CN109784973A - 基于大数据分析的广告投放方法、装置及电子设备 - Google Patents

Abstract

本发明属于大数据技术领域，涉及了一种基于大数据分析的广告投放方法、装置及电子设备，所述基于大数据分析的广告投放方法包括：针对目标广告发生交易行为的用户，获取对应的用户标签；根据获取到的用户标签生成用户群体画像，所述用户群体画像用于指示针对目标广告发生交易行为的用户所对应的用户特征分布；根据所述用户群体画像指示的用户特征分布对待投放用户进行交易预测，得到受众用户群体；向所述受众用户群体投放所述目标广告。采用本发明所提供的基于大数据分析的广告投放方法、装置及电子设备解决了现有技术中针对不同产品所进行的广告投放的准确度不高的问题。

Description

基于大数据分析的广告投放方法、装置及电子设备

技术领域

本发明涉及大数据技术领域，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，该些客户端所进行的广告投放往往是针对至少一个用户标签所对应的用户群体。

应当理解，在广告实际投放过程中，不属于上述用户群体的个别用户也存在着购买所投放广告推荐产品的可能性，然而，由于客户端进行广告投放的时候并未向广告投放方推荐此个别用户，而导致此个别用户被投放广告的概率大大降低，从而造成广告投放的准确度不高。

如果针对个别用户对应的用户标签，将此用户标签对应的用户群体作为受众用户群体，由于仅是此个别用户存在购买产品的可能性，而并非是其所在用户群体中的所有用户都有购买产品的可能性，那么，这将使得广告投放存在过度投放的问题，对于广告投放方而言，并不利于降低成本，进而不利于提升广告投放方的投放体验。

由上可知，如何针对不同产品提高广告投放的准确度仍亟待解决。

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、装置及电子设备。

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：针对目标广告发生交易行为的用户，获取对应的用户标签；根据获取到的用户标签生成用户群体画像，所述用户群体画像用于指示针对目标广告发生交易行为的用户所对应的用户特征分布；根据所述用户群体画像指示的用户特征分布对待投放用户进行交易预测，得到受众用户群体；向所述受众用户群体投放所述目标广告。

第二方面，一种基于大数据分析的广告投放装置，包括：标签获取模块，用于针对目标广告发生交易行为的用户，获取对应的用户标签；画像生成模块，用于根据获取到的用户标签生成用户群体画像，所述用户群体画像用于指示针对目标广告发生交易行为的用户所对应的用户特征分布；交易预测模块，用于根据所述用户群体画像指示的用户特征分布对待投放用户进行交易预测，得到受众用户群体；广告投放模块，用于向所述受众用户群体投放所述目标广告。

在一示例性实施例中，所述标签获取模块包括：用户数据获取单元，用于针对目标广告发生交易行为的用户，获取所述用户的用户数据，所述用户数据用于描述所述用户的用户特征；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，得到所述用户对应的用户标签。

在一示例性实施例中，所述用户数据获取单元包括：第一数据获取子单元，用于获取所述用户的用户行为数据，所述用户行为数据用于指示所述用户针对所述目标广告的交易行为；第二数据获取子单元，用于获取所述用户的用户属性数据，所述用户属性数据用于指示所述用户针对所述目标广告所推荐产品的购买力和/或偏好；向量表示子单元，用于将所述用户行为数据和用户属性数据进行向量表示，分别得到第一向量和第二向量；向量拼接子单元，用于由所述第一向量和第二向量拼接得到所述用户的用户数据。

在一示例性实施例中，所述装置还包括模型创建模块，所述模型创建模块包括：训练数据获取单元，用于获取训练数据，所述训练数据进行了用户标签标注；模型训练单元，用于根据所述训练数据对指定数学模型进行模型训练；模型收敛单元，用于当所述模型训练完成，所述指定数学模型收敛为所述用户标签模型。

在一示例性实施例中，所述画像生成模块包括：标签聚类单元，用于将获取到的用户标签进行聚类，得到用户标签所属的若干类别；画像绘制单元，用于根据用户标签所属的若干类别绘制用户特征分布，得到所述用户群体画像。

