本申請涉及通信技術(shù)領(lǐng)域，尤其涉及信息推送方法及裝置。

背景技術(shù)：

隨著科技的不斷發(fā)展和生活水平的不斷提高，智能終端越來越普及化。智能終端對人們的日常生活影響也越來越大。通過智能終端可以向用戶進行個性化推送。例如，可以向用戶推送新聞信息等。

目前，為了向用戶進行個性化推送，需要先計算所有用戶分別對待推送的目標信息的點擊概率，然后按照點擊概率從大到小的順序進行排序，向排序靠前的用戶推送信息。然而，由于需要計算完所有用戶的點擊概率后才能進行個性化推薦，計算量非常大，嚴重影響了推送的實時性。

技術(shù)實現(xiàn)要素：

為克服相關(guān)技術(shù)中存在的問題，本公開提供了信息推送方法及裝置。

根據(jù)本公開實施例的第一方面，提供一種信息推送方法，所述方法包括：

根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值；

根據(jù)所述第一概率閾值確定待推送用戶對應(yīng)的目標終端；

針對所述目標終端執(zhí)行推送操作。

可選的，所有用戶被劃分為k部分；所述根據(jù)所述第一概率閾值確定待推送用戶對應(yīng)的目標終端，包括：

按照由1至k的順序，從所述k部分中獲取未執(zhí)行推送操作的第k部分，k∈[1,k]；

根據(jù)所述第一概率閾值從所述第k部分用戶中確定所述待推送用戶對應(yīng)的目標終端。

可選的，所述目標數(shù)量為所有用戶中已推送用戶數(shù)量，或所述目標數(shù)量為第k-1部分中已推送用戶數(shù)量。

可選的，k∈(1,k]，所述根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值，包括：

獲取已推送用戶的目標數(shù)量；

當所述目標數(shù)量大于n0，重配置歷史的第二概率閾值，得到第一概率閾值，所述第一概率閾值大于所述第二概率閾值；

當所述目標數(shù)量小于n0，重配置歷史的第二概率閾值，得到第一概率閾值，所述第一概率閾值小于所述第二概率閾值；

其中，所述n0為已推送用戶的期望數(shù)量。

可選的，如果所述目標數(shù)量為所有用戶中已推送用戶數(shù)量，或如果所述目標數(shù)量為第k-1部分中已推送用戶數(shù)量，或

其中，m表示所有用戶數(shù)量，mi表示第i部分用戶數(shù)量，mk-1表示第k-1部分用戶數(shù)量，n表示所有用戶中預(yù)定推送數(shù)量。

可選的，當所述目標數(shù)量大于n0，采用公式h1＝h*a重配置歷史的第二概率閾值；

當所述目標數(shù)量小于n0，采用公式h1＝h/a重配置歷史的第二概率閾值；

其中，h1表示所述第一概率閾值，h表示所述第二概率閾值，a表示預(yù)設(shè)調(diào)整因子，a＞1。

可選的，如果k＝1，所述根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值，包括：

從所有用戶中隨機抽取預(yù)定比例的用戶，獲得采樣用戶群；

計算所述采樣用戶群中每個用戶針對目標信息的第一點擊概率；

根據(jù)所述第一點擊概率、所述預(yù)定比例以及所有用戶中預(yù)定推送數(shù)量確定第一概率閾值。

可選的，所述根據(jù)所述第一點擊概率、所述預(yù)定比例以及所有用戶中預(yù)定推送數(shù)量確定第一概率閾值，包括：

將所述第一點擊概率按從大到小的順序進行排序，獲得概率集合；

將所述概率集合中排名第(n*r)的第一點擊概率確定為第一概率閾值；

其中，n表示所有用戶中預(yù)定推送數(shù)量，r表示所述預(yù)定比例。

可選的，所述根據(jù)所述第一概率閾值從所述第k部分用戶中確定所述待推送用戶對應(yīng)的目標終端，包括：

針對第k部分用戶中的每個用戶，獲取該用戶對目標信息的第二點擊概率；

將所述第二點擊概率大于或等于所述第一概率閾值的用戶的終端，確定為待推送用戶對應(yīng)的目標終端。

根據(jù)本公開實施例的第二方面，提供一種信息推送裝置，包括：

閾值獲取模塊，被配置為根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值；

終端確定模塊，被配置為根據(jù)所述第一概率閾值確定待推送用戶對應(yīng)的目標終端；

推送操作模塊，被配置為針對所述目標終端執(zhí)行推送操作。

可選的，所有用戶被劃分為k部分；所述終端確定模塊，包括：

獲取子模塊，被配置為按照由1至k的順序，從所述k部分中獲取未執(zhí)行推送操作的第k部分，k∈[1,k]；

終端確定子模塊，被配置為根據(jù)所述第一概率閾值從所述第k部分用戶中確定所述待推送用戶對應(yīng)的目標終端。

可選的，所述目標數(shù)量為所有用戶中已推送用戶數(shù)量，或所述目標數(shù)量為第k-1部分中已推送用戶數(shù)量。

可選的，k∈(1,k]，所述閾值獲取模塊包括：

數(shù)量獲取子模塊，被配置為獲取已推送用戶的目標數(shù)量；

閾值重配置子模塊，配置為當所述目標數(shù)量大于n0，重配置歷史的第二概率閾值，得到第一概率閾值，所述第一概率閾值大于所述第二概率閾值；當所述目標數(shù)量小于n0，重配置歷史的第二概率閾值，得到第一概率閾值，所述第一概率閾值小于所述第二概率閾值；其中，所述n0為已推送用戶的期望數(shù)量。

可選的，如果所述目標數(shù)量為所有用戶中已推送用戶數(shù)量，或

如果所述目標數(shù)量為第k-1部分中已推送用戶數(shù)量，或

其中，m表示所有用戶數(shù)量，mi表示第i部分用戶數(shù)量，mk-1表示第k-1部分用戶數(shù)量，n表示所有用戶中預(yù)定推送數(shù)量。

