CN114140155A - 个性化广告推荐方法、电子设备和存储介质 - Google Patents

个性化广告推荐方法、电子设备和存储介质 Download PDF

Info

Publication number
CN114140155A
CN114140155A CN202111371039.0A CN202111371039A CN114140155A CN 114140155 A CN114140155 A CN 114140155A CN 202111371039 A CN202111371039 A CN 202111371039A CN 114140155 A CN114140155 A CN 114140155A
Authority
CN
China
Prior art keywords
preference
attribute
target user
advertisement
similarity
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
CN202111371039.0A
Other languages
English (en)
Inventor
陈程
王贺
石奕
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.)
Wuhan Zhuoer Digital Media Technology Co ltd
Original Assignee
Wuhan Zhuoer Digital Media 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 Wuhan Zhuoer Digital Media Technology Co ltd filed Critical Wuhan Zhuoer Digital Media Technology Co ltd
Priority to CN202111371039.0A priority Critical patent/CN114140155A/zh
Publication of CN114140155A publication Critical patent/CN114140155A/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
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了一种个性化广告推荐方法、电子设备和存储介质。所述方法包括：获得多个用户分别对历史播放的广告形成的偏好向量；根据所述偏好向量建立所述用户对所述广告生成的评分矩阵；基于所述评分矩阵获得目标用户相似度；所述目标用户表征所述多个用户中存在有共同的所述广告对应的用户；获得所述目标用户的标签相似度；根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度；获得所述广告对应不同维度的属性，根据所述属性确定所述目标用户的属性偏好度；基于所述属性相似度和所述属性偏好度确定广告推荐度；根据所述广告推荐度进行广告推荐。

Description

个性化广告推荐方法、电子设备和存储介质
技术领域
本发明涉及大数据处理领域，涉及但不限于一种个性化广告推荐方法、电子设备和存储介质。
背景技术
个性化推荐是根据用户的兴趣特点和购买行为向用户推荐用户感兴趣的信息(比如广告、广告视频等)的推荐方法，这种推荐方法可以通过分析用户的习惯、历史记录等数据，较为准确地向用户提供感兴趣的信息，如视频、书籍、广告、商品、新闻等，在很大程度上解决了“信息过载”和“信息迷失”带来的各种问题。在推荐资源的精确度足够高的情况下，个性化推荐还是提高用户粘性的一个非常好的途径。
但是目前商业化运行的广告系统基本都有社交属性，对于第三方调研者来说，无论是用户社交关系的获取还是用户社交关系中的亲疏程度判别都是一个难题。而针对该问题，目前尚无有效解决方案。
发明内容
有鉴于此，本发明实施例期望提供一种个性化广告推荐方法、电子设备和存储介质。
本发明实施例的技术实施例是这样实现的：
本发明实施例提供一种个性化广告推荐方法，所述方法包括：
获得多个用户分别对历史播放的广告形成的偏好向量；根据所述偏好向量建立所述用户对所述广告生成的评分矩阵；
基于所述评分矩阵获得目标用户相似度；所述目标用户表征所述多个用户中存在有共同的所述广告对应的用户；
获得所述目标用户的标签相似度；根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度；
获得所述广告对应不同维度的属性，根据所述属性确定所述目标用户的属性偏好度；
基于所述属性相似度和所述属性偏好度确定广告推荐度；根据所述广告推荐度进行广告推荐。
在上述方案中，所述获得多个用户分别对历史播放的广告形成的偏好向量，包括：
获得所述多个用户中每个用户对所述广告的播放最大次数以及每个广告的播放次数；
根据所述播放次数和所述播放最大次数确定所述多个用户中每个用户对所述广告形成的偏好向量。
在上述方案中，所述基于所述评分矩阵获得目标用户相似度，包括：
基于所述评分矩阵获得第一目标用户对所述广告的第一评分以及第二目标用户对所述广告的第二评分；所述第一目标用户为所述目标用户中的任一用户；所述第二目标用户为所述目标用户中除所述第一目标用户以外的任一用户
获得所述第一目标用户对多个所述广告的第一平均评分以及所述第二目标用户对多个所述广告的第二平均评分；
根据所述第一评分、所述第二评分、所述第一平均评分和所述第二平均评分确定所述第一目标用户和所述第二目标用户之间的所述目标用户相似度。
在上述方案中，所述获得所述目标用户的标签相似度，包括：
获得所述第一目标用户的第一标签集合以及所述第二目标用户的第二标签集合；
根据所述第一标签集合和所述第二标签集合确定所述第一目标用户和所述第二目标用户之间的所述标签相似度。
在上述方案中，所述根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度，包括：
获得所述目标用户相似度的第一权重因子以及所述标签相似度的第二权重因子；
根据所述第一权重因子、所述第二权重因子、所述目标用户相似度和所述标签相似度确定所述属性相似度。
在上述方案中，所述属性至少包括所述广告的语种属性、风格属性、场景属性、情感属性、主题属性；所述根据所述属性确定所述目标用户的属性偏好度，包括：
获得所述目标用户对所述语种属性的第一偏好度、所述风格属性的第二偏好度、所述场景属性的第三偏好度、所述情感属性的第四偏好度、所述主题属性的第五偏好度；
基于所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度。
在上述方案中，所述基于所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度，包括：
获得所述第一偏好度的第一权重系数、所述第二偏好度的第二权重系数、所述第三偏好度的第三权重系数、所述第四偏好度的第四权重系数、所述第五偏好度的第五权重系数；
