消息推送方法、训练方法、装置、电子设备及存储介质

技术领域

本公开涉及数据处理技术领域，尤其涉及内容推送技术领域，具体涉及消息推送方法、模型训练方法、消息推送装置、模型训练装置、电子设备、存储介质及程序产品。

背景技术

目前，许多应用具备消息推送功能。具体的，应用可推送一些与应用相关的消息至用户终端，以吸引用户注意，提高用户使用应用的频率，增强用户粘性。

发明内容

本公开提供了一种消息推送方法、模型训练方法、消息推送装置、模型训练装置、电子设备、存储介质及程序产品，可结合用户活跃时间和点击频次进行消息推送。

根据本公开的一方面，提供了一种消息推送方法，包括：根据用户特征和活跃时间之间的第一关联关系，判断推送列表的推送时间是否属于用户的活跃时间；响应于推送时间属于用户的活跃时间，根据用户特征，确定推送时间对应的点击频次；根据点击频次，确定推送数量；根据推送数量，对推送列表中的消息进行推送。

根据本公开的另一方面，提供了一种模型训练方法，包括：从历史行为数据中提取历史特征数据，历史特征数据包括历史用户特征、历史推送数量特征和历史点击时间特征；使用历史用户特征、历史推送数量特征和历史点击时间特征，训练内容推送模型；其中，训练好的内容推送模型至少表征第一关联关系和第二关联关系，第一关联关系至少指示用户特征和活跃时间之间的关联关系，第二关联关系指示用户特征、时间特征和点击频次之间关联关系。

根据本公开的另一方面，提供了一种消息推送装置，包括：第一判定模块，被配置为根据用户特征和活跃时间之间的第一关联关系，判断推送列表的推送时间是否属于用户的活跃时间；第二判定模块，被配置为响应于推送时间属于用户的活跃时间，根据用户特征，确定推送时间对应的点击频次；数量确定模块，被配置为根据点击频次，确定推送数量；推送模块，被配置为根据推送数量，对推送列表中的消息进行推送。

根据本公开的另一方面，提供了一种模型训练装置，包括：提取模块，被配置为从历史行为数据中提取历史特征数据，历史特征数据包括历史用户特征、历史推送数量特征和历史点击时间特征；训练模块，被配置为使用历史用户特征、历史推送数量特征和历史点击时间特征，训练内容推送模型；其中，训练好的内容推送模型至少表征第一关联关系和第二关联关系，第一关联关系至少指示用户特征和活跃时间之间的关联关系，第二关联关系指示用户特征、时间特征和点击频次之间关联关系。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上文提及的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上文提及的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上文提及的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示出了可以应用本公开的消息推送方法或模型训练方法的示例性系统架构的示意性框图；

图2是根据本公开的第一实施例的消息推送方法的流程示意图；

图3是根据本公开的第二实施例的消息推送方法的流程示意图；

图4是根据本公开的第三实施例的消息推送方法的流程示意图；

图5是根据本公开的第四实施例的模型训练方法的流程示意图；

图6是根据本公开的第五实施例的消息推送装置的示意性框图；

图7是根据本公开的第六实施例的模型训练装置的示意性框图；

图8示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1示出了可以应用本公开的消息推送方法或模型训练方法的示例性系统架构的示意性框图。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。

这里的终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。例如，后台服务器可基于各终端设备上传的数据进行处理，以向终端设备提供消息推送服务。

需要说明的是，本公开实施例所提供的消息推送方法或模型训练方法可以由服务器105或者终端设备101、102、103执行，相应地，消息推送装置或模型训练装置可以设置于服务器105或者终端设备101、102、103中。

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。

继续参考图2，图2是根据本公开的第一实施例的消息推送方法的流程示意图。该消息推送方法200的执行主体可以是为应用提供支持的服务器、云计算资源等等。如图2所示，该消息推送方法200可包括以下步骤：

步骤201，根据用户特征和活跃时间之间的第一关联关系，判断推送列表的推送时间是否属于用户的活跃时间。

本实施例中，执行主体可从用户的终端设备获取用户个人信息，并根据用户个人信息，确定用户特征。其中，用户个人信息可包括用户标识(id)、地域、年龄、性别等等，此处不做限制。基于上述用户个人信息，执行主体通过特征工程或其他技术，提取用户特征。该用户特征可通过向量等形式表现，此处不做限制。

需要说明的是，本实施例中的用户个人信息所包括的地域、性别等等均是在经用户授权提供(即，征得用户本人同意)之后所获取的，包括但不限于用户使用该功能前，通知用户阅读用户协议(通知)，并签署包括授权相关用户信息的该协议(授权)。