在一示例性实施例中，所述购买力预测模块包括：标签获取单元，用于获取所述待投放用户对应的用户标签；类别确定单元，用于通过聚类确定对应于所述待投放用户的用户标签所属类别；类别判断单元，用于判断所确定类别是否在所述用户群体画像指示的用户特征分布之内；用户添加单元，用于如果是，则将所述待投放用户作为受众用户，添加至所述受众用户群体。

在一示例性实施例中，所述装置还包括计划生成模块，所述计划生成模块包括：类型标识配置单元，用于确定目标广告的广告类型，为所述广告类型配置类型标识；群体标识配置单元，用于为所述受众用户群体配置群体标识；标识关联存储单元，用于将所述类型标识与群体标识关联存储，得到广告投放计划，以通过所述广告投放计划为广告投放方提供广告投放服务。

第三方面，一种电子设备，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，针对目标广告发生交易行为的用户，获取对应的用户标签，以根据获取到的用户标签生成用户群体画像，进而根据用户群体画像指示的针对目标广告发生交易行为的用户所对应的用户特征分布来预测待投放用户的交易可能性，得到受众用户群体，并向此受众用户群体投放目标广告，也就是说，对于每一个待投放用户，都针对目标广告进行了交易预测，避免目标广告投放时有所遗漏，以此来保证广告投放的准确率。

此外，即使是属于同一用户群体的两个待投放用户，根据预测的交易可能性也未必都进行目标广告的投放，避免广告过度投放的问题，不仅有利于降低成本，而且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5对应实施例中步骤311在一个实施例的流程图。

图7是图3对应实施例中步骤330在一个实施例的流程图。

图8是图3对应实施例中步骤350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另一种基于大数据分析的广告投放方法的流程图。

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框图。

图11是根据一示例性实施例示出的一种电子设备的硬件结构框图。

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和服务端130。

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。

对于服务端130，可以是一台服务器，也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。

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，针对目标广告发生交易行为的用户，获取对应的用户标签。

首先，目标广告，是指广告投放方已面向用户投放的广告。

那么，被投放目标广告的用户，针对此目标广告，则可能存在各种交易行为。交易行为包括但不限于：单次购买行为、多次点击行为、多次浏览行为、多次分享行为、多次查看行为等等。

在此说明的是，购买行为是指用户购买了目标广告所推荐的产品，即实际发生了交易，视为交易行为。而对于点击行为而言，并非实际发生了交易，然而，多次点击行为则表示此用户购买此目标广告所推荐产品的可能性很大，故而，本实施例将多次点击行为也视为交易行为，同理于多次浏览行为、多次分享行为、多次查看行为。

进一步补充说明的是，将点击行为视为交易行为所需要的次数，可根据应用场景的实际需求而灵活地调整，例如，对精确度要求较高的应用场景中，设置较大的次数。同理于将浏览行为、分享行为、查看行为视为交易行为所需要的次数，在此不重复描述。

由上可知，针对目标广告发生交易行为的用户，是指购买了目标广告所推荐产品的用户，或者，多次点击、多次浏览、多次分享、多次查看目标广告的用户。

其次，用户标签，用于唯一地标识用户的某种用户特征。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。

可以理解，同一用户，可以存在不同的用户标签，即同一用户具有多种用户特征。类似地，同一用户标签，也可以对应于不同用户，即不同用户具有不同的用户特征。

由此，针对目标广告发生交易行为的用户，所对应的用户标签，实质上反映了针对目标广告发生交易行为的一群用户的用户特征。

那么，利用此用户标签去预测待投放用户针对目标广告发生交易行为的可能性，将极有利于后续提升广告投放的准确率。

步骤330，根据获取到的用户标签生成用户群体画像，所述用户群体画像用于指示针对目标广告发生交易行为的用户所对应的用户特征分布。

可以理解，对于目标广告而言，发生交易行为的用户可能很多，相应地，获取到的用户标签不止一个，也可以理解为，发生交易行为的很多用户所具有的用户特征不止一种。

那么，针对发生交易行为的用户来说，可能是具有某一种用户特征的用户发生交易行为的次数较多，而具有某一种用户特征的用户发生交易行为的次数较少。

因此，用户群体画像，实质上反映了针对目标广告发生交易行为的用户所对应的用户特征分布。

也就是说，通过用户群体画像，即可获知具有哪一种用户特征的用户针对目标广告发生交易行为的次数多，而具有哪一种用户特征的用户针对目标广告发生交易行为的次数少。

举例来说，针对发生交易行为的用户A和用户B，假设用户A所具有的用户特征包括C1和C2，而用户B所具有的用户特征包括C1和C3，那么，由此形成的用户群体画像，即反映了具有用户特征C1的用户针对目标广告发生交易行为的次数多(2次)，而具有用户特征C2或者C3的用户针对目标广告发生交易行为的次数少(1次)。

