CN107862553B - 广告实时推荐方法、装置、终端设备及存储介质 - Google Patents

Abstract

本发明公开了一种广告实时推荐方法、装置、终端设备及存储介质。该广告实时推荐方法包括实时获取客户端发送的访问请求，访问请求包括请求来源标识；基于该访问请求，获取与请求来源标识相对应的用户喜好信息；基于用户喜好信息，获取与用户喜好信息相对应的关联广告；将关联广告实时推送给客户端，以使客户端实时显示关联广告。该广告实时推荐方法根据用户的喜好信息实时推荐用户感兴趣的广告，提高了推送广告的点击率，实现了广告推送的目的。

Description

广告实时推荐方法、装置、终端设备及存储介质

技术领域

本发明涉及大数据领域，尤其涉及一种广告实时推荐方法、装置、终端设备及存储介质。

背景技术

当前用户访问网站时，网站会随机推送广告给用户，由于是随机推送，无法做到将用户感兴趣的广告实时推荐给用户，用户在访问网站时，通常只会浏览自己感兴趣的或者和自己的需求相关的网页或广告，若网站推送的广告是用户感兴趣的广告，则用户点击该广告的点击率较高；反之，若网站推送的广告不是用户感兴趣的广告，则用户可能不会点击该广告，造成推送广告点击率较低，也不能达到很好的广告推送的效果，没有实现广告推送的目的。

发明内容

本发明实施例提供一种广告实时推荐方法、装置、终端设备及存储介质，以解决当前网站随机推送广告所存在的点击率较低的问题。

第一方面，本发明实施例提供一种广告实时推荐方法，包括：

实时获取客户端发送的访问请求，所述访问请求包括请求来源标识；

基于所述访问请求，获取与所述请求来源标识相对应的用户喜好信息；

基于所述用户喜好信息，获取与所述用户喜好信息相对应的关联广告；

将所述关联广告实时推送给所述客户端，以使所述客户端实时显示所述关联广告。

第二方面，本发明实施例提供一种广告实时推荐装置，包括：

访问请求获取模块，用于实时获取客户端发送的访问请求，所述访问请求包括请求来源标识；

用户喜好信息获取模块，用于基于所述访问请求，获取与所述请求来源标识相对应的用户喜好信息；

关联广告获取模块，用于基于所述用户喜好信息，获取与所述用户喜好信息相对应的关联广告；

关联广告推荐模块，用于将所述关联广告实时推送给所述客户端，以使所述客户端实时显示所述关联广告。

第三方面，本发明实施例提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述广告实时推荐方法的步骤。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述广告实时推荐方法的步骤。

本发明实施例提供的广告实时推荐方法、装置、终端设备及存储介质中，通过实时获取客户端发送的访问请求中的请求来源标识获取对应的用户喜好信息，再基于用户喜好信息获取对应的关联广告，将关联广告实时推荐给相应的客户端，以使客户端显示用户感兴趣的关联广告。该广告实时推荐方法、装置、终端设备及存储介质，可实现根据用户喜好信息实时推荐用户感兴趣的关联广告，提高推送广告的点击率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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是本发明实施例1中广告实时推荐方法的一流程图。

图2是图1中步骤S20的一具体示意图。

图3是图1中步骤S20的另一具体示意图。

图4是图1中步骤S30的一具体示意图。

图5是本发明实施例2中广告实时推荐装置的一原理框图。

图6是本发明实施例4中终端设备的一示意图。

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1

图1示出本实施例中广告实时推荐方法的流程图。该广告实时推荐方法应用在当用户访问网站时，可以实时给用户推荐感兴趣的广告，提高广告的点击率。如图1所示，该广告实时推荐方法包括如下步骤：

S10：实时获取客户端发送的访问请求，访问请求包括请求来源标识。

具体地，与客户端通信相连的服务器实时接收客户端发送的访问请求，该访问请求一般携带有URL地址，服务器解析该URL地址，并将URL地址对应的内容反馈给客户端，以使客户端显示相应网页。本实施例中，服务器接收到的访问请求还包括请求来源标识，该请求来源标识是用于唯一识别请求来源的标识。该请求来源标识包括用户标识和/或终端标识；其中，该用户标识是用于唯一识别触发该访问请求的用户的标识；该终端标识是用于唯一识别发送该访问请求的终端的标识。该用户标识可以为用户登录特定网页时输入的帐号信息，该帐号信息包括但不限于用户登录时使用的登录名、手机号、微信号和邮箱地址。该终端标识包括但不限于用于唯一识别访问请求来源的电脑、手机和Ipad等终端的MAC地址或IP地址等标识。

