CN117196725A - 一种适用于短视频平台的广告智能推送系统 - Google Patents

Abstract

本发明涉及短视频平台技术领域，用于解决现有的短视频平台的广告投放的方式中，无法做到对投放广告内容质量的筛选，也没有充分挖掘用户的个性化需求和兴趣爱好，无法做到广告内容与用户需求之间的匹配，导致广告推送的精准性和针对性较低，影响广告的有效传达的问题，具体为一种适用于短视频平台的广告智能推送系统，包括服务器、数据采集单元、云数据库、质量筛查归类单元、高峰时段定位单元、历史行为定位单元、搜索行为定位单元、综合推送投放单元。本发明，通过数据分析的方式，实现对广告的筛查及每种类型广告的推送的最佳时段、用户的所指向的广告类型，并通过综合分析的方式，由此实现广告的精准投放。

Description

一种适用于短视频平台的广告智能推送系统

技术领域

本发明涉及短视频平台技术领域，具体为一种适用于短视频平台的广告智能推送系统。

背景技术

短视频平台是一种在线视频分享平台，用户可以通过上传、观看和分享短时长的视频内容。短视频平台具有内容传播、娱乐消费、社交互动的作用。因此，短视频平台提供广告服务，广告服务不仅可以为短视频平台带来广告营收，还可以增强平台的用户黏性。

而一些短视频平台为了盈利，平台会投放大量的广告，而现有的短视频平台的广告投放的方式中，无法做到对投放广告内容质量的筛选，故大量的广告会导致用户在浏览视频时频繁中断，极大的降低用户的体验感；

且现有的短视频平台的广告投放的方式中，只是简单地基于平台用户的基本信息进行投放，没有充分挖掘用户的个性化需求和兴趣爱好，无法做到广告内容与用户需求之间的匹配，导致广告推送的精准性和针对性较低，影响广告的有效传达。

为了解决上述缺陷，现提供一种技术方案。

发明内容

本发明的目的在于提供一种适用于短视频平台的广告智能推送系统。

本发明的目的可以通过以下技术方案实现：一种适用于短视频平台的广告智能推送系统，包括服务器，服务器通信连接有数据采集单元、云数据库、质量筛查归类单元、高峰时段定位单元、历史行为定位单元、搜索行为定位单元、综合推送投放单元；

数据采集单元用于采集历史模拟推送时段内各目标推送广告的推送状态信息、内容关联信息，以及采集k个相同历史周期内的短视频平台的各类型广告的历史推送日志，并将各类型信息发送至云数据库中进行存储；

云数据库还用于存储广告内容质量判定表，存储内容指向判定表；

质量筛查归类单元用于对目标推送广告在历史模拟推送时段内的推送状态信息进行监测，由此对目标推送广告的内容质量状态进行筛查归类分析，据此输出筛除集合A和投放集合B；

高峰时段定位单元用于获取k个相同历史周期内的短视频平台的各类型广告的历史推送日志，由此对各类型广告的高峰受众时段进行分析，据此输出每种类型广告的高峰受众时段；

历史行为定位单元用于对短视频平台中各用户的观看行为参数进行监测，由此对各用户的历史广告行为进行分析，据此输出各用户的兴趣广告类型；

搜索行为定位单元用于对短视频平台中各用户的搜索行为进行监测，由此对各用户的搜索广告行为进行分析，据此输出各用户的倾向广告类型；

综合推送投放单元用于结合短视频平台的各用户的兴趣广告类型、倾向广告类型，以及每种类型广告的高峰受众时段，将投放集合B中的各目标推送广告依次在对应的高峰受众时段推送给对应属性的在线用户，由此完成短视频平台广告的智能推送。

