CN112633952B - 广告推送方法和装置、存储介质及电子设备 - Google Patents

Abstract

本发明公开了一种广告推送方法和装置、存储介质及电子设备。其中，该方法包括：获取线上账号的账号信息和广告的广告信息；将账号信息与每一个广告信息分别组成一个信息对，并确定出每一个信息对各自对应的多个特征向量；利用为多个特征向量中的每一个特征向量各自配置的门控系数，将多个特征向量组合为与信息对对应的目标向量；基于目标向量确定广告信息对应的广告的推荐度；在确定出广告集中各个广告各自对应的广告的推荐度的情况下，将广告集中推荐度最大的目标广告推荐给线上账号。本发明解决了广告推送准确度差的技术问题。

Description

广告推送方法和装置、存储介质及电子设备

技术领域

本发明涉及计算机领域，具体而言，涉及一种广告推送方法和装置、存储介质及电子设备。

背景技术

现有技术中，在向用户账号推送广告的过程中，通常是根据用户的浏览广告的记录向用户推送与用户浏览的广告相似的广告。

然而，上述方法推送的广告的准确度差。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种广告推送方法和装置、存储介质及电子设备，以至少解决广告推送准确度差的技术问题。

根据本发明实施例的一个方面，提供了一种广告推送方法，包括：获取用于接收推送广告的线上账号的账号信息和待推送的广告集中每一个广告的广告信息；将上述账号信息与每一个上述广告信息分别组成一个信息对，并确定出每一个上述信息对各自对应的多个特征向量；利用为上述多个特征向量中的每一个上述特征向量各自配置的门控系数，将上述多个特征向量组合为与上述信息对对应的目标向量，其中，上述门控系数用于对上述多个特征向量进行筛选，并将根据对已推送广告所执行的操作的结果进行调整，在上述门控系数等于0的情况下，上述门控系数对应的上述特征向量被过滤；基于上述目标向量预测上述信息对中的上述广告信息对应的广告点击率和广告转化率，并基于预测出的上述广告点击率和上述广告转化率确定上述广告信息对应的广告的推荐度；在确定出上述广告集中各个广告各自对应的广告的推荐度的情况下，将上述广告集中上述推荐度最大的目标广告推荐给上述线上账号。

根据本发明实施例的另一方面，还提供了一种广告推送装置，包括：获取单元，用于获取用于接收推送广告的线上账号的账号信息和待推送的广告集中每一个广告的广告信息；第一确定单元，用于将上述账号信息与每一个上述广告信息分别组成一个信息对，并确定出每一个上述信息对各自对应的多个特征向量；第一处理单元，用于利用为上述多个特征向量中的每一个上述特征向量各自配置的门控系数，将上述多个特征向量组合为与上述信息对对应的目标向量，其中，上述门控系数用于对上述多个特征向量进行筛选，并将根据对已推送广告所执行的操作的结果进行调整，在上述门控系数等于0的情况下，上述门控系数对应的上述特征向量被过滤；第二确定单元，用于基于上述目标向量预测上述信息对中的上述广告信息对应的广告点击率和广告转化率，并基于预测出的上述广告点击率和上述广告转化率确定上述广告信息对应的广告的推荐度；推荐单元，用于在确定出上述广告集中各个广告各自对应的广告的推荐度的情况下，将上述广告集中上述推荐度最大的目标广告推荐给上述线上账号。

根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述广告推送方法。

根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过上述计算机程序执行上述的广告推送方法。

在本发明实施例中，采用了获取用于接收推送广告的线上账号的账号信息和待推送的广告集中每一个广告的广告信息；将上述账号信息与每一个上述广告信息分别组成一个信息对，并确定出每一个上述信息对各自对应的多个特征向量；利用为上述多个特征向量中的每一个上述特征向量各自配置的门控系数，将上述多个特征向量组合为与上述信息对对应的目标向量，其中，上述门控系数用于对上述多个特征向量进行筛选，并将根据对已推送广告所执行的操作的结果进行调整，在上述门控系数等于0的情况下，上述门控系数对应的上述特征向量被过滤；基于上述目标向量预测上述信息对中的上述广告信息对应的广告点击率和广告转化率，并基于预测出的上述广告点击率和上述广告转化率确定上述广告信息对应的广告的推荐度；在确定出上述广告集中各个广告各自对应的广告的推荐度的情况下，将上述广告集中上述推荐度最大的目标广告推荐给上述线上账号的方法，由于在上述方法中，在向在线账号推送广告的过程中，可以将广告集中的广告的广告信息与在线账号的账号信息组成信息对，通过信息对确定目标向量，并预测每一个广告的推荐度，最终实现根据推荐度推荐广告，提高了推荐的广告的准确度，进而解决了广告推送准确度差的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的广告推送方法的应用环境的示意图；

