本发明涉及计算机技术领域，特别是涉及一种信息推送方法和装置。
背景技术：
目前，电商平台基于用户购物车的商品数据进行数据挖掘的方案中，通常是直接提取用户购物车商品数据，基于该数据进行信息的个性化推荐、或对用户喜爱的商品进行分析定位、或对用户进行画像分析等。
在实现本发明的过程中，发明人发现上述现有的基于购物车数据的数据挖掘方案至少存在以下问题：
一、用户在某时间段加入购物车的商品在一定程度上并不能等同于用户真正感兴趣的商品，可能是处于待挑选状态，也可能是在其他渠道已经购买了该商品没有及时清理购物车。因此，上述直接基于用户购物车数据进行个性化推荐的数据挖掘准确性有限。
二、用户感兴趣的商品不是一成不变的，往往会随着时间而变化，而现有的基于购物车的数据挖掘方案没有按照时间维度去考虑用户在某个时间段所需要的某类商品的潜在规律，如此，也会影响数据挖掘的准确性。
由此可见，现有的基于购物车数据的数据挖掘方案存在准确性不够高的问题，进而无法基于数据挖掘结果进行准确地信息匹配和推送。
技术实现要素：
有鉴于此，本发明的主要目的在于提供一种信息推送方法和装置，可以提高信息推送的准确度。
为了达到上述目的，本发明实施例提出的技术方案为：
一种信息推送方法，包括：
根据用户在预设历史时间段内加入购物车的产品信息以及在该历史时间段内产生的订单数据，生成相应的产品数据以及产品数据的状态标识；
根据所述产品数据以及所述产品数据的状态标识，对预设的机器学习模型进行训练；
对于所述用户在最近预设的第一时间段内加入购物车的每个产品，利用经过所述训练得到的机器学习模型，对该产品是否会被所述用户下单进行预测；根据所述预测的结果，为所述用户匹配相应的产品推送信息，将所述产品推送信息发送给所述用户。
较佳地，所述根据用户在预设历史时间段内加入购物车的产品信息以及在该历史时间段内产生的订单数据，生成相应的产品数据以及产品数据的状态标识包括：
根据所述用户在所述历史时间段内加入购物车的产品信息，生成相应的产品数据；
根据所述用户在所述历史时间段内产生的订单数据，判断所述历史时间段内放入购物车的每个产品是否被所述用户下单；
根据所述判断的结果，对相应的产品数据的状态进行标识。
较佳地，根据所述用户在所述历史时间段内加入购物车的产品信息，生成相应的产品数据包括：
对于所述用户在所述历史时间段内加入购物车的每个产品，将所述用户将该产品加入购物车的时间信息与该产品的预设级别的品类标识信息进行串接，得到该产品对应的所述产品数据。
较佳地，所述时间信息为月份信息，所述预设级别的品类标识信息为三级品类标识信息。
较佳地，所述历史时间段为最近的预设第二时间段，所述第二时间段的时长大于所述第一时间段的时长。
较佳地，所述第一时间段为一周，所述第二时间段为一个月。
较佳地，根据所述预测的结果，为所述用户匹配相应的产品推送信息包括：
当所述预测的结果为会被所述用户下单时，所述匹配到的产品推送信息为与相应产品进行搭配使用的相关产品信息；
当所述预测的结果为不会被所述用户下单时，所述匹配到的产品推送信息为相应产品的优惠券配送信息。
较佳地，所述机器学习模型为隐马尔科夫模型。
一种信息推送装置，包括：
样本数据获取单元，用于根据用户在预设历史时间段内加入购物车的产品信息以及在该历史时间段内产生的订单数据，生成相应的产品数据以及产品数据的状态标识；
模型训练单元，用于根据所述产品数据以及所述产品数据的状态标识，对预设的机器学习模型进行训练；
预测和推送单元，用于对于所述用户在最近预设的第一时间段内加入购物车的每个产品，利用经过所述训练得到的机器学习模型，对该产品是否会被所述用户下单进行预测；根据所述预测的结果，为所述用户匹配相应的产品推送信息，将所述产品推送信息发送给所述用户。
较佳地，所述样本数据获取单元，用于根据所述用户在所述历史时间段内加入购物车的产品信息，生成相应的产品数据；根据所述用户在所述历史时间段内产生的订单数据，判断所述历史时间段内放入购物车的每个产品是否被所述用户下单；根据所述判断的结果，对相应的产品数据的状态进行标识。