优选地，所述对目标推送广告的内容质量状态进行筛查归类分析，其具体分析过程如下：

实时获取目标推送广告在历史模拟推送时段内的推送状态信息中的点击率、转化率、跳过率和停留时长，并将其分别标记为cr_i、pc_i、sr_i和wt_i，并将各项内容质量参数进行综合分析，依据设定的数据模型：，由此输出目标推送广告的推送反馈系数pfc_i，其中，i表示目标推送广告的数量，且i为正整数，λ1、λ2、λ3和λ4分别为点击率、转化率、跳过率和停留时长的权重因子系数，λ1、λ2、λ3和λ4均为大于0的自然数；

设置推送反馈系数的梯度参照区间Q1、Q2、Q3，并将目标推送广告的推送反馈系数代入预设的梯度参照区间Q1、Q2、Q3内进行比较分析，其中，参照区间Q1、Q2、Q3的区间数值是呈梯度增加的；

若目标推送广告的推送反馈系数处于预设的梯度参照区间Q1之内时，则将对应的目标推送广告标记为推送负反馈信号，并由此将对应的目标推送广告归入筛除集合A中，即将被标记为推送负反馈信息的推送广告进行剔除，不再对其进行推送操作；

若目标推送广告的推送反馈系数处于预设的梯度参照区间Q2之内时，则将对应的目标推送广告标记为推送一般反馈信号，并由此触发二次内容审核处理，据此输出目标推送广告的内容质量判定等级，且内容质量判定等级包括正常内容质量等级和劣质内容质量等级；

并将被标记为劣质内容质量等级的目标推送广告归入筛除集合A中，将被标记为正常内容质量等级的目标推送广告归入投放集合B中；

若目标推送广告的推送反馈系数处于预设的梯度参照区间Q3之内时，则将对应的目标推送广告标记为推送正反馈信号，并由此将对应的目标推送广告归入投放集合B中。

优选地，所述二次内容审核处理，其具体处理过程如下：

根据生成的推送一般反馈信号，由此再调取各目标推送广告的内容关联信息中的负评量值、虚假点击量值和内容相关量值，并将其分别标记为ngc_i*、fcv_i*和crq_i*，并将各项数据进行计算分析，依据设定的数据模型：，由此输出目标推送广告的内容质量指数cq_i*，其中，a1表示为负评量值的标准参照值，a2表示为虚假点击量值的标准参照值，a3表示为内容相关量值的标准参照值，i*表示为被标记为推送一般反馈信号的目标推送广告的数量，且/>，μ1、μ2均为转换因子系数，且μ1、μ2为大于0的自然数；

将目标推送广告的内容质量指数与存储在云数据库中的广告内容质量判定表进行对照匹配分析，由此得到目标推送广告的内容质量判定等级，且得到的每个目标推送广告的内容质量指数均对应一个内容质量判定等级，且内容质量判定等级包括正常内容质量等级和劣质内容质量等级。

优选地，所述虚假点击量值的求解过程如下：

将历史模拟推送时段等量划分为若干个子时间段，实时监测目标推送广告在若干个子时间段的点击率，设置点击率的频率阈值，并将若干个子时间段的点击率与预设的频率阈值进行比较分析，将点击率大于等于预设的频率阈值的对应子时间段的点击率标记为异常点击行为，计算被标记为异常点击行为的子时间段的数量和的占比值，并将其记作第一指标量值fl1；

实时监测目标推送广告在若干个子时间段的跳出率，并将每个子时间段的跳出率与对应的子时间段下的跳出率阈值进行计算分析，依据设定的数据模型：，由此输出第二指标量值fl2，其中，JoR_j表示为对应的j个子时间段的跳出率，JoR*_j表示为第j个子时间段的跳出率阈值，j表示为划分的若干个子时间段，且j为正整数，γ1和γ2为转换因子系数，γ1和γ2均为大于0的自然数；

将第一指标量值和第二指标量值进行综合分析，依据设定的数据模型：fcv=δ1×fl1+δ2×fl2，由此输出目标推送广告的虚假点击量值fcv，其中，δ1、δ2为归一因子，δ1、δ2均为大于0的自然数。