基于所述第一权重系数、所述第二权重系数、所述第三权重系数、所述第四权重系数、所述第五权重系数、所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度。
在上述方案中，所述基于所述属性相似度和所述属性偏好度确定广告推荐度，包括：
获得所述属性相似度的第三权重因子和所述属性偏好度的第四权重因子；
基于所述第三权重因子、所述第四权重因子、所述属性相似度和所述属性偏好度确定所述广告推荐度。
在上述方案中，所述根据所述广告推荐度进行广告推荐，包括：
对所述广告推荐度进行排序，获得排序结果；
根据所述排序结果确定在预设阈值之前的所述广告推荐度对应的广告进行广告推荐。
本发明实施例提供一种个性化广告推荐装置，所述装置包括：建立单元、获得单元、第一确定单元、第二确定单元和推荐单元，其中：
所述建立单元，用于获得多个用户分别对历史播放的广告形成的偏好向量；根据所述偏好向量建立所述用户对所述广告生成的评分矩阵；
所述获得单元，用于基于所述评分矩阵获得目标用户相似度；所述目标用户表征所述多个用户中存在有共同的所述广告对应的用户；
所述第一确定单元，用于获得所述目标用户的标签相似度；根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度；
所述第二确定单元，用于获得所述广告对应不同维度的属性，根据所述属性确定所述目标用户的属性偏好度；
所述推荐单元，用于基于所述属性相似度和所述属性偏好度确定广告推荐度；根据所述广告推荐度进行广告推荐。
在上述方案中，所述建立单元，还用于获得所述多个用户中每个用户对所述广告的播放最大次数以及每个广告的播放次数；根据所述播放次数和所述播放最大次数确定所述多个用户中每个用户对所述广告形成的偏好向量。
在上述方案中，所述获得单元，还用于基于所述评分矩阵获得第一目标用户对所述广告的第一评分以及第二目标用户对所述广告的第二评分；所述第一目标用户为所述目标用户中的任一用户；所述第二目标用户为所述目标用户中除所述第一目标用户以外的任一用户；获得所述第一目标用户对多个所述广告的第一平均评分以及所述第二目标用户对多个所述广告的第二平均评分；根据所述第一评分、所述第二评分、所述第一平均评分和所述第二平均评分确定所述第一目标用户和所述第二目标用户之间的所述目标用户相似度。
在上述方案中，所述第一确定单元，还用于获得所述第一目标用户的第一标签集合以及所述第二目标用户的第二标签集合；根据所述第一标签集合和所述第二标签集合确定所述第一目标用户和所述第二目标用户之间的所述标签相似度。
在上述方案中，所述第一确定单元，还用于获得所述目标用户相似度的第一权重因子以及所述标签相似度的第二权重因子；根据所述第一权重因子、所述第二权重因子、所述目标用户相似度和所述标签相似度确定所述属性相似度。
在上述方案中，所述属性至少包括所述广告的语种属性、风格属性、场景属性、情感属性、主题属性；所述第二确定单元，还用于获得所述目标用户对所述语种属性的第一偏好度、所述风格属性的第二偏好度、所述场景属性的第三偏好度、所述情感属性的第四偏好度、所述主题属性的第五偏好度；基于所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度。
在上述方案中，所述第二确定单元，还用于获得所述第一偏好度的第一权重系数、所述第二偏好度的第二权重系数、所述第三偏好度的第三权重系数、所述第四偏好度的第四权重系数、所述第五偏好度的第五权重系数；基于所述第一权重系数、所述第二权重系数、所述第三权重系数、所述第四权重系数、所述第五权重系数、所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度。
在上述方案中，所述推荐单元，还用于获得所述属性相似度的第三权重因子和所述属性偏好度的第四权重因子；基于所述第三权重因子、所述第四权重因子、所述属性相似度和所述属性偏好度确定所述广告推荐度。
在上述方案中，所述推荐单元，还用于对所述广告推荐度进行排序，获得排序结果；根据所述排序结果确定在预设阈值之前的所述广告推荐度对应的广告进行广告推荐。
本发明实施例提供一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器用于运行所述计算机程序时，执行上述所述方法的任一步骤。
本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述所述方法的任一步骤。
本发明实施例提供的个性化广告推荐方法、电子设备和存储介质，其中，通过获得多个用户分别对历史播放的广告形成的偏好向量；根据所述偏好向量建立所述用户对所述广告生成的评分矩阵；基于所述评分矩阵获得目标用户相似度；所述目标用户表征所述多个用户中存在有共同的所述广告对应的用户；获得所述目标用户的标签相似度；根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度；获得所述广告对应不同维度的属性，根据所述属性确定所述目标用户的属性偏好度；基于所述属性相似度和所述属性偏好度确定广告推荐度；根据所述广告推荐度进行广告推荐，本实施例考虑用户自身属性、广告自身属性、以及用户与广告之间的关系，对于第三方调研者来说，便于获取用户社交关系，以及用户社交关系中的亲疏程度判别，进而推荐的广告效果更好，更精准。
附图说明
图1为本发明实施例个性化广告推荐方法实现流程示意图；
图2为本发明实施例个性化广告推荐装置的组成结构示意图；
图3为本发明实施例中电子设备的一种硬件实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对发明的具体技术方案做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例提出一种个性化广告推荐方法，图1为本发明实施例个性化广告推荐方法实现流程示意图，如图1所示，该方法包括：
步骤S101：获得多个用户分别对历史播放的广告形成的偏好向量；根据所述偏好向量建立所述用户对所述广告生成的评分矩阵。
需要说明的是，获得多个用户分别对历史播放的广告形成的偏好向量；其中，所述历史播放的广告可以为多个，所述历史播放的广告个数可以记为n；所述多个用户的个数可以记为m。作为一种示例，获得多个用户分别对历史播放的广告形成的偏好向量可以为获得所述多个用户中每个用户对所述广告的播放最大次数以及每个广告的播放次数；根据所述播放次数和所述播放最大次数确定所述多个用户中每个用户对所述广告形成的偏好向量。在实际应用中，用户播放最大次数的广告可以记为N0，每个广告的播放次数可以记为N1。根据所述播放次数和所述播放最大次数确定所述多个用户中每个用户对所述广告形成的偏好向量可以为根据所述播放次数和所述播放最大次数确定所述播放次数和所述播放最大次数的比值，根据所述比值确定所述多个用户中每个用户对所述广告形成的偏好向量。例如，所述偏好向量可以记为(R11，...，R1n)、…(Ri1，...，Rin)、…、(Rm1，…，Rmn)；其中，m为用户个数，n为广告个数，i为第i个用户。