较佳地，所述样本数据获取单元，用于对于所述用户在所述历史时间段内加入购物车的每个产品，将所述用户将该产品加入购物车的时间信息与该产品的预设级别的品类标识信息进行串接，得到该产品对应的所述产品数据。
较佳地，所述时间信息为月份信息，所述预设级别的品类标识信息为三级品类标识信息。
较佳地，所述历史时间段为最近的预设第二时间段，所述第二时间段的时长大于所述第一时间段的时长。
较佳地，所述第一时间段为一周，所述第二时间段为一个月。
较佳地，所述预测和推送单元，用于当所述预测的结果为会被所述用户下单时，所述匹配到的产品推送信息为与相应产品进行搭配使用的相关产品信息；当所述预测的结果为不会被所述用户下单时，所述匹配到的产品推送信息为相应产品的优惠券配送信息。
较佳地，所述机器学习模型为隐马尔科夫模型。
一种信息推送装置，包括：
存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上述的信息推送方法。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的信息推送方法。
综上所述，本发明提出的信息推送方法和装置，通过利用机器学习模型对用户在一段历史时间段内放入购物车的产品以及用户的实际下单情况进行数据挖掘，获得与用户实际需求相匹配的机器学习模型，基于该模型对用户最近一段时间内放入购物车的产品是否会被下单进行预测，最后，基于预测结果为用户推送相匹配的产品信息，从而使得产品推送信息与用户实际需求相匹配，提高信息推送的准确度，最大程度地满足了用户需要，同时还可以有效提高产品的订单转换率。
附图说明
图1为本发明实施例的方法流程示意图；
图2为图1中步骤101的具体流程示意图；
图3为本发明实施例的装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明作进一步地详细描述。
图1为本发明实施例的方法流程示意图，如图1所示，该实施例实现的信息推送方法主要包括：
步骤101、根据用户在预设历史时间段内加入购物车的产品信息以及在该历史时间段内产生的订单数据，生成相应的产品数据以及产品数据的状态标识。
本步骤中，将根据一定历史时间段内用户加入购物车的产品信息以及该时间段内该用户产生的订单数据，为该用户生成相应的产品数据以及产品数据的状态标识，以便在后续步骤中可以基于这些数据和状态标识对机器学习模型进行训练，从而可以基于经过训练后的机器学习模型对该用户放入购物车中的产品是否能被购买进行估计。
需要说明的是，由于本步骤中是基于一定历史时间段内的被用户放入购物车的产品信息，以及这些产品是否被最终下单购买的信息，生成用于进行机器学习模型训练的数据，从而可以使得所训练得到的机器学习模型与用户的实际购物喜好相匹配，进而可以增加后续基于模型对产品是否被下单进行预测的准确性。
较佳地，如图2所示，步骤101可以采用下述方式实现：
步骤1011、根据所述用户在所述历史时间段内加入购物车的产品信息，生成相应的产品数据。
较佳地，为了便于快速、准确地生成有利于对机器学习模型进行训练的数据，步骤1011可以采用下述方法实现：
对于所述用户在所述历史时间段内加入购物车的每个产品，将所述用户将该产品加入购物车的时间信息与该产品的预设级别的品类标识信息进行串接，得到该产品对应的所述产品数据。
采用上述方法可以直接基于产品的属性信息，生成相应的产品数据，从而可以不需要人工参与，直接生成用于模型训练的数据，有效节约人力、物力。
上述方法中，产品数据将由所述时间信息和所述品类标识信息进行组合得到。
较佳地，所述时间信息可以为月份信息，但不限于此。
较佳地，所述预设级别的品类标识信息可以为三级品类标识信息，但不限于此。
例如，对于加入购物车的产品，相应的产品数据为0112313，表示01月份曾加入一个三级品类标识为12313的商品。