S20：基于访问请求，获取与请求来源标识相对应的用户喜好信息。

具体地，服务器根据访问请求中的请求来源标识获取对应的用户喜好信息，具体通过获取与请求来源标识对应的用户画像数据获取。用户画像数据是指对一个人的地理位置数据、身份数据、消费数据、行为数据和生活方式数据等数据经过数据分析抽象出的一个标签化的用户模型数据。

当访问请求的请求来源标识是用户标识时，即用户采用的是帐号信息登录特定网页时，其所发送的访问请求均携带有用户标识(此时也可以同时携带终端标识)，服务器可基于该用户标识查找该用户的用户画像数据，以便基于查找到的用户画像数据获取相应的用户喜好信息。

在用户没有采用帐号信息登录特定网页时，即用户以游客身份浏览特定网页时，服务器接收到的访问请求没有携带用户标识而仅携带有终端标识，服务器可基于该终端标识查询该终端标识对应的终端经常访问网页所形成的历史网页数据，以便基于该历史网页数据获取对应的用户画像数据，从而确定对应的用户喜好信息。比如根据用户在一段时间内经常通过同一终端标识对应的终端浏览红酒相关网页数据，通过对用户浏览该网页的行为数据进行分析，可以抽象出该用户的一个标签，该用户喜欢红酒或者最近需要购买红酒，并将喜好红酒作为与终端标识对应的终端的用户画像数据中的一部分。

综上，用户喜好信息可以是用户在采用帐号信息登录网页时，与账号信息相对应的用户填写的个人喜好等信息；也可以是用户没有采用帐号信息而是以游客身份访问网页时，根据其所采用的终端经常访问的历史网页数据所确定的个人喜好等信息。比如用户经常采用同一终端浏览的网页多为与红酒相关的网页，由此可推断该用户喜好信息为红酒；又如用户经常采用同一终端浏览的网页多为与户外活动旅游相关的网页，由此可推断该用户喜好信息为户外旅游。

本实施例中，用户画像数据是由用户画像数据系统采集获取到的。该用户画像数据系统分为四个子系统：数据源子系统、数据中转子系统、大数据平台子系统和数据应用子系统。

数据源子系统主要为应用层模块，与用户相关联，用于进行数据采集。具体地，数据源子系统可以分为数据类模块、互联网渠道类模块和第三方数据模块。数据类模块包括但不限于本实施例中的核心交易模块、风险关联模块和数据仓库模块；互联网渠道类模块包括但不限于本实施例中的门户网站、手机银行和微信银行；第三方数据模块包括但不限于本实施例中的外联网的数据。当用户登录特定网页或浏览网页时均会产生数据，数据源子系统用于采集这些数据。本实施例中，数据源子系统主要使用分布式日志实时采集平台Flume做数据采集，并将采集获取的数据发送到分布式消息中间件Kafka汇总，最后，采用分布式计算引擎Spark从分布式消息中间件Kafka得到数据并处理数据。

数据中转子系统用于连接数据源子系统和大数据平台子系统，即用于将数据源子系统采集获取的数据发送给大数据平台子系统。本实施例中，数据中转子系统用于将数据源子系统采集的数据库文件、交易报文、系统日志和数据库日志等数据，并将上述数据发送给大数据平台子系统。如在用户登陆特定网页或者浏览网页时，核心交易模块会将采集获取的用户登录特定网页时完成的交易记录、触发的相关风险情况等进行数据格式变换生成数据库文件、交易报文、系统日志和数据库日志等数据，并将上述数据发送给大数据平台子系统。可以理解地，数据中转子系统还起到数据存储功能，用于存储数据源子系统上传的数据。具体采用分布式存储平台HBase进行数据存储，存储平台HBase可实现对网络通信、报文认证、交易数据格式转换、个人密码PIN变换、交易流水记录、交易预处理、交易监控和交易数据统计等过程形成的数据进行存储。

大数据平台子系统用于处理和计算海量数据。本实施例中，大数据平台子系统最重要的功能是数据计算，具体使用Spark/Hive做数据分析，比如用户在一段时间的上网浏览信息中经常浏览红酒相关网页信息，大数据平台子系统会对用户的所有上网浏览信息使用Spark/Hive做数据分析，从而获取与用户标识或终端标识相对应的用户画像数据。

数据应用子系统用于将大数据平台子系统进行数据分析后获取的分析结果提供接口供其它系统调用，如将分析结果输入到用于进行数据挖掘、深度学习和数据市场等应用系统。具体地，数据应用子系统可对明确喜欢红酒或者购买红酒的用户的信息进行数据挖掘，以获取得到该类用户的年龄、性别和地理位置等数据信息，通过对挖掘得到的数据信息进行深度学习，以获取与用户年龄相仿、性别相同和地理位置等数据信息相近的用户喜好信息。数据应用子系统也可以通过数据挖掘得到喜欢红酒的用户年龄段分布，所处的地理位置主要集中在什么地方，根据得到的数据信息结合数据市场应用系统对红酒需求量高的地方进行重点销售和广告推荐。