优选地，所述对各类型广告的高峰受众时段进行分析，其具体分析过程如下：

获取k个相同历史周期内的短视频平台的各类型广告的历史推送日志，将每个历史周期按照设定的时间层级均划分为n个时间段，其中，n为正整数；

并从历史推送日志中提取每种类型广告在每个时间段下的需求浏览值和浏览时长均值，并将其分别标记为wct_kn和wsl_kn，并将两项数据进行综合分析，依据设定的数据模型：，由此输出每种类型广告在每个时间段下的受众系数ac_kn，其中，ξ1和ξ2为归一因子，ξ1和ξ2均为大于0的自然数；

按照受众系数的数值大小将每种类型广告在同一个历史周期内的每个时间段进行降序排列，由此得到每种类型广告的每个历史周期的时间受众排序列表，并将位于时间受众排序列表第一位置序列的时间段进行标记，由此标记出每种类型广告的每个历史周期的受众时段；

统计同一种类型广告在k个历史周期下被标记最多的受众时段，并将其记作高峰受众时段，由此输出每种类型广告的高峰受众时段。

优选地，所述浏览时长均值的求解过程如下：

实时监测k个相同历史周期内每种类型广告在每个时间段下每次浏览的时长，并将其标记为ls_knp，其中，p表示对应时间段下的浏览的总次数，且p为正整数；

并将对应时间段内所有浏览次数下的时长进行均值分析，依据公式：，由此得到在k个相同历史周期内每种类型广告在每个时间段下的浏览时长均值wsl_kn。

优选地，所述对各用户的历史广告行为进行分析，其具体分析过程如下：

设置用户基数，并以此为依据获取每个用户的观看行为参数，且观看行为参数包括点赞量、收藏量和分享量，并由此对每个用户的各项观看行为参数进行分析，具体的：从对应用户的点赞量中提取点赞数最多的广告类型，并将其记作第一广告标签，再从对应用户的收藏量中提取收藏数最多的广告类型，并将其记作第二广告标签，再从对应用户的分享量中提取分享数最多的广告类型，并将其记作第三广告标签；

将第一广告标签、第二广告标签和第三广告标签进行匹配，若三种广告标签中任意两个或两个以上的广告标签所指为同一种类型的广告，则将该类型广告作为用户的兴趣广告类型；

若三种广告标签所指的广告类型均不一致，则分别计算每种广告标签所指的广告类型在对应的观看行为参数中的占比值，并选定占比值最大的广告标签所对应的广告类型作为用户的兴趣广告类型。

优选地，所述对各用户的搜索广告行为进行分析，其具体分析过程如下：

实时监测短视频平台的各用户的每次搜索行为下的搜索字段，将搜索字段与存储在云数据库中的内容指向判定表进行对照匹配分析，由此推断出各用户在每次搜索行为下的指向广告类型，且输出的每个搜索字段的预估偏差影响系数均对应一个指向广告类型；

统计规定时间内用户的所有搜索行为下的指向广告类型，将统计出现最多的同一指向广告类型作为用户的倾向广告类型。

优选地，所述综合投放分析处理，其具体处理过程如下：

根据投放集合B，获取投放集合B 中的各目标推送广告的类型属性；

并结合历史数据分析输出的每种类型广告的高峰受众时段，由此推断出投放集合B中各目标推送广告的高峰受众时段，并由此将投放集合B中的各目标推送广告在对应的高峰受众时段进行推送；

且在推送时，将投放集合B中的各目标推送广告与短视频平台的在线用户的兴趣广告类型及倾向广告类型进行匹配，由此将投放集合B中的各目标推送广告在对应的高峰受众时段推送给对应属性的在线用户。

本发明的有益效果：

本发明，通过对历史模拟推送时段内的各目标推送广告的内容质量状态进行分析，由此明确指出各目标推送广告的内容质量等级，并采用集合归类的方式实现对短视频平台的广告的筛查，提高了短视频平台广告推送的质量，也为广告的精准投放奠定了强有力的数据支撑。

