CN109146551A - 一种广告推荐方法、服务器及计算机可读介质 - Google Patents

一种广告推荐方法、服务器及计算机可读介质 Download PDF

Info

Publication number
CN109146551A
CN109146551A CN201810841441.2A CN201810841441A CN109146551A CN 109146551 A CN109146551 A CN 109146551A CN 201810841441 A CN201810841441 A CN 201810841441A CN 109146551 A CN109146551 A CN 109146551A
Authority
CN
China
Prior art keywords
user
advertisement
similarity
clicks
class
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810841441.2A
Other languages
English (en)
Inventor
刘均
陈子安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Launch Technology Co Ltd
Original Assignee
Shenzhen Launch Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Launch Technology Co Ltd filed Critical Shenzhen Launch Technology Co Ltd
Priority to CN201810841441.2A priority Critical patent/CN109146551A/zh
Publication of CN109146551A publication Critical patent/CN109146551A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0277—Online advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明实施例公开了一种广告推荐方法、服务器及计算机可读介质，其中方法包括：根据多个用户中的两两用户之间在预设时间段内搜索关键词上的直接相似度、依赖值和依赖指向，构建贝叶斯网模型；选取贝叶斯网模型中的第一用户；计算第一用户点击广告集合中的每个广告的预测点击率；将符合预设规则的预测点击率对应的广告推荐给所述第一用户。实施本发明实施例，可以解决现有技术中因冷启动问题和用户历史交互信息稀疏问题而带来的广告投放不够有效。

Description

一种广告推荐方法、服务器及计算机可读介质
技术领域
本发明涉及信息处理技术领域，尤其涉及一种广告推荐方法、服务器及计算机可读介质。
背景技术
互联网在线广告已成为除电视和报纸之外的主要广告投放方式。在线广告的收益与广告的点击率CTR(Click Through Rate，CTR)密切相关，增加广告的点击率是提高广告收益的有效途径之一。具体实现中，广告点击率与广告的投放位置有关，广告的投放位置越靠前，意味着用户点击该广告的可能性越高；反之，广告的投放位置越靠后，意味着用户点击该广告的可能性越低。为了获得最大的在线广告收益，需要把点击率CTR相对较高的广告投放在靠前的位置，那么，需要对每个广告的点击率CTR进行预测。
在对广告的点击率CTR进行预测时，会面临冷启动和用户历史交互信息稀疏问题。具体来说，冷启动问题可以包括以下几种情况：(1)用户冷启动。用户冷启动是指当前的用户为新用户，广告点击日志中不存在该新用户的点击广告的记录。(2)物品冷启动。物品冷启动是指当前的广告为最新投放的广告，广告点击日志中不存在该新广告被用户点击的记录。此外，由于广告数量和用户数量很大，很多用户并不一定有广告点击记录，或者，很多用户点击的广告很少，此时，在这种情况下，会出现用户历史交互信息稀疏的问题。
现有技术中，一般采用基于行为定向来获取用户偏好的方式来有针对性地为用户推荐广告，以此提高在线广告的点击率CTR，然而，该方法并没有解决冷启动问题、用户历史交互信息稀疏问题对广告点击率CTR预测的影响，从而带来广告投放不够有效的问题。
发明内容
本发明实施例提供一种广告推荐方法、服务器及计算机可读介质，可解决现有技术中因冷启动问题和用户历史交互信息稀疏问题而带来的广告投放不够有效。
第一方面，本发明实施例提供了一种广告推荐方法，该方法包括：
根据多个用户中的两两用户之间在预设时间段内搜索关键词上的直接相似度、依赖值和依赖指向，构建贝叶斯网模型；
选取所述贝叶斯网模型中的第一用户；其中所述第一用户属于第一类用户集合，所述第一类用户集合中的用户没有点击过广告集合中的广告；所述第一用户与第二用户的第一相似度大于第一预设阈值，所述第一相似度用于表征所述第一用户和所述第二用户点击广告上的相似关系；所述第二用户属于第二类用户集合，所述第二类用户集合中的用户点击过所述广告集合中的广告；
计算所述第一用户点击所述广告集合中的每个广告的预测点击率；
将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户。
实施本发明实施例，可以解决现有技术中因冷启动问题和用户历史交互信息稀疏问题而带来的广告投放不够有效。
可选的，所述计算所述第一用户点击所述广告集合中的每个广告的预测点击率，包括：
