CN111833096A - 一种基于机器学习的广告推荐方法及系统 - Google Patents

Abstract

本发明实施例公开了一种基于机器学习的广告推荐方法及系统，包括以下步骤：用户行为追踪，追踪每个用户的互联网行为，挖掘分析每个用户实时需求；推荐对象分类，将推荐对象按照项目分类划分至最小单元，并且初步建立用户实时需求与推荐对象最小单元之间的映射关系；更新推荐对象，实时根据推荐对象最小单元的点击率更新用户实时需求，并且重新对推荐对象的顺序列表进行排名；拓展用户需求，根据推荐对象最小单元的点击率排名将所有实时需求进行神经网络拓扑并实时更新每个用户的实时需求；本方案在不同的时间段区分不同类型的广告权重，避免由于工作缘由造成的搜索内容类型影响基本兴趣内容，提高广告推荐的准确性和有效性。

Description

一种基于机器学习的广告推荐方法及系统

技术领域

本发明实施例涉及推荐系统技术领域，具体涉及一种基于机器学习的广告推荐方法及系统。

背景技术

机器学习的价值体现主要集中在数据的转向以及数据的信息处理能力等等。在产业发展的今天，大数据时代的到来，对数据的转换，数据的处理数据的存储等带来了更好的技术支持，产业升级和新产业诞生形成了一种推动力量，让大数据能够针对可发现事物的程序进行自动规划，实现人类用户以计算机信息之间的协调。

目前随着互联网技术的发展，通过互联网获取信息、生活、娱乐和工作成为人们生活的一部分。商家为了提高知名度，推广商品，往往通过互联网投放广告，国内比较著名的广告推荐系统如百度推广，当用户利用某一关键词进行检索，在检索结果页面会出现与该关键词相关的内容。关键词是在特定关键词的检索时才出现在搜索结果页面的显著位置。

同时互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载问题。因此智能的根据每个用户在互联网上留下的检索记录，判断用户的工作需求以及兴趣内容，来适应的推荐相同类型的广告，可一方面提高了广告的有效投放率，同时另一方面也为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。

但是现有的广告推荐方法及系统还存在的问题如下：

(1)过多的注重用户浏览记录，导致用户浏览记录对应的广告集中且单一化，并且只能被动等待用户搜索来进行广告推荐，无法快速及时的获取其他感兴趣的内容；

(2)没有对用户感兴趣内容以及实时需求进行分类整理，全天统一分析所有的广告点击率，导致推荐内容缺乏实时性和有效性，错失广告推荐的好时机。

发明内容

为此，本发明实施例提供一种基于机器学习的广告推荐方法及系统，以解决现有技术中用户浏览记录对应的广告集中且单一化，并且只能被动等待用户搜索来进行广告推荐，全天统一分析所有的广告点击率，导致推荐内容缺乏实时性和有效性的问题。

为了实现上述目的，本发明的实施方式提供如下技术方案：

一方面，本发明提供了一种基于机器学习的广告推荐方法，包括以下步骤：

步骤100、用户行为追踪，追踪每个用户的互联网行为，挖掘分析每个用户实时需求；

步骤200、推荐对象分类，将推荐对象按照项目分类划分至最小单元，并且初步建立用户实时需求与推荐对象最小单元之间的映射关系；

步骤300、更新推荐对象，实时根据推荐对象最小单元的点击率更新用户实时需求，并且重新对推荐对象的顺序列表进行排名；

步骤400、拓展用户需求，根据推荐对象最小单元的点击率排名将所有实时需求进行神经网络拓扑并实时更新每个用户的实时需求。

作为本发明的一种优选方案，在步骤100中，追踪每个用户的互联网行为来分析每个用户实时需求的具体步骤为：

步骤101、获取每个用户的账号以及每次账号登录的IP地址；

步骤102、统计用户的检索历史记录，确定用户的工作信息和用户兴趣内容，建立实时更新的用户个人信息库；

步骤103、分析用户的工作信息和用户兴趣内容，挖掘每个用户需求并以用户需求为中心点创建一个虚拟用户标签薄；

步骤104、建立虚拟用户标签薄的不同标签与推荐对象最小单元之间的关联关系。

作为本发明的一种优选方案，在步骤200中，根据推荐对象的划分深度依次分别按照不同领域分类、按照不同功能分类以及按照不同关键字分类，所述推荐对象按照不同领域分类划分为若干个母模块，每个母模块按照不同的功能分类划分为若干个子模块，每个子模块按照不同的关键字分类划分为若干个最小单元，所述步骤200根据每个用户的实时需求建立用户与最小单元之间的初步映射关系的具体步骤为：