通过调取多个相同历史周期下的各类型广告的历史推送日志，并由此对其的受众时段进行提取分析，从而推测出每种类型广告的推送的最佳时段，又通过对用户在短视频平台的历史观看广告行为和搜索行为进行分析，由此又推断出每个用户的所指向的广告类型；

并以此为基础，通过结合短视频平台的各用户的兴趣广告类型、倾向广告类型，以及每种类型广告的高峰受众时段，将投放集合B中的各目标推送广告依次在对应的高峰受众时段推送给对应属性的在线用户，从而在完成短视频平台广告的智能推送的同时，并为用户提供了更加个性化的广告推送策略，在保证广告投放效果最佳的同时，也提升了短视频平台用户的广告体验，并极大的提高了广告推送的精准度。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明的系统框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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。

请参阅图1所示，本发明为一种适用于短视频平台的广告智能推送系统，包括服务器，服务器通信连接有数据采集单元、云数据库、质量筛查归类单元、高峰时段定位单元、历史行为定位单元、搜索行为定位单元、综合推送投放单元。

数据采集单元用于采集历史模拟推送时段内各目标推送广告的推送状态信息、内容关联信息，以及采集k个相同历史周期内的短视频平台的各类型广告的历史推送日志，并将各类型信息发送至云数据库中进行存储。

云数据库，还用于存储广告内容质量判定表，存储内容指向判定表；

质量筛查归类单元用于对目标推送广告在历史模拟推送时段内的推送状态信息进行监测，由此对目标推送广告的内容质量状态进行筛查归类分析，具体分析过程如下：

实时获取目标推送广告在历史模拟推送时段内的推送状态信息中的点击率、转化率、跳过率和停留时长，并将其分别标记为cr_i、pc_i、sr_i和wt_i，并将各项内容质量参数进行综合分析，依据设定的数据模型：，由此输出目标推送广告的推送反馈系数pfc_i，其中，i表示目标推送广告的数量，且i为正整数，λ1、λ2、λ3和λ4分别为点击率、转化率、跳过率和停留时长的权重因子系数，λ1、λ2、λ3和λ4均为大于0的自然数，权重因子系数用于均衡各项数据在公式计算中的占比权重，从而促进计算结果的准确性；

设置推送反馈系数的梯度参照区间Q1、Q2、Q3，并将目标推送广告的推送反馈系数代入预设的梯度参照区间Q1、Q2、Q3内进行比较分析，其中，参照区间Q1、Q2、Q3的区间数值是呈梯度增加的；

若目标推送广告的推送反馈系数处于预设的梯度参照区间Q1之内时，则将对应的目标推送广告标记为推送负反馈信号，并由此将对应的目标推送广告归入筛除集合A中，即将被标记为推送负反馈信息的推送广告进行剔除，不再对其进行推送操作；

若目标推送广告的推送反馈系数处于预设的梯度参照区间Q2之内时，则将对应的目标推送广告标记为推送一般反馈信号，并由此触发二次内容审核处理，具体处理过程如下：

根据生成的推送一般反馈信号，由此再调取各目标推送广告的内容关联信息中的负评量值、虚假点击量值和内容相关量值，并将其分别标记为ngc_i*、fcv_i*和crq_i*，并将各项数据进行计算分析，依据设定的数据模型：，由此输出目标推送广告的内容质量指数cq_i*，其中，a1表示为负评量值的标准参照值，a2表示为虚假点击量值的标准参照值，a3表示为内容相关量值的标准参照值，i*表示为被标记为推送一般反馈信号的目标推送广告的数量，且/>，μ1、μ2均为转换因子系数，且μ1、μ2为大于0的自然数，而转换因子系数用于将所有数据项的物理量转换成同一物理量的数据系数；

