CN109299981A - 一种广告推荐方法及装置 - Google Patents

Abstract

本申请提供了一种广告推荐方法及装置，涉及广告领域。广告推荐方法包括：根据用户访问页面的访问特征，获得用于表示用户喜好的M个用户标签；将M个用户标签与每个广告预设的N个广告标签匹配，获得M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，从中确定出匹配度最高的目标匹配度，并为用户推荐所述目标匹配度对应的目标广告。用户标签根据用户访问页面的访问特征而获得，因此能够更准确地表现用户的兴趣。将用户标签与广告标签进行匹配而获得的匹配度也能更准确地表现广告与用户兴趣之间的关联性，将匹配度最高的广告进行推荐，更有可能让用户产生点击行为，达到提高广告点击率从而增加收益的目的。

Description

一种广告推荐方法及装置

技术领域

本发明涉及效果广告领域，具体而言，涉及一种广告推荐方法及装置。

背景技术

目前，效果广告的主流投放策略是根据用户的年龄、所处的位置、性别等因素来进行广告投放，这样的广告投放方式使得所投放的广告点击率普遍很低，大大影响了广告收益。

发明内容

有鉴于此，本发明的目的在于提供一种广告推荐方法及装置，以提高广告特征与用户特征的匹配度，实现更精准的广告推荐，进而提高广告点击率，增加收益。

为了实现上述目的，本申请的实施例通过如下方式实现：

第一方面，本申请的实施例提供了一种广告推荐方法，所述广告推荐方法包括：根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签；将所述M个用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，其中，所述N个广告标签表示出所述每个广告的特点，其中，M、N和S为正整数；从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告。

在本申请实施例中，通过根据用户访问页面的访问特征，例如点击、刷新、分享、收藏、点赞、搜索等操作，来获得用于表示用户喜好的M个用户标签。由于用户标签是根据用户访问页面的访问特征获得的，因此能够更准确地表现用户的兴趣，获得的M个用户标签也就更准确。将M个用户标签与每个广告预设的N个广告标签进行匹配，每个广告获得的匹配度也能更准确地表现广告与用户兴趣之间的关联性，确定出S个广告中与M个用户标签匹配度最高的广告进行推荐，有更大的可能让用户产生点击广告的行为，达到提高广告点击率从而增加收益的目的。

在第一方面的一些可选的实现方式中，所述根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签，包括：在所述用户当前访问页面时，基于对所述用户当前访问页面的检测，生成用于表示所述用户喜好的多个用户当前标签，以及获得所述用户的多个用户历史标签，其中，M个用户标签包括：所述多个用户当前标签和所述多个用户历史标签。

在本申请实施例中，能够表示该用户喜好的多个用户当前标签结合最近一段时间内的能够表示该用户喜好的多个用户历史标签，共同作为能够表示该用户喜好的M个用户标签。在本申请这样的实现方式中，就可以很准确地把握住用户在最近一段时间内的兴趣，从而利用这些兴趣来进行精准的广告推荐，达到提高用户点击所推荐的广告的机率，从而增加收益。

在第一方面的一些可选的实现方式中，所述将所述多M用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，包括：调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型计算出与所述M个用户标签对应的用户特征向量；将所述用户特征向量与每个广告的N个广告标签对应的广告特征向量进行匹配，获得所述用户特征向量与所述每个广告特征向量的匹配度，共与S个广告匹配获得S个匹配度，其中，每个广告特征向量为将每个广告的多个广告标签输入所述匹配度计算模型计算而获得。

在本申请实施例中，通过调用预设的匹配度计算模型，将M个用户标签输入该匹配度计算模型中，从而得到与M个用户标签对应的用户特征向量。把用户的喜好进行向量化，能够便于匹配度计算模型计算，从而才能够准确计算出用户兴趣与广告特点之间的匹配度。因此能够进行精准的广告推荐，达到提高用户点击所推荐的广告的机率，从而增加收益。

在第一方面的一些可选的实现方式中，所述调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型计算出与所述M个用户标签对应的用户特征向量，包括：调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型；根据所述匹配度计算模型，将所述M个用户标签中的每个用户标签映射到预设的P个第一元素中对应的每个第一元素中，获得包含有P个第一元素的用户特征向量，其中，P为大于M的正整数，每个被用户标签映射的每个第一元素的值不为0，每个未被用户标签映射的每个第一元素的值为0。

在本申请实施例中，通过将M个用户标签中的每个用户标签映射到预设的P个第一元素中对应的每个第一元素中，从而获得包含有P个第一元素的用户特征向量。由于用户标签与第一元素是一一映射的关系，因此所获得的用户特征向量能够准确反映出用户的兴趣，针对地进行精准的广告推荐，达到提高用户点击所推荐的广告的机率，从而增加收益。

