CN107993084A - 一种广告推送方法 - Google Patents

Abstract

本发明公开一种广告推送方法，首先通过收集广告的点击日志，根据广告点击日志中广告素材的点击信息，构建各个广告素材的特征向量，通过向量的夹角余弦运算，得到各个广告素材之间的相似度；其次，根据广告素材的点击信息确定用户已点击的广告素材的用户偏好值，从而构建每个用户的偏好向量；结合用户的偏好向量，以及用户已点击的广告素材与未点击或未推送的广告素材的相似度，计算用户对未点击或者未推送的广告素材的偏好度，得到的各个偏好度进行排列比较后，将偏好度最大的未推送或未点击的广告素材推送给相应的用户。

Description

一种广告推送方法

技术领域

本发明涉及电数字数据处理领域，尤其涉及一种广告推送方法。

背景技术

目前实现广告推送、投放的现有技术主要为随机投放和基于广告特征和用户偏好的投放。其中，由于随机投放未考虑用户的具体需求，所以在投放的时候，没有针对性，因此投放效率低，用户点击率也低；而基于广告特征和用户偏好的投放方法，由于只关注广告的总体类型特征和用户的关系，而不关注广告中具体的各种广告素材与用户的关系，因此基于广告特征和用户偏好的投放方法虽能产生点击，但实际上给用户推送的广告素材和用户的具体偏好还是有很大的出入，因此投放效率和广告素材点击率也不是很理想。综合上述内容，可知现有技术的优点在在面对单一广告中具体的广告素材和用户的偏好时投放效率，以及用户的点击率都比较低。

发明内容

本发明的目的是提供一种广告推送方法，针对同一广告，进行素材优化，提升广告点击率。

为实现上述目的，本发明提供了一种广告推送方法。该方法包括以下步骤：

收集用户的广告点击日志，并根据所述广告点击日志构建广告素材相似矩阵；所述广告点击日志包括：用户ID，广告素材ID，广告素材的点击信息；

根据所述广告素材相似矩阵，构建所述广告点击日志中每个广告素材的特征向量，以及计算广告素材之间的相似度；

根据所述广告点击日志，计算所述广告点击日志中每个已点击的广告素材的用户偏好值，以及构建每个用户的偏好向量；

根据所述用户的偏好向量，以及所述广告素材之间的相似度，计算所述用户对未推送的广告素材以及对已推送但未点击的广告素材的偏好度；

根据所述用户对未推送的广告素材，以及对已推送但未点击的广告素材的偏好度，向所述用户推送相应的广告素材。

优选的，所述收集用户的广告点击日志，并根据所述广告点击日志构建广告素材相似矩阵步骤，包括：

所述广告素材相似矩阵由m个用户对n个广告素材的点击信息作为元素构成；所述用户对广告素材的点击信息包括：

广告素材成功推送给用户，且所述用户点击所述广告素材，用“1”表示；

广告素材成功推送给用户，且所述用户未点击所述广告素材，用“-1”表示；

广告素材未成功推送给用户，用“0”表示。

优选的，所述根据所述广告素材相似矩阵，构建所述广告点击日志中每个广告素材的特征向量步骤，包括：

所述广告素材的特征向量由每个用户对所述广告素材的点击信息作为元素构成。

优选的，所述计算每个广告素材之间的相似度步骤，包括：

计算所述广告点击日志中每个广告素材的特征向量之间的夹角余弦，用于描述所述两个广告素材之间的相似度。

优选的，所述计算每个广告素材之间的相似度步骤，包括：

通过公式：计算所述广告点击日志中任意两个广告素材的特征向量之间的夹角余弦；其中，为广告素材Ai和广告素材Aj之间的相似度，为广告素材Ai的特征向量，为广告素材Aj的特征向量，为向量的模，为向量的模，i、j为小于等于n的正整数。

