CN106447371A - 一种网页广告的推荐方法和装置 - Google Patents

Abstract

本发明公开了一种网页广告的推荐方法和装置。所述方法包括：实时获取记录用户对第一网页访问行为的用户行为数据；根据所述用户行为数据预测所述用户访问的至少一个当前信息类别；按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别；接收网页服务器在所述用户访问第二网页时推荐网页广告的请求；选择所述用户的至少一个历史信息类别并反馈至所述网页服务器，以供所述网页服务器调取匹配于所选择的历史信息类别的网页广告在所述第二网页中进行推荐。依据本发明可以推荐与用户当前行为更为相关的广告，从而可以提高推荐的广告的点击率。

Description

一种网页广告的推荐方法和装置

技术领域

本发明涉及软件技术领域，具体涉及一种网页广告的推荐方法，以及一种网页广告的推荐装置。

背景技术

在网页广告投放策略中，根据用户的历史搜索行为挖掘各个用户的兴趣爱好，进一步根据用户的兴趣爱好进行广告推荐。

传统的离线数据挖掘需要收集到用户的全量历史数据，进行统计分析。历史行为指导广告投放虽然比随机投放有一定的效果提升，但由于用户行为是具有时效性的，针对历史行为分析用户兴趣可能已经过时，并非用户当前关注的兴趣，从而会影响广告的点击率。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的网页广告的推荐方法，以及一种网页广告的推荐装置。

依据本发明的一个方面，提供了一种网页广告的推荐方法，包括：

实时获取记录用户对第一网页访问行为的用户行为数据；

根据所述用户行为数据预测所述用户访问的至少一个当前信息类别；

按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别；

接收网页服务器在所述用户访问第二网页时推荐网页广告的请求；

选择所述用户的至少一个历史信息类别并反馈至所述网页服务器，以供所述网页服务器调取匹配于所选择的历史信息类别的网页广告在所述第二网页中进行推荐。

可选地，所述实时获取记录用户对第一网页访问行为的用户行为数据包括：

实时监控并获取监控服务器记录的所述用户行为数据。

可选地，在所述实时获取记录用户对第一网页访问行为的用户行为数据之后，所述方法还包括：

将所述用户行为数据缓存至第一缓存中间件；

从所述第一缓存中间件中提取第一预设个数的所述用户行为数据。

可选地，所述根据所述用户行为数据预测所述用户访问的至少一个当前信息类别包括：

从所述用户行为数据中提取所述用户在所述第一网页输入的查询关键词；

将提取的查询关键词输入预置的分类预测模型；

获得所述分类预测模型根据所述查询关键词预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值。

可选地，在所述根据所述用户行为数据预测所述用户访问的至少一个当前信息类别之后，所述方法还包括：

将所述预测的所述用户访问的至少一个当前信息类别和对应的当前类别权重值，缓存至第二缓存中间件；

从所述第二缓存中间件中提取第二预设个数的所述当前信息类别以及对应的类别权重值。

可选地，所述按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别包括：

按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并，得到合并后的所述历史信息类别和所述历史类别权重值。

可选地，所述方法还包括：

按照所述历史信息类别的时间信息，对记录的所述历史类别权重值进行衰减计算，并更新所述历史类别权重值。

可选地，所述按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别包括：

按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并；

按照所述历史信息类别的时间信息，对合并后的历史类别权重值进行衰减计算，得到衰减后的所述历史类别权重值。

可选地，所述方法还包括：

按照对应的时间信息以及所述历史类别权重值清理所述历史信息类别。

可选地，在所述根据所述用户行为数据预测所述用户访问的至少一个当前信息类别之后，所述方法还包括：

将对应一次访问行为的不同种类的用户行为数据进行关联，将一个用户行为数据对应的当前信息类别与关联的另一个用户行为数据访问的目标网页广告进行关联。

可选地，在所述接收网页服务器在所述用户访问第二网页时推荐网页广告的请求之后，所述方法还包括：

选择所述用户的至少一个历史信息类别关联的目标网页广告反馈至所述网页服务器，以供所述网页服务器在所述第二网页中推荐所述目标网页广告。

依据本发明的另一个方面，提供了一种网页广告的推荐装置，其中，包括：

用户行为数据获取模块，用于实时获取记录用户对第一网页访问行为的用户行为数据；

当前信息类别预测模块，用于根据所述用户行为数据预测所述用户访问的至少一个当前信息类别；

历史信息类别更新模块，用于按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别；

请求接收模块，用于接收网页服务器在所述用户访问第二网页时推荐网页广告的请求；

历史信息类别选择模块，用于选择所述用户的至少一个历史信息类别并反馈至所述网页服务器，以供所述网页服务器调取匹配于所选择的历史信息类别的网页广告在所述第二网页中进行推荐。

可选地，所述用户行为数据获取模块，具体用于实时监控并获取监控服务器记录的所述用户行为数据。

可选地，在所述用户行为数据获取模块之后，所述装置还包括：

第一缓存模块，用于将所述用户行为数据缓存至第一缓存中间件；

用户行为数据提取模块，用于从所述第一缓存中间件中提取第一预设个数的所述用户行为数据。

可选地，所述当前信息类别预测模块包括：

查询关键词提取子模块，用于从所述用户行为数据中提取所述用户在所述第一网页输入的查询关键词；

关键词预置子模块，用于将提取的查询关键词输入预置的分类预测模型；

数据获得子模块，用于获得所述分类预测模型根据所述查询关键词预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值。