在第一方面的一些可选的实现方式中，所述将所述用户特征向量与每个广告的N个广告标签对应的广告特征向量进行匹配，获得所述用户特征向量与所述每个广告特征向量的匹配度，包括：将所述用户特征向量的P个第一元素的值一一对应的与每个广告特征向量中的P个第二元素的值相乘，获得所述用户特征向量相对于每个广告特征向量的P个所述元素的P个乘积值；其中，根据所述匹配度计算模型，将每个广告的N个广告标签映射到预设的P个第二元素中对应的每个第二元素中，获得每个广告包含有P个第二元素的每个广告特征向量，被每个广告标签映射的每个第二元素的值不为0，未被每个广告标签映射的每个第二元素的值为0；将所述用户特征向量相对于每个广告特征向量的P个乘积值累加，获得用于表示所述用户特征向量与所述每个广告特征向量的匹配度的累加值，共获得S个累加值，其中，所述累加值越大所述匹配度越高。

在本申请实施例中，采用的匹配度计算方法是求用户特征向量和广告特征向量的数量积。对于采用同一个模型抽取的用户特征向量和广告特征向量，向量的数量积能够十分准确地体现出二者的关联性，也就是能够非常准确地表现用户兴趣与该广告之间的关联性。因此，能够进行精准的广告推荐，达到提高用户点击所推荐的广告的机率，从而增加收益。

在第一方面的一些可选的实现方式中，所述从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告，包括：将所述S个累加值排序，确定出所述S个累加值中最大的作为目标累加值；确定出所述目标累加值对应的匹配度为所述目标匹配度；确定出与所述目标匹配度对应的广告为所述目标广告；为用户推荐所述目标广告。

在本申请实施例中，通过求得用户特征向量和广告特征向量之间的数量积，将其作为用户兴趣与广告之间的关联性的指标，采用排序的方法，得到与用户兴趣关联性最高的广告，将此广告推荐给用户。所推荐的广告能够很贴近用户的兴趣，因此达到提高用户点击所推荐的广告的机率，从而增加收益。

第二方面，本申请实施例提供了一种广告推荐装置，其特征在于，所述广告推荐装置包括：获得模块，用于根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签。匹配模块，用于将所述M个用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，其中，所述N个广告标签表示出所述每个广告的特点，其中，M、N和S为正整数。推荐模块，用于从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告。

第二方面的一些可选的实现方式中，所述获得模块，还用于在所述用户当前访问页面时，基于对所述用户当前访问页面的检测，生成用于表示所述用户喜好的多个用户当前标签，以及获得所述用户的多个用户历史标签，其中，M个用户标签包括：所述多个用户当前标签和所述多个用户历史标签。

第二方面的一些可选的实现方式中，所述匹配模块，还用于调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型计算出与所述M个用户标签对应的用户特征向量；将所述用户特征向量与每个广告的N个广告标签对应的广告特征向量进行匹配，获得所述用户特征向量与所述每个广告特征向量的匹配度，共与S个广告匹配获得S个匹配度，其中，每个广告特征向量为将每个广告的多个广告标签输入所述匹配度计算模型计算而获得。

第二方面的一些可选的实现方式中，所述匹配模块，还用于调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型；根据所述匹配度计算模型，将所述M个用户标签中的每个用户标签映射到预设的P个第一元素中对应的每个第一元素中，获得包含有P个第一元素的用户特征向量，其中，P为大于M的正整数，每个被用户标签映射的每个第一元素的值不为0，每个未被用户标签映射的每个第一元素的值为0。

第二方面的一些可选的实现方式中，所述匹配模块，还用于将所述用户特征向量的P个第一元素的值一一对应的与每个广告特征向量中的P个第二元素的值相乘，获得所述用户特征向量相对于每个广告特征向量的P个所述元素的P个乘积值；其中，根据所述匹配度计算模型，将每个广告的N个广告标签映射到预设的P个第二元素中对应的每个第二元素中，获得每个广告包含有P个第二元素的每个广告特征向量，被每个广告标签映射的每个第二元素的值不为0，未被每个广告标签映射的每个第二元素的值为0；将所述用户特征向量相对于每个广告特征向量的P个乘积值累加，获得用于表示所述用户特征向量与所述每个广告特征向量的匹配度的累加值，共获得S个累加值，其中，所述累加值越大所述匹配度越高。

第二方面的一些可选的实现方式中，所述推荐模块，还用于将所述S个累加值排序，确定出所述S个累加值中最大的作为目标累加值；确定出所述目标累加值对应的匹配度为所述目标匹配度；确定出与所述目标匹配度对应的广告为所述目标广告；为用户推荐所述目标广告。

