CN116308545B - 一种结合用户行为的广告在线动态推送方法 - Google Patents

Abstract

本发明公开了一种结合用户行为的广告在线动态推送方法，属于广告推荐技术领域，包括：步骤一：建立云端模型库，获取用户数据，根据用户数据从云端数据库中匹配对应的初始推荐模型；步骤二：设置优化时间段，获取优化时间段内的模型优化数据，根据模型优化数据确定目标推荐模型；步骤三：实时获取用户行为数据，通过目标推荐模型对用户行为数据进行分析，获得对应的推荐广告；步骤四：进行目标推荐模型的优化训练；为每个刚注册的用户都能推荐一个初始推荐模型，最大程度的度过用户刚注册这段时间内的广告无效推荐，一定程度上提高用户的使用体验，避免所有用户均使用同一初始模型进行推荐，导致用户在注册使用期间使用体验较差。

Description

一种结合用户行为的广告在线动态推送方法

技术领域

本发明属于广告推荐技术领域，具体是一种结合用户行为的广告在线动态推送方法。

背景技术

当前随着电商、实体商业等各种商业模式的快速发展，使得当前各种商品的竞争越来越严峻，为了提高商品的竞争力，对应的商品营销为重要一环，而对于商品营销来说，广告是重中之重，因此如何将广告推送给适用人群，提高商品转换率，为对应商家选择广告推送平台的重要评估标准，广告收入为一个平台的重要收入来源之一，因此对于平台方而言，如何快速精准的进行广告推荐为目前需要解决的问题，尤其是对于刚在平台上注册的用户，因为缺乏相关数据，往往导致广告推送效果较差，还影响用户体验。

如公开号为CN106355446B的专利公开了一种网络和手机游戏的广告推荐系统，包括网络文本处理模块、游戏文本处理模块、游戏界面处理模块、游戏关键词向量学习模块、游戏关键词预测模块；网络文本处理模块用于抓取大量网络文本文件，生成关键词学习的训练数据；游戏文本处理模块用于获取游戏中的文本或游戏用户的文本，生成关键词学习的训练数据；游戏界面处理模块用于获取大量游戏图像或视频，生成关键词学习的训练数据；游戏关键词向量学习模块用于学习游戏的关键词特征；游戏关键词预测模块用于根据新的游戏界面和用户问题，计算广告关键词匹配度，推荐广告。但是上述发明在广告推荐时具有较大的局限性，需要获取对应的关键词，而且对于如短视频平台等不能很好的应用。

基于此，本发明提供了一种结合用户行为的广告在线动态推送方法。

发明内容

为了解决上述方案存在的问题，本发明提供了一种结合用户行为的广告在线动态推送方法。

本发明的目的可以通过以下技术方案实现：

一种结合用户行为的广告在线动态推送方法，包括：

步骤一：建立云端模型库，获取用户数据，根据用户数据从云端数据库中匹配对应的初始推荐模型；

所述云端模型库设置在云端，包括初始推荐模型、分类细分表以及初始推荐模型对应的用户适用范围。

获取用户数据的方法包括：

设置预留采集时间，当用户进行注册后，经过预留采集时间后，进行用户注册信息和用户历史行为数据采集，将采集的用户注册信息和用户历史行为数据整合为用户数据。

根据用户数据从云端数据库中匹配对应的初始推荐模型的方法包括：

计算用户数据与各个初始推荐模型对应的用户适用范围之间的相似度，将相似度按照从大到小的顺序进行排序，获得第一序列，将第一序列中排序第一的相似度标记为区间上限，设置阈值X1，将第一序列中排序第一的相似度减去阈值X1，获得区间下限，将区间上限和区间下限整合为备选区间，将相似度处于备选区间的初始推荐模型标记为备选模型，将区间上限对应的初始推荐模型作为匹配的初始推荐模型进行输出。

步骤二：设置优化时间段，获取优化时间段内的模型优化数据，根据模型优化数据确定目标推荐模型；

模型优化数据包括用户行为数据、广告推荐数据和广告反馈数据。

根据模型优化数据确定目标推荐模型的方法包括：

获取具有的备选模型，根据模型优化数据评估初始推荐模型对应的推荐值以及各备选模型对应的推荐值，识别各备选模型的相似度和初始推荐模型的相似度，以初始推荐模型的相似度为基准，计算其与各备选模型相似度之间的差值，根据获得的相似度差值匹配各备选模型对应的调整系数，将调整系数、备选模型对应的推荐值分别标记为βi和TBi，其中i表示备选模型，i＝1、2、……、n，n为正整数；将初始推荐模型对应的推荐值标记为TBz，设置固定更换值GD，根据公式QWz＝TBz+GD计算初始推荐模型的优先值，根据公式QEi＝βi×TBi计算各备选模型的优先值，根据QEi和QWz中的最大值确定目标推荐模型。

