CN116739675B - 基于大数据的广告智能推送方法 - Google Patents

Abstract

本发明公开了基于大数据的广告智能推送方法，涉及大数据的广告推送技术领域，用于解决目前的广告推送方法存在广告推送过于生硬且频繁，造成用户印象差；同时存在广告推送过程中无法对广告的反馈进行优化的问题；包括推送服务器；推送服务器包括数据采集模块、数据库、用户提取模块、广告提取模块、推送模块和反馈优化模块；通过对广告信息和浏览信息分析提取得到广告参数和用户参数，将广告参数和用户参数进行匹配生成广告推送路径；同时据广告推送路径后的用户反馈信息对广告推送路径进行优化，实现深层次分析用户并进行精准时间节点的广告推送和推送频率，避免因频繁生硬广告推送，造成用户的厌恶心理。

Description

基于大数据的广告智能推送方法

技术领域

本发明涉及大数据的广告推送技术领域，具体为基于大数据的广告智能推送方法。

背景技术

随着经济和科技的发展，广告产业发生了巨大改变。新的推广方式不断涌现，营销方式不断升级。在广告传播中，人工智能不仅可以帮助品牌进行宣传和推广，还可以发布个性化产品信息，突破时间和空间的限制，把广告推送给受众。

目前的广告智能推送方法存在广告推送过于生硬且频繁，造成用户印象差；同时存在广告推送过程中无法对广告的反馈进行优化；

为了解决上述缺陷，现提供基于大数据的广告智能推送方法。

发明内容

本发明的目的在于为了解决目前的广告智能推送方法存在广告推送过于生硬且频繁，造成用户印象差；同时存在广告推送过程中无法对广告的反馈进行优化的问题，而提出一种基于大数据的广告智能推送方法。

本发明的目的可以通过以下技术方案实现：基于大数据的广告智能推送方法，包括以下步骤：

步骤一：数据采集模块采集用户浏览信息、广告信息和反馈信息，并将其发送至数据库进行存储；

步骤二：用户提取模块将用户在时间段内点击推荐开始时刻和结束时刻经过数值化计算得到推度值；同时对直接关闭推荐的次数进行阈值分析得到广告信息关闭的频率值；将推度值和频率值进行综合量值分析得到推荐值，并将推荐值对应的时间段进行分析得到时间节点，时间节点和时间节点对应的推荐值标记为用户参数，并将用户参数发送至推送模块；

步骤三：广告提取模块通过对广告信息进行多个领域名和多个特证词进行限定，根据广告信息的多个领域名和多个特证词进行相关性计算得到广告参数，并将广告参数发送至推送模块；

步骤四：推送模块将用户参数的推荐值乘以频率转换系数得到广告推送频率，获取当前用户的浏览关键词和当前用户所处的广告界面的广告图像和广告语；并用户当前的广告信息为初始广告信息提取广告参数，按照广告信息的广告值的大小将广告信息进行排序，排序后的广告信息标记为广告推送路径；将广告路径按照广告推送频率和时间节点向用户端进行广告推送；

步骤五：反馈优化模块通过用户对广告路径的反馈信息将用户的反馈信息进行参考重要性的衡量得到参考系数，并广告信息的来源用户的反馈信息按照参考系数进行数值化处理得到优化值，将广告路径的广告信息按照优化值重新进行广告信息排序得到广告优化路径，并将广告优化路径按照广告推送频率和时间节点向用户端进行广告推送。

作为本发明的一种优选实施方式，浏览信息包括点击推荐的开始时刻、结束时刻和直接关闭推荐的次数；反馈信息包括广告信息的差评次数与投诉次数以及广告信息的差评和投诉的来源用户。