应该理解的是，在未背离本公开教导的情况下，执行主体可在每次推送判定的过程中，提取用户特征，也可在首次提取用户特征后，将用户特征和用户标识对应保存，以便后续使用，本公开对此不做限制。

本实施例中，执行主体在获得推送列表后，可根据用户特征和第一关联关系，判断推送列表的推送时间是否属于用户的活跃时间。其中，第一关联关系指示用户特征和活跃时间之间的关联关系。

应当理解的是，在未背离本公开教导的情况下，推送列表的推送时间可以是执行主体获得推送列表的时间，也可以是推送列表的生成时间，还可以是含有推送列表的数据包中携带的时间，此处不做限制。

作为一个示例，第一关联关系可从多个历史用户的历史行为数据中学习得到。示例地，执行主体可从多个用户的历史行为数据提取历史用户特征和历史点击时间特征，基于提取的历史用户特征和历史点击时间特征学习第一关联关系。其中，历史点击时间特征可根据历史用户点击推送的消息的时间确定，此处不做限制。该示例中，执行主体从历史行为数据中挖掘用户特征和活跃时间之间深层的关联关系，使得后续可基于深层的关联关系预估其他用户的活跃时间。

作为一个示例，第一关联关系以模型形式表现。例如，执行主体中建立有第一判定模型，该第一判定模型为预先训练的、用于表征不同用户特征和活跃时间之间的关联关系的网络模型。执行主体可将用户特征输入该第一判定模型，判断推送时间是否属于活跃时间。

例如，第一判定模型根据输入的用户特征、推送时间，以及学习阶段挖掘的第一关联关系，确定推送时间为活跃时间的概率，若该概率大于概率阈值，可输出指示推送时间属于活跃时间的指示标识，若该概率小于等于概率阈值，可输出指示推送时间不属于活跃时间的指示标识。

应当理解的是，在未背离本公开教导的情况下，第一判定模型也可被配置为基于输入的用户特征，输出用户的活跃时间，执行主体判断推送时间是否属于活跃时间，该第一判定模型可体现用户特征和活跃时间之间的关联关系即可，本公开对第一判定模型的输入和输出不做限制。

应当理解的是，在未背离本公开教导的情况下，第一判定模型可以是深度学习模型，例如，深度神经网络(Deep Neural Networks，DNN)、长短期记忆网络(Long Short-TermMemory Network，LSTM)，也可以是其他模型，本公开对此不做限制。

应当理解的是，在未背离本公开教导的情况下，第一关联关系也可通过方式获取并以其他形式表现，例如，第一关联关系可通过列表形式体现，比如，执行主体可针对各个用户分别确定其对应的活跃时间，并将其存储于预先构建的活跃时间表，该活跃时间表体现第一关联关系。本公开对此不做限制。

上述实施例中，执行主体在基于推送列表推送的过程中，结合用户的活跃时间决定是否推送，可提高消息推送后的点击概率，减少用户对推送消息的反感程度。

步骤202，响应于推送时间属于用户的活跃时间，根据用户特征，确定推送时间对应的点击频次。

本实施例中，执行主体在确定推送时间属于用户的活跃时间后，确定用户在推送时间对应的时间段内的点击频次，并将其作为推送时间对应的点击频次。

作为一个示例，执行主体可获取用户特征、时间特征和点击频次之间的关联关系(即第二关联关系)，并根据用户特征、推送时间和第二关联关系，确定推送时间对应的点击频次。

可选择的，第二关联关系以模型形式表现。执行主体将用户特征和推送时间对应的时间特征输入第二判定模型，确定推送时间对应的点击频次，其中，第二判定模型用于表征用户特征、时间特征和点击频次之间的第二关联关系，从多个历史用户的历史行为数据学习得到。示例地，第二关联关系的学习过程可包括：将一天的时间划分为多个时间段；从各个历史用户的历史行为数据提取历史用户特征、历史推送数量特征和历史点击时间特征等；基于历史点击时间特征确定上述各个时间段内的历史点击次数，根据各个时间段内的历史点击次数和各个时间段的历史推送数量特征确定历史点击频次；根据确定出的历史用户特征、各个时间段的时间特征和各个时间段的历史点击频次，学习第二关联关系，得到第二判定模型。该示例中，执行主体从应用的历史用户的历史行为数据中挖掘用户特征、时间特征和点击频次之间深层的关联关系，使得后续可基于深层的关联关系预估其他用户在各个时间的点击频次，可更精准地控制消息的推送条数。