图2是根据本发明实施例的另一种可选的广告推送方法的应用环境的示意图；

图3是根据本发明实施例的一种可选的广告推送方法的流程的示意图；

图4是根据本发明实施例的一种可选的广告推送方法的系统示意图；

图5是根据本发明实施例的一种可选的广告推送方法的目标神经网络模型的结构示意图；

图6是根据本发明实施例的一种可选的广告推送方法的推送结果示意图；

图7是根据本发明实施例的一种可选的广告推送方法的推送效果示意图；

图8是根据本发明实施例的另一种可选的广告推送方法的推送效果示意图；

图9是根据本发明实施例的又一种可选的广告推送方法的推送效果示意图；

图10是根据本发明实施例的一种可选的广告推送装置的结构示意图；

图11是根据本发明实施例的一种可选的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例的一个方面，提供了一种广告推送方法，可选地，作为一种可选的实施方式，上述广告推送方法可以但不限于应用于如图1所示的环境中。

如图1所示，终端设备102包括了存储器104，用于存储终端设备102运行过程中产生的各项数据、处理器106，用于处理运算上述各项数据、显示器108，用于显示推送结果。终端设备102可以通过网络110与服务器112之间进行数据交互。服务器112包括数据库114，用于存储各项数据，处理引擎116，用于处理上述各项数据。终端设备102可以运行有客户端，客户端可以登录有线上账号。如步骤S102到步骤S106，终端设备102将线上账号的账号信息发送到服务器112，服务器112根据账号信息和存储的广告的广告信息确定信息对，以及确定信息对的目标向量和推荐度，最后根据推荐度返回推荐的目标广告。终端设备102可以显示目标广告。

作为一种可选的实施方式，上述广告推送方法可以但不限于应用于如图2所示的环境中。

如图2所示，终端设备202包括了存储器204，用于存储终端设备202运行过程中产生的各项数据、处理器206，用于处理运算上述各项数据、显示器208，用于显示目标广告。终端设备202上可以运行有客户端，客户端可以登录线上账号。终端设备202可以存储有广告集，终端设备202可以获取线上账号的账号信息，并根据账号信息和广告信息确定信息对，根据信息对确定目标向量和根据目标向量确定推荐度，最后将目标广告推荐给线上账号，如图2中的步骤S202到S210。

可选地，在本实施例中，上述终端设备可以是配置有目标客户端的终端设备，可以包括但不限于以下至少之一：手机（如Android手机、iOS手机等）、笔记本电脑、平板电脑、掌上电脑、MID（Mobile Internet Devices，移动互联网设备）、PAD、台式电脑、智能电视等。目标客户端可以是视频客户端、即时通信客户端、浏览器客户端、教育客户端等。上述网络可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、WIFI及其他实现无线通信的网络。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。

可选地，作为一种可选的实施方式，如图3所示，上述广告推送方法包括：

S302，获取用于接收推送广告的线上账号的账号信息和待推送的广告集中每一个广告的广告信息；

S304，将所述账号信息与每一个所述广告信息分别组成一个信息对，并确定出每一个所述信息对各自对应的多个特征向量；

S306，利用为所述多个特征向量中的每一个所述特征向量各自配置的门控系数，将所述多个特征向量组合为与所述信息对对应的目标向量，其中，所述门控系数用于对所述多个特征向量进行筛选，并将根据对已推送广告所执行的操作的结果进行调整，在所述门控系数等于0的情况下，所述门控系数对应的所述特征向量被过滤；

S308，基于所述目标向量预测所述信息对中的所述广告信息对应的广告点击率和广告转化率，并基于预测出的所述广告点击率和所述广告转化率确定所述广告信息对应的广告的推荐度；

S310，在确定出所述广告集中各个广告各自对应的广告的推荐度的情况下，将所述广告集中所述推荐度最大的目标广告推荐给所述线上账号。

可选地，上述广告推送方法可以但不限于应用于任何可以推送广告的过程中。例如，在线上账号访问网页或者登录客户端的过程中，会显示访问的网页或者显示登录的客户端的客户端当前界面。则本申请实施例中，可以将推送的目标广告添加到网页或者客户端的当前界面进行显示。可以与网页或者客户端的当前界面中的内容进行重新排版，在重新排版的时候，如果是文字广告和页面或当前界面中的文字内容进行排版，可以将文字广告插入到页面或当前界面的文字内容中，用特殊标志或者特殊的颜色、形状进行区分。如果是视频广告，可以将视频广告插入到文字内容中，文字内容包围视频广告。如果页面或者当前界面中的内容为视频，则将文字广告包围视频或者将视频广告与视频在不同的区域显示。此外，广告可以覆盖网页或者当前界面中的内容显示，目标广告显示时，可以被关闭，可以显示一段时长后取消显示，可以闪烁显示。

可选地，上述线上账号可以为使用网络的账号。线上账号可以通过网络浏览或访问网页或客户端，或者登录客户端，登录客户端后可以使用客户端的功能。线上账号可以使用网络访问网页、客户端的过程中，被推送广告，推送广告后，线上账号可能会点击广告、下载、试玩、充值广告对应的应用等。也可能会不执行任何操作，如不点击，直接忽略推送的广告，也可能会屏蔽该广告。本申请实施例通过上述方法，通过获取线上账号的账号信息和广告集中的广告的广告信息，意在确定出的目标广告让线上账号点击、下载、试玩、充值的可能性更大，从而为线上账号推送更加准确的广告。