作为本发明的一种优选实施方式，将用户的浏览信息进行提取得到用户参数，具体为：

获取用户每天使用用户端的时间段，分别统计用户每个时间段内的点击推荐次数和直接关闭推荐的次数；

提取用户在时间段内每次点击推荐的点击推荐开始时刻和而结束时刻，将两者做时间差值计算得到推荐时长；将时间段内的推荐时长按照时间先后顺序进行排序，将所有的推荐时长进行求和操作得到推荐总时长，并将其标记为te；将相邻的推荐时长做差值计算得到推荐间隔时长，将所有的间隔时长进行求和操作得到间隔总时长je，通过预设模型得到推度值td，其中a1和a2分别为预设权重系数；

统计时间段内直接关闭推荐的次数，预设关闭次数区间Q1，当直接关闭推荐的次数大于关闭次数区间Q1中的最大值时，表示此时间段内的用户处于高频关闭推荐广告的状态中，则将其标记为高频关推状态，并匹配到高频值p1；当直接关闭推荐的次数处于关闭次数区间Q1之内时，表示此时间段内的用户处于中频关闭推荐广告的状态中，则将其标记为中频关推状态，并匹配到中频值；当直接关闭推荐的次数小于关闭次数区间Q1中的最小值时，表示此时间段内的用户处于低频关闭推荐广告的状态中，则将其标记为低频关推状态，并匹配到低频系值；将高频值、中频值和低频值标记为频率值pi，其中1＝1,2,3，p1表示高频值，p2表示中频值，p3表示低频值；

将推度值td和匹配到的频率值pi通过预设模型TZ＝b1×td+b2×pi得到时间段的推荐值TZ，其中b1和b2分别为预设的权重系数；将时间段按照时间先后顺序进行排列并以此为横坐标，以时间段对应的推荐值为纵坐标，得到用户一天内使用用户端的时间段和推荐值的折线关系图；预设禁推值，当推荐值小于预设的禁推值时，表示该推荐值对应的时间段内用户不需要进行广告推荐；统计当前时间的前n1天内所有小于禁推值的时间段，当同一个时间段的推荐值小于禁推值次数超过n1+c/2×n1次时，其中n1为正整数，c为常数；则将时间段标记为禁推段，并将用户使用用户端的所有时间段去除小于禁推段所剩余的时间段标记为时间节点，将时间节点和时间节点对应的推荐值标记为用户参数。

作为本发明的一种优选实施方式，将广告信息进行限定和提取广告参数，具体为：

获取数据库的所有的广告信息，将广告信息的广告语和广告图片涉及的领域进行标记，并提取领域名m1个，预设每个领域名对应m2个特征词；广告信息包括广告界面以及广告界面的广告图像和广告语，其中领域名为广告信息涉及的多个领域，特征词为该领域关联的相关词；单个广告信息涉及多个领域，每个领域关联多个特征词，将多个领域和多个特征词同时对广告信息进行限定，能够快速对广告进行定位，为匹配到合适的用户端奠定基础。

将所有的广告进行关联度计算：任选一广告信息作为初始广告信息，其他广告信息均为比对广告信息，提取广告信息的领域名和特征词，将比对广告信息与初始广告信息进行比对，当比对广告信息的领域名完全和初始广告信息一致时，表示比对广告信息和初始广告信息属于初步定位相同的广告，并将比对广告信息标记为同位广告信息；统计同位广告信息和初始广告信息重合的领域名的数量和特征词的数量，并将其分别标记为同位名数量和同位词数量；

当比对广告信息的领域名与初始广告信息部分重合时，表示比对广告信息和初始广告信息属于初步定位部位重合的广告，并将比对广告信息标记为相关广告信息；统计相关广告信息和初始广告信息重合的领域名和特征词的数量，并将其分别标记为相关名数量和相关词数量；

将同位名数量Tn1、同位词数量Tc1、相关名数量Xm1和相关词数量Xc1通过预设模型得到广告值GGZ，其中b1、b2、b3、b4、c1和c2分别为预设权重系数，γ为预设修正系数，b1＞b2＞b3＞b4＞0且c1＞c2＞0；由公式可知，当同位名数量、同位词数量、相关名数量和相关词数量越大，即比对广告信息和初始广告信息的重合度越高，则广告值越大，表示比对广告信息和初始广告信息的相关性越大；将广告值和广告值对应的广告信息标记为广告参数。

