CN106296257A - 一种基于用户行为分析的固定广告位投放方法及系统 - Google Patents

Abstract

本发明公开了一种基于用户行为分析的固定广告位投放方法，该方法包括：S10将电子商务平台的JS代码嵌在媒体页面中；S20电子商务平台服务器接收JS代码检测到用户访问媒体页面时发送的请求；S30电子商务平台服务器根据请求从数据库中获取用户行为数据，利用模型测算用户可能购买的商品列表；S40电子商务平台服务器将用户对应的商品列表的商品信息发送给JS代码，JS代码提取该商品信息，并在固定广告位展示商品。还公开了一种基于用户行为分析的固定广告位投放系统。该投放方法及系统可以最大限度的利用固定广告位的流量资源，提升广告投放效果。

Description

一种基于用户行为分析的固定广告位投放方法及系统

技术领域

本发明涉及互联网广告领域，具体来说，涉及一种基于用户行为分析的固定广告位投放方法及系统。

背景技术

随着互联网技术的不断发展，互联网广告以其快速、便捷、灵活性强的优势迅速取代了传统的媒体广告。互联网广告就是通过网络广告平台在网络上投放广告，在互联网固定广告位刊登或发布广告，通过网络传递到互联网用户的一种高科技广告运作方式。

随着互联网广告技术的高速发展，广告商对目标受众的需要也越来越高。很多电子商务企业会直接从媒体方(例如网易、搜狐、新浪等门户网站，IT168、泡泡等垂直网站，PPTV、暴风等视频网站)买断某一固定广告位的流量来为电子商务平台网站引流，提升网站整体销量，但如何能最大限度的利用该固定广告位的流量资源，提升广告的投放效果是目前各电子商务企业在固定广告位投放上待解决的重要问题。

发明内容

技术问题：本实施例提供一种基于用户行为分析的固定广告位投放方法及系统，该投放方法及系统可以最大限度的利用固定广告位的流量资源，提升广告投放效果。

技术方案：为解决上述技术问题，本发明实施例采用如下的技术方案：

第一方面，本实施例提供一种基于用户行为分析的固定广告位投放方法，该方法包括：

S10将电子商务平台的JS代码嵌在媒体页面中；

S20电子商务平台服务器接收JS代码检测到用户访问媒体页面时发送的请求；

S30电子商务平台服务器根据请求从数据库中获取用户行为数据，利用模型测算用户可能购买的商品列表；

S40电子商务平台服务器将用户对应的商品列表的商品信息发送给JS代码，JS代码提取该商品信息，并在固定广告位展示商品。

结合第一方面，在第一方面的第一种可能实现的方式中，所述S30进一步包括，电子商务平台服务器判断用户是否为电子商务平台用户，若是，则电子商务平台查询电子商务平台数据库，基于实时计算模型或者离线计算模型测算用户可能购买的商品列表；若否，则电子商务平台根据固定广告位所在的媒体页面数据，基于离线计算模型计算出用户可能购买的商品列表；若电子商务平台无法获取媒体页面数据，则将电子商务平台热销商品列表作为用户可能购买的商品列表。

结合第一方面的第一种可能实现的方式，在第二种可能实现的方式中，所述的实时计算模型是指：首先对用户进行分类，每一类用户对应一分模型，然后将各分模型分别进行训练，随后将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对各分模型进行融合，得到实时计算模型。

结合第一方面的第一种可能实现的方式，在第三种可能实现的方式中，所述的离线计算模型测算用户可能购买的商品列表的过程：首先对用户进行分类，对每一类用户分别建立一分模型，然后利用多种算法模型对各分模型分别进行训练，每个算法模型每次训练得到一行为商品的购买概率，然后计算相似相关商品的购买概率；将不同的算法模型测算的相关相似商品的购买概率进行混合，保留同一种商品最大的购买概率值，并将保留的所有商品按照概率值从大到小进行排列，得到用户可能购买的商品列表；或者

所述的离线计算模型测算用户可能购买的商品列表的过程：提取固定广告位所在的媒体页面的关键词，对关键词进行分类处理，并将分类处理后的关键词匹配到商品品类上，根据关键词和商品品类关联度从大到小，对商品品类进行排列，得到用户可能购买的商品列表。

结合第一方面的第一种可能实现的方式，在第四种可能实现的方式中，所述的电子商务平台服务器判断用户是否为电子商务平台用户的方法为：JS代码向电子商务平台服务器发送请求，如果请求中携带了用户在电子商务平台域名下的cookie信息，则该用户为电子商务平台用户；否则，该用户不是电子商务平台用户。

结合第一方面，在第一方面的第五种可能实现的方式中，所述的步骤S30中，通过获取用户在电子商务平台的不同终端的注册数据和行为数据，并将其转化为结构化数据，保存至数据库中。