根据模型优化数据评估初始推荐模型对应的推荐值以及各备选模型对应的推荐值的方法包括：

建立反馈分析模型和评估分析模型，各备选模型对模型优化数据中的用户行为数据进行分析，获得对应的备选推荐广告，通过反馈分析模型对备选推荐广告进行分析，获得对应的广告反馈数据，通过评估分析模型对初始推荐模型对应的广告反馈数据以及各备选模型对应的广告推荐数据进行分析，输出对应的推荐值。

步骤三：实时获取用户行为数据，通过目标推荐模型对用户行为数据进行分析，获得对应的推荐广告；

进一步的，获取推荐广告的另一种方法包括：

将目标推荐模型分析输出的广告标记为预推荐广告，识别预推荐广告的广告内容，根据识别的广告内容获取企业内具有的待推荐广告，分析待推荐广告的收益、流量和品牌各自对应的单项评估值，标记为DXj，j表示对应的收益、流量和品牌；获取收益、流量和品牌对应的权重系数，标记为αj，根据公式计算对应的综合评估值，选择综合评估值最大的为推荐广告。

步骤四：进行目标推荐模型的优化训练。

与现有技术相比，本发明的有益效果是：

通过将云端模型库设置在云端，可以极大降低内存的占用，还便于各初始推荐模型的统一补充和更新；为每个刚注册的用户都能推荐一个初始推荐模型，最大程度的度过用户刚注册这段时间内的广告无效推荐，一定程度上提高用户的使用体验，避免所有用户均使用同一初始模型进行推荐，导致用户在注册使用期间使用体验较差；本发明综合考虑广告推荐的各个阶段，确保高效的进行广告推荐，并通过采用设置优化时间段和预留采集时间，缩短训练时间和快速提高分析精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明方法流程图；

图2为本发明步骤二详细流程图。

具体实施方式

下面将结合实施例对本发明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，都属于本发明保护的范围。

如图1至图2所示，一种结合用户行为的广告在线动态推送方法，包括：

步骤一：建立云端模型库，获取用户数据，根据用户数据从云端数据库中匹配对应的初始推荐模型；

云端模型库是建立在云端的数据库，用于进行各种类型的初始推荐模型的储存，初始推荐模型是预先根据大量的历史用户行为数据进行分析后建立的若干个具有代表性的广告推荐分析模型，即利用积累的大量用户行为数据，进行相应的分类后，根据每个分类的用户行为数据建立一个初始推荐模型，对于不同的企业或主体，因为各自情况的不同的，所对应的用户行为数据的分类细分程度和数量可能具有较大差异，因为分类后还需要进行相应的初始推荐模型建立，初始推荐模型是基于神经网络进行建立和训练的，具有较多的工作量，因此不同企业和主体对应的分类情况可能是不同的。

具体的各个初始推荐模型的建立是通过采用人工的方式进行建立的，为神经网络模型，可进行再学习；并根据初始推荐模型对应的用户行为数据分类设置对应的用户适用范围，通过设置用户适用范围为后续初始用户匹配对应的初始推荐模型，在后续匹配过程中是以相似度进行匹配的；对于云端模型库中储存的初始推荐模型，当企业或主体因为扩充等原因需要进行再次细分时，可以直接建立对应的初始推荐模型进行储存；因此，为了便于后续的初始推荐模型的补充，在进行用户行为数据分类时，建立对应的分类细分表，将每个已建的初始推荐模型在分类细分表中进行的标记，便于后续的初始推荐模型的补充。

用户数据即为当前可以获得的该用户的数据，如个人注册信息、用户历史行为数据，对于在本发明应用后注册的用户，一般用户数据只包括个人注册信息，若在本发明应用前注册的用户，则还包括有对应的用户历史行为数据，对于具有用户历史行为数据的用户数据，具有更多的用户分析数据，在后续的匹配过程中匹配精度越高。因此在其他实施例中，为了进一步地提高匹配精度和用户刚注册后的使用体验，可以设置一个预留采集时间，在预留采集时间内不进行初始推荐模型的匹配，当经过预留采集时间后，当前的用户数据包括预留采集时间内采集的用户行为数据，进而再进行初始推荐模型的匹配，使得匹配的初始推荐模型更加的精准，可以极大的降低后续的模型训练量；其中预留采集时间可以采用人工的方式进行设置，由管理人员根据实际运营情况进行设置。