需要说明的是，负评量值指的是在历史模拟推送时段内该目标推送广告被用户反馈的负面评论数多少的数据值；

还需补充说明的是，虚假点击量值的求解过程如下：将历史模拟推送时段等量划分为若干个子时间段，实时监测目标推送广告在若干个子时间段的点击率，设置点击率的频率阈值，并将若干个子时间段的点击率与预设的频率阈值进行比较分析，将点击率大于等于预设的频率阈值的对应子时间段的点击率标记为异常点击行为，计算被标记为异常点击行为的子时间段的数量和的占比值，并将其记作第一指标量值fl1；

实时监测目标推送广告在若干个子时间段的跳出率，并将每个子时间段的跳出率与对应的子时间段下的跳出率阈值进行计算分析，依据设定的数据模型：，由此输出第二指标量值fl2，其中，JoR_j表示为对应的j个子时间段的跳出率，JoR*_j表示为第j个子时间段的跳出率阈值，j表示为划分的若干个子时间段，且j为正整数，γ1和γ2为转换因子系数，γ1和γ2均为大于0的自然数；

将第一指标量值fl1和第二指标量值fl2进行综合分析，依据设定的数据模型：fcv=δ1×fl1+δ2×fl2，由此输出目标推送广告的虚假点击量值fcv，其中，δ1、δ2为归一因子，δ1、δ2均为大于0的自然数，归一因子用于表示将数据模型中的各项数据转化为无量纲形式的系数；

将目标推送广告的内容质量指数与存储在云数据库中的广告内容质量判定表进行对照匹配分析，由此得到目标推送广告的内容质量判定等级，且得到的每个目标推送广告的内容质量指数均对应一个内容质量判定等级，且内容质量判定等级包括正常内容质量等级和劣质内容质量等级；

并将被标记为劣质内容质量等级的目标推送广告归入筛除集合A中，将被标记为正常内容质量等级的目标推送广告归入投放集合B中；

若目标推送广告的推送反馈系数处于预设的梯度参照区间Q3之内时，则将对应的目标推送广告标记为推送正反馈信号，并由此将对应的目标推送广告归入投放集合B中；据此输出筛除集合A和投放集合B。

高峰时段定位单元用于获取k个相同历史周期内的短视频平台的各类型广告的历史推送日志，由此对各类型广告的高峰受众时段进行分析，具体分析过程如下：

获取k个相同历史周期内的短视频平台的各类型广告的历史推送日志，将每个历史周期按照设定的时间层级均划分为n个时间段，其中，n为正整数；

并从历史推送日志中提取每种类型广告在每个时间段下的需求浏览值和浏览时长均值，并将其分别标记为wct_kn和wsl_kn，并将两项数据进行综合分析，依据设定的数据模型：，由此输出每种类型广告在每个时间段下的受众系数ac_kn，其中，ξ1和ξ2为归一因子，ξ1和ξ2均为大于0的自然数；

其中，浏览时长均值的求解过程如下：

实时监测k个相同历史周期内每种类型广告在每个时间段下每次浏览的时长，并将其标记为ls_knp，其中，p表示对应时间段下的浏览的总次数，且p为正整数；

并将对应时间段内所有浏览次数下的时长进行均值分析，依据公式：，由此得到在k个相同历史周期内每种类型广告在每个时间段下的浏览时长均值wsl_kn；

按照受众系数的数值大小将每种类型广告在同一个历史周期内的每个时间段进行降序排列，由此得到每种类型广告的每个历史周期的时间受众排序列表，并将位于时间受众排序列表第一位置序列的时间段进行标记，由此标记出每种类型广告的每个历史周期的受众时段；

统计同一种类型广告在k个历史周期下被标记最多的受众时段，并将其记作高峰受众时段，由此输出每种类型广告的高峰受众时段。

历史行为定位单元用于对短视频平台中各用户的观看行为参数进行监测，由此对各用户的历史广告行为进行分析，具体分析过程如下：

设置用户基数，并以此为依据获取每个用户的观看行为参数，且观看行为参数包括点赞量、收藏量和分享量，并由此对每个用户的各项观看行为参数进行分析，具体的：从对应用户的点赞量中提取点赞数最多的广告类型，并将其记作第一广告标签，再从对应用户的收藏量中提取收藏数最多的广告类型，并将其记作第二广告标签，再从对应用户的分享量中提取分享数最多的广告类型，并将其记作第三广告标签；

