CN111444417A - 推广用户群的智能定向方法、装置及计算设备 - Google Patents

Abstract

本发明公开了一种推广用户群的智能定向方法、装置及计算设备，其中，方法包括：获取待推广信息对应的种子用户群以及非种子用户群；根据各个种子用户以及各个非种子用户的用户特征训练得到智能定向模型；从用户群内遍历一用户，将该用户的用户特征输入至智能定向模型中，通过预测确定是否将该用户加入待推广信息的推广用户群中，直至用户群内的用户遍历完毕。由此可见，本发明方案通过训练得到智能定向模型预测得到待推广信息的目标推广用户，使得确定推广用户群的方式智能化；并且，智能定向模型通过对用户特征进行训练得到，则相较于根据特定的用户属性确定目标推广用户的方式，本发明最终得到的推广用户群更为准确。

Description

推广用户群的智能定向方法、装置及计算设备

技术领域

本发明涉及计算机技术领域，具体涉及一种推广用户群的智能定向方法、装置及计算设备。

背景技术

随着互联网的发展以及移动终端的发展，通过终端页面获取各种需求信息已成为一种趋势。与此同时，为了实现信息推送的高效转化，越来越多的信息提供方在进行信息投放之前，通常会指定推送的目标推广用户应具有的用户属性，这些用户属性通常包括以下维度：地域维度、兴趣维度、人口维度、和/或网络设备维度等。例如，针对一款化妆应用的推广，该化妆应用的提供方指定推送的目标用户的用户属性包括：女性，20至25岁，以及爱好美妆。然后，推送平台在进行该待推广信息的推送时，则根据提供方指定的用户属性进行确定目标推广用户。

然而，现有技术中信息提供方指定的用户属性不能全面的表达用户特征，进而难以获得这个用户的真实兴趣点。相应的，根据信息提供方指定的用户属性确定目标推广用户的方式，则会使得最终确定的目标推广用户的局限性大，确定结果不准确。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的推广用户群的智能定向方法、装置及计算设备。

根据本发明的一个方面，提供了一种推广用户群的智能定向方法，包括：

针对待推广信息，获取所述待推广信息对应的种子用户群以及非种子用户群；

根据所述种子用户群内各个种子用户的用户特征以及所述非种子用户群内各个非种子用户的用户特征，对预设模型进行训练，得到智能定向模型；

从用户群内遍历一用户，将该用户的用户特征输入至所述智能定向模型中，得到该用户与种子用户的相似度预测结果，根据相似度预测结果确定是否将该用户加入所述待推广信息的推广用户群中，重复执行本步骤，直至所述用户群内的用户遍历完毕。

根据本发明的另一方面，提供了一种信息推广方法，包括：

接收特定用户的访问请求，确定所述特定用户所属的至少一个推广用户群；其中，所述至少一个推广用户群中的任一个推广用户群依据上述推广用户群的智能定向方法得到；

从所述至少一个推广用户群的待推广信息列表中选取待推广信息，将选取的待推广信息推送给所述特定用户。

根据本发明的另一方面，提供了一种推广用户群的智能定向装置，包括：

获取模块，适于针对待推广信息，获取所述待推广信息对应的种子用户群以及非种子用户群；

训练模块，适于根据所述种子用户群内各个种子用户的用户特征以及所述非种子用户群内各个非种子用户的用户特征，对预设模型进行训练，得到智能定向模型；

确定模块，适于从用户群内遍历一用户，将该用户的用户特征输入至所述智能定向模型中，得到该用户与种子用户的相似度预测结果，根据相似度预测结果确定是否将该用户加入所述待推广信息的推广用户群中，重复执行本步骤，直至所述用户群内的用户遍历完毕。

根据本发明的另一方面，提供了一种信息推广装置，包括：

确定模块，适于接收特定用户的访问请求，确定所述特定用户所属的至少一个推广用户群；其中，所述至少一个推广用户群中的任一个推广用户群依据上述推广用户群的智能定向装置得到；

推送模块，适于从所述至少一个推广用户群的待推广信息列表中选取待推广信息，将选取的待推广信息推送给所述特定用户。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述推广用户群的智能定向方法对应的操作。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述信息推广方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述推广用户群的智能定向方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述信息推广方法对应的操作。

