用于推送信息的方法、装置、电子设备和可读介质

摘要

本申请实施例公开了用于推送信息的方法、装置、电子设备和可读介质。该方法的一具体实施方式包括：获取二手商品的信息以及上传二手商品的信息的账户信息；根据二手商品的信息确定二手商品的特征信息，并根据账户信息确定用户特征信息；基于二手商品的特征信息、用户特征信息与预先训练的分类模型，生成处置二手商品的各个备选方案被选中的概率值；根据所生成的概率值，从各个备选方案中选择备选方案向登录账户信息的终端推送。该实施方式提高了信息推送的效率。

说明书

技术领域

本申请实施例涉及计算机技术领域，尤其涉及用于推送信息的方法、装置、电子设备和可读介质。

背景技术

随着大数据和互联网的发展，用户更新商品的周期变得更快，二手商品越来越多。当前，向用户提供的处置二手商品的方式较为单一，通常是用户上传至二手商品交易平台进行销售。

发明内容

本申请实施例提出了用于推送信息的方法、装置、电子设备和可读介质。

第一方面，本申请的一些实施例提供了一种用于推送信息的方法，该方法包括：获取二手商品的信息以及上传二手商品的信息的账户信息；根据二手商品的信息确定二手商品的特征信息，并根据账户信息确定用户特征信息；基于二手商品的特征信息、用户特征信息与预先训练的分类模型，生成处置二手商品的各个备选方案被选中的概率值；根据所生成的概率值，从各个备选方案中选择备选方案向登录账户信息的终端推送。

在一些实施例中，根据二手商品的信息确定二手商品的特征信息，包括：将二手商品的信息的向量化表示确定为二手商品的特征信息，其中，二手商品的信息包括以下至少一项：价格信息、尺码信息、颜色信息、质量分数信息。

在一些实施例中，根据账户信息确定用户特征信息，包括：根据账户信息查询关联的用户信息；将用户信息的向量化表示确定为用户特征信息，其中，用户信息包括以下至少一项：性别信息、年龄信息、位置信息、会员信息、购买力信息、使用的手机型号信息、使用的网络信息、天气信息、用户所在区域的商品销量信息、商品偏好信息、品类偏好信息、品牌偏好信息、价格偏好信息、店铺偏好信息。

在一些实施例中，基于二手商品的特征信息、用户特征信息与预先训练的分类模型，生成处置二手商品的各个备选方案被选中的概率值，包括：针对二手商品的特征信息和用户特征信息中存在预先设置的关联关系的特征信息执行合并操作，合并操作包括以下至少一项：余弦计算，内积计算，平方根计算，绝对差值计算；将合并操作的结果进行拼接，得到分类模型的输入向量；将输入向量输入分类模型，生成处置二手商品的各个备选方案被选中的概率值。

在一些实施例中，分类模型，包括：卷积神经网络层和深度神经网络层。

在一些实施例中，备选方案，包括经由以下步骤确定的备选方案：根据二手商品的信息确定二手商品的价值信息；根据价值信息确定备选方案。

在一些实施例中，备选方案包括拍卖方案；以及根据价值信息确定备选方案，包括：根据价值信息确定拍卖方案的预估成交价格。

在一些实施例中，备选方案包括置换方案；以及根据价值信息确定备选方案，包括：根据价值信息确定二手商品与同品类新商品的价值差；或根据价值信息确定与价值信息匹配的待置换的商品或待置换的商品组合。

第二方面，本申请的一些实施例提供了一种用于推送信息的装置，该装置包括：获取单元，被配置成获取二手商品的信息以及上传二手商品的信息的账户信息；确定单元，被配置成根据二手商品的信息确定二手商品的特征信息，并根据账户信息确定用户特征信息；生成单元，被配置成基于二手商品的特征信息、用户特征信息与预先训练的分类模型，生成处置二手商品的各个备选方案被选中的概率值；推送单元，被配置成根据所生成的概率值，从各个备选方案中选择备选方案向登录账户信息的终端推送。