可选地，本实施例中，可以将账号信息和广告集中的每一个广告的广告信息组成一个信息对，并提取信息对的多个特征向量。提取特征向量可以为将每一个所述信息对确定为当前信息对，对所述当前信息对执行如下操作：确定所述当前信息对的多个域，其中，每一个所述域中记录有所述当前信息对的一种特征；确定每一个所述域下的多个特征；将每一个所述域下的每一个所述特征转换为所述当前信息对的一个特征向量。

可选地，上述域可以为一种特征。即，信息对提取出多种特征，每一种特征下又有多个特征。从而，每一个信息对提取出的特征包括了不同的类型，每一个类型下又包括多个特征。将每一个特征转换为一个特征向量，从而得到多种类型的特征向量，每一种类型下又包括多个特征向量。

可选地，本实施例中，确定信息对的目标向量时，可以将信息对的每一个特征向量分配一个门控系数。门控系数是一个0到1之间的实数。门控系数可以调整每一个特征向量的比重。在所述门控系数等于0的情况下，所述门控系数对应的所述特征向量被过滤。

本实施例中，提供门控系数的目的在于过滤或者说筛选特征向量。例如，在推送广告时，线上账号可能为游戏账号，用户使用线上账号进行游戏。而推送的广告可能为服装广告，明显广告并不适合当前的游戏账号。因此，通过设置门控系数，在推荐广告时，在获取信息对后，通过门控系数来对信息对的特征向量进行筛选，提取出有效的特征向量，进而确定出目标向量，根据目标向量推送广告，可以提高广告的准确度。例如，经过特征向量的筛选，将服装广告等与游戏账号相关性小的广告过滤掉，留下与游戏账号相关性大的广告，从而提高广告推送的准确性。

可选地，本实施例中，可以在线上部署一个目标神经网络模型。目标神经网络模型可以在线上账号浏览网页或者登录客户端时，获取到线上账号的账号信息，然后获取广告集中的广告的广告信息，接着，目标神经网络模型将账号信息和广告信息组合为一个信息对，并使用特征提取层确定信息对的多个特征向量，为每一个特征向量分配一个门控系数，组合得到目标向量，使用解码层对目标向量进行解码，从而得到每一个广告的推荐度。

可选地，目标神经网络模型可以为多个线上账号进行服务。当前的线上账号被推送目标广告后，如果当前的线上账号对目标广告执行了操作，如点击、下载、充值、试玩等操作，或者屏蔽操作，或者线上账号未对目标广告执行任何操作，则根据用户对目标广告的处理，从而调整上述目标神经网络中的门控系数、特征提取层的第一参数和解码层的第二参数。目标神经网络模型的参数调整和目标广告的推送是实时的，通过当前访问的线上账号的账号信息和对广告的操作实时的调整目标神经网络模型的第一参数、第二参数和门控系数。例如，十亿个账号访问网页或者登录客户端，在为每一个账号推送目标广告时，都可以根据推送结果调整目标神经网络模型的参数和门控系数，通过实时的调整，可以使用实时信息训练目标神经网络模型，信息的使用没有滞后性，进一步保证了目标神经网络模型推荐的目标广告的准确度。

结合一个具体示例进行说明。

本实施例中的广告集，可以为预先选择出的广告组成的集合。广告的数量集可以很大，例如为百万量级，十万量级等，则有百万条的广告或十万条的广告待推荐。因此，首先通过粗排和精排两个步骤，先缩小广告的量级，得到量级小的广告集。例如，粗排和精排。排序通常分为两阶段，粗排指第一阶段，需从召回返回的物品集合筛选一个包含N个广告的子集给精排。由于计算时耗要求，粗排模型相比精排一般更简单。在广告推荐系统中N可以为几千量级。然后可以使用本实施例中的上述方法进行精排，并给出每一个广告的预测推荐度。精排：排序第二阶段，需对粗排返回的广告集合中的每个广告做预测，然后进行排序。上述召回是指从全量物品（广告）中选取当前用户最可能感兴趣的广告，返回给之后的“粗排”和“精排”阶段进行精准推荐。在广告推荐系统中可以从几百万的广告库中返回1~10万条广告，然后进行精排选择几千条广告，确定推荐度。

因子分解机（Factorization Machine，简称为FM），是一种基于矩阵分解的机器学习算法，旨在解决稀疏数据下的特征组合问题，被广泛的应用于广告点击率预估模型中。