可选地，在所述当前信息类别预测模块之后，所述装置还包括：

第二缓存模块，用于将所述预测的所述用户访问的至少一个当前信息类别和对应的当前类别权重值，缓存至第二缓存中间件；

数据提取子模块，用于从所述第二缓存中间件中提取第二预设个数的所述当前信息类别以及对应的类别权重值。

可选地，所述历史信息类别更新模块，具体用于按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并，得到合并后的所述历史信息类别和所述历史类别权重值。

可选地，所述装置还包括：

类别权重值衰减计算模块，用于按照所述历史信息类别的时间信息，对记录的所述历史类别权重值进行衰减计算，并更新所述历史类别权重值。

可选地，所述历史信息类别更新模块包括：

用户行为合并关联子模块，相同用户的同时间窗口内的行为，合并时间策略，将不同行为源的相同用户的行为进行关联存储。

权重值合并子模块，用于按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并；

类别权重值衰减统计子模块，用于按照所述历史信息类别的时间信息，对合并后的历史类别权重值进行衰减计算，得到衰减后的所述历史类别权重值。

可选地，所述装置还包括：

历史信息类别清理模块，用于按照对应的时间信息以及所述历史类别权重值清理所述历史信息类别。

可选地，所述装置还包括：

数据关联模块，用于在所述根据所述用户行为数据预测所述用户访问的至少一个当前信息类别之后，将对应一次访问行为的不同种类的用户行为数据进行关联，将一个用户行为数据对应的当前信息类别与关联的另一个用户行为数据访问的目标网页广告进行关联。

可选地，所述装置还包括：

广告推荐模块，用于在所述接收网页服务器在所述用户访问第二网页时推荐网页广告的请求之后，选择所述用户的至少一个历史信息类别关联的目标网页广告反馈至所述网页服务器，以供所述网页服务器在所述第二网页中推荐所述目标网页广告。

依据本发明的实施例，实时获取记录用户对第一网页访问行为的用户行为数据，根据所述用户行为数据预测所述用户访问的至少一个当前信息类别，按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别，并根据更新后的历史信息类别对在所述第一网页之后访问的第二网页进行广告推荐，通过上述机制，根据最新产生的用户行为数据，实时更新记录的历史信息类别，从而可以根据实时更新的历史信息类别对用户的下一访问广告行为进行广告推荐，实时更新的历史信息类别可以更好地标识用户当前行为，可以推荐与用户当前行为更为相关的广告，从而可以提高推荐的广告的点击率。

此外，可以对记录的历史行为数据进行清理，可以保证在资源允许的情况下，记录的历史行为数据为针对用户的最新的和最有效的数据，从而保证所推荐广告的点击率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明实施例1的网页广告的推荐方法的流程图；

图2示出了根据本发明实施例2的网页广告的推荐方法的流程图；

图3示出了根据本发明实施例3的网页广告的推荐方法的流程图；

图4示出了根据本发明实施例1的网页广告的推荐装置的结构框图；

图5示出了根据本发明实施例2的网页广告的推荐装置的结构框图；

图6示出了根据本发明实施例3的网页广告的推荐装置的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例1

参考图1，示出了根据本发明实施例1的网页广告的推荐方法的流程图，该方法具体可以包括以下步骤：

步骤101、实时获取记录用户对第一网页访问行为的用户行为数据。

所述第一网页访问行为可以包括用户在第一网页输入关键词的行为、用户在第一网页点击相关链接的行为和其它任意可适用的行为。以搜索查询行为为例，所述用户行为数据包括用户行为的动作类型、在第一网页输入的关键词、在第一网页点击相关链接的连接地址、访问行为发生的时间信息等信息。不同用户的网页访问行为可以通过所处终端的IP地址、网页客户端的标识符、用户登录信息或其它任意可标识用户的信息。

在具体实现中，实时监控用户在第一网页的访问请求操作，调取所述访问请求对应的日志，从调取的所述日志中提取所述用户的用户行为数据。

步骤102、根据所述用户行为数据预测所述用户访问的至少一个当前信息类别。

所述当前信息类别为针对所述用户的当前访问请求操作的信息类别。

对用户行为数据进行挖掘分析，挖掘分析的方式主要可以包括分词、分类和标签等。通过挖掘分析，预测所述用户访问的至少一个当前信息类别。

在具体实现中，可以对一个或多个用户行为数据并发处理，获得针对不同访问请求操作的多个用户行为数据的当前信息类别。

步骤103、按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别。

本发明实施中，依据所述用户行为数据中记录的发生访问请求的IP地址、终端或搜索客户端的标识符或程序登录名，确定当前访问操作行为对应的具体用户。依据步骤102预测得到的一个或多个当前信息类别，对记录的针对确定的所述用户的历史信息类别进行更新处理，可以根据更新后的历史信息类别对在所述第一网页之后访问的第二网页进行广告推荐。

在具体实现中，对记录的历史信息类别的更新处理可以采用单条处理的方式。

步骤104、接收网页服务器在所述用户访问第二网页时推荐网页广告的请求。

第二网页可以是用户访问第一网页之后进一步访问的网页，第一网页与第二网页可以是同一个网站的网页也可以是不同网站的网页，例如，从第一网页、该网站或是其他网站的网页的某个链接访问第二网页；在秒级别的延迟下面，第一网页于第二网页也可能是同一个网页。

用户通过网页客户端访问第二网页时，由网页客户端向网页服务器发送获取第二网页的网页源文件的请求，网页服务器需要在第二网页中针对该用户推荐网页广告，本申请由网页服务器向执行本申请方案的一端发送推荐网页广告的请求。

