CN111898019B - 信息推送方法及装置 - Google Patents

Abstract

本公开公开了一种信息推送方法、装置、电子设备及计算机可读存储介质，其中，所述方法包括：当检测到产生信息时，采集信息对应的特征数据，根据特征数据生成当前状态，并根据推送信息生成第一当前动作；将当前状态和第一当前动作输入线上深度强化学习模型，以使线上深度强化学习模型根据当前状态和第一当前动作获取推送信息时对应的分值；若推送信息时对应的分值大于预设分值，则推送信息。本公开通过采集产生的信息对应的特征数据，根据特征数据生成当前状态，并根据推送信息生成第一当前动作，将当前状态和第一当前动作输入线上深度强化学习模型，获取推送信息时对应的分值，若推送信息时对应的分值大于预设分值，则推送信息，可以提高推送准确率，从而提高用户对信息的点击率。

Description

信息推送方法及装置

技术领域

本公开涉及信息处理技术领域，尤其涉及一种信息推送方法、装置、电子设备及计算机可读存储介质。

背景技术

随着互联网技术的飞速发展，人们越来越多地使用个性化推送应用程序(Applicationapp，App)来获取信息，包括新闻、视频等等。这些App除了在用户使用的时候给用户推送感兴趣的信息之外，还可以通过信息推送机制，在用户没有使用app的时候主动给用户推送定制化的信息。

相关技术中，通常采用基于候选集内容触发和频率控制规则的信息推送方案，具体来说，对每个用户来说，都有一个与之关联的内容候选集，例如热门视频、该用户关注的作者上传的视频等。当候选集里面产生新的内容的时候，触发推送决策。其中，推送决策主要基于发送频率，例如连续两条信息推送通知的间隔不能少于一定的时间。

虽然上述方案在一定程度上能够实现信息推送的个性化，然而，用户本身的行为模式是一个很复杂的过程，每一条信息推送都会给用户的观看状态和之后的行为产生影响。例如，如果用户点击过某一app的某一推送信息，对该推送信息不感兴趣，从而对该app产生了疲倦感，很可能不会继续点击随后的一条更好的推送，因此直接从候选集触发，缺少个性化。

发明内容

本公开提供一种信息推送方法、装置、电子设备及计算机可读存储介质，可以提高推送准确率，从而提高用户对信息的点击率。

根据本公开实施例的第一方面，提供一种信息推送方法，包括：

当检测到产生信息时，采集所述信息对应的特征数据；

根据所述特征数据生成当前状态，并根据推送所述信息生成第一当前动作；

将所述当前状态和所述第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第一当前动作获取所述推送所述信息时对应的分值；

若所述推送所述信息时对应的分值大于预设分值，则推送所述信息。

进一步的，所述方法还包括：

根据不推送所述信息生成第二当前动作；

将所述当前状态和所述第二当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第二当前动作获取所述不推送所述信息时对应的分值，并将所述不推送所述信息时对应的分值作为所述预设分值。

进一步的，所述方法还包括：

搜集推送所述信息后的用户反馈情况；

将所述用户反馈情况和所述特征数据进行关联，并将所述关联后的用户反馈情况和特征数据作为训练数据，更新所述线上深度强化学习模型。

进一步的，所述将所述当前状态和所述第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第一当前动作获取所述推送所述信息时对应的分值，包括：

将所述当前状态和所述第一当前动作输入损失函数

或中；其中，∑为求和，max为求最大值，Q()表示线上深度学习神经网络，θ^-和θ为网络参数，D为特征数据集，r为反馈，γ为反馈折扣，s'为前一个状态，a'为前一个动作，s为所述当前状态，a为所述第一当前动作；

将所述线上深度学习神经网络的输出值作为所述推送所述信息时对应的分值。

进一步的，所述方法还包括：

统计所述线上深度强化学习模型在预设时间段内对历史产生的信息做出的历史推荐，所述历史推荐包括推送或不推送；

根据所述历史推荐设置所述反馈折扣的数值。

进一步的，所述特征数据包括所述信息与用户间的关联特征、上下文特征、内容特征和用户特征中的至少一种特征。

进一步的，所述关联特征包括对所述作者的作品的点击量、观看量、点赞量和送礼量中的至少一项特征。

进一步的，所述上下文特征包括当前时间、上一次推送信息的时间、上一次推送信息的点击情况和当天已推送信息量和当天已推送信息量的点击情况中的至少一项特征。

根据本公开实施例的第二方面，提供一种信息推送装置，包括：

特征采集模块，被配置为当检测到产生信息时，采集所述信息对应的特征数据；

状态动作生成模块，被配置为根据所述特征数据生成当前状态，并根据推送所述信息生成第一当前动作；

分值获取模块，被配置为将所述当前状态和所述第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第一当前动作获取所述推送所述信息时对应的分值；