在计算所述第一用户点击所述广告集合中的其中一个广告时，根据以下计算公式来计算：
P＝A1*B1+A2*B2+...+AN*BN
其中，P表示所述第一用户点击所述广告集合中的广告i的预测点击率，i为大于0的正整数；N表示所述第二类用户集合中所包含的所述第二用户的数量，N用于确定所述计算公式中的求和项的数量；A1表示所述第一用户和所述第二类用户集合中的第一个用户点击广告的相似度；B1表示所述第二类用户集合中的所述第一个用户确实点击所述广告i的概率；AN表示所述第一用户和所述第二类用户集合中的第N个用户点击广告的相似度；BN表示所述第二类用户集合中的所述第N个用户确实点击所述广告i的概率。
可选的，所述第一用户和所述第二类用户集合中的第一个用户点击广告的相似度包括A1＝P(Uo|U1)，其中，Uo表示所述第一用户；U1表示所述第二类用户集合中的第一个用户，U1∈Us，其中，s＝1,2......，N。
可选的，所述第二类用户集合中的所述第一个用户节点确实点击所述广告i的概率B1＝P(yXi|Xi,U1)，其中，Xi表示所述广告i，yXi＝1。
可选的，所述第一相似度包括P1＝(Uj|P(Uj|Ux))，其中，Ux表示所述第一类用户集合中的用户；Uj为所述第二类用户集合中的用户。
可选的，所述将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户，包括：
将排名前M位的所述预测点击率对应的广告推荐给所述第一用户。
可选的，所述将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户，还包括：
将所述预测点击率大于第二预设阈值对应的广告推荐给所述第一用户。
第二方面，本发明实施例提供了一种服务器，该服务器包括：
构建单元，用于根据多个用户中的两两用户之间在预设时间段内搜索关键词上的直接相似度、依赖值和依赖指向，构建贝叶斯网模型；
选取单元，用于选取所述贝叶斯网模型中的第一用户；其中所述第一用户属于第一类用户集合，所述第一类用户集合中的用户没有点击过广告集合中的广告；所述第一用户与第二用户的第一相似度大于第一预设阈值，所述第一相似度用于表征所述第一用户和所述第二用户点击广告上的相似关系；所述第二用户属于第二类用户集合，所述第二类用户集合中的用户点击过所述广告集合中的广告；
计算单元，用于计算所述第一用户点击所述广告集合中的每个广告的预测点击率；
推荐单元，用于将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户。
可选的，所述计算单元具体用于在计算所述第一用户点击所述广告集合中的其中一个广告时，根据以下计算公式来计算：
P＝A1*B1+A2*B2+...+AN*BN
其中，P表示所述第一用户点击所述广告集合中的广告i的预测点击率，i为大于0的正整数；N表示所述第二类用户集合中所包含的所述第二用户的数量，N用于确定所述计算公式中的求和项的数量；A1表示所述第一用户和所述第二类用户集合中的第一个用户点击广告的相似度；B1表示所述第二类用户集合中的所述第一个用户确实点击所述广告i的概率；AN表示所述第一用户和所述第二类用户集合中的第N个用户点击广告的相似度；BN表示所述第二类用户集合中的所述第N个用户确实点击所述广告i的概率。
可选的，所述第一用户和所述第二类用户集合中的第一个用户点击广告的相似度包括A1＝P(Uo|U1)，其中，Uo表示所述第一用户；U1表示所述第二类用户集合中的第一个用户，U1∈Us，其中，s＝1,2......，N。
可选的，所述第二类用户集合中的所述第一个用户节点确实点击所述广告i的概率B1＝P(yXi|Xi,U1)，其中，Xi表示所述广告i，yXi＝1。
可选的，所述第一相似度包括P1＝(Uj|P(Uj|Ux))，其中，Ux表示所述第一类用户集合中的用户；Uj为所述第二类用户集合中的用户。
可选的，所述推荐单元具体用于将排名前M位的所述预测点击率对应的广告推荐给所述第一用户。
可选的，所述推荐单元还具体用于将所述预测点击率大于第二预设阈值对应的广告推荐给所述第一用户。
第三方面，本发明实施例提供了另一种服务器，包括：处理器、存储器、通信接口和总线；
所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；
所述存储器存储可执行程序代码；
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行上述第一方面的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
第五方面，本发明实施例提供了一种计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本发明实施例通过获取多个用户在预设时间内的搜索关键词，根据用户与用户之间搜索关键词的直接相似关系、依赖值和依赖指向来构建贝叶斯网模型，其次，在上述贝叶斯网模型中确定第一用户；之后，再计算第一用户点击广告集合中的每个广告的预测点击率，在确定了第一用户点击广告集合中的每个广告的预测点击率之后，将符合预设规则的预测点击率对应的广告推荐给第一用户，可以解决因冷启动问题和用户历史交互信息稀疏问题而带来的广告投放不够的问题，可以准确计算用户对广告的预测点击率，实现广告的精准投放。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的一种广告推荐方法的示意流程图；
图2A是本发明实施例提供的一种贝叶斯网模型的结构示意图；
图2B是本发明实施例提供的另一种贝叶斯网模型的结构示意图；
