内容发送方法和装置.pdf

《内容发送方法和装置.pdf》由会员分享，可在线阅读，更多相关《内容发送方法和装置.pdf（22页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911009423.9 (22)申请日 2019.10.23 (71)申请人 郑州阿帕斯科技有限公司 地址 450000 河南省郑州市河南自贸试验 区郑州片区 （郑东） 金水东路51号楷林 中心北区一单元16、 17号 (72)发明人 王长路王李平李涛 (74)专利代理机构 北京国昊天诚知识产权代理 有限公司 11315 代理人 许振新 (51)Int.Cl. G06K 9/62(2006.01) G06N 20/00(2019.01) (54)发明名称 一种内容发送方法和。

2、装置 (57)摘要 本申请公开了一种内容发送方法和装置， 该 方法包括： 接收来自用户终端的内容请求， 内容 请求中包括由用户终端收集得到的目标用户的 用户信息； 根据目标用户的用户信息， 从多个用 户群中确定目标用户所属的目标用户群， 多个用 户群预先基于无监督的机器学习聚类算法对多 个样本用户的样本信息进行学习训练得到； 根据 目标用户群， 获取目标用户群重点关注的目标内 容， 目标内容预先基于目标用户群中多个用户的 行为数据确定得到； 将目标内容发送给用户终 端， 以便用户终端向目标用户展示目标内容。 由 于服务器在接收到用户的内容请求后向用户发 送的内容是用户所属的用户群重点关注的内容。

3、， 因此， 更加符合用户的兴趣爱好， 从而提升向用 户发送内容的准确度。 权利要求书3页 说明书14页 附图4页 CN 110751219 A 2020.02.04 CN 110751219 A 1.一种内容发送方法， 其特征在于， 包括： 接收来自用户终端的内容请求， 所述内容请求中包括由所述用户终端收集得到的目标 用户的用户信息； 根据所述目标用户的用户信息， 从多个用户群中确定所述目标用户所属的目标用户 群， 所述多个用户群预先基于无监督的机器学习聚类算法对多个样本用户的样本信息进行 学习训练得到； 根据所述目标用户群， 获取所述目标用户群重点关注的目标内容， 所述目标内容预先 基于所述。

4、目标用户群中多个用户的行为数据确定得到； 将所述目标内容发送给所述用户终端， 以便所述用户终端向所述目标用户展示所述目 标内容。 2.如权利要求1所述的方法， 其特征在于， 所述多个用户群通过以下方式确定得到： 获取多个样本用户的样本信息， 所述样本信息中包括所述多个样本用户的用户标识、 属性信息和行为数据； 对所述样本信息进行量化处理， 得到多个样本数据； 基于无监督的机器学习聚类算法对所述多个样本数据进行学习训练， 得到多类用户， 一类用户对应一个用户群。 3.如权利要求2所述的方法， 其特征在于， 所述无监督的机器学习聚类算法包括K-means算法； 其中， 基于无监督的机器学习聚类算法。

5、对所述多个样本数据进行学习训练， 得到多类 用户， 包括： 将所述多个样本数据中的多个第一样本数据预定义为多个质心； 计算所述多个样本数据中其他样本数据与所述多个质心之间的距离； 根据所述距离， 将其他样本数据与距离最近的质心划分为一组， 得到与多个质心对应 的多个簇； 根据所述多个簇中包括的多个样本数据之间的距离， 重新确定与所述多个簇对应的多 个质心； 循环执行上述步骤， 直至重新确定的多个质心不变或迭代次数达到预设次数时， 得到 多类用户， 一个簇对应一类用户。 4.如权利要求1所述的方法， 其特征在于， 所述目标用户的用户信息中包括所述目标用户的用户标识； 其中， 根据所述目标用户的用。

6、户信息， 从多个用户群中确定所述目标用户所属的目标 用户群， 包括： 根据所述目标用户的用户标识， 从所述多个用户群中查找包括所述用户标识的用户 群， 一个用户群中包括属于所述一个用户群的多个用户的用户标识； 将查找到的用户群确定为所述目标用户所属的目标用户群。 5.如权利要求4所述的方法， 其特征在于， 所述目标用户的用户信息中还包括所述目标用户的属性信息和行为数据； 其中， 在从所述多个用户群中查找包括所述目标用户标识的用户群后， 所述方法还包 括： 权利要求书 1/3 页 2 CN 110751219 A 2 若未查找到包括所述目标用户标识的用户群， 则根据所述目标用户的属性信息和行为 。

