CN116992157B - 一种基于生物神经网络的广告推荐方法 - Google Patents
一种基于生物神经网络的广告推荐方法 Download PDFInfo
- Publication number
- CN116992157B CN116992157B CN202311243464.0A CN202311243464A CN116992157B CN 116992157 B CN116992157 B CN 116992157B CN 202311243464 A CN202311243464 A CN 202311243464A CN 116992157 B CN116992157 B CN 116992157B
- Authority
- CN
- China
- Prior art keywords
- advertisement
- pulse
- target user
- vector
- neural network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013529 biological neural network Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 67
- 238000013507 mapping Methods 0.000 claims description 29
- 230000003993 interaction Effects 0.000 claims description 21
- 210000005036 nerve Anatomy 0.000 claims description 21
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 235000014510 cooky Nutrition 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 6
- 238000003672 processing method Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 46
- 230000001537 neural effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Neurology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于生物神经网络的广告推荐方法,涉及数据处理方法领域,该广告推荐方法在收集用户行为数据集后,基于生物神经网络将用户行为数据集转化为神经脉冲序列,再利用基于脉冲神经网络的广告推荐模型根据神经脉冲序列得到目标用户的兴趣概率分布向量,从而从广告库中筛选出与目标用户的匹配度最高的目标广告内容进行推荐。通过生物神经网络与脉冲神经网络的结合使用,在用户行为数据集较为稀疏的情况下也能准确捕获目标用户的兴趣实现广告推荐,且能够实时捕获目标用户的行为动态变化而进行动态的广告推荐,该广告推荐方法能够更好的应用于数据稀疏性场景,可以实现具有高准确性和动态适应性的广告推荐。
Description
技术领域
本申请涉及数据处理方法领域,尤其是一种基于生物神经网络的广告推荐方法。
背景技术
随着数字化的快速进步,广告已经从传统媒体转移到线上平台,涉及各种各样的设备和应用。在这种环境下,准确预测并推送相关广告至用户已成为企业的核心竞争力,因为这不仅能增强用户体验,还能带来更高的广告转化率。
传统的广告推荐方法主要使用到协同过滤、矩阵分解或基于内容的推荐等技术,根据用户的浏览历史、搜索查询、社交互动等行为数据来找出用户可能感兴趣的广告内容并进行推荐。但是这种广告推荐方法需要大量的用户行为数据来产生准确的推荐,因此对于用户行为数据较少的新用户或非活跃用户难以适用。而且这种广告推荐方法在处理静态和长期的用户兴趣时表现良好,但当面对用户兴趣的快速变化以及广告内容库持续扩大更新的情况时,不仅需要消耗大量的计算资源来评估用户和广告内容之间的匹配度,推荐准确度也会迅速下降,因此难以处理快速变化的用户兴趣和动态的广告内容库。
发明内容
本申请针对上述问题及技术需求,提出了一种基于生物神经网络的广告推荐方法,本申请的技术方案如下:
一种基于生物神经网络的广告推荐方法,该基于生物神经网络的广告推荐方法包括:
获取目标用户访问数据源平台时的用户行为数据集;
基于生物神经网络将用户行为数据集中的每个行为数据点映射为一个脉冲子序列,并将映射得到的各个脉冲子序列组合叠加形成用户行为数据集对应的神经脉冲序列;
将神经脉冲序列输入广告推荐模型中,得到目标用户的兴趣概率分布向量,广告推荐模型基于脉冲神经网络训练得到;
根据目标用户的兴趣概率分布向量从广告库中筛选出与目标用户的匹配度最高的目标广告内容,并将目标广告内容推荐给目标用户。
其进一步的技术方案为,根据目标用户的兴趣概率分布向量从广告库中筛选出与目标用户的匹配度最高的目标广告内容包括:
将广告库中的每条广告内容分别表示为一个广告向量;
根据各个广告向量和目标用户的兴趣概率分布向量,利用向量空间模型筛选出与目标用户的匹配度最高的若干条目标广告内容。
其进一步的技术方案为,利用向量空间模型筛选出与目标用户的匹配度最高的若干条目标广告内容包括:
利用向量空间模型分别计算各个广告向量与目标用户的兴趣概率分布向量之间的相似性分数;
确定相似性分数最高的若干条广告向量对应的广告内容为目标广告内容。
其进一步的技术方案为,利用向量空间模型分别计算各个广告向量与目标用户的兴趣概率分布向量之间的相似性分数包括:
确定任意广告向量和目标用户的兴趣概率分布向量/>之间的相似性分数为,其中,/>是广告向量/>的模,/>是目标用户的兴趣概率分布向量/>的模,/>是广告向量/>与目标用户的兴趣概率分布向量/>的点积。
其进一步的技术方案为,将广告库中的每条广告内容分别表示为一个广告向量包括:
利用TF-IDF技术或word2vec技术将广告库中的每条广告内容分别表示为一个广告向量。
其进一步的技术方案为,基于生物神经网络将用户行为数据集中的每个行为数据点映射为一个脉冲子序列包括:
对用户行为数据集中的各个行为数据点分别进行标准化处理并映射到预定取值范围[a,b]内,得到各个行为数据点对应的映射结果,a和b均为正数参数且b>a;
根据每个行为数据点对应的映射结果确定行为数据点对应的脉冲子序列的脉冲参数,脉冲参数包括脉冲幅度和/或脉冲频率。
其进一步的技术方案为,将映射得到的各个脉冲子序列组合叠加形成用户行为数据集对应的神经脉冲序列包括:
将各个脉冲子序列组合叠加形成具有预设编码参数的神经脉冲序列,预设编码参数包括神经脉冲序列的脉冲间隔、脉冲幅值和总时长。
其进一步的技术方案为,广告推荐模型从输入到输出依次包括输入层、卷积层、池化层和全连接层;在基于脉冲神经网络训练得到广告推荐模型的过程中,使用反向传播算法结合梯度下降算法训练得到广告推荐模型的模型参数。
其进一步的技术方案为,获取目标用户访问数据源平台时的用户行为数据集包括:
捕获目标用户在访问数据源平台并执行针对各种商品服务的预定互动操作时的互动统计数据,得到目标用户的用户行为数据集,预定互动操作包括登录、点击、检索、浏览、购买、收藏和评价中的至少一种,数据源平台包括网站、移动应用以及第三方数据提供商中的至少一种。
其进一步的技术方案为,捕获目标用户在访问数据源平台并执行预定互动操作时的互动统计数据包括:
利用Cookies、Web-Beacons或SDKs工具捕获目标用户在访问数据源平台并执行预定互动操作时的互动统计数据。
本申请的有益技术效果是:
本申请公开了一种基于生物神经网络的广告推荐方法,该广告推荐方法在收集用户行为数据集后,基于生物神经网络结合脉冲神经网络来得到目标用户的兴趣概率分布向量,从而从广告库中筛选出与目标用户的匹配度最高的目标广告内容进行推荐。通过生物神经网络将用户行为数据集转化为神经脉冲序列,继而使用脉冲神经网络从稀疏的神经脉冲序列中学习目标用户的核心行为,该方法一方面即便在用户行为数据集较为稀疏的情况下也能准确捕获目标用户的兴趣,从而针对用户行为数据集稀疏的目标用户也能实现较为准确的广告推荐。该方法另一方面也可以实时捕获目标用户的行为动态变化,反映用户即时的兴趣变化,具有较高的动态适应性。
另外,该方法利用向量空间模型根据兴趣概率分布向量从广告库中筛选目标广告内容,利用向量空间模型的强大能力,能够快速准确地找到与目标用户的兴趣匹配的广告内容,从而可以在减少计算开销的同时,更好地考虑目标用户的多样化兴趣从而实现更准确的广告推荐,尤其适用于大规模的广告库和高并发的在线环境。
附图说明
图1是本申请一个实施例的广告推荐方法的方法流程图。
