信息推送方法、装置、电子设备及存储介质

技术领域

本公开实施例涉及互联网技术领域，尤其涉及一种信息推送方法、装置、电子设备及存储介质。

背景技术

在移动互联网领域，各互联网企业主要通过应用(Application，APP)产品向用户提高各类物联网服务。因此，应用的质量以及使用体验成为了关系到用户留存的关键一环。随着用户需要以及服务的不同变化，为用户提供互联网服务的应用也会随之不断的进行版本迭代和升级，以满足用户的需求。

当前，每当应用有新功能上线前，通常需要对应用进行内部测试，即选择特定的人群进行试用，并反馈体验信息，以便发现和纠正新功能或新版本应用中的问题。现有技术中，选定内测用户的方案，通常是通过用户的主动申请，或者其他渠道进行用户征集。

然而，由于应用版本的迭代和升级频率较高，采用人工申请和用户征集的方式对新版本的应用进行内部测试，存在测试效率低，反馈时间长的问题，影响应用进行内部测试的效果。

发明内容

本公开实施例提供一种信息推送方法、装置、电子设备及存储介质，以克服现有技术中采用人工申请和用户征集的方式对新版本的应用进行内部测试导致的测试效率低、反馈时间长的问题。

第一方面，本公开实施例提供一种信息推送方法，包括：

获取配置信息，所述配置信息用于指示目标应用的测试版本；根据配置信息和预训练的神经网络模型，确定目标用户，其中，所述神经网络模型用于基于输入的备选用户的用户特征，判断所述备选用户是否为所述目标用户，所述目标用户为所述目标应用的注册用户中，会通过终端设备安装所述目标应用的测试版本并发送反馈信息的用户；向所述目标用户对应的目标终端设备发送推送信息，所述推送信息用于引导所述目标用户通过所述目标终端设备安装所述目标应用的测试版本。

第二方面，本公开实施例提供一种信息推送装置，包括：

获取单元，用于获取配置信息，所述配置信息用于指示目标应用的测试版本；

确定单元，根据配置信息和预训练的神经网络模型，确定目标用户，其中，所述神经网络模型用于基于输入的备选用户的用户特征，判断所述备选用户是否为所述目标用户，所述目标用户为所述目标应用的注册用户中，会通过终端设备安装所述目标应用的测试版本并发送反馈信息的用户；

收发单元，用于向所述目标用户对应的目标终端设备发送推送信息，所述推送信息用于引导所述目标用户通过所述目标终端设备安装所述目标应用的测试版本。

第三方面，本公开实施例提供一种电子设备，包括：

处理器，以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如上第一方面以及第一方面各种可能的设计所述的信息推送方法。

第四方面，本公开实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的信息推送方法。

第五方面，本公开实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计所述的信息推送方法。

本实施例提供的信息推送方法、装置、电子设备及存储介质，通过获取配置信息，所述配置信息用于指示目标应用的测试版本；根据配置信息和预训练的神经网络模型，确定目标用户，其中，所述神经网络模型用于基于输入的备选用户的用户特征，判断所述备选用户是否为所述目标用户，所述目标用户为所述目标应用的注册用户中，会通过终端设备安装所述目标应用的测试版本并发送反馈信息的用户；向所述目标用户对应的目标终端设备发送推送信息，所述推送信息用于引导所述目标用户通过所述目标终端设备安装所述目标应用的测试版本，由于基于神经网络模型确定的目标用户，具有较大的概率响应推送信息进行目标应用的测试版本的安装和反馈，因此能够以较少的信息推送量，实现较高的体验信息的反馈量，提高目标应用的测试版本的整体反馈率，进而提高测试效率，降低反馈时间长，提高内部测试的整体效果。

附图说明

为了更清楚地说明本公开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一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例提供的信息推送方法的一种应用场景图；

图2为相关技术中一种随机推送方法；

图3为本公开实施例提供的信息推送方法的流程示意图一；

图4为本公开实施例提供的一种终端设备显示推送信息的示意图；

图5为本公开实施例提供的信息推送方法的流程示意图二；

图6为图5所示实施例中步骤S203的一种实现方式流程图；

图7为图5所示实施例中步骤S203的另一种实现方式流程图；

图8为本公开实施例提供的一种第一子任务网络结构的结构示意图；

图9为本公开实施例提供的一种神经网络模型的模型结构示意图；

图10为本公开实施例提供的信息推送装置的结构框图；

图11为本公开实施例提供的一种电子设备的结构示意图；

图12为本公开实施例提供的电子设备的硬件结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。

下面对本公开实施例的应用场景进行解释：

图1为本公开实施例提供的信息推送方法的一种应用场景图，本公开实施例提供的信息推送方法，可以应用于APP的内部测试或灰度测试的应用场景。具体地，如图1所示，本公开实施例提供的方法，可以应用于服务器，服务器分别与终端设备和配置设备通信，其中，服务器内运行APP的服务端，终端设备内运行APP的客户端。开发者在通过配置设备，向服务器发送内部测试的配置信息后，服务器向终端设备的APP客户端发送推送信息，向用户发出新版本应用的体验邀请。收到推送信息的用户通过终端设备响应该推送信息后(例如点击下载链接)，终端设备会下载并安装新版本的应用，供用户进行体验。之后，用户可以再通过终端设备，向服务器发送反馈信息，完成对该新版本的应用的使用体验的报告。服务器接收多个用户返回的反馈信息，并发送至配置设备一侧，使开发者收到用户对新版本应用的反馈信息，并基于反馈信息对新版本应用进行对应的调整和优化。

