CN102033883B - 一种提高网站数据传输速度的方法、装置及系统 - Google Patents

Abstract

本发明公开了一种提高网站数据传输速度的方法，包括：确定用户登录网站系统后，根据该用户浏览网站时的操作行为获得相应的特征属性集合，再根据所述特征属性集合在预设的规则库中获取与该特征属性集合相匹配的至少一条规则，并根据该至少一条规则筛选出与该规则约束的场景相对应的至少一条广告，再向所述用户投放该至少一条广告；监测用户针对所述至少一条广告的投放产生的操作行为，并将收集的相关参数转化为相应的规则对所述规则库进行更新。这样，令规则库的更新进化实时地基于广告投放效果来实现，具有实现代价小，周期短和优化速度快等优点。本发明同时公开了一种广告投放管理装置和一种广告投放管理系统。

Description

一种提高网站数据传输速度的方法、装置及系统

技术领域

本发明涉及网络技术领域，特别涉及一种提高网站数据传输速度的方法、装置及系统。

背景技术

目前，随着互联网服务种类的日益丰富，网站服务器向客户端传输的数据量越来越大，例如：各种图文数据、语音数据、视频数据等。如此大量的网站数据在同一时间传输给客户端时，将会导致网络数据传输速度的急剧下降，甚至造成整个网站的瘫痪。以网络广告为例，网络广告可以迅速向用户群传达商家信息，激发用户的购买欲，因此，在用户浏览某一网站时，通常该网站服务器会向用户客户端传输一些网络广告数据，若有大量的用户在同一时间浏览该网站，该网站服务器将会在同一时刻向用户客户端传输大量的广告数据，导致网络数据传输速度的减慢，甚至造成网站服务器瘫痪。为了降低网络广告数据的传输对网络传输速度造成的影响，现有技术下，常常通过减少向用户客户端传输的广告数据量来达到提高网站数据传输速度的效果，然而，盲目的减少广告数据量无疑会降低广告的投放效果。如何能在保证广告投放效果的基础上，而又能提高网站广告的传输数据成为亟待解决的一个重要问题。

发明内容

本发明实施例提供一种提高网站数据传输速度的方法、装置及系统，用以在保证广告投放效果的基础上，减少广告投放时传输的数据量。

本发明实施例提供的具体技术方案如下：

一种提高网站数据传输速度的方法，包括：

根据用户浏览网站时的操作行为获得相应的特征属性集合，再根据所述特征属性集合在预设的规则库中获取与该特征属性集合相匹配的至少一条规则；

根据获得的至少一条规则筛选出与该规则约束的场景相对应的至少一条广告，并向所述用户投放该至少一条广告；

监测用户针对所述至少一条广告的投放产生的操作行为，并将收集的相关参数转化为相应的规则对所述规则库进行更新。

一种用于提高网站数据传输速度的装置，包括：

获取单元，用于根据用户浏览网站时的操作行为获得相应的特征属性集合，再根据所述特征属性集合在预设的规则库中获取与该特征属性集合相匹配的至少一条规则；

第一处理单元，用于根据获得的至少一条规则筛选出与该规则约束的场景相对应的至少一条广告，并向所述用户投放该至少一条广告；

第二处理单元，用于监测用户针对所述至少一条广告的投放产生的操作行为，并将收集的相关参数转化为相应的规则对所述规则库进行更新。

一种用于提高网站数据传输速度的系统，包括：

规则库，用于保存用以搜索广告的各种规则；

广告投放管理装置，用于根据用户浏览网站时的操作行为获得相应的特征属性集合，以及根据所述特征属性集合在预设的规则库中获取与该特征属性集合相匹配的至少一条规则，再根据获得的至少一条规则筛选出与该规则约束的场景相对应的至少一条广告，并向所述用户投放该至少一条广告，以及监测用户针对所述至少一条广告的投放产生的操作行为，并将收集的相关参数转化为相应的规则对所述规则库进行更新。

本发明实施例中，为了对好的投放经验进行积累，引入了规则库的概念，它针对广告投放后带来的诸多效果，依据投放关联的诸多因素进行分类，并对每一类别的投放效果中较好的部分进行统计归纳，总结出每类投放中较优的一些投放匹配规则，规则库的建立和进化均直接依据于广告投放效果，广告投放效果的有所变化，将会通过规则库及时地反应在其保存的用于指导广告选择的各类规则上，使得广告的选择完全依赖于其投放效果，也使得规则库的更新进化实时地基于广告投放效果来实现，令各种规则的优化得以自动化和实时化，具有实现代价小，周期短和优化速度快等优点。这样，便无需盲目地减少广告投放量，而是根据用户的实际需求有目的有针对性的投放相应的广告，而减少不必要广告的投放量，从而在保证广告投放效果的基础上，减少了网站广告在投放时传输的数据量，提高了系统的数据传输速度，进而提升了网站的服务质量。

