CN101520878A - 向用户进行广告推送的方法、装置和系统 - Google Patents

Abstract

本发明提供了一种向用户进行广告推送的方法、装置和系统。该方法主要包括：获取用户对广告的点击信息；根据所述用户对广告的点击信息将用户分成不同的组，使得同一组内的用户对广告具有共性特征；针对每个组，采用随机游走模型计算该组内用户对广告的兴趣度；至少根据所述用户对广告的兴趣度，选择相匹配的广告，并推送给用户。本发明通过将随机游走模型引入到用户对广告的兴趣度的过程中，能够充分利用用户对已有广告的点击数据，挖掘用户与用户共性，获取用户对广告潜在的兴趣，做到了在用户没有输入信息的情况下主动向用户推送个性化广告，并且提高了投放广告的精度。

Description

向用户进行广告推送的方法、装置和系统

技术领域

本发明涉及通信技术领域，尤其涉及一种向用户进行广告推送的方法、装置和系统。

背景技术

个性化广告是根据用户的浏览兴趣来向用户推荐相关的广告，它是精准广告投放的一个非常重要的手段，个性化广告由于推荐的广告和用户的兴趣密切相关，可以有效地提高用户体验，让用户更容易接受，从广告商的角度来说，个性化广告做到了有的放矢，避免了广告投放的浪费，提高了广告投放的效率。

传统的个性化广告推荐技术是基于用户浏览记录和行为，为用户建立兴趣模型，再用兴趣模型去匹配广告。建立用户兴趣模型通用的做法是统计一段时间内用户所浏览的网页信息，然后，提取用户所浏览的网页中的关键词或者就用户所浏览的网页分类，将提取的关键词或者网页分类的结果作为该用户的特征；相应的也为广告提取特征，即在录入广告时将各个广告进行分类，并为广告设置对应的关键词，广告所属的类别或者广告对应的关键词可用来作为该广告的特征。当需要为用户投放广告时，通过将上述广告的特征和用户的特征进行匹配，选择和用户特征最匹配的广告，通过各种方式将匹配的广告投放给用户。

现有技术中的一种对用户进行广告推送的方案，包括：从用户的输入信息中提取用户的信息特征，从广告库中提取包含该信息特征的广告特征，确定该广告特征对应的广告信息，从信息库中提取对应该用户输入信息的输出信息，并将该输出信息和广告信息一起推送给相应的用户。

在实现本发明过程中，发明人发现现有的对用户进行广告推送方案中：只有在用户输入信息的条件下，才能实现主动向用户推送个性化广告，换言之，即应用场景受到限制，而目前业界迫切需要一种不受应用场景限制的，向用户推送个性化广告的方案，即无论用户是否输入信息，也能向用户推送个性化广告的方案。

发明内容

本发明实施例提供了一种向用户进行广告推送的方法、用户兴趣计算装置及广告推送系统，以在不受限于应用场景的情况下向用户推送个性化广告。

一种向用户进行广告推送的方法，包括：

获取用户对广告的点击信息；

根据所述用户对广告的点击信息将用户分成不同的组，使得同一组内的用户对广告具有共性特征；

针对每个组，采用随机游走模型计算该组内用户对广告的兴趣度；

至少根据所述用户对广告的兴趣度，选择相匹配的广告，并推送给用户。

一种用户兴趣计算装置，包括：

用户分组模块，用于根据获得的用户对广告的点击信息，将用户分成不同的组，使得同一组内的用户对广告具有共性特征；

兴趣度获取模块，用于针对每个组，采用随机游走模型计算该组内用户对广告的兴趣度。

一种广告推送系统，包括：

用户兴趣计算装置，用于根据获得的用户对广告的点击信息，将用户分成不同的组，使得同一组内的用户对广告具有共性特征；并针对每个组，采用随机游走模型计算该组内用户对广告的兴趣度；

广告推送装置，用于至少根据所述用户对广告的兴趣度，选择相匹配的广告，并推送给用户。

由上述本发明实施例提供的技术方案可以看出，本发明实施例中根据所述用户对广告的点击信息将用户分成不同的组，并通过将随机游走模型引入到各组内用户对广告的兴趣度的计算过程中，充分利用用户对已有广告的点击数据来挖掘用户与用户共性，不仅获取用户对已点击广告的兴趣度，而且也获取用户对未点击广告的潜在兴趣度，并至少根据所述用户对广告的兴趣度，选择相匹配的广告推送给用户，从而做到了在用户没有输入信息的情况下主动向用户推送个性化广告，实现了在不受限于应用场景的情况下，向用户推送个性化广告。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，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。

图1为本发明实施例一提供的一种向用户进行广告推送的方法的流程示意图；

图2为本发明实施例二提供的一种向用户推送广告的方法的流程示意图；

图3为本发明实施例二提供的用户与广告的二部图示意图；

图4为本发明实施例三提供的一种向用户推送广告的方法的流程示意图；

图5为本发明实施例提供的一种用户兴趣计算装置的结构示意图；

图6为本发明实施例提供的一种广告推送系统的结构示意图；

图7为当没有用户输入信息时，本发明实施例提供的一种广告推送系统的结构示意图；

图8为当有用户输入信息时，本发明实施例提供的一种广告推送系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