较佳地，所述历史时间段，用于限定获取用于进行机器学习模型训练的产品数据所对应的时间范围。具体可以由本领域技术人员根据实际需要选择合适的时间长度，例如可以为最近的预设第二时间段。所述第二时间段可以为一个月，相应地，所述历史时间段将为最近一个月。即基于用户最近一个月放入购物车的产品数据以及最近一个月该用户产生的订单数据中，生成相应的产品数据以及产品数据的状态标识。
步骤1012、根据所述用户在所述历史时间段内产生的订单数据，判断所述历史时间段内放入购物车的每个产品是否被所述用户下单。
步骤1013、根据所述判断的结果，对相应的产品数据的状态进行标识。
本步骤，用于对用户在所述历史时间段内放入购物车的每个产品是否被用户购买进行状态标识，即为用于对机器学习模型进行训练的产品数据生成相应的标签，以便进行模型训练。
步骤102、根据所述产品数据以及所述产品数据的状态标识，对预设的机器学习模型进行训练。
本步骤的具体实现方法为本领域技术人员所掌握，在此不再赘述。
较佳地，所述机器学习模型可以为隐马尔科夫模型。
为了便于理解，下面对隐马尔科夫模型介绍如下。
隐马尔科夫模型是由初始状态概率序列π，状态转移矩阵a和观测概率矩阵b所表示的。此外存在一个隐状态和显状态，隐状态是不能直接被观测到，显状态可直接观测到。隐马尔科夫模型的形式化定义可通过三元组λ＝(π,a,b)表示：
其中：
π＝{πi},πi＝p(q1＝si)：初始状态分布，表示时刻t＝1处于状态si的概率。
a＝{aij},aij＝p(qt 1＝sj|qt＝si)：状态转移概率矩阵，其中aij表示时刻t处于状态si的条件下t 1时刻处于状态sj的概率。
b＝{bik},bik＝p(ot＝vk|qt＝si)：观测概率矩阵，表示在时刻t处于状态si的条件下生产观测vk的概率。
隐马尔科夫模型有以下基本特点：存在一个隐状态和一个显状态，分别对应本发明实施例中的用户实际下单数据和用户加入购物车的产品数据，即用户加入购物车的产品是可观测的，实际下单的产品在实际下单之前是不可观测的。通过对显状态的观测、统计来预测出现某些显状态下最可能出现的隐状态，即通过对用户已加入购物车的产品数据进行统计来预测本次用户加入购物车的产品是否被最终下单。本实施例中历史显状态数据可以由加入购物车的月份与商品3级品类id组合而成，如0112313表示3月份加入购物车的商品的3级品类id是12313。历史隐状态的数据是某购物车中的数据如0112313是否被最终下单的信息，用0表示未下单，1表示下单。
在实际应用中，本领域人员还可以选择利用其他的机器学习模型实现本发明实施例，不限于隐马尔科夫模型。
步骤103、对于所述用户在最近预设的第一时间段内加入购物车的每个产品，利用经过所述训练得到的机器学习模型，对该产品是否会被所述用户下单进行预测；根据所述预测的结果，为所述用户匹配相应的产品推送信息，将所述产品推送信息发送给所述用户。
本步骤中，将基于步骤102得到的机器学习模型，对用户在最近一段时间内加入购物车的每个产品是否会被该用户下单进行预测。
这里，在具体实现时，对于用户在最近预设的第一时间段内加入购物车的每个产品，需要先生成相应的产品数据，再将该产品数据输入到所述模型中，即可得到产品是否会被用户下单的预测结果。产品数据的生成方法同步骤1011，即可以采用产品加入购物车的时间信息与产品的预设级别的品类标识信息进行组合的方式进行构建产品数据。例如，04月加入一个3级品类标识为46474的商品，对应的产品数据可以为0446474。
所述第一时间段用于限定需要预测下单概率的产品范围，具体可由本领域技术人员根据实际需要进行设置。例如可以是最近一天，也可以是最近若干天，或最近一周等。
为了与实际需要相匹配，所述第一时间段的时长不可太长，较佳地，例如，所述第一时间段不大于所述第二时间段的时长。
较佳地，步骤103中可以根据所述预测的结果，为所述用户匹配相应的产品推送信息：
当所述预测的结果为会被所述用户下单时，所述匹配到的产品推送信息为与相应产品进行搭配使用的相关产品信息。
当所述预测的结果为不会被所述用户下单时，所述匹配到的产品推送信息为相应产品的优惠券配送信息。