优选的，所述根据所述广告点击日志，计算所述广告点击日志中已点击的广告素材的用户偏好值步骤，包括：

统计每个用户对每个已点击的广告素材的点击次数，确定所述广告素材的用户偏好值；

当用户点击所述广告素材的次数大于第一阈值时，所述广告素材的用户偏好值等于第一阈值；

当用户点击广告素材的次数不大于第一阈值时，所述广告素材的用户偏好值等于所述用户点击所述广告素材的次数。

优选的，所述构建每个用户的偏好向量步骤，包括：

所述用户的偏好向量由所述用户已点击的广告素材和所述广告素材的用户偏好值构成。

优选的，所述根据所述用户的偏好向量，以及所述广告素材之间的相似度，计算所述用户对未推送的广告素材以及对已推送但未点击的广告素材的偏好度步骤，包括：

所述广告素材之间的相似度，为所述用户已点击的广告素材与未成功推送的广告素材、成功推送但所述用户未点击的广告素材之间的相似度。

优选的，所述根据所述用户的偏好向量，以及所述广告素材之间的相似度，计算所述用户对未推送的广告素材以及对已推送但未点击的广告素材的偏好度步骤，包括：

通过公式：计算用户对未推送的广告素材以及对已推送但未点击的广告素材的偏好度，其中，Pk为用户对第k个未推送或已推送但未点击的广告素材的偏好度，为用户已点击的广告素材的特征向量与未推送的广告素材、已推送但未点击的广告素材的特征向量的相似度，ah为用户对已点击的第h个广告素材的用户偏好值，h用于标记用户点击过的广告素材，k用于标记未推送或已推送但未点击过的广告素材。

优选的，所述根据所述用户对未推送的广告素材，以及对已推送但未点击的广告素材的偏好度，向所述用户推送相应的广告素材步骤，包括：

所述用户对未推送的广告素材、已推送但未点击的广告素材的偏好度进行排序后，将偏好度最大的广告素材推送给所述用户。

采用本发明提供的广告推送方法，由于在向用户推送一批广告素材时会出现部分被点击，部分未被点击的情况，为了使已有的点击率再进一步提升，本发明利用用户已点击的广告素材，分析用户的具体偏好的广告素材类型，然后从未推送的或已推送单用户未点击的广告素材中选取用户最有可能点击的广告素材推荐给用户，从而实现提高广告投放、推送效率和用户点击率的目的。

本发明在实现上述目的时，利用用户对每个广告素材的点击情况，构造每一个广告素材的特征向量，根据所构造的特征向量计算已推送且已点击、已推送但未点击、未推送等所有广告素材之间的相似度；另外，利用已推送且已点击的广告素材的点击情况，构建用户的偏好向量，根据用户的偏好向量分析用户偏好的广告素材类型，然后结合用户偏好向量和广告素材的相似度，通过计算，在已推送但未点击、未推送等这些广告素材中，找出用户最有可能点击的广告素材，从而实现上述目的。相对于随机投放和基于广告特征、用户偏好的投放方法相比，在相同广告投放量的情况下，发明广告的点击率相对于随机投放的点击率能提升50％以上。

附图说明

图1是本发明提供的广告推送方法的流程图；

图2是本实施例中广告素材的相似矩阵；

图3是本实施例构建用户的特征向量以及计算广告素材之间的相似度的流程图；

图4本实施例计算广告素材的用户偏好值以及构建用户的偏好向量的流程图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

图1是本发明提供的广告推送方法的流程图。如图1所示，本发明提供的广告推送方法，其具体实施过程如下：

步骤S100：收集用户的广告点击日志，并根据所述广告点击日志构建广告素材相似矩阵；

具体地，广告点击日志包括用户ID、广告素材ID和用户对广告素材的点击信息；用户ID为用户的标识；广告素材ID为广告素材的标识，广告素材的种类包括文本、图片和flash等，每一个不同的文本、图片或flash素材为一个广告素材，都有自己的标识；广告素材的点击信息指的是广告素材的投放情况和用户的点击情况，如表1所示：

表1：用户对广告素材的点击信息

表1表示投放n个广告素材后，m个用户对广告素材的点击情况。其中，大于0的数表示用户点击广告素材的次数，例如用户U1点击广告素材A2的次数是10次；0表示该广告素材未成功推送给用户，例如广告素材An未推送给用户U1和U3；-1表示该广告素材已推送，但用户未点击，例如广告素材A2已推送给用户U3，但用户U3没有点击。