作为本发明的一种优选实施方式，反馈优化模块依据用户的反馈信息进行优化得到广告优化路径，具体为：

获取广告信息的差评次数和投诉次数，同时获取广告信息的差评和投诉的来源用户，统计来源用户的所有差评和投诉次数，并将其标记为Yha和You；通过预设模型得到用户的差评和投诉次数的参考系数Fj，其中r1和r2分别为预设权重系数，j＝1,2,3,……n2，n2取值为正整数，j表示给出差评和投诉的用户总人数；

将广告信息的差评次数Gaoj和投诉次数Gouj通过预设模型FKZ＝∑Fj×(v1×Gaoj+v2×Gouj)得到反馈值FKZ，其中v1和v2分别为预设权重系数；具体表现为：广告信息1的差评和投诉次数为2次，分别来自两个来源用户为Gao1与Gou1、Gao2与Gou2，通过预设模型FKZ＝F1×(v1×Gao1+v2×Gou1)+F2×(v1×Gao2+v2×Gou2)得到反馈值FKZ；将推荐值与反馈值做差值计算得到优化值，将广告路径的广告信息按照优化值重新进行广告信息排序得到广告优化路径。

与现有技术相比，本发明的有益效果是：

1、通过对用户的点击推荐的次数和推荐时长进行数值化分析得到推度值，同时对直接关闭推荐的次数进行阈值分析得到广告信息的关闭的频率值，将推度值和频率值进行综合量值分析得到推荐值，并将推荐值对应的时间段进行分析得到时间节点，时间节点和时间节点对应的推荐值标记为用户参数，实现对用户广告信息推送的时间节点进行处理，避免在用户正处于工作或者繁忙时进行广告推送，引起用户的厌烦心理，使得推送更加人性化。

2、通过对广告信息进行多个领域名和多个特征词进行限定，能够快速对广告进行定位，为匹配到合适的用户端奠定基础；并根据广告信息的多个领域名和多个特征词进行相关性计算得到广告参数；实现对广告信息的相关性的量值化，为智能广告推送奠定基础；同时通过将用户参数和广告参数进行合并处理生成广告推荐路径，实现深层次分析用户并进行精准时间节点的广告推送和推送频率，避免因为频繁的广告推送，造成用户的厌恶心理。

3、通过用户对广告路径的反馈信息将用户的反馈信息进行参考重要性的衡量得到参考系数，并广告信息的来源用户的反馈信息按照参考系数进行数值化处理得到优化值，将广告路径的广告信息按照优化值重新进行广告信息排序得到广告优化路径，并将广告优化路径按照广告推送频率和时间节点向用户端进行广告推送；不仅实现对用户的反馈信息对广告路径进行优化，并且能够将用户的反馈信息的参考重要性进行衡量，避免极端用户造成广告路径的推送紊乱。

4、反馈优化模块根据用户反馈信息将广告信息的广告图片和广告词进行深化分析输出反馈结果，根据反馈结果将广告信息的广告词或者广告语进行过滤，实现广告信息审核的量值化和快速准确地对其进行审核过滤，及时解决存在问题的广告信息，提高广告推送的广告信息质量。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明的系统总框图；

图2为本发明反馈优化模块内部框图；

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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1：

请参阅图1所示，基于大数据的广告智能推送方法，应用于推送服务器和与推送服务器无线连接的用户端，用户端为手机、平板或计算机但不仅限于此；推送服务器内设置有数据采集模块、数据库、用户提取模块、广告提取模块、推送模块和反馈优化模块；广告智能推送方法包括以下步骤：

数据采集模块采集浏览信息、广告信息和反馈信息；其中用户信息包括用户，浏览信息包括点击推荐的开始时刻、结束时刻和直接关闭推荐的次数；反馈信息包括广告信息的差评次数与投诉次数以及广告信息的差评和投诉的来源用户，并将其发送至数据库进行保存；