附图说明

图1为本申请实施例中广告投放管理系统体系架构图；

图2为本申请实施例中广告投放管理装置功能结构图；

图3为本申请实施例中基于广告投放效果对广告投放进行管理流程图。

具体实施方式

为了，本申请实施例中，采用基于广告效果的规则库来支持广告的投放策略的选择，以提高网站数据的传输速度。其具体为：用于管理广告投放的装置根据用户浏览网站时的操作行为获得相应的特征属性集合(如，用户当时浏览网页的场景——包括浏览的时段，浏览的网页ID和广告位ID以及用户标识ID等等)，并根据所述特征属性集合在预设的规则库中获取与该特征属性集合相匹配的至少一条规则，再根据获得的至少一条规则筛选出与该规则约束的场景相对应的至少一条广告，并向所述用户投放该至少一条广告，以及监测用户针对所述至少一条广告的投放产生的操作行为，并将收集的相关参数转化为相应的规则对所述规则库进行更新。其中，所述特征属性集合用于描述用户浏览时间的特殊性、浏览的网页和广告的特性、用户的长期兴趣偏好及用户浏览网站时最近的操作行为意图偏好等等。这样，便无需盲目地减少广告投放量，而是根据用户的实际需求有目的有针对性的投放相应的广告，而减少不必要广告的投放量，从而在保证广告投放效果的基础上，减少了网站广告在投放时传输的数据量，提高了系统的数据传输速度，进而提升了网站的服务质量。

所谓广告效果，即是指广告被投放之后，用于衡量其受用户欢迎程度的指标，包含多种预设参数，例如，用户点击率，到达目标页面以后的浏览量，注册量，收藏量，购买量等诸多指标。

规则库：是指从过去广告投放后带来的效果中，依据投放关联的诸多因素分类，对每一类别的投放效果较好的投放进行统计归纳，总结出来每类广告投放较优的一些投放匹配规则的总集合，针对该规则库，需要实时地不断进行遗传进化的经验积累，并利用积累的经验指导日后的广告投放。

下面结合附图对本申请优选的实施方式进行详细说明。

参阅图1所示，本申请实施例中，用于管理广告投放以提高网站数据传输速度的系统包括规则库10和广告投放管理装置11，其中

规则库10，用于保存用以搜索广告的各种规则，是所有广告投放策略实施经验的积累，并始终进行着实时进化更新。规则库10中各种规则的积累使得实施效果好的广告投放策略得以保存，从而为后续的操作提供了宝贵的经验。本实施例中，在制定投放广告的广告投放策略时，综合考虑了影响广告投放效果的所有类型的因子，一次性的进行广告投放策略的选取，保证了广告投放策略的全局最优。例如：在为一例广告选择广告投放策略时，根据当时的广告位、投放场景、浏览用户的兴趣和近期浏览行为等特征数据来设置其广告投放策略中的各种参数，如，投放时间，投放次数等等。

广告投放管理装置11，用于根据用户浏览网站时的操作行为获得相应的特征属性集合，以及根据所述特征属性集合在预设的规则库中获取与该特征属性集合相匹配的至少一条规则，再根据获得的至少一条规则筛选出与该规则约束的场景相对应的至少一条广告，并向所述用户投放该至少一条广告，以及监测用户针对所述至少一条广告的投放产生的操作行为，并将收集的相关参数转化为相应的规则对所述规则库进行更新。

本申请实施例中，在选择广告投放策略时，可以查找历史上相同或是相似投放实例所采用的广告投放策略作为参考数据，再对此类投放实例的广告效果对应的投放规则按照投放效果分数从大到小的顺序进行排序，找出最优效果的几则广告投放策略及相应的广告特征参数，并对这些广告特征参数进行适当概率的组合变异或是扩展变异，然后依据变异后的广告特征参数选出符合条件的备选广告，并依据投放效果的综合评分对各备选广告进行概率竞选操作，筛选出最终被投放的广告，接着，对投放的广告进行实时的跟踪，监测其投放效果，最后依据投放效果当前选择的广告投放策略作出调整和更新，积累好的投放模式，摒弃差的投放模式，从而使广告投放策略得以优化。这样，即减少了网络广告在网络中传输的数据量，又可以收到很好的广告投放效果。

