基于互联网的产品推送系统的生产技术
国内推送方案
国内推送方案随着移动互联网的快速发展，传统的推送方式已经不能满足用户对实时信息获取的需求。
为了满足用户的需求，国内推送方案不断进行创新和优化。
本文将介绍国内推送方案的基本原理、应用场景以及相关技术。
一、国内推送方案的基本原理国内推送方案基于服务器和移动设备之间的通信，通过服务器将信息实时推送到用户的移动设备上。
其基本原理主要包括以下几个方面：1. 注册设备：用户下载并安装相关的推送应用后，需要将设备注册到推送服务器上。
这样服务器才能知道该设备的唯一标识，并将推送的信息发送给该设备。
2. 服务器端推送：当有新的信息需要推送时，服务器会根据设备的注册信息，将信息发送到指定的设备上。
这个过程是通过服务器端的推送引擎实现的，可以根据设备的不同特点进行个性化定制。
3. 设备端接收：设备接收到推送信息后，根据用户的设定进行处理。
可以是在通知栏展示、弹出通知弹窗等形式。
二、国内推送方案的应用场景国内推送方案被广泛应用于各个行业，以下是一些常见的应用场景：1. 社交应用：社交应用是国内推送方案的主要应用场景之一。
通过推送，用户可以及时收到好友的消息、评论和点赞等通知。
2. 新闻资讯：新闻资讯类应用通过推送用户可以及时获取到感兴趣的新闻、文章等信息，让用户不错过任何重要的资讯。
3. 电子商务：电子商务应用可以通过推送通知用户促销活动、订单状态变化等信息，提升用户的购物体验和互动性。
4. 游戏应用：游戏应用通过推送可以及时通知用户游戏更新、活动奖励等信息，增加用户的参与度和粘性。
5. 物流配送：物流配送行业可以利用推送技术快速将订单状态、派送进展等信息推送给用户，提升物流信息的实时性和准确性。
三、国内推送方案的相关技术为了实现高效、稳定的推送服务，国内推送方案采用了一系列技术手段，主要包括以下几个方面：1. 推送协议：国内推送方案通常采用HTTP或者TCP等协议进行数据传输。
HTTP 协议相对简单，但是实时性不高；而TCP协议可以保证信息的可靠传输和实时性，但是相对复杂一些。
制造业中的工业互联网实践案例
制造业中的工业互联网实践案例随着信息技术的快速发展和数字化转型的推进，工业互联网作为一种新兴的技术手段，正逐渐在制造业中得到广泛应用。
本文将通过介绍几个工业互联网实践案例，探讨其在制造业领域中的应用和优势。
案例一：智能制造车间某汽车制造企业引入工业互联网技术，建设智能制造车间，实现了生产过程的数字化管理和智能化控制。
通过在生产线上设置传感器和监控设备，收集生产过程中的各种数据，并通过云计算技术进行大数据分析和处理。
企业通过工业互联网平台，实现了全流程的实时监控和远程控制，可以随时了解生产情况，并及时进行调整。
这不仅提高了生产效率和质量，还减少了人力资源的浪费和能源资源的消耗。
案例二：智能物流系统一家电子产品制造企业引入工业互联网技术，优化了物流系统。
通过物联网技术和RFID标签，实现了对物流环节的全程跟踪和实时管控。
企业通过工业互联网平台，实时监测货物的位置、温度、湿度等信息，实现了物流过程的可视化管理。
此外，通过云平台的智能调度和路径规划，实现了物流车辆的智能调度和优化，减少了运输时间和成本。
这一物流系统的升级不仅提高了物流的效率和准确性，还增强了企业对整个供应链的可控性和竞争力。
案例三：智能产品质量检测一家电子器件制造企业引入工业互联网技术，改进了产品的质量检测过程。
通过在生产线上设置传感器和检测设备，实时监测和采集产品的各项指标和性能数据。
通过工业互联网平台与品质管理系统的对接，实现了产品质量信息的实时传输和分析。
当产品出现异常时，系统能够及时发出预警并进行故障诊断，提高了产品的可追溯性和质量稳定性。
企业通过这种方式，不仅提高了产品的合格率和一致性，还降低了质检成本和人为错误的风险。