根据对每个用户的互联网行为的追踪结果初步确定用户工作信息以及用户兴趣内容；

以用户的工作信息为中心点确定若干个与推荐对象最小单元分类对应的信息虚拟标签；

以用户兴趣内容为中心点确定若干个与推荐对象最小单元分类对应的兴趣虚拟标签；

分别建立信息虚拟标签和兴趣虚拟标签对应到推荐对象最小单元分类的映射关系。

作为本发明的一种优选方案，所述信息虚拟标签和推荐对象最小单元分类具有一对多的映射关系，所述兴趣虚拟标签和推荐对象最小单元分类同样具有一对多的映射关系，一个信息虚拟标签或者兴趣虚拟标签映射多个推荐对象最小单元分类。

作为本发明的一种优选方案，在步骤200中，初步根据每个用户实时需求将推荐时间段分为工作时间段和休息时间段，并设定在工作时间段中的兴趣虚拟标签与信息虚拟标签对应的推荐对象最小单元分类的推荐权重，与在休息时间段的兴趣虚拟标签与信息虚拟标签对应的推荐对象最小单元分类的推荐权重相反。

作为本发明的一种优选方案，在步骤200中，在同一时间段内，不同兴趣虚拟标签或者不同信息虚拟标签对应的推荐对象最小单元分类数量均分，在步骤300中，根据每个所述兴趣虚拟标签或者信息虚拟标签的质量度二次更新用户实时需求。

作为本发明的一种优选方案，所述兴趣虚拟标签或者信息虚拟标签的质量度的质量度由小单元项目的点击率决定，其中点击率＝点击量/展现量，在工作时间段和休息时间段内，由推荐对象最小单元分类的推荐权重和质量度共同决定小单元项目推荐的平均排名顺序。

作为本发明的一种优选方案，平均排名顺序靠前的所述推荐对象最小单元分类根据拓扑网络模型，将最小单元分类上级的子模块对应的推荐对象发送给用户，并且根据子模块对应的推荐对象的点击率实时更新用户个人信息库的内容，所述个人信息库仅用于保存固定数量的虚拟用户标签薄，因此实时统计不同虚拟标签对应的最小单元分类点击率来确定保存标签，其他的标签将转移至缓冲池内并根据与实时需求的关联性不定期映射对应的最小单元分类推荐给用户。

另一方面，本发明还提供了一种基于机器学习的广告推荐系统，包括用户标签建模模块和推荐对象建模模块；

所述用户标签建模模块包括：

用户追踪单元，用于实时监控每个用户在互联网上的搜索历史记录，并对搜索历史记录进行解析来确定用户工作内容和用户兴趣内容；

用户个人信息库，用于保存并挖掘用户工作内容和用户兴趣内容，确定每个用户的工作需求和生活兴趣需求；

虚拟用户标签薄，用于确定工作需求和生活兴趣需求对应的关键字标签以便于建立用户标签建模模块和推荐对象建模模块之间的直接联系。

作为本发明的一种优选方案，所述推荐对象建模模块包括：

推荐对象分类模块，用于将每个推荐对象按照划分深度确定至最小单元的项目；

映射关系创建单元，用于建立虚拟标签与推荐对象分类模块之间的映射溯源关系；

划分推荐权重单元，用于在不同时间段初步区分不同关键字标签的推荐对象推荐权重；

更新标签单元，用于根据客户对初步推荐的推荐对象点击率更新不同推荐对象的顺序排名，并根据拓扑网络模型更新所述用户个人信息库的内容。

本发明的实施方式具有如下优点：

(1)本发明根据用户的搜索内容信息分类，建立一个用户虚拟模型，可虚拟出该用户的实时消费需求以及隐藏消费需求，并且长久保留用户的兴趣内容对应的广告，还通过拓扑网络模型确定下级分类中的关联性，挖掘和分析用户的新兴趣，从而便于推荐对象的新项目的推广，从而实现快速、及时和主动的进行对应分类的广告推荐，有效避免信息爆炸和信息单一化的缺陷；

(2)本发明将广告推荐分为两个不同的时间段进行推荐，并在不同的时间段区分不同类型的广告权重，避免由于工作缘由造成的搜索内容类型影响基本兴趣内容，提高广告推荐的准确性和有效性。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施方式中的广告推荐方法的流程示意图；

