CN107679920A - 一种广告的投放方法和装置 - Google Patents

Abstract

本发明提供了一种广告的投放方法，包括：当接收到对广告的投放请求时，获取各个目标用户的行为特征，所述行为特征包括正样本行为特征和负样本行为特征；采用正样本分类器模型对所述各个目标用户的行为特征进行计算，得到正样本概率集，所述正样本概率集包含所述各个目标用户的正样本概率；对所述正样本概率集中的各个正样本概率进行筛选，将概率值大于预设的投放阈值对应的目标用户组成待投放的目标用户集；将所述广告投放给所述待投放目标用户集中的各个目标用户。上述方法，在计算每一个目标用户的正样本概率时，包含了负样本行为特征的影响，提升了目标用户确定的准确性，缩小了广告投放的范围，减少了投放的广告目标不准确带来的浪费曝光。

Description

一种广告的投放方法和装置

技术领域

本发明涉及广告视频播放领域，尤其涉及一种广告的投放方法和装置。

背景技术

如今，视频网站为了获得利润，都会选在视频播放之前或者播放中插播广告。因此，在用户通过网络观看视频时都会被投放插播的广告。以目前主流的广告投放形式Trueview广告为例。用户可以选择在播放满足一定时长时跳过Trueview广告，而广告主只会为用户完整观看Trueview广告的情况付费。

视频网站通常会依据用户的历史行为信息，为每一个用户构建多个行为特征，所述行为特征通常为两类：完整观看Trueview广告的正样本行为特征和跳过Trueview广告的负样本行为特征，视频网站会圈定出一些包含完整观看Trueview广告的正样本行为特征的目标用户，把广告有针对性的投放。但是，广告投放方法并没有考虑目标用户中跳过Trueview广告的负样本行为特征对投放策略的影响。因此，会导致目标用户选择的不合理，造成投放的广告被目标用户跳过而浪费曝光。

发明内容

有鉴于此，本发明提供了一种广告的投放方法，用以解决现有技术中目标用户选择的不合理，造成投放的广告被目标用户跳过而浪费曝光的问题。具体方案如下：

一种广告的投放方法，包括：

当接收到对广告的投放请求时，获取各个目标用户的行为特征，所述行为特征包括正样本行为特征和负样本行为特征；

采用正样本分类器模型对所述各个目标用户的行为特征进行计算，得到正样本概率集，所述正样本概率集包含所述各个目标用户的正样本概率；

对所述正样本概率集中的各个正样本概率进行筛选，将概率值大于预设的投放阈值对应的目标用户组成待投放的目标用户集；

将所述广告投放给所述待投放目标用户集中的各个目标用户。

上述的方法，优选的，所述当接收到广告投放请求时，获取各个目标用户的行为特征包括：

解析各个目标用户的历史操作记录；

依据每一个目标用户的历史操作记录，获取所述每一个目标用户对应的至少一个行为特征。

上述的方法，优选的，所述正样本分类器模型的训练过程包括：

获取每一个用户的行为特征，对所述每一个用户的行为特征进行分类，将所述行为特征中表征完整观看广告的行为特征作为正样本行为特征，将表征跳过广告的行为特征作为负样本行为特征；