第三方面，本申请实施例提供了一种电子设备，所述电子设备包括：处理器，存储器，总线和通信接口；所述处理器、所述通信接口和存储器通过所述总线连接。所述存储器，用于存储程序。所述处理器，用于通过调用存储在所述存储器中的程序，以执行第一方面或第一方面的任一可选的实现方式所述的广告推荐方法。

第四方面，本申请实施例提供了一种具有处理器可执行的非易失程序代码的计算机可读储存介质，用于存储程序代码，所述程序代码在被计算机读取并运行时，执行第一方面或第一方面的任一可选的实现方式所述的广告推荐方法。

本发明的有益效果是：

在本申请实施例中，通过根据用户访问页面的访问特征，例如点击、刷新、分享、收藏、点赞、搜索等操作，来获得用于表示用户喜好的M个用户标签。由于用户标签是根据用户访问页面的访问特征获得的，因此能够更准确地表现用户的兴趣，获得的M个用户标签也就更准确。将M个用户标签与每个广告预设的N个广告标签进行匹配，每个广告获得的匹配度也能更准确地表现广告与用户兴趣之间的关联性，确定出S个广告中与M个用户标签匹配度最高的广告进行推荐，有更大的可能让用户产生点击广告的行为，达到提高广告点击率从而增加收益的目的。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本申请第一实施例提供的一种电子设备的结构框图；

图2示出了本申请第二实施例提供的一种广告推荐方法的第一流程图；

图3示出了本申请第二实施例提供的一种广告推荐方法中步骤S200的子流程图；

图4示出了本申请第二实施例提供的一种广告推荐方法中步骤S300的子流程图；

图5示出了本申请第三实施例提供的一种广告推荐装置的功能模块图。

具体实施方式

下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有进行出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。再者，本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

第一实施例

请参阅图1，本申请实施例提供了一种电子设备10，电子设备10可以为终端，例如个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personaldigital assistant，PDA)等；或者，电子设备10也可以为服务器，例如网络服务器、数据库服务器、云服务器或由多个子服务器构成的服务器集成等。当然，上述列举的设备为用于便于理解本实施例，其不应作为对本实施例的限定。

该电子设备10可以包括：存储器11、通信接口12、总线13和处理器14。其中，处理器14、通信接口12和存储器11通过总线13连接。

处理器14用于执行存储器11中存储的可执行模块，例如计算机程序。图1所示的电子设备10的组件和结构只是示例性的，而非限制性的，根据需要，电子设备10也可以具有其他组件和结构。

存储器11可能包含高速随机存取存储器(Random Access Memory RAM)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少两个磁盘存储器。本实施例中，存储器11存储了执行广告推荐方法所需要的程序。

总线13可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图1中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类别的总线。

处理器14可能是一种具有信号的处理能力集成电路芯片。在实现过程中，上述方法的各步骤可以通过处理器14中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器14可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门电路或者晶体管逻辑器件、分立硬件组件。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。

本申请实施例任意实施例揭示的流过程或定义的装置所执行的方法可以应用于处理器14中，或者由处理器14实现。处理器14在接收到执行指令后，通过总线13调用存储在存储器11中的程序后，处理器14通过总线13控制通信接口12则可以执行广告推荐方法的流程。

第二实施例

请参阅图2，在本实施例提供的广告推荐方法中，该广告推荐方法从电子设备10的角度进行描述，且该广告推荐方法可以包括：步骤S100、步骤S200、步骤S300。

步骤S100：根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签。

步骤S200：将所述M个用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，其中，所述N个广告标签表示出所述每个广告的特点，其中，M、N和S为正整数。

步骤S300：从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告。

下面将结合图1-图5对本申请的方案中的各个步骤进行详细的描述。

在进行步骤S100之前，若电子设备10获得用户的访问操作数据，例如对页面的点击、收藏转发等操作或用户的搜索内容等，电子设备10会对该用户的访问操作数据进行处理，生成对应该用户的访问特征。

在本申请的实施例中，电子设备10可以是服务器或者用户终端。当电子设备10是服务器时，服务器通过与用户终端的数据通信，就可以实时接收来自基于用户终端检测到的该用户的访问操作数据，并对该用户的访问操作数据进行处理，生成对应该用户的访问特征。当电子设备10是用户终端时，用户终端能够对检测到的该用户的访问操作数据进行处理，生成对应该用户的访问特征。

