CN109509028A - 一种广告投放方法及装置、存储介质、计算机设备 - Google Patents
一种广告投放方法及装置、存储介质、计算机设备 Download PDFInfo
- Publication number
- CN109509028A CN109509028A CN201811360778.8A CN201811360778A CN109509028A CN 109509028 A CN109509028 A CN 109509028A CN 201811360778 A CN201811360778 A CN 201811360778A CN 109509028 A CN109509028 A CN 109509028A
- Authority
- CN
- China
- Prior art keywords
- node
- advertisement
- user
- layer
- vector
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 312
- 230000008685 targeting Effects 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009977 dual effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 230000008901 benefit Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 235000013350 formula milk Nutrition 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 239000004566 building material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
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
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种广告投放方法及装置、存储介质、计算机设备，为了解决目前的广告投放效率低的问题，首先利用待投放广告集合聚类成一聚类二叉树，由于聚类二叉树中的每个节点具有各自的广告特征向量，故而在获得用户对应的用户特征向量之后，将用户映射到这棵树中，并且利用用户特征向量和聚类二叉树中每个节点的广告特征向量，从聚类二叉树中确定出用户对应的目标叶子节点。由于该聚类二叉树是由待投放广告集合聚类而成，故而每个叶子节点下都有聚类得到的待投放广告。因此，确定出用户对应的目标叶子节点之后，就可以将目标叶子节点中的待投放广告作为用于投放给用户的目标投放广告，然后投放给用户。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种广告投放方法及装置、存储介质、计算机设备。
背景技术
随着科学技术的不断发展，通信技术也得到了飞速的发展，电子产品的种类也越来越多，人们也享受到了科技发展带来的各种便利。现在人们可以通过各种类型的电子设备，享受随着科技发展带来的舒适生活。例如，用户可以使用各类型的电子设备浏览网页、观看视频、查询资料等等，当然，电子设备也会向用户展示各类型的广告，以便向用户推荐产品。
举例来说，用户点击开启一网页，则会触发广告搜索引擎大量广告中选择几个广告显示在前端的网页上展示给用户。
假定有10W个广告，符合要求的投放有1W个，从1W选择30个最优广告展示给网页，现有技术的机器学习算法需要对这1W个广告中的每个广告都进行计算，需要计算每个广告的rpm(rpm是每千次广告单元展示的收入)，计算成本太高，进而导致广告投放的效率过低。
发明内容
本发明提供了一种广告投放方法及装置、存储介质、计算机设备，以解决或者部分解决目前的广告投放效率过低的技术问题。
本发明公开了一种广告投放方法，所述方法包括：
利用待投放广告集合聚类成一聚类二叉树，所述聚类二叉树中的每个节点具有各自的广告特征向量；
在用户开启一显示界面的过程中，采集获得所述用户的用户特征向量；
根据所述用户的用户特征向量和所述聚类二叉树中每个节点的广告特征向量，从所述聚类二叉树中确定出所述用户对应的目标叶子节点；
基于所述目标叶子节点，将所述目标叶子节点中的待投放广告作为用于投放给所述用户的目标投放广告；
将所述目标待投放广告投放到所述显示界面中。
优选的，所述待投放广告集合中的每个待投放广告都具有各自的广告特征向量，所述待投放广告集合中的所有待投放广告的广告特征向量的维度相同；所述待投放广告集合中的所有待投放广告的广告特征向量的维度和所述聚类二叉树中所有节点中的广告特征向量的维度相同；
所述利用待投放广告集合聚类成一聚类二叉树，具体包括：
将所述待投放广告集合映射到所述聚类二叉树中的根节点中；
利用所述根节点中的所述待投放广告集合的所有广告特征向量进行聚类，获得所述聚类二叉树中处于所述根节点下的第二层节点；第二层中每个节点具有各自的广告特征向量；
在所述聚类二叉树中各层的节点聚类的过程中，利用所述上一层节点中的待投放广告的广告特征向量进行聚类，获得所述聚类二叉树中的下一层节点；其中，上一层每个节点对应有一个或者两个下一层节点，所述上一层节点的最大总数为所述下一层节点的总数的一半；
将所述聚类二叉树中的末层节点作为所述聚类二叉树中的叶子节点。
优选的，所述根据所述用户的用户特征向量和所述聚类二叉树中每个节点的特征向量，确定出所述用户对应的目标叶子节点，具体包括：
将所述用户特征向量映射到所述聚类二叉树中的根节点中；
将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述第二层节点中的目标节点；
将所述用户特征向量和所述聚类二叉树中的各层节点进行匹配的过程中，将所述用户的用户维度向量和上一层中的目标节点在下一层中的子节点的广告特征向量进行匹配，确定出下一层目标节点；
将所述用户的用户维度向量和所述聚类二叉树中所述下一层目标节点对应的叶子节点进行匹配，确定出所述目标叶子节点。
优选的，所述将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述第二层节点中的目标节点，具体包括：
将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述用户和第二层每个节点的匹配度；
将所述用户和第二层每个节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第一预设个数的匹配度，将所述预设个数的匹配度各自对应的节点作为所述第二层节点中的目标节点。
优选的，所述将所述用户特征向量和所述聚类二叉树中的各层节点进行匹配的过程中，将所述用户的用户维度向量和上一层中的目标节点在下一层中的子节点的广告特征向量进行匹配，确定出下一层目标节点，具体包括：
将所述用户的用户维度向量和上一层中的目标节点在下一层中的各个子节点的广告特征向量进行匹配，确定出所述用户和下一层各个子节点的匹配度；
将所述用户和下一层每个子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第二预设个数的匹配度，将所述第二预设个数的匹配度各自对应的子节点作为所述下一层节点中的目标节点。
优选的，所述将所述用户的用户维度向量和所述聚类二叉树中的叶子节点进行匹配，确定出所述目标叶子节点，具体包括：
将所述用户的用户维度向量和所述聚类二叉树中所述下一层目标节点对应的每个叶子节点的广告特征向量进行匹配，确定出所述用户和所述下一层目标节点对应的每个叶子节点的匹配度；
将所述用户和所述下一层目标节点对应的每个叶子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第三预设个数的匹配度，将所述第三预设个数的匹配度各自对应的叶子节点作为所述目标叶子节点。
本发明公开了一种广告投放装置，包括：