可選的，所述閾值重配置子模塊，具體配置為：

當所述目標數(shù)量大于n0，采用公式h1＝h*a重配置歷史的第二概率閾值；

當所述目標數(shù)量小于n0，采用公式h1＝h/a重配置歷史的第二概率閾值；

其中，h1表示所述第一概率閾值，h表示所述第二概率閾值，a表示預(yù)設(shè)調(diào)整因子，a＞1。

可選的，如果k＝1，所述閾值獲取模塊包括：

用戶群采樣子模塊，被配置為從所有用戶中隨機抽取預(yù)定比例的用戶，獲得采樣用戶群；

概率計算子模塊，被配置為計算所述采樣用戶群中每個用戶針對目標信息的第一點擊概率；

閾值確定子模塊，被配置為根據(jù)所述第一點擊概率、所述預(yù)定比例以及所有用戶中預(yù)定推送數(shù)量確定第一概率閾值。

可選的，所述閾值確定子模塊，具體配置為：

將所述第一點擊概率按從大到小的順序進行排序，獲得概率集合；

將所述概率集合中排名第(n*r)的第一點擊概率確定為第一概率閾值；

其中，n表示所有用戶中預(yù)定推送數(shù)量，r表示所述預(yù)定比例。

可選的，所述終端確定子模塊，具體被配置為：

針對第k部分用戶中的每個用戶，獲取該用戶對目標信息的第二點擊概率；

將所述第二點擊概率大于或等于所述第一概率閾值的用戶的終端，確定為待推送用戶對應(yīng)的目標終端。

根據(jù)本公開實施例的第三方面，提供一種信息推送裝置，包括：

處理器；

用于存儲處理器可執(zhí)行指令的存儲器；

其中，所述處理器被配置為：

根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值；

根據(jù)所述第一概率閾值確定待推送用戶對應(yīng)的目標終端；

針對所述目標終端執(zhí)行推送操作。

本公開的實施例提供的技術(shù)方案可以包括以下有益效果：

本公開根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值并執(zhí)行相應(yīng)推送操作，無需等到所有用戶的點擊概率計算完成后才確定概率閾值并執(zhí)行相應(yīng)推送操作，從而提高了推送信息的實時性。同時，由于所有用戶中用戶對目標信息的點擊概率分布不均勻，因此通過已推送用戶的目標數(shù)量更新第一概率閾值，可以提高概率閾值的準確性，使所有用戶中實際推送數(shù)量與預(yù)定推送數(shù)量更加接近。

本公開將所有用戶劃分為k部分，根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值，利用第一概率閾值對當前組用戶執(zhí)行推送判斷和相應(yīng)處理。在對當前組所有用戶進行處理后，由于已推送用戶的數(shù)量發(fā)生變化，則可以根據(jù)已推送用戶的數(shù)量更新概率閾值，作為下一組信息推送判斷中的概率閾值，從而實現(xiàn)動態(tài)更新概率閾值，提高概率閾值的準確性，進而使所有用戶中實際推送數(shù)量與預(yù)定推送數(shù)量更加接近。

本公開將所有用戶中已推送用戶數(shù)量作為確定第一概率閾值的影響因素，可以提高確定第一概率閾值的準確性。

本公開將已處理用戶中已推送用戶的目標，與已推送用戶的期望數(shù)量進行比較，根據(jù)比較結(jié)果更新概率閾值，從而獲得更新后的概率閾值，實現(xiàn)快速更新概率閾值。

本公開通過將概率閾值與大于1的預(yù)設(shè)調(diào)整因子相乘，從而增大概率閾值，通過將概率閾值與大于1的預(yù)設(shè)調(diào)整因子相除，從而減小概率閾值，實現(xiàn)快速更新概率閾值。

本公開從所有用戶中隨機抽取預(yù)定比例的用戶，僅計算部分用戶的第一點擊概率，并利用第一點擊概率確定第一概率閾值，可以減少計算量。另外，由于第一概率閾值與目標信息的相關(guān)性較高，則此方式獲得的第一概率閾值相較于直接指定的閾值，準確性較高。

應(yīng)當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本公開。

附圖說明

此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本公開的實施例，并與說明書一起用于解釋本公開的原理。

圖1是本公開根據(jù)一示例性實施例示出的一種信息推送場景示意圖。

圖2是本公開根據(jù)一示例性實施例示出的一種信息推送方法的流程圖。

圖3是本公開根據(jù)一示例性實施例示出的另一種信息推送方法的流程圖。

圖4是本公開根據(jù)一示例性實施例示出的一種信息推送裝置的框圖。

圖5是本公開根據(jù)一示例性實施例示出的另一種信息推送裝置的框圖。

圖6是本公開根據(jù)一示例性實施例示出的另一種信息推送裝置的框圖。

圖7是本公開根據(jù)一示例性實施例示出的另一種信息推送裝置的框圖。

圖8是本公開根據(jù)一示例性實施例示出的一種用于信息推送的裝置的框圖。

具體實施方式

這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本公開相一致的所有實施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本公開的一些方面相一致的裝置和方法的例子。

在本公開使用的術(shù)語是僅僅出于描述特定實施例的目的，而非旨在限制本公開。在本公開和所附權(quán)利要求書中所使用的單數(shù)形式的“一種”、“所述”和“該”也旨在包括多數(shù)形式，除非上下文清楚地表示其他含義。還應(yīng)當理解，本文中使用的術(shù)語“和/或”是指并包含一個或多個相關(guān)聯(lián)的列出項目的任何或所有可能組合。

