CN114596126A - 一种广告推荐方法及装置 - Google Patents

一种广告推荐方法及装置 Download PDF

Info

Publication number
CN114596126A
CN114596126A CN202210455288.6A CN202210455288A CN114596126A CN 114596126 A CN114596126 A CN 114596126A CN 202210455288 A CN202210455288 A CN 202210455288A CN 114596126 A CN114596126 A CN 114596126A
Authority
CN
China
Prior art keywords
advertisement
user
label
vector
deviation
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
CN202210455288.6A
Other languages
English (en)
Inventor
王国彬
牟锟伦
齐帅
陈吉喜
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.)
Tubatu Group Co Ltd
Original Assignee
Tubatu Group 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 Tubatu Group Co Ltd filed Critical Tubatu Group Co Ltd
Priority to CN202210455288.6A priority Critical patent/CN114596126A/zh
Publication of CN114596126A publication Critical patent/CN114596126A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • 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
    • G06Q30/0277—Online advertisement

Landscapes

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

Abstract

本发明提供了一种广告推荐方法及装置，其方法包括：采集用户在目标应用上的历史行为记录和当前行为记录；按照历史行为记录和当前行为记录，确定用户的用户特征向量；采集现有若干广告，并分析每个广告的广告特征向量；计算用户特征向量与每个广告特征向量的余弦向量值；从所有余弦向量值中筛选最大余弦向量值，并获取与最大余弦向量值对应的目标广告；向用户推荐目标广告。确定用户特征向量与每个广告特征向量，来计算余弦向量值，实现向用户进行最匹配广告的推荐，来有效提高推荐效率。