参阅图2所示，本申请实施例中，广告投放管理装置11包括获取单元110、第一处理单元111和第二处理单元112，其中，

获取单元110，用于根据用户浏览网站时的操作行为获得相应的特征属性集合，再根据所述特征属性集合在预设的规则库中获取与该特征属性集合相匹配的至少一条规则。

第一处理单元111，用于根据获得的至少一条规则筛选出的与该规则约束的场景相对应的至少一条广告，并向所述用户投放该至少一条广告；

第二处理单元112，用于监测用户针对所述至少一条广告的投放产生的操作行为，并将收集的相关参数转化为相应的规则对所述规则库进行更新。

本申请实施例中，在上述规则库10中，一条规则由下列几种数据向量构成，包括：

A、广告位特征向量(记为F_a)，包含的分量有：广告位对应的网站频道(记为F_a ¹)、广告位类目(记为F_a ²)、广告位所在网页的类目(F_a ³)、广告位所在网页的关键词(F_a ⁴)。上述各参量的关系可以表示为： $F_a=(F_a^1,F_a^2,F_a^3,F_a^4).$

B、广告位投放场景特征向量(记为F_b)，包含的分量有：投放时段(记为F_b ¹)、日期类型(记为F_b ²)、季节(记为F_b ³)、时事标记(记为F_b ⁴)，其中，时事标记用于标注最近是否有大事，所谓大事的类型包含但不限于：地震，政治，经济，高考，医疗等等。上述各参量的关系可以表示为： $F_b=(F_b^1,F_b^2,F_b^3,F_b^4).$

本发明实施例中，将向量F_a连接向量F_b生成的新向量F_ab＝(F_a，F_b)，称为广告位向量，该向量描述了广告投放时不依赖于用户的整体投放影响因素。

C、用户自然属性和历史长期的兴趣行为特征向量(记为F_c)，包含的分量有：用户性别(记为F_c ¹)、用户年龄段(记为F_c ²)、用户兴趣(记为F_c ³，即用户日常的上网规律，分节假日，时段)、用户购物兴趣(记为F_c ⁴，即用户日常浏览和购买的货品类目)、用户喜欢的关键词(记为F_c ⁵)、用户品牌倾向(记为F_c ⁶)、用户消费档次(记为F_c ⁷，即用户浏览和购买的货品的价格段)、用户商家倾向(记为F_c ⁸)、用户地域(记为F_c ⁹)和用户信用度(记为F_c ¹⁰)。上述各参量的关系可以表示为： $F_c=(F_c^1,F_c^2,{\mathrm{\Λ},F}_c^{10},)$

D、用户近期实时的浏览和购物特征向量(记为F_d)，包含的分量有：短期和当前点击广告类目(记为F_d ¹)、短期和当前浏览货品类目(记为F_d ²)、短期和当前购买货品类目(记为F_d ³)、短期和当前点击广告位类目(记为F_d ⁴)、短期和当前浏览网页类目(记为F_d ⁵)。上述各参量的关系可以表示为： $F_d=(F_d^1,F_d^2,\mathrm{\Λ},F_d^5).$

本发明实施例中，将向量F_c连接向量F_d生成的新向量F_cd＝(F_c，F_d)称为用户特征向量，代表用户自身长短期特征属性，也称为用户特征属性向量。

E、广告位广告投放策略特征向量(记为F_e)，包含的分量有广告投放策略(记为F_e ¹)和相应的配置参数(记为F_e ²)。其中，广告投放策略，是广告在展现时使用的投放方式，如，采用关键词-内容匹配算法投放、采用用户-行为匹配算法投放或者按照广告效果投放；而与广告投放策略相对应的配置参数，可以包含用户ID和广告关键词等等。上述各参量的关系可以表示为： $F_e=(F_e^1,F_e^2)$

F、被投放的广告特征向量(记为F_f)，包含的分量有：广告产品类型(记为F_f ¹)、广告类目(记为F_f ²)、广告展现形式(记为F_f ³，即图文，文字链，或者flash)、广告内容自定义参数(记为F_f ⁴，即用于点击搜索的关键词等)、广告的竞价关键词(记为F_f ⁵)、广告的竞价价格(记为F_f ⁶)、广告主的信誉度(记为F_f ⁷)、广告货品的品牌(记为F_f ⁸)、广告货品的价格段(记为F_f ⁹)、广告商家类型(记为F_f ¹⁰)、广告商家地域(记为F_f ¹¹)。上述各参量的关系可以表示为： $F_f=(F_f^1,F_f^2,\mathrm{\Λ},F_f^{11})$

本申请实施例中，将向量F_a，F_b，F_c，F_d，F_e，F_f连接生成新向量F＝(F_a，F_b，F_c，F_d，F_e，F_f)，该向量就是用于制定广告投放策略的规则库的具体描述。

G、广告效果归一化指标向量(记为F_g)，包含的分量有：点击率(记为F_g ¹)、点击收入(记为F_g ²)、引入流量(记为F_g ³)、收藏数(记为F_g ⁴)、成交金额(记为F_g ⁵)、佣金金额(记为F_g ⁶)、成交率(记为F_g ⁷)和注册率(记为F_g ⁸)

