CN112418924B - 基于大数据和云计算的广告推送方法及人工智能平台 - Google Patents

Abstract

本发明提供的基于大数据和云计算的广告推送方法及人工智能平台，在进行广告推送时，一方面能够对用户画像标签进行用户需求分析，从而确定出用户需求信息，将用户需求信息与数据轨迹识别结果进行配对，能够准确、实时地确定用户需求信息，这样能够确保待推送广告信息与当前用户的用户匹配度。另一方面，通过确定目标推送时段，能够确保在推送广告时不会影响到用户对目标智能设备的正常使用，同时避免对其他线程的影响。这样，不仅能够提高广告推送的用户匹配度，并且能够确保推送广告时不会影响用于对目标智能设备的正常使用，从而减少广告推送对用户的打扰程度。这样能够确保用户对所推送广告的接受程度，进而提高广告的推送成功率。

Description

基于大数据和云计算的广告推送方法及人工智能平台

技术领域

本申请涉及大数据和广告推送技术领域，具体而言，涉及一种基于大数据和云计算的广告推送方法及人工智能平台。

背景技术

随着通信技术的发展，电子产品在人们的生产和生活过程中扮演着重要的角色。无论是办公还是娱乐，人们几乎都要依托于电子产品。传统的广告运营模式已经难以适配现目前的“云上时代”。因此，传统的广告推送已经由递推、实体广告转向互联网广告。然而，常见的线上广告推送技术经常受到用户终端拦截，这样影响了广告的推送成功率。

发明内容

本申请的第一个方面公开了一种基于大数据和云计算的广告推送方法，包括：

对从目标智能设备中以设定数据爬取间隔爬取的设备响应数据进行用户行为分析，得到用户行为数据与当前设备线程状态；

根据所述用户行为数据与所述当前设备线程状态对所述设备响应数据进行数据轨迹识别，得到数据轨迹识别结果；

对所述数据轨迹识别结果中的用户画像标签进行用户需求分析，得到所述目标智能设备对应的当前用户的用户需求信息，将所述用户需求信息与所述数据轨迹识别结果进行配对，得到配对结果，并根据所述配对结果确定待推送广告信息；

确定所述待推送广告信息对应的推送线程运行参数，根据所述推送线程运行参数以及所述当前设备线程状态获得所述待推送广告信息的目标推送时段。

可选的，对从目标智能设备中以设定数据爬取间隔爬取的设备响应数据进行用户行为分析，得到用户行为数据与当前设备线程状态包括：

分别将所述设备响应数据输入以完成训练的用户行为分析模型中，得到用户行为分析模型输出的所述设备响应数据对应不同线程日志数据的状态标签描述值；

将所述状态标签描述值大于设定描述值的线程日志数据确定为所述设备响应数据的用户行为数据，并根据所述状态标签描述值确定所述当前设备线程状态；其中，所述用户行为数据包括：用户程序运行数据、用户操作数据以及用户画像标签。

可选的，根据所述用户行为数据与所述当前设备线程状态对所述设备响应数据进行数据轨迹识别，得到数据轨迹识别结果包括：

重复对所述设备响应数据中的当前响应数据段执行以下操作，以确定所述数据轨迹识别结果：

分别确定所述当前响应数据段中每个用户行为数据与上一响应数据段中所有目标智能设备对应的当前用户的用户行为数据的行为特征差异指数，确定每个所述用户行为数据的最大特征描述值；

判断所述最大特征描述值是否大于第一设定描述值；

在判断结果为是的情况下，将所述当前响应数据段中所述最大特征描述值对应的所述用户行为数据作为所述目标智能设备对应的当前用户在所述当前响应数据段的待识别行为数据，根据所述目标智能设备对应的当前用户在当前响应数据段的待识别行为数据确定所述目标智能设备对应的当前用户的所述数据轨迹识别结果。

可选的，所述方法还包括：

在判断结果为否的情况下，判断所述最大特征描述值对应的所述用户行为数据的状态标签描述值是否大于第二设定描述值，且所述目标智能设备对应的当前用户对应的用户识别度描述值是否大于第三设定描述值，在判断结果为是的情况下，将所述当前响应数据段中所述用户行为数据作为所述目标智能设备对应的当前用户在所述当前响应数据段的待识别行为数据；在判断结果为否的情况下，将所述当前响应数据段中所述用户行为数据对应映射行为数据作为所述待识别行为数据；根据所述待识别行为数据确定所述数据轨迹识别结果；

其中，根据所述待识别行为数据确定所述数据轨迹识别结果，包括：

在待识别行为数据内确定第一轨迹数据和第二轨迹数据；将所述第一轨迹数据作为第一识别单元建立第一识别路径列表，将所述第二轨迹数据作为第二识别单元建立第二识别路径列表，其中，包括：在所述待识别行为数据内进行随机采样得到第一行为数据集，其中，所述第一行为数据集中是待添加到第一识别路径列表和第二识别路径列表中的多个存在关联识别标识的行为数据集合；将所述第一轨迹数据作为第一识别单元添加到第二行为数据集中得到第一识别路径列表，其中，所述第二行为数据集中是已经被添加到第一识别路径列表中的节点集合；将所述第二轨迹数据作为第二识别单元添加到第二行为数据集中得到第二识别路径列表，其中，所述第二行为数据集中是已经被添加到第二识别路径列表中的行为数据集合；确定在所述第一识别路径列表中的第一目标列表数据和所述第二识别路径列表中的第二目标列表数据，包括：在所述第一行为数据集中搜索所述第一识别单元的第一关联单元和所述第二识别单元的第二关联单元，并将所述第一关联单元作为第一待处理识别单元与所述第一识别单元相拼接，将所述第二关联单元作为第二待处理识别单元与所述第二识别单元相拼接；

在所述第一待处理识别单元与所述第一识别单元之间的相同识别指标与预设识别指标存在关联识别标识的情况下，将所述第一关联单元从所述第一行为数据集中删除并添加到所述第二行为数据集中，在所述第二待处理识别单元与所述第二识别单元之间的相同识别指标与预设识别指标存在关联识别标识的情况下，将所述第二关联单元从所述第一行为数据集中删除并添加到所述第二行为数据集中；

根据所述第二行为数据集中的第一待处理识别单元确定出所述第一目标列表数据，根据所述第二行为数据集中的第二待处理识别单元确定出所述第二目标列表数据；确定在所述第一识别路径列表中的第一目标列表数据和所述第二识别路径列表中的第二目标列表数据之后还包括：搜索所述第二行为数据集中第一待处理识别单元的第一关联单元，将在预设范围内未找到存在关联识别标识的关联单元的第一待处理识别单元从所述第二行为数据集中删除，并将所述第一待处理识别单元添加到所述第一行为数据集中；搜索所述第二行为数据集中第二待处理识别单元的第二关联单元，将在预设范围内未找到存在关联识别标识的关联单元的第二待处理识别单元从所述第二行为数据集中删除，并将所述第二待处理识别单元添加到所述第一行为数据集中；