根据本发明的推广用户群的智能定向方法、装置及计算设备，针对待推广信息，获取种子用户群以及非种子用户群，并利用种子用户群中的各个种子用户的用户特征以及非种子用户群内各个非种子用户的用户特征进行训练得到智能定向模型，即通过机器学习的方式得到各个维度的用户特征对用户偏好该待推广信息的影响权重；通过该智能定向模型预测得到待推广信息的目标推广用户。由此可见，本发明方案，对种子用户和非种子用户的用户特征通过机器学习的方式得到智能定向模型，相较于信息提供方指定的预设维度的用户属性，该智能定向模型更能准确确定对待推广信息感兴趣的用户应具有的特征；然后，利用该智能定向模型进行预测，克服了现有技术中根据指定的用户属性确定目标推广用户的局限性以及确定结果不准确的问题，进而可以得到全面、准确的目标推广用户以及推广用户群，有利于提高该待推送信息的推广转化率。

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推广用户群的智能定向方法的流程图；

图2示出了根据本发明另一个实施例的信息推广方法的流程图；

图3示出了根据本发明一个实施例的推广用户群的智能定向装置的功能框图；

图4示出了根据本发明另一个实施例的信息推广装置的功能框图；

图5示出了根据本发明一个实施例的一种计算设备的结构示意图；

图6示出了根据本发明另一个实施例的一种计算设备的结构示意图。

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。

图1示出了根据本发明一个实施例的推广用户群的智能定向方法的流程图。如图1所示，该方法包括：

步骤S101：针对待推广信息，获取待推广信息对应的种子用户群以及非种子用户群。

其中，待推广信息可以以具体的信息内容为单位进行划分，例如，待推广信息为某新品手机；或者，以信息类型为单位进行划分，例如，待推广信息为短视频类应用；或者，以信息的提供方为单位进行划分。例如，待推广信息某品牌商的产品。

具体地，针对待推广信息，获取该待推广信息的种子用户群，其中，种子用户群为表征出偏好该待推广信息的用户构成的群体。以及，获取该待推广信息的非种子用户群，其中，非种子用户群为未表征出偏好该待推广信息的用户构成的用户群。在本发明中，不限定确定种子用户群和非种子用户群的具体方式，具体实施时，本领域技术人员可根据任意反映用户偏好信息的数据进行确定，可选的，根据转化数据进行确定。

步骤S102：根据种子用户群内各个种子用户的用户特征以及非种子用户群内各个非种子用户的用户特征，对预设模型进行训练，得到智能定向模型。

其中，将种子用户群内各个种子用户作为训练正样本，以及将非种子用户群内各个非种子用户作为训练负样本。其中，种子用户或非种子用户的用户特征为多个维度的特征，并且包含影响用户对待推广信息的偏好的特征。

以及，预设模型包括但不限于逻辑回归、决策树、神经网络、朴素贝叶斯等模型。

具体地，通过机器学习的方式对训练正样本和训练负样本所具有的用户特征进行训练，得到智能定向模型，该智能定向模型为一个二分类模型，用于识别与种子用户相似的用户。并且，该智能定向模型通过对用户特征训练得到，进而可以根据用户特征预测该用户对待推广信息的偏好。

步骤S103：从用户群内遍历一用户，将该用户的用户特征输入至智能定向模型中，得到该用户与种子用户的相似度预测结果，根据相似度预测结果确定是否将该用户加入待推广信息的推广用户群中。

其中，用户群指推广平台的平台用户构成的群体。以及，遍历到的用户的用户特征与种子用户或非种子用户的用户特征一致，也包含影响用户对待推广信息的偏好的特征。

具体地，将用户群内的各个用户的用户特征分别输入至智能定向模型中进行预测，输出的结果表明当前用户的用户特征与种子用户的用户特征的相似度，且相似度预测结果越高，当前用户对待推广信息的偏好程度越高；反之，则越低。基于此，确定是否将当前用户加入推广用户群中。

步骤S104：判断用户群内的用户是否遍历完毕；若是，则得到待推广信息的推广用户群，本方法结束；若否，则重复执行步骤S103，直至用户群内的用户遍历完毕。

需要在此说明的是，本发明方案可以由进行信息推广的推广平台来执行，或者由独立的定向进程来执行，本发明对此不做具体限定。

根据本实施例提供的推广用户群的智能定向方法，针对待推广信息，获取种子用户群以及非种子用户群，并利用种子用户群中的各个种子用户的用户特征以及非种子用户群内各个非种子用户的用户特征进行训练得到智能定向模型，即通过机器学习的方式得到各个维度的用户特征对用户偏好该待推广信息的影响权重；通过该智能定向模型预测得到待推广信息的目标推广用户。由此可见，本实施例方案中，对种子用户和非种子用户的用户特征通过机器学习的方式得到智能定向模型，相较于信息提供方指定的预设维度的用户属性，该智能定向模型更能准确、全面的确定对待推广信息感兴趣的用户应具有的特征；然后，利用该智能定向模型进行预测，克服了现有技术中根据指定的用户属性确定目标推广用户的局限性以及确定结果不准确的问题，进而可以得到全面、准确的目标推广用户以及推广用户群，有利于提高该待推送信息的推广转化率。