综上所述，工业互联网在制造业中的实践案例表明，通过引入新技术，推动数字化转型，可以实现生产过程的智能化、信息的透明化和资源的优化利用。
工业互联网的应用不仅提高了制造业的效率和质量，还提升了企业的竞争力和可持续发展能力。
推荐系统与个性化推送算法
推荐系统与个性化推送算法随着互联网技术的飞速发展和大数据的兴起，推荐系统逐渐成为各大平台不可或缺的一部分。
推荐系统是一种能够根据用户的个人兴趣和行为习惯，为其提供个性化的信息、产品或服务的技术。
而个性化推送算法则是推荐系统中的核心算法之一，它能够根据用户的历史数据和特征，将最相关和最合适的内容或物品推荐给用户。
推荐系统在电子商务、社交媒体、音乐、视频、新闻等领域都有着广泛的应用。
例如，亚马逊的推荐系统能够根据用户的浏览记录和购买历史，为其推荐可能感兴趣的商品。
社交媒体平台如Facebook和Instagram，都会根据用户的点赞、评论和关注信息，向用户推荐可能感兴趣的用户和内容。
而音乐和视频流媒体平台如Spotify和Netflix，则会根据用户的听歌或观影历史，为其推荐相似风格的音乐和电影。
个性化推送算法的实现有多种方法和技术。
其中，基于协同过滤的算法常被应用于推荐系统中。
协同过滤是一种根据用户行为数据来识别用户偏好的方法，它可以将用户分组为具有相似偏好的群体，然后根据这些群体的喜好推荐内容。
通过分析用户历史数据，推荐系统可以找到与用户偏好相似的其他用户，并将这些用户喜欢的内容推荐给目标用户。
除了协同过滤，基于内容的推荐算法也是个性化推送的重要方法之一。
基于内容的推荐算法是根据物品的属性和特征，将相似的物品推荐给用户。
例如，在新闻推荐系统中，系统会通过分析新闻文章的关键词、分类、时间等属性，将与用户兴趣相关的新闻推送给用户。
这种方法能够根据用户对不同属性的偏好，进行精准的个性化推荐。
另外，深度学习也被广泛应用于个性化推送算法中。
深度学习通过构建多层神经网络，并利用大量的训练数据，能够自动地学习用户和物品之间的复杂关系。
例如，在电影推荐系统中，系统可以通过深度学习算法，将用户的历史观影记录和电影的属性进行学习和匹配，从而推荐与用户兴趣相符的电影。
然而，推荐系统也存在一些问题和挑战。
首先，冷启动问题是指在推荐系统初始阶段，由于缺乏用户的行为数据，系统无法有效地为用户提供个性化推荐。
智能推荐系统的设计与实现
智能推荐系统的设计与实现智能推荐系统是一种利用人工智能和大数据技术为用户提供个性化推荐服务的系统。
随着互联网的迅猛发展以及数据量的不断增加，智能推荐系统在各个领域的应用也越来越广泛。
本文将介绍智能推荐系统的基本原理、设计流程以及实现方法。
一、智能推荐系统的基本原理智能推荐系统是一种基于协同过滤、关联挖掘以及自然语言处理等技术实现的个性化推荐系统。
其基本原理可以归纳为三个方面：1.数据采集和处理。
智能推荐系统需要收集用户的历史行为数据和个人信息，如浏览记录、搜索记录、购买记录、社交网络等。
通过对数据的预处理和清洗，为模型建立提供可靠的数据支持。
2.算法建模和分析。
智能推荐系统需要通过机器学习、深度学习和聚类等算法构建模型，对用户行为进行分析和提炼，为后续推荐做出准确的判断和预测。
3.推荐评估和优化。
智能推荐系统需要对推荐结果进行评估和优化，以提高推荐效果并满足用户需求。
二、智能推荐系统的设计流程智能推荐系统的设计流程主要包括以下几个环节：1.需求分析和用户画像。
明确系统的目标和功能需求，并根据用户的个人信息和行为建立用户画像，为后续推荐策略做出准确的定向。
2.数据采集和处理。
收集用户的历史数据并进行预处理和清洗，构建用户行为和偏好模型。
3.算法建模和分析。
通过机器学习和深度学习等技术构建模型，对用户行为进行分析和挖掘，提取出用户的潜在兴趣和需求。
4.推荐策略和算法选择。