在所述第一识别路径列表中的第一目标列表数据和所述第二识别路径列表中的第二目标列表数据之间的相同识别指标与预设识别指标存在关联识别标识的情况下，确定出用户行为数据轨迹；对所述用户行为数据轨迹进行轨迹状态识别，得到所述数据轨迹识别结果。

可选的，对所述数据轨迹识别结果中的用户画像标签进行用户需求分析，得到所述目标智能设备对应的当前用户的用户需求信息包括：

从所述用户画像标签对应的标签属性信息中获取当前用户所对应的动态标签属性信息，并对所述当前用户所对应的动态标签属性信息进行筛分处理，得到目标标签属性信息；

将所述目标标签属性信息在设定行为场景列表中进行映射，得到映射标签属性信息；

将所述映射标签属性信息中第一预设数量标签属性值确定为基准属性值，确定出当前用户的第二预设数量需求标签；其中，所述第一预设数量大于所述第二预设数量；

通过预设信息识别模型对所述第二预设数量需求标签进行用户需求识别，得到所述用户需求信息；

其中，通过预设信息识别模型对所述第二预设数量需求标签进行用户需求识别，得到所述用户需求信息，包括：

通过所述预设信息识别模型确定所述第二预设数量需求标签对应的第一需求属性特征、第二需求属性特征以及第三需求属性特征；其中，所述第一需求属性特征为当前需求对应的属性特征，所述第二需求属性特征为延时需求对应的属性特征，所述第三需求属性特征为非刚需需求对应的属性特征；

确定出所述第一需求属性特征对应的第一特征相关性矩阵与所述第二需求属性特征对应的第二特征相关性矩阵之间的第一余弦距离以及所述第二需求属性特征对应的第二特征相关性矩阵与所述第三需求属性特征对应的第三特征相关性矩阵之间的第二余弦距离；针对所述第一需求属性特征，以所述第一特征相关性矩阵为参考按照所述第一余弦距离对所述第一需求属性特征进行特征融合得到第四需求属性特征；针对所述第二需求属性特征，以所述第二特征相关性矩阵为参考按照所述第二余弦距离对所述第二需求属性特征进行特征融合得到第五需求属性特征；

分别将所述第一需求属性特征和所述第二需求属性特征、所述第一需求属性特征和所述第四需求属性特征、所述第二需求属性特征和所述第三需求属性特征、以及所述第二需求属性特征和所述第五需求属性特征进行特征匹配，得到第一特征匹配结果、第二特征匹配结果、第三特征匹配结果和第四特征匹配结果；确定出所述第一特征匹配结果和所述第二特征匹配结果之间的第一匹配度差值以及所述第三特征匹配结果和所述第四特征匹配结果之间的第二匹配度差值；

判断所述第一匹配度差值和所述第二匹配度差值是否均落入预设数值区间内；若是，根据所述第一特征匹配结果和所述第三特征匹配结果确定出针对用户需求进行识别的识别逻辑清单并按照用户需求对应的识别逻辑清单对所述第一需求属性特征、所述第二需求属性特征和所述第三需求属性特征进行特征重组得到待识别特征集；若否，分别确定出所述第一匹配度差值和所述第二匹配度差值与所述预设数值区间的第一区间差值和第二区间差值；比较所述第一区间差值和所述第二区间差值的大小；在所述第一区间差值小于所述第二区间差值时，根据所述第一特征匹配结果和所述第二特征匹配结果确定出针对用户需求进行识别的识别逻辑清单并按照用户需求对应的识别逻辑清单对所述第一需求属性特征、所述第二需求属性特征和所述第三需求属性特征进行特征重组得到待识别特征集；在所述第一区间差值大于所述第二区间差值时，根据所述第三特征匹配结果和所述第四特征匹配结果确定出针对用户需求进行识别的识别逻辑清单并按照用户需求对应的识别逻辑清单对所述第一需求属性特征、所述第二需求属性特征和所述第三需求属性特征进行特征重组得到待识别特征集；基于所述待识别特征集对用户需求进行识别，得到用户需求信息。

可选的，根据所述配对结果确定待推送广告信息包括：

根据所述数据轨迹识别结果确定目标智能设备对应的当前用户的物品使用需求信息、虚拟服务需求信息；

根据所述物品使用需求信息与所述虚拟服务需求信息确定所述目标智能设备对应的当前用户的综合需求信息；

根据所述配对结果与所述物品使用需求信息、所述虚拟服务需求信息、所述综合需求信息确定所述待推送广告信息。

可选的，确定所述待推送广告信息对应的推送线程运行参数，根据所述推送线程运行参数以及所述当前设备线程状态获得所述待推送广告信息的目标推送时段，包括：

提取所述待推送广告信息的信息输出类型数据以及广告持续时长数据，基于所述信息输出类型数据以及所述广告持续时长数据确定所述待推送广告信息对应的推送线程运行参数；

根据目标智能设备中的设备运行性能数据确定推送线程运行参数的性能指标需求数据；

根据目标智能设备中的线程处理延时数据获取第一时段和第二时段的设备线程占用队列的队列特征数据，其中，所述第一时段与所述第二时段为两个相邻的前后时段；

根据所述线程处理延时数据获取所述第一时段的设备线程占用队列的队列调整时序表；

根据所述性能指标需求数据和所述队列特征数据以及所述队列调整时序表，确定推送线程运行参数的执行时段；

基于所述执行时段，获得所述待推送广告信息的目标推送时段。

可选的，

其中，根据所述性能指标需求数据和所述队列特征数据以及所述队列调整时序表，确定推送线程运行参数的执行时段包括：

根据第一设定脚本数据和第二设定脚本数据确定经过所述目标智能设备调整后对应设备线程占用队列的队列成员信息，其中，所述第一设定脚本数据中包括：所述目标智能设备的设备损耗数据、所述第一时段和所述第二时段的设备线程占用队列的队列特征数据；所述第二设定脚本数据中包括：所述设备线程占用队列的队列调整时序表，所述队列调整时序表包括：所述设备线程占用队列中队列成员的标识数据；

根据所述队列成员信息和所述队列调整时序表确定推送线程运行参数的执行时段；

其中，所述第一设定脚本数据按照如下步骤建立：

根据第一时段的设备线程占用队列的队列特征数据和目标智能设备的设备通信协议确定参考队列成员的第一队列属性矩阵，其中，所述设备通信协议中包括所述目标智能设备的设备损耗数据对应的动态协议报文，所述参考队列成员包括第一时段的设备线程占用队列的一个队列成员；