假设1，2018年8月11日8时20分30秒，某用户使用用户终端对一篇名为《如何制作简易的植物标本》的文章进行了收藏的操作。那么基于用户终端检测到的该用户的收藏操作，当电子设备10为服务器时，服务器会接收到来自用户终端传送的该用户的收藏操作数据，并生成对应该用户此收藏操作的访问特征：2018年8月11日8时20分30秒，用户收藏了文章《如何制作简易的植物标本》。当电子设备10为用户终端时，基于用户终端检测到的该用户的收藏操作，生成对应该用户此收藏操作的访问特征：2018年8月11日8时20分30秒，用户收藏了文章《如何制作简易的植物标本》。

假设2，2018年8月15日15时49分25秒，某用户使用用户终端搜索了内容“如何零基础学习心理学”。那么基于用户终端检测到的该用户的搜索操作，当电子设备10为服务器时，服务器会接收到来自用户终端传送的该用户的搜索操作数据，并生成对应该用户此搜索操作的访问特征：2018年8月15日15时49分25秒，用户搜索了内容“如何零基础学习心理学”。当电子设备10为用户终端时，基于用户终端检测到的该用户的搜索操作，生成对应该用户此搜索操作的访问特征：2018年8月15日15时49分25秒，用户搜索了内容“如何零基础学习心理学”。

本实施例中，以用户使用用户终端的收藏和搜索操作进行说明，但并不作为限定；并且，由于收藏和搜索操作能比较好地表现用户的兴趣，因此在本申请实施例所举的例子中，将其对应为用户的访问特征，但并不以此为限定，关于用户的访问特征的判定，以实际为准，此处不作详细描述。

电子设备10获得用户对页面的访问操作特征并生成对应该用户的访问特征后，电子设备10便可以执行步骤S100，即电子设备10根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签。电子设备10可以根据预设的关键词提取算法对获得的用户的访问特征进行关键词提取，也可以采用其他能够根据访问特征生成相应标签的模型来获得用于表示所述用户喜好的M个用户标签。

继续前述的假设1，电子设备10根据该用户访问页面的访问特征，生成用于表示该用户喜好的M个标签：植物、标本、植物标本制作。

继续前述的假设2，电子设备10根据该用户访问页面的访问特征，生成用于表示该用户喜好的M个标签：心理学、零基础、学习。

在电子设备10执行获得用于表示用户喜好的M个标签后，电子设备10则可以继续执行步骤S200。本实施例中，步骤S200可以包括：步骤S210、步骤S220、步骤S230和步骤S240。

步骤S210：调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型。

步骤S220：根据所述匹配度计算模型，将所述M个用户标签中的每个用户标签映射到预设的P个第一元素中对应的每个第一元素中，获得包含有P个第一元素的用户特征向量，其中，P为大于M的正整数，每个被用户标签映射的每个第一元素的值不为0，每个未被用户标签映射的每个第一元素的值为0。

步骤S230：将所述用户特征向量的P个第一元素的值一一对应的与每个广告特征向量中的P个第二元素的值相乘，获得所述用户特征向量相对于每个广告特征向量的P个所述元素的P个乘积值；其中，根据所述匹配度计算模型，将每个广告的N个广告标签映射到预设的P个第二元素中对应的每个第二元素中，获得每个广告包含有P个第二元素的每个广告特征向量，被每个广告标签映射的每个第二元素的值不为0，未被每个广告标签映射的每个第二元素的值为0。

步骤S240：将所述用户特征向量相对于每个广告特征向量的P个乘积值累加，获得用于表示所述用户特征向量与所述每个广告特征向量的匹配度的累加值，其中，所述累加值越大所述匹配度越高。

本实施例中，电子设备10中预设了关于匹配度的计算模型，此计算模包含有P个标签，每个标签对应一个元素，共P个元素。其中，P个标签包括所有的M个用户标签和所有的N个广告标签以及其他并未体现在用户标签和广告标签中的其他标签。该匹配度的计算模型能够通过与输入模型的M个用户标签和N个广告标签中的各个标签一一映射，从而生成与M个用户标签对应的P维用户特征向量和与N个广告标签对应的P维广告特征向量。其中，与用户标签对应的P个元素为第一元素，与广告标签对应的P个元素为第二元素。在电子设备10对步骤S210的执行过程中，电子设备10可以将生成的M个用户标签录入预设的计算模型。

继续前述的假设1，电子设备10将生成的M个用户标签录入预设的计算模型，录入信息为：植物、标本、植物标本制作。

继续前述的假设2，电子设备10将生成的M个用户标签录入预设的计算模型，录入信息为：心理学、零基础、学习。

在执行了步骤S210之后，电子设备10继续执行步骤S220，电子设备10中预设的计算模型能够将录入的M个用户标签中的每个用户标签映射到预设的P个第一元素中对应的每个第一元素中，获得包含有P个第一元素的用户特征向量，其中，P为大于M的正整数，每个被用户标签映射的每个第一元素的值不为0，每个未被用户标签映射的每个第一元素的值为0。