根据用户画像和挖掘结果选择合适的推荐策略和算法，比如协同过滤、分类算法和基于内容分析等策略。
5.推荐结果生成和展现。
根据用户需求和偏好生成推荐结果，以用户友好的方式呈现，如推荐列表、推荐图谱、推荐标签等。
6.推荐效果评估和优化。
根据用户反馈和推荐效果进行评估，并不断优化算法和推荐策略，提高推荐效果和用户满意度。
三、智能推荐系统的实现方法智能推荐系统是一种高度复杂的技术，其实现需要运用多种技术和工具。
下面我们将介绍几种常见的实现方法：1.基于Python语言和机器学习框架的实现方法。
电商平台中的推荐系统技术
电商平台中的推荐系统技术随着电商平台的不断发展，推荐系统技术已经成为了众多电商企业不可或缺的一部分。
推荐系统技术不仅可以帮助消费者快速找到自己需要的产品，同时也可以促进电商平台的销售。
今天的文章将会深入探讨电商平台中的推荐系统技术，并对其原理和应用进行分析，希望能为大家更好地理解这一技术提供一些帮助。
一、推荐系统技术的原理推荐系统技术的本质就是通过对用户行为数据、商品属性数据、社交关系数据进行智能分析，从而预测用户会对哪些商品感兴趣以及如何以最佳的方式向用户推荐相关的产品。
在实际应用中，推荐系统技术一般分为两种类型：基于内容的推荐和基于协同过滤的推荐。
基于内容的推荐是指根据用户的历史购买记录和商品描述等信息，预测用户对新产品的需求。
例如，当用户在购买了一台电视之后，系统就会自动推荐一些与电视相关的产品（如音响、影碟等），帮助用户快速找到自己所需要的商品。
而基于协同过滤的推荐则是通过分析用户之间的关系和行为习惯等数据，推荐与该用户购买历史类似的其他用户所喜欢的商品，从而推导出该用户会对哪些商品感兴趣。
例如，当用户在购物车里放了一件衬衫之后，系统就会自动推荐一些与该衬衫类似的其他衣服。
二、推荐系统技术的应用现代电商平台中的推荐系统技术已经成为了必不可少的一部分。
随着互联网和移动互联网的发展，越来越多的消费者开始在网上购买商品。
而对于这些消费者而言，时间是宝贵的，他们不愿意在网上花费太多时间去搜寻需要的商品。
因此，推荐系统技术的出现大大降低了消费者的搜索时间，提升了购物的便利性。
在电商平台中，推荐系统技术不仅可以促进销售，还可以提高用户粘性。
当推荐系统能够准确地引导用户，帮助他们找到所需要的商品，用户就会更加愿意在该电商平台上购物。
此外，推荐系统也可以提高电商平台的转化率，提高企业的盈利能力。
三、推荐系统技术的发展趋势如今，推荐系统技术正在发生着快速的变化，从简单的基于内容的推荐和基于协同过滤的推荐，向更加智能、个性化的推荐方向发展。
电商平台的智能推荐系统
电商平台的智能推荐系统近年来，随着互联网技术的迅猛发展，电子商务变得越来越普及。
为了满足消费者需求并提供更好的购物体验，不少电商平台开始采用智能推荐系统。
本文将介绍电商平台智能推荐系统的定义、作用、实现方式以及优势和挑战。
一、定义电商平台的智能推荐系统是基于用户行为数据和商品信息，利用机器学习、数据挖掘等技术，通过算法将最有可能符合用户兴趣的商品或服务推荐给用户的系统。
其目的是提高用户购物体验、减少信息过载，并最大程度上提高商品销售量。
二、作用电商平台的智能推荐系统具有以下几个重要作用：1. 个性化推荐：智能推荐系统能够根据用户历史行为数据和偏好，推荐与其兴趣相关的商品或服务，增加用户购买的可能性。
2. 信息过滤：电商平台上存在大量的商品和信息，用户难以筛选和比较。
智能推荐系统可以根据用户需求和喜好，过滤掉用户不感兴趣的信息，减少信息过载。
3. 提高销售：通过智能推荐系统，电商平台能够根据用户喜好，提供更加精准的推荐，增加用户购买的动力，从而提高销售额。
三、实现方式电商平台的智能推荐系统可以通过以下方式来实现：1. 协同过滤算法：该算法基于用户历史行为和其他相似用户的行为，推荐给用户可能感兴趣的商品。