Description

一种广告推荐方法及装置
技术领域
本发明涉及广告推荐技术领域，特别涉及一种广告推荐方法及装置。
背景技术
随着移动设备的普及程度越来越高,移动广告占据的市场份额也越来越大。相比于传统互联网,移动媒体自身具有移动化、碎片化、个性化等特点,这就需要移动广告的投放必须朝着精准个性化的方向发展。只有改变传统广告粗放型的投放方式,针对不同用户迥异的兴趣进行个性化的广告投放,才能将广告投放转化为用户的消费行为,使广告投放商和广告主都能得到良好的商业回报。
现有的广告推荐算法都是基于分析用户特征,使用用户特征和广告内容进行关联匹配,向用户进行广告数据推荐,导致广告针对于用户的特征并不是完全匹配或者关联度，并没有考虑用户自身兴趣,导致推荐效率低下。
因此，本发明提出一种广告推荐方法及装置。
发明内容
本发明提供一种广告推荐方法及装置，用以通过确定用户特征向量与每个广告特征向量，来计算余弦向量值，实现向用户进行最匹配广告的推荐，来有效提高推荐效率。
本发明提供一种广告推荐方法，包括：
采集用户在目标应用上的历史行为记录和当前行为记录；
按照所述历史行为记录和当前行为记录，确定所述用户的用户特征向量；
采集现有若干广告，并分析每个广告的广告特征向量；
计算所述用户特征向量与每个所述广告特征向量的余弦向量值；
从所有余弦向量值中筛选最大余弦向量值，并获取与所述最大余弦向量值对应的目标广告；
向所述用户推荐所述目标广告。
优选的，按照所述历史行为记录和当前行为记录，确定所述用户的用户特征向量，包括：
按照所述历史行为记录和当前行为记录，向所述用户分配行为偏向标签以及每个行为偏向标签的标签权重；
基于所述行为偏向标签以及每个行为偏向标签的标签权重，得到所述用户的用户特征向量。
优选的，采集现有若干广告，并分析每个广告的广告特征向量，包括：
向采集的每个广告分配广告偏向标签以及广告偏向标签的标签权重；
基于同个广告的广告偏向标签以及广告偏向标签的标签权重，得到所述同个广告的广告特征向量。
优选的，计算所述用户特征向量与每个所述广告特征向量的余弦向量值，包括：
Figure BDA0003617200290000021
其中，Tyong，y表示计算的所述用户的用户特征向量与第y个广告的广告特征向量的余弦向量值；
n1表示所述用户特征向量中行为偏向标签的总个数；
n2y表示第y个广告的广告特征向量中广告偏向标签的总个数；
vi1表示第i1的行为偏向标签的标签权重；
Figure BDA0003617200290000022
表示第y个广告对应的第i2个广告偏向标签的标签权重；
n3y表示第y个广告的广告偏向标签与行为偏向标签存在的重叠标签的总个数；
Figure BDA0003617200290000031
表示在与第y个广告对应的行为偏向标签中的第i3个重叠标签的标签权重；
Figure BDA0003617200290000032
表示针对第y个广告的广告偏向标签中的第i3个重叠标签的标签权重。
优选的，从所有余弦向量值中筛选最大余弦向量值，包括：
G＝max(Tyong，y，y＝1，2，3，...)
其中，G表示筛选的最大余弦向量值；max(·)表示最大函数。
优选的，所述向采集的每个广告分配广告偏向标签以及广告偏向标签的标签权重包括：
获取对每个广告所标识的广告偏向标签；
计算每个广告偏向标签的标签权重：
Figure BDA0003617200290000033
其中，Sk表示第k个广告偏向标签的标签权重；N1表示现有广告的总数量；nk表示第k个广告偏向标签的标签数量，log()表示对数函数。
本发明提供一种广告推荐装置，包括：
用户端，用于采集用户在目标应用上的历史行为记录和当前行为记录；
服务器，用于按照所述历史行为记录和当前行为记录，确定所述用户的用户特征向量；
所述服务器，还用于采集现有若干广告，并分析每个广告的广告特征向量；
所述服务器，还用于计算所述用户特征向量与每个所述广告特征向量的余弦向量值；
所述服务器，还用于从所有余弦向量值中筛选最大余弦向量值，并获取与所述最大余弦向量值对应的目标广告；
所述服务器，还用于向所述用户推荐所述目标广告。
本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行任一项所述方法的步骤。
本发明提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行任一项所述方法的步骤。
本发明提供一种计算机执行程序，所述计算机程序产品在计算机上执行时，使得所述计算机执行任一项所述方法的步骤。
与现有技术相比，本发明的有益效果如下：
通过确定用户特征向量与每个广告特征向量，来计算余弦向量值，实现向用户进行最匹配广告的推荐，来有效提高推荐效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种广告推荐方法的流程图；