图2是本实施例中广告素材的相似矩阵。如图2所示，广告素材的相似矩阵中，用“1”表示广告素材成功推送，且用户已点击；用“-1”表示广告素材成功推送，但用户没有点击；用“0”表示广告素材未成功推送给用户。

步骤S200：根据所述广告素材相似矩阵，构建所述广告点击日志中每个广告素材的特征向量，以及计算广告素材之间的相似度；

图3是本实施例构建用户的特征向量以及计算广告素材之间的相似度的流程图。如图2所示：

步骤S201：构建所述广告点击日志中每个广告素材的特征向量；

根据广告素材是否成功推送给用户、用户是否点击该广告素材来描述该广告素材的特征向量，如其中，表示广告素材Ai的特征向量，i取正整数，用于标记广告素材，α1,α2,α3,α4,…,αm分别表示用户U1,U2,U3,U4,…,Um对广告素材Ai的接收情况和点击情况，如果用户Um成功接收且点击广告素材Ai，则αm等于1，如果用户Um成功接收但没有点击广告素材Ai，则αm等于-1，如果用户Um没有成功接收广告素材Ai，则αm等于0。

基于图2所示，各个广告素材的特征向量如下：

如表2所示，本实施例投放了5个广告素材，且只收集到5个用户的广告点击日志。

表2：m＝n＝5

表2中的广告素材A1、A2、A3、A4、A5的特征向量为：

步骤S202：计算每个广告素材之间的相似度；

通过公式：计算广告点击日志中任意两个广告素材的特征向量之间的夹角余弦，用于描述所述两个广告素材之间的相似度，进而得到所有广告素材之间的相似度。公式中，为广告素材Ai和广告素材Aj之间的相似度，为广告素材Ai的特征向量，为广告素材Aj的特征向量，为向量的模，为向量的模，i、j为小于等于n的正整数。

表3中的广告素材A1、A2、A3、A4、A5之间的相似度为：

S300：根据所述广告点击日志，计算所述广告点击日志中每个已点击的广告素材的用户偏好值，以及构建每个用户的偏好向量；

具体地，在投放的广告素材A1、A2、A3、A4、…、An中，用户有可能对所有的广告素材都有点击，也有可能只点击其中一部分，或者不点击任何一个广告素材，因此基于用户已点击的广告素材，并根据用户点击每个广告素材的次数，构建每个用户的偏好向量。后续步骤根据用户的偏好向量，以及广告素材之间的相似度，将未推送的广告素材或者已推送但用户没有点击的广告素材推送给相应用户。

图4本实施例计算广告素材的用户偏好值以及构建用户的偏好向量的流程图。如图3所示：

步骤S301：统计每个用户对每个已点击的广告素材的点击次数，确定每个已点击的广告素材的用户偏好值；

当用户点击广告素材的次数大于第一阈值时，所述广告素材的用户偏好值等于第一阈值；

当用户点击广告素材的次数不大于第一阈值时，所述广告素材的用户偏好值等于所述用户点击所述广告素材的次数。

本实施例取第一阈值等于10，在其他应用中，可根据实际情况取相应的数值。

如表5所示，表5表示表3中各个用户对各个广告素材的偏好值。

表5：表3中各个用户对各个广告素材的偏好值

步骤S302：根据用户已点击的广告素材和所述广告素材的用户偏好值，构建所述用户的偏好向量；

用户的偏好向量由用户已点击的广告素材和所述广告素材的用户偏好值构成。具体为：如果用户Um已点击广告素材Ah,且点击次数为ah(h取正整数，用于标记用户已点击的广告素材及相应的点击次数)，则用户Um的偏好向量为(…,(Ah,ah),…)，基于表3和表5，用户U1、U2、U3、U4、U5的偏好向量如下：