进一步地，用户群体画像指示的用户特征分布，可以通过数字集合表示，也可以通过曲线表示，本实施例并未对此加以限定。

例如，用户群体画像指示的用户特征分布表示为{C1:2,C2:1,C3:1}，表示具有用户特征C1的用户针对目标广告发生交易行为的次数为2次，而具有用户特征C2或者C3的用户针对目标广告发生交易行为的次数为1次。

又或者，将用户特征作为横坐标，将次数作为纵坐标，以此绘制用户特征分布，即得到用户群体画像。

步骤350，根据所述用户群体画像指示的用户特征分布对待投放用户进行交易预测，得到受众用户群体。

交易预测，实质上是判断待投放用户的用户特征是否落入用户群体画像指示的用户特征分布。如果是，则表明待投放用户针对目标广告发生交易行为的可能性很大，反之，如果否，则表明待投放用户针对目标广告发生交易行为的可能性较小。

仍以上述例子进行说明，假设待投放用户C，其所具有的用户特征包括C1。

那么，通过交易预测，待投放用户C的用户特征C1落入用户群体画像指示的用户特征分布{C1:2,C2:1,C3:1}，即表明待投放用户C针对目标广告发生交易行为的可能性很大，则待投放用户C视为受众用户，添加至受众用户群体。

步骤370，向所述受众用户群体投放所述目标广告。

通过如上所述的过程，实现了面向产品精准推荐受众用户的广告投放方案，即针对产品，利用已发生交易行为的用户来预测待投放用户发生交易行为的可能性，不仅避免广告投放时的遗漏，充分地保证广告投放的准确率，而且能够避免广告过度投放，有利于提升广告投放方的广告投放体验。

请参阅图4，在一示例性实施例中，步骤310可以包括以下步骤：

步骤311，针对目标广告发生交易行为的用户，获取所述用户的用户数据，所述用户数据用于描述所述用户的用户特征。

如前所述，用户标签用于唯一地标识用户的某种用户特征。那么，为了获取用户对应的用户标签，首先需要获知用户的用户特征，以便于由此用户特征得到用户标签。

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有所不同，则用户数据也各不相同。故而，通过用户的用户数据，即可获知由此用户数据所唯一标识的用户特征

步骤313，调用用户标签模型对用户数据进行标签预测，得到用户对应的用户标签。

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标签的概率，则概率最大的用户标签即视为预测得到的用户标签。

例如，假设用户标签包括A1、B1。

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

具体地，如图5所示，用户标签模型的创建过程可以包括以下步骤：

步骤410，获取训练数据，所述训练数据进行了用户标签标注。

步骤430，根据所述训练数据对指定数学模型进行模型训练。

步骤450，当所述模型训练完成，所述指定数学模型收敛为所述用户标签模型。

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。

待模型训练完毕，指定数学模型收敛为用户标签模型。

由上可知，用户标签模型，实质反映了用户的用户数据与用户标签之间的数学映射关系。那么，基于用户标签模型，即可由用户的用户数据预测得到相应的用户标签。

请参阅图6，在一示例性实施例中，步骤311可以包括以下步骤：

步骤3111，获取所述用户的用户行为数据，所述用户行为数据用于指示所述用户针对所述目标广告的交易行为。

步骤3113，获取所述用户的用户属性数据，所述用户属性数据用于指示所述用户针对所述目标广告所推荐产品的购买力和/或偏好。

对于服务端而言，用户的用户行为数据和用户属性数据均是由用户所在客户端生成并上报的。

上报，可以是用户所在客户端主动上报，也可以是响应服务端下发的上报指令进行上报，在此不进行限定。

下面针对用户所在客户端，对用户的用户行为数据和用户属性数据的生成过程加以说明。

1.1、监听用户所在客户端中针对所投放目标广告触发进行的操作，生成用户的用户行为数据。

操作包括目标广告浏览、目标广告点击、目标广告关闭、目标广告分享、购买目标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目标广告的浏览行为、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目标广告进行的不同行为。