现有技术中，在选定内测用户的过程中，通常是通过用户的主动申请，或者其他渠道进行用户征集，确定对内部测试感兴趣用户，之后根据用户标识(例如用户ID)，进行对应的内测推送，使收到推送信息的用户参与到新版本应用的内部测试中。然而，由于应用版本的迭代和升级频率较高，采用人工申请和用户征集的方式对新版本的应用进行内部测试，虽然能够征集到对新版本的应用的内部测试感兴趣的用户，然而对于应用的开发方和内测用户而言，都存在操作成本高的问题，导致测试效率低，反馈时间长。同时，在征集内测用户的过程中，通常是每次都使用相同的征集渠道(例如官网报名)，因此可能导致每次参与测试的用户，都是同一批的用户，由于使用习惯、使用偏好固定，每次都采集同一批用户的反馈信息，会导致反馈信息的局限性，影响测试效果。

图2为相关技术中一种随机推送方法，如图2所示，相关技术中，采用在APP内进行随机推送的方式，邀请不同的用户参与内测，由于无需提前申请和用户征集的步骤，降低了用户申请、用户征集造成的时间成本。然而，在该过程中，在APP内进行内测推送，会影响一部分用户的使用体验，引起用户反感，导致用户流失；一部分用户在接收到内测推送后，会根据内测推送的引导进行新版本应用的安装，但新版本安装后可能由于功能的不完善，导致用户流失。由此可见，通过随机推送的方式，虽然可以提高测试的效率，然而会导致用户流失的问题，因此，如何精确的判断出对内测感兴趣、反馈意愿高的用户进行精准推送，是当前亟需解决的问题。本公开实施例提供一种信息推送方法以解决上述问题。

参考图3，图3为本公开实施例提供的信息推送方法的流程示意图一。本实施例的方法可以应用在服务器中，该信息推送方法包括：

步骤S101：获取配置信息，配置信息用于指示目标应用的测试版本目标应用。

示例性地，本实施例提供的方法的执行主体可以为服务器，服务器与配置设备通信，参考图1所示的场景示意图，示例性地，开发者通过配置设备，向服务器发送配置信息，配置信息用于指示目标应用的测试版本。具体地，例如，目标应用为App的v1.0版本。目标应用的测试版本为App的v2.0版本。此时，App的v1.0已经上线，在服务器内运行有该App的v1.0版本的客户端，在用户的终端设备内，运行有该App的v1.0版本的客户端。而App的v2.0版本当前处于内测阶段。服务器通过接收到的配置信息，可以定位该App的v2.0版本的打包文件。进一步地，该配置信息是开发者根据需要，根据配置设备设置并发送至服务器的，用以对特定的目标应用的测试版本进行测试。

更具体地，述配置信息中包括目标应用的测试版本对应的目标应用标识，例如版本识别码，通过该目标应用标识，可以唯一的确定一个目标应用的测试版本。其中，示例性地，目标应用标识可以由程序标识和版本标识组成，程序标识用于指示目标应用，版本标识用于指示该目标应用的程序版本，通过由应用标识和版本标识组成的目标应用标识，可以实现唯一确定一个目标应用的测试版本的目的。

步骤S102：根据配置信息和预训练的神经网络模型，确定目标用户，其中，所述神经网络模型用于基于输入的备选用户的用户特征，判断所述备选用户是否为所述目标用户，所述目标用户为所述目标应用的注册用户中，会通过终端设备安装所述目标应用的测试版本并发送反馈信息的用户。

示例性地，神经网络模型是已经训练至收敛的模型，该预训练的神经网络模型用于预测目标用户，更具体地，所述神经网络模型的输入参数为备选用户的用户特征，输出参数为预测的用于接收推送的目标用户。神经网络模型可基于输入的备选用户的用户特征，判断所述备选用户是否为所述目标用户，由于备选用户是从目标应用中的注册用户中的部分或全部用户，因此，确定对应目标应用的测试版本后，对应的备选用户也确定了。也即，通过神经网络模型，可以实现目标应用的测试版本与目标用户的映射。其中，目标用户为目标应用的注册用户中，会通过终端设备安装目标应用的测试版本并发送反馈信息的用户，即对目标应用的测试版本的内部测试具有较高参与意愿的用户。神经网络模型是根据历史内测记录中那些发送了反馈信息的用户(即对目标应用的测试版本的内部测试具有较高参与意愿的用户)的用户特征数据进行训练而得到的。因此，通过神经网络模型预测得到的目标用户在接收到服务器发送的推送信息后，会有较高的概率下载目标应用的测试版本进行体验，并在体验后发送反馈信息帮助开发者完成目标应用的测试版本的内部测试。