图2为本发明实施方式中的广告推荐系统的结构框图。

图中：

1-用户标签建模模块；2-推荐对象建模模块；

101-用户追踪单元；102-用户个人信息库；103-虚拟用户标签薄；

201-推荐对象分类模块；202-映射关系创建单元；203-划分推荐权重单元；204-更新标签单元。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

如图1所示，本发明提供了一种基于机器学习的广告推荐方法及系统，根据用户的搜索内容判断用户的工作以及兴趣内容，根据用户的工作主动推荐与工作相关的广告，跟现有技术中的被动等待用户搜索来进行广告推荐相比，具有主动性和实时性，从而提高广告的有效投放，也帮助用户及时获取有效信息。

另外，本实施方式将广告推荐分为两个不同的时间段进行推荐，并在不同的时间段区分不同类型的广告权重，避免由于工作缘由造成的搜索内容类型影响基本兴趣内容，提高广告推荐的准确性和有效性。

具体包括以下步骤：

第一步、用户行为追踪，追踪每个用户的互联网行为，挖掘分析每个用户实时需求。

追踪每个用户的互联网行为来分析每个用户实时需求的具体步骤为：

T1、获取每个用户的账号以及每次账号登录的IP地址；

T 2、统计用户的检索历史记录，确定用户的工作信息和用户兴趣内容，建立实时更新的用户个人信息库；

T 3、分析用户的工作信息和用户兴趣内容，挖掘每个用户需求并以用户需求为中心点创建一个虚拟用户标签薄；

T 4、建立虚拟用户标签薄的不同标签与推荐对象最小单元之间的关联关系。

本实施方式利用机器学习的大数据处理方法来分析用户的检索内容分类，确定用户的基本信息，确定用户基本信息的方式一般为：先选择大量分类比较统一的检索内容，然后利用大数据判断检索内容的普遍消费人群和消费人群的平均年龄段，初步判断用户的性别、年龄分段以及工作性质，实现分析用户的工作信息和用户兴趣内容的方式。

在确定用户的基本工作信息以及大量统一的检索内容，即可确定每个用户的需求，一般来说，工作性质分为室内办公族和室外销售族，而室内办公族和室外销售族对广告的需求也不一样，对于室内办公族来说，特点就是久坐、用眼过度以及运动少，而对于室外销售族来说，特点即为运行量大、生活舒适类的要求多；同时男女用户的搜索内容不同，其兴趣内容也对应不同。

因此作为本发明的创新点，针对不同的工作性质以及不同的年龄分段，以及具体的搜索内容信息分类，即可以建立一个用户虚拟模型，可虚拟出该用户的实时消费需求以及隐藏消费需求，从而实现快速、及时和主动的进行对应分类的广告推荐。

另外，本实施方式的用户个人信息库可根据用户不同时期的搜索内容以及对用户基本信息的继续挖掘细化来实时更新，因此随着长时间的搜索记录的积累，本实施方式可逐步形成比较完整且功能完善的广告推荐系统。

综上，挖掘分析用户的实时需求实际上是利用机器学习实现大数据处理的过程，建立一个虚拟用户模型，对用户进行解析，具体的实现步骤为：先将用户的浏览内容进行初步分类，即可确定浏览内容对应用户的兴趣内容分类；然后统一浏览内容对应的普遍性用户性别、用户年龄以及用户对应的工作类型，即可确定用户的工作信息；最后根据用户的兴趣内容分类和工作类型确定用户的明显兴趣内容和隐形消费内容。

第二步、推荐对象分类，将推荐对象按照项目分类划分至最小单元，并且初步建立用户实时需求与推荐对象最小单元之间的映射关系。

其中建立每个用户的实时需求与最小单元之间的初步映射关系的具体步骤为：

S1、根据对每个用户的互联网行为的追踪结果初步确定用户工作信息以及用户兴趣内容；

S2、以用户的工作信息为中心点确定若干个与推荐对象最小单元分类对应的信息虚拟标签；

S3、以用户兴趣内容为中心点确定若干个与推荐对象最小单元分类对应的兴趣虚拟标签；

S4、分别建立信息虚拟标签和兴趣虚拟标签对应到推荐对象最小单元分类的映射关系。

此步骤实际上是对推荐对象的解析处理，为了能够让用户快速发现并确认感兴趣的推荐对象，本实施方式将推荐对象按照分类规则划分至最小单元，因此根据用户的实时需求，直接将最小单元分类的广告本体推荐给用户。