根据第二时段的设备线程占用队列的队列特征数据和目标智能设备的设备通信协议确定对应队列成员的第二队列属性矩阵，其中，所述对应队列成员包括根据已根据第二时段进行调整的设备线程占用队列上的对应队列位置可调整的队列成员；

根据所述第一队列属性矩阵和所述第二队列属性矩阵建立所述第一设定脚本数据；

其中，所述第二设定脚本数据按照如下步骤建立：

确定所述设备线程占用队列中的队列成员的标识数据；

根据所述标识数据确定该标识数据对应的标识置信度；在所述队列成员的标识数据属于第一标识类别的情况下，所述标识置信度小于1；

在所述队列成员的标识数据属于第二标识类别的情况下，所述标识置信度等于1；

在所述队列成员的标识数据属于第三标识类别的情况下，所述标识置信度大于1；

根据所述标识置信度以及所述目标智能设备对应的数据交互记录生成所述第二设定脚本数据；

其中，所述根据所述队列成员信息和所述队列调整时序表确定推送线程运行参数的执行时段包括：

筛选所述队列成员信息得到有效信息占比大于和小于预设阈值的队列成员；

添加所述有效信息占比大于预设阈值的队列成员到待处理队列中；

将所述待处理队列中的队列成员匹配至待选择执行时段集，并从第一队列成员开始遍历所述待处理队列中的队列成员；

遍历所述第一队列成员的队列传递路径中的队列成员，在存在第二队列成员满足预设时效性指标的情况下，将所述第二队列成员添加至所述待处理队列，其中，所述预设时效性指标包括：对不同时效性特征的目标队列成员设置的不同延时执行权重；

在完成遍历后将所述第一队列成员从所述待处理队列中删除；

重复上述遍历过程，直到所述待处理队列中的所述第一队列成员对应的当前时效性指标的时效权重大于设定权重时停止，根据大于所述设定权重的时效权重对应的第一队列成员的队列排序位置，确定所述推送线程运行参数的执行时段；

其中，根据目标智能设备中的线程处理延时数据获取第一时段和第二时段的设备线程占用队列的队列特征数据，其中，所述第一时段与所述第二时段为两个相邻的前后时段包括：

将所述线程处理延时数据输入预设第一人工智能卷积神经网络，分别获取所述第一时段的动态时段调整参量与静态时段调整参量对应的第一队列特征数据以及所述第二时段的动态时段调整参量与静态时段调整参量对应的第二队列特征数据，其中，所述预设第一人工智能卷积神经网络是用于将所述线程处理延时数据中的存在热度标识的设备线程占用队列的队列记录数据转化为特征数据的神经网络；

其中，所述根据所述线程处理延时数据获取所述第一时段的设备线程占用队列的队列调整时序表包括：

将所述线程处理延时数据输入预设第二人工智能卷积神经网络，获取所述第一时段的设备线程占用队列的队列调整时序表，其中，所述第二人工智能卷积神经网络是用于时序拆分和提取的神经网络。

本申请的第二个方面，提供一种人工智能平台，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行第一个方面所述的方法。

本申请的第三个方面，提供一种计算机可读信号介质，其上存储有计算机程序，所述计算机程序在运行是实现第一个方面所述的方法。

相较于现有技术，本发明实施例提供的基于大数据和云计算的广告推送方法及人工智能平台具有以下技术效果：在进行广告推送时，一方面能够对用户画像标签进行用户需求分析，从而确定出目标智能设备对应的当前用户的用户需求信息，进一步将用户需求信息与数据轨迹识别结果进行配对，能够准确、实时地确定用户需求信息，这样能够确保待推送广告信息与当前用户的用户匹配度。另一方面，通过确定目标推送时段，能够确保在推送广告时不会影响到用户对目标智能设备的正常使用，同时避免对其他线程的影响。这样，不仅能够提高广告推送的用户匹配度，并且能够确保推送广告时不会影响用于对目标智能设备的正常使用，从而减少广告推送对用户的打扰程度。这样能够确保用户对所推送广告的接受程度，避免用户选择关闭所有广告推送行为或者设置拦截机制，进而提高广告的推送成功率。

在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中参考数字在附图的各个视图中代表相似的机构。

图1是根据本发明的一些实施例所示的一种示例性基于大数据和云计算的广告推送系统的框图。

图2是根据本发明的一些实施例所示的一种示例性人工智能平台中硬件和软件组成的示意图。

图3是根据本发明的一些实施例所示的一种示例性基于大数据和云计算的广告推送方法和/或过程的流程图。

图4是根据本发明的一些实施例所示的一种示例性基于大数据和云计算的广告推送装置的框图。

具体实施方式

常见的线上广告推送技术经常受到用户终端拦截，原因有两点。第一点，广告推送的用户匹配度不高。第二点，广告推送对用户的打扰程度较大。基于以上两点原因，用户通常选择关闭所有广告推送行为或者设置拦截机制。这样会影响广告的推送成功率。为改善上述问题，本发明实施例提供了基于大数据和云计算的广告推送方法及人工智能平台，能够提高广告推送的用户匹配度，并且能够确保推送广告时不会影响用于对目标智能设备的正常使用，从而减少广告推送对用户的打扰程度。这样能够确保用户对所推送广告的接受程度，避免用户选择关闭所有广告推送行为或者设置拦截机制，进而提高广告的推送成功率。

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。

在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本发明。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本发明的方面。

这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而，需要理解清楚的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当了解的是，这些图纸不是按比例绘制的。然而，应当明确理解的是，附图仅用于说明和描述的目的，并不意图限制本发明的范围。应当知晓的是，这些附图并不依照比例。

本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。

图1是根据本发明的一些实施例所示的一种示例性基于大数据和云计算的广告推送系统300的框图，基于大数据和云计算的广告推送系统300可以包括人工智能平台100和目标智能设备200。其中人工智能平台100可以是人工智能服务器。

在一些实施例中，如图2所示，人工智能平台100可以包括处理引擎110、网络模块120和存储器130，处理引擎110和存储器130通过网络模块120通信。

处理引擎110可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如，在一些实施例中，处理引擎110可以包括至少一个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎110可以包括中央处理单元(Central ProcessingUnit，CPU)、专用集成电路(Application-Specific Integrated Circuit，ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer，RISC)、微处理器等或其任意组合。

网络模块120可以促进信息和/或数据的交换。在一些实施例中，网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网络(Wireless Local Area Network，WLAN)、城域网(Metropolitan Area Network，MAN)、公用电话交换网(Public Telephone SwitchedNetwork，PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication，NFC)网络等或上述举例的任意组合。在一些实施例中，网络模块120可以包括至少一个网络接入点。例如，网路120可以包括有线或无线网路接入点，如基站和/或网路接入点。