图2为本发明实施例中一种广告推荐装置的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本发明提供一种广告推荐方法，如图1所示，包括：
步骤1：采集用户在目标应用上的历史行为记录和当前行为记录；
步骤2：按照所述历史行为记录和当前行为记录，确定所述用户的用户特征向量；
步骤3：采集现有若干广告，并分析每个广告的广告特征向量；
步骤4：计算所述用户特征向量与每个所述广告特征向量的余弦向量值；
步骤5：从所有余弦向量值中筛选最大余弦向量值，并获取与所述最大余弦向量值对应的目标广告；
步骤6：向所述用户推荐所述目标广告。
该实施例中，历史行为记录包括：用户使用的历史设备的设备标识、用户在所述历史设备上行为发生内容以及在所述历史设备上针对行为发生内容的内容标签(但不是所有的内容标签都是需要的，比如，将可推荐的标签类型划分为几种：面积、预算、风格(欧式、轻奢)、户型(两户、三户)、阶段(装修阶段)，将内容身上的标签根据这几种类型进行过滤，得到可映射到用户身上的标签集合)，且当前行为记录也是包括与历史行为记录类似的信息在内。
该实施例中，现有若干广告，比如指的是与装修、建筑等相关的若干广告，且已存在的广告。
该实施例中，用户特征向量是基于映射到用户身上的标签以及每个标签的权重得到的，且广告特征向量是运营人员对广告标识的标签，以及广告本身所具备的标签的权重得到的。
该实施例中，在计算余弦向量值的过程中，主要是依靠广告特征向量中的标签权重、标签个数以及用户特征向量中的标签权重、标签个数计算得到的。
该实施例中，比如，现有广告的数量为10个，对应计算出来的余弦向量值也就为10个，此时，从这10个余弦向量值中获取最大的余弦向量值，进而得到对应的广告。
该实施例中，在目标广告基于最大余弦向量值所对应的广告。
上述技术方案的有益效果是：确定用户特征向量与每个广告特征向量，来计算余弦向量值，实现向用户进行最匹配广告的推荐，来有效提高推荐效率。
实施例2：
基于实施例1的基础上，按照所述历史行为记录和当前行为记录，确定所述用户的用户特征向量，包括：
按照所述历史行为记录和当前行为记录，向所述用户分配行为偏向标签以及每个行为偏向标签的标签权重；
基于所述行为偏向标签以及每个行为偏向标签的标签权重，得到所述用户的用户特征向量。
该实施例中，在获取行为偏向标签的过程中，对历史行为记录以及当前行为记录根据标签配置做过滤，也就是标签可以用来区分同一个标签类型下相互关联的消息，比如，户型标签类型下的一室、两室、三室、四室，此时，如果历史行为记录更多的是偏向对两室的搜索，此时，可以对一室、三室、四室进行过滤，确保最终获取到用户感兴趣的消息)；
在此过程中，固定默认对标签的设置权重为1，根据行为记录事件发生的历史时间与当前时间的差距进行衰减(比如，一星期衰减到接近0.1)，当当下时刻的行为偏向标签与历史行为偏向标签存在相同时，基于当下同个标签的衰减结果进行权重叠加，得到用户多个类型下的标签与权重(比如用户有a、b、c三个标签，权重值分别为v1、v2、v3)。
上述技术方案的有益效果是：通过按照历史与当前的行为记录的结合，可以更加精准的获取到用户的行为偏向标签，并结合标签权重，保证得到用户特征的可靠性，为后续推荐广告提供计算基础。
实施例3：
基于实施例2的基础上，采集现有若干广告，并分析每个广告的广告特征向量，包括：
向采集的每个广告分配广告偏向标签以及广告偏向标签的标签权重；
基于同个广告的广告偏向标签以及广告偏向标签的标签权重，得到所述同个广告的广告特征向量。
该实施例中，向广告分配的广告偏向标签是运营人员提前标注好的，且在分配标签权重的过程中，可以按照标签的热门来对权重进行设定。
比如，标签为b、d，权重值分别为v4、v5。
上述技术方案的有益效果是：通过直接向广告分配标签和权重，便于得到广告特征向量，为后续推荐广告提供计算基础。
实施例4：
基于实施例3的基础上，计算所述用户特征向量与每个所述广告特征向量的余弦向量值，包括：
Figure BDA0003617200290000071
其中，Tyong，y表示计算的所述用户的用户特征向量与第y个广告的广告特征向量的余弦向量值；
n1表示所述用户特征向量中行为偏向标签的总个数；
n2y表示第y个广告的广告特征向量中广告偏向标签的总个数；
vi1表示第i1的行为偏向标签的标签权重；
Figure BDA0003617200290000072
表示第y个广告对应的第i2个广告偏向标签的标签权重；
n3y表示第y个广告的广告偏向标签与行为偏向标签存在的重叠标签的总个数；
Figure BDA0003617200290000073
表示在与第y个广告对应的行为偏向标签中的第i3个重叠标签的标签权重；
Figure BDA0003617200290000081
表示针对第y个广告的广告偏向标签中的第i3个重叠标签的标签权重。