在一些实施例中，进一步被配置成：将二手商品的信息的向量化表示确定为二手商品的特征信息，其中，二手商品的信息包括以下至少一项：价格信息、尺码信息、颜色信息、质量分数信息。

在一些实施例中，确定单元，进一步被配置成：根据账户信息查询关联的用户信息；将用户信息的向量化表示确定为用户特征信息，其中，用户信息包括以下至少一项：性别信息、年龄信息、位置信息、会员信息、购买力信息、使用的手机型号信息、使用的网络信息、天气信息、用户所在区域的商品销量信息、商品偏好信息、品类偏好信息、品牌偏好信息、价格偏好信息、店铺偏好信息。

在一些实施例中，生成单元，进一步被配置成：针对二手商品的特征信息和用户特征信息中存在预先设置的关联关系的特征信息执行合并操作，合并操作包括以下至少一项：余弦计算，内积计算，平方根计算，绝对差值计算；将合并操作的结果进行拼接，得到分类模型的输入向量；将输入向量输入分类模型，生成处置二手商品的各个备选方案被选中的概率值。

在一些实施例中，分类模型，包括：卷积神经网络层和深度神经网络层。

在一些实施例中，装置还包括备选方案确定单元，被配置成：根据二手商品的信息确定二手商品的价值信息；根据价值信息确定备选方案。

在一些实施例中，备选方案包括拍卖方案；以及备选方案确定单元，进一步被配置成：根据价值信息确定拍卖方案的预估成交价格。

在一些实施例中，备选方案包括置换方案；以及备选方案确定单元，进一步被配置成：根据价值信息确定二手商品与同品类新商品的价值差；或根据价值信息确定与价值信息匹配的待置换的商品或待置换的商品组合。

第三方面，本申请的一些实施例提供了一种设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。

第四方面，本申请的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的方法。

本申请实施例提供的用于推送信息的方法、装置、电子设备和可读介质，通过二手商品的特征信息、用户特征信息与预先训练的分类模型，生成处置二手商品的各个备选方案被选中的概率值，并根据所生成的概率值，从各个备选方案中选择备选方案向登录账户信息的终端推送，实现了基于二手商品特征和用户特征向用户推送处置二手商品的方案，提高了信息推送的效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一些可以应用于其中的示例性系统架构图；

图2是根据本申请的用于推送信息的方法的一个实施例的流程图；

图3是根据本申请的用于推送信息的方法的应用场景的一个示意图；

图4是根据本申请的用于推送信息的方法的又一个实施例中备选方案确定的流程图；

图5是根据本申请的用于推送信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请的一些实施例的服务器或终端的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于推送信息的方法或用于推送信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如社交类应用、电子商务类应用、搜索类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手表、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上安装的应用提供支持的后台服务器。终端设备101、102、103或服务器105可以获取二手商品的信息以及上传二手商品的信息的账户信息；根据二手商品的信息确定二手商品的特征信息，并根据账户信息确定用户特征信息；基于二手商品的特征信息、用户特征信息与预先训练的分类模型，生成处置二手商品的各个备选方案被选中的概率值；根据所生成的概率值，从各个备选方案中选择备选方案向登录账户信息的终端推送。

需要说明的是，本申请实施例所提供的用于推送信息的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于推送信息的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于推送信息的方法的一个实施例的流程200。该用于推送信息的方法，包括以下步骤：

步骤201，获取二手商品的信息以及上传二手商品的信息的账户信息。

在本实施例中，用于推送信息的方法执行主体(例如图1所示的服务器或终端)可以获取二手商品的信息以及上传二手商品的信息的账户信息。二手商品的信息可以包括用户输入的二手商品的文字信息或图像信息，用户可以登录电子商务网站或应用向上述执行主体提交二手商品的信息。上传二手商品的信息的账户信息可以包括账户名称、账户编码、账户手机号码等信息。