采用上述方法根据所述预测的结果，为所述用户匹配相应的产品推送信息，可以使得产品推送信息与用户有实际需求相匹配，进而可以有效提高产品的订单转换率，具体地：
当预测到产品会被用户下单时，相应的产品推送信息将为与相应产品进行搭配使用的相关产品信息，例如，当预测用户购买手机时，可以为其推荐手机壳，当预测用户购买上衣时，可以为其推荐裤子等。
而当预测到产品不会被用户下单时，所述匹配到的产品推送信息将为相应产品的优惠券配送信息，从而有利于产品被用户下单。
通过上述方法实施例可以看出，本发明实施例通过利用机器学习模型对用户在最近一段历史时间段内放入购物车的产品以及用户的实际下单情况进行数据挖掘，获得与用户当前的实际需求相匹配的机器学习模型，并基于此对用户最近一段时间内放入购物车的产品是否会被下单进行预测，最后基于预测结果为用户推送相匹配的产品信息，从而使得产品推送信息与用户实际需求相匹配，最大程度地满足了用户需要，同时还可以有效提高产品的订单转换率。
图3为与上述方法实施例相对应的一种信息推送装置实施例的结构示意图，如图3所示，该装置包括：
样本数据获取单元301，用于根据用户在预设历史时间段内加入购物车的产品信息以及在该历史时间段内产生的订单数据，生成相应的产品数据以及产品数据的状态标识。
模型训练单元302，用于根据所述产品数据以及所述产品数据的状态标识，对预设的机器学习模型进行训练。
预测和推送单元303，用于对于所述用户在最近预设的第一时间段内加入购物车的每个产品，利用经过所述训练得到的机器学习模型，对该产品是否会被所述用户下单进行预测；根据所述预测的结果，为所述用户匹配相应的产品推送信息，将所述产品推送信息发送给所述用户。
较佳地，所述样本数据获取单元301，用于根据所述用户在所述历史时间段内加入购物车的产品信息，生成相应的产品数据；根据所述用户在所述历史时间段内产生的订单数据，判断所述历史时间段内放入购物车的每个产品是否被所述用户下单；根据所述判断的结果，对相应的产品数据的状态进行标识。
较佳地，所述样本数据获取单元301，用于对于所述用户在所述历史时间段内加入购物车的每个产品，将所述用户将该产品加入购物车的时间信息与该产品的预设级别的品类标识信息进行串接，得到该产品对应的所述产品数据。
较佳地，所述时间信息为月份信息，所述预设级别的品类标识信息为三级品类标识信息。
较佳地，所述历史时间段为最近的预设第二时间段，所述第二时间段的时长大于所述第一时间段的时长。
较佳地，所述第一时间段为一周，所述第二时间段为一个月。
较佳地，所述预测和推送单元303，用于当所述预测的结果为会被所述用户下单时，所述匹配到的产品推送信息为与相应产品进行搭配使用的相关产品信息；当所述预测的结果为不会被所述用户下单时，所述匹配到的产品推送信息为相应产品的优惠券配送信息。
较佳地，所述机器学习模型为隐马尔科夫模型。
本发明实施例还提供了一种信息推送装置，包括：
存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上述实施例的信息推送方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例的信息推送方法。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种信息推送方法，其特征在于，包括：
根据用户在预设历史时间段内加入购物车的产品信息以及在该历史时间段内产生的订单数据，生成相应的产品数据以及产品数据的状态标识；
根据所述产品数据以及所述产品数据的状态标识，对预设的机器学习模型进行训练；
对于所述用户在最近预设的第一时间段内加入购物车的每个产品，利用经过所述训练得到的隐马尔科夫模型，对该产品是否会被所述用户下单进行预测；根据所述预测的结果，为所述用户匹配相应的产品推送信息，将所述产品推送信息发送给所述用户。