根据所述偏好向量建立所述用户对所述广告生成的评分矩阵可以为根据所述偏好向量构建所述用户对所述广告生成的评分矩阵。为了方便理解，这里示例说明，所述偏好向量可以记为(R11，...，R1n)、…(Ri1，...，Rin)、…、(Rm1，...，Rmn)；其中，m为用户个数，n为广告个数，i为第i个用户。则所述评分矩阵可以参照公式(1)所示：
Figure BDA0003362166990000071
式(1)中，m为用户个数，n为广告个数，Rij为用户i对广告j的评分。
步骤S102：基于所述评分矩阵获得目标用户相似度；所述目标用户表征所述多个用户中存在有共同的所述广告对应的用户。
这里，所述目标用户表征所述多个用户中存在有共同的所述广告对应的用户可以理解为所述目标用户为所述用户中听过的历史广告存在交集。为了方便理解，这里示例说明，ui和uj分别代表用户i和用户j，用户i和j听过的广告交集为Iq，则ui和uj为目标用户。
基于所述评分矩阵获得目标用户相似度可以为基于所述评分矩阵计算目标用户相似度。所述目标用户相似度可以记为sim(ui,uj)，可以简称sim；作为一种示例，基于所述评分矩阵计算目标用户相似度可以为基于所述评分矩阵获得第一目标用户对所述广告的第一评分以及第二目标用户对所述广告的第二评分；所述第一目标用户为所述目标用户中的任一用户；所述第二目标用户为所述目标用户中除所述第一目标用户以外的任一用户；获得所述第一目标用户对多个所述广告的第一平均评分以及所述第二目标用户对多个所述广告的第二平均评分；根据所述第一评分、所述第二评分、所述第一平均评分和所述第二平均评分确定所述第一目标用户和所述第二目标用户之间的所述目标用户相似度。
步骤S103：获得所述目标用户的标签相似度；根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度。
这里，获得所述目标用户的标签相似度可以为通过预设算法计算所述目标用户的标签相似度。其中，所述预设算法可以根据实际情况进行确定，在此不做限定，作为一种示例，所述预设算法可以为杰卡德相似系数算法；所述标签相似度可以记为sim1(ui,uj)，可以简称sim1。所述通过预设算法计算所述目标用户的标签相似度可以为获得所述第一目标用户的第一标签集合以及所述第二目标用户的第二标签集合；根据所述第一标签集合和所述第二标签集合通过预设算法计算所述第一目标用户和所述第二目标用户之间的所述标签相似度。
根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度；其中，所述属性相似度可以记为sim2(ui,uj)，，可以简称sim2。作为一种示例，根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度可以为获得所述目标用户相似度的第一权重因子以及所述标签相似度的第二权重因子；根据所述第一权重因子、所述第二权重因子、所述目标用户相似度和所述标签相似度确定所述属性相似度。
步骤S104：获得所述广告对应不同维度的属性，根据所述属性确定所述目标用户的属性偏好度。
这里，获得所述广告对应不同维度的属性；其中，所述不同维度的属性可以根据实际情况进行确定，在此不做限定，作为一种示例，所述不同维度的属性可以为广告的语种、风格、场景、情感、主题等维度的属性。
根据所述属性确定所述目标用户的属性偏好度；其中，所述属性偏好度可以为根据实际情况进行确定，在此不做限定，作为一种示例，所述属性偏好度可以为广告的语种偏好度、风格偏好度、场景偏好度、情感偏好度、主题偏好度等。所述属性偏好度可以记为Zi,j；根据所述属性确定所述目标用户的属性偏好度可以为获得所述目标用户对所述语种属性的第一偏好度、所述风格属性的第二偏好度、所述场景属性的第三偏好度、所述情感属性的第四偏好度、所述主题属性的第五偏好度；基于所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度。
步骤S105：基于所述属性相似度和所述属性偏好度确定广告推荐度；根据所述广告推荐度进行广告推荐。
基于所述属性相似度和所述属性偏好度确定广告推荐度；所述广告推荐度可以记为O。作为一种示例，基于所述属性相似度和所述属性偏好度确定广告推荐度可以为获得所述属性相似度的第三权重因子和所述属性偏好度的第四权重因子；基于所述第三权重因子、所述第四权重因子、所述属性相似度和所述属性偏好度确定所述广告推荐度。
根据所述广告推荐度进行广告推荐可以为对所述广告推荐度进行排序，获得排序结果；根据所述排序结果确定在预设阈值之前的所述广告推荐度对应的广告进行广告推荐。
本发明实施例提供的个性化广告推荐方法，通过根据所述偏好向量建立所述用户对所述广告生成的评分矩阵；基于所述评分矩阵获得目标用户相似度；所述目标用户表征所述多个用户中存在有共同的所述广告对应的用户；获得所述目标用户的标签相似度；根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度；获得所述广告对应不同维度的属性，根据所述属性确定所述目标用户的属性偏好度；基于所述属性相似度和所述属性偏好度确定广告推荐度；根据所述广告推荐度进行广告推荐，本实施例考虑用户自身属性、广告自身属性、以及用户与广告之间的关系，对于第三方调研者来说，便于获取用户社交关系，以及用户社交关系中的亲疏程度判别，进而推荐的广告效果更好，更精准。
在本发明一种可选实施例中，所述获得多个用户分别对历史播放的广告形成的偏好向量，包括：获得所述多个用户中每个用户对所述广告的播放最大次数以及每个广告的播放次数；根据所述播放次数和所述播放最大次数确定所述多个用户中每个用户对所述广告形成的偏好向量。
本实施例中，所述个性化广告推荐方法可以应用于个性化广告推荐系统中；获得所述多个用户中每个用户对所述广告的播放最大次数以及每个广告的播放次数可以为在所述个性化广告推荐系统的过滤推荐模型中遍历每个用户对每个广告的播放次数，进而获得用户播放最大次数的广告。在实际应用中，用户播放最大次数的广告可以记为N0，每个广告的播放次数可以记为N1。
根据所述播放次数和所述播放最大次数确定所述多个用户中每个用户对所述广告形成的偏好向量可以为根据所述播放次数和所述播放最大次数确定所述播放次数和所述播放最大次数的比值，根据所述比值确定所述多个用户中每个用户对所述广告形成的偏好向量。
在实际应用中，遍历每个用户对广告的播放次数，对每个广告的播放次数进行归一化——归一化为对应广告播放次数与用户播放最大次数的广告的比值，即N1归一化为N1/N0，N0为用户播放最大次数。所述偏好向量可以记为(R11，...，R1n)、…(Ri1，...，Rin)、…、(Rm1，...，Rmn)；其中，m为用户个数，n为广告个数，i为第i个用户。
在本发明一种可选实施例中，所述基于所述评分矩阵获得目标用户相似度，包括：基于所述评分矩阵获得第一目标用户对所述广告的第一评分以及第二目标用户对所述广告的第二评分；所述第一目标用户为所述目标用户中的任一用户；所述第二目标用户为所述目标用户中除所述第一目标用户以外的任一用户；获得所述第一目标用户对多个所述广告的第一平均评分以及所述第二目标用户对多个所述广告的第二平均评分；根据所述第一评分、所述第二评分、所述第一平均评分和所述第二平均评分确定所述第一目标用户和所述第二目标用户之间的所述目标用户相似度。