通过向量F_g，我们就可以计算用于描述广告投放效果的分数S，S的计算公式如下：

$S=\underset{i=1}{\overset{8}{\mathrm{\Σ}}}{w}_i\×\mathrm{Norm}\left(F_g^i\right),$

其中， $\underset{i=1}{\overset{8}{\mathrm{\Σ}}}{w}_i=1,$ w_i被称为权重系数； $\mathrm{Norm}\left(F_g^i\right)=100\×(F_g^i/\stackrel{\‾}{F_g^i}),$ 是归一函数，将F_g ⁱ转化为0-100之间的数值。

所以S的范围是0-100，权重系数w_i由管理人员根据经验值预先设置的，例如，确认点击率F_g ¹是用于衡量广告投放效果的最重要因素，那么可以预设w₁＝1，则 $S=1\×\mathrm{Norm}\left(F_g^1\right)+\underset{i=2}{\overset{8}{\mathrm{\Σ}}}0\×\mathrm{Norm}\left(F_g^i\right)=\mathrm{Norm}\left(F_g^1\right),$ 又例如，确认F_g的所有分量都一样重要，那么，可以预设w_i＝1/8＝0.125。总之w_i越趋近数值1，则表示F_g ⁱ对应的分量在衡量广告投放效果中的权重越大。

本申请实施例中，将向量F_a，F_b，F_c，F_d，F_e，F_f，F_g连接成新向量F_stat＝(F_a，F_b，F_c，F_d，F_e，F_f，F_g)，将向量F_stat称为广告投放效果统计指标向量。

基于上述参数设置，下面以一个具体的应用场景为例进行详细说明。假设初始选择投放的广告有三个，分别称为广告A、广告B和广告C。在这三则广告投放一段时间后，系统在某用户登录网站时，需要根据这三则广告的投放效果来确定选择哪一个广告向登录用户进行投放。

本实施例中，假设规则库中的预设规则和用户访问情景如下：

三则广告A，B，C：

广告A：广告产品MP3，广告产品价格＜1000元，店主信用200分，广告采用图片展现，选择关键词精确匹配投放，竞价价格0.3元。

广告B：广告产品触屏手机，广告产品价格＞2000无，店主信用500分，广告采用flash展现，选择关键词模糊匹配投放，竞价价格0.8元。

广告C：广告产品玩偶，广告产品价格＜100元，店主信用30分，广告采用图片展现，选择关键词模糊匹配投放，竞价价格1元。

上述各广告由管理人员在网络侧发布，预先存储在数据库中，由广告搜索引擎获得，

而对应上述三条广告，在规则库中预设了以下6条规则：

1、R1＝(男性用户，对数码感兴趣，收入中上，最近购买触屏手机，经常访问新闻类广告，点击的广告是MP3，广告产品价格＜2000元，广告投放时段为周末，投放该广告的广告主信用大于20分，广告采用flash展现，广告采用关键词精确方式投放，0.2元＜点击竞价收入均价＜0.4元)。

2.R2＝(男性用户，对运动装备感兴趣，收入未知，最近购买旱冰鞋，经常访问博客类广告位，点击的广告是触屏手机，广告品价格＞2000元，广告投放时段是周末上午，投放该广告的广告主信用大于300分，广告采用flash展现，广告采用关键词模糊方式投放，0.3元＜点击竞价收入均价＜1元)

3、R3＝(男性用户，对运动装备感兴趣，无收入(学生)，最近购买香水，经常访问动漫类广告位，点击的广告是玩偶，广告品价格＜100元，广告投放时段是工作日晚上，投放该广告的广告主信用大于20分，广告采用图片展现，广告采用关键词模糊方式投放，0.3元＜点击竞价收入均价＜1.3元)。

4、R4＝(女性用户，对运动装备感兴趣，收入高端，最近购买香水，经常访问新闻类广告位，点击的广告是触屏手机，广告产品价格＞5000元，广告投放时段是工作日上午，投放该广告的广告主信用大于500分，广告采用图片展现，广告采用关键词精确方式投放，0.3元＜点击竞价收入均价＜1.3元)

5、R5＝(女性用户，对玩偶感兴趣，收入中，最近购买MP3，经常访问博客类广告位，点击的广告是玩偶，广告产品价格＜100元，投放时段是周末晚上，投放该广告的广告主信用大于30分，广告采用图片展现，广告采用关键词精确方式投放，0.5元＜点击竞价收入均价＜0.8元)。