其中，示例性地，目标用户在服务器内通过对应的用户标识实现，因此，确定目标用户，即为确定目标用户对应的用户标识。用户标识例如为注册用户名(用户ID)、用户编号、用户昵称等。

步骤S103：向目标用户对应的目标终端设备发送推送信息，推送信息用于引导目标用户通过目标终端设备安装目标应用的测试版本。

示例性地，在确定目标用户后，即确定了目标用户的用户标识，之后服务器一侧的服务端向登录目标用户的用户标识的终端设备一侧的客户端，发送推送信息。终端设备运行的客户端，即App客户端，在接收到该推送信息后，会用户文字描述的方式，引导目标用户通过目标终端设备安装目标应用的测试版本。图4为本公开实施例提供的一种终端设备显示推送信息的示意图，如图4所示，终端设备内运行的客户端在接收到推送信息后，以弹窗的方式，询问用户是否下载并安装目标应用的测试版本参与内测(图中示为“是否安装App_v2.2进行内测”)。在用户点击“是”后，终端设备会访问目标应用的测试版本的安装包的存储地址，对其进行下载(图中示为“应用下载中”)。

进一步地，示例性地，目标用户在通过目标终端设备下载目标应用的测试版本并使用后，可以通过目标应用的测试版本内置的反馈渠道发送反馈信息，或者其他第三方渠道发送反馈信息，之后，服务器会收集目标用户发送的反馈信息，完成对目标应用的测试版本的内测过程，此部分步骤的实现方式为本领域技术人员知晓的现有技术，此处不进行赘述。由于收到该推送信息的目标用户是基于神经网络模型预测得到的，因此，相比于随机选择的注册用户，该目标用户在接收到该推送信息后，具有更大的概率下载该目标应用的测试版本进行体验，并反馈使用体验，从而使开发者能够得到反馈信息，而同时不易导致用户的流失。实现了精确信息推送和高效的内测邀请。

在本实施例中，通过获取配置信息，所述配置信息用于指示目标应用的测试版本；根据配置信息和预训练的神经网络模型，确定目标用户，其中，所述神经网络模型用于基于输入的备选用户的用户特征，判断所述备选用户是否为所述目标用户，所述目标用户为所述目标应用的注册用户中，会通过终端设备安装所述目标应用的测试版本并发送反馈信息的用户；向所述目标用户对应的目标终端设备发送推送信息，所述推送信息用于引导所述目标用户通过所述目标终端设备安装所述目标应用的测试版本，由于基于神经网络模型确定的目标用户，具有较大的概率响应推送信息进行目标应用的测试版本的安装和反馈，因此能够以较少的信息推送量，实现较高的体验信息的反馈量，提高目标应用的测试版本的整体反馈率，进而提高测试效率，降低反馈时间长，提高内部测试的整体效果。

参考图5，图5为本公开实施例提供的信息推送方法的流程示意图二。本实施例在图3所示实施例的基础上，对步骤S102进行了细化，并增加了基于账户属性处理策略对完成反馈信息发送的用户的账户信息进行处理的步骤，该信息推送方法包括：

步骤S201：获取配置信息，配置信息中包括目标应用的测试版本对应的目标应用标识和账户属性处理策略，账户属性处理策略用于表征目标用户下载目标应用的测试版本，和/或发送反馈信息后获得账户积分的规则。

示例性地，配置信息中包括目标应用标识和账户属性处理策略，其中，目标应用标识用于指示目标应用的测试版本，示例性地，目标应用标识可以由程序标识和版本标识组成，程序标识用于指示目标应用，版本标识用于指示该目标应用的程序版本，通过由应用标识和版本标识组成的目标应用标识，可以实现唯一确定一个目标应用的测试版本的目的。其中，根据程序标识，可以确定对应的目标应用，进而查询到该目标应用的用户数据库。该用户数据库中包括有该目标应用的注册用户的相关数据，例如用户名、密码、登录记录、操作记录等。

账户属性处理策略用于表征在用户下载应用、发送反馈信息后，对该用户对应的用户积分进行对应调整的策略，例如增加账户积分。更具体地，对于下载应用，以及发送反馈信息，根据账户属性处理策略，可以针对性的配置不同的获得积分的规则，例如，下载目标应用的测试版本，获得3积分；发送反馈信息，获得6积分。以及，根据反馈信息的内容，还可以获得对应的不同积分。上述获得用户积分的规则，可以通过配置信息中的账户属性处理策略确定。进一步地，该账户属性处理策略，可以是开发者在配置设备一侧根据需要进行设置，并通过配置信息发送给服务器的。通过账户属性处理策略，可以实现对用户下载目标应用的测试版本以及发送反馈信息行为的奖励，从而提高用户发送有效的反馈信息的数量，降低用户流失。

步骤S202：根据目标应用标识，确定目标应用的用户数据库。

示例性地，其中，由于目标应用的测试版本是目标应用的测试版本，因此，目标应用的测试版本于目标应用，归属于同一个项目工程，不同的目标应用标识映射至同一个目标应用。在一种可能的实现方式中，目标应用标识所对应的用户数据库，即为目标应用的用户数据库。其中，示例性地，用户数据库包含目标应用的注册用户的注册信息、登录信息、操作信息等数据。

