CN111626774A - 一种广告投放系统、方法和可读存储介质 - Google Patents

一种广告投放系统、方法和可读存储介质 Download PDF

Info

Publication number
CN111626774A
CN111626774A CN202010436115.0A CN202010436115A CN111626774A CN 111626774 A CN111626774 A CN 111626774A CN 202010436115 A CN202010436115 A CN 202010436115A CN 111626774 A CN111626774 A CN 111626774A
Authority
CN
China
Prior art keywords
machine learning
user portrait
learning model
data information
preset
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
Application number
CN202010436115.0A
Other languages
English (en)
Inventor
孙至泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Huanwang Technology Co Ltd
Original Assignee
Guangdong Huanwang Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Huanwang Technology Co Ltd filed Critical Guangdong Huanwang Technology Co Ltd
Priority to CN202010436115.0A priority Critical patent/CN111626774A/zh
Publication of CN111626774A publication Critical patent/CN111626774A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0244—Optimization
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
    • H04N21/25866—Management of end-user data
    • H04N21/25891—Management of end-user data being end-user preferences

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Signal Processing (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种广告投放系统、方法和可读存储介质，该系统包括：数据采集单元，用于采集电视节目数据信息；构建单元，用于利用电视节目数据信息构建最优用户画像；广告投放单元，用于根据最优用户画像投放广告。本申请提供的技术方案，不仅实现了智能投放广告，降低了人工成本；获取的用户画像还清晰，进一步提高了广告投放的准确度。

