CN115860835A - 基于人工智能的广告推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本申请实施例属于人工智能领域，涉及一种基于人工智能的广告推荐方法，包括：获取目标用户的渠道信息与生命周期信息；基于渠道信息与生命周期信息对目标用户进行分组得到目标分组信息；获取与目标分组信息对应的目标广告素材信息；获取目标用户的多维度数据；基于预测模型对目标广告素材信息与目标多维度数据进行预测，确定目标用户对于目标广告素材信息包括的每一个广告的喜爱概率；基于喜爱概率，从目标广告素材信息中确定与目标用户对应的目标推荐广告。本申请还提供一种基于人工智能的广告推荐装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，目标推荐广告可存储于区块链中。本申请提高了广告推荐效率，实现了精准广告投放。

Description

基于人工智能的广告推荐方法、装置、设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及基于人工智能的广告推荐方法、装置、计算机设备及存储介质。

背景技术

当前随着互联网的高速发展，逐步改变了人们的日常生活行为方式。伴随着互联网产业的高速发展，也进一步带动广告产业的发展。在互联网兴起之前，广告一般通过电视、报纸、杂志等等方式与人们进行交互。这种广告交互具有效率低、命中率差、资源浪费等情况，往往达不到预期的效果。随着互联网领域的高速发展，越来越的广告主将目光投向了用户线上终端如：手机、平板以及电脑等等，通过嵌入各类终端的各类软件进行弹窗广告内置，进而成为各个弹窗广告的主阵地。

目前针对市场上保险领域的弹窗广告大部分采用的是随机推送的方式。比如：在打开保险APP时，会经常出现一个弹窗广告页面，这部分的弹窗往往是随机或者根据热门进行曝光展现的。由于这部分广告是随机的，因此会出现用户对其不感兴趣以及后续转化率低等情况，因此并没有达到运营想要的目的。现有的广告推荐方式无法对不同用户进行针对性的推荐，推荐准确性较低。

发明内容

本申请实施例的目的在于提出一种基于人工智能的广告推荐方法、装置、计算机设备及存储介质，以解决现有的广告推荐方式无法对不同用户进行针对性的推荐，推荐准确性较低的技术问题。

为了解决上述技术问题，本申请实施例提供一种基于人工智能的广告推荐方法，采用了如下所述的技术方案：

获取目标用户的渠道信息与生命周期信息；

基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息；

获取与所述目标分组信息对应的目标广告素材信息；

基于预设的维度信息，获取与所述目标用户对应的多维度数据；其中，所述多维度数据至少包括用户基本信息、用户行为数据、用户交易数据以及用户理赔数据；

基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率；

基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告。

进一步的，所述基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率的步骤，具体包括：

对所述多维度数据进行数据清洗与特征工程处理，得到相应的目标多维度特征；

对所述目标广告素材信息进行特征工程处理，得到相应的目标广告素材特征；

将所述目标多维度数据与所述目标广告素材信息输入至所述预测模型中，通过所述预测模型输出所述目标用户对于所述目标广告素材信息包含的每一个广告的喜爱概率。

进一步的，所述基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告的步骤，具体包括：

按照数值从大到小的顺序对所有所述喜爱概率进行排序，得到相应的排序结果；

按照所述喜爱概率的排序，依次对所述排序结果中的所有喜爱概率进行遍历处理，在遍历到当前的指定喜爱概率时，确定与所述指定喜爱概率对应的指定广告；

判断所述指定广告在预设时间周期内是否未存在下发处理；

若是，将所述指定广告作为所述目标推荐广告，并停止对于所述排序结果的遍历操作，否则继续执行对于所述排序结果的遍历操作，直至从所述目标广告素材信息包含的所有广告中确定出目标推荐广告。

进一步的，所述基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息的步骤，具体包括：

调用预设的画像系统；

将所述渠道信息与所述生命周期信息输入至所述画像系统内，通过所述画像系统基于所述渠道信息与所述生命周期信息对所述目标用户进行人群划分，输出与所述目标用户对应的人群标签；

