[发明专利]基于用户画像的消息推送方法、装置、设备及存储介质

权利要求书

1.一种基于用户画像的消息推送方法，其特征在于，所述方法包括：

获取待推送消息，利用预构建的多分类模型，分析所述待推送消息所属类别，根据所述类别为所述待推送消息设置一种或者多种消息标签；

获取客户的基本信息及所述客户的历史行为数据，对所述基本信息及所述历史行为数据进行统计分析，得到所述客户的事实标签；

根据所述事实标签进行建模分析，得到所述客户的模型标签，并对所述模型标签进行预测分析，得到所述客户的预测标签；

根据所述事实标签、模型标签及预测标签生成每个所述客户的用户画像；

根据每个所述客户的用户画像，确定所述客户的一种或者多种用户标签；

将所述消息标签与所述用户标签进行匹配，根据匹配结果，将所述待推送消息推送给对应的客户；

其中，所述根据所述预测标签、模型标签及事实标签，生成每个所述客户的用户画像，包括：根据当前所述客户及所有客户中所述预测标签、模型标签及事实标签的数量，计算所述预测标签、模型标签及事实标签的实际权重，分别得到预测标签实际权重、模型标签实际权重及事实标签实际权重；根据所述预测标签的实际权重、模型标签的实际权重及事实标签的实际权重，生成每个所述客户的用户画像；

所述根据当前所述客户及所有客户中所述预测标签、模型标签及事实标签的数量，计算所述预测标签、模型标签及事实标签的实际权重，分别得到预测标签实际权重、模型标签实际权重及事实标签实际权重，包括：统计所述客户的预测标签、模型标签及事实标签的标签数量，分别得到预测标签数、模型标签数及事实标签数；根据所述预测标签数、模型标签数及事实标签数，计算所述预测标签、模型标签及事实标签在所述客户的所有标签中的占比，分别得到所述预测标签的第一权重、所述模型标签的第一权重及所述事实标签的第一权重；统计所有客户的预测标签、模型标签及事实标签的标签数量，分别得到总预测标签数、总模型标签数及总事实标签数；根据所述总预测标签数、总模型标签数及总事实标签数，计算所述预测标签、模型标签及事实标签在所述所有客户的所有标签中的占比，分别得到所述预测标签的第二权重、所述模型标签的第二权重及所述事实标签的第二权重；根据所述预测标签的第一权重及第二权重、所述模型标签的第一权重及第二权重、所述事实标签的第一权重及第二权重、利用TF-IDF算法分别计算所述预测标签、模型标签及事实标签的实际权重。

2.如权利要求1所述的基于用户画像的消息推送方法，其特征在于，所述根据每个所述客户的用户画像，确定所述客户的一种或者多种用户标签，包括：

将所述用户画像与预构建的候选词模板进行匹配，得到所述用户画像中的候选词集合；

利用预先训练好的关键信息分类模型，对所述候选词集合进行关键信息分类判定，得到所述用户画像中的关键信息；

根据所述关键信息，生成所述客户的一种或多种用户标签。

3.如权利要求1所述的基于用户画像的消息推送方法，其特征在于，所述利用预构建的多分类模型，分析所述待推送消息所属类别，包括：

获取由历史推送消息数据集及所述历史推送消息数据集所属类别所组成的训练数据集合，并基于所述训练数据集合构建第一训练集合及第二训练集合；

获取预构建的原始多分类模型，利用所述第一训练集合对所述原始多分类模型对进行模型训练，得到初始多分类模型；

利用所述第二训练集合对所述初始多分类模型进行模型测试，并根据测试结果调整所述初始多分类模型中的超参数，得到训练完成的多分类模型；

利用所述训练完成的多分类模型对所述待推送消息进行分类，得到所述待推送消息的所属类别。

4.如权利要求3所述的基于用户画像的消息推送方法，其特征在于，所述利用预构建的多分类模型，分析所述待推送消息所属类别，包括：

对所述待推送消息进行分词处理，得到分词消息集；

利用TF-LDF算法计算所述分词消息集中每个词语的权重，得到词语权重；

提取所述词语权重大于预设阈值对应的分词消息集中的词语，得到所述分词消息集中的关键词；

通过查找预设的词典，对所述关键词进行词性标注，确定所述关键词的词义；

根据所述关键词的词义，确定所述待推送消息的所属类别。