一种公益活动信息精准推送方法

摘要

本发明涉及活动信息推送技术领域，尤其涉及一种公益活动信息精准推送方法，通过获取用户的公益活动参与记录，并提取参与的历史活动的各外部因素，从而将新建活动的外部因素与历史活动进行比对，判断是否存在一致性或关联性，进而得出新建活动相对于用户的历史活动得分，根据该历史活动得分判断用户可能参加该新建活动的意愿，对于有意愿的用户进行活动信息的精准推送，有效提高公益活动与志愿者的匹配度，减少公益活动信息滥发。

说明书

技术领域

本发明涉及活动信息推送技术领域，尤其涉及一种公益活动信息精准推送方法。

背景技术

志愿者是基层治理中重要的力量，很多公益活动都需要志愿者参与。很多公益平台为了能招募充足的志愿者，就采用消息推送的方式，然而海量推送引发了新的问题，一方面公益平台盲目推送信息给支援者，一方面志愿者接收跟自己兴趣能力完全不匹配的公益活动。

发明内容

有鉴于此，本发明的目的在于提出一种公益活动信息精准推送方法，以解决现有的公益活动信息推送存在盲目的问题。

基于上述目的，本发明提供了一种公益活动信息精准推送方法，包括：

获取用户的公益活动参与记录，并从公益活动参与记录中提取得到各历史活动的外部因素；

为每个外部因素设置对应的第一权重；

获取新建活动的外部因素，并判断与历史活动的外部因素是否一致或级联，若一致则累计预设的第一分值，若级联，则累计预设的第二分值，得到新建活动各外部因素的总得分；

将各外部因素的总得分分别乘以对应的第一权重后相加，得到新建活动相对于用户的历史活动得分；

若历史活动得分高于设定阈值，则向用户推送该新建活动的信息。

优选地，本方法还包括：

将各历史活动依据参与时间分类为近期活动和远期活动；

为近期活动和远期活动设置不同的第二权重；

分别累计近期活动和远期活动的各外部因素总得分；

将近期活动的各外部因素的总得分分别乘以对应的第一权重后再乘以对应的第二权重，得到近期历史活动得分，将远期活动的近期活动的各外部因素的总得分分别乘以对应的第一权重后再乘以对应的第二权重，得到远期历史活动得分；

将近期历史活动得分与远期历史活动得分相加，得到新建活动相对于用户的历史活动得分。

优选地，外部因素包括活动类型、活动地点和活动时间；

新建活动相对于用户的历史活动得分计算公式为：

P＝A1*QT*S+A2*QT*W+B1*QC*S+B2*QC*W+C1*QL*S+C2*QL*W，其中P表示总的历史活动得分，A1表示远期活动的活动类型因素的总得分，A2表示表示近期活动的活动类型因素的总得分，B1表示远期活动的活动时间因素的总得分，B2表示近期活动的活动时间因素的总得分，C1表示远期活动的活动地点因素的总得分，C2表示近期活动的活动地点因素的总得分，QT表示活动类型的第一权重，QC表示活动时间的第一权重，QL表示活动地点的第一权重，S表示远期活动的第二权重，W表示近期活动的第二权重。

优选地，本方法还包括：

获取用户对于公益活动的浏览记录，设置浏览记录整体权重为L，根据用户的浏览记录得到新建活动相对于用户的浏览记录得分，浏览记录得分的计算公式为：

G＝A3*QT*L+B3*QC*L+C3*QL*L，其中G表示浏览记录得分，A3表示用户浏览的活动类型因素得分，B3表示用户浏览的活动时间因素得分，C3表示用户浏览的活动地点因素得分。

