CN111210274A - 一种广告推荐方法及系统 - Google Patents
一种广告推荐方法及系统 Download PDFInfo
- Publication number
- CN111210274A CN111210274A CN202010009704.0A CN202010009704A CN111210274A CN 111210274 A CN111210274 A CN 111210274A CN 202010009704 A CN202010009704 A CN 202010009704A CN 111210274 A CN111210274 A CN 111210274A
- Authority
- CN
- China
- Prior art keywords
- trained
- data
- user
- similarity
- advertisement
- 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
Images
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
- 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
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种广告推荐方法及系统,通过首先确定第一广告的产品以及该产品的第一用户集合,之后基于第一用户集合的相关数据确定与该第一用户集合的相关数据满足相似度要求的至少包含待训练数据的待训练用户,从而实现基于产品的受众为相似的用户推荐该产品的广告,实现了定向推荐,提高了广告的推广效果;并且,本方案中是通过多种模型进行训练确定相似度的,提高了相似度确定的准确性。
Description
技术领域
本申请涉及控制领域,尤其涉及一种广告推荐方法及系统。
背景技术
目前广告推荐通常采用随机推荐的方式,例如:在通过网页观看视频时,网页在播放视频之前,通常会首先播放一段广告,该广告是随机播放的,这就会出现有些用户对这些广告不感兴趣,这就造成虽然有广告播放,但是对广告中的产品推广并没有产生什么积极效果。
发明内容
有鉴于此,本申请提供一种广告推荐方法及系统,其具体方案如下:
一种广告推荐方法,包括:
确定第一广告对应的第一产品,以及所述第一产品的第一用户集合;
确定所述第一用户集合的不少于一个相关数据,所述不少于一个相关数据至少包括以下一种:用户基本数据,或,用户行为数据;
基于所述不少于一个相关数据,通过不少于两种模型对待训练数据进行模型训练,确定所述待训练数据针对所述不少于两种模型的训练结果;
基于所述待训练数据针对所述不少于两种模型的训练结果确定至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度;
基于所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度确定是否为所述至少包含所述待训练数据的待训练用户推荐所述第一广告。
进一步的,所述基于所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度确定是否为所述至少包含所述待训练数据的待训练用户推荐所述第一广告,包括:
确定所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度是否达到第一阈值;
若达到第一阈值,则确定为所述至少包含所述待训练数据的待训练用户推荐所述第一广告。
进一步的,所述若达到第一阈值,则确定为所述至少包含所述待训练数据的待训练用户推荐所述第一广告,包括:
若达到第一阈值,则确定为所述至少包含所述待训练数据的待训练用户推荐所述第一广告,以及,确定为所述至少包含所述待训练数据的待训练用户推荐与所述第一产品的相似度达到第二阈值的产品的广告。
进一步的,还包括:
若满足第一条件,在确定所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度达到第三阈值时,确定为所述相似度达到第三阈值的所述至少包含所述待训练数据的待训练用户推荐所述第一广告,其中,所述第三阈值小于所述第一阈值。
进一步的,所述满足第一条件,包括:
相似度达到第一阈值的至少包含待训练数据的待训练用户的数量不满足预设条件。
进一步的,所述基于所述待训练数据针对所述不少于两种模型的训练结果确定至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度,包括:
基于所述待训练数据针对所述不少于两种模型中每一种模型进行训练得到的训练结果,确定每一种模型针对的训练结果得到的相似度数值;
基于所述每一种模型针对的训练结果得到的相似度数值确定针对所述不少于两种模型的总相似度数值,以便基于所述总相似度数值确定是否为所述至少包含所述待训练数据的待训练用户推荐所述第一广告。
一种广告推荐系统,包括:
第一确定单元,用于确定第一广告对应的第一产品,以及所述第一产品的第一用户集合;
第二确定单元,用于确定所述第一用户集合的不少于一个相关数据,所述不少于一个相关数据至少包括以下一种:用户基本数据,或,用户行为数据;
