CN103700004A

CN103700004A - 一种微博广告服务信息推送方法及装置

Info

Publication number: CN103700004A
Application number: CN201310670355.7A
Authority: CN
Inventors: 章昉; 冯铮; 何一峰
Original assignee: Shenzhen Institute of Advanced Technology of CAS
Current assignee: Shenzhen Institute of Advanced Technology of CAS
Priority date: 2013-12-10
Filing date: 2013-12-10
Publication date: 2014-04-02

Abstract

本发明适用于计算机应用领域，提供了一种微博广告服务信息推送方法及装置，所述方法包括：根据统计的用户历史微博信息训练隐马尔可夫模型；将用户当前时段的微博信息带入训练好的隐马尔可夫模型，获得用户下一时段的兴趣信息；根据用户下一时段的兴趣信息在对应时段向用户推送相应的广告服务信息。本发明既能够准确且全面的获知用户兴趣，又提高了推送的广告服务信息的质量，使得用户在使用微博的时候能够接收到感兴趣的广告服务信息，用户体验较好。此外，商家也能以较低的成本在微博投放较高效率的广告，又使得微博运营商能够通过精准的推送服务合理利用资源扩大其利润。

Description

一种微博广告服务信息推送方法及装置

技术领域

本发明属于计算机应用领域，尤其涉及一种微博广告服务信息推送方法及装置。

背景技术

随着信息时代的发展，微博类社交网站的流行，微博等社会化媒体不仅成为了网民发布、共享、传播信息的平台，而且积累了大规模网民的行为数据。微博广告成为了广告发布的重要平台，但是为了要提升广告的发布质量，不能盲目投放广告，必须要对用户的兴趣做出预测。纵观当下，获得用户兴趣的方式有如下几种：

其一，由用户资料里的标签直接获得用户的兴趣爱好，但是很多用户填写的资料标签并不准确也不完整，因此通过用户标签来预测用户兴趣不准备且信息不完整。

其二，通过对微博用户的搜索记录来判断用户的兴趣，然而搜索记录具有一定的局限性，仅能表示该用户当前需要获知的信息，并不能对用户兴趣进行较为准确的判断。

因此，由于不能对用户兴趣进行完整且准确的判断，微博的广告投放不仅广告质量堪忧且效率较低。

发明内容

本发明实施例的目的在于提供一种微博广告服务信息推送方法及装置，旨在解决现有由于不能对用户兴趣进行完整且准确的判断，微博的广告投放不仅广告质量堪忧且效率较低的问题。

本发明实施例是这样实现的，一种微博广告服务信息推送方法，所述方法包括：

根据统计的用户历史微博信息训练隐马尔可夫模型；

将该用户当前时段的微博信息带入训练好的隐马尔可夫模型，获得该用户下一时段的兴趣信息；

根据该用户下一时段的兴趣信息在对应时段向该用户推送相应的广告服务信息。

本发明实施例的另一目的在于提供一种微博广告服务信息推送装置，所述装置包括：

模型训练单元，用于根据统计的用户历史微博信息训练隐马尔可夫模型；

兴趣获知单元，用于将该用户当前时段的微博信息带入训练好的隐马尔可夫模型，获得该用户下一时段的兴趣信息；

广告推送单元，用于根据该用户下一时段的兴趣信息在对应时段向该用户推送相应的广告服务信息。

在本发明实施例中，基于隐马尔可夫模型，通过对用户微博信息进行挖掘分析，使用用户历史微博信息构建隐马尔可夫模型，便可根据用户当前时段的微博信息推导出用户下一时段的兴趣信息。因此，便可根据推导出的用户下一时段的兴趣信息在下一时段将用户感兴趣的广告服务信息等推送给用户，既能够准确且全面的获知用户兴趣，又提高了推送的广告服务信息的质量，使得用户在使用微博的时候能够接收到感兴趣的广告服务信息，用户体验较好。此外，商家也能以较低的成本在微博投放较高效率的广告，又使得微博运营商能够通过精准的推送服务合理利用资源扩大其利润。

附图说明

图1是本发明实施例提供的微博广告服务信息推送方法的流程图；

图2是本发明实施例提供的微博广告服务信息推送装置的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一：

如图1所示为本发明第一实施例提供的一种微博广告服务信息推送方法的流程图，为了便于说明，仅示出了与本发明实施例相关的部分。

在步骤S101中，根据统计的用户历史微博信息训练隐马尔可夫模型。

在本发明实施例中，通过对用户微博信息的挖掘和分析，便可采集到大量用户历史微博信息。为了用采集到的用户历史微博信息训练隐马尔可夫模型，采集到用户历史微博信息后，需整理出用户历史上一个时期内的微博信息。其中，用户一个时期内的微博信息是指该用户在一个时期内所发表、浏览及转发的所有微博信息。一个时期的长短由开发人员确定，可以是半个月，一个月，三个月，半年等，在此不做限制。并将采集微博信息的这一个时期分为若干时段，每个时段的时长由开发人员确定，可以是半天，一天，两天等，在此不做限制。