优选地，本方法还包括：

根据用户接收到公益活动信息推送后参与活动的比例，动态调整第一权重、第二权重、第一分值和第二分值。

优选地，提取得到各历史活动的外部因素后，本方法后续步骤替换为：

获取用户的个体因素；

根据预设的各个体因素与各外部因素之间的关联，得到用户参与活动的倾向因子数据；

构造用于评估用户参与公益活动兴趣的自适应卷积神经网络模型；

对用户的公益活动参与记录中各历史活动的倾向因子数据进行预处理，建立数据集；

将数据集划分为训练集、验证集和测试集；

将训练集输入自适应神经网络模型，进行反复训练至收敛；

利用验证集和测试集对训练后的自适应卷积神经网络模型进行微调，得到公益活动参与兴趣评估模型；

根据新建活动的外部因素和目标用户的个体因素，得出新建活动对于目标用户的倾向因子；

将倾向因子输入公益活动参与兴趣评估模型，得到目标用户对新建活动的兴趣得分，若兴趣得分大于设定阈值，则向目标用户推送该新建活动的信息。

优选地，个体因素包括身体情况因素、居住地情况因素和工作情况因素。

优选地，本方法还包括：

获取用户的身份信息；

对所述身份信息进行验证；

在验证时，获取用户的公益活动参与记录。

本发明的有益效果：本发明提供的公益活动信息精准推送方法，通过获取用户的公益活动参与记录，并提取参与的历史活动的各外部因素，从而将新建活动的外部因素与历史活动进行比对，判断是否存在一致性或关联性，进而得出新建活动相对于用户的历史活动得分，根据该历史活动得分判断用户可能参加该新建活动的意愿，对于有意愿的用户进行活动信息的精准推送，有效提高公益活动与志愿者的匹配度，减少公益活动信息滥发。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的公益活动信息精准推送方法流程示意图；

图2为本发明实施例的考虑倾向因子的公益活动信息精准推送方法流程示意图。

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明白，以下结合具体实施例，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

如图1所示，本说明书实施例提供一种公益活动信息精准推送方法，包括如下步骤：

获取用户的身份信息；

对身份信息进行验证；

在验证身份信息时，获取用户的公益活动参与记录，并从公益活动参与记录中提取得到各历史活动的外部因素，举例来说，外部因素包括三个部分，分别是活动类型、活动地点和活动时间；

为每个外部因素设置对应的第一权重，如活动类型的第一权重设置为QT，活动地点的第一权重设置为QC，活动时间的第一权重设置为QL；

获取新建活动的外部因素，并判断新建活动的外部因素与历史活动的外部因素是否一致或级联，若一致则累计预设的第一分值，若级联则累计预设的第二分值，得到各外部因素的总得分；

如当用户参与的历史活动的活动类型与新建活动的活动类型一致，累计第一分值为1分，若用户参与的历史活动的活动类型与新建活动的活动类型级联，则累计第二分值为0.8分，若完全不相关，则不累计得分，同时根据参与该活动类型的历史活动的总次数来计算得分，如参与该活动类型的历史活动次数为5次，则累计5次分数，得到活动类型A的总得分A1，也可以根据参与活动类型的次数占总的活动类型次数的比例来计算得分，例如所有活动记录中，总的参与活动记录是10次，活动类型为A的次数是5次，那么就是活动类型A的得分乘以0.5，依次类推，得到活动类型的得分A1；

当用户参与的历史活动时间与新建活动的活动时间一致，得分为1分，若用户参与的历史活动时间与新建活动时间相差两个小时，视为级联，则得分累计0.5分，之后通过累计总次数或计算比例的方式得出活动时间的得分B1；

当用户参与的历史活动地点与新建活动的活动地点一致，得分为1分，若用户参与的历史活动地点与新建活动地点距离3km，则得分累计0.8分，之后之后通过累计总次数或计算比例的方式得到活动地点的得分C1。

将各外部因素的总得分分别乘以对应的第一权重后相加，得到新建活动相对于用户的历史活动得分；

若历史活动得分高于设定阈值，则向用户推送该新建活动的信息。

本说明书实施例提供的公益活动信息精准推送方法，通过获取用户的公益活动参与记录，并提取参与的历史活动的各外部因素，从而将新建活动的外部因素与历史活动进行比对，判断是否存在一致性或关联性，进而得出新建活动相对于用户的历史活动得分，根据该历史活动得分判断用户可能参加该新建活动的意愿，对于有意愿的用户进行活动信息的精准推送，有效提高公益活动与志愿者的匹配度，减少公益活动信息滥发。

作为一种实施方式，本方法还包括：

将各历史活动依据参与时间分类为近期活动和远期活动；

为近期活动和远期活动设置不同的第二权重；

分别累计近期活动和远期活动的各外部因素总得分；

将近期活动的各外部因素的总得分分别乘以对应的第一权重后再乘以对应的第二权重，得到近期历史活动得分，将远期活动的近期活动的各外部因素的总得分分别乘以对应的第一权重后再乘以对应的第二权重，得到远期历史活动得分；

将近期历史活动得分与远期历史活动得分相加，得到新建活动相对于用户的历史活动得分。

如计算公式为：P＝A1*QT*S+A2*QT*W+B1*QC*S+B2*QC*W+C1*QL*S+C2*QL*W，其中P表示总的历史活动得分，A1表示远期活动的活动类型因素的总得分，A2表示表示近期活动的活动类型因素的总得分，B1表示远期活动的活动时间因素的总得分，B2表示近期活动的活动时间因素的总得分，C1表示远期活动的活动地点因素的总得分，C2表示近期活动的活动地点因素的总得分，QT表示活动类型的第一权重，QC表示活动时间的第一权重，QL表示活动地点的第一权重，S表示远期活动的第二权重，W表示近期活动的第二权重。