步骤202，根据二手商品的信息确定二手商品的特征信息，并根据账户信息确定用户特征信息。

在本实施例中，上述执行主体可以根据步骤201中获取的二手商品的信息确定二手商品的特征信息，并根据步骤201中获取的账户信息确定用户特征信息。二手商品的信息可以包括用户主动提供的信息，也可以包括根据用户提供的信息进一步检索或分析得到的信息。根据二手商品的信息确定二手商品的特征信息可以是提取二手商品的信息中预设参数的参数值，将参数值直接作为二手商品的特征信息，也可以获取参数值的向量化表示作为二手商品的特征信息。同样，根据账户信息确定用户特征信息可以包括从用户的账户信息中直接获取用户特征信息，也可以包括根据账户信息进行检索以获取用户特征信息。

在这里，二手商品的信息可以包括商品价格、商品尺码、商品颜色、商品离线综合质量分、商品实时质量分等。账户信息可以包括一些表征用户自身属性的信息，例如，用户性别、用户年龄、用户所在城市、用户是否为会员、用户购买力级别。账户信息也可以包括一些表征用户商品交互特征的信息，例如，用户商品偏好、用户品类偏好、用户品牌偏好、用户价格段偏好、用户店铺偏好。账户信息还可以包括一些其他的信息，例如，用户使用的手机型号、用户使用的网络是无线网络还是流量、用户当时的天气情况、用户所在城市的热销商品。

作为示例，在进行向量化(embedding)时，不同粒度的特征以不同的初始化方式构建Embedding层。可以在基于数据流编程的符号数学系统(Tensorflow)的训练框架内部，首先将特征使用正态分布随机初始化，设置embedding的维度，比如5维或10维。然后检测配置文件的预训练模型目录，如果配置了相关特征的预训练embedding，则只用预训练embedding替换之前随机初始化的embedding。此外，也可以参考现有技术中，词到向量(word2vector)模型或Transformer的双向编码器表示(Bidirectional EncoderRepresentations from Transformers，Bert)模型等进行向量化。

在本实施例的一些可选实现方式中，根据二手商品的信息确定二手商品的特征信息，包括：将二手商品的信息的向量化表示确定为二手商品的特征信息，其中，二手商品的信息包括以下至少一项：价格信息、尺码信息、颜色信息、质量分数信息。质量分数信息可以根据用户提供的二手商品的信息确定，还可以结合商品的评价信息和使用时长等信息综合确定。

在本实施例的一些可选实现方式中，根据账户信息确定用户特征信息，包括：根据账户信息查询关联的用户信息；将用户信息的向量化表示确定为用户特征信息，其中，用户信息包括以下至少一项：性别信息、年龄信息、位置信息、会员信息、购买力信息、使用的手机型号信息、使用的网络信息、天气信息、用户所在区域的商品销量信息、商品偏好信息、品类偏好信息、品牌偏好信息、价格偏好信息、店铺偏好信息。购买力信息和偏好信息可以根据用户的历史购买记录确定。用户所在区域的商品销量信息可以确定该区域销售数量较高的商品。

步骤203，基于二手商品的特征信息、用户特征信息与预先训练的分类模型，生成处置二手商品的各个备选方案被选中的概率值。

在本实施例中，上述执行主体可以基于二手商品的特征信息、用户特征信息与预先训练的分类模型，生成处置二手商品的各个备选方案被选中的概率值。可以将样本二手商品的特征信息、样本用户特征信息作为输入，将针对样本标注的用户选择的处置二手商品的方案作为输出，训练得到分类模型。训练的样本可以基于历史数据构建。分类模型也可以是技术人员基于对大量的二手商品的特征信息、用户特征信息与用户选择的处置二手商品的方案的统计而预先制定的、存储有二手商品的特征信息、用户特征信息与用户选择的处置二手商品的方案的对应关系的对应关系表。