在一具体实施方式中，如图2所示，步骤S20中，获取与请求来源标识相对应的用户喜好信息，具体包括如下步骤：

S211：基于访问请求，判断请求来源标识是否为用户标识。

具体地，服务器接收到的访问请求中携带的请求来源标识可能为用于唯一识别用户的用户标识，也可能为用于唯一识别终端的终端标识，或者同时携带用户标识和终端标识。由于用户标识是用户采用帐号信息登录特定网页后形成的访问请求所携带的标识，对应于特写用户；而终端标识是发送该访问请求的终端的标识，不限于特定用户；因此，用户标识与发送该访问请求的用户的联系更密切，使得步骤S211中服务器接收到访问请求时，需先行判断该访问请求中的请求来源标识是否为用户访问特定网页登录的用户标识。

S212：若请求来源标识为用户标识，则基于用户标识查询已有用户画像数据。

其中，已有用户画像数据是预先采集并存储在与服务器相连的数据库中与用户标识相关联的用户画像数据。本实施例中，已有用户画像数据包括但不限于性别、年龄、地域、住址、职业、婚姻状况、消费习惯和教育程度等基本信息，也可以包括用于体现用户喜好的喜好信息。

具体地，用户在采用帐号信息登录特定网页时，该特定网页对应的服务器会形成用户访问日志，该用户访问日志中可能包括性别、年龄、地域、住址、职业、婚姻状况、消费习惯、个人喜好和教育程度等基本信息，也可能包括用户的访问网页、访问日期、具体的访问时间和访问时长等访问信息。分布式日志实时采集平台Flume会从不同服务器中实时采集用户访问日志，并将采集到的用户访问日志发送给分布式消息中间件Kafka进行汇总，使每一用户访问日志均与用户标识相关联。分布式计算引擎Spark从分布式消息中间件Kafka获取携带同一用户标识的用户访问日志，并对获取到的所有用户访问日志进行数据处理，给用户贴标签，以形成用户画像数据。最后，将贴好标签的用户画像数据存储在分布式存储平台Hbase中，使该用户画像数据与用户标识关联存储，以便基于该用户标识可查询获取对应的已有用户画像数据。上述步骤均采用分布式框架，有利于处理海量数据，提高数据的处理效率。

比如从用户访问日志中携带有年龄、职业和个人喜好信息，则可将从该用户访问日志中获取的年龄作为用户的一个标签，将获取的职业作为用户的另一个标签，将获取的个人喜好作为用户的又一个标签……直至将采集到的用户访问日志中所有基本信息和/或访问信息均贴上标签，以获取用户画像数据，并将贴好标签的用户画像数据存储到分布式存储平台Hbase中。任一条用户访问日志均可能携带与用户标识相对应的一条或者多条基本信息和/或访问信息，使得获取的用户画像数据中携带至少一个标签，获取的用户标签比较广泛，获得的标签对用户来说，比较准确且针对性强。

S213：判断已有用户画像数据是否包含已有喜好信息。

具体地，用户画像数据包括与用户标识关联的所有用户标签。本实施例中，用户在采用帐号信息登录特定网页时，可能在其对应的帐号信息中填写包括但不限于性别、年龄、地域、职业、婚姻状况、个人喜好和教育程度等基本信息中的一个或多个，步骤S213中需判断已有用户画像数据是否包含已有喜好信息。

S214：若已有用户画像数据包含已有喜好信息，则将已有喜好信息作为用户喜好信息。

本实施例中，若已有用户画像数据明确确定其包含已有喜好信息，则直接将该已有用户画像数据中的已有喜好信息作为用户喜好信息，以便后续基于该用户喜好信息进行推荐。由于该已有喜好信息大多是由用户主动上传的，更贴合用户实际喜好，将该已有喜好信息作为广告推荐的依据，使得推送的广告更符合用户的喜好，以在一定程度上提高广告的点击率。

S215：若已有用户画像数据没有包含已有喜好信息，则基于已有用户画像数据查找相似人群。

其中，相似人群是用户画像数据与已有用户画像数据最相似的人群。可以理解地，由于已有用户画像数据中没有包含已有喜好信息，则需基于已有用户画像数据从用户画像数据系统查找到相似人群，以便基于相似人群的共同喜好信息确定与用户标识相对应的用户的用户喜好信息。