在本发明实施例中，为了分类统计采集到的微博信息，根据微博信息来源的不同可以将采集到的微博信息分为多个来源组的微博信息，如从用户微博个人资料中采集到的微博信息就属于用户标签来源组。其中，微博信息的来源组包括但不限于：用户标签来源组（如用户个人职业标签，爱好标签等微博信息），用户好友来源组（如用户微博好友名称，好友类别等微博信息），用户搜索来源组（如用户搜索较多的广告、用户搜索较多的微博等微博信息），用户广告及服务来源组（如用户点击较多的广告信息及服务信息等微博信息），用户应用下载来源组（如用户下载的应用名称、用户下载的应用类别等微博信息），用户购物来源组（如用户在微博上贴出的网购信息等微博信息）及用户地理来源组（如用户经常登录的地理位置等微博信息）类等。其中，用户的微博信息来源组分组方式由开发人员预先定义。

在本发明实施例中，在根据微博信息来源分微博信息来源组后，再分别将每个来源组中的微博根据预设的兴趣种类进行分类。其中，由于每个来源组中的微博信息都是按照预设的兴趣种类分类，因此每个来源组中的微博信息所划分的微博信息种类是相同的。微博信息预设的兴趣种类包括但不限于：体育类微博信息，健康类微博信息，教育类微博信息，旅游类微博信息，科技类微博信息，汽车类微博信息，游戏类微博信息，美容美发美体类微博信息微博信息，美食类微博信息，服装鞋靴包类微博信息，文化娱乐类微博信息及其他微博信息。每个来源组中均包括有上述各类微博信息。

在本发明实施例中，在对用户一个时期的微博信息分类后，以时段为单位，分别计算出该时期每个时段内每个来源组中各类微博信息所占的特征百分比。此处以时段及来源组划分，会获得多个特征百分比的序列，每个时段内每个来源组中各类微博信息所占的特征百分比为一个序列。其中，每个来源组中各类微博信息所占的特征百分比可以是：每个来源组中各类微博信息的数量占此来源组中微博信息总数的百分比，或每个来源组中各类微博信息的点击量占此来源组中微博信息的总点击量的百分比。微博信息的数量包括用户发表、浏览及转发的微博信息的数量的总和。统计用户在该时期每个时段内每个来源组中各类微博信息所占的特征百分比后，将每个时段内各个来源组中特征百分比最高的微博信息的类别作为对应的每个时段的兴趣信息。由于每个来源组中都有一个特征百分比最高的微博信息的类别，因此兴趣信息是多个微博信息的类别的一个组合，该组合包括了各个来源组中特征百分比最高的微博信息的类别。兴趣信息中微博信息的类别数量小于或等于来源组的数量，若每个来源组中特征百分比最高的微博信息的类别均不同，则兴趣信息中微博信息的类别数量等于来源组的数量；如果其中有一个或几个来源组中特征百分比最高的微博信息的类别相同，那么兴趣信息中微博信息的类别数量小于来源组的数量，重复的微博信息类别不重复出现在兴趣信息中。然后，将该时期内每个时段内每个来源组中各类微博信息所占的特征百分比作为隐马尔可夫模型的观察量，该时期内每个时段的兴趣信息作为隐马尔可夫模型的状态量。

随之把该时期内每个时段内每个来源组中各类微博信息所占的特征百分比及该时期内每个时段的兴趣信息作为训练观察组，利用该训练观察组对隐马尔可夫模型进行训练，通过Baum-Welch算法调整隐马尔可夫模型参数，使得隐马尔可夫模型的参数达到最优，以此获得隐马尔可夫模型的最优参数，因而训练完成隐马尔可夫模型。隐马尔可夫模型的参数包括：转移概率矩阵、观察概率矩阵及初始状态概率。