7、数据， 基于无监督的机器学习聚类算法确定所述目标用户所属的目标用户群。 6.如权利要求1所述的方法， 其特征在于， 所述目标内容通过以下方式确定得到： 获取所述目标用户群中的多个用户的行为数据； 根据所述行为数据， 确定所述多个用户对多个内容的行为量， 所述行为量包括点击量 和浏览量中的至少一种； 根据所述行为量， 确定所述多个内容各自的热度值， 一个内容对应的行为量越多， 热度 值越高； 根据所述多个内容各自的热度值， 从所述多个内容中确定所述目标内容， 所述目标内 容的热度值高于所述多个内容中其他内容的热度值。 7.如权利要求1所述的方法， 其特征在于， 在将所述目标内容发送给所述用户终端。

8、后， 所述方法还包括： 接收所述目标用户对所述目标内容的目标行为数据， 所述目标行为数据由所述用户终 端在向所述目标用户展示所述目标内容后收集得到； 根据所述目标行为数据， 更新所述目标用户所属的目标用户群。 8.一种内容发送装置， 其特征在于， 包括： 接收单元， 接收来自用户终端的内容请求， 所述内容请求中包括由所述用户终端收集 得到的目标用户的用户信息； 确定单元， 根据所述目标用户的用户信息， 从多个用户群中确定所述目标用户所属的 目标用户群， 所述多个用户群预先基于无监督的机器学习聚类算法对多个样本用户的样本 信息进行学习训练得到； 获取单元， 根据所述目标用户群， 获取所述目标用户。

9、群重点关注的目标内容， 所述目标 内容预先基于所述目标用户群中多个用户的行为数据确定得到； 发送单元， 将所述目标内容发送给所述用户终端， 以便所述用户终端向所述目标用户 展示所述目标内容。 9.一种电子设备， 包括： 处理器； 以及 被安排成存储计算机可执行指令的存储器， 所述可执行指令在被执行时使所述处理器 执行以下操作： 接收来自用户终端的内容请求， 所述内容请求中包括由所述用户终端收集得到的目标 用户的用户信息； 根据所述目标用户的用户信息， 从多个用户群中确定所述目标用户所属的目标用户 群， 所述多个用户群预先基于无监督的机器学习聚类算法对多个样本用户的样本信息进行 学习训练得到； 。

10、根据所述目标用户群， 获取所述目标用户群重点关注的目标内容， 所述目标内容预先 基于所述目标用户群中多个用户的行为数据确定得到； 将所述目标内容发送给所述用户终端， 以便所述用户终端向所述目标用户展示所述目 标内容。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储一个或多个程序， 所述一 权利要求书 2/3 页 3 CN 110751219 A 3 个或多个程序当被包括多个应用程序的电子设备执行时， 使得所述电子设备执行以下操 作： 接收来自用户终端的内容请求， 所述内容请求中包括由所述用户终端收集得到的目标 用户的用户信息； 根据所述目标用户的用户信息， 从多个用户群中确定所述目。

11、标用户所属的目标用户 群， 所述多个用户群预先基于无监督的机器学习聚类算法对多个样本用户的样本信息进行 学习训练得到； 根据所述目标用户群， 获取所述目标用户群重点关注的目标内容， 所述目标内容预先 基于所述目标用户群中多个用户的行为数据确定得到； 将所述目标内容发送给所述用户终端， 以便所述用户终端向所述目标用户展示所述目 标内容。 权利要求书 3/3 页 4 CN 110751219 A 4 一种内容发送方法和装置 技术领域 0001 本申请涉及信息处理领域， 尤其涉及一种内容发送方法和装置。 背景技术 0002 通常， 用户在通过互联网与服务器进行信息交互的过程中， 可以主动请求从服务 。

12、器(例如云服务器)中获取图片、 文本、 视频等内容。 具体地， 用户在想要获取内容时， 可以向 服务器发送内容请求， 服务器在接收到用户的请求后， 可以确定相关内容， 并将相关内容发 送给用户。 0003 目前， 服务器在确定相关内容时， 可以根据用户信息， 预估用户对服务器中不同内 容的点击率， 并将点击率较高的内容发送给用户。 然而， 在实际应用中， 基于上述方法发送 给用户的内容不一定是用户感兴趣的内容， 导致向用户发送的内容的准确度较低。 发明内容 0004 本申请实施例提供一种内容发送方法和装置， 用于解决现有技术中服务器在根据 用户请求向用户发送内容时， 发送的内容准确度较低的问题。