图2是本申请另一个实施例的广告推荐方法的方法流程图。
具体实施方式
下面结合附图对本申请的具体实施方式做进一步说明。
本申请公开了一种基于生物神经网络的广告推荐方法,请参考图1所示的方法流程图,该广告推荐方法包括如下步骤:
步骤110,获取目标用户访问数据源平台时的用户行为数据集。
该步骤从多个数据源平台收集关于用户行为的数据,数据收集是整个广告推荐方法中不可或缺的部分,收集到的这些数据为后续的广告推荐提供了数据基础,如果没有足够和准确的用户行为数据集将会影响后续的广告推荐。因此为了确保高质量和高精度的数据收集,该步骤中的数据源平台包括多种类型的数据源平台,包括网站、移动应用以及第三方数据提供商中的至少一种,从而可以覆盖跟踪目标用户的各种行为数据。
获取用户行为数据集包括:捕获目标用户在访问数据源平台并执行针对各种商品服务的预定互动操作时的互动统计数据,得到目标用户的用户行为数据,预定互动操作包括登录、点击、检索、浏览、购买、收藏和评价中的至少一种,商品服务包括实体商品服务和虚拟商品服务。也即除了从多个数据源平台收集用户行为数据集之外,该步骤还收集目标用户的多种类型的行为的数据。其中,捕获目标用户在执行预定互动操作时的互动统计数据包括:利用Cookies、Web-Beacons或SDKs工具进行数据捕获。
捕获到的针对每种商品服务的预定互动操作时的互动统计数据包括:针对商品服务执行预定互动操作的次数和针对商品服务执行预定互动操作的停留时间。比如购买商品服务的次数,浏览购买商品服务时的停留时间。
步骤120,基于生物神经网络将用户行为数据集中的每个行为数据点映射为一个脉冲子序列,并将映射得到的各个脉冲子序列组合叠加形成用户行为数据集对应的神经脉冲序列。其中,一个脉冲子序列是一系列具有预定宽度、预定幅度和预定时间间隔的单位脉冲组成的序列,在实际应用时,单位脉冲的预定宽度、预定幅度和预定时间间隔可以分别自定义配置。
该步骤利用生物神经网络来模拟生物神经元工作机制对用户行为数据集进行编码,转换为对应的神经脉冲序列,这种编码方式旨在为后续的广告推荐提供更加精确、更具代表性的输入数据。这种编码方式与传统的数字编码或向量编码的方式不同,神经脉冲序列能够更加有效地捕捉和表示用户行为数据集的动态性和时序性,通过模拟生物神经元的工作方式,能够对短时窗口内的用户行为数据集进行高效编码,从而准确捕获目标用户的动态兴趣。此外,神经脉冲序列的稀疏性有助于处理数据稀疏性问题,也即,即便目标用户是新用户或低活跃用户而导致用户行为数据集中的数据较为稀疏,神经脉冲序列也能较好的捕获目标用户的动态兴趣。
步骤130,将神经脉冲序列输入广告推荐模型中,得到目标用户的兴趣概率分布向量。兴趣概率分布向量包括目标用户对预设的各个广告类别的兴趣概率。
其中,广告推荐模型基于脉冲神经网络训练得到,不同于传统的深度学习模型,脉冲神经网络通过处理神经脉冲序列可以在不同的时间尺度上捕获和学习目标用户的兴趣模式。广告推荐模型提供了一个自适应的学习框架,可以对用户兴趣的快速变化进行有效响应,通过处理神经脉冲序列可以在较短的时间内进行学习和预测,从而实时更新目标用户的兴趣模型。
步骤140,根据目标用户的兴趣概率分布向量从广告库中筛选出与目标用户的匹配度最高的若干条目标广告内容,并将目标广告内容推荐给目标用户。
广告库中包括属于不同广告类别的若干个广告内容,且广告库可以动态更新。该步骤得到的目标广告内容包括与目标用户的匹配度最高的若干条广告内容。
该方法基于生物神经网络结合脉冲神经网络来得到目标用户的兴趣概率分布向量,从而从广告库中筛选出与目标用户的匹配度最高的目标广告内容进行推荐。通过生物神经网络将用户行为数据集转化为神经脉冲序列,继而使用脉冲神经网络从稀疏的神经脉冲序列中学习目标用户的核心行为,该方法一方面即便在用户行为数据集较为稀疏的情况下也能准确捕获目标用户的兴趣,从而针对用户行为数据集稀疏的目标用户也能实现较为准确的广告推荐。该方法另一方面也可以实时捕获目标用户的行为动态变化,反映用户即时的兴趣变化,具有较高的动态适应性。
在一个实施例中,该广告推荐方法中各个步骤的实现方式如下,请参考图2所示的流程图:
步骤210,获取目标用户访问数据源平台时的用户行为数据集。
步骤220,对用户行为数据集中的各个行为数据点分别进行标准化处理并映射到预定取值范围[a,b]内,得到各个行为数据点对应的映射结果。
