技术摘要：
本发明提供一种场景间信息推送方法，包括：从样本数据库中获取训练用户的用户画像数据，且每个训练用户标记有对目标场景的偏好信息；对所述训练用户的用户画像数据进行预处理，得到标准化的样本数据集；根据标准化的样本数据集训练得到意愿预估模型；获取各待推送用户  全部
背景技术：
通常一个APP(应用程序)包含多个场景，在APP首页设置有不同场景的入口。例如， 壹钱包APP包含商城、理财、积分等多个场景，其中，商城场景可供用户购买商品，理财场景 可供用户购买理财产品，积分场景可供用户使用积分兑换优惠券或礼品等。然而，由于用户 下载APP时的明确需求以及场景自身的不同属性，不同场景的用户仅有部分交叉，比如壹钱 包理财场景与商城场景的交易用户只存在42％的交叉率。为了对这部分非交叉用户进行场 景间交叉引流，通常会向他们推送未发生交易场景的相关信息，以吸引这些用户对未发生 交易场景的关注。然而，现有的推送方法是以年龄或者收入等属性将用户进行分类，然后向 不同类别的人群进行不同信息推送。这种推送发式存在的缺点在于，使用单一变量过于简 单地划分用户群体，没有针对用户的多维特征数据进行综合考虑，可能将信息推送到与其 关联度不高的用户，推送准确度较低。
技术实现要素：
针对上现有技术的不足，本发明的目的在于提供一种场景间信息推送方法、装置、 计算机设备及存储介质，以提高场景间信息推送的准确度。 为了实现上述目的，本发明提供一种场景间信息推送方法，包括： 从样本数据库中获取训练用户的用户画像数据，且每个训练用户标记有对目标场 景的偏好信息； 对所述训练用户的用户画像数据进行预处理，得到标准化的样本数据集； 根据所述标准化的样本数据集训练得到意愿预估模型； 获取各待推送用户的用户画像数据并进行所述预处理； 将预处理后的所述各待推送用户的用户画像数据输入到所述意愿预估模型进行 处理，得到所述各待推送用户对所述目标场景的意愿程度，并根据所述意愿程度，从所述各 待推送用户中筛选出目标用户； 获取所述目标用户对所述目标场景下各待送项目的偏好度，并根据所述偏好度从 所述各推送项目中筛选出目标项目； 向所述目标用户推送所述目标项目。 在本发明一个实施例中，所述用户画像数据包括基础属性数据、统计类数据和挖 掘类数据；所述预处理包括对所述基础属性数据进行清洗处理、数值化处理和/或标准化处 理。 在本发明一个实施例中，所述意愿预估模型的训练过程如下： 按预定比例将所述标准化的样本数据集划分为训练集和验证集； 4 CN 111582932 A 说　明　书 2/9 页 基于所述训练集对预设的初始模型进行训练，得到所述意愿预估模型； 基于所述验证集对所述意愿预估模型进行验证，当验证通过时，则结束训练。 在本发明一个实施例中，所述获取所述目标用户对所述目标场景下各待推送项目 的偏好度，包括： 获取所述目标用户的用户画像数据和用户行为数据，并根据所述目标用户的用户 画像数据和用户行为数据，提取所述目标用户的用户偏好特征矩阵； 获取所述各待推送项目的项目属性数据和项目详情数据，并根据所述各待推送项 目的项目属性数据和项目详情数据，提取所述各待推送项目的项目特征矩阵； 将所述用户偏好特征矩阵和所述项目特征矩阵输入到预先训练的项目推荐模型 进行处理，得到所述目标用户对所述各待推送项目的偏好度。 在本发明一个实施例中，所述项目推荐模型为神经协同过滤模型。 在本发明一个实施例中，所述根据所述目标用户的用户画像数据和用户行为数 据，提取所述目标用户的用户偏好特征矩阵，包括： 将所述目标用户的用户画像数据输入到预先训练的第一多层感知器进行处理，得 到所述目标用户的第一偏好特征子矩阵； 将所述目标用户的用户行为数据依次输入到预先训练的第一自动编码器、第一循 环神经网络和第一卷积神经网络进行处理，得到所述目标用户的第二偏好特征子矩阵； 拼接所述第一偏好特征子矩阵和第二偏好特征子矩阵，得到所述目标用户的用户 偏好特征矩阵。 在本发明一个实施例中，所述根据所述各待推送项目的项目属性数据和项目详情 数据，提取所述各待推送项目的项目特征矩阵，包括： 将所述各待推送项目的项目属性数据输入到预先训练的第二多层感知器进行处 理，得到所述各待推送项目的第一项目特征子矩阵； 将所述各待推送项目的项目详情数据输入到预先训练的第二自动编码器、第二循 环神经网络和第二卷积神经网络进行处理，得到所述各待推送项目的第二项目特征子矩 阵； 拼接所述第一项目特征子矩阵和第二项目特征子矩阵，得到所述各待推送项目的 所述项目特征矩阵。 