图3是本发明实施例提供的一种服务器的示意性框图；
图4是本发明另一实施例提供的一种服务器示意性框图。
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描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合图1所示的本发明实施例提供的广告推荐方法的流程示意图，具体说明本发明实施例是如何向用户推荐广告的，可以包括如下步骤S101-步骤S104：
步骤S101、根据多个用户中的所有两两用户之间在预设时间段内搜索关键词上的直接相似度、依赖值和依赖指向，构建贝叶斯网模型。
具体实现中，可以根据用户的搜索关键词来向用户推荐广告。这种推荐广告的方式为关键词广告。关键词广告，即也关键词检索，是指当用户利用某一关键词进行检索，在检索结果页面会出现该关键词相关的广告内容。
具体实现中，直接相似度为两个用户在预设时间段内共同搜索关键词的个数占两个用户在预设时间段内所有搜索关键词的个数的比值。
例如，用户A在2018年6月1号至2018年6月7号这一周内搜索过的关键词包括电脑、苹果手机、优衣库服饰、三只松鼠；用户B在2018年6月1号至2018年6月7号这一周内搜索过的关键词包括电脑，苹果手机、好吃点饼干、粒上皇板栗。那么，用户A和用户B在2018年6月1号至2018年6月7号这一周内搜索过的所有关键词包括：电脑、苹果手机、优衣库服饰、三只松鼠、好吃点饼干、粒上皇板栗；用户A和用户B在2018年6月1号至2018年6月7号这一周内共同搜索过的关键词包括：电脑、苹果手机。继而，用户A和用户B在可以求得2018年6月1号至2018年6月7号这一周内搜索关键词上的直接相似度为1/3。
具体实现中，依赖值需要通过两个用户间的指向关系来确定。例如，用户A对用户B的依赖值为用户A、用户B共同搜索关键词的个数占用户A所有搜索关键词个数的比值。用户B对用户A的依赖值为用户A、用户B共同搜索关键词的个数占用户B所有搜索关键词个数的比值。
具体实现中，两个用户之间的依赖指向由依赖值确定。若所述用户A、用户B共同搜索关键词的个数占所述用户A所有搜索关键词个数的比值大于所述用户A、用户B共同搜索关键词的个数占所述用户B所有搜索关键词个数的比值，则所述用户A与用户B之间的依赖指向为所述用户A指向所述用户B；若所述用户A、用户B共同搜索关键词的个数占所述用户B所有搜索关键词个数的比值大于所述用户A、用户B共同搜索关键词的个数占所述用户A所有搜索关键词个数的比值，则所述用户A与用户B之间的依赖指向为所述用户B指向所述用户A。
接下来将详细阐述服务器是如何构建贝叶斯网模型的。
首先，服务器可以在广告日志中获取用户在预设时间段内的搜索关键词。
其次，确定多个用户中的两两用户之间在预设时间段内搜索关键词上的直接相似度，再选择大于预设阈值λ1(例如，预设阈值λ1＝0.4)的各个直接相似度值所分别对应的两两用户，分别构成各组具有直接相似关系的两个用户，并获取所述各组具有直接相似关系的两个用户之间的依赖值。具体实现中，上述预设阈值λ1可以是0～1之间的任意数值，本发明实施例不作具体限定。
之后，确定两两用户之间的依赖值，并根据依赖值确定两两用户之间的依赖指向。具体实现中，依赖指向为有方向的箭头。
具体实现中，根据依赖值确定两两用户之间的依赖指向，可以包括：
依次确定用户A、用户B共同搜索关键词的个数占所述用户A所有搜索关键词个数的比值以及所述用户A、用户B共同搜索关键词的个数占所述用户B所有搜索关键词个数的比值；
若所述用户A、用户B共同搜索关键词的个数占所述用户A所有搜索关键词个数的比值大于所述用户A、用户B共同搜索关键词的个数占所述用户B所有搜索关键词个数的比值，则所述用户A与用户B之间的依赖指向为所述用户A指向所述用户B；
若所述用户A、用户B共同搜索关键词的个数占所述用户B所有搜索关键词个数的比值大于所述用户A、用户B共同搜索关键词的个数占所述用户A所有搜索关键词个数的比值，则所述用户A与用户B之间的依赖指向为所述用户B指向所述用户A。
最后，根据直接相似度、依赖值和依赖指向构建贝叶斯网模型。具体实现中，贝叶斯网模型中的各个用户分别可以采用各个用户节点表示。具体实现中，根据多个用户中的所有两两用户之间在预设时间段内搜索关键词上的直接相似度、依赖值和依赖指向构建好的贝叶斯网模型可以参见图2，图2是本发明实施例提供的一种贝叶斯网模型的结构示意图。如图2所示，该贝叶斯网模型中包括用户A、用户B、用户C、用户D、用户E、用户F、用户G。可以理解的是，以用户A、用户B、用户C为例，可以获知该贝叶斯网模型中用户A与用户B之间的直接相似度，由于用户A对用户B的依赖值大于用户B对用户A的依赖值，继而该依赖指向为用户A与用户B。
更进一步地，还可以获知用户A与用户C之间搜索关键词上的间接相似度。
具体实现中，可以根据吉布斯(Gibbs，吉布斯)采样确定该贝叶斯网模型中的各个用户之间搜索关键词上的间接相似度。
步骤S102、选取所述贝叶斯网模型中的第一用户；其中所述第一用户属于第一类用户集合，所述第一类用户集合中的用户没有点击过广告集合中的广告；所述第一用户与第二用户的第一相似度大于第一预设阈值，所述第一相似度用于表征所述第一用户和所述第二用户点击广告上的相似关系；所述第二用户属于第二类用户集合，所述第二类用户集合中的用户点击过所述广告集合中的广告。
具体实现中，可以根据以下公式确定第一用户和第二用户之间点击广告上的第一相似度：
P1＝(Uj|P(Uj|Ux))
其中，Ux表示所述第一类用户集合中的用户；Uj为所述第二类用户集合中的用户。