應(yīng)當理解，盡管在本公開可能采用術(shù)語第一、第二、第三等來描述各種信息，但這些信息不應(yīng)限于這些術(shù)語。這些術(shù)語僅用來將同一類型的信息彼此區(qū)分開。例如，在不脫離本公開范圍的情況下，第一信息也可以被稱為第二信息，類似地，第二信息也可以被稱為第一信息。取決于語境，如在此所使用的詞語“如果”可以被解釋成為“在……時”或“當……時”或“響應(yīng)于確定”。

如圖1所示，圖1是本公開根據(jù)一示例性實施例示出的一種信息推送場景示意圖。該場景中，可以包括服務(wù)端及多個用戶終端。其中，服務(wù)端可以包括服務(wù)器、服務(wù)器集群或者云平臺等。用戶終端可以是計算機、智能手機、平板電腦、pda(personaldigitalassistant，個人數(shù)字助理)、多媒體播放器、可穿戴設(shè)備等電子設(shè)備。服務(wù)端可以向不同用戶的用戶終端推送目標信息，例如，用戶終端中可以安裝有小米瀏覽器，小米瀏覽器對應(yīng)的服務(wù)器可以向安裝有小米瀏覽器的用戶終端推送新聞信息，以便用戶便捷有效地獲取新聞信息。

為了提高目標信息的點擊率、以及避免推送用戶不感興趣的目標信息給用戶帶來的不便，針對不同的用戶可以進行個性化推薦。個性化推送過程中，可以向?qū)δ繕诵畔⒆罡信d趣的多個人進行推送。相關(guān)技術(shù)中，為了實現(xiàn)個性化推送，需要先計算所有用戶分別對待推送的目標信息的點擊概率，然后按照點擊概率從大到小的順序進行排序，根據(jù)排序后的點擊概率以及指定推送人數(shù)，確定概率閾值，并向點擊概率大于概率閾值的用戶推送信息。

其中，所有用戶是所有可能進行信息推送的對象，例如，可以是注冊了目標應(yīng)用程序的用戶，目標應(yīng)用程序是可以進行信息推送的程序，例如，目標應(yīng)用程序可以是小米瀏覽器。所有用戶的量往往很大，例如，存在上千萬用戶，如果計算完所有用戶的點擊概率后才能進行個性化推薦，計算量非常大，計算所有用戶的點擊概率耗費的時間非常長，嚴重影響推送的實時性。

為了避免相關(guān)技術(shù)中推送信息實時性差的缺陷，本公開根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值，并根據(jù)第一概率閾值確定待推送用戶對應(yīng)的目標終端，針對目標終端執(zhí)行推送操作?？梢姡鶕?jù)已推送用戶的目標數(shù)量獲取第一概率閾值并執(zhí)行相應(yīng)推送操作，無需等到所有用戶的點擊概率計算完成后才確定概率閾值，并執(zhí)行相應(yīng)推送操作，從而提高了推送信息的實時性。

圖2是本公開根據(jù)一示例性實施例示出的一種信息推送方法的流程圖，該方法可以用于服務(wù)端中，包括以下步驟：

在步驟201中，根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值。

在步驟202中，根據(jù)所述第一概率閾值確定待推送用戶對應(yīng)的目標終端。

在步驟203中，針對所述目標終端執(zhí)行推送操作。

本公開實施例中，已推送用戶是已處理用戶中已執(zhí)行推送操作的用戶，推送操作可以是推送目標信息的操作。目標信息是待推送的信息，例如，目標信息可以是一篇體育新聞、科技新聞、娛樂新聞等信息。

第一概率閾值可以是用來判斷用戶是否是需要進行目標信息推送的目標用戶的分位點，可以利用第一概率閾值篩選出待推送用戶，以便向待推送用戶的目標終端推送目標信息。

已處理用戶的數(shù)量為零時，第一概率閾值可以為初始閾值。利用初始閾值進行推送判斷以及相應(yīng)處理。在對一部分用戶進行處理后，為了避免最終推送的用戶數(shù)量與預(yù)設(shè)用戶數(shù)量存在較大差異，可以根據(jù)已處理用戶中已推送用戶的目標數(shù)量以及已推送用戶的期望數(shù)量調(diào)整概率閾值，調(diào)整的目的是為了使所有用戶中實際推送數(shù)量與預(yù)定推送數(shù)量相同或差距在指定范圍內(nèi)。

其中，已處理用戶是已經(jīng)進行推送判斷和相應(yīng)處理的用戶，已處理用戶中包括已推送用戶和未推送用戶；未處理用戶是指沒有進行推送判斷和相應(yīng)處理的用戶。推送判斷和相應(yīng)處理可以包括步驟202和步驟203。已推送用戶的目標數(shù)量是已處理用戶中實際被推送目標信息的用戶的數(shù)量。已推送用戶的期望數(shù)量是已處理用戶中期望被推送目標信息的用戶的數(shù)量。將目標數(shù)量和期望數(shù)量進行比較，根據(jù)比較結(jié)果即可調(diào)整概率閾值。

基于此，本公開可以將已推送用戶的目標數(shù)量作為第一概率閾值的影響因素。具體的，可以根據(jù)已推送用戶的目標數(shù)量和已推送用戶的期望數(shù)量進行比較，根據(jù)比較結(jié)果獲得第一概率閾值。

在確定第一概率閾值后，針對每一個未處理用戶，可以獲取該未處理用戶對目標信息的點擊概率；如果點擊概率大于或等于所述第一概率閾值，則將該未處理用戶的終端確定為待推送用戶對應(yīng)的目標終端，并針對目標終端執(zhí)行相應(yīng)的推送操作。

關(guān)于點擊概率，點擊概率是用戶查看該目標信息的概率，用戶常常通過點擊目標信息的方式查看目標信息，因此可以稱為查看概率或點擊概率。不同用戶對目標信息的興趣程度不一樣，因此點擊概率也不同。例如，可以基于信息特征和用戶特征，學(xué)習(xí)獲得邏輯回歸模型，利用邏輯回歸模型計算出用戶對目標信息的點擊概率?？梢岳斫獾氖?，針對計算用戶對目標信息的點擊概率，還可以采用相關(guān)技術(shù)中的其他方式，在此不做限定。