依据预设的构建规则，构建一个正样本分类器模型；

将所述每一个用户的行为特征传递到所述正样本分类器模型进行训练，当所述正样本分类器模型对应的训练结果满足预设的区分阈值时，完成所述正样本分类器模型的训练。

上述的方法，优选的，对所述正样本概率集中的各个正样本概率进行筛选，将大于预设的投放阈值的目标用户组成的集合作为待投放的目标用户集中，包括：

依据所述正样本概率集中的各个正样本概率，确定预设的投放阈值；

将所述预设的投放阈值与所述正样本概率集中的每一个正样本概率进行比对；

若第一正样本概率大于所述投放阈值时，将与所述第一正样本概率对应的目标用户作为待投放的目标用户，存入到所述待投放目标用户集中。

上述的方法，优选的，还包括：

获取所述待投放目标用户集中每一个目标用户对广告投放的选择记录；

依据所述选择记录，确定所述待投放目标用户集中完整观看广告的目标用户占所述待投放目标用户集中目标用户的比例。

一种广告的投放装置，包括：

获取模块，用于当接收到对广告的投放请求时，获取各个目标用户的行为特征，所述行为特征包括正样本行为特征和负样本行为特征；

计算模块，用于采用正样本分类器模型对所述各个目标用户的行为特征进行计算，得到正样本概率集，所述正样本概率集包含所述各个目标用户的正样本概率；

筛选模块，用于对所述正样本概率集中的各个正样本概率进行筛选，将概率值大于预设的投放阈值对应的目标用户组成待投放的目标用户集；

投放模块，用于将所述广告投放给所述待投放目标用户集中的各个目标用户。

上述的装置，优选的，所述获取模块包括：

解析单元，用于解析各个目标用户的历史操作记录；

第一获取单元，用于依据每一个目标用户的历史操作记录，获取所述每一个目标用户对应的至少一个行为特征。

上述的装置，优选的，所述计算模块包括：

分类单元，用户获取每一个用户的行为特征，对所述每一个用户的行为特征进行分类，将所述行为特征中表征完整观看广告的行为特征作为正样本行为特征，将表征跳过广告的行为特征作为负样本行为特征；

构建单元，用于依据预设的构建规则，构建一个正样本分类器模型；

训练单元，用于将所述每一个用户的行为特征传递到所述正样本分类器模型进行训练，当所述正样本分类器模型对应的训练结果满足预设的区分阈值时，完成所述正样本分类器模型的训练。

上述的装置，优选的，所述筛选模块包括：

第一确定单元，用于依据所述正样本概率集中的各个正样本概率，确定预设的投放阈值；

比对单元，用于将所述预设的投放阈值与所述正样本概率集中的每一个正样本概率进行比对；

存储单元，用于若第一正样本概率大于所述投放阈值时，将与所述第一正样本概率对应的目标用户作为待投放的目标用户，存入到所述待投放目标用户集中。

上述的装置，优选的，还包括：

第二获取单元，用于获取所述待投放目标用户集中每一个目标用户对广告投放的选择记录；

第二确定单元，用于依据所述选择记录，确定所述待投放目标用户集中完整观看广告的目标用户占所述待投放目标用户集中目标用户的比例。

与现有技术相比，本发明包括以下优点：

本发明提供了一种广告的投放的方法，包括：当接收到对广告的投放请求时，获取各个目标用户的行为特征，所述行为特征包括正样本行为特征和负样本行为特征；采用正样本分类器模型对所述各个目标用户的行为特征进行计算，得到正样本概率集，所述正样本概率集包含所述各个目标用户的正样本概率；对所述正样本概率集中的各个正样本概率进行筛选，将概率值大于预设的投放阈值对应的目标用户组成待投放的目标用户集；将所述广告投放给所述待投放目标用户集中的各个目标用户。上述的投放方法中，正样本分类器模型利用包含了负样本行为特征的行为特征计算正样本概率集，也就是说，在计算每一个目标用户的正样本概率时，都包含了这个目标用户的负样本行为特征的影响，因此，在这种方式下得到的待投放目标用户集中的目标用户会更加可靠，提升了目标用户确定的准确性，进一步的，缩小了广告投放的范围，减少了投放的广告目标不准确带来的浪费曝光。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例公开的一种广告的投放方法流程图；

图2为本申请实施例公开的另一种广告的投放方法流程图；

图3为本申请实施例公开的又一种广告的投放方法法流程图；

图4为本申请实施例公开的再一种广告的投放方法流程图；

图5为本申请实施例公开的再一种广告的投放方法流程图；

图6为本申请实施例公开的一种广告的投放装置结构框图；

图7为本申请实施例公开的另一种广告的投放装置结构框图。

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做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。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

本发明提供了一种广告的投放方法，该方法应用于视频网站对广告的投放过程。该方法的执行主体可以为该视频网站的控制终端的一个处理器或者一个模块等。本发明实施例中提到的广告均针对可以选择跳过的trueview广告，Trueview广告的特点是不需要等待广告播放完，当广告播放的时可以选择跳过该广告，不进行继续播放。跳过广告可以为完全不看该广告或者观看一部分以后进行跳过两种方式。该方法的流程如图1所示，包括步骤：