步骤S203：基于用户数据库，确定预设数量的备选用户。

示例性地，在确定用户数据库后，从中选择部分或全部用户，作为备选用户，进行后续的目标用户的预测，避免将低活跃性用户、无效用户作为预测对象进行计算，减少神经网络模型的计算量，提高计算有效性和计算效率。

在一种可能的实现方式中，用户数据库中包括历史记录信息，历史记录信息用于表征目标应用的注册用户使用目标应用的历史记录，如图6所示，步骤S203包括步骤S2031、S2032两个具体的实现步骤：

步骤S2031，根据历史记录信息，确定各注册用户的活跃度，活跃度表征注册用户使用目标应用的频次。

步骤S2032，根据目标用户数据库内各注册用户对应的活跃度，确定预设数量的备选用户。

示例性地，本实施例步骤中，通过用户数据库中的历史记录信息，确定用户活跃度，活跃度为表征用户使用目标应用的频次的信息，例如单位时间内的登录次数、点赞次数、转发次数、评论次数等。将高活跃度的用户，确定为备选用户，进行后续的目标用户预测，可以减少神经网络模型的数据处理量，提高预测效率，缩短预测时间。

在另一种可能的实现方式中，如图7所示，步骤S203包括步骤S2033、S2034两个具体的实现步骤：

步骤S2033，获取预设的申请信息，申请信息表征目标应用的注册用户提交的针对目标应用的测试版本的下载申请记录；

步骤S2034，根据申请信息，将申请记录对应的注册用户确定为备选用户。

示例性地，申请信息是预设用户的注册用户通过目标应用内置的申请渠道或其他第三方渠道，提交的针对目标应用的测试版本进行下载和测试的申请记录。更具体地，即用户自发申请对目标应用的测试版本进行测试的记录。通常发送申请信息的用户，均是对目标应用的测试版本的内测具有较高意愿的用户，在一些对高用户量的热门应用进行内测的使用场景下，由于注册用户量巨大，通过结合申请信息的方式，从中选择出备选用户，进而根据备选用户基于神经网络模型再进行预测得到目标用户，可以进一步的提高测试效率，缩短测试时间，提高用户发送反馈信息的概率，降低用户量的流失。

步骤S204：基于神经网络模型，从备选用户中确定目标用户。

示例性地，在确定用户数据库中的备选用户后，将用户数据库中的备选用户对应的相关数据中能够用于用户画像的数据，作为输入参数输入神经网络模型，神经网络模型根据输入的数据，进行特征提取、特征降维、分类预测等处理步骤后，确定出目标用户。

其中，示例性地，神经网络模型包括第一子任务网络结构和第二子任务网络结构和特征层，其中，特征层用于获取用户特征信息，用户特征信息用于表征目标应用的注册用户的特征；第一子任务网络结构用于基于用户特征信息预测注册用户中，会在收到推送信息后，通过对应的终端设备安装目标应用的测试版本的用户；第二子任务网络结构用于基于用户特征信息预测注册用户中，会在通过对应的终端设备安装目标应用的测试版本后，发送反馈信息的用户；神经网络模型用于通过第一子任务网络结构的输出结果和第二子网络结构的输出结果，预测目标用户。本公开实施例中，神经网络模型是基于两个子任务网络结构，即第一子任务网络结构和第二子任务网络结构实现的。由于神经网络模型所预测的目标用户，是包含会通过终端设备安装目标应用的测试版本，和会发送反馈信息两个条件因素的用户，因此，通过两个子任务网络结构，分别进行训练和处理，实现对在收到推送信息后，通过对应的终端设备安装目标应用的测试版本的用户的预测(即对会安装应用的用户的预测)，以及对在通过对应的终端设备安装目标应用的测试版本后，会发送反馈信息的用户的预测(即对发送反馈信息的用户的预测)。相比直接通过一个任务进行训练和处理的神经网络模型，提高模型的收敛速度，提高预测精度。

具体地，示例性地。第一子任务网络结构的输出第一结果，为会安装应用的用户的预测概率；第二子网络结构输出的第二结果，为会发送反馈信息的用户的预测概率，之后，将第一结构和第二结果进行点乘，生成的目标输出结果，目标输出结果表征各注册用户(或备选用户)为目标用户的预测概率。

进一步地，示例性地，第一子任务网络结构，和/或第二子任务网络结构是基于多层堆叠的自注意力机制(Self-attention)构建的。图8为本公开实施例提供的一种第一子任务网络结构的结构示意图，参考图8所示，其中，第一子任务网络结构包括至少两个串联的自注意力机制层，自注意力机制层包括多头自注意力(Multi-headed Self-attention)模块和残差模块，第一子任务网络结构对应的多头自注意力模块用于根据用户特征信息预测注册用户在接收推送信息后，安装目标应用的测试版本的概率，残差模块用于对多头自注意力模块的输出值进行残差连接(residual connection)。进一步地，第二子任务网络结构包括至少两个串联的自注意力机制层，自注意力机制层包括多头自注意力模块和残差模块，第二子任务网络结构对应的多头自注意力模块用于根据用户特征信息预测注册用户在通过对应的终端设备安装目标应用的测试版本后，发送反馈信息的概率，残差模块用于对多头自注意力模块的输出值进行残差连接。其中，第二子任务网络结构与第一子任务网络结构的结构特征相同，第二子任务网络结构的结构示意图可参见图8所示，此处不再举例赘述。