本发明实施例提供的一种向用户进行广告推送的方法的处理流程如图1所示，包括如下步骤：

步骤11、获取用户对广告的点击信息。

步骤12、根据所述用户对广告的点击信息将用户分成不同的组，使得同一组内的用户对广告具有共性特征。

具体可以是，根据所述用户对广告的点击信息，采用聚类算法将用户分成不同的组。

这里的采用聚类算法将用户分成不同的组包括：根据各个用户对广告的点击信息，构建各个用户的兴趣向量，并根据广告所属类别，构建各类广告的特征向量。以各个用户的兴趣向量集合作为待聚类集合，以广告类型的数目作为聚类类别的初始数目，以各类广告的特征向量作为初始中心，采用K均值聚类算法对用户聚类，将用户分成不同的组。应当理解的是，以各个用户的兴趣向量集合作为待聚类集合，以各类广告的特征向量作为初始中心，以广告类型的数目作为聚类类别的初始数目，是K均值聚类算法中的必要条件。通过采用K均值聚类算法对用户聚类，可以使得将对广告具有共性特征的用户聚类到同一组，即将共性比较大的用户聚集在一起。

步骤13、针对每个组，采用随机游走模型计算该组内用户对广告的兴趣度。

具体可以包括：计算第一集合中的各个节点之间的迁移概率，所述第一集合中的节点包括该组内的所有用户和被用户点击的广告；

利用所述各个节点之间的迁移概率组成第一矩阵，所述第一矩阵为N行N列，所述N为所述第一集合中节点的总个数，所述第一矩阵的i行k列的元素为所述计算出的所述集合中的第i个节点到第k个节点的迁移概率，所述i、k的取值范围为1到N；

对所述第一矩阵进行迭代处理，直到所述矩阵收敛，所述收敛后的矩阵中的第i行k列上的元素为第i个节点对第k个节点的兴趣度，其中：

当第i个节点为用户，第k个节点为广告时，所述第i行k列上的元素表示用户i对广告k的兴趣度；

当第i个节点为广告，第k个节点为用户时，所述第i行k列上的元素表示广告i对用户k的吸引力；

当第i，k个节点均为用户时，所述第i行k列上的元素表示用户i，k之间的相似度；

当第i，k个节点均为广告时，所述第i行k列上的元素表示广告i，k之间的相似度。

步骤14、至少根据所述用户对广告的兴趣度，选择相匹配的广告，并推送给用户。

进一步的，可以将不同用户对不同广告的兴趣度进行存储。

1、当没有用户输入信息时，步骤14向用户推送广告的具体过程包括：

当满足向用户推送广告的触发条件时，按照用户对广告的兴趣度排序，将与排序靠前的兴趣度匹配的、一定数量的第一系列广告推送给对应的用户；或者，

当满足向用户推送广告的触发条件时，选择用户对广告的兴趣度满足预设兴趣阀值的第一系列广告，推送给对应的用户；或者，

当满足向用户推送广告的触发条件时，针对约定的广告类型，按照用户对该类广告的兴趣度排序，将与排序靠前的兴趣度匹配的、一定数量的第一系列广告，推送给对应的用户；或者，

当满足向用户推送广告的触发条件时，针对约定的广告类型，选择用户对该类广告的兴趣度满足预设兴趣阀值的第一系列广告，推送给对应的用户。

需要理解的是，如果用户输入请求信息，前述推送给对应的用户的步骤之前进一步包括：

从用户输入的请求信息中提取用户信息特征，计算该用户信息特征和所述第一系列广告中各广告的广告特征之间的内容相关度；

根据所述第一系列广告对应的内容相关度和兴趣度确定与用户匹配的广告。

2、当有用户输入信息时，步骤14向用户推送广告的具体过程包括：

从用户输入的请求信息中提取用户信息特征，计算该用户信息特征和广告库中的各个广告的广告特征之间的内容相关度；

取内容相关度排序靠前的、一定数量的广告，或者内容相关度满足预设相关阀值的广告作为与所述请求信息对应的内容相关广告；

根据所述存储的用户对广告的兴趣度信息，获取所述用户对所述内容相关广告的兴趣度，根据所述内容相关广告所对应的内容相关度和兴趣度确定与用户匹配的广告，将所述相匹配的广告和所述用户请求信息的应答信息返回给所述用户。

在一种实现下，根据所述内容相关广告所对应的内容相关度和兴趣度确定与用户匹配的广告，具体包括：

根据所述内容相关广告所对应的内容相关度和兴趣度，计算内容相关广告中的每个广告对所述用户的匹配度P，其中匹配度P排序靠前的、一定数量的广告，或者匹配度P满足预设的匹配阀值的广告为与用户匹配的广告。

可见，本发明实施例中根据所述用户对广告的点击信息将用户分成不同的组，并通过将随机游走模型引入到各组内用户对广告的兴趣度的计算过程中，充分利用用户对已有广告的点击数据来挖掘用户与用户共性，不仅获取用户对已点击广告的兴趣度，而且也获取用户对未点击广告的潜在兴趣度，并至少根据所述用户对广告的兴趣度，选择相匹配的广告推送给用户，从而做到了不管用户输入信息与否的情况下，均能实现主动向用户推送个性化广告，即实现了在不受限于应用场景的情况下，向用户推送个性化广告。

实施例二

本发明实施例提供的一种向用户推送广告的方法的处理流程如图2所示，包括如下处理步骤：

步骤21、收集用户访问数据，得到用户对广告的点击信息。

在实际应用中，电信运营商可以充当广告服务商的角色，广告的投放，发布由电信运营商管理。从电信运营设备，比如GGSN(Gateway GPRSSupporting Node，网关GPRS支持节点)/DSLAM(Digital Subscriber LineAccess Multiplexer，数字用户线接入复用器)/WAP GW(WirelessApplication Protocol Gateway，无线应用协议关口局)中提取用户的访问数据，该访问数据可以为手机上网用户对网络的访问信息，包括用户的手机号，访问的URL，访问时间等。

对上述访问数据进行解析，从中得到用户对广告的点击信息，该点击信息包括：用户信息，点击时间，点击广告等。将上述用户对广告的点击信息存储在用户行为数据库中。

一种用户行为数据库的结构如下述表1所示：

表1：

 

用户信息	点击广告	点击时间
			1394512＊＊＊＊	http://wap.chinatelecom.com.cn/ad？id＝D01223	2004-12-1212:01:12
...	...	...