第三确定单元,用于基于所述不少于一个相关数据,通过不少于两种模型对待训练数据进行模型训练,确定所述待训练数据针对所述不少于两种模型的训练结果;
第四确定单元,用于基于所述待训练数据针对所述不少于两种模型的训练结果确定至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度;
第五确定单元,用于基于所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度确定是否为所述至少包含所述待训练数据的待训练用户推荐所述第一广告。
进一步的,所述第五确定单元用于:
确定所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度是否达到第一阈值;若达到第一阈值,则确定为所述至少包含所述待训练数据的待训练用户推荐所述第一广告。
进一步的,所述第五确定单元用于在达到第一阈值时,确定为所述至少包含所述待训练数据的待训练用户推荐所述第一广告,包括:
所述第五确定单元用于在达到第一阈值时,确定为所述至少包含所述待训练数据的待训练用户推荐所述第一广告,以及,确定为所述至少包含所述待训练数据的待训练用户推荐与所述第一产品的相似度达到第二阈值的产品的广告。
进一步的,所述第五确定单元还用于:
若满足第一条件,在确定所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度达到第三阈值时,确定为所述相似度达到第三阈值的所述至少包含所述待训练数据的待训练用户推荐所述第一广告,其中,所述第三阈值小于所述第一阈值。
从上述技术方案可以看出,本申请公开的广告推荐方法及系统,确定第一广告对应的第一产品以及第一产品的第一用户集合,确定第一用户集合的不少于一个相关数据,基于不少于一个相关数据,通过不少于两种模型对待训练数据进行模型训练,确定待训练数据针对不少于两种模型的训练结果,基于待训练数据针对不少于两种模型的训练结果确定至少包含待训练数据的待训练用户与第一用户集合的相似度,基于至少包含待训练数据的待训练用户与第一用户集合的相似度确定是否为至少包含待训练数据的待训练用户推荐第一广告。本方案通过首先确定第一广告的产品以及该产品的第一用户集合,之后基于第一用户集合的相关数据确定与该第一用户集合的相关数据满足相似度要求的至少包含待训练数据的待训练用户,从而实现基于产品的受众为相似的用户推荐该产品的广告,实现了定向推荐,提高了广告的推广效果;并且,本方案中是通过多种模型进行训练确定相似度的,提高了相似度确定的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1为本申请实施例公开的一种广告推荐方法的流程图;
图2为本申请实施例公开的一种广告推荐方法的流程图;
图3为本申请实施例公开的一种广告推荐系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,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。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本申请公开了一种广告推荐方法,其流程图如图1所示,包括:
步骤S11、确定第一广告对应的第一产品,以及第一产品的第一用户集合;
当有某一个广告需要被投放时,首先确定该广告对应的产品,之后确定该产品的用户集合。
其中,第一产品的第一用户集合,是指根据用户行为数据确定的已购买或使用过该第一产品的用户的集合,或者,还可以包括:根据用户行为数据确定对该第一产品的关注度达到某一个数值的用户的集合。
其中,确定对第一产品的关注度达到某一个数值,具体可以通过确定用户在某一段时间内通过购物网站或搜索引擎搜索过第一产品或与第一产品相关的信息达到一定的次数;或者,在某一段时间内多次提到第一产品或与第一产品相关的信息,多次提到是指历史聊天记录中出现过第一产品或与第一产品相关的信息。
步骤S12、确定第一用户集合的不少于一个相关数据,不少于一个相关数据至少包括以下一种:用户基本数据,或,用户行为数据;
第一用户集合的不少于一个相关数据是指能够表明第一用户集合中用户特征的数据,其中,用户基本数据是指用户的基本情况信息,如:性别、年龄、兴趣爱好、消费水平等;用户行为数据是指用户所做过的历史行为,如:购买记录、搜索记录、聊天记录等。
确定能够表明第一用户集合中用户特征的数据是为了能够为与该用户的特征相似的其他用户推荐第一产品的第一广告。
步骤S13、基于不少于一个相关数据,通过不少于两种模型对待训练数据进行模型训练,确定待训练数据针对不少于两种模型的训练结果;
确定不少于两种训练模型,不少于两种训练模型都是用于基于用户特征确定用户之间的相似度的模型,如:梯度下降树gbdt学习算法,极端梯度提升XGBoost学习算法,因子分解FM算法等多种模型算法。
采用不同的训练模型对同一组数据进行模型训练,之后得到训练结果,基于对同一组数据进行训练得到的多个结果可以确定一个更准确的训练结果进行输出,使得模型训练的结果更为准确。
基于不少于一个相关数据,通过不少于两种模型对待训练数据进行模型训练,即将不少于一个相关数据,分别代入不少于两种模型中的每一种模型中进行模型训练,从而得到与训练模型的数量相同的训练结果,训练结果即表明第一用户集合的不少于一个相关数据与待训练数据之间的相似度,其可以为具体的相似度数值,也可以为相似或不相似的结果。