聚类模块，用于利用待投放广告集合聚类成一聚类二叉树，所述聚类二叉树中的每个节点具有各自的广告特征向量；
采集模块，用于在用户开启一显示界面的过程中，采集获得所述用户的用户特征向量；
第一确定模块，用于根据所述用户的用户特征向量和所述聚类二叉树中每个节点的广告特征向量，从所述聚类二叉树中确定出所述用户对应的目标叶子节点；
第二确定模块，用于基于所述目标叶子节点，将所述目标叶子节点中的待投放广告作为用于投放给所述用户的目标投放广告；
投放模块，用于将所述目标待投放广告投放到所述显示界面中。
优选的，所述待投放广告集合中的每个待投放广告都具有各自的广告特征向量，所述待投放广告集合中的所有待投放广告的广告特征向量的维度相同；所述待投放广告集合中的所有待投放广告的广告特征向量的维度和所述聚类二叉树中所有节点中的广告特征向量的维度相同；
所述聚类模块，具体包括：
第一映射模块，用于将所述待投放广告集合映射到所述聚类二叉树中的根节点中；
第一聚类子模块，用于利用所述根节点中的所述待投放广告集合的所有广告特征向量进行聚类，获得所述聚类二叉树中处于所述根节点下的第二层节点；第二层中每个节点具有各自的广告特征向量；
第二聚类子模块，用于在所述聚类二叉树中各层的节点聚类的过程中，利用所述上一层节点中的待投放广告的广告特征向量进行聚类，获得所述聚类二叉树中的下一层节点；其中，上一层每个节点对应有一个或者两个下一层节点，所述上一层节点的最大总数为所述下一层节点的总数的一半；
第三聚类子模块，用于将所述聚类二叉树中的末层节点作为所述聚类二叉树中的叶子节点。
优选的，所述第一确定模块，具体包括：
第二映射模块，用于将所述用户特征向量映射到所述聚类二叉树中的根节点中；
第一匹配模块，用于将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述第二层节点中的目标节点；
第二匹配模块，用于将所述用户特征向量和所述聚类二叉树中的各层节点进行匹配的过程中，将所述用户的用户维度向量和上一层中的目标节点在下一层中的子节点的广告特征向量进行匹配，确定出下一层目标节点；
第三匹配模块，用于将所述用户的用户维度向量和所述聚类二叉树中所述下一层目标节点对应的叶子节点进行匹配，确定出所述目标叶子节点。
优选的，所述第一匹配模块，具体包括：
第一匹配子模块，用于将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述用户和第二层每个节点的匹配度；
第一排序模块，用于将所述用户和第二层每个节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第一预设个数的匹配度，将所述预设个数的匹配度各自对应的节点作为所述第二层节点中的目标节点。
优选的，所述第二匹配模块，具体包括：
第二匹配子模块，用于将所述用户的用户维度向量和上一层中的目标节点在下一层中的各个子节点的广告特征向量进行匹配，确定出所述用户和下一层各个子节点的匹配度；
第二排序模块，用于将所述用户和下一层每个子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第二预设个数的匹配度，将所述第二预设个数的匹配度各自对应的子节点作为所述下一层节点中的目标节点。
优选的，所述第三匹配模块，具体包括：
第三匹配子模块，用于将所述用户的用户维度向量和所述聚类二叉树中所述下一层目标节点对应的每个叶子节点的广告特征向量进行匹配，确定出所述用户和所述下一层目标节点对应的每个叶子节点的匹配度；
第三排序模块，用于将所述用户和所述下一层目标节点对应的每个叶子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第三预设个数的匹配度，将所述第三预设个数的匹配度各自对应的叶子节点作为所述目标叶子节点。
本发明公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
本发明公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
通过本发明的一个或者多个技术方案，本发明具有以下有益效果或者优点：
本发明公开了一种广告投放方法及装置、存储介质、计算机设备，为了解决目前的广告投放效率低的问题，首先利用待投放广告集合聚类成一聚类二叉树，由于聚类二叉树中的每个节点具有各自的广告特征向量，故而在获得用户对应的用户特征向量之后，将用户映射到这棵树中，并且利用用户特征向量和所述聚类二叉树中每个节点的广告特征向量，从所述聚类二叉树中确定出所述用户对应的目标叶子节点。由于该聚类二叉树是由待投放广告集合聚类而成，故而每个叶子节点下都有聚类得到的待投放广告。因此，确定出用户对应的目标叶子节点之后，就可以将目标叶子节点中的待投放广告作为用于投放给所述用户的目标投放广告，然后投放给用户。由此可见，本申请并未直接利用用户的信息从大量的广告中匹配出合适的广告投放(这需要对每个广告都进行匹配运算，计算量太大)，而是直接利用待投放广告集合形成一聚类二叉树，然后将用户映射到聚类二叉树进而匹配出用户对应的待投放广告，因此能够减少计算量，提高广告投放的效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的一种广告投放方法的实施过程图；
图2示出了根据本发明一个实施例的聚类二叉树的示意图；
图3示出了根据本发明一个实施例的一种广告投放装置的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的一个或者多个实施例公开了一种广告投放方法及装置、存储介质、计算机设备，为了解决目前的广告投放效率低的问题，首先利用待投放广告集合聚类成一聚类二叉树，由于聚类二叉树中的每个节点具有各自的广告特征向量，故而在获得用户对应的用户特征向量之后，将用户映射到这棵树中，并且利用用户特征向量和所述聚类二叉树中每个节点的广告特征向量，从所述聚类二叉树中确定出所述用户对应的目标叶子节点。由于该聚类二叉树是由待投放广告集合聚类而成，故而每个叶子节点下都有聚类得到的待投放广告。因此，确定出用户对应的目标叶子节点之后，就可以将目标叶子节点中的待投放广告作为用于投放给所述用户的目标投放广告，然后投放给用户。由此可见，本申请并未直接利用用户的信息从大量的广告中匹配出合适的广告投放(这需要对每个广告都进行匹配运算，计算量太大)，而是直接利用待投放广告集合形成一聚类二叉树，然后将用户映射到聚类二叉树进而匹配出用户对应的待投放广告，因此能够减少计算量，提高广告投放的效率。
下面对本发明的一个或者多个实施例需要用到的名称进行简单的介绍。
待投放广告集合，由两个以上待投放广告构成的集合，各待投放广告具有各自的广告特征向量，各待投放广告的广告特征向量都具有相同维度。
广告特征向量，用于表征待投放广告的广告特征参数。每个待投放广告都有各自的广告特征向量，和其他待投放广告的广告特征向量不一定相同。
维度，用于表征广告特征向量的数目，例如某个待投放广告的广告特征向量具有128维，则表示该待投放广告具有128个广告特征向量。另外，各待投放广告的广告特征向量的维度都相同，例如所有的待投放广告都具有128维广告特征向量，只是各待投放广告的广告特征向量不一定相同。
聚类二叉树，是根据待投放广告集合中的广告特征向量进行聚类形成的二叉树，在聚类的过程中，先将待投放广告集合映射到二叉树的根节点中，然后利用待投放广告集合中每个待投放广告的广告特征向量进行聚类，形成两个以上聚类中心，这些聚类中心都属于根节点下的子节点，从层数上来看，属于第二层节点，这样聚类之后，第二层每个节点都聚类有一定量的待投放广告。然后在利用第二层每个节点中，对第二层每个节点中的待投放广告再次利用广告特征向量进行聚类，第二层每个节点下又会聚类成两个以上聚类中心作为第三层节点。以此类推，构建出一聚类二叉树。
在聚类二叉树中，每个节点都具有各自的广告特征向量，并且每个节点的广告特征参数具有一定维度。具体来说，各节点的广告特征向量不一定相同，但是各节点的广告特征向量的维度相同，例如各节点具有128维广告特征向量，表示各节点具有128个广告特征参数，但是各节点的广告特征参数和其他节点的广告特征参数不一定相同。