继续前述的假设1，电子设备10中预设的计算模型根据录入的M个用户标签生成与之对应的P维用户特征向量为：用户特征向量＝(···，0，1，1，1，0，···)。(其中，···表示此处省略的元素为0，元素1对应的标签分别为植物、标本、植物标本)

继续前述的假设2，电子设备10中预设的计算模型根据录入的M个用户标签生成与之对应的P维用户特征向量为：用户特征向量＝(···，1，0，1，1，0，···)。(其中，···表示此处省略的元素为0，元素1对应的标签分别为心理学、零基础、学习)

应当注意的是，本申请实施例中此处被用户标签映射的元素取值1只是为了方便计算和说明，并不限定于取1，还可以取其他的值，例如2，3，4等等，可以根据标签的精细度取值，也可以根据其他标准取值，此处不作具体说明。另外，元素对应的位置是限定的，即每个标签对应有一个固定的元素位置，但并不限定于本申请实施例中举例所在的位置。

在执行了步骤S220之后，电子设备10继续执行步骤S230，电子设备10将所述用户特征向量的P个第一元素的值一一对应的与每个广告特征向量中的P个第二元素的值相乘，获得所述用户特征向量相对于每个广告特征向量的P个所述元素的P个乘积值。其中，根据所述匹配度计算模型，将每个广告的N个广告标签映射到预设的P个第二元素中对应的每个第二元素中，获得每个广告包含有P个第二元素的每个广告特征向量，被每个广告标签映射的每个第二元素的值不为0，未被每个广告标签映射的每个第二元素的值为0。

若此处的电子设备10为服务器，那么服务器将预先存储的所有广告经过所述匹配度计算模型抽象成对应的广告特征向量都做好与用户特征向量匹配的准备。若此处的电子设备10为用户终端，那么用户终端可以将预先存储的所有广告经过所述匹配度计算模型抽象成对应的广告特征向量都做好与用户特征向量匹配的准备；也可以向服务器发送需要服务器预先存储的所有广告特征向量的请求，并接受来自服务器传送的所有广告特征向量数据，并做好与用户特征向量匹配的准备。

假设：

广告1为：动物标本制作，留住永恒！其广告标签包括：动物、标本、动物标本；

广告2为：植物标本介绍图书，打开新世界！其广告标签包括：标本、植物标本、图书；

广告3为：心理学专业学习，发现不一样的你！其广告标签包括：心理学、学习；

广告4为：心理学零基础学习培训班开课啦，3000报班！其广告标签包括：心理学、培训、零基础、学习。

继续前述的假设1，电子设备10中预设的计算模型根据生成的P维用户特征向量：用户特征向量＝(···，0，1，1，1，0，···)，与电子设备10中所有的P维广告特征向量进行一一匹配。

例如，P维用户特征向量与某广告1对应的P维广告特征向量1：广告特征向量1＝(···，1，0，1，0，1，···)，那么根据步骤S230，用户特征向量与广告特征向量1的对应元素的乘积(共P个)分别为：

0*0＝0，···，0*1＝0，1*0＝0，1*1＝1，1*0＝0，0*1＝0，···，0*0＝0。

P维用户特征向量与某广告2对应的P维广告特征向量2：广告特征向量2＝(···，0，0，1，1，0，···)，那么根据步骤S230，用户特征向量与广告特征向量2的对应元素的乘积(共P个)分别为：

0*0＝0，···，0*0＝0，1*0＝0，1*1＝1，1*1＝1，0*0＝0，···，0*0＝0。

继续前述的假设2，电子设备10中预设的计算模型根据生成的P维用户特征向量：用户特征向量＝(···，1，0，1，1，0，···)，与电子设备10中所有的P维广告特征向量进行一一匹配。

例如，P维用户特征向量与某广告3对应的P维广告特征向量3：广告特征向量3＝(···，1，0，0，1，0，···)，那么根据步骤S230，用户特征向量与广告特征向量3的对应元素的乘积(共P个)分别为：

0*0＝0，···，1*1＝1，0*0＝0，1*0＝0，1*1＝1，0*0＝0，···，0*0＝0。

P维用户特征向量与某广告4对应的P维广告特征向量4：广告特征向量4＝(···，1，1，1，1，0，···)，那么根据步骤S230，用户特征向量与广告特征向量4的对应元素的乘积(共P个)分别为：

0*0＝0，···，1*1＝1，0*1＝0，1*1＝1，1*1＝1，0*0＝0，···，0*0＝0。

在执行了步骤S230之后，电子设备10继续执行步骤S240，电子设备10将所述用户特征向量相对于每个广告特征向量的P个乘积值累加，获得用于表示所述用户特征向量与所述每个广告特征向量的匹配度的累加值，其中，所述累加值越大所述匹配度越高。(此处广告的总数为S，则总共会产生S个对应的累加值)