进一步地，行为包括交易行为和非交易行为。

如前所述，交易行为包括单次购买行为、不小于次数阈值的多次浏览行为、多次点击行为、多次分享行为等，相应地，非交易行为包括小于次数阈值的浏览行为、点击行为、分享行为、关闭行为等。

由此，本实施例中，用户所在客户端仅上报用于指示用户针对目标广告的交易行为的用户行为数据至服务端进行存储。

那么，对于服务端而言，便可从存储器中读取到用户的用户行为数据，此用户行为数据指示了用户针对目标广告的交易行为。

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目标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目标广告而言，更适合面向用户属性数据指示购买力较强的用户投放。

同理，对于服务端而言，在用户所在客户端上报用户属性数据至服务端进行存储之后，便可从存储器中读取到用户的用户属性数据。

步骤3115，将所述用户行为数据和用户属性数据进行向量表示，分别得到第一向量和第二向量。

首先，用户行为数据通过向量形式进行表示，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，针对目标广告查看操作，用户行为数据可以表示为{0,10:00}。其中，行为标识0用于表示目标广告查看操作，目标广告查看操作的操作发生时间为10:00。

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

进一步地，对操作发生时间进一步转化，由十进制向量表示转化为二进制向量表示。

例如，对用户行为数据所表示{1,12:00}进一步转化，即将十进制向量表示的12:00转化为二进制01100000000表示，得到第一向量[1,0,1,1,0,0,0,0,0,0,0,0]。

其次，用户属性数据也是通过向量形式加以表示，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：第二向量[0,0,1,0,0,0,1,0,0,0,0,1]。

步骤3117，由所述第一向量和第二向量拼接得到所述用户的用户数据。

仍以上述例子进行说明，用户行为数据的向量表示为第一向量[1,0,1,1,0,0,0,0,0,0,0,0]，用户属性数据的向量表示为第二向量[0,0,1,0,0,0,1,0,0,0,0,1]。

然后，将第一向量与第二向量进行拼接，则此用户的用户数据表示为[1,0,1,1,0,0,0,0,0,0,0,0,0,0,1,0,0,0,1,0,0,0,0,1]。

在上述实施例的作用下，为用户标签的预测提供了数据依据，以此保证用户标签预测的准确性，进而有利于保证后续广告投放的准确率。

请参阅图7，在一示例性实施例中，步骤330可以包括以下步骤：

步骤331，将获取到的用户标签进行聚类，得到用户标签所属的若干类别。

聚类，是指将属于同一类别的用户标签聚合，进而得到聚合的用户标签所属的类别。

在一实施例的具体实现中，通过狄利克雷混合模型实现对获取到用户标签的聚类。

具体而言，以获取到的用户标签作为狄利克雷混合模型的输入，通过狄利克雷混合模型对用户标签进行聚类，输出得到用户标签所属的若干类别。

在此说明的是，如果输入至狄利克雷混合模型中的用户标签有且只有一个，则输出得到的是此用户标签所属的类别，而本实施例中，输入至狄利克雷混合模型中的用户标签有多个，故而，输出得到的是多个用户标签所属的若干类别。

也就是说，不同的用户标签，所属的类别可以相同，也可以有所区别。

步骤333，根据用户标签所属的若干类别绘制用户特征分布，得到所述用户群体画像。

如前所述，用户特征分布的绘制，可以是通过数据集合进行，还可以通过曲线表示。

举例来说，用户群体画像指示的用户特征分布表示为{D1:2,D2:1,D3:1}，表示用户特征C1所属的类别为D1，具有用户特征C1的用户针对目标广告发生交易行为的次数为2次，而用户特征C2所属的类别为D2，用户特征C3所属的类别为D3，具有用户特征C2或者C3的用户针对目标广告发生交易行为的次数为1次。