该实施例中，Tyong，y的计算公式中的分子是用户偏向标签与广告偏向标签所共有标签的各个权重分别平方后的和的开方的积，并对所有共有标签的积进行累积和计算。
假设用户行为标签为：a\b\c三个标签，权重分别为v1\v2\v3；广告1有广告偏向标签为：b\d两个标签，权重分别为v4\v5，此时存在的共有标签也就是重叠标签的数量为1，也就是b，此时，对应的n31的取值为1，且公共标签与用户相关的标签权重为v2，与广告相关的标签权重为v4。
其中，用户特征向量与广告1的广告特征向量的余弦向量值计算公式等于：
Figure BDA0003617200290000082
又比如：广告2的广告偏向标签为：a\b\d三个标签，权重分别为v6\v7\v8，此时，存在重叠标签的数量为2，也就是标签a和b，对应的n32的取值为2，且公共标签与用户相关的标签权重为v1、v2，与广告相关的标签权重为v6、v7。
其中，用户特征向量与广告2的广告特征向量的余弦向量值计算公式等于：
Figure BDA0003617200290000083
比较余弦向量值Tyong，1与Tyong，2的值，若Tyong，1＞Tyong，2，则表明广告1相对适合用户，此时，向用户推荐广告1；若Tyong，1＜Tyong，2，则表明广告2相对适合用户，此时，向用户推荐广告2；若Tyong，1＝Tyong，2，则表明广告1和广告2都相对适合用户，此时，向用户推荐广告1和广告2。
分别计算用户与广告1、用户与广告2的余弦向量值，用户与哪一个广告的余弦向量值越大就将哪一个广告推荐给用户。
上述技术方案的有益效果是：通过上述公式，可以有效的计算得到每个广告与用户的余弦向量值，为后续确定目标广告提供数据基础。
实施例5：
基于实施例4的基础上，从所有余弦向量值中筛选最大余弦向量值，包括：
G＝max(Tyong，y，y＝1，2，3，...)
其中，G表示筛选的最大余弦向量值；max(·)表示最大函数。
上述技术方案的有益效果是：通过最大函数，筛选得到最大余弦向量值，便于向用户推荐目标广告。
实施例6：
基于实施例3的基础上，所述向采集的每个广告分配广告偏向标签以及广告偏向标签的标签权重包括：
获取对每个广告所标识的广告偏向标签；
计算每个广告偏向标签的标签权重：
Figure BDA0003617200290000091
其中，Sk表示第k个广告偏向标签的标签权重；N1表示现有广告的总数量；nk表示第k个广告偏向标签的标签数量，log()表示对数函数。
该实施例中，考虑标签的整体分布情况，即标签是比较热门的话，大部分内容都存在这个标签，那权重较低，标签比较冷门，会增加多一点附件权重，因此，设置了如上公式，且公式中对数函数是以10为底的对数函数。
上述技术方案的有益效果是：通过按照上述公式，便于有效的计算出广告偏向标签的权重，为后续计算余弦向量值提供计算基础。
本发明提供一种广告推荐装置，如图2所示，包括：
用户端，用于采集用户在目标应用上的历史行为记录和当前行为记录；
服务器，用于按照所述历史行为记录和当前行为记录，确定所述用户的用户特征向量；
所述服务器，还用于采集现有若干广告，并分析每个广告的广告特征向量；
所述服务器，还用于计算所述用户特征向量与每个所述广告特征向量的余弦向量值；
所述服务器，还用于从所有余弦向量值中筛选最大余弦向量值，并获取与所述最大余弦向量值对应的目标广告；
所述服务器，还用于向所述用户推荐所述目标广告。
上述技术方案的有益效果是：确定用户特征向量与每个广告特征向量，来计算余弦向量值，实现向用户进行最匹配广告的推荐，来有效提高推荐效率。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
步骤1：采集用户在目标应用上的历史行为记录和当前行为记录；
步骤2：按照所述历史行为记录和当前行为记录，确定所述用户的用户特征向量；
步骤3：采集现有若干广告，并分析每个广告的广告特征向量；
步骤4：计算所述用户特征向量与每个所述广告特征向量的余弦向量值；
步骤5：从所有余弦向量值中筛选最大余弦向量值，并获取与所述最大余弦向量值对应的目标广告；
步骤6：向所述用户推荐所述目标广告。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
步骤1：采集用户在目标应用上的历史行为记录和当前行为记录；
步骤2：按照所述历史行为记录和当前行为记录，确定所述用户的用户特征向量；
步骤3：采集现有若干广告，并分析每个广告的广告特征向量；
步骤4：计算所述用户特征向量与每个所述广告特征向量的余弦向量值；
步骤5：从所有余弦向量值中筛选最大余弦向量值，并获取与所述最大余弦向量值对应的目标广告；
步骤6：向所述用户推荐所述目标广告。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。

