技術領域

本發明涉及移動互聯網領域，更具體的，涉及一種移動互聯網內容的用戶偏好推送方法與裝置。?

背景技術

傳統的電信系統以語音為主，基本不考慮閱讀內容形式的處理，因此無法支撐互聯網內容偏好的分析；而現有的內容分析技術以文本處理技術為主，需要深入到信息主體進行關鍵字匹配等文本識別處理，才能分析出用戶的具體內容偏好。這種方案對于運營商上億級用戶量，無論是開發還是維護，都需要投入大量的資源。?

根據當前互聯網內容分析相關的學術論文和項目建設調研，總結現有的系統或方案，主要存在以下幾個缺點：?

首先是技術較為復雜，開發難度高。傳統的方案是需要利用爬蟲技術抓取一定量的文本內容，然后利用關鍵字匹配技術對文本進行分類。對于爬蟲技術和文本分類技術，雖然在學術界已經是一個熱門課題，但其技術大部分基于理論，對于移動互聯網業務應用，其實際的開發難度較高、開發周期較長。?

其次是資源要求較高，推廣成本高。根據某省份的項目建設經驗，為了實現全省的互聯網內容分析，需要配置4臺爬蟲服務集群服務器，4臺分析服務集群服務器，6臺搜索服務器集群，還有至少28T的存儲空間，而且這些服務器還和其現有的運營平臺有直接的依賴，其推廣成本很高，加上技術復雜，其推廣可行性變得更低。?

然后是分析層面單一，偏好識別的可信度和健壯性較低。由于互聯網內容提供商經常會通過采用內容捆綁、彈出頁面、自動跳轉等各種手段來達到增加訪問流量的目的，因此各種日志信息中包含了大量的噪聲，用戶閱讀的內容中也會包含很多非用戶真實偏好的具體內容。現有的分析主要建立在用戶手機上?網的閱讀的網頁內容上，其分析得到的用戶內容偏好是包含噪聲的內容偏好，其可信任程度較低。另外，網頁分類精確度容易受到網頁形式變化（如分類名稱關鍵字的修改）的影響，而且其內容偏好標簽的含義隨著內容形式也會對應變化，現有技術依賴關鍵字識別等技術來對內容進行分類，分析出來的偏好相對狹義，其健壯性較低。實際上，更健壯的內容偏好應該是建立在多個不同性質，甚至是不同粒度的業務內容的分析之上的。?

最后是應用范圍較窄，業務拓展的實時效率較低。即使平臺分析出的用戶偏好是非常精確的，但對于不同性質或不同粒度的業務（如拓展到其他如手機游戲、全曲音樂等的內容業務時），甚至是同一業務增加新的內容分類時（如手機上網增加新網站或新內容分類時），現有技術需要積累一定量的用戶之后，才能利用這些內容偏好標簽分析存量用戶的行為特征，進而開發專門的潛在用戶挖掘模型，一方面應用范圍較窄，而另一方面，對于內容發展如此迅速的互聯網時代，現有技術的實時效率較低。在應用層面，更好的內容偏好分析系統設計，應該是能充分考慮并解決新增業務或內容時潛在用戶的拓展問題。?

根據上述分析，可以發現，現有技術中存在互聯網內容用戶的偏好信息獲取及推送存在困難的問題。?

發明內容

本發明提供一種移動互聯網內容的用戶偏好推送方法與裝置，用于解決現有技術中存在互聯網內容用戶的偏好信息獲取及推送存在困難的問題。?

為實現上述目的，根據本發明的第一個方面，提供一種移動互聯網內容的用戶偏好推送方法，并采用以下技術方案：?

移動互聯網內容的用戶偏好推送方法包括：基于用戶的訪問行為獲取所述用戶訪問的第一信息；對所述第一信息中所述用戶所涉及的網絡內容進行分類處理，得到第二信息；根據所述第二信息對所述用戶的偏好進行評分，得出所述用戶的偏好信息；根據所述偏好信息向相應的用戶推送與所述偏好信息相對應的網絡內容。

進一步地，所述基于用戶的訪問行為獲取所述用戶訪問的第一信息包括：根據所述用戶的訪問行為從移動互聯網的服務器中得到所述用戶訪問的基礎?數據；根據所述基礎數據獲取所述用戶訪問的業務內容，并根據所述基礎數據的增加，對所述業務內容進行擴展，生成所述第一信息。?

進一步地，所述對所述第一信息中用戶所所涉及的網絡內容進行分類處理包括：基于用戶的訪問行為獲取所述用戶訪問的第一信息；判斷所述第一信息中每一業務內容是否具有預設的第一分類規則，并得一判斷結果；對所述判斷結果為具有所述第一分類規則的業務內容，按照所述第一分類規則對所述業務內容進行分類；對所述判斷結果為不具有所述第一分類規則的業務內容，按照第二分類規則對所述業務內容進行分類；根據所述第二信息對所述用戶的偏好進行評分，得出所述用戶的偏好信息。?

進一步地，所述第二分類規則為臨時構建的分類規則，且所述構建的方法參照所述第一分類規則的構建方法。?