针对不同的用户，需要分别对各个用户的历史微博信息进行采集整理后，分别训练每个用户对应的隐马尔可夫模型。

在步骤S102中，将用户当前时段的微博信息带入训练好的隐马尔可夫模型，获得用户下一时段的兴趣信息。

在本发明实施例中，训练完成隐马尔可夫模型后，采集用户当前时段的微博信息并按照步骤S101的方法进行来源分组并根据预设的兴趣种类分类，计算出当前时段内每个来源组中各类微博信息所占的特征百分比，并将当前时段内各个来源组中百分比最高的微博信息的类别作为当前时段的兴趣信息。其中，每个来源组中各类微博信息所占的特征百分比可以是：每个来源组中各类微博信息的数量占此来源组中微博信息总数的百分比，或每个来源组中各类微博信息的点击量占此来源组中微博信息的总点击量的百分比。

然后，根据获得的隐马尔可夫模型的最优参数，将当前时段内每个来源组中各类微博信息所占的特征百分比及当前时段的兴趣信息作为观察量o_t(l₀......l_n-1,p₀......p_n-1,f₀......f_n-1,s₀......s_n-1,c₀......c_n-1,q_t-1)，其中，n为根据预设的兴趣种类分类后，微博信息的类别数；l_i、p_i、f_i、s_i、c_i分别表示每个来源组中各类微博信息所占的特征百分比（i表示每个来源组中各类微博信息为微博信息的类别，i的值在0到n-1之间）；q_t-1为t时段的前一时段内的兴趣信息；q_t则为第t时段内的兴趣信息。

在步骤S103中，根据用户下一时段的兴趣信息在对应时段向用户推送相应的广告服务信息。

在本发明实施例中，获得用户下一时段的兴趣信息后，便可根据用户的兴趣信息，将用户感兴趣的广告服务信息在对应的时段推送给用户。

实施例二：

图2为本发明实施例提供的一种微博广告服务信息推送装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部份。

在本发明实施例中，微博广告服务信息推送装置包括：

模型训练单元21，用于根据统计的用户历史微博信息训练隐马尔可夫模型。

在本发明实施例中，将采集到的微博信息，根据微博信息来源的不同可以将采集到的微博信息分为多个来源组的微博信息。其中，微博信息的来源组包括但不限于：用户标签来源组，用户好友来源组，用户搜索来源组，用户广告及服务来源组，用户应用下载来源组，用户购物来源组及用户地理来源组类等。其中，用户的微博信息来源组分组方式由开发人员预先定义。

在本发明实施例中，在对用户一个时期的微博信息分类后，以时段为单位，分别计算出该时期每个时段内每个来源组中各类微博信息所占的特征百分比。其中，每个来源组中各类微博信息所占的特征百分比可以是：每个来源组中各类微博信息的数量占此来源组中微博信息总数的百分比，或每个来源组中各类微博信息的点击量占此来源组中微博信息的总点击量的百分比。统计用户在该时期每个时段内每个来源组中各类微博信息所占的特征百分比后，将每个时段内各个来源组中特征百分比最高的微博信息的类别作为对应的每个时段的兴趣信息。

随之把该时期内每个时段内每个来源组中各类微博信息所占的特征百分比及该时期内每个时段的兴趣信息作为训练观察组，利用该训练观察组对隐马尔可夫模型进行训练，通过Baum-Welch算法调整隐马尔可夫模型参数，使得隐马尔可夫模型的参数达到最优，以此获得隐马尔可夫模型的最优参数，因而训练完成隐马尔可夫模型。

在本发明实施例中，模型训练单元21包括三个子单元，分别是：

信息采集单元211，用于采集该用户一个时期的每个时段内的微博信息，根据微博信息来源的不同将其分为多个来源组，并分别将每个来源组中的微博信息根据预设的兴趣种类进行分类。

信息处理单元212，用于分别计算每个时段内每个来源组中各类微博信息所占的特征百分比，将每个时段内各个来源组中特征百分比最高的微博信息的类别作为对应的每个时段的兴趣信息。

训练单元213，用于利用该时期内每个时段内每个来源组中各类微博信息所占的特征百分比及该时期内每个时段的兴趣信息训练隐马尔可夫模型。

兴趣获知单元22，用于将用户当前时段的微博信息带入训练好的隐马尔可夫模型，获得用户下一时段的兴趣信息。

在本发明实施例中，兴趣获知单元22包括两个子单元，分别是：

观察量获取单元221，用于采集该用户当前时段内的微博信息并根据预设的兴趣种类分类，计算出当前时段内每个来源组中各类微博信息所占的特征百分比，并将当前时段内各个来源组中百分比最高的微博信息的类别作为当前时段的兴趣信息。

兴趣推算单元222，用于将当前时段内每个来源组中各类微博信息所占的特征百分比及当前时段的兴趣信息代入训练好的隐马尔可夫模型推算出该用户下一时段的兴趣信息。

广告推送单元23，用于根据用户下一时段的兴趣信息在对应时段向用户推送相应的广告服务信息。

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步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以在存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种微博广告服务信息推送方法，其特征在于，所述方法包括：