步骤105、选择所述用户的至少一个历史信息类别并反馈至所述网页服务器，以供所述网页服务器调取匹配于所选择的历史信息类别的网页广告在所述第二网页中进行推荐。

本申请对用户访问第一网页时记录的用户行为数据进行分析，以此实时更新改用户的历史信息类别，进一步，在接收到用户访问第二网页时网页服务器发送的网页广告推荐请求后，从实时更新的历史信息类别中选择至少一个历史信息类别反馈给网页服务器。

具体而言，根据接收访问第一网页时更新的历史信息类别和对应的类别权重值，可以提取符合预设范围的(例如大于某个阈值)历史信息类别作为推荐信息类别，也可以提取类别权重值分布在多个预设范围的历史信息类别作为推荐信息类别，还可以按照其他设定的规则提取，此处不做限制。

网页服务器在接收到反馈的历史信息类别后，在预置的广告数据库中调取该历史信息类别匹配的广告，其中，广告与历史信息类别的匹配方式可以根据实际需求设定，可以预先针对各种广告进行分类，直接选择属于历史信息类别的广告作为推荐广告。具体从广告数据库中提取的可以是广告的内容数据(例如图片、视频、文字等实际展示的内容)，也可以是广告存储地址，也可以是广告的其他标识信息，提取的信息插入到第二网页的网页源文件中，发送至客户端以展示第二网页。客户端根据网页源文件渲染第二网页时，根据广告内容数据直接渲染广告，或是根据广告的存储地址或是标识信息提取广告内容数据后进一步渲染。

优选地，本申请步骤101中实时获取用户行为数据的步骤可以由scribe日志收集系统执行，应用于本申请，可以从各种日志源上收集日志，存储到一个中央存储系统(例如分布式文件系统等)上，以便于进行集中统计分析处理。并且可以为日志的“分布式收集，统一处理”提供一个可扩展的、高容错的方案，当中央存储系统的网络或者机器出现故障时，将日志转存到本地或者另一个位置，当中央存储系统恢复后，可以将转存的日志重新传输给中央存储系统。

优选地，本申请步骤102中解析用户行为数据的步骤可以由strom实时处理系统执行。具体的，可以预先设计一个用于实时计算的拓扑结构，然后将拓扑结构提交给服务器集群，由服务器集群中主控节点分发代码，将任务分配给其他工作节点执行。一个拓扑中包括spout(数据源)和bolt(数据操作)两种不同功能的服务器，其中spout发送消息，负责将待处理的用户行为数据的数据流以tuple元组的形式发送出去；而bolt则负责转换这些数据流，在bolt中完成分析、过滤等操作，bolt自身也可以随机将数据流发送给其他bolt，其中，每条信息的处理都可以得到保证，如果某次处理失败会从数据源重新读取并处理，并且在执行中出现错误时，也会由storm重新分配任务。

通过上述架构，strom可以实现实时的、分布式以及高容错的计算，应用于本申请，可以处理源源不断获取的用户行为数据处理，并将处理结果写入到相应存储中。

依据本发明的实施例，实时获取记录用户对第一网页访问行为的用户行为数据，根据所述用户行为数据预测所述用户访问的至少一个当前信息类别，按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别，并根据更新后的历史信息类别对在所述第一网页之后访问的第二网页进行广告推荐，通过上述机制，根据最新产生的用户行为数据，实时更新记录的历史信息类别，从而可以根据实时更新的历史信息类别对用户的下一访问广告行为进行广告推荐，实时更新的历史信息类别可以更好地标识用户当前行为，可以推荐与用户当前行为更为相关的广告，从而可以提高推荐的广告的点击率。

此外，可以对记录的历史行为数据进行清理，可以保证在资源允许的情况下，记录的历史行为数据为针对用户的最新的和最有效的数据，从而保证所推荐广告的点击率。

优选地，在所述根据所述用户行为数据预测所述用户访问的至少一个当前信息类别之后，所述方法还可以包括：

将对应一次访问行为的不同种类的用户行为数据进行关联，将一个用户行为数据对应的当前信息类别与关联的另一个用户行为数据访问的目标网页广告进行关联。

依据本发明实施例可以在接收到用户行为数据时，对不同种类的用户行为数据进行标记，例如触发搜索的行为数据、访问网页的行为数据、点击广告的行为数据等。

针对同一用户，不同种类的行为数据可能在一次访问过程中先后发生，可以将先后发生的不同的行为数据进行关联，例如，用户先触发搜索，产生触发搜索的行为数据，进一步在生成的搜索结果网页中点击某个网页广告，产生点击广告的行为数据，则可以将触发搜索的行为数据与点击广告的行为数据进行关联。

对用户行为数据进行关联时，可以将在同一个时间窗口内发生的行为进行关联，例如，5分钟的时间窗口内发生的行为可以关联。

对用户行为数据进行关联后，进一步提取对应访问目标网页广告的用户行为数据，将其他用户行为数据对应的当前信息类别与该用户行为数据对应访问的目标网页广告进行关联。

相应的，在所述接收网页服务器在所述用户访问第二网页时推荐网页广告的请求之后，所述方法还可以包括：

选择所述用户的至少一个历史信息类别关联的目标网页广告反馈至所述网页服务器，以供所述网页服务器在所述第二网页中推荐所述目标网页广告。

通过步骤211可以直接获取到与某个信息类别关联访问的广告数据，进而可以直接根据用户针对某个信息类别将用户访问过的广告数据推荐给用户，或是将该目标广告数据所属分类中的其他广告数据推荐给用户，相比于查找数据该信息类别的广告的方式，可以根据用户实际行为推荐的网页广告，可以提高推荐广告的点击率。