在确定了第一用户和第二用户之间点击广告上的第一相似度值之后，选取大于预设阈值λ2(例如，预设阈值λ2＝0.6)的各个第一相似度值所分别对应的第一用户和第二用户，其中，第一用户属于第一类用户集合，第二用户属于第二类用户集合。
具体实现中，服务器在贝叶斯网模型中选取所述第一用户时，确定所述第一用户与第二类用户集合中的每个用户之间的所述第一相似度；之后，统计所述第一用户与第二类用户集合中的每个用户之间的第一相似度大于第一预设阈值的所述第二用户数量；若该第二用户数量大于设定的阀值(例如，2个)，则可以确定所述第一用户为本发明实施例中所要选取的用户，通过实施本发明实施例，可以提高广告投放的准确性。
例如，第一类用户集合中包括用户A，用户B，第二类用户集合中包括用户C，用户D，用户E，用户F。服务器可以确定用户A分别与用户C、用户D、用户E、用户F在点击广告上的第一相似度，也可以确定用户B分别与用户B、用户C、用户D、用户E在点击广告上的第一相似度，可以理解的是，在上述步骤之后，可以得到第一相似度AC，第一相似度AD，第一相似度AE，第一相似度AF，第一相似度BC，第一相似度BD，第一相似度BE，第一相似度BF。然后，将上述8个第一相似度分别与第一预设阈值λ进行比较，以确定上述8个第一相似度中大于第一预设阈值λ的数量。例如，第一预设阈值λ＝0.3，用户A与用户C的第一相似度AC为0.35，用户A与用户D的第一相似度AD为0.2，用户A与用户E的第一相似度AE为0.4，用户A与用户F的第一相似度AF为0.5。用户B与用户C的第一相似度BC为0.1，用户B与用户D的第一相似度BD为0.2，用户B与用户E的第一相似度BE为0.6，用户B与用户F的第一相似度BF为0.7。对于用户A来说，用户A与第二类用户集合中的每个用户的第一相似度大于第一预设阈值的第二用户数量为3个。对于用户B来说，用户B与第二类用户集合中的每个用户的第一相似度大于第一预设阈值的第二用户的数量为2个。由于用户A与第二类用户集合中的每个用户之间的第一相似度大于第一预设阈值的第二用户的数量大于设定的阀值，继而可以确定用户A是本发明实施例中所要选取的第一用户。
具体实现中，所述第一用户可以包括所述贝叶斯网模型中离根节点距离远的用户；所述第二用户可以包括所述贝叶斯网模型中离根节点距离近的用户。具体实现中，该根节点不是所述贝叶斯网模型中的任意一个用户节点的子节点。
例如，如图2B所示，用户1为贝叶斯网模型中的根节点(也即父节点，该父节点不是其他用户节点的子节点)，在本发明实施例中，第一类用户集合中可以包括远离用户1的用户2000，用户3000等。可以理解的是，实际应用中，在已知广告点击率的情况下，用户2000和用户3000没有点击过广告集合中的广告。第二类用户集合中的可以包括离用户1很近的用户2，用户3等，在已知广告点击率的情况下，用户2和用户3等点击过广告集合中的广告。通过实施本发明实施例，可以提高服务器投放广告有效性。
步骤S103、计算所述第一用户点击所述广告集合中的每个广告的预测点击率。
可选的，所述计算所述第一用户点击所述广告集合中的每个广告的预测点击率，包括：
在计算所述第一用户点击所述广告集合中的其中一个广告时，根据以下计算公式来计算：
P＝A1*B1+A2*B2+...+AN*BN
其中，P表示所述第一用户点击所述广告集合中的广告i的预测点击率，i为大于0的正整数；N表示所述第二类用户集合中所包含的所述第二用户的数量，N用于确定所述计算公式中的求和项的数量；A1表示所述第一用户和所述第二类用户集合中的第一个用户点击广告的相似度；B1表示所述第二类用户集合中的所述第一个用户确实点击所述广告i的概率；AN表示所述第一用户和所述第二类用户集合中的第N个用户点击广告的相似度；BN表示所述第二类用户集合中的所述第N个用户确实点击所述广告i的概率。
具体实现中，所述第一用户和所述第二类用户集合中的第一个用户点击广告的相似度包括A1＝P(Uo|U1)，其中，Uo表示所述第一用户；U1表示所述第二类用户集合中的第一个用户，U1∈Us，其中，s＝1,2......，N。
具体实现中，所述第二类用户集合中的所述第一个用户节点确实点击所述广告i的概率B1＝P(yXi|Xi,U1)，其中，Xi表示所述广告i，yXi＝1。
例如，广告集合中包括广告1、广告2、广告3、广告4、广告5，第二类用户集合中的用户点击过广告集合中的广告的第二用户的数量为3个。那么，可以知道的是，在计算第一用户点击广告集合中的每个广告的预测点击率时，计算公式中包括3个求和项。例如，在计算第一用户点击广告集合中的广告2的预测点击率时，其具体计算公式可以为：
P＝A1*B1+A2*B2+A3*B3
具体实现中，根据上述计算公式计算得到第一用户点击广告1的预测点击率为0.2，第一用户点击广告2的预测点击率为0.6，第一用户点击广告3的预测点击率为0.1，第一用户点击广告4的预测点击率为0.4，第一用户点击广告5的预测点击率为0.5。
步骤S104、将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户。
具体实现中，所述将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户，可以包括：
将排名前M位的所述预测点击率对应的广告推荐给所述第一用户。
如前所述，第一用户点击广告1的预测点击率为0.2，第一用户点击广告2的预测点击率为0.6，第一用户点击广告3的预测点击率为0.1，第一用户点击广告4的预测点击率为0.4，第一用户点击广告5的预测点击率为0.5。在推荐的过程中，将上述所计算得到的预测点击率由大到小进行排序，可以得到排序结果为：第一用户点击广告2的预测点击率0.6>第一用户点击广告5的预测点击率0.5>第一用户点击广告4的预测点击率0.4>第一用户点击广告1的预测点击率0.2>第一用户点击广告3的预测点击率0.1。