应当理解的是，在未背离本公开教导的情况下，第二判定模型可以是深度学习模型，例如，DNN、LSTM等，也可以是其他模型，本公开对此不做限制。

应当理解的是，在未背离本公开教导的情况下，第二关联关系也可通过其他方式获取并通过其他形式表现，例如，第二关联关系可通过列表形式体现，比如，执行主体可针对各个用户分别确定其在各个时间段的点击频次，并将其存储于预先构建的活跃时间表，该活跃时间表体现第二关联关系。本公开对此不做限制。

步骤203，根据点击频次，确定推送数量。

本实施例中，由于点击频次可体现该类用户在推送时间对应的时间段内的点击推送的消息的频次，执行主体基于点击频次确定推送数量，可更好地保证推送数量在用户的容忍范围内，提高用户使用体验。

作为一个示例，执行主体可确定用户的推送阈值，根据推送阈值和点击频次，确定推送数量。

例如，执行主体可计算推送阈值和点击频次的乘积，并将乘积作为推送数量。

又如，执行主体可计算推送阈值和点击频次的乘积作为参考推送数量，根据参考推送数量、统计的推送总量和最大推送量，确定推送数量。示例地，执行主体可确定各个用户的最大推送量，计算最大推送量和推送总量的差值，若差值小于参考推送数量，则将差值确定为推送数量，若差值大于等于参考推送数量，则将参考推送数量确定为推送数量。该示例中，为每个用户设置最大推送量，提高了用户使用体检，可减少当日总推送数量过多引起用户反感，进而卸载应用或关闭应用推送的情况。

应当理解的是，在未背离本公开教导的情况下，不同用户的最大推送量可以相同，例如，预先给定一最大推送量作为所有用户的最大推送量。不同用户的最大推送量也可以不同，例如，预先给定训练数据，该训练数据包括历史用户特征和各个历史用户特征的标签，该标签指示最大推送量，基于训练数据训练一用于确定不同用户特征的最大推送量的模型，执行主体使用该模型确定当前用户的最大推送量。本公开对此不做限制。

应当理解的是，在未背离本公开教导的情况下，用户的最大推送量可以是每天的最大推送量，也可以是每天中各个时间段的最大推送量，本公开对此不做限制。

应当理解的是，在未背离本公开教导的情况下，不同用户的推送阈值可以相同，例如，预先给定一推送阈值作为所有用户的推送阈值，不同用户的推送阈值也可以不同，例如，预先给定训练数据，该训练数据包括历史用户特征和各个历史用户特征的标签，该标签指示推送阈值，基于训练数据训练一用于确定不同用户特征的推送阈值的模型，执行主体使用该模型确定当前用户的推荐阈值。本公开对此不做限制。

应当理解的是，在未背离本公开教导的情况下，用户的推送阈值可以是每天的推送阈值，也可以是每天中各个时间段的推送阈值，本公开对此不做限制。

应当理解的是，在未背离本公开教导的情况下，执行主体也可以根据点击频次，结合其他参数确定推送数量，例如，根据点击频次和推送列表中的消息数量确定推送数量，比如，将点击频次和推送列表中的消息数量的乘积作为推送数量，本公开对此不做限制。

步骤204，根据推送数量，对推送列表中的消息进行推送。

本实施例中，执行主体在确定出推送数量后，可基于推送数量对推送列表中的消息进行推送。例如，若确定出的推送数量N＝0，执行主体可不推送消息。若N≠0，且推送列表中的消息数量M＞N，执行主体可从推送列表中随机选取N个消息进行推送，或者，选择推送列表中评分最高的N个消息进行推送，其中，消息的评分可以是用户兴趣值等，此处不做限制。若N≠0，且M≤N，执行主体可将推送列表中的所有消息推送给用户。

根据本公开的一些实施例，执行主体可基于推送时间是否属于用户的活跃时间确定是否向用户推送消息，实现了推送消息的时间的控制，基于用户的点击频次确定向用户推送的消息的数量，实现推送消息的条数控制。从推送时间和推送消息的条数两方面对消息推送进行控制，可减少由于推送控制不精准对用户造成负担，进而引发卸载应用或关闭推送功能等负面操作的情况。

图3是根据本公开的第二实施例的消息推送方法的流程示意图。如图3所示，该消息推送方法300可包括以下步骤：

步骤301，根据用户特征、推送列表中消息的内容特征和第一关联关系，判断推送时间是否属于用户对于该内容特征的活跃时间。

本实施例中，第一关联关系还指示用户特征、消息的内容特征和活跃时间之间的关联关系，结合用户对不同类型的消息的活跃时间来考虑是否执行后续推送操作，使得消息推送更精准。示例地，用户针对不同类型的消息感兴趣的时间可能不同，例如，用户可能喜欢在早上观看娱乐类消息以便保持开心的心情开启新的一天，喜欢在晚上点击新闻类消息了解当天发生的事情。本实施例中，充分考虑用户在不同时间段对各类消息的喜好程度，确定是否在推送时间将推送列表中的消息推送给用户，提高了消息推送后被点击的概率，提高了用户使用体验。

