵； 根据用户集合对应的各个业务类型下的 用户数量和各个业务场景下的用户数量， 构建卷 积核； 根据卷积核对协同数据矩阵进行卷积计 算， 得到用户集合中每个用户的综合矩阵， 综合 矩阵包括用户对应于各个业务类型对应的各个 业务场景的概率得分； 根据各个用户的综合矩阵 确定对应的推荐业务场景， 向各个用户推送推荐 业务场景对应的推荐信息。 该方法避免推送的信 息对用户的骚扰， 提升用户对信息推送的用户体 验。 本申请实施例可应用于车联网、 智慧出行领 域。 权利要求书3页 说明书17页 附图3页 CN 113919893 B 2022.03.15 CN 113919893 B 1.一种信息推送方法， 其特 征在于， 包括： 获取用户集合的用户特征数据， 所述用户集合中的每个用户对应于至少一个业务类 型， 每个业务类型对应于至少一个业务场景， 所述用户特征数据包含历史特征数据和样本 特征数据； 根据所述历史特征数据， 利用对应于各个业务场景的权重模型计算各个业务场景对应 的权重向量； 根据所述样本特征数据和所述权重向量进行概率预测， 得到各个业务场景对应的概率 得分向量； 根据所述概率得分 向量和所述用户集合进行用户分组， 得到对应于所述用户集合的协 同数据矩阵， 其中， 所述协同数据矩阵中包括各个业务类型对应的各个业务场景对应的概 率得分； 根据所述用户集合对应的各个业务类型下的用户数量和各个业务场景下的用户数量， 构建卷积核； 根据所述卷积核对所述协同数据矩阵进行卷积计算， 得到所述用户集合中每个用户的 综合矩阵， 所述综合矩阵包括用户对应于各个业 务类型对应的各个业 务场景的概 率得分； 根据所述卷积核对所述权重向量进行卷积计算， 得到所述用户集合中每个用户的权重 向量， 所述权 重向量包括用户对应于各个业 务类型对应的各个业 务场景的权 重值； 根据每个用户的综合矩阵， 确定各个业 务场景的目标用户； 根据所述目标用户的权重向量， 确定所述目标用户的推荐配置结果， 所述推荐配置结 果中包括推荐业 务类型和对应的推荐业 务场景； 根据所述推荐配置结果中的推荐业务类型和对应的推荐业务场景， 向所述目标用户推 送推荐信息 。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述历史特征数据， 利用对应于 各个业务场景的权 重模型计算各个业 务场景对应的权 重向量， 包括： 根据所述历史特征数据， 确定对应于各个业务类型的各个业务场景的训练样本集合和 测试样本集 合； 获取所述各个业 务类型的各个业 务场景对应的权 重模型； 将对应于所述各个业务场景的训练样本集合和测试样本集合分别输入到对应的权重 模型进行计算和 测试， 得到对应于各个业 务场景的权 重向量。 3.根据权利要求2所述的方法， 其特征在于， 所述将对应于所述各个业务场景的训练样 本集合和测试样本集合分别输入到对应的权重模型进 行计算和测试， 得到对应于各个业务 场景的权 重向量， 包括： 将对应于各个业务场景的训练样本集合和所述测试样本集合分别输入待训练模型中 进行迭代训练； 当达到迭代结束条件时， 获取训练过的待训练模型作为权 重模型； 获取各个权重模型输出的预测结果作为对应于各个业 务场景的权 重向量。 4.根据权利要求2所述的方法， 其特征在于， 所述根据所述历史特征数据， 确定对应于 各个业务类型的各个业 务场景的训练样本集 合和测试样本集 合， 包括： 根据所述历史特 征数据， 确定所述用户集 合中各个用户对应的业 务场景；权　利　要　求　书 1/3 页 2 CN 113919893 B 2根据所述各个用户对应业务类型和业务场景， 对所述历史特征数据进行分组， 得到对 应于各个业 务类型对应的各个业 务场景的历史数据分组； 将所述历史数据分组中的数据划分成稀疏 特征数据集合和稠密特 征数据集合； 按照预设的数据组合比例对所述稀疏特征数据集合和稠密特征数据集合中的数据进 行组合， 得到对应于各个业 务场景的训练样本集 合和测试样本集 合。 5.根据权利要求4所述的方法， 其特征在于， 所述根据所述历史特征数据， 确定所述用 户集合中各个用户对应的业 务场景， 包括： 基于所述历史特征数据， 对于各个业务类型， 确定各个用户在第K ‑1个时间周期的消费 特征数据和活跃特征数据， 其中， 所述第K ‑1个时间周期为当前时间周期的上一个时间周 期， K为大于2的整数； 根据各个用户的所述消费特 征数据和活跃 特征数据确定各个用户的业 务场景； 若用户在第K个时间周期之前未进行过登陆， 确定所述用户对应的业务场景为拉新场 景； 若用户在第K ‑1个时间周期进行过登陆， 在所述第K个时间周期未进行登录， 确定所述 用户对应的业 务场景为 流失预警场景； 若用户在第K ‑2个时间周期进行过登陆， 在所述第K ‑1个时间周期未进行登录， 在所述 第K个时间周期进行登录， 确定所述用户对应的业 务场景为 流失挽回场景； 若用户在第K个时间周期之前进行过登陆但未消费， 在第K个时间周期进行登录并消 费， 确定所述用户对应的业 务场景为 付费新增场景； 若用户在第K ‑2个时间周期进行过登陆并消费， 在第K ‑1个时间周期进行登录未消费， 在第K个时间周期进行登录并消费， 确定所述用户对应的业 务场景为 付费回流场景。 6.根据权利要求1所述的方法， 其特征在于， 所述根据所述样本特征数据和所述权重向 量进行概 率预测， 得到各个业 务场景对应的概 率得分向量， 包括： 获取所述业务场景对应的概 率预测模型； 根据所述权重向量对应的业务场景， 将所述样本特征数据和所述权重向量输入到对应 的概率预测模型中， 得到对应于各个业 务场景的概 率得分向量。 7.根据权利要求1所述的方法， 其特征在于， 所述根据所述概率得分 向量和所述用户集 合进行用户分组， 得到对应于所述用户集 合的协同数据矩阵， 包括： 基于所述用户集合中的用户在各个业务类型对应的各个业务场景下的概率得分 向量， 构建带有缺 失值的概率矩阵， 所述概率矩阵的第i行第 j列为用户i在业务场景j的概率得分 向量， 所述 缺失值表示用户与所述 缺失值对应的业 务场景之间没有对应关系； 将所述概率矩阵输入到协同过 滤模型中进行缺失值预测， 得到协同概 率矩阵。 8.根据权利要求1所述的方法， 其特征在于， 所述根据所述用户集合对应的各个业务类 型下的用户数量和各个业 务场景下的用户数量， 构建卷积核， 包括： 根据所述用户特征数据， 确定各个业务类型的用户数量以及各个业务类型对应的业务 场景的用户数量； 根据各个业务场景的用户数量与对应的业务类型的用户数量的比值， 确定各个业务场 景的卷积权 重； 根据所述各个业 务场景的卷积权 重以及对应的业 务场景， 构建卷积核。权　利　要　求　书 2/3 页 3 CN 113919893 B 3