将用户的浏览信息进行提取得到用户参数，具体为：

获取用户每天使用用户端的时间段，分别统计用户每个时间段内的点击推荐次数和直接关闭推荐的次数；

提取用户在时间段内每次点击推荐的点击推荐开始时刻和而结束时刻，将两者做时间差值计算得到推荐时长；将时间段内的推荐时长按照时间先后顺序进行排序，将所有的推荐时长进行求和操作得到推荐总时长，并将其标记为te；将相邻的推荐时长做差值计算得到推荐间隔时长，将所有的间隔时长进行求和操作得到间隔总时长je，通过预设模型得到推度值td，其中a1和a2分别为预设权重系数；

统计时间段内直接关闭推荐的次数，预设关闭次数区间Q1，当直接关闭推荐的次数大于关闭次数区间Q1中的最大值时，表示此时间段内的用户处于高频关闭推荐广告的状态中，则将其标记为高频关推状态，并匹配到高频值p1；当直接关闭推荐的次数处于关闭次数区间Q1之内时，表示此时间段内的用户处于中频关闭推荐广告的状态中，则将其标记为中频关推状态，并匹配到中频值；当直接关闭推荐的次数小于关闭次数区间Q1中的最小值时，表示此时间段内的用户处于低频关闭推荐广告的状态中，则将其标记为低频关推状态，并匹配到低频系值；将高频值、中频值和低频值标记为频率值pi，其中1＝1,2,3，p1表示高频值，p2表示中频值，p3表示低频值；

将推度值td和匹配到的频率值pi通过预设模型TZ＝b1×td+b2×pi得到时间段的推荐值TZ，其中b1和b2分别为预设的权重系数；将时间段按照时间先后顺序进行排列并以此为横坐标，以时间段对应的推荐值为纵坐标，得到用户一天内使用用户端的时间段和推荐值的折线关系图；预设禁推值，当推荐值小于预设的禁推值时，表示该推荐值对应的时间段内用户不需要进行广告推荐；统计当前时间的前5天内所有小于禁推值的时间段，当同一个时间段的推荐值小于禁推值次数超过3次时，则将时间段标记为禁推段，并将用户使用用户端的所有时间段去除小于禁推段所剩余的时间段标记为时间节点，将时间节点和时间节点对应的推荐值标记为用户参数，并将其发送至推荐模块；

需要说明的是，当用户时间段内频繁的点击直接关闭推荐的次数表示用户正处于工作时间或者处理事情过程中，若在该时间段内进行广告推送，则会引起用户对于广告的厌烦心理，给用户造成差的体验感；当时间段内用户的推荐值越大，表示用户在该时间段内更加能够接受广告推送，此时进行广告推送不仅能够使用户更加能够接受并且更加人性化。

将广告信息进行限定和提取广告参数，具体为：

获取数据库的所有的广告信息，将广告信息的广告语和广告图片涉及的领域进行标记，并提取领域名7个，预设每个领域名对应15个特征词；广告信息包括广告界面以及广告界面的广告图像和广告语，其中领域名为广告信息涉及的多个领域，特征词为该领域关联的相关词；单个广告信息涉及多个领域，每个领域关联多个特征词，将多个领域和多个特征词同时对广告信息进行限定，能够快速对广告进行定位，为匹配到合适的用户端奠定基础。

将所有的广告进行关联度计算：任选一广告信息作为初始广告信息，其他广告信息均为比对广告信息，提取广告信息的领域名和特征词，将比对广告信息与初始广告信息进行比对，当比对广告信息的领域名完全和初始广告信息一致时，表示比对广告信息和初始广告信息属于初步定位相同的广告，并将比对广告信息标记为同位广告信息；统计同位广告信息和初始广告信息重合的领域名的数量和特征词的数量，并将其分别标记为同位名数量和同位词数量；