基于所述人群标签对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息。

进一步的，所述获取与所述目标分组信息对应的目标广告素材信息的步骤，具体包括：

调用预设的广告素材数据库；

基于所述目标分组信息对所述广告素材数据库进行查询处理，从所述广告素材数据库确定出与所述目标分组信息匹配的指定分组；

基于所述指定分组，从所述广告素材数据库查询出与所述指定分组对应的指定广告素材信息；

将所述指定广告素材信息作为所述目标广告素材信息。

进一步的，在所述基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的偏爱概率的步骤之前，还包括：

采集预设历史时间周期内的广告数据，并对所述广告数据进行特征工程处理得到样本数据；

将所述样本数据划分为训练数据与测试数据；

对预设的初始预测模型进行初始化；

将所述训练数据输入至所述初始预测模型中进行训练，得到训练好的初始预测模型；

基于所述测试数据对所述训练好的初始预测模型进行测试，判断所述训练好的初始预测模型的GAUC指标是否满足预设条件；

若满足所述预设条件，则将所述训练好的初始预测模型作为所述预测模型。

进一步的，在所述基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告的步骤之后，还包括：

确定与所述目标推荐广告对应的目标广告前端；

获取所述目标广告前端的地址信息；

基于所述地址信息，将所述目标推荐广告发送至所述目标广告前端。

为了解决上述技术问题，本申请实施例还提供一种基于人工智能的广告推荐装置，采用了如下所述的技术方案：

第一获取模块，用于获取目标用户的渠道信息与生命周期信息；

分组模块，用于基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息；

第二获取模块，用于获取与所述目标分组信息对应的目标广告素材信息；

第三获取模块，用于基于预设的维度信息，获取与所述目标用户对应的多维度数据；其中，所述多维度数据至少包括用户基本信息、用户行为数据、用户交易数据以及用户理赔数据；

第一确定模块，用于基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率；

第二确定模块，用于基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

获取目标用户的渠道信息与生命周期信息；

基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息；

获取与所述目标分组信息对应的目标广告素材信息；

基于预设的维度信息，获取与所述目标用户对应的多维度数据；其中，所述多维度数据至少包括用户基本信息、用户行为数据、用户交易数据以及用户理赔数据；

基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率；

基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

获取目标用户的渠道信息与生命周期信息；

基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息；

获取与所述目标分组信息对应的目标广告素材信息；

基于预设的维度信息，获取与所述目标用户对应的多维度数据；其中，所述多维度数据至少包括用户基本信息、用户行为数据、用户交易数据以及用户理赔数据；

基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率；

基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例首先获取目标用户的渠道信息与生命周期信息，然后基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息，之后获取与所述目标分组信息对应的目标广告素材信息，并基于预设的维度信息，获取与所述目标用户对应的多维度数据，后续基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率，最后基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告。本申请实施例通过使用预测模型可以快速准确地生成目标用户对于目标广告素材信息包括的每一个广告的偏爱概率，并可基于得到的偏爱概率来准确地从目标广告素材信息中确定出与目标用户对应的目标推荐广告，以实现根据目标用户的个人喜好来自动向目标用户推送相关的投放广告，提高了广告推荐效率，实现了对于目标用户的精准广告投放，提高了目标用户的使用体验。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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的附图。

图1是本申请可以应用于其中的示例性系统架构图；

图2根据本申请的基于人工智能的广告推荐方法的一个实施例的流程图；

图3是根据本申请的基于人工智能的广告推荐装置的一个实施例的结构示意图；

图4是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的基于人工智能的广告推荐方法一般由服务器/终端设备执行，相应地，基于人工智能的广告推荐装置一般设置于服务器/终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的基于人工智能的广告推荐方法的一个实施例的流程图。所述的基于人工智能的广告推荐方法，包括以下步骤：

步骤S201，获取目标用户的渠道信息与生命周期信息。

在本实施例中，基于人工智能的广告推荐方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取目标用户的渠道信息与生命周期信息。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。本申请可具体应用于保险领域弹窗广告的业务场景。其中。电子设备可通过线上端(例如APP、小程序)获取目标用户的渠道信息与生命周期信息。渠道信息可包括线上渠道、寿渠、第三方渠道等等，生命周期信息可新客、当前续保、参与活动等。