应当理解的是，在未背离本公开教导的情况下，内容特征可以是推送的消息的文本特征，也可以是推送的消息对应的视频特征，本公开对此不做限制。

作为一个示例，第一关联关系从多个历史用户的历史行为数据学习得到。示例地，执行主体可从多个用户的历史行为数据提取历史用户特征、历史点击的消息的内容特征和历史点击时间特征，并基于提取的特征学习第一关联关系。该示例中，执行主体从历史行为数据中挖掘用户特征、内容特征和时间特征之间深层的关联关系，使得后续可基于深层的关联关系预估其他用户对不同内容特征的消息的活跃时间。

应当理解的是，在未背离本公开教导的情况下，第一关联关系也可从该用户的历史行为数据学习得到，或者，第一关联关系也可预先设定，本公开对此不做限制。

作为一个示例，第一关联关系以模型形式表现。例如，执行主体中建立有第一判定模型，该第一判定模型为预先训练的、用于表征用户特征、消息的内容特征和活跃时间之间的关联关系的网络模型。执行主体可将用户特征和推送列表中消息的内容特征输入该第一判定模型，判断推送时间是否属于用户对于推送列表中消息的内容特征的活跃时间。例如，第一判定模型根据输入的用户特征和内容特征，输出用户对于该内容特征的活跃时间。执行主体根据输出的活跃时间和推送时间，判断推送时间是否属于用户对于推送列表中消息的内容特征的活跃时间。

应当理解的是，在未背离本公开教导的情况下，执行主体还可将推送时间对应的时间特征输入第一判定模型。第一判定模型根据输入的用户特征、内容特征、推送时间的时间特征，以及学习阶段挖掘的第一关联关系，确定推送时间为用户对于该内容特征的活跃时间的概率，若该概率大于概率阈值，可输出指示推送时间属于用户对于内容特征的活跃时间的指示标识，若该概率小于等于概率阈值，可输出指示推送时间不属于用户对于内容特征的活跃时间的指示标识。执行主体根据指示标识判断推送时间是否属于该活跃时间，第一判定模型体现用户特征、消息的内容特征和活跃时间之间的关联关系即可，本公开对第一判定模型的输入和输出不做限制。

应当理解的是，在未背离本公开教导的情况下，第一判定模型可以是深度学习模型，例如，DNN、LSTM，也可以是其他模型，本公开对此不做限制。

应当理解的是，在未背离本公开教导的情况下，第一关联关系也可通过其他形式表现，例如，第一关联关系可通过列表形式体现，比如，执行主体可针对各个用户对于不同内容特征分别确定其对应的活跃时间，并将其存储于预先构建的活跃时间表，该活跃时间表体现第一关联关系。本公开对此不做限制。

步骤302，响应于推送时间属于用户的活跃时间，根据用户特征，确定推送时间对应的点击频次。

步骤303，根据点击频次，确定推送数量。

步骤304，根据推送数量，对推送列表中的消息进行推送。

本实施例中，步骤302至步骤304与图2的步骤202至步骤204大致相同，此处不再赘述。

根据本公开的一些实施例，执行主体可基于推送时间是否属于用户的活跃时间确定是否向用户推送消息，实现了推送消息的时间的控制，基于用户的点击频次确定向用户推送的消息的数量，实现推送消息的条数控制，减少由于推送控制不精准对用户造成负担，进而引发卸载应用或关闭推送功能等负面操作的情况。此外，执行主体充分考虑用户在不同时间段对各类消息的喜好程度，确定是否在推送时间将推送列表中的消息推送给用户，提高了消息推送后被点击的概率，提高了用户使用体验。

图4是根据本公开的第三实施例的消息推送方法的流程示意图。如图4所示，该消息推送方法400可包括以下步骤：

步骤401，根据第一关联关系，判断推送列表的推送时间是否属于用户的活跃时间。

本实施例中，执行主体若确定推送列表的推送时间不属于用户的活跃时间，执行步骤402，若确定推送列表的推送时间属于用户的活跃时间，执行步骤403。其中，执行主体确定推送列表的推送时间是否属于用户的活跃时间的过程可参考第一实施例或第二实施例的相关内容，此处不再赘述。