13、。 0005 为了解决上述技术问题， 本申请是这样实现的： 0006 本申请实施例提供一种内容发送方法， 包括： 0007 接收来自用户终端的内容请求， 所述内容请求中包括由所述用户终端收集得到的 目标用户的用户信息； 0008 根据所述目标用户的用户信息， 从多个用户群中确定所述目标用户所属的目标用 户群， 所述多个用户群预先基于无监督的机器学习聚类算法对多个样本用户的样本信息进 行学习训练得到； 0009 根据所述目标用户群， 获取所述目标用户群重点关注的目标内容， 所述目标内容 预先基于所述目标用户群中多个用户的行为数据确定得到； 0010 将所述目标内容发送给所述用户终端， 以便所述用。

14、户终端向所述目标用户展示所 述目标内容。 0011 本申请实施例提供一种内容发送装置， 包括： 0012 接收单元， 接收来自用户终端的内容请求， 所述内容请求中包括由所述用户终端 收集得到的目标用户的用户信息； 0013 确定单元， 根据所述目标用户的用户信息， 从多个用户群中确定所述目标用户所 属的目标用户群， 所述多个用户群预先基于无监督的机器学习聚类算法对多个样本用户的 样本信息进行学习训练得到； 0014 获取单元， 根据所述目标用户群， 获取所述目标用户群重点关注的目标内容， 所述 目标内容预先基于所述目标用户群中多个用户的行为数据确定得到； 0015 发送单元， 将所述目标内容发。

15、送给所述用户终端， 以便所述用户终端向所述目标 用户展示所述目标内容。 说明书 1/14 页 5 CN 110751219 A 5 0016 本申请实施例提供一种电子设备， 包括： 0017 处理器； 以及 0018 被安排成存储计算机可执行指令的存储器， 所述可执行指令在被执行时使所述处 理器执行以下操作： 0019 接收来自用户终端的内容请求， 所述内容请求中包括由所述用户终端收集得到的 目标用户的用户信息； 0020 根据所述目标用户的用户信息， 从多个用户群中确定所述目标用户所属的目标用 户群， 所述多个用户群预先基于无监督的机器学习聚类算法对多个样本用户的样本信息进 行学习训练得到；。

16、 0021 根据所述目标用户群， 获取所述目标用户群重点关注的目标内容， 所述目标内容 预先基于所述目标用户群中多个用户的行为数据确定得到； 0022 将所述目标内容发送给所述用户终端， 以便所述用户终端向所述目标用户展示所 述目标内容。 0023 本申请实施例提供一种计算机可读存储介质， 所述计算机可读存储介质存储一个 或多个程序， 所述一个或多个程序当被包括多个应用程序的电子设备执行时， 使得所述电 子设备执行以下操作： 0024 接收来自用户终端的内容请求， 所述内容请求中包括由所述用户终端收集得到的 目标用户的用户信息； 0025 根据所述目标用户的用户信息， 从多个用户群中确定所述目。

17、标用户所属的目标用 户群， 所述多个用户群预先基于无监督的机器学习聚类算法对多个样本用户的样本信息进 行学习训练得到； 0026 根据所述目标用户群， 获取所述目标用户群重点关注的目标内容， 所述目标内容 预先基于所述目标用户群中多个用户的行为数据确定得到； 0027 将所述目标内容发送给所述用户终端， 以便所述用户终端向所述目标用户展示所 述目标内容。 0028 本申请实施例采用的上述至少一个技术方案能够达到以下技术效果： 0029 本申请实施例提供的技术方案， 服务器可以预先基于无监督的机器学习聚类算法 对多个样本用户的样本信息进行学习训练， 得到多个用户群， 并根据每个用户群中的多个 用。

18、户的行为数据， 确定每个用户群重点关注的内容， 这样， 在接收到来自用户终端的内容请 求时， 可以根据内容请求中包括的目标用户的用户信息， 确定目标用户所属的目标用户群， 并将该目标用户群重点关注的目标内容发送给目标用户。 这样， 由于服务器在接收到用户 的内容请求后向用户发送的内容是用户所属的用户群重点关注的内容， 因此， 更加符合用 户的兴趣爱好， 从而提升向用户发送内容的准确度。 0030 此外， 由于本申请实施例采用的机器学习算法为无监督的机器学习聚类算法， 无 需大量的用户样本， 因此， 通用性较好。 附图说明 0031 为了更清楚地说明本申请实施例或现有技术中的技术方案， 下面将对。

19、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 说明书 2/14 页 6 CN 110751219 A 6 申请中记载的一些实施例， 对于本领域普通技术人员来讲， 在不付出创造性劳动性的前提 下， 还可以根据这些附图获得其他的附图。 0032 图1是本申请的一个实施例内容发送方法的流程示意图； 0033 图2是本申请的一个实施例内容发送方法的流程示意图； 0034 图3为本申请的一个实施例内容发送方法的场景示意图； 0035 图4为本申请实施例提供的一种电子设备的结构示意图； 0036 图5为本申请实施例提供的一种内容发送装置的结构示意图。 具体。