推送模块，被配置为若所述推送所述信息时对应的分值大于预设分值，则推送所述信息。

进一步的，所述状态动作生成模块还被配置为：根据不推送所述信息生成第二当前动作；

相应的，所述分值获取模块还被配置为：将所述当前状态和所述第二当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第二当前动作获取所述不推送所述信息时对应的分值，并将所述不推送所述信息时对应的分值作为所述预设分值。

进一步的，所述装置还包括：

反馈搜集模块，被配置为搜集推送所述信息后的用户反馈情况；

模型更新模块，被配置为将所述用户反馈情况和所述特征数据进行关联，并将所述关联后的用户反馈情况和特征数据作为训练数据，更新所述线上深度强化学习模型。

进一步的，所述分值获取模块具体被配置为：将所述当前状态和所述第一当前动作输入损失函数或中；其中，∑为求和，max为求最大值，Q()表示线上深度学习神经网络，θ^-和θ为网络参数，D为特征数据集，r为反馈，γ为反馈折扣，s'为前一个状态，a'为前一个动作，s为所述当前状态，a为所述第一当前动作；将所述线上深度学习神经网络的输出值作为所述推送所述信息时对应的分值。

进一步的，所述装置还包括：

反馈折扣确定模块，被配置为统计所述线上深度强化学习模型在预设时间段内对历史产生的信息做出的历史推荐，所述历史推荐包括推送或不推送；根据所述历史推荐设置所述反馈折扣的数值。

进一步的，所述特征数据包括所述信息与用户间的关联特征、上下文特征、内容特征和用户特征中的至少一种特征。

进一步的，所述关联特征包括对所述作者的作品的点击量、观看量、点赞量和送礼量中的至少一项特征。

进一步的，所述上下文特征包括当前时间、上一次推送信息的时间、上一次推送信息的点击情况和当天已推送信息量和当天已推送信息量的点击情况中的至少一项特征。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：

当检测到产生信息时，采集所述信息对应的特征数据；

根据所述特征数据生成当前状态，并根据推送所述信息生成第一当前动作；

将所述当前状态和所述第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第一当前动作获取所述推送所述信息时对应的分值；

若所述推送所述信息时对应的分值大于预设分值，则推送所述信息。

根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种信息推送方法，所述方法包括：

当检测到产生信息时，采集所述信息对应的特征数据；

根据所述特征数据生成当前状态，并根据推送所述信息生成第一当前动作；

将所述当前状态和所述第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第一当前动作获取所述推送所述信息时对应的分值；

若所述推送所述信息时对应的分值大于预设分值，则推送所述信息。

根据本公开实施例的第五方面，提供一种应用程序，当所述应用程序中的指令由移动终端的处理器执行时，使得移动终端能够执行一种信息推送方法，所述方法包括：

当检测到产生信息时，采集所述信息对应的特征数据；

根据所述特征数据生成当前状态，并根据推送所述信息生成第一当前动作；

将所述当前状态和所述第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第一当前动作获取所述推送所述信息时对应的分值；

若所述推送所述信息时对应的分值大于预设分值，则推送所述信息。

本公开的实施例提供的技术方案可以包括以下有益效果：通过采集产生的信息对应的特征数据，根据特征数据生成当前状态，并根据推送信息生成第一当前动作，将当前状态和第一当前动作输入线上深度强化学习模型，以使线上深度强化学习模型根据当前状态和第一当前动作获取推送信息时对应的分值，若推送信息时对应的分值大于预设分值，则推送信息，可以提高推送准确率，从而提高用户对信息的点击率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是本公开实施例一提供的一种信息推送方法的流程图。

图2是本公开实施例二提供的一种信息推送方法的流程图。

图3是本公开实施例三提供的一种信息推送方法的流程图。

图4是本公开实施例四提供的一种信息推送装置的结构框图。

图5是本公开实施例五提供的一种电子设备的结构框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

实施例一

图1是本公开实施例一提供的一种信息推送方法的流程图，本实施例提供的信息推送方法的执行主体，可为本公开实施例提供的信息推送装置，该装置可以集成于移动终端设备(例如，智能手机、平板电脑等)、笔记本或固定终端(台式电脑)中，该信息推送装置可以采用硬件或软件实现。如图1所示，包括以下步骤：

在步骤S11中，当检测到产生信息时，采集所述信息对应的特征数据。

在本实施例中，将信息产生作为推送触发条件，即在检测到有信息产生时，采集对应的特征数据。这里信息可以为新闻、视频、小说等，这里不做具体限定。

其中，特征数据包括但不限于为信息与用户间的关联特征、上下文特征、内容特征和用户特征中的至少一种特征。

其中，关联特征包括但不限于对作者的作品的点击量、观看量、点赞量和送礼量中的至少一项特征。

其中，上下文特征包括但不限于当前时间、上一次推送信息的时间、上一次推送信息的点击情况和当天已推送信息量和当天已推送信息量的点击情况中的至少一项特征。

其中，用户特征包括但不限于用户的个人信息、活跃时间分布、近期每小时的推送触发数量中的至少一项特征。

其中，内容特征包括但不限于作者信息、视频标签、视频统计信息中的至少一项特征。

本实施的特征数据例除了考虑点击量之外，还考虑了更为精细的指标例如上下文特征和交互特征，作为当前状态输入深度强化学习模型，可以进一步提高推送收益。

在步骤S12中，根据特征数据生成当前状态，并根据该信息生成第一当前动作。

在本文中，为了区分不同的当前动作，这里将首次出现的当前动作称为第一当前动作，后续出现的当前动作称为第二当前动作。

在步骤S13中，将该当前状态和该第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据当前状态和第一当前动作获取推送信息时对应的分值。

其中，当前状态和第一当前动作均为已知数据，线上深度强化学习模型可以根据上述已知数据获取推送信息时对应的分值。

其中，线上深度强化学习模型是基于深度学习和强化学习相结合进行训练得到的模型，并且可以根据特征数据和用户对决策结果的反馈进行不断更新，并将更新后的线上深度强化学习模型作为新的线上深度强化学习模型，用于决策后续产生的信息。

具体的，可通过下述方法得到线上深度强化学习模型：首先采集历史信息的特征数据，包括已知其它推荐策略决策产生的决策结果及用户反馈情况，并根据上述特征数据和用户反馈情况训练得到初始深度强化学习模型进行上线。然后，根据ε贪心探索策略上线后的初始深度强化学习模型对信息的决策结果和用户反馈情况、及信息的特征数据对该初始深度强化学习模型进行不断迭代更新，得到更好的线上深度强化学习模型。

在步骤S14中，若所述推送所述信息时对应的分值大于预设分值，则推送所述信息。

本实施例通过采集产生的信息对应的特征数据，根据特征数据生成当前状态，并根据推送信息生成第一当前动作，将当前状态和第一当前动作输入线上深度强化学习模型，以使线上深度强化学习模型根据当前状态和第一当前动作获取推送信息时对应的分值，若推送信息时对应的分值大于预设分值，则推送信息，可以提高推送准确率，从而提高用户对信息的点击率。

在一个可选的实施例中，步骤S13包括：

将该当前状态和该第一当前动作输入损失函数或中；其中，∑为求和，max为求最大值，Q()表示为上深度学习神经网络，θ^-和θ为网络参数，D为特征数据集，r为反馈，γ为反馈折扣，s'为前一个状态，a'为前一个动作，s为该当前状态，a为该第一当前动作；将输出的值作为所述推送所述信息时对应的分值。

其中，可以取值为1表示推送。针对一条信息，如果动作是推送，那么用户的反馈(例如用户的点击行为)都会被反映到下一个状态中去。具体的，当推送一条信息给用户后，对应的上下文特征会更新，即用户的点击行为被记录作为下一次推送判断特征数据。

其中，包括正向反馈和负向反馈。正向反馈包括对信息的点击、推送后预设时间段内(例如一分钟内)打开应用程序，负向反馈即为推送成本，考虑到单纯优化点击量会大大减少非活跃用户的推送比例，因此在设置反馈时，非活跃用户的点击反馈比活跃用户大一些。或者，对于不同类型的内容，例如直播、视频上传等，由于点击带来的实际收益不同，因此在训练过程中给予的点击反馈也不一样。

进一步的，该方法还包括反馈折扣的设置方法，具体包括：

统计深度强化学习模型在预设时间段内对历史推送信息做出的历史推荐，历史推荐包括推送或不推送；

根据历史推荐设置反馈折扣的数值。

其中，预设时间段可以为当天。具体的，可以由当天中所有信息触发点的决策组成决策序列，根据决策序列设置反馈折扣的数值。例如可以将反馈折扣设置成0.9。

实施例二

图2是本公开实施例二提供的一种信息推送方法的流程图，本实施例在上述实施例的基础上，进一步包括了对线上深度强化学习模型进行更新的步骤，如图2所示，包括以下步骤：

在步骤S21中，当检测到产生信息时，采集信息对应的特征数据。

在步骤S22中，根据该特征数据生成当前状态，并根据推送该信息生成第一当前动作。

在步骤S23中，将该当前状态和该第一当前动作输入线上深度强化学习模型，以使根据线上深度强化学习模型根据当前状态和第一当前动作获取推送信息时对应的分值。

在步骤S24中，若所述推送所述信息时对应的分值大于预设分值，则推送所述信息。

在步骤S25中，搜集推送该信息后的用户反馈情况。

在步骤S26中，将该用户反馈情况和该特征数据进行关联，并将该关联后的用户反馈情况和特征数据作为训练数据，更新该线上深度强化学习模型。

本实施例通过将该用户反馈情况和该特征数据进行关联，并将该关联后的用户反馈情况和特征数据作为训练数据，更新该线上深度强化学习模型，能够有针对性的向用户推送信息，使推送的信息更加符合用户的兴趣特征，，从而进一步提高用户对信息的点击率。

实施例三

图3是本公开实施例三提供的一种信息推送方法的流程图，本实施例在上述实施例基础上，将预设分值优化为不推送信息时对应的分值，如图3所示，包括以下步骤：

在步骤S31中，当检测到产生信息时，采集信息对应的特征数据。

在步骤S32中，根据特征数据生成当前状态，并根据推送该信息生成第一当前动作，根据不推送该信息生成第二当前动作。

在步骤S33中，将当前状态、第一当前动作和第二当前动作输入线上深度强化学习模型，以使线上深度强化学习模型根据当前状态和第一当前动作获取推送该信息时对应的分值，及根据当前状态和第二当前动作获取不推送该信息时对应的分值。

其中，获取推送该信息时对应的分值，可参见上述实施例一。同理，获取不推送该信息时对应的分值与其类似，具体的，将所述当前状态和所述第一当前动作输入损失函数或中；其中，∑为求和，max为求最大值，Q()表示线上深度学习神经网络，θ^-和θ为网络参数，D为特征数据集，r为反馈，γ为反馈折扣，s'为前一个状态，a'为前一个动作，s为所述当前状态，a为所述第一当前动作；将所述线上深度学习神经网络的输出值作为所述推送所述信息时对应的分值。其中，若输出值为0表示不推送。

在步骤S34中，若推送该信息时对应的分值大于不推送该信息时对应的分值，则推送该信息。

本实施例通过将推送和不推送作为当前动作，将当前状态和当前动作输入线上神经网络模型，根据推送时对应的分值和不推送时对应的分值决定是否推送信息，可以提高推送准确率，从而提高用户对信息的点击率。

实施例四

图4是本公开实施例提供的一种信息推送装置框图。该装置可以集成于移动终端设备(例如，智能手机、平板电脑等)、笔记本或固定终端(台式电脑)中，该信息推送装置可以采用硬件或软件实现。参照图4，该装置包括：特征采集模块41、状态动作生成模块42、分值获取模块43和推送模块44，其中，状态动作生成模块42、分值获取模块43和推送模块44依次连接。

特征采集模块41被配置为当检测到产生信息时，采集信息对应的特征数据。

状态动作生成模块42被配置为根据所述特征数据生成当前状态，并根据推送所述信息生成第一当前动作；

分值获取模块43被配置为将所述当前状态和所述第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第一当前动作获取所述推送所述信息时对应的分值；

推送模块44被配置为若所述推送所述信息时对应的分值大于预设分值，则推送所述信息。

进一步的，所述状态动作生成模块42还被配置为：根据不推送所述信息生成第二当前动作；

相应的，所述分值获取模块43还被配置为：将所述当前状态和所述第二当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第二当前动作获取所述不推送所述信息时对应的分值，并将所述不推送所述信息时对应的分值作为所述预设分值。

进一步的，所述装置还包括：反馈搜集模块45和模型更新模块46；

反馈搜集模块45被配置为搜集推送所述信息后的用户反馈情况；

模型更新模块46被配置为将所述用户反馈情况和所述特征数据进行关联，并将所述关联后的用户反馈情况和特征数据作为训练数据，更新所述线上深度强化学习模型。

进一步的，所述分值获取模块43具体被配置为：将所述当前状态和所述第一当前动作输入损失函数或中；其中，∑为求和，max为求最大值，Q()表示线上深度学习神经网络，θ^-和θ为网络参数，D为特征数据集，r为反馈，γ为反馈折扣，s'为前一个状态，a'为前一个动作，s为所述当前状态，a为所述第一当前动作；将所述线上深度学习神经网络的输出值作为所述推送所述信息时对应的分值。

反馈折扣确定模块47被配置为统计所述线上深度强化学习模型在预设时间段内对历史产生的信息做出的历史推荐，所述历史推荐包括推送或不推送；根据所述历史推荐设置所述反馈折扣的数值。

进一步的，所述特征数据包括所述信息与用户间的关联特征、上下文特征、内容特征和用户特征中的至少一种特征。

进一步的，所述关联特征包括对所述作者的作品的点击量、观看量、点赞量和送礼量中的至少一项特征。

进一步的，所述上下文特征包括当前时间、上一次推送信息的时间、上一次推送信息的点击情况和当天已推送信息量和当天已推送信息量的点击情况中的至少一项特征。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例五

本公开实施例提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；其中，该处理器被配置为：

当检测到产生信息时，采集所述信息对应的特征数据；

根据所述特征数据生成当前状态，并根据推送所述信息生成第一当前动作；

将所述当前状态和所述第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第一当前动作获取所述推送所述信息时对应的分值；

若所述推送所述信息时对应的分值大于预设分值，则推送所述信息。

其中，图5是本公开实施例提供的一种电子设备的框图。例如，该电子设备可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图5，该电子设备可以包括以下一个或多个组件：处理组件502，存储器504，电力组件506，多媒体组件508，音频组件510，输入/输出(I/O)的接口512，传感器组件514，以及通信组件516。

处理组件502通常控制电子设备的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。

存储器504被配置为存储各种类型的数据以支持在电子设备的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件506为电子设备的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。

多媒体组件508包括在所述电子设备和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当电子设备处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。

I/O接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件514包括一个或多个传感器，用于为电子设备提供各个方面的状态评估。例如，传感器组件514可以检测到电子设备的打开/关闭状态，组件的相对定位，例如所述组件为电子设备的显示器和小键盘，传感器组件514还可以检测电子设备或电子设备一个组件的位置改变，用户与电子设备接触的存在或不存在，电子设备方位或加速/减速和电子设备的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件516被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由电子设备的处理器520执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种应用程序，例如包括指令的存储器504，上述指令可由电子设备的处理器520执行以完成上述方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (16)

1.一种信息推送方法，其特征在于，包括：

当检测到产生信息时，采集所述信息对应的特征数据，所述特征数据包括点击量、交互特征以及上下文特征，所述上下文特征包括当前时间、上一次推送信息的时间、上一次推送信息的点击情况、当天已推送信息量和当天已推送信息量的点击情况；

根据所述特征数据生成当前状态，并根据推送所述信息生成第一当前动作；

将所述当前状态和所述第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第一当前动作获取所述推送所述信息时对应的分值；

若所述推送所述信息时对应的分值大于预设分值，则推送所述信息。

2.根据权利要求1所述的信息推送方法，其特征在于，所述方法还包括：

根据不推送所述信息生成第二当前动作；

将所述当前状态和所述第二当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第二当前动作获取所述不推送所述信息时对应的分值，并将所述不推送所述信息时对应的分值作为所述预设分值。

3.根据权利要求1所述的信息推送方法，其特征在于，所述方法还包括：

搜集推送所述信息后的用户反馈情况；

将所述用户反馈情况和所述特征数据进行关联，并将所述关联后的用户反馈情况和特征数据作为训练数据，更新所述线上深度强化学习模型。

4.根据权利要求1所述的信息推送方法，其特征在于，所述将所述当前状态和所述第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第一当前动作获取所述推送所述信息时对应的分值，包括：

将所述当前状态和所述第一当前动作输入损失函数

或中；其中，∑为求和，max为求最大值，Q()表示线上深度学习神经网络，θ^-和θ为网络参数，D为特征数据集，r为反馈，γ为反馈折扣，s'为前一个状态，a'为前一个动作，s为所述当前状态，a为所述第一当前动作；

将所述线上深度学习神经网络的输出值作为所述推送所述信息时对应的分值。

5.根据权利要求4所述的信息推送方法，其特征在于，所述方法还包括：

统计所述线上深度强化学习模型在预设时间段内对历史产生的信息做出的历史推荐，所述历史推荐包括推送或不推送；

根据所述历史推荐设置所述反馈折扣的数值。

6.根据权利要求1-5任一项所述的信息推送方法，其特征在于，所述特征数据包括所述信息与用户间的关联特征、内容特征和用户特征中的至少一种特征。

7.根据权利要求6所述的信息推送方法，其特征在于，所述关联特征包括对作者的作品的点击量、观看量、点赞量和送礼量中的至少一项特征。

8.一种信息推送装置，其特征在于，包括：

特征采集模块，被配置为当检测到产生信息时，采集所述信息对应的特征数据，所述特征数据包括点击量、交互特征以及上下文特征，所述上下文特征包括当前时间、上一次推送信息的时间、上一次推送信息的点击情况、当天已推送信息量和当天已推送信息量的点击情况；

状态动作生成模块，用于根据所述特征数据生成当前状态，并根据推送所述信息生成第一当前动作；

分值获取模块，被配置为将所述当前状态和所述第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第一当前动作获取所述推送所述信息时对应的分值；

推送模块，被配置为若所述推送所述信息时对应的分值大于预设分值，则推送所述信息。

9.根据权利要求8所述的信息推送装置，其特征在于，所述状态动作生成模块还被配置为：根据不推送所述信息生成第二当前动作；

相应的，所述分值获取模块还被配置为：将所述当前状态和所述第二当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第二当前动作获取所述不推送所述信息时对应的分值，并将所述不推送所述信息时对应的分值作为所述预设分值。

10.根据权利要求8所述的信息推送装置，其特征在于，所述装置还包括：

反馈搜集模块，被配置为搜集推送所述信息后的用户反馈情况；

模型更新模块，被配置为将所述用户反馈情况和所述特征数据进行关联，并将所述关联后的用户反馈情况和特征数据作为训练数据，更新所述线上深度强化学习模型。

11.根据权利要求8所述的信息推送装置，其特征在于，所述分值获取模块具体被配置为：

将所述当前状态和所述第一当前动作输入损失函数：

或中；

其中，∑为求和，max为求最大值，Q()表示线上深度学习神经网络，θ^-和θ为网络参数，D为特征数据集，r为反馈，γ为反馈折扣，s'为前一个状态，a'为前一个动作，s为所述当前状态，a为所述第一当前动作；将所述线上深度学习神经网络的输出值作为所述推送所述信息时对应的分值。

12.根据权利要求11所述的信息推送装置，其特征在于，所述装置还包括：

反馈折扣确定模块，被配置为统计所述线上深度强化学习模型在预设时间段内对历史产生的信息做出的历史推荐，所述历史推荐包括推送或不推送；根据所述历史推荐设置所述反馈折扣的数值。

13.根据权利要求8-12任一项所述的信息推送装置，其特征在于，所述特征数据包括所述信息与用户间的关联特征、内容特征和用户特征中的至少一种特征。

14.根据权利要求13所述的信息推送装置，其特征在于，所述关联特征包括对作者的作品的点击量、观看量、点赞量和送礼量中的至少一项特征。

15.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：

当检测到产生信息时，采集所述信息对应的特征数据，所述特征数据包括点击量、交互特征以及上下文特征，所述上下文特征包括当前时间、上一次推送信息的时间、上一次推送信息的点击情况、当天已推送信息量和当天已推送信息量的点击情况；

根据所述特征数据生成当前状态，并根据推送所述信息生成第一当前动作；

将所述当前状态和所述第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第一当前动作获取所述推送所述信息时对应的分值；

若所述推送所述信息时对应的分值大于预设分值，则推送所述信息。

16.一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种信息推送方法，所述方法包括：

当检测到产生信息时，采集所述信息对应的特征数据，所述特征数据包括点击量、交互特征以及上下文特征，所述上下文特征包括当前时间、上一次推送信息的时间、上一次推送信息的点击情况、当天已推送信息量和当天已推送信息量的点击情况；

根据所述特征数据生成当前状态，并根据推送所述信息生成第一当前动作；

将所述当前状态和所述第一当前动作输入线上深度强化学习模型，以使所述线上深度强化学习模型根据所述当前状态和所述第一当前动作获取所述推送所述信息时对应的分值；

若所述推送所述信息时对应的分值大于预设分值，则推送所述信息。