基于位置的信息推送方法、推送裝置和網(wǎng)絡(luò)的制作方法
【專利摘要】本發(fā)明公開了一種基于位置的信息推送方法、推送裝置和網(wǎng)絡(luò)，推送裝置接收到用戶終端到達設(shè)定位置的位置事件;推送裝置根據(jù)多種因素的概率對用戶的行為進行預(yù)測;推送裝置根據(jù)預(yù)測結(jié)果確定是否向用戶終端推送信息以及信息的內(nèi)容。本發(fā)明的基于位置的信息推送方法、推送裝置和網(wǎng)絡(luò)，通過終端所處的當前位置環(huán)境信息、基于多種因素的概率進行用戶行為的預(yù)測，即使在同一位置地點，用戶的未來行為都是有區(qū)別的，實現(xiàn)精準的位置服務(wù)廣告推送和信息發(fā)布等業(yè)務(wù)。
【專利說明】基于位置的信息推送方法、推送裝置和網(wǎng)絡(luò)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及移動通信【技術(shù)領(lǐng)域】，尤其涉及一種基于位置的信息推送方法、推送裝置和網(wǎng)絡(luò)。
【背景技術(shù)】
[0002] 基于位置的廣告推送是當前移動互聯(lián)網(wǎng)應(yīng)用的發(fā)展趨勢。但是如果簡單的當用戶經(jīng)過該位置時，就進行廣告的推送容易將用戶陷入信息沼澤或是引起用戶的反感，因此當前的基于位置的單一因素的判斷往往不夠準確。
[0003]例如，用戶周一早上8:00經(jīng)過大悅城，他很可能是去上班，你就不能給他推送購物信息的打折廣告，否則的話，他收到的是自己并不想收到的信息，可能就會認為是垃圾信息。但是如果他是周末或者節(jié)假日經(jīng)過大悅城，那可以給他推送購物信息的打折廣告。用戶的行為在同一地點可能有不同的意義，因此需要基于多種用戶信息進行預(yù)測。

【發(fā)明內(nèi)容】

[0004]有鑒于此，本發(fā)明要解決的一個技術(shù)問題是提供一種基于位置的信息推送方法，通過終端所處的當前位置環(huán)境信息、基于多種因素的概率進行用戶行為的預(yù)測。
[0005]一種基于位置的信息推送方法，包括:推送裝置接收到用戶終端到達設(shè)定位置的位置事件；所述推送裝置根據(jù)多種因素的概率對所述用戶的行為進行預(yù)測；所述推送裝置根據(jù)預(yù)測結(jié)果確定是否向用戶終端推送信息以及信息的內(nèi)容。
[0006]根據(jù)本發(fā)明的方法的一個實施例，進一步的，所述多種因素包括:當前日期、當前位置、當前時間、用戶身份信息、外界激勵、用戶歷史行為、用戶當前行為。
[0007]根據(jù)本發(fā)明的方法的一個實施例，進一步的，所述推送裝置采用貝葉斯預(yù)測模型，根據(jù)用戶的當前日期、當前位置、當前時間、身份信息、外界激勵、用戶歷史行為、用戶當前行為的取值的概率進行預(yù)測，輸出所述用戶未來行為的預(yù)判值，并將所述預(yù)判值與預(yù)先設(shè)定的發(fā)送閾值進行比較；當所述預(yù)判值小于或等于所述發(fā)送閾值時，不向所述用戶終端推送信息；當所述預(yù)判值大于所述發(fā)送閾值時，則向所述用戶終端推送信息。
[0008]根據(jù)本發(fā)明的方法的一個實施例，進一步的，所述用戶的當前日期取值包括:休息日和工作日；所述用戶的當前時間取值包括:高峰時間和非高峰時間；所述用戶的當前位置取值包括:興趣點的周邊和不在興趣點的周邊；所述用戶的外界激勵取值包括:0，2 ;其中O代表最強；所述用戶的用戶當前行為取值包括:A和NA ;其中，A代表要接近興趣點和NA代表不要接近興趣點；所述用戶的用未來行為取值包括:T和F，其中T代表對廣告有興趣和F代表對廣告沒興趣。