6、R6＝(女性用户，对装饰物感兴趣，收入中上，最近购买MP3，经常访问动漫类广告位，点击的广告是触屏手机，广告产品价格＞2000元，投放时段是周末上午，投放该广告的广告主信用大于300分，广告采用图片展现，广告采用关键词模糊方式投放，0.5元＜点击竞价收入均价＜0.8元)

基于上述规则，假设用户访问情景如下：

情景1：(用户U1，在周末上午，经常访问新闻类广告位)

情景2：(用户U2，在工作日晚上，经常访问博客类广告位)

情景3：(用户U3，在工作日上午，经常访问新闻类广告位)

广告投放管理装置11根据上述三种场景，收集用户的访问信息，并将该访问信息存储在网站日志中，并在对网站日志加以分析后，提取出各用户的特征属性集合。

那么，可以获得这三个用户的特征属性集合，分别为：

用户U₁的特征属性是(男性，对数码感兴趣，收入中上，最近购买触屏手机

用户U₂的特征属性是(女性，对玩偶装备感兴趣，收入中，最近购买MP3)

用户U₃的特征属性是(女性，对运动装备感兴趣，收入高，最近购买触屏手机)。

那么，参阅图3所示，本申请实施例中，广告投放管理装置11基于广告投放效果对广告投放进行管理的详细流程如下：

步骤300：确定某用户登录网站系统后，根据该用户浏览网站时的操作行为获得相应的特征属性集合，并根据该特征属性集合在预设的规则库中选择相匹配的规则，该规则用于选择符合所述用户的特征属性的备选广告。

例如，对于用户U₁的访问(男性，对数码感兴趣，收入中上，最近购买触屏手机，访问时段在周末上午，经常访问新闻类广告位)，通过函数H_similarity(U₁，F_i)可以计算规则库10中所有规则和U₁的相似度数值，然后对相似度数值进行倒排序，根据设定的阈值，取排名在TopX的规则，这些规则就是在规则库中找到的与用户U1的特征属性相同或者相似的规则。

$H_{\mathrm{similarity}}(x,y)=\underset{i}{\mathrm{\Π}}\underset{j}{\mathrm{\Σ}}\mathrm{sim}(\mathrm{Norm}\left(x_i^j\right),\mathrm{Norm}\left(y_i^j\right)),$

其中，x，y∈F，F＝(F_a，F_b，F_c，F_d，F_e，F_f)，i取值[a，f]，F₀～F_f为规则库中预设的用于描述各类广告属性的集合，F₀～F_f用于组建F_i，j为F_i中包含的分量。当然，上述F＝(F_a，F_b，F_c，F_d，F_e，F_f)仅为一种举例，实际应用中，若基于实际应用环境，增加了更多定义的向量集合，如F＝(F₁，F₂，……，F_n)，F_a，F_b，F_c，F_d，F_e，F_f是其中的六种，则上述公式 $H_{\mathrm{similarity}}(x,y)=\underset{i}{\mathrm{\Π}}\underset{j}{\mathrm{\Σ}}\mathrm{sim}(\mathrm{Norm}\left(x_i^j\right),\mathrm{Norm}\left(y_i^j\right))$ 同样适用，其中，x，y∈F，F＝(F₁，F₂，……，F_n)，i取值[1，n]，F₀～F_n为规则库中预设的用于描述各类广告属性的集合，F₀～F_n用于组建F_i，j为F_i中包含的分量。

经过采用检索函数H_similarity，针对用户U1可以选中规则R1：(男性用户，对数码感兴趣，收入中上，最近购买触屏手机，经常访问新闻类广告位，点击的广告是MP3，广告产品价格＜2000元，投放时段是周末，投放该广告的广告主信用大于10分，广告采用flash展现，广告采用关键词精确方式投放，0.2元＜点击竞价收入均价＜0.4元)。

实际应用中，最终选择的规则可以是一条，也可以是多条，本申请实施例中，假设选中的与登录用户的用户特征集合相匹配的规则为R4，R5，R6。

步骤310：根据选中的规则筛选出相应的备选广告。

例如，假设选中的与用户特征集合相匹配的规则为R4，R5，R6，那么接着，将用户ID和从选中的规则中提取的关键词作为参数，传递给广告搜索引擎，由广告搜索引擎根据获得的参数搜索出相应的备选广告。本实施例中，假设广告搜索引擎根据选中的规则R4、R5和R6，筛选出相应的备选广告分别为广告A、广告B和广告C。

步骤320：对获得的备选广告进行概率竞选。

本申请实施例中，采用以下方式对备选广告进行概率竞选：

将根据规则R4、R5和R6筛选出的备选广告表示为：A_i ^j，其中，i是对应的规则下标，j表示具体获得的备选广告数量，本实施例中，i的取值是4，5，6。那么，所有筛选出的备选广告展开如下：