存储器130可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。其中，存储器130用于存储程序，所述处理引擎110在接收到执行指令后，执行所述程序。

可以理解，图2所示的结构仅为示意，人工智能平台100还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。

图3是根据本发明的一些实施例所示的一种示例性基于大数据和云计算的广告推送方法和/或过程的流程图，基于大数据和云计算的广告推送方法应用于图1中的人工智能平台，具体可以包括以下步骤S11-步骤S14所描述的内容。

步骤S11，对从目标智能设备中以设定数据爬取间隔爬取的设备响应数据进行用户行为分析，得到用户行为数据与当前设备线程状态。

例如，目标智能设备可以为手机、平板电脑、笔记本电脑或者其他具有数据通信和显示功能的智能终端。设定数据爬取间隔可以根据实际情况调整。人工智能平台在进行设备响应数据爬取时，是经过目标智能设备授权和许可的。设备响应数据用于表征对用户的一系 列操作所作出的响应。用户行为数据包括用户的各类操作数据，当前设备线程状态用于表征目标智能设备的各个不同的线程（例如音乐播放器、浏览器、直播app、办公app等）的状态。

步骤S12，根据所述用户行为数据与所述当前设备线程状态对所述设备响应数据进行数据轨迹识别，得到数据轨迹识别结果。

例如，数据轨迹识别结果用于表征目标智能设备的多个线程的全局性运行情况，数据轨迹识别结果能够综合反映多个线程之间的互相影响情况。

步骤S13，对所述数据轨迹识别结果中的用户画像标签进行用户需求分析，得到所述目标智能设备对应的当前用户的用户需求信息，将所述用户需求信息与所述数据轨迹识别结果进行配对，得到配对结果，并根据所述配对结果确定待推送广告信息。

例如，用户画像标签用于对用户进行画像标记和分类，不同的用户对应的用户画像标签不同，用户需求信息用于表征用户在实物或者虚拟物品上的需求情况。待推送广告信息包括与用户需求信息对应的信息，例如生活用品、电子设备、虚拟账号服务等。

步骤S14，确定所述待推送广告信息对应的推送线程运行参数，根据所述推送线程运行参数以及所述当前设备线程状态获得所述待推送广告信息的目标推送时段。

例如，推送线程运行参数用于表征在向目标智能设备推送广告时，目标智能设备所要启动的线程对应的运行参数。可以理解，为了确保在推送广告时不会影响到用户对目标智能设备的正常使用，同时避免对其他线程的影响，可以确定出一个目标推送时段。这样，能够将广告信息推送对用户的影响最小化，也从侧面确保了用户对所推送广告的接受程度。

可以理解，通过执行上述步骤S11-步骤S14所描述的内容，首先对设备响应数据进行用户行为分析得到用户行为数据与当前设备线程状态，其次对设备响应数据进行数据轨迹识别得到数据轨迹识别结果，然后对数据轨迹识别结果中的用户画像标签进行用户需求分析得到用户需求信息并通过与数据轨迹识别结果配对确定待推送广告信息，最后基于待推送广告信息对应的推送线程运行参数以及当前设备线程状态获得待推送广告信息的目标推送时段。

如此，在进行广告推送时，一方面能够对用户画像标签进行用户需求分析，从而确定出目标智能设备对应的当前用户的用户需求信息，进一步将用户需求信息与数据轨迹识别结果进行配对，能够准确、实时地确定用户需求信息，这样能够确保待推送广告信息与当前用户的用户匹配度。另一方面，通过确定目标推送时段，能够确保在推送广告时不会影响到用户对目标智能设备的正常使用，同时避免对其他线程的影响。这样，不仅能够提高广告推送的用户匹配度，并且能够确保推送广告时不会影响用于对目标智能设备的正常使用，从而减少广告推送对用户的打扰程度。这样能够确保用户对所推送广告的接受程度，避免用户选择关闭所有广告推送行为或者设置拦截机制，进而提高广告的推送成功率。

在一些示例中，为了确保用户行为数据与当前设备线程状态之间的区分度，避免用户行为数据与当前设备线程状态存在混淆，步骤S11所描述的对从目标智能设备中以设定数据爬取间隔爬取的设备响应数据进行用户行为分析，得到用户行为数据与当前设备线程状态，示例性地可以包括以下步骤S111和步骤S112所描述的内容。

步骤S111，分别将所述设备响应数据输入已 完成训练的用户行为分析模型中，得到用户行为分析模型输出的所述设备响应数据对应不同线程日志数据的状态标签描述值。

步骤S112，将所述状态标签描述值大于设定描述值的线程日志数据确定为所述设备响应数据的用户行为数据，并根据所述状态标签描述值确定所述当前设备线程状态；其中，所述用户行为数据包括：用户程序运行数据、用户操作数据以及用户画像标签。

如此，基于上述步骤S111和步骤S112，能够确保用户行为数据与当前设备线程状态之间的区分度，避免用户行为数据与当前设备线程状态存在混淆。

在实际应用时，为了实时地得到数据轨迹识别结果，需要考虑不同数据段之间的关联和差异。为实现这一目的，在步骤S12中，根据所述用户行为数据与所述当前设备线程状态对所述设备响应数据进行数据轨迹识别，得到数据轨迹识别结果的步骤，进一步可以包括以下步骤S121-步骤S124所描述的内容。

步骤S121，重复对所述设备响应数据中的当前响应数据段执行以下步骤S122-步骤S124，以确定所述数据轨迹识别结果。

步骤S122，分别确定所述当前响应数据段中每个用户行为数据与上一响应数据段中所有目标智能设备对应的当前用户的用户行为数据的行为特征差异指数，确定每个所述用户行为数据的最大特征描述值。

步骤S123，判断所述最大特征描述值是否大于第一设定描述值。

步骤S124，在判断结果为是的情况下，将所述当前响应数据段中所述最大特征描述值对应的所述用户行为数据作为所述目标智能设备对应的当前用户在所述当前响应数据段的待识别行为数据，根据所述目标智能设备对应的当前用户在当前响应数据段的待识别行为数据确定所述目标智能设备对应的当前用户的所述数据轨迹识别结果。

这样一来，通过应用上述步骤S121-步骤S124，能够实现对相邻的响应数据段的行为特征差异指数的确定，从而基于确定出的用户行为数据的最大特征描述值确定待识别行为数据，这样能够考虑不同数据段之间的关联和差异，进而实时地得到数据轨迹识别结果。