在本发明中，种子用户群以及非种子用户群可根据任意反映用户偏好信息的数据进行确定，例如，浏览数据，搜索数据，购买数据等。

在一些可选的实施方式中，以转化数据来确定种子用户群以及非种子用户群：根据待推广信息的已转化用户确定种子用户群。具体地，待推广信息的提供方根据该待推广信息的转化数据确定出已转化用户，并将已转化用户提供给推广平台；推广平台将各个已转化用户作为种子用户添加至种子用户群中。进一步的，判断已转化用户的用户量是否超过预设用户量，若否，则由推广平台对待推广信息的已转化用户进行扩充，可选的，查找与待推广信息的相似度高的其它推广信息的已转化用户，并从该其它推广信息的已转化用户中选择预设数量的用户作为种子用户添加至种子用户群中。通过这种方式，可以弥补待推广信息的转化数据的数据量少的缺陷，能够获取到足够大的种子用户群以进行训练，有利于提高训练结果的准确性。

更进一步的，在将已转化用户作为种子用户添加至种子用户群中之前，针对待推广信息的各个已转化用户，采集已转化用户的历史行为数据；其中，已转化用户的历史行为数据指已转化用户在推广平台及其合作平台中的历史行为数据。判断历史行为数据的数据量是否超过预设数据量；若否，将对已转化用户从多个已转化用户中剔除。对于历史行为数据的数据量少的已转化用户，无法提取到足够的用户特征以用于训练，进而会影响训练得到的智能定向模型的质量，则将该已转化用户剔除。在确定种子用户群时，则仅以剩余的已转化用户构建种子用户群。

以及，从除了种子用户以外的用户中随机选取用户，确定非种子用户群。相较于推广平台中除了种子用户以外的剩余平台用户的用户量而言，其中可能对待推广信息产生转化的用户的用户量的占比极小，则在这些可选的实施例中，将种子用户以外的用户(也即已转化用户以外的用户)视为未转化用户，并从未转化用户中随机选择与种子用户同数量级的用户，将选择的用户作为非种子用户添加至非种子用户群中。

通过上述可选实施例，基于转化数据确定种子用户群以及非种子用户群，将产生过转化行为的用户确定为种子用户，以用于作为训练正样本；以及，将未产生过转化行为的用户确定为非种子用户，以用于作为训练负样本。同时，在确定过程中，针对已转化用户的用户量少的情况，通过扩充已转化用户来得到充足数量的训练正样本；并且，在确定种子用户群的过程中，剔除历史行为数据的数据量少的低质量用户，以提高训练的质量。

在本发明中，将确定的种子用户和非种子用户分别作为训练正样本和训练负样本进行训练，训练得到用于预测目标推广用户的智能定向模性。在一些可选的实施方式中，具体的训练过程如下：将种子用户群内各个种子用户的用户特征作为第一样本信息，以及将各个种子用户的已转化结果信息作为第一标注信息；将非种子用户群内各个非种子用户的用户特征作为第二样本信息，以及将各个非种子用户的未转化结果信息作为第二标注信息。例如，将种子用户的已转化结果信息标注为1，将非种子用户的未转化结果信息标注为0。将第一样本信息和第二样本信息分别输入至预设模型中，得到预设模型输出的第一转化结果值和第二转化结果值；利用第一标注信息与第一转化结果值之间的损失，以及第二标注信息与第二转化结果值之间的损失，对预设模型进行训练，得到智能定向模型。在训练过程中，通过调整各个维度的用户特征对转化结果值的影响权重，使第一标注信息与第一转化结果值之间的损失，以及第二标注信息与第二转化结果值之间的损失发生变化，直至小于预设损失阈值时，则训练完成，并将此时的模型参数确定为智能定向模型的参数，得到智能定向模型。上述方式训练得到的智能定向模型，利用已确定转化结果的种子用户和非种子用户进行训练，通过机器学习的方式确定了各个维度的用户特征对转化结果的影响权重，使得得到的智能定向模型可以用于根据用户的用户特征预测用户的转化结果值，进而可以据此确定相应用户是否为目标推广用户。