S101、当接收到对广告的投放请求时，获取各个目标用户的行为特征，该行为特征包括正样本行为特征和负样本行为特征；

S102、采用正样本分类器模型对该各个目标用户的行为特征进行计算，得到正样本概率集，该正样本概率集包含该各个目标用户的正样本概率；

本发明实施例中，该正样本分类器模型是通过预先训练得到的，该正样本模型分类器的输入为每一个目标用户的行为特征，输出为该正样本特征对应的概率。

S103、对该正样本概率集中的各个正样本概率进行筛选，将概率值大于预设的投放阈值对应的目标用户组成待投放的目标用户集；

S104、将该广告投放给该待投放目标用户集中的各个目标用户。

本发明实施例提供的广告的投放的方法中，正样本分类器模型利用包含了负样本行为特征的行为特征计算正样本概率集，也就是说，在计算每一个目标用户的正样本概率时，都包含了这个目标用户的负样本行为特征的影响，因此，在这种方式下得到的待投放目标用户集中的目标用户会更加可靠，提升了目标用户确定的准确性，进一步的，缩小了广告投放的范围，减少了投放的广告目标不准确带来的浪费曝光。

当接收到广告投放请求时，利用行为特征获取模型获取各个目标用户的行为特征的方法流程如图2所示，包括步骤：

S201、解析各个目标用户的历史操作记录；

S202、依据每一个目标用户的历史操作记录，获取每一个目标用户对应的至少一个行为特征。

本发明实施例中，获取每一个目标用户的行为特征是为将所述行为特征传递到所述正样本分类器模型做准备，时进行正样本概率计算的必要环节。

本发明实施例中，获取各个目标用户的历史操作记录，该历史操作记录为注册信息、浏览记录、操作记录等用户的行为信息和属性信息。解析该历史操作记录，获取每一个用户的行为特征，其中，行为信息包括：喜欢的明星、喜欢看的频道、喜欢看的视频、活跃的城市、设备的类型、最近一个月的观影量、最近一个月的观影天数、最近一个月的观影天数、最近一周的观影量、最近一周的观影天数、最近一周VIP广告曝光量、最近一周VIP广告点击量、最近三个月购买VIP月卡次数、最近三个月购买VIP季卡次数、最近三个月购买VIP年卡次数、是否购买过VIP和上次观影时距离今天的天数等；属性信息包括：性别、教育程度、职业和收入等。

本发明实施例中，把各个用户的行为特征看成是一个二分类，该二分类指事物按某一性质划分只有两类结果的变量。譬如男性与女性、房东与房客、成功与失败、及格与不及格、生或死等等。

本发明实施例中，对各个用户的行为特征进行分类，将完整观看广告的行为特征作为正样本行为特征，将跳过广告的行为特征作为负样本行为特征，完成对各个用户的行为特征的分类，其中，正样本行为特征可以增大用户完整观看广告的概率，而负样本行为特征会对依据正样本行为特征估算出的完整观看广告的概率产生消减作用，降低完整光看广告概率的可能性。由于广告的针对的客户群体不同，因此对于同一个行为特征针对不同的广告，分类的结果也会不同，以性别特征为例，若为女性用户，对于化妆品广告来说，女性用户可以被定义为正样本特征，但对于剃须刀广告而言，女性用户可能就会被定义为负样本行为特征，当然上述的分类也并不绝对。

以化妆品广告进行投放的过程为例，获取每一个用户的各个行为特征，将所述各个行为特征进行分类分为正样本行为特征和负样本行为特征，由于每一个用户对应的行为特征很多，即使针对用一个广告，投放的时间不同，同一个行为特征可能被划分为正样本行为特征也可能划分为负样本行为特征，因此，具体的划分原则取决于实际情况，在此不再赘述。将所述正样本行为特征和所述负样本行为特征传递到预设的正样本分类器模型中，得到该用户的正样本概率，将所述概率与预设的投放阈值作比对，确定该用户是否为名表用户，持续执行上述过程，直至判断完所有用户。

本发明实施例中，需要将已经完成分类的行为特征通过一个预先经过训练得到的正样本分类器模型进行计算，得到正样本概率集，其中，正样本概率集包含各个目标用户的正样本概率。

对该正样本分类器模型的训练过程的方法流程如图3所示，包括步骤：

S301、获取每一个用户的行为特征，对每一个用户的行为特征进行分类，将该行为特征中表征完整观看广告的行为特征作为正样本行为特征，将表征跳过广告的行为特征作为负样本行为特征；

