CN109711872A - 基于大数据分析的广告投放方法及装置 - Google Patents

Abstract

本发明涉及了一种基于大数据分析的广告投放方法及装置，应用于互联网领域，所述基于大数据分析的广告投放方法包括：针对若干个对应于用户标签的用户群体进行广告预投放，得到对应于用户标签的用户消费数据，所述用户消费数据用于指示向用户标签对应的用户群体进行广告预投放的准确率；根据所述用户消费数据指示的准确率构建用户标签集合，所述用户标签集合包括至少一个受众用户标签；建立所投放广告与用户标签集合之间的索引关系；根据所建立的索引关系为广告投放方提供广告投放服务。采用本发明所提供的基于大数据分析的广告投放方法及装置解决了现有技术中针对不同用户群体所进行的广告投放的准确率不高的问题。

Description

基于大数据分析的广告投放方法及装置

技术领域

本发明涉及互联网技术领域，尤其涉及一种基于大数据分析的广告投放方法及装置。

背景技术

随着互联网技术的发展，提供广告投放功能的客户端越来越多，然而该些客户端所进行的广告投放往往是面向全体用户的，或者是针对若干个用户群体，例如，玩具类型的广告可以面向儿童用户群体、母亲用户群体、和/或父亲用户群体进行投放。

然而，上述若干个用户群体的组合，需要广告投放方根据经验自行组合，而且未必就是最优组合，这不利于保证广告投放的准确率，且并不利于提升广告投放方的广告投放体验。

因此，如何针对不同用户群体提高广告投放的准确率仍有待解决。

发明内容

为了解决上述技术问题，本发明的一个目的在于提供一种基于大数据分析的广告投放方法及装置。

其中，本发明所采用的技术方案为：

第一方面，一种基于大数据分析的广告投放方法，包括：针对若干个对应于用户标签的用户群体进行广告预投放，得到对应于用户标签的用户消费数据，所述用户消费数据用于指示向用户标签对应的用户群体进行广告预投放的准确率；根据所述用户消费数据的指示构建用户标签集合，所述用户标签集合包括至少一个受众用户标签；建立预投放广告与用户标签集合之间的索引关系；根据所建立的索引关系为广告投放方提供广告投放服务。

第二方面，一种基于大数据分析的广告投放装置，包括：数据获取模块，用于针对若干个对应于用户标签的用户群体进行广告预投放，得到对应于用户标签的用户消费数据，所述用户消费数据用于指示向用户标签对应的用户群体进行广告预投放的准确率；集合构建模块，用于根据所述用户消费数据的指示构建用户标签集合，所述用户标签集合包括至少一个受众用户标签；索引建立模块，用于建立所投放广告与用户标签集合之间的索引关系；广告投放模块，用于根据所建立的索引关系为广告投放方提供广告投放服务。

在一示例性实施例中，所述数据获取模块包括：遍历单元，用于遍历若干个用户群体，针对遍历到的用户群体进行广告预投放；统计单元，用于统计遍历到的用户群体对预投放广告的点击率或者购买率；数据定义单元，用于将统计得到的点击率或者购买率作为用户标签对应的用户消费数据，所述用户标签对应于遍历到的用户群体。

在一示例性实施例中，所述数据获取模块还包括：更新单元，用于随着广告预投放的持续进行，联动分布式实时计算系统实时计算遍历到用户群体对预投放广告的点击率或者购买率，以实时更新用户标签所对应的用户消费数据。

在一示例性实施例中，所述集合构建模块包括：判断单元，用于判断所述用户消费数据指示的准确率是否超过指定阈值；如果是，则通知目标定义单元；所述目标定义单元，用于以所述用户消费数据对应的用户标签作为受众用户标签；集合生成单元，用于由至少一个受众用户标签生成所述用户标签集合。