具体实现中，服务器将排名前2位的预测点击率对应的广告推荐给第一用户，即：服务器将广告2和广告5推荐给第一用户。在本发明实施例中，M为大于0的自然数。
具体实现中，所述将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户，还可以包括：
将所述预测点击率大于第二预设阈值对应的广告推荐给所述第一用户。
如前所述，第一用户点击广告1的预测点击率为0.2，第一用户点击广告2的预测点击率为0.6，第一用户点击广告3的预测点击率为0.1，第一用户点击广告4的预测点击率为0.4，第一用户点击广告5的预测点击率为0.5。在推荐的过程中，服务器依次判断上述计算得到的预测点击率是否大于第二预设阈值(例如，第二预设阈值为0.3)，从而可以获知第一用户点击广告2、点击广告4、点击广告5分别对应的预测点击率大于第二预设阈值，服务器将广告2,、广告4以及广告5推荐给第一用户。
通过实施本发明实施例，可以解决因冷启动问题和用户历史交互信息稀疏问题而带来的广告投放不够的问题，可以准确计算用户对广告的预测点击率，实现广告的精准投放。
为了便于更好的实施本发明实施例的上述方法，本发明实施例还描述了与上述图1所述的方法实施例属于同一发明构思下的一种服务器的结构示意图。下面结合附图来进行详细说明：
如图3所示，该服务器300可以包括：
构建单元301，用于根据多个用户中的两两用户之间在预设时间段内搜索关键词上的直接相似度、依赖值和依赖指向，构建贝叶斯网模型；
选取单元302，用于选取所述贝叶斯网模型中的第一用户；其中所述第一用户属于第一类用户集合，所述第一类用户集合中的用户没有点击过广告集合中的广告；所述第一用户与第二用户的第一相似度大于第一预设阈值，所述第一相似度用于表征所述第一用户和所述第二用户点击广告上的相似关系；所述第二用户属于第二类用户集合，所述第二类用户集合中的用户点击过所述广告集合中的广告；
计算单元303，用于计算所述第一用户点击所述广告集合中的每个广告的预测点击率；
推荐单元304，用于将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户。
可选的，所述计算单元303具体用于在计算所述第一用户点击所述广告集合中的其中一个广告时，根据以下计算公式来计算：
P＝A1*B1+A2*B2+...+AN*BN
其中，P表示所述第一用户点击所述广告集合中的广告i的预测点击率，i为大于0的正整数；N表示所述第二类用户集合中所包含的所述第二用户的数量，N用于确定所述计算公式中的求和项的数量；A1表示所述第一用户和所述第二类用户集合中的第一个用户点击广告的相似度；B1表示所述第二类用户集合中的所述第一个用户确实点击所述广告i的概率；AN表示所述第一用户和所述第二类用户集合中的第N个用户点击广告的相似度；BN表示所述第二类用户集合中的所述第N个用户确实点击所述广告i的概率。
可选的，所述第一用户和所述第二类用户集合中的第一个用户点击广告的相似度包括A1＝P(Uo|U1)，其中，Uo表示所述第一用户；U1表示所述第二类用户集合中的第一个用户，U1∈Us，其中，s＝1,2......，N。
可选的，所述第二类用户集合中的所述第一个用户节点确实点击所述广告i的概率B1＝P(yXi|Xi,U1)，其中，Xi表示所述广告i，yXi＝1。
可选的，所述第一相似度包括P1＝(Uj|P(Uj|Ux))，其中，Ux表示所述第一类用户集合中的用户；Uj为所述第二类用户集合中的用户。
可选的，所述推荐单元304具体用于将排名前M位的所述预测点击率对应的广告推荐给所述第一用户。
可选的，所述推荐单元还具体用于将所述预测点击率大于第二预设阈值对应的广告推荐给所述第一用户。
通过实施本发明实施例，可以解决因冷启动问题和用户历史交互信息稀疏问题而带来的广告投放不够的问题，可以准确计算用户对广告的预测点击率，实现广告的精准投放。
为了便于更好地实施本发明实施例的上述方案，本发明还对应提供了另一种服务器的结构示意图，下面结合附图来进行详细说明：
如图4示出的本发明实施例提供的另一种服务器的结构示意图，该服务器400可以包括至少一个处理器401，通信总线402，存储器403以及至少一个通信接口404。
处理器401可以是一个通用中央处理器(Central Processing Unit，CPU)，微处理器，特定应用集成电路(Application-Specific Integrated Circuit，ASIC)，或一个或多个用于控制本发明方案程序执行的集成电路。
通信总线402可包括一通路，在上述组件之间传送信息。所述通信接口404，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(RadioAccess Technology，RAN)，无线局域网(Wireless Local Area Networks，WLAN)等。
存储器403可以是只读存储器(Read-Only Memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(Random Access Memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中，所述存储器403用于存储执行本发明方案的程序代码，并由处理器401来控制执行。所述处理器401用于执行所述存储器403中存储的程序代码，执行以下步骤：