$\begin{array}{c}{R}_4\\ R_5\\ R_6\end{array}=\begin{array}{}\end{array}\left(\begin{array}{ccc}{A}_4^1& & A_4^j\\ A_5^1& \mathrm{\Λ}& A_5^j\\ A_6^1& & A_6^j\end{array}\right)$

概率竞选步骤如下：

根据计算的概率竞选评分H_result的数值，对选择的规则Ri进行倒排序，采用的函数是H_result(x，y)＝e^βS×H_similarity(x，y)，其中，β为预设的效果膨胀因子，初始设为1，管理人员可以根据β参数选取的测试效果来优化，S为y对应的规则的效果分数，x，y∈F_abcd，F_abcd＝(F_a，F_b，F_c，F_d)，x表示用户特定访问对应的广告位向量F_ab和用户特征向量F_cd的连接向量，归属于F_abcd，y表示选定的规则R中的广告位分量F_ab和用户特征分量F_cd的连接向量，也归属于F_abcd。

对排序完的Ri进行TopX(排名前X的结果)选取，再针对选取的TopX，确定相应的备选广告，此处，假设X＝2，那么最终确定选取的规则就是R4、R5，而相应的备选广告即是广告A和广告B，表示为A₄ ^j，A₅ ^j，将此广告集合简记为Ad。

最后，针对集合Ad再次进行随机抽样，抽样数目为Y(依据系统的参数设定，假设Y＝1)，那么，最终得到的概率竞选结果可以是广告A，也可以是广告B。

步骤330：对最终选中的广告进行投放展现。

步骤340：监测用户针对最终投放的广告的操作行为，并根据收集的广告投放效果数据对规则库10进行更新。

在上述步骤340中，在对最终选中的广告进行投放展现后，进而在步骤350中对投放产生的日志进行实时记录收集。日志记录的主要内容包含但不限于：用户id，访问时间，点击的广告位，浏览的广告位，收藏的产品等。

在与投放时间相隔一段时间后，对上述广告的投放效果进行计算，具体为计算广告的投放效果数据(包括效果分数S和支持度N)，再根据计算出的广告投放效果数据，对规则库10中保存的规则进行更新，本申请实施例中，对规则库10进行更新时包括两种操作：1、根据广告投放效果数据提取出对应的新规则添加至规则库10中，2、根据广告投放效果数据对规则库10中现有的规则进行优化。

所谓提取即是指将大量出现(即概率大于某个阈值)的广告效果统计指标向量F_stat转化为规则。

例如，用户U在某个时间段T，访问了特定的一个网页W，网页上的广告位P，该广告位P上展现的是广告A，用户看见广告A后，点击了广告A的链接，进入广告A进行推广的产品详情页P，接着购买了该详情页P上的产品I，并收藏了产品J。用户的这一系列的操作行为，会被系统记录为：(U，T，W，P，A，I，J)，详见前述的集合C和集合D；

接着，把记录下的用户U的一系列操作行为通过分析整理，对应保存为该用户的特征属性集合。包括：T转化成对应的投放的时段Ti、投放的季节Ts、是否有重大节日Tf等等；

再把W和P通过广告用户关系管理(Customerrelationshipmanagement，CRM)系统中的广告位数据和已有广告搜索引擎中的广告位文本数据，转化成规则库10需要的广告位特征数据集合，详见前述的集合A；

最后，通过广告CRM系统中的广告数据，以及通过广告客户推广产品系统，获取A和I的详细属性，从而将二者合并后转化为被投放的广告特征数据(详见前述的集合F)

因而，用户的一系列操作行为(U，T，W，P，A，I，J)将被转换为前述的广告效果统计指标向量F_stat。

然后根据公式

$S=\underset{i=1}{\overset{8}{\mathrm{\Σ}}}{w}_i\×\mathrm{Norm}\left(F_g^i\right),$

计算广告效果统计指标向量F_stat的效果分数S_new和F_stat的支持度N_new，当S_new＞设定的阈值，并且N_new＞设定的阈值时，若F_stat不存在于规则库10中，则将F_stat作为提取出的新规则选取进入规则库10，这样便完成了新规则的提取。

若F_stat已存在于规则库10中，则将规则库10中原有保存的向量F_stat的效果分数记录为S_old，支持度记录为N_old，接着，依据下述公式计算合并效果分数：

S_合＝α×S_old+(1-α)S_new

N_合＝β×N_old+(1-β)N_new

根据计算结果，若S合＞设定阈值，以及N合＞设定阈值，则将规则库10中原有保存的规则F_stat的S_old更新为S合，将N_old更新为N合；若S合＜设定阈值，或者N合＜设定阈值，则将对应的规则F_stat从规则库10中删除，这样，便完成了对已有规则的优化。