步骤S202，基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息。

在本实施例中，可以利用预设的画像系统，基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息。其中，上述基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

步骤S203，获取与所述目标分组信息对应的目标广告素材信息。

在本实施例中，上述获取与所述目标分组信息对应的目标广告素材信息的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

步骤S204，基于预设的维度信息，获取与所述目标用户对应的多维度数据；其中，所述多维度数据至少包括用户基本信息、用户行为数据、用户交易数据以及用户理赔数据。

在本实施例中，维度信息可至少包括个人基本信息、个人行为数据、个人交易数据以及个人理赔数据。其中，为了保证对用户弹窗广告推荐的更加精准，对于弹窗下发过多的用户进行截断，避免由于活跃用户对整个数据处理的影响。个人行为数据可包括用户对于各个广告的行为信息(例如点击、下单等行为)，个人交易数据中可包括用户对于各种广告的交易信息，

步骤S205，基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率。

在本实施例中，上述具体可采用XGBOOST模型。上述基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

步骤S206，基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告。

在本实施例中，上述基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。

本申请首先获取目标用户的渠道信息与生命周期信息，然后基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息，之后获取与所述目标分组信息对应的目标广告素材信息，并基于预设的维度信息，获取与所述目标用户对应的多维度数据，后续基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率，最后基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告。本申请通过使用预测模型可以快速准确地生成目标用户对于目标广告素材信息包括的每一个广告的偏爱概率，并可基于得到的偏爱概率来准确地从目标广告素材信息中确定出与目标用户对应的目标推荐广告，以实现根据目标用户的个人喜好来自动向目标用户推送相关的投放广告，提高了广告推荐效率，实现了对于目标用户的精准广告投放，提高了目标用户的使用体验。

在一些可选的实现方式中，步骤S205包括以下步骤：

对所述多维度数据进行数据清洗与特征工程处理，得到相应的目标多维度特征。

在本实施例中，数据清洗与特征工程处理可参照现有的处理方式，在此不作过多阐述。

对所述目标广告素材信息进行特征工程处理，得到相应的目标广告素材特征。

在本实施例中，特征工程处理可包括数据拼接与特征提取处理。

将所述目标多维度数据与所述目标广告素材信息输入至所述预测模型中，通过所述预测模型输出所述目标用户对于所述目标广告素材信息包含的每一个广告的喜爱概率。

本申请通过使用预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，可以快速准确地生成所述目标用户对于所述目标广告素材信息包括的每一个广告的偏爱概率，有利于后续可以基于得到的偏爱概率来准确地从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告，以实现根据目标用户的个人喜好来推送相关的投放广告，提高了广告推荐的处理效率与智能性。

在本实施例的一些可选的实现方式中，步骤S206包括以下步骤：

按照数值从大到小的顺序对所有所述喜爱概率进行排序，得到相应的排序结果。

按照所述喜爱概率的排序，依次对所述排序结果中的所有喜爱概率进行遍历处理，在遍历到当前的指定喜爱概率时，确定与所述指定喜爱概率对应的指定广告。

在本实施例中，在遍历到当前的指定喜爱概率，可从目标广告素材信息中筛选出与该指定喜爱概率对应的指定广告。

判断所述指定广告在预设时间周期内是否未存在下发处理。

在本实施例中，上述预设时间周期是指一个广告对应的广告投放的时间段，对于广告投放的时间段的区间取值不作具体限定，可根据实际的业务使用需求进行设置。其中，可通过查询指定广告的广告下发记录，以确定指定广告在预设时间周期内是否未存在下发处理。

若是，将所述指定广告作为所述目标推荐广告，并停止对于所述排序结果的遍历操作，否则继续执行对于所述排序结果的遍历操作，直至从所述目标广告素材信息包含的所有广告中确定出目标推荐广告。