在一些可选的实施例中，考虑到品牌效应，设置待推广信息为广告商信息，则待推广信息对应的种子用户群为对该广告商提供的至少一种广告产生过转化的已转化用户构成的群体；相应的，非种子用户群则为对该广告商提供的至少一种广告未产生过转化的已转化用户构成的群体。并且，最终训练得到的智能定向模型是对该广告商提供的广告进行推广时的目标推广用户。或者，在另一些可选的实施例中，为了提高训练得到的智能定向模型的针对性，设置待推广信息为广告内容信息，即为具体的广告内容，则智能定向模型为专用于确定该广告内容信息的目标推广用户的模型。举例来说，某手机品牌商提供手机A的广告内容a，以及手机B的广告内容b，则本发明方案既可以针对该手机品牌商训练智能定向模型，以用于预测得到该手机品牌商的目标推广用户，该手机品牌商的目标推广用户也被认为是广告内容a和广告内容b的目标推广用户；或者，本发明方案也可以针对广告内容a、广告内容b分别训练得到智能定向模型，然后分别进行目标推广用户的预测。

另外，由于推广平台的平台用户以及平台用户的用户行为数据会实时更新，基于此，在本发明的一些可选的实施例中，以预设周期预测各个待推广信息的推广用户群，也即以预设周期对实时的用户群中的各个用户所属的推广用户群进行确定。通过这种方式，不仅可以将新的平台用户归属到待推广信息的推广用户群中，以丰富相应的待推广信息的目标推广用户；而且可以使确定推广用户群的过程充分考虑到各个用户最新的用户行为数据，提高确定的推广用户群更符合实时性以及准确度。

图2示出了根据本发明另一个实施例的信息推广方法的流程图。如图2所示，该方法包括：

步骤S201：接收特定用户的访问请求，确定特定用户所属的至少一个推广用户群。

其中，至少一个推广用户群中的任一个推广用户群依据上文中的推广用户群的智能定向方法得到，此处不再赘述。

其中，特定用户所属的推广用户群，即：该特定用户为相应的待推广信息的目标推广用户。

举例来说，若待推广信息a的推广用户群为{a1，a2，a3，a4，a5}，待推广信息b的推广用户群为{b1，b2，a3，b4，b5}，待推广信息c的推广用户群为{c1，c2，c3，c4，c5}，则当接收到用户a3的访问请求时，确定用户a3为待推广信息a，以及待推广信息b的目标推广用户。

步骤S202：从至少一个推广用户群的待推广信息列表中选取待推广信息，将选取的待推广信息推送给特定用户。

具体地，根据至少一个推广用户群对应的待推广信息确定待推广信息列表，其中，任一待推广用户群对应的待推广信息包括至少一种具体的推广内容。然后，按照预设规则从待推广信息列表中选取推送给特定用户的待推广信息。其中，预设规则可由本领域技术人员根据实际的推送需求进行灵活设定，可选的，预设规则可设置为根据待推广信息列表中的具体推广内容的推广周期进行选择，或者，设置为根据推广信息列表中的具体推广内容的推广成本数据进行选择，或者，设置为根据特定用户请求访问的页面的相关度进行选择。

仍以步骤S201中的举例来说，用户a3为待推广信息a，以及待推广信息b的目标推广用户，若待推广信息a为电商类应用，其具体包括电商应用1，电商应用2，以及电商应用3，且待推广信息b为短视频应用4，则确定对应用户a3的待推广信息列表为{电商应用1，电商应用2，电商应用3，短视频应用4}；同时，若确定电商应用2的推广周期即将结束，则可据此向用户a3推送电商应用2的相关信息。

根据本实施例提供的信息推广方法，在利用本发明提供的推广用户群的智能定向方法得到各个待推广信息的推广用户群后，当接收到特定用户的访问请求时，确定特定用户所属的至少一个推广用户群；然后从至少一个推广用户群的待推广信息列表中选取待推广信息，将选取的待推广信息推送给特定用户。由此可见，本实施例方案，通过智能定向的方式，向特定用户推送其偏好的待推广信息，相较于现有技术中由提供方根据先验条件或推测指定用户属性并进行信息推广的方式，可以提高待推广信息的转化率，有利于提升推送效果。

在一些可选的实施例中，确定特定用户所属的至少一个推广用户群的过程具体如下：针对各个待推广信息，判断待推广信息的推广用户群中是否包含特定用户。其中，可通过在推广用户群中查找特定用户的用户标识以进行判断。若判定出待推广信息的推广用户群中包含特定用户，则确定待推广信息的推广用户群为特定用户所属的至少一个推广用户群。