[0009]根據(jù)本發(fā)明的方法的一個實施例，進一步的，所述推送裝置對多種因素中的每個因素的取值設(shè)定概率分布，并用采集的數(shù)據(jù)對貝葉斯預(yù)測模型進行訓練，得到每個因素的條件概率，將所述條件概率值輸入貝葉斯計算工具，計算出所述用戶未來行為的概率。
[0010]本發(fā)明要解決的一個技術(shù)問題是提供一種推送裝置，通過終端所處的當前位置環(huán)境信息、基于多種因素的概率進行用戶行為的預(yù)測。
[0011]一種推送裝置，包括:事件接收單元，用于接收到用戶終端到達設(shè)定位置的位置事件；行為預(yù)測單元，用于根據(jù)多種因素的概率對所述用戶的行為進行預(yù)測；信息推送單元，用于根據(jù)預(yù)測結(jié)果確定是否向用戶終端推送信息以及信息的內(nèi)容。
[0012]根據(jù)本發(fā)明的裝置的一個實施例，進一步的，所述多種因素包括:當前日期、當前位置、當前時間、用戶身份信息、外界激勵、用戶歷史行為、用戶當前行為。
[0013]根據(jù)本發(fā)明的裝置的一個實施例，進一步的，所述行為預(yù)測單元采用貝葉斯預(yù)測模型，根據(jù)用戶的當前日期、當前位置、當前時間、身份信息、外界激勵、用戶歷史行為、用戶當前行為的取值的概率進行預(yù)測，輸出所述用戶未來行為的預(yù)判值，并將所述預(yù)判值與預(yù)先設(shè)定的發(fā)送閾值進行比較；當所述預(yù)判值小于或等于所述發(fā)送閾值時，不向所述用戶終端推送信息；當所述預(yù)判值大于所述發(fā)送閾值時，則向所述用戶終端推送信息。
[0014]根據(jù)本發(fā)明的裝置的一個實施例，進一步的，所述用戶的當前日期取值包括:休息日和工作日；所述用戶的當前時間取值包括:高峰時間和非高峰時間；所述用戶的當前位置取值包括:興趣點的周邊和不在興趣點的周邊；所述用戶的外界激勵取值包括:0，2 ;其中O代表最強；所述用戶的用戶當前行為取值包括:A和NA ;其中，A代表要接近興趣點和NA代表不要接近興趣點；所述用戶的用未來行為取值包括:T和F，其中T代表對廣告有興趣和F代表對廣告沒興趣。
[0015]根據(jù)本發(fā)明的裝置的一個實施例，進一步的，所述行為預(yù)測單元對多種因素中的每個因素的取值設(shè)定概率分布，并用采集的數(shù)據(jù)對貝葉斯預(yù)測模型進行訓練，得到每個因素的條件概率，將所述條件概率值輸入貝葉斯計算工具，計算出所述用戶未來行為的概率。
[0016]一種移動網(wǎng)絡(luò)，包括如上所述的推送裝置。
[0017]本發(fā)明的基于位置的信息推送方法、推送裝置和網(wǎng)絡(luò)，通過終端所處的當前位置環(huán)境信息、基于多種因素的概率進行用戶行為的預(yù)測，即使在同一位置地點，用戶的未來行為都是有區(qū)別的，實現(xiàn)精準的位置服務(wù)廣告推送和信息發(fā)布等業(yè)務(wù)。
【專利附圖】

【附圖說明】
[0018]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0019]圖1為根據(jù)本發(fā)明的基于位置的信息推送方法的一個實施例的流程圖；