步骤22、根据用户对广告的点击信息，采用聚类算法将用户分成不同的组。

在得到了上述用户对广告的点击信息后，采用聚类算法将用户分成不同的组，使得同一组内的用户对广告具有共性特征。具体分组过程为：

根据用户点击广告的记录，分别构建每个用户的兴趣向量，比如第i个用户的兴趣向量可以表示为：{n_i1，...n_ij，...，n_is}，其中n_ij表示第i个用户对第j条广告的点击次数。

根据广告所属类别，分别构建各类广告的初始聚集点，该初始聚集点表示为各类广告的特征向量。比如，某类广告的特征向量可以表示为{0，0，...，n_i，…，n_j，0，0}，其中n_i＝...＝n_j＝1，第i到j条广告属于该类广告，即属于该类的广告为1。

以各个用户的兴趣向量集合作为待聚类集合，以各类广告的初始聚集点为初始中心，以广告类型的数目作为聚类类别的初始数目，用k均值聚类算法对用户聚类处理，得到的一系列用户分组，应当理解的是，本发明实施例包括但不限于k均值聚类算法，这里以k均值聚类算法为例进行说明。

K均值聚类算法首先分别计算每个用户向量和每个初始中心的距离，有多少个初始中心就有多少个组，距离采用余弦夹角计算方法，然后把用户划分到距离最近的中心点那一组，所有用户分组完成之后，完成了第一次迭代；之后重新计算每组的中心点，再用新的中心点对用户重新分组，直到类中心不再变化为止，迭代结束。

其中重新计算每组的中心点的公式如下：

$u_j=(1/\left|C_j\right|){\mathrm{\Σ}}_{x\∈C_j}x$

u_j是j组新的中心点，|C_j|是j组向量数目，x是属于C_j中的向量。

经过上述聚类处理将用户分成不同的组，从而减轻了采用随机游走模型计算用户对广告兴趣度的计算量，并且由于聚类是将对广告的共性比较大的用户聚集在一起，而随机游走模型又是利用用户之间的共性来评估用户对广告潜在兴趣，所以通过聚类处理可以使随机游走模型更加有效。

步骤23、以组为单位，采用随机游走模型计算各组内用户对广告的兴趣度。

取一组用户数据，采用随机游走模型计算该组用户对广告的兴趣度，具体计算过程包括：

首先建立该组用户与广告的二部图，如图3所示是一个该组用户与广告的二部图，其中左边的点代表用户，右边的点代表广告，实线表示用户对广告的点击，点击的次数可以用连线的数量来表示，虚线对应的用户和广告是没有点击的。

计算用户和广告之间的迁移概率。对上述图3所示的二部图进行扩展，将用户和广告都看作集合S中的节点，计算集合S中节点之间的迁移概率。

现有的i点到k点的迁移概率P(i|k)的计算公式如下：

$P\left(i\right|k)=\left\{\begin{array}{cc}(1-\mathrm{\α})\frac{N_{\mathrm{ik}}}{{\mathrm{\Σ}}_j{N}_{\mathrm{jk}}}& (\∀k\≠i)\\ \mathrm{\α}& (k=i)\end{array}\right.$ 　　　　公式1

上述公式1中的N_ik表示i点到k点连线的个数，α表示指向节点自己的迁移概率，它是一个常数，j的取值范围为1到N，N为集合S中节点的总个数。

根据i和k所代表含义的不同，迁移概率P(i|k)分别具有不同的意义：

当i，k中其中一个为广告，另一个为用户，迁移概率P(i|k)表示用户对广告感兴趣的程度，或者是广告对用户的吸引力；

当i，k都为用户，迁移概率P(i|k)表示用户之间的相似度；

当i，k都为广告，迁移概率P(i|k)表示广告之间的相似度。

当i，k相等的时候计算的迁移概率没有具体的意义，但是为了之后计算的方便，取其值为α，0<α<1，并对i，k不相等的情况也做了相应处理，都给它乘以一个系数1-α。

按照上述P(i|k)的计算公式来计算用户a对广告3的兴趣度P(a|3)，从图3我们看到用户a对广告3没有直接的点击，所以得到的迁移概率P(a|3)为0，这表示a对3是不感兴趣的。但是实际情况也许并不是这样，我们可以看到用户a对广告2有点击，同时b对2和3都有点击，这说明a和b点对广告2存在共性，如果这个共性足够大，或者是他们的共性足够多，比如用户a和b都对亚马逊购书网和计算机书籍感兴趣，并且都点击了关于亚马逊购书网的广告，如果用户b还点击了当当购书网的广告，可知用户a对当当购书网也是存在一定的兴趣，只是感兴趣的程度相对亚马逊购书网来说比较低，为了计算用户对尚未点击的广告的潜在兴趣，本实施例运用随机游走模型来计算用户对广告的兴趣度，这里的用户对广告的兴趣度包括：用户对已点击广告的兴趣度和用户对尚未点击的广告的潜在兴趣度。