其中,a和b均为正数参数且b>a。正数参数a和b的取值根据实际情况自定义设置,该步骤可以按照目前常规方法进行标准化处理并完成数据映射,该实施例不再赘述。
步骤230,根据每个行为数据点对应的映射结果确定行为数据点对应的脉冲子序列的脉冲参数,按照该脉冲参数即可构建得到行为数据点对应的脉冲子序列。
其中,脉冲参数包括脉冲幅度和/或脉冲频率。在实际实现时,为了方便实现,一般只根据映射结果来调整其中一项脉冲参数,而保持其他脉冲参数均相同且不变,比如根据映射结果来确定对应的脉冲幅度,但保持各个脉冲子序列的脉冲频率均相同。再比如根据映射结果来确定对应的脉冲频率,但保持各个脉冲子序列的脉冲幅度均相同。
在一个实施例中,根据映射结果确定脉冲参数时,映射结果与脉冲参数的取值呈相关关系,也即映射结果越大,脉冲参数的取值越大。比如在一个实际的例子中,a=0而b=1,保持各个脉冲子序列的脉冲幅度不变,根据映射结果来确定脉冲频率,则映射结果的取值越大,对应的脉冲子序列的脉冲频率越高。各个映射结果对应的脉冲参数的具体取值可以根据实际情况自定义设置。
步骤240,将各个脉冲子序列组合叠加形成具有预设编码参数的神经脉冲序列。
该预设编码参数是可以自定义设定的,预设编码参数包括神经脉冲序列的脉冲间隔、脉冲幅值和总时长。
步骤250,将神经脉冲序列输入广告推荐模型中,得到目标用户的兴趣概率分布向量。
该步骤需要使用到广告推荐模型,则在使用广告推荐模型之前,需要预先基于脉冲神经网络训练得到广告推荐模型:首先基于脉冲神经网络搭建广告推荐模型的网络架构,广告推荐模型从输入到输出依次包括输入层、卷积层、池化层和全连接层:
输入层用于获取输入的神经脉冲序列。
卷积层用于通过不同的卷积核和滑动窗口对输入的神经脉冲序列进行局部特征提取,对神经网络序列的各个局部区域分别提取局部特征。
池化层用于将各个局部特征分别映射下采样,从而减少广告推荐模型的复杂性并提高其鲁棒性。
全连接层用于对映射下采样后的各个局部特征进行全连接处理,并转换为兴趣概率分布向量输出。
在基于脉冲神经网络搭建广告推荐模型的网络架构后,构建训练数据集按照该网络架构进行模型训练,得到广告推荐模型,在模型训练的过程中,使用反向传播算法结合梯度下降算法训练得到广告推荐模型的模型参数。
步骤260,将广告库中的每条广告内容分别表示为一个广告向量。
在一个实施例中,利用TF-IDF技术或word2vec技术将广告库中的每条广告内容分别表示为一个广告向量。
步骤270,根据各个广告向量和目标用户的兴趣概率分布向量,利用向量空间模型筛选出与目标用户的匹配度最高的若干条目标广告内容并推荐给目标用户。向量空间模型能够快速筛选出与目标用户的匹配度最高的若干条目标广告内容,与传统的广告匹配方法相比,向量空间模型能够更好地考虑目标用户的多样化兴趣,从而筛选出与目标用户的兴趣最匹配的若干条目标广告内容。
利用向量空间模型筛选出与目标用户的匹配度最高的若干条目标广告内容包括:
(1)首先利用向量空间模型分别计算各个广告向量与目标用户的兴趣概率分布向量之间的相似性分数。
其中,任意广告向量和目标用户的兴趣概率分布向量/>之间的相似性分数为,其中,/>是广告向量/>的模,/>是目标用户的兴趣概率分布向量/>的模,/>是广告向量/>与目标用户的兴趣概率分布向量/>的点积。
(2)然后即可确定相似性分数最高的若干条广告向量对应的广告内容为目标广告内容。
以上所述的仅是本申请的优选实施方式,本申请不限于以上实施例。可以理解,本领域技术人员在不脱离本申请的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本申请的保护范围之内。
Claims (6)
1.一种基于生物神经网络的广告推荐方法,其特征在于,所述基于生物神经网络的广告推荐方法包括:
捕获目标用户在访问数据源平台并执行针对各种商品服务的预定互动操作时的互动统计数据,得到所述目标用户的用户行为数据集,所述预定互动操作包括登录、点击、检索、浏览、购买、收藏和评价中的至少一种,所述数据源平台包括网站、移动应用以及第三方数据提供商中的至少一种;
基于生物神经网络将所述用户行为数据集中的每个行为数据点映射为一个脉冲子序列,并将各个脉冲子序列组合叠加形成具有预设编码参数的神经脉冲序列,所述预设编码参数包括所述神经脉冲序列的脉冲间隔、脉冲幅值和总时长;其中,一个脉冲子序列是一系列具有预定宽度、预定幅度和预定时间间隔的单位脉冲组成的序列;