结合第一方面，在第一方面的第六种可能实现的方式中，所述的方法，进一步包括步骤S50电子商务平台跟踪后续投放数据，并生成报表。

第二方面，本实施例提供一种基于用户行为分析的固定广告位投放系统，该系统包括：

JS代码模块：嵌在媒体页面中，用于更新固定广告位内容；

接收模块：用于电子商务平台服务器接收JS代码检测到用户访问媒体页面时发送的请求；

测算模块：用于电子商务平台服务器根据请求从数据库中获取用户数据，利用模型测算用户可能购买的商品列表；

展示模块：用于电子商务平台服务器将用户对应的商品列表的商品信息发送给JS代码，JS代码提取该商品信息，并在固定广告位展示商品。

结合第二方面，在第二方面的第一种可能实现的方式中，所述测算模块进一步包括：

判断子模块：用于判断用户是否为电子商务平台用户，并识别出该用户；

第一测算子模块：用于当用户是电子商务平台用户时，电子商务平台后台查询电子商务平台数据库，基于实时计算模型或者离线计算模型测算用户可能购买的商品列表；

第二测算子模块：用于当用户不是电子商务平台用户时，电子商务平台后台基于固定广告位所在的媒体页面数据，利用离线计算模型计算用户可能购买的商品列表；

第三测算子模块：用于当用户不是电子商务平台用户，且电子商务平台后台无法获取固定广告位所在的媒体页面数据时，将电子商务平台热销商品列表作为用户可能购买的商品列表。

结合第二方面的第一种可能实现的方式，在第二种可能实现的方式中，所述的实时计算模型，用于测算用户可能购买的商品列表，其建立过程为：首先对用户进行分类，每一类用户对应一分模型，然后将各分模型分别进行训练，随后将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对各分模型进行融合，得到实时计算模型。

结合第二方面的第一种可能实现的方式，在第三种可能实现的方式中，所述的离线计算模型，用于测算用户可能购买的商品列表，其过程为：

对用户进行分类，对每一类用户分别建立一分模型，然后利用多种算法模型对各分模型分别进行训练，每个算法模型每次训练得到一行为商品的购买概率，然后计算相似相关商品的购买概率；将不同的算法模型测算的相关相似商品的购买概率进行混合，保留同一种商品最大的购买概率值，并将保留的所有商品按照概率值从大到小进行排列，得到用户可能购买的商品列表；或者

提取固定广告位所在的媒体页面的关键词，对关键词进行分类处理，并将分类处理后的关键词匹配到商品品类上，根据关键词和商品品类关联度从大到小，对商品品类进行排列，得到用户可能购买的商品列表。

结合第二方面的第一种可能实现的方式，在第四种可能实现的方式中，所述的判断子模块进一步包括：JS代码向电子商务平台服务器发送请求，若请求中携带用户在电子商务平台域名下的cookie信息，则该用户为电子商务平台用户，根据cookie信息识别该用户；否则，该用户不是电子商务平台用户。

结合第二方面，在第五种可能实现的方式中，所述的系统还包括效果数据生成模块：用于电子商务平台跟踪后续投放数据，生成报表。

结合第二方面，在第六种可能实现的方式中，所述的测算模块中，数据库中的数据通过获取用户在电子商务平台的不同终端的注册数据和行为数据，并将其转化为结构化数据，保存至数据库中。

有益效果：与现有技术相比，本发明实施例可以最大限度的利用固定广告位的流量资源，提升广告投放效果。本发明实施例中，电子商务平台采用模型计算出每个用户可能购买的商品列表，并关联商品素材信息，将关联后的结果作为用户的广告展示内容保存至数据库中。在媒体方固定广告位上部署电子商务平台的JS代码。该JS代码会请求电子商务平台服务器，电子商务平台服务器获取该用户所要展示的广告内容，并将相关广告内容返回至JS中，最终实现基于用户行为的广告展示。通过以上方式可最大限度的利用固定广告位的流量资源，提升广告投放的效果。

附图说明

图1是本发明一实施例的流程框图；

图2是本发明一实施例的流程框图；

图3是本发明一实施例的实时计算模型的离线自动训练流程图；

图4是本发明另一实施例的结构框图；

图5是本发明另一实施例的结构框图。

具体实施方式

下面结合附图，对本发明实施例进行具体说明。

如图1所示，本实施例提供一种基于用户行为分析的固定广告位投放方法，其特征在于，该方法包括：

S10将电子商务平台的JS代码嵌在媒体页面中；

S20电子商务平台服务器接收JS代码检测到用户访问媒体页面时发送的请求；

S30电子商务平台服务器根据请求从数据库中获取用户行为数据，利用模型测算用户可能购买的商品列表；

S40电子商务平台服务器将用户对应的商品列表的商品信息发送给JS代码，JS代码提取该商品信息，并在固定广告位展示商品。

上述方法中，电子商务平台服务器从数据库中获取用户行为数据，利用模型测算用户可能购买的商品列表，存储在数据库中。媒体方将JS代码部署在固定广告位上，在页面曝光时，会加载JS代码，JS代码会向电子商务平台发送请求，并从数据库中获得该用户所要展示的广告内容，并将相关广告内容返回至页面中显示。本实施例方法中，利用模型测算出用户可能购买的商品列表，而不是都根据事先设定的同样的商品列表发送给用户。本实施例的方法，根据不同用户的行为数据，测算用户可能购买的商品列表，不同用户对应不同的商品列表。这样，通过JS代码投放的广告，就具有个性化，根据不同用户的不同需求进行投放。也就是说，投放的广告是用户关注的或者需求的。这就有效的利用了流量资源，提升广告投放的效果。