Description

一种广告投放系统、方法和可读存储介质
技术领域
本申请涉及广告投放技术领域，具体涉及一种广告投放系统、方法和可读存储介质。
背景技术
一直以来，广告是商家进行品牌推广的有效手段。广告不仅要迎合消费者的心理需求，同时又要保证消费者能够接受。
相关技术中，投放广告复杂，并且不够智能。前期需要人为分析出不同时间段观看智能电视的人群画像，然后选择对应的广告类型进行投放，但是由于得出的用户画像比较模糊，并且没有充分利用大数据和人工智能，所以投放的广告还是不太准确。
发明内容
为至少在一定程度上克服相关技术中存在得出的用户画像模糊，投放广告不准确的问题，本申请提供一种广告投放系统、方法和可读存储介质。
根据本申请实施例的第一方面，提供一种广告投放系统，所述系统包括：
数据采集单元，用于采集电视节目数据信息；
构建单元，用于利用所述电视节目数据信息构建最优用户画像；
广告投放单元，用于根据所述最优用户画像投放广告。
优选的，所述构建单元，包括：
数据处理模块，用于从所述电视节目数据信息中提取特征词；
第一获取模块，用于根据所述特征词，利用预设的第一机器学习模型、预设的第二机器学习模型和预设的第三机器学习模型分别构建第一待定用户画像、第二待定用户画像和第三待定用户画像；
确定模块，用于令所述第一待定用户画像、第二待定用户画像和第三待定用户画像中特征的平均值为最优用户画像的特征，确定最优用户画像。
优选的，所述系统，还包括：
第一建立单元，用于建立所述预设的第一机器学习模型；
第二建立单元，用于建立所述预设的第二机器学习模型；
第三建立单元，用于建立所述预设的第三机器学习模型。
进一步的，所述第一建立单元，具体用于：
以历史的电视节目数据信息中的特征词为第一机器学习模型的输入层训练样本，以历史的用户画像为第一机器学习模型的输出层训练样本，获取所述预设的第一机器学习模型。
进一步的，所述第二建立单元，具体用于：
以历史的电视节目数据信息中的特征词为第二机器学习模型的输入层训练样本，以历史的用户画像为第二机器学习模型的输出层训练样本，获取所述预设的第二机器学习模型。
进一步的，所述第三建立单元，具体用于：
以历史的电视节目数据信息中的特征词为第三机器学习模型的输入层训练样本，以历史的用户画像为第三机器学习模型的输出层训练样本，获取所述预设的第三机器学习模型。
进一步的，所述广告投放单元，包括：
第二获取模块，用于根据所述最优用户画像获取与所述最优用户画像对应的广告；
投放模块，用于根据广告排期将所述与所述最优用户画像对应的广告进行投放。
优选的，所述系统还包括：
数据库，用于存储历史的电视节目数据信息、历史的用户画像和广告。
根据本申请实施例的第二方面，提供一种广告投放方法，所述方法包括：
采集电视节目数据信息；
利用所述电视节目数据信息构建最优用户画像；
根据所述最优用户画像投放广告。
优选的，所述利用所述电视节目数据信息构建最优用户画像，包括：
从所述电视节目数据信息中提取特征词；
根据所述特征词，利用预设的第一机器学习模型、预设的第二机器学习模型和预设的第三机器学习模型分别构建第一待定用户画像、第二待定用户画像和第三待定用户画像；
令所述第一待定用户画像、第二待定用户画像和第三待定用户画像中特征的平均值为最优用户画像的特征，确定最优用户画像。
优选的，所述预设的第一机器学习模型的建立过程，包括：
以历史的电视节目数据信息中的特征词为第一机器学习模型的输入层训练样本，以历史的用户画像为第一机器学习模型的输出层训练样本，获取所述预设的第一机器学习模型。
优选的，所述预设的第二机器学习模型的建立过程，包括：
以历史的电视节目数据信息中的特征词为第二机器学习模型的输入层训练样本，以历史的用户画像为第二机器学习模型的输出层训练样本，获取所述预设的第二机器学习模型。
优选的，所述预设的第三机器学习模型的建立过程，包括：
以历史的电视节目数据信息中的特征词为第三机器学习模型的输入层训练样本，以历史的用户画像为第三机器学习模型的输出层训练样本，获取所述预设的第三机器学习模型。
优选的，所述根据所述最优用户画像投放广告，包括：
根据所述最优用户画像获取与所述最优用户画像对应的广告；
根据广告排期将所述与所述最优用户画像对应的广告进行投放。