进一步地，可选地，神经网络模型还包括表示层(Embeding layer)，表示层用于接收用户特征信息，并对用户特征信息进行降维，生成降维特征数据，降维特征数据用于通过第一子任务网络结构和第二子任务网络结构，预测目标用户。本实施例提供的神经网络中，通过特征层提取的用户特征信息虽然信息丰富，但过于系数，导致数据量过大，因此，通过将特征层提取的用户特征信息输入表示层，可以将高维的特征通过低维变量进行编码，实现对用户特征信息的降维，从而提高神经网络模型的泛化能力和性能表现。

示例性地，神经网络模型还包括信息共享层，共享层用于对表示层输出的降维特征数据进行多层感知机(Multilayer Perceptron，MLP)编码，生成融合数据；融合数据用于分别输入第一子任务网络结构和第二子任务网络结构，以预测目标用户。本实施例提供的神经网络中，在通过表示层进行降维，生成降维特征数据后，将降维特征数据输入信息共享层，并通过MLP编码，从而实现融合数据，在后续通过第一子任务网络结构和第二子任务网络结构分别进行数据处理的过程中，可以实现两个子任务的信息共享，从而实现对会通过终端设备安装目标应用的测试版本并发送反馈信息的目标用户的预测。

图9为本公开实施例提供的一种神经网络模型的模型结构示意图，参考图9所示，通过将用户数据库中的数据输入神经网络模型的特征层，之后根据特征层输出的用户特征信息，依次输入表示层、信息共享层，之后输入第一子任务网络结构和第二子任务网络结构，在根据第一子任务网络结构对应的第一结果和第二子任务网络结构对应的第二结果，生成目标用户概率表，进而实现对目标用户的确定。

步骤S205：向目标用户对应的目标终端设备发送推送信息和描述信息，推送信息用于引导目标用户通过目标终端设备安装目标应用的测试版本，描述信息表征账户属性处理策略的。

步骤S206：在检测到目标终端设备成功下载目标应用的测试版本，和/或发送反馈信息后，基于账户属性处理策略，在目标用户的数字账户内增加相应的账户积分。

示例性地，在通过神经网络模型，确定目标用户后，通过服务器一侧的服务端，向目标用户对应的目标终端设备一侧的客户端，进行消息推送，发送推送信息和描述信息，其中，推送信息例如为目标应用的测试版本的下载链接或包含下载链接的弹窗，用于引导目标用户通过目标终端设备安装目标应用的测试版本；述信息表征账户属性处理策略的，例如用户在下载目标应用的测试版本和发送反馈信息后，分别能够获得的积分奖励。之后，目标用户基于推送消息，安装并体验目标应用的测试版本后，通过预设渠道，发送反馈信息。服务器在检测到在检测到目标终端设备成功下载目标应用的测试版本，和/或发送反馈信息后，根据账户属性处理策略，为目标用户对应的数字账户内，增加积分，实现对目标用户进行奖励的目的。

可选地，在步骤S206之后，还包括：

步骤S207：获取目标终端设备对应的目标用户的用户特征信息，用户特征信息用于表征用户特征；将用户特征信息保存为模型训练数据，模型训练数据用于对神经网络模型进行训练。

示例性地，在目标用户完成下载、发送反馈信息的操作后，服务器检测到该操作行为完成后，获取目标用户的用户特征信息，该过程可以通过预设的特征工程实现。之后，将目标用户的用户特征信息保持为模型训练数据，并通过模型训练数据对神经网络模型进行训练，更具体地，即对神经网络模型中的第一子任务网络结构和第二子任务网络结构分别进行训练，从而使第一子任务网络结构和第二子任务网络结构能提高预测目标的准确性。

对应于上文实施例的信息推送方法，图10为本公开实施例提供的信息推送装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。

参照图10，信息推送装置3包括：

获取单元31，用于获取配置信息，配置信息用于指示目标应用的测试版本；

确定单元32，用于根据配置信息和预训练的神经网络模型，确定目标用户，其中，所述神经网络模型用于基于输入的备选用户的用户特征，判断所述备选用户是否为所述目标用户，所述目标用户为所述目标应用的注册用户中，会通过终端设备安装所述目标应用的测试版本并发送反馈信息的用户；

收发单元33，用于向目标用户对应的目标终端设备发送推送信息，推送信息用于引导目标用户通过目标终端设备安装目标应用的测试版本。

在本公开的一个实施例中，配置信息中包括目标应用的测试版本对应的目标应用标识；确定单元32，具体用于：根据目标应用标识，确定目标应用的用户数据库；基于用户数据库，确定预设数量的备选用户；基于神经网络模型，从备选用户中确定目标用户。