将第一广告标签、第二广告标签和第三广告标签进行匹配，若三种广告标签中任意两个或两个以上的广告标签所指为同一种类型的广告，则将该类型广告作为用户的兴趣广告类型；

若三种广告标签所指的广告类型均不一致，则分别计算每种广告标签所指的广告类型在对应的观看行为参数中的占比值，并选定占比值最大的广告标签所对应的广告类型作为用户的兴趣广告类型；

举例为：

若目标用户的各项观看行为参数依次为：点赞量1000、收藏量800、分享量500，且1000的点赞量中的广告类型仅有美容、养生、旅游、教育、体育这5种，而1000的点赞量中美容类型的广告的点赞数为400、养生类型的广告的点赞数为150、旅游类型的广告的点赞数为200、教育类型的广告的点赞数为150、体育类型的广告的点赞数为100，由此可知，美容类型的广告的点赞数最多，故第一广告标签为美容类型的广告；

并以此类推第二广告标签、第三广告标签，假设第二广告标签为美容类型的广告，且旅游类型的广告的收藏数为300，第三广告标签为教育类型的广告，且教育类型的广告的分享数为300，由此可知：三种广告标签所指的广告类型均不一致，故分别计算每种广告标签所指的广告类型在对应的观看行为参数中的占比值，依次得到占比值400÷1000=40%，300÷800=37.5%，300÷500=60%，由此可知：第三广告标签所指的教育类型的广告的占比值最大，故将教育类型的广告作为用户的兴趣广告类型。

搜索行为定位单元用于对短视频平台中各用户的搜索行为进行监测，由此对各用户的搜索广告行为进行分析，具体分析过程如下：

实时监测短视频平台的各用户的每次搜索行为下的搜索字段，将搜索字段与存储在云数据库中的内容指向判定表进行对照匹配分析，由此推断出各用户在每次搜索行为下的指向广告类型，且输出的每个搜索字段的预估偏差影响系数均对应一个指向广告类型；

统计规定时间内用户的所有搜索行为下的指向广告类型，将统计出现最多的同一指向广告类型作为用户的倾向广告类型；据此输出各用户的倾向广告类型。

综合推送投放单元，用于结合短视频平台的各用户的兴趣广告类型、倾向广告类型，以及每种类型广告的高峰受众时段，并由此进行综合投放分析处理，具体处理过程如下：

根据投放集合B，获取投放集合B 中的各目标推送广告的类型属性；

并结合历史数据分析输出的每种类型广告的高峰受众时段，由此推断出投放集合B中各目标推送广告的高峰受众时段，并由此将投放集合B中的各目标推送广告在对应的高峰受众时段进行推送；

且在推送时，将投放集合B中的各目标推送广告与短视频平台的在线用户的兴趣广告类型及倾向广告类型进行匹配，由此将投放集合B中的各目标推送广告在对应的高峰受众时段推送给对应属性的在线用户，由此完成短视频平台广告的智能推送。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (9)

1.一种适用于短视频平台的广告智能推送系统，包括服务器，服务器通信连接有数据采集单元，数据采集单元用于采集历史模拟推送时段内各目标推送广告的推送状态信息、内容关联信息，以及采集k个相同历史周期内的短视频平台的各类型广告的历史推送日志，并将各类型信息发送至云数据库中进行存储，其特征在于，服务器通信连接有：

云数据库，还用于存储广告内容质量判定表，存储内容指向判定表；

质量筛查归类单元，用于对目标推送广告在历史模拟推送时段内的推送状态信息进行监测，由此对目标推送广告的内容质量状态进行筛查归类分析，据此输出筛除集合A和投放集合B；