当比对广告信息的领域名与初始广告信息部分重合时，表示比对广告信息和初始广告信息属于初步定位部位重合的广告，并将比对广告信息标记为相关广告信息；统计相关广告信息和初始广告信息重合的领域名和特征词的数量，并将其分别标记为相关名数量和相关词数量；

将同位名数量Tn1、同位词数量Tc1、相关名数量Xm1和相关词数量Xc1通过预设模型得到广告值GGZ，其中b1、b2、b3、b4、c1和c2分别为预设权重系数，γ为预设修正系数，b1＞b2＞b3＞b4＞0且c1＞c2＞0；由公式可知，当同位名数量、同位词数量、相关名数量和相关词数量越大，即比对广告信息和初始广告信息的重合度越高，则广告值越大，表示比对广告信息和初始广告信息的相关性越大；将广告值和广告值对应的广告信息标记为广告参数，并将广告参数发送至推荐模块；

推荐模块将浏览关键词与用户参数和广告参数进行匹配生成广告推荐路径，具体为：

将用户参数的推荐值乘以频率转换系数得到广告推送频率，获取当前用户的浏览关键词和当前用户所处的广告界面的广告图像和广告语；并用户当前的广告信息为初始广告信息提取广告参数，按照广告信息的广告值的大小将广告信息进行排序，排序后的广告信息标记为广告路径；将广告路径按照广告推送频率和时间节点向用户端进行广告推送；实现深层次分析用户并进行精准时间节点的广告推送和推送频率，避免因为不合时宜的广告推送，造成用户的厌恶心理；

反馈优化模块依据用户的反馈信息进行广告推送的优化，具体为：

获取广告信息的差评次数和投诉次数，同时获取广告信息的差评和投诉的来源用户，统计来源用户的所有差评和投诉次数，并将其标记为Yha和You；通过预设模型得到用户的差评和投诉次数的参考系数Fj，其中r1和r2分别为预设权重系数，j＝1,2,3,……n2，n2取值为正整数，j表示给出差评和投诉的用户总人数；

将广告信息的差评次数Gaoj和投诉次数Gouj通过预设模型FKZ＝∑Fj×(v1×Gaoj+v2×Gouj)得到反馈值FKZ，其中v1和v2分别为预设权重系数；具体表现为：广告信息1的差评和投诉次数分别为5次，分别来自两个来源用户为Gao1与Gou1、Gao2与Gou2，通过预设模型FKZ＝F1×(v1×Gao1+v2×Gou1)+F2×(v1×Gao2+v2×Gou2)得到反馈值FKZ；将推荐值与反馈值做差值计算得到优化值，将广告路径的广告信息按照优化值重新进行广告信息排序得到广告优化路径，并将广告优化路径按照广告推送频率和时间节点向用户端进行广告推送；不仅通过用户的反馈信息对广告路径进行优化，并且能够将用户的反馈信息的参考重要性进行衡量，避免极端用户造成广告路径的推送紊乱。

实施例2：

请参阅图2所示，反馈优化模块内设置有内容审核单元和用户反馈单元；

用户反馈单元收集用户关于广告信息的反馈进行深化分析并输出反馈结果，具体为：

获取用户反馈信息，将反馈信息进行文字识别提取得到反馈意见，将反馈意见对应的广告信息标记为审核广告；

将广告信息中的广告图片标记为元素1，广告词标记为元素2；获取反馈意见的字数，当其中没有关于元素1和元素2的内容时，则将反馈意见标记为无效反馈，并将去除无效反馈意见之后反馈意见标记为审核意见；

当反馈意见其中是关于元素1和元素2的内容时，分别统计其中关于元素1的字数和关于元素2的字数，并将其分别标记为元素1字节和元素2字节，当元素1字节或元素2字节的值大于零时，分别记一次元素1字节计算和元素2字节计算；分别统计元素1字节计算和元素2字节计算的次数并分别标记为元素1次数和元素2次数；