步骤S14、基于待训练数据针对不少于两种模型的训练结果确定至少包含待训练数据的待训练用户与第一用户集合的相似度;
通过多个训练模型对一组待训练数据进行训练得到训练结果,并对这多个训练结果进行统计分析,从而得到一个最终的结果,该最终结果即表明待训练数据与不少于一个相关数据是否相似,或者,相似度是否达到某一个具体的数值。
具体的,基于待训练数据针对不少于两种训练模型中每一种模型进行训练得到的训练结果,确定每一种训练模型针对的训练结果得到的相似度数值;基于每一种训练模型针对的训练结果得到的相似度数值确定针对不少于两种模型的总相似度数值,以便基于总相似度数值确定是否为至少包含待训练数据的待训练用户推荐第一广告。
总相似度数值可以为:通过将得到的多个训练结果对应的相似度数值进行平均计算,从而得到一个平均值,将该平均值确定为总相似度数值;也可以为:确定得到的多个训练结果对应的相似度数值中大于某一个具体数值的数量,如果该数量满足比例条件,则确定为相似度高,否则确定为相似度低,其中,比例条件为:得到的相似度数值中大于某一个具体数值的数量与总的训练结果的数量之间的比值达到某一个具体比例值。
另外,其确定的可以为待训练数据与不少于一个相关数据之间的相似度。在这一基础上,还可以为:若待训练用户至少包含待训练数据,并且,待训练数据占待训练用户的相关数据的比例达到特定值,就将待训练数据与不少于一个相关数据之间的相似度确定为待训练数据对应的待训练用户与不少于一个相关数据对应的第一用户集合之间的相似度。
步骤S15、基于至少包含待训练数据的待训练用户与第一用户集合的相似度确定是否为至少包含待训练数据的待训练用户推荐第一广告。
如果至少包含待训练数据的待训练用户与第一用户集合的相似度满足条件,则为至少包含待训练数据的待训练用户推荐第一广告。
具体的,可以为:如果至少包含待训练数据的待训练用户与第一用户集合的相似度结果为相似,则为至少包含待训练数据的待训练用户推荐第一广告;如果至少包含待训练数据的待训练用户与第一用户集合的相似度结果为不相似,则不为至少包含待训练数据的待训练用户推荐第一广告。
进一步的,还可以为:
确定至少包含待训练数据的待训练用户与第一用户集合的相似度是否达到第一阈值;如果达到第一阈值,则确定为至少包含待训练数据的待训练用户推荐第一广告;如果未达到第一阈值,则不为至少包含待训练数据的待训练用户推荐第一广告。
进一步的,还可以包括:若达到第一阈值,则在为该待训练用户推荐第一广告的同时,还可以为待训练用户推荐与第一产品的相似度达到第二阈值的产品的广告。
若确定至少包含待训练数据的待训练用户与第一用户结合的相似度达到第一阈值,则确定第一产品的特征,查找与第一产品的相似度达到第二阈值的第二产品,之后确定第二产品的第二广告,在为待训练用户播放第一广告,推荐第一产品之后,播放第二广告,推荐第二产品;或者,在为待训练用户播放第一广告,推荐第一产品之后,间隔固定时长,播放第二广告,推荐第二产品。
另外,还可以包括:在确定至少包含待训练数据的待训练用户与第一用户集合的相似度达到第一阈值,则为待训练用户推荐第一用户集合的其他产品。
其中,第一用户集合的其他产品,可以为:第一用户集合中的用户购买或使用或关注过的产品。
具体的,可以为:从第一用户集合的用户行为数据中查找集合中的所有用户购买或使用或关注过的产品,确定其中出现频率高于某一频率值的产品,将该产品推荐给待训练用户,即为待训练用户播放该产品的广告。
本实施例公开的广告推荐方法,确定第一广告对应的第一产品以及第一产品的第一用户集合,确定第一用户集合的不少于一个相关数据,基于不少于一个相关数据,通过不少于两种模型对待训练数据进行模型训练,确定待训练数据针对不少于两种模型的训练结果,基于待训练数据针对不少于两种模型的训练结果确定至少包含待训练数据的待训练用户与第一用户集合的相似度,基于至少包含待训练数据的待训练用户与第一用户集合的相似度确定是否为至少包含待训练数据的待训练用户推荐第一广告。本方案通过首先确定第一广告的产品以及该产品的第一用户集合,之后基于第一用户集合的相关数据确定与该第一用户集合的相关数据满足相似度要求的至少包含待训练数据的待训练用户,从而实现基于产品的受众为相似的用户推荐该产品的广告,实现了定向推荐,提高了广告的推广效果;并且,本方案中是通过多种模型进行训练确定相似度的,提高了相似度确定的准确性。
本实施例公开了一种广告推荐方法,其流程图如图2所示,包括:
步骤S21、确定第一广告对应的第一产品,以及第一产品的第一用户集合;
步骤S22、确定第一用户集合的不少于一个相关数据,不少于一个相关数据至少包括以下一种:用户基本数据或用户行为数据;
步骤S23、基于不少于一个相关数据,通过不少于两种模型对待训练数据进行模型训练,确定待训练数据针对不少于两种模型的训练结果;
步骤S24、基于待训练数据针对不少于两种模型的训练结果确定至少包含待训练数据的待训练用户与第一用户集合的相似度;
步骤S25、确定至少包含待训练数据的待训练用户与第一用户集合的相似度是否达到第一阈值;
步骤S26、若达到第一阈值,则确定为至少包含待训练数据的待训练用户推荐第一广告;