在獲得未處理用戶對目標信息的點擊概率后，可以將點擊概率和第一概率閾值進行比較，并根據(jù)比較結(jié)果判斷該未處理用戶是否為待推送用戶，從而獲得待推送用戶對應(yīng)的目標終端。其中，目標終端可以是終端標識信息。具體的，若點擊概率大于或等于第一概率閾值時，將該用戶的終端確定為目標終端，并向目標終端推送目標信息；若點擊概率小于第一概率閾值時，判定該用戶的終端不是目標終端，則不進行推送處理。本實施例中可以將該處理過程稱為推送判斷和相應(yīng)處理。針對每個未處理用戶都可以進行推送判斷和相應(yīng)處理。

可以理解的是，可以利用第一概率閾值對每個未處理用戶都進行推送判斷和相應(yīng)處理，也可以在對部分未處理用戶進行推送判斷和相應(yīng)處理后，再次根據(jù)已推送用戶的目標數(shù)量獲取概率閾值，并利用新獲取的概率閾值對剩余的未處理用戶進行推送判斷和相應(yīng)處理。

由上述實施例可見，本公開根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值并執(zhí)行相應(yīng)推送操作，無需等到所有用戶的點擊概率計算完成后才確定概率閾值并執(zhí)行相應(yīng)推送操作，從而提高了推送信息的實時性。同時，由于所有用戶中用戶對目標信息的點擊概率分布不均勻，因此通過已推送用戶的目標數(shù)量更新第一概率閾值，可以提高概率閾值的準確性，使所有用戶中實際推送數(shù)量與預(yù)定推送數(shù)量更加接近。

在一個可選的實現(xiàn)方式中，可以將要進行處理的所有用戶進行分組，在對一組內(nèi)每個用戶按照概率閾值進行推送判斷和相應(yīng)處理后，根據(jù)已推送用戶的目標數(shù)量執(zhí)行對概率閾值更新操作(步驟201)，再對下一組內(nèi)所有用戶按照更新后的概率閾值進行推送判斷和相應(yīng)處理(步驟202和步驟203)。

例如，可以將所有用戶劃分為k部分，又稱為k組。劃分方式可以是等分劃分，也可以不等分劃分。例如，按20％、20％、30％、30％進行分組，具體根據(jù)需求設(shè)定。

在一個例子中，可以按照由1至k的順序，從所述k部分中獲取未執(zhí)行推送操作的第k部分，k∈[1,k]。根據(jù)所述第一概率閾值從所述第k部分用戶中確定所述待推送用戶對應(yīng)的目標終端。

其中，執(zhí)行推送判斷和相應(yīng)處理的組/部分，稱為已執(zhí)行推送操作的組/部分，未執(zhí)行推送判斷和相應(yīng)處理的組/部分，稱為未執(zhí)行推送操作的組/部分。該實施例將所有用戶劃分為k部分，可以依次對每部分的用戶執(zhí)行步驟201至步驟203，直至所有用戶都處理完成。

可見，預(yù)先將所有用戶劃分k組，根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值，利用第一概率閾值對當前組用戶執(zhí)行推送判斷和相應(yīng)處理。在對當前組所有用戶進行處理后，由于已推送用戶的數(shù)量發(fā)生變化，則可以根據(jù)已推送用戶的數(shù)量更新概率閾值，作為下一組信息推送判斷中的概率閾值，從而實現(xiàn)動態(tài)更新概率閾值，提高概率閾值的準確性，進而使所有用戶中實際推送數(shù)量與預(yù)定推送數(shù)量更加接近。

在一個例子中，已推送用戶的目標數(shù)量可以是所有用戶中已推送用戶數(shù)量。如果當前組為第k組，則已推送用戶的目標數(shù)量是前k-1組中實際推送用戶數(shù)量，已推送用戶的期望數(shù)量是前k-1組中期望推送用戶數(shù)量。

該實施例將所有用戶中已推送用戶數(shù)量作為確定第一概率閾值的影響因素，可以提高確定第一概率閾值的準確性。

在另一個例子中，已推送用戶的目標數(shù)量可以為第k-1部分中已推送用戶數(shù)量。如果當前組為第k組，則已推送用戶的目標數(shù)量是第k-1組中實際推送用戶數(shù)量，已推送用戶的期望數(shù)量是第k-1組中期望推送用戶數(shù)量。

該實施例將上一組用戶中已推送用戶數(shù)量作為確定第一概率閾值的影響因素，實現(xiàn)概率閾值的更新。

如果k＝1，表示已處理用戶的數(shù)量為零時，第一概率閾值可以為初始閾值。

在一個例子中，初始閾值可以是預(yù)先指定的概率閾值，不同類型的目標信息還可以設(shè)置不同的點擊概率閾值，具體可以靈活設(shè)置。

可見，通過預(yù)設(shè)的方式獲得初始閾值，可以提高獲得初始閾值的效率。

在另一個例子中，為了提高初始閾值與目標信息的相關(guān)性，可以基于采樣用戶群中用戶對目標信息的點擊概率確定初始閾值，具體的，如果k＝1，所述根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值，包括：

從所有用戶中隨機抽取預(yù)定比例的用戶，獲得采樣用戶群。

計算所述采樣用戶群中每個用戶針對目標信息的第一點擊概率。

根據(jù)所述第一點擊概率、所述預(yù)定比例以及所有用戶中預(yù)定推送數(shù)量確定第一概率閾值。

其中，預(yù)定比例可以是預(yù)先設(shè)置的采樣比例，可以根據(jù)所有用戶的用戶總數(shù)靈活配置。在一個例子中，預(yù)定比例可以為1％，如果用戶總數(shù)很大，預(yù)定比例可以是0.1％。關(guān)于抽取用戶，可以是抽取用戶標識，例如，從所有用戶名中抽取預(yù)設(shè)比例的用戶賬號。