深度神经网络（Deep Neural Network，简称为DNN），是一种拥有多层隐藏层的神经网络，是过去几年以来最流行最有效的广告点击率预测模型。

Embedding：一个将离散变量转为连续向量表示的方法。DNN模型普遍会把离散特征转换为embedding向量，拼接或者进行其他处理之后作为模型的输入层。

正则化方法：一种对参数进行限制以防止过拟合和提高模型泛化性能的方法。L0/L1正则化是其中常见的方法，会使得参数稀疏化。

Reparameterization trick：一种解决深度学习模型中采样不可导问题的方法。

蒙特卡洛法：是一种基于“随机数”的计算方法，可解决一些不太好求解的求和或者积分问题。

Ecpm：(Empirical Cost-per-thousand-IMpression), 每千次展示的消耗。

CTR/CVR：(Click-Through Rate, ConVersion Rate)，点击率，转化率。

本实施例中，在推荐广告时，可以获取线上账号的账号信息和广告集中的广告的广告信息，将账号信息和广告信息组成信息对，确定信息对的特征向量。由于在将特征转换为特征向量时，特征大多数是一些离散的id值，数量非常多，在百万到十亿级别，而且特征是稀疏的，对于一个样本，只有非常少的特征是激活的，其他绝大部分特征都未被激活且特征之间的交互对于模型的性能有很大影响。在这种场景下，本实施例中通过门控系数对特征进行选择，从而使用选择出的特征生成特征向量并组合为目标向量。

系统框架图如图4所示，在在线广告业务场景中，广告平台接受广告请求，然后从广告库也就是广告集中挑选一个最合适的广告也就是上述目标广告返回。在此过程中产生的所有的广告曝光、点击和转化等数据都会被存储起来，用于定时的模型训练中。每次重新训练好的模型都会被加载到广告平台的服务器中，用于实时的广告点击率/转化率预测。模型的训练可以在每一次推送广告并获取到广告曝光、点击和转化等数据后训练，也可以为定时训练，如每隔一小时使用一小时之间保存的数据进行训练。

对于CTR模型，预测的是，展示一条广告之后，用户点击该广告的概率。样本为用户的单个广告曝光记录，标签通过用户是否点击该广告来决定，点击的样本标记为正样本(y=1)，未点击的样本标记为负样本(y=0)。

对于CVR模型，预测的是，在点击了一个广告之后，用户会去转化的概率。样本为用户的单个广告点击记录，标签通过用户是否转化确定，对于用户的每个转化，如果能找到在此转化之前一个给定窗口内的点击，那么该点击被标记为正样本，其他的所有点击被标记为负样本。

每个样本也就是一个信息对的特征包括用户侧特征，广告侧特征，上下文特征，所有的特征都是离散的，对于原本是连续值的特征，将其离散化成离散特征。

如特征可以包括四大类，1为用户的特征，包括了用户的基本信息数据，如性别、年龄等，还包括了用户的历史操作记录，如点击购买等。2为广告的特征，包括了广告的基本信息，广告的被操作记录。如被点击、被屏蔽等。3为广告的展示位置，例如展示在什么网站的什么位置，展示的网站的类别等。4为上下文特征，包括了广告展示后用户是否有观看，用户什么时间观看、在什么地理位置，如家、公司等观看的广告。

目标神经网络的模型结构如图5所示。目标神经网络模型获取每一个信息对后，提取上述四大类的特征向量。通过稀疏特征预处理，将用户侧、广告侧以及其他特征转换成固定维度的embedding向量。接着进行特征筛选，对上述的每个embedding向量，用一个二值门控系数去控制其是否会被选择进入下一层，实现特征筛选，具体做法是对embedding向量的每一个元素乘以一个取值为{0,1}的二值门控系数，当系数为0时，结果将得到全零向量，这意味着该特征对应的向量不会对预估结果产生任何影响，即被模型当作不重要的特征而丢弃掉。反之，如果系数不为0，则该特征将会对模型的计算结果产生影响，即对模型有用。假设输入embedding向量为e=(e1,e2,...,eK)，门控系数为v，则输出为e'=(e1*v,e2*v,...,eK*v)，即将特征筛选转化为了参数化的模型。接着目标神经网络模型的Bi-Interaction层对筛选出的n个特征进行操作，该步首先对n个embedding向量两两交叉做内积，得到n(n-1)/2个K维embedding向量，然后通过sum pooling的方式生成一个K维稠密向量也就是目标向量，作为下一步的输入。n为特征向量的数量。

DNN层：以目标向量作为数据，构建一个多层全连接深度神经网络模型。

输出层：对DNN层中加工出的向量通过softmax函数得到用户对广告的CTR/CVR预估值，也就是推荐度。预估值越大， 推荐可能性越高。

例如，对于1000个广告，每一个广告计算出一个推荐度，按照推荐度对广告进行排序，将排序结果中的前1个或多个作为目标广告进行推送。

对于目标神经网络模型的训练，目标神经网络模型是一个端到端的模型，特征筛选以及网络参数更新是同时进行的。也就是说，在根据线上的实时数据实时的调整目标神经网络模型的参数。具体来说，将门控系数与Embedding向量以及DNN网络参数一起学习。因为门控系数不连续导致求解困难，因此引入L0正则优化算法来对门控系数进行求解。该优化算法能够将二值门控参数替换为一个分布光滑且逼近伯努利分布的参数，然后通过梯度算法进行更新，这样模型的所有参数都可以使用梯度算法更新。算法具体计算过程如下所示：

给定数据集:

其中，x_i表示样本i的特征，y_i表示样本i的标签，按照目标神经网络模型的结构，设置第一参数和第二参数为

，门控系数集为

，产生自伯努利分布p(z;π),π为分布参数，

为网络输出，

为损失函数，通过极小化期望损失学习

和

。N为正整数

由于函数不可导，因此，使用分布逼近伯努利分布的连续随机变量代替

，然后进行参数求解，替换的变量服从hard concrete分布，定义为：

新的变量可以通过均匀分布随机变量交换得到

，参数

,

即为新的门控系数，将上述公式1变形为：

为了使

产生系数性，从而达到变量选择的效果，对

加上L0正则条件，损失函数为：

S_i为hard concrete分布中的定义，

为S_i的累积分布函数，因为损失函数中的期望难以显示表达，因此，通过蒙特卡洛法求解，对于每一个样本的每一个特征，采样u，采样后，通过如下公式对

和

进行梯度更新。

在预测时，

固定为

。

每隔一小时训练一个新模型并向线上推送，用于线上预测，具体的线上预测流程为：

（1）请求方发出广告请求，召回和粗排模型对广告进行初步筛选之后返回给精排系统一个广告集合。

（2）精排系统查询用户侧和广告侧特征，经过预处理后输入本实施例中的模型，计算pCTR/pCVR。

（3）通过（2）计算出的pCTR/pCVR值计算eCPM，对集合中的所有广告进行排序，选择topK进行曝光。

以推送目标广告为例，当用户打开网页时，或者刷新网页时，广告系统接受请求，从广告库中筛选合适的广告进行展示。当广告被展示给用户或者用户对广告进行点击甚至发生激活APP，下单等转化行为时，系统会自动对广告主进行扣费，从而实现流量变现。如图6所示，图6中，在当前的界面602上显示有目标广告604，线上账号可以通过查看或者开始按钮查看广告或者体验游戏。

本实施例提供了实验数据。通过上述方法，对于数据集，在筛除掉24.36%特征的情况下，数据集上三个目标上的测试AUC绝对数值分别涨了0.34%（如图7）, 0.41%（如图8）和0.22%（如图9）。

作为一种可选的实施方式，所述将所述账号信息与每一个所述广告信息分别组成一个信息对，并确定出每一个所述信息对各自对应的多个特征向量包括：

将每一个所述信息对确定为当前信息对，对所述当前信息对执行如下操作：

确定所述当前信息对的多个域，其中，每一个所述域中记录有所述当前信息对的一种特征；

确定每一个所述域下的多个特征；

将每一个所述域下的每一个所述特征转换为所述当前信息对的一个特征向量。

也就是说，本实施例中，对于全量广告，首先，确定出广告集，广告集中的广告量级要小于全量广告，然后，对于每一个广告集中的广告，都要预测一个推荐度，因此，对于广告集中每一个广告，都将广告信息和账号信息进行配对，得到信息对，每一个信息对确定出多个特征向量。从而可以为每一个广告集中的广告准确预测推荐度，提高推荐广告的准确度。

作为一种可选的实施方式，所述利用为所述多个特征向量中的每一个所述特征向量各自配置的门控系数，将所述多个特征向量组合为与所述信息对对应的目标向量包括：

将每一个所述特征向量与所述门控系数相乘，得到多个结果向量；

对所述多个结果向量中每两个结果向量做交叉内积操作，得到n(n-1)/2个中间向量，其中，所述n为所述结果向量的数量，所述中间向量为K维；

将所述n(n-1)/2个中间向量合并为所述目标向量。

本实施例中，将多个特征向量进行计算合并，得到目标向量， 从而可以使用解码层解码目标向量确定广告的推荐度，提高推荐广告的准确度。

作为一种可选的实施方式，所述将所述账号信息与每一个所述广告信息分别组成一个信息对，并确定出每一个所述信息对各自对应的多个特征向量包括：将每一个所述信息对输入到目标神经网络模型的特征提取层，由所述特征提取层提取每一个所述信息对的所述多个特征向量；

所述基于所述目标向量预测所述信息对中的所述广告信息对应的广告点击率和广告转化率，并基于预测出的所述广告点击率和所述广告转化率确定所述广告信息对应的广告的推荐度包括：由所述目标神经网络模型的解码层对所述目标向量进行解码，确定出所述推荐度。

作为一种可选的实施方式，在确定出所述广告集中各个广告各自对应的广告的推荐度的情况下，将所述广告集中所述推荐度最大的目标广告推荐给所述线上账号之后，所述方法还包括：

在所述线上账号未对所述目标广告执行任何操作，或者所述线上账号屏蔽所述目标广告的情况下，调整所述门控系数的值，且调整所述特征提取层的第一参数和所述解码层的第二参数的值。

可选地，本实施例中的目标神经网络模型为线上的实时训练使用的模型，由于线上的目标神经网络模型随着向线上账号推送目标广告，接着可以使用线上账号的反馈结果来训练模型参数，因此，可以使用实时的数据训练目标神经网络模型，数据的使用没有滞后性，进一步提高了推荐的目标广告的准确度。

作为一种可选的实施方式，在基于所述目标向量预测所述信息对中的所述广告信息对应的广告点击率和广告转化率，并基于预测出的所述广告点击率和所述广告转化率确定所述广告信息对应的广告的推荐度之后，所述方法还包括：