20、实施方式 0037 目前， 用户在主动请求从服务器中获取内容时， 服务器通常根据用户的用户信息， 预估用户对服务器中不同内容的点击率， 并将点击率高的内容发送给用户。 0038 然而， 服务器在预估点击率时， 通常是基于预先训练的模型实现， 该模型是基于大 量用户对不同内容的点击和浏览等情况进行训练得到的， 这样， 基于该模型对某个内容的 点击率进行预估时， 预估得到的点击率能够反映所有用户对该内容的整体点击率， 而在实 际应用中， 不同用户的兴趣爱好各不相同， 当对某个内容预估得到的点击率较高时， 针对某 个用户而言， 不一定是该用户感兴趣的内容， 这样， 在基于预估的点击率向用户发送内容 。

21、时， 就会影响发送的内容的准确度。 0039 为了解决上述技术问题， 本申请实施例提供一种内容发送方法和装置， 该方法包 括： 接收来自用户终端的内容请求， 所述内容请求中包括由所述用户终端收集得到的目标 用户的用户信息； 根据所述目标用户的用户信息， 从多个用户群中确定所述目标用户所属 的目标用户群， 所述多个用户群预先基于无监督的机器学习聚类算法对多个样本用户的样 本信息进行学习训练得到； 根据所述目标用户群， 获取所述目标用户群重点关注的目标内 容， 所述目标内容预先基于所述目标用户群中多个用户的行为数据确定得到； 将所述目标 内容发送给所述用户终端， 以便所述用户终端向所述目标用户展示。

22、所述目标内容。 0040 这样， 由于服务器在接收到用户的内容请求后向用户发送的内容是用户所属的用 户群重点关注的内容， 因此， 更加符合用户的兴趣爱好， 从而提升向用户发送内容的准确 度。 0041 此外， 由于本申请实施例采用的机器学习算法为无监督的机器学习聚类算法， 无 需大量的用户样本， 因此， 通用性较好。 0042 下面结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、 完整地描 述。 显然， 所描述的实施例仅是本申请一部分实施例， 而不是全部的实施例。 基于本申请中 的实施例， 本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例， 都属于本申请保护的范围。。

23、 0043 本申请实施例的应用场景， 可以是用户在进行内容搜索时， 向服务器发送内容请 求， 也可以是用户在请求服务器进行内容推荐时， 向服务器发送内容请求， 这里不做具体限 定。 0044 以下结合附图， 详细说明本申请各实施例提供的技术方案。 0045 图1为本申请实施例提供的一种内容发送方法的流程示意图。 所述方法的执行主 体可以是服务器， 所述方法如下所述。 说明书 3/14 页 7 CN 110751219 A 7 0046 S102： 接收来自用户终端的内容请求， 所述内容请求中包括由所述用户终端收集 得到的目标用户的用户信息。 0047 在S102中， 当目标用户想要主动从服务器。

24、中获取内容时， 可以使用用户终端向服 务器发送内容请求。 0048 本实施例中， 目标用户请求从服务器中获取的内容包括但不限于图片、 文本、 链 接、 视频等内容。 内容请求中可以包括目标用户的用户信息， 该用户信息中可以包括目标用 户的用户标识， 目标用户的属性信息以及目标用户的行为数据等。 0049 其中， 目标用户的属性信息可以包括目标用户的年龄、 性别、 身高、 体重、 工作地、 居住地、 职业、 人种等属性信息， 目标用户的行为数据可以包括目标用户在历史时间段内点 击和浏览的多个内容， 以及对多个内容的点击量和浏览量等， 所述历史时间段可以根据实 际需要确定， 这里不做具体限定。 0。

25、050 上述用户信息可以由目标用户使用的用户终端预先收集得到。 具体地， 在目标用 户使用用户终端的过程中， 用户终端可以收集内部存储的目标用户的个人信息以及目标用 户对用户终端的操作记录(包括但不限于目标用户在用户终端中点击和浏览的内容， 该内 容可以是图片、 文本、 链接和视频等)。 在收集到目标用户的个人信息和对用户终端的操作 记录后， 可以根据目标用户的个人信息确定目标用户的用户标识和属性信息， 根据目标用 户对用户终端的操作记录， 确定目标用户的行为数据。 0051 这样， 在用户终端收集得到目标用户的用户信息后， 当目标用户想要从服务器中 获取内容时， 用户终端可以将收集得到的用户。