本发明实施例中，所述跳过广告包含两种情况：可以完全不看直接跳过或者看一短时间之后选择跳过。

S302、依据预设的构建规则，构建一个正样本分类器模型；

本发明实施例中，由于把该行为特征看成了二分变量，因此，采用的正样本分类器模型为逻辑回归分类器模型，每一个目标用户的行为特征对于是否可以完整观看广告产生的影响程度是不同的，涉及到一个权重的问题，该逻辑回归分类器模型将每一个行为特征的权重也考虑在内，提高了计算的准确性。权重的确定也是通过用户的历史观看记录的大数据进行分析，得到每一个行为特征的可能权重。

S303、将每一个用户的行为特征传递到该正样本分类器模型进行训练，当该正样本分类器模型对应的训练结果满足预设的区分阈值时，完成该正样本分类器模型的训练。

本发明实施例中，当完成了对分类器模型的创建以后，还需要依据用户的历史的观看记录，确定用户的各个行为特征对用户完整观看视频产生影响的权重，将各个权重预设到正样本分类器模型中进行正样本概率的计算，其中各个行为特征包括正样本行为特征和负样本行为特征。

本发明实施例中，正样本分类器模型的因变量是是否可以完整观看广告，自变量就是每一个目标用户的行为特征，输出则是每一个目标用户可以完整观看广告的概率，即每一个目标用户对应的正样本率。当存在多个目标用户时，就构成了正样本概率集。

本发明实施例中，目标用户是从用户中选出的进行广告投放的用户。该用户范围更广可以为目标用户也可以为进行训练的样本用户或者是两者的组合。

本发明实施例中，对特定的某一个广告来说，具体的某一个行为特征是正样本行为特征还是负样本行为特征的判定会存在一定的误差，会将正样本行为特征判定为负样本行为特征，也可能将负样本行为特征判定为正样本行为特征，上述的这种误判，就会在模型训练的过程中对训练结果产生影响，评估影响指标叫做受试者工作特征曲线(ReceiverOperating Characteristic Curve，简称ROC曲线)，受试者工作特征曲线表征的就是对正负样本的行为特征的区分度。

本发明实施例中，优选的当与上述训练过程对应的受试者工作特征曲线的面积大于0.7时，说明对正样本行为特征和负样本行为特征的区分度很高，认为正样本分类器模型中的参数设置满足要求，该模型可以用于对目标用户对应的正样本概率进行估计。

本发明实施中，优选的，当正样本分类器模型完成训练以后，还需进行验证，具体的验证方法为：选择一定数量的已经对是否观看完整的广告做出选择用户，作为验证用户集。获取验证用户集中每一个验证用户的行为特征和选择结果，将验证用户集中每一个验证用户的行为特征通过正样本模型分类器进行计算，得到正样本概率。

当验证用户集中选择完整观看广告的用户对应的正样本概率值较大，而选择跳过光看广告的用户的正样本概率值较低时，完成正样本分类模型的验证。

通过该正样本分类器模型对每一个目标用户的行为特征进行计算，得到正样本概率集，该正样本概率集包含各个目标用户的正样本概率。对该正样本概率集中的各个正样本概率进行筛选，将大于预设的投放阈值的目标用户组成的集合作为待投放的目标用户集中的方法流程如图4所示，包括步骤：

S401、依据该正样本概率集中的各个正样本概率，确定预设的投放阈值；

本发明实施例中，对正样本概率集中的各个正样本概率进行排序，依据实际情况选择正样本概率集中对应的目标用户的投放比例，以10个正样本概率为例，若选定投放比例为70％，将该10个正样本概率按降序排列，该10个正样本概率中排序为第七个和第八个的正样本概率，该预设的投放阈值可以为该第七个和该第八个正样本概率之间的任意一个数值。选取的原则：小于排序第七的正样本概率且大于排序第八的正样本概率。