在本公开的一个实施例中，用户数据库中包括历史记录信息，历史记录信息用于表征目标应用的注册用户使用目标应用的历史记录；确定单元32在基于用户数据库，确定预设数量的备选用户时，具体用于：根据历史记录信息，确定各注册用户的活跃度，活跃度表征注册用户使用目标应用的频次；根据目标用户数据库内各注册用户对应的活跃度，确定预设数量的备选用户。

在本公开的一个实施例中，确定单元32在基于目标用户数据库，确定预设数量的备选用户时，具体用于：获取预设的申请信息，申请信息表征目标应用的注册用户提交的针对目标应用的测试版本的下载申请记录；根据申请信息，将申请记录对应的注册用户确定为备选用户。

在本公开的一个实施例中，配置信息中还包括账户属性处理策略，账户属性处理策略用于表征目标用户下载目标应用的测试版本，和/或发送反馈信息后获得账户积分的规则；收发单元33，还用于：向目标用户对应的目标终端设备推送表征账户属性处理策略的描述信息。

在本公开的一个实施例中，确定单元32，还用于：在检测到目标终端设备成功下载目标应用的测试版本，和/或发送反馈信息后，基于账户属性处理策略，在目标用户的数字账户内增加相应的账户积分。

在本公开的一个实施例中，神经网络模型包括第一子任务网络结构、第二子任务网络结构和特征层，其中，特征层用于获取用户特征信息，用户特征信息用于表征目标应用的注册用户的特征；第一子任务网络结构用于基于用户特征信息预测注册用户中，会在收到推送信息后，通过对应的终端设备安装目标应用的测试版本的用户；第二子任务网络结构用于基于用户特征信息预测注册用户中，会在通过对应的终端设备安装目标应用的测试版本后，发送反馈信息的用户；神经网络模型用于通过第一子任务网络结构的输出结果和第二子网络结构的输出结果，预测目标用户。

在本公开的一个实施例中，确定单元32在检测到目标终端设备成功下载目标应用的测试版本，和/或发送反馈信息后，还用于：获取目标终端设备对应的目标用户的用户特征信息，用户特征信息用于表征用户特征；将用户特征信息保存为模型训练数据，模型训练数据用于对神经网络模型进行训练。

在本公开的一个实施例中，第一子任务网络结构，和/或第二子任务网络结构是基于多层堆叠的自注意力机制构建的。

在本公开的一个实施例中，第一子任务网络结构包括至少两个串联的自注意力机制层，自注意力机制层包括多头自注意力模块和残差模块，第一子任务网络结构对应的多头自注意力模块用于根据用户特征信息预测注册用户在接收推送信息后，安装目标应用的测试版本的概率，残差模块用于对多头自注意力模块的输出值进行残差连接。

在本公开的一个实施例中，第二子任务网络结构包括至少两个串联的自注意力机制层，自注意力机制层包括多头自注意力模块和残差模块，第二子任务网络结构对应的多头自注意力模块用于根据用户特征信息预测注册用户在通过对应的终端设备安装目标应用的测试版本后，发送反馈信息的概率，残差模块用于对多头自注意力模块的输出值进行残差连接。

在本公开的一个实施例中，神经网络模型还包括表示层，表示层用于接收用户特征信息，并对用户特征信息进行降维，生成降维特征数据，降维特征数据用于通过第一子任务网络结构和第二子任务网络结构，预测目标用户。

在本公开的一个实施例中，神经网络模型还包括信息共享层，共享层用于对表示层输出的降维特征数据进行多层感知机编码，生成融合数据；融合数据用于分别输入第一子任务网络结构和第二子任务网络结构，以预测目标用户。

其中，获取单元31、确定单元32和收发单元33依次连接。本实施例提供的信息推送装置3可以执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。

图11为本公开实施例提供的一种电子设备的结构示意图，如图11所示，该电子设备4包括

处理器41，以及与处理器41通信连接的存储器42；

存储器42存储计算机执行指令；

处理器41执行存储器42存储的计算机执行指令，以实现如图3-图9所示实施例中的信息推送方法。

其中，可选地，处理器41和存储器42通过总线43连接。

相关说明可以对应参见图3-图9所对应的实施例中的步骤所对应的相关描述和效果进行理解，此处不做过多赘述。

参考图12，其示出了适于用来实现本公开实施例的电子设备900的结构示意图，该电子设备900可以为终端设备或服务器。其中，终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(Personal Digital Assistant，简称PDA)、平板电脑(Portable Android Device，简称PAD)、便携式多媒体播放器(Portable MediaPlayer，简称PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图12示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图12所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(Read Only Memory，简称ROM)902中的程序或者从存储装置908加载到随机访问存储器(Random Access Memory，简称RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

通常，以下装置可以连接至I/O接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(Liquid CrystalDisplay，简称LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图12示出了具有各种装置的电子设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM902被安装。在该计算机程序被处理装置901执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network，简称LAN)或广域网(Wide Area Network，简称WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