在本发明中，则按照预设规则从待推广信息列表中选取推送给特定用户的待推广信息。在一些可选的实施例中，可设置预设规则为根据待推广信息的推广成本数据进行选择。具体地，首先预估待推广信息列表中的各个待推广信息的推广成本数据；其中，该推广成本数据包括推广平台推送待推广信息的成本，例如，千人成本(Cost Per Mille，简称CPM)，和/或，信息提供方的每次行动成本(Cost Per Action，简称CPA)。然后，根据推广成本数据从至少一个推广用户群的待推广信息列表中选取待推广信息。进一步的，按照推广成本数据的数据值由低至高对待推广信息列表中的多个待推广信息进行排序，得到排序结果；从排序结果中选择靠前的预设数量的待推广信息。

图3示出了根据本发明一个实施例的推广用户群的智能定向装置的功能框图。如图3所示，该装置包括：

获取模块301，适于针对待推广信息，获取所述待推广信息对应的种子用户群以及非种子用户群；

训练模块302，适于根据所述种子用户群内各个种子用户的用户特征以及所述非种子用户群内各个非种子用户的用户特征，对预设模型进行训练，得到智能定向模型；

确定模块303，适于从用户群内遍历一用户，将该用户的用户特征输入至所述智能定向模型中，得到该用户与种子用户的相似度预测结果，根据相似度预测结果确定是否将该用户加入所述待推广信息的推广用户群中，重复执行本步骤，直至所述用户群内的用户遍历完毕。

在一种可选的实施方式中，所述获取模块301进一步适于：

根据所述待推广信息的已转化用户确定所述种子用户群；

从除了所述种子用户以外的用户中随机选取用户，确定所述非种子用户群。

在一种可选的实施方式中，所述获取模块301进一步适于：

针对所述待推广信息的各个已转化用户，采集所述已转化用户的历史行为数据；

判断所述历史行为数据的数据量是否超过预设数据量；若否，将对所述已转化用户从多个已转化用户中剔除，并以剩余的已转化用户构建种子用户群。

在一种可选的实施方式中，所述训练模块302进一步适于：

将所述种子用户群内各个种子用户的用户特征作为第一样本信息，以及将各个种子用户的已转化结果信息作为第一标注信息；

将所述非种子用户群内各个非种子用户的用户特征作为第二样本信息，以及将各个非种子用户的未转化结果信息作为第二标注信息；

将所述第一样本信息和第二样本信息分别输入至预设模型中，得到预设模型输出的第一转化结果值和第二转化结果值；

利用所述第一标注信息与第一转化结果值之间的损失，以及所述第二标注信息与第二转化结果值之间的损失，对预设模型进行训练，得到智能定向模型。

在一种可选的实施方式中，所述待推广信息为广告商信息、或广告内容信息。

图4示出了根据本发明另一个实施例的信息推广装置的功能框图。如图4所示，该装置包括：

确定模块401，适于接收特定用户的访问请求，确定所述特定用户所属的至少一个推广用户群；其中，所述至少一个推广用户群中的任一个推广用户群依据上述推广用户群的智能定向装置得到；

推送模块402，适于从所述至少一个推广用户群的待推广信息列表中选取待推广信息，将选取的待推广信息推送给所述特定用户。

在一种可选的实施方式中，所述确定模块401进一步适于：

针对各个待推广信息，判断所述待推广信息的推广用户群中是否包含所述特定用户；

若是，则确定所述待推广信息的推广用户群为所述特定用户所属的至少一个推广用户群。

在一种可选的实施方式中，所述装置还包括：

预估模块403，适于预估所述待推广信息列表中的各个待推广信息的推广成本数据；

所述推送模块402进一步适于：根据所述推广成本数据从所述至少一个推广用户群的待推广信息列表中选取待推广信息。

在一种可选的实施方式中，所述推送模块402进一步适于：

按照所述推广成本数据的数据值由低至高对待推广信息列表中的多个待推广信息进行排序，得到排序结果；

从排序结果中选择靠前的预设数量的待推广信息。

本申请实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的推广用户群的智能定向方法。

本申请实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的信息推广方法。

图5示出了根据本发明一个实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图5所示，该计算设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。

其中：

处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。

通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器502，用于执行程序510，具体可以执行上述推广用户群的智能定向方法实施例中的相关步骤。