上述支持度N的计算函数为Support(x)： $\mathrm{Support}\left(x\right)=\frac{\left|x\right|}{\left|\mathrm{SetF}\right|},$ x∈F_stat，其中，设某一个时间段里面，记录的F_stat向量集合记为SetF，X∈F_stat。

另一方面，在上述实施例中，为了在执行步骤300后，较佳地，还需要对选中的规则进行遗传变异，以在规则库10中添加新的规则。可以对选中的规则都进行遗传变异，也可以对选中的规则进行随机抽样，对抽取到的规则进行遗传变异。

本申请实施例中，可以采用的遗传变异方式包含但不限于：使用遗传算法对步骤300中选取的规则进行交叉变异，其具体为：

假设进行遗传变异的规则为R4＝(F_a，F_b，F_c，F_d，F_e，F_f，F_g)，和R5＝(F_a，F_b，F_c，F_d，F_e，F_f，F_g)′那么，

首先，将规则R4，R5进行编码，可以采用自然编码方式。

接着，选规则R4和R5的变异点，为了减少变异产生大量无用后代，变异点可以选择为F_d和F_e间的位置，具体位置如下面的双竖线所示：

(F_a，F_b，F_c，F_d||F_e，F_f，F_g)

那么，便可以将R4＝(F_a，F_b，F_c，F_d，F_e，F_f，F_g)根据变异点的位置，拆分为：

(F_a，F_b，F_c，F_d)和(F_e，F_f，F_g)

然后，将拆分出的向量进行交叉连接：

(F_a，F_b，F_c，F_d)和(F_e，F_f，F_g)′连接得到(F_a，F_b，F_c，F_d，(F_e，F_f，F_g)′)

(F_a，F_b，F_c，F_d)′和(F_e，F_f，F_g)′连接得到((F_a，F_b，F_c，F_d)′，F_e，F_f，F_g)

这样，便获得的遗传变异后的新规则(F_a，F_b，F_c，F_d，(F_e，F_f，F_g)′)和((F_a，F_b，F_c，F_d)′，F_e，F_f，F_g)。

在上述实施例中，对已有规则进行遗传变异，可以在基于历史效果选取top最优的规则的同时，给予广告投放策略适当几率的“变异”，这些变异保证了规则库10的“进化”，可以发现和挖掘新的规则，有利于拓展广告的投放模式。

综上所述，本发明实施例中，为了对好的投放经验进行积累，引入了规则库10的概念，它针对过去广告投放后带来的诸多效果，依据投放关联的诸多因素进行分类，并对每一类别的投放效果中较好的部分进行统计归纳，总结出每类投放中较优的一些投放匹配规则，并在线上不断进行遗传进化，积累出来指导日后的规则库10的更新。这样，使得基于规则库10的广告投放变得简单易行，能够较好地实现广告投放的全局最优。另一方面，除了线上指导投放，规则库10也是经验的总结保留，线下可以指导业务的发展和创新等。

规则库10的建立和进化均直接依据于广告投放效果，广告投放效果的有所变化，将会通过规则库10及时地反应在其保存的用于指导广告选择的各类规则上，使得广告的选择完全依赖于其投放效果，这样，便形成了：广告投放——投放效果跟踪——规则更新——广告再投放，这样一种大的投放循环，从而令目的和手段得到了统一。简而言之，规则库10的更新进化是实时的基于广告效果来实现的，可以令各种规则的优化得以自动化和实时化，具有实现代价小，周期短和优化速度快等优点。这样，便无需盲目地减少广告投放量，而是根据用户的实际需求有目的有针对性的投放相应的广告，而减少不必要广告的投放量，从而在保证广告投放效果的基础上，减少了网站广告在投放时传输的数据量，提高了系统的数据传输速度，进而提升了网站的服务质量。

显然，本领域的技术人员可以对本发明中的实施例进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明实施例中的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明中的实施例也意图包含这些改动和变型在内。

Claims (10)

1.一种提高网站数据传输速度的方法，其特征在于，包括：

广告投放管理装置根据用户浏览网站时的操作行为获得相应的特征属性集合，再根据所述特征属性集合在预设的规则库中获取与该特征属性集合相匹配的至少一条规则；其中，规则库用于保存用以搜索广告的各种规则，表征所有广告投放策略实施经验的积累；