根据本申请实施例的第三方面，提供一种可读存储介质，其上存储有可执行程序，所述可执行程序被处理器执行时实现所述的广告投放方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请提供的技术方案，通过数据采集单元采集电视节目数据信息，构建单元利用电视节目数据信息构建最优用户画像，广告投放单元根据最优用户画像投放广告，不仅实现了智能投放广告，降低了人工成本；获取的用户画像还清晰，进一步提高了广告投放的准确度。
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，并不能限制本申请。
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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种广告投放系统的结构示意图；
图2是根据一示例性实施例示出的另一种广告投放系统的结构示意图；
图3是根据一示例性实施例示出的一种广告投放方法的流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，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申请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、本申请的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种广告投放系统的结构示意图，如图1所示，该系统包括：
数据采集单元，用于采集电视节目数据信息；
构建单元，用于利用电视节目数据信息构建最优用户画像；
广告投放单元，用于根据最优用户画像投放广告。
本实施例提供的一种广告投放系统，通过数据采集单元采集电视节目数据信息，构建单元利用电视节目数据信息构建最优用户画像，广告投放单元根据最优用户画像投放广告，不仅实现了智能投放广告，降低了人工成本；获取的用户画像还清晰，进一步提高了广告投放的准确度。
作为上述实施例的一种改进，本发明实施例提供另一种广告投放系统的结构示意图，如图2所示，包括：
数据采集单元，用于采集电视节目数据信息；
第一建立单元，用于建立预设的第一机器学习模型；
第二建立单元，用于建立预设的第二机器学习模型；
第三建立单元，用于建立预设的第三机器学习模型；
构建单元，用于利用电视节目数据信息构建最优用户画像；
广告投放单元，用于根据最优用户画像投放广告。
一些实施例中，电视节目数据信息可以但不限于包括：用户观看节目的名称、用户观看节目的类型、用户观看节目的日期、用户观看节目的时间和用户观看节目的时长等。
一些实施例中，第一机器学习模型、第二机器学习模型和第三机器学习模型可以但不限于从支持向量机模型、深度神经网络模型、卷积神经网络模型、朴素贝叶斯模型和数据聚类模型(例如K-means模型)和数据降维模型(PCA模型)中选取不同的模型。
进一步可选的，第一建立单元，具体用于：
以历史的电视节目数据信息中的特征词为第一机器学习模型的输入层训练样本，以历史的用户画像为第一机器学习模型的输出层训练样本，获取预设的第一机器学习模型。
例如，假设第一机器学习模型为深度神经网络模型，则以历史的电视节目数据信息中的特征词为深度神经网络模型的输入层训练样本，以历史的用户画像为深度神经网络模型的输出层训练样本，获取预设的深度神经网络模型。
进一步可选的，第二建立单元，具体用于：
以历史的电视节目数据信息中的特征词为第二机器学习模型的输入层训练样本，以历史的用户画像为第二机器学习模型的输出层训练样本，获取预设的第二机器学习模型。
例如，假设第二机器学习模型为卷积神经网络模型，则以历史的电视节目数据信息中的特征词为卷积神经网络模型的输入层训练样本，以历史的用户画像为卷积神经网络模型的输出层训练样本，获取预设的卷积神经网络模型。
进一步可选的，第三建立单元，具体用于：
以历史的电视节目数据信息中的特征词为第三机器学习模型的输入层训练样本，以历史的用户画像为第三机器学习模型的输出层训练样本，获取预设的第三机器学习模型。
例如，假设第三机器学习模型为支持向量机模型，则以历史的电视节目数据信息中的特征词为支持向量机模型的输入层训练样本，以历史的用户画像为支持向量机模型的输出层训练样本，获取预设的支持向量机模型。
容易理解的是，获取预设的机器学习模型时，历史的电视节目数据信息和历史的用户画像应当为对应的；例如，历史的用户甲的智能电视终端的电视节目数据信息为机器学习模型的输入层训练样本，则用户甲的用户画像则为机器学习模型的输出层训练样本。