根据推荐对象的划分深度依次分别按照不同领域分类、按照不同功能分类以及按照不同关键字分类，所述推荐对象按照不同领域分类划分为若干个母模块，每个母模块按照不同的功能分类划分为若干个子模块，每个子模块按照不同的关键字分类划分为若干个最小单元，本实施方式划分三个级别只是提供的划分推荐对象的一种实现方式，至于具体的分级层数可根据实际情况自行设定。

其中，需要补充说明的是，同一母模块下的每个子模块其实均具有关联性，也就是说两个或者多个子模块之间具有重叠或者关联的部分，因此推荐与最小单元分类同一子模块下的其他最小单元分类的推荐对象给用户时，还可以穿插着其他最小单元分类来拓展开发新的项目给用户，根据用户的点击率确定用户是否对新的项目感兴趣，因此本实施方式不仅仅只是将已经挖掘的用户兴趣来适应推荐对应的广告，同时还通过关联法推荐新的项目给用户实现拓展用户的新兴趣。

另外，作为本发明的另一创新点，本实施方式为了结合实际情况进一步的确定用户的兴趣内容排名，也就是说，本实施方式通过区分用户的工作时间和休息时间的广告点击率来代替现有技术中将统一分析所有的广告点击率，其实众所周知，工作时间和休息时间的检索内容肯定是不同的，因为工作时间的检索内容大多依据工作需求，而休息时间的检索内容才大多依据用户本身的兴趣，而现有大多将工作需求和用户本身的兴趣融合在一起分析，根据搜索内容实时更新不同类型的广告推荐排名，导致广告推荐算法与实际情况的偏差大。

而本实施方式将广告推荐分为两大部分，包括工作时间段和休息时间段，即初步根据每个用户实时需求将推荐时间段分为工作时间段和休息时间段，工作时间段内的信息虚拟标签对应的广告推荐权重大于兴趣虚拟标签对应的广告推荐权重，而休息时间段内的信息虚拟标签对应的广告推荐权重小于兴趣虚拟标签对应的广告推荐权重，为了简化本实施方式的广告推荐算法，本实施方式设定在工作时间段中的兴趣虚拟标签与信息虚拟标签对应的推荐对象最小单元分类的推荐权重比值，与在休息时间段的兴趣虚拟标签与信息虚拟标签对应的推荐对象最小单元分类的推荐权重比值相反。

例如在工作时间段内，信息虚拟标签对应的推荐对象最小单元分类大多为“word怎么删除空白页”，“word怎么设置页码”等等项目，而兴趣虚拟标签对应的推荐对象最小单元分类大多“长期不运动的人该如何锻炼”，“一个人如何在家做运动”等等项目，并且设定工作时间段内信息虚拟标签对应最小单元分类的推荐权重与兴趣虚拟标签对应最小单元分类的推荐权重为7:3；而在休息时间段内，设定信息虚拟标签对应最小单元分类的推荐权重与兴趣虚拟标签对应最小单元分类的推荐权重为3:7。

在同一时间段内，并不区分每个兴趣虚拟标签以及每个信息虚拟标签对应的最小单元分类数量，从而实现全面展示用户的兴趣内容，即不同兴趣虚拟标签或者不同信息虚拟标签对应的推荐对象最小单元分类数量均分，而现有技术中，通常在用户检索一个最小单元分类对应的项目后，算法后续推荐的内容根据检索记录全面覆盖原始的兴趣内容，随着检索的进行，导致广告推荐的内容越来越单一化，严重隔绝用户对其他广告的接触，本实施方式可相对实现根据确定用户的兴趣内容，并且保留用户的兴趣内容对应的广告，相对避免信息爆炸和信息单一化的问题。

第三步、更新推荐对象，实时根据推荐对象最小单元的点击率更新用户实时需求，并且重新对推荐对象的顺序列表进行排名；

第三步的实质操作是根据每个所述兴趣虚拟标签或者信息虚拟标签的质量度二次更新用户实时需求。

本实施方式先将用户兴趣内容对应的推荐对象统一无分别的随机展示，而根据用户对不同推荐对象的点击率而确定用户的实时需求，此方式即全面展示用户的所有感兴趣的推荐对象，同时还通过排序的方式帮助用户快速找到当前的兴趣内容。

所述兴趣虚拟标签或者信息虚拟标签的质量度的质量度由小单元项目的点击率决定，其中点击率＝点击量/展现量，在工作时间段和休息时间段内，由推荐对象最小单元分类的推荐权重和质量度共同决定小单元项目推荐的平均排名顺序。