[0020]圖2Α和2Β為根據(jù)本發(fā)明的基于位置的信息推送方法的多因素貝葉斯網(wǎng)絡(luò)的示意圖；
[0021]圖3為根據(jù)本發(fā)明的推送裝置的一個實施例的結(jié)構(gòu)示意圖。 【具體實施方式】
[0022]下面參照附圖對本發(fā)明進行更全面的描述，其中說明本發(fā)明的示例性實施例。下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。下面結(jié)合各個圖和實施例對本發(fā)明的技術(shù)方案進行多方面的描述。
[0023]圖1為根據(jù)本發(fā)明的基于位置的信息推送方法的一個實施例的流程圖；如圖所示:
[0024]步驟102，推送裝置接收到用戶終端到達設(shè)定位置的位置事件。
[0025]步驟103，推送裝置根據(jù)多種因素的概率對用戶的行為進行預(yù)測。
[0026]步驟104，推送裝置根據(jù)預(yù)測結(jié)果確定是否向用戶終端推送信息以及信息的內(nèi)容。
[0027]根據(jù)本發(fā)明的一個實施例，多種因素包括:當前日期、當前位置、當前時間、用戶身份信息、外界激勵、用戶歷史行為、用戶當前行為。
[0028]本發(fā)明的基于位置的信息推送方法，實現(xiàn)對用戶未來行為的精準判斷，當用戶經(jīng)過同一位置時，按照用戶的歷史行為等多因素進行預(yù)測以實現(xiàn)精準位置廣告和信息推送。
[0029]推送裝置采用貝葉斯預(yù)測模型，根據(jù)用戶的當前日期、當前位置、當前時間、身份信息、外界激勵、用戶歷史行為、用戶當前行為的取值的概率進行預(yù)測，輸出用戶未來行為的預(yù)判值，并將預(yù)判值與預(yù)先設(shè)定的發(fā)送閾值進行比較；當預(yù)判值小于或等于發(fā)送閾值時，不向用戶終端推送信息；當預(yù)判值大于發(fā)送閾值時，則向用戶終端推送信息。
[0030]根據(jù)本發(fā)明的一個實施例，用戶的當前日期取值包括:休息日和工作日。用戶的當iu時間取值包括:聞峰時間和非聞峰時間；用戶的當如位置取值包括:興趣點的周邊和不在興趣點的周邊；用戶的外界激勵取值包括:0，2。其中O代表最強。用戶的用戶當前行為取值包括:A和NA。其中，A代表要接近興趣點和NA代表不要接近興趣點。用戶的用未來行為取值包括:T和F，其中T代表對廣告有興趣和F代表對廣告沒興趣。
[0031]根據(jù)本發(fā)明的一個實施例，推送裝置對多種因素中的每個因素的取值設(shè)定概率分布，并用采集的數(shù)據(jù)對貝葉斯預(yù)測模型進行訓練，得到每個因素的條件概率，將條件概率值輸入貝葉斯計算工具，計算出用戶未來行為的概率。
[0032]貝葉斯定理也稱貝葉斯推理，采用計算條件概率的公式用來解決如下一類問題:
[0033]假設(shè)Η[，1]，Η[，2]…互斥且構(gòu)成一個完全事件，已知它們的概率P(H[, i], i=l,2,…，現(xiàn)觀察到某事件A與H[，1]，H[，2]…相伴隨而出現(xiàn)，且已知條件概率P(A/H[, i])，求 P(H[，i]/A)。
[0034]貝葉斯公式為:
[0035]P(H[，i]/A)=P(H[，i])P(A | H [，i]) / [P (H [，I]) P (A | H [，I])+P (H [，2])P(A I H[，2])+…]；
[0036]P(A I H[，l])為擊中率，P(A | H[，2])為誤報率[I]。