步骤S27、若满足第一条件,在确定至少包含待训练数据的待训练用户与第一用户集合的相似度达到第三阈值时,确定为相似度达到第三阈值的至少包含待训练数据的待训练用户推荐第一广告,其中,第三阈值小于第一阈值。
当相似度达到第一阈值时,为至少包含待训练数据的待训练用户推荐第一广告,在满足第一条件的情况下,则降低相似度的判断基准,即将第一阈值降低至第三阈值,只要相似度能够达到第三阈值,就为相似度达到第三阈值的这些至少包含待训练数据的待训练用户推荐第一广告。
其中,满足第一条件可以为:相似度达到第一阈值的至少包含待训练数据的待训练用户的数量不满足预设条件。
当同时对多个待训练用户的待训练数据进行训练时,若确定相似度达到第一阈值的至少包含待训练数据的待训练用户的数量较少,不满足预设的数量,则需要降低相似度的数值基准,以使第一广告推送的次数满足条件,即第一广告推送的次数达到预设数量的次数。
例如:若第一用户集合的不少于一个相关数据为:20-30岁,女性,兰蔻化妆品用户,若通过模型训练确定最终与不少于一个相关数据的相似度达到第一阈值的待训练用户数量较少,则将相似度的基准确定为第三阈值,其中,第一阈值为:20-30岁,女性,兰蔻化妆品用户,第三阈值为:20-30岁,女性,兰蔻化妆品用户或关注兰蔻化妆品的用户,这就使得满足条件的用户数量增多,从而可以为较多的用户推荐相关的广告。
进一步的,在通过第一产品的第一用户集合的不少于一个相关数据进行相似度训练,从而将待训练用户确定为目标用户,为其推荐第一广告的基础上,还可以包括:
预先设置负样本集合,其中,负样本集合中包括:明确表示不接受第一产品推荐的第二用户集合的至少一个相关数据;
在进行正样本相似度分析之后,再进行负样本集合的相似度分析,其中,正样本相似度分析,即将待训练数据与第一产品的第一用户集合的不少于一个相关数据进行的相似度分析。
负样本集合的相似度分析可以为:
确定至少包含待训练数据的待训练用户与第一用户集合的相似度达到第一阈值的待训练用户的多个待训练数据中,是否有与负样本集合中的第二用户集合的至少一个相关数据的相似度达到第四阈值的相关数据,如果有,则不为该待训练用户推荐第一产品,不为其播放第一广告,如果没有,则为该带训练用户推荐第一产品,为其播放第一广告。
本实施例公开的广告推荐方法,确定第一广告对应的第一产品以及第一产品的第一用户集合,确定第一用户集合的不少于一个相关数据,基于不少于一个相关数据,通过不少于两种模型对待训练数据进行模型训练,确定待训练数据针对不少于两种模型的训练结果,基于待训练数据针对不少于两种模型的训练结果确定至少包含待训练数据的待训练用户与第一用户集合的相似度,基于至少包含待训练数据的待训练用户与第一用户集合的相似度确定是否为至少包含待训练数据的待训练用户推荐第一广告。本方案通过首先确定第一广告的产品以及该产品的第一用户集合,之后基于第一用户集合的相关数据确定与该第一用户集合的相关数据满足相似度要求的至少包含待训练数据的待训练用户,从而实现基于产品的受众为相似的用户推荐该产品的广告,实现了定向推荐,提高了广告的推广效果;并且,本方案中是通过多种模型进行训练确定相似度的,提高了相似度确定的准确性。
本实施例公开了一种广告推荐系统,其结构示意图如图3所示,包括:
第一确定单元31,第二确定单元32,第三确定单元33,第四确定单元34及第五确定单元35。
其中,第一确定单元31用于确定第一广告对应的第一产品,以及第一产品的第一用户集合;
当有某一个广告需要被投放时,首先确定该广告对应的产品,之后确定该产品的用户集合。
其中,第一产品的第一用户集合,是指根据用户行为数据确定的已购买或使用过该第一产品的用户的集合,或者,还可以包括:根据用户行为数据确定对该第一产品的关注度达到某一个数值的用户的集合。
其中,确定对第一产品的关注度达到某一个数值,具体可以通过确定用户在某一段时间内通过购物网站或搜索引擎搜索过第一产品或与第一产品相关的信息达到一定的次数;或者,在某一段时间内多次提到第一产品或与第一产品相关的信息,多次提到是指历史聊天记录中出现过第一产品或与第一产品相关的信息。
第二确定单元32用于确定第一用户集合的不少于一个相关数据,不少于一个相关数据至少包括以下一种:用户基本数据,或,用户行为数据;
第一用户集合的不少于一个相关数据是指能够表明第一用户集合中用户特征的数据,其中,用户基本数据是指用户的基本情况信息,如:性别、年龄、兴趣爱好、消费水平等;用户行为数据是指用户所做过的历史行为,如:购买记录、搜索记录、聊天记录等。
确定能够表明第一用户集合中用户特征的数据是为了能够为与该用户的特征相似的其他用户推荐第一产品的第一广告。
第三确定单元33用于基于不少于一个相关数据,通过不少于两种模型对待训练数据进行模型训练,确定待训练数据针对不少于两种模型的训练结果;
确定不少于两种训练模型,不少于两种训练模型都是用于基于用户特征确定用户之间的相似度的模型,如:梯度下降树gbdt学习算法,极端梯度提升XGBoost学习算法,因子分解FM算法等多种模型算法。
采用不同的训练模型对同一组数据进行模型训练,之后得到训练结果,基于对同一组数据进行训练得到的多个结果可以确定一个更准确的训练结果进行输出,使得模型训练的结果更为准确。
基于不少于一个相关数据,通过不少于两种模型对待训练数据进行模型训练,即将不少于一个相关数据,分别代入不少于两种模型中的每一种模型中进行模型训练,从而得到与训练模型的数量相同的训练结果,训练结果即表明第一用户集合的不少于一个相关数据与待训练数据之间的相似度,其可以为具体的相似度数值,也可以为相似或不相似的结果。