比如说，在工作时间段内，则推荐比重较大的信息虚拟标签对应的最小单元分类排在兴趣虚拟标签对应的最小单元分类前面，然后再根据质量度对不同的信息虚拟标签和兴趣虚拟标签进行二次排序。

第四步、拓展用户需求，根据推荐对象最小单元的点击率排名将所有实时需求进行神经网络拓扑并实时更新每个用户的实时需求。

平均排名顺序靠前的所述推荐对象最小单元分类根据拓扑网络模型，将最小单元分类上级的子模块对应的推荐对象发送给用户，并且根据子模块对应的推荐对象的点击率实时更新用户个人信息库的内容，对于可更新的个人信息库，仅可以保存固定数量的虚拟用户标签薄，因此实时统计不同虚拟标签对应的最小单元分类点击率来确定保存标签，其他的标签将转移至缓冲池内，根据与实时需求的关联性不定期映射对应的最小单元分类推荐给用户。

另外，如图2所示，本发明还提供了一种基于机器学习的广告推荐系统，其特征在于，包括用户标签建模模块1和推荐对象建模模块2；

所述用户标签建模模块1包括：

用户追踪单元101，用于实时监控每个用户在互联网上的搜索历史记录，并对搜索历史记录进行解析来确定用户工作内容和用户兴趣内容；

用户个人信息库102，用于保存并挖掘用户工作内容和用户兴趣内容，确定每个用户的工作需求和生活兴趣需求；

虚拟用户标签薄103，用于确定工作需求和生活兴趣需求对应的关键字标签以便于建立用户标签建模模块和推荐对象建模模块之间的直接联系。

推荐对象建模模块2包括：

推荐对象分类模块201，用于将每个推荐对象按照划分深度确定至最小单元的项目；

映射关系创建单元202，用于建立虚拟标签与推荐对象分类模块之间的映射溯源关系；

划分推荐权重单元203，用于在不同时间段初步区分不同关键字标签的推荐对象推荐权重；

更新标签单元204，用于根据客户对初步推荐的推荐对象点击率更新不同推荐对象的顺序排名，并根据拓扑网络模型更新所述用户个人信息库的内容。

本实施方式中的用户标签建模模块1和推荐对象建模模块2为正作用和反作用的关系，广告推荐系统根据用户标签建模模块1确定用户的若干个特征标签，根据特征标签确定推荐对象建模模块2中对应的推荐对象分类，从而实现主动实时的进行广告的有效投放，也帮助用户及时获取有效信息。

确定推荐对象分类后，将推荐对象分类按照不同的时间段进行再次分重配比显示，因此可精确挖掘用户的兴趣内容，而不是每天统一根据搜索内容挖掘兴趣内容，从而提高兴趣内容对应的推荐对象分类排序的准确性。

同时还通过拓扑网络模型确定下级分类中的关联性，挖掘和分析用户的新兴趣，从而便于推荐对象的新项目的推广。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种基于机器学习的广告推荐方法，其特征在于，包括以下步骤：

步骤100、用户行为追踪，追踪每个用户的互联网行为，挖掘分析每个用户实时需求；

步骤200、推荐对象分类，将推荐对象按照项目分类划分至最小单元，并且初步建立用户实时需求与推荐对象最小单元之间的映射关系；

步骤300、更新推荐对象，实时根据推荐对象最小单元的点击率更新用户实时需求，并且重新对推荐对象的顺序列表进行排名；

步骤400、拓展用户需求，根据推荐对象最小单元的点击率排名将所有实时需求进行神经网络拓扑并实时更新每个用户的实时需求。

2.根据权利要求1所述的一种基于机器学习的广告推荐方法及系统，其特征在于，在步骤100中，追踪每个用户的互联网行为来分析每个用户实时需求的具体步骤为：

步骤101、获取每个用户的账号以及每次账号登录的IP地址；

步骤102、统计用户的检索历史记录，确定用户的工作信息和用户兴趣内容，建立实时更新的用户个人信息库；

步骤103、分析用户的工作信息和用户兴趣内容，挖掘每个用户需求并以用户需求为中心点创建一个虚拟用户标签薄；

步骤104、建立虚拟用户标签薄的不同标签与推荐对象最小单元之间的关联关系。

3.根据权利要求2所述的一种基于机器学习的广告推荐方法及系统，其特征在于，在步骤200中，根据推荐对象的划分深度依次分别按照不同领域分类、按照不同功能分类以及按照不同关键字分类，所述推荐对象按照不同领域分类划分为若干个母模块，每个母模块按照不同的功能分类划分为若干个子模块，每个子模块按照不同的关键字分类划分为若干个最小单元，所述步骤200根据每个用户的实时需求建立用户与最小单元之间的初步映射关系的具体步骤为：