在一示例性实施例中，所述索引建立模块包括：类型确定单元，用于确定预投放广告的广告类型；关系建立单元，用于建立预投放广告的广告类型与用户标签集合之间的索引关系。

在一示例性实施例中，所述广告投放模块包括：类型获取单元，用于获取所述广告投放方欲投放广告的指定广告类型；集合获取单元，用于根据所述指定广告类型获取具有索引关系的用户标签集合；用户群体生成单元，用于根据获取到用户标签集合中的受众用户标签确定对应的受众用户群体；广告投放单元，用于向所述受众用户群体投放指定广告类型的广告。

在一示例性实施例中，所述装置还包括标签获取模块，所述标签获取模块包括：用户数据获取单元，用于获取用于描述用户特征的用户数据；标签预测单元，用于调用用户标签模型对所述用户数据进行标签预测，得到用户标签。

第三方面，一种基于大数据分析的广告投放装置，包括处理器及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上所述的基于大数据分析的广告投放方法。

第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于大数据分析的广告投放方法。

在上述技术方案中，通过广告预投放，得到对应于用户标签的用户消费数据，以根据用户消费数据指示的向用户标签对应的用户群体进行广告预投放的准确率构建用户标签集合，进而建立预投放广告与用户标签集合之间的索引关系，并最终基于所建立的索引关系为广告投放方提供广告投放服务，也就是说，通过所建立的索引关系，向广告投放方提供了与不同广告类型的广告具有索引关系的最优组合，即用户标签集合，以此来保证广告投放的准确率，也避免广告投放方根据经验自行组合，进而有利于提升广告投放方的广告投放体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是根据本发明所涉及的实施环境的示意图。

图2是根据一示例性实施例示出的一种服务端的硬件结构框图。

图3是根据一示例性实施例示出的一种基于大数据分析的广告投放方法的流程图。

图4是根据一示例性实施例示出的另一种基于大数据分析的广告投放方法的流程图。

图5是图3对应实施例中步骤310在一个实施例的流程图。

图6是图3对应实施例中步骤330在一个实施例的流程图。

图7是图3对应实施例中步骤350在一个实施例的流程图。

图8是图3对应实施例中步骤370在一个实施例的流程图。

图9是根据一示例性实施例示出的一种基于大数据分析的广告投放装置的框图。

图10是根据一示例性实施例示出的一种基于大数据分析的广告投放装置的硬件结构框图。

通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述，这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1为一种基于大数据分析的广告投放方法所涉及的实施环境的示意图。该实施环境包括广告投放方所在终端110、服务端130和分布式实时计算系统150。

其中，广告投放方所在终端110可以是台式电脑、笔记本电脑、平板电脑、智能手机或者其他可供提供广告投放功能的客户端运行的电子设备，在此不进行限定。

值得一提的是，提供广告投放功能的客户端可以是应用程序形式，还可以是网页形式，相应地，由此客户端所提供的操作界面可以是指应用程序窗口，也可以是指网页页面，在此也并未加以限定。

广告投放方所在终端110与服务端130之间通过有线或者无线建立网络连接，以基于此网络连接实现广告投放方所在终端110与服务端130之间的数据传输，例如，所传输数据包括广告投放请求。

服务端130预先建立与分布式实时计算系统150之间的通信连接，并通过此通信连接实现与分布式实时计算系统150的联动。

对于服务端130或者分布式实时计算系统150，可以是由多台服务器构成的服务器集群，还可以由多台服务器构成的云计算中心。此服务器是为用户提供后台服务的电子设备，例如，后台服务包括广告投放服务。

当然，根据实际营运的需要，服务端130和分布式实时计算系统150也可以整合在同一服务器集群或者同一云计算中心，以使广告投放由该同一服务器集群或者该同一云计算中心完成。

通过广告投放方所在终端110与服务端130的交互，运行于广告投放方所在终端110的客户端，将向服务端130发起广告投放请求，请求服务端130为广告投放方提供广告投放服务。