本实施例中，大数据平台子系统采用Spark/Hive做数据分析，对分布式存储平台Hbase中存储的所有用户的用户画像数据进行聚类分析，以将所有用户依据其共同喜好信息进行聚类。具体地，所有用户的用户画像数据均可能包括但不限于性别、年龄、地域、住址、职业、婚姻状况、消费习惯、喜好信息和教育程度等。采用K-means聚类算法对所有用户的用户画像数据进行聚类，以基于共同喜好信息将所有用户划分成若干聚类人群，每一聚类人群对应聚类用户画像数据。其中，K-means聚类算法是一种基于距离评估相似度的聚类算法，即两个对象的距离越近，其相似度越大的聚类算法。在基于已有用户画像数据确定相似人群时，需计算已有用户画像数据与每一聚类人群对应的聚类用户画像数据的欧式距离，并选取欧式距离最小的聚类人群作为相似人群。其中，任意两个n维向量a(x_i1,x_i2,...,x_in)与b(x_j1,x_j2,...,x_jn)的欧氏距离

S216：将相似人群对应的共同喜好信息作为用户喜好信息。

由于相似人群的用户画像数据与该用户标识对应用户的已有用户画像数据最相似，则其喜好也最有可能相同，因此可将该相似人群的共同喜好信息作为该用户标识对应的用户的用户喜好信息，并作为广告推荐的依据，使得推送的广告更符合用户的喜好，在一定程度上提高广告的点击率。

S217：若已有用户画像数据没有包含已有喜好信息，则基于用户标识查找对应的至少一个历史网页数据，每一历史网页数据对应一喜好标签。

若访问请求中的请求来源标识是用户标识但用户标识对应的已有用户画像数据中没有包含已有喜好信息时，则服务器可根据该用户标识查找对应的终端访问过的至少一个历史网页数据。该历史网页数据可以是上传到分布式存储平台Hbase中的历史网页数据。由于该历史网页数据与用户标识相关联，可以理解为用户标识对应的用户访问网页时留下的痕迹，使得每一历史网页数据对应的喜好标签可在一定程度上体现用户的喜好。

本实施例中，每一历史网页数据对应有喜好标签，该喜好标签可以采用Jieba分词工具和TF-IDF算法进行获取。具体地，Jieba分词工具(即结巴分词工具)将历史网页数据中的文字信息都扫描出来，然后对文字信息中的长词进行切分，再对切分后的文字信息进行词性标注，以获取分词结果。然后，采用TF-IDF算法对Jieba分词工具处理后的分词结果进行关键词提取，以将提取出的关键词作为该历史网页数据对应的喜好标签。其中，采用TF-IDF算法对Jieba分词工具处理后的分词结果进行关键词提取具体包括如下步骤：

首先，计算任一历史网页数据的分词结果中每个词语的词频(term frequency，以下简称TF)。其中，词频(TF)是指某一个给定的词语在该文件中出现的频率，其公式为

分子表示该词语在文件中的出现次数，而分母表示在文件中所有词语的出现次数之和。

然后，计算任一历史网页数据的分词结果中每个词语的逆文档频率(inversedocument frequency，IDF)。其中，逆文档频率(IDF)是指对每个词分配一个“重要性”权重，该“重要性”权重是指最常见的词(“的”、“是”、“在”)给予最小的权重，较常见的词给予较小的权重，较少见的词给予较大的权重，这个权重叫做“逆文档频率”，它的大小与一个词的常见程度成反比。逆文档频率(IDF)公式可表示为：

其中，|D|是指语料库中的文件总数，|{j:t_u∈d_j}|是指包含词语的文件总数。

最后，采用TF-IDF_i,j＝TF_i,j×IDF_i,j获取历史网页数据中每一词语的权重，并从中选取权重最高或者比较高(即前N位)的词语作为关键词，即为该历史网页数据对应的喜好标签。TF-IDF倾向于过滤掉常见的词语，保留重要词语，并将该重要词语作为该历史网页数据的关键词，选取权重最高的一个关键词或者权重较高的几个关键词确定为该历史网页数据中对应的喜好标签。

S218：对历史网页数据对应的喜好标签进行统计分析，获取关键喜好标签，以确定用户喜好信息。

步骤S217中对每一历史网页数据采用TF-IDF算法进行关键词提取，以确定每一历史网页数据都有对应的喜好标签；步骤S218中需对与用户标识相对应的所有历史网页数据对应的喜好标签进行统计，以确定出现频率最高或者较高的喜好标签作为关键喜好标签，并将该关键喜好标签作为最终确定的用户喜好信息，以便基于该用户喜好信息进行广告推荐，使得推荐的广告更符合用户的兴趣，提高广告的点击率。

在一具体实施方式中，如图3所示，步骤S20中，获取与请求来源标识相对应的用户喜好信息，具体包括如下步骤：

S221：基于访问请求，判断请求来源标识是否为终端标识。

具体地，服务器接收到的访问请求中携带的请求来源标识可能为用于唯一识别用户的用户标识，也可能是用于唯一识别终端的终端标识，或者同时携带用户标识和终端标识。在用户没有采用帐号信息登录特定网页时，服务器接收到的访问请求中的请求来源标识为终端标识，该终端标识可以唯一确定发送访问请求的终端。