将每一个所述广告确定为当前广告，将所述当前广告的所述推荐度确定为当前推荐度，对所述当前广告执行如下操作：

将所述当前推荐度与所述当前广告的广告出价相乘，得到乘积结果，其中，所述广告出价为推荐一次所述当前广告所收获的资源值；

将所述乘积结果与调价系数相乘，得到目标推荐度，其中，不同的所述广告对应的所述调价系数不同；

将所述目标推荐度确定为所述当前广告的新的所述推荐度。

可选地，本实施例中，在为每一个广告确定出推荐度之后，还可以对推荐度进行处理，从而确定出每一个广告的新的推荐度。每一个广告的广告出价不同，也就是推送一次广告的收益不同。因此，需要将广告的推荐度和广告出价相乘，然后将乘积与调价系数相乘，得到新的推荐度。调价系数是根据用户对广告的反馈而调整的系数。该方法可以提高确定的广告推荐度的准确度，进一步提高推荐广告的收益。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

根据本发明实施例的另一个方面，还提供了一种用于实施上述广告推送方法的广告推送装置。如图10所示，该装置包括：

获取单元1002，用于获取用于接收推送广告的线上账号的账号信息和待推送的广告集中每一个广告的广告信息；

第一确定单元1004，用于将所述账号信息与每一个所述广告信息分别组成一个信息对，并确定出每一个所述信息对各自对应的多个特征向量；

第一处理单元1006，用于利用为所述多个特征向量中的每一个所述特征向量各自配置的门控系数，将所述多个特征向量组合为与所述信息对对应的目标向量，其中，所述门控系数用于对所述多个特征向量进行筛选，并将根据对已推送广告所执行的操作的结果进行调整，在所述门控系数等于0的情况下，所述门控系数对应的所述特征向量被过滤；

第二确定单元1008，用于基于所述目标向量预测所述信息对中的所述广告信息对应的广告点击率和广告转化率，并基于预测出的所述广告点击率和所述广告转化率确定所述广告信息对应的广告的推荐度；

推荐单元1010，用于在确定出所述广告集中各个广告各自对应的广告的推荐度的情况下，将所述广告集中所述推荐度最大的目标广告推荐给所述线上账号。

可选地，上述广告推送装置可以但不限于应用于任何可以推送广告的过程中。例如，在线上账号访问网页或者登录客户端的过程中，会显示访问的网页或者显示登录的客户端的客户端当前界面。则本申请实施例中，可以将推送的目标广告添加到网页或者客户端的当前界面进行显示。可以与网页或者客户端的当前界面中的内容进行重新排版，在重新排版的时候，如果是文字广告和页面或当前界面中的文字内容进行排版，可以将文字广告插入到页面或当前界面的文字内容中，用特殊标志或者特殊的颜色、形状进行区分。如果是视频广告，可以将视频广告插入到文字内容中，文字内容包围视频广告。如果页面或者当前界面中的内容为视频，则将文字广告包围视频或者将视频广告与视频在不同的区域显示。此外，广告可以覆盖网页或者当前界面中的内容显示，目标广告显示时，可以被关闭，可以显示一段时长后取消显示，可以闪烁显示。

可选地，上述线上账号可以为使用网络的账号。线上账号可以通过网络浏览或访问网页或客户端，或者登录客户端，登录客户端后可以使用客户端的功能。线上账号可以使用网络访问网页、客户端的过程中，被推送广告，推送广告后，线上账号可能会点击广告、下载、试玩、充值广告对应的应用等。也可能会不执行任何操作，如不点击，直接忽略推送的广告，也可能会屏蔽该广告。本申请实施例通过上述方法，通过获取线上账号的账号信息和广告集中的广告的广告信息，意在确定出的目标广告让线上账号点击、下载、试玩、充值的可能性更大，从而为线上账号推送更加准确的广告。

本实施例的其他示例请参见上述示例，在此不再赘述。

根据本发明实施例的又一个方面，还提供了一种用于实施上述广告推送方法的电子设备，该电子设备可以是图11所示的终端设备或服务器。本实施例以该电子设备为终端为例来说明。如图11所示，该电子设备包括存储器1102和处理器1104，该存储器1102中存储有计算机程序，该处理器1104被设置为通过计算机程序执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

获取用于接收推送广告的线上账号的账号信息和待推送的广告集中每一个广告的广告信息；

将账号信息与每一个广告信息分别组成一个信息对，并确定出每一个信息对各自对应的多个特征向量；

利用为多个特征向量中的每一个特征向量各自配置的门控系数，将多个特征向量组合为与信息对对应的目标向量，其中，门控系数用于对多个特征向量进行筛选，并将根据对已推送广告所执行的操作的结果进行调整，在所述门控系数等于0的情况下，所述门控系数对应的所述特征向量被过滤；

基于目标向量预测信息对中的广告信息对应的广告点击率和广告转化率，并基于预测出的广告点击率和广告转化率确定广告信息对应的广告的推荐度；

在确定出广告集中各个广告各自对应的广告的推荐度的情况下，将广告集中推荐度最大的目标广告推荐给线上账号。

可选地，本领域普通技术人员可以理解，图11所示的结构仅为示意，电子装置电子设备也可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌上电脑以及移动互联网设备（Mobile Internet Devices，MID）、PAD等终端设备。图11其并不对上述电子装置电子设备的结构造成限定。例如，电子装置电子设备还可包括比图11中所示更多或者更少的组件（如网络接口等），或者具有与图11所示不同的配置。