可見，從所有用戶中隨機抽取預(yù)定比例的用戶，僅計算部分用戶的第一點擊概率，并利用第一點擊概率確定第一概率閾值，可以減少計算量。另外，由于第一概率閾值與目標信息的相關(guān)性較高，則此方式獲得的第一概率閾值相較于直接指定的閾值，準確性較高。

根據(jù)所述第一點擊概率、所述預(yù)定比例以及所有用戶中預(yù)定推送數(shù)量確定第一概率閾值，目的是為了利用第一概率閾值進行點擊概率過濾時，可以使所有用戶對所述目標信息的點擊概率中，大于或等于所述第一概率閾值的點擊概率的數(shù)量，與預(yù)定推送數(shù)量相同或差距在指定范圍內(nèi)。指定范圍是預(yù)先設(shè)定的允許的誤差范圍。

以下列舉其中一種確定方式進行說明。

所述根據(jù)所述第一點擊概率、所述預(yù)定比例以及所有用戶中預(yù)定推送數(shù)量確定第一概率閾值，包括：

將所述第一點擊概率按從大到小的順序進行排序，獲得概率集合。

將所述概率集合中排名第(n*r)的第一點擊概率確定為第一概率閾值。

其中，n表示所有用戶中預(yù)定推送數(shù)量，r表示所述預(yù)定比例。

其中，所有用戶中預(yù)定推送數(shù)量是期望從所有用戶中篩選出的需要推送目標信息的用戶總數(shù)，將預(yù)定推送數(shù)量與預(yù)定比例相乘，即可確定采樣用戶群中期望推送的用戶數(shù)量，由于將采樣用戶群中每個用戶針對目標信息的第一點擊概率進行排序，則可以將概率集合中排名第(n*r)的第一點擊概率確定為第一概率閾值。

可見，通過將第一點擊概率按從大到小的順序進行排序，獲得概率集合，并將概率集合中排名第(n*r)的第一點擊概率確定為第一概率閾值，從而可以快速獲得第一概率閾值。

如果k∈(1,k]，表示已處理用戶的數(shù)量不為零?？梢愿鶕?jù)已處理用戶中已推送用戶的目標數(shù)量以及已推送用戶的期望數(shù)量更新概率閾值。

在一個例子中，所述根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值，包括：

獲取已推送用戶的目標數(shù)量。

當所述目標數(shù)量大于n0，重配置歷史的第二概率閾值，得到第一概率閾值，所述第一概率閾值大于所述第二概率閾值。

當所述目標數(shù)量小于n0，重配置歷史的第二概率閾值，得到第一概率閾值，所述第一概率閾值小于所述第二概率閾值。

其中，所述n0為已推送用戶的期望數(shù)量。第一概率閾值和第二概率閾值均是概率閾值，為了區(qū)分更新前后的概率閾值，將更新前的概率閾值稱為第二概率閾值，將更新后的概率閾值稱為第一概率閾值。

可見，在該實施例中，如果目標數(shù)量大于期望數(shù)量，表示利用概率閾值篩選出了多余的用戶，因此將概率閾值調(diào)大。例如，將歷史中的第二概率閾值更新為第一概率閾值，且所述第一概率閾值大于所述第二概率閾值。如果目標數(shù)量小于期望數(shù)量，表示利用概率閾值篩選出的用戶數(shù)量不夠，因此將點擊概率閾值調(diào)小。例如，將歷史中的第二概率閾值更新為第一概率閾值，且所述第一概率閾值小于所述第二概率閾值。如果目標數(shù)量等于期望數(shù)量，表示利用點擊概率閾值篩選出的用戶數(shù)量合適，則無需調(diào)整概率閾值，第一概率閾值與第二概率閾值相同。

其中，概率閾值的調(diào)整幅度，可以通過預(yù)設(shè)調(diào)整因子確定。調(diào)大的調(diào)整因子和調(diào)小的調(diào)整因子可以相同，也可以不同，以下以兩種調(diào)整因子相同為例進行說明。

在一個例子中，當所述目標數(shù)量大于n0，采用公式h1＝h*a重配置歷史的第二概率閾值；當所述目標數(shù)量小于n0，采用公式h1＝ha重配置歷史的第二概率閾值；其中，h1表示所述第一概率閾值，h表示所述第二概率閾值，a表示預(yù)設(shè)調(diào)整因子，a＞1。

預(yù)設(shè)調(diào)整因子是調(diào)整速度控制因子，因子越大，調(diào)整的速度越快，但也越不穩(wěn)定，因此，可以根據(jù)需求配置。在一個例子中，預(yù)設(shè)調(diào)整因子可以是預(yù)先設(shè)定的固定值。例如a＝1.1。在另一個例子中，預(yù)設(shè)調(diào)整因子可以根據(jù)目標數(shù)量和期望數(shù)量的差距而靈活配置。例如，差距越大，預(yù)設(shè)調(diào)整因子越大，差距越小，預(yù)設(shè)調(diào)整因子越小。

可見，通過將概率閾值與大于1的預(yù)設(shè)調(diào)整因子相乘，從而增大概率閾值，通過將概率閾值與大于1的預(yù)設(shè)調(diào)整因子相除，從而減小概率閾值，實現(xiàn)快速更新概率閾值。

在另一個例子中，還可以采用其他方式重配置歷史的第二概率閾值，例如，當所述目標數(shù)量大于n0，采用公式h1＝h+a重配置歷史的第二概率閾值，當所述目標數(shù)量小于n0，采用公式h1＝h-a重配置歷史的第二概率閾值。針對其他重配置方式，在此不再一一贅述。

關(guān)于已推送用戶的期望數(shù)量，期望數(shù)量是已處理用戶中期望被推送目標信息的用戶的數(shù)量。以下列舉幾種確定期望數(shù)量的方法。