用户特征向量，用于表征用户的特征参数，用户特征向量也具有维度。用户特征向量的维度和广告特征向量的维度相同，例如都是128维。
用户特征的维度、各待投放广告的广告特征向量的维度、各节点的广告特征向量的维度这三个维度是相同的，例如都是128维。
下面对本发明的一个或者多个实施例的技术方案进行具体的介绍。
本发明的一个或者多个实施例公开了一种广告投放方法，参看图1，该方法包括：
步骤11，利用待投放广告集合聚类成一聚类二叉树。
在具体的实施过程中，参看图2，是四层的聚类二叉树的示意图，在实际应用中，聚类二叉树的层数和待投放投放广告集合中的广告数量有关，但至少有两层。
在图2中，聚类二叉树包含三种节点：第一层的节点叫做根节点，中间层节点(例如第二层节点、第三层节点)，最后一层节点叫做叶子节点。另外，下一层节点相对于上一层节点来说称为子节点。
聚类二叉树中的每个节点具有各自的广告特征向量，并且每个节点的广告特征向量的维度相同。例如，每个节点都具有128维广告特征向量(也就是128个广告特征向量，每个广告特征向量代表一个参数)，但是每个节点的广告特征向量不一定相同。
在聚类二叉树的聚类过程中，首先会将所述待投放广告集合映射到所述聚类二叉树中的根节点中。
具体来说，在待投放广告集合中，各个待投放广告具有各自的广告特征向量，并且在待投放广告集合中，所有待投放广告的维度是相同的，维度表示广告特征向量的数目。例如，待投放广告集合中有100个待投放广告，每个待投放广告都有128维广告特征向量，表示每个待投放广告都具有128个参数，虽然每个待投放广告的参数数量是相同的，但是参数内容不一定相同。例如某个待投放广告的128维广告特征向量包括：龄0-8个月、3-5岁、广告时长68秒、广告时长70秒、XX品牌、婴幼儿奶粉、玩具车、滑板等等。另一个待投放广告的128维广告特征向量包括：21-35岁、30秒、滑板、XX品牌、运动鞋、卫衣、汽车等等。
其次，利用所述根节点中的所述待投放广告集合的所有广告特征向量进行聚类，获得所述聚类二叉树中处于所述根节点下的第二层节点。
在具体的聚类过程中，利用每个待投放广告的广告特征向量进行聚类，例如可以采用多种聚类算法进行处理，例如划分法、层次法、密度算法、网格算法、k-means算法等等。当然，其他聚类方式也应当包含在本发明实施例的保护范围之内。
例如，划分法：划分法是给定一个有Z个元组或者纪录的待投放广告集合，然后构造K个分组，每一个分组就代表一个聚类，K≤Z。例如将待投放广告集合中的待投放广告划分为4个分组，每个分组就是第二层的一个节点。而且这K个分组满足下列条件：(1)每一个分组至少包含一个数据纪录；(2)每一个数据纪录属于且仅属于一个分组(注意：这个要求在某些模糊聚类算法中可以放宽)；对于给定的K，算法首先给出一个初始的分组方法，以后通过反复迭代的方法改变分组，使得每一次改进之后的分组方案都较前一次好，而所谓好的标准就是：同一分组中的记录越近越好，而不同分组中的纪录越远越好。
划分法可以使用很多聚类算法，例如k-means算法，其是一种典型的划分聚类算法，它用一个聚类的中心来代表一个簇，即在迭代过程中选择的聚点不一定是聚类中的一个点。k-modes算法，其是K-Means算法的扩展，采用简单匹配方法来度量分类型数据的相似度。k-prototypes算法，其结合了K-Means和K-Modes两种算法，能够处理混合型数据。
层次法(hierarchical methods)，这种方法对给定的数据集进行层次似的分解，直到某种条件满足为止。具体又可分为“自底向上”和“自顶向下”两种方案。
例如，在“自底向上”方案中，初始时每一个数据纪录都组成一个单独的组，在接下来的迭代中，它把那些相互邻近的组合并成一个组，直到所有的记录组成一个分组或者某个条件满足为止。
代表算法有：CURE算法：采用抽样技术先对数据集D随机抽取样本，再采用分区技术对样本进行分区，然后对每个分区局部聚类，最后对局部聚类进行全局聚类。ROCK算法：也采用了随机抽样技术，该算法在计算两个对象的相似度时，同时考虑了周围对象的影响。
其他的聚类方式也应当包含在本发明的实施例中，在此不再赘述。
在利用待投放广告集合中每个待投放广告的广告特征向量进行聚类之后，则会形成两个以上聚类中心，这些聚类中心都属于根节点下的子节点，从层数上来看，属于第二层节点，这样聚类之后，第二层每个节点都聚类有一定量的待投放广告。
另外，在聚类的过程中，会使用神经网络训练二叉树中所有节点的向量，使得第二层中每个节点具有相同维度的广告特征向量，例如都是128维广告特征向量。
举例来说，每个待投放广告都具有128维广告特征向量，那么在聚类的过程中，实际上是利用待投放广告集合中的所有128维广告特征向量对待投放广告进行聚类，若两个待投放广告的128维广告特征向量的维度重叠越高，则这两个待投放广告的距离越近，就越容易聚在一起。所有待投放广告聚类之后，就会形成两个或者多个聚类中心，这些聚类中心就是第二层节点。另外，还会使用神经网络训练二叉树中所有节点的向量，使得第二层每个节点都有128维广告特征向量。
在所述聚类二叉树中各层的节点聚类的过程中，利用所述上一层节点中的待投放广告的广告特征向量进行聚类，获得所述聚类二叉树中的下一层节点。
在具体的实施过程中，由于第二层的每个节点中都聚集有一定量的待投放广告，则在第二层每个节点中，第二层每个节点都聚类有一定量的待投放广告。然后在第二层每个节点中，再次利用每个节点中的广告特征向量各自进行聚类，第二层每个节点下又会聚类成两个以上聚类中心作为第三层节点。以此类推，直到聚类到末层节点，故而末层每个节点就会得到逐层聚类得到的待投放广告。末层所有节点中的待投放广告一并构成待投放广告集合。
具体来说，对于每层节点来说，上一层每个节点对应有一个或者两个下一层节点，所述上一层节点的最大总数为所述下一层节点的总数的一半。下一层节点具有各自的广告特征向量，下一层节点的广告特征向量的维度相同。例如，图2中的第二层节点有3个节点，每个节点有两个子节点。
将所述聚类二叉树中的末层节点作为所述聚类二叉树中的叶子节点。
通过上述方式形成了一棵聚类二叉树。
举例来说，待投放广告集合中有1000个待投放广告，将待投放广告集合映射到根节点中。每个待投放广告都有128维广告特征向量。利用1000个待投放广告的所有广告特征向量进行聚类，聚成两个聚类中心，分别为：电商聚类中心和非电商聚类中心，这就是第二层节点。电商聚类中心有700个待投放广告，非电商聚类中心300个待投放广告。电商聚类中心中有128维广告特征向量，利用电商聚类中心的128维广告特征向量对电商聚类中心中的700个待投放广告再次进行聚类，例如聚类为：母婴聚类中心(200个)，女装聚类中心(300个)，男装聚类中心(200个)，这就是第三层节点，也是叶子节点。非电商聚类中心中有128维广告特征向量，利用非电商聚类中心的128维广告特征向量对电商聚类中心中的300个待投放广告再次进行聚类，例如聚类为：建材聚类中心(100个)，医药聚类中心(100个)，服装聚类中心(100个)，也是叶子节点。由此可见，该聚类二叉树的叶子节点分别为：母婴、女装、男装、建材、医药、服装。母婴中有200个待投放广告，且具有128维广告特征向量，这128维广告特征向量是从200个待投放广告中的广告特征向量聚类得到的，由于每个待投放广告都有128维广告特征向量，故而将200*128维广告特征向量进行聚类，确定出重叠维度最多的128维广告特征向量作为母婴聚类中心的广告特征向量；女装中有300个待投放广告，且具有128维广告特征向量；男装中有200个待投放广告，且具有128维广告特征向量；建材中有100个待投放广告，且具有128维广告特征向量；医药中有100个待投放广告，且具有128维广告特征向量；服装中有100个待投放广告，且具有128维广告特征向量。