本申请通过按照数值从大到小的顺序对所有所述喜爱概率进行排序，得到相应的排序结果，然后按照所述喜爱概率的排序，依次对所述排序结果中的所有喜爱概率进行遍历处理，在遍历到当前的指定喜爱概率时，确定与所述指定喜爱概率对应的指定广告，如果检测出指定广告在预设时间周期内是否未存在下发处理，则将所述指定广告作为所述目标推荐广告，并停止对于所述排序结果的遍历操作，否则继续执行对于所述排序结果的遍历操作，直至从所述目标广告素材信息包含的所有广告中确定出目标推荐广告。本申请通过目标用户对目标广告素材信息中包含的各个广告的喜爱概率进行排序处理，以及对筛选出的指定喜爱概率进行关于预设时间周期内是否未存在下发处理的检测处理，可以实现准确地从所述目标广告素材信息包含的所有广告中确定出最终的用于向目标用户进行推送的目标推荐广告，保证了生成的目标推荐广告的准确性，提高了目标用户的使用体验。

在一些可选的实现方式中，步骤S202包括以下步骤：

调用预设的画像系统。

在本实施例中，上述画像系统为预先构建的具有画像分析功能的用户画像系统。本实施例主要解决保险行业领域多渠道、多终端以及用户生命周期管理的难题。该问题的出现的原因是不同渠道背后的运营人员不同，且在不用渠道下可以看到的弹窗广告也是不同。本发明通过对接大数据用户画像系统的数据，对人群进行划分与圈定，线上用户请求后，经过画像系统进行人群编号标识。

将所述渠道信息与所述生命周期信息输入至所述画像系统内，通过所述画像系统基于所述渠道信息与所述生命周期信息对所述目标用户进行人群划分，输出与所述目标用户对应的人群标签。

在本实施例中，画像系统能够基于输入的所述渠道信息与所述生命周期信息对目标用户进行划分与圈定，得到与所述目标用户对应的人群标签。

基于所述人群标签对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息。

在本实施例中，在得到了人群标签后，可通过获取与该人群标签匹配的人群编号标识，进而基于该人群编号标识对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息。在弹窗广告匹配阶段，首先经过画像系统对目标用户进行按渠道、按生命周期等进行弹窗广告匹配，得到符合当前阶段的目标用户能够匹配的所有弹窗广告信息。本实施例具有操作简单、配置灵活、全程自动化对接的优点，即运营人员只需要配置相关的素材信息就可实现千人千面的弹窗广告的分发。本实施例可以实现多维度的用户进行划分，采用画像系统实时进行人群圈定，具有极强的实用价值与最简单的操作流程，为线上用户提供个性化的弹窗广告服务。

本申请通过调用预设的画像系统，然后将所述渠道信息与所述生命周期信息输入至所述画像系统内，通过所述画像系统基于所述渠道信息与所述生命周期信息对所述目标用户进行人群划分，输出与所述目标用户对应的人群标签，进而基于所述人群标签对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息。本申请基于画像系统的使用，能够实现快速准确地基于目标用户的所述渠道信息与所述生命周期信息来得到与所述目标用户对应的目标分组信息，提高了目标分组信息的生成效率，保证了目标分组信息的数据准确性。

在一些可选的实现方式中，步骤S203包括以下步骤：

调用预设的广告素材数据库。

在本实施例中，上述广告素材数据库为预先构建的存储有多个用户分组，以及与各个分组具有映射关系的广告素材信息的数据库。

基于所述目标分组信息对所述广告素材数据库进行查询处理，从所述广告素材数据库确定出与所述目标分组信息匹配的指定分组。

在本实施例中，可通过将目标分组信息与广告素材数据库内存储的所有用户分组进行匹配处理，以从所有用户分组中确定出与所述目标分组信息匹配的指定分组。

基于所述指定分组，从所述广告素材数据库查询出与所述指定分组对应的指定广告素材信息。

将所述指定广告素材信息作为所述目标广告素材信息。

本申请通过调用预设的广告素材数据库，然后基于所述目标分组信息对所述广告素材数据库进行查询处理，从所述广告素材数据库确定出与所述目标分组信息匹配的指定分组，进而基于所述指定分组，从所述广告素材数据库查询出与所述指定分组对应的指定广告素材信息，并将所述指定广告素材信息作为所述目标广告素材信息。本申请基于广告素材数据库的使用，能够实现快速准确地获取与所述目标分组信息对应的目标广告素材信息，提高了目标广告素材信息的获取效率。