S222：若请求来源标识为终端标识，则基于终端标识查找对应的至少一个历史网页数据，每一历史网页数据有对应的喜好标签。

若访问请求中的请求来源标识是终端标识，则服务器根据该终端标识查找对应的终端访问过的至少一个历史网页数据。该历史网页数据可以是上传到分布式存储平台Hbase中的历史网页数据，也可以是存储在终端上的Cookie(或Cookies)中历史网页数据。其中，Cookie(或Cookies)指某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据。步骤S222中获取用户标签的过程与步骤S217的过程相似，为避免重复，在此不一一赘述。

S223：对历史网页数据对应的喜好标签进行统计分析，获取关键喜好标签，以确定用户喜好信息。

步骤S222中对每一历史网页数据采用TF-IDF算法进行关键词提取，以确定每一历史网页数据都有对应的喜好标签；步骤S223中需对与终端标识相对应的所有历史网页数据对应的喜好标签进行统计，以确定出现频率最高或者频度较高的喜好标签作为关键喜好标签，并将该关键喜好标签作为最终确定的用户喜好信息，以便基于该用户喜好信息进行广告推荐，使得推荐的广告更符合用户的兴趣，提高广告的点击率。

在一具体实施方式中，在执行该广告实时推荐方法之前，尤其是步骤S20之前还包括：对网站上所有网页进行标签化处理，以使每一网页携带一喜好标签。可以理解地，该网页的喜好标签可以由网页开发人员人工设置，也可以预先采用Jieba分词工具和TF-IDF算法对网页内容进行处理，获取网页内容的关键词以确定对应的喜好标签。

在该具体实施方式中，步骤S20具体为基于访问请求的URL地址查找对应的目标网页，并将目标网页对应的喜好标签作为用户喜好信息。其中，目标网页为与访问请求的URL地址相对应的网页。由于所有网页均携带有喜好标签，所以目标网页也应该携带有相对应的喜好标签，将该喜好标签作为触发该访问请求的用户的用户喜好信息，以基于该用户喜好信息进行广告推荐，使得推荐的广告更符合用户的兴趣，提高广告的点击率。这种基于URL地址确定用户喜好信息与用户每次触发的访问请求相关联，具有极大的偶然性，在不确定用户标识而且基于终端标识获取的历史网页数据较少的情况下，其所确定的用户喜好信息在很大程度上可体现用户真正的喜好，基于该用户喜好信息推荐广告，在一定程度上也可有效提高广告的点击率。

S30：基于用户喜好信息，获取与用户喜好信息相对应的关联广告。

其中，关联广告是指内容与用户喜好信息相对应的广告。在通过步骤S20确定与访问请求中的请求来源标识相对应的用户喜好信息后，可基于该用户喜好信息查找相对应的关联广告，使得该关联广告更符合触发访问请求的用户的兴趣，以提高用户对关联广告的点击率。

在一具体实施方式中，如图4所示，步骤S30，具体包括如下步骤：

S31：对广告进行关键词提取，确定广告的广告类别。

其中，广告类别是指根据广告内容确定广告所属的类别。具体地，广告类别包含但不限于旅游广告、购物广告等，旅游广告还可细分为旅行社广告、酒店广告、旅游城市/景区广告，旅游节日庆典广告和会展广告等。本实施例中，服务器在获取要推送的广告时，可基于广告主对广告的定位确定其广告类别，即广告主明确确定其广告类别；也可基于广告内容确定其广告类别。在基于广告内容确定其广告类别时，可采用Jieba分词工具和TF-IDF算法对广告内容进行处理，获取广告内容对应的关键词，以确定广告类别。

S32：计算广告类别与用户喜好信息的相似度。

本实施例中，广告类别与用户喜好信息的相似度可采用余弦相似度表示。具体采用余弦相似度算法对广告类别和用户喜好信息进行计算，其中，余弦相似度算法的计算公式为

其中，x是指广告类别中的关键词对应的权重，y是指用户喜好信息中的各喜好信息对应的权重，当计算得出余弦值越接近1时，则证明该广告类别与该用户喜好信息相似度越高，则认定该广告类别与该用户喜好信息更接近。