在上述步骤S121-步骤S124的基础上，还可以包括以下步骤S125所描述的内容。

步骤S125，在判断结果为否的情况下，判断所述最大特征描述值对应的所述用户行为数据的状态标签描述值是否大于第二设定描述值，且所述目标智能设备对应的当前用户对应的用户识别度描述值是否大于第三设定描述值，在判断结果为是的情况下，将所述当前响应数据段中所述用户行为数据作为所述目标智能设备对应的当前用户在所述当前响应数据段的待识别行为数据；在判断结果为否的情况下，将所述当前响应数据段中所述用户行为数据对应映射行为数据作为所述待识别行为数据；根据所述待识别行为数据确定所述数据轨迹识别结果。

进一步地，在步骤S125中，根据所述待识别行为数据确定所述数据轨迹识别结果，进一步可以包括步骤S1251-步骤S1254所描述的内容。

步骤S1251，在待识别行为数据内确定第一轨迹数据和第二轨迹数据；将所述第一轨迹数据作为第一识别单元建立第一识别路径列表，将所述第二轨迹数据作为第二识别单元建立第二识别路径列表，其中，包括：在所述待识别行为数据内进行随机采样得到第一行为数据集，其中，所述第一行为数据集中是待添加到第一识别路径列表和第二识别路径列表中的多个存在关联识别标识的行为数据集合；将所述第一轨迹数据作为第一识别单元添加到第二行为数据集中得到第一识别路径列表，其中，所述第二行为数据集中是已经被添加到第一识别路径列表中的节点集合；将所述第二轨迹数据作为第二识别单元添加到第二行为数据集中得到第二识别路径列表，其中，所述第二行为数据集中是已经被添加到第二识别路径列表中的行为数据集合；确定在所述第一识别路径列表中的第一目标列表数据和所述第二识别路径列表中的第二目标列表数据，包括：在所述第一行为数据集中搜索所述第一识别单元的第一关联单元和所述第二识别单元的第二关联单元，并将所述第一关联单元作为第一待处理识别单元与所述第一识别单元相拼接，将所述第二关联单元作为第二待处理识别单元与所述第二识别单元相拼接。

步骤S1252，在所述第一待处理识别单元与所述第一识别单元之间的相同识别指标与预设识别指标存在关联识别标识的情况下，将所述第一关联单元从所述第一行为数据集中删除并添加到所述第二行为数据集中，在所述第二待处理识别单元与所述第二识别单元之间的相同识别指标与预设识别指标存在关联识别标识的情况下，将所述第二关联单元从所述第一行为数据集中删除并添加到所述第二行为数据集中。

步骤S1253，根据所述第二行为数据集中的第一待处理识别单元确定出所述第一目标列表数据，根据所述第二行为数据集中的第二待处理识别单元确定出所述第二目标列表数据；确定在所述第一识别路径列表中的第一目标列表数据和所述第二识别路径列表中的第二目标列表数据之后还包括：搜索所述第二行为数据集中第一待处理识别单元的第一关联单元，将在预设范围内未找到存在关联识别标识的关联单元的第一待处理识别单元从所述第二行为数据集中删除，并将所述第一待处理识别单元添加到所述第一行为数据集中；搜索所述第二行为数据集中第二待处理识别单元的第二关联单元，将在预设范围内未找到存在关联识别标识的关联单元的第二待处理识别单元从所述第二行为数据集中删除，并将所述第二待处理识别单元添加到所述第一行为数据集中。

步骤S1254，在所述第一识别路径列表中的第一目标列表数据和所述第二识别路径列表中的第二目标列表数据之间的相同识别指标与预设识别指标存在关联识别标识的情况下，确定出用户行为数据轨迹；对所述用户行为数据轨迹进行轨迹状态识别，得到所述数据轨迹识别结果。

这样一来，通过应用上述步骤S1251-步骤S1254，能够基于待识别行为数据对应的第一轨迹数据和第二轨迹数据实现识别单元之间的拼接，从而确保得到的数据轨迹识别结果是连续的，避免数据轨迹识别结果出现间断而导致后续的用户需求信息分析出现偏差。

在实际应用时，用户需求信息的精准性是确保广告推送成功率的关键，为此需要考虑用户的动态可变性。为实现上述目的，步骤S13所描述的对所述数据轨迹识别结果中的用户画像标签进行用户需求分析，得到所述目标智能设备对应的当前用户的用户需求信息，进一步可以包括以下步骤S131-步骤S134所描述的内容。

步骤S131，从所述用户画像标签对应的标签属性信息中获取当前用户所对应的动态标签属性信息，并对所述当前用户所对应的动态标签属性信息进行筛分处理，得到目标标签属性信息。

步骤S132，将所述目标标签属性信息在设定行为场景列表中进行映射，得到映射标签属性信息。

步骤S133，将所述映射标签属性信息中第一预设数量标签属性值确定为基准属性值，确定出当前用户的第二预设数量需求标签；其中，所述第一预设数量大于所述第二预设数量。

步骤S134，通过预设信息识别模型对所述第二预设数量需求标签进行用户需求识别，得到所述用户需求信息。

这样一来，通过上述步骤S131-步骤S134，能够确定当前用户所对应的动态标签属性信息，并基于动态标签属性信息机械能分析，从而提取得到多个需求标签，如此，基于需求标签进行用户需求识别，能够考虑用户的动态可变性，从而精准确定出用户需求信息。

进一步地，步骤S134所描述的通过预设信息识别模型对所述第二预设数量需求标签进行用户需求识别，得到所述用户需求信息，可以包括以下步骤S1341-步骤S1344所描述的内容。

步骤S1341，通过所述预设信息识别模型确定所述第二预设数量需求标签对应的第一需求属性特征、第二需求属性特征以及第三需求属性特征；其中，所述第一需求属性特征为当前需求对应的属性特征，所述第二需求属性特征为延时需求对应的属性特征，所述第三需求属性特征为非刚需需求对应的属性特征。

步骤S1342，确定出所述第一需求属性特征对应的第一特征相关性矩阵与所述第二需求属性特征对应的第二特征相关性矩阵之间的第一余弦距离以及所述第二需求属性特征对应的第二特征相关性矩阵与所述第三需求属性特征对应的第三特征相关性矩阵之间的第二余弦距离；针对所述第一需求属性特征，以所述第一特征相关性矩阵为参考按照所述第一余弦距离对所述第一需求属性特征进行特征融合得到第四需求属性特征；针对所述第二需求属性特征，以所述第二特征相关性矩阵为参考按照所述第二余弦距离对所述第二需求属性特征进行特征融合得到第五需求属性特征。

步骤S1343，分别将所述第一需求属性特征和所述第二需求属性特征、所述第一需求属性特征和所述第四需求属性特征、所述第二需求属性特征和所述第三需求属性特征、以及所述第二需求属性特征和所述第五需求属性特征进行特征匹配，得到第一特征匹配结果、第二特征匹配结果、第三特征匹配结果和第四特征匹配结果；确定出所述第一特征匹配结果和所述第二特征匹配结果之间的第一匹配度差值以及所述第三特征匹配结果和所述第四特征匹配结果之间的第二匹配度差值。