该聚类二叉树由于是基于待投放广告集合聚类得到的，故而该聚类二叉树中的每个节点都有各自的广告特征向量。在聚类之后，聚类二叉树中的各叶子节点中存储有各自聚类得到的待投放广告，并且每个叶子节点实际上都具有各自的广告特征向量，表征了各叶子节点中的广告特性，该特性至少包含其对应的待投放广告的类型、偏好、时长等等。举例来说，在图2中的12个叶子节点中，从左到右的叶子节点中，第一个叶子节点中的128维向量中至少包括：年龄0-8个月、3-5岁、广告时长68秒、广告时长70秒、XX品牌、婴幼儿奶粉、玩具车、滑板等等。第二个叶子节点中的128为向量中至少包括：21-35岁、30秒、滑板、XX品牌、运动鞋、卫衣、汽车等等。由此可见，各个叶子节点中的广告特征向量表征了各自的广告特性，这些广告特性表征了待投放广告的类型、偏好、时长等等。
得到该聚类二叉树之后，则会进行下面的步骤。
步骤12，在用户开启一显示界面的过程中，采集获得所述用户的用户特征向量。
在具体的实施过程中，该显示界面可以是任意场景下的显示界面，例如用户打开网页时显示出的网页页面。或者用户打开APP时，APP在开启过程中会有2-5秒的广告时间，这段时间内会在APP开启过程中的显示界面投放广告，而本实施例的显示界面也可以指APP开启过程中的显示界面。或者APP开启过后显示出的显示界面等等。
当用户用户开启一显示界面的过程中，则可以针对该用户投放对应的广告，当然，为了更有针对性的投放广告，可以结合用户的喜好选择性的投放广告。故而会采集用户的用户特征向量。用户特征向量表示的使用户的基本参数，例如用户的性别、姓名、年龄、历史购买记录中的各种参数(商品名称、商品的使用对象、商品的使用年龄、商品的地址、厂家等等)、对该用户显示过的广告信息、该广告信息的各种参数等等。另外，用户特征向量也有维度，一个维度的广告特征向量就表征一个基本参数，因此维度的多少表示参数个数多少。假设用户具有128维的用户特征向量，表示用户具有128个参数。
作为一种可选的实施例，用户特征向量的维度和广告特征向量的维度相同。
步骤13，根据所述用户的用户特征向量和所述聚类二叉树中每个节点的广告特征向量，从所述聚类二叉树中确定出所述用户对应的目标叶子节点。
本实施例主要作用是从聚类二叉树中的各节点中匹配出用户对应的目标叶子结点。
在具体的实施过程中，首先将所述用户的用户特征向量映射到所述聚类二叉树中的根节点中。
其次，将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述第二层节点中的目标节点。
而在具体匹配过程中，可利用所述用户的用户特征向量和首第二层节每个点各自的广告特征向量进行匹配，确定出所述用户和第二层每个节点的匹配度。匹配的方式不限于是：将用户特征向量和第二层每个节点的广告特征向量相乘，得到对应的匹配数值，该匹配数值就是匹配度。或者将用户特征向量和第二层每个节点的广告特征向量进行对比，计算出用户特征向量和第二层每个节点的广告特征向量重叠维度，然后将重叠维度和用户特征向量的维度相比(也可以将重叠维度和各节点的广告特征向量的维度相比)，得到对应的比值，该比值就是匹配度。参看图2，假设第二层有3个节点，分别为子节点A，子节点B，子节点C。则利用用户的128维用户特征向量和这3个节点各自的广告特征向量进行匹配，得到用户和3个节点各自的匹配度：用户和子节点C的匹配度为15/128，用户和子节点B的匹配度为58/128，用户和子节点A的匹配度为100/128。
其次，将所述用户和第二层每个节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第一预设个数的匹配度，将所述预设个数的匹配度各自对应的节点作为所述第二层节点中的目标节点。承接上述举例，将15/128，58/128，100/128三个匹配度按照大小进行排序，分别为100/128，58/128，15/128。然后将靠前的2个匹配度对应的节点(子节点A和子节点B)作为第二层的目标节点。
如此，可在第二层节点中确定出和用户最为匹配的一个或者多个目标节点，这些目标节点中的维度最能够表征出用户的偏好和意图。
将所述用户特征向量和所述聚类二叉树中的各层节点进行匹配的过程中，
根据上一层中的目标节点确定出对应在下一层中的子节点。承接上述举例，第二层的目标节点有两个，分别为子节点A和子节点B，确定出这两个第二层的目标节点对应的下一层(第三层)的节点，分别为子节点A1，子节点A2，子节点B1，子节点B2。
在具体的实施过程中，首先将所述用户的用户维度向量和上一层中的目标节点在下一层中对应的各个子节点的广告特征向量进行匹配，确定出所述用户和下一层各个子节点的匹配度。
匹配的方式不限于是：将用户特征向量和上一层中的目标节点在下一层中对应的各个子节点的广告特征向量相乘，得到对应的匹配数值，该匹配数值就是匹配度。或者将用户特征向量和上一层中的目标节点在下一层中对应的各个子节点的广告特征向量进行对比，计算出用户特征向量和第二层每个节点的广告特征向量重叠维度，然后将重叠维度和用户特征向量的维度相比(也可以将重叠维度和各子节点的广告特征向量的维度相比)，得到对应的比值，该比值就是匹配度。例如，用户的128维用户特征向量和这4个节点(子节点A1，子节点A2，子节点B1，子节点B2)各自的广告特征向量进行匹配，得到对应的匹配度。用户和子节点A1的匹配度为68/128，用户和子节点A2的匹配度为23/128，用户和子节点B1的匹配度为68/128，用户和子节点B2的匹配度为100/128。
其次，将所述用户和下一层每个子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第二预设个数的匹配度，将所述第二预设个数的匹配度各自对应的子节点作为所述下一层节点中的目标节点。例如，将28/128，68/128，68/128，100/128四个匹配度按照大小进行排序，分别为100/128，68/128，68/128，28/128。然后将靠前的3个匹配度对应的节点(子节点A1、子节点B1、子节点B2)作为下一层的目标节点。该目标节点中最能够表征出用户的偏好和意图。
以此类推，直到将所述用户的用户维度向量和所述聚类二叉树中的叶子节点进行匹配，确定出所述目标叶子节点。
而在具体的实施过程中，将所述用户的用户维度向量和所述聚类二叉树中所述下一层目标节点对应的每个叶子节点的广告特征向量进行匹配，确定出所述用户和聚类二叉树中所述下一层目标节点对应的的每个叶子节点的匹配度。
具体的匹配的方式不限于是：将用户特征向量和下一层目标节点对应的每个叶子节点的广告特征向量相乘，得到对应的匹配数值，该匹配数值就是匹配度。或者将用户特征向量和下一层目标节点对应的每个叶子节点的广告特征向量进行对比，计算出用户特征向量和下一层目标节点对应的每个叶子节点的广告特征向量重叠维度，然后将重叠维度和用户特征向量的维度相比(也可以将重叠维度和各节点的广告特征向量的维度相比)，得到对应的比值，该比值就是匹配度。举例来说，用户的128维用户特征向量和这6个节点(叶子节点A11，叶子节点A12，叶子节点B11，叶子节点B12，叶子节点B21，叶子节点B22，)各自的广告特征向量进行匹配，得到对应的匹配度。用户和叶子节点A11的匹配度为68/128，用户和叶子节点A12的匹配度为23/128，用户和叶子节点B11的匹配度为68/128，用户和叶子节点B12的匹配度为100/128，用户和叶子节点B21的匹配度为100/128，用户和叶子节点B22的匹配度为100/128。
将所述用户和所述下一层目标节点对应的每个叶子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第三预设个数的匹配度，将所述第三预设个数的匹配度各自对应的叶子节点作为所述目标叶子节点。假设筛选出排序靠前的3个匹配度，分别为：用户和叶子节点B12的匹配度为100/128，用户和叶子节点B21的匹配度为100/128，用户和叶子节点B22的匹配度为100/128。然后，将这3个匹配度各自对应的叶子节点作为目标叶子节点。
通过上述过程，则确定出这3个叶子节点B12、叶子节点B21、叶子节点B21为目标叶子节点。
通过上述方式则可以确定出用户对应的目标叶子节点，并且该目标叶子节点中对应有广告特性，那么映射到该目标叶子节点中的待投放广告就能够满足用户的喜好和意图。故而会执行下面的步骤。
步骤14，基于所述目标叶子节点，将所述目标叶子节点中的待投放广告作为用于投放给所述用户的目标投放广告。
步骤15，将所述目标待投放广告投放到所述显示界面中。