在本实施例的一些可选的实现方式中，在步骤S205之前，上述电子设备还可以执行以下步骤：

采集预设历史时间周期内的广告数据，并对所述广告数据进行特征工程处理得到样本数据。

在本实施例中，对于上述预设历史时间周期所对应的时间范围不作具体限定，根据实际的业务使用需求进行设置，例如可设置距离当前时间的前两个月内。上述广告数据包括客户的多维度数据，以及客户的广告素材信息。上述多维度数据至少包括用户基本信息、用户行为数据、用户交易数据以及用户理赔数据。本申请主要应用于保险领域弹窗广告的推荐排序，不同于其他领域的弹窗广告推荐。本实施例综合用户多个维度的数据，为后续用户弹窗广告的精准推荐提供基础。通过对用户多个维度的数据进行分析与建模，能够更加精准的判断用户对当前广告的匹配程度，为后续用户的留存、点击、转化等精细化运营提供技术保障。

将所述样本数据划分为训练数据与测试数据。

在本实施例中，可以按照预设比例将样本数据划分为训练数据与测试数据。其中，对于上述预设比例的取值不作具体限定，可根据实际的业务使用需求进行设置，例如可设置为8：2。

对预设的初始预测模型进行初始化。

在本实施例中，上述初始预测模型具体可采用XGBOOST模型。对初始预测模型进行初始化的过程可参照现有的模型初始化过程，在此不作过多赘述。XGBOOST模型对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数。同时，XGBOOST工具支持自定义代价函数，只要函数可一阶和二阶求导。XGBOOST模型在目标函数中加入正则项，用于控制模型的复杂度，可以有效地防止过拟合问题。同时，借鉴了Random Forest的思想，允许使用sampling来防止过拟合，避免出现过拟合的风险。XGBOOST模型每一步会产生一个弱分类器(如决策树)，然后通过加权累加起来变成一个强分类器。本申请基于XGBOOST模型，利用多个维度的用户数据进行弹窗广告的推荐。此外，为了更符合线上用户排序，此外本申请采用GAUC替代AUC，并把异常数据进行剔除，可以更好的优化模型。

将所述训练数据输入至所述初始预测模型中进行训练，得到训练好的初始预测模型。

基于所述测试数据对所述训练好的初始预测模型进行测试，判断所述训练好的初始预测模型的GAUC指标是否满足预设条件。

在本实施例中，一般的，auc评价指标在排序模型中最为常见，衡量整个样本间的整体排序能力。但是在本申请所涉及的广告领域中，主要并不是衡量不同用户之间的排序能力，而是对单个用户的排序能力。在实际应用生产中，模型应该关注对单个用户的排序能力，因此将GAUC作为初始预测模型的评价指标。GAUC(group auc)实际是计算每个用户的auc，然后加权平均GAUC，这样就能减少不同用户间的排序结果的影响。其中，为了计算GAUC更符合线上用户分布，本申请在计算GAUC的时候，会去除线上用户(包括游客)全部为正样本以及全部为负样本的数据，这样使得模型效果更能符合线上用户推荐结果。另外，上述预设条件可指预设的数值要求，对于该数值要求不作具体限定，可根据实际的训练需求进行设置。本实施例通过在指标维度采用GAUC为评价指标，考虑了AUC对排序模型的局限性,同时通过权重设置考虑各个用户对模型的贡献，进一步提升用户与广告的匹配程度。

若满足所述预设条件，则将所述训练好的初始预测模型作为所述预测模型。

在本实施例中，如果不满足所述预设条件，则返回执行采集预设历史时间周期内的广告数据，并对所述广告数据进行特征工程处理得到样本数据的步骤。

本申请通过采集预设历史时间周期内的广告数据，并对所述广告数据进行特征工程处理得到样本数据，并将所述样本数据划分为训练数据与测试数据，进而基于训练数据与测试数据初始预测模型中进行训练与测试以生成预测模型。有利于后续可以通过使用预测模型可以快速准确地生成目标用户对于目标广告素材信息包括的每一个广告的偏爱概率，并可基于得到的偏爱概率来准确地从目标广告素材信息中确定出与目标用户对应的目标推荐广告，以实现根据目标用户的个人喜好来自动向目标用户推送相关的投放广告，提高了广告推荐效率，实现了对于目标用户的精准广告投放，提高了目标用户的使用体验。