将元素1次数yun1和元素2次数yun2通过预设模型得到审核值SHZ，其中x1和x2分别为预设权重系数；广告信息和对应的审核意见标记为反馈结果并将其按照审核值从大到小顺序发送至内容审核单元进行审核；

内容审核单元将广告信息进行审核和过滤，具体为：

将接收到的广告信息和审核意见时，统计广告信息的审核意见的数量并将其标记为审核数量，预设每个审核数量均对应一个数量值，将审核数量与所有预设审核数量进行匹配得到对应的数量值SLZ，通过预设模型和/>得到元素1过滤值GLZ1和元素2过滤值GLZ2；

将元素1过滤值和元素2过滤值进行求和操作得到过滤总值，当过滤总值大于预设总值时，则对广告信息进行过滤；当过滤总值小于预设总值时，若元素1过滤值大于预设过滤值1时，则对广告图片进行过滤；若元素2过滤值大于预设过滤值2时，则对广告词进行过滤。

本发明在使用时，通过对用户的点击推荐的次数和推荐时长进行数值化分析得到推度值，同时对直接关闭推荐的次数进行阈值分析得到广告信息的关闭的频率值，将推度值和频率值进行综合量值分析得到推荐值，并将推荐值对应的时间段进行分析得到时间节点，时间节点和时间节点对应的推荐值标记为用户参数，实现对用户广告信息推送的时间节点进行处理，避免在用户正处于工作或者繁忙时进行广告推送，引起用户的厌烦心理，使得推送更加人性化；通过对广告信息进行多个领域名和多个特征词进行限定，能够快速对广告进行定位，为匹配到合适的用户端奠定基础；并根据广告信息的多个领域名和多个特征词进行相关性计算得到广告参数；实现对广告信息的相关性的量值化，为智能广告推送奠定基础；同时通过将用户参数和广告参数进行合并处理生成广告推荐路径，实现深层次分析用户并进行精准时间节点的广告推送和推送频率，避免因为频繁的广告推送，造成用户的厌恶心理；通过用户对广告路径的反馈信息将用户的反馈信息进行参考重要性的衡量得到参考系数，并广告信息的来源用户的反馈信息按照参考系数进行数值化处理得到优化值，将广告路径的广告信息按照优化值重新进行广告信息排序得到广告优化路径，并将广告优化路径按照广告推送频率和时间节点向用户端进行广告推送；不仅实现对用户的反馈信息对广告路径进行优化，并且能够将用户的反馈信息的参考重要性进行衡量，避免极端用户造成广告路径的推送紊乱；反馈优化模块根据用户反馈信息将广告信息的广告图片和广告词进行深化分析输出反馈结果，根据反馈结果将广告信息的广告词或者广告语进行过滤，实现广告信息审核的量值化和快速准确地对其进行审核过滤，及时解决存在问题的广告信息，提高广告推送的广告信息质量。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (5)

1.基于大数据的广告智能推送方法，包括：采集用户浏览信息、广告信息和反馈信息并将其发送至数据库进行存储；其特征在于，还包括以下步骤：

步骤一：用户提取模块将用户在时间段内点击推荐开始时刻和结束时刻经过数值化计算得到推度值；同时对直接关闭推荐的次数进行阈值分析得到广告信息关闭的频率值；将推度值和频率值进行综合量值分析得到推荐值，并将推荐值对应的时间段进行分析得到时间节点，时间节点和对应的推荐值标记为用户参数；

步骤二：通过对广告信息进行多个领域名和多个特证词进行限定，根据广告信息的多个领域名和多个特证词进行相关性计算得到广告参数；

步骤三：将用户参数中的推荐值乘以频率转换系数得到广告推送频率，获取当前用户的浏览关键词和当前用户所处的广告界面的广告图像和广告语；将用户当前的广告信息作为初始广告信息并提取广告参数，按照广告信息的广告值的大小将广告信息进行排序，排序后的广告信息标记为广告推送路径；将广告推送路径按照广告推送频率和时间节点向用户端进行广告推送；