从图3我们可以看到，a点虽然不能直接到达点3，但是a点可以先到达点2，再到达b点，最后通过b点到达点3，即a->2->b->3，a点走动3步之后可以到达点3。可见，用户a对点3越感兴趣，那么通过这样不断游走能够到达点3的线路越多。

在数学上可以通过矩阵迭代来计算经过任意n步游走之后，点和点之间的关系变化。本实施例根据上述公式1计算得到的迁移概率组成矩阵A，A中i行k列的元素即为上述迁移概率P(i|k)，矩阵A为N行N列。对矩阵A迭代n(n为矩阵A的特征向量)次直到收敛后，第i行k列上的元素P′(i|k)即为节点i对节点k的兴趣度，即

当节点i为用户，节点k为广告时，所述P′(i|k)表示用户i对广告k的兴趣度；

当节点i为广告，节点k为用户时，所述P′(i|k)表示广告i对用户k的吸引力；

当节点i，k都为用户时，所述P′(i|k)表示用户i，k之间的相似度；

当节点i，k都为广告时，所述P′(i|k)表示广告i，k之间的相似度。

同样，第i行j列上的元素P′(i|j)即为用户i对广告j的兴趣度。

在得到用户i对所有广告的兴趣度后，按照兴趣度的升序或降序，将用户i对各个广告的兴趣度信息存储在用户兴趣数据库中。一种用户兴趣数据库的结构如下述表2所示：

表2：

 

用户标识	广告标识	兴趣度
			1394512****	D01223	0.254
...	...	...

需要说明的是，如果电信运营商充当广告服务商的角色，广告的投放，发布由电信运营商管理，则电信运营商保存有广告的全部信息，包括广告的链接，广告的id等等，因此就可以通过广告的链接得到广告的id。在另一种模式下，电信运营商也可以和合作方(内容供应商或者是网络运营商)合作，广告的发布管理交由合作方负责，电信运营商提供数据服务，收集用户的反馈信息，并提交给合作方处理，合作方得到用户的历史访问记录和对广告的点击记录，并利用本发明实施例的处理流程向用户推荐广告。

重复执行上述处理过程，直到所有的用户分组均处理完毕，可以得到所有分组的所有用户对广告的兴趣度，并存储在用户兴趣数据库中。

上述用随机游走模型计算各组用户对广告的兴趣度的处理过程可以是定时触发，也可以是收集的用户行为数据达到一定的阀值时触发。

步骤24、至少根据所述用户对广告的兴趣度，选择相匹配的广告，并推送给用户。

当运营商根据一定的触发条件确定需要向用户推送广告时，上述触发条件可以为收到该用户发送的请求，或者，到达针对该用户的预定的定时时间，或者，满足针对该用户的预定条件，比如，用户和电信运营商签订了允许发送餐饮优惠信息的广告，当电信运营商获取了大量的餐饮信息广告后，便向用户推送广告。

提取上述用户兴趣数据库中保存的用户对各种广告的兴趣度信息，按照用户对广告的兴趣度排序，将与排序靠前的兴趣度匹配的、一定数量的广告推送给对应的用户；或者，

选择用户对广告的兴趣度满足预设兴趣阀值的广告，将所述广告推送给对应的用户；或者，

针对约定的广告类型，按照用户对该类广告的兴趣度排序，将与排序靠前的兴趣度匹配的、一定数量的广告推送给对应的用户；或者，

针对约定的广告类型，选择用户对该类广告的兴趣度满足预设兴趣阀值的广告，将所述广告推送给对应的用户。

上述广告的推送的方式可以是发送带有广告的邮件给用户，也可以是发送广告短信给用户，等等。

可见，该实施例通过将聚类算法和随机游走模型引入到用户对广告的兴趣度的过程中，充分利用了用户对已有广告的点击数据，来挖掘用户与用户共性，不仅获取用户对已点击广告的兴趣度，而且也获取用户对未点击广告的潜在兴趣度，并至少根据所述用户对广告的兴趣度，选择相匹配的广告推送给用户，从而做到了在用户没有输入信息的情况下主动向用户推送广告，并且提高了投放广告的精度。

实施例三

本发明实施例在根据上述实施例二提供的处理流程得到了用户对广告的兴趣度，并存储在用户兴趣数据库中后。还根据用户输入的信息检索相关广告，并计算检索出来的广告和用户输入的信息之间的内容相关度。并综合考虑用户对广告的兴趣度和内容相关度向用户推送相匹配的广告。该实施例提供的一种向用户推送广告的方法的处理流程如图4所示，包括如下处理步骤：

步骤41、根据用户输入的请求信息从广告库中检索与用户信息内容相关的广告(简称内容相关广告)，以及获得所述内容相关广告对应的内容相关度。

具体的，接收并获取用户输入的信息，基于关键词或信息分类的方法，从所述请求信息中提取用户信息特征，计算该用户信息特征和广告库中的各个广告的广告特征之间的相似度，该相似度也称为内容相关度，取相似度排列靠前的一定数量的广告、或者内容相关度满足预设相关阀值的广告作为与所述请求信息对应的内容相关广告，即与用户信息内容相关的广告。

计算上述内容相关度的一种方法为：构建用户信息特征向量I＝{i1，...，in}，和广告特征向量A＝{a1，...，an}，计算两个向量的余弦夹角，得出用户信息特征和广告特征之间的相似度p1。