S402、将该预设的投放阈值与该正样本概率集中的每一个正样本概率进行比对；

S403、若第一正样本概率大于所述投放阈值时，将与所述第一正样本概率对应的目标用户作为待投放的目标用户，存入到所述待投放目标用户集中。

本发明实施例中，依据S401-S403的方法确定了待投放目标用户集中，将该广告投放给该待投放的目标用户集的各个目标用户。

本发明实施例中，当完成广告的投放以后，还包括确定该待投放目标用户集中完整观看广告的比例，该方法流程如图5所示，包括步骤：

S501、获取该待投放目标用户集中每一个目标用户对广告投放的选择记录；

S502、依据该选择记录，确定该待投放目标用户集中完整观看广告的目标用户占该待投放目标用户集中目标用户的比例。

在获得待投放目标用户集中完整观看广告的目标用户占该待投放目标用户集中目标用户的比例后，还可以将该比例与现有技术中只考虑正样本行为特征进行投放得到的完整观看比例进行对比，对本发明的投放效果进行评估。或者，可以通过该比例判断上述实施例中公开的广告投放方法是否达到了预期的效果。

与上述的方法相对应的，本发明还提供了一种广告的投放装置，该装置的结构如图6所示，包括：

获取模块601，计算模块602，筛选模块603和投放模块604。

其中，

获取模块601，用于当接收到对广告的投放请求时，获取各个目标用户的行为特征，所述行为特征包括正样本行为特征和负样本行为特征；

计算模块602，用于采用正样本分类器模型对所述各个目标用户的行为特征进行计算，得到正样本概率集，所述正样本概率集包含所述各个目标用户的正样本概率；

筛选模块603，用于对所述正样本概率集中的各个正样本概率进行筛选，将概率值大于预设的投放阈值对应的目标用户组成待投放的目标用户集；

投放模块604，用于将所述广告投放给所述待投放目标用户集中的各个目标用户。

本发明提供了一种广告的投放装置，该装置中的计算模块利用正样本分类器模型计算正样本概率集，该正样本分类器模型利用包含了负样本行为特征的行为特征计算正样本概率，也就是说，在计算每一个目标用户的正样本概率时，都包含了这个目标用户的负样本行为特征的影响，因此，在这种方式下得到的待投放目标用户集中的目标用户会更加可靠，提升了目标用户确定的准确性，进一步的，缩小了广告投放的范围，减少了投放的广告目标不准确带来的浪费曝光。

本发明实施例中，该获取模块601的结构如图7所示，包括：

解析单元605和第一获取单元606。

其中，

解析单元605，用于解析各个目标用户的历史操作记录；

获取单元606，用于依据每一个目标用户的历史操作记录，获取每一个目标用户对应的至少一个行为特征。

本发明实施例中，该计算模块602的结构如图7所示，包括：

分类单元607，构建单元608和训练单元609。

其中，

分类单元607，用于获取每一个用户的行为特征，对每一个用户的行为特征进行分类，将该行为特征中表征完整观看广告的行为特征作为正样本行为特征，将表征跳过广告的行为特征作为负样本行为特征；

构建单元608，用于依据预设的构建规则，构建一个正样本分类器模型；

训练单元609，用于将每一个用户的行为特征传递到该正样本分类器模型进行训练，当该正样本分类器模型对应的训练结果满足预设的区分阈值时，完成该正样本分类器模型的训练。

本发明实施例中，该筛选模块603的结构如图7所示，包括：

第一确定单元610，对比单元611和存储单元612。

其中，

第一确定单元610，用于依据该正样本概率集中的各个正样本概率，确定预设的投放阈值；

对比单元611，用于将该预设的投放阈值与该正样本概率集中的每一个正样本概率进行比对；

存储单元612，用于若第一正样本概率大于该投放阈值时，将与该第一正样本概率对应的目标用户作为待投放的目标用户，存入到该待投放目标用户集中。

本发明实施例中，当完成广告的投放以后，还包括：

第二获取单元，用于获取该待投放目标用户集中每一个目标用户对广告投放的选择记录；

第二确定单元，用于依据该选择记录，确定该待投放目标用户集中完整观看广告的目标用户占该待投放目标用户集中目标用户的比例。

本发明实施例中，依据第二获取单元和第二确定单元，确定该待投放目标用户集中完整观看广告的目标用户占该待投放目标用户集中目标用户的比例，将该比例与现有技术中只考虑正样本行为特征进行投放得到的完整观看比例进行对比，对本发明的投放效果进行评估。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上对本发明所提供的一种广告的投放方法及装置进行了详细介绍，本文中应用了具体的实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种广告的投放方法，其特征在于，包括：