第四确定单元34用于基于待训练数据针对不少于两种模型的训练结果确定至少包含待训练数据的待训练用户与第一用户集合的相似度;
通过多个训练模型对一组待训练数据进行训练得到训练结果,并对这多个训练结果进行统计分析,从而得到一个最终的结果,该最终结果即表明待训练数据与不少于一个相关数据是否相似,或者,相似度是否达到某一个具体的数值。
具体的,基于待训练数据针对不少于两种训练模型中每一种模型进行训练得到的训练结果,确定每一种训练模型针对的训练结果得到的相似度数值;基于每一种训练模型针对的训练结果得到的相似度数值确定针对不少于两种模型的总相似度数值,以便基于总相似度数值确定是否为至少包含待训练数据的待训练用户推荐第一广告。
总相似度数值可以为:通过将得到的多个训练结果对应的相似度数值进行平均计算,从而得到一个平均值,将该平均值确定为总相似度数值;也可以为:确定得到的多个训练结果对应的相似度数值中大于某一个具体数值的数量,如果该数量满足比例条件,则确定为相似度高,否则确定为相似度低,其中,比例条件为:得到的相似度数值中大于某一个具体数值的数量与总的训练结果的数量之间的比值达到某一个具体比例值。
另外,其确定的可以为待训练数据与不少于一个相关数据之间的相似度。在这一基础上,还可以为:若待训练用户至少包含待训练数据,并且,待训练数据占待训练用户的相关数据的比例达到特定值,就将待训练数据与不少于一个相关数据之间的相似度确定为待训练数据对应的待训练用户与不少于一个相关数据对应的第一用户集合之间的相似度。
第五确定单元35用于基于至少包含待训练数据的待训练用户与第一用户集合的相似度确定是否为至少包含待训练数据的待训练用户推荐所述第一广告。
如果至少包含待训练数据的待训练用户与第一用户集合的相似度满足条件,则为至少包含待训练数据的待训练用户推荐第一广告。
具体的,可以为:如果至少包含待训练数据的待训练用户与第一用户集合的相似度结果为相似,则为至少包含待训练数据的待训练用户推荐第一广告;如果至少包含待训练数据的待训练用户与第一用户集合的相似度结果为不相似,则不为至少包含待训练数据的待训练用户推荐第一广告。
进一步的,还可以为:
确定至少包含待训练数据的待训练用户与第一用户集合的相似度是否达到第一阈值;如果达到第一阈值,则确定为至少包含待训练数据的待训练用户推荐第一广告;如果未达到第一阈值,则不为至少包含待训练数据的待训练用户推荐第一广告。
进一步的,还可以包括:若达到第一阈值,则在为该待训练用户推荐第一广告的同时,还可以为待训练用户推荐与第一产品的相似度达到第二阈值的产品的广告。
若确定至少包含待训练数据的待训练用户与第一用户结合的相似度达到第一阈值,则确定第一产品的特征,查找与第一产品的相似度达到第二阈值的第二产品,之后确定第二产品的第二广告,在为待训练用户播放第一广告,推荐第一产品之后,播放第二广告,推荐第二产品;或者,在为待训练用户播放第一广告,推荐第一产品之后,间隔固定时长,播放第二广告,推荐第二产品。
另外,还可以包括:在确定至少包含待训练数据的待训练用户与第一用户集合的相似度达到第一阈值,则为待训练用户推荐第一用户集合的其他产品。
其中,第一用户集合的其他产品,可以为:第一用户集合中的用户购买或使用或关注过的产品。
具体的,可以为:从第一用户集合的用户行为数据中查找集合中的所有用户购买或使用或关注过的产品,确定其中出现频率高于某一频率值的产品,将该产品推荐给待训练用户,即为待训练用户播放该产品的广告。
进一步的,第五确定单元35还用于:
若满足第一条件,在确定至少包含所述待训练数据的待训练用户与第一用户集合的相似度达到第三阈值时,确定为相似度达到第三阈值的至少包含待训练数据的待训练用户推荐第一广告,其中,第三阈值小于第一阈值。
当相似度达到第一阈值时,为至少包含待训练数据的待训练用户推荐第一广告,在满足第一条件的情况下,则降低相似度的判断基准,即将第一阈值降低至第三阈值,只要相似度能够达到第三阈值,就为相似度达到第三阈值的这些至少包含待训练数据的待训练用户推荐第一广告。
其中,满足第一条件可以为:相似度达到第一阈值的至少包含待训练数据的待训练用户的数量不满足预设条件。
当同时对多个待训练用户的待训练数据进行训练时,若确定相似度达到第一阈值的至少包含待训练数据的待训练用户的数量较少,不满足预设的数量,则需要降低相似度的数值基准,以使第一广告推送的次数满足条件,即第一广告推送的次数达到预设数量的次数。
例如:若第一用户集合的不少于一个相关数据为:20-30岁,女性,兰蔻化妆品用户,若通过模型训练确定最终与不少于一个相关数据的相似度达到第一阈值的待训练用户数量较少,则将相似度的基准确定为第三阈值,其中,第一阈值为:20-30岁,女性,兰蔻化妆品用户,第三阈值为:20-30岁,女性,兰蔻化妆品用户或关注兰蔻化妆品的用户,这就使得满足条件的用户数量增多,从而可以为较多的用户推荐相关的广告。
进一步的,在通过第一产品的第一用户集合的不少于一个相关数据进行相似度训练,从而将待训练用户确定为目标用户,为其推荐第一广告的基础上,还可以包括:
预先设置负样本集合,其中,负样本集合中包括:明确表示不接受第一产品推荐的第二用户集合的至少一个相关数据;