进一步地，本申请还可以同时能够支持运营人员进行分析线上用户数据。XGBOOST模型可以计算每个特征的重要性(内部提供这样的接口)，使用feature_importance得到的特征因子贡献度。本发明专利特征重要性的计算逻辑，就是树模型在分裂时，特征下的叶子节点涵盖的样本数除以特征用来分裂的次数。分裂越靠近根部，cover值越大。比如可以定义为：特征在作为划分属性时对应样本的二阶导数之和的平均值：

这里k表示某节点，T表示所有树的数量，N(t)表示第t棵树的非叶子节点数量，β(t,i)表示第t棵树的第i个非叶子节点的划分特征，所以β(.)∈1,2,...,K，I(.)是指示函数，H_r(t,,),H_r(t,,)分别表示落在第t棵树上第i个非叶子节点的左、右节点上的二阶导数之和。其中，H_r(t,i)＝H_r(t,i,L)+H_r(t,i,R)。这对于特征筛选、模型可解释性等能够简单方便的获取。运营人员根据相关的特征重要性进行运营策略制定、广告素材构思等等，最大化利用线上曝光流量，为后续精细化运营，提升用户满意度，促成更大的价值。本实施例通过XGBOOST模型可以得到特征因子的重要性，可以提供给运营人员进行活动素材的设计，也可以根据相关特征的重要性进行模型离线CV的修正与模型迭代更新。

在本实施例的一些可选的实现方式中，在步骤S206之前，上述电子设备还可以执行以下步骤：

确定与所述目标推荐广告对应的目标广告前端。

在本实施例中，上述目标广告前端为与目标推荐广告具有关联关系的前端，目标广告前端可用于配置目标广告前端。

获取所述目标广告前端的地址信息。

在本实施例中，上述地址信息可指网络地址。

基于所述地址信息，将所述目标推荐广告发送至所述目标广告前端。

本申请在基于预测模型确定出与目标用户对应的目标推荐广告后，会进一步确定与所述目标推荐广告对应的目标广告前端，然后获取所述目标广告前端的地址信息，进而基于所述地址信息，将所述目标推荐广告发送至所述目标广告前端，以使得后续可以通过目标广告前端对目标用户进行该目标推荐广告的推荐展示，从而用户可以查阅到喜爱的广告，有利于提高用户的使用体验。

需要强调的是，为进一步保证上述目标推荐广告的私密和安全性，上述目标推荐广告还可以存储于一区块链的节点中。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一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，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的广告推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例所述的基于人工智能的广告推荐装置300包括：第一获取模块301、提取模块302、确定模块303、处理模块304以及第一生成模块305。其中：

第一获取模块301，用于获取目标用户的渠道信息与生命周期信息；

分组模块302，用于基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息；

第二获取模块303，用于获取与所述目标分组信息对应的目标广告素材信息；

第三获取模块304，用于基于预设的维度信息，获取与所述目标用户对应的多维度数据；其中，所述多维度数据至少包括用户基本信息、用户行为数据、用户交易数据以及用户理赔数据；

第一确定模块305，用于基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率；

第二确定模块306，用于基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的广告推荐方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，第一确定模块305包括：

第一处理子模块，用于对所述多维度数据进行数据清洗与特征工程处理，得到相应的目标多维度特征；

第二处理子模块，用于对所述目标广告素材信息进行特征工程处理，得到相应的目标广告素材特征；

第三处理子模块，用于将所述目标多维度数据与所述目标广告素材信息输入至所述预测模型中，通过所述预测模型输出所述目标用户对于所述目标广告素材信息包含的每一个广告的喜爱概率。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的广告推荐方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中,第二确定模块306包括：

排序子模块，用于按照数值从大到小的顺序对所有所述喜爱概率进行排序，得到相应的排序结果；

遍历子模块，用于按照所述喜爱概率的排序，依次对所述排序结果中的所有喜爱概率进行遍历处理，在遍历到当前的指定喜爱概率时，确定与所述指定喜爱概率对应的指定广告；

判断子模块，用于判断所述指定广告在预设时间周期内是否未存在下发处理；

第一确定子模块，用于若是，将所述指定广告作为所述目标推荐广告，并停止对于所述排序结果的遍历操作，否则继续执行对于所述排序结果的遍历操作，直至从所述目标广告素材信息包含的所有广告中确定出目标推荐广告。