2. 基于内容的推荐：该算法基于商品的属性和用户历史行为，推荐用户与其兴趣相关的商品。
3. 混合推荐：综合利用协同过滤和基于内容的推荐，提供更加准确的个性化推荐。
四、优势和挑战电商平台智能推荐系统的实施带来了很多优势，同时也面临一些挑战。
1. 优势：（1）提高用户购物体验，减少信息过载，提升用户满意度。
（2）增加商品销售量，提高电商平台的盈利能力。
（3）为用户提供个性化的推荐，节省用户搜索时间，提高购买效率。
2. 挑战：（1）隐私问题：智能推荐系统需要收集用户的行为数据和个人信息，如何保护用户隐私是一大挑战。
（2）算法准确性：智能推荐系统需要通过算法分析用户行为和商品信息，算法的准确性对推荐结果质量影响很大。
电子商务平台的推荐系统设计与实现
电子商务平台的推荐系统设计与实现随着市场竞争日益激烈，企业寻求着更为有效的方式来吸引用户、促成交易。
而作为电商平台的重要组成部分，推荐系统正在逐步成为电商企业的核心竞争力。
各大电商平台都在不断探索和提高推荐系统的效果，希望能够提升用户体验和交易成功率。
本文将从设计和实现两个角度来分析电商平台的推荐系统。
设计：1. 数据获取推荐系统的设计首先需要考虑数据来源。
数据是推荐系统的基础，影响着推荐效果的好坏。
电商平台可以收集很多数据，如用户浏览记录、购买记录、搜索记录、评价记录等。
根据这些数据，平台可以清晰了解用户的兴趣爱好、需求特点等，从而进行更为精准的推荐和个性化服务。
2. 算法选择在选择算法时，需要根据实际情况来选用不同类型的算法。
目前常见的算法有基于内容的推荐算法、基于协同过滤的算法、混合推荐算法等。
其中，基于协同过滤的算法应用最为广泛。
在电商领域，常用的是基于用户-商品的协同过滤算法。
这种算法利用了用户对商品的评价、购买、浏览等历史行为数据，通过相似度分析、矩阵分解等方法来推荐商品。
3. 特征选择特征选择是推荐系统的另一个重要环节，关系到推荐系统的精度。
电商平台可以根据业务需求挑选自己需要的特征。
一般来说，电商平台需要考虑以下特征：商品属性、用户属性、环境特征等。
4. 推荐策略推荐策略是指推荐系统的核心逻辑和决策方式。
电商平台可以根据不同的业务需求，制定不同的推荐策略。
例如，在新用户推荐方面可以采用热门商品推荐策略，而在老用户推荐方面则可以采用个性化推荐策略。
此外，还可以根据用户的行为实时调整推荐策略，提高推荐精度。
实现：1. 技术框架推荐系统的实现需要使用到多种技术和工具，如分布式计算框架、机器学习框架、数据库等。
在选择技术框架时，需要考虑实现效率、运行稳定性和扩展性等因素。
目前常见的技术框架有Hadoop、Spark、TensorFlow等。
2. 数据处理推荐系统的实现涉及到大量数据处理工作。
手机智能推送系统的设计与应用研究
手机智能推送系统的设计与应用研究随着智能手机的普及和互联网技术的发展，手机智能推送系统的设计和应用成为了研究的热点之一。
手机智能推送系统是一种基于用户个性化需求和上下文信息的推送技术，它能根据用户的喜好、地理位置、使用习惯等相关信息，为用户提供个性化的推送内容，提高用户体验和信息获取效率。
本文将探讨手机智能推送系统的设计原理，分析其应用价值，并介绍相关研究和未来发展方向。
一、手机智能推送系统的设计原理手机智能推送系统的设计原理主要包括用户建模、信息过滤和推荐算法三个方面。
1. 用户建模：首先，手机智能推送系统需要对用户进行建模和个性化描述，以更好地了解用户的喜好和需求。
用户建模可以通过收集用户的行为数据、兴趣标签、社交网络信息等多种方式实现，从而建立用户画像，包括用户兴趣、地理位置、上网时间等信息。
2. 信息过滤：其次，根据用户建模结果，手机智能推送系统需要进行信息过滤，将海量的信息进行筛选和排序，只将符合用户需求和兴趣的内容推送给用户。