继续前述的假设1，电子设备10将用户特征向量相对于每个广告特征向量的P个乘积值累加，得到对应的累加值。

例如，P维用户特征向量与某广告1对应的P维广告特征向量1的累加值为：0+···+0+0+1+0+0+···+0＝1。

P维用户特征向量与某广告2对应的P维广告特征向量2的累加值为：

0+···+0+0+1+1+0+···+0＝2。

继续前述的假设2，电子设备10将用户特征向量相对于每个广告特征向量的P个乘积值累加，得到对应的累加值。

例如，P维用户特征向量与某广告3对应的P维广告特征向量3的累加值为：0+···+1+0+0+1+0+···+0＝2。

P维用户特征向量与某广告4对应的P维广告特征向量4的累加值为：

0+···+1+0+1+1+0+···+0＝3。

在电子设备10执行用户标签与广告标签匹配相应匹配度后，电子设备10则可以继续执行步骤S300。本实施例中，步骤S300可以包括：步骤S310、步骤S320、步骤S330和步骤S340。

步骤S310：将所述S个累加值排序，确定出所述S个累加值中最大的作为目标累加值。

步骤S320：确定出所述目标累加值对应的匹配度为所述目标匹配度。

步骤S330：确定出与所述目标匹配度对应的广告为所述目标广告。

步骤S340：为用户推荐所述目标广告。

在电子设备10对步骤S310的执行过程中，电子设备10将所述S个累加值排序，确定出所述S个累加值中最大的作为目标累加值。

继续前述的假设1，电子设备10根据计算出的S个累加值进行排序，得到最大的累加值，确定其为目标累加值：广告1对应的累加值1<广告2对应的累加值2，确定出广告2的累加值2为目标累加值。

继续前述的假设2，电子设备10根据计算出的S个累加值进行排序，得到最大的累加值，确定其为目标累加值：广告3对应的累加值2<广告4对应的累加值3，确定出广告4的累加值3为目标累加值。

应当注意的是，在本申请的实施中，此处假设1和假设2各列举了两个广告进行举例说明，实际有S个广告，只需照步骤描述的方法一一进行计算就可得到S个累加值，所以此处不应视为对本申请的限定。

在执行了步骤S310之后，电子设备10继续执行步骤S320，电子设备10确定出所述目标累加值对应的匹配度为所述目标匹配度。

继续前述的假设1，电子设备10根据得到的目标累加值确定其为目标匹配度：确定出广告2对应的目标累加值2为目标匹配度。

继续前述的假设2，电子设备10根据得到的目标累加值确定其为目标匹配度：确定出广告4对应的目标累加值3为目标匹配度。

在执行了步骤S320之后，电子设备10继续执行步骤S330，电子设备10确定出与所述目标匹配度对应的广告为所述目标广告。

继续前述的假设1，电子设备10根据得到的目标匹配度确定其对应的广告为目标广告：确定出目标匹配度2对应的广告2为目标广告。

继续前述的假设2，电子设备10根据得到的目标匹配度确定其对应的广告为目标广告：确定出目标匹配度3对应的广告4为目标广告。

在执行了步骤S320之后，电子设备10继续执行步骤S330，电子设备10为用户推荐所述目标广告。若此处的电子设备10为服务器，那么服务器直接为用户推荐所述目标广告。若此处的电子设备10为用户终端，且若目标广告为预先存储在用户终端内的广告，那么用户终端直接为用户推荐所述目标广告；若目标广告为用户终端接收到的来自服务器预先存储的广告特征向量所对应的存储在服务器内的广告，则用户终端向服务器发送需要目标广告的请求，并接收来自服务器发送的目标广告，用户终端将目标广告推荐给用户。