本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的广告推荐方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，分组模块302包括：

第一调用子模块，用于调用预设的画像系统；

划分子模块，用于将所述渠道信息与所述生命周期信息输入至所述画像系统内，通过所述画像系统基于所述渠道信息与所述生命周期信息对所述目标用户进行人群划分，输出与所述目标用户对应的人群标签；

分组子模块，用于基于所述人群标签对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的广告推荐方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，第二获取模块303包括：

第二调用子模块，用于调用预设的广告素材数据库；

第一查询子模块，用于基于所述目标分组信息对所述广告素材数据库进行查询处理，从所述广告素材数据库确定出与所述目标分组信息匹配的指定分组；

第二查询子模块，用于基于所述指定分组，从所述广告素材数据库查询出与所述指定分组对应的指定广告素材信息；

第二确定子模块，用于将所述指定广告素材信息作为所述目标广告素材信息。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的广告推荐方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，基于人工智能的广告推荐装置还包括：

采集模块，用于采集预设历史时间周期内的广告数据，并对所述广告数据进行特征工程处理得到样本数据；

划分模块，用于将所述样本数据划分为训练数据与测试数据；

处理模块，用于对预设的初始预测模型进行初始化；

训练模块，用于将所述训练数据输入至所述初始预测模型中进行训练，得到训练好的初始预测模型；

判断模块，用于基于所述测试数据对所述训练好的初始预测模型进行测试，判断所述训练好的初始预测模型的GAUC指标是否满足预设条件；

第三确定模块，用于若满足所述预设条件，则将所述训练好的初始预测模型作为所述预测模型。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的广告推荐方法的步骤一一对应，在此不再赘述。

在本实施例的一些可选的实现方式中，基于人工智能的广告推荐装置还包括：

第四确定模块，用于确定与所述目标推荐广告对应的目标广告前端；

第四获取模块，用于获取所述目标广告前端的地址信息；

发送模块，用于基于所述地址信息，将所述目标推荐广告发送至所述目标广告前端。

在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的广告推荐方法的步骤一一对应，在此不再赘述。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的广告推荐方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的广告推荐方法的计算机可读指令。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例中，首先获取目标用户的渠道信息与生命周期信息，然后基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息，之后获取与所述目标分组信息对应的目标广告素材信息，并基于预设的维度信息，获取与所述目标用户对应的多维度数据，后续基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率，最后基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告。本申请实施例通过使用预测模型可以快速准确地生成目标用户对于目标广告素材信息包括的每一个广告的偏爱概率，并可基于得到的偏爱概率来准确地从目标广告素材信息中确定出与目标用户对应的目标推荐广告，以实现根据目标用户的个人喜好来自动向目标用户推送相关的投放广告，提高了广告推荐效率，实现了对于目标用户的精准广告投放，提高了目标用户的使用体验。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的广告推荐方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例中，首先获取目标用户的渠道信息与生命周期信息，然后基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息，之后获取与所述目标分组信息对应的目标广告素材信息，并基于预设的维度信息，获取与所述目标用户对应的多维度数据，后续基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率，最后基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告。本申请实施例通过使用预测模型可以快速准确地生成目标用户对于目标广告素材信息包括的每一个广告的偏爱概率，并可基于得到的偏爱概率来准确地从目标广告素材信息中确定出与目标用户对应的目标推荐广告，以实现根据目标用户的个人喜好来自动向目标用户推送相关的投放广告，提高了广告推荐效率，实现了对于目标用户的精准广告投放，提高了目标用户的使用体验。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于人工智能的广告推荐方法，其特征在于，包括下述步骤：

获取目标用户的渠道信息与生命周期信息；

基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息；

获取与所述目标分组信息对应的目标广告素材信息；

基于预设的维度信息，获取与所述目标用户对应的多维度数据；其中，所述多维度数据至少包括用户基本信息、用户行为数据、用户交易数据以及用户理赔数据；

基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率；

基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告。

2.根据权利要求1所述的基于人工智能的广告推荐方法，其特征在于，所述基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率的步骤，具体包括：