高峰时段定位单元，用于获取k个相同历史周期内的短视频平台的各类型广告的历史推送日志，由此对各类型广告的高峰受众时段进行分析，据此输出每种类型广告的高峰受众时段；

历史行为定位单元，用于对短视频平台中各用户的观看行为参数进行监测，由此对各用户的历史广告行为进行分析，据此输出各用户的兴趣广告类型；

搜索行为定位单元，用于对短视频平台中各用户的搜索行为进行监测，由此对各用户的搜索广告行为进行分析，据此输出各用户的倾向广告类型；

综合推送投放单元，用于结合短视频平台的各用户的兴趣广告类型、倾向广告类型，以及每种类型广告的高峰受众时段，将投放集合B中的各目标推送广告依次在对应的高峰受众时段推送给对应属性的在线用户，由此完成短视频平台广告的智能推送。

2.根据权利要求1所述的一种适用于短视频平台的广告智能推送系统，其特征在于，所述对目标推送广告的内容质量状态进行筛查归类分析，其具体分析过程如下：

实时获取目标推送广告在历史模拟推送时段内的推送状态信息中的点击率、转化率、跳过率和停留时长，并将各项内容质量参数进行综合分析，由此输出目标推送广告的推送反馈系数；

设置推送反馈系数的梯度参照区间Q1、Q2、Q3，并将目标推送广告的推送反馈系数代入预设的梯度参照区间Q1、Q2、Q3内进行比较分析；

若目标推送广告的推送反馈系数处于预设的梯度参照区间Q1之内时，则将对应的目标推送广告标记为推送负反馈信号，并由此将对应的目标推送广告归入筛除集合A中，即将被标记为推送负反馈信息的推送广告进行剔除，不再对其进行推送操作；

若目标推送广告的推送反馈系数处于预设的梯度参照区间Q2之内时，则将对应的目标推送广告标记为推送一般反馈信号，并由此触发二次内容审核处理，据此输出目标推送广告的内容质量判定等级，且内容质量判定等级包括正常内容质量等级和劣质内容质量等级；

并将被标记为劣质内容质量等级的目标推送广告归入筛除集合A中，将被标记为正常内容质量等级的目标推送广告归入投放集合B中；

若目标推送广告的推送反馈系数处于预设的梯度参照区间Q3之内时，则将对应的目标推送广告标记为推送正反馈信号，并由此将对应的目标推送广告归入投放集合B中。

3.根据权利要求2所述的一种适用于短视频平台的广告智能推送系统，其特征在于，所述二次内容审核处理，其具体处理过程如下：

根据生成的推送一般反馈信号，由此再调取各目标推送广告的内容关联信息中的负评量值、虚假点击量值和内容相关量值，并将各项数据进行计算分析，由此输出目标推送广告的内容质量指数；

将目标推送广告的内容质量指数与存储在云数据库中的广告内容质量判定表进行对照匹配分析，由此得到目标推送广告的内容质量判定等级，且得到的每个目标推送广告的内容质量指数均对应一个内容质量判定等级，且内容质量判定等级包括正常内容质量等级和劣质内容质量等级。

4.根据权利要求3所述的一种适用于短视频平台的广告智能推送系统，其特征在于，所述虚假点击量值的求解过程如下：

将历史模拟推送时段等量划分为若干个子时间段，实时监测目标推送广告在若干个子时间段的点击率，设置点击率的频率阈值，并将若干个子时间段的点击率与预设的频率阈值进行比较分析，将点击率大于等于预设的频率阈值的对应子时间段的点击率标记为异常点击行为，计算被标记为异常点击行为的子时间段的数量和的占比值，并将其记作第一指标量值fl1；