在一具体实施例中，可按照行业类别对广告进行大类区分，如将广告类别分为旅游广告、购物广告和电子家电广告等，每一大类广告还可进行细分，对每一大类广告进行广告类别定义，其细分的广告在对应的大类广告的基础上进行广告类别定义。如将旅游广告的广告类别定义为T，旅游广告下细分的旅行社广告的广告类别则定义为T₁，酒店广告的广告类别定义为T₂，旅游城市/景区广告的广告类别定义为T₃等；购物广告的广告类别定义为S，购物广告下细分的烟酒广告的广告类别则定义为S₁、食品广告的广告类别定义为S₂、电器/电子产品的广告类别定义为S₃等，其中每一细分下的广告都有一对应的权重，可将广告类别和其对应的权重描述为T(T₁，x₁)，(T₂，x₂)，(T₃，x₃)；S(S₁，x₄)，(S₂，x₅)，(S₃，x₆)。用户喜好信息定义为P₁、P₂、P₃...P_n，其中n依据用户喜好信息的个数确定，同样，可将用户喜好信息和其对应的权重描述为P(P₁，y₁)，(P₂，y₂)，(P₃，y₃)...(P_n，y_n)。基于获得的x、y值，对广告类别和用户喜好信息采用余弦相似度算法的计算公式进行余弦值计算，当计算得出的余弦值越接近1时，则该广告类别与该用户喜好信息越接近，相似度越高。

S33：判断相似度是否大于预设值。

其中，预设值是系统预先设置的数据，该预设值是用于评估任一广告的广告类别与用户喜好信息的相似度是否达到关联广告的标准值。当广告类别与用户喜好信息的相似度大于预设值时，则认定该广告更接近用户的喜好，更容易吸引用户点击该广告；当广告类别与用户喜好信息的相似度不大于预设值，则认定该广告不接近用户的喜好，可能会使用户对该广告的点击率降低。

S34：若相似度大于预设值时，则确定广告为关联广告。

本实施例中，只将与用户喜好信息的相似度大于预设值的广告类别对应的广告作为关联广告，以使关联广告更贴近用户的喜好，以便于后续将关联广告推送给用户时，更容易引起用户的兴趣，以提高关联广告的点击率。

S40：将关联广告实时推送给客户端，以使客户端实时显示关联广告。

本实施例中，客户端将访问请求发送给服务器，服务器在控制客户端显示与访问请求中的URL地址相对应的目标网页时，可实现显示服务器推送的关联广告，由于该关联广告与用户的用户喜好信息相关联，使得该关联广告更容易引起用户的兴趣，以使用户点击查看该关联广告，从而提高广告的点击率。

优选地，客户端显示关联广告方式可以是显示在用户帐号信息登录的APP中或者用户访问网页时的网页中，也可以显示在访问请求携带的终端标识对应的终端设备上，关联广告显示时采用弹窗形式显示，使得该广告推荐消息不会影响用户正常浏览网页信息。可以理解地，将关联广告实时推送给客户端，以使客户端实时显示关联广告，可保证该关联广告可被触发访问请求的用户查看，以提高广告的点击率；从而避免出现触发该访问请求的用户离线(即离开客户端时)，使得该关联广告被推送给其他用户，无法引起其他用户点击关联广告的兴趣的情况。

该广告实时推荐方法可以实时获取客户端发送的访问请求，基于该访问请求的该请求来源标识相对应的用户喜好信息，再基于用户喜好信息获取对应的关联广告，并将该关联广告实时推送给触发该访问请求的客户端，以使用户可通过该客户端实时查看该关联广告，由于该关联广告与用户喜好信息相关联，更符合用户的兴趣，可以提高用户点击关联广告的点击率，达到推送广告的目的。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

实施例2

图5示出与实施例1中广告实时推荐方法一一对应的广告实时推荐装置的原理框图。如图5所示，该广告实时推荐装置包括访问请求获取模块10、用户喜好信息获取模块20、关联广告获取模块30和关联广告推荐模块40。其中，访问请求获取模块10、用户喜好信息获取模块20、关联广告获取模块30和关联广告推荐模块40的实现功能与实施例中广告实时推荐方法对应的步骤一一对应，为避免赘述，本实施例不一一详述。

访问请求获取模块10，用于实时获取客户端发送的访问请求，访问请求包括请求来源标识。

用户喜好信息获取模块20，用于基于访问请求，获取与请求来源标识相对应的用户喜好信息。

关联广告获取模块30，用于基于用户喜好信息，获取与用户喜好信息相对应的关联广告。

关联广告推荐模块40，用于将关联广告实时推送给客户端，以使客户端实时显示关联广告。

优选地，用户喜好信息获取模块20包括用户来源标识判断单元211、已有用户画像数据获取单元212、已有喜好信息判断单元213、第一用户喜好信息获取单元214、相似人群查找单元215、第二用户喜好信息获取单元216、第一网页喜好标签获取单元217、第三用户喜好信息获取单元218；该用户喜好信息获取模块20还包括终端来源标识判断单元221、第二网页喜好标签获取单元222和第四用户喜好信息获取单元223。