具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。

处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行以下操作：

针对待推广信息，获取所述待推广信息对应的种子用户群以及非种子用户群；

根据所述种子用户群内各个种子用户的用户特征以及所述非种子用户群内各个非种子用户的用户特征，对预设模型进行训练，得到智能定向模型；

从用户群内遍历一用户，将该用户的用户特征输入至所述智能定向模型中，得到该用户与种子用户的相似度预测结果，根据相似度预测结果确定是否将该用户加入所述待推广信息的推广用户群中，重复执行本步骤，直至所述用户群内的用户遍历完毕。

在一中可选的实施方式中，程序510具体可以进一步用于使得处理器502执行以下操作：根据所述待推广信息的已转化用户确定所述种子用户群；

从除了所述种子用户以外的用户中随机选取用户，确定所述非种子用户群。

在一中可选的实施方式中，程序510具体可以进一步用于使得处理器502执行以下操作：针对所述待推广信息的各个已转化用户，采集所述已转化用户的历史行为数据；

判断所述历史行为数据的数据量是否超过预设数据量；若否，将对所述已转化用户从多个已转化用户中剔除，并以剩余的已转化用户构建种子用户群。

在一中可选的实施方式中，程序510具体可以进一步用于使得处理器502执行以下操作：将所述种子用户群内各个种子用户的用户特征作为第一样本信息，以及将各个种子用户的已转化结果信息作为第一标注信息；

将所述非种子用户群内各个非种子用户的用户特征作为第二样本信息，以及将各个非种子用户的未转化结果信息作为第二标注信息；

将所述第一样本信息和第二样本信息分别输入至预设模型中，得到预设模型输出的第一转化结果值和第二转化结果值；

利用所述第一标注信息与第一转化结果值之间的损失，以及所述第二标注信息与第二转化结果值之间的损失，对预设模型进行训练，得到智能定向模型。

在一中可选的实施方式中，所述待推广信息为广告商信息、或广告内容信息。

图6示出了根据本发明另一个实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图6所示，该计算设备可以包括：处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。

其中：

处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。

通信接口604，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器602，用于执行程序610，具体可以执行上述信息推广方法实施例中的相关步骤。

具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。

处理器602可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器606，用于存放程序610。存储器606可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序610具体可以用于使得处理器602执行以下操作：

接收特定用户的访问请求，确定所述特定用户所属的至少一个推广用户群；其中，所述至少一个推广用户群中的任一个推广用户群依据权利要求1-5中任一项所述的方法得到；

从所述至少一个推广用户群的待推广信息列表中选取待推广信息，将选取的待推广信息推送给所述特定用户。

在一种可选的实施方式中，程序610具体可以进一步用于使得处理器602执行以下操作：

针对各个待推广信息，判断所述待推广信息的推广用户群中是否包含所述特定用户；

若是，则确定所述待推广信息的推广用户群为所述特定用户所属的至少一个推广用户群。

在一种可选的实施方式中，程序610具体可以进一步用于使得处理器602执行以下操作：

预估所述待推广信息列表中的各个待推广信息的推广成本数据；

根据所述推广成本数据从所述至少一个推广用户群的待推广信息列表中选取待推广信息。

在一种可选的实施方式中，程序610具体可以进一步用于使得处理器602执行以下操作：

按照所述推广成本数据的数据值由低至高对待推广信息列表中的多个待推广信息进行排序，得到排序结果；

从排序结果中选择靠前的预设数量的待推广信息。

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，尽管在此所述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推广用户群的智能定向装置和/或信息推广装置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：A1.一种推广用户群的智能定向方法，包括：

针对待推广信息，获取所述待推广信息对应的种子用户群以及非种子用户群；

根据所述种子用户群内各个种子用户的用户特征以及所述非种子用户群内各个非种子用户的用户特征，对预设模型进行训练，得到智能定向模型；

从用户群内遍历一用户，将该用户的用户特征输入至所述智能定向模型中，得到该用户与种子用户的相似度预测结果，根据相似度预测结果确定是否将该用户加入所述待推广信息的推广用户群中，重复执行本步骤，直至所述用户群内的用户遍历完毕。

A2.根据A1所述的方法，其中，所述获取所述待推广信息对应的种子用户群以及非种子用户群进一步包括：

根据所述待推广信息的已转化用户确定所述种子用户群；

从除了所述种子用户以外的用户中随机选取用户，确定所述非种子用户群。

A3.根据A2所述的方法，其中，所述根据所述待推广信息的已转化用户确定所述种子用户群进一步包括：

针对所述待推广信息的各个已转化用户，采集所述已转化用户的历史行为数据；

判断所述历史行为数据的数据量是否超过预设数据量；若否，将对所述已转化用户从多个已转化用户中剔除，并以剩余的已转化用户构建种子用户群。

A4.根据A1-A3任一项所述的方法，其中，所述根据所述种子用户群内各个种子用户的用户特征以及所述非种子用户群内各个非种子用户的用户特征，对预设模型进行训练，得到智能定向模型进一步包括：