需要说明的是，预设的机器学习模型的数量可以但不限于为三种，可以三种以上，也可以三种以下。本领域技术人员可根据实际需要来确定预设的机器学习模型的数量。
容易理解的是，历史的电视节目数据信息和历史的用户画像都在不断的更新，更新后应该重新建立上述预设的机器学习模型。
进一步可选的，构建单元，包括：
数据处理模块，用于从电视节目数据信息中提取特征词；
第一获取模块，用于根据从电视节目数据信息中提取的特征词，利用预设的第一机器学习模型、预设的第二机器学习模型和预设的第三机器学习模型分别构建第一待定用户画像、第二待定用户画像和第三待定用户画像；
确定模块，用于令第一待定用户画像、第二待定用户画像和第三待定用户画像中特征的平均值为最优用户画像的特征，确定最优用户画像。
一些实施例中，电视节目数据信息中的特征词可以但不限于包括：用户观看节目的名称、用户观看节目的类型、用户观看节目的播放时间和用户观看节目的结束时间等。
需要说明的是，本发明实施例中涉及的“从电视节目数据信息中提取特征词”方式，是本领域技术人员所熟知的，因此，其具体实现方式不做过多描述。例如，NLP分词算法等。
容易理解的是，用户画像的特征可以但不限于包括：用户的性别、用户的年龄和用户的节目喜好等。
例如，数据采集单元采集了用户甲观看的智能电视终端中的电视节目数据信息；数据处理模块从电视节目数据信息中提取特征词；第一获取模块根据从电视节目数据信息中提取的特征词，利用预设的第一机器学习模型、预设的第二机器学习模型和预设的第三机器学习模型分别构建出了第一待定用户画像、第二待定用户画像和第三待定用户画像；第一待定用户画像的性别和年龄分别为女性和20岁，第二待定用户画像的性别和年龄分别为女性和21岁，第三待定用户画像的性别和年龄分别为女性和22岁；则确定模块最终得出最优的用户画像的性别和年龄分别为女性和21岁。
容易理解的是，类似于性别这种待定用户画像中的特征没办法取平均值，则选取出现频率最高的性别。
一些实施例中，从第一待定用户画像、第二待定用户画像和第三待定用户画像中的特征选取出现频率最高的特征构建最优用户画像。例如，假设第一待定用户画像的性别和年龄分别为女性和27岁，第二待定用户画像的性别和年龄分别为男性和30岁，第三待定用户画像的性别和年龄分别为男性和30岁，则最优用户画像的性别和年龄分别为男性和30岁。
进一步可选的，广告投放单元，包括：
第二获取模块，用于根据最优用户画像获取与最优用户画像对应的广告；
投放模块，用于根据广告排期将与最优用户画像对应的广告进行投放。
例如，假设最优用户画像的性别为男，年龄为10岁，则与该最优用户画像对应的广告可以但不限于为玩具广告等；假设已知A频道的晚上八点到晚上十点间的广告排期信息，投放模块则根据A频道的晚上八点到晚上十点间的广告排期信息自动投放玩具广告。需要说明的是，本发明实施例中涉及的“结合广告排期投放广告”的方式，是本领域技术人员所熟知的，因此，其具体实现方式不做过多描述。
一些可选的实施例中，该系统还包括：
数据库，用于存储历史的电视节目数据信息、历史的用户画像和广告。
容易理解的是，该数据库需要进行定时定期或者不定时不定期的更新历史的电视节目数据信息、历史的用户画像和广告。
一些实施例中，数据库还可以用于存储不同频道或不同视频播放软件等的广告排期信息。
容易理解的是，当广告排期信息有所变动时，数据库应当更新广告排期信息。
需要说明的是，当可以联网的时候，投放模块投放的广告可以是数据库中存储的广告，也可以是联网获取的新的广告；当不能联网的时候，投放模块投放的广告应当是数据库中存储的广告。
本发明实施例提供的另一种广告投放系统，通过数据采集单元采集电视节目数据信息，构建单元利用电视节目数据信息构建最优用户画像，广告投放单元根据最优用户画像投放广告，一方面，不仅实现了智能投放广告，降低了人工成本；另一方面，获取的用户画像清晰，进一步提高了广告投放的准确度；通过利用不同的机器学习模型获取最优用户画像，以及结合广告排期投放广告，使每一个用户都拥有一个清晰的画像，并能够针对每一个用户进行精确的广告投放。
本发明实施例还提供一种广告投放方法的流程图，如图3所示，该方法可以但不限于用于终端，包括：
步骤101：采集电视节目数据信息；
步骤102：利用电视节目数据信息构建最优用户画像；
步骤103：根据最优用户画像投放广告。
一些实施例中，电视节目数据信息可以但不限于包括：用户观看节目的名称、用户观看节目的类型、用户观看节目的日期、用户观看节目的时间和用户观看节目的时长等。