对所述多维度数据进行数据清洗与特征工程处理，得到相应的目标多维度特征；

对所述目标广告素材信息进行特征工程处理，得到相应的目标广告素材特征；

将所述目标多维度数据与所述目标广告素材信息输入至所述预测模型中，通过所述预测模型输出所述目标用户对于所述目标广告素材信息包含的每一个广告的喜爱概率。

3.根据权利要求1所述的基于人工智能的广告推荐方法，其特征在于，所述基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告的步骤，具体包括：

按照数值从大到小的顺序对所有所述喜爱概率进行排序，得到相应的排序结果；

按照所述喜爱概率的排序，依次对所述排序结果中的所有喜爱概率进行遍历处理，在遍历到当前的指定喜爱概率时，确定与所述指定喜爱概率对应的指定广告；

判断所述指定广告在预设时间周期内是否未存在下发处理；

若是，将所述指定广告作为所述目标推荐广告，并停止对于所述排序结果的遍历操作，否则继续执行对于所述排序结果的遍历操作，直至从所述目标广告素材信息包含的所有广告中确定出目标推荐广告。

4.根据权利要求1所述的基于人工智能的广告推荐方法，其特征在于，所述基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息的步骤，具体包括：

调用预设的画像系统；

将所述渠道信息与所述生命周期信息输入至所述画像系统内，通过所述画像系统基于所述渠道信息与所述生命周期信息对所述目标用户进行人群划分，输出与所述目标用户对应的人群标签；

基于所述人群标签对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息。

5.根据权利要求1所述的基于人工智能的广告推荐方法，其特征在于，所述获取与所述目标分组信息对应的目标广告素材信息的步骤，具体包括：

调用预设的广告素材数据库；

基于所述目标分组信息对所述广告素材数据库进行查询处理，从所述广告素材数据库确定出与所述目标分组信息匹配的指定分组；

基于所述指定分组，从所述广告素材数据库查询出与所述指定分组对应的指定广告素材信息；

将所述指定广告素材信息作为所述目标广告素材信息。

6.根据权利要求1所述的基于人工智能的广告推荐方法，其特征在于，在所述基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的偏爱概率的步骤之前，还包括：

采集预设历史时间周期内的广告数据，并对所述广告数据进行特征工程处理得到样本数据；

将所述样本数据划分为训练数据与测试数据；

对预设的初始预测模型进行初始化；

将所述训练数据输入至所述初始预测模型中进行训练，得到训练好的初始预测模型；

基于所述测试数据对所述训练好的初始预测模型进行测试，判断所述训练好的初始预测模型的GAUC指标是否满足预设条件；

若满足所述预设条件，则将所述训练好的初始预测模型作为所述预测模型。

7.根据权利要求1所述的基于人工智能的广告推荐方法，其特征在于，在所述基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告的步骤之后，还包括：

确定与所述目标推荐广告对应的目标广告前端；

获取所述目标广告前端的地址信息；

基于所述地址信息，将所述目标推荐广告发送至所述目标广告前端。

8.一种基于人工智能的广告推荐装置，其特征在于，包括：

第一获取模块，用于获取目标用户的渠道信息与生命周期信息；

分组模块，用于基于所述渠道信息与所述生命周期信息对所述目标用户进行分组，得到与所述目标用户对应的目标分组信息；

第二获取模块，用于获取与所述目标分组信息对应的目标广告素材信息；

第三获取模块，用于基于预设的维度信息，获取与所述目标用户对应的多维度数据；其中，所述多维度数据至少包括用户基本信息、用户行为数据、用户交易数据以及用户理赔数据；

第一确定模块，用于基于预先构建的预测模型对所述目标广告素材信息与所述目标多维度数据进行预测处理，确定出所述目标用户对于所述目标广告素材信息包括的每一个广告的喜爱概率；

第二确定模块，用于基于所述喜爱概率，从所述目标广告素材信息中确定出与所述目标用户对应的目标推荐广告。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的广告推荐方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的广告推荐方法的步骤。

Images