以及根据获得的至少一条规则筛选出与该规则约束的场景相对应的至少一条广告，并向所述用户投放该至少一条广告；

监测用户针对所述至少一条广告的投放产生的操作行为，并将收集的相关参数转化为相应的规则对所述规则库进行更新。

2.如权利要求1所述的方法，其特征在于，根据所述特征属性集合在预设的规则库中获取与该特征属性集合相匹配的至少一条规则时，包括：

计算所述规则库中各条规则与所述特征属性集合的相似度；

按照相似度从大到小顺序对所述各条规则进行排序；

从相似度最大的规则起始，选取设定数目的规则。

3.如权利要求2所述的方法，其特征在于，采用公式 $H_{similarity}\left(x,y\right)=\underset{i}{\Π}\underset{j}{\Σ}sim\left(Norm\left(x_i^j\right),Norm\left(y_i^j\right)\right)$ 计算所述相似度，其中，x，y∈F，F＝(F₁,F₂,……,F_n)为用于与用户的特征属性进行相似度比对的数据向量的集合，i取值[1，n]，F₀～F_n为规则库中预设的用于描述各类广告属性的集合，F＝(F₁,F₂,……,F_n)为F₀～F_n的子集，F₀～F_n用于组建F_i，j为F_i中包含的分量。

4.如权利要求3所述的方法，其特征在于，根据获得的至少一条规则筛选出与该规则约束的场景相对应的至少一条广告，包括：

基于获得的至少一条规则，通过广告搜索引擎，获取相应的备选广告；

采用公式H_result(x,y)＝e^βS×H_similarity(x,y),计算获得的至少一条规则的概率竞选评分，其中，β为预设的效果膨胀因子，初始设为1，并根据β参数选取的测试效果来优化，S为y对应的规则的效果分数；

根据概率竞选评分从大到小的顺序对相应的规则进行排序，并从概率竞选评分最大的规则起始，选择设定数目的规则；

将所述设定数目的规则对应的至少一条备选广告确定为最终选择投放的广告。

5.如权利要求1－4任一项所述的方法，监测用户针对所述至少一条广告的投放产生的操作行为，并将收集的相关参数转化为相应的规则对所述规则库进行更新时，包括：

基于所述用户针对所述至少一条广告的投放产生的相关操作行为，根据收集的相关参数提取出新生成的规则；

计算所述新生成的规则的效果分数Snew和支持度Nnew；

若所述新生成的规则不存在于规则库中，并且Snew和Nnew分别大于相应的设定阈值时，将所述新生成的规则添加至规则库中；

若所述新生成的规则已存在于规则库中，则计算新生成的规则和规则库中原有保存的规则的合并效果分数S_合和合并支持度N_合，如果S_合和N_合分别大于相应的设定阈值，则将S_合和N_合保存至规则库中；如果S_合或N_合小于相应的设定阈值，则将所述新生成的规则从所述规则库中删除。

6.如权利要求5所述的方法，其特征在于，采用公式计算所述新生成的规则的效果分数Snew，以及采用公式计算所述新生成的规则的支持度Nnew，其中，Snew＝S，Nnew＝Support(x)，w_i预设的专家权重系数；是归一函数；F_stat用于表示新生成的规则，x∈F_stat，SetF为某一个时间段里面记录的F_stat向量集合，表示广告效果归一化指标向量的第i个分量。

7.如权利要求5所述的方法，其特征在于，采用计算新生成的规则和规则库中原有保存的规则的合并效果分数S_合和合并支持度N_合，其中，α和β为预设的效果膨胀因子，S_old和N_old为所述原有保存的规则的效果分数和支持度。

8.如权利要求1－4任一项所述的方法，其特征在于，在根据所述特征属性集合在预设的规则库中获取与该特征属性集合相匹配的至少两条规则时，还包括：

根据遗传算法对所述至少两条规则进行交叉变异。

9.一种用于提高网站数据传输速度的装置，其特征在于，包括：

获取单元，用于根据用户浏览网站时的操作行为获得相应的特征属性集合，并根据所述特征属性集合在预设的规则库中获取与该特征属性集合相匹配的至少一条规则；其中，规则库用于保存用以搜索广告的各种规则，表征所有广告投放策略实施经验的积累；

第一处理单元，用于根据获得的至少一条规则筛选出与该规则约束的场景相对应的至少一条广告，并向所述用户投放该至少一条广告；

第二处理单元，用于监测用户针对所述至少一条广告的投放产生的操作行为，并将收集的相关参数转化为相应的规则对所述规则库进行更新。

10.一种用于提高网站数据传输速度的系统，其特征在于，包括：

规则库，用于保存用以搜索广告的各种规则，表征所有广告投放策略实施经验的积累；

广告投放管理装置，用于根据用户浏览网站时的操作行为获得相应的特征属性集合，再根据所述特征属性集合在预设的规则库中获取与该特征属性集合相匹配的至少一条规则，再根据获得的至少一条规则筛选出与该规则约束的场景相对应的至少一条广告，并向所述用户投放该至少一条广告，以及监测用户针对所述至少一条广告的投放产生的操作行为，并将收集的相关参数转化为相应的规则对所述规则库进行更新。