根据统计的用户历史微博信息训练隐马尔可夫模型；

2.如权利要求1所述的方法，其特征在于，所述根据统计的用户历史微博信息训练隐马尔可夫模型包括：

采集该用户一个时期的每个时段内的微博信息，根据微博信息来源的不同将其分为多个来源组，并分别将每个来源组中的微博信息根据预设的兴趣种类进行分类；

分别计算每个时段内每个来源组中各类微博信息所占的特征百分比，将每个时段内各个来源组中特征百分比最高的微博信息的类别作为对应的每个时段的兴趣信息；

利用所述该时期内每个时段内每个来源组中各类微博信息所占的特征百分比及该时期内每个时段的兴趣信息训练隐马尔可夫模型。

3.如权利要求2所述的方法，其特征在于，所述将该用户当前时段的微博信息带入训练好的隐马尔可夫模型，获得该用户下一时段的兴趣信息包括：

采集该用户当前时段内的微博信息并根据预设的兴趣种类分类，计算出当前时段内每个来源组中各类微博信息所占的特征百分比，并将当前时段内各个来源组中百分比最高的微博信息的类别作为当前时段的兴趣信息；

将所述当前时段内每个来源组中各类微博信息所占的特征百分比及当前时段的兴趣信息代入训练好的隐马尔可夫模型推算出该用户下一时段的兴趣信息。

4.如权利要求2或3任一权利要求所述的方法，其特征在于，所述每个来源组中各类微博信息所占的特征百分比包括：

每个来源组中各类微博信息的数量占此来源组中微博信息总数的百分比；或

每个来源组中各类微博信息的点击量占此来源组中微博信息的总点击量的百分比。

5.如权利要求2或3任一权利要求所述的方法，其特征在于，所述微博信息的来源组包括：

用户标签来源组，用户好友来源组，用户搜索来源组，用户广告及服务来源组，用户应用下载来源组，用户购物来源组及用户地理来源组。

6.如权利要求2或3任一权利要求所述的方法，其特征在于，所述微博信息预设的兴趣种类包括：

体育类微博信息，健康类微博信息，教育类微博信息，旅游类微博信息，科技类微博信息，汽车类微博信息，游戏类微博信息，美容美发美体类微博信息微博信息，美食类微博信息，服装鞋靴包类微博信息，文化娱乐类微博信息及其他微博信息。

7.一种微博广告服务信息推送装置，其特征在于，所述装置包括：

8.如权利要求7所述的装置，其特征在于，所述模型训练单元包括：

信息采集单元，用于采集该用户一个时期的每个时段内的微博信息，根据微博信息来源的不同将其分为多个来源组，并分别将每个来源组中的微博信息根据预设的兴趣种类进行分类；

信息处理单元，用于分别计算每个时段内每个来源组中各类微博信息所占的特征百分比，将每个时段内各个来源组中特征百分比最高的微博信息的类别作为对应的每个时段的兴趣信息；

训练单元，用于利用所述该时期内每个时段内每个来源组中各类微博信息所占的特征百分比及该时期内每个时段的兴趣信息训练隐马尔可夫模型。

9.如权利要求7所述的装置，其特征在于，所述兴趣获知单元包括：

观察量获取单元，用于采集该用户当前时段内的微博信息并根据预设的兴趣种类分类，计算出当前时段内每个来源组中各类微博信息所占的特征百分比，并将当前时段内各个来源组中百分比最高的微博信息的类别作为当前时段的兴趣信息；

兴趣推算单元，用于将所述当前时段内每个来源组中各类微博信息所占的特征百分比及当前时段的兴趣信息代入训练好的隐马尔可夫模型推算出该用户下一时段的兴趣信息。

10.如权利要求7至9任一权利要求所述的装置，其特征在于，所述每个来源组中各类微博信息所占的特征百分比包括：

每个来源组中各类微博信息的数量占此来源组中微博信息总数的百分比；或每个来源组中各类微博信息的点击量占此来源组中微博信息的总点击量的百分比；

所述微博信息的来源组包括：用户标签来源组，用户好友来源组，用户搜索来源组，用户广告及服务来源组，用户应用下载来源组，用户购物来源组及用户地理来源组；

所述微博信息预设的兴趣种类包括：体育类微博信息，健康类微博信息，教育类微博信息，旅游类微博信息，科技类微博信息，汽车类微博信息，游戏类微博信息，美容美发美体类微博信息微博信息，美食类微博信息，服装鞋靴包类微博信息，文化娱乐类微博信息及其他微博信息。