技术特征：
1.一种基于模型隐式多目标融合的消息推送方法，其特征在于，所述方法包括：获取消息推送各个目标子流程的样本数据；各个目标子流程按照时间顺序排列，每个目标子流程为前面目标子流程的后置流程和/或为后面目标子流程的前置流程；根据后置流程的样本数据训练第一模型，根据前置流程的样本数据训练第二模型，所述第一模型的样本信息隐式融入于第二模型中；所述前置流程的样本数据中包括：硬标签和所述第一模型输出的软标签；将前置流程的预测数据输入所述第二模型中得到预测结果；根据所述预测结果进行消息推送。2.根据权利要求1所述的方法，其特征在于，获取单个目标子流程的样本数据包括：获取滑动窗口内的样本数据；在滑动窗口内检测触发目标子流程事件的触发时刻；根据目标子流程所处的位置及所述触发时刻为样本数据标注标签；更新滑动窗口。3.根据权利要求2所述的方法，其特征在于，若目标子流程处于后置流程，根据所述触发时刻为样本数据标注标签；若目标子流程处于前置流程，根据所述触发时刻为样本数据标注硬标签和软标签。4.根据权利要求3所述的方法，其特征在于，触发时刻对应样本数据的硬标签标注为1，软标签softlabel为：其中：t为模型参数，x为样本数据对应的预测硬标签；非触发时刻对应样本数据的硬标签标注为0，软标签为0。5.根据权利要求4所述的方法，其特征在于，消息推送的时间序列为：{t0，t1，
…
，tn-k，
…
，tn}；若终端在ti时刻触发前置流程事件并在tn时刻触发后置流程事件，且ti～tn时刻共推送消息m次，则模型参数t＝m。6.根据权利要求2所述的方法，其特征在于，所述根据前置流程的样本数据训练第二模型包括：配置第一模型和第二模型的模型参数相同；将前置流程的样本数据输入第二模型得到预测软标签；根据标注的软标签和预测软标签计算第一损失函数；配置第二模型的模型参数为1；将前置流程的样本数据输入第二模型得到预测硬标签；根据标注的硬标签和预测硬标签计算第二损失函数；基于所述第一损失函数和第二损失函数更新第二模型的参数。7.一种基于模型隐式多目标融合消息推送装置，其特征在于，所述装置包括：获取模块，用于获取消息推送各个目标子流程的样本数据；各个目标子流程按照时间顺序排列，每个目标子流程为前面目标子流程的后置流程和/或为后面目标子流程的前置流程；
训练模块，用于根据后置流程的样本数据训练第一模型，根据前置流程的样本数据训练第二模型，将第一模型的样本信息隐式融入第二模型中；所述前置流程的样本数据中包括：硬标签和所述第一模型输出的软标签；预测模块，用于将前置流程的预测数据输入所述第二模型中得到预测结果；推送模块，用于根据所述预测结果进行消息推送。8.根据权利要求7所述的装置，其特征在于，所述获取模块包括：子获取模块，用于获取滑动窗口内的样本数据；检测模块，用于在滑动窗口内检测触发目标子流程事件的触发时刻；标注模块，用于根据目标子流程所处的位置及所述触发时刻为样本数据标注标签；更新模块，用于更新滑动窗口。9.根据权利要求8所述的装置，其特征在于，若目标子流程处于后置流程，所述标注模块根据所述触发时刻为样本数据标注标签；若目标子流程处于前置流程，所述标注模块根据所述触发时刻为样本数据标注硬标签和软标签。10.根据权利要求9所述的装置，其特征在于，若所述目标子流程处于前置流程，所述标注模块将触发时刻对应样本数据的硬标签标注为1，软标签softlabel为：其中：t为模型参数，x为样本数据对应的预测硬标签；将非触发时刻对应样本数据的硬标签标注为0，软标签为0。11.根据权利要求10所述的装置，其特征在于，消息推送的时间序列为：{t0，t1，
…
，tn-k，
…
，tn}；若终端在ti时刻触发前置流程事件并在tn时刻触发后置流程事件，且ti～tn时刻共推送消息m次，则模型参数t＝m。12.根据权利要求8所述的装置，其特征在于，所述训练模块包括：第一配置模块，用于配置第一模型和第二模型的模型参数相同；第一输入模块，用于将前置流程的样本数据输入第二模型得到预测软标签；第一计算模块，用于根据标注的软标签和预测软标签计算第一损失函数；第二配置模块，用于配置第二模型的模型参数为1；第二输入模块，用于将前置流程的样本数据输入第二模型得到预测硬标签；第二计算模块，用于根据标注的硬标签和预测硬标签计算第二损失函数；更新模块，用于基于所述第一损失函数和第二损失函数更新第二模型的参数。13.一种电子设备，包括：处理器；以及存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1至6中任一项所述的方法。14.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现权利要求1至6中任一项所述的方法。
技术总结
本发明公开了一种基于模型隐式多目标融合的消息推送方法及装置，所述方法包括：获取消息推送各个目标子流程的样本数据；各个目标子流程按照时间顺序排列，每个目标子流程为前面目标子流程的后置流程和/或为后面目标子流程的前置流程；根据后置流程的样本数据训练第一模型，根据前置流程的样本数据训练第二模型，将第一模型的样本信息隐式融入第二模型中；将前置流程的预测数据输入第二模型中得到预测结果；根据预测结果进行消息推送。本发明能规避多个业务目标间样本不均衡的问题，实现端到端，降低推送系统的复杂性；并且训练得到第二模型的预测值直接反馈了多个业务目标权衡后的综合值，从多个业务目标指导消息推送，从而提高消息推送效果。从而提高消息推送效果。从而提高消息推送效果。
技术研发人员：张金鹏 王耀宣 费浩峻
受保护的技术使用者：上海淇玥信息技术有限公司
技术研发日：2022.11.14
技术公布日：2023/3/31