根据多个用户中的两两用户之间在预设时间段内搜索关键词上的直接相似度、依赖值和依赖指向，构建贝叶斯网模型；
选取所述贝叶斯网模型中的第一用户；其中所述第一用户属于第一类用户集合，所述第一类用户集合中的用户没有点击过广告集合中的广告；所述第一用户与第二用户的第一相似度大于第一预设阈值，所述第一相似度用于表征所述第一用户和所述第二用户点击广告上的相似关系；所述第二用户属于第二类用户集合，所述第二类用户集合中的用户点击过所述广告集合中的广告；
计算所述第一用户点击所述广告集合中的每个广告的预测点击率；
将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户。
其中，所述处理器401计算所述第一用户点击所述广告集合中的每个广告的预测点击率，可以包括：
在计算所述第一用户点击所述广告集合中的其中一个广告时，根据以下计算公式来计算：
P＝A1*B1+A2*B2+...+AN*BN
其中，P表示所述第一用户点击所述广告集合中的广告i的预测点击率，i为大于0的正整数；N表示所述第二类用户集合中所包含的所述第二用户的数量，N用于确定所述计算公式中的求和项的数量；A1表示所述第一用户和所述第二类用户集合中的第一个用户点击广告的相似度；B1表示所述第二类用户集合中的所述第一个用户确实点击所述广告i的概率；AN表示所述第一用户和所述第二类用户集合中的第N个用户点击广告的相似度；BN表示所述第二类用户集合中的所述第N个用户确实点击所述广告i的概率。
其中，所述第一用户和所述第二类用户集合中的第一个用户点击广告的相似度包括A1＝P(Uo|U1)，其中，Uo表示所述第一用户；U1表示所述第二类用户集合中的第一个用户，U1∈Us，其中，s＝1,2......，N。
其中，所述第二类用户集合中的所述第一个用户节点确实点击所述广告i的概率B1＝P(yXi|Xi,U1)，其中，Xi表示所述广告i，yXi＝1。
其中，所述第一相似度包括P1＝(Uj|P(Uj|Ux))，其中，Ux表示所述第一类用户集合中的用户；Uj为所述第二类用户集合中的用户。
其中，所述处理器401将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户，可以包括：
将排名前M位的所述预测点击率对应的广告推荐给所述第一用户。
其中，所述处理器401将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户，还可以包括：
将所述预测点击率大于第二预设阈值对应的广告推荐给所述第一用户。
在具体实现中，作为一种可选的实施例，处理器401可以包括一个或多个CPU，例如图4中的CPU0和CPU1。
在具体实现中，作为一种可选的实施例，服务器400可以包括多个处理器，例如图4中的处理器401和处理器408。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中，作为一种可选的实施例，服务器400还可以包括输出设备405和输入设备406。输出设备405和处理器401通信，可以以多种方式来显示信息。例如，输出设备405可以是液晶显示器(Liquid Crystal Display，LCD)，发光二极管(Light EmittingDiode，LED)显示设备，阴极射线管(Cathode Ray Tube，CRT)显示设备，或投影仪(projector)等。输入设备406和处理器401通信，可以以多种方式接受用户的输入。例如，输入设备406可以是鼠标、键盘、触摸屏设备或传感设备等。
在具体实现中，服务器400可以是台式机、便携式电脑、网络服务器。本发明实施例不限定服务器400的类型。
本发明实施例还提供了一种计算机存储介质，用于存储为上述图1所示的服务器所用的计算机软件指令，其包含用于执行上述方法实施例所涉及的程序。通过执行存储的程序，可以实现广告的推荐。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种广告推荐方法，其特征在于，包括：
根据多个用户中的两两用户之间在预设时间段内搜索关键词上的直接相似度、依赖值和依赖指向，构建贝叶斯网模型；
选取所述贝叶斯网模型中的第一用户；其中所述第一用户属于第一类用户集合，所述第一类用户集合中的用户没有点击过广告集合中的广告；所述第一用户与第二用户的第一相似度大于第一预设阈值，所述第一相似度用于表征所述第一用户和所述第二用户点击广告上的相似关系；所述第二用户属于第二类用户集合，所述第二类用户集合中的用户点击过所述广告集合中的广告；
计算所述第一用户点击所述广告集合中的每个广告的预测点击率；
将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户。
2.根据权利要求1所述的方法，其特征在于，所述计算所述第一用户点击所述广告集合中的每个广告的预测点击率，包括：
在计算所述第一用户点击所述广告集合中的其中一个广告时，根据以下计算公式来计算：
P＝A1*B1+A2*B2+...+AN*BN
其中，P表示所述第一用户点击所述广告集合中的广告i的预测点击率，i为大于0的正整数；N表示所述第二类用户集合中所包含的所述第二用户的数量，N用于确定所述计算公式中的求和项的数量；A1表示所述第一用户和所述第二类用户集合中的第一个用户点击广告的相似度；B1表示所述第二类用户集合中的所述第一个用户确实点击所述广告i的概率；AN表示所述第一用户和所述第二类用户集合中的第N个用户点击广告的相似度；BN表示所述第二类用户集合中的所述第N个用户确实点击所述广告i的概率。