比如，手机上网用户向ISP(Internet Service Provider，互联网业务提供商)请求访问某个体育类新闻网页，ISP接收到该用户的请求后，对用户和用户请求做分析，从广告库中检索出一堆有关体育的广告。

步骤42，从用户兴趣数据库中获得所述用户对所述内容相关广告的兴趣度。

具体的，根据步骤41得到的内容相关广告的广告标识和用户标识查询用户兴趣库，得到所述用户对所述内容相关广告的兴趣度。

步骤43，根据所述内容相关广告所对应的内容相关度和兴趣度信息，计算广告的匹配度，根据匹配度确定与用户最匹配的广告。

计算用户对内容相关广告的匹配度P，该匹配度P的一种计算方法如下：

$P\frac{{\left({\&PartialD;P}_1\right)}^2+{\left((1-\&PartialD;)P_2\right)}^2}{{[{\&PartialD;P}_1+(1-\&PartialD;)P_2]}^2}$

其中P1为内容相关广告的内容相关度，P2为用户对内容相关广告的兴趣度，

为调节因子，可以通过

调节内容相关度和兴趣度的在计算匹配度中所占的比重，

取(1，0)之间。

选取匹配度排序靠前的、一定数量的广告作为与用户最匹配的广告。

步骤44、将与用户最匹配的广告和所述用户请求信息的应答信息发送给所述用户。

当需要根据上述用户输入的信息向用户返回应答信息时，将上述需要向用户推送的广告插入到应答信息中，并返回给用户。比如插入到用户请求的网页中，或者是插入到用户请求的视频中。

用户接收到上述应答信息的时候，同时也看到了上述向用户推送的广告。

需要说明的是，本发明实施例中，选择内容相关性广告和选择用户感兴趣广告的先后顺序可以调换，例如，可以参考实施例二的步骤34得到匹配的第一批广告后，进一步的获得第一批广告对应的内容相关度，根据所述第一批广告所对应的兴趣度和内容相关度，计算广告的匹配度，根据匹配度从第一批广告中确定与用户最匹配的广告。

可见，该实施例在用户输入信息的情况下，可以综合考虑检索出来的广告的内容相关度以及用户对广告的兴趣度，来筛选出最匹配的广告，并向用户推送。

本发明实施例还提供了一种用户兴趣计算装置，其结构如图5所示，可以包括：

用户分组模块51，用于根据获得的用户对广告的点击信息，将用户分成不同的组，使得同一组内的用户对广告具有共性特征；

兴趣度获取模块52，用于针对每个组，采用随机游走模型计算该组内用户对广告的兴趣度。

在一种实现下，所述用户分组模块51具体包括：

向量构建模块511，用于根据从收集到的用户访问数据中得到的用户对广告的点击信息构建各个用户的兴趣向量，以及根据广告所属类别，分别构建各类广告的特征向量；

聚类处理模块512，用于以所述向量构建模块得到的各个用户的兴趣向量集合为带聚类集合，以所述向量构建模块得到的各类广告的特征向量为初始中心，以广告类型的数目作为聚类类别的初始数目，采用K均值聚类算法对用户聚类，将用户分成不同的组。

在一种实现下，所述兴趣度获取模块52具体包括：

节点间迁移概率计算模块521，用于计算第一集合中的各个节点之间的迁移概率，所述第一集合中的节点包括该组内的所有用户和被用户点击的广告。

具体用于：选取一组用户，将该组用户中的每个用户作为一个节点，将每个广告作为一个节点，将所有的所述节点组成第一集合，计算所述第一集合中的各个节点之间的迁移概率。

兴趣度计算模块522，用于利用所述节点间迁移概率计算模块所计算出的各个节点之间的迁移概率组成第一矩阵，对所述第一矩阵进行迭代处理，直到所述第一矩阵收敛，所述收敛后的矩阵中的第i行k列上的元素为第i个节点对第k个节点的兴趣度，其中所述第一矩阵为N行N列，所述N为所述集合中节点的总个数，所述第一矩阵的i行k列的元素为所述计算出的所述集合中的第i个节点到第k个节点的迁移概率，所述i、k的取值范围为1到N。

具体的，当第i个节点为用户，第k个节点为广告时，所述第i行k列上的元素表示用户i对广告k的兴趣度；

当第i个节点为广告，节点k为用户时，所述第i行k列上的元素表示广告i对用户k的吸引力；

当第i，k个节点都为用户时，所述第i行k列上的元素表示用户i，k之间的相似度；

当第i，k个节点都为广告时，所述第i行k列上的元素表示广告i，k之间的相似度。

可见，本发明实施例的用户兴趣计算装置中，根据所述用户对广告的点击信息将用户分成不同的组，并通过将随机游走模型引入到各组内用户对广告的兴趣度的计算过程中，充分利用用户对已有广告的点击数据来挖掘用户与用户共性，不仅获取用户对已点击广告的兴趣度，而且也获取用户对未点击广告的潜在兴趣度。

本发明实施例还提供了一种广告推送系统，结构如图6所示，包括：

用户兴趣计算装置61，用于根据获得的用户对广告的点击信息，将用户分成不同的组，使得同一组内的用户对广告具有共性特征；并针对每个组，采用随机游走模型计算该组内用户对广告的兴趣度；