信息过滤主要基于用户的个性化需求和上下文信息进行，通过机器学习、数据挖掘等技术，对用户兴趣进行分析和预测，从而实现精准推送。
3. 推荐算法：最后，手机智能推送系统需要利用推荐算法为用户提供个性化的推荐内容。
推荐算法可以根据用户的历史行为数据、兴趣标签等信息，结合协同过滤、内容推荐等技术，为用户推荐相关、有价值的内容。
推荐算法的准确性和效率是手机智能推送系统设计的关键。
二、手机智能推送系统的应用价值手机智能推送系统在多个领域都有着广泛的应用价值。
1. 新闻资讯推送：手机智能推送系统可以根据用户的兴趣和地理位置信息，为用户提供个性化的新闻资讯推送。
用户不再需要自己搜索和筛选新闻，手机智能推送系统可以根据用户的需求和上下文信息，推送用户感兴趣的新闻内容，提高用户的信息获取效率。
2. 应用推荐：手机智能推送系统可以根据用户的应用使用习惯和兴趣，为用户推荐相关的应用程序。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
本技术公开一种基于互联网的产品推送系统，解决了现有的推送平台对应消费者对该产品浏览时间很长，进行产品推送，消费者已查看产品，导致对消费者推送不准确以及无脑发送产品推送信息，容易招致消费者反感乃至卸载购物平台的问题，包括数据采集模块、服务器、数据库、产品分析模块、推送分析模块、产品推送模块、分享任务模块、分享计算模块和推送度分享模块；产品推送模块通过服务器获取消费者的选中推送产品并在推送时间段内向消费者对应的推送购物平台内发送产品的推送产品信息；从而实现了产品的精准推送；通过推送度计算，可以了解消费者对推送产品信息的接受程度，当推送度小于设定阈值时，则停止向该消费者推送产品。
权利要求书1.一种基于互联网的产品推送系统，其特征在于，包括数据采集模块、服务器、数据库、产品分析模块、推送分析模块、产品推送模块、分享任务模块、分享计算模块和推送度分享模块；所述数据采集模块用于采集消费者信息和推送产品信息；所述数据采集模块将采集的消费者信息和推送产品信息发送至服务器并在数据库内进行存储；所述产品分析模块用于获取消费者信息和推送产品信息并分析得到推送的产品，具体分析步骤如下：步骤一：将推送产品与消费者浏览的产品进行匹配获取得到相同推送产品，并将其标记为Ci,i＝1、……、n；步骤二：将浏览的产品的浏览时间记为TCi；将相同推送产品的销量记为XCi；步骤三：利用公式获取得到相同推送产品的推送值TSCi；其中，h1，h2为预设比例系数；步骤四：选取推送值最大的相同推送产品并将其标记为选中推送产品；步骤五：产品分析模块将选中推送产品发送至服务器内进行存储；所述推送分析模块用于计算消费者推送的时间和购物平台；具体分析步骤入下：S1：设定消费者登录的购物平台记为Ai,i＝1……n；消费者登录购物平台的登录时刻记为T1jAi,退出时刻记为T2jAi,j＝1……n；S2：统计消费者在购物平台的消费总额并标记为MAi；S3：统计每天消费者在购物平台的登录时刻和退出时刻，选取消费者在该购物平台次数最多的时间段，并将该时间段标记为推送时间段；S4：利用求和公式获取得到消费者在购物平台的登录总时长TAi；S5：利用公式获取得到消费者使用的购物平台Ai的选中值YXAi；其中，d1和d2均为预设比例系数；λ为修正系数，取值为0.39234123；S6：选取选中值最大的购物平台为消费者的推送购物平台；所述推送分析模块将消费者的推送时间段和推送购物平台发送至产品推送模块；所述产品推送模块通过服务器获取消费者的选中推送产品并在推送时间段内向消费者对应的推送购物平台内发送产品的推送产品信息。