2.根据权利要求1所述的方法，其特征在于，所述根据用户在预设历史时间段内加入购物车的产品信息以及在该历史时间段内产生的订单数据，生成相应的产品数据以及产品数据的状态标识包括：
根据所述用户在所述历史时间段内加入购物车的产品信息，生成相应的产品数据；
根据所述用户在所述历史时间段内产生的订单数据，判断所述历史时间段内放入购物车的每个产品是否被所述用户下单；
根据所述判断的结果，对相应的产品数据的状态进行标识。
3.根据权利要求2所述的方法，其特征在于，根据所述用户在所述历史时间段内加入购物车的产品信息，生成相应的产品数据包括：
对于所述用户在所述历史时间段内加入购物车的每个产品，将所述用户将该产品加入购物车的时间信息与该产品的预设级别的品类标识信息进行串接，得到该产品对应的所述产品数据。
4.根据权利要求3所述的方法，其特征在于，所述时间信息为月份信息，所述预设级别的品类标识信息为三级品类标识信息。
5.根据权利要求1所述的方法，其特征在于，所述历史时间段为最近的预设第二时间段，所述第二时间段的时长大于所述第一时间段的时长。
6.根据权利要求5所述的方法，其特征在于，所述第一时间段为一周，所述第二时间段为一个月。
7.根据权利要求1所述的方法，其特征在于，根据所述预测的结果，为所述用户匹配相应的产品推送信息包括：
当所述预测的结果为会被所述用户下单时，所述匹配到的产品推送信息为与相应产品进行搭配使用的相关产品信息；
当所述预测的结果为不会被所述用户下单时，所述匹配到的产品推送信息为相应产品的优惠券配送信息。
8.根据权利要求1所述的方法，其特征在于，所述机器学习模型为隐马尔科夫模型。
9.一种信息推送装置，其特征在于，包括：
样本数据获取单元，用于根据用户在预设历史时间段内加入购物车的产品信息以及在该历史时间段内产生的订单数据，生成相应的产品数据以及产品数据的状态标识；
模型训练单元，用于根据所述产品数据以及所述产品数据的状态标识，对预设的机器学习模型进行训练；
预测和推送单元，用于对于所述用户在最近预设的第一时间段内加入购物车的每个产品，利用经过所述训练得到的机器学习模型，对该产品是否会被所述用户下单进行预测；根据所述预测的结果，为所述用户匹配相应的产品推送信息，将所述产品推送信息发送给所述用户。
10.根据权利要求9所述的装置，其特征在于，所述样本数据获取单元，用于根据所述用户在所述历史时间段内加入购物车的产品信息，生成相应的产品数据；根据所述用户在所述历史时间段内产生的订单数据，判断所述历史时间段内放入购物车的每个产品是否被所述用户下单；根据所述判断的结果，对相应的产品数据的状态进行标识。
11.根据权利要求10所述的装置，其特征在于，所述样本数据获取单元，用于对于所述用户在所述历史时间段内加入购物车的每个产品，将所述用户将该产品加入购物车的时间信息与该产品的预设级别的品类标识信息进行串接，得到该产品对应的所述产品数据。
12.根据权利要求11所述的装置，其特征在于，所述时间信息为月份信息，所述预设级别的品类标识信息为三级品类标识信息。
13.根据权利要求9所述的装置，其特征在于，所述历史时间段为最近的预设第二时间段，所述第二时间段的时长大于所述第一时间段的时长。
14.根据权利要求13所述的装置，其特征在于，所述第一时间段为一周，所述第二时间段为一个月。
15.根据权利要求9所述的装置，其特征在于，所述预测和推送单元，用于当所述预测的结果为会被所述用户下单时，所述匹配到的产品推送信息为与相应产品进行搭配使用的相关产品信息；当所述预测的结果为不会被所述用户下单时，所述匹配到的产品推送信息为相应产品的优惠券配送信息。
16.根据权利要求9所述的装置，其特征在于，所述机器学习模型为隐马尔科夫模型。
17.一种信息推送装置，其特征在于，包括：
存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1-7中任一项所述的方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述的方法。
技术总结