实施例2

参考图2，示出了根据本发明实施例2的网页广告的推荐方法的流程图，该方法具体可以包括以下步骤：

步骤201、实时监控并获取监控服务器记录的所述用户行为数据。

步骤202、将所述用户行为数据缓存至第一缓存中间件。

所述第一缓存中间件可以是一种存储设备，用于存储获取的用户行为数据。

为了保证获取用户行为数据的速度以及处理用户行为数据的速度的协调，将获取的用户行为数据在所述第一缓存中间件中进行缓冲，可以有效防止用户行为数据过快获取和用户行为数据过慢处理中的至少一种导致的数据丢失或数据堵塞，保证了数据处理过程的正常进行。

步骤203、从所述第一缓存中间件中提取第一预设个数的所述用户行为数据。

所述第一预设个数可以根据实际需要进行设置。本发明实施例中，可以从所述第一缓存中间件中，采用单条提取用户行为数据的方式进行用户行为数据提取。

步骤204、从所述用户行为数据中提取所述用户在所述第一网页输入的查询关键词。

当所述第一网页访问行为为用户在第一网页输入关键词的行为时，对应的用户行为数据包括输入的关键词，从所述用户行为数据中提取所述用户在所述第一网页输入的查询关键词。

步骤205、将提取的查询关键词输入预置的分类预测模型。

所述分类预测模型用于预测输入的关键信息的信息类别和对应的类别权重值。

本发明实施例中，在所述分类预测模型中输入关键词后，预测所述关键词的信息类别和对应的类别权重值。

步骤206、获得所述分类预测模型根据所述查询关键词预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值。

本发明实施例中，当在分类预测模型中输入一关键词时，可能会预测出一个或多个信息类别，每个信息类别有对应的类别权重值。例如，输入的关键信息为“北京”，预测得到的信息类别可能是城市、中国首都和奥运会举办地三种，其中，城市类别对应的类别权重值可能为1，中国首都类别对应的类别权重值可能为2，奥运会举办地对应的类别权重值可能为3。本发明在此仅进行举例，并不做限制。

此外，可以将获得的当前信息类别以及对应的类别权重值存储为特定的数据格式，便于后续的数据传输。

步骤207、将所述预测的所述用户访问的至少一个当前信息类别和对应的当前类别权重值，缓存至第二缓存中间件。

所述第二缓存中间件也可以是一种存储设备，用于缓存步骤206获得的所述用户访问的至少一个当前信息类别以及对应的类别权重值。避免了数据拥堵的现象，保证了数据处理过程的正常进行。

步骤208、从所述第二缓存中间件中提取第二预设个数的所述当前信息类别以及对应的类别权重值。

可以将从所述第二缓存中间件中提取的所述当前信息类别以及对应的类别权重值存储至服务机房，导入在线实时数据库。其中，所述第二预设个数可以根据实际需要进行设置。需要说明的是，从所述第二缓存中间件中提取的数据还可以包括时间信息，所述时间信息可以为时间戳信息。

本发明实施例中，可以从所述第二缓存中间件中，采用单条提取所述当前信息类别以及对应的类别权重值的方式进行数据提取，具体可以采用两级队列架构模式，将从根据用户行为数据预测的当前信息类别和从第二缓存中间件中提取的当前信息类别分组接收，合并增量更新到外部存储，即采用进程模型加线程模型相结合的方式写入多机房中。

步骤209、按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并，得到合并后的所述历史信息类别和所述历史类别权重值。

本发明实施例中，依据所述用户行为数据中记录的发生访问请求的IP地址、终端或搜索客户端的标识符或程序登录名，确定当前访问操作行为对应的具体用户。比较当前信息类别和历史信息类别，当历史信息类别包含当前信息类别时，针对同一信息类别的类别权重值进行更新，将同一信息类别的额类别权重值进行合并；当历史信息类别不包含当前信息类别时，在记录的数据中添加一新的信息类别，并记录对应的类别权重值，得到合并后的所述历史信息类别和所述历史类别权重值。

步骤210、按照所述历史信息类别的时间信息，对记录的所述历史类别权重值进行衰减计算，并更新所述历史类别权重值。

根据用户行为处理量等其它实际情况，可以按一定的时间间隔，即一定的频率，定期对记录的历史类别权重值进行衰减计算，更新所述历史类别权重值。例如，针对某段时间，当处理的用户行为数据的数量较大时，可以把时间间隔设为4个小时，相当于1天执行6次衰减计算；当处理的用户行为数据的数量较小时，可以把时间间隔设为1个小时，相当于1天执行1次衰减计算。本发明在此并不做限制，凡是适用于本发明的可实施的实施方式均可行。

在具体实现中，在对同一信息类别的前类别权重值和历史类别权重值进行合并后，对历史类别权重值进行衰减计算。在具体实现中，可以预设一衰减系数，在衰减计算过程中，衰减系数始终为一定值，可以利用下面的权重值衰减计算公式计算衰减后的类别权重值：

W＝(W₁+CW₀)

其中，W₀为历史类别权重值，W₁为当前类别权重值，C为与时间因素有关的衰减系数，也是最终的衰减系数，通过使得最实时的行为权重更高，保证行为权重的时间效应，W为衰减计算后的历史类别权重值。