实时监测目标推送广告在若干个子时间段的跳出率，并将每个子时间段的跳出率与对应的子时间段下的跳出率阈值进行计算分析，由此输出第二指标量值；

将第一指标量值和第二指标量值进行综合分析，由此输出目标推送广告的虚假点击量值。

5.根据权利要求1所述的一种适用于短视频平台的广告智能推送系统，其特征在于，所述对各类型广告的高峰受众时段进行分析，其具体分析过程如下：

获取k个相同历史周期内的短视频平台的各类型广告的历史推送日志，将每个历史周期按照设定的时间层级均划分为n个时间段，其中，n为正整数；

并从历史推送日志中提取每种类型广告在每个时间段下的需求浏览值和浏览时长均值，并将两项数据进行综合分析，由此输出每种类型广告在每个时间段下的受众系数；

按照受众系数的数值大小将每种类型广告在同一个历史周期内的每个时间段进行降序排列，由此得到每种类型广告的每个历史周期的时间受众排序列表，并将位于时间受众排序列表第一位置序列的时间段进行标记，由此标记出每种类型广告的每个历史周期的受众时段；

统计同一种类型广告在k个历史周期下被标记最多的受众时段，并将其记作高峰受众时段，由此输出每种类型广告的高峰受众时段。

6.根据权利要求5所述的一种适用于短视频平台的广告智能推送系统，其特征在于，所述浏览时长均值的求解过程如下：

实时监测k个相同历史周期内每种类型广告在每个时间段下每次浏览的时长，并将其标记为ls_knp，其中，p表示对应时间段下的浏览的总次数，且p为正整数；

并将对应时间段内所有浏览次数下的时长进行均值分析，依据公式：，由此得到在k个相同历史周期内每种类型广告在每个时间段下的浏览时长均值wsl_kn。

7.根据权利要求1所述的一种适用于短视频平台的广告智能推送系统，其特征在于，所述对各用户的历史广告行为进行分析，其具体分析过程如下：

设置用户基数，并以此为依据获取每个用户的观看行为参数，且观看行为参数包括点赞量、收藏量和分享量，并由此对每个用户的各项观看行为参数进行分析，具体的：从对应用户的点赞量中提取点赞数最多的广告类型，并将其记作第一广告标签，再从对应用户的收藏量中提取收藏数最多的广告类型，并将其记作第二广告标签，再从对应用户的分享量中提取分享数最多的广告类型，并将其记作第三广告标签；

将第一广告标签、第二广告标签和第三广告标签进行匹配，若三种广告标签中任意两个或两个以上的广告标签所指为同一种类型的广告，则将该类型广告作为用户的兴趣广告类型；

若三种广告标签所指的广告类型均不一致，则分别计算每种广告标签所指的广告类型在对应的观看行为参数中的占比值，并选定占比值最大的广告标签所对应的广告类型作为用户的兴趣广告类型。

8.根据权利要求1所述的一种适用于短视频平台的广告智能推送系统，其特征在于，所述对各用户的搜索广告行为进行分析，其具体分析过程如下：

实时监测短视频平台的各用户的每次搜索行为下的搜索字段，将搜索字段与存储在云数据库中的内容指向判定表进行对照匹配分析，由此推断出各用户在每次搜索行为下的指向广告类型，且输出的每个搜索字段的预估偏差影响系数均对应一个指向广告类型；

统计规定时间内用户的所有搜索行为下的指向广告类型，将统计出现最多的同一指向广告类型作为用户的倾向广告类型。

9.根据权利要求1所述的一种适用于短视频平台的广告智能推送系统，其特征在于，所述综合投放分析处理，其具体处理过程如下：

根据投放集合B，获取投放集合B 中的各目标推送广告的类型属性；

并结合历史数据分析输出的每种类型广告的高峰受众时段，由此推断出投放集合B中各目标推送广告的高峰受众时段，并由此将投放集合B中的各目标推送广告在对应的高峰受众时段进行推送；

且在推送时，将投放集合B中的各目标推送广告与短视频平台的在线用户的兴趣广告类型及倾向广告类型进行匹配，由此将投放集合B中的各目标推送广告在对应的高峰受众时段推送给对应属性的在线用户。