为使得模型测算的用户可能购买的商品列表更加准确，数据库中存储的用户数据来源于电子商务平台的不同终端。通过获取用户在电子商务平台的不同终端的注册数据和行为数据，并将其转化为结构化数据，保存至数据库中。不同终端的注册数据和行为数据，包括来自线上的(PC端、WAP端、APP端)站内数据和线下的终端数据，以及第三方数据。这样，电子商务平台服务器从数据库中获取用户行为数据来源，后续测算用户可能购买的商品列表也就更加准确。

在本实施例S30中，只有用户是电子商务平台用户时，才能从数据库中获取用户行为数据。也就是说，并非所有用户都能够从数据库中获取行为数据。S30进一步包括：电子商务平台服务器判断用户是否为电子商务平台用户，若是，则电子商务平台查询电子商务平台数据库，基于实时计算模型或者离线计算模型测算用户可能购买的商品列表；若否，则电子商务平台根据固定广告位所在的媒体页面数据，基于离线计算模型计算出用户可能购买的商品列表；若电子商务平台无法获取媒体页面数据，则将电子商务平台热销商品列表作为用户可能购买的商品列表。

实时计算模型用于测算用户可能购买的商品列表。实时计算模型的设置关系到商品列表测算的精确度。本实施例优选下述实时计算模型。实时计算模型是指：首先对用户进行分类，每一类用户对应一分模型，然后将各分模型分别进行训练，随后将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对各分模型进行融合，得到实时计算模型。

如图2所示，步骤S30具体包括以下步骤：

S21采集用户的行为数据，并将各终端数据融合，得到融合后的实时预测特征向量；

S22计算行为商品的购买概率；

S23对S22得到的行为商品的购买概率进行修正，得到修正后的行为商品的购买概率；

S24测算相似相关商品的购买概率，并按照购买率大小排序，生成用户可能购买的商品列表。

上述实施例中，采集的用户行为数据来源于线上的(PC端、WAP端、APP端)站内数据和线下的终端数据，以及第三方数据。这样，从数据采集角度而言，这些行为数据覆盖了多个终端。与单个终端，例如WAP端相比，本实施例采集的数据来源范围广。多终端数据来源，为后续的购买概率预测提供了更准确的基础数据。作为一种优选方案，行为数据包括历史离线特征数据和实时特征数据。历史离线特征数据可以选择：会员属性或标签、会员忠诚度、会员购买力、会员偏好、会员历史访问指标等等。会员历史访问指标可以是：过去N天添加购物车行为次数、过去N天添加收藏夹行为次数、过去N天PV数、过去N天一个会话内最多PV数、过去N天网站访问时长、过去N天一个会话的最大时长、过去N天浏览商品详情页数量、过去N天一个会话内最多访问详情页数量、过去N天会话数量、过去N天天订单数量等等。实时特征数据采用解析访问日志、点击日志、曝光日志、事件日志、订单日志的方法得到。例如，实时特征数据包括四级页商品详情区点击次数(包括评价)、商品四级页收藏点击次数、列表页推荐点击次数、列表页收藏点击次数、列表页商品点击次数、用户浏览pv、搜索页收藏点击次数、搜索页推荐点击次数、新动态促销页商品点击次数、用户静态商品促销页pv等等。

在S21中，实时预测特征向量的确定方法为：建立终端的映射关系，打通各终端的数据连接通道，将各特征数据通过映射关系关联得到融合后的特征向量，将各终端特征向量融合，得到融合后的实时预测特征向量。对于非会员，可以通过cookie、手机串号等对应映射关系关联得到融合后的特征指标。对于会员，可以通过会员编码等关联实时数据和历史数据，得到融合后的特征指标。通过会员关系、各终端识别码进行数据连接和关联，得到融合数据。

在通过S21得到融合后的实时预测特征向量后，需要计算行为商品的购买概率。本实施例提供的行为商品的购买概率的测算方法不同于传统方法。本实施例采用基于多模型的实时计算模型进行预测。实时计算模型是指：首先对用户进行分类，每一类用户对应一分模型，然后将各分模型分别进行训练，随后将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对各分模型进行融合，得到实时计算模型。

对用户进行分类的方式有很多，作为一种优选方案，本实施例选择按照终端类型、用户类型、访客类型三种维度，对用户进行分类，并对每类用户建立一分模型。例举一实例，将用户分为8类，具体分类如下：

PC新访客模型：针对无历史行为特征的、且今天访问网站的PC访客而建立的模型。

PC老访客模型：针对有历史行为特征的PC访客而建立的模型。

PC新会员模型，针对无历史行为特征的、且今天注册为会员的PC会员而建立的模型。

PC老会员模型，针对有历史行为特征的、且之前注册为会员的PC会员而建立的模型。

WAP访客模型，针对非注册会员的WAP访客而建立的模型。

WAP会员模型，针对注册会员的WAP会员而建立的模型。

APP访客模型，针对非注册会员的APP访客而建立的模型。

APP会员模型，针对注册会员的APP会员而建立的模型。

当然除此之外，其他的用户分类方法亦可行，只要分别建立相应分类的模型，并进行训练。

采用上述多模型测算得到的行为商品的购买概率为多个。本实施例对多个模型进行修正，得到修正后的行为商品的购买概率，即融合后的行为商品的购买概率。对S22得到的行为商品的购买概率进行修正，具体过程为：采用将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对S22得到的行为商品的购买概率进行概率修正，得到修正的概率，即得到融合后的商品购买概率。各分模型的新修正参数可以自由设定，例如，新修正参数为转化率、点击率或者模型分类。