本实施例中，基于所述评分矩阵获得第一目标用户对所述广告的第一评分以及第二目标用户对所述广告的第二评分；其中，所述第一目标用户可以记为ui；所述第二目标用户可以记为uj；ui和uj分别代表用户i和用户j；所述第一评分可以记为Rin，所述第二评分可以记为Rjn，Rin和Rjn分别代表用户i和用户j对广告n的评分。
获得所述第一目标用户对多个所述广告的第一平均评分以及所述第二目标用户对多个所述广告的第二平均评分；其中，所述第一平均评分可以记为
Figure BDA0003362166990000111
所述第二平均评分可以记为
Figure BDA0003362166990000112
根据所述第一评分、所述第二评分、所述第一平均评分和所述第二平均评分确定所述第一目标用户和所述第二目标用户之间的所述目标用户相似度可以为获得所述第一目标用户的第一历史广告集合、所述第二目标用户的第二历史广告集合以及所述第一历史广告集合和所述二历史广告集合的交集；基于所述第一历史广告集合、所述第一历史广告集合、所述交集、所述第一评分、所述第二评分、所述第一平均评分和所述第二平均评分确定所述第一目标用户和所述第二目标用户之间的所述目标用户相似度。为了方便理解，这里示例说明，所述目标用户相似度的确定可以参照公式(2)所示：
Figure BDA0003362166990000113
式(2)中，ui和uj分别代表用户i和用户j，Iq是用户i和j听过的广告交集，Ia和Ib分别是用户i和用户j的历史广告集合，Rin和Rjn分别代表用户i和用户j对广告n的评分，
Figure BDA0003362166990000121
和
Figure BDA0003362166990000122
分别代表用户i和j对多个广告的平均评分。
在本发明一种可选实施例中，所述获得所述目标用户的标签相似度，包括：获得所述第一目标用户的第一标签集合以及所述第二目标用户的第二标签集合；根据所述第一标签集合和所述第二标签集合确定所述第一目标用户和所述第二目标用户之间的所述标签相似度。
本实施例中，获得所述第一目标用户的第一标签集合以及所述第二目标用户的第二标签集合；其中，所述第一标签集合可以理解为对所述第一目标用户的属性和特点进行的描述；所述属性和特点可以根据实际情况进行确定，在此不做限定；所述第一标签集合可以记为Si；所述第二标签集合可以理解为对所述第二目标用户的属性和特点进行的描述；所述属性和特点可以根据实际情况进行确定，在此不做限定；所述第二标签集合可以记为Sj。
根据所述第一标签集合和所述第二标签集合确定所述第一目标用户和所述第二目标用户之间的所述标签相似度可以为根据所述第一标签集合和所述第二标签集合通过预设算法计算所述第一目标用户和所述第二目标用户之间的所述标签相似度；其中，所述预设算法可以根据实际情况进行确定，在此不做限定，作为一种示例，所述预设算法可以为杰卡德相似系数算法；所述标签相似度可以记为sim1，使用杰卡德相似系数计算用户标签相似度sim1，公式如下(3)所示：
Figure BDA0003362166990000123
式(3)中，Si和Sj分别代表用户i和用户j的标签集合。
在本发明一种可选实施例中，所述根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度，包括：获得所述目标用户相似度的第一权重因子以及所述标签相似度的第二权重因子；根据所述第一权重因子、所述第二权重因子、所述目标用户相似度和所述标签相似度确定所述属性相似度。
本发明实施例中，获得所述目标用户相似度的第一权重因子以及所述标签相似度的第二权重因子；其中，所述第一权重因子表征所述目标用户相似度占的权重；所述第一权重因子可以记为w1；所述第二权重因子表征所述标签相似度占的权重；所述第二权重因子可以记为w2；在实际应用中，w1和w2也可以称为权重系数，为常数，且，w1+w2＝1。
根据所述第一权重因子、所述第二权重因子、所述目标用户相似度和所述标签相似度确定所述属性相似度可以为根据所述第一权重因子、所述第二权重因子、所述目标用户相似度和所述标签相似度通过预设公式确定所述属性相似度；其中，所述预设公式可以根据实际情况进行确定，在此不做限定，作为一种示例，所述预设公式可以参照如下公式(4)所示：
sim2(ui,uj)＝w1×sim(ui,uj)+w2×sim1(ui,uj) (4)
式(4)中，w1和w2是权重系数，为常数，且w1+w2＝1。
在本发明一种可选实施例中，所述属性至少包括所述广告的语种属性、风格属性、场景属性、情感属性、主题属性；所述根据所述属性确定所述目标用户的属性偏好度，包括：获得所述目标用户对所述语种属性的第一偏好度、所述风格属性的第二偏好度、所述场景属性的第三偏好度、所述情感属性的第四偏好度、所述主题属性的第五偏好度；基于所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度。
本发明实施例中，所述语种属性可以根据实际情况进行确定，在此不做限定，作为一种示例，所述语种属性可以为偏好英文歌曲、偏好粤语歌曲、偏好华语歌曲等。
所述风格属性可以根据实际情况进行确定，在此不做限定，作为一种示例，所述风格属性可以为悬念型，视觉型等。
所述场景属性可以根据实际情况进行确定，在此不做限定，作为一种示例，所述场景属性可以为硬广、访谈等。
所述情感属性可以根据实际情况进行确定，在此不做限定，作为一种示例，所述情感属性可以为亲情、爱情、友情等。
所述主题属性表征用户对广告不同主题的偏好程度；所述主题属性可以根据实际情况进行确定，在此不做限定，作为一种示例，所述主题属性可以为诉求主题、个性化主题等。
获得所述目标用户对所述语种属性的第一偏好度；所述第一偏好度表征用户对广告不同语种的敏感程度；在实际应用中，所述第一偏好度也可以称为广告语种偏好度，根据用户广告播放历史记录得知，用户对广告语种敏感度不同，有的偏好英文歌曲，有的偏好粤语歌曲，有的用户只听华语歌曲。针对这一特点，计算用户对广告语种偏好度(LauguagePreference)，可以参照如下公式(5)所示：
Figure BDA0003362166990000141
式(5)中，Gi,j表示用户ui对属于语种Lj的广告的偏好度，advertisementLanguage(ui，Lj)表示用户ui广告收听历史中属于Lj语种的广告，advertisementCount(ui)表示用户广告播放数。
获得所述风格属性的第二偏好度；所述第二偏好度表征用户对广告不同风格的偏好程度；在实际应用中，所述第二偏好度也可以称为广告风格偏好度，该广告风格偏好度计算可以参照如下公式(6)所示：
Figure BDA0003362166990000142
式(6)中，Hi,j表示用户ui对属于Stj风格的广告的偏好度，advertisementStyle(ui，Stj)表示用户ui广告收听历史中属于Stj风格的广告，advertisementCount(ui)表示用户广告播放数。
获得所述场景属性的第三偏好度；所述第三偏好度表征用户对广告不同场景的偏好程度；在实际应用中，所述第三偏好度也可以称为广告场景偏好度，该广告场景偏好度计算可以参照如下公式(7)所示：
Figure BDA0003362166990000143