步骤211、接收网页服务器在所述用户访问第二网页时推荐网页广告的请求。

步骤212、选择所述用户的至少一个历史信息类别并反馈至所述网页服务器，以供所述网页服务器调取匹配于所选择的历史信息类别的网页广告在所述第二网页中进行推荐。

步骤213、按照对应的时间信息以及所述历史类别权重值清理所述历史信息类别。

上述衰减策略实现了清理一定时间窗口之外的数据，为了保证在资源允许的情况下，记录的历史行为数据为针对用户的最新的和最有效的数据，可以对记录的历史行为数据进行清理。

在具体实现中，可以定期清理的方式清理所述历史信息类别，也可以在每次更新历史类别权重值时，清理所述历史信息类别。本发明在此仅是进行举例，并不做限制。

可以对预先设定的一定时间窗口内的数据进行清理，清理策略可以根据实际需求设置，本申请实施例中，可以按照时间信息对历史信息类别进行清理，例如，清理时间信息为一定时间窗口内的历史信息类别，清理历史类别权重符合预设范围的历史类别信息(例如小于某个阈值)，还可以进一步查找其他业务系统中针对该历史类别信息记录的与商业价值相关的信息，对商业价值较低的历史类别信息进行清理。例如历史类别信息的广告点击率，如娱乐类的广告点击率低于时尚类的广告点击率，则可以对点击率较小的历史类别信息进行清理。上述清理的方式可以择一执行也可以多个结合执行。

需要说明的是，对于离线处理而言，用户数据的处理过程是最核心的部分，但在实时处理中，用户数据的收集，处理，以及输出都成为整个流程关键的环节。每个环节都需要考虑全面。本发明的实施例应用在商业产品团队DMP的用户行为数据实时接入的项目时。用户行为数据由原来一天的延迟缩短为秒级别的延迟。

依据本发明的实施例，实时获取记录用户对第一网页访问行为的用户行为数据，根据所述用户行为数据预测所述用户访问的至少一个当前信息类别，按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别，并根据更新后的历史信息类别对在所述第一网页之后访问的第二网页进行广告推荐，通过上述机制，根据最新产生的用户行为数据，实时更新记录的历史信息类别，从而可以根据实时更新的历史信息类别对用户的下一访问广告行为进行广告推荐，实时更新的历史信息类别可以更好地标识用户当前行为，可以推荐与用户当前行为更为相关的广告，从而可以提高推荐的广告的点击率。

此外，可以对记录的历史行为数据进行清理，可以保证在资源允许的情况下，记录的历史行为数据为针对用户的最新的和最有效的数据，从而保证所推荐广告的点击率。

实施例3

参考图3，示出了根据本发明实施例3的网页广告的推荐方法的流程图，该方法具体可以包括以下步骤：

步骤301、实时监控并获取监控服务器记录的所述用户行为数据。

步骤302、将所述用户行为数据缓存至第一缓存中间件。

步骤303、从所述第一缓存中间件中提取第一预设个数的所述用户行为数据。

步骤304、从所述用户行为数据中提取所述用户在所述第一网页输入的查询关键词。

步骤305、将提取的查询关键词输入预置的分类预测模型。

步骤306、获得所述分类预测模型根据所述查询关键词预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值。

步骤307、将所述预测的所述用户访问的至少一个当前信息类别和对应的当前类别权重值，缓存至第二缓存中间件。

步骤308、从所述第二缓存中间件中提取第二预设个数的所述当前信息类别以及对应的类别权重值。

步骤309、按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并。

步骤310、按照所述历史信息类别的时间信息，对合并后的历史类别权重值进行衰减计算，得到衰减后的所述历史类别权重值。

本发明实施例中，可以在对同一信息类别的前类别权重值和历史历史类别权重值进行合并的同时，对合并的类别权重值进行衰减计算。在具体实现中，可以预设一衰减系数，在衰减计算过程中，衰减系数始终为一定值，可以利用下面的权重值衰减计算公式计算衰减后的类别权重值：

其中，W₀＇为t₀时刻的历史类别权重值，W₁＇为t₁时刻的当前类别权重值，α＇为衰减系数，与时间因素有关的衰减系数，可以保证行为权重的时间效应，最实时的行为权重更高，W＇为衰减计算后的历史类别权重值。

步骤311、清理记录的所述历史类别权重值小于预设阈值的所述历史信息类别。

步骤312、接收网页服务器在所述用户访问第二网页时推荐网页广告的请求。

步骤313、选择所述用户的至少一个历史信息类别并反馈至所述网页服务器，以供所述网页服务器调取匹配于所选择的历史信息类别的网页广告在所述第二网页中进行推荐。

依据本发明的实施例，实时获取记录用户对第一网页访问行为的用户行为数据，根据所述用户行为数据预测所述用户访问的至少一个当前信息类别，按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别，并根据更新后的历史信息类别对在所述第一网页之后访问的第二网页进行广告推荐，通过上述机制，根据最新产生的用户行为数据，实时更新记录的历史信息类别，从而可以根据实时更新的历史信息类别对用户的下一访问广告行为进行广告推荐，实时更新的历史信息类别可以更好地标识用户当前行为，可以推荐与用户当前行为更为相关的广告，从而可以提高推荐的广告的点击率。

此外，可以对记录的历史行为数据进行清理，可以保证在资源允许的情况下，记录的历史行为数据为针对用户的最新的和最有效的数据，从而保证所推荐广告的点击率。

实施例4

参考图4，示出了根据本发明实施例1的网页广告的推荐装置的结构框图，具体可以包括：

用户行为数据获取模块401，用于实时获取记录用户对第一网页访问行为的用户行为数据。

当前信息类别预测模块402，用于根据所述用户行为数据预测所述用户访问的至少一个当前信息类别。

历史信息类别更新模块403，用于按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别。

请求接收模块404，用于接收网页服务器在所述用户访问第二网页时推荐网页广告的请求；

历史信息类别选择模块405，用于选择所述用户的至少一个历史信息类别并反馈至所述网页服务器，以供所述网页服务器调取匹配于所选择的历史信息类别的网页广告在所述第二网页中进行推荐。

优选地，所述装置还可以包括：

数据关联模块，用于在所述根据所述用户行为数据预测所述用户访问的至少一个当前信息类别之后，将对应一次访问行为的不同种类的用户行为数据进行关联，将一个用户行为数据对应的当前信息类别与关联的另一个用户行为数据访问的目标网页广告进行关联。