其中，存储器1102可用于存储软件程序以及模块，如本发明实施例中的广告推送方法和装置对应的程序指令/模块，处理器1104通过运行存储在存储器1102内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的广告推送方法。存储器1102可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1102可进一步包括相对于处理器1104远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1102具体可以但不限于用于存储账号信息等信息。作为一种示例，如图11所示，上述存储器1102中可以但不限于包括上述广告推送装置中的获取单元1002、第一确定单元1004、第一处理单元1006、第二确定单元1008和推荐单元1010。此外，还可以包括但不限于上述广告推送装置中的其他模块单元，本示例中不再赘述。

可选地，上述的传输装置1106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1106包括一个网络适配器（Network Interface Controller，NIC），其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1106为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。

此外，上述电子设备还包括：显示器1108，用于显示目标广告；和连接总线1110，用于连接上述电子设备中的各个模块部件。

在其他实施例中，上述终端设备或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点对点（P2P，Peer To Peer）网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。

根据本发明的实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：

获取用于接收推送广告的线上账号的账号信息和待推送的广告集中每一个广告的广告信息；

将账号信息与每一个广告信息分别组成一个信息对，并确定出每一个信息对各自对应的多个特征向量；

利用为多个特征向量中的每一个特征向量各自配置的门控系数，将多个特征向量组合为与信息对对应的目标向量，其中，门控系数用于对多个特征向量进行筛选，并将根据对已推送广告所执行的操作的结果进行调整，在所述门控系数等于0的情况下，所述门控系数对应的所述特征向量被过滤；

基于目标向量预测信息对中的广告信息对应的广告点击率和广告转化率，并基于预测出的广告点击率和广告转化率确定广告信息对应的广告的推荐度；

在确定出广告集中各个广告各自对应的广告的推荐度的情况下，将广告集中推荐度最大的目标广告推荐给线上账号。

可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（Random Access Memory，RAM）、磁盘或光盘等。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (14)

1.一种广告推送方法，其特征在于，包括：

获取用于接收推送广告的线上账号的账号信息和待推送的广告集中每一个广告的广告信息；

将所述账号信息与每一个所述广告信息分别组成一个信息对，并确定出每一个所述信息对各自对应的多个特征向量；

利用为所述多个特征向量中的每一个所述特征向量各自配置的门控系数，将所述多个特征向量组合为与所述信息对对应的目标向量，其中，所述门控系数用于对所述多个特征向量进行筛选，并将根据对已推送广告所执行的操作的结果进行调整，在所述门控系数等于0的情况下，所述门控系数对应的所述特征向量被过滤；

基于所述目标向量预测所述信息对中的所述广告信息对应的广告点击率和广告转化率，并基于预测出的所述广告点击率和所述广告转化率确定所述广告信息对应的广告的推荐度；

在确定出所述广告集中各个广告各自对应的广告的推荐度的情况下，将所述广告集中所述推荐度最大的目标广告推荐给所述线上账号；

在所述线上账号未对所述目标广告执行任何操作，或者所述线上账号屏蔽所述目标广告的情况下，调整所述门控系数的值。

2.根据权利要求1所述的方法，其特征在于，所述将所述账号信息与每一个所述广告信息分别组成一个信息对，并确定出每一个所述信息对各自对应的多个特征向量包括：

将每一个所述信息对确定为当前信息对，对所述当前信息对执行如下操作：

确定所述当前信息对的多个域，其中，每一个所述域中记录有所述当前信息对的一种特征；

确定每一个所述域下的多个特征；

将每一个所述域下的每一个所述特征转换为所述当前信息对的一个特征向量。

3.根据权利要求1所述的方法，其特征在于，所述利用为所述多个特征向量中的每一个所述特征向量各自配置的门控系数，将所述多个特征向量组合为与所述信息对对应的目标向量包括：

将每一个所述特征向量与所述门控系数相乘，得到多个结果向量；

对所述多个结果向量中每两个结果向量做交叉内积操作，得到n(n-1)/2个中间向量，其中，所述n为所述结果向量的数量，所述中间向量为K维；

将所述n(n-1)/2个中间向量合并为所述目标向量。

4.根据权利要求1所述的方法，其特征在于，

所述将所述账号信息与每一个所述广告信息分别组成一个信息对，并确定出每一个所述信息对各自对应的多个特征向量包括：将每一个所述信息对输入到目标神经网络模型的特征提取层，由所述特征提取层提取每一个所述信息对的所述多个特征向量；

所述基于所述目标向量预测所述信息对中的所述广告信息对应的广告点击率和广告转化率，并基于预测出的所述广告点击率和所述广告转化率确定所述广告信息对应的广告的推荐度包括：由所述目标神经网络模型的解码层对所述目标向量进行解码，确定出所述推荐度。