在一個例子中，如果所述目標數(shù)量為所有用戶中已推送用戶數(shù)量，則期望數(shù)量為所有用戶中期望推送用戶數(shù)量。

此時，n表示所有用戶中預(yù)定推送數(shù)量。

可見，該實施例直接將所有用戶中預(yù)定推送數(shù)量與已處理用戶比例進行相乘，快速獲得期望數(shù)量。

特別是，如果將所有用戶等分為k部分，則采用公式獲得期望數(shù)量，可以提高確定期望數(shù)量的準確性，進而提高確定第一概率閾值的準確性。

在另一個例子中，如果所述目標數(shù)量為所有用戶中已推送用戶數(shù)量，則期望數(shù)量為所用用戶中期望推送用戶數(shù)量。

此時，m表示所有用戶數(shù)量，mi表示第i部分用戶數(shù)量，n表示所有用戶中預(yù)定推送數(shù)量。

由于可能存在k部分為不等分的情況，則先確定每組用戶數(shù)量與總用戶數(shù)量的比值根據(jù)比值確定該組用戶的期望數(shù)量再將已處理的各組用戶的期望數(shù)量相加即可得到已處理用戶中已推送用戶的期望數(shù)量。

可見，采用上述公式獲得的期望數(shù)量，準確性高，進而提高確定第一概率閾值的準確性。

在一個例子中，如果所述目標數(shù)量為第k-1部分中已推送用戶數(shù)量，則期望數(shù)量為第k-1部分中期望推送用戶數(shù)量。

此時，n表示所有用戶中預(yù)定推送數(shù)量。

本實施例直接將所有用戶中預(yù)定推送數(shù)量與k相除，快速獲得期望數(shù)量。特別是，如果將所有用戶等分為k部分，則采用公式獲得期望數(shù)量，可以提高確定期望數(shù)量的準確性，進而提高確定第一概率閾值的準確性。

在另一個例子中，如果所述目標數(shù)量為第k-1部分中已推送用戶數(shù)量，則期望數(shù)量為第k-1部分中期望推送用戶數(shù)量。

此時，m表示所有用戶數(shù)量，mk-1表示第k-1部分用戶數(shù)量，n表示所有用戶中預(yù)定推送數(shù)量。

由于可能存在利用不等分劃分方式將所有用戶劃分為k部分的情況，則先確定第k-1部分用戶數(shù)量與總用戶數(shù)量的比值根據(jù)比值確定該組用戶的期望數(shù)量即可得到n0。

可見，采用上述公式獲得的期望數(shù)量，準確性高，進而提高確定第一概率閾值的準確性。

在獲得第一概率閾值后，針對第k部分用戶中的每個用戶，獲取該用戶對目標信息的第二點擊概率；將所述第二點擊概率大于或等于所述第一概率閾值的用戶的終端，確定為待推送用戶對應(yīng)的目標終端，并向所述目標終端推送目標信息。

以上實施方式中的各種技術(shù)特征可以任意進行組合，只要特征之間的組合不存在沖突或矛盾，但是限于篇幅，未進行一一描述，因此上述實施方式中的各種技術(shù)特征的任意進行組合也屬于本說明書公開的范圍。

本公開列舉其中一個組合進行示例說明。如圖3所示，圖3是本公開根據(jù)一示例性實施例示出的另一種信息推送方法的流程圖，所述方法包括：

在步驟301中，從所有用戶中隨機抽取預(yù)定比例的用戶，獲得采樣用戶群。

在步驟302中，計算所述采樣用戶群中每個用戶針對目標信息的第一點擊概率。

在步驟303中，根據(jù)所述第一點擊概率、所述預(yù)定比例以及所有用戶中預(yù)定推送數(shù)量確定第一概率閾值。

在步驟304中，將所有用戶進行等分為k組。

在步驟305中，按照由1至k的順序，從所述k組中獲取未執(zhí)行推送操作的第k組，根據(jù)所述第一概率閾值從所述第k組用戶中確定所述待推送用戶對應(yīng)的目標終端，并向目標終端推送目標信息。

其中，k＝1時，所采用的第一概率閾值可以為步驟303所確定的閾值，k∈(1,k]時，所采用的第一概率閾值基于已執(zhí)行推送操作的前k-1組用戶中已推送用戶的目標數(shù)量和期望數(shù)量獲得。

在根據(jù)第一概率閾值從第k組用戶中確定所述待推送用戶對應(yīng)的目標終端時，可以針對第k組用戶中每個用戶，獲取該用戶對目標信息的第二點擊概率，若第二點擊概率大于或等于第一概率閾值，則將該用戶的終端確定為待推送用戶的目標終端，并向該目標終端推送目標信息。依次對第k組的每個用戶執(zhí)行上述推送判斷和相應(yīng)處理，直到第k組的所有用戶處理完成?？梢姡槍γ總€用戶而言，點擊概率確定完成，相應(yīng)的推送處理也完成。

在步驟306中，若k≠k，在對第k組內(nèi)所有用戶按照第一概率閾值進行推送判斷并進行相應(yīng)處理后，將已執(zhí)行推送操作的前k-1組用戶中已推送用戶的目標數(shù)量和期望數(shù)量進行比較，根據(jù)比較結(jié)果更新所述第一概率閾值，令k＝k+1，并返回步驟305，以便利用更新后的概率閾值對下一組內(nèi)用戶進行推送判斷和相應(yīng)處理。

在步驟307中，若k＝k，推送處理結(jié)束。

由上述實施例可見，本公開基于采樣用戶群預(yù)估出概率閾值，并在每組用戶處理完后，對概率閾值進行更新，避免最終推送的用戶數(shù)量與預(yù)定用戶數(shù)量存在較大差異的缺陷。同時，針對每組內(nèi)每個用戶進行推送判斷和相應(yīng)的推送處理，提高了推送實時性。