实时计算模型涉及多个分模型的融合。多个分模型融合可视为再次的机器学习过程。设有3个分类模型：分模型M1、分模型M2和分模型M3，利用测试样本数据进行模型测试，测试数据输出的结果分别为F1，F2和F3。用训练样本数据通过模型输出的训练数据预测结果为f1，f2和f3。将f1，f2、f3和各分模型的转化率合并到训练样本数据中，对各分模型再次训练，得到修正的模型，即最终的实时计算模型。再用实时计算模型训练测试样本数据，得到结果a，b和c。

本实施例中，行为商品是指用户在电子商务网站上有操作行为的商品。操作行为例如：浏览、点击、加入收藏夹等行为。相似相关商品是指与行为商品相似或相关的商品。相似相关商品由行为商品按照关联规则、协同过滤等关联方法计算得出的商品列表，然后根据支持度和信任度选取分别满足用户给定的阈值，按照阈值过滤得到商品。其中选取的关联场景包括但不限于浏览最终购买、看了还看、看了最终购买、配件搭配场景等。作为一种优选方案，按照式(1)测算相似相关商品的购买概率。

Score_i＝Master_SPU_Pos*SKU_Score_i/max(SKU_Score_i) 式(1)

其中，Score_i表示相似相关商品的购买概率，Master_SPU_Pos表示行为商品的购买概率，max(SKU_Score_i)表示相似相关商品列表中关联度最高值，SKU_Score_i表示相似相关商品SKU_i与行为商品的关联度。

本实施例采用多数据源、多终端类型的数据，进行训练多模型的实时计算购买转化预测概率。同时模型采用线性分片和融合打通的训练样本数据，并且对分片的多模型采用偏移量因子进行模型融合归一处理，最终得到一个精度高、多终端融合的购买概率预测的实时计算模型。本实施例实时采集数据，并进行计算，向用户实时推荐商品。

本实施例根据不同的数据终端和融合数据，按照人群分别训练模型，然后按照分群片区的偏移修正，融合各模型，得到统一的实时计算模型。融合所用的方法有很多，大部分人直接用机器学习里的各类方法，或者用统计回归等。本实施例选用各分模型初步预测结果加新修正参数重新训练的方法，得到实时计算模型。其他机器学习的方法预测精度提高有限、模型比较复杂。本实施例中，步骤S21采集的数据来源于多个终端。步骤S23中，对人群进行了分类，并对每类人群分别建立了分模型；然后对各分模型进行训练，将首次训练结果和新修正参数作为模型融合的偏移融合因子，对各分模型进行融合归一处理，得到修正后的统一模型，即实时计算模型；最后利用该实时计算模型进行概率测算。相比较其他机器学习方法，本实施例从数据来源和模型建立两方面，尤其是实时计算模型，提高了预测精度。

对本实施例采用的方法和利用单一模型进行预测的方法进行比较。按照单一模型预测，分类器正确判断阳性样本的值高于阴性样本之概率(英文全称：Area Under the ROC Curve，文中简称：AUC)为0.70。采用本实施例方法，AUC＝0.85。本实施例的方法的预测精度高于单一模型的预测精度。

图3所示，为本实施例中涉及的实时计算模型的离线自动训练流程，具体如下：

S31根据不同终端选取实时行为特征数据和历史特征数据。

该实时行为特征数据和历史特征数据包括PC端、WAP端、APP端等站内数据，也包括第三方线上数据和线下终端数据。例如，实时行为特征数据包括：详情访问特征、搜索特征、列表页访问特征、促销访问特征、页面点击特征、收藏夹次数、购物车次数等。历史特征数据包括：会员属性或标签、会员忠诚度、会员购买力、会员偏好、会员历史访问指标等。举例来说，会员历史访问指标包括过去N天添加购物车行为次数、过去N天添加收藏夹行为次数、过去N天PV数、过去N天一个会话内最多PV数、过去N天网站访问时长、过去N天一个会话的最大时长、过去N天浏览商品详情页数量、过去N天一个会话内最多访问详情页数量、过去N天会话数量、过去N天订单数量。

S32根据S31采集的实时行为特征数据和历史特征数据，分别提取部分数据作为训练样本数据和离线测试样本数据，得到特征向量。

该特征向量包括实时行为特征和历史特征指标。提取部分数据可以是1-30天产生的数据，也可以是其他天数内产生的数据。

S33根据S32得到的数据，训练模型。

依照上述实施例所述，按照终端类型、用户类型和访客类型维度，对用户进行分类，并对每类用户建立一分模型。使用logistic regression模型训练各分模型。举例来说，训练的各分模型包括：

PC新访客模型，训练的样本数据包括无历史行为特征的PC访客(非会员)；

PC老访客模型，训练的样本数据包括有历史历史行为特征的PC访客(非会员)；

PC新会员模型，训练的样本数据包括无历史行为特征的PC会员；

PC老会员模型，训练的样本数据包括有历史历史行为特征的PC会员；

WAP访客模型，训练的样本数据包括WAP访客(非会员)；

WAP会员模型，训练的样本数据包括WAP会员；

APP访客模型，训练的样本数据包括APP访客(非会员)；

APP会员模型，训练的样本数据包括APP会员。

用p(y＝1|x)表示逻辑回归函数(用户购买概率的模型)，如式(2)所示：

$p(y=1|x)=\frac{1}{1+\exp (-f(x))}$ 式(2)