用户来源标识判断单元211，用于基于访问请求，判断请求来源标识是否为用户标识。

已有用户画像数据获取单元212，用于若请求来源标识为用户标识，则基于用户标识查询已有用户画像数据。

已有喜好信息判断单元213，用于判断已有用户画像数据是否包含已有喜好信息。

第一用户喜好信息获取单元214，用于若已有用户画像数据包含已有喜好信息，则将已有喜好信息作为用户喜好信息。

相似人群查找单元215，用于若已有用户画像数据没有包含已有喜好信息，则基于已有用户画像数据查找相似人群。

第二用户喜好信息获取单元216，用于将相似人群对应的共同喜好信息作为用户喜好信息。

网页喜好标签第一获取单元217，用于若已有用户画像数据没有包含已有喜好信息，则基于用户标识查找对应的至少一个历史网页数据，每一历史网页数据对应一喜好标签。

第三用户喜好信息获取单元218，用于对历史网页数据对应的喜好标签进行统计分析，获取关键喜好标签，以确定用户喜好信息。

终端来源标识判断单元221，用于基于访问请求，判断请求来源标识是否为终端标识。

第二网页喜好标签获取单元222，用于若请求来源标识为终端标识，则基于终端标识查找对应的至少一个历史网页数据，每一历史网页数据有对应的喜好标签。

第四用户喜好信息获取单元223，用于对历史网页数据对应的喜好标签进行统计分析，获取关键喜好标签，以确定用户喜好信息。

优选地，关联广告获取模块30包括广告类别确定单元31、广告类别相似度确定单元32、相似度判断单元33和关联广告确定单元34。

广告类别确定单元31，用于对广告进行关键词提取，确定广告的广告类别。

广告类别相似度确定单元32，用于计算广告类别与用户喜好信息的相似度。

相似度判断单元33，用于判断相似度是否大于预设值。

关联广告确定单元34，用于若相似度大于预设值时，则确定广告为关联广告。

本实施例所提供的广告实时推荐装置中，用户喜好信息获取模块20，用于基于访问请求，获取与请求来源标识相对应的用户喜好信息。

若访问请求携带的来源标识是用户来源标识，则基于用户标识查询已有用户画像数据，确定已有用户画像数据是否包含已有喜好信息。若包含已有喜好信息，则将已有喜好信息作为用户喜好信息，若已有用户画像数据没有包含已有喜好信息，则基于已有用户画像数据查找相似人群，相似人群对应的共同喜好信息作为用户喜好信息；也可以基于用户标识查找对应的至少一个历史网页数据，确定每一历史网页数据对应的喜好标签，对获取的所有喜好标签进行统计分析，获取关键喜好标签，以确定用户喜好信息。

若访问请求携带的来源标识是终端标识，则基于终端标识查找对应的至少一个历史网页数据，每一历史网页数据有对应的喜好标签，对获取的所有喜好标签进行统计分析，获取关键喜好标签，以确定用户喜好信息。

关联广告获取模块30基于获得的喜好信息，获取与用户喜好信息相对应的关联广告，当确定的广告类别和用户的喜好信息相似度大于预设值时，则确定该广告为与该用户关联的广告并推荐给用户。根据用户喜好信息确定的关联广告更加贴近客户的需求，将该类广告推荐给对应的用户时，会提高用户对推荐广告的点击率。

实施例3

本实施例提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现实施例1中广告实时推荐方法，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现实施例2中广告实时推荐装置中各模块/单元的功能，为避免重复，这里不再赘述。

实施例4

图6是本发明一实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备60包括：处理器61、存储器62以及存储在存储器62中并可在处理器61上运行的计算机程序63，例如广告实时推荐程序。处理器61执行计算机程序63时实现实施例1中广告实时推荐方法的各个步骤，例如图1所示的步骤S10至S40。或者，处理器61执行计算机程序63时实现实施例2中广告实时推荐装置中各模块/单元的功能。

示例性的，计算机程序63可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器62中，并由处理器61执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序63在终端设备60中的执行过程。例如，计算机程序63可以被分割成访问请求获取模块10、用户喜好信息获取模块20、关联广告获取模块30和关联广告推荐模块40，各模块具体功能如下：

访问请求获取模块10，用于实时获取客户端发送的访问请求，访问请求包括请求来源标识。

用户喜好信息获取模块20，用于基于访问请求，获取与请求来源标识相对应的用户喜好信息。

关联广告获取模块30，用于基于用户喜好信息，获取与用户喜好信息相对应的关联广告。

关联广告推荐模块40，用于将关联广告实时推送给客户端，以使客户端实时显示关联广告。

终端设备60可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器61、存储器62。本领域技术人员可以理解，图6仅仅是终端设备60的示例，并不构成对终端设备60的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器61可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器62可以是终端设备60的内部存储单元，例如终端设备60的硬盘或内存。存储器62也可以是终端设备60的外部存储设备，例如终端设备60上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器72还可以既包括终端设备60的内部存储单元也包括外部存储设备。存储器72用于存储计算机程序以及终端设备所需的其他程序和数据。存储器62还可以用于暂时地存储已经输出或者将要输出的数据。