5.根据权利要求4所述的方法，其特征在于，在确定出所述广告集中各个广告各自对应的广告的推荐度的情况下，将所述广告集中所述推荐度最大的目标广告推荐给所述线上账号之后，所述方法还包括：

在所述线上账号未对所述目标广告执行任何操作，或者所述线上账号屏蔽所述目标广告的情况下，调整所述门控系数的值，且调整所述特征提取层的第一参数和所述解码层的第二参数的值。

6.根据权利要求1至5任意一项所述的方法，其特征在于，在基于所述目标向量预测所述信息对中的所述广告信息对应的广告点击率和广告转化率，并基于预测出的所述广告点击率和所述广告转化率确定所述广告信息对应的广告的推荐度之后，所述方法还包括：

将每一个所述广告确定为当前广告，将所述当前广告的所述推荐度确定为当前推荐度，对所述当前广告执行如下操作：

将所述当前推荐度与所述当前广告的广告出价相乘，得到乘积结果，其中，所述广告出价为推荐一次所述当前广告所收获的资源值；

将所述乘积结果与调价系数相乘，得到目标推荐度，其中，不同的所述广告对应的所述调价系数不同；

将所述目标推荐度确定为所述当前广告的新的所述推荐度。

7.一种广告推送装置，其特征在于，包括：

获取单元，用于获取用于接收推送广告的线上账号的账号信息和待推送的广告集中每一个广告的广告信息；

第一确定单元，用于将所述账号信息与每一个所述广告信息分别组成一个信息对，并确定出每一个所述信息对各自对应的多个特征向量；

第一处理单元，用于利用为所述多个特征向量中的每一个所述特征向量各自配置的门控系数，将所述多个特征向量组合为与所述信息对对应的目标向量，其中，所述门控系数用于对所述多个特征向量进行筛选，并将根据对已推送广告所执行的操作的结果进行调整，在所述门控系数等于0的情况下，所述门控系数对应的所述特征向量被过滤；

第二确定单元，用于基于所述目标向量预测所述信息对中的所述广告信息对应的广告点击率和广告转化率，并基于预测出的所述广告点击率和所述广告转化率确定所述广告信息对应的广告的推荐度；

推荐单元，用于在确定出所述广告集中各个广告各自对应的广告的推荐度的情况下，将所述广告集中所述推荐度最大的目标广告推荐给所述线上账号，还用于在所述线上账号未对所述目标广告执行任何操作，或者所述线上账号屏蔽所述目标广告的情况下，调整所述门控系数的值。

8.根据权利要求7所述的装置，其特征在于，所述第一确定单元包括：

处理模块，用于将每一个所述信息对确定为当前信息对，对所述当前信息对执行如下操作：

确定所述当前信息对的多个域，其中，每一个所述域中记录有所述当前信息对的一种特征；

确定每一个所述域下的多个特征；

将每一个所述域下的每一个所述特征转换为所述当前信息对的一个特征向量。

9.根据权利要求7所述的装置，其特征在于，所述第一处理单元包括：

第一计算模块，用于将每一个所述特征向量与所述门控系数相乘，得到多个结果向量；

第二计算模块，用于对所述多个结果向量中每两个结果向量做交叉内积操作，得到n(n-1)/2个中间向量，其中，所述n为所述结果向量的数量，所述中间向量为K维；

合并模块，用于将所述n(n-1)/2个中间向量合并为所述目标向量。

10.根据权利要求7所述的装置，其特征在于，

所述第一确定单元包括：特征提取模块，用于将每一个所述信息对输入到目标神经网络模型的特征提取层，由所述特征提取层提取每一个所述信息对的所述多个特征向量；

所述第二确定单元包括：解码模块，用于由所述目标神经网络模型的解码层对所述目标向量进行解码，确定出所述推荐度。

11.根据权利要求10所述的装置，其特征在于，所述装置还包括：

调整单元，用于在确定出所述广告集中各个广告各自对应的广告的推荐度的情况下，将所述广告集中所述推荐度最大的目标广告推荐给所述线上账号之后，在所述线上账号未对所述目标广告执行任何操作，或者所述线上账号屏蔽所述目标广告的情况下，调整所述门控系数的值，且调整所述特征提取层的第一参数和所述解码层的第二参数的值。

12.根据权利要求7至11任意一项所述的装置，其特征在于，所述装置还包括：

第二处理单元，用于在基于所述目标向量预测所述信息对中的所述广告信息对应的广告点击率和广告转化率，并基于预测出的所述广告点击率和所述广告转化率确定所述广告信息对应的广告的推荐度之后，将每一个所述广告确定为当前广告，将所述当前广告的所述推荐度确定为当前推荐度，对所述当前广告执行如下操作：

将所述当前推荐度与所述当前广告的广告出价相乘，得到乘积结果，其中，所述广告出价为推荐一次所述当前广告所收获的资源值；

将所述乘积结果与调价系数相乘，得到目标推荐度，其中，不同的所述广告对应的所述调价系数不同；

将所述目标推荐度确定为所述当前广告的新的所述推荐度。

13.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序运行时执行所述权利要求1至6任一项中所述的方法。

14.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至6任一项中所述的方法。

Images