步骤S1344，判断所述第一匹配度差值和所述第二匹配度差值是否均落入预设数值区间内；若是，根据所述第一特征匹配结果和所述第三特征匹配结果确定出针对用户需求进行识别的识别逻辑清单并按照用户需求对应的识别逻辑清单对所述第一需求属性特征、所述第二需求属性特征和所述第三需求属性特征进行特征重组得到待识别特征集；若否，分别确定出所述第一匹配度差值和所述第二匹配度差值与所述预设数值区间的第一区间差值和第二区间差值；比较所述第一区间差值和所述第二区间差值的大小；在所述第一区间差值小于所述第二区间差值时，根据所述第一特征匹配结果和所述第二特征匹配结果确定出针对用户需求进行识别的识别逻辑清单并按照用户需求对应的识别逻辑清单对所述第一需求属性特征、所述第二需求属性特征和所述第三需求属性特征进行特征重组得到待识别特征集；在所述第一区间差值大于所述第二区间差值时，根据所述第三特征匹配结果和所述第四特征匹配结果确定出针对用户需求进行识别的识别逻辑清单并按照用户需求对应的识别逻辑清单对所述第一需求属性特征、所述第二需求属性特征和所述第三需求属性特征进行特征重组得到待识别特征集；基于所述待识别特征集对用户需求进行识别，得到用户需求信息。

这样一来，能够基于上述步骤S1341-步骤S1344实现不同需求属性特征之间的比较和分析，从而实现对不同需求属性特征的重组，确保待识别特征集能够与用户的实际情况相匹配，这样能够确保用户需求识别从多个维度进行，进而完整、准确地确定出用户需求信息。

在一些示例中，步骤S13所描述的根据所述配对结果确定待推送广告信息包括：根据所述数据轨迹识别结果确定目标智能设备对应的当前用户的物品使用需求信息、虚拟服务需求信息；根据所述物品使用需求信息与所述虚拟服务需求信息确定所述目标智能设备对应的当前用户的综合需求信息；根据所述配对结果与所述物品使用需求信息、所述虚拟服务需求信息、所述综合需求信息确定所述待推送广告信息。如此，可以确保待推送广告信息与用户需求信息的高度匹配性。

在实际应用时，为了确保对目标推送时段的精准计算，确保推送广告信息时不会影响到用户的正常设备使用情况，进而提高广告推送的成功率，需要考虑目标智能设备的不同线程的线程处理延时数据以及推送线程运行参数对这些线程处理延时数据的影响。为改善这一问题，步骤S14所描述的确定所述待推送广告信息对应的推送线程运行参数，根据所述推送线程运行参数以及所述当前设备线程状态获得所述待推送广告信息的目标推送时段，进一步可以包括以下步骤S141-步骤S146所描述的内容。

步骤S141，提取所述待推送广告信息的信息输出类型数据以及广告持续时长数据，基于所述信息输出类型数据以及所述广告持续时长数据确定所述待推送广告信息对应的推送线程运行参数。

步骤S142，根据目标智能设备中的设备运行性能数据确定推送线程运行参数的性能指标需求数据。

步骤S143，根据目标智能设备中的线程处理延时数据获取第一时段和第二时段的设备线程占用队列的队列特征数据，其中，所述第一时段与所述第二时段为两个相邻的前后时段。

步骤S144，根据所述线程处理延时数据获取所述第一时段的设备线程占用队列的队列调整时序表。

步骤S145，根据所述性能指标需求数据和所述队列特征数据以及所述队列调整时序表，确定推送线程运行参数的执行时段。

步骤S146，基于所述执行时段，获得所述待推送广告信息的目标推送时段。

这样一来，通过执行上述步骤S141-步骤S146，能够考虑目标智能设备的不同线程的线程处理延时数据以及推送线程运行参数对这些线程处理延时数据的影响，从而确保对目标推送时段的精准计算，确保推送广告信息时不会影响到用户的正常设备使用情况，进而提高广告推送的成功率。

进一步地，步骤S145所描述的根据所述性能指标需求数据和所述队列特征数据以及所述队列调整时序表，确定推送线程运行参数的执行时段，包括以下步骤S1451和步骤S1452所描述的内容。

步骤S1451，根据第一设定脚本数据和第二设定脚本数据确定经过所述目标智能设备调整后对应设备线程占用队列的队列成员信息，其中，所述第一设定脚本数据中包括：所述目标智能设备的设备损耗数据、所述第一时段和所述第二时段的设备线程占用队列的队列特征数据；所述第二设定脚本数据中包括：所述设备线程占用队列的队列调整时序表，所述队列调整时序表包括：所述设备线程占用队列中队列成员的标识数据。

步骤S1452，根据所述队列成员信息和所述队列调整时序表确定推送线程运行参数的执行时段。

进一步地，步骤S1451中的所述第一设定脚本数据按照如下步骤S1451a-步骤S1451c建立。

步骤S14511，根据第一时段的设备线程占用队列的队列特征数据和目标智能设备的设备通信协议确定参考队列成员的第一队列属性矩阵，其中，所述设备通信协议中包括所述目标智能设备的设备损耗数据对应的动态协议报文，所述参考队列成员包括第一时段的设备线程占用队列的一个队列成员。

步骤S14512，根据第二时段的设备线程占用队列的队列特征数据和目标智能设备的设备通信协议确定对应队列成员的第二队列属性矩阵，其中，所述对应队列成员包括根据已根据第二时段进行调整的设备线程占用队列上的对应队列位置可调整的队列成员。

步骤S14513，根据所述第一队列属性矩阵和所述第二队列属性矩阵建立所述第一设定脚本数据。

进一步地，步骤S1451中的所述第二设定脚本数据按照如下步骤S1451a-步骤S1451e建立。

步骤S1451a，确定所述设备线程占用队列中的队列成员的标识数据。

步骤S1451b，根据所述标识数据确定该标识数据对应的标识置信度。在所述队列成员的标识数据属于第一标识类别的情况下，所述标识置信度小于1。

步骤S1451c，在所述队列成员的标识数据属于第二标识类别的情况下，所述标识置信度等于1。

步骤S1451d，在所述队列成员的标识数据属于第三标识类别的情况下，所述标识置信度大于1。

步骤S1451e，根据所述标识置信度以及所述目标智能设备对应的数据交互记录生成所述第二设定脚本数据。

进一步地，步骤S1452所描述的根据所述队列成员信息和所述队列调整时序表确定推送线程运行参数的执行时段，可以通过以下步骤S14521-步骤S14526所描述的内容实现。