将所述种子用户群内各个种子用户的用户特征作为第一样本信息，以及将各个种子用户的已转化结果信息作为第一标注信息；

将所述非种子用户群内各个非种子用户的用户特征作为第二样本信息，以及将各个非种子用户的未转化结果信息作为第二标注信息；

将所述第一样本信息和第二样本信息分别输入至预设模型中，得到预设模型输出的第一转化结果值和第二转化结果值；

利用所述第一标注信息与第一转化结果值之间的损失，以及所述第二标注信息与第二转化结果值之间的损失，对预设模型进行训练，得到智能定向模型。

A5.根据A1-A4任一项所述的方法，其中，所述待推广信息为广告商信息、或广告内容信息。

本发明还公开了：B6.一种信息推广方法，包括：

接收特定用户的访问请求，确定所述特定用户所属的至少一个推广用户群；其中，所述至少一个推广用户群中的任一个推广用户群依据权利要求1-5中任一项所述的方法得到；

从所述至少一个推广用户群的待推广信息列表中选取待推广信息，将选取的待推广信息推送给所述特定用户。

B7.根据B6所述的方法，其中，所述确定所述特定用户所属的至少一个推广用户群具体为：

针对各个待推广信息，判断所述待推广信息的推广用户群中是否包含所述特定用户；

若是，则确定所述待推广信息的推广用户群为所述特定用户所属的至少一个推广用户群。

B8.根据B6或B7所述的方法，其中，在所述从所述至少一个推广用户群的待推广信息列表中选取待推广信息之前，所述方法还包括：

预估所述待推广信息列表中的各个待推广信息的推广成本数据；

所述从所述至少一个推广用户群的待推广信息列表中选取待推广信息具体为：根据所述推广成本数据从所述至少一个推广用户群的待推广信息列表中选取待推广信息。

B9.根据B8所述的方法，其中，所述根据所述推广成本数据从所述至少一个推广用户群的待推广信息列表中选取待推广信息进一步包括：

按照所述推广成本数据的数据值由低至高对待推广信息列表中的多个待推广信息进行排序，得到排序结果；

从排序结果中选择靠前的预设数量的待推广信息。

本发明还公开了：C10.一种推广用户群的智能定向装置，包括：

获取模块，适于针对待推广信息，获取所述待推广信息对应的种子用户群以及非种子用户群；

训练模块，适于根据所述种子用户群内各个种子用户的用户特征以及所述非种子用户群内各个非种子用户的用户特征，对预设模型进行训练，得到智能定向模型；

确定模块，适于从用户群内遍历一用户，将该用户的用户特征输入至所述智能定向模型中，得到该用户与种子用户的相似度预测结果，根据相似度预测结果确定是否将该用户加入所述待推广信息的推广用户群中，重复执行本步骤，直至所述用户群内的用户遍历完毕。

C11.根据C10所述的装置，其中，所述获取模块进一步适于：

根据所述待推广信息的已转化用户确定所述种子用户群；

从除了所述种子用户以外的用户中随机选取用户，确定所述非种子用户群。

C12.根据C11所述的装置，其中，所述获取模块进一步适于：

针对所述待推广信息的各个已转化用户，采集所述已转化用户的历史行为数据；

判断所述历史行为数据的数据量是否超过预设数据量；若否，将对所述已转化用户从多个已转化用户中剔除，并以剩余的已转化用户构建种子用户群。

C13.根据C10-C12任一项所述的装置，其中，所述训练模块进一步适于：

将所述种子用户群内各个种子用户的用户特征作为第一样本信息，以及将各个种子用户的已转化结果信息作为第一标注信息；

将所述非种子用户群内各个非种子用户的用户特征作为第二样本信息，以及将各个非种子用户的未转化结果信息作为第二标注信息；

将所述第一样本信息和第二样本信息分别输入至预设模型中，得到预设模型输出的第一转化结果值和第二转化结果值；

利用所述第一标注信息与第一转化结果值之间的损失，以及所述第二标注信息与第二转化结果值之间的损失，对预设模型进行训练，得到智能定向模型。

C14.根据C10-C13任一项所述的装置，其中，所述待推广信息为广告商信息、或广告内容信息。

本发明还公开了：D15.一种信息推广装置，包括：

确定模块，适于接收特定用户的访问请求，确定所述特定用户所属的至少一个推广用户群；其中，所述至少一个推广用户群中的任一个推广用户群依据C10-C14中任一项所述的装置得到；