相应优选地，所述装置还可以包括：

广告推荐模块，用于在所述接收网页服务器在所述用户访问第二网页时推荐网页广告的请求之后，选择所述用户的至少一个历史信息类别关联的目标网页广告反馈至所述网页服务器，以供所述网页服务器在所述第二网页中推荐所述目标网页广告。

依据本发明的实施例，实时获取记录用户对第一网页访问行为的用户行为数据，根据所述用户行为数据预测所述用户访问的至少一个当前信息类别，按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别，并根据更新后的历史信息类别对在所述第一网页之后访问的第二网页进行广告推荐，通过上述机制，根据最新产生的用户行为数据，实时更新记录的历史信息类别，从而可以根据实时更新的历史信息类别对用户的下一访问广告行为进行广告推荐，实时更新的历史信息类别可以更好地标识用户当前行为，可以推荐与用户当前行为更为相关的广告，从而可以提高推荐的广告的点击率。

此外，可以对记录的历史行为数据进行清理，可以保证在资源允许的情况下，记录的历史行为数据为针对用户的最新的和最有效的数据，从而保证所推荐广告的点击率。

实施例5

参考图5，示出了根据本发明实施例2的网页广告的推荐装置的结构框图，具体可以包括：

用户行为数据获取模块501，用于实时获取记录用户对第一网页访问行为的用户行为数据。

第一缓存模块502，用于将所述用户行为数据缓存至第一缓存中间件。

用户行为数据提取模块503，用于从所述第一缓存中间件中提取第一预设个数的所述用户行为数据。

当前信息类别预测模块504，用于根据所述用户行为数据预测所述用户访问的至少一个当前信息类别。

第二缓存模块505，用于将所述预测的所述用户访问的至少一个当前信息类别和对应的当前类别权重值，缓存至第二缓存中间件。

数据提取模块506，用于从所述第二缓存中间件中提取第二预设个数的所述当前信息类别以及对应的类别权重值。

历史信息类别更新模块507，用于按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别。

类别权重值衰减计算模块508，用于按照所述历史信息类别的时间信息，对记录的所述历史类别权重值进行衰减计算，并更新所述历史类别权重值。

请求接收模块509，用于接收网页服务器在所述用户访问第二网页时推荐网页广告的请求。

历史信息类别选择模块510，用于选择所述用户的至少一个历史信息类别并反馈至所述网页服务器，以供所述网页服务器调取匹配于所选择的历史信息类别的网页广告在所述第二网页中进行推荐。

历史信息类别清理模块511，用于清理记录的所述历史类别权重值小于预设阈值的所述历史信息类别。

所述当前信息类别预测模块504包括：

查询关键词提取子模块5041，用于从所述用户行为数据中提取所述用户在所述第一网页输入的查询关键词；

关键词预置子模块5042，用于将提取的查询关键词输入预置的分类预测模型；

数据获得子模块5043，用于获得所述分类预测模型根据所述查询关键词预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值。

本发明实施例中，优选地，所述用户行为数据获取模块501，具体用于实时监控并获取监控服务器记录的所述用户行为数据。

本发明实施例中，优选地，所述历史信息类别更新模块507，具体用于按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并，得到合并后的所述历史信息类别和所述历史类别权重值。

需要说明的是，对于离线处理而言，用户数据的处理过程是最核心的部分，但在实时处理中，用户数据的收集，处理，以及输出都成为整个流程关键的环节。每个环节都需要考虑全面。

依据本发明的实施例，实时获取记录用户对第一网页访问行为的用户行为数据，根据所述用户行为数据预测所述用户访问的至少一个当前信息类别，按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别，并根据更新后的历史信息类别对在所述第一网页之后访问的第二网页进行广告推荐，通过上述机制，根据最新产生的用户行为数据，实时更新记录的历史信息类别，从而可以根据实时更新的历史信息类别对用户的下一访问广告行为进行广告推荐，实时更新的历史信息类别可以更好地标识用户当前行为，可以推荐与用户当前行为更为相关的广告，从而可以提高推荐的广告的点击率。

此外，可以对记录的历史行为数据进行清理，可以保证在资源允许的情况下，记录的历史行为数据为针对用户的最新的和最有效的数据，从而保证所推荐广告的点击率。

实施例6

参考图6，示出了根据本发明实施例3的网页广告的推荐装置的结构框图，具体可以包括：

用户行为数据获取模块601，用于实时获取记录用户对第一网页访问行为的用户行为数据。

第一缓存模块602，用于将所述用户行为数据缓存至第一缓存中间件。

用户行为数据提取模块603，用于从所述第一缓存中间件中提取第一预设个数的所述用户行为数据。

当前信息类别预测模块604，用于根据所述用户行为数据预测所述用户访问的至少一个当前信息类别。

第二缓存模块605，用于将所述预测的所述用户访问的至少一个当前信息类别和对应的当前类别权重值，缓存至第二缓存中间件。

数据提取模块606，用于从所述第二缓存中间件中提取第二预设个数的所述当前信息类别以及对应的类别权重值。

历史信息类别更新模块607，用于按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别。

历史信息类别清理模块608，用于清理记录的所述历史类别权重值小于预设阈值的所述历史信息类别。

请求接收模块609，用于接收网页服务器在所述用户访问第二网页时推荐网页广告的请求。

历史信息类别选择模块610，用于选择所述用户的至少一个历史信息类别并反馈至所述网页服务器，以供所述网页服务器调取匹配于所选择的历史信息类别的网页广告在所述第二网页中进行推荐。