对于服务端130而言，响应广告投放请求而联动分布式实时计算系统150为广告投放方提供广告投放服务。

图2是根据一示例性实施例示出的一种服务端的硬件结构框图。该服务端适用于图1所示出实施环境中的服务端。

需要说明的是，该服务端只是一个适配于本发明的示例，不能认为是提供了对本发明的使用范围的任何限制。该服务端也不能解释为需要依赖于或者必须具有图2中示出的示例性的服务端200中的一个或者多个组件。

该服务端200的硬件结构可因配置或者性能的不同而产生较大的差异，如图2所示，服务端200包括：电源210、接口230、至少一存储器250、以及至少一中央处理器(CPU,Central Processing Units)270。

其中，电源210用于为服务端200上的各硬件设备提供工作电压。

接口230包括至少一有线或无线网络接口231、至少一串并转换接口233、至少一输入输出接口235以及至少一USB接口237等，用于与外部设备通信。

存储器250作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统251、应用程序253及数据255等，存储方式可以是短暂存储或者永久存储。其中，操作系统251用于管理与控制服务端200上的各硬件设备以及应用程序253，以实现中央处理器270对海量数据255的计算与处理，其可以是WindowsServerTM、Mac OS XTM、UnixTM、LinuxTM、FreeBSDTM等。应用程序253是基于操作系统251之上完成至少一项特定工作的计算机程序，其可以包括至少一模块(图2中未示出)，每个模块都可以分别包含有对服务端200的一系列计算机可读指令。数据255可以是存储于磁盘中的照片、图片等。

中央处理器270可以包括一个或多个以上的处理器，并设置为通过总线与存储器250通信，用于运算与处理存储器250中的海量数据255。

如上面所详细描述的，适用本发明的服务端200将通过中央处理器270读取存储器250中存储的一系列计算机可读指令的形式来完成基于大数据分析的广告投放方法。

此外，通过硬件电路或者硬件电路结合软件也能同样实现本发明，因此，实现本发明并不限于任何特定硬件电路、软件以及两者的组合。

请参阅图3，在一示例性实施例中，一种基于大数据分析的广告投放方法适用于图1所示实施环境的服务端，该服务端的结构可以如图2所示。

该种基于大数据分析的广告投放方法可以由服务端执行，可以包括以下步骤：

步骤310，针对若干个对应于用户标签的用户群体进行广告预投放，得到对应于用户标签的用户消费数据。

首先说明的是，用户标签，对应于用户群体，此用户群体中的用户具有相同用户特征。也可以理解为，用户标签，实质上是对具有相同用户特征的一群用户的准确描述。如果用户群体不同，则用户标签将有所区别。

应当理解，对于同一个用户而言，可以仅属于一个用户群体，即仅对应一个用户标签，也可以属于多个用户群体，即对应于不同的用户标签，进而充分地保证用户标签所对应用户群体的准确性。

下面对用户标签的获取过程加以说明。

如图4所示，用户标签的获取过程可以包括以下步骤：

步骤410，获取用于描述用户特征的用户数据。

用户数据，是对用户所具有的用户特征的准确描述。用户不同，用户所具有的用户特征将所有不同，则用户数据也各不相同。可以理解，如果用户所具有的用户特征越多，则获取到的用户数据越准确。

例如，用户所具有的用户特征包括但不限于：性别、年龄、家庭成员属性、居住地、婚姻状况、职业、工作地、收入、针对所投放广告的购买行为、浏览行为、点击行为、分享行为等等。

具体地，获取用户数据进一步可以包括以下步骤：

1.1、监听用户所在客户端中针对所投放广告触发进行的操作，得到用户行为数据。

操作包括广告浏览、广告点击、广告关闭、广告分享、购买广告所推荐产品等等，相应地，用户行为数据指示了用户针对所投放广告的浏览行为、点击行为、关闭行为、分享行为、购买行为等等。