当接收到对广告的投放请求时，获取各个目标用户的行为特征，所述行为特征包括正样本行为特征和负样本行为特征；

采用正样本分类器模型对所述各个目标用户的行为特征进行计算，得到正样本概率集，所述正样本概率集包含所述各个目标用户的正样本概率；

对所述正样本概率集中的各个正样本概率进行筛选，将概率值大于预设的投放阈值对应的目标用户组成待投放的目标用户集；

将所述广告投放给所述待投放目标用户集中的各个目标用户。

2.根据权利要求1所述的方法，其特征在于，所述当接收到广告投放请求时，获取各个目标用户的行为特征包括：

解析各个目标用户的历史操作记录；

依据每一个目标用户的历史操作记录，获取所述每一个目标用户对应的至少一个行为特征。

3.根据权利要求1所述的方法，其特征在于，所述正样本分类器模型的训练过程包括：

获取每一个用户的行为特征，对所述每一个用户的行为特征进行分类，将所述行为特征中表征完整观看广告的行为特征作为正样本行为特征，将表征跳过广告的行为特征作为负样本行为特征；

依据预设的构建规则，构建一个正样本分类器模型；

将所述每一个用户的行为特征传递到所述正样本分类器模型进行训练，当所述正样本分类器模型对应的训练结果满足预设的区分阈值时，完成所述正样本分类器模型的训练。

4.根据权利要求1所述的方法，其特征在于，对所述正样本概率集中的各个正样本概率进行筛选，将大于预设的投放阈值的目标用户组成的集合作为待投放的目标用户集中，包括：

依据所述正样本概率集中的各个正样本概率，确定预设的投放阈值；

将所述预设的投放阈值与所述正样本概率集中的每一个正样本概率进行比对；

若第一正样本概率大于所述投放阈值时，将与所述第一正样本概率对应的目标用户作为待投放的目标用户，存入到所述待投放目标用户集中。

5.根据权利要求1所述的方法，其特征在于，还包括：

获取所述待投放目标用户集中每一个目标用户对广告投放的选择记录；

依据所述选择记录，确定所述待投放目标用户集中完整观看广告的目标用户占所述待投放目标用户集中目标用户的比例。

6.一种广告的投放装置，其特征在于，包括：

获取模块，用于当接收到对广告的投放请求时，获取各个目标用户的行为特征，所述行为特征包括正样本行为特征和负样本行为特征；

计算模块，用于采用正样本分类器模型对所述各个目标用户的行为特征进行计算，得到正样本概率集，所述正样本概率集包含所述各个目标用户的正样本概率；

筛选模块，用于对所述正样本概率集中的各个正样本概率进行筛选，将概率值大于预设的投放阈值对应的目标用户组成待投放的目标用户集；

投放模块，用于将所述广告投放给所述待投放目标用户集中的各个目标用户。

7.根据权利要求6所述装置，其特征在于，所述获取模块包括：

解析单元，用于解析各个目标用户的历史操作记录；

第一获取单元，用于依据每一个目标用户的历史操作记录，获取所述每一个目标用户对应的至少一个行为特征。

8.根据权利要求6所述装置，其特征在于，所述计算模块包括：

分类单元，用户获取每一个用户的行为特征，对所述每一个用户的行为特征进行分类，将所述行为特征中表征完整观看广告的行为特征作为正样本行为特征，将表征跳过广告的行为特征作为负样本行为特征；

构建单元，用于依据预设的构建规则，构建一个正样本分类器模型；

训练单元，用于将所述每一个用户的行为特征传递到所述正样本分类器模型进行训练，当所述正样本分类器模型对应的训练结果满足预设的区分阈值时，完成所述正样本分类器模型的训练。

9.根据权利要求6所述装置，其特征在于，所述筛选模块包括：

第一确定单元，用于依据所述正样本概率集中的各个正样本概率，确定预设的投放阈值；

比对单元，用于将所述预设的投放阈值与所述正样本概率集中的每一个正样本概率进行比对；

存储单元，用于若第一正样本概率大于所述投放阈值时，将与所述第一正样本概率对应的目标用户作为待投放的目标用户，存入到所述待投放目标用户集中。

10.根据权利要求6所述装置，其特征在于，还包括：

第二获取单元，用于获取所述待投放目标用户集中每一个目标用户对广告投放的选择记录；

第二确定单元，用于依据所述选择记录，确定所述待投放目标用户集中完整观看广告的目标用户占所述待投放目标用户集中目标用户的比例。