在进行正样本相似度分析之后,再进行负样本集合的相似度分析,其中,正样本相似度分析,即将待训练数据与第一产品的第一用户集合的不少于一个相关数据进行的相似度分析。
负样本集合的相似度分析可以为:
确定至少包含待训练数据的待训练用户与第一用户集合的相似度达到第一阈值的待训练用户的多个待训练数据中,是否有与负样本集合中的第二用户集合的至少一个相关数据的相似度达到第四阈值的相关数据,如果有,则不为该待训练用户推荐第一产品,不为其播放第一广告,如果没有,则为该带训练用户推荐第一产品,为其播放第一广告。
本实施例公开的广告推荐系统,确定第一广告对应的第一产品以及第一产品的第一用户集合,确定第一用户集合的不少于一个相关数据,基于不少于一个相关数据,通过不少于两种模型对待训练数据进行模型训练,确定待训练数据针对不少于两种模型的训练结果,基于待训练数据针对不少于两种模型的训练结果确定至少包含待训练数据的待训练用户与第一用户集合的相似度,基于至少包含待训练数据的待训练用户与第一用户集合的相似度确定是否为至少包含待训练数据的待训练用户推荐第一广告。本方案通过首先确定第一广告的产品以及该产品的第一用户集合,之后基于第一用户集合的相关数据确定与该第一用户集合的相关数据满足相似度要求的至少包含待训练数据的待训练用户,从而实现基于产品的受众为相似的用户推荐该产品的广告,实现了定向推荐,提高了广告的推广效果;并且,本方案中是通过多种模型进行训练确定相似度的,提高了相似度确定的准确性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种广告推荐方法,其特征在于,包括:
确定第一广告对应的第一产品,以及所述第一产品的第一用户集合;
确定所述第一用户集合的不少于一个相关数据,所述不少于一个相关数据至少包括以下一种:用户基本数据,或,用户行为数据;
基于所述不少于一个相关数据,通过不少于两种模型对待训练数据进行模型训练,确定所述待训练数据针对所述不少于两种模型的训练结果;
基于所述待训练数据针对所述不少于两种模型的训练结果确定至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度;
基于所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度确定是否为所述至少包含所述待训练数据的待训练用户推荐所述第一广告。
2.根据权利要求1所述的方法,其特征在于,所述基于所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度确定是否为所述至少包含所述待训练数据的待训练用户推荐所述第一广告,包括:
确定所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度是否达到第一阈值;
若达到第一阈值,则确定为所述至少包含所述待训练数据的待训练用户推荐所述第一广告。
3.根据权利要求2所述的方法,其特征在于,所述若达到第一阈值,则确定为所述至少包含所述待训练数据的待训练用户推荐所述第一广告,包括:
若达到第一阈值,则确定为所述至少包含所述待训练数据的待训练用户推荐所述第一广告,以及,确定为所述至少包含所述待训练数据的待训练用户推荐与所述第一产品的相似度达到第二阈值的产品的广告。
4.根据权利要求2所述的方法,其特征在于,还包括:
若满足第一条件,在确定所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度达到第三阈值时,确定为所述相似度达到第三阈值的所述至少包含所述待训练数据的待训练用户推荐所述第一广告,其中,所述第三阈值小于所述第一阈值。
5.根据权利要求4所述的方法,其特征在于,所述满足第一条件,包括:
相似度达到第一阈值的至少包含待训练数据的待训练用户的数量不满足预设条件。
6.根据权利要求1所述的方法,其特征在于,所述基于所述待训练数据针对所述不少于两种模型的训练结果确定至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度,包括:
基于所述待训练数据针对所述不少于两种模型中每一种模型进行训练得到的训练结果,确定每一种模型针对的训练结果得到的相似度数值;
基于所述每一种模型针对的训练结果得到的相似度数值确定针对所述不少于两种模型的总相似度数值,以便基于所述总相似度数值确定是否为所述至少包含所述待训练数据的待训练用户推荐所述第一广告。
7.一种广告推荐系统,其特征在于,包括:
第一确定单元,用于确定第一广告对应的第一产品,以及所述第一产品的第一用户集合;
第二确定单元,用于确定所述第一用户集合的不少于一个相关数据,所述不少于一个相关数据至少包括以下一种:用户基本数据,或,用户行为数据;
第三确定单元,用于基于所述不少于一个相关数据,通过不少于两种模型对待训练数据进行模型训练,确定所述待训练数据针对所述不少于两种模型的训练结果;
第四确定单元,用于基于所述待训练数据针对所述不少于两种模型的训练结果确定至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度;
第五确定单元,用于基于所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度确定是否为所述至少包含所述待训练数据的待训练用户推荐所述第一广告。