為了方便理解，以下以一個具體應(yīng)用實例進行說明。假設(shè)所有用戶的總用戶數(shù)量為m、所有用戶中預(yù)定推送數(shù)量n、預(yù)定比例為1％。從所有用戶中隨機選擇1％的用戶，獲得m/100人數(shù)的采樣用戶群，計算采樣用戶群中每個用戶對目標信息的點擊概率，將采樣用戶群中各用戶的點擊概率按大小進行排序，獲得概率集合，將概率集合中排名第n/100號的點擊概率確定為概率閾值h。

將所有用戶劃分為k等分。針對第一組的用戶，確定當前用戶對目標信息的點擊概率；將點擊概率與點擊概率閾值h進行比較，根據(jù)比較結(jié)果判斷是否向所述當前用戶的用戶終端推送所述目標信息，并執(zhí)行相應(yīng)的推送處理。當?shù)谝唤M內(nèi)所有用戶按照概率閾值h進行推送判斷并進行相應(yīng)處理后，將第一組內(nèi)實際推送的用戶數(shù)量n1與進行比較，如果則將概率閾值更新為h1＝h*1.1，如果則將概率閾值更新為h1＝h/1.1，并對第二組內(nèi)所有用戶按照概率閾值h1進行推送判斷并進行相應(yīng)處理，以此類推。當1到k-1組用戶計算完成后，實際推送的用戶數(shù)量為n1～k-1，如果則將概率閾值更新為hk-1＝hk-2*1.1，如果則將概率閾值更新為hk-1＝hk-2/1.1，并對第k組內(nèi)所有用戶按照概率閾值hk-1進行推送判斷和相應(yīng)處理。

與前述信息推送方法的實施例相對應(yīng)，本公開還提供了信息推送裝置及其所應(yīng)用的服務(wù)端的實施例。

如圖4所示，圖4是本公開根據(jù)一示例性實施例示出的一種信息推送裝置的框圖，所述裝置包括：閾值獲取模塊41、終端確定模塊42和推送操作模塊43。

其中，閾值獲取模塊41，被配置為根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值。

終端確定模塊42，被配置為根據(jù)所述第一概率閾值確定待推送用戶對應(yīng)的目標終端。

推送操作模塊43，被配置為針對所述目標終端執(zhí)行推送操作。

由上述實施例可見，根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值并執(zhí)行相應(yīng)推送操作，無需等到所有用戶的點擊概率計算完成后才確定概率閾值并執(zhí)行相應(yīng)推送操作，從而提高了推送信息的實時性。同時，由于所有用戶中用戶對目標信息的點擊概率分布不均勻，因此通過已推送用戶的目標數(shù)量更新第一概率閾值，可以提高概率閾值的準確性，使所有用戶中實際推送數(shù)量與預(yù)定推送數(shù)量更加接近。

如圖5所示，圖5是本公開根據(jù)一示例性實施例示出的另一種信息推送裝置的框圖，該實施例在前述圖4所示實施例的基礎(chǔ)上，所有用戶被劃分為k部分；所述終端確定模塊42，包括：獲取子模塊421和終端確定子模塊422。

其中，獲取子模塊421，被配置為按照由1至k的順序，從所述k部分中獲取未執(zhí)行推送操作的第k部分，k∈[1,k]。

終端確定子模塊422，被配置為根據(jù)所述第一概率閾值從所述第k部分用戶中確定所述待推送用戶對應(yīng)的目標終端。

由上述實施例可見，將所有用戶劃分為k部分，根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值，利用第一概率閾值對當前組用戶執(zhí)行推送判斷和相應(yīng)處理。在對當前組所有用戶進行處理后，由于已推送用戶的數(shù)量發(fā)生變化，則可以根據(jù)已推送用戶的數(shù)量更新概率閾值，作為下一組信息推送判斷中的概率閾值，從而實現(xiàn)動態(tài)更新概率閾值，提高概率閾值的準確性，進而使所有用戶中實際推送數(shù)量與預(yù)定推送數(shù)量更加接近。

在一個可選的實現(xiàn)方式中，所述目標數(shù)量為所有用戶中已推送用戶數(shù)量，或所述目標數(shù)量為第k-1部分中已推送用戶數(shù)量。

由上述實施例可見，將所有用戶中已推送用戶數(shù)量作為確定第一概率閾值的影響因素，可以提高確定第一概率閾值的準確性。

如圖6所示，圖6是本公開根據(jù)一示例性實施例示出的另一種信息推送裝置的框圖，該實施例在前述圖4所示實施例的基礎(chǔ)上，k∈(1,k]，所述閾值獲取模塊41包括：數(shù)量獲取子模塊411和閾值重配置子模塊412。

其中，數(shù)量獲取子模塊411，被配置為獲取已推送用戶的目標數(shù)量。

閾值重配置子模塊412，配置為當所述目標數(shù)量大于n0，重配置歷史的第二概率閾值，得到第一概率閾值，所述第一概率閾值大于所述第二概率閾值；當所述目標數(shù)量小于n0，重配置歷史的第二概率閾值，得到第一概率閾值，所述第一概率閾值小于所述第二概率閾值；其中，所述n0為已推送用戶的期望數(shù)量。

由上述實施例可見，將已處理用戶中已推送用戶的目標，與已推送用戶的期望數(shù)量進行比較，根據(jù)比較結(jié)果更新概率閾值，從而獲得更新后的概率閾值，實現(xiàn)快速更新概率閾值。