用户U1的偏好向量为((A1,1),(A2,10),(A3,2),(A4,3))，广告素材A5未成功推送；

用户U2的偏好向量为((A1,6),(A5,7))，广告素材A2,A3,A4未成功推送；

用户U3的偏好向量为((A3,10))，广告素材A5未成功推送，广告素材A1、A2、A4成功推送，但用户U3没有点击；

用户U4的偏好向量为((A1,4),(A2,10),(A5,5))，广告素材A3未成功推送，广告素材A4成功推送，但用户U4没有点击；

用户U5的偏好向量为((A2,10))，广告素材A1、A3、A4未成功推送，广告素材A5成功推送，但用户U5没有点击。

步骤400：根据所述用户的偏好向量，以及所述广告素材之间的相似度，计算所述用户对未推送的广告素材以及对已推送但未点击的广告素材的偏好度；

通过公式：计算用户对未推送的广告素材、已推送但未点击的广告素材的偏好度，其中，Pk为用户对第k个未推送或已推送但未点击的广告素材的偏好度(k取正整数)，为用户已点击的广告素材的特征向量与未推送的广告素材、已推送但未点击的广告素材的特征向量的相似度，ah为用户对第h个已点击的广告素材的点击次数，h、k正整数，h用于标记用户点击过的广告素材，k用于标记未推送或已推送但未点击过的广告素材。

根据用户U1、U2、U3、U4、U5的偏好向量，分别计算用户U1、U2、U3、U4、U5对已推送但未点击的和未推送的广告素材的偏好度，如下：

用户U1的偏好向量为((A1,1),(A2,10),(A3,2),(A4,3))，广告素材A5未成功推送，因此用户U1对广告素材A5的偏好度为：

用户U2的偏好向量为((A1,6),(A5,7))，广告素材A2,A3,A4未成功推送，因此用户U2对广告素材A2,A3,A4的偏好度分别为：

用户U3的偏好向量为((A3,10))，广告素材A5未成功推送，广告素材A1、A2、A4成功推送，但用户U3没有点击，因此用户U3对广告素材A1、A2、A4、A5的偏好度分别为：

用户U4的偏好向量为((A1,4),(A2,10),(A5,5))，广告素材A3未成功推送，广告素材A4成功推送，但用户U4没有点击，因此用户U4对广告素材A3、A4的偏好度分别为:

用户U5的偏好向量为((A2,10))，广告素材A1、A3、A4未成功推送，广告素材A5成功推送，但用户U5没有点击，因此用户U5对广告素材A1、A3、A4、A5的偏好度分别为:

步骤500：根据所述用户对未推送的广告素材，以及对已推送但未点击的广告素材的偏好度，向所述用户推送相应的广告素材；

将所述用户对未推送的广告素材、已推送但未点击的广告素材的偏好度进行排序，将最有可能被用户点击的广告素材，即与最大偏好度相应的广告素材推送给所述用户。

具体如下：

由于用户U1已点击的广告素材为A1、A2、A3、A4，因此，直接将广告素材A5推送给用户U1；

由于用户U2已点击的广告素材为A1、A5，比较用户对广告素材A2、A3、A4的偏好度：

P2＝4.5，P3＝0，P4＝0.23；

因此将偏好度最大的广告素材A2推荐给用户U2；

由于用户U3已点击的广告素材为A3，比较用户对广告素材A1、A2、A4、A5的偏好度：

P1＝P2＝P4＝P5＝0；

由于用户U3已点击的广告素材的偏好度都相等，因此随机将广告素材A1、A2、A4、A5推荐给用户U3的广告素材为；

由于用户U4已点击的广告素材为A1、A2、A5，比较用户对广告素材A3、A4的偏好度：

P3＝0，P4＝3.46；

因此将偏好度最大的广告素材为A4推荐给用户U4；

由于用户U5已点击的广告素材为A2，比较用户对广告素材A1、A3、A4、A5的偏好度：

P1＝7.5，P3＝0，P4＝2.9，P5＝0；

因此将偏好度最大的广告素材为A1推荐给用户U2。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种广告推送方法，其特征在于，包括以下步骤：