2.根据权利要求1所述的一种基于互联网的产品推送系统，其特征在于，所述推送度分析模块用于通过服务器获取数据库内存储的消费者打开推送产品信息的次数以及对应的打开时间、关闭时间和未打开次数并计算消费者的推送度，具体计算步骤如下：步骤一：设定推送产品信息的推送时间记为T1k,k＝1、……、f；消费者打开的时刻T21k，打开后关闭的时刻记为T22k；直接关闭的时刻记为T3k；当T3k超过推送时间的设定阈值时刻，则为T3k的时刻取值为设定预设时刻；步骤二：设定推送产品信息的推送次数记为f,对推送次数进行分类，获取到打开次数f1，直接关闭次数f2，其中，f1+f2＝f；步骤三：设定直接关闭值记为Gi，i＝2……f；且G2<……<Gf；步骤四：统计推送次数中连续次数Li，i＝2……f；其中，L2表示连续两次直接关闭的次数，Lf表示连续f次连续关闭的次数；步骤五：利用公式获取得到消费者的推送度TD，其中g1、g2、g3均为预设比例系数，ρ为干扰因子，取值为2.323；步骤六：当推送度TD大于设定阈值，则生成推送指令，当推送度TD小于推送小于设定阈值，则生成关闭指令；步骤七：推送度分析模块将消费者对应的推送指令和关闭指令发送至产品推送模块；所述产品推送模块接收到推送指令，则将消费者的选中推送产品在推送时间段内向消费者对应的推送购物平台内发送产品的推送产品信息；产品推送模块接收到关闭指令，则停止向消费者对应的购物平台推送产品信息。
3.根据权利要求1所述的一种基于互联网的产品推送系统，其特征在于，所述分享任务模块用于消费者将推送的推送产品信息分享至其他消费者，分享计算模块消费者采集消费者将推送的推送产品信息分享至其他消费者的分享次数以及其他消费者的浏览时长并计算消费者的产品优惠折扣值；具体计算过程如下：a：当消费者将推送的推送产品信息分享至其他消费者同时其他消费者点击推送产品信息，则分享次数加一，同时，采集其他消费者的点击推送产品信息的时刻和关闭点击推送产品的时刻；b：设定消费者的分享次数记为m；设定其他消费者点击推送产品信息的时刻记为T1q，关闭点击推送产品的时刻记为T2q，q＝1、……、m；c：利用公式获取得到消费者的产品优惠折后值YHS；其中a1、a2和a3均为预设比例系数值；d：分享计算模块将计算的消费者的产品优惠折后值发送至服务器并在数据库内进行存储。
4.根据权利要求1所述的一种基于互联网的产品推送系统，其特征在于，所述消费者信息包括消费者使用的购物平台、购物平台的消费总金额、购物平台的登录时间和关闭时间、消费者浏览的产品和产品的浏览时间、消费者打开推送产品次数以及对应的打开时间和打开时长；推送产品信息包括推送的产品、产品信息简介、推送产品的销量和产品优惠折后值。
技术说明书一种基于互联网的产品推送系统技术领域本技术涉及互联网产品推送技术领域，尤其涉及一种基于互联网的产品推送系统。
背景技术随着互联网时代的快速发展，线上交易已经渐渐融入人们的生活，其通过线上交易平台实现，而商品推送是最常见的运营手段，它是最高效触达和影响用户的渠道之一，好是能即刻提高各类运营指标，坏是容易招致用户反感乃至卸载。
在专利CN106408375A一种线上商品推送系统，虽然实现了能够识别在交易平台中浏览商品相关信息的顾客的购买意向，并判断向其提供详细的商品相关信息的必要性，但存在的不足：消费者对该产品浏览时间很长，再进行产品推送，消费者已查看产品，对消费者造成干扰，导致对消费者推送不准确的问题。
技术内容本技术的目的在于提供一种基于互联网的产品推送系统；本技术通过推送分析模块分析消费者使用购物平台的时间段以及结合消费者在购物平台的消费总额得到消费者的推送的购物平台和推送时间段，产品推送模块通过服务器获取消费者的选中推送产品并在推送时间段内向消费者对应的推送购物平台内发送产品的推送产品信息；从而实现了产品的精准推送；通过推送度计算，可以了解消费者对推送产品信息的接受程度，当推送度小于设定阈值时，则停止向该消费者推送产品。