广告推送装置62，用于至少根据所述用户对广告的兴趣度，选择相匹配的广告，并推送给用户。

在一种实现下，本发明实施例的广告推送系统，进一步包括用户兴趣数据库，用于存储所述用户兴趣计算装置计算出的不同用户对不同广告的兴趣度；

广告推送装置62为第一广告推送装置，用于当满足向用户推送广告的触发条件时，按照用户对广告的兴趣度排序，将与排序靠前的兴趣度匹配的、一定数量的广告推送给对应的用户；

或者，用于当满足向用户推送广告的触发条件时，选择用户对广告的兴趣度满足预设兴趣阀值的广告，将所述广告推送给对应的用户；

或者，用于当满足向用户推送广告的触发条件时，针对约定的广告类型，按照用户对该类广告的兴趣度排序，将与排序靠前的兴趣度匹配的、一定数量的广告推送给对应的用户；

或者，用于当满足向用户推送广告的触发条件时，针对约定的广告类型，选择用户对该类广告的兴趣度满足预设兴趣阀值的广告，将所述广告推送给对应的用户。

在另一种实现下，本发明实施例的广告推送系统，进一步包括用户兴趣数据库，用于存储所述用户兴趣计算装置计算出的不同用户对不同广告的兴趣度；

内容相关广告确定装置，用于从用户输入的请求信息中提取用户信息特征，计算该用户信息特征和广告库中的各个广告的广告特征之间的内容相关度，其中所述内容相关度排序靠前的、一定数量的广告，或者内容相关度满足预设相关阀值的广告为与所述请求信息相关的内容相关广告；

广告推送装置62为第二广告推送装置，用于获得所述用户对所述内容相关广告的兴趣度，根据所述内容相关广告所对应的内容相关度和兴趣度确定与用户匹配的广告，将所述相匹配的广告和所述用户请求信息的应答信息返回给所述用户。

下面再结合具体的附图来描述本发明实施例广告推送系统的具体实现：

1、当没有用户输入信息时，所述广告推送系统的一种具体实现结构如图7所示，包括：信息收集装置70、用户兴趣计算装置71、广告推送装置72，以及用户行为数据库73、用户兴趣数据库74、用户数据库75和广告数据库76。其中，

用户数据库75，用于存储用户详细数据，该用户详细数据包含用户标识等；

广告数据库76，用于存储广告详细数据，该广告详细数据包含广告标识等；

信息收集装置70，用于收集用户的访问数据，根据所述访问数据得到用户对广告的点击信息，并将该用户对广告的点击信息存储到用户行为数据库73中。

一种用户行为数据库73的结构如上述表1所示。

用户兴趣计算装置71，用于从用户行为数据库73中获取用户对广告的点击信息，根据该点击信息采用聚类算法，将用户分成不同的组，使得同一组内的用户对广告具有共性特征；针对每个组，采用随机游走模型计算该组内用户对广告的兴趣度；并将计算出的用户对广告的兴趣度存储到用户兴趣数据库74中。

一种用户兴趣数据库的结构如上述表2所示。

广告推送装置72，用于当满足向用户推送广告的触发条件时，在用户兴趣数据库中按照用户对广告的兴趣度排序，从广告数据库76中获取与排序靠前的兴趣度匹配的、一定数量的广告，并将该广告推送给对应的用户；

或者，用于当满足向用户推送广告的触发条件时，从广告数据库76中获取用户对广告的兴趣度满足预设兴趣阀值的广告，并将该广告推送给对应的用户；

或者，用于当满足向用户推送广告的触发条件时，针对约定的广告类型，在用户兴趣数据库74中按照用户对该类广告的兴趣度排序，从广告数据库76中获取与排序靠前的兴趣度匹配的、一定数量的广告，并将该广告推送给对应的用户；

或者，用于当满足向用户推送广告的触发条件时，针对约定的广告类型，从广告数据库76中提取用户对广告的兴趣度满足预设兴趣阀值的广告，并将该广告推送给对应的用户。应当理解，可以根据实际的需要灵活采用不同的广告推送功能。

2、当有用户输入信息时，所述广告推送系统的一种具体实现结构如图8所示，包括：信息收集装置80、用户兴趣计算装置81、内容相关广告确定装置82和广告推送装置83，以及用户行为数据库84、用户兴趣数据库85、用户数据库86、广告数据库87和信息数据库88；其中用户行为数据库84、用户兴趣数据库85、用户数据库86同上，故不再赘述；

广告数据库87，用于存储广告详细数据，该广告详细数据包含广告标识和广告特征，广告特征一般用广告所属类别和关键词标识等；

信息数据库88，用于保存用户请求的信息。

信息收集装置80，用于收集用户的访问数据，根据所述访问数据得到用户对广告的点击信息，并将该用户对广告的点击信息存储到用户行为数据库84中。

用户兴趣计算装置81，用于从用户行为数据库84中获取用户对广告的点击信息，根据该点击信息采用聚类算法，将用户分成不同的组，使得同一组内的用户对广告具有共性特征；针对每个组，采用随机游走模型计算该组内用户对广告的兴趣度；并将计算出的用户对广告的兴趣度存储到用户兴趣数据库85中。

内容相关广告确定装置82，用于从用户输入的请求信息中提取用户信息特征，从广告数据库87中提取各个广告的广告特征，计算上述用户信息特征和各个广告特征之间的内容相关度，其中，广告数据库87中内容相关度排序靠前的、一定数量的广告，或者内容相关度满足预设相关阀值的广告为与所述请求信息相关的内容相关广告；