通过上述方式，则可以直接利用待投放广告集合形成一聚类二叉树，然后将用户映射到聚类二叉树进而匹配出用户对应的待投放广告，因此能够减少计算量，提高广告投放的效率。
基于同一发明构思，下面的实施例介绍一种广告投放装置，参看图3，包括：
聚类模块31，用于利用待投放广告集合聚类成一聚类二叉树，所述聚类二叉树中的每个节点具有各自的广告特征向量；
采集模块32，用于在用户开启一显示界面的过程中，采集获得所述用户的用户特征向量；
第一确定模块33，用于根据所述用户的用户特征向量和所述聚类二叉树中每个节点的广告特征向量，从所述聚类二叉树中确定出所述用户对应的目标叶子节点；
第二确定模块34，用于基于所述目标叶子节点，将所述目标叶子节点中的待投放广告作为用于投放给所述用户的目标投放广告；
投放模块35，用于将所述目标待投放广告投放到所述显示界面中。
作为一种可选的实施例，所述待投放广告集合中的每个待投放广告都具有各自的广告特征向量，所述待投放广告集合中的所有待投放广告的广告特征向量的维度相同；所述待投放广告集合中的所有待投放广告的广告特征向量的维度和所述聚类二叉树中所有节点中的广告特征向量的维度相同；
所述聚类模块31，具体包括：
第一映射模块，用于将所述待投放广告集合映射到所述聚类二叉树中的根节点中；
第一聚类子模块，用于利用所述根节点中的所述待投放广告集合的所有广告特征向量进行聚类，获得所述聚类二叉树中处于所述根节点下的第二层节点；第二层中每个节点具有各自的广告特征向量；
第二聚类子模块，用于在所述聚类二叉树中各层的节点聚类的过程中，利用所述上一层节点中的待投放广告的广告特征向量进行聚类，获得所述聚类二叉树中的下一层节点；其中，上一层每个节点对应有一个或者两个下一层节点，所述上一层节点的最大总数为所述下一层节点的总数的一半；
第三聚类子模块，用于将所述聚类二叉树中的末层节点作为所述聚类二叉树中的叶子节点。
作为一种可选的实施例，所述第一确定模块33，具体包括：
第二映射模块，用于将所述用户特征向量映射到所述聚类二叉树中的根节点中；
第一匹配模块，用于将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述第二层节点中的目标节点；
第二匹配模块，用于将所述用户特征向量和所述聚类二叉树中的各层节点进行匹配的过程中，将所述用户的用户维度向量和上一层中的目标节点在下一层中的子节点的广告特征向量进行匹配，确定出下一层目标节点；
第三匹配模块，用于将所述用户的用户维度向量和所述聚类二叉树中所述下一层目标节点对应的叶子节点进行匹配，确定出所述目标叶子节点。
作为一种可选的实施例，所述第一匹配模块，具体包括：
第一匹配子模块，用于将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述用户和第二层每个节点的匹配度；
第一排序模块，用于将所述用户和第二层每个节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第一预设个数的匹配度，将所述预设个数的匹配度各自对应的节点作为所述第二层节点中的目标节点。
作为一种可选的实施例，所述第二匹配模块，具体包括：
第二匹配子模块，用于将所述用户的用户维度向量和上一层中的目标节点在下一层中的各个子节点的广告特征向量进行匹配，确定出所述用户和下一层各个子节点的匹配度；
第二排序模块，用于将所述用户和下一层每个子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第二预设个数的匹配度，将所述第二预设个数的匹配度各自对应的子节点作为所述下一层节点中的目标节点。
作为一种可选的实施例，所述第三匹配模块，具体包括：
第三匹配子模块，用于将所述用户的用户维度向量和所述聚类二叉树中所述下一层目标节点对应的每个叶子节点的广告特征向量进行匹配，确定出所述用户和所述下一层目标节点对应的每个叶子节点的匹配度；
第三排序模块，用于将所述用户和所述下一层目标节点对应的每个叶子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第三预设个数的匹配度，将所述第三预设个数的匹配度各自对应的叶子节点作为所述目标叶子节点。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文任一所述方法的步骤。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前文任一所述方法的步骤。
通过本发明的一个或者多个实施例，本发明具有以下有益效果或者优点：
本发明公开了一种广告投放方法及装置、存储介质、计算机设备，为了解决目前的广告投放效率低的问题，首先利用待投放广告集合聚类成一聚类二叉树，由于聚类二叉树中的每个节点具有各自的广告特征向量，故而在获得用户对应的用户特征向量之后，将用户映射到这棵树中，并且利用用户特征向量和所述聚类二叉树中每个节点的广告特征向量，从所述聚类二叉树中确定出所述用户对应的目标叶子节点。由于该聚类二叉树是由待投放广告集合聚类而成，故而每个叶子节点下都有聚类得到的待投放广告。因此，确定出用户对应的目标叶子节点之后，就可以将目标叶子节点中的待投放广告作为用于投放给所述用户的目标投放广告，然后投放给用户。由此可见，本申请并未直接利用用户的信息从大量的广告中匹配出合适的广告投放(这需要对每个广告都进行匹配运算，计算量太大)，而是直接利用待投放广告集合形成一聚类二叉树，然后将用户映射到聚类二叉树进而匹配出用户对应的待投放广告，因此能够减少计算量，提高广告投放的效率。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本发明公开了，A1、一种广告投放方法，其特征在于，所述方法包括：
利用待投放广告集合聚类成一聚类二叉树，所述聚类二叉树中的每个节点具有各自的广告特征向量；
在用户开启一显示界面的过程中，采集获得所述用户的用户特征向量；
根据所述用户的用户特征向量和所述聚类二叉树中每个节点的广告特征向量，从所述聚类二叉树中确定出所述用户对应的目标叶子节点；
基于所述目标叶子节点，将所述目标叶子节点中的待投放广告作为用于投放给所述用户的目标投放广告；
将所述目标待投放广告投放到所述显示界面中。
A2、如A1所述的方法，其特征在于，所述待投放广告集合中的每个待投放广告都具有各自的广告特征向量，所述待投放广告集合中的所有待投放广告的广告特征向量的维度相同；所述待投放广告集合中的所有待投放广告的广告特征向量的维度和所述聚类二叉树中所有节点中的广告特征向量的维度相同；
所述利用待投放广告集合聚类成一聚类二叉树，具体包括：
将所述待投放广告集合映射到所述聚类二叉树中的根节点中；
利用所述根节点中的所述待投放广告集合的所有广告特征向量进行聚类，获得所述聚类二叉树中处于所述根节点下的第二层节点；第二层中每个节点具有各自的广告特征向量；
在所述聚类二叉树中各层的节点聚类的过程中，利用所述上一层节点中的待投放广告的广告特征向量进行聚类，获得所述聚类二叉树中的下一层节点；其中，上一层每个节点对应有一个或者两个下一层节点，所述上一层节点的最大总数为所述下一层节点的总数的一半；
将所述聚类二叉树中的末层节点作为所述聚类二叉树中的叶子节点。
A3、如A1所述的方法，其特征在于，所述根据所述用户的用户特征向量和所述聚类二叉树中每个节点的特征向量，确定出所述用户对应的目标叶子节点，具体包括：
将所述用户特征向量映射到所述聚类二叉树中的根节点中；
将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述第二层节点中的目标节点；
将所述用户特征向量和所述聚类二叉树中的各层节点进行匹配的过程中，将所述用户的用户维度向量和上一层中的目标节点在下一层中的子节点的广告特征向量进行匹配，确定出下一层目标节点；
将所述用户的用户维度向量和所述聚类二叉树中所述下一层目标节点对应的叶子节点进行匹配，确定出所述目标叶子节点。
A4、如A3所述的方法，其特征在于，
所述将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述第二层节点中的目标节点，具体包括：