步骤402，根据用户的活跃时间更新推送时间。

本实施例中，执行主体可基于上文提及的第一关联关系，确定推送时间对应的活跃时间，并基于该活跃时间更新推送时间。例如，将活跃时间的起始时间、中间时间和结束时间中的一个确定为推送时间，以第一关联关系指示用户特征和活跃时间之间的关联关系为例，执行主体可将用户特征输入上文提及的以用户特征为输入、以活跃时间为输出的第一判定模型，第一判定模型基于输入的用户特征和学习到的第一关联关系，确定该用户特征对应的活跃时间。执行主体基于第一判定模型的输出，若确定推送时间处于某一活跃时间的时间段内，则确定推送时间属于该活跃时间，若确定推送时间不处于任一活跃时间的时间段内，将距离推送时间最近且晚于推送时间的活跃时间，确定为推送时间对应的活跃时间。

应当理解的是，在未背离本公开教导的情况下，执行主体还可通过其他方式确定推送时间对应的活跃时间，本公开对此不做限制。

步骤403，根据用户特征，确定推送时间对应的点击频次。

步骤404，根据点击频次，确定推送数量。

步骤405，根据推送数量，对推送列表中的消息进行推送。

本实施例中，步骤403至步骤405与图2的步骤202至步骤204大致相同，此处不再赘述。

应当理解的是，在未背离本公开教导的情况下，执行主体可在更新活跃时间后，启动时间监控任务，并执行步骤403和步骤404；在时间监控任务指示当前时间到达更新后的推送时间后，执行步骤405。执行主体也可以在更新活跃时间后，启动时间监控任务，在时间监控任务指示当前时间到达更新后的推送时间后，执行步骤403至步骤405，此处不作限制。

本公开的一些实施例中，该时间监控任务可基于计时器实现。例如，基于活跃时间和更新推送时间的时间，确定计时器的计时时间值，以便执行主体通过监听计时器确定当前时间是否到达更新后的推送时间，达到延时推送的效果。

作为一个示例，执行主体启动时间监控任务的过程可包括：根据更新后的推送时间，以及已有的各个时间监控任务的监控时间段，判断是否存在与更新后的推送时间匹配的时间监控任务；若确定存在，通过该匹配的时间监控任务监控当前时间是否到达更新后的推送时间；若确定不存在，基于更新后的推送时间，创建新的时间监控任务以监控任务监控当前时间是否到达更新后的推送时间。示例地，时间监控任务可包括监控时间段和信息列表，信息列表用于存储用户的用户标识和推送列表的标识。执行主体在确定更新后的推送时间后，若确定某一已有的时间监控任务的监控时间段包括更新后的推送时间，可将用户的用户标识和推送列表的列表标识加入该时间监控任务的信息列表；若确定已有的时间监控任务的监控时间段均不包括更新后的推送时间，可创建一新的时间监控任务，该时间监控任务的监控时间段包括更新后的推送时间对应的时间段，信息列表中记录有该用户的用户标识和该推送列表的列表标识。每个时间监控任务监控到当前时间到达监控时间段后，获取该时间监控任务的信息列表内的各个信息，基于各个信息的用户标识确定用户特征，基于各用户标识对应的列表标识确定推荐列表，执行步骤403至步骤405。该示例中，执行主体可针对多个推送列表共同创建一时间监控任务，可减少任务数量，减少资源损耗。

应当理解的是，在未背离本公开教导的情况下，执行主体也可在确定出推送时间不属于用户的活跃时间后，关闭推送列表的推送任务，即在步骤401的判断结果为否的情况下，结束流程。本公开对推送时间不属于用户的活跃时间的情况下的操作措施不作限制。

根据本公开的一些实施例，执行主体可基于推送时间是否属于用户的活跃时间确定是否向用户推送消息，实现了推送消息的时间的控制，基于用户的点击频次确定向用户推送的消息的数量，实现推送消息的条数控制，减少由于推送控制不精准对用户造成负担，进而引发卸载应用或关闭推送功能等负面操作的情况。此外，通过更新推送时间可达到延迟推送的效果，提高了推送列表被推送的概率，提高用户点击概率。

继续参考图5，图5是根据本公开的第四实施例的模型训练方法的流程示意图。该执行主体可例如为服务器等，如图5所示，该模型训练方法500可包括以下步骤：

步骤501，从历史行为数据中提取历史特征数据。

本实施例中，历史特征数据包括历史用户特征、历史推送数量特征和历史点击时间特征。其中，历史行为数据可以是关于用户对于推送的消息的点击行为的公开数据集，也可以是客户端上传的行为数据。