[0037]如果已知被分類類別概率分布的形式和已經(jīng)標記類別的訓練樣本集合，那我們就需要從訓練樣本集合中來估計概率分布的參數(shù)。如果不知道任何有關(guān)被分類類別概率分布的知識，已知已經(jīng)標記類別的訓練樣本集合和判別式函數(shù)的形式，那就需要從訓練樣本集合中來估計判別式函數(shù)的參數(shù)。
[0038]如果既不知道任何有關(guān)被分類類別概率分布的知識，也不知道判別式函數(shù)的形式，只有已經(jīng)標記類別的訓練樣本集合。那就需要從訓練樣本集合中來估計概率分布函數(shù)的參數(shù)。
[0039]本發(fā)明的基于位置的信息推送方法，實現(xiàn)基于用戶的多因素環(huán)境的考慮以實現(xiàn)精準推送的裝置的關(guān)鍵方法包括:
[0040]通過對當前日期、當前位置、當前時間、身份信息、外界激勵、用戶歷史行為、用戶當前行為等因素的貝葉斯概率、馬爾科夫鏈、Petri網(wǎng)等方法的分析，從而對用戶未來行為作出判斷。
[0041]用戶的位置觸發(fā)用戶行為的精準預(yù)測，從而輸出用戶未來行為的預(yù)判值，該匹配裝置與預(yù)先設(shè)置的預(yù)判值(是閾值的經(jīng)驗值)進行判斷，從而輸出最終的結(jié)果(推送或不推送位置廣告)，實現(xiàn)對用戶未來行為的精準判斷，當用戶經(jīng)過同一位置時，按照用戶的歷史行為等多因素進行預(yù)測以實現(xiàn)精準位置廣告和信息推送。
[0042]圖2A和2B為根據(jù)本發(fā)明的基于位置的信息推送方法的多因素貝葉斯網(wǎng)絡(luò)的示意圖。每個節(jié)點有一定的發(fā)生概率，并且節(jié)點之間的邊代表節(jié)點之間有一定的關(guān)聯(lián)關(guān)系。通過貝葉斯定理可計算出用戶未來行為發(fā)生的概率值P。其中節(jié)點發(fā)生的概率是根據(jù)經(jīng)驗值和統(tǒng)計數(shù)據(jù)得出。
[0043]如果Ρ<Ρ 在這種條件下，位置廣告不需要推送。
[0044]如果Ρ>Ρ 則這種情況下，位置廣告可進行推送。
[0045]貝葉斯的基本原理如下，一個簡單的貝葉斯網(wǎng)絡(luò)如圖2Α所示:
[0046]節(jié)點集為{Α，B，C}，邊集為{(B, Α)，(B，C)}，其中A，C互相獨立，即 P (Al B，C)=P (Al B).同理，P(C|A，B)=P(C|B)，此外，可以得出P(A，B，C)=P(A|B)*P(B)*P(C|B)。一般來說，如果給定節(jié)點集 X=X1, Xf XN。則有:
[0047]
【權(quán)利要求】
1.一種基于位置的信息推送方法，其特征在于，包括: 推送裝置接收到用戶終端到達設(shè)定位置的位置事件； 所述推送裝置根據(jù)多種因素的概率對所述用戶的行為進行預(yù)測； 所述推送裝置根據(jù)預(yù)測結(jié)果確定是否向用戶終端推送信息以及信息的內(nèi)容。
2.如權(quán)利要求1所述的方法，其特征在于: 所述多種因素包括:當前日期、當前位置、當前時間、用戶身份信息、外界激勵、用戶歷史行為、用戶當前行為。
3.如權(quán)利要求2所述的方法，其特征在于: 所述推送裝置采用貝葉斯預(yù)測模型，根據(jù)用戶的當前日期、當前位置、當前時間、身份信息、外界激勵、用戶歷史行為、用戶當前行為的取值的概率進行預(yù)測，輸出所述用戶未來行為的預(yù)判值，并將所述預(yù)判值與預(yù)先設(shè)定的發(fā)送閾值進行比較； 當所述預(yù)判值小于或等于所述發(fā)送閾值時，不向所述用戶終端推送信息； 當所述預(yù)判值大于所述發(fā)送閾值時，則向所述用戶終端推送信息。