将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述用户和第二层每个节点的匹配度；
将所述用户和第二层每个节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第一预设个数的匹配度，将所述预设个数的匹配度各自对应的节点作为所述第二层节点中的目标节点。
A5、如A3所述的方法，其特征在于，所述将所述用户特征向量和所述聚类二叉树中的各层节点进行匹配的过程中，将所述用户的用户维度向量和上一层中的目标节点在下一层中的子节点的广告特征向量进行匹配，确定出下一层目标节点，具体包括：
将所述用户的用户维度向量和上一层中的目标节点在下一层中的各个子节点的广告特征向量进行匹配，确定出所述用户和下一层各个子节点的匹配度；
将所述用户和下一层每个子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第二预设个数的匹配度，将所述第二预设个数的匹配度各自对应的子节点作为所述下一层节点中的目标节点。
A6、如A3所述的方法，其特征在于，所述将所述用户的用户维度向量和所述聚类二叉树中的叶子节点进行匹配，确定出所述目标叶子节点，具体包括：
将所述用户的用户维度向量和所述聚类二叉树中所述下一层目标节点对应的每个叶子节点的广告特征向量进行匹配，确定出所述用户和所述下一层目标节点对应的每个叶子节点的匹配度；
将所述用户和所述下一层目标节点对应的每个叶子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第三预设个数的匹配度，将所述第三预设个数的匹配度各自对应的叶子节点作为所述目标叶子节点。
B7、一种广告投放装置，其特征在于，包括：
聚类模块，用于利用待投放广告集合聚类成一聚类二叉树，所述聚类二叉树中的每个节点具有各自的广告特征向量；
采集模块，用于在用户开启一显示界面的过程中，采集获得所述用户的用户特征向量；
第一确定模块，用于根据所述用户的用户特征向量和所述聚类二叉树中每个节点的广告特征向量，从所述聚类二叉树中确定出所述用户对应的目标叶子节点；
第二确定模块，用于基于所述目标叶子节点，将所述目标叶子节点中的待投放广告作为用于投放给所述用户的目标投放广告；
投放模块，用于将所述目标待投放广告投放到所述显示界面中。
B8、如B7所述的装置，其特征在于，所述待投放广告集合中的每个待投放广告都具有各自的广告特征向量，所述待投放广告集合中的所有待投放广告的广告特征向量的维度相同；所述待投放广告集合中的所有待投放广告的广告特征向量的维度和所述聚类二叉树中所有节点中的广告特征向量的维度相同；
所述聚类模块，具体包括：
第一映射模块，用于将所述待投放广告集合映射到所述聚类二叉树中的根节点中；
第一聚类子模块，用于利用所述根节点中的所述待投放广告集合的所有广告特征向量进行聚类，获得所述聚类二叉树中处于所述根节点下的第二层节点；第二层中每个节点具有各自的广告特征向量；
第二聚类子模块，用于在所述聚类二叉树中各层的节点聚类的过程中，利用所述上一层节点中的待投放广告的广告特征向量进行聚类，获得所述聚类二叉树中的下一层节点；其中，上一层每个节点对应有一个或者两个下一层节点，所述上一层节点的最大总数为所述下一层节点的总数的一半；
第三聚类子模块，用于将所述聚类二叉树中的末层节点作为所述聚类二叉树中的叶子节点。
B9、如B7所述的装置，其特征在于，所述第一确定模块，具体包括：
第二映射模块，用于将所述用户特征向量映射到所述聚类二叉树中的根节点中；
第一匹配模块，用于将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述第二层节点中的目标节点；
第二匹配模块，用于将所述用户特征向量和所述聚类二叉树中的各层节点进行匹配的过程中，将所述用户的用户维度向量和上一层中的目标节点在下一层中的子节点的广告特征向量进行匹配，确定出下一层目标节点；
第三匹配模块，用于将所述用户的用户维度向量和所述聚类二叉树中所述下一层目标节点对应的叶子节点进行匹配，确定出所述目标叶子节点。
B10、如B9所述的装置，其特征在于，所述第一匹配模块，具体包括：
第一匹配子模块，用于将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述用户和第二层每个节点的匹配度；
第一排序模块，用于将所述用户和第二层每个节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第一预设个数的匹配度，将所述预设个数的匹配度各自对应的节点作为所述第二层节点中的目标节点。
B11、如B9所述的装置，其特征在于，所述第二匹配模块，具体包括：
第二匹配子模块，用于将所述用户的用户维度向量和上一层中的目标节点在下一层中的各个子节点的广告特征向量进行匹配，确定出所述用户和下一层各个子节点的匹配度；
第二排序模块，用于将所述用户和下一层每个子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第二预设个数的匹配度，将所述第二预设个数的匹配度各自对应的子节点作为所述下一层节点中的目标节点。
B12、如B9所述的装置，其特征在于，所述第三匹配模块，具体包括：
第三匹配子模块，用于将所述用户的用户维度向量和所述聚类二叉树中所述下一层目标节点对应的每个叶子节点的广告特征向量进行匹配，确定出所述用户和所述下一层目标节点对应的每个叶子节点的匹配度；
第三排序模块，用于将所述用户和所述下一层目标节点对应的每个叶子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第三预设个数的匹配度，将所述第三预设个数的匹配度各自对应的叶子节点作为所述目标叶子节点。
C13、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现A1-A6任一项所述方法的步骤。
D14、一种计算机设备，包括存储器、处理器及存储在存储器上并可在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程序时实现A1-A6任一项所述方法的步骤。
Claims (10)
1.一种广告投放方法，其特征在于，所述方法包括：
利用待投放广告集合聚类成一聚类二叉树，所述聚类二叉树中的每个节点具有各自的广告特征向量；
在用户开启一显示界面的过程中，采集获得所述用户的用户特征向量；
根据所述用户的用户特征向量和所述聚类二叉树中每个节点的广告特征向量，从所述聚类二叉树中确定出所述用户对应的目标叶子节点；
基于所述目标叶子节点，将所述目标叶子节点中的待投放广告作为用于投放给所述用户的目标投放广告；
将所述目标待投放广告投放到所述显示界面中。
2.如权利要求1所述的方法，其特征在于，所述待投放广告集合中的每个待投放广告都具有各自的广告特征向量，所述待投放广告集合中的所有待投放广告的广告特征向量的维度相同；所述待投放广告集合中的所有待投放广告的广告特征向量的维度和所述聚类二叉树中所有节点中的广告特征向量的维度相同；
所述利用待投放广告集合聚类成一聚类二叉树，具体包括：
将所述待投放广告集合映射到所述聚类二叉树中的根节点中；
利用所述根节点中的所述待投放广告集合的所有广告特征向量进行聚类，获得所述聚类二叉树中处于所述根节点下的第二层节点；第二层中每个节点具有各自的广告特征向量；
在所述聚类二叉树中各层的节点聚类的过程中，利用所述上一层节点中的待投放广告的广告特征向量进行聚类，获得所述聚类二叉树中的下一层节点；其中，上一层每个节点对应有一个或者两个下一层节点，所述上一层节点的最大总数为所述下一层节点的总数的一半；
将所述聚类二叉树中的末层节点作为所述聚类二叉树中的叶子节点。
3.如权利要求1所述的方法，其特征在于，所述根据所述用户的用户特征向量和所述聚类二叉树中每个节点的特征向量，确定出所述用户对应的目标叶子节点，具体包括：
将所述用户特征向量映射到所述聚类二叉树中的根节点中；
将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述第二层节点中的目标节点；