广告推送装置83，用于从用户兴趣数据库85中获得所述用户对所述内容相关广告的兴趣度，根据所述内容相关广告所对应的内容相关度和兴趣度确定与用户匹配的广告，将所述相匹配的广告和所述用户请求信息的应答信息返回给所述用户。

可见，本发明实施例的广告推送系统中，根据所述用户对广告的点击信息将用户分成不同的组，并通过将随机游走模型引入到各组内用户对广告的兴趣度的计算过程中，充分利用用户对已有广告的点击数据来挖掘用户与用户共性，通过用户与用户共性不仅获取用户对已点击广告的兴趣度，而且也获取用户对未点击广告的潜在兴趣度，并至少根据所述用户对广告的兴趣度，选择相匹配的广告推送给用户，从而做到了不管用户输入信息与否的情况下，均能实现主动向用户推送个性化广告，即实现了在不受限于应用场景的情况下，向用户推送个性化广告，并且通过计算用户对广告潜在的兴趣，从而提高了投放广告的精度。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

综上所述，本发明实施例通过将聚类算法和随机游走模型引入到用户对广告的兴趣度的过程中，能够充分利用了用户对已有广告的点击数据，把用户对广告的点击数据作为用户兴趣的主要参考因素。能够充分挖掘了用户与用户共性，能够获取用户对广告潜在的兴趣，做到了在用户没有输入信息的情况下主动向用户推送广告，并且提高了投放广告的精度。

本发明实施例在用户输入信息的情况下，可以综合考虑检索出来的内容相关广告的内容相关度，以及用户对内容相关广告的兴趣度，获得最匹配用户的广告，并向用户推送。

本发明实施例通过聚类的算法先对用户分组后，再计算组内用户对广告的兴趣度，从而优化了随机游走模型，解决了随机游走模型计算量大，耗时长的问题。

本发明实施例不仅仅可以用于指导广告的投放，而且可以用来衡量广告发布效果，通过计算用户对广告感兴趣的程度，充分挖掘用户的潜在的点击行为，比单纯统计用户对广告的点击率来评价广告投放效果更客观公正。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (15)

1、一种向用户进行广告推送的方法，其特征在于，包括：

获取用户对广告的点击信息；

根据所述用户对广告的点击信息将用户分成不同的组，使得同一组内的用户对广告具有共性特征；

针对每个组，采用随机游走模型计算该组内用户对广告的兴趣度；

至少根据所述用户对广告的兴趣度，选择相匹配的广告，并推送给用户。

2、根据权利要求1所述的向用户进行广告推送的方法，其特征在于，所述根据所述用户对广告的点击信息将用户分成不同的组，包括：

根据所述用户对广告的点击信息，采用聚类算法将用户分成不同的组。

3、根据权利要求2所述的向用户进行广告推送的方法，其特征在于，所述根据所述用户对广告的点击信息，采用聚类算法将用户分成不同的组，包括：

根据各个用户对广告的点击信息，构建各个用户的兴趣向量；

根据广告所属类别，构建各类广告的特征向量；

以各个用户的兴趣向量集合作为待聚类集合，以各类广告的特征向量作为初始中心，以广告类型的数目作为聚类类别的初始数目，采用K均值聚类算法对用户聚类，将用户分成不同的组。

4、根据权利要求1所述的向用户进行广告推送的方法，其特征在于，所述采用随机游走模型计算该组内用户对广告的兴趣度，包括：

计算第一集合中的各个节点之间的迁移概率，所述第一集合中的节点包括该组内的所有用户和被用户点击的广告；

利用所述各个节点之间的迁移概率组成第一矩阵，所述第一矩阵为N行N列，所述N为所述第一集合中节点的总个数，所述第一矩阵的i行k列的元素为所述计算出的所述集合中的第i个节点到第k个节点的迁移概率，所述i、k的取值范围为1到N；

对所述第一矩阵进行迭代处理，直到所述矩阵收敛，所述收敛后的矩阵中的第i行k列上的元素为第i个节点对第k个节点的兴趣度。

5、根据权利要求4所述的向用户进行广告推送的方法，其特征在于：

当第i个节点为用户，第k个节点为广告时，所述第i行k列上的元素表示用户i对广告k的兴趣度；

当第i个节点为广告，第k个节点为用户时，所述第i行k列上的元素表示广告i对用户k的吸引力；

当第i，k个节点均为用户时，所述第i行k列上的元素表示用户i，k之间的相似度；

当第i，k个节点均为广告时，所述第i行k列上的元素表示广告i，k之间的相似度。

6、根据权利要求1至5任一项所述的向用户进行广告推送的方法，其特征在于，所述方法进一步包括：将不同用户对不同广告的兴趣度进行存储；

所述至少根据所述用户对广告的兴趣度选择相匹配的广告，并推送给用户，包括：

当满足向用户推送广告的触发条件时，按照用户对广告的兴趣度排序，将与排序靠前的兴趣度匹配的、一定数量的第一系列广告推送给对应的用户；或者，

选择用户对广告的兴趣度满足预设兴趣阀值的第一系列广告，推送给对应的用户；或者，

针对约定的广告类型，按照用户对该类广告的兴趣度排序，将与排序靠前的兴趣度匹配的、一定数量的第一系列广告推送给对应的用户；或者，

针对约定的广告类型，选择用户对该类广告的兴趣度满足预设兴趣阀值的第一系列广告，推送给对应的用户。

7、根据权利要求6任一项所述的向用户进行广告推送的方法，其特征在于，如果用户输入请求信息，所述推送给对应的用户之前进一步包括：

从用户输入的请求信息中提取用户信息特征，计算该用户信息特征和所述第一系列广告中各广告的广告特征之间的内容相关度；

根据所述第一系列广告对应的内容相关度和兴趣度确定与用户匹配的广告。

8、根据权利要求1至5任一项所述的向用户进行广告推送的方法，其特征在于，所述方法进一步包括：将不同用户对不同广告的兴趣度信息进行存储；所述至少根据所述用户对广告的兴趣度选择相匹配的广告，并推送给用户包括：