也可以理解为，用户行为数据实质上指示了用户针对所投放广告进行的不同行为。

进一步地，用户行为数据是通过数字形式加以表现的，具体地，用户行为数据包括但不限于：用于表示操作的行为标识、操作发生时间。

例如，针对广告查看操作，用户行为数据可以表示为{0,10:00}。其中，行为标识0用于表示广告查看操作，广告查看操作的操作发生时间为10:00。

针对广告点击操作，用户行为数据可以表示为{1,12:00}。其中，行为标识1用于表示广告点击操作，广告点击操作的操作发生时间为12:00。

1.2、通过用户所在客户端中的注册操作和/或测评操作，获取与注册操作和/或测评操作相关的用户属性数据。

应当理解，对于客户端而言，用户往往需要进行注册，相应地，需要输入用户的基础信息，例如，性别、年龄、家庭成员属性、居住地、婚姻状况、职业、工作地等等。

或者，如果用户需要购买金融产品，例如股票、基金等等理财产品，客户端往往会向用户提供风险测评，以此评估用户的购买力、风险承受力等等，相应地，用户需要输入相关的财富信息，例如，购买力、收入等等。

由上可知，用户属性数据实质上指示了用户针对广告所推荐产品的购买力、偏好等等。

例如，对于推荐高端产品的广告而言，更适合面向用户属性数据指示购买力强的用户投放。

进一步地，用户属性数据也是通过数字形式加以表现的，例如，可以采用word2vector、One-Hot、n-gram等编码方式实现。

以One-Hot编码方式为例进行说明。

假设用户特征包括家庭成员属性特征、年龄特征、偏好特征，其中，家庭成员属性特征进一步包括：["孙辈"，"父母"，“祖辈”]，年龄特征进一步包括：["0～10"，"11～20"，"20～40"，"40以上"]，偏好特征进一步包括：["母婴类型"，"化妆品类型"，"服饰类型"，"电器类型"，"养生类型"]。

对于某一个用户的用户特征，如["祖辈"，"40以上"，"养生类型"]，基于One-Hot编码方式，则“祖辈”对应[0,0,1]，同理，“40以上”对应[0,0,0,1]，“养生类型”对应[0,0,0,0,1]，由此，此用户的用户属性数据表示为：[0,0,1,0,0,0,1,0,0,0,0,1]。

1.3、根据用户行为数据和用户属性数据生成用户数据。

以上述例子进行说明，假设用户的用户行为数据表示为{1,12:00}，用户属性数据表示为[0,0,1,0,0,0,1,0,0,0,0,1]。

首先，对用户行为数据{1,12:00}进一步转化，即将十进制的12转化为二进制01100表示，得到[1,0,1,1,0,0]。

然后，将用户行为数据和用户属性数据进行拼接，则此用户的用户数据表示为[1,0,1,1,0,0,0,0,1,0,0,0,1,0,0,0,0,1]。

步骤430，调用用户标签模型对用户数据进行标签预测，得到用户标签。

在获得用户数据之后，便可将此用户数据输入至用户标签模型，进行用户标签的预测。

具体地，基于用户标签模型所提供的分类器，即可得到用户数据所描述用户特征属于不同用户群体的概率，则概率最大的用户群体所对应的用户标签即视为预测得到的用户标签。

例如，假设用户群体包括A、B，分别对应于用户标签A1、B1。

进一步假设，用户数据所描述用户特征属于用户群体A的概率为P1，用户数据所描述用户特征属于用户群体B的概率为P2，如果P1>P2，则预测得到的用户标签为用户群体A对应的用户标签A1，反之，如果P1<P2，则预测得到的用户标签为用户群体B对应的用户标签B1。