继续前述的假设1，电子设备10为该用户推荐目标广告，即广告2。

继续前述的假设2，电子设备10为该用户推荐目标广告，即广告4。

当电子设备10获得用户对页面的访问操作数据时，电子设备10能够根据用户访问页面的访问特征，生成用于表示所述用户喜好的M个用户标签。电子设备10可以调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型，并根据所述匹配度计算模型，将所述M个用户标签中的每个用户标签映射到预设的P个第一元素中对应的每个第一元素中，获得包含有P个第一元素的用户特征向量，其中，P为大于M的正整数，每个被用户标签映射的每个第一元素的值不为0，每个未被用户标签映射的每个第一元素的值为0。电子设备10将所述用户特征向量的P个第一元素的值一一对应的与每个广告特征向量中的P个第二元素的值相乘，获得所述用户特征向量相对于每个广告特征向量的P个所述元素的P个乘积值；其中，根据所述匹配度计算模型，将每个广告的N个广告标签映射到预设的P个第二元素中对应的每个第二元素中，获得每个广告包含有P个第二元素的每个广告特征向量，被每个广告标签映射的每个第二元素的值不为0，未被每个广告标签映射的每个第二元素的值为0。电子设备10能够将所述用户特征向量相对于每个广告特征向量的P个乘积值累加，获得用于表示所述用户特征向量与所述每个广告特征向量的匹配度的累加值，其中，所述累加值越大所述匹配度越高。电子设备10能够将所述S个累加值排序，确定所述S个累加值中最大的作为目标累加值，确定所述目标累加值对应的匹配度为所述目标匹配度，确定与所述目标匹配度对应的广告为所述目标广告，并为用户推荐所述目标广告。

例如，针对用户在电子设备10上的访问操作：2018年8月15日15时49分25秒，某用户使用电子设备10搜索了内容“如何零基础学习心理学”，为该用户推荐的广告为：心理学零基础学习培训班。

应当注意的是，本实施例中由于步骤说明需要举出的例子仅仅是为了对实施步骤进行方便的说明，所举例子的标签在实际情况中会多很多，因此所举例子与实际情况具有的差异不能视为对本申请的限定。

第三实施例

请参阅图5，本申请实施例提供了一种广告推荐装置100，该广告推荐装置100应用于电子设备10，该广告推荐装置100包括：

获得模块，用于根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签；

匹配模块，用于将所述M个用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，与S个广告匹配获得S个匹配度，其中，所述N个广告标签表示出所述每个广告的特点，其中，M、N和S为正整数；

推荐模块，用于从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告。

其中，所述获得模块，还用于在所述用户当前访问页面时，基于对所述用户当前访问页面的检测，生成用于表示所述用户喜好的多个用户当前标签，以及获得所述用户的多个用户历史标签，其中，M个用户标签包括：所述多个用户当前标签和所述多个用户历史标签。

其中，所述匹配模块，还用于调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型计算出与所述M个用户标签对应的用户特征向量；将所述用户特征向量与每个广告的N个广告标签对应的广告特征向量进行匹配，获得所述用户特征向量与所述每个广告特征向量的匹配度，其中，每个广告特征向量为将每个广告的多个广告标签输入所述匹配度计算模型计算而获得。

其中，所述匹配模块，还用于调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型；根据所述匹配度计算模型，将所述M个用户标签中的每个用户标签映射到预设的P个第一元素中对应的每个第一元素中，获得包含有P个第一元素的用户特征向量，其中，P为大于M的正整数，每个被用户标签映射的每个第一元素的值不为0，每个未被用户标签映射的每个第一元素的值为0。

其中，所述匹配模块，还用于将所述用户特征向量的P个第一元素的值一一对应的与每个广告特征向量中的P个第二元素的值相乘，获得所述用户特征向量相对于每个广告特征向量的P个所述元素的P个乘积值；其中，根据所述匹配度计算模型，将每个广告的N个广告标签映射到预设的P个第二元素中对应的每个第二元素中，获得每个广告包含有P个第二元素的每个广告特征向量，被每个广告标签映射的每个第二元素的值不为0，未被每个广告标签映射的每个第二元素的值为0；将所述用户特征向量相对于每个广告特征向量的P个乘积值累加，获得用于表示所述用户特征向量与所述每个广告特征向量的匹配度的累加值，其中，所述累加值越大所述匹配度越高。

其中，所述推荐模块，还用于将所述S个累加值排序，确定所述S个累加值中最大的作为目标累加值；确定所述目标累加值对应的匹配度为所述目标匹配度；确定与所述目标匹配度对应的广告为所述目标广告；为用户推荐所述目标广告。

需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

综上所述，本申请实施例提供了一种广告推荐方法及装置。方法包括：根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签；将所述M个用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，与S个广告匹配获得S个匹配度，其中，所述N个广告标签表示出所述每个广告的特点，其中，M、N和S为正整数；从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告。

由于用户标签是根据用户访问页面的访问特征获得的，因此能够更准确地表现用户的兴趣，获得的M个用户标签也就更准确。将M个用户标签与每个广告预设的N个广告标签进行匹配，每个广告获得的匹配度也能更准确地表现广告与用户兴趣之间的关联性，确定出S个广告中与M个用户标签匹配度最高的广告进行推荐，有更大的可能让用户产生点击广告的行为，达到提高广告点击率从而增加收益的目的。

以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种广告推荐方法，其特征在于，所述广告推荐方法包括：

根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签；

将所述M个用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，其中，所述N个广告标签表示出所述每个广告的特点，其中，M、N和S为正整数；