进一步可选的，采集电视节目数据信息之后，步骤102包括：
步骤1021：从电视节目数据信息中提取特征词；
步骤1022：根据特征词，利用预设的第一机器学习模型、预设的第二机器学习模型和预设的第三机器学习模型分别构建第一待定用户画像、第二待定用户画像和第三待定用户画像；
步骤1023：令第一待定用户画像、第二待定用户画像和第三待定用户画像中特征的平均值为最优用户画像的特征，确定最优用户画像。
一些实施例中，电视节目数据信息中的特征词可以但不限于包括：用户观看节目的名称、用户观看节目的类型、用户观看节目的播放时间和用户观看节目的结束时间等。
需要说明的是，本发明实施例中涉及的“从电视节目数据信息中提取特征词”方式，是本领域技术人员所熟知的，因此，其具体实现方式不做过多描述。例如，NLP分词算法等。
容易理解的是，用户画像的特征可以但不限于包括：用户的性别、用户的年龄和用户的节目喜好等。
例如，假设采集用户甲观看的智能电视终端中的电视节目数据信息，则从电视节目数据信息中提取特征词；根据从电视节目数据信息中提取的特征词，利用预设的第一机器学习模型、预设的第二机器学习模型和预设的第三机器学习模型分别构建出了第一待定用户画像、第二待定用户画像和第三待定用户画像；第一待定用户画像的性别和年龄分别为女性和20岁，第二待定用户画像的性别和年龄分别为女性和21岁，第三待定用户画像的性别和年龄分别为女性和22岁；则确定模块最终得出最优的用户画像的性别和年龄分别为女性和21岁。
容易理解的是，类似于性别这种待定用户画像中的特征没办法取平均值，则选取出现频率最高的性别。
一些实施例中，从第一待定用户画像、第二待定用户画像和第三待定用户画像中的特征选取出现频率最高的特征构建最优用户画像。例如，假设第一待定用户画像的性别和年龄分别为女性和27岁，第二待定用户画像的性别和年龄分别为男性和30岁，第三待定用户画像的性别和年龄分别为男性和30岁，则最优用户画像的性别和年龄分别为男性和30岁。
进一步可选的，预设的第一机器学习模型的建立过程，包括：
以历史的电视节目数据信息中的特征词为第一机器学习模型的输入层训练样本，以历史的用户画像为第一机器学习模型的输出层训练样本，获取预设的第一机器学习模型。
例如，假设第一机器学习模型为深度神经网络模型，则以历史的电视节目数据信息中的特征词为深度神经网络模型的输入层训练样本，以历史的用户画像为深度神经网络模型的输出层训练样本，获取预设的深度神经网络模型。
进一步可选的，预设的第二机器学习模型的建立过程，包括：
以历史的电视节目数据信息中的特征词为第二机器学习模型的输入层训练样本，以历史的用户画像为第二机器学习模型的输出层训练样本，获取预设的第二机器学习模型。
例如，假设第二机器学习模型为卷积神经网络模型，则以历史的电视节目数据信息中的特征词为卷积神经网络模型的输入层训练样本，以历史的用户画像为卷积神经网络模型的输出层训练样本，获取预设的卷积神经网络模型。
进一步可选的，预设的第三机器学习模型的建立过程，包括：
以历史的电视节目数据信息中的特征词为第三机器学习模型的输入层训练样本，以历史的用户画像为第三机器学习模型的输出层训练样本，获取预设的第三机器学习模型。
例如，假设第三机器学习模型为支持向量机模型，则以历史的电视节目数据信息中的特征词为支持向量机模型的输入层训练样本，以历史的用户画像为支持向量机模型的输出层训练样本，获取预设的支持向量机模型。
容易理解的是，获取预设的机器学习模型时，历史的电视节目数据信息和历史的用户画像应当为对应的；例如，历史的用户甲的智能电视终端的电视节目数据信息为机器学习模型的输入层训练样本，则用户甲的用户画像则为机器学习模型的输出层训练样本。
需要说明的是，预设的机器学习模型的数量可以但不限于为三种，可以三种以上，也可以三种以下。本领域技术人员可根据实际需要来确定预设的机器学习模型的数量。
容易理解的是，历史的电视节目数据信息和历史的用户画像都在不断的更新，更新后应该重新建立上述预设的机器学习模型。
进一步可选的，获取最优用户画像之后，步骤103包括：
步骤1031：根据最优用户画像获取与最优用户画像对应的广告；
步骤1032：根据广告排期将与最优用户画像对应的广告进行投放。
例如，假设最优用户画像的性别为男，年龄为10岁，则与该最优用户画像对应的广告可以但不限于为玩具广告等；投放模块则根据广告排期投放玩具广告。
需要说明的是，本发明实施例中涉及的“结合广告排期投放广告”的方式，是本领域技术人员所熟知的，因此，其具体实现方式不做过多描述。