式(7)中，Ki,j表示用户ui对属于Nj场景的广告的偏好度，advertisementNario(ui，Nj)表示用户ui广告收听历史中属于Nj场景的广告，advertisementCount(ui)表示用户广告播放数。
获得所述情感属性的第四偏好度；所述第四偏好度表征用户对广告不同情感的偏好程度；在实际应用中，所述第四偏好度也可以称为广告情感偏好度，该，该广告情感偏好度计算公式(8)所示如下：
Figure BDA0003362166990000151
式(8)，Pi,j表示用户ui对属于Mj情感的广告的偏好度，advertisementMood(ui，Mj)表示用户ui广告收听历史中属于Mj情感的广告，advertisementCount(ui)表示用户广告播放数。
所述主题属性的第五偏好度；所述第五偏好度表征用户对广告不同主题的偏好程度；在实际应用中，所述第五偏好度也可以称为广告主题偏好度，该广告主题偏好度的计算公式如下(9)所示：
Figure BDA0003362166990000152
式(9)，Ei,j表示用户ui对属于Thj主题的广告的偏好度，advertisementTheme(ui，Thj)表示用户ui广告收听历史中属于Thj主题的广告，advertisementCount(ui)表示用户广告播放数。
基于所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度；其中，所述属性偏好度可以记为Zi,j。作为一种示例，所述基于所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度可以为获得所述第一偏好度的第一权重系数、所述第二偏好度的第二权重系数、所述第三偏好度的第三权重系数、所述第四偏好度的第四权重系数、所述第五偏好度的第五权重系数；基于所述第一权重系数、所述第二权重系数、所述第三权重系数、所述第四权重系数、所述第五权重系数、所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度。
在本发明一种可选实施例中，所述基于所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度，包括：获得所述第一偏好度的第一权重系数、所述第二偏好度的第二权重系数、所述第三偏好度的第三权重系数、所述第四偏好度的第四权重系数、所述第五偏好度的第五权重系数；基于所述第一权重系数、所述第二权重系数、所述第三权重系数、所述第四权重系数、所述第五权重系数、所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度。
本发明实施例中，获得所述第一偏好度的第一权重系数；其中，所述第一权重系数可以表征所述第一偏好度占的比重；所述第一权重系数可以记为a。
获得所述第二偏好度的第二权重系数；其中，所述第二权重系数可以表征所述第二偏好度占的比重；所述第二权重系数可以记为b。
获得所述第三偏好度的第三权重系数；其中，所述第三权重系数可以表征所述第三偏好度占的比重；所述第三权重系数可以记为c。
获得所述第四偏好度的第四权重系数；其中，所述第四权重系数可以表征所述第四偏好度占的比重；所述第四权重系数可以记为d。
获得所述第五偏好度的第五权重系数；其中，所述第五权重系数可以表征所述第五偏好度占的比重；所述第五权重系数可以记为e。
基于所述第一权重系数、所述第二权重系数、所述第三权重系数、所述第四权重系数、所述第五权重系数、所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度可以为基于所述第一权重系数、所述第二权重系数、所述第三权重系数、所述第四权重系数、所述第五权重系数、所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度通过预设公式确定所述属性偏好度；其中，所述预设公式可以根据实际情况进行确定，在此不做限定，作为一种示例，所述预设公式可以参照如下公式(10)所示：
Zi,j＝a*Gi,j+b*Hi,j+c*Ki,j+d*Pi,j+e*Ei,j (10)
式(10)中，a、b、c、d、e均为权重系数；且a+b+c+d+e＝1。
在本发明一种可选实施例中，所述基于所述属性相似度和所述属性偏好度确定广告推荐度，包括：获得所述属性相似度的第三权重因子和所述属性偏好度的第四权重因子；基于所述第三权重因子、所述第四权重因子、所述属性相似度和所述属性偏好度确定所述广告推荐度。
本发明实施例中，获得所述属性相似度的第三权重因子和所述属性偏好度的第四权重因子；其中，所述第三权重因子表征所述属性相似度占的比重；所述第三权重因子可以记为
Figure BDA0003362166990000171
所述第四权重因子表征所述属性偏好度占的比重；所述第四权重因子可以记为
Figure BDA0003362166990000172
基于所述第三权重因子、所述第四权重因子、所述属性相似度和所述属性偏好度确定所述广告推荐度可以为基于所述第三权重因子、所述第四权重因子、所述属性相似度和所述属性偏好度通过预设公式确定所述广告推荐度；该预设公式可以根据实际情况进行确定，在此不做限定，作为一种示例，所述预设公式可以参照如下公式(11)所示：
Figure BDA0003362166990000173
式(11)中，
Figure BDA0003362166990000174
为权重因子，O为述广告推荐度。
在本发明一种可选实施例中，所述根据所述广告推荐度进行广告推荐，包括：对所述广告推荐度进行排序，获得排序结果；根据所述排序结果确定在预设阈值之前的所述广告推荐度对应的广告进行广告推荐。
本发明实施例中，对所述广告推荐度进行排序，获得排序结果可以为对所述广告推荐度进行排序，获得所述广告推荐度由高到低或由低到高的排序结果。
根据所述排序结果确定在预设阈值之前的所述广告推荐度对应的广告进行广告推荐；其中，所述预设阈值可以根据实际情况进行确定，在此不做限定，作为一种示例，所述预设阈值可以为3；所述预设阈值可以记为k；所述广告推荐度可以记为O。在实际应用中，可以将推荐度O从高到低排序，取前k个广告进行推荐。
本发明实施例提供的一种个性化广告推荐方法，考虑了用户自身属性、广告自身属性、以及用户与广告之间的关系，推荐的广告效果更好，更精准。
为了理解本发明实施例，本发明实施例示例一种个性化广告推荐方法。具体步骤如下：
第一步，用户-广告评分矩阵的建立。
在系统过滤推荐模型中，用户的偏好使用一个向量来表示。将所有用户的偏好向量集合起来，能够构建一个用户-广告矩阵。这个矩阵就是协同过滤模型的输入，模型目标是计算用户之间的相似度，检索所有用户的邻居用户，产生近邻用户集，最后在近邻用户集中产生推荐用户、推荐广告。
遍历每个用户对广告的播放次数，对每个广告的播放次数进行归一化——归一化为对应广告播放次数与用户播放最大次数的广告的比值，即N1归一化为N1/N0，N0为用户播放最大次数。
则用户—广告评分矩阵可以参照前面公式(1)所示。
式(1)中，m为用户个数，n为广告个数，Rij为用户i对广告j的归一化评分。
第二步，用户相似度计算。
用户相似度计算可以参照前面公式(2)所示。