26、信息携带在内容请求中， 并向服务器发送内 容请求。 0052 在用户终端向服务器发送携带有用户信息的内容请求后， 服务器可以接收到来自 用户终端的内容请求。 0053 S104： 根据所述目标用户的用户信息， 从多个用户群中确定所述目标用户所属的 目标用户群， 所述多个用户群预先基于无监督的机器学习聚类算法对多个样本用户的样本 信息进行学习训练得到。 0054 在S104中， 服务器在接收到内容请求后， 可以根据内容请求中携带的目标用户的 用户信息， 从多个用户群中确定目标用户所属的用户群， 其中， 为了便于区分， 可以由目标 用户群表示目标用户所属的用户群。 0055 本实施例中， 多个用户。

27、群可以预先基于无监督的机器学习聚类算法对多个样本用 户的样本信息进行学习训练得到， 具体实现方式如下： 0056 首先， 获取多个样本用户的样本信息。 0057 多个样本用户的样本信息中可以包括多个样本用户的用户标识、 属性信息和行为 数据， 其中， 属性信息可以包括样本用户的年龄、 性别、 身高、 体重、 工作地、 居住地、 职业、 人 种等属性信息， 行为数据可以包括样本用户在设定时间段内点击和浏览的多个内容， 以及 对多个内容的点击量和浏览量等， 设定时间段可以根据实际情况确定。 0058 本实施例中， 多个样本用户的样本信息可以由服务器主动从多个用户终端中获取 得到， 其中， 多个样本。

28、用户的样本信息可以由多个用户终端收集得到。 此外， 服务器也可以 接收由不同用户终端主动发送的不同用户的用户信息， 并在接收到不同用户的用户信息 后， 将这些不同的用户视为样本用户， 相应的用户信息视为样本信息。 说明书 4/14 页 8 CN 110751219 A 8 0059 需要说明的是， 由于本申请实施例中服务器是基于无监督的机器学习聚类算法进 行学习训练的， 因此样本用户的数量不需要太多， 即不需要获取大量的样本用户的样本信 息。 0060 其次， 对样本用户的样本信息进行量化处理， 得到多个样本数据。 0061 这里的对样本信息进行量化， 是为了将样本信息转化为可以便于后续进行机。

29、器学 习的样本数据， 具体的量化规则可以根据实际的机器学习所需的样本数据格式而定， 这里 不做具体限定。 0062 例如， 在对样本信息进行量化时， 可以按照以下量化规则进行量化： 0063 规则1： 年龄在1-10岁之间为0， 10-20岁之间为1， 20-30岁之间为,2， 30-40岁之间 为3， 40岁-50岁之间为4， 50-60岁之间为5， ； 0064 规则2： 男为0， 女为1； 0065 规则3： 北京为0， 上海为1， ； 0066 规则4： 服务员为0， 白领为1， ； 0067 规则5： 白色人种为0， 黄色人种为1， 0068 基于上述量化规则， 若样本用户的样本信息。

30、如表1所示： 0069 表1 0070 0071 0072 则， 可以得到如下样本数据： 0073 X1(2,0,0,0,0,0,)、 X2(4,1,1,1,1,1,)、 X3(3,0,1,1,0,0,)、 X4(4,1,0, 0,1,1,)、 X5(3,0,0,0,0,0,)、 X6(2,1,1,1,1,1,)、 。 0074 最后， 基于无监督的机器学习聚类算法对多个样本数据进行学习训练， 得到多类 用户， 一类用户可以对应一个用户群。 0075 本实施例中， 无监督的机器学习聚类算法可以包括K-means算法、 K-modes算法、 FCMC算法和K-medoids算法等。 其中， 由于。

31、K-means算法能够有效地从小规模的数据集中发 现球状类别， 因此， 本实施例中可以优选采用K-means算法对样本数据进行学习训练。 0076 K-means算法(又可以称为K均值算法)是一种迭代算法， 在使用K-means算法对样 本进行学习训练时， 可以随机定义初始的k个簇， 每个簇有一个中心， 称为 “质心” ， k个簇就 有k个质心。 在进行学习训练时， 需要根据样本与质心之间的 “相异度” (衡量相异度的指标 是 “距离” (distance)将样本划分到k个簇中， 划分的过程是迭代的过程， 在迭代过程中， k 说明书 5/14 页 9 CN 110751219 A 9 个簇将被。