在此补充说明，用户标签模型是通过海量的训练数据对指定数学模型进行模型训练生成的。

其中，训练数据实质是携带了用户标签的用户数据，也可以理解为，训练数据实质是进行了用户标签标注的用户数据。

指定数据模型包括但不限于：隐马尔可夫模型、最大熵模型、支持向量机模型、条件随机场模型、神经网络模型等等，在此并未对此加以限定。

模型训练，则是对指定数据模型的模型参数进行迭代优化，直至指定函数收敛。指定函数包括但不限于：最大期望函数、损失函数等等。

例如，当训练数据和模型参数所构建的最大期望函数达到最大期望时，最大期望函数收敛，此时的模型参数最优，视为模型训练完成。

或者，当训练数据和模型参数所构建的损失函数达到最小损失时，损失函数收敛，此时的模型参数最优，视为模型训练完成。

其次说明的是，用户消费数据用于指示向用户标签对应的用户群体进行广告预投放的准确率。

广告预投放，是指在广告真正投放市场之前，优先面向用户标签对应的用户群体投放该广告，那么，此用户群体对预投放广告所推荐产品的相关行为，例如点击行为、购买行为、查看行为、分享行为等等，即可反映出向此用户群体进行广告预投放的准确率，进而充分保证后续广告真正投放市场的准确率。

步骤330，根据用户消费数据指示的准确率构建用户标签集合。

具体地，基于用户消费数据的指示，如果向用户标签对应的用户群体进行广告预投放的准确率越高，则表示此用户群体对预投放广告所推荐产品的偏好程度越高，那么，在广告真正投放市场时使得此用户群体成为广告的受众用户越准确，为此，此用户群体所对应的用户标签即可视为受众用户标签，进而生成用户标签集合。

也就是说，用户标签集合，包括至少一个受众用户标签，实质上向广告投放方提供了最优组合，以此避免广告投放方根据经验自行组合，且有利于提升广告投放的准确率。

在此补充说明的是，只有广告真正投放市场时所面向的用户才被视为受众用户，而广告预投放时所面向的用户并不属于受众用户。

进一步地，向用户标签对应的用户群体进行广告预投放的准确率，可以通过此用户群体对预投放广告的点击率、购买率、查看率、分享率等进行表示，本实施例并未对此加以限定。

步骤350，建立预投放广告与用户标签集合之间的索引关系。

在针对预投放广告，获得用户标签集合之后，便可以建立二者之间的索引关系，方便于后续为广告投放方提供广告投放服务时，向广告投放方提供与广告具有索引关系的用户标签集合。

步骤370，根据所建立的索引关系为广告投放方提供广告投放服务。

对于广告投放方而言，如果希望投放某一广告，即可根据所建立的索引关系查找到相应的用户标签集合，进而由此用户标签集合获知欲投放广告的受众用户，以此实现了精准地面向用户的广告投放。

通过如上所述的过程，实现了用户标签集合推荐的广告投放方案，即向广告投放方提供与广告具有索引关系的用户标签集合，此用户标签集合视为广告投放方欲投放广告所对应的最优组合，避免广告投放方根据经验自行组合，不仅充分地保证了广告投放的准确率，而且有利于提升广告投放方的广告投放体验。

请参阅图5，在一示例性实施例中，步骤310可以包括以下步骤：

步骤311，遍历若干个用户群体，针对遍历到的用户群体进行广告预投放。

如前所述，用户所具有的用户特征包括但不限于：性别、年龄、家庭成员属性、居住地、婚姻状况、职业、工作地、收入、针对所投放广告的购买行为、浏览行为、点击行为、分享行为等等。由此，具有相同用户特征的用户群体不止一个，例如，母亲用户群体中用户的家庭成员属性为母亲，或者，儿童用户群体中用户的年龄为0岁～12岁。那么，广告预投放时，是面向各个用户群体进行的，以便于通过广告预投放，评估哪几个用户群体作为广告的受众用户的准确性较好。

步骤313，统计遍历到的用户群体对预投放广告的点击率或者购买率。

本实施例中，向遍历到的用户群体进行广告预投放的准确率是通过点击率或者购买率表示的。

具体地，点击率＝遍历到用户群体中用户针对预投放广告的点击次数/向遍历到用户群体预投放广告的投放次数。

购买率＝遍历到用户群体中用户购买预投放广告所推荐产品的次数/遍历到用户群体中用户的数量。

步骤315，将统计得到的点击率或者购买率作为用户标签对应的用户消费数据，用户标签对应于遍历到的用户群体。

也就是说，不同用户群体，所对应的用户标签不同，则用户消费数据也有所区别，以此反映出不同用户群体作为广告的受众用户的不同准确性，以便于评估哪几个用户群体作为广告的受众用户的准确性较好。