本技术所要解决的技术问题为：(1)如何通过对消费者的浏览产品的时间进行分析，结合浏览产品的销量得到向消费者推送的产品并进行精准推送，解决了现有的技术无法根据用户浏览时间进行合理推送，避免消费者对该产品浏览时间很长，再进行产品推送，消费者已查看产品，导致对消费者推送不准确的问题。
(2)如何根据消费者对推送产品的浏览时长以及关闭次数进行分析，并分析推送次数中连续次数，得到消费者的推送度，通过推送度计算，可以了解消费者对推送产品信息的接受程度，解决了现有技术中无脑发送产品推送信息，容易招致消费者反感乃至卸载购物平台的问题。
本技术的目的可以通过以下技术方案实现：一种基于互联网的产品推送系统，包括数据采集模块、服务器、数据库、产品分析模块、推送分析模块、产品推送模块、分享任务模块、分享计算模块和推送度分享模块；所述数据采集模块用于采集消费者信息和推送产品信息；所述数据采集模块将采集的消费者信息和推送产品信息发送至服务器并在数据库内进行存储；所述产品分析模块用于获取消费者信息和推送产品信息并分析得到推送的产品，具体分析步骤如下：步骤一：将推送产品与消费者浏览的产品进行匹配获取得到相同推送产品，并将其标记为Ci,i＝1、……、n；步骤二：将浏览的产品的浏览时间记为TCi；将相同推送产品的销量记为XCi；步骤三：利用公式获取得到相同推送产品的推送值TSCi；其中，h1，h2为预设比例系数；步骤四：选取推送值最大的相同推送产品并将其标记为选中推送产品；步骤五：产品分析模块将选中推送产品发送至服务器内进行存储；所述推送分析模块用于计算消费者推送的时间和购物平台；具体分析步骤入下：S1：设定消费者登录的购物平台记为Ai,i＝1……n；消费者登录购物平台的登录时刻记为T1jAi,退出时刻记为T2jAi,j＝1……n；S2：统计消费者在购物平台的消费总额并标记为MAi；S3：统计每天消费者在购物平台的登录时刻和退出时刻，选取消费者在该购物平台次数最多的时间段，并将该时间段标记为推送时间段；S4：利用求和公式获取得到消费者在购物平台的登录总时长TAi；S5：利用公式获取得到消费者使用的购物平台Ai的选中值YXAi；其中，d1和d2均为预设比例系数；λ为修正系数，取值为0.39234123；S6：选取选中值最大的购物平台为消费者的推送购物平台；所述推送分析模块将消费者的推送时间段和推送购物平台发送至产品推送模块；所述产品推送模块通过服务器获取消费者的选中推送产品并在推送时间段内向消费者对应的推送购物平台内发送产品的推送产品信息。
所述推送度分析模块用于通过服务器获取数据库内存储的消费者打开推送产品信息的次数以及对应的打开时间、关闭时间和未打开次数并计算消费者的推送度，具体计算步骤如下：步骤一：设定推送产品信息的推送时间记为T1k,k＝1、……、f；消费者打开的时刻T21k，打开后关闭的时刻记为T22k；直接关闭的时刻记为T3k；当T3k超过推送时间的设定阈值时刻，则为T3k的时刻取值为设定预设时刻；步骤二：设定推送产品信息的推送次数记为f,对推送次数进行分类，获取到打开次数f1，直接关闭次数f2，其中，f1+f2＝f；步骤三：设定直接关闭值记为Gi，i＝2……f；且G2<……<Gf；步骤四：统计推送次数中连续次数Li，i＝2……f；其中，L2表示连续两次直接关闭的次数，Lf表示连续f次连续关闭的次数；步骤五：利用公式获取得到消费者的推送度TD，其中g1、g2、g3均为预设比例系数，ρ为干扰因子，取值为2.323；步骤六：当推送度TD大于设定阈值，则生成推送指令，当推送度TD小于推送小于设定阈值，则生成关闭指令；步骤七：推送度分析模块将消费者对应的推送指令和关闭指令发送至产品推送模块；所述产品推送模块接收到推送指令，则将消费者的选中推送产品在推送时间段内向消费者对应的推送购物平台内发送产品的推送产品信息；产品推送模块接收到关闭指令，则停止向消费者对应的购物平台推送产品信息。