需要说明的是，本实施例中的用户信息/行为数据均是在经用户授权提供(即，征得用户本人同意)之后所获取的，包括但不限于用户使用消息推送功能前，通知用户阅读用户协议(通知)，并签署包括授权相关用户信息/行为数据的该协议(授权)。

可选择的，执行主体可持续获取客户端的行为数据并保存至历史行为数据库。在历史行为数据库中的数据达到一定数量后，执行主体可基于离线特征工程或其他技术，对历史行为数据再次进行特征提取，重新进行模型训练，以更新内容推送模型。

作为一个示例，历史用户特征可指示历史用户的用户标识、地域、年龄、性别等信息，此处不做限制。

作为一个示例，由于时间粒度小到秒级对用户活跃时间的判断而言意义不大，本实施例中，在确定历史点击时间特征的过程中，可将时间粒度分到分钟级或小时级，例如，10分钟粒度，或1小时粒度。换言之，执行主体可基于历史行为数据中指示用户进行消息点击操作的行为日志里的时间和划分粒度，确定该行为日志对应的历史点击时间特征。例如，若划分粒度为10分钟，行为日志指示用户在10:03:30点击了消息，该行为日志对应的历史点击时间特征可以是预先设定的时间段10:00:00-10:10:00对应的时间特征。

作为一个示例，历史推送数量特征可根据预先划分的各个时间段接收到的消息的总数量确定。例如，可将一天划分为以下时间段：6点-9点、9点-12点、12点-18点、18点-23点、23点-6点，分别统计上述时间段接收到的消息的总数量，以确定各个时间段对应的历史推送数量特征。

应当理解的是，在未背离本公开教导的情况下，执行主体还可从历史行为数据中提取其他特征，例如，执行主体还可从历史行为数据中提取历史点击的消息的历史内容特征，以便后续学习用户特征、内容特征和活跃时间之间的关联关系。又如，执行主体可从历史行为数据中提取消息的历史观看时间特征，以便结合消息的历史观看时间特征学习第一关联关系，本公开对此不做限制。

步骤502，使用历史用户特征、历史推送数量特征和历史点击时间特征，训练内容推送模型。

本实施例中，训练好的内容推送模型至少表征第一关联关系和第二关联关系，第一关联关系至少指示用户特征和活跃时间之间的关联关系，第二关联关系指示用户特征、时间特征和点击频次之间关联关系。该内容推送模型可应用于上文提及的消息推送方法，以便消息推送方法的执行主体基于内容推送模型表征的第一关联关系和第二关联关系对推送列表中的消息进行推送。该推送过程可参考上文相关描述，此处不再赘述。

在本公开的一些实施例中，执行主体训练内容推送模型的过程可包括：使用历史用户特征和历史点击时间特征，训练第一学习网络，得到内容推送模型中的第一判定模型，第一判定模型用于表征第一关联关系；使用历史用户特征、历史推送数量特征和历史点击时间特征，训练第二学习网络，得到内容推送模型中的第二判定模型，第二判定模型用于表征第二关联关系。该示例中，使用两个学习网络分别学习第一关联关系和第二关联关系，可减少各个学习网络的学习时间。

应当理解的是，在未背离本公开教导的情况下，第一关联关系和第二关联关系也可通过一个模型表征，即使用历史用户特征、历史推送数量特征和历史点击时间特征，基于上述逻辑训练一学习网络，得到内容推送模型，本公开对此不作限制。

下面对第一学习网络的训练过程进行示例性说明。

作为一个示例，执行主体可基于历史用户特征和历史点击时间特征构建第一学习网络的训练数据，以学习用户特征和活跃时间的关联关系。

例如，构建的训练数据中可包括第一类样本，第一类样本的样本数据可包括历史用户特征和历史点击时间特征，该样本数据的标签可例如为活跃标识。可选择的，该训练数据还包括第二类样本，第二类样本的样本数据可包括历史用户特征和历史未点击时间特征，该样本数据的标签可例如为不活跃标识。例如，活跃标识为1，不活跃标识为0。其中，历史未点击时间特征可基于指示用户进行消息点击操作的行为日志确定，例如，针对每一天的日志，去除一天内与指示用户进行消息点击操作的行为日志里的时间点对应的时间段，剩余的时间段对应的时间特征作为历史未点击时间特征。基于该训练数据训练后的第一判定模型可根据输入的用户特征和推送时间判定用户在该推送时间是否活跃，即该推送时间是否属于用户的活跃时间。

应当理解的是，在未背离本公开教导的情况下，历史未点击时间特征还可通过其他方式确定，本公开对此不做限制。

又如，构建的训练数据中的样本数据可包括历史用户特征，样本数据的标签可包括历史点击时间特征。基于该训练数据训练后的第一判定模型可根据输入的用户特征输出用户的活跃时间。

可选择的，历史特征数据还包括历史点击的消息的历史内容特征。执行主体使用历史用户特征和历史点击时间特征，训练第一学习网络，得到内容推送模型中的第一判定模型的过程可包括：使用历史用户特征、历史点击时间特征和历史内容特征训练第一学习网络，得到第一判定模型，第一判定模型表征的第一关联关系还指示用户特征、消息的内容特征和活跃时间之间的关联关系。示例地，执行主体可基于历史用户特征、历史内容特征和历史点击时间特征构建第一学习网络的训练数据，基于该训练数据训练第一学习网络。

例如，训练数据中的样本数据可包括历史用户特征、历史内容特征和历史点击时间特征，该样本数据的标签可例如为活跃标识。基于该训练数据训练后的第一判定模型可根据输入的用户特征、内容特征和推送时间判定用户在该推送时间对于该内容特征的反应是否活跃，即该推送时间是否属于用户对于内容特征的活跃时间。

又如，训练数据中的样本数据可包括历史用户特征和历史内容特征，该样本数据的标签可例如为历史点击时间特征。基于该训练数据训练后的第一判定模型可根据输入的用户特征和内容特征判定用户对于该内容特征的活跃时间，以便后续判定推送时间是否属于用户对于该内容特征的活跃时间。

由于执行主体提取了历史行为数据中用户点击的消息的内容特征，使得第一学习网络可学习到用户特征、消息的内容特征和活跃时间之间的关联关系，得到的第一判定模型可表征该关联关系以便后续使用。

可选择的，历史特征数据还包括消息的历史观看时间特征。执行主体使用历史用户特征和历史点击时间特征，训练第一学习网络，得到内容推送模型中的第一判定模型的过程可包括：基于历史用户特征和历史点击时间特征构建第一学习网络的第一训练数据，基于历史用户特征和历史观看时间特征构建第一学习网络的第二训练数据，基于第一训练数据和第二训练数据共同训练第一学习网络。

下面对第二学习网络的训练过程进行示例性说明。

作为一个示例，执行主体从历史行为数据中提取的历史推送数量特征可以是基于不同时间段内接收到的消息的总数量确定。执行主体可基于历史点击时间特征确定上述时间段内的历史点击次数，根据各个时间段内的历史点击次数和各个时间段的历史推送数量特征确定各个时间段的历史点击频次特征。执行主体根据确定出的历史用户特征、各个时间段的时间特征和各个时间段的历史点击频次特征，构建第二学习网络的训练数据，该训练数据中的各个样本数据可包括历史用户特征，以及各个时间段对应的时间特征，样本数据的标签可例如为历史点击频次特征。使用第二学习网络学习该训练数据反应的用户特征、时间特征和点击频次之间关联关系，使得第二判定模型可根据输入的用户特征和推送时间判定用户在该推送时间所属的时间段的点击频次。

作为一种选择，执行主体在提取历史行为数据中的特征的过程中，对历史用户关闭推送功能或历史用户卸载应用这一操作进行监控，以作为确定用户对推送的容忍程度的负反馈样本。示例地，执行主体可在检测到历史行为数据中包括指示历史用户关闭推送功能或历史用户卸载应用的行为日志后，根据行为日志的记录时间，生成历史特征数据，该历史特征数据指示历史用户对应的历史用户特征在记录时间对应的时间段的历史点击频次特征为指定数值。其中，指定数值可例如为0或小于0的数值，以使得最终学习到的第二关联关系指示该时间段的点击频次更低。该示例中，执行主体可基于用户关闭推送功能或卸载应用构建负反馈样本，增加了用于学习的数据量，使得学习得到的第二关联关系更准确地体现用户对推送的容忍度。

应当理解的是，在未背离本公开教导的情况下，第一学习网络和第二学习网络可以是DNN、LSTM等，本公开对此不作限制。

根据本公开的一些实施例，执行主体可基于历史行为数据学习用户特征和活跃时间之间的关联关系，以及用户特征、活跃时间和点击频次之间关联关系，以便构建内容推送模型。执行主体基于构建的内容推送模型进行消息推送，可更精确地推送消息的时间和条数控制。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本公开的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该公开的保护范围内。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

图6是根据本公开的第五实施例的消息推送装置的示意性框图。如图6所示，消息推送装置600可包括：第一判定模块601、第二判定模块602、数量确定模块603和推送模块604。其中，第一判定模块601被配置为根据用户特征和活跃时间之间的第一关联关系，判断推送列表的推送时间是否属于用户的活跃时间。第二判定模块602被配置为响应于推送时间属于用户的活跃时间，根据用户特征，确定推送时间对应的点击频次。数量确定模块603被配置为根据点击频次，确定推送数量。推送模块604被配置为根据推送数量，对推送列表中的消息进行推送。