例如，点击率或者购买率越高的用户群体，作为广告的受众用户的准确性越好。

在上述实施例的作用下，为用户标签集合的生成提供了数据依据，以此保证用户标签集合生成的准确性，进而有利于保证后续广告投放的准确率。

在一示例性实施例中，步骤310还可以包括以下步骤：

随着广告预投放的持续进行，联动分布式实时计算系统实时计算遍历到用户群体对预投放广告的点击率或者购买率，以实时更新用户标签所对应的用户消费数据。

可以理解，对于遍历到用户群体中的用户而言，针对预投放广告的点击次数，或者，购买预投放广告所推荐产品的次数，将随着广告预投放的持续进行而相应地发生变化。

为此，本实施例中，用户消费数据将随着广告预投放的持续进行而实时更新。

联动，基于服务端与分布式实时计算系统之间预先建立的通信连接实现。具体地，分布式实时计算系统实时计算遍历到用户群体对预投放广告的点击率或者购买率，进而通过此通信连接，将点击率或者购买率传输至服务端，以供服务端更新用户标签所对应的用户消费数据。

在一实施例的具体实现中，分布式实时计算系统采用storm技术所搭建的算法框架实现。当然，根据应用场景的实际需求，分布式实时计算系统还可基于其他算法框架实现，本实施例并非对此构成限定。

在上述实施例的作用下，实现了用户消费数据的实时更新，进而保证了用户标签集合随着用户消费数据的实时更新而相应更新，以此充分地保障了后续广告投放的准确率。

在一应用场景中，用户群体A和用户群体B的点击率或者购买率较高，则用户标签集合包括：用户群体A对应的用户标签A1、用户群体B对应的用户标签B1。

在用户消费数据实时更新过程中，用户群体C的点击率或者购买率更新，进而使得用户标签集合相应地更新，即增加了用户群体C对应的用户标签C1。

请参阅图6，在一示例性实施例中，步骤330可以包括以下步骤：

步骤331，判断用户消费数据指示的准确率是否超过指定阈值。

如前所述，如果向用户标签所对应的用户群体进行广告预投放的准确率越高，则表示此用户群体对预投放广告所推荐产品的偏好程度越高，那么，在广告真正投放市场时使得此用户群体成为广告的受众用户越准确。

为此，本实施例中，根据应用场景的实际需求，灵活地设定一指定阈值，以此作为衡量准确率的依据。例如，对精度要求较高的应用场景，则设置较大的指定阈值，对受众用户数量要求较高的应用场景，则设置较小的指定阈值。

如果用户消费数据指示的准确率超过指定阈值，表示针对此用户消费数据对应的用户标签，使得此用户标签所对应的用户群体成为广告的受众用户准确性较好，则跳转执行步骤333。

反之，如果用户消费数据指示的准确率未超过指定阈值，表示针对此用户消费数据对应的用户标签，使得此用户标签所对应的用户群体成为广告的受众用户准确性较差，则忽略此用户消费数据所对应的用户标签。

进一步地，如果准确率通过点击率表示，则指定阈值由点击率表示。或者，如果准确率通过购买率表示，则指定阈值与购买率有关。

步骤333，以用户消费数据对应的用户标签作为受众用户标签。

步骤335，由至少一个受众用户标签生成用户标签集合。

通过上述过程，实现了用户标签集合的生成方案，为后续向广告投放方推荐广告的受众用户提供了准确的依据，进而充分地保障了广告投放的准确率。

请参阅图7，在一示例性实施例中，步骤350可以包括以下步骤：

步骤351，确定预投放广告的广告类型。

步骤353，建立预投放广告的广告类型与用户标签集合之间的索引关系。

应当理解，不同广告类型的广告，所面向的受众用户将有所区别，而对于相同广告类型的广告，所面向的受众用户很可能相似。

由此，本实施例中，针对预投放广告建立与用户标签集合之间的索引关系，实质上是建立预投放广告的广告类型与用户标签集合之间的索引关系。

具体地，确定预投放广告的广告类型，获取为此广告类型配置的类型值；将类型值作为索引的键，将用户标签集合作为索引的键值；将键及其对应的键值存储至索引表，由此完成预投放广告的广告类型与用户标签集合之间索引关系的建立。