第一方面，根据本公开的一个或多个实施例，提供了一种信息推送方法，包括：

获取配置信息，所述配置信息用于指示目标应用的测试版本；根据配置信息和预训练的神经网络模型，确定目标用户，其中，所述神经网络模型用于基于输入的备选用户的用户特征，判断所述备选用户是否为所述目标用户，所述目标用户为所述目标应用的注册用户中，会通过终端设备安装所述目标应用的测试版本并发送反馈信息的用户；向所述目标用户对应的目标终端设备发送推送信息，所述推送信息用于引导所述目标用户通过所述目标终端设备安装所述目标应用的测试版本。

根据本公开的一个或多个实施例，所述配置信息中包括所述目标应用的测试版本对应的目标应用标识；所述根据配置信息和预训练的神经网络模型，确定目标用户，包括：根据所述目标应用标识，确定所述目标应用的用户数据库；基于所述用户数据库，确定预设数量的备选用户；基于所述神经网络模型，从所述备选用户中确定目标用户。

根据本公开的一个或多个实施例，所述用户数据库中包括历史记录信息，所述历史记录信息用于表征所述目标应用的注册用户使用所述目标应用的历史记录；所述基于所述用户数据库，确定预设数量的备选用户，包括：根据所述历史记录信息，确定各注册用户的活跃度，所述活跃度表征所述注册用户使用所述目标应用的频次；根据所述目标用户数据库内各注册用户对应的活跃度，确定所述预设数量的备选用户。

根据本公开的一个或多个实施例，基于所述目标用户数据库，确定预设数量的备选用户，包括：获取预设的申请信息，所述申请信息表征所述目标应用的注册用户提交的针对所述目标应用的测试版本的下载申请记录；根据所述申请信息，将所述申请记录对应的注册用户确定为备选用户。

根据本公开的一个或多个实施例，所述配置信息中还包括账户属性处理策略，所述账户属性处理策略用于表征所述目标用户下载所述目标应用的测试版本，和/或发送所述反馈信息后获得账户积分的规则；所述方法还包括：向所述目标用户对应的目标终端设备推送表征所述账户属性处理策略的描述信息。

根据本公开的一个或多个实施例，所述方法还包括：在检测到所述目标终端设备成功下载所述目标应用的测试版本，和/或发送所述反馈信息后，基于所述账户属性处理策略，在所述目标用户的数字账户内增加相应的账户积分。

根据本公开的一个或多个实施例，所述神经网络模型包括第一子任务网络结构、第二子任务网络结构和特征层，其中，所述特征层用于获取用户特征信息，所述用户特征信息用于表征所述目标应用的注册用户的特征；所述第一子任务网络结构用于基于所述用户特征信息预测所述注册用户中，会在收到推送信息后，通过对应的终端设备安装所述目标应用的测试版本的用户；所述第二子任务网络结构用于基于所述用户特征信息预测所述注册用户中，会在通过对应的终端设备安装所述目标应用的测试版本后，发送所述反馈信息的用户；所述神经网络模型用于通过所述第一子任务网络结构的输出结果和所述第二子网络结构的输出结果，预测所述目标用户。

根据本公开的一个或多个实施例，在检测到目标终端设备成功下载所述目标应用的测试版本，和/或发送所述反馈信息后，所述方法还包括：获取所述目标终端设备对应的目标用户的用户特征信息，所述用户特征信息用于表征用户特征；将所述用户特征信息保存为模型训练数据，所述模型训练数据用于对所述神经网络模型进行训练。

根据本公开的一个或多个实施例，所述第一子任务网络结构，和/或第二子任务网络结构是基于多层堆叠的自注意力机制构建的。

根据本公开的一个或多个实施例，所述第一子任务网络结构包括至少两个串联的自注意力机制层，所述自注意力机制层包括多头自注意力模块和残差模块，所述第一子任务网络结构对应的多头自注意力模块用于根据用户特征信息预测所述注册用户在接收所述推送信息后，安装所述目标应用的测试版本的概率，所述残差模块用于对所述多头自注意力模块的输出值进行残差连接。

根据本公开的一个或多个实施例，所述第二子任务网络结构包括至少两个串联的自注意力机制层，所述自注意力机制层包括多头自注意力模块和残差模块，所述第二子任务网络结构对应的多头自注意力模块用于根据用户特征信息预测所述注册用户在通过对应的终端设备安装所述目标应用的测试版本后，发送所述反馈信息的概率，所述残差模块用于对所述多头自注意力模块的输出值进行残差连接。

根据本公开的一个或多个实施例，所述神经网络模型还包括表示层，所述表示层用于接收所述用户特征信息，并对所述用户特征信息进行降维，生成降维特征数据，所述降维特征数据用于通过所述第一子任务网络结构和所述第二子任务网络结构，预测所述目标用户。

根据本公开的一个或多个实施例，所述神经网络模型还包括信息共享层，所述共享层用于对所述表示层输出的降维特征数据进行多层感知机编码，生成融合数据；所述融合数据用于分别输入所述第一子任务网络结构和所述第二子任务网络结构，以预测所述目标用户。

第二方面，根据本公开的一个或多个实施例，提供了一种信息推送装置，包括：

获取单元，用于获取配置信息，所述配置信息用于指示目标应用的测试版本；

确定单元，用于根据配置信息和预训练的神经网络模型，确定目标用户，其中，所述神经网络模型用于基于输入的备选用户的用户特征，判断所述备选用户是否为所述目标用户，所述目标用户为所述目标应用的注册用户中，会通过终端设备安装所述目标应用的测试版本并发送反馈信息的用户；