将所述神经脉冲序列输入广告推荐模型中,得到所述目标用户的兴趣概率分布向量,所述广告推荐模型基于脉冲神经网络训练得到;所述广告推荐模型从输入到输出依次包括输入层、卷积层、池化层和全连接层;在基于脉冲神经网络训练得到所述广告推荐模型的过程中,使用反向传播算法结合梯度下降算法训练得到所述广告推荐模型的模型参数;
将广告库中的每条广告内容分别表示为一个广告向量;
根据各个广告向量和所述目标用户的兴趣概率分布向量,利用向量空间模型筛选出与所述目标用户的匹配度最高的若干条目标广告内容,并将所述目标广告内容推荐给所述目标用户。
2.根据权利要求1所述的基于生物神经网络的广告推荐方法,其特征在于,所述利用向量空间模型筛选出与所述目标用户的匹配度最高的若干条目标广告内容包括:
利用所述向量空间模型分别计算各个广告向量与所述目标用户的兴趣概率分布向量之间的相似性分数;
确定相似性分数最高的若干条广告向量对应的广告内容为所述目标广告内容。
3.根据权利要求2所述的基于生物神经网络的广告推荐方法,其特征在于,所述利用所述向量空间模型分别计算各个广告向量与所述目标用户的兴趣概率分布向量之间的相似性分数包括:
确定任意广告向量和所述目标用户的兴趣概率分布向量/>之间的相似性分数为,其中,/>是广告向量/>的模,/>是所述目标用户的兴趣概率分布向量/>的模,/>是广告向量/>与所述目标用户的兴趣概率分布向量/>的点积。
4.根据权利要求1所述的基于生物神经网络的广告推荐方法,其特征在于,所述将广告库中的每条广告内容分别表示为一个广告向量包括:
利用TF-IDF技术或word2vec技术将所述广告库中的每条广告内容分别表示为一个广告向量。
5.根据权利要求1所述的基于生物神经网络的广告推荐方法,其特征在于,所述基于生物神经网络将所述用户行为数据集中的每个行为数据点映射为一个脉冲子序列包括:
对所述用户行为数据集中的各个行为数据点分别进行标准化处理并映射到预定取值范围[a,b]内,得到各个行为数据点对应的映射结果,a和b均为正数参数且b>a;
根据每个行为数据点对应的映射结果确定所述行为数据点对应的脉冲子序列的脉冲参数,所述脉冲参数包括脉冲幅度和/或脉冲频率。
6.根据权利要求1所述的基于生物神经网络的广告推荐方法,其特征在于,所述捕获目标用户在访问数据源平台并执行预定互动操作时的互动统计数据包括:
利用Cookies、Web-Beacons或SDKs工具捕获所述目标用户在访问数据源平台并执行预定互动操作时的互动统计数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243464.0A CN116992157B (zh) | 2023-09-26 | 2023-09-26 | 一种基于生物神经网络的广告推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243464.0A CN116992157B (zh) | 2023-09-26 | 2023-09-26 | 一种基于生物神经网络的广告推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116992157A CN116992157A (zh) | 2023-11-03 |
CN116992157B true CN116992157B (zh) | 2023-12-22 |
Family
ID=88521658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311243464.0A Active CN116992157B (zh) | 2023-09-26 | 2023-09-26 | 一种基于生物神经网络的广告推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116992157B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293247A (zh) * | 2022-07-21 | 2022-11-04 | 支付宝(杭州)信息技术有限公司 | 建立风险识别模型的方法、风险识别的方法及对应装置 |