Claims (10)

1.一种广告推荐方法，其特征在于，包括：
采集用户在目标应用上的历史行为记录和当前行为记录；
按照所述历史行为记录和当前行为记录，确定所述用户的用户特征向量；
采集现有若干广告，并分析每个广告的广告特征向量；
计算所述用户特征向量与每个所述广告特征向量的余弦向量值；
从所有余弦向量值中筛选最大余弦向量值，并获取与所述最大余弦向量值对应的目标广告；
向所述用户推荐所述目标广告。
2.如权利要求1所述的广告推荐方法，其特征在于，按照所述历史行为记录和当前行为记录，确定所述用户的用户特征向量，包括：
按照所述历史行为记录和当前行为记录，向所述用户分配行为偏向标签以及每个行为偏向标签的标签权重；
基于所述行为偏向标签以及每个行为偏向标签的标签权重，得到所述用户的用户特征向量。
3.如权利要求2所述的广告推荐方法，其特征在于，采集现有若干广告，并分析每个广告的广告特征向量，包括：
向采集的每个广告分配广告偏向标签以及广告偏向标签的标签权重；
基于同个广告的广告偏向标签以及广告偏向标签的标签权重，得到所述同个广告的广告特征向量。
4.如权利要求3所述的广告推荐方法，其特征在于，计算所述用户特征向量与每个所述广告特征向量的余弦向量值，包括：
Figure FDA0003617200280000011
其中，Tyong，y表示计算的所述用户的用户特征向量与第y个广告的广告特征向量的余弦向量值；
n1表示所述用户特征向量中行为偏向标签的总个数；
n2y表示第y个广告的广告特征向量中广告偏向标签的总个数；
vi1表示第i1的行为偏向标签的标签权重；
Figure FDA0003617200280000021
表示第y个广告对应的第i2个广告偏向标签的标签权重；
n3y表示第y个广告的广告偏向标签与行为偏向标签存在的重叠标签的总个数；
Figure FDA0003617200280000022
表示在与第y个广告对应的行为偏向标签中的第i3个重叠标签的标签权重；
Figure FDA0003617200280000023
表示针对第y个广告的广告偏向标签中的第i3个重叠标签的标签权重。
5.如权利要求4所述的广告推荐方法，其特征在于，从所有余弦向量值中筛选最大余弦向量值，包括：
G＝max(Tyong，y，y＝1，2，3，...)
其中，G表示筛选的最大余弦向量值；max(·)表示最大函数。
6.如权利要求3所述的广告推荐方法，其特征在于，所述向采集的每个广告分配广告偏向标签以及广告偏向标签的标签权重包括：
获取对每个广告所标识的广告偏向标签；
计算每个广告偏向标签的标签权重：
Figure FDA0003617200280000024
其中，Sk表示第k个广告偏向标签的标签权重；N1表示现有广告的总数量；nk表示第k个广告偏向标签的标签数量，log()表示对数函数。
7.一种广告推荐装置，其特征在于，包括：
用户端，用于采集用户在目标应用上的历史行为记录和当前行为记录；
服务器，用于按照所述历史行为记录和当前行为记录，确定所述用户的用户特征向量；
所述服务器，还用于采集现有若干广告，并分析每个广告的广告特征向量；
所述服务器，还用于计算所述用户特征向量与每个所述广告特征向量的余弦向量值；
所述服务器，还用于从所有余弦向量值中筛选最大余弦向量值，并获取与所述最大余弦向量值对应的目标广告；
所述服务器，还用于向所述用户推荐所述目标广告。
8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
10.一种计算机执行程序，其特征在于，所述计算机程序产品在计算机上执行时，使得所述计算机执行权利要求1-6任一项所述方法的步骤。
CN202210455288.6A 2022-04-26 2022-04-26 一种广告推荐方法及装置 Pending CN114596126A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210455288.6A CN114596126A (zh) 2022-04-26 2022-04-26 一种广告推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210455288.6A CN114596126A (zh) 2022-04-26 2022-04-26 一种广告推荐方法及装置

Publications (1)

Publication Number Publication Date
CN114596126A true CN114596126A (zh) 2022-06-07

Family

ID=81813281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210455288.6A Pending CN114596126A (zh) 2022-04-26 2022-04-26 一种广告推荐方法及装置

Country Status (1)