又或者，将用户特征所属类别作为横坐标，将具有用户特征的用户针对目标广告发生交易行为的次数作为纵坐标，以此绘制用户特征分布，得到用户群体画像。

通过上述过程，实现了用户群体画像的生成方案，为后续向广告投放方推荐目标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8，在一示例性实施例中，步骤350可以包括以下步骤：

步骤351，获取所述待投放用户对应的用户标签。

关于待投放用户对应的用户标签的获取方式，与前述针对目标广告发生交易行为的用户所对应用户标签的获取方式基本一致，区别仅在于待投放用户的用户数据是针对其他广告发生交易行为时生成的，此处不再重复描述。

步骤353，通过聚类确定对应于所述待投放用户的用户标签所属类别。

本实施例中，聚类，通过狄利克雷混合模型实现。

具体地，以待投放用户的用户标签作为狄利克雷混合模型的输入，通过狄利克雷混合模型对此用户标签进行聚类，输出得到此用户标签所属的类别。

步骤355，判断所确定类别是否在所述用户群体画像指示的用户特征分布之内。

如果是，表明待投放用户针对目标广告发生交易行为的可能性较大，则跳转执行步骤357。

反之，如果否，表明待投放用户针对目标广告发生交易行为的可能性较小，则忽略此待投放用户，继续对下一个待投放用户进行交易预测，即返回执行步骤351。

进一步地，针对用户群体画像中分布的用户特征，根据具有此用户特征的用户针对目标广告发生交易行为的次数配置权重系数，以结合权重系数执行步骤355。

仍以前述例子进行说明，假设待投放用户C，其所具有的用户特征包括C1和C3，分别所属类别为D1和D3。

进一步假设，用户群体画像指示的用户特征分布为{D1:2,D2:1,D3:1}，那么，针对用户特征D1、D2、D3，所配置的权重系数分别是2/(2+1+1)＝0.5、1/(2+1+1)＝0.25、1/(2+1+1)＝0.25。

由此，结合权重系数，所确定类别在用户群体画像指示的用户特征分布之内的概率为0.5+0.25＝0.75，假设判别阈值为0.7，由于0.75>0.7，则判定所确定类别在用户群体画像指示的用户特征分布之内。

其中，判别阈值可根据应用场景的实际需求灵活地设置，例如，对精准度要求较高的应用场景，可设置较大的判别阈值，本实施例并非对此构成限定。

步骤357，将所述待投放用户作为受众用户，添加至所述受众用户群体。

可以理解，待投放用户可以是海量的，那么，针对所有待投放用户进行交易预测，针对目标广告发生交易行为可能性较大的所有待投放用户，即形成针对此目标广告的受众用户群体。

请参阅图9，在一示例性实施例中，如上所述的方法还可以包括以下步骤：

步骤510，确定目标广告的广告类型，为所述广告类型配置类型标识。

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，为不同广告类型的广告定制关联的广告投放计划。

首先，确定预投放广告的广告类型，为此广告类型配置类型标识。

其中，类型标识唯一地标识广告的广告类型，类型标识不同，则广告类型不同。例如，类型标识为001，唯一标识的广告类型为玩具类型，类型标识为010，唯一标识的广告类型为理财产品类型。

步骤530，为所述受众用户群体配置群体标识。

同理于类型标识，群体标识用于唯一地标识受众用户群体，群体标识不同，则受众用户群体不同。例如，群体标识为a1，唯一标识的受众用户群体为儿童用户群体、父亲用户群体和母亲用户群体的组合，群体标识为a2，唯一标识的受众用户群体为父亲用户群体和母亲用户群体的组合。

步骤550，将所述类型标识与群体标识关联存储，得到广告投放计划，以通过所述广告投放计划为广告投放方提供广告投放服务。

广告投放计划，可以通过存储器、链表、数组、索引表等形式存储于服务端，本实施例并未对此加以限定。

举例来说，类型标识为001，群体标识为a1。类型标识为010，群体标识为a2，由此，形成的索引表形式的广告投放计划如下表1所示。

表1索引表形式的广告投放计划

类型标识	群体标识	受众用户
			001	a1	a11\a12\a13\...\b11\b12\b13\...\c11\c12…
010	a2	b11\b12\...\c11\c13…