CN116542715A (zh) * | 2023-04-28 | 2023-08-04 | 济南大学 | 基于在线离群值检测的广告点击欺诈检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162690B (zh) * | 2018-10-23 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 确定用户对物品的兴趣度的方法与装置、设备和存储介质 |
-
2023
- 2023-09-26 CN CN202311243464.0A patent/CN116992157B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293247A (zh) * | 2022-07-21 | 2022-11-04 | 支付宝(杭州)信息技术有限公司 | 建立风险识别模型的方法、风险识别的方法及对应装置 |
CN116542715A (zh) * | 2023-04-28 | 2023-08-04 | 济南大学 | 基于在线离群值检测的广告点击欺诈检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116992157A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177575B (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
CN110717098B (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
CN109741112B (zh) | 一种基于移动大数据的用户购买意向预测方法 | |
CN110796313B (zh) | 一种基于带权图卷积和项目吸引力模型的会话推荐方法 | |
CN106997549A (zh) | 一种广告信息的推送方法及系统 | |
EP3596689A1 (en) | Mixed-initiative machine learning systems and methods for determining segmentations | |
CN106251174A (zh) | 信息推荐方法及装置 | |
CN106327240A (zh) | 一种基于gru神经网络的推荐方法和系统 | |
CN108665311B (zh) | 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法 | |
EP3901788A2 (en) | Conversation-based recommending method, conversation-based recommending apparatus, and device | |
CN111737578A (zh) | 一种推荐方法及系统 | |
CN112085565A (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN108319585A (zh) | 数据处理方法及装置、电子设备、计算机可读介质 | |
CN112733018A (zh) | 一种基于图神经网络gnn和多任务学习的会话推荐方法 | |
CN116010684A (zh) | 物品推荐方法、装置及存储介质 | |
CN109189922B (zh) | 评论评估模型的训练方法和装置 | |
CN110543474A (zh) | 一种基于全埋点与潜在因子模型的用户行为分析方法和装置 | |
CN112307352A (zh) | 内容推荐方法、系统、装置和存储介质 | |
CN111949886A (zh) | 一种用于信息推荐的样本数据生成方法和相关装置 | |
CN114417161B (zh) | 基于异构图的虚拟物品时序推荐方法、装置、介质及设备 | |
CN115438787A (zh) | 行为预测系统的训练方法及装置 | |
CN116992157B (zh) | 一种基于生物神经网络的广告推荐方法 | |
CN115794898B (zh) | 一种金融资讯推荐方法、装置、电子设备及存储介质 | |
CN116127188A (zh) | 目标反馈值确定方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |