[发明专利]基于预测模型的APP智能推送引擎及方法

权利要求书

1.一种基于预测模型的APP智能推送引擎，其特征在于，包括：

推送结果采集模块，用于获取推送到达用户的时刻和用户响应推送信息的时刻；

活动参与记录模块，用于获取用户开始参与活动时刻和结果返回时刻；

推送成效统计模块，用于根据所述推送结果采集模块和活动参与记录模块采集的时刻信息分别获取表征用户活跃程度和系统负荷的时延参数；

预测模型构建模块，用于根据时延参数基于推广成效与系统负荷之间的平衡权重，构建获得推送预测模型；

智能分配推送模块，用于根据所述推送预测模型基于各个时间段的每日估算权重分布，分配推送时间段及其推送用户量执行具体的推送操作。

2.根据权利要求1所述基于预测模型的APP智能推送引擎，其特征在于：通知响应时延=通知点击时间-推送到达时间，用于表征推广成效；活动参与时延=结果返回时间-开始参与时间，用于表征系统负荷。

3.根据权利要求2所述基于预测模型的APP智能推送引擎，其特征在于：在所述推送预测模型中，将某个时间段的推广成效与时延参数的倒数相关联构建获得推广成效的平衡权重参数；再通过所述平衡权重参数估算以不同时间段为区分计算各时间段分配到的推送量比例，及每个时间段分配到的推送用户数量。

4.根据权利要求3所述基于预测模型的APP智能推送引擎，其特征在于：

所述时延参数的定义为：

其中D表示用户活跃程度或系统负荷的时延参数，Xi表示每条记录的时延大小，n表示记录总数；

所述平衡权重参数的定义为：

其中，Wr表示某个时间段实际的平衡权重，Da表示该时间段的通知响应时延参数，Db表示该时间段的活动参与时延参数，100为固定的常数因子。

5.根据权利要求4所述基于预测模型的APP智能推送引擎，其特征在于：

所述平衡权重参数的估算模型为：

其中，Wf表示某个时间段估算的平衡权重，Wi表示前7天的每日实际平衡权重，i表示这7天里的第几天，为调整权重大小的日期因子；

计算各时间段分配到的推送量比例=该时间段的估算权重值/所有时间段的估算权重总和：

其中，Ri表示某个时间段的推送量比例，Wi’表示该时间段的估算权重值，m表示当天可推送的小时数。

6.根据权利要求5所述基于预测模型的APP智能推送引擎，其特征在于：得到每个时间段的推送量比例之后，乘以待推送的用户总数，即得到每个时间段分配到的推送用户数量：

其中，Ni表示某个时间段分配到的推送用户数量，S表示待推送的用户总数。

7.一种基于预测模型的APP智能推送方法，其特征在于，包括以下步骤：

步骤S1：根据以往的推送结果与当时的系统压力，建立近期时空背景下的推送预测模型；

步骤S2：按照用户点击通知的时延，以及受理活动的时延，对每个推送时间段计算推广成效与系统负荷之间的平衡权重；

步骤S3：基于各个时间段的每日估算权重分布，由预测模型分配当日的推送时间段及其推送用户量，再由推送引擎执行具体的推送操作。

8.根据权利要求7所述基于预测模型的APP智能推送方法，其特征在于：通知响应时延=通知点击时间-推送到达时间，用于表征推广成效；活动参与时延=结果返回时间-开始参与时间，用于表征系统负荷。

9.根据权利要求8所述基于预测模型的APP智能推送方法，其特征在于：所述推送预测模型将某个时间段的推广成效与时延参数的倒数相关联构建获得推广成效的平衡权重参数；再通过所述平衡权重参数估算以不同时间段为区分计算各时间段分配到的推送量比例，及每个时间段分配到的推送用户数量。

10.根据权利要求9所述基于预测模型的APP智能推送方法，其特征在于：

所述时延参数的定义为：

其中D表示用户活跃程度或系统负荷的时延参数，Xi表示每条记录的时延大小，n表示记录总数；

所述平衡权重参数的定义为：

其中，Wr表示某个时间段实际的平衡权重，Da表示该时间段的通知响应时延参数，Db表示该时间段的活动参与时延参数，100为固定的常数因子；

所述平衡权重参数的估算模型为：

其中，Wf表示某个时间段估算的平衡权重，Wi表示前7天的每日实际平衡权重，i表示这7天里的第几天，为调整权重大小的日期因子；

计算各时间段分配到的推送量比例=该时间段的估算权重值/所有时间段的估算权重总和：

其中，Ri表示某个时间段的推送量比例，Wi’表示该时间段的估算权重值，m表示当天可推送的小时数。