式(2)中，ui和uj分别代表用户i和用户j，Iq是用户i和j听过的广告交集，Ia和Ib分别是用户i和用户j的历史广告集合，Rin和Rjn分别代表用户i和用户j对广告n的评分，
Figure BDA0003362166990000181
和
Figure BDA0003362166990000182
分别代表用户i和j对广告的平均评分。
使用杰卡德相似系数计算用户标签相似度sim1，可以参照前面公式(3)所示。
式(3)中，Si和Sj分别代表用户i和用户j的标签集合。
最后，运用两种相似度得到用户属性相似度sim2(ui，uj)，可以参照前面公式(4)所示。
式(4)中，w1和w2是权重系数，为常数，且w1+w2＝1。
第三步，推荐模型：选取广告的语种、风格、场景、情感、主题5个维度的属性，计算用户对这些属性的偏好度。
根据用户广告播放历史记录得知，用户对广告语种敏感度不同，有的偏好英文歌曲，有的偏好粤语歌曲，有的用户只听华语歌曲。针对这一特点，计算用户对广告语种偏好度(Lauguage Preference)，可以参照前面公式(5)所示。
式(5)中，Gi,j表示用户ui对属于语种Lj的广告的偏好度，advertisementLanguage(ui，Lj)表示用户ui广告收听历史中属于Lj语种的广告，advertisementCount(ui)表示用户广告播放数。
类似的，广告风格偏好度计算公式可以参照前面公式(6)所示。
式(6)中，Hi,j表示用户ui对属于Stj风格的广告的偏好度，advertisementStyle(ui，Stj)表示用户ui广告收听历史中属于Stj风格的广告，advertisementCount(ui)表示用户广告播放数。
类似的，广告场景偏好度计算公式可以参照前面公式(7)所示。
式(7)中，Ki,j表示用户ui对属于Nj场景的广告的偏好度，advertisementNario(ui，Nj)表示用户ui广告收听历史中属于Nj场景的广告，advertisementCount(ui)表示用户广告播放数。
类似的，广告情感偏好度计算公式可以参照前面公式(8)所示。
式(8)，Pi,j表示用户ui对属于Mj情感的广告的偏好度，advertisementMood(ui，Mj)表示用户ui广告收听历史中属于Mj情感的广告，advertisementCount(ui)表示用户广告播放数。
类似的，广告主题偏好度的计算公式可以参照前面公式(9)所示。
式(9)，Ei,j表示用户ui对属于Thj主题的广告的偏好度，advertisementTheme(ui，Thj)表示用户ui广告收听历史中属于Thj主题的广告，advertisementCount(ui)表示用户广告播放数。
综上，加权计算用户对广告属性的偏好度，公式可以参照前面公式(10)所示。
式(10)中，a、b、c、d、e均为权重系数；且a+b+c+d+e＝1。
第四步，根据加权混合广告推荐模型进行推荐。
加权混合广告推荐模型计算推荐度O公式可以参照前面公式(11)所示。
式(11)中，
Figure BDA0003362166990000201
为权重因子；
最后，推荐度O从高到低排序，取前k个广告进行推荐。
本发明实施例提供的个性化广告推荐方法，其中，通过基于所述评分矩阵获得目标用户相似度；所述目标用户表征所述多个用户中存在有共同的所述广告对应的用户；获得所述目标用户的标签相似度；根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度；获得所述广告对应不同维度的属性，根据所述属性确定所述目标用户的属性偏好度；基于所述属性相似度和所述属性偏好度确定广告推荐度；根据所述广告推荐度进行广告推荐，本实施例考虑了用户自身属性、广告自身属性、以及用户与广告之间的关系，推荐的广告效果更好，更精准。
本实施例提出一种个性化广告推荐装置，图2为本发明实施例个性化广告推荐装置的组成结构示意图，如图2所示，所述装置200包括：建立单元201、获得单元202、第一确定单元203、第二确定单元204和推荐单元205，其中：
所述建立单元201，用于获得多个用户分别对历史播放的广告形成的偏好向量；根据所述偏好向量建立所述用户对所述广告生成的评分矩阵；
所述获得单元202，用于基于所述评分矩阵获得目标用户相似度；所述目标用户表征所述多个用户中存在有共同的所述广告对应的用户；
所述第一确定单元203，用于获得所述目标用户的标签相似度；根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度；
所述第二确定单元204，用于获得所述广告对应不同维度的属性，根据所述属性确定所述目标用户的属性偏好度；
所述推荐单元205，用于基于所述属性相似度和所述属性偏好度确定广告推荐度；根据所述广告推荐度进行广告推荐。
在其他的实施例中，所述建立单元201，还用于获得所述多个用户中每个用户对所述广告的播放最大次数以及每个广告的播放次数；根据所述播放次数和所述播放最大次数确定所述多个用户中每个用户对所述广告形成的偏好向量。
在其他的实施例中，所述获得单元202，还用于基于所述评分矩阵获得第一目标用户对所述广告的第一评分以及第二目标用户对所述广告的第二评分；所述第一目标用户为所述目标用户中的任一用户；所述第二目标用户为所述目标用户中除所述第一目标用户以外的任一用户；获得所述第一目标用户对多个所述广告的第一平均评分以及所述第二目标用户对多个所述广告的第二平均评分；根据所述第一评分、所述第二评分、所述第一平均评分和所述第二平均评分确定所述第一目标用户和所述第二目标用户之间的所述目标用户相似度。
在其他的实施例中，所述第一确定单元203，还用于获得所述第一目标用户的第一标签集合以及所述第二目标用户的第二标签集合；根据所述第一标签集合和所述第二标签集合确定所述第一目标用户和所述第二目标用户之间的所述标签相似度。
在其他的实施例中，所述第一确定单元203，还用于获得所述目标用户相似度的第一权重因子以及所述标签相似度的第二权重因子；根据所述第一权重因子、所述第二权重因子、所述目标用户相似度和所述标签相似度确定所述属性相似度。
在其他的实施例中，所述属性至少包括所述广告的语种属性、风格属性、场景属性、情感属性、主题属性；所述第二确定单元204，还用于获得所述目标用户对所述语种属性的第一偏好度、所述风格属性的第二偏好度、所述场景属性的第三偏好度、所述情感属性的第四偏好度、所述主题属性的第五偏好度；基于所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度。
在其他的实施例中，所述第二确定单元204，还用于获得所述第一偏好度的第一权重系数、所述第二偏好度的第二权重系数、所述第三偏好度的第三权重系数、所述第四偏好度的第四权重系数、所述第五偏好度的第五权重系数；基于所述第一权重系数、所述第二权重系数、所述第三权重系数、所述第四权重系数、所述第五权重系数、所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度。
在其他的实施例中，所述推荐单元205，还用于获得所述属性相似度的第三权重因子和所述属性偏好度的第四权重因子；基于所述第三权重因子、所述第四权重因子、所述属性相似度和所述属性偏好度确定所述广告推荐度。