从用户输入的请求信息中提取用户信息特征，计算该用户信息特征和广告库中的各个广告的广告特征之间的内容相关度；

取内容相关度排序靠前的、一定数量的广告，或者内容相关度满足预设相关阀值的广告作为与所述请求信息对应的内容相关广告；

根据所述存储的用户对广告的兴趣度信息，获取所述用户对所述内容相关广告的兴趣度，根据所述内容相关广告所对应的内容相关度和兴趣度确定与用户匹配的广告，将所述相匹配的广告和所述用户请求信息的应答信息返回给所述用户。

9、根据权利要求8所述的向用户进行广告推送的方法，其特征在于，所述根据所述内容相关广告所对应的内容相关度和兴趣度确定与用户匹配的广告，包括：

根据所述内容相关广告所对应的内容相关度和兴趣度，计算内容相关广告中的每个广告对所述用户的匹配度P，其中匹配度P排序靠前的、一定数量的广告，或者匹配度P满足预设的匹配阀值的广告为与用户匹配的广告。

10、一种用户兴趣计算装置，其特征在于，包括：

用户分组模块，用于根据获得的用户对广告的点击信息，将用户分成不同的组，使得同一组内的用户对广告具有共性特征；

兴趣度获取模块，用于针对每个组，采用随机游走模型计算该组内用户对广告的兴趣度。

11、根据权利要求10所述的装置，其特征在于，所述用户分组模块包括：

向量构建模块，用于根据从收集到的用户访问数据中得到的用户对广告的点击信息构建各个用户的兴趣向量，以及根据广告所属类别构建各类广告的特征向量；

聚类处理模块，用于以所述向量构建模块得到的各个用户的兴趣向量集合为带聚类集合，以广告类型的数目作为聚类类别的初始数目，以所述向量构建模块得到的各类广告的特征向量为初始中心，采用均值聚类算法对用户聚类，将用户分成不同的组。

12、根据权利要求10所述的向用户进行广告推送的装置，其特征在于，所述兴趣度获取模块包括：

节点间迁移概率计算模块，用于计算第一集合中的各个节点之间的迁移概率，所述第一集合中的节点包括该组内的所有用户和被用户点击的广告；

兴趣度计算模块，用于利用所述节点间迁移概率计算模块所计算出的各个节点之间的迁移概率组成第一矩阵，对所述第一矩阵进行迭代处理，直到所述第一矩阵收敛，所述收敛后的矩阵中的第i行k列上的元素为第i个节点对第k个节点的兴趣度，其中所述第一矩阵为N行N列，所述N为所述集合中节点的总个数，所述第一矩阵的i行k列的元素为所述计算出的所述集合中的第i个节点到第k个节点的迁移概率，所述i、k的取值范围为1到N。

13、一种广告推送系统，其特征在于，包括：

用户兴趣计算装置，用于根据获得的用户对广告的点击信息，将用户分成不同的组，使得同一组内的用户对广告具有共性特征；并针对每个组，采用随机游走模型计算该组内用户对广告的兴趣度；

广告推送装置，用于至少根据所述用户对广告的兴趣度，选择相匹配的广告，并推送给用户。

14、根据权利要求13所述的系统，其特征在于，进一步包括用户兴趣数据库，用于存储所述用户兴趣计算装置计算出的不同用户对不同广告的兴趣度；

所述广告推送装置为第一广告推送装置，用于当满足向用户推送广告的触发条件时，按照用户对广告的兴趣度排序，将与排序靠前的兴趣度匹配的、一定数量的广告推送给对应的用户；

或者，用于当满足向用户推送广告的触发条件时，选择用户对广告的兴趣度满足预设兴趣阀值的广告，将所述广告推送给对应的用户；

或者，用于当满足向用户推送广告的触发条件时，针对约定的广告类型，按照用户对该类广告的兴趣度排序，将与排序靠前的兴趣度匹配的、一定数量的广告推送给对应的用户；

或者，用于当满足向用户推送广告的触发条件时，针对约定的广告类型，选择用户对该类广告的兴趣度满足预设兴趣阀值的广告，将所述广告推送给对应的用户。

15、根据权利要求13所述的系统，其特征在于，进一步包括用户兴趣数据库，用于存储所述用户兴趣计算装置计算出的不同用户对不同广告的兴趣度；

所述广告推送系统进一步包括：

内容相关广告确定装置，用于从用户输入的请求信息中提取用户信息特征，计算该用户信息特征和广告库中的各个广告的广告特征之间的内容相关度，其中所述内容相关度排序靠前的、一定数量的广告，或者内容相关度满足预设相关阀值的广告为与所述请求信息相关的内容相关广告；

所述广告推送装置为第二广告推送装置，，用于获得所述用户对所述内容相关广告的兴趣度，根据所述内容相关广告所对应的内容相关度和兴趣度确定与用户匹配的广告，将所述相匹配的广告和所述用户请求信息的应答信息返回给所述用户。

Images