为了实现上述目的，本发明还提供一种场景间信息推送装置，包括： 样本获取模块，用于从样本数据库中获取训练用户的用户画像数据，且每个训练 用户标记有对目标场景的偏好信息； 预处理模块，用于对所述训练用户的用户画像数据进行预处理，得到标准化的样 本数据集； 模型训练模块，用于根据所述标准化的样本数据集训练得到意愿预估模型； 画像数据获取模块，用于获取各待推送用户的用户画像数据并进行所述预处理； 意愿获取模块，用于将预处理后的所述各待推送用户的用户画像数据输入到预先 训练的意愿预估模型进行处理，得到所述各待推送用户对目标场景的意愿程度； 目标用户确定模块，用于根据所述意愿程度，从所述各待推送用户中筛选出目标 用户； 5 CN 111582932 A 说　明　书 3/9 页 偏好度获取模块，用于获取所述目标用户对所述目标场景下各待送项目的偏好 度， 目标项目确定模块，用于根据所述偏好度从所述各推送项目中筛选出目标项目； 推送模块，用于向所述目标用户推送所述目标项目。 在本发明一个实施例中，所述用户画像数据包括基础属性数据、统计类数据和挖 掘类数据；所述预处理包括对所述基础属性数据进行清洗处理、数值化处理和/或标准化处 理。 在本发明一个实施例中，所述模型训练模块包括： 样本划分单元，用于按预定比例将所述标准化的样本数据集划分为训练集和验证 集； 模型训练单元，用于基于所述训练集对预设的初始模型进行训练，得到所述意愿 预估模型； 模型验证单元，用于基于所述验证集对所述意愿预估模型进行验证，当验证通过 时，则结束训练。 在本发明一个实施例中，所述偏好度获取模块具体包括： 偏好特征矩阵获取单元，用于获取所述目标用户的用户画像数据和用户行为数 据，并根据所述目标用户的用户画像数据和用户行为数据，提取所述目标用户的用户偏好 特征矩阵； 项目特征矩阵获取单元，用于获取所述各待推送项目的项目属性数据和项目详情 数据，并根据所述各待推送项目的项目属性数据和项目详情数据，提取所述各待推送项目 的项目特征矩阵； 偏好度获取单元，用于将所述用户偏好特征矩阵和所述项目特征矩阵输入到预先 训练的项目推荐模型进行处理，得到所述目标用户对所述各待推送项目的偏好度。 在本发明一个实施例中，所述项目推荐模型为神经协同过滤模型。 在本发明一个实施例中，所述偏好特征矩阵获取单元具体用于： 将所述目标用户的用户画像数据输入到预先训练的第一多层感知器进行处理，得 到所述目标用户的第一偏好特征子矩阵； 将所述目标用户的用户行为数据依次输入到预先训练的第一自动编码器、第一循 环神经网络和第一卷积神经网络进行处理，得到所述目标用户的第二偏好特征子矩阵； 拼接所述第一偏好特征子矩阵和第二偏好特征子矩阵，得到所述目标用户的用户 偏好特征矩阵。 在本发明一个实施例中，所述项目特征矩阵获取单元具体用于： 将所述各待推送项目的项目属性数据输入到预先训练的第二多层感知器进行处 理，得到所述各待推送项目的第一项目特征子矩阵； 将所述各待推送项目的项目详情数据输入到预先训练的第二自动编码器、第二循 环神经网络和第二卷积神经网络进行处理，得到所述各待推送项目的第二项目特征子矩 阵； 拼接所述第一项目特征子矩阵和第二项目特征子矩阵，得到所述各待推送项目的 所述项目特征矩阵。 6 CN 111582932 A 说　明　书 4/9 页 为了实现上述目的，本发明还提供一种计算机设备，包括存储器、处理器以及存储 在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前 述方法的步骤。 为了实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机 程序，所述计算机程序被处理器执行时实现前述方法的步骤。 通过上述技术方案，本发明具有如下有益效果： 本发明通过将各待推送用户的用户画像数据输入到预先训练的意愿预估模型，得 到对目标场景有意愿的目标用户，而后通过获取目标用户对目标场景下各待推送项目的偏 好度，并将目标用户偏好的项目作为目标项目向目标用户进行推送，从而降低了对不感兴 趣的用户的打扰，提高了推荐信息的针对性和准确性。 附图说明 图1为本发明一种场景间信息推送方法的一个实施例的流程图； 图2为本发明一种场景间信息推送装置的一个实施例的结构框图； 图3为本发明计算机设备的一个实施例的硬件架构图。