其中，a1_i表示不同的儿童用户，b1_i表示不同的父亲用户，c1_i表示不同的母亲用户，i为正整数。

在上述过程中，通过广告投放计划的定制，提高了广告投放服务的效率，即通过广告投放集合可快速地查找到广告类型所关联的受众用户群体，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，通过广告投放计划的定制，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。

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900包括但不限于：标签获取模块910、画像生成模块930、交易预测模块950及广告投放模块970。

其中，标签获取模块910用于针对目标广告发生交易行为的用户，获取对应的用户标签。

画像生成模块930用于根据获取到的用户标签生成用户群体画像，所述用户群体画像用于指示针对目标广告发生交易行为的用户所对应的用户特征分布。

交易预测模块950用于根据所述用户群体画像指示的用户特征分布对待投放用户进行交易预测，得到受众用户群体。

广告投放模块970用于向所述受众用户群体投放所述目标广告。

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11，在一示例性实施例中，一种电子设备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：

针对目标广告发生交易行为的用户，获取对应的用户标签；

根据获取到的用户标签生成用户群体画像，所述用户群体画像用于指示针对目标广告发生交易行为的用户所对应的用户特征分布；

根据所述用户群体画像指示的用户特征分布对待投放用户进行交易预测，得到受众用户群体；

向所述受众用户群体投放所述目标广告。

2.如权利要求1所述的方法，其特征在于，所述针对目标广告发生交易行为的用户，获取对应的用户标签，包括：

针对目标广告发生交易行为的用户，获取所述用户的用户数据，所述用户数据用于描述所述用户的用户特征；

调用用户标签模型对所述用户数据进行标签预测，得到所述用户对应的用户标签。

3.如权利要求2所述的方法，其特征在于，所述针对目标广告发生交易行为的用户，获取所述用户的用户数据，包括：

获取所述用户的用户行为数据，所述用户行为数据用于指示所述用户针对所述目标广告的交易行为；

获取所述用户的用户属性数据，所述用户属性数据用于指示所述用户针对所述目标广告所推荐产品的购买力和/或偏好；

将所述用户行为数据和用户属性数据进行向量表示，分别得到第一向量和第二向量；

由所述第一向量和第二向量拼接得到所述用户的用户数据。

4.如权利要求2所述的方法，其特征在于，所述调用用户标签模型对所述用户数据进行标签预测，得到所述用户对应的用户标签之前，所述方法还包括：

获取训练数据，所述训练数据进行了用户标签标注；

根据所述训练数据对指定数学模型进行模型训练；

当所述模型训练完成，所述指定数学模型收敛为所述用户标签模型。

5.如权利要求1所述的方法，其特征在于，所述根据获取到的用户标签生成用户群体画像，包括：

将获取到的用户标签进行聚类，得到用户标签所属的若干类别；

根据用户标签所属的若干类别绘制用户特征分布，得到所述用户群体画像。

6.如权利要求1所述的方法，其特征在于，所述根据所述用户群体画像指示的用户特征分布对待投放用户进行交易预测，得到受众用户群体，包括：

获取所述待投放用户对应的用户标签；

通过聚类确定对应于所述待投放用户的用户标签所属类别；

判断所确定类别是否在所述用户群体画像指示的用户特征分布之内；

如果是，则将所述待投放用户作为受众用户，添加至所述受众用户群体。

7.如权利要求1至6任一项所述的方法，其特征在于，所述根据所述用户群体画像指示的用户特征分布对待投放用户进行交易预测，得到受众用户群体之后，所述方法还包括：

确定目标广告的广告类型，为所述广告类型配置类型标识；

为所述受众用户群体配置群体标识；

将所述类型标识与群体标识关联存储，得到广告投放计划，以通过所述广告投放计划为广告投放方提供广告投放服务。

8.一种基于大数据分析的广告投放装置，其特征在于，包括：

标签获取模块，用于针对目标广告发生交易行为的用户，获取对应的用户标签；

画像生成模块，用于根据获取到的用户标签生成用户群体画像，所述用户群体画像用于指示针对目标广告发生交易行为的用户所对应的用户特征分布；

交易预测模块，用于根据所述用户群体画像指示的用户特征分布对待投放用户进行交易预测，得到受众用户群体；

广告投放模块，用于向所述受众用户群体投放所述目标广告。

9.一种电子设备，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。