将所述用户特征向量和所述聚类二叉树中的各层节点进行匹配的过程中，将所述用户的用户维度向量和上一层中的目标节点在下一层中的子节点的广告特征向量进行匹配，确定出下一层目标节点；
将所述用户的用户维度向量和所述聚类二叉树中所述下一层目标节点对应的叶子节点进行匹配，确定出所述目标叶子节点。
4.如权利要求3所述的方法，其特征在于，
所述将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述第二层节点中的目标节点，具体包括：
将所述用户特征向量和第二层每个节点的广告特征向量进行匹配，确定出所述用户和第二层每个节点的匹配度；
将所述用户和第二层每个节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第一预设个数的匹配度，将所述预设个数的匹配度各自对应的节点作为所述第二层节点中的目标节点。
5.如权利要求3所述的方法，其特征在于，所述将所述用户特征向量和所述聚类二叉树中的各层节点进行匹配的过程中，将所述用户的用户维度向量和上一层中的目标节点在下一层中的子节点的广告特征向量进行匹配，确定出下一层目标节点，具体包括：
将所述用户的用户维度向量和上一层中的目标节点在下一层中的各个子节点的广告特征向量进行匹配，确定出所述用户和下一层各个子节点的匹配度；
将所述用户和下一层每个子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第二预设个数的匹配度，将所述第二预设个数的匹配度各自对应的子节点作为所述下一层节点中的目标节点。
6.如权利要求3所述的方法，其特征在于，所述将所述用户的用户维度向量和所述聚类二叉树中的叶子节点进行匹配，确定出所述目标叶子节点，具体包括：
将所述用户的用户维度向量和所述聚类二叉树中所述下一层目标节点对应的每个叶子节点的广告特征向量进行匹配，确定出所述用户和所述下一层目标节点对应的每个叶子节点的匹配度；
将所述用户和所述下一层目标节点对应的每个叶子节点的匹配度按照匹配度大小进行排序，筛选出排序靠前的第三预设个数的匹配度，将所述第三预设个数的匹配度各自对应的叶子节点作为所述目标叶子节点。
7.一种广告投放装置，其特征在于，包括：
聚类模块，用于利用待投放广告集合聚类成一聚类二叉树，所述聚类二叉树中的每个节点具有各自的广告特征向量；
采集模块，用于在用户开启一显示界面的过程中，采集获得所述用户的用户特征向量；
第一确定模块，用于根据所述用户的用户特征向量和所述聚类二叉树中每个节点的广告特征向量，从所述聚类二叉树中确定出所述用户对应的目标叶子节点；
第二确定模块，用于基于所述目标叶子节点，将所述目标叶子节点中的待投放广告作为用于投放给所述用户的目标投放广告；
投放模块，用于将所述目标待投放广告投放到所述显示界面中。
8.如权利要求7所述的装置，其特征在于，所述待投放广告集合中的每个待投放广告都具有各自的广告特征向量，所述待投放广告集合中的所有待投放广告的广告特征向量的维度相同；所述待投放广告集合中的所有待投放广告的广告特征向量的维度和所述聚类二叉树中所有节点中的广告特征向量的维度相同；
所述聚类模块，具体包括：
第一映射模块，用于将所述待投放广告集合映射到所述聚类二叉树中的根节点中；
第一聚类子模块，用于利用所述根节点中的所述待投放广告集合的所有广告特征向量进行聚类，获得所述聚类二叉树中处于所述根节点下的第二层节点；第二层中每个节点具有各自的广告特征向量；
第二聚类子模块，用于在所述聚类二叉树中各层的节点聚类的过程中，利用所述上一层节点中的待投放广告的广告特征向量进行聚类，获得所述聚类二叉树中的下一层节点；其中，上一层每个节点对应有一个或者两个下一层节点，所述上一层节点的最大总数为所述下一层节点的总数的一半；
第三聚类子模块，用于将所述聚类二叉树中的末层节点作为所述聚类二叉树中的叶子节点。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811360778.8A CN109509028A (zh) | 2018-11-15 | 2018-11-15 | 一种广告投放方法及装置、存储介质、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811360778.8A CN109509028A (zh) | 2018-11-15 | 2018-11-15 | 一种广告投放方法及装置、存储介质、计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109509028A true CN109509028A (zh) | 2019-03-22 |
Family
ID=65748727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811360778.8A Pending CN109509028A (zh) | 2018-11-15 | 2018-11-15 | 一种广告投放方法及装置、存储介质、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109509028A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886284A (zh) * | 2018-12-12 | 2019-06-14 | 同济大学 | 基于层次化聚类的欺诈检测方法及系统 |
| CN110263862A (zh) * | 2019-06-21 | 2019-09-20 | 北京字节跳动网络技术有限公司 | 信息的推送方法、装置、电子设备及可读存储介质 |
| CN111709792A (zh) * | 2020-06-23 | 2020-09-25 | 成都新潮传媒集团有限公司 | 广告匹配方法、装置、服务器及存储介质 |
| CN114596126A (zh) * | 2022-04-26 | 2022-06-07 | 土巴兔集团股份有限公司 | 一种广告推荐方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070078849A1 (en) * | 2005-08-19 | 2007-04-05 | Slothouber Louis P | System and method for recommending items of interest to a user |
| US20140081767A1 (en) * | 2012-09-19 | 2014-03-20 | Hulu, LLC | Estimating unique impressions in an online video distribution system |
| CN105631707A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 基于决策树的广告点击率预估方法与应用推荐方法及装置 |
| US20160180372A1 (en) * | 2014-12-19 | 2016-06-23 | Yahoo! Inc. | Systems and methods for online advertisement realization prediction |
| CN105868298A (zh) * | 2016-03-23 | 2016-08-17 | 华南理工大学 | 一种基于二叉决策树的手机游戏推荐方法 |
| CN106919579A (zh) * | 2015-12-24 | 2017-07-04 | 腾讯科技（深圳）有限公司 | 一种信息处理方法及装置、设备 |
| CN107657488A (zh) * | 2017-10-19 | 2018-02-02 | 厦门美柚信息科技有限公司 | 基于广告匹配的广告投放处理方法及装置 |
| CN108154384A (zh) * | 2011-07-13 | 2018-06-12 | 阿里巴巴集团控股有限公司 | 广告投放方法、广告投放服务器及广告投放系统 |