在一個可選的實現(xiàn)方式中，如果所述目標數(shù)量為所有用戶中已推送用戶數(shù)量，或

其中，m表示所有用戶數(shù)量，mi表示第i部分用戶數(shù)量，n表示所有用戶中預(yù)定推送數(shù)量。

在一個可選的實現(xiàn)方式中，如果所述目標數(shù)量為第k-1部分中已推送用戶數(shù)量，或

其中，m表示所有用戶數(shù)量，mk-1表示第k-1部分用戶數(shù)量，n表示所有用戶中預(yù)定推送數(shù)量。

在一個可選的實現(xiàn)方式中，所述閾值重配置子模塊412，具體配置為：

當所述目標數(shù)量大于n0，采用公式h1＝h*a重配置歷史的第二概率閾值。

當所述目標數(shù)量小于n0，采用公式h1＝h/a重配置歷史的第二概率閾值。

其中，h1表示所述第一概率閾值，h表示所述第二概率閾值，a表示預(yù)設(shè)調(diào)整因子，a＞1。

由上述實施例可見，通過將概率閾值與大于1的預(yù)設(shè)調(diào)整因子相乘，從而增大概率閾值，通過將概率閾值與大于1的預(yù)設(shè)調(diào)整因子相除，從而減小概率閾值，實現(xiàn)快速更新概率閾值。

如圖7所示，圖7是本公開根據(jù)一示例性實施例示出的另一種信息推送裝置的框圖，該實施例在前述圖4所示實施例的基礎(chǔ)上，如果k＝1，所述閾值獲取模塊41包括：用戶群采樣子模塊413、概率計算子模塊414和閾值確定子模塊415。

其中，用戶群采樣子模塊413，被配置為從所有用戶中隨機抽取預(yù)定比例的用戶，獲得采樣用戶群。

概率計算子模塊414，被配置為計算所述采樣用戶群中每個用戶針對目標信息的第一點擊概率。

閾值確定子模塊415，被配置為根據(jù)所述第一點擊概率、所述預(yù)定比例以及所有用戶中預(yù)定推送數(shù)量確定第一概率閾值。

由上述實施例可見，從所有用戶中隨機抽取預(yù)定比例的用戶，僅計算部分用戶的第一點擊概率，并利用第一點擊概率確定第一概率閾值，可以減少計算量。另外，由于第一概率閾值與目標信息的相關(guān)性較高，則此方式獲得的第一概率閾值相較于直接指定的閾值，準確性較高。

在一個可選的實現(xiàn)方式中，所述閾值確定子模塊415，具體配置為：

將所述第一點擊概率按從大到小的順序進行排序，獲得概率集合。

將所述概率集合中排名第(n*r)的第一點擊概率確定為第一概率閾值。

其中，n表示所有用戶中預(yù)定推送數(shù)量，r表示所述預(yù)定比例。

在一個可選的實現(xiàn)方式中，所述終端確定子模塊422，具體被配置為：

針對第k部分用戶中的每個用戶，獲取該用戶對目標信息的第二點擊概率。

將所述第二點擊概率大于或等于所述第一概率閾值的用戶的終端，確定為待推送用戶對應(yīng)的目標終端。

相應(yīng)的，本公開還提供一種信息推送裝置，所述裝置包括有處理器；用于存儲處理器可執(zhí)行指令的存儲器；其中，所述處理器被配置為：

根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值。

根據(jù)所述第一概率閾值確定待推送用戶對應(yīng)的目標終端。

針對所述目標終端執(zhí)行推送操作。

上述裝置中各個模塊的功能和作用的實現(xiàn)過程具體詳情見上述方法中對應(yīng)步驟的實現(xiàn)過程，在此不再贅述。

對于裝置實施例而言，由于其基本對應(yīng)于方法實施例，所以相關(guān)之處參見方法實施例的部分說明即可。以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的模塊可以是或者也可以不是物理上分開的，作為模塊顯示的部件可以是或者也可以不是物理模塊，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)模塊上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本公開方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性勞動的情況下，即可以理解并實施。

如圖8所示，圖8是根據(jù)一示例性實施例示出的一種用于信息推送的裝置800的框圖。

例如，裝置800可以被提供為服務(wù)器設(shè)備。參照圖8，系統(tǒng)800包括處理組件822，其進一步包括一個或多個處理器，以及由存儲器832所代表的存儲器資源，用于存儲可由處理部件822的執(zhí)行的指令，例如應(yīng)用程序。存儲器832中存儲的應(yīng)用程序可以包括一個或一個以上的每一個對應(yīng)于一組指令的模塊。此外，處理組件822被配置為執(zhí)行指令，以執(zhí)行上述信息推送方法。

系統(tǒng)800還可以包括一個電源組件826被配置為執(zhí)行系統(tǒng)800的電源管理，一個有線或無線網(wǎng)絡(luò)接口850被配置為將系統(tǒng)800連接到網(wǎng)絡(luò)，和一個輸入輸出(i/o)接口858。系統(tǒng)800可以操作基于存儲在存儲器832的操作系統(tǒng)。

其中，當所述存儲器832中的指令由所述處理組件822執(zhí)行時，使得系統(tǒng)800能夠執(zhí)行一種信息推送方法，包括：

根據(jù)已推送用戶的目標數(shù)量獲取第一概率閾值。

根據(jù)所述第一概率閾值確定待推送用戶對應(yīng)的目標終端。

針對所述目標終端執(zhí)行推送操作。

本領(lǐng)域技術(shù)人員在考慮說明書及實踐這里公開的發(fā)明后，將容易想到本公開的其它實施方案。本公開旨在涵蓋本公開的任何變型、用途或者適應(yīng)性變化，這些變型、用途或者適應(yīng)性變化遵循本公開的一般性原理并包括本公開未公開的本技術(shù)領(lǐng)域中的公知常識或慣用技術(shù)手段。說明書和實施例僅被視為示例性的，本公開的真正范圍和精神由下面的權(quán)利要求指出。

應(yīng)當理解的是，本公開并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍進行各種修改和改變。本公開的范圍僅由所附的權(quán)利要求來限制。

以上所述僅為本公開的較佳實施例而已，并不用以限制本公開，凡在本公開的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應(yīng)包含在本公開保護的范圍之內(nèi)。