推送模块，适于从所述至少一个推广用户群的待推广信息列表中选取待推广信息，将选取的待推广信息推送给所述特定用户。

D16.根据D15所述的装置，其中，所述确定模块进一步适于：

针对各个待推广信息，判断所述待推广信息的推广用户群中是否包含所述特定用户；

若是，则确定所述待推广信息的推广用户群为所述特定用户所属的至少一个推广用户群。

D17.根据D15或D16所述的装置，其中，所述装置还包括：

预估模块，适于预估所述待推广信息列表中的各个待推广信息的推广成本数据；

所述推送模块进一步适于：根据所述推广成本数据从所述至少一个推广用户群的待推广信息列表中选取待推广信息。

D18.根据D17所述的装置，其中，所述推送模块进一步适于：

按照所述推广成本数据的数据值由低至高对待推广信息列表中的多个待推广信息进行排序，得到排序结果；

从排序结果中选择靠前的预设数量的待推广信息。

本发明还公开了：E19.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如A1-A5中任一项所述的推广用户群的智能定向方法对应的操作。

本发明还公开了：F20.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如B6-B9中任一项所述的信息推广方法对应的操作。

本发明还公开了：G21.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如A1-A5中任一项所述的推广用户群的智能定向方法对应的操作。

本发明还公开了：H22.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如B6-B9中任一项所述的信息推广方法对应的操作。

Claims (10)

1.一种推广用户群的智能定向方法，包括：

针对待推广信息，获取所述待推广信息对应的种子用户群以及非种子用户群；

根据所述种子用户群内各个种子用户的用户特征以及所述非种子用户群内各个非种子用户的用户特征，对预设模型进行训练，得到智能定向模型；

从用户群内遍历一用户，将该用户的用户特征输入至所述智能定向模型中，得到该用户与种子用户的相似度预测结果，根据相似度预测结果确定是否将该用户加入所述待推广信息的推广用户群中，重复执行本步骤，直至所述用户群内的用户遍历完毕。

2.根据权利要求1所述的方法，其中，所述获取所述待推广信息对应的种子用户群以及非种子用户群进一步包括：

根据所述待推广信息的已转化用户确定所述种子用户群；

从除了所述种子用户以外的用户中随机选取用户，确定所述非种子用户群。

3.根据权利要求2所述的方法，其中，所述根据所述待推广信息的已转化用户确定所述种子用户群进一步包括：

针对所述待推广信息的各个已转化用户，采集所述已转化用户的历史行为数据；

判断所述历史行为数据的数据量是否超过预设数据量；若否，将对所述已转化用户从多个已转化用户中剔除，并以剩余的已转化用户构建种子用户群。

4.一种信息推广方法，包括：

接收特定用户的访问请求，确定所述特定用户所属的至少一个推广用户群；其中，所述至少一个推广用户群中的任一个推广用户群依据权利要求1-5中任一项所述的方法得到；

从所述至少一个推广用户群的待推广信息列表中选取待推广信息，将选取的待推广信息推送给所述特定用户。

5.一种推广用户群的智能定向装置，包括：

获取模块，适于针对待推广信息，获取所述待推广信息对应的种子用户群以及非种子用户群；

训练模块，适于根据所述种子用户群内各个种子用户的用户特征以及所述非种子用户群内各个非种子用户的用户特征，对预设模型进行训练，得到智能定向模型；

确定模块，适于从用户群内遍历一用户，将该用户的用户特征输入至所述智能定向模型中，得到该用户与种子用户的相似度预测结果，根据相似度预测结果确定是否将该用户加入所述待推广信息的推广用户群中，重复执行本步骤，直至所述用户群内的用户遍历完毕。

6.一种信息推广装置，包括：

确定模块，适于接收特定用户的访问请求，确定所述特定用户所属的至少一个推广用户群；其中，所述至少一个推广用户群中的任一个推广用户群依据权利要求5所述的装置得到；

推送模块，适于从所述至少一个推广用户群的待推广信息列表中选取待推广信息，将选取的待推广信息推送给所述特定用户。

7.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-3中任一项所述的推广用户群的智能定向方法对应的操作。

8.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求4所述的信息推广方法对应的操作。

9.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-3中任一项所述的推广用户群的智能定向方法对应的操作。

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求4所述的信息推广方法对应的操作。

Images