收发单元，用于向所述目标用户对应的目标终端设备发送推送信息，所述推送信息用于引导所述目标用户通过所述目标终端设备安装所述目标应用的测试版本。

根据本公开的一个或多个实施例，所述配置信息中包括所述目标应用的测试版本对应的目标应用标识；所述确定单元，具体用于：根据所述目标应用标识，确定所述目标应用的用户数据库；基于所述用户数据库，确定预设数量的备选用户；基于所述神经网络模型，从所述备选用户中确定目标用户。

根据本公开的一个或多个实施例，所述用户数据库中包括历史记录信息，所述历史记录信息用于表征所述目标应用的注册用户使用所述目标应用的历史记录；所述确定单元在所述基于所述用户数据库，确定预设数量的备选用户时，具体用于：根据所述历史记录信息，确定各注册用户的活跃度，所述活跃度表征所述注册用户使用所述目标应用的频次；根据所述目标用户数据库内各注册用户对应的活跃度，确定所述预设数量的备选用户。

根据本公开的一个或多个实施例，所述确定单元在基于所述目标用户数据库，确定预设数量的备选用户时，具体用于：获取预设的申请信息，所述申请信息表征所述目标应用的注册用户提交的针对所述目标应用的测试版本的下载申请记录；根据所述申请信息，将所述申请记录对应的注册用户确定为备选用户。

根据本公开的一个或多个实施例，所述配置信息中还包括账户属性处理策略，所述账户属性处理策略用于表征所述目标用户下载所述目标应用的测试版本，和/或发送所述反馈信息后获得账户积分的规则；所述收发单元，还用于：向所述目标用户对应的目标终端设备推送表征所述账户属性处理策略的描述信息。

根据本公开的一个或多个实施例，所述确定单元，还用于：在检测到所述目标终端设备成功下载所述目标应用的测试版本，和/或发送所述反馈信息后，基于所述账户属性处理策略，在所述目标用户的数字账户内增加相应的账户积分。

根据本公开的一个或多个实施例，所述神经网络模型包括第一子任务网络结构、第二子任务网络结构和特征层，其中，所述特征层用于获取用户特征信息，所述用户特征信息用于表征所述目标应用的注册用户的特征；所述第一子任务网络结构用于基于所述用户特征信息预测所述注册用户中，会在收到推送信息后，通过对应的终端设备安装所述目标应用的测试版本的用户；所述第二子任务网络结构用于基于所述用户特征信息预测所述注册用户中，会在通过对应的终端设备安装所述目标应用的测试版本后，发送所述反馈信息的用户；所述神经网络模型用于通过所述第一子任务网络结构的输出结果和所述第二子网络结构的输出结果，预测所述目标用户。

根据本公开的一个或多个实施例，所述确定单元在检测到目标终端设备成功下载所述目标应用的测试版本，和/或发送所述反馈信息后，还用于：获取所述目标终端设备对应的目标用户的用户特征信息，所述用户特征信息用于表征用户特征；将所述用户特征信息保存为模型训练数据，所述模型训练数据用于对所述神经网络模型进行训练。

根据本公开的一个或多个实施例，所述第一子任务网络结构，和/或第二子任务网络结构是基于多层堆叠的自注意力机制构建的。

根据本公开的一个或多个实施例，所述第一子任务网络结构包括至少两个串联的自注意力机制层，所述自注意力机制层包括多头自注意力模块和残差模块，所述第一子任务网络结构对应的多头自注意力模块用于根据用户特征信息预测所述注册用户在接收所述推送信息后，安装所述目标应用的测试版本的概率，所述残差模块用于对所述多头自注意力模块的输出值进行残差连接。

根据本公开的一个或多个实施例，所述第二子任务网络结构包括至少两个串联的自注意力机制层，所述自注意力机制层包括多头自注意力模块和残差模块，所述第二子任务网络结构对应的多头自注意力模块用于根据用户特征信息预测所述注册用户在通过对应的终端设备安装所述目标应用的测试版本后，发送所述反馈信息的概率，所述残差模块用于对所述多头自注意力模块的输出值进行残差连接。

根据本公开的一个或多个实施例，所述神经网络模型还包括表示层，所述表示层用于接收所述用户特征信息，并对所述用户特征信息进行降维，生成降维特征数据，所述降维特征数据用于通过所述第一子任务网络结构和所述第二子任务网络结构，预测所述目标用户。

根据本公开的一个或多个实施例，所述神经网络模型还包括信息共享层，所述共享层用于对所述表示层输出的降维特征数据进行多层感知机编码，生成融合数据；所述融合数据用于分别输入所述第一子任务网络结构和所述第二子任务网络结构，以预测所述目标用户。

第三方面，根据本公开的一个或多个实施例，提供了一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如上第一方面以及第一方面各种可能的设计所述的信息推送方法。

第四方面，根据本公开的一个或多个实施例，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的信息推送方法。

第五方面，本公开实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计所述的信息推送方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。