其中，p(y＝1|x)表示转化概率，f(x)表示特征向量的线性函数。

由于特征选取较多，且模型比较复杂，会产生过拟合、特征共线性等问题，选用LASSO回归的方法进行模型的变量选择和正则化,lasso回归的RSS形式如下：

$\underset{i=1}{\overset{n}{\Σ}}(y_i-{\mathrm{\β}}_0-{\underset{j=1}{\overset{\mathrm{\ρ}}{\Σ}}{\mathrm{\β}}_j{x}_{ij})}^2+\mathrm{\λ}\underset{j=1}{\overset{\mathrm{\ρ}}{\Σ}}|{\mathrm{\β}}_j|$ 式(3)

其中，y表示预测变量，β₀表示常量，β_j表示变量参数，λ表示lasso惩罚系数，i表示样本数量，j表示模型变量数量，x_ij表示变量。

模型按照终端、用户类型、访客类型维度进行分片处理，分片后的模型如式(4)：

$p(y=1|x)=\frac{1}{1+\exp (-{\mathrm{\π}}_m*{\mathrm{\ω}}_i{x}_i)}$ 式(4)

其中，p(y＝1|x)表示转化概率，即购买概率；π表示分模型，即各分类用户对应的分模型，m表示模型数量，x表示变量，ω表示权重，i表示样本数量。

S34，根据S33得到的如式(4)所示的训练模型，加入首次训练结果和新修正参数进行融合，得到实时计算模型。

离线计算模型用于当用户为电子商务平台用户时，离线测算用户可能购买的商品列表。离线计算模型还用于当用户不是电子商务平台用户，没有用户的历史数据时，根据固定广告位所在的媒体页面数据，计算出用户可能购买的商品列表。本实施例中的离线计算模型，根据不同情形测算用户可能购买的商品列表。

当用户为电子商务平台用户时，离线测算用户可能购买的商品列表的过程：首先对用户进行分类，对每一类用户分别建立一分模型，然后利用多种算法模型对各分模型分别进行训练，每个算法模型每次训练得到一行为商品的购买概率，然后计算相似相关商品的购买概率；将不同的算法模型测算的相关相似商品的购买概率进行混合，保留同一种商品最大的购买概率值，并将保留的所有商品按照概率值从大到小进行排列，得到用户可能购买的商品列表。

离线计算模型中，用户分类的方法和分模型的建立，可参见上文实时计算模型中的用户分类和分模型的建立。所不同的地方在于模型中参数的选择。本领域技术人员根据实际情况，可以选择合适的参数来建立模型。

当用户不是电子商务平台用户时，离线计算模型测算用户可能购买的商品列表的过程：提取固定广告位所在的媒体页面的关键词，对关键词进行分类处理，并将分类处理后的关键词匹配到商品品类上，根据关键词和商品品类关联度从大到小，对商品品类进行排列，得到用户可能购买的商品列表。根据离线计算模型提供的商品列表中，排在前列的商品，进行广告单品投放。例如，从页面抓取关键词：手机、IPHONE、音响，将其进行分类处理，处理后为：手机、音响。对每个关键词，从商品品类中选择与其相关的商品。例如对于手机，从商品品类中选择和手机关键词关联度较高的商品。按照这些商品与每个对应的关键词的关联度进行排列，生成用户可能购买的商品列表。

与实时计算模型相同，离线计算模型的设置也会涉及到计算商品列表的精度。

根据不同分类中用户的历史访问行为、会员历史特征、商品特征提供个性化的基于用户购买概率的推荐方法。本离线计算模型是多个分模型、多算法模型的融合。其中，多算法模型包括采用lasso回归、random decision forests等，根据不同的模型计算结果进行混合推荐。具体来说，离线计算模型可采用的算法模型如：

算法模型一：logistic regression

训练的模型包括但不限于：PC端模型、WAP端模型、APP端模型。用p(y＝1|x)表示逻辑回归函数，如式(2)所示：

$p(y=1|x)=\frac{1}{1+\exp (-f(x))}$ 式(2)

其中，p(y＝1|x)表示转化概率，f(x)表示特征向量的线性函数。

由于特征选取较多，且模型比较复杂，会产生过拟合、特征共线性等问题，选用LASSO回归的方法进行模型的变量选择和正则化,lasso回归的RSS形式如下：

$\underset{i=1}{\overset{n}{\Σ}}(y_i-{\mathrm{\β}}_0-{\underset{j=1}{\overset{\mathrm{\ρ}}{\Σ}}{\mathrm{\β}}_j{x}_{ij})}^2+\mathrm{\λ}\underset{j=1}{\overset{\mathrm{\ρ}}{\Σ}}|{\mathrm{\β}}_j|$ 式(3)

其中，y表示预测变量，β₀表示常量，β_j表示变量参数，λ表示lasso惩罚系数，i表示样本数量，j表示模型变量数量，x_ij表示变量。

模型按照终端类型进行分片处理，分片后的模型如式(4)：

$p(y=1|x)=\frac{1}{1+\exp (-{\mathrm{\π}}_m*{\mathrm{\ω}}_i{x}_i)}$ 式(4)