所述领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (7)

1.一种广告实时推荐方法，其特征在于，包括：

实时获取客户端发送的访问请求，所述访问请求包括URL地址和请求来源标识，所述请求来源标识包括用户标识和/或终端标识；

基于所述访问请求，获取与所述请求来源标识相对应的用户喜好信息；

基于所述用户喜好信息，获取与所述用户喜好信息相对应的关联广告；

将所述关联广告实时推送给所述客户端，以使所述客户端显示与所述URL地址相对应的目标网页时，实时显示所述关联广告；

其中，所述基于所述访问请求，获取对应的用户喜好信息，包括：

基于所述访问请求，判断所述请求来源标识是否为用户标识；

若所述请求来源标识为所述用户标识，则基于所述用户标识查询已有用户画像数据；

判断所述已有用户画像数据是否包含已有喜好信息；

若所述已有用户画像数据包含所述已有喜好信息，则将所述已有喜好信息作为所述用户喜好信息；

若所述已有用户画像数据没有包含所述已有喜好信息，则基于所述已有用户画像数据查找相似人群；将所述相似人群对应的共同喜好信息作为所述用户喜好信息；或者，

若已有用户画像数据没有包含已有喜好信息，则基于用户标识查找对应的至少一个历史网页数据，每一历史网页数据对应一喜好标签；对历史网页数据对应的喜好标签进行统计分析，获取关键喜好标签，以确定用户喜好信息。

2.如权利要求1所述的广告实时推荐方法，其特征在于，所述基于所述访问请求，获取与所述请求来源标识相对应的用户喜好信息，包括：

基于所述访问请求，判断所述请求来源标识是否为终端标识；

若所述请求来源标识为所述终端标识，则基于所述终端标识查找对应的至少一个历史网页数据，每一所述历史网页数据对应一喜好标签；

对所述历史网页数据对应的所述喜好标签进行统计分析，获取关键喜好标签，以确定所述用户喜好信息。

3.如权利要求1所述的广告实时推荐方法，其特征在于，所述访问请求还包括URL地址；

所述基于所述访问请求，获取与所述请求来源标识相对应的用户喜好信息，之前还包括：对网站上所有网页进行标签化处理，以使每一所述网页携带一喜好标签；

所述基于所述访问请求，获取与所述请求来源标识相对应的用户喜好信息，包括：基于所述访问请求的所述URL地址查找对应的目标网页，并将所述目标网页对应的喜好标签作为所述用户喜好信息。

4.如权利要求1所述的广告实时推荐方法，其特征在于，基于所述用户喜好，获取对应的关联广告，包括：

对所述广告进行关键词提取，确定所述广告的广告类别；

计算所述广告类别与所述用户喜好信息的相似度；

判断所述相似度是否大于预设值；

若所述相似度大于所述预设值时，则确定所述广告为所述关联广告。

5.一种广告实时推荐装置，其特征在于，包括：

访问请求获取模块，用于实时获取客户端发送的访问请求，所述访问请求包括URL地址和请求来源标识，所述请求来源标识包括用户标识和/或终端标识；

用户喜好信息获取模块，用于基于所述访问请求，获取与所述请求来源标识相对应的用户喜好信息；

关联广告获取模块，用于基于所述用户喜好信息，获取与所述用户喜好信息相对应的关联广告；

关联广告推荐模块，用于将所述关联广告实时推送给所述客户端，以使所述客户端显示与所述URL地址相对应的目标网页时，实时显示所述关联广告；

其中，所述用户喜好信息获取模块包括：

用户来源标识判断单元，用于基于所述访问请求，判断所述请求来源标识是否为用户标识；

已有用户画像数据获取单元，用于若所述请求来源标识为所述用户标识，则基于所述用户标识查询已有用户画像数据；

已有喜好信息判断单元，用于判断所述已有用户画像数据是否包含已有喜好信息；

第一用户喜好信息获取单元，用于若所述已有用户画像数据包含所述已有喜好信息，则将所述已有喜好信息作为所述用户喜好信息；

相似人群查找单元，用于若所述已有用户画像数据没有包含所述已有喜好信息，则基于所述已有用户画像数据查找相似人群；

第二用户喜好信息获取单元，用于将所述相似人群对应的共同喜好信息作为所述用户喜好信息；

网页喜好标签第一获取单元，用于若已有用户画像数据没有包含已有喜好信息，则基于用户标识查找对应的至少一个历史网页数据，每一历史网页数据对应一喜好标签；

第三用户喜好信息获取单元，用于对历史网页数据对应的喜好标签进行统计分析，获取关键喜好标签，以确定用户喜好信息。

6.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述广告实时推荐方法的步骤。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述广告实时推荐方法的步骤。

Images