在本实施例的一些可选实现方式中，基于二手商品的特征信息、用户特征信息与预先训练的分类模型，生成处置二手商品的各个备选方案被选中的概率值，包括：针对二手商品的特征信息和用户特征信息中存在预先设置的关联关系的特征信息执行合并操作，合并操作包括以下至少一项：余弦计算，内积计算，平方根计算，绝对差值计算；将合并操作的结果进行拼接，得到分类模型的输入向量；将输入向量输入分类模型，生成处置二手商品的各个备选方案被选中的概率值。进行上述合并操作可以抽象丰富的表征含义，使得分类模型的输出更加准确。同样，也可以直接拼接二手商品的特征信息、用户特征信息得到分类模型的输入。

在本实施例的一些可选实现方式中，分类模型，包括：卷积神经网络层(Convolutional Neural Network，CNN)和深度神经网络层(Deep Neural Network，DNN)。通过CNN可以提取低阶高阶特征，CNN可以包括卷积层、池化层、全连接层和激活层。其中，池化层可以选择最大的预设数目个作为池化后的输出，扁平化后进入全连接层，激活函数输出所属的类别。DNN是多层感知机叠加，是深度学习的主要结构，可以拟合复杂特征，常用来做预测或分类。卷积提取的中间特征可以进入DNN层，可以通过反向传播构建损失函数，调试合适的优化器，还可以基于离线评估指标AUC(Area under the ROC curve，ROC曲线下的面积)更新出最佳模型参数。在模型正式上线之前的模型预发布阶段或正式上线后，还可以进行多角度测试或接受用户反馈，如发现非正常结果及时记录，便于后续模型的进一步调试。

步骤204，根据所生成的概率值，从各个备选方案中选择备选方案向登录账户信息的终端推送。

在本实施例中，上述执行主体可以根据步骤203中生成的概率值，从各个备选方案中选择备选方案向登录账户信息的终端推送。备选方案可以根据预先设置的规则进行确定。作为示例，可以根据二手商品的价值信息、用户画像等相关信息确定。

继续参见图3，图3是根据本实施例的用于推送信息的方法的应用场景的一个示意图。在图3的应用场景中，服务器301可以获取终端设备302上传的二手商品的信息303以及终端设备302上登录的账户信息304，并根据二手商品的信息303以及账户信息304确定向终端设备302推送的备选方案305。

本申请的上述实施例提供的方法通过获取二手商品的信息以及上传二手商品的信息的账户信息；根据二手商品的信息确定二手商品的特征信息，并根据账户信息确定用户特征信息；基于二手商品的特征信息、用户特征信息与预先训练的分类模型，生成处置二手商品的各个备选方案被选中的概率值；根据所生成的概率值，从各个备选方案中选择备选方案向登录账户信息的终端推送，实现了WIFI的自动连接，提高了信息推送的效率。

进一步参考图4，其示出了用于推送信息的方法的又一个实施例中确定备选方案的流程400。该确定备选方案的流程400，包括以下步骤：

步骤401，根据二手商品的信息确定二手商品的价值信息。

在本实施例中，用于推送信息的方法执行主体可以根据二手商品的信息确定二手商品的价值信息。二手商品的信息可以包括用户输入的商品名称、上传商品图片、筛选的商品属性等。例如，二手商品是手机，需要填写手机的品牌、手机具体型号、手机内存、手机是否在保修期内、手机的磨损程度等。可以使用预先建立的估值模型或预先建立的估值规则，确定二手商品的价值信息，估值模型或估值规则可以根据二手物品的历史交易价格确定。此外，还可以向用户推送预定时间段后二手物品的降价风险信息。

步骤402，根据价值信息确定备选方案。

在本实施例中，上述执行主体可以根据步骤401中确定的价值信息确定备选方案。备选方案可以包括拍卖、以旧换新、平台回收、等值商品或商品组合兑换等。

在本实施例的一些可选实现方式中，备选方案包括拍卖方案；以及根据价值信息确定备选方案，包括：根据价值信息确定拍卖方案的预估成交价格。

在本实施例的一些可选实现方式中，备选方案包括置换方案；以及根据价值信息确定备选方案，包括：根据价值信息确定二手商品与同品类新商品的价值差；或根据价值信息确定与价值信息匹配的待置换的商品或待置换的商品组合。待置换的商品或待置换的商品组合可以根据用户特征信息和/或二手商品的特征信息确定。例如，可以通过模型确定用户感兴趣程度较高的商品或商品组合。