一些可选的实施例中，采集历史的电视节目数据信息，并将历史的电视节目数据信息进行分类，从直播和点播大的类目到具体节目小的条目都映射到具体的库表；当用户上线时，自动将收集到的所有数据过滤后存储到库表。定时扫面库表的数据，建立用户模型，形成最优用户画像；关联广告投放排期的数据，做到应时应景的广告投放；容易理解的是，建立用户模型和形成最优用户画像所采用的方法为上述广告投放方法中的内容。
本发明实施例提供的另一种广告投放方法，通过采集电视节目数据信息，利用电视节目数据信息构建最优用户画像，广告投放单元根据最优用户画像投放广告，一方面，不仅实现了智能投放广告，降低了人工成本；另一方面，获取的用户画像清晰，进一步提高了广告投放的准确度；通过利用不同的机器学习模型获取最优用户画像，以及结合广告排期投放广告，使每一个用户都拥有一个清晰的画像，并能够针对每一个用户进行精确的广告投放。
本发明实施例还提供一种可读存储介质，其上存储有可执行程序，可执行程序被处理器执行时实现上述广告投放方法的步骤。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种广告投放系统，其特征在于，所述系统包括：
数据采集单元，用于采集电视节目数据信息；
构建单元，用于利用所述电视节目数据信息构建最优用户画像；
广告投放单元，用于根据所述最优用户画像投放广告。
2.根据权利要求1所述的系统，其特征在于，所述构建单元，包括：
数据处理模块，用于从所述电视节目数据信息中提取特征词；
第一获取模块，用于根据所述特征词，利用预设的第一机器学习模型、预设的第二机器学习模型和预设的第三机器学习模型分别构建第一待定用户画像、第二待定用户画像和第三待定用户画像；
确定模块，用于令所述第一待定用户画像、第二待定用户画像和第三待定用户画像中特征的平均值为最优用户画像的特征，确定最优用户画像。
3.根据权利要求2所述的系统，其特征在于，所述系统，还包括：
第一建立单元，用于建立所述预设的第一机器学习模型；
第二建立单元，用于建立所述预设的第二机器学习模型；
第三建立单元，用于建立所述预设的第三机器学习模型。
4.根据权利要求3所述的系统，其特征在于，所述第一建立单元，具体用于：
以历史的电视节目数据信息中的特征词为第一机器学习模型的输入层训练样本，以历史的用户画像为第一机器学习模型的输出层训练样本，获取所述预设的第一机器学习模型。
5.根据权利要求3所述的系统，其特征在于，所述第二建立单元，具体用于：
以历史的电视节目数据信息中的特征词为第二机器学习模型的输入层训练样本，以历史的用户画像为第二机器学习模型的输出层训练样本，获取所述预设的第二机器学习模型。
6.根据权利要求3所述的系统，其特征在于，所述第三建立单元，具体用于：
以历史的电视节目数据信息中的特征词为第三机器学习模型的输入层训练样本，以历史的用户画像为第三机器学习模型的输出层训练样本，获取所述预设的第三机器学习模型。
7.根据权利要求3所述的系统，其特征在于，所述广告投放单元，包括：
第二获取模块，用于根据所述最优用户画像获取与所述最优用户画像对应的广告；
投放模块，用于根据广告排期将所述与所述最优用户画像对应的广告进行投放。
8.根据权利要求1-7任一项所述的系统，其特征在于，所述系统还包括：
数据库，用于存储历史的电视节目数据信息、历史的用户画像和广告。
9.一种广告投放方法，其特征在于，所述方法包括：
采集电视节目数据信息；
利用所述电视节目数据信息构建最优用户画像；
根据所述最优用户画像投放广告。
10.一种可读存储介质，其上存储有可执行程序，其特征在于，所述可执行程序被处理器执行时实现权利要求9所述的广告投放方法的步骤。
CN202010436115.0A 2020-05-21 2020-05-21 一种广告投放系统、方法和可读存储介质 Pending CN111626774A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010436115.0A CN111626774A (zh) 2020-05-21 2020-05-21 一种广告投放系统、方法和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010436115.0A CN111626774A (zh) 2020-05-21 2020-05-21 一种广告投放系统、方法和可读存储介质