在其他的实施例中，所述推荐单元205，还用于对所述广告推荐度进行排序，获得排序结果；根据所述排序结果确定在预设阈值之前的所述广告推荐度对应的广告进行广告推荐。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明装置实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
需要说明的是，本发明实施例中，如果以软件功能模块的形式实现上述的个性化广告推荐方法，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。基于这样的理解，本发明实施例的技术实施例本质上或者说对现有技术做出贡献的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一个存储介质中，包括若干指令用以使得一台控制服务器(可以是个人计算机、服务器、或者网络服务器等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施例不限制于任何特定的硬件和软件结合。
对应地，本发明实施例提供一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器用于运行所述计算机程序时，执行上述实施例提供的个性化广告推荐方法中的步骤。
对应地，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例提供的个性化广告推荐方法中的步骤。
这里需要指出的是：以上存储介质和服务器实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明存储介质和服务器实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
需要说明的是，图3为本发明实施例中电子设备的一种硬件实体结构示意图，如图3所示，该电子设备300的硬件实体包括：处理器301和存储器303，可选地，所述电子设备300还可以包括通信接口302。
可以理解，存储器303可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器303旨在包括但不限于这些和任意其它适合类型的存储器。
上述本发明实施例揭示的方法可以应用于处理器301中，或者由处理器301实现。处理器301可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器301中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器301可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器301可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器303，处理器301读取存储器303中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，电子设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其他的方式实现。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，如：多个单元或组件可以结合，或可以集成到另一个观测量，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其他形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例的目的。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明实施例上述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，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术实施例本质上或者说对现有技术做出贡献的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一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机、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。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本发明是实例中记载的个性化广告推荐方法、电子设备、电子设备和存储介质只以本发明所述实施例为例，但不仅限于此，只要涉及到该个性化广告推荐方法、电子设备、电子设备和存储介质均在本发明的保护范围。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。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。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本发明所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本发明所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本发明所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本发明的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种个性化广告推荐方法，其特征在于，所述方法包括：
获得多个用户分别对历史播放的广告形成的偏好向量；根据所述偏好向量建立所述用户对所述广告生成的评分矩阵；
基于所述评分矩阵获得目标用户相似度；所述目标用户表征所述多个用户中存在有共同的所述广告对应的用户；
获得所述目标用户的标签相似度；根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度；
获得所述广告对应不同维度的属性，根据所述属性确定所述目标用户的属性偏好度；
基于所述属性相似度和所述属性偏好度确定广告推荐度；根据所述广告推荐度进行广告推荐。
2.根据权利要求1所述的方法，其特征在于，所述获得多个用户分别对历史播放的广告形成的偏好向量，包括：
获得所述多个用户中每个用户对所述广告的播放最大次数以及每个广告的播放次数；
根据所述播放次数和所述播放最大次数确定所述多个用户中每个用户对所述广告形成的偏好向量。
3.根据权利要求2所述的方法，其特征在于，所述基于所述评分矩阵获得目标用户相似度，包括：
基于所述评分矩阵获得第一目标用户对所述广告的第一评分以及第二目标用户对所述广告的第二评分；所述第一目标用户为所述目标用户中的任一用户；所述第二目标用户为所述目标用户中除所述第一目标用户以外的任一用户；
获得所述第一目标用户对多个所述广告的第一平均评分以及所述第二目标用户对多个所述广告的第二平均评分；