其中，p(y＝1|x)表示转化概率，即购买概率；π表示分模型，即各分类用户对应的分模型，m表示模型数量，x表示变量，ω表示权重，i表示样本数量。

算法模型二：random decision forests

本模型算法主要使用random decision forests模型进行训练各模型。随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。根据下列算法而建造每棵树：

(1)用N来表示训练例子的个数，M表示变量的数目。

(2)设定一个数m，用来决定当在一个节点上做决定时，会使用到多少个变量。m小于M。

(3)从N个训练例子中以可重复取样的方式，取样N次，形成一组训练集(即bootstrap取样)，并使用这棵树对剩余预测其类别，并评估其误差。

(4)对于每一个节点，随机选择m个基于此点上的变量。根据这m个变量，计算其最佳的分割方式。

除了上述两种算法模型外，还可以采用其他已知的算法模型。

离线计算模型根据多种算法模型，对多个分模型进行训练，每个算法模型每次训练得到一行为商品的购买概率，然后计算相似相关商品的购买概率；将不同的算法模型测算的相关相似商品的购买概率进行混合，保留同一种商品最大的购买概率值，并将保留的所有商品按照概率值从大到小进行排列，得到最终的用户可能购买的商品列表。

行为商品是指用户在电子商务网站上有操作行为的商品。操作行为例如：浏览、点击、加入收藏夹等行为。相似相关商品是指与行为商品相似或相关的商品。相似相关商品由行为商品按照关联规则、协同过滤等关联方法计算得出的商品列表，然后根据支持度和信任度选取分别满足用户给定的阈值，按照阈值过滤得到商品。其中选取的关联场景包括但不限于浏览最终购买、看了还看、看了最终购买、配件搭配场景等。相似相关商品通过协同过滤、关联规则算法得出。相似相关商品的购买概率是按照行为商品的购买概率的一定系数权重得出，该系数权重根据商品相关性得出。作为一种优选方案，按照式(1)测算相似相关商品的购买概率。

Score_i＝Master_SPU_Pos*SKU_Score_i/max(SKU_Score_i) 式(1)

其中，Score_i表示相似相关商品的购买概率，Master_SPU_Pos表示行为商品的购买概率，max(SKU_Score_i)表示相似相关商品列表中关联度最高值，SKU_Score_i表示相似相关商品SKU_i与行为商品的关联度。

作为一种优选方案，所述的电子商务平台服务器判断用户是否为电子商务平台用户的方法为：JS代码向电子商务平台服务器发送请求，如果请求中携带了用户在电子商务平台域名下的cookie信息，则该用户为电子商务平台用户，根据cookie信息识别该用户；否则，该用户不是电子商务平台用户。电子商务平台的数据库中仅仅保留了电子商务平台用户的行为数据。当用户不是电子商务平台用户时，数据库是没有该用户的行为数据的。此时需要判断用户是否为电子商务平台用户。通过请求中是否携带了用户在电子商务平台域名下的cookie信息，判断用户是否为电子商务平台用户，方法简单，且判断准确。

为了及时反馈广告的投放效果，本实施例的方法进一步包括步骤S50：电子商务平台跟踪后续投放数据，并生成报表。电子商务平台跟踪广告的投放数据，包括点击率、曝光次数、点击次数，并将这些投放数据生成报表，存储在数据库中。报表的作用是监测和分析广告的投放效果。

如图4所示，本实施例提供一种基于用户行为分析的固定广告位投放系统，该系统包括：

JS代码模块：嵌在媒体页面中，用于更新固定广告位内容；

接收模块：用于电子商务平台服务器接收JS代码检测到用户访问媒体页面时发送的请求；

测算模块：用于电子商务平台服务器根据请求从数据库中获取用户数据，利用模型测算用户可能购买的商品列表；

展示模块：用于电子商务平台服务器将用户对应的商品列表的商品信息发送给JS代码，JS代码提取该商品信息，并在固定广告位展示商品。

上述实施例的系统中，通过测算模块测算用户可能购买的商品列表，然后通过展示模块在固定广告位展示商品。本实施例系统中，测算模块利用模型测算出用户可能购买的商品列表，而不是根据事先设定的同样的商品列表发送给不同用户。本实施例的系统，根据不同用户的行为数据，测算用户可能购买的商品列表，不同用户对应不同的商品列表。这样，通过JS代码投放的广告，就具有个性化，根据不同用户的不同需求进行投放。也就是说，投放的广告是用户关注的或者需求的。这就有效的利用了流量资源，提升广告投放的效果。

上述实施例的系统中，通过获取用户在电子商务平台的不同终端(包括PC端、移动端、线下门店)的注册数据和行为数据，并将其转化为结构化数据，保存至测算模块的数据库中。本实施例的数据库中存储的用户行为数据，来源于多终端。这为测算模块测算用户可能购买的商品列表提供了很好的数据支持。