所述当前信息类别预测模块604包括：

查询关键词提取子模块6041，用于从所述用户行为数据中提取所述用户在所述第一网页输入的查询关键词；

关键词预置子模块6042，用于将提取的查询关键词输入预置的分类预测模型；

数据获得子模块6043，用于获得所述分类预测模型根据所述查询关键词预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值。

所述历史信息类别更新模块607包括：

权重值合并子模块6071，用于按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并。

类别权重值衰减统计子模块6072，用于按照所述历史信息类别的时间信息，对合并后的历史类别权重值进行衰减计算，得到衰减后的所述历史类别权重值。

本发明实施例中，优选地，所述用户行为数据获取模块601，具体用于实时监控并获取监控服务器记录的所述用户行为数据。

依据本发明的实施例，实时获取记录用户对第一网页访问行为的用户行为数据，根据所述用户行为数据预测所述用户访问的至少一个当前信息类别，按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别，并根据更新后的历史信息类别对在所述第一网页之后访问的第二网页进行广告推荐，通过上述机制，根据最新产生的用户行为数据，实时更新记录的历史信息类别，从而可以根据实时更新的历史信息类别对用户的下一访问广告行为进行广告推荐，实时更新的历史信息类别可以更好地标识用户当前行为，可以推荐与用户当前行为更为相关的广告，从而可以提高推荐的广告的点击率。

此外，可以对记录的历史行为数据进行清理，可以保证在资源允许的情况下，记录的历史行为数据为针对用户的最新的和最有效的数据，从而保证所推荐广告的点击率。

由于所述装置实施例基本相应于前述图1-图3所示的方法实施例，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此就不赘述了。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网页广告的推荐装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

本发明公开了A1、一种网页广告的推荐方法，其中，包括：

实时获取记录用户对第一网页访问行为的用户行为数据；

根据所述用户行为数据预测所述用户访问的至少一个当前信息类别；

按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别；

接收网页服务器在所述用户访问第二网页时推荐网页广告的请求；

选择所述用户的至少一个历史信息类别并反馈至所述网页服务器，以供所述网页服务器调取匹配于所选择的历史信息类别的网页广告在所述第二网页中进行推荐。

A2、如A1所述的方法，其中，所述实时获取记录用户对第一网页访问行为的用户行为数据包括：

实时监控并获取监控服务器记录的所述用户行为数据。

A3、如A1所述的方法，其中，在所述实时获取记录用户对第一网页访问行为的用户行为数据之后，所述方法还包括：

将所述用户行为数据缓存至第一缓存中间件；

从所述第一缓存中间件中提取第一预设个数的所述用户行为数据。

A4、如A1所述的方法，其中，所述根据所述用户行为数据预测所述用户访问的至少一个当前信息类别包括：

从所述用户行为数据中提取所述用户在所述第一网页输入的查询关键词；

将提取的查询关键词输入预置的分类预测模型；

获得所述分类预测模型根据所述查询关键词预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值。

A5、如A4所述的方法，其中，在所述根据所述用户行为数据预测所述用户访问的至少一个当前信息类别之后，所述方法还包括：

将所述预测的所述用户访问的至少一个当前信息类别和对应的当前类别权重值，缓存至第二缓存中间件；

从所述第二缓存中间件中提取第二预设个数的所述当前信息类别以及对应的类别权重值。

A6、如A4所述的方法，其中，所述按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别包括：

按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并，得到合并后的所述历史信息类别和所述历史类别权重值。

A7、如A6所述的方法，其中，所述方法还包括：

按照所述历史信息类别的时间信息，对记录的所述历史类别权重值进行衰减计算，并更新所述历史类别权重值。

A8、如A4所述的方法，其中，所述按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别包括：

按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并；

按照所述历史信息类别的时间信息，对合并后的历史类别权重值进行衰减计算，得到衰减后的所述历史类别权重值。

A9、如A1所述的方法，其中，所述方法还包括：

按照对应的时间信息以及所述历史类别权重值清理所述历史信息类别。

A10、如A1所述的方法，其中，在所述根据所述用户行为数据预测所述用户访问的至少一个当前信息类别之后，所述方法还包括：

将对应一次访问行为的不同种类的用户行为数据进行关联，将一个用户行为数据对应的当前信息类别与关联的另一个用户行为数据访问的目标网页广告进行关联。

A11、如A10所述的方法，其中，在所述接收网页服务器在所述用户访问第二网页时推荐网页广告的请求之后，所述方法还包括：

选择所述用户的至少一个历史信息类别关联的目标网页广告反馈至所述网页服务器，以供所述网页服务器在所述第二网页中推荐所述目标网页广告。

本发明还公开了B12、一种网页广告的推荐装置，其中，包括：

用户行为数据获取模块，用于实时获取记录用户对第一网页访问行为的用户行为数据；

当前信息类别预测模块，用于根据所述用户行为数据预测所述用户访问的至少一个当前信息类别；

历史信息类别更新模块，用于按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别；

请求接收模块，用于接收网页服务器在所述用户访问第二网页时推荐网页广告的请求；

历史信息类别选择模块，用于选择所述用户的至少一个历史信息类别并反馈至所述网页服务器，以供所述网页服务器调取匹配于所选择的历史信息类别的网页广告在所述第二网页中进行推荐。