上述方法计算的是参与活动记录，也就是用户参与的公益活动越多，越会推送类似的活动给用户，对于用户潜在的兴趣并不能发掘出来，有鉴于此，引入用户浏览记录，对于用户浏览记录，参考用户参与记录，设置浏览记录整体权重为L，根据用户的浏览记录得到新建活动相对于用户的浏览记录得分，浏览记录得分的计算公式为：

G＝A3*QT*L+B3*QC*L+C3*QL*L，其中G表示浏览记录得分，A3表示用户浏览的活动类型因素得分，B3表示用户浏览的活动时间因素得分，C3表示用户浏览的活动地点因素得分。

通过不仅计算用户参与记录，用户浏览记录也会计算，提高潜在用户参与度。

举例来说，用户浏览的活动类型与新建活动的活动类型一致，得分为1分，如果用户浏览的活动类型与新建活动类型级联，得分为0.8分，同时根据参与该活动类型的历史活动的总次数来计算得分，如参与该活动类型的历史活动次数为5次，则累计5次分数，得到活动类型A的浏览记录得分A3，也可以根据参与活动类型的次数占总的活动类型次数的比例来计算得分，例如所有活动记录中，总的参与活动记录是10次，活动类型为A的次数是5次，那么就是活动类型A的得分乘以0.5，依次类推，得到活动类型的浏览记录得分A3；

当用户浏览活动的活动时间与新建活动的活动时间一致，得分为1分，若用户浏览活动的活动时间与新建活动时间相差两个小时，视为级联，则得分累计0.5分，之后通过累计总次数或计算比例的方式计算活动时间的浏览记录得分B3；

当用户浏览活动的活动地点与新建活动的活动地点一致，得分为1分，若用户浏览的活动的活动地点与新建活动地点距离3km，则得分累计0.8分，之后之后通过累计总次数或计算比例的方式得到活动地点的浏览记录得分C3。

作为一种实施方式，本方法还包括：

根据用户接收到公益活动信息推送后参与活动的比例，动态调整第一权重、第二权重、第三权重、第一分值和第二分值，如先固定其他参数不变，调整其中一项参数，查看用户接收推送并参与活动的比例，如果比例相对有所提高，那么该参数不再调整，改为提高其他的比例。直到参与活动用户数量与接收推送比例都在管理员认为可以接受的程度。

本方法能够通过动态调整推送参数，提高推送准确度。

作为一种实施方式，如图2所示，提取得到各历史活动的外部因素后，后续步骤替换为：

获取用户的个体因素；

根据预设的各个体因素与各外部因素之间的关联，得到用户参与活动的倾向因子数据；

构造用于评估用户参与公益活动兴趣的自适应卷积神经网络模型；

对用户的公益活动参与记录中各历史活动的倾向因子数据进行预处理，建立数据集；

将数据集划分为训练集、验证集和测试集；

将训练集输入自适应神经网络模型，进行反复训练至收敛；

利用验证集和测试集对训练后的自适应卷积神经网络模型进行微调，得到公益活动参与兴趣评估模型；

根据新建活动的外部因素和目标用户的个体因素，得出新建活动对于目标用户的倾向因子；

将倾向因子输入公益活动参与兴趣评估模型，得到目标用户对新建活动的兴趣得分，若兴趣得分大于设定阈值，则向目标用户推送该新建活动的信息。

举例来说，个体因素包括身体情况因素(用户的性别、年龄、健康状况、有无残疾等)、居住地情况(居住地的位置、用户在不同居住地的居住周期、居住地周边交通情况等)因素和工作情况因素(工作单位地址、工作排班及作息等)。

得到用户参与活动的倾向因子数据包括：

由于用户能否有时间参加公益活动，实际上受到多种因素影响，如用户处于工作日，活动时间与用户的上班时间冲突，则通常用户没有时间参加该公益活动，再如用户考虑是否参加公益活动时，可能也不止考虑活动地点与居住地或所处位置的距离，也需要考虑是否方便前往，因此本方法中还考虑用户居住地周边的交通情况，从而综合得出倾向因子。

本方法进一步通过自适应卷积神经网络，对用户参与新建活动的兴趣进行评估，并且能通过大数据得到更加准确的结果。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。