4.如權(quán)利要求3所述的方法，其特征在于: 所述用戶的當前日期取值包括:休息日和工作日； 所述用戶的當前時間取值包括:高峰時間和非高峰時間； 所述用戶的當前位置取值包括:興趣點的周邊和不在興趣點的周邊； 所述用戶的外界激勵取值包括:0，2 ;其中O代表最強； 所述用戶的用戶當前行為取值包括:A和NA ;其中，A代表要接近興趣點和NA代表不要接近興趣點； 所述用戶的用未來行為取值包括:T和F，其中T代表對廣告有興趣和F代表對廣告沒興趣。
5.如權(quán)利要求4所述的方法，其特征在于: 所述推送裝置對多種因素中的每個因素的取值設(shè)定概率分布，并用采集的數(shù)據(jù)對貝葉斯預(yù)測模型進行訓練，得到每個因素的條件概率，將所述條件概率值輸入貝葉斯計算工具，計算出所述用戶未來行為的概率。
6.一種推送裝置，其特征在于，包括: 事件接收單元，用于接收到用戶終端到達設(shè)定位置的位置事件； 行為預(yù)測單元，用于根據(jù)多種因素的概率對所述用戶的行為進行預(yù)測； 信息推送單元，用于根據(jù)預(yù)測結(jié)果確定是否向用戶終端推送信息以及信息的內(nèi)容。
7.如權(quán)利要求6所述的裝置，其特征在于: 所述多種因素包括:當前日期、當前位置、當前時間、用戶身份信息、外界激勵、用戶歷史行為、用戶當前行為。
8.如權(quán)利要求7所述的裝置，其特征在于: 所述行為預(yù)測單元采用貝葉斯預(yù)測模型，根據(jù)用戶的當前日期、當前位置、當前時間、身份信息、外界激勵、用戶歷史行為、用戶當前行為的取值的概率進行預(yù)測，輸出所述用戶未來行為的預(yù)判值，并將所述預(yù)判值與預(yù)先設(shè)定的發(fā)送閾值進行比較； 當所述預(yù)判值小于或等于所述發(fā)送閾值時，不向所述用戶終端推送信息； 當所述預(yù)判值大于所述發(fā)送閾值時，則向所述用戶終端推送信息。
9.如權(quán)利要求8所述的裝置，其特征在于: 所述用戶的當前日期取值包括:休息日和工作日； 所述用戶的當前時間取值包括:高峰時間和非高峰時間； 所述用戶的當前位置取值包括:興趣點的周邊和不在興趣點的周邊； 所述用戶的外界激勵取值包括:0，2 ;其中O代表最強； 所述用戶的用戶當前行為取值包括:A和NA ;其中，A代表要接近興趣點和NA代表不要接近興趣點； 所述用戶的用未來行為取值包括:T和F，其中T代表對廣告有興趣和F代表對廣告沒興趣。
10.如權(quán)利要求9所述的裝置，其特征在于: 所述行為預(yù)測單元對多種因素中的每個因素的取值設(shè)定概率分布，并用采集的數(shù)據(jù)對貝葉斯預(yù)測模型進行訓練，得到每個因素的條件概率，將所述條件概率值輸入貝葉斯計算工具，計算出所述用 戶未來行為的概率。
11.一種移動網(wǎng)絡(luò)，其特征在于: 包括如權(quán)利要求6至10任意一項所述的推送裝置。
【文檔編號】H04W4/02GK103905978SQ201210579204
【公開日】2014年7月2日 申請日期:2012年12月27日 優(yōu)先權(quán)日:2012年12月27日
【發(fā)明者】魏丫丫, 趙龍剛, 鄒鵬, 謝倩堃, 武曉春, 趙強, 蔣紅源, 鄭中平 申請人:中國電信股份有限公司