32、不断的更新， 并在更新中被优化。 当k个簇无法进一步被优化， 或者达到一定的迭 代次数时， 训练过程停止， 得到训练结果。 0077 本申请实施例中， 服务器在基于K-means算法对多个样本数据进行学习训练时， 具 体可以包括以下步骤： 0078 (1)将多个样本数据中的多个第一样本数据预定义为多个质心。 0079 第一样本数据可以是从多个样本数据中随机选择的两个或更多个(小于样本数据 的总个数， 具体个数可以根据实际情况确定， 这里不做具体限定)样本数据。 0080 (2)计算多个样本数据中其他样本数据与多个质心之间的距离。 0081 在计算其他样本数据与多个质心之间的距离时， 可以将其他。

33、样本数据和多个质心 视为向量， 通过向量之间的距离计算方法， 计算其他样本数据与多个质心之间的距离。 0082 (3)根据计算得到的距离， 将其他样本数据与距离最近的质心划分为一组， 得到与 多个质心对应的多个簇。 0083 具体地， 以其他样本数据中的一个样本数据为例， 在得到样本数据与每个质心之 间的距离后， 可以这些距离进行比较， 确定样本数据距离哪个质心最近， 并将该样本数据与 距离最近的质心划分为一组。 0084 这样， 基于相同的方法， 可以将其他样本数据中每个样本数据分被与距离最近的 质心划分到一组， 最终可以得到与多个质心对应的多个簇。 其中， 一个簇中包括多个样本数 据。 0。

34、085 (4)根据多个簇中包括的多个样本数据之间的距离， 重新确定与多个簇对应的多 个质心。 0086 在重新确定与多个簇对应的多个质心时， 可以基于以下公式实现： 0087其中， j为簇Cj的新的质心， j1,2,3， k， C1至Ck为当前确定得 到的多个簇， x为样本数据。 0088 (5)在重新确定多个簇对应的多个质心后， 可以基于新的多个质心， 循环执行以上 步骤(2)至(4)， 直至重新确定的多个质心不变或迭代次数达到预设次数(可以根据实际情 况确定)为止， 此时的多个簇(多个簇中包括的样本数据在迭代过程中不断更新和变化)即 为最终需要得到的多类用户， 该多类用户即为多个用户群。 。

35、0089 其中， 一个用户群中可以包括多个样本用户， 且该多个样本用户关注的内容的类 型相同， 即具有相同的兴趣标签。 此外， 一个用户群中可以包括多个用户标识， 该多个用户 标识所标识的用户属于该用户群。 0090 可选地， 在训练得到多个用户群后， 可以将多个用户群以及多个用户群各自包括 的多个用户的用户标识存储在服务器中。 这样， 在接收到用户终端的内容请求时， 可以根据 内容请求中携带的目标用户的用户信息， 从预先存储的多个用户群中确定目标用户所属的 目标用户群。 0091 本实施例中， 由于一个用户群中可以包括多个用户标识， 因此， 在确定目标用户所 属的目标用户群时， 优选地， 可。

36、以根据目标用户的用户信息中包括的用户标识， 在多个用户 群中查找包括目标用户的用户标识的用户群， 若存在这样的用户群， 则可以将该用户群作 为目标用户所属的目标用户群。 说明书 6/14 页 10 CN 110751219 A 10 0092 可选地， 若多个用户群中不存在包括目标用户的用户标识的用户群(例如， 服务器 在基于上述方法划分多个用户群时， 并未将该目标用户作为样本用户)， 那么， 为了便于确 定目标用户所属的目标用户群， 本申请实施例可以根据目标用户的用户信息中包括的属性 信息和行为数据， 基于无监督的机器学习聚类算法确定目标用户所属的目标用户群， 其中， 该目标用户群可以是预先。

37、确定的多个用户群中的一个用户群。 具体实现方式可以参见上述 记载的相应内容， 这里不再重复描述。 0093 S106： 根据所述目标用户群， 获取所述目标用户群重点关注的目标内容， 所述目标 内容预先基于所述目标用户群中多个用户的行为数据确定得到。 0094 在S106中， 服务器在确定目标用户所属的目标用户群后， 可以获取目标用户群重 点关注的目标内容。 0095 本实施例中， 目标用户群重点关注的目标内容可以基于目标用户群中的多个用户 的行为数据预先确定得到， 具体实现方式如下： 0096 首先， 获取目标用户群中的多个用户的行为数据。 0097 目标用户群中多个用户的行为数据可以由该多个。

38、用户所使用的用户终端主动发 送给服务器， 也可以由服务器主动从该多个用户所使用的用户终端中获取得到， 这里不做 具体限定。 0098 目标用户群中的多个用户的行为数据可以由用户所使用的用户终端收集得到， 具 体可以包括多个用户在历史时间段内点击和浏览的多个内容， 以及对多个内容的点击量和 浏览量等， 该历史时间段可以根据实际需要确定， 这里不做具体限定。 0099 其次， 根据行为数据， 确定多个用户对多个内容的行为量。 0100 多个内容可以是服务器中的多个内容， 具体可以包括图片、 文本、 链接和视频等， 行为量可以包括点击量和浏览量中的至少一种。 0101 再次， 根据多个用户对多个内容。