步骤S14521，筛选所述队列成员信息得到有效信息占比大于和小于预设阈值的队列成员。

步骤S14522，添加所述有效信息占比大于预设阈值的队列成员到待处理队列中。

步骤S14523，将所述待处理队列中的队列成员匹配至待选择执行时段集，并从第一队列成员开始遍历所述待处理队列中的队列成员。

步骤S14524，遍历所述第一队列成员的队列传递路径中的队列成员，在存在第二队列成员满足预设时效性指标的情况下，将所述第二队列成员添加至所述待处理队列，其中，所述预设时效性指标包括：对不同时效性特征的目标队列成员设置的不同延时执行权重。

步骤S14525，在完成遍历后将所述第一队列成员从所述待处理队列中删除。

步骤S14526，重复上述遍历过程，直到所述待处理队列中的所述第一队列成员对应的当前时效性指标的时效权重大于设定权重时停止，根据大于所述设定权重的时效权重对应的第一队列成员的队列排序位置，确定所述推送线程运行参数的执行时段。

进一步地，步骤S143所描述的根据目标智能设备中的线程处理延时数据获取第一时段和第二时段的设备线程占用队列的队列特征数据，其中，所述第一时段与所述第二时段为两个相邻的前后时段，可以包括以下步骤所描述的内容：将所述线程处理延时数据输入预设第一人工智能卷积神经网络，分别获取所述第一时段的动态时段调整参量与静态时段调整参量对应的第一队列特征数据以及所述第二时段的动态时段调整参量与静态时段调整参量对应的第二队列特征数据，其中，所述预设第一人工智能卷积神经网络是用于将所述线程处理延时数据中的存在热度标识的设备线程占用队列的队列记录数据转化为特征数据的神经网络。

进一步地，步骤S144所描述的根据所述线程处理延时数据获取所述第一时段的设备线程占用队列的队列调整时序表包括：将所述线程处理延时数据输入预设第二人工智能卷积神经网络，获取所述第一时段的设备线程占用队列的队列调整时序表，其中，所述第二人工智能卷积神经网络是用于时序拆分和提取的神经网络。

在上述步骤的基础上，所述方法还可以包括以下内容：在所述目标推送时段向所述目标智能设备推送所述待推送广告信息，并获取所述目标智能设备针对所述待推送广告信息反馈的用户响应数据。这样以来，在进行广告信息推送后，能够基于用户响应数据进行广告信息推送效果的识别，从而为后续的广告推送提供修改依据。

在上述步骤的基础上，为了确保数据爬取不会影响到目标智能设备的正常运行，需要根据目标智能设备的线程权限等级进行设定数据爬取间隔的设置。为达到这一目的，所述方法还可以包括以下步骤S151-步骤S154所描述的内容。

步骤S151，确定所述目标智能设备的处于运行状态的线程的线程权限等级队列以及各线程延时系数。

步骤S152，在基于所述处于运行状态的线程的线程权限等级队列确定出所述目标智能设备中包含有第一爬取容忍标识的情况下，基于所述目标智能设备的第一爬取容忍标识下的线程延时系数所述目标智能设备的第一爬取容忍标识下的线程延时系数的指向性权重，确定所述目标智能设备的第二爬取容忍标识下的各线程延时系数与所述目标智能设备的第一爬取容忍标识下的各线程延时系数之间的系数关联性。

步骤S153，基于所述目标智能设备的第二爬取容忍标识下的各线程延时系数与所述目标智能设备的第一爬取容忍标识下的各线程延时系数之间的系数关联性，将所述目标智能设备的第二爬取容忍标识下的与第一爬取容忍标识下的线程延时系数关联的线程延时系数调整到相应的第一爬取容忍标识下。

步骤S154，基于第一爬取容忍标识下的线程延时系数对所述设定数据爬取间隔进行修改。

此外，在步骤S151-步骤S153的基础上，还可以包括以下步骤S155所描述的内容。

步骤S155，在所述目标智能设备的当前第二爬取容忍标识下包含有多个线程延时系数的情况下，根据所述目标智能设备的第一爬取容忍标识下的线程延时系数所述目标智能设备的第一爬取容忍标识下的线程延时系数的指向性权重确定所述目标智能设备的当前第二爬取容忍标识下的各线程延时系数之间的系数关联性，并根据所述各线程延时系数之间的系数关联性对当前第二爬取容忍标识下的各线程延时系数进行标记；根据所述目标智能设备的第一爬取容忍标识下的线程延时系数所述目标智能设备的第一爬取容忍标识下的线程延时系数的指向性权重为上述标记获得的目标线程延时系数设置调整等级，并根据所述调整等级将至少部分所述目标线程延时系数调整到所述第一爬取容忍标识下。

可以理解，通过执行上述步骤S151-步骤S154所描述的内容，能够根据目标智能设备的线程权限等级进行设定数据爬取间隔的设置，从而确保数据爬取不会影响到目标智能设备的正常运行。

图4是根据本发明的一些实施例所示的一种示例性基于大数据和云计算的广告推送装置140的框图，所述基于大数据和云计算的广告推送装置140可以包括以下功能模块。

用户行为分析模块141，用于对从目标智能设备中以设定数据爬取间隔爬取的设备响应数据进行用户行为分析，得到用户行为数据与当前设备线程状态。

数据轨迹识别模块142，用于根据所述用户行为数据与所述当前设备线程状态对所述设备响应数据进行数据轨迹识别，得到数据轨迹识别结果。

广告信息确定模块143，用于对所述数据轨迹识别结果中的用户画像标签进行用户需求分析，得到所述目标智能设备对应的当前用户的用户需求信息，将所述用户需求信息与所述数据轨迹识别结果进行配对，得到配对结果，并根据所述配对结果确定待推送广告信息。

推送时段确定模块144，用于确定所述待推送广告信息对应的推送线程运行参数，根据所述推送线程运行参数以及所述当前设备线程状态获得所述待推送广告信息的目标推送时段。

上述装置实施例的描述可以参阅对图3所示的方法实施例的描述。

基于同样的发明构思，还提供了一种基于大数据和云计算的广告推送系统，关于该系统的描述如下。

A1.一种基于大数据和云计算的广告推送方法，包括互相之间通信的人工智能平台和目标智能设备；其中，所述人工智能平台用于：

对从目标智能设备中以设定数据爬取间隔爬取的设备响应数据进行用户行为分析，得到用户行为数据与当前设备线程状态；

根据所述用户行为数据与所述当前设备线程状态对所述设备响应数据进行数据轨迹识别，得到数据轨迹识别结果；

对所述数据轨迹识别结果中的用户画像标签进行用户需求分析，得到所述目标智能设备对应的当前用户的用户需求信息，将所述用户需求信息与所述数据轨迹识别结果进行配对，得到配对结果，并根据所述配对结果确定待推送广告信息；