3.根据权利要求2所述的方法，其特征在于，所述第一用户和所述第二类用户集合中的第一个用户点击广告的相似度包括A1＝P(Uo|U1)，其中，Uo表示所述第一用户；U1表示所述第二类用户集合中的第一个用户，U1∈Us，其中，s＝1,2......，N。
4.根据权利要求2所述的方法，其特征在于，所述第二类用户集合中的所述第一个用户节点确实点击所述广告i的概率B1＝P(yXi|Xi,U1)，其中，Xi表示所述广告i，yXi＝1。
5.根据权利要求1所述的方法，其特征在于，所述第一相似度包括P1＝(Uj|P(Uj|Ux))，其中，Ux表示所述第一类用户集合中的用户；Uj为所述第二类用户集合中的用户。
6.根据权利要求1所述的方法，其特征在于，所述将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户，包括：
将排名前M位的所述预测点击率对应的广告推荐给所述第一用户。
7.根据权利要求1或6所述的方法，其特征在于，所述将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户，还包括：
将所述预测点击率大于第二预设阈值对应的广告推荐给所述第一用户。
8.一种服务器，其特征在于，所述服务器包括：
构建单元，用于根据多个用户中的两两用户之间在预设时间段内搜索关键词上的直接相似度、依赖值和依赖指向，构建贝叶斯网模型；
选取单元，用于选取所述贝叶斯网模型中的第一用户；其中所述第一用户属于第一类用户集合，所述第一类用户集合中的用户没有点击过广告集合中的广告；所述第一用户与第二用户的第一相似度大于第一预设阈值，所述第一相似度用于表征所述第一用户和所述第二用户点击广告上的相似关系；所述第二用户属于第二类用户集合，所述第二类用户集合中的用户点击过所述广告集合中的广告；
计算单元，用于计算所述第一用户点击所述广告集合中的每个广告的预测点击率；
推荐单元，用于将符合预设规则的所述预测点击率对应的广告推荐给所述第一用户。
9.一种服务器，其特征在于，包括：处理器、存储器、通信接口和总线；
所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；
所述存储器存储可执行程序代码；
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
CN201810841441.2A 2018-07-26 2018-07-26 一种广告推荐方法、服务器及计算机可读介质 Pending CN109146551A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810841441.2A CN109146551A (zh) 2018-07-26 2018-07-26 一种广告推荐方法、服务器及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810841441.2A CN109146551A (zh) 2018-07-26 2018-07-26 一种广告推荐方法、服务器及计算机可读介质

Publications (1)

Publication Number Publication Date
CN109146551A true CN109146551A (zh) 2019-01-04

Family

ID=64798284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810841441.2A Pending CN109146551A (zh) 2018-07-26 2018-07-26 一种广告推荐方法、服务器及计算机可读介质

Country Status (1)

Country Link
CN (1) CN109146551A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919670A (zh) * 2019-02-27 2019-06-21 重庆金窝窝网络科技有限公司 广告点击概率的预测方法、装置、服务器和存储介质
CN110764860A (zh) * 2019-10-21 2020-02-07 北京三快在线科技有限公司 用户界面中的项目配置方法、装置、服务器及存储介质
CN111242239A (zh) * 2020-01-21 2020-06-05 腾讯科技（深圳）有限公司 一种训练样本选取方法、装置、以及计算机存储介质
CN112070564A (zh) * 2020-11-10 2020-12-11 腾讯科技（深圳）有限公司 广告拉取方法、装置、系统与电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090919A (zh) * 2014-06-16 2014-10-08 华为技术有限公司 推荐广告的方法及广告推荐服务器
CN106096629A (zh) * 2016-06-01 2016-11-09 南京邮电大学 一种基于用户间相似关系的广告点击率预测方法
US20170098240A1 (en) * 2015-10-02 2017-04-06 Yahoo! Inc. Systems and methods for establishing and utilizing a hierarchical bayesian framework for ad click through rate prediction