根据所述第一评分、所述第二评分、所述第一平均评分和所述第二平均评分确定所述第一目标用户和所述第二目标用户之间的所述目标用户相似度。
4.根据权利要求3所述的方法，其特征在于，所述获得所述目标用户的标签相似度，包括：
获得所述第一目标用户的第一标签集合以及所述第二目标用户的第二标签集合；
根据所述第一标签集合和所述第二标签集合确定所述第一目标用户和所述第二目标用户之间的所述标签相似度。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标用户相似度和所述标签相似度确定所述目标用户的属性相似度，包括：
获得所述目标用户相似度的第一权重因子以及所述标签相似度的第二权重因子；
根据所述第一权重因子、所述第二权重因子、所述目标用户相似度和所述标签相似度确定所述属性相似度。
6.根据权利要求1-5任意一项所述的方法，其特征在于，所述属性至少包括所述广告的语种属性、风格属性、场景属性、情感属性、主题属性；所述根据所述属性确定所述目标用户的属性偏好度，包括：
获得所述目标用户对所述语种属性的第一偏好度、所述风格属性的第二偏好度、所述场景属性的第三偏好度、所述情感属性的第四偏好度、所述主题属性的第五偏好度；
基于所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度。
7.根据权利要求6所述的方法，其特征在于，所述基于所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度，包括：
获得所述第一偏好度的第一权重系数、所述第二偏好度的第二权重系数、所述第三偏好度的第三权重系数、所述第四偏好度的第四权重系数、所述第五偏好度的第五权重系数；
基于所述第一权重系数、所述第二权重系数、所述第三权重系数、所述第四权重系数、所述第五权重系数、所述第一偏好度、所述第二偏好度、所述第三偏好度、所述第四偏好度和所述第五偏好度确定所述属性偏好度。
8.根据权利要求1所述的方法，其特征在于，所述基于所述属性相似度和所述属性偏好度确定广告推荐度，包括：
获得所述属性相似度的第三权重因子和所述属性偏好度的第四权重因子；
基于所述第三权重因子、所述第四权重因子、所述属性相似度和所述属性偏好度确定所述广告推荐度。
9.一种电子设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，执行权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法中的步骤。
CN202111371039.0A 2021-11-18 2021-11-18 个性化广告推荐方法、电子设备和存储介质 Pending CN114140155A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111371039.0A CN114140155A (zh) 2021-11-18 2021-11-18 个性化广告推荐方法、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111371039.0A CN114140155A (zh) 2021-11-18 2021-11-18 个性化广告推荐方法、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114140155A true CN114140155A (zh) 2022-03-04

Family

ID=80390313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111371039.0A Pending CN114140155A (zh) 2021-11-18 2021-11-18 个性化广告推荐方法、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114140155A (zh)

Similar Documents

Publication Publication Date Title
US11514333B2 (en) Combining machine-learning and social data to generate personalized recommendations
US11868391B2 (en) User-specific media playlists
CN109690529B (zh) 按事件将文档编译到时间线中
JP4524709B2 (ja) 情報処理装置および方法、並びに、プログラム
CN109062994A (zh) 推荐方法、装置、计算机设备和存储介质
US10762150B2 (en) Searching method and searching apparatus based on neural network and search engine
US20170154116A1 (en) Method and system for recommending contents based on social network
WO2018040069A1 (zh) 信息推荐系统及方法
CN109410913B (zh) 一种语音合成方法、装置、设备及存储介质
US20150242750A1 (en) Asymmetric Rankers for Vector-Based Recommendation
JP6405343B2 (ja) 情報処理装置、情報処理方法、およびプログラム
JP2018084928A (ja) 選択装置、選択方法および選択プログラム
CN111612588A (zh) 商品呈现方法及装置、计算设备、计算机可读存储介质
JP5481295B2 (ja) オブジェクト推薦装置、オブジェクト推薦方法、オブジェクト推薦プログラムおよびオブジェクト推薦システム
CN108804491A (zh) 项目推荐方法、装置、计算设备及存储介质
CN116610872A (zh) 新闻推荐模型的训练方法及装置
CN114140155A (zh) 个性化广告推荐方法、电子设备和存储介质
EP3731108A1 (en) Search system, search method, and program
CN112802454B (zh) 一种唤醒词的推荐方法、装置、终端设备及存储介质
CN114090891A (zh) 个性化内容推荐方法、装置、设备及存储介质
JP5613699B2 (ja) 商品推薦装置及び方法及びプログラム
JP4307220B2 (ja) コンテンツ推薦対象ユーザ選出装置と方法ならびにプログラムおよびコンテンツ推薦システム
JP2016076097A (ja) 行動予測装置、行動予測方法及びプログラム
CN114390342B (zh) 一种视频配乐方法、装置、设备及介质
CN110413637B (zh) 一种信息推荐方法、装置、设备

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