为了进行方案综合，预留采集时间可以设为零，即当预留采集时间为零时，不进行预留时间的用户行为采集，直接获取当前的用户数据，可以不包括用户行为数据。

根据用户数据从云端数据库中匹配对应的初始推荐模型的方法包括：

建立相似度分析模型，所述相似度分析模型用于分析用户数据与各个初始推荐模型对应的用户适用范围之间的相似度，从历史相似度分析数据中可以看出，用户数据越精准，分析计算的各相似度之间的差值越大，后续匹配的也越准确；相似度分析模型是基于现有技术进行建立的，因为当前技术中具有大量的相似度相关技术，可以基于现有技术进行建立，如可以基于CNN网络或DNN网络进行建立，通过人工的方式建立对应的训练集进行训练；通过训练成功后的相似度模型对用户和各用户适用范围进行分析，输出用户数据相对于各个用户适用范围的相似度，将计算的相似度按照从大到小的顺序进行排序，设置一个用于确定备选初始推荐模型的阈值X1，将排序第一的相似度减去阈值X1获得另一个底线相似度，底线相似度以上的排序相似度对应的初始推荐模型视为备选推荐模型，因此用户数据越精准，备选推荐模型就会越少，直到没有备选推荐模型，将排序第一的初始推荐模型作为匹配的初始推荐模型。

步骤二：设置优化时间段，获取优化时间段内的模型优化数据，根据模型优化数据确定目标推荐模型；

优化时间段为预设一个时间段用于验证初始推荐模型的推荐效果，当在具有更适合的备选模型时，可以直接进行替换，实现极大的降低学习训练量，快速适应用户习惯，便于广告的精准推送和有效推送；具体的优化时间段是通过管理人员进行设置的，一般为一月、若干周等；模型优化数据包括用户行为数据、广告推荐数据、广告反馈数据，广告推荐数据即为优化时间段内初始推荐模型根据用户行为数据推荐的广告记录数据；广告反馈数据即为当推荐对应广告后，用户的浏览时长、购物情况、点击链接情况等有关广告反馈的数据。

为了进行目标推荐模型的确定，需要评估分析初始推荐模型的推荐值，分析各备用模型在对应用户行为数据下的推荐广告，再利用用户行为数据模拟对应推荐广告可能具有的广告反馈数据，就是在初始推荐模型推荐广告后，识别接下来用户的行为数据，视为评估依据，将备用模型对应分析的推荐广告与评估依据进行分析，输出对应的广告反馈数据，进而对广告反馈数据进行分析，获得对应的推荐值；基于此，建立反馈分析模型和评估分析模型，反馈分析模型和评估分析模型均是基于CNN网络或DNN网络进行建立的，通过人工的方式建立对应的训练集进行训练，反馈分析模型用于对备用模型在分析出的推荐广告进行反馈分析，结合对应评估依据输出对应的广告反馈数据；评估分析模型用于对广告反馈数据进行评估分析，输出对应的推荐值。

识别各备选模型的相似度和初始推荐模型的相似度，以初始推荐模型的相似度为基准，计算其与各备选模型相似度之间的差值，根据获得的相似度差值匹配对应的调整系数，通过人工的方式建立有调整系数曲线，将对应的相似度差值带入到调整系数曲线中，定位对应的调整系数，调整系数小于一；将调整系数、推荐值分别标记为βi和TBi，其中i表示备选模型，i＝1、2、……、n，n为正整数；初始推荐模型对应的推荐值标记为TBz，设置固定更换值，固定更换值是由管理人员进行设置的，考虑初始推荐模型的更换进行设置的，将固定更换值标记为GD，根据公式QWz＝TBz+GD计算初始推荐模型的优先值，根据公式QEi＝βi×TBi计算各备选模型的优先值，选择QEi和QWz中的最大值对应的推荐模型为目标推荐模型。