收集用户的广告点击日志，并根据所述广告点击日志构建广告素材相似矩阵；所述广告点击日志包括：用户ID，广告素材ID，广告素材的点击信息；

根据所述广告素材相似矩阵，构建所述广告点击日志中每个广告素材的特征向量，以及计算广告素材之间的相似度；

根据所述广告点击日志，计算所述广告点击日志中每个已点击的广告素材的用户偏好值，以及构建每个用户的偏好向量；

根据所述用户的偏好向量，以及所述广告素材之间的相似度，计算所述用户对未推送的广告素材以及对已推送但未点击的广告素材的偏好度；

根据所述用户对未推送的广告素材，以及对已推送但未点击的广告素材的偏好度，向所述用户推送相应的广告素材。

2.根据权利要求1所述的广告推送方法，其特征在于，所述收集用户的广告点击日志，并根据所述广告点击日志构建广告素材相似矩阵步骤，包括：

所述广告素材相似矩阵由m个用户对n个广告素材的点击信息作为元素构成；所述用户对广告素材的点击信息包括：

广告素材成功推送给用户，且所述用户点击所述广告素材，用“1”表示；

广告素材成功推送给用户，且所述用户未点击所述广告素材，用“-1”表示；

广告素材未成功推送给用户，用“0”表示。

3.根据权利要求2所述的广告推送方法，其特征在于，所述根据所述广告素材相似矩阵，构建所述广告点击日志中每个广告素材的特征向量步骤，包括：

所述广告素材的特征向量由每个用户对所述广告素材的点击信息作为元素构成。

4.根据权利要求1中所述的广告推送方法，其特征在于，所述计算每个广告素材之间的相似度步骤，包括：

计算所述广告点击日志中每个广告素材的特征向量之间的夹角余弦，用于描述所述两个广告素材之间的相似度。

5.根据权利要求4中所述的广告推送方法，其特征在于，所述计算每个广告素材之间的相似度步骤，包括：

通过公式：计算所述广告点击日志中任意两个广告素材的特征向量之间的夹角余弦；其中，为广告素材Ai和广告素材Aj之间的相似度，为广告素材Ai的特征向量，为广告素材Aj的特征向量，为向量的模，为向量的模，i、j为小于等于n的正整数。

6.根据权利要求1中所述的广告推送方法，其特征在于，所述根据所述广告点击日志，计算所述广告点击日志中已点击的广告素材的用户偏好值步骤，包括：

统计每个用户对每个已点击的广告素材的点击次数，确定所述广告素材的用户偏好值；

当用户点击所述广告素材的次数大于第一阈值时，所述广告素材的用户偏好值等于第一阈值；

当用户点击广告素材的次数不大于第一阈值时，所述广告素材的用户偏好值等于所述用户点击所述广告素材的次数。

7.根据权利要求6中所述的广告推送方法，其特征在于，所述构建每个用户的偏好向量步骤，包括：

所述用户的偏好向量由所述用户已点击的广告素材和所述广告素材的用户偏好值构成。

8.根据权利要求1中所述的广告推送方法，其特征在于，所述根据所述用户的偏好向量，以及所述广告素材之间的相似度，计算所述用户对未推送的广告素材以及对已推送但未点击的广告素材的偏好度步骤，包括：

所述广告素材之间的相似度，为所述用户已点击的广告素材与未成功推送的广告素材、成功推送但所述用户未点击的广告素材之间的相似度。

9.根据权利要求8中所述的广告推送方法，其特征在于，所述根据所述用户的偏好向量，以及所述广告素材之间的相似度，计算所述用户对未推送的广告素材以及对已推送但未点击的广告素材的偏好度步骤，包括：

通过公式：计算用户对未推送的广告素材以及对已推送但未点击的广告素材的偏好度，其中，Pk为用户对第k个未推送或已推送但未点击的广告素材的偏好度，为用户已点击的广告素材的特征向量与未推送的广告素材、已推送但未点击的广告素材的特征向量的相似度，ah为用户对已点击的第h个广告素材的用户偏好值，h用于标记用户点击过的广告素材，k用于标记未推送或已推送但未点击过的广告素材。

10.根据权利要求1中所述的广告推送方法，其特征在于，所述根据所述用户对未推送的广告素材，以及对已推送但未点击的广告素材的偏好度，向所述用户推送相应的广告素材步骤，包括：

所述用户对未推送的广告素材、已推送但未点击的广告素材的偏好度进行排序后，将偏好度最大的广告素材推送给所述用户。