Publications (1)

Publication Number Publication Date
CN111626774A true CN111626774A (zh) 2020-09-04

Family

ID=72271018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010436115.0A Pending CN111626774A (zh) 2020-05-21 2020-05-21 一种广告投放系统、方法和可读存储介质

Country Status (1)

Country Link
CN (1) CN111626774A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184324A (zh) * 2020-10-13 2021-01-05 广州欢网科技有限责任公司 适用于直播场景的个性化广告投放方法、装置和控制器
CN115375367A (zh) * 2022-08-26 2022-11-22 江阴旺达商务贴有限公司 广告投放鉴定系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120323725A1 (en) * 2010-12-15 2012-12-20 Fourthwall Media Systems and methods for supplementing content-based attributes with collaborative rating attributes for recommending or filtering items
CN109615429A (zh) * 2018-12-11 2019-04-12 大象慧云信息技术有限公司 一种基于发票数据的精准广告投放系统及方法
CN109636481A (zh) * 2018-12-19 2019-04-16 未来电视有限公司 面向家庭用户的用户画像构建方法及装置
CN109658129A (zh) * 2018-11-22 2019-04-19 北京奇虎科技有限公司 一种用户画像的生成方法及装置
CN110602531A (zh) * 2019-08-28 2019-12-20 四川长虹电器股份有限公司 一种给智能电视推荐广告的系统
CN111050193A (zh) * 2019-11-12 2020-04-21 汉口北进出口服务有限公司 用户画像构建方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120323725A1 (en) * 2010-12-15 2012-12-20 Fourthwall Media Systems and methods for supplementing content-based attributes with collaborative rating attributes for recommending or filtering items
CN109658129A (zh) * 2018-11-22 2019-04-19 北京奇虎科技有限公司 一种用户画像的生成方法及装置
CN109615429A (zh) * 2018-12-11 2019-04-12 大象慧云信息技术有限公司 一种基于发票数据的精准广告投放系统及方法
CN109636481A (zh) * 2018-12-19 2019-04-16 未来电视有限公司 面向家庭用户的用户画像构建方法及装置
CN110602531A (zh) * 2019-08-28 2019-12-20 四川长虹电器股份有限公司 一种给智能电视推荐广告的系统
CN111050193A (zh) * 2019-11-12 2020-04-21 汉口北进出口服务有限公司 用户画像构建方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蒋惠凤: "《中长期电力负荷预测技术与应用》", 30 October 2016, 东南大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184324A (zh) * 2020-10-13 2021-01-05 广州欢网科技有限责任公司 适用于直播场景的个性化广告投放方法、装置和控制器
CN115375367A (zh) * 2022-08-26 2022-11-22 江阴旺达商务贴有限公司 广告投放鉴定系统及方法
CN115375367B (zh) * 2022-08-26 2023-04-07 江阴旺达商务贴有限公司 广告投放鉴定系统及方法

Similar Documents

Publication Publication Date Title
US11620678B2 (en) Advertising method, device and system, and computer-readable storage medium
JP6745857B2 (ja) 学習装置、学習システム、および学習方法
WO2020259510A1 (zh) 信息植入区域的检测方法、装置、电子设备及存储介质
KR101985283B1 (ko) 동적 홍보 배치 관리와 배포 규칙
JP6346713B2 (ja) 表示背景を変更する方法、装置、機器、プログラム及び記録媒体
CN105430429B (zh) 一种媒体数据的优化方法和装置
CN109429103B (zh) 推荐信息的方法、装置及计算机可读存储介质、终端设备
US20120263433A1 (en) Detecting Key Roles and Their Relationships from Video
CN101620715A (zh) 智能广告发布方法和系统
CN103119620A (zh) 基于推测的社会关系的行为建议
CN110430476A (zh) 直播间搜索方法、系统、计算机设备和存储介质
CN103686344A (zh) 增强视频系统及方法
CN105224576A (zh) 一种影视智能推荐方法
CN111626774A (zh) 一种广告投放系统、方法和可读存储介质
CN102893276A (zh) 同步数字媒体内容的方法
CN101489139A (zh) 基于视觉显著度的视频广告关联方法与系统
CN111741327B (zh) 一种媒体处理方法及媒体服务器
CN102890950B (zh) 媒体自动剪辑装置、方法、媒体播送方法与其播送系统
CN112333547A (zh) 电视端短视频用户喜爱偏好推荐方法、装置和智能电视
CN110310144A (zh) 基于年龄的广告推送方法、装置、设备及存储介质
CN110476428A (zh) 使用覆盖的定向内容放置
CN110490688A (zh) 商品推荐方法和装置
CN109344726A (zh) 一种广告投放方法和装置
CN105324787A (zh) 用户的基于手势的广告简档
CN103177051A (zh) 相片管理系统

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: 20200904

RJ01 Rejection of invention patent application after publication