从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告。

2.根据权利要求1所述的广告推荐方法，其特征在于，所述根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签，包括：

在所述用户当前访问页面时，基于对所述用户当前访问页面的检测，生成用于表示所述用户喜好的多个用户当前标签，以及获得所述用户的多个用户历史标签，其中，M个用户标签包括：所述多个用户当前标签和所述多个用户历史标签。

3.根据权利要求1所述的广告推荐方法，其特征在于，所述将所述多M用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，包括：

调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型计算出与所述M个用户标签对应的用户特征向量；

将所述用户特征向量与每个广告的N个广告标签对应的广告特征向量进行匹配，获得所述用户特征向量与所述每个广告特征向量的匹配度，共与S个广告匹配获得S个匹配度，其中，每个广告特征向量为将每个广告的多个广告标签输入所述匹配度计算模型计算而获得。

4.根据权利要求3所述的广告推荐方法，其特征在于，所述调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型计算出与所述M个用户标签对应的用户特征向量，包括：

调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型；

根据所述匹配度计算模型，将所述M个用户标签中的每个用户标签映射到预设的P个第一元素中对应的每个第一元素中，获得包含有P个第一元素的用户特征向量，其中，P为大于M的正整数，每个被用户标签映射的每个第一元素的值不为0，每个未被用户标签映射的每个第一元素的值为0。

5.根据权利要求4所述的广告推荐方法，其特征在于，所述将所述用户特征向量与每个广告的N个广告标签对应的广告特征向量进行匹配，获得所述用户特征向量与所述每个广告特征向量的匹配度，共与S个广告匹配获得S个匹配度，包括：

将所述用户特征向量的P个第一元素的值一一对应的与每个广告特征向量中的P个第二元素的值相乘，获得所述用户特征向量相对于每个广告特征向量的P个所述元素的P个乘积值；其中，根据所述匹配度计算模型，将每个广告的N个广告标签映射到预设的P个第二元素中对应的每个第二元素中，获得每个广告包含有P个第二元素的每个广告特征向量，每个被广告标签映射的每个第二元素的值不为0，每个未被广告标签映射的每个第二元素的值为0；

将所述用户特征向量相对于每个广告特征向量的P个乘积值累加，获得用于表示所述用户特征向量与所述每个广告特征向量的匹配度的累加值，共获得S个累加值，其中，所述累加值越大所述匹配度越高。

6.根据权利要求1-5所述的广告推荐方法，其特征在于，所述从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告，包括：

将所述S个累加值排序，确定出所述S个累加值中最大的作为目标累加值；

确定出所述目标累加值对应的匹配度为所述目标匹配度；

确定出与所述目标匹配度对应的广告为所述目标广告；

为用户推荐所述目标广告。

7.一种广告推荐装置，其特征在于，所述广告推荐装置包括：

获得模块，用于根据用户访问页面的访问特征，获得用于表示所述用户喜好的M个用户标签；

匹配模块，用于将所述M个用户标签与每个广告预设的N个广告标签匹配，获得所述M个用户标签与每个广告预设的N个广告标签匹配的匹配度，共与S个广告匹配获得S个匹配度，其中，所述N个广告标签表示出所述每个广告的特点，其中，M、N和S为正整数；

推荐模块，用于从所述S个匹配度中确定出匹配度最高的目标匹配度，为用户推荐所述目标匹配度对应的目标广告。

8.根据权利要求7所述的广告推荐装置，其特征在于，

所述获得模块，还用于在所述用户当前访问页面时，基于对所述用户当前访问页面的检测，生成用于表示所述用户喜好的多个用户当前标签，以及获得所述用户的多个用户历史标签，其中，M个用户标签包括：所述多个用户当前标签和所述多个用户历史标签。

9.根据权利要求7所述的广告推荐装置，其特征在于，

所述匹配模块，还用于调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型计算出与所述M个用户标签对应的用户特征向量；将所述用户特征向量与每个广告的N个广告标签对应的广告特征向量进行匹配，获得所述用户特征向量与所述每个广告特征向量的匹配度，共与S个广告匹配获得S个匹配度，其中，每个广告特征向量为将每个广告的多个广告标签输入所述匹配度计算模型计算而获得。

10.根据权利要求9所述的广告推荐装置，其特征在于，

所述匹配模块，还用于调用预设的匹配度计算模型，将所述M个用户标签输入所述匹配度计算模型；根据所述匹配度计算模型，将所述M个用户标签中的每个用户标签映射到预设的P个第一元素中对应的每个第一元素中，获得包含有P个第一元素的用户特征向量，其中，P为大于M的正整数，每个被用户标签映射的每个第一元素的值不为0，每个未被用户标签映射的每个第一元素的值为0。