B13、如B12所述的装置，其中，所述用户行为数据获取模块，具体用于实时监控并获取监控服务器记录的所述用户行为数据。

B14、如B12所述的装置，其中，在所述用户行为数据获取模块之后，所述装置还包括：

第一缓存模块，用于将所述用户行为数据缓存至第一缓存中间件；

用户行为数据提取模块，用于从所述第一缓存中间件中提取第一预设个数的所述用户行为数据。

B15、如B12所述的装置，其中，所述当前信息类别预测模块包括：

查询关键词提取子模块，用于从所述用户行为数据中提取所述用户在所述第一网页输入的查询关键词；

关键词预置子模块，用于将提取的查询关键词输入预置的分类预测模型；

数据获得子模块，用于获得所述分类预测模型根据所述查询关键词预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值。

B16、如B15所述的装置，其中，在所述当前信息类别预测模块之后，所述装置还包括：

第二缓存模块，用于将所述预测的所述用户访问的至少一个当前信息类别和对应的当前类别权重值，缓存至第二缓存中间件；

数据提取子模块，用于从所述第二缓存中间件中提取第二预设个数的所述当前信息类别以及对应的类别权重值。

B17、如B15所述的装置，其中，所述历史信息类别更新模块，具体用于按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并，得到合并后的所述历史信息类别和所述历史类别权重值。

B18、如B17所述的装置，其中，所述装置还包括：

类别权重值衰减计算模块，用于按照所述历史信息类别的时间信息，对记录的所述历史类别权重值进行衰减计算，并更新所述历史类别权重值。

B19、如B15所述的装置，其中，所述历史信息类别更新模块包括：

用户行为合并关联子模块，相同用户的同时间窗口内的行为，合并时间策略，将不同行为源的相同用户的行为进行关联存储。

权重值合并子模块，用于按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并；

类别权重值衰减统计子模块，用于按照所述历史信息类别的时间信息，对合并后的历史类别权重值进行衰减计算，得到衰减后的所述历史类别权重值。

B20、如B12所述的装置，其中，所述装置还包括：

历史信息类别清理模块，用于按照对应的时间信息以及所述历史类别权重值清理所述历史信息类别。

B21、如B12所述的方法，其中，所述装置还包括：

数据关联模块，用于在所述根据所述用户行为数据预测所述用户访问的至少一个当前信息类别之后，将对应一次访问行为的不同种类的用户行为数据进行关联，将一个用户行为数据对应的当前信息类别与关联的另一个用户行为数据访问的目标网页广告进行关联。

B22、如B21所述的方法，其中，所述装置还包括：

广告推荐模块，用于在所述接收网页服务器在所述用户访问第二网页时推荐网页广告的请求之后，选择所述用户的至少一个历史信息类别关联的目标网页广告反馈至所述网页服务器，以供所述网页服务器在所述第二网页中推荐所述目标网页广告。

Claims (10)

1.一种网页广告的推荐方法，其中，包括：

实时获取记录用户对第一网页访问行为的用户行为数据；

根据所述用户行为数据预测所述用户访问的至少一个当前信息类别；

按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别；

接收网页服务器在所述用户访问第二网页时推荐网页广告的请求；

选择所述用户的至少一个历史信息类别并反馈至所述网页服务器，以供所述网页服务器调取匹配于所选择的历史信息类别的网页广告在所述第二网页中进行推荐。

2.如权利要求1所述的方法，其中，所述实时获取记录用户对第一网页访问行为的用户行为数据包括：

实时监控并获取监控服务器记录的所述用户行为数据。

3.如权利要求1所述的方法，其中，在所述实时获取记录用户对第一网页访问行为的用户行为数据之后，所述方法还包括：

将所述用户行为数据缓存至第一缓存中间件；

从所述第一缓存中间件中提取第一预设个数的所述用户行为数据。

4.如权利要求1所述的方法，其中，所述根据所述用户行为数据预测所述用户访问的至少一个当前信息类别包括：

从所述用户行为数据中提取所述用户在所述第一网页输入的查询关键词；

将提取的查询关键词输入预置的分类预测模型；

获得所述分类预测模型根据所述查询关键词预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值。

5.如权利要求4所述的方法，其中，在所述根据所述用户行为数据预测所述用户访问的至少一个当前信息类别之后，所述方法还包括：

将所述预测的所述用户访问的至少一个当前信息类别和对应的当前类别权重值，缓存至第二缓存中间件；

从所述第二缓存中间件中提取第二预设个数的所述当前信息类别以及对应的类别权重值。

6.如权利要求4所述的方法，其中，所述按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别包括：

按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并，得到合并后的所述历史信息类别和所述历史类别权重值。

7.如权利要求6所述的方法，其中，所述方法还包括：

按照所述历史信息类别的时间信息，对记录的所述历史类别权重值进行衰减计算，并更新所述历史类别权重值。

8.如权利要求4所述的方法，其中，所述按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别包括：

按照预测的所述用户访问的至少一个当前信息类别以及对应的类别权重值，将同一信息类别下的当前类别权重值和历史类别权重值进行合并；

按照所述历史信息类别的时间信息，对合并后的历史类别权重值进行衰减计算，得到衰减后的所述历史类别权重值。

9.如权利要求1所述的方法，其中，所述方法还包括：

按照对应的时间信息以及所述历史类别权重值清理所述历史信息类别。

10.一种网页广告的推荐装置，其中，包括：

用户行为数据获取模块，用于实时获取记录用户对第一网页访问行为的用户行为数据；

当前信息类别预测模块，用于根据所述用户行为数据预测所述用户访问的至少一个当前信息类别；

历史信息类别更新模块，用于按照预测的所述当前信息类别，更新记录的所述用户访问的历史信息类别；

请求接收模块，用于接收网页服务器在所述用户访问第二网页时推荐网页广告的请求；

历史信息类别选择模块，用于选择所述用户的至少一个历史信息类别并反馈至所述网页服务器，以供所述网页服务器调取匹配于所选择的历史信息类别的网页广告在所述第二网页中进行推荐。