| CN108280670A (zh) * | 2017-01-06 | 2018-07-13 | 腾讯科技（深圳）有限公司 | 种子人群扩散方法、装置以及信息投放系统 |
| CN108304432A (zh) * | 2017-08-01 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 信息推送处理方法、信息推送处理装置及存储介质 |
-
2018
- 2018-11-15 CN CN201811360778.8A patent/CN109509028A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070078849A1 (en) * | 2005-08-19 | 2007-04-05 | Slothouber Louis P | System and method for recommending items of interest to a user |
| CN108154384A (zh) * | 2011-07-13 | 2018-06-12 | 阿里巴巴集团控股有限公司 | 广告投放方法、广告投放服务器及广告投放系统 |
| US20140081767A1 (en) * | 2012-09-19 | 2014-03-20 | Hulu, LLC | Estimating unique impressions in an online video distribution system |
| US20160180372A1 (en) * | 2014-12-19 | 2016-06-23 | Yahoo! Inc. | Systems and methods for online advertisement realization prediction |
| CN105631707A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 基于决策树的广告点击率预估方法与应用推荐方法及装置 |
| CN106919579A (zh) * | 2015-12-24 | 2017-07-04 | 腾讯科技（深圳）有限公司 | 一种信息处理方法及装置、设备 |
| CN105868298A (zh) * | 2016-03-23 | 2016-08-17 | 华南理工大学 | 一种基于二叉决策树的手机游戏推荐方法 |
| CN108280670A (zh) * | 2017-01-06 | 2018-07-13 | 腾讯科技（深圳）有限公司 | 种子人群扩散方法、装置以及信息投放系统 |
| CN108304432A (zh) * | 2017-08-01 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 信息推送处理方法、信息推送处理装置及存储介质 |
| CN107657488A (zh) * | 2017-10-19 | 2018-02-02 | 厦门美柚信息科技有限公司 | 基于广告匹配的广告投放处理方法及装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886284A (zh) * | 2018-12-12 | 2019-06-14 | 同济大学 | 基于层次化聚类的欺诈检测方法及系统 |
| CN109886284B (zh) * | 2018-12-12 | 2021-02-12 | 同济大学 | 基于层次化聚类的欺诈检测方法及系统 |
| CN110263862A (zh) * | 2019-06-21 | 2019-09-20 | 北京字节跳动网络技术有限公司 | 信息的推送方法、装置、电子设备及可读存储介质 |
| CN110263862B (zh) * | 2019-06-21 | 2021-05-07 | 北京字节跳动网络技术有限公司 | 信息的推送方法、装置、电子设备及可读存储介质 |
| CN111709792A (zh) * | 2020-06-23 | 2020-09-25 | 成都新潮传媒集团有限公司 | 广告匹配方法、装置、服务器及存储介质 |
| CN114596126A (zh) * | 2022-04-26 | 2022-06-07 | 土巴兔集团股份有限公司 | 一种广告推荐方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111680221B (zh) | 信息推荐方法、装置、设备及计算机可读存储介质 | |
| CN111444395B (zh) | 获取实体间关系表达的方法、系统和设备、广告召回系统 | |
| CN108960992A (zh) | 一种信息推荐方法以及相关设备 | |
| CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
| CN108921624B (zh) | 广告融合方法、装置、存储介质和终端设备 | |
| CN109509028A (zh) | 一种广告投放方法及装置、存储介质、计算机设备 | |
| CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
| CN105335409A (zh) | 一种目标用户的确定方法、设备和网络服务器 | |
| WO2017031002A1 (en) | Systems and methods to seed a search | |
| US9129296B2 (en) | Augmenting recommendation algorithms based on similarity between electronic content | |
| CN109299981A (zh) | 一种广告推荐方法及装置 | |
| CN110110244A (zh) | 一种融合多源信息的兴趣点推荐方法 | |
| CN108805598A (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
| CN106682926A (zh) | 搜索广告的投放方法及装置 | |
| CN104298755A (zh) | 内容推送方法、内容推送系统和服务器 | |
| WO2014152352A1 (en) | Similarity engine for facilitating re-creation of an application collection of a source computing device on a destination computing device | |
| CN105574110A (zh) | 游戏智能推荐方法及装置 | |
| CN108021672A (zh) | 基于相册的社交推荐方法、装置及计算设备 | |
| CN110134783A (zh) | 个性化推荐的方法、装置、设备和介质 | |
| CN108052670A (zh) | 一种相机特效的推荐方法及装置 | |
| CN106445954A (zh) | 一种业务对象的展示方法和装置 | |
| CN106919588A (zh) | 一种应用程序搜索系统及方法 | |
| WO2023231542A1 (zh) | 表示信息的确定方法、装置、设备及存储介质 | |
| CN116541602A (zh) | 推荐内容的推送方法和系统、电子设备及存储介质 | |
| CN109816410A (zh) | 广告主产品受众群体的分析方法及装置 |
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 |
Application publication date: 20190322 |
|
| RJ01 | Rejection of invention patent application after publication |