根据对每个用户的互联网行为的追踪结果初步确定用户工作信息以及用户兴趣内容；

以用户的工作信息为中心点确定若干个与推荐对象最小单元分类对应的信息虚拟标签；

以用户兴趣内容为中心点确定若干个与推荐对象最小单元分类对应的兴趣虚拟标签；

分别建立信息虚拟标签和兴趣虚拟标签对应到推荐对象最小单元分类的映射关系。

4.根据权利要求3所述的一种基于机器学习的广告推荐方法及系统，其特征在于，所述信息虚拟标签和推荐对象最小单元分类具有一对多的映射关系，所述兴趣虚拟标签和推荐对象最小单元分类同样具有一对多的映射关系，一个信息虚拟标签或者兴趣虚拟标签映射多个推荐对象最小单元分类。

5.根据权利要求4所述的一种基于机器学习的广告推荐方法及系统，其特征在于，在步骤200中，初步根据每个用户实时需求将推荐时间段分为工作时间段和休息时间段，并设定在工作时间段中的兴趣虚拟标签与信息虚拟标签对应的推荐对象最小单元分类的推荐权重，与在休息时间段的兴趣虚拟标签与信息虚拟标签对应的推荐对象最小单元分类的推荐权重相反。

6.根据权利要求5所述的一种基于机器学习的广告推荐方法及系统，其特征在于，在步骤200中，在同一时间段内，不同兴趣虚拟标签或者不同信息虚拟标签对应的推荐对象最小单元分类数量均分，在步骤300中，根据每个所述兴趣虚拟标签或者信息虚拟标签的质量度二次更新用户实时需求。

7.根据权利要求6所述的一种基于机器学习的广告推荐方法及系统，其特征在于，所述兴趣虚拟标签或者信息虚拟标签的质量度的质量度由小单元项目的点击率决定，其中点击率＝点击量/展现量，在工作时间段和休息时间段内，由推荐对象最小单元分类的推荐权重和质量度共同决定小单元项目推荐的平均排名顺序。

8.根据权利要求7所述的一种基于机器学习的广告推荐方法及系统，其特征在于，平均排名顺序靠前的所述推荐对象最小单元分类根据拓扑网络模型，将最小单元分类上级的子模块对应的推荐对象发送给用户，并且根据子模块对应的推荐对象的点击率实时更新用户个人信息库的内容，所述个人信息库仅用于保存固定数量的虚拟用户标签薄，因此实时统计不同虚拟标签对应的最小单元分类点击率来确定保存标签，其他的标签将转移至缓冲池内并根据与实时需求的关联性不定期映射对应的最小单元分类推荐给用户。

9.一种基于机器学习的广告推荐系统，应用于权利要求1-8任一项所述的一种基于机器学习的广告推荐方法，其特征在于，包括用户标签建模模块(1)和推荐对象建模模块(2)；

所述用户标签建模模块(1)包括：

用户追踪单元(101)，用于实时监控每个用户在互联网上的搜索历史记录，并对搜索历史记录进行解析来确定用户工作内容和用户兴趣内容；

用户个人信息库(102)，用于保存并挖掘用户工作内容和用户兴趣内容，确定每个用户的工作需求和生活兴趣需求；

虚拟用户标签薄(103)，用于确定工作需求和生活兴趣需求对应的关键字标签以便于建立用户标签建模模块和推荐对象建模模块之间的直接联系。

10.根据权利要求9所述的一种基于机器学习的广告推荐系统，其特征在于，所述推荐对象建模模块(2)包括：

推荐对象分类模块(201)，用于将每个推荐对象按照划分深度确定至最小单元的项目；

映射关系创建单元(202)，用于建立虚拟标签与推荐对象分类模块之间的映射溯源关系；

划分推荐权重单元(203)，用于在不同时间段初步区分不同关键字标签的推荐对象推荐权重；

更新标签单元(204)，用于根据客户对初步推荐的推荐对象点击率更新不同推荐对象的顺序排名，并根据拓扑网络模型更新所述用户个人信息库的内容。

Images