39、的行为量， 确定多个内容各自的热度值， 其中， 一 个内容对应的行为量越多， 热度值越高。 0102 在确定多个内容各自的热度值时， 以其中一个内容为例， 可以统计目标用户群中 多个用户对该内容的点击量和浏览量， 并将点击量和浏览量的比值作为该内容的热度值。 0103 或者， 也可以通过其他方法计算内容的热度值。 比如， 可以将内容的点击量和浏览 量的方均根值或加权平均值作为热度值， 也可以结合内容在服务器中的总点击量和总浏览 量确定内容的热度值。 例如， 可以根据目标用户群内多个用户对内容的点击量和浏览量得 到一个热度值， 根据内容在服务器中的总点击量和总浏览量确定一个热度值， 两个热值度 。

40、的加权和作为该内容最终的热度值， 等， 这里不再一一举例说明。 0104 最后， 根据多个内容各自的热度值， 从多个内容中确定目标内容， 其中， 该目标内 容的热度值高于多个内容中其他内容的热度值， 该目标内容的个数可以是一个， 也可以是 多个， 这里不做具体限定。 0105 可选地， 在通过上述方法确定目标用户群重点关注的目标内容后， 可以将目标用 户群重点关注的目标内容存储在服务器中。 这样， 在确定得到目标用户属于目标用户群时， 可以根据目标用户群， 获取预先存储的目标用户群重点关注的目标内容。 0106 S108： 将所述目标内容发送给所述用户终端， 以便所述用户终端向所述目标用户 展。

41、示所述目标内容。 说明书 7/14 页 11 CN 110751219 A 11 0107 在S108中， 服务器在确定目标用户群重点关注的目标内容后， 可以将目标内容发 送给用户终端， 用户终端在接收到目标内容后， 可以将目标内容展示给目标用户， 以实现向 目标用户发送内容的目的。 0108 本实施例中， 由于服务器向目标用户发送的内容， 是目标用户所属的用户群重点 关注的内容， 因此， 发送的内容更加符合用户的兴趣爱好， 从而能够提升发送的内容的准确 度。 0109 可选地， 服务器在将目标内容发送给用户终端， 并由用户终端展示给目标用户后， 用户终端还可以收集目标用户对目标内容的目标行为。

42、数据， 例如， 目标用户是否点击或浏 览了该目标内容。 在收集得到目标行为数据后， 用户终端可以将目标行为数据发送给服务 器， 服务器在接收到目标行为数据后， 可以根据目标行为数据， 更新目标用户所属的目标用 户群。 0110 具体地， 服务器可以将目标用户的属性信息和目标行为数据作为样本信息， 基于 无监督的机器学习聚类算法以及其他样本用户的样本信息， 重新确定目标用户所属的目标 用户群， 具体实现方式可以参见上述记载的相应内容， 这里不再重复描述。 0111 需要说明的是， 服务器还可以定时对多个用户群进行更新， 以更新不同用户所属 的用户群。 具体地， 服务器可以定时地获取多个用户群中的。

43、用户更新后的用户信息(例如最 近一段时间内的用户信息)， 并将更新后的用户信息作为样本信息， 利用无监督的机器学习 聚类算法对这些样本信息进行学习训练， 以对多个用户群中的用户进行重新分群。 0112 这样， 由于服务器可以定时地更新多个用户群， 因此， 在确定目标用户所属的用户 群时， 确定得到的目标用户群更能准确反映目标用户的类别， 进一步地， 在向目标用户发送 内容时， 发送的内容更加符合用户的兴趣爱好， 从而有效提高内容发送的准确度。 0113 此外， 服务器在更新多个用户群后， 还可以对多个用户群重点关注的内容进行更 新。 具体地， 服务器可以获取更新后的多个用户群中多个用户在最近一。

44、段时间内的行为数 据， 根据这些行为数据， 可以基于上述记载的方法重新确定多个用户群重点关注的内容。 这 样， 在向用户群中的用户发送内容时， 推送的内容都是用户群中的用户当前重点关注的内 容， 因此， 更加符合用户当前的需求， 从而提升发送的内容的准确度。 0114 为了便于理解本申请实施例提供的技术方案， 可以参见图2和图3。 图2为本申请的 一个实施例内容发送方法的流程示意图， 图3为本申请的一个实施例内容发送方法的场景 示意图。 0115 图2所示的内容发送方法可以包括以下步骤： 0116 S201： 获取多个用户的用户信息， 用户信息中包括多个用户的用户标识、 属性信息 和行为数据。。