Country Link
CN (1) CN114596126A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936326A (zh) * 2022-07-20 2022-08-23 深圳格隆汇信息科技有限公司 基于人工智能的信息推荐方法、装置、设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080294624A1 (en) * 2007-05-25 2008-11-27 Ontogenix, Inc. Recommendation systems and methods using interest correlation
US20140067535A1 (en) * 2012-08-31 2014-03-06 Netseer, Inc. Concept-level User Intent Profile Extraction and Applications
US9384571B1 (en) * 2013-09-11 2016-07-05 Google Inc. Incremental updates to propagated social network labels
CN106600342A (zh) * 2016-12-29 2017-04-26 北京奇艺世纪科技有限公司 一种广告投放的方法和装置
CN109299981A (zh) * 2018-09-17 2019-02-01 北京点网聚科技有限公司 一种广告推荐方法及装置
CN109509028A (zh) * 2018-11-15 2019-03-22 北京奇虎科技有限公司 一种广告投放方法及装置、存储介质、计算机设备
CN111008869A (zh) * 2019-12-05 2020-04-14 秒针信息技术有限公司 一种广告推荐方法、装置、电子设备及存储介质
CN111582913A (zh) * 2020-04-21 2020-08-25 北京龙云科技有限公司 一种广告推荐方法及装置
CN111582938A (zh) * 2020-05-09 2020-08-25 北京精准沟通传媒科技股份有限公司 一种广告投放方法、装置及电子设备
CN112819552A (zh) * 2021-03-26 2021-05-18 中国建设银行股份有限公司 广告推送方法、装置及计算机可读存储介质
CN112990984A (zh) * 2021-04-19 2021-06-18 广州欢网科技有限责任公司 一种广告视频推荐方法、装置、设备及存储介质
CN113393306A (zh) * 2021-07-09 2021-09-14 中国建设银行股份有限公司 产品推荐方法、装置、电子设备及计算机可读介质
CN113450134A (zh) * 2021-02-03 2021-09-28 北京新氧科技有限公司 一种广告投放方法、装置、设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080294624A1 (en) * 2007-05-25 2008-11-27 Ontogenix, Inc. Recommendation systems and methods using interest correlation
US20140067535A1 (en) * 2012-08-31 2014-03-06 Netseer, Inc. Concept-level User Intent Profile Extraction and Applications
US9384571B1 (en) * 2013-09-11 2016-07-05 Google Inc. Incremental updates to propagated social network labels
CN106600342A (zh) * 2016-12-29 2017-04-26 北京奇艺世纪科技有限公司 一种广告投放的方法和装置
CN109299981A (zh) * 2018-09-17 2019-02-01 北京点网聚科技有限公司 一种广告推荐方法及装置
CN109509028A (zh) * 2018-11-15 2019-03-22 北京奇虎科技有限公司 一种广告投放方法及装置、存储介质、计算机设备
CN111008869A (zh) * 2019-12-05 2020-04-14 秒针信息技术有限公司 一种广告推荐方法、装置、电子设备及存储介质
CN111582913A (zh) * 2020-04-21 2020-08-25 北京龙云科技有限公司 一种广告推荐方法及装置
CN111582938A (zh) * 2020-05-09 2020-08-25 北京精准沟通传媒科技股份有限公司 一种广告投放方法、装置及电子设备
CN113450134A (zh) * 2021-02-03 2021-09-28 北京新氧科技有限公司 一种广告投放方法、装置、设备及存储介质
CN112819552A (zh) * 2021-03-26 2021-05-18 中国建设银行股份有限公司 广告推送方法、装置及计算机可读存储介质
CN112990984A (zh) * 2021-04-19 2021-06-18 广州欢网科技有限责任公司 一种广告视频推荐方法、装置、设备及存储介质
CN113393306A (zh) * 2021-07-09 2021-09-14 中国建设银行股份有限公司 产品推荐方法、装置、电子设备及计算机可读介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴哲;: "基于漏斗模型的原生广告效果评估探究", 视听, no. 03, 15 March 2016 (2016-03-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936326A (zh) * 2022-07-20 2022-08-23 深圳格隆汇信息科技有限公司 基于人工智能的信息推荐方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110263242B (zh) 内容推荐方法、装置、计算机可读存储介质和计算机设备
CN108733706B (zh) 热度信息的生成方法和装置
US9706008B2 (en) Method and system for efficient matching of user profiles with audience segments
CN102033883B (zh) 一种提高网站数据传输速度的方法、装置及系统
CN111178970B (zh) 广告投放的方法及装置、电子设备和计算机可读存储介质
US20090271228A1 (en) Construction of predictive user profiles for advertising
US20180285957A1 (en) Recommendation system associated with an online marketplace
US11734724B1 (en) System and method for linking qualified audiences with relevant media advertising through ip media zones
AU2010201495A1 (en) Touchpoint customization system
CN111008869A (zh) 一种广告推荐方法、装置、电子设备及存储介质
US20130262226A1 (en) Systems and methods for targeted internet marketing based on offline, online, and credit-related data
US20180018705A1 (en) Data management platform and method of bridging offline and online retargeted advertising with a telecom platform
US20150278915A1 (en) Recommendation system for non-fungible assets
US20150186939A1 (en) Systems and Methods for Search Results Targeting
US8452768B2 (en) Using user search behavior to plan online advertising campaigns
CN106033455B (zh) 一种处理用户操作信息的方法与设备
US20220108354A1 (en) Autonomous system and method of combining of digital signage and mobile media content
CN114596126A (zh) 一种广告推荐方法及装置
CN110362751B (zh) 业务推荐方法、装置、计算机设备和存储介质
US20110225157A1 (en) Method and system for providing website content
CN111260416B (zh) 用于确定对象的关联用户的方法及装置
CN112115354A (zh) 信息处理方法、装置、服务器及存储介质
CN116614652A (zh) 直播场景下广告视频片段替换方法、装置及存储介质
CN114037500A (zh) 服务商品推荐方法、装置、计算机设备和存储介质
US20220284451A1 (en) Methods and apparatus for electronic mapping of customer data

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