步骤三：实时获取用户行为数据，通过目标推荐模型对用户行为数据进行分析，获得对应的推荐广告；

在一个实施例中，为了进一步的进行广告推荐，综合考虑企业内具有的广告资源，识别预推荐广告对应的广告内容，预推荐广告即目标推荐模型直接分析的推荐广告；根据识别的广告内容获取企业内具有的待推荐广告，根据推荐广告的收益、流量和品牌进行综合评估，根据评估值进行选择，可以基于CNN网络或DNN网络建立推荐广告的收益、流量和品牌的分项评估模型进行评估，获得对应的单项评估值，获取管理人员预设的权重系数计算对应的综合评估值；即权重系数乘以单项评估值后进行累加。

步骤四：进行目标推荐模型的优化训练。

即根据过程数据建立对应的训练集进行再训练，因为再学习为本领域现有技术，因此具体的目标推荐模型优化训练过程在本发明中不进行详细叙述。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (6)

1.一种结合用户行为的广告在线动态推送方法，其特征在于，包括：

步骤一：建立云端模型库，获取用户数据，根据用户数据从云端数据库中匹配对应的初始推荐模型；

步骤二：设置优化时间段，获取优化时间段内的模型优化数据，根据模型优化数据确定目标推荐模型；

步骤三：实时获取用户行为数据，通过目标推荐模型对用户行为数据进行分析，获得对应的推荐广告；

步骤四：进行目标推荐模型的优化训练；

根据模型优化数据确定目标推荐模型的方法包括：

获取具有的备选模型，根据模型优化数据评估初始推荐模型对应的推荐值以及各备选模型对应的推荐值，识别各备选模型的相似度和初始推荐模型的相似度，以初始推荐模型的相似度为基准，计算其与各备选模型相似度之间的差值，根据获得的相似度差值匹配各备选模型对应的调整系数，将调整系数、备选模型对应的推荐值分别标记为βi和TBi，其中i表示第i个备选模型，i＝1、2、……、n，n为正整数；将初始推荐模型对应的推荐值标记为TBz，设置固定更换值GD，根据公式QWz＝TBz+GD计算初始推荐模型的优先值，根据公式QEi＝βi×TBi计算各备选模型的优先值，根据QEi和QWz中的最大值确定目标推荐模型；

根据模型优化数据评估初始推荐模型对应的推荐值以及各备选模型对应的推荐值的方法包括：

建立反馈分析模型和评估分析模型，各备选模型对模型优化数据中的用户行为数据进行分析，获得对应的备选推荐广告，通过反馈分析模型对备选推荐广告进行分析，获得对应的广告反馈数据，通过评估分析模型对初始推荐模型对应的广告反馈数据以及各备选模型对应的广告推荐数据进行分析，输出对应的推荐值。

2.根据权利要求1所述的一种结合用户行为的广告在线动态推送方法，其特征在于，所述云端模型库设置在云端，包括初始推荐模型、分类细分表以及初始推荐模型对应的用户适用范围。

3.根据权利要求2所述的一种结合用户行为的广告在线动态推送方法，其特征在于，获取用户数据的方法包括：

设置预留采集时间，当用户进行注册后，经过预留采集时间后，进行用户注册信息和用户历史行为数据采集，将采集的用户注册信息和用户历史行为数据整合为用户数据。

4.根据权利要求3所述的一种结合用户行为的广告在线动态推送方法，其特征在于，根据用户数据从云端数据库中匹配对应的初始推荐模型的方法包括：

计算用户数据与各个初始推荐模型对应的用户适用范围之间的相似度，将相似度按照从大到小的顺序进行排序，获得第一序列，将第一序列中排序第一的相似度标记为区间上限，设置阈值X1，将第一序列中排序第一的相似度减去阈值X1，获得区间下限，将区间上限和区间下限整合为备选区间，将相似度处于备选区间的初始推荐模型标记为备选模型，将区间上限对应的初始推荐模型作为匹配的初始推荐模型进行输出。

5.根据权利要求1所述的一种结合用户行为的广告在线动态推送方法，其特征在于，模型优化数据包括用户行为数据、广告推荐数据和广告反馈数据。

6.根据权利要求1所述的一种结合用户行为的广告在线动态推送方法，其特征在于，步骤三中获取推荐广告的另一种方法包括：

将目标推荐模型分析输出的广告标记为预推荐广告，识别预推荐广告的广告内容，根据识别的广告内容获取企业内具有的待推荐广告，分析待推荐广告的收益、流量和品牌各自对应的单项评估值，标记为DXj，j表示对应的收益、流量和品牌；获取收益、流量和品牌对应的权重系数，标记为αj，根据公式计算对应的综合评估值，选择综合评估值最大的为推荐广告。