确定所述待推送广告信息对应的推送线程运行参数，根据所述推送线程运行参数以及所述当前设备线程状态获得所述待推送广告信息的目标推送时段。

上述系统实施例的描述可以参阅对图3所示的方法实施例的描述。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。

另外，本领域普通技术人员可以理解的是，本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外，本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。

本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python等，或类似的常规程序编程语言，如"C"编程语言，Visual Basic，Fortran2003，Perl，COBOL 2002，PHP，ABAP，动态编程语言如Python，Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非申请专利范围中明确说明，本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或行动装置上安装所描述的系统。

同样应当理解的是，为了简化本申请揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (7)

1.一种基于大数据和云计算的广告推送方法，其特征在于，包括：

对从目标智能设备中以设定数据爬取间隔爬取的设备响应数据进行用户行为分析，得到用户行为数据与当前设备线程状态；

根据所述用户行为数据与所述当前设备线程状态对所述设备响应数据进行数据轨迹识别，得到数据轨迹识别结果；

对所述数据轨迹识别结果中的用户画像标签进行用户需求分析，得到所述目标智能设备对应的当前用户的用户需求信息，将所述用户需求信息与所述数据轨迹识别结果进行配对，得到配对结果，并根据所述配对结果确定待推送广告信息；

确定所述待推送广告信息对应的推送线程运行参数，根据所述推送线程运行参数以及所述当前设备线程状态获得所述待推送广告信息的目标推送时段；

其中，根据所述用户行为数据与所述当前设备线程状态对所述设备响应数据进行数据轨迹识别，得到数据轨迹识别结果包括：

重复对所述设备响应数据中的当前响应数据段执行以下操作，以确定所述数据轨迹识别结果：

分别确定所述当前响应数据段中每个用户行为数据与上一响应数据段中所有目标智能设备对应的当前用户的用户行为数据的行为特征差异指数，确定每个所述用户行为数据的最大特征描述值；

判断所述最大特征描述值是否大于第一设定描述值；

在判断结果为是的情况下，将所述当前响应数据段中所述最大特征描述值对应的所述用户行为数据作为所述目标智能设备对应的当前用户在所述当前响应数据段的待识别行为数据，根据所述目标智能设备对应的当前用户在当前响应数据段的待识别行为数据确定所述目标智能设备对应的当前用户的所述数据轨迹识别结果；

在判断结果为否的情况下，判断所述最大特征描述值对应的所述用户行为数据的状态标签描述值是否大于第二设定描述值，且所述目标智能设备对应的当前用户对应的用户识别度描述值是否大于第三设定描述值，在判断结果为是的情况下，将所述当前响应数据段中所述用户行为数据作为所述目标智能设备对应的当前用户在所述当前响应数据段的待识别行为数据；在判断结果为否的情况下，将所述当前响应数据段中所述用户行为数据对应映射行为数据作为所述待识别行为数据；根据所述待识别行为数据确定所述数据轨迹识别结果；

其中，确定所述待推送广告信息对应的推送线程运行参数，根据所述推送线程运行参数以及所述当前设备线程状态获得所述待推送广告信息的目标推送时段，包括：

提取所述待推送广告信息的信息输出类型数据以及广告持续时长数据，基于所述信息输出类型数据以及所述广告持续时长数据确定所述待推送广告信息对应的推送线程运行参数；

根据目标智能设备中的设备运行性能数据确定推送线程运行参数的性能指标需求数据；

根据目标智能设备中的线程处理延时数据获取第一时段和第二时段的设备线程占用队列的队列特征数据，其中，所述第一时段与所述第二时段为两个相邻的前后时段；

根据所述线程处理延时数据获取所述第一时段的设备线程占用队列的队列调整时序表；

根据所述性能指标需求数据和所述队列特征数据以及所述队列调整时序表，确定推送线程运行参数的执行时段；

基于所述执行时段，获得所述待推送广告信息的目标推送时段。

2.根据权利要求1所述的方法，其特征在于，对从目标智能设备中以设定数据爬取间隔爬取的设备响应数据进行用户行为分析，得到用户行为数据与当前设备线程状态包括：

分别将所述设备响应数据输入已 完成训练的用户行为分析模型中，得到用户行为分析模型输出的所述设备响应数据对应不同线程日志数据的状态标签描述值；

将所述状态标签描述值大于设定描述值的线程日志数据确定为所述设备响应数据的用户行为数据，并根据所述状态标签描述值确定所述当前设备线程状态；其中，所述用户行为数据包括：用户程序运行数据、用户操作数据以及用户画像标签。

3.根据权利要求1所述的方法，其特征在于，对所述数据轨迹识别结果中的用户画像标签进行用户需求分析，得到所述目标智能设备对应的当前用户的用户需求信息包括：

从所述用户画像标签对应的标签属性信息中获取当前用户所对应的动态标签属性信息，并对所述当前用户所对应的动态标签属性信息进行筛分处理，得到目标标签属性信息；

将所述目标标签属性信息在设定行为场景列表中进行映射，得到映射标签属性信息；

将所述映射标签属性信息中第一预设数量标签属性值确定为基准属性值，确定出当前用户的第二预设数量需求标签；其中，所述第一预设数量大于所述第二预设数量；

通过预设信息识别模型对所述第二预设数量需求标签进行用户需求识别，得到所述用户需求信息。

4.根据权利要求1至3中任一项所述的方法，其特征在于，根据所述配对结果确定待推送广告信息包括：

根据所述数据轨迹识别结果确定目标智能设备对应的当前用户的物品使用需求信息、虚拟服务需求信息；

根据所述物品使用需求信息与所述虚拟服务需求信息确定所述目标智能设备对应的当前用户的综合需求信息；

根据所述配对结果与所述物品使用需求信息、所述虚拟服务需求信息、所述综合需求信息确定所述待推送广告信息。

5.根据权利要求1所述的方法，其特征在于，根据所述性能指标需求数据和所述队列特征数据以及所述队列调整时序表，确定推送线程运行参数的执行时段包括：

根据第一设定脚本数据和第二设定脚本数据确定经过所述目标智能设备调整后对应设备线程占用队列的队列成员信息，其中，所述第一设定脚本数据中包括：所述目标智能设备的设备损耗数据、所述第一时段和所述第二时段的设备线程占用队列的队列特征数据；所述第二设定脚本数据中包括：所述设备线程占用队列的队列调整时序表，所述队列调整时序表包括：所述设备线程占用队列中队列成员的标识数据；

根据所述队列成员信息和所述队列调整时序表确定推送线程运行参数的执行时段。

6.一种人工智能平台，其特征在于，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行权利要求1-5任一项所述的方法。

7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行是实现权利要求1-5任一项所述的方法。

Images