在本公开的一些实施例中，第一关联关系还指示用户特征、消息的内容特征和活跃时间之间的关联关系，第一判定模块601进一步被配置为：根据用户特征、推送列表中消息的内容特征和第一关联关系，判断推送时间是否属于用户对于内容特征的活跃时间。

在本公开的一些实施例中，第一判定模块601进一步被配置为：将用户特征输入第一判定模型，判断推送时间是否属于用户的活跃时间，其中，第一判定模型用于表征第一关联关系，从多个历史用户的历史行为数据学习得到。

在本公开的一些实施例中，第二判定模块进一步被配置为：将用户特征和推送时间对应的时间特征输入第二判定模型，确定推送时间对应的点击频次，其中，第二判定模型用于表征用户特征、时间特征和点击频次之间的第二关联关系，从多个历史用户的历史行为数据学习得到。

在本公开的一些实施例中，数量确定模块603包括：阈值确定子模块，被配置为确定用户的推送阈值；数量确定子模块，被配置为根据推送阈值和点击频次，确定推送数量。

在本公开的一些实施例中，数量确定子模块包括：乘积单元，被配置为计算推送阈值和点击频次的乘积作为参考推送数量；数量确定单元，被配置为根据参考推送数量、统计的推送总量和最大推送量，确定推送数量。

在本公开的一些实施例中，装置还包括：更新模块，被配置为响应于推送时间不属于用户的活跃时间，根据用户的活跃时间更新推送时间，执行根据所述用户特征，确定推送时间对应的点击频次的步骤。

图7是根据本公开的第六实施例的模型训练装置的示意性框图。如图7所示，模型训练装置700可包括：提取模块701和训练模块702。其中，提取模块701被配置为从历史行为数据中提取历史特征数据，历史特征数据包括历史用户特征、历史推送数量特征和历史点击时间特征。训练模块702被配置为使用历史用户特征、历史推送数量特征和历史点击时间特征，训练内容推送模型。其中，训练好的内容推送模型至少表征第一关联关系和第二关联关系，第一关联关系至少指示用户特征和活跃时间之间的关联关系，第二关联关系指示用户特征、时间特征和点击频次之间关联关系。

在本公开的一些实施例中，训练模块702包括：第一训练子模块，被配置为使用历史用户特征和历史点击时间特征，训练第一学习网络，得到内容推送模型中的第一判定模型，第一判定模型用于表征第一关联关系；第二训练子模块，被配置为使用历史用户特征、历史推送数量特征和历史点击时间特征，训练第二学习网络，得到内容推送模型中的第二判定模型，第二判定模型用于表征第二关联关系。

在本公开的一些实施例中，历史特征数据还包括历史点击的消息的历史内容特征；第一训练子模块进一步被配置为：使用历史用户特征、历史点击时间特征和历史内容特征，训练第一学习网络，得到第一判定模型，第一判定模型表征的第一关联关系还指示用户特征、消息的内容特征和活跃时间之间的关联关系。

在本公开的一些实施例中，提取模块701进一步被配置为：响应于历史行为数据中包括指定类型的行为日志，根据行为日志的记录时间，生成历史特征数据，指定类型的行为日志指示历史用户关闭推送功能或历史用户卸载应用，生成的历史特征数据指示历史用户对应的历史用户特征在记录时间对应的时间段的历史点击频次特征为指定数值。

不难发现，本实施例为与上述方法实施例相对应的装置实施方式，本实施例可与上述方法实施例互相配合实施。上述方法实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在上述方法实施例中。

值得一提的是，本实施例中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本公开的创新部分，本实施例中并没有将与解决本公开所提出的技术问题关系不太密切的单元引入，但这并不表明本实施例中不存在其它的单元。

根据本公开的第七实施例，本公开还提供了一种电子设备，包括至少一个处理器和存储器。其中，存储器与至少一个处理器通信连接，并存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例提及的方法。

根据本公开的第八实施例，本公开还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上述实施例提及的方法。

根据本公开的第九实施例，本公开还提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据上述实施例提及的方法。

图8示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括处理器801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储器808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。处理器801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储器808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器801可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器801执行上文所描述的各个方法和处理，例如消息推送方法或模型训练方法。例如，在一些实施例中，消息推送方法或模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储器808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由处理器801执行时，可以执行上文描述的消息推送方法或模型训练方法的一个或多个步骤。备选地，在其他实施例中，处理器801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行消息推送方法或模型训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。