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104090919A (zh) * 2014-06-16 2014-10-08 华为技术有限公司 推荐广告的方法及广告推荐服务器
US20170098240A1 (en) * 2015-10-02 2017-04-06 Yahoo! Inc. Systems and methods for establishing and utilizing a hierarchical bayesian framework for ad click through rate prediction
CN106096629A (zh) * 2016-06-01 2016-11-09 南京邮电大学 一种基于用户间相似关系的广告点击率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
岳昆等: ""基于概率图模型的互联网广告点击率预测"", 《华东师范大学学报（自然科学版）》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919670A (zh) * 2019-02-27 2019-06-21 重庆金窝窝网络科技有限公司 广告点击概率的预测方法、装置、服务器和存储介质
CN110764860A (zh) * 2019-10-21 2020-02-07 北京三快在线科技有限公司 用户界面中的项目配置方法、装置、服务器及存储介质
CN111242239A (zh) * 2020-01-21 2020-06-05 腾讯科技（深圳）有限公司 一种训练样本选取方法、装置、以及计算机存储介质
CN112070564A (zh) * 2020-11-10 2020-12-11 腾讯科技（深圳）有限公司 广告拉取方法、装置、系统与电子设备
CN112070564B (zh) * 2020-11-10 2021-02-05 腾讯科技（深圳）有限公司 广告拉取方法、装置、系统与电子设备

Similar Documents

Publication Publication Date Title
US10324960B1 (en) Determining a number of unique viewers of a content item
CN106504011B (zh) 一种业务对象的展示方法和装置
US8543518B2 (en) Deducing shadow user profiles for ad campaigns
US9589025B2 (en) Correlated information recommendation
US20190018900A1 (en) Method and Apparatus for Displaying Search Results
WO2018121700A1 (zh) 基于已安装应用来推荐应用信息的方法、装置、终端设备及存储介质
CN109146551A (zh) 一种广告推荐方法、服务器及计算机可读介质
CN105701108B (zh) 一种信息推荐方法、装置及服务器
Agarwal et al. Statistical methods for recommender systems
US20140188593A1 (en) Selecting an advertisement for a traffic source
CN105282565A (zh) 一种视频推荐方法和装置
US20120123857A1 (en) Bidding Model for Sponsored Search Advertising Based on User Query Intent
US20180308152A1 (en) Data Processing Method and Apparatus
US10346496B2 (en) Information category obtaining method and apparatus
US9256688B2 (en) Ranking content items using predicted performance
JP2011090353A (ja) 広告配信装置及び方法
US10963916B2 (en) Systems and methods for assessing advertisement
CN113422986B (zh) 用于直播间推荐的方法、装置、设备、介质和程序产品
US10846743B2 (en) Displaying content items based on user's level of interest in obtaining content
US20140372202A1 (en) Predicting performance of content items using loss functions
US10474670B1 (en) Category predictions with browse node probabilities
JP6022651B2 (ja) メッセンジャーに検索機能を提供して検索結果を整列する方法とシステム、および記録媒体
CN114461919A (zh) 信息推荐的模型训练方法及装置
CN109075987A (zh) 优化数字组件分析系统
CN114036388A (zh) 数据处理方法和装置、电子设备、及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190104