8.根据权利要求7所述的系统,其特征在于,所述第五确定单元用于:
确定所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度是否达到第一阈值;若达到第一阈值,则确定为所述至少包含所述待训练数据的待训练用户推荐所述第一广告。
9.根据权利要求8所述的系统,其特征在于,所述第五确定单元用于在达到第一阈值时,确定为所述至少包含所述待训练数据的待训练用户推荐所述第一广告,包括:
所述第五确定单元用于在达到第一阈值时,确定为所述至少包含所述待训练数据的待训练用户推荐所述第一广告,以及,确定为所述至少包含所述待训练数据的待训练用户推荐与所述第一产品的相似度达到第二阈值的产品的广告。
10.根据权利要求8所述的系统,其特征在于,所述第五确定单元还用于:
若满足第一条件,在确定所述至少包含所述待训练数据的待训练用户与所述第一用户集合的相似度达到第三阈值时,确定为所述相似度达到第三阈值的所述至少包含所述待训练数据的待训练用户推荐所述第一广告,其中,所述第三阈值小于所述第一阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010009704.0A CN111210274A (zh) | 2020-01-06 | 2020-01-06 | 一种广告推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010009704.0A CN111210274A (zh) | 2020-01-06 | 2020-01-06 | 一种广告推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111210274A true CN111210274A (zh) | 2020-05-29 |
Family
ID=70787468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010009704.0A Pending CN111210274A (zh) | 2020-01-06 | 2020-01-06 | 一种广告推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210274A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881364A (zh) * | 2020-07-22 | 2020-11-03 | 北京深演智能科技股份有限公司 | 媒体文件的投放方法、装置、存储介质和处理器 |
CN112217908A (zh) * | 2020-12-08 | 2021-01-12 | 平安科技(深圳)有限公司 | 基于迁移学习的信息推送方法、装置及计算机设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101511A (zh) * | 2017-06-20 | 2018-12-28 | 平安科技(深圳)有限公司 | 产品推荐方法、设备以及计算机可读存储介质 |
CN109408731A (zh) * | 2018-12-27 | 2019-03-01 | 网易(杭州)网络有限公司 | 一种多目标推荐方法、多目标推荐模型生成方法以及装置 |
CN109636538A (zh) * | 2018-12-20 | 2019-04-16 | 成都知数科技有限公司 | 银行产品推荐方法、装置及服务器 |
CN110097395A (zh) * | 2019-03-27 | 2019-08-06 | 平安科技(深圳)有限公司 | 定向广告投放方法、装置及计算机可读存储介质 |
CN110163723A (zh) * | 2019-05-20 | 2019-08-23 | 深圳市和讯华谷信息技术有限公司 | 基于产品特征的推荐方法、装置、计算机设备及存储介质 |
CN110458220A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 人群定向方法、装置、服务器及存储介质 |
WO2019223379A1 (zh) * | 2018-05-22 | 2019-11-28 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
-
2020
- 2020-01-06 CN CN202010009704.0A patent/CN111210274A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101511A (zh) * | 2017-06-20 | 2018-12-28 | 平安科技(深圳)有限公司 | 产品推荐方法、设备以及计算机可读存储介质 |
WO2019223379A1 (zh) * | 2018-05-22 | 2019-11-28 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN109636538A (zh) * | 2018-12-20 | 2019-04-16 | 成都知数科技有限公司 | 银行产品推荐方法、装置及服务器 |