其中，类型值唯一地标识广告的广告类型，类型值不同，则广告类型不同。例如，类型值为001，唯一标识的广告类型为玩具类型，类型值为010，唯一标识的广告类型为理财产品类型。

需要说明的是，不同广告类型的类型值是预先配置的，既可以由使用客户端的广告投放方设置，也可以由开发客户端的开发人员设置，本实施例并未对此加以限定。

例如，类型值为001，用户标签集合为{A1,B1,C1}。类型值为010，用户标签集合为{B1,C1}，由此，形成的索引表如下表1所示。

表1索引表

类型值(索引的键)	用户标签集合(索引的键值)
		001	{A1,B1,C1}
010	{B1,C1}

在上述过程中，通过索引关系的建立，提高了广告投放服务的效率，即通过类型值便可从索引表中快速地查找到具有索引关系的用户标签集合，进而推荐给广告投放方，有利于提升广告投放方的广告投放体验。

此外，通过索引表的索引存储功能，方便于任意时刻向广告投放方推荐受众用户群体，进一步有利于提升广告投放方的广告投放体验。

请参阅图8，在一示例性实施例中，步骤370可以包括以下步骤：

步骤371，获取广告投放方欲投放广告的指定广告类型。

步骤373，根据指定广告类型获取具有索引关系的用户标签集合。

步骤375，根据获取到用户标签集合中的受众用户标签确定对应的受众用户群体。

步骤377，向受众用户群体投放指定广告类型的广告。

举例来说，假设广告投放方欲投放玩具类型广告的指定广告类型为001，则由索引表得到的用户标签集合为{A1,B1,C1}。

那么，通过用户标签集合{A1,B1,C1}，即可确定对应的受众用户群体为用户标签A1对应的儿童用户群体、用户标签B1对应的母亲用户群体、用户标签C1对应的父亲用户群体。

在确定受众用户群体之后，便可将此受众用户群体推荐给广告投放方，对于广告投放方而言，即可向此受众用户群体投放玩具类型广告。

通过上述实施例的配合，实现了基于多个用户特征交叉组合的受众用户群体推荐的广告投放方案，实现了精准地面向用户的广告投放。

下述为本发明装置实施例，可以用于执行本发明所涉及的基于大数据分析的广告投放方法。对于本发明装置实施例中未披露的细节，请参照本发明所涉及的基于大数据分析的广告投放方法的方法实施例。

请参阅图9，在一示例性实施例中，一种基于大数据分析的广告投放装置900包括但不限于：数据获取模块910、集合构建模块930、索引建立模块950及广告投放模块970。

其中，数据获取模块910用于针对若干个对应于用户标签的用户群体进行广告预投放，得到对应于用户标签的用户消费数据，用户消费数据用于指示用户标签对应的用户群体对预投放广告的点击率或者购买率。

集合构建模块930用于根据用户消费数据的指示构建用户标签集合，用户标签集合包括至少一个受众用户标签。

索引建立模块950用于建立所投放广告与用户标签集合之间的索引关系。

广告投放模块970用于根据所建立的索引关系为广告投放方提供广告投放服务。

需要说明的是，上述实施例所提供的基于大数据分析的广告投放装置在进行基于大数据分析的广告投放处理时，仅以上述各功能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模块完成，即基于大数据分析的广告投放装置的内部结构将划分为不同的功能模块，以完成以上描述的全部或者部分功能。