步骤四：通过用户对广告推送路径的反馈信息将用户的反馈信息进行参考重要性的衡量得到参考系数，将来源用户的反馈信息按照参考系数进行数值化处理得到优化值，将广告推送路径的广告信息按照优化值重新进行广告信息排序得到广告优化路径，并将广告优化路径按照广告推送频率和时间节点向用户端进行广告推送。

2.根据权利要求1所述的基于大数据的广告智能推送方法，其特征在于，浏览信息包括点击推荐的开始时刻、结束时刻和直接关闭推荐的次数；反馈信息包括广告信息的差评次数与投诉次数以及广告信息的差评和投诉的来源用户。

3.根据权利要求1所述的基于大数据的广告智能推送方法，其特征在于，将用户的浏览信息进行提取得到用户参数，具体为：

获取用户每天使用用户端的时间段，分别统计用户每个时间段内的点击推荐次数和直接关闭推荐的次数；

提取用户在时间段内每次点击推荐的点击推荐开始时刻和结束时刻，将两者做时间差值计算得到推荐时长，将所有的推荐时长进行求和操作得到推荐总时长；将相邻的推荐时长做差值计算得到推荐间隔时长，将所有的间隔时长进行求和操作得到间隔总时长，通过数据处理得到推度值；

统计时间段内直接关闭推荐的次数，预设关闭次数区间Q1，当直接关闭推荐的次数大于关闭次数区间Q1中的最大值时，则将其标记为高频关推状态，并匹配到高频值p1；当直接关闭推荐的次数处于关闭次数区间Q1之内时，则将其标记为中频关推状态，并匹配到中频值；当直接关闭推荐的次数小于关闭次数区间Q1中的最小值时，并匹配到低频值；将高频值、中频值和低频值标记为频率值；

将推度值和匹配到的频率值通过数据处理得到时间段的推荐值，预设禁推值，当推荐值小于预设的禁推值时，则统计当前时间的前n1天内所有小于禁推值的时间段，当同一个时间段的推荐值小于禁推值次数超过n1+c/2×n1次时，其中c为常数，则将时间段标记为禁推段，并将用户使用用户端的所有时间段去除小于禁推段所剩余的时间段标记为时间节点，将时间节点和时间节点对应的推荐值标记为用户参数。

4.根据权利要求1所述的基于大数据的广告智能推送方法，其特征在于，将广告信息进行限定和提取广告参数，具体为：

获取数据库广告信息并将其涉及的领域进行标记，并提取领域名m1个，预设每个领域名对应m2个特征词，其中领域名为广告信息涉及的多个领域，特征词为该领域关联的相关词；

任选一广告信息作为初始广告信息，其他广告信息均为比对广告信息，提取广告信息的领域名和特征词，将比对广告信息与初始广告信息进行比对，当比对广告信息的领域名完全和初始广告信息一致时，将比对广告信息标记为同位广告信息；统计同位广告信息和初始广告信息重合的领域名的数量和特征词的数量，并将其分别标记为同位名数量和同位词数量；

当比对广告信息的领域名与初始广告信息部分重合时，将比对广告信息标记为相关广告信息；统计相关广告信息和初始广告信息重合的领域名和特征词的数量，并将其分别标记为相关名数量和相关词数量；

将同位名数量、同位词数量、相关名数量和相关词数量通过数据处理得到广告值，将广告值和广告值对应的广告信息标记为广告参数。

5.根据权利要求1所述的基于大数据的广告智能推送方法，其特征在于，依据用户的反馈信息进行优化的具体过程为：

获取广告信息的差评次数和投诉次数，同时获取广告信息的差评和投诉的来源用户，统计来源用户的所有差评和投诉次数，通过数据处理得到用户的差评和投诉次数的参考系数；

将广告信息的差评次数、投诉次数和参考系数通过数据处理得到反馈值，将推荐值与反馈值做差值计算得到优化值，将广告推送路径的广告信息按照优化值重新进行广告信息排序得到广告优化路径。