在本实施例中，用于推送信息的方法的其他操作与步骤201、步骤202、步骤203、步骤204的操作基本相同，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于推送信息的方法的确定备选方案的流程400中通过二手商品的价值信息确定备选方案，确定出的备选方案更加精确，进一步提升了信息推送效率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于推送信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于推送信息的装置500包括：获取单元501、确定单元502、生成单元503、推送单元504。其中，获取单元，被配置成获取二手商品的信息以及上传二手商品的信息的账户信息；确定单元，被配置成根据二手商品的信息确定二手商品的特征信息，并根据账户信息确定用户特征信息；生成单元，被配置成基于二手商品的特征信息、用户特征信息与预先训练的分类模型，生成处置二手商品的各个备选方案被选中的概率值；推送单元，被配置成根据所生成的概率值，从各个备选方案中选择备选方案向登录账户信息的终端推送。

在本实施例中，用于推送信息的装置500的获取单元501、确定单元502、生成单元503、推送单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。

在本实施例的一些可选实现方式中，进一步被配置成：将二手商品的信息的向量化表示确定为二手商品的特征信息，其中，二手商品的信息包括以下至少一项：价格信息、尺码信息、颜色信息、质量分数信息。

在本实施例的一些可选实现方式中，确定单元，进一步被配置成：根据账户信息查询关联的用户信息；将用户信息的向量化表示确定为用户特征信息，其中，用户信息包括以下至少一项：性别信息、年龄信息、位置信息、会员信息、购买力信息、使用的手机型号信息、使用的网络信息、天气信息、用户所在区域的商品销量信息、商品偏好信息、品类偏好信息、品牌偏好信息、价格偏好信息、店铺偏好信息。

在本实施例的一些可选实现方式中，生成单元，进一步被配置成：针对二手商品的特征信息和用户特征信息中存在预先设置的关联关系的特征信息执行合并操作，合并操作包括以下至少一项：余弦计算，内积计算，平方根计算，绝对差值计算；将合并操作的结果进行拼接，得到分类模型的输入向量；将输入向量输入分类模型，生成处置二手商品的各个备选方案被选中的概率值。

在本实施例的一些可选实现方式中，分类模型，包括：卷积神经网络层和深度神经网络层。

在本实施例的一些可选实现方式中，装置还包括备选方案确定单元，被配置成：根据二手商品的信息确定二手商品的价值信息；根据价值信息确定备选方案。

在本实施例的一些可选实现方式中，备选方案包括拍卖方案；以及备选方案确定单元，进一步被配置成：根据价值信息确定拍卖方案的预估成交价格。

在本实施例的一些可选实现方式中，备选方案包括置换方案；以及备选方案确定单元，进一步被配置成：根据价值信息确定二手商品与同品类新商品的价值差；或根据价值信息确定与价值信息匹配的待置换的商品或待置换的商品组合。

本申请的上述实施例提供的装置，通过获取二手商品的信息以及上传二手商品的信息的账户信息；根据二手商品的信息确定二手商品的特征信息，并根据账户信息确定用户特征信息；基于二手商品的特征信息、用户特征信息与预先训练的分类模型，生成处置二手商品的各个备选方案被选中的概率值；根据所生成的概率值，从各个备选方案中选择备选方案向登录账户信息的终端推送，提高了信息推送的效率。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件可以连接至I/O接口605：包括诸如键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、确定单元、生成单元、推送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“被配置成获取二手商品的信息以及上传二手商品的信息的账户信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取二手商品的信息以及上传二手商品的信息的账户信息；根据二手商品的信息确定二手商品的特征信息，并根据账户信息确定用户特征信息；基于二手商品的特征信息、用户特征信息与预先训练的分类模型，生成处置二手商品的各个备选方案被选中的概率值；根据所生成的概率值，从各个备选方案中选择备选方案向登录账户信息的终端推送。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。