另外，上述实施例所提供的基于大数据分析的广告投放装置与基于大数据分析的广告投放方法的实施例属于同一构思，其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。

请参阅图10，在一示例性实施例中，一种基于大数据分析的广告投放装置1000，包括至少一处理器1001、至少一存储器1002、以及至少一通信总线1003。

其中，至少一存储器1002上存储有计算机可读指令，至少一处理器1001通过至少一通信总线1003从至少一存储器1002中读取计算机可读指令。

该计算机可读指令被至少一处理器1001执行时实现上述各实施例中的基于大数据分析的广告投放方法。

在一示例性实施例中，一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各实施例中的基于大数据分析的广告投放方法。

上述内容，仅为本发明的较佳示例性实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。

Claims (10)

1.一种基于大数据分析的广告投放方法，其特征在于，包括：

针对若干个对应于用户标签的用户群体进行广告预投放，得到对应于用户标签的用户消费数据，所述用户消费数据用于指示向用户标签对应的用户群体进行广告预投放的准确率；

根据所述用户消费数据指示的准确率构建用户标签集合，所述用户标签集合包括至少一个受众用户标签；

建立预投放广告与用户标签集合之间的索引关系；

根据所建立的索引关系为广告投放方提供广告投放服务。

2.如权利要求1所述的方法，其特征在于，所述针对若干个对应于用户标签的用户群体进行广告预投放，得到对应于用户标签的用户消费数据，包括：

遍历若干个用户群体，针对遍历到的用户群体进行广告预投放；

统计遍历到的用户群体对预投放广告的点击率或者购买率；

将统计得到的点击率或者购买率作为用户标签对应的用户消费数据，所述用户标签对应于遍历到的用户群体。

3.如权利要求2所述的方法，其特征在于，所述针对若干个对应于用户标签的用户群体进行广告预投放，得到对应于用户标签的用户消费数据，还包括：

随着广告预投放的持续进行，联动分布式实时计算系统实时计算遍历到用户群体对预投放广告的点击率或者购买率，以实时更新用户标签所对应的用户消费数据。

4.如权利要求1所述的方法，其特征在于，所述根据所述用户消费数据指示的准确率构建用户标签集合，包括：

判断所述用户消费数据指示的准确率是否超过指定阈值；

如果是，则以所述用户消费数据对应的用户标签作为受众用户标签；

由至少一个受众用户标签生成所述用户标签集合。

5.如权利要求1所述的方法，其特征在于，所述建立预投放广告与用户标签集合之间的索引关系，包括：

确定预投放广告的广告类型；

建立预投放广告的广告类型与用户标签集合之间的索引关系。

6.如权利要求1的方法，其特征在于，所述根据所建立的索引关系为广告投放方提供广告投放服务，包括：

获取所述广告投放方欲投放广告的指定广告类型；

根据所述指定广告类型获取具有索引关系的用户标签集合；

根据获取到用户标签集合中的受众用户标签确定对应的受众用户群体；

向所述受众用户群体投放指定广告类型的广告。

7.如权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：

获取用于描述用户特征的用户数据；

调用用户标签模型对所述用户数据进行标签预测，得到用户标签。

8.一种基于大数据分析的广告投放装置，其特征在于，包括：

数据获取模块，用于针对若干个对应于用户标签的用户群体进行广告预投放，得到对应于用户标签的用户消费数据，所述用户消费数据用于指示向用户标签对应的用户群体进行广告预投放的准确率；

集合构建模块，用于根据所述用户消费数据指示的准确率构建用户标签集合，所述用户标签集合包括至少一个受众用户标签；

索引建立模块，用于建立所投放广告与用户标签集合之间的索引关系；

广告投放模块，用于根据所建立的索引关系为广告投放方提供广告投放服务。

9.一种基于大数据分析的广告投放装置，其特征在于，包括：

处理器；及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如权利要求1至7中任一项所述的基于大数据分析的广告投放方法。

10.一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，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于大数据分析的广告投放方法。