测算模块的数据中存储的数据为电子商务平台用户的行为数据。当用户不是电子商务平台用户时，数据库中是没有用户的行为数据的。此时，在测算模块测算用户可能购买的商品列表时，就需要判断该用户是否为电子商务平台用户。上述实施例的系统，如图5所示，所述测算模块进一步包括：判断子模块：用于判断用户是否为电子商务平台用户，并识别出该用户。第一测算子模块：用于当用户是电子商务平台用户时，电子商务平台后台查询电子商务平台数据库，基于实时计算模型或者离线计算模型测算用户可能购买的商品列表。第二测算子模块：用于当用户不是电子商务平台用户时，电子商务平台后台基于固定广告位所在的媒体页面数据，利用离线计算模型计算用户可能购买的商品列表。第三测算子模块：用于当用户不是电子商务平台用户，且电子商务平台后台无法获取固定广告位所在的媒体页面数据时，将电子商务平台热销商品列表作为用户可能购买的商品列表。

测算模块中涉及的实时计算模型是指：首先对用户进行分类，每一类用户对应一分模型，然后将各分模型分别进行训练，随后将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对各分模型进行融合，得到实时计算模型。

当用户为电子商务平台用户时，离线计算模型测算用户可能购买的商品列表的过程：首先对用户进行分类，对每一类用户分别建立一分模型，然后利用多种算法模型对各分模型分别进行训练，每个算法模型每次训练得到一行为商品的购买概率，然后计算相似相关商品的购买概率；将不同的算法模型测算的相关相似商品的购买概率进行混合，保留同一种商品最大的购买概率值，并将保留的所有商品按照概率值从大到小进行排列，得到用户可能购买的商品列表。

在上述离线计算模型中，行为商品是指用户在电子商务网站上有操作行为的商品。操作行为例如：浏览、点击、加入收藏夹等行为。相似相关商品是指与行为商品相似或相关的商品。相似相关商品由行为商品按照关联规则、协同过滤等关联方法计算得出的商品列表，然后根据支持度和信任度选取分别满足用户给定的阈值，按照阈值过滤得到商品。其中选取的关联场景包括但不限于浏览最终购买、看了还看、看了最终购买、配件搭配场景等。相似相关商品通过协同过滤、关联规则算法得出。相似相关商品的购买概率是按照行为商品的购买概率的一定系数权重得出，该系数权重根据商品相关性得出。作为一种优选方案，按照式(1)测算相似相关商品的购买概率。

Score_i＝Master_SPU_Pos*SKU_Score_i/max(SKU_Score_i) 式(1)

其中，Score_i表示相似相关商品的购买概率，Master_SPU_Pos表示行为商品的购买概率，max(SKU_Score_i)表示相似相关商品列表中关联度最高值，SKU_Score_i表示相似相关商品SKU_i与行为商品的关联度。

离线计算模型中，用户分类的方法和分模型的建立，可参见上文实时计算模型中的用户分类和分模型的建立。所不同的地方在于模型中参数的选择。本领域技术人员根据实际情况，可以选择合适的参数来建立模型。本离线计算模型是多个分模型、多算法模型的融合。其中，多算法模型包括采用lasso回归、randomdecision forests等，根据不同的模型计算结果进行混合推荐。

当用户不是电子商务平台用户时，离线计算模型测算用户可能购买的商品列表的过程：提取固定广告位所在的媒体页面的关键词，对关键词进行分类处理，并将分类处理后的关键词匹配到商品品类上，根据关键词和商品品类关联度从大到小，对商品品类进行排列，得到用户可能购买的商品列表。

上述系统中，判断子模块进一步包括：JS代码向电子商务平台服务器发送请求，若请求中携带用户在电子商务平台域名下的cookie信息，则该用户为电子商务平台用户，根据cookie信息识别该用户；否则，该用户不是电子商务平台用户。电子商务平台的数据库中仅仅保留了电子商务平台用户的行为数据。当用户不是电子商务平台用户时，数据库是没有该用户的行为数据的。此时需要判断用户是否为电子商务平台用户。通过请求中是否携带了用户在电子商务平台域名下的cookie信息，判断用户是否为电子商务平台用户，方法简单，且判断准确。

为了及时反馈广告的投放效果，本实施例的系统，还包括效果数据生成模块：用于电子商务平台跟踪后续投放数据，生成报表。电子商务平台跟踪广告的投放数据，包括点击率、曝光次数、点击次数，并将这些投放数据生成报表，存储在数据库中。

本领域技术人员应该知晓，实现上述实施例的方法或者系统，可以通过计算机程序指令来实现。该计算机程序指令装载到可编程数据处理设备上，例如计算机，从而在可编程数据处理设备上执行相应的指令，用于实现上述实施例的方法或者系统实现的功能。

本领域技术人员依据上述实施例，可以对本申请进行非创造性的技术改进，而不脱离本发明的精神实质。这些改进仍应视为在本申请权利要求的保护范围之内。

Claims (14)

1.一种基于用户行为分析的固定广告位投放方法，其特征在于，该方法包括：

S10将电子商务平台的JS代码嵌在媒体页面中；

S20电子商务平台服务器接收JS代码检测到用户访问媒体页面时发送的请求；

S30电子商务平台服务器根据请求从数据库中获取用户行为数据，利用模型测算用户可能购买的商品列表；

S40电子商务平台服务器将用户对应的商品列表的商品信息发送给JS代码，JS代码提取该商品信息，并在固定广告位展示商品。

2.按照权利要求1所述的方法，其特征在于，所述S30进一步包括，电子商务平台服务器判断用户是否为电子商务平台用户，若是，则电子商务平台查询电子商务平台数据库，基于实时计算模型或者离线计算模型测算用户可能购买的商品列表；若否，则电子商务平台根据固定广告位所在的媒体页面数据，基于离线计算模型计算出用户可能购买的商品列表；若电子商务平台无法获取媒体页面数据，则将电子商务平台热销商品列表作为用户可能购买的商品列表。