45、 0117 多个用户的用户信息可以由多个用户各自使用的用户终端收集得到， 其中， 多个 用户的属性信息可以包括多个用户的年龄、 性别、 身高、 体重、 工作地、 居住地、 职业、 人种等 属性信息， 行为数据可以包括多个用户在设定时间段内点击和浏览的多个内容(例如图片、 文本、 链接和视频等)， 以及对多个内容的点击量和浏览量等， 设定时间段可以根据实际情 况确定。 0118 在获取多个用户的用户信息时， 可以由服务器主动从多个用户终端获取得到， 也 可以由多个用户终端主动发送给服务器。 说明书 8/14 页 12 CN 110751219 A 12 0119 S202： 对多个用户的用户信息。

46、进行量化处理， 得到多个样本数据。 0120 服务器在获取到多个用户的用户信息后， 可以将多个用户作为样本用户， 将多个 用户的用户信息作为样本信息， 并对多个用户的用户信息进行量化处理， 得到多个样本数 据。 0121 S203： 基于无监督的机器学习聚类算法对多个样本数据进行学习训练， 得到多个 用户群。 0122 在对多个样本数据进行学习训练时， 使用到的无监督的机器学习聚类算法优选为 K-means算法。 在基于K-means算法对多个样本数据进行学习训练时， 具体实现方式可以参 见上述图1所示实施例中记载的相应内容， 这里不再重复描述。 0123 本实施例中训练得到的每个用户群中可以。

47、包括多个用户的用户标识， 一个用户群 中的用户重点关注的内容的类型相同， 即一个用户群中的用户的兴趣标签相同。 0124 可选地， 在得到多个用户群后， 可以将多个用户群以及多个用户群各自包括的用 户标识存储在服务器中。 0125 S204： 根据多个用户群中包括的用户的行为数据， 确定多个用户群各自重点关注 的内容。 0126 以其中一个用户群为例， 在确定用户群重点关注的内容时， 可以根据用户群中包 括的多个用户的行为数据， 确定多个用户对多个内容的行为量， 多个内容包括但不限于图 片、 文本、 视频和链接等， 行为量包括点击量和浏览量中的至少一种。 0127 在得到多个内容的行为量后， 。

48、可以基于行为量， 确定多个内容各自的热度值， 其 中， 一个内容对应的行为量越多， 热度值越高。 在得到多个内容各自的热度值后， 可以选择 其中热度值较高的一个或多个内容作为用户群重点关注的内容。 具体实现方式可以参见图 1所示实施例中记载的相应内容， 这里不再重复描述。 0128 可选地， 在得到多个用户群各自重点关注的内容后， 可以将多个用户群各自重点 关注的内容存储在服务器中。 0129 S205： 接收来自用户终端的内容请求， 内容请求中包括由用户终端收集得到的目 标用户的用户信息。 0130 在S205中， 当目标用户想要主动从服务器中获取内容时， 可以使用用户终端向服 务器发送内容。

49、请求。 内容请求中携带的用户信息可以包括目标用户的用户标识， 属性信息 以及行为数据等， 具体可以参见图1所示的S102中记载的目标用户的用户信息。 0131 S206： 根据目标用户的用户标识， 在多个用户群中查找是否存在目标用户群。 0132 目标用户群为S203中的一个用户群， 且目标用户群中包括目标用户的用户标识。 若存在目标用户群， 则可以执行S208； 若不存在， 则可以执行S207。 0133 S207： 根据目标用户的属性信息和行为数据， 确定目标用户所属的目标用户群。 0134 这里可以基于无监督的机器学习聚类算法， 通过对目标用户的属性信息和行为数 据进行学习训练， 确定目。

50、标用户所属的目标用户群， 该目标用户群可以是预先确定的多个 用户群中的一个用户群。 0135 S208： 根据目标用户所属的目标用户群， 获取目标用户群重点关注的目标内容。 0136 目标用户群重点关注的目标内容已预先确定得到， 这里只需要将预先确定得到的 目标内容获取即可。 说明书 9/14 页 13 CN 110751219 A 13 0137 S209： 将目标内容发送给用户终端， 以便用户终端将目标用户展示给目标用户。 0138 可选地， 用户终端在展示目标内容后， 还可以收集目标用户对目标内容的目标行 为数据， 并将目标行为数据发送给服务器， 以便服务器根据目标行为数据更新目标用户所。