CN109408731A (zh) * | 2018-12-27 | 2019-03-01 | 网易(杭州)网络有限公司 | 一种多目标推荐方法、多目标推荐模型生成方法以及装置 |
CN110097395A (zh) * | 2019-03-27 | 2019-08-06 | 平安科技(深圳)有限公司 | 定向广告投放方法、装置及计算机可读存储介质 |
CN110163723A (zh) * | 2019-05-20 | 2019-08-23 | 深圳市和讯华谷信息技术有限公司 | 基于产品特征的推荐方法、装置、计算机设备及存储介质 |
CN110458220A (zh) * | 2019-07-31 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 人群定向方法、装置、服务器及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881364A (zh) * | 2020-07-22 | 2020-11-03 | 北京深演智能科技股份有限公司 | 媒体文件的投放方法、装置、存储介质和处理器 |
CN112217908A (zh) * | 2020-12-08 | 2021-01-12 | 平安科技(深圳)有限公司 | 基于迁移学习的信息推送方法、装置及计算机设备 |
CN112217908B (zh) * | 2020-12-08 | 2021-03-09 | 平安科技(深圳)有限公司 | 基于迁移学习的信息推送方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10977694B2 (en) | Predictive recommendation system using price boosting | |
CN110033314B (zh) | 广告数据处理方法及装置 | |
CN108335137B (zh) | 排序方法及装置、电子设备、计算机可读介质 | |
US8615434B2 (en) | Systems and methods for automatically generating campaigns using advertising targeting information based upon affinity information obtained from an online social network | |
CA2700030C (en) | Touchpoint customization system | |
CN108537567B (zh) | 一种目标用户群体的确定方法和装置 | |
US9135666B2 (en) | Generation of advertising targeting information based upon affinity information obtained from an online social network | |
CN107341268B (zh) | 一种热搜榜排序方法及系统 | |
CN108108380B (zh) | 搜索排序方法、搜索排序装置、搜索方法和搜索装置 | |
CN109214842B (zh) | 信息推广方法、装置以及设备 | |
CN107908753B (zh) | 基于社交媒体评论数据的客户需求挖掘方法及装置 | |
CN111061979B (zh) | 一种用户标签的推送方法、装置、电子设备和介质 | |
CN105590240A (zh) | 一种品牌广告效果优化的离散计算方法 | |
CN103383702A (zh) | 一种基于用户投票排名的个性化新闻推荐的方法及系统 | |
CN110991189A (zh) | 一种根据采集模块采集的数据生成决策结果的方法及系统 | |
CN105608604A (zh) | 一种品牌广告效果优化的连续计算方法 | |
US20140058793A1 (en) | Forecasting a number of impressions of a prospective advertisement listing | |
CN111210274A (zh) | 一种广告推荐方法及系统 | |
CN113535991A (zh) | 一种多媒体资源推荐方法、装置、电子设备及存储介质 | |
US20190050890A1 (en) | Video dotting placement analysis system, analysis method and storage medium | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN111881365A (zh) | 内容推荐方法及装置 | |
TWM624658U (zh) | 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置 | |
CN117745349A (zh) | 一种基于用户特征的个性化推券方法及系统 | |
CN115545789B (zh) | 一种广告投放方法、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 |