3.按照权利要求2所述的方法，其特征在于，所述的实时计算模型是指：首先对用户进行分类，每一类用户对应一分模型，然后将各分模型分别进行训练，随后将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对各分模型进行融合，得到实时计算模型。

4.按照权利要求2所的方法，其特征在于，所述的离线计算模型测算用户可能购买的商品列表的过程：首先对用户进行分类，对每一类用户分别建立一分模型，然后利用多种算法模型对各分模型分别进行训练，每个算法模型每次训练得到一行为商品的购买概率，然后计算相似相关商品的购买概率；将不同的算法模型测算的相关相似商品的购买概率进行混合，保留同一种商品最大的购买概率值，并将保留的所有商品按照概率值从大到小进行排列，得到用户可能购买的商品列表；或者

所述的离线计算模型测算用户可能购买的商品列表的过程：提取固定广告位所在的媒体页面的关键词，对关键词进行分类处理，并将分类处理后的关键词匹配到商品品类上，根据关键词和商品品类关联度从大到小，对商品品类进行排列，得到用户可能购买的商品列表。

5.按照权利要求2所述的方法，其特征在于，所述的电子商务平台服务器判断用户是否为电子商务平台用户的方法为：JS代码向电子商务平台服务器发送请求，如果请求中携带了用户在电子商务平台域名下的cookie信息，则该用户为电子商务平台用户，根据cookie信息识别该用户；否则，该用户不是电子商务平台用户。

6.按照权利要求1所述的方法，其特征在于，所述的步骤S30中，通过获取用户在电子商务平台的不同终端的注册数据和行为数据，并将其转化为结构化数据，保存至数据库中。

7.按照权利要求1所述的方法，其特征在于，进一步包括步骤S50电子商务平台跟踪后续投放数据，并生成报表。

8.一种基于用户行为分析的固定广告位投放系统，其特征在于，该系统包括：

JS代码模块：嵌在媒体页面中，用于更新固定广告位内容；

接收模块：用于电子商务平台服务器接收JS代码检测到用户访问媒体页面时发送的请求；

测算模块：用于电子商务平台服务器根据请求从数据库中获取用户数据，利用模型测算用户可能购买的商品列表；

展示模块：用于电子商务平台服务器将用户对应的商品列表的商品信息发送给JS代码，JS代码提取该商品信息，并在固定广告位展示商品。

9.按照权利要求8所述的系统，其特征在于，所述测算模块进一步包括：

判断子模块：用于判断用户是否为电子商务平台用户，并识别出该用户；

第一测算子模块：用于当用户是电子商务平台用户时，电子商务平台后台查询电子商务平台数据库，基于实时计算模型或者离线计算模型测算用户可能购买的商品列表；

第二测算子模块：用于当用户不是电子商务平台用户时，电子商务平台后台基于固定广告位所在的媒体页面数据，利用离线计算模型计算用户可能购买的商品列表；

第三测算子模块：用于当用户不是电子商务平台用户，且电子商务平台后台无法获取固定广告位所在的媒体页面数据时，将电子商务平台热销商品列表作为用户可能购买的商品列表。

10.按照权利要求9所述的系统，其特征在于，所述的实时计算模型，用于测算用户可能购买的商品列表，其建立过程为：首先对用户进行分类，每一类用户对应一分模型，然后将各分模型分别进行训练，随后将各分模型的首次训练结果和新修正参数作为模型融合的偏移融合因子，对各分模型进行融合，得到实时计算模型。

11.按照权利要求9所述的系统，其特征在于，所述的离线计算模型，用于测算用户可能购买的商品列表，其过程为：

对用户进行分类，对每一类用户分别建立一分模型，然后利用多种算法模型对各分模型分别进行训练，每个算法模型每次训练得到一行为商品的购买概率，然后计算相似相关商品的购买概率；将不同的算法模型测算的相关相似商品的购买概率进行混合，保留同一种商品最大的购买概率值，并将保留的所有商品按照概率值从大到小进行排列，得到用户可能购买的商品列表；或者

提取固定广告位所在的媒体页面的关键词，对关键词进行分类处理，并将分类处理后的关键词匹配到商品品类上，根据关键词和商品品类关联度从大到小，对商品品类进行排列，得到用户可能购买的商品列表。

12.按照权利要求9所述的系统，其特征在于，所述的判断子模块进一步包括：JS代码向电子商务平台服务器发送请求，若请求中携带用户在电子商务平台域名下的cookie信息，则该用户为电子商务平台用户，根据cookie信息识别该用户；否则，该用户不是电子商务平台用户。

13.按照权利要求8所述的系统，其特征在于，还包括效果数据生成模块：用于电子商务平台跟踪后续投放数据，生成报表。

14.按照权利要求8所述的系统，其特征在于，所述的测算模块中，数据库中的数据通过获取用户在电子商务